Construction and verification of machine learning prediction model for risk of multiple drug-resistant bacterial infection in patients with severe burn

doi:10.3877/cma.j.issn.1674-1358.2025.06.007

Abstract

Abstract:

Objective

To construct and validate a prediction model of multidrug-resistant organism (MDRO) infection risk in severe burned patients based on machine learning algorithm.

Methods

Clinical data of 675 patients with severe burn treated in Beijing Chao-yang Hospital, Capital Medical University from May 2017 to June 2024 were collected. Patients were divided into non-MDRO infection group (535 cases) and MDRO infection group (140 cases) based on whether MDRO infection occurred. The variable factors for MDRO infection were screened by the least absolute shrinkage and selection operator (LASSO). All the sample sizes were randomly divided into the training set (473 cases) and verification set (202 cases) according to the ratio of 7∶3, and the extreme Gradient Boost tree (XGBoost), Logistic regression, support vector machine (SVM), K-nearest neighbor (KNN) and Gauss Naive Bayes classification (GNB) prediction model were constructed, respectively. The performance of each model was evaluated by area under the receiver operating characteristic (ROC) curve (AUC), decision curve analysis (DCA) and calibration curve. The influence of each variable factor on the prediction model was analyzed using Shapley additive interpretation (SHAP).

Results

Among the 675 patients, 140 cases developed MDRO infection, with an incidence of 20.74% (140/675). The burn depth (χ²=32.244, P<0.001), burn area (χ²=9.438, P=0.002), hypoalbuminemia (χ²=4.713, P=0.030), usage of antibacterial drugs before intensive care unit (ICU) admission (χ²=11.073, P=0.001), mechanical ventilation (χ²=4.125, P=0.042), usage of≥3 antibacterial drugs (χ²=22.031, P<0.001), duration of antibiotic use≥7 days (χ²=10.377, P=0.001), indwelling catheter (χ²=13.519, P<0.001), deep vein catheterization (χ²=11.743, P<0.001), duration of ICU stay (Z=21.359, P<0.001) and duration of hospitalization (Z=11.271, P<0.001) between patients in non-MDRO infection group and MDRO infection group were all with significant differences. Five prediction models were constructed based on LASSO regression screening variable factors of MDRO infection, among which the GNB model had the best overall performance, with the AUC of 0.877 (95%CI: 0.837-0.917) for the training set and 0.872 (95%CI: 0.809-0.934) for the validation set, and the calibration curve showed that the model’s predicted probability was closest to the actual results, and the DCA curve showed that when the risk probability value was between 0.10-1.00, the clinical net benefit was high. SHAP analysis showed that the factors affecting the occurrence of MDRO infection in severe burned patients, ranked by importance, were as follows: duration of ICU stay, duration of hospitalization, depth of burn, duration of antibiotic use≥7 days, indwelling urinary catheter, deep vein catheterization and use of antibiotics before ICU admission.

Conclusions

The GNB model based on burn depth, duration of antibiotic use≥7 days, indentation catheter, deep vein catheterization, use of antibacterial drugs before admission to ICU, duration of stay in ICU and duration of hospitalization are the best prediction models for MDRO infection in patients with severe burns, which has some guiding significance for clinicians to develop effective prevention and control strategies.

Key words: Severe burn, Multidrug-resistant bacterial infections, Machine learning algorithm, Prediction model

Donghui Li. Construction and verification of machine learning prediction model for risk of multiple drug-resistant bacterial infection in patients with severe burn[J]. Chinese Journal of Experimental and Clinical Infectious Diseases(Electronic Edition), 2025, 19(06): 368-377.

/ / Recommend

Add to citation manager EndNote|Ris|BibTeX

URL: https://zhsyhlcgrbzz.cma-cmc.com.cn/EN/10.3877/cma.j.issn.1674-1358.2025.06.007

https://zhsyhlcgrbzz.cma-cmc.com.cn/EN/Y2025/V19/I06/368

Figures/Tables 7

一般资料	非MDRO感染组（535例）	MDRO感染组（140例）	统计量	P值
性别 [例（%）]			χ²=0.818	0.366^a
男	345（64.49）	96（68.57）
女	190（35.51）	44（31.43）
年龄 [例（%）]			χ²=0.354	0.552^a
≥40岁	283（52.90）	78（55.71）
＜40岁	252（47.10）	62（44.29）
BMI（ $x ¯$ ±s，kg/m²）	24.15±3.54	24.22±3.75	t=0.206	0.837
吸烟 [例（%）]			χ²=1.117	0.291^a
是	158（29.53）	35（25.00）
否	377（70.47）	105（75.00）
高血压 [例（%）]			χ²=0.016	0.900^a
是	169（31.59）	45（32.14）
否	366（68.41）	95（67.86）
糖尿病 [例（%）]			χ²=4.306	0.038^a
是	133（24.86）	47（33.57）
否	402（75.14）	93（66.43）
冠心病 [例（%）]			χ²=0.442	0.506^a
是	109（20.37）	25（17.86）
否	426（79.63）	115（82.14）
慢性肺部疾病 [例（%）]			χ²=0.614	0.433^a
是	99（18.50）	30（21.43）
否	436（81.50）	110（78.57）
烧伤类型 [例（%）]			χ²=0.444	0.505^a
火焰	434（81.12）	117（83.57）
其他	101（18.18）	23（16.43）
烧伤深度 [例（%）]			χ²=32.244	＜0.001^a
Ⅰ～浅Ⅱ	378（70.65）	63（45.00）
深Ⅱ～Ⅲ	157（29.35）	77（55.00）
烧伤面积 [例（%）]			χ²=9.438	0.002^a
＜50%	307（57.38）	60（42.86）
≥50%	228（42.62）	80（57.14）
低蛋白血症 [例（%）]			χ²=4.713	0.030^a
是	321（60.00）	98（70.00）
否	214（40.00）	42（30.00）
气管切开 [例（%）]			χ²=1.296	0.255^a
是	110（20.56）	35（25.00）
否	425（79.44）	105（75.00）
入ICU前使用抗菌药物 [例（%）]			χ²=11.073	0.001^a
是	182（34.02）	69（49.29）
否	353（65.98）	71（50.71）
机械通气 [例（%）]			χ²=4.125	0.042^a
是	162（30.28）	55（39.29）
否	373（69.72）	85（60.71）
抗菌药物使用≥ 3种 [例（%）]			χ²=22.031	＜0.001^a
是	225（42.06）	90（64.29）
否	310（57.94）	50（35.71）
抗菌药物使用时间 [例（%）]			χ²=10.377	0.001^a
≥7 d	188（35.14）	70（50.00）
＜7 d	347（64.85）	70（50.00）
使用糖皮质激素 [例（%）]			χ²=0.178	0.673^a
是	196（36.64）	54（38.57）
否	339（63.36）	86（61.43）
留置导尿管 [例（%）]			χ²=13.519	＜0.001^a
是	405（75.70）	126（90.00）
否	130（24.30）	14（10.00）
深静脉置管 [例（%）]			χ²=11.743	＜0.001^a
是	317（59.25）	105（75.00）
否	218（40.75）	35（25.00）
胃管插管 [例（%）]			χ²=1.205	0.272^a
是	368（68.79）	103（73.57）
否	167（31.21）	37（26.43）
住ICU时间 [M（P₂₅，P₇₅），d]	10（5，20）	15（8，26）	Z=21.359	＜0.001
住院时间[M（P₂₅，P₇₅），d]	22（17，32）	28（18，43）	Z=11.271	＜0.001

一般资料	非MDRO感染组（535例）	MDRO感染组（140例）	统计量	P值
性别 [例（%）]			χ²=0.818	0.366^a
男	345（64.49）	96（68.57）
女	190（35.51）	44（31.43）
年龄 [例（%）]			χ²=0.354	0.552^a
≥40岁	283（52.90）	78（55.71）
＜40岁	252（47.10）	62（44.29）
BMI（ $x ¯$ ±s，kg/m²）	24.15±3.54	24.22±3.75	t=0.206	0.837
吸烟 [例（%）]			χ²=1.117	0.291^a
是	158（29.53）	35（25.00）
否	377（70.47）	105（75.00）
高血压 [例（%）]			χ²=0.016	0.900^a
是	169（31.59）	45（32.14）
否	366（68.41）	95（67.86）
糖尿病 [例（%）]			χ²=4.306	0.038^a
是	133（24.86）	47（33.57）
否	402（75.14）	93（66.43）
冠心病 [例（%）]			χ²=0.442	0.506^a
是	109（20.37）	25（17.86）
否	426（79.63）	115（82.14）
慢性肺部疾病 [例（%）]			χ²=0.614	0.433^a
是	99（18.50）	30（21.43）
否	436（81.50）	110（78.57）
烧伤类型 [例（%）]			χ²=0.444	0.505^a
火焰	434（81.12）	117（83.57）
其他	101（18.18）	23（16.43）
烧伤深度 [例（%）]			χ²=32.244	＜0.001^a
Ⅰ～浅Ⅱ	378（70.65）	63（45.00）
深Ⅱ～Ⅲ	157（29.35）	77（55.00）
烧伤面积 [例（%）]			χ²=9.438	0.002^a
＜50%	307（57.38）	60（42.86）
≥50%	228（42.62）	80（57.14）
低蛋白血症 [例（%）]			χ²=4.713	0.030^a
是	321（60.00）	98（70.00）
否	214（40.00）	42（30.00）
气管切开 [例（%）]			χ²=1.296	0.255^a
是	110（20.56）	35（25.00）
否	425（79.44）	105（75.00）
入ICU前使用抗菌药物 [例（%）]			χ²=11.073	0.001^a
是	182（34.02）	69（49.29）
否	353（65.98）	71（50.71）
机械通气 [例（%）]			χ²=4.125	0.042^a
是	162（30.28）	55（39.29）
否	373（69.72）	85（60.71）
抗菌药物使用≥ 3种 [例（%）]			χ²=22.031	＜0.001^a
是	225（42.06）	90（64.29）
否	310（57.94）	50（35.71）
抗菌药物使用时间 [例（%）]			χ²=10.377	0.001^a
≥7 d	188（35.14）	70（50.00）
＜7 d	347（64.85）	70（50.00）
使用糖皮质激素 [例（%）]			χ²=0.178	0.673^a
是	196（36.64）	54（38.57）
否	339（63.36）	86（61.43）
留置导尿管 [例（%）]			χ²=13.519	＜0.001^a
是	405（75.70）	126（90.00）
否	130（24.30）	14（10.00）
深静脉置管 [例（%）]			χ²=11.743	＜0.001^a
是	317（59.25）	105（75.00）
否	218（40.75）	35（25.00）
胃管插管 [例（%）]			χ²=1.205	0.272^a
是	368（68.79）	103（73.57）
否	167（31.21）	37（26.43）
住ICU时间 [M（P₂₅，P₇₅），d]	10（5，20）	15（8，26）	Z=21.359	＜0.001
住院时间[M（P₂₅，P₇₅），d]	22（17，32）	28（18，43）	Z=11.271	＜0.001

模型	参数设置
XGBoost	L2正则化系数（reg_lambda）：0.5 最小分叉权重和（min_child_weight）：6 最大树深度（max_depth）：4 学习速率（learning_rate）：0.3
Logistic	收敛度量（tol）：0.0001 正则化类型（penalty）：l2 迭代次数（max_iter）：100 正则化因子（C）：1.0
SVM	收敛度量（tol）：0.001 核类型（kernel）：rbf 正则化因子（C）：1.0
KNN	权重类型（weights）：uniform 近邻数目（n_neighbors）：6
GNB	方差平滑（var_smoothing）：1e-07

模型	数据集	AUC	95%CI	准确度	灵敏度	特异度	F1分数
XGBoost	训练集	0.938	0.913～0.962	0.863	0.863	0.863	0.726
XGBoost	验证集	0.861	0.800～0.922	0.798	0.718	0.818	0.589
Logistic	训练集	0.865	0.823～0.906	0.817	0.746	0.835	0.635
Logistic	验证集	0.861	0.795～0.928	0.821	0.724	0.845	0.612
SVM	训练集	0.859	0.818～0.899	0.786	0.776	0.789	0.607
SVM	验证集	0.840	0.774～0.906	0.759	0.694	0.775	0.526
KNN	训练集	0.937	0.918～0.956	0.891	0.706	0.939	0.607
KNN	验证集	0.789	0.714～0.864	0.826	0.513	0.908	0.546
GNB	训练集	0.877	0.837～0.917	0.817	0.801	0.821	0.649
GNB	验证集	0.872	0.809～0.934	0.800	0.755	0.811	0.602

References 26

[1]	袁志强, 彭毅志. 烧伤重症监护病房多重耐药菌感染的应对策略及思考[J]. 中华烧伤杂志,2021,37(6):524-529.
[2]	He Q, Chen C, Gao S, et al. Predictive value of perioperative peripheral blood cells counts for bacteremia and 90-day mortality in severe burn patients[J]. Burns,2023,49(6):1412-1421.
[3]	Lachiewicz AM, Hauck CG, Weber DJ, et al. Bacterial infections after burn injuries: impact of multidrug resistance[J]. Clin Infect Dis,2017,65(12):2130-2136.
[4]	Vickers ML, Dulhunty JM, Ballard E, et al. Risk factors for multidrug-resistant Gram-negative infection in burn patients[J]. ANZ J Surg,2018,8(5):480-485.
[5]	尹燕燕, 刘爱贤. 多重耐药菌感染呼吸机相关性肺炎的危险因素及预后分析[J/CD]. 中华实验和临床感染病杂志(电子版),2024,18(2):83-90.
[6]	Han SB, Jeon K, Kim M, et al. Risk factors for in-hospital acquisition of carbapenem-resistant Enterobacterales in patients with severe burns[J]. J Hosp Infect,2024,149(1):165-171.
[7]	叶楠, 祝闯, 徐丰博, 等. 机器学习算法构建急性心肌梗死患者发生急性肾损伤风险预测模型并与传统模型比较[J]. 中华肾脏病杂志,2024,40(3):175-182.
[8]	王亚喜, 张玲慧, 曹文, 等. 重症监护室病人多重耐药菌感染预测模型的构建[J]. 青岛大学学报(医学版),2024,60(1):115-119.
[9]	中华人民共和国卫生部. 医院感染诊断标准(试行)[S]. 2001.
[10]	中华人民共和国卫生部. 多重耐药菌医院感染预防与控制技术指南(试行)[J]. 中国危重病急救医学,2011,23(2):69-71.
[11]	Cleland H, Stewardson A, Padiglione A, et al. Bloodstream infections and multidrug resistant bacteria acquisition among burns patients in Australia and New Zealand: A registry-based study[J]. Burns,2024,50(6):1544-1554.
[12]	彭源, 傅跃先. 多药耐药细菌感染的治疗研究进展[J]. 中华烧伤杂志,2016,32(9):539-541.
[13]	滕支梅, 纪赓, 黄劲华, 等. 2018-2020年泰州市某医院烧伤科患者多重耐药菌感染危险因素分析[J]. 东南大学学报(医学版),2022,41(6):812-817.
[14]	Elsheikh R, Makram AM. Multidrug-resistant organisms: The silent plight of burn patients[J]. J Burn Care Res,2024,45(4):877-886.
[15]	吴红, 蔡伟茶, 金琪琪, 等. 髋部骨折老年患者术后1年死亡的危险因素及其预测模型的准确性: 基于LASSO-logistic回归[J]. 中华麻醉学杂志,2024,44(1):15-19.
[16]	Buriro F, Ishaque S, Saeed A, et al. Prevalence of multidrug-resistant organism in ICU burns patients at tertiary care hospital[J]. J Burn Care Res,2023,44(4):949-954.
[17]	van Duin D, Strassle PD, DiBiase LM, et al. Timeline of health care-associated infections and pathogens after burn injuries[J]. Am J Infect Control,2016,44(12):1511-1516.
[18]	谭芬叶, 赵蓓, 陈亚男, 等. 神经内科重症监护室多重耐药菌感染预测模型构建[J]. 中华医院感染学杂志,2024,34(10):1575-1578.
[19]	吴杨炀, 曹玲, 仲悦萍, 等. 烧伤合并多重耐药革兰阴性菌感染的调查及院内感染发生危险因素的logistic分析[J]. 中国卫生统计,2021,38(3):396-398.
[20]	Sadaka MS, Abdeldaim DE. Study of the relationship between patient demographics, burn etiology, and the incidence of burn wound infection in Tanta University Burn Unit[J]. Ann Burns Fire Disasters,2024,37(1):3-9.
[21]	Ilyas F, James A, Khan S, et al. Multidrug-resistant pathogens in wound infections: A systematic review[J]. Cureus,2024,16(4):1-9.
[22]	卢蔚薇, 赖宇涛, 童雅婵, 等. 新生儿重症监护病房多重耐药菌反复感染的危险因素分析[J]. 传染病信息,2023,36(3):243-247.
[23]	桑玉还, 严忠婷, 袁媛, 等. 重症监护病房患者多重耐药菌感染风险预测模型的系统评价[J]. 中国感染控制杂志,2023,22(4):442-450.
[24]	沈丽, 南海英, 黄陆光, 等. 烧伤重症监护病房住院患者多重耐药菌感染及其危险因素分析[J]. 中国消毒学杂志,2024,41(4):287-289.
[25]	张艳霞, 姚新宝, 热娜·吐尔逊. 480例烧伤科手术患者医院感染危险因素调查[J]. 中国感染控制杂志,2016,15(12):926-929.
[26]	刘娟, 张小霞, 臧凤, 等. 老年患者导管相关性尿路多重耐药菌感染危险因素及其预测模型[J]. 重庆医学,2024,53(10):1519-1524.

Please choose a citation manager

Content to export