Page 52 - 2022-34-中国全科医学
P. 52
http://www.chinagp.net E-mail:zgqkyx@chinagp.net.cn ·4273·
(续表 3)
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)
LIM 等 [19] 模型1(5 个):年龄、FHDM、当前吸烟情况、BMI、高血压。模型2(8 个):模型1 根据各因子的回归系数对其进行赋 模型可能只适用于临床环境或流行病学研究
分,计算个体的发病风险总分
中的因子+FBG、HDL-C、TG。模型3(9 个):模型2 中的因子+HbA 1c
YE 等 [20] 6 个:性别、BMI、FBG、HbA 1c 、高血压、C 反应蛋白 基于各因子的回归系数及其参考值得 未进行外部验证
出各因子的分值,计算个体的发病风
险总分
XU 等 [21] 7 个:年龄、性别、FHDM、BMI、FBG、HDL、TG 基于各因子的回归系数及其参考值得 将FBG 作为判断基线时糖尿病患病情况的指标,
出各因子的分值,计算个体的发病风 可能造成糖尿病患病率被低估;数据缺失率约
险总分 38%;在其他民族/ 年轻人T2DM 发病风险预测中
的应用效果有待进一步研究
NANRI 等 [22] 模型1(6 个):年龄、性别、BMI、腰围、高血压、吸烟情况。模型2(7 个):模型 根据各因子的回归系数对其进行赋 可能存在选择偏倚
1 中的因子+FBG。模型3(7 个):模型1 中的因子+HbA 1c 。模型4(8 个):模型1 中 分,计算个体的发病风险总分
的因子+ FBG、HbA 1c
WANG 等 [23] 模型1(7个):年龄、性别、BMI、FHDM、受教育程度、血压、静息心率。模型2(10 列线图,读取各因子的值对应的得 预测能力有限;在其他人群T2DM 发病风险预测
个):模型1 中的因子+FBG、TG、调脂药物使用情况 分,将所有因子的得分相加 中的应用效果有待进一步研究
LIU 等 [24] 5 个:年龄、BMI、FBG、自评健康状况、体育活动 — 样本量较少
MIYAKOSHI 等 [25] 模型1(5 个):性别、FHDM、年龄、收缩压、BMI。模型2(7 个):性别、FHDM、 以取整后的HR 作为各因子的分值,计 回顾性研究;未进行外部验证
年龄、收缩压、FPG、HbA 1c 、TG。模型3(11 个):吸烟状况、体育活动、年龄、收缩 算个体的发病风险总分
压、BMI、性别、FPG、2 h-PG、HbA 1c 、HDL-C、TG
ZHANG 等 [26] 4 个:年龄、BMI、TG、FBG 将各因子的回归系数×100 后取整, 数据缺失率较高,可能导致偏倚;在其他人群
以此作为各因子的分值,计算个体的 T2DM 发病风险预测中的应用效果有待进一步
发病风险总分 研究
CHEN 等 [27] 模型1(6 个):年龄、超重、肥胖、FHDM、饮食以肉类为主、高血压。模型2(7 根据各因子的回归系数对其进行赋 失访人数较多;在不同环境中的预测能力需进一
个):模型1 中的因子+FBG 分,计算个体的发病风险总分 步测试
ZHANG 等 [28] 模型1(7 个):年龄、吸烟、饮茶频率、体育活动水平、FHDM、BMI、高血压。模 将各因子的回归系数×10,以此作为 未进行外部验证
型2(7 个):年龄、吸烟、饮茶频率、体育活动水平、FHDM、腰高比、高血压。模 各因子的分值,计算个体的发病风险
型3(8 个):模型1 中的因子+ 腰高比。模型4(10 个):模型3 中的因子+TG、FBG 总分
WEN 等 [29] 4 个:年龄、BMI、腰围、FHDM 基于各因子的回归系数及其参考值得 缺失数据较多,可能导致偏倚
出各因子的分值,计算个体的发病风
险总分
YATSUYA 等 [30] 6 个:年龄、BMI、吸烟状况、FHDM、TG、FBG 根据各因子的回归系数对其进行赋 样本皆为男性且其职业以公务员为主,在其他人
分,计算个体的发病风险总分 群T2DM 发病风险预测中的应用效果有待进一步
验证
HA 等 [31] 11 个:年龄、FHDM、吸烟状况、体育活动水平、抗高血压治疗、他汀类药物使用、 根据各因子的回归系数,得出发病风 外部验证队列的校准图显示,T2DM 发病风险被
BMI、收缩压、总胆固醇、FBG 为共性因子,γ- 谷氨酰转移酶 险的计算公式 低估
(只限女性)、酒精摄入(只限男性)为性别特异性因子
HAN 等 [32] 6 个:BMI、FBG、高血压、高脂血症、当前吸烟状况、FHDM 将各因子的回归系数×10,以此作为 未限制研究人群年龄,未进行外部验证
各因子的分值,计算个体的发病风险
总分
HU 等 [33] 模型1(6 个):年龄、性别、腹部肥胖、BMI、吸烟状况、高血压。模型2(8 个): 根据各因子回归系数、基础风险率, 样本来源受到限制,主要为大公司职员;模型无
模型1 中的因子+ 血脂异常、FBG 计算个体发病概率 法区分糖尿病的类型
WANG 等 [34] 模型1(6个):年龄、BMI、FBG、HDL-C、LDL-C、TG。模型2:男(5个),年龄、 列线图,读取各因子的值对应的得 —
TG、FBG、LDL-C、BMI;女(6 个),年龄、TG、FBG、HDL-C、LDL-C、BMI。模 分,将所有因子的得分相加
型3(8 个):年龄、BMI、FBG、收缩压、舒张压、HDL-C、LDL-C、TG
GUNTHER 等 [35] 17 个:年龄、性别、种族、身高、腰围、FHDM、收缩压、FBG、TG、HDL-C、 — 未进行外部验证
C8-DC、C16-OH、异亮氨酸/ 亮氨酸、鸟氨酸、脯氨酸、丝氨酸、丙氨酸/ 甘氨酸
SHAO 等 [36] 模型1(8 个):年龄、性别、民族、高血压、吸烟、饮酒、腰围、BMI。模型2(17 列线图,读取各因子的值对应的得 当预测概率<0.20 时,T2DM 发病风险可能会被
个):模型1 中的因子+ 受教育程度、软饮料和茶摄入、体育活动、能量摄入、碳水 分,将所有因子的得分相加 低估
化合物摄入、脂肪摄入、蛋白质摄入、三头肌皮褶厚度、睡眠时间。模型3(24个):
模型2 中的因子+LDL-C、HDL-C、TC、TG、胰岛素、FBG、HbA 1c 。模型4(7 个):
LDL-C、HDL-C、TC、TG、胰岛素、FBG、HbA 1c
ASGARI 等 [37] 模型1(6 个):年龄、身高、收缩压、TG、HDL-C、FHDM。模型2(7 个):模型1 根据各因子的回归系数,得出发病风 使用中间日期来定义事件日期
中的因子+FBG。模型3(7 个):模型1 中的因子+ 腰围 险得分的计算公式
OH 等 [38] 模型1(6 个):年龄、居住地、吸烟、高血压、FHDM、腰围。模型2(7 个):模型 根据各因子的回归系数对其进行赋 模型需进一步被验证
分,计算个体的发病风险总分
1 中的因子+FBG;模型3(7 个):模型1 中的因子+HbA 1c
RHEE 等 [39] 17 个:年龄、性别、BMI、收缩压、舒张压、FBG、TC、HbA 1c 、天冬氨酸氨基转移酶、 — —
丙氨酸氨基转移酶、γ- 谷氨酰转移酶、蛋白尿、吸烟、饮酒、锻炼、个人史、家族史
注:—表示未提及;LDL-C= 低密度脂蛋白胆固醇,FHDM= 糖尿病家族史,IGT= 糖耐量异常,TG= 三酰甘油,HDL-C= 高密度脂蛋白胆固醇,
BMI= 体质指数,ALT= 谷氨酸氨基转移酶,OR= 比值比,HR= 风险比,eGFR= 估算的肾小球滤过率,C8-DC= 辛二酰肉碱,C16-OH= 棕榈羟酰
基肉碱,TC= 总胆固醇