通过自然语言处理增强2型糖尿病风险分层:一种多模态数据整合方法

《Frontiers in Public Health》:Enhancing diabetes risk stratification through natural language processing: a multimodal data integration approach

【字体: 大 中 小 】 时间:2026年05月28日 来源:Frontiers in Public Health 3.4

编辑推荐:

  背景(Background):本研究探讨将自然语言处理(Natural Language Processing, NLP)与传统临床数据整合是否能通过从非结构化医学文本中提取潜在危险因素来改善2型糖尿病(Type 2 Diabetes Mellitus, T2

  
背景(Background):本研究探讨将自然语言处理(Natural Language Processing, NLP)与传统临床数据整合是否能通过从非结构化医学文本中提取潜在危险因素来改善2型糖尿病(Type 2 Diabetes Mellitus, T2DM)风险预测。方法(Methods):研究人员分析了包含1,879例个体的公开数据集。结构化变量[体质指数(Body Mass Index, BMI)、糖化血红蛋白(glycated hemoglobin A1c, HbA1c)、血压]进行标准化处理,非结构化文本条目(症状描述、生活方式备注)使用基于BERT(Bidirectional Encoder Representations from Transformers)的NLP流程进行特征提取(危险行为、家族史)。混合模型使用Logistic回归将这些NLP衍生特征与传统变量整合。通过准确率(Accuracy)、精确率(Precision)、召回率(Recall)、F1值(F1-score)及受试者工作特征曲线下面积(Area Under the Receiver Operating Characteristic Curve, AUC-ROC)评估性能。通过Bootstrap置信区间、敏感性分析、乐观校正(optimism adjustment)及在2020年后队列(n=939)进行时序验证(temporal validation)评估稳健性。使用随机森林(Random Forest)、XGBoost及神经网络测试跨学习器的泛化性。结果(Results):NLP识别出了非传统危险因素包括久坐职业(sedentary occupation)、不良饮食依从性(poor dietary adherence)及慢性压力(chronic stress)。整合模型显著优于仅结构化基线模型(准确率:88.2% vs. 76.5%;AUC-ROC:0.92 vs. 0.83)。关键独立预测因子包括NLP识别的久坐行为(优势比Odds Ratio, OR=1.80, p=0.003)、高血压(OR=2.12, p<0.001)、升高的HbA1c(OR=2.38, p<0.001)及高BMI(OR=1.67, p<0.001)。验证证实稳定性:乐观校正AUC为0.91,时序验证得AUC 0.89(性能衰减<3%),四种分类器均显示NLP特征的一致改善(ΔAUC:+0.07至+0.09)。结论(Conclusion):NLP能有效从非结构化临床文本中解锁潜在风险信息,显著增强糖尿病风险预测。该框架可实现更全面的患者风险评估以用于个性化预防。未来工作需要外部验证、隐私保护方法及通过可解释人工智能(eXplainable Artificial Intelligence, XAI)增强可解释性。
论文解读:《通过自然语言处理增强2型糖尿病风险分层:一种多模态数据整合方法》发表于《Frontiers in Public Health》
研究背景与意义
2型糖尿病(Type 2 Diabetes Mellitus, T2DM)是全球重大公共卫生挑战。传统的糖尿病风险评估工具如芬兰糖尿病风险评分(FINDRISC)或美国糖尿病协会(ADA)风险评分主要依赖结构化数据(人口学、体质指数BMI、生化指标),忽略了电子健康记录(Electronic Health Record, EHR)中非结构化文本所含的行为与社会健康决定因素(Social Determinants of Health, SDOH),如饮食模式、运动习惯、心理压力等,而这些正是健康信念模型(Health Belief Model)和社会生态模型强调的糖尿病重要驱动因素。既往自然语言处理(Natural Language Processing, NLP)在糖尿病预测中的应用多关注技术可行性或单中心性能,缺乏基于行为流行病学理论的特征构建及严格的多维度验证(如Bootstrap置信区间、时序验证、跨分类器测试)。本研究旨在填补此空白,通过BERT提取临床自由文本中的行为风险因素并与传统临床变量融合,构建并严格验证多模态T2DM风险预测模型,以证明非结构化文本增量提升预测效能。
研究人员使用来自Kaggle的"Comprehensive Diabetes Health Dataset"公开数据集(n=1,879例,含结构化字段及症状/生活方式自由文本,来源为美加初级保健EHR 2015–2019年真实记录),经清洗与归一化后,对文本进行小写转换、临床缩写扩展、分词及去停用词处理,采用bert-base-uncased微调提取行为风险倾向得分及二分类风险标记(结合规则命名实体识别补充家族史等概念);以单变量筛选及AIC向后逐步法建立仅结构化变量Logistic回归基线模型,再融入NLP特征建立整合模型,按分层8:2划分训练-测试集,通过DeLong检验比较AUC-ROC,辅以1000次Bootstrap置信区间、5种随机种子敏感性分析、Steyerberg启发式收缩因子做乐观校正,并按诊断时间做时序验证(早队列n=940训练,晚队列n=939测试),同时使用随机森林、XGBoost及单隐层前馈神经网络验证跨算法一致性,并以SHAP(SHapley Additive exPlanations)值解释特征贡献。
研究结果
3.1 队列特征(Cohort characteristics)
经预处理保留1,879例(糖尿病人752例,非糖尿病人1,127例)。糖尿病人群平均BMI更高(29.4 vs. 26.5, p<0.001)、高血压患病率更高(21.1% vs. 11.2%, p<0.001)、HbA1c更高(7.8% vs. 6.2%, p<0.001);糖尿病家族史、典型症状(多尿、多饮、不明原因体重减轻、视物模糊)组间差异均有统计学意义(p<0.05)。
3.2 NLP特征提取结果(NLP feature extraction outcomes)
微调后BERT在留出验证集F1值为0.86,标注者间Fleiss' kappa=0.81(95% CI: 0.76–0.86)。全队列中34.5%(n=649)被NLP二分类风险标记判定为阳性;糖尿病人群阳性率52.1% vs. 非糖尿病人群22.4%(p<0.001);糖尿病人群NLP风险倾向得分均值显著更高(0.61±0.22 vs. 0.29±0.25, p<0.001)。
3.3 预测模型性能(Predictive model performance)
整合模型(NLP增强)显著优于仅结构化基线模型:准确率88.2% vs. 76.5%,精确率0.86 vs. 0.74,召回率0.85 vs. 0.71,F1值0.85 vs. 0.72,AUC-ROC 0.92(95% Bootstrap CI: 0.89–0.95) vs. 0.83(0.78–0.87);DeLong检验显示AUC差异有统计学意义(p=0.002)。最终整合Logistic回归模型中显著预测因子包活年龄(OR=1.04/10年)、肥胖vs正常BMI类别(OR=1.67)、高血压(OR=2.12)、HbA1c(OR=2.38/每1%升高)及NLP二分类风险标记(OR=1.80),NLP标记在校正传统因素后仍具独立预测价值。
3.4 不确定量化与敏感性分析(Uncertainty quantification and sensitivity analyses)
3.4.1 Bootstrap置信区间:整合模型AUC-ROC 0.92(95% CI: 0.89–0.95),ΔAUC(整合-基线)=+0.09(95% CI: 0.06–0.12)。
3.4.2 替代随机划分敏感性分析:五组不同随机种子下整合模型AUC-ROC范围0.91–0.93,基线0.82–0.84,ΔAUC稳定于0.08–0.10。
3.4.3 启发式收缩乐观校正:收缩因子0.97,表观AUC-ROC 0.92,乐观校正AUC-ROC为0.91,过拟合极少(表观-校正=0.01)。
3.5 校准(Calibration)
整合模型Hosmer-Lemeshow检验不显著(χ2=8.32, df=8, p=0.23),提示预测概率与观测结局吻合良好。
3.6 时序验证(Temporal validation)
早队列(2020年1月前诊断,n=940)训练,晚队列(2020年1月后,n=939)测试,整合模型AUC-ROC=0.89(95% CI: 0.86–0.92),较内部验证性能衰减<3%。
3.7 多分类器扩展比较(Expanded model comparison across multiple classifiers)
随机森林、XGBoost及前馈神经网络加入NLP特征后ΔAUC均为+0.07~+0.09,Δ准确率+8.9%~+11.7%,证实NLP衍生特征增益不依赖单一学习算法。
3.8 可解释性分析(Interpretability analysis)
SHAP分析显示NLP特征贡献模型预测力的28%;高风险文本短语集中于久坐("office job", "sedentary")、不良饮食("fast food", "sugary drinks")、心理应激("work stress", "caregiver")及用药不依从("skips medication");NLP风险倾向得分四分位越高糖尿病患病率越高(最低四分位18.2% vs. 最高四分位62.4%)。
讨论与结论翻译
本研究表明,将NLP从非结构化临床文本中提取的特征与传统结构化变量整合可显著改善T2DM风险预测。整合模型AUC-ROC达0.92,较仅结构化基线(0.83)有统计学显著改善。此改善在Bootstrap重抽样(ΔAUC 95% CI: 0.06–0.12)、五组替代随机划分(整合模型AUC范围0.91–0.93)、乐观校正(校正AUC=0.91)、时序验证(AUC=0.89,衰减<3%)及四类分类器中(ΔAUC:+0.07至+0.09)均保持一致,有力证明性能增益稳健、稳定且非过拟合或偶然所致。NLP衍生风险标记独立预测值(OR=1.80, 95% CI: 1.42–2.28)提示临床文本记载的行为与生活方式因素提供超越传统临床测量的风险信息;其效应量可与高血压(OR=2.12)及肥胖(OR=1.67)媲美。NLP风险标记与年龄存在交互作用(OR=1.12, p=0.04),提示行为因素对年轻成人风险分层尤为重要。本研究局限含缺前瞻性真实临床环境验证及跨人群外部验证,文本字段非完整EHR大段病程,标注样本相对较小;未来需多中心外部验证、可解释人工智能(eXplainable AI, XAI)深度整合、与BioBERT/ClinicalBERT系统对比、联邦学习(federated learning)及拓展至其他慢病。综上,NLP可有效从非结构化临床及生活方式文本中提取并量化有价值的糖尿病风险信息,其与传统数据整合创建显著更强的预测模型,为更整体化、个性化糖尿病风险评估奠定基础,但需进一步前瞻性多中心外部验证方可支持临床部署。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号