护理研究

时间		滞后期为0个月			滞后期为2个月
2017年7月	1	0	0	1	0	0
2017年8月	2	0	0	2	0	0
…	…	…	…	…	…	…
2018年12月	18	0	0	18	0	0
2019年1月	19	1	1	19	0	0
2019年2月	20	1	2	20	0	0
2019年3月	21	1	3	21	1	1
…	…	…	…	…	…	…
2020年6月	36	1	18	36	1	16

时间

滞后期为0个月

滞后期为2个月

X 1

X 2

X 3

X 1

X 2

X 3

2017年7月

2017年8月

…

2018年12月

2019年1月

2019年2月

2019年3月

…

2020年6月

时间		滞后期为0个月			滞后期为2个月
2017年7月	1	0	0	1	0	0
2017年8月	2	0	0	2	0	0
…	…	…	…	…	…	…
2018年12月	18	0	0	18	0	0
2019年1月	19	1	1	19	0	0
2019年2月	20	1	2	20	0	0
2019年3月	21	1	3	21	1	1
…	…	…	…	…	…	…
2020年6月	36	1	18	36	1	16

时间

滞后期为0个月

滞后期为2个月

X 1

X 2

X 3

X 1

X 2

X 3

2017年7月

2017年8月

…

2018年12月

2019年1月

2019年2月

2019年3月

…

2020年6月

延迟时间	DIC	WAIC
0个月	287.29	290.84
1个月	287.19	290.95
2个月	286.05	289.89
3个月	286.99	291.57

延迟时间

DIC

WAIC

0个月

287.29

290.84

1个月

287.19

290.95

2个月

286.05

289.89

3个月

286.99

291.57

延迟时间	DIC	WAIC
0个月	287.29	290.84
1个月	287.19	290.95
2个月	286.05	289.89
3个月	286.99	291.57

延迟时间

DIC

WAIC

0个月

287.29

290.84

1个月

287.19

290.95

2个月

286.05

289.89

3个月

286.99

291.57

变量	$β ̂$	标准误	95%CI	RR值（95%CI）
截距	-4.597	0.070	[-4.734，-4.459]	0.010（0.009，0.012）
$X 1$	-0.007	0.006	[-0.019，0.004]	0.993（0.981，1.004）
$X 2$	-0.200	0.100	[-0.397，-0.003]	0.818（0.672，0.997）
$X 3$	0.028	0.010	[0.008，0.048]	1.028（1.008，1.049）
$X 4$	0.508	0.125	[0.264，0.752]	1.661（1.302，2.121）

变量

β ̂

标准误

95%CI

RR值（95%CI）

截距

-4.597

0.070

[-4.734，-4.459]

0.010（0.009，0.012）

X 1

-0.007

0.006

[-0.019，0.004]

0.993（0.981，1.004）

X 2

-0.200

0.100

[-0.397，-0.003]

0.818（0.672，0.997）

X 3

0.028

0.010

[0.008，0.048]

1.028（1.008，1.049）

X 4

0.508

0.125

[0.264，0.752]

1.661（1.302，2.121）

变量	$β ̂$	标准误	95%CI	RR值（95%CI）
截距	-4.597	0.070	[-4.734，-4.459]	0.010（0.009，0.012）
$X 1$	-0.007	0.006	[-0.019，0.004]	0.993（0.981，1.004）
$X 2$	-0.200	0.100	[-0.397，-0.003]	0.818（0.672，0.997）
$X 3$	0.028	0.010	[0.008，0.048]	1.028（1.008，1.049）
$X 4$	0.508	0.125	[0.264，0.752]	1.661（1.302，2.121）

变量

β ̂

标准误

95%CI

RR值（95%CI）

截距

-4.597

0.070

[-4.734，-4.459]

0.010（0.009，0.012）

X 1

-0.007

0.006

[-0.019，0.004]

0.993（0.981，1.004）

X 2

-0.200

0.100

[-0.397，-0.003]

0.818（0.672，0.997）

X 3

0.028

0.010

[0.008，0.048]

1.028（1.008，1.049）

X 4

0.508

0.125

[0.264，0.752]

1.661（1.302，2.121）

时间	相对变化（95%CI）
2019年1月	0.02（-11.06，12.10）
2019年2月	0.05（-11.92，13.17）
2019年3月	-15.78（-26.82，-3.56）
2019年4月	-13.47（-23.77，-2.18）
2019年5月	-11.09（-20.65，-0.70）
2019年6月	-8.63（-17.49，0.90）
2019年7月	-6.10（-14.32，2.69）
2019年8月	-3.50（-11.22，4.71）
2019年9月	-0.81（-8.25，7.05）
2019年10月	1.95（-5.47，9.80）
2019年11月	4.80（-2.96，13.01）
2019年12月	7.74（-0.70，16.71）
2020年1月	10.77（1.32，20.86）
2020年2月	14.47（-8.80，41.86）
2020年3月	17.66（-6.23，45.79）
2020年4月	20.42（6.47，35.68）
2020年5月	23.84（8.01，41.32）
2020年6月	27.36（9.51，47.28）

时间

相对变化（95%CI）

2019年1月

0.02（-11.06，12.10）

2019年2月

0.05（-11.92，13.17）

2019年3月

-15.78（-26.82，-3.56）

2019年4月

-13.47（-23.77，-2.18）

2019年5月

-11.09（-20.65，-0.70）

2019年6月

-8.63（-17.49，0.90）

2019年7月

-6.10（-14.32，2.69）

2019年8月

-3.50（-11.22，4.71）

2019年9月

-0.81（-8.25，7.05）

2019年10月

1.95（-5.47，9.80）

2019年11月

4.80（-2.96，13.01）

2019年12月

7.74（-0.70，16.71）

2020年1月

10.77（1.32，20.86）

2020年2月

14.47（-8.80，41.86）

2020年3月

17.66（-6.23，45.79）

2020年4月

20.42（6.47，35.68）

2020年5月

23.84（8.01，41.32）

2020年6月

27.36（9.51，47.28）

时间	相对变化（95%CI）
2019年1月	0.02（-11.06，12.10）
2019年2月	0.05（-11.92，13.17）
2019年3月	-15.78（-26.82，-3.56）
2019年4月	-13.47（-23.77，-2.18）
2019年5月	-11.09（-20.65，-0.70）
2019年6月	-8.63（-17.49，0.90）
2019年7月	-6.10（-14.32，2.69）
2019年8月	-3.50（-11.22，4.71）
2019年9月	-0.81（-8.25，7.05）
2019年10月	1.95（-5.47，9.80）
2019年11月	4.80（-2.96，13.01）
2019年12月	7.74（-0.70，16.71）
2020年1月	10.77（1.32，20.86）
2020年2月	14.47（-8.80，41.86）
2020年3月	17.66（-6.23，45.79）
2020年4月	20.42（6.47，35.68）
2020年5月	23.84（8.01，41.32）
2020年6月	27.36（9.51，47.28）

时间

相对变化（95%CI）

2019年1月

0.02（-11.06，12.10）

2019年2月

0.05（-11.92，13.17）

2019年3月

-15.78（-26.82，-3.56）

2019年4月

-13.47（-23.77，-2.18）

2019年5月

-11.09（-20.65，-0.70）

2019年6月

-8.63（-17.49，0.90）

2019年7月

-6.10（-14.32，2.69）

2019年8月

-3.50（-11.22，4.71）

2019年9月

-0.81（-8.25，7.05）

2019年10月

1.95（-5.47，9.80）

2019年11月

4.80（-2.96，13.01）

2019年12月

7.74（-0.70，16.71）

2020年1月

10.77（1.32，20.86）

2020年2月

14.47（-8.80，41.86）

2020年3月

17.66（-6.23，45.79）

2020年4月

20.42（6.47，35.68）

2020年5月

23.84（8.01，41.32）

2020年6月

27.36（9.51，47.28）

基于贝叶斯中断时间序列的抗菌药物管理措施效果评价

郝梓欣 ¹ , 任浩 ¹ , 张雨东 ¹ , 吴诒家 ¹ , 鲁祎 ¹ , 段金菊 ² , 仇丽霞 ¹^,^*^,^*

护理研究 | 科研论著 2026,40(6): 930-934

收起

护理研究 |科研论著 2026 , 40 (6) : 930 -934

基于贝叶斯中断时间序列的抗菌药物管理措施效果评价

全屏

郝梓欣¹, 任浩¹, 张雨东¹, 吴诒家¹, 鲁祎¹, 段金菊², 仇丽霞¹^,^*^,^*

作者信息

¹山西医科大学，山西 030001

²山西医科大学第二医院

通讯作者:

仇丽霞，E-mail:qlx_1126@163.com

QIU Lixia, E-mail:qlx_1126@163.com

作者简介:

郝梓欣，护士，硕士研究生在读

Evaluation on the effect of antimicrobial stewardship measures based on Bayesian interrupted time series

Zixin HAO¹, Hao REN¹, Yudong ZHANG¹, Yijia WU¹, Yi LU¹, Jinju DUAN², Lixia QIU¹

Affiliations

¹Shanxi Medical University, Shanxi 030001 China

²Second Hospital of Shanxi Medical University

Corresponding Author:

QIU Lixia, E-mail:qlx_1126@163.com

出版时间: 2026-03-25 doi: 10.12102/j.issn.1009-6493.2026.06.006

文章导航

摘要

收起

目的

探究抗菌药物管理措施实施前后医院感染发生率的动态变化特征，量化评价抗菌药物管理措施的长短期影响。

方法

收集2017年7月—2018年12月的住院病人肺炎克雷伯菌（KPN）感染率数据作为干预前数据，2019年1月—2020年6月的住院病人KPN感染率数据作为干预后数据，利用贝叶斯中断时间序列方法评价抗菌药物管理措施干预前后KPN感染率变化趋势。

结果

2017年7月—2020年6月平均月感染率为0.941%，抗菌药物管理措施干预前KPN平均月感染率为0.947%，抗菌药物管理措施干预后KPN平均月感染率为0.934%。滞后期为2个月的模型参数估计结果显示， $β^2$ 有统计学意义（P<0.05），风险比为0.818； $β^3$ 有统计学意义（P<0.05）， $β^1 + β^3$ =0.021，风险比为1.021； $β^4$ 有统计学意义（P<0.05），风险比为1.661。干预后模型预测值与反事实值相对变化结果显示，2019年3月—5月的变化均下降（均P<0.05），2020年4月—6月变化均升高（均P<0.05）。

结论

贝叶斯中断时间序列模型能够有效评价干预措施的长短期效果，也可以评估干预是否具有滞后效应。医院抗菌药物管理措施的实施可以在短期内降低感染风险，干预效果存在2个月的滞后期，长期效果不理想。

关键词

抗菌药物管理 / 贝叶斯中断时间序列模型 / 医院感染 / 预防控制 / 肺炎克雷伯菌

Abstract

收起

Objective

To explore the dynamic change characteristics of the incidence of hospital infections before and after the intervention of antimicrobial stewardship measures,and to quantitatively evaluate the short-term and long-term impacts of antimicrobial stewardship measures.

Methods

Data on the infection rate of Klebsiella pneumoniae(KPN) among inpatients from July 2017 to December 2018 were collected as pre-intervention data.Data on the KPN infection rate among inpatients from January 2019 to June 2020 were collected as post-intervention data.The Bayesian interrupted time series method was used to evaluate the changing trend of KPN infection rate before and after the implementation of antimicrobial stewardship measures.

Results

The average monthly KPN infection rate from July 2017 to June 2020 was 0.941%.The average monthly KPN infection rate before the implementation of antimicrobial stewardship measures was 0.947%.The average monthly KPN infection rate after the implementation of antimicrobial stewardship measures was 0.934%.The parameter estimation results of the model with a lag period of 2 months showed that $β^2$ was statistically significant(P<0.05),with a risk ratio of 0.818. $β^3$ was statistically significant(P<0.05), $β^1 + β^3$ =0.021,with a risk ratio of 1.021. $β^4$ was statistically significant(P<0.05),with a risk ratio of 1.661.The results of the relative changes between the predictive values and counterfactual values showed that the changes from March to May 2019 all decreased (all P<0.05),while the changes from April to June 2020 all increased (all P<0.05).

Conclusions

The Bayesian interrupted time series model could effectively evaluate the short-term and long-term effects of intervention measures.It could also evaluate whether the intervention had a lag effect or not.The implementation of hospital antimicrobial stewardship measures could reduce the infection risk in the short term,with a 2-month lag period in the intervention effect,while the long-term effect was not ideal.

Key words

antimicrobial stewardship / Bayesian interrupted time series model / hospital infection / prevention and control / Klebsiella pneumoniae

引用本文

郝梓欣, 任浩, 张雨东, 吴诒家, 鲁祎, 段金菊, 仇丽霞. 基于贝叶斯中断时间序列的抗菌药物管理措施效果评价. 护理研究, 2026 , 40 (6) : 930 -934 . DOI: 10.12102/j.issn.1009-6493.2026.06.006

Zixin HAO, Hao REN, Yudong ZHANG, Yijia WU, Yi LU, Jinju DUAN, Lixia QIU. Evaluation on the effect of antimicrobial stewardship measures based on Bayesian interrupted time series[J]. Chinese Nursing Research, 2026 , 40 (6) : 930 -934 . DOI: 10.12102/j.issn.1009-6493.2026.06.006

正文

收起

中断时间序列（interrupted time series，ITS）作为一种针对时间序列结果评价干预措施效果的准实验设计统计方法，已逐渐被应用于临床治疗和国家公共卫生立法干预措施有效性的研究，如乙肝疫苗扩大免疫规划、自行车头盔立法和防止医院感染措施等^[1-2]。分段回归模型是估计中断时间序列设计中干预效果的统计方法，其既可以通过分析斜率和截距的即时变化评估干预措施有效性，也可以评估这种改变是否存在滞后效应、是短期还是长期效果，且通过模型的统计推断，还可以判断观察到的变化是否能由干预之外的因素解释^[3-4]。贝叶斯时间序列模型是将贝叶斯方法运用到传统的时间序列分析方法中，通过估计模型参数的后验分布来量化不确定性^[5]，其会综合考虑各方面信息（包括先验信息、样本信息和模型结构），通过从数据中提取更加完整的信息并在此基础上进行分析从而提高估计的有效性^[6-7]。本研究以山西省某三级甲等医院的抗菌药物管理项目为例，将肺炎克雷伯菌（Klebsiella pneumoniae，KPN）^[8]院内感染病例数作为结果变量，运用贝叶斯中断时间序列分析方法对抗菌药物管理措施实施^[9]前后院内KPN感染率的变化趋势进行分析，考虑干预是否存在滞后并分析滞后时间，通过调整数据异常值，选择最优模型，评价抗菌药物管理措施的干预效果，以期为干预措施效果评价提供方法学参考。

1　资料与方法

收起

1.1　资料来源

收集山西省某三级甲等医院2017年7月—2020年6月的住院病人KPN感染率数据。根据医院防控措施实施情况将2017年7月—2018年12月的住院病人KPN感染数据作为干预前数据，将2019年1月—2020年6月的住院病人KPN感染数据作为干预后数据。

1.2　抗菌药物管理措施实施方法

1）用药前：对处方进行审核，如发现问题，及时与开具处方的医生沟通。2）用药中：对病人进行个体化、精细化治疗，确保用药对症，进行全疗程监管。3）用药后：密切观察病人在用药过程中可能出现的不良反应。4）科室管理：定期组织医护人员参加合理用药培训，进行不合理用药公示，将合理用药情况纳入科室和个人绩效考核体系，设立明确的考核指标。

1.3　资料分析方法

1.3.1　影响模型假设

中断时间序列设计通过统计方程评估干预措施对数据趋势的影响，其核心假设是干预前趋势可外推至未干预时的趋势，即“反事实”。通过比较“反事实”与干预后的实际趋势评估干预效果。分段回归模型是适合该设计的统计方法，用于评估干预的瞬时和长期效果，该模型将时间序列按干预分割为不同阶段，包含趋势参数（每段斜率）、水平参数改变量（干预前后指标估计值之差）和趋势参数改变量（干预前后斜率之差），通过分析这些参数的变化情况评估干预效果。

抗菌药物管理措施的实施会引起水平和斜率变化^[9-11]，但由于管理措施效果有一定滞后性，且受具体管理措施根据各地区各医院实际情况制定影响，效果的具体滞后时间尚不明确。结合文献及专业知识^[12-13]，本研究先验地提出效果滞后期可能为0、1、2、3个月，经过模型拟合比较后选择拟合效果较好的模型作为本研究的最终模型。

1.3.2　描述性分析及平稳性检验

采用时间序列图描述2017年7月—2020年6月KPN感染率变化趋势，采用增广迪基-富勒（ADF）检验、自相关图判断KPN感染率平稳性，P<0.05代表序列平稳。

1.3.3　贝叶斯中断时间序列模型

建立贝叶斯中断时间序列模型：

y i ~ P o i s s o n λ i, λ i = E i θ i, l o g θ i = l o g n i + β 0 + β 1 X 1 + β 2 X 2 + β 3 X 3 + ε

。其中，

X 1

为时间变量，

X 1 = 1,2, …, 36

；

X 2

为干预变量，干预前

X 2 = 0

，干预后

X 2 = 1

；

X 3

为干预后时间变量，干预前

X 3 = 0

，干预后

X 3 = 1,2, …, 18

。由于本研究的滞后期未确定，故

X 2

和

X 3

会随假设的时间变化而变化，如当延迟时间为2个月时，变量

X 2

于2019年3月开始编码为1，变量

X 3

于同一时间开始编码为

1,2, …, 16

，见表1。

y i

为每个月KPN感染人数，

n i

为每个月的住院病人例数，

l o g n i

为偏移项（offset）用来抵消观察单位对结果造成的影响，研究事件发生的相对风险或比率^[14]。

y i / n i

为KPN月感染率。

β 0

为截距，表示

X 1 = 0

时的基线水平；

β 1

为干预前的趋势参数，表示干预前趋势；

β 2

为水平参数的改变量，表示干预后的水平变化，用于评价干预措施的短期效应；

β 3

为趋势参数的改变量，表示干预后的斜率变化，用于评价干预措施的长期效应；

(β 1 + β 3)

表示干预后的斜率；

ε

表示随机误差。

模型采用无信息先验，设置为

β ~ N o r m a l (0,1 000)

。本研究使用集成嵌套拉普拉斯近似（INLA）包进行模型构建。INLA是Rue等于2009年提出的一种在潜在高斯模型中进行近似贝叶斯推理的方法，能准确、快速地求解模型，有利于提高计算效率^[15]。

1.3.4　异常值处理

受新型冠状病毒感染暴发影响，医院于2020年1月后采取了一系列防控措施，使轻度、中度感染病人尽可能居家治疗，故2020年2月和3月KPN月感染率出现异常值。该异常值的出现是由已知原因引起，引入虚拟变量

X 4

进行控制^[16]。当异常值出现时，

X 4 = 1

，其余时点

X 4 = 0

。在本研究中，模型可记为：

l o g θ i = l o g n i + β 0 + β 1 X 1 + β 2 X 2 + β 3 X 3 + β 4 X 4 + ε

，其中，

β 4

表示异常出现前后的截距之差。

1.3.5　模型拟合效果评价

采用偏差信息准则（deviance information criterion，DIC）和广泛适用信息准则（Watanabe-Akaike information criterion，WAIC）指标^[14]评价模型拟合效果，DIC和WAIC值越小，模型拟合效果越好。

1.4　统计学方法

采用Execl 2021软件进行统计分析，不符合正态分布的定量资料以中位数（四分位数）[M（P₂₅，P₇₅）]表示，定性资料以频数及百分比（%）表示，采用R 4.3.0软件绘制时间序列图并进行平稳性检验，使用INLA包进行模型构建及模型拟合效果比较。

2　结果

收起

2.1　2017—2020年KPN月感染率状况

2017年7月—2020年6月KPN平均月感染率为0.941%。抗菌药物管理措施实施前，KPN平均月感染率为0.947%，最高为1.261%，最低为0.628%；抗菌药物管理措施实施后，KPN平均月感染率为0.934%，最高为1.753%，最低为0.325%。2017—2020年KPN月感染率时序图显示，KPN感染率波动变化，抗菌药物管理措施实施前无明显趋势；抗菌药物管理措施实施后，KPN感染率先出现小幅度上升，2019年2月后开始逐渐下降，并持续低于措施实施前平均水平，2019年7月达到最低水平，2019年8月后KPN感染率呈波动上升趋势并逐渐恢复至干预前水平，其中，2020年2月和3月KPN感染率出现异常升高。详见图1。

2.2　KPN月感染率平稳性

对KPN月感染率进行平稳性检验，ADF检验结果显示，感染率的ADF检验统计量为-4.59，P<0.01；自相关图显示，自相关系数在1阶后快速衰减，表明序列平稳。见图2。

2.3　模型参数估计

2.3.1　模型拟合效果比较

因抗菌药物管理措施实施效果呈现具有滞后性，拟合滞后期为0、1、2、3个月的4个模型，结果显示，不同滞后期模型拟合效果相差不大，见表2。滞后期为2个月的模型DIC和WAIC值相对较小，拟合效果较好，因此，选择滞后期为2个月的模型评价抗菌药物管理措施效果。

2.3.2　干预效果

滞后期为2个月的模型参数估计结果显示，在其他条件不变的情况下，参数估计值

β^1

=-0.007，风险比（RR）=0.993[95%（0.981，1.004）]，无统计学意义（P>0.05），即2019年1月开始实施抗菌药物管理措施之前，KPN月感染率基本平稳；

β^2

有统计学意义（P<0.05），RR=0.818[95%（0.672，0.997）]，即与干预前相比，干预后KPN月感染风险降低了18.20%（1.000-0.818=0.182），表明干预的短期效果明显；

β^3

有统计学意义（P<0.05），即干预后与干预前的斜率之差有统计学意义，表明干预存在长期效应，干预后的斜率为

β^1 + β^3

=（-0.007）+0.028=0.021，RR=1.021，即在干预后，感染KPN的风险较前月增加2.10%；

β^4

有统计学意义（P<0.05），RR=1.661[95%（1.302，2.121）]，即干预后与新型冠状病毒感染暴发前相比，感染KPN的风险增加66.10%。模型参数拟合结果见表3。

干预后模型预测值与仅基于基线水平和趋势的估计值（即反事实值）相对变化及95%CI结果显示，2019年1月和2月的变化无统计学意义（P>0.05），干预措施在这段时间内没有表现出明显效果；2019年3月—5月的变化均下降，变化均有统计学意义（均P<0.05），表明干预措施短期内出现了效果；2019年6月—2020年3月，预测值与反事实值变化多无统计学意义（P>0.05）；2020年4月—6月变化均升高，变化均有统计学意义（均P<0.05）。详见表4和图3。

3　讨论

收起

本研究评价山西省某三级甲等医院的抗菌药物管理措施干预效果，收集该医院2017年7月—2020年6月的住院病人KPN感染率数据，根据数据特点拟合贝叶斯中断时间序列模型。研究结果表明，该医院在实施抗菌药物管理措施前，KPN月感染率无明显趋势，2019年1月抗菌药物管理措施实施后，KPN月感染率并未立即下降，而是在2个月后才出现了明显下降，但这种积极影响仅持续3个月，表明该干预措施的短期效果明显且有一定的滞后性。之后，干预效果随时间推移减弱，2020年4月后KPN月感染率出现上升趋势，提示长期效果不理想。这可能是由于该医院仅在干预初期严格执行了抗菌药物管理措施，随着时间推移，医务人员及病人的感染控制意识逐渐减弱；也可能是由于山西省突发公共卫生事件应急响应状态下，部分轻中症病人选择线上远程诊疗，致使住院病人减少，重症病人比例相对增大，感染风险增大^[17]。

为了提高分析的稳健性，本研究在建模过程中解决了部分常见问题。首先，考虑到KPN感染的发生属于罕见事件，故使用分段泊松回归模型，并引入偏移量抵消观察单位对结果造成的影响；其次，根据抗菌药物管理措施的实施具有滞后性且预期出现效果之前有一定滞后期的特点，先验地提出更符合该干预措施的滞后模型，模型拟合证明模型假设正确；再次，中断时间序列要求序列不存在自相关^[16]，通过ADF检验表明该序列为平稳序列；最后，由于疫情暴发，医院实施了一系列防控措施，轻度、中度病人更倾向于居家治疗，导致住院病人中的重症病人比例相对较高，进而出现2020年2月—3月KPN感染率异常上升，故通过在回归模型中增加1个变量控制这种异常值的影响。

4　局限性

收起

贝叶斯中断时间序列模型在以上建模过程基础上，以模型参数和简洁明了的图表量化干预措施对结果指标的影响，得到了相对稳定、有效的结果。但本研究也存在一定局限性，如研究基于山西省某三级甲等医院数据，人群代表性受限，干预效果的外推性有限，且干预后KPN月感染率呈上升趋势的原因尚不明确，还需进一步分析。

5　小结

收起

贝叶斯中断时间序列模型能够有效评价干预措施的长短期效果，本研究结果显示，医院抗菌药物管理措施的实施在短期内能够有效降低KPN月感染率，但长期效果不理想。建议医疗机构应及时调整抗菌药物管理措施，从多方面持续重视医院感染防控问题。

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

GIANACAS

,LIU

,KIRK

,et al.Bayesian structural time series,an alternative to interrupted time series in the right circumstances[J].Journal of Clinical Epidemiology,2023,163:102-110.

BERNAL

J L

,CUMMINS

,GASPARRINI

.Interrupted time series regression for the evaluation of public health interventions:a tutorial[J].International Journal of Epidemiology,2017,46(1):348-355.

于石成,王琦琦,毛凡,等.中断时间序列设计及其分析方法[J].中华预防医学杂志,2019,53(8):858-864.

WAGNER

A K

,SOUMERAI

S B

,ZHANG

,et al.Segmented regression analysis of interrupted time series studies in medication use research[J].J Clin Pharm Ther,2002,27(4):299-309.

YOUNG

,DESTA

B N

,SEKERCIOGLU

.Impact of the COVID-19 pandemic on food safety inspection outcomes in Toronto,Canada:a Bayesian interrupted time series analysis[J].Journal of Food Protection,2023,86(9):100138.

文楚纯,赵婷婷,胡伟华,等.基于贝叶斯中断时间序列模型的中国血吸虫病报告病例时空分布研究[J].中国血吸虫病防治杂志,2021,33(1):15-21.

叶静.基于贝叶斯的金融时间序列预测研究[J].滁州学院学报,2017,19(5):55-58.

EFFAH

C Y

,SUN

,LIU

,et al.Klebsiella pneumoniae:an increasing threat to public health[J].Ann Clin Microbiol Antimicrob,2020,19(1):1.

裴丽淑,祁伟,魏殿军,等.特殊抗菌药物管理制度实行前后肺炎克雷伯菌耐药率变化[J].中华医院感染学杂志,2015,25(4):825-826.

李晓彤.基于中断时间序列抗菌药物管理措施在基层医疗机构实施效果评价[D].武汉:华中科技大学,2019.

卢伟涛.基于间断时间序列分析区域性审方中心对基层医疗机构合理用药的干预效果[D].广州:南方医科大学,2023.

徐笑寒,欧春泉.评估公共卫生干预效果的中断时间序列方法及其应用[J].中国卫生统计,2023,40(1):41-44.

LOPEZ BERNAL

,SOUMERAI

,GASPARRINI

.A methodological framework for model selection in interrupted time series studies[J].Journal of Clinical Epidemiology,2018,103:82-91.

别思羽.基于INLA算法的广义线性模型参数估计及应用研究[D].乌鲁木齐:新疆大学,2021.

TENG

J Q

,DING

S Z

,ZHANG

H G

,et al.Bayesian spatiotemporal modelling analysis of hemorrhagic fever with renal syndrome outbreaks in China using R-INLA[J].Zoonoses and Public Health,2023,70(1):46-57.

邵华,王琦琦,胡跃华,等.中断时间序列分析及其在公共卫生领域中的应用[J].中华流行病学杂志,2015,36(9):1015-1017.

赵霏,周威龙,范培杨,等.应用中断时间序列设计评估某三甲专科医院强化感控措施对医院感染发病率的影响[J].中国感染控制杂志,2023,22(11):1364-1369.

2026年第40卷第6期

引用本文

BibTeX

文章信息

doi: 10.12102/j.issn.1009-6493.2026.06.006

接收时间：2025-03-21
首发时间：2026-10-28
出版时间：2026-03-25

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2025-03-21
修回日期：2025-12-24

基金

作者信息

¹山西医科大学，山西 030001

²山西医科大学第二医院

通讯作者:

仇丽霞，E-mail:qlx_1126@163.com

QIU Lixia, E-mail:qlx_1126@163.com

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/hlyj/CN/10.12102/j.issn.1009-6493.2026.06.006

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT

时间		滞后期为0个月			滞后期为2个月
2017年7月	1	0	0	1	0	0
2017年8月	2	0	0	2	0	0
…	…	…	…	…	…	…
2018年12月	18	0	0	18	0	0
2019年1月	19	1	1	19	0	0
2019年2月	20	1	2	20	0	0
2019年3月	21	1	3	21	1	1
…	…	…	…	…	…	…
2020年6月	36	1	18	36	1	16

时间

滞后期为0个月

滞后期为2个月

X 1

X 2

X 3

X 1

X 2

X 3

2017年7月

2017年8月

…

2018年12月

2019年1月

2019年2月

2019年3月

…

2020年6月

延迟时间	DIC	WAIC
0个月	287.29	290.84
1个月	287.19	290.95
2个月	286.05	289.89
3个月	286.99	291.57

延迟时间

DIC

WAIC

0个月

287.29

290.84

1个月

287.19

290.95

2个月

286.05

289.89

3个月

286.99

291.57

变量	$β ̂$	标准误	95%CI	RR值（95%CI）
截距	-4.597	0.070	[-4.734，-4.459]	0.010（0.009，0.012）
$X 1$	-0.007	0.006	[-0.019，0.004]	0.993（0.981，1.004）
$X 2$	-0.200	0.100	[-0.397，-0.003]	0.818（0.672，0.997）
$X 3$	0.028	0.010	[0.008，0.048]	1.028（1.008，1.049）
$X 4$	0.508	0.125	[0.264，0.752]	1.661（1.302，2.121）

变量

β ̂

标准误

95%CI

RR值（95%CI）

截距

-4.597

0.070

[-4.734，-4.459]

0.010（0.009，0.012）

X 1

-0.007

0.006

[-0.019，0.004]

0.993（0.981，1.004）

X 2

-0.200

0.100

[-0.397，-0.003]

0.818（0.672，0.997）

X 3

0.028

0.010

[0.008，0.048]

1.028（1.008，1.049）

X 4

0.508

0.125

[0.264，0.752]

1.661（1.302，2.121）

时间	相对变化（95%CI）
2019年1月	0.02（-11.06，12.10）
2019年2月	0.05（-11.92，13.17）
2019年3月	-15.78（-26.82，-3.56）
2019年4月	-13.47（-23.77，-2.18）
2019年5月	-11.09（-20.65，-0.70）
2019年6月	-8.63（-17.49，0.90）
2019年7月	-6.10（-14.32，2.69）
2019年8月	-3.50（-11.22，4.71）
2019年9月	-0.81（-8.25，7.05）
2019年10月	1.95（-5.47，9.80）
2019年11月	4.80（-2.96，13.01）
2019年12月	7.74（-0.70，16.71）
2020年1月	10.77（1.32，20.86）
2020年2月	14.47（-8.80，41.86）
2020年3月	17.66（-6.23，45.79）
2020年4月	20.42（6.47，35.68）
2020年5月	23.84（8.01，41.32）
2020年6月	27.36（9.51，47.28）

时间

相对变化（95%CI）

2019年1月

0.02（-11.06，12.10）

2019年2月

0.05（-11.92，13.17）

2019年3月

-15.78（-26.82，-3.56）

2019年4月

-13.47（-23.77，-2.18）

2019年5月

-11.09（-20.65，-0.70）

2019年6月

-8.63（-17.49，0.90）

2019年7月

-6.10（-14.32，2.69）

2019年8月

-3.50（-11.22，4.71）

2019年9月

-0.81（-8.25，7.05）

2019年10月

1.95（-5.47，9.80）

2019年11月

4.80（-2.96，13.01）

2019年12月

7.74（-0.70，16.71）

2020年1月

10.77（1.32，20.86）

2020年2月

14.47（-8.80，41.86）

2020年3月

17.66（-6.23，45.79）

2020年4月

20.42（6.47，35.68）

2020年5月

23.84（8.01，41.32）

2020年6月

27.36（9.51，47.28）