社区居住的糖尿病老年患者自我监测血糖的障碍分析：一项结合人工智能风险预测的横断面研究

《BMC Endocrine Disorders》：Analysis of barriers to self-monitoring of blood glucose among community-dwelling elderly patients with diabetes mellitus: a cross-sectional study integrating artificial intelligence-based risk prediction

　　

摘要

背景

自我监测血糖对于糖尿病管理至关重要，但老年患者面临诸多障碍，这些障碍会影响他们的用药依从性及血糖控制效果。本研究旨在探讨社区居住的老年糖尿病患者的血糖监测障碍，识别相关因素，并为高风险人群开发基于人工智能的预测模型。

方法

该研究于2025年3月至8月在淳安第一人民医院开展，采用方便抽样法招募了200名60岁及以上的糖尿病老年患者。数据收集使用了经过验证的工具，包括社会人口学问卷、血糖监测障碍量表、幸福感量表以及数字健康素养量表。统计分析包括描述性统计、皮尔逊相关性分析以及多元线性回归分析。在预测建模方面，数据集被分为训练集（80%）和测试集（20%），随后使用随机森林、XGBoost和支撑向量机算法进行建模，并通过准确率、精确度、召回率、F1分数以及AUC-ROC指标对模型进行评估。同时，还利用SHAP值来评估模型的可解释性。

结果

患者的平均血糖监测障碍得分为47.6±9.8分。研究发现，血糖监测障碍与幸福感量表得分（r=?0.42）及数字健康素养量表得分（r=?0.51）之间存在显著负相关关系。多元回归分析显示，数字健康素养、幸福感得分、教育程度以及糖尿病相关知识水平是保护因素，而并发症以及独居情况则是风险因素（R2=0.462）。其中随机森林模型的表现最佳，准确率为88.5%，AUC值为0.921。SHAP分析表明，数字健康素养、心理状况以及对人工智能的接受度是最具预测意义的因素。

结论

本研究强调了心理社会因素和数字因素在血糖监测障碍中的作用，同时也证明了可解释的人工智能在预测老年糖尿病患者风险方面的有效性。针对那些可改变的因素采取有针对性的干预措施，有望提升患者的自我管理能力。

临床试验注册情况

这是一项横断面观察性研究，未作为临床试验进行注册。