基于机器学习对2型糖尿病肾病预测模型的构建及验证

Construction and verification of prediction model of type 2 diabetic nephropathy based on machine learning

二维码有效期 120s

摘要目的寻找2型糖尿病(T2DM)患者糖尿病肾病(DKD)的独立预测因子,构建DKD发病风险的最佳机器学习(ML)模型并进行验证.方法以2019年10月—2020年9月于承德市中心医院内分泌科住院治疗的528例T2DM患者为研究对象,随机分为训练集(370例)和验证集(158例),训练集依据是否合并DKD分为DKD组(89例)和非DKD组(281例).单因素分析患者的一般资料和辅助检查,将其中有意义的变量通过最小绝对收缩和选择算法(LASSO)回归筛选最佳预测因子,将LASSO回归筛选出的最佳预测因子通过Logistc回归(LR)、K近邻(KNN)、支持向量机(SVM)、决策树(DT)、随机森林(RF)、朴素贝叶斯(NB)、人工神经网络(ANN)和极致梯度提升(XGBoost)8种ML算法,经3重交叉验证建立预测模型,通过比较受试者工作特征(ROC)曲线、Delong检验、GiViTI校准曲线选择最佳预测模型.采用决策曲线分析(DCA)评估模型的临床实用性.结果年龄、丙氨酸转氨酶(ALT)、肌酐(Cr)、甘油三酯(TG)、胱抑素C(Cys-C)、25羟基维生素D[25(OH)D]、单核细胞计数(Mon)是DKD的独立预测因子.8种ML模型中,ANN模型表现最佳.GiViTI校准曲线提示模型具有较好的准确度(P＞0.05),决策曲线显示预测模型曲线在0.027～0.612的阈值概率区间具有临床实用价值.结论本研究构建的预测DKD发生风险的ANN模型有助于早期识别DKD的高危T2DM患者.