中国发表 | 机器学习模型实现2型糖尿病心血管风险动态监测与治疗应答精准识别
中国发表 | 机器学习模型实现2型糖尿病心血管风险动态监测与治疗应答精准识别的核心信息是什么？
概述 OVERVIEW 近日，北京大学人民医院内分泌代谢科、北京大学内分泌代谢病创新药物与器械转化北京市重点实验室 纪立农教授、邹显彤研究员 团队，联合北京大学王选计算机研究所、美国华盛顿大学等机构，在欧洲心脏病学会（ESC）官方期刊《欧洲预防心脏病学杂志》（EJPC）发表了一项重要研究成果。该研究成功构建了 基于机器学习的2型糖尿病心血管疾病风险预测模型（...
概述 OVERVIEW 近日，北京大学人民医院内分泌代谢科、北京大学内分泌代谢病创新药物与器械转化北京市重点实验室 纪立农教授、邹显彤研究员 团队，联合北京大学王选计算机研究所、美国华盛顿大学等机构，在欧洲心脏病学会（ESC）官方期刊《欧洲预防心脏病学杂志》（EJPC）发表了一项重要研究成果。该研究成功构建了 基于机器学习的2型糖尿病心血管疾病风险预测模型（ML-CVD Primary）， 首次实现了无基础心血管疾病的2型糖尿病患者心血管风险的动态监测与药物治疗应答者的精准识别，为糖尿病患者心血管保护的个体化治疗提供了循证依据与全新工具。 研究背景：糖尿病心血管防控的核心临床痛点 心血管疾病是2型糖尿病患者致残、致死的首要并发症。 属于「拓麦Diabetes」分类。 关键词：2型糖尿病 、人工智能、中国发表。
本文核心问答
Q1: 这篇资讯的核心内容是什么？
概述 OVERVIEW 近日，北京大学人民医院内分泌代谢科、北京大学内分泌代谢病创新药物与器械转化北京市重点实验室 纪立农教授、邹显彤研究员 团队，联合北京大学王选计算机研究所、美国华盛顿大学等机构，在欧洲心脏病学会（ESC）官方期刊《欧洲预防心脏病学杂志》（EJPC）发表了一项重要研究成果。该研究成功构建了 基于机器学习的2型糖尿病心血管疾病风险预测模型（ML-CVD Primary）， 首次实现了无基础心血管疾病的2型糖尿病患者心血管风险的动态监测与药物治疗应答者的精准识别，为糖尿病患者心血管保护的个体化治疗提供了循证依据与全新工具。 研究背景：糖尿病心血管防控的核心临床痛点 心血管疾病是2型糖尿病患者致残、致死的首要并发症。
Q2: 本文属于哪个学科分类，涉及哪些关键词？
本文属于「拓麦Diabetes」分类，涉及关键词：2型糖尿病 、人工智能、中国发表。
Q3: 这篇资讯的发布时间是什么？
本文发布于1776337245，来源为TalkMED拓麦医学资讯平台。
概述
OVERVIEW
近日，北京大学人民医院内分泌代谢科、北京大学内分泌代谢病创新药物与器械转化北京市重点实验室纪立农教授、邹显彤研究员团队，联合北京大学王选计算机研究所、美国华盛顿大学等机构，在欧洲心脏病学会（ESC）官方期刊《欧洲预防心脏病学杂志》（EJPC）发表了一项重要研究成果。该研究成功构建了基于机器学习的2型糖尿病心血管疾病风险预测模型（ML-CVD Primary），首次实现了无基础心血管疾病的2型糖尿病患者心血管风险的动态监测与药物治疗应答者的精准识别，为糖尿病患者心血管保护的个体化治疗提供了循证依据与全新工具。
研究背景：糖尿病心血管防控的核心临床痛点
心血管疾病是2型糖尿病患者致残、致死的首要并发症。近年来，钠-葡萄糖共转运蛋白2抑制剂（SGLT2i）等药物已被证实具有明确的心血管保护作用，被指南推荐为心血管高风险2型糖尿病患者的一线治疗方案。
但临床实践中，糖尿病患者的心血管风险评估仍面临两大核心挑战：其一，Framingham风险评分（FRS）、UKPDS风险引擎等传统风险预测工具多基于普通人群构建，在糖尿病特异性人群中区分度不足，且仅依赖基线静态特征，无法反映治疗过程中的风险动态变化；其二，现有手段难以精准识别SGLT2i等药物治疗的个体应答者，无法实现真正的个体化治疗决策优化。本研究正是针对上述临床未满足需求，构建了整合基线与动态随访数据的机器学习预测模型。
研究设计与方法：多中心大型CVOT数据支撑的严谨建模
本研究基于4项国际多中心、随机双盲的大型心血管结局临床试验（CVOT）数据完成模型的构建、验证与测试，所有入组患者均为无既往心血管疾病的2型糖尿病患者，最终纳入分析的总样本量达11677例。
• 数据集划分：将ACCORD与CANVAS研究的8099例患者数据，按8:2比例随机分为训练/验证集（n=6459）与内部验证集（n=1640）；CANVAS-R与CREDENCE研究的患者数据作为完全独立的外部测试集，验证模型的外推性。
• 模型特征与算法：模型整合了患者基线临床特征，以及1年随访期间的动态 interim 指标，包括BMI、血压、糖化血红蛋白（HbA1c）、估算肾小球滤过率（eGFR）、尿白蛋白肌酐比（UACR）、血脂谱等已被证实与心血管结局相关的治疗中介指标；通过功能主成分分析（FPCA）刻画动态指标的变化轨迹，最终基于XGBoost算法构建Cox生存预测模型（ML-CVD Primary），同时采用SHAP值解析模型特征的贡献度。
• 疗效与应答评估：以1年随访期内ML-CVD Primary评分的变化值为核心，评估强化降糖、卡格列净干预对心血管风险的影响；定义评分下降者为卡格列净“应答者”，评分不变或升高者为“无应答者”，对比两组患者后续主要心血管不良事件的发生风险。
核心研究结果：三大关键发现夯实临床应用价值
本研究所有结果均在内部验证集与独立外部测试集中完成交叉验证，核心数据均具备稳定的可重复性：
• 模型预测效能显著优于传统风险评分
ML-CVD Primary模型在训练集中预测3P-MACE（心血管死亡、非致死性心肌梗死、非致死性卒中复合终点）的Harrell's C-index达0.81（95%CI 0.79-0.83），内部验证集为0.71（95%CI 0.66-0.77），外部测试集CANVAS-R与CREDENCE中分别为0.70（95%CI 0.58-0.82）、0.66（95%CI 0.61-0.71），在所有数据集中均显著优于FRS、PCE、SCORE-2D、ADVANCE、UKPDS等传统心血管风险评分。同时模型展现出优异的校准度，各研究队列的观察/预期事件数（O/E）比在0.96-1.02之间，接近理想值1。
• 模型可动态捕捉干预带来的心血管风险变化，可作为心血管结局的早期替代终点
研究证实，强化降糖治疗、卡格列净治疗，较对照组均能显著降低患者1年随访期内的ML-CVD Primary风险评分；且该评分每降低1个标准差，患者后续3P-MACE发生风险即显著下降，其风险区分能力显著优于传统风险评分。值得关注的是，即便在ACCORD研究中，强化降糖与标准降糖组的最终心血管终点未出现统计学差异，模型仍捕捉到了两组1年内的风险评分变化差异，证实了模型对治疗介导的风险改变的高敏感性。
• 精准识别SGLT2i治疗应答者，量化临床净获益
基于1年ML-CVD Primary评分变化对卡格列净治疗患者进行分层后，结果显示：应答者较无应答者的3P-MACE风险显著降低45%（HR=0.55，95%CI 0.33-0.93）；与安慰剂组相比，卡格列净应答者的2年随访期内需治疗获益人数（NNTB）仅为39.2（95%CI 23.5-117.8），展现出明确的临床净获益。此外，SHAP分析提示，UACR的动态变化轨迹、年龄、基线UACR是模型中贡献度最高的三大预测因素，为糖尿病心血管风险的干预靶点提供了新的证据。
结论
CONCLUSION
本研究构建的ML-CVD Primary模型，突破了传统静态风险评分的局限性，首次实现了2型糖尿病患者心血管风险的动态监测，同时可在治疗早期精准识别SGLT2i的获益人群，为临床个体化治疗决策、药物疗效早期评估提供了可靠的工具。为推动模型的临床转化，研究团队已开发了基于该模型的在线风险计算工具（https://evateam.shinyapps.io/shiny_xgb_surv_app/），面向临床开放使用。
研究团队同时指出，该模型目前仍需在真实世界人群、不同种族人群及GLP-1RA等其他心血管保护药物中完成进一步的外部验证，未来将通过更多真实世界数据优化模型，助力糖尿病心血管并发症的精准防控，推动2型糖尿病个体化治疗的发展
通讯作者：
Linong Ji & Xiantong Zou, Beijing Key Laboratory of Innovative Drug and Device Translation in Endocrine and Metabolic Diseases, Department of Endocrinology and Metabolism, Peking University People's Hospital, Beijing, China.
供稿：Meredith
校对：Jaya
排版：Haojun / Vanessa
声明：
本文为编辑对学术文献的整理和提炼，无任何形式的企业赞助或资金支持。仅用于医学知识传播和学术文章分享。
编辑部对刊载内容进行仔细审阅以尽力保持其准确性，但对稿件的使用或其中的任何错误、遗漏或不准确之处等均不承担任何责任。文中所表达的任何观点不代表编辑部的观点，文中提及或排除任何方法或药物并不构成对其使用的提倡、建议或拒绝，因此在为本文中提及的任何产品开处方前，请查阅生产商的最新处方信息。内容仅限医疗卫生专业人士学习交流使用，非医疗卫生专业人士请主动退出浏览与阅读，否则由此产生的相关风险与后果应自行承担。
原文来自
Huang Q, Zou X, Boyko EJ, et al. Dynamic Surveillance of the Cardiovascular Risk and Identification of Treatment Responders in Type 2 Diabetes Using A Machine Learning-Based Model. Eur J Prev Cardiol. Published online April 9, 2026. doi:10.1093/eurjpc/zwag196
#T2D：Type 2 Diabetes，2型糖尿病
#AI：Artificial Intelligence，人工智能
引用格式：中国发表 | 机器学习模型实现2型糖尿病心血管风险动态监测与治疗应答精准识别. 发布日期：1776337245. 来源：TalkMED拓麦. URL: https://portal.talkmed.com/news/3778 参考DOI: https://doi.org/10.1093/eurjpc/zwag196
分享
收藏
点赞
