基于TG/Cys-C比率和五个临床指标预测糖尿病病的机器学习模型
Dongmei Zhou1, Lingyu Shao2, Libo Yang3
1Department of Rheumatology and Immunology, Affiliated Hospital of Xuzhou Medical University, Xuzhou, Jiangsu, People's Republic of China.
概括
这项研究开发了一种机器学习模型,以区分糖尿病病 (DN) 和非糖尿病病 (NDRD). PDN模型实现了高精度,有助于在糖尿病患者中诊断病的临床诊断和治疗计划.
科学领域:
- 腎臟病學 (nephrology) 是一種醫學專業.
- 糖尿病学 糖尿病学
- 医疗信息学 医疗信息学
- 机器学习在医学中的应用
背景情况:
- 区分糖尿病病 (DN) 和非糖尿病病 (NDRD) 是临床上具有挑战性的.
- 准确的诊断对于糖尿病患者病的有效管理至关重要.
研究的目的:
- 开发和验证用于DN和NDRD差异诊断的机器学习模型.
- 确定在2型糖尿病和蛋白尿症患者中区分DN和NDRD的关键临床特征.
主要方法:
- 使用100名2型糖尿病患者 (50名DN,50名NDRD) 的临床数据建立了一个预测模型,通过活检证实了这一点.
- 使用递归特征消除 (RFE) 来进行特征选择.
- 该模型在内部和外部验证,使用来自其他患者队列的数据.
主要成果:
- 逻辑回归 (LR) 模型,包括TG/Cys-c比率,SBP,糖尿病持续时间,DR,HbA1c和Hb,表现强.
- 内部验证得出AUC为0.9305,准确度为0.8333,灵敏度为0.8283,特异性为0.8701.
- 外部验证取得了优异的结果,AUC为0.9642,准确度为0.9455,灵敏度为0.9615,特异性为0.9310.
结论:
- 开发的机器学习模型名为PDN (糖尿病病预测),有效地区分了DN与NDRD.
- 这种工具可以帮助临床医生进行准确的诊断,并优化糖尿病病患者的治疗策略.
- 对于PDN模型的在线平台可在http://cppdd.cn/service/PDN.上找到.


