目的：本研究旨在探讨儿童耐碳青霉烯类铜绿假单胞菌（Carbapenem-resistant Pseudomonas aeruginosa，CRPA）感染的分布特征、耐药性及相关危险因素，并构建风险预测模型。方法：研究人员基于山东大学齐鲁儿童医院建立了两个回顾性队列。推导队列纳入了2020年1月至2024年12月住院的1397例铜绿假单胞菌感染患儿，依据抗菌药物敏感性试验结果分为耐碳青霉烯类铜绿假单胞菌组（CRPA组）和碳青霉烯类敏感铜绿假单胞菌（Carbapenem-sensitive Pseudomonas aeruginosa，CSPA）组。采用最小绝对收缩和选择算子（Least Absolute Shrinkage and Selection Operator，LASSO）回归进行特征筛选，构建极端梯度提升（Extreme Gradient Boosting，XGBoost）模型以预测CRPA感染，并通过随机拆分测试集进行内部验证。随后，利用一个独立的时序验证队列（2025年1月至2026年3月，共431例患儿）评估模型的泛化能力。此外，应用SHapley Additive exPlanations（SHAP）方法解释变量的重要性。结果：在1397株铜绿假单胞菌分离株中，CSPA为1177株，CRPA为220株。CRPA组患儿年龄更小，住院时间更长，且在新生儿重症监护室（Neonatal Intensive Care Unit，NICU）和儿科重症监护室（Pediatric Intensive Care Unit，PICU）的占比更高。在CRPA分离株中，88.2%符合多重耐药（Multidrug-resistant，MDR）标准，46.4%符合广泛耐药（Extensively Drug-Resistant，XDR）标准，但对阿米卡星的敏感性仍高达95%。该XGBoost模型整合了10个关键变量，在内部测试集上的受试者工作特征曲线下面积（Area Under the Receiver Operating Characteristic Curve，AUC）达到0.848（95%置信区间[Confidence Interval，CI]，0.783–0.912），在时序验证队列上的AUC为0.715（95% CI，0.622–0.807）。SHAP可解释性分析显示，住院时长、CD8+T细胞、呼吸机使用以及感染前碳青霉烯类药物暴露是CRPA感染的重要危险因素。结论：儿童CRPA感染与住院时间延长、免疫失调、侵入性操作及既往碳青霉烯类药物暴露密切相关。XGBoost预测模型在内部验证中表现出良好的区分度，其在时序验证中的性能保持稳定，表明该模型在识别高危儿童以实现早期临床干预方面具有潜在的应用价值。
论文解读：儿童耐碳青霉烯类铜绿假单胞菌感染的风险预测模型构建与分析
研究背景与意义
铜绿假单胞菌（Pseudomonas aeruginosa, PA）是引发医院感染最常见的机会性致病菌之一。由于其固有的耐药机制及强大的环境适应能力，给临床抗感染治疗带来了严峻挑战。近年来，随着碳青霉烯类等广谱抗生素的广泛应用，全球范围内耐碳青霉烯类铜绿假单胞菌（CRPA）的检出率显著上升。CRPA菌株通常表现为多重耐药（MDR）甚至广泛耐药（XDR），导致临床治疗选择极为有限，不仅延长了患者住院时间、增加了医疗成本，更导致了死亡率的攀升，对全球公共卫生构成重大威胁。儿童尤其是新生儿和危重症患儿，因其免疫系统发育不完善、基础疾病复杂且频繁接受各类侵入性操作，成为CRPA感染的易感和高危人群。因此，如何早期识别CRPA感染的高危儿童，对于优化抗菌药物使用策略、改善患儿预后具有重要的临床意义。该研究正是基于此背景，收集了大量临床数据，旨在通过机器学习方法构建并验证针对儿童CRPA感染的风险预测模型。
主要技术方法概述
研究人员基于山东大学齐鲁儿童医院开展了回顾性队列研究。研究构建了包含1397例患儿的推导队列（2020年1月至2024年12月）和包含431例患儿的独立时序验证队列（2025年1月至2026年3月）。在数据预处理阶段，研究人员剔除了缺失率超过50%的变量，并对剩余变量采用了多重插补法处理缺失值。特征筛选环节运用了最小绝对收缩和选择算子（LASSO）回归，以确定最优的正则化参数并筛选出稳定的预测因子。随后，研究人员构建了基于极端梯度提升（XGBoost）算法的分类预测模型，并利用五折交叉验证结合随机网格搜索策略对模型的关键超参数进行了系统优化。为了深入解析模型的“黑盒”特性并确保结果的临床可解释性，研究引入了SHapley Additive exPlanations（SHAP）方法对变量重要性进行评估。此外，研究还通过构建逻辑回归模型进行对比，并确立了具有临床意义的决策阈值，以全面评价模型的效能与实用性。
研究结果分析
CRPA与CSPA的基线特征与临床分布
通过对推导队列的1397例患儿进行分析，其中CSPA组1177例，CRPA组220例。研究发现，与CSPA组相比，CRPA组患儿的年龄显著更小，中位住院时间更长。在科室分布上，CRPA感染患儿主要集中在新生儿重症监护室（NICU，26.8%）、儿科重症监护室（PICU，25.9%）和呼吸介入科（19.5%）。标本类型分析显示，两组的主要标本来源均为痰液，其中CRPA组中痰液标本占72.3%。这表明重症监护病房的住院儿童是CRPA感染的核心防控对象。
细菌耐药性检测
药敏试验结果显示，CRPA组对亚胺培南和美罗培南的耐药率分别高达87.7%和71.8%，对替卡西林/克拉维酸钾的耐药率为64.6%。在220株CRPA分离株中，194株（88.2%）符合多重耐药（MDR）标准，102株（46.4%）符合广泛耐药（XDR）标准。值得注意的是，尽管CRPA对多数常用抗菌药物表现出高度耐药，但两组分离株对阿米卡星均保持了极高的敏感性（CRPA组为95%，CSPA组为98.6%），这为临床联合用药提供了重要依据。
LASSO回归特征筛选
为解决变量间的多重共线性问题，研究人员运用LASSO回归对34个候选变量进行了特征筛选。通过引入L1惩罚项，最终稳定筛选出10个关键预测变量，具体包括：CD8+T细胞、D-二聚体、纤维蛋白原、住院时长、淋巴细胞比率、性别、导尿管使用、感染前碳青霉烯类抗生素暴露、机械通气以及胃管与引流管留置。这些变量构成了后续XGBoost模型的基础特征集。
XGBoost预测模型构建
研究人员将筛选出的变量纳入XGBoost分类预测模型。在推导队列中，训练集的受试者工作特征曲线下面积（ROC-AUC）为0.853（95% CI: 0.821–0.885），测试集的ROC-AUC为0.848（95% CI: 0.783–0.912）。在独立的时序验证队列中，该模型依然保持了稳定的判别能力，ROC-AUC达到0.715（95% CI: 0.622–0.807）。这一结果表明，该模型不仅在内部验证中表现优异，在面对不同时间段的数据时也具备良好的泛化能力。
具有临床意义的决策阈值
为将模型转化为实用的临床辅助工具，研究人员在测试集上确定了两个关键的决策阈值。筛查阈值设定为0.229，在此阈值下，模型的灵敏度为0.636，阴性预测值（NPV）高达0.926。这意味着当模型判定为低风险时，有92.6%的可能性患儿确实未感染CRPA，这能有效帮助临床医生识别出适合从广谱抗生素降级的候选患者。靶向治疗阈值设定为0.496，此时阳性预测值（PPV）提升至0.692，特异度达到0.966。在此阈值下，约70%被模型预测为高风险的患儿可被确诊为CRPA感染，为临床启动针对CRPA的靶向治疗提供了有力参考。
基于SHAP的可解释性分析
鉴于机器学习模型常被视为“黑盒”，研究人员采用SHAP方法对XGBoost模型的输出进行了解释。SHAP摘要图揭示了各特征变量对预测结果的全局影响。分析结果显示，按平均影响程度排序，最重要的10个特征依次为：住院时长、CD8+T细胞频率、呼吸机使用、淋巴细胞比率、D-二聚体、纤维蛋白原、感染前碳青霉烯类暴露、胃管与引流管留置、导尿管插入以及患者性别。具体而言，住院时间延长、CD8+T细胞频率升高、使用呼吸机以及感染早期暴露于碳青霉烯类药物，是推动模型预测CRPA感染风险增高的重要正向因素。
与逻辑回归的对比
作为比较，研究人员使用相同的预测变量构建了逻辑回归模型。结果显示，逻辑回归模型在内部测试集上的AUC为0.795，略低于XGBoost模型（0.848）。然而，逻辑回归模型表现出了更高的灵敏度（0.727）和阴性预测值（0.938），表明其同样适合作为排除低风险患者的筛查工具。两种模型均一致指出，机械通气、既往碳青霉烯类暴露、CD8+T细胞计数和住院时长是CRPA的独立预测因子，相互印证了研究结论的可靠性。
讨论与结论
在讨论部分，研究人员指出，儿童CRPA感染的发生与住院时间延长、免疫失调、侵入性操作及既往碳青霉烯类药物暴露密切相关。延长住院时间不仅反映了原发疾病的严重程度，也增加了接触机会性致病菌的风险。入住PICU和NICU的患儿因病情危重，常需接受机械通气等侵入性操作，加之碳青霉烯类药物的广泛使用，共同促进了CRPA的产生与传播。此外，研究还发现CRPA组患儿的前降钙素和中性粒细胞计数显著升高，而白细胞介素-6（IL-6）水平较低，这可能反映了特定耐药菌株引起的独特细胞因子谱变化。基于上述发现，研究人员强调，虽然CRPA对多数药物表现出高度耐药，但对阿米卡星的高敏感性支持其在儿童CRPA感染联合治疗中发挥重要作用。
结论翻译：
儿童CRPA感染与住院时间延长、免疫失调、侵入性操作和既往碳青霉烯类药物暴露密切相关。基于这些因素，XGBoost-SHAP模型能够预测儿童发生CRPA感染的风险。这项基于临床数据的研究表明，XGBoost模型在预测儿童CRPA感染方面展现出良好的判别能力。该研究成果可为儿科临床早期识别高危儿童以及优化抗菌药物使用策略提供参考依据。
