通过混合使用机器学习和临床数据个性化预测成年人群的最佳饮水量 – 科学报告

　　在这项研究中，我们生成了一个 ML 算法，该算法与优化算法相结合，为每日饮水量提供个性化建议，以实现最佳水合作用，如健康成人 500mOsm/kg 的目标 24 小时 UOsm 所定义。这个目标之前已经提出来降低长期疾病的风险，同时确保最佳的体液平衡过程 19。值得一提的是，我们最初考虑分析来自国家健康和营养检查调查 (NHANES) 的数据子样本，这是一个广泛的、经过验证的、公开的美国人口数据集。 NHANES 2009-2010 和 2011-2012 提供了尿液渗透压测量值。然而，大量缺失值和最相关特征对模型的低分数贡献削弱了以足够的精度生成预测的能力。有关此分析的所有详细信息，请参见补充数据，NHANES 部分。因此，在此处介绍的调查中，我们对从多项关于一般成年人口水合作用和体液平衡的临床研究中收集的数据进行了事后分析。这允许从数据质量方面的可信赖和可靠来源收集更高质量的数据。因此，我们可以突出观察到的特征和 UOsm 之间的现有关系。由于文献中没有类似的 ML 应用报道，我们根据当前 EFSA 饮食指南中的饮水量评估了预测的性能。事实证明，我们的预测模型可以为健康成人提供 24 小时最佳饮水量建议，与当前的充足饮水量 (AI) 相比，拟合度非常高。

　　水占体重的 40-60%，是人体最大的组成部分。与任何其他人类生理过程一样，水稳态不断受到挑战；特别是经表皮、呼吸、粪便和尿液是主要的液体流失，因此对正常的身体机能构成威胁6,42。人体储存水的能力有限，之前的报告强调女性和男性的平均每日水周转量分别为 3.6 ± 1.2 升/天或 2.8-3.3 和 3.4-3.8 升/天43。在 0.25 至 0.35 升/天之间，由于新陈代谢过程，体内仅产生一小部分水，因此，必须通过摄入液体来补充损失的水分 44。身体会做出高度精细的反应，以将体内水量维持在一个狭窄的范围内，独立于它可能面临的条件 45。在这种情况下，水被称为“最重要的”营养素 45。

　　尽管水起着主要作用，但人们对水的研究不足，而且通常被认为是一种被遗忘、被忽视的营养素。例如，Perrier 及其同事的一篇评论指出了区域取水建议之间的差异，以及这些参考值代表 AIs41、46、47 的事实。 AI 来自观察或实验数据，这些数据提供平均饮水量的估计值，但缺乏科学证据将消费阈值与积极或消极的健康结果联系起来 4, 7。从实际的角度来看，一般人群目前无法从饮食指南中基于与食用此类营养素相关的健康结果的白开水摄入量建议中受益。虽然口渴通常被认为是补充液体的警告 48,49，但指南主要针对那些面临体力消耗或极端环境条件的人 50。隐含地，传播的信息是，除了这些情况外，无需注意饮水量。

　　相反，越来越多的大量证据表明，保持最佳饮水量可以避免尿液过饱和并减少精氨酸加压素 (AVP) 的过度分泌，这可能对肾脏非常有益并降低代谢风险 47。如果我们考虑到普通人群中这些疾病发病率的惊人增长，这应该被视为公共卫生一级预防的一种形式。最终，这种最佳摄入量反映在 24 小时 UOsm51、52、53 的临界值 500mOsm/kg 上。最初，该目标基于对现有临床数据的回顾性分析。目前，来自几项随机对照试验的证据表明，达到 UOsm 的目标可以减少循环和肽素（作为 AVP 的代表），并改善代谢标志物并降低 UTI 发病率 3,16,22。

　　在本次调查中，我们展示了一种将临床特征与优化算法相结合的 ML 算法可以准确预测个性化饮水量，从而在健康成人中实现 500mOsm/kg 的目标 UOsm。更详细地说，该算法从整体上考虑了人体测量特征、生物、营养和饮料摄入数据等不同变量。这些变量可能与体液平衡过程没有直接关系，但从生理学的角度全面描述了个体。从那里，它采用数据驱动的无偏见方法来推断预测最佳饮水量的主要因素。对于这种情况，该算法确定了关于最佳饮水量的多个功能途径。例如，饮水量低的人与较高的 UOsm 相关联，这导致建议增加白开水的消耗量。相反，与数据集中包含的报告数据相比，建议低 UOsm 的人摄入的水量较低。因此，当一个人表现出高 UOsm 时，该算法基本上能够建议增加白开水的消耗量，而当出现相反的情况时，建议减少用水量。

　　我们方法的第一步包括对与尿渗透压相关的最重要特征进行排名。这表明最重要的特征与水合作用生理学有关（即尿量，以及普通水和液体的消耗量）。这表明 ML 方法是对进出人体的液体进行建模的合适方法。尿量和浓度由相同的激素机制调节，并显示出高度相关 3,54,55。鉴于这项研究的最终目标是为任何人提供最佳饮水建议，我们必须考虑个人可以提供的数据的可访问性。功能的数量已减少到最低限度，以便在保持出色的输出质量的同时满足普通人群对信息的最低限度需求。例如，在任何临床环境之外，人们通常能够提供人体测量变量，例如年龄、性别、体重和身高。此外，可以很容易地重新收集食物和液体摄入量数据。相反，在整个 24 小时内收集的尿液量可能会带来一些挑战，因此会阻止一般人群使用。出于这个原因，开发的算法不要求此类信息来生成最佳饮水量的预测。

　　我们的调查代表了对 ML 技术在体液平衡生理过程中应用的首次探索。尽管如此，这里提出的研究有几个局限性。目前，算法和优化过程之间确定取水量预测的总体权重尚未确定。未来的研究应该解决这个方面，以确定是否可以实施更有效的优化算法方法。然而，似乎在当前的优化过程中，算法在提供最佳摄入量预测方面的整体性能仍然足够。对于这项初步调查，用于生成预测的数据完全依赖于健康临床试验参与者的一个子集。运动员或参加剧烈运动的受试者、孕妇和哺乳期妇女被故意排除在这些试验之外。因此，应优先整合来自更多样化和弱势群体的数据，例如老龄化人口 56、57、孕妇和哺乳期妇女 58、59，以及经常饮用极少量或大量水的人，尤其是当他们的 UOSm 仍然显示无论预期如何，合理的价值。后者将允许在生理光谱的两端测试该方法。整合有关季节性、环境温度、身体活动的额外外部数据应被视为进一步个性化饮水建议的下一步。此外，在考虑个人饮用的不同饮料时，当前算法仅在生成的预测中调节白开水的摄入量。虽然饮水量与积极的健康结果相关，但目前无法支持其他饮料。因此，未来的发展可以将针对不同饮料的建议与白开水的摄入结合起来。最后，有必要对所提出的 ML 算法进行临床验证，以通过真实世界的证据验证预测的水量以达到 500mOsm/kg 的 UOsm。

　　我们想分享的另一项知识是将来自临床研究的高质量、特定于上下文的数据混合到 ML 中的重要性。这可以解决在决策过程中使用人工智能衍生应用程序时医疗保健接受者经常报告的可靠性问题。