基于机器学习的中心静脉导管相关静脉炎预测模型(PPML)的构建与前瞻性验证：降低心内科住院患者感染风险

本研究针对外周静脉导管(PVC)使用中高发的导管相关静脉炎(PVCP)问题，开发了基于随机森林(RandomForest)的机器学习预测模型PPML。研究人员利用107,419例住院患者数据构建模型，在心内科1,199例患者中验证获得0.72的AUC值，前瞻性应用使长期住院患者PVCP发生率显著下降(p=0.01)。该研究为临床早期识别高风险患者、优化感染防控策略提供了智能化解决方案。

　　

在临床实践中，外周静脉导管(PVC)是给药和补液的常用医疗手段，但随之而来的导管相关静脉炎(PVCP)发生率可高达19%，可能导致血栓性静脉炎、血流感染甚至死亡。尽管已有基于氯己定消毒等预防指南，临床执行率仍不足50%。传统监测方法存在滞后性，亟需建立早期预警系统。这项发表在《BMC Medical Informatics and Decision Making》的研究，开创性地将机器学习技术应用于PVCP的实时预测。

研究团队采用医院2017-2020年107,419例住院数据开发模型，通过SQL规则从临床笔记中提取PVCP病例（2,170例）。运用随机森林算法筛选31个关键特征，包括血压、血小板计数、糖化血红蛋白等指标，以及抗凝剂、皮质类固醇等用药记录。模型每3小时更新预测，将风险划分为绿(0-40%)、橙(40-80%)、红(80-100%)三区，并通过EPIC系统实时预警。

模型性能验证

测试集AUC达0.89，心内科验证集AUC为0.72。高风险区(>80%)患者中30%确实发生PVCP，而低风险区阴性预测值达88%。特征重要性分析显示，住院时长、静脉用药数量、心血管疾病史最具预测价值。

临床实施效果

2021年5月模型上线后，心内科长期住院患者PVCP发生率显著降低(p=0.01)，而短期住院患者无显著变化。研究团队认为，这种差异源于长期导管暴露增加的风险特征被模型有效捕捉，促使医护人员加强导管护理和早期干预。

讨论与意义

该研究首次证明基于全院数据构建的机器学习模型可特异性预测心内科PVCP风险。创新性地采用临床笔记挖掘技术解决PVCP诊断标准缺失问题。尽管存在假阳性警报，但通过风险分区策略平衡了临床实用性。未来需在更多科室验证模型普适性，并探索与电子医嘱系统的深度整合。这项研究为医院感染防控提供了可推广的AI解决方案，标志着感染管理进入预测性医疗新时代。