预测糖尿病患者并发糖尿病肾病风险的列线图模型的建立

侯新月 胡松 费春晓 刘书豪 邵栗严 邢昂

266000 青岛，青岛大学附属医院

糖尿病(diabetes mellitus,DM)的发病率在世界范围内不断增加，预计到2045年糖尿病患者总人数将增加到6.29亿，同时还有3.52亿糖耐量异常的人处于糖尿病发展的高风险状态[1]。糖尿病肾病(diabetic nephropathy,DN)是DM患者的主要并发症之一，其发病率为25%～40%，每年超过40%的患者必须肾脏替代治疗，造成了严重的社会经济负担[2]。因此，明确DN危险因素，尽早诊断DN，对防治该病具有重要意义。本研究将通过对2型糖尿病(type 2 diabetes mellitus,T2DM)患者临床资料进行分析，探讨DN的相关危险因素，并建立个体化预测DN风险的列线图模型，以指导临床甄别DN高风险人群，制订更有针对性的干预对策。

资料与方法

一、研究对象

回顾性分析2018年6月至2019年6月在青岛大学附属医院诊断为T2DM的559例患者，其中男232例，女327例。中青年人(年龄<60岁)285例，老年人(年龄≥60岁)274例。根据美国糖尿病协会制定的标准诊断T2DM[3]。依据2019年中国糖尿病肾脏疾病防治指南[4]推荐的DN诊断标准，微量白蛋白尿以24 h尿白蛋白排泄率(urinary albumin excretion rate,UAE)(20 μg/min≤UAE<200 μg/min)作为诊断标准，贫血以血红蛋白(hemoglobin,Hb)(男性Hb<120 g/L，女性Hb<110 g/L)作为诊断标准[5]，将研究对象分为单纯T2DM 组(对照组) 279例和合并微量白蛋白尿组(DN组) 280例，其中对照组UAE<20 μg/min。排除标准：(1)入院时并发糖尿病急性并发症；(2)严重感染或病情危重者；(3)急性肾损伤、肾病综合征、狼疮肾炎等其他原因引起的肾损害；(4)大量白蛋白尿(UAE≥200 μg/min)患者。经我院医学伦理委员会批准(QYFYWZLL25535)，并已签署知情同意书。

二、方法

经参阅近年来有关DN的文献报道[6]与综合临床实践经验，确定收集DN的相关临床资料和实验室检查指标。临床资料包括年龄、性别、体质量指数、T2DM病程、高血压等相关症史。采集晨起空腹外周静脉血15 mL用于实验室指标检查，包括空腹血糖(fasting blood glucose,FBG)、糖化血红蛋白(glycated hemoglobin,HbAlc)、三酰甘油(triglyceride,TG)、促甲状腺激素(thyroid stimulating hormone,TSH)、白蛋白(albumin,Alb)、血常规等，并计算肾小球滤过率(glomerular filtration rate,eGFR)，eGFR=[186×Scr(mg/mL)]-[1.154×年龄(岁)]-0.203(如果是女性0.743)[7]。所有实验室指标测定均由我院检验科完成。

三、统计学处理

应用SPSS 22.0软件和R-3.5.1软件进行统计分析。率或构成比的比较采用卡方检验。将各临床变量进行单因素Logistic回归分析，结合其结果和专业知识确定纳入多因素Logistic回归模型的变量，采用逐步回归法进行分析，筛选有统计学意义的指标用于列线图的构建。采用Bootstrap法重复抽样1 000次，对列线图模型进行内部验证，计算一致性指数(C-index) 评估列线图模型的区分度，C-index 0.50～0.70为较低准确度，0.71～0.90为中准确度，高于0.90则为高准确度。作列线图模型预测DN风险的ROC曲线，计算曲线下面积。通过绘制预测结果与实际结果的校正曲线，进行一致性测试。使用Hosmer-Lemeshow检验判断模型的拟合优度，P>0.05表明模型的拟合优度较好。双侧P<0.05时,差异有统计学意义。

结 果

一、一般资料

DN组279例，其中男性114例，女性165例，中青年人154例，老年人125例；对照组280例，其中男性118例，女性162例，中青年组131例，老年组149例。两组患者间性别、eGFR、FBG、HbAlc及糖尿病视网膜病变、高血压病差异均无统计学意义(P>0.05)，两组患者的临床资料特征见表1。

表1 DN组和对照组的人口学特征及生化指标比较

续表

注：DPN:糖尿病周围神经病变；TG：三酰甘油；FPG：空腹血糖：HbA1c:糖化血红蛋白;eGFR:肾小球滤过率；WBC:白细胞计数;N:中性粒细胞计数;Hb:血红蛋白; TSH:促甲状腺激素; BMI:体质量指数

二、 DN危险因素分析

将T2DM患者各临床变量纳入单因素Logistic回归，发现DN的相关因素包括年龄、糖尿病病程、中性粒细胞计数、贫血、三酰甘油、体质量指数、糖尿病性周围神经病、TSH，见表2。进一步采用向前逐步回归法进行多因素Logistic回归分析显示，与糖尿病肾病的发生有关(均P<0.05)老年人、TSH>4.6 mU/L、三酰甘油≥1.7 mmol/L、糖尿病性周围神经病、糖尿病病程>1年为T2DM并发DN的独立危险因素，见表3。

表2 DN单因素Logistic回归分析结果

注：BMI:体质量指数; DPN:糖尿病周围神经病变；TG：三酰甘油; Hb:血红蛋白; Alb:白蛋白; N:中性粒细胞计数; TSH:促甲状腺激素

三、预测 DN 风险的列线图模型的建立与验证

将上述Logistic回归筛选出的预测变量代入列线图模型，结局指标选取DN的发病风险，绘制列线图(图1)，根据每个危险因素对应列线图上方的标尺，即可得到该因素的单项分数，各单项分数相加得到总分，从总分向下对应，即为该患者发生DN的概率。糖尿病病程为1～5年13分、5～10年54分、≥10年100分、糖尿病性周围神经病16分、老年人为11分、三酰甘油(≥1.7 mmol/L为9分)、TSH(>4.6 mU/L为17分)。

通过对每个危险因素单项评分相加得到总分，总分对应的值即为模型预测DN的发生概率，绘制ROC曲线。(图2)

表3 DN多因素Logistic回归分析结果

注:DPN:糖尿病周围神经病变；TG：三酰甘油; TSH:促甲状腺激素

图1 预测DN发病风险的列线图模型

利用ROC曲线检验该模型预测效能，结果发现，ROC曲线下面积为0.852(95%CI=0.822～0.882)，内部验证C-指数为0.846，模型具有较好的区分度。校正曲线显示，该列线图模型的预测结果和实际结果之间具备较好的一致性(图3)。用Hosmer-Lemeshow检验判别模型的拟合优度，结果显示，P=0.178，说明该列线图模型拟合优度较好。

图2 DN发生风险预测效能的受试者工作特征(ROC)曲线

图3 列线图模型预测DN风险内部验证的校准曲线

讨 论

DN临床诊断的最早分期为微量白蛋白尿期(≥30 mg/d或20 μg/min)，尿微量蛋白不仅对肾脏功能损害，而且对心脏及其他血管同样产生损害，但此期尚可逆，如果不加以干预，发展到不可逆的临床蛋白尿期，其进展至终末期肾病的速度大约为其他肾脏病变的14倍。DN与肥胖、遗传基因、低度炎症等多种因素有关[8]，本研究通过对T2DM患者的临床资料分别进行单因素和多因素Logistic回归分析，发现年龄、糖尿病病程、三酰甘油、糖尿病性周围神经病、TSH为DN的独立危险因素。

基于上述结果，构建国内首个DN风险评价模型，有助于医生直观地分析各个因素的不同水平对T2DM合并DN的风险权重。列线图模型可将Logistic回归结果图形化、可视化，能直观用于个体疾病风险的预测，易于临床推广应用。目前已大量应用于不同领域，如预测不同癌症的生存概率[9-10]、预测肠梗阻[11]、睡眠呼吸暂停综合征[12]等。

本研究列线图模型可实现个体化预测，根据列线图模型评分能计算出每例T2DM患者合并DN的风险，对甄别DN高风险患者，尽早制定个性化诊疗方案具有指导意义。本研究列线图模型显示糖尿病病程每增加5年，列线图模型评分呈倍数增加。杜君[13]研究亦表明，T2DM 患者并发DN风险随病程增加而上升，与本研究结果一致。不良的饮食习惯或者营养物质摄入不良也可能加重DN发展，白蛋白[14]、前白蛋白、总蛋白、肱三头肌皮褶厚度[15]等营养指标也与DN发生密切相关，本研究中白蛋白未列入模型，可能跟研究人群营养摄入不同有关。Han等[16]指出高TSH的DN患者有更严重的蛋白尿、肾功能不全和肾小球病变，调节甲状腺激素可能具有肾脏保护作用，这与本研究结果一致，模型中TSH>4.6 mU/L时，即增加列线图模型评分17分对DN风险影响的权重。本研究亦发现血脂异常与肾脏疾病密切相关[14, 17-18]，三酰甘油≥1.7 mmol/L即可使列线图模型评分增加9分对风险影响的权重，血脂水平越高，脂质沉积肾小球内，肾小球的巨噬细胞和单核细胞吞噬脂质，会形成泡沫细胞，进一步加重肾小球的硬化程度，加重蛋白尿的严重程度[19]，降脂治疗有助于延缓DN的疾病进展,降低DN患者肾功能下降速度。而有糖尿病周围神经病变的患者列线图模型评分增加16分对风险影响的权重,文献[20]报道UAER是糖尿病周围神经病变(DPN)的独立危险因素。Lingling等[21]指出DN与T2DM患者DPN的发展密切相关，UAER和疾病持续时间可作为DPN进展的警示指标。本研究得出DPN与DN密切相关，结合既往研究腓神经运动传导速度[22]是微量白蛋白尿的危险因素，说明DPN也可作为预测DN发病风险的参考依据。患者年龄增加的同时伴随着全身各器官功能衰退，朱明慧[23]指出老年人是DN发病的独立危险因素，也与本研究结果一致，老年患者列线图模型评分增加11分对风险影响的权重。

本研究存在一定的局限性，由于是回顾性研究且为住院患者，患者的糖尿病病程的判定依靠病历记录和患者调查取得，未行肾穿刺活检以进一步确诊DN，可能存在一些信息的偏倚和患者的选择偏倚。结合既往研究进一步优化选择有统计学和临床意义的预测因素，为临床工作提供更加详细、准确和便捷的预测模型，方便临床早期评估，从而为DN患者制定出个性化的临床治疗方案，改善疾病预后。本研究为单中心研究，DN患者样本量较小，预测DN风险的列线图模型需经更大样本量研究进一步验证。此外，如果能用其他数据库的样本数据对该列线图进行外部检测，笔者认为这样做出的检测结果将更可信，同时也可借此分析该列线图是否具有普适性。

综上所述，本研究基于糖尿病病程、三酰甘油、年龄、高TSH、糖尿病性周围神经病5项危险因素，建立的预测DN风险的列线图模型，具有良好的区分度与准确度，临床应用价值高，对甄别DN高风险人群，制订干预对策具有指导意义，同时在临床工作中也期待其可为临床医生提供一种直观和个体化的预测工具。