摘要：据国际糖尿病联盟(IDF)发布的最新全球糖尿病地图显示，糖尿病影响着全球约5.37亿成年人的健康，其中中国糖尿病患者人数占比位居第一。

据国际糖尿病联盟(IDF)发布的最新全球糖尿病地图显示，糖尿病影响着全球约5.37亿成年人的健康，其中中国糖尿病患者人数占比位居第一。

糖尿病肾脏疾病(DKD)是DM最常见的慢性微血管并发症之一，具有较高的致残率和致死率。

研究表示有30%—40%的糖尿病患者受到肾脏损伤，目前已成为终末期肾病(ESRD)的首要病因，严重影响患者生活质量、大幅增加经济负担甚至导致寿命缩短。

其中微量白蛋白尿期是临床诊断DKD的最早分期，微量白蛋白尿(MAU)反映了全身性血管内皮功能障碍，是早期肾损伤的敏感标志物，同时也是心血管疾病的独立预测指标。

多项研究证实通过控制血糖、血压、减重等综合干预措施，大量白蛋白尿可逆转为正常白蛋白尿或尿白蛋白阴性，并提高患者生活质量，改变肾脏结局。

微量白蛋白尿具有潜在可逆性。因此，早期筛查和检测微量白蛋白尿，并进行有效干预可预防或逆转白蛋白尿，并延缓心血管疾病的发生发展至关重要。

糖尿病MAU相关风险预测模型可作为临床早期风险评估心血管疾病的预测工具，为个体化的医疗管理和健康促进提供帮助。

微量白蛋白诊断标准

根据《糖尿病肾脏疾病临床诊疗中国指南》对DKD的四个分期：高过滤期、微量白蛋白尿期、大量白蛋白尿期和肾衰竭期。

其中微量白蛋白尿期也称早期糖尿病肾脏疾病(EDN)，此期以持续微量白蛋白尿(MAU)为特征。

MAU诊断通常首选方法是收集随机尿液样本(晨尿尤佳)，以此测定尿白蛋白与肌酐的比值(UACR)；若UACR介于30—300mg/g范围，即可诊断为MAU。

此方法操作简；若要排除运动或生理因素对尿液蛋白的干扰，可通过收集患者一整天排出的尿液总量，并测量24小时尿白蛋白排泄率(UAER)，其值在30—300mg/24h时，其诊断价值与UACR相当。

中国相关指南与专家共识推荐T2DM患者在确诊时及确诊后每年至少一次行尿常规检查和eGFR、UACR监测，以早期发现DKD。

临床预测模型

临床预测模型(CPMs)也被称为风险预测模型，是一种通过分析个体的多个特征来预测其发生某种疾病(诊断模型)或出现某种结局(预后模型)概率的方法。

在当代医学实践中，CPMs已成为预测患者疾病风险和制定个性化治疗计划的强大工具，优势在于对疾病起到一级预防作用，可视化疾病发生风险、诊断疾病或预测疾病转归。

预测模型同时还可根据人群疾病发病风险概率的大小将其分成不同的层次，如低危、中危及高危，以提供针对性的、不同程度的治疗方案。

当前，CPMs已被广泛应用于诸多临床疾病预测，如慢性阻塞性肺疾病、脑卒中、糖尿病等。

糖尿病患者发生微量白蛋白的患病率

糖尿病患者MAU的患病率较高。据研究显示，糖尿病前期人群就已伴随异常的MAU，且患病率≥25%。此外有研究得出结论，与T1DM相比，T2DM患者患MAU的风险更高。

来33个国家的32,208名T2DM患者的横断面研究结果表明，T2DM患者的MAU总体患病率为39%。

另有涉及亚洲10个国家103个中心的横断面数据分析显示我国T2DM患者MAU的检出率高达42.9%。

我国最新研究数据显示，35岁以上人群MAU发生率约17.2%，心血管病患者MAU患病率为21.5%，而糖尿病MAU患病率为25.9%。

当前，我国糖尿病MAU患病率已不容忽视。有研究指出，行之有效的可控因素管理，将延缓72.4%的EDN患者进展至肾病后期。

糖尿病患者发生微量白蛋白的危险因素

随着DM发病率不断攀升，MAU的发病危险因素已受到国内外研究的关注。

MAU的发生是多因素相互作用的结果，目前国内外研究主要集中探讨的危险因素包括：性别、年龄、糖尿病病程、糖尿病神经病变史、糖尿病视网膜病变史、糖化血红蛋白水平、高血压、血脂异常和肥胖，还包括吸烟、饮酒及睡眠时间异常等不良生活习惯，但研究结果也不尽相同。

例如就性别而言，不同研究有不同的研究结论。多数研究均支持男性在糖尿病MAU患者中更为普遍。

研究发现相较于男性，糖尿病女性患者MAU患病率更高，而有研究经多因素分析并未发现性别与MAU无关。

再如饮酒，一项日本为期10年的随访研究中表示饮酒与MAU并无显著关联，而近年的研究经统计学分析结果发现患者饮酒使T2DM患者发生MAU的风险增加0.251~2.673倍。

此外，吸烟在一项荟萃分析结果中被认为是T2DM患者MAU的潜在危险因素，尽管如此，也有其他不同的解释，吸烟在多因素分析结果中并无统计学意义。

尽管年龄和糖尿病病程被公认为危险因素，但在多数研究中对年龄段与病程长短划分并不统一，难以明确具体年龄阶段与病程长短与MAU关系。

目前，已有研究利用统计学分析，基于T2DM患者发生EDN的不同危险因素构建了风险预测模型。

2019年，南茜等人纳入了563例DM患者的基本信息、实验室指标、中医证型三方面的资料，基于多元logistics回归分析发现脾肾阳虚证、收缩压(SBP)>130mmHg及血肌酐(Scr)>100umo/L是MAU的独立危险因素，将以上因素作为模型的预测因子，构建了logistics回归模型。

结果显示该预测模型预测效果不够理想，经优化后该模型AUC值提高了约0.12，但仍有迭代优化的潜在空间。同时该模型纳入3个危险因素，模型预测因子缺乏全面性。

2020年，候新月等人采用回顾性队列研究方法，纳入了559例T2DM患者，采用单因素分析和多因素logistics回归分析筛选预测模型因子，构建了一个5变量(年龄、糖尿病病程、促甲状腺激素、TG、DPN)的列线图预测模型，该模型表现出良好的预测能力(AUC=0.852)。

2021年，卢作维等人招募了1311名T2DM患者，将933例患者作为开发队列以构建模型，将378例患者作为验证队列以验证预测模型。

通过Lasso回归筛选T2DM患者进展为MAU的危险因素，最终构建了一个7预测因子的logistics回归模型：糖尿病病程、SBP、空腹血糖(FBG)、TG、Scr、CysC、DR。

结果显示，开发队列和验证队列的AUC分别为0.762、0.734，表明该模型具有良好的判别能力。

其模型拟合优度检验结果显示分别为P=0.377、P=0.217，拟合优度良好，其校准曲线也显示出理想曲线与实际曲线的一致性。

两项研究均为回顾性队列研究，因此存在患者数据信息偏倚的可能性，2项均未进行外部验证。

国外学者Dunkler等同样采用了logistics回归方法，针对6766名T2DM患者开发了2个早期肾病发生风险预测模型：实验室模型和临床模型。

2项模型均进行了外部验证，C统计量分别为0.68、0.69，表示该模型的临床可泛化性较高，但2项模型研究对象均是年龄≥55岁的T2DM患者，模型研究人群年龄的普适性受到了局限。

尽管目前研究关注到了MAU阶段的高危患者，并构建了不同的危险因素预测模型，但预测模型大多都采用了传统的logistics回归方法，其预测效果距离理想值还有提升空间(AUC平均在0.75左右)，模型的人群适用性也有待进一步验证。

如今人工智能正在以迅猛之势席卷全球，机器学习(ML)为临床预测模型提供了新的可能性。

相较于传统的统计方法，ML算法能够更好地处理复杂的关系和大规模的数据，从而提高模型的准确性和可靠性。目前ML已被广泛应用于医疗领域传染疾病、癌症、心血管等方面的预测。

也有研究者聚焦到糖尿病肾病早期阶段，利用机器学习开发了糖尿病患者EDN临床决策支持系统(CDSS)，对比支持向量机(SVM)、决策树(DT)、K－最近邻(KNN)和人工神经网络(ANN)4种模型的区分能力，结果显示这些模型的区分能力均高于90%。

其中DT被认为具有最优的辨别能力。尽管该SDSS被认为是当地临床医生可靠的决策工具，但研究对象同时纳入了T1DM和T2DM患者，没有针对性地开发预测模型。

这一研究人群的选择将直接影响模型的普适性和临床应用。当前国内外大部分相关研究多局限于对糖尿病患者发生微量白蛋白尿相关危险因素的研究，而基于各种风险因素构建糖尿病患者发生微量白蛋白尿预测模型相对较为有限且晚期。

目前已报道的研究多数在模型构建中人群和变量选择不一，导致预测模型的结果可比性受到限制。

大多研究采用传统的逻辑回归构建预测模型，且缺乏有效的外部验证。

未来我国研究者可通过整合多源数据和开发新型数据挖掘技术，实现模型的优化与升级；其次，引入独立样本验证，提高模型的泛化能力和预测准确性；最后，探索模型在临床实践中的应用价值，为早期诊断和治疗糖尿病肾病相关疾病提供有力支持。

来源：Mr刘聊健康