一种在线可解释的机器学习模型，用于预测2型糖尿病患者心代谢多重共病风险

这对糖尿病患者为何重要

许多2型糖尿病患者并非只有单一疾病——他们还面临心脏病、中风或高血压等问题。这种组合称为心代谢多重共病，会大幅提高早亡和昂贵住院治疗的可能性。本文所基于的研究提出了一个新的、易于使用的在线工具，帮助医生利用常规检查结果早期估算个体出现这些严重并发症的风险，并以通俗方式说明哪些因素在推动该风险。

糖尿病及其隐形“伙伴”

2型糖尿病已成为全球最常见的长期疾病之一。许多人在首次确诊时，已经合并了一项或多项其他疾病，尤其是心血管疾病或高血压。合并在一起，这些问题——统称为心代谢多重共病——显著增加心肌梗死、中风和早亡的风险，并使医疗费用翻倍以上。现行指南建议对糖尿病患者定期进行心血管风险评估，但临床常常缺乏既简单又能同时反映多重疾病全貌的工具。

把日常门诊数据变成风险预测

研究者收集了中国山西省两家大型医院接受治疗的1,153名2型糖尿病成年患者的信息。经过医疗入选与排除标准筛查并妥善处理缺失值后，最终用于建模的有793名患者，另有360名用于独立验证。每位患者采集的资料包括年龄、患病时长等基本信息，以及常见血液检查指标：长期血糖（HbA1c）、餐后血糖、肝酶、肾功能指标，和基于影像的内脏脂肪测量。心代谢多重共病的定义为在糖尿病基础上至少合并以下之一：因动脉阻塞引起的心脏病、中风或高血压。

训练智能模型并打开“黑箱”

为了预测谁会出现心代谢多重共病，研究团队测试了多种机器学习方法——即从数据中学习模式的计算程序。他们首先使用递归特征消除方法，将数十项测量筛减为九项特别有信息量的变量：餐后血糖、HbA1c、年龄、内脏（腹部深处）脂肪、血小板计数、胰岛素抵抗评分、两种肝酶的比值（AST/ALT）、糖尿病病程年数，以及是否使用皮下胰岛素注射。随后比较了六种不同算法，发现“Stacking”模型——一种组合多种方法优势的集成模型——给出了最可靠的结果。在内部测试中，它以0.868的曲线下面积（AUC）准确区分高低风险患者；在独立医院验证中仍表现良好，AUC为0.822。

哪些因素对风险最重要

由于复杂模型若不透明就难以信任，团队应用了两种解释工具，SHAP和LIME，来展示每个输入如何提升或降低个体的风险。在总体人群中，三项因素尤为突出：HbA1c、年龄以及是否使用胰岛素注射。更高的HbA1c和更大年龄明显提高风险，餐后血糖更高、内脏脂肪更多和胰岛素抵抗评分更高亦会增加风险。血小板计数和AST/ALT比值也起到辅助作用，反映凝血倾向和可能的心肝负担。对个体患者的解释例如显示：一名中年、糖尿病病程长、腹部脂肪多且HbA1c极高的患者，其估计风险可接近90%，而在相似年龄下，血糖控制较好且内脏脂肪较少的人风险可能远低得多。

面向临床决策的网络工具及其局限

为使研究具备实用性，作者开发了一个免费网络应用，临床医生可以输入上述九项测量值，立即获得个性化风险估计并看到哪些因素在驱动该风险的可视化解释。该系统设计为不保存患者数据，目前旨在作为教育和研究的辅助工具，而非独立的诊断设备。该研究也存在局限：使用的是来自中国某一地区两家医院的既往记录，并依赖单次时间点的测量。作者强调，需要更大规模、长期且人群更具多样性的研究，才能将该工具视为普适。

这对2型糖尿病患者意味着什么

通俗地说，这项工作表明，糖尿病门诊中常做的检查——尤其是长期血糖、餐后血糖、腹部脂肪测量以及患病时长——可以被一个透明的智能算法结合起来，用于识别最可能出现严重心血管和高血压相关并发症的人群。与医生判断结合使用，此类工具可帮助把密集的生活方式干预和治疗更有针对性地投放给最需要的人，可能预防心肌梗死和中风，并改善2型糖尿病患者的生活质量。

引用: Liu, X., Li, C., Huo, X. et al. An online interpretable machine learning model for predicting cardiometabolic multimorbidity risk in patients with type 2 diabetes mellitus. Sci Rep 16, 5877 (2026). https://doi.org/10.1038/s41598-026-36923-2

关键词: 2型糖尿病, 心脏病风险, 医学中的机器学习, 多重共病, 风险预测工具