Kontekst badania
Zakażenia związane z opieką zdrowotną (Hospital-Acquired Infections – HAI) są globalnym problemem, który generuje istotne koszty ekonomiczne, zwiększa śmiertelność i długość hospitalizacji. Roczny koszt HAI w Stanach Zjednoczonych wynosi około 45 miliardów dolarów, a liczba zgonów związanych z zakażeniami szpitalnymi sięga 98 tysięcy rocznie. W zapobieganiu HAI kluczowe znaczenie ma zgodność z higieną rąk (Hand Hygiene – HH), jednak osiągnięcie wysokiego poziomu zgodności wśród pracowników opieki zdrowotnej jest dużym wyzwaniem.
Dotychczas stosowane tradycyjne audyty HH, przeprowadzane manualnie, były ograniczone czasowo i obejmowały tylko wybrane momenty, takie jak wejście i wyjście z sal pacjentów. W odpowiedzi na te ograniczenia wprowadzono elektroniczne systemy monitorowania HH, które oferują bardziej kompleksowe monitorowanie. Niestety, wiele z tych systemów nie jest zintegrowanych z elektronicznymi kartami pacjentów (Electronic Health Records – EHR), co utrudnia analizę wpływu HH na HAI.
Cele i hipotezy
Celem badania była ocena możliwości wykorzystania zintegrowanego systemu monitorowania HH oraz EHR w prognozowaniu ryzyka wystąpienia HAI przy użyciu algorytmów uczenia maszynowego. Autorzy zakładali, że niższa zgodność HH może być bezpośrednio związana ze wzrostem ryzyka HAI. Hipotezą badawczą było stwierdzenie, że połączenie danych z monitoringu HH i EHR może dostarczyć dokładnych prognoz dotyczących HAI, co umożliwi skuteczniejszą prewencję zakażeń.
Metody badawcze
Badanie miało charakter retrospektywny i przeprowadzono je w prywatnym szpitalu w São Paulo, Brazylii, w okresie od stycznia 2017 do grudnia 2020. Przeanalizowano dane 6,253 pacjentów, którzy przebywali na 80 łóżkach oddziału przejściowego i 4 łóżkach oddziału intensywnej terapii. Łącznie zarejestrowano 920,489 okazji do HH, z których 49,3% zakończyło się skutecznym użyciem środka dezynfekcyjnego.
Dane o zgodności HH były zbierane za pomocą elektronicznych dozowników, które były aktywowane przez identyfikatory pracowników medycznych wyposażone w czujniki, wykrywające obecność personelu przy łóżku pacjenta. Wyniki te były przesyłane do centralnego komputera na oddziale, który obliczał wskaźnik zgodności HH. Dane o pacjentach i ich stanie zdrowia przechowywano w systemie EHR i zawierały zmienne takie jak: długość pobytu, wiek, płeć, obecność chorób współistniejących (np. cukrzyca, nadciśnienie, choroby płuc) oraz użycie urządzeń inwazyjnych (np. cewników i respiratorów).
Do analizy danych i stworzenia modeli predykcyjnych wykorzystano różne algorytmy uczenia maszynowego: Generalized Linear Models (GLM), Generalized Additive Models for Location, Scale, and Shape (GAMLSS), Random Forest, Support Vector Machine (SVM), Extreme Gradient Boosting (XGBoost).
Aby poradzić sobie z nierównowagą klas pacjentów (z HAI i bez HAI), zastosowano technikę resamplingu ROSE (Random Over Sampling Examples), która tworzyła syntetyczne dane. Dane podzielono na 80% zestaw treningowy i 20% zestaw testowy, co umożliwiło walidację modelu i oszacowanie jego dokładności predykcyjnej.
Rezultaty badań i ich interpretacja
Spośród 6,253 pacjentów, u 125 (2%) rozwinęły się zakażenia HAI. Wystąpiły głównie zakażenia wywołane przez Clostridioides difficile (33 przypadki), zakażenia związane z respiratorem, zakażenia linii centralnych oraz zakażenia związane z cewnikami.
Najwyższą dokładność predykcyjną osiągnął model GLM (dokładność: 82,9%; czułość: 84,2%; specyficzność: 82,9%; AUC: 93%), co oznaczało, że model ten skutecznie identyfikował pacjentów z wysokim ryzykiem HAI. Modele Random Forest oraz XGBoost również wykazały wysoką efektywność, choć GLM przewyższył je pod względem dokładności.
Analiza wykazała, że dwa najważniejsze czynniki ryzyka HAI to niski wskaźnik zgodności HH oraz długi czas hospitalizacji. Zgodność HH była szczególnie istotna, gdyż jej niski poziom bezpośrednio korelował z wyższym ryzykiem wystąpienia HAI. Modele potwierdziły, że integracja danych z systemu HH i EHR umożliwia skuteczniejsze prognozowanie ryzyka zakażeń i stanowi nową jakość w analizie nadzoru epidemiologicznego.
Ograniczenia zakresu badawczego
Badanie ograniczało się do jednego szpitala, co może utrudniać zastosowanie wyników w innych placówkach. Dane o zgodności z HH obejmowały jedynie personel wyposażony w odpowiednie identyfikatory, co mogło wpłynąć na niepełne odwzorowanie rzeczywistej zgodności. Dodatkowo, niektóre zmienne, takie jak występowanie chorób współistniejących, miały niską częstość występowania, co ograniczyło ich użycie w analizach.
Ponadto, jako badanie retrospektywne, dane opierały się na wcześniejszych zapisach i mogły zawierać błędy lub pominięcia. Konieczna jest dalsza walidacja w innych środowiskach, aby potwierdzić potencjalne korzyści wdrożenia takich modeli w różnych placówkach opieki zdrowotnej.
Wnioski
Badanie wykazało, że integracja elektronicznego systemu monitorowania HH z EHR, wspomagana uczeniem maszynowym, może poprawić nadzór nad zakażeniami i prognozować ryzyko HAI. Model GLM okazał się skuteczny w przewidywaniu zakażeń, co może wspierać skuteczniejsze działania profilaktyczne poprzez dostosowywanie interwencji oraz zwiększenie zgodności HH.
Potrzebne są dalsze badania, aby potwierdzić te wyniki w różnych środowiskach i placówkach, a także w celu optymalizacji modeli predykcyjnych. Wdrożenie tych metod w praktyce klinicznej mogłoby przyczynić się do redukcji HAI i poprawy jakości opieki zdrowotnej.
Artykuł opublikowano w American Journal of Infection Control