2型糖尿病患者糖尿病周围神经病变性疼痛风险预测模型的开发与验证：一种机器学习与统计方法

糖尿病周围神经病性疼痛（DPNP）的独立风险因素研究。通过回顾性分析500例2型糖尿病患者，结合LASSO回归和逻辑回归筛选出7个独立因素：年龄、糖尿病病程、BMI、吸烟史、空腹血糖、高脂血症和AST。构建的列线图模型AUC达0.863，SHAP分析显示糖尿病病程贡献最大。模型可早期识别高风险患者，指导个性化预防。

洪华东|陈一辰|鲍建安|马静静

中国苏州苏州大学医学中心药学系，苏州大学第四附属医院

摘要

目的

识别糖尿病周围神经病变疼痛（DPNP）的独立风险因素，构建一个诺模图预测模型，并使用SHapley Additive exPlanations（SHAP）值量化预测因素的贡献。

方法

这项回顾性研究共纳入500名2型糖尿病患者，这些患者通过密歇根神经病变筛查工具和临床评估被诊断为DPNP。使用单变量分析和LASSO回归选择预测因子，通过多变量逻辑回归确定独立风险因素。使用限制性三次样条（RCS）评估非线性关系。通过接收者操作特征（ROC）曲线、精确度-召回率（PR）曲线、校准图和决策曲线分析（DCA）评估诺模图的效果。SHAP用于量化各因素的重要性。

结果

确定了七个独立风险因素：年龄、糖尿病病程、BMI、吸烟史、空腹血糖、高脂血症和AST——其中代谢参数尤其是AST被认为是关键的新贡献因素。RCS显示糖尿病病程存在非线性关系。诺模图具有较高的区分能力（训练集AUC为0.863，验证集AUC为0.813），校准效果好，临床应用价值高。SHAP证实糖尿病病程是最具影响力的预测因子。

结论

该诺模图为早期DPNP风险预测提供了一个可解释的工具。通过量化个体风险，它使临床医生能够识别高风险患者并实施个性化预防策略，从而可能改善治疗效果。

引言

糖尿病周围神经病变疼痛（DPNP）是2型糖尿病的一种常见且严重的慢性并发症[1]。其症状包括灼烧感、刺痛、麻木和剧烈疼痛，尤其是在下肢[2]。这显著影响了患者的生活质量，增加了抑郁、睡眠障碍和医疗负担的风险[3][4]。根据国际糖尿病联合会2025年4月发布的报告，2025年全球糖尿病患病率估计为11.1%（5.89亿人），预计到2050年将上升至13%（8.53亿人）[5]。在这种日益严重的流行病中，糖尿病周围神经病变（DPN）及其疼痛型DPNP成为主要的致残原因。然而，糖尿病患者对DPNP的认识仍然不足。DPN引起的神经性疼痛不仅导致慢性痛苦，还是足部溃疡、感染甚至截肢的主要风险因素，极大地降低了患者的生活质量[6][7]。

目前DPNP的诊断主要依赖于临床症状和神经传导研究，缺乏简单有效的早期预测工具[8][9]。DPN的病理生理机制是多因素的，涉及代谢紊乱、微血管损伤和神经炎症过程[10][11][12]。尽管传统的风险因素如高龄、长期糖尿病病程和血糖控制不良已被充分认识，但仅基于这些因素的预测模型仍然有限[13]。越来越多的研究认识到其他代谢并发症（如血脂异常和肥胖）的贡献[14][15]，然而，反映全身代谢健康状况的特定生化标志物的作用仍需进一步探索。天冬氨酸氨基转移酶（AST）是一种常见的肝脏酶，与代谢功能障碍（包括非酒精性脂肪肝病（NAFLD）和胰岛素抵抗）有关。其升高可能反映了导致神经病变的更广泛的代谢紊乱，使其成为DPNP风险的候选预测因子[16][17]。

本研究旨在使用包括多种临床、人口统计和实验室参数的严格统计方法来识别DPNP的独立风险因素，从而构建并验证一个直观实用的诺模图预测模型。此外，我们采用了机器学习可解释性技术（特别是SHAP）来量化每个预测变量的确切贡献。这种方法为模型输出提供了临床可解释的解释，为高风险个体的精准筛查和初始临床干预提供了依据。

研究设计与受试者

这项回顾性队列研究获得了苏州大学第四附属医院伦理委员会的批准，该委员会免除了知情同意的要求。患者于2021年2月至2024年12月期间在内分泌科住院期间连续入组。纳入标准为：（1）符合1999年WHO的2型糖尿病诊断标准；（2）年龄≥18岁。排除标准为：（1）1型糖尿病；（2）

研究对象的基本特征

共有500名2型糖尿病患者被纳入研究，并随机分为训练组（70%，n=350）和验证组（30%，n=150）（见补充材料）。在训练组中，62名（17.7%）患者属于DPNP组，288名（82.3%）属于非DPNP组。与非DPNP组相比，DPNP组的患者年龄更大，糖尿病病程更长，吸烟率更高，BMI更高，

讨论

在本研究中，我们开发并验证了一个用于预测2型糖尿病患者DPNP风险的诺模图。通过严格的统计方法，我们确定了七个独立风险因素：年龄、吸烟史、糖尿病病程、BMI、高脂血症、FBG和AST。该模型在区分能力、校准和临床应用方面表现出良好的性能。此外，SHAP框架的应用提高了模型的可解释性，使得模型结果能够从整体和

结论

本研究确定了七个独立的DPNP预测因子：年龄、糖尿病病程、BMI、吸烟史、AST、高脂血症和空腹血糖，并将它们整合到一个具有良好区分能力（AUC为0.863）和临床应用价值的诺模图中。SHAP分析的整合进一步提高了模型的可解释性，通过量化每个患者的个体风险特征。该诺模图为临床医生提供了早期识别高风险个体的直观工具，有助于

作者贡献声明

洪华东：数据可视化、验证、正式分析、数据整理。陈一辰：数据整理。鲍建安：资源获取、项目管理。马静静：撰写 – 审稿与编辑、初稿撰写。

利益冲突声明

作者声明没有已知的财务利益或个人关系可能影响本文所述的工作。