基于早期主动筛查的儿童诺如病毒医院感染流行特征研究

目的分析儿童诺如病毒(norovirus,NoV)医院感染分布特点。方法采用前瞻性研究方法,基于早期主动筛查分析2019年1月—2021年3月广州市妇女儿童医疗中心住院患儿NoV检测情况,分析患儿NoV医院感染情况,并采用逆转录-聚合酶链反应(RT-PCR)方法进行基因分型。结果2659例次医院感染病例中胃肠道感染421例次,胃肠道医院感染病例中NoV送检188例,送检率44.7%;NoV阳性96例,检出率51.1%。工作人员共发生NoV医院感染24例次,其中保洁人员13例,医护人员11例。NoV医院感染患儿中,男性66例,女性30例;平均年龄(37.6±41.10)月龄,5岁以下占81.3%;秋冬季高发;95.8%为接触方式传播。17例(17.7%)为无症状携带者,79例有症状感染者的临床表现主要为粪便形状改变(69.6%)和呕吐(44.3%)。20.8%涉及医院感染聚集性疫情。NoV医院感染患儿好转70例(72.9%),痊愈26例(27.1%)。44份NoV阳性标本90.9%为GⅡ型。结论NoV对儿童胃肠道医院感染有较大影响,可造成聚集性疫情。采取NoV早期主动筛查的方法可早期发现病例,针对流行季节性特征、常见传播方式及无症状感染者可及早采取隔离防控措施。

基于随机森林算法的脓毒症患者院内死亡风险预测研究

目的基于脓毒症患者院内死亡预测中因机器学习样本类别不平衡导致敏感度过低的问题,构建一种新的基于平衡随机森林(Balanced Random Forest,BRF)算法的预测模型。方法从MIMIC-Ⅲ公开数据库中获取符合脓毒症(Sepsis-3.0)标准患者的17个时间序列变量数据,截取入住ICU后最初48 h的数据,计算出17个变量的714个统计特征,将其用于模型构建和性能评估。利用曲线下面积(Area Under Curve,AUC)和修正的几何平均值(Adjusted Geometric-Mean,AGM)进行超参调优。除BRF算法模型外,还与传统的逻辑回归和随机森林(Random Forest,RF)算法模型性能进行比较。结果最终筛选出10270例有ICU住院经历的脓毒症患者,院内总体死亡率为18.04%。各种模型性能测试结果表明,基于样本类别不平衡的机器学习模型的预测敏感度显著提高,其中RF-AGM模型最低,为0.1826(95%CI:0.1351~0.2322),BRF-AGM模型提高到0.7110(95%CI:0.6537~0.7677),利用新的预测模型,将会发现更多面临死亡的患者并及时给予救治。BRF-AGM模型的AUC、AGM和特异性分别达到了0.7994(95%CI:0.7696~0.8288)、0.7282(95%CI:0.7046~0.7519)和0.7349(95%CI:0.7101~0.7590)。结论BRF-AGM模型在ICU脓毒症患者死亡预测方面具有巨大应用潜力,可以避免临床医生延误治疗患者,这对改善患者预后具有重要意义,但BRF-AGM模型的临床效用还需要前瞻性多中心研究来进一步评估。