使用来自TCM特征的机器学习检测2型糖尿病的糖尿病外周神经病变:一个横截面研究
Zhikui Tian1, JiZhong Zhang1, Yadong Fan2
1School of Rehabilitation Medicine, Qilu Medical University, Shandong, 255300, China.
BMC medical informatics and decision making
|February 19, 2025
概括
使用传统中医 (TCM) 舌头诊断的机器学习模型有效预测2型糖尿病 (T2DM) 患者的糖尿病外围神经病变 (DPN) 风险. 关键指标包括年龄,舌头外观和生活方式因素.
科学领域:
- 计算医学是一种计算医学.
- 糖尿病学 糖尿病学
- 传统中国医药 传统中国医药
背景情况:
- 糖尿病外围神经病变 (DPN) 是糖尿病的常见并发症,需要早期识别风险以进行有效干预.
- 传统中医 (TCM) 舌头诊断有潜力,但缺乏标准化算法来评估DPN风险.
- 开发数据驱动模型可以提高2型糖尿病 (T2DM) 患者的DPN诊断能力.
研究的目的:
- 开发和评估机器学习 (ML) 模型,用于预测T2DM患者的DPN风险.
- 将TCM舌头诊断特征和临床数据集成到预测模型中.
- 为了确定DPN风险的重要TCM相关指标.
主要方法:
- 使用了4723名患者的舌头图像和问卷数据 (4430名T2DM,293名DPN).
- 采用LASSO回归和特征工程最佳子集选择,使用SMOTE解决类不平衡问题.
- 开发并比较了四种ML模型:逻辑回归 (LR),随机森林 (RF),支向量分类器 (SVC) 和光梯度增强机 (LGBM),使用AUC评估性能.
主要成果:
- 随机森林 (RF) 模型实现了0.767的精度和0.77.7的AUC.
- 轻度梯度增强机 (LGBM) 模型显示了0.879.9的最高回忆率.
- 通过RF识别的显著预测因素包括年龄,出汗,深红色的舌头,失眠和吸烟;LGBM强调年龄,黄色涂层,松动的牙,吸烟和失眠.
结论:
- 射频和LGBM模型在使用TCM特征的T2DM患者中有效选高风险DPN.
- 确定了与TCM相关的关键指标,如年龄,舌头涂层和其他症状,可以帮助预防策略.
- 这项研究证实了ML与TCM结合用于管理糖尿病并发症的实用性.
