Прогнозирование нутритивной недостаточности у онкологических пациентов с помощью машинного обучения: обзор

Обложка
  • Авторы: Кукош М.Ю.1,2, Обухова О.А.3
  • Учреждения:
    1. Российский университет дружбы народов им. П. Лумумбы
    2. Медицинский радиологический научный центр им. А.Ф. Цыба — филиал Национального медицинского исследовательского центра радиологии
    3. Национальный медицинский исследовательский центр онкологии им. Н.Н. Блохина
  • Выпуск: Том 6, № 2 (2025)
  • Страницы: 79-87
  • Раздел: Научные обзоры
  • URL: https://journal-vniispk.ru/2658-4433/article/view/357339
  • DOI: https://doi.org/10.17816/clinutr686579
  • EDN: https://elibrary.ru/DFBYCE
  • ID: 357339

Цитировать

Полный текст

Аннотация

Нутритивная недостаточность оказывает значительное влияние на результаты противоопухолевого лечения онкологических больных. Достаточно часто назначение нутритивной поддержки врач осуществляет субъективно, в связи с чем возможны ошибки при принятии решения о необходимости проведения, способе введения и составе искусственного питания. В то же время в реальной клинической практике всё чаще применяют машинное обучение и искусственный интеллект, однако их использование в области нутритивной поддержки весьма ограничено. Мы провели обзор литературы по данной тематике с целью освещения современного состояния проблемы.

Приведены и проанализированы публикации, проиндексированные в базах данных MEDLINE, Web of Science, Научная электронная библиотека (eLibrary.ru) за 2021–2024 гг., о применении искусственного интеллекта, а именно алгоритмов машинного обучения для раннего выявления белково-энергетической недостаточности и прогнозирования её развития у онкологических пациентов. Результаты показывают, что предиктивные модели на основе искусственного интеллекта, а также модели для выявления белково-энергетической недостаточности могут быть интегрированы в системы поддержки принятия врачебных решений. Это обеспечивает своевременную диагностику и коррекцию нутритивного дефицита, что позволяет избежать субъективности и ограничений, присущих традиционному «эмпирическому» подходу к назначению нутритивной поддержки. В работе рассмотрены ошибки, часто встречающиеся при реализации нутритивной поддержки в онкологической практике, а также предложены возможности для их нивелирования с помощью машинного обучения.

По результатам проведённого анализа видно, что, несмотря на масштабные перспективы, использование инструментов машинного обучения и искусственного интеллекта в процессе выявления нутритивного дефицита и осуществления нутритивной поддержки в реальной клинической практике пока очень ограничено.

Об авторах

Мария Юрьевна Кукош

Российский университет дружбы народов им. П. Лумумбы; Медицинский радиологический научный центр им. А.Ф. Цыба — филиал Национального медицинского исследовательского центра радиологии

Email: manja70@inbox.ru
ORCID iD: 0000-0001-6481-1724
SPIN-код: 9093-8296

канд. мед. наук

Россия, Москва; Обнинск

Ольга Аркадьевна Обухова

Национальный медицинский исследовательский центр онкологии им. Н.Н. Блохина

Автор, ответственный за переписку.
Email: obukhova0404@yandex.ru
ORCID iD: 0000-0003-0197-7721
SPIN-код: 6876-7701

канд. мед. наук

Россия, Москва

Список литературы

  1. Stafford IS, Kellermann M, Mossotto E, et al. A systematic review of the application so far artificial intelligence and machine learning in autoimmune diseases. NPJ Digit Med. 2020;3:30. doi: 10.1038/s41746-020-0229-3 EDN: AYJNYL
  2. Dinh A, Miertschin S, Young A, Mohanty SD. A data-driven approach to predicting diabetes and cardiovascular disease with machine learning. BMC Med Inform Decis Mak. 2019;19:211. doi: 10.1186/s12911-019-0918-5 EDN: ZBLPDC
  3. Cho YR, Kang M. Interpretable machine learning in bioinformatics. Methods. 2020;179:1-2. doi: 10.1016/j.ymeth.2020.05.024 EDN: GPVDWK
  4. Collin C, Wade DT, Davies S, Horne V. The Barthel ADL Index: are liability study. Int Disabil Stud. 1988;10:61-63. doi: 10.3109/09638288809164103
  5. Mor V, Laliberte L, Morris JN, Wiemann M. The karnofsky performance status scale. An examination of its reliability and validity in a research setting. Cancer. 1984;53(9):2002-7. doi: 10.1002/1097-0142(19840501)53:9< 2002::aid-cncr2820530933> 3.0.co;2-w
  6. Giantonio BJ, Forastiere AA, Comis RL. Eastern Cooperative Oncology Group. The role of the Eastern Cooperative Oncology Group in establishing standards of cancer care: over 50 years of progress through clinical research. Semin Oncol. 2008;35(5):494-506. doi: 10.1053/j.seminoncol.2008.07.004
  7. Sytov AV, Obukhova OA, Matveeva SO, et al. Oncologists’ awareness of the ERAS protocols and RUSSCO guidelines key provisions on nutritional support in patients with cancer. Clinical nutrition and metabolism. 2024;5(3):114-121. doi: 10.17816/clinutr677829 EDN: OTCZVA
  8. Singer P, Blaser AR, Berger MM, et al. ESPEN practical and partially revised guideline: Clinical nutrition in the intensive care unit. Clin Nutr. 2023;42(9):1671-1689. doi: 10.1016/j.clnu.2023.07.011 EDN: TQSVZO
  9. Singer P. How to prescribe parenteral nutrition the safest way: case by case or using machine learning? J Intensive Med. 2022;2(2):67-68. doi: 10.1016/j.jointm.2022.03.002 EDN: HSSIYU
  10. Berger MM, Reintam Blaser A, Raphaeli O, Singer P. Early feeding in critical care - where are we now? Crit Care Clin. 2025;41(2):213-231. doi: 10.1016/j.ccc.2024.09.002 EDN: GYWWHF
  11. Kondrup J, Allison SP, Elia M, et al. ESPEN guidelines for nutrition screening 2002. Clin Nutr. 2003.22(4):415-421. doi: 10.1016/S0261-5614(03)00098-0
  12. Sytov AV, Zuzov SA, Kukosh MYu, et al. Nutritional support. RUSSCO practical recommendations, part 2. Malignant tumors 2024;14(3s2):163-173. doi: 10.18027/2224-5057-2024-14-3s2-2-08
  13. Balstad TR, Bye A, Jenssen CR, et al. Patient interpretation of the patient-generated subjective global assessment (PG-SGA) short form. Patient Prefer Adherence. 2019;13:1391-1400. doi: 10.2147/PPA.S204188
  14. Contreras-Bolivar V, Sanchez-Torralvo FJ, Ruiz-Vico M, et al. GLIM criteria using hand grip strength adequately predict six-month mortality in cancer inpatients. Nutrients. 2019;11(9):2043. doi: 10.3390/nu11092043
  15. Yin L, Lin X, Liu J, et al. Classification tree-based machine learning to visualize and validate a decision tool for identifying malnutrition in cancer patients. JPEN. 2021;45:1736-48. doi: 10.1002/jpen.2070 EDN: WPQVBH
  16. Cederholm T, Jensen GL, Correia MITD, et al. GLIM criteria for the diagnosis of malnutrition: A consensus report from the global clinical nutrition community. Clin Nutr. 2018;38(1):1-9. doi: 10.1016/j.clnu.2018.08.002
  17. Dai T, Wu D, Tang J, et al. Construction and validation of a predictive model for the risk of three-month-postoperative malnutrition in patients with gastric cancer: a retrospective case-control study. J Gastrointest Oncol. 2023;4:128-45. doi: 10.21037/jgo-22-1307 EDN: LEUNDC
  18. Yin L, Lin X, Li N, et al. Evaluation of the global leadership initiative on malnutrition criteria using different muscle mass indices for diagnosing malnutrition and predicting survival in lung cancer patients. JPEN. 2021;45(3):607-617. doi: 10.1002/jpen.1873 EDN: RMSZOB
  19. Yin L, Liu J, Lin X, et al. Development and validation of a rapid-decision pathway to diagnose malnutrition in patients with lung cancer. Nutrition. 2021;84:111102. doi: 10.1016/j.nut.2020.111102 EDN: IJIRFV
  20. Tang J, Wong G, Naffouje S, et al. A novel nomogram for early identification and intervention in colorectal сancer patients at risk for malnutrition. Am Surg. 2023;89:1485-96. doi: 10.1177/00031348211058620 EDN: HSEAHL
  21. Yu W, Xu H, Chen F, et al. Development and validation of a radiomics-based nomogram for the prediction of postoperative malnutrition in stage IB1-IIA2 cervical carcinoma. Front. Nutr. 2023;10:1113588. doi: 10.3389/fnut.2023.1113588 EDN: IWPPUI
  22. Zhang X, Zhao W, Du Y, et al. A simple assessment model based on phase angle for malnutrition and prognosis in hospitalized cancer patients. Clin Nutr. 2022;41:1320-1327. doi: 10.1016/j.clnu.2022.04.018 EDN: MHFQCS
  23. Duan R, Lic Q, Yuand Q, et al. Predictive model for assessing malnutrition in elderly hospitalized cancer patients: а machine learning approach. Geriatr Nurs. 2024;58:388-398. doi: 10.1016/j.gerinurse.2024.06.012 EDN: DMQLPD
  24. Martin L, Senesse P, Gioulbasanis I, et al. Diagnostic criteria for the classification of cancer-associated weight loss. J Clin Oncol. 2015;33(1):90-99. doi: 10.1200/JCO.2014.56.1894
  25. Manning AM, Casper KA, Peter KS, et al. Can predictive modeling identify head and neck oncology patients at risk for readmission? Otolaryngology (Rochester, Minn.). 2018;159:669-674. doi: 10.1177/0194599818775938

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Протокол назначения клинического питания.

Скачать (97KB)
Метаданные

© Эко-Вектор, 2025

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».