基于碳青霉烯耐药革兰阴性菌检出率与抗菌药物使用强度相关性的线性回归模型构建

杨金兰,王 升,胡 伟，刘如品，陶守建

0 引言

临床感染性疾病中,由革兰阴性菌引起的感染占有较大比例,尤其是多重耐药革兰阴性菌的出现和传播,使临床治疗难度增加。多重耐药革兰阴性菌中,耐碳青霉烯类革兰阴性菌(Carbapenem-resistant gram-negative bacteria,CRGN)最值得注意,因为可选择的给药方案较少,且具有病程长、病死率高以及住院费用高的特点。近年来,CRGN引起的感染在全球范围内呈明显上升趋势[1],全球CRGN的防控形势不容乐观,世界卫生组织和美国疾控中心已将其危险级别列为首要等级[2]。在我国,CRGN的流行趋势也同样严峻。中国细菌耐药监测网(CHINET)数据显示[3],我国碳青霉烯耐药肺炎克雷伯菌(Carbapenem-resistantKlebsiellapneumoniae,CRKP)检出率自2017年起已连续3年超过20%,碳青霉烯耐药铜绿假单胞菌(Carbapenem-resistantPseudomonasaeruginosa,CRPA)检出率接近30%,而碳青霉烯耐药鲍曼不动杆菌(Carbapenem-resistantAcinetobacterbaumannii,CRAB)检出率已于2018年起连续2年超过70%。过去的几十年里,新的化学结构、作用靶点和作用机制的新型抗菌药物也未见诞生[4]。因此,遏制G-菌对碳青霉烯的耐药率以及耐药菌株传播尤为重要。

抗菌药物的不合理使用是诱导细菌耐药的重要因素之一,鉴于目前系统研究CRGN检出率与抗菌药物使用强度的资料并不多见,本文将考察我院2014年第1季度至2020年第1季度CRGN流行情况及其与常见广谱抗菌药物的使用强度的相关性。在显著相关性的基础上尝试建立以检出率与AUD间的回归模型,使用2020年第2季度和2020年第3季度AUD和CRGN检出率数据验证模型的准确性,旨在为抗菌药物的合理使用及医院的感控措施提供参考依据。

1 材料与方法

1.1 菌株来源 菌株来源于2014年第1季度至2020年第3季度我院送检至微生物室的血液、痰液、尿液、分泌物、胸腔积液等临床标本,剔除同一患者相同部位检出的重复菌株。共收集到大肠埃希菌、肺炎克雷伯菌、铜绿假单胞菌和鲍曼不动杆菌5 479株,其中包含49株CREC,402株CRKP,218株CRPA,368株CRAB。

1.2 菌株鉴定及药敏试验 菌株的培养鉴定参照《全国临床检验操作规程》(第3版)[5]。法国生物梅里埃公司VITEK-2型全自动细菌鉴定仪器进行菌种鉴定,药敏试验采用K-B纸片扩散法,依据美国临床实验室标准化研究协会(CLSI)判读结果[6]。采用改良Hodge试验对耐药菌株进行确证。

1.3 抗菌药物使用强度 使用医院PASS临床药学管理系统调取我院常用抗菌药物的季度消耗量,依据世界卫生组织(WHO)推荐的日限定剂量(Defined daily dose,DDD)法计算抗菌药物DDDs,未被收载的药物品种DDD参考第18版《新编药物学》和药品说明书确定。AUD=DDDs×100/(患者同期平均住院天数×同期出院患者人数)。

1.4 相关性分析及线性回归模型的建立 考察CRGN检出率与AUD的相关性。以CRGN检出率为因变量,AUD为自变量,观察两者散点图是否存在线性趋势,对相关性显著和散点图存在线性趋势的变量运用线性回归分析法建模。

1.5 回归模型预测CRGN检出率 以2020年第2季度和第3季度AUD作为实验数据输入相应回归方程,得到CRGN检出率的预测值和预测区间。对比预测值与同期CRGN检出率实际值。

1.6 统计方法 所有数据均使用SPSS 19.0软件分析。运用简单线性回归分析碳青霉烯耐药革兰阴性菌检出率和抗菌药物AUD的变化趋势。运用Shapiro-Wilk法对检出率与抗菌药物AUD的数据序列行正态性检验,服从正态分布的数据序列采用Pearson相关分析,非正态分布数据则采用Spearman相关分析。相关系数r>0时,两变量呈正相关；r<0时,两变量呈负相关。采用R2作为线性回归模型的拟合优度的度量指标,取值范围为0～1,R2越大表示拟合优度越好。回归方程显著性采用F检验。回归系数(β)显著性采用t检验。显著性检验水准均设定为α=0.05。

2 结果

2.1 耐碳青霉烯G-菌检出率的变迁 2014年第1季度至2020年第1季度我院CRO检出率以CRAB最高(30.0%～95.0%),随时间呈平稳趋势(P>0.05)。CREC检出率波动趋势较为平稳(P>0.05),最大值出现在2016年第1季度,为8.1%。CRKP检出率随时间呈不规则波浪形变化,整体呈上升趋势(P<0.05),峰值出现在2017年第2季度,达到53.3%。CRPA检出率随时间呈平稳趋势(P>0.05),最大值在2015年第1季度,为33.3%。见表1。

表1 2014第1季度至2020年第1季度我院碳青霉烯耐药菌检出率变迁

2.2 常用抗菌药物使用强度及变化趋势 9个单品种抗菌药物中,头孢哌酮舒巴坦、庆大霉素和美罗培南的AUD随时间无显著变化(P>0.05)。头孢呋辛、头孢他啶、头孢曲松、莫西沙星、比阿培南的AUD随时间呈上升趋势(P<0.05)。左氧氟沙星AUD呈下降趋势(P<0.05)。喹诺酮类、氨基糖苷类、碳青霉烯类及酶抑制剂复合制剂类AUD随时间呈上升趋势(P<0.05)。见图1、图2。

2.3 碳青霉烯耐药G-菌检出率与抗菌药物使用强度的相关性 相关性分析显示,CRKP检出率与喹诺酮类AUD呈正相关(r=0.447,P<0.05),与头孢他啶AUD呈正相关(r=0.504,P<0.05)。CRPA检出率与喹诺酮类AUD呈正相关(r=0.548,P<0.01),与碳青霉烯类AUD呈正相关(r=0.435,P<0.05)。未见CREC检出率和CRAB检出率与抗菌药物使用强度存在显著相关性(P>0.05)。相关系数见表2。相关关系的散点图见图3～图6。

2.4 线性回归方程的建立 以抗菌药物AUD为x轴,CRGN检出率为y轴,对相关性显著AUD和相应CRGN检出率绘制散点图并进行线性拟合构建线性回归方程,本次共建立了4个回归模型(以字母右下角不同数字标记各个模型以表区分),模型口径及检验参数如下。model 1：y1=7.787 1x1-13.544,散点图见图3。model 2：y2=7.887 1x2+10.275,散点图见图4。model 3：y3=6.928 9x3+11.983,散点图见图5。model 4：y4=4.310 3x4+0.170 9,散点图见图6。各模型回归系数均通过t检验(β1=7.787,t1=2.400,P1=0.025;β2=7.887,t2=2.400,P2=0.025;β3=6.930,t3=2.316,P3=0.030;β4=4.310,t4=3.145,P4=0.004)。各回归方程显著性均通过F检验(F1=5.759,P1=0.025;F2=5.749,P2=0.025;F3=5.364,P3=0.03;F4=9.893,P4=0.004)。各模型的拟合优度分别为：(R1)2=0.200,(R2)2=0.200,(R3)2=0.189,(R4)2=0.300。

图1 2014年第1季度至2020年第1季度我院9种抗菌药物使用强度随时间变化情况

图2 2014年第1季度至2020年第1季度4类抗菌药物使用强度随时间变化情况

表2 碳青霉烯耐药革兰阴性菌检出率与抗菌药物使用强度的Pearson或Spearman相关性分析

图3 CRKP检出率与喹诺酮类使用强度的相关性散点图

图4 CRKP检出率与头孢他啶使用强度的相关性散点图

图5 CRPA检出率与碳青霉烯类使用强度的相关性散点图

2.5 CRGN检出率的预测和验证 将2020年第2季度和第3季度喹诺酮AUD(4.29、3.7)、碳青霉烯AUD(0.47、0.87)和头孢他啶AUD(2.98、0.57)分别代入建立的4个回归模型,得出同期CRGN检出率的预测值和95%预测区间。结果显示,同期CRGN的实际检出率均处于95%预测区间内,见表3。

图6 CRPA检出率与喹诺酮类使用强度的相关性散点图

表3 基于4个模型的CRGN检出率实际值和预测情况的对比

3 讨论

基于25个季度的连续数据可见,我院CRGN的流行现状总体平稳,以CRAB检出率最高,CREC检出率最低,变化特点与CHINET报道的平均水平类似[3]。CRKP和CRPA则呈现此起彼伏的态势,与Zhang等[7]的报道不同,后者是CRPA检出率持续高于CRKP。值得注意的是,我院CRKP检出率随时间有显著升高趋势(P<0.05)。在美国,90%的CRE为CRKP,而92%的CRKP产碳青霉烯酶均由KPC-2基因和KPC-3基因表达[8]。KPC酶在我国也广泛流行,Zhang等[9]对我国25个省市CRE进行分析,发现产碳青霉烯酶的CRE达80.3%。碳青霉烯酶基因常存在于可移动元件或质粒上,能在不同菌株间水平传播[10],应引起高度重视。与CHINET报道[3]同期对比发现,我院CREC在2016-2018年高于前者,2016年、2017年和2019年高于前者,CRPA在2018年高于前者,CRAB在2014年和2017年高于前者。

控制CRGN的传播已成为全球关注的公共卫生问题。现有的研究表明,病原菌耐药率上升与抗菌药物的不合理使用、长时间住院、手卫生和侵入性操作等多个因素相关[11],其中抗菌药物的不合理使用是最主要的因素之一[12]。在抗菌药物选择性压力下,病原菌可通过产碳青霉烯酶、改变抗菌药物作用靶点、主动外排、膜屏障和形成生物膜对抗菌药物耐药。目前,国内外均有诸多研究运用统计学方法考察细菌耐药性变迁与抗菌药物消耗量的相关性。法国的一项基于47家医院数据的大型研究发现，喹诺酮使用量与铜绿假单胞菌耐药率的相关性具有统计学意义[13]。一项北美15个医疗中心3年数据表明，环丙沙星的使用不仅与大肠埃希菌对环丙沙星耐药率相关,且与铜绿假单胞菌对其他抗菌药物的耐药率相关[14]。国内的一项研究抽取了我国东部、中部和西部地区共3所公立大型教学医院数据,调研结果显示,CRKP检出率均与多个抗菌药物使用强度相关,其中东部和西部医院CRKP检出率均与头孢他啶消耗量呈正相关[15]。中、西、东部医院CRKP检出率均与美罗培南消耗量呈正相关。由此可见,考察耐药菌株检出率与抗菌药物消耗量相关性的研究中,研究结论呈现多样化,这可能是因为各研究机构抗菌药物的使用量、治疗方案、流行病原菌、药敏试验乃至统计学方法等方面存在差异。提示要辩证看待相关文献得到的结论,不可盲目照搬套用。

回顾性分析发现,2014-2020年我院大部分抗菌药物的使用强度随时间上升趋势显著,美罗培南、庆大霉素和头孢哌酮舒巴坦使用强度较为稳定。头孢呋辛、喹诺酮类以及酶抑制剂合剂的使用强度一直处于较高水平,这可能由于头孢呋辛抗菌谱较广。此外，作为手术患者预防性使用的主要推荐药物,喹诺酮类药物抗菌谱广、适应证广泛、无需皮试。酶抑制剂合剂能抑制β-内酰胺酶，常作为经验性用药。相关性分析发现,我院CRKP检出率与喹诺酮使用强度呈正相关,提示高强度使用喹诺酮类抗菌药物可能会增加肺炎克雷伯菌对碳青霉烯类抗菌药物的耐药性。Marchaim等[16]研究发现,与产ESBLs肠杆菌感染的患者相比,被检出CRE的患者暴露于喹诺酮的机会更大。同时,一项体外研究也表明，喹诺酮的使用可以加快肺炎克雷伯菌向CRKP转变[17]，可能因为质粒介导的喹诺酮耐药基因(如：qnrA、qnrB、qnrS)与碳青霉烯酶基因blaNDM-1为同位基因,存在于肺炎克雷伯菌的相同质粒上[18]。本次调研发现，我院喹诺酮类抗菌药物使用强度较高,且存在上升趋势,应主动监测喹诺酮类抗菌药物使用的合理性。研究显示,我院CRKP检出率与头孢他啶使用强度呈正相关,与相关报道一致[19]。来自土耳其的一项研究表明,第3代头孢菌素的使用是导致CRKP感染的主要独立危险因素[20]。我院CRKP检出率呈上升趋势,且于2017年第二季度超过50%,应引起警惕。我院三代头孢菌素类抗菌药物中,头孢他啶使用强度自2018年第4季度起一直处于高位水平,应采取一定的控制措施。有研究表明，碳青霉烯耐药肠杆菌(CRE)检出率与碳青霉烯使用强度在统计学上密切相关[7,18]。本研究并未发现该规律,与台湾地区的一项研究报道一致[21]。美国部队医院的一项相关研究认为,较低的CRE检出率以及缺乏连续性的数据可能对统计学效力有影响,从而得出阴性结论[22]。此外,我院CRPA检出率与碳青霉烯使用强度呈正相关,与国内外相关报道一致[23-24]。这可能与染色体介导的Amp C酶的表达和膜孔蛋白改变有关。Amp C酶的过度表达结合膜孔蛋白缺失和(或)外排泵过度表达促使PA对碳青霉烯耐药水平增高[25]。本研究还发现,CRPA检出率与喹诺酮使用强度也呈正相关,结果与相关报道一致[26]。同时,也有研究发现，CRPA检出率与碳青霉烯及喹诺酮使用量之和呈正相关[27]。可能因为喹诺酮和碳青霉烯为同一个外排泵的作用底物,过度使用喹诺酮类抗菌药物可诱导主动外排泵的高表达,进而诱导PA对碳青霉烯类抗菌药物耐药[28]。

相关性分析仅在宏观层面上反映了抗菌药物AUD与CRGN检出率间的依存关系,尚不具体。为了更精准地获得响应变量的变化情况,诸多研究结合了统计学对预测进行探索[29-30]。文献资料显示，目前较常用的预测模型是ARIMA模型,该模型是基于时间序列数据考察自身数据中存在的相关信息,进而利用事物发展规律来创建模型,从而对未来变化趋势进行短期预测[31-32]。该模型常用于抗菌药物使用量化数据无法获取的情况,当时间序列数据无内生自相关性时,无预测价值。与ARIMA模型相比,本研究采用的一元线性回归模型将简单易得的抗菌药物使用强度数据作为自变量,CRGN检出率作为应变量构建线性回归模型,两者可建立实时反馈关系,具有简单、准确、有效的特点[33-34]。结果显示，所建立的线性回归模型能够较好地拟合两者存在的线性关系,且随后的模型验证试验也证实了所建立模型的准确性。提示今后可采用该模型和建模方法对我院CRGN检出率进行预测,为抗菌药物使用监测和医院感染控制措施的制定提供依据。

综上所述,我院碳青霉烯耐药革兰阴性菌检出率与某些抗菌药物使用强度间存在相关性,可以在两者之间建立有效的线性回归模型。但研究尚存在局限性,首先是仅从宏观上考察了两者的相关性,未考虑其他原因导致的耐药性变迁。其次,仅考虑了抗菌药物使用强度与同期耐药率的相关关系,未全面考虑两者间可能存在的滞后关系。即便如此,本研究所建立的回归模型对于指导抗菌药物合理使用以及对耐药菌株的预警仍具有积极意义。有研究表明，调整抗菌药物使用策略可抑制病原菌耐药率的上升趋势[35-36]。提示应根据研究结果主动监测此类抗菌药物的合理使用情况,严格根据适应证使用抗菌药物,延长或持续输注方式优化给药方案,多样化选药,必要时可采取交替轮换的策略使用抗菌药物,避免耐药菌株的广泛传播。