摘要目的:应用机器学习(machine learning,ML)方法,纳入2 型糖尿病(type 2 diabetes mellitus,T2DM)阴虚证症状为变量,构建T2DM阴虚证糖化血红蛋白(glycosylated hemoglobin,HbA1c)控制水平预测模型,为丰富T2DM阴虚证内涵及优化HbA1c管理提供参考.方法:收集2020 年1 月1 日至2022 年12 月1 日在北京中医药大学东直门医院东城院区肾病内分泌二科、通州院区肾病内分泌三科,湖南中医药大学、厦门大学附属第一医院就诊的T2DM阴虚证患者资料,包括基本信息及阴虚证症状.采用LASSO回归与逐步回归联合筛选阴虚证相关特征变量,基于筛选结果构建多种机器学习模型进行训练、验证与测试,并利用沙普利加性解释(Shapley additive explanations,SHAP)方法对最优模型进行解释.结果:最终纳入T2DM阴虚证患者1163例,其中HbA1c≥7%者共747 例,HbA1c<7%者共416 例.经LASSO与逐步回归筛选T2DM阴虚证 13 个特征变量,最终纳入渴喜冷饮、口干咽燥、盗汗、怕热、心烦、大便偏干、两目干涩等7 项症状变量.经内部验证及外部验证,综合多模型各项指标(准确率、精确率、特异度、召回率、F1 分数及AUC)比较显示,随机森林(random forest,RF)模型表现最佳,其准确率为 0.814,召回率为0.721,精确率为0.754,特异性为0.868,F1 值为0.738,AUC达到0.865.SHAP分析显示,口干咽燥、渴喜冷饮、盗汗、大便偏干、心烦、怕热、两目干涩为影响 HbA1c 控制的重要特征,其中口干咽燥、渴喜冷饮、盗汗等 3 个特征变量对于HbA1c控制水平的重要性最高.结论:本研究基于阴虚证特征症状构建了T2DM患者HbA1c控制水平的预测模型,表现出良好的预测性能和临床适用性,有助于丰富T2DM阴虚证的现代内涵,并为个体化血糖管理和中医药方案优化提供参考.