用SHAP方法解释的甘油三糖-葡萄糖指数开发2型糖尿病视网膜病变的机器学习预测模型

科学领域:

• 眼科医生 眼科 眼科
• 内分泌学 在内分泌学.
• 数据科学数据科学数据科学

背景情况:

• 糖尿病视网膜病变 (DR) 是导致视力丧失的主要原因.
• 准确的预测模型对于早期干预至关重要.
• 在资源有限的环境中,评估胰岛素耐药性 (IR) 可能具有挑战性.

研究的目的:

• 开发和验证用于糖尿病视网膜病变预测的机器学习模型.
• 将甘油三糖指数 (TyG) 纳入为DR的新型预测指标.
• 解释模型使用SHapley添加式扩展 (SHAP) 来获得临床见解.

主要方法:

• 利用了来自1392名DR和2358名非DR患者的现实数据.
• 在变量选择中使用循环特征消除与交叉验证 (RFECV).
• 评估后勤回归 (LR),决策树 (DT),随机森林 (RF),支持矢量机 (SVM) 和XGBoost (XGB) 模型.

主要成果:

• 后勤回归 (LR) 和支向量机 (SVM) 模型显示出优异的性能 (ROC AUC 0.85 和 0.82).
• 由SHAP分析确定的顶级预测因素包括TyG指数,胰岛素治疗,HbA1c,糖尿病过程和HDL.
• 高脂是一个保护因素,而TyG,胰岛素治疗,HbA1c和糖尿病过程与增加的DR风险有关.

结论:

• 开发了第一个机器学习DR预测模型,集成TyG指数.
• 泰格指数为初级保健中IR评估提供了一个具有成本效益的替代方案.
• 该模型促进了实际的DR风险分层,特别是在资源有限的环境中.