目的在中国人群中构建的2型糖尿病风险预测模型较少。本研究旨在基于河南省某农村人群建立2型糖尿病的非侵袭性和侵袭性风险评分模型,并评价其预测效能,为在农村人群开展2型糖尿病高危人群的筛检及干预工作提供科学证据。方法于2007年7~8月和2008年7~8月选取20194名年龄≥18岁农村居民进行问卷调查、体格检查、空腹血糖及脂质谱检测。于2013年7~8月和2014年7~10月对上述调查对象进行相同内容的随访,共随访到17265名。排除随访期间死亡(1110名)、基线确定为2型糖尿病(1302例)、1型糖尿病(12例)和随访不确定是否为2型糖尿病(2556名)的对象,最终纳入12285名调查对象。以1:1的比例将其随机分为建立预测模型组(建模组,6143名)和验证预测效能组(验证组,6142名)。采用Cox比例风险回归模型分析,对每个有统计学显著性的自变量,以10倍的回归系数(β)为其赋值,即得评分模型。分别以体质指数、腰围、腰身比、体质指数+腰围为肥胖指标,同时纳入其他非侵袭性自变量建立非侵袭性评分模型。增加血脂水平、空腹血糖、血脂水平+空腹血糖建立侵袭性评分模型。以风险分值为自变量、是否为2型糖尿病患者为因变量,进行受试者工作特征(ROC)曲线分析,选择约登指数最大处的风险分值为最佳切点。综合考虑曲线下面积(AUC)及约登指数选择出最佳非侵袭性评分模型和侵袭性评分模型,并应用到验证组验证其预测效能。同时,应用趋势χ2检验比较估计的风险评分与实际的2型糖尿病累计发病率。结果1.调查对象随访6年后新发2型糖尿病779例,其中建模组376例,发病密度为10.24/1000人年;验证组403例,发病密度为10.98/1000人年,两组人群2型糖尿病发病密度差异无统计学意义(u=0.92,P=0.179)。2.最佳非侵袭性评分模型(模型4)以25分为最佳切点,灵敏度为65.96%,特异度为66.47%。该模型纳入的预测变量有年龄、睡眠时间、体质指数、腰围和高血压。以<30岁为参照组,30~44、45~59和≥60岁的β值为1.07、1.58和1.67,赋予11、16和17分;以睡眠时间8.0~9.9 h/d为参照组,睡眠时间≥10.0h/d的β值为0.27,赋予3分;以体质指数18.5~23.9 kg/m2为参照组,体质指数24.0~27.9和≥28.0 kg/m2的β值为0.53和1.00,赋予5和10分;以腰围<85(男)/<80(女)为参照组,85 cm≤腰围<90 cm(男)/80 cm≤腰围<85 cm(女)、腰围≥90 cm(男)/腰围≥85 cm(女)的β值为0.44和0.65,赋予4和7分;以未患高血压为参照组,高血压患者的β值为0.34,赋予3分。3.最佳侵袭性评分模型(模型7)以22分为最佳切点,灵敏度为65.69%,特异度为76.56%。该模型纳入的预测变量有年龄、体质指数、高血压、高甘油三酯血症和空腹血糖水平。以<30岁为参照组,45~59和≥60岁的β值为1.14和1.11,赋予11和11分;以体质指数18.5~23.9 kg/m2为参照组,体质指数24.0~27.9和≥28.0 kg/m2的β值为0.60和0.93,赋予6和9分;以未患高血压为参照组,高血压患者的β值为0.34,赋予3分;以未患高甘油三酯血症为参照组,高甘油三酯血症患者的β值为0.50,赋予5分;以空腹血糖<5.6 mmol/L为参照组,空腹血糖5.6~6.0和≥6.1 mmol/L的β值为1.10和2.29,赋予11和23分。4.模型4和模型7的AUC(95%CI)分别为0.66(0.65~0.67)和0.75(0.74~0.76),差异有统计学意义(P<0.001)。芬兰FINDRISC模型的AUC(95%CI)为0.64(0.63~0.65),与模型4的AUC差异无统计学意义(P=0.135)。美国Framingham模型的AUC(95%CI)为0.71(0.70~0.72),低于模型7(P=0.005)。结论1.本研究基于河南省某农村的队列人群,建立了一个以年龄、睡眠时间、体质指数、腰围和高血压为预测变量的非侵袭性2型糖尿病风险评分模型。2.本研究建立了一个以年龄、体质指数、高血压、高甘油三酯血症及空腹血糖为预测变量的侵袭性2型糖尿病风险评分模型。3.高年龄、睡眠时间过长的人群应更加注重2型糖尿病的预防,且2型糖尿病的防控应与肥胖、高血压、血脂异常尤其是高甘油三酯血症的预防同时进行。