目的:本研究拟使用深度学习技术的循环神经网络中的长短期记忆网络,对大量连续型数据进行学习训练,构建2型糖尿病视网膜病变风险预测模型,以识别2型糖尿病患者中可能发生糖尿病视网膜病变的高危人群,为针对重点人群实施糖尿病视网膜病变的早期预防、护理干预与指导提供依据。方法:首先,确定影响2型糖尿病视网膜病变发生的相关因素。通过文献回顾法以及本团队先前有关糖尿病视网膜病变的影响因素研究,为模型的构建做好前期数据准备。其中,模型构建的数据来自全民健保制度下中国台湾李氏联合六家诊所共同照护体系的10年数据,包括6040例糖尿病患者。根据纳排标准,筛选2型糖尿病患者从入院时开始记录的7年数据,包括一般资料如年龄、性别、身高等,实验室检查指标如糖化血红蛋白、总胆固醇、预估肾小球滤过率等,变异性指标包括糖化血红蛋白变异性、收缩压变异性及脉压变异性。其次,数据提取与预处理。使用Pandas和Numpy库进行,预处理包括数据整合、归一化、缺失值处理等。最后,模型构建。使用PyTorch进行基于长短期记忆网络的搭建与训练,按照6:2:2的比例将数据集划分为训练集、验证集和测试集三部分,神经网络参数中使用交叉熵损失函数,使用优化器Adam优化算法来优化整体网络。模型构建包括未加入变异性指标的模型和加入变异性指标的模型,其中加入变异性指标的模型通过调整神经元数量来获取最优模型。模型性能评估使用测试集,通过准确率、精准率、召回率及受试者工作特征曲线评价模型性能。结果:最终纳入研究的数据为5193例,测试集样本量为1039例。根据是否加入变异性指标,结果可分为:（1）未加入变异性指标的模型:准确率为81.04%、精准率为69.36%、召回率为45.45%。（2）加入变异性指标的模型:①当神经元数量为32时,模型的准确率为81.42%、精准率为71.01%、召回率为45.45%;②当神经元数量为64时,模型的准确率为81.52%、精准率为70.69%、召回率为46.59%;③当神经元数量为128时,模型的准确率为81.23%、精准率为71.70%、召回率为43.18%;④当神经元数量为256时,模型的准确率为81.42%、精准率为70.52%、召回率为46.21%。当神经元数量为64时达到最优模型,最优模型的准确率、精准率、召回率均优于未加入变异性参数的模型。未加入变异性指标的模型受试者工作特征曲线下面积（AUC）为0.825,神经元数量为32时AUC为0.815,神经元数量为64时AUC为0.822,神经元数量为128时AUC为0.827,神经元数量为258时AUC为0.816,表示模型精准度良好。结论:本研究成功搭建基于长短期记忆网络的2型糖尿病视网膜病变风险预测模型,为针对糖尿病视网膜病变高风险人群实施早期干预、临床护理指导提供了实践依据。将变异性相关参数加入模型搭建过程中,可进一步提高模型性能,提示在对患者进行针对性干预时,也应重视患者具有波动性特征的相关指标,避免大幅度的降低患者的血糖和血压。此外,本研究也为2型糖尿病其他并发症或其他慢性疾病的风险预测模型的构建提供了新思路。