低血糖问题解决能力作为严重低血糖的关键预测因素：一项针对1型糖尿病成年患者的机器学习研究

《Diabetology International》：Hypoglycemia problem-solving ability as a key predictor of severe hypoglycemia: a machine learning approach in adults with type 1 diabetes

本研究旨在开发并评估整合行为管理、临床和技术因素（如问题解决能力、连续血糖监测指标）的机器学习模型，以预测1型糖尿病患者严重低血糖风险。结果显示，树模型（随机森林、LightGBM）表现最佳，平均ROC-AUC为0.64，其中行为因素（问题感知、策略制定）是关键预测因子。

　　

摘要

目的/引言

严重低血糖（SH）是1型糖尿病（T1DM）成人患者的主要并发症。1型糖尿病的多因素病因强调了需要开发整合临床、行为和技术因素的预测工具。本研究旨在通过结合低血糖问题解决能力、糖尿病技术和连续血糖监测（CGM）指标，开发和评估用于预测严重低血糖的机器学习（ML）模型。

材料与方法

我们分析了来自FGM-Japan研究的247名1型糖尿病成人患者的数据（平均年龄50.4±13.7岁；38.1%为男性；糖化血红蛋白7.7±0.9%）。共评估了22,517种特征-模型组合，涉及11种机器学习算法，包括逻辑回归、L1正则化回归、随机森林、LightGBM、XGBoost、SVM、朴素贝叶斯、SGD、神经网络和k近邻算法。11个候选预测因子包括低血糖意识受损（IAH）、糖尿病周围神经病变（DPN）、连续皮下胰岛素输注（CSII）以及七个低血糖问题解决能力领域。模型性能通过五折交叉验证进行评估，评估指标包括接收者操作特征曲线下面积（ROC-AUC）、准确率、精确度、召回率和F1分数。使用SMOTE方法处理了类别不平衡问题。

结果

所有模型的平均ROC-AUC值为0.64（范围：0.151–0.916）。平均准确率为0.90，但精确度和召回率一直较低，平均召回率为0.08。表现最好的模型（ROC-AUC>0.90）主要是随机森林和LightGBM，这些模型经常纳入问题感知、问题属性识别、寻求预防策略、策略评估和即时管理等领域。基于树的模型在性能上显著优于逻辑回归、朴素贝叶斯、SVM和SGD（调整后的p<0.001），而基于树的算法之间的差异在临床上并不显著。

结论

基于树的机器学习模型在预测1型糖尿病患者的严重低血糖方面表现出更强的区分能力。低血糖问题解决能力是最强的预测因子，这突显了将行为自我管理技能与临床和技术因素相结合的重要性。

试验注册

大学医院医疗信息网络（UMIN）中心：UMIN000039475，批准日期：2020年2月13日。