基于机器学习算法建立2型糖尿病患者冠心病辅助诊断模型

作者：黄浩东; 刘小株; 龚军; 刘杰; 张祖跃; 向天雨^*

来源：复旦学报(医学版), 2022, 49(02): 226-256.

• 机器学习
• 2型糖尿病(T2DM)
• 冠心病
• 诊断

目的 筛选2型糖尿病患者群合并冠心病危险因素并建立风险分类模型，为临床辅助诊断提供有价值的参考。方法 通过重庆医科大学大数据平台收集出院时间为2014年1月1日至2019年12月31日行冠状动脉造影术的2型糖尿病患者944例，根据造影结果分为2型糖尿病合并冠心病715例（T2DM-CAD组）和2型糖尿病非冠心病229例（T2DM组）。采用倾向得分匹配法（Propensity Score Matching,PSM）均衡组间混杂因素的影响，匹配后T2DM-CAD组389例，T2DM组221例。使用单因素分析与Logistic回归筛选冠心病发病的危险因素。采用贝叶斯优化（Bayesian Optimization,BO）算法优化支持向量机（Support Vector Machine,SVM）模型、随机森林（Random Forest,RF）模型、极限梯度上升（eXtreme Gradient Boosting,XGB）模型和Logistic回归模型，并比较4种分类模型的分类性能。结果 共收集缺失值<30%的指标35项，单因素分析筛选出有统计学差异的指标20项。逐步向前Logistic回归筛选出11项危险因素，包括心率、吸烟、糖尿病肾病、血肌酐、甘油三酯、脂蛋白a、白蛋白、总胆红素、谷草转氨酶、糖化血红蛋白和尿糖。基于危险因素建立的分类模型中优化后的RF模型性能在5折交叉验证（F1值=0.711,AUC=0.811）以及验证集（F1值=0.752,AUC=0.810）中表现最优。结论 建立了参数优化RF模型，可用于判断2型糖尿病患者是否合并冠心病，具有良好性能。

• 单位
  重庆医科大学