Vorhersage von katheterassoziierten Harnwegsinfektionen

Katheter-assoziierte Harnwegsinfektionen (CA-UTIs) sind in Krankenhäusern ein häufiges Problem. Sie machen etwa 12 % der gesundheitlichen Infektionen aus, wobei rund 70 % davon CA-UTIs sind. Diese Infektionen treten auf, wenn Bakterien die Harnwege hinaufwandern. Bei der Verwendung eines Katheters können Bakterien eine dünne Schicht namens Biofilm darauf bilden, was es Antibiotika schwerer macht, zu wirken. CA-UTIs führen zu höheren Krankenhauskosten, da sie die Aufenthaltsdauer verlängern und zusätzliche Tests und Behandlungen erfordern können. Der übermässige Einsatz von Antibiotika zur Behandlung dieser Infektionen kann auch zur Antibiotikaresistenz beitragen. Ernsthafte Komplikationen wie Sepsis und Tod können durch CA-UTIs auftreten, besonders bei verletzlichen Gruppen wie älteren Menschen oder Personen mit anderen gesundheitlichen Problemen.

Die Prävention von CA-UTIs ist wichtig. Das kann erreicht werden, indem die Verwendung von Kathetern reduziert, angemessene Techniken für das Einführen und die Pflege von Kathetern angewendet und diese entfernt werden, wenn sie nicht mehr benötigt werden. Es ist wichtig, das medizinische Personal im Umgang mit Kathetern zu schulen.

Die meisten CA-UTIs treten bei Patienten ausserhalb von Intensivstationen (ICUs) auf. Trotzdem können sie die Aufenthaltsdauer verlängern und das Risiko eines Todes in ICUs erhöhen. Deshalb ist die Prävention von CA-UTIs in allen Krankenhausbereichen entscheidend. Weitergehende Forschung ist nötig, um CA-UTIs besser zu verstehen und neue Wege zur Prävention und Behandlung zu finden. Einige frühere Studien haben verschiedene Methoden genutzt, wie teamorientierte Ansätze, tägliche Überprüfungen der Katheternutzung und Erinnerungen zur Katheterpflege, um CA-UTIs vorzubeugen. Diese Methoden sind jedoch oft nicht auf einzelne Patienten zugeschnitten. Es ist wichtig, Patienten mit hohem Risiko für CA-UTIs zu identifizieren, um gezielte Präventionsmassnahmen zu ergreifen.

#Vorhersagemodelle für CA-UTIs

Während es einige Vorhersagemodelle für CA-UTIs gibt, konzentrieren sie sich hauptsächlich auf spezifische Bedingungen in ICUs. Zwei Modelle wurden für Patienten mit neurologischen Erkrankungen entwickelt und zeigten eine gute Genauigkeit. Leider gab es kein Modell, das alle stationären Patienten berücksichtigt.

Diese Forschung zielt darauf ab, ein Modell zu erstellen und zu validieren, das CA-UTIs für alle stationären Personen mit Harnkathetern vorhersagen kann. Das Modell soll den Gesundheitsdienstleistern bei der Entscheidungsfindung zur Prävention dieser Infektionen helfen.

#Studiendesign

Um Daten für diese Studie zu sammeln, haben wir Aufzeichnungen aus einer klinischen Forschungsdatenbank in Taiwan verwendet, die Informationen von drei Krankenhäusern über 23 Jahre enthält. Die Datenbank enthält Informationen von mehr als vier Millionen Patienten. Die ethische Genehmigung für die Studie wurde eingeholt.

Die Teilnehmer dieser Studie waren zwischen 20 und 75 Jahren alt und hatten alle einen Harnkatheter erhalten. Wir nahmen alle Daten von dem Zeitpunkt, als der Katheter gelegt wurde, bis 48 Stunden nach der Entfernung. Wenn ein Patient innerhalb eines Tages nach Entfernen des ersten Katheters einen weiteren Katheter bekam, fassten wir diese Episoden zusammen. Jeder Tag während einer Katheterepisode wurde als separater Fall behandelt. Wir identifizierten eine CA-UTI, wenn während der Katheterisierung eine UTI-Diagnose oder eine Bestellung für eine bakterielle Kultur vorlag, ohne dass gleichzeitig eine Diagnose einer Pneumonie gestellt wurde.

Das Ziel unseres Vorhersagemodells war es, Gesundheitsdienstleistern zu helfen, informierte Entscheidungen zu treffen, um CA-UTIs zu verhindern. Dazu mussten wir den besten Risikoschwellenwert für die Vorhersage finden. Wir wollten falsch-positive Ergebnisse minimieren, da diese zu unnötigen Behandlungen führen könnten. Wir hofften, dass dieser Schwellenwert ein gutes Mass an Sicherheit und Nutzen für die Gesundheitsdienstleister bieten würde.

#Vorhersagemodellierung

Zunächst identifizierten wir 20 potenzielle Prädiktoren, die das Ergebnis von CA-UTIs beeinflussen könnten. Dazu gehörten Faktoren wie Alter, Dauer des Aufenthalts auf der Intensivstation, Dauer der Katheterisierung, Krankenhausaufenthalte, Geschlecht, Diabetes und andere Erkrankungen. Nachdem wir die Daten überprüft hatten, reduzierten wir die Anzahl der Prädiktoren basierend auf Verfügbarkeit und Relevanz.

Wir teilten die Daten in ein Entwicklungsset von zwei Krankenhäusern zur Erstellung des Modells und ein Testset aus dem dritten Krankenhaus zur Validierung auf. Dann unterteilten wir das Entwicklungsset in Trainings- und Validierungssets.

Vor der Auswahl der Prädiktoren entfernten wir diejenigen mit fehlenden Daten oder solche, die zu falschen Schlussfolgerungen führen könnten, basierend auf der Art und Weise, wie die Daten erfasst wurden. Wir ersetzten auch bestimmte Prädiktoren durch klarere Indikatoren, wenn nötig.

Als Nächstes bewerteten wir die verbleibenden Prädiktoren mithilfe statistischer Methoden. Wir begannen mit univariaten Analysen, um zu sehen, wie jeder Prädiktor mit CA-UTIs zusammenhing, gefolgt von multivariaten Analysen, die die Beziehungen zwischen den ausgewählten Prädiktoren berücksichtigten.

Wir betrachteten verschiedene Kombinationen von Ergebniszeiträumen (Zeiträume zur Bewertung von CA-UTIs) und Bereiche, wobei wir berücksichtigten, dass mehr Proben aus jeder Gruppe zu robusteren Vorhersagen führen würden. Um das beste Vorhersagemodell zu finden, verwendeten wir verschiedene Methoden des maschinellen Lernens, wie Ridge-Regression, Entscheidungsbäume, Random Forests und andere.

#Statistische Analyse

Um die Modelle zu bewerten, massen wir deren Genauigkeit, klinischen Nutzen und wie gut sie Ergebnisse vorhersagten. Wir wollten das beste Modell finden, das zuverlässige Vorhersagen und nützliche Informationen für die Gesundheitsdienstleister bieten konnte.

Um zu verstehen, wie das Modell funktionierte, verwendeten wir Shapley additive Erklärungen (SHAP-Werte), die helfen, zu interpretieren, wie jeder Prädiktor das Ergebnis des Modells beeinflusst. Wir schauten sowohl auf die gesamte Bevölkerung als auch auf individuelle Fälle, um zu sehen, was die Vorhersagen beeinflusste.

#Ergebnisse

Wir identifizierten eine Gruppe von Patienten im Alter von 20 bis 75 Jahren, die in unsere Analysen einbezogen wurden. Aus dieser Gruppe fanden wir heraus, dass ältere Personen oder solche mit längeren Krankenhausaufenthalten eher CA-UTIs bekamen. Die Prädiktoren, die wir letztendlich in unser endgültiges Modell aufgenommen haben, bezogen sich auf Alter, ICU-Aufenthalte, Geschlecht, Diabetes und andere Gesundheitszustände.

Unser Random Forest-Modell erwies sich als der beste Prädiktor für CA-UTIs basierend auf seiner Kalibrierung, klinischen Nützlichkeit und Diskriminierungsfähigkeit. Das Modell konnte CA-UTIs mit hoher Sensitivität erkennen, hatte aber eine niedrigere Spezifität. Das bedeutet, dass das Modell gut darin war, diejenigen zu identifizieren, die wahrscheinlich CA-UTIs hatten, aber nicht so effektiv darin, zu bestätigen, wenn jemand die Infektion nicht hatte.

Mit diesem Modell konnten wir Gesundheitsdienstleister dabei unterstützen, Patienten mit Risiko für CA-UTIs zu identifizieren, sodass sie präventive Massnahmen ergreifen konnten.

#Klinische Implikationen

CA-UTIs stellen eine erhebliche Herausforderung im Gesundheitswesen dar, betreffen viele Patienten und tragen zu erhöhten Gesundheitskosten bei. Effektive Strategien zur Prävention und Behandlung von CA-UTIs sind notwendig.

Obwohl es einige Ansätze gibt, wie die Verwendung von antimikrobiellen Kathetern, gibt es nicht genügend Beweise, um ihre Wirksamkeit für alle Patienten zu unterstützen. Unser Vorhersagemodell kann helfen, die zu identifizieren, die von solchen Interventionen profitieren könnten.

Das Modell kann in klinische Abläufe integriert werden, wodurch Gesundheitsdienstleister individuelle Risiken für CA-UTIs bewerten können. Das kann die Entscheidungsfindung verbessern und sicherere Praktiken im Umgang mit Kathetern fördern.

#Stärken und Einschränkungen

Eine grosse Stärke unserer Studie ist die grosse Stichprobengrösse. Das Vorhersagemodell, das wir entwickelt haben, bietet eine gute Grundlage zur Prävention von CA-UTIs bei stationären Patienten. Es gibt jedoch einige Einschränkungen. Die Daten könnten Verzerrungen enthalten, die die Leistung des Modells beeinflussen könnten. Zudem sagt das Modell CA-UTIs nur innerhalb eines kurzen Zeitrahmens nach Katheternutzung voraus.

Unsere Studienteilnehmer stammten hauptsächlich aus einer bestimmten demografischen Gruppe in Taiwan, was bedeutet, dass die Ergebnisse in anderen Kontexten validiert werden müssen, um eine breitere Anwendbarkeit sicherzustellen. Ausserdem ist die Einhaltung bewährter Praktiken im Umgang mit Kathetern entscheidend, um CA-UTIs zu reduzieren, und Daten zur Einhaltung standen für unsere Analyse nicht zur Verfügung.

#Fazit

Zusammenfassend haben wir ein Vorhersagemodell für CA-UTIs bei hospitalisierten Personen mit Harnkatheterisierung entwickelt. Dieses Modell kann Patienten identifizieren, die ein Risiko für diese Infektionen haben und unterstützt Gesundheitsdienstleister bei der Entscheidungsfindung. Zukünftige Studien sind notwendig, um das Modell weiter zu validieren und seine Wirksamkeit bei der Verbesserung der Patientenergebnisse durch massgeschneiderte Präventionsstrategien zu bewerten.