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

doi:10.12114/j.issn.1007-9572.2023.0571

Abstract

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

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

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.
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.

Figures/Tables 7

References 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