在现实世界中通过机器学习预测2型糖尿病的糖尿病病:一个多中心的回顾性研究
Xiao Zhu Liu1,2, Minjie Duan2,3, Hao Dong Huang2,3
1Department of Cardiology, the Second Affiliated Hospital of Chongqing Medical University, Chongqing, China.
一个机器学习模型有助于诊断2型糖尿病病 (T2DKD). 使用血压和肌素等关键临床因素的CatBoost模型在预测T2DKD风险方面表现出很高的准确性.
科学领域:
- 腎臟病學 (nephrology) 是一種醫學專業.
- 内分泌学 在内分泌学.
- 数据科学数据科学数据科学
背景情况:
- 糖尿病病 (DKD) 是糖尿病的一个主要并发症.
- 区分DKD与非糖尿病病 (NDKD) 缺乏一个有效的黄金标准.
- 准确诊断2型糖尿病病 (T2DKD) 对于患者的管理至关重要.
研究的目的:
- 使用机器学习算法为T2DKD开发辅助诊断模型.
- 为了确定T2DKD预测的关键临床变量.
- 提高机器学习模型在临床实践中的可解释性.
主要方法:
- 分析了3624名2型糖尿病 (T2DM) 患者的多中心回顾数据库.
- 机器学习模型进行了训练和验证,根据AUC和准确性选择了最佳模型.
- 沙普利增量解释 (SHAP) 方法用于模型解释性和特征选择.
主要成果:
- 分类提升 (CatBoost) 模型在预测T2DKD风险方面表现最佳,其AUC为0.86,具有38个特征.
- 一个使用12个关键特征的简化CatBoost模型,包括SBP,CREA和HbA1C,实现AUC为0.84.
- 发现的关键预测因素包括SBP,CREA,LOS,TT,Age,PT,P-LCR,ALB,GLU,FIB-C,RDW-SD和HbA1C. 这些预测因素包括:
结论:
- 一个经过验证的基于机器学习的模型可以有效地预测开发T2DKD的风险.
- CatBoost模型提供了一个有前途的工具来协助T2DKD诊断.
- 可解释的机器学习模型可以为T2DKD患者护理提供宝贵的临床见解.
更多相关视频
09:16Supervised Machine Learning for Semi-Quantification of Extracellular DNA in Glomerulonephritis
Published on: June 18, 2020
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
相关概念视频
Diabetes Mellitus: Type 2 and Gestational
Chronic Kidney Disease I: Introduction
Chronic Kidney Disease III: Interprofessional Care
Diabetes: Symptoms, Diagnosis, and Complications
Acute Kidney Injury IV: Diagnostic Studies and Prevention
Kidney Transplant I: Introduction
