利用图像增强标记的先进统计建模方法进行儿童糖尿病前期的早期检测：一项内部验证的探索性研究

《International Journal of Diabetes in Developing Countries》：Advanced statistical modeling of image-augmented markers for early detection of pediatric pre-diabetes: an internally validated exploratory study

儿科预糖尿病风险预测研究利用多队列调和数据集，整合临床及影像学指标，构建机器学习模型并验证其跨群体和验证场景的鲁棒性，结果显示模型在性别、年龄及不同子群中均表现稳定，AUC值高，证实多队列机器学习模型可靠且可推广，支持大规模筛查和前瞻性研究。

　　

摘要

背景

由于可扩展且无创的筛查方法有限，儿童糖尿病前期的早期识别仍然具有挑战性。机器学习的最新进展使得能够整合临床指标和影像学指标，从而提高早期风险预测的准确性以及人群层面筛查的可靠性。

目的

利用一个统一的多队列数据集，开发和验证基于机器学习的儿童糖尿病前期风险评估模型，并评估该模型在不同人口统计分层和验证环境中的稳健性。

方法

分析了一个包含汇总和统一参与者的多队列观察性数据集，以进行预测建模。采用了统计建模和机器学习算法（包括逻辑回归和基于集成技术的分类器）来进行风险预测。通过内部验证程序和内部-外部验证策略来评估模型性能，以检验模型的可迁移性。还对不同年龄、性别和人群亚组进行了分层的人口统计性能分析。

结果

所提出的建模框架表现出强大的区分能力，获得了较高的预测准确性和接收者操作特征曲线下面积（AUC）。验证分析表明，在不同人口统计分层中模型表现一致，这支持了模型在异质性队列中的稳定性和泛化能力。

结论

研究结果表明，基于多队列的机器学习建模可以提供可靠且可迁移的儿童糖尿病前期风险预测。跨队列整合人口统计分层和验证机制增强了模型的临床适用性，并为未来的大规模应用和前瞻性验证提供了支持。