Diabetes mellitus (DM)

Retinopatía diabética (RD)

Compare varios algoritmos de aprendizaje automático para construir modelos de predicción de DR en pacientes con DM tipo 2 y desarrolle un nomograma basado en el mejor modelo.

Este estudio transversal incluyó a pacientes con DM sometidos a pruebas de detección de RD de rutina.

Los pacientes se dividieron aleatoriamente en un conjunto de entrenamiento (244 casos) y un conjunto de validación (105 casos).

Regresión del operador de selección y contracción mínima absoluta para la selección de características clínicas

Se compararon seis algoritmos de aprendizaje automático: árbol de decisión (DT), K vecinos más cercanos (KNN), modelo de regresión logística (LM), bosque aleatorio (RF), máquina de vectores de soporte (SVM) y XGBoost (XGB).

El rendimiento del modelo se evaluó mediante la curva característica operativa del receptor (ROC), la calibración y el análisis de la curva de decisión (DCA). Luego se desarrolló un nomograma basado en el mejor modelo.

En comparación con otros cinco algoritmos de aprendizaje automático (DT, KNN, RF, SVM, XGB), LM mostró el área bajo la curva ROC (AUC de 0,894) y la tasa de recuperación (0,92) más altas en el conjunto de validación.

Además, la curva de calibración y los resultados del DCA también son relativamente buenos.

LM incluye duración de la enfermedad, DPN, dosis de insulina, proteína en orina y ALB.

El nomograma mostró una discriminación sólida (AUC: conjunto de entrenamiento 0,856, conjunto de validación 0,868), calibración y aplicabilidad clínica después de 1000 pruebas de arranque en ambos conjuntos de datos.

Entre seis algoritmos de aprendizaje automático diferentes, el algoritmo LM mostró el mejor rendimiento

Se estableció un nomograma basado en regresión logística para predecir la RD en pacientes con DM tipo 2.

Este nomograma puede servir como una herramienta valiosa para la detección de RD y facilitar el tratamiento oportuno.

Características predictivas de DR por modelo logístico.

Diagrama de flujo de investigación

Selección de características clínicas mediante el modelo de regresión LASSO

Conjunto de entrenamiento, conjunto de validación, ROC multimodelo, curva de calibración, DCA, evaluación del desempeño

Nomograma que predice la probabilidad de RD en pacientes con DM tipo 2

Rendimiento del modelo de regresión logística con 1000 bootstraps

Características de los pacientes en conjuntos de entrenamiento y validación.

La predicción de la retinopatía diabética mediante diferentes algoritmos de aprendizaje automático tiene diferente importancia