糖尿病足发病风险预测模型的系统评价

doi:10.12114/j.issn.1007-9572.2023.0451

中国全科医学 ›› 2024, Vol. 27 ›› Issue (03): 357-363.DOI: 10.12114/j.issn.1007-9572.2023.0451

所属专题：内分泌代谢性疾病最新文章合辑

糖尿病足发病风险预测模型的系统评价

林令君, 郭俊, 王俊伟, 高杨, 陈惠盈, 万永丽^*()

300134　天津市，天津医科大学朱宪彝纪念医院　天津市内分泌研究所　国家卫健委激素与发育重点实验室　天津市代谢性疾病重点实验室

收稿日期:2023-06-10 修回日期:2023-08-15 出版日期:2024-01-20 发布日期:2023-10-23
通讯作者: 万永丽
作者贡献：林令君提出研究思路，负责文献检索及文章撰写；林令君、郭俊、王俊伟负责文献筛选，资料的提取与整理；郭俊、高杨、陈惠盈负责文献偏倚风险和适用性评估；高杨、万永丽负责统计分析；万永丽负责论文的修订、质量控制及审查。
基金资助:
天津市卫生健康委员会中西医结合重点项目(2021034); 天津市医学重点学科（专科）建设项目资助(TJYXZDXK-032A)

A Systematic Review of Risk Prediction Models for Diabetic Foot Development

LIN Lingjun, GUO Jun, WANG Junwei, GAO Yang, CHEN Huiying, WAN Yongli^*()

Tianjin Medical University, Chu Hsien-I Memorial Hospital/Tianjin Institute of Endocrinology/NHC Key Laboratory of Hormones and Development/Tianjin Key Laboratory of Metabolic Diseases, Tianjin 300134, china

Received:2023-06-10 Revised:2023-08-15 Published:2024-01-20 Online:2023-10-23
Contact: WAN Yongli

摘要/Abstract

摘要： 背景糖尿病足是糖尿病患者常见并发症，多数患者病情重，疾病进展快。性能良好的糖尿病足发病风险预测模型可以帮助医务人员识别高危患者，尽早采取干预措施。目的系统评价糖尿病足发病风险预测模型，为模型的构建和优化提供参考。方法检索PubMed、Cochrane Library、Embase、Web of Science、中国知网及万方数据知识服务平台发表的关于糖尿病足风险预测模型的相关文献，检索期限为建库至2023-05-15。由研究者独立筛选文献，并提取文献数据，使用预测模型研究的偏倚风险评估工具（PROBAST）对模型进行质量评价。使用Stata 17.0软件对模型中预测因子进行Meta分析。结果共纳入13篇文献，包含13个模型，其中12个模型的曲线下面积（AUC）>0.7。7个模型进行了模型校准，8个模型进行了验证。PROBAST评估结果显示，纳入的13篇文献中有1篇为低偏倚风险，其余12篇均为高偏倚风险；模型适用性方面，1篇为低适用性。Meta分析结果显示，年龄（OR=1.13，95%CI=1.04~1.24）、糖化血红蛋白（OR=1.56，95%CI=1.26~1.94）、足溃疡史（OR=5.93，95%CI=2.85~12.37）、足截肢史（OR=7.79，95%CI=2.74~22.17）、单丝试验敏感性减弱（OR=1.59，95%CI=1.42~1.78）、足真菌感染（OR=6.14，95%CI=1.71~22.04）、肾病（OR=2.09，95%CI=1.65~2.65）是糖尿病足发病风险的影响因素（P<0.05）。结论糖尿病足风险预测模型仍存在不足，未来风险预测模型的建立可重点关注年龄、糖化血红蛋白水平、足溃疡史、足截肢史、单丝试验敏感性、足真菌感染、肾病等预测因子。

关键词: 糖尿病足, 足溃疡, 危险性评估, 预测, 模型, 系统评价

Abstract:

Backgroud

Diabetic foot is a common complication of diabetes patients, most of whom are seriously ill with rapid disease progression. A well-performing risk prediction model for the development of diabetic foot can help healthcare professionals to identify high-risk patients and take early interventions.

Objective

To systematically review the risk prediction models for diabetic foot, and provide reference for the construction and optimization of the model.

Methods

PubMed, Cochrane Library, Embase, Web of Science, CNKI and Wanfang Data were searched to collect the related studies on risk prediction models for diabetic foot from inception to May 15th, 2022. Two reviewers independently screened the literature, extracted data and evaluated the quality of models using prediction model risk of bias assessment tool (PROBAST). Meta-analysis of the predictors in the model was performed using Stata 17.0 software.

Results

A total of 13 papers were included, containing 13 models, 12 of which had AUC>0.7. Model calibration was performed on 7 models and 8 models were validated. PROBAST results showed that 1 of the 13 included papers was at low risk of bias and the remaining 12 were at high risk of bias; for model applicability, only 1 was of low applicability. The results of Meta-analysis showed that age (OR=1.13, 95%CI=1.04-1.24), glycated hemoglobin (OR=1.56, 95%CI=1.26-1.94), foot ulcer history (OR=5.93, 95%CI=2.85-12.37), previous amputation (OR=7.79, 95%CI=2.74-22.17), diminished sensitivity of the monofilament test (OR=1.59, 95%CI=1.42-1.78), foot fungal infection (OR=6.14, 95%CI=1.71-22.01), and kidney disease (OR=2.09, 95%CI= 1.65-2.65) were independent influencing factors for diabetic foot (P<0.05) .

Conclusion

The risk prediction models for diabetic foot was still inadequate, and the future risk prediction model should focus on age, glycated hemoglobin level, foot ulcer history, amputation history, monofilament test sensitivity, foot fungal infection and kidney disease.

Key words: Diabetic foot, Foot ulcer, Risk assessment, Forecasting, Model, Systematic review

林令君,郭俊,王俊伟,等. 糖尿病足发病风险预测模型的系统评价[J]. 中国全科医学, 2024, 27(03): 357-363. DOI: 10.12114/j.issn.1007-9572.2023.0451.
LIN Lingjun,GUO Jun,WANG Junwei, et al. A Systematic Review of Risk Prediction Models for Diabetic Foot Development[J]. Chinese General Practice, 2024, 27(03): 357-363. DOI: 10.12114/j.issn.1007-9572.2023.0451.

图/表 7

参考文献 29

[1]	KHANOLKAR M P，BAIN S C，STEPHENS J W. The diabetic foot[J]. QJM，2008，101（9）：685-695. DOI：10.1093/qjmed/hcn027.
[2]	ZUBAIR M，MALIK A，AHMAD J. Clinico-microbiological study and antimicrobial drug resistance profile of diabetic foot infections in North India[J]. Foot，2011，21（1）：6-14. DOI：10.1016/j.foot.2010.10.003.
[3]	JIANG Y F，WANG X M，XIA L，et al. A cohort study of diabetic patients and diabetic foot ulceration patients in China[J]. Wound Rep And Reg，2015，23（2）：222-230. DOI：10.1111/wrr.12263.
[4]	VEVES A，VAN ROSS E R，BOULTON A J. Foot pressure measurements in diabetic and nondiabetic amputees[J]. Diabetes Care，1992，15（7）：905-907. DOI：10.2337/diacare.15.7.905.
[5]	MEANEY B. Diabetic foot care：prevention is better than cure[J]. J Ren Care，2012，38（Suppl 1）：90-98. DOI：10.1111/j.1755-6686.2012.00276.x.
[6]	ALBERTI K G，ZIMMET P Z. Definition，diagnosis and classification of diabetes mellitus and its complications. Part 1：diagnosis and classification of diabetes mellitus provisional report of a WHO consultation[J]. Diabet Med，1998，15（7）：539-553. DOI：10.1002/(SICI)1096-9136(199807)15:7<539:AID-DIA668>3.0.CO;2-S.
[7]	VAN NETTEN J J，BUS S A，APELQVIST J，et al. Definitions and criteria for diabetic foot disease[J]. Diabetes Metab Res Rev，2020，36（Suppl 1）：e3268. DOI：10.1002/dmrr.3268.
[8]	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.
[9]	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.
[10]	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）：51-58. DOI：10.7326/M18-1376.
[11]	BOYKO E J，AHRONI J H，COHEN V，et al. Prediction of diabetic foot ulcer occurrence using commonly available clinical information：the Seattle Diabetic Foot Study[J]. Diabetes Care，2006，29（6）：1202-1207. DOI：10.2337/dc05-2031.
[12]	CRAWFORD F，MCCOWAN C，DIMITROV B D，et al. The risk of foot ulceration in people with diabetes screened in community settings：findings from a cohort study[J]. QJM，2011，104（5）：403-410. DOI：10.1093/qjmed/hcq227.
[13]	谢晓冉，徐蓉，张静，等. 糖尿病足风险预测模型的构建与验证[J]. 护理学杂志，2022，37（11）：9-14. DOI：10.3870/j.issn.1001-4152.2022.11.009.
[14]	丁安乐，王赞，郭鹏，等. 2型糖尿病足病预测模型的建立[J].齐齐哈尔医学院学报，2022，43（22）：2112-2118.
[15]	WANG J，XUE T，LI H P，et al. Nomogram prediction for the risk of diabetic foot in patients with type 2 diabetes mellitus[J]. Front Endocrinol，2022，13：890057. DOI：10.3389/fendo.2022.890057.
[16]	SHAO Z C，WANG Z L，BI S X，et al. Establishment and validation of a nomogram for progression to diabetic foot ulcers in elderly diabetic patients[J]. Front Endocrinol，2023，14：1107830. DOI：10.3389/fendo.2023.1107830.
[17]	MONTEIRO-SOARES M，DINIS-RIBEIRO M. External validation and optimisation of a model for predicting foot ulcers in patients with diabetes[J]. Diabetologia，2010，53（7）：1525-1533. DOI：10.1007/s00125-010-1731-y.
[18]	LV J，LI R，YUAN L，et al. Development and validation of a risk prediction model for foot ulcers in diabetic patients[J]. J Diabetes Res，2023，2023：1199885. DOI：10.1155/2023/1199885.
[19]	LI M M，YUAN T，LI S P，et al. Nomogram analysis of the influencing factors of diabetic foot in patients with diabetes mellitus[J]. Hormones，2021，20（2）：333-338. DOI：10.1007/s42000-020-00263-1.
[20]	JIANG M Y，GAN F，GAN M S，et al. Predicting the risk of diabetic foot ulcers from diabetics with dysmetabolism：a retrospective clinical trial[J]. Front Endocrinol，2022，13：929864. DOI：10.3389/fendo.2022.929864.
[21]	HEALD A，LUNT M，RUTTER M K，et al. Developing a foot ulcer risk model：what is needed to do this in a real-world primary care setting?[J]. Diabet Med，2019，36（11）：1412-1416. DOI：10.1111/dme.13837.
[22]	ZHOU Q H，PENG M，ZHOU L H，et al. Development and validation of a brief diabetic foot ulceration risk checklist among diabetic patients：a multicenter longitudinal study in China[J]. Sci Rep，2018，8（1）：962. DOI：10.1038/s41598-018-19268-3.
[23]	TOMITA M，KABEYA Y，OKISUGI M，et al. Development and assessment of a simple scoring system for the risk of developing diabetic foot[J]. Diabetol Int，2015，6（3）：212-218. DOI：10.1007/s13340-014-0189-4.
[24]	MOONS K G，KENGNE A P，WOODWARD M，et al. Risk prediction models：Ⅰ. Development，internal validation，and assessing the incremental value of a new（bio）marker[J]. Heart，2012，98（9）：683-690. DOI：10.1136/heartjnl-2011-301246.
[25]	STEYERBERG E W，HARRELL F E Jr. Prediction models need appropriate internal，internal-external，and external validation[J]. J Clin Epidemiol，2016，69：245-247. DOI：10.1016/j.jclinepi.2015.04.005.
[26]	VITTINGHOFF E，MCCULLOCH C E. Relaxing the rule of ten events per variable in logistic and Cox regression[J]. Am J Epidemiol，2007，165（6）：710-718. DOI：10.1093/aje/kwk052.
[27]	MACCALLUM R C，ZHANG S B，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.
[28]	陈茹，王胜锋，周家琛，等. 预测模型研究的偏倚风险和适用性评估工具解读[J]. 中华流行病学杂志，2020，41（5）：776-781. DOI：10.3760/cma.j.cn112338-20190805-00580.
[29]	ZHANG Q，WANG L J. Moderation analysis with missing data in the predictors[J]. Psychol Methods，2017，22（4）：649-666. DOI：10.1037/met0000104.

第一作者	发表时间（年）	国家	研究类型	研究对象	研究地点	随访时间	预测结果
BOYKO^[11]	2006	美国	前瞻性队列研究	糖尿病患者	西雅图市退伍军人事务医疗中心	3.38年	发生糖尿病足、溃疡
CRAWFORD^[12]	2011	英国	前瞻性队列研究	糖尿病患者	32个社区足病诊所	11.4个月	发生糖尿病足、溃疡
谢晓冉^[13]	2022	中国	回顾性队列研究	住院的2型糖尿病患者	武汉，1所三甲医院	住院期间	发生糖尿病足
丁安乐^[14]	2022	中国	回顾性队列研究	2型糖尿病患者	上海，1所三甲医院	无随访	发生糖尿病足
WANG^[15]	2022	中国	回顾性队列研究	住院的2型糖尿病患者	西安，1所三甲医院	住院期间	发生糖尿病足
SHAO^[16]	2023	中国	回顾性队列研究	住院的糖尿病患者	山西，1所三甲医院	住院期间	发生糖尿病足、溃疡
MONTEIRO-SOARES^[17]	2010	葡萄牙	回顾性队列研究	1型或2型糖尿病	1所三级公立医院糖尿病足诊所	25个月（3~86个月）	发生糖尿病足、溃疡
LV^[18]	2023	中国	前瞻性队列研究	门诊和住院的糖尿病患者	成都，1所三甲医院	1年	发生糖尿病足、溃疡
LI^[19]	2021	中国	回顾性队列研究	糖尿病患者	枣庄，1所中心医院	无随访	发生糖尿病足
JIANG^[20]	2022	中国	病例对照研究	2型糖尿病患者	广西，1所三甲医院	无随访	发生糖尿病足、溃疡
HEALD^[21]	2019	英国	回顾性队列研究	糖尿病患者	46所初级卫生保健机构	12年	发生糖尿病足、溃疡
ZHOU^[22]	2018	中国	前瞻性队列研究	糖尿病患者	9个省或直辖市的11家三级医院	1年	发生糖尿病足、溃疡
TOMITA^[23]	2015	日本	病例对照研究	糖尿病患者	东京1所医院	无随访	发生糖尿病足

第一作者	发表时间（年）	国家	研究类型	研究对象	研究地点	随访时间	预测结果
BOYKO^[11]	2006	美国	前瞻性队列研究	糖尿病患者	西雅图市退伍军人事务医疗中心	3.38年	发生糖尿病足、溃疡
CRAWFORD^[12]	2011	英国	前瞻性队列研究	糖尿病患者	32个社区足病诊所	11.4个月	发生糖尿病足、溃疡
谢晓冉^[13]	2022	中国	回顾性队列研究	住院的2型糖尿病患者	武汉，1所三甲医院	住院期间	发生糖尿病足
丁安乐^[14]	2022	中国	回顾性队列研究	2型糖尿病患者	上海，1所三甲医院	无随访	发生糖尿病足
WANG^[15]	2022	中国	回顾性队列研究	住院的2型糖尿病患者	西安，1所三甲医院	住院期间	发生糖尿病足
SHAO^[16]	2023	中国	回顾性队列研究	住院的糖尿病患者	山西，1所三甲医院	住院期间	发生糖尿病足、溃疡
MONTEIRO-SOARES^[17]	2010	葡萄牙	回顾性队列研究	1型或2型糖尿病	1所三级公立医院糖尿病足诊所	25个月（3~86个月）	发生糖尿病足、溃疡
LV^[18]	2023	中国	前瞻性队列研究	门诊和住院的糖尿病患者	成都，1所三甲医院	1年	发生糖尿病足、溃疡
LI^[19]	2021	中国	回顾性队列研究	糖尿病患者	枣庄，1所中心医院	无随访	发生糖尿病足
JIANG^[20]	2022	中国	病例对照研究	2型糖尿病患者	广西，1所三甲医院	无随访	发生糖尿病足、溃疡
HEALD^[21]	2019	英国	回顾性队列研究	糖尿病患者	46所初级卫生保健机构	12年	发生糖尿病足、溃疡
ZHOU^[22]	2018	中国	前瞻性队列研究	糖尿病患者	9个省或直辖市的11家三级医院	1年	发生糖尿病足、溃疡
TOMITA^[23]	2015	日本	病例对照研究	糖尿病患者	东京1所医院	无随访	发生糖尿病足

第一作者	建模方法	变量选择	候选变量		样本总量		缺失数据		因子个数（个）	最终包含的预测因子
第一作者	建模方法	变量选择	数量（个）	连续变量处理方式	数量（例）	结果事件（例）	数量（例）	处理方法	因子个数（个）	最终包含的预测因子
BOYKO^[11]	Cox比例风险模型	向后逐步选择法	20	保持连续性	1 285	216	277	完整病案分析	7	糖化血红蛋白、视力异常、足溃疡史、足截肢史、单丝试验敏感性减弱、足真菌感染和甲癣
CRAWFORD^[12]	Logistic回归	向后逐步选择法	20	保持连续性	1 192	23	103	完整病案分析	5	截肢史、胰岛素应用、温度异常、单丝试验敏感性减弱、踝肱指数异常
谢晓冉^[13]	Logistic回归	LASSO分析，向后逐步选择法	30	二分类	1 527^a/451^b	319^a/71^b	无具体数据	多重插补法	9	文化程度、溃疡或截肢史、视网膜病变、注射胰岛素、震动感觉阈值、足背动脉搏动、足部皮肤异常变化、足部真菌感染和足部畸形
丁安乐^[14]	Logistic回归	单因素分析，LASSO分析	36	保持连续性	405	106	无缺失	无	7	年龄、糖尿病病程、空腹血糖、糖化血红蛋白、三酰甘油、淋巴细胞计数、中性粒细胞计数
WANG^[15]	Logistic回归	单因素分析，多因素分析	14	保持连续性	1 365^a/585^b	203^a/86^b	无信息	无信息	6	年龄、糖化血红蛋白、低密度脂蛋白、总胆固醇、吸烟、饮酒
SHAO^[16]	Logistic回归	LASSO分析，单因素分析，多因素分析	12	二分类	211^a/88^b	53^a/28^b	无	无	6	年龄、周围神经病变、吸烟、高密度胆固醇、乳酸脱氢酶和血清总胆固醇
MONTEIRO-SOARES^[17]	Logistic回归	向后逐步选择法	30	保持连续性	360	94	无信息	无信息	8	糖化血红蛋白、视力异常、足溃疡史、足截肢史、足真菌感染、灰指甲、单丝试验敏感性减弱、穿高跟鞋
LV^[18]	Logistic回归	单因素分析，逐步分析法	25	保持连续性	1 702^a/730^b	302	无	无	5	BMI、足部肤色异常、足背动脉搏动减弱、骨痂和溃疡史
LI^[19]	Logistic回归	单因素分析，多因素分析	14	保持连续性	674	122	无	无	3	长期糖尿病、合并糖尿病肾病和高糖化血红蛋白
JIANG^[20]	Logistic回归	单因素分析，多因素分析	40	二分类	853^a/120^b	369^a/60^b	无信息	无信息	12	年龄、性别、病程、心脏功能不全、足病史、家族史、BMI、白细胞、血小板计数、淋巴细胞绝对值、餐后血糖和使用口服降糖药
HEALD^[21]	Logistic回归	逐步选择法	10	保持连续性	17 053	1 127	无	无	5	糖化血红蛋白、年龄、单丝感觉不敏感、肌酐水平和中风史
ZHOU^[22]	Logistic回归项目反应理论模型	t检验、相关系数、因素分析、项目反应理论	20	保持连续性	477	10	199	完整病案分析	12	病程、合并肾病、合并视网膜病变、足溃疡史、皮肤异常、皮肤真菌感染、胼胝、结构异常、足真菌感染、足皮肤温度异常、足背动脉脉搏减弱、单丝感觉敏感性减弱
TOMITA^[23]	Logistic回归	单因素分析，多因素分析	13	二分类	316	108	无信息	无信息	5	糖尿病病程、双侧视力下降、估算肾小球滤过率降低、单身和体力劳动者

第一作者	建模方法	变量选择	候选变量		样本总量		缺失数据		因子个数（个）	最终包含的预测因子
第一作者	建模方法	变量选择	数量（个）	连续变量处理方式	数量（例）	结果事件（例）	数量（例）	处理方法	因子个数（个）	最终包含的预测因子
BOYKO^[11]	Cox比例风险模型	向后逐步选择法	20	保持连续性	1 285	216	277	完整病案分析	7	糖化血红蛋白、视力异常、足溃疡史、足截肢史、单丝试验敏感性减弱、足真菌感染和甲癣
CRAWFORD^[12]	Logistic回归	向后逐步选择法	20	保持连续性	1 192	23	103	完整病案分析	5	截肢史、胰岛素应用、温度异常、单丝试验敏感性减弱、踝肱指数异常
谢晓冉^[13]	Logistic回归	LASSO分析，向后逐步选择法	30	二分类	1 527^a/451^b	319^a/71^b	无具体数据	多重插补法	9	文化程度、溃疡或截肢史、视网膜病变、注射胰岛素、震动感觉阈值、足背动脉搏动、足部皮肤异常变化、足部真菌感染和足部畸形
丁安乐^[14]	Logistic回归	单因素分析，LASSO分析	36	保持连续性	405	106	无缺失	无	7	年龄、糖尿病病程、空腹血糖、糖化血红蛋白、三酰甘油、淋巴细胞计数、中性粒细胞计数
WANG^[15]	Logistic回归	单因素分析，多因素分析	14	保持连续性	1 365^a/585^b	203^a/86^b	无信息	无信息	6	年龄、糖化血红蛋白、低密度脂蛋白、总胆固醇、吸烟、饮酒
SHAO^[16]	Logistic回归	LASSO分析，单因素分析，多因素分析	12	二分类	211^a/88^b	53^a/28^b	无	无	6	年龄、周围神经病变、吸烟、高密度胆固醇、乳酸脱氢酶和血清总胆固醇
MONTEIRO-SOARES^[17]	Logistic回归	向后逐步选择法	30	保持连续性	360	94	无信息	无信息	8	糖化血红蛋白、视力异常、足溃疡史、足截肢史、足真菌感染、灰指甲、单丝试验敏感性减弱、穿高跟鞋
LV^[18]	Logistic回归	单因素分析，逐步分析法	25	保持连续性	1 702^a/730^b	302	无	无	5	BMI、足部肤色异常、足背动脉搏动减弱、骨痂和溃疡史
LI^[19]	Logistic回归	单因素分析，多因素分析	14	保持连续性	674	122	无	无	3	长期糖尿病、合并糖尿病肾病和高糖化血红蛋白
JIANG^[20]	Logistic回归	单因素分析，多因素分析	40	二分类	853^a/120^b	369^a/60^b	无信息	无信息	12	年龄、性别、病程、心脏功能不全、足病史、家族史、BMI、白细胞、血小板计数、淋巴细胞绝对值、餐后血糖和使用口服降糖药
HEALD^[21]	Logistic回归	逐步选择法	10	保持连续性	17 053	1 127	无	无	5	糖化血红蛋白、年龄、单丝感觉不敏感、肌酐水平和中风史
ZHOU^[22]	Logistic回归项目反应理论模型	t检验、相关系数、因素分析、项目反应理论	20	保持连续性	477	10	199	完整病案分析	12	病程、合并肾病、合并视网膜病变、足溃疡史、皮肤异常、皮肤真菌感染、胼胝、结构异常、足真菌感染、足皮肤温度异常、足背动脉脉搏减弱、单丝感觉敏感性减弱
TOMITA^[23]	Logistic回归	单因素分析，多因素分析	13	二分类	316	108	无信息	无信息	5	糖尿病病程、双侧视力下降、估算肾小球滤过率降低、单身和体力劳动者

第一作者	模型性能			验模方法	模型呈现形式
第一作者	AUC	95%CI	校准方法	验模方法	模型呈现形式
BOYKO^[11]	0.81	未报告	未报告	无	以预测因子β系数绘制风险评分公式：分层
CRAWFORD^[12]	0.835	0.735~0.936	未报告	无	未给出具体的模型
谢晓冉^[13]	0.966	0.955~0.977	校准图、Brier得分	内部验证（Bootstrap自抽样）和外部验证	预测因子列线图风险评分，根据分值预估糖尿病足发生风险率
丁安乐^[14]	0.897	0.863~0.932	校准图、决策曲线分析（DCA）	内部验证（Bootstrap自抽样）	预测因子列线图风险评分，根据分值预估糖尿病足发生风险率
WANG^[15]	0.806	0.775~0.837	校准图、Hosmer-Lemeshow检验（P=0.826）、决策曲线分析（DCA）	内部验证	预测因子列线图风险评分，根据分值预估糖尿病足风险率
SHAO^[16]	0.840	0.779~0.901	校准图、决策曲线分析（DCA）	内部验证	预测因子列线图风险评分，根据分值预估糖尿病足风险率
MONTEIRO-SOARES^[17]	0.88	0.84~0.91	未报告	外部验证	以预测因子β系数绘制风险评分公式：分层
LV^[18]	0.741	0.702 ~0.780	Brier得分，校准图	内部验证	预测因子列线图和网络计算器，根据分值预估糖尿病足发生风险率
LI^[19]	0.742	0.665~0.820	未报告	内部验证（Bootstrap自抽样）	预测因子列线图风险评分，根据分值预估糖尿病足风险率
JIANG^[20]	0.89	0.87~0.91	校准图	内部验证外部验证	预测因子列线图风险评分，根据分值预估糖尿病足风险率
HEALD^[21]	0.65	0.62~0.67	Hosmer-Lemeshow检验	无	以预测因子回归系数得出糖尿病足发病率得公式
ZHOU^[22]	0.77	0.61~0.93	未报告	无	各预测因子分别赋值1分，4分为风险截断值
TOMITA^[23]	0.865	0.83~0.91	未报告	无	各个预测因子OR值取整数为分数，总分14分，以7分作为风险截断值

糖尿病足发病风险预测模型的系统评价

A Systematic Review of Risk Prediction Models for Diabetic Foot Development

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 7

参考文献 29

相关文章 15

编辑推荐

Metrics

留言

纳入研究	偏倚风险				适用性			总体
纳入研究	研究对象	预测因子	结果	分析	研究对象	预测因子	结果	偏倚风险	适用性
BOYKO等^[11]	+	+	?	－	+	+	+	－	+
CRAWFORD等^[12]	+	+	+	－	+	+	+	－	+
谢晓冉等^[13]	+	+	+	+	+	+	+	+	+
丁安乐等^[14]	－	+	+	－	+	+	+	－	+
WANG等^[15]	+	+	+	－	+	+	+	－	+
SHAO等^[16]	+	+	+	－	－	+	+	－	－
MONTEIRO-SOARES等^[17]	+	+	+	－	+	+	+	－	+
LV等^[18]	－	+	+	－	+	+	+	－	+
LI等^[19]	+	+	+	－	+	+	+	－	+
JIANG等^[20]	+	+	?	－	+	+	+	－	+
HEALD等^[21]	+	－	－	－	+	+	+	－	+
ZHOU等^[22]	+	+	+	－	+	+	+	－	+
TOMITA等^[23]	+	?	+	－	+	+	+	－	+

预测因子	合并效应值				异质性检验
预测因子	OR值	95%CI	Z值	P值	I²（%）	P值
年龄	1.13	1.04~1.24	2.744	<0.001	93.6	<0.001
糖化血红蛋白	1.56	1.26~1.94	4.023	<0.001	96.1	<0.001
视力异常	1.39	0.98~1.97	1.828	0.067	74.2	0.021
足溃疡史	5.93	2.85~12.37	4.749	<0.001	87.7	0.001
足截肢史	7.79	2.74~22.17	3.846	<0.001	82.2	0.001
单丝试验敏感性减弱	1.59	1.42~1.78	7.975	<0.001	46.7	0.153
足真菌感染	6.14	1.71~22.04	2.278	0.005	95.2	<0.001
糖尿病病程	1.14	0.94~1.37	1.336	0.182	86.9	<0.001
肾病	2.09	1.65~2.65	6.041	<0.001	39.4	0.192

[1]	赵曼鹭, 杨奔奔, 朱秋瑾, 李昌露, 上官怡涵, 陈霞, 蔡玉兰. 基于16S rRNA测序探讨不同糖尿病足危险程度与皮肤菌群的相关性研究[J]. 中国全科医学, 2026, 29(21): 3004-3011.
[2]	安艳红, 王世东, 李潇然, 郭家扬, 王哲, 沙培林, 孟怡珺, 李小萱, 石雪, 于泽兴, 肖永华. 糖尿病肾病影响因素及列线图预测模型研究：基于超声造影技术[J]. 中国全科医学, 2026, 29(21): 2995-3003.
[3]	张泽宇, 李春晖. 1990—2021年中国归因于二手烟的缺血性心脏病疾病负担分析[J]. 中国全科医学, 2026, 29(20): 2903-2912.
[4]	孙松朋, 许方方, 龙俊红, 王占军, 曹俏蓉, 万伟萍, 李天煜, 林梅, 田颖, 石斌, 吴瑶, 王建国, 李新建, 霍兴霄, 梁隆雨, 褚洪川, 周阳洋, 张志云, 张书信, 贾山. 痔病严重度和手术风险预测评分的构建及临床指导价值研究[J]. 中国全科医学, 2026, 29(20): 2879-2886.
[5]	吴一璇, 肖亮满, 刘鑫, 严梓萁, 王毓婷, 林舒敏, 庄礼兴. 1990—2021年中国与全球帕金森病的疾病负担分析与未来趋势预测[J]. 中国全科医学, 2026, 29(20): 2895-2902.
[6]	杨晓峰, 李现文, 吴岩峰, 张倩, 陈娟, 赵凤姣. 血管内皮细胞钙黏蛋白水平与急性缺血性脑卒中后认知障碍发生风险的相关性研究[J]. 中国全科医学, 2026, 29(20): 2867-2873.
[7]	鲍若林, 鲁潮, 冯昕, 叶春梅, 来芬华, 倪作为, 杨东波, 郑永韬. 基于巢式病例对照研究老年人流感疫苗突破病例的风险预测模型[J]. 中国全科医学, 2026, 29(19): 2671-2677.
[8]	李亚婵, 杨阳, 徐千婷, 柯亭羽. 中国内脏脂肪指数与2型糖尿病合并左心室舒张功能障碍的关联性研究[J]. 中国全科医学, 2026, 29(18): 2482-2488.
[9]	翟乃胜, 黄莉华, 张也. 等速肌力测试对膝关节伸展1次重复最大值的预测能力研究[J]. 中国全科医学, 2026, 29(17): 2382-2386.
[10]	肖蕾, 缪星雨, 刘兴雨, 胡馨怡, 张松, 吴颖敏. 信任视角下患者持续基层首诊意愿的驱动机制研究[J]. 中国全科医学, 2026, 29(17): 2303-2311.
[11]	陈燕, 沈德权, 盛仁磊, 常玉洁, 杨佳琦, 丁洁, 孙志芳, 王大辉. 老年人基层中医预防保健服务利用的影响因素及重要性排序[J]. 中国全科医学, 2026, 29(16): 2182-2189.
[12]	罗煜橦, 李静. 基于地理加权回归模型的中国适龄人群人乳头瘤病毒疫苗覆盖率及影响因素研究[J]. 中国全科医学, 2026, 29(16): 2234-2243.
[13]	相彤, 于海燕, 李明月, 高文娟, 朱夏媛, 吴浩. 基层医护人员糖尿病前期管理行为的影响因素分析：一项质性研究[J]. 中国全科医学, 2026, 29(16): 2259-2263.
[14]	李嘉丽, 刘璠, 柯立鑫, 李慧娟, 王海博, 赵晓晓, 赵信科, 卢存存. 1990—2021年全球与中国60岁及以上人群肥胖的疾病负担：趋势分析与模型预测[J]. 中国全科医学, 2026, 29(15): 2067-2076.
[15]	刘帆, 陈秋雨, 李婧. 亚临床高风险人群夜间高血压筛查模型的构建与验证：一项单中心队列研究[J]. 中国全科医学, 2026, 29(15): 1998-2005.