基于人工智能的纵向深度学习模型用于诊断和预测糖尿病和糖尿病前期多神经病的未来发生情况

科学领域:

• 神经学 神经学
• 人工智能的人工智能
• 糖尿病学 糖尿病学

背景情况:

• 糖尿病远端感觉运动性多神经病变 (DSPN) 是2型糖尿病 (T2DM) 的常见并发症.
• 早期诊断和预测DSPN对于有效的患者管理和预防进一步的神经损伤至关重要.
• 目前的诊断方法可能具有侵入性或耗时性,突出显示了对先进预测工具的需求.

研究的目的:

• 开发和评估基于人工智能 (AI) 的深度学习模型来诊断DSPN.
• 评估这些人工智能模型在预测T2DM和糖尿病前期患者未来发生DSPN的有用性.
• 探索AI作为DSPN诊断和预后的替代措施的潜力.

主要方法:

• 开发了使用随机森林 (RF) 进行变量选择的AI模型,整合了来自临床多伦多神经病评分 (TCNS) 和神经传导研究 (NCS) 的数据.
• 采用深度学习框架,包括卷积神经网络 (CNN) 和长短期记忆 (LSTM) 网络,具有选定的变量.
• 评估了394名患者 (300名T2DM,94名糖尿病前期患者) 的模型性能,在基线和一年后期进行评估.

主要成果:

• 射频确定了关键的诊断和预测变量,包括麻木度得分,感觉/反射测试和神经传导参数 (SNAP,NCV,延迟).
• 深度学习模型 (CNN和LSTM) 实现了高的曲线下面面积 (AUC) 值:分别为0.98用于诊断,0.93和0.89用于未来的DSPN预测.
• 联合RF和深度学习方法在诊断和预测DSPN方面表现出色.

结论:

• 基于人工智能的深度学习模型显示了准确的DSPN诊断的巨大潜力.
• 这些模型可以有效地预测T2DM和糖尿病前期患者的DSPN的未来发展.
• 开发的AI算法可以作为有价值的替代措施,协助临床医生及时诊断和预测DSPN.