基于机器学习的ICU病人肠内营养喂养不耐受危险因素分析

摘要

目的：基于机器学习算法分析ICU病人肠内营养喂养不耐受（ENFI）的危险因素。方法：回顾性分析2022年于某三级乙等医院综合性ICU行肠内营养支持的病人，依据喂养过程中是否发生不耐受现象分为不耐受组（n=199）与耐受组（n=127）。输入指标的选择采用单因素logistic回归分析，应用机器学习建立多因素logistic回归、随机森林、决策树、朴素贝叶斯和XGBoost算法预测模型。选取2023年1—2月同一医院ICU肠内营养支持的46例病人对模型施以验证，比较5种方法构建的模型对ICU病人ENFI的预测价值，基于预测效能最优的模型筛选危险因素。结果：ICU病人ENFI发生率为61.04%(199/326)。基于机器学习算法构建的5种ICU病人ENFI风险预测模型中，随机森林模型的预测效能最优（AUC=0.831）。随机森林模型分析结果显示，白蛋白、ICU住院时间、急性生理与慢性健康评分系统Ⅱ评分是ICU病人ENFI的重要影响因素。结论：ICU病人ENFI发生率较高，临床医护人员应重视低白蛋白水平，ICU住院时间较长且急性生理与慢性健康评分系统Ⅱ评分较高的病人，及时补充蛋白类药物，做好喂养耐受性管理，从而降低ENFI发生率。

关键词

肠内营养 / 重症监护室 / 喂养不耐受 / 机器学习 / 危险因素