对于负责救治呼吸机重症患者的医生来说，如何在病情极不稳定的情况下提供恰当的营养，一直是重症监护中的难题。 在 ICU，身体正在为生存“燃烧资源”，如果能量和营养供应跟不上，患者的恢复往往会受到明显影响。
一种名为 营养西格 的人工智能模型，正试图缓解这一困境。 它的核心作用并不是替医生下决定，而是提前提示：哪些使用机械通气的患者，可能正在走向营养不足。
AI 如何预测营养风险
来自西奈山伊坎医学院的研究团队，首先利用荷兰医疗数据库中 3,284 名 ICU 患者的数据训练模型，随后在美国波士顿的 6,456 名 ICU 患者数据上进行了验证。
模型的预测目标很明确：在机械通气的第 3 天到第 7 天之间，患者每日实际摄入的热量是否会低于所需量的 70%。 系统每 4 小时更新一次预测结果，以跟上患者病情的快速变化。
为什么 ICU 喂养如此困难
在重症监护的最初两天，患者往往血流动力学不稳定，无法耐受足量喂养。 但从第三天开始，问题迅速显现：身体进入明显的肌肉分解状态，能量需求上升，而供给却难以及时跟上。
喂养不足可能延长住院时间，增加并发症风险。 然而现实中，低血压、胃肠功能障碍、反复的医疗操作中断，都会让规律喂养变得异常困难
模型的表现如何？
研究人员为每位患者分析了 62 项动态指标，包括生命体征、化验结果和药物使用情况。
在内部测试中，NutriSighT 的 AUROC 达到 0.81，在外部验证中为 0.76，显示出较强的风险区分能力。
相比之下，传统的机器学习方法 XGBoost 仅取得 0.58 的成绩，明显逊色。
（AUROC 是评估预测模型区分高风险与低风险能力的指标，1.0 代表完美判断，0.5 相当于随机猜测。 ）
模型“在看什么”
营养叹息
更重要的是，这套系统并非“黑箱”。 它会向医生展示哪些因素最影响预测结果。
随着住院时间延长，关键因素也在变化：
- 凝血指标 INR 在早期预测中更重要
- 镇静药物劳拉西泮 在后期逐渐成为关键变量
- 氧合水平 随时间推移影响力上升
这反映出模型能够适应患者不断变化的临床状态。
不同医院，差异巨大
研究还揭示了不同医疗系统在 ICU 喂养方面的显著差距。
在荷兰阿姆斯特丹的数据中，患者通过肠内喂养和镇静治疗获得的每日中位热量为 1,728 千卡； 而在波士顿，这一数值仅为1,307 千卡。
营养不良的发生率也存在明显不同：
- 荷兰患者：第 3 天为 41%，第 7 天降至 25%
- 波士顿患者：第 3 天为 53%，第 7 天仍有 35%
这些差异说明，“一刀切”的喂养策略难以适用于所有重症患者，也解释了为何相关研究结论长期存在分歧。
AI 不替医生决策，但能争取时间
NutriSighT 的定位并不是给出治疗指令，而是标记风险。一旦患者被识别为可能营养不足，医生可以进一步评估原因，比如是否需要调整喂养方案、修改镇静策略，或在特殊情况下考虑静脉营养。
在不同风险阈值下，模型也展现了现实中的取舍：
- 阈值设为 0.5 时，可识别 75% 的营养不良患者，但特异性为 61%
- 阈值提高至 0.7，特异性升至 83%，但识别率降至 50%
医院可以根据资源状况和临床目标，灵活选择使用方式。
仍需解决的问题
研究人员也坦言，这项研究仍有局限。它基于既往病历，无法涵盖所有影响喂养决策的复杂因素；模型仅在西方医疗体系中验证，其在其他地区的适用性尚待评估。
此外，患者的热量需求是通过标准公式估算的，而非直接测量，尽管这与大多数 ICU 的实际做法一致。研究也只聚焦于喂养不足，对过度喂养或营养中断等问题尚未涉及。
在真正进入临床应用前，NutriSighT 还需要前瞻性研究，验证它在实时决策中的价值，并确保不会增加 ICU 医护人员的警觉疲劳。不过，过往的临床决策支持系统已经证明，这些挑战并非不可克服。
本文译自：studyfinds .由olaola编辑发布