摘要
目的： 探讨2型糖尿病（T2DM）发生糖尿病肾病（DN）的危险因素，并基于机器学习（ML）算法构建和验证相应的风险预测模型。 方法： 收集2022年08月至2023年05月期间承德市中心医院内分泌科住院治疗的581例T2DM患者的临床资料，随机分为训练集（407例，70%）和验证集（174例，30%），训练集依据是否合并DN分为DN组（94例，23.1%）和非DN组（313例，76.9%）。单因素分析训练集患者的临床资料，将其中有意义的变量通过多因素Logistic回归筛选出DN发生风险的预测因子。经K重交叉验证（K=3）建立Logistic回归（LR）、K近邻（KNN）、决策树（DT）、随机森林（RF）、朴素贝叶斯（NB）、人工神经网络（ANN）、极致梯度提升（XGBoost）、支持向量机（SVM）等8种ML预测模型。经Delong检验对模型在训练集及验证集中的受试者工作特征（ROC）曲线下面积（AUC）进行比较，挑出最佳预测模型。以列线图的方法可视化展现模型；在训练集及验证集中，绘制校准曲线衡量模型的校准性能；决策曲线（DCA）联合临床影响曲线（CIC）以衡量模型的实用性。 结果： 冠心病（CHD）病史、DM病程、乳酸脱氢酶（LDH）、胱抑素C（C ys-C）、25-羟维生素D [25（OH）D]、中性粒细胞（Neu）、甘油三酯-葡萄糖指数（TyG）是DN的风险因子。8种ML模型中，LR模型表现最佳。在训练集中，该预测模型预测值和实际值的一致性较好（MAE=0.01 3），在验证集中，该预测模型拟合效果良好（P=0.138）。综合DCA曲线和CIC曲线，当预测模型的预测概率值大于0.40时具有一定的临床实用性。 结论： 既往有CHD病史、DM病程较长、LDH、Cys-C、Neu、TyG水平升高、25（OH）D降低是T2DM患者发生DN的风险因子。该模型具有较好的预测能力和校准能力，并且临床实用性良好，有助于早期识别DN的高危患者。
NETL