Diabetes mellitus (DM)

Diabetische Retinopathie (DR)

Vergleichen Sie verschiedene Algorithmen für maschinelles Lernen, um DR-Vorhersagemodelle bei Patienten mit Typ-2-DM zu erstellen und ein Nomogramm basierend auf dem besten Modell zu entwickeln

Diese Querschnittsstudie umfasste DM-Patienten, die sich einem routinemäßigen DR-Screening unterzogen

Die Patienten wurden nach dem Zufallsprinzip in einen Trainingssatz (244 Fälle) und einen Validierungssatz (105 Fälle) aufgeteilt.

Geringste absolute Schrumpfung und Auswahloperator-Regression für die Auswahl klinischer Merkmale

Es wurden sechs Algorithmen für maschinelles Lernen verglichen: Decision Tree (DT), K Nearest Neighbors (KNN), Logistic Regression Model (LM), Random Forest (RF), Support Vector Machine (SVM) und XGBoost (XGB).

Die Modellleistung wurde durch Receiver Operating Characteristic Curve (ROC), Kalibrierung und Entscheidungskurvenanalyse (DCA) bewertet. Basierend auf dem besten Modell wurde dann ein Nomogramm entwickelt

Im Vergleich zu anderen 5 Algorithmen für maschinelles Lernen (DT, KNN, RF, SVM, XGB) zeigte LM die höchste Fläche unter der ROC-Kurve (AUC von 0,894) und die höchste Rückrufrate (0,92) im Validierungssatz

Darüber hinaus sind auch die Kalibrierungskurve und die DCA-Ergebnisse relativ gut

LM umfasst Krankheitsdauer, DPN, Insulindosis, Urinprotein und ALB

Das Nomogramm zeigte eine robuste Unterscheidung (AUC: Trainingssatz 0,856, Validierungssatz 0,868), Kalibrierung und klinische Anwendbarkeit nach 1000 Bootstrap-Tests in beiden Datensätzen.

Unter sechs verschiedenen Algorithmen für maschinelles Lernen zeigte der LM-Algorithmus die beste Leistung

Es wurde ein auf logistischer Regression basierendes Nomogramm zur Vorhersage der DR bei Patienten mit Typ-2-DM erstellt.

Dieses Nomogramm kann als wertvolles Hilfsmittel zur DR-Erkennung dienen, um eine rechtzeitige Behandlung zu erleichtern

Vorhersageeigenschaften von DR durch Logistikmodell

Forschungsflussdiagramm

Auswahl klinischer Merkmale mittels LASSO-Regressionsmodell

Trainingssatz, Validierungssatz, Multimodell-ROC, Kalibrierungskurve, DCA, Leistungsbewertung

Nomogramm zur Vorhersage der DR-Wahrscheinlichkeit bei Patienten mit Typ-2-DM

Leistung des logistischen Regressionsmodells mit 1000 Bootstraps

Merkmale von Patienten in Trainings- und Validierungssätzen

Die Vorhersage einer diabetischen Retinopathie mithilfe verschiedener Algorithmen des maschinellen Lernens ist von unterschiedlicher Bedeutung