EUVIMEDEUVIMED entdecken
ValidierungsstudieOpen Access · CC BY 4.0

Artificial Intelligence-Based Hospital Malnutrition Screening: Validation of a Novel Machine Learning Model

KI-basierte Krankenhaus-Screening auf Mangelernährung: Validierung eines neuen Machine-Learning-Modells

Adam M Bernstein, Pierre Janeke, Richard V Riggs, Emily Burke, Jemima Meyer, Meagan F Moyer, Keiy Murofushi, Raymond A Botha, Josiah El Michael Meyer

Applied Clinical Informatics · 01.10.2025 · 16 (05) · 1646-1657

DOI: 10.1055/a-2635-3158 ↗

Auf einen Blick

In 106.449 stationären Patient:innen sagte ein KI-Modell Mangelernährung gut voraus. Es schnitt besser ab als das in der Praxis eingesetzte, von Pflegekräften durchgeführte Screening.

Fragestellung

Wie gut ist ein KI-basiertes Krankenhaus-Screening-Modell für Mangelernährung und wie vergleicht es sich mit dem klinischen Screening durch Pflegekräfte?

Methode

Analyse elektronischer Krankenakten von 106.449 Patient:innen über 3,75 Jahre; Bewertung eines Gradient-Boosted-Decision-Tree-Modells mit LLM-gestützter Merkmalsextraktion.

Ergebnisse

AUC 0,92 (95 %-KI 0,91–0,92) am 1. Tag der Hospitalisierung und 0,95 (95 %-KI 0,95–0,96) mit dem maximalen Risiko während des Aufenthalts, gegen discharge-codierte Mangelernährung. Ähnliche Ergebnisse gegen diätassistent:innen-dokumentierte Mangelernährung; besser als der modified MST.

Schlussfolgerung der Autor:innen

Die Ergebnisse validieren die Nutzung des neuen Modells zur Vorhersage von Mangelernährung im Krankenhaus.

Kernaussagen

  • AUC 0,92 am 1. Tag und 0,95 über den Aufenthalt
  • Besser als das nurse-administered, modifizierte MST
  • Identifizierte Patient:innen hatten häufiger Wiederaufnahme und Tod

Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.

Kurz gefasst

Validierungsstudie in der Zeitschrift Applied Clinical Informatics, erschienen am 01.10.2025. Verfasst von Adam M Bernstein und 8 weiteren Autor:innen. Beteiligte Einrichtung: HealthLeap, Inc., San Francisco, California, United States. Hauptthemen laut MEDLINE: Malnutrition, Machine Learning, Hospitals, Mass Screening. Die Arbeit wurde bisher 6-mal zitiert (Crossref) und nennt 46 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0). Gefördert von: Cedars-Sinai Medical Center.

Auf einen BlickAbstractSchlagwörterBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Despite its morbidity, mortality, and financial burden, in-hospital malnutrition remains underdiagnosed and undertreated. Artificial intelligence (AI) offers a promising clinical informatics solution for identifying malnutrition risk and one that can be coupled with clinician-delivered patient care. The objectives of the study were to evaluate an AI-based hospital malnutrition screening model in a large and diverse inpatient population and to compare it to the currently used clinician-delivered malnutrition screening tool. We studied the performance of a gradient-boosted decision tree model incorporating a large language model (LLM) for feature extraction using the electronic medical record data of 106,449 patients over 3.75 years. The model's area under the receiver operating curve was 0.92 (95% confidence interval [CI]: 0.91–0.92) on the first day of hospitalization and rose to 0.95 (95% CI: 0.95–0.96) using the maximum risk predicted for each patient throughout hospitalization, indexed against discharge-coded malnutrition. Similar results were observed when indexed against dietitian-recorded malnutrition. The model outperformed the nurse-administered, modified version of the Malnutrition Screening Tool (MST) that was used in practice. Patients identified by the model had higher likelihoods of readmission and death compared with patients identified by the nurse-administered screener. Our study findings provide validation for a novel model's use in the prediction of in-hospital malnutrition.

Schlagwörter

MeSH-Schlagwörter (MEDLINE)

MalnutritionMachine LearningHospitalsMass ScreeningHumansFemaleMaleAgedHospitalizationMiddle Aged

Autor:innen und Institutionen

  • HealthLeap, Inc., San Francisco, California, United States.
  • Department of Physical Medicine and Rehabilitation, Cedars-Sinai Medical Center, West Hollywood, California, United States.

Förderung

  • Cedars-Sinai Medical Center

Zitieren

APA

Bernstein, A. M., Janeke, P., Riggs, R. V., Burke, E., Meyer, J., Moyer, M. F., Murofushi, K., Botha, R. A., & Meyer, J. E. M. (2025). Artificial Intelligence-Based Hospital Malnutrition Screening: Validation of a Novel Machine Learning Model. Applied Clinical Informatics, 16(05), 1646-1657. https://doi.org/10.1055/a-2635-3158

Vancouver

Bernstein AM, Janeke P, Riggs RV, Burke E, Meyer J, Moyer MF, et al. Artificial Intelligence-Based Hospital Malnutrition Screening: Validation of a Novel Machine Learning Model. Applied Clinical Informatics. 2025;16(05):1646-1657. doi:10.1055/a-2635-3158

BibTeX
@article{Bernstein2025,
  author = {Bernstein, Adam M and Janeke, Pierre and Riggs, Richard V and Burke, Emily and Meyer, Jemima and Moyer, Meagan F and Murofushi, Keiy and Botha, Raymond A and Meyer, Josiah El Michael},
  title = {Artificial Intelligence-Based Hospital Malnutrition Screening: Validation of a Novel Machine Learning Model},
  journal = {Applied Clinical Informatics},
  year = {2025},
  volume = {16},
  number = {05},
  pages = {1646--1657},
  doi = {10.1055/a-2635-3158}
}
Kostenlos starten →