换一批摘要目的 利用简单易得的体检数据,基于机器学习算法构建精准、高灵敏度的糖尿病前期风险预测模型,并对最优模型构建列线图进行可视化,为早期识别糖尿病相关危险因素提供理论依据.方法 选取2019年9月至2020年9月,宁夏医科大学总医院健康管理中心筛检的76 618例非糖尿病患者的体检资料,非糖尿病前期人群为正类样本,糖尿病前期人群为负类样本,通过欠采样技术,调整正负样本比例为1:1,最终选择6 153例研究对象.利用Lasso回归筛选特征变量,使用Logistic回归、支持向量机(SVM)、随机森林(RF)、极端梯度提升(XGBoost)模型和人工神经网络机器学习算法构建预测模型.选择灵敏度、特异度、准确度、F1值和曲线下面积(AUC)作为评价指标,进行变量重要性评估利用模型构建列线图.结果 Lasso回归筛选出年龄、身体质量指数(BMI)、舒张压、收缩压、甘油三酯等11个特征.Logistic回归模型和XGBoost模型的表现较优秀,Logistic回归模型的准确度、灵敏度、特异度、F1值和AUC分别是0.749 2、0.723 7、0.774 6、0.756 0、0.825 6,XGBoost模型的准确度、灵敏度、特异度、F1值和AUC分别是0.751 3、0.809 8、0.692 5、0.765 7、0.828 8.XGBoost模型SHAP特征重要排序前5名分别是年龄、甘油三酯、天门冬/丙氨酸、收缩压和BMI.列线图对于糖尿病前期发生风险的预测与实际风险之间吻合良好.结论 与现有糖尿病前期筛查模型相比,Logistic回归模型和XGBoost模型对糖尿病前期人群筛选能力更强,列线图可直观清晰地预测糖尿病前期发生风险.
更多相关知识
栏目名称
DOI
10.16050/j.cnki.issn1674-6309.2025.01.013
发布时间
2025-04-10（万方平台首次上网日期，不代表论文的发表时间）
基金项目
国家自然科学基金（82360645）
宁夏回族自治区教育厅高等学校科学研究项目（NYG2024298）
- 浏览0
- 被引1
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
