基于XGBoost模型与可解释性分析的碳青霉烯耐药铜绿假单胞菌感染风险预测研究

为解决碳青霉烯耐药铜绿假单胞菌(CRPA)感染的高死亡率与临床防控难题，山西医科大学第二医院团队通过机器学习构建了XGBoost预测模型。研究筛选出ICU入住、中心静脉置管时长、碳青霉烯类和氟喹诺酮类药物使用4项关键风险因子，模型训练集AUC达0.987，测试集AUC为0.862。该成果为CRPA感染的早期筛查提供了智能化工具，发表于《Scientific Reports》。

　　

抗生素耐药性已成为全球公共卫生领域的重大挑战，其中碳青霉烯耐药铜绿假单胞菌(CRPA)因治疗选择有限、死亡率高被WHO列为"重点病原体"。中国CARSS数据显示，2023年铜绿假单胞菌对亚胺培南和美罗培南的耐药率分别高达21.9%和17.4%。面对CRPA医院感染(HAIs)的严峻形势，传统Logistic回归模型存在处理非线性关系的局限性，亟需开发更精准的预测工具。

山西医科大学第二医院感染管理团队开展了这项创新研究，通过回顾性分析2021-2024年1949例铜绿假单胞菌感染病例，采用1:1匹配得到89对CRPA与敏感菌(CSPA)感染病例。研究运用LASSO回归筛选变量，构建XGBoost机器学习模型，并引入SHAP可解释性算法解析风险因素贡献度。结果显示ICU入住、中心静脉置管(CVC)时长、碳青霉烯类和氟喹诺酮类药物使用是核心预测因子，模型在测试集表现出色(AUC=0.862)。该成果为CRPA感染的精准防控提供了决策支持，论文发表于《Scientific Reports》。

主要技术方法
研究采用VITEK-2 Compact全自动微生物分析系统进行菌种鉴定和药敏试验，依据CLSI标准判定耐药性。通过"蓝蜻蜓"医院感染管理系统提取临床数据，应用LASSO回归处理变量共线性后，采用XGBoost算法构建预测模型，并利用SHAP方法实现模型可解释性分析。

研究结果

患者特征与标本分布
CRPA感染率为4.57%，呼吸道是最常见感染源(痰标本占43.8%)。ICU(26.1%)和血液科(23.8%)为高风险科室，患者多伴有低蛋白血症(47.19%)和恶性肿瘤(39.33%)。

变量预测价值与相关性
热图分析显示临床变量存在显著共线性。单变量ROC曲线表明，碳青霉烯使用(AUC>0.7)、发热天数、导尿管留置时长和CVC时长具有最佳预测效能。

LASSO回归筛选
从28个候选变量中筛选出4个核心预测因子：ICU入住、CVC时长、碳青霉烯类和氟喹诺酮类药物使用，其λ.min区间误差最小。

XGBoost模型验证
模型训练集准确率0.944(AUC=0.987)，测试集准确率0.808(AUC=0.862)。决策曲线分析证实其临床适用性。

SHAP可解释性分析
全局SHAP显示碳青霉烯使用对CRPA感染呈正向贡献最大(1.85)，而CVC时长呈负向影响(-0.495)。单样本力图示踪了各因素对预测结果的动态影响。

结论与意义
该研究创新性地将XGBoost-SHAP框架应用于CRPA感染预测，揭示了抗生素选择压力(碳青霉烯/氟喹诺酮)与侵入性操作(CVC)的协同风险机制。尽管存在单中心回顾性设计的局限性，但模型为ICU等重点科室的感染防控提供了量化工具，建议临床通过以下措施降低CRPA传播风险：(1)严格管控碳青霉烯类经验性用药；(2)规范CVC等侵入性操作流程；(3)在高风险病区实施动态监测。未来需通过多中心前瞻性研究进一步验证模型的普适性。