基于Logistic回歸的IgA腎病無創預測模型的構建及驗證

周麗萍，柳 娟，王 悅，劉婷婷，侯 潔

(吉林大學第一醫院 腎病科，吉林 長春130021)

IgA腎病(IgAN)為目前世界范圍內最常見的原發性腎小球疾病，我國IgAN占原發性腎小球疾病的40%以上[1-2]。IgAN臨床病理表現多種多樣，在10-20年內病情可進展至終末期腎臟病[3]。IgAN的早期診斷對延緩疾病的進展具有重要臨床意義。病理檢查是診斷IgAN的金標準，但該技術是有創操作，易帶來出血、感染等并發癥，且難以在條件有限的基層醫院開展。因此，亟需尋找一種方便、快速的無創診斷IgAN的預測方法。目前，國內外對IgAN疾病進展及預后的風險預測進行了廣泛的研究[4-5]，但有關IgAN早期診斷和危險因素識別的研究報道較少。通過特定的數學模型進行IgAN風險預測，將有助于降低IgAN的高發病率，改善患者預后。本研究旨在回顧性分析與 IgAN診斷密切相關的臨床信息和實驗室指標，篩選出優化指標，并用多因素回歸算法構建無創預測模型，并驗證其診斷效能，為 IgAN的早期診斷提供科學的參考依據。

1 對象與方法

1.1 研究對象選取 2014 年 10 月 1 日至 2020年 10 月 1 日在吉林大學第一醫院經腎活檢首診的原發性腎小球疾病患者，其中分為IgAN組和非IgAN組。排除標準為：入選前已服用免疫調節劑藥物治療者；合并感染、腫瘤和自身免疫性疾病者；估算腎小球濾過率(eGFR)<60 ml·min-1·(1.73 m2)-1。按7∶3比例隨機分為訓練集及驗證集。本研究經吉林大學第一醫院倫理委員會審批。

1.2 臨床資料收集收集年齡、性別、血壓、腎穿刺前實驗室檢查(包括血生化、免疫學、尿液分析等)等人口學及臨床病理資料，計算每例患者血IgA/C3 比值和eGFR。

1.3 統計學處理使用 SPSS 19.0 軟件處理數據，進行單因素分析和多因素Logistic回歸分析，繪制模型的受試者工作特征曲線，計算靈敏度和特異度，P<0.05為差異有統計學意義。

2 結果

2.1 基本資料本研究共納入536例原發性腎小球疾病患者，其中，非 IgAN組患者病理改變類型包括膜性腎病、系膜增生性腎小球腎炎、局灶節段性腎小球硬化和微小病變性腎病。IgAN 293例和非IgAN 243例，隨機分為訓練集384例(IgAN 209例，非IgAN 175例)，驗證集152例(IgAN 84例，非IgAN 68例)。訓練集與驗證集之間基線特征的差異均無統計學意義(均P>0.05)，見表1。

表1 訓練集與驗證集臨床數據之間的比較

2.2 訓練集兩組臨床指標的比較

利用t檢驗和秩和檢驗比較訓練集IgAN和非IgAN兩組臨床信息的差異。兩組之間差異有統計學意義的因素有：年齡、血尿發生率、血白蛋白、肌酐、血IgA、IgG、IgM及 IgA/C3比值、血補體C3、總膽固醇、甘油三酯、高密度脂蛋白膽固醇、低密度脂蛋白膽固醇、eGFR及24 h尿蛋白量的水平(均P<0.05)；然而，性別、高血壓、血紅蛋白、血尿素氮和血尿酸在兩組之間無明顯差異，見表2。

表2 訓練集 IgAN組與非 IgAN組的臨床數據比較

2.3 多因素Logistic 回歸模型建立及驗證

將單因素分析有顯著統計學意義的變量(年齡、血尿發生率、血白蛋白、血IgA、IgG、IgM及 IgA/C3比值、血補體C3、總膽固醇、甘油三酯、高密度脂蛋白膽固醇、低密度脂蛋白膽固醇、eGFR及24 h尿蛋白)納入多因素 Logistic 回歸方程，得到年齡、血IgA/C3 比值、血白蛋白、血IgA、血IgG、eGFR與是否存在血尿及IgAN的發病關聯性比較明顯，見表3。繪制訓練集模型的ROC曲線，發現ROC曲線下面積(AUC)為0.918(95%CI 0.890-0.946，P<0.001)，對應的靈敏度是79.4%，特異度是90.9%。將驗證集患者信息代入預測方程進行內部驗證，驗證集的AUC為0.89(95%CI 0.83-0.94,P<0.001)，對應的靈敏度是81%，特異度是88.2%，接近訓練集的AUC，見圖1。

3 討論

IgAN的診斷依賴于腎組織穿刺的結果，因其有創性和高風險性，其臨床應用具有一定的局限性。有文獻報道半乳糖缺陷的IgA1是診斷IgAN新的生物學指標[6]，但其操作技術要求高和檢測費用昂貴，在臨床上難以推廣。因此，探討構建IgAN無創診斷模型，對治療和預后具有重要的意義。

本研究經過多因素Logistic 回歸分析，發現較小的年齡、較高的血白蛋白、血IgA、血IgG和 IgA/C3 比值、較低的eGFR水平和血尿是IgAN發病的獨立預測因子。目前大多數學者認可血清IgA/C3比值比單純血清IgA、C3更有診斷、病情監測的價值[7-8]，故本研究納入了血清IgA/C3比值，它可以輔助診斷IgAN這一研究結果與先前的相關研究一致[9-10]。IgAN組IgG水平顯著高于非IgAN組，與文獻報道IgAN患者具有較高的血清IgG水平相符[11]。本文納入的IgAN患者出現腎病綜合征的比例低于非IgAN患者，這解釋了IgAN組的血白蛋白水平高的原因。2012年，Gao等納入了血清IgA、纖維蛋白原和臨床表現3個因素建立IgAN診斷模型，但缺點是樣本量小、可靠性差[12]。后來Han 等報道年齡、血清 IgA、總膽固醇、D-二聚體聯合纖維蛋白原，可用于鑒別IgAN與其他原發性腎臟疾病，但該模型沒有進行驗證，故其準確性需進一步證實[13]。孟曉輝等在上述數學模型中增加了血白蛋白、血肌酐、纖維蛋白原和IgG聯合診斷IgAN[14]。最近郭丹丹等的研究表明，年齡、IgA/C3 比值、血白蛋白、血總膽固醇及肉眼血尿為IgAN診斷的獨立危險因素[15]。本研究納入大量樣本，開發并驗證了診斷IgAN的無創預測模型，結果與上述大部分文獻觀點一致，預測方程在模型集與驗證集的敏感度、特異性以及曲線下面積等參數基本一致，說明基于多因素Logistic 回歸模型對IgAN患病風險具有較好的預測能力。

本研究也具有一定的局限性：(1)可能存在一定的回憶偏倚和信息偏倚；(2)結果來自于單中心隊列，應擴大樣本進行建模，甚至外部驗證。(3)納入的研究對象是eGFR≥60 ml·min-1·(1.73 m2)-1的IgAN患者，而對于慢性腎臟病3-5期的患者需要進一步研究。

綜上所述，所建立的多因素聯合診斷模型能夠有效區分IgAN與非IgAN患者，具有良好的判別性和準確性，提供一種簡便、無創的預測方法。這將有助于評估早期發現高危IgAN患者，從而減少治療前所需的腎活檢術。