估计重症监护患者休息能量消耗的方法:用机器学习和深度学习方法对预测方程进行比较研究
Christopher Yew Shuen Ang1, Mohd Basri Mat Nor2, Nur Sazwi Nordin2
1School of Engineering, Monash University Malaysia, Selangor, Malaysia.
Computer methods and programs in biomedicine
|February 15, 2025
概括
与传统的预测方程相比,像XGBoost和Random Forest这样的机器学习模型显著改善了严重病患者的休息能量消耗 (REE) 估计. 这些先进的模型提供了更准确的营养治疗指导.
科学领域:
- 关键护理医学 关键护理医学
- 营养支持 营养支持
- 生物医学信息学 生物医学信息学
背景情况:
- 准确的休息能量消耗 (REE) 对于重症患者的营养治疗至关重要.
- 间接热量计 (IC) 是黄金标准,但往往不切实际.
- 传统的预测方程 (PEs) 在这个人群中缺乏准确性.
研究的目的:
- 为了比较传统的PE与机器学习 (ML) 和深度学习 (DL) 模型的精度来估计REE.
- 评估ML/DL在改善重症患者REE预测方面的潜力.
主要方法:
- 展望性研究将9个PE与ML (XGBoost,RFR,SVR) 和DL (CNN) 模型进行比较.
- 利用来自ICU的300个IC测量的数据集.
- 用静态和动态生理变量训练模型,使用五倍交叉验证和RMSE进行性能评估.
主要成果:
- XGBoost (RMSE 199) 和RFR (RMSE 200) 的表现明显优于所有PE (H-B1919的最低RMSE为362).
- 在ML/DL方法中,CNN模型的性能较低 (RMSE 250).
- 结合BMI和体温类别,RMSE略有降低;数据增强并没有显著提高性能.
结论:
- 机器学习模型,特别是XGBoost和RFR,比传统的PE提供更高的REE估计准确度.
- 这些模型可以更好地捕捉复杂的生理关系,为临床营养治疗提供了一个有希望的替代方案.
- 建议在不同的患者队列和独立数据集上进一步验证.
