流行病学数据显示，目前超过60%的美国成年人存在2型糖尿病的危险因素，这一庞大的人群基数远超当前糖尿病预防项目所能实际覆盖的范围。

由于2型糖尿病的发生往往经历数年的渐进性发展，且早期缺乏明确的预警症状，医疗卫生系统和专业人员很难精准锁定那些最有可能从预防项目或早期干预中获益的高危人群。

针对这一痛点，开发能够整合多维数据进行长效、精准预测的智能化工具成为临床亟待突破的课题。

本研究是一项超大规模的回顾性队列研究，共纳入了2012年至2024年间在北加州凯撒医疗（Kaiser Permanente Northern California）接受诊疗的 3,365,464 名成年患者（年龄18–70岁）。受试者的中位年龄为39岁，其中女性占55%。

该研究在算法上采用了“基于风险的超级学习方法（Hazard-based super learning approach）”，整合了多种生存分析模型，以评估每位患者在未来1年、3年和10年内罹患2型糖尿病的风险。

在特征维度上，模型不仅输入了医疗就诊时常规收集的临床和人口统计学信息（如年龄、体重、血糖水平、病史和用药情况），还开创性地纳入了公开可用的社会环境数据——例如健康食品的可及性（access to healthy food）和生活区域的适宜步行程度（walkable areas），实现了临床指征与健康社会决定因素（SDOH）的深度融合。

在中位随访时间为 5.4 年的观察期内，研究队列中观察到的2型糖尿病发病率为 10.7/1,000人年。模型的表现交出了一份极具说服力的答卷：

“这些发现代表了我们在识别2型糖尿病高风险个体方面，相比现有方法取得了潜在的重大进步，它能够实现更早、更精确的检测，并支持采取更具针对性、更主动的预防策略，”该研究的主要作者 Luis A. Rodriguez（博士、公共卫生硕士、注册营养师）表示，“我们的模型有潜力为临床医生和医疗系统创造机会，将预防工作的重心精准聚焦于那些在传统筛查中经常被遗漏、但却最能从预防和治疗中获益的高风险个体。”

在下一步的工作中，研究团队计划将该预测模型置于真实的临床环境中进行测试，以进一步评估其是否能够有效提高患者对2型糖尿病预防项目的参与度，并最终降低糖尿病的实际发病率。