机器学习算法和诺莫图构建对2型糖尿病患者糖尿病视网膜病变预测

这是一篇关于机器学习算法和诺莫图构建对2型糖尿病患者糖尿病视网膜病变预测的思维导图，主要内容包括：补充材料，表不如图，字不如表，摘要，题目。

机器学习算法和诺莫图构建对2型糖尿病患者糖尿病视网膜病变预测的比较

• 题目
  • Comparison of Machine Learning Algorithms and Nomogram Construction for Diabetic Retinopathy Prediction in Type 2 Diabetes Mellitus Patients
• 摘要
  • 背景/目的
    • 糖尿病（diabetes mellitus ，DM)
    • 糖尿病视网膜病变（diabetic retinopathy ，DR)
    • 比较各种机器学习算法在2型DM患者中构建DR预测模型，并基于最佳模型开发列线图
  • 方法
    • 这项横断面研究包括接受常规DR筛查的DM患者
    • 将患者随机分为训练集( 244例)和验证集( 105例)
    • 最小绝对收缩和选择算子回归用于临床特征的选择
    • 比较了6种机器学习算法：决策树( DT )、K近邻( KNN )、逻辑回归模型( LM )、随机森林( RF )、支持向量机( SVM )和XGBoost ( XGB )
    • 通过受试者工作特征曲线( ROC )、校准度和决策曲线分析( DCA )评估模型性能。然后在最佳模型的基础上开发了列线图
  • 结果
    • 与其他5种机器学习算法( DT、KNN、RF、SVM、XGB)相比，LM在验证集中表现出最高的ROC曲线下面积( AUC为0.894)和召回率( 0.92 )
    • 此外，校正曲线和DCA结果也相对较好
    • LM包括病程、DPN、胰岛素用量、尿蛋白、ALB
      • 5个X
    • 列线图在2个数据集经过1 000次自举检验后均表现出稳健的区分度( AUC :训练集0.856 ,验证集0.868)、校准度和临床适用性
  • 结论
    • 在六种不同的机器学习算法中，LM算法表现出了最好的性能
    • 建立了基于logistic回归的预测2型DM患者发生DR的列线图
    • 该列线图可作为DR检测的有价值的工具，便于及时治疗
• 字不如表
  • Table 1
    • Logistic模型对DR的预测特性
      • 多因素逻辑回归
• 表不如图
  • Figure 1
    • 研究流程图
  • Figure 2
    • 通过LASSO回归模型进行临床特征选择
      • 92个变量
  • Figure 3
    • 训练集验证集多模型ROC、校准曲线、DCA、性能评价
  • Figure 4
    • 预测2型DM患者发生DR可能性的列线图
  • Figure 5
    • 1000次bootstrap的logistic回归模型的性能
• 补充材料
  • Table S1
    • 训练集和验证集中患者的特征
  • Figure S1
    • 使用不同的机器学习算法预测糖尿病视网膜病变的重要性不同