CN113539470A - 一种糖尿病肾病及非糖尿病性肾脏疾病鉴别诊断预测模型及构建方法 - Google Patents
一种糖尿病肾病及非糖尿病性肾脏疾病鉴别诊断预测模型及构建方法 Download PDFInfo
- Publication number
- CN113539470A CN113539470A CN202010291649.9A CN202010291649A CN113539470A CN 113539470 A CN113539470 A CN 113539470A CN 202010291649 A CN202010291649 A CN 202010291649A CN 113539470 A CN113539470 A CN 113539470A
- Authority
- CN
- China
- Prior art keywords
- diabetic
- patient
- diabetic nephropathy
- value
- diabetes
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 208000007342 Diabetic Nephropathies Diseases 0.000 title claims abstract description 109
- 208000033679 diabetic kidney disease Diseases 0.000 title claims abstract description 103
- 238000003748 differential diagnosis Methods 0.000 title claims abstract description 27
- 238000010276 construction Methods 0.000 title abstract description 10
- 206010012601 diabetes mellitus Diseases 0.000 claims abstract description 54
- 238000011862 kidney biopsy Methods 0.000 claims abstract description 44
- 208000038001 non-diabetic kidney disease Diseases 0.000 claims abstract description 44
- 208000001072 type 2 diabetes mellitus Diseases 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000010827 pathological analysis Methods 0.000 claims abstract description 15
- 239000008280 blood Substances 0.000 claims description 29
- 210000004369 blood Anatomy 0.000 claims description 29
- 206010012689 Diabetic retinopathy Diseases 0.000 claims description 27
- 230000035488 systolic blood pressure Effects 0.000 claims description 26
- 102000017011 Glycated Hemoglobin A Human genes 0.000 claims description 25
- 102000012192 Cystatin C Human genes 0.000 claims description 22
- 108010061642 Cystatin C Proteins 0.000 claims description 22
- 102000001554 Hemoglobins Human genes 0.000 claims description 22
- 108010054147 Hemoglobins Proteins 0.000 claims description 22
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims description 20
- 239000008103 glucose Substances 0.000 claims description 20
- 108010014663 Glycated Hemoglobin A Proteins 0.000 claims description 14
- 208000017442 Retinal disease Diseases 0.000 claims description 11
- 206010038923 Retinopathy Diseases 0.000 claims description 11
- 108091005995 glycated hemoglobin Proteins 0.000 claims description 11
- 208000024891 symptom Diseases 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 9
- 238000003745 diagnosis Methods 0.000 claims description 7
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 claims description 6
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 102000015833 Cystatin Human genes 0.000 claims description 4
- 108050004038 cystatin Proteins 0.000 claims description 4
- 238000007477 logistic regression Methods 0.000 claims description 4
- 102000009027 Albumins Human genes 0.000 claims description 3
- 108010088751 Albumins Proteins 0.000 claims description 3
- 101800000407 Brain natriuretic peptide 32 Proteins 0.000 claims description 3
- 102000007330 LDL Lipoproteins Human genes 0.000 claims description 3
- 108010007622 LDL Lipoproteins Proteins 0.000 claims description 3
- 102000003982 Parathyroid hormone Human genes 0.000 claims description 3
- 108090000445 Parathyroid hormone Proteins 0.000 claims description 3
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 claims description 3
- 239000004202 carbamide Substances 0.000 claims description 3
- 235000012000 cholesterol Nutrition 0.000 claims description 3
- 229940109239 creatinine Drugs 0.000 claims description 3
- 238000000556 factor analysis Methods 0.000 claims description 3
- 230000024924 glomerular filtration Effects 0.000 claims description 3
- 239000000199 parathyroid hormone Substances 0.000 claims description 3
- 229960001319 parathyroid hormone Drugs 0.000 claims description 3
- 102000004169 proteins and genes Human genes 0.000 claims description 3
- 108090000623 proteins and genes Proteins 0.000 claims description 3
- 239000013049 sediment Substances 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000001574 biopsy Methods 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 abstract description 2
- 208000017169 kidney disease Diseases 0.000 abstract description 2
- 230000001575 pathological effect Effects 0.000 abstract description 2
- 101710194425 Dehydrogenase/reductase SDR family member 4 Proteins 0.000 abstract 1
- 206010062237 Renal impairment Diseases 0.000 abstract 1
- 239000000203 mixture Substances 0.000 description 8
- 238000004393 prognosis Methods 0.000 description 6
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 210000003734 kidney Anatomy 0.000 description 4
- 238000011282 treatment Methods 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- 206010061481 Renal injury Diseases 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 239000003862 glucocorticoid Substances 0.000 description 3
- 229960003444 immunosuppressant agent Drugs 0.000 description 3
- 230000001861 immunosuppressant effect Effects 0.000 description 3
- 239000003018 immunosuppressive agent Substances 0.000 description 3
- 206010061818 Disease progression Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000005750 disease progression Effects 0.000 description 2
- 208000037806 kidney injury Diseases 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 238000004062 sedimentation Methods 0.000 description 2
- 102400000667 Brain natriuretic peptide 32 Human genes 0.000 description 1
- 101800002247 Brain natriuretic peptide 45 Proteins 0.000 description 1
- 206010062713 Haemorrhagic diathesis Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 208000007502 anemia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 208000020832 chronic kidney disease Diseases 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000005182 global health Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 208000006750 hematuria Diseases 0.000 description 1
- 208000031169 hemorrhagic disease Diseases 0.000 description 1
- 238000011221 initial treatment Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003907 kidney function Effects 0.000 description 1
- HPNRHPKXQZSDFX-OAQDCNSJSA-N nesiritide Chemical compound C([C@H]1C(=O)NCC(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CCCCN)C(=O)N[C@@H](CCSC)C(=O)N[C@@H](CC(O)=O)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@H](C(N[C@@H](CO)C(=O)N[C@@H](CO)C(=O)N[C@@H](CO)C(=O)N[C@@H](CO)C(=O)NCC(=O)N[C@@H](CC(C)C)C(=O)NCC(=O)N[C@@H](CSSC[C@@H](C(=O)N1)NC(=O)CNC(=O)[C@H](CO)NC(=O)CNC(=O)[C@H](CCC(N)=O)NC(=O)[C@@H](NC(=O)[C@H](CCSC)NC(=O)[C@H](CCCCN)NC(=O)[C@H]1N(CCC1)C(=O)[C@@H](N)CO)C(C)C)C(=O)N[C@@H](CCCCN)C(=O)N[C@@H](C(C)C)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CC=1N=CNC=1)C(O)=O)=O)[C@@H](C)CC)C1=CC=CC=C1 HPNRHPKXQZSDFX-OAQDCNSJSA-N 0.000 description 1
- 201000001474 proteinuria Diseases 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明涉及肾脏病鉴别诊断领域，尤其涉及一种糖尿病肾病及非糖尿病性肾脏疾病鉴别诊断预测模型及构建方法。通过对2型糖尿病患者的临床及病理特征分析，选取对鉴别诊断结果影响大的因素，采用列线图形式，简明扼要、通俗易懂，便于临床操作。本发明有助于通过2型糖尿病患者的最初检测数据来判断患者行肾穿刺活检病理诊断为非糖尿病性肾脏疾病(NDRD)及糖尿病肾病合并非糖尿病性肾脏疾病(MIX)的概率，实现对2型糖尿病患者中糖尿病肾病及非糖尿病性肾脏疾病的鉴别诊断。通过本发明的概率预测方法，有助于临床医生评估2型糖尿病肾损害患者肾活检的风险收益比，同时也为没有肾脏活检技术的医疗机构的工作人员提供参考。
Description
技术领域
本发明涉及肾脏病鉴别诊断领域，尤其涉及一种糖尿病肾病及非糖尿病性肾脏疾病鉴别诊断预测模型及构建方法。
背景技术
糖尿病是一个日益严重的全球健康问题。根据国际糖尿病联盟公布的数据，全世界有4.25亿糖尿病患者(20-79岁)，到2045年，这一数字预计将升至6.93亿。糖尿病肾病(DN)是其主要并发症，已成为国内慢性肾脏病的第一大病因。既往糖尿病肾病(DN)的诊断主要依赖于临床表现，如糖尿病病程、合并糖尿病视网膜病变、有无血尿等。然而，随着肾活检技术的发展，一些临床诊断为糖尿病肾病(DN)的患者，尤其是2型糖尿病患者，其病理诊断结果往往与预期不符。除糖尿病肾病(DN)外，非糖尿病性肾脏疾病(NDRD)及糖尿病肾病合并非糖尿病性肾脏疾病(MIX)在糖尿病肾活检患者中也很常见。肾穿刺活检是鉴别诊断的金标准，但一方面，活检是有创的，并不是完全没有并发症，因此对于有出血倾向、严重高血压、贫血等相对或绝对禁忌证的患者是不可行的；另一方面，在大多数基层医院受医疗条件限制，不能进行肾穿刺活检检查。事实上，多数病例是根据临床特征诊断糖尿病肾病(DN)的，在临床实践中高度怀疑非糖尿病性肾脏疾病(NDRD)时才推荐肾活检。多项研究发现，与糖尿病肾病(DN)患者相比，非糖尿病性肾脏疾病(NDRD)或糖尿病肾病合并非糖尿病性肾脏疾病(MIX)患者经糖皮质激素、免疫抑制剂等药物治疗后，蛋白尿、肾功能有明显改善，肾脏预后较好，这类患者如果被错误地归为糖尿病肾病(DN)，治疗将在一定程度上被局限，从而错过了可能改善肾脏预后的特异性治疗。因此，在临床工作中能够准确区分非糖尿病性肾脏疾病(NDRD)和糖尿病肾病(DN)的糖尿病患者至关重要。
目前关于2型糖尿病患者糖尿病肾病(DN)和非糖尿病性肾脏疾病(NDRD)鉴别诊断的预测模型较少，先前的模型提出了回归方程的形式，需要复杂的计算，实用性较差。因此，提供一种便捷的针对2型糖尿病患者糖尿病肾病(DN)和非糖尿病性肾脏疾病(NDRD)的鉴别诊断模型是本领域目前的一项技术问题。
发明内容
针对以上技术问题，本发明提供一种糖尿病肾病及非糖尿病性肾脏疾病鉴别诊断预测模型及构建方法，有助于临床医生评估2型糖尿病肾损害患者肾活检的风险收益比，同时也为没有肾脏活检技术的医疗机构的工作人员提供参考。
本发明采用以下技术方案：
一种糖尿病肾病及非糖尿病性肾脏疾病鉴别诊断预测模型，该模型采用列线图形式，列线图包括：
第一行的分值标尺，分值范围为0-100；
第二行为患者收缩压值，数值范围为80-240，不同的收缩压值对应第一行一个相应的得分；
第三行为患者空腹血糖值，数值范围为0-40，不同的空腹血糖值对应第一行一个相应的得分；
第四行为患者胱抑素C值，数值范围为0-8，不同的胱抑素C值对应第一行一个相应的得分；
第五行为患者糖化血红蛋白值，数值范围为4-18，不同的糖化血红蛋白值对应第一行一个相应的得分；
第六行为患者年龄值，年龄值数值范围为20-90，不同年龄值对应第一行一个相应的得分；
第七行为患者糖尿病病史值，糖尿病病史值数值范围为0-30，不同的糖尿病病史值对应第一行一个相应的得分；
第八行为患者血红蛋白值，数值范围为40-200，不同的血红蛋白值对应第一行一个相应的得分；
第九行为患者糖尿病视网膜病变值，无糖尿病视网膜病变选择0，有糖尿病视网膜病变选择1，分别对应第一行一个相应的得分；
第十行为患者总分值，将第二行至第九行的指标在第一行对应的得分相加，得到患者总分值；
第十一行为行肾穿刺活检病例诊断为非糖尿病性肾脏疾病及糖尿病肾病合并非糖尿病性肾脏疾病的概率值，将第十行患者总分值对应投射到第十一行上得出行肾穿刺活检病理诊断为非糖尿病性肾脏疾病及糖尿病肾病合并非糖尿病性肾脏疾病的概率值。
进一步的，该模型还包括糖尿病肾病及非糖尿病性肾脏疾病鉴别诊断预测概率公式，公式为：
其中，A＝2.43043-0.01740×收缩压-0.10887×空腹血糖-0.66977×胱抑素C-0.21927×糖化血红蛋白+0.04854×年龄-0.10712×糖尿病病史+0.02628×血红蛋白-2.32735×视网膜病变症状；
概率分值P的最佳截断值为0.46，当患者概率分值低于0.46时，为低概率患者，患者肾穿刺活检结果为糖尿病肾病的可能性大；当患者概率分值高于或等于0.46时，为高概率患者，患者肾穿刺活检结果为非糖尿病性肾脏疾病及糖尿病肾病合并非糖尿病性肾脏疾病的可能性大。
进一步的，收缩压为2型糖尿病患者的收缩压值，数据范围为80-240mmHg；空腹血糖为2型糖尿病患者的空腹血糖值，数据范围为0-40mmol/L；胱抑素C为2型糖尿病患者的胱抑素C值，数据范围为0-8mg/L；糖化血红蛋白为2型糖尿病患者的糖化血红蛋白值，数据范围为4-18％；年龄为2型糖尿病患者的年龄值，数据范围为20-90岁；糖尿病病史为2型糖尿病患者的患病年限，数据范围为0-30年；血红蛋白为2型糖尿病患者的血红蛋白值，数据范围为40-200g/dL；视网膜病变症状为2型糖尿病患者的视网膜病变症状，若患者无糖尿病视网膜病变则选择0，若患者有糖尿病视网膜病变则选择1。
本发明还提供上述模型用于在糖尿病肾病及非糖尿病性肾脏疾病鉴别诊断预测中的应用。
本发明还提供一种糖尿病肾病及非糖尿病性肾脏疾病鉴别诊断预测模型的构建方法，包括以下步骤：
(1)收集大量行肾穿刺活检的2型糖尿病患者的临床资料数据，并统计其病理诊断结果：糖尿病肾病、非糖尿病性肾脏疾病及糖尿病肾病合并非糖尿病性肾脏疾病；
(2)以“病例诊断结果是否为非糖尿病性肾脏疾病及糖尿病肾病合并非糖尿病性肾脏疾病”为结局变量，对收集的数据进行单因素logistics回归，筛选出显著影响结果事件的因素；
(3)将单因素分析筛选出的变量以及临床上考虑可能有意义的变量纳入初始多因素logistics模型，并使用逐步回归法针对初始模型筛选掉混杂因素，选择得到患者的年龄、糖尿病病史、糖尿病视网膜病变、收缩压、血红蛋白、空腹血糖、糖化血红蛋白、胱抑素C数据构建上述模型。
进一步的，步骤(3)中纳入初始多因素logistics模型的因素包括年龄、糖尿病病史、有无糖尿病视网膜病变、收缩压、血红蛋白、空腹血糖、糖化血红蛋白、血沉、点式总蛋白、点式白蛋白、尿素、肌酐、胱抑素C、总胆固醇、低密度脂蛋白、肾小球滤过率、甲状旁腺素、B型脑钠肽。
进一步的，将行肾穿刺活检的2型糖尿病患者随机分为训练集和验证集，使用训练集患者构建预测模型，验证集患者进行内部验证，验证预测模型的精确度，训练集和验证集中患者的数量比为7:3。
本发明的糖尿病肾病及非糖尿病性肾脏疾病鉴别诊断预测模型，通过对2型糖尿病患者的临床及病理特征分析，选取对鉴别诊断结果影响大的因素，采用列线图形式，简明扼要、通俗易懂，便于临床操作。有助于通过患者的最初检测数据来判断患者行肾穿刺活检病理诊断为非糖尿病性肾脏疾病(NDRD)及糖尿病肾病合并非糖尿病性肾脏疾病(MIX)的概率，可在尽量不进行肾穿刺这项有创操作的基础上，将糖尿病肾病及非糖尿病性肾脏疾病有效地区分出来，为医务工作者执行临床决策提供更有力的证据基础，特别是对一些有活检禁忌的患者或肾脏活检不可行的医疗机构。同时将本发明提供的预测模型纳入肾活检病理的结果，在一定程度上有效规避了误诊或漏诊弊端，大大提高了预测模型的针对性和准确度。
本发明的糖尿病肾病及非糖尿病性肾脏疾病鉴别诊断预测模型的构建方法，通过收集大量行肾穿刺活检的2型糖尿病患者的临床资料，并根据病理诊断结果得到显著影响结果事件的因素，综合各因素构建预测模型，实现通过患者的最初检测数据来判断患者行肾穿刺活检病理诊断为非糖尿病性肾脏疾病(NDRD)及糖尿病肾病合并非糖尿病性肾脏疾病(MIX)的概率，该模型构建方法简单有效，构建的模型可作为一个便捷的临床决策工具，同时也为没有肾脏活检技术的医疗机构的工作人员提供参考。
附图说明
为了更清楚的说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明的糖尿病肾病及非糖尿病性肾脏疾病鉴别诊断预测模型列线图；
图2为本发明的糖尿病肾病及非糖尿病性肾脏疾病鉴别诊断预测模型实施例1中列线图。
具体实施方式
下面将结合本发明中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通的技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例，都属于本发明的保护范围。
本发明实施例提供一种糖尿病肾病及非糖尿病性肾脏疾病鉴别诊断预测模型的构建方法，包括以下步骤：
(1)收集大量行肾穿刺活检的2型糖尿病患者的临床资料数据，并统计其病理诊断结果：糖尿病肾病、非糖尿病性肾脏疾病及糖尿病肾病合并非糖尿病性肾脏疾病；
(2)以“病例诊断结果是否为非糖尿病性肾脏疾病及糖尿病肾病合并非糖尿病性肾脏疾病”为结局变量，对收集的数据进行单因素logistics回归，筛选出显著影响结果事件的因素；
(3)将单因素分析筛选出的变量以及临床上考虑可能有意义的变量纳入初始多因素logistics模型，并使用逐步回归法针对初始模型筛选掉混杂因素，选择得到患者的年龄、糖尿病病史、糖尿病视网膜病变、收缩压、血红蛋白、空腹血糖、糖化血红蛋白、胱抑素C数据构建列线图模型。
具体的，如图1所示，列线图包括：
第一行的分值标尺，分值范围为0-100；
第二行为患者收缩压(SBP)值，数值范围为80-240，不同的收缩压值对应第一行一个相应的得分；
第三行为患者空腹血糖(FBG)值，数值范围为0-40，不同的空腹血糖值对应第一行一个相应的得分；
第四行为患者胱抑素C值，数值范围为0-8，不同的胱抑素C值对应第一行一个相应的得分；
第五行为患者糖化血红蛋白值，数值范围为4-18，不同的糖化血红蛋白值对应第一行一个相应的得分；
第六行为患者年龄值，年龄值数值范围为20-90，不同年龄值对应第一行一个相应的得分；
第七行为患者糖尿病病史值，糖尿病病史值数值范围为0-30，不同的糖尿病病史值对应第一行一个相应的得分；
第八行为患者血红蛋白值，数值范围为40-200，不同的血红蛋白值对应第一行一个相应的得分；
第九行为患者糖尿病视网膜病变值，无糖尿病视网膜病变选择0，有糖尿病视网膜病变选择1，分别对应第一行一个相应的得分；
第十行为患者总分值，将第二行至第九行的指标在第一行对应的得分相加，得到患者总分值；
第十一行为行肾穿刺活检病例诊断为非糖尿病性肾脏疾病及糖尿病肾病合并非糖尿病性肾脏疾病的概率值，将第十行患者总分值对应投射到第十一行上得出行肾穿刺活检病理诊断为非糖尿病性肾脏疾病及糖尿病肾病合并非糖尿病性肾脏疾病的概率值。
具体的，在本发明的一些实施例中，各单因素变量值与分值的对应关系如表1所示。
表1不同因素赋值情况
作为本发明的实施例1，如图2所示，一位行肾穿刺活检的2型糖尿病患者，收缩压(SBP)值为158(62分)，空腹血糖(FBG)值为5(71分)，胱抑素C值为1.8(64分)，糖化血红蛋白值为6(73分)，年龄值为66(78分)，糖尿病病史值为10(61分)，血红蛋白值为108(62分)，糖尿病视网膜病变值为1(47分)；该患者的总得分为518分，投射至肾穿刺活检病理诊断为非糖尿病性肾脏疾病(NDRD)及糖尿病肾病合并非糖尿病性肾脏疾病(MIX)的概率值为0.322，通过该概率值为下一步诊疗提供指导。
优选的，为了更方便的为患者提供临床指导，将上述列线图转化为应用程序，具体的为微信小程序、APP形式或网页计算器等，只需在界面上输入患者的年龄、糖尿病病史、糖尿病视网膜病变、收缩压、血红蛋白、空腹血糖、糖化血红蛋白、胱抑素C的值，即可得出其行肾穿刺活检病理诊断为非糖尿病性肾脏疾病(NDRD)及糖尿病肾病合并非糖尿病性肾脏疾病(MIX)的概率值。更具体的，本发明对将列线图转化为应用程序的方法不作具体限定，任何可实现转化的操作方法均可。
具体的，在本发明的一些实施例中，本发明的诊断预测模型还包括糖尿病肾病及非糖尿病性肾脏疾病鉴别诊断预测概率公式，公式为：
其中，A＝2.43043-0.01740×收缩压-0.10887×空腹血糖-0.66977×胱抑素C-0.21927×糖化血红蛋白+0.04854×年龄-0.10712×糖尿病病史+0.02628×血红蛋白-2.32735×视网膜病变症状；
收缩压为2型糖尿病患者的收缩压值，数据范围为80-240mmHg；空腹血糖为2型糖尿病患者的空腹血糖值，数据范围为0-40mmol/L；胱抑素C为2型糖尿病患者的胱抑素C值，数据范围为0-8mg/L；糖化血红蛋白为2型糖尿病患者的糖化血红蛋白值，数据范围为4-18％；年龄为2型糖尿病患者的年龄值，数据范围为20-90岁；糖尿病病史为2型糖尿病患者的患病年限，数据范围为0-30年；血红蛋白为2型糖尿病患者的血红蛋白值，数据范围为40-200g/dL；视网膜病变症状为2型糖尿病患者的视网膜病变症状，若患者无糖尿病视网膜病变则选择0，若患者有糖尿病视网膜病变则选择1。
概率分值P的最佳截断值为0.46，当患者概率分值低于0.46时，为低概率患者，患者肾穿刺活检结果为糖尿病肾病的可能性大；当患者概率分值高于或等于0.46时，为高概率患者，患者肾穿刺活检结果为非糖尿病性肾脏疾病及糖尿病肾病合并非糖尿病性肾脏疾病的可能性大。
采用列线图形式得到的概率值与采用该公式计算得出的概率值一致；例如图2列线图中得出行肾穿刺活检的2型糖尿病患者的概率值为0.322，与采用公式计算结果一致，小于0.46，判定该患者为低概率患者，即患者肾穿刺活检结果为糖尿病肾病可能性较大，后期的治疗措施将会对应调整实施。
由于在临床工作中，糖尿病肾病及非糖尿病性肾脏疾病的疾病进展及预后有很大差异，一些非糖尿病性肾脏疾病，经过糖皮质激素、免疫抑制剂等药物治疗后，病情可得到极大改善，与糖尿病肾病相比，预后相对较好。通过本发明的概率预测方法，可在尽量不进行肾穿刺这项有创操作的基础上，将糖尿病肾病及非糖尿病性肾脏疾病有效地区分出来，有助于临床医生进一步评估2型糖尿病肾损害患者肾活检的风险收益比，同时也为没有肾脏活检技术的医疗机构的工作人员提供参考。采用本发明的预测模型，可以帮助临床医生在疾病早期有效识别患者，对不同类别患者制订更具个体化的起始治疗方案。
具体的，本发明中收集到的行肾穿刺活检的2型糖尿病患者的临床资料数据为938例。在该公式中，P表示行肾穿刺活检病理诊断为非糖尿病性肾脏疾病(NDRD)及糖尿病肾病合并非糖尿病性肾脏疾病(MIX)的概率预测值。在该公式中，包括常数2.43043，收缩压(SBP)的系数-0.01740，空腹血糖(FBG)的系数-0.10887，胱抑素C的系数-0.66977，糖化血红蛋白的系数-0.21927，年龄的系数0.04854，糖尿病病史的系数-0.10712，血红蛋白的系数0.02628和糖尿病视网膜病变的系数-2.32735，这些数值是根据收集到的938例行肾穿刺活检的2型糖尿病患者的临床资料进行建模得到的，对于938例样本来说是优化的常数，但这些常数并不限于此，即使采用本发明的技术方案，也可能由于样本数据的不同而得到不同的常数。但上述变换，都属于本发明的保护范围。
具体的，应用该公式进行计算过程中，收缩压为2型糖尿病患者的收缩压值，数据范围为80-240mmHg；空腹血糖为2型糖尿病患者的空腹血糖值，数据范围为0-40mmol/L；胱抑素C为2型糖尿病患者的胱抑素C值，数据范围为0-8mg/L；糖化血红蛋白为2型糖尿病患者的糖化血红蛋白值，数据范围为4-18％；年龄为2型糖尿病患者的年龄值，数据范围为20-90岁；糖尿病病史为2型糖尿病患者的患病年限，数据范围为0-30年；血红蛋白为2型糖尿病患者的血红蛋白值，数据范围为40-200g/dL；视网膜病变症状为2型糖尿病患者的视网膜病变症状，若患者无糖尿病视网膜病变则选择0，若患者有糖尿病视网膜病变则选择1。
具体的，在本发明的一些实施例中，步骤(3)中通过单因素Logistic回归分析，筛选出最终纳入初始多因素logistics模型的因素包括年龄、糖尿病病史、有无糖尿病视网膜病变、收缩压、血红蛋白、空腹血糖、糖化血红蛋白、血沉、点式总蛋白、点式白蛋白、尿素、肌酐、胱抑素C、总胆固醇、低密度脂蛋白、肾小球滤过率、甲状旁腺素、B型脑钠肽。在模型构建及选择过程中，针对预测因素建立不同的预测模型，计算受试者工作曲线下面积即C统计量值、Hosmer-Lemeshow检验中的P值计算不同模型的区分度及校准度，并通过比较各模型的区分度和校准度，综合评估模型效能，筛选出最优预测模型。
具体的，在本发明的一些实施例中，将行肾穿刺活检的2型糖尿病患者随机分为训练集和验证集，使用训练集患者构建预测模型，验证集患者进行内部验证，验证预测模型的精确度，训练集和验证集中患者的数量比为7:3。通过训练集和验证集的设置，提高了该预测模型的精确度。
本发明的糖尿病肾病及非糖尿病性肾脏疾病鉴别诊断预测模型及构建方法，通过收集大量行肾穿刺活检的2型糖尿病患者的临床资料，并得到预测概率等式及列线图，有助于通过患者的最初检测数据来判断患者行肾穿刺活检病理诊断为非糖尿病性肾脏疾病(NDRD)及糖尿病肾病合并非糖尿病性肾脏疾病(MIX)的概率，可实现对2型糖尿病患者中糖尿病肾病及非糖尿病性肾脏疾病的鉴别诊断。同时本发明提供的预测模型纳入肾活检病理的结果，在一定程度上有效规避了误诊或漏诊弊端，大大提高了预测模型的针对性和准确度。由于在临床工作中，糖尿病肾病及非糖尿病性肾脏疾病的疾病进展及预后有很大差异，一些非糖尿病性肾脏疾病，经过糖皮质激素、免疫抑制剂等药物治疗后，病情可得到极大改善，与糖尿病肾病相比，预后相对较好。通过本发明的概率预测方法，可在尽量不进行肾穿刺这项有创操作的基础上，将糖尿病肾病及非糖尿病性肾脏疾病有效地区分出来，有助于临床医生进一步评估2型糖尿病肾损害患者肾活检的风险收益比，同时也为没有肾脏活检技术的医疗机构的工作人员提供参考。
以上借助具体实施例对本发明做了进一步描述，但是应该理解的是，这里具体的描述，不应理解为对本发明的实质和范围的限定，本领域内的普通技术人员在阅读本说明书后对上述实施例做出的各种修改，都属于本发明所保护的范围。
Claims (7)
1.一种糖尿病肾病及非糖尿病性肾脏疾病鉴别诊断预测模型，其特征在于，所述模型采用列线图形式，所述列线图包括：
第一行的分值标尺，分值范围为0-100；
第二行为患者收缩压值，数值范围为80-240，不同的收缩压值对应第一行一个相应的得分；
第三行为患者空腹血糖值，数值范围为0-40，不同的空腹血糖值对应第一行一个相应的得分；
第四行为患者胱抑素C值，数值范围为0-8，不同的胱抑素C值对应第一行一个相应的得分；
第五行为患者糖化血红蛋白值，数值范围为4-18，不同的糖化血红蛋白值对应第一行一个相应的得分；
第六行为患者年龄值，年龄值数值范围为20-90，不同年龄值对应第一行一个相应的得分；
第七行为患者糖尿病病史值，糖尿病病史值数值范围为0-30，不同的糖尿病病史值对应第一行一个相应的得分；
第八行为患者血红蛋白值，数值范围为40-200，不同的血红蛋白值对应第一行一个相应的得分；
第九行为患者糖尿病视网膜病变值，无糖尿病视网膜病变选择0，有糖尿病视网膜病变选择1，分别对应第一行一个相应的得分；
第十行为患者总分值，将第二行至第九行的指标在第一行对应的得分相加，得到患者总分值；
第十一行为行肾穿刺活检病例诊断为非糖尿病性肾脏疾病及糖尿病肾病合并非糖尿病性肾脏疾病的概率值，将第十行患者总分值对应投射到第十一行上得出行肾穿刺活检病理诊断为非糖尿病性肾脏疾病及糖尿病肾病合并非糖尿病性肾脏疾病的概率值。
2.根据权利要求1所述的糖尿病肾病及非糖尿病性肾脏疾病鉴别诊断预测模型，其特征在于，所述模型还包括糖尿病肾病及非糖尿病性肾脏疾病鉴别诊断预测概率公式，所述公式为：
其中，A＝2.43043-0.01740×收缩压-0.10887×空腹血糖-0.66977×胱抑素C-0.21927×糖化血红蛋白+0.04854×年龄-0.10712×糖尿病病史+0.02628×血红蛋白-2.32735×视网膜病变症状；
概率分值P的最佳截断值为0.46，当患者概率分值低于0.46时，为低概率患者，患者肾穿刺活检结果为糖尿病肾病的可能性大；当患者概率分值高于或等于0.46时，为高概率患者，患者肾穿刺活检结果为非糖尿病性肾脏疾病及糖尿病肾病合并非糖尿病性肾脏疾病的可能性大。
3.根据权利要求2所述的糖尿病肾病及非糖尿病性肾脏疾病鉴别诊断预测模型，其特征在于：
所述收缩压为2型糖尿病患者的收缩压值，数据范围为80-240mmHg；
所述空腹血糖为2型糖尿病患者的空腹血糖值，数据范围为0-40mmol/L；
所述胱抑素C为2型糖尿病患者的胱抑素C值，数据范围为0-8mg/L；
所述糖化血红蛋白为2型糖尿病患者的糖化血红蛋白值，数据范围为4-18％；
所述年龄为2型糖尿病患者的年龄值，数据范围为20-90岁；
所述糖尿病病史为2型糖尿病患者的患病年限，数据范围为0-30年；
所述血红蛋白为2型糖尿病患者的血红蛋白值，数据范围为40-200g/dL；
所述视网膜病变症状为2型糖尿病患者的视网膜病变症状，若患者无糖尿病视网膜病变则选择0，若患者有糖尿病视网膜病变则选择1。
4.权利要求1-3中任一项所述的模型在用于糖尿病肾病及非糖尿病性肾脏疾病鉴别诊断预测中的应用。
5.一种糖尿病肾病及非糖尿病性肾脏疾病鉴别诊断预测模型的构建方法，其特征在于，包括以下步骤：
(1)收集大量行肾穿刺活检的2型糖尿病患者的临床资料数据，并统计其病理诊断结果：糖尿病肾病、非糖尿病性肾脏疾病及糖尿病肾病合并非糖尿病性肾脏疾病；
(2)以“病例诊断结果是否为非糖尿病性肾脏疾病及糖尿病肾病合并非糖尿病性肾脏疾病”为结局变量，对收集的数据进行单因素logistics回归，筛选出显著影响结果事件的因素；
(3)将单因素分析筛选出的变量以及临床上考虑可能有意义的变量纳入初始多因素logistics模型，并使用逐步回归法针对初始模型筛选掉混杂因素，选择得到的患者年龄、糖尿病病史、糖尿病视网膜病变、收缩压、血红蛋白、空腹血糖、糖化血红蛋白、胱抑素C数据构建权利要求1-3中任一项所述的模型。
6.根据权利要求5所述的糖尿病肾病及非糖尿病性肾脏疾病鉴别诊断预测模型的构建方法，其特征在于，步骤(3)中纳入初始多因素logistics模型的因素包括年龄、糖尿病病史、有无糖尿病视网膜病变、收缩压、血红蛋白、空腹血糖、糖化血红蛋白、血沉、点式总蛋白、点式白蛋白、尿素、肌酐、胱抑素C、总胆固醇、低密度脂蛋白、肾小球滤过率、甲状旁腺素、B型脑钠肽。
7.根据权利要求5所述的糖尿病肾病及非糖尿病性肾脏疾病鉴别诊断预测模型的构建方法，其特征在于，将行肾穿刺活检的2型糖尿病患者随机分为训练集和验证集，使用训练集患者构建预测模型，验证集患者进行内部验证，验证所述预测模型的精确度，所述训练集和验证集中患者的数量比为7:3。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010291649.9A CN113539470A (zh) | 2020-04-14 | 2020-04-14 | 一种糖尿病肾病及非糖尿病性肾脏疾病鉴别诊断预测模型及构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010291649.9A CN113539470A (zh) | 2020-04-14 | 2020-04-14 | 一种糖尿病肾病及非糖尿病性肾脏疾病鉴别诊断预测模型及构建方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113539470A true CN113539470A (zh) | 2021-10-22 |
Family
ID=78120014
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010291649.9A Pending CN113539470A (zh) | 2020-04-14 | 2020-04-14 | 一种糖尿病肾病及非糖尿病性肾脏疾病鉴别诊断预测模型及构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113539470A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114613510A (zh) * | 2022-03-08 | 2022-06-10 | 深圳市第二人民医院(深圳市转化医学研究院) | 一种狼疮性肾炎患者肾小球微血栓形成的模型构建方法 |
| CN114882988A (zh) * | 2022-03-22 | 2022-08-09 | 复旦大学附属中山医院 | 一种急性主动脉夹层诊断预测*** |
| CN117711618A (zh) * | 2023-12-15 | 2024-03-15 | 南方医科大学南方医院 | 一种基于蛋白质的肾脏病发生风险预测***及存储介质 |
| CN117727459A (zh) * | 2024-02-18 | 2024-03-19 | 中国人民解放军总医院第一医学中心 | 慢性肾病5期合并2型糖尿病的透析时机预测方法及*** |
| CN117954098A (zh) * | 2024-03-26 | 2024-04-30 | 天津医科大学朱宪彝纪念医院(天津医科大学代谢病医院、天津代谢病防治中心) | 一种糖尿病肾病鉴别诊断模型与*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008030273A2 (en) * | 2006-09-01 | 2008-03-13 | American Type Culture Collection | Compositions and methods for diagnosis and treatment of type 2 diabetes |
| CN107122610A (zh) * | 2017-04-28 | 2017-09-01 | 广州普麦健康咨询有限公司 | 一种糖尿病分型方法及装置 |
| CN107403072A (zh) * | 2017-08-07 | 2017-11-28 | 北京工业大学 | 一种基于机器学习的2型糖尿病预测预警方法 |
| CN110491512A (zh) * | 2019-08-08 | 2019-11-22 | 郑州大学第一附属医院 | 一种对肾活检确诊糖尿病肾病患者3年内进入到终末期肾脏病风险预测的方法 |
| CN110634563A (zh) * | 2019-06-21 | 2019-12-31 | 中国人民解放军总医院 | 一种糖尿病肾病-非糖尿病肾病鉴别诊断装置 |
-
2020
- 2020-04-14 CN CN202010291649.9A patent/CN113539470A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008030273A2 (en) * | 2006-09-01 | 2008-03-13 | American Type Culture Collection | Compositions and methods for diagnosis and treatment of type 2 diabetes |
| CN107122610A (zh) * | 2017-04-28 | 2017-09-01 | 广州普麦健康咨询有限公司 | 一种糖尿病分型方法及装置 |
| CN107403072A (zh) * | 2017-08-07 | 2017-11-28 | 北京工业大学 | 一种基于机器学习的2型糖尿病预测预警方法 |
| CN110634563A (zh) * | 2019-06-21 | 2019-12-31 | 中国人民解放军总医院 | 一种糖尿病肾病-非糖尿病肾病鉴别诊断装置 |
| CN110491512A (zh) * | 2019-08-08 | 2019-11-22 | 郑州大学第一附属医院 | 一种对肾活检确诊糖尿病肾病患者3年内进入到终末期肾脏病风险预测的方法 |
Non-Patent Citations (3)
| Title |
|---|
| 周建辉等: "糖尿病肾病与非糖尿病性肾脏疾病的对比分析及其诊断概率回归方程的建立", 中华肾脏病杂志, vol. 21, no. 4, 30 April 2005 (2005-04-30), pages 182 - 184 * |
| 汪年松: "糖尿病肾病", 31 December 2016, 上海：上海交通大学出版社, pages: 289 * |
| 王申伟: "2型糖尿病患者合并非糖尿病肾损害的临床病理特征研究", 山西医药杂志, vol. 49, no. 1, pages 38 - 39 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114613510A (zh) * | 2022-03-08 | 2022-06-10 | 深圳市第二人民医院(深圳市转化医学研究院) | 一种狼疮性肾炎患者肾小球微血栓形成的模型构建方法 |
| CN114882988A (zh) * | 2022-03-22 | 2022-08-09 | 复旦大学附属中山医院 | 一种急性主动脉夹层诊断预测*** |
| CN117711618A (zh) * | 2023-12-15 | 2024-03-15 | 南方医科大学南方医院 | 一种基于蛋白质的肾脏病发生风险预测***及存储介质 |
| CN117727459A (zh) * | 2024-02-18 | 2024-03-19 | 中国人民解放军总医院第一医学中心 | 慢性肾病5期合并2型糖尿病的透析时机预测方法及*** |
| CN117954098A (zh) * | 2024-03-26 | 2024-04-30 | 天津医科大学朱宪彝纪念医院(天津医科大学代谢病医院、天津代谢病防治中心) | 一种糖尿病肾病鉴别诊断模型与*** |
| CN117954098B (zh) * | 2024-03-26 | 2024-06-07 | 天津医科大学朱宪彝纪念医院(天津医科大学代谢病医院、天津代谢病防治中心) | 一种糖尿病肾病鉴别诊断*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113539470A (zh) | 一种糖尿病肾病及非糖尿病性肾脏疾病鉴别诊断预测模型及构建方法 | |
| US20030004906A1 (en) | Method for selecting medical and biochemical diagnostic tests using neural network-related applications | |
| WO2002087431B1 (en) | Diagnosing inapparent diseases from common clinical tests using bayesian analysis | |
| JP3987675B2 (ja) | 臨床検査システム | |
| CN114724716A (zh) | 进展为2型糖尿病的风险预测的方法、模型训练及装置 | |
| CN114898873A (zh) | 一种糖尿病前期患者心血管疾病风险的预测方法及*** | |
| CN114242245A (zh) | 一种基于电子病历记录数据预测糖尿病肾病发生风险的机器学习方法、***和装置 | |
| CN116259410A (zh) | 一种肝癌发生风险预测模型及其网络计算器的构建方法 | |
| CN114023433A (zh) | 一种预测急性胰腺炎患者严重程度的早期预测*** | |
| CN113160985A (zh) | 一种covid-19临床不良预后风险的预测方法及*** | |
| CN115128285B (zh) | 一种蛋白质组合对甲状腺滤泡性肿瘤鉴别评估的试剂盒、*** | |
| CN115691788A (zh) | 一种基于异构数据的双重注意力耦合网络糖尿病分类*** | |
| Zhou et al. | A novel laboratory-based model to predict the presence of obstructive coronary artery disease comparison to coronary artery disease consortium 1/2 score, duke clinical score and diamond-forrester score in china | |
| CN115565690A (zh) | 一种基于机器学习的孤独症谱系障碍早期识别方法 | |
| CN115497628A (zh) | Tbi术后总体不良预后的早期预测模型的构建以及统计方法 | |
| CN113990485A (zh) | 一种基于常规检验数据与知识图谱联合诊断疾病的方法 | |
| KR20220075700A (ko) | gPRS를 이용한 제2형 당뇨질환 예측 시스템 | |
| Jiang et al. | Validation and comparison of PROMISE and CONFIRM model to predict high-risk coronary artery disease in symptomatic and diabetes mellitus patients | |
| WO2021026452A1 (en) | Improving risk adjusted mortality rate using automated determination of patient co-morbidities | |
| CN116612889A (zh) | 一种慢性肾病辅助筛查模型构建方法、筛查方法及*** | |
| WO2020016456A1 (en) | Method of performing differential diagnosis of neurodegenerative diseases in a subject | |
| CN117542523A (zh) | 维持性血液透析老年患者死亡风险预测模型及其构建方法 | |
| CN116469560A (zh) | 一种慢性心力衰竭患者的共病负担评估*** | |
| CN113034434B (zh) | 一种预测covid-19严重程度的多因素人工智能分析方法 | |
| WO2023102840A1 (zh) | 基因标志物在预测孕妇子痫前期风险中的应用 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |