基于膳食营养素构建糖尿病全因及心血管死亡风险预测模型：来自NHANES的机器学习分析

编辑推荐：为解决糖尿病患者膳食干预缺乏系统性指导的问题，苏州大学附属苏州医院等机构研究人员通过分析NHANES 1999-2018年5060例糖尿病患者数据，应用LASSO回归和随机森林算法构建死亡风险预测列线图模型，发现膳食纤维和镁摄入量与死亡率呈显著负相关。该研究为糖尿病精准营养干预提供了重要循证依据。

　　

糖尿病(DM)作为全球公共卫生重大挑战，预计2045年患者将达7亿。尽管地中海饮食等模式被证实有益，但具体哪些膳食成分起关键作用仍不明确。现有膳食指南多关注食物种类而非营养素构成，且缺乏针对糖尿病患者的死亡风险预测工具。这种现状促使研究人员探索膳食营养素与糖尿病长期预后的关联。

苏州大学附属苏州医院心血管病中心Zhongshan Gou和Kerui Zhang团队在《Scientific Reports》发表研究，通过分析美国国家健康与营养调查(NHANES)20年数据，首次联合应用最小绝对收缩选择算子(LASSO)和随机森林(RF)算法，构建了基于膳食营养素的糖尿病死亡风险预测模型。研究发现每日增加1g膳食纤维可使全因死亡风险降低1.57%，心血管死亡风险降低3.00%；每增加1mg镁摄入相应风险分别降低0.11%和0.17%。

研究采用NHANES 1999-2018年5060例糖尿病患者数据，通过24小时膳食回顾法采集35种营养素摄入量。关键技术包括：1) LASSO回归筛选关键变量；2) RF算法评估变量重要性；3) 构建列线图预测模型；4) 限制性立方样条(RCS)分析剂量效应关系；5) 亚组分析验证普适性。

研究结果：

1. 基线特征：中位随访56个月期间，19.7%发生全因死亡（21.97%为心血管死亡）。死亡组患者年龄更大（70 vs 61岁）、膳食纤维（12.8 vs 14.4g/d）和镁（214 vs 251mg/d）摄入显著更低。

2. 关键营养素筛选：LASSO和RF共同识别出膳食纤维和镁是核心保护因素。全因死亡模型还包含碳水化合物、β胡萝卜素等12个变量，心血管死亡模型包含维生素A、B₆等8个变量。

3. 模型验证：列线图模型展现优异预测性能，全因死亡预测曲线下面积(AUC)达0.830，心血管死亡AUC 0.815。决策曲线分析(DCA)显示临床实用阈值范围宽（全因死亡>24%，心血管死亡2-47%）。

4. 剂量效应：RCS显示膳食纤维与全因死亡呈线性负相关（P_非线性=0.060），与心血管死亡呈非线性（P_非线性=0.034），摄入>20g/d后风险趋于平稳。镁与全因死亡呈非线性关联（拐点350mg/d），与心血管死亡呈线性负相关。

5. 亚组分析：保护效应在性别、年龄（≥65岁更显著）、吸烟饮酒等亚组中均一致（交互P>0.05），证实结论稳健性。

讨论指出，这是首个将机器学习应用于糖尿病膳食营养素死亡预测的研究。膳食纤维可能通过改善血脂、胰岛素敏感性和抗炎作用降低风险；镁作为300多种酶的辅因子，参与糖代谢和免疫调节。研究创新性地将复杂膳食转化为可量化的营养素指标，但存在回忆偏倚、未区分膳食纤维亚型等局限。结论强调，增加全谷物、蔬菜等富含膳食纤维和镁的食物摄入，可为糖尿病患者提供简单经济的死亡风险干预策略，列线图模型可作为临床营养评估工具。未来需在不同种族和地区验证结论，并探索营养素组合效应。