基于光学相干断层扫描血管成像变量构建糖尿病肾病预测模型及列线图研究

糖尿病肾病(DN)是糖尿病常见且严重的微血管并发症，早期诊断对延缓疾病进展至关重要。为解决传统诊断方法侵入性强、操作复杂的问题，中山大学的研究团队创新性地利用光学相干断层扫描血管成像(OCTA)技术，通过LASSO回归筛选出深部毛细血管丛(DCP)旁中心凹密度和FD-300等关键变量，构建了性能良好的DN预测模型(C-index达0.728)，并开发了可视化列线图工具，为非侵入性DN诊断和人工智能辅助诊疗系统发展奠定基础。

　　

糖尿病已成为全球重大公共卫生问题，预计到2045年患者将达6.9亿。作为糖尿病最严重的微血管并发症之一，糖尿病肾病(DN)影响着约35%的糖尿病患者，许多患者最终会发展为慢性肾衰竭。虽然肾素-血管紧张素-醛固酮系统(RAAS)抑制剂、钠-葡萄糖协同转运蛋白2(SGLT2)抑制剂等药物能延缓DN进展，但早期诊断仍是临床面临的重大挑战。

传统DN诊断依赖于尿液微量白蛋白和肾小球滤过率(eGFR)等指标检测，这些方法不仅具有侵入性，且当出现异常时往往已错过最佳干预时机。有趣的是，DN与糖尿病视网膜病变(DR)具有相似的微血管病变机制，这为通过眼部检查评估DN风险提供了理论依据。光学相干断层扫描血管成像(OCTA)作为一种新兴的非侵入性成像技术，能高分辨率量化视网膜毛细血管密度，但如何利用OCTA变量实现DN的自动化诊断仍是一个未解的难题。

中山大学附属孙逸仙纪念医院的研究团队开展了一项创新性研究，旨在开发基于OCTA变量的DN预测模型及可视化列线图。研究人员回顾性纳入了464例2型糖尿病(T2DM)患者的临床数据，随机分为训练集(324例)和验证集(140例)。通过最小绝对收缩和选择算子(LASSO)回归筛选预测变量，最终将深部毛细血管丛(DCP)旁中心凹密度、FAZ周围300μm区域毛细血管密度(FD-300)、年龄、性别和眼轴长度(AL)纳入模型。

研究采用的关键技术方法包括：光学相干断层扫描血管成像(OCTA)检测视网膜微血管参数；LASSO回归进行变量筛选；logistic回归构建预测模型；受试者工作特征(ROC)曲线、校准曲线和决策曲线分析(DCA)评估模型性能；列线图实现结果可视化。所有患者数据来自中山大学附属孙逸仙纪念医院内分泌科糖尿病视网膜病变筛查队列。

研究结果显示：

1. 患者特征：训练集与验证集在大多数基线特征上无显著差异，确保了数据的可比性。
2. OCTA变量选择：LASSO回归筛选出DCP旁中心凹密度和FD-300作为核心预测指标，结合年龄、性别和AL构建最终模型。
3. 模型性能：训练集中单次抽样的C-index为0.728，重复抽样提升至0.747；验证集中相应指标为0.678和0.681。校准曲线显示预测值与实际观测值具有良好一致性，DCA证实模型具有临床实用价值。

讨论部分指出，这是首个基于OCTA变量构建的透明化DN预测模型。DCP旁中心凹密度作为敏感指标，反映了DN与DR相似的微血管病变特征——DCP独特的无吻合支的"小叶"结构使其更易受损且难以代偿。FD-300主要位于旁中心凹区，进一步佐证该区域是糖尿病微血管损伤的敏感区域。尽管模型性能略低于部分DR预测研究，但其优势在于突破了传统"黑箱"AI算法的局限，通过列线图直观展示各变量贡献，便于临床解读。

该研究的创新价值体现在三方面：首次证实OCTA技术用于DN无创诊断的可行性；建立的列线图为眼科医生识别高风险患者提供了量化工具；为未来OCTA人工智能诊断系统开发奠定基础。局限性包括样本均来自中国人群、缺乏外部验证数据集等。研究人员建议未来建立多中心、多族群的OCTA数据库，并纳入DN分期指标以优化模型。论文发表在《Photodiagnosis and Photodynamic Therapy》，为糖尿病微血管并发症的早期筛查开辟了新途径。