糖尿病前期患者的干预措施的差异效应,通过基于机器学习的糖尿病进展预测模型进行分层分层

科学领域:

• 内分泌学 在内分泌学.
• 预防医学 预防医学
• 医疗保健中的机器学习

背景情况:

• 糖尿病前期影响人口的很大一部分,增加糖尿病的风险.
• 目前用于糖尿病前期的干预措施缺乏个性化,可能导致不理想的结果.
• 根据糖尿病进展风险对个体进行分层,可以优化治疗疗效.

研究的目的:

• 开发和验证一种机器学习模型 (ML-PR),用于预测糖尿病前期糖尿病1年进展风险.
• 调查ML-PR对糖尿病前期参与者的分层是否会影响他们对干预措施的反应.
• 根据糖尿病进展风险评估不同干预措施的有效性.

主要方法:

• 开发了一种机器学习模型 (XGBoost),使用临床变量来预测1年糖尿病进展风险 (ML-PR).
• 在两个队列中验证了ML-PR模型:Pinggu研究 (n=622) 和北京糖尿病前期逆转计划 (n=1936).
• 将参与者分为低风险,中风险和高风险组,并在子组内分析干预效应.

主要成果:

• ML-PR模型在两个验证队列中准确预测了糖尿病的进展 (AUC 0.80).
• 在高危人群中,皮奥格利塔加上强化生活方式治疗,与安慰剂相比,降低了~50%的糖尿病进展.
• 在中低风险组中,没有观察到强化生活方式治疗或皮奥格利塔的显著益处.

结论:

• 基于预测的进展风险,需要针对糖尿病前期的个性化治疗策略.
• 使用简单的临床变量,ML-PR模型可以帮助开发糖尿病前期个性化治疗方法.
• 风险分层使得有针对性的干预措施成为可能,改善了高风险个体的结果.