基于炎症指数SII和SIRI构建2型糖尿病肾脏疾病风险预测模型
刘咏思1
邓颖敏1
玛尔苏2
李蕊菁1
施雯3
陈楚云3
1.广州中医药大学附属广州中医医院(广东 广州 510130)2.广州中医药大学国际学院(广东 广州 510006)3.广州医科大学附属中医医院针灸科(广东 广州 510130)
摘要：目的 基于血液常规指标联合系统性免疫炎症指数(SII)和系统性炎症反应指数(SIRI)构建较优的2型糖尿病(T2DM)患者发生糖尿病肾脏疾病(DKD)的风险预测模型并比较不同机器学习模型的预测性能,为DKD的早期筛查提供有效工具.方法 回顾性选取2023年1月至2024年11月于广州医科大学附属中医医院住院的T2DM患者658例作为研究对象.采用计算机简单随机抽样法按7∶3的比例将患者数据分为训练集(460例)和测试集(198例).首先,采用LASSO回归对包括SII、SIRI在内的12项潜在预测特征进行特征筛选;然后,基于筛选出的变量,分别应用逻辑回归(LR)、支持向量机(SVM)、随机森林(RF)和极限梯度提升(XGBoost)4种机器学习算法构建T2DM患者发生DKD的风险预测模型.使用AUC值、敏感度、准确度、F1分数等指标综合评价模型的区分度,并通过校准曲线和决策曲线分析(DCA)分别评估模型的校准度和临床实用性.最后,采用SHAP法对最优模型进行可解释性分析.结果 经LASSO回归筛选出10项预测特征.SHAP值显示肌酐在4种风险预测模型中均具有较高的重要性;LR、RF、SVM和XGBoost4种模型在测试集的AUC值分别为0.914、0.943、0.929和0.917,F1分数分别为0.627、0.737、0.474和0.772.从混淆矩阵热力图中得到的总准确率分别为90.4%、92.4%、89.9%和93.4%;RF和XGBoost在混淆矩阵热力图中对DKD发生预测准确率较高分别为72.4%和75.9%.DCA显示4种模型在大部分阈值概率下均具有正的临床净收益.结论 RF和XGBoost模型能较为准确地预测T2DM发生DKD的风险,有助于临床医生早期识别T2DM发生DKD的高风险患者.
关键词：2型糖尿病糖尿病肾脏疾病系统性免疫炎症指数系统性炎症反应指数机器学习算法
分类号：R587.2(内分泌腺疾病及代谢病)
资助基金：广东省中医药局科研项目(20211296)
论文发表日期：2026-01-25
在线出版日期：2026-01-28（本平台首次上网日期，不代表文献的发表时间）
页数：10( 266-275 )
英文信息