糖尿病合并肥胖风险预测模型的构建与验证：基于NHANES数据的机器学习分析

这篇研究利用NHANES 2007–2018数据，通过LASSO回归和9种机器学习算法（如Logistic回归、随机森林RF等），构建了T2DM患者肥胖风险的预测模型。研究揭示了年龄、抑郁、ALP等19个关键变量与肥胖的关联，最终Logistic模型表现最优（AUC=0.781），并开发了可视化列线图，为糖尿病合并肥胖的早期干预提供了量化工具。

　　

背景

糖尿病（DM）已成为全球最普遍的慢性代谢性疾病之一，国际糖尿病联盟（IDF）数据显示，2021年全球糖尿病患者达5.37亿，预计2045年将增至7.83亿。肥胖作为糖尿病常见并发症，显著增加心血管风险和代谢负担，但其在糖尿病人群中的风险因素尚未完全阐明。国家健康与营养调查（NHANES）提供了大规模临床数据，结合机器学习（ML）技术，为肥胖风险预测提供了新思路。

方法

研究纳入NHANES 2007–2018周期中3,794名T2DM患者，按BMI≥30 kg/m²分为肥胖组（57.0%）与非肥胖组。采用LASSO回归（10折交叉验证）筛选19个关键变量，包括人口统计学（年龄、性别）、生化指标（ALP、Scr）、生活方式（总脂肪摄入）等。随后构建9种ML模型（如Logistic回归、XGBoost等），通过ROC曲线（AUC）、校准曲线、Brier评分和决策曲线分析（DCA）评估性能。最优模型进一步转化为临床适用的列线图。

结果

肥胖组患者更年轻（57.85±12.58岁），女性比例更高，且抑郁、高血压患病率显著升高（p<0.05）。生化指标中，ALP、UA、TG等差异显著（p<0.05），而维生素摄入无统计学意义。LASSO筛选的变量中，抑郁和高血压（EH）是肥胖最强正向预测因子，男性与年龄则呈负相关。Logistic模型表现最佳（训练集AUC=0.751，测试集AUC=0.781），Brier评分最低（0.189），且DCA显示其临床净收益最高。列线图以131分为临界值，可直观计算个体肥胖概率。

讨论

研究创新性在于聚焦糖尿病人群的肥胖特异性预测，并整合心理（抑郁）、代谢（ALP、UA）等多维度指标。抑郁通过下丘脑-垂体-肾上腺轴（HPA轴）异常影响能量代谢，而ALP、AST等肝酶提示内脏脂肪积累可能早于代谢失衡表现。值得注意的是，传统因素如吸烟、睡眠未进入模型，可能与变量共线性或NHANES自报数据偏差有关。LASSO的变量筛选能力优于传统回归，但研究存在横断面设计局限，且缺乏外部验证。

结论

该研究通过机器学习揭示了T2DM患者肥胖的多因素交互机制，开发的Logistic列线图兼具准确性与临床实用性，为早期识别高风险患者提供了量化工具。未来需前瞻性研究验证模型在真实世界的适用性。