新生儿重症监护病房肠外营养的创新突破：TPN2.0 的诞生
在新生儿的世界里，有这样一群小家伙，他们十分脆弱，需要特别的呵护。每年，约十分之一的新生儿会被送入新生儿重症监护病房（NICU） ，这些新生儿有的是早产，有的患有各种严重疾病。在 NICU 里，医生们面临着诸多挑战，其中如何为这些小患者提供精准的营养支持就是一个大难题。
肠外营养（TPN）对于许多 NICU 的患者，尤其是早产儿或患有胃肠道并发症的新生儿来说，至关重要。它就像一条 “生命补给线”，在新生儿无法通过肠道获取足够营养时，直接将营养物质输送到血液中。然而，目前 TPN 的使用存在不少问题。一方面，制定 TPN 的最佳方案成本高昂、耗时费力，还需要多学科团队的紧密协作。另一方面，由于缺乏统一的指南，不同地区的 TPN 使用差异很大，而且在实际操作中容易出错，这些错误可能会导致新生儿的死亡率和发病率上升，像坏死性小肠结肠炎（NEC）、支气管肺发育不良（BPD）等疾病的风险都会增加。
随着大数据和人工智能（AI）时代的到来，人们看到了改善这一现状的希望。但目前 AI 在新生儿护理中的应用还十分有限，虽然有一些预测模型，但很多都无法在实际临床中发挥作用。在这样的背景下，来自斯坦福大学等机构的研究人员开展了一项重要研究，他们致力于开发一种基于数据驱动的方法，来优化和标准化 TPN 的使用，这项研究成果发表在了《Nature Medicine》杂志上。
研究人员开发了 TPN2.0，这是一种利用机器学习算法，基于电子健康记录（EHR）中常规收集的数据来制定标准化 TPN 配方，并为新生儿分配合适治疗方案的 AI 方法。为了开发 TPN2.0，研究人员收集了斯坦福医疗中心 10 年间 5913 名患者的 79790 份 TPN 处方数据，并将其与 EHR 数据关联。同时，他们还使用了来自加州大学旧金山分校（UCSF）的独立数据集进行外部验证，该数据集包含 3417 名患者的 63273 份 TPN 处方。
在研究过程中，研究人员运用了多种关键技术方法。首先是深度学习架构中的变分神经网络（VNN），它能将高维的患者数据压缩成潜在表示，为后续的聚类分析做准备。然后是半监督迭代聚类算法，通过该算法将无数的 TPN 推荐归为有限的标准化公式，便于大规模生产。此外，研究人员还使用了 PI - 变压器（PI-transformer）模型，使 TPN2.0 能够遵守临床药房安全指南，并实现医生参与的协作决策。
下面来看具体的研究结果：
- TPN2.0 公式的确定：通过数据驱动的方法，研究发现仅需 15 个聚类就能使 TPN2.0 在给定聚类的成分与处方 TPN 之间达到足够的相关性（Pearson’s R=0.82，Pvalue<0.0001） 。这 15 个标准化公式能满足不同新生儿的营养需求，并且具有高度的灵活性。比如，当新生儿的营养需求发生变化，或者被诊断出低钠血症等疾病时，TPN2.0 能及时调整配方，从一个聚类切换到另一个聚类，为新生儿提供最合适的营养支持。
- 独立验证：在 UCSF 的独立队列中，TPN2.0 与专家的建议表现出高度相关性（Stanford：Pearson’s R=0.94，Pvalue<0.0001；UCSF：Pearson’s R=0.91，Pvalue<0.0001） ，并且在预测婴儿体重等方面优于基线机器学习方法，如弹性网络（Elastic Net）。这表明 TPN2.0 在不同的医院系统中都能保持良好的性能，具有广泛的适用性。
- 盲法研究：在一项盲法研究中，研究人员招募了 10 名医疗团队成员，让他们对 TPN2.0 的推荐、实际的 TPN 解决方案和随机的 TPN 处方进行评分。结果显示，TPN2.0 获得了最高的平均专家评分（56 分），超过了实际处方（35 分）和随机 TPN（20 分） 。这充分证明了 TPN2.0 在实际应用中的优势，得到了医疗专家的认可。
- 与不良结局的关系：研究人员分析了 16 种关键的新生儿疾病和先天性心脏病（CHD）状态，发现实际处方与 TPN2.0 差异较大时，新生儿的死亡率、胆汁淤积、NEC 和败血症等疾病的发生几率会显著增加；而与 TPN2.0 高度相似的处方则与较低的疾病发生几率相关。例如，当实际处方与 TPN2.0 的差异处于所有配对计算距离的前 20% 时，坏死性小肠结肠炎的优势比（odds ratio）达到 3.33（Pvalue=0.0007） 。这说明 TPN2.0 的推荐与新生儿的健康结局密切相关，遵循 TPN2.0 的建议有助于降低新生儿的患病风险。
- 指南遵守和医生协作：研究人员开发的 PI - 变压器模型使 TPN2.0 能够遵守临床药房安全指南，并且在医生参与的情况下表现更优。当医生对 TPN2.0 的推荐进行调整后，模型的相关性从 0.66 提升到了 0.72（在替换 5% 的 TPN2.0 推荐时） ，在 20% 的干预情况下，相关性达到 0.78。这表明 TPN2.0 能够与医生协同工作，既发挥 AI 的优势，又能结合医生的临床经验，为新生儿提供更安全、个性化的护理。
从研究结论和讨论部分来看，TPN2.0 的出现意义重大。它通过数据驱动的方式，在标准化和个性化之间找到了平衡，既提高了安全性，又降低了成本。虽然目前还存在一些局限性，比如依赖结构化的 EHR 数据，缺乏全面的患者信息，需要更多的临床验证等，但它为新生儿重症监护病房的营养管理带来了新的希望。TPN2.0 有望在资源有限的环境中，如美国的一些低资源地区和中低收入国家（LMICs） ，发挥重要作用，让更多的新生儿受益。同时，这项研究也为未来 AI 在新生儿重症监护医学中的应用奠定了基础，有望推动 AI 技术在该领域的进一步发展，开启新生儿健康护理的新篇章。
生物通微信公众号
