葡萄糖變異參數構建糖尿病周圍神經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

（昆明醫科大學第一附屬醫院內分泌二科，云南 昆明 650032）

糖尿病周圍神經病變（diabetic peripheral neuropathy，DPN）患者出現神經性疼痛是導致患者生活質量下降的主要原因之一[1]，而神經性疼痛以感覺神經系統損傷為主要表現[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，周圍神經病變的發生與葡萄糖變異性密切相關。因此探討患者糖尿病周圍神經病變發生發展的危險因素，針對可能的危險因素進行早期干預，對預防并發癥發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與糖尿病周圍神經病變的相關性，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。

1 資料與方法

1.1 臨床資料

收集2019 年4 月至2020 年5 月昆明醫科大學第一附屬醫院內分泌二科住院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，僅神經傳導速度降低；結合ADA（American diabetes association）關于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。本研究使用Neurometer感覺神經定量檢測儀（Neurometer CPT/C，Neurotron Inc，Baltimore，Maruland，USA）評估患者感覺閾值，依據檢查結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 型糖尿病；（2）合并其它周圍神經系統疾病（如脫髓鞘性多發性神經病、單神經病、多發性神經病等）；（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

根據感覺閾值結果對照規范值，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 正中神經感覺閾值測定規范值（μA）Tab.1 Normative values to determine the sensory thresholds of the median nerve sensory（μA）

表2 腓淺及腓深神經神經感覺閾值測定規范值（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）動態葡萄糖參數：每位入選患者均使用美敦力回顧式動態葡萄糖監測系統iPro2（記錄器型號：RCDR MMT-7741 IPRO2 EN PRL，配套系統軟件Carelink V1.0 Plus）監測組織間液葡萄糖3d，得到葡萄糖變異參數包括葡萄糖平均值（Mean；mmol/L）、葡萄糖標準差（SD；mmol/L）、葡萄糖變異系數（CV；%），平均葡萄糖波動幅度（MAGE；mmol/L）、目標范圍內（3.9～10 mmol/L）葡萄糖的時間占比（TIR；%）。

1.4 統計學處理

使用R 語言（4.2.1 版本）進行統計分析，正態分布計量資料以（）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，非正態分布計量資料以中位數及四分位數間距［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 發生的危險因素，構建預測重度DPN 發生的回歸方程：

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

據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）曲線評估模型區分度，做校準曲線擬合優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 結果

2.1 DPN 不同組間一般資料及葡萄糖變異參數的比較

首先對組間計量資料做正態性檢驗，提示年齡、葡萄糖變異系數為正態分布，其余為非正態分布，正態分布資料組間使用t檢驗，非正態分布使用非參數Wilcoxon 符號秩和檢驗；分類資料使用卡方檢驗。檢驗結果提示：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（VIF）對各葡萄糖變異參數進行多重共線性檢驗，VIF的算數平方根2則提示變量間存在多重共線性關系。將各葡萄糖變異參數納入線性回歸模型，計算值，結果提示葡萄糖平均值、標準差、變異系數及TIR 直接存在多重共線性關系，在多重共線性關系存在的情況下使用Logistic 回歸模型將葡萄糖變異參數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 葡萄糖變異參數多重共線性檢驗Tab.4 Multicollinearity test of glucose variability parameters

2.3 構建重度DPN 發生的預測模型

2.3.1 Lasso 回歸分析篩選重度DPN 發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、TIR、MAGE 作為自變量，是否發生重度DPN 為因變量納入Lasso 回歸模型進行變量篩選。結果提示，懲罰系數λ=0.0203 時得到最優模型，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Tab.5 Lasso regression coefficients for filtering severe DPN prediction model variables

2.3.2 構建重度DPN 發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，是否發生重度DPN 為因變量構建多因素Logistic 回歸模型，提示TIR 是重度DPN 發生的獨立危險因素，見表6 ；并制作列線圖，見圖3。使用ROC 曲線評估模型區分度，AUC=0.647（95%CI=0.585～ 0.708，P<0.05），約登指數為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參數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，縱坐標代表實際發生概率，圖中對角線為觀測線，代表模型的理想表現，即模型預測概率與疾病實際發生概率一致；紅色點線為模型的原始表現，綠色實線為經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 實際發生概率高于預測概率，提示會低估重度DPN 的發生概率，當重度DPN 預測概率于0.4～0.6 之間時重度DPN 實際發生概率低于預測概率，提示會高估重度DPN 的發生概率，當重度DPN 預測概率高于0.6 時重度DPN 實際發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對所有患者進行干預所獲得的凈收益率，因此，對模型篩選的重度DPN 高危患者進行早期干預有針對性且獲益較高。

3 討論

現代臨床的治療決策需要建立在循證醫學的基礎上，眾多的風險預測研究為高質量證據的醫學研究提供了重要參考。研究結果對患者預后的預測越準確，醫生據結果做出的決策越有效，證據質量越高。本研究使用了多因素分析結合列線圖（Nomogram）這一新型的統計學方法為基礎建立的重度DPN 發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重占比，而且能夠通過模型計算得出不同患者發生結局事件的絕對風險，相對于傳統的統計學結果呈現方法（如表格、方程）優勢在于對模型結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病變的發生發展與吸煙、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[8?11]，這與本研究結果類似。另一方面葡萄糖變異性在DPN 的發生發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病變的獨立危險因素。可能的機制為葡萄糖變異率增高，引起氧化應激導致施萬細胞線粒體損傷[13]，進而出現功能異常或凋亡，進一步損傷神經元軸索，從而引起周圍神經病變；進一步在糖尿病患者[14]和糖尿病大鼠中的研究[15]均發現糖尿病可引起感覺神經元的自主興奮性增高，引出自發活動的同時對刺激的反應能力下降，是神經病變發生的主要機制。目前尚未見以短時葡萄糖變異參數為基礎建立糖尿病慢性并發癥臨床預測模型的相關研究，因此本研究同時納入了多個葡萄糖變異參數研究分析其與糖尿病并發癥的關系，并發現了TIR 下降能夠作為發生重度周圍神經病變的顯著預測因子，具有一定的創新性。

對所構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ROC 曲線、校正曲線評估得到了較好的區分性及校準度，更進一步結合了DCA 分析，預測該模型在臨床應用中所表現出的患者獲益情況[16]，為模型提供了重要的統計學依據，結果提示重度DPN預測模型閾概率設定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對所有患者均進行干預，同時預防重度DPN 發生發展的臨床措施多為無創性（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用提供了重要的參考范圍，也具有一定的創新性。

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