基于深度学习的糖尿病风险预测模型DRPM：早期检测与分层管理的创新工具

本研究开发了糖尿病风险预测模型DRPM（Diabetes Risk Prediction Model），通过深度学习技术整合NHANES数据中的5个关键特征（空腹血糖FBG、年龄、腰围身高比WtHR、平均收缩压MSP、体重指数BMI），构建了AUC达0.96的高精度预测系统。模型创新性地引入风险分层（低/中/高风险）和在线工具（http://cbcb.cdutcm.edu.cn/drpm/），为公共卫生筛查和个性化干预提供可量化依据，显著提升糖尿病早期发现的临床实用性。

　　

糖尿病风险预测模型DRPM的开发背景
糖尿病作为全球慢性病负担的主要贡献者，预计2045年患者将达7.83亿。现有预测模型存在特征冗余（如32个基因位点的GRMs模型AUC仅0.6-0.7）或依赖医院检测（如尿糖UGLU）的局限。基于NHANES 2011-2018年数据，本研究通过深度学习方法构建了仅需5项易获取指标的预测体系。

特征选择与模型构建
从初始36个特征中，采用单输入深度学习结合ANOVA筛选出核心指标：FBG（贡献度64%）、年龄、WtHR（每增加0.1单位风险升高1.7倍）、MSP和BMI。与XGBoost（AUC 0.808）等传统算法相比，全连接神经网络FCNN在测试集表现最优（AUC 0.9601），特异性达97.64%，但敏感性62.18%受降糖药物影响——47.2%用药患者FBG<7.0 mmol/L导致假阴性。

风险分层系统创新
根据预测风险分数PRS划定三类人群：

• 高风险（PRS>0.5）：占人群8.38%，捕获77.15%糖尿病患者
• 中风险（0.13<>
• 低风险（PRS≤0.13）：79.97%仅含2.19%漏诊病例
  外部验证（NHANES 2019-2020）显示，55.83%糖尿病患者被正确归入高风险组，而误判为高风险的非糖尿病患者中，86.8%实际处于糖尿病前期状态。

模型解释与临床应用
SHAP分析揭示FBG>6.3 mmol/L时SHAP值转正，WtHR与年龄呈线性正相关。配套开发的在线工具支持居家自测，其风险热图可视化设计（红/橙/绿三色预警）便于非专业人士理解。值得注意的是，模型对服用二甲双胍等药物导致的血糖正常化现象识别有限，这提示未来需整合用药史数据优化预测。

局限性与展望
当前模型基于美国人群数据，跨种族适用性待验证。作者建议后续研究可结合可穿戴设备动态监测BMI和血压，并探索肠道菌群（如普雷沃菌属）与代谢指标的协同预测效应。这项工作为AI驱动的慢性病防控提供了从算法创新到落地应用的完整范式。