研究背景近年来,糖尿病患病率迅猛增加,带来沉重的经济社会负担;加之起病隐匿,约50.0%的糖尿病患者未诊断,部分诊断时已罹患心、脑、肾等慢性并发症,从而消耗更多的健康照护资源。早期识别、早期干预有望减轻糖尿病及其并发症带来的严重危害,因此全球迫切需要简单、灵敏、经济的筛查方法加强对无症状糖尿病患者的早期识别和防控。糖尿病风险评分被认为是糖尿病预测和筛查建模的基础之一,一方面可引起人们对早期诊断的重视;另一方面方法简单,具有良好的成本效益。国外研究设计出一些简便快捷、灵敏度较高的模型,我国也参照其他国家模型进行了相关研究。但我国国情复杂,地域广阔,民族众多,导致相关研究结果及其应用不尽如人意。因此,我国的糖尿病筛查工具开发需基于多民族调查数据和国情民情特点,运用更为科学的建模方式和评价方法,进一步提高模型的稳定性、普适性、经济性。研究目的基于多民族调查数据,构建基于风险评分的适合我国多民族人群的无创、简便、经济的糖尿病筛查模型,包括Non-lab以及Semi-lab联合模型,运用受试者工作特征曲线、净重新分类指数、综合判别指数、净获益率以及决策曲线分析等对新建模型的准确性进行评价并与目前中国糖尿病风险评分表的效能进行比较,从而更好的判别模型的实际应用价值和潜在的经济社会学效益。研究内容与方法现场调查:在2017年间,运用分层多阶段整群随机抽样的方法在我国7省市8个地区20~70岁的社区人群中进行现场调查,了解未诊断糖尿病人群的检出率。调查内容包括人口统计学信息、体质指标、实验室指标、生活方式信息等。基于调查资料,通过单因素方差分析比较不同民族间基线资料的差异。正态分布的连续性变量采用均数±标准差(x±s)表示,非正态分布的数据采用中位数(25%-75%百分位数)描述,计量资料以例数(百分比)表示。多组数据之间的比较采用单因素方差分析或Kruskal-Wallis H-test。率的比较采用卡方检验。模型构建及验证:构建Non-lab和Semi-lab模型。将参与者按照3:1比例随机分成模型训练组和模型验证组,根据单因素Logistic回归结果筛选与糖尿病相关的潜在危险因素,并将这些危险因素纳入到二元Logistic模型中,得出一个最适的Non-lab模型,随后在Non-lab模型的基础上添加餐后2小时段间尿糖这一变量用以构建Semi-lab模型。并根据最终Non-lab和Semi-lab模型结果建立列线图。采用bootstrap自抽样的方法分别在模型训练组和模型验证组中进行比较,判断模型的内部准确性。同时采用受试者工作曲线下面积(AUC)这一指标分别比较所建立模型的外推价值。随后,通过shiny包将所获得的筛查模型进行网站构建,建立方便的糖尿病早期识别网站。模型比较:将构建的Non-lab及Semi-lab模型与中国糖尿病风险评分表在不同性别、民族之间采用受试者工作特征曲线(ROC)进行比较,判断这3个模型在本次调查人群中的应用效能,同时通过净重新分类指数(NRI)、综合判别指数(IDI)、净获益率以及决策曲线分析(DCA)评价上述模型在实际应用中的价值和潜在的经济社会学效益。所有统计分析均采用R 3.4.1(http://www.r-project.org)及易侕统计软件(www.empowerstats.com,X&Y solutions,Inc.Boston MA)完成。结果1.研究对象中,未诊断糖尿病人群检出率为9.8%。不同民族人群未诊断糖尿病检出率间差异具有统计学意义(P<0.001)。汉族人群未诊断糖尿病患者检出率为13.7%,哈萨克族糖尿病未诊断糖尿病患者检出率为4.2%。35.8%的人伴有高血压,其中壮族伴有高血压的患者占比最高,达52.9%,维吾尔族高血压患者占比最低,为15.7%,男性患者多于女性。2.哈萨克族人群腰围与体质指数分别为90.1±12.2 cm和27.6±4.8 kg/m~2,在各民族中人群最高。维吾尔族和哈萨克族的总胆固醇水平、甘油三酯水平最低。朝鲜族人群肌酐和尿素氮水平最低;哈萨克族人群尿酸平均值最低。2小时段间尿糖定性研究结果显示,维吾尔族人群尿糖阴性比例最高(93.1%),壮族最低(83.7%);壮族人群尿糖3+比例最高,维吾尔族最低。朝鲜族吸烟、饮酒、久坐等比例相对较高,维吾尔族、哈萨克族人群吸烟和饮酒比例较低。3.Non-lab模型包括性别、年龄、体重指数、腰围、高血压、民族、蔬菜日用量和糖尿病家族史等八个指标。Non-lab模型AUC为0.761,最佳截断概率为0.098,在最佳切点处,Non-lab模型的敏感度和特异度分别为72.1%和67.3%。4.Semi-lab模型包括性别、年龄、体重指数、腰围、高血压、民族、蔬菜日用量和糖尿病家族史、餐后2小时段间尿糖等九个指标。Semi-lab的最佳截断概率为0.088。在最佳切点处,Semi-lab的敏感度和特异度分别为76.3%和81.6%。Semi-lab模型相对于Non-lab模型能提高14.3%的特异度以及4.2%的灵敏度。5.Semi-lab模型AUC为0.869,相对于中国糖尿病评分量表提高了12.8%,相对于Non-lab模型提高了10.8%;Non-lab模型与中国糖尿病评分量表差异无显著性(P=0.3271)。6.Non-lab模型在维族中的预测效果最佳(AUC分别为0.808),其次为哈萨克族(AUC分别为0.790)。Semi-lab模型则在朝鲜族中的预测效果最佳(AUC为0.885),其次为哈萨克族和维吾尔族。7.在对Non-lab模型、Semi-lab模型以及中国糖尿病评分表按照阈值概率等于0.1进行重新分类后,Semi-lab模型相对于中国糖尿病风险评分表、NRI和IDI值在不同的亚组均大于0,NRI提高了20.75%,IDI提高了22.20%,而相对于Non-lab模型NRI提高了19.29%,IDI提高了21.34%。8.决策曲线分析的结果显示Semi-lab模型在阈值概率设定为0.1的情况下相对于中国糖尿病风险评分表和Non-lab模型在不增加假阳性结果的前提下额外使每100人中16~17个个体免于不必要的OGTT试验。结论相对于现有的方法,本项目研究建立的Non-lab和Semi-lab是一种无创、简便、经济、操作性相对较好的糖尿病筛查工具,基于这两个模型建立的可视化列线图和网站能够较方便计算每个个体的糖尿病风险,促进糖尿病的早期识别。