用于优化难以控制的2型糖尿病患者治疗的机器学习模型

这对糖尿病患者为何重要

对许多2型糖尿病患者来说，保持血糖稳定是一项日常挑战，如今医生有若干既能降糖又能保护心脏和肾脏的强效药物可选。两类最常用的新型疗法作用机制截然不同，但现行指南对哪类药物更适合具体患者几乎没有明确指引。本研究提出了一种数据驱动的决策工具，旨在将个体患者与更有可能改善其长期血糖控制的药物相匹配。

两种现代药物，艰难抉择

研究聚焦于两大家族药物：一类通过促使肾脏将更多糖分排泄到尿中来发挥作用，另一类通过增强体内天然激素信号，帮助释放胰岛素并在餐后产生更强的饱腹感。两者均已被证实能降低血糖并减少心肾并发症风险。然而在临床实践中，医生在两者之间做出选择时常依赖经验或习惯，因为在真实世界患者中的直接比较较少，也缺乏关于体重、病程或肾功能等个人因素应如何影响选择的具体指导。

把真实世界病历变成智能评分

为解决这一问题，作者使用了来自中国超过24,000名起始血糖控制不佳并开始服用其中一种药物的成年人的健康记录。他们应用了一种将许多小决策树组合在一起的机器学习方法，以发现每位患者起始特征与其在六个月和十二个月后血糖水平之间的关联模式。纳入了15个常规临床特征，如年龄、确诊年数、体质指数、基线血糖指标、肾功能、肝酶水平、血脂以及是否同时服用其他降糖药。研究团队为每种药物和每个随访时点分别建立模型，既预测患者是否能达到常用的血糖目标，也预测其具体的长期血糖水平。

一个用以建议更优选项的简单工具

研究人员基于这些模型构建了一个“决策评分”，比较每种药物对特定患者预计的疗效。该评分融合了两类信息：达到血糖目标的概率和预测的长期血糖值，并对仍明显过高的预测赋予更重的惩罚。如果评分明确偏向某种药物，工具就会推荐该选项；若预测收益相近，则保持中立，以便医生与患者共同决策。该工具还根据患者预计随访频率提供两种版本：面向随访更频繁者的六个月版和面向随访较少者的十二个月版。

谁更适合哪种治疗

在近1,500名独立验证患者中测试该评分时，其预测表现良好。总体而言，它对激素类药物的推荐人数大约是对以肾为靶药物的两倍。六个月时，体重更大、肝酶和胆固醇水平更高、保留胰岛素分泌的迹象更强且病史较短的患者更可能被建议使用激素类药物。到十二个月时，较高的起始血糖和更高的体重在将推荐倾向于该药物方面扮演了更重要的角色。肾功能指标对以肾为靶的药物尤其重要，而胰岛素分泌标志对激素类治疗的影响尤为显著。

遵循工具建议能带来更好结果

关键在于，实际处方与工具建议一致的患者，其长期血糖控制优于与建议不符的患者。该优势在55岁以下的年轻成人和男性中尤为明显，这表明将药物选择与个人特征仔细匹配可产生切实影响，尤其是在疾病较早期时。研究者还测试了包含性别、教育、收入与具体药品品牌等变量的模型变体，发现这些附加信息并未显著提升预测性能，强调了常规可得的临床指标已经具备很强的预测能力。

对日常医疗的意义

对非专业读者而言，核心信息很直接：通过学习数万名真实患者的数据，TiP DecScore 工具可以估计在未来一年内哪种现代糖尿病药物更有可能帮助某位个体将血糖控制好。它使用的是医生在常规就诊中已收集的信息。尽管它不能替代医疗判断或涵盖所有考量，但在实践中其使用与更好的结局相关联。因此，它代表了朝着更个性化、循证的治疗选择迈出的一步，有望改善2型糖尿病患者的生活并减少并发症。

引用: Shi, J., Liu, C., Hu, J. et al. A machine learning model for optimizing treatment of patients with poorly controlled type 2 diabetes. Commun Med 6, 165 (2026). https://doi.org/10.1038/s43856-026-01442-8

关键词: 2型糖尿病, 个性化治疗, 医学中的机器学习, GLP-1 受体激动剂, SGLT2 抑制剂