匹兹堡大学的研究人员一直在部署实时全基因组测序(WGS)来帮助监测和控制大学医院内的医疗相关感染(HAIs)。
匹兹堡大学传染病学教授Alexander Sundermann周一在今年的美国微生物学会快速应用微生物下一代测序和生物信息学管道(ASM NGS)会议上展示了初步数据，证明了实时WGS监测的可行性及其在控制医院疫情方面的潜在用途。
桑德曼说:“不幸的是，与医疗相关的感染是常见的、昂贵的和致命的。”他补充说，在住院环境中，美国医院中高达10%的患者会发生HAIs。
识别医院相关疫情的传统方法可能有些困难，通常包括图表审查、工作人员访谈和一系列其他程序。Sundermann说，在那之后，医院经常部署“一系列干预措施”来阻止疫情爆发，而WGS可能直到最后才会被用于帮助确认或反驳疑似的HAI及其传播——研究人员将这种方法称为“反应性WGS”。
与此同时，他指出，基因组监测已经成为一种新兴的感染预防方法，它需要对病原体分离物进行常规测序，而不管是否存在疫情爆发。
在此之前，Sundermann和他的同事开发了一种基于WGS和机器学习的方法来识别和防止被称为hai医疗相关传播增强型检测系统(EDS-HAT)．
作为概念的证明，研究人员将EDS-HAT应用于一项回顾性基因组监测研究，并对来自两年多时间内疑似医疗相关传播的患者样本进行了测序。他们对所有目标病原体使用15个SNPs的阈值对样本分离物进行聚类Clostridioides固执的，使用双snp阈值进行分析。
试验结果显示，在超过2750个独特的患者分离物中，297个样本与大约100个群集基因相关。Sundermann说，相比之下，传统的感染预防方法只要求对15次疫情进行测序，涉及大约130名患者。这些测序的分离株中只有5个是遗传相关的，这表明传统的感染预防方案遗漏和错误地识别了传播。
桑德曼说，从成本效益的角度来看，使用铜绿假单胞菌例如，医院治疗医疗相关感染的费用几乎是2.5万美元，而测序一个分离株的成本约为80美元。“如果你能阻止它的话铜绿假单胞菌从长远来看，你实际上节省了很多钱，”他说。
在回顾性研究的基础上，Sundermann的团队试图测试EDS-HAT在实时WGS监测中的实用性。该小组将该方法应用于大学医院疑似HAIs患者的培养阳性病原体样本。在使用Illumina NextSeq平台对分离物进行WGS后，研究人员使用定制的生物信息学管道分析了测序数据，以确定阳性样本和现有HAI数据库中分离物之间的遗传相关性。
一旦确定可能的急性呼吸道感染感染，将与医院感染预防工作人员共享初步报告，以便进行后续调查并启动任何被认为必要的干预措施。
自去年11月以来，研究人员已经对1500多名患者的样本进行了测序。其中，182种(约占11%)聚集在58种不同的疫情中。桑德曼说，在这些聚集性病例中，超过一半的病例有一些在医院内传播的流行病学证据。结果还表明，平均聚类大小为3例患者，中位数为2例。桑德曼指出:“我们希望保持这些集群的规模较小，因为这意味着病原体可能不会再传播了。”
Sundermann说，到目前为止，研究中发现的一些HAIs与内窥镜有关，其中一次爆发涉及四名患者和两种不同的病原体，指向一个内窥镜。在另一个值得注意的疫情中，来自医院内第三方慢性护理机构的少数患者受到了影响。
Sundermann强调，为了使EDS-HAT成为实时WGS监测的有效工具，快速的周转时间是“极其关键的”。目前，从医院订购培养到根据测序数据制定可实施的计划，该工作流程的平均周转时间为16天，中位数约为两周。“我们希望尽可能地缩短时间，”他说。“因为在这两周内，医院里发生了传播，而没有得到干预。”
此外，Sundermann说，衡量新方法有效性的一个很好的结果指标是调查即使在启动了WGS监测知情干预措施以遏制疫情之后，仍有多少下游感染发生。到目前为止，在研究的六个月时间点进行的中期分析发现，在采取干预措施后，感染人数为零，这表明取得了成功。不过，他指出，下个月是这项研究的一周年，届时将有更多的分析显示这些初步结果是否成立。
除此之外，Sundermann说，该团队还计划在实施该项目后检查医院的总体HAI率，将其与具有类似患者容量但尚未使用基因组监测项目进行感染预防的同行医院进行比较。
他说:“呼吸道感染发生率是医院所关心的。”“如果这个项目的HAI率下降，我们的步骤更有可能被广泛采用。”