Page 52 - 2022-34-中国全科医学

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