机器学习用5项化验指标区分糖尿病肾病与视网膜病变
摘要
研究者用中国一家大型三级医院住院2型糖尿病患者的电子病历数据,建立可解释的机器学习模型,区分糖尿病肾病(DN)与糖尿病视网膜病变(DR)。训练与内部验证队列有DN 2309例、DR 855例,独立验证队列有DN 578例、DR 214例,共提取47项常规化验和人口学变量。取5项重要特征建立的XGBoost模型,在两个队列中的AUC分别为0.991和0.997。
信息来源: PubMed Ophthalmology 发布于 2026年1月1日
要点速览
- 研究数据来自中国一家大型三级医院的住院2型糖尿病患者
- 训练队列DN 2309例、DR 855例,独立验证队列DN 578例、DR 214例
- 5项特征的XGBoost模型在两个队列的AUC为0.991和0.997
- 最有影响的特征包括肌酐、尿α1微球蛋白等5项化验指标
本站解读
研究想回答的是:住院的2型糖尿病患者,只靠常规化验结果,能不能分辨出属于糖尿病肾病还是糖尿病视网膜病变。数据来自中国一家大型三级医院,训练与内部验证队列有DN 2309例、DR 855例,独立验证队列有DN 578例、DR 214例。取5项特征的XGBoost模型AUC在两个队列分别为0.991和0.997。作者用SHAP方法找出影响最大的5项:α-羟丁酸脱氢酶、肌酸激酶同工酶MB、肌酐、尿α1微球蛋白和N-乙酰-β-D-氨基葡萄糖苷酶。
这个模型是在已经属于DN或DR的住院患者之间做二选一,不是用来发现谁有眼底病。摘要只给出区分能力(AUC和AP),没有给出敏感度、特异度,两个队列的数据都来自同一家医院,没有其他医院的验证。作者称之为表观区分能力。
我们的判断是,这项工作说明常规化验数据里含有区分这两种并发症的信息,但它是单医院电子病历数据的分析,不能用来替代眼底检查对糖尿病视网膜病变的判断。
常见问题
糖尿病患者靠抽血化验就能知道眼底有没有病变吗?
不能这样理解。这项研究是在已经确定为糖尿病肾病或糖尿病视网膜病变的住院患者中,用化验结果区分两者,不是用来判断有没有眼底病。摘要也没有说明模型能否用于门诊或其他医院。如有疑虑可咨询眼科医生。
这个模型已经能用于临床了吗?
还不能这么说。研究的数据来自同一家医院,摘要只给出AUC和AP,没有敏感度和特异度,作者称其具有临床应用的潜力,属于模型开发与验证阶段的结果。如有疑虑可咨询眼科医生。
延伸阅读
机器学习识别糖尿病视网膜病变易感与耐受特征
研究基于极端表型策略,纳入712名糖尿病患者:437例增殖性糖尿病视网膜病变(PDR)患者为易感组,275例病程≥10年但无视网膜病变者为耐受组。通过整合临床与生化指标构建LightGBM模型,在内部验证中AUC达0.90。SHAP分析显示尿白蛋白排泄率(UAER)、糖尿病病程、血清肌酐等是关键判别特征。在社区队列(n=673)中,该易感评分对高血糖人群(空腹血糖≥9.0 mmol/L)的区分能力提升至AUC 0.71。
用眼底照片预测糖尿病肾病的AI模型效果评估
这项系统综述与荟萃分析评估了深度学习模型仅用眼底二维图像、或结合临床数据,检测和预测糖尿病相关肾病(DRKD)的效果。共纳入6项研究,其中3项混合模型用于荟萃分析,合并AUC为0.88,敏感度0.80,特异度0.81,但异质性极高(I² 93.7%-99.8%)。另有1项纵向研究预测5年DRKD风险,AUC为0.81。研究指出模型有潜力,但因研究数量少、设计差异大,结果普适性受限。
糖尿病视网膜病变的血清代谢指纹:纳米基质质谱结合机器学习
研究团队设计了一种高熵蛋黄壳金属氧化物,作为激光解吸电离质谱(LDI MS)的新型基质,用来检测糖尿病视网膜病变(DR)患者和健康对照的血清代谢指纹。随机森林模型区分两组的曲线下面积(AUC)超过0.99。由五种关键代谢物组成的精简组合(DR-D5)诊断表现与完整指纹模型相当,准确率高于93%。通路分析提示代谢紊乱与DR发病有关。作者认为该平台有望用于DR的无创筛查。