研究探讨了使用机器学习方法提前预测糖尿病患者住院需求的重要性，同时阐述了在数据收集和模型预测中消除社会相关的数据偏差的必要性。该研究提出了一种机器学习流程，能够检测并缓解数据和模型预测中的偏差，从而获得更加公正的预测结果。实验证明，及时消除数据收集过程中的偏差可以得到更加公平的预测结果。

Jun, 2022

利用机器学习技术基于患者诊断和人口统计学数据构建预测模型，并使用决策树方法进行预测，其结果优于先前研究的类似问题报告的结果，因此有望降低医疗保健成本。

Apr, 2023

应用优化框架来确定个性化的社区卫生工作者访问计划，以在社区水平上最大程度地实现血糖控制，通过对印度城市贫困社区操作数据的广泛模拟实验，我们发现，与最佳的朴素策略相比，我们的框架需要的容量最多少了 73.4％，而其解决方案算法可以通过使用相同的卫生工作者容量，将朴素策略改进多达 124.5％。

May, 2023

本综述分析了 40 项使用人工智能模型（主要是机器学习模型）预测 2 型糖尿病（T2DM）风险的研究，结果显示单模态和多模态模型表现良好，但是外部验证和新型生物标志的应用不足。

May, 2023

糖尿病的结构学习算法和因果路径的研究，通过转化输出图为因果贝叶斯网络，从一个多样的结构学习算法集合中获得独特的糖尿病因果模型，为医疗专业人员提供对相关风险因素与假设干预效果之间的交互作用的全面理解，以制定高效的干预和风险管理策略。

Mar, 2024

该研究主要使用机器学习技术，从糖尿病患者的诊断医疗数据中提取知识，探索与疾病相关的各种风险因素，并使用四种流行的机器学习算法来预测糖尿病患者，结果表明 C4.5 决策树比其他机器学习技术具有更高的准确性。

Jan, 2019

提出一种基于物联网边缘 - 人工智能 - 区块链系统的糖尿病预测模型，通过比较实验结果表明，与逻辑回归和支持向量机等现有机器学习方法相比，该模型使用随机森林算法平均预测精度提高了 4.57％，但执行时间较长。

Nov, 2022

该论文提出了一种基于智能健康护理系统的、用于预测 2 型糖尿病的机器学习模型 HealthEdge，并使用真实数据集进行了两种机器学习算法（随机森林和逻辑回归）之间的比较分析，结果表明 RF 预测糖尿病的准确率比 LR 平均高 6％。

Jan, 2023

利用机器学习模型为阿根廷地区特定生成 T2D 和 PD 风险人群预测模型的发展和评估，证明了 RF、DT 和 ANN 方法在分类能力方面表现出色，为阿根廷地区的更复杂模型开发迈出了第一步。

Mar, 2024

GlyCoach 是一个为血糖控制生成反事实解释的框架，通过对健康数据进行对抗学习来生成行动干预措施，根据用户偏好的先前知识。通过使用两个真实世界数据集和外部模拟器进行广泛评估，GlyCoach 在模拟辅助验证中实现了 87％的敏感性，在生成反事实解释方面超过了现有技术至少 10％，且具有 32％改进的归一化距离。

Oct, 2023