《PLOS One》:Developing count regression techniques for predicting the number of new type 2 diabetes cases in Saudi Arabia
编辑推荐:
2型糖尿病(Type 2 diabetes,T2D)是一种影响全球数百万人的慢性疾病。建立稳健的预测模型以估计T2D新增病例数,能够促进精准监测与有效干预策略的制定。本研究旨在利用计数回归模型,包括泊松回归(Poisson Regression,PR)、负二项
2型糖尿病(Type 2 diabetes,T2D)是一种影响全球数百万人的慢性疾病。建立稳健的预测模型以估计T2D新增病例数,能够促进精准监测与有效干预策略的制定。本研究旨在利用计数回归模型,包括泊松回归(Poisson Regression,PR)、负二项回归(Negative Binomial Regression,NBR)、泊松逆高斯回归(Poisson Inverse Gaussian Regression,PIGR)和Bell回归(Bell Regression,BR),预测沙特阿拉伯每月T2D新增病例数,并识别与T2D相关的关键绩效指标(Key Performance Indicators,KPIs)。研究采用沙特阿拉伯1,000例T2D患者的去标识化数据进行模型开发。研究人员使用决定系数(R2)、均方根误差(RMSE)、平均绝对误差(MAE)、10折交叉验证(CV-10)、赤池信息准则(AIC)和贝叶斯信息准则(BIC)等指标,对纳入推荐KPIs的完整模型性能进行比较。随后,利用完整模型识别出的最显著KPIs构建简化模型。结果显示,完整NBR模型优于其他模型,其R2=0.88、RMSE=0.93、MAE=0.69、CV-10=1.21、AIC=873.23、BIC=880。聚焦于5个最具影响力变量,即婚姻状况、年龄、体质指数(body mass index,BMI)、总胆固醇(total cholesterol,TC)和高密度脂蛋白(high-density lipoprotein,HDL)的简化NBR模型,同样优于其他简化模型,其R2=0.84、RMSE=1.10、MAE=0.86、CV-10=1.37、AIC=899、BIC=910。似然比检验(Likelihood Ratio Test,LRT)未显示完整NBR模型与简化NBR模型之间存在显著差异(p=0.694),支持简化模型的适用性。所提出的简化模型仅利用5项显著KPIs,可通过监测更少数量的KPIs,帮助医疗服务提供者制定有效且有针对性的策略,以降低沙特阿拉伯T2D病例持续上升的趋势。
该论文发表于《PLOS One》,围绕沙特阿拉伯2型糖尿病(Type 2 diabetes,T2D)月度新增病例数的预测问题,构建并比较多种计数回归模型,旨在为疾病监测与公共卫生干预提供更具解释性和可操作性的统计工具。研究背景在于,T2D已成为全球性慢性病负担的重要来源,中东和北非地区在城市化、生活方式转变和人口老龄化的共同作用下,疾病负担持续加重。沙特阿拉伯作为高患病率国家之一,既往研究虽然报告了糖尿病患病率升高及若干危险因素,但在方法学上多依赖横断面设计、小样本或有限变量分析,且缺乏基于本地原始数据、用于预测新增病例数的系统模型。因此,开展针对沙特本土人群的月度病例计数建模研究,既具有统计学必要性,也具有卫生资源配置和精准防控层面的现实意义。
研究人员基于沙特阿拉伯吉达King Abdulaziz University Hospital(KAUH)2018年1月1日至2022年12月31日期间的电子病历数据开展分析。原始数据包含4,526条年龄≥20岁的患者记录,经变量缺失率和低方差筛选后,将候选变量由35个缩减至19个;随后剔除1,526条无法可靠插补的高缺失记录及2,000条非糖尿病记录,最终纳入1,000例T2D患者的去标识化数据。研究以2018—2022年每月T2D诊断总数为因变量,将性别、国籍、吸烟、运动、饮食、高血压、就业、婚姻状况等分类变量,以及年龄、糖化血红蛋白(glycated hemoglobin,HbA1c)、高密度脂蛋白(HDL)、舒张压(diastolic blood pressure,DBP)、总胆固醇(TC)、收缩压(systolic blood pressure,SBP)、维生素D、白细胞计数(white blood cell count,WBC)、甘油三酯(triglycerides,TG)、铁蛋白和体质指数(BMI)等数值变量纳入分析。研究结论表明,在所有比较模型中,负二项回归(NBR)表现最佳;进一步基于共同显著变量构建的简化NBR模型虽参数更少,但预测性能接近完整模型,可作为更具实用性的预测框架。研究的重要意义在于,为沙特阿拉伯T2D新增病例监测提供了基于本地数据的简约而有效的计数回归方案,并指出婚姻状况、年龄、BMI、TC和HDL是最关键的监测指标。
本研究主要采用以下关键技术方法:首先,使用来自KAUH的去标识化医院病历队列作为数据来源,并进行缺失率筛选、低方差变量剔除及均值/众数插补;其次,将个体水平数据按月聚合,对连续变量计算月均值,对二分类变量计算阳性比例,以构建人群水平时间序列计数分析数据;再次,建立PR、NBR、PIGR和BR四类完整模型,并以R
2、RMSE、MAE、CV-10、AIC、BIC评价模型性能;最后,依据完整模型共同识别的显著变量构建简化模型,并通过似然比检验(LRT)比较完整与简化NBR模型的拟合差异。
以下为研究结果的分项解读。
3.1 Data collection
研究人员说明了数据获取和清洗过程。数据来源于KAUH已确诊T2D患者的既有病历,经过伦理审批后以去标识化方式使用。通过去除高缺失变量、低方差变量、非糖尿病记录和无法可靠插补的记录,最终形成1,000例患者分析样本。这一过程表明研究在建模前对数据质量进行了系统控制,为后续模型比较提供了相对一致的数据基础。
3.2 Dependent variable and independent variables
该部分明确了因变量与自变量定义。因变量为2018—2022年每月T2D新诊断病例总数,自变量包括人口学、生活方式、血压、血脂、炎症及营养相关指标。描述性结果显示,2022年病例占比最高,提示病例数总体呈上升趋势;病例在男性、40岁及以上人群、超重或肥胖者、已婚者以及伴血脂异常和高血压者中占比较高。研究同时对运动和饮食变量进行了重新编码,以便纳入模型分析。
4 Model development
研究人员使用R语言建立四种计数回归模型:PR、NBR、PIGR和BR。该部分的核心目的是通过多模型并行比较,寻找最适合沙特阿拉伯T2D月度新增病例数据分布特征的建模方式。模型开发不仅服务于预测,也服务于关键绩效指标的筛选。
4.1 Count regression models
该部分从理论上阐明四类模型的适用情形。PR适合均值与方差相等的计数数据;NBR适合处理过度离散(overdispersion);PIGR同样适于方差大于均值且可能存在未观测异质性的情形;BR则作为另一种可处理离散计数数据的替代方案。研究据此形成模型比较的理论框架。
5 Testing for variable dispersion
研究首先对因变量进行离散程度检验。结果显示离散指数检验统计量z=2.879,p=0.001,拒绝“无过度离散”原假设,表明该月度病例计数数据存在显著过度离散。由此可知,传统PR模型可能低估标准误并夸大显著性,而NBR、PIGR和BR更有可能适合本数据结构。这一步为后续NBR表现最佳提供了统计学依据。
6 Performance evaluation measures
该部分规定了模型优劣的评价标准,包括R
2、RMSE、MAE、CV-10、AIC和BIC,并引入LRT用于嵌套模型比较。其意义在于从解释力、误差、泛化能力和信息准则多个维度综合判断模型性能,而非单纯依据单项指标。
7 Results analysis
在结果分析中,研究人员将个体数据转换为月度聚合数据,以便刻画群体层面变化。完整模型比较结果表明,完整NBR模型在所有候选模型中表现最优,R
2=0.88,RMSE=0.93,MAE=0.69,CV-10=1.21,AIC=873.23,BIC=880,说明其兼具较高解释力、较低预测误差与较好模型拟合。完整BR模型次之,优于完整PR和完整PIGR;而完整PR模型表现最弱,这与前述过度离散检验结果一致。由此可得出结论:在该研究数据结构下,允许处理过度离散的NBR最适合用于T2D月度新增病例预测。
在变量显著性方面,完整PR模型中婚姻状况、职业、吸烟、年龄、BMI、DBP、HDL和TC显著;完整NBR模型中婚姻状况、职业、体力活动、高血压、年龄、BMI、TC和TG呈正向显著,国籍、饮食、WBC、HDL、铁蛋白和维生素D呈负向显著;完整PIGR模型中婚姻状况、职业、体力活动、年龄、BMI、WBC、SBP、HDL、TC和铁蛋白显著;完整BR模型中婚姻状况、吸烟、国籍、高血压、年龄、BMI、HbA1c、WBC、HDL、TC和维生素D显著。综合不同模型结果,婚姻状况、年龄、BMI、HDL和TC在四个完整模型中均达到统计学显著,说明这些变量具有较强的一致性和稳健性,是解释月度新增病例变异的核心KPIs。
8 Significant variables associated with predicting the number of T2D cases in each model
该部分进一步总结跨模型的一致显著变量。研究指出,婚姻状况、年龄、BMI、HDL和TC是四种完整模型共同识别出的显著预测因子,WBC和职业在至少三个模型中显著,而性别在所有模型中均不显著。由此可以认为,真正具有稳定预测价值的变量并非数量很多,而是集中于人口学因素与脂代谢相关指标。
9 Reduced PR, NBR, PIGR, and BR models based on significant variables
研究基于上述五个共同显著变量建立简化模型。结果显示,简化NBR模型仍然优于简化PR、PIGR和BR模型,R
2=0.84,RMSE=1.10,MAE=0.86,CV-10=1.37,AIC=899,BIC=910。虽然与完整NBR相比,AIC和误差指标略有上升,解释力略有下降,但整体性能依然保持在较高水平。这表明只使用婚姻状况、年龄、BMI、TC和HDL五项指标,便可以在较少信息损失的前提下实现对月度新增T2D病例的有效预测,模型可解释性和实用性明显增强。
10 Likelihood Ratio Test to compare the performance of the reduced and full NBR model
LRT结果显示,完整NBR模型与简化NBR模型之间差异无统计学意义(p=0.694)。这一结果意味着,在本研究样本和变量框架下,18个预测变量构成的完整模型并未显著优于仅包含5个变量的简化模型。因此,从简约性(parsimony)与应用便利性的角度,简化NBR模型更值得推荐。
11 Discussion
讨论部分强调,本研究是基于沙特本地数据、使用多种计数回归模型预测T2D月度新增病例的较系统工作之一。研究确认2018—2022年沙特阿拉伯T2D新发病例呈明显增加趋势,这与该国既有流行病学研究及国际报告趋势一致。模型比较结果表明,完整NBR模型具有最高预测性能,而简化NBR模型则在维持较高准确性的同时大幅提高了模型简洁性和可解释性。研究同时指出,BMI是与T2D密切相关的重要指标,已婚状态也与病例发生存在显著关联;此外,TC升高和HDL降低反映的血脂代谢异常,对T2D新增病例预测具有稳定意义。论文还总结了研究优势与局限:优势在于纳入较全面的推荐KPIs、比较多种计数回归模型并采用本地数据;局限主要在于缺乏遗传和家族史因素,且数据来源于单中心医院。研究建议未来整合遗传与临床信息,并建设全国统一电子健康数据库,以提高模型精度和全国适用性。
结论部分可译为:
本研究是最早针对沙特阿拉伯2型糖尿病(T2D)月度新增病例数开展系统建模的综合性研究之一,采用推荐的关键绩效指标(KPIs)和多种计数回归模型进行分析。尽管沙特阿拉伯是全球T2D高患病率国家之一,但既往关于新增病例数预测的研究仍较有限。研究利用1,000例T2D患者的本地去标识化数据,构建了泊松回归(PR)、负二项回归(NBR)、泊松逆高斯回归(PIGR)和Bell回归(BR)四类模型,用于预测月度新增病例数并识别与之最密切相关的KPIs。数据表明,2018—2022年T2D新增病例数呈显著上升趋势,其中2022年发病数最高。完整模型比较显示,完整NBR模型优于其他模型,其R
2=0.88、RMSE=0.93、MAE=0.69、CV-10=1.21、AIC=873.23、BIC=880。婚姻状况、年龄、总胆固醇(TC)、体质指数(BMI)和高密度脂蛋白(HDL)被所有模型一致识别为显著KPIs。仅基于这5个最显著变量构建的简化NBR模型仍获得R
2=0.84的预测精度。似然比检验(LRT)证实,完整模型与简化模型在预测月度T2D新增病例数方面无显著差异。这一结果说明,简化模型具有良好的新数据泛化能力,尤其适用于强调减少变量数量和提升可解释性的建模场景。研究结果凸显了特定人口学因素和生化因素在T2D发生发展中的重要作用,也与全球关于肥胖、血脂异常及代谢紊乱与T2D相关性的证据相一致。该研究结果可用于制定更具针对性的公共卫生干预和资源配置策略,通过监测更少数量的推荐KPIs,降低该国疾病负担及月度新增T2D病例数。研究同时强调,建立统一且综合性的健康数据库对于提升数据质量和模型准确性具有重要意义,从而为循证卫生策略和人群健康结局改善提供支持。此外,该研究填补了非欧洲国家T2D预测研究中的关键空白,并为未来探索更多风险因素及进一步优化预测模型奠定了基础。