基于人工智能的糖尿病预测研究

作     者：周乐明 尚明生 王永红 宋景麟 李小松 黄刚 王科 Zhou Leming;Shang Mingsheng;Wang Yonghong;Song Jinglin;Li Xiaosong;Huang Gang;Wang Ke

作者机构：重庆邮电大学计算机科学与技术学院重庆400065 中国科学院重庆绿色智能技术研究院大数据中心重庆400714 重庆市黔江中心医院检验科重庆409099 重庆银行博士后研究中心重庆400024 成都市第三人民医院心血管内科重庆610031 重庆市永川区人民医院检验科重庆402160 

基　　金：重庆市科技局、重庆市卫生健康委联合科研资助项目(编号:2019ZDXM006) 

出 版 物：《重庆医科大学学报》 (Journal of Chongqing Medical University)

年 卷 期：2023年第48卷第12期

页      码：1489-1492页

摘      要：目的:以临床类指标建立基于极限梯度增强(extreme gradient boosting,XGBoost)、基于梯度提升树的分类器(light gra-dient boosting machine,LightGBM)、自适应增强(adaptive boosting,AdaBoost)、多层感知器(multilayer perceptron,MLP)等4种分类器的糖尿病预测模型,并评价其筛查效果。方法:根据病例对照研究设计采集研究组、对照组的99项临床类数据,使用py-thon3.8进行了分析,接着采用线性插补、固有非负隐特征(inherent non negative implicit features,INLF)模型等方法对特征缺失值进行了预测,然后使用4种分类器构建分类模型来检测糖尿病。结果:3241例高血压合并糖尿病患者作为研究组,4181例高血压患者作为对照组被纳入模型进行分析,包含99个特征,通过基于XGBoost、LightGBM、AdaBoost和MLP等4种分类器的糖尿病鉴别分类准确率分别为0.8949、0.8875、0.8620、0.8566。结论:本研究提出基于INLF预测的分类器模型框架的筛查效果较好,初步解决了通过机器学习来进行糖尿病早期筛查的问题,对临床诊断具有一定的实际意义,可作为一种简单、有效的糖尿病及其并发症筛查的方法。

主 题 词：不完备数据 糖尿病并发症 固有非负隐特征 分类器 

学科分类：1002[医学-临床医学类] 100201[100201] 10[医学] 

D　O　I：10.13406/j.cnki.cyxb.003387

馆 藏 号：203125319...