A Machine-Learning-Based Clinical Decision Model for Predicting Amputation Risk in Patients with Diabetic Foot Ulcers: Diagnostic Performance and Practical Implications
Ein machine-learningbasiertes klinisches Entscheidungsmodell zur Vorhersage des Amputationsrisikos bei Patient:innen mit diabetischen Fußulzera: diagnostische Leistung und praktische Implikationen
Diagnostics · 10.12.2025 · 15 (24) · 3142
DOI: 10.3390/diagnostics15243142 ↗Auf einen Blick
Bei 149 stationären Patient:innen mit diabetischem Fußulkus sagte ein Support-Vector-Machine-Modell das Amputationsrisiko gut vorher. C-reaktives Protein und Wagner-Grad waren unabhängige Prädiktoren.
Fragestellung
Wie zuverlässig lässt sich das Risiko einer unteren Extremitätenamputation bei Patient:innen mit diabetischem Fußulkus mit einem machine-learningbasierten Modell vorhersagen?
Methode
Retrospektive Einzelzentrumsstudie mit 149 hospitalisierten Patient:innen; Variablenselektion per LASSO, Training eines Support-Vector-Machine-Modells und interne Validierung per 5-fold Cross-Validation.
Ergebnisse
C-reaktives Protein und Wagner-Grad waren unabhängige Prädiktoren (p < 0,05). Das Modell erreichte eine AUC von 0,89, eine moderate Kalibrierung (Hosmer-Lemeshow χ2 = 19,614; p = 0,012) und 82,4 % korrekte Klassifikation.
Schlussfolgerung der Autor:innen
C-reaktives Protein und Wagner-Grad sind zentrale Determinanten des Amputationsrisikos bei Patient:innen mit diabetischem Fußulkus. Das Support-Vector-Machine-Modell zeigte hohe Genauigkeit und klinische Anwendbarkeit.
Kernaussagen
- AUC des Modells: 0,89
- 82,4 % korrekte Klassifikation in der internen Validierung
- C-reaktives Protein und Wagner-Grad als unabhängige Prädiktoren
Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.
Kurz gefasst
Fachartikel in der Zeitschrift Diagnostics, online erschienen am 10.12.2025. Verfasst von Lei Gao und 3 weiteren Autor:innen. Beteiligte Einrichtung: Orthopedic Department, Capital Medical University Affiliated Beijing Shijitan Hospital, Beijing 100038, China. Die Arbeit wurde bisher 4-mal zitiert (Crossref) und nennt 46 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).
Themen: Diabetisches Fußsyndrom
Abstract (Originalsprache)
Objective
To establish a reliable machine-learning-based model for predicting the risk of lower limb amputation in patients with diabetic foot ulcers and to provide quantitative evidence for clinical decision-making and individualized prevention strategies.
Methods
This retrospective study analyzed data from 149 hospitalized diabetic foot ulcer patients treated at Beijing Shijitan Hospital between January 2019 and December 2022. Patients were divided into amputation and non-amputation groups according to clinical outcomes. Candidate predictors—including infection biomarkers, vascular parameters, and nutritional indices—were first screened using the least absolute shrinkage and selection operator algorithm. Subsequently, a support vector machine model was trained and internally validated via five-fold cross-validation to estimate amputation risk. Model performance was evaluated by discrimination, calibration, and clinical utility analysis.
Results
Among all enrolled variables, C-reactive protein and Wagner grade were identified as independent predictors of amputation (p < 0.05). The optimized support vector machine model achieved excellent discrimination, with an area under the Receiver Operating Characteristic curve of 0.89, and demonstrated a moderate level of calibration (Hosmer–Lemeshow χ2 = 19.614, p = 0.012). Decision curve analysis showed a net clinical benefit of 0.351 when the threshold probability was set at 0.30. The model correctly classified 82.4% of cases in internal validation, confirming its predictive robustness and potential for clinical application.
Conclusions
C-reactive protein and Wagner grade are key determinants of amputation risk in diabetic foot ulcer patients. The support vector machine-based prediction model exhibits strong accuracy, clinical interpretability, and personalized interventions.
Schlagwörter
Stichwörter der Autor:innen
Autor:innen und Institutionen
- Orthopedic Department, Capital Medical University Affiliated Beijing Shijitan Hospital, Beijing 100038, China.
- Orthopedic Department, Beijing Shijingshan Hospital, Beijing 100049, China.
ORCID-Profile: Lei Gao, Jiangning Wang
Zitieren
APA
Gao, L., Liu, Z., Han, S., & Wang, J. (2025). A Machine-Learning-Based Clinical Decision Model for Predicting Amputation Risk in Patients with Diabetic Foot Ulcers: Diagnostic Performance and Practical Implications. Diagnostics, 15(24), 3142. https://doi.org/10.3390/diagnostics15243142
Vancouver
Gao L, Liu Z, Han S, Wang J. A Machine-Learning-Based Clinical Decision Model for Predicting Amputation Risk in Patients with Diabetic Foot Ulcers: Diagnostic Performance and Practical Implications. Diagnostics. 2025;15(24):3142. doi:10.3390/diagnostics15243142
BibTeX
@article{Gao2025,
author = {Gao, Lei and Liu, Zixuan and Han, Siyang and Wang, Jiangning},
title = {A Machine-Learning-Based Clinical Decision Model for Predicting Amputation Risk in Patients with Diabetic Foot Ulcers: Diagnostic Performance and Practical Implications},
journal = {Diagnostics},
year = {2025},
volume = {15},
number = {24},
pages = {3142},
doi = {10.3390/diagnostics15243142}
}
EUVIMED