葡萄糖變異參數(shù)構(gòu)建糖尿病周圍神經(jīng)病變風險預測模型的探討

張 帆，郭偉昌，譚 洪，殷和佳，彭露萍，趙 燕，李會芳

（昆明醫(yī)科大學第一附屬醫(yī)院內(nèi)分泌二科，云南 昆明 650032）

糖尿病周圍神經(jīng)病變（diabetic peripheral neuropathy，DPN）患者出現(xiàn)神經(jīng)性疼痛是導致患者生活質(zhì)量下降的主要原因之一[1]，而神經(jīng)性疼痛以感覺神經(jīng)系統(tǒng)損傷為主要表現(xiàn)[2]，有研究指出[3]在糖化血紅蛋白控制良好的2 型糖尿病患者中，周圍神經(jīng)病變的發(fā)生與葡萄糖變異性密切相關(guān)。因此探討患者糖尿病周圍神經(jīng)病變發(fā)生發(fā)展的危險因素，針對可能的危險因素進行早期干預，對預防并發(fā)癥發(fā)生具有重要臨床意義。本研究旨在分析多個葡萄糖糖變異參數(shù)與糖尿病周圍神經(jīng)病變的相關(guān)性，并建立臨床預測模型，為糖尿病的綜合防治提供重要參考依據(jù)。

1 資料與方法

1.1 臨床資料

收集2019 年4 月至2020 年5 月昆明醫(yī)科大學第一附屬醫(yī)院內(nèi)分泌二科住院2 型糖尿病患者病歷資料，參考《中國2 型糖尿病防治指南2020年版》[4]的分層診斷標準第4 條：亞臨床DPN：無癥狀和體征，僅神經(jīng)傳導速度降低；結(jié)合ADA（American diabetes association）關(guān)于DPN 的專家共識[5]：若患者無典型DPN 癥狀，可以使用電生理測試作為診斷依據(jù)。本研究使用Neurometer感覺神經(jīng)定量檢測儀（Neurometer CPT/C，Neurotron Inc，Baltimore，Maruland，USA）評估患者感覺閾值，依據(jù)檢查結(jié)果診斷患者是否存在DPN；納入符合標準的患者病歷資料共323 例進行分析。排除標準：（1）1 型糖尿??；（2）合并其它周圍神經(jīng)系統(tǒng)疾?。ㄈ缑撍枨市远喟l(fā)性神經(jīng)病、單神經(jīng)病、多發(fā)性神經(jīng)病等）；（3）合并嚴重心肺、肝腎功能不全；（4）急性感染或糖尿病急性并發(fā)癥；（5）妊娠或哺乳期婦女；（6）所需臨床指標不完整。

1.2 分組方法

根據(jù)感覺閾值結(jié)果對照規(guī)范值，將患者分為輕度、中度、重度感覺減退組，如果患者檢測提示有重度感覺減退則對應(yīng)診斷為重度DPN，均無重度感覺減退則為非重度DPN，見表1、表2。

表1 正中神經(jīng)感覺閾值測定規(guī)范值（μA）Tab.1 Normative values to determine the sensory thresholds of the median nerve sensory（μA）

表2 腓淺及腓深神經(jīng)神經(jīng)感覺閾值測定規(guī)范值（μA）Tab.2 Normative values to determine the sensory thresholds of the deep peroneal nerve and the superficial peroneal nerve（μA）

1.3 收集基本信息

收集研究對象的基本信息，包括：（1）一般情況：年齡、性別、身高、體重、BMI、糖尿病病程、是否吸煙；（2）是否合并高血壓：既往確診高血壓或入院3 次不同時間段靜息血壓≥140/90 mmHg 診斷為高血壓；（3）是否合并血脂異常：既往確診的血脂異常目前正在服用調(diào)脂藥物；入院檢測總膽固醇（total cholesterol，TC）≥6.2 mmol/L，和/或甘油三酯（triglyceride，TG）≥2.3 mmol/L，和/或低密度脂蛋白（low density lipoprotein cholesterol，LDL-C）≥3.4 mmol/L 為合并血脂異常[6]；（4）動態(tài)葡萄糖參數(shù)：每位入選患者均使用美敦力回顧式動態(tài)葡萄糖監(jiān)測系統(tǒng)iPro2（記錄器型號：RCDR MMT-7741 IPRO2 EN PRL，配套系統(tǒng)軟件Carelink V1.0 Plus）監(jiān)測組織間液葡萄糖3d，得到葡萄糖變異參數(shù)包括葡萄糖平均值（Mean；mmol/L）、葡萄糖標準差（SD；mmol/L）、葡萄糖變異系數(shù)（CV；%），平均葡萄糖波動幅度（MAGE；mmol/L）、目標范圍內(nèi)（3.9～10 mmol/L）葡萄糖的時間占比（TIR；%）。

1.4 統(tǒng)計學處理

使用R 語言（4.2.1 版本）進行統(tǒng)計分析，正態(tài)分布計量資料以（）表示，2 組間比較采用獨立樣本t檢驗。二分類資料以χ（%）表示，2 組間比較使用χ2檢驗，非正態(tài)分布計量資料以中位數(shù)及四分位數(shù)間距［M（QL，QU）］表示，2 組間比較采用 Wilcoxon 符號秩和檢驗；使用Lasso 回歸模型篩選重度DPN 發(fā)生的危險因素，構(gòu)建預測重度DPN 發(fā)生的回歸方程：

PP=β1X1+β2X2+···+βnXn（PP：預測概率；X：危險因素，β：危險因素的回歸系數(shù)）

據(jù)回歸方程建立臨床風險預測模型并做列線圖，使用受試者工作特征（receiver operating characteristic，ROC）曲線評估模型區(qū)分度，做校準曲線擬合優(yōu)度檢驗評估模型擬合度，決策曲線分析評估模型臨床效用。

2 結(jié)果

2.1 DPN 不同組間一般資料及葡萄糖變異參數(shù)的比較

首先對組間計量資料做正態(tài)性檢驗，提示年齡、葡萄糖變異系數(shù)為正態(tài)分布，其余為非正態(tài)分布，正態(tài)分布資料組間使用t檢驗，非正態(tài)分布使用非參數(shù)Wilcoxon 符號秩和檢驗；分類資料使用卡方檢驗。檢驗結(jié)果提示：HDL-C、HbA1c、葡萄糖平均值、葡萄糖標準差、TIR 組間分布差異有統(tǒng)計學意義（P<0.05），見表3。

表3 組間一般資料、葡萄糖變異參數(shù)的比較Tab.3 Comparison of general information and glucose variability parameters between groups

2.2 多重共線性檢驗

使用方差膨脹系數(shù)（VIF）對各葡萄糖變異參數(shù)進行多重共線性檢驗，VIF的算數(shù)平方根2則提示變量間存在多重共線性關(guān)系。將各葡萄糖變異參數(shù)納入線性回歸模型，計算值，結(jié)果提示葡萄糖平均值、標準差、變異系數(shù)及TIR 直接存在多重共線性關(guān)系，在多重共線性關(guān)系存在的情況下使用Logistic 回歸模型將葡萄糖變異參數(shù)同時納入模型進行自變量篩選可能存在較大誤差，因此使用絕對收縮和選擇算子（Least absolute shrinkage and selection operator）回歸算法，即Lasso 回歸對自變量進行篩選更可靠，見表4。

表4 葡萄糖變異參數(shù)多重共線性檢驗Tab.4 Multicollinearity test of glucose variability parameters

2.3 構(gòu)建重度DPN 發(fā)生的預測模型

2.3.1 Lasso 回歸分析篩選重度DPN 發(fā)生的預測因子將性別、年齡、糖尿病病程、BMI、是否患高血壓、是否吸煙、是否患血脂異常、HbA1c、空腹血糖、葡萄糖平均值、葡萄糖標準差、葡萄糖變異系數(shù)、TIR、MAGE 作為自變量，是否發(fā)生重度DPN 為因變量納入Lasso 回歸模型進行變量篩選。結(jié)果提示，懲罰系數(shù)λ=0.0203 時得到最優(yōu)模型，入選變量為年齡、是否吸煙、是否患血脂異常、HbA1c、TIR，Lasso 回歸系數(shù)見表5，Lasso 回歸路徑及變量篩選，見圖1、圖2。Lasso 回歸交叉驗證圖解析：從左到右第一條豎直點線上的紅點代表二項式偏差最小值（BD=1.327），提示該模型為最佳模型且包括5 個變量，見圖2。

圖1 Lasso 回歸路徑Fig.1 Lasso regression pathway

圖2 Lasso 回歸交叉驗證Fig.2 Cross-validation of Lasso regression

表5 Lasso 回歸篩選重度DPN 預測模型變量的回歸系數(shù)Tab.5 Lasso regression coefficients for filtering severe DPN prediction model variables

2.3.2 構(gòu)建重度DPN 發(fā)生的預測模型并進行評估將Lasso 回歸所篩選的變量，包括年齡、是否吸煙、是否患血脂異常、HbA1c、TIR 標準差作為自變量，是否發(fā)生重度DPN 為因變量構(gòu)建多因素Logistic 回歸模型，提示TIR 是重度DPN 發(fā)生的獨立危險因素，見表6 ；并制作列線圖，見圖3。使用ROC 曲線評估模型區(qū)分度，AUC=0.647（95%CI=0.585～ 0.708，P<0.05），約登指數(shù)為0.218 取得最佳切點（靈敏度0.806，特異度0.412），見圖4。使用HL 擬合優(yōu)度檢驗評估模型擬合度P=0.074，作校準曲線，見圖5。臨床決策曲線評估預測模型，見圖6，預測模型閾概率在0.2 以上時患者凈受益率高于使用單因素決策干預及對所有患者進行全或無式干預。

圖3 重度DPN 預測模型的列線圖Fig.3 Nomogram of severe DPN prediction model

圖4 重度DPN 預測模型的ROC 曲線Fig.4 ROC curve of severe DPN prediction model

圖5 重度DPN 預測模型的校準曲線Fig.5 Calibration curve of severe DPN prediction model

圖6 重度DPN 預測模型的臨床決策曲線Fig.6 DCA curve of severe DPN prediction model

表6 重度DPN 多因素回歸模型相關(guān)參數(shù)Tab.6 Multivariate regression equation parameter of severe DPN prediction model

校準曲線圖解析：橫坐標代表模型預測概率，縱坐標代表實際發(fā)生概率，圖中對角線為觀測線，代表模型的理想表現(xiàn)，即模型預測概率與疾病實際發(fā)生概率一致；紅色點線為模型的原始表現(xiàn)，綠色實線為經(jīng)100 次bootstrap 重抽樣法校準的模型曲線，更具有參考價值，本研究經(jīng)校準后的模型在重度DPN 預測概率小于0.4 時重度DPN 實際發(fā)生概率高于預測概率，提示會低估重度DPN 的發(fā)生概率，當重度DPN 預測概率于0.4～0.6 之間時重度DPN 實際發(fā)生概率低于預測概率，提示會高估重度DPN 的發(fā)生概率，當重度DPN 預測概率高于0.6 時重度DPN 實際發(fā)生概率高于預測概率，如圖所示重度DPN 校準曲線與理想觀測線吻合提示模型的預測準確度尚可。

臨床決策曲線解析：圖中橫坐標中為閾概率，縱坐標為凈受益率，水平黑色實線（None）為所有患者均不進行臨床干預（凈受益率為0），灰色斜線（All）為對所有患者進行臨床干預，帶顏色的曲線為各指標的決策曲線。其中紅色實線（Predict）為本研究模型的總體決策曲線，閾概率在0.2 以上，使用預測模型進行臨床干預決策所獲得的凈受益率均高于使用模型內(nèi)單獨因素進行決策的凈受益率；另一方面使用預測模型的凈受益率均高于所有患者均不干預或?qū)λ谢颊哌M行干預所獲得的凈收益率，因此，對模型篩選的重度DPN 高?；颊哌M行早期干預有針對性且獲益較高。

3 討論

現(xiàn)代臨床的治療決策需要建立在循證醫(yī)學的基礎(chǔ)上，眾多的風險預測研究為高質(zhì)量證據(jù)的醫(yī)學研究提供了重要參考。研究結(jié)果對患者預后的預測越準確，醫(yī)生據(jù)結(jié)果做出的決策越有效，證據(jù)質(zhì)量越高。本研究使用了多因素分析結(jié)合列線圖（Nomogram）這一新型的統(tǒng)計學方法為基礎(chǔ)建立的重度DPN 發(fā)生的臨床預測模型具有較好的準確性，不僅獲得了風險因子在模型中的權(quán)重占比，而且能夠通過模型計算得出不同患者發(fā)生結(jié)局事件的絕對風險，相對于傳統(tǒng)的統(tǒng)計學結(jié)果呈現(xiàn)方法（如表格、方程）優(yōu)勢在于對模型結(jié)果的解釋更加簡單直觀，而且使預測模型更具有臨床適用性[7]。

筆者納入了14 個因子作為DKD 發(fā)生的可能危險因子進行分析，最終篩選出5 個具有較高預測價值的因子進行建模，包括年齡、是否吸煙、是否患血脂異常、HbA1c、TIR。既往研究提示糖尿病周圍神經(jīng)病變的發(fā)生發(fā)展與吸煙、糖尿病病程、血糖控制情況、BMI、胰島素抵抗和慢性炎癥等因素相關(guān)[8?11]，這與本研究結(jié)果類似。另一方面葡萄糖變異性在DPN 的發(fā)生發(fā)展中同樣具有重要的作用，有研究[12]提示MAGE 是糖尿病性周圍神經(jīng)病變的獨立危險因素?？赡艿臋C制為葡萄糖變異率增高，引起氧化應(yīng)激導致施萬細胞線粒體損傷[13]，進而出現(xiàn)功能異常或凋亡，進一步損傷神經(jīng)元軸索，從而引起周圍神經(jīng)病變；進一步在糖尿病患者[14]和糖尿病大鼠中的研究[15]均發(fā)現(xiàn)糖尿病可引起感覺神經(jīng)元的自主興奮性增高，引出自發(fā)活動的同時對刺激的反應(yīng)能力下降，是神經(jīng)病變發(fā)生的主要機制。目前尚未見以短時葡萄糖變異參數(shù)為基礎(chǔ)建立糖尿病慢性并發(fā)癥臨床預測模型的相關(guān)研究，因此本研究同時納入了多個葡萄糖變異參數(shù)研究分析其與糖尿病并發(fā)癥的關(guān)系，并發(fā)現(xiàn)了TIR 下降能夠作為發(fā)生重度周圍神經(jīng)病變的顯著預測因子，具有一定的創(chuàng)新性。

對所構(gòu)建的模型進行深入的驗證，是決定模型是否具有臨床適用性的前提。本研究模型經(jīng)ROC 曲線、校正曲線評估得到了較好的區(qū)分性及校準度，更進一步結(jié)合了DCA 分析，預測該模型在臨床應(yīng)用中所表現(xiàn)出的患者獲益情況[16]，為模型提供了重要的統(tǒng)計學依據(jù)，結(jié)果提示重度DPN預測模型閾概率設(shè)定0.2（即列線圖評分大約250 分）進行臨床干預時，患者所獲得的凈受益率高于所有患者均不干預或?qū)λ谢颊呔M行干預，同時預防重度DPN 發(fā)生發(fā)展的臨床措施多為無創(chuàng)性（如戒煙、控制體重、降血脂、加強飲食運動控制血糖等），因此建議患者在本研究模型評分大于250 分時即進行積極的危險因素干預。本研究使用的統(tǒng)計方法不僅能夠讓模型在預防患者由輕中度DPN 進展為重度DPN 中獲得較好的臨床凈受益率，同時為研究模型的臨床應(yīng)用提供了重要的參考范圍，也具有一定的創(chuàng)新性。

本研究潛在的不足為橫斷面觀察性研究，無后續(xù)隨訪驗證性研究，進一步觀察臨床預測模型對DKD 發(fā)生的長遠預測價值將作為后續(xù)的研究方向。