基于生物电阻抗与红外成像融合的机器学习成人体重预测模型研究

《Biosensors and Bioelectronics》：Machine learning-driven prediction model of adult body weight based on integrated bioelectrical impedance and infrared imaging

本研究开发了一种融合生物电阻抗分析（BIA）和全身红外成像数据的人工智能（AI）体重预测系统。通过CatBoost算法构建的融合模型展现出最佳性能，平均绝对误差（MAE）低至1.42-1.68 kg，预测值与实际值相关性显著（r ≥ 0.96, P < 0.05），为危重症患者等特殊人群提供了非侵入性、精准的体重评估新方案。

　　

Highlight

研究设计与参与者

在这项单中心观察性临床研究中，我们基于2024年1月至2024年4月期间在同济大学附属上海市第四人民医院参与者的红外图像和BIA数据集，开发了一套人工智能系统。所有参与者均来自该院的住院患者和体检者。研究方案已获得同济大学附属上海市第四人民医院机构评审委员会的批准（批准号：2023115-001），并...

参与者的特征

本研究的设计和流程图如图1所示。这项观察性研究最初招募了1416名参与者，其中51人因红外图像质量不佳、未达到预设诊断标准而被排除。因此，最终分析纳入了1365名参与者。所分析参与者的基线特征见表S2。该队列包括918名女性和447名男性。参与者的平均年龄为30岁，平均身高为166厘米，...

讨论

精准测量体重对于有效的临床管理至关重要，因为它为治疗决策、营养干预和疾病进展评估提供依据 (Oliveros et al., 2014; Ansari et al., 2024; Vest et al., 2024)。然而，传统的体重测量技术在急性护理环境中往往存在不足，特别是对于活动受限或处于危重状态的患者 (Zhou et al., 2017; Imeraj et al., 2022)。在本研究中，我们旨在...

结论

总之，通过整合BIA和红外图像衍生特征所开发的人工智能体重预测模型，实现了1.42–1.48 kg的MAE，与先前报道的方法相比，预测准确性有所提高。这种方法为卧床患者，特别是在资源有限的环境中，提供了一种显著准确的体重评估手段。然而，由于该模型是在单一中心开发的，其稳健性需要在多中心研究中进一步验证。