Prediction of malnutrition in patients with cancer using machine learning: a review

Cover Page

Cite item

Full Text

Abstract

Malnutrition substantially affects the outcomes of antitumor therapy in patients with cancer. Nutritional support is often prescribed subjectively, which may lead to errors in determining the need for artificial nutrition, route of administration, and composition of nutritional therapy. While machine learning and artificial intelligence are increasingly being incorporated into clinical practice, their application in nutritional support remains rather limited. Here, we conducted a review to highlight the current state of this issue.

We analyzed publications indexed in MEDLINE, Web of Science, and the Scientific Electronic Library (eLibrary) from 2021 to 2024 addressing the use of artificial intelligence — namely, machine learning algorithms — for early identification of protein–energy deficiency and prediction of its development in patients with cancer. The findings indicate that predictive models based on artificial intelligence, as well as models for identifying protein–energy deficiency, can be integrated into clinical decision support systems. This approach enables timely diagnosis and correction of nutritional deficiencies and helps reduce the subjectivity and limitations inherent to the conventional empirical approach to prescribing nutritional support. The review also discusses common errors encountered in the implementation of nutritional support in patients with cancer, and outlines opportunities for mitigating them through machine learning.

The analysis shows that despite considerable prospects, the use of machine learning and artificial intelligence for identifying nutritional deficiencies and delivering nutritional support in real clinical practice remains rather limited.

About the authors

Mariya Y. Kukosh

Peoples’ Friendship University of Russia; A.F. Tsyb Medical Radiological Research Center — branch of the National Medical Research Radiological Center

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

MD, Cand. Sci. (Medicine)

Russian Federation, Moscow; Obninsk

Olga A. Obukhova

National Medical Research Center of Oncology named after N.N. Blokhin

Author for correspondence.
Email: obukhova0404@yandex.ru
ORCID iD: 0000-0003-0197-7721
SPIN-code: 6876-7701

MD, Cand. Sci. (Medicine)

Russian Federation, Moscow

References

  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

Supplementary files

Supplementary Files
Action
1. JATS XML
Download
2. Fig. 1. Protocol for prescribing clinical nutrition.

Download (97KB)
Indexing metadata

Copyright (c) 2025 Eco-Vector

Creative Commons License
This work is licensed under a 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».