高级检索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于GM(1,1)模型中国常见耐碳青霉烯类细菌耐药率预测

王婷 管廷英 郑超 沈立岩 阴佳 孙强

王婷, 管廷英, 郑超, 沈立岩, 阴佳, 孙强. 基于GM(1,1)模型中国常见耐碳青霉烯类细菌耐药率预测[J]. 中国公共卫生, 2023, 39(11): 1458-1463. doi: 10.11847/zgggws1141915
引用本文: 王婷, 管廷英, 郑超, 沈立岩, 阴佳, 孙强. 基于GM(1,1)模型中国常见耐碳青霉烯类细菌耐药率预测[J]. 中国公共卫生, 2023, 39(11): 1458-1463. doi: 10.11847/zgggws1141915
WANG Ting, GUAN Tingying, ZHENG Chao, SHEN Liyan, YIN Jia, SUN Qiang. Establishment, evaluation and application of GM(1,1) models for predict-ing prevalence of common carbapenem-resistant bacteria in China[J]. Chinese Journal of Public Health, 2023, 39(11): 1458-1463. doi: 10.11847/zgggws1141915
Citation: WANG Ting, GUAN Tingying, ZHENG Chao, SHEN Liyan, YIN Jia, SUN Qiang. Establishment, evaluation and application of GM(1,1) models for predict-ing prevalence of common carbapenem-resistant bacteria in China[J]. Chinese Journal of Public Health, 2023, 39(11): 1458-1463. doi: 10.11847/zgggws1141915

基于GM(1,1)模型中国常见耐碳青霉烯类细菌耐药率预测

doi: 10.11847/zgggws1141915
基金项目: 国家自然科学基金(72174109)
详细信息
    作者简介:

    王婷(1998 – ),硕士在读,研究方向:抗生素合理使用与细菌耐药研究

    通信作者:

    孙强,E-mail:qiangs@sdu.edu.cn

Establishment, evaluation and application of GM(1,1) models for predict-ing prevalence of common carbapenem-resistant bacteria in China

More Information
  • 摘要:   目的   探讨GM(1,1)模型在中国常见耐碳青霉烯类细菌中的预测价值,为细菌耐药防控措施的制定以及卫生资源的合理分配提供参考依据。  方法  收集中国细菌耐药监测网2015年1月 — 2021年12月全国细菌耐药监测报告中耐碳青霉烯类大肠埃希杆菌(CR-E.coli)、耐碳青霉烯类肺炎克雷伯菌(CRKP)、耐碳青霉烯类铜绿假单胞菌(CRPA)和耐碳青霉烯类鲍曼不动杆菌(CRAB)的细菌耐药率数据,以2015年 — 2019年的数据构建灰色预测GM(1,1)模型,采用后验差比值C、小误差概率P评估模型拟合精度以及相对误差和残差评估预测模型拟合效果,采用2020 — 2021年的数据验证模型的预测效果,并应用构建的GM(1,1)模型预测2022 — 2025年CR-E.coli、CRKP、CRPA和CRAB的耐药率。  结果  本研究构建的CR-E.coli、CRKP、CRPA和CRAB 4种常见耐碳青霉烯类细菌的GM(1,1)预测模型的后验差比值C均 < 0.50,小概率误差P均接近1.0,相对误差和残差均 < 10%,模型对CR-E.coli、CRKP、CRPA、CRAB 4种细菌耐药率的预测效果均较好,可应用于外推预测;预计到2025年,中国CR-E.coli、CRKP、CRPA和CRAB 4种常见耐碳青霉烯类细菌2022年预测的耐药率分别为1.668%、12.208%、16.663%和52.507%,2023年预测的耐药率分别为1.698%、12.886%、15.930%和51.549%,2024年预测的耐药率分别为1.729%、13.601%、15.229%和50.608%,2025年预测的耐药率分别为1.761%、14.355%、14.559%和49.685%,CR-E.coli和CRKP的耐药率呈现逐步上升趋势,而CRPA和CRAB的耐药率呈稳步下降趋势。  结论  GM(1,1)模型能够较好地预测中国耐碳青霉烯类细菌的耐药率的变化趋势,可为卫生健康部门调整细菌耐药防控策略提供数据支持和参考依据。
  • 图  1  CR-E.coli、CRKP、CRPA和CRAB 4种耐碳青霉烯类细菌耐药率模型拟合及效果预测图

    Figure  1.  Yearly prevalence of CR-E.coli, CRKP, CRPA and CRAB in China, 2015 – 2025: detected value, detection-prediction fitted value, and the value predicted by the four established GM(1,1) models

    表  1  CR-E.coli、CRKP、CRPA和CRAB 4种耐碳青霉烯类细菌耐药率GM(1,1)预测模型的参数估计值及预测精度检验

    Table  1.   Parameter estimates and accuracy evaluation of four established GM(1,1) models for predicting the prevalence of CR-E.coli, CRKP, CRPA and CRAB in China

    GM(1,1)模型a估计值b估计值后验差比值C小误差概率P
    CR-E.coli预测模型– 0.0181.4490.3001.000
    CRKP预测模型– 0.0548.1830.1221.000
    CRPA预测模型0.04523.3300.2151.000
    CRAB预测模型0.01860.2710.3440.900
    下载: 导出CSV

    表  2  CR-E.coli、CRKP、CRPA和CRAB 4种耐碳青霉烯类细菌耐药率GM(1,1)预测模型拟合效果

    Table  2.   Relative error and residual error for the four established GM(1,1) models in predicting yearly prevalence of CR-E.coli, CRKP, CRPA and CRAB in China

    年份CR-E.coli耐药率CRKP耐药率CRPA耐药率CRAB耐药率
    相对误差(%)残差相对误差(%)残差相对误差(%)残差相对误差(%)残差
    20150000
    20162.7580.0421.8770.1631.1430.2551.8601.116
    20171.182– 0.0182.783– 0.2500.823– 0.1702.749– 1.542
    20185.282– 0.0790.7540.0762.373– 0.4580.582– 0.327
    20193.3410.0570.3490.0382.0680.3951.3630.763
    下载: 导出CSV

    表  3  GM(1,1)预测模型预测的CR-E.coli、CRKP、CRPA和CRAB 4种耐碳青霉烯类细菌耐药率及实际耐药率

    Table  3.   Detected and the four established GM(1,1) models-predicted yearly prevalence of CR-E.coli, CRKP, CRPA and CRAB in China: 2015 – 2025

    年份CR-E.coli耐药率(%)CRKP耐药率(%)CRPA耐药率(%)CRAB耐药率(%)
    实际值预测值实际值预测值实际值预测值实际值预测值
    20151.9001.9007.6007.60022.40022.40059.00059.000
    20161.5001.4978.7008.83022.30021.82760.00058.643
    20171.5001.5249.0009.32020.70020.86756.10057.573
    20181.5001.55110.1009.83719.30019.94956.10056.522
    20191.7001.58010.90010.38319.10019.07156.00055.490
    20201.6001.60910.90010.95918.30018.23253.70054.478
    20211.6001.63811.30011.56717.70017.43054.30053.483
    20221.66812.20816.66352.507
    20231.69812.88615.93051.549
    20241.72913.60115.22950.608
    20251.76114.35514.55949.685
    下载: 导出CSV
  • [1] Leekitcharoenphon P, Johansson MHK, Munk P, et al. Genomic evolution of antimicrobial resistance in Escherichia coli[J]. Scien-tific Reports, 2021, 11(1): 15108. doi: 10.1038/s41598-021-93970-7
    [2] Browne AJ, Chipeta MG, Haines-Woodhouse G, et al. Global antibiotic consumption and usage in humans, 2000 – 18: a spatial modelling study[J]. The Lancet Planetary Health, 2021, 5(12): e893 – e904. doi: 10.1016/S2542-5196(21)00280-1
    [3] Zhen XM, Stålsby Lundborg C, Sun XS, et al. Economic burden of antibiotic resistance in China: a national level estimate for inpatients[J]. Antimicrobial Resistance and Infection Control, 2021, 10(1): 5. doi: 10.1186/s13756-020-00872-w
    [4] Karampatakis T, Tsergouli K, Behzadi P. Carbapenem-resistant Klebsiella pneumoniae: virulence factors, molecular epidemiology and latest updates in treatment options[J]. Antibiotics, 2023, 12(2): 234. doi: 10.3390/antibiotics12020234
    [5] 张宇, 卢笑晖. 耐碳青霉烯类革兰阴性杆菌的耐药机制和应对策略研究进展[J]. 暨南大学学报: 自然科学与医学版, 2022, 43(2): 138 – 148.
    [6] 吴博, 严非, 付朝伟. 中美细菌耐药监测及治理演变比较[J]. 中国卫生资源, 2021, 24(5): 615 – 618. doi: 10.3969/j.issn.1007-953X.2021.05.029
    [7] Li XX, Zhang ZY, Xu D, et al. A prediction method for animal-derived drug resistance trend using a grey-BP neural network combination model[J]. Antibiotics, 2021, 10(6): 692. doi: 10.3390/antibiotics10060692
    [8] 邹胜男, 袁丽, 吕小艳, 等. 基于细菌耐药监测系统的多重耐药菌分析与对策[J]. 齐齐哈尔医学院学报, 2019, 40(13): 1656 – 1658. doi: 10.3969/j.issn.1002-1256.2019.13.032
    [9] 全国细菌耐药监测学术委员会. 全国细菌耐药监测网技术方案(2020年版)[J]. 中国感染与化疗杂志, 2020, 20(5): 560 – 564.
    [10] 梁冰华, 黄李凤. 基于GM(1,1)灰色预测模型的中国医疗卫生资源预测分析[J]. 现代预防医学, 2021, 48(20): 3655 – 3659.
    [11] 蔡红霞, 刘潇霞, 张文彬. 2011 — 2016年中国恶性肿瘤发病和死亡趋势分析及GM(1,1)模型预测[J]. 现代肿瘤医学, 2023, 31(5): 931 – 936. doi: 10.3969/j.issn.1672-4992.2023.05.028
    [12] 李立, 杨召, 叶中辉, 等. 灰色GM(1,1)模型在结核病发病率预测中应用[J]. 中国公共卫生, 2014, 30(4): 396 – 397. doi: 10.11847/zgggws2014-30-04-04
    [13] 姜文娟, 滕文杰, 崔帅帅, 等. GM(1,1)模型在中国围产儿死亡率预测中应用[J]. 中国公共卫生, 2015, 31(11): 1478 – 1480. doi: 10.11847/zgggws2015-31-11-34
    [14] 张志军, 鹿麟, 牛法霞, 等. 耐碳青霉烯类肺炎克雷伯菌的耐药机制与分子流行病学特征[J]. 中国感染控制杂志, 2018, 17(9): 759 – 763. doi: 10.3969/j.issn.1671-9638.2018.09.002
    [15] 尹丹萍, 周国清. 耐碳青霉烯类肠杆菌科细菌临床分布特点及耐药性研究[J]. 中华医院感染学杂志, 2018, 28(18): 2752 – 2755.
    [16] 王群, 王亦晨, 张祎博, 等. 2016 — 2020年某三级综合医院耐碳青霉烯类肺炎克雷伯菌检出趋势[J]. 中华医院感染学杂志, 2022, 32(6): 835 – 839.
    [17] 龙华婧, 邱芳华, 刘道利, 等. 中国2017 — 2019年耐碳青霉烯类肺炎克雷伯菌耐药基因及流行克隆特征[J]. 中国感染控制杂志, 2021, 20(11): 1008 – 1015. doi: 10.12138/j.issn.1671-9638.20217980
    [18] 赵梅, 伏慧, 贾伟, 等. 中国西部地区血流感染病原菌分布及耐药性[J]. 中国抗生素杂志, 2018, 43(9): 1095 – 1100. doi: 10.3969/j.issn.1001-8689.2018.09.006
    [19] 刘洁, 杨晶, 高立芳, 等. 耐碳青霉烯类肺炎克雷伯菌的耐药性及危险因素分析[J]. 中华医院感染学杂志, 2020, 30(8): 1223 – 1227.
    [20] 李占结, 曹洋, 张永祥, 等. 碳青霉烯类药物信息化专档管理及干预效果[J]. 中华医院感染学杂志, 2019, 29(20): 3159 – 3165.
    [21] Zhen XM, Stålsby Lundborg C, Sun XS, et al. Clinical and economic burden of carbapenem-resistant infection or colonization caused by Klebsiella pneumoniae, Pseudomonas aeruginosa, Acinetobacter baumannii: a multicenter study in China[J]. Antibiotics, 2020, 9(8): 514. doi: 10.3390/antibiotics9080514
    [22] 程龙慧, 任琼琼, 肖培, 等. 我国常见细菌耐药趋势预测研究: 基于灰色GM(1,1)模型[J]. 中国感染控制杂志, 2022, 21(12): 1164 – 1170.
    [23] 赖静, 张琪, 梁园, 等. 双碳青霉烯类抗生素治疗碳青霉烯类耐药菌感染的荟萃分析[J]. 中国感染与化疗杂志, 2019, 19(3): 300 – 305.
    [24] 陈泳伍, 张圣雨, 鲁怀伟, 等. 碳青霉烯类抗菌药物专档管理对碳青霉烯类抗菌药物使用强度影响及CRO检出率相关分析[J]. 中国医院药学杂志, 2019, 39(16): 1678 – 1681. doi: 10.13286/j.cnki.chinhosppharmacyj.2019.16.16
  • 加载中
图(1) / 表(3)
计量
  • 文章访问数:  119
  • HTML全文浏览量:  111
  • PDF下载量:  17
  • 被引次数: 0
出版历程
  • 接收日期:  2023-03-31
  • 录用日期:  2023-09-06
  • 修回日期:  2023-06-25
  • 网络出版日期:  2023-11-28
  • 刊出日期:  2023-11-01

目录

    /

    返回文章
    返回