AbstractItsummarzedtheiskfactorsfordabeticetinopathyandthecurentresearchstatusofpredictiomodels.Itomparedldaton methodsandpredictiveperformanceacross diferentmodels，ming toprovidereferences todevelopthemoreaccurateriskprediction models for diabetic retinopathy.

Keywordsdiabetic retinopathy;influencing factors;prediction model; review

摘要綜述糖尿病視網(wǎng)膜病變危險因素、預測模型研究現(xiàn)狀，對預測模型的驗證方法、各模型間的預測性能進行比較，旨在為構建更 精準的糖尿病視網(wǎng)膜病變風險預測模型提供參考。

關鍵詞糖尿病視網(wǎng)膜病變；影響因素；預測模型；綜述

doi：10.12102/j.issn.1009-6493.2025.13.027

糖尿病視網(wǎng)膜病變（diabeticretinopathy，DR）是糖尿病的主要微血管并發(fā)癥之一。預計到2030年，全球成人糖尿病視網(wǎng)膜病變?nèi)藬?shù)將增加 25.9% ，達到1.2984億人；到2045年，將增加 55.6% ，達到1.6050億人[]。失明作為糖尿病視網(wǎng)膜病變最嚴重的結果，嚴重影響病人的生活質(zhì)量，同時給病人家庭和社會帶來了沉重的經(jīng)濟負擔。此外，糖尿病視網(wǎng)膜病變也導致大血管并發(fā)癥發(fā)生率增加，是心血管疾病和心血管死亡率上升的獨立危險因素[2。由于糖尿病視網(wǎng)膜病變的進展緩慢，初期時病人常無明顯癥狀，到就診時已經(jīng)出現(xiàn)嚴重視力下降，因此早期診斷早期干預極為重要。而糖尿病視網(wǎng)膜病變的診斷主要通過眼底照相、直接或間接眼底鏡檢查、熒光素眼底血管造影術等，這些眼底成像設備都比較昂貴且需要專業(yè)的眼科醫(yī)生協(xié)助診治，但我國眼科醫(yī)師極為匱乏，經(jīng)濟欠發(fā)達地區(qū)的醫(yī)療設備落后，不能滿足龐大的醫(yī)療需求[3]。隨著精準醫(yī)療模式的大力推廣，風險預測模型在臨床實踐、臨床指南、流行病學、個人或社會等方面得到廣泛應用[4]。研究表明，利用臨床預測模型可減少糖尿病視網(wǎng)膜病變的篩查次數(shù)[5。因此，建立更加簡單、有效的風險預測模型是糖尿病視網(wǎng)膜病變防治的重要手段。

1糖尿病視網(wǎng)膜病變的危險因素

糖尿病病程、高血糖、高血壓、高血脂、尿微量白蛋白、糖化血紅蛋白是公認的糖尿病視網(wǎng)膜病變的主要危險因素[6-10]。生物標志物方面，如收縮壓、空腹血糖和低密度脂蛋白膽固醇（LDL-C）與糖尿病視網(wǎng)膜病變相關[1]。1998年，Thompson等[12-13]發(fā)現(xiàn)，促黃體生成素受體（LHR）基因是糖尿病視網(wǎng)膜病變的危險因素。隨后，我國學者證實血清促黃體生成素是男性糖尿病視網(wǎng)膜病變的獨立危險因素[9]，這為預測男性糖尿病視網(wǎng)膜病變提供了參考。睡眠質(zhì)量差以及在黑暗的環(huán)境中，外層視網(wǎng)膜耗氧增加，導致視網(wǎng)膜氧張力曲線急劇下降，視網(wǎng)膜缺氧加劇，并刺激血管內(nèi)皮生長因子的過度產(chǎn)生，促進糖尿病視網(wǎng)膜病變發(fā)生[14-15]。其他影響因素還包括社會經(jīng)濟地位[16、使用胰島素、三酰甘油（TG）腰臀比[10]單核細胞/高密度脂蛋白膽固醇比值等[17]。

2 糖尿病視網(wǎng)膜病變風險預測模型的研究現(xiàn)狀

2.1Logistic回歸模型

Logistic為非線性概率性預測模型，能夠研究分類觀察結果和協(xié)變量之間的多變量分析方法[18]。鄭志等[19通過回顧性分析4291例2型糖尿病病人進行

Logistic回歸分析最終納入年齡、糖尿病病程、收縮壓、尿素、氯、鎂、24h尿蛋白定量等為危險因素構建糖尿病視網(wǎng)膜病變模型，結果顯示，模型敏感度為0.669，特異度為0.666，受試者工作特征下曲線下面積（AUC）為0.722，區(qū)分度較好；且驗證組敏感度為0.638，特異度為0.648，AUC為0.683，具有一定的預測效力，可以為糖尿病視網(wǎng)膜病變的預防和篩查提供依據(jù)。王超杰等[20通過分析3000例2型糖尿病病人的血液指標，納入的危險因素包括堿性磷酸酶、間接膽紅素、總蛋白、球蛋白、低密度脂蛋白膽固醇、血尿素、血紅蛋白、糖化血紅蛋白、空腹C肽、紅細胞比積測定，構建的預測模型的AUC為0.737，預測性能較好，但該研究沒有進行外部驗證，且沒有報告靈敏度和特異度，因此對模型的準確性及推廣應用仍需考證。還有研究將微靜脈迂曲度添加到糖尿病視網(wǎng)膜病變風險預測模型中，結果顯示C統(tǒng)計量為 0.640^[21] ，可見視網(wǎng)膜靜脈曲折度增加和分形維數(shù)減小與糖尿病視網(wǎng)膜病變有關，為未來構建更精準的預測模型提供了新的生物標志物。Logistic回歸模型輸出的是一個概率值，這使得預測結果更加直觀易懂，但目前研究多為未進行外部驗證，仍需前瞻性多中心、大樣本數(shù)據(jù)進行驗證。

2.2 列線圖預測模型

列線圖是通過多因素回歸分析得出各個影響因素對結局變量的影響程度，構建列線圖并評估其預測能力，在醫(yī)學上診斷或預測疾病發(fā)生發(fā)展與后果等的統(tǒng)計學預測模型[22]。Li等[23]回顧性分析2010—2019年新疆13980例2型糖尿病病人，納入糖尿病周圍神經(jīng)病變、年齡、中性粒細胞、高密度脂蛋白、血紅蛋白、糖尿病持續(xù)時間和糖化血清蛋白等因素建立糖尿病視網(wǎng)膜病變風險列線圖預測模型，結果顯示建模組AUC為0.882，最佳診斷臨界點為0.528，特異度為0.879，靈敏度為0.779。對列線圖進行Bootstrapping驗證，AUC為0.870，特異度為0.848，靈敏度為0.804；驗證組的AUC值僅比建模組低0.012，證明該模型有較好的預測效能。但該研究只納人了我國西部地區(qū)的病人，可能會存在選擇偏倚，仍需與其他地區(qū)合作開展更廣泛、更深入的驗證。Yang等24研究了5所三級醫(yī)院收治的4159例糖尿病病人進行多中心研究，最終納入糖尿病病程、高血壓史和心血管疾病3個預測因子，構建的預測模型的AUC內(nèi)部驗證為0.715，外部驗證為0.703；該研究還開發(fā)了網(wǎng)絡平臺用于計算糖尿病病人糖尿病視網(wǎng)膜病變的發(fā)生概率。Mo等25基于上海社區(qū)4170例2型糖尿病病人構建糖尿病視網(wǎng)膜病變風險預測模型列線圖，最終納入的因素包括年齡、糖尿病病程、收縮壓、餐后2小時血糖（2hPBG）、糖化血紅蛋白（HbA1c）、尿肌酐比值（UCR）和尿微量白蛋白（UMA）；建模組AUC為0.700，驗證組為0.715。楊洪燕等2選取5900例2型糖尿病病人，納入包括糖化白蛋白、乳酸脫氫酶、腰圍、糖尿病病程、糖尿病神經(jīng)病變、糖尿病腎病和降糖藥物使用情況等因素構建列線圖預測模型，模型C統(tǒng)計量為0.816，特異度為0.784，靈敏度為0.700；驗證組的特異度和靈敏度分別為0.822和0.827，該模型具有中等預測能力。在糖尿病視網(wǎng)膜病變預測中，列線圖可以整合病人的臨床特征和視網(wǎng)膜結構指標預測發(fā)生風險，并通過圖形化的方式直觀地展示了預測結果，便于臨床醫(yī)生和病人理解和使用。

2.3基于機器學習法的預測模型

2.3.1 隨機森林模型

隨機森林由Breiman等2在20O1年提出，實質(zhì)是多個決策樹的集成分類器，隨機森林的輸出類別主要由部分決策樹輸出類別的眾數(shù)決定，通過使用多樣化的分類器來分析問題的不同方面，提高單個分類器的性能。Guo等[28]對1130例病人進行隊列研究，開發(fā)并比較Cox比例風險、向后選擇的Cox、LASSO回歸的Cox和隨機生存森林4種模型在預測糖尿病視網(wǎng)膜病變進展的性能，結果顯示隨機生存森林外部驗證表現(xiàn)最佳，C統(tǒng)計量為0.76。該研究提出保險次數(shù)、保險狀況、保險種類對糖尿病視網(wǎng)膜病變的預測作用，但納入研究的白人較多，且生命體征和實驗室的數(shù)據(jù)缺失比例高，未來需要其他醫(yī)療中心進行進一步驗證，并進一步研究這些預測因子的臨床實用性。還有研究使用隨機森林將肌酐、脂質(zhì)治療、腎小球濾過率、腰臀比、總膽固醇和高密度脂蛋白作為危險因素建模，結果顯示預測模型的AUC為0.69，敏感度為0.6422，特異度為0.6169[29]。隨機森林算法通過大量隨機選擇樣本的方法平衡了樣本誤差的影響，對由此產(chǎn)生的大量不同測試數(shù)據(jù)進行分類綜合評價，較僅以單個測試樣本進行擬合的Logistic回歸結果更為可靠，但其對影響因素的解釋較為模糊，無法給出影響因素相對危險度的估計值以及作用的方向性。

2.3.2 極端梯度提升（XGBoost）模型

XGBoost由Chen等[30]于2016年提出，是一種基于決策樹的非連續(xù)參數(shù)估計，使用損失函數(shù)的負梯度作為當前擬合的殘差值，以實現(xiàn)準確的分類效果。Li等[31提取32452例2型糖尿病住院病人的數(shù)據(jù)，選取年齡、空腹血糖、糖化血糖蛋白等17個變量構建XGBoost預測模型，并將其與Logistic回歸、隨機森林和支持向量機進行比較，結果顯示XGBoost模型的AUC值為0.90，靈敏度為0.70，特異度為0.90，其性能最佳；且該研究發(fā)現(xiàn)HbA1c是糖尿病視網(wǎng)膜病變最重要的危險因素，且腎病、血清肌酐值高于 100μmol/L 、胰島素治療和糖尿病下肢動脈疾病是預測糖尿病視網(wǎng)膜病變的關鍵因子。Zhao等[32回顧性收集了2010—2018年住院的7943例2型糖尿病病人的臨床特征，構建并比較隨機森林、XGBoost、Logistic回歸、支持向量機、K鄰近法5種預測模型，結果顯示XGBoost模型的AUC、準確度、靈敏度和特異度分別為 0.803，0.889，0.740 和0.811，可用于預測10年內(nèi)每個時間點的糖尿病視網(wǎng)膜病變發(fā)生；且血清尿酸、低密度脂蛋白膽固醇、總膽固醇、估計腎小球濾過率和三酰甘油5個危險因素被認為是糖尿病視網(wǎng)膜病變的重要指標。張夢纖等[33]研究分別使用LightGBM、XGBoost、隨機森林、支持向量機、K最近鄰法及邏輯回歸6種機器學習構建糖尿病視網(wǎng)膜病變進展的風險預測模型，發(fā)現(xiàn)XGBoost模型的預測效能最好，其AUC值為0.889，靈敏度為0.811，特異度為0.803，精確度為0.804；根據(jù)XGBoost模型輸出糖尿病視網(wǎng)膜病變發(fā)生的危險因素依次是HbAlc、糖尿病病程、年齡、空腹血糖、血清尿酸（SUA）腎小球濾過率（eGFR） .γ 谷氨酰轉移酶（ γ_γ-GT ）總膽固醇（TC）、LDL-C、高密度脂蛋白膽固醇（HDL-C）。XGBoost模型通過在目標函數(shù)中引入正則化項避免過擬合，從而在保留所有特征的同時降低特征的數(shù)量級，從而為2型糖尿病病人的治療和管理提供更有針對性的建議。且XGBoost提供了一種直觀的方法來評估特征的重要性，這有助于理解哪些因素對糖尿病視網(wǎng)膜病變的影響最大。通過特征重要性分析，可以識別出關鍵的病變特征和風險因素，為臨床診斷和治療提供決策支持。

2.3.3 支持向量機

支持向量機最早于1995年提出，是按監(jiān)督學習方式對數(shù)據(jù)進行二元分類的廣義線性分類器，其核心是找到導致超平面最好地分離類的系數(shù)，區(qū)分同一類別的樣本從而解決線性可分問題[34]。有研究通過支持向量機器學習軟件分析1001例病人的眼底圖像，發(fā)現(xiàn)構建模型的AUC為0.934，敏感度為0.849，特異度為0.899，陽性預測值和陰性預測值分別為0.921和0.810^[35] 。說明支持向量機有良好的預測能力，但在推廣應用時需進行進一步臨床測試。在糖尿病視網(wǎng)膜病變的預測中，支持向量機能夠準確地區(qū)分正常眼底圖像和糖尿病視網(wǎng)膜病變圖像，為疾病的早期發(fā)現(xiàn)和診斷提供有力支持。

2.3.4 決策樹

決策樹是通過對已知分類結果的樣本的多個屬性進行系統(tǒng)學習，獲得一組有效的分類規(guī)則[36]。Zhou等[7研究納人1654例2型糖尿病病人構建臨床糖尿病視網(wǎng)膜病變決策樹模型，主要危險因素包括糖尿病病程、慢性腎病分期、仰臥位收縮壓、站立位收縮壓和體質(zhì)指數(shù)，該模型可以幫助缺乏檢眼鏡等相關糖尿病視網(wǎng)膜病變檢測方法的基層醫(yī)務人員為2型糖尿病病人糖尿病視網(wǎng)膜病變發(fā)生風險做出更有效的臨床預測。在使用決策樹進行預測時，不需要對數(shù)據(jù)進行復雜的歸一化處理，這簡化了數(shù)據(jù)預處理的過程，降低了模型構建的復雜度。但決策樹模型對數(shù)據(jù)的微小變化非常敏感，這意味著在不同的訓練集上可能會得到完全不同的決策樹模型，從而影響模型的穩(wěn)定性和可靠性。

2.3.5 LASSO回歸模型

Oh等[38在預測糖尿病視網(wǎng)膜病變發(fā)生風險的研究中納人了韓國490例病人的臨床資料，包括年齡、性別、吸煙史、飲酒史、腰圍、體質(zhì)指數(shù)、體育鍛煉情況、用藥史、血壓，使用LASSO回歸模型聯(lián)合貝葉斯信息準則評估模型，結果顯示其AUC值、準確度、靈敏度和特異度分別為0.81，0.736，0.774和0.727。LASSO回歸模型在預測糖尿病視網(wǎng)膜病變方面具有變量選擇能力強、提高模型解釋性、防止過擬合和靈活性等優(yōu)點；但同時也存在對入的選擇敏感、計算復雜度高、可能忽略重要變量和非線性關系處理有限等缺點。

2.4Stacking模型

Stacking是一種強大的算法，采用上一層學習器的輸出訓練下一層的學習器的策略得到最優(yōu)結果[39]。沈夢思等40利用3000條病人的體檢數(shù)據(jù)對Logistic回歸、支持向量機和3個集成學習分類器（XGBoost、Lightgbm、Catboost）進行參數(shù)優(yōu)化，提出下肢動脈病變、膽道疾病、腫瘤標志物和肝功能水平可能是糖尿病視網(wǎng)膜病變的危險因素，并利用Stacking構建糖尿病視網(wǎng)膜病變預測模型，結果顯示其AUC值為0.866，準確率為0.787，精確率為0.807，構建的2型糖尿病視網(wǎng)膜病變風險預測模型的預測效果排序為：Stacking模型 gt; Catboostgt;Lightgbm gt; XGBoostgt;支持向量機 gt; Logistic回歸。該模型為2型糖尿病視網(wǎng)膜病變的個性化診斷和輔助決策提供依據(jù)。申思源等41運用3000例病人的87項生化數(shù)據(jù)，以Logistic回歸和支持向量機為初級分類器，以隨機森林模型為次級分類器，運用Stacking原理進行融合，其AUC為O.877，準確率為0.803，精確度為0.758，召回率為0.864。相較于單一預測模型，組合模型的預測能力更強。

2.5 Cox回歸模型

有研究基于5034例2型糖尿病病人進行評估，納入糖尿病持續(xù)時間、糖化血紅蛋白、收縮壓、男性、白蛋白尿和除飲食以外的糖尿病治療為危險因素構建Cox回歸模型，結果顯示該模型可預測未來1～4年內(nèi)糖尿病視網(wǎng)膜病變的發(fā)生風險[42]。Yian等[43]基于多中心回顧性分析1563例2型糖尿病病人，COX回歸顯示血糖控制不佳、病程 ?10 年是糖尿病視網(wǎng)膜病變的預測因素。Basu等44基于9635例病人的臨床數(shù)據(jù)，構建Cox模型開發(fā)2型糖尿病微血管和心血管并發(fā)癥預測模型，結果顯示C統(tǒng)計量內(nèi)部驗證為 0.55～0.84 ，外部驗證為 0.57～0.79 ，該模型的開發(fā)和驗證都使用了隨機臨床試驗的數(shù)據(jù)，增強了模型的內(nèi)部有效性。雖然Cox回歸模型能夠提供協(xié)變量對糖尿病視網(wǎng)膜病變發(fā)生風險的影響程度，但其解釋性可能受到限制，特別是當協(xié)變量之間存在復雜關系時，可能難以準確解釋每個協(xié)變量的獨立作用。

2.6Aspelund模型

Vivian等[45]回顧性分析405例1型糖尿病病人的臨床資料并構建Aspelund模型，發(fā)現(xiàn)Aspelund的模型不僅有助于糖尿病視網(wǎng)膜病變篩查，而且比標準的年度篩查或2年1次的篩查更具成本效益，但需進一步研究來驗證Aspelund模型，以確定其在1型糖尿病病人中的實用性和安全性。

3糖尿病視網(wǎng)膜病變風險預測模型的比較

3.1構建方法比較

從研究設計分析，有14項研究[19-20，23-24，26，31-，35.38，40-41，44-45]為回顧性研究，有2項[21，42]為前瞻性研究，有3項[25，37-38]為橫斷面研究，有1項[29]采用隨機對照試驗，3項[24，28，43]采用多中心研究，其余均為單中心研究。在選擇統(tǒng)計模型方面，采用Logistic回歸構建預測模型有3項[19-21]，有4項研究[23-26]通過列線圖呈現(xiàn)模型，列線圖具有直觀性、全面性、直接性、預測和決策支持以及易于使用等優(yōu)點，其能簡單明了地預測個體發(fā)生糖尿病視網(wǎng)膜病變的風險。有2項研究[28-29]通過隨機森林呈現(xiàn)模型，隨機森林通常能夠有較高的預測準確性，特別是在處理復雜數(shù)據(jù)和高維數(shù)據(jù)時表現(xiàn)出色；它通過構建多個決策樹并集成預測結果，減少了單一決策樹可能產(chǎn)生的過擬合和欠擬合問題。有3項研究[31-33]構建XGBoost模型，XGBoost能夠處理各種類型的數(shù)據(jù)，包括數(shù)值型和類別型特征，并且能夠有效地處理缺失值。從模型內(nèi)容來看，除1項[35]預測模型沒有納入實驗室檢查指標外，其余研究均納入實驗室指標，并且全部納入糖化血紅蛋白作為糖尿病視網(wǎng)膜病變的預測因子。

3.2糖尿病視網(wǎng)膜病變風險預測模型的驗證方法比較

有6項研究[19，23.25，31，37，42]進行了內(nèi)部驗證，有6項[24，26，28.33.844]既有內(nèi)部驗證又有外部驗證，有5項[20-21，40-41，45]沒有進行驗證。其中3項研究[23-24，26]采用Bootstrap重抽樣法進行內(nèi)部驗證。在模型評價方面，11項[19，26，28，32-33，38，40-42，445]對模型的區(qū)分度和校準度進行了評價，12個模型[19，2-2，26，29，31-335，38.40-41]報告了靈敏度和特異度，17個模型 [19，21，24-26，29，31-33，35，40，42，44-45] 進行Hosmer-Lemeshow檢驗評估模型的一致性。

4小結

糖尿病視網(wǎng)膜病變風險預測模型納入的變量一般包括糖尿病病程、HbA1c、年齡、體質(zhì)指數(shù)等，且國內(nèi)外學者構建糖尿病視網(wǎng)膜病變發(fā)病預測模型的方法大多采用傳統(tǒng)模型。但目前機器算法在風險預測模型構建中已得到廣泛應用，可進一步開發(fā)和驗證不同模型的性能，修正模型或增加新變量以提高模型預測性能。通過構建風險預測模型，有助于對病人糖尿病視網(wǎng)膜病變發(fā)生風險進行量化評估，有助于更精準地預測發(fā)生風險，提高治療效果，減少不必要的醫(yī)療資源浪費。

參考文獻：

[1]劉雪立.全球糖尿病視網(wǎng)膜病變患病率和2045年負擔預測——美 國眼科學會報告要點摘編[J].眼科新進展，2024，44（1）：80-81.

[2]PEARCE I，SIMO R，LOVESTAM-ADRIAN M，et al. Association between diabeticeyediseaseandothercomplicationsof diabetes：implications for care.A systematic review[J].Diabetes， Obesityamp;Metabolism，2019，21（3）：467-478.

[3]蔣鈺.OFD1基因突變病例報道及2型糖尿病視網(wǎng)膜病變危險因素 分析與模型建立[D].蘇州：蘇州大學，2021.

[4]張蕊，鄭黎強，潘國偉.疾病發(fā)病風險預測模型的應用與建立[J].中 國衛(wèi)生統(tǒng)計，2015，32（4）：724-726.

[5] ASPELUNDT，THORNORISDOTTIRO，OLAFSDOTTIRE， et al.Individual risk assessment and information technology to optimise screening frequency for diabetic retinopathy[J].Diabetologia， 2011，54（10）：2525-2532.

[6]YAU JW Y，ROGERS SL，KAWASAKIR，et al.Global prevalence and major risk factors of diabetic retinopathy[J].Diabetes Care，2012，35（3）：556-564.

[7]WONGTY，CHEUNGN，TAYWT，etal.Prevalenceandrisk factors for diabetic retinopathy the Singapore Malay eye study[J]. Ophthalmology，2008，115（11）：1869-1875.

[8]TANGS，GANA，SABANAYAGAMC，etal.Ethnic differences inthe prevalence and risk factors of diabetic retinopathy the Singapore epidemiology of eye diseases study[J]. Ophthalmology， 2018，125（4）：529-536.

[y」SUN Q MI，JING I L，ZIIANG D J，et al.Ine rISK IaCtOrs IOI diabetic retinopathy in a Chinese population：a cross-sectional study [J].Journal of Diabetes Research，2021，2021：5340453.

[10]陳佳賢，萬亞男，蘇健，等.2型糖尿病視網(wǎng)膜病變影響因素的巢式 病例對照研究[J].中華疾病控制雜志，2022，26（3）：269-273.

[11]朱夏媛，吳浩，葛彩英，等.社區(qū)2型糖尿病視網(wǎng)膜病變風險預測 模型的構建與驗證[J].中國全科醫(yī)學，2020，23（6）：712-715.

[12]THOMPSON D A，OTHMAN M I，LEI Z，et al.Localization of receptors for luteinizing hormone/chorionic gonadotropin in neural retina[J].Life Sciences，1998，63（12）：1057-1064.

[13] DUKIC-STEFANOVIC S，WALTHER J，WOSCH S，et al. Chorionic gonadotropin and its receptor are both expressed in human retina，possible implications in normal and pathological conditions[J].PLoS One，2012，7（12）：e52567.

[14]LINSENMEIER R A.Effects of light and darkness on oxygen distribution and consumption in the cat retina[J]. The Journal of General Physiology，1986，88（4）：521-542.

[15]RAMSEY D J，ARDEN G B.Hypoxia and dark adaptation in diabetic retinopathy：interactions，consequences，and therapy[J]. Current Diabetes Reports，2015，15（12）：118.

[16]LOW JR，GAN A T L，F(xiàn)ENWICK E K，et al.Role of socio-economic factors in visual impairment and progression of diabetic retinopathy [J].British Journal of Ophthalmology，2021，105（3）：420-425.

[17]曹書義，劉婕，付留俊，等.2型糖尿病患者單核細胞/高密度脂蛋 白膽固醇比值與糖尿病視網(wǎng)膜病變相關性的研究[J].中國糖尿病 雜志，2023，31（10）：735-740.

[18]YU F F，LIU H，GUO X. Integrative multivariate logistic regression analysis of risk factors for kashin-beck disease[J]. Biological Trace ElementResearch，20l6，174（2）：274-279.

[19]王韞智.2型糖尿病視網(wǎng)膜病變風險預測模型的建立及干預[D]. 上海：上海交通大學，2019.

[20]王超杰，劉甜甜，劉琪，等.基于Logistic回歸及ROC曲線的糖尿 病視網(wǎng)膜病變的血液指標危險因素分析[J].中國中醫(yī)眼科雜志， 2020，30（8）：548-553.

[21]FORSTERRB，GARCIAE S，SLUIMANAJ，etal.Retinal venular tortuosityand fractal dimension predict incident retinopathy in adults with type 2 diabetes：the Edinburgh type 2 diabetes study [J].Diabetologia，2021，64（5）：1103-1112.

[22]惠延年.統(tǒng)計學預測模型列線圖在眼科的應用[J].國際眼科雜志， 2023，23（7）：1061-1063.

[23] LIY S，LIC，ZHAO S，et al.Nomogram for prediction of diabetic retinopathy among type2 diabetes population in Xinjiang，China[J]. Diabetes，Metabolic Syndrome and Obesity，2022，15：1077-1089.

[24]YANG YZ，TANJT，HE YX，et al.Predictive model for diabetic retinopathy under limited medical resources：a multicenter diagnostic study[J].Frontiers in Endocrinology，2023，13：1099302.

[25]MORH，SHI R，HU Y H，et al.Nomogram-based prediction of the risk of diabetic retinopathy：a retrospective study[J].Journal of DiabetesResearch，2020，2020：7261047.

[26]楊洪燕，夏淼，劉贊朝，等.2型糖尿病視網(wǎng)膜病變臨床預測模型的 構建與評價[J].中國慢性病預防與控制，2023，31（1）：2-7.

[27]BREIMAN L.Random forests[J].Machine Learning，2001，45（1）： 5-32.

[28]GUO Y A，YONAMINE S，MA C J，et al. Developing and validating models to predict progression to proliferative diabetic retinopathy[J].Ophthalmology Science，2023，3（2）：100276.

[29]MAEDA-GUTIERREZV，GALVAN-TEJADA CE，CRUZ M， retinopathy[J].Journal ofPersonalized Medicine，2O21，11（12）：1327.

[30] CHEN T Q，GUESTRIN C.XGBoost： a scalable tree boosting system[C]//Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.San Francisco California：ACM，2016：785-794.

[31]LI W Y，SONG Y N，CHEN K，et al.Predictive model and risk analysisfor diabetic retinopathy using machine learning：a retrospective cohort study in China[J].BMJ Open，2O21，11（11）： e050989.

[32] ZHAO Y D，LI X Y，LI S，et al.Using machine learning techniques to develop risk prediction models for the risk of incident diabetic retinopathy among patients with type 2 diabetes mellitus：a cohort study[J].Frontiers in Endocrinology，2022，13：876559.

[33]張夢纖.基于醫(yī)療大數(shù)據(jù)及人工智能的糖尿病視網(wǎng)膜病變的預測 模型研究[D].大連：大連醫(yī)科大學，2022.

[34]韋哲，張宇剛，石棟棟，等.基于網(wǎng)格搜索與交叉驗證的支持向量 機糖尿病并發(fā)癥診斷預測[J].中國醫(yī)學裝備，2020，17（8）：8-11.

[35]NISSEN T P H，NORGAARD T L，SCHIELKE K C，et al. Performance of a support vector machine learning tool for diagnosing diabetic retinopathy in clinical practice[J].Journal of Personalized Medicine，2023，13（7）：1128.

[36]PARKY M，LEE B J.Machine learning-based prediction model using clinico-pathologic factors for papillary thyroid carcinoma recurrence[J].Scientific Reports，2021，11（1）：4948.

[37]ZHOUYY，ZHOU TC，CHENN，et al.Risk factor analysis and clinical decision tree model construction for diabetic retinopathy in Wester China[J]. World Journal of Diabetes，2022，13（1）： 986- 1000.

[38]OH E，YOO T K，PARK EC.Diabetic retinopathy risk prediction for fundus examination using sparse learning： a cross-sectional study[J].BMC Medical Informatics and Decision Making，2013， 13：106.

[39]魏夢君.基于Stacking 融合模型的個人信貸信用風險識別[D].廣 州：暨南大學，2020.

[40]沈夢思.基于機器學習的2型糖尿病視網(wǎng)膜病變風險預測模型研 究[D].秦皇島：燕山大學，2021.

[41]申思源，羅冬梅.糖尿病視網(wǎng)膜病變的風險揭示與關鍵因素分析 [J].中國醫(yī)學物理學雜志，2022，39（6）：783-787.

[42] SEMERARO F，PARRINELLO G，CANCARINI A，et al. Predicting the risk of diabetic retinopathy in type 2 diabetic patients [J].Journal of Diabetes and Its Complications，20l1，25（5）：292-297.

[43]SAIYEDNS，YAGOUBU，AL QAHTANIB，et al.Risk factors of microvascular complications among type 2 diabetic patients using cox proportional hazards models： a cohort study in tabuk Saudi Arabia[J].Journal of Multidisciplinary Healthcare，2022，15： 1619-1632.

[44]BASU S，SUSSMAN JB，BERKOWITZ S A，et al.Development and validation of Risk Equations for Complications of Type 2 Diabetes（RECODe） using individual participant data from randomised trials[J].The Lancet Diabetes amp; Endocrinology，2017，5 （10）：788-798.

[45]SCHREURV，NGH，NIJPELSG，etal.Validation of a model for the prediction of retinopathy in persons with type1 diabetes[J]. British Journal of Ophthalmology，2021，105（9）：1286-1288. （收稿日期：2024-05-02;修回日期：2025-06-12）