开发和比较基于OCT的糖尿病视网膜病变的预测模型,使用LASSO和随机森林

科学领域:

• 眼科医生 眼科 眼科
• 内分泌学 在内分泌学.
• 医疗信息学 医疗信息学

背景情况:

• 糖尿病视网膜病变 (DR) 是2型糖尿病 (T2DM) 患者视力损失的重要原因.
• 早期检测和风险预测对于管理T2DM并发症至关重要.
• 整合不同的数据源可能会提高DR的预测准确性.

研究的目的:

• 开发和评估糖尿病视网膜病变 (DR) 的预测模型.
• 将临床数据与光学连贯断层扫描 (OCT) 参数集成,以提高DR预测.
• 为了比较最小绝对收缩和选择运算符 (LASSO) 回归和随机森林 (RF) 算法的性能.

主要方法:

• 对10,054名T2DM患者记录 (2020年9月至2023年12月) 的回顾性分析.
• 患者分为培训 (70%) 和验证 (30%) 队列.
• 变量选择和后勤建模的LASSO回归,以及随机森林 (RF) 模型.
• 使用接收器操作特征曲线和DeLong测试来评估性能.

主要成果:

• 确定了关键预测因素:性别,胰岛素治疗,糖尿病持续时间,尿中的白蛋白与肌素的比率以及视网膜血管密度.
• 射频模型实现了0.89的曲线下的优越面积 (AUC),而LASSO的0.79 (P < .05).
• 视网膜血管密度具有保护作用;糖尿病持续时间较长和白蛋白与肌素比较高增加了DR风险.

结论:

• 来自OCT的视网膜指标,特别是血管密度,显著改善了DR风险预测模型.
• 随机森林 (RF) 模型在DR分类方面表现出卓越的性能.
• 在临床实践中,RF模型显示出作为早期DR查和个性化风险评估的实用工具的潜力.