肠内营养知多少

来源:中国数字科技馆

有一种食品,以普通食物为原料,又区别于普通食物的形态,以粉剂、液态等形式存在,类似奶粉和蛋白粉,可以口服或鼻饲,易消化吸收或不需消化也能吸收,它被称为“特殊医学用途配方食品”,也就是我们临床上现在应用较多的肠内营养。

  1.什么是肠内营养?

  肠内营养(EN)是经胃肠道为机体提供各种营养素以满足机体生理及病理需要的营养支持方式。其优越性体现在营养素直接经肠吸收、利用,更符合生理、给药方便、费用低廉,更在于其有助于维持肠黏膜结构和屏障功能的完整性。

  2.哪些情况需要给予肠内营养?

  凡有营养支持指征、胃肠道有功能并可利用的患者都可接受肠内营养支持,包括:吞咽和咀嚼困难;意识障碍或昏迷致无进食能力;消化道疾病稳定期,如消化道瘘、短肠综合征、炎症性肠病和胰腺炎等;高分解代谢状态,如严重感染、手术、创伤及大面积灼伤患者。还有慢性消耗性疾病,如结核、肿瘤等;术前、术后营养支持;肿瘤化疗、放疗的辅助治疗;烧伤、创伤营养支持;肝肾功能衰竭;心血管疾病;先天性氨基酸代谢缺陷病;肠外营养的补充或过渡。

蛋白粉

  3.肠内营养有哪些分类?

  中华医学会北京分会在第一次肠内营养制剂分类依据研讨会上,提出一种目前认为比较合理的肠内营养制剂分类,拟定将肠内营养制剂分成三类,即氨基酸型、整蛋白型和组件型。氨基酸型的基质为单体物质,包括氨基酸或短肽、葡萄糖、脂肪、矿物质和维生素混合物,适用于胃肠消化和吸收功能受损的患者,但口感不佳,适宜鼻饲。整蛋白型以整蛋白或蛋白质游离物为氮源,适用于胃肠功能正常或接近正常的患者,口感较好,口服和鼻饲皆可。组件型包括氨基酸组件、短肽组件、整蛋白组件、糖类组件、长链甘油三酯(LCT)组件、中长链甘油三酯(MCT)组件、维生素组件等,多作为平衡型肠内营养剂的补充剂或强化剂。

  4.患者如何选择肠内营养制剂?

  肾病患者蛋白质消耗增加,容易出现负氮平衡,需要低蛋白而氨基酸丰富的制剂。肾脏疾病型肠内营养制剂富含必需氨基酸,蛋白质含量少,低钠低钾,能有效减轻肾脏负担。

  肝功能受损患者芳香氨基酸以及色氨酸、蛋氨酸等代谢受阻,支链氨基酸降低,芳香氨基酸升高,而支链氨基酸经肌肉代谢,不增加肝脏负担,能与芳香族氨基酸竞争性进入血脑屏障,改善肝脑性疾病。所以,肝脏疾病型营养剂,支链氨基酸可以占总氨基酸35%~40%以上。

  严重烧伤后患者体温升高,激素和炎症因子大量释放,机体处于高代谢状态,除创面,肠道是内源性高代谢的主要脏器之一。所以,烧伤型营养剂应该含有高蛋白、高能量以及易于消化的脂肪,液体较少。

  肺部疾病患者的肠内营养制剂应该脂肪含量较高,糖类含量很低,蛋白质含量仅用于维持瘦体组织和合成代谢的需要,以改善呼吸功能。

  恶性肿瘤患者由于化疗的影响,营养状况和免疫功能欠佳,肿瘤组织对脂肪利用较少,应该选择高脂肪、高蛋白、高能量、低碳水化合物的营养制剂,其中再加入谷氨酰胺、精氨酸、MTC等免疫营养成分。

  糖尿病患者营养制剂中的碳水化合物应该以低聚糖或多糖为宜,再加上足够的膳食纤维,如此有利于减缓血糖的上升速度和幅度。

文/文静

本文来自《家庭医药·快乐养生》

 

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值