人工智能在管理医院营养不良中的应用：一项系统评价

《Clinical Nutrition ESPEN》：Artificial Intelligence in the Management of Hospital Malnutrition: A Systematic Review

住院患者营养不良的AI筛查研究：系统综述显示AI模型（随机森林、XGBoost等）在诊断准确率（AUC>90%）和效率方面显著优于传统方法，可缩短诊断时间30%-50%，降低住院成本15%-25%，但需解决数据质量、临床整合及伦理问题。

　　

斯蒂法诺·曼钦（Stefano Mancin）|R.N. 加埃塔诺·费拉拉（R.N. Gaetano Ferrara）|迭戈·洛帕内（Diego Lopane）（理学硕士）|乔瓦尼·坎杰洛西（Giovanni Cangelosi）|法比奥·佩特雷利（Fabio Petrelli）|萨拉·莫拉莱斯·帕洛马雷斯（Sara Morales Palomares）|马可·斯瓜恩奇（Marco Sguanci）

IRCCS Humanitas 研究医院，地址：意大利米兰罗扎诺（Rozzano）曼佐尼街 56 号，邮编 20089

摘要

背景

目的：医院营养不良是一个普遍存在的问题，影响着 30% 至 50% 的住院患者，导致住院时间延长、并发症增加以及医疗费用上升。传统的筛查方法往往无法有效识别营养不良。人工智能（AI）有潜力提高早期发现能力、改善患者预后并优化医院资源利用。本系统评价旨在评估基于 AI 的干预措施在早期识别和管理医院营养不良方面的有效性。

方法

根据《系统评价和荟萃分析优先报告条目》（Preferred Reporting Items for Systematic Reviews and Meta-Analyses）指南，在多个数据库（包括 PubMed、Cochrane 文库、护理及相关健康文献累积索引（Cumulative Index to Nursing and Allied Health Literature）和 Excerpta Medica 数据库）中进行了系统搜索。纳入了评估 AI 干预措施在成人住院患者中识别营养不良效果的研究。使用 Joanna Briggs 研究所（Joanna Briggs Institute, JBI）的工具对方法学质量和偏倚风险进行了评估。

结果

共有 12 项研究符合纳入标准，这些研究使用了随机森林（Random Forest）、极端梯度提升（Extreme Gradient Boosting, XGBoost）和轻量级梯度提升机（Light Gradient Boosting Machine, LightGBM）等 AI 算法。基于 AI 的模型显示出比传统筛查方法更高的准确性，多项研究的曲线下面积（AUC）值超过 90%。这些干预措施提高了营养不良的诊断率，减少了诊断延迟，并通过优化资源分配和缩短住院时间提升了成本效益。

结论

基于 AI 的方法在改善营养不良的识别和管理方面具有巨大潜力，能够提高诊断准确性和运营效率。将 AI 整合到临床工作中可以改善患者预后并节省成本。然而，必须解决数据质量、员工培训及伦理问题等挑战，以确保其有效实施。需要进一步的研究来验证 AI 在不同医疗环境中的应用效果。

协议注册

本系统评价遵循了在 Open Science Framework 上前瞻性注册的协议，注册链接如下：10.17605/OSF.IO/34KWU