临床风险预测模型指以疾病的多病因为基础，利用参数、半参数或非参数的数学模型估计研究对象当前患有某病的概率或者将来发生某种结局的可能性^[1]。一般模型的构建要经过3个阶段，即模型的建立、评价及验证。目前模型的建立主要包括logistic回归模型、COX比例风险模型以及结合大数据的机器学习算法；而模型的评价主要包括区分度和校准度^[2]。区分度用C统计量和受试者工作特征（receiver operating characteristic，ROC）曲线下面积（area under curve，AUC）表示，而校准度通常采用校准曲线Hosmer-Lemeshow拟合优度检验表示；模型的验证主要包括内部验证和外部验证。目前，预测模型研究已比较成熟地用于疾病的三级预防、医疗决策和临床管理，如用于脓毒症早期预警诊断和老年髋部骨折术后患者肺部感染^[3]。

1.1国外风险预测模型的研究进展

1.1.1密歇根PICC相关血流感染风险评分

2017年美国Herc等对48所医院的23088例患者进行前瞻性队列研究，采用Cox回归分析并根据回归系数对危险因素赋值，研发了密歇根PICC相关血流感染风险评分（The Michigan PICC-CLABSI Score，MPC）。 MPC包括血液肿瘤（3分）、3个月内CLABSI史（2分）、PICC管腔数量≥2个（2分）、正在化疗的实体瘤患者（2分）、经PICC进行全肠外营养（1分）、置入PICC时患者有中心静脉导管（1分）6个指标，最高得分为11分^[4]。MPC每增加1分，患者发生PICC相关血流感染的风险比增加0.63倍。该研究随访发现，MPC得分为1分、2分、3分、4分和5分的患者，其PICC相关血流感染发生率分别为0.7%、1.7%、2.7%、4.4%和10.8%。PICC留置6～40d时MPC的曲线下面积（area under the curve，AUC）为0.67～0.77，最大AUC出现在PICC留置21d时。MPC是文献报告的第1个PICC相关血流感染风险预测模型，可为PICC的使用、高风险人群的监测提供参考^[5]。该模型纳入的危险因素包含导管因素、治疗因素、疾病因素，但未涉及患者因素，如患者的年龄等一般资料。

1.2国内风险预测模型的研究进展

1.2.1 ICU患者中央导管相关血流感染风险预测模型

邵小青等调查了22家医院22个综合ICU，纳入1276例患者，其中CLABSI患者89例，多因素Logistic回归分析显示抗菌药物的使用、基础疾病类型、导管类型、股静脉穿刺、置管天数因素是ICU患者发生CLABSI的独立危险因素,构建了ICU患者中央导管相关血流感染风险预测模型，结果显示该模型AUC为0.804，95%CI为0.764-0.844，预测模型判别效果较好，敏感度82.05%，特异度69.25%^[6]。此模型为国内首次报告ICU患者CLABSI风险预测模型，此风险预测模型预测能力良好，能够较好地预测CLABSI相关情况，应用于ICU患者CLABSI的风险预测分析中，能够帮助医务工作者尽早识别医院感染的高危影响因素，快速的识别那些高危患者，运用针对性强的措施进行干预，减少CLABSI的发生^[7]。该模型并没有内部验证与外部验证，无法用该预测模型进行对外推广；再者文献没有说明具体的截断值，也没有具体给出Logistic回归预测模型的表达式，每个自变量的权重以及赋分，也影响了其后续的临床推广应用，目前尚无该模型的推广运用。

1.2.2老年患者导管相关血流感染风险预测模型

2019年王力红等将2015－2017年3519例留置CVC老年患者的电子病例分为建模组和验证组，对建模组数据进行多因素分析，得到ICU住院时间≥2d、本次住院手术次数≥3次、使用抗菌药物、CVC使用时间≥7d是老年患者发生CRBS的危险因素，并据此构建了老年患者CRBSI风险预测模型^[8]。利用该模型对建模组所有患者进行评分，得到≥13分为高风险人群，并绘制了ROC曲线，结果显示AUC值为0.74[95%CI（0.70，0.79），P<0.05]；同时在验证组中也绘制ROC曲线，结果显示AUC值为0.70[95%CI（0.61，0.78），P<0.05]；提示构建的风险预测模型判别效果较好^[9]。该模型是首次构建的老年患者CRBSI风险预测模型，且完整地进行了内部验证，也引入了风险模型的净获益，在阈值0.01～0.05范围内，净获益都更高，显示利用该模型对高风险人群进行干预有实际意义，为后续风险预测模型的研究提供了思路。但该模型并未进行外部验证，对模型的推广应用有一定的限制。后续可增加多中心研究和纳入更多的影响因素指标，以便开发出更贴合临床的风险预测模型^[10]。

2.小结

本文从PICC相关感染风险预测模型的构建过程、模型的基本情况、预测性能等方面进行综述^[11]。目前PICC相关血流感染风险预测模型构建研究在对模型的验证及更新方面存在不足，例如邵小青等、王力红等均通过logistic回归分析纳入CRB⁃SI危险因素，但纳入标准不统一且差异较大，对后续模型的构建有一定影响。后续研究可借助针对性Meta分析以更全面地纳入CRBSI相关危险因素。特异性的风险预测模型有限,ICU患者、老年患者等高危人群CRBSI的发生率不同 ，通用的模型难以适用于全部人群^[12]。因此，有必要开发并构建针对某一特定人群的特异性风险预测模型，例如血液肿瘤患者人群，以体现更符合当前临床上针对特定群体的精准预防。经查阅文献，鲜少有适用于血液肿瘤人群的PICC-CRI的预测模型。

参考文献

[1]徐丹,张丽,朱芸. 肿瘤患者PICC导管相关血流感染mTOR信号通路变化与危险因素[J]. 中华医院感染学杂志,2023,(23):3567-3571.

[2]刘青,马丽. 妇科肿瘤患者PICC术后深静脉血栓危险因素分析[J]. 护理实践与研究,2023,20(19):2843-2848.

[3]Wang LH，Wei N，Zhao X，et al. Establishment and validation of risk prediction scoring model of central line-associated bloodstream infection in elderly patients ［J ］. Chin J Infect Control，2019，18（3）：225-231.

[4] Mimoz O, Lucet J C, Kerforne T, et al. Skin antisepsis with chlorhexidine–alcohol versus povidone iodine–alcohol, with and without skinscrubbing, for prevention of intravascular-catheter-related infection (CLEAN): anopen-label, multicentre, randomised, controlled, two-by-two factorial trial[J]. Lancet, 2015, 386(10008): 2069-2077.

[5]Chaiyakunapruk N, Veenstra DL, Lipsky BA, et al.Chlorhex-idine compared with povidoneiodine solution for vascular catheter site care:a meta-analysis[J].Ann Intern Med, 002,136(11):792-801.

[6]衣沈妮,管树荣,赵凌燕,常英红,王丽. 三种PICC置管法在肿瘤患者中的应用效果比较[J]. 护理实践与研究,2023,20(19):2996-3000.

[7]李龙香. 隧道式PICC置入术在临床中的应用[J]. 基层医学论坛,2023,27(27):4-6.

[8]于欢欢,唐绪妹,张鑫,周晴. 血液肿瘤患者PICC相关并发症预防的最佳证据总结[J]. 上海护理,2023,23(09):44-49.

[9]王艾红,陈静,魏晓旭,樊媛媛. 肿瘤化疗患者隧道式与非隧道式置入PICC并发症发生情况的Meta分析[J]. 护士进修杂志,2023,38(17):1586-1591.

［10］COLLINS G S,REITSMA J B,ALTMAN D G,et al.Transparent reporting of a multivariable prediction model for individual prognosis or diagnosis （TRIPOD）:the TRIPOD statement［J］.Eur Urol， 2015，67（6）：1142-1151.

［11］Herc E，Patel P，Washer LL，et al.A model to predict centralline-associated bloodstream infection among patients with peripherally inserted central catheters：the MPC score ［J］. Infect Control Hosp Epidemiol，2017，38（10）：1155-1166.

[12]陶雍,毛静玉,薛嵋,王丽英,姜高松,刘怡雯,陆佳悦. 肿瘤患者PICC导管相关血流感染风险预测模型的构建[J]. 中国护理管理,2022,22(11):1718-1721.