中国糖尿病患者低血糖机器学习预测模型的系统评价与Meta分析

PloS one · 2026-09-22 · Meta分析

• 一句话结论：该系统评价与Meta分析提示，针对中国糖尿病患者低血糖的机器学习预测模型总体具有较好的区分度，合并AUC为0.90，但作者指出该领域仍处早期，方法学局限与验证不足普遍存在。
• 研究设计与做法：研究为系统评价与Meta分析，检索PubMed、Embase、Web of Science、Cochrane Library、CINAHL、CNKI与万方数据库至2026年2月，纳入开发或验证中国糖尿病患者低血糖机器学习模型的研究，由两名评价者独立筛选与提取数据，采用随机效应模型合并AUC，并以PROBAST评估质量。
• 主要结果：共纳入13项研究，低血糖合并患病率为25%（95% CI 17%–33%）；总体合并AUC为0.90（95% CI 0.87–0.93）。按算法亚组：XGBoost 0.89、随机森林0.88、支持向量机0.85、LightGBM 0.84、逻辑回归0.83、决策树0.81。常见预测因子包括年龄、胰岛素使用、体质指数、HbA1c、肌酐及低血糖史。
• 机制或解释：作者未在摘要中给出具体机制解释，仅指出模型区分度较好可能与纳入的临床与实验室预测因子有关；材料未报告更深入的机制讨论。
• 局限与边界：作者明确指出许多研究存在方法学局限与验证不足，模型稳健性与可解释性存疑，且领域整体处于早期阶段；摘要未报告各纳入研究的人群异质性、单中心比例及利益冲突，材料未报告。
• 可否落地：对科研而言，该结果提示机器学习模型在低血糖风险识别上具有潜力，但证据档位为A仅针对合并区分度这一指标，尚不足以下结论认为可直接用于临床；对临床实践，现阶段不宜单独依赖此类模型决策，需前瞻性外部验证与可解释性改进。

🔗 打开原文

Yan J, Song Y, Du Y 等

本文摘自《每日前沿研究简报 · 2026-09-26》「AI 科研智能体」。本内容仅用于研究信息整理与科普交流，不构成医疗建议。