影响新生儿重症监护病房住院儿童喂养能力的因素：一项运用机器学习方法的聚类分析

《Frontiers in Pediatrics》：Factors affecting feeding ability in children with neonatal intensive care unit stay: a cluster analysis using machine learning methods

口服喂养困难是新生儿重症监护室（NICU）常见问题，本研究通过大规模样本（1,419例）和机器学习方法（XGBoost），结合Preterm Infant Oral Feeding Readiness Assessment Scale（PIOFRA）评估，发现吸吮力正向、吸吮反射负向显著影响喂养成功率，并识别出三组临床特征亚型。

　　在新生儿重症监护室（NICU）中，口腔喂养的引入是一项具有挑战性的任务。由于新生儿的生理和神经发育尚未成熟，他们在接受喂养时常常面临各种困难。这些困难不仅影响他们的营养摄入，还可能对长期的发育轨迹产生深远的影响。因此，如何准确评估新生儿的口腔喂养能力，识别影响其喂养成功的因素，以及制定有效的干预措施，成为NICU医疗护理中的重要课题。

本研究的目标在于探索NICU中接受治疗的新生儿在口腔喂养方面的相关特征，并识别其主要的预测因素。通过对这些特征的深入分析，可以为临床提供更加精准的评估工具，从而优化喂养策略，提高喂养成功率，减少不必要的鼻饲或静脉营养依赖。同时，这项研究也旨在为制定个性化的干预方案提供依据，帮助新生儿更安全、更高效地过渡到自主喂养。

研究采用了多种方法，包括聚类分析、方差分析（ANOVA）以及机器学习模型，特别是XGBoost算法。XGBoost是一种高效的集成学习算法，基于梯度提升决策树，通过不断迭代优化模型，以最小化预测误差并提高预测精度。为了确保研究的科学性和可推广性，研究团队收集了来自一家本地公立医院的大量数据，共纳入1,419名NICU中的新生儿，涵盖不同性别、出生体重和胎龄的群体。这些新生儿在NICU中接受了一定的治疗，如感染、寄生虫病等，且均未在出生后24小时内死亡。

研究过程中，采用了名为“早产儿口腔喂养准备评估量表”（PIOFRA）的标准化评估工具，该工具能够量化新生儿的口腔喂养准备状态。PIOFRA包括多个维度，如胎龄、行为状态、口腔功能、口腔反射和吸吮能力等。通过综合这些评估指标，可以对新生儿的喂养能力进行系统性的判断。研究发现，PIOFRA总分低于30分的新生儿通常表现出口腔喂养不耐受，而得分较高的则更有可能实现自主喂养。此外，研究还强调了吸吮能力和根反射在预测口腔喂养结果中的重要性，其中吸吮能力被识别为对预测结果产生最大正向影响的因素，而根反射则可能对预测结果产生负向影响。

为了进一步揭示不同新生儿群体在口腔喂养方面的差异，研究团队采用了聚类分析方法。通过Ward链接法或最小方差法，研究者发现样本中存在三种具有明显特征的聚类模式，分别代表了不同程度的口腔喂养能力。这些聚类模式在行为状态、口腔功能、口腔反射和吸吮能力等方面表现出显著差异。例如，第一种聚类模式表现出较差的行为状态，而第四种聚类模式则与较差的吸吮能力相关。虽然这些聚类模式在出生体重和年龄上没有显著差异，但在胎龄方面，某些严重群体表现出更长的胎龄，这可能与他们的喂养能力有关。此外，研究还发现，尽管某些群体的口腔喂养表现较差，但他们的胎龄却较长，这一发现可能对未来的喂养策略和干预措施具有重要的指导意义。

在预测模型的构建方面，研究团队使用了XGBoost算法，并结合SHAP值（Shapley Additive Explanation）来分析各特征对预测结果的影响。与传统的逻辑回归、随机森林等模型相比，XGBoost在预测新生儿是否能够实现自主喂养方面表现出更高的准确性，达到了85.2%。这一结果表明，XGBoost在处理复杂数据和识别关键预测因子方面具有显著优势。通过SHAP值的分析，研究者发现吸吮能力对预测结果的正向影响最大，而根反射则可能对预测结果产生负向影响。这种影响的差异性提示，吸吮能力是实现自主喂养的关键因素，而根反射的作用可能因个体差异而有所不同。

研究还通过方差分析（ANOVA）进一步探讨了不同聚类群体之间的差异。结果显示，不同群体在行为状态、口腔功能、口腔反射和吸吮能力等方面存在显著差异，这表明这些特征可以作为区分不同喂养能力群体的重要依据。同时，研究团队发现，某些群体虽然在某一维度上表现较差，但在其他维度上可能具有相对优势。这种现象提示，口腔喂养能力的评估不能简单地依赖单一指标，而需要综合考虑多个维度的特征。

此外，研究团队还发现，新生儿在NICU中的喂养表现与他们的出生体重和胎龄密切相关。例如，出生体重较低或胎龄不足的新生儿更容易出现喂养困难，而这些因素可能影响他们实现自主喂养的时间。尽管已有研究表明，出生体重和胎龄是预测喂养能力的重要指标，但本研究进一步强调了这些因素在不同群体中的具体表现。例如，某些群体虽然胎龄较长，但仍然表现出较差的喂养能力，这可能与他们的行为状态或口腔反射功能有关。

在临床实践中，喂养能力的评估通常依赖于医生的主观判断和经验，缺乏标准化的工具。因此，本研究采用的PIOFRA量表为临床提供了一种更加系统和客观的评估方法。通过这一量表，医护人员可以更准确地判断新生儿的喂养准备情况，并据此制定个性化的喂养方案。同时，该量表还具有良好的心理测量学特性，如内部一致性（Cronbach's alpha为0.804），表明其在临床应用中的可靠性。

研究还指出，传统的喂养评估方法往往局限于单一维度的分析，难以全面反映新生儿的喂养能力。相比之下，本研究采用的聚类分析方法能够更有效地识别不同群体的特征，从而为临床提供更细致的分类依据。例如，研究发现，某些新生儿虽然在某一维度上表现较差，但在其他维度上可能具有相对优势。这种现象提示，临床评估需要更加全面地考虑多个维度的特征，而不是仅关注某一单一指标。

在机器学习模型的应用方面，XGBoost算法的优势在于其能够处理复杂的非线性关系，并通过迭代优化提高预测精度。与传统的统计模型相比，XGBoost在预测新生儿是否能够实现自主喂养方面表现出更高的准确性。此外，SHAP值的引入使得模型的解释性更强，能够清晰地展示各特征对预测结果的贡献程度。这一方法不仅有助于理解模型的决策过程，还能为临床提供更具操作性的指导。

尽管本研究取得了重要进展，但仍然存在一些局限性。首先，研究采用的PIOFRA量表虽然具有良好的心理测量学特性，但可能无法全面反映所有影响喂养能力的因素。其次，新生儿的生理状态具有高度的不稳定性和个体差异，这使得某些关键特征的评估存在一定的困难。此外，研究中未能纳入一些与喂养相关的生理指标，如心率、血压和血氧水平，这可能影响模型的预测能力。最后，由于本研究为横断面研究，无法全面揭示喂养能力变化的动态过程，因此需要进一步开展纵向研究以验证这些发现。

本研究的结果对NICU的临床实践具有重要的指导意义。首先，它为新生儿的口腔喂养评估提供了一种新的方法，使得医护人员能够更准确地判断新生儿的喂养能力，并据此制定个性化的干预方案。其次，研究发现的吸吮能力和根反射对预测结果的影响，为未来的喂养干预提供了明确的方向。例如，加强吸吮能力的训练可能有助于提高新生儿的自主喂养成功率，而针对根反射的干预则可能需要更加谨慎，以避免对喂养过程产生负面影响。

此外，研究还强调了早期评估和干预的重要性。通过及时发现新生儿的喂养困难，医护人员可以采取相应的措施，如调整喂养方式、提供营养支持或进行行为训练，以促进新生儿的自主喂养能力。这不仅有助于提高喂养成功率，还可能减少住院时间，降低NICU的再入院率，从而改善新生儿的整体健康状况。

总的来说，本研究通过结合聚类分析和机器学习方法，揭示了NICU中新生儿口腔喂养能力的相关特征和主要预测因素。研究结果表明，吸吮能力和根反射在预测口腔喂养结果中具有重要作用，而出生体重和胎龄也是影响喂养能力的重要指标。这些发现为未来的临床实践提供了新的思路和方法，同时也为进一步研究新生儿喂养能力的机制奠定了基础。然而，研究仍然存在一些局限性，需要在未来的研究中加以改进。例如，可以引入更多的生理指标，或者采用纵向研究设计，以更全面地了解新生儿喂养能力的发展过程。此外，还可以探索不同干预措施对喂养能力的影响，以期为临床提供更加有效的支持策略。