老年急性卒中患者医院感染预测模型的构建与验证

doi:10.3969/j.issn.1673-5765.2025.07.006

摘要/Abstract

摘要： 目的探讨老年急性卒中患者医院感染的危险因素，建立预测模型并进行评价。
方法回顾性选取2019年6月—2021年12月首都医科大学附属北京天坛医院神经内科住院的老年急性卒中患者作为研究对象。根据患者是否发生医院感染分为感染组和未感染组。按7∶3的比例将数据集分为训练集和测试集，训练集用来建立模型，测试集用来评估模型性能。在训练集中进行单因素和多因素分析，筛选影响因素并构建列线图预测模型。通过Hosmer-Lemeshow拟合优度检验、绘制校准曲线以及ROC曲线分析和决策曲线分析（decision curve analysis，DCA）评估模型预测能力的准确性、区分度和临床实用性。
结果本研究共纳入2201例老年急性卒中患者，平均年龄（68.9±6.9）岁，男性占68.92%（1517/2201）。医院感染总发生率为12.22%（269/2201），其中肺部感染发生率为9.72%（214/2201），泌尿系统感染发生率为2.50%（55/2201），中枢神经系统感染发生率为0.50%（11/2201）。缺血性卒中、脑出血、蛛网膜下腔出血患者的医院感染率分别为10.31%、15.88%、29.29%，差异有统计学意义（P＜0.001）。多因素分析结果显示年龄≥75岁、有慢性阻塞性肺疾病及消化性溃疡病史、入院时NIHSS评分5～15分和16～42分、入院时mRS评分≥3分、白蛋白＜35 g/L、白细胞计数和中性粒细胞与淋巴细胞比值高、手术治疗是医院感染的独立危险因素，纳入列线图预测模型。训练集和测试集的Hosmer-Lemeshow拟合优度检验结果均显示P＞0.05（训练集χ2=9.294，P=0.318；测试集χ2=10.173，P=0.253），说明该模型有较好的拟合度。校准曲线显示预测值与实际值的一致性较好。训练集和测试集的AUC分别为0.847（95%CI 0.819～0.876）、0.838（95%CI 0.786～0.890），表明模型有较好的预测能力和区分度。DCA显示预测模型临床实用性较高。
结论本研究构建的列线图预测模型能较好地预测老年急性卒中患者的医院感染发生风险。

文章导读： 老年急性卒中患者发生医院感染的影响因素较多，本研究基于患者基本信息、既往病史、卒中功能评分、实验室检查、发病到入院时间、手术治疗等临床资料开发列线图预测模型。该模型有较好的识别和校准能力，有助于临床医师早期识别高风险患者，采取有效预防措施，降低医院感染的发生率。

关键词: 老年患者; 卒中; 医院感染; 预测模型; 列线图

Abstract: Objective To explore the risk factors of nosocomial infection in elderly patients with acute stroke and to establish and evaluate a prediction model.
Methods Elderly patients with acute stroke who were hospitalized in the Department of Neurology, Beijing Tiantan Hospital, Capital Medical University from June 2019 to December 2021 were retrospectively selected as the study objects. Patients were divided into the infected group and the non-infected group according to whether nosocomial infection occurred. The data set was split into the training set and test set at a ratio of 7∶3, with the training set used to establish the model and the test set to evaluate the model’s performance. Univariate and multivariate analyses were performed on the training set to screen for influencing factors and construct a nomogram prediction model. The predictive capability of the model was evaluated in terms of accuracy, discrimination, and clinical utility through the Hosmer-Lemeshow goodness of fit test, calibration curve plotting, ROC curve analysis, and decision curve analysis (DCA).
Results A total of 2201 elderly patients with acute stroke were included in this study, with an average age of (68.9±6.9) years, and 68.92% (1517/2201) were male. The overall nosocomial infection rate was 12.22% (269/2201), among which the pulmonary infection rate was 9.72% (214/2201), the urinary system infection rate was 2.50% (55/2201), and the central nervous system infection rate was 0.50% (11/2201). The nosocomial infection rates of ischemic stroke, intracerebral hemorrhage, and subarachnoid hemorrhage patients were 10.31%, 15.88%, and 29.29%, respectively, with statistically significant differences (P<0.001). Multivariate analysis results showed that age≥75 years, history of chronic obstructive pulmonary disease or peptic ulcer, NIHSS scores of 5-15 and 16-42 at admission, mRS score≥3 at admission, albumin<35 g/L, high white blood cell count and neutrophil to lymphocyte ratio, and surgical treatment were independent risk factors for nosocomial infection. These factors were incorporated into the nomogram prediction model. The Hosmer-Lemeshow goodness of fit test results for the training set and test set both showed P>0.05 (the training set χ2=9.294, P=0.318; the test set χ2=10.173, P=0.253), indicating that the model has a good fit. The calibration curve showed good agreement between predicted and actual values. The AUC values of the training set and test set were 0.847 (95%CI 0.819-0.876) and 0.838 (95%CI 0.786-0.890), respectively, indicating that the model had good predictive ability and discrimination. DCA showed that the prediction model had high clinical utility.
Conclusions The nomogram prediction model constructed in this study can effectively predict the risk of nosocomial infection in elderly patients with acute stroke.

Key words: Elderly patient; Stroke; Nosocomial infection; Prediction model; Nomogram

中图分类号:

李静, 程实, 郭军平, 胡爱香, 于鑫玮, 韩玮, 张越巍, 冀瑞俊. 老年急性卒中患者医院感染预测模型的构建与验证[J]. 中国卒中杂志, 2025, 20(7): 840-850.

LI Jing, CHENG Shi, GUO Junping, HU Aixiang, YU Xinwei, HAN Wei, ZHANG Yuewei, JI Ruijun. Construction and Validation of a Prediction Model for Nosocomial Infection in Elderly Patients with Acute Stroke[J]. Chinese Journal of Stroke, 2025, 20(7): 840-850.

参考文献

[1] 王拥军，李子孝，谷鸿秋，等. 中国卒中报告2020（中文版）（1）[J]. 中国卒中杂志，2022，17（5）：433-447.
WANG Y J，LI Z X，GU H Q，et al. China stroke statistics 2020（1）[J]. Chin J Stroke，2022，17（5）：433-447.
[2] 刘建模，罗颢文，俞鹏飞，等. 基于机器学习的急性缺血性脑卒中医院感染预测模型建立与评价[J]. 中国感染控制杂志，2023，22（2）：129-135.
LIU J M，LUO H W，YU P F，et al. Construction and evaluation of a machine-learning-based model for predicting healthcare-associated infection in patients with acute ischemic stroke[J]. Chin J Infect Control，2023，22（2）：129-135.
[3] 高艳，周泓羽，赵庆华，等. 老年患者医院感染经济负担分析[J]. 护理学杂志，2021，36（11）：77-80.
GAO Y，ZHOU H Y，ZHAO Q H，et al. Economic burden of nosocomial infections in elderly patients[J]. Journal of Nursing Science，2021，36（11）：77-80.
[4] GBD 2019 Stroke Collaborators. Global，regional，and national burden of stroke and its risk factors，1990—2019：a systematic analysis for the global burden of disease study 2019[J]. Lancet Neurol，2021，20（10）：795-820.
[5] TIAN W X，ZHU G H，XIAO W B，et al. Stroke burden and attributable risk factors in China，1990—2019[J/OL]. Front Neurol，2023，14：1193056[2024-06-08]. https://doi.org/10.3389/fneur.2023.1193056.
[6] WESTENDORP W F，DAMES C，NEDERKOORN P J，et al. Immunodepression，infections，and functional outcome in ischemic stroke[J]. Stroke，2022，53（5）：1438-1448.
[7] 李雅雅，高凤娥，杨林华. 某医院2017—2021年医院感染现患率调查及危险因素分析[J]. 中国消毒学杂志，2023，40（3）：201-203，207.
LI Y Y，GAO F E，YANG L H. Survey on nosocomial infection prevalence rate and analysis of risk factors in a hospital from 2017 to 2021[J]. Chinese Journal of Disinfection，2023，40（3）：201-203，207.
[8] 周小燕，彭舒，任丽君. 老年脑卒中患者医院感染病原学及危险因素分析[J]. 中国病原生物学杂志，2022，17（4）：459-462.
ZHOU X Y，PENG S，REN L J. Etiology and risk factors of nosocomial infection in elderly stroke patients[J]. Journal of Pathogen Biology，2022，17（4）：459-462.
[9] 蒋愈娇，黄文美，文英芬. 脑卒中患者医院感染的临床特点及对康复效果的影响分析[J]. 中国医学前沿杂志（电子版），2018，10（8）：93-99.
JIANG Y J，HUANG W M，WEN Y F. Clinical characteristics of nosocomial infection in stroke patients and its effect on rehabilitation[J]. Chinese Journal of the Frontiers of Medical Science，2018，10（8）：93-99.
[10] 程玉峰，王运良. 脑卒中后尿路感染的危险因素及预防措施[J]. 中国实用神经疾病杂志，2020，23（7）：636-640.
CHENG Y F，WANG Y L. Risk factors and preventive measures of urinary tract infection after stroke[J]. Chinese Journal of Practical Nervous Diseases，2020，23（7）：636-640.
[11] 孙吉林，季猛，季晶，等. 高血压脑出血微创穿刺引流术后并发颅内感染的临床预测模型建立和验证[J]. 临床神经外科杂志，2023，20（4）：420-425，432.
SUN J L，JI M，JI J，et al. Establishment and validation of a prediction model of intracranial infection after minimally invasive puncture drainage for hypertensive intracerebral hemorrhage[J]. J Chin Neurosurg，2023，20（4）：420-425，432.
[12] 王昆，李军文，曾翔，等. 中国脑卒中患者发生卒中相关性肺炎危险因素的meta分析[J]. 实用心脑肺血管病杂志，2024，32（4）：84-92.
WANG K，LI J W，ZENG X，et al. Risk factors of stroke-associated pneumonia in stroke patients in China：a meta-analysis[J]. Pract J Cardiac Cereb Pneum Vasc Dis，2024，32（4）：84-92.
[13] 扈林，张燕. 急性脑卒中并发泌尿系感染分析[J]. 实用全科医学，2006，4（6）：672-673.
HU L，ZHANG Y. Analysis of urinary tract infection in acute stroke[J]. Applied Journal of General Practice，2006，4（6）：672-673.
[14] 朱雪丽，杨堃，王丽芸. 脑出血患者血肿穿刺引流术后颅内感染的病原菌特点及危险因素[J]. 广西医学，2023，45（6）：651-655，685.
ZHU X L，YANG K，WANG L Y. Pathogens characteristics and risk factors for intracranial infection of patients with cerebral hemorrhage after hematoma puncture and drainage surgery[J]. Guangxi Medical Journal，2023，45（6）：651-655，685.
[15] 潘桂英，颜燕柳，张有缘，等. 脑出血患者术后颅内感染的危险因素分析[J]. 中国临床实用医学，2024，15（2）：25-29.
PAN G Y，YAN Y L，ZHANG Y Y，et al. Analysis of risk factors of intracranial infection in patients with cerebral hemorrhage after operation[J]. China Clinical Practical Medicine，2024，15（2）：25-29.
[16] 臧东运，崔伟，于建宝. 出血性脑卒中患者发生院内感染的临床情况及免疫功能对其预后影响研究[J]. 中国血液流变学杂志，2021，31（1）：70-74.
ZANG D Y，CUI W，YU J B. Clinical situation of nosocomial infection in patients with hemorrhagic stroke and the influence of immune function on prognosis[J]. Chin J Hemorh，2021，31（1）：70-74.
[17] 宋晶，漆潇. 多影响因子贡献率叠加模型应用于脑卒中患者医院感染易发性的预测[J]. 华南国防医学杂志，2019，33（11）：785-787，796.
SONG J，QI X. Application of multi-influencing factor contribution rate superposition model to predict nosocomial infection in stroke patients[J]. Mil Med J S Chin，2019，33（11）：785-787，796.
[18] 李海燕，戴缤，沈光莉，等. 急性脑出血并发相关性肺炎的临床特点及危险因素分析[J]. 中华老年医学杂志，2017，36（3）：274-277.
LI H Y，DAI B，SHEN G L，et al. Analysis of clinical characteristics and risk factors of stroke-associated pneumonia in patients with acute cerebral hemorrhage[J]. Chinese Journal of Geriatric，2017，36（3）：274-277.
[19] 罗巧，鲁松，刘碧晴，等. 质子泵抑制剂预防应激性溃疡的有效性和安全性及经济性评价研究[J]. 中国医药，2023，18（8）：1205-1210.
LUO Q，LU S，LIU B Q，et al. Efficacy，safety and economic evaluation of proton pump inhibitors in the prevention of stress ulcer[J]. China Medicine，2023，18（8）：1205-1210.
[20] 韦方宁，顾素莲，崔悦，等. 老年脑卒中患者卒中相关性感染的危险因素分析[J]. 中华保健医学杂志，2023，25（5）：512-514.
WEI F N，GU S L，CUI Y，et al. Risk factors analysis of stroke related infections in elderly stroke patients[J]. Chin J Health Care Med，2023，25（5）：512-514.
[21] 周梦琴，苏芃，梁景岩，等. 神经血管单元与脑梗死后免疫抑制研究进展[J]. 浙江大学学报（医学版），2023，52（5）：662-672.
ZHOU M Q，SU P，LIANG J Y，et al. Research progress on the roles of neurovascular unit in stroke-induced immunosuppression[J]. Journal of Zhejiang University（Medical Sciences），2023，52（5）：662-672.
[22] 孙悦，陈义彤，李星，等. 缺血性卒中相关性肺炎危险因素分析[J]. 中国卒中杂志，2021，16（4）：366-370.
SUN Y，CHEN Y T，LI X，et al. Analysis of risk factors for ischemic stroke-associated pneumonia[J]. Chin J Stroke，2021，16（4）：366-370.
[23] 吴勇，刘强，杨浩，等. 自发性脑出血患者肺部感染的影响因素及其对策分析[J]. 中国卒中杂志，2019，14（4）：331-335.
WU Y，LIU Q，YANG H，et al. Influence factors and treatment strategy for pulmonary infection in patients with spontaneous cerebral hemorrhage[J]. Chin J Stroke，2019，14（4）：331-335.
[24] DAI C J，YAN D，XU M J，et al. Geriatric nutritional risk index is related to the risk of stroke-associated pneumonia[J/OL]. Brain Behav，2022，12（8）：e2718[2024-06-08]. https://doi.org/10.1002/brb3.2718.
[25] 张秀梅，丑晓华，马翠. 急性脑梗死患者卒中相关性肺炎的危险因素与抗感染治疗的耐药性分析[J]. 抗感染药学，2019，16（12）：2046-2051.
ZHANG X M，CHOU X H，MA C. Analysis on risk factors and resistance in anti-infection medication of stroke associated pneumonia in patients with acute cerebral infarction[J]. Anti-Infection Pharmacy，2019，16（12）：2046-2051.
[26] 王孟，覃露，王春娟，等. 基于机器学习算法的脑出血相关肺炎预测模型研究[J]. 中国卒中杂志，2020，15（3）：243-249.
WANG M，QIN L，WANG C J，et al. Machine learning-based models for prediction of intracerebral hemorrhage associated pneumonia[J]. Chin J Stroke，2020，15（3）：243-249.
[27] 李巍，王莉莉. 中性粒细胞与淋巴细胞比值和系统免疫炎症指数对急性脑梗死患者卒中相关性肺炎的诊断价值[J]. 中华老年心脑血管病杂志，2021，23（9）：968-971.
LI W，WANG L L. Value of neutrophil/lymphocyte ratio and systemic-immune-inflammation index for diagnosing stroke-associated pneumonia in ACI patients[J]. Chin J Geriatr Heart Brain Vessel Dis，2021，23（9）：968-971.
[28] 陈科第. 肝衰竭患者中性粒细胞与淋巴细胞比值对判断细菌所致腹腔感染的临床价值[J]. 传染病信息，2023，36（1）：38-42，64.
CHEN K D. Clinical value of NLR in diagnosing intra-abdominal infection caused by bacteria in patients with liver failure[J]. Infect Dis Info，2023，36（1）：38-42，64.
[29] NAM K W，KIM T J，LEE J S，et al. High neutrophil-to-lymphocyte ratio predicts stroke-associated pneumonia[J]. Stroke，2018，49（8）：1886-1892.
[30] WANG Q P，LIU Y，HAN L，et al. Risk factors for acute stroke-associated pneumonia and prediction of neutrophil-to-lymphocyte ratios[J/OL]. Am J Emerg Med，2021，41：55-59[2024-06-08]. https://doi.org/10.1016/j.ajem.2020.12.036.
[31] 步红静，马娜，张盼盼，等. 急性穿支动脉脑梗死患者早期神经功能恶化列线图的建立与验证[J]. 中国卒中杂志，2024，19（2）：158-166.
BU H J，MA N，ZHANG P P，et al. Establishment and verification of nomogram of early neurological deterioration in patients with acute penetrating artery infarction[J]. Chin J Stroke，2024，19（2）：158-166.