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

doi:10.12114/j.issn.1007-9572.2023.0360

中国全科医学 ›› 2024, Vol. 27 ›› Issue (08): 961-970.DOI: 10.12114/j.issn.1007-9572.2023.0360

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

邹琼¹^,², 吴曦¹, 张杨¹, 万毅³, 陈长生¹^,^*()

1．710032　陕西省西安市，空军军医大学军事预防医学系军队卫生统计学教研室　特殊作业环境危害评估与防治教育部重点实验室
2．712046　陕西省咸阳市，陕西中医药大学公共卫生学院
3．710032　陕西省西安市，空军军医大学卫勤训练基地

收稿日期:2023-06-20 修回日期:2023-09-05 出版日期:2024-03-15 发布日期:2023-12-19
通讯作者: 陈长生
作者贡献：邹琼、张杨进行数据的下载及整理；邹琼、吴曦、陈长生进行文章的构思与设计、论文的修订；邹琼、吴曦、张杨、万毅、陈长生进行研究的实施与可行性分析；邹琼、吴曦、张杨、万毅进行结果的分析与解释并撰写论文。
基金资助:
国家自然科学基金资助项目(82073663)

Prediction of Type 2 Diabetic Nephropathy Based on BP Neural Network Optimized by Sparrow Search Algorithm

ZOU Qiong¹^,², WU Xi¹, ZHANG Yang¹, WAN Yi³, CHEN Changsheng¹^,^*()

1. Department of Military Health Statistics, School of Military Preventive Medicine, Air Force Medical University/Ministry of Education Key Lab of Hazard Assessment and Control in Special Operational Environment, Xi'an 710032, China
2. College of Health Public, Shaanxi University of Chinese Medicine, Xianyang 712046, China
3. Department of Health Services, Air Force Medical University, Xi'an 710032, China

Received:2023-06-20 Revised:2023-09-05 Published:2024-03-15 Online:2023-12-19
Contact: CHEN Changsheng

摘要/Abstract

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

Abstract:

Background

Diabetic nephropathy (DN) is one of the most common microvascular complications of diabetes, which is highly prevalent and harmful. Early detection of DN is an important task in preventing related diseases. Currently, most of the researches are based on traditional statistical prediction methods, and data need to meet the prerequisites it requires. It is necessary to try to apply new methods such as machine learning in the area of DN prediction for its failing to meet the needs in the field of DN prediction in recent years.

Objective

To construct DN prediction model using the LASSO regression and BP neural network optimized by sparrow search algorithm (SSA-BP) .

Methods

This study was conducted from April 2023 to August 2023, and the data was obtained from publicly available data on complications of 133 patients with diabetes mellitus in Iran. Univariate analysis was conducted using SPSS 26.0 software, and variables were screened using LASSO regression. Using the presence of DN as the dependent variable, the training and testing sets were divided into 8∶2 and 7∶3 ratios, respectively. The SSA-BP neural network was used for modeling and analysis, and the prediction performance was compared with classical machine learning models to analyze the better DN model. Model evaluation was performed based on accuracy, precision, sensitivity, specificity, F1-score and AUC indicators.

Results

Excluding 9 patients with type 1 diabetes, the effective sample size included in this study was 124 patients with type 2 diabetes mellitus (T2DM) , of which 73 (58.9%) were diagnosed with DN. Univariate analysis of risk factors for type 2 DN showed statistically significant for age, BMI, duration of diabetes, fasting blood glucose (FBG) , glycosylated hemoglobin (HbA_1c) , low-density lipoprotein (LDL) , high-density lipoprotein (HDL) , triacylglycerol (TG) , systolic blood pressure (SBP) and diastolic blood pressure (DBP) (P<0.05) . When the ratio of the training set to the test set was 8∶2, there were 59 DN patients in the training set (n=100) and 14 DN patients in the test set (n=24) . Five influencing factors of age, diabetes duration, HbA_1c, LDL, and SBP were obtained by LASSO regression screening. The accuracy rates of Logistic regression (LR) , K-nearest neighbor (KNN) , support vector machine (SVM) and SSA-BP models in the test set were 83.33%, 79.17%, 79.17%, 87.50%, and 95.83%, with F1-score as 0.846 2, 0.800 0, 0.800 0, 0.888 9, and 0.960 0, respectively. When the ratio of the training set to the test set was 7∶3, there were 52 DN patients in the training set (n=88) and 21 DN patients in the test set (n=36) . Seven influencing factors obtained by LASSO regression screening included age, BMI, diabetes duration, LDL, HDL, SBP, and DBP. The accuracy rates of LR, KNN, SVM, BP, and SSA-BP models in the test set were 86.11%, 86.11%, 86.11%, 72.22%, and 91.67%, with F1-score as 0.871 8, 0.871 8, 0.864 9, 0.705 9, and 0.909 1, respectively.

Conclusion

LR, KNN, and SVM perform better when the training set to the test set is 7∶3, while BP and SSA-BP perform better when the training set to the test set is 8∶2. Compared with the BP neural network and traditional machine learning models, SSA-BP model has the best prediction performance and can timely and accurately identify type 2 DN patients, realize early detection and treatment of DN, thus preventing and mitigating the harm to their bodies.

Key words: Diabetes mellitus, type 2, Diabetic nephropathies, Neural networks, computer, Prediction model

邹琼,吴曦,张杨,等. 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[J]. 中国全科医学, 2024, 27(08): 961-970. DOI: 10.12114/j.issn.1007-9572.2023.0360.
ZOU Qiong,WU Xi,ZHANG Yang, et al. Prediction of Type 2 Diabetic Nephropathy Based on BP Neural Network Optimized by Sparrow Search Algorithm[J]. Chinese General Practice, 2024, 27(08): 961-970. DOI: 10.12114/j.issn.1007-9572.2023.0360.

图/表 7

参考文献 55

[1]	CHO N H, SHAW J E, KARURANGA S，et al. IDF Diabetes Atlas：global estimates of diabetes prevalence for 2017 and projections for 2045[J]. Diabetes Res Clin Pract，2018,138:271-281. DOI：10.1016/j.diabres.2018.02.023.
[2]	ROSSING P. Prediction，progression and prevention of diabetic nephropathy. The Minkowski Lecture 2005[J]. Diabetologia，2006,49(1):11-19. DOI：10.1007/s00125-005-0077-3.
[3]	THIPSAWAT S. Early detection of diabetic nephropathy in patient with type 2 diabetes mellitus：a review of the literature[J]. Diab Vasc Dis Res，2021,18(6):14791641211058856. DOI：10.1177/14791641211058856.
[4]	SUN Y L, ZHANG D L. Machine learning techniques for screening and diagnosis of diabetes：a survey[J]. Technical Gazette，2019,26(3):872-880. DOI：10.17559/TV-20190421122826.
[5]	黄富程，刘德新，曹杰，等. 基于ABC优化BP神经网络的船舶交通流量预测[J]. 中国航海，2021,44(2):78-83.
[6]	李卫华，徐涛，李小梨. 基于人工蜂群的BP神经网络算法[J]. 计算机系统应用，2012,21(5):195-197,183.
[7]	XUE J K, SHEN B. A novel swarm intelligence optimization approach：sparrow search algorithm[J]. Syst Sci Contr Eng，2020,8(1):22-34. DOI：10.1080/21642583.2019.1708830.
[8]	孙全，孙渊. 基于麻雀搜索算法的BP神经网络优化技术[J]. 上海电机学院学报，2022,25(1):12-16. DOI：10.3969/j.issn.2095-0020.2022.01.003.
[9]	YAN P C, SHANG S H, ZHANG C Y，et al. Research on the processing of coal mine water source data by optimizing BP neural network algorithm with sparrow search algorithm[J]. IEEE Access，2021,9:108718-108730. DOI：10.1109/ACCESS.2021.3102020.
[10]	KHODADADI B, MOUSAVI N, MOUSAVI M，et al. Diagnosis and predictive clinical and para-clinical cutoffs for diabetes complications in Lur and Lak populations of Iran：a ROC curve analysis to design a regional guideline[J]. J Nephropharmacol，2018,7(2):83-89. DOI：10.15171/npj.2018.19.
[11]	JIAN Y Z, PASQUIER M, SAGAHYROON A，et al. A machine learning approach to predicting diabetes complications[J]. Healthcare，2021,9(12):1712. DOI：10.3390/healthcare9121712.
[12]	MANIRUZZAMAN M, ISLAM M M, RAHMAN M J，et al. Risk prediction of diabetic nephropathy using machine learning techniques：a pilot study with secondary data[J]. Diabetes Metab Syndr，2021,15(5):102263. DOI：10.1016/j.dsx.2021.102263.
[13]	TIBSHIRANI R. Regression shrinkage and selection via the lasso[J]. J R Stat Soc，1996,58(1):267-288. DOI：10.1111/j.2517-6161.1996.tb02080.x.
[14]	NIE X, DENG G M. Enterprise financial early warning based on lasso regression screening variables[J]. J Financ Risk Manag，2020,9(4):454-461. DOI：10.4236/jfrm.2020.94024.
[15]	李阳，陈晓泓，王一梅，等. 基于LASSO变量选择联合贝叶斯网络构建恶性肿瘤相关急性肾损伤（AKI）风险预测模型[J]. 复旦学报：医学版，2020,47(4):521-530. DOI：10.3969/j.issn.1672-8467.2020.04.009.
[16]	MAHESH B. Machine learning algorithms-a review [J]. International Journal of Science and Research（IJSR），2020,9:381-386. DOI：10.21275/ART20203995.
[17]	DREISEITL S, OHNO-MACHADO L. Logistic regression and artificial neural network classification models：a methodology review[J]. J Biomed Inform，2002,35(5/6):352-359. DOI：10.1016/s1532-0464(03)00034-0.
[18]	CORTES C, VAPNIK V. Support-vector networks[J]. Mach Lang，1995,20(3):273-297. DOI：10.1023/A:1022627411411.
[19]	JOACHIMS T. Making large-scale SVM learning practical [J]. Technical Reports，1998,8(3):499-526. DOI：10.1162/153244302760200704.
[20]	LARABI-MARIE-SAINTE, ABURAHMAH, ALMOHAINI，et al. Current techniques for diabetes prediction：review and case study[J]. Appl Sci，2019,9(21):4604. DOI：10.3390/app9214604.
[21]	许条建，金延儒，蒋梅荣，等. 基于麻雀搜索算法优化BP神经网络的深远海养殖平台系缆力预报研究[J]. 渔业现代化，2022,49(6):17-26. DOI：10.3969/j.issn.1007-9580.2022.06.003.
[22]	RAHMAN T，FARZANA S M，KHANOM A Z. Prediction of diabetes induced complications using different machine learning algorithms [D]. Bengal：BRAC University，2018.
[23]	LI H S, LAI L, CHEN L，et al. The prediction in computer color matching of dentistry based on GA+BP neural network[J]. Comput Math Methods Med，2015,2015:816719. DOI：10.1155/2015/816719.
[24]	WANG X Y, LI J, HUO L X，et al. Clinical characteristics of diabetic nephropathy in patients with type 2 diabetic mellitus manifesting heavy proteinuria：a retrospective analysis of 220 cases[J]. Diabetes Res Clin Pract，2019,157:107874. DOI：10.1016/j.diabres.2019.107874.
[25]	MIAO D D, PAN E C, ZHANG Q，et al. Development and validation of a model for predicting diabetic nephropathy in Chinese people[J]. Biomed Environ Sci，2017,30(2):106-112. DOI：10.3967/bes2017.014.
[26]	HARJUTSALO V, GROOP P H. Epidemiology and risk factors for diabetic kidney disease[J]. Adv Chronic Kidney Dis，2014,21(3):260-266. DOI：10.1053/j.ackd.2014.03.009.
[27]	SAEEDI P, PETERSOHN I, SALPEA P，et al. Global and regional diabetes prevalence estimates for 2019 and projections for 2030 and 2045：results from the International Diabetes Federation Diabetes Atlas，9th edition[J]. Diabetes Res Clin Pract，2019,157:107843. DOI：10.1016/j.diabres.2019.107843.
[28]	RAVINDRAN R, KALAIVALLI S, SRINIVASAGALU S，et al. A study on prevalence and risk factors of diabetic nephropathy in newly detected type 2 diabetic patients[J]. J Diabetol，2020,11(2):109. DOI：10.4103/jod.jod_17_19.
[29]	高珍秀. 基于深度学习技术的2型糖尿病肾病风险预测模型的构建[D]. 南京：南京中医药大学，2021.
[30]	TODAY Study Group, BJORNSTAD P, DREWS K L，et al. Long-term complications in youth-onset type 2 diabetes[J]. N Engl J Med，2021,385(5):416-426. DOI：10.1056/NEJMoa2100165.
[31]	TODAY Study Group. Effects of metabolic factors，race-ethnicity，and sex on the development of nephropathy in adolescents and young adults with type 2 diabetes：results from the TODAY study[J]. Diabetes Care，2021,45(5):1056-1064. DOI：10.2337/dc21-1085.
[32]	STRATTON I M, ADLER A I, NEIL H A，et al. Association of glycaemia with macrovascular and microvascular complications of type 2 diabetes （UKPDS 35）：prospective observational study[J]. BMJ，2000,321(7258):405-412. DOI：10.1136/bmj.321.7258.405.
[33]	ISMAIL-BEIGI F, CRAVEN T, BANERJI M A，et al. Effect of intensive treatment of hyperglycaemia on microvascular outcomes in type 2 diabetes：an analysis of the ACCORD randomised trial[J]. Lancet，2010,376(9739):419-430. DOI：10.1016/S0140-6736(10)60576-4.
[34]	SHIKATA K, HANEDA M, NINOMIYA T，et al. Randomized trial of an intensified，multifactorial intervention in patients with advanced-stage diabetic kidney disease：diabetic Nephropathy Remission and Regression Team Trial in Japan （DNETT-Japan）[J]. J Diabetes Investig，2021,12(2):207-216. DOI：10.1111/jdi.13339.
[35]	LERMA E V, BATUMAN V. Diabetes and kidney disease[M]. Switzerland：Springer，2014：1-679.
[36]	GALL M A, NIELSEN F S, SMIDT U M，et al. The course of kidney function in type 2 （non-insulin-dependent） diabetic patients with diabetic nephropathy[J]. Diabetologia，1993,36(10):1071-1078. DOI：10.1007/BF02374501.
[37]	SHI R, NIU Z Y, WU B R，et al. Nomogram for the risk of diabetic nephropathy or diabetic retinopathy among patients with type 2 diabetes mellitus based on questionnaire and biochemical indicators：a cross-sectional study[J]. Diabetes Metab Syndr Obes，2020,13:1215-1229. DOI：10.2147/DMSO.S244061.
[38]	何洋. 糖尿病肾病进展的危险因素及预测方程的建立[D]. 兰州：兰州大学，2021.
[39]	SAGOO M K, GNUDI L. Diabetic nephropathy：an overview[J]. Methods Mol Biol，2020,2067:3-7. DOI：10.1007/978-1-4939-9841-8_1.
[40]	FAWWAD A, MUSTAFA N, ZAFAR A B，et al. Incidence of microvascular complications of type 2 diabetes：a 12 year longitudinal study from Karachi-Pakistan[J]. Pak J Med Sci，2018,34(5):1058-1063. DOI：10.12669/pjms.345.15224.
[41]	JIANG S M, FANG J Y, YU T Y，et al. Novel model predicts diabetic nephropathy in type 2 diabetes[J]. Am J Nephrol，2020,51(2):130-138. DOI：10.1159/000505145.
[42]	马倩倩，孙东旭，石金铭，等. 基于支持向量机与XGboost的成年人群肿瘤患病风险预测研究[J]. 中国全科医学，2020,23(12):1486-1491. DOI：10.12114/j.issn.1007-9572.2020.00.066.
[43]	LYNAM A L, DENNIS J M, OWEN K R，et al. Logistic regression has similar performance to optimised machine learning algorithms in a clinical setting：application to the discrimination between type 1 and type 2 diabetes in young adults[J]. Diagn Progn Res，2020,4:6. DOI：10.1186/s41512-020-00075-2.
[44]	于大海，李金，罗艳虹，等. 随机森林模型和决策树模型在肝硬化上消化道出血预后中的应用[J]. 中国卫生统计，2019,36(2):162-166.
[45]	YE Y Z, XIONG Y, ZHOU Q J，et al. Comparison of machine learning methods and conventional logistic regressions for predicting gestational diabetes using routine clinical data：a retrospective cohort study[J]. J Diabetes Res，2020,2020:4168340. DOI：10.1155/2020/4168340.
[46]	DAGHISTANI T, ALSHAMMARI R. Comparison of statistical logistic regression and RandomForest machine learning techniques in predicting diabetes[J]. J Adv Inf Technol，2020:78-83. DOI：10.12720/jait.11.2.78-83.
[47]	MUSA A B. Comparative study on classification performance between support vector machine and logistic regression[J]. Int J Mach Learn & Cyber，2013,4(1):13-24. DOI：10.1007/s13042-012-0068-x.
[48]	KHORSHID S F, ABDULAZEEZ A M, MOHSIN A. Breast cancer diagnosis based on k-nearest neighbors：a review[J]. PalArch's Journal of Archaeology of Egypt/Egyptology，2021,18(4):1927-1951.
[49]	汪可可，武建辉，周莹，等. 基于BP神经网络的急性脑梗死患者自发性出血性转化的风险预测研究[J]. 中国全科医学，2018,21(12):1413-1418. DOI：10.3969/j.issn.1007-9572.2017.00.189.
[50]	田娟，朱姝婧，陆强，等. 基于BP神经网络预测儿童甲状腺疾病的模型研究[J]. 中国医学物理学杂志，2020,37(10):1340-1344. DOI：10.3969/j.issn.1005-202X.2020.10.022.
[51]	黄仕鑫，浦科学，桑祎莹，等. 基于GA-BP神经网络模型鉴别2型糖尿病性周围神经病变的分类模型研究[J]. 解放军医学杂志，2020,45(1):73-78. DOI：10.11855/j.issn.0577-7402.2020.01.08.
[52]	杭昕璇，周梓涵. 基于SSA-BP算法的糖析出建模与参数优化研究[J]. 自动化应用，2022(3):10-12. DOI：10.19769/j.zdhy.2022.03.004.
[53]	韦哲，石栋栋，王能才，等. 基于思维进化算法优化的BP神经网络对糖尿病并发症的预测研究[J]. 中国医学装备，2020,17(10):1-4. DOI：10.3969/J.ISSN.1672-8270.2020.10.001.
[54]	RODRIGUEZ-ROMERO V, BERGSTROM R F, DECKER B S，et al. Prediction of nephropathy in type 2 diabetes：an analysis of the ACCORD trial applying machine learning techniques[J]. Clin Transl Sci，2019,12(5):519-528. DOI：10.1111/cts.12647.
[55]	DAVID S K, RAFIULLAH M, SIDDIQUI K. Comparison of different machine learning techniques to predict diabetic kidney disease[J]. J Healthc Eng，2022,2022:7378307. DOI：10.1155/2022/7378307.

编号	变量名	赋值情况及值范围
1	肾病	否=0（对照），是=1
2	性别	女=0（对照），男=1
3	年龄（岁）	<40=1（对照），40~<60=2，≥60=3
4	BMI（kg/m²）	<18.5=1（对照），18.5~<24.0=2，24.0~<28.0=3，≥28.0=4
5	糖尿病持续时间（年）	<10=0（对照），≥10=1
6	FBG（mg/dL）	实测值：80~510
7	HbA_1c（mg/dL）	实测值：6.5~13.3
8	LDL（mg/dL）	实测值：36~267
9	HDL（mg/dL）	实测值：20~62
10	TG（mg/dL）	实测值：74~756
11	治疗类型	口服剂=1（对照），胰岛素=2，二者=3
12	他汀类药物类型	无他汀类药物=1（对照），阿托伐他汀=2，瑞舒伐他汀=3
13	SBP（mmHg）	实测值：105~180
14	DBP（mmHg）	实测值：60~120

编号	变量名	赋值情况及值范围
1	肾病	否=0（对照），是=1
2	性别	女=0（对照），男=1
3	年龄（岁）	<40=1（对照），40~<60=2，≥60=3
4	BMI（kg/m²）	<18.5=1（对照），18.5~<24.0=2，24.0~<28.0=3，≥28.0=4
5	糖尿病持续时间（年）	<10=0（对照），≥10=1
6	FBG（mg/dL）	实测值：80~510
7	HbA_1c（mg/dL）	实测值：6.5~13.3
8	LDL（mg/dL）	实测值：36~267
9	HDL（mg/dL）	实测值：20~62
10	TG（mg/dL）	实测值：74~756
11	治疗类型	口服剂=1（对照），胰岛素=2，二者=3
12	他汀类药物类型	无他汀类药物=1（对照），阿托伐他汀=2，瑞舒伐他汀=3
13	SBP（mmHg）	实测值：105~180
14	DBP（mmHg）	实测值：60~120

变量	无DN （n=51）	患DN （n=73）	检验统计量值	P值
性别[例（%）]			1.759^a	0.185
女	34（66.7）	40（54.8）
男	17（33.3）	33（45.2）
年龄[例（%）]			19.229^a	<0.001
<40岁	5（9.8）	4（5.5）
40~<60岁	37（72.5）	28（38.4）
≥60岁	9（17.7）	41（56.1）
BMI[例（%）]			13.100^a	0.002
<18.5 kg/m²	2（3.9）	0
18.5 ~<24.0 kg/m²	10（19.6）	2（2.7）
24.0~<28.0 kg/m²	9（17.6）	12（16.4）
≥28.0 kg/m²	30（58.9）	59（80.9）
糖尿病持续时间[例（%）]			27.358^a	<0.001
<10年	39（76.5）	21（28.8）
≥10年	12（23.5）	52（71.2）
FBG（±s，mg/dL）	181.33±65.97	229.03±54.84	-4.381^b	<0.001
HbA_1c[M（QR），%]	8.10（1.60）	10.80（0.95）	-5.773^c	<0.001
LDL（±s，mg/dL）	109.12±35.17	152.68±42.67	-6.003^b	<0.001
HDL（±s，mg/dL）	38.55±8.43	35.74±5.84	2.193^b	0.030
TG（±s，mg/dL）	181.96±84.95	242.04±102.79	-3.433^b	0.001
治疗类型[例（%）]			4.281^a	0.113
口服剂	35（68.6）	38（52.1）
胰岛素	4（7.8）	14（19.2）
二者	12（23.6）	21（28.7）
他汀类药物类型[例（%）]			0.814^a	0.778
无他汀类药物	16（31.3）	19（26.0）
阿托伐他汀	34（66.7）	53（72.6）
瑞舒伐他汀	1（2.0）	1（1.4）
SBP（±s，mmHg）	130±15	155±14	-9.524^b	<0.001
DBP（±s，mmHg）	81±9	98±12	-8.499^b	<0.001

变量	无DN （n=51）	患DN （n=73）	检验统计量值	P值
性别[例（%）]			1.759^a	0.185
女	34（66.7）	40（54.8）
男	17（33.3）	33（45.2）
年龄[例（%）]			19.229^a	<0.001
<40岁	5（9.8）	4（5.5）
40~<60岁	37（72.5）	28（38.4）
≥60岁	9（17.7）	41（56.1）
BMI[例（%）]			13.100^a	0.002
<18.5 kg/m²	2（3.9）	0
18.5 ~<24.0 kg/m²	10（19.6）	2（2.7）
24.0~<28.0 kg/m²	9（17.6）	12（16.4）
≥28.0 kg/m²	30（58.9）	59（80.9）
糖尿病持续时间[例（%）]			27.358^a	<0.001
<10年	39（76.5）	21（28.8）
≥10年	12（23.5）	52（71.2）
FBG（±s，mg/dL）	181.33±65.97	229.03±54.84	-4.381^b	<0.001
HbA_1c[M（QR），%]	8.10（1.60）	10.80（0.95）	-5.773^c	<0.001
LDL（±s，mg/dL）	109.12±35.17	152.68±42.67	-6.003^b	<0.001
HDL（±s，mg/dL）	38.55±8.43	35.74±5.84	2.193^b	0.030
TG（±s，mg/dL）	181.96±84.95	242.04±102.79	-3.433^b	0.001
治疗类型[例（%）]			4.281^a	0.113
口服剂	35（68.6）	38（52.1）
胰岛素	4（7.8）	14（19.2）
二者	12（23.6）	21（28.7）
他汀类药物类型[例（%）]			0.814^a	0.778
无他汀类药物	16（31.3）	19（26.0）
阿托伐他汀	34（66.7）	53（72.6）
瑞舒伐他汀	1（2.0）	1（1.4）
SBP（±s，mmHg）	130±15	155±14	-9.524^b	<0.001
DBP（±s，mmHg）	81±9	98±12	-8.499^b	<0.001

	模型类型		准确率（%）	精确率（%）	灵敏度（%）	特异度（%）	F1-score	AUC
训练集∶测试集=8∶2	LR	训练集	89.00	90.00	91.53	85.37	0.907 6	0.884 5
		测试集	83.33	91.67	78.57	90.00	0.846 2	0.842 9
	KNN	训练集	91.00	94.64	89.83	92.68	0.921 7	0.912 6
		测试集	79.17	90.91	71.43	90.00	0.800 0	0.807 1
	SVM	训练集	91.00	94.64	89.83	92.68	0.921 7	0.912 6
		测试集	79.17	90.91	71.43	90.00	0.800 0	0.807 1
	BP神经网络	训练集	86.00	84.85	93.33	75.00	0.888 9	0.841 7
		测试集	87.50	85.71	92.31	81.82	0.888 9	0.870 6
	SSA-BP神经网络	训练集	92.00	94.83	91.67	92.50	0.932 2	0.920 8
		测试集	95.83	100.00	92.31	100.00	0.960 0	0.961 5
训练集∶测试集=7∶3	LR	训练集	87.50	90.20	88.46	86.11	0.893 2	0.873 0
		测试集	86.11	94.44	80.95	93.33	0.871 8	0.871 0
	KNN	训练集	94.32	97.96	92.31	97.22	0.950 5	0.948 0
		测试集	86.11	94.44	80.95	93.33	0.871 8	0.871 0
	SVM	训练集	89.77	97.78	84.62	97.22	0.907 2	0.909 0
		测试集	86.11	100.00	76.19	100.00	0.864 9	0.881 0
	BP神经网络	训练集	85.23	92.00	83.64	87.88	0.8762 1	0.857 6
		测试集	72.22	75.00	66.67	77.78	0.705 9	0.722 2
	SSA-BP神经网络	训练集	94.32	94.64	96.36	90.91	0.955 0	0.936 4
		测试集	91.67	100.00	83.33	100.00	0.909 1	0.916 7

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

Prediction of Type 2 Diabetic Nephropathy Based on BP Neural Network Optimized by Sparrow Search Algorithm

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 7

参考文献 55

相关文章 15

编辑推荐

Metrics

留言

[1]	王洋, 赵诗婷, 陈盈盈, 孙子林, 邱山虎. 2型糖尿病并发症人群的运动干预与实施要点[J]. 中国全科医学, 2026, 29(21): 2989-2994.
[2]	李佳威, 高欣怡, 葛奥淇, 李娟娟, 袁蓓蓓. 2型糖尿病患者的医防融合服务需求及其影响因素研究[J]. 中国全科医学, 2026, 29(21): 3028-3039.
[3]	冯宇茜, 王津津, 蔡一, 朱润芝, 朱勤. 乳酸化修饰在肾脏疾病中的研究进展[J]. 中国全科医学, 2026, 29(21): 3056-3063.
[4]	安艳红, 王世东, 李潇然, 郭家扬, 王哲, 沙培林, 孟怡珺, 李小萱, 石雪, 于泽兴, 肖永华. 糖尿病肾病影响因素及列线图预测模型研究：基于超声造影技术[J]. 中国全科医学, 2026, 29(21): 2995-3003.
[5]	葛丹, 王智, 丁群, 郭同兰, 徐同道. 2型糖尿病患者残余胆固醇与非酒精性脂肪性肝病及进展性肝纤维化的关系研究[J]. 中国全科医学, 2026, 29(20): 2854-2859.
[6]	鲍若林, 鲁潮, 冯昕, 叶春梅, 来芬华, 倪作为, 杨东波, 郑永韬. 基于巢式病例对照研究老年人流感疫苗突破病例的风险预测模型[J]. 中国全科医学, 2026, 29(19): 2671-2677.
[7]	李亚婵, 杨阳, 徐千婷, 柯亭羽. 中国内脏脂肪指数与2型糖尿病合并左心室舒张功能障碍的关联性研究[J]. 中国全科医学, 2026, 29(18): 2482-2488.
[8]	付铭源, 于潇漪, 葛彩英, 孔慜. 2型糖尿病患者低血糖感知受损现状及影响因素研究[J]. 中国全科医学, 2026, 29(16): 2252-2258.
[9]	刘帆, 陈秋雨, 李婧. 亚临床高风险人群夜间高血压筛查模型的构建与验证：一项单中心队列研究[J]. 中国全科医学, 2026, 29(15): 1998-2005.
[10]	金春花, 张雅文, 李连喜. 老年2型糖尿病患者参考范围内血清胆红素与颈动脉斑块的关系研究[J]. 中国全科医学, 2026, 29(15): 1986-1991.
[11]	王斯曼, 张梦楚, 李文, 许艾, 徐璡, 郭睿, 燕海霞. 基于中医证候及脉图参数构建原发性高血压伴左心室肥厚风险预测模型研究[J]. 中国全科医学, 2026, 29(14): 1840-1848.
[12]	廖秋红, 陶红, 杨晓辉, 袁勇贵, 林珊珊, 徐微, 李玉秀, 裴育. 2型糖尿病患者抑郁现状及危险因素：一项全国多中心横断面研究[J]. 中国全科医学, 2026, 29(12): 1558-1565.
[13]	陈艺铭, 黄艺铃, 纪菲, 吕凌, 黄钰, 吴泽宇, 杭琪琪, 平凡, 杨萌. 糖肝相依：2型糖尿病与代谢功能障碍相关脂肪性肝病的代谢交互作用与干预新策略[J]. 中国全科医学, 2026, 29(12): 1497-1504.
[14]	胡嘉琦, 李端, 方昊, 樊兴颖, 杜薇, 周涵妮. 基于体检人群队列的高尿酸血症非遗传因素风险预测模型构建研究[J]. 中国全科医学, 2026, 29(10): 1324-1333.
[15]	王琪, 高欣怡, 袁蓓蓓. 基层医疗卫生体系改善2型糖尿病管理服务质量的干预推荐[J]. 中国全科医学, 2026, 29(10): 1286-1293.