切换至 "中华医学电子期刊资源库"
高级检索
中华肾病研究电子杂志

中华肾病研究电子杂志 ›› 2021, Vol. 10 ›› Issue (05) : 246 -251. doi: 10.3877/cma.j.issn.2095-3216.2021.05.002

论著

基于分类树方法构建糖尿病肾脏疾病发病风险模型
季红娟1, 林娟2,†()   
  1. 1. 210006　南京市中医院全科医学科
    2. 210006　南京市中医院药学部
  • 收稿日期:2021-03-11 出版日期:2021-10-20
  • 通信作者: 林娟

Construction of a model for the onset-risk of diabetic kidney disease based on the classification tree method

Hongjuan Ji1, Juan Lin2,†()   

  1. 1. Department of General Practice; Nanjing Hospital of Traditional Chinese Medicine, Nanjing 210006, Jiangsu Province, China
    2. Department of Pharmacy; Nanjing Hospital of Traditional Chinese Medicine, Nanjing 210006, Jiangsu Province, China
  • Received:2021-03-11 Published:2021-10-20
  • Corresponding author: Juan Lin
全文 ( ) 下载PDF ( ) 导出引用
引用本文：

季红娟, 林娟. 基于分类树方法构建糖尿病肾脏疾病发病风险模型[J]. 中华肾病研究电子杂志, 2021, 10(05): 246-251.

Hongjuan Ji, Juan Lin. Construction of a model for the onset-risk of diabetic kidney disease based on the classification tree method[J]. Chinese Journal of Kidney Disease Investigation(Electronic Edition), 2021, 10(05): 246-251.

目的

应用分类树方法构建糖尿病肾脏疾病(DKD)发病风险模型，并评价其应用价值。

方法

选择2017年2月至2020年8月在南京中医院确诊的285例糖尿病患者，其中DKD患者76例(DKD组)、单纯糖尿病患者209例(对照组)，比较两组患者临床资料与DKD之间的相关性，采用单因素、多因素Logistic回归方法分析DKD的相关影响因素。采用卡方自动交互检测分类树算法建立DKD发病风险的预测模型；采用收益图、索引图、错分概率评价模型的应用价值。

结果

DKD发病风险的分类树模型包括3层，共8个结点；共筛选出糖尿病病程、体质量指数、收缩血压、糖化血红蛋白(HbAlc)4个解释变量，其中最重要的预测因素为HbAlc。模型的错分概率为0.149，模型的拟合效果较好。

结论

分类树模型不仅能有效预测DKD的发病风险，还可以分析变量间的交互作用。控制长期糖尿病患者的体重、血糖和血压将有助于防控DKD的发生风险。

关键词: 糖尿病肾脏疾病, 风险因素, 分类树, 预测模型
Objective

To apply the classification tree method for constructing a model for the onset-risk of diabetic kidney disease (DKD), and to evaluate its value in application.

Methods

285 diabetic patients diagnosed in the Nanjing Hospital of Traditional Chinese Medicine from February 2017 to August 2020 were selected, including 76 patients with DKD (DKD group) and 209 patients with simple diabetes (control group). The correlation between the clinical data and DKD was analyzed for the two groups. Single-factor and multi-factor logisitic regression method was used to analyze the relevant influencing factors of DKD. The chi-squared automatic interaction detector (CHAID) classification tree algorithm was used to establish a predictive risk model for the onset of DKD. The value for application of the model was evaluated with the income graph, index graph, and misclassification probability.

Results

The classification tree model for the onset-risk of DKD included 3 layers with a total of 8 nodes. Four explanatory variables were screened out, including diabetes course, body mass index, systolic blood pressure, and glycosylated hemoglobin (HbA1c), among which HbAlc was the most important predictor. The misclassification probability of the model was 0.149, indicating that the fitting effect of the model was good.

Conclusion

The classification tree model could not only effectively predict the onset-risk of DKD, but also analyze the interaction between the variables. Controlling the weight, blood sugar, and blood pressure of patients with long-term diabetes may help prevent and control the onset-risk of DKD.

Key words: Diabetic kidney disease, Risk factors, Classification tree, Prediction model
表1 影响糖尿病患者并发糖尿病肾脏疾病的单因素分析[±s或n(%)]
指标 DKD组(n＝76) 对照组(n＝209) t/χ2值 P值
年龄(岁) 56.28±11.83 55.24±12.35 0.636 0.526
性别 45/31 115/94 0.397 0.529
BMI(kg/m2) 26.43±2.87 24.32±2.44 6.151 <0.001
糖尿病病程(年) 12.85±3.46 9.86±2.75 7.554 <0.001
SBP(mm Hg) 159.43±23.12 138.47±21.46 7.141 <0.001
DBP(mm Hg) 84.56±14.27 81.23±13.56 1.808 0.072
吸烟史 26(34.21) 61(29.19) 0.663 0.415
饮酒史 24(31.58) 50(23.92) 1.699 0.192
DR 28(36.84) 56(26.79) 2.707 0.100
FBG(mmol/L) 9.46±2.58 8.49±2.16 3.178 0.002
HbA1c(%) 8.59±2.47 7.49±1.96 3.897 <0.001
TG(mmol/L) 1.54±0.46 1.45±0.38 1.668 0.096
TC(mmol/L) 4.16±0.76 4.11±0.71 0.516 0.606
表2 影响糖尿病患者并发糖尿病肾病疾病的logistic单因素分析
指标 OR值 OR的95%CI P值
年龄(岁) 1.136 0.943~1.329 0.162
性别 1.256 1.121~1.391 0.487
BMI(kg/m2) 1.604 1.426~1.782 0.021
糖尿病病程(年) 2.426 1.745~3.107 0.029
SBP(mm Hg) 1.432 1.187~1.677 <0.001
DBP(mm Hg) 2.264 2.034~2.494 0.157
吸烟史 1.873 1.437~2.309 0.714
饮酒史 1.342 1.312~1.372 0.098
DR 1.534 1.274~1.794 0.087
FBG(mmol/L) 2.103 1.856~2.894 0.026
HbA1c(%) 2.463 2.124~2.802 0.018
TG(mmol/L) 1.621 1.132~2.110 0.093
TC(mmol/L) 1.341 1.141~1.541 0.124
HDL-C(mmol/L) 1.342 1.115~1.569 0.147
LDL-C(mmol/L) 1.442 1.345~1.539 0.564
UA(μmol/L) 2.721 2.463~2.979 0.011
表3 影响糖尿病患者并发糖尿病肾脏疾病单因素分析中变量共线性诊断
指标 VIF
BMI(kg/m2) 1.532
糖尿病病程(年) 1.214
SBP(mm Hg) 1.047
FBG(mmol/L) 2.542
HbA1c(%) 1.149
UA(μmol/L) 1.231
表4 影响糖尿病患者并发糖尿病肾脏疾病的Logistic多因素分析
指标 回归系数 标准误 Wald χ2 OR值 OR的95%CI P值
BMI(kg/m2) 0.747 0.302 6.118 3.763 2.561~4.965 0.017
糖尿病病程(年) 0.872 0.361 5.835 2.985 2.413~3.557 0.023
SBP(mmHg) 0.587 0.207 8.041 1.873 1.361~2.385 0.010
FBG(mmol/L) 0.953 0.462 4.255 1.982 1.854~2.110 0.121
HbA1c(%) 0.665 0.413 2.593 1.436 1.134~1.738 <0.001
UA(μmol/L) 1.345 0.621 4.691 3.433 2.569~4.297 0.039
常量 -6.431 1.125 32.678 0.001   <0.001
图1 DKD发病风险的分类树模型
表5 糖尿病肾脏疾病发病风险的分类表
节点 无 有 总计 预测类别 父节点
例数 百分比(%) 例数 百分比(%) 例数 百分比(%)
0 209 73.3 76 26.7 285 100.0 有  
1 26 31.0 58 69.0 84 29.5 有  
2 183 91.0 18 9.0 201 70.5 无 0
3 8 15.1 45 84.9 53 18.6 有 1
4 18 58.1 13 41.9 31 10.9 有 1
5 28 77.8 8 22.2 36 12.6 有 2
6 155 93.9 10 6.1 165 57.9 无 2
7 25 78.1 7 21.9 32 11.2 无 6
8 130 97.7 3 2.3 133 46.7 无 6
图2 糖尿病肾脏疾病发病风险分类树模型收益图
表6 分类树模型的节点增益表[n(%)]
节点 节点 增益 响应百分比(%) 增益提升指数(%)
3 53(18.6) 45(59.2) 84.9 318.4
4 31(10.9) 13(17.1) 41.9 157.3
5 36(12.6) 8(10.5) 22.2 83.3
7 32(11.2) 7(9.2) 21.9 82.0
8 133(46.7) 3(3.9) 2.3 8.5
图3 糖尿病肾脏疾病发病风险分类树模型索引图
[1]
曾富元，史晓腾. 吡格列酮联合替米沙坦对糖尿病肾病患者血清TGF-β-1、MMP-9、TIMP-1水平及肾功能的影响[J]. 临床合理用药杂志，2021, 14(4): 20-22.
[2]
徐庆东，郭焕开，陈洁欣，等. 血清SFRP-4水平与2型糖尿病肾病患者胰岛素抵抗、肾功能及肾纤维化指标的相关性[J]. 疑难病杂志，2021, 20(2): 158-162.
[3]
吴修红，刘静，朴成玉，等. 当归补血汤治疗糖尿病肾病作用机制研究进展[J]. 中医药学报，2021, 49(2): 79-82.
[4]
石妍妍. 2型糖尿病患者的糖尿病肾病影响因素分析[D]. 郑州：郑州大学，2020.
[5]
李东哲，王丹丹，蔡明，等. 糖尿病肾病影响因素及相关信号通路研究进展[J]. 承德医学院学报，2020, 37(4): 333-337.
[6]
张丽敏，高燕，李鸿燕，等. 影响糖尿病肾病患者发病的相关因素分析[J]. 重庆医学，2014, 43(27): 3649-3651.
[7]
王金塔，孙丽. 2014-2017年常州市学生男男性行为者血浆硒水平及影响因素[J]. 卫生研究，2019, 48(4): 567-572.
[8]
余方琳，叶莺，严延生. 福建省居民膳食模式及基于分类树模型的糖尿病影响因素分析[J]. 中华流行病学杂志，2017, 38(5): 602-610.
[9]
何纲，张志侨，叶一农，等. 慢加急性肝衰竭患者发生肝性脑病高危人群的分类树模型和简易风险评估[J]. 中国热带医学，2020, 20(3): 275-280.
[10]
王雪莹，李楠，郭佳桐，等. 基于分类树模型对高尿酸血症的影响因素分析[J]. 中华疾病控制杂志，2019, 23(11): 1364-1369.
[11]
肖傲霜. 基于分类树模型的妊娠期不良症状与围产期抑郁症状相关性及交互作用探究[D]. 武汉：武汉轻工大学，2019.
[12]
中华医学会糖尿病学分会. 中国2型糖尿病防治指南(2017年版)[J]. 中国实用内科杂志，2018, 38(4): 292-344.
[13]
赵文波，李明，唐骅，等. 应用分类树模型构建糖尿病肾病蛋白尿进展的风险预测模型[J]. 第三军医大学学报，2013, 35(11): 1144-1147.
[14]
廖志波，刘迅，成彩联，等. 慢性肾脏病3-4期糖尿病肾脏疾病患者进展到终末期肾病的危险因素分类树模型分析[J]. 中山大学学报(医学科学版), 2019, 40(5): 767-773.
[15]
魏颖，毛宝宏，王剑，等. 应用分类树模型分析女性性功能障碍的影响因素[J]. 中国性科学，2019, 28(12): 83-89.
[16]
董俊，杨莉，杨蓓，等. 2型糖尿病患者合并糖尿病肾病的临床特征及相关危险因素分析[J]. 中国医学创新，2020, 17(21): 43-46.
[17]
石妍妍. 2型糖尿病患者的糖尿病肾病影响因素分析[D]. 郑州：郑州大学，2020.
[18]
高赛赛，张爱鸣，杨宏，等. 糖尿病肾病的危险因素分析[J]. 中国基层医药，2020, 27(18): 2257-2260.
[19]
张波，丁文谦. 托拉塞米治疗伴利尿剂抵抗糖尿病肾病患者的临床效果[J]. 中国当代医药，2019, 26(26): 36-38, 43.
[20]
Hu J, Du Y. Managing chronic kidney disease in diabetes patients with the latest chemical therapies [J]. Expert Rev Clin Pharmacol, 2019, 12(1): 53-60.
[21]
白倩，陈琰，代闪，等. 2型糖尿病患者血糖波动指标与MAU的相关性[J]. 临床与病理杂志，2019, 39(8): 1698-1704.
[22]
Scott SN, Christiansen MP, Fontana FY, et al. Evaluation of factors related to glycemic management in professional cyclists with type 1 diabetes over a 7-day stage race [J]. Diabetes Care, 2020, 43(5): 1142-1145.
[23]
Radcliffe NJ, Seah JM, Clarke M, et al. Clinical predictive factors in diabetic kidney disease progression [J]. J Diabetes Investig, 2017, 8(1): 6-18.
[24]
马剑侠. 2型糖尿病肾脏疾病临床危险因素分析及FoxO1与2型糖尿病肾脏疾病风险关系研究[D]. 石家庄：河北医科大学，2020.
[25]
韩金良. 同型半胱氨酸、血清胱抑素C、超敏C反应蛋白联合检测在糖尿病肾病早期诊断中的应用[J]. 中国现代医生，2019, 57(19): 132-134.
[26]
Ravindran R, Kalaivalli S, Srinivasagalu S, et al. A study on prevalence and risk factors of diabetic nephropathy in newly detected type 2 diabetic patients [J]. J Diabetol, 2020, 11(2): 109-114.
[27]
中国高血压防治指南修订委员会. 中国高血压防治指南(2018修订版)[J]. 中国心血管杂志，2019, 24(1): 24-56.
[28]
Hu F, Zhang TT. Study on risk factors of diabetic nephropathy in obese patients with type 2 diabetes mellitus [J]. Int J Gen Med, 2020, 13: 351-360.
[29]
Okada S, Samejima K, Matsui M, et al. Microscopic hematuria is a risk factor for end-stage kidney disease in patients with biopsy-proven diabetic nephropathy [J]. BMJ Open Diabetes Res Care, 2020, 8(2): e001863.
[1] 汪彦阳, 周远洋, 魏雪菲, 陶志嵩, 龚海燕. 基于癌症基因组图谱构建乳腺癌中WAC反义RNA1的加权基因共表达网络和临床预测模型[J]. 中华乳腺病杂志(电子版), 2023, 17(04): 218-228.
[2] 陈永庄, 莫小乔, 谢天. 心血管事件患者术后30 d死亡风险决策树模型的构建与评估——基于少数类样本合成过采样技术算法[J]. 中华危重症医学杂志(电子版), 2023, 16(05): 390-398.
[3] 王迎迎, 谢平. 乙型肝炎病毒感染合并肺结核患者发生肝损伤的危险因素及预测模型构建[J]. 中华实验和临床感染病杂志(电子版), 2023, 17(04): 267-273.
[4] 徐双云, 汪佩林, 卫志文. 轮状病毒阳性肠炎并发惊厥危险因素及相关预测模型构建[J]. 中华实验和临床感染病杂志(电子版), 2023, 17(04): 260-266.
[5] 张俊, 罗再, 段茗玉, 裘正军, 黄陈. 胃癌预后预测模型的研究进展[J]. 中华普通外科学文献(电子版), 2023, 17(06): 456-461.
[6] 李坤河, 寇萌佳, 邝立挺. 肝移植术后二次气管插管的危险因素及预测模型的建立[J]. 中华普通外科学文献(电子版), 2023, 17(05): 366-371.
[7] 樊逸隽, 杨枫, 王玮, 殷鹤英, 刘俊. 喉前淋巴结转移对甲状腺乳头状癌诊疗价值的研究进展[J]. 中华普通外科学文献(电子版), 2023, 17(04): 306-310.
[8] 唐旭, 韩冰, 刘威, 陈茹星. 结直肠癌根治术后隐匿性肝转移危险因素分析及预测模型构建[J]. 中华普外科手术学杂志(电子版), 2024, 18(01): 16-20.
[9] 王万川, 麦广智, 张晓槟, 冯家豪. 腹腔镜下LAR术治疗低位直肠癌保肛术中钉仓数量与术后LARS的关系[J]. 中华普外科手术学杂志(电子版), 2023, 17(05): 491-496.
[10] 贾成朋, 王代宏, 陈华, 孙备. 可切除性胰腺癌预后术前预测模型的建立及应用[J]. 中华普外科手术学杂志(电子版), 2023, 17(05): 566-570.
[11] 徐伯麒, 陶亮, 章帆, 毛忠琦. 结肠癌患者淋巴结转移预测模型的建立[J]. 中华普外科手术学杂志(电子版), 2023, 17(04): 393-397.
[12] 李芳, 孙海云. 风险因素护理干预对合并失代偿性肝硬化的腹股沟疝患者Lichtenstein术围手术期应用效果[J]. 中华疝和腹壁外科杂志(电子版), 2023, 17(04): 477-480.
[13] 杨静, 顾红叶, 赵莹莹, 孙梦霞, 查园园, 王琪. 老年血液透析患者短期死亡的影响因素及列线图预测模型的预测作用[J]. 中华肾病研究电子杂志, 2023, 12(05): 254-259.
[14] 李飞翔, 段虎斌, 李晋虎, 吴昊, 王永红, 范益民. 急性颅脑损伤继发下肢静脉血栓的相关危险因素分析及预测模型构建[J]. 中华神经创伤外科电子杂志, 2023, 09(05): 277-282.
[15] 王亚丹, 吴静, 黄博洋, 王苗苗, 郭春梅, 宿慧, 王沧海, 王静, 丁鹏鹏, 刘红. 白光内镜下结直肠肿瘤性质预测模型的构建与验证[J]. 中华临床医师杂志(电子版), 2023, 17(06): 655-661.
阅读次数
全文


摘要

版权所有 中华医学会 中华医学电子音像出版社有限责任公司  京ICP备14006079号-1  网络出版服务许可证：(署)网出证(京)字第075号