中国2型糖尿病患者共病对医疗成本的影响：基于医保索赔数据的纵向机器学习分析

《Archives of Public Health》：Impact of multimorbidity on healthcare costs in patients with type 2 diabetes in China: a longitudinal analysis of health insurance claims data

本研究针对中国糖尿病共病负担数据缺乏的现状，利用东部某市2014-2019年医保索赔数据，对79,910名2型糖尿病患者进行纵向分析。研究发现糖尿病共病患病率从87.9%升至99.3%，医疗成本占比从31.8%增至34.2%。通过梯度提升(GB)机器学习模型和SHAP分析，首次揭示脑血管后遗症、心力衰竭、慢性缺血性心脏病和慢性阻塞性肺病是驱动医疗成本的关键因素，为糖尿病共病的精准防控提供了循证依据。

　　

随着全球糖尿病患病率的持续攀升，这一慢性代谢性疾病已成为威胁人类健康的重大公共卫生问题。国际糖尿病联盟数据显示，2021年全球糖尿病相关医疗支出高达9660亿美元，而中国作为糖尿病负担最重的国家之一，预计到2030年糖尿病患者总数将突破4600亿美元。更为严峻的是，糖尿病患者中普遍存在的共病现象正日益成为临床管理和医疗成本控制的重要挑战。

现有研究表明，77%-90%的2型糖尿病患者至少患有一种共病，如心血管疾病、糖尿病肾病、糖尿病视网膜病变等。这些共病不仅增加了治疗复杂性，导致患者生活质量下降、住院率增高，更显著推高了医疗支出。然而，中国目前关于糖尿病共病负担的研究多局限于横断面设计或少数医院数据，缺乏基于大规模人群的纵向证据，特别是关于不同共病对医疗成本贡献度的精准评估。

为填补这一研究空白，陈星、张璐莹与陈文研究团队在《Archives of Public Health》发表了题为"Impact of multimorbidity on healthcare costs in patients with type 2 diabetes in China: a longitudinal analysis of health insurance claims data"的研究论文。该研究创新性地结合慢性病管理数据库和医保索赔数据，采用机器学习方法深入分析了中国糖尿病患者共病的流行趋势、经济负担及其对医疗成本的影响机制。

研究团队采用回顾性队列设计，整合了东部某市慢性病管理数据库和医保索赔数据库2014-2019年的数据。研究纳入了79,910名在2014年确诊为2型糖尿病(E11)且连续就诊的患者，通过ICD-10代码识别了29种患病率超过1%的共病。技术方法上，研究主要运用了三种预测模型：仅包含共病情况的模型A、增加人口学特征的模型B以及进一步加入前一年医疗费用的模型C，并比较了线性回归与随机森林(RF)、决策树(DT)、梯度提升(GB)和多层感知器(MLP)四种机器学习算法的预测性能，最终通过SHAP分析解读关键变量的贡献度。

样本人口特征

研究基线数据显示，2014年共纳入79,910名2型糖尿病患者，其中85.76%年龄超过60岁，肥胖患病率达50.03%，男性略高于女性(52.27% vs. 47.89%)。保险类型方面，82.18%参加城镇职工基本医疗保险(UEBMI)，17.82%参加城乡居民基本医疗保险(URRBMI)。

糖尿病共病患病率

分析发现，糖尿病患者中共病现象几乎普遍存在：患病率从2014年的87.9%上升至2019年的99.3%，人均患病数从2.7种增至7.4种。2019年患病率最高的共病包括高血压(88.3%)、关节炎(74.7%)和慢性缺血性心脏病(54.6%)。值得注意的是，患病率增长超过30%的疾病包括关节炎(41.66%)、慢性鼻炎/鼻窦炎/鼻咽炎(35.65%)和慢性胃炎(33.46%)等。

糖尿病共病成本

共病相关医疗费用占总医疗成本的比例从2014年的31.8%升至2019年的34.2%，人均共病医疗费用从903.2美元增至1,674.2美元。2019年医疗成本最高的共病是脑血管后遗症(3,860.8美元)、脑梗死(2,768.8美元)和肾衰竭(1,543.9美元)。值得注意的是，脑血管后遗症、脑梗死和慢性阻塞性肺病(COPD)的人均医疗费用增长均超过500美元。

糖尿病患者医疗费用预测模型

机器学习模型在预测性能上显著优于传统线性回归。当纳入前一年医疗费用数据时(模型C)，梯度提升(GB)模型表现最优(R²=0.58，MAE=2777.37，MAPE=3.54)。SHAP分析显示，对医疗成本影响最大的因素依次为前一年医疗费用、脑血管后遗症、心力衰竭、慢性缺血性心脏病和慢性阻塞性肺病。人口学特征中，保险类型、性别和BMI也是重要预测因子。

研究结论强调，共病在中国糖尿病患者中几乎普遍存在，且医疗成本负担沉重。特别需要关注的是，心血管、脑血管和慢性呼吸系统疾病对医疗支出贡献巨大。机器学习模型成功识别出脑血管后遗症、心力衰竭、慢性缺血性心脏病和慢性阻塞性肺病是驱动未来医疗成本的关键共病，这一发现为优先防控措施的制定提供了重要依据。

该研究的现实意义在于，为临床实践和公共卫生政策提供了精准干预的方向。建议在糖尿病随访中加强血压监测、肾功能评估和心血管风险分层，对已有心脑血管疾病史的患者推行多学科协作管理。政策层面可考虑将康复服务和性价比高的药物纳入医保覆盖，支持社区慢性病管理和远程医疗随访，并利用预测模型实现资源向高风险人群和弱势群体的精准倾斜。同时，推进按人头付费和打包支付等支付方式改革，在改善患者结局的同时控制总体医疗支出。

尽管本研究存在局限于发达城市人群、claims数据可能存在的错误分类等不足，但作为首项全面评估中国糖尿病共病对医疗成本影响的研究，其大规模纵向设计和机器学习方法的创新应用，为糖尿病共病的精准防控提供了重要科学依据。未来研究可纳入更广泛的共病种类和社会决定因素，进一步探索不同共病模式间的内在联系。