基于机器学习的糖尿病外围神经病变的预测:模型开发和临床验证
Meng Sun1, Xingling Sun2, Fei Wang2
1Department of Neurosurgery, The First Affiliated Hospital of Shandong First Medical University and Shandong Provincial Qianfoshan Hospital, Jinan, Shandong, China.
Frontiers in endocrinology
|June 20, 2025
概括
在2型糖尿病 (T2DM) 中,早期预测糖尿病外围神经病变 (DPN) 是至关重要的. 机器学习模型,特别是随机梯度提升,在识别高风险患者时显示出有前途,使用糖尿病持续时间和HbA1c等关键预测指标来确定高风险患者.
科学领域:
- 内分泌学和新陈代谢学
- 神经学 神经学
- 数据科学和机器学习
背景情况:
- 糖尿病外围神经病变 (DPN) 是2型糖尿病 (T2DM) 的普遍和致残的并发症.
- DPN显著降低了患者的生活质量,并增加了医疗保健成本.
- 及时预测和干预对于减轻DPN的不良影响至关重要.
研究的目的:
- 开发和验证基于机器学习的预测模型,用于早期检测T2DM患者的DPN.
- 确定与DPN风险相关的关键临床和生化预测因素.
- 为了比较DPN风险分层的各种机器学习算法的性能.
主要方法:
- 分析了1544名T2DM患者的队列,分为训练 (n=1082) 和测试 (n=462) 组.
- 波鲁塔和LASSO算法用于特征选择,确定了八个关键预测因素.
- 九个机器学习模型被训练和评估用于DPN风险预测.
主要成果:
- 随机梯度提升 (SGBT) 实现了最高的预测性能,在训练中AUC为0.933,在测试中为0.811.
- 确定的主要预测因素包括糖尿病持续时间,尿酸,HbA1c,NLR,吸烟状态,SCR,LDH和高血压.
- SHAP分析证实了糖尿病持续时间和HbA1c在DPN预测中的临床意义.
结论:
- 开发的SGBT模型为T2DM中DPN的早期预测提供了一个强大的工具.
- 这种预测模型可以支持开发DPN的增强预防和管理策略.
- 这些发现强调了机器学习在识别患糖尿病并发症高风险个人的有用性.


