糖尿病足是糖尿病并发症中最严重、最常见的病变之一,其复杂的患病机制是导致非外伤性截肢的首位原因,给患者造成了严重的心理和经济负担,分析该类患者截肢风险的意义重大。现有研究大多基于统计学方法分析截肢风险,模型拟合程度较低。机器学习可以从临床数据中挖掘有用信息,在慢性病领域内已有较为成熟的应用,但目前鲜有关于预测糖尿病足临床结局的研究。因此,本文将探寻机器学习预测糖尿病足截肢风险的可行性与有效性。具体研究如下:1.构建糖尿病足截肢风险原始数据集。针对国内尚无糖尿病足相关数据集的现状,本文根据专家建议确定样本的纳入标准及特征,基于电子病历信息建立符合国内患者临床特点的原始数据集。2.数据预处理。对因操作不当、机器故障、数据损坏等原因导致的数据质量问题进行异常值与缺失值处理,数值化定序变量,并对无序离散变量完成独热编码,进行数据归一化。3.完成特征选择。为了增加模型的泛化能力,减少噪声和学习负担,本文基于JMI、JMIM、m RMR、RFE这4种算法筛选特征,实现去冗余并删除无关特征,得到4个特征不同的子集。4.建立糖尿病足截肢风险预测模型。分析数据的特点并结合算法相应优缺点选择LR、SVM、RF、GBDT以及XGBoost共5种算法开展截肢风险预测模型构建的实证研究,在5个数据集的基础上结合网格搜索获得对应算法的最优参数组合建立模型,根据分类正确率、ROC曲线和混淆矩阵等评价指标选择最优模型,并对前12个重要特征的临床意义进行阐述,为临床应用提供参考。研究发现,机器学习在糖尿病足截肢预测领域内具有明显优势。GBDT算法在RFE子集上的预测具有高AUC值的同时还提高了分类准确率和灵敏度,能够最大程度地减少需要截肢的患者被误判的概率,降低患者治疗贻误的可能性。对糖尿病足患者,尤其以高龄患者为甚,Wanger分级是截肢的最重要预测因素,同时应积极关注是否存在足部变化,如是否出现足部坏疽,并通过生活方式干预进而预防足部感染发生。