确定CDI危险因素
比较CDI病例与无CDI人群的人口学和临床特征，以识别潜在危险因素。
从KPNC电子病历中识别2011-2014年间所有新发CDI病例，并与无CDI成员比较基线期（诊断前1年或随机日期前1年）的特征。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
预测艰难梭菌感染的风险评分
A Risk Score to Predict Clostridioides difficile Infection
实验完整度
中研究为回顾性队列研究，包含大量样本，但未进行功能或机制验证，属于观察性分析。
主要模型
KPNC成员队列（≥18岁） 住院患者队列（≥18岁） ≥50岁成员队列
重点核对
CDI定义：PCR阳性且1年内无CDI病史 比较人群：随机日期无CDI的成员 随访窗口：IDRSA后31-365天 风险因素：1年或12周内的医疗利用、用药、合并症 模型验证：30%随机验证集
摘要
背景：艰难梭菌感染（CDI）是严重腹泻的主要原因。在这项回顾性研究中，我们通过比较北加州凯撒医疗机构18岁及以上成员中经实验室确诊的新发CDI患者与未患CDI者的人口统计学和临床特征，确定了CDI的危险因素。方法：我们将这些危险因素纳入逻辑回归模型，开发了2种风险评分，用于预测在风险评分评估指数日期（IDRSA）之后的未来CDI，该日期标志着我们估计CDI风险时期的开始。结果：在2011年5月至2014年7月期间，我们纳入了9986例CDI病例和2,230,354名无CDI的成员。CDI病例往往年龄较大、女性、白人，且有更多的住院、急诊科和门诊就诊、熟练护理机构停留、抗生素和质子泵抑制剂使用以及特定合并症。以出院作为IDRSA时，我们的风险评分模型在预测随后31-365天发生CDI的可能性方面表现出优异的性能（C统计量为0.848）。以随机日期作为IDRSA时，我们的模型也能较好地预测随后31-365天的CDI风险（C统计量为0.722）。结论：这些结果可用于识别高风险人群，以纳入艰难梭菌疫苗试验，并有助于评估研究可行性，包括样本量和完成时间。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 如何利用电子病历中常用的风险因素来预测个体未来发生CDI的风险？
- 核心机制
- 研究未提出生物学机制，仅构建风险预测模型。
- 主要证据
- 基于99,986例CDI病例和2,230,354例非CDI成员的回顾性队列，使用逻辑回归构建风险评分，并通过交叉验证评估模型性能。
- 研究意义
- 模型可用于识别高风险人群，以纳入艰难梭菌疫苗试验，并评估研究可行性。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
开发并验证风险评分模型
构建并验证风险评分模型，以预测IDRSA后31-365天的CDI风险。
基于Phase 1识别的风险因素，使用逻辑回归分别对住院患者（出院IDRSA）和≥50岁成员（随机IDRSA）建立预测模型，并通过交叉验证评估模型性能。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 数据收集 | 研究人群：KPNC≥18岁成员；CDI定义：PCR阳性且1年内无CDI史；对照组：随机日期无CDI；风险因素收集窗口：1年或12周 阅读提示：Methods: Setting, Study Population and Design, Phase 1 |
| 模型开发 | 住院模型：≥18岁住院患者，出院IDRSA，随访31-365天；随机模型：≥50岁成员，随机IDRSA，随访31-365天；风险因素包含1年内的医疗利用、用药等 阅读提示：Methods: Phase 2, Statistical Analysis |
| 模型验证 | 住院模型：70%训练集，30%验证集；C统计量：0.848（出院模型），0.722（随机模型） 阅读提示：Methods: Statistical Analysis; Results: Phase 2 |