论文部分内容阅读
目的:本研究旨在通过一项华北地区多个省市多中心门诊胰岛素治疗的2型糖尿病患者(type 2 diabetes,T2DM)的横断面研究,了解华北地区胰岛素治疗的T2DM门诊患者的基本特征,并了解其血糖控制状况,在此基础上结合人口学指标和糖尿病诊疗情况分析胰岛素治疗的T2DM患者血糖达标相关的影响因素,并对血糖达标状况进行探索性的预测分析。此外,本研究还将通过与传统的Logistic回归算法的比较,来探讨弹性网络(Elastic network,EN)算法与机器学习算法相结合的方式在2型糖尿病人血糖控制预测中的应用价值。方法:本研究收集了2016年1月到2017年12月华北地区6个城市27个医院门诊T2DM患者。对符合纳入、排除标准的每日门诊前五名患者的资料进行收集,包括:人口学信息、体格检测、T2DM病情、T2DM治疗及用药相关信息以及实验室检查情况。按照糖化血红蛋白(Hb A1c)≤7.0%来定义血糖控制达标,并进行了达标组和未达标组之间的单因素分析。首先,用弹性网络算法对单因素分析有统计学意义的指标进行了降维,通过EN-Logistic模型进行血糖达标的多因素分析;其次,用降维前后的指标分别建立了机器学习模型(随机森林、支持向量机和人工神经网络)和逐步Logistic模型,对建模的结果进行了比较。结果:本研究最终纳入了来自6个城市27个中心的门诊胰岛素治疗的T2DM患者2787例。其中,男性T2DM患者为1407例,占50.5%;女性患者1380例,占比49.5%。患者的平均年龄为56.37±11.41岁,已婚者2745例(占98.5%),平均病程为6.57±5.28年。(1)基本情况:超重的患者为52.2%,肥胖的患者为16.8%;中心肥胖的患者有1452例,占比为52.1%;919位(33.0%)患者有吸烟史,891例(32.0%)患者有饮酒史。859例患者(30.8%)有2型糖尿病家族史。在所有患者中,717例(25.7%)患者有既往病史,其中有高血压既往史者493例;ASCVD既往史225例。46.9%的患者有糖尿病的典型发病特征;44.2%的患者有糖尿病相关的并发症,其中糖尿病肾病有382例(13.7%);糖尿病视网膜病变患者566例(20.3%);糖尿病周围神经病变患者814例(19.2%);糖尿病足41例(1.5%);糖尿病下肢血管病变患者347例(12.5%)。患者的平均胰岛素使用剂量为17.17U,222例(8.0%)患者没有使用口服降糖药。82.3%的患者有运动的习惯,89.5%的患者在确诊T2DM后采取了调整饮食习惯的措施。实验室检查指标中,26.8%的患者血压控制良好;26.6%的患者TC在正常范围内;36.8%的患者TG在正常范围内;33.6%的患者HDL-C控制良好,37.9%的患者LDL-C控制良好。血糖控制水平达标的患者为1277例,达标率为45.82%。(2)单因素分析:对血糖达标组和未达标组进行分析,年龄、性别、BMI分级、中心肥胖、吸烟史、家族史、运动、饮食、既往病史、病程、胰岛素剂量、典型发病特征、并发症、合并症、既往低血糖、基础胰岛素使用时长、口服降糖药以及遵医嘱情况等变量与血糖控制有关联。(3)多因素分析:EN-Logistic模型的结果显示,已婚、运动和调整植物油摄入量是血糖达标的保护因素,中心肥胖、有T2DM家族史、病程长、并发症、高胰岛素剂量和典型发病特征是血糖达标的危险因素。(4)预测分析:通过各模型的灵敏度、特异度、准确度和AUC来对机器学习模型和逐步Logistic回归模型进行比较。四个模型中随机森林算法预测性能最佳,其灵敏度、特异度、准确度和AUC均为0.70,较逐步Logistic分别提升了16.67%、6.06%、9.8%和4.48%;其次为支持向量机算法,其灵敏度、特异度、准确度和AUC分别为0.69、0.65、0.67和0.67,灵敏度和准确度要优于逐步Logistic回归模型,AUC与Logistic回归一致,而特异度略低于Logistic;四个模型中神经网络表现较差。结论:中国北方地区门诊T2DM患者血糖达标水平虽然与国内的各种研究结果报告的血糖控制率要稍高,但是这个控制率对于T2DM的控制来说依然不理想。本研究结果中,已婚、运动和调整植物油摄入量是血糖达标的保护因素,中心肥胖、有T2DM家族史、病程长、并发症、高胰岛素剂量和典型发病特征是血糖达标的危险因素。在糖尿病人日常的管理中应该重点关注高危人群,并采取个体化的治疗方案,对血糖进行综合控制,使血糖控制在合理的水平,降低相关并发症的发生。另外,本研究发现弹性网络结合机器学习算法在血糖达标情况预测中具有良好的应用价值。