综述：用于糖尿病周围神经病变检测、预测及严重程度分类的人工智能：一项系统综述

《BMC Medical Informatics and Decision Making》：Artificial intelligence for detection, prediction, and severity classification of diabetic peripheral neuropathy: a systematic review

　　

摘要

背景

糖尿病周围神经病变是糖尿病的常见并发症，也是导致足部溃疡和下肢截肢的重要原因。由于传统筛查方法往往具有主观性、资源消耗大，且对亚临床疾病敏感度较低，因此该病的早期检测仍然面临挑战。人工智能逐渐被应用于糖尿病周围神经病变的评估中，但其在不同临床任务中的应用情况尚未得到系统总结。本系统性综述旨在评估人工智能在糖尿病周围神经病变的检测、预后预测、风险分层以及严重程度分类方面的应用。

方法

我们在PubMed、Scopus和IEEE Xplore中进行了系统性文献检索，筛选出2021年1月至2025年9月1日期间发表的相关研究。纳入范围为那些利用患者数据集开发或验证用于糖尿病周围神经病变评估的人工智能模型的研究。研究选择由一名评审员负责，对于不确定的研究是否纳入，另一名评审员会给出意见。数据提取和偏倚风险评估也由一名评审员完成，另一名评审员则使用预测模型偏倚风险评估工具（PROBAST）进行核查。由于不同临床任务、数据类型、结果定义及验证方法存在差异，研究结果以叙述方式进行了整合。

结果

共有26项研究被纳入分析，并根据临床任务分为三类：现有糖尿病周围神经病变的诊断检测、预后预测或风险分层，以及严重程度分类。诊断检测类研究主要采用角膜共聚焦显微镜、足底压力或步态分析、神经传导研究、肌电图以及部分临床指标。预后预测和风险分层研究则主要依赖电子病历中的各项数据，如年龄、糖尿病患病时长、糖化血红蛋白、肾脏功能指标、炎症标志物以及心血管风险因素。严重程度分类研究则借助电生理检测结果、结构化临床检查数据以及基于症状的评分系统。在各类研究中，年龄、糖尿病患病时长和血糖控制情况都是常见的预测因子，而影像学检查、步态特征、足底压力以及电生理指标则更具任务特异性。虽然这些研究报告的内部性能通常较高，但多数研究使用的数据集规模较小或仅来自单一中心，参考标准也存在差异，且对预测因子重要性的阐述较为有限。外部验证较为少见，且研究的偏倚风险普遍较高，尤其是在分析环节。

结论

人工智能在糖尿病周围神经病变评估方面展现出良好潜力，但其应用效果取决于具体任务。未来的研究应针对不同任务开发专门的模型，透明地展示预测因子的作用重要性，并在投入常规临床应用之前进行外部验证和前瞻性研究。