Infect Cont Hosp Ep：如何预测抗生素使用是否合理？Excel就可以！
2017-10-30 刘聚源 秦瑞 石尚世 SIFIC感染官微
我们需要采用最佳策略来促进抗生素的合理使用。如何分析抗生素的使用情况是否合理呢？按以往的方法，需要我们使用统计软件（如Stata， StataCorp LP， College Station， TX）并掌握一定的统计学知识，但这对使用者来说有一定难度。
我们需要采用最佳策略来促进抗生素的合理使用。如何分析抗生素的使用情况是否合理呢？按以往的方法，需要我们使用统计软件（如Stata， StataCorp LP， College Station， TX）并掌握一定的统计学知识，但这对使用者来说有一定难度。
在下面这篇文章中，研究人员在Excel表格中改编了一种简单、易实施且可建立抗生素使用预测指标的回归方法，把方法学转化成一个“即插即用”的Excel表格，相信大部分医院都可轻松应用。这种方法可在Excel中显示随时间变化的抗生素消耗量趋势，工作人员可据此确定医院抗生素使用过量和不足的时期，操作简单，快来看看吧！
耐药菌的出现对于全球公共卫生来说是一个日益严重的威胁。耐药菌引起的感染与全球临床和经济负担息息相关，仅美国每年至少有200万人因此而患病，23000人死亡。此外，美国CDC估计全美有多达50%的抗生素处方是不必要的。
对此，需要开展抗生素管理以减少抗生素的不合理使用，但这在医院中开展起来比较困难，而且需要实施标准化操作。在本文中，研究人员发现，由疾控中心（CDC）向国家医疗安全网（NHSN）上报数据的抗生素使用和耐药性（AUR）模块是一种可用来检测抗生素消耗量和评估全国趋势的机制。故而设计了一种方法，利用NHSN-AU收集的数据来识别潜在的抗生素使用过量和利用不足的时期。抗生素使用量（消耗量）通过治疗天数（DOT）来测量，用在院天数（DP）对DOT进行标化（即治疗天数/1000住院日）。抗生素的过度使用和利用不足被定义为“趋势调整预测窗”之外的月使用率。
方法说明
为阐明该方法，研究人员从伊利诺斯州芝加哥西北纪念医院取得数据，该医院是一家拥有897张床位的三级护理和学术医学中心。自2012年1月1日到2015年12月31日，每月从内科重症监护病房（MICU）提取静脉注射用哌拉西林-他唑巴坦的数据。抗生素消耗量按照抗生素治疗天数/1000住院日计算，并根据NHSN AU的方法学进行编辑。从电子医疗记录（eMAR）中提取和统计抗生素治疗天数和住院天数。
本文数据来自NHSN入口。步骤如下：
1、 从患者安全组件中的“分析”入口进入，选择“结果输出”选项。在此入口中，选择抗生素使用和耐药模块进入抗生素使用数据。
2、 使用“CDC定义的输出”，下载“按地区列出所有抗生素使用数据列表”（也可选择所有医院的“FACWIDEIN”）。修改输出结果为逗号分隔符形式(*.csv)，数据则立即被Excel利用。
3、 NHSH中的日期数据（即每月使用情况）被定义为“摘要YM”。从“IV_Count”中获取分子数据（消耗量），从“numDaysPresent”中获取分母数据（在院天数）。
4、 根据地区和抗生素的选择分类后，连续的几个月会被列举出来。相邻列表中每个对应月份的消耗量数据被标化成“治疗天数/1000住院日”的形式。
使用注意
1、由于NHSN数据通常不易被所有研究机构获取，因此，任何有相似格式的数据（即治疗天数/1000住院日）都可用补充材料中的Excel建立模型。这个Excel仅需要使用者插入已标化成1000住院日的具体消耗量数据。公式见补充材料，推导方程式详见表1。
2、为调查抗生素过度使用的阈值和利用不足的时期，对每个单独的时间段定义了预测区间。在这个例子中，将80%预测区间定义为潜在的抗生素过度使用区间，但判定的百分比可由各机构自行决定设置成任何阈值。这个值可能比常用的均数95%置信区间更有用哦。在预测区间上或下的数据对调查抗生素使用过量或不足具有决定性的帮助。预测区间的上限和下限用预测值的标准误计算。
3、需要注意，与大多数学模型一样，预测值具有内在的不确定性。因此，建议在解释这些数据时要谨慎，以避免任何过度自信或确认偏差。
方法用途
1、 可用来确定医院或机构随时间变化的抗生素管理策略，并为进一步的回顾抗菌药物指导计划（ASP）提供“触发点”。“触发点”为预测区间之上（潜在的过度用药）或之下（潜在的利用不足）的点。例如，在图1中，这些触发点是均衡的（3个在预测区间上，3个在下），管理小组可以对有问题的抗生素进行药物利用情况进行复核，关注围绕触发点所处时期，确定在该时期内抗生素的使用是否恰当。
2、 可以用来测试是否新实施的管理策略导致之前的线性趋势发生偏离（即管理策略实施之后消耗量的下降是否超过了一定的预测区间？）。
该方法利用常见的Excel表来识别潜在的抗生素过度使用，操作简单，相信在抗生素管理策略、处方更改、或药物短缺的质量评估等工作中具有广泛的应用前景。
图1
Y轴代表2012.1-2015.12期间的重症监护病房中哌拉西林他唑巴坦消耗量（治疗天数/1000住院日）的线性回归；X轴代表1-48个连续月份；虚线代表95%置信区间的上限和下限。实线代表80%预测区间的上限和下限。后者被用来预测潜在的抗生素利用不足和使用过量的时期。
注：DOT-治疗天数；PD-住院天数；T-时间；SEM-均数的标准误；SQRT-平方根；DEVSQ-样本均数的平方差；TINV-逆双侧t分布；PI_UB-80%预测区间的的上限；PI_LB-80%预测区间的下限；SE-标准误。
a方程组1包括构建一个以治疗天数/ 1000住院日的预测功能作为因变量，并以时间作为自变量的简单的线性回归模型所需要的公式。这个公式计算了跨时间月份的消耗量数据的平均线性预测值，并在每个时间点以变异性量化均数的标准误和95%置信区间。
方程组2包括计算每个时间点的预测值标准误和80%的预测区间所需的公式。
b当月份被连续编号时，月份是一个单独的数值。
c分析时期是分析的总时间。
dTINV是逆双侧t分布：TINV后面的第一个数是同双侧t分布相关的可能性，TINV下面的第二个数是自由度。
e计数-2功能被用来决定需要的自由度。
原始出处：
Miglis C Rhodes NJ ， Avedissian SN ， Zembower TR ，et al. A Simple Microsoft Excel Method to Predict Antibiotic Outbreaks and Underutilization. Infect Control Hosp Epidemiol. Jul 2017；38(7)：860-862.
版权声明：
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章，或“梅斯号”自媒体发布的文章，仅系出于传递更多信息之目的，本站仅负责审核内容合规，其内容不代表本站立场，本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章，或“梅斯号”自媒体发布的文章，仅系出于传递更多信息之目的，本站仅负责审核内容合规，其内容不代表本站立场，本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
#抗生素使用#
48
#CEL#
40
#Excel#
51
学习学习.继续关注
68