预测2型糖尿病并发颈动脉斑块的机器学习模型的建立

摘要

目的:探索机器学习模型在2型糖尿病患者中预测并发颈动脉斑块的应用价值。方法:使用上海交通大学附属第六人民医院内分泌代谢科(2006—2012年)的住院2型糖尿病实际临床数据集,共8499例患者,约60%为训练集,剩余40%为验证集。采用集成学习算法即随机森林法建立模型分析并验证数十个指标的重要性。挖掘多个检验指标(特征)对颈动脉斑块的影响,并根据这些特征预测颈动脉斑块的有无,为进一步的临床干预或不干预提供依据。为提高颈动脉斑块的预测准确性和效率,剔除一些影响轻微的特征,并根据特征是否易于获取以及重要性逐步减少使用的特征数量。使用相同数据,采用该模型与传统Logistics回归模型进行2型糖尿病并发颈动脉斑块预测。结果:低密度脂蛋白、年龄、空腹胰岛素、甘油三酯、总胆固醇、高密度脂蛋白、空腹血糖、糖化血红蛋白、糖尿病病程均有较高权重,选用这9个特征的机器学习模型具有较高的颈动脉斑块预测精度(80.0%),优于传统的二元Logistics回归模型。结论:在2型糖尿病患者中,使用机器学习模型对是否合并颈动脉斑块有较好的预测效果。