随着全球2型糖尿病负担的增加，寻找早期检测策略以防止诸如糖尿病多发性神经病变（DPN）等致残并发症的需求日益迫切。DPN是一种影响近半数糖尿病患者一生的疾病，它可以悄无声息地进展，导致严重的后果，如足部溃疡、感染甚至截肢。
一项名为《用于筛查糖尿病神经病变的人工智能算法：一项初步研究》的新研究发表在《生物医学》杂志上，评估了一种基于AI的临床预测工具的性能，该工具用于对有DPN风险的患者进行分级，并通过生物感觉阈值测试指导及时筛查。
AI模型如何预测糖尿病神经病变风险？
该研究在意大利帕多瓦ULSS 6的糖尿病运营部门进行，涉及201名年龄在18至80岁之间的无症状2型糖尿病患者。研究人员使用了由METEDA S.r.l.开发的MetaClinic预测算法，为每位患者分配了一个在未来两年内发展DPN的风险等级。该AI算法利用了包括血糖、胆固醇水平、肾功能标志物、血压和HbA1c在内的人口统计学、临床和生化数据，生成低、中、高和非常高四个风险类别的评分。
这些AI生成的风险评分随后与生物感觉阈值仪的结果进行了比较。生物感觉阈值仪是一种非侵入性的诊断设备，用于测量患者足部的振动感知阈值（VPT），这是诊断大纤维周围神经病变的金标准方法。VPT评分≥25 V被认为是DPN的指标。
结果显示，107名患者被分类为低风险，39名为中风险，29名为高风险，26名为非常高风险。总共63名患者（占31.34%）的VPT≥25 V，确认存在DPN。其余138名患者的VPT评分低于25 V。AI模型与生物感觉阈值仪的整体一致性为65%，Cohen's κ系数为0.162，Gwet's AC1系数为0.405，表明除了偶然因素外，一致程度稍显一般。
AI模型与生物感觉阈值测试的一致性如何？
虽然AI系统在风险分级方面显示出潜力，但其与客观生物感觉阈值测试的一致性较为一般。在63名确诊DPN的患者中，26名被AI分类为低风险，表明存在明显的假阴性率。相反，一些被AI标记为高或非常高风险的个体并未显示异常VPT，表明可能存在假阳性。这些差异可能源于AI依赖于一般的代谢标志物而非直接的神经指标。
研究发现，患有DPN的患者明显年龄较大（平均72.7岁 vs. 66.6岁），病程较长（14.4年 vs. 11年）。这两个变量，即年龄和糖尿病持续时间，虽未直接输入AI模型，但证明是重要的区分因素，强化了它们作为DPN发展的关键风险因素的作用。此外，DPN患者的舒张压略低（77.2 mmHg vs. 80.5 mmHg），但在血脂谱、血糖水平或肾功能指标方面没有显著差异。
AI预测与生物感觉阈值仪结果之间的一般一致性突显了当前AI工具在糖尿病护理中的潜力和局限性。作者建议，通过整合更多特定于神经病变变化的风险标志物，如小纤维神经功能、足部温度变化或血糖变异性，可以提高AI模型的预测能力。
尽管存在这些局限性，AI工具仍具有重要的筛选功能。被分类为高或非常高风险的患者可以优先进行进一步的生物感觉阈值或其他更高级的神经生理学评估，从而改善资源分配和早期干预。
对临床实践和未来研究的更广泛意义
这项初步研究提供了重要的见解，展示了AI如何通过在症状出现之前识别有并发症风险的患者来增强传统的糖尿病管理临床工作流程。随着预计全球DPN患病率的上升，非侵入性和可扩展的方法，如AI辅助筛查，可以在预防严重神经病变结果方面发挥关键作用。
至关重要的是，本研究中使用的AI算法是在意大利23个糖尿病中心超过147,000名患者的大型数据集上训练的，并使用来自五个独立中心的数据进行了外部验证。然而，在这项初步研究中，具体的验证涉及一个新的患者群体，这增强了研究结果的普遍性，同时也暴露了需要改进的领域。
与其他新兴方法相比，如基于角膜共焦显微镜、磁共振神经成像或脚趾光电容积描记法的AI模型，MetaClinic算法因其使用常规收集的临床数据而具有更好的可扩展性。然而，作者承认缺乏特异性和有限的直接神经系统指标仍然是挑战。
未来版本的AI模型可以整合疾病持续时间、患者年龄和感觉测试结果，以提高精度。该研究还强调了需要进行更广泛的多中心试验，涉及有症状和多样化的患者群体，以评估实际效果并确定最受益于AI引导筛选的亚组。
从实际角度来看，将AI工具嵌入电子健康记录、教育临床医生解读AI输出并确保与筛查指南保持一致将是采纳的关键。便携且低成本的生物感觉阈值仪是资源有限环境中的理想合作伙伴，尤其是在全球糖尿病率飙升的情况下。
伦理考虑，包括数据隐私、公平性和AI预测的可解释性也必须得到解决。确保AI补充而不是取代临床判断对于维持患者信任和临床责任至关重要。
(全文结束)
