岳果林 岳跃学 黎张双子 沈锋 罗忠琛 孙念梅

(1.贵州医科大学护理学院,贵州 贵阳 550000;2.贵州医科大学附属医院,贵州 贵阳 550000)

重型颅脑损伤(severe traumatic brain injury,STBI)指受直接或间接暴力因素作用于头部,昏迷时间>6 h或伤后24 h内意识情况恶化再次昏迷>6 h,格拉斯哥昏迷评分(glasgow coma scale,GCS)≤8分的颅脑损伤患者,是神经外科最常见的急重症[1]。该类患者处于高代谢状态,且常伴吞咽障碍,无法自主进食而需营养支持[2-3]。肠内营养符合生理条件,有助于维持肠道结构和功能,是其最主要的临床营养支持方式[4]。据研究[5-6]显示,STBI患者肠内营养相关性腹泻发生率达39.22%～69.60%,居其并发症首位[7]。腹泻不仅导致患者发生电解质紊乱、肠道菌群失调、皮肤受损及继发感染等并发症,还增加其医疗负担与死亡风险[8]。有研究[9-10]显示,早期采取添加纤维素、益生菌及调整营养剂配方等预防措施,可有效降低腹泻的发生率与严重程度。然而,目前鲜有针对STBI患者肠内营养相关性腹泻的预测研究,难以有效地识别腹泻高危人群。因此,构建一种科学有效的预测模型已成为一项亟待解决的临床问题。近年来,随着大数据与人工智能的发展,机器学习也被深入应用到医疗领域,并展现出强大预测能力[11]。本研究拟通过回顾性收集STBI患者的临床资料,选择不受变量间共线性影响的决策树(decision tree,DT)和支持向量机(support vector machines,SVM)机器学习算法与同样对小样本、二分类数据具有较强处理能力的logistic回归算法分别构建STBI患者肠内营养相关性腹泻的预测模型,以期为临床评估腹泻的发生风险提供参考。