《Frontiers in Endocrinology》：Multi-feature integrated machine learning prediction model for early nephropathy in elderly living with type 2 diabetes mellitus
编辑推荐：
本研究首次整合临床指标、中医症状与超声影像特征，构建机器学习预测模型用于老年T2DM患者早期DN筛查。模型（尤以随机森林为优）在验证集中AUC达0.894，显著提升早期风险识别能力，为老年糖尿病肾病防控提供多维度干预新策略。
引言
随着人口老龄化加剧，糖尿病患病率显著上升，老年2型糖尿病（T2DM）患者中糖尿病肾病（DN）发生风险高达21.8%，且其早期症状隐匿易被漏诊。现有预测模型多针对晚期肾病，缺乏针对早期DN的综合评估工具。本研究创新性融合临床指标、中医症状及超声影像特征，构建多特征机器学习模型，旨在实现老年T2DM患者早期DN的精准预测。
方法
研究纳入杭州师范大学附属医院2021年5月至2022年10月收治的786例老年T2DM患者（年龄≥60岁，UACR<300 mg/g），按7:3比例划分为训练集与验证集。数据涵盖临床指标（如血压、HbA1c、尿酸等）、中医症状（腰膝酸软、视物模糊、夜尿增多等）及超声影像特征（颈动脉内膜增厚、斑块等）。通过LASSO回归筛选21项关键变量，并采用逻辑回归进一步确定15项独立风险因素。构建三种预测模型：Mod A（仅临床指标）、Mod B（临床+中医症状）、Mod C（临床+中医+超声）。使用7种机器学习算法（如随机森林、XGBoost等）评估性能，以AUC、灵敏度、特异度等为评价指标。
结果
Mod C在验证集中表现最优，AUC为0.855（95%CI: 0.808–0.902），显著高于Mod A（0.801）和Mod B（0.832）。随机森林（RF）算法预测效能最突出，验证集AUC达0.894，灵敏度0.667，特异度0.877。SHAP分析显示糖尿病视网膜病变（DR）、尿酸（UA）及颈动脉斑块为前三大贡献因子。亚组分析表明，模型在60–79岁人群中预测性能稳定（AUC>0.87），≥80岁组略降（AUC=0.718），可能与样本量较小有关。
讨论
本研究首次将中医症状（如腰膝酸软反映肾阴阳亏虚）与超声影像（颈动脉病变提示全身血管损伤）纳入早期DN预测框架，弥补了传统模型依赖生化指标的不足。RF算法的优势在于处理高维异构数据时抗过拟合能力强。局限性包括单中心数据、中医症状主观性及高龄样本不足。未来需通过多中心验证和AI辅助诊断提升模型普适性。
结论
多特征机器学习模型能有效识别老年T2DM患者早期DN风险，其中整合临床、中医及影像特征的Mod C结合RF算法具有最佳预测性能。该模型为早期筛查和个体化干预提供了实用工具，尤其适用于医疗资源有限的老年人群。
