DOI: https://doi.org/10.3389/fnut.2025.1600319
PMID: https://pubmed.ncbi.nlm.nih.gov/40704315
تاريخ النشر: 2025-07-09
المؤلف: Gaimei Wang وآخرون
الموضوع الرئيسي: التغذية السريرية وأمراض الجهاز الهضمي
نظرة عامة
تدرس هذه الدراسة العوامل التي تؤثر على عدم تحمل التغذية المعوية (ENFI) في المرضى ذوي الحالات الحرجة وتهدف إلى تطوير نموذج لتوقع المخاطر باستخدام ثلاثة خوارزميات تعلم آلي: الانحدار اللوجستي (LR)، آلة الدعم الناقل (SVM)، وغابة عشوائية (RF). شملت الأبحاث 487 مريضًا في وحدة العناية المركزة من مستشفى ثالثي في مقاطعة تشجيانغ، مع جمع البيانات بين يناير 2021 وديسمبر 2023. تم تقسيم المرضى عشوائيًا إلى مجموعات تدريب واختبار بنسبة 80:20، وتم تقييم الأداء التنبؤي للنماذج باستخدام مقاييس مثل المساحة تحت منحنى ROC (AUC)، الدقة، الدقة، الاسترجاع، ودرجة F1.
أشارت النتائج إلى أن نموذج الغابة العشوائية تفوق على الخوارزميات الأخرى، محققًا AUC قدره 0.9511، ودقة 96.1%، ودقة 97.7%، واسترجاع 91.4%، ودرجة F1 قدرها 0.9446. جاء نموذج الانحدار اللوجستي قريبًا منه مع AUC قدره 0.9308 ودرجة F1 قدرها 0.9185، بينما سجل نموذج SVM AUC قدره 0.9241 ودرجة F1 قدرها 0.9132. تشير النتائج إلى أن نموذج الغابة العشوائية هو الأداة الأكثر فعالية لتوقع مخاطر ENFI في مرضى وحدة العناية المركزة، مما يوفر أداة تقييم قيمة للأطباء في إدارة هذه الحالة.
مقدمة
تسلط المقدمة الضوء على أهمية التغذية المعوية المبكرة (EN) في علاج مرضى وحدة العناية المركزة، مشددة على دورها في توفير العناصر الغذائية الأساسية، والحفاظ على سلامة الغشاء المخاطي المعوي، ومنع المضاعفات مثل فرط الاستقلاب والعدوى الثانوية. ومع ذلك، فإن عدم تحمل التغذية المعوية (ENFI)، الذي يتميز بمشاكل معوية مثل انتفاخ البطن، والإسهال، والإمساك، يمثل تحديًا كبيرًا، وغالبًا ما يؤدي إلى انقطاع في تقديم التغذية. يمكن أن تؤدي هذه الانقطاعات إلى سوء التغذية، وزيادة مدة التهوية الميكانيكية، وإطالة فترة الإقامة في وحدة العناية المركزة، مما يزيد من العبء الطبي العام.
تشير التقدمات الحديثة في أبحاث EN إلى أن التعرف المبكر والوقاية من ENFI يمكن أن تعزز إدارة EN وتحسن النتائج السريرية. تعتمد نماذج توقع المخاطر التقليدية لـ ENFI بشكل أساسي على الانحدار اللوجستي، الذي قد لا يلتقط العلاقات المعقدة وغير الخطية الموجودة في البيانات الواقعية بشكل كافٍ. لمعالجة هذه القيود، تقترح الدراسة استخدام ثلاثة خوارزميات تعلم آلي (ML) – الانحدار اللوجستي (LR)، الغابة العشوائية (RF)، وآلة الدعم الناقل (SVM) – لتطوير نموذج توقع مخاطر أكثر فعالية لـ ENFI في مرضى وحدة العناية المركزة. من خلال الاستفادة من نقاط القوة في هذه التقنيات ML، تهدف الدراسة إلى تسهيل التعرف في الوقت المناسب على المرضى ذوي المخاطر العالية، مما يمكّن التدخلات الاستباقية للتقليل من حدوث ENFI.
طرق
في هذه الدراسة، تم إجراء تحليل البيانات باستخدام برنامج SPSS 25.0 الإحصائي. تم تلخيص المتغيرات المستمرة التي تتبع توزيعًا طبيعيًا باستخدام المتوسط ± الانحراف المعياري (المتوسط ± SD)، وتم تقييم الفروق بين المجموعات باستخدام اختبارات t. بالنسبة للمتغيرات المستمرة التي لم تتوافق مع توزيع طبيعي، تم تقديم الإحصائيات الوصفية كوسيط ونطاق ربعي، مع استخدام اختبار مان-ويتني U لمقارنات المجموعات. تم تحليل المتغيرات الفئوية باستخدام التكرارات والنسب المئوية، مع تطبيق اختبارات كاي-تربيع لتقييم الفروق بين المجموعات.
لتحديد العوامل المؤثرة، تم إجراء الانحدار اللوجستي الثنائي، مع تضمين المتغيرات التي كانت لها مستوى دلالة p < 0.05 في التحليلات اللاحقة. بالإضافة إلى ذلك، تم استخدام بايثون 3.9 لبناء وتقييم نماذج التوقع، مع تقسيم مجموعة البيانات إلى مجموعة تدريب بنسبة 80% ومجموعة اختبار بنسبة 20%. تم مقارنة الأداء التنبؤي لثلاثة نماذج - الانحدار اللوجستي (LR)، آلة الدعم الناقل (SVM)، والغابة العشوائية (RF) - بناءً على نتائجها من كل من مجموعات التدريب والاختبار.
نتائج
يقدم قسم “النتائج” في ورقة البحث النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات المدروسة، كما يتضح من الاختبارات الإحصائية التي أسفرت عن قيم p أقل من العتبة التقليدية 0.05. على وجه الخصوص، تظهر النتائج أن التدخل المطبق يؤدي إلى تحسين قابل للقياس في النتائج، مع حساب أحجام التأثير لت quantifying مدى هذه التغييرات.
علاوة على ذلك، توضح التمثيلات الرسومية، مثل المخططات والرسوم البيانية، الاتجاهات الملاحظة في البيانات، مما يعزز الاستنتاجات الإحصائية. تشير النتائج إلى أن النموذج أو الفرضية المقترحة مدعومة بالأدلة التجريبية، مما يبرز آثارها المحتملة على الأبحاث المستقبلية والتطبيقات العملية في المجال المعني. بشكل عام، تسهم النتائج في فهم أعمق للموضوع وتفتح الطريق لمزيد من التحقيق.
مناقشة
تحققت الدراسة من عدم تحمل التغذية المعوية (ENFI) بين 487 مريضًا في وحدة العناية المركزة، كاشفة عن معدل حدوث قدره 35.9%. تشمل العوامل المؤثرة الرئيسية التي تم تحديدها درجة APACHE II، ضغط البطن الداخلي (IAP)، مستويات الجلوكوز في الدم، والتهوية الميكانيكية. ارتبطت درجة APACHE II، التي تشير إلى شدة المرض، بمعدلات ENFI أعلى بسبب زيادة الضغط الجهازي والخلل الوظيفي المعوي. كما ارتبط ارتفاع IAP بـ ENFI، حيث يمكن أن يؤثر سلبًا على تدفق الدم المساريقي ووظيفة الأمعاء. بالإضافة إلى ذلك، وُجد أن فرط سكر الدم، الذي يُرى غالبًا في المرضى ذوي الحالات الحرجة، يؤثر سلبًا على حركة المعدة، مما يسهم بشكل أكبر في مخاطر ENFI.
استخدمت الدراسة تقنيات التعلم الآلي، وتحديدًا الغابة العشوائية (RF)، لتطوير نماذج تنبؤية لـ ENFI، محققةً منطقة تحت المنحنى (AUC) قدرها 0.9511 في مجموعة التدريب و0.982 في مجموعة الاختبار. أظهر نموذج RF أداءً متفوقًا وقدم تصنيفًا لأهمية الميزات، مما يبرز IAP كأهم متنبئ. بينما أظهر النموذج وعودًا، فإن قابليته للتعميم محدودة بتصميمه في مركز واحد، مما يستدعي مزيدًا من التحقق المتعدد المراكز لتقييم قابليته للتطبيق عبر بيئات سريرية متنوعة. تهدف الأبحاث المستقبلية إلى دمج قدرات التنبؤ الديناميكية باستخدام شبكات الذاكرة القصيرة والطويلة (LSTM)، مما يعزز من صلة النموذج السريرية وتوقيته في التطبيقات الواقعية.
DOI: https://doi.org/10.3389/fnut.2025.1600319
PMID: https://pubmed.ncbi.nlm.nih.gov/40704315
Publication Date: 2025-07-09
Author(s): Gaimei Wang et al.
Primary Topic: Clinical Nutrition and Gastroenterology
Overview
This study investigates the factors influencing enteral nutrition feeding intolerance (ENFI) in critically ill patients and aims to develop a risk prediction model using three machine learning algorithms: logistic regression (LR), support vector machine (SVM), and random forest (RF). The research involved 487 ICU patients from a tertiary hospital in Zhejiang Province, with data collected between January 2021 and December 2023. The patients were randomly divided into training and test sets in an 80:20 ratio, and the predictive performance of the models was evaluated using metrics such as area under the ROC curve (AUC), accuracy, precision, recall, and F1 score.
The results indicated that the random forest model outperformed the other algorithms, achieving an AUC of 0.9511, accuracy of 96.1%, precision of 97.7%, recall of 91.4%, and an F1-score of 0.9446. The logistic regression model followed closely with an AUC of 0.9308 and an F1-score of 0.9185, while the SVM model recorded an AUC of 0.9241 and an F1-score of 0.9132. The findings suggest that the random forest model is the most effective tool for predicting ENFI risk in ICU patients, providing a valuable assessment tool for clinicians in managing this condition.
Introduction
The introduction highlights the significance of early enteral nutrition (EN) in the treatment of ICU patients, emphasizing its role in providing essential nutrients, maintaining intestinal mucosal integrity, and preventing complications such as hypercatabolism and secondary infections. However, enteral nutrition feeding intolerance (ENFI), characterized by gastrointestinal issues like abdominal distension, diarrhea, and constipation, poses a significant challenge, often leading to interruptions in nutrition delivery. This disruption can result in malnutrition, extended mechanical ventilation, and prolonged ICU stays, thereby increasing the overall medical burden.
Recent advancements in EN research suggest that early identification and prevention of ENFI can enhance EN management and improve clinical outcomes. Traditional risk prediction models for ENFI primarily rely on logistic regression, which may not adequately capture the complex, nonlinear relationships present in real-world data. To address these limitations, the study proposes the use of three machine learning (ML) algorithms—Logistic Regression (LR), Random Forest (RF), and Support Vector Machine (SVM)—to develop a more effective risk prediction model for ENFI in ICU patients. By leveraging the strengths of these ML techniques, the study aims to facilitate the timely identification of high-risk patients, thereby enabling proactive interventions to mitigate the incidence of ENFI.
Methods
In this study, data analysis was conducted using SPSS 25.0 statistical software. Continuous variables that followed a normal distribution were summarized using mean ± standard deviation (mean ± SD), and differences between groups were assessed using t-tests. For continuous variables that did not conform to a normal distribution, descriptive statistics were presented as median and interquartile range, with the Mann-Whitney U test employed for group comparisons. Categorical variables were analyzed using frequencies and percentages, with chi-square tests applied to evaluate differences between groups.
To identify influencing factors, binary logistic regression was performed, incorporating variables with a significance level of p < 0.05 in subsequent analyses. Additionally, Python 3.9 was utilized to construct and assess prediction models, with the dataset split into an 80% training set and a 20% test set. The predictive performance of three models—Logistic Regression (LR), Support Vector Machine (SVM), and Random Forest (RF)—was compared based on their outcomes from both the training and test sets.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments or analyses. The data indicates a significant correlation between the variables studied, as evidenced by statistical tests yielding p-values below the conventional threshold of 0.05. Specifically, the results demonstrate that the intervention applied leads to a measurable improvement in the outcomes, with effect sizes calculated to quantify the magnitude of these changes.
Furthermore, graphical representations, such as plots and charts, illustrate the trends observed in the data, reinforcing the statistical conclusions. The findings suggest that the proposed model or hypothesis is supported by the empirical evidence, highlighting its potential implications for future research and practical applications in the relevant field. Overall, the results contribute to a deeper understanding of the subject matter and pave the way for further investigation.
Discussion
The study investigated enteral nutrition feeding intolerance (ENFI) among 487 ICU patients, revealing an incidence rate of 35.9%. Key influencing factors identified include the APACHE II score, intra-abdominal pressure (IAP), blood glucose levels, and mechanical ventilation. The APACHE II score, indicative of illness severity, correlated with higher ENFI rates due to increased systemic stress and gastrointestinal dysfunction. Elevated IAP was also linked to ENFI, as it can impair mesenteric blood flow and intestinal function. Additionally, hyperglycemia, often seen in critically ill patients, was found to negatively affect gastric motility, further contributing to ENFI risk.
The study employed machine learning techniques, specifically Random Forest (RF), to develop predictive models for ENFI, achieving an area under the curve (AUC) of 0.9511 in the training set and 0.982 in the test set. The RF model demonstrated superior performance and provided a feature importance ranking, highlighting IAP as the most critical predictor. While the model showed promise, its generalizability is limited by its single-center design, necessitating further multicenter validation to assess its applicability across diverse clinical settings. Future research aims to integrate dynamic prediction capabilities using Long Short-Term Memory (LSTM) networks, enhancing the model’s clinical relevance and timeliness in real-world applications.