机构名称：
¥ 1.0
背景：糖尿病性肾脏疾病（DKD）和糖尿病性视网膜病（DR）是主要的糖尿病微血管并发症，在全球范围内对发病率，残疾和死亡率产生了重大贡献。具有相似的微血管结构以及生理和致病性特征的肾脏和眼睛，可能会在糖尿病中出现类似的代谢变化。目的：本研究旨在使用与代谢数据集成的机器学习（ML）方法，以识别与DKD和DR相关的生物标志物，在具有糖尿病的多种族亚洲人群中，以及提高DKD和DR DR DICCECTION模型的性能。方法：我们使用ML算法（具有绝对绝对收缩和选择操作员的Logistic回归[LR]和梯度提升决策树）来分析2772名来自新加坡眼病研究的糖尿病研究的2772名成年人，这是一项基于人群的基于人群的基于人口的跨截面研究（2004-2011）。从220个循环代谢物和19个危险因素中，我们选择了与DKD相关的最重要变量（定义为估计的肾小球滤过率<60 mL/min/min/1.73 m 2）和DR（定义为早期治疗糖尿病性视网膜病变研究严重程度水平20 20）。dkd和DR检测模型是根据可变选择结果开发的，并在英国生物银行（2007-2010）的5843名参与者的样本中进行了外部验证。机器学习的模型性能（接收器操作特征曲线下的面积为95％CI，灵敏度和特异性）与针对年龄，性别，性别，糖尿病持续时间，血红蛋白A 1C，1C，节奏性血压和BMI调整的传统LR的模型性能。
XSL•fo
主要关键词
