常见的数据挖掘算法及其在医院内感染中的应用pdf模板 g185

常见的数据挖掘算法及其在医院内感染中的应用pdf模板

现代医药卫生２０１９年１１月第３５卷第２２期   ＪＭｏｄＭｅｄＨｅａｌｔｈ，Ｎｏｖｅｍｂｅｒ２０１９，Ｖｏｌ．３５，Ｎｏ．２２• ３４８３•

ｔｏｒｏｆｃｒｉｔｉｃａｌｉｌｌｎｅｓｓ［Ｊ］．ＴｒｅｎｄｓＩｎ Ｍｏｌ Ｍｅｄ，２０１４，２０（４）：２１４－ ２２３．

［１７］ＬＩＵ Ｓ，ＺＨＡＮＧ Ｙ，ＲＥＮ Ｊ，ｅｔａｌ．ＭｉｃｒｏｂｉａｌＤＮＡｒｅｃｏｇｎｉｔｉｏｎｂｙ

ｃＧＡＳ－ＳＴＩＮＧａｎｄｏｔｈｅｒｓｅｎｓｏｒｓｉｎｄｅｎｄｒｉｔｉｃｃｅｌｌｓｉｎｉｎｆｌａｍｍａｔｏｒｙ ｂｏｗｅｌｄｉｓｅａｓｅｓ［Ｊ］．Ｉｎｆｌａｍｍ ＢｏｗｅｌＤｉｓ，２０１５，２１（４）：９０１－９１１．

［１８］ＲＨＯＤＥＳ Ａ，ＷＯＲＴ ＳＪ，ＴＨＯＭＡＳ Ｈ，ｅｔａｌ．ＰｌａｓｍａＤＮＡ ｃｏｎ－ ｃｅｎｔｒａｔｉｏｎａｓａｐｒｅｄｉｃｔｏｒｏｆｍｏｒｔａｌｉｔｙａｎｄｓｅｐｓｉｓｉｎｃｒｉｔｉｃａｌｌｙｉｌｌｐａ－ ｔｉｅｎｔｓ［Ｊ］．ＣｒｉｔＣａｒｅ，２００６，１０（２）：Ｒ６０．

［１９］ＫＵＮＧ ＣＴ，ＨＳＩＡＯＳＹ，ＴＳＡＩＴＣ，ｅｔａｌ．Ｐｌａｓｍａｎｕｃｌｅａｒａｎｄ ｍｉ－ ｔｏｃｈｏｎｄｒｉａｌＤＮＡｌｅｖｅｌｓａｓｐｒｅｄｉｃｔｏｒｓｏｆｏｕｔｃｏｍｅｉｎｓｅｖｅｒｅｓｅｐｓｉｓ ｐａｔｉｅｎｔｓｉｎｔｈｅｅｍｅｒｇｅｎｃｙｒｏｏｍ［Ｊ］．ＪＴｒａｎｓｌＭｅｄ，２０１２，１０：１３０．

［２０］ＮＡＫＡＨＩＲＡ Ｋ，ＫＹＵＮＧＳＹ，ＲＯＧＥＲＳＡＪ，ｅｔａｌ．Ｃｉｒｃｕｌａｔｉｎｇｍｉ－

ｔｏｃｈｏｎｄｒｉａｌＤＮＡｉｎｐａｔｉｅｎｔｓｉｎｔｈｅＩＣＵａｓａｍａｒｋｅｒｏｆｍｏｒｔａｌｉｔｙ： ｄｅｒｉｖａｔｉｏｎａｎｄｖａｌｉｄａｔｉｏｎ［Ｊ］．ＰＬｏＳ Ｍｅｄ，２０１３，１０（１２）：ｅ１００１５７７．

［２１］ＫＲＹＣＨＴＩＵＫ ＫＡ，ＲＵＨＩＴＴＥＬ Ｓ，ＨＯＨＥＮＳＩＮＮＥＲ ＰＪ，ｅｔａｌ．

Ｍｉｔｏｃｈｏｎｄｒｉａｌ ＤＮＡ ａｎｄ Ｔｏｌｌ－Ｌｉｋｅ Ｒｅｃｅｐｔｏｒ－９  Ａｒｅ Ａｓｓｏｃｉａｔｅｄ Ｗｉｔｈ ＭｏｒｔａｌｉｔｙｉｎＣｒｉｔｉｃａｌｌｙＩｌｌＰａｔｉｅｎｔｓ［Ｊ］．ＣｒｉｔＣａｒｅ Ｍｅｄ，２０１５，

•综述•

４３（１２）：２６３３－２６４１．

［２２］ＬＥＥＪ，ＳＯＨＮ ＪＷ，ＺＨＡＮＧ Ｙ，ｅｔａｌ．Ｎｕｃｌｅｉｃａｃｉｄ－ｂｉｎｄｉｎｇｐｏｌｙ－ ｍｅｒｓａｓａｎｔｉ－ｉｎｆｌａｍｍａｔｏｒｙａｇｅｎｔｓ［Ｊ］．ＰｒｏｃＮａｔｌＡｃａｄＳｃｉＵ ＳＡ， ２０１１，１０８（３４）：１４０５５－１４０６０．

［２３］ＡＳＷＡＮＩＡ，ＭＡＮＳＯＮＪ，ＩＴＡＧＡＫＩＫ，ｅｔａｌ．Ｓｃａｖｅｎｇｉｎｇｃｉｒｃｕ－ ｌａｔｉｎｇ ｍｉｔｏｃｈｏｎｄｒｉａｌＤＮＡ ａｓａｐｏｔｅｎｔｉａｌｔｈｅｒａｐｅｕｔｉｃｏｐｔｉｏｎｆｏｒ ｍｕｌｔｉｐｌｅｏｒｇａｎｄｙｓｆｕｎｃｔｉｏｎｉｎｔｒａｕｍａｈｅｍｏｒｒｈａｇｅ［Ｊ］．ＦｒｏｎｔＩｍ－ ｍｕｎｏｌ，２０１８，９：８９１．

［２４］ ＷＥＮＣＥＳＬＡＵ  ＣＦ，ＭＣＣＡＲＴＨＹ  ＣＧ，ＧＯＵＬＯＰＯＵＬＯＵ  Ｓ，

ｅｔａｌ．Ｍｉｔｏｃｈｏｎｄｒｉａｌ－ｄｅｒｉｖｅｄ Ｎ－ｆｏｒｍｙｌｐｅｐｔｉｄｅｓ：ｎｏｖｅｌｌｉｎｋｓｂｅ－ ｔｗｅｅｎｔｒａｕｍａ，ｖａｓｃｕｌａｒｃｏｌｌａｐｓｅａｎｄｓｅｐｓｉｓ［Ｊ］．Ｍｅｄｈｙｐｏｔｈｅｓｅｓ， ２０１３，８１（４）：５３２－５３５．

［２５］ＷＩＬＫＩＮＳ ＨＭ，ＷＥＩＤＬＩＮＧＩＷ，ＪＩＹ，ｅｔａｌ．Ｍｉｔｏｃｈｏｎｄｒｉａ－ｄｅｒｉｖｅｄ ｄａｍａｇｅ－ａｓｓｏｃｉａｔｅｄ ｍｏｌｅｃｕｌａｒｐａｔｔｅｒｎｓｉｎｎｅｕｒｏｄｅｇｅｎｅｒａｔｉｏｎ［Ｊ］． ＦｒｏｎｔＩｍｍｕｎｏｌ，２０１７，８：５０８．

（收稿日期：２０１９－０２－２０    修回日期：２０１９－０６－２６）

常见的数据挖掘算法及其在医院内感染中的应用＊

杨文伟，蒋良芝，李春燕 综述，汪可可△ 审校

（上海市杨浦区中心医院／同济大学附属杨浦医院医院感染管理科，上海２０００９０）

［关键词］ 医院感染； 数据挖掘； 神经网络（计算机）； 决策树； 支持向量机； 综述

ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１００９－５５１９．２０１９．２２．０２４中图法分类号：Ｒ３１１文章编号：１００９－５５１９（２０１９）２２－３４８３－０４ 文献标识码：Ａ

２００２年 ＷＨＯ 进行的一项调查发现，在１４个国家的５５ 家医院中住院患者医院内感染发生率高达 ８．５％。医院内感染已成为全球性公共卫生问题，其可由多种病原微生物引起，存在于临床治疗的各个环节， 是影响医疗质量提升的重要因素，制约着现代医疗技术的应用和医院的发展［１］。如何早期发现并及时控制医院内感染事件的发生已成为关键问题。医学领域数据  生成速度快，数据量大，数据结构具有复杂性和多样性， 数据应用价值高，传统的学习方式已不能对医疗数据进  行充分、有效的分析与处理，而数据挖掘可对无明显规  则的变量进行处理，发现数据内部结构间存在的联系， 得到更多的知识信息，已逐步用于医院内感染相关领域，并取得一定的成果［２－５］。

１ 常见数据挖掘算法及其在医院内感染中的应用１．１    神经网络人工神经网络是一种模拟人脑神经传递的智能算法，一般由输入、隐含和输出三部分构成，包括前馈式网络、反馈式网络、自组织网络３ 种模型。ＢＰ 神经网络为多层前馈式人工神经网络，是医学领域最常用的一种，基于误差逆传播算法训练而成。神经网络对资料类型没有任何要求，非线性数据处理能力强，容错性能良好，分类精确度高。但构建神经网络模型时缺乏相应的理论指导，主要靠专业经验设置网络隐藏层的层数和单元数，且无法明确输入

变量是保护因素还是危险因素，对结果的解释性能较低。重症监护病房（ＩＣＵ）住院患者自身基础疾病多，侵袭性治疗操作多，是医院内感染的高危人群。谢多双等［６］将ＩＣＵ 患者作为研究对象，构建ＩＣＵ 患者医院内感染的多层感知器神经网络预测模型，模型结构为２５－４－１，结果显示，ＩＣＵ 患者医院内感染的影响因素依次为ＩＣＵ 入住时间、抗菌药物使用情况、基础疾病诊断、年龄、使用插管等，模型训练集与测试集的准确率分别达８１．６０％、８４．２０％，受试者工作特征曲线下面积为０．８６１，模型预测效果良好。许林勇等［７］使用 ＳＡＳ／ＥｎｔｅｒｐｒｉｓｅＭｉｎｅｒ 软件对患者医院内感染数据进行清洗和编码后使用１６－６－１结构的ＢＰ 神经网络模型进行医院内感染的危险度评估，建立了针对患者个体的预测模型，正确率达９８．９１％，受试者工作特征曲线下面积为０．９８６。但该研究纳入研究因素较少，且未对各科室情况进行分析。牛淼［８］根据住院患者种类将医院分为内科病区、外科病区、干部病区和其 他病区，运用多层感知器神经网络模型对各病区医院 内感染情况进行分析，结果显示，各病区中最重要的 影响因素均为住院时间，无论在哪个病区，随着住院 时间增加，医院内感染的风险显著升高。

１．２    决策树决策树的经典算法是由 Ｑｕｉｎｌａｎ 提出的ＩＤ３算法，Ｃ４．５ 算法在此基础上增加了连续变量

＊     基金项目：上海市杨浦区中心医院２０１８年度院级课题项目（Ｓｅ１２０１８３０）。

△        通信作者，Ｅ－ｍａｉｌ：１４０６１１２９６０＠ｑｑ．ｃｏｍ。

•３４８４•现代医药卫生２０１９年１１月第３５卷第２２期   ＪＭｏｄＭｅｄＨｅａｌｔｈ，Ｎｏｖｅｍｂｅｒ２０１９，Ｖｏｌ．３５，Ｎｏ．２２

的处理方法，随着ｂｏｏｓｔｉｎｇ技术的应用，Ｃ５．０ 算法应运而生。决策树的传递方式为自上而下，通过逻辑分 支关系，形成一种具有分类规则的树状结构。决策树根据信息增益、ＧＩＮＩ系数等模型参数选择对测试数据区分度最大的属性变量作为决策树的根节点，然后 根据根节点变量的属性向下进行分割，形成分支；每 个分支节点重新测试变量属性，继续向下分支，直到该分支节点的类别同质化或达到预先设定的阈值［９］。决策树生成过程若不加以限制，将会发生过拟合的现 象，需对树进行剪枝。剪枝方式有２ 种，前剪枝和后剪枝，前剪枝是限制决策树的生长，减少决策分支；后 剪枝是在决策树分割完成后对树进行修剪，防止过度 拟合的发生。决策树模型生成的树状图简单、直观， 易于理解，建模过程省时、高效、速度快，对多种类型 属性等复杂数据处理能力强，具有高度精准的预测和分类的能力。王力红等［１０］研究了１８９７ 例入住ＩＣＵ的患者，分析其发生医院内感染的危险因素，通过建 立评价指标体系将危险因素进行分类，并建立了决策树预测模型，对ＩＣＵ 患者住院期间发生医院内感染的风险进行早期预测。ＬＯＰＥＳ等［１１］对巴西儿科医院的急诊患者进行前瞻性队列研究，监测患者医院内感染 情况，并将决策树算法用于医院内感染相关病死率的 预测，并找出高病死率相关的预测因素，结果显示，医 院内感染相关高病死率与侵入性操作、多种抗生素联 合应用有关，通过改变决策路径里的这些因素可降低医院内感染相关病死率。邓小红等［１２］将 ＣＡＲＴ 决策树算法用于ＩＣＵ 住院患者医院获得性压疮的风险预测，最终生成４ 层１１ 个节点的决策树模型，共提取６条分类规则，筛选出３ 类高危人群，且决策树模型的灵敏度、特异性及受试者工作特征曲线下面积均高于Ｂｒａｄｅｎ评分。

１．３    支持向量机（ＳＶＭ） ＳＶＭ 由 Ｖａｐｎｉｋ 提出，在统计学习理论基础上发展而来［１３］。ＳＶＭ 融合了结构风险最小原理和 ＶＣ 维理论等统计学习理论，成为其最大的技术特色，具 有更良好的执行推广能力［１４］。 ＳＶＭ   旨在小样本数据的有限空间内寻找具有最大间隔的决策面，使决策风险达到最小，模型泛化能力达到最优［１５］。ＳＶＭ 可很好地解决数据非线性问题及高维问题，解决了神经网络模型的局部极小点问题，提高了泛化性能［１６］。ＥＨＲＥＮＴＲＡＵＴ 等［１７］采用 ＳＶＭ和梯度树增强构建医院内感染监测模型。梯度树增 强具有良好的分类能力，且能测量每个功能的重要程 度，评估分类器所使用的特征是否为医院内感染的合 理指标。该研究将重点研究有关预处理方法或参数 调整是否有助于提高模型性能的问题，尽可能高地使回忆精度接近于１００％，而具有高召回率的算法尤其适用于对感染的筛查。ＳＩＬＶＡ 等［１８］采用跨行业数据挖掘标准流程方法将ＳＶＭ    和朴素贝叶斯分类技术用于波尔图市中心医院的医院内感染数据分析，根据不 同场景创建预测模型，以发现新知识并获得解决问题的最佳模型（灵敏度高于９１．９０％）。该研究通过对现

有临床数据进行分析，提供了以临床问题为导向的科研思路，旨在减少患者发生并发症的风险，改善其安全和健康，从而预防和减少医疗机构的医院内感染的发生。医院内感染数据存在严重的不均衡性，阳性患者所占比重较小，针对这一现象，ＣＯＨＥＮ 等［１９］提出了非对称ＳＶＭ，提高了ＳＶＭ 模型对罕见阳性病例的识别能力，以极低的成本实现了９２．００％的召回率，且与之前研究通过新颖的重采样策略获得的最高灵敏度（８７．００％）又有所提升。

１．４    粗糙集     粗糙集理论是由 ＰＷＬＡＫ［２０］教授于

１９８２年提出的一种研究不完整、不确定知识和数据的学习归纳法，在处理大数据库和消除冗杂信息方面具  有明显优势，现在已成为数据挖掘／知识发现研究中 强有力的工具。粗糙集的基本思想是对决策表（数据  集）进行属性约简和值约简后得出决策规则，然后采  用判别规则进行分类。粗糙集理论的特点是不用预  先给定特征或属性的数量描述，而直接从给定问题出  发，通过不可分辨关系（类）找出问题的近似域，从而发现其内在规律［２１－２２］。王向阳等［２３］首次将粗糙集算法用于医院内感染数据挖掘研究，通过对患者信息数  据进行预处理，将病情信息看作条件属性，将是否发  生医院内感染看作决策属性，对数据集进行属性约简  和值约简，通过约简后的数据集得出决策规则，再使  用得到的决策规则进行判别分类，得到的决策规则少而精，非常直观。洪晶等［２４］将粗糙集与经典ＩＤ３决策树算法结合起来，建立了基于粗糙集的决策树算法， 通过粗糙集属性约简后数据再使用决策树进行分类， ２种算法优势互补，为诊断医院内感染提供了新的思路与方法。

１．５    时间序列时间序列数据具有高维性、海量性、噪声性、幅度上的拉伸和平移、时间轴上的伸缩性、线  性漂移和不连续点等特征。传统的数据挖掘算法无  法对时间序列数据进行有效的处理分析，因此，时间序列数据挖掘应运而生［２５］。典型的时间序列模型包括自回归滑动平均模型、Ｍａｒｋｏｖ 模型和人工神经网络模型等［２６］。耐甲氧西林金黄色葡萄球菌（ＭＲＳＡ）造成的医院内感染或社区感染不断攀升，对环境物表清洁 消 毒 的 要 求 也 不 断 提 高。 单 欢 等［２７］ 考 虑 到 ＭＲＳＡ 流行的时间趋势及周期变化，使用求和自回归滑动平均模型（ＡＲＩＭＡ）对２０１０－２０１４ 年浙江医院 ＭＲＳＡ 监测数据进行拟合分析，建 立了 ＭＲＳＡ 的ＡＲＩＭＡ 预测模型，对  ＭＲＳＡ 的流行趋势进行预测，得出模型的平均相对误差为２０．１９％，预测出的 ＭＲ－ ＳＡ 动态趋势与实际检出情况基本符合，可为 ＭＲＳＡ 的防控提供参考依据。ＮＧＯ 等［２８］将指数平滑法用于加利福尼亚州旧金山退伍军人医学中心在 １９９１－ １９９２年铜绿假单胞菌细菌感染疑似庆大霉素耐药情况分析，研究了庆大霉素抗性铜绿假单胞菌年累计发  病率与流行发生的关系。由于儿童各器官系统发育  尚未成熟，免疫机制尚不健全，对病原体尤其是呼吸  道病原体抵抗力较弱，是医院内感染的易感人群。刘

现代医药卫生２０１９年１１月第３５卷第２２期   ＪＭｏｄＭｅｄＨｅａｌｔｈ，Ｎｏｖｅｍｂｅｒ２０１９，Ｖｏｌ．３５，Ｎｏ．２２• ３４８５•

海鹏等［２９］收集汇总了２０１１－２０１５年安徽省儿童医院住院患儿医院内感染数据，使用 ＡＲＩＭＡ 时间序列分析方法进行模型的构建，并对数据进行一阶差分来平稳序列的方差，根据信息量准则选择最优模型，预测效果良好，对住院患儿医院内感染的发生率具有一定的预测价值。监测抗生素耐药性导致的医院内感染暴发是医院内感染控制不可或缺的重要部分。

１．６    关联规则     对事务数据库进行关联规则挖掘，就是通过用户指定的最小支持度（Ｓｕｐｐｏｒｔ）和最小置

方向。模型的优劣取决于现有数据的拟合程度及对新数据的预测准确程度及实用性。模型预测的结果可集成到智能平台中，用于医院内感染发生的监测及预警，为医疗卫生决策提供重要参考依据。

参考文献

［１］ 谢多双．医院感染流行病学研究［Ｄ］．武汉：华中科技大学，２０１１．

［２］ ＤＵＨＡＭＥＬ Ａ，ＰＩＣＡＶＥＴ  Ｍ，ＤＥＶＯＳＰ，ｅｔａｌ．Ｆｒｏｍ ｄａｔａｃｏｌｌｅｃｔｉｏｎ ｔｏｋｎｏｗｌｅｄｇｅｄａｔａｄｉｓｃｏｖｅｒｙ：ａｍｅｄｉｃａｌａｐｐｌｉｃａｔｉｏｎｏｆｄａｔａｍｉｎｉｎｇ［Ｊ］．

信度（

）寻找强关联规则的过程［３０］。关联

ＳｔｕｄＨｅａｌｔｈＴｅｃｈｎｏｌＩｎｆｏｒｍ，２００１，８４（Ｐｔ２）：１３２９－１３３３．

Ｃｏｎｆｉｄｅｎｃｅ

规则挖掘问题包括寻找所有频繁项目集和在频繁项 目集中寻找关联规则两部分。关联模式中最著名的就是 ＡＧＲＡＷＡＬ 等提出来的 Ａｐｒｉｏｒｉ算法［３１］，其算法思想是首先找出频繁性至少和预定义的最小支持 度一样的所有频集，然后由频集产生强关联规则。通 过减少对数据库的扫描次数和不必要的频繁项目集的生 成 方 法 可 提 高  Ａｐｒｉｏｒｉ 算 法 的 效 率。 由 于 Ａｐｒｉｏｒｉ算法在寻找频繁项目集时产 生大量的候选 项，占用了大量的内存，不适用于大规模数据集，由此衍生出 ＣＬＯＳＥ 算法和 ＦＰ－ＧＲＯＷＴＨ 算法［３２］。ＦＰ－ ＧＲＯＷＴＨ 算法对原始数据库进行２ 次扫描，将原始库映射成一棵频繁模式树，并保留关联信息，然后再 将频繁模式树分化成条件库，再对条件库进行挖掘， 在内存中即可完成频繁项目集的发现工作。对医院 内感染数据进行关联分析可发现数据属性间的关系， 为医院内感染的防治提供参考依据。ＢＲＯＳＳＥＴＴＥ等［３３］利用阿拉巴马大学伯明翰分校医院的铜绿假单胞菌感染控制数据探索了一个基于关联规则的数据 挖掘流程，期望用于医院内感染事件的自动识别与监 测，模型实现结果良好。目前，医疗数据分析主要采用 Ａｐｒｉｏｒｉ算法进行关联规则的数据分析，但 Ａｐｒｉｏｒｉ算法候选频繁集较多，生成许多无趣的规则。有研究 采用ＦＰ－ＧＲＯＷＴＨ 算法对解放军总医院第一附属医院的４００例患者进行了关联分析，提取患者性别、年龄、抗生素使用情况等７ 个属性建立了１３ 条关联规则，揭示了年龄、介入性操作、抗生素使用、住院时间等因素与医院内感染间的关联性［３４］。医院内感染的影响因素多且彼此间及与医院内感染发生的联系尚未明确，具有灰色特性。刘姣英［３５］运用灰色关联分析理论将医院内感染的数据资料进行量化分析，研究各 因素间的关联程度及优势程度，结果显示，外科是医 院内感染控制的重点科室，外科感染以泌尿系统感染 最为突出，下呼吸道感染是医院内感染监控的重要部 位，是造成其他部位感染的重要潜在因素。

２小结与展望

医院内感染因素复杂，种类庞多，对不同类型、不 同部位的医院内感染进行预测，没有哪一种模型是绝 对最优的，因此，需进一步进行大量的针对不同类型、途径、人群等具体属性的医院内感染数据挖掘研究。随着医院内感染数据挖掘研究的越来越深入，单一模 型已无法满足研究需求，组合模型研究成为新的研究

［３］ 高汉松，肖凌，许德玮，等．基于云计算的医疗大数据挖掘平台［Ｊ］．医学信息学杂志，２０１３，３４（５）：７－１２．

［４］ 肖辉，周征奇，肖革新，等．公共卫生领域中的数据挖掘［Ｊ］．医学信息学杂志，２０１３，３４（１２）：１－５．

［５］ 张雷，王 云光．健康大数据挖掘方法研 究综述 ［Ｊ］．软 件导刊，

２０１８，１７（３）：１－３．

［６］ 谢多双，胡荍，李瑞，等．医院感染人工神经网络预测模型的构建

［Ｊ］．湖北医药学院学报，２０１５，３４（３）：２４６－２４９．

［７］ 许林勇，白毅，胡明，等．基于人工神经网络模型的医院感染危险度预测［Ｊ］．中南大学学报（医学版），２００６，３１（３）：４０４－４０７．

［８］ 牛淼．某医院院内感染影响因素及预测模型研究［Ｄ］．重庆：第三军医大学，２０１５．

［９］ ＱＩＮ Ｇ，ＬＵＯ Ｌ，ＬＶ Ｌ，ｅｔａｌ．Ｄｅｃｉｓｉｏｎｔｒｅｅａｎａｌｙｓｉｓｏｆｔｒａｄｉｔｉｏｎａｌ ｒｉｓｋｆａｃｔｏｒｓｏｆｃａｒｏｔｉｄａｔｈｅｒｏｓｃｌｅｒｏｓｉｓａｎｄａｃｕｔｐｏｉｎｔ－ｂａｓｅｄｐｒｅｖｅｎ－ ｔｉｏｎｓｔｒａｔｅｇｙ［Ｊ］．ＰＬｏＳＯｎｅ，２０１４，９（１１）：ｅ１１１７６９．

［１０］王力红，赵霞，张京利，等．重症监护病房医院感染预警模型的建立［Ｊ］．中华医院感染学杂志，２０１０，２０（２１）：３３６８－３３７０．

［１１］ＬＯＰＥＳＪＭ，ＧＯＵＬＡＲＴ ＥＭ，ＳＩＱＵＥＩＲＡ ＡＬ，ｅｔａｌ．Ｎｏｓｏｃｏｍｉａｌ ｉｎｆｅｃｔｉｏｎｓｉｎＢｒａｚｉｌｉａｎｐｅｄｉａｔｒｉｃｐａｔｉｅｎｔｓ：ｕｓｉｎｇａｄｅｃｉｓｉｏｎｔｒｅｅｔｏｉ－ ｄｅｎｔｉｆｙｈｉｇｈ ｍｏｒｔａｌｉｔｙｇｒｏｕｐｓ［Ｊ］．ＢｒａｚＪＩｎｆｅｃｔＤｉｓ，２００９，１３（２）： １１１－１１７．

［１２］邓小红，王乔凤，李明珂，等．决策树在ＩＣＵ 患者院内获得性压疮风险预测中的应用 ［Ｊ］．中 国实用护理杂志，２０１６，３２（７）：４８５－ ４８９．

［１３］李杰，楚恒，朱维乐，等．基于支持向量机和遗传算法的纹理识别

［Ｊ］．四川大学学报（工程科学版），２００５，３７（４）：１０４－１０８．

［１４］刘晓亮，丁世飞，朱红，等．ＳＶＭ 用于文本分类的适用性［Ｊ］．计算机工程与科学，２０１０，３２（６）：１０６－１０８．

［１５］张晓雅．低增生性骨髓增生异常综合征和再生障碍性贫血的鉴别诊断模型研究［Ｄ］．唐山：华北理工大学，２０１８．

［１６］王晶．支持向量机及其在癌症诊断中的应用研究［Ｄ］．长春：东北师范大学，２００６．

［１７］ＥＨＲＥＮＴＲＡＵＴ Ｃ，ＥＫＨＯＬＭ Ｍ，ＴＡＮＵＳＨＩＨ，ｅｔａｌ．Ｄｅｔｅｃｔｉｎｇ ｈｏｓｐｉｔａｌ－ａｃｑｕｉｒｅｄｉｎｆｅｃｔｉｏｎｓ：ａｄｏｃｕｍｅｎｔｃｌａｓｓｉｆｉｃａｔｉｏｎａｐｐｒｏａｃｈｕ－ ｓｉｎｇｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅｓ ａｎｄ ｇｒａｄｉｅｎｔｔｒｅｅ ｂｏｏｓｔｉｎｇ［Ｊ］． ＨｅａｌｔｈＩｎｆｏｒｍＪ，２０１８，２４（１）：２４－４２．

［１８］ＳＩＬＶＡ Ｅ，ＣＡＲＤＯＳＯ Ｌ，ＰＯＲＴＥＬＡ Ｆ，ｅｔａｌ．Ｐｒｅｄｉｃｔｉｎｇ Ｎｏｓｏｃｏ－ ｍｉａｌＩｎｆｅｃｔｉｏｎｂｙＵｓｉｎｇＤａｔａＭｉｎｉｎｇＴｅｃｈｎｏｌｏｇｉｅｓ［Ｍ］．ＮｅｗＣｏｎ－ ｔｒｉｂｕｔｉｏｎｓｉｎＩｎｆｏｒｍ ＳｙｓｔｅｍｓａｎｄＴｅｃｈｎｏｌ，２０１５．

［１９］ＣＯＨＥＮ Ｇ，ＨＩＬＡＲＩＯ  Ｍ，ＳＡＸ Ｈ，ｅｔａｌ．Ｌｅａｒｎｉｎｇｆｒｏｍｉｍｂａｌ－ ａｎｃｅｄｄａｔａｉｎｓｕｒｖｅｉｌｌａｎｃｅｏｆｎｏｓｏｃｏｍｉａｌｉｎｆｅｃｔｉｏｎ［Ｊ］．ＡｒｔｉｆＩｎｔｅｌｌ Ｍｅｄ，２００６，３７（１）：７－１８．

［２０］ＰＡＷＬＡＫ Ｚ．Ｒｏｕｇｈｓｅｔｓ［Ｊ］．ＩｎｔＪ ＣｏｍｐｕｔｅｒａｎｄＩｎｆｏｒｍ Ｓｃｉ，

１９８２，１１（５）：３４１－３５６．

［２１］王朝辉．基于粗糙集的网络信息系统安全评估模型初探［Ｊ］．网络安全技术与应用，２０１８（５）：２０．

［２２］叶明全．基于粗糙集理论的隐私保护数据挖掘研究［Ｄ］．合肥：合肥工业大学，２０１３．

［２３］王向阳，崔林，褚玉林．基于粗糙集理论的医院院内感染数据挖掘

［Ｊ］．洛阳工学院学报（自然科学版），２００２，２３（２）：５９－６２．

•３４８６•现代医药卫生２０１９年１１月第３５卷第２２期   ＪＭｏｄＭｅｄＨｅａｌｔｈ，Ｎｏｖｅｍｂｅｒ２０１９，Ｖｏｌ．３５，Ｎｏ．２２

［２４］洪晶，柳炳祥，程功勋，等．粗集决策树算法在医院感染诊断中的应用研究［Ｊ］．信息技术，２００６，３０（１０）：４９－５２．

［２５］刘晓宇．时间序列预测模型及其应用［Ｊ］．金融理论与教学，２０１８

（１）：４６－４９．

［２６］刘继恒，贺圆圆，张皓，等．基于时间序列模型对甲型病毒性肝炎的预测研究［Ｊ］．实用预防医学，２０１７，２４（８）：１００９－１０１１．

［２７］单欢，金凯玲，叶金明，等．２０１０－２０１５ 年耐甲氧西林金黄色葡萄球菌医院流行趋势时间序列分析 ［Ｊ］．中华医院感染学杂志， ２０１６，２６（２３）：５３０８－５３１１．

［２８］ ＮＧＯ Ｌ，ＴＡＧＥＲ ＩＢ，ＨＡＤＬＥＹ Ｄ．Ａｐｐｌｉｃａｔｉｏｎ ｏｆｅｘｐｏｎｅｎｔｉａｌ ｓｍｏｏｔｈｉｎｇｆｏｒｎｏｓｏｃｏｍｉａｌｉｎｆｅｃｔｉｏｎｓｕｒｖｅｉｌｌａｎｃｅ［Ｊ］．Ａｍ ＪＥｐｉｄｅ－ ｍｉｏｌ，１９９６，１４３（６）：６３７－６４７．

［２９］刘海鹏，金玉莲，刘光辉，等．住院患儿医院感染发生率 ＡＲＩＭＡ时间序列模型［Ｊ］．中国感染控制杂志，２０１７，１６（３）：２４３－２４６．

［３０］胡涛．基于关联规则的数据挖掘算法［Ｊ］．电子技术与软件工程，

•综述•

２０１８（２）：１８６．

［３１］郭玉婷，刘豫，张丽丽，等．基于 Ａｐｒｉｏｒｉ算法的慢性阻塞性肺疾病超限住院费用关联规则数据挖掘［Ｊ］．中国慢性病预防与控制， ２０１７，２５（４）：２４５－２４８．

［３２］谷建光．关联规则算法研究综述［Ｊ］．电子测试，２０１６（１４）：４１－４２．

［３３］ＢＲＯＳＳＥＴＴＥ ＳＥ，ＳＰＲＡＧＵＥ ＡＰ，ＨＡＲＤＩＮＪＭ，ｅｔａｌ．Ａｓｓｏｃｉａ－ ｔｉｏｎｒｕｌｅｓａｎｄｄａｔａｍｉｎｉｎｇｉｎｈｏｓｐｉｔａｌｉｎｆｅｃｔｉｏｎｃｏｎｔｒｏｌａｎｄｐｕｂｌｉｃ ｈｅａｌｔｈｓｕｒｖｅｉｌｌａｎｃｅ［Ｊ］．ＪＡｍ ＭｅｄＩｎｆｏｒｍ Ａｓｓｏｃ，１９９８，５（４）：３７３－ ３８１．

［３４］彭坤，吴明，陈立新．基于关联规则的医院感染数据挖掘［Ｊ］．感染、炎症、修复，２００７，８（４）：２２７－２２９．

［３５］刘姣英．医院感染因素的灰色关联分析［Ｊ］．武汉科技大学学报

（自然科学版），２００２，２５（２）：２０６－２０８．

（收稿日期：２０１９－０２－２０    修回日期：２０１９－０６－２４）

喉乳头状瘤切除术患儿的气道管理现状及进展

宋娟 综述，易寒，杨陶波，陈菲，王寿勇△ 审校

（重庆医科大学附属儿童医院麻醉科／儿童发育疾病研究教育部重点实验室／儿童发育重大疾病国家国际科技合作基地／儿科学重庆市重点实验室，重庆４０１１２２）

［关键词］ 喉肿瘤／外科学； 乳头状瘤／外科学； 麻醉，全身； 插管法，气管内； 儿童； 综述

ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１００９－５５１９．２０１９．２２．０２５中图法分类号：Ｒ７３９．６５文章编号：１００９－５５１９（２０１９）２２－３４８６－０４ 文献标识码：Ａ

喉乳头状瘤是小儿最常见呼吸道良性肿瘤，多由人类６、１１型乳头瘤病毒引起，以声嘶、喘鸣和呼吸困难为最主要的临床表现，严重者可导致完全性喉梗 阻。儿童乳头状瘤的特点是多发性，生长较快，易复发，最常累及声门，也常蔓延至喉室及声门下腔［１－２］。目前，针对儿童喉乳头状瘤没有特别的根治方案，主 要通过反复施行瘤体摘除、维持气道通畅来处理。在 青春期前后绝大部分患儿可获得临床痊愈。对气道 梗阻不能维持最低通气需要的患儿可施行气管切开 置入人工气道，直至青春期肿瘤生长和复发能力降低再恢复生理气道［３－４］。在喉乳头状瘤患儿的手术中麻醉医生所面临的最大挑战来自于和外科医生共用气 道的情况下如何维持足够的麻醉深度，同时，保障充 足的通气和氧供。现将目前喉乳头状瘤患儿麻醉的 常用气道管理策略综述如下。

１ 自主呼吸技术

一些临床专家将保留患儿自主呼吸作为喉乳头状瘤患儿麻醉通气策略的首选，其优势是显而易见的，其可最大限度地保障外科医生的手术视野，避免气管插管对气道的损伤，在一些需激光切割的手术操作中还可降低气道火灾的风险。尽管有学者认为，保留自主呼吸的通气策略可安全用于喉乳头状瘤患儿的麻醉维持，但 同时也应当对其风险进行高度关注［５］。在一项针对５８例Ⅲ 度以内喉梗阻患儿的回顾性研究中患儿接受丙泊酚静脉麻醉联合２％ 利多卡因

气道表面喷洒，术中保留患儿自主呼吸，并通过连接于Ｊａｃｋｓｏｎ系统的小号气管导管经声门上吹入新鲜氧气流。结果显示，８９．７％ （５２／５８）患儿术中生命体征稳定。但麻醉期间有６ 例（１０．３％）患儿因喉痉挛或喉水肿而实施了气管插管，其中２ 例患儿最终实施了气管切开术，１ 例患儿需送重症监护病房进一步监护治疗［６］。另一项研究发现，在保留自主呼吸实施支撑喉镜手术的６６例病例中术中需面罩加压给氧维持通气６ 例 （９．１％），最 终转换为其他通气方式 ２ 例

（３．０％）［７］。表明在保留自主呼吸与维持足够的麻醉 深度之间存在挑战。也有研究对保留自主呼吸的麻  醉策略进行了改进，患儿经吸入高浓度七氟烷麻醉诱导后向声门下置入７Ｆｒ双腔中心静脉导管，经主孔持续吹入６Ｌ／ｍｉｎ新鲜气流和七氟烷维持麻醉，经导管侧孔采集气体监测呼气末二氧化碳分压（ＰＥＴＣＯ２），并与血气 分 析 结 果 进 行 比 较，结 果 显 示，患 儿 术 中ＰＥＴＣＯ２  和动脉血二氧化碳分压均较术前明显升高，实际碱剩余、ｐＨ 值和动脉血氧分压均较术前明显降低，平均动脉压、心率和脉搏血氧饱和度（ＳｐＯ２ ）均无明显变化［８］。此 外，该 研究还发现，３ 例患儿术中 ＳｐＯ２＜９５％，３例患儿发生体动。表明这种通气方式可能存在麻醉手术中患儿发生缺氧、二氧化碳蓄积、 酸碱平衡紊乱及麻醉深度不够的风险，暗示实际使用   中应加强监测，尽量控制手术时长，避免发生严重后  果。虽然该方法可提供清晰的手术视野，也在一定程

△        通信作者，Ｅ－ｍａｉｌ：ｓａｕｌｗａｎｇ＠１２６．ｃｏｍ。

pdf模板链接: https://pan.baidu.com/s/1H_HpLXXQxfedVBRC_bNixA 提取码: hp93

word模板链接: https://pan.baidu.com/s/1mWDDqAinV0bwYB7K4-y_GQ 提取码: cimq