智能医学在内分泌与代谢病领域的应用2026

智能医学在内分泌与代谢病领域的应用2026能够满足"健康中国2030"国家发展战略的重大需求，解决中国当前医疗资源短缺、区域发展不平衡等问题[1,2]。智能医学在内分泌与代谢病1.糖尿病的早期预测和筛查：青少年1型糖尿病患者多表现为急性起病，在短期内发生酮症酸中毒等不良结局，因此早期识别1型糖尿病可减少或和验证的机器学习模型(测试数据集n=1829,验证数据集n=1516),包含26种1型糖尿病的相关预测因子，可帮助约71.6%的15岁以下1型糖尿病患者在临床诊断前90d内收到预警，从而实现早期预防疾病、降低风险的目的[3]。此外，全球成年(≥18岁)糖尿病患者数量激增，我国在2022年已有约1.48亿成年糖尿病患者，占全球总数的18%,位居世界第二位[4]。近年来，为增强早期精确预测效果，国内外研究团队不断精进智能模型的准确度。加拿大Ravaut等[5]采集了1657395例个人经济和医疗就诊情况的数据，构建了可预测未来5年期间内易患2型underthecurve,AUC)为0.803。我国张康等[6]的研究通过结合患者AUC为0.929。此外，Li等[7]的研究建立一种糖尿病早期筛查模型，等17个临床特征早期筛查糖尿病，其准确度为97.1%[8]。从而实现通以色列一团队为改善妊娠期糖尿病(gestationaldiabetesmellitus,GDM)患者的妊娠结局，使用大样本电子病历数据，研发了仅需患者独立回答的9个简单问题即可早期预测GDM的模型，AUC为0.799,并发现既往妊娠期内糖耐量试验结果可作为本次妊娠期间患GDM的新风险因素[9]。和疾病进展不同分为5种类型(包括严重自身免疫型、严重胰岛素缺乏型、严重胰岛素抵抗型、轻度肥胖相关型、轻度年龄相关型糖尿病)[10]。2024年，Salvatori等[11]基于女性妊娠年龄、妊娠前体重指数、口服葡萄糖耐量试验(oralglucosetolerancetest,OGTT)前、1h和2h的血糖水平，构建了机器学习模型，将2682例GDM患者根据治疗方案和临床结局不同分为3组，促进实现个性化治疗。3.糖尿病的慢性并发症：2016年，Gulshan等[12]应用大样本(n=128175)视网膜图像及54名眼科医生对每张图片进行的3~7次分级诊断变(diabeticretinopath高特异度和高灵敏度。2021年，上海市第六人民医院联合清华大学、新加坡国立大学，基于666383张眼底图像开发了名为"DeepDR"的智能模一系列DR的眼底病变[13]。2024年，该团队构建了国际首个糖尿病地区超50万张眼底图像进行训练，为有效改善DR筛查和基层糖尿病管理水平提供方案，在外部验证中，也表现出优异的性能，AUC超过0.892[14]。此外，陈香美教授团队筛选出10个临床变量(包括糖尿病病程、DR、血压、血肌酐、尿蛋白等)用于患者糖尿病肾病的鉴别诊断，经验证模型的AUC为0.911~0.953[15]。Khandakar等[16]根据244张糖尿病患者足底热像图训练的模型可自动识别足底温度、溃疡、感4.糖尿病的治疗：机器学习模型在记录患者血糖监测结果的同时，也可非接触式指端血糖传感器和腕部微波传感器，经验证具有较高的准确度[17,18]。其次，在治疗方面，胰岛素是糖尿病患者的主要方案之一，智能医学可以确定1型糖尿病患者发生高血糖或低血糖的原因并通过学习住院患者的电子病历来预测胰岛素每日总剂量，测需要高剂量胰岛素的患者群[19,20]。使用药物治疗时，机器学习可以预测HbA1C的变化情况以及2型糖尿病患者是否需要在二甲双胍的基础上增加二线降糖药物[21,22]。风险是甲状腺功能正常人群的1.97~2.94倍，使用大样本的心电图数据集训练甲亢早期诊断模型，可高精度诊断临床甲亢和亚临床甲亢[23,24]。另外，根据年龄、性别、体重指数、促甲状腺素受体抗体水平及变化情况等构建临床模型，可预测应用抗甲状化患者使用抗甲状腺药物后发生难治性甲亢的概率[25]。2.甲状腺功能减退症(甲减):桥本甲状腺炎是甲减的主要原因。2022年，天津医科大学联合多中心研发了名为"HTNet"该模型表现为高准确度和高灵敏度[26]。四川大学华西医学中心研发的机器学习模型对桥本甲状腺炎诊断的总体准确度为89.2%,并在不同甲状腺激素水平亚组中准确度相近[27]。3.甲状腺结节：近年来，成人甲状腺结节患病率为20.43%,而在这些结节中恶性结节占8%~16%,甲状腺结节类型的精准诊断对选择治疗方案至关重要[28,29]。Chen等[30]研究中的ThyroidNet模型可通过超声影像对甲状腺结节准确地定位和分类度可疑、中度可疑、高度可疑和高度恶性共6种类型，其准确度为95.0%。我国Li等[31]使用来自不同省份的三甲医院内131731张甲状腺超声图像和180668张对照图像开发并训练了深度学习模型以根据图片自动诊断甲状腺癌，表现出与放射科专家相似的部、外部验证，AUC均大于0.90。我国中山大学首次在机器学习模型中增加了对细针穿刺活检结果的预测，预估可减少约26.7%的有创筛查[32]。Yoon等[33]基于469个甲状腺恶性结节的图像设计机器学助工具，对结节的侵袭性作出预测，其灵敏度达86.3%,特异度相对低，仅为41.6%。也有模型基于超声图像评估甲状腺周围淋巴结的良恶性[34]。另外，机器学习模型也可以自动识别甲状腺细针穿刺活检图片，对结节的良恶性进行评估[35,36]。4.甲状腺相关眼病(thyroid-associatedophthalmopathy,TAO):我国者眼部图片可自动判断TAO体征，结果显示对眼睑睑充血、结膜充血和眼球活动障碍等的诊断表现为高准确度，AUC值达0.85以上，进而实现TAO早期诊断[37]。此外，机器学习模型可以辅助医生预测TAO患者对糖皮质激素治疗的灵敏度。我国一项研究，通过查对糖皮质激素抵抗的患者，以更换其他个性化替代疗法[38]。骨质疏松症已成为我国中老年人群的重要健示，50岁以上人群患病率为19.2%,其中女性为32.1%,男性为6.9%;65岁以上人群患病率为32.0%,其中女性为51.6%,男性为10.7%。目前，我国患病人数约为9000万，其中女性约为7000万[39]。模型总体准确度为98.0%[40]。对伊朗三所医院1224例患者的多个临床特征进行分析，构建了针对不同3.骨质疏松症的患者管理：骨折联络服务是一种旨在改善骨质疏松症患深了解该病风险和治疗方案，也能辅助医生掌握更新的骨质疏松症指南[42]。1.原醛症筛查：意大利Buffolo等[43]利用机器学习，根据性别、收缩压、体重指数、血钾浓度和是否存在器官损腺静脉取血情况下预测高血压患者是否并发原醛症，特异度为96.2%,该模型可以自动筛选出风险较低的患者，避免了对至少32.7%低风险患者的2.原醛症分型：2020年，意大利Burrello等[44]根据卡托普利试验分泌和单侧优势分泌两种亚型。同年，我国Zheng等[45]将CT影像组度、灵敏度、特异度分别为88.7%、93.5%、82.3%。3.原醛症鉴别诊断：我国一项研究对375例功能性肾上腺肿瘤患者——醛固酮增多症、库欣综合征和嗜铬细胞瘤进行CT检查，成功构建了功能性肿瘤的鉴别诊断模型，结果显示AUC均大于0.882[46]。4.原醛症术后评估：日本Kaneko等[47]采集了107例接受肾上腺切高血压病程、降压药物剂量、血浆醛固酮浓度共6项临床指标，构建单侧肾上腺切除术后高血压缓解情况的预测模型，经验证准确度为77.3%,1.垂体瘤的诊断：我国南京医科大学研发了基于MRI助诊断模型，其准确度为96.97%[48]。此外，Meng等[49]使用机器学习结合3D成像技术自动识别肢端肥大症患者的外貌病理性改变，进而2.垂体瘤的治疗：帕瑞肽可改善并发症、缩小垂体瘤占位，提高短期治愈率，Puig-Domingo等[50]将患者年龄、糖尿病病史、头痛病史等特征与MRI结合研发了机器学习模型，可帮助医生确定个性化药量，突破传统经验性治疗的局限性。此外，在出血量更少[51]。知识结构差异是造成医患沟通困境的原因之一，因此科普教育尤为重要。及科普对象的准确性和时效性，例如ChatGPT和Claude能向用户推荐个性化科普宣传视频，并不断提升科普视频质量。此外，以糖尿病为例，