基于网络的抗菌药物敏感性试验潜在联合检测模式表征：Shadow Antibiogram框架

《iScience》：Network-based characterization of latent co-testing patterns in antimicrobial susceptibility testing

　　

抗菌药物耐药性（AMR）监测依赖于抗菌药物敏感性试验（AST），然而抗生素检测组合因病原体队列、标本类型、年份、病房和医疗环境而异。研究人员将这些经验重建的检测架构称为“影子抗微生物图谱”（shadow antibiograms）：它决定了哪些药敏结果进入监测数据集以及哪些耐药关系可以被观察到。研究人员分析了德国国家抗生素耐药监测系统（2019–2023年）中约1300万株细菌分离株，涵盖六个与WHO BPPL对齐的操作队列。使用Jaccard、Dice、余弦和phi系数相似度构建联合检测网络，通过Fisher精确检验和Benjamini-Hochberg校正进行评估，并使用多分辨率Louvain社区检测进行划分。网络包含三到四个主要的联合检测社区；各队列和标本类型的错误发现率（FDR）保留范围为89%至100%。Jaccard在连贯性、稳定性、抗菌药物类别对齐、可解释性和边保留方面提供了最佳平衡。这项工作首次在全国范围内对影子抗微生物图谱结构进行了经验性表征，为诊断管理和具有偏倚意识的AMR监测解读提供了支持。

抗菌药物耐药性（AMR）是全球重大健康威胁，2019年德国约有9600例可归因死亡和45700例相关死亡，主要由大肠杆菌、金黄色葡萄球菌、肺炎克雷伯菌、粪肠球菌和铜绿假单胞菌驱动。国际监测网络如GLASS和EARS-Net提供了统一报告框架，WHO AWaRe和细菌优先病原体清单（BPPL）提供了优先级分类，但抗菌药物敏感性试验（AST）仍高度可变。实验室工作流程和管理政策影响哪些抗生素被检测和报告，导致监测数据既反映微生物流行病学，也反映潜在诊断背景。选择性报告和级联报告可能抑制多达20%的AST结果，在德国虽未正式记录，但类似机制可能影响报告模式。这些因素催生了“影子抗微生物图谱”（Shadow Antibiogram, SA）概念：经验重建的联合检测模式结构，决定了哪些药敏结果进入监测数据集以及哪些耐药关系可被观察。AST结果往往并非完全随机缺失（MCAR），而是因机构政策和管理约束而呈现非随机缺失（MNAR），因此忽略这些模式的分析工作流可能对耐药率估计引入显著偏倚。本研究旨在表征诊断检测架构，即抗生素联合检测的可测经验模式及其随临床背景的变化，为未来偏倚感知的监测建模提供基础。

研究人员使用了德国国家抗生素耐药监测系统（ARS）2019–2023年间的12.98百万株临床分离株，跨越六个WHO BPPL对齐操作队列。通过结构化预处理流程构建二元检测发生率矩阵和背景元数据。研究围绕三个问题展开：从经验联合检测模式中涌现出哪些抗生素社区？相似度指标和网络算法如何影响从稀疏AST数据中提取稳健可解释结构？联合检测网络如何随时间及临床背景变化？研究贡献包括：探索SA概念的网络化表征、开发用于稀疏高维AST矩阵的计算框架（整合多种相似度指标、社区检测、FDR控制和稳定性评估），以及量化临床背景和标本类型间检测行为的异质性。

为开展研究，研究人员采用了多阶段分析框架。首先，对原始ARS记录进行标准化，包括年龄分层、标本类型和护理环境分类、病原体和抗菌药物名称校对，并过滤掉检测率低于1%的抗生素，保留58种抗菌药物。其次，构建二元检测发生率矩阵，其中每个分离株对应一个二进制向量，表示每种抗生素是否被检测。再次，评估四种二元关联指标（Jaccard、Dice、余弦和phi系数），采用两阶段验证框架：阶段1基于网络内在质量（社区稳定性、内部连贯性、与抗菌药物分类的对齐、轮廓系数）在参数网格上选择最优指标和参数；阶段2对选定的网络边使用Fisher精确检验和Benjamini-Hochberg（BH）校正进行统计验证。社区检测使用多分辨率Louvain算法（分辨率参数γ=1.0，100次独立初始化）。最后，应用两个用例：比较不同临床背景（ICU对普通病房、住院对门诊、标本类型）的联合检测网络，以及分析2019–2023年大肠杆菌尿液和血液培养网络的年际演变。

数据集构成显示，十个细菌属占分离株的95.0%，以埃希菌属（36.4%）、葡萄球菌属（16.5%）和克雷伯菌属（12.2%）为主。标本类型以尿液（46.3%）、拭子（16.5%）和伤口（16.3%）为主，血液培养占4.8%。年龄分布集中于60–84岁（35.1%），覆盖德国所有16个联邦州。WHO AWaRe分类趋势显示，Access组检测相对份额从2019年34.5%增至2023年36.9%；Watch组始终占多数，相对比例从57.1%略降至56.0%，其中环丙沙星检测增加、左氧氟沙星和莫西沙星下降，与2018年后监管限制一致；Reserve组稳定约占7%。实验室间检测覆盖率显示Watch类抗生素的异质性最大，Reserve类整体覆盖率低但少数药物存在选择性检测。相似度指标评估表明，phi系数获得最高内在连贯性分数（平均ICS=6.27）但网络碎片化严重（平均18.16个社区）；Jaccard在连贯性（ICS=4.11）、稳定性（平均ARI=0.85）、抗菌药物分类对齐（平均层次一致性0.45）和临床可解释性间达到最佳平衡，故被选为主要相似度指标。阶段2统计验证显示，Jaccard网络（τ*=0.30, γ*=1.0）经BH校正后边保留率中位数为98.4%，尿液网络保留率接近或达到100%，血液培养网络略低（约89%–100%），且Jaccard保留了大量统计支持的边（中位数123条），优于phi系数。

用例1比较大肠杆菌网络时发现，尿液检测网络的“核心”社区在所有临床背景下保持稳定，锚定药物包括呋喃妥因、美罗培南和甲氧苄啶；差异主要体现在“中间”社区的组织：ICU网络高度整合，将黏菌素和氨曲南等储备药物保留在凝聚的外围群组中，而普通病房和社区网络中这些药物常被隔离或断开。血液培养网络采用18–20种广谱药物的更大核心，中间桥接在ICU和社区显著扩张，但在普通病房缩减至5种，使储备药物处于外围。在所有情境中，针对革兰氏阳性菌的药物（如万古霉素和克林霉素）始终位于极端外围，对大肠杆菌队列缺乏临床可解释性。替加环素的使用随病房护理强度增加，而呋喃妥因（通常用于尿液）在血液培养网络尤其在ICU和社区中频繁出现，提示标准化检测组合而非临床适应症驱动了检测行为。用例2显示，大肠杆菌尿液联合检测网络在2019–2023年间保持大型密集连接的核心社区，结构变异有限；而血液培养网络年际变化较大，模块化组织更明显，外围社区发生转变。

讨论部分强调，SA框架将诊断检测架构转化为可测量和可比较的显式对象。方法学上，Jaccard相似性适合表征主导性联合检测模式，而phi系数能检测联合缺失导致的条件依赖但会产生碎片化社区。Louvain算法的非重叠分配可能低估某些广谱药物（如碳青霉烯、哌拉西林-他唑巴坦）跨社区连接的桥接作用，未来可考虑重叠社区检测或超图模型。研究局限性包括：无法推断检测决策的方向性或序贯性；结果可能不适用于其他病原体或国际医疗系统；需要交互式可视化工具支持深入探索；未进行患者水平去重，慢性感染患者重复检测可能影响外围社区边权重。研究结论表明，SA提供了理解AMR监测数据中检测选择性的实证基础，有助于诊断管理和偏倚感知的监测解读。