首页 > 论文范文 > 医药卫生论文 > 内科论文 > 糖尿病论文 > 基于列线图的成人高尿酸血症发病风险预测模型构建

基于列线图的成人高尿酸血症发病风险预测模型构建

2024-12-21 39 上传者：管理员

摘要：目的构建高尿酸血症(hyperuricemia,HUA)发病风险的列线图,为HUA早期预防和干预提供依据。方法从湖北省十堰市某三甲医院健康管理中心收集1865名体检者的体检资料及生活方式资料,随机分为训练集和验证集,利用Lasso回归法筛选变量,构建HUA列线图模型并进行危险分层。列线图的预测性能采用区分度、校准度、临床决策曲线和Bootstrap法进行评价。结果 Lasso回归筛选了9个变量(性别、年龄、大豆类摄入量、中心性肥胖、BMI、LDLC、HDLC、TG、ALT)构建HUA网页版列线图。然后将HUA发病风险分为低危(发生率<8.29%)、中危(发生率<17.56%)、高危(发生率<30.81%)、极高危(发生率≥30.81%)。预测模型在训练集和验证集的AUC分别为0.749和0.741。模型的内部验证采用Bootstrap法,得到AUC为0.791。校准曲线表现出较好的一致性。临床决策曲线(DCA)表明,当训练集和验证集的阈值概率分别约在5%～70%和5%～65%的范围内时,对HUA患者采取干预可产生净收益。结论构建的HUA发病风险预测模型较为准确,可有效识别HUA高危人群,为HUA早期预防和干预提供依据。

关键词：
2型糖尿病
代谢性疾病
列线图
预测模型
高尿酸血症
加入收藏

高尿酸血症(hyperuricemia,HUA)是体内尿酸生成过多和(或)排泄过少所致的疾病[1]。HUA作为仅次于糖尿病的第二大代谢性疾病[2],已成为全球重要的公共卫生问题[3]。HUA是痛风发生最直接和最基础的原因,也是高血压、心血管事件及死亡、代谢综合征、2型糖尿病和慢性肾脏病等的独立危险因素[4]。HUA患病率受地区、人群、经济发展等因素的影响各有不同。十堰市位于秦巴山区,具有独特的地理位置,医疗资源十分丰富,因此开展该地区健康调查尤为必要。本研究通过分析十堰市某三甲医院健康管理中心2021年1-12月期间进行健康体检的1865例体检者的体检资料和生活方式资料,以筛选HUA的危险因素并构建网页版列线图,为早期识别HUA高危人群,并进行个体化干预提供科学依据。

1、对象与方法

1.1研究对象

采用简单随机抽样,选取2021年1-12月在湖北省十堰市某三甲医院健康管理中心进行体检的1865名体检者作为调查对象。纳入标准:①资料完整;②知情同意,自愿参加本次调查。排除标准:不能有效沟通。本研究已通过十堰市人民医院伦理委员会批准(批文号:No.syrmyy2019-013)。

采用Van Smeden等开发的临床预测模型样本量的计算公式[5],参考2018-2019年全国代表性的横断面调查结果显示HUA患病率为14.0%[3]。通过查阅以往文献,本研究预计纳入30个变量,平均绝对预测误差(MAPE)一般建议不大于0.050,共需888例样本。样本量计算公式如下:

同时考虑到结果的有效性等因素,增加20%的样本量,至少需要调查1066例。本研究样本量符合要求。

1.2资料收集

HUA相关数据包括问卷调查、体格检查和实验室检查。使用自制的“个人健康信息调查问卷”,它是根据中华医学会健康管理学分会2014年发布的《健康体检基本项目专家共识》[6]而设计,内容包括:基本情况(性别、年龄、高血压史)、膳食摄入(谷薯类、畜肉类、水产类、蛋类、奶类、大豆类、蔬菜、水果、饮水量)、夜宵、运动锻炼、吸烟、饮酒情况。体格检查和实验室检查由健康管理中心数据库中获取,包括血压(bloodpressure,BP)、体质量指数(body massindex,BMI)、腰围(waistcircumference,WC)、尿酸(UricAcid,UA)、血清总胆固醇(totalcholesterol,TC)、三酰甘油(triglyceride,TG)、低密脂蛋白胆固醇(Low-densitylipoprotein cholesterol,LDLC)、高密脂蛋白胆固醇(high-densitylipoproteincholesterol,HDLC)、肌酐(creatinine,Cre)、尿素氮(bloodureanitrogen,BUN)、谷丙转氨酶(alanineaminotransferase,ALT)、谷草转氨酶(aspartateaminotransferase,AST)。

1.3相关定义及诊断标准

高尿酸血症参考标准男性>420ummol/L,女性>360ummol/L[7];高血压参考标准收缩压(DBP)≥140mmHg或(和)舒张压(SBP)≥90mmHg,或者既往有高血压病史[8];中心性肥胖是指男性腰围(WC)≥90cm,女性腰围(WC)≥85cm[9];BMI<18.5kg/㎡为偏轻,18.5～<24.0kg/㎡为正常,24.0～<28.0kg/㎡为超重;≥28.0kg/㎡为肥胖[9]。

血脂四项参考范围:高密脂蛋白胆固醇为HDLC≥1.0mmol/L;低密脂蛋白胆固醇为LDLC<3.4mmol/L;总胆固醇为TC<5.2mmol/L;三酰甘油为TG<1.7mmol/L[10]。

肝肾功能参考范围:血肌酐(Cre)男性为54～106umol/L,女性为44～97 umol/L;尿素氮(BUN)为3.2～7.1 mmol/L[11]。谷丙转氨酶(ALT)和谷草转氨酶(AST)为0～40U/L。

1.4统计学分析

利用SPSS26.0及R4.1.2软件进行数据分析。计数资料采用频数和百分比比较,组间比较无序分类资料采用χ2检验,有序分类资料采用秩和检验。检验水准α=0.05。数据处理:数据缺失>10%直接删除,<10%通过R中mice包进行随机森林多重插补。通过随机数字法将数据集按7∶3的比例随机分为训练集和验证集,采用Lasso回归法进行危险特征选择,然后引入Logistic回归分析方法构建列线图模型。Lasso回归法是一种能够在参数估计的同时实现变量选择的回归方法,它通过增加惩罚函数使某些变量系数压缩为零,从而实现对高维变量的选择[12]。最后根据列线图计算个体发病概率并进行危险分层。

模型的评价:分别采用ROC曲线下面积(AUC)和校准曲线评价模型的区分度和校准度。模型的内部验证采用Bootstrap重抽样1000次进行验证;模型的外部验证:模型在验证集的区分度及校准度;绘制临床决策曲线(DCA)[13],用以判断列线图的临床效用。

2、结果

2.1基本资料

本研究共纳入1865名体检者,其中HUA者402名(男性358名,女性44名),患病率为21.55%。训练集和验证集之间差异无统计学意义,两组具有可比性(P>0.05)。见表1。

2.2变量筛选

在训练集中采用Lasso回归法筛选变量,最终选择了9个具有非零系数的变量,包括:性别、年龄、大豆类摄入量、中心性肥胖、BMI、LDLC、HDLC、TG、ALT。见图1A和1B。

表1训练集和验证集两组受试者基本资料比较

图1 Lasso回归模型选择变量

2.3构建列线图

将是否患HUA作为因变量,以LASSO回归筛选出的9个因素作为自变量,进行Logistic回归分析。见表2。

根据结果构建9因子的列线图模型,为了进一步简化使用流程,制作了网页版列线图,用户可根据实际情况点击相应的按钮,即可自动计算HUA的发病概率。HUA网页版网址:https://gaoniaosuan.shinyapps.io/Dyn Nomapp。

表2 Lasso回归模型筛选变量的多因素Logistic回归分析结果

2.4临床应用

根据列线图,计算个体HUA的发病概率,根据风险大小将其划分为4个等级:低危(发生率<8.29%)、中危(发生率<17.56%)、高危(发生率<30.81%)、极高危(发生率≥30.81%)。对不同HUA风险分层进行χ2检验,各层之间差异有统计学意义(χ2=243.693,P<0.05),这表明HUA发病率随着危险等级的增加而上升。

2.5预测模型的评价

常用区分度和校准度评价预测模型。该模型在训练集和验证集的AUC分别为0.749和0.741,说明该模型有较好的区分度,见图2。采用Bootstrap重抽样1000次对训练集进行内部验证,得到AUC为0.791。模型在训练集和验证集的Hosmer-Lemeshow检验结果分别为0.453和0.281(P>0.05),说明模型在数据集中拟合良好,校准曲线如图3A和3B所示。该模型的临床决策曲线表明,当训练集和验证集的发病概率分别在5%～70%和5%～65%的范围内时,对HUA患者采取干预可产生净收益。见图3。

图2预测模型的区分度

图3预测模型的校准曲线

图4预测模型的临床决策曲线

3、讨论

目前,我国HUA患病率逐年上升,呈现年轻化的特点[14]。HUA带来的相关危害仅次于“三高”(高血压、高血脂、高血糖),严重威胁着人类健康[15]。然而,HUA患者通常没有自觉症状,容易被忽视,常在靶器官出现损害或者体检时才发现[16]。因此,早建立HUA的预测模型、早期识别高危人群是HUA防治的关键。列线图是一种基于回归模型的图形工具,可以为个体提供准确和个性化的风险预测,对疾病管理具有促进作用[17]。本研究利用Lasso回归筛选HUA的危险因素并构建HUA列线图,经验证该模型具有较好的预测性能。

本研究结果显示,HUA的患病率为21.55%,高于已有的研究[3,18]。其中,21～<31岁人群比31～85岁的人群更容易发生HUA。可能与年轻人不健康的生活方式有关,包括工作压力大、习惯外出就餐、缺乏运动和高果糖摄入有关,这与以往研究结果一致[4,19]。男性较女性更易患HUA,可能与雌激素促进尿酸排泄有关[20]。流行病学研究表明,超重或肥胖人群发生HUA的风险更高[21]。本研究还发现,血脂和肝功能异常与HUA显著相关,LDLC偏高、HDLC偏低、TG偏高、肝功能指标异常更容易发生HUA,这与既往研究一致[22-23]。与不吃大豆相比,吃大豆的人发生HUA风险更低。因此,尿酸高的患者将部分肉替换成适量豆制品,可能有利于降低痛风发作的风险[24]。这与2017年英国风湿病学会发表的痛风管理指南一致[25]。

目前,国内外HUA预测模型研究中,体检指标结合生活方式资料的研究仍然有限,多数研究是基于体检资料构建的预测模型[26-27]。考虑到HUA患病率存在地区和人群的差异,以及该病对人类健康可能产生的一系列危害[28],本研究基于十堰市体检人群体检资料和生活方式资料,利用Lasso回归构建了具有较好预测性能的HUA网页版列线图,随后进行危险分层,有助于提高HUA高危人群分级分类管理,推进HUA防治工作顺利开展。同时,HUA网页版列线图及危险分层适用性较强,为该地区其他疾病防治工作提供了参考。

本研究的优缺点如下。优点:第一,本研究采用体检资料结合生活方式资料构建HUA预测模型,该模型纳入的变量容易获取,有利于医务人员早期、快速识别HUA的发病风险;第二,根据预测模型绘制HUA网页版列线图并进行危险分级,有利于推进HUA精准防控工作的开展。但该模型也存在一些局限性。首先,本研究为回顾性研究,剔除了不完整的病例,选择偏倚和回忆偏倚是固有的弱点,需要前瞻性研究来证实这些发现;其次,列线图的性能是在同一人群、同一数据库中评估的,是否适用于其他地区有待验证,可采用不同年份数据或其他医院数据进行多中心验证,进一步提升模型预测效能。

综上所述,利用Lasso回归构建的包含9个风险预测因子(性别、年龄、大豆类摄入量、中心性肥胖、BMI、LDLC、HDLC、TG、ALT)的网页版列线图来预测HUA的发病风险,该模型可作为评估HUA发病风险的良好工具;同时,列线图结合危险分层为HUA预防和控制提供理论依据。

参考文献:

[2]杨婷,王书蕊,王瑞瑞.中国老年人高尿酸血症患病率的系统评价[J].中国医药导报,2020,17(29):106-110.

[6]中华医学会健康管理学分会,中华健康管理学杂志编委会.健康体检基本项目专家共识[J].中华健康管理学杂志,2014,8(2):81-90.

[7]段宇,刘超.《高尿酸血症和痛风治疗中国专家共识》解读[J].国际内分泌代谢杂志,2013,33(6):376-378.

[8]王增武,王文.中国高血压防治指南(2018年修订版)解读[J].中国心血管病研究,2019,17(3):193-197.

[9]王友发,孙明晓,薛宏,等.《中国肥胖预防和控制蓝皮书》解读及中国肥胖预防控制措施建议[J].中华预防医学杂志,2019,53(9):875-884.

[10]中国成人血脂异常防治指南修订联合委员会.中国成人血脂异常防治指南(2016年修订版)[J].中华心血管病杂志,2016,44(10):833-853.

[11]马明珠,唐兰,钟立,等.基于列线图的高尿酸血症患病风险个体化预测[J].现代医药卫生,2021,37(22):3782-3787.

[13]成东亮,冯红梅,文戈,等.基于磁共振脂肪定量技术IDEAL-IQ的列线图模型在预测早期骨量丢失中的价值[J].南方医科大学学报,2021,41(11):1707-1711.

[15]陈剑锋,马斌.老年体检人群高尿酸血症流行现况及影响因素分析研究[J].中国全科医学,2020,23(5):604-610.

[16]章人尹,杨冬冬,徐丽丽.基于健康教育模式对高尿酸血症患者的干预效果研究[J].中国基层医药,2022,29(4):611-614.