Page 51 - 2022-34-中国全科医学

·4272· http://www.chinagp.net E-mail:zgqkyx@chinagp.net.cn

（续表 2）
连续变量 缺失数据 过度拟合
第一作者 建模方法 变量选择方法 验模方法 AUC（95%CI） 拟合优度
处理方法 数量 处理方法 情况
HU 等 ［33］ 转化为分类 1 892 完整个案 Cox 回归 向后逐步选 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 —
变量 分析 择法
WANG 等 ［34］ 保持连续性 D：913 完整个案 Logistic 回归、 逐步选择法 内部验证、 模型1：女，0.86（0.84，0.89）、0.84（0.80，0.89）；男，0.75 校准图 自举法
V：385 分析 矩阵多项式 外部验证 （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）
GUNTHER 等 ［35］b 转化为分类 126 完整个案 Cox 回归 向后逐步选 内部验证 a 0.84（0.82，0.87） — —
变量 分析 择法
SHAO 等 ［36］ 转化为分类 — 完整个案 Logistic 回归 LASSO 回归 内部验证、 模型1：0.79（0.76，0.82），0.82（0.78，0.86） 。模型2： 校准图 自举法
变量 分析 外部验证 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）
ASGARI 等 ［37］ 保持连续性 — 单一插补 Cox 回归、基于混 文献回顾 内部验证、 模型 1：0.85（0.82，0.89）。模型 2：0.85（0.84，0.86）。H-L拟合优度检验、 自举法
合效应模型和 Cox 外部验证 模型 3：0.84（0.83，0.85） 校准图
模型的纵向和生
存数据联合模型
OH 等 ［38］ 转化为分类 3 059 完整个案 Logistic 回归 单因素分析、 内部验证 模型 1：0.66（0.63，0.72）。模型 2：0.69（0.66，0.72）。 — 交叉验证
变量 分析 多因素分析 模型 3：0.75（0.72，0.78）
RHEE 等 ［39］ 转化为分类 — 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 —
变量
a
注：AUC= 受试者工作特征曲线下面积；—表示未提及； 表示将数据集随机拆分为两个子集，一个子集用于建模，另一个子集用于内部验证；
b
表示作者共建立了 15 个模型，本研究仅选择最具有代表性和创新性的 1 个模型呈现
表 3 亚洲 T2MD 发病风险预测模型的预测因子、呈现形式及其局限性
Table 3 Predictors，presentation and limitations of included risk prediction models for T2DM in Asian adults
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 根据各因子回归系数的大小给其 —
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）： 分配分值，计算个体的发病风险
模型3 中的因子+TG。模型5（8 个）：模型4 中的因子+HDL-C 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 基于各因子的回归系数及其参考 研究对象年龄较大；糖尿病诊断方法单一
个）：年龄、性别、BMI、FHDM、降压药物治疗 值得出各因子的分值，计算个体
的发病风险总分
GAO 等 ［11］ 模型1（3 个）：BMI、腰围、FHDM。模型2（4 个）：模型1 中的因子 根据各因子回归系数、基础风险 预测能力中等；缺乏外部验证
+FBG。模型3（5 个）：模型1 中的因子+ 收缩压、TG 率，计算个体发病概率
SUN 等 ［12］ 模型1（8 个）：受教育程度、年龄、FHDM、吸烟、运动、高血压、BMI、 根据各因子的回归系数，得出发 基线时未进行葡萄糖耐量试验；无来自社
腰围。模型2（9 个）：年龄、性别、受教育程度、吸烟、BMI、腰围、 病风险得分的计算公式 区的样本；未证实其在年轻人T2DM 发病风
FHDM、高血压、FBG。模型3（13 个）：模型2 中的因子+TG、HDL-C、 险预测中的应用效果
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
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 根据各因子的回归系数对其进行 未将葡萄糖耐量试验纳入T2DM 诊断标准，
个）：模型1 中的因子+FHDM。模型3（7 个）：模型1 中的因子+ 高血压。 赋分，计算个体的发病风险总分 可能会造成漏诊
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
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）： 基于各因子的回归系数及其参考 缺少外部验证
收缩压、FHMD、腰臀比、腰高比、TG/HDL-C、FBG。模型3（7 个）：收 值得出各因子的分值，计算个体
缩压、FHMD、腰臀比、腰高比、TG/HDL-C、FBG、2 h-PG 的发病风险总分
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 以取整后的OR 作为各因子的分 未证实其在年轻人T2DM 发病风险预测中的
因子+FBG。模型3（6 个）：年龄、高血压、高血糖、FHDM、BMI、FBG 值，计算个体的发病风险总分 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 以取整后的回归系数作为各因子的 预测能力一般；存在自我报告偏倚；预测
常吸烟。模型2（9 个）：模型1 中的因子+FBG 分值，计算个体的发病风险总分 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 根据各因子的回归系数对其进行 研究对象主要为男性，在其他人群T2DM 发
中的因子+FBG。模型3（6 个）：模型1 中的因子+HbA 1c 。模型4（7 个）： 赋分，计算个体的发病风险总分 病风险预测中的应用效果有待进一步研究
模型1 中的因子+FBG+HbA 1c