通过分析 2015 年 BRFSS 数据，我们深入研究了糖尿病与一系列健康指标之间的复杂关系，特别关注了收入这一新添加的变量。我们的综合分析不仅考察了每个因素的孤立影响，还探究了它们之间的相互关系以及对糖尿病的集体影响。我们的研究揭示了一个明显的趋势，低收入阶层与糖尿病发病率更高有着关联。在分析了 33 个变量，包括健康因素和生活方式选择后，我们发现高血压、高胆固醇、胆固醇检查、收入和身体质量指数（BMI）等因素具有较大的意义，这表明它们在糖尿病的发病和管理中扮演着重要的角色。

Apr, 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

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

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

为了管理糖尿病而设计适当的治疗计划，医务人员需关注患者剩余寿命以及影响其健康的合并症。本文研究了 65 岁及以上的美国退伍军人中 2 型糖尿病老年患者的 68 个潜在死亡预测因素的结构化数据集，通过组合两个原始目标变量构建了一个新的目标变量，采用多项式逻辑回归与 LASSO 的基准回归模型，在特征选择中采用了卡方检验和信息增益技术，并使用多种分类器构建了不同的模型，然而结果表明所有模型均未达到预期效果，主要原因是原始数据经过编码后的高维度使模型产生了混淆，导致误分类。尽管该研究未产生高性能的预测模型，但视角上的创新为这一问题从多分类的角度进行研究奠定了基础。

Feb, 2024

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

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

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

通过比较深度学习、广义线性模型、梯度提升机（GBM）和朴素贝叶斯等模型，我们发现 GBM 在不同人口统计学特征（年龄、性别、种族）下，以 84.3% 的 F1 分数和 82.2% 的准确率准确预测糖尿病患者的住院再入院情况。GBM 在预测中减少了性别和种族之间的差异，其假发现率（FDR） (6-7%) 和假阳性率（FPR） (5%) 较低，且各年龄组（40 岁以下和 40 岁以上患者）的 FDR（4%）保持稳定，表明其精确性和减少偏见的能力。通过展示多种模型的准确度和公平性指标，该研究强调了在医疗保健中谨慎选择机器学习模型以确保准确性和公正性的重要性，从而促进个性化医学并确保公平的机器学习算法，最终减少糖尿病患者不同背景中的不平等，并改善结果。

Mar, 2024

利用影像学数据，神经网络和决策树模型可用于预测 2 型糖尿病发病率及输出类似于血红蛋白 A1C 实验室测量的可解释值，并演示输入向量小扰动对系统的灵敏度可用于预测先前未见的病人群体。

Sep, 2022