编者按
目前,国内外指南建议在耐药细菌感染风险分析和治疗决策时,需结合医院或当地的细菌耐药监测数据。这些监测数据已经成为临床实践的重要参考,但其在个体化决策时的价值有多大,尚缺乏足够的验证性研究。近期发表于《临床感染疾病》(Clinical Infectious Diseases)的一项回顾性研究探讨了此问题,这也是迄今针对细菌耐药监测数据用于个体化决策的最大样本研究。本期《感染医线》“有感而享”文献学习和点评栏目,特邀中国医科大学附属第一医院陈佰义教授介绍和点评该研究如下。
01 研究简介
抗菌谱(Antibiogram)是特定病原菌对某抗菌药的敏感性试验结果,由各地医院和医疗保健系统的数据汇总而成,是追踪病原菌耐药性和指导经验性治疗的重要来源(编者注:国内通常是来自医院或当地、全国性的细菌或耐药细菌监测数据;为便于理解,本文将Antibiogram翻译为细菌耐药监测)。
目前,国内外众多指南共识建议临床医生使用医院细菌耐药监测数据来指导经验性治疗[2-8]。然而,这些数据通常是由实验室微生物学数据的粗略计算而得,对预测患者个体水平的抗微生物药物耐药性(AMR)风险的可靠性尚不明确。本研究旨在评估医院细菌耐药监测数据用于个体患者的大肠埃希菌和克雷伯菌属感染经验性治疗的诊断准确性,是目前此类评估中最大样本的研究[1]。
该研究回顾性分析了2000年至2019年美国退伍军人健康管理局(VHA)相关机构的医院细菌耐药监测数据,并使用这些机构中大肠埃希菌(E. coli)和克雷伯菌属(Klebsiella Spp.)阳性的临床标本进行诊断性验证。在127家VHA机构中,从704779名患者中分离出1484038株大肠埃希菌,从340504名患者中分离出671035株克雷伯菌属细菌。
研究结果显示,医院细菌耐药监测数据在预测个体患者AMR方面的能力有限。
对于大肠埃希菌,预测头孢曲松、氟喹诺酮、甲氧苄啶-磺胺甲恶唑(TMP-SMZ)耐药性的受试者工作曲线下面积(AUC)分别为0.686、0.637、0.577。
对于克雷伯菌属,预测头孢曲松、氟喹诺酮、TMP-SMZ耐药性的AUC分别为0.715、0.675、0.624。除了预测克雷伯菌属对头孢曲松的AMR能达到中度水平以外,预测这两种细菌AMR的诊断能力均较差。
将分离株的药物敏感率分为5个阈值:<80%、<85%、<90%、<95%和<98%(即耐药率<20%、15%、10%、5%、2%)[9]。医院细菌耐药监测数据应用于临床决策时,其诊断性能也并不理想。如下表所示,不管使用哪种阈值,要达到理想的灵敏度(>90%),特异度都<10%。
研究结论:医院细菌耐药监测数据用于预测个体患者的大肠埃希菌和克雷伯菌属分离株AMR方面的能力有限,用于指导经验性治疗的效用可能较低。
02 专家点评
上述研究结果表明,医院细菌耐药监测用于个体患者的经验性治疗决策价值有限,这样的结果并不令人感到意外。耐药细菌监测数据用于临床实践已经有几十年的历史,尽管目前美国感染病学会(IDSA)、欧洲临床微生物学和感染病学会(ESCMID)、拯救脓毒症运动等权威指南均推荐基于当地AMR流行病学数据指导经验性治疗决策[2-8],但还没有经过严格的研究验证。
细菌耐药监测数据总体上只是各医院监测数据的汇总,得到不同分离株的耐药率或敏感率构成比。这种算法还相对比较简单、粗放,用于指导个体患者的临床决策能力仍有待商榷。这些监测数据对记录医院和当地细菌耐药流行趋势、指导宏观层面抗菌药临床管理的价值是值得肯定的;但仍不能回答“当前患者感染的细菌耐药风险有多大、是否可以选择某种抗菌药”等个体化的临床问题。例如,不同部位如泌尿、腹腔、呼吸道/肺部等发生肠杆菌目细菌感染时,其ESBL发生率有明显差异,临床中不能完全套用不区分部位的ESBL监测数据。不假思索地使用细菌耐药监测数据,可能会助推抗菌药过度使用,特别是更多选择覆盖耐药细菌的抗菌药。
在个体化决策时,应该对细菌耐药监测数据进行合理的分层,已有研究根据发病场所(如住院、门诊)、临床疾病、年龄进行分层[10-12];美国临床与实验室标准协会(CLSI)将这些分层方法列为“加强版耐药监测(enhanced antibiogram)”[13]。如果患者年轻、没有基础疾病、没有接触医疗机构、特别是既往没有抗菌药暴露史和耐药菌感染史,那么感染产ESBL肠杆菌的风险往往较小;而高龄、有基础疾病、反复住院、抗菌药暴露病史则增加染耐药菌感染风险。需要指出的是上述所谓耐药菌感染的危险因子,其阴性预测值高而阳性预测值并不高。临床医生应该结合耐药菌感染的风险分层因和病情严重性来经验性选择抗菌药物,对于耐药风险高、疾病严重到没有“试错”机会的患者,应该选择覆盖耐药细菌的抗菌药;相反对于耐药风险低、且病情不重的患者应该“敢于”使用不覆盖耐药菌的抗菌药。
当然也有人担心分层应用则会低估耐药细菌感染风险[1]。期待未来能有更多此类研究探索,比如利用大数据和人工智能技术[14],为患者提供更加可靠的个体化治疗决策指导;但在现阶段,临床医生仍应该养成风险分层的习惯,使经验性治疗更加有的放矢,更加到位而不越位。
参考文献
[1]Shinya Hasegawa, MD and others, Diagnostic Accuracy of Hospital Antibiograms in Predicting the Risk of Antimicrobial Resistance in Enterobacteriaceae Isolates: A Nationwide Multicenter Evaluation at the Veterans Health Administration, Clinical Infectious Diseases, 2023;, ciad467, https://doi.org/10.1093/cid/ciad467
[2]Kalil AC, Metersky ML, Klompas M, et al. Management of Adults With Hospital-acquired and Ventilator-associated Pneumonia: 2016 Clinical Practice Guidelines by the Infectious Diseases Society of America and the American Thoracic Society. Clinical infectious diseases : an official publication of the Infectious Diseases Society of America 2016; 63(5): e61-e111.
[3]Barlam TF, Cosgrove SE, Abbo LM, et al. Implementing an Antibiotic Stewardship Program: Guidelines by the Infectious Diseases Society of America and the Society for Healthcare Epidemiology of America. Clinical infectious diseases : an official publication of the Infectious
Diseases Society of America 2016; 62(10): e51-77.
[4]Stevens DL, Bisno AL, Chambers HF, et al. Practice guidelines for the diagnosis and management of skin and soft tissue infections: 2014 update by the infectious diseases society of America. Clinical infectious diseases : an official publication of the Infectious Diseases Society of America 2014; 59(2): 147-59.
[5]Osmon DR, Berbari EF, Berendt AR, et al. Diagnosis and management of prosthetic joint infection: clinical practice guidelines by the Infectious Diseases Society of America. Clinical infectious diseases : an official publication of the Infectious Diseases Society of America 2013; 56(1): e1-e25.
[6]Paul M, Carrara E, Retamar P, et al. European Society of Clinical Microbiology and Infectious Diseases (ESCMID) guidelines for the treatment of infections caused by multidrug-resistant Gramnegative bacilli (endorsed by European society of intensive care medicine). Clin Microbiol Infect 2022; 28(4): 521-47.
[7]Evans L, Rhodes A, Alhazzani W, et al. Surviving Sepsis Campaign: International Guidelines for
Management of Sepsis and Septic Shock 2021. Crit Care Med 2021; 49(11): e1063-e143.10. Agency for Healthcare Research and Quality. Toolkit 3. The Nursing Home Antibiogram Program Toolkit: How To Develop and Implement an Antibiogram Program. Available at: https://www.ahrq.gov/nhguide/toolkits/help-clinicians-choose-the-right-antibiotic/toolkit3-develop-implement-antibiogram-program.html.
[8]Centers for Disease Control and Prevention. The Core Elements of Hospital Antibiotic Stewardship Programs: 2019. Available at: https://www.cdc.gov/antibioticuse/healthcare/pdfs/hospital-core-elements-H.pdf. Accessed May 3, 2023.
[9]Hasegawa S, Perencevich EN, Dukes KC, Goto M. Physicians’ acceptable treatment failure rates and interpretation of antibiogram for Gram-negative infections: A pilot survey study of infectious diseases specialists. IDWeek 2022. Washington, DC, USA, 2022.
[10]Randhawa V, Sarwar S, Walker S, Elligsen M, Palmay L, Daneman N. Weighted-incidence syndromic combination antibiograms to guide empiric treatment of critical care infections: a retrospective cohort study. Critical care (London, England) 2014; 18(3): R112.
[11]Swami SK, Banerjee R. Comparison of hospital-wide and age and location - stratified antibiograms of S. aureus, E. coli, and S. pneumoniae: age- and location-stratified antibiograms. Springerplus 2013; 2(1): 63.
[12]Grodin L, Conigliaro A, Lee SY, Rose M, Sinert R. Comparison of UTI antibiograms stratified by
ED patient disposition. Am J Emerg Med 2017; 35(9): 1269-75.
[13]Thomas Durant and others, 305 “Enhanced” Antibiogram: Emerging Data Management Technology for Curation and Visual Presentation of Antimicrobial Resistance Patterns, American Journal of Clinical Pathology, Volume 149, Issue suppl_1, January 2018, Page S130, https://doi.org/10.1093/ajcp/aqx124.304
[14]Corbin CK, Sung L, Chattopadhyay A, et al. Personalized antibiograms for machine learning driven antibiotic selection. Commun Med (Lond) 2022; 2: 38.
陈佰义
教授/主任医师/博导
中国医科大学附属第一医院感染病科/辽宁省感染性疾病医疗中心/国家卫计委细菌真菌感染诊治培训基地
感染与感控领域学术任职(现任):
全球华人临床微生物与感染症学会(GCACMID)理事
中国医药教育协会感染疾病专业委员会 (IDSC)副主任委员
中华预防医学会感染控制分会副主任委员
中国医院协会医院感染管理专业委员会副主任委员
中华医学会细菌感染与耐药防治分会常委
中国医药教育协会真菌病专业委员会(FDSC)常委
中华医学会感染病分会委员兼细菌真菌学组副组长
中华医学会微生物与免疫分会临床微生物学组副组长
卫生部合理用药专家委员会抗菌药物专业组委员
1985年毕业于中国医科大学,先后从事呼吸病学、感染病学以及医院感染控制的医教研工作。
擅长不明原因发热(FUO)病因诊断、各器官系统难治及复杂细菌真菌感染、耐药菌感染以及免疫缺陷人群特殊病原体机会性感染;对合理应用抗生素有一定造诣。主持完成国家自然基金等9项科研课题;研究兴趣包括感染病发病机制、耐药菌诊治与防控;国内外学术期刊发表论文120余篇;主编《间质性肺疾病学》、副主编《临床微生物学检验》和《肺部疑难疾病病例析评》。获得荣誉包括全国卫生系统优秀青年科技人才、辽宁省教育厅优秀青年骨干教师、沈阳市十大杰出青年知识分子,获“五四”奖章、全国卫生系统先进个人、获评“辽宁名医”(2017)。
查看原图 903K