基于COVID-19数据的神经科病房呼吸道感染防控策略：患者-医护人员传播模式与机器学习预测模型

本研究针对COVID-19疫情期间神经科病房院内感染高发问题，通过时间序列分析和LightGBM机器学习模型，揭示了患者-医护人员的滞后传播规律（峰值间隔7-9天），并构建了预测准确率达AUC=0.85的风险评估系统，为呼吸道传染病院内防控提供了靶向干预新策略。

　　

在COVID-19大流行席卷全球的背景下，医疗机构成为病毒传播的"重灾区"。截至2025年3月，全球累计感染人数突破7.77亿，而医院内暴发的聚集性感染事件屡见不鲜。神经科病房的特殊性使其成为防控难点——患者普遍存在运动功能障碍、基础疾病复杂，且需要医护人员频繁近距离照护。上海某脑科医院的数据显示，疫情期间院内感染率最高达社区水平的20倍，这种异常现象暴露出传统感染控制策略在特殊医疗场景中的局限性。

为破解这一难题，Wanji Xie、Chengyue Zhu等研究者开展了一项开创性研究。团队收集了2022年3-6月疫情期间712名住院患者和438名医护人员的完整感染数据，结合社区流行病学背景，运用机器学习与时间序列分析等前沿技术，首次系统揭示了神经科病房内COVID-19的传播规律。论文发表于感染控制领域权威期刊《International Journal for Quality in Health Care》，为后疫情时代的院内感染管理提供了科学范本。

研究采用三大关键技术方法：1)基于AutoEncoder的缺失数据填补技术处理临床指标；2)LightGBM算法构建感染风险预测模型，通过SHAP值解析特征重要性；3)交叉相关分析(CCA)和Granger因果检验量化患者-医护人员的传播时滞。所有数据均来自上海某神经专科医院，采用每48小时一次的规律性PCR筛查确保数据质量。

【Higher COVID-19 Infection Rate in Hospital Compared to the Community】

通过对比上海社区与医院感染曲线，发现院内感染峰值显著高于社区水平，且医护人员感染峰相较患者延迟出现。这一现象通过

可视化呈现，证实医院作为高风险传播场所的特殊性。

【Patient to Worker Transmission Pattern】

时间序列分析显示患者感染可显著预测7-9天后的医护人员感染（Granger检验p<0.01）。

直观展示这种滞后传播模式，推翻"医护到患者"的传统传播假设。

【Intra-ward Infections as a Key Transmission Pathway】

分病区分析揭示C、D、E等病房存在显著的双向传播链。

显示患者活动病例数对医护人员感染具有持续预测效应（F=12.34），证实病区是传播核心单元。

【Identification of Predictive Features Using LightGBM model】

构建的预测模型在测试集达到AUC=0.85，SHAP分析识别出病房医生数量、红细胞(RBC)计数、疫苗接种等十大关键因子。

显示年龄每增加10岁，感染风险提升18.7%。

这项研究通过多维度证据链，确立了神经科病房"患者→医护人员"的传播范式。其创新价值体现在：1)首次量化传播时滞为防控时间窗设定提供依据；2)开发的预测模型可实现高危患者早期识别；3)发现的病房医生数量等非传统风险因子，提示人力配置与感染风险的潜在关联。尽管存在单中心研究的局限性，但内部验证显示模型在各病区保持AUC>0.90的稳定性能。

该成果对公共卫生实践具有直接指导意义：建议神经科病房采取"分区分层"防控策略，在患者感染高峰后7天内强化医护人员防护；将预测模型整合入院感监测系统，对高龄、低淋巴细胞计数等特征患者实施优先干预。这些措施有望将未来呼吸道传染病大流行期间的院内感染率降低30%-40%，为构建韧性医疗体系提供关键技术支撑。