点击蓝字 关注我们
2024年8月第354期
导听
导读
室内空气微生物浓度可以较直观地反映感染风险，然而传统的空气微生物监测存在许多弊端。根据国家规范《医院空气净化管理规范》规定，医院只在空气消毒后采样，不能反映日常情况下真实的就医环境；规范只要求对感染高风险部门如手术部、重症监护病房等的空气净化与消毒质量进行监测，对其他部门没有明确规定；如果在医院感染暴发等特殊情况出现时再进行微生物采样监测，会错过最佳的溯因时间和防控机会窗口。医院感染的预防与管理严重缺乏依据，对普通病区存在消毒与监测过度与不足并存的现象。传统的空气微生物采样是一项消耗人力与物力的试验，需要专门的人员在特定采样点对空气中的微生物进行采样，然后经过培养、计数等一系列操作才能获得采样点的空气微生物浓度水平，不具备实时的特点，也就不能及时反映感染风险。
当前许多研究表明，空气中微生物浓度与PM2.5、CO2、温度等环境变量存在显著相关性，但很少研究利用该相关性来实现微生物浓度预测。有研究者回顾室内微生物污染水平预测关键技术，发现一些研究使用多元线性回归的方法评估颗粒物浓度预测空气微生物浓度水平的可行性，但此类研究使用模型重复单一、相关环境变量选择有限，预测精度不能保证。本研究利用多种环境变量评估微生物（空气中的细菌）浓度的可预测性，分析空气中细菌总数，以及不同粒径范围的细菌浓度与多种环境变量、人流量之间的相关性，并使用梯度提升树（GBDT）算法预测各点位的空气微生物浓度。采用物联网传感器实时监测的环境变量评估医院空气质量及其变化规律，为医院感染防控提供直接的判断依据。
作者：杨光飞1,2，邬水3，钱翔宇2，杨宇红4，孙野5，邹韵6，庚俐莉7，刘媛8
单位：1. 大连理工大学附属中心医院；2. 大连理工大学系统工程研究所；3. 大连理工大学环境学院；4. 大连理工大学附属肿瘤医院离退休工作部；5. 大连理工大学附属肿瘤医院疾病预防与感染控制办公室；6. 大连理工大学附属肿瘤医院教学与学生工作部；7. 大连理工大学附属中心医院感染性疾病科；8. 大连理工大学附属中心医院呼吸与危重症科
点击文题 阅读全文
摘 要
目的 探究基于实时室内空气环境监测数据与机器学习算法的医院室内空气微生物浓度预测。
方法 选取2022年5月23日—6月5日某院四个位置为监测采样点，采用物联网传感器实时监测多种空气环境数据，匹配各点位采集的空气微生物浓度数据，使用梯度提升树算法（GBDT）对医院室内空气微生物浓度进行实时预测，并选取其他五种常见的机器学习模型进行比较，对比模型包括随机森林（RF）、决策树（DT）、最近邻（KNN）、线性回归（LR）和人工神经网络（ANN）。最后通过平均绝对误差（MAE）、均方根误差（RMSE）和平均绝对百分比误差（MAPE）三个指标验证模型的有效性。
结果 GBDT模型在门诊电梯间（A点）、支气管镜诊间（B点）、CT候诊区（C点）和供应室护士站（D点）的MAPE值分别为22.49%、36.28%、29.34%、26.43%，GBDT模型在三个采样点的平均性能高于其他机器学习模型，仅在一个采样点略低于ANN模型。GBDT模型在四个点位的平均MAPE值为28.64%，即预测值偏离实际值28.64%，说明GBDT模型预测结果较好，预测值在可用范围内。
结论 基于实时室内空气环境监测数据的GBDT机器学习模型能够提高医院室内空气微生物浓度预测精度。
杨光飞, 邬水, 钱翔宇, 等. 基于GBDT模型的医院室内空气微生物浓度预测[J]. 中国感染控制杂志, 2024, 23(7): 787-797. DOI: 10.12138/j.issn.1671-9638.20244826.
YANG Guang-fei, WU Shui, QIAN Xiang-yu, et al. Prediction of microbial concentration in hospital indoor air based on gra-dient boosting decision tree model[J]. Chin J Infect Control, 2024, 23(7): 787-797. DOI: 10.12138/j.issn.1671-9638.20244826.
（封面图片来源于网络）
编辑：陈玉华 审稿：吴安华
以上文章为中国感染控制杂志独家编辑，转载需获得本刊许可，并标明来源。
