基于大数据挖掘下多重耐药菌风险评估的研究价值.pdf

31 新发传染病电子杂志 2024年2月第9卷第1期 Electronic Journal of Emerging Infectious Diseases,February 2024,Vol.9,No.1基金项目：新疆维吾尔自治区自然科学基金（2022D01C564）通信作者：田萍，Email： 引用格式：王晓兢，姚艳玲，李文玉，等.基于大数据挖掘下多重耐药菌风险评估的研究价值J/CD.新发传染病电子杂志，2024,9（1）：31-36.Wang Xiaojing,Yao Yanling,Li Wenyu,et al.Research value of risk assessment of multidrug resistant organisms based on big data miningJ/CD.Electronic Journal of Emerging Infectious Diseases,2024,9(1):31-36.论著基于大数据挖掘下多重耐药菌风险评估的研究价值王晓兢，姚艳玲，李文玉，田萍（新疆医科大学第五附属医院感染管理科，新疆 乌鲁木齐 830011）【摘要】目的 基于大数据构建多重耐药菌感染的风险预测模型，并对其应用价值进行评估。方法 收集2018年1月至2022年12月于新疆医科大学第五附属医院诊治的405例患者，根据是否发生多重耐药菌（multidrug-resistant organisms，MDRO）感染分为非MDRO组（n=324）和MDRO组（n=81），比较并分析各指标与MDRO发生风险的相关性。构建大数据风险预测模型，分析各指标重要性，验证其准确性。结果 MDRO组合并糖尿病、原发肺部感染的患者比例，机械通气、广谱抗菌药物使用时间及降钙素原水平显著高于非MDRO组，而血红蛋白、白蛋白水平显著低于非MDRO组（均P0.05）；相关性分析显示，合并糖尿病、原发肺部感染等因素与MDRO风险的相关性较高，且合并糖尿病与原发肺部感染及联合使用抗生素等指标间相关性较高；大数据模型示抗生素使用时间、吞咽功能障碍等因素重要性较高，而血红蛋白及白蛋白重要性较低；大数据模型预测MDRO发生风险的AUC显著高于Logistic回归模型（Z=2.415，P=0.016），两种预测模型的训练集预测准确率差异无统计学意义（P0.05）；但测试集大数据模型预测准确率、敏感度及特异度均显著高于Logistic回归模型（2=9.062，5.385，4.267；均P0.05）。结论 合并糖尿病、原发肺部感染及联合使用抗生素等因素与MDRO发生风险具有一定相关性，基于MDRO危险因素指标的大数据模型对MDRO发生风险具有较高预测价值。【关键词】多重耐药菌；危险因素；机器学习；筛查；预测模型 DOI：10.19871/ki.xfcrbzz.2024.01.007 【中图分类号】R-331 Research value of risk assessment of multidrug resistant organisms based on big data miningWang Xiaojing,Yao Yanling,Li Wenyu,Tian Ping(Department of Infection Management,the Fifth Affiliated Hospital of Xinjiang Medical University,Xinjiang Urumqi 830011，China)【Abstract】Objective Based on big data,the risk prediction model of multidrug resistant organisms infection was constructed and its application value was evaluated.Method From January 2018 to December 2022,405 patients in the Fifth Affiliated Hospital of Xinjiang Medical University were divided into non-MDRO group（n=324）and MDRO group（n=324）according to whether multidrug-resistant organisms(MDRO)were infected,and the correlation between each index and the risk of MDRO was compared and analyzed.Build a big data risk prediction model,analyzing the importance of each index and verify its accuracy.Result The proportion of patients with diabete and primary lung infection in MDRO group,the time of mechanical ventilation,the use of broad-spectrum antibiotics and the level of procalcitonin were significantly higher than those in non-MDRO group,while the levels of hemoglobin and albumin were significantly lower than those in non-MDRO group(all P0.05).Correlation analysis showed that the risk of MDRO was highly correlated with factors such as diabete mellitus and primary lung infection,and there was a high correlation between diabete mellitus and primary lung infection and combined use of antibiotics.The big data model shows that factors such as antibiotic using time and swallowing dysfunction are more important,while hemoglobin and albumin are less important.The AUC of the big data model in predicting the risk of MDRO is significantly higher than that of the Logistic regression model(Z=2.415,P=0.016),and there is no statistical difference in the prediction accuracy of the training set between the two prediction models(P0.05).However,the prediction accuracy,sensitivity and specificity of test set are significantly higher than those of Logistic regression model(2=9.062,5.385,4.267；All P0.05).Conclusion Supplementary factors 新发传染病电子杂志 2024年2月第9卷第1期 Electronic Journal of Emerging Infectious Diseases,February 2024,Vol.9,No.132 such as diabetes mellitus,primary lung infection and combined use of antibiotics have certain correlation with the risk of MDRO,and the big data model based on MDRO risk factor indicators has high predictive value for the risk of MDRO.【Key words】Multi-drug resistant organisms;Risk factors;Machine learning;Screening;Prediction model多重耐药菌（multidrug resistant organisms，MDRO）感染是一种常见的医院感染类型，临床抗生素滥用增加了MDRO感染的风险，近年来患病率持续上升，已成为21世纪的主要公共卫生问题1。MDRO感染后抗生素疗效差，阻碍了临床治疗2，严重影响了患者的预后和生活质量3，显著加快疾病的进展及增加死亡风险4，加重国家和个人的经济负担5。研究显示，MDRO感染的死亡率约为非MDRO感染的2.17倍，住院时间延长，住院费用增加，且MDRO感染与ICU患者的死亡率呈显著正相关6-8。尽管近年来新型抗生素的供应增加，但针对MDRO的治疗药物有限9，充分了解MDRO的危险因素，选择适当的经验性抗生素治疗可显著改善患者预后。目前已有相关研究针对MDRO医院感染风险因素构建耐药菌风险预测模型10-11，尽管基于多因素Logistic回归分析构建的常规受试者操作特征曲线（receiver operating characteristic curve，ROC曲线）可评价模型的整体性能，但其在不同类别或群体间的公平性较差。而大数据模型作为目前机器学习领域的前沿方向，实现了常规数据分析中的特征提取、模型设计和参数调优过程的自动化，节约了人工重复调整的时间，提高了模型和数据的利用效率12。目前基于大数据构建的风险评估模型较少，据此，本研究通过对MDRO感染患者的危险因素进行分析，旨在筛选MDRO感染发生风险相关的指标，评估大数据模型的预测能力，以便为临床干预提供依据。1 资料与方法1.1 一般资料选取2018年1月至2022年12月于新疆医科大学第五附属医院住院治疗并进行微生物标本检测的患者405例。标本类型：痰液标本占46.17%（187/405），尿液标本占27.41%（111/405），血液标本占19.75%（80/405），引流液标本占3.46（14/405），其他标本占3.21%（13/405）。从患者入院时临床送检的标本中分离菌株，剔除同一患者相同部位的重复菌株。1.2 观察指标 1.2.1 一般临床资料 记录患者年龄、性别、入院方式以及是否存在合并症（如糖尿病、高血压）、是否有原发性肺部感染、广谱抗生素使用时间，以及是否联合使用抗生素、是否行手术治疗、是否存在意识障碍及吞咽功能障碍、是否接受早期肠内营养及留置尿管。对于接受机械通气的患者，记录接受机械通气的时间、是否使用糖皮质激素、质子泵抑制剂及免疫抑制剂等。1.2.2 实验室指标 白细胞、中性粒细胞百分比、血红蛋白、白蛋白、血糖、C反应蛋白、降钙素原及白细胞介素-6。其中，C反应蛋白、血糖、白蛋白等采用全自动生化分析仪进行检测；白细胞、中性粒细胞百分比、血红蛋白采用全自动血液分析仪检测；降钙素原及白细胞介素-6采用全自动免疫分析仪检测。1.3 预测模型构建及评价1.3.1 数据划分 采用随机数法将纳入研究MDRO感染患者按73比例随机分为训练集和测试集，其中，训练集MDRO感染患者56例，测试集25例。1.3.2 大数据模型的构建 应用大数据模型构建Fast AI神经网络、Torch神经网络、基于信息增益的随机森林、基于基尼系数的随机森林、类别型特征提升、基于基尼系数的极度随机树、基于信息增益的极度随机树、极致梯度提升和K近邻算法距离加权及普通K近邻算法模型等多种机器学习模型，模型的命名规则为基础模型-超参数模式-堆栈水平。模型的准确性评估采用ROC曲线及柯尔莫可洛夫-斯米洛夫检验。1.3.3 大数据模型的训练、验证以及测试 使用上述参数的模型对训练集进行训练和K折交叉验证（K=10），统计不同大数据模型的训练和验证准确性及用时。分析各指标在大数据模型中的重要性，分别以最优大数据模型和Logistic回归模型对测试集MDRO感染患者进行外部验证测试。1.4 统计学方法采用Python3.7下的autogluon包（CUDA版本11.6，Pytorch版本1.12+cu116）进行数据处理，计数资料用频数或率或百分比（%）表示，使用2检验进行比较，等级资料用秩和检验比较；符合正态分布的计量资料用（x-s）表示，使用t检验进行比较；采用多因素Logistic回归模型分析MDRO感染患者的影响因素，使用混淆矩阵比较预测模型的预测结果，应用ROC曲线评估模型的效能，Delong法检验比较曲线下面积（area under curve，AUC）间差异，P0.05为差异有统计学意义。33 新发传染病电子杂志 2024年2月第9卷第1期 Electronic Journal of Emerging Infectious Diseases,February 2024,Vol.9,No.1项目非MDRO组MDRO组2/t值P值性别例(%)0.0650.799男197(60.80)48(59.26)女127(29.20)33(40.74)年龄(x-s,岁)51.234.7852.194.821.6140.107入院方式例(%)0.5190.471 急诊231(71.30)61(75.31)普通入院93(28.70)20(24.69)合并糖尿病例(%)8.9560.003 有136(41.98)49(60.49)无188(58.02)32(39.51)合并高血压例(%)0.9070.341 有110(33.95)23(28.40)无214(66.05)58(71.60)原发性肺部感染例(%)4.6870.030 有99(30.56)35(43.21)无225(69.44)46(56.79)意识障碍例(%)5.6660.017 有198(61.11)61(75.31)无126(38.89)20(24.69)吞咽功能例(%)9.1760.002 正常143(44.14)62(76.54)障碍181(55.86)39(48.15)早期肠内营养例(%)4.0980.043 有201(62.04)60(74.07)无123(37.96)21(25.93)留置尿管例(%)0.5960.440 有117(36.11)33(40.74)无207(63.89)48(59.26)手术例(%)5.4340.020 是55(16.98)23(28.40)否269(83.02)58(71.60)机械通气时间(x-s,d)10.232.1512.172.187.2430.001广谱抗菌药物使用时间(x-s,d)3.050.986.171.3423.667 0.001联合使用抗生素例(%)8.6520.003 是118(36.42)44(54.32)否206(63.58)37(45.68)使用糖皮质激素例(%)1.6730.196 是87(26.85)28(34.57)否237(73.15)53(65.43)使用质子泵抑制剂例(%)0.0100.919 是198(61.11)49(60.49)否126(38.89)32(39.51)使用免疫抑制剂例(%)0.3270.567 是5(1.54)2(2.47)否319(98.46)79(97.53)入院实验室检查 白细胞(x-s,109/L)11.373.0112.093.251.8950.059 中性粒细胞百分比 (x-s,%)82.317.3281.247.511.1710.242 血红蛋白(x-s,g/L)110.3419.56 100.5826.13 3.7360.001 白蛋白(x-s,mmol/L)32.164.3430.525.092.9340.004 血糖(x-s,mmol/L)8.051.168.231.171.2470.213 C反应蛋白(x-s,mg/L)198.3437.35 206.2735.46 1.7260.085 降钙素原(x-s,g/L)1.970.152.070.234.7650.001 IL-6(x-s,ng/L)211.8579.64 225.1784.23 1.3310.184表1 非MDRO组与MDRO组患者一般资料比较2 结果2.1 MDRO感染的发生率纳入研究的405例患者中，MDRO组81例，非MDRO组324例，MDRO感染的发生率为20.0%。2.2 两组患者一般资料比较对两组患者基线特征进行比较，结果显示，合并糖尿病、原发性肺部感染、意识障碍、吞咽功能障碍等基础疾病，早期肠内营养、手术、机械通气时间长、广谱抗菌药物使用时间长、联合使用抗生素，以及低血红蛋白、白蛋白水平和高降钙素原水平患者更易发生MDRO感染，组间比较差异均有统计学意义（均P0.05）（表1）。2.3 训练集中各指标与MDRO感染发生分析及各指标间的相关性对具有统计学意义的个体MDRO感染差异指标进行相关性分析显示，合并糖尿病、原发性肺部感染、意识障碍、吞咽功能障碍、早期肠内营养、手术及联合使用抗生素等与MDRO感染风险的相关性较高，且合并糖尿病与原发肺部感染及联合使用抗生素等指标间相关性较高（图1）。2.4 不同大数据模型的准确率及用时构建算法模型，并验证其准确性，结果示通过大数据模型算法共构建了8类10个模型，基于Fast AI的神经网络在训练和验证中的准确率最高（表2）。2.5 大数据模型中各指标及其重要性将影响MDRO感染的危险因素根据重要性进行排序，可见广谱抗菌药物使用时间、吞咽功能障碍、早期肠内营养、手术、机械通气时间、原发性肺部感染、降钙素原、联合使用抗生素的重要性较高，血红蛋白、意识障碍及白蛋白的重要性较低（图2）。2.6 大数据模型及Logistic回归模型预测MDRO感染风险的效能对大数据模型的预测价值进行验证，结果显图1 训练集各指标间的相关性热图1.0机械通气时间广谱抗菌药物使用时间血红蛋白白蛋白降钙素原合并糖尿病原发肺部感染意识障碍吞咽功能障碍早期肠内营养手术联合使用抗生素机械通气时间广谱抗菌药物使用时间血红蛋白白蛋白降钙素原合并糖尿病原发肺部感染意识障碍吞咽功能障碍早期肠内营养手术联合使用抗生素0.80.60.40.20新发传染病电子杂志 2024年2月第9卷第1期 Electronic Journal of Emerging Infectious Diseases,February 2024,Vol.9,No.134 表2 不同大数据模型的准确率及用时图2 大数据模型中各指标的重要性。红色实线为各个指标的累积重要性，黑色虚线为累计重要性的95%取值下限。示大数据模型预测MDRO感染发生风险的AUC显著高于Logistic回归模型（0.981和0.873，Z=2.415，P=0.016）（图3）；两种预测模型在训练集的预测准确率间差异无统计学意义（P0.05）；大数据模型在测试集的预测准确率（99.39%和97.25%）、敏感度（99.68%和98.39%）和特异度（93.75%和75.00%）均显著高于Logistic回归模型（2=9.062，5.385，4.267；P=0.003，0.020，0.039）（表3）。3 讨论数据挖掘主要通过数理模式，在大量数据中提取有价值的信息，从而分析事物发生的特殊规律或行为特征。在大数据时代，通过数据挖掘技术与各种挖掘算法，医疗大数据在临床诊断、治疗以及健康科学领域中发挥重要作用。通过挖掘疾病共同点，对共通之处进行数据探索，分析整理疾病的共同信息，对其病理表现做出准确描述，即可通过此方式对其病症进行总结概括，这对突发疫病以及流行疾病的研究尤为重要。而MDRO感染作为目前公共卫生面临的重要威胁之一，早期了解其发生特点，有助于提升MDRO感染的防控效果13-15，而感染预防及控制可有效减少MDRO定植及其感染引起的损伤5。基于此，本研究对本院发生MDRO感染患者的危险因素进行分析。本研究结果显示合并糖尿病、原发性肺部感染、意识障碍、吞咽功能障碍、早期肠内营养、手术及联合使用抗生素等与MRDO感染显著相关，且各因素间也存在一定联系。留置或侵入性操作，如机械通气和肠内营养是MDRO感染的潜在危险因素。研究显示，医疗器械的存在是MDRO定植的独立危险因素（OR为5.58，95%CI 1.3423.32）16。糖尿病患者免疫功能下降为机会性病原体的传播提供了条件，研究发现糖尿病住院患者MDRO定植的可能性是非住院糖尿病住院者的14倍17。对于使用留置装置的患者，糖尿病是鲍曼不动杆菌定植、耐甲氧西林金黄色葡萄球菌和耐万古霉素金黄色葡萄球菌共同定植的危险因素18-19。行手术治疗的患者，因手术创伤大，感染风险增加，且可能因术中失血，导致免疫功能受到损伤，术后患者可伴不同程度的意识障碍，导致吞咽、咳嗽反射减弱或消失，纤毛清除异物功能不全，致使上呼吸道的条件致病菌因误吸误入下呼吸道，从而引起严重图3 大数据模型和Logistic回归模型预测MDRO感染风险的AUC模型准确率敏感度特异度阳性预测值阴性预测值大数据模型99.3999.6893.7599.6893.75Logistic回归97.2598.3975.0098.7170.592值9.0625.3854.2674.5065.945P值0.0030.0200.0390.0340.015表3 大数据模型和Logistic回归模型预测测试集MDRO感染风险的效能对比（%）序号模型训练准确率验证准确率训练用时(s)验证用时(s)1Fast AI神经网络0.9950.9560.0100.0242极致梯度提升0.9720.9510.0110.0553Torch神经网络0.9330.9260.0040.0064随机森林Entr0.9380.9260.0070.0095类别型特征提升0.9400.9260.1100.1456基尼系数随机森林0.9350.9140.0010.0247基尼系数极度随机树0.9440.9010.1230.1258信息增益极度随机树0.9050.8890.1090.1299K近邻算法距离加权0.8910.8890.1100.13910普通K近邻算法0.8510.8400.1170.119敏感度35 新发传染病电子杂志 2024年2月第9卷第1期 Electronic Journal of Emerging Infectious Diseases,February 2024,Vol.9,No.1的肺部感染，增加了MDRO感染的风险20。此外，术后长期卧床状态使得患者排痰能力进一步受限，痰液不能及时排出，加重感染风险21-22。肺部感染可损伤呼吸道屏障，导致宿主防御能力下降，增加细菌入侵、定植的发生风险，进而加重感染。肺部感染多由细菌引起，抗生素及广谱抗菌药物的使用，进一步增加MDRO感染风险。白蛋白的氧化和分解在抗菌防御及修复过程中起着重要作用，白蛋白可调节免疫反应过程，研究显示，低白蛋白血症与感染的发生风险及严重程度有关，并可预测患者预后23-25。降钙素原是细菌感染的特异性指标，因此，降钙素原上调提示细菌感染26。MDRO感染后降钙素原明显上调，表明MDRO感染是显示感染严重程度的指标之一27-28。抗生素是避免抗微生物药物耐药性呈指数级增长的主要可改变因素，研究显示，应用氟喹诺酮类抗生素是MDRO定植的独立危险因素18,29。对于MDRO感染患者，往往病情危重、白蛋白水平较低，免疫功能较差，且常合并多项有创操作，长时间的联合应用广谱抗菌药物，可使细菌在药物选择压力下产生耐药基因突变，形成多耐药基因复合体，产生MDRO30-31，而通过构建风险预测模型，合理应用抗菌药物，严格控制联合药物种类、剂量及应用时间，可降低MDRO的感染风险32。虞信维33对ICU患者感染MDRO的危险因素进行分析，结果显示，长时间入住ICU、联合应用3种及以上抗菌药物以及使用呼吸机、导尿管及静脉导管超14d，是患者感染MDRO的危险因素。这与本研究结果一致，但其未基于危险因素构建风险预测模型，在一定程度上限制了危险因素的预测价值。而本研究基于影响MDRO感染的危险因素构建风险预测模型，通过应用大数据模型算法构建8类10个模型，并对训练集数据进行训练和交叉验证，结果显示，基于Fast AI的神经网络在训练和验证中的准确率最高，所构建的大数据模型预测MDRO感染发生风险的AUC显著高于Logistic回归模型，虽然2种预测模型在训练集的预测准确率间无显著差异，但大数据模型在测试集的预测准确率和敏感度均显著高于Logistic回归模型。这提示尽管Logistic回归模型也能够对训练数据进行较好的拟合，但模型容易过拟合而泛化能力较差，这也是目前很多临床预测模型研究存在的主要不足之一。与目前临床研究中常用的Logistic回归模型相比，机器学习模型对于多特征、大数据的模型具有更好的分类效果，且可以通过超参数设置等途径限制过拟合，增加模型的泛化能力，为提高临床预测模型的应用价值提供了新的途径34。综上，本研究结果显示MDRO感染的危险因素众多，且各因素间存在一定联系。但本研究仅纳入本院患者，且纳入样本量相对较少，故需进一步扩大数据集、进行多中心研究等增加预测模型的效能，以便为临床干预提供理论依据。参考文献1 MEDINA-POLO J,GIL-MORADILLO J,GONZLEZ-DAZ A,et al.Observational study over 8-year period evaluating microbiological characteristics and risk factor for isolation of multidrug-resistant organisms(MDRO)in patients with healthcare-associated infections(HAIs)hospitalized in a urology wardJ.GMS Infect Dis,2021,9:Doc04.2 ZHENG SH,CAO SJ,XU H,et al.Risk factors,outcomes and genotypes of carbapenem-nonsusceptible Klebsiella pneumoniae bloodstream infection:a three-year retrospective study in a large tertiary hospital in Northern ChinaJ.Infect Dis(Lond),2018,50(6):443-451.3 YUSEF D,SHALAKHTI T,AWAD S,et al.Clinical characteristics and epidemiology of sepsis in the neonatal intensive care unit in the era of multi-drug resistant organisms:A retrospective reviewJ.Pediatr Neonatol,2018,59(1):35-41.4 RICHTER SE,MILLER L,USLAN DZ,et al.Risk Factors for Colistin Resistance among Gram-Negative Rods and Klebsiella pneumoniae IsolatesJ.J Clin Microbiol,2018,56(9):1-115 WONG V,HUANG Y,WEI WI,et al.Approaches to multidrug-resistant organism prevention and control in long-term care facilities for older people:a systematic review and meta-analysisJ.Antimicrob Resist Infect Control,2022,11(1):7.6 DUNN SJ,CONNOR C,MCNALLY A.The evolution and transmission of multi-drug resistant Escherichia coli and Klebsiella pneumoniae:the complexity of clones and plasmidsJ.Curr Opin Microbiol,2019,51:51-56.7 SARDA C,FAZAL F,RELLO J.Management of ventilator-associated pneumonia(VAP)caused by resistant gram-negative bacteria:which is the best strategy to treat?J.Expert Rev Respir Med,2019,13(8):787-798.8 ZHOU Y,YU F,YU Y,et al.Clinical significance of MDRO screening and infection risk factor analysis in the ICUJ.Am J Transl Res,2021,13(4):3717-3723.9 SY CL,CHEN PY,CHENG CW,et al.Recommendations and guidelines for the treatment of infections due to multidrug resistant organismsJ.J Microbiol Immunol Infect,2022,55(3):359-386.10 丁梦媛,李文进,耿苗苗,等.综合重症监护病房患者多重耐药菌医院感染风险评估模型构建J.中国卫生资源,2020,23(4):5.11 汪瑶,叶青.多重耐药菌感染患者医院感染风险评估量表构建J.中华医院感染学杂志,2023,33(22):3486-3490新发传染病电子杂志 2024年2月第9卷第1期 Electronic Journal of Emerging Infectious Diseases,February 2024,Vol.9,No.136 12 WARING J,LINDVALL C,UMETON R.Automated machine learning:Review of the state-of-the-art and opportunities for healthcareJ.Artif Intell Med,2020,104:101822.13 SERRA-BURRIEL M,KEYS M,CAMPILLO-ARTERO C,et al.Impact of multi-drug resistant organisms on economic and clinical outcomes of healthcare-associated infections in adults:Systematic review and meta-analysisJ.PLoS One,2020,15(1):e0227139.14 ANTIMICROBIAL RESISTANCE COLLABORATORS.Global burden of bacterial antimicrobial resistance in 2019:a systematic analysisJ.Lancet,2022,399(10325):629-655.15 DI LODOVICO S,FASCIANA T,DI GIULIO M,et al.Spread of Multidrug-Resistant MicroorganismsJ.Antibiotics(Basel),2022,11(7)：832.16 LIM CJ,CHENG AC,KENNON J,et al.Prevalence of multidrug-resistant organisms and risk factors for carriage in long-term care facilities:a nested case-control studyJ.J Antimicrob Chemother,2014,69(7):1972-1980.17 RODRGUEZ-VILLODRES,MARTN-GANDUL C,PEALVA G,et al.Prevalence and Risk Factors for Multidrug-Resistant organisms Colonization in Long-Term Care Facilities Around the World:A ReviewJ.Antibiotics(Basel),2021,10(6):1-22.18 NUCLEO E,CALTAGIRONE M,MARCHETTI VM,et al.Colonization of long-term care facility residents in three Italian Provinces by multidrug-resistant organismsJ.Antimicrob Resist Infect Control,2018,7:33.19 HEINZE K,KABETO M,MARTIN ET,et al.Predictors of methicillin-resistant Staphylococcus aureus and vancomycin-resistant enterococci co-colonization among nursing facility patientsJ.Am J Infect Control,2019,47(4):415-420.20 LIU X,REN Q,ZHAI Y,et al.Risk Factors for Multidrug-Resistant organisms Infection in Diabetic Foot UlcerJ.Infect Drug Resist,2022,15:1627-1635.21 周秋英,何孝孝.长时间气管切开患者多重耐药菌感染的影响因素与预防对策J.现代实用医学,2020,32(12):1556-1557,1561.22 刘海萍,韩蕾,王洪亮,等.神经外科合并肺部感染患者多重耐药菌感染的危险因素分析J.检验医学与临床,2022,19(20):2737-2741,2746.23 ARANDA-MICHEL E,BIANCO V,KILIC A,et al.Hypoalbuminemia in patients undergoing transcatheter aortic valve replacement:culprit or surrogate?J.J Thorac Dis,2019,11(Suppl 9):S1346-S1348.24 LAO M,LI C,LI J,et al.