NutriSighT：基于Transformer架构的动态预测模型，助力机械通气患者肠内营养不足的精准识别与干预

《Nature Communications》：NutriSighT: Interpretable Transformer Model for Dynamic Prediction of Underfeeding Enteral Nutrition in Mechanically Ventilated Patients

本研究针对机械通气危重症患者肠内营养（EN）不足的临床难题，开发并验证了名为NutriSighT的可解释Transformer模型。该模型利用可学习位置编码，动态预测患者在机械通气第3-7天期间是否会发生低热量喂养（低于每日热量需求的70%）。研究结果显示，NutriSighT在内部测试集和外部验证集上分别取得了0.81和0.76的AUROC，显著优于XGBoost模型（AUROC 0.58）。该模型有望为临床医生提供决策支持，实现危重症患者营养治疗的个体化。

　　

在重症监护室（ICU）里，为依靠呼吸机维持生命的危重症患者提供充足的营养，是一场与时间赛跑的硬仗。肠内营养（Enteral Nutrition, EN）是维持生命体征、对抗疾病消耗的关键支持，但现实情况却不容乐观。由于胃肠道功能障碍、血流动力学不稳定以及频繁的诊疗操作中断，许多患者实际上处于“吃不饱”的状态，即低热量喂养（Underfeeding）。这种营养不足不仅会加剧肌肉萎缩，还可能延长机械通气时间，甚至增加死亡风险。

然而，如何精准识别出那些即将面临营养不足风险的患者，一直是临床实践中的痛点。现有的工具，如改良版NUTRIC评分，虽然能识别出可能从营养治疗中获益的患者，却无法动态预测谁会在未来几天内“吃不饱”。面对病情瞬息万变的危重症患者，医生们急需一个能够“预见未来”的智能助手，以便在营养危机发生前，及时调整治疗方案。

为了填补这一空白，来自西奈山伊坎医学院等机构的研究团队开发了一款名为NutriSighT的AI模型。该模型基于强大的Transformer架构，能够像阅读病历一样，分析患者入院后连续产生的生命体征、化验结果等时间序列数据，并提前预测其在机械通气第3-7天（即疾病晚期急性期）是否会发生低热量喂养。这项研究成果于2025年12月17日发表在《自然·通讯》（Nature Communications）杂志上。

关键技术方法

为了开发并验证NutriSighT模型，研究人员采用了严谨的回顾性队列研究设计。他们首先从两个大型ICU数据库——荷兰的AmsterdamUMCdb（开发队列，n=3284）和美国的MIMIC-IV（外部验证队列，n=6456）中，纳入了机械通气时间至少72小时的成年患者。研究团队从患者入院或插管时起，以每4小时为一个时间窗口，提取了包括人口统计学、生命体征、实验室检查、药物使用（如镇静剂、血管活性药物）以及营养摄入量在内的62个临床特征。

在模型构建方面，研究团队的核心创新在于采用了Transformer架构，并引入了可学习的位置编码（Learnable Positional Encodings）。与传统的固定位置编码不同，这种可学习的编码方式允许模型在训练过程中自行优化对时间顺序的理解，从而更精准地捕捉ICU患者病情演变的复杂动态。模型被设计为每4小时更新一次预测，动态地评估患者在未来几天（第3-7天）发生低热量喂养的风险。为了确保模型的公平性和可解释性，研究采用了类别权重调整（Class Weighting）来处理数据不平衡问题，并利用SHAP（SHapley Additive exPlanations）值来量化每个特征对模型预测的贡献度。

研究结果

患者基线特征与营养状况

研究共纳入9740名患者，其中AmsterdamUMCdb队列3284人，MIMIC-IV队列6456人。两个队列在人口统计学和营养支持策略上存在显著差异。MIMIC-IV队列的患者年龄更大、体重指数（BMI）更高，但每日肠内营养摄入量（中位数756.48 mL）和总热量摄入（中位数1307.24 kcal）均显著低于AmsterdamUMCdb队列（中位数1440.0 mL和1727.66 kcal）。在机械通气第3天，AmsterdamUMCdb队列中有40.8%的患者处于低热量喂养状态，而MIMIC-IV队列的这一比例高达53.13%。随着住院时间的推移，低热量喂养的比例在两组中均有所下降，但MIMIC-IV队列在机械通气第7天仍有35.33%的患者营养不足，显示出该问题的普遍性和严重性。

NutriSighT模型性能

NutriSighT模型在预测低热量喂养方面表现出色。在内部测试集（AmsterdamUMCdb）上，模型的受试者工作特征曲线下面积（AUROC）为0.81（95% CI: 0.81-0.82），精确率-召回率曲线下面积（AUPRC）为0.70（95% CI: 0.70-0.72）。在外部验证集（MIMIC-IV）上，模型同样展现了强大的泛化能力，AUROC为0.76（95% CI: 0.75-0.76），AUPRC为0.70（95% CI: 0.69-0.70）。Brier评分为0.21，表明模型的概率预测具有中等准确性。

与XGBoost模型的比较

为了凸显NutriSighT的优势，研究团队将其与基于相同数据训练的XGBoost模型进行了头对头比较。结果显示，NutriSighT在AUROC和AUPRC两项指标上均全面碾压XGBoost。在外部验证集上，XGBoost的AUROC仅为0.58（95% CI: 0.58-0.59），AUPRC为0.48（95% CI: 0.46-0.50），Brier评分为0.24。这一结果充分证明了Transformer架构在处理ICU时间序列数据、捕捉复杂时间依赖性方面的优越性。

模型校准与临床阈值分析

校准曲线显示，在预测概率低于0.5的区间内，模型预测与观察到的实际结果高度一致，表明模型在此风险范围内的预测是可靠的。然而，在预测概率高于0.5的高风险区间，模型存在轻微高估风险的趋势。为了指导临床决策，研究团队进一步评估了不同概率阈值下的模型表现。当设定阈值为0.5时，模型的灵敏度为75%，特异度为61%，阳性预测值（PPV）为58%，阴性预测值（NPV）为77%。当阈值提高至0.7时，灵敏度下降至50%，但特异度提升至83%，阳性预测值也提高至69%，为临床医生根据不同的筛查目的（如高灵敏度筛查或高特异性确诊）提供了灵活的选择空间。

特征重要性分析

通过SHAP分析，研究揭示了驱动模型预测的关键临床特征。血清钠（Serum Sodium）是影响模型预测的最重要特征，其次是舒张压（Diastolic Blood Pressure, DBP）、平均红细胞体积（Mean Corpuscular Volume, MCV）和pH值。其他重要的特征还包括丙泊酚（Propofol）剂量、体温、白细胞计数（WBC）、红细胞计数（RBC）和国际标准化比值（INR）。值得注意的是，特征的重要性并非一成不变。例如，氧合指数（PaO₂/FiO₂Ratio, P/F Ratio）在后期预测中的重要性逐渐上升，这与临床观察一致，即病情越重的患者越容易出现营养不足。这种动态变化的特征重要性，体现了模型能够根据患者病情的演变，自适应地调整其预测逻辑。

结论与讨论

本研究成功开发并外部验证了NutriSighT，一个基于Transformer架构的可解释AI模型，用于动态识别机械通气危重症患者在晚期急性期发生低热量喂养的风险。该模型在来自欧美两个不同医疗体系的ICU数据库中均表现出强大的判别能力和良好的泛化性，显著优于传统的XGBoost模型。

NutriSighT的重要意义在于，它将AI的预测能力与临床决策支持紧密结合。通过每4小时更新一次的动态预测，该模型能够为临床医生提供一个“预警窗口”，使其能够在营养不足发生前，有足够的时间去评估原因并调整营养策略。例如，对于被模型识别为高风险的患者，医生可以更积极地调整肠内营养配方、使用促动力药物，甚至在必要时考虑转为肠外营养。

此外，通过SHAP分析提供的可解释性，不仅增强了临床医生对模型的信任，也为理解低热量喂养的病理生理机制提供了新的视角。模型识别出的关键特征，如血清钠、舒张压和P/F比，与危重症患者的生理紊乱密切相关，这提示我们，营养不足不仅仅是“喂不进去”的问题，更是全身疾病状态的一个缩影。

当然，这项研究也存在一些局限性。作为一项回顾性研究，其结果可能受到选择偏倚和混杂因素的影响。此外，模型在西方ICU数据库中开发和验证，其普适性在其他医疗资源或临床实践不同的地区尚需进一步验证。未来，前瞻性的多中心验证研究，以及将模型无缝集成到电子病历系统中进行实时部署，将是推动NutriSighT从研究走向临床的关键一步。

总而言之，NutriSighT为危重症患者的营养管理提供了一把精准的“尺子”。它不仅能够识别风险，更能揭示风险背后的生理信号，为实现真正意义上的个体化营养治疗迈出了坚实的一步。