贝叶斯模型平均法对男女5年代谢综合征患病风险的预测效能

高聿琛，刘保东

(1山东大学医学院, 济南250012；2山东大学计算机科学与技术学院)



贝叶斯模型平均法对男女5年代谢综合征患病风险的预测效能

高聿琛1，刘保东2

(1山东大学医学院, 济南250012；2山东大学计算机科学与技术学院)

目的 观察贝叶斯模型平均(BMA-MSP)法在男女5年代谢综合征(MetS)的患病风险预测中的效能。 方法 1 565例无MetS的健康体检者，其中男1 020例、女545例，选择12个体检指标，包括基于MetS的传统诊断标准选取BMI、收缩压(SBP)、舒张压(DBP)、空腹血糖(FBG)、甘油三酯(TGL)、高密度脂蛋白(HDL-C)，其他与MetS相关体检指标血红蛋白(Hb)、红细胞比容(HCT)、白细胞计数(WBC)、淋巴细胞计数(LC)、中性粒细胞计数(NGC)、年龄。分别采用BMA-MSP法、向后逐步回归法预测1 565例患者5年代谢综合征的患病风险，ROC曲线分析BMA-MSP法、向后逐步回归法对5年代谢综合征患病风险的预测效能。结果 BMA-MSP法得出的女性纳入者5年MetS患病风险的影响因素结果为，BMI、DBP、FBG对MetS具有极强的效应(后验概率>99%)，其余9项指标具有极弱效应(后验概率<50%)。向后逐步选择回归法结果可见BMI对MetS具有极强的效应(P<0.001)；其余11项指标具有极弱效应(P均<0.05)。BMA-MSP法得出的男性纳入者5年MetS患病风险的影响因素结果为，可见BMI、SBP、FBG对MetS具有极强的效应(后验概率>99%)，NGC对MetS具有正的效应 (75%<后验概率<95%), TG 具有弱效应(50%<后验概率<75%)，其他体检指标具极弱效应(后验概率<50%)。向后逐步选择回归法结果可见BMI、SBP、FBG对MetS具有极强的效应(P<0.001)。BMA-MSP法及向后逐步选择回归法对女性纳入者的5年MetS患病风险预测的ROC曲线下面积(AUC)分别为87.24% (95%CI: 0.799 3～0.945 6) 、83.4% (95%CI: 0.749 5～0.918 5)，二者比较，P<0.05；约登指数分别为64%、59%，对应的最佳灵敏度分别为80.7%、83.7%，特异度分别为83.4%、74.7%。BMA-MSP法及向后逐步选择回归法对男性纳入者的5年MetS患病风险预测的ROC曲线AUC分别为82.46% (95%CI: 0.787 9～0.861 3)、81.42% (95%CI: 0.776 7～0.851 8)，二者比较，P<0.05；约登指数分别为52%、48%，对应的最佳灵敏度分别为70.8%、60.2%，特异度分别为81.1%、87.4%。结论 与向后逐步选择回归法相比，BMA-MSP法对男女5年MetS的患病风险具有更好的预测效能。

代谢综合征；贝叶斯模型平均法；向后逐步选择回归法；患病风险

代谢综合征(MetS)是腹型肥胖、血脂异常、高血压和高血糖征等异常聚集的一种病理状态，病情进展可最终导致患者出现心血管疾病[1]和2型糖尿病[2]。近年来MetS发病率逐年升高，有报道[3]称中国成年人群MetS发病率高达21.3%。因此预测MetS患病风险并分析其影响因素可为MetS的防治提供依据。目前基于横截面数据的风险打分[4，5]和风险跟踪预测模型[6，7]已被用于预测不同民族健康人群MetS患病风险，虽然其预测效果(AUC 0.724～0.827)具有中等可信度，但模型尚存在不确定性。考虑到模型的不确定性，Cox风险模型贝叶斯模型平均BMA-MSP法，被临床用于脑卒中风险预测及评估[8]。我们比较了BMA-MSP法、向后逐步回归法在1 565例健康体检者5年MetS患病风险中的预测价值，现将结果报告如下。

1 资料与方法

1.1 临床资料 选择2005年1月～2010年12月间山东省千佛山医院健康管理中心及山东省立医院健康体检中心接受体检的成年体检者1 565例，而且所选体检者均未患MetS。其中男1 020例、女545例，年龄(48.80±13.65)岁，其中女(48.30±12.40)岁、男(49.06±14.27)岁；BMI(24.60±3.08) kg/m2, 其中女(23.25±2.96) kg/m2、男(25.32±2.90) kg/m2)；收缩压(SBP)为(122.89±16.61)mmHg，其中女(118.24±18.15)mmHg、男(125.37±15.16)mmHg；舒张压(DBP)为(72.49±10.22)mmHg, 其中女(69.56±10.18)mmHg、男(74.05±9.89)mmHg；空腹血糖(FBG)为(5.15±0.88)mmol/L，其中女(5.00±0.81)mmol/L、男(5.23±0.91)mmol/L；甘油三酯(TGL)为(1.37±1.02)mmol/L，其中女(1.06±0.81)mmol/L、男(1.53±1.08)mmol/L；高密度脂蛋白(HDL-C)为(1.37±1.02)mmol/L，其中女(1.45±0.32)mmol/L、男(1.24±0.28)mmol/L；血红蛋白(Hb)为(147.53±14.69)g/L，其中女(133.75±10.73)g/L、男(154.89±10.67)g/L；红细胞比容(HCT)44.31%±3.94%，其中女40.78%±2.90%、男46.20%±3.01%；血白细胞计数(WBC)为(6.60±1.55)×109/L，其中女(6.29±1.53)×109/L、男(6.77±1.54)×109/L；淋巴细胞计数(LC)为(2.12±0.57)×109/L，其中女(1.97±0.51)×109/L、男(2.20±0.59)×109/L；中性粒细胞计数(NGC)为(3.92±1.22)×109/L，其中女(3.82±1.24)×109/L、男(3.97±1.20)×109/L。除年龄(P=0.297 6)外，男、女体检者间SBP、 DBP、FBG、TG、HDL-C、Hb、HCT、WBC、LC、NGC间差异均有统计学意义。

1.2 BMA-MSP法、向后逐步回归法在5年MetS患病风险预测中的应用方法 选择1 565例正常体检者的12个体检指标，包括基于MetS的传统诊断标准[2]选取BMI、SB、DBP、FBG、TG、HDL-C，根据以往研究资料[3]选取其他与MetS相关体检指标Hb、HCT、WBC、LC、NGC、年龄。分别采用BMA-MSP法[8]、向后逐步回归法预测1 565例患者5年代谢综合征的患病风险。纳入者均进行5年随访，每年体检1次，采用中华医学会糖尿病学分会发布的MetS诊断标准[11]观察MetS的发生情况。

1.3 统计学方法 计量资料以表示，比较采用独立样本t检验。使用R中的survival包和BMA包实现Cox风险模型的BMA估计及模型选择的Occam′sWindow(OW)规则[8]，计算纳入者的BMA-MSP及Cox向后逐步回归模型中相应MSP；采用ROC曲线分析BMA-MSP法、向后逐步回归法在5年代谢综合征患病风险中的预测价值。P<0.05为差异具有统计学意义。

2 结果

在女性纳入者BMA-MSP法的5年MetS患病风险预测评估中，OW规则选择了86个模型(共有212=4 096个模型)，累积后验概率为0.996, 前5个模型的累积后验概率为0.227。由BMA选择的前五个模型中不包含向后逐步回归选择模型。在对男性体检者的5年MetS风险预测估计中23个模型被选择(共有212=4 096个模型)，23个模型的累积后验概率为1.000, 前五个模型的累积后验概率为0.555 8。由BMA选择的前五个模型中不包含向后逐步回归选择。

BMA-MSP法对女性纳入者5年MetS患病风险的影响因素分析结果可见BMI、DBP、FBG对MetS具有极强的效应(后验概率>99%)，其余9项指标具有极弱效应(后验概率<50%)。向后逐步选择回归法结果可见BMI对MetS具有极强的效应(P<0.001)；其余11项指标具有极弱效应(P均<0.05)。

BMA-MSP法对男性纳入者5年MetS患病风险的影响因素分析结果可见BMI、SBP、FBG对MetS具有极强的效应(后验概率>99%)，NGC对MetS具有正的效应 (75%<后验概率<95%),TG具有弱效应(50%<后验概率<75%)，其他体检指标具极弱效应(后验概率<50%)。向后逐步选择回归法结果可见BMI、SBP、FBG对MetS具有极强的效应(P<0.001)；其余10项指标具有极弱效应(P均<0.05)。

所有受检者在5年随访过程中，有348例临床确诊为MetS,其中女62例、男286例。BMA-MSP法及向后逐步选择回归法预测女性5年MetS发生例数分别为31、31例，5年随访后确诊例数分别为25、26例，预测女性5年MetS阴性例数分别为201、180例，5年随访阴性例数分别为201、180例。

BMA-MSP法及向后逐步选择回归法对女性纳入者的5年MetS患病风险预测的ROC曲线下面积(AUC)分别为87.24% (95% CI: 0.799 3～0.945 6) 、83.4% (95% CI: 0.749 5～0.918 5)，二者比较，P<0.05；BMA-MSP法及向后逐步选择回归法预测女性5年MetS的灵敏度分别为80.7%、83.9%，假阴性率分别为19.3%、16.1%，特异度分别为83.4%、74.7%，假阳性率分别为16.6%、25.3%，约登指数分别为64%、59%，一致率分别为83.1%、75.7%。

BMA-MSP法及向后逐步选择回归法预测男性5年MetS发生例数分别为143、143例，5年随访后确诊例数分别为101、86例，预测女性5年MetS阴性例数分别为367、367例，5年随访阴性例数分别为298、321例。

BMA-MSP法及向后逐步选择回归法对男性纳入者的5年MetS患病风险预测的ROC曲线AUC分别为82.46% (95% CI: 0.787 9～0.861 3)、81.42% (95% CI:0.776 7～0.851 8)，二者比较，P<0.05；BMA-MSP法及向后逐步选择回归法预测男性5年MetS的灵敏度分别为70.8%、60.2%，假阴性率分别为29.2%、39.8%，特异度分别为81.1%、87.4%，假阳性率分别为18.9%、12.6%，约登指数分别为52%、48%，一致率分别为78.2%、79.8%。

3 讨论

基于MetS的传统定义，在以往研究中BMI、SBP、DBP、FBG、TG和HDL-C被选为MetS相关的体检指标。MetS伴随低度炎征反应这一事实，使得在病因研究中炎征在MetS诊断中起重要作用[4]，很多研究将血白细胞浓度升高视为MetS相关的系统炎症存在的标志(WBC)。还有学者研究发现血液学参数与胰岛素抵抗和MetS的产生具有正相关关系，例如HCT和Hb[12]与MetS具有显著的相关性。NGC可以聚集并释放损伤性物质，例如自由基及蛋白水解酶，从而导致血管内皮细胞的损伤及功能紊乱，导致血栓等疾病的发生并引起恶性循环。因此，在[13]中关于白细胞(尤其是LC及NGC)与MetS的统计相关性被发现。

本研究选择了1 565例体检者的12个体检指标的5年跟踪数据预测MetS，考虑到以往预测MetS的风险预测模型单一，从而导致预测有差异的问题，我们考虑应用BMA策略进行变量选择和模型比较。在BMA策略中所有对MetS具有极强效应的体检指标均包含于MetS的诊断定义中，这不同于向后逐步回归选择模型，在向后逐步回归选择模型中，与MetS相关的体检指标被从模型中略掉。通过对所选取的体检指标的BMA后验效应分析，我们发现在所选择的研究群体中，体检指标对MetS的影响效应关于女性和男性有差异：在与MetS定义相关的血压相关体检指标中，女性中仅有DBP而男性中仅有SBP对MetS具有极强的效应,与以往文献[14，15]中的发现是一致的。DBP在绝经期MetS妇女患者中具有显著效应，DBP升高可能提高绝经期MetS患者的心血管疾病患病率[14]，本研究中所选取的女性体检者的平均年龄为48.3岁。首次发现SBP升高仅对男性MetS发病具有预测效应，SBP升高也可能增加MetS男性的心血管病患病率[15]。在我们的研究中, 血NGC浓度升高仅对男性患者的Mets发病具有正效应，文献[16]中关于韩国男性的研究得到了与我们相同的结果。

基于横截面数据的风险打分[4，5]和风险跟踪预测模型[6，7]被应用于不同民族的MetS预测。虽然这些预测工具具有可接受的预测效果，但是他们忽略了模型的不确定性。本研究中，女性BMA-MSP法与向后逐步回归法所得结果比较，其BMA-MSP法诊断MetS的特异度高、灵敏度低，相应的假阳性率(误诊率)较低而假阴(漏诊率)较高；而男性的相应比较结果恰好相反，BMA-MSP法诊断MetS的特异度低、灵敏度较高，相应的误诊率较高而即漏诊率较低。女性和男性BMA-MSP法诊断MetS的约登指数均大于向后逐步选择回归法，表明总的诊断准确度BMA-MSP法法高于向后逐步选择回归法。BMA-MSP法诊断女性5年MetS的一致率高于向后逐步选择回归法，表明BMA的总的诊断正确率高于向后逐步选择回归法；两种方法诊断男性5年MetS的概率一致率间差别不大，表明两种方法的总的诊断正确率基本相同。灵敏度和特异度等基本评价指标虽然也是诊断诊断实验的准确度的固有准确度指标，但因其会随诊断界值的改变而改变，且其中一个指标随另一个指标的增大而减小，所以使得两个诊断试验的准确度比较很困难，而ROC曲线的诸多优点使得全面比较诊断试验的准确度变得相对容易。本研究中，我们在Cox风险模型中使用BMA方法，应用BMA-MSP法预测男女5年MetS风险，我们将MBA-MSP预测方法与向后逐步选择回归模型相比较，经过ROC分析，MBA-MSP法对男女5年MetS具有更好的预测效能。

[1]LakkaHM,LaaksonenDE,LakkaTA,etal.Themetabolicsyndromeandtotalandcardiovasculardiseasemortalityinmiddle-agedmen[J].JAMA, 2002,288(35):2709-2716.

[2]SattarN,McConnachieA,ShaperAG,etal.CanmetabolicsyndromeusefullypredictcardiovasculardiseaseanddiabetesOutcomedatafromtwoprospectivestudies[J].Lancet, 2008,371(15):1927-1935.

[3]XiB,HeD,HuY,etal.PrevalenceofmetabolicsyndromeanditsinfluencingfactorsamongtheChineseadults:theChinaHealthandNutritionSurveyin2009[J].PrevMed, 2013, 57(6):867-871.

[4]SaaristoT,PeltonenM,LindstromJ,etal.CrosssectionalevaluationoftheFinnishDiabetesRiskScore:atooltoidentifyundetectedtype2diabetes,abnormalglucosetoleranceandmetabolicsyndrome[J].DiabVascDisRes, 2005,2(2):67-72.

[5]HeldgaardPE,GriffinSJ.Routinelycollectedgeneralpracticedataaidsidentificationofpeoplewithhyperglycaemiaandmetabolicsyndrome[J].DiabetMed, 2006,23(9):996-1002.

[6]HsiaoFC,WuCZ,HsiehCH,etal.Chinesemetabolicsyndromeriskscore[J].SouthMedJ, 2009,102(2):159-164.

[7]YangXH,TaoQS,SunF,etal.Settingupariskpredictionmodelonmetabolicsyndromeamong35-74year-oldsbasedontheTaiwanMJHealth-checkupDatabase[J].MedClin, 2013,34(9):874-878.

[8]VolinskyCT,DavidMa,AdrianE.Raftery,andRichardA.Kronmal,BayesianModelAveraginginProportionalHazardModels:AssessingStrokeRisk, 1996[J].TechRep, 2001,139(28):37-45.

[9] Third Report of the National Cholesterol Education Program (NCEP) Expert Panel on Detection, Evaluation, and Treatment of High Blood Cholesterol in Adults (Adult Treatment Panel III). Final report[J]. Circulation, 2002,106(11):3143-421.

[10] World Health Organization. Definition, diagnosis and classification of diabetes mellitus and its complications: report of a WHO consultation[J]. Geneva,1999,175(35):21-27.

[11] Lu YH, Lu JM, Wang SY, et al. Comparison of the diagnostic criteria of metabolic syndrome by International Diabetes Federation and that by Chinese Medical Association Diabetes Branch[J]. Mol Biol Rep, 2006,86(6):386-389.

[12] Wu S, Lin H, Zhang C, et al. Association between erythrocyte parameters and metabolic syndrome in urban Han Chinese: a longitudinal cohort study[J]. BMC Public Health, 2013,189(13):989.

[13] Kim JA, Choi YS, Hong JI, et al. Association of metabolic syndrome with white blood cell subtype and red blood cells[J]. Endo J, 2006,53(1):133-139.

[14] Abdoljalal Ma, Sedigheh H, Moghasemi M. The Metabolic Syndrome among Postmenopausal Women in Gorgan[J]. Inter Journ Endo, 2012,135(89):2035-2039.

[15] Wei LP, Jen YW, Chuan CL, et al. Systolic Blood Pressure as an Independent Predictor of Metabolic Syndrome in Male Adolescents[J]. Acta Cardiol Sin, 2012,79(28):111-117.

[16] Kim JA, Choi YS, Hong JI, et al. Association of metabolic syndrome with white blood cell subtype and red blood cells[J]. Endocr J, 2006,53(1):133-139.

10.3969/j.issn.1002-266X.2016.39.031

R587

B

1002-266X(2016)39-0091-04

2016-08-01)