人工智能增强基因组监测在医疗感染暴发调查中的应用与效能评估

《Infection Control & Hospital Epidemiology》：Artificial intelligence enhances genomic surveillance in healthcare outbreak investigations

　　本研究针对医院感染暴发调查中传统人工追溯效率低、全基因组测序(WGS)监测后仍需大量图表审查的瓶颈，开发了基于人工智能(AI)的EDS-HAT工具。通过对172起暴发事件的分析，AI在76.4%的病例中与人工审查结果一致，并额外识别出37条被遗漏的传播途径（如医疗操作和医护人员传播），灵敏度最高达91.7%。该研究为优化医院感染监测体系提供了自动化解决方案。

　　

在医院里，感染暴发如同暗流涌动，随时可能威胁患者安全。传统调查方式依赖感染预防人员手动翻阅海量病历，寻找患者间的共同暴露因素——这种"人肉搜索"模式不仅耗时耗力，还容易遗漏关键线索。虽然全基因组测序(WGS)技术能像DNA侦探一样精准识别病原体间的亲缘关系，但确定传播途径时仍需要人工从电子健康记录(EHR)中抽丝剥茧。随着WGS监测发现更多暴发事件，感染控制团队正面临"数据海啸"的冲击。

为解决这一难题，匹兹堡大学研究团队将人工智能(AI)引入暴发调查战场。他们开发的增强型医疗相关传播检测系统(EDS-HAT)就像给流行病学家配了一位AI助手，能自动分析电子病历中的床位轨迹、医疗操作记录和医护人员接触史。这项发表在《Infection Control & Hospital Epidemiology》的研究，首次大规模评估了AI工具在真实医院环境中的表现，揭示了机器学习如何改变感染控制的游戏规则。

研究团队采用了几项关键技术方法：首先基于UPMC Presbyterian医院2021-2023年的住院患者数据建立队列，通过全基因组测序(WGS)监测识别暴发集群；随后利用贝叶斯推理算法分析病例-对照暴露数据，自动计算传播途径的似然比；同时开发了能可视化展示传播链的图形界面，支持感染预防人员交互式审查结果。

AI性能与特征

分析显示，在476名暴发相关患者中，AI与人工审查的一致性达76.4%，且额外发现15条潜在传播途径。特别值得注意的是，有3.8%的病例（18例）中AI识别出了人工审查遗漏的传播链，使总体传播途径识别率从61.3%提升至65.1%。

AI发现的本质

AI独到之处在于能发现非常规传播模式：43.2%的新发现涉及超声心动图等医疗操作，37.8%关联特定医护人员（如一次肺炎克雷伯菌暴发中识别出跨越病区的共同诊疗者），其余为人工忽略的住院单元暴露。这些发现证明AI能突破传统调查的空间时间局限。

AI未识别途径的分析

研究也客观记录了AI的盲区：39.1%的漏诊源于外院转入病例（缺乏对应收费代码），28.9%属于"感染后污染"场景（如首例患者污染环境导致次例感染），26.1%因缺乏收费代码记录，仅5.8%为算法排名失误。

AI灵敏度

经对局限性校正后，AI灵敏度从基础值的76.4%（95% CI 71.1%-81.1%）显著提升至91.7%（95% CI 87.7%-94.7%），表明其在结构化数据完备场景下具有高度可靠性。

该研究结论指出，EDS-HAT系统不仅能复现人工审查结果，更具备发现隐性传播途径的"火眼金睛"。虽然AI目前尚难处理跨机构数据整合和动态污染场景，但其自动化分析能力可将感染预防人员从繁琐的图表审查中解放出来，转而聚焦干预措施设计。尤其对于开展多院区基因组监测的医疗系统，这种人机协作模式有望成为感染控制的新标准。随着算法持续优化与实时数据对接的实现，AI辅助的暴发调查或将重塑医院感染防控的未来图景。