背景：糖尿病心脏自主神经病变(DCAN)是一种严重且常被漏诊的糖尿病微血管并发症，与死亡率增加相关。标准心血管自主神经反射试验(CARTs)复杂耗时，阻碍其在临床常规筛查中的广泛应用。本研究旨在利用易于获取的临床变量，开发并验证糖尿病患者DCAN的预测列线图。
方法：研究人员回顾性分析了2022年2月至2025年12月期间深圳市人民医院收治的453例1型或2型糖尿病患者的临床数据。数据集按7:3随机分为训练集(70%)和验证集(30%)。采用单因素分析、最小绝对收缩和选择算子(LASSO)回归和多因素Logistic回归相结合的严格筛选策略确定关键预测因子。构建了四种候选预测模型：Logistic回归(LR)、随机森林(RF)、极端梯度提升(XGBoost)和轻量梯度提升机(LightGBM)，并从区分度、校准度和临床实用性方面进行评估。最优模型被可视化列线图和交互式网络计算器。
结果：研究人群中DCAN患病率为45.0%(204/453)。确定了七个独立预测因子：糖尿病视网膜病变(DR)或糖尿病肾病(DKD)病史、糖尿病病程、年龄、心率(HR)、空腹血糖(FPG)和糖化血红蛋白(HbA1c)。在测试的算法中，LR模型在验证队列中表现出最均衡的性能(曲线下面积(AUC)=0.838)，且具有最高的敏感度(77.0%)，因此被选为最优预测工具。随后，LR模型被转化为预测列线图。该列线图显示出良好的校准度和用于个体化风险评估的潜在临床实用性。
结论：研究人员成功开发并验证了适用于1型和2型糖尿病的高灵敏度DCAN预测模型。开发的视觉列线图和基于网络的交互式工具是经济高效且用户友好的工具，可促进早期风险评估和个性化临床管理。
糖尿病心脏自主神经病变（DCAN）预测列线图模型的开发与验证研究解读
研究背景与意义
糖尿病心脏自主神经病变（DCAN）是糖尿病严重且常被忽视的微血管并发症，其特征是支配心血管系统的自主神经纤维受损，导致心率（HR）控制和血流动力学调节紊乱。流行病学数据显示，2型糖尿病（T2DM）患者DCAN患病率在31%至73%之间，1型糖尿病（T1DM）患者在17%至66%之间。DCAN与一系列严重不良心脑血管结局密切相关，包括无症状心肌梗死（MI）、心力衰竭、恶性心律失常、缺血性卒中和心源性猝死。既往研究表明，DCAN患者的5年死亡风险约为无自主神经功能障碍个体的5倍。然而，DCAN起病隐匿，早期常缺乏特异性症状，导致临床实践中大量漏诊。虽然心血管自主神经反射试验（CARTs）是诊断DCAN的金标准，但这些测试复杂、耗时，且需要专门设备和训练有素的人员，阻碍了其在临床常规筛查中的实施。许多患者错过了早期检测和及时干预的关键窗口，因此亟需一种简单、可及的筛查工具来识别DCAN高风险个体。现有预测方法在预测因子选择、模型复杂性和临床适用性方面差异较大，传统统计模型与当代机器学习算法在统一临床框架内的系统比较有限，且预测模型向直观、临床可部署工具的转化尚未得到充分探索。为此，研究人员利用回顾性队列数据，开发并验证了基于常规临床变量的DCAN预测模型，并系统比较了四种机器学习算法的性能，最终将最优模型转化为可视化列线图和交互式网络计算器，以促进早期风险评估和个性化临床管理。该研究发表于《Frontiers in Endocrinology》。
关键技术方法
研究人员回顾性分析了2022年2月至2025年12月在深圳市人民医院内分泌科住院的453例T1DM或T2DM患者数据。纳入标准为确诊糖尿病且年龄≥18岁；排除标准包括妊娠糖尿病或其他特殊类型糖尿病、急性感染或应激、严重心脑血管疾病、严重肝肾功能不全、急性糖尿病并发症、恶性肿瘤、影响自主神经系统的疾病以及近期使用影响心率或自主神经功能药物的患者。所有患者均接受标准化CARTs评估，DCAN诊断参考多伦多糖尿病神经病变专家组提出的标准。数据集按7:3随机分为训练集和内部验证集，缺失数据采用链式方程多重插补法处理。通过单因素分析、LASSO回归和多因素Logistic回归的三步特征选择策略确定独立预测因子。基于最终预测因子，构建了四种候选预测模型：Logistic回归（LR）、随机森林（RF）、极端梯度提升（XGBoost）和轻量梯度提升机（LightGBM）。模型性能通过受试者工作特征（ROC）曲线、曲线下面积（AUC）、敏感度、特异度、校准曲线和决策曲线分析（DCA）进行综合评估。最优模型被转化为静态列线图和基于Shiny框架的动态网络计算器。
研究结果
3.1 研究人群的基线特征
研究共纳入453例患者，其中男性288例（63.6%），女性165例（36.4%），中位年龄57岁。根据CARTs评估，204例（45.0%）患者诊断为DCAN（DCAN组），249例（55.0%）为非DCAN组。DCAN组患者年龄显著更大，糖尿病病程更长，DR和DKD患病率显著更高。此外，DCAN组患者的脉压（PP）、心率（HR）、空腹血糖（FPG）、糖化血红蛋白（HbA1c）、尿白蛋白肌酐比（UACR）、甘油三酯葡萄糖（TyG）指数和全身炎症反应指数（SIRI）水平均显著升高。两组在性别分布、BMI、高血压患病率、药物使用及血脂谱等方面无显著差异。
3.2 预测因子的选择
在训练集中，单因素分析中具有统计学显著性（P<0.05）的变量进入LASSO回归以减少多重共线性和过拟合，通过十折交叉验证确定最优正则化参数（λ），保留了9个非零系数潜在预测因子：年龄、糖尿病病程、DR病史、DKD病史、PP、HR、FPG、HbA1c和TyG指数。随后将这些特征纳入多因素Logistic回归分析，最终确定7个DCAN独立危险因素：年龄（OR=1.033，P=0.030）、糖尿病病程（OR=1.048，P=0.026）、DR病史（OR=3.314，P<0.001）、DKD病史（OR=2.025，P=0.034）、HR（OR=1.029，P=0.014）、FPG（OR=1.174，P=0.030）和HbA1c（OR=1.143，P=0.033）。这7个变量被用于构建最终预测模型。
3.3 预测模型的构建与验证
将7个独立预测因子整合到四种机器学习算法中。验证集综合预测性能显示，四种方法均表现出稳健的判别能力，AUC值在0.828至0.839之间。DCA表明所有模型相比“全部治疗”或“全部不治疗”策略均提供显著的临床净获益。尽管各算法AUC值相当，但LR模型表现出最均衡的性能，且获得最高敏感度（77.0%）。鉴于敏感度在筛查中的重要性以及线性模型的可解释性，LR模型被选为最优候选模型。
3.4 模型的可解释性与临床应用
基于最终Logistic回归分析建立静态列线图，通过汇总各预测因子特定分值，可直观估计个体患DCAN的概率。校准评估显示训练集（χ²=12.364，df=8，P=0.136）和验证集（χ²=5.775，df=8，P=0.672）Hosmer-Lemeshow拟合优度检验P值均不显著，表明预测概率与观察结果高度一致。为促进临床部署，研究人员开发了基于Shiny框架的交互式网络动态计算器，使临床医生能够输入特定参数并实时获取DCAN风险预测及95%置信区间（CI）。
讨论与结论总结
讨论部分指出，既定的自主神经评估框架对于确诊诊断和严重程度分级至关重要，但其实施需要标准化操作、训练有素的人员和专用测试条件，难以作为常规糖尿病护理中普遍的一线筛查工具。本研究提出的模型并非旨在取代既定诊断系统，而是改善检测前风险富集，帮助优先安排患者进行确诊性CARTs检查。与既往研究相比，本模型强调临床可及性和转化，从常规可用变量开发，通过多种建模方法比较，并转化为列线图和网络计算器，有助于常规糖尿病护理中的检测前风险分层和实际实施。保留的预测因子共同反映了三个临床可解释的维度：累积代谢暴露、微血管并发症负担和自主神经失衡。DR和DKD作为强独立预测因子，支持了“共同土壤”假说；HbA1c和FPG均被保留，提示慢性血糖暴露和空腹高血糖均贡献预测信息；糖尿病病程和年龄反映了DCAN风险的累积性质；静息HR是关键生理预测因子，反映交感神经与副交感神经调节的平衡。研究也存在局限性，包括回顾性横断面设计无法确定时间顺序、缺乏外部验证、未收集详细治疗水平数据等。未来需要多中心前瞻性研究和外部验证来确认其普适性和临床效用。
结论：研究人员成功开发并验证了适用于1型和2型糖尿病的高灵敏度DCAN预测模型。为促进个性化风险评估和筛查，该模型被转化为直观的列线图和交互式网络工具。虽然当前模型表现良好，但未来仍需进行外部验证的多中心前瞻性研究，以确认其在不同人群中的普适性和临床效用。
打赏
