基于机器学习建立腹部大手术精细化营养支持策略的研究

摘要

目的：营养不良可增加术后并发症，合理营养支持能改善营养状况及结局。但目前制定营养方案多依据临床经验，很难达到个体化治疗。我们拟通过机器学习方法建立适合外科腹部大手术的精细化营养支持策略。 资料与方法：采用观察性研究设计，选取腹部大手术者120例，术前均行营养评估，同时留取围手术期血标本检测代谢物及炎症因子水平。术后由接受培训的医生按现行指南设计个体化营养方案。利用机器学习以临床结局为导向分别建立术后第1、2、3天的支持向量机(Support Vector Machine，SVM)模型。通过逆运算法发现个体化最佳精细营养策略。最后运用代谢组学技术获取不同时点患者体内代谢物的变化，尝试建立验证营养治疗效果的规范和标准。 结果：纳入统计89例符合研究标准的病例进入统计分析，Logistic回归分析结果表明年龄、疾病类型及是否开腹手术为影响并发症的主要危险因素。营养不良者的住院费用和住院时间均高于营养良好者;有并发症组MDA水平明显高于无并发症组，术后两组间IL-1a、MDA及IL-6无显著差异，两组间术后第5天与第1天的差值无统计学差异。通过机器学习建模能够找出未来同类型患者术后不同时点上最佳临床结局的能量与蛋白质区间。患者术后第1天最适的能量区间在5-10kcal/kg/d，最适蛋白质区间在0.2-0.5g/kg/d。术后第2天的最适能量25-30kcal/kg/d，最适蛋白质区间在0.5-1g/kg/d。术后第3天的最适能量区间27-32kcal/kg/d，最适蛋白质区间在0.8-1.1g/kg/d。基于1H-NMR代谢组学技术，可以明显区分术前后不同时点代谢物的差异。我们最终筛选出26个区分术前和术后第1天的生物标记物，43个区分术后第1天和术后第3天的生物标记物。且术后第1天主要表现为糖异生相关代谢产物的差异，表明术后第1天可能存在糖异生的增加;术后第3天主要表现为蛋白质相关代谢产物的差异，表明术后第3天可能存在蛋白质分解增加。 结论：通过机器学习建模有助于判断术后不同时点的最佳能量与蛋白质区间，为适宜的个体化治疗提供方法学保证。

目录

摘要

缩略词表(Abbreviation)

前言

一、材料与试验流程

1．伦理审查与临床试验注册

2．纳入及排除标准

3．临床资料采集

4．血清样本采集

5．血清样品检测

6．代谢组学1H-NMR波谱数据采集

7．1H小心很波谱处理

8．主要试剂及仪器

9．数据分析软件

二、研究方法与数据处理

1．统计学分析

2．机器学习方法建模

3．代谢组学方法及数据处理

三、结果

1．患者的一般临床资料

2．危险因素分析

2．1单因素分析

2．2 Logistic回归分析

2．3住院费用及住院时长的影响因素分析

3．炎症因子与MDA的变化情况

4．SVM模型的预测结果

5．手术前后不同时间点患者的代谢表型差异

四．讨论

1．影响腹部大手术患者结局的因素分析

2．营养因素对结局的影响分析

3．利用机器学习技术能够找到量适能量与蛋白质区间

4．患者在手术前后不同时间点上具有明显的代谢差异

五、结论

参考文献

综述 应用相位角预测营养不良及临床应用

致谢

声明