摘要目的 将中医湿性体质(痰湿质和湿热质)作为预测变量加入可解释性机器学习风险预测模型中,探究中医湿性体质对2型糖尿病风险预测是否具有科学价值.方法 对广州市第十一人民医院2017年～2021年1 388例固定年度体检人群进行回顾性分析研究,收集体检人群的一般人口学资料、实验室指标及湿性体质指标,以"是否确诊2型糖尿病"为结局变量,采用随机森林、支持向量机、极限梯度提升(extreme gradient boosting,XGBoost)和朴素贝叶斯四种机器学习方法构建糖尿病风险预测模型,通过受试者工作特征曲线下面积(area under the curve,AUC)、敏感度、特异度、召回率、准确率等指标对模型进行评价.采用净重分类改善指数(net reclassification improvement,NRI)和综合判别改善指数(integrated discrimination improvement,IDI)来比较纳入湿性体质变量前后预测模型改善情况.同时,应用沙普利加性解释(shapley additive explanations,SHAP)方法对预测效果最好的模型进行解释和可视化,通过特征重要性排序、SHAP摘要图、SHAP依赖图、SHAP力图等,揭示湿性体质及其他变量对糖尿病风险的预测情况.结果 在不含湿性体质的预测模型中,XGBoost在AUC(0.787,95％CI:0.703～0.870)上表现最佳;随机森林虽然准确率较高且特异度突出,但敏感度较低.支持向量机和朴素贝叶斯在敏感度上表现一致,但准确率较低.纳入湿性体质的风险预测模型中,各模型的AUC值均增加,XGBoost在AUC(0.803,95％CI:0.727～0.880)上仍表现最佳.加入湿性体质变量后,NRI为0.04(95％CI:0.01～0.06;P＜0.05),IDI 为 0.004(95％CI:-0.008～0.015;P＞0.05).SHAP 结果表明,年龄、体质指数和中心性肥胖是糖尿病风险最重要的影响因素,湿性体质排在第7位.在单个患者方面,SHAP力图和瀑布图直观地展示了 XGBoost模型对预测糖尿病直观且精确的解释.结论 在预测糖尿病发病风险方面,XGBoost模型表现最好.增加湿性体质变量后,新模型能够将部分个体正确重分类到更准确的风险层级,但在整体判别能力方面提升幅度不大.通过使用SHAP方法,临床医生可以更深入地了解糖尿病的发病风险,从而更具针对性地采取措施预防糖尿病的发生.