基于机器学习的儿童营养风险筛查预测研究.pdfVIP

智能医学与数字诊疗

IntelligentMedicineandDigitalDiagnosisandTreatment

基于机器学习的儿童营养风险筛查预测研究

叶峰陈玉云赵文卿

【摘要】目的：基于机器学习方法预测住院儿童的疾病风险和营养摄入风险。方法：将某医院住院患儿的现病史、

医嘱、诊断等信息加工后作为输入特征，分别运用随机森林、逻辑回归、决策树、支持向量机和极端梯度提升

树（XGBoost）算法，训练模型，并调整参数，以人工评估结果为依据，比较各机器学习模型预测住院患儿的

疾病风险和营养摄入风险的性能。结果：在疾病风险预测方面，极端梯度提升树模型性能最好，敏感度调整到

90.3%时，特异度为44.1%；在营养摄入风险预测方面，支持向量机模型表现最好，泛化能力强，在敏感度达

到90.5%时，特异度为65.6%。结论：机器学习在住院患儿STAMP评分的疾病风险预测和营养风险预测方面

具有良好的效果，可用于协助开展住院患儿的初步营养筛查，在儿童营养风险筛查方面具有较好的应用前景。

【关键词】儿童营养筛查评估量表；营养筛查；机器学习；风险预测

Doi:10.3969/j.issn.1673-7571.2024.09.015

【中图分类号】R197

Predictionstudyofnutritionalriskscreeninginchildrenbasedonmachinelearningmethod

YEFeng,CHENYuyun,ZHAOWenqing.InformationCenter(YEFeng,ZHAOWenqing),Departmentof

GastroenterologyandNutrition(CHENYuyun),FujianChildrensHospital(FujianBranchofShanghaiChildrens

MedicalCenter),Fuzhou350014,FujianProvince,China

Correspondingauthor:ZHAOWenqing,E-mail:zhaowenqing@

Topredictdiseaseriskandnutritionalintakeriskofhospitalizedchildrenbasedonmachine

【Abstract】Objective

learningmethods.MethodsAfterprocessingthemedicalhistory,medicalorders,diagnosisandotherinformationof

hospitalizedchildreninahospitalasinputfeatures,theRandomForest,LogisticRegression,DecisionTree,Support

VectorMachineandExtremeGradientBoostingTree(XGBoost)algorithmswererespectivelyusedtotrainthemodels

andadjusttheparameters.Themanualevaluationresultswereusedastheevaluationbasistocomparetheperformance

ofvariousmachinelearningmodelsinpredictingthediseaseriskandnutritionalintakeriskofhospitalizedchildren.

ResultsIntermsofpredictingdiseaserisk,theXGBoostmodelperformsthebest,andthespecificitywas44.1%

whenthesensitivitywasadjustedto90.3%.Intermsofpredictingnutritionalintakerisk,theSupport