编辑推荐：
本研究针对2型糖尿病(T2D)预测模型的优化需求，通过分析英国生物银行(UK Biobank)和美国三大队列(NHS/NHSII/HPFS)数据，系统评估了自我报告睡眠特征(睡眠时长和失眠症状)对QDiabetes预测模型的改进效果。研究发现虽然极端睡眠时长(≤5h/≥10h)和频繁失眠症状与T2D风险显著相关(HR 1.20-1.28)，但加入这些睡眠特征后模型区分度(C statistic 0.8933→0.8935)和重分类改善(NRI 0.04)均未达临床意义阈值。值得注意的是，加入多基因风险评分(PGS)虽使C statistic提升至0.8946，但改善幅度仍有限。该研究为临床实践中T2D风险评估工具的优化提供了重要循证依据。
在当今全球糖尿病负担日益加重的背景下，精准预测2型糖尿病(T2D)风险成为公共卫生领域的重要课题。虽然现有的QDiabetes风险评估工具已整合17项临床变量并展现出良好预测效能(C statistic≈0.87)，但研究者们仍在持续探索能否通过纳入更多易获取的特征来进一步提升预测精度。睡眠障碍作为现代社会的普遍问题，既往研究已证实极端睡眠时长和失眠与T2D风险存在关联，但这些自我报告指标是否能为现有预测模型带来增值效益尚不明确。
为解决这一科学问题，曼彻斯特大学医学院糖尿病、内分泌与消化病学系的研究团队联合哈佛医学院等国际机构，开展了一项跨越英美两大数据库的大规模队列研究。研究人员创新性地将睡眠特征与传统QDiabetes变量、多基因风险评分进行系统比较，相关成果发表在糖尿病领域顶级期刊《Diabetologia》上。
研究采用英国生物银行(UK Biobank)492,114名参与者和美国NHS/NHSII/HPFS队列183,920名参与者的长期随访数据，通过Cox比例风险模型评估睡眠特征的独立预测价值，并运用Harrell's C统计量和净重分类改善指数(NRI)等先进统计方法比较不同模型的预测效能。所有分析均经过多重插补处理缺失数据，并在独立队列中得到验证。
研究结果部分的小标题和主要发现如下：
临床效用分析：极端睡眠时长与T2D风险呈U型关联，调整QDiabetes变量后，≤5小时和≥10小时睡眠者的风险分别增加20%(HR 1.20)和28%(HR 1.28)；频繁失眠症状("usually")者的风险增加22%(HR 1.22)。这些关联在英美队列中表现一致。
预测模型比较：加入睡眠特征后，基础QDiabetes模型的C statistic仅从0.8933微升至0.8935；失眠症状的加入甚至导致事件NRI降低(-0.32)。当排除BMI和生化指标后，睡眠时长使C statistic从0.7589升至0.7608，提示在基层医疗场景中可能具有一定补充价值。
多基因评分的增量价值：PGS的加入使模型区分度提升至0.8946，总NRI达0.18，优于睡眠特征的改善效果，但绝对值仍低于临床实用阈值。
亚组分析启示：在抑郁症患者中，睡眠特征的加入使非事件NRI提高0.55，但未显著改善整体预测效能；种族分层分析显示非洲裔人群基础模型区分度极高(C statistic 0.9641)，各类新增指标改善空间有限。
讨论部分强调，尽管睡眠障碍与T2D的病理生理联系已被广泛证实（可能通过影响胰岛素敏感性、炎症水平和食欲调节等机制），但本研究首次证明这些关联已被现有QDiabetes变量（特别是BMI）充分捕捉。这一发现具有重要临床指导价值：一方面避免了医疗场景中不必要的睡眠评估负担；另一方面提示未来研究应关注其他未被现有模型涵盖的新型生物标志物。值得注意的是，在资源有限地区或无法获取生化检测时，简单询问睡眠时长可能有助于初步风险分层。
该研究的创新性在于首次系统评估了睡眠特征在T2D预测中的临床效用边界，并为精准医学时代下遗传风险评分的应用前景提供了客观证据。研究结果将直接指导临床实践，帮助医疗决策者合理配置有限的疾病筛查资源，同时也为后续研究指明了方向——即需要探索更具区分度的新型预测因子而非已被现有模型涵盖的传统风险因素。
生物通微信公众号
生物通 版权所有
