2型糖尿病患者并发糖尿病肾病风险的列线图预测模型与验证研究

doi:10.12114/j.issn.1007-9572.2023.0571

中国全科医学 ›› 2024, Vol. 27 ›› Issue (09): 1054-1061.DOI: 10.12114/j.issn.1007-9572.2023.0571

所属专题：内分泌代谢性疾病最新文章合辑；泌尿系统疾病最新文章合辑

2型糖尿病患者并发糖尿病肾病风险的列线图预测模型与验证研究

韩俊杰¹, 武迪², 陈志胜³, 肖扬¹, 森干¹^,^*()

1．830017　新疆维吾尔自治区乌鲁木齐市，新疆医科大学医学工程技术学院
2．830017　新疆维吾尔自治区乌鲁木齐市，新疆医科大学公共卫生学院
3．835099　新疆维吾尔自治区伊犁哈萨克自治州伊宁市，伊犁州疾病预防控制中心

收稿日期:2023-08-21 修回日期:2023-11-06 出版日期:2024-03-20 发布日期:2023-12-19
通讯作者: 森干
作者贡献：韩俊杰提出研究思路和设计方案，负责论文起草；武迪负责数据整理、清洗、统计学分析及临床预测模型的构建；陈志胜负责数据采集；肖扬提出对变量筛选的方法，负责数据预处理及论文修改；森干负责研究构思与设计，负责调查对象的选取，对论文负责；所有作者阅读并修订了最终稿件。
基金资助:
新疆维吾尔自治区自然科学基金资助项目(2022D01A311，2022D01C184)

A Nomogram Prediction Model and Validation Study on the Risk of Complicated Diabetic Nephropathy in Type 2 Diabetes Patients

HAN Junjie¹, WU Di², CHEN Zhisheng³, XIAO Yang¹, SEN Gan¹^,^*()

1. School of Medical Engineering Technology, Xinjiang Medical University, Urumqi 830017, China
2. School of Public Health, Xinjiang Medical University, Urumqi 830017, China
3. Ili Prefecture Center for Disease Prevention and Control, Yining 835099, China

Received:2023-08-21 Revised:2023-11-06 Published:2024-03-20 Online:2023-12-19
Contact: SEN Gan

分享到

摘要/Abstract

摘要： 背景糖尿病肾病（DN）是糖尿病患者常见的并发症，对其发生风险进行预测与验证，有助于提前识别高风险患者并采取干预措施，以避免或延缓肾脏疾病的进展。目的分析影响2型糖尿病（T2DM）患者并发DN的风险因素，构建T2DM患者发生DN风险的预测模型并进行验证。方法选取2016年1月—2021年6月在新疆医科大学第一附属医院住院的5 810例T2DM患者为研究对象，根据是否并发DN将患者分为DN组（481例）和非DN组（5 329例）。对其中481例DN患者和非DN患者依据性别、年龄（±2岁）进行1∶1病例对照匹配，将匹配后的962例T2DM患者根据2∶1比例随机分为训练组（n=641）和验证组（n=321）。收集患者的基础数据，如临床特征、实验室检查结果及其他相关数据。采用LASSO回归优化筛选变量，利用多因素Logistic回归分析建立列线图预测模型。分别采用受试者工作特征（ROC）曲线、Hosmer-Lemeshow校准曲线和决策曲线分析（DCA）评价预测模型的区分度、校准度以及预测模型的临床有效性。结果 DN组与非DN组患者性别、年龄、BMI、糖尿病病程、白细胞计数、总胆固醇、三酰甘油、低密度脂蛋白胆固醇、血清肌酐、高血压、收缩压、舒张压、糖化血红蛋白载脂蛋白B、24 h尿微量总蛋白、定性尿蛋白比较，差异有统计学意义（P<0.05）。采用LASSO回归分析方法，筛选出5个与T2DM患者发生DN风险相关的预测变量，结合多因素Logistic回归分析结果显示，糖尿病病程、总胆固醇、血清肌酐、高血压、定性尿蛋白是T2DM患者并发DN的危险因素（P<0.05）。训练组DN发生风险的ROC曲线下的面积（AUC）为0.866（95%CI=0.839~0.894），验证组DN发生风险的AUC为0.849（95%CI=0.804~0.889）。Hosmer-Lemeshow校准曲线拟合度较好（训练组P=0.748；验证组P=0.986）。DCA显示当患者的阈值概率为0.15~0.95时，使用列线图预测模型预测T2DM患者发生DN风险更有益。结论本研究发现糖尿病病程、总胆固醇、血清肌酐、高血压、定性尿蛋白可能是T2DM患者并发DN的危险因素，建立了包含该5个危险因素的列线图预测模型，可用于预测T2DM患者发生DN的风险。

关键词: 糖尿病，2型, 糖尿病肾病, 危险因素, 列线图, 预测模型, 决策曲线分析

Abstract:

Background

Diabetes nephropathy (DN) is a common complication of diabetes patients. The prediction and validation of its risk will help identify high-risk patients in advance and take intervention measures to avoid or delay the progress of nephropathy.

Objective

To analyze the risk factors affecting the complication of DN in patients with type 2 diabetes mellitus (T2DM) , construct a risk prediction model for the risk of DN in T2DM patients and validate it.

Methods

A total of 5 810 patients with T2DM admitted to the First Affiliated Hospital of Xinjiang Medical University from January 2016 to June 2021 were selected as the study subjects and divided into the DN group (n=481) and non-DN group (n=5 329) according to the complication of DN. A 1∶1 case-control matching was performed on 481 of these DN patients and non-DN patients by gender and age (±2 years) , and the matched 962 T2DM patients were randomly divided into the training group (n=641) and validation group (n=321) based on a 2∶1 ratio. Basic data of patients, such as clinical characteristics, laboratory test results and other related data, were collected. LASSO regression was applied to optimize the screening variables, and a nomogram prediction model was developed using multivariate Logistic regression analysis. The discriminability, calibration and clinical validity of the prediction model were evaluated by using the receiver operating characteristic (ROC) curve, Hosmer-Lemeshow calibration curve, and decision curve analysis (DCA) , respectively.

Results

There were significant differences in gender, age, BMI, course of diabetes, white blood cell count, total cholesterol, triacylglycerol, low-density lipoprotein cholesterol, serum creatinine, hypertension, systolic blood pressure, diastolic blood pressure, glycosylated hemoglobin, apolipoprotein B, 24-hour urinary micro total protein, qualitative urinary protein between the DN and non-DN group (P<0.05) . Five predictor variables associated with the risk of DN in patients with T2DM were screened using LASSO regression analysis, and the results combined with multivariate Logistic regression analysis showed that duration of diabetes, total cholesterol, serum creatinine, hypertension, and qualitative urinary protein were risk factors for the complication of DN in T2DM patients (P<0.05) . The area under the ROC curve (AUC) for the risk of DN in the training group of the model was 0.866 (95%CI=0.839-0.894) , and the AUC for predicting the risk of DN in the validation group was 0.849 (95%CI=0.804-0.889) based on the predictor variables. The Hosmer-Lemeshow calibration curve fit was good (P=0.748 for the training group; P=0.986 for the validation group) . DCA showed that the use of nomogram prediction model was more beneficial in predicting DN when the threshold probability of patients was 0.15 to 0.95.

Conclusion

The nomogram prediction model containing five predictor variables (diabetes duration, total cholesterol, serum creatinine, hypertension, qualitative urinary protein) developed in this study can be used to predict the risk of DN in patients with T2DM.

Key words: Diabetes mellitus, type 2, Diabetic nephropathies, Risk factors, Nomogram, Prediction model, Decision curve analysis

韩俊杰,武迪,陈志胜,等. 2型糖尿病患者并发糖尿病肾病风险的列线图预测模型与验证研究[J]. 中国全科医学, 2024, 27(09): 1054-1061. DOI: 10.12114/j.issn.1007-9572.2023.0571.
HAN Junjie,WU Di,CHEN Zhisheng, et al. A Nomogram Prediction Model and Validation Study on the Risk of Complicated Diabetic Nephropathy in Type 2 Diabetes Patients[J]. Chinese General Practice, 2024, 27(09): 1054-1061. DOI: 10.12114/j.issn.1007-9572.2023.0571.

图/表 7

参考文献 33

[1]	SAEEDI P, PETERSOHN I, SALPEA P，et al. Global and regional diabetes prevalence estimates for 2019 and projections for 2030 and 2045：results from the International Diabetes Federation Diabetes Atlas，9th edition[J]. Diabetes Res Clin Pract，2019,157:107843. DOI：10.1016/j.diabres.2019.107843.
[2]	ALDEMIR O, TURGUT F, GOKCE C. The association between methylation levels of targeted genes and albuminuria in patients with early diabetic kidney disease[J]. Ren Fail，2017,39(1):597-601. DOI：10.1080/0886022X.2017.1358180.
[3]	刘小株. 基于机器学习算法的2型糖尿病肾脏疾病的辅助诊断研究[D]. 重庆：重庆医科大学，2021.
[4]	AHN H S, KIM J H, JEONG H，et al. Differential urinary proteome analysis for predicting prognosis in type 2 diabetes patients with and without renal dysfunction[J]. Int J Mol Sci，2020,21(12):4236. DOI：10.3390/ijms21124236.
[5]	潘琼妮，胡雯勤，李雪萍，等. 糖尿病肾病风险预测模型研究现状[J]. 医学信息，2022,35(8):43-46. DOI：10.3969/j.issn.1006-1959.2022.08.011.
[6]	中华医学会糖尿病学分会. 中国2型糖尿病防治指南（2010年版）[J]. 中国糖尿病杂志，2012,20(1):81-117.
[7]	施培花，潘莉，费辉辉. 不同孕期多囊卵巢综合征患者发生妊娠期高血压疾病风险预测模型构建与验证[J]. 中国妇幼保健，2022,37(14):2605-2609. DOI：10.19829/j.zgfybj.issn.1001-4411.2022.14.023.
[8]	FU Q Y, CHEN Y, LI Z H，et al. A deep learning algorithm for detection of oral cavity squamous cell carcinoma from photographic images：a retrospective study[J]. EClinicalMedicine，2020,27:100558. DOI：10.1016/j.eclinm.2020.100558.
[9]	VICKERS A J, ELKIN E B. Decision curve analysis：a novel method for evaluating prediction models[J]. Med Decis Making，2006,26(6):565-574. DOI：10.1177/0272989X06295361.
[10]	ZHU X H, LI X M, ONG K，et al. Hybrid AI-assistive diagnostic model permits rapid TBS classification of cervical liquid-based thin-layer cell smears[J]. Nat Commun，2021,12(1):3541. DOI：10.1038/s41467-021-23913-3.
[11]	TAVABIE O D, KARVELLAS C J, SALEHI S，et al. A novel microRNA-based prognostic model outperforms standard prognostic models in patients with acetaminophen-induced acute liver failure[J]. J Hepatol，2021,75(2):424-434. DOI：10.1016/j.jhep.2021.03.013.
[12]	史可为，吴亚飞，方亚. 临床预测模型的可解释性及应用进展[J]. 现代预防医学，2023,50(6):1122-1127. DOI：10.20043/j.cnki.MPM.202208083.
[13]	黄晓，邵旻婧，王嘉琪，等. 预测年轻乳腺癌患者生存率列线图的建立和验证[J]. 现代肿瘤医学，2022,30(17):3120-3126. DOI：10.3969/j.issn.1672-4992.2022.17.011.
[14]	JIN H M, FENG Y Q, GUO K B，et al. Prognostic nomograms for predicting overall survival and cancer-specific survival of patients with early onset colon adenocarcinoma[J]. Front Oncol，2020,10:595354. DOI：10.3389/fonc.2020.595354.
[15]	ZHAO B, GABRIEL R A, VAIDA F，et al. Using machine learning to construct nomograms for patients with metastatic colon cancer[J]. Colorectal Dis，2020,22(8):914-922. DOI：10.1111/codi.14991.
[16]	XI C F, WANG C M, RONG G H，et al. A nomogram model that predicts the risk of diabetic nephropathy in type 2 diabetes mellitus patients：a retrospective study[J]. Int J Endocrinol，2021,2021:6672444. DOI：10.1155/2021/6672444.
[17]	SHI R, NIU Z Y, WU B R，et al. Nomogram for the risk of diabetic nephropathy or diabetic retinopathy among patients with type 2 diabetes mellitus based on questionnaire and biochemical indicators：a cross-sectional study[J]. Diabetes Metab Syndr Obes，2020,13:1215-1229. DOI：10.2147/DMSO.S244061.
[18]	侯新月，胡松，费春晓，等. 预测糖尿病患者并发糖尿病肾病风险的列线图模型的建立[J]. 临床肾脏病杂志，2020,20(3):207-212. DOI：10.3969/j.issn.1671-2390.2020.03.007.
[19]	HUI D N, ZHANG F, LU Y Y，et al. A multifactorial risk score system for the prediction of diabetic kidney disease in patients with type 2 diabetes mellitus[J]. Diabetes Metab Syndr Obes，2023,16:385-395. DOI：10.2147/DMSO.S391781.
[20]	JIANG S M, FANG J Y, YU T Y，et al. Novel model predicts diabetic nephropathy in type 2 diabetes[J]. Am J Nephrol，2020,51(2):130-138. DOI：10.1159/000505145.
[21]	ADLER A I, STEVENS R J, MANLEY S E，et al. Development and progression of nephropathy in type 2 diabetes：the United Kingdom Prospective Diabetes Study （UKPDS 64）[J]. Kidney Int，2003,63(1):225-232. DOI：10.1046/j.1523-1755.2003.00712.x.
[22]	BASHIR M, ELHADD T, DABBOUS Z，et al. Optimal glycaemic and blood pressure but not lipid targets are related to a lower prevalence of diabetic microvascular complications[J]. Diabetes Metab Syndr，2021,15(5):102241. DOI：10.1016/j.dsx.2021.102241.
[23]	田蓉，傅桂芬，李丽蓉，等. 老年T2DM合并高血压患者发生糖尿病肾病的影响因素[J]. 心血管康复医学杂志，2023,32(1):4-8. DOI：10.3969/j.issn.1008-0074.2023.01.02.
[24]	白倩，陈琰，石雪，等. 2型糖尿病合并微血管病变的临床特征及危险因素[J]. 临床与病理杂志，2018,38(7):1493-1498. DOI：10.3978/j.issn.2095-6959.2018.07.020.
[25]	彭方书，赵晓溪，吕燕，等. 2型糖尿病合并高血压患者动态血糖与昼夜动态血压波动的关系[J]. 中国医药导报，2020,17(26):113-116.
[26]	缪春霞，郭琳娜，钟晓连. 尿蛋白和尿微量白蛋白在糖尿病肾病检验中的效果分析[J]. 糖尿病新世界，2022,25(24):65-67,71. DOI：10.16658/j.cnki.1672-4062.2022.24.065.
[27]	卢作维，刘涛，刘向阳，等. 2型糖尿病患者发生微量白蛋白尿预测模型的建立与验证研究[J]. 中国全科医学，2021,24(36):4653-4660. DOI：10.12114/j.issn.1007-9572.2021.02.057.
[28]	徐刚. 尿蛋白与尿肌酐的比值、β2微球蛋白及视黄醇结合蛋白联合检测对糖尿病肾病的早期诊断价值[J]. 实用临床医药杂志，2020,24(21):86-89. DOI：10.7619/jcmp.202021025.
[29]	石安平，冯丽珍，陶敏，等. 糖尿病肾病患者糖化血红蛋白、胱抑素C及血脂水平调查研究[J]. 武警后勤学院学报（医学版），2013,22(5):400-402. DOI：10.3969/j.issn.2095-3720.2013.05.018.
[30]	周玉萍，迟海燕，王永笛. 糖尿病肾病不同分期血清同型半胱氨酸、三酰甘油、总胆固醇水平的变化[J]. 疑难病杂志，2014,13(11):1137-1139. DOI：10.3969/j.issn.1671-6450.2014.11.011.
[31]	CHENG Y Q, SHANG J, LIU D，et al. Development and validation of a predictive model for the progression of diabetic kidney disease to kidney failure[J]. Ren Fail，2020,42(1):550-559. DOI：10.1080/0886022X.2020.1772294.
[32]	崔颖，贺建勋，林红军. 血尿酸、血肌酐水平对糖尿病肾病患者预后判断的价值[J]. 中国社区医师，2021,37(34):95-96.
[33]	章晓炎，盛虹，谢静远，等. 高尿酸血症与老年慢性肾脏病患者肾功能的相关性研究[J]. 内科理论与实践，2020,15(3):161-166. DOI：10.16138/j.1673-6087.2020.03.006.

组别	例数	性别[例（%）]		年龄（ ±s，岁）	BMI （±s，kg/m²）	糖尿病病程[M（QR），年]	WBC （±s，×10⁹/L）	TC （±s，mmol/L）	TG [M（QR），mmol/L]	HDL-C （±s，mmol/L）	LDL-C （ ±s，mmol/L）	Scr [M（QR），μmol/L]
组别	例数	男	女	年龄（ ±s，岁）	BMI （±s，kg/m²）	糖尿病病程[M（QR），年]	WBC （±s，×10⁹/L）	TC （±s，mmol/L）	TG [M（QR），mmol/L]	HDL-C （±s，mmol/L）	LDL-C （ ±s，mmol/L）	Scr [M（QR），μmol/L]
非DN组	5 329	3 328（62.5）	2 001（37.5）	56.9±12.1	26.0±3.7	6（10）	7.098±2.645	4.24±1.18	1.64（1.37）	1.10±0.36	2.70±0.87	65.32（23.55）
DN组	481	343（71.3）	138（28.7）	60.5±11.6	26.4±4.0	14（12）	7.480±2.736	4.55±1.66	1.78（1.63）	1.07±0.32	2.88±1.13	85.00（48.46）
检验统计量值		14.885^a		39.172	4.849	-15.815^b	9.165	27.451	-3.375^b	2.534	17.213	-16.934^b
P值		<0.001		<0.001	0.028	<0.001	0.002	<0.001	<0.001	0.111	<0.001	<0.001
组别	高血压[例（%）]	SBP （±s，mmHg）	DBP （±s，mmHg）	HbA_1c （ ±s，%）	ApoA1 （ ±s，g/L）	ApoB （ ±s，g/L）	Up [M（QR），mmol/L]	Upn[例（%）]
组别	高血压[例（%）]	SBP （±s，mmHg）	DBP （±s，mmHg）	HbA_1c （ ±s，%）	ApoA1 （ ±s，g/L）	ApoB （ ±s，g/L）	Up [M（QR），mmol/L]	-	+	++	+++
非DN组	2 952（55.4）	127±16	77±10	8.72±2.12	1.166±0.254	0.920±0.280	42.8（55.6）	4 964（93.2）	168（3.2）	108（2.0）	91（1.6）
DN组	400（83.2）	136±20	78±11	9.01±2.11	1.160±0.250	0.965±0.358	403.2（2 079.6）	188（39.1）	61（12.7）	81（16.8）	151（31.4）
检验统计量值	176.582^a	134.245	9.336	8.116	0.215	11.006	1 697.178^b	1 504.049^a
P值	<0.001	<0.001	0.002	0.004	0.643	0.001	<0.001	<0.001

组别	例数	性别[例（%）]		年龄（ ±s，岁）	BMI （±s，kg/m²）	糖尿病病程[M（QR），年]	WBC （±s，×10⁹/L）	TC （±s，mmol/L）	TG [M（QR），mmol/L]	HDL-C （±s，mmol/L）	LDL-C （ ±s，mmol/L）	Scr [M（QR），μmol/L]
组别	例数	男	女	年龄（ ±s，岁）	BMI （±s，kg/m²）	糖尿病病程[M（QR），年]	WBC （±s，×10⁹/L）	TC （±s，mmol/L）	TG [M（QR），mmol/L]	HDL-C （±s，mmol/L）	LDL-C （ ±s，mmol/L）	Scr [M（QR），μmol/L]
非DN组	5 329	3 328（62.5）	2 001（37.5）	56.9±12.1	26.0±3.7	6（10）	7.098±2.645	4.24±1.18	1.64（1.37）	1.10±0.36	2.70±0.87	65.32（23.55）
DN组	481	343（71.3）	138（28.7）	60.5±11.6	26.4±4.0	14（12）	7.480±2.736	4.55±1.66	1.78（1.63）	1.07±0.32	2.88±1.13	85.00（48.46）
检验统计量值		14.885^a		39.172	4.849	-15.815^b	9.165	27.451	-3.375^b	2.534	17.213	-16.934^b
P值		<0.001		<0.001	0.028	<0.001	0.002	<0.001	<0.001	0.111	<0.001	<0.001
组别	高血压[例（%）]	SBP （±s，mmHg）	DBP （±s，mmHg）	HbA_1c （ ±s，%）	ApoA1 （ ±s，g/L）	ApoB （ ±s，g/L）	Up [M（QR），mmol/L]	Upn[例（%）]
组别	高血压[例（%）]	SBP （±s，mmHg）	DBP （±s，mmHg）	HbA_1c （ ±s，%）	ApoA1 （ ±s，g/L）	ApoB （ ±s，g/L）	Up [M（QR），mmol/L]	-	+	++	+++
非DN组	2 952（55.4）	127±16	77±10	8.72±2.12	1.166±0.254	0.920±0.280	42.8（55.6）	4 964（93.2）	168（3.2）	108（2.0）	91（1.6）
DN组	400（83.2）	136±20	78±11	9.01±2.11	1.160±0.250	0.965±0.358	403.2（2 079.6）	188（39.1）	61（12.7）	81（16.8）	151（31.4）
检验统计量值	176.582^a	134.245	9.336	8.116	0.215	11.006	1 697.178^b	1 504.049^a
P值	<0.001	<0.001	0.002	0.004	0.643	0.001	<0.001	<0.001

变量	β	SE	Wald χ²值	P值	OR值	95%CI
糖尿病病程	0.068	0.011	6.095	<0.001	1.070	1.047~1.094
TC	0.231	0.066	3.483	<0.001	1.260	1.109~1.439
Scr	0.008	0.002	3.378	0.001	1.008	1.004~1.013
高血压（以否为参照）	0.776	0.185	4.192	<0.001	2.174	1.517~3.137
Upn（以-为参照）
+	1.839	0.292	6.297	<0.001	6.288	3.607~11.390
++	2.260	0.318	7.113	<0.001	9.587	5.290~18.533
+++	3.095	0.387	7.993	<0.001	22.098	10.960~50.992

变量	β	SE	Wald χ²值	P值	OR值	95%CI
糖尿病病程	0.068	0.011	6.095	<0.001	1.070	1.047~1.094
TC	0.231	0.066	3.483	<0.001	1.260	1.109~1.439
Scr	0.008	0.002	3.378	0.001	1.008	1.004~1.013
高血压（以否为参照）	0.776	0.185	4.192	<0.001	2.174	1.517~3.137
Upn（以-为参照）
+	1.839	0.292	6.297	<0.001	6.288	3.607~11.390
++	2.260	0.318	7.113	<0.001	9.587	5.290~18.533
+++	3.095	0.387	7.993	<0.001	22.098	10.960~50.992

2型糖尿病患者并发糖尿病肾病风险的列线图预测模型与验证研究

A Nomogram Prediction Model and Validation Study on the Risk of Complicated Diabetic Nephropathy in Type 2 Diabetes Patients

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 7

参考文献 33

相关文章 15

编辑推荐

Metrics

留言

[1]	贾高鹏, 陈秋雨. 老年急性ST段抬高型心肌梗死经皮冠状动脉介入治疗术后心绞痛复发风险预测模型构建和验证：基于CYP2C19相关基因检测[J]. 中国全科医学, 2025, 28(30): 3779-3786.
[2]	徐百川, 王艳, 张彭, 李艺婷, 刘飞来, 谢洋. 慢性阻塞性肺疾病共病肺癌筛查工具分析[J]. 中国全科医学, 2025, 28(30): 3847-3852.
[3]	李玲, 李雅萍, 钱时兴, 聂婧, 陆春华, 李霞. 社区中老年人认知功能影响因素及风险预测研究[J]. 中国全科医学, 2025, 28(30): 3773-3778.
[4]	邵晓颖, 邵洁, 朱焱, 邵金玲, 尚灵, 吴振莲, 赵钰, 张加才. 贵州省6~36月龄儿童铁缺乏现状及缺铁性贫血影响因素研究[J]. 中国全科医学, 2025, 28(27): 3368-3374.
[5]	张睿敏, 董哲毅, 李爽, 王倩, 陈香美. 基于肾活检病理诊断的糖尿病肾病中医相关因素研究[J]. 中国全科医学, 2025, 28(26): 3307-3313.
[6]	刘银银, 隋鸿平, 李婷婷, 姜桐桐, 史铁英, 夏云龙. 乳腺癌治疗相关心脏毒性风险预测模型的研究进展[J]. 中国全科医学, 2025, 28(24): 3072-3078.
[7]	蒋世华, 朱政, 任盈盈, 朱垚磊, 王越, 高希彬. 中国儿童青少年近视患病率及影响因素的Meta分析[J]. 中国全科医学, 2025, 28(24): 3043-3052.
[8]	吴莎, 张代义, 李晋, 宣勤考, 钱晓东, 朱传武, 浦剑虹, 朱莉. 基于体检队列的代谢相关脂肪性肝病与高血糖关联及联合预测模型构建研究[J]. 中国全科医学, 2025, 28(23): 2861-2869.
[9]	周倩, 吴晓敏, 王宝华, 严若菡, 蔚苗, 吴静. 胃癌发生风险的列线图预测模型研究[J]. 中国全科医学, 2025, 28(23): 2870-2877.
[10]	赵晓晴, 郭桐桐, 张欣怡, 李林虹, 张亚, 嵇丽红, 董志伟, 高倩倩, 蔡伟芹, 郑文贵, 井淇. 社区老年人认知障碍风险预测模型的构建与验证研究[J]. 中国全科医学, 2025, 28(22): 2776-2783.
[11]	陈琳凤, 王晨霞, 贺金鹏. 糖尿病共同照护模式下门诊规律随访和院外APP活跃度对2型糖尿病患者代谢指标的影响研究[J]. 中国全科医学, 2025, 28(22): 2762-2768.
[12]	王颖, 颜轶隽, 刘蕾, 胡毓敏, 张扬, 刘凯, 姜博仁. 抗阻力运动联合营养干预对老年2型糖尿病合并肌少症患者血糖稳定性影响的临床研究[J]. 中国全科医学, 2025, 28(21): 2604-2610.
[13]	马盼盼, 王思静, 游娜, 丁大法, 鲁一兵. Danuglipron与Orforglipron治疗2型糖尿病疗效及安全性的Meta分析[J]. 中国全科医学, 2025, 28(21): 2679-2685.
[14]	阿迪力·吐尔孙, 程刚. 非奈利酮治疗2型糖尿病肾病有效性和安全性的Meta分析[J]. 中国全科医学, 2025, 28(21): 2686-2691.
[15]	郭盛滕, 张芬芬, 万迪, 于冬梅, 王庆华. 重症急性胰腺炎并发急性肺损伤危险因素的Meta分析[J]. 中国全科医学, 2025, 28(20): 2546-2554.