MedizinWissenschaftAssoziation von Klimafaktoren mit Wundinfektionsraten
Wissenschaft

MEDIZIN: Originalarbeit

Assoziation von Klimafaktoren mit Wundinfektionsraten

Daten aus 17 Jahren Krankenhaus-Infektions-Surveillance

The association of climatic factors with rates of surgical site infections—17 years‘ data from hospital infection surveillance

Dtsch Arztebl Int 2019; 116(31-32): 529-36; DOI: 10.3238/arztebl.2019.0529

Aghdassi, Seven Johannes Sam; Schwab, Frank; Hoffmann, Peter; Gastmeier, Petra

Als E-Mail versenden...
Auf facebook teilen...
Twittern...
Drucken...

Hintergrund: Postoperative Wundinfektionen (WI) gehören zu den häufigsten nosokomialen Infektionen. Ziel unserer explorativen Studie war festzustellen, wie ausgewählte Klimafaktoren mit WI-Raten assoziiert sind.

Methode: WI-Raten wurden für eingeschlossene Operationen des Krankenhaus-Surveillance-Infektions-Systems für postoperative Wundinfektionen (OP-KISS) der Jahre 2000 bis 2016 berechnet. Die Operationen wurden mit abteilungs- und patientenbezogenen Daten assoziiert. Zur Analyse der Assoziation von Klimafaktoren zu Wundinfektionsraten kamen Daten des Deutschen Wetterdiensts über Außentemperatur, Niederschlag sowie über weitere meteorologische Parameter zum Einsatz. Aufgrund einer hohen Korrelation zu anderen Klimaparametern erfolgten Analysen mit Fokus auf den Faktor Temperatur. Eine deskriptive Analyse wurde mittels Chi-Quadrat-Test durchgeführt. Mithilfe multivariabler Analyse wurden adjustierte Odds Ratios (AOR) für WI-Raten in Abhängigkeit von der Temperatur berechnet.

Ergebnisse: Bei insgesamt 2 004 793 eingeschlossenen Operationen wurden 32 118 WI dokumentiert. Bei Temperaturen ≥ 20 °C traten signifikant mehr WI auf als bei < 5 °C (AOR: 1,13; 95-%-Konfidenzintervall [1,06–1,20]). Dies zeigte sich bei grampositiven (AOR: 1,13 [1,03; 1,23]) und noch ausgeprägter bei gramnegativen (AOR: 1,20 [1,07; 1,35]) Erregern. Am deutlichsten war diese Assoziation bei oberflächlichen WI mit gramnegativen Erregern (AOR: 1,38 [1,16; 1,64]).

Schlussfolgerung: Es bestand eine Assoziation von Klimafaktoren zu WI-Raten. Der prognostizierte Anstieg weltweiter Temperaturen um bis zu 4 °C bis zum Ende des Jahrhunderts gegenüber vorindustriellen Bedingungen begünstigt möglicherweise das Auftreten von WI und ist bei zukünftigen Präventionsstrategien zu berücksichtigen.

LNSLNS

Postoperative Wundinfektionen (WI) gehören zu den häufigsten nosokomialen Infektionen (NI) an deutschen Krankenhäusern (1). Vergleichbare Studien aus anderen Staaten zeigen ähnliche Ergebnisse. Im Rahmen der europäischen Punktprävalenzerhebung zu NI und zur Antibiotikaanwendung an Akutkrankenhäusern, an der sich 28 EU-Staaten sowie Serbien beteiligten, wurde ermittelt, dass WI einen Anteil von circa 18 % aller NI ausmachten (2).

Anhand von Extrapolationen vorangegangener Punktprävalenzuntersuchungen zu NI konnte geschätzt werden, dass etwa 800 000 WI jährlich in der EU auftreten. Damit gehört die WI zur NI mit der höchsten Krankheitslast, gemessen an den jährlich auftretenden Fällen (3). Hinsichtlich des Anteils vermeidbarer NI und vermeidbarer WI gibt es lediglich Schätzungen, die teilweise erheblich differieren. In den meisten Fällen wird der Anteil auf 30–50 % geschätzt (48).

Grundlage der Prävention von WI ist die Identifikation von Faktoren, die das Auftreten von Wundkomplikationen bis hin zur WI begünstigen. Neben bekannten patientenbedingten Risikofaktoren, wie männliches Geschlecht, Übergewicht, Diabetes mellitus und hohes Alter, sowie operationsbedingten Risikofaktoren, wie Implantation von Fremdmaterial, hohe Wundkontamination und Hypothermie, werden in den letzten Jahren zunehmend sogenannte „andere“ Risikofaktoren fokussiert (9). Verschiedene Studien konnten dabei insbesondere einen Einfluss von Jahreszeit und Außentemperatur auf das Auftreten von WI zeigen. Grundsätzlich sind dabei höhere Temperaturen beziehungsweise wärmere Witterung mit einem vermehrten Auftreten von WI assoziiert (1013). Vor allem ist dies für endoprothetische Eingriffe beschrieben. Neben WI werden auch andere NI durch höhere Temperaturen begünstigt. Für Blutstrominfektionen beispielsweise ist dies bereits in mehreren Studien demonstriert worden (1416).

In Anbetracht des weltweit beobachteten Temperaturanstiegs der zurückliegenden Jahrzehnte und der Zukunftsprognosen von Klimaforschern (17) wird dieser Umstand aus infektionspräventiver Sicht noch bedeutsamer. Als wahrscheinliches Szenario, sofern keine wesentlichen Änderungen hinsichtlich Klimaschutz umgesetzt werden, gilt dabei ein Anstieg der mittleren Temperatur in Deutschland um 4 °C bis zum Ende des Jahrhunderts (2071–2100 gegenüber 1971–2000). Damit verbunden wäre eine Verdreifachung oder sogar Vervierfachung von Tagen mit einer Maximaltemperatur > 30 °C (18).

Die für uns gewohnten jahreszeitlichen Witterungsschwankungen werden maßgeblich von stabilen klimatischen Rahmenbedingungen bestimmt, zum Beispiel von der Zusammensetzung der Atmosphäre. Wenn sich der natürliche Treibhauseffekt durch zusätzliche Emissionen von beispielsweise Kohlendioxid bei der Verbrennung fossiler Energieträger verstärkt, werden die unteren Atmosphärenschichten allmählich wärmer. Gegenüber vorindustriellen Bedingungen hat sich die beobachtete globale Durchschnittstemperatur bis heute um circa 1,1 °C erhöht (19). Dabei entfällt der Großteil der Erwärmung auf die letzten Jahrzehnte.

Die Folgen sind eine weltweite Zunahme von Temperatur- und Niederschlagsrekorden (20, 21). Extreme Witterungsepisoden der Gegenwart würden zukünftig deutlich häufiger auftreten oder sogar zur Normalität werden. Die klimatischen Bedingungen in Deutschland entsprächen dann in etwa den heutigen Gegebenheiten in Regionen entlang der nördlichen Mittelmeerküste beziehungsweise in Südosteuropa. Auch längere Trockenphasen und intensivere Regenfälle wirken sich auf viele Bereiche unseres gewohnten täglichen Lebens aus.

Weniger untersucht sind bislang die Auswirkungen des Klimawandels auf die menschliche Gesundheit. Ziel unserer Analysen war es daher festzustellen, inwieweit eine Assoziation zwischen ausgewählten Klimafaktoren und WI-Raten besteht, sowie, ob sich für bestimmte Erregergruppen beziehungsweise Infiltrationstiefen von WI Unterschiede feststellen lassen.

Methode

Die Datengrundlage unserer Analysen besteht zum einen aus den Datenbankinformationen über Operationen und WI von Abteilungen, die am Modul „OP-KISS“ des Krankenhaus-Infektions-Surveillance-Systems (KISS) teilnehmen. Zum anderen setzt sie sich aus meteorologischen Stationsbeobachtungen des Deutschen Wetterdienstes (DWD) zusammen. Im Rahmen von OP-KISS werden WI nach ausgewählten Indikatoroperationen mit der einheitlichen Methodik des KISS erfasst. WI werden nach Infiltrationstiefe eingeteilt in:

  • oberflächliche WI (A1),
  • tiefe WI (A2)
  • Infektionen mit Beteiligung von Organen/Körperhöhlen (A3).

Im Zeitraum von 2000 bis 2016 galt, dass WI nach Operationen ohne Implantat, das heißt nichtmenschlicher Fremdkörper, bis zum 30. postoperativen Tag und nach Operationen mit Einbringung eines Implantats bis zum 365. postoperativen Tag erfasst werden konnten. Pro WI war es möglich, bis zu vier verschiedene Erreger zu dokumentieren. Die Methoden des KISS sowie der Erfassung von WI wurden bereits in anderen Publikationen ausführlich beschrieben (22, 23).

Im Rahmen einer explorativen Studie berechneten wir WI-Raten für eingeschlossene Operationen der Jahre 2000 bis 2016 als Anzahl WI pro 1 000 Operationen. Die Operationen wurden mit bestimmten abteilungs- und patientenbezogenen Parametern assoziiert. Um die Assoziation von Klimafaktoren zu WI-Raten zu analysieren, nutzten wir meteorologische Messdaten der Messstationen des DWD. Im ersten Verarbeitungsschritt wurden die Tageswerte an den Messpunkten auf ein reguläres 12 × 12 km Raster interpoliert (24). Im Anschluss daran wurden die täglichen Rasterdaten zu monatlichen Klimaparametern aggregiert und den Postleitzahlenkoordinaten (Mittelpunkte) aus OP-KISS zugeordnet.

Die Berechnung von Spearman-Korrelationskoeffizienten zeigte einen mittleren bis starken Zusammenhang zwischen der Temperatur und den Variablen relative Luftfeuchtigkeit, Dampfdruck, Sonnenstunden sowie Anzahl der Hitze- und Eistage (eTabelle 1). Aus diesem Grund fokussierten wir bei den Analysen hinsichtlich WI-Raten auf den Parameter Temperatur, das heißt die Außentemperatur.

Wundinfektionen und Wundinfektionsraten pro 1 000 Operationen nach Temperaturintervallen der Monatsmitteltemperatur im Operationsmonat
Wundinfektionen und Wundinfektionsraten pro 1 000 Operationen nach Temperaturintervallen der Monatsmitteltemperatur im Operationsmonat
Tabelle 1
Wundinfektionen und Wundinfektionsraten pro 1 000 Operationen nach Temperaturintervallen der Monatsmitteltemperatur im Operationsmonat
Messwertstreuung und Spearman-Korrelationskoeffizienten für eingeschlossene Klimafaktoren
Messwertstreuung und Spearman-Korrelationskoeffizienten für eingeschlossene Klimafaktoren
eTabelle 1
Messwertstreuung und Spearman-Korrelationskoeffizienten für eingeschlossene Klimafaktoren

In unseren Analysen stellen wir Resultate dar, die auf einer monatlichen Aggregation der Wetterdaten basieren. Hintergrund ist, dass keine genaue Aussage zum exakten Zeitpunkt des Auftretens einer WI möglich ist. Eine ebenfalls durchgeführte Analyse mit Bezug auf die Tagesmitteltemperatur am OP-Datum ergab analoge Ergebnisse.

Neben der deskriptiven Beschreibung der WI-Raten führten wir eine univariable und multivariable logistische Regressionsanalyse durch, um die Assoziation zwischen dem Auftreten einer WI und der Temperatur und weiteren abteilungsspezifischen und patientenbezogenen Parametern zu untersuchen.

Alle Analysen wurden mit den Datenverarbeitungsprogrammen SPSS (IBM SPSS Statistics, Somer, NY, USA) und SAS (SAS Institute, Cary, NC, USA) durchgeführt. Eine detaillierte Beschreibung der Methodik ist im eMethodenteil dargelegt.

Das Infektionsschutzgesetz reguliert im Paragrafen 23 die Prävention von und den Umgang mit Infektionskrankheiten beim Menschen. Dabei ist festgelegt, dass alle Krankenhäuser kontinuierlich Daten zu NI erheben müssen. Diese Daten können im Rahmen einer Teilnahme am KISS freiwillig dem Nationalen Referenzzentrum für Surveillance von nosokomialen Infektionen (NRZ) übermittelt werden. Sämtliche Daten wurden anonym und in Übereinstimmung mit den Leitlinien und Empfehlungen zur Sicherung von guter epidemiologischer Praxis dokumentiert und analysiert (25). Ein Ethikvotum oder eine informierte Einwilligung waren daher nicht erforderlich.

Ergebnisse

Insgesamt wurden 2 004 793 Operationen aus 1 455 Abteilungen, die sich in der Zeit von Januar 2000 bis einschließlich Dezember 2016 an OP-KISS beteiligt haben, eingeschlossen. eTabelle 2 fasst die strukturellen Charakteristika dieser Abteilungen zusammen. Bei allen erfassten Operationen wurden insgesamt 32 118 WI dokumentiert, dabei entfielen 13 811 auf eine A1 und 18 307 auf tiefere WI (A2/A3). Dies entspricht einer kruden WI-Rate von 16 pro 1 000 Operationen. Durch Stratifizierung der WI-Rate nach den oben definierten Temperaturbereichen wurde ermittelt, dass WI häufiger bei wärmeren Temperaturen im Operationsmonat auftraten. WI traten insbesondere häufiger nach Operationen auf, bei denen im Operationsmonat Temperaturen von durchschnittlich ≥ 20 °C vorlagen, als bei allen anderen Temperaturbereichen. Ein analoger Trend zeigte sich ebenfalls bei separater Analyse von oberflächlichen und tiefen WI (Tabelle 1). Bei 23 317 WI wurde mindestens ein Erreger angegeben. Bei 8 801 WI wurde kein Erreger dokumentiert. Besonders die Rate von WI mit Erregernachweis (sowohl grampositive als auch gramnegative Erreger) stieg bei höheren Temperaturen an. Das traf sowohl auf die Gruppe der oberflächlichen (A1) als auch auf die Gruppe der tieferen (A2/A3) WI zu. Dieser auf die jeweiligen Temperaturgruppen bezogene Anstieg war jedoch nicht linear, sondern unterlag Schwankungen (Tabelle 1).

Ergebnisse der multivariablen logistischen Regressionsanalyse für verschiedene Arten von postoperativen Wundinfektionen im Bezug zur Monatsmitteltemperatur
Ergebnisse der multivariablen logistischen Regressionsanalyse für verschiedene Arten von postoperativen Wundinfektionen im Bezug zur Monatsmitteltemperatur
Tabelle 2
Ergebnisse der multivariablen logistischen Regressionsanalyse für verschiedene Arten von postoperativen Wundinfektionen im Bezug zur Monatsmitteltemperatur
Strukturelle Charakteristika der eingeschlossenen operativen Abteilungen
Strukturelle Charakteristika der eingeschlossenen operativen Abteilungen
eTabelle 2
Strukturelle Charakteristika der eingeschlossenen operativen Abteilungen

Mittels multivariabler logistischer Regressionsanalyse berechneten wir adjustierte Odds Ratios (AOR) zum Auftreten von WI in Bezug zur Temperatur im Monat der Operation. Die Ergebnisse der zugrunde liegenden deskriptiven, univariablen sowie multivariablen Analysen sind in den eTabellen 3,4, 5 dargestellt. Die multivariable logistische Regressionsanalyse bestätigte das oben beschriebene Ergebnis, dass WI bei wärmeren Temperaturen häufiger auftraten. Bei Temperaturen ≥ 20 °C war die Wahrscheinlichkeit des Auftretens einer WI signifikant höher als bei Temperaturen < 5 °C (AOR: 1,13 [1,06–1,20]). Dies war insbesondere auf WI mit Erregernachweis zurückzuführen, jedoch zeigte sich, dass auch WI ohne Erregernachweis bei Temperaturen ≥ 20 °C im Operationsmonat häufiger vorkamen. Auf WI ohne Erregernachweis bezogen war dieser Unterschied jedoch nicht statistisch signifikant. Für WI mit Erregernachweis war ein Anstieg bei Temperaturen ≥ 20 °C im Operationsmonat sowohl bei grampositiven (AOR: 1,13 [1,03–1,23]) als auch – noch deutlicher ausgeprägt – bei gramnegativen (AOR: 1,20 [1,07–1,35]) Erregern zu registrieren. Stratifiziert nach WI-Tiefe war die Assoziation zur Temperatur am stärksten bei oberflächlichen WI mit gramnegativen Erregern ausgeprägt. So war das Auftreten von oberflächlichen WI mit gramnegativen Erregern bei Temperaturen im Operationsmonat von ≥ 20 °C bis zu 38 % (AOR: 1,38 [1,16; 1,64]) wahrscheinlicher als bei Temperaturen < 5 °C.

Betrachtet man die Temperatur nicht als kategoriale Variable, sondern als kontinuierliche Variable, zeigte sich nach Adjustierung für die in unserem Modell verwendeten Faktoren, dass die Wahrscheinlichkeit des Auftretens einer WI pro 1 °C Temperaturanstieg um rund 1 % zunahm. Diese Assoziation war ebenfalls deutlicher ausgeprägt bei A1 sowie bei WI mit gramnegativem Erreger. Pro 1 °C Temperaturerhöhung stieg die Wahrscheinlichkeit einer A1 mit gramnegativem Erreger um circa 2 % an.

Eine detaillierte Darstellung der multivariablen logistischen Regressionsanalyse findet sich in Tabelle 2 und Grafik 1 sowie hinsichtlich A1 in Grafik 2 und hinsichtlich A2/A3 in eGrafik 1.

Adjustierte Odds Ratios mit 95-%-KI der multivariablen logistischen Regressionsanalyse für WI nach unterschiedlichen Temperaturbereichen mit der Referenz < 5 °C
Adjustierte Odds Ratios mit 95-%-KI der multivariablen logistischen Regressionsanalyse für WI nach unterschiedlichen Temperaturbereichen mit der Referenz < 5 °C
Grafik 1
Adjustierte Odds Ratios mit 95-%-KI der multivariablen logistischen Regressionsanalyse für WI nach unterschiedlichen Temperaturbereichen mit der Referenz < 5 °C
Adjustierte Odds Ratios mit 95-%-KI der multivariablen logistischen Regressionsanalyse für oberflächliche Wundinfektionen nach unterschiedlichen Temperaturbereichen mit der Referenz < 5 °C.
Adjustierte Odds Ratios mit 95-%-KI der multivariablen logistischen Regressionsanalyse für oberflächliche Wundinfektionen nach unterschiedlichen Temperaturbereichen mit der Referenz < 5 °C.
Grafik 2
Adjustierte Odds Ratios mit 95-%-KI der multivariablen logistischen Regressionsanalyse für oberflächliche Wundinfektionen nach unterschiedlichen Temperaturbereichen mit der Referenz < 5 °C.
Adjustierte Odds Ratios mit 95-%-KI der multivariablen logistischen Regressionsanalyse für tiefe Wundinfektionen nach unterschiedlichen Temperaturbereichen mit der Referenz < 5 °C.
Adjustierte Odds Ratios mit 95-%-KI der multivariablen logistischen Regressionsanalyse für tiefe Wundinfektionen nach unterschiedlichen Temperaturbereichen mit der Referenz < 5 °C.
eGrafik 1
Adjustierte Odds Ratios mit 95-%-KI der multivariablen logistischen Regressionsanalyse für tiefe Wundinfektionen nach unterschiedlichen Temperaturbereichen mit der Referenz < 5 °C.
Boxplot: Zusammenhang zwischen der Temperatur und dem Kalendermonat. Die Grafik zeigt die Variabilität der Monatsmitteltemperatur innerhalb eines Monats an allen Beobachtungspunkten in dem Beobachtungszeitraum, stratifiziert nach dem Kalendermonat
Boxplot: Zusammenhang zwischen der Temperatur und dem Kalendermonat. Die Grafik zeigt die Variabilität der Monatsmitteltemperatur innerhalb eines Monats an allen Beobachtungspunkten in dem Beobachtungszeitraum, stratifiziert nach dem Kalendermonat
eGrafik 2
Boxplot: Zusammenhang zwischen der Temperatur und dem Kalendermonat. Die Grafik zeigt die Variabilität der Monatsmitteltemperatur innerhalb eines Monats an allen Beobachtungspunkten in dem Beobachtungszeitraum, stratifiziert nach dem Kalendermonat

Diskussion

Unsere Analysen demonstrieren, dass die Temperatur und andere Klimafaktoren im Operationsmonat eine relevante Assoziation zur Wahrscheinlichkeit haben, dass im postoperativen Verlauf eine WI auftritt. In der Bewertung, wie stark das WI-Risiko mit der Temperatur assoziiert ist, zeigten sich jedoch je nach Betrachtungsschwerpunkt und Perspektive Unterschiede.

Sowohl bei Betrachtung eines Temperaturanstiegs um je 1 °C als auch bei Unterteilung in verschiedene Temperaturintervalle konnte der generelle Trend beobachtet werden, dass das Risiko einer WI bei höherer Temperatur anstieg. Bei genauerer Betrachtung fiel auf, dass dieser Anstieg im Wesentlichen auf den Temperaturbereich ≥ 20 °C zurückzuführen war. Insbesondere für WI mit Erregernachweis erscheint es, als ob dieser Temperaturbereich eine Schwelle darstellt, ab welcher die WI-Rate sprunghaft ansteigt.

Interessanterweise scheint dies bei WI ohne Erregernachweis so nicht zuzutreffen. Hier war ein Temperaturanstieg von 1 °C zwar mit einem höheren AOR für WI verbunden, was eine grundsätzliche Assoziation der Temperatur zu WI ohne dokumentierten Erreger zeigte, es bestanden jedoch beim Vergleich von Temperaturen ≥ 20 °C zu Temperaturen < 5 °C keine signifikanten Unterschiede.

Hinsichtlich WI mit Erregernachweis unterschieden wir grampositive von gramnegativen Erregern. Unabhängig von der Tiefe der WI konnten wir zeigen, dass sich das Risiko einer WI besonders mit gramnegativen Erregern bei Temperaturanstieg erhöhte. Zu unserer Überraschung war der Anstieg von WI mit gramnegativen Erregern nicht nur auf tiefe WI nach beispielsweise abdominalchirurgischen Eingriffen beschränkt, sondern zeigte sich am deutlichsten bei oberflächlichen WI. Möglicherweise ist dies dadurch bedingt, dass oberflächliche Gewebeschichten stärker von Schwankungen der Außentemperatur beeinflusst werden.

Grampositive Erreger stellen die häufigsten Erreger von WI dar (26, 27). Das trifft ebenfalls auf oberflächliche WI zu. Entsprechend zeigten bisherige Studien insbesondere einen Anstieg von WI mit grampositiven Erregern in den Sommermonaten (28, 29). Dass die temperaturassoziierte Zunahme von WI bei gramnegativen Erregern unseren Daten nach noch stärker ausgeprägt war als bei grampositiven Erregern, ist unserer Kenntnis nach ein neues Ergebnis, das in dieser Art noch nicht in vergleichbaren Untersuchungen demonstriert werden konnte.

Die meisten WI werden durch Erreger, die zu der physiologischen Flora des Patienten gehören, verursacht. Das menschliche Mikrobiom unterliegt saisonalen Schwankungen (30). Sie sind jedoch zum aktuellen Zeitpunkt nicht ausreichend untersucht, um Unterschiede hinsichtlich des Risikos von WI mit bestimmten Erregergruppen damit zu begründen. Möglicherweise begünstigen wärmere Temperaturen die Ausbreitung von gramnegativen Erregern stärker als dies bei grampositiven Erregern der Fall ist. Eine weitere denkbare Ursache wäre die höhere Widerstandsfähigkeit der Zellwand gramnegativer Erreger gegenüber Temperaturextremen (31), die diesen Erregern dadurch möglicherweise einen Selektionsvorteil verschafft. Diese Interpretationen erscheinen insbesondere im Hinblick darauf gerechtfertigt, dass im intensivmedizinischen Bereich mit Fokus auf Blutstrominfektionen vergleichbare Phänomene wie in unserer Analyse gezeigt werden konnten (14).

Perencevich et al. (2008) konnten mittels einer acht Jahre umfassenden Zeitserienanalyse einen signifikanten Anstieg von Infektionen mit gramnegativen Erregern in den Sommermonaten demonstrieren (32). Die Autoren schlussfolgerten, dass diese Assoziation bei bestimmten Pathogenen vor allem vom Faktor Temperatur abhing. Die Ergebnisse unserer Analysen bestätigten die Beobachtungen im Hinblick auf die saisonalen Schwankungen von Infektionen mit gramnegativen Erregern, die Perencevich et al. (2008) schon vor über zehn Jahren dokumentiert haben.

Da ein weiterer Anstieg der Temperaturen in Deutschland im Laufe dieses Jahrhunderts sehr wahrscheinlich ist, wird mit einem höheren Anteil von Tagen und Monaten mit Durchschnittstemperaturen ≥ 20 °C beziehungsweise sogenannten Hitzetagen (Temperaturmaximum > 30 °C) zu rechnen sein (18). Die beschriebenen temperaturassoziierten Schwankungen von Infektionsraten könnten sich dann in Zukunft noch stärker ausprägen.

Unsere Studie hat Stärken und Limitationen, die bei der Interpretation der Daten berücksichtigt werden müssen. Die wesentliche Stärke lag insbesondere in der großen Zahl eingeschlossener Operationen, die sich aus Daten von über 1 400 Abteilungen, die sich im untersuchten Zeitraum an OP-KISS beteiligt haben, zusammensetzten. Neben dem langen Beobachtungszeitraum von 17 Jahren reduzierte dies den Einfluss von Zufallseffekten. Durch die Adjustierung nach bestimmten Risikofaktoren sowie durch die genaue Assoziation der Klimadaten mit den Operationsdaten über die Postleitzahl konnten aussagekräftige Ergebnisse generiert werden. Aufgrund der hohen Zahl von OP-KISS-Teilnehmern, die sich auf das gesamte Bundesgebiet Deutschlands verteilen, sind Extrapolationen unserer Daten auf die gesamtdeutsche Situation mit Einschränkungen möglich.

Die Limitationen unserer Studie waren insbesondere durch die Methodik von KISS im Allgemeinen sowie von OP-KISS im Speziellen bedingt. Sämtliche Daten wurden durch die an KISS teilnehmenden Einrichtungen freiwillig an das NRZ übermittelt. Dabei muss die Heterogenität der Erfassungsteams, die sich in Sensitivität und Spezifität bei der Erfassung von WI unterscheiden, beachtet werden. Im Rahmen von OP-KISS findet eine patientenbezogene Surveillance statt. Sie soll auch nach der Entlassung des Patienten aus der stationären Betreuung fortgesetzt werden. Diese über die Entlassung fortgesetzte Beobachtung des Patienten hinsichtlich des Auftretens einer WI (sogenannte „Post-Discharge-Surveillance“) wird jedoch von den teilnehmenden Abteilungen sehr unterschiedlich umgesetzt. Hierbei existieren unserer Kenntnis nach allerdings keine saisonalen Unterschiede, die die Aussagekraft unserer Ergebnisse reduzieren würden.

Des Weiteren muss einschränkend erwähnt werden, dass uns keine Daten zur Ausstattung der teilnehmenden Krankenhäuser mit Klimaanlagen vorliegen. Sämtliche Temperaturdaten beziehen sich auf die im Operationsmonat vorherrschende Außentemperatur. Diese kann mitunter deutlich von der Temperatur innerhalb des Krankenhauses abweichen.

Resümee

Es lässt sich festhalten, dass höhere Monatsmitteltemperaturen insbesondere im Bereich ≥ 20 °C mit einem vermehrten Auftreten von WI assoziiert sind. Unsere Analysen zeigten vor allem eine Assoziation zwischen Temperatur und oberflächlichen WI mit gramnegativen Erregern. Bestandteil zukünftiger Analysen sollte es sein, festzustellen, bei welchen Erregerspezies und welchen Operationsarten diese Assoziation besonders ausgeprägt ist.

Präventionsstrategien, die auf diesen Daten basieren, könnten beispielsweise darin bestehen, bestimmte elektive Operationen in kühleren Monaten durchzuführen beziehungsweise antimikrobielle Prophylaxen und präoperative Dekolonisationsmaßnahmen an saisonale Erregerschwankungen anzupassen. Dabei sollte der prognostizierte Temperaturanstieg durch den Klimawandel mitberücksichtigt werden.

Förderung

Das Projekt „Climate and pathogens – Impact of decolonization“ (CLIP-ID) des Instituts für Hygiene und Umweltmedizin der Charité-Universitätsmedizin Berlin wurde durch das Bundesministerium für Bildung und Forschung im Rahmen von InfectControl 2020 unterstützt.

Interessenkonflikt

Die Autoren erklären, dass kein Interessenkonflikt besteht.

Manuskriptdaten
eingereicht: 18. 2. 2019, revidierte Fassung angenommen: 16. 5. 2019

Anschrift für die Verfasser
Dr. med. Seven Johannes Sam Aghdassi
Charité-Universitätsmedizin Berlin
Institut für Hygiene und Umweltmedizin
Hindenburgdamm 27
12203 Berlin
seven-johannes-sam.aghdassi@charite.de

Zitierweise
Aghdassi SJS, Schwab F, Hoffmann P, Gastmeier P: The association of climatic factors with rates of surgical site infections—17 years‘ data from hospital infection surveillance. Dtsch Arztebl Int 2019; 116: 529–36. DOI: 10.3238/arztebl.2019.0529

►Die englische Version des Artikels ist online abrufbar unter:
www.aerzteblatt-international.de

Zusatzmaterial
Mit „e“ gekennzeichnete Literatur:
www.aerzteblatt.de/lit3119 oder über QR-Code

eMethodenteil, eTabellen, eGrafiken:
www.aerzteblatt.de/19m0529 oder über QR-Code

1.
Behnke M, Aghdassi SJ, Hansen S, Peña Diaz LA, Gastmeier P, Piening B: The prevalence of nosocomial infection and antibiotic use in German hospitals. Dtsch Arztebl Int 2017; 114: 851–7 VOLLTEXT
2.
Suetens C, Latour K, Karki T, et al.: Prevalence of healthcare-associated infections, estimated incidence and composite antimicrobial resistance index in acute care hospitals and long-term care facilities: results from two European point prevalence surveys, 2016 to 2017. Euro Surveill 2018; 23: pii=1800516 CrossRef
3.
Cassini A, Plachouras D, Eckmanns T, et al.: Burden of six healthcare-associated infections on European population health: estimating incidence-based disability-adjusted life years through a population prevalence-based modelling study. PLoS Med 2016; 13: e1002150 CrossRef MEDLINE PubMed Central
4.
van der Slegt J, van der Laan L, Veen EJ, Hendriks Y, Romme J, Kluytmans J: Implementation of a bundle of care to reduce surgical site infections in patients undergoing vascular surgery. PLoS One 2013; 8: e71566 CrossRef MEDLINE PubMed Central
5.
Crolla RM, van der Laan L, Veen EJ, Hendriks Y, van Schendel C, Kluytmans J: Reduction of surgical site infections after implementation of a bundle of care. PLoS One 2012; 7: e44599 CrossRef MEDLINE PubMed Central
6.
Zywot A, Lau CSM, Stephen Fletcher H, Paul S: Bundles prevent surgical site infections after colorectal surgery: meta-analysis and systematic review. J Gastrointest Surg 2017; 21: 1915–30 CrossRef MEDLINE
7.
Ma N, Cameron A, Tivey D, Grae N, Roberts S, Morris A: Systematic review of a patient care bundle in reducing staphylococcal infections in cardiac and orthopaedic surgery. ANZ J Surg 2017; 87: 239–46 CrossRef MEDLINE
8.
Schreiber PW, Sax H, Wolfensberger A, Clack L, Kuster SP, Swissnoso: The preventable proportion of healthcare-associated infections 2005–2016: systematic review and meta-analysis. Infect Control Hosp Epidemiol 2018; 39: 1277–95 CrossRef MEDLINE
9.
Aghdassi SJS, Gastmeier P: Novel approaches to surgical site infections: what recommendations can be made? Expert Rev Anti Infect Ther 2017; 15: 1113–21 CrossRef MEDLINE
10.
Manian FA, Meyer L: Surgical-site infection rates in patients who undergo elective surgery on the same day as their hospital admission. Infect Control Hosp Epidemiol 1998; 19: 17–22 CrossRef MEDLINE
11.
Durkin MJ, Dicks KV, Baker AW, et al.: Seasonal variation of common surgical site infections: does season matter? Infect Control Hosp Epidemiol 2015; 36: 1011–6 CrossRef MEDLINE PubMed Central
12.
Reinisch A, Heil J, Woeste G, Bechstein W, Liese J: The meteorological influence on seasonal alterations in the course of acute appendicitis. J Surg Res 2017; 217: 137–43 CrossRef MEDLINE
13.
Anthony CA, Peterson RA, Sewell DK, et al.: The seasonal variability of surgical site infections in knee and hip arthroplasty. J Arthroplasty 2018; 33: 510–4 e1 CrossRef MEDLINE PubMed Central
14.
Schwab F, Gastmeier P, Meyer E: The warmer the weather, the more gram-negative bacteria—impact of temperature on clinical isolates in intensive care units. PLoS One 2014; 9: e91105 CrossRef MEDLINEPubMed Central
15.
Fisman D, Patrozou E, Carmeli Y, et al.: Geographical variability in the likelihood of bloodstream infections due to gram-negative bacteria: correlation with proximity to the equator and health care expenditure. PLoS One 2014; 9: e114548 PubMed Central MEDLINE PubMed Central
16.
Eber MR, Shardell M, Schweizer ML, Laxminarayan R, Perencevich EN: Seasonal and temperature-associated increases in gram-negative bacterial bloodstream infections among hospitalized patients. PLoS One 2011; 6: e25298 CrossRef MEDLINE PubMed Central
17.
Brown PT, Caldeira K: Greater future global warming inferred from Earth‘s recent energy budget. Nature 2017; 552: 45–50 CrossRef MEDLINE
18.
Hoffmann P, Spekat A: Warum sollten wir eine globale Erwärmung von mehr als 2 Grad vermeiden? In: Lozán JL, Breckle SW, Graßl H, Kasang D, Weisse R (eds.): Warnsignal Klima: Extremereignisse: Wissenschaftliche Fakten. Hamburg: Wissenschaftliche Auswertungen 2018; 345–50.
19.
World Meteorological Organization: WMO Statement on the State of the Global Climate in 2018. www.library.wmo.int/doc_num.php?explnum_id=5789 (last accessed on 3 May 2019).
20.
Coumou D, Robinson A, Rahmstorf S: Global increase in record-breaking monthly-mean temperatures. Climatic Change 2013; 118: 771–82 CrossRef
21.
Lehmann J, Coumou D, Frieler K: Increased record-breaking precipitation events under global warming. Climatic Change 2015; 132: 501–15 CrossRef
22.
Brandt C, Hansen S, Sohr D, Daschner F, Ruden H, Gastmeier P: Finding a method for optimizing risk adjustment when comparing surgical-site infection rates. Infect Control Hosp Epidemiol 2004; 25: 313–8 CrossRefMEDLINE
23.
Brandt C, Sohr D, Behnke M, Daschner F, Ruden H, Gastmeier P: Reduction of surgical site infection rates associated with active surveillance. Infect Control Hosp Epidemiol 2006; 27: 1347–51 CrossRef MEDLINE
24.
Menz C: Dokumentation des Interpolationsverfahrens. www.swift.dkrz.de/v1/dkrz_a88e3fa5289d4987b4d3b1530c9feb13/ReKliEs-De/Sup
plement/Info/Interpolationsverfahren_PIK.pdf (last accessed on 3 May 2019).
25.
Deutsche Gesellschaft für Epidemiologie (DGEpi): Leitlinien und Empfehlungen zur Sicherung von guter epidemiologischer Praxis (GEP) Langversion. www.dgepi.de/assets/Leitlinien-und-Empfehlungen/66777155c7/Leitlinien_fuer_Gute_
Epidemiologische_Praxis_GEP_vom_September_2018.pdf (last accessed on 3 May 2019).
26.
National Nosocomial Infections Surveillance S: National Nosocomial Infections Surveillance (NNIS) system report, data summary from January 1992 through June 2004, issued October 2004. Am J Infect Control 2004; 32: 470–85 CrossRef
27.
Weigelt JA, Lipsky BA, Tabak YP, Derby KG, Kim M, Gupta V: Surgical site infections: causative pathogens and associated outcomes. Am J Infect Control 2010; 38: 112–20 CrossRef MEDLINE
28.
Leekha S, Diekema DJ, Perencevich EN: Seasonality of staphylococcal infections. Clin Microbiol Infect 2012; 18: 927–33 CrossRefMEDLINE
29.
Durkin MJ, Dicks KV, Baker AW, et al.: Postoperative infection in spine surgery:
does the month matter? J Neurosurg Spine 2015; 23: 128–34.
30.
Smits SA, Leach J, Sonnenburg ED, et al.: Seasonal cycling in the gut microbiome of the Hadza hunter-gatherers of Tanzania. Science 2017; 357: 802–6 CrossRef MEDLINE PubMed Central
31.
Beveridge TJ: Structures of gram-negative cell walls and their derived membrane vesicles. J Bacteriol 1999; 181: 4725–33.
32.
Perencevich EN, McGregor JC, Shardell M, et al.: Summer peaks in the incidences of gram-negative bacterial infection among hospitalized patients. Infect Control Hosp Epidemiol 2008; 29: 1124–31 CrossRef MEDLINE
Charité – Universitätsmedizin Berlin, corporate member of Freie Universität Berlin, Humboldt-Universität zu Berlin, and Berlin Institute of Health, Institut für Hygiene und Umweltmedizin, Berlin: Dr. med. Seven Johannes Sam Aghdassi, Dr. rer. medic. Frank Schwab, Prof. Dr. med. Petra Gastmeier
Nationales Referenzzentrum für Surveillance von nosokomialen Infektionen, Berlin:
Dr. med. Seven Johannes Sam Aghdassi, Dr. rer. medic. Frank Schwab,
Prof. Dr. med. Petra Gastmeier
Potsdam Institut für Klimafolgenforschung, Potsdam: Dr. rer. nat. Peter Hoffmann
Adjustierte Odds Ratios mit 95-%-KI der multivariablen logistischen Regressionsanalyse für WI nach unterschiedlichen Temperaturbereichen mit der Referenz < 5 °C
Adjustierte Odds Ratios mit 95-%-KI der multivariablen logistischen Regressionsanalyse für WI nach unterschiedlichen Temperaturbereichen mit der Referenz < 5 °C
Grafik 1
Adjustierte Odds Ratios mit 95-%-KI der multivariablen logistischen Regressionsanalyse für WI nach unterschiedlichen Temperaturbereichen mit der Referenz < 5 °C
Adjustierte Odds Ratios mit 95-%-KI der multivariablen logistischen Regressionsanalyse für oberflächliche Wundinfektionen nach unterschiedlichen Temperaturbereichen mit der Referenz < 5 °C.
Adjustierte Odds Ratios mit 95-%-KI der multivariablen logistischen Regressionsanalyse für oberflächliche Wundinfektionen nach unterschiedlichen Temperaturbereichen mit der Referenz < 5 °C.
Grafik 2
Adjustierte Odds Ratios mit 95-%-KI der multivariablen logistischen Regressionsanalyse für oberflächliche Wundinfektionen nach unterschiedlichen Temperaturbereichen mit der Referenz < 5 °C.
Wundinfektionen und Wundinfektionsraten pro 1 000 Operationen nach Temperaturintervallen der Monatsmitteltemperatur im Operationsmonat
Wundinfektionen und Wundinfektionsraten pro 1 000 Operationen nach Temperaturintervallen der Monatsmitteltemperatur im Operationsmonat
Tabelle 1
Wundinfektionen und Wundinfektionsraten pro 1 000 Operationen nach Temperaturintervallen der Monatsmitteltemperatur im Operationsmonat
Ergebnisse der multivariablen logistischen Regressionsanalyse für verschiedene Arten von postoperativen Wundinfektionen im Bezug zur Monatsmitteltemperatur
Ergebnisse der multivariablen logistischen Regressionsanalyse für verschiedene Arten von postoperativen Wundinfektionen im Bezug zur Monatsmitteltemperatur
Tabelle 2
Ergebnisse der multivariablen logistischen Regressionsanalyse für verschiedene Arten von postoperativen Wundinfektionen im Bezug zur Monatsmitteltemperatur
Adjustierte Odds Ratios mit 95-%-KI der multivariablen logistischen Regressionsanalyse für tiefe Wundinfektionen nach unterschiedlichen Temperaturbereichen mit der Referenz < 5 °C.
Adjustierte Odds Ratios mit 95-%-KI der multivariablen logistischen Regressionsanalyse für tiefe Wundinfektionen nach unterschiedlichen Temperaturbereichen mit der Referenz < 5 °C.
eGrafik 1
Adjustierte Odds Ratios mit 95-%-KI der multivariablen logistischen Regressionsanalyse für tiefe Wundinfektionen nach unterschiedlichen Temperaturbereichen mit der Referenz < 5 °C.
Boxplot: Zusammenhang zwischen der Temperatur und dem Kalendermonat. Die Grafik zeigt die Variabilität der Monatsmitteltemperatur innerhalb eines Monats an allen Beobachtungspunkten in dem Beobachtungszeitraum, stratifiziert nach dem Kalendermonat
Boxplot: Zusammenhang zwischen der Temperatur und dem Kalendermonat. Die Grafik zeigt die Variabilität der Monatsmitteltemperatur innerhalb eines Monats an allen Beobachtungspunkten in dem Beobachtungszeitraum, stratifiziert nach dem Kalendermonat
eGrafik 2
Boxplot: Zusammenhang zwischen der Temperatur und dem Kalendermonat. Die Grafik zeigt die Variabilität der Monatsmitteltemperatur innerhalb eines Monats an allen Beobachtungspunkten in dem Beobachtungszeitraum, stratifiziert nach dem Kalendermonat
Messwertstreuung und Spearman-Korrelationskoeffizienten für eingeschlossene Klimafaktoren
Messwertstreuung und Spearman-Korrelationskoeffizienten für eingeschlossene Klimafaktoren
eTabelle 1
Messwertstreuung und Spearman-Korrelationskoeffizienten für eingeschlossene Klimafaktoren
Strukturelle Charakteristika der eingeschlossenen operativen Abteilungen
Strukturelle Charakteristika der eingeschlossenen operativen Abteilungen
eTabelle 2
Strukturelle Charakteristika der eingeschlossenen operativen Abteilungen
1.Behnke M, Aghdassi SJ, Hansen S, Peña Diaz LA, Gastmeier P, Piening B: The prevalence of nosocomial infection and antibiotic use in German hospitals. Dtsch Arztebl Int 2017; 114: 851–7 VOLLTEXT
2.Suetens C, Latour K, Karki T, et al.: Prevalence of healthcare-associated infections, estimated incidence and composite antimicrobial resistance index in acute care hospitals and long-term care facilities: results from two European point prevalence surveys, 2016 to 2017. Euro Surveill 2018; 23: pii=1800516 CrossRef
3.Cassini A, Plachouras D, Eckmanns T, et al.: Burden of six healthcare-associated infections on European population health: estimating incidence-based disability-adjusted life years through a population prevalence-based modelling study. PLoS Med 2016; 13: e1002150 CrossRef MEDLINE PubMed Central
4.van der Slegt J, van der Laan L, Veen EJ, Hendriks Y, Romme J, Kluytmans J: Implementation of a bundle of care to reduce surgical site infections in patients undergoing vascular surgery. PLoS One 2013; 8: e71566 CrossRef MEDLINE PubMed Central
5.Crolla RM, van der Laan L, Veen EJ, Hendriks Y, van Schendel C, Kluytmans J: Reduction of surgical site infections after implementation of a bundle of care. PLoS One 2012; 7: e44599 CrossRef MEDLINE PubMed Central
6.Zywot A, Lau CSM, Stephen Fletcher H, Paul S: Bundles prevent surgical site infections after colorectal surgery: meta-analysis and systematic review. J Gastrointest Surg 2017; 21: 1915–30 CrossRef MEDLINE
7.Ma N, Cameron A, Tivey D, Grae N, Roberts S, Morris A: Systematic review of a patient care bundle in reducing staphylococcal infections in cardiac and orthopaedic surgery. ANZ J Surg 2017; 87: 239–46 CrossRef MEDLINE
8.Schreiber PW, Sax H, Wolfensberger A, Clack L, Kuster SP, Swissnoso: The preventable proportion of healthcare-associated infections 2005–2016: systematic review and meta-analysis. Infect Control Hosp Epidemiol 2018; 39: 1277–95 CrossRef MEDLINE
9.Aghdassi SJS, Gastmeier P: Novel approaches to surgical site infections: what recommendations can be made? Expert Rev Anti Infect Ther 2017; 15: 1113–21 CrossRef MEDLINE
10.Manian FA, Meyer L: Surgical-site infection rates in patients who undergo elective surgery on the same day as their hospital admission. Infect Control Hosp Epidemiol 1998; 19: 17–22 CrossRef MEDLINE
11.Durkin MJ, Dicks KV, Baker AW, et al.: Seasonal variation of common surgical site infections: does season matter? Infect Control Hosp Epidemiol 2015; 36: 1011–6 CrossRef MEDLINE PubMed Central
12.Reinisch A, Heil J, Woeste G, Bechstein W, Liese J: The meteorological influence on seasonal alterations in the course of acute appendicitis. J Surg Res 2017; 217: 137–43 CrossRef MEDLINE
13.Anthony CA, Peterson RA, Sewell DK, et al.: The seasonal variability of surgical site infections in knee and hip arthroplasty. J Arthroplasty 2018; 33: 510–4 e1 CrossRef MEDLINE PubMed Central
14.Schwab F, Gastmeier P, Meyer E: The warmer the weather, the more gram-negative bacteria—impact of temperature on clinical isolates in intensive care units. PLoS One 2014; 9: e91105 CrossRef MEDLINEPubMed Central
15.Fisman D, Patrozou E, Carmeli Y, et al.: Geographical variability in the likelihood of bloodstream infections due to gram-negative bacteria: correlation with proximity to the equator and health care expenditure. PLoS One 2014; 9: e114548 PubMed Central MEDLINE PubMed Central
16.Eber MR, Shardell M, Schweizer ML, Laxminarayan R, Perencevich EN: Seasonal and temperature-associated increases in gram-negative bacterial bloodstream infections among hospitalized patients. PLoS One 2011; 6: e25298 CrossRef MEDLINE PubMed Central
17.Brown PT, Caldeira K: Greater future global warming inferred from Earth‘s recent energy budget. Nature 2017; 552: 45–50 CrossRef MEDLINE
18.Hoffmann P, Spekat A: Warum sollten wir eine globale Erwärmung von mehr als 2 Grad vermeiden? In: Lozán JL, Breckle SW, Graßl H, Kasang D, Weisse R (eds.): Warnsignal Klima: Extremereignisse: Wissenschaftliche Fakten. Hamburg: Wissenschaftliche Auswertungen 2018; 345–50.
19.World Meteorological Organization: WMO Statement on the State of the Global Climate in 2018. www.library.wmo.int/doc_num.php?explnum_id=5789 (last accessed on 3 May 2019).
20.Coumou D, Robinson A, Rahmstorf S: Global increase in record-breaking monthly-mean temperatures. Climatic Change 2013; 118: 771–82 CrossRef
21.Lehmann J, Coumou D, Frieler K: Increased record-breaking precipitation events under global warming. Climatic Change 2015; 132: 501–15 CrossRef
22.Brandt C, Hansen S, Sohr D, Daschner F, Ruden H, Gastmeier P: Finding a method for optimizing risk adjustment when comparing surgical-site infection rates. Infect Control Hosp Epidemiol 2004; 25: 313–8 CrossRefMEDLINE
23.Brandt C, Sohr D, Behnke M, Daschner F, Ruden H, Gastmeier P: Reduction of surgical site infection rates associated with active surveillance. Infect Control Hosp Epidemiol 2006; 27: 1347–51 CrossRef MEDLINE
24.Menz C: Dokumentation des Interpolationsverfahrens. www.swift.dkrz.de/v1/dkrz_a88e3fa5289d4987b4d3b1530c9feb13/ReKliEs-De/Sup
plement/Info/Interpolationsverfahren_PIK.pdf (last accessed on 3 May 2019).
25.Deutsche Gesellschaft für Epidemiologie (DGEpi): Leitlinien und Empfehlungen zur Sicherung von guter epidemiologischer Praxis (GEP) Langversion. www.dgepi.de/assets/Leitlinien-und-Empfehlungen/66777155c7/Leitlinien_fuer_Gute_
Epidemiologische_Praxis_GEP_vom_September_2018.pdf (last accessed on 3 May 2019).
26.National Nosocomial Infections Surveillance S: National Nosocomial Infections Surveillance (NNIS) system report, data summary from January 1992 through June 2004, issued October 2004. Am J Infect Control 2004; 32: 470–85 CrossRef
27.Weigelt JA, Lipsky BA, Tabak YP, Derby KG, Kim M, Gupta V: Surgical site infections: causative pathogens and associated outcomes. Am J Infect Control 2010; 38: 112–20 CrossRef MEDLINE
28.Leekha S, Diekema DJ, Perencevich EN: Seasonality of staphylococcal infections. Clin Microbiol Infect 2012; 18: 927–33 CrossRefMEDLINE
29.Durkin MJ, Dicks KV, Baker AW, et al.: Postoperative infection in spine surgery:
does the month matter? J Neurosurg Spine 2015; 23: 128–34.
30.Smits SA, Leach J, Sonnenburg ED, et al.: Seasonal cycling in the gut microbiome of the Hadza hunter-gatherers of Tanzania. Science 2017; 357: 802–6 CrossRef MEDLINE PubMed Central
31.Beveridge TJ: Structures of gram-negative cell walls and their derived membrane vesicles. J Bacteriol 1999; 181: 4725–33.
32.Perencevich EN, McGregor JC, Shardell M, et al.: Summer peaks in the incidences of gram-negative bacterial infection among hospitalized patients. Infect Control Hosp Epidemiol 2008; 29: 1124–31 CrossRef MEDLINE
CrossRef

Leserkommentare

E-Mail
Passwort

Registrieren

Um Artikel, Nachrichten oder Blogs kommentieren zu können, müssen Sie registriert sein. Sind sie bereits für den Newsletter oder den Stellenmarkt registriert, können Sie sich hier direkt anmelden.

Zum Artikel