機(jī)器學(xué)習(xí)構(gòu)建糖尿病足潰瘍發(fā)病風(fēng)險(xiǎn)預(yù)測模型的研究進(jìn)展

摘要" 糖尿病足潰瘍（DFU）發(fā)病機(jī)制復(fù)雜，累及多系統(tǒng)功能，治療難度大且病情遷延難愈，給病人身心帶來極大負(fù)擔(dān)，也給社會造成嚴(yán)重經(jīng)濟(jì)損失。近年來，國內(nèi)外基于機(jī)器學(xué)習(xí)（ML）構(gòu)建DFU各階段風(fēng)險(xiǎn)預(yù)測模型的研究逐漸增多。本研究對DFU發(fā)病風(fēng)險(xiǎn)因素及相關(guān)風(fēng)險(xiǎn)預(yù)測模型進(jìn)行綜述，為臨床早期醫(yī)療決策和康復(fù)護(hù)理干預(yù)提供理論參考。

關(guān)鍵詞" 糖尿病足潰瘍;機(jī)器學(xué)習(xí);發(fā)病因素;風(fēng)險(xiǎn)預(yù)測;護(hù)理；綜述

doi：10.12102/j.issn.2095-8668.2024.20.009

Research progress on the risk prediction model for diabetes foot ulcer by machine learning

ZHANG Chenjun1，YU Kaiyue2，LIN Yuzheng1，HUA Jinghe1，ZHANG Mengting1，LYU Shulong3，GE Li1*1.School of Nursing，F(xiàn)ujian University of Traditional Chinese Medicine，F(xiàn)ujian 350122 China；2.Xi′an Jiaotong University；3.Fuzhou University*Corresponding Author" GE Li，E-mail：2000005@fjtcm.edu.cn

Keywords" diabetes foot ulcer;machine learning;pathogenic factors;risk prediction;nursing;review

基金項(xiàng)目" 中國康復(fù)醫(yī)學(xué)會2022年科研課題，編號：KFKT-2022-022

作者簡介" 張辰鈞，碩士研究生在讀

*通訊作者" 葛莉，E-mail：2000005@fjtcm.edu.cn

引用信息" 張辰鈞，余凱越，林鈺錚，等.機(jī)器學(xué)習(xí)構(gòu)建糖尿病足潰瘍發(fā)病風(fēng)險(xiǎn)預(yù)測模型的研究進(jìn)展［J］.循證護(hù)理，2024，10（20）：3662-3665.

近年來，全球2型糖尿?。╰ype 2 diabetes mellitus，T2DM）患病率大幅度攀升，糖尿病足作為T2DM常見且嚴(yán)重的慢性并發(fā)癥之一［1］，其患病率也不斷上升，23%的糖尿病足將發(fā)展為糖尿病足潰瘍（diabetic foot ulcers，DFU）［2］。DFU是指T2DM病人下肢遠(yuǎn)端神經(jīng)病變和（或）不同程度血管病變導(dǎo)致的踝關(guān)節(jié)遠(yuǎn)端皮膚及其深層組織破壞［3］，截肢率高達(dá)23%［4］。我國DFU病人截肢后5年內(nèi)病死率為40%［5］。DFU嚴(yán)重影響病人的生存質(zhì)量，給醫(yī)療系統(tǒng)和社會經(jīng)濟(jì)造成沉重負(fù)擔(dān)［6］。因此，應(yīng)對DFU高危人群早期識別、快速診斷、精確干預(yù)，以減少糖尿病足和DFU的發(fā)病率及T2DM病人的截肢率，對促進(jìn)人民健康和社會經(jīng)濟(jì)發(fā)展均具有重要意義。基于機(jī)器學(xué)習(xí)（machine learning，ML）構(gòu)建風(fēng)險(xiǎn)預(yù)測模型可以充分挖掘臨床數(shù)據(jù)，對疾病的發(fā)生和發(fā)展進(jìn)行早期預(yù)測，其在臨床中廣泛應(yīng)用。國內(nèi)外學(xué)者多從不同角度和應(yīng)用不同建模方式對DFU進(jìn)行探索，包括DFU的診斷、復(fù)發(fā)、截肢、預(yù)后相關(guān)預(yù)測模型的構(gòu)建，但針對DFU發(fā)病風(fēng)險(xiǎn)預(yù)測模型的相關(guān)研究較少，且多基于統(tǒng)計(jì)學(xué)方法，較少學(xué)者采用機(jī)器學(xué)習(xí)算法建模。本研究通過系統(tǒng)梳理并分析國內(nèi)外文獻(xiàn)探討DFU發(fā)病因素，對機(jī)器學(xué)習(xí)構(gòu)建DFU發(fā)病風(fēng)險(xiǎn)預(yù)測的最新應(yīng)用進(jìn)展進(jìn)行綜述，以期為臨床早期干預(yù)與康復(fù)護(hù)理提供參考。

1" 機(jī)器學(xué)習(xí)概述

機(jī)器學(xué)習(xí)是人工智能的子領(lǐng)域，是一門涉及計(jì)算機(jī)科學(xué)、統(tǒng)計(jì)學(xué)、數(shù)學(xué)、信息學(xué)等多學(xué)科的新興交叉學(xué)科，其基本思想是訓(xùn)練計(jì)算機(jī)具備像人類一樣分析思考的能力，對樣本數(shù)據(jù)進(jìn)行自主學(xué)習(xí)，尋找內(nèi)在規(guī)律，從而解決實(shí)際問題［7-8］，其中需要解決的最重要的4類問題是分類、預(yù)測、降維和聚類［9］。機(jī)器學(xué)習(xí)按照學(xué)習(xí)方法可分為監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)，監(jiān)督學(xué)習(xí)屬于預(yù)測任務(wù)，目標(biāo)是用打好標(biāo)簽的數(shù)據(jù)訓(xùn)練預(yù)測新數(shù)據(jù)的類型或值，方法采用分類和回歸，其在臨床預(yù)測模型的構(gòu)建中最為常用;無監(jiān)督學(xué)習(xí)屬于描述任務(wù)，其數(shù)據(jù)沒有標(biāo)簽，僅有一定的特征，其目標(biāo)是探查數(shù)據(jù)中潛在的聯(lián)系，方法側(cè)重于關(guān)聯(lián)和聚類［10］?？傊?，各種機(jī)器學(xué)習(xí)算法都有分類和回歸的作用，分類是指在有效的數(shù)據(jù)清洗后根據(jù)輸入的變量對結(jié)局的影響，從不同機(jī)器學(xué)習(xí)算法角度對變量進(jìn)行分類，從而篩選出對結(jié)局影響較大的變量;回歸是指通過機(jī)器學(xué)習(xí)算法根據(jù)篩選出的變量擬合出回歸模型，從而對結(jié)局進(jìn)行預(yù)測［11］。機(jī)器學(xué)習(xí)算法構(gòu)建風(fēng)險(xiǎn)預(yù)測模型對自變量和因變量沒有任何假設(shè)要求，不需要精確的數(shù)學(xué)模型，且具有自適應(yīng)、自組織、自學(xué)習(xí)的特點(diǎn)和精確模擬功能，與基于統(tǒng)計(jì)學(xué)的風(fēng)險(xiǎn)預(yù)測方法相比，機(jī)器學(xué)習(xí)在處理多變量大樣本數(shù)據(jù)時(shí)更具優(yōu)勢，能夠很好地用于復(fù)雜、不確定、非線性的問題，更適合進(jìn)行疾病風(fēng)險(xiǎn)因素篩選、表型劃分、風(fēng)險(xiǎn)預(yù)測模型建立等［9，12］。機(jī)器學(xué)習(xí)的經(jīng)典算法包括線性回歸（linear regression）、邏輯回歸（logistics regression）、K近鄰算法（k-nearest neighbor，KNN）、樸素貝葉斯（bayesian network，BN）、決策樹（decision tree，DT）、隨機(jī)森林（random forests，RF）、支持向量機(jī)（support vector machines，SVM）、梯度提升樹（gradient boosting tree，GBT）等淺層學(xué)習(xí)方法，以及以深度神經(jīng)網(wǎng)絡(luò)（deep neural network，DNN）、卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）為代表的深度學(xué)習(xí)（deep learning，DL）方法。大數(shù)據(jù)時(shí)代下，與計(jì)算機(jī)編程、機(jī)器學(xué)習(xí)、可視化分析和數(shù)據(jù)庫系統(tǒng)等學(xué)科聯(lián)系緊密的大數(shù)據(jù)分析技術(shù)在各行各業(yè)得到廣泛應(yīng)用［13］。機(jī)器學(xué)習(xí)作為挖掘大數(shù)據(jù)潛在價(jià)值的關(guān)鍵技術(shù)，能更好地分析醫(yī)療大數(shù)據(jù)錯(cuò)綜復(fù)雜的內(nèi)在關(guān)聯(lián)，在病因探索、慢病預(yù)測和防控等領(lǐng)域的應(yīng)用前景廣闊［14-15］。深度學(xué)習(xí)有著比淺層體系結(jié)構(gòu)更強(qiáng)的數(shù)據(jù)處理能力，也被廣泛應(yīng)用于各種場景，可以對海量大數(shù)據(jù)進(jìn)行特征挖掘與處理。

2" T2DM病人DFU發(fā)病風(fēng)險(xiǎn)因素

國際糖尿病足工作組（International Working Group on Diabetic Foot，IWGDF）于2019年在指南中提出了預(yù)防DFU的5個(gè)關(guān)鍵要素，包括盡早識別高危足，對糖尿病及其高危足病人定期檢查，對病人、家屬及其醫(yī)療工作者進(jìn)行教育，選擇合適的鞋子，以及潰瘍前癥狀的治療［16］。DFU發(fā)病機(jī)制復(fù)雜，受眾多因素共同作用，掌握DFU發(fā)病因素、及早篩查、積極治療對預(yù)防與康復(fù)至關(guān)重要。國內(nèi)外研究對其發(fā)病風(fēng)險(xiǎn)因素的探索主要包括：1）病人因素，如男性、高齡、吸煙史、酗酒史、足潰瘍既往史、體質(zhì)指數(shù)（body mass index，BMI）升高、低文化水平及低收入群體易患DFU［17-20］。2）疾病相關(guān)因素，如糖尿病病程gt;10年或存在高血壓、冠心病、高脂血癥、慢性腎臟疾病、骨髓炎、周圍神經(jīng)病變、周圍血管病變、糖尿病腎病、糖尿病大皰病等并發(fā)癥是DFU的獨(dú)立風(fēng)險(xiǎn)因素［21-22］，其中周圍神經(jīng)病變和周圍血管病變是主要因素［23］。3）實(shí)驗(yàn)室指標(biāo)。長期持續(xù)的高血糖狀態(tài)是DFU的重要風(fēng)險(xiǎn)因素，糖化血紅蛋白（HbA1c）是評價(jià)血糖控制的最佳指標(biāo)，HbA1c每升高1%，則發(fā)生潰瘍的風(fēng)險(xiǎn)增加1.41倍［24］;C-反應(yīng)蛋白（C-reactive protein，CRP）是反映DFU感染的指標(biāo)，Dubsky等［25］的研究表明，CRP升高是DFU患病的獨(dú)立預(yù)測指標(biāo);較多研究發(fā)現(xiàn)高密度脂蛋白（high density lipoprotein，HDL）降低與糖尿病周圍神經(jīng)病變風(fēng)險(xiǎn)增加相關(guān)；Pei等［26］的研究發(fā)現(xiàn)，HDL下降是DFU的風(fēng)險(xiǎn)因素，應(yīng)保持HDLgt;50 mg/dL［27］。4）足部情況。足底壓力增高導(dǎo)致的足部生物力學(xué)改變與DFU的發(fā)展密切相關(guān)，而足部外傷、足部畸形、胼胝、壞疽、灰指甲等病變及不合適的鞋襪是高足底壓力的主要因素［28-30］;存在足部麻木、溫痛覺減退或消失等足部神經(jīng)病變癥狀和足部真菌感染也是促進(jìn)DFU發(fā)生和發(fā)展的獨(dú)立風(fēng)險(xiǎn)因素［20，31-32］;踝肱指數(shù)（ankle brachial index，ABI）也與糖尿病足的發(fā)生發(fā)展密切相關(guān)［33］，ABI≤0.90是糖尿病性下肢動(dòng)脈病變的診斷依據(jù)［34］。5）治療因素。李江雁等［35］的研究表明，抗菌藥物使用療程＞14 d、抗菌藥物聯(lián)合使用種類≥2種是DFU并發(fā)感染的風(fēng)險(xiǎn)因素;使用胰島素控制血糖將提高T2DM病人胰島素抵抗程度，單獨(dú)或聯(lián)合使用胰島素控制血糖的病人較口服降糖藥或不用藥的病人更易發(fā)生DFU［36-37］。上述因素可為確定DFU發(fā)病風(fēng)險(xiǎn)預(yù)測模型的特征因子提供參考。

3" T2DM病人DFU發(fā)病風(fēng)險(xiǎn)預(yù)測模型

3.1" 國外研究現(xiàn)狀

2021年Ahmadi等［27］回顧性收集了伊朗的人口大數(shù)據(jù)，并采用Logistics回歸構(gòu)建模型以預(yù)測T2DM病人發(fā)生DFU的概率，最終納入年齡、BMI、空腹血糖、HDL和胰島素依賴性5個(gè)變量;該模型受試者工作特征（ROC）曲線下面積（AUC）為0.914，具有較好預(yù)測性能，但未進(jìn)行外部驗(yàn)證。2021年Shi等［38］采用多中心橫斷面研究構(gòu)建DFU預(yù)測模型，選取來自3家醫(yī)院的1 488例T2DM病人，劃分為建模組1 001例（訓(xùn)練集514例、內(nèi)部驗(yàn)證集487例）和驗(yàn)證組487例，最終構(gòu)建了包括8個(gè)變量（用于評估DFU風(fēng)險(xiǎn)）和10個(gè)變量（用于評估DFU嚴(yán)重程度）的加權(quán)風(fēng)險(xiǎn)模型，其最重要的風(fēng)險(xiǎn)因素是血漿纖維蛋白原、全血中性粒細(xì)胞百分比、血紅蛋白水平、卒中史、腎小球?yàn)V過率;最終模型內(nèi)部驗(yàn)證前后的ACU分別為0.920和0.925，外部驗(yàn)證集AUC為0.795，靈敏度為74%，特異度為87%，準(zhǔn)確率為81%，預(yù)測能力良好，可用于制定預(yù)防和治療DFU的精確策略。Jian等［39］回顧884例來自阿聯(lián)酋的T2DM病人臨床數(shù)據(jù)，其中240例為糖尿病足，研究涉及的機(jī)器學(xué)習(xí)算法包括Logistics回歸、SVM、DT、RF、自適應(yīng)增強(qiáng)（adaptive boosting，AdaBoost）和XGBoost（extreme gradient boosting）;結(jié)果顯示RF、AdaBoost和XGBoost的預(yù)測效能表現(xiàn)最好，且XGBoost算法對糖尿病足的預(yù)測準(zhǔn)確度最高，達(dá)到97.8%。

2022年Stefanopoulos等［40］對美國326 853例DFU住院病人的相關(guān)風(fēng)險(xiǎn)因素采用基于DT模型的條件推理樹進(jìn)行數(shù)據(jù)挖掘，得到的DFU診斷模型包括6個(gè)變量，其中蜂窩織炎和神經(jīng)源性（Charcot）關(guān)節(jié)病是導(dǎo)致DFU發(fā)生的獨(dú)立風(fēng)險(xiǎn)因素（P＜0.01）;模型的靈敏度、特異度、AUC和準(zhǔn)確度分別為80.6%、78.3%、0.880和79.8%，預(yù)測性能良好。Nanda等［41］針對伴或不伴DFU的80例T2DM病人采用多種機(jī)器學(xué)習(xí)算法構(gòu)建DFU預(yù)測模型，確定各種臨床和實(shí)驗(yàn)室數(shù)據(jù)與DFU及其嚴(yán)重程度間的關(guān)系，結(jié)果顯示，在DFU診斷模型中，RF模型的AUC最高，為0.969，SVM模型的AUC為0.938，靈敏度、特異度和預(yù)測準(zhǔn)確度均為93.8%，馬修斯相關(guān)系數(shù)（MCC）為0.875%，二者預(yù)測效能最佳，優(yōu)于其他算法。采用堆疊C算法的決策融合策略使RF模型和SVM模型的預(yù)測精度提高，AUC達(dá)到0.970;該研究從算法層面篩選出血清載脂蛋白A1和白細(xì)胞介素10（IL-10）是T2DM病人發(fā)生DFU的潛在風(fēng)險(xiǎn)因素。

3.2" 國內(nèi)研究現(xiàn)狀

2022年謝曉冉等［42］回顧性收集1 978例T2DM病人的臨床資料（訓(xùn)練集1 527例，外部驗(yàn)證集45l例），數(shù)據(jù)集間相互獨(dú)立，使用LASSO回歸和多因素Logistics回歸篩選出文化程度、潰瘍史或截肢史、視網(wǎng)膜病變、是否注射胰島素、震動(dòng)感覺閾值、足背動(dòng)脈搏動(dòng)、足部皮膚異常變化、足部真菌感染和足部畸形9個(gè)糖尿病足發(fā)生的預(yù)測因子，并建立T2DM病人糖尿病足風(fēng)險(xiǎn)預(yù)測的列線表模型。模型的訓(xùn)練集與內(nèi)部驗(yàn)證的AUC分別為0.966和0.963，外部驗(yàn)證的ACU為0.928，具有良好的區(qū)分度和校準(zhǔn)度。有助于醫(yī)護(hù)人員快速查詢并為DFU高危病人的科學(xué)防控和精準(zhǔn)施策提供參考。

國內(nèi)外學(xué)者通過多種機(jī)器學(xué)習(xí)算法構(gòu)建DFU發(fā)病風(fēng)險(xiǎn)預(yù)測模型，預(yù)測性能良好，但現(xiàn)有研究尚存在不足之處。如Nanda等［41］未對模型進(jìn)行外部驗(yàn)證，模型的實(shí)際預(yù)測性能存疑；Shi等［38］進(jìn)行外部驗(yàn)證后，AUC從0.925下降到0.795，該模型的實(shí)際預(yù)測性能仍有待探索。大多數(shù)研究者未進(jìn)行臨床效益情況評價(jià)，且多對既往病例進(jìn)行回顧性研究，缺乏多中心、跨地域的前瞻性研究。因此，不同人種的外推普適性仍有待考究，且上述研究僅兩項(xiàng)研究［27，40］基于大數(shù)據(jù)進(jìn)行建模。

4" 小結(jié)

綜上所述，我國基于機(jī)器學(xué)習(xí)的T2DM病人的DFU發(fā)病風(fēng)險(xiǎn)預(yù)測模型研究相對較少，但由于人種、地域、生活習(xí)慣的差別，無法將國外學(xué)者的預(yù)測模型直接套用于我國;未來可開展大樣本量的研究，利用機(jī)器學(xué)習(xí)算法從大數(shù)據(jù)層面出發(fā)進(jìn)行數(shù)據(jù)分析，以構(gòu)建更貼近真實(shí)世界且適合我國T2DM人群的DFU發(fā)病風(fēng)險(xiǎn)預(yù)測模型，進(jìn)而輔助醫(yī)護(hù)人員和病人進(jìn)行醫(yī)療決策和康復(fù)護(hù)理干預(yù)，這對提升T2DM、糖尿病足、DFU病人自我管理水平及減少復(fù)發(fā)率及截肢率、降低國家醫(yī)療負(fù)擔(dān)意義重大。

參考文獻(xiàn)：

［1］" BUS S A，LAVERY L A，MONTEIRO-SOARES M，et al.Guidelines on the prevention of foot ulcers in persons with diabetes （IWGDF 2019 update）［J］.Diabetes/Metabolism Research and Reviews，2020，36（Suppl 1）：e3269.

［2］" SCHOFIELD H，HAYCOCKS S，ROBINSON A，et al.Mortality in 98 type 1 diabetes mellitus and type 2 diabetes mellitus：foot ulcer location is an independent risk determinant［J］.Diabetic Medicine，2021，38（10）：e14568.

［3］" 徐旭英.《中國糖尿病足防治指南2019》解讀［J］.中國臨床醫(yī)生雜志，2023，51（4）：394-397.

［4］" LIPSKY B A，APELQVIST J，BAKKER K，et al.Diabetic foot disease：moving from roadmap to journey［J］.The Lancet Diabetes amp; Endocrinology，2015，3（9）：674-675.

［5］" XU Z R，RAN X W.Diabetic foot care in China：challenges and strategy［J］.The Lancet Diabetes amp; Endocrinology，2016，4（4）：297-298.

［6］" ARMSTRONG D G，BOULTON A J M，BUS S A.Diabetic foot ulcers and their recurrence［J］.The New England Journal of Medicine，2017，376（24）：2367-2375.

［7］" DEO R C.Machine learning in medicine：will this time be different？［J］.Circulation，2020，142（16）：1521-1523.

［8］" KRITTANAWONG C，JOHNSON K W，ROSENSON R S，et al.Deep learning for cardiovascular medicine：a practical primer［J］.European Heart Journal，2019，40（25）：2058-2073.

［9］" BZDOK D，ALTMAN N，KRZYWINSKI M.Statistics versus machine learning［J］.Nature Methods，2018，15（4）：233-234.

［10］" 薛茗月.基于大數(shù)據(jù)分析技術(shù)的2型糖尿病風(fēng)險(xiǎn)預(yù)測和聚類模型的建立［D］.烏魯木齊：新疆醫(yī)科大學(xué)，2020.

［11］" 楊啟帆，楊鎮(zhèn)瑋，白超，等.機(jī)器學(xué)習(xí)算法構(gòu)建糖尿病足預(yù)測模型的研究進(jìn)展［J］.血管與腔內(nèi)血管外科雜志，2023，9（4）：460-464.

［12］" 李璽，高佳，勵(lì)雪巍，等.結(jié)構(gòu)自適應(yīng)自演化的高級機(jī)器學(xué)習(xí)方法研究與進(jìn)展［J］.中國基礎(chǔ)科學(xué)，2022，24（3）：47-53.

［13］" BELLAZZI R，ZUPAN B.Predictive data mining in clinical medicine：current issues and guidelines［J］.International Journal of Medical Informatics，2008，77（2）：81-97.

［14］" 解夕黎，孫明，賈雯涵，等.“大數(shù)據(jù)時(shí)代”下慢性病防控新模式的研究進(jìn)展［J］.中國全科醫(yī)學(xué)，2022，25（22）：2811-2814.

［15］" 孫濤，徐秀林.基于機(jī)器學(xué)習(xí)的醫(yī)療大數(shù)據(jù)分析與臨床應(yīng)用［J］.軟件導(dǎo)刊，2019，18（11）：10-14.

［16］" SCHAPER N C，VAN NETTEN J J，APELQVIST J，et al.Practical guidelines on the prevention and management of diabetic foot disease（IWGDF 2019 update）［J］.Diabetes/Metabolism Research and Reviews，2020，36（Suppl 1）：e3266.

［17］" SHEEN Y J，KUNG P T，KUO W Y，et al.Impact of the pay-for-performance program on lower extremity amputations in patients with diabetes in Taiwan［J］.Medicine，2018，97（41）：e12759.

［18］" MANTEY I，F(xiàn)OSTER A V，SPENCER S，et al.Why do foot ulcers recur in diabetic patients？［J］.Diabetic Medicine：a Journal of the British Diabetic Association，1999，16（3）：245-249.

［19］" LIRA J A C，NOGUEIRA L T，OLIVEIRA B M A，et al.Factors associated with the risk of diabetic foot in patients with diabetes mellitus in primary care［J］.Revista Da Escola De Enfermagem Da U S P，2021，55：e03757.

［20］" 劉建琴，許樟榮.糖尿病足的預(yù)防與患者的自我管理［J］.中國醫(yī)刊，2017，52（2）：14-17.

［21］" 胡萍，鄒夢晨，潘彥伶，等.糖尿病足潰瘍誘因分析及預(yù)防策略［J］.中國糖尿病雜志，2019，27（6）：408-412.

［22］" 袁曉勇，劉瑾，袁戈恒，等.北京市多中心篩查糖尿病高危足及其危險(xiǎn)因素分析［J］.中國糖尿病雜志，2020，28（7）：486-491.

［23］" 王翰，楊曉華，張為眾.糖尿病足潰瘍的研究進(jìn)展［J］.中國實(shí)驗(yàn)診斷學(xué)，2022，26（10）：1559-1561.

［24］" 胡輝，李巖，吳波.連續(xù)隨訪強(qiáng)化教育對糖尿病足潰瘍復(fù)發(fā)的預(yù)防作用［J］.護(hù)理學(xué)雜志，2014，29（20）：69-70.

［25］" DUBSKY M，JIRKOVSK A，BEM R，et al.Risk factors for recurrence of diabetic foot ulcers：prospective follow-up analysis in the Eurodiale subgroup［J］.International Wound Journal，2013，10（5）：555-561.

［26］" PEI E L，LI J，LU C H，et al.Effects of lipids and lipoproteins on diabetic foot in people with type 2 diabetes mellitus：a Meta-analysis［J］.Journal of Diabetes and Its Complications，2014，28（4）：559-564.

［27］" AHMADI S A Y，SHIRZADEGAN R，MOUSAVI N，et al.Designing a logistic regression model for a dataset to predict diabetic foot ulcer in diabetic patients：high-density lipoprotein （HDL） cholesterol was the negative predictor［J］.Journal of Diabetes Research，2021，2021：5521493.

［28］" FERNANDO M E，CROWTHER R G，LAZZARINI P A，et al.Plantar pressures are elevated in people with longstanding diabetes-related foot ulcers during follow-up［J］.PLoS One，2017，12（8）：e0181916.

［29］" 李文霞，曹瑛，鄒夢晨，等.2型糖尿病患者足部的生物力學(xué)特點(diǎn)：303例報(bào)告［J］.南方醫(yī)科大學(xué)學(xué)報(bào)，2016，36（10）：1410-1416.

［30］" 宋品芳，白姣姣，賈蕓.2型糖尿病患者畸形趾甲的影響因素分析［J］.醫(yī)藥高職教育與現(xiàn)代護(hù)理，2022，5（2）：98-103.

［31］" BANIK P C，BARUA L，MONIRUZZAMAN M，et al.Risk of diabetic foot ulcer and its associated factors among Bangladeshi subjects：a multicentric cross-sectional study［J］.BMJ Open，2020，10（2）：e034058.

［32］" JEONG E G，CHO S S，LEE S H，et al.Depth and combined infection is important predictor of lower extremity amputations in hospitalized diabetic foot ulcer patients［J］.The Korean Journal of Internal Medicine，2018，33（5）：952-960.

［33］" 曾慶，曾憲強(qiáng)，翟濤，等.比較踝肱指數(shù)與趾肱指數(shù)在評估糖尿病足血管介入治療效果中的意義［J］.中國糖尿病雜志，2018，26（11）：895-899.

［34］" 中華醫(yī)學(xué)會糖尿病學(xué)分會.中國2型糖尿病防治指南（2020年版）（上）［J］.中國實(shí)用內(nèi)科雜志，2021，41（8）：668-695.

［35］" 李江雁，毛小芳，趙利超，等.糖尿病足并發(fā)潰瘍感染病原菌及其預(yù)測模型構(gòu)建［J］.中華醫(yī)院感染學(xué)雜志，2023，33（17）：2619-2623.

［36］" LEE E J，JEONG I S，KIM I J，et al.Risk assessment and classification for foot ulceration among patients with type 2 diabetes in South Korea［J］.International Journal of Nursing Practice，2022，28（3）：e13012.

［37］" CRAWFORD F，MCCOWAN C，DIMITROV B D，et al.The risk of foot ulceration in people with diabetes screened in community settings：findings from a cohort study［J］.QJM：Monthly Journal of the Association of Physicians，2011，104（5）：403-410.

［38］" SHI L，WEI H Y，ZHANG T X，et al.A potent weighted risk model for evaluating the occurrence and severity of diabetic foot ulcers［J］.Diabetology amp; Metabolic Syndrome，2021，13（1）：92.

［39］" JIAN Y Z，PASQUIER M，SAGAHYROON A，et al.A machine learning approach to predicting diabetes complications［J］.Healthcare，2021，9（12）：1712.

［40］" STEFANOPOULOS S，AYOUB S，QIU Q，et al.Machine learning prediction of diabetic foot ulcers in the inpatient population［J］.Vascular，2022，30（6）：1115-1123.

［41］" NANDA R，NATH A，PATEL S，et al.Machine learning algorithm to evaluate risk factors of diabetic foot ulcers and its severity［J］.Medical amp; Biological Engineering amp; Computing，2022，60（8）：2349-2357.

［42］" 謝曉冉，徐蓉，張靜，等.糖尿病足風(fēng)險(xiǎn)預(yù)測模型的構(gòu)建與驗(yàn)證［J］.護(hù)理學(xué)雜志，2022，37（11）：9-14.

（收稿日期：2024-03-02;修回日期：2024-08-21）

（本文編輯趙奕雯）