论文部分内容阅读
目的:基于真实世界临床研究方法,通过结合经典统计学和机器学习技术,精准确定危重症患者的最佳能量与蛋白质最佳摄入方案,以期降低能量与蛋白质摄入过低或过高造成的不良结局。方法:本研究纳入自2018年9月起,就诊于四川省人民医院急诊重症监护病房接受了肠外肠内营养支持的重症患者。采集上述危重患者入组时基本信息、病情评分、诊断、临床结局以及连续14天的生命体征、实验室检查、营养支持治疗方案等。分别对比生存队列与死亡队列患者能量与蛋白质摄入、诊疗情况等诸种变量,首先进行探索性的统计分析,寻找对于临床结局具有显著影响的因素;进而构建能够代表患者病情变化的数据集,采用插值法处理缺失数据,再基于机器学习方法进行模式识别建模,将危重患者每日的能量、蛋白质摄入量与可能影响到临床预后的各种因素作为该模型的变量,从而发现在不同病情条件(危重程度)下使得病死率最低的能量、蛋白质摄入量。本研究经过了四川省人民医院医学伦理委员会的审核,并且在中国临床试验注册中心进行临床试验注册(临床注册号:ChiCTR1900024746),本研究为观察性研究,不会干预患者诊疗方案,伦理委员会同意豁免知情同意。结果:本研究第一轮试验进行至2019年12月,共纳入105例患者,其中死亡队列(D组)n=44,存活队列(S组)n=61。两组患者男性比例相似,但存活队列患者比死亡队列患者年轻,更少的患者使用了呼吸机,并且死亡队列患者的营养风险及危重程度评分均显著高于生存队列患者。对于评分相对较高的患者,生存队列患者能量与蛋白质摄入量高于死亡队列患者。在机器学习数据库中,每一位患者都包含了 869项影响因素,于是得到了一个105*869的数据矩阵。在筛选出对患者预后影响最大的因素后得到了 105*77的数据矩阵,利用偏最小二乘法判别分析法进行分类,基于第一主成分载荷图的权重建立了影响患者预后的模型:PC1=脉压D13*0.244+血白蛋白D8*0.171+血白蛋白D2*0.146+血白蛋白D14*0.049+摄入能量D11*0.147+摄入能量D8*0.073+摄入能量D10*0.061+摄入能量 D7*0.024(公式 3);PC1=脉压 D13*0.346+脉压D9*0.214+脉压 D6*0.084+血白蛋白 D7*0.218+摄入蛋白质 D13*0.026+摄入蛋白质D14*0.018+摄入蛋白质D12*0.007(公式4)。结论:营养风险越高、器官衰竭指数越高、病情严重程度越高的患者更能够在开始营养治疗一周后从较高能量(25kcal/kg.d)与蛋白质(1.2g/kg.d)摄入中获益。真实世界临床研究涉及到的因素众多,本研究将各因素经过数据化分析后,找到影响预测预后的因素,结合此前对照不同预后的危重患者能量与蛋白质摄入方案的差距,探索其中的最佳营养摄入量。本课题是较早将真实世界临床研究方法与机器学习模型相结合,运用于探索危重患者的最优营养支持治疗方案的研究,并据此建立了可对临床营养治疗方案的选择具有指导作用的辅助决策系统。由于受到样本量的限制,本研究的结论还是初步的,在下一步的研究中,随着纳入病例数的增加,数据矩阵将更为丰富,同时我们将不断优化算法对模型进行迭代,最终能够使危重症患者的能量与蛋白质摄入方案变得个体化与精确化。