EUVIMEDEUVIMED entdecken
ÜbersichtsarbeitSystematische ÜbersichtOpen Access · CC BY 4.0

Comparative predictive accuracy of machine learning versus traditional statistical methods for diabetes‐related complications: A systematic review and analysis

Vergleichende Vorhersagegenauigkeit von Machine Learning versus traditionellen statistischen Methoden für diabetesbezogene Komplikationen: systematische Übersicht und Analyse

Bismah Ghafoor iD, Francesco Zaccardi, Kamlesh Khunti iD, Sharmin Shabnam

Diabetic Medicine · 18.06.2026

DOI: 10.1111/dme.70398 ↗

Auf einen Blick

36 Studien mit 280 Modellvergleichen zeigten meist nur geringe Vorteile von Machine-Learning-Modellen gegenüber logistischer Regression bei diabetesbezogenen Komplikationen.

Fragestellung

Wie genau sagen Machine-Learning-Modelle im Vergleich zu traditionellen statistischen Modellen langfristige Komplikationen bei Menschen mit Diabetes voraus oder erkennen sie?

Methode

Systematische Suche in MEDLINE, PubMed, Cochrane und Scopus (2014–2025) zu Vorhersagemodellen bei Diabetes; 36 Studien, Ausschluss von Fall-Kontroll-Studien; Biasbewertung mit PROBAST.

Ergebnisse

Über 280 Vergleiche schnitten Ensemble-Methoden häufiger besser ab. Random Forest war in 63 % (43/68) besser, Extreme Gradient Boosting in 58 % (14/24), Support Vector Machines nur in 44 % (24/55).

Einschränkungen

Externe Validierung nur in 8 % (3/36), Kalibrierung in 13 % (5/36) berichtet; 59 % der Studien mit hohem Verzerrungsrisiko.

Schlussfolgerung der Autor:innen

Machine-Learning-Modelle, besonders Ensemble-Methoden, boten nur geringe Verbesserungen der Diskrimination. Methodische Einschränkungen begrenzen die Vertrauenswürdigkeit und klinische Einsatzreife.

Kernaussagen

  • Random Forest: bessere Diskrimination in 63 % (43/68)
  • Extreme Gradient Boosting: Verbesserung in 58 % (14/24)
  • Externe Validierung selten, hohe Verzerrungsrisiken häufig

Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.

Kurz gefasst

Übersichtsarbeit in der Zeitschrift Diabetic Medicine, online erschienen am 18.06.2026. Verfasst von Bismah Ghafoor und 3 weiteren Autor:innen. Beteiligte Einrichtung: Leicester Real World Evidence Unit, Diabetes Research Centre, Leicester Diabetes Centre, Leicester, UK. Die Arbeit wurde bisher 2-mal zitiert (Crossref) und nennt 34 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0). Gefördert von: National Institute for Health and Care Research.

Auf einen BlickAbstractSchlagwörterBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Aims

To compare the predictive accuracy of machine learning models versus traditional statistical models for predicting and detecting long‐term complications among individuals with diabetes (PROSPERO: CRD420250629747).

Methods

We systematically searched MEDLINE, PubMed, Cochrane and Scopus (2014–2025) for studies developing or validating prediction models in people with diabetes. Excluding case–control studies, we identified 36 eligible studies (280 model comparisons) from 18,237 records. We extracted study design, model details and performance metrics (primarily C‐statistics). Risk of bias was assessed using PROBAST.

Results

Across 280 comparisons, ensemble machine learning methods frequently outperformed logistic regression. Random forest models achieved higher discrimination in 63% (43/68) of comparisons, while extreme gradient boosting showed improvement in 58% (14/24). Support vector machines improved performance in only 44% (24/55). Generally, predictive accuracy gains were modest. Methodological quality was concerning as external validation was reported in only 8% (3/36) of studies, calibration in 13% (5/36), and 59% of studies demonstrated a high risk of bias.

Conclusions

Machine learning models, particularly ensemble methods, offer modest discrimination improvements over traditional statistics for predicting diabetes‐related complications. However, widespread methodological limitations, specifically the lack of external validation, inconsistent calibration reporting and high bias, substantially limit our confidence and clinical readiness. Rigorous external validation and transparent reporting are needed before routine implementation.

Schlagwörter

Stichwörter der Autor:innen

ROC curvediabetes mellitusdiabetic complicationsmachine learningmodels, statisticalpredictive value of testsrisk assessment

Autor:innen und Institutionen

  • Leicester Real World Evidence Unit, Diabetes Research Centre, Leicester Diabetes Centre, Leicester, UK.

ORCID-Profile: Bismah Ghafoor, Kamlesh Khunti

Förderung

  • National Institute for Health and Care Research

Zitieren

APA

Ghafoor, B., Zaccardi, F., Khunti, K., & Shabnam, S. (2026). Comparative predictive accuracy of machine learning versus traditional statistical methods for diabetes‐related complications: A systematic review and analysis. Diabetic Medicine. https://doi.org/10.1111/dme.70398

Vancouver

Ghafoor B, Zaccardi F, Khunti K, Shabnam S. Comparative predictive accuracy of machine learning versus traditional statistical methods for diabetes‐related complications: A systematic review and analysis. Diabetic Medicine. 2026. doi:10.1111/dme.70398

BibTeX
@article{Ghafoor2026,
  author = {Ghafoor, Bismah and Zaccardi, Francesco and Khunti, Kamlesh and Shabnam, Sharmin},
  title = {Comparative predictive accuracy of machine learning versus traditional statistical methods for diabetes‐related complications: A systematic review and analysis},
  journal = {Diabetic Medicine},
  year = {2026},
  doi = {10.1111/dme.70398}
}
Kostenlos starten →