妊娠期糖尿病选择性筛查新模型的开发与多中心验证：越南GDM研究

《BMC Pregnancy and Childbirth》：Development and multicenter validation of a novel model for selective screening of gestational diabetes mellitus: the Vietnam gestational diabetes mellitus study

本研究针对越南湄公河三角洲地区妊娠期糖尿病(GDM)筛查资源有限的问题，开发并验证了一种基于四个常规临床参数(年龄、巨大儿史、BMI和孕期增重)的预测模型。该模型在训练队列和验证队列中分别表现出良好的区分度(AUC=0.74和0.70)和校准度，并构建了便于临床应用的列线图。该工具有助于在资源有限地区实现GDM的早期识别和风险分层，优化医疗资源配置。

　　

在全球范围内，妊娠期糖尿病(Gestational Diabetes Mellitus, GDM)的患病率正不断攀升，这与肥胖和2型糖尿病日益流行的趋势相吻合。GDM不仅增加孕期和围产期母婴并发症的风险，如剖宫产、早产、巨大儿、新生儿呼吸窘迫等，更是母亲及其子代未来发生2型糖尿病的重要危险因素，给医疗卫生系统带来沉重负担。在越南，GDM的患病率报告在6.4%至27.1%之间，与全球平均水平相当甚至更高。然而，在越南等中低收入国家，尤其是偏远或资源有限的基层医疗机构，往往缺乏进行标准口服葡萄糖耐量试验(Oral Glucose Tolerance Test, OGTT)的条件，这使得GDM的早期普遍筛查面临挑战。因此，开发一种简单、快速、无需复杂设备的早期筛查工具，用于识别高风险孕妇并将其转诊至上级医院进行确诊，具有重要的现实意义。为此，研究人员在越南湄公河三角洲地区开展了一项多中心前瞻性队列研究，旨在开发并验证一个用于GDM选择性筛查的新型预测模型，该研究结果发表在《BMC Pregnancy and Childbirth》期刊上。

为开展本研究，研究人员主要应用了几个关键技术方法。研究采用多中心前瞻性队列设计，从越南湄公河三角洲的五家省级妇产专科医院招募了1398名孕妇，并分为主要队列(n=978)和验证队列(n=420)。GDM诊断严格依据2017年美国糖尿病协会(American Diabetes Association, ADA)标准，即孕24-28周时进行75克OGTT。利用贝叶斯模型平均(Bayesian Model Averaging, BMA)方法从多个候选预测变量中筛选最优模型。采用受试者工作特征曲线(Receiver Operating Characteristic curve, ROC)下面积(Area Under the Curve, AUC)评估模型区分度，使用Brier评分评估校准度，并通过决策曲线分析(Decision Curve Analysis, DCA)评估模型的临床效用。最终将最优模型转化为可视化的列线图(Nomogram)以便临床使用。

研究结果

参与者特征

研究共纳入1398名参与者，其主要队列和验证队列的基线特征，包括年龄、BMI、孕次、巨大儿史等，均无显著差异，GDM总患病率为18.0%，表明队列具有可比性，适合模型开发和验证。

预测模型的开发与选择

通过BMA方法从11个候选预测变量中筛选最优模型。结果显示，包含四个变量的模型I（母亲年龄、巨大儿史、孕前体重指数(Body Mass Index, BMI)、孕期体重增加(Weight Gain during Pregnancy)）具有最高的后验概率(0.763)和最低的贝叶斯信息准则(Bayesian Information Criterion, BIC)值，被确定为最佳预测模型。

最终预测模型

逻辑回归分析显示，模型I中的四个变量均为GDM的独立危险因素。年龄每增加1岁，GDM风险增加9%(OR=1.09)；有巨大儿史的孕妇GDM风险增加约6倍(OR=6.04)；BMI每增加1 kg/m²，GDM风险增加16%(OR=1.16)；孕期体重每增加1公斤，GDM风险增加12%(OR=1.12)。

模型性能评估（主要队列）

在主要队列中，该模型显示出较好的区分能力，AUC为0.74。校准曲线和Hosmer-Lemeshow拟合优度检验(X²=8.637, p=0.373)表明预测概率与实际概率吻合良好，Brier评分为0.123，表明模型预测性能良好。

列线图的构建与应用

基于最终模型构建了列线图，使用者可根据孕妇的四个临床参数评分并相加，在总评分轴上找到对应点，垂直向下即可读取其个体化的GDM发生概率。例如，一位30岁、有巨大儿史、BMI为25 kg/m²、孕期增重14公斤的孕妇，其GDM风险约为80%。这为临床快速风险评估提供了直观工具。

外部验证

模型在独立的验证队列中进行了测试，AUC为0.70，表明模型具有良好的泛化能力。校准曲线同样显示良好的一致性(Hosmer-Lemeshow检验X²=4.956, p=0.762)。

临床效用评估

决策曲线分析表明，在0.1至0.4的阈值概率范围内，使用该列线图进行临床决策比“全部筛查”或“全部不筛查”的策略能带来更高的净收益，证明了其临床应用的实用价值。

讨论与结论

本研究的核心成果是成功开发并多中心验证了一个包含四个易获取临床参数（母亲年龄、巨大儿史、孕前BMI、孕期增重）的GDM预测模型及其列线图。该模型在越南湄公河三角洲人群中表现出可接受的预测准确性和良好的校准度。研究指出，模型中包含的预测因子均有坚实的生物学和流行病学基础。GDM风险随年龄增长而增加，尤其在亚洲人群中；既往巨大儿史是强预测因子；较高的孕前BMI和孕期体重增加则通过加剧胰岛素抵抗而增加GDM风险。

与国内外其他GDM预测模型相比，本研究模型在变量数量较少的情况下，取得了与其他使用更多变量或更复杂技术（如机器学习）的模型相近甚至更具优势的预测性能（特别是良好的校准度，由Brier评分体现）。其显著优势在于简洁性和实用性，所有变量均可在产前检查中轻松获取，无需依赖复杂的实验室检测，这使得它特别适合在越南等资源有限的基层医疗机构推广使用，有助于实现GDM的早期风险分层和针对性转诊。

当然，研究也存在一些局限性。所有研究中心均位于湄公河三角洲的主要城市，结论推广至越南全国其他地区需谨慎。模型所使用的孕期增重数据截至24-28周，限制了其在妊娠更早期进行预测的能力。尽管DCA显示了临床效用，但未确定单一的最佳风险概率阈值，为临床决策的精确截点留待未来研究。

尽管如此，这项研究为越南的GDM防控提供了一种即时可用的实用工具。该列线图有望帮助基层医疗工作者快速识别GDM高风险孕妇，从而优化医疗资源分配，促进早期干预，最终为改善越南乃至类似环境下的母婴健康结局做出贡献。