机器学习算法的比较和Nomogram用于糖尿病视网膜病变预测的构造 在2型糖尿病患者中

科学领域:

• 医疗信息学 医疗信息学
• 眼科医生 眼科 眼科
• 机器学习 机器学习

背景情况:

• 糖尿病视网膜病变 (DR) 是2型糖尿病 (DM) 的重要并发症.
• 准确的预测模型对于在接受DR查的DM患者的早期检测和干预至关重要.

研究的目的:

• 为了比较机器学习算法对DR预测在2型DM患者.
• 根据最佳算法开发一个预测性名ogram.

主要方法:

• 一项涉及2型DM患者进行DR查的横截面研究.
• 六个机器学习算法的比较:逻辑回归 (LM),决策树 (DT),K-最近邻居 (KNN),随机森林 (RF),支持矢量机器 (SVM) 和XGBoost (XGB).
• 使用ROC,校准和决策曲线分析 (DCA) 评估模型性能.

主要成果:

• 在验证集中,物流回归 (LM) 显示了最高的预测性能 (AUC 0.894,回忆 0.92).
• 确定了关键预测因素:疾病持续时间,糖尿病多神经病变 (DPN),胰岛素剂量,尿蛋白和白蛋白 (ALB).
• 开发的名图表显示了强大的区别 (AUC 0.856-0.868) 和临床适用性.

结论:

• 在这个群体中,物流回归 (LM) 在DR预测方面表现优于其他机器学习算法.
• 建立一个经验证的基于逻辑回归的诺姆图,用于预测2型DM患者的DR.
• 诺米图可以作为早期DR检测和及时管理的宝贵工具.