《Frontiers in Endocrinology》：Dynamic evolution of readmission risk factors across short-, medium-, and long-term horizons in type 2 diabetes: a machine learning-based predictive modeling study with SHAP interpretability
编辑推荐：
背景：2型糖尿病（T2DM）患者再入院危险因素可能随时间窗动态演变，但这一动态变化尚不明确。方法：该回顾性队列研究构建了九种机器学习模型以预测12,041例T2DM患者的30天、60天和365天再入院风险（另取2,007例患者用于30天和60天模型的时间验证）
背景：2型糖尿病（T2DM）患者再入院危险因素可能随时间窗动态演变，但这一动态变化尚不明确。方法：该回顾性队列研究构建了九种机器学习模型以预测12,041例T2DM患者的30天、60天和365天再入院风险（另取2,007例患者用于30天和60天模型的时间验证）。特征选择采用最小绝对收缩和选择算符（LASSO）及Boruta算法。沙普利可加性解释（SHAP）用于模型可解释性分析，并对短期和中期模型进行时间验证。结果：人工神经网络（ANN）在30天和60天预测中表现出最高的受试者工作特征曲线下面积（AUROC）；随机森林（RF）在365天预测中表现优异。SHAP分析揭示了危险因素的动态演变：年龄主导30天窗口；住院时长和炎症标志物[全身炎症反应指数（SIRI）、全身免疫炎症指数（SII）]成为60天窗口的关键预测因子；糖尿病特异性慢性并发症则主导365天窗口。结论：模型选择应针对特定时间窗：ANN适用于短期/中期，随机森林适用于远期预测。危险因素从急性脆弱性向炎症负荷再向慢性并发症转移，支持对T2DM患者进行动态风险监测。
该研究发表于《Frontiers in Endocrinology》，旨在解决2型糖尿病（T2DM）患者再入院预测中缺乏时间窗特异性工具及风险因素动态演变规律不明的问题。T2DM作为全球最普遍的慢性非传染性疾病之一，其再入院率高达14%–20%，不仅反映疾病管理不足，还与患者预后恶化、并发症加重及医疗资源浪费直接相关。尽管机器学习在疾病风险预测中展现潜力，但现有研究多聚焦短期再入院，缺乏对中远期风险差异及动态演变的系统探讨。为此，研究人员基于新疆医科大学第一附属医院单中心大样本临床队列，构建并比较九种机器学习算法，开发30天、60天及365天再入院预测模型，通过LASSO与Boruta算法进行特征筛选，并采用SHAP分析揭示各时间窗关键预测因子的贡献差异及动态演变趋势，以期为临床提供时间分辨的风险分层工具。
该研究的主要关键技术方法包括：基于2018年11月至2023年12月12,041例T2DM住院患者的数据进行模型训练与内部验证（7:3分层随机拆分），另选取2024年1月至7月2,007例患者作为独立时间验证集；采用LASSO回归（10折交叉验证确定最优λ）与Boruta算法进行特征选择；构建九种机器学习模型[随机森林、LightGBM、XGBoost、逻辑回归、K近邻（KNN）、支持向量机（SVM）、人工神经网络（ANN）、决策树、弹性网络]，运用网格搜索结合5折交叉验证进行超参数优化；采用AUROC、AUPRC、Brier评分、校准截距与斜率等指标评估模型，并以DeLong检验比较AUROC差异；通过SHAP分析实现模型可解释性，量化各特征对预测结果的贡献方向与幅度。
研究结果部分，研究人员首先报告了参与者基线特征。在8,429例训练及内部验证集患者中，30天、60天和365天再入院率分别为1.86%、2.41%和6.05%。三组再入院患者与非再入院患者在年龄、住院时长、SIRI、婚姻状况、合并症等方面存在显著差异。
特征选择结果显示，经LASSO与Boruta筛选后，30天模型纳入年龄、住院时长、SIRI、婚姻状况、慢性阻塞性肺疾病（COPD）、睡眠障碍、骨质疏松；60天模型增加SII、尿毒症期肾衰竭及肿瘤；365天模型进一步纳入职业、心肌梗死、腔隙性脑梗死及糖尿病视网膜病变。方差膨胀因子（VIF）均小于5，不存在显著共线性。
模型性能对比显示，30天预测中ANN在验证集AUROC最高（0.752，95%CI：0.681–0.816），AUPRC为0.166（95%CI：0.096–0.283）；时间验证集AUROC为0.754（95%CI：0.576–0.908），灵敏度0.455，特异度0.837。60天预测中ANN仍表现最优，验证集AUROC为0.738（95%CI：0.679–0.797），AUPRC为0.166（95%CI：0.099–0.254）；时间验证集AUPRC达0.259（95%CI：0.016–0.517），特异度0.871，灵敏度0.462。365天预测中随机森林与XGBoost的AUROC相当（分别为0.687和0.686），ANN的AUPRC最高（0.240，95%CI：0.184–0.305），特异度0.910。校准性能方面，ANN在内部验证集中显示良好校准，但时间验证集中校准斜率下降（30天：0.209；60天：0.383），提示未来数据应用中存在校准衰减。雷达图综合比较后，选定ANN为30天和60天最优模型，随机森林为365天最优模型。
DeLong检验结果表明，30天内部验证中ANN显著优于多数模型（P<0.05），仅与随机森林、KNN及决策树无显著差异；时间验证中仅显著优于随机森林（P=0.008）和SVM（P=0.035）。60天内部验证中ANN显著优于LightGBM和决策树（均P<0.001），与其余模型无显著差异；时间验证中与其他模型均无显著差异。365天内部验证中随机森林显著优于LightGBM、逻辑回归、KNN、SVM、决策树及弹性网络（均P<0.01），但与ANN（P=0.239）或XGBoost（P=0.912）无显著差异。
SHAP可解释性分析揭示了风险因素的动态演变规律。30天窗口中，年龄为最重要预测因子（平均|SHAP|=0.0112），其次为住院时长（0.0106）、COPD（0.0044）、睡眠障碍（0.0028）、SIRI（0.0018）、骨质疏松（0.0010）及婚姻状况（0.0010），体现"急性脆弱性"主导特征。60天窗口中住院时长跃居首位（0.0172），年龄降至第二（0.0135），SII（0.0075）和SIRI（0.0035）重要性显著上升，婚姻状况（0.0026）和尿毒症期肾衰竭（0.0012）亦进入模型，反映核心机制向"炎症负荷"和"住院过程复杂性"转变。365天窗口中住院时长仍为最核心因子（0.0453），但糖尿病特异性慢性并发症——糖尿病视网膜病变（0.0134）、腔隙性脑梗死（0.0031）和心肌梗死（0.0018）——首次成为主导预测因素，SII保持第三位（0.0162），职业因素（0.0147）亦具较高贡献，标志风险结构转为"慢性并发症主导"。纵向比较可见，住院时长的重要性随时间窗延长递增；炎症标志物在30天窗口贡献较低，于60天和365天窗口显著增强；糖尿病并发症仅在365天窗口凸显，而30天和60天窗口则由合并症主导。
讨论部分，研究人员深入分析了模型选择差异的深层原因。ANN在短期和中期预测中的优势源于其多层非线性变换能力对急性、高交互性数据的适应性——感染加剧代谢紊乱、血糖波动通过氧化应激和内皮功能障碍放大炎症反应、出院后用药依从性下降等因素存在复杂交互。而长期预测中随机森林的优越性则因其对慢性病程中稳定累积特征的鲁棒性，以及对异常值、噪声的不敏感性，其内置缺失值处理机制和类别权重调整能力亦适合不平衡数据。研究还指出短期预测难度更高的现象，认为30天内再入院多为急性因素随机叠加的结果，信息不完全性突出；而365天再入院更能反映慢性病程累积效应，与"代谢记忆"效应——早期高血糖损伤即使后期血糖改善仍持续进展——高度吻合。
SHAP分析的临床价值在于实现了从"二元高风险判断"向"个体化归因"的跨越。年龄在所有患者中呈一致性正向贡献，而糖尿病视网膜病变的高SHAP值仅见于部分患者，提示其作为高特异性标志物适于分层管理。据此，炎症主导型患者应强化抗炎与代谢控制，社会支持不足型患者则需加强家庭随访或社区照护。
研究局限性包括：单中心回顾性设计可能限制外推性；未纳入用药依从性、健康素养、饮食模式及血糖变异性等潜在变量；再入院定义限于T2DM为主要诊断且同一医院入院，可能低估实际再入院率。
研究结论为：该研究构建了可解释的机器学习模型以预测T2DM患者30天、60天和365天再入院风险。ANN在短期和中期预测中表现最佳，随机森林适用于远期预测。SHAP分析揭示风险因素动态演变规律：30天窗口由年龄和急性脆弱性主导，60天窗口炎症负荷显现，365天窗口糖尿病特异性慢性并发症成为主要预测因素。上述发现支持临床实践从静态风险识别向动态、时间窗特异性的风险监测转变。
