亚洲2型糖尿病发病风险预测模型的系统评价

doi:10.12114/j.issn.1007-9572.2022.0358

中国全科医学 ›› 2022, Vol. 25 ›› Issue (34): 4267-4277.DOI: 10.12114/j.issn.1007-9572.2022.0358

亚洲2型糖尿病发病风险预测模型的系统评价

贺婷, 袁丽^*(), 杨小玲, 叶子溦, 李饶, 古艳

610041　四川省成都市，四川大学华西护理学院/四川大学华西医院内分泌代谢科

收稿日期:2022-05-16 修回日期:2022-09-11 出版日期:2022-12-05 发布日期:2022-09-29
通讯作者: 袁丽
贺婷，袁丽，杨小玲，等.亚洲2型糖尿病发病风险预测模型的系统评价[J].中国全科医学，2022，25（34）：4267-4277.[www.chinagp.net]
作者贡献：贺婷负责文章的构思、设计与撰写，并对文章整体负责，监督管理；贺婷、叶子溦、李饶负责文献、资料的收集与整理；贺婷、袁丽，杨小玲负责文献偏倚风险和适用性评估、论文的修订；贺婷、古艳负责文章的质量控制及审校。
基金资助:
四川省科技厅项目(2019YFS0305，2022YFS0271); 四川省卫健委课题(20PJ023); 四川大学华西医院学科卓越发展1·3·5工程临床研究孵化项目(2019HXFH045)

Risk Prediction Models for Type 2 Diabetes in Asian Adults: a Systematic Review

HE Ting, YUAN Li^*(), YANG Xiaoling, YE Ziwei, LI Rao, GU Yan

West China School of Nursing, Sichuan University/Department of Endocrinology & Metabolism, West China Hospital, Sichuan University, Chengdu 610041, China

Received:2022-05-16 Revised:2022-09-11 Online:2022-12-05 Published:2022-09-29
Contact: YUAN Li
About author:
HE T, YUAN L, YANG X L, et al. Risk prediction models for type 2 diabetes in Asian adults: a systematic review[J]. Chinese General Practice, 2022, 25 (34) : 4267-4277.

分享到

摘要/Abstract

摘要： 背景 2型糖尿病（T2DM）的患病率不断上升。2021年成年糖尿病患者人数最多的10个国家中，有6个是亚洲国家。可靠的T2DM发病风险预测模型能够识别有患T2DM风险的个体，并可为开展针对性的预防干预工作提供决策依据。目的系统分析、评价亚洲T2DM发病风险预测模型，以期为T2DM的防治提供参考。方法于2021年4月，计算机检索PubMed、EmBase、the Cochrane Library获取有关亚洲T2DM发病风险预测模型的研究，检索时限均为建库至2021-04-01。由2名研究者独立筛选文献、提取资料后，应用预测模型研究偏倚风险评估工具（PROBAST）评价纳入文献的偏倚风险和适用性。采用描述性分析法对模型的基本特征及纳入研究的偏倚风险与适用性评价结果进行总结、分析。结果共纳入31项亚洲T2DM发病风险预测模型研究，其中17项为前瞻性队列研究，14项为回顾性队列研究。纳入研究多采用Cox回归、Logistic回归构建模型；5项研究仅对模型进行了外部验证，22项研究仅对模型进行了内部验证，4项研究采用内部验证与外部验证相结合的方法对模型进行了验证。模型的受试者工作特征曲线下面积为0.62~0.92，包含预测因子数量为3~24个。纳入研究均存在较高的偏倚风险，主要原因为对连续变量的处理不合理、对缺失数据的处理不合理、忽略了模型的过度拟合问题等。结论纳入的模型具有良好的预测效能，可帮助医务人员早期识别T2DM发病高风险人群。未来，应对数据建模及统计分析方法进行改进，开发性能优良、偏倚风险低的预测模型，注重对模型进行外部验证和重新校准。

关键词: 糖尿病，2型, 预测模型, 风险评分, 系统评价, 亚洲, 循证医学

Abstract:

Background

The prevalence of type 2 diabetes mellitus (T2DM) is increasing throughout the world. Six out of the top 10 countries with the highest number of adults with diabetes in 2021 were in Asia. Reliable type 2 diabetes risk prediction models can identify individuals at risk of developing T2DM, which may provide a basis for decision-making in the prevention and intervention of T2DM.

Objective

To perform a systematic review of risk prediction models for T2DM, providing a reference for the prevention and treatment of T2DM.

Methods

In April 2021, we searched for studies on risk prediction models for T2DM in Asian adults in databases of PubMed, EmBase, and the Cochrane Library from inception to April 1, 2021. Two reviewers independently screened the literature, extracted data, and evaluated the risk of bias and applicability of included studies using the Prediction model Risk Of Bias Assessment Tool (PROBAST) . A descriptive analysis was used to summarise the basic characteristics of the models and the risk of bias and applicability of included studies.

Results

A total of 31 studies were included, among which 17 are prospective cohort studies and other 14 are retrospective cohort studies. Logistic regression and Cox regression were widely used to construct the models. The models were externally validated in 5 studies, internally validated in 22 studies, and externally and internally validated in 4 studies. The number of predictors included in the models ranged from 3 to 24, with performance measured by the area under the curve of receiver operating characteristic curve lying between 0.62 and 0.92. There was a high risk of bias in the included studies, which may mainly due to inappropriate treatment of continuous variables and missing data, and ignoring the overfitting of the model.

Conclusion

The included prediction models may have proven to have good predictive performance, which could support medical workers in early identification of the population at high risk of T2DM. Recommendations for future studies developing risk prediction models for T2DM with good performance and low risk of bias are as follows: improving methods for data modeling and statistical analysis, and attaching great importance to external verification and recalibration of the models.

Key words: Diabetes mellitus, type 2, Prediction model, Risk score, Systematic review, Asia, Evidence-based medicine

贺婷,袁丽,杨小玲,等. 亚洲2型糖尿病发病风险预测模型的系统评价[J]. 中国全科医学, 2022, 25(34): 4267-4277. DOI: 10.12114/j.issn.1007-9572.2022.0358.
HE Ting,YUAN Li,YANG Xiaoling, et al. Risk Prediction Models for Type 2 Diabetes in Asian Adults: a Systematic Review[J]. Chinese General Practice, 2022, 25(34): 4267-4277. DOI: 10.12114/j.issn.1007-9572.2022.0358.

图/表 5

参考文献 54

[1]	JOHNSON E L, FELDMAN H, BUTTS A，et al. Standards of medical care in diabetes：2020 abridged for primary care providers[J]. Clin Diabetes，2019,43(s1):1-212. DOI：10.2337/cd20-as01.
[2]	OGURTSOVA K, GUARIGUATA L, BARENGO N C，et al. IDF diabetes Atlas：global estimates of undiagnosed diabetes in adults for 2021[J]. Diabetes Res Clin Pract，2022,183:109118.
[3]	YANG J J, YU D, WEN W，et al. Association of diabetes with all-cause and cause-specific mortality in Asia：a pooled analysis of more than 1 million participants[J]. JAMA Netw Open，2019,2(4):e192696. DOI：10.1001/jamanetworkopen.2019.2696.
[4]	CHARBONNEL B, SIMON D, DALLONGEVILLE J，et al. Direct medical costs of type 2 diabetes in France：an insurance claims database analysis[J]. Pharmacoecon Open，2018,2(2):209-219.
[5]	贺小宁，张雅雯，阮贞，等. 中国2型糖尿病患者慢性并发症患病率与次均医疗费用研究[J]. 中华内分泌代谢杂志，2019,35(3):6. DOI：10.3760/cma.j.issn.1000-6699.2019.03.004.
[6]	MOONS K G, DE GROOT J A, BOUWMEESTER W，et al. Critical appraisal and data extraction for systematic reviews of prediction modelling studies：the CHARMS checklist[J]. PLoS Med，2014,11(10):e1001744. DOI：10.1371/journal.pmed.1001744.
[7]	MOONS K G M, WOLFF R F, RILEY R D，et al. PROBAST：a tool to assess risk of bias and applicability of prediction model studies：explanation and elaboration[J]. Ann Intern Med，2019,170(1):w1-33. DOI：10.7326/M18-1377.
[8]	WOLFF R F, MOONS K G M, RILEY R D，et al. PROBAST：a tool to assess the risk of bias and applicability of prediction model studies[J]. Ann Intern Med，2019,170(1):51. DOI：10.7326/M18-1376.
[9]	AEKPLAKORN W, BUNNAG P, WOODWARD M，et al. A risk score for predicting incident diabetes in the Thai population[J]. Diabetes Care，2006,29(8):1872-1877. DOI：10.2337/dc05-2141.
[10]	CHIEN K, CAI T, HSU H，et al. A prediction model for type 2 diabetes risk among Chinese people[J]. Diabetologia，2009,52(3):443-450. DOI：10.1007/s00125-008-1232-4.
[11]	GAO W G, QIAO Q, PITKÄNIEMI J，et al. Risk prediction models for the development of diabetes in Mauritian Indians [J]. Diabet Med，2009,26(10):996-1002. DOI：10.1111/j.1464-5491.2009.02810.x.
[12]	SUN F, TAO Q, ZHAN S. An accurate risk score for estimation 5-year risk of type 2 diabetes based on a health screening population in Taiwan[J]. Diabetes Res Clin Pract，2009,85(2):228-234.
[13]	CHUANG S Y, YEH W T, WU Y L，et al. Prediction equations and point system derived from large-scale health check-up data for estimating diabetic risk in the Chinese population of Taiwan[J]. Diabetes Res Clin Pract，2011,92(1):128-136. DOI：10.1016/j.diabres.2010.12.022.
[14]	BOZORGMANESH M, HADAEGH F, GHAFFARI S，et al. A simple risk score effectively predicted type 2 diabetes in Iranian adult population：population-based cohort study[J]. Eur J Public Health，2011,21(5):554-559. DOI：10.1093/eurpub/ckq074.
[15]	LIU M, PAN C, JIN M. A Chinese diabetes risk score for screening of undiagnosed diabetes and abnormal glucose tolerance[J]. Diabetes Technol Ther，2011,13(5):501-507.
[16]	ONAT A, CAN G, YÜKSEL H，et al. An algorithm to predict risk of type 2 diabetes in Turkish adults：contribution of C-reactive protein[J]. J Endocrinol Invest，2011,34(8):580-586. DOI：10.3275/7323.
[17]	DOI Y, NINOMIYA T, HATA J，et al. Two risk score models for predicting incident Type 2 diabetes in Japan[J]. Diabet Med，2012,29(1):107-114. DOI：10.1111/j.1464-5491.2011.03376.x.
[18]	HEIANZA Y, ARASE Y, HSIEH S D，et al. Development of a new scoring system for predicting the 5 year incidence of type 2 diabetes in Japan：the Toranomon Hospital Health Management Center Study 6（TOPICS 6）[J]. Diabetologia，2012,55(12):3213-3223. DOI：10.1007/s00125-012-2712-0.
[19]	LIM N K, PARK S H, CHOI S J，et al. A risk score for predicting the incidence of type 2 diabetes in a middle-aged Korean cohort：the Korean Genome and Epidemiology Study[J]. Circ J，2012,76(8):1904-1910. DOI：10.1253/circj.cj-11-1236.
[20]	YE X, ZONG G, LIU X，et al. Development of a new risk score for incident type 2 diabetes using updated diagnostic criteria in middle-aged and older Chinese[J]. PLoS One，2014,9(5):e97042.
[21]	XU L, JIANG C Q, SCHOOLING C M，et al. Prediction of 4-year incident diabetes in older Chinese：recalibration of the Framingham diabetes score on Guangzhou Biobank Cohort Study[J]. Prev Med，2014,69:63-68. DOI：10.1016/j.ypmed.2014.09.004.
[22]	NANRI A, NAKAGAWA T, KUWAHARA K，et al. Development of risk score for predicting 3-year incidence of type 2 diabetes：Japan Epidemiology Collaboration on Occupational Health Study[J]. PLoS One，2015,10(11):e0142779.
[23]	WANG A, CHEN G, SU Z，et al. Risk scores for predicting incidence of type 2 diabetes in the Chinese population：the Kailuan prospective study[J]. Sci Rep，2016,6:26548. DOI：10.1038/srep26548.
[24]	LIU X, FINE J P, CHEN Z，et al. Prediction of the 20-year incidence of diabetes in older Chinese：application of the competing risk method in a longitudinal study[J]. Medicine（Baltimore），2016,95(40):e5057. DOI：10.1097/MD.0000000000005057.
[25]	MIYAKOSHI T, OKA R, NAKASONE Y，et al. Development of new diabetes risk scores on the basis of the current definition of diabetes in Japanese subjects[J]. Endocr J，2016,63(9):857-865.
[26]	ZHANG M, ZHANG H, WANG C，et al. Development and validation of a risk-score model for type 2 diabetes：a cohort study of a rural adult Chinese population[J]. PLoS One，2016,11(4):e0152054. DOI：10.1371/journal.pone.0152054.
[27]	CHEN X, WU Z, CHEN Y，et al. Risk score model of type 2 diabetes prediction for rural Chinese adults：the Rural Deqing Cohort Study[J]. J Endocrinol Invest，2017,40(10):1115-1123.
[28]	ZHANG H, WANG C, REN Y，et al. A risk-score model for predicting risk of type 2 diabetes mellitus in a rural Chinese adult population：a cohort study with a 6-year follow-up[J]. Diabetes Metab Res Rev，2017,33(7):e2911. DOI：10.1002/dmrr.2911.
[29]	WEN J, HAO J, LIANG Y，et al. A non-invasive risk score for predicting incident diabetes among rural Chinese people：a village-based cohort study[J]. PLoS One，2017,12(11):e0186172.
[30]	YATSUYA H, LI Y, HIRAKAWA Y，et al. A point system for predicting 10-year risk of developing type 2 diabetes mellitus in Japanese men：Aichi Workers' Cohort Study[J]. J Epidemiol，2018,28(8):347-352. DOI：10.2188/jea.JE20170048.
[31]	HA K H, LEE Y H, SONG S O，et al. Development and validation of the Korean Diabetes Risk Score：a 10-year national cohort study[J]. Diabetes Metab J，2018,42(5):402-414.
[32]	HAN X, WANG J, LI Y，et al. Development of a new scoring system to predict 5-year incident diabetes risk in middle-aged and older Chinese[J]. Acta Diabetol，2018,55(1):13-19.
[33]	HU H, NAKAGAWA T, YAMAMOTO S，et al. Development and validation of risk models to predict the 7-year risk of type 2 diabetes：the Japan Epidemiology Collaboration on Occupational Health Study[J]. J Diabetes Investig，2018,9(5):1052-1059.
[34]	WANG K, GONG M, XIE S，et al. Nomogram prediction for the 3-year risk of type 2 diabetes in healthy mainland China residents[J]. EPMA Journal，2019,10(3):227-237.
[35]	GUNTHER S H, KHOO C M, TAI E S，et al. Serum acylcarnitines and amino acids and risk of type 2 diabetes in a multiethnic Asian population[J]. BMJ Open Diabetes Res Care，2020,8(1):e001315. DOI：10.1136/bmjdrc-2020-001315.
[36]	SHAO X, WANG Y, HUANG S，et al. Development and validation of a prediction model estimating the 10-year risk for type 2 diabetes in China[J]. PLoS One，2020,15(9):e0237936.
[37]	ASGARI S, KHALILI D, ZAYERI F，et al. Dynamic prediction models improved the risk classification of type 2 diabetes compared with classical static models[J]. J Clin Epidemiol，2021,140:33-43.
[38]	OH T J, MOON J H, CHOI S H，et al. Development of a clinical risk score for incident diabetes：a 10-year prospective cohort study[J]. J Diabetes Investig，2021,12(4):610-618.
[39]	RHEE S Y, SUNG J M, KIM S，et al. Development and validation of a deep learning based diabetes prediction system using a nationwide population-based cohort[J]. Diabetes Metab J，2021,45(4):515-525. DOI：10.4093/dmj.2020.0081.
[40]	NG K, SUN J, HU J，et al. Personalized predictive modeling and risk factor identification using patient similarity[J]. AMIA Jt Summits Transl Sci Proc，2015,2015:132-136.
[41]	COWLEY L E, FAREWELL D M, MAGUIRE S，et al. Methodological standards for the development and evaluation of clinical prediction rules：a review of the literature[J]. Diagn Progn Res，2019,3:16. DOI：10.1186/s41512-019-0060-y.
[42]	BRILLEMAN S L, CROWTHER M J, MORENO-BETANCUR M，et al. Joint longitudinal and time-to-event models for multilevel hierarchical data[J]. Stat Methods Med Res，2019,28(12):3502-3515. DOI：10.1177/0962280218808821.
[43]	HACKETT R A, STEPTOE A. Type 2 diabetes mellitus and psychological stress：a modifiable risk factor[J]. Nat Rev Endocrinol，2017,13(9):547-560. DOI：10.1038/nrendo.2017.64.
[44]	HOSSEINI Z, WHITING S J, VATANPARAST H. Type 2 diabetes prevalence among Canadian adults：dietary habits and sociodemographic risk factors[J]. Appl Physiol Nutr Metab，2019,44(10):1099-1104. DOI：10.1139/apnm-2018-0567.
[45]	KAUTZKY-WILLER A, HARREITER J, PACINI G. Sex and gender differences in risk，pathophysiology and complications of type 2 diabetes mellitus[J]. Endocr Rev，2016,37(3):278-316.
[46]	ESTEGHAMATI A, ETEMAD K, KOOHPAYEHZADEH J，et al. Trends in the prevalence of diabetes and impaired fasting glucose in association with obesity in Iran：2005—2011[J]. Diabetes Res Clin Pract，2014,103(2):319-327. DOI：10.1016/j.diabres.2013.12.034.
[47]	MACCALLUM R C, ZHANG S, PREACHER K J，et al. On the practice of dichotomization of quantitative variables[J]. Psychol Methods，2002,7(1):19-40. DOI：10.1037/1082-989x.7.1.19.
[48]	ROYSTON P, SAUERBREI W. Multivariable model-building：a pragmatic approach to regression analysis based on fractional polynomials for modelling continuous variables[M]. Chichester：John Wiley & Sons，2008.
[49]	VUONG K, MCGEECHAN K, ARMSTRONG B K，et al. Risk prediction models for incident primary cutaneous melanoma：a systematic review[J]. JAMA Dermatol，2014,150(4):434-444. DOI：10.1001/jamadermatol.2013.8890.
[50]	ZHANG Q, WANG L. Moderation analysis with missing data in the predictors[J]. Psychol Methods，2017,22(4):649-666.
[51]	STEYERBERG E W. Clinical prediction models：a practical approach to development，validation，and updating[M]. New York：Springer，2009.
[52]	STEYERBERG E W, HARRELL F E J R, BORSBOOM G J，et al. Internal validation of predictive models：efficiency of some procedures for Logistic regression analysis[J]. J Clin Epidemiol，2001,54(8):774-781. DOI：10.1016/s0895-4356(01)00341-9.
[53]	AUSTIN P C, STEYERBERG E W. Events per variable（EPV）and the relative performance of different strategies for estimating the out-of-sample validity of Logistic regression models[J]. Stat Methods Med Res，2017,26(2):796-808. DOI：10.1177/0962280214558972.
[54]	CASTALDI P J, DAHABREH I J, IOANNIDIS J P. An empirical assessment of validation practices for molecular classifiers[J]. Brief Bioinform，2011,12(3):189-202. DOI：10.1093/bib/bbq073.

第一作者	发表年份（年）	国家（地区）	研究类型	研究对象年龄（岁）	样本来源	样本量（不包含缺失数据）	发生结局事件的患者数（例）	随访时长（年）	观察终点^a
AEKPLAKORN等^[9]	2006	泰国	前瞻性队列研究	35~55	泰国发电局	D：2 677 V：2 420	D：361 V：125	12	①③④⑤
CHIEN等^[10]	2009	中国	前瞻性队列研究	≥35	台北县金山乡（排除有心血管疾病或癌症病史者）	2 960	548	10	①④
GAO等^[11]	2009	毛里求斯	前瞻性队列研究	20~65	居住在毛里求斯的10个人口群（均为印度人）	3 094	511	11	③
SUN等^[12]	2009	中国	回顾性队列研究	35~74	台北、桃园、台中和高雄县4家健康体检中心	73 961	3 612	3.15	①④
CHUANG等^[13]	2011	中国	回顾性队列研究	≥35	台北、桃园、台中和高雄县4家健康体检中心	24 899	1 261	5.61±3.33	①④
BOZORGMANESH等^[14]	2011	伊朗	前瞻性队列研究	≥20	德黑兰血脂和血糖研究	3 242	231	6	①③④
LIU等^[15]	2011	中国	前瞻性队列研究	40~90	北京市某医院筛查中心	1 851	352	10	①③④⑤
ONAT等^[16]	2011	土耳其	前瞻性队列研究	≥28	土耳其成人风险因素研究	2 261	212	7.6	①③④
DOI等^[17]	2012	日本	前瞻性队列研究	40~79	福冈县久山町	D：1 935 V：1 147	D：286 V：89	14	①③④
HEIANZA等^[18]	2012	日本	前瞻性队列研究	40~75	虎之门医院附属健康管理中心	D：7 654 V：1 437	D：289 V：57	5	①②⑤
LIM等^[19]	2012	韩国	回顾性队列研究	40~69	韩国基因组和流行病学研究数据	1 912	924	4	①②③④
YE等^[20]	2014	中国	前瞻性队列研究	50~70	北京市和上海市的城乡社区	6 342	436	6	①②④⑤
XU等^[21]	2014	中国	前瞻性队列研究	≥50	广州尊老康乐协会	16 043	1 063	4.1	①④⑤
NANRI等^[22]	2015	日本	回顾性队列研究	≥30	12家公司	D：37 416 V：12 466	D：1 122 V：565	5	①②④⑥
WANG等^[23]	2016	中国	回顾性队列研究	≥18	唐山市开滦社区	D：49 325 V：24 662	4 726 2 327	5.35±1.59	①④⑤
LIU等^[24]	2016	中国	回顾性队列研究	55~96	北京市社区	1 857	144	20	①④⑤
MIYAKOSHI等^[25]	2016	日本	回顾性队列研究	—	相泽医院健康中心	4 159	279	4.9	①②③
ZHANG等^[26]	2016	中国	前瞻性队列研究	≥18	农村	14 134	729	6	①④
CHEN等^[27]	2017	中国	回顾性队列研究	≥18	浙江省德清县农村	D：28 251 V：3 043	387 191	4.2	①④⑤
ZHANG等^[28]	2017	中国	前瞻性队列研究	≥18	河南省洛阳市农村	15 768	702	6	①④⑤
WEN等^[29]	2017	中国	回顾性队列研究	≥30	河北省邯郸市永年区的社区	4 132	218	6	①③④⑤
YATSUYA等^[30]	2018	日本	前瞻性队列研究	35~64	爱知县政府	3 540	342	12.2	①②④⑤
HA等^[31]	2018	韩国	回顾性队列研究	—	韩国国民健康保险数据库、韩国基因组和流行病学研究数据	D：359 349 V：6 660	D：37 678 V：1 040	10.8	①②③⑤
HAN等^[32]	2018	中国	回顾性队列研究	—	东风汽车集团有限公司	17 690	1 390	5	①④⑤
HU等^[33]	2018	日本	回顾性队列研究	30~59	12家公司（排除癌症、心血管疾病患者）	46 198	3 385	8	①②④⑥
WANG等^[34]	2019	中国	前瞻性队列研究	—	于武汉联合医院接受年度健康体检的居民（排除癌症、心血管疾病和卒中患者）	D：5 557 V：1 870	D：595 V：206	3	①③④
GUNTHER等^[35]	2020	新加坡	前瞻性队列研究	—	新加坡前瞻性研究计划	3 313	314	8.4	①②⑤
SHAO等^[36]	2020	中国	回顾性队列研究	20~80	中国健康与营养调查项目（排除妊娠者和心血管疾病患者）	6 023	349	10	①②③⑥
ASGARI等^[37]	2021	伊朗	前瞻性队列研究	≥20	德黑兰城区人口	D：5 291 V：3 147	214	12	①②④
OH等^[38]	2021	韩国	前瞻性队列研究	40~69	韩国基因组和流行病学研究数据	5 673	1 291	10	①②③
RHEE等^[39]	2021	韩国	回顾性队列研究	—	韩国国民健康保险数据库	335 302	29 173	10.4	①

第一作者	发表年份（年）	国家（地区）	研究类型	研究对象年龄（岁）	样本来源	样本量（不包含缺失数据）	发生结局事件的患者数（例）	随访时长（年）	观察终点^a
AEKPLAKORN等^[9]	2006	泰国	前瞻性队列研究	35~55	泰国发电局	D：2 677 V：2 420	D：361 V：125	12	①③④⑤
CHIEN等^[10]	2009	中国	前瞻性队列研究	≥35	台北县金山乡（排除有心血管疾病或癌症病史者）	2 960	548	10	①④
GAO等^[11]	2009	毛里求斯	前瞻性队列研究	20~65	居住在毛里求斯的10个人口群（均为印度人）	3 094	511	11	③
SUN等^[12]	2009	中国	回顾性队列研究	35~74	台北、桃园、台中和高雄县4家健康体检中心	73 961	3 612	3.15	①④
CHUANG等^[13]	2011	中国	回顾性队列研究	≥35	台北、桃园、台中和高雄县4家健康体检中心	24 899	1 261	5.61±3.33	①④
BOZORGMANESH等^[14]	2011	伊朗	前瞻性队列研究	≥20	德黑兰血脂和血糖研究	3 242	231	6	①③④
LIU等^[15]	2011	中国	前瞻性队列研究	40~90	北京市某医院筛查中心	1 851	352	10	①③④⑤
ONAT等^[16]	2011	土耳其	前瞻性队列研究	≥28	土耳其成人风险因素研究	2 261	212	7.6	①③④
DOI等^[17]	2012	日本	前瞻性队列研究	40~79	福冈县久山町	D：1 935 V：1 147	D：286 V：89	14	①③④
HEIANZA等^[18]	2012	日本	前瞻性队列研究	40~75	虎之门医院附属健康管理中心	D：7 654 V：1 437	D：289 V：57	5	①②⑤
LIM等^[19]	2012	韩国	回顾性队列研究	40~69	韩国基因组和流行病学研究数据	1 912	924	4	①②③④
YE等^[20]	2014	中国	前瞻性队列研究	50~70	北京市和上海市的城乡社区	6 342	436	6	①②④⑤
XU等^[21]	2014	中国	前瞻性队列研究	≥50	广州尊老康乐协会	16 043	1 063	4.1	①④⑤
NANRI等^[22]	2015	日本	回顾性队列研究	≥30	12家公司	D：37 416 V：12 466	D：1 122 V：565	5	①②④⑥
WANG等^[23]	2016	中国	回顾性队列研究	≥18	唐山市开滦社区	D：49 325 V：24 662	4 726 2 327	5.35±1.59	①④⑤
LIU等^[24]	2016	中国	回顾性队列研究	55~96	北京市社区	1 857	144	20	①④⑤
MIYAKOSHI等^[25]	2016	日本	回顾性队列研究	—	相泽医院健康中心	4 159	279	4.9	①②③
ZHANG等^[26]	2016	中国	前瞻性队列研究	≥18	农村	14 134	729	6	①④
CHEN等^[27]	2017	中国	回顾性队列研究	≥18	浙江省德清县农村	D：28 251 V：3 043	387 191	4.2	①④⑤
ZHANG等^[28]	2017	中国	前瞻性队列研究	≥18	河南省洛阳市农村	15 768	702	6	①④⑤
WEN等^[29]	2017	中国	回顾性队列研究	≥30	河北省邯郸市永年区的社区	4 132	218	6	①③④⑤
YATSUYA等^[30]	2018	日本	前瞻性队列研究	35~64	爱知县政府	3 540	342	12.2	①②④⑤
HA等^[31]	2018	韩国	回顾性队列研究	—	韩国国民健康保险数据库、韩国基因组和流行病学研究数据	D：359 349 V：6 660	D：37 678 V：1 040	10.8	①②③⑤
HAN等^[32]	2018	中国	回顾性队列研究	—	东风汽车集团有限公司	17 690	1 390	5	①④⑤
HU等^[33]	2018	日本	回顾性队列研究	30~59	12家公司（排除癌症、心血管疾病患者）	46 198	3 385	8	①②④⑥
WANG等^[34]	2019	中国	前瞻性队列研究	—	于武汉联合医院接受年度健康体检的居民（排除癌症、心血管疾病和卒中患者）	D：5 557 V：1 870	D：595 V：206	3	①③④
GUNTHER等^[35]	2020	新加坡	前瞻性队列研究	—	新加坡前瞻性研究计划	3 313	314	8.4	①②⑤
SHAO等^[36]	2020	中国	回顾性队列研究	20~80	中国健康与营养调查项目（排除妊娠者和心血管疾病患者）	6 023	349	10	①②③⑥
ASGARI等^[37]	2021	伊朗	前瞻性队列研究	≥20	德黑兰城区人口	D：5 291 V：3 147	214	12	①②④
OH等^[38]	2021	韩国	前瞻性队列研究	40~69	韩国基因组和流行病学研究数据	5 673	1 291	10	①②③
RHEE等^[39]	2021	韩国	回顾性队列研究	—	韩国国民健康保险数据库	335 302	29 173	10.4	①

第一作者	连续变量处理方法	缺失数据		建模方法	变量选择方法	验模方法	AUC（95%CI）	拟合优度	过度拟合情况
第一作者	连续变量处理方法	数量	处理方法	建模方法	变量选择方法	验模方法	AUC（95%CI）	拟合优度	过度拟合情况
AEKPLAKORN等^[9]	转化为分类变量	D：587 V：459	完整个案分析	Logistic回归	单因素分析、多因素分析	外部验证	模型1：0.74（0.71，0.78），0.75（0.71，0.80）。模型2：0.76（0.72，0.79）。模型3：0.78（0.75，0.81）。模型4：0.79（0.75，0.82）。模型5：0.79（0.76，0.82）	H-L拟合优度检验	—
CHIEN等^[10]	转化为分类变量	—	完整个案分析	Cox回归	向前逐步选择法	内部验证	模型1：0.70（0.68，0.73）。模型2：0.65（0.62，0.67）	H-L拟合优度检验	交叉验证、自举法
GAO等^[11]	转化为分类变量	—	完整个案分析	Cox回归	—	内部验证^a	模型1：男，0.62（0.56，0.68）；女，0.64（0.59，0.69）。模型2：男，0.70（0.64，0.75）；女，0.71（0.66，0.76）。模型3：男，0.71（0.66，0.77）；女，0.71（0.66，0.76）	—	—
SUN等^[12]	转化为分类变量	—	—	Cox回归	逐步选择法	内部验证^a	模型1：0.751（0.730，0.773）。模型2：0.848（0.828，0.867）。模型3：0.853（0.834，0.872）。模型4：0.838（0.818，0.858）。模型5：0.843（0.824，0.863）	H-L拟合优度检验	—
CHUANG等^[13]	转化为分类变量	—	—	Cox回归	逐步选择法	内部验证^a	模型1：0.71（0.70，0.73）。模型2：0.75（0.73，0.78）。模型3：0.72（0.71，0.74）。模型4：0.76（0.73，0.79）。模型5：0.82（0.81，0.83）。模型6：0.84（0.81，0.86）	—	—
BOZORGMANESH等^[14]	转化为分类变量	1 776	完整个案分析	Logistic回归	向前逐步选择法	内部验证	模型1：0.75（0.72，0.78）。模型2：0.85（0.82，0.87）。模型3：0.85（0.82，0.87）	H-L拟合优度检验	自举法
LIU等^[15]	转化为分类变量	—	—	Logistic回归	单因素分析、多因素分析	外部验证	模型1：0.68（0.65，0.72）。模型2：0.71（0.68，0.75）。模型3：0.72（0.69，0.76）	—	—
ONAT等^[16]	转化为分类变量	—	—	Cox回归	向后逐步选择法	内部验证^a	男：0.78（0.74，0.83）。女：0.77（0.73，0.82）	—	—
DOI等^[17]	转化为分类变量	D：194 V：144	完整个案分析	Cox回归	向后逐步选择法	外部验证	模型1：0.70（0.67，0.73），0.69（0.63，0.75）。模型2：0.78（0.74，0.80），0.78（0.73，0.83）	H-L拟合优度检验	—
HEIANZA等^[18]	部分转化为分类变量	D：137 V：15	完整个案分析	Logistic回归	向前逐步选择法	外部验证	模型1：0.71（0.68，0.74），0.73（0.67，0.78）。模型2：0.84（0.82，0.86），0.87（0.83，0.90）。模型3：0.84（0.82，0.86），0.88（0.84，0.92）。模型4：0.89（0.87，0.90），0.91（0.88，0.95）	H-L拟合优度检验	—
LIM等^[19]	转化为分类变量	966	完整个案分析	Logistic回归	文献回顾、单因素分析、向后逐步选择	内部验证	模型1：0.65（0.62，0.68）。模型2：0.75（0.72，0.77）。模型3：0.77（0.74，0.79）	H-L拟合优度检验	交叉验证
YE等^[20]	转化为分类变量	2 523	完整个案分析	Logistic回归	多因素分析	内部验证	0.71（0.69，0.74）	H-L拟合优度检验	自举法、交叉验证
XU等^[21]	转化为分类变量	—	完整个案分析	Logistic回归	单因素分析、多因素分析	内部验证	0.78（0.76，0.80）	校准图	交叉验证
NANRI等^[22]	转化为分类变量	2 031	完整个案分析	Logistic回归	向后逐步选择法	内部验证^a、外部验证	模型1：0.717（0.703，0.731），0.734（0.715，0.753）。模型2：0.843（0.832，0.853），0.835（0.820，0.851）。模型3：0.827（0.816，0.838），0.819（0.803，0.835）。模型4：0.893（0.883，0.902），0.882（0.868，0.895）	H-L拟合优度检验、校准图	—
WANG等^[23]	转化为分类变量	8 766	完整个案分析	Cox回归	逐步选择法	内部验证	模型1：0.66（0.65，0.68）。模型2：0.77（0.76，0.78）	校准图	交叉验证
LIU等^[24]	转化为分类变量	—	完整个案分析	亚分布风险模型	单因素分析、多因素分析	内部验证	0.74（0.70，0.78）	校准图	自举法
MIYAKOSHI等^[25]	转化为分类变量	—	—	Cox回归	向后逐步选择法	内部验证^a	模型1：0.68（0.63，0.72）。模型2：0.75（0.70，0.78）。模型3：0.80（0.76，0.84）	H-L拟合优度检验、校准图	—
ZHANG等^[26]	保持连续性	4 032	—	Cox回归	文献回顾	内部验证	0.77（0.76，0.78）	H-L拟合优度检验	交叉验证
CHEN等^[27]	转化为分类变量	D：1 899 V：1 205	完整个案分析	Cox回归	逐步选择法	内部验证	模型1：0.72（0.69，0.75）。模型2：0.77（0.74，0.80）	H-L拟合优度检验	自举法
ZHANG等^[28]	转化为分类变量	2 932	完整个案分析	Cox回归	单因素分析、多因素分析	内部验证^a	模型1：0.67（0.66，0.68）。模型2：0.66（0.65，0.67）。模型3：0.68（0.67，0.69）。模型4：0.79（0.78，0.80）	校准图	—
WEN等^[29]	转化为分类变量	1 014	完整个案分析	Logistic回归	文献回顾、逐步选择法	内部验证^a	0.72（0.67，0.76）	H-L拟合优度检验	—
YATSUYA等^[30]	转化为分类变量	341	完整个案分析	Cox回归	向后逐步选择法	内部验证	0.77（C指数）	H-L拟合优度检验、校准图	交叉验证
HA等^[31]	部分转化为分类变量	—	—	Cox回归	文献回顾、逐步选择法	外部验证	模型（男）：0.71（0.70，0.73），0.63（0.53，0.73）。模型（女）：0.76（0.75，0.78），0.66（0.55，0.76）	校准图	—
HAN等^[32]	转化为分类变量	3 326	完整个案分析	Cox回归	逐步选择法	内部验证	0.75（0.74，0.76）	—	交叉验证
HU等^[33]	转化为分类变量	1 892	完整个案分析	Cox回归	向后逐步选择法	内部验证^a	模型1：0.73（0.72，0.74）。模型2：0.89（0.89，0.90）	校准图	—
WANG等^[34]	保持连续性	D：913 V：385	完整个案分析	Logistic回归、矩阵多项式	逐步选择法	内部验证、外部验证	模型1：女，0.86（0.84，0.89）、0.84（0.80，0.89）；男，0.75 （0.73，0.78）、0.75（0.72，0.80）。模型2：女，0.86（0.84，0.89）、0.86（0.82，0.90）；男，0.78（0.76，0.80）、0.77（0.73，0.91）。模型3：女，0.86（0.84，0.89）、0.84（0.80，0.89）；男，0.75（0.73，0.77）、0.76（0.72，0.79）	校准图	自举法
GUNTHER等^[35]^b	转化为分类变量	126	完整个案分析	Cox回归	向后逐步选择法	内部验证^a	0.84（0.82，0.87）	—	—
SHAO等^[36]	转化为分类变量	—	完整个案分析	Logistic回归	LASSO回归	内部验证、外部验证	模型1：0.79（0.76，0.82），0.82（0.78，0.86）。模型2：0.81（0.78，0.83），0.82（0.78，0.87）。模型3：0.91（0.88，0.93），0.92（0.88，0.95）。模型4：0.88（0.85，0.91），0.86（0.81，0.91）	校准图	自举法
ASGARI等^[37]	保持连续性	—	单一插补	Cox回归、基于混合效应模型和Cox模型的纵向和生存数据联合模型	文献回顾	内部验证、外部验证	模型1：0.85（0.82，0.89）。模型2：0.85（0.84，0.86）。模型3：0.84（0.83，0.85）	H-L拟合优度检验、校准图	自举法
OH等^[38]	转化为分类变量	3 059	完整个案分析	Logistic回归	单因素分析、多因素分析	内部验证	模型1：0.66（0.63，0.72）。模型2：0.69（0.66，0.72）。模型3：0.75（0.72，0.78）	—	交叉验证
RHEE等^[39]	转化为分类变量	—	多重插补	Cox回归	逐步选择法	内部验证^a	0.84（0.83，0.85）	H-L拟合优度检验	—

第一作者	连续变量处理方法	缺失数据		建模方法	变量选择方法	验模方法	AUC（95%CI）	拟合优度	过度拟合情况
第一作者	连续变量处理方法	数量	处理方法	建模方法	变量选择方法	验模方法	AUC（95%CI）	拟合优度	过度拟合情况
AEKPLAKORN等^[9]	转化为分类变量	D：587 V：459	完整个案分析	Logistic回归	单因素分析、多因素分析	外部验证	模型1：0.74（0.71，0.78），0.75（0.71，0.80）。模型2：0.76（0.72，0.79）。模型3：0.78（0.75，0.81）。模型4：0.79（0.75，0.82）。模型5：0.79（0.76，0.82）	H-L拟合优度检验	—
CHIEN等^[10]	转化为分类变量	—	完整个案分析	Cox回归	向前逐步选择法	内部验证	模型1：0.70（0.68，0.73）。模型2：0.65（0.62，0.67）	H-L拟合优度检验	交叉验证、自举法
GAO等^[11]	转化为分类变量	—	完整个案分析	Cox回归	—	内部验证^a	模型1：男，0.62（0.56，0.68）；女，0.64（0.59，0.69）。模型2：男，0.70（0.64，0.75）；女，0.71（0.66，0.76）。模型3：男，0.71（0.66，0.77）；女，0.71（0.66，0.76）	—	—
SUN等^[12]	转化为分类变量	—	—	Cox回归	逐步选择法	内部验证^a	模型1：0.751（0.730，0.773）。模型2：0.848（0.828，0.867）。模型3：0.853（0.834，0.872）。模型4：0.838（0.818，0.858）。模型5：0.843（0.824，0.863）	H-L拟合优度检验	—
CHUANG等^[13]	转化为分类变量	—	—	Cox回归	逐步选择法	内部验证^a	模型1：0.71（0.70，0.73）。模型2：0.75（0.73，0.78）。模型3：0.72（0.71，0.74）。模型4：0.76（0.73，0.79）。模型5：0.82（0.81，0.83）。模型6：0.84（0.81，0.86）	—	—
BOZORGMANESH等^[14]	转化为分类变量	1 776	完整个案分析	Logistic回归	向前逐步选择法	内部验证	模型1：0.75（0.72，0.78）。模型2：0.85（0.82，0.87）。模型3：0.85（0.82，0.87）	H-L拟合优度检验	自举法
LIU等^[15]	转化为分类变量	—	—	Logistic回归	单因素分析、多因素分析	外部验证	模型1：0.68（0.65，0.72）。模型2：0.71（0.68，0.75）。模型3：0.72（0.69，0.76）	—	—
ONAT等^[16]	转化为分类变量	—	—	Cox回归	向后逐步选择法	内部验证^a	男：0.78（0.74，0.83）。女：0.77（0.73，0.82）	—	—
DOI等^[17]	转化为分类变量	D：194 V：144	完整个案分析	Cox回归	向后逐步选择法	外部验证	模型1：0.70（0.67，0.73），0.69（0.63，0.75）。模型2：0.78（0.74，0.80），0.78（0.73，0.83）	H-L拟合优度检验	—
HEIANZA等^[18]	部分转化为分类变量	D：137 V：15	完整个案分析	Logistic回归	向前逐步选择法	外部验证	模型1：0.71（0.68，0.74），0.73（0.67，0.78）。模型2：0.84（0.82，0.86），0.87（0.83，0.90）。模型3：0.84（0.82，0.86），0.88（0.84，0.92）。模型4：0.89（0.87，0.90），0.91（0.88，0.95）	H-L拟合优度检验	—
LIM等^[19]	转化为分类变量	966	完整个案分析	Logistic回归	文献回顾、单因素分析、向后逐步选择	内部验证	模型1：0.65（0.62，0.68）。模型2：0.75（0.72，0.77）。模型3：0.77（0.74，0.79）	H-L拟合优度检验	交叉验证
YE等^[20]	转化为分类变量	2 523	完整个案分析	Logistic回归	多因素分析	内部验证	0.71（0.69，0.74）	H-L拟合优度检验	自举法、交叉验证
XU等^[21]	转化为分类变量	—	完整个案分析	Logistic回归	单因素分析、多因素分析	内部验证	0.78（0.76，0.80）	校准图	交叉验证
NANRI等^[22]	转化为分类变量	2 031	完整个案分析	Logistic回归	向后逐步选择法	内部验证^a、外部验证	模型1：0.717（0.703，0.731），0.734（0.715，0.753）。模型2：0.843（0.832，0.853），0.835（0.820，0.851）。模型3：0.827（0.816，0.838），0.819（0.803，0.835）。模型4：0.893（0.883，0.902），0.882（0.868，0.895）	H-L拟合优度检验、校准图	—
WANG等^[23]	转化为分类变量	8 766	完整个案分析	Cox回归	逐步选择法	内部验证	模型1：0.66（0.65，0.68）。模型2：0.77（0.76，0.78）	校准图	交叉验证
LIU等^[24]	转化为分类变量	—	完整个案分析	亚分布风险模型	单因素分析、多因素分析	内部验证	0.74（0.70，0.78）	校准图	自举法
MIYAKOSHI等^[25]	转化为分类变量	—	—	Cox回归	向后逐步选择法	内部验证^a	模型1：0.68（0.63，0.72）。模型2：0.75（0.70，0.78）。模型3：0.80（0.76，0.84）	H-L拟合优度检验、校准图	—
ZHANG等^[26]	保持连续性	4 032	—	Cox回归	文献回顾	内部验证	0.77（0.76，0.78）	H-L拟合优度检验	交叉验证
CHEN等^[27]	转化为分类变量	D：1 899 V：1 205	完整个案分析	Cox回归	逐步选择法	内部验证	模型1：0.72（0.69，0.75）。模型2：0.77（0.74，0.80）	H-L拟合优度检验	自举法
ZHANG等^[28]	转化为分类变量	2 932	完整个案分析	Cox回归	单因素分析、多因素分析	内部验证^a	模型1：0.67（0.66，0.68）。模型2：0.66（0.65，0.67）。模型3：0.68（0.67，0.69）。模型4：0.79（0.78，0.80）	校准图	—
WEN等^[29]	转化为分类变量	1 014	完整个案分析	Logistic回归	文献回顾、逐步选择法	内部验证^a	0.72（0.67，0.76）	H-L拟合优度检验	—
YATSUYA等^[30]	转化为分类变量	341	完整个案分析	Cox回归	向后逐步选择法	内部验证	0.77（C指数）	H-L拟合优度检验、校准图	交叉验证
HA等^[31]	部分转化为分类变量	—	—	Cox回归	文献回顾、逐步选择法	外部验证	模型（男）：0.71（0.70，0.73），0.63（0.53，0.73）。模型（女）：0.76（0.75，0.78），0.66（0.55，0.76）	校准图	—
HAN等^[32]	转化为分类变量	3 326	完整个案分析	Cox回归	逐步选择法	内部验证	0.75（0.74，0.76）	—	交叉验证
HU等^[33]	转化为分类变量	1 892	完整个案分析	Cox回归	向后逐步选择法	内部验证^a	模型1：0.73（0.72，0.74）。模型2：0.89（0.89，0.90）	校准图	—
WANG等^[34]	保持连续性	D：913 V：385	完整个案分析	Logistic回归、矩阵多项式	逐步选择法	内部验证、外部验证	模型1：女，0.86（0.84，0.89）、0.84（0.80，0.89）；男，0.75 （0.73，0.78）、0.75（0.72，0.80）。模型2：女，0.86（0.84，0.89）、0.86（0.82，0.90）；男，0.78（0.76，0.80）、0.77（0.73，0.91）。模型3：女，0.86（0.84，0.89）、0.84（0.80，0.89）；男，0.75（0.73，0.77）、0.76（0.72，0.79）	校准图	自举法
GUNTHER等^[35]^b	转化为分类变量	126	完整个案分析	Cox回归	向后逐步选择法	内部验证^a	0.84（0.82，0.87）	—	—
SHAO等^[36]	转化为分类变量	—	完整个案分析	Logistic回归	LASSO回归	内部验证、外部验证	模型1：0.79（0.76，0.82），0.82（0.78，0.86）。模型2：0.81（0.78，0.83），0.82（0.78，0.87）。模型3：0.91（0.88，0.93），0.92（0.88，0.95）。模型4：0.88（0.85，0.91），0.86（0.81，0.91）	校准图	自举法
ASGARI等^[37]	保持连续性	—	单一插补	Cox回归、基于混合效应模型和Cox模型的纵向和生存数据联合模型	文献回顾	内部验证、外部验证	模型1：0.85（0.82，0.89）。模型2：0.85（0.84，0.86）。模型3：0.84（0.83，0.85）	H-L拟合优度检验、校准图	自举法
OH等^[38]	转化为分类变量	3 059	完整个案分析	Logistic回归	单因素分析、多因素分析	内部验证	模型1：0.66（0.63，0.72）。模型2：0.69（0.66，0.72）。模型3：0.75（0.72，0.78）	—	交叉验证
RHEE等^[39]	转化为分类变量	—	多重插补	Cox回归	逐步选择法	内部验证^a	0.84（0.83，0.85）	H-L拟合优度检验	—

第一作者	模型包含的预测因子	模型呈现形式	局限性（模型/研究）
AEKPLAKORN等^[9]	模型1（5个）：年龄、BMI、腰围、高血压、FHDM。模型2（6个）：模型1中的因子+FBG 。模型3（6个）：模型1中的因子+IGT。模型4（7个）：模型3中的因子+TG。模型5（8个）：模型4中的因子+HDL-C	根据各因子回归系数的大小给其分配分值，计算个体的发病风险总分	—
CHIEN等^[10]	模型1（6个）：年龄、FBG、BMI、TG、白细胞计数、HDL-C。模型2（5个）：年龄、性别、BMI、FHDM、降压药物治疗	基于各因子的回归系数及其参考值得出各因子的分值，计算个体的发病风险总分	研究对象年龄较大；糖尿病诊断方法单一
GAO等^[11]	模型1（3个）：BMI、腰围、FHDM。模型2（4个）：模型1中的因子+FBG。模型3（5个）：模型1中的因子+收缩压、TG	根据各因子回归系数、基础风险率，计算个体发病概率	预测能力中等；缺乏外部验证
SUN等^[12]	模型1（8个）：受教育程度、年龄、FHDM、吸烟、运动、高血压、BMI、腰围。模型2（9个）：年龄、性别、受教育程度、吸烟、BMI、腰围、FHDM、高血压、FBG。模型3（13个）：模型2中的因子+TG、HDL-C、ALT、eGFR。模型4（7个）：性别、种族、FHDM、FBG、收缩压、腰围、身高。模型5（8个）：年龄、种族、FBG、收缩压、腰围、身高、HDL-C、TG	根据各因子的回归系数，得出发病风险得分的计算公式	基线时未进行葡萄糖耐量试验；无来自社区的样本；未证实其在年轻人T2DM发病风险预测中的应用效果
CHUANG等^[13]	模型1（6个）：年龄、性别、饮酒习惯、受教育程度、BMI、腰围。模型2（7个）：模型1中的因子+FHDM。模型3（7个）：模型1中的因子+高血压。模型4（8个）：模型3中的因子+FHDM。模型5（9个）：模型3中的因子+TG、FBG。模型6（10个）：模型5中的因子+FHDM	根据各因子的回归系数对其进行赋分，计算个体的发病风险总分	未将葡萄糖耐量试验纳入T2DM诊断标准，可能会造成漏诊
BOZORGMANESH等^[14]	模型1（5个）：年龄、收缩压、FHMD、腰臀比、腰高比。模型2（6个）：收缩压、FHMD、腰臀比、腰高比、TG/HDL-C、FBG。模型3（7个）：收缩压、FHMD、腰臀比、腰高比、TG/HDL-C、FBG、2 h-PG	基于各因子的回归系数及其参考值得出各因子的分值，计算个体的发病风险总分	缺少外部验证
LIU等^[15]	模型1（4个）：年龄、高血压、FHDM、BMI。模型2（5个）：模型1中的因子+FBG。模型3（6个）：年龄、高血压、高血糖、FHDM、BMI、FBG	以取整后的OR作为各因子的分值，计算个体的发病风险总分	未证实其在年轻人T2DM发病风险预测中的应用效果
ONAT等^[16]	7个：FHDM、体育活动、年龄、腰围、FBG、C反应蛋白、HDL-C	根据各因子的回归系数、HR对其进行赋分，计算个体的发病风险总分	—
DOI等^[17]	模型1（8个）：年龄、性别、FHDM、腹围、BMI、高血压、定期运动、经常吸烟。模型2（9个）：模型1中的因子+FBG	以取整后的回归系数作为各因子的分值，计算个体的发病风险总分	预测能力一般；存在自我报告偏倚；预测短期内T2DM发病风险的能力有待考量
HEIANZA等^[18]	模型1（5个）：年龄、性别、FHDM、吸烟、BMI。模型2（6个）：模型1中的因子+FBG。模型3（6个）：模型1中的因子+HbA_1c。模型4（7个）：模型1中的因子+FBG+HbA_1c	根据各因子的回归系数对其进行赋分，计算个体的发病风险总分	研究对象主要为男性，在其他人群T2DM发病风险预测中的应用效果有待进一步研究
LIM等^[19]	模型1（5个）：年龄、FHDM、当前吸烟情况、BMI、高血压。模型2（8个）：模型1中的因子+FBG、HDL-C、TG。模型3（9个）：模型2中的因子+HbA_1c	根据各因子的回归系数对其进行赋分，计算个体的发病风险总分	模型可能只适用于临床环境或流行病学研究
YE等^[20]	6个：性别、BMI、FBG、HbA_1c、高血压、C反应蛋白	基于各因子的回归系数及其参考值得出各因子的分值，计算个体的发病风险总分	未进行外部验证
XU等^[21]	7个：年龄、性别、FHDM、BMI、FBG、HDL、TG	基于各因子的回归系数及其参考值得出各因子的分值，计算个体的发病风险总分	将FBG作为判断基线时糖尿病患病情况的指标，可能造成糖尿病患病率被低估；数据缺失率约38%；在其他民族/年轻人T2DM发病风险预测中的应用效果有待进一步研究
NANRI等^[22]	模型1（6个）：年龄、性别、BMI、腰围、高血压、吸烟情况。模型2（7个）：模型1中的因子+FBG。模型3（7个）：模型1中的因子+HbA_1c。模型4（8个）：模型1中的因子+ FBG、HbA_1c	根据各因子的回归系数对其进行赋分，计算个体的发病风险总分	可能存在选择偏倚
WANG等^[23]	模型1（7个）：年龄、性别、BMI、FHDM、受教育程度、血压、静息心率。模型2（10个）：模型1中的因子+FBG、TG、调脂药物使用情况	列线图，读取各因子的值对应的得分，将所有因子的得分相加	预测能力有限；在其他人群T2DM发病风险预测中的应用效果有待进一步研究
LIU等^[24]	5个：年龄、BMI、FBG、自评健康状况、体育活动	—	样本量较少
MIYAKOSHI等^[25]	模型1（5个）：性别、FHDM、年龄、收缩压、BMI。模型2（7个）：性别、FHDM、年龄、收缩压、FPG、HbA_1c、TG。模型3（11个）：吸烟状况、体育活动、年龄、收缩压、BMI、性别、FPG、2 h-PG、HbA_1c、HDL-C、TG	以取整后的HR作为各因子的分值，计算个体的发病风险总分	回顾性研究；未进行外部验证
ZHANG等^[26]	4个：年龄、BMI、TG、FBG	将各因子的回归系数×100后取整，以此作为各因子的分值，计算个体的发病风险总分	数据缺失率较高，可能导致偏倚；在其他人群T2DM发病风险预测中的应用效果有待进一步研究
CHEN等^[27]	模型1（6个）：年龄、超重、肥胖、FHDM、饮食以肉类为主、高血压。模型2（7个）：模型1中的因子+FBG	根据各因子的回归系数对其进行赋分，计算个体的发病风险总分	失访人数较多；在不同环境中的预测能力需进一步测试
ZHANG等^[28]	模型1（7个）：年龄、吸烟、饮茶频率、体育活动水平、FHDM、BMI、高血压。模型2（7个）：年龄、吸烟、饮茶频率、体育活动水平、FHDM、腰高比、高血压。模型3（8个）：模型1中的因子+腰高比。模型4（10个）：模型3中的因子+TG、FBG	将各因子的回归系数×10，以此作为各因子的分值，计算个体的发病风险总分	未进行外部验证
WEN等^[29]	4个：年龄、BMI、腰围、FHDM	基于各因子的回归系数及其参考值得出各因子的分值，计算个体的发病风险总分	缺失数据较多，可能导致偏倚
YATSUYA等^[30]	6个：年龄、BMI、吸烟状况、FHDM、TG、FBG	根据各因子的回归系数对其进行赋分，计算个体的发病风险总分	样本皆为男性且其职业以公务员为主，在其他人群T2DM发病风险预测中的应用效果有待进一步验证
HA等^[31]	11个：年龄、FHDM、吸烟状况、体育活动水平、抗高血压治疗、他汀类药物使用、BMI、收缩压、总胆固醇、FBG为共性因子，γ-谷氨酰转移酶（只限女性）、酒精摄入（只限男性）为性别特异性因子	根据各因子的回归系数，得出发病风险的计算公式	外部验证队列的校准图显示，T2DM发病风险被低估
HAN等^[32]	6个：BMI、FBG、高血压、高脂血症、当前吸烟状况、FHDM	将各因子的回归系数×10，以此作为各因子的分值，计算个体的发病风险总分	未限制研究人群年龄，未进行外部验证
HU等^[33]	模型1（6个）：年龄、性别、腹部肥胖、BMI、吸烟状况、高血压。模型2（8个）：模型1中的因子+血脂异常、FBG	根据各因子回归系数、基础风险率，计算个体发病概率	样本来源受到限制，主要为大公司职员；模型无法区分糖尿病的类型
WANG等^[34]	模型1（6个）：年龄、BMI、FBG、HDL-C、LDL-C、TG。模型2：男（5个），年龄、TG、FBG、LDL-C、BMI；女（6个），年龄、TG、FBG、HDL-C、LDL-C、BMI。模型3（8个）：年龄、BMI、FBG、收缩压、舒张压、HDL-C、LDL-C、TG	列线图，读取各因子的值对应的得分，将所有因子的得分相加	—
GUNTHER等^[35]	17个：年龄、性别、种族、身高、腰围、FHDM、收缩压、FBG、TG、HDL-C、C8-DC、C16-OH、异亮氨酸/亮氨酸、鸟氨酸、脯氨酸、丝氨酸、丙氨酸/甘氨酸	—	未进行外部验证
SHAO等^[36]	模型1（8个）：年龄、性别、民族、高血压、吸烟、饮酒、腰围、BMI。模型2（17个）：模型1中的因子+受教育程度、软饮料和茶摄入、体育活动、能量摄入、碳水化合物摄入、脂肪摄入、蛋白质摄入、三头肌皮褶厚度、睡眠时间。模型3（24个）：模型2中的因子+LDL-C、HDL-C、TC、TG、胰岛素、FBG、HbA_1c 。模型4（7个）：LDL-C、HDL-C、TC、TG、胰岛素、FBG、HbA_1c	列线图，读取各因子的值对应的得分，将所有因子的得分相加	当预测概率<0.20时，T2DM发病风险可能会被低估
ASGARI等^[37]	模型1（6个）：年龄、身高、收缩压、TG、HDL-C、FHDM。模型2（7个）：模型1中的因子+FBG。模型3（7个）：模型1中的因子+腰围	根据各因子的回归系数，得出发病风险得分的计算公式	使用中间日期来定义事件日期
OH等^[38]	模型1（6个）：年龄、居住地、吸烟、高血压、FHDM、腰围。模型2（7个）：模型1中的因子+FBG；模型3（7个）：模型1中的因子+HbA_1c	根据各因子的回归系数对其进行赋分，计算个体的发病风险总分	模型需进一步被验证
RHEE等^[39]	17个：年龄、性别、BMI、收缩压、舒张压、FBG、TC、HbA_1c、天冬氨酸氨基转移酶、丙氨酸氨基转移酶、γ-谷氨酰转移酶、蛋白尿、吸烟、饮酒、锻炼、个人史、家族史	—	—

亚洲2型糖尿病发病风险预测模型的系统评价

Risk Prediction Models for Type 2 Diabetes in Asian Adults: a Systematic Review

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 5

参考文献 54

相关文章 15

编辑推荐

Metrics

留言

第一作者	研究对象领域偏倚风险			预测因子领域偏倚风险				结果领域偏倚风险							数据分析领域偏倚风险										总体偏倚风险	适用性
第一作者	①	②	风险评价	③	④	⑤	风险评价	⑥	⑦	⑧	⑨	⑩	⑪	风险评价	⑫	⑬	⑭	⑮	⑯	⑰	⑱	⑲	⑳	风险评价	总体偏倚风险	研究对象领域	预测因子领域	结果领域	总体评价
AEKPLAKORN等^[9]	Y	Y	L	PY	PY	Y	L	Y	Y	Y	Y	PY	Y	L	Y	N	Y	Y	N	—	Y	—	Y	H	H	L	L	L	L
CHIEN等^[10]	Y	N	H	Y	Y	Y	L	Y	Y	Y	Y	PY	Y	L	Y	N	PN	N	Y	—	N	PY	Y	H	H	L	L	L	L
GAO等^[11]	Y	Y	L	Y	Y	Y	L	Y	Y	Y	Y	PY	Y	L	Y	—	Y	N	Y	—	N	—	Y	H	H	L	L	L	L
SUN等^[12]	Y	Y	L	Y	Y	Y	L	Y	Y	Y	Y	PY	Y	L	Y	N	Y	N	—	—	N	—	Y	H	H	L	L	L	L
CHUANG等^[13]	Y	Y	L	Y	Y	Y	L	Y	Y	Y	Y	PY	Y	L	Y	Y	Y	N	Y	—	N	—	Y	H	H	L	L	L	L
BOZORGMANESH等^[14]	Y	Y	L	Y	Y	Y	L	Y	Y	PY	Y	Y	Y	L	Y	N	N	PY	Y	—	Y	PY	Y	H	H	L	L	L	L
LIU等^[15]	Y	Y	L	Y	Y	Y	L	Y	Y	Y	Y	PY	Y	L	Y	Y	Y	N	N	—	N	—	Y	H	H	L	L	L	L
ONAT等^[16]	Y	Y	L	Y	Y	Y	L	Y	Y	PN	Y	Y	Y	H	Y	N	Y	—	Y	—	N	—	Y	H	H	L	L	L	L
DOI等^[17]	Y	Y	L	Y	Y	Y	L	Y	Y	Y	Y	PY	Y	L	Y	N	Y	N	Y	—	Y	—	Y	H	H	L	L	L	L
HEIANZA等^[18]	Y	Y	L	Y	Y	Y	L	Y	Y	Y	Y	PY	Y	L	Y	N	N	N	Y	—	N	—	N	H	H	L	L	L	L
LIM等^[19]	Y	Y	L	Y	Y	Y	L	Y	Y	Y	Y	PY	Y	L	Y	Y	Y	N	N	—	N	PY	Y	H	H	L	L	L	L
YE等^[20]	Y	Y	L	Y	Y	Y	L	Y	Y	Y	Y	PY	Y	L	Y	PY	Y	Y	Y	—	N	Y	—	H	H	L	L	L	L
XU等^[21]	Y	Y	L	N	Y	Y	H	Y	Y	Y	Y	PY	Y	L	Y	N	Y	—	N	—	Y	PY	Y	H	H	L	L	L	L
NANRI等^[22]	Y	Y	L	N	Y	Y	H	PY	Y	Y	N	PY	Y	H	Y	N	N	N	Y	—	Y	—	—	H	H	L	L	L	L
WANG等^[23]	Y	Y	L	—	Y	Y	U	Y	Y	Y	Y	PY	Y	L	Y	Y	—	—	Y	—	Y	Y	Y	U	H^a	L	L	L	L
LIU等^[24]	Y	Y	L	Y	Y	Y	L	Y	Y	Y	Y	PY	Y	L	Y	N	Y	Y	N	Y	N	Y	—	H	H	L	L	L	L
MIYAKOSHI等^[25]	Y	Y	L	PY	PY	Y	L	Y	Y	Y	N	PY	Y	L	Y	Y	N	—	Y	—	Y	—	Y	H	H	L	L	L	L
ZHANG等^[26]	Y	Y	L	Y	Y	Y	L	Y	Y	Y	Y	PY	Y	L	Y	Y	Y	N	Y	—	N	PY	Y	H	H	L	L	L	L
CHEN等^[27]	Y	Y	L	PY	Y	Y	L	Y	Y	Y	Y	PY	Y	L	Y	Y	PY	N	Y	—	PN	Y	Y	U	H^a	L	L	L	L
ZHANG等^[28]	Y	Y	L	Y	Y	Y	L	Y	Y	N	Y	Y	—	H	Y	Y	Y	N	N	—	Y	—	Y	H	H	L	L	L	L
WEN等^[29]	Y	Y	L	PY	Y	Y	L	Y	Y	Y	Y	PY	Y	L	Y	Y	N	N	Y	—	Y	—	Y	H	H	L	L	L	L
YATSUYA等^[30]	Y	Y	L	Y	Y	Y	L	Y	Y	Y	N	PY	Y	H	Y	Y	N	N	Y	—	Y	PY	Y	H	H	L	L	L	L
HA等^[31]	Y	Y	L	Y	Y	Y	L	Y	Y	Y	Y	PY	Y	L	Y	Y	Y	N	Y	—	Y	—	Y	H	H	L	L	L	L
HAN等^[32]	Y	Y	L	Y	Y	Y	L	Y	Y	Y	Y	PY	Y	L	Y	Y	Y	N	Y	—	N	PY	Y	H	H	L	L	L	L
HU等^[33]	Y	N	H	Y	Y	Y	L	PY	Y	Y	N	PY	Y	H	Y	Y	Y	N	Y	—	Y	—	N	H	H	L	L	L	L
WANG等^[34]	Y	N	H	Y	Y	Y	L	Y	Y	Y	Y	PY	Y	L	Y	Y	Y	N	Y	—	N	PY	Y	H	H	L	L	L	L
GUNTHER等^[35]	PY	Y	L	Y	Y	Y	L	Y	Y	Y	Y	Y	Y	L	N	Y	N	N	Y	—	N	—	Y	H	H	L	L	L	L
SHAO等^[36]	Y	N	H	Y	Y	Y	L	PY	Y	Y	Y	PY	Y	L	Y	Y	N	N	Y	—	Y	PY	Y	H	H	L	L	L	L
ASGARI等^[37]	Y	Y	L	Y	Y	Y	L	Y	Y	Y	Y	Y	Y	L	Y	—	N	Y	Y	PY	Y	Y	Y	H	H	L	L	L	L
OH等^[38]	Y	Y	L	Y	Y	Y	L	Y	Y	Y	N	PY	Y	H	Y	Y	Y	N	N	—	N	PY	Y	H	H	L	L	L	L
RHEE等^[39]	Y	Y	L	Y	Y	Y	L	Y	Y	Y	Y	PY	Y	L	Y	Y	Y	Y	Y	—	Y	—	Y	U	H	L	L	L	L

[1]	刘晶涛, 苏荷, 秦小金, 兰云霞, 张金枝. 冠心病患者心脏康复相关指南的系统评价[J]. 中国全科医学, 2023, 26(19): 2323-2331.
[2]	查倩倩, 徐莲英, 陈娟, 黄闻, 章新琼. 预防老年抑郁症复发的最佳证据总结[J]. 中国全科医学, 2023, 26(19): 2332-2338.
[3]	赵丽珍, 李卫民, 姜瑞霞. 系统免疫炎症指数对社区老年2型糖尿病患者并发糖尿病肾病的临床诊断价值研究[J]. 中国全科医学, 2023, 26(18): 2227-2231.
[4]	张露露, 陈欢, 罗欢, 陈婷婷, 陈昕羽, 高静. 基于健康测量工具的共识标准对癌症复发恐惧评估工具的系统评价[J]. 中国全科医学, 2023, 26(17): 2138-2146.
[5]	沈傲梅, 路潜, 符鑫, 韦小夏, 卞静如, 张丽媛, 强万敏, 庞冬. 基于前瞻性队列研究的Meta分析构建乳腺癌相关淋巴水肿风险预测模型研究[J]. 中国全科医学, 2023, 26(17): 2078-2088.
[6]	方福生, 刘星宇, 闫双通, 王宁, 李春霖, 田慧. 老年男性2型糖尿病患者目标范围内时间与长期血糖变异性的关系研究[J]. 中国全科医学, 2023, 26(16): 1979-1983.
[7]	张丽娜, 王岩, 张抗怀, 李友佳. 新型降糖药物替西帕肽的临床研究进展[J]. 中国全科医学, 2023, 26(15): 1902-1908.
[8]	杨蓓, 韩琳, 王茵, 程康耀. 持续皮下胰岛素注射治疗老年2型糖尿病效果的Meta分析与试验序贯分析[J]. 中国全科医学, 2023, 26(15): 1892-1901.
[9]	王凌霄, 董荣娜, 周冰, 郭丽娜, 李晶. 人机交互智能管理对初发2型糖尿病患者血糖控制的影响研究[J]. 中国全科医学, 2023, 26(15): 1817-1823.
[10]	宋华隆, 高鹰. 血尿酸水平与2型糖尿病发病风险的关联队列研究[J]. 中国全科医学, 2023, 26(15): 1831-1839.
[11]	徐迪, 田金萍, 刘赟玥, 薛冷, 张林, 孙国珍, 王连生, 徐晶晶. 冠心病合并2型糖尿病患者经皮冠状动脉介入治疗围术期血糖波动的特点及影响因素研究[J]. 中国全科医学, 2023, 26(15): 1863-1872.
[12]	王海燕, 黄源, 桂春. 2型糖尿病对扩张型心肌病患者预后的影响研究[J]. 中国全科医学, 2023, 26(15): 1840-1846.
[13]	孟启哲, 奚志, 王铭, 王洋, 杨霄鹏. 2型糖尿病合并近期皮质下小梗死患者血糖变异性与梗死负担及认知功能障碍的相关性研究[J]. 中国全科医学, 2023, 26(15): 1885-1891.
[14]	章雨桐, 王秋琴, 徐语晨, 翁恒, 梁咏琪, 汪露露, 王庆, 徐桂华. 帕金森病患者疼痛影响因素的系统评价[J]. 中国全科医学, 2023, 26(14): 1766-1774.
[15]	陈瑞敏, 刘放, 谈红, 韩淑芳, 陈英剑, 苏丛丛. 达格列净对2型糖尿病合并慢性心力衰竭患者微小RNA-423-5p的调控作用及心功能的影响研究[J]. 中国全科医学, 2023, 26(14): 1733-1738.