糖尿病周围神经病变（DPN）是糖尿病并发症最常见的一种,患者会出现与周围神经功能障碍相关的症状和体征,临床表现为对称性疼痛和感觉异常,而且下肢症状比上肢更常见。有60%～90%的糖尿病患者有不同程度的糖尿病周围神经病变并发症,并且很难通过药物根治,甚至会造成不可逆转的损伤。因此,早期预防显得尤为重要,越早开始治疗,预后效果越好,治愈率也会相应地提高,建立疾病预测模型是预防糖尿病周围神经病变的一个重要手段。目前机器学习和大数据领域有了很大的发展,深度学习是机器学习领域中最热门的研究方法,在图像处理、语音识别等方面已经有了重大突破,而且近几年正在不断地向医学领域融入,由于它具有强大的自动特征提取能力,可以发掘医疗数据更深层次、更复杂的有用信息,因此,如果利用深度学习的方法实现对DPN疾病的预测,将会有很大的现实意义。这样可以协助临床医生辅助诊断和治疗,避免医生凭临床经验去诊断病情的主观性问题,进而提升了医生的诊疗效率和诊断准确率,还可以实现患者对病情的自我管理与及时监测,在很大程度上节约了医疗资源,也节省了人工成本。根据以上所述,对糖尿病周围神经病变的预测展开了相关研究,通过深度学习方法构建DPN预测模型,本文所做的主要内容如下:1.简单地介绍了DPN疾病的危害以及预防的重要性,并指出有关DPN的传统疾病预测方法存在的局限性。分析了深度学习方法建立疾病预测模型的优势,然后结合DPN电子病历数据的特点,提出基于一维卷积神经网络的DPN疾病预测模型。2.针对原始数据不利于建立预测模型,需对原始数据集进行调整格式,把数据整理成适合于进行建模的数据形式;为了保证数据的质量,接着进行删除异常值、处理缺失值等数据清洗工作;为了消除化验指标之间的量纲影响,对数据集进行标准化处理。由于数据特征维度较高,需进行PCA降维处理。3.通过支持向量机、BP神经网络和一维卷积神经网络的分别建立了DPN预测模型。最后对模型进行仿真,通过实验结果分析,对比模型的准确率、召回率、F1-score、AUC值等评价指标,三种模型的准确度都达到精度要求,但一维卷积神经网络模型预测效果最好,所以最终选择它作为本研究的最优预测模型。