基于决策树分类模型的糖尿病肾病进展预测量表的研制

陈潇

doi:10.12259/j.issn.2095-610X.S20240816

基于决策树分类模型的糖尿病肾病进展预测量表的研制

doi: 10.12259/j.issn.2095-610X.S20240816

陈潇

六盘水市第二人民医院内分泌科，贵州六盘水　553403

基金项目: 六盘水市科技计划基金资助项目（52020-2021-0-1-16）

详细信息

作者简介:
陈潇（1988～），女，贵州普安人，医学学士，主治医师，主要从事糖尿病防治及管理研究工作

中图分类号: R587.1
计量
- 文章访问数: 312
- HTML全文浏览量: 282
- PDF下载量: 3
- 被引次数: 0
出版历程
- 收稿日期: 2023-12-18
- 网络出版日期: 2024-06-26
- 刊出日期: 2024-08-25

Development of Predictive Scale for Diabetic Kidney Disease Progression Based on Decision Tree Classification Model

Xiao CHEN

Dept. of Endocrinology，The 2nd People’s Hospital of Liupanshui City，Liupanshui Guizhou 553403，China

摘要

摘要: 目的基于决策树分类模型建立糖尿病肾病（diabetic kidney disease，DKD）进展预测量表。方法回顾性收集六盘水市第二人民医院内分泌科2020年7月至2021年7月收治的308例糖尿病肾病患者作为研究对象，并将其分为微量蛋白尿组（n = 224）与显性蛋白尿组（n = 84）。对2组患者的人口学资料、既往基础病史等指标进行单因素和多因素Logistic回归分析，并运用决策树分类模型建立DKD进展预测量表。结果 308例研究对象中84例（27.27%）为显性蛋白尿，224例（72.73%）为微量蛋白尿。多因素Logistic回归分析显示收缩压（OR = 1.022，P = 0.003）和血肌酐（OR = 1.012，P < 0.001）和总蛋白水平（OR = 0.953，P = 0.003）是引起显性蛋白尿的独立风险因素。运用决策树分类模型建立预测量表，量表总分为60分，诊断阈值为33分，决策树模型ROC曲线面积（0.781）大于多因素Logistic回归（0.769），灵敏度为95.2%，特异度为78.9%。结论 DKD进展预测量表能够较准确的评估DKD进展，对于早期预测DKD进展具有较好的临床价值。
- 糖尿病肾病 /
- 决策树分类模型 /
- 进展 /
- 预测量表
Abstract: Objective To establish a diabetic kidney disease （DKD） progression prediction scale based on the decision tree classification model. Methods A retrospective analysis was conducted on 308 patients with diabetic kidney disease admitted to Department of Endocrinology, the Second People's Hospital of Liupanshui from July 2020 to July 2021. The patients were divided into two groups: microalbuminuria group （n = 224） and macroalbuminuria group （n = 84）. Univariate and multivariate Logistic regression analysis were performed on demographic data, past medical history and other indicators of the two groups of patients, and a DKD progression prediction scale was established using the decision tree classification model. Results Among the 308 subjects, 84 （27.27%） had macroalbuminuria and 224 （72.73%） had microalbuminuria. Multivariate Logistic regression analysis showed that systolic blood pressure （OR = 1.022, P = 0.003） and serum creatinine （OR = 1.012, P < 0.001） and total protein levels （OR = 0.953, P = 0.003） were risk factors for macroalbuminuria. The decision tree classification model was used to establish a prediction scale with a total score of 60 points and a diagnostic threshold of 33 points. The area under the ROC curve of the decision tree model （0.781） was greater than that of the multivariate logistic regression model （0.769）. The sensitivity was 95.2% and the specificity was 78.9%. Conclusion DKD progression prediction scale can accurately assess the progression of DKD and has good clinical value for the early prediction of DKD progression.
- Diabetic kidney disease /
- Decision tree classification model /
- Progress /
- Predictive scale

HTML全文

图 1 样本显性蛋白尿筛查因素的决策树模型

注：0为微量蛋白尿组，1为显性蛋白尿组。

Figure 1. Decision tree model of dominant proteinuria screening factors

下载: 全尺寸图片幻灯片

图 3 ROC曲线

Figure 3. ROC curve

下载: 全尺寸图片幻灯片

表 1 研究对象一般特征[n（%）/（$\bar x \pm s $）/M（Q₂₅，Q₇₅）]

Table 1. Characteristics of participants [n（%）/（$\bar x \pm s $）/M（Q₂₅，Q₇₅）]

一般特征		n=308
性别	男	169 （54.87）
	女	139 （45.13%）
年龄（岁）		60.09±12.40
民族	汉族	303 （98.38）
	少数民族	5 （1.62）
BMI（kg/m²）		23.87±4.04
婚育史	有	303 （98.38）
	无	5 （1.62）
文化程度	初中及以上	134 （43.51）
	初中以下	174 （56.49）
吸烟	是	114 （37.01）
	否	194 （62.99）
饮酒	是	78 （25.32）
	否	230 （74.68）
糖尿病家族史	是	27 （8.77）
	否	281 （91.23）
糖尿病病程（a）		6.00 （2.00，10.00）
高血压病史	是	137 （44.48）
	否	171 （55.52）
高血压病程（a）		2.00 （0.00，4.00）
高血脂	是	40 （12.99）
	否	268 （87.01）
高尿酸	是	23 （7.47）
	否	285 （92.53）
冠心病	是	15 （4.87）
	否	293 （95.13）
脑血管病史	是	48 （15.58）
	否	260 （84.42）

下载: 导出CSV

表 2 2组间一般特征比较[n（%）/（$\bar x \pm s $）/M（Q₂₅，Q₇₅）]

Table 2. Comparison of characteristics between the two groups [n（%）/（$\bar x \pm s $）/M（Q₂₅，Q₇₅）]

一般特征		微量蛋白尿组（n=224）	显性蛋白尿组（n=84）	t/χ²/Z	P
性别	男	128 （57.14）	41 （48.81）	1.712	0.194
	女	96 （42.86）	43 （51.19）
年龄（岁）		60.06±12.75	60.17±11.46	−0.071	0.945
汉族	汉族	221 （98.66）	82 （97.62）	0.422	0.523
	少数民族	3 （1.34）	2 （2.38）
BMI（kg/m²）		23.86±4.16	23.89±3.74	−0.056	0.945
婚育史	有	220 （98.21）	83 （98.81）	0.144	0.713
	无	4 （1.79）	1 （1.19）
文化程度	初中及以上	101 （45.09）	33 （39.29）	0.842	0.366
	初中以下	123 （54.91）	51 （60.71）
吸烟	是	84 （37.50）	30 （35.71）	0.084	0.777
	否	140 （62.50）	54 （64.29）
饮酒	是	58 （25.89）	20 （23.81）	0.145	0.716
	否	166 （74.11）	64 （76.19）
糖尿病家族史	是	21 （9.38）	6 （7.14）	0.385	0.544
	否	203 （90.63）	78 （92.86）
糖尿病病程（a）		5.00 （1.00，10.00）	8.00 （3.00，14.50）	−3.877	<0.001^*
高血压病史	是	93 （41.52）	44 （52.38）	2.922	0.088
	否	131 （58.48）	40 （47.62）
高血压病程（a）		0.00 （0.00，4.50）	0.03 （0.00，4.00）	−0.863	0.392
高血脂	是	33 （14.73）	7 （8.33）	2.214	0.147
	否	191 （85.27）	77 （91.67）
高尿酸	是	17 （7.59）	6 （7.14）	0.022	0.893
	否	207 （92.41）	78 （92.86）
冠心病	是	9 （4.02）	6 （7.14）	1.294	0.262
	否	215 （95.98）	78 （92.86）
脑血管病史	是	33 （14.73）	15 （17.86）	0.457	0.502
	否	191 （85.27）	69 （82.14）
^*P < 0.05。

下载: 导出CSV

表 3 2组临床指标的差异性分析[$\bar x \pm s $/M（Q₂₅，Q₇₅）]

Table 3. Difference analysis of clinical indexes between the two groups [$\bar x \pm s $/M（Q₂₅，Q₇₅）]

临床指标	微量蛋白尿组（n=224）	显性蛋白尿组（n=84）	Z/t	P
收缩压（mmHg）	129.96±17.67	139.96±24.24	−3.984	<0.001^*
舒张压（mmHg）	78.22±10.77	80.98±13.59	−1.852	0.065
总蛋白（g/L）	66.83±8.74	61.72±9.08	4.511	<0.001^*
白蛋白（g/L）	42.05±25.87	37.07±11.10	1.713	0.089
空腹血糖（mmol/L）	11.65±4.54	10.45±3.97	2.142	0.033^*
餐后血糖（mmol/L）	18.86±6.06	16.64±5.04	3.001	0.003^*
空腹C肽（nmol/L）	1.96 （1.32，3.20）	2.03 （1.23，3.05）	0.863	0.394
餐后2hC肽（nmol/L）	3.28 （2.26，4.98）	3.76 （2.19，5.63）	−0.633	0.532
甘油三酯（mmol/L）	1.89 （1.23，2.96）	1.82 （1.24，2.72）	0.334	0.742
胆固醇（mmol/L）	4.61±1.25	4.77±1.43	−0.943	0.351
高密度脂蛋白（mmol/L）	1.20 （1.03，1.39）	1.26 （1.05，1.47）	−1.113	0.272
低密度脂蛋白（mmol/L）	3.08±1.05	3.20±1.19	−0.872	0.383
总胆红素（μmol/L）	13.55 （9.75，17.30）	8.90 （5.69，13.75）	5.842	<0.001^*
直接胆红（μmol/L）	4.01 （2.72，5.49）	2.39 （1.87，3.63）	5.873	<0.001^*
血红蛋白（g/L）	133.14±23.43	116.69±25.73	5.344	<0.001^*
糖化血红蛋白（%）	11.30 （9.52，13.42）	10.16 （8.37，13.16）	2.832	0.005^*
血尿酸（μmol/L）	345.37 （263.31，446.50）	391.50 （300.00，456.39）	−1.734	0.084
血肌酐（μmol/L）	67.99 （55.48，89.13）	101.20 （67.90，195.74）	−5.812	<0.001^*
胱抑素（mg/L）	0.38 （0.30，0.60）	0.66 （0.38，1.17）	−3.543	<0.001^*
肾小球滤过率[mL/（min·1.73 m²）]	96.17 （70.44，119.82）	60.78 （23.29，92.33）	5.984	<0.001^*
24h尿蛋白定量（g/24 h）	168.00 （100.00，300.00）	1188.00 （552.50，3877.50）	−9.547	<0.001^*
UACR（mg/g）	76.52 （47.95，110.90）	644.70 （473.30，972.95）	−13.411	<0.001^*
^*P < 0.05。

下载: 导出CSV

表 4 多因素Logistic回归分析

Table 4. Multivariate Logistic regression analysis

变量	B	SE	Wald	df	P	OR	95%CI
收缩压	0.021	0.007	9.055	1	0.003^*	1.022	1.007	1.036
总蛋白	−0.048	0.016	8.538	1	0.003^*	0.953	0.923	0.984
血肌酐	0.012	0.003	20.835	1	<0.001^*	1.012	1.007	1.017
常量	−1.99	1.470	1.833	1	0.176	0.137
^*P < 0.05。

下载: 导出CSV

表 5 风险筛查评分量表

Table 5. Risk screening rating scale

自变量	OR（95%CI）	权重	赋值
收缩压	1.022 （1.007，1.036）	10	0（≤110）；10（110～130）；20（>130）
总蛋白	0.953 （0.923，0.984）	10	10（≤52.7）；0（>52.7）
血肌酐	1.012 （1.007，1.017）	10	0（≤45.78）；10（45.78～96.20）；20（96.20～188.87）；20（>188.87）

下载: 导出CSV

表 6 决策树模型和Logistic回归分析的比较

Table 6. Comparison of decision tree model and Logistic regression analysis

检验方法	AUC	SE	P	95%CI
Logistic回归	0.769	0.032	<0.001^*	0.705	0.832
决策树	0.781	0.030	<0.001^*	0.721	0.840
^*P < 0.05。

下载: 导出CSV

参考文献(26)

[1]	Wang S,Yang Y,He X,et al. Cdk5-Mediated phosphorylation of sirt1 contributes to podocyte mitochondrial dysfunction in diabetic nephropathy[J]. Antioxidants & Redox Signaling,2021,34(3):171-190.
[2]	Luo Y,Lu Z,Waaga-Gasser A M,et al. Modulation of calcium homeostasis may be associated with susceptibility to renal cell carcinoma in diabetic nephropathy Rats[J]. Cancer Management and Research,2020,12:9679-9689. doi: 10.2147/CMAR.S268402
[3]	王晋文,芮章茹,任晓燕. 云南慢性肾衰竭患者病因与转归分析[J]. 昆明医学院学报,2010,31(10):102-104+117.
[4]	Mann J F E,Green D,Jamerson K,et al. Avosentan for overt diabetic nephropathy[J]. Journal of the American Society of Nephrology: JASN,2010,21(3):527-535. doi: 10.1681/ASN.2009060593
[5]	Hamat I,Abderraman G M,Cisse M M,et al. Profile of diabetic nephropathy at the National Reference General Hospital of N’Djamena[J]. The Pan African Medical Journal,2016,24(1):193-196.
[6]	张圣,胡振杰,叶璐,等. 决策树分析在急性心肌梗死事件预测中的应用[J]. 浙江大学学报(医学版),2019,48(6):594-602. doi: 10.3785/j.issn.1008-9292.2019.12.02
[7]	张向伟. 早期糖尿病肾脏病向临床期糖尿病肾脏病进展预测因子及模型研究[D]. 北京: 北京中医药大学,2017.
[8]	李佳佳,黄皓,陶立坚,等. 糖尿病肾病主要发病机制的研究进展[J]. 生命科学,2023,35(3):396-404.
[9]	孟继娴,刘蕾,甄紫伊,等. 2型糖尿病患者糖尿病肾病发生风险预测模型的研究进展[J]. 沈阳医学院学报,2023,25(5):525-528,534.
[10]	文晓晨,马晓燕,宫成军. 糖尿病肾脏病进展风险因素和预测模型构建[J]. 辽宁中医药大学学报,2023,25(1):161-170.
[11]	王富军,王文琦. 中国2型糖尿病防治指南(2020年版)解读[J]. 河北医科大学学报,2021,42(12):1365-1371. doi: 10.3969/j.issn.1007-3205.2021.12.001
[12]	孙玲莉,董世杰,杨贵军. 常用多重插补法的插补重数选择[J]. 统计与决策,2019,35(23):5-10.
[13]	柳红芳,姜旻. 基于临床研究的糖尿病肾脏病预测量表的研制[J]. 北京中医药大学学报,2018,41(5):418-422. doi: 10.3969/j.issn.1006-2157.2018.05.011
[14]	Tuttle K R,Agarwal R,Alpers C E,et al. Molecular mechanisms and therapeutic targets for diabetic kidney disease[J]. Kidney International,2022,102(2):248-260. doi: 10.1016/j.kint.2022.05.012
[15]	张曼,戴丽芬,田福璐,等. 糖尿病肾病发生发展的相关危险因素[J]. 中国老年保健医学,2020,18(2):80-82.
[16]	王力宁. 糖尿病患者慢性肾脏病的早期筛查和防治[J]. 肾脏病与透析肾移植杂志,2007,(6):542-543. doi: 10.3969/j.issn.1006-298X.2007.06.009
[17]	李桂霞,翟晓丽,黄艺,等. 糖尿病肾脏病合并高血压患者昼夜血压节律变化与脂代谢、内皮功能的相关性研究[J]. 中国处方药,2023,21(6):1-4. doi: 10.3969/j.issn.1671-945X.2023.06.002
[18]	徐德凤,朱德琪. 糖尿病与高血压[J]. 山东医药,1988,(10):9.
[19]	Barutta F,Bellini S,Canepa S,et al. Novel biomarkers of diabetic kidney disease: Current status and potential clinical application[J]. Acta Diabetologica,2021,58(7):819-830. doi: 10.1007/s00592-020-01656-9
[20]	李明,罗绍珍,叶婧. 低分子肝素联合血管转换酶抑制剂对糖尿病肾病显性蛋白尿的治疗观察[J]. 内科,2006,(2):116-117. doi: 10.3969/j.issn.1673-7768.2006.02.009
[21]	林秋璇,林彩战. 糖肾方治疗糖尿病肾病显性蛋白尿期临床观察[J]. 光明中医,2022,37(13):2292-2294.
[22]	王征,李艳芳. 糖肾方治疗糖尿病肾病显性蛋白尿期的临床疗效及其作用机制探讨[J]. 中国中西医结合肾病杂志,2020,21(4):328-330.
[23]	梁瑛楠,刘玉宁,周静威,等. 以大量蛋白尿为表现的糖尿病肾脏病临床特点及中医证型分析[J]. 中国中西医结合肾病杂志,2023,24(11):974-977.
[24]	Naaman S C,Bakris G L. Slowing diabetic kidney disease progression: Where do we stand today?[J]. Compendia,2021,2021(1):28-32. doi: 10.2337/db20211-28
[25]	van Raalte D H,Bjornstad P,Cherney D Z I,et al. Combination therapy for kidney disease in people with diabetes mellitus[J]. Nature Reviews Nephrology,2024,6(1):1-14.
[26]	An N,Wu B,Yang Y,et al. Re-understanding and focusing on normoalbuminuric diabetic kidney disease[J]. Frontiers in Endocrinology,2022,13:1077929. doi: 10.3389/fendo.2022.1077929

计量

文章访问数: 312
HTML全文浏览量: 282
PDF下载量: 3
被引次数: 0

姓名
邮箱
手机号码
标题
留言内容
验证码

留言板

基于决策树分类模型的糖尿病肾病进展预测量表的研制

doi: 10.12259/j.issn.2095-610X.S20240816

作者简介:
陈潇（1988～），女，贵州普安人，医学学士，主治医师，主要从事糖尿病防治及管理研究工作

计量

Development of Predictive Scale for Diabetic Kidney Disease Progression Based on Decision Tree Classification Model

计量

目录

[1]	周静, 李麟玲, 汪海红, 杨玉琼. 糖尿病肾病开展Triangle分层分级管理+LEARNS模式的效果及心理状态的观察, 昆明医科大学学报. doi: 10.12259/j.issn.2095-610X.S20240429
[2]	熊煜欣, 杨莹. 糖尿病肾小管病研究进展, 昆明医科大学学报. doi: 10.12259/j.issn.2095-610X.S20230920
[3]	赵玲, 钟洪玲, 高歆茹, 李妹, 毛婷婷, 李荣勇, 柯亭羽. SGLT-2抑制剂延缓糖尿病肾病进展的临床疗效, 昆明医科大学学报. doi: 10.12259/j.issn.2095-610X.S20230527
[4]	曾怡, 廖云娟, 李颖, 何振坤. 达格列净治疗早期糖尿病肾病的疗效及对血清MCP-1、IL-6水平的影响, 昆明医科大学学报. doi: 10.12259/j.issn.2095-610X.S20211218
[5]	杨丹. 间充质干细胞的旁分泌作用对糖尿病肾病的影响, 昆明医科大学学报.
[6]	向茜. 维生素D受体基因FokI位点单核苷酸多态性与糖尿病肾病的相关性, 昆明医科大学学报.
[7]	董忠礼. 单核巨噬细胞促进静脉血栓机化再通的机制及研究进展, 昆明医科大学学报.
[8]	张席军. 中期因子及CTGF与糖尿病肾病患者纤维化相关因子关系探讨, 昆明医科大学学报.
[9]	向茜. 25羟维生素D与2型糖尿病肾病的关系, 昆明医科大学学报.
[10]	雷海锋. 血清Cyr61及CTGF水平对胃癌进展的诊疗意义, 昆明医科大学学报.
[11]	安新焕. ACE和eNOS 2个基因多态性并存与糖尿病肾病的相关性, 昆明医科大学学报.
[12]	李会芳. 糖尿病肾病易感基因位点多态性的交互作用, 昆明医科大学学报.
[13]	毛文文. 布美他尼治疗老年2型糖尿病中晚期肾病的临床疗效观察, 昆明医科大学学报.
[14]	卢房利. β-catenin与视黄醇结合蛋白对糖尿病肾病的诊断价值, 昆明医科大学学报.
[15]	杜兴华. 血清胱抑素C和血清肌酐、尿素在糖尿病肾病早期诊断中的应用价值, 昆明医科大学学报.
[16]	陈利华. 碎裂QRS波与心肌梗死研究现状和进展, 昆明医科大学学报.
[17]	孙志敏. 增殖细胞核抗原在头颈部肿瘤中的应用进展, 昆明医科大学学报.
[18]	唐丽丽. GLP-1与2型糖尿病及糖尿病肾病的相关性研究, 昆明医科大学学报.
[19]	. α-硫辛酸对2型糖尿病早期肾病保护作用的探讨, 昆明医科大学学报.
[20]	李梅蕊. PC-1基因多态性与2型糖尿病及糖尿病肾病的相关性研究, 昆明医科大学学报.

留言板

基于决策树分类模型的糖尿病肾病进展预测量表的研制

doi: 10.12259/j.issn.2095-610X.S20240816

作者简介: 陈潇（1988～），女，贵州普安人，医学学士，主治医师，主要从事糖尿病防治及管理研究工作

计量

出版历程

Development of Predictive Scale for Diabetic Kidney Disease Progression Based on Decision Tree Classification Model

计量

出版历程

目录

作者简介:
陈潇（1988～），女，贵州普安人，医学学士，主治医师，主要从事糖尿病防治及管理研究工作