《Frontiers in Nutrition》:A nomogram incorporating nutritional risk for predicting 31-day unplanned readmission in adults with type 2 diabetes mellitus using LASSO regression
编辑推荐:
摘要专业翻译
目的: 构建并验证一个融合营养风险的列线图,用于预测2型糖尿病(T2DM)患者31天非计划再入院。
方法: 这项回顾性研究纳入了1,627例T2DM患者。研究人员在训练集(n = 1,139)上使用最小绝对收缩和选择算子(LASSO)回归构建列线
摘要专业翻译
目的: 构建并验证一个融合营养风险的列线图,用于预测2型糖尿病(T2DM)患者31天非计划再入院。
方法: 这项回顾性研究纳入了1,627例T2DM患者。研究人员在训练集(n = 1,139)上使用最小绝对收缩和选择算子(LASSO)回归构建列线图,并在内部留出集(n = 488)上进行验证。预测变量从人口学、生活方式、临床及营养参数中筛选。模型性能通过受试者工作特征(ROC)曲线、校准图和决策曲线分析(DCA)进行评估。
结果: 31天非计划再入院率为18.50%。共识别出6个预测因子:吸烟史、2型糖尿病患者外周血管疾病(PVD in T2DM)、糖尿病病程、糖化血红蛋白(HbA1c)、营养风险及中性粒细胞与淋巴细胞比值(NLR)。该列线图在训练集(AUC = 0.846;95% CI:0.814–0.878)和内部留出集(AUC = 0.817;95% CI:0.761–0.873)中均表现出良好的区分度,且校准结果可接受。
结论: 在这项单中心回顾性队列研究中,该列线图通过整合临床、代谢、炎症和营养维度,展现出预测T2DM患者31天非计划再入院的潜力。入院时常规营养风险评估可能有助于识别高危个体;然而,在临床应用前,仍需在地理和时间上多样化的群体中进行外部验证。
论文解读
一、研究背景与目的
糖尿病在全球范围内的患病率持续上升,预计到2045年将接近8亿。中国是全球糖尿病患病率增长最快和死亡率最高的国家之一,其中2型糖尿病(T2DM)患者占所有糖尿病患者的90.0%。长期高血糖可导致肾脏、眼部和神经等多系统并发症,加重疾病负担。2024年,全球糖尿病相关医疗支出首次超过1万亿美元,中国糖尿病医疗费用占全球总支出的16.6%。
T2DM患者普遍存在营养问题。荟萃分析显示,糖尿病患者中营养不良患病率为33%,存在营养风险的比例高达44%。多种微量营养素缺乏在T2DM患者中也较为常见,影响约45.3%的患者,最常见的是维生素D(60.45%)和镁(41.95%)缺乏。这些营养紊乱与不良临床结局相关,包括住院和再住院风险增加。
糖尿病患者常因相关并发症需要住院治疗。不同地区和研究中30天再入院率差异较大,从11.00%到36.00%不等。再入院给患者带来巨大的疾病负担和经济压力。值得注意的是,营养不良已被确定为慢性病患者短期不良结局(包括再入院)的强独立预测因子。然而,住院T2DM患者的营养风险筛查并未常规开展,部分原因在于筛查工具缺乏共识以及对其临床相关性重视不足。现有糖尿病患者再入院预测模型数量有限,且多依赖管理数据或单一临床参数,专门纳入营养风险指标用于非计划再入院预测的模型更为罕见。2011年,中国将31天非计划再入院纳入医院质量管理与控制指标。因此,本研究旨在通过LASSO回归整合营养、免疫和内分泌指标,构建成人T2DM患者31天非计划再入院的预测模型,以促进早期识别和针对性干预。
二、研究设计与方法
这是一项单中心回顾性研究,纳入2024年1月至12月在长沙市中心医院住院的T2DM患者。纳入标准为:根据中国糖尿病防治指南(2024年版)确诊为T2DM;年龄≥18岁;数据记录完整。排除标准包括:再入院原因非T2DM或其相关并发症、计划性再入院、病历信息缺失、妊娠、恶性肿瘤或数据不完整。经排除后,最终获得1,627例患者的完整数据集。
数据来源于电子病历系统、实验室信息系统和移动护理系统,收集的信息包括社会人口学特征、生活方式与行为因素(如吸烟和饮酒)、入院时使用营养风险筛查2002(NRS 2002)工具评估的营养风险,以及相关临床数据。再入院事件通过电子病历系统再入院统计表和出院后1个月内护士常规电话随访记录两个互补来源进行回顾性识别。两名专科医师独立审查所有潜在再入院事件,判定是否为非计划且与上次住院相关,分歧由高年资主治医师讨论解决,评估者间一致性k = 0.92(95% CI:0.87–0.97)。
主要终点为出院后31天内非计划再入院。统计分析使用R软件(4.3.2版)和STATA(13.1版)。使用set.seed(123)设置随机种子,将总样本按7:3比例随机分为训练集(n = 1,139)和内部留出集(n = 488)。首先对所有36个候选预测变量应用LASSO回归,使用10折交叉验证根据一标准误规则(λ?se)选择惩罚参数λ。随后将筛选出的变量重新拟合为多变量Logistic回归模型,获得回归系数和比值比(OR),并据此绘制列线图。模型区分能力通过ROC曲线评估。仅对训练集应用Bootstrap重采样(B = 1,000次)获得乐观校正后的性能指标。内部留出集不参与Bootstrap过程,仅用于最终评估。校准曲线用于可视化评估预测概率与实际观测频率之间的一致性,Hosmer-Lemeshow拟合优度检验作为补充评估。决策曲线分析(DCA)用于评估模型的临床效用。
三、研究结果
非计划再入院率: 共纳入1,627例T2DM患者,其中301例(18.50%)在出院后31天内经历了非计划再入院。
训练集两组患者特征: 在训练集中,两组患者在职业、吸烟、2型糖尿病肾病(DN in T2DM)、2型糖尿病视网膜病变(DR in T2DM)、2型糖尿病外周血管疾病(PVD in T2DM)、营养风险、糖尿病病程、糖化血红蛋白(HbA1c)和中性粒细胞与淋巴细胞比值(NLR)方面存在统计学显著差异(p < 0.05)。
使用LASSO回归筛选预测变量: 以是否非计划再入院为结局变量,纳入36个候选预测变量。通过一标准误规则(λ?se = 0.029)调优惩罚参数的LASSO回归识别并保留了6个预测因子:吸烟、PVD in T2DM、营养风险、糖尿病病程、HbA1c和NLR。所有6个预测因子在1,000次Bootstrap重采样中均表现出高于0.90的稳定概率(范围0.927–0.998),表明变量选择稳健。尽管职业、糖尿病肾病和糖尿病视网膜病变在单变量分析中显示出显著关联,但未被LASSO保留。
构建非计划再入院预测模型: 基于LASSO回归筛选的变量构建Logistic回归模型并绘制列线图。多变量分析结果显示,吸烟、PVD in T2DM、营养风险、较长糖尿病病程、较高糖化血红蛋白水平和NLR是患者非计划再入院的独立危险因素。最终Logistic回归方程为:Logit(P) = ?3.506 + 0.894 × 吸烟 + 0.643 × PVD in T2DM + 0.045 × 糖尿病病程 + 0.079 × HbA1c + 0.583 × 营养风险 + 0.166 × NLR。各因素的OR值分别为:吸烟2.445(95% CI:1.435–4.163)、PVD in T2DM 1.903(95% CI:1.323–2.737)、营养风险1.792(95% CI:1.183–2.714)、糖尿病病程1.046(95% CI:1.024–1.069)、HbA1c 1.083(95% CI:1.017–1.152)、NLR 1.181(95% CI:1.072–1.302)。
列线图模型验证: 模型在训练集和内部留出集的AUC分别为0.846(95% CI:0.814–0.878)和0.817(95% CI:0.761–0.873),表明区分度良好。使用Harrell's Bootstrap乐观校正(1,000次迭代),平均乐观度为0.016,乐观校正后AUC为0.830。训练集校准良好(截距≈0,斜率=1.00,Brier=0.100);内部留出集校准截距为0.122,斜率为1.002(95% CI:0.76–1.24),Brier评分为0.113。Hosmer-Lemeshow检验p值分别为0.709(训练集)和0.652(内部留出集)。校准图显示在高风险十分位区间存在轻微过度预测。决策曲线分析显示,在0.05–0.40的临床相关阈值概率范围内模型具有净临床获益。在内部留出集中,10%、15%和20%风险阈值下的灵敏度分别为91.57%、77.11%和68.67%,特异度分别为31.36%、62.22%和81.98%,阳性预测值分别为21.47%、29.49%和43.85%,阴性预测值分别为94.78%、92.99%和92.74%。
四、讨论与结论
讨论: 本研究中31天非计划再入院率为18.50%,高于Soh等报告的11.00%和Tan等报告的13.68%,但低于Png等报告的36.00%,差异可能与研究方法、研究人群和再入院时间设定有关。既往文献表明糖尿病并发症是再入院最常见的影响因素。本研究结果显示,在多种并发症中,PVD是再入院的影响因素。PVD作为糖尿病大血管并发症的直接表现,既是导致糖尿病足(如溃疡、感染和坏疽)的病理基础,也是全身动脉粥样硬化的标志,显著增加因合并心力衰竭、急性冠脉综合征等心脑血管事件住院的风险。吸烟等可改变的危险因素可加速外周血管疾病的进展。长期吸烟诱导血管内皮损伤,促进全身炎症和氧化应激,与高血糖协同作用,加剧胰岛素抵抗和血糖波动,加速PVD的发生和进展。
研究发现较长糖尿病病程和较高HbA1c水平是非计划再入院的独立危险因素,与Regassa等的报告一致。这两个因素具有密切的病理生理关系:一方面,随着病程延长,胰岛β细胞功能进行性衰竭和胰岛素抵抗加剧,血糖控制难度显著增加;同时,长病程导致的慢性并发症会进一步干扰降糖药物代谢并引起血糖剧烈波动。另一方面,持续血糖控制不佳会加速β细胞凋亡并促进各种并发症的发生发展,加速疾病自然病程恶化。
本研究将营养风险纳入分析并发现其是糖尿病患者再入院的独立影响因素。住院T2DM患者中营养风险患病率为38%,营养不良患病率为25%,均与并发症发生率、死亡率和住院时间显著相关。一项涉及21,807例老年患者的研究发现,入院时存在营养风险的患者30天内再入院风险为无营养风险者的1.44倍。入院时营养状况是出院后6个月内再入院或死亡的重要预测因子,将营养状况纳入风险预测模型是必要的。
NLR作为复合炎症指标是糖尿病患者再入院的独立危险因素。糖尿病患者的促炎细胞因子水平显著高于健康人群,TNF-α和IL-6等促炎细胞因子水平与血糖控制不良呈正相关。NLR可综合反映这种炎症状态的激活程度,也是预测糖尿病患者并发症和预后的潜在指标。
LASSO回归方法在模型估计中引入惩罚系数,可有效处理过拟合和多重共线性。本研究使用LASSO-Logistic回归筛选和建模,建立的列线图预测模型在训练集和内部留出集的AUC分别为0.846和0.817,表明区分度良好且稳定。校准曲线显示预测概率与观测结果高度一致,决策曲线分析进一步证实模型在较大阈值范围内提供显著的临床净获益。
局限性: 本研究存在以下局限:第一,单中心研究且仅进行内部验证(无外部验证),限制了结果的普适性;第二,未收集体力活动或心理状态信息;第三,候选阶段事件每变量数(EPV)约为6(219个事件/36个预测变量),低于推荐的10;第四,连续预测变量假设为线性关系,事后限制性立方样条分析显示HbA1c和NLR存在显著非线性效应;第五,尽管缺失数据比例较低(4.3%),完整病例分析可能在缺失假设违反时引入选择偏倚。
结论: 这项单中心回顾性研究开发了一个纳入营养风险的列线图,用于预测2型糖尿病31天非计划再入院。模型显示出可接受的内部区分度和校准度。然而,由于数据来自单一医院一个日历年度,研究结果的普适性尚不确定。在临床应用前,需要在独立、地理多样化和时间分离的队列中进行外部验证。尽管如此,这些结果表明纳入营养风险可能增强再入院预测能力,值得进一步研究。