基于机器学习的糖尿病感觉运动性多神经病变严重度预测工具：利用密歇根神经病变筛查仪
机器学习
2022-03-30 v1 计算机与社会
摘要
背景：糖尿病感觉运动性多神经病变（DSPN）是糖尿病患者主要的长期并发症，与痛性神经病变、足部溃疡和截肢相关。密歇根神经病变筛查仪（MNSI）是DSPN最常用的筛查技术之一，但其不提供任何直接的严重度分级系统。方法：为设计和建模MNSI的DSPN严重度分级系统，使用了糖尿病干预与并发症流行病学（EDIC）临床试验的19年数据。利用机器学习工具研究MNSI变量与患者结局，以识别在DSPN识别中关联度更高的特征。生成并验证了基于多变量逻辑回归的列线图用于DSPN严重度分级。结果：通过极端随机树模型识别出MNSI中排名前7的特征：10克细丝、振动感知（右）、振动感知（左）、既往糖尿病神经病变、畸形外观、胼胝外观和裂隙外观，作为识别DSPN的关键特征。列线图在内部和外部数据集上的曲线下面积（AUC）分别为0.9421和0.946。根据所开发的列线图预测了患DSPN的概率，并基于概率评分建立了MNSI的DSPN严重度评分系统。模型性能在独立数据集上进行了验证。以DSPN概率小于50%、75%至90%和大于90%为界，分别采用10.5、12.7和15的截断值，将患者分为四个严重度级别：无、轻度、中度和重度。结论：本研究提供了一种简单、易用且可靠的算法，用于界定DSPN患者的预后和管理。
引用
@article{arxiv.2203.15151,
title = {A machine learning-based severity prediction tool for diabetic sensorimotor polyneuropathy using Michigan neuropathy screening instrumentations},
author = {Fahmida Haque and Mamun B. I. Reaz and Muhammad E. H. Chowdhury and Rayaz Malik and Mohammed Alhatou and Syoji Kobashi and Iffat Ara and Sawal H. M. Ali and Ahmad A. A Bakar and Geetika Srivastava},
journal= {arXiv preprint arXiv:2203.15151},
year = {2022}
}
备注
21 pages, 6 Figures, 11 Tables