基于AutoScore的可解释性2型糖尿病预测模型：利用标准临床参数实现精准风险评估

《International Journal of Medical Informatics》：Interpretable type 2 diabetes incidence prediction with AutoScore: A model based on standard clinical parameters

本研究通过对比AutoScore与支持向量机(SVM)模型，证实基于常规临床参数的可解释性评分系统在2型糖尿病(T2DM)风险预测中具有重要临床价值。虽然SVM模型表现出更高预测精度（AUC 0.72 vs 0.69），但AutoScore凭借其透明度高、易集成优势，为临床决策提供更实用的风险评估工具。研究强调空腹血糖、OGTT血糖和Matsuda指数等关键预测因子，为糖尿病早期防控提供新思路。

　　

主要发现

首先，我们的研究结果表明机器学习技术能够基于常用临床标志物预测2型糖尿病（T2DM）发病，这些标志物包括口服葡萄糖耐量试验（OGTT）和空腹血糖、糖化血红蛋白（HbA1c）、胰岛素抵抗指数（HOMA）和松田指数（均源自葡萄糖和胰岛素测量值）以及低密度脂蛋白-载脂蛋白B（LDL-ApoB）比值。其次，AutoScore算法成功生成了一种简单易用的风险评分，该评分仅依赖于常规可获取的参数。第三，尽管AutoScore提供了临床适用性，但通过复杂预处理优化的支持向量机（SVM）模型实现了更好的预测性能。

结论

本研究表明AutoScore能够利用标准临床参数生成可解释的T2DM发病风险评分，使其适用于常规临床应用。虽然优化后的SVM模型具有更高的预测性能，但其需要复杂的预处理且仍属于黑箱方法。两种方法在顶级预测因子上的重叠支持了它们的临床相关性。因此，AutoScore为早期糖尿病风险分层提供了一个实用解决方案，特别是在需要透明度和易用性的场景下。

机构审查委员会声明

本研究符合1975年赫尔辛基宣言的伦理准则，并已获得奥地利福拉尔贝格州伦理委员会（EK-2-22013/0008）和"莱茵兰-普法尔茨州医学会"（LURIC研究，编号#837.255.97(1394)）的批准。

知情同意声明

所有参与者均签署了书面知情同意书。作者确认所有参与者均已同意发布匿名化数据。

除上述外，本研究未从公共、商业或非营利部门的资助机构获得任何财政支持或拨款。

生成式AI和AI辅助技术在写作过程中的使用声明

生成式AI（ChatGPT）在写作过程中被用于检查语法和拼写，并提高稿件的可读性和语言质量。

未引用参考文献

Covert and Lee [5], ElSayed et al. [7], Lundberg et al. [23].

作者贡献声明

Andreas Leiherer： 初稿撰写，可视化，软件，项目管理，方法论，形式分析，概念化。 Laura Schnetzer： 审稿编辑，方法论，概念化。 Sylvia Mink： 审稿编辑，调查。 Arthur Mader： 审稿编辑，调查。 Axel Mündlein： 审稿编辑，调查，数据管理。 Bernhard Bermeitinger： 审稿编辑，软件，方法论，形式分析。

利益冲突声明

作者声明不存在任何可能影响本研究报告的已知竞争性财务利益或个人关系。

致谢

VIVIT研究所感谢福拉尔贝格州政府（奥地利布雷根茨）对我们研究所的持续支持，以及Peter Prast和Emotion基金会（列支敦士登瓦杜兹），但他们未以任何方式影响当前工作。

结论

这项研究表明，尽管支持向量机（SVM）等黑箱模型具有略高的预测准确性，但像AutoScore这样的可解释框架能够基于标准数据提供临床可操作的风险分层。它们的透明性和简单性使其在现实世界的决策支持中特别有价值。