人工智能算法预测2型糖尿病患者心脑血管风险：与临床评估的对比研究

本研究针对2型糖尿病(T2D)患者心脑血管并发症风险预测的临床需求，开发了基于XGBoost算法的AI预测模型(MetaClinic)。通过对532例意大利患者队列的回顾性分析，发现该算法对脑血管风险预测表现出色(Cohen's κ=0.85)，但对心脏疾病预测效果欠佳(κ=0.09)。研究为糖尿病并发症的精准防控提供了新型决策支持工具，尤其对脑血管病变的早期识别具有重要临床价值。

　　

在糖尿病诊疗领域，2型糖尿病(T2D)患者面临着严峻的心脑血管并发症威胁。这类患者发生心肌梗死和脑卒中的风险是普通人群的2-4倍，而传统的风险评估工具如UKPDS风险引擎存在灵敏度不足的问题。更棘手的是，糖尿病神经病变常会掩盖心绞痛症状，导致约50%的心肌缺血被漏诊。面对这些挑战，Francesco Piarulli团队提出了一个创新解决方案——利用人工智能(AI)算法从常规体检数据中挖掘预警信号。

这项发表在《Diabetology》的研究采用了横断面设计，分析了意大利帕多瓦糖尿病中心532例T2D患者的电子病历。研究团队应用METEDA公司开发的MetaClinic AI预测模块，该算法基于147,664名患者的15年随访数据训练而成，能通过25项常规指标(包括BMI、血压、HbA1c_c和eGFR等)预测6种糖尿病并发症风险。为验证算法效能，研究者特别聚焦心脏和脑血管两个模块，将AI预测结果与心电图(ECG)和颈动脉超声等金标准进行对比。

关键技术方法包括：1) 使用XGBoost机器学习算法处理电子病历数据；2) 根据风险百分位数将预测结果分为4级(低风险<10%至极高风险>50%)；3) 采用Cohen's κ系数评估AI与临床诊断的一致性；4) 对63例"极高风险"和122例"低风险"亚组进行重点分析；5) 通过多变量逻辑回归识别关键预测因子。

研究结果呈现显著差异：

患者"极高风险"组

• 心脏风险预测与ECG结果完全不符(κ=0.00)，72岁患者中仅28%显示异常ECG

• 脑血管预测却表现优异(κ=0.89)，超声证实的颈动脉狭窄>60%与AI预测高度吻合

患者"低风险"组

• 心脏风险仍无预测价值(κ=0.00)

• 脑血管风险保持高准确度(κ=0.83)，92%的低风险患者经超声验证无误

合并分析

• 心脏风险预测略有改善(κ=0.09)但未达临床要求

• 脑血管预测维持卓越性能(κ=0.85)

关键预测因子

• 年龄(p=0.035)和糖尿病病程(p=0.003)是独立风险因素

• 极高风险组患者平均病程达16.1年，显著长于低风险组(11.8年)

• 收缩压(150 vs 137 mmHg)和BMI(30.4 vs 27.5 kg/m²)在两组间差异显著

讨论部分指出，这种"脑血管优异而心脏欠佳"的分化表现可能源于ECG对早期心肌病变的低敏感性。算法标记的高风险患者中，可能有相当比例存在超声心动图才能发现的亚临床改变。这提示AI或许比传统筛查更早捕捉到风险信号，但需通过前瞻性研究验证。

该研究的临床意义在于：1) 为无症状T2D患者提供了可靠的脑血管风险筛查工具；2) 揭示了常规体检数据通过AI转化应用的潜力；3) 指明算法优化方向应纳入更多心脏特异性指标。正如作者强调，这种AI工具若能整合到电子病历系统，可自动标识高风险患者，推动精准二级预防的实施。未来研究需要扩大样本量，并引入更敏感的心脏影像学标志物进行算法再训练。