gms | German Medical Science

50. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie (gmds)
12. Jahrestagung der Deutschen Arbeitsgemeinschaft für Epidemiologie (dae)

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie
Deutsche Arbeitsgemeinschaft für Epidemiologie

12. bis 15.09.2005, Freiburg im Breisgau

Effektivität eines MRSA Screenings im Krankenhaus mit Hilfe zweier Frequenz-Algorithmen zur frühen Ausbruchsdetektion – ein Vergleich mit einer klonalen Clusteranalyse

Meeting Abstract

  • Nicole Rosenkötter - Hochschule für angewandte Wissenschaften Hamburg, Hamburg
  • Ralf Reintjes - Hochschule für angewandte Wissenschaften Hamburg, Hamburg
  • Dag Harmsen - Poliklinik für Parodontologie, Universitätskrankenhaus Münster, Münster
  • Alexander Mellmann - Institut für Hygiene, Universitätskrankenhaus Münster, Münster
  • Alexander Friedrich - Institut für Hygiene, Universitätskrankenhaus Münster, Münster

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie. Deutsche Arbeitsgemeinschaft für Epidemiologie. 50. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie (gmds), 12. Jahrestagung der Deutschen Arbeitsgemeinschaft für Epidemiologie. Freiburg im Breisgau, 12.-15.09.2005. Düsseldorf, Köln: German Medical Science; 2005. Doc05gmds442

Die elektronische Version dieses Artikels ist vollständig und ist verfügbar unter: http://www.egms.de/de/meetings/gmds2005/05gmds192.shtml

Veröffentlicht: 8. September 2005

© 2005 Rosenkötter et al.
Dieser Artikel ist ein Open Access-Artikel und steht unter den Creative Commons Lizenzbedingungen (http://creativecommons.org/licenses/by-nc-nd/3.0/deed.de). Er darf vervielf&aauml;ltigt, verbreitet und &oauml;ffentlich zug&aauml;nglich gemacht werden, vorausgesetzt dass Autor und Quelle genannt werden.


Gliederung

Text

Einleitung und Fragestellung

Methicillin resistente Staphylococcus aureus (MRSA) sind in vielen Krankenhäusern weltweit endemisch. In Europa variiert die Prävalenzrate der MRSA Isolate unter allen S. aureus Isolaten zwischen <1% - 45% [1], [2]. MRSA Infektionen verursachen eine beachtliche sozioökonomische Last. Bakteriämien, die durch MRSA verursacht werden, sind mit einer erhöhten Mortalität im Vergleich zu Bakteriämien durch Methicillin empfindliche S. aureus (MSSA) assoziiert [3]. Surveillance und Frühwarnsysteme zur rechtzeitigen Ausbruchsdetektion spielen im Public Health Bereich eine immer wichtigere Rolle. Viele Studien zeigen, dass diese Methoden auch in Krankenhäusern Einzug erhalten, um die Ausbreitung von nosokomialen Erkrankungen zu überwachen und zu verringern.

Das Ziel dieser Studie ist es, die Effektivität zweier einfacher Frequenz-Algorithmen zur frühen Ausbruchsdetektion von MRSA Infektionen im Krankenhaus zu testen. Ein Vergleich mit einer klonalen Clusteranalyse erlaubt eine Annahme wie viele MRSA Fälle, bzw. Cluster verloren gehen.

Material und Methoden

Die MRSA Fälle eines deutschen Universitätskrankenhauses (1480 Betten) aus dem Zeitraum Januar 1998 bis Dezember 2003 sind in den Datensatz eingeflossen (n=549). Die MRSA Fälle wurden mit klassischen mikrobiologischen Methoden und einer molekularbiologischen sequenz-basierten Typisierung (Gen des Protein A, spa-typing) identifiziert [4]. Die MRSA Fälle aus 2003 (n=175) wurden mit zwei Frequenz-Algorithmen auf mögliche Cluster oder Ausbrüche pro Kalenderwoche (KW) auf Krankenhausebene überprüft. Somit waren 52 Alarmsignale (52 KW) für 2003 möglich.

Die erste Methode, der Z-Score, verglich die Anzahl der aktuellen MRSA Fälle pro Kalenderwoche mit erwarteten Werten der entsprechenden Zeitperiode. Die erwarteten Werte wurden auf der Basis historischer Daten aus den fünf vorhergegangenen Jahren berechnet [5], [6].

Der „Weekly Increase“ (WI), die zweite Methode, überprüfte die Daten aus 2003 auf mögliche 100% oder 50% Anstiege [7]. Dazu wurde die Anzahl der Fälle in der aktuellen Kalenderwoche mit der Anzahl in den vorherigen Kalenderwochen verglichen.

Die Ergebnisse dieser beiden Methoden wurden mit den Ergebnissen einer klonalen Clusteranalyse verglichen, welche den Goldstandard darstellt. Die klonalen Cluster aus dem Jahr 2003 wurden retrospektiv mit Scan Test Statistics identifiziert [8]. Damit ließ sich überprüfen, ob es signifikante Häufungen von Fällen (p<0,05) mit gleichem klonalen (spa-type) und räumlichen Hintergrund innerhalb einer Periode von zwei Wochen gab. Die Güte der Methoden wurde gemessen, wobei diese Ergebnisse unter Berücksichtigung verschiedener Limitationen gesehen werden müssen, welche in der Diskussion beschrieben werden. Ein Alarmsignal wurde als richtig positiv gewertet, wenn in der Kalenderwoche mindestens 2 Fälle eines signifikanten klonalen Clusters vorlagen.

Ergebnisse

Der Goldstandard zeigt 13 signifikante klonale Cluster (p<0,05) in 2003. Die Cluster enthalten 2 bis 11 MRSA Fälle. Insgesamt gehören 42 Fälle zu klonalen Clustern, welche sich über 19 Kalenderwochen ereignen. In 10 der 19 Kalenderwochen gehören mindestens 2 Fälle klonalen Clustern an.

Der Z-Score signalisiert für das Testjahr 2003 in 12 Kalenderwochen ein Alarmsignal. Das entspricht 86 MRSA Fällen, die in der entsprechenden Zeit im gesamten Krankenhaus aufgetreten sind. Die Alarmsignale des Z-Scores umfassen 74% (n=31) der Fälle des Goldstandards. Die Anzahl der Fälle des Goldstandards unter allen MRSA Fällen der entsprechenden signalisierten Kalenderwoche beträgt für den Z-Score im Mittel 0,32.

Der WI zeigte 13 Alarmsignale an. In den entsprechenden Kalenderwochen der 13 Alarmsignale treten 74 MRSA Fälle im Krankenhaus auf. Der WI identifiziert 50% (n=21) der Fälle des Goldstandards. Im Mittel ereignen sich in den durch den WI signalisierten Kalenderwochen 0,19 Fälle des Goldstandards.

Die Sensitivität, Spezifität, positiver und negativer Vorhersagewert (PPV, NPV) ergeben für den Z-Sore 80%, 90%, 67%, 95%, und für den WI 50%, 81%, 38%, 87%.

Diskussion

Der Z-Score gibt in diesem Vergleich die überzeugenderen Ergebnisse. Die Alarmsignale des Z-Scores umfassen nicht nur insgesamt den größeren Anteil der Fälle des Goldstandards, auch im Mittel pro signalisierte Kalenderwoche ist der Anteil der Goldstandard-Fälle größer. Auch wenn die Ergebnisse der Sensitivität, Spezifität, des PPVs und NPVs genauer betrachtet werden müssen, lieferte der Z-Score hier die besseren Werte.

Um die Güte des Z-Scores und WI festzustellen muss definiert werden welche Alarmsignale als richtig positiv, etc. gewertet werden. Wir haben uns entschieden die Alarmsignale als richtig positiv zu werten, wenn in der entsprechend signalisierten Kalenderwoche mindestens zwei Fälle des Goldstandards auftreten. Dies hat zur Folge, dass der Goldstandard von 19 möglichen zu signalisierenden Kalenderwochen auf 10 reduziert wird. Da Z-Score und WI nur die wöchentlich aufgetretenen Fälle auswerten, können Zusammenhänge zu eventuell korrespondierenden Fällen der vorhergegangenen Kalenderwoche nicht hergestellt werden. Es ist deshalb nicht sinnvoll Alarmsignale als richtig positiv zu werten, wenn in der signalisierten Woche nur ein Fall des Goldstandards vorhanden war, da ein Fall kein Cluster oder Ausbruch darstellt.

Große Cluster (ab n=4) werden mit Hilfe der Referenzdaten des untersuchten Krankenhauses sicher erkannt. Diese Grenze mag herabgesetzt werden, wenn alte Ausbrüche nicht mit in die Berechnung der erwarteten Werte einfließen [9] oder die Methode für kleinere Krankenhäuser mit geringeren MRSA Fallzahlen angewendet wird. Kleinere Cluster oder solche die sich mit einer geringen Fallzahl über mehrere Kalenderwochen ereignen können hier nicht oder nur zufällig erkannt werden.

Wir haben am Beispiel der MRSA Infektionen dargestellt, dass der Z-Score einen allgemeinen Überblick über das Infektionsgeschehen im Krankenhaus liefern kann. Ein Überblick in dieser Form bedeutet, dass das Infektionsgeschehen im Krankenhaus visualisiert werden kann (z.B. in Form eines Barometers [6]) und somit präsent für die Hygieneverantwortlichen ist. Eine detailliertere Form der Surveillance, bei der räumliche, zeitliche und molekularbiologische Gemeinsamkeiten in Betracht gezogen werden, ist Aufgrund der Reduktion der Fallzahlen mit Z-Score und WI nicht möglich.


Literatur

1.
European Antimicrobial Resistance Surveillance System (EARSS), The antimicrobial resistance (AMR) situation in Europe in 2002. In: EARSS, Annual Report 2002, Netherlands, 2003:33-45
2.
Kresken M, Hafner D, Schmitz FJ, Wichelhaus TA, PEG-Resistenzstudie, Resistenzsituation bei klinisch wichtigen Infektionserregern gegenüber Antibiotika in Deutschland und im mitteleuropäischen Raum, Paul-Ehrlich-Gesellschaft für Chemotherapie e.V., 2001
3.
Cosgrove SE, Sakoulas G, Perencevich EN, Schwaber MJ, Karchmer AW, Carmeli Y, Comparison of Mortality Associated with Methicillin-Resistant and Methicillin-Susceptible Staphylococcus aureus Bacteriemia: A Meta Analysis. Clinical Infectious Diseases 2003; 36: 53-9
4.
Harmsen D, Claus H, Witte W, et al., Typing of methicillin-resistant Staphylococcus aureus in a university hospital setting by using novel software for spa repeat determination and database management. Journal of Clinical Microbiology 2003; 41(12): 5442-8
5.
Stroup DF, Wharton M, Kafadar K, Dean AG, Evaluation of a Method for Detecting Aberrations in Public Health Surveillance Data. American Journal of Epidemiology 1993; 137(3):373-380
6.
Reintjes R, Baumeister HG, Coulombier D, Infectious disease surveillance in North Rhine-Westphalia: First steps in the development of an early warning system. International Journal of Hygiene and Environmental Health 2001; 203(3):195-199
7.
Hacek DM, Cordell RL, Noskin GA, Peterson LR, Computer-assisted surveillance for detecting clonal outbreaks of nosocomial infection. Journal of Clinical Microbiology 2004; 42(3):1170-5
8.
Wallenstein S, Neff N, An aproximation for the distribution of the scan statistic. Statistics in Medicine 1987; 6:197-207
9.
Farrington CP, Beale AD, The detection of outbreaks of infectious disease, in: Gierl L, Cliff A, Valleron A, Farrington C, Bull M, eds. GEOMED '97, Proceedings of the International Workshop on Geomedical Systems. Stuttgart: B.G. Teubner, 1998:97-117