Development and Applicability Assessment of a TCM-based Risk Prediction Model for Major Adverse Cardiovascular and Cerebrovascular Events in Type 2 Diabetics with Stable Angina Pectoris

doi:10.12114/j.issn.1007-9572.2022.0085

Chinese General Practice ›› 2022, Vol. 25 ›› Issue (20): 2450-2456.DOI: 10.12114/j.issn.1007-9572.2022.0085

Special Issue: 内分泌代谢性疾病最新文章合集；中医最新文章合集

• Article • Previous Articles Next Articles

Development and Applicability Assessment of a TCM-based Risk Prediction Model for Major Adverse Cardiovascular and Cerebrovascular Events in Type 2 Diabetics with Stable Angina Pectoris

¹Henan University of Chinese Medicine, Zhengzhou 450000, China
²The First Affiliated Hospital of Henan University of CM, Zhengzhou 450000, China
³Guangxi University of Chinese Medicine, Nanning 530000, China
⁴Henan Academy of Chinese Medicine, Zhengzhou 450000, China

Received:2021-12-04 Revised:2022-02-15 Published:2022-07-15 Online:2022-04-28
Contact: Yu FU
About author:
WANG Z R, FU Y, ZHAO R X, et al. Development and applicability assessment of a TCM-based risk prediction model for major adverse cardiovascular and cerebrovascular events in type 2 diabetics with stable angina pectoris[J]. Chinese General Practice, 2022, 25 (20) : 2450-2456.

糖尿病合并稳定型心绞痛患者发生主要不良心脑血管事件的中医预测模型构建及应用评估研究

¹450000　河南省郑州市，河南中医药大学
²450000　河南省郑州市，河南中医药大学第一附属医院
³530000　广西壮族自治区南宁市，广西中医药大学
⁴450000　河南省郑州市，河南省中医药研究院

通讯作者: 符宇
作者简介:
王中瑞，符宇，赵瑞霞，等.糖尿病合并稳定型心绞痛患者发生心脑血管不良事件的中医预测模型构建及应用评估研究[J].中国全科医学，2022，25（20）：2450-2456. [www.chinagp.net] 作者贡献：符宇提出研究概念及思路，对文章整体负责，监督管理；符宇、邵明义进行论文的构思与设计；王中瑞、朱蓉、远佳瑶、李蕾蕾、王娴负责收集病例资料；王中瑞、赵瑞霞、远佳瑶、李蕾蕾负责数据管理与分析，进行统计学处理；符宇、余海滨负责研究实施的管理与协调；韩景辉、刘会娟整理图表，进行统计学处理；王中瑞、崔伟锋负责研究的验证；王中瑞撰写论文初稿；符宇、燕树勋负责研究质量控制及审校。
基金资助:
国家重点研发计划项目(2017YFC1703506); 国家自然科学基金资助项目(81704011); 河南省重点研发与推广专项(192102310157); 河南省中医药科学研究专项(2017JDZX034，2018ZY2061，2019JDZX2026)

Abstract

Abstract:

Background

Early treatment is crucial to the delay of the progression of type 2 diabetes mellitus with stable angina pectoris (T2DM-SAP) , which has poor prognosis, such as high rates of disability and mortality. As traditional Chinese medicine (TCM) has unique advantages in preventing diseases, developing a model with TCM and western medicine factors associated with major adverse cardiovascular and cerebrovascular events (MACCEs) incorporated may be a reliable tool that could be used to predict the risk of MACCEs in patients with T2DM-SAP.

Objective

To develop and assess the applicability of a risk prediction model for MACCEs in T2DM-SAP patients using identified risk factors associated with MACCEs in this group.

Methods

Participants were 674 inpatients with T2DM-SAP who received diagnostic and treatment services from The First Affiliated Hospital of Henan University of CM from 2012 to 2019. Through the hospital information system, electronic medical records and follow-up data of these patients were collected, including demographics, clinical characteristics, laboratory parameters, TCM symptoms and syndrome differentiation, and outcome (prevalence of MACCEs) . Patients were classified into a MACCEs group (n=190) and a non-MACCEs group (n=484) by prevalence of MACCEs. Independent risk factors for MACCEs in T2DM with SAP were identified using univariate and multivariate Logistic regression, and used to develop a nomogram-based predictive model. Then the model was internally validated using the bootstrap approach, and its predictive value was estimated using ROC analysis, C-index, calibration plot, Hosmer-Lemeshow test and decision curve analysis.

Results

Based on the multivariate Logistic regression analysis, the factors associated with MACCEs in T2DM-SAP patients (P<0.05) included age〔OR=1.033, 95%CI (1.014, 1.052) 〕, cerebrovascular disease history〔OR=3.799, 95%CI (2.529, 5.750) 〕, serum creatinine〔OR=1.005, 95%CI (1.002, 1.008) 〕, dark purple tongue〔OR=2.756, 95%CI (1.285, 5.935) 〕, decreased tongue coating〔OR=2.083, 95%CI (1.025, 4.166) 〕, thready pulse〔OR=5.822, 95%CI (1.867, 20.359) 〕, and obstruction of collateral channels caused by wind-phlegm〔OR=2.525, 95%CI (1.466, 4.387) 〕. The predictive model constructed using the above-mentioned factors showed moderate predictive power {C-index=0.769〔95%CI (0.729, 0.809) 〕, sensitivity=69.47%, specificity=75.00%} , indicating a good degree of distinction. The calibration plot showed the average absolute error between the predictive and actual adverse outcome risks was 0.011, with a C-index of 0.761 after fitting bias correction. The Hosmer-Lemeshow test showed a good calibration (χ²=6.004, P=0.647) . The decision curve analysis displayed a threshold probability of >30%, indicating that the model may be clinically beneficial.

Conclusion

The risk predictive model for MACCEs in T2DM-SAP patients was developed using the associated factors (including age, cerebrovascular disease history, serum creatinine, dark purple tongue, decreased tongue coating, thready pulse, and obstruction of collateral channels caused by wind-phlegm) identified by us, which has been proven to have good discrimination, calibration, and clinical effectiveness, and could be used as a tool for assessing the risk of MACCEs in patients with T2DM-SAP.

Key words: Diabetes mellitus, Stable angina pectoris, Cardiovascular and cerebrovascular events, Clinical predictive model, Traditional Chinese Medical

摘要：

背景

2型糖尿病合并稳定型心绞痛（T2DM-SAP）致残、病死率高，预后差，早期治疗对延缓T2DM-SAP的发展具有重要作用。中医药在疾病预防方面具有独特的临床优势，构建融合中医元素的风险预测模型可为临床防治T2DM-SAP患者发生主要不良心脑血管事件（MACCE）提供可靠依据。

目的

探究T2DM-SAP患者发生MACCE的危险因素，构建并评估风险预测模型。

方法

选取2012—2019年在河南中医药大学第一附属医院诊治的674例T2DM-SAP住院患者，依据医院信息系统收集患者的电子病历和随访数据，包括人口学资料、临床特征、实验室检查指标、中医资料、结局指标（MACCE发生情况）。根据是否发生MACCE，将患者分为MACCE组（n=190）和非MACCE组（n=484）。采用单因素和多因素Logistic回归分析筛选T2DM-SAP患者发生MACCE的独立危险因素，建立MACCE风险预测模型，并构建列线图。采用Bootstrap法进行内部验证。通过受试者工作特征（ROC）曲线、C-index、Calibration plot、Hosmer-Lemeshow检验及临床决策曲线（DCA曲线）验证预测模型的预测效能。

结果

多因素Logistic回归分析结果显示，年龄〔OR=1.033，95%CI（1.014，1.052）〕、脑血管病史〔OR=3.799，95%CI（2.529，5.750）〕、血肌酐〔OR=1.005，95%CI（1.002，1.008）〕、暗紫舌〔OR=2.756，95%CI（1.285，5.935）〕、少苔〔OR=2.083，95%CI（1.025，4.166）〕、细弱脉〔OR=5.822，95%CI（1.867，20.359）〕、风痰阻络〔OR=2.525，95%CI（1.466，4.387）〕是T2DM-SAP患者发生MACCE的影响因素（P<0.05）。基于筛选出以上独立危险因素构建预测模型，该模型显示出中等预测能力，C-index为0.769〔95%CI（0.729，0.809）〕，灵敏度为69.47%，特异度为75.00%，区分度良好；Calibration plot显示预测不良结局风险与实际不良结局风险平均绝对误差为0.011，校正拟合偏倚后的C-index为0.761，Hosmer-Lemeshow检验结果显示校准度良好（χ²=6.004，P=0.647）；DCA结果显示，阈值概率>30%，预测模型在临床上是有益的。

结论

年龄、脑血管病史、血肌酐、暗紫舌、少苔、细弱脉、风痰阻络是T2DM-SAP患者发生MACCE的影响因素，并以此建立了临床预测模型。该模型具有良好的区分度、校准度以及临床有效性，能为防治T2DM-SAP患者发生MACCE提供科学依据。

关键词: 糖尿病, 稳定型心绞痛, 心脑血管事件, 临床预测模型, 中医学

Zhongrui WANG,Yu FU,Ruixia ZHAO, et al. Development and Applicability Assessment of a TCM-based Risk Prediction Model for Major Adverse Cardiovascular and Cerebrovascular Events in Type 2 Diabetics with Stable Angina Pectoris[J]. Chinese General Practice, 2022, 25(20): 2450-2456. DOI: 10.12114/j.issn.1007-9572.2022.0085.
王中瑞,符宇,赵瑞霞等. 糖尿病合并稳定型心绞痛患者发生主要不良心脑血管事件的中医预测模型构建及应用评估研究[J]. 中国全科医学, 2022, 25(20): 2450-2456. DOI: 10.12114/j.issn.1007-9572.2022.0085.

Figures/Tables 12

References 20

[1]	葛美芳，陈悦霞. 老年2型糖尿病患者合并心脑血管疾病危险因素分析[J]. 中国慢性病预防与控制，2018，26（5）：364-366. DOI：10.16386/j.cjpccd.issn.1004-6194.2018.05.012.
[2]	中华医学会神经病学分会，中华医学会神经病学分会脑血管病学组. 中国脑血管病一级预防指南2015[J]. 中华神经科杂志，2015，48（8）：629-643. DOI：10.3760/cma.j.issn.1006-7876.2015.08.003.
[3]	中国心血管病一级预防指南[J]. 实用心脑肺血管病杂志，2021，29（1）：44，64.
[4]	梁另双. 中医辨证治疗心脑血管疾病的疗效观察[J]. 中西医结合心血管病电子杂志，2018，6（28）：148. DOI：10.16282/j.cnki.cn11-9336/r.2018.28.117.
[5]	王俊巧. 中医辨证施治法对老年心脑血管疾病患者治疗效果影响[J]. 临床研究，2018，26（1）：162-163.
[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]	中华医学会心血管病学分会，中华心血管病杂志编辑委员会. 慢性稳定性心绞痛诊断与治疗指南[J]. 中华心血管病杂志，2007，35（3）：195-206. DOI：10.3760/j.issn:0253-3758.2007.03.002.
[8]	仝小林，刘喜明，魏军平，等. 糖尿病中医防治指南[J]. 中国中医药现代远程教育，2011，9（4）：148-151.
[9]	中华中医药学会心血管病分会.冠心病稳定型心绞痛中医诊疗指南[J]. 中医杂志，2019，60（21）：1880-1890. DOI：10.13288/j.11-2166/r.2019.21.015.
[10]	周仲瑛. 中医内科学[M]. 2版. 北京：中国中医药出版社，2007：139-142，411-412.
[11]	陈家旭，邹小娟. 中医诊断学[M]. 2版. 北京：人民卫生出版社，2012：38-45，86-93.
[12]	JI L N，HU D Y，PAN C Y，et al. Primacy of the 3B approach to control risk factors for cardiovascular disease in type 2 diabetes patients[J]. Am J Med，2013，126（10）：925.e11-925.e22. DOI：10.1016/j.amjmed.2013.02.035.
[13]	COLES B，ZACCARDI F，HVID C，et al. Cardiovascular events and mortality in people with type 2 diabetes and multimorbidity：a real-world study of patients followed for up to 19 years[J]. Diabetes Obes Metab，2021，23（1）：218-227. DOI：10.1111/dom.14218.
[14]	中华医学会糖尿病学分会. 中国2型糖尿病防治指南（2020年版）[J]. 国际内分泌代谢杂志，2021，41（5）：482-548. DOI：10.3760/cma.j.cn121383-20210825-08063.
[15]	方锐，杨勇，任建萍，等. "中西医并重"视角下中医"治未病"与健康管理的对比及融合研究[J]. 世界科学技术-中医药现代化，2018，20（11）：1929-1935. DOI：10.11842/wst.2018.11.004.
[16]	NANAYAKKARA N，RANASINHA S，GADOWSKI A，et al. Age，age at diagnosis and diabetes duration are all associated with vascular complications in type 2 diabetes[J]. J Diabetes Complications，2018，32（3）：279-290. DOI：10.1016/j.jdiacomp.2017.11.009.
[17]	CHEW B H，GHAZALI S S，ISMAIL M，et al. Age ≥ 60 years was an independent risk factor for diabetes-related complications despite good control of cardiovascular risk factors in patients with type 2 diabetes mellitus[J]. Exp Gerontol，2013，48（5）：485-491. DOI：10.1016/j.exger.2013.02.017.
[18]	RUIZ-QUINTERO M，REDÓN J，TÉLLEZ-PLAZA M，et al. Renal function and attributable risk of death and cardiovascular hospitalization in participants with diabetes from a registry-based cohort[J]. Prim Care Diabetes，2021，15（1）：88-94. DOI：10.1016/j.pcd.2020.06.004.
[19]	RAGOT S，SAULNIER P J，VELHO G，et al. Dynamic changes in renal function are associated with major cardiovascular events in patients with type 2 diabetes[J]. Diabetes Care，2016，39（7）：1259-1266. DOI：10.2337/dc15-2607.
[20]	王凯，郑颖颖，唐俊楠，等. 血肌酐水平对肾功能正常的冠心病PCI术后患者预后的影响[J]. 郑州大学学报：医学版，2020，55（3）：308-311. DOI：10.13705/j.issn.1671-6825.2020.01.151.

变量	非MACCE组（n=484）	MACCE组（n=190）	χ²（Z）值	P值
性别（男/女）	254/230	102/88	0.079	0.778
年龄〔M（P₂₅，P₇₅），岁〕	65（56，72）	70（62，77）	-5.228^a	<0.001
心率〔M（P₂₅，P₇₅），次/min〕	76（70，80）	76（70，80）	-0.321^a	0.748
收缩压〔M（P₂₅，P₇₅），mm Hg〕	136（126，149）	140（130，150）	-1.511^a	0.131
舒张压〔M（P₂₅，P₇₅），mm Hg〕	80（74，88）	80（75，87）	-0.548^a	0.584
病程〔M（P₂₅，P₇₅），年〕	10（8，16）	10（7，20）	-0.677^a	0.498
吸烟史〔n（%）〕	109（22.5）	35（18.4）	1.365	0.243
饮酒史〔n（%）〕	94（19.4）	32（16.8）	0.597	0.440
高血压病史〔n（%）〕	343（70.9）	155（81.6）	8.113	0.004
脑血管病史〔n（%）〕	144（29.8）	129（67.9）	82.371	<0.001
心功能不全史〔n（%）〕	61（12.6）	27（14.2）	0.310	0.577
糖尿病足〔n（%）〕	10（2.1）	4（2.1）	0.001	0.974
糖尿病眼病〔n（%）〕	62（12.8）	17（8.9）	1.967	0.161
糖尿病肾病〔n（%）〕	66（13.6）	24（12.6）	0.119	0.730
糖尿病周围神经病变〔n（%）〕	83（17.1）	25（13.2）	1.615	0.204
下肢动脉闭塞硬化症〔n（%）〕	11（2.3）	3（1.6）	0.323	0.570

变量	非MACCE组（n=484）	MACCE组（n=190）	χ²（Z）值	P值
性别（男/女）	254/230	102/88	0.079	0.778
年龄〔M（P₂₅，P₇₅），岁〕	65（56，72）	70（62，77）	-5.228^a	<0.001
心率〔M（P₂₅，P₇₅），次/min〕	76（70，80）	76（70，80）	-0.321^a	0.748
收缩压〔M（P₂₅，P₇₅），mm Hg〕	136（126，149）	140（130，150）	-1.511^a	0.131
舒张压〔M（P₂₅，P₇₅），mm Hg〕	80（74，88）	80（75，87）	-0.548^a	0.584
病程〔M（P₂₅，P₇₅），年〕	10（8，16）	10（7，20）	-0.677^a	0.498
吸烟史〔n（%）〕	109（22.5）	35（18.4）	1.365	0.243
饮酒史〔n（%）〕	94（19.4）	32（16.8）	0.597	0.440
高血压病史〔n（%）〕	343（70.9）	155（81.6）	8.113	0.004
脑血管病史〔n（%）〕	144（29.8）	129（67.9）	82.371	<0.001
心功能不全史〔n（%）〕	61（12.6）	27（14.2）	0.310	0.577
糖尿病足〔n（%）〕	10（2.1）	4（2.1）	0.001	0.974
糖尿病眼病〔n（%）〕	62（12.8）	17（8.9）	1.967	0.161
糖尿病肾病〔n（%）〕	66（13.6）	24（12.6）	0.119	0.730
糖尿病周围神经病变〔n（%）〕	83（17.1）	25（13.2）	1.615	0.204
下肢动脉闭塞硬化症〔n（%）〕	11（2.3）	3（1.6）	0.323	0.570

变量	非MACCE组（n=484）	MACCE组（n=190）	Z值	P值
TC（mmol/L）	4.21（3.58，4.90）	4.07（3.45，4.89）	-1.270	0.204
TG（mmol/L）	1.49（1.06，2.05）	1.42（1.02，2.01）	-0.907	0.365
LDL-C（mmol/L）	2.81（2.22，3.39）	2.63（2.03，3.27）	-1.564	0.118
HDL-C（mmol/L）	1.11（0.96，1.30）	1.12（0.94，1.25）	-0.909	0.363
FPG（mmol/L）	7.36（5.82，9.01）	7.09（5.72，8.88）	-1.199	0.231
HbA_1c（%）	7.63（6.80，7.83）	7.41（6.60，8.20）	-1.957	0.050
SUA（μmol/L）	310.00（261.25，355.88）	308.00（260.00，360.50）	-0.272	0.786
Scr（μmol/L）	65.95（65.95，53.55）	69.75（57.00，87.13）	-2.616	0.009
CRP（mg/L）	6.69（2.47，11.73）	5.75（1.52，11.28）	-1.070	0.285

变量	非MACCE组（n=484）	MACCE组（n=190）	Z值	P值
TC（mmol/L）	4.21（3.58，4.90）	4.07（3.45，4.89）	-1.270	0.204
TG（mmol/L）	1.49（1.06，2.05）	1.42（1.02，2.01）	-0.907	0.365
LDL-C（mmol/L）	2.81（2.22，3.39）	2.63（2.03，3.27）	-1.564	0.118
HDL-C（mmol/L）	1.11（0.96，1.30）	1.12（0.94，1.25）	-0.909	0.363
FPG（mmol/L）	7.36（5.82，9.01）	7.09（5.72，8.88）	-1.199	0.231
HbA_1c（%）	7.63（6.80，7.83）	7.41（6.60，8.20）	-1.957	0.050
SUA（μmol/L）	310.00（261.25，355.88）	308.00（260.00，360.50）	-0.272	0.786
Scr（μmol/L）	65.95（65.95，53.55）	69.75（57.00，87.13）	-2.616	0.009
CRP（mg/L）	6.69（2.47，11.73）	5.75（1.52，11.28）	-1.070	0.285

变量	非MACCE组（n=484）	MACCE组（n=190）	χ²值	P值
淡舌	44（9.1）	10（5.3）	2.712	0.100
淡红舌	45（9.3）	21（11.1）	0.476	0.490
红舌	94（19.4）	30（15.8）	1.199	0.274
淡暗舌	45（9.3）	17（8.9）	0.020	0.887
暗舌	70（14.5）	28（14.7）	0.008	0.928
暗红舌	168（34.7）	67（35.3）	0.018	0.892
暗紫舌	17（3.5）	17（8.9）	8.414	0.004
胖大舌	11（2.3）	1（0.5）	2.380	0.123
裂纹舌	2（0.4）	1（0.5）	0.039	0.843
齿痕舌	11（2.3）	2（1.1）	1.074	0.300
黄腻苔	76（15.7）	25（13.2）	0.693	0.405
白腻苔	106（21.9）	46（24.2）	0.417	0.519
薄黄苔	117（24.2）	41（21.6）	0.512	0.474
薄白苔	85（17.6）	28（14.7）	0.780	0.377
白滑苔	1（0.2）	1（0.5）	0.471	0.492
厚腻苔	33（6.8）	10（5.3）	0.552	0.457
白厚苔	8（1.7）	4（2.1）	0.160	0.689
黄厚苔	19（3.9）	5（2.6）	0.665	0.415
少苔	26（5.4）	18（9.5）	3.762	0.052

Development and Applicability Assessment of a TCM-based Risk Prediction Model for Major Adverse Cardiovascular and Cerebrovascular Events in Type 2 Diabetics with Stable Angina Pectoris

糖尿病合并稳定型心绞痛患者发生主要不良心脑血管事件的中医预测模型构建及应用评估研究

RichHTML

PDF

Knowledge

Abstract

Cite this article

share this article

Figures/Tables 12

References 20

Related Articles 15

Recommended Articles 0

Metrics

Comments

变量	非MACCE组（n=484）	MACCE组（n=190）	χ²值	P值
沉细脉	70（14.5）	32（16.8）	0.601	0.438
沉涩脉	14（2.9）	7（3.7）	0.283	0.595
沉弦脉	20（4.1）	10（5.3）	0.410	0.522
弦滑脉	55（11.4）	35（18.4）	5.873	0.015
弦细脉	54（11.2）	19（10.0）	0.189	0.664
弦涩脉	9（1.9）	3（1.6）	0.061	0.804
弦数脉	15（3.1）	4（2.1）	0.492	0.483
细数脉	13（2.7）	5（2.6）	0.002	0.969
细涩脉	21（4.3）	9（4.7）	0.051	0.822
细弱脉	5（1.0）	10（5.3）	11.220	0.001

变量	非MACCE组（n=484）	MACCE组（n=190）	χ²值	P值
风痰阻络	34（7.0）	45（23.7）	36.596	<0.001
痰瘀互结	67（13.8）	27（14.2）	0.015	0.901
气虚血瘀	121（25.0）	48（25.3）	0.005	0.943
肝肾阴虚	16（3.3）	9（4.7）	0.782	0.376
气阴两虚	133（27.5）	45（23.7）	1.011	0.315
心肾阳虚	22（4.5）	8（4.2）	0.036	0.850
阴阳两虚	2（0.4）	2（1.1）	0.946	0.331

变量	β	SE	Wald χ²值	P值	OR值	95%CI
年龄	0.043	0.008	5.178	<0.001	1.044	（1.027，1.062）
高血压病史	0.599	0.212	2.823	0.005	1.820	（1.212，2.791）
脑血管病史	1.608	0.185	8.717	<0.001	4.993	（3.493，7.205）
Scr	0.004	0.001	2.953	0.003	1.004	（1.001，1.006）
暗紫舌	0.993	0.354	2.802	0.005	2.699	（1.340，5.438）
少苔	0.612	0.319	1.915	0.056	1.843	（0.972，3.427）
弦滑脉	0.566	0.236	2.402	0.016	1.761	（1.103，2.784）
细弱脉	1.672	0.555	3.014	0.003	5.322	（1.865，17.283）
风痰阻络	1.413	0.246	5.732	<0.001	4.108	（2.541，6.698）

指标	年龄	高血压病史	脑血管病史	Scr	暗紫舌	少苔	弦滑脉	细弱脉	风痰阻络
VIF	1.054	1.055	1.191	1.038	1.007	1.030	1.279	1.014	1.431
TOL	0.949	0.948	0.840	0.963	0.993	0.970	0.782	0.986	0.699

变量	β	SE	Wald χ²值	P值	OR值	95%CI
常数	-4.432	0.654	-6.780	<0.001	0.012	（0.003，0.042）
年龄	0.032	0.009	3.462	0.001	1.033	（1.014，1.052）
脑血管病史	1.335	0.209	6.381	<0.001	3.799	（2.529，5.750）
Scr	0.005	0.001	3.354	0.001	1.005	（1.002，1.008）
暗紫舌	1.014	0.388	2.613	0.009	2.756	（1.285，5.935）
少苔	0.734	0.356	2.060	0.039	2.083	（1.025，4.166）
细弱脉	1.762	0.598	2.945	0.003	5.822	（1.867，20.359）
风痰阻络	0.926	0.279	3.320	0.001	2.525	（1.466，4.387）

[1]	LI Dianjiang, PAN Enchun, SUN Zhongming, WEN Jinbo, WANG Miaomiao, WU Ming, SHEN Chong. The Current Status and Influencing Factors of Clinical Inertia in Type 2 Diabetes Patients in Community [J]. Chinese General Practice, 2023, 26(34): 4296-4301.
[2]	LIN Kai, YAO Mi, CHEN Zhang, JI Xinxin, LIN Runqi, CHEN Yongsong, Sim MOIRA. Conceptual Framework and Responding Approach of Treatment Burden of Type 2 Diabetes: a Video Recording-based Analysis [J]. Chinese General Practice, 2023, 26(34): 4302-4307.
[3]	YANG Hui, HU Ruwei, LIU Ruqing, LU Junfeng, WU Jinglan. Relationship between Community Health Service Experience and Glycemic Control Outcomes in Patients with Diabetes Mellitus [J]. Chinese General Practice, 2023, 26(34): 4290-4295.
[4]	ZHANG Juan, LI Haifen, LI Xiaoman, YAO Miao, MA Huizhen, MA Qiang. Construction of Recurrence Risk Prediction Model for Diabetic Foot Ulcer on the Basis of Logistic Regression, Support Vector Machine and BP Neural Network Model [J]. Chinese General Practice, 2023, 26(32): 4013-4019.
[5]	CHENG Jingwei, QIAO Junjun, YIN Zhen, HU Junpeng, WANG Qinghe, LIU Yangqing, WANG Yanfang. Interpretation of ISPAD Clinical Practice Consensus Guidelines 2022: Exercise in Children and Adolescents with Diabetes [J]. Chinese General Practice, 2023, 26(30): 3719-3724.
[6]	ZHOU Xiaoqi, LIU Xinhui, ZHANG Wei, LI Changfeng, YAN Yaqiong. Association of Alanine Transaminase and Aspartate Aminotransferase/Alanine Transaminase Ratio with Type 2 Diabetes and Metabolic Syndrome in the Elderly [J]. Chinese General Practice, 2023, 26(29): 3645-3649.
[7]	ZHAO Xiaohua, DU Lin, GAO Shengnan, JIANG Ziyun. Multiple Deep Muscle Abscesses in Type 2 Diabetes in the Elderly: Report of One Case and Literature Review [J]. Chinese General Practice, 2023, 26(29): 3715-3718.
[8]	LUO Dan, XU Jingjing, WANG Yubing, LI Mingzi, FORBES Angus. Development and Preliminary Practice of Resilience-oriented Structured Treatment and Educational Program for Adolescents with Type 1 Diabetes [J]. Chinese General Practice, 2023, 26(27): 3423-3429.
[9]	DONG Yanan, JIANG Xiaorui, WANG Kai, ZONG Chuanchong, LIN Guodong, LI Xiangqing, LIN Chunxiao, CHI Juntao. The Effect of Modified Tibial Transverse Transport Technique in the Treatment of Wagner Grade Ⅲ and Ⅳ Diabetic Foot Patients [J]. Chinese General Practice, 2023, 26(27): 3411-3416.
[10]	GU Yunjie, SONG Jing, YIN Jun. Clinical Study on Low-carbon Diet for Endogenous-insulin-deficient Diabetes Patients [J]. Chinese General Practice, 2023, 26(26): 3308-3313.
[11]	KONG Dexian, XING Yuling, SUN Wenwen, ZHANG Zhimin, ZHOU Fei, MA Huijuan. Correlation between Estimated Glucose Disposal Rate and Metabolism-associated Fatty Liver Disease in Type 2 Diabetes [J]. Chinese General Practice, 2023, 26(26): 3252-3258.
[12]	LU Zuowei, CAO Hongwei, LIU Tao, ZHANG Nana, CHEN Yanyan, SHI Qinli, LIU Xiangyang, WANG Qiong, LAI Jingbo, LI Xiaomiao. Development and Validation of a Risk Prediction Model for the Progression from Microalbuminuria to Macroalbuminuria in Patients with Type 2 Diabetes Mellitus [J]. Chinese General Practice, 2023, 26(26): 3259-3268.
[13]	CHEN Lunwen, ZHOU Yang, YAN Guodong, SHEN Yi, SUN Chen, CAI Wanli, CHU Minjie, XIAO Jing. Risk of Malignant Tumor in Patients with Type 2 Diabetes: a Prospective Population-based Study [J]. Chinese General Practice, 2023, 26(26): 3238-3245.
[14]	FEI Sijie, ZHANG Qiang, LIU Fangfang, BAI Lu, SUN Caihong, XIN Caifeng. Correlation between Glycated Hemoglobin Variability and New-onset Atrial Fibrillation in Type 2 Diabetes Patients Combined with Heart Failure with Preserved Ejection Fraction [J]. Chinese General Practice, 2023, 26(26): 3246-3251.
[15]	HE Rong, ZHANG Li, LI Peng, ZHANG Xiaoling, ZHANG Guo, ZANG Yiran, WU Shouling, SUN Lixia. Immediate Effects of Aerobic Exercise on Arterial Stiffness in a Male Population with Different Blood Glucose Levels [J]. Chinese General Practice, 2023, 26(24): 2997-3004.