开发和内部验证一种可解释的风险预测模型,用于糖尿病外围神经病变在2型糖尿病:一个单中心的回顾性队列研究在中国

科学领域:

• 医疗信息学 医疗信息学
• 内分泌学 在内分泌学.
• 神经学 神经学

背景情况:

• 糖尿病外围神经病变 (DPN) 是2型糖尿病 (T2DM) 的严重并发症,在早期往往无症状.
• 早期识别DPN对于预防截肢等严重后果至关重要.
• 现有的风险评估工具可能缺乏早期DPN检测所需的精度.

研究的目的:

• 开发和验证机器学习模型,用于预测T2DM患者的DPN风险.
• 用Shapley增量解释 (SHAP) 来解释表现最好的模型,以确定关键的DPN风险因素.
• 通过可解释的AI增强DPN预测模型的临床适用性.

主要方法:

• 对3343名T2DM住院患者进行了回顾性队列研究.
• 使用递归特征消除 (RFE) 进行特征选择,确定了12个关键变量.
• 训练和验证了6个机器学习算法,XGBoost被选为最佳模型.
• 用SHAP分析来确定模型的可解释性.

主要成果:

• 该XGBoost模型显示出出色的预测性能 (AUC为0.960,准确率为0.927).
• 该模型确定了C反应性蛋白,总胆汁酸,玛-氨基转酶,年龄和脂蛋白 (a) 作为顶级DPN预测因素.
• 包括T2DM患者中的88.6%患有DPN.

结论:

• 机器学习,特别是XGBoost,为T2DM中的DPN风险预测提供了一个非常有效的工具.
• 通过突出显著的风险因素,SHAP分析提高了DPN预测模型的临床实用性.
• 这种方法支持更早,更准确地识别患有DPN风险的T2DM患者.