基于机器学习的PG-SGA ≥4的瘤患者的快速识别:一项前性研究
Gui Qian1, Huang Jiaxin2, Cong Minghua2
1School of Medicine, University of Electronic Science and Technology of China, Chengdu, China.
BMC cancer
|May 20, 2025
概括
癌症患者的营养不良查可以简化. 身体质量指数,手握强度,无脂肪质量指数和卧床状态有效预测使用PG-SGA工具的高营养不良风险.
科学领域:
- 在瘤学瘤学.
- 营养科学 营养科学
- 数据科学数据科学数据科学
背景情况:
- 癌症患者中普遍存在营养不良,对治疗结果和预后产生负面影响.
- 患者生成的主观全球评估 (PG-SGA) 是营养不良评估的关键工具,但对于常规临床使用而言是复杂的.
研究的目的:
- 确定实用指标,以有效选营养不良风险较高的癌症患者.
- 根据PG-SGA分数简化识别需要干预的患者.
主要方法:
- 机器学习模型 (XGBoost,随机森林) 用于分析416名癌症患者的数据.
- 确定了PG-SGA分数≥4的关键预测因素,并使用逻辑回归分析进行了验证.
主要成果:
- XGBoost和随机森林模型显示出强大的预测性能 (AUC分别为0.75和0.77).
- 高PG-SGA分数的重要预测因素包括下肢体质量指数 (BMI),手握强度降低 (HGS),下部无脂肪质量指数 (FFMI) 和卧床状态.
结论:
- 体重指数,HGS,FFMI和卧床状态是查癌症患者营养不良的实际和有效指标.
- 这些因素可以帮助早期识别PG-SGA分数≥4的患者,从而促进及时的营养支持.
