使用Excel計算的標準化感染比（SIR）示例

SIR可用於根據其院內感染率（HAI）來比較醫院、病房和醫師。

何謂標準化感染比？

醫院有很多不同之處。有更多的機會治療病人與老人。病情較重的病人臨終前在醫院的加護病房或心臟科加護病房更有可能會醫院感染。醫學院附設醫院通常比起大部分的醫院更會治療病情較重的病人。不是所有的醫院都有同樣類型的加護病房。 例如，在傷燙傷病房或外傷科的病人獲得感染的風險更高。這些差異難以公平的作醫院間的比較。此〝風險校正〞的統計方法藉由校正風險因子與讓所有醫院更公平的衡量來做到標準化。風險校正為：

標準化感染比 (SIR) 是經過風險校正後比較一家醫院的感染率與平均對照組醫院所計算出來的比率。這是累計資料的監管工具﹝滯後指標﹞。對照組醫院的標準化感染比率為美國疾病管制局 (CDC)的所有美國醫院通報系統的年度全國醫療安全網的報告。

假設檢驗方法應用於任兩個比例的比較，記得所有的比較需做風險層別。 [ NNIS 風險指數 ]    因此，同樣的方法可以應用在SSI的內部比較﹝SIR﹞與設備運用。

研究指出當健康照護機構都了解自己的感染問題且落實具體的預防措施，某些醫院的感染會下降超過70%。降低醫院感染的HHS執行計畫中的美國全國5年的CLABSIs預防目標訂定SIR等於0.25。當SIRs可以隨時間監測，如果發生正向的流程與維持則達到真正成功的衡量。終極目標為醫院感染為0，所以仍需持續努力。

SIR如何計算

實際發生的報告件數﹝如：醫院所造成的感染﹞與對照組數據庫所導出的預測數字做比較。

標準化發病比率 = 觀察數 (O) ÷ 期望數 (E).

依照此方法，國家的SIR基準為1.0。然而，標準化比率只是點估計，且如果有明顯的統計上的意義則需要更多的資訊。信賴區間﹝95%﹞是用來確定如果有意義的差異或如果只是改變所帶來的差異。

直到2010年，此計算方式是基於NNIS風險指數，該指數由ASA分數、傷口等級與手術時間計算而來。從2012年開始，美國版使用邏輯式回歸分析風險因子：年齡﹝小於44歲﹞、ASA﹝3/4/5﹞、手術時間﹝大於100分鐘﹞、醫學院附設醫院﹝Y﹞，更多因子如BMI都加在手術傷口感染中。此半年計算一次，且等到每半年過後才可以開始計算。如果分母不夠﹝例如：中心靜脈導管使用天數﹞，須等到一整年才夠。任何缺失的紀錄被排除，但是也許人為減少分母可以抬高計算SIR。
統計分析﹝與EXCEL函數﹞的關鍵

SIR是間接的標準化計算。信賴區間是從卜瓦松分佈得來的。假設檢定﹝z-test﹞是用來計算P值，但是比較的數據需要常態分佈。樣本數必須大於30，且須確認最小格子大於1.0。當預測格子小於1.0，使用Fisher's精確檢驗﹝基於超幾何分佈﹞，雖然SIR在不符合最小的精算需求的情況下通常不計算。通報太少會有病人隱私的問題，所以結果有50個中心導管使用天數或更少，通報感染通常會等到足夠的使用天數。信賴區間的下限只有感染個數大於0才計算。

兩個標準化比率的比率﹝例如，今年的比率與去年比較，或比較兩位外科醫師﹞是兩個SIR值從風險層別數據計算﹝卜瓦松分佈﹞，但是信賴區間來自二項次分佈。

相關的 EXCEL 函數 [ Excel worksheet {sir_excel.xls} ]

  • 常態分佈： 機率 (p值)來自 z 值
    • p = 1-NORMSDIST(z)
  • 卜瓦松分佈：機率 (p值) 於觀察值 (Ox) 與 期望值 (Ex)
    • P = MIN[POISSON(Ox, Ex, TRUE), 1-POISSON(Ox-1, Ex, TRUE)]
  • 卜瓦松分佈：計數的信賴區間 (觀察值x) ( α = 0.95)
    • 下限 = CHIINV[(1+α)/2, 2*Ox]*0.5
    • 上限 = CHIINV[(1-α)/2, 2*Ox+2]*0.5
  • 二項次分佈：對照組的信賴區間 (x=樣本數, n=母群體 (分母), α = 0.05)
    • 方法 (a):
      下限 = x/[x+(n-x+1)*FINV(α/2, 2*(n-x+1), 2*x)]
      上限 = (x+1)*FINV(α/2, 2*(x+1), 2*(n-x))/[n-x+(x+1)*FINV(α/2, 2*(x+1), 2*(n-x))]
    • 方法 (b): 與 (a) 相同的結果
      下限 = 1-BETAINV(1-α/2, n-x+1, x)
      上限 = 1-BETAINV(α/2, n-x, x+1)
  • 二項次分佈：機率 (p) 的比率
    • x=樣本數 (分子), n=分母, p=α (eg 0.05 for 95% 信賴區間)：
      p = MIN[BINOMDIST(x, n, p, TRUE), 1-BINOMDIST(x-1, n, p, TRUE)]
    • 當比較兩個標準化比率： 機率 (p) 於觀察值 (Ox, Oy) 與期望值 (Ex, Ey)
      p = MIN[BINOMDIST(x, n, p, TRUE), 1-BINOMDIST(x-1, n, p, TRUE)]
      where x = Ox, n = Ox+Oy, p = Ey/(Ex+Ey)
  • Fisher 精確檢驗 (數值小用Excel ，否則用 EpiInfo 或其他統計軟體)。
    Sample {i, n} and NNIS {I, N} ⇒ i,I = number of SSI; n,N = denominators; x=loop counter.
    For x=0 To 9
        a = AND[x<=(i+I), x≤n]
        b = IF(a, HYPGEOMDIST[x, n, (i+I), (n+N)], "")
        c = HYPGEOMDIST[x, n, I, N]
        d = IF(b<c*1.00001, b, "")
    Next
    P = Σ(d)
使用 Excel 的 Culver [3] 的工作範例（表 1、表 3）

表1：Culver [3] 第2頁
待評估樣品的數據以藍色顯示（欄C和D）。
NNIS人口數據（在F欄和G欄中以紅色顯示）應從最新發佈的NHSN報告 [8] 中獲取
您應該使用 Excel 公式自己完成表 1，如E 欄和 H欄 以及儲存格 C7、D7 和 E7 中所示。

表 1.感染管制報告團隊 A
C，D，E欄：樣品; F、G、H欄：人口
i, I：SSI 感染； n,N：分母； r,R：HAI 率
表 1.感染管制報告團隊 A

表3：Culver [3] 第13頁
數據延續表1，為方便起見，在此網頁上隱藏了C欄到H欄。
欄 I 到 L 添加如下：
第I欄：P比例 ` P = (i+I)/(n+N) `
I2 = (C2+F2)/(D2+G2)
將此公式從 I2 向下複製到 I6。
第一列 => I2 = (3+103)/(80+5088) = 0.02051

欄J: ` J* = (1/n + 1/N) `
J2 = (1/D2+1/G2)
將此公式從 J2 向下複製到 J6。
第一列 => J2 = (1/80+1/5088) = 0.01270

感染管制報告（有 p 值）- 團隊A
感染管制報告（有 p 值）- 團隊A

比率 r 和 R 是我們希望比較的兩個比例。現在計算以下 z 統計量（公式 1，第 6 頁）。
欄K: `z = (|r-R| - 0.5 times (1/n+1/N))/sqrt(P times (1-P) times (1/n+1/N)) `

`K2 = (ABS(E2 - H2) - 0.5 times J2)/sqrt(I2 times (1-I2) times J2)`
將此公式從 K2 向下複製到 K6。

`K2 = (ABS(0.03750-0.02024) - 0.5 times 0.01270)/sqrt(0.02051 times (1-0.02051) times 0.01270)`

`K2 = (0.01726 - 0.00635)/sqrt(0.000255) = 0.68299`

L 欄顯示從 z 檢驗獲得的 p 值。對於每列p 值` = 1-NORMSDIST(z)`
`L2 = 1 - NORMSDIST(K2)`
將此公式從 L2 向下複製到 L6。
第一列 => `L2 = 1 - NORMDIST(0.68299) = 0.24731`

解釋

SIR等於1.0表示一家醫院做的與全國醫院的平均相同，SIR小於1.0代表優於預期，且SIR大於1.0代表比預期差。

  • 如果一家特定的醫院的95%信賴區間包括1.0﹝上限小於1.0，上限大於1.0﹞，實際的SIR值與全國平均沒有統計上的差異。
  • 如果信賴區間的範圍沒有包括1.0，則實際的SIR值與全國平均有統計上的差異。然而，低比率也許因為通報感染不夠，或不頻繁且/或使用天數短。

報告範例

程序 觀察值 比率 NHSN 期望值 觀察值/期望值 下限 上限 P值
524 13 2.481% 1.276% 6.687 1.94 1.035 3.324 0.0196
在調查時間內，有524個執行程序﹝手術數﹞與確認13個事件﹝SSI﹞，感染率為2.48%。根據NHSN的基準數據，6.687 SSI是可以預期的。這導致SIR等於1.94﹝13 / 6.687﹞代表在這個時間內，SSIs比預期的超出94%。P值﹝0.0196﹞與95%信賴區間﹝1.150~3.091﹞代表觀察到的SSI數明顯高於預測值。
實作範例 1: 與外部資料 NHSN比較

執行程序﹝手術數﹞： N = 524
SSI數： O = 13
感染比率： r = 13 ÷ 524 = 0.02481 (2.481%)
NHSN 參考比率： R = 74 ÷ 5,640 = 0.01276 (1.276%)
SSI期望值： E = (0.01276*524) = 6.687

SIR = O/E = 13 ÷ 6.687 = 1.944

SIR 的信賴區間
[a] 首先以卜瓦松分佈計算 95% 信賴區間 (O=13, α=0.95):
… 下限(OL) = CHIINV[(1+0.95)/2, 2*13]*0.5 = 6.922
… 上限(OU)= CHIINV[(1-0.95)/2, 2*13+2]*0.5 = 22.23

[b] 然後計算 SIR 的 95% 信賴區間：
… 下限= (OL/E) = (6.922/6.687) = 1.035
… 上限= (OU/E) = (22.23/6.687) = 3.324
⇒ SIR 的信賴區間： 1.944 (1.035~3.324)

P (O=13, E=6.687)
= MIN[ POISSON(13, 6.687,TRUE), 1-POISSON(13-1, 6.687,TRUE) ]
= 0.01963764 {P<0.05}

練習

計算 下列的SIR、p值與 95% 信賴區間

[a] SSIs 的觀察值為 (22) 期望值為 (13.6) … 表格 4. 感染控制報告 — A團隊 在文獻的第20頁 [Culver DH 3]

[b] 小兒白血病觀察值為64例 … 且計算 45.6 例為期望值 在文獻的第1315頁 [Morris MJ 2]

解答

[a]
SIR = O/E = 22/13.6 = 1.62
P = MIN[ POISSON(22, 13.6,TRUE), 1-POISSON(22-1, 13.3,TRUE) ] = 0.02195
OL = CHIINV[(1+0.95)/2, 2*22]*0.5 = 13.78728
OU = CHIINV[(1-0.95)/2, 2*22+2]*0.5 = 33.30826
95%CIL = OL / E = 13.78728 / 13.6 = 1.01377
95%CIU = OU / E = 33.30826 / 13.6 = 2.44914
結果： SIR ⇒ 1.62 (1.01~2.45) P=0.022

[b]
SIR = O/E = 64/45.6 = 1.4035
P = MIN[ POISSON(64, 45.6,TRUE), 1-POISSON(64-1, 45.6,TRUE) ] = 0.0058
OL = CHIINV[(1+0.95)/2, 2*64]*0.5 = 49.2878
OU = CHIINV[(1-0.95)/2, 2*64+2]*0.5 = 81.7266
95%CIL = OL / E = 49.2878 / 45.6 = 1.0809
95%CIU = OU / E = 81.7266 / 45.6 = 1.7922
結果： SIR ⇒ 1.40 (1.08~1.79) P=0.006

實作範例 2： 比較兩個外科醫師： SIRx 與 SIRy (兩個標準化比率)

兩個標準化比率的比率

運用文獻的第28頁中的範例 5 比較兩位整形外科醫師的 SIRs [Culver DH 3]

Dr O E
X 8 8.44
Y 8 2.60

SIRx = Ox / Ex = 8 / 8.44 = 0.95
SIRy = Oy / Ey = 8 / 2.60 = 3.08
SIRx ÷ SIRy = 0.95 / 3.08 = 0.308

運用 [Morris & Gardner 2] 的語法 (AL, AU, BL, BU) 與二項次分佈：
AL
= x/(x+(n-x+1)*FINV(α/2, 2*(n-x+1), 2*x))
= Ox/(Ox+([Ox+Oy]-Ox+1)*FINV(α/2, 2*([Ox+Oy]-Ox+1), 2*Ox))
= 8/(8+([8+8]-8+1)*FINV(0.05/2, 2*([8+8]-8+1), 2*8))
= 0.2465
BL
= AL/(1-AL)
= 0.2465/(1-0.2465)
= 0.32716

AU
= (x+1)*FINV(α/2, 2*(x+1), 2*(n-x))/(n-x+(x+1)*FINV(α/2, 2*(x+1), 2*(n-x)))
= (Ox+1)*FINV(α/2, 2*(Ox+1), 2*([Ox+Oy]-Ox))/([Ox+Oy]-Ox+(Ox+1)*FINV(α/2, 2*(Ox+1), 2*([Ox+Oy]-Ox)))
= (8+1)*FINV(0.05/2, 2*(8+1), 2*([8+8]-8))/([8+8]-8+(8+1)*FINV(0.05/2, 2*(8+1), 2*([8+8]-8)))
= 0.7535
BU
= AU/(1-AU)
= 0.7535/(1-0.7535)
= 3.0566

兩個標準化比率的信賴區間
= BL*(Ey/Ex)
= 0.32716 * (2.60/8.44)
= 0.10078

= BU*(Ey/Ex)
= 3.0566 * (2.60/8.44)
= 0.94161

P (binomial)
= MIN(BINOMDIST(x, n, p, TRUE), 1-BINOMDIST(x-1, n, p, TRUE)) P (binomial)
= MIN(BINOMDIST(x, n, p, TRUE), 1-BINOMDIST(x-1, n, p, TRUE))
= MIN(BINOMDIST(Ox, [Ox+Oy], Ey/(Ex+Ey), TRUE), 1-BINOMDIST(Ox-1, [Ox+Oy], Ey/(Ex+Ey), TRUE))
= MIN(BINOMDIST(8, [8+8], 2.60/(8.44+2.60), TRUE), 1-BINOMDIST(8-1, [8+8], 2.60/(8.44+2.60), TRUE))
= 0.01910 (P<0.05)

結果：比較外科醫師 X 與外科醫師 Y
兩個SIR的比率： 0.308 (0.10~0.94), P=0.019

練習

計算下列的 SIR、p值與 95% 信賴區間

[a] 在文獻的第1315頁中 標準化比率的比率 段落 [Morris JA, Garnder MJ 2]
O1=64, E1=45.6, O2=25, E1=23.7

解答

SIR1 = O1 / E1 = 64 / 45.6 = 1.4035
SIR2 = O2 / E2 = 25 / 23.7 = 1.0549
SIR1 ÷ SIR2 = 1.4035 / 1.0549 = 1.3305

運用 [Morris & Gardner 2] 的語法 (AL, AU, BL, BU) 與二項次分佈：
AL
= x/(x+(n-x+1)*FINV(α/2, 2*(n-x+1), 2*x))
= Ox/(Ox+([Ox+Oy]-Ox+1)*FINV(α/2, 2*([Ox+Oy]-Ox+1), 2*Ox))
= 64/(64+([64+25]-64+1)*FINV(0.05/2, 2*([64+25]-64+1), 2*64))
= 0.6138
BL
= AL/(1-AL)
= 0.6138/(1-0.6138)
= 1.5896

AU
= (x+1)*FINV(α/2, 2*(x+1), 2*(n-x))/(n-x+(x+1)*FINV(α/2, 2*(x+1), 2*(n-x)))
= (Ox+1)*FINV(α/2, 2*(Ox+1), 2*([Ox+Oy]-Ox))/([Ox+Oy]-Ox+(Ox+1)*FINV(α/2, 2*(Ox+1), 2*([Ox+Oy]-Ox)))
= (64+1)*FINV(0.05/2, 2*(64+1), 2*([64+25]-64))/([64+25]-64+(64+1)*FINV(0.05/2, 2*(64+1), 2*([64+25]-64)))
= 0.8093
BU
= AU/(1-AU)
= 0.8093/(1-0.8093)
= 4.2429

兩個標準化比率的信賴區間
= BL*(Ey/Ex)
= 1.5896 * (23.7/45.6)
= 0.8262

= BU*(Ey/Ex)
= 4.2429 * (23.7/45.6)
= 2.2052

P (binomial)
= MIN(BINOMDIST(x, n, p, TRUE), 1-BINOMDIST(x-1, n, p, TRUE)) P (二項次)
= MIN(BINOMDIST(x, n, p, TRUE), 1-BINOMDIST(x-1, n, p, TRUE))
= MIN(BINOMDIST(Ox, [Ox+Oy], Ey/(Ex+Ey), TRUE), 1-BINOMDIST(Ox-1, [Ox+Oy], Ey/(Ex+Ey), TRUE))
= MIN(BINOMDIST(64, [64+25], 23.7/(45.6+23.7), TRUE), 1-BINOMDIST(64-1, [64+25], 23.7/(45.6+23.7), TRUE))
= 4.5408E-13

結果：兩個標準化比率的比率的 95% 信賴區間：
= 1.3305 (0.083~2.205), P<0.001

實作範例 3: 運用 NNIS 標準比較每項手術種類的風險

與 NNIS 標準比較執行程序的每個風險種類

參考文獻第2頁的表格1 [Culver DH 3]

示例3：表1
心臟手術資料
Code Risk i n r
CARD 0,1 3 80 3.75%
CARD 2,3 3 20 15.00%
CBGB 0 1 10 10.00%
CBGB 1 10 230 4.35%
CBGB 2,3 5 60 8.33%
CARD=心臟手術
CBGB=冠狀動脈搭橋術
i = 取得SSI的件數
n = 手術總件數
r = SSI感染率 = i/n

[1] 運用 NHSN 數據為參考的數據庫，讓每個風險種類為對照組的感染率
[ NNIS 風險指數 ]   

示例3：表2
NHSN出版物中的數據
編碼 風險 I N R
CARD 0,1 103 5,088 2.02%
CARD 2,3 63 1,191 5.29%
CBGB 0 13 819 1.59%
CBGB 1 1,010 32,065 3.15%
CBGB 2,3 446 7,745 5.76%
I = SSI 總件數
N = 手術總件數
R = SSI感染率 = I/N

[2] 比較每項風險種類的 SSI 比率
匯集比率 ("p帽"): p̂ = (i + I) / (n + N)
Yates 連續性校正 = 0.5 * (1/n + 1/N)

z = [ |r-R| - 0.5*(1/n+1/N) ] / SQRT[ p̂*(1-p̂)*(1/n+1/N) ]
P = 1-NORMSDIST(z)

舉例，第一列 (CARD-0,1)
z = [ |r-R| - 0.5*(1/n+1/N) ] / SQRT[ p̂*(1-p̂)*(1/n+1/N) ]
z = [ ABS(0.375-0.0202) - 0.5*(1/80+1/5088) ] / SQRT[ 0.020511*(1-0.020511)*(1/80+1/5088) ]
z = 0.682986 ⇒ P = 1-NORMSDIST(z)
P = 1-NORMSDIST(0.682986)
P = 0.247308

第二列 (CARD-2,3)
z = [ |r-R| - 0.5*(1/n+1/N) ] / SQRT[ p̂*(1-p̂)*(1/n+1/N) ]
z = [ ABS(0.15-0.052897) - 0.5*(1/20+1/1191) ] / SQRT[ 0.0545*(1-0.0545)*(1/20+1/1191) ]
z = 1.400513 ⇒ P = 1-NORMSDIST(z)
P = 1-NORMSDIST(1.400513)
P = 0.08068

CBGB-0
z = [ |r-R| - 0.5*(1/n+1/N) ] / SQRT[ p̂*(1-p̂)*(1/n+1/N) ]
z = [ ABS(0.1-0.015873) - 0.5*(1/10+1/819) ] / SQRT[ 0.01689*(1-0.01689)*(1/10+1/819) ]
z = 0.817589 ⇒ P = 1-NORMSDIST(z)
P = 1-NORMSDIST(0.817589)
P = 0.206796

CBGB-1
z = [ |r-R| - 0.5*(1/n+1/N) ] / SQRT[ p̂*(1-p̂)*(1/n+1/N) ]
z = [ ABS(0.043478-0.031499) - 0.5*(1/230+1/32065) ] / SQRT[ 0.031584*(1-0.031584)*(1/230+1/32065) ]
z = 0.845944 ⇒ P = 1-NORMSDIST(z)
P = 1-NORMSDIST(0.848944)
P = 0.198792

CBGB-2,3
z = [ |r-R| - 0.5*(1/n+1/N) ] / SQRT[ p̂*(1-p̂)*(1/n+1/N) ]
z = [ ABS(0.0833-0.057586) - 0.5*(1/60+1/7745) ] / SQRT[ 0.057783*(1-0.057783)*(1/60+1/7745) ]
z = 0.573746 ⇒ P = 1-NORMSDIST(z)
P = 1-NORMSDIST(0.573746)
P = 0.28307

示例3：表3
每個風險類別的P值
（根據z檢驗法線近似）
編碼 風險 r R P
CARD 0,1 3.75% 2.02% 0.247
CARD 2,3 15.00% 5.23% 0.081
CBGB 0 10.00% 1.59% 0.207
CBGB 1 4.35% 3.15% 0.199
CBGB 2,3 8.33% 5.76% 0.283

沒有 p值會小於 0.05，所以沒有 SSI 比率是 "顯著高於" NNIS 比率。

實作範例 4: 為不同風險種類手術作風險校正的測量

SIR 為不同風險種類手術作風險校正的測量。

接續範例 3 與 計算SSI的期望值 (E) 與每項風險種類的 SIR
標準化感染比率 (SIR) 是SSI的觀察值與期望值的比率。

示例4：表1
心臟手術資料
編碼 風險 i n R E SIR
CARD 0,1 3 80 2.02% 1.616 1.856
CARD 2,3 3 20 5.29% 1.058 2.836
CBGB 0 1 10 1.59% 0.159 6.289
CBGB 1 10 230 3.15% 7.245 1.380
CBGB 2,3 5 60 5.76% 3.456 1.447
總計   22     13.534 1.626
E = nR, SIR = i/E
SIR = Σi/ΣE = 22/13.534 = 1.626
實作範例 5:裝置使用的 SIR (CLABSI, CAUTI, VAP)

裝置使用比率為比值，分子與分母包括住院人日數。

示例5：表1
來自中心線使用的數據（CLABSI）
病房 醫院 NHSN
i n r I N R
ICU 170 100,000 1.7‰ 1,200 600,000 2.0‰
i, I: CLABSI的總件數
n, N: 中線天 (中線使用天數)
r, R: CLABSI發生率定義為每1000個中線天的CLABSI件數

CLABSI的期望值數： E = nR = (100,000)*(0.002) = 200

SIR(ICU) = i/E = 170/200 = 0.85
95%CI: LCL ~ UCL
     = [CHIINV((1+α)/2,2*i)*0.5]/E ~ [CHIINV((1-α)/2,2*i+2)*0.5]/E
     = [CHIINV((1+0.95)/2, 2*170)*0.5]/200 ~ [CHIINV((1-0.95)/2, 2*170+2)*0.5]/200
     = 0.727 ~ 0.988

P = MIN(POISSON(i, E, TRUE), 1-POISSON(i-1, E, TRUE))
     = MIN(POISSON(170, 200,TRUE), 1-POISSON(170-1, 200, TRUE))
     = 0.017

實作範例 6: SIR 為裝置使用的測量
示例6：表1
來自中心線使用的數據（CLABSI）
病房 醫院 NHSN
i n r I N R
ICU 170 100,000 1.7‰ 1,200 600,000 2.0‰
5913 58 58,000 1.0‰ 600 400,000 1.5‰
i, I: CLABSI的總件數
n, N: 中線天 (中線使用天數)
r, R: CLABSI發生率定義為每1000個中線天的CLABSI件數

CLABSI的期望值數： E = nR = (58,000)*(0.0015) = 87

SIR(5913) = i/E = 58/87 = 0.667
95%CI: LCL ~ UCL
     = [CHIINV((1+α)/2,2*i)*0.5]/E ~ [CHIINV((1-α)/2,2*i+2)*0.5]/E
     = [CHIINV((1+0.95)/2, 2*58)*0.5]/87 ~ [CHIINV((1-0.95)/2, 2*58+2)*0.5]/87
     = 0.506 ~ 0.862

P = MIN(POISSON(i, E, TRUE), 1-POISSON(i-1, E, TRUE))
     = MIN(POISSON(58, 87, TRUE), 1-POISSON(58-1, 87, TRUE))
     = 0.000616

SIR 為裝置使用的測量。

SIR(ICU+5913) = Σi/ΣE = (i1+i2)/(E1+E2)
     = (170+58)/(200+87) = 228/287 = 0.794
95%CI: LCL ~ UCL
     = [CHIINV((1+α)/2,2*(i1+i2))*0.5]/(E1+E2) ~ [CHIINV((1-α)/2,2*(i1+i2)+2)*0.5]/(E1+E2)
     = [CHIINV((1+0.95)/2, 2*228)*0.5]/287 ~ [CHIINV((1-0.95)/2, 2*228+2)*0.5]/287
     = 0.695 ~ 0.905

P = MIN(POISSON((i1+i2), (E1+E2), TRUE), 1-POISSON((i1+i2)-1, (E1+E2), TRUE))
     = MIN(POISSON(228, 287, TRUE), 1-POISSON(228-1, 287, TRUE))
     = 0.000178

關鍵文獻

  1. Duceck MA, Horan TC, Peterson KD et al. Am J Infect Control 2011; 39: 798~816.
    National Healthcare Safety Network (NHSN) Report, data summary for 2010, device-associated module.
    [www.cdc.gov/nhsn/.pdf]
  2. Morris JA, Gardner MJ. BMJ 1988; 296: 1313~6.
    Calculating confidence intervals for relative risks (odds ratios) and standardised ratios and rates
    [www.bmj.com/content/296/6632/1313]
  3. Culver DH. 1996-04
    Standardized infection ratio and rate/ratio comparisons
    [SIR_Culver199604.pdf
  4. Centers for Disease Control and Prevention.
    Epi Info: Free software for infection control practitioners (free software)
    [wwwn.cdc.gov/epiinfo/]
  5. The R Project for Statistical Computing.
    R statistical software (free software)
    [www.r-project.org/]
  6. Mangram AJ et al. 1996; 20(4):247-276.
    Guideline for prevention of surgical site infection, 1999
    [www.cdc.gov/hicpac/pdf/SSIguidelines.pdf]
  7. Institute for Healthcare Improvement 2008
    The 5 million lives campaign: how-to guide: reduce surgical complications
    [www.ihi.org/]
  8. National Center for Emerging and Zoonotic Infectious Diseases
    National and State Healthcare-Associated Infections Standardized Infection Ratio Report: Using Data Reported to the National Healthcare Safety Network
    [www.cdc.gov/pdfs/sir/…] 32pp January ~ December 2010