BMC Geriatr：糖尿病患者衰弱风险预测模型的建立与验证

中国有超过1.4亿糖尿病患者，是世界上糖尿病患者最多的国家。预计到2045年，这一数字将达到1.74亿。虚弱已成为糖尿病继大血管和微血管并发症之后的第三大并发症，是糖尿病患者死亡和残疾的独立危险因素。虚弱，定义为与年龄和疾病相关的健康丧失，是一种脆弱的状态，应激后体内平衡解决能力差，是多个生理系统衰退的结果。糖尿病患者的衰弱患病率高达48%，发生衰弱的概率是非糖尿病患者的3 - 5倍。

虚弱不仅会增加糖尿病患者发生骨折、跌倒、残疾和住院等不良事件的风险，还会增加医疗卫生支出。此外，糖尿病所致虚弱的糖尿病患者死亡率高于无虚弱的糖尿病患者。虚弱评分每增加1个单位，糖尿病患者长期死亡风险增加93%，同时患有糖尿病和虚弱的糖尿病患者发生并发症的风险是非虚弱糖尿病患者的2.62倍。糖尿病患者虚弱的发展是多种因素综合作用的结果。先前的研究表明，性别、年龄和社会经济地位都与虚弱的发展独立相关。另一项研究进一步揭示，高血糖、低血糖、低糖化血红蛋白(HbA1c)、胰岛素抵抗、心血管疾病、低体力活动和营养不良增加了糖尿病患者的虚弱风险。Yakabe和Ogawa发现，慢性疾病，如视力障碍、糖尿病并发症、合并症和抑郁症，也可能导致糖尿病患者的虚弱。

脆弱性的发展是动态的、可逆的。对高危人群进行早期筛查对于早期干预以延缓虚弱的发生和进展非常重要。风险预测模型是一种可用于评估糖尿病患者发生虚弱风险的工具。以往的研究多集中在对虚弱状态及其影响因素的调查上，很少尝试建立风险预测模型来筛选脆弱高危人群。例如，Dong及其同事开发并验证了社区生活老年人的脆弱性预测模型。研究表明，年龄、婚姻状况、体育锻炼、基线虚弱状态和糖尿病与虚弱独立相关。Li等构建了预测衰弱的动态模拟模型，得出年龄较大、60岁以前从事专业或技术工作、经济状况较差、口腔卫生状况较差是衰弱的独立危险因素。然而，目前的模型仅基于健康人群，没有关于糖尿病患者虚弱的预测模型的报道。本研究旨在确定与虚弱相关的因素，并将其纳入基于预测糖尿病患者虚弱的模型构建。

方法：研究使用了中国健康与退休纵向研究(CHARLS)的数据，这是一个代表中国人口的数据集。本研究分析了25项指标，包括社会人口变量、行为因素、健康状况和心理健康参数。研究队列随机分为训练组和验证组，比例为70%和30%。LASSO回归分析用于筛选基于10倍交叉验证的模型最佳预测因子的变量。采用logistic回归模型探讨糖尿病患者虚弱的相关因素。构建了一个nomogram来建立预测模型。采用标定曲线对模型的精度进行评价。采用受试者工作特征曲线下面积和决策曲线分析来评价预测表现。

表1  研究人群的基线特征

图1:使用LASSO回归模型的人口学和临床特征选择。A根据对数(lambda)序列生成系数剖面，由最优lambda生成非零系数。B LASSO模型中的最优参数(lambda)是通过使用最小标准的十倍交叉验证选择的。绘制相对于log (lambda)的部分似然偏差(二项偏差)曲线。使用最小标准的一个SE (1 - SE标准)在最优值处绘制一条虚拟垂直线。

表2 采用多元逻辑回归的预测模型

图2  列线图

图3:由训练数据集生成的Nomogram ROC曲线。B使用验证数据集生成的Nomogram ROC曲线

图4  A训练数据集的校准图。B验证数据集的校准图

图5  A训练数据集的DCA曲线。B验证数据集的DCA曲线

结果：2013年(n = 793)和2015年(n = 643)从CHARLS数据库中收集的1436例糖尿病患者纳入最终分析。145人(10.9%)出现虚弱症状。多变量logistic回归分析显示，婚姻状况、日常生活活动、腰围、认知功能、握力、社交活动和抑郁是糖尿病患者虚弱的预测因素。利用这些因素构建了Nomogram模型，该模型具有较好的一致性和准确性。预测模型和内部验证集的AUC值分别为0.912 (95%CI 0.887-0.937)和0.881 (95%CI 0.829-0.934)。Hosmer-Lemeshow检验值P = 0.824、P = 0.608(均> 0.05)。标定曲线与实际观测值吻合较好。ROC和DCA结果表明，Nomogram具有较好的预测效果。

结论：本研究构建的综合糖尿病衰弱图是一种评价糖尿病患者衰弱风险的便捷工具，有助于临床医生筛查糖尿病高危人群。

原始出处：

Bu F,  Deng XH,  Zhan NN, Development and validation of a risk prediction model for frailty in patients with diabetes.BMC Geriatr 2023 Mar 27;23(1)