CN114792567A - 一种用于预测2型糖尿病患者骨折发生风险的装置 - Google Patents
一种用于预测2型糖尿病患者骨折发生风险的装置 Download PDFInfo
- Publication number
- CN114792567A CN114792567A CN202210555674.2A CN202210555674A CN114792567A CN 114792567 A CN114792567 A CN 114792567A CN 202210555674 A CN202210555674 A CN 202210555674A CN 114792567 A CN114792567 A CN 114792567A
- Authority
- CN
- China
- Prior art keywords
- fracture
- risk
- patient
- model
- cdfr
- 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
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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Physics & Mathematics (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明涉及一种用于预测2型糖尿病患者骨折发生风险的装置,包括:数据获取模块:用于获取2型糖尿病患者的基线临床数据;结局事件定义模块:用于定义结局事件,并获取2型糖尿病患者在预设时间内发生的结局事件及发生时间,其中,所述结局事件为主要骨质疏松性骨折事件;变量筛选模块:用于对所述基线临床数据和结局事件进行分析,得到若干骨折关键预测因子;模型构建模块:用于根据所述若干骨折关键预测因子构建CDFR模型;预测模块:用于通过所述CDFR模型来预测2型糖尿病患者发生主要骨质疏松性骨折的风险。本发明能够有效预测2型糖尿病患者发生主要骨质疏松性骨折的风险。
Description
技术领域
本发明涉及骨折风险预测技术领域,特别是涉及一种用于预测2型糖尿病患者骨折发生风险的装置。
背景技术
2型糖尿病(Type 2diabetes mellitus,T2DM)是一个日益严重的公共卫生问题。在中国,T2DM在成人中的患病率约为11%。同时,人口老龄化和预期寿命的增加将导致全球骨质疏松负担的进一步增加,尤其是在中国。有趣的是,这两种情况之间存在着复杂的病理生理相互作用,T2DM会影响骨矿物质密度(BMD)和骨质量,而某些抗糖尿病药物也会影响骨代谢,并且糖尿病慢性并发症与跌倒和随后的骨折风险之间存在关联。近年来,骨质疏松骨折被认为是T2DM的并发症,引起了广泛的关注。值得注意的是,T2DM患者的骨质量是受损的,尽管与正常患者相比其骨密度正常甚至较高。然而,由于骨密度与骨折风险之间的不一致、以及糖尿病慢性并发症与抗糖尿病药物对骨折风险的影响,筛查具有高骨折风险的T2DM患者是一项挑战。
自1970年代提出第一个心血管风险评估方程以来,风险计算器的使用大大促进了慢性病的管理。在骨折预测领域,使用最广泛的工具是由世界卫生组织推荐的FRAX,它是根据容易获取得骨折临床危险因素以及股骨颈骨密度(可选)来预测10年主要骨质疏松性骨折(Major osteoporotic fracture,主要骨质疏松性骨折)和髋部骨折(Hip fracture,HF)风险。目前,国际社会加强了其在一般人群中指导骨质疏松性骨折治疗方面的作用。然而,一方面,与血糖正常者相比,T2DM患者骨折风险增加并不伴随着骨密度的明显降低,这说明骨密度对于预测T2DM骨折不够敏感;另一方面,FRAX未纳入T2DM及糖尿病相关变量,多项研究报道了FRAX低估了T2DM患者的骨折风险。为解决FRAX应用于T2DM患者的限制,国内外提出了几种调整方法,包括选择风湿性关节炎(Rheumatoid arthritis,RA)作为T2DM的等效变量,年龄增加10岁,将骨密度T评分降低0.5等,但最新的研究发现仅通过输入变量调整FRAX的方法难以改变其对T2DM患者主要骨质疏松性骨折风险的系统性低估。
发明内容
本发明所要解决的技术问题是提供一种用于预测2型糖尿病患者骨折发生风险的装置,能够有效预测2型糖尿病患者发生主要骨质疏松性骨折的风险。
本发明解决其技术问题所采用的技术方案是:提供一种用于预测2型糖尿病患者骨折发生风险的装置,包括:
数据获取模块:用于获取2型糖尿病患者的基线临床数据;
结局事件定义模块:用于定义结局事件,并获取2型糖尿病患者在预设时间内发生的结局事件及发生时间,其中,所述结局事件为主要骨质疏松性骨折事件;
变量筛选模块:用于对所述基线临床数据和结局事件进行分析,得到若干骨折关键预测因子;
模型构建模块:用于根据所述若干骨折关键预测因子构建CDFR模型;
预测模块:用于通过所述CDFR模型来预测2型糖尿病患者发生主要骨质疏松性骨折的风险。
所述变量筛选模块基于基线临床数据与首次结局事件,通过单因素Cox回归得到骨折预测因子集合;再利用多因素Cox回归从所述相关性骨折关键预测因子集合中筛选出若干骨折关键预测因子。
所述变量筛选模块中的若干骨折关键预测因子包括:年龄、性别、既往骨折史、是否伴有糖尿病性周围神经病变、是否使用胰岛素、总胆固醇、甘油三酯和载脂蛋白A。
所述模型构建模块中的根据所述若干骨折关键预测因子构建CDFR模型,具体为:将每个所述骨折关键预测因子作为协变量加入多因素Cox回归分析,来构建CDFR模型。
所述模型构建模块中的根据所述若干骨折关键预测因子构建CDFR模型,还包括:通过检验所述若干骨折关键预测因子间两两的交互作用,得到两两骨折关键预测因子之间的交互作用项,筛选出对骨折预测结果影响波动值超过预设阈值的交互作用项,并将筛选出的交互作用项作为协变量加入多因素Cox回归分析,来构建CDFR模型。
所述模型构建模块中的CDFR模型表达式为:
P(t)=1-H(t)=1-h0(t)*exp[b1*X1+b2*X2+b3*X3+b4*X4+b5*X5+b6*X6+b7*X7+b8*X8+b9*(X1*X4)+b10*(X1*X5)+b11*(X1*X8)]
其中,P(t)为骨折率的预测值;H(t)为非骨折率的预测值;t为距离当前时间的年数且t∈Z;h0(t)为基准风险;X1为患者基线时的年龄;X2为患者性别,若是女性则为1,若是男性则为0;X3为入院前是否有过既往骨折史,有则为1,无则为0;X4为患者基线时是否并发糖尿病性周围神经病变,有则为1,无则为0;X5为基线时患者采用的降糖方案中是否有包括胰岛素,有则为1,无则为0;X6为基线总胆固醇值;X7为基线甘油三酯值;X8为基线载脂蛋白A值;X1*X4表示患者年龄与糖尿病性周围神经病变的交互项;X1*X5表示患者年龄与使用胰岛素的交互项;X1*X8表示患者年龄与载脂蛋白A的交互项;b1~b11分别对应年龄、性别、既往骨折史、糖尿病周围神经病变、胰岛素使用、总胆固醇、甘油三酯、载脂蛋白A、患者年龄与糖尿病性周围神经病变交互项、患者年龄与使用胰岛素交互项以及患者年龄与载脂蛋白A交互项的回归系数值。
所述模型构建模块通过bootstrap重采样对所述CDFR模型进行内部验证。
有益效果
由于采用了上述的技术方案,本发明与现有技术相比,具有以下的优点和积极效果:本发明的CDFR模型能够有效预测2型糖尿病患者发生主要骨质疏松性骨折的风险,并且与应用于一般人群中的FRAX相比,预测准确度和区分度均较高,虽然经输入变量调整后的FRAX在一定程度上减弱了糖尿病的影响,但是整体上未能完全消除糖尿病的影响,在年龄较大亚组、病程较长亚组、胰岛素使用亚组、周围神经病变亚组以及女性亚组中,调整后的FRAX显著低估了T2DM患者发生主要骨质疏松性骨折风险;本发明通过直接引入糖尿病相关因素构建的CDFR模型将有助于弥补FRAX工具对2型糖尿病患者主要骨质疏松性骨折风险的系统性低估,特别是对于病程较长并伴有周围神经病变和胰岛素使用的老年女性T2DM患者,这对于筛查骨质疏松性骨折风险较高的T2DM患者具有重要意义。
附图说明
图1是本发明实施方式的流程图;
图2是本发明实施方式的AUC结果对比图;
图3是本发明实施方式的观察与预测风险的十分位数校准曲线对比实验图;
图4是本发明实施方式的观察风险与预测风险在不同亚组间的对比实验图。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及一种用于预测2型糖尿病患者骨折发生风险的装置,请参阅图1,包括:
数据获取模块:用于获取2型糖尿病(T2DM)患者与骨折风险相关的基线临床数据,包括入院时基线人口统计学、糖尿病病史、合并慢性疾病史、用药史以及实验室检查数据;
结局事件定义模块:用于定义结局事件,搜集T2DM患者自基线日期开始到2021年期间发生的结局事件及其发生时间;其中,所述结局事件为主要骨质疏松性骨折事件;
变量筛选模块:用于通过单因素Cox回归对基线临床数据与首次结局事件进行分析,得到骨折预测因子集合;再利用逆向逐步选择的多因素Cox回归从所述相关性骨折关键预测因子集合中筛选出若干骨折关键预测因子;
模型构建模块:用于根据所述若干骨折关键预测因子构建CDFR模型,本实施方式还将若干骨折关键预测因子作为自变量并检验变量间的交互作用(交互作用指模型中的预测因子对骨折的效应非独立,例如:胰岛素使用与骨折的相关性会随年龄的不同水平而发生变化),将有显著意义的交互项作为协变量加入多因素Cox回归分析中,构建中国糖尿病骨折风险(CDFR)预测模型;其中,具有显著意义的交互项是指可以明显提高CDFR模型预测准确性的交互项。
预测模块:用于通过所述CDFR模型来预测T2DM患者发生主要骨质疏松性骨折的风险;
评价模块:用于结合T2DM患者10年期间真实的骨折率对CDFR模型预测能力进行评价,评价指标包括区分度、校准度及临床实用性。
以下对本实施方式进行详细介绍:
1、研究对象的选取
本实施方式是一项回顾性队列研究。首先提取2009年8月至2013年7月在上海交通大学医学院瑞金医院内分泌代谢病科住院的2型糖尿病患者的临床信息,每个患者都有一个唯一的识别号码,首次入院日期被定义为基线日期。排除基线时合并原发性或继发性甲状旁腺功能亢进、终末期肾病(eGFR<30ml/min/1.73m2)及恶性肿瘤患者后,通过电话随访对1876例T2DM患者收集的骨折事件,同时在电子医疗记录(electronic health records,EHRs)中查询影像学记录来进行核实。最终,1730例(92.2%)完成了结局事件的调查,中位随访时间为10年[四分位数范围(IQR)9-11]。
2.基线临床资料收集
在数据获取模块中,由训练有素的住院医师在入院期间对参与者进行详细病史调查,包括一般特征(年龄、性别等)及糖尿病相关病史。低血糖史定义为糖尿病治疗期间出现饥饿、心悸、出汗等低血糖典型症状(有或无血糖低于3.9mmol/l的记录)。糖尿病周围神经病变(Diabetic peripheral neuropathy,DPN)的诊断依据为明确的糖尿病病史,存在肢体麻木等临床症状和(或)周围神经传导异常的电生理证据,并排除导致周围神经病变的其它原因。糖尿病视网膜病变的诊断基于眼底检查(眼底镜检查和/或眼科医生评估发现的任何级别)。骨质疏松的诊断根据中国原发性骨质疏松症的诊断和治疗指南,通过DXA-BMD和既往病史进行综合判断。合并慢性疾病史包括冠心病、高血压、脑血管疾病通过既往史和(或)出院诊断记录来确定。药物使用情况(包括胰岛素、口服降糖药物、降脂药物、降压药物、抗骨质疏松药物)从EHRs中的用药记录中获取。实验室检查指标从EHRs中提取,包括糖化血红蛋白A1c(glycosylated hemoglobin,HbA1c)、血清白蛋白(serum albumin,ALB)、总胆固醇(total cholesterol,TC)、甘油三酯(triglycerides,TG)、低密度脂蛋白(LDL)、高密度脂蛋白(HDL)、载脂蛋白A(apolipoproteinA,APOA)、载脂蛋白B(apolipoprotein B,APOB)和肌酐(creatinine,Cr)水平,并根据2009年CKD-EPI公式计算肾小球滤过率(eGFR)。
3.研究终点(结局事件)
在结局事件定义模块中,研究的结局事件为参与者随访期间新发生的主要骨质疏松性骨折(包括髋部、临床脊柱、肱骨近端和前臂/腕部),排除开放性多处骨折等与暴力相关的骨折。随访期定义为从基线日期到第一次骨折、死亡或随访期结束(以最先发生者为准)。主要骨质疏松性骨折事件是通过电话自我报告和/(或)HER中查询到的影像学资料共同确定的。所有有争议的骨折都是经过专家小组讨论后做出的决定。
4.变量筛选
在变量筛选模块中,首先对在随访期间经历过主要骨质疏松性骨折(MOF)的患者和未经历过(N-MOF)的患者的基线临床特征进行分析。请参阅表1,与N-MOF组相比,MOF组基线时年龄更大、糖尿病持续时间更长、女性比例更大、且胰岛素使用、既往骨折史、合并DPN、高血压、骨质疏松症更常见,这些差异均有统计学意义(P<0.05)。此外MOF组血清学指标HDL、APOA均显著高于N-MOF组(均P<0.05),而TG和eGFR均低于N-MOF组(均P<0.05)。
表1关于随访期间MOF与N-MOF的T2DM患者基线的临床特征数据表
N-MOF | MOF | P | |
Number(%) | 1621(93.7) | 109(6.3) | |
Age(years) | 54.5±11.8 | 62.4±10.3 | <0.001 |
Sex(%Female) | 510(31.5) | 76(69.7) | <0.001 |
BMI*(kg/m2) | 25.3±3.8 | 24.5±3.8 | 0.054 |
Current smoking(%) | 429(26.5) | 9(8.3) | <0.001 |
Current drinking(%) | 158(9.7) | 3(2.8) | 0.015 |
Previous fracture(%) | 67(4.1) | 16(14.7) | <0.001 |
Diabetes duration(years) | 7(3,12) | 10(5,15) | <0.001 |
Hypoglycemia(%ever) | 138(8.5) | 15(13.8) | 0.062 |
HbAlC*(%) | 8.2(7.0,10) | 7.9(7.0,9.5) | 0.241 |
Insulinuse(%) | 749(46.2) | 64(58.7) | 0.011 |
Metforminuse(%) | 732(45.2) | 47(43.1) | 0.679 |
Sulfonylurea use(%) | 379(23.4) | 26(23.9) | 0.91 |
TZD use(%) | 106(6.5) | 3(2.8) | 0.115 |
DPN(%) | 577(35.6) | 62(56.9) | <0.001 |
Diabetic retinopathy(%) | 326(20.1) | 28(25.7) | 0.162 |
eGFR*(mL/min/1.73m<sup>2</sup>) | 98.2±17.5 | 91±16.4 | <0.001 |
Total serum protein*(g/L) | 64.1±5.3 | 64.2±5.1 | 0.823 |
Serum albumin*(g/L) | 38±3.6 | 37.4±3.2 | 0.082 |
Total cholesterol*(mmol/L) | 4.56(3.91,5.22) | 4.67(3.94,5.32) | 0.628 |
Triglycerides*(mmol/L) | 1.73(1.16,2.56) | 1.56(1.03,2.36) | 0.044 |
HDL*(mmol/L) | 1.05(0.90,1.28) | 1.2(1.01,1.41) | <0.001 |
LDL*(mmol/L) | 2.73(2.2,3.31) | 2.77(2.26,3.14) | 0.528 |
Apolipoprotein A*(g/L) | 121(1.07,1.41) | 1.33(1.17,1.56) | <0.001 |
Apolipoprotein B*(g/L) | 0.95±0.23 | 0.92±0.22 | 0.274 |
Lipid-lowering medications(%) | 636(39.2) | 40(36.7) | 0.599 |
Hypertension(%) | 780(48.1) | 66(60.6) | 0.012 |
Coronary heart disease(%) | 133(8.2) | 14(12.8) | 0.093 |
Cerebrovascular disease(%) | 183(11.3) | 17(15.6) | 0.173 |
Antihypertensive medication(%) | 693(42.8) | 53(48.6) | 0.231 |
Osteoporosis(%) | 106(6.5) | 18(16.5) | <0.001 |
进一步地,为了确定主要骨质疏松性骨折的关键预测因素,首先,本实施方式采用Cox回归分析方法研究了T2DM患者病程在内的基线临床特征与10年主要骨质疏松性骨折之间的关系。通过单因素Cox模型显示年龄增加、女性、既往骨折史、病程延长、胰岛素使用、DPN、HDL越大、载脂蛋白A越大、合并高血压及骨质疏松与主要骨质疏松性骨折风险增加显著相关(均P<0.05);而当前吸烟、酗酒史及eGFR下降与主要骨质疏松性骨折风险降低显著相关(均P<0.05)。其次,本实施方式使用R Software(Version 4.0.5)的MASS包中的Coxph函数来筛选变量(即通过多因素Cox回归来筛选变量),从模型中包含的所有候选预测变量出发,每次向后删除统计显著性最小的变量,直到Akaike信息准则(AIC)最小。最终筛选出年龄、性别、既往骨折史、DPN情况、胰岛素使用情况、总胆固醇、甘油三酯和载脂蛋白A。请参阅表2,虽然当前吸烟、酗酒史、糖尿病病程、eGFR、HDL、高血压及骨质疏松在单因素Cox回归中与主要骨质疏松性骨折显著相关(即表2中的UnadjustedHR),但当在多因素模型中调整过其它因素后(即表2中的Adjusted HR),其对10年主要骨质疏松性骨折的影响不再显著。表2中的HR表示风险比,若HR>1,则表明患有主要骨质疏松性骨折的风险较大;若HR<1,则表明患有主要骨质疏松性骨折的风险较大小。
表2 T2DM患者临床特征与MOF的关联分析数据表
5.模型构建与内部验证
在模型构建模块中,在逆向逐步选择的多因素Cox回归中筛选出年龄、性别、既往骨折史、DPN、胰岛素使用、载脂蛋白A、总胆固醇和甘油三酯。此外,本实施方式将年龄与变量(包括胰岛素使用、DPN、载脂蛋白A)的相互作用项也作为协变量添加到模型中(最终模型的参数如表3所示)。本实施方式还通过Bootstrap重复采样1000次来验证CDFR模型,校正后的CDFR模型C统计量为0.79,表明内部一致性良好。
表3预测T2DM患者10年期MOF风险的模型参数数据表
根据最终的模型,2型糖尿病患者10年内骨折率的预测公式如下:
P(t)=1-H(t)=1-h0(t)*exp[b1*X1+b2*X2+b3*X3+b4*X4+b5*X5+b6*X6+b7*X7+b8*X8+b9*(X1*X4)+b10*(X1*X5)+b11*(X1*X8)]
其中,P(t)为骨折率的预测值;H(t)为非骨折率的预测值;t为距离当前时间的年数且t∈Z;h0(t)为基准风险;X1为患者基线时的年龄;X2为患者性别,若是女性则为1,若是男性则为0;X3为入院前是否有过既往骨折史,有则为1,无则为0;X4为患者基线时是否并发糖尿病性周围神经病变,有则为1,无则为0;X5为基线时患者采用的降糖方案中是否有包括胰岛素,有则为1,无则为0;X6为基线总胆固醇值;X7为基线甘油三酯值;X8为基线载脂蛋白A值;X1*X4表示患者年龄与糖尿病性周围神经病变的交互项;X1*X5表示患者年龄与使用胰岛素的交互项;X1*X8表示患者年龄与载脂蛋白A的交互项;b1~b11分别对应年龄、性别、既往骨折史、糖尿病周围神经病变、胰岛素使用、总胆固醇、甘油三酯、载脂蛋白A、患者年龄与糖尿病性周围神经病变交互项、患者年龄与使用胰岛素交互项、患者年龄与载脂蛋白A交互项的回归系数(β)值;β值绝对值越大,则说明骨折关键预测因子与结局事件的相关性越大。
在预测模块中,CDFR模型的细节包括回归系数(β)值以及个体10年骨折风险的计算公式已在表3中展示,以下进行详细介绍:
请参阅表3,本实施方式假设一名68岁的女性总胆固醇为4.14mmol/l,甘油三酯2.39mmol/l,载脂蛋白A1.14g/l,伴有胰岛素使用、糖尿病周围神经病变,但不伴有先前骨折史;并且交互作用项是年龄和其他连续变量或分类变量值的乘积。请参阅表3中的“单个示例值(Individual Example Value)”列,这些单个示例值乘以系数(表3中的“系数(Coefficient)”列),结果为表3的“系数×值(Coefficient*Value)”列中。然后为个体计算“系数×值”列的总和,并显示为“个体总和(Individual sum)”。个体未来10年主要骨质疏松性骨折的计算公式为:(相当于上述模型预测公式P(t)),其中,S10为表3中的“基线生存率(Coefficient*Value)”,IndX'B为表3中的“个体总和(Individual sum)”,是“系数×值”总和,MeanX'B为表3中的“平均值(系数×值)Mean(coefficient×value)”。故根据最终模型,预测该女性T2DM患者的未来10年发生主要骨质疏松性骨折的风险为23.1%。
进一步地,评价模块是将CDFR模型与传统FRAX工具进行评估比较,具体如下:
如图2所示,CDFR的AUC(数字2代表的线段)为0.803(95%CI 0.761~0.844),未调整FRAX的AUC(数字1代表的线段)为0.752(95%CI 0.701~0.79)。并且经过实际对比发现,风湿性关节炎(RA)调整后FRAX的AUC、年龄调整后FRAX的AUC分别为0.749、0.759。由此可见,CDFR的AUC显著高于未调整的FRAX(P<0.001),而RA调整或年龄调整后FRAX的AUC与原始FRAX相比无明显差别(P>0.05)。上述对比结果表明,纳入糖尿病相关因子构建的CDFR模型的判别区分能力强于传统的FRAX评分工具。
CDFR模型与传统FRAX工具的校准能力比较如图3所示,在10年随访中,T2DM患者真实的骨折率为6.3%,而未调整的FRAX预测平均主要骨质疏松性骨折风险为2.4%,校准比为2.62(95%CI 2.17~3.08),未调整的FRAX严重低估了T2DM患者10年主要骨质疏松性骨折风险,如图3A所示,所有风险十分位数的校准都很差(校准χ2为134.5;P<0.001)。如图3B、3C所示,FRAX经RA和年龄调整后的校准χ2分别为63.3(p<0.001)和63.7(p<0.001),虽然FRAX经RA或年龄调整后的校准χ2都比未调整的FRAX低很多,但预测的与实际的10年MOF发生风险之间依然有显著差距,尤其是在预测MOF风险十分位中的前三分之一高风险区。而如图3D所示,纳入糖尿病相关因素构建的CDFR模型校准比为0.93(95%CI 0.76,1.09),校准χ2为4.63(P=0.86),表明CDFR模型的预测结果与实际发生风险的结果基本接近,一致性较好。
如图4所示,CDFR模型的预测值在不同亚组中与实际观测测值相比没有明显的校准偏差(以经RA调整后的FRAX作为对比例),其中,图4A、图4B、图4C、图4D、图4E中的数字1代表的线段为CDFR模型、数字2代表的线段为未调整的FRAX、数字3代表的线段为经RA调整后的FRAX、数字4代表的线段为实际观测值。然而,FRAX在所有亚组中都显著低估了T2DM患者10年主要骨质疏松性骨折风险,并且在年龄超过60岁亚组(图4A)、糖尿病病程超过10年亚组(图4B)、女性亚组(图4C)、胰岛素使用亚组(图4D)和DPN亚组(图4E)的人群中低估程度超过67%(实际观测/预测的比超过3),即使FRAX经过RA调整,除了年龄小于50岁,糖尿病病程低于5年和男性外,其余亚组仍然存在显着低估,低估程度在31%~66%之间(观察/预测的比在1.46~2.95之间),表明CDFR在不同亚组中与实际检测值相比没有明显的校准偏差,可靠性较高。
由此可见,本发明的CDFR模型能够有效预测2型糖尿病患者发生主要骨质疏松性骨折的风险,并且与应用于一般人群中的FRAX相比,预测准确度和区分度均较高,通过亚组分析发现,CDFR模型尤其适用于病程较长、使用胰岛素降糖、伴有周围神经病变的老年女性2型糖尿病患者,即本发明对于筛查骨质疏松性骨折风险较高的T2DM患者具有重要意义。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式,并且很显然,根据上述教导,可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用,从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。
Claims (7)
1.一种用于预测2型糖尿病患者骨折发生风险的装置,其特征在于,包括:
数据获取模块:用于获取2型糖尿病患者的基线临床数据;
结局事件定义模块:用于定义结局事件,并获取2型糖尿病患者在预设时间内发生的结局事件及发生时间,其中,所述结局事件为主要骨质疏松性骨折事件;
变量筛选模块:用于对所述基线临床数据和结局事件进行分析,得到若干骨折关键预测因子;
模型构建模块:用于根据所述若干骨折关键预测因子构建CDFR模型;
预测模块:用于通过所述CDFR模型来预测2型糖尿病患者发生主要骨质疏松性骨折的风险。
2.根据权利要求1所述的用于预测2型糖尿病患者骨折发生风险的装置,其特征在于,所述变量筛选模块基于基线临床数据与首次结局事件,通过单因素Cox回归得到骨折预测因子集合;再利用多因素Cox回归从所述相关性骨折关键预测因子集合中筛选出若干骨折关键预测因子。
3.根据权利要求1所述的用于预测2型糖尿病患者骨折发生风险的装置,其特征在于,所述变量筛选模块中的若干骨折关键预测因子包括:年龄、性别、既往骨折史、是否伴有糖尿病性周围神经病变、是否使用胰岛素、总胆固醇、甘油三酯和载脂蛋白A。
4.根据权利要求1所述的用于预测2型糖尿病患者骨折发生风险的装置,其特征在于,所述模型构建模块中的根据所述若干骨折关键预测因子构建CDFR模型,具体为:将每个所述骨折关键预测因子作为协变量加入多因素Cox回归分析,来构建CDFR模型。
5.根据权利要求1所述的用于预测2型糖尿病患者骨折发生风险的装置,其特征在于,所述模型构建模块中的根据所述若干骨折关键预测因子构建CDFR模型,还包括:通过检验所述若干骨折关键预测因子间两两的交互作用,得到两两骨折关键预测因子之间的交互作用项,筛选出对骨折预测结果影响波动值超过预设阈值的交互作用项,并将筛选出的交互作用项作为协变量加入多因素Cox回归分析,来构建CDFR模型。
6.根据权利要求1所述的用于预测2型糖尿病患者骨折发生风险的装置,其特征在于,所述模型构建模块中的CDFR模型表达式为:
P(t)=1-H(t)=1-h0(t)*exp[b1*X1+b2*X2+b3*X3+b4*X4+b5*X5+b6*X6+b7*X7+b8*X8+b9*(X1*X4)+b10*(X1*X5)+b11*(X1*X8)]
其中,P(t)为骨折率的预测值;H(t)为非骨折率的预测值;t为距离当前时间的年数且t∈Z;h0(t)为基准风险;X1为患者基线时的年龄;X2为患者性别,若是女性则为1,若是男性则为0;X3为入院前是否有过既往骨折史,有则为1,无则为0;X4为患者基线时是否并发糖尿病性周围神经病变,有则为1,无则为0;X5为基线时患者采用的降糖方案中是否有包括胰岛素,有则为1,无则为0;X6为基线总胆固醇值;X7为基线甘油三酯值;X8为基线载脂蛋白A值;X1*X4表示患者年龄与糖尿病性周围神经病变的交互项;X1*X5表示患者年龄与使用胰岛素的交互项;X1*X8表示患者年龄与载脂蛋白A的交互项;b1~b11分别对应年龄、性别、既往骨折史、糖尿病周围神经病变、胰岛素使用、总胆固醇、甘油三酯、载脂蛋白A、患者年龄与糖尿病性周围神经病变交互项、患者年龄与使用胰岛素交互项以及患者年龄与载脂蛋白A交互项的回归系数值。
7.根据权利要求1所述的用于预测2型糖尿病患者骨折发生风险的装置,其特征在于,所述模型构建模块通过bootstrap重采样对所述CDFR模型进行内部验证。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210555674.2A CN114792567A (zh) | 2022-05-19 | 2022-05-19 | 一种用于预测2型糖尿病患者骨折发生风险的装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210555674.2A CN114792567A (zh) | 2022-05-19 | 2022-05-19 | 一种用于预测2型糖尿病患者骨折发生风险的装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114792567A true CN114792567A (zh) | 2022-07-26 |
Family
ID=82463709
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210555674.2A Pending CN114792567A (zh) | 2022-05-19 | 2022-05-19 | 一种用于预测2型糖尿病患者骨折发生风险的装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114792567A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117334335A (zh) * | 2023-10-10 | 2024-01-02 | 香港理工大学深圳研究院 | 一种基于机器学习的临床前骨质疏松筛查方法 |
CN117876372A (zh) * | 2024-03-12 | 2024-04-12 | 中国医学科学院生物医学工程研究所 | 基于无标记非线性多模态成像的骨质量识别模型训练方法 |
-
2022
- 2022-05-19 CN CN202210555674.2A patent/CN114792567A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117334335A (zh) * | 2023-10-10 | 2024-01-02 | 香港理工大学深圳研究院 | 一种基于机器学习的临床前骨质疏松筛查方法 |
CN117876372A (zh) * | 2024-03-12 | 2024-04-12 | 中国医学科学院生物医学工程研究所 | 基于无标记非线性多模态成像的骨质量识别模型训练方法 |
CN117876372B (zh) * | 2024-03-12 | 2024-05-28 | 中国医学科学院生物医学工程研究所 | 基于无标记非线性多模态成像的骨质量识别模型训练方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rooney et al. | Risk of progression to diabetes among older adults with prediabetes | |
Nguyen et al. | Fasting plasma glucose levels within the normoglycemic range in childhood as a predictor of prediabetes and type 2 diabetes in adulthood: the Bogalusa Heart Study | |
Gao et al. | A simple Chinese risk score for undiagnosed diabetes | |
Crawford et al. | Prevalence of obesity, type II diabetes mellitus, hyperlipidemia, and hypertension in the United States: findings from the GE Centricity Electronic Medical Record database | |
Dublin et al. | Risk of new-onset atrial fibrillation in relation to body mass index | |
Mirmiran et al. | Detection of cardiovascular risk factors by anthropometric measures in Tehranian adults: receiver operating characteristic (ROC) curve analysis | |
Michalsky et al. | Cardiovascular risk factors in severely obese adolescents: the Teen Longitudinal Assessment of Bariatric Surgery (Teen-LABS) study | |
Lagani et al. | A systematic review of predictive risk models for diabetes complications based on large scale clinical studies | |
Simmons et al. | Evaluation of the Framingham risk score in the European Prospective Investigation of Cancer–Norfolk cohort: does adding glycated hemoglobin improve the prediction of coronary heart disease events? | |
Chao et al. | The lack of utility of circulating biomarkers of inflammation and endothelial dysfunction for type 2 diabetes risk prediction among postmenopausal women: the Women's Health Initiative Observational Study | |
CN114792567A (zh) | 一种用于预测2型糖尿病患者骨折发生风险的装置 | |
Nevill et al. | BMI is dead; long live waist-circumference indices: But which index should we choose to predict cardio-metabolic risk? | |
Sun et al. | Impact of HbA1c criterion on the definition of glycemic component of the metabolic syndrome: the China health and nutrition survey 2009 | |
Mathis et al. | Early detection of heart failure with reduced ejection fraction using perioperative data among noncardiac surgical patients: a machine-learning approach | |
Alijanvand et al. | Prevalence and predictors of prediabetes and its coexistence with high blood pressure in first-degree relatives of patients with type 2 diabetes: A 9-year cohort study | |
Zaman et al. | Plasma triglycerides as a risk factor for chronic kidney disease in type 2 diabetes mellitus: Evidence from northeastern Thailand | |
Bowen et al. | Performance of a random glucose case-finding strategy to detect undiagnosed diabetes | |
Chiu et al. | BMI trajectories as a harbinger of pre-diabetes or underdiagnosed diabetes: an 18-year retrospective cohort study in Taiwan | |
Suthahar et al. | Association of initial and longitudinal changes in C-reactive protein with the risk of cardiovascular disease, cancer, and mortality | |
Hennebelle et al. | Secure and privacy-preserving automated machine learning operations into end-to-end integrated IoT-edge-artificial intelligence-blockchain monitoring system for diabetes mellitus prediction | |
Rossboth et al. | Risk factors for diabetic foot complications among patients with type 2 diabetes in Austria–A registry‐based retrospective cohort study | |
Andreacchi et al. | Clustering of obesity-related characteristics: A latent class analysis from the Canadian Longitudinal Study on Aging | |
Tucker et al. | Psoas and paraspinous muscle measurements on computed tomography predict mortality in European Americans with type 2 diabetes mellitus | |
Kuzawa et al. | Ankle brachial index (ABI) in a cohort of older women in the Philippines: Prevalence of peripheral artery disease and predictors of ABI | |
CN112086194A (zh) | 一种新发2型糖尿病评分预测系统 |
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 |