考虑到2型糖尿病（T2DM）患者动脉粥样硬化性心血管疾病（ASCVD）风险评估和分层的重要性，预测模型已越来越多地被纳入临床指南[1]。未来的工作将侧重于对更大规模和异质性数据集的处理分析，以期为临床实践提供一个可靠的ASCVD风险预测模型。在北京大学人民医院纪立农教授团队发表于Journal of Diabetes Investigation的一项最新研究[2]中，开发的机器学习（ML）模型，特别是随机森林（RF）预测模型，在预测中国T2DM患者的3年ASCVD风险中表现出良好的预测性能，此研究成果或将助力ASCVD个体化预防和管理的尽早实施。

ASCVD——众所周知的糖尿病杀手

ASCVD定义为冠心病、脑血管疾病或动脉粥样硬化来源的外周动脉疾病，是T2DM患者发病和死亡的主要原因[1]。周围血管疾病是糖尿病发生率很高的一种并发症，据估计，每年有5%~7%的外周动脉疾病患者发生缺血性卒中、心肌梗死和血管性死亡[3]。T2DM患者通常还会出现一系列血脂异常，有证据表明，高水平的甘油三酯（TG）可能导致糖尿病患者心血管疾病（CVD）死亡率的增加。此外，社会经济地位、地理或社区位置和疾病状态差异也会影响ASCVD患病率。

ML——备受关注的科研宠儿

现代ML是传统统计技术的延伸，并使得从大型数据集中提取有用的模式来解决临床问题成为可能。最新欧洲心脏病学会（ESC）指南特别推荐使用DIAL模型来评估T2DM患者的终生CVD风险。ML风险预测模型在ASCVD风险预测中表现出强大的能力，但大多数是在西方环境中开发的，尚未在中国人群中得到充分验证。中国ASCVD风险预测模型（China-PAR）在预测ASCVD风险方面表现良好，但其是为一般人群设计的，当应用于T2DM患者时，其性能可能会受损。因此，需要一个可靠的中国患者风险预测模型，以更好地管理世界上规模最大T2DM患者人群的ASCVD进展。

研究人群

使用3BExt数据库中2010~2014年中国94家1~3级医院收治的T2DM患者的临床数据。共有4722例T2DM患者被纳入分析，在3年随访期间，375例（7.94%）患者出现ASCVD。随机抽取719例患者进行模型开发和验证，其中，575例被纳入训练集，144例被纳入测试集，278例被纳入外部验证数据集（图1）。

图1. 受试者ASCVD风险预测框架

ML预测模型的建立

在本研究中，使用Python编程语言的Scikit-Learn库构建ML预测模型，包括逻辑回归（LR）、支持向量机（SVM）、梯度提升决策树（GBDT）、随机森林（RF）和自适应提升算法（AdaBoost）。使用总体准确率、F1评分、曲线下面积（AUC）、敏感性和特异性评估各种ML模型的准确性。对于模型解释，使用SHapley加性扩展（SHAP）值分析影响模型预测的重要特征。

研究结果

01 模型性能

在测试集的度量得分比较中，5种ML模型均取得了良好的性能，AUCs范围为0.809~0.859；与其他模型相比，RF模型的性能最好，预测效果最佳，准确率为0.826，F1值为0.832，AUC为0.859，灵敏度为0.838，特异性为0.814。相对而言，LR模型的预测效果较差。与模型在测试集上的性能相比，在外部验证集上的度量得分略有下降；RF模型仍然表现最好，准确率为0.799，F1值为0.857，AUC为0.823，敏感度为0.833，特异性为0.797（图2）。

02 特征重要性

在RF模型的重要性矩阵图中，显示影响该模型的前5个最重要特征是年龄、糖尿病病程、既往糖尿病周围血管疾病史、总胆固醇（TC）和TG（图3）。在使用SHAP值探索单个特征对模型的贡献程度中发现，既往有糖尿病周围血管疾病史、老年人、糖尿病病程长、医院等级高和较高TG水平导致较高的ASCVD风险（图4）。另外还发现，生活在中国北方的T2DM患者与较高的ASCVD风险相关。此外，SHAP依赖图进一步显示，年龄>65岁、糖尿病病程>10个月、TG>1.5 mmol/L的患者ASCVD风险增加的可能性更大。

在不同特征对ASCVD风险预测影响的比较实验中，患者临床特征对模型的贡献大于实验室特征。使用所有特征的RF模型表现最好，而仅使用重要性排名前20位特征的模型对ASCVD风险的预测能力也很强，AUC为0.852，准确率为0.819，F1值为0.822，敏感度为0.811，特异性为0.829（表1）。

结论

5个ML预测模型均具有良好的性能，其中RF模型在测试集（AUC=0.859）和外部验证集（AUC=0.823）中均表现出最好的识别能力，灵敏度和特异性分别为0.838和0.814。SHapley加性解释分析显示，既往有糖尿病周围血管疾病史、老年人群和糖尿病病程较长是3个最具影响力的预测因素。

小结

与其他研究相比，本研究纳入了相当多数量的T2DM患者，并确保了患者的长期随访依从性，以及数据收集的连续性和完整性。研究表明，ML算法，特别是RF算法，可以精确地预测T2DM患者的ASCVD风险，为中国T2DM患者的早期ASCVD风险评估和强化提供了一个探索性工具，使个体化治疗成为可能，从而有助于临床决策和资源分配。此外，模型的可解释性有助于为临床医生提供对预测因子的见解，这在预测ASCVD风险中至关重要。

参考文献：

1. Draznin B, Aroda VR, Bakris G, et al. Diabetes Care. 2022; 45(Suppl 1): S144-S174.

2. Ding J, Luo Y, Shi H, et al. J Diabetes Investig. 2023; 10.1111/jdi.14069.

3. Campia U, Gerhard-Herman M, Piazza G, et al. Am J Med. 2019; 132(10): 1133-1141.

声明：本文仅供医疗卫生专业人士了解最新医药资讯参考使用，不代表本平台观点。该等信息不能以任何方式取代专业的医疗指导，也不应被视为诊疗建议，如果该信息被用于资讯以外的目的，本站及作者不承担相关责任。 2 comments