摘要
目的：临床预测模型是近年来预防疾病发生、发展的良好工具，其有效提高了临床干预的预见性和主动性，而不同疾病的不同临床预测模型效果不一。本研究拟建立2型糖尿病合并周围神经病变的Logistic回归模型、决策树模型和基于Lasso-logistic回归的列线图模型临床预测模型，评价对比上述三种模型的预测效能，以便筛选出最适合2型糖尿病合并周围神经病变的预测模型，为临床早期干预提供有效指导。 方法： 1.病例收集：收集山东省德州市临邑县中医院2020年～2022年期间343例经临床诊断为T2DM的患者纳入研究，收集患者的一般资料、临床症状体征、实验室指标等指标。 2.数据录入：将收集到的病历资料进行筛选，并整理录入Excel表格后导入SPSS20.0软件。 3.建模变量指标的筛选：初步对研究指标进行探究，根据患者是否合并有周围神经病变进行分组，通过组间对比筛选出影响2型糖尿病患者合并周围神经病变的独立危险因素，选取有意义的指标作为后续建模指标。 4.建立数学模型：将筛选出的指标（Plt;0.05）制成数据表，随机抽取70%的患者（240例）作为训练集，使用SPSS构建Logistic回归模型和决策树模型，将剩余的30%患者（103例）作为测试组，用于测试模型效能诊断性能。同时，将筛选出的单因素分析有意义的数据表整理成Excel表格后，录入RStudio软件中，首先加载“glmnt”、“Matrix”、“foreach”包后构建Lasso-logistic回归模型，随后加载Norgram包、rms包、运行代码构建可视化列线图模型。 5.模型评估：分别计算各个模型的预测灵敏度和预测特异度，同时绘制各个模型的受试者工作特征曲线(ROC)曲线评估各个模型的诊断效能。 结果： 1.研究对象一般资料对比 DPN组（n=98）与对照组（n=142）的性别和BMI指数无统计学差异（Pgt;0.05），年龄、病程及合并视网膜病变情况均存在统计学差异（Plt;0.05）；验模组患者103例，其中DPN组40例，建模组（n=240）与验模组（n=103）患者的性别、年龄、病程、BMI指数及合并视网膜病变情况对比均无统计学差异（Pgt;0.05）。 2.研究对象实验室相关指标比较 DPN组与对照组空腹血糖水平、2h餐后血糖水平、白细胞计数、嗜酸性粒细胞、淋巴细胞、TC、TG、ApoA1、ApoB对比无统计学差异（Pgt;0.05），但DPN组患者的糖化血红蛋白水平、hs-CRP、LDL-C、SUA均明显高于对照组（Plt;0.05），HDL-C水平明显低于对照组（Plt;0.05）；建模组（n=240）与验模组（n=103）患者的血糖指标（空腹血糖水平、2h餐后血糖水平、糖化血红蛋白水平）、炎症指标（白细胞计数、嗜酸性粒细胞、淋巴细胞、hs-CRP）、血脂指标（TC、TG、ApoA1、ApoB、HDL-C、LDL-C）及血尿酸水平对比均无统计学差异（Pgt;0.05）。 3.从一般资料、炎症指标、血糖指标、血脂指标、尿酸指标中筛选出有统计学意义（Plt;0.05）且无线性相关的8个因素（合并视网膜病变、年龄、病程、HbAlc、HDL-C、LDL-C、hs-CRP、SUA）为变量进行二元Logistic多因素回归分析，多因素结果分析显示结果显示年龄、病程、HbAlc、LDL-C是DPN的独立危险因素，模型表达式为：logit(P)=14.164-1.414*年龄-6.245*病程-0.988HbAlc+3.152LDL-C。 4.决策树模型以T2DM合并DPN为因变量，将从一般资料、炎症指标、血糖指标、血脂指标、尿酸指标中筛选出有统计学意义（Plt;0.05）且无线性相关的8个因素（合并视网膜病变、年龄、病程、HbAlc、HDL-C、LDL-C、hs-CRP、SUA）作为自变量纳入模型分析，使用CRT算法及交叉验证，节点改进显著水平设置为0.001。最终结果显示，决策树模型共分为3层，共12个节点，筛选出3个解释变量，分别为病程、LDL-C和年龄。 5.使用R语言构建的Nomogram预测模型参数来自于Lasso-logistic回归模型，Lasso-logistic回归模型结果显示年龄、病程、HbAlc、LDL-C及HDL-C是DPN的独立危险因素，并基于此绘制列线图模型。Nomogram列线图模型每个因素的不同状态对应于分数表上特定分数，通过将模型中所有因素的分值计算出个人的总分，可以很容易的得出总分所对应的DPN风险概率。 6.模型组中Logistics预测模型、决策树预测模型、列线图模型的ROC曲线下面积分别为0.89、0.92和0.90，提示预测模型准确性均较高，其中决策树预测模型的效能最佳。同时，验证组中Logistics预测模型、决策树预测模型、列线图模型的ROC曲线下面积分别为0.88、0.93和0.89，模型稳定性均较理想，而列线图模型的可视化效果最佳，更便于理解。 结论： 1.合并视网膜病变、年龄、病程、HbAlc、hs-CRP、HDL-C、LDL-C、SUA与DPN的发生、发展密切相关。 2.年龄、病程、HbAlc、LDL-C是DPN的独立危险因素。 3.Logistic模型、决策树模型和列线图模型中决策树模型的预测DPN的效能相对较好，而基于Lasso-logistic回归的列线图模型更加直观，便利理解，采纳各模型的优势可在DPN初期预防管理方面为临床提供有效的参考依据。
NETL