1 型糖尿病，作为一种常见的自身免疫性疾病，严重影响着患者的生活质量和健康。目前，精准预测 1 型糖尿病的发病风险，对预防疾病进展、筛选合适的预防试验参与者意义重大。然而，现有研究虽能实现一定程度的风险预测，但在预测模型的性能、成本以及参与者负担之间，却难以达到平衡。许多预测模型研究仅聚焦于寻找最佳预测性能的模型，却忽视了综合考量成本和参与者时间等实际因素。在这样的背景下，开展一项全面评估 1 型糖尿病预测模型性能、成本和参与者时间关系的研究迫在眉睫。
为解决这些问题，由 Lauric A. Ferrat 等人组成的研究团队，依托国际网络 Type 1 Diabetes TrialNet 开展研究。该研究旨在比较不同 1 型糖尿病预测模型在预测性能、成本和参与者检测所需时间方面的差异，为制定更高效的风险筛查策略提供依据。最终研究成果发表于《Diabetologia》杂志。
研究人员主要运用了以下关键技术方法：首先，选取 TrialNet Pathway to Prevention 研究中 4377 名参与者的数据，这些参与者需满足已进行基因分型、至少有一种胰岛自身抗体且基线口服葡萄糖耐量试验（OGTT）在入组后一年内完成等条件 。接着，通过基因分型计算 1 型糖尿病遗传风险评分（GRS2），并进行自身抗体检测、代谢指标测量等。在数据分析阶段，运用 Cox 比例风险（CPH）模型和生存随机森林模型构建预测模型，使用时间依赖的受试者工作特征曲线下面积（ROC AUC）和 Brier 评分评估模型性能。
下面来详细看看研究结果：
- 模型性能评估：Cox 模型与生存随机森林模型性能相当。在临床前期 1 型糖尿病各阶段，众多模型表现相似。含 AUC 葡萄糖、HbA1c和 Index 60 等代谢指标的模型性能最佳，但 GRS2 和 Index 60 组合的模型也有类似表现。不同阶段模型性能存在差异，单自身抗体阳性参与者预测性能最高，1、2 期逐渐降低。部分变量如葡萄糖 AUC 持续提升预测力，C 肽 AUC 仅在特定阶段有效。GRS2 在单自身抗体阳性参与者各预测期都能改善预测，在 1、2 期短期效果不明显，长期则有一定提升。年龄、BMI 等对模型性能影响较小，但在特定情境下有作用，经典模型表现较好。
- 成本分析：性能最佳的模型成本差异大，部分高成本模型预测性能好，但数据收集成本高，可达 293 美元。CPH 和 LR 模型成本优势明显，为 88 美元。基于 Index 60 的模型性能和成本适中，约 125 美元。基于 HbA1c和临床变量的模型成本较低，小于 60 美元。
- 参与者时间考量：代谢变量对模型性能至关重要，但纳入会增加参与者时间。Index 60 在保证性能的同时所需时间较少，含 C 肽30评分或 β2 评分的模型所需时间更少，但性能较差。
- 总体最佳性能：通过 Pareto front 算法筛选出 19 个综合性能最佳的模型。这些模型可分为三组，第一组高性能但高成本和高参与者时间；第二组在性能、成本和参与者负担间取得较好平衡；第三组预测力相对较低，但无需 OGTT，成本和参与者时间大幅降低。
研究结论和讨论部分指出，本研究首次全面评估了 1 型糖尿病预测模型在性能、成本和参与者时间方面的关系。研究发现不同模型在各方面各有优劣，不存在全面最优的模型。在资源有限的情况下，需权衡这些因素选择合适模型。基于 HbA1c的模型在 1、2 期可替代基于 OGTT 的模型预测风险。GRS2 在单自身抗体阳性阶段预测价值高，但在多自身抗体阶段成本效益有待研究。尽管研究存在局限性，如参与者多为欧洲血统、未评估部分模型等，但研究结果仍为 1 型糖尿病的公共卫生筛查和监测提供了重要参考，有助于在实际应用中合理分配资源，提高预测效率。
生物通微信公众号
