首页 > 论文范文 > 医药卫生论文 > 临床医学论文 > 临床内科论文 > 老年糖尿病足患者衰弱风险预测模型的构建及验证

老年糖尿病足患者衰弱风险预测模型的构建及验证

2024-05-14 212 上传者：管理员

摘要：目的基于Logistic回归和人工神经网络构建老年糖尿病足(diabetic foot, DF)患者衰弱风险预测模型，并比较两种模型预测效能，为早期识别并预防老年DF患者衰弱的发生提供依据。方法 2023年5-10月，采用便利抽样法选取天津市某两所三级甲等医院内491例老年DF患者为研究对象。通过问卷调查及病历记录收集资料，绘制列线图模型及人工神经网络模型；受试者工作特征曲线和曲线下面积评估模型预测能力，敏感度和特异度评估模型预测价值。结果建模组列线图和人工神经网络模型的曲线下面积(area under curve, AUC)分别为0.973、0.742,敏感度分别为92.90%、95.50%,特异度分别为91.10%、50.50%。结论构建的老年DF患者衰弱风险预测的列线图模型预测性能较好，对有效识别高衰弱风险的老年DF患者有临床价值。

关键词：
Logistic回归
人工神经网络
糖尿病足
衰弱
风险预测模型
加入收藏

糖尿病足(diabetic foot, DF)全球患病率为6.30%,我国患病率为4.10%[1],其中大多数患者年龄在60岁以上。衰弱指老年人由于多个系统功能下降，导致机体易感性增加及抗应激能力减退的非特异性状态[2]。研究[3]表明，DF患者衰弱发生率高达73.68%。衰弱可导致DF患者伤口不愈，引发感染及缺血，增加医疗支出。因此，迫切需要采取有效的老年DF患者衰弱管理策略，尤其是务实的筛查，但目前国内外缺乏关于老年DF患者衰弱风险预测模型的研究。Logistic回归作为传统的二分类统计方法，具有操作简单、便于理解和观测权重分数等优势，人工神经网络作为新兴智能技术的重要分支，具有较强的容错、学习和泛化能力，并能处理非线性问题[4]。本课题组通过文献回顾及咨询专家，拟定26个预测因子，旨在调查老年DF患者衰弱的影响因素，运用Logistic回归及人工神经网络构建老年DF衰弱风险预测模型，并比较两种模型的预测效能，以期为临床早期筛查和预防高衰弱风险的老年DF患者提供参考依据。

1、对象与方法

1.1 研究对象

采用便利抽样法选取2023年5-10月天津市某两所三级甲等医院收治的老年DF患者为研究对象。纳入标准：(1)年龄≥60岁；(2)符合中国2型糖尿病防治指南(2020年版)糖尿病诊断标准[5]的患者；(3)符合国际糖尿病足工作组(International Working Group on the Diabetic Foot, IWGDF)糖尿病足诊断标准[6]的患者；(4)自愿签署知情同意书。排除标准：(1)认知障碍或沟通障碍的患者；(2)合并恶性肿瘤及危重症的患者。样本量计算：采用pmsampsize函数，n=pmsampsize(type=“b”,rsquared =0.70,parameters=30,prevalence=0.71)[4]估算样本量为475例。最终纳入491例样本量，按7∶3的比例随机为分建模组(n=344)和验证组(n=147)。本研究获学校伦理委员会批准(IRB2024-WZ-01)。

1.2 方法

1.2.1 自变量命名

基于文献回顾及咨询专家，课题组拟定26个候选变量。(1)一般人口学资料：年龄、性别、文化程度、户籍所在地、医疗付费方式、吸烟史、饮酒史、规律运动锻炼；(2)疾病资料：糖尿病足病程、既往因糖尿病足加重住院次数、除糖尿病足相关并发症、合并症、多重用药、足背动脉搏动、足感染、足溃疡、足畸形、足截肢；(3)生理生化指标：收缩压、舒张压、空腹血糖、糖化血红蛋白、总胆固醇、肾小球滤过率；(4)生活行为资料：①营养状况，采用微型营养评定简表(short-form mini-nutritional assessment, MNA-SF)测量，该量表由Kaiser等[7]于2009年编制，包括6个条目，共1个维度，各条目计分范围0～3分，总分为0～14分，分数越高表示患者营养状况越好[8]。本研究中该量表的Cronbach’s a系数为0.711。②自我管理水平，采用糖尿病自我管理行为量表(summary of diabetes self-care activities, SDSCA)测量，该量表由Toobert等[9]于2000年编制，包括饮食(4个条目)、运动(2个条目)、测血糖(2个条目)、足部护理(2个条目)和用药(1个条目)5个维度，共11个条目，采用Likert 8级计分，总分范围0～77分，分数越高表示患者自我管理水平越高，本研究中该量表的Cronbach’s a系数为0.735。

1.2.2 结局指标

结局指标为患者衰弱发生情况，采用Tilburg衰弱量表(Tilburg frailty indicator, TFI)测量。TFI由Gobbens等[10]于2010年编制，包含生理衰弱(8个条目)、心理衰弱(4个条目)及社会衰弱(3个条目)3个维度，共15个条目，各条目以“是”计1分，“否”计0分进行评价，总分范围0～15分，≥5分界定为衰弱[10],本研究中该量表的Cronbach’s a系数为0.729。

1.2.3 测量方法及质量控制

(1)一般人口学资料、生活行为资料由资料采集者于患者入院当天进行问卷调研。(2)疾病资料、生理生化指标通过医院病历记录收集，数据缺失>10%不纳入研究。患者坐位休息5 min后，护士使用电子血压计测量其右上臂血压3次，取平均值记录；空腹至少8 h后，护士使用血糖仪检测手指末梢血空腹血糖，并通过静脉导管从肘前静脉采集血液样本，装入真空培养皿，在2 h内运送至实验室离心，以检测糖化血红蛋白、总胆固醇、肾小球滤过率。(3)对参与本研究的资料采集者统一培训，保证研究一致性。

1.2.4 统计学处理

运用R 4.1.2计算样本量。SPSS 25.0进行数据分析，单因素分析定量数据采用t检验，定性数据采用χ2检验，将P<0.05的变量纳入多因素Logistic回归分析。使用Stata 17.0构建列线图模型，借助SPSS Modeler 18.0构建人工神经网络模型。受试者工作特征曲线(receiver operating characteristic curve, ROC)和曲线下面积(area under curve, AUC)用于评估模型的预测能力，敏感度和特异度用于验证模型的预测价值。

2、结果

2.1 老年DF患者的一般情况

491例老年DF患者中，衰弱216例(43.99%),非衰弱275例(56.01%);男339例(69.04%),女152例(30.96%);年龄60～89岁，平均(71.68±5.04)岁；文化程度以初中为主(40.73%)。同时，各变量在建模组和验证组间差异均无统计学意义(均P>0.05)。

2.2 建模组老年DF患者衰弱的单因素分析

结果显示，年龄、吸烟史、规律运动锻炼、糖尿病足病程、合并症、多重用药、足背动脉搏动、足感染、足溃疡、足畸形、足截肢、空腹血糖、糖化血红蛋白、肾小球滤过率、营养状况、自我管理水平在老年DF患者衰弱组与非衰弱组之间存在统计学差异(均P<0.05),见表1。

表1 老年DF患者衰弱的单因素分析

2.3 建模组老年DF患者衰弱的多因素分析

结果显示，规律运动锻炼、合并症、多重用药、足溃疡、空腹血糖、肾小球滤过率、营养状况、自我管理水平是老年DF患者发生衰弱的影响因素，见表2。

表2 老年DF患者衰弱的多因素分析

2.4 老年DF患者衰弱风险预测模型的构建

2.4.1 老年DF患者衰弱风险预测的列线图模型

基于老年DF患者发生衰弱影响因素建立列线图预测模型，见图1。根据因素的数据特征，向下划一条垂直线落在得分线上得到相应数值，将所有因素的分数相加得到总分，对应于列线图底部的衰弱风险线得到相应的老年DF患者衰弱风险。

图1 老年DF患者衰弱风险预测的列线图模型

2.4.2 老年DF患者衰弱风险预测的人工神经网络模型

基于老年DF患者衰弱影响因素构建人工神经网络模型，预测变量重要性排序如图2:营养状况>自我管理水平>空腹血糖>肾小球滤过率>合并症>多重用药>足溃疡>规律运动锻炼。

图2 老年DF患者衰弱风险预测的人工神经网络模型

2.5 老年DF患者衰弱风险预测模型的验证

建模组列线图模型、人工神经网络模型的AUC值分别为0.973(95%CI:0.950～0.987)、0.742(95%CI:0.693～0.788),敏感度分别为92.90%、95.50%,特异度分别为91.10%、50.50%,见图3。验证组列线图模型、人工神经网络模型的AUC值分别为0.964(95%CI:0.919～0.988)、0.732(95%CI:0.653～0.802),敏感度93.50%、95.20%,特异度分别为92.90%、56.50%,见图4。

3、讨论

3.1 老年DF患者衰弱影响因素分析

3.1.1 保护因素

本研究表明，规律运动锻炼是老年DF患者衰弱的保护因素。分析原因可能为：一方面，运动锻炼能改善老年患者的睡眠质量，并提高患者的平衡能力和身体肌肉力量[11],强化身体素质，从而改善身体健康状况；另一方面，规律运动锻炼能丰富患者生活方式，减轻精神压力和孤独感，从而改善心理健康状况[12]。因此，护理人员应根据患者身体状况及运动习惯，制订个性化运动方案，培养患者规律运动的习惯。

图3 建模组两种模型的ROC曲线

图4 验证组两种模型的ROC曲线

3.1.2 危险因素

本研究表明，合并症、多重用药、足溃疡、高空腹血糖、低肾小球滤过率、低营养状况、低自我管理水平是老年DF患者衰弱的危险因素。分析原因可能为：老年患者同时存在多种慢性病时，疾病病理状态相互影响，具有协同损伤血管内皮细胞的作用，加速机体各器官功能衰退[13],同时多病共存的老年患者长期处于慢性消耗状态，器官功能加速损耗，导致机体稳态失衡从而引发衰弱[14];药物之间的相互反应甚至严重不良反应，可能加速机体衰弱[15],加之老年人记忆力下降、视力减退，易导致药物错服或漏服，进而引起衰弱[16];足溃疡导致老年DF患者步态不稳、耐力下降和行走缓慢，使患者日常活动困难，同时提高了患者发生跌倒和骨折的风险，进而增加衰弱发生；高空腹血糖使患者发生胰岛素抵抗，影响骨骼肌对葡萄糖的摄取与利用，造成骨骼肌质量下降，从而引起衰弱，同时，高空腹血糖通过增加炎症细胞因子和激素诱导肌肉萎缩，进一步加重衰弱[17];低肾小球滤过率导致患者肌肉蛋白质合成障碍和能量储备丧失，从而引起衰弱，此外，低肾小球滤过率反映机体处于高炎症状态，而炎症与衰弱发生密切相关[18];营养不良既能减少患者活动量，降低肌肉质量和数量，加速肌肉萎缩，又与患者的健康结局(如骨质疏松、肌少症、跌倒等)密切相关，二者均能导致衰弱[19]。自我管理水平低的患者对血糖监测、足部护理及生活方式转变等健康行为参与度低，同时，对自身疾病不能做出正确的应对行为，二者均能引起衰弱。因此，护理人员可通过认知疗法、健康宣教等提高患者自我管理水平，培养其血糖检测、足部护理、用药管理等技能；制订个性化饮食和运动方案，改善其营养状况；密切监测患者肾功能情况，及时调整用药方案，避免使用对肾脏有损害的药物，从而减少衰弱发生。

3.2 老年DF患者衰弱风险预测模型分析

本研究通过Logistic回归和人工神经网络构建的老年DF衰弱风险预测模型，AUC均>0.7,但列线图模型的AUC值明显更高，表明列线图模型预测能力更好；两种模型敏感度均较高，但列线图模型的特异度明显高于人工神经网络模型，表明列线图模型预测价值更高。综上，基于Logistic回归构建的老年DF患者衰弱风险预测模型预测效果更理想，且通过绘制列线图使模型更直观实用。护理人员可根据列线图模型，及时识别老年DF患者衰弱风险并进行危险分层，从而制订个性化管理策略，以降低患者衰弱发生率，提高其生活质量。

4、小结

本研究显示，规律运动锻炼是老年DF患者衰弱的保护因素，合并症、多重用药、足溃疡、高空腹血糖、低肾小球滤过率、低营养状况、低自我管理水平是老年DF患者衰弱的危险因素。依据影响因素构建的老年DF患者衰弱风险预测的列线图模型显示出良好的内部验证结果，表明其对有效识别高衰弱风险的老年DF患者具有较大价值。因此，建议医护人员从列线图模型的预测因素入手，实现老年DF患者衰弱的早期识别与干预。一些潜在的预测因素(如饮食习惯)并未纳入本研究，可能造成混杂偏差，未来研究应纳入更全面的预测因素。其次，由于缺乏外部验证，本研究结果能否推广到其他国家仍不明确，未来应对风险预测模型进行外部验证。

参考文献:

[2]赵婉越,邹浩,吕雨梅,等.老年人执行功能对衰弱的影响:一个有调节的中介模型[J].军事护理,2022,39(11):21-24,61.

[4]王志虎.2型糖尿病患者轻度认知障碍风险预测模型构建与验证[D].天津:天津中医药大学,2023.

[5]中华医学会糖尿病学分会.中国2型糖尿病防治指南(2020年版)[J].中华糖尿病杂志,2021,13(4):315-409.

[8]田惠杰,王彐敏,辛文玲,等.微型营养评定法简表在老年脑卒中患者营养筛查中的应用[J].河北医药,2023,45(19):2969-2972.

[11]闵文珺,陈亚梅,卢群,等.老年肌少症患者运动干预的最佳证据总结[J].解放军护理杂志,2022,39(3):75-78.

[12]张鑫宇,张磊,隋汝波.基于Logistic回归和人工神经网络构建老年脑卒中患者衰弱预测模型[J].军事护理,2023,40(2):10-14.

[13]周飞洋,龙柯宇,谢琳琳,等.老年人衰弱前期现状及影响因素的研究进展[J].军事护理,2023,40(8):64-66.

[14]王云,朱凌波,刘君君,等.维持性血液透析患者衰弱的发生情况及其影响因素分析[J].临床肾脏病杂志,2021,21(5):375-380.

[15]唐曦,罗静,熊志英,等.老年慢性阻塞性肺疾病稳定期患者衰弱发生的危险因素分析[J].重庆医学,2023,52(7):991-994.

[16]陈影,张爽,姜宗良,等.郑州市社区老年冠心病患者衰弱现状及影响因素分析[J].现代预防医学,2020,47(12):2224-2227.

[17]张爽,杨孟丽,叶松岩,等.不同性别老年糖尿病患者衰弱现状及影响因素分析[J].护理实践与研究,2022,19(16):2390-2396.