Diabete mellito (DM)

Retinopatia diabetica (DR)

Confrontare vari algoritmi di apprendimento automatico per costruire modelli di previsione DR in pazienti con DM di tipo 2 e sviluppare un nomogramma basato sul modello migliore

Questo studio trasversale ha incluso pazienti con DM sottoposti a screening DR di routine

I pazienti sono stati divisi in modo casuale in set di training (244 casi) e set di validazione (105 casi)

Minima contrazione assoluta e regressione dell'operatore di selezione per la selezione delle caratteristiche cliniche

Sono stati confrontati sei algoritmi di machine learning: Decision Tree (DT), K Nearest Neighbours (KNN), Logistic Regression Model (LM), Random Forest (RF), Support Vector Machine (SVM) e XGBoost (XGB)

Le prestazioni del modello sono state valutate attraverso la curva caratteristica operativa del ricevitore (ROC), la calibrazione e l'analisi della curva decisionale (DCA). È stato quindi sviluppato un nomogramma basato sul modello migliore

Rispetto ad altri 5 algoritmi di machine learning (DT, KNN, RF, SVM, XGB), LM ha mostrato l'area sotto la curva ROC (AUC di 0,894) e il tasso di richiamo (0,92) più alti nel set di validazione

Inoltre, anche la curva di calibrazione e i risultati DCA sono relativamente buoni

LM include durata della malattia, DPN, dosaggio di insulina, proteine ​​urinarie e ALB

Il nomogramma ha mostrato una solida discriminazione (AUC: set di addestramento 0,856, set di validazione 0,868), calibrazione e applicabilità clinica dopo 1000 test bootstrap in entrambi i set di dati.

Tra sei diversi algoritmi di machine learning, l’algoritmo LM ha mostrato le prestazioni migliori

È stato stabilito un nomogramma basato sulla regressione logistica per prevedere la DR nei pazienti con DM di tipo 2.

Questo nomogramma può fungere da prezioso strumento per il rilevamento della DR e facilitare il trattamento tempestivo

Caratteristiche predittive della DR mediante modello logistico

Diagramma di flusso della ricerca

Selezione delle caratteristiche cliniche tramite modello di regressione LASSO

Set di addestramento, set di validazione, ROC multi-modello, curva di calibrazione, DCA, valutazione delle prestazioni

Nomogramma che prevede la probabilità di DR nei pazienti con DM di tipo 2

Prestazioni del modello di regressione logistica con 1000 bootstrap

Caratteristiche dei pazienti nei set di training e validazione

La previsione della retinopatia diabetica utilizzando diversi algoritmi di apprendimento automatico ha un’importanza variabile