开发一个微专尿风险预测模型:比较2个机器学习算法
Wenyan Long1, Xiaohua Wang1,2, Liqin Lu1
1The Affiliated Hospital of Zunyi Medical University, Zunyi, 563099 China.
Journal of diabetes and metabolic disorders
|November 29, 2024
概括
这项研究确定了2型糖尿病中微albuminuria的关键预测因子,开发了风险预测的随机森林模型. 糖化血红蛋白,中性粒细胞对淋巴细胞的比率和25-氧维生素D是最重要的,维生素D具有保护作用.
科学领域:
- 内分泌学 在内分泌学.
- 腎臟病學 (nephrology) 是一種醫學專業.
- 数据科学数据科学数据科学
背景情况:
- 微专尿 (MAU) 是2型糖尿病 (T2DM) 中糖尿病病 (DKD) 的早期指标.
- 识别MAU的独立风险因素对于及时干预和预防DKD进展至关重要.
研究的目的:
- 为了确定2型糖尿病中微专尿的独立风险变量.
- 为MAU开发和比较两个预测模型 (随机森林和BP神经网络).
- 用SHAP分析来确定风险因素的重要性.
主要方法:
- 追溯分析981名T2DM患者的数据 (社会人口统计学,疾病,生物化学).
- 数据分为培训 (70%) 和测试 (30%) 集;SMOTE用于阶级不平衡.
- 随机森林和BP神经网络模型使用k倍交叉验证和性能指标 (AUC,准确性,精度,回忆,特异性,F1分数) 构建和评估.
主要成果:
- 随机森林模型显示出优异的性能 (AUC=0.87,准确度=0.80,精度=0.79,回忆=0.84,特异性=0.76,F1分数=0.81).
- 确定了关键预测因素:年龄,BMI,中风,糖尿病视网膜病变,糖尿病外周血管疾病,25-氧维生素D,LDL胆固醇,中性粒细胞与淋巴细胞的比例,以及糖化血红蛋白.
- 根据SHAP分析,HbA1c,NLR和25[OH]D是最重要的,其中25[OH]D是保护因素.
结论:
- 开发的随机森林模型有效地预测T2DM患者的MAU.
- 鉴定的风险因素为治疗策略提供了预防或延迟DKD的目标.
- 该模型有助于在T2DM中早期识别和管理MAU.


