危重病人再喂養(yǎng)綜合征風(fēng)險(xiǎn)預(yù)測(cè)模型的研究進(jìn)展

Research progress on the risk prediction model of refeeding syndrome in critically ill patients

YANG Maofan， ZHOU Huilan*， CHEN Keyu， GAO Jie， DAI Siqi

Affiliated Hospital of North Sichuan Medical College， Sichuan 637000 China

*Corresponding Author" ZHOU Huilan， E?mail： 472260181@qq.com

Keywords" " critically ill patients； refeeding syndrome； prediction model； influencing factors； review

摘要" 對(duì)風(fēng)險(xiǎn)預(yù)測(cè)模型的概述、再喂養(yǎng)綜合征的影響因素及危重病人再喂養(yǎng)綜合征風(fēng)險(xiǎn)預(yù)測(cè)模型的研究現(xiàn)狀進(jìn)行綜述，旨在為危重病人再喂養(yǎng)綜合征風(fēng)險(xiǎn)預(yù)測(cè)模型的開發(fā)及臨床應(yīng)用提供參考。

關(guān)鍵詞" 危重病人；再喂養(yǎng)綜合征；預(yù)測(cè)模型；影響因素；綜述

doi：10.12102/j.issn.1009-6493.2024.22.017

再喂養(yǎng)綜合征（refeeding syndrome，RFS）是指長(zhǎng)期饑餓或營(yíng)養(yǎng)不良的病人經(jīng)口、腸內(nèi)或腸外營(yíng)養(yǎng)途徑再次喂養(yǎng)后出現(xiàn)磷、鉀和/或鎂的1種以上水平降低，或硫胺素缺乏的表現(xiàn)，以及由此產(chǎn)生的一系列呼吸、循環(huán)、神經(jīng)及血液系統(tǒng)功能障礙[1]。國(guó)外數(shù)據(jù)顯示，RFS發(fā)生率≤62%[2]，而重癥監(jiān)護(hù)室（ICU）病人RFS發(fā)生率為30%～59%[3?5]；我國(guó)數(shù)據(jù)顯示，RFS在重癥病人中的發(fā)生率為17.1%～31.3%[6?7]。RFS易導(dǎo)致呼吸機(jī)依賴、住院時(shí)間延長(zhǎng)、醫(yī)療經(jīng)濟(jì)負(fù)擔(dān)加重、預(yù)后不良，甚至可導(dǎo)致病人死亡率增加[8]。但由于RFS缺乏特異性表現(xiàn)，易被危重疾病的臨床癥狀掩蓋，醫(yī)護(hù)人員常忽略RFS對(duì)危重病人造成的影響。目前，RFS的影響因素尚存爭(zhēng)議[9]，導(dǎo)致臨床實(shí)踐中對(duì)RFS的評(píng)估不足，被廣泛應(yīng)用的風(fēng)險(xiǎn)評(píng)估工具缺乏。因此，如何早期有效識(shí)別和評(píng)估RFS成為亟待解決的問(wèn)題。疾病風(fēng)險(xiǎn)預(yù)測(cè)模型作為一種可量化的風(fēng)險(xiǎn)評(píng)估工具，對(duì)及早識(shí)別疾病影響因素及高危人群具有重要意義?，F(xiàn)對(duì)國(guó)內(nèi)外危重病人RFS風(fēng)險(xiǎn)預(yù)測(cè)模型研究進(jìn)展進(jìn)行綜述，以期為RFS風(fēng)險(xiǎn)預(yù)測(cè)模型的構(gòu)建及臨床應(yīng)用提供參考。

1" 風(fēng)險(xiǎn)預(yù)測(cè)模型的概述

1.1 風(fēng)險(xiǎn)預(yù)測(cè)模型的概念

預(yù)測(cè)模型是基于多病因建立統(tǒng)計(jì)模型，用以預(yù)測(cè)具有某些特征的人群未來(lái)發(fā)生某種結(jié)局事件的概率，包括診斷模型和預(yù)后模型[10]。預(yù)測(cè)模型的構(gòu)建有利于醫(yī)護(hù)人員評(píng)估疾病嚴(yán)重程度、影響因素，預(yù)測(cè)不良結(jié)局，提前制訂個(gè)體化護(hù)理及診療方案，從而降低某種不良結(jié)局發(fā)生的可能性。

1.2 風(fēng)險(xiǎn)預(yù)測(cè)模型的開發(fā)及驗(yàn)證

預(yù)測(cè)模型可采用隊(duì)列研究、病例?對(duì)照研究及橫斷面研究等設(shè)計(jì)，現(xiàn)階段研究者多采用回顧性數(shù)據(jù)開發(fā)模型，模型的預(yù)測(cè)因子常包括一般人口學(xué)資料、基本病史、體格檢查指標(biāo)、實(shí)驗(yàn)室檢查指標(biāo)等[10]。此外，預(yù)測(cè)模型研究需要納入足夠的樣本量，研究者應(yīng)描述缺失數(shù)據(jù)及處理方法[11]，常見的建模方法為線性回歸、Logistic回歸、Cox回歸、機(jī)器學(xué)習(xí)算法等。模型驗(yàn)證是預(yù)測(cè)模型研究中不可或缺的步驟，包括內(nèi)部驗(yàn)證及外部驗(yàn)證，內(nèi)部驗(yàn)證旨在檢驗(yàn)?zāi)Ｐ烷_發(fā)過(guò)程的可重復(fù)性，常見方法包括Bootstrap重抽樣法、隨機(jī)拆分驗(yàn)證、交叉驗(yàn)證法；而外部驗(yàn)證旨在檢驗(yàn)?zāi)Ｐ偷目梢浦残院涂煞夯?，常見方法包括時(shí)段驗(yàn)證、空間驗(yàn)證及領(lǐng)域驗(yàn)證[12]。預(yù)測(cè)模型的評(píng)價(jià)可從區(qū)分度、校準(zhǔn)度以及臨床適用性3個(gè)方面進(jìn)行，多采用受試者工作特征（receiver operating characteristic，ROC）曲線下面積（area under curve，AUC）評(píng)價(jià)模型的區(qū)分度，采用校準(zhǔn)曲線和（或）Hosmer?Lemeshow（H?L）擬合優(yōu)度檢驗(yàn)評(píng)價(jià)模型的校準(zhǔn)度，采用決策曲線分析評(píng)價(jià)模型的臨床適用性[12]。此外，靈敏度、特異度、約登指數(shù)也是評(píng)價(jià)模型預(yù)測(cè)性能的重要指標(biāo)。最終可通過(guò)模型數(shù)學(xué)方程表達(dá)式、評(píng)分表、列線圖、網(wǎng)頁(yè)計(jì)算器或APP等形式呈現(xiàn)預(yù)測(cè)模型。

2" RFS的影響因素

目前，RFS的影響因素尚未明確，國(guó)內(nèi)外研究中報(bào)道的RFS影響因素主要集中于4個(gè)方面。1）病人因素：隨著年齡增長(zhǎng)，機(jī)體功能逐漸減退，代償功能下降，且高齡病人攝入量及熱量需求減少，胃腸道功能減弱，對(duì)營(yíng)養(yǎng)物質(zhì)的吸收減少，更易導(dǎo)致內(nèi)環(huán)境紊亂[13]。2）疾病相關(guān)因素：美國(guó)腸外和腸內(nèi)營(yíng)養(yǎng)學(xué)會(huì)（ASPEN）專家共識(shí)[1]指出，RFS更易出現(xiàn)于特定疾病人群中，如神經(jīng)性厭食癥、精神錯(cuò)亂、慢性酒精中毒、減重手術(shù)或腸切除術(shù)、營(yíng)養(yǎng)不良、長(zhǎng)期饑餓、惡性腫瘤、危重病人等。此外，急性生理與慢性健康狀況（APACHE Ⅱ）評(píng)分也是RFS的危險(xiǎn)因素[9]，病人疾病嚴(yán)重程度越高， 其合成代謝功能越亢奮， 消耗的維生素和電解質(zhì)越多，病人越易發(fā)生RFS。3）營(yíng)養(yǎng)因素：機(jī)體出現(xiàn)營(yíng)養(yǎng)不良是引發(fā)RFS的前提條件。英國(guó)國(guó)家衛(wèi)生與臨床優(yōu)化研究所（NICE）指南指出，體質(zhì)指數(shù)（BMI）lt;16.0 kg/m2是RFS的主要危險(xiǎn)因素，BMI為16.0～lt;18.5 kg/m2是RFS的次要危險(xiǎn)因素[14]。龍興霞等[15]研究結(jié)果顯示，營(yíng)養(yǎng)風(fēng)險(xiǎn)篩查量表2002（NRS 2002）評(píng)分≥3分的病人發(fā)生RFS的風(fēng)險(xiǎn)更高。4）電解質(zhì)紊亂及維生素缺乏：低磷血癥、硫胺素缺乏、維生素B1缺乏、低鎂血癥及低鉀血癥既是RFS的危險(xiǎn)因素也是RFS常見的臨床特征[16]。此外，RFS的危險(xiǎn)因素還包括低血清白蛋白濃度、低血清前白蛋白濃度、糖尿病史、鼻腸管喂養(yǎng)、36～38 ℃的營(yíng)養(yǎng)液溫度、高蛋白質(zhì)攝入、高熱量攝入和喂養(yǎng)速度過(guò)快、顱腦手術(shù)、48 h內(nèi)開始喂養(yǎng)、機(jī)械通氣、血尿素氮水平較高等[9，15，17?19]。這些影響因素可為構(gòu)建危重病人RFS風(fēng)險(xiǎn)預(yù)測(cè)模型提供一定參考。

3" 危重病人RFS風(fēng)險(xiǎn)預(yù)測(cè)模型

目前針對(duì)危重病人RFS預(yù)測(cè)模型的研究可依據(jù)模型構(gòu)建方法分為兩類，即基于傳統(tǒng)統(tǒng)計(jì)學(xué)方法建模和基于機(jī)器學(xué)習(xí)算法建模?；趥鹘y(tǒng)統(tǒng)計(jì)學(xué)方法建模是通過(guò)構(gòu)建數(shù)學(xué)模型的方式，從候選變量中篩選出能獨(dú)立影響結(jié)局事件發(fā)生的預(yù)測(cè)因素，并將這些獨(dú)立預(yù)測(cè)因素作為預(yù)測(cè)指標(biāo)，以確定結(jié)局事件發(fā)生的概率[20]?；跈C(jī)器學(xué)習(xí)算法建模能處理多維、復(fù)雜、大量的數(shù)據(jù)，同時(shí)可納入多個(gè)因素進(jìn)行分析，具有強(qiáng)大的自我學(xué)習(xí)能力，可應(yīng)用于疾病輔助診斷，且有較高的可靠性和準(zhǔn)確性[21]。

3.1 基于回歸分析構(gòu)建ICU病人RFS風(fēng)險(xiǎn)預(yù)測(cè)模型

3.1.1 ICU病人RFS風(fēng)險(xiǎn)預(yù)測(cè)模型

龍興霞[22]采用回顧性研究方法納入了433例ICU病人作為建模組，基于建模組數(shù)據(jù)進(jìn)行RFS危險(xiǎn)因素分析并構(gòu)建Logistic回歸模型，根據(jù)回歸系數(shù)對(duì)各危險(xiǎn)因素進(jìn)行賦分，編制了ICU腸內(nèi)營(yíng)養(yǎng)病人RFS簡(jiǎn)易風(fēng)險(xiǎn)評(píng)估量表；其采用前瞻性研究方法納入了多中心的120例ICU病人作為驗(yàn)證組，將驗(yàn)證組數(shù)據(jù)代入構(gòu)建的ICU腸內(nèi)營(yíng)養(yǎng)病人RFS簡(jiǎn)易風(fēng)險(xiǎn)評(píng)估量表，驗(yàn)證量表的實(shí)際預(yù)測(cè)能力，并比較量表與模型的一致性，結(jié)果顯示，NRS 2002評(píng)分、血清白蛋白濃度、血清前白蛋白濃度、糖尿病病史、喂養(yǎng)途徑、腸內(nèi)營(yíng)養(yǎng)液溫度、蛋白質(zhì)攝入情況、熱量攝入情況和喂養(yǎng)速度是RFS的獨(dú)立危險(xiǎn)因素。該研究構(gòu)建的ICU腸內(nèi)營(yíng)養(yǎng)病人RFS簡(jiǎn)易風(fēng)險(xiǎn)評(píng)估量表以4分為最佳量表截?cái)嘀担?分為RFS高風(fēng)險(xiǎn)，lt;4分為RFS低風(fēng)險(xiǎn)。該研究中，建模組的H?L擬合優(yōu)度檢驗(yàn)顯示P=0.129（gt;0.05），AUC為0.913，模型靈敏度為82.3%，特異度89.4%；驗(yàn)證組H?L擬合優(yōu)度檢驗(yàn)顯示P=0.676（gt;0.05），AUC為 0.882，模型靈敏度為89.5%，特異度為 74.4%，約登指數(shù)為0.639，模型預(yù)測(cè)準(zhǔn)確率為80%。ICU腸內(nèi)營(yíng)養(yǎng)病人RFS簡(jiǎn)易風(fēng)險(xiǎn)評(píng)估量表預(yù)測(cè)準(zhǔn)確率為 79.2%，Kappa一致性檢驗(yàn)系數(shù)為0.843（Plt;0.001），提示量表與模型具有較好的一致性和臨床預(yù)測(cè)能力，且具有較高的臨床應(yīng)用價(jià)值。龍興霞[22]構(gòu)建的風(fēng)險(xiǎn)預(yù)測(cè)模型為我國(guó)首個(gè)報(bào)告的ICU病人腸內(nèi)營(yíng)養(yǎng)RFS風(fēng)險(xiǎn)預(yù)測(cè)模型，其編制的ICU腸內(nèi)營(yíng)養(yǎng)病人RFS簡(jiǎn)易風(fēng)險(xiǎn)評(píng)估量表為ICU護(hù)士提供了更為直觀、方便的RFS評(píng)估工具，有利于快速識(shí)別RFS高危人群，提高護(hù)士工作效率。此外，龍興霞[22]的研究對(duì)鼻腸管喂養(yǎng)、營(yíng)養(yǎng)液溫度及速度等腸內(nèi)營(yíng)養(yǎng)相關(guān)因素進(jìn)行了分析、討論，對(duì)未來(lái)相關(guān)研究的開展具有借鑒意義。

Wong等[23]采用回顧性隊(duì)列研究方法，納入ICU的149例全腸外營(yíng)養(yǎng)病人作為研究對(duì)象構(gòu)建Logistic回歸模型，結(jié)果顯示，疾病危重、腸外營(yíng)養(yǎng)前使用利尿劑和腸外營(yíng)養(yǎng)前低鎂血癥3個(gè)指標(biāo)是RFS的獨(dú)立危險(xiǎn)因素。模型一致性較好，AUC為0.74[95%CI（0.66，0.82）]。該研究提出使用利尿劑是導(dǎo)致RFS的危險(xiǎn)因素之一，使用利尿劑后易導(dǎo)致病人出現(xiàn)電解質(zhì)紊亂，如低鉀血癥、低鎂血癥等。提示醫(yī)護(hù)人員在病人使用利尿劑后應(yīng)密切監(jiān)測(cè)電解質(zhì)水平，預(yù)防RFS。

徐陽(yáng)等[24]通過(guò)單中心回顧性研究收集了200例首次入住ICU的危重病人資料，構(gòu)建入院時(shí)RFS的預(yù)測(cè)模型，結(jié)果顯示，血清前白蛋白、C反應(yīng)蛋白、尿素氮是RFS的獨(dú)立影響因素。該模型的H?L檢驗(yàn)結(jié)果顯示χ2=3.808（P=0.874），AUC為0.742[95%CI（0.671，0.813）]，靈敏度為81.34%，特異度為57.58%，表明模型預(yù)測(cè)RFS病人的能力較強(qiáng)，但篩選非RFS病人的能力相對(duì)較差。在該預(yù)測(cè)模型的臨床實(shí)踐應(yīng)用過(guò)程中，可能需要增加病人數(shù)量，會(huì)在一定程度上造成臨床資源浪費(fèi)。此外，該模型納入的樣本包括神經(jīng)重癥、呼吸、循環(huán)、腫瘤、多發(fā)傷及感染性休克等疾病病人，可以對(duì)ICU大部分病人進(jìn)行RFS預(yù)測(cè)，但缺乏外部驗(yàn)證，其外推性有待進(jìn)一步明確。

3.1.2 ICU膿毒癥病人RFS預(yù)測(cè)模型

王虹等[25]在回顧性研究中納入了202例ICU膿毒癥病人，納入的因素包括一般資料[性別、年齡、既往病史、機(jī)械通氣時(shí)間、BMI、NRS 2002評(píng)分、急性胃腸功能損傷、APACHE Ⅱ評(píng)分、序貫性臟器功能衰竭（SOFA）評(píng)分]、營(yíng)養(yǎng)支持方式（全腸內(nèi)營(yíng)養(yǎng)、全腸外營(yíng)養(yǎng)、腸內(nèi)營(yíng)養(yǎng)聯(lián)合腸外營(yíng)養(yǎng)）、開始喂養(yǎng)后第3天的實(shí)驗(yàn)室指標(biāo)（血常規(guī)、生化檢驗(yàn)、12項(xiàng)細(xì)胞因子、感染相關(guān)蛋白、淋巴亞群測(cè)定、維生素B1、糖代謝相關(guān)檢測(cè)、肌酐?身高指數(shù)、血?dú)夥治觯⑹欠袷褂美騽?、是否使用胰島素、住院時(shí)間等，采用單因素分析篩選候選變量，采用Logistic回歸分析篩選獨(dú)立預(yù)測(cè)因子，并建立ICU膿毒癥病人RFS風(fēng)險(xiǎn)預(yù)測(cè)模型：Logit（P）=1.39×利尿劑+0.15×BMI-0.14×肌酐?身高指數(shù)+0.75×血清鉀-0.16×空腹血糖+0.78×維生素B1-2.94，該模型AUC為0.83，具有較好的預(yù)測(cè)性能。AUC越接近0.50模型預(yù)測(cè)性能越差，AUC越接近1.00模型預(yù)測(cè)性能越好，AUC為0.50～lt;0.70表明模型區(qū)分能力較差，0.70～lt;0.80表明模型區(qū)分能力可接受，0.80～lt;0.90表明模型區(qū)分能力良好，≥0.90表明模型區(qū)分能力優(yōu)秀[26]。但該模型的數(shù)據(jù)來(lái)源于回顧性研究，可能存在選擇偏倚，因此，模型的實(shí)踐價(jià)值有待進(jìn)一步驗(yàn)證，且模型未進(jìn)行內(nèi)部驗(yàn)證及外部驗(yàn)證，無(wú)法確定模型的可重復(fù)性、可移植性及可泛化性。研究?jī)H采用AUC評(píng)價(jià)模型區(qū)分度，未進(jìn)行校準(zhǔn)度及決策曲線分析等評(píng)估。此外，模型針對(duì)ICU膿毒癥病人構(gòu)建，對(duì)于ICU中其他疾病病人適用性可能不佳。

3.1.3 神經(jīng)科重癥病人RFS列線圖預(yù)測(cè)模型

Zhang等[27]對(duì)神經(jīng)科ICU中357例腸內(nèi)營(yíng)養(yǎng)病人進(jìn)行回顧性研究，以年齡、胰島素史、酗酒史、NRS 2002評(píng)分、APACHE Ⅱ評(píng)分、SOFA評(píng)分、格拉斯哥昏迷評(píng)分法（GCS）評(píng)分、入院時(shí)血清白蛋白和前白蛋白濃度及基線血清鉀、鈉、鎂、磷水平等18個(gè)變量為候選變量，使用Logistic回歸分析篩選神經(jīng)重癥病人的RFS獨(dú)立危險(xiǎn)因素，包括酗酒史、禁食時(shí)間、APACHE Ⅱ評(píng)分、SOFA評(píng)分、血清白蛋白和基線血清鉀，進(jìn)而構(gòu)建了神經(jīng)重癥病人RFS列線圖預(yù)測(cè)模型，模型H?L檢驗(yàn)結(jié)果為P=0.616（gt;0.05），表明RFS風(fēng)險(xiǎn)預(yù)測(cè)模型具有較好的穩(wěn)定性。該模型的AUC為0.791[95%CI（0.745，0.832）]，靈敏度和特異度分別為71.8%和77.7%。此外，臨床決策曲線分析顯示該模型的臨床適用性較好。列線圖模型是將各獨(dú)立危險(xiǎn)因素對(duì)結(jié)局事件的影響程度以分值的方式呈現(xiàn)，得到風(fēng)險(xiǎn)的發(fā)生概率，將預(yù)測(cè)結(jié)果進(jìn)行可視化展現(xiàn)的圖形，其可使預(yù)測(cè)模型的結(jié)果更具可讀性[28]。該研究使用列線圖模型將Logistic回歸分析結(jié)果可視化，有利于臨床醫(yī)護(hù)人員更加直觀地評(píng)估神經(jīng)重癥病人RFS風(fēng)險(xiǎn)，及早識(shí)別高危病人，構(gòu)建個(gè)體化RFS干預(yù)方案，降低RFS發(fā)生率。然而，該模型基于單中心回顧性研究構(gòu)建，可能存在選擇偏倚；同時(shí)，該研究樣本量有限，可能導(dǎo)致樣本代表性不足；此外，該研究未進(jìn)行外部驗(yàn)證，具有一定局限性。

3.2 基于機(jī)器學(xué)習(xí)算法構(gòu)建RFS預(yù)測(cè)模型

Choi等[29]回顧性納入了806例病人的一般人口學(xué)資料、實(shí)驗(yàn)室檢測(cè)結(jié)果、營(yíng)養(yǎng)狀況、治療狀況等相關(guān)資料，并比較了極端梯度增強(qiáng)（XGBoost）機(jī)器學(xué)習(xí)、Logistic回歸、ridge回歸、Lasso回歸4種模型的差異，以Shapley（SHAP）值解釋機(jī)器學(xué)習(xí)分類，根據(jù)SHAP值的重要性排序，低初始磷水平、近期體重減輕、高肌酐水平、糖尿病并使用胰島素、低血紅蛋白、使用利尿劑、入住ICU、血尿素氮水平、腸外營(yíng)養(yǎng)、低鎂或高鎂血癥、低血鉀和高齡是預(yù)測(cè)RFS的危險(xiǎn)因素。該研究顯示，XGBoost機(jī)器學(xué)習(xí)模型表現(xiàn)最為突出，其AUC為0.950[95%CI（0.924，0.975）]，Logistic回歸模型AUC為0.760[95%CI（0.707，0.813）]；Lasso回歸模型AUC為0.751[95%CI（0.694，0.807）]；ridge回歸模型AUC為0.758[95%CI（0.701，0.809）] 。此外，該研究還以準(zhǔn)確率、精確率、召回率、精確度?召回率曲線下面積4個(gè)指標(biāo)評(píng)估了模型的具體效能，結(jié)果表明，XGBoost機(jī)器學(xué)習(xí)模型效能最佳。機(jī)器學(xué)習(xí)模型是人工智能的一個(gè)新興領(lǐng)域，其主要優(yōu)點(diǎn)在于具有高效的學(xué)習(xí)能力、極強(qiáng)的靈活性及可塑性，具有強(qiáng)大的處理非線性關(guān)系和自動(dòng)發(fā)現(xiàn)并利用各因素之間交互效應(yīng)的能力，因此，機(jī)器學(xué)習(xí)模型的結(jié)果更加準(zhǔn)確、可信[30]。XGBoost算法屬于Boosting算法，已被廣泛使用并取得了良好效果。該算法主要通過(guò)對(duì)多個(gè)分類邏輯簡(jiǎn)單、準(zhǔn)確率低的弱分類器不停訓(xùn)練，最終組合成準(zhǔn)確率高的分類器模型[31]。此外，該建模方法對(duì)小樣本回歸運(yùn)算也具有一定的有效性和可行性[32]。根據(jù)XGBoost機(jī)器學(xué)習(xí)模型的危險(xiǎn)因素構(gòu)建風(fēng)險(xiǎn)評(píng)估工具，能快速識(shí)別存在RFS風(fēng)險(xiǎn)的病人，指導(dǎo)臨床醫(yī)護(hù)人員提前進(jìn)行精準(zhǔn)護(hù)理，從而為ICU病人實(shí)施個(gè)體化的營(yíng)養(yǎng)支持治療，降低RFS發(fā)病率和死亡率。

4" 小結(jié)

目前，國(guó)內(nèi)外關(guān)于危重癥病人RFS風(fēng)險(xiǎn)預(yù)測(cè)模型的研究仍處于初步階段，研究較為單一，多數(shù)研究為單中心回顧性研究、通過(guò)Logistic回歸算法構(gòu)建風(fēng)險(xiǎn)預(yù)測(cè)模型，僅有少量研究進(jìn)行模型驗(yàn)證，且缺少模型性能評(píng)估，可能導(dǎo)致模型外推性及適用性不強(qiáng)。因此，研究者未來(lái)應(yīng)開展大樣本、多中心的前瞻性研究進(jìn)一步探討RFS的影響因素，豐富RFS風(fēng)險(xiǎn)預(yù)測(cè)模型的建模方法，不僅要對(duì)模型進(jìn)行內(nèi)部驗(yàn)證，還應(yīng)在具有代表性的人群中進(jìn)行多中心、前瞻性的外部驗(yàn)證。此外，研究者應(yīng)對(duì)模型的預(yù)測(cè)性能、適用性、穩(wěn)定性等進(jìn)行全面評(píng)估，以優(yōu)化RFS風(fēng)險(xiǎn)預(yù)測(cè)模型，為臨床提供便捷、有效的RFS風(fēng)險(xiǎn)評(píng)估工具，為早期識(shí)別RFS的危險(xiǎn)因素及高危人群提供參考。

參考文獻(xiàn)：

[1]" DA SILVA J S V，SERES D S，SABINO K，et al.ASPEN consensus recommendations for refeeding syndrome[J].Nutr Clin Pract，2020，35（2）：178-195.

[2]" CIOFFI I，PONZO V，PELLEGRINI M，et al.The incidence of the refeeding syndrome.A systematic review and meta-analyses of literature[J].Clin Nutr，2021，40（6）：3688-3701.

[3]" OLTHOF L E，KOEKKOEK W A C K，VAN SETTEN C，et al.Impact of caloric intake in critically ill patients with，and without，refeeding syndrome：a retrospective study[J].Clin Nutr，2018，37（5）：1609-1617.

[4]" HEUFT L，VOIGT J，SELIG L，et al.Refeeding syndrome--diagnostic challenges and the potential of clinical decision support systems[J].Dtsch ?rztebl Int，2023，120（7）：107-114.

[5]" FUENTES E，YEH D D，QURAISHI S A，et al.Hypophosphatemia in enterally fed patients in the surgical intensive care unit[J].Nutr Clin Pract，2017，32（2）：252-257.

[6]" 熊瑞琪.神經(jīng)重癥患者再喂養(yǎng)綜合征的危險(xiǎn)因素及預(yù)后研究[D].廣州：南方醫(yī)科大學(xué)，2021.

[7]" 崔亞茹.ICU腸內(nèi)營(yíng)養(yǎng)患者再喂養(yǎng)綜合征發(fā)生現(xiàn)況及危險(xiǎn)因素研究[D].蘇州：蘇州大學(xué)，2022.

[8]" 龍興霞，姚梅琪，姚金蘭.ICU再喂養(yǎng)綜合征的臨床特點(diǎn)與護(hù)理進(jìn)展[J].護(hù)理研究，2020，34（23）：4231-4235.

[9]" 張偉，湯云，周志慶，等.重癥患者再喂養(yǎng)綜合征危險(xiǎn)因素的Meta分析[J].護(hù)理學(xué)雜志，2022，37（10）：15-19.

[10]" 曹煜隆，單嬌，龔志忠，等.個(gè)體預(yù)后與診斷預(yù)測(cè)模型研究報(bào)告規(guī)范——TRIPOD聲明解讀[J].中國(guó)循證醫(yī)學(xué)雜志，2020，20（4）：492-496.

[11]" 鄧建新，單路寶，賀德強(qiáng)，等.缺失數(shù)據(jù)的處理方法及其發(fā)展趨勢(shì)[J].統(tǒng)計(jì)與決策，2019，35（23）：28-34.

[12]" 王俊峰，章仲恒，周支瑞，等.臨床預(yù)測(cè)模型：模型的驗(yàn)證[J].中國(guó)循證心血管醫(yī)學(xué)雜志，2019，11（2）：141-144.

[13]" POURHASSAN M，CUVELIER I，GEHRKE I，et al.Risk factors of refeeding syndrome in malnourished older hospitalized patients[J].Clin Nutr，2018，37（4）：1354-1359.

[14]" National Collaborating Centre for Acute Care（UK）.Nutrition support for adults：oral nutrition aupport，enteral tube feeding and parenteral nutrition[EB/OL].（2006-02）[2023-09-25].https：//pubmed.ncbi.nlm.nih.gov/21309138/.

[15]" 龍興霞，姚梅琪，姚金蘭，等.ICU腸內(nèi)營(yíng)養(yǎng)患者再喂養(yǎng)綜合征發(fā)生現(xiàn)狀及影響因素研究[J].中華護(hù)理雜志，2021，56（6）：818-823.

[16]" 顏冉冉，張立文，楊瑩，等.ICU患者再喂養(yǎng)綜合征風(fēng)險(xiǎn)預(yù)測(cè)指標(biāo)研究進(jìn)展[J].中華危重病急救醫(yī)學(xué)，2021，33（11）：1397-1400.

[17]" 崔亞茹，陳蘭，陸雪梅.神經(jīng)內(nèi)科重癥監(jiān)護(hù)病房病人再喂養(yǎng)綜合征現(xiàn)狀及影響因素研究[J].護(hù)理研究，2023，37（2）：234-239.

[18]" KAMEOKA N，IGA J，TAMARU M，et al.Risk factors for refeeding hypophosphatemia in Japanese inpatients with anorexia nervosa[J].Int J Eat Disord，2016，49（4）：402-406.

[19]" BROWN C A，SABEL A L，GAUDIANI J L，et al.Predictors of hypophosphatemia during refeeding of patients with severe anorexia nervosa[J].Int J Eat Disord，2015，48（7）：898-904.

[20]" 谷鴻秋，周支瑞，章仲恒，等.臨床預(yù)測(cè)模型：基本概念、應(yīng)用場(chǎng)景及研究思路[J].中國(guó)循證心血管醫(yī)學(xué)雜志，2018，10（12）：1454-1456;1462.

[21]" DEO R C.Machine learning in medicine[J].Circulation，2015，132（20）：1920-1930.

[22]" 龍興霞.ICU腸內(nèi)營(yíng)養(yǎng)患者再喂養(yǎng)綜合征危險(xiǎn)因素分析及風(fēng)險(xiǎn)預(yù)測(cè)模型研究[D].湖州：湖州師范學(xué)院，2021.

[23]" WONG G J Y，PANG J G T，LI Y Y，et al.Refeeding hypophosphatemia in patients receiving parenteral nutrition：prevalence，risk factors，and predicting its occurrence[J].Nutr Clin Pract，2021，36（3）：679-688.

[24]" 徐陽(yáng)，吳淑璐，張杰，等.ICU再喂養(yǎng)綜合征早期危險(xiǎn)因素的探查及模型預(yù)測(cè)[J].臨床急診雜志，2023，24（1）：35-40.

[25]" 王虹，楊德興，王強(qiáng)，等.ICU膿毒癥患者發(fā)生再喂養(yǎng)綜合征的危險(xiǎn)因素分析及預(yù)測(cè)模型建立[J].昆明醫(yī)科大學(xué)學(xué)報(bào)，2022，43（11）：44-51.

[26]" NAHM F S.Receiver operating characteristic curve：overview and practical use for clinicians[J].Korean J Anesthesiol，2022，75（1）：25-36.

[27]" ZHANG W，ZHANG S X，CHEN S F，et al.Development and validation of risk prediction model for refeeding syndrome in neurocritical patients[J].Front Nutr，2023，10：1083483.

[28]" WANG X X，LU J L，SONG Z X，et al.From past to future：Bibliometric analysis of global research productivity on nomogram（2000-2021）[J].Front Public Health，2022，10：997713.

[29]" CHOI T Y，CHANG M Y，HEO S，et al.Explainable machine learning model to predict refeeding hypophosphatemia[J].Clin Nutr ESPEN，2021，45：213-219.

[30]" IGARASHI Y，OGAWA K，NISHIMURA K，et al.Machine learning for predicting successful extubation in patients receiving mechanical ventilation[J].Front Med，2022，9：961252.

[31]" WANG R R，ZHANG J，SHAN B Y，et al.XGBoost machine learning algorithm for prediction of outcome in aneurysmal subarachnoid hemorrhage[J].Neuropsychiatr Dis Treat，2022，18：659-667.

[32]" 林靖淇.基于機(jī)器學(xué)習(xí)算法的冠心病風(fēng)險(xiǎn)模型及冠狀動(dòng)脈狹窄程度研究[D].廣州：南方醫(yī)科大學(xué)，2022.

（收稿日期：2023-10-21；修回日期：2024-08-28）

（本文編輯 陳瓊）