糖尿病病人視網(wǎng)膜病變風(fēng)險(xiǎn)預(yù)測(cè)模型研究進(jìn)展

AbstractItsummarzedtheiskfactorsfordabeticetinopathyandthecurentresearchstatusofpredictiomodels.Itomparedldaton methodsandpredictiveperformanceacross diferentmodels，ming toprovidereferences todevelopthemoreaccurateriskprediction models for diabetic retinopathy.

Keywordsdiabetic retinopathy;influencing factors;prediction model; review

摘要綜述糖尿病視網(wǎng)膜病變危險(xiǎn)因素、預(yù)測(cè)模型研究現(xiàn)狀，對(duì)預(yù)測(cè)模型的驗(yàn)證方法、各模型間的預(yù)測(cè)性能進(jìn)行比較，旨在為構(gòu)建更 精準(zhǔn)的糖尿病視網(wǎng)膜病變風(fēng)險(xiǎn)預(yù)測(cè)模型提供參考。

關(guān)鍵詞糖尿病視網(wǎng)膜病變；影響因素；預(yù)測(cè)模型；綜述

doi：10.12102/j.issn.1009-6493.2025.13.027

糖尿病視網(wǎng)膜病變（diabeticretinopathy，DR）是糖尿病的主要微血管并發(fā)癥之一。預(yù)計(jì)到2030年，全球成人糖尿病視網(wǎng)膜病變?nèi)藬?shù)將增加 25.9% ，達(dá)到1.2984億人；到2045年，將增加 55.6% ，達(dá)到1.6050億人[]。失明作為糖尿病視網(wǎng)膜病變最嚴(yán)重的結(jié)果，嚴(yán)重影響病人的生活質(zhì)量，同時(shí)給病人家庭和社會(huì)帶來了沉重的經(jīng)濟(jì)負(fù)擔(dān)。此外，糖尿病視網(wǎng)膜病變也導(dǎo)致大血管并發(fā)癥發(fā)生率增加，是心血管疾病和心血管死亡率上升的獨(dú)立危險(xiǎn)因素[2。由于糖尿病視網(wǎng)膜病變的進(jìn)展緩慢，初期時(shí)病人常無明顯癥狀，到就診時(shí)已經(jīng)出現(xiàn)嚴(yán)重視力下降，因此早期診斷早期干預(yù)極為重要。而糖尿病視網(wǎng)膜病變的診斷主要通過眼底照相、直接或間接眼底鏡檢查、熒光素眼底血管造影術(shù)等，這些眼底成像設(shè)備都比較昂貴且需要專業(yè)的眼科醫(yī)生協(xié)助診治，但我國(guó)眼科醫(yī)師極為匱乏，經(jīng)濟(jì)欠發(fā)達(dá)地區(qū)的醫(yī)療設(shè)備落后，不能滿足龐大的醫(yī)療需求[3]。隨著精準(zhǔn)醫(yī)療模式的大力推廣，風(fēng)險(xiǎn)預(yù)測(cè)模型在臨床實(shí)踐、臨床指南、流行病學(xué)、個(gè)人或社會(huì)等方面得到廣泛應(yīng)用[4]。研究表明，利用臨床預(yù)測(cè)模型可減少糖尿病視網(wǎng)膜病變的篩查次數(shù)[5。因此，建立更加簡(jiǎn)單、有效的風(fēng)險(xiǎn)預(yù)測(cè)模型是糖尿病視網(wǎng)膜病變防治的重要手段。

1糖尿病視網(wǎng)膜病變的危險(xiǎn)因素

糖尿病病程、高血糖、高血壓、高血脂、尿微量白蛋白、糖化血紅蛋白是公認(rèn)的糖尿病視網(wǎng)膜病變的主要危險(xiǎn)因素[6-10]。生物標(biāo)志物方面，如收縮壓、空腹血糖和低密度脂蛋白膽固醇（LDL-C）與糖尿病視網(wǎng)膜病變相關(guān)[1]。1998年，Thompson等[12-13]發(fā)現(xiàn)，促黃體生成素受體（LHR）基因是糖尿病視網(wǎng)膜病變的危險(xiǎn)因素。隨后，我國(guó)學(xué)者證實(shí)血清促黃體生成素是男性糖尿病視網(wǎng)膜病變的獨(dú)立危險(xiǎn)因素[9]，這為預(yù)測(cè)男性糖尿病視網(wǎng)膜病變提供了參考。睡眠質(zhì)量差以及在黑暗的環(huán)境中，外層視網(wǎng)膜耗氧增加，導(dǎo)致視網(wǎng)膜氧張力曲線急劇下降，視網(wǎng)膜缺氧加劇，并刺激血管內(nèi)皮生長(zhǎng)因子的過度產(chǎn)生，促進(jìn)糖尿病視網(wǎng)膜病變發(fā)生[14-15]。其他影響因素還包括社會(huì)經(jīng)濟(jì)地位[16、使用胰島素、三酰甘油（TG）腰臀比[10]單核細(xì)胞/高密度脂蛋白膽固醇比值等[17]。

2 糖尿病視網(wǎng)膜病變風(fēng)險(xiǎn)預(yù)測(cè)模型的研究現(xiàn)狀

2.1Logistic回歸模型

Logistic為非線性概率性預(yù)測(cè)模型，能夠研究分類觀察結(jié)果和協(xié)變量之間的多變量分析方法[18]。鄭志等[19通過回顧性分析4291例2型糖尿病病人進(jìn)行

Logistic回歸分析最終納入年齡、糖尿病病程、收縮壓、尿素、氯、鎂、24h尿蛋白定量等為危險(xiǎn)因素構(gòu)建糖尿病視網(wǎng)膜病變模型，結(jié)果顯示，模型敏感度為0.669，特異度為0.666，受試者工作特征下曲線下面積（AUC）為0.722，區(qū)分度較好；且驗(yàn)證組敏感度為0.638，特異度為0.648，AUC為0.683，具有一定的預(yù)測(cè)效力，可以為糖尿病視網(wǎng)膜病變的預(yù)防和篩查提供依據(jù)。王超杰等[20通過分析3000例2型糖尿病病人的血液指標(biāo)，納入的危險(xiǎn)因素包括堿性磷酸酶、間接膽紅素、總蛋白、球蛋白、低密度脂蛋白膽固醇、血尿素、血紅蛋白、糖化血紅蛋白、空腹C肽、紅細(xì)胞比積測(cè)定，構(gòu)建的預(yù)測(cè)模型的AUC為0.737，預(yù)測(cè)性能較好，但該研究沒有進(jìn)行外部驗(yàn)證，且沒有報(bào)告靈敏度和特異度，因此對(duì)模型的準(zhǔn)確性及推廣應(yīng)用仍需考證。還有研究將微靜脈迂曲度添加到糖尿病視網(wǎng)膜病變風(fēng)險(xiǎn)預(yù)測(cè)模型中，結(jié)果顯示C統(tǒng)計(jì)量為 0.640^[21] ，可見視網(wǎng)膜靜脈曲折度增加和分形維數(shù)減小與糖尿病視網(wǎng)膜病變有關(guān)，為未來構(gòu)建更精準(zhǔn)的預(yù)測(cè)模型提供了新的生物標(biāo)志物。Logistic回歸模型輸出的是一個(gè)概率值，這使得預(yù)測(cè)結(jié)果更加直觀易懂，但目前研究多為未進(jìn)行外部驗(yàn)證，仍需前瞻性多中心、大樣本數(shù)據(jù)進(jìn)行驗(yàn)證。

2.2 列線圖預(yù)測(cè)模型

列線圖是通過多因素回歸分析得出各個(gè)影響因素對(duì)結(jié)局變量的影響程度，構(gòu)建列線圖并評(píng)估其預(yù)測(cè)能力，在醫(yī)學(xué)上診斷或預(yù)測(cè)疾病發(fā)生發(fā)展與后果等的統(tǒng)計(jì)學(xué)預(yù)測(cè)模型[22]。Li等[23]回顧性分析2010—2019年新疆13980例2型糖尿病病人，納入糖尿病周圍神經(jīng)病變、年齡、中性粒細(xì)胞、高密度脂蛋白、血紅蛋白、糖尿病持續(xù)時(shí)間和糖化血清蛋白等因素建立糖尿病視網(wǎng)膜病變風(fēng)險(xiǎn)列線圖預(yù)測(cè)模型，結(jié)果顯示建模組AUC為0.882，最佳診斷臨界點(diǎn)為0.528，特異度為0.879，靈敏度為0.779。對(duì)列線圖進(jìn)行Bootstrapping驗(yàn)證，AUC為0.870，特異度為0.848，靈敏度為0.804；驗(yàn)證組的AUC值僅比建模組低0.012，證明該模型有較好的預(yù)測(cè)效能。但該研究只納人了我國(guó)西部地區(qū)的病人，可能會(huì)存在選擇偏倚，仍需與其他地區(qū)合作開展更廣泛、更深入的驗(yàn)證。Yang等24研究了5所三級(jí)醫(yī)院收治的4159例糖尿病病人進(jìn)行多中心研究，最終納入糖尿病病程、高血壓史和心血管疾病3個(gè)預(yù)測(cè)因子，構(gòu)建的預(yù)測(cè)模型的AUC內(nèi)部驗(yàn)證為0.715，外部驗(yàn)證為0.703；該研究還開發(fā)了網(wǎng)絡(luò)平臺(tái)用于計(jì)算糖尿病病人糖尿病視網(wǎng)膜病變的發(fā)生概率。Mo等25基于上海社區(qū)4170例2型糖尿病病人構(gòu)建糖尿病視網(wǎng)膜病變風(fēng)險(xiǎn)預(yù)測(cè)模型列線圖，最終納入的因素包括年齡、糖尿病病程、收縮壓、餐后2小時(shí)血糖（2hPBG）、糖化血紅蛋白（HbA1c）、尿肌酐比值（UCR）和尿微量白蛋白（UMA）；建模組AUC為0.700，驗(yàn)證組為0.715。楊洪燕等2選取5900例2型糖尿病病人，納入包括糖化白蛋白、乳酸脫氫酶、腰圍、糖尿病病程、糖尿病神經(jīng)病變、糖尿病腎病和降糖藥物使用情況等因素構(gòu)建列線圖預(yù)測(cè)模型，模型C統(tǒng)計(jì)量為0.816，特異度為0.784，靈敏度為0.700；驗(yàn)證組的特異度和靈敏度分別為0.822和0.827，該模型具有中等預(yù)測(cè)能力。在糖尿病視網(wǎng)膜病變預(yù)測(cè)中，列線圖可以整合病人的臨床特征和視網(wǎng)膜結(jié)構(gòu)指標(biāo)預(yù)測(cè)發(fā)生風(fēng)險(xiǎn)，并通過圖形化的方式直觀地展示了預(yù)測(cè)結(jié)果，便于臨床醫(yī)生和病人理解和使用。

2.3基于機(jī)器學(xué)習(xí)法的預(yù)測(cè)模型

2.3.1 隨機(jī)森林模型

隨機(jī)森林由Breiman等2在20O1年提出，實(shí)質(zhì)是多個(gè)決策樹的集成分類器，隨機(jī)森林的輸出類別主要由部分決策樹輸出類別的眾數(shù)決定，通過使用多樣化的分類器來分析問題的不同方面，提高單個(gè)分類器的性能。Guo等[28]對(duì)1130例病人進(jìn)行隊(duì)列研究，開發(fā)并比較Cox比例風(fēng)險(xiǎn)、向后選擇的Cox、LASSO回歸的Cox和隨機(jī)生存森林4種模型在預(yù)測(cè)糖尿病視網(wǎng)膜病變進(jìn)展的性能，結(jié)果顯示隨機(jī)生存森林外部驗(yàn)證表現(xiàn)最佳，C統(tǒng)計(jì)量為0.76。該研究提出保險(xiǎn)次數(shù)、保險(xiǎn)狀況、保險(xiǎn)種類對(duì)糖尿病視網(wǎng)膜病變的預(yù)測(cè)作用，但納入研究的白人較多，且生命體征和實(shí)驗(yàn)室的數(shù)據(jù)缺失比例高，未來需要其他醫(yī)療中心進(jìn)行進(jìn)一步驗(yàn)證，并進(jìn)一步研究這些預(yù)測(cè)因子的臨床實(shí)用性。還有研究使用隨機(jī)森林將肌酐、脂質(zhì)治療、腎小球?yàn)V過率、腰臀比、總膽固醇和高密度脂蛋白作為危險(xiǎn)因素建模，結(jié)果顯示預(yù)測(cè)模型的AUC為0.69，敏感度為0.6422，特異度為0.6169[29]。隨機(jī)森林算法通過大量隨機(jī)選擇樣本的方法平衡了樣本誤差的影響，對(duì)由此產(chǎn)生的大量不同測(cè)試數(shù)據(jù)進(jìn)行分類綜合評(píng)價(jià)，較僅以單個(gè)測(cè)試樣本進(jìn)行擬合的Logistic回歸結(jié)果更為可靠，但其對(duì)影響因素的解釋較為模糊，無法給出影響因素相對(duì)危險(xiǎn)度的估計(jì)值以及作用的方向性。

2.3.2 極端梯度提升（XGBoost）模型

XGBoost由Chen等[30]于2016年提出，是一種基于決策樹的非連續(xù)參數(shù)估計(jì)，使用損失函數(shù)的負(fù)梯度作為當(dāng)前擬合的殘差值，以實(shí)現(xiàn)準(zhǔn)確的分類效果。Li等[31提取32452例2型糖尿病住院病人的數(shù)據(jù)，選取年齡、空腹血糖、糖化血糖蛋白等17個(gè)變量構(gòu)建XGBoost預(yù)測(cè)模型，并將其與Logistic回歸、隨機(jī)森林和支持向量機(jī)進(jìn)行比較，結(jié)果顯示XGBoost模型的AUC值為0.90，靈敏度為0.70，特異度為0.90，其性能最佳；且該研究發(fā)現(xiàn)HbA1c是糖尿病視網(wǎng)膜病變最重要的危險(xiǎn)因素，且腎病、血清肌酐值高于 100μmol/L 、胰島素治療和糖尿病下肢動(dòng)脈疾病是預(yù)測(cè)糖尿病視網(wǎng)膜病變的關(guān)鍵因子。Zhao等[32回顧性收集了2010—2018年住院的7943例2型糖尿病病人的臨床特征，構(gòu)建并比較隨機(jī)森林、XGBoost、Logistic回歸、支持向量機(jī)、K鄰近法5種預(yù)測(cè)模型，結(jié)果顯示XGBoost模型的AUC、準(zhǔn)確度、靈敏度和特異度分別為 0.803，0.889，0.740 和0.811，可用于預(yù)測(cè)10年內(nèi)每個(gè)時(shí)間點(diǎn)的糖尿病視網(wǎng)膜病變發(fā)生；且血清尿酸、低密度脂蛋白膽固醇、總膽固醇、估計(jì)腎小球?yàn)V過率和三酰甘油5個(gè)危險(xiǎn)因素被認(rèn)為是糖尿病視網(wǎng)膜病變的重要指標(biāo)。張夢(mèng)纖等[33]研究分別使用LightGBM、XGBoost、隨機(jī)森林、支持向量機(jī)、K最近鄰法及邏輯回歸6種機(jī)器學(xué)習(xí)構(gòu)建糖尿病視網(wǎng)膜病變進(jìn)展的風(fēng)險(xiǎn)預(yù)測(cè)模型，發(fā)現(xiàn)XGBoost模型的預(yù)測(cè)效能最好，其AUC值為0.889，靈敏度為0.811，特異度為0.803，精確度為0.804；根據(jù)XGBoost模型輸出糖尿病視網(wǎng)膜病變發(fā)生的危險(xiǎn)因素依次是HbAlc、糖尿病病程、年齡、空腹血糖、血清尿酸（SUA）腎小球?yàn)V過率（eGFR） .γ 谷氨酰轉(zhuǎn)移酶（ γ_γ-GT ）總膽固醇（TC）、LDL-C、高密度脂蛋白膽固醇（HDL-C）。XGBoost模型通過在目標(biāo)函數(shù)中引入正則化項(xiàng)避免過擬合，從而在保留所有特征的同時(shí)降低特征的數(shù)量級(jí)，從而為2型糖尿病病人的治療和管理提供更有針對(duì)性的建議。且XGBoost提供了一種直觀的方法來評(píng)估特征的重要性，這有助于理解哪些因素對(duì)糖尿病視網(wǎng)膜病變的影響最大。通過特征重要性分析，可以識(shí)別出關(guān)鍵的病變特征和風(fēng)險(xiǎn)因素，為臨床診斷和治療提供決策支持。

2.3.3 支持向量機(jī)

支持向量機(jī)最早于1995年提出，是按監(jiān)督學(xué)習(xí)方式對(duì)數(shù)據(jù)進(jìn)行二元分類的廣義線性分類器，其核心是找到導(dǎo)致超平面最好地分離類的系數(shù)，區(qū)分同一類別的樣本從而解決線性可分問題[34]。有研究通過支持向量機(jī)器學(xué)習(xí)軟件分析1001例病人的眼底圖像，發(fā)現(xiàn)構(gòu)建模型的AUC為0.934，敏感度為0.849，特異度為0.899，陽性預(yù)測(cè)值和陰性預(yù)測(cè)值分別為0.921和0.810^[35] 。說明支持向量機(jī)有良好的預(yù)測(cè)能力，但在推廣應(yīng)用時(shí)需進(jìn)行進(jìn)一步臨床測(cè)試。在糖尿病視網(wǎng)膜病變的預(yù)測(cè)中，支持向量機(jī)能夠準(zhǔn)確地區(qū)分正常眼底圖像和糖尿病視網(wǎng)膜病變圖像，為疾病的早期發(fā)現(xiàn)和診斷提供有力支持。

2.3.4 決策樹

決策樹是通過對(duì)已知分類結(jié)果的樣本的多個(gè)屬性進(jìn)行系統(tǒng)學(xué)習(xí)，獲得一組有效的分類規(guī)則[36]。Zhou等[7研究納人1654例2型糖尿病病人構(gòu)建臨床糖尿病視網(wǎng)膜病變決策樹模型，主要危險(xiǎn)因素包括糖尿病病程、慢性腎病分期、仰臥位收縮壓、站立位收縮壓和體質(zhì)指數(shù)，該模型可以幫助缺乏檢眼鏡等相關(guān)糖尿病視網(wǎng)膜病變檢測(cè)方法的基層醫(yī)務(wù)人員為2型糖尿病病人糖尿病視網(wǎng)膜病變發(fā)生風(fēng)險(xiǎn)做出更有效的臨床預(yù)測(cè)。在使用決策樹進(jìn)行預(yù)測(cè)時(shí)，不需要對(duì)數(shù)據(jù)進(jìn)行復(fù)雜的歸一化處理，這簡(jiǎn)化了數(shù)據(jù)預(yù)處理的過程，降低了模型構(gòu)建的復(fù)雜度。但決策樹模型對(duì)數(shù)據(jù)的微小變化非常敏感，這意味著在不同的訓(xùn)練集上可能會(huì)得到完全不同的決策樹模型，從而影響模型的穩(wěn)定性和可靠性。

2.3.5 LASSO回歸模型

Oh等[38在預(yù)測(cè)糖尿病視網(wǎng)膜病變發(fā)生風(fēng)險(xiǎn)的研究中納人了韓國(guó)490例病人的臨床資料，包括年齡、性別、吸煙史、飲酒史、腰圍、體質(zhì)指數(shù)、體育鍛煉情況、用藥史、血壓，使用LASSO回歸模型聯(lián)合貝葉斯信息準(zhǔn)則評(píng)估模型，結(jié)果顯示其AUC值、準(zhǔn)確度、靈敏度和特異度分別為0.81，0.736，0.774和0.727。LASSO回歸模型在預(yù)測(cè)糖尿病視網(wǎng)膜病變方面具有變量選擇能力強(qiáng)、提高模型解釋性、防止過擬合和靈活性等優(yōu)點(diǎn)；但同時(shí)也存在對(duì)入的選擇敏感、計(jì)算復(fù)雜度高、可能忽略重要變量和非線性關(guān)系處理有限等缺點(diǎn)。

2.4Stacking模型

Stacking是一種強(qiáng)大的算法，采用上一層學(xué)習(xí)器的輸出訓(xùn)練下一層的學(xué)習(xí)器的策略得到最優(yōu)結(jié)果[39]。沈夢(mèng)思等40利用3000條病人的體檢數(shù)據(jù)對(duì)Logistic回歸、支持向量機(jī)和3個(gè)集成學(xué)習(xí)分類器（XGBoost、Lightgbm、Catboost）進(jìn)行參數(shù)優(yōu)化，提出下肢動(dòng)脈病變、膽道疾病、腫瘤標(biāo)志物和肝功能水平可能是糖尿病視網(wǎng)膜病變的危險(xiǎn)因素，并利用Stacking構(gòu)建糖尿病視網(wǎng)膜病變預(yù)測(cè)模型，結(jié)果顯示其AUC值為0.866，準(zhǔn)確率為0.787，精確率為0.807，構(gòu)建的2型糖尿病視網(wǎng)膜病變風(fēng)險(xiǎn)預(yù)測(cè)模型的預(yù)測(cè)效果排序?yàn)椋篠tacking模型 gt; Catboostgt;Lightgbm gt; XGBoostgt;支持向量機(jī) gt; Logistic回歸。該模型為2型糖尿病視網(wǎng)膜病變的個(gè)性化診斷和輔助決策提供依據(jù)。申思源等41運(yùn)用3000例病人的87項(xiàng)生化數(shù)據(jù)，以Logistic回歸和支持向量機(jī)為初級(jí)分類器，以隨機(jī)森林模型為次級(jí)分類器，運(yùn)用Stacking原理進(jìn)行融合，其AUC為O.877，準(zhǔn)確率為0.803，精確度為0.758，召回率為0.864。相較于單一預(yù)測(cè)模型，組合模型的預(yù)測(cè)能力更強(qiáng)。

2.5 Cox回歸模型

有研究基于5034例2型糖尿病病人進(jìn)行評(píng)估，納入糖尿病持續(xù)時(shí)間、糖化血紅蛋白、收縮壓、男性、白蛋白尿和除飲食以外的糖尿病治療為危險(xiǎn)因素構(gòu)建Cox回歸模型，結(jié)果顯示該模型可預(yù)測(cè)未來1～4年內(nèi)糖尿病視網(wǎng)膜病變的發(fā)生風(fēng)險(xiǎn)[42]。Yian等[43]基于多中心回顧性分析1563例2型糖尿病病人，COX回歸顯示血糖控制不佳、病程 ?10 年是糖尿病視網(wǎng)膜病變的預(yù)測(cè)因素。Basu等44基于9635例病人的臨床數(shù)據(jù)，構(gòu)建Cox模型開發(fā)2型糖尿病微血管和心血管并發(fā)癥預(yù)測(cè)模型，結(jié)果顯示C統(tǒng)計(jì)量?jī)?nèi)部驗(yàn)證為 0.55～0.84 ，外部驗(yàn)證為 0.57～0.79 ，該模型的開發(fā)和驗(yàn)證都使用了隨機(jī)臨床試驗(yàn)的數(shù)據(jù)，增強(qiáng)了模型的內(nèi)部有效性。雖然Cox回歸模型能夠提供協(xié)變量對(duì)糖尿病視網(wǎng)膜病變發(fā)生風(fēng)險(xiǎn)的影響程度，但其解釋性可能受到限制，特別是當(dāng)協(xié)變量之間存在復(fù)雜關(guān)系時(shí)，可能難以準(zhǔn)確解釋每個(gè)協(xié)變量的獨(dú)立作用。

2.6Aspelund模型

Vivian等[45]回顧性分析405例1型糖尿病病人的臨床資料并構(gòu)建Aspelund模型，發(fā)現(xiàn)Aspelund的模型不僅有助于糖尿病視網(wǎng)膜病變篩查，而且比標(biāo)準(zhǔn)的年度篩查或2年1次的篩查更具成本效益，但需進(jìn)一步研究來驗(yàn)證Aspelund模型，以確定其在1型糖尿病病人中的實(shí)用性和安全性。

3糖尿病視網(wǎng)膜病變風(fēng)險(xiǎn)預(yù)測(cè)模型的比較

3.1構(gòu)建方法比較

從研究設(shè)計(jì)分析，有14項(xiàng)研究[19-20，23-24，26，31-，35.38，40-41，44-45]為回顧性研究，有2項(xiàng)[21，42]為前瞻性研究，有3項(xiàng)[25，37-38]為橫斷面研究，有1項(xiàng)[29]采用隨機(jī)對(duì)照試驗(yàn)，3項(xiàng)[24，28，43]采用多中心研究，其余均為單中心研究。在選擇統(tǒng)計(jì)模型方面，采用Logistic回歸構(gòu)建預(yù)測(cè)模型有3項(xiàng)[19-21]，有4項(xiàng)研究[23-26]通過列線圖呈現(xiàn)模型，列線圖具有直觀性、全面性、直接性、預(yù)測(cè)和決策支持以及易于使用等優(yōu)點(diǎn)，其能簡(jiǎn)單明了地預(yù)測(cè)個(gè)體發(fā)生糖尿病視網(wǎng)膜病變的風(fēng)險(xiǎn)。有2項(xiàng)研究[28-29]通過隨機(jī)森林呈現(xiàn)模型，隨機(jī)森林通常能夠有較高的預(yù)測(cè)準(zhǔn)確性，特別是在處理復(fù)雜數(shù)據(jù)和高維數(shù)據(jù)時(shí)表現(xiàn)出色；它通過構(gòu)建多個(gè)決策樹并集成預(yù)測(cè)結(jié)果，減少了單一決策樹可能產(chǎn)生的過擬合和欠擬合問題。有3項(xiàng)研究[31-33]構(gòu)建XGBoost模型，XGBoost能夠處理各種類型的數(shù)據(jù)，包括數(shù)值型和類別型特征，并且能夠有效地處理缺失值。從模型內(nèi)容來看，除1項(xiàng)[35]預(yù)測(cè)模型沒有納入實(shí)驗(yàn)室檢查指標(biāo)外，其余研究均納入實(shí)驗(yàn)室指標(biāo)，并且全部納入糖化血紅蛋白作為糖尿病視網(wǎng)膜病變的預(yù)測(cè)因子。

3.2糖尿病視網(wǎng)膜病變風(fēng)險(xiǎn)預(yù)測(cè)模型的驗(yàn)證方法比較

有6項(xiàng)研究[19，23.25，31，37，42]進(jìn)行了內(nèi)部驗(yàn)證，有6項(xiàng)[24，26，28.33.844]既有內(nèi)部驗(yàn)證又有外部驗(yàn)證，有5項(xiàng)[20-21，40-41，45]沒有進(jìn)行驗(yàn)證。其中3項(xiàng)研究[23-24，26]采用Bootstrap重抽樣法進(jìn)行內(nèi)部驗(yàn)證。在模型評(píng)價(jià)方面，11項(xiàng)[19，26，28，32-33，38，40-42，445]對(duì)模型的區(qū)分度和校準(zhǔn)度進(jìn)行了評(píng)價(jià)，12個(gè)模型[19，2-2，26，29，31-335，38.40-41]報(bào)告了靈敏度和特異度，17個(gè)模型 [19，21，24-26，29，31-33，35，40，42，44-45] 進(jìn)行Hosmer-Lemeshow檢驗(yàn)評(píng)估模型的一致性。

4小結(jié)

糖尿病視網(wǎng)膜病變風(fēng)險(xiǎn)預(yù)測(cè)模型納入的變量一般包括糖尿病病程、HbA1c、年齡、體質(zhì)指數(shù)等，且國(guó)內(nèi)外學(xué)者構(gòu)建糖尿病視網(wǎng)膜病變發(fā)病預(yù)測(cè)模型的方法大多采用傳統(tǒng)模型。但目前機(jī)器算法在風(fēng)險(xiǎn)預(yù)測(cè)模型構(gòu)建中已得到廣泛應(yīng)用，可進(jìn)一步開發(fā)和驗(yàn)證不同模型的性能，修正模型或增加新變量以提高模型預(yù)測(cè)性能。通過構(gòu)建風(fēng)險(xiǎn)預(yù)測(cè)模型，有助于對(duì)病人糖尿病視網(wǎng)膜病變發(fā)生風(fēng)險(xiǎn)進(jìn)行量化評(píng)估，有助于更精準(zhǔn)地預(yù)測(cè)發(fā)生風(fēng)險(xiǎn)，提高治療效果，減少不必要的醫(yī)療資源浪費(fèi)。

參考文獻(xiàn)：

[1]劉雪立.全球糖尿病視網(wǎng)膜病變患病率和2045年負(fù)擔(dān)預(yù)測(cè)——美 國(guó)眼科學(xué)會(huì)報(bào)告要點(diǎn)摘編[J].眼科新進(jìn)展，2024，44（1）：80-81.

[2]PEARCE I，SIMO R，LOVESTAM-ADRIAN M，et al. Association between diabeticeyediseaseandothercomplicationsof diabetes：implications for care.A systematic review[J].Diabetes， Obesityamp;Metabolism，2019，21（3）：467-478.

[3]蔣鈺.OFD1基因突變病例報(bào)道及2型糖尿病視網(wǎng)膜病變危險(xiǎn)因素 分析與模型建立[D].蘇州：蘇州大學(xué)，2021.

[4]張蕊，鄭黎強(qiáng)，潘國(guó)偉.疾病發(fā)病風(fēng)險(xiǎn)預(yù)測(cè)模型的應(yīng)用與建立[J].中 國(guó)衛(wèi)生統(tǒng)計(jì)，2015，32（4）：724-726.

[5] ASPELUNDT，THORNORISDOTTIRO，OLAFSDOTTIRE， et al.Individual risk assessment and information technology to optimise screening frequency for diabetic retinopathy[J].Diabetologia， 2011，54（10）：2525-2532.

[6]YAU JW Y，ROGERS SL，KAWASAKIR，et al.Global prevalence and major risk factors of diabetic retinopathy[J].Diabetes Care，2012，35（3）：556-564.

[7]WONGTY，CHEUNGN，TAYWT，etal.Prevalenceandrisk factors for diabetic retinopathy the Singapore Malay eye study[J]. Ophthalmology，2008，115（11）：1869-1875.

[8]TANGS，GANA，SABANAYAGAMC，etal.Ethnic differences inthe prevalence and risk factors of diabetic retinopathy the Singapore epidemiology of eye diseases study[J]. Ophthalmology， 2018，125（4）：529-536.

[y」SUN Q MI，JING I L，ZIIANG D J，et al.Ine rISK IaCtOrs IOI diabetic retinopathy in a Chinese population：a cross-sectional study [J].Journal of Diabetes Research，2021，2021：5340453.

[10]陳佳賢，萬亞男，蘇健，等.2型糖尿病視網(wǎng)膜病變影響因素的巢式 病例對(duì)照研究[J].中華疾病控制雜志，2022，26（3）：269-273.

[11]朱夏媛，吳浩，葛彩英，等.社區(qū)2型糖尿病視網(wǎng)膜病變風(fēng)險(xiǎn)預(yù)測(cè) 模型的構(gòu)建與驗(yàn)證[J].中國(guó)全科醫(yī)學(xué)，2020，23（6）：712-715.

[12]THOMPSON D A，OTHMAN M I，LEI Z，et al.Localization of receptors for luteinizing hormone/chorionic gonadotropin in neural retina[J].Life Sciences，1998，63（12）：1057-1064.

[13] DUKIC-STEFANOVIC S，WALTHER J，WOSCH S，et al. Chorionic gonadotropin and its receptor are both expressed in human retina，possible implications in normal and pathological conditions[J].PLoS One，2012，7（12）：e52567.

[14]LINSENMEIER R A.Effects of light and darkness on oxygen distribution and consumption in the cat retina[J]. The Journal of General Physiology，1986，88（4）：521-542.

[15]RAMSEY D J，ARDEN G B.Hypoxia and dark adaptation in diabetic retinopathy：interactions，consequences，and therapy[J]. Current Diabetes Reports，2015，15（12）：118.

[16]LOW JR，GAN A T L，F(xiàn)ENWICK E K，et al.Role of socio-economic factors in visual impairment and progression of diabetic retinopathy [J].British Journal of Ophthalmology，2021，105（3）：420-425.

[17]曹書義，劉婕，付留俊，等.2型糖尿病患者單核細(xì)胞/高密度脂蛋 白膽固醇比值與糖尿病視網(wǎng)膜病變相關(guān)性的研究[J].中國(guó)糖尿病 雜志，2023，31（10）：735-740.

[18]YU F F，LIU H，GUO X. Integrative multivariate logistic regression analysis of risk factors for kashin-beck disease[J]. Biological Trace ElementResearch，20l6，174（2）：274-279.

[19]王韞智.2型糖尿病視網(wǎng)膜病變風(fēng)險(xiǎn)預(yù)測(cè)模型的建立及干預(yù)[D]. 上海：上海交通大學(xué)，2019.

[20]王超杰，劉甜甜，劉琪，等.基于Logistic回歸及ROC曲線的糖尿 病視網(wǎng)膜病變的血液指標(biāo)危險(xiǎn)因素分析[J].中國(guó)中醫(yī)眼科雜志， 2020，30（8）：548-553.

[21]FORSTERRB，GARCIAE S，SLUIMANAJ，etal.Retinal venular tortuosityand fractal dimension predict incident retinopathy in adults with type 2 diabetes：the Edinburgh type 2 diabetes study [J].Diabetologia，2021，64（5）：1103-1112.

[22]惠延年.統(tǒng)計(jì)學(xué)預(yù)測(cè)模型列線圖在眼科的應(yīng)用[J].國(guó)際眼科雜志， 2023，23（7）：1061-1063.

[23] LIY S，LIC，ZHAO S，et al.Nomogram for prediction of diabetic retinopathy among type2 diabetes population in Xinjiang，China[J]. Diabetes，Metabolic Syndrome and Obesity，2022，15：1077-1089.

[24]YANG YZ，TANJT，HE YX，et al.Predictive model for diabetic retinopathy under limited medical resources：a multicenter diagnostic study[J].Frontiers in Endocrinology，2023，13：1099302.

[25]MORH，SHI R，HU Y H，et al.Nomogram-based prediction of the risk of diabetic retinopathy：a retrospective study[J].Journal of DiabetesResearch，2020，2020：7261047.

[26]楊洪燕，夏淼，劉贊朝，等.2型糖尿病視網(wǎng)膜病變臨床預(yù)測(cè)模型的 構(gòu)建與評(píng)價(jià)[J].中國(guó)慢性病預(yù)防與控制，2023，31（1）：2-7.

[27]BREIMAN L.Random forests[J].Machine Learning，2001，45（1）： 5-32.

[28]GUO Y A，YONAMINE S，MA C J，et al. Developing and validating models to predict progression to proliferative diabetic retinopathy[J].Ophthalmology Science，2023，3（2）：100276.

[29]MAEDA-GUTIERREZV，GALVAN-TEJADA CE，CRUZ M， retinopathy[J].Journal ofPersonalized Medicine，2O21，11（12）：1327.

[30] CHEN T Q，GUESTRIN C.XGBoost： a scalable tree boosting system[C]//Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.San Francisco California：ACM，2016：785-794.

[31]LI W Y，SONG Y N，CHEN K，et al.Predictive model and risk analysisfor diabetic retinopathy using machine learning：a retrospective cohort study in China[J].BMJ Open，2O21，11（11）： e050989.

[32] ZHAO Y D，LI X Y，LI S，et al.Using machine learning techniques to develop risk prediction models for the risk of incident diabetic retinopathy among patients with type 2 diabetes mellitus：a cohort study[J].Frontiers in Endocrinology，2022，13：876559.

[33]張夢(mèng)纖.基于醫(yī)療大數(shù)據(jù)及人工智能的糖尿病視網(wǎng)膜病變的預(yù)測(cè) 模型研究[D].大連：大連醫(yī)科大學(xué)，2022.

[34]韋哲，張宇剛，石棟棟，等.基于網(wǎng)格搜索與交叉驗(yàn)證的支持向量 機(jī)糖尿病并發(fā)癥診斷預(yù)測(cè)[J].中國(guó)醫(yī)學(xué)裝備，2020，17（8）：8-11.

[35]NISSEN T P H，NORGAARD T L，SCHIELKE K C，et al. Performance of a support vector machine learning tool for diagnosing diabetic retinopathy in clinical practice[J].Journal of Personalized Medicine，2023，13（7）：1128.

[36]PARKY M，LEE B J.Machine learning-based prediction model using clinico-pathologic factors for papillary thyroid carcinoma recurrence[J].Scientific Reports，2021，11（1）：4948.

[37]ZHOUYY，ZHOU TC，CHENN，et al.Risk factor analysis and clinical decision tree model construction for diabetic retinopathy in Wester China[J]. World Journal of Diabetes，2022，13（1）： 986- 1000.

[38]OH E，YOO T K，PARK EC.Diabetic retinopathy risk prediction for fundus examination using sparse learning： a cross-sectional study[J].BMC Medical Informatics and Decision Making，2013， 13：106.

[39]魏夢(mèng)君.基于Stacking 融合模型的個(gè)人信貸信用風(fēng)險(xiǎn)識(shí)別[D].廣 州：暨南大學(xué)，2020.

[40]沈夢(mèng)思.基于機(jī)器學(xué)習(xí)的2型糖尿病視網(wǎng)膜病變風(fēng)險(xiǎn)預(yù)測(cè)模型研 究[D].秦皇島：燕山大學(xué)，2021.

[41]申思源，羅冬梅.糖尿病視網(wǎng)膜病變的風(fēng)險(xiǎn)揭示與關(guān)鍵因素分析 [J].中國(guó)醫(yī)學(xué)物理學(xué)雜志，2022，39（6）：783-787.

[42] SEMERARO F，PARRINELLO G，CANCARINI A，et al. Predicting the risk of diabetic retinopathy in type 2 diabetic patients [J].Journal of Diabetes and Its Complications，20l1，25（5）：292-297.

[43]SAIYEDNS，YAGOUBU，AL QAHTANIB，et al.Risk factors of microvascular complications among type 2 diabetic patients using cox proportional hazards models： a cohort study in tabuk Saudi Arabia[J].Journal of Multidisciplinary Healthcare，2022，15： 1619-1632.

[44]BASU S，SUSSMAN JB，BERKOWITZ S A，et al.Development and validation of Risk Equations for Complications of Type 2 Diabetes（RECODe） using individual participant data from randomised trials[J].The Lancet Diabetes amp; Endocrinology，2017，5 （10）：788-798.

[45]SCHREURV，NGH，NIJPELSG，etal.Validation of a model for the prediction of retinopathy in persons with type1 diabetes[J]. British Journal of Ophthalmology，2021，105（9）：1286-1288. （收稿日期：2024-05-02;修回日期：2025-06-12）