基于麻雀搜索算法优化的BP神经网络模型对2型糖尿病肾病的预测研究

摘要

背景 糖尿病肾病（DN）是糖尿病常见的微血管并发症之一，发病率高，危害性大。早期发现DN对预防相关疾病非常重要。目前大多研究基于传统的统计预测方法，数据需满足其所要求的前提假设条件。近年来已无法很好满足其在DN预测领域的需求，有必要尝试开展机器学习等新方法在DN预测领域的应用。目的 利用LASSO回归和麻雀搜索算法（SSA）优化的BP神经网络（SSA-BP神经网络）构建DN预测模型。方法 本研究时间为2023年4—8月，数据来源于公开的伊朗133例糖尿病患者的并发症数据。采用SPSS 26.0软件进行单因素分析，采用LASSO回归筛选变量。以是否患DN为因变量，分别用8∶2和7∶3的比例划分训练集和测试集，使用SSA-BP神经网络进行建模与分析，并与经典的机器学习模型对比预测性能以分析较优的DN模型。基于准确率、精确率、灵敏度、特异度、F1-score和受试者工作特征曲线下面积（AUC）指标进行模型评价。结果 剔除9例1型糖尿病患者，本研究纳入的有效样本量为124例2型糖尿病（T2DM）患者，其中73例（58.9%）被诊断为DN患者。单因素分析显示年龄、BMI、糖尿病持续时间、空腹血糖（FBG）、糖化血红蛋白（HbA1c）、低密度脂蛋白（LDL）、高密度脂蛋白（HDL）、三酰甘油（TG）、收缩压（SBP）和舒张压（DBP）的T2DM患者DN危险因素（P<0.05）。训练集∶测试集=8∶2时，训练集（n=100）中有59例DN患者，测试集（n=24）含有14例DN患者。LASSO回归筛选出年龄、糖尿病持续时间、HbA1c、LDL和SBP共5个影响因素。Logistic回归（LR）、K近邻（KNN）、支持向量机（SVM）、BP神经网络、SSA-BP神经网络模型在测试集的准确率分别为83.33%、79.17%、79.17%、87.50%、95.83%。F1-score分别为0.846 2、0.800 0、0.800 0、0.888 9、0.960 0。训练集∶测试集=7∶3时，训练集（n=88）中有52例DN患者，测试集（n=36）含有21例DN患者。LASSO回归筛选出年龄、BMI、糖尿病持续时间、LDL、HDL、SBP和DBP这7个影响因素。LR、KNN、SVM、BP神经网络、SSA-BP神经网络模型在测试集的准确率分别为86.11%、86.11%、86.11%、72.22%、91.67%。F1-score分别为0.871 8、0.871 8、0.864 9、0.705 9、0.909 1。结论 LR、KNN和SVM模型在训练集∶测试集=7∶3时性能较好，BP神经网络和SSA-BP神经网络模型在训练集∶测试集=8∶2时性能较好。相较于BP神经网络模型和传统机器学习模型，SSA-BP神经网络模型的预测性能更佳，可及时准确识别T2DM DN患者，实现DN的早发现和早治疗，从而预防并减缓对其身体带来的危害。

关键词

糖尿病,2型 / 糖尿病肾病 / 神经网络,计算机 / 预测模型