论文部分内容阅读
背景:糖尿病肾病(diabetic nephropathy,DN),已取代炎症因素和免疫因素成为终末期肾脏病的主要原因。衰老在糖尿病(diabetes mellitus,DM)、慢性肾脏病(chronic kidney disease,CKD)乃至DN的发生发展中均发挥了重要作用,而关于研究不同年龄段合并糖尿病的CKD患者的临床病理特征研究较少。其次,2007年发表的慢性肾脏病临床实践指南(Kidney disease Outcomes quality initiative,KDOQI)提出了 DN和非糖尿病肾脏疾病(nondiabetic renal disease,NDRD)的诊断标准,并且被广泛接受,然而它在中国人群中的诊断效能仍然未知。机器学习在多种疾病的诊断中发挥了良好的作用,然而目前在DN和NDRD的鉴别诊断效能未知。因此,本研究旨在分析不同年龄阶段糖尿病患者中NDRD患者的临床病理特征。验证慢性肾脏病临床实践指南在中国人群中的诊断效能,并利用机器学习模型,建立新的鉴别诊断模型。方法:本研究共分为三个部分。第一部分,我们将收集1997年3月至2017年3月在我院肾活检的所有2型DM的患者,根据年龄分为青年组、中年组和老年组,比较这三组之间的临床和病理特征。第二部分我们收集了 2007年至2016年间在我院进行肾活检的所有2型DM的患者。根据肾活检结果,分为三组:DN组、NDRD组、DN合并NDRD组。验证KDOQI指南的诊断效能。第三部分将收集2005年-2017年3月在我院肾活检的2型DM的患者,利用随机森林和支持向量机模型建立新的DN和NDRD的鉴别诊断模型结果:第一部分的研究共纳入982人。IgA肾病是青年组NDRD病人中最常见的病理类型;膜性肾病是老年组NDRD病人中最常见的病理类型。且NDRD的危险因素对NDRD的鉴别效能和年龄相关。第二部分的研究共纳入773人。KDOQI指南表现出较好的灵敏度,但特异度较差。快速下降的eGFR,系统性疾病,难治性高血压以及灰区人群的存在都是导致其诊断一致性较低的原因。第三部分的研究共纳入942人。利用随机森林和支持向量机模型构建的鉴别诊断模型的ROC曲线下面积均达到0.95左右。结论:不用年龄组的NDRD患者的临床特征和病理特征均和年龄相关。2007年发表的KDOQI指南的诊断仍有一定的不一致性,较好的灵敏度使得它更适合作为NDRD的筛选条件。机器学习在DN和NDRD的鉴别诊断中均发挥了较为稳定的效果。