Netværks analyser af regionale udbrud

Transkript

1 Netværks analyser af regionale udbrud erfaringer fra ESCMID workshop i Groningen, Holland Camilla Holten Møller Læge og ph.d studerende Afdeling for infektionsepidemiologi og forebyggelse Statens Serum Institut

2 Program Præsentation af workshoppen Introduktion til netværksanalyser af patientdata og regionale udbrud Software Motivare Fremtidige forskningssamarbejder

3

4 Workshop: Infection & Resistance Prevention in the regional healthcare network Kursusleder: Prof. Dr. Alexander Friedrich Chair and head of Department Medical Microbiology and Infection Control University Medical Centre Groningen (UMCG) Program:

5 Netværksanalyser af patientdata og regionale udbrud HAI s anvendes ofte som surrogat mål for hospitalshygiejne fx. MRSA som indikator bakterie. Netværks analyser af patientflytninger viser at Universitetshospitaler indlægger flere patienter der nyeligt har været indlagt på andre hospitaler. Højere risiko for at disse patienter stadig bærer patogener som er samlet op under tidligere hospitalsophold. Prævalens afspejler ikke kun kvaliteten af infektionshygiejne, men også den connectedness der er til hospitaler som patienter overføres fra Interventioner skal fokuseres på de hospitaler der er centrale i netværket af patientoverførsler.

6 Electronic Medical Records: - Netherlands: Landelijke Medische Registratie (LMR: National Medical Registry) Contain all inpatient admissions: - LMR M patients, 2.6M admissions (Pop 16.3M) C) Mange har få indlæggelser B) Få har mange indlæggelser D) Multiple indlæggelser (5-10 admissions/year) - Indlagt i længere tid D) & E) Meget hyppigt indlagte er indlagt i kortere tid - Ofte på samme hospital

7 A) Colonized patients from one hospital spread the pathogen to nearby hospitals within days, but it takes more time 5 to 10 years before all hospitals encounter it B) the prevalence is directly related to the referral level of different hospital categories.

8 Røde firkanter: University hospitals Blå trekanter: Large hospitals (Top-clinical) Sorte cirkler: General hospitals

9 Konklusioner Hospitals erhvervede infektioner kan spredes hurtigt fra et index hospital til næste henvisnings niveau (specialiserede hospitaler). Hospitaler længere henne i henvisningsrækken skal være forberedte og kunne handle hurtigt. Der ses en opbygning i prævalens af nosokomielle patogener (fx. MRSA) på Universitetshospitaler fordi de i høj grad er connected til andre henvisende hospitaler. Sammenligning af infektionsrater til benchmarking kan føre til forkerte konklusioner ifht et hospitals evner til at reducere nosokomielle infektioner.

10 Netværksanalyser af patientdata og regionale udbrud Fra 7 geografiske regioner til 10 Infectiepreventienetwerk i Holland Policy convention between minister and healthcare institutions Administrative responsibility: Acute Care Networks Medical responsibility: Medical Microbiologist Inter-mural network-forming (Hospitals, AC, LTCF a.o.) Systemic regional financial support (150 Mio)

11 Klassisk udbruds epidemiologi Hvor har patienten været på hospitalet (afdeling, stue, seng). Ofte er der missing links. Overvågningsdata der indsamles på referencelaboratorier og nationale public health instituter indeholder ofte for lidt information til at identificere epidemiologiske links. Molekylær typning af data, sammenholdt med informationer om lokation og tid (patientnetværk), kan bidrage til at finde missing links.

12 Et betydeligt antal af MRSA cases har ingen kendte risikofaktorer (47%) Skyldes formentligt uerkendt transmission eller ny-introduktioner fra ukendte reservoirs? Aim: Identificere multi-institutionelle clusters af MRSA isolater for at estimere bidraget fra udetekterede reservoirs I Holland. Method: Udvikling af en algoritme der kombinerer tid, sted og typnings data for alle MRSA isolater indsendt til det Hollandske Staphylokok Reference Laboratorie.

13 Sted MLVA typer Tool: Integrated clustering algorithm In order to: Mapping the distribution of MLVA types over time and space across the entire Dutch healthcare system Outcome: Determining the size and clonal composition of clusters of related isolates Results: The algorithm assigned 579 of the 2966 (19.5%) unexpected isolates and isolates without epidemiological information to clusters, indicating a close epidemiological association, probably attributable to transmission Tid

14 Typiske hospitals associerede MRSA typer (MC5, MC45, MC22) har en højere andel af clustering end typiske CA-MRSA (MC8) og LA-MRSA (MC398).

15 Konklusioner: Alle hospitals transmissioner opdages ikke, og særligt ikke hvis spredningen sker på forskellige hospitaler. Data indsamling på få patienter er overskueligt, men I store udbrud på tværs af enheder, pga manglende ressourcer. Forekomsten af nosokomielle patogener på et hospital skal ikke bare ses som en single event det er kun toppen af isbjerget. Der er et stort og voksende reservoir af MRSA uden kendte risikofaktorer. Hvis search and destroy politiken skal forblive succesfuld, er man nødt til at identificere risikofaktorer for denne gruppe.

16

17

18 Motivare MicroOrganism motion Visualization and Analysis supporting REsistance prevention

19 MOTIVARE Data eksempel

20 MOTIVARE network picture showing the nodes that have the highest probability of 'testing positive' '

21 MOTIVARE 'Outbreak' perspective tools are provided to depict the units at risk from an affected unit perspective.

22 Visioner for Danmark Hvordan ser patientnetværket ud i DK? Danmark har fantastiske data LPR/MRSA registret/miba/eres osv. WGS data Next level infection control? Hub based outbreak control

23 Fremtidige forskningssamarbejder ESCMID observership i Groningen

24 Spørgsmål?