编辑推荐：
2 型糖尿病（T2DM）患者大血管并发症的早期诊断颇具挑战。研究人员开展了利用机器学习算法预测中国 T2DM 患者大血管病变风险的研究。结果显示模型有良好辨别性能，这为 T2DM 大血管病变预测和预防提供了参考。
随着生活水平的提高和生活方式的改变，糖尿病已成为全球成人健康的一大危机。其中，2 型糖尿病（T2DM）占糖尿病病例的 90% 以上。在中国，糖尿病患病率呈显著上升趋势。而大血管病变是 T2DM 患者死亡的主要原因，其早期症状隐匿，诊断困难，传统的诊断方法存在诸多局限性，比如颈动脉内膜中层厚度（cIMT）测量需要专业设备和培训，费用高昂，因此急需一种简单、经济有效的筛查方法。
中南大学湘雅二医院等研究机构的研究人员开展了相关研究，旨在利用机器学习算法构建能准确预测中国 T2DM 患者糖尿病大血管病变的模型。该研究成果发表在《Scientific Reports》上。
研究人员用到的主要关键技术方法如下：首先，从郑州大学第一附属医院招募了 2328 名 18 岁以上的 T2DM 患者，经过一系列排除标准筛选后，最终纳入 1566 名患者。接着，采用递归特征消除（RFE）方法进行特征选择，在 mlr3 框架下利用 7 种机器学习方法筛选变量，并结合相关分析和方差膨胀因子（VIF）系数评估共线性。然后，对 29 种机器学习模型进行基准测试，选择性能最佳的 ranger 模型，并通过网格搜索和 5 折交叉验证优化其超参数。最后，利用 SHAP 值、部分依赖图（PDP）等方法增强模型的可解释性。
下面介绍具体的研究结果：
- 研究人群特征：研究人群共 1566 名参与者，平均年龄 48.9 岁，男性占 67.9%。大血管病变（MA）组和非大血管病变（NM）组在年龄、BMI、收缩压、T2DM 病程等多个关键变量上存在显著差异。MA 组年龄更大，BMI 更低，收缩压更高，T2DM 病程更长，且合并症如高血压、心脏功能障碍和脑血管疾病的比例更高。在实验室指标方面，两组也有明显差异，如 MA 组甘油三酯更低，HDL-C 更高等。
- 数据不平衡：数据集存在样本不平衡问题，MA 组样本数多于 NM 组。研究人员对比了欠采样、过采样和 SMOTE 等方法，发现欠采样效果最佳，最终采用该方法平衡数据集。
- 风险因素和特征选择：通过 RFE 方法和多种机器学习算法，确定了 4 个关键预测变量：T2DM 病程、年龄、纤维蛋白原和血清尿素氮（BUN）。这些变量通过了共线性检验，且在不同模型中表现稳定。
- 筛选最优基准模型：对 29 种机器学习分类模型进行比较，ranger 模型的中位数 AUC 值最大，具有最佳的辨别性能，因此被选用于进一步分析。
- 模型开发和超参数调整：将所有患者纳入训练集构建模型并调整超参数。最终确定 ranger 模型的最优超参数，在训练集中模型的准确率为 0.716，AUC 为 0.777。
- 外部验证和个性化预测解释：在外部验证集中，模型的准确率为 0.736，AUC 为 0.745。通过多种解释方法发现，T2DM 病程和年龄对血管疾病并发症的发生和结局影响显著，BUN 次之，纤维蛋白原影响较小。PDP 显示各关键因素之间存在协同作用，T2DM 病程对大血管病变风险影响较大。
研究结论和讨论部分指出，该研究成功构建了预测 T2DM 患者血管并发症的诊断模型，确定了关键预测变量。T2DM 病程和年龄是已知的大血管病变风险因素，长期高血糖会导致血管损伤。年龄与多种合并症相关，会加重心血管风险。纤维蛋白原作为凝血蛋白和炎症标志物，其水平升高会增加心血管疾病风险。血清尿素氮反映肾功能，肾功能受损与心血管疾病密切相关，但二者因果关系仍需进一步研究。
该研究具有重要意义，其样本量大，参数收集全面，且利用先进的机器学习方法，使研究结果更具普遍性和可靠性。不过研究也存在一定局限性，如观察性研究限制了因果推断，样本来自相对有限的地区，可能存在代表性不足的问题，且无法排除残余混杂因素的影响。未来研究应注重纵向研究，验证预测模型，并探索风险因素与大血管并发症之间的因果关系，同时纳入遗传和分子数据，进一步提高预测价值 。总体而言，该研究为糖尿病大血管病变的预测和预防提供了重要参考，有助于早期干预高风险患者，推动糖尿病诊疗的发展。
