《International Wound Journal》：Prediction of Factors Influencing the Incidence of Diabetic Foot Ulcers Using Classical Statistical and Machine Learning Approaches: A Systematic Review
编辑推荐：
糖尿病足溃疡（DFU）是糖尿病最具挑战性的并发症之一。糖尿病增加了患者发生严重并发症（包括截肢和死亡）的风险，同时也推高了医疗系统的成本。鉴于这一问题的重要性，本研究对使用经典统计学与机器学习方法识别糖尿病患者中糖尿病足溃疡（DFU）发生影响因素的研究进行了系
糖尿病足溃疡（DFU）是糖尿病最具挑战性的并发症之一。糖尿病增加了患者发生严重并发症（包括截肢和死亡）的风险，同时也推高了医疗系统的成本。鉴于这一问题的重要性，本研究对使用经典统计学与机器学习方法识别糖尿病患者中糖尿病足溃疡（DFU）发生影响因素的研究进行了系统综述。在PubMed、Scopus和Web of Science中进行了全面的文献检索，覆盖了从建库至2025年9月7日的文献。本系统综述遵循了系统综述和荟萃分析优先报告条目（PRISMAs）指南。采用内容分析对数据进行叙述性分析。符合条件的文献使用预测方法识别与糖尿病足溃疡（DFU）发生相关的因素。共筛选了4396篇文章，在应用纳入和排除标准后，66项研究被选入全文审阅。对这些研究的综述识别出95个与预测糖尿病足溃疡（DFU）相关的因素，其中神经病变、糖尿病病程、年龄、体重指数（BMI）和外周血管疾病是最常被报告的。此外，在研究中使用的预测模型中，Logistic回归和Cox回归模型对于预测糖尿病足溃疡（DFU）相关因素最为有用。本研究识别了糖尿病足溃疡（DFU）的关键预测因素，使医疗系统能够通过早期筛查瞄准高危患者。主动识别脆弱的糖尿病患者可以预防严重并发症，如截肢。
1 引言
糖尿病被视为21世纪人类面临的重大挑战之一。它是一种代谢性疾病，特征为因胰岛素分泌不足或身体无法有效利用胰岛素而导致的慢性高血糖。根据全球统计数据，大约每十人中就有一人受到糖尿病影响。此外，预计到2045年底，全球总人口中约有11%将患有糖尿病。该疾病可引起多种并发症，包括心血管问题、肾脏疾病、视力障碍以及糖尿病足溃疡（DFU）。糖尿病足溃疡（DFU）是糖尿病最严重且最令人担忧的并发症之一。这些溃疡通常由神经病变、缺血或感染等多种原因引起，且愈合缓慢。若不治疗，可导致坏疽或严重感染，常需截肢。在欧洲，每年有超过25万糖尿病足溃疡（DFU）患者接受截肢，截肢后头两年的平均死亡率约为40%。糖尿病足溃疡（DFU）会给患者带来沉重负担，影响其生活质量，并引发对未来截肢风险的担忧。相关的经济成本也很高，包括住院、手术、伤口护理和康复。这些问题可能显著增加糖尿病患者的死亡率。这些溃疡的广泛存在给医疗保健提供者带来了双重挑战：既要提供预防性护理，又要为受影响的患者提供先进治疗。预防策略，尤其是利用机器学习（ML）等现代技术的策略，有助于降低糖尿病足溃疡（DFU）的发生率和并发症，改善患者生活质量，并减轻医疗系统财务压力。过去四十年，人工智能（AI）显著推动了计算机科学和众多实际应用的发展。机器学习（ML）作为人工智能（AI）的一个子集，越来越多地被用于分析大规模数据。机器学习（ML）利用现有数据预测新数据下的未来结果。本质上，机器学习（ML）从先前数据集中学习，经过数学模型训练后，能基于样本数据预测结果。机器学习（ML）应用广泛，从信用卡欺诈检测到在线广告。它开发持续从数据中学习、创建算法并进行预测的计算系统，且无需预定义假设，因此具有高度适应性和最小偏差。如今，机器学习（ML）应用于医疗保健的许多领域。这一人工智能（AI）领域在糖尿病相关医疗保健方面具有巨大潜力。现代机器学习（ML）模型可以预测各种糖尿病问题，从低血糖事件到糖尿病足溃疡（DFU）进展。许多模型已被开发用于这些任务。例如，多变量Logistic回归是一种常见的预测并发症风险因素的方法。相比之下，人工神经网络是非线性的且更适应，能够检测复杂的非线性模式，从而获得更好的预测准确性。这些模型通过预测糖尿病足溃疡（DFU）进展及相关并发症的风险，可帮助医疗专业人员。随着糖尿病及相关溃疡患病率的增加，此类预测工具可以在降低成本和节省时间方面发挥重要作用。事实上，机器学习（ML）作为人工智能（AI）的新兴分支，在疾病诊断、预后和管理方面显示出巨大潜力。与传统线性模型相比，它具有减少人为错误、降低成本、适应性更强等优势，从而提高了临床决策的准确性和可靠性。越来越多的证据支持其在改善医疗结果方面的有效性。在糖尿病管理方面，机器学习（ML）技术已与可穿戴技术集成，支持患者自我管理。这些系统可实现血糖监测和预测、碳水化合物摄入量估计、药物依从性追踪、身体活动监测、不良事件（如低血糖和高血糖）早期检测以及胰岛素剂量自动调整等功能。使用朴素贝叶斯等算法开发的预测模型在识别糖尿病相关结果方面显示出中等准确性。在本系统综述中，研究人员明确区分了经典统计模型和现代机器学习（ML）算法。经典统计模型包括线性回归、Logistic回归和Cox比例风险回归，长期以来一直是医学和流行病学研究的基石。这些方法主要侧重于推断、假设检验、效应估计和可解释性，通常依赖特定的分布假设。相比之下，现代机器学习（ML）技术，如随机森林（RF）、支持向量机（SVM）、提升方法（如XGBoost、LightGBM）和神经网络（NN），优先考虑预测准确性和泛化能力，通常没有严格的参数假设，且更适合处理高维数据、复杂交互和非线性模式。经典统计模型传统上用于预测糖尿病足溃疡（DFU）的发生。Logistic回归等技术有助于识别风险因素并基于常规临床数据生成可解释的结果。然而，现代机器学习（ML）方法可以检测更复杂和非线性的关系，因此在糖尿病足溃疡（DFU）预测研究中区分这些方法至关重要。鉴于识别糖尿病足溃疡（DFU）发生的预测因素及其在预防严重结果（如截肢）中的重要性，本系统综述综合了应用经典统计学与机器学习方法识别这些因素的研究证据。具体而言，该综述旨在系统地提取、分类并批判性比较不同预测模型识别的临床、人口统计学和疾病相关预测因素。
2 材料与方法
本综述遵循Moher等人概述的系统综述和荟萃分析优先报告条目（PRISMA）指南，确保彻底识别和纳入相关研究。此外，本综述已在PROSPERO注册（CRD420261414293）。
2.1 检索策略
本系统综述检索了Web of Science、Scopus和PubMed数据库，查找从建库至2025年9月7日发表的相关研究。检索采用了与机器学习（ML）/经典统计学和糖尿病足溃疡（DFU）相关的关键词和MeSH术语组合。检索词完整细节见附表S1–S3。
2.2 选择标准
纳入标准包括：文章明确旨在预测与糖尿病足溃疡（DFU）发生相关的临床因素（排除影像学和遗传因素）；使用经典统计学与机器学习方法。本综述区分了传统统计预测模型和现代机器学习（ML）算法。传统模型如线性回归、Logistic回归和Cox比例风险回归与机器学习（ML）技术（如随机森林、支持向量机、提升算法和神经网络）分别分析。研究若使用经典统计模型或现代机器学习（ML）方法识别糖尿病足溃疡（DFU）发生的预测因素，且主要目的是预测而非纯推断建模，则被纳入。排除标准包括：标题、摘要或全文与研究目标不符；出版物为书籍章节、致编辑的信、短篇通讯、病例报告、结构化综述（含或不含荟萃分析）或任何灰色文献（如会议摘要、学位论文或技术报告）；全文无法获取；非英文发表；研究仅关注预测模型开发或性能评估而未识别预测因素；采用与糖尿病足溃疡（DFU）及相关因素相关的定性设计；研究探讨溃疡复发、截肢、伤口管理或治疗干预的预测因素而非初始溃疡发生。
2.3 研究选择
所有检索记录导入EndNote X9进行管理和去重。筛选过程由两名评审员独立进行，根据预定义的资格标准评估标题和摘要。随后，由相同评审员检索并评估潜在相关研究的全文。研究团队就纳入哪些研究达成一致，并咨询主管解决任何争议。移除不符合纳入标准的文章，并在记录中注明具体原因。从选定的研究中系统地提取关键数据并录入Microsoft Excel。
2.4 数据提取
两名研究人员使用预定义的Excel表格独立进行数据提取。任何分歧通过讨论解决，必要时咨询研究主管。提取信息包括研究标题、第一作者姓名、发表年份、国家、期刊、数据来源、样本量、模型类别（经典统计模型 vs. 现代机器学习（ML）算法）、预测因素、数据类型和研究设计（回顾性或前瞻性）。
2.5 偏倚风险
两名独立评审员使用PROBAST（预测模型偏倚风险评估工具）评估纳入文章的偏倚风险。该工具评估诊断和预后预测模型研究的偏倚风险和适用性。通过专家德尔菲咨询和试点开发，涵盖四个领域——参与者、预测因素、结果和分析——使用20个信号问题。PROBAST提供了一种结构化和透明的方法，用于识别可能扭曲模型性能的偏倚。每项研究被分类为高风险、低风险、中等风险和不清楚风险。
2.6 数据分析
由于研究设计、结局指标、性能指标和报告方法存在显著异质性，不适用定量荟萃分析。相反，结果进行叙述性总结，并按分析方法（区分传统统计模型与现代机器学习（ML）算法）、报告结果和关键性能指标进行分组。
3 结果
3.1 文献检索结果
在三个数据库（PubMed、Scopus和Web of Science）中进行了全面检索，覆盖从建库至2025年9月7日。初步检索获得4840条记录。经手动和软件去重后，4396篇文章进入标题和摘要审阅阶段。最终，86篇文章进入全文阅读阶段。审阅后，66篇文章纳入最终分析。PRISMA流程图显示了这一过程。
3.2 选定研究的特征概述
66篇符合纳入和排除标准的已发表文章的一般信息在表1中呈现。关于使用机器学习（ML）和经典统计方法预测糖尿病足溃疡（DFU）因素的最早文章可追溯到1997年。如图2所示，2022年和2024年的出版物数量最多，各8篇。中国在该领域发表的研究数量最多，约15篇；美国（5篇）和埃塞俄比亚（6篇）紧随其后，如图3所示。
3.3 基于期刊的研究分布
附表S4显示了按期刊划分的研究分布。PLoS One、Journal of Diabetes Research、Journal of Diabetes and Its Complications、Diabetic Medicine、Diabetes Research and Clinical Practice和Diabetes Care各有3篇文章，数量最多。
3.4 数据来源与样本量
约70%的研究为前瞻性，其余30%为回顾性。多数研究以医院为数据收集来源。最小样本量为54，最大为63464，平均样本量约11000人。所有研究数据均为临床数据。
3.5 按模型类型的研究分布
在综述的研究中，使用了13种预测模型。经典统计方法主要使用Logistic回归，Cox回归和线性回归也常见。在现代机器学习（ML）技术中，随机森林应用最为频繁。
3.6 糖尿病足溃疡（DFU）的预测因素
通过经典统计和现代机器学习（ML）方法识别了糖尿病足溃疡（DFU）的预测因素。最终66项研究总结在表2中。共识别出95个可能有效预测糖尿病足溃疡（DFU）的因素。神经病变、糖尿病病程、年龄、体重指数（BMI）、外周血管疾病、溃疡史、足部畸形（包括扁平足和锤状趾）、血压/高血压、糖化血红蛋白（HbA1c）水平和真菌感染（足癣、甲癣）是最关键的因素。
3.7 偏倚风险评估
偏倚风险评估结果见附表S5。
4 讨论
目前，随着糖尿病患者人数增加，预测该疾病并发症的讨论变得更加重要。糖尿病足溃疡（DFU）是并发症之一，给患者和医疗系统带来高昂成本。人工智能（AI）和机器学习（ML）等技术的出现可通过预测并发症在降低这些成本方面发挥关键作用。通过及时预测预防截肢是医疗领域的重要成就。因此，本研究旨在识别所有可能预测糖尿病足溃疡（DFU）的因素。通过审阅相关文章并应用特定纳入和排除标准，研究人员从使用机器学习（ML）和经典统计方法的研究中识别出95个潜在预测因素，包括从Logistic回归等较旧技术到随机森林等较新方法。其中，神经病变、糖尿病病程、年龄、体重指数（BMI）和外周血管疾病尤为突出。研究表明，约85%的糖尿病足溃疡（DFU）与神经病变相关。当患者出现神经病变时，代谢或炎症过程会损害感觉、运动和自主神经。这种损害导致组织破坏和疼痛信号受损，使伤口慢性化。患者常因敏感性降低和疼痛传递减弱而忽视小伤口，导致胼胝形成等严重后果。至少四分之一的糖尿病患者会发生糖尿病足溃疡（DFU）。2016年Volmer-Thole和Ralf Lobmann的研究也支持这一发现，该综述指出神经病变是糖尿病足溃疡（DFU）的关键风险因素，同时还有年龄和既往糖尿病足溃疡（DFU）史。他们还认为外周血管疾病占15%的病例，而神经病变占50%的病因，其余35%是神经病变和血管病变的混合。糖尿病病程越长，组织越脆弱，导致神经和组织损伤，减缓糖尿病足溃疡（DFU）愈合并导致视网膜病变和肾病等并发症。Piran等人（2024）得出结论，糖尿病病程超过10年是发生糖尿病足溃疡（DFU）的重要风险因素。年龄增长常被视为疾病风险因素。随着年龄增长，合并症增加，器官和组织更脆弱。老龄化也延长了糖尿病病程。Yao等人（2024）发现大多数糖尿病足溃疡（DFU）患者年龄在50-59岁，而死亡多数发生在70-79岁。肥胖（常与2型糖尿病相关）通过增加足底压力和外周血管疾病（动脉粥样硬化导致的下肢缺血）增加糖尿病足溃疡（DFU）风险。高体重指数（BMI）导致胰岛素抵抗和内皮功能障碍，加速大血管并发症，与血糖水平无关。糖尿病患者的外周血管疾病损害下肢血流，延迟伤口愈合并增加缺血性组织坏死。动脉粥样硬化导致的阻塞减少了营养和氧气输送，即使是轻微创伤也会增加溃疡风险。生物力学负荷在糖尿病足溃疡（DFU）发生中起关键作用，应与神经病变和血管损伤一并考虑。在糖尿病周围神经病变患者中，步态改变、关节活动度减少、负重时间延长和足底压力增加可导致反复组织应变，进而发展为溃疡前病变和溃疡。系统综述证据表明，较低的赤足足底压力，配合适当鞋具和减压装置的使用，与溃疡形成风险降低相关。累积的足底组织应力也与溃疡结果相关。这些发现支持在临床上使用减压干预措施，包括治疗性鞋具、定制鞋垫、助行器和不可移除减压装置，以重新分配压力并减少组织损伤。从机器学习（ML）角度看，纳入生物力学变量（如足底压力、步态特征和步行速度）可能改善风险预测，并帮助识别受益于个性化减压和预防护理的患者。虽然在综述的糖尿病足溃疡（DFU）研究中Logistic回归占主导地位，但新兴机器学习（ML）方法（如支持向量机和随机森林）提供了更优的预测准确性。例如，Nanda等人和近期的集成模型达到了0.88-0.98的AUC，超越了传统模型的风险分层能力。纳入研究的数据来源和样本特征存在显著差异。在66项研究中，多数为医院基础，其他使用了注册数据、队列数据集、门诊诊所、社区样本或大型管理数据库（如国家健康记录和电子健康记录）。样本量从54到391790不等，平均约11000，表明研究规模和统计效能差异显著。电子健康记录研究通常反映真实世界的临床噪声、缺失和文档变异性，而队列研究和注册研究使用更标准化的数据收集和结构化随访。因此，跨研究报告的预测性能不可直接比较，因为同一算法可能因底层数据的质量、完整性和结构而表现不同。糖尿病足溃疡（DFU）结局的定义和确定方法因研究而异，可能影响报告的预测准确性。纳入的研究未统一定义糖尿病足溃疡（DFU）发生，结局有时通过诊断编码、临床医生确认、伤口护理记录、注册文档或随访评估确定。这种结局确定的差异显著影响模型性能：依赖ICD编码的研究可能因错误编码或不精确分类而高估发生率，而需专家验证的研究可能因未在正式记录中捕捉到某些处理过的病例而低估病例数。更严格的结局定义通常产生较低但临床上更可信的性能估计，而更宽泛的定义可能夸大表面准确性。因此，解释汇总结果时，糖尿病足溃疡（DFU）的定义和记录方式的变异性应被视为异质性的主要来源。缺失数据的处理报告不一致，可能在一些研究中引入选择偏倚。部分研究排除了不完整记录，而其他研究则不清楚是否进行了插补、单独建模或直接从分析中省略。排除记录不完整的患者可能不成比例地移除病情更复杂、就医机会更差或随访更不规律的患者，这些患者可能糖尿病足溃疡（DFU）风险更高。因此，完整病例分析可能通过在一个更同质、文档更完整的患者子集上训练和测试而得出过于乐观的模型性能估计。未来预测研究应提高缺失数据方法的透明度，并采用合适的插补策略以增强稳健性和可重复性。机器学习（ML）算法的选择和调优策略在不同研究中差异显著。经典模型如Logistic回归和Cox回归广泛使用，而现代方法包括随机森林、支持向量机、提升方法和神经网络则较少见，且通常应用于不同样本量和数据结构的研究。算法性能受样本量、特征维度和参数调优的强烈影响；现代学习方法通常需要更大数据集才能获得稳定、可重复的结果，而经典模型在较小队列中可能表现足够。因此，直接比较不同研究的算法性能具有误导性，除非考虑样本量、变量选择和调优过程。观察到的性能指标变异性可能不仅反映模型选择，也反映这些方法学差异。总的来说，这些方法学差异并未削弱机器学习（ML）在预测糖尿病足溃疡（DFU）方面具有前景的总体结论。然而，它们确实解释了跨研究报告的敏感性、特异性和其他性能指标异质性的很大一部分。因此，本综述的汇总结果应视为假设生成而非确定性结论，尤其是缺乏亚组和敏感性分析。未来研究应追求更标准化的结局定义、更清晰的缺失数据处理报告和更一致的评估框架，以便在不同环境下更可靠地比较预测模型。本研究通过识别潜在必要的糖尿病足溃疡（DFU）预测因素，在该研究领域取得了重要进展。了解这些因素可显著帮助医疗系统识别有发生足溃疡风险的糖尿病患者。通过进一步研究，可能通过早期筛查预防该并发症。此类进展得益于人工智能（AI）和现代机器学习（ML）算法不断增强的能力。本系统综述独特地关注了机器学习（ML）和经典统计学识别的糖尿病足溃疡（DFU）发生预测因素。然而，它存在局限性：一是排除了主要评估统计性能而非临床适用性的模型验证研究。二是排除了糖尿病足溃疡（DFU）复发预测因素的研究，因为纳入可能混淆发生因素与复发因素。另一局限性如前所述，由于纳入研究方法学的显著异质性，缺乏亚组和敏感性分析，这可能限制研究结果的普遍性。未来研究可进行分层以获得更全面的见解。未来研究应拓宽纳入范围，并将深度学习与传统方法相结合以提高准确性。
5 结论
本系统综述综合了66项研究中来自机器学习（ML）和经典统计分析的糖尿病足溃疡（DFU）关键预测因素，使医疗系统能够快速识别和筛查高危糖尿病患者。通过这些因素的早期检测，可及时进行干预，保护患者免于严重并发症（如下肢截肢）造成的显著发病率和死亡率负担。此外，医疗保健提供者可利用这些提取的因素（如神经病变、糖尿病病程、年龄和外周血管疾病）制定基于证据的筛查方案，可能减轻糖尿病并发症日益增加的患病率并缓解系统性医疗成本。
