基于人工智能的糖尿病预测研究

周乐明; 尚明生; 王永红; 宋景麟; 李小松; 黄刚; 王科

doi:10.13406/j.cnki.cyxb.003387

您当前的位置：

首页 >

文章列表页 >

基于人工智能的糖尿病预测研究

人工智能技术应用于医学数据分析 | 更新时间：2025-10-22

- 基于人工智能的糖尿病预测研究
- Diabetes prediction based on artificial intelligence
- 重庆医科大学学报 2023年48卷第12期页码：1489-1492
- 作者机构：
  
  1.重庆邮电大学计算机科学与技术学院，重庆 400065
  2.中国科学院重庆绿色智能技术研究院大数据中心，重庆 400714
  3.重庆市黔江中心医院检验科，重庆　409099
  4.重庆银行博士后研究中心，重庆　400024
  5.成都市第三人民医院心血管内科，重庆　610031
  6.重庆市永川区人民医院检验科，重庆　402160
- 作者简介：
  
  周乐明，Email：ywkzlm@126.com，研究方向：大数据智能计算。
  尚明生，Email：msshang@cigit.ac.cn。
- 基金信息：
  
  重庆市科技局、重庆市卫生健康委联合科研资助项目(2019ZDXM006)
- DOI：10.13406/j.cnki.cyxb.003387
  中图分类号： R587.1
- 收稿：2023-10-17，
  
  修回：2023-11-12，
  
  录用：2023-11-29，
  
  纸质出版：2023-12-28
- 稿件说明：
移动端阅览
周乐明,尚明生,王永红,等.基于人工智能的糖尿病预测研究[J].重庆医科大学学报,2023,48(12):1489-1492.

Zhou Leming,Shang Mingsheng,Wang Yonghong,et al.Diabetes prediction based on artificial intelligence[J].Journal of Chongqing Medical University,2023,48(12):1489-1492.
周乐明,尚明生,王永红,等.基于人工智能的糖尿病预测研究[J].重庆医科大学学报,2023,48(12):1489-1492. DOI： 10.13406/j.cnki.cyxb.003387.

Zhou Leming,Shang Mingsheng,Wang Yonghong,et al.Diabetes prediction based on artificial intelligence[J].Journal of Chongqing Medical University,2023,48(12):1489-1492. DOI： 10.13406/j.cnki.cyxb.003387.

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 gradient 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python3.8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

3 241例高血压合并糖尿病患者作为研究组，4 181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0.894 9、0.887 5、0.862 0、0.856 6。

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。

Abstract

Objective

To establish a diabetes prediction model based on four classifiers of extreme gradient boosting（XGBoost），light gradient boosting machine（LightGBM），adaptive boosting（AdaBoost），and multilayer perceptron（MLP） according to clinical indicators，and to evaluate the screening effect.

Methods

According to the case-control study design，99 attributes of clinical data from the study group and the control group were collected，and analyzed by python 3.8. Then the linear interpolation method and an inherent non-negative latent feature（INLF） model were used to predict the feature missing value，and the classification model was constructed using four classifiers to detect diabetes.

Results

Through analyses of 3 241 patients with hypertension combined with diabetes（study group） and 4 181 patients with hypertension（control group） in the model，99 features were included. The accuracy rates of the diabetes classification model based on XGBoost，LightGBM，AdaBoost，and MLP classifiers were 0.894 9，0.887 5，0.862 0，and 0.856 6，respectively.

Conclusion

Our proposed classifier model framework based on INLF prediction has a good screening effect，and preliminarily solves the problem of early diabetes screening through machine learning，which has certain practical significance for clinical diagnosis and can be used as a simple and effective screening method for diabetes and its complications.

关键词

Keywords

references

Chen C ， Song JL ， Xu XL ， et al . Analysis of influencing factors of economic burden and medical service utilization of diabetic patients in China [J ] . PLoS One ， 2020 ， 15 （ 10 ）： e0239844 .

Zhong VW ， Yu DM ， Zhao LY ， et al . Achievement of guideline-recommended targets in diabetes care in China：a nationwide cross-sectional study [J ] . Ann Intern Med ， 2023 ， 176 （ 8 ）： 1037 - 1046 .

Zhou KX ， Donnelly LA ， Morris AD ， et al . Clinical and genetic determinants of progression of type 2 diabetes：a DIRECT study [J ] . Diabetes Care ， 2014 ， 37 （ 3 ）： 718 - 724 .

Nazarzadeh M ， Bidel Z ， Canoy D ， et al . Blood pressure lowering and risk of new-onset type 2 diabetes：an individual participant data meta-analysis [J ] . Lancet ， 2021 ， 398 （ 10313 ）： 1803 - 1810 .

Berikol GB ， Yildiz O ， Özcan IT . Diagnosis of acute coronary syndrome with a support vector machine [J ] . J Med Syst ， 2016 ， 40 （ 4 ）： 84 .

Dinh A ， Miertschin S ， Young A ， et al . A data-driven approach to predicting diabetes and cardiovascular disease with machine learning [J ] . BMC Med Inform Decis Mak ， 2019 ， 19 （ 1 ）： 211 .

Daniels J ， Herrero P ， Georgiou P . A multitask learning approach to personalized blood glucose prediction [J ] . IEEE J Biomed Health Inform ， 2022 ， 26 （ 1 ）： 436 - 445 .

张春富，王　松，吴亚东，等 . 基于GAXgboost模型的糖尿病风险预测 [J ] . 计算机工程， 2020 ， 46 （ 3 ）： 315 - 320 ．

Zhang CF ， Wang S ， Wu YD ， et al . Diabetes risk prediction based on GAXgboost model [J ] . Comput Eng ， 2020 ， 46 （ 3 ）： 315 - 320 .

龚　军，杜　超，钟小钢，等 . 基于机器学习算法的原发性高血压并发冠心病的患病风险研究 [J ] . 解放军医学杂志， 2020 ， 45 （ 7 ）： 735 - 741 ．

Gong J ， Du C ， Zhong XG ， et al . Researches on the illness risk of essential hypertension complicated with coronary heart disease based on machine learning algorithm [J ] . Med J Chin People’s Liberation Army ， 2020 ， 45 （ 7 ）： 735 - 741 .

Hossain ME ， Uddin S ， Khan A . Network analytics and machine learning for predictive risk modelling of cardiovascular disease in patients with type 2 diabetes [J ] . Expert Syst Appl ， 2021 ， 164 ： 113918 .

Luo X ， Zhou MC ， Xia YN ， et al . An efficient non-negative matrix-factorization-based approach to collaborative filtering for recommender systems [J ] . IEEE Trans Ind Inform ， 2014 ， 10 （ 2 ）： 1273 - 1284 .

Luo X ， Zhou MC ， Li S ， et al . An inherently nonnegative latent factor model for high-dimensional and sparse matrices from industrial applications [J ] . IEEE Trans Ind Inform ， 2018 ， 14 （ 5 ）： 2011 - 2022 .

Shang MS ， Luo X ， Liu ZG ， et al . Randomized latent factor model for high-dimensional and sparse matrices from industrial applications [J ] . IEEE/CAA J Autom Sin ， 2019 ， 6 （ 1 ）： 131 - 141 .

Ogunleye A ， Wang QG . XGBoost model for chronic kidney disease diagnosis [J ] . IEEE/ACM Trans Comput Biol Bioinform ， 2020 ， 17 （ 6 ）： 2131 - 2140 .

Punmiya R ， Choe S . Energy theft detection using gradient boosting theft detector with feature engineering-based preprocessing [J ] . IEEE Trans Smart Grid ， 2019 ， 10 （ 2 ）： 2326 - 2329 .

Xiang Y ， Zhou YR ， Yang XW ， et al . A many-objective evolutionary algorithm with pareto-adaptive reference points [J ] . IEEE Trans Evol Comput ， 2020 ， 24 （ 1 ）： 99 - 113 ．

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

地黄梓醇抗糖脂代谢紊乱相关疾病及其机制的研究进展