• 中国精品科技期刊
  • 《中文核心期刊要目总览》收录期刊
  • RCCSE 中国核心期刊(5/114,A+)
  • Scopus收录期刊
  • 美国《化学文摘》(CA)收录期刊
  • WHO 西太平洋地区医学索引(WPRIM)收录期刊
  • 《中国科学引文数据库(CSCD)》核心库期刊 (C)
  • 中国科技核心期刊
  • 中国科技论文统计源期刊
  • 《日本科学技术振兴机构数据库(中国)》(JSTChina)收录期刊
  • 美国《乌利希期刊指南》(UIrichsweb)收录期刊
  • 中华预防医学会系列杂志优秀期刊(2019年)

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于机器学习构建老年糖尿病患者轻度认知障碍风险评估模型

张海鑫 张一方 谢芷兰 张纹菱 王宇萍 李晋磊

张海鑫, 张一方, 谢芷兰, 张纹菱, 王宇萍, 李晋磊. 基于机器学习构建老年糖尿病患者轻度认知障碍风险评估模型[J]. 中华疾病控制杂志, 2024, 28(3): 284-289. doi: 10.16462/j.cnki.zhjbkz.2024.03.006
引用本文: 张海鑫, 张一方, 谢芷兰, 张纹菱, 王宇萍, 李晋磊. 基于机器学习构建老年糖尿病患者轻度认知障碍风险评估模型[J]. 中华疾病控制杂志, 2024, 28(3): 284-289. doi: 10.16462/j.cnki.zhjbkz.2024.03.006
ZHANG Haixin, ZHANG Yifang, XIE Zhilan, ZHANG Wenling, WANG Yuping, LI Jinlei. Risk assessment of mild cognitive impairment in elderly patients with diabetes mellitus based on machine learning[J]. CHINESE JOURNAL OF DISEASE CONTROL & PREVENTION, 2024, 28(3): 284-289. doi: 10.16462/j.cnki.zhjbkz.2024.03.006
Citation: ZHANG Haixin, ZHANG Yifang, XIE Zhilan, ZHANG Wenling, WANG Yuping, LI Jinlei. Risk assessment of mild cognitive impairment in elderly patients with diabetes mellitus based on machine learning[J]. CHINESE JOURNAL OF DISEASE CONTROL & PREVENTION, 2024, 28(3): 284-289. doi: 10.16462/j.cnki.zhjbkz.2024.03.006

基于机器学习构建老年糖尿病患者轻度认知障碍风险评估模型

doi: 10.16462/j.cnki.zhjbkz.2024.03.006
基金项目: 

美国中华医学基金会 CMB 22-467

详细信息
    通讯作者:

    李晋磊,E-mail: lijinlei@sph.pumc.edu.cn

    王宇萍,E-mail: wyp@pumc.edu.cn

  • 中图分类号: R161.7

Risk assessment of mild cognitive impairment in elderly patients with diabetes mellitus based on machine learning

Funds: 

China Medical Board Program CMB 22-467

More Information
  • 摘要:   目的  基于机器学习构建老年糖尿病患者轻度认知障碍(mild cognitive impairment, MCI)风险评估模型,为老年糖尿病患者认知障碍的早期识别和预防提供参考。  方法  纳入2021年10月―2022年5月就诊于山东省烟台市蓬莱人民医院内分泌科的≥60岁2型糖尿病患者1 319例作为研究对象,调查患者一般人口学特征、身体疾病、生活方式、心理健康状况、生理指标资料,采用蒙特利尔认知评估量表(Montreal cognitive assessment, MoCA)评估患者认知功能。利用R 4.1.3软件构建反向传播(back propagation, BP)神经网络模型、随机森林模型、XGBoost模型,并计算模型准确率、灵敏度、特异度、阳性预测值、阴性预测值、F1评分、AUC值及其95% CI  结果  BP神经网络模型、随机森林模型、XGBoost模型的灵敏度分别为57.79%、77.89%、80.40%,特异度分别为78.17%、60.41%、61.42%,AUC分别为0.746(95% CI: 0.698~0.794)、0.755(95% CI: 0.708~0.802)、0.756(95% CI: 0.709~0.803)。  结论  XGBoost模型和随机森林模型具有较好的性能,在老年糖尿病患者MCI风险评估领域具有一定的应用前景。
  • 图  1  XGBoost模型变量重要性分析

    Figure  1.  Variable importance analysis of XGBoost model

    图  2  风险评估模型ROC曲线

    BPNN: 反向传播神经网络; RF: 随机森林; XGBoost: 极端梯度提升树; AUC: 曲线下面积; ROC: 受试者工作特征曲线。

    Figure  2.  ROC of the risk assessment model

    BPNN: back propagation neural network; RF: random forest; XGBoost: extreme gradient boosting; AUC: area under the curve; ROC: receiver operating characteristic curve.

    表  1  老年糖尿病患者基本情况

    Table  1.   Characteristics of elderly patients with diabetes mellitus

    特征Characteristic MoCA筛查 MoCA test t/χ2/Z值value P
    value
    正常Normal MCI
    总人群Total population 662(50.2) 657(49.8)
    年龄/岁Age/years 67.6±5.0 68.4±5.2 -2.68 0.008
    年龄组/岁Age group/years 7.17 0.067
      60~<65 218(32.9) 176(26.8)
      65~<70 211(31.9) 232(35.3)
      70~<75 175(26.4) 176(26.8)
      ≥75 58(8.8) 73(11.1)
    性别Gender 0.85 0.354
      男Male 355(53.6) 369(56.2)
      女Female 307(46.4) 288(43.8)
    婚姻状况Marital status 0.18 0.672
      未婚Unmarried 29(4.4) 32(4.9)
      已婚Married 633(95.6) 625(95.1)
    受教育程度Education level 7.97 0.047
      小学及以下Primary school or below 123(18.6) 129(19.6)
      初中Junior middle school 308(46.5) 321(48.9)
      高中/中专High school/technical secondary school 181(27.3) 181(27.5)
      大专/大学及以上Junior college/university or above 50(7.6) 26(4.0)
    痴呆家族史Family history of dementia 11(1.7) 37(5.6) 14.82 <0.001
    病程/年Duration/years 7(4, 13) 9(5, 14) 4.72 <0.001
    病程分组/年Duration group/years 32.76 <0.001
      0~<5 231(34.9) 138(21.0)
      5~<10 174(26.3) 228(34.7)
      ≥10 257(38.8) 291(44.3)
    身体疾病Physical disease
      高血压Hypertension 119(18.0) 142(21.6) 2.75 0.097
      高血脂Hyperlipidemia 65(9.8) 87(13.2) 3.79 0.052
      心脑血管病Cardiovascular and cerebrovascular diseases 40(6.0) 57(8.7) 3.36 0.067
      听力障碍Hearing loss 13(2.0) 38(5.8) 12.94 <0.001
    生活方式Lifestyle
      独居Living alone 8(1.2) 10(1.5) 0.24 0.624
      吸烟Smoking 104(15.7) 128(19.5) 3.24 0.072
      饮酒Drinking 86(13.0) 101(15.4) 1.54 0.215
      体育锻炼Physical activity 460(69.5) 360(54.8) 30.26 <0.001
      做家务Housework 550(83.1) 501(76.3) 9.49 0.002
      读书看报Reading 334(50.5) 234(35.6) 29.60 <0.001
    生活方式Lifestyle
      参与社交Socializing 307(46.4) 199(30.3) 36.05 <0.001
      睡眠障碍Sleep disorder 67(10.1) 133(20.2) 26.27 <0.001
    心理健康Mental health
      抑郁Depression 35(5.3) 114(17.4) 47.86 <0.001
      焦虑Anxiety 20(3.0) 90(13.7) 49.14 <0.001
    BMI /(kg·m-2) 25.5±3.2 25.6±3.0 -0.89 0.376
    BMI分组group 1.77 0.413
      偏瘦/正常Lean/normal 216(32.6) 193(29.4)
      超重Overweight 318(48.0) 336(51.1)
      肥胖Obesity 128(19.4) 128(19.5)
    中心性肥胖Central obesity 333(50.3) 292(44.4) 4.53 0.033
    收缩压/mmHg Systolic blood pressure /mmHg 134.1±13.6 135.2±14.1 -1.43 0.153
    舒张压/mmHg Diastolic blood pressure /mmHg 77.4±8.7 79.2±9.5 -3.63 <0.001
    空腹血糖/(mmol·L-1) Fasting plasma glucose /(mmol·L-1) 7.8±1.8 8.2±2.1 -2.94 0.003
    注:MoCA,蒙特利尔认知评估量表;MCI, 轻度认知功能障碍。
    ①以人数(占比/%)、x±sM(P25P75)表示。
    Note: MoCA,Montreal cognitive assessment; MCI, mild cognitive impairment.
    ① Number of people(proportion/%) or x±s or M(P25P75).
    下载: 导出CSV

    表  2  模型在测试集的样本分类结果

    Table  2.   Model classification results on the test set

    模型
    Model
    评估
    Classification
    MoCA筛查 MoCA test 合计
    Total
    正常Normal MCI
    BPNN 正常Normal 154(78.17) 84(42.21) 238
    MCI 43(21.83) 115(57.79) 158
    RF 正常Normal 119(60.41) 44(22.11) 163
    MCI 78(39.59) 155(77.89) 233
    XGboost 正常Normal 121(61.42) 39(19.60) 160
    MCI 76(38.58) 160(80.40) 236
    合计Total 197(100.00) 199(100.00) 396
    注:BPNN,反向传播神经网络;RF,随机森林;XGBoost,极端梯度提升树;MoCA,蒙特利尔认知评估量表;MCI,轻度认知障碍。
    ①以人数(占比/%)表示。
    Note: BPNN,back propagation neural network; RF,random forest; XGBoost,extreme gradient boosting;MoCA,Montreal cognitive assessment;MCI,mild cognitive impairment.
    ① Number of people(proportion/%).
    下载: 导出CSV

    表  3  模型在测试集的评估性能比较

    Table  3.   Performance comparison of the model on the test set

    评价指标Indicator BPNN
    模型
    model
    RF
    模型
    model
    XGboost
    模型
    model
    准确率/% Precision/% 67.93 69.19 70.96
    灵敏度/% Sensitivity/% 57.79 77.89 80.40
    特异度/% Specificity/% 78.17 60.41 61.42
    阳性预测值/% Positive predictive value/% 72.78 66.52 67.80
    阴性预测值/% Negative predictive value/% 64.70 73.01 75.63
    F1分数/% F1 score/% 0.644 0.717 0.736
    注:BPNN,反向传播神经网络;RF,随机森林;XGBoost,极端梯度提升树。
    Note: BPNN,back propagation neural network;RF,random forest; XGBoost,extreme gradient boosting.
    下载: 导出CSV

    表  4  模型AUC的比较

    Table  4.   AUC comparison of the three model

    模型Model AUC差值
    difference
    95% CI Z
    value
    P
    value
    BPNN∶RF 0.009 -0.027~0.045 0.503 0.615
    BPNN∶XGBoost 0.010 -0.031~0.052 0.483 0.629
    RF∶XGBoost 0.001 -0.020~0.022 0.092 0.927
    注:AUC,曲线下面积;BPNN,反向传播神经网络;RF,随机森林;XGBoost,极端梯度提升树。
    Note: AUC, area under the curve; BPNN,back propagation neural network;RF,random forest; XGBoost,extreme gradient boosting.
    下载: 导出CSV
  • [1] Li YZ, Teng D, Shi XG, et al. Prevalence of diabetes recorded in mainland China using 2018 diagnostic criteria from the American Diabetes Association: national crosssectional study[J]. BMJ, 2020, 369: m997. DOI: 10.1136/bmj.m997.
    [2] Anderson ND. State of the science on mild cognitive impairment (MCI)[J]. CNS Spectr, 2019, 24(1): 78-87. DOI: 10.1017/S1092852918001347.
    [3] Groeneveld O, Reijmer Y, Heinen R, et al. Brain imaging correlates of mild cognitive impairment and early dementia in patients with type 2 diabetes mellitus[J]. Nutr Metab Cardiovasc Dis, 2018, 28(12): 1253-1260. DOI: 10.1016/j.numecd.2018.07.008.
    [4] 国家老年医学中心, 中华医学会老年医学分会, 中国老年保健协会糖尿病专业委员会. 中国老年糖尿病诊疗指南(2021年版)[J]. 中华糖尿病杂志, 2021, 13(1): 14-46. DOI: 10.3760/cma.j.cn115791-20201209-00707.

    National Center of Gerontology, Chinese Society of Geriatrics, Diabetes Professional Committee of Chinese Aging Well Association. Guidelines for the management of diabetes mellitus in the elderly in China (2021 edition)[J]. Chin J Diabetes Mellit, 2021, 13(1): 14-46. DOI: 10.3760/cma.j.cn115791-20201209-00707.
    [5] 中华医学会内分泌学分会. 糖尿病患者认知功能障碍专家共识[J]. 中华糖尿病杂志, 2021, 13(7): 678-694. DOI: 10.3760/cma.j.cn115791-20210527-00291.

    Chinese Society of Endocrinology. Expert consensus on diabetic cognitive dysfunction[J]. Chin J Diabetes Mellit, 2021, 13(7): 678-694. DOI: 10.3760/cma.j.cn115791-20210527-00291.
    [6] 中华医学会, 中华医学会杂志社, 中华医学会全科医学分会, 等. 肥胖症基层诊疗指南(2019年)[J]. 中华全科医师杂志, 2020, 19(2): 95-101. DOI: 10.3760/cma.j.issn.1671-7368.2020.02.002.

    Chinese Medical Association, Chinese Medical Journals Publishing House, Chinese Society of General Practice, et al. Guideline for primary care of obesity(2019)[J]. Chin J Gen Pract, 2020, 19(2): 95-101. DOI: 10.3760/cma.j.issn.1671-7368.2020.02.002.
    [7] 温洪波, 张振馨, 牛富生, 等. 北京地区蒙特利尔认知量表的应用研究[J]. 中华内科杂志, 2008, 47(1): 36-39. https://www.cnki.net/KCMS/detail/detail.aspx?dbcode=IPFD&filename=ZKXL201201001058&dbname=IPFD9914

    Wen HB, Zhang ZX, Niu FS, et al. The application of Montreal cognitive assessment in urban Chinese residents of Beijing[J]. Chin J Intern Med, 2008, 47(1): 36-39. https://www.cnki.net/KCMS/detail/detail.aspx?dbcode=IPFD&filename=ZKXL201201001058&dbname=IPFD9914
    [8] 王杰. 轻度认知障碍危险因素的识别及BP神经网络预测模型的构建[D]. 湖州: 湖州师范学院, 2020.

    Wang J. Study on identification risk factors of mild cognitive impairment and construction of BP network prediction model[D]. Huzhou: Huzhou University, 2020.
    [9] Climent MT, Pardo J, Muñoz-Almaraz FJ, et al. Decision tree for early detection of cognitive impairment by community pharmacists[J]. Front Pharmacol, 2018, 9: 1232. DOI: 10.3389/fphar.2018.01232.
    [10] Chen TQ, Guestrin C. XGBoost: a scalable tree boosting system[C]. San Francisco: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 2016: 785-794.
    [11] 齐巧娜, 刘艳, 陈霁晖, 等. 机器学习XGBoost算法在医学领域的应用研究进展[J]. 分子影像学杂志, 2021, 44(5): 856-862. DOI: 10.12122/j.issn.1674-4500.2021.05.25.

    Qi QN, Liu Y, Chen JH, et al. Research progress on machine learning XGBoost algorithm in medicine[J]. J Mol Imag, 2021, 44(5): 856-862. DOI: 10.12122/j.issn.1674-4500.2021.05.25.
    [12] Arnold SE, Arvanitakis Z, Macauley-Rambach SL, et al. Brain insulin resistance in type 2 diabetes and Alzheimer disease: concepts and conundrums[J]. Nat Rev Neurol, 2018, 14(3): 168-181. DOI: 10.1038/nrneurol.2017.185.
    [13] Umegaki H, Iimuro S, Shinozaki T, et al. Risk factors associated with cognitive decline in the elderly with type 2 diabetes: pooled logistic analysis of a 6-year observation in the Japanese Elderly Diabetes Intervention Trial[J]. Geriatr Gerontol Int, 2012, 12(Suppl 1): 110-116. DOI: 10.1111/j.1447-0594.2011.00818.x.
    [14] Gao YX, Xiao YY, Miao RJ, et al. The prevalence of mild cognitive impairment with type 2 diabetes mellitus among elderly people in China: a cross-sectional study[J]. Arch Gerontol Geriatr, 2016, 62: 138-142. DOI: 10.1016/j.archger.2015.09.003.
  • 加载中
图(2) / 表(4)
计量
  • 文章访问数:  104
  • HTML全文浏览量:  28
  • PDF下载量:  30
  • 被引次数: 0
出版历程
  • 收稿日期:  2023-09-07
  • 修回日期:  2024-01-04
  • 网络出版日期:  2024-04-08
  • 刊出日期:  2024-03-10

目录

    /

    返回文章
    返回