基于生物标志物的糖尿病视网膜病变预测:分类和回归树模型
Tao Tao1, Kangkang Liu2, Liuxue Yang3
1The School of Public Health, Department of Toxicolgy, Key Laboratory of Environmental Exposommics and Entire Lifecycle Heath, Guilin Medical University, Guilin 541004, China.
Diabetes research and clinical practice
|March 13, 2025
概括
糖尿病视网膜病变 (DR) 的风险是使用例行血液检查,如尿液肌素和皮质醇来确定. 它们的高水平,以及C-反应蛋白,预测了糖尿病患者的DR患病率.
科学领域:
- 生物化学 生化学
- 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) 是糖尿病 (DM) 的一个重要并发症.
- 识别DR风险的早期临床指标对于及时干预至关重要.
- 现有的方法可能无法完全捕捉风险因素的复杂相互作用.
研究的目的:
- 确定糖尿病视网膜病变 (DR) 风险评估的关键临床指标.
- 使用机器学习来确定与DR相关的关键风险因素.
- 探索DR预测中的生物标志物的高阶交互效应.
主要方法:
- 用分类和回归树 (CART) 模型进行分析.
- 逻辑回归被用来评估781名糖尿病患者的风险因素.
- 机器学习 (CART) 识别了交互效应并预测了DR.
主要成果:
- 从96个初步测试中确定了11个临床关键指标.
- 尿中肌素 (Ucr) 和皮质醇的特定值与DR患病率显著相关.
- 升高的C-反应蛋白 (CRP) 也增加了DR的可能性,即使在正常的UCR和皮质醇水平.
结论:
- 常规的血清生物化学标记 (Ucr,皮质醇,CRP) 及其值可以帮助识别DR风险因素.
- 这些标志物为糖尿病患者初步DR严重性评估提供了有用的参考.
- 研究结果表明,功能障碍,胰岛素抵抗和炎症有助于DR的发展.
更多相关视频
12:18A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment
Published on: January 11, 2020
7.4K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
