可解释机器学习临床特征糖尿病预测的集成与提升算法比较

Research Square · 2026-10-11 · 预印本

• 一句话结论：该研究提示，基于临床特征的多种机器学习算法在糖尿病预测中具有一定区分能力，其中优化随机森林整体准确率最高，但方向性结论仍需外部验证。
• 研究设计与做法：研究为基于公开数据集的算法比较研究，使用含768条患者记录、8个预测变量的Pima Indians Diabetes数据集，对生理性无效零值采用中位数插补，比较逻辑回归、随机森林、优化随机森林、XGBoost与优化XGBoost五种分类算法。
• 主要结果：优化随机森林取得最高总体准确率76.62%；随机森林与优化XGBoost在识别糖尿病病例方面灵敏度较优；材料未报告置信区间与p值。
• 机制或解释：基于SHAP的可解释性分析显示，血糖水平、体质指数（BMI）与年龄是对模型决策影响最大的预测因素；作者据此认为可支持糖尿病风险预测与临床决策辅助。
• 局限与边界：研究仅使用单一公开数据集，样本量768例，人群代表性有限；为预印本，未经同行评议；随访时长与利益冲突材料未报告。
• 可否落地：该结果提示机器学习与可解释AI或可辅助糖尿病风险预测，属提示性证据；因缺乏外部验证与前瞻性研究，尚不足以下结论用于临床决策。

🔗 打开原文

Rahman A.

本文摘自《每日前沿研究简报 · 2026-10-13》「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。