编辑推荐：
为解决在初级医疗保健中心糖尿病视网膜病变（DR）和黄斑水肿（DME）筛查困难的问题，研究人员利用韩国国家健康与营养检查调查数据，借助 ChatGPT-4 开展开发风险计算器的研究。结果显示该计算器预测 DR 和 DME 的 ROC-AUC 分别为 0.786 和 0.835 ，为糖尿病患者相关疾病风险预测提供了便利工具。
在全球范围内，糖尿病并发症都是一个严峻的健康问题。其中，糖尿病视网膜病变（Diabetic retinopathy，DR）和糖尿病黄斑水肿（Diabetic macular edema，DME）是糖尿病患者视力受损的重要原因。如果能早期诊断 DR 和 DME，通过控制血糖水平、注射抗血管内皮生长因子（VEGF）或皮质类固醇以及激光治疗，就可以有效阻止疾病进展。然而，在大多数国家，眼科医生资源稀缺，进行 DR 和 DME 筛查所需的视网膜检查往往难以正常开展。同时，利用传统机器学习和深度学习模型进行多变量大数据分析，虽然比传统统计公式更有效，但开发模型需要复杂的编码技能，这对医护人员来说是巨大的挑战，且开发出的模型在临床应用中也存在诸多困难。为了解决这些问题，来自韩国的研究人员开展了一项研究，其成果发表在《International Journal of Retina and Vitreous》杂志上。
研究人员使用韩国国家健康与营养检查调查（Korea National Health and Nutrition Examination Survey，KNHANES）中糖尿病患者的病史和实验室血液检测数据，借助先进的大语言模型（Large language model，LLM）ChatGPT-4，自动开发了一种风险计算器，用于筛查糖尿病患者中 DR 和 DME 的风险群体。
研究人员用到的主要关键技术方法如下：
- 数据收集：采用 KNHANES 收集的糖尿病患者数据，该数据包含病史、健康行为、营养调查、社会人口统计数据、实验室检测结果以及眼科检查结果等多方面信息。
- 模型开发：利用 ChatGPT-4 进行逻辑回归分析，通过设定特定的提示词，进行特征选择，构建预测 DR 和 DME 的公式。
- 计算器开发：根据构建的公式，让 ChatGPT-4 生成 HTML 代码，创建基于网络浏览器运行的风险计算器。
- 模型评估：使用受试者工作特征曲线下面积（ROC-AUC）评估模型性能，并与其他机器学习算法进行比较。
研究结果如下：
- 人口统计学特征：对 2231 名糖尿病患者的开发数据集和 229 名患者的外部验证数据集分析发现，与无 DR 患者相比，DR 患者糖尿病病程更长、治疗频率更高，收缩压（SBP）、糖化血红蛋白（HbA1c）和空腹血糖水平更高，总胆固醇、天冬氨酸转氨酶（AST）和血红蛋白水平更低；与无 DME 患者相比，DME 患者年龄更大、糖尿病病程更长、治疗频率更高，SBP、HbA1c 和空腹血糖水平更高，舒张压（DBP）、总胆固醇、AST、丙氨酸转氨酶（ALT）和血红蛋白水平更低。
- 风险计算器的开发：ChatGPT-4 成功识别训练数据，完成逻辑回归分析并构建了预测公式。预测 DR 的最终模型包含年龄、BMI、糖尿病病程、口服药物、胰岛素治疗、SBP、HbA1c、空腹血糖和血红蛋白水平等变量；预测 DME 的公式包含糖尿病病程、SBP、HbA1c、肌酐、白细胞（WBC）计数、血小板计数和血红蛋白水平等变量。之后，ChatGPT-4 自动生成 HTML 代码，创建的风险计算器在桌面和移动环境中均可正常运行。
- 预测模型的比较：在内部验证集中，开发的公式预测 DR 和 DME 的 ROC-AUC 分别为 0.747 和 0.940；在外部验证集中，分别为 0.786 和 0.835。与其他机器学习算法相比，ChatGPT-4 构建的逻辑回归公式在预测 DR 和 DME 方面表现相似，且优于部分算法和糖尿病指标（如 HbA1c 和糖尿病病程）。
研究结论和讨论部分指出，该研究首次利用 LLM 设计了无需视网膜成像和编码的自动化风险计算器，可在网络浏览器上运行，能有效解决 DR 和 DME 筛查困难的问题，具有成本效益高、临床应用便捷等优势。虽然研究存在一定局限性，如数据收集的横断面性质、数据来自东亚国家导致的普适性问题等，但为未来研究提供了方向。研究人员认为，利用 ChatGPT-4 开发风险计算器的方法，有助于医护人员更高效地评估糖尿病患者 DR 和 DME 风险，也为其他机构和国家开发定制化风险计算器提供了参考，有望让更多患者受益 。
