社区2型糖尿病视网膜病变风险预测模型的构建与验证

朱夏媛 ，吴浩 *，葛彩英 ，陈颖 ，赵新颖 ，孔慜 ，高文娟

糖尿病视网膜病变（DR）是导致成人失明的主要原因，2型糖尿病成人患者中，20%～40%出现视网膜病变，8%出现视力丧失[1]。调查显示约75%血糖控制不佳的糖尿病患者可在发病15年内出现DR[2]。但早期诊断、及时激光治疗可防止95%患者出现视力丧失[3]。全科医生作为基层首诊医生，承担着糖尿病等慢性病管理及长期随访任务。而构建疾病预测模型可帮助全科医生对个体的发病风险进行预测，早期识别DR的高危人群，对糖尿病患者进行精细化管理具有重要意义。而目前，国内DR风险预测模型建立多基于住院患者的研究[4-5]，社区开展研究较为少见，为此，本研究拟建立一个简单有效的适合社区的DR风险预测模型，以期能够有效预测DR患病情况。

1 对象与方法

1.1 研究对象 收集2018年6月—2019年6月于方庄社区卫生服务中心门诊就诊的421例2型糖尿病患者。纳入标准：明确诊断的2型糖尿病患者；自愿参加本研究且能配合眼底照相检查。排除标准：既往患有眼部疾病或有眼部创伤、手术史；拒绝或无法配合检查。

1.2 研究方法 （1）采用随机数字表法将421例2型糖尿病患者分为模型组336例，检验组85例。（2）询问病史：由全科护士完成病史信息收集，主要内容包括年龄、性别、病程、吸烟（指连续或累积吸烟6个月以上）情况等基本信息。（3）资料收集：全科护士指导患者于健康自测中心完成身高、体质量、血压测量。同时录入近1年内患者的空腹血糖（FBG）、餐后2 h血糖、糖化血红蛋白（HbA1c）、血肌酐、尿素氮、总胆固醇（TC）、三酰甘油（TG）、低密度脂蛋白胆固醇（LDL-C）及尿蛋白等。（4）眼底检查：以黄斑为中心拍摄非散瞳眼底彩色照片，存在眼底检查结果异常者，散瞳后进行眼底复查，必要时转诊至上级医院完善检查。

1.3 统计学方法 采用SPSS 22.0软件进行统计学分析，模型组采用单因素Logistic回归分析计算出发生DR的相关因素，得出的相关因素用多因素Logistic回归分析进一步探讨，在此基础上构建DR风险预测模型，绘制DR风险预测模型预测患者发生DR的受试者工作特征曲线（ROC曲线），方程的诊断临界值由约登指数最大确定。将检验组相关数据代入模型，计算预测结果与模型组临界值比较，得出灵敏度、特异度以及

本研究价值：

以社区就诊的糖尿病患者为研究对象，进行眼底病变筛查，据此建立了糖尿病视网膜病变（DR）风险预测模型，可提高社区全科医生DR筛查效率，便于全科医生进行精准的糖尿病管理，并适时地将DR患者转诊到专科医生，得到及时有效的治疗。

本研究不足：

（1）本研究主要局限于方庄社区卫生服务中心一个中心的研究，不是大范围的多个中心的流行病学调查研究，可能具有选择性偏倚；（2）样本量较小，适用人群有限。下一步可以进行多中心大样本调查和研究。ROC曲线下面积。ROC曲线下面积结果判读：ROC曲线下面积≤0.5为完全无价值的诊断；0.5＜ROC曲线下面积≤0.7为诊断准确性较低；0.7＜ROC曲线下面积≤0.9为诊断准确性中等；0.9＜ROC曲线下面积＜1.0为诊断准确性较高[6]，评估模型的预测价值。以P＜0.05为差异有统计学意义。

2 结果

2.1 一般资料 421例2型糖尿病患者中DR患者共87例，其中模型组69例，检验组18例，一般资料见表1。

2.2 发生DR的单因素Logistic回归分析 以模型组是否发生DR（赋值：是=1，否=0）作为因变量，以年龄（赋值：连续变量）、性别（赋值：男=1，女=2）、病程（赋值：连续变量）、吸烟情况（赋值：是=1，否=2）、BMI（赋值：连续变量）、收缩压（SBP）（赋值：连续变量）、FBG（赋值：连续变量）、餐后2 h血糖（赋值：连续变量）、HbA1c（赋值：连续变量）、血肌酐（赋值：连续变量）、尿素氮（赋值：连续变量）、TC（赋值：连续变量）、TG（赋值：连续变量）、LDL-C（赋值：连续变量）及尿蛋白（赋值：阳性=1，阴性=0）作为自变量，进行单因素Logistic回归分析，结果显示年龄、病程、BMI、SBP、FBG、HbA1c、LDL-C为2型糖尿病患者发生DR的影响因素（P＜0.05，见表2）。

2.3 多因素Logistic回归结果及构建预测模型 以模型组是否发生DR（赋值：是=1，否=0）作为因变量，以年龄、病程、BMI、SBP、FBG、HbA1c、LDL-C为自变量（赋值同上），进行多因素logistic回归分析结果显示，影响2型糖尿病患者发生DR的因素有：病程（β=0.196，OR=1.217，P＜0.001）、SBP（β=0.028，OR=1.028，P=0.038）、FBG（β=0.409，OR=1.506，P=0.003）、HbA1c（β=0.594，OR=1.811，P=0.001）、LDL-C（β=0.360，OR=1.434，P=0.038）。据此，构建的DR风险预测模型为Y=1/〔1+e-（0.196X1+0.028X2+0.409X3+0.594X4+0.360X5-16.482）〕，其中，Y指DR发生概率，X1指病程，X2指SBP，X3指FBG，X4指HbA1c，X5指LDL-C（见表3）。

2.4 DR风险预测模型预测模型组发生DR的预测价值 DR风险预测模型预测模型组发生DR的ROC曲线下面积为0.884〔95%CI（0.845，0.923），P＜0.001〕，临界值为0.192，约登指数为0.672，灵敏度为56.5%，特异度为88.0%（见图1）。

2.5 DR风险预测模型预测检验组发生DR的ROC曲线 DR风险预测模型预测检验组发生DR的ROC曲线下面积为0.803，灵敏度为72.2%，特异度为79.1%（见图2）。

3 讨论

大多数全科医生在门诊中均能遇到DR患者，但DR早期通常缺乏明显的临床症状，需要借助眼底检查设备由专科医生进行诊断，因此患者和医生经常忽视DR[7]。一项关于糖尿病患者DR认知度的调查显示，近2/3患者并未意识到DR的危害性，对检查及治疗知识知道的也不多[8]。另有调查显示，非眼科医生对DR整体认知度不高[9]。眼底筛查在社区实施较为困难，因此本研究拟建立DR风险预测模型，以期帮助全科医生尽早发现DR高危患者。

表1 2型糖尿病患者一般资料Table 1 General information of the included type 2 diabetic patients

表2 2型糖尿病患者发生DR的单因素Logistic回归分析Table 2 Univariate Logistic regression analysis of the factors associated with DR in type 2 diabetic patients

表3 2型糖尿病患者发生DR的多因素Logistic回归分析Table 3 Multivariate Logistic regression analysis of the factors associated with DR in type 2 diabetic patients

图1 DR风险预测模型预测模型组发生DR的ROC曲线Figure 1 ROC analysis of the accuracy of risk prediction model of DR in model group

图2 DR风险预测模型预测检验组发生DR的ROC曲线Figure 2 ROC analysis of the accuracy of risk prediction model of DR in test group

本研究分析了DR发病相关的风险因素，并据此建立了DR风险预测模型，便于全科医生对DR发病高风险人群进行预测。本研究结果显示，DR的发病率随糖尿病病程的延长而增加，其原因可能为病程决定了其他致病因素的暴露时间。这与以往的研究结果一致[10]。

本研究发现FBG、HbA1c与DR呈正相关，即FBG水平越高，DR患病风险越高，与既往的研究结果一致[11]，可能由于长期高糖毒性容易导致视网膜血管内皮细胞的炎症，促进内皮细胞凋亡，加速DR发生。本研究还发现糖尿病患者常同时合并高脂血症，而高脂血症与DR发病呈正相关，这可能与高血脂可导致眼底血管动脉硬化，影响眼部血液供应，加速DR的发生和发展相关，有效控制血脂水平有助于视网膜状态的改善[12]。同时，本研究结果显示，高血压是DR发生的重要危险因素，这是由于血压增高，可引起视网膜动脉的灌注增加，长期高灌注易损伤视网膜毛细血管内皮，导致DR加重，与国外研究结果相似[13]。

糖尿病患者的病程、SBP、FBG、HbA1c、LDL-C与DR显著相关，DR风险预测模型预测检验组发生DR的ROC曲线下面积0.803，灵敏度为72.2%，特异度为79.1%，该模型对DR有一定的预测价值。我国目前DR的患病率高、危害性大，患者及非专科医生存在对该病认识不足、在社区开展筛查困难等问题，国外学者发现利用风险预测模型可减少59%的复诊次数[14]。故借助DR风险预测模型可有助于开展早期的预测和筛查，适时地将DR患者转诊到眼科，能有效提高社区全科医生DR的管理水平。

作者贡献：朱夏媛、吴浩、葛彩英、陈颖、赵新颖、孔慜、高文娟均负责文章的构思与设计；吴浩对文章整体负责，监督管理；朱夏媛、陈颖、高文娟负责数据收集；朱夏媛、陈颖负责数据整理；朱夏媛、高文娟负责统计学处理；朱夏媛负责撰写论文；赵新颖、孔慜负责论文的修订；吴浩、葛彩英进行质量控制及审校。

本文无利益冲突。