基于优化梯度增强分类器模型的糖尿病视网膜病变的综合传统中国和西方医学风险预测
Li Xiao1, Lixuan Tang2, Wenxuan Kuang3
1School of Chinese Medicine, Hunan University of Chinese Medicine, Changsha, China.
Medicine
|December 20, 2024
概括
结合传统中医 (TCM) 和西方医学的机器学习模型显示出预测糖尿病视网膜病变 (DR) 风险的前景. 梯度增强机 (GBM) 实现了最高的准确性,确定TCM综合征类型作为关键风险因素.
科学领域:
- 眼科医生 眼科 眼科
- 医疗信息学 医疗信息学
- 计算医学是一种计算医学.
背景情况:
- 糖尿病视网膜病变 (DR) 对糖尿病患者的视力构成重大威胁.
- 将传统中医 (TCM) 与西方医学相结合,可能为DR风险因素提供新的见解.
- 机器学习 (ML) 提供了一个机会,为DR开发复杂的预测模型.
研究的目的:
- 开发和评估基于ML的DR风险预测模型.
- 通过结合TCM和西方医学数据来确定DR的关键风险因素.
- 为了比较不同的ML算法在DR风险预测中的性能.
主要方法:
- 对9034名2型糖尿病患者 (T2DM) 的回顾性研究.
- 使用递归特征消除与交叉验证 (RFECV) 进行特征选择.
- 使用梯度提升机 (GBM) 的模型开发,与后勤回归 (LR),K-最近邻居 (KNN),随机森林和支持向量机 (SVM) 相比.
- 超参数优化使用网格搜索和模型可解释性通过Shapley添加式扩展 (SHAP).
主要成果:
- 19个特征被选择用于模型构建.
- GBM表现出卓越的性能,初始精度为0.85和AUC为0.934.
- 优化的GBM实现了0.88的精度和0.958.95的AUC.
- SHAP分析确定了TCM综合征类型,白蛋白,低密度脂蛋白,甘油三,总蛋白和糖化血红蛋白作为显著的危险因素.
结论:
- 类型的TCM综合征是DR的重要危险因素.
- 优化的GBM模型整合了TCM和西方医学变量,为DR风险提供了强大的预测工具.
- 这种方法可以帮助DR的查和治疗策略.
