糖尿病周圍神經(jīng)病變風(fēng)險預(yù)測模型的系統(tǒng)評價與Meta分析

基金項目"貴州省衛(wèi)生健康委科學(xué)技術(shù)基金項目，編號：gzwkj2024-062

作者簡介"趙思思，護(hù)士，碩士研究生在讀

* 通訊作者"張春玲，E-mail：1277319952@qq.com

引用信息"趙思思，張春玲，陳露，等.糖尿病周圍神經(jīng)病變風(fēng)險預(yù)測模型的系統(tǒng)評價與Meta分析［J］.循證護(hù)理，2025，11（1）：7-12.

Abstract Objective：To systematically evaluate the quality of risk prediction models for diabetic peripheral neuropathy（DPN）and provide a reference for improving existing models and establishing new models.Methods：Literature related to the construction of risk prediction models for DPN were retrieved from PubMed，the Cochrane Library，EMbase，Web of Science，CBM，CNKI，VIP，and WanFang Database from the establishment of the database to April 1，2024.The quality of the included prediction model studies was assessed using the PROBAST tool，and the key predictors were Meta-analyzed using RevMan 5.4 software.Results：A total of 12 articles were included in this study involving 23 380 patients ，and 19 DPN risk prediction models were constructed.Among them，11 articles were calibrated and 9 articles were validated.The PROBAST evaluation results showed that all 12 articles were at high risk of bias.The predictive factors mainly included basic factors，disease factors，and laboratory test indicators.Meta-analysis results showed that glycosylated hemoglobin（OR=1.54，95%CI 1.38?1.72，Z=7.55，Plt;0.001），age（OR=1.10，95%CI 1.00?1.20，Z=2.06，P=0.040），and diabetic course（OR=1.22，95%CI 1.14?1.30，Z=5.95，Plt;0.001）were predictive factors for DPN.Conclusions：current evidence shows that the prediction model of DPN is still in the exploratory stage.In the future，a prediction model with low bias risk and strong applicability should be selected or developed according to the actual clinical situation，and its prediction effect should be continuously monitored in practical applications.At the same time，medical staff should pay high attention to the patient's glycated hemoglobin level，age，and course of disease，in order to detect DPN earlier and take targeted prevention and treatment measures.

Keywords "diabetic peripheral neuropathy；risk prediction model；systematic review；Meta-analysis；evidence-based nursing

摘要""目的：對糖尿病周圍神經(jīng)病變（DPN）風(fēng)險預(yù)測模型的質(zhì)量進(jìn)行系統(tǒng)評價，為現(xiàn)有模型的改進(jìn)和新模型的建立提供參考依據(jù)。方法：檢索PubMed、the Cochrane Library、EMbase、Web of Science、中國生物醫(yī)學(xué)文獻(xiàn)數(shù)據(jù)庫、中國知網(wǎng)、維普數(shù)據(jù)庫、萬方數(shù)據(jù)庫發(fā)表的有關(guān)構(gòu)建DPN風(fēng)險預(yù)測模型的研究，檢索時限為建庫至2024年4月1日。采用PROBAST工具對納入的預(yù)測模型研究進(jìn)行質(zhì)量評估，并利用RevMan 5.4軟件對關(guān)鍵預(yù)測因子進(jìn)行Meta分析。結(jié)果：本研究共納入12篇文獻(xiàn)，涉及23 380例病人，共構(gòu)建了19個DPN風(fēng)險預(yù)測模型。其中11篇文獻(xiàn)進(jìn)行了模型校準(zhǔn)，9篇文獻(xiàn)進(jìn)行了模型驗證。預(yù)測模型研究的偏倚風(fēng)險評估工具（PROBAST）評價結(jié)果表明，12篇文獻(xiàn)均為高偏倚風(fēng)險。預(yù)測因子主要包括基本因素、疾病因素及實驗室檢查指標(biāo)3類。Meta分析結(jié)果顯示，糖化血紅蛋白［OR=1.54，95%CI（1.38，1.72），Z=7.55，Plt;0.001］、年齡［OR=1.10，95%CI（1.00，1.20），Z=2.06，P=0.040］、糖尿病病程［OR=1.22，95%CI（1.14，1.30），Z=5.95，Plt;0.001］是DPN的預(yù)測因子。結(jié)論：現(xiàn)有證據(jù)顯示，DPN的預(yù)測模型仍處于探索階段，未來應(yīng)根據(jù)臨床實際情況選擇或開發(fā)一種偏倚風(fēng)險低、適用性強的預(yù)測模型，并在實際應(yīng)用中持續(xù)監(jiān)測其預(yù)測效果。同時，醫(yī)護(hù)人員應(yīng)高度關(guān)注病人的糖化血紅蛋白水平、年齡及病程，以期早期發(fā)現(xiàn)DPN，并采取有針對性的預(yù)防和治療措施。

關(guān)鍵詞""糖尿病周圍神經(jīng)病變；風(fēng)險預(yù)測模型；系統(tǒng)評價；Meta分析；循證護(hù)理

doi：10.12102/j.issn.2095-8668.2025.01.002

糖尿病周圍神經(jīng)病變（diabetic peripheral neuropathy，"DPN）是指糖尿病病人在排除其他潛在病因后出現(xiàn)的周圍神經(jīng)功能障礙，是糖尿病病人最為常見的并發(fā)癥之一［1］。10%～15%的糖尿病病人在確診時已伴有周圍神經(jīng)病變，且在病程超過5年的糖尿病病人中，有50%以上的病人會伴有不同程度的周圍神經(jīng)損傷［2?3］。DPN病人主要表現(xiàn)為雙側(cè)肢體感覺異常、麻木、疼痛等，嚴(yán)重時可并發(fā)足部潰瘍，甚至導(dǎo)致截肢，對病人的生活質(zhì)量、身心健康構(gòu)成了嚴(yán)重威脅［4］。研究發(fā)現(xiàn)，早期識別并處理DPN可有效減輕或避免負(fù)面影響，從而提高病人的生活質(zhì)量［5］。因此，早期發(fā)現(xiàn)并有效管理其可調(diào)控的危險因素變得尤為迫切，對于DPN的早期預(yù)防與治療至關(guān)重要。目前，國內(nèi)外關(guān)于DPN預(yù)測的研究大多局限于特定地區(qū)醫(yī)院的小規(guī)模人群，其樣本的代表性和結(jié)論的普適性存在局限，這在一定程度上限制了研究成果的應(yīng)用范圍與深度。因此，本研究旨在系統(tǒng)評價當(dāng)前有關(guān)DPN風(fēng)險預(yù)測模型的研究現(xiàn)狀，以期為臨床實踐提供指導(dǎo)，幫助護(hù)理人員選擇性能優(yōu)越、適用性強的DPN風(fēng)險預(yù)測模型，從而實現(xiàn)對DPN病人的早期識別和干預(yù)。本研究已在PROSPERO平臺注冊（注冊號：CRD42024539845），并通過所在單位倫理委員會審查（編號：7）。

1 資料與方法

1.1 納入及排除標(biāo)準(zhǔn)

納入標(biāo)準(zhǔn)：1）研究對象為已確診糖尿病的病人且年齡≥18歲；2）研究類型為病例對照研究、隊列研究和橫斷面研究；3）研究內(nèi)容為構(gòu)建DPN風(fēng)險預(yù)測模型的相關(guān)研究。排除標(biāo)準(zhǔn)：1）僅為影響因素分析，未涉及模型的建立；2）無法獲取全文或數(shù)據(jù)不可用；3）非中英文文獻(xiàn)；4）基于系統(tǒng)評價構(gòu)建的風(fēng)險預(yù)測模型。

1.2 文獻(xiàn)檢索策略

計算機檢索PubMed、the Cochrane Library、EMbase、Web of Science、中國生物醫(yī)學(xué)文獻(xiàn)數(shù)據(jù)庫、中國知網(wǎng)、維普數(shù)據(jù)庫、萬方數(shù)據(jù)庫中發(fā)表的有關(guān)構(gòu)建DPN風(fēng)險預(yù)測模型的研究，檢索時限為建庫至"2024年4月1日。中文檢索詞為：“糖尿病”“神經(jīng)”“預(yù)測模型/風(fēng)險預(yù)測/風(fēng)險評估/風(fēng)險評分/模型/列線圖”；英文檢索詞為：“diabetes/diabetes mellitus/diabetic”“neuropathy/polyneuropathy/peripheral neuropathy”“prediction model/risk assessment/risk prediction/risk score/model/nomogram”。同時將符合要求的參考文獻(xiàn)納入進(jìn)行補充。以Web of Science為例，英文檢索策略如下：

#1 "（（TI=（diabetes）"OR TI=（diabetes mellitus））"OR TI=（diabetic）

#2 "（（TI=（neuropathy）"OR TI=（polyneuropathy））"OR TI=（peripheral neuropathy）

#3 "（（（（（TI=（prediction model）"OR TI=（risk assessment））"OR TI=（risk prediction））"OR TI=（risk score））"OR TI=（model））"OR TI=（nomogram）

#4 "#1 AND #2 AND"#3

1.3 數(shù)據(jù)提取與分析

由2名研究者獨立完成文獻(xiàn)篩選和資料提取，并進(jìn)行交叉核對，當(dāng)存在不一致的意見或結(jié)果時，由第3名研究者介入裁定。提取的資料主要包含發(fā)表年份、第一作者、國家、研究類型、樣本量、建模方法、建模數(shù)量、受試者工作特征曲線下面積（AUC）、校準(zhǔn)方法、模型驗證方法、風(fēng)險預(yù)測模型包含的預(yù)測因子。

1.4 偏倚風(fēng)險及適用性評價

分別由2名研究者運用預(yù)測模型研究的偏倚風(fēng)險評估工具（PROBAST）［6］對納入研究的偏倚風(fēng)險及適用性進(jìn)行評價。

1.5 統(tǒng)計學(xué)方法

采用RevMan 5.4進(jìn)行分析，提取文獻(xiàn)中的比值比（OR）及95%置信區(qū)間（CI）描述合并效應(yīng)量。納入研究的異質(zhì)性用I2值評估，如異質(zhì)性明顯則采用隨機效應(yīng)模型，如異質(zhì)性不明顯則采用固定效應(yīng)模型，計算各預(yù)測因子合并的OR值和95%CI；采用逐篇剔除文獻(xiàn)法進(jìn)行敏感性分析。以Plt;0.05為差異有統(tǒng)計學(xué)意義。

2 結(jié)果

2.1 文獻(xiàn)檢索結(jié)果

初步檢索得到文獻(xiàn)3 654篇，去除重復(fù)文獻(xiàn)510篇；閱讀題目和摘要后，去除3 089篇；閱讀全文后，去除43篇，最終納入12篇文獻(xiàn)［7?18］。文獻(xiàn)篩選流程及結(jié)果見圖1。

2.2 納入研究的基本特征

納入的12項研究［7?18］中，有9項研究［7?8，10?14，16，18］為病例對照研究，3篇［9，15，17］為橫斷面研究，共涉及23 380例病人。其中，我國開展的研究有11項［7?14，16?18］，埃塞俄比亞開展的研究有1項［17］。12項研究中共構(gòu)建了19個DPN風(fēng)險預(yù)測模型，建模方法多為Logistic回歸分析和Lasso回歸分析；19個風(fēng)險預(yù)測模型的AUC為0.732～0.944，有18個風(fēng)險預(yù)測模型進(jìn)行了Hosmer?Lemeshow擬合優(yōu)度檢驗（H?L檢驗）和（或）校準(zhǔn)曲線校準(zhǔn)，15個風(fēng)險預(yù)測模型進(jìn)行了外部驗證和（或）內(nèi)部驗證；19個風(fēng)險預(yù)測模型各包括4～10個預(yù)測因子。納入研究及風(fēng)險預(yù)測模型基本特征見表1。

2.3 文獻(xiàn)質(zhì)量評價

在研究對象方面，納入的12項研究數(shù)據(jù)均來源于回顧性研究，開展研究時研究對象的結(jié)局指標(biāo)已知，均被評為高偏倚風(fēng)險；在預(yù)測因子方面，3項研究［13，15?16］的數(shù)據(jù)來源于多中心醫(yī)療機構(gòu)，其收集數(shù)據(jù)的方式可能存在差異性，偏倚風(fēng)險被評為高風(fēng)險。在數(shù)據(jù)分析方面，12項研究均未提及缺失數(shù)據(jù)的處理，因此12項研究均被評為高風(fēng)險。整體評估方面，12項研究均為高風(fēng)險。模型的研究對象、預(yù)測因子、結(jié)果方面適用性均為好。見表2。

2.4 Meta分析結(jié)果

對納入研究的預(yù)測因子進(jìn)行分類分析，可概括為基本因素、疾病因素、實驗室檢查指標(biāo)3類。1）基本因素包括年齡、婚姻狀態(tài)、體質(zhì)指數(shù)、文化程度、體力活動、飲酒、腰圍、性別；2）疾病因素包括糖尿病病程、高血壓、合并糖尿病視網(wǎng)膜病變、糖尿病腎病、冠心病史、動脈粥樣硬化史、血脂異常史、血糖控制情況、其他合并癥、治療類型；3）實驗室指標(biāo)包括糖化血紅蛋白、餐后2 h C肽、尿微量白蛋白、三酰甘油、三碘甲狀腺原氨酸、血流變化率、胰島素抵抗指數(shù)、絲氨酸蛋白酶抑制劑、新型分泌蛋白、空腹"C 肽、中性粒細(xì)胞絕對值、單核細(xì)胞絕對值、血肌酐、預(yù)后營養(yǎng)指數(shù)、白細(xì)胞計數(shù)、紅細(xì)胞計數(shù)、25 ?羥維生素D3、空腹血糖、餐后2 h血糖、尿酸、低密度脂蛋白膽固醇、高密度脂蛋白膽固醇。對3篇及3篇文獻(xiàn)以上的預(yù)測因子進(jìn)行Meta分析，結(jié)果表明，糖化血紅蛋白、年齡、糖尿病病程是DPN的風(fēng)險預(yù)測因子（Plt;0.05）。見表3。逐篇剔除文獻(xiàn)后進(jìn)行敏感性分析，結(jié)果無差異。其中，4篇文獻(xiàn)［7，11，13，16］可能是導(dǎo)致年齡出現(xiàn)異質(zhì)性的主要來源，去除這4項研究后，剩余3篇［8，17?18］不存在異質(zhì)性（I2=0，P=0.63），采用固定效應(yīng)模型進(jìn)行Meta分析，結(jié)果顯示，年齡是DPN病人的風(fēng)險預(yù)測因子［OR=1.05，95%CI（1.03，1.06），Z=6.89，Plt;0.001］。

3 討論

3.1 DPN風(fēng)險預(yù)測模型的研究尚處于發(fā)展階段

本研究結(jié)果顯示，現(xiàn)有的DPN風(fēng)險預(yù)測模型AUC均gt;0.7，但整體偏倚風(fēng)險偏高，具體原因如下。3.1.1 研究對象領(lǐng)域

本研究納入的文獻(xiàn)均采取回顧性調(diào)查方法，可能存在由于已知陽性結(jié)局導(dǎo)致的潛在結(jié)果錯誤分類和數(shù)據(jù)回憶偏倚問題，進(jìn)而增加模型假陽性的風(fēng)險［19］。在未來選擇構(gòu)建模型數(shù)據(jù)時，應(yīng)盡可能選擇前瞻性研究，避免結(jié)果已知導(dǎo)致的偏倚；同時，在選擇研究對象時，應(yīng)設(shè)定清晰、合理的納入標(biāo)準(zhǔn)，確保研究樣本的代表性和同質(zhì)性。

3.1.2 預(yù)測因子領(lǐng)域

本研究中嚴(yán)紅霞［14］的研究基于炎性復(fù)合指標(biāo)篩選預(yù)測因子，根據(jù)已知炎性復(fù)合指標(biāo)進(jìn)行預(yù)測因子的納入造成高偏倚風(fēng)險。因此，為了確保模型的準(zhǔn)確性和可靠性，降低潛在的風(fēng)險和偏倚，模型的構(gòu)建應(yīng)遵循統(tǒng)一的測量方法和定義來選取預(yù)測因子。

3.1.3 結(jié)果和統(tǒng)計分析領(lǐng)域

結(jié)局的主觀判斷可能導(dǎo)致偏倚的發(fā)生。為了降低這種偏倚并提高研究的可靠性，可以參照臨床指南或權(quán)威期刊文獻(xiàn)中的結(jié)局定義［20］。本研究納入文獻(xiàn)中未提及缺失數(shù)據(jù)處理的問題，建議采用多重插補法來彌補這一不足，以增加模型的穩(wěn)定性［21?22］。此外，本研究納入的文獻(xiàn)中，有11項研究來自中國，且均為近5年發(fā)表，反映了中國學(xué)者對DPN領(lǐng)域的持續(xù)關(guān)注以及預(yù)測模型構(gòu)建方法的積極探索，未來應(yīng)多關(guān)注模型內(nèi)部驗證和（或）外部驗證。這包括在更大范圍的樣本、不同地理區(qū)域以及更長的時間跨度內(nèi)進(jìn)行驗證，以確保模型具有廣泛的適用性和穩(wěn)定性?；谏鲜鲅芯浚槍ξ磥鞤PN風(fēng)險預(yù)測模型的構(gòu)建和驗證研究，建議按照PROBAST工具的相關(guān)條目來開展，以確保研究的嚴(yán)謹(jǐn)性，減少偏倚風(fēng)險。

3.2 DPN預(yù)測模型預(yù)測因子分析

本研究結(jié)果顯示，DPN的風(fēng)險預(yù)測因子主要包括以下3個方面：基本因素、疾病因素、實驗室檢查指標(biāo)。對3篇及3篇文獻(xiàn)以上的預(yù)測因子進(jìn)行Meta分析，發(fā)現(xiàn)糖化血紅蛋白、年齡、病程是DPN的風(fēng)險預(yù)測因子。研究發(fā)現(xiàn)，糖化血紅蛋白升高時自由基增加，糖基化終產(chǎn)物積聚，導(dǎo)致血管內(nèi)皮細(xì)胞的抗血小板聚集能力受損，從而促進(jìn)斑塊內(nèi)新生血管形成，使DPN更容易發(fā)生［23?24］。因此，糖化血紅蛋白與DPN的發(fā)生、發(fā)展有著密切聯(lián)系。李新強等［25］研究顯示，年齡是DPN的獨立危險因素。隨著年齡的增長，人體內(nèi)部的細(xì)胞和組織會經(jīng)歷自然的衰退過程。在這個過程中，分子層面和細(xì)胞層面的損傷會逐漸累積。其中，軸索損傷和脫髓鞘是神經(jīng)系統(tǒng)衰老的兩個重要表現(xiàn)，并進(jìn)一步導(dǎo)致DPN的發(fā)生與發(fā)展。這些損傷可能包括細(xì)胞膜的損傷、蛋白質(zhì)功能的下降、DNA的突變等。此外，DPN 的患病率隨糖尿病持續(xù)時間而增加。研究顯示，糖尿病病程≥5 年與DPN發(fā)生發(fā)展明顯相關(guān)［26］。本研究結(jié)果顯示，體質(zhì)指數(shù)不是DPN的風(fēng)險預(yù)測因子，可能是各研究人群間存在異質(zhì)性，這與余鑫華等［27］的研究結(jié)果一致。但也有研究顯示，體質(zhì)指數(shù)是DPN發(fā)生的危險因素［28］。因此，體質(zhì)指數(shù)與DPN的關(guān)聯(lián)仍需進(jìn)一步探究。

3.3 本研究的局限性

1）考慮到不同研究人群、研究設(shè)計和模型結(jié)果評價指標(biāo)的差異，很難將不同結(jié)果進(jìn)行整合及Meta分析，僅進(jìn)行了定性綜述；2）部分文獻(xiàn)未對模型進(jìn)行校準(zhǔn)、缺乏驗證方式以及未告知缺失數(shù)據(jù)的處理，可能會導(dǎo)致結(jié)果的偏倚。3）納入文獻(xiàn)的偏倚風(fēng)險均較高，應(yīng)謹(jǐn)慎對待其研究結(jié)果。

4 小結(jié)

糖化血紅蛋白、年齡、病程是DPN的高危因素，預(yù)測模型整體性能良好。但部分模型缺乏內(nèi)部驗證和（或）外部驗證，其外推性得不到保證，未來需要更多的臨床數(shù)據(jù)優(yōu)化模型，為DPN的早期干預(yù)和治療提供更加有力的幫助。

參考文獻(xiàn)：

[1] 中華醫(yī)學(xué)會糖尿病學(xué)分會神經(jīng)并發(fā)癥學(xué)組.糖尿病神經(jīng)病變診治專家共識（2021年版）[J].中華糖尿病雜志，2021，13（6）：540-557.

[2] POP-BUSUI R，BOULTON A J，F(xiàn)ELDMAN E L，et al.Diabetic neuropathy：a position statement by the American Diabetes Association[J].Diabetes Care，2017，40（1）：136-154.

[3] 中華醫(yī)學(xué)會《中華全科醫(yī)師雜志》編輯委員會，中華醫(yī)學(xué)會神經(jīng)病學(xué)分會肌電圖與臨床神經(jīng)生理學(xué)組.糖尿病周圍神經(jīng)病基層診治管理專家指導(dǎo)意見（2019年）[J].中華全科醫(yī)師雜志，2019，18（6）：519-528.

[4] 金潔雯，李延兵.論糖尿病周圍神經(jīng)病變的診治要點[J].實用醫(yī)學(xué)雜志，2022，38（14）：1715-1719.

[5] 龍艷，靖瓛，黃帥立，等.中醫(yī)體質(zhì)調(diào)理對早期無癥狀型糖尿病周圍神經(jīng)病變的影響[J].廣州中醫(yī)藥大學(xué)學(xué)報，2024，41（5）：1136-1143.

[6] WOLFF R F，MOONS K G M，RILEY R D，et al.PROBAST：a tool to assess the risk of bias and applicability of prediction model studies[J].Annals of Internal Medicine，2019，170（1）：51-58.

[7] 梁玲霞，趙猛，李樹法，等.DPN患者周圍神經(jīng)傳導(dǎo)速度的影響因素及預(yù)測價值分析[J].醫(yī)學(xué)研究雜志，2021，50（10）：55-59.

[8] 王艷.2型糖尿病并發(fā)周圍神經(jīng)病變風(fēng)險的列線圖預(yù)測模型構(gòu)建[D].烏魯木齊：新疆醫(yī)科大學(xué)，2023.

[9] 李夢圓，馬學(xué)婭，張小玉，等.2型糖尿病患者周圍神經(jīng)病變預(yù)測模型的構(gòu)建[J].護(hù)理學(xué)雜志，2023，38（18）：44-48.

[10] 寧改君，史麗，鄧文娟，等.個體化預(yù)測2型糖尿病患者并發(fā)周圍神經(jīng)病變風(fēng)險的列線圖模型的建立[J].現(xiàn)代預(yù)防醫(yī)學(xué)，2019，46（5）：798-803.

[11] 莊翠俠，楊俊平，王妍，等.基于少數(shù)類樣本合成過抽樣技術(shù)算法2型糖尿病合并周圍神經(jīng)病變風(fēng)險預(yù)警模型構(gòu)建[J].臨床軍醫(yī)雜志，2023，51（9）：952-955.

[12] 吳敏麗，林楚佳.糖尿病周圍神經(jīng)病變診斷預(yù)測模型的建立和驗證[J].汕頭大學(xué)醫(yī)學(xué)院學(xué)報，2023，36（4）：215-219.

[13] 李永生，張學(xué)良，李丞，等.2型糖尿病周圍神經(jīng)病變風(fēng)險的列線圖預(yù)測模型研究[J].中國全科醫(yī)學(xué)，2022，25（6）：675-681.

[14] 嚴(yán)紅霞.基于炎性復(fù)合指標(biāo)的糖尿病周圍神經(jīng)病變臨床預(yù)測模型的構(gòu)建與評價[D].昆明：昆明醫(yī)科大學(xué)，2023.

[15] GELAW N B，MUCHE A A，ALEM A Z，et al.Development and validation of risk prediction model for diabetic neuropathy among diabetes mellitus patients at selected referral hospitals，in Amhara regional state northwest Ethiopia，2005-2021[J].PLoS One，2023，18（8）：e0276472.

[16] LI Y S，LI Y N，DENG N，et al.Training and external validation of a predict nomogram for type 2 diabetic peripheral neuropathy[J].Diagnostics，2023，13（7）：1265.

[17] WU B R，NIU Z Y，HU F.Study on risk factors of peripheral neuropathy in type 2 diabetes mellitus and establishment of prediction model[J].Diabetes amp; Metabolism Journal，2021，45（4）：526-538.

[18] ZHANG W L，CHEN L L.A nomogram for predicting the possibility of peripheral neuropathy in patients with type 2 diabetes mellitus[J].Brain Sciences，2022，12（10）：1328.

[19] 牛喆昀，沈佳瑩，張子涵，等.預(yù)測模型在臨床研究中的應(yīng)用[J].上海預(yù)防醫(yī)學(xué)，2023，35（1）：56-65.

[20] 王伊娜，徐亦虹，柳小琳，等.肝切除術(shù)后患者肝功能衰竭風(fēng)險預(yù)測模型的系統(tǒng)評價[J].中華護(hù)理雜志，2023，58（12）：1496-1504.

[21] VERGOUWE Y，ROYSTON P，MOONS K G，et al.Development and validation of a prediction model with missing predictor data：a practical approach[J].Journal of Clinical Epidemiology，2010，63（2）：205-214.

[22] GU K M，MIN S H，CHO J.Sleep duration and mortality in patients with diabetes：results from the 2007-2015 Korea national health and nutrition examination survey[J].Diabetes amp; Metabolism，2022，48（3）：101312.

[23] TECELLIOGLU M，ALAN S，KAMISLI S，et al.Hemoglobin A1c-related histologic characteristics of symptomatic carotid plaques[J].Nigerian Journal of Clinical Practice，2019，22（3）：393-398.

[24] CATAN A，TURPIN C，DIOTEL N，et al.Aging and glycation promote erythrocyte phagocytosis by human endothelial cells：potential impact in atherothrombosis under diabetic conditions[J].Atherosclerosis，2019，291：87-98.

[25] 李新強，梁輝團(tuán)，侯冬梅，等.門診2型糖尿病患者糖尿病周圍神經(jīng)病變的患病率及危險因素調(diào)查[J].糖尿病新世界，2024，27（1）：171-173.

[26] KHAWAJA N，ABU-SHENNAR J，SALEH M，et al.The prevalence and risk factors of peripheral neuropathy among patients with type 2 diabetes mellitus;the case of Jordan[J].Diabetology amp; Metabolic Syndrome，2018，10：8.

[27] 余鑫華，王江，張杰濤.1型糖尿病性亞臨床周圍神經(jīng)病變相關(guān)危險因素分析[J].中國當(dāng)代醫(yī)藥，2024，31（7）：87-91.

[28] 金輝，孫佳佳，姚勝紅，等.2型糖尿病患者發(fā)生糖尿病周圍神經(jīng)病變的影響因素分析[J].系統(tǒng)醫(yī)學(xué)，2020，5（23）：76-78.

（收稿日期：2024-07-11;修回日期：2024-12-10）

（本文編輯"張建華）