2型糖尿病患者进展为增殖性糖尿病视网膜病变的时间预测模型构建与验证

来自加州大学健康数据仓库的研究人员利用电子健康记录数据，开发并验证了三种生存模型（Cox比例风险、LASSO-Cox和随机生存森林），用于预测2型糖尿病患者进展为增殖性糖尿病视网膜病变(PDR)的风险。模型展现出良好预测性能(C指数0.73-0.75)，关键风险因素包括年龄、种族、NPDR严重程度和糖尿病肾病。该研究为高风险患者的早期识别和精准干预提供了新工具。

　　

这项开创性研究利用加州大学健康系统(UCHDW)2012-2024年间10万患者的临床数据，构建了三种机器学习生存模型来预测2型糖尿病(T2DM)患者发生增殖性糖尿病视网膜病变(PDR)的进程。研究团队筛选了7739名基线期仅患非增殖性糖尿病视网膜病变(NPDR)或糖尿病黄斑水肿(DME)的患者，通过Cox回归、LASSO-Cox和随机生存森林(RSF)算法，成功识别出年龄、种族(亚裔/非裔/拉丁裔)、DME共病、NPDR严重程度、平均糖化血红蛋白(HbA_1c)水平和糖尿病肾病等核心预测因子。

令人振奋的是，所有模型在内部和外部验证集中均表现出色(C指数0.73-0.75)，其中Cox和RSF模型对2年内进展风险的预测尤为精准。数据显示9.3%患者在平均1.89年内进展为PDR，而模型能提前识别高风险人群——比如基线HbA_1c每升高1%，风险比(HR)就增加1.15倍；合并糖尿病肾病会使风险飙升2.3倍。这些智能预测工具不仅实现了"风险分层"的临床需求，更为个性化随访周期制定和医疗资源优化配置提供了数据驱动的决策依据。