Diabète sucré (DM)

Rétinopathie diabétique (RD)

Comparez divers algorithmes d'apprentissage automatique pour construire des modèles de prédiction de RD chez les patients atteints de diabète de type 2 et développez un nomogramme basé sur le meilleur modèle

Cette étude transversale incluait des patients atteints de diabète subissant un dépistage systématique de la RD.

Les patients ont été répartis au hasard entre un ensemble de formation (244 cas) et un ensemble de validation (105 cas).

Régression du moindre retrait absolu et de l'opérateur de sélection pour la sélection des caractéristiques cliniques

Six algorithmes d'apprentissage automatique ont été comparés : arbre de décision (DT), K voisins les plus proches (KNN), modèle de régression logistique (LM), forêt aléatoire (RF), machine à vecteurs de support (SVM) et XGBoost (XGB).

Les performances du modèle ont été évaluées au moyen de la courbe caractéristique de fonctionnement du récepteur (ROC), de l'étalonnage et de l'analyse de la courbe de décision (DCA). Un nomogramme a ensuite été développé sur la base du meilleur modèle

Comparé à 5 autres algorithmes d'apprentissage automatique (DT, KNN, RF, SVM, XGB), LM a montré l'aire sous la courbe ROC la plus élevée (AUC de 0,894) et le taux de rappel (0,92) dans l'ensemble de validation.

De plus, la courbe d'étalonnage et les résultats DCA sont également relativement bons

LM comprend la durée de la maladie, le DPN, la dose d'insuline, les protéines urinaires et l'ALB

Le nomogramme a montré une discrimination robuste (AUC : ensemble de formation 0,856, ensemble de validation 0,868), un calibrage et une applicabilité clinique après 1 000 tests bootstrap dans les deux ensembles de données.

Parmi six algorithmes d'apprentissage automatique différents, l'algorithme LM a montré les meilleures performances

Un nomogramme basé sur la régression logistique pour prédire la survenue d'une RD chez les patients atteints de diabète de type 2 a été établi.

Ce nomogramme peut servir d'outil précieux pour la détection de la RD afin de faciliter un traitement rapide

Caractéristiques prédictives de la DR par modèle logistique

Organigramme de recherche

Sélection des caractéristiques cliniques via le modèle de régression LASSO

Ensemble d'entraînement, ensemble de validation, ROC multimodèle, courbe d'étalonnage, DCA, évaluation des performances

Nomogramme prédisant la probabilité de RD chez les patients atteints de diabète de type 2

Performance du modèle de régression logistique avec 1000 bootstraps

Caractéristiques des patients dans les ensembles de formation et de validation

Prédire la rétinopathie diabétique à l’aide de différents algorithmes d’apprentissage automatique a une importance variable