对营养不良的诊断标记的基于机器学习的分析
Nedim Ongun1, Mustafa Çakır2, Okan Oral3
1Department of Neurology, Antalya City Hospital, Antalya, Turkey, nedimongun@yahoo.com.
Annals of nutrition & metabolism
|December 2, 2025
概括
一个机器学习模型准确地使用患者数据预测营养不良,例如手握强度和体重减轻. 该工具为诊断临床环境中的营养不良提供了更快,更有效的替代方案.
科学领域:
- 临床营养学 临床营养学
- 生物统计学 生物统计学
- 医疗信息学 医疗信息学
背景情况:
- 营养不良与不良健康结果有关,包括延长恢复时间,延长住院时间和增加医疗保健成本.
- 早期和准确的营养不良诊断对于改善患者的治疗结果和减少医疗保健支出至关重要.
研究的目的:
- 开发和验证用于诊断营养不良的预测工具.
- 利用患者数据,包括人体测量,表型和实验室信息,用于营养不良风险预测.
主要方法:
- 分析了252名成年患者的队列,使用后勤回归和决策树分析.
- 模型性能使用准确度 (89.8%) 和kappa (0.79) 等指标进行评估.
- 确定的主要预测因素包括手握强度,体重减轻,BMI和性别.
主要成果:
- 在研究的252名患者中,69%的人被诊断为营养不良.
- 开发的机器学习模型表现出高预测准确度.
- 手握强度,体重减轻,体重指数和性别被确定为营养不良最重要的指标.
结论:
- 与传统方法相比,机器学习模型为营养不良诊断提供了更优越,更有效的方法.
- 经过验证的模型显示出在临床实践中提高营养不良诊断的效率和准确性的巨大潜力.
