机器学习与FINDRISC问卷在2型糖尿病6年发病预测中的性能比较：一项前瞻性队列研究

《BMC Endocrine Disorders》：Predicting the incidence of type 2 diabetes using FINDRISC and machine learning approaches: evidence from a population-based cohort

　　

摘要

引言

早期识别2型糖尿病对预防至关重要。虽然FINDRISC问卷提供了一种非侵入性筛查方法，但机器学习模型可能提供分析风险模式的替代途径。本研究在一个基于人群的研究队列中，比较了FINDRISC总分及其各个组成成分在使用传统方法和机器学习方法时的预测性能。

方法

这项前瞻性基于人群的研究队列研究评估了FINDRISC总分及其各个条目在预测6年内新发2型糖尿病方面的表现，使用了逻辑回归和四种机器学习算法（决策树、随机森林、支持向量机和人工神经网络）。SMOTE仅在交叉验证的训练折内严格应用。使用AUC-ROC、十分位校准图和Hosmer–Lemeshow检验评估模型的区分能力和校准能力。

结果

在8,859名完成6年随访的参与者中，发生了525例新发病例（发病率为6.0%）。FINDRISC总分的AUC为0.76（95% CI: 0.74–0.79）。在使用连续人体测量特征的成分水平模型中，随机森林获得了最高的观察区分能力，AUC为0.81（95% CI: 0.79–0.83）。筛查阈值>12的约登指数最高（0.41；灵敏度73.0%，特异度68.4%），而阈值>11提供了更高的灵敏度（78.9%）但特异度较低（61.1%）。

结论

FINDRISC总分在预测6年内新发2型糖尿病方面表现出可接受的区分能力。虽然成分水平的机器学习模型在内部验证中获得了更高的观察AUC值，但这些微小差异的临床意义仍不确定。由于需要进一步评估校准能力、临床效用和外部验证，标准FINDRISC仍然是初级保健筛查的实用工具。