《Frontiers in Endocrinology》：Longitudinal trajectories of urinary albumin-to-creatinine ratio and risk of proteinuria among Chinese patients with type 2 diabetes: a single?center retrospective cohort study
编辑推荐：
背景：尿白蛋白-肌酐比值（UACR）是监测2型糖尿病（T2DM）患者蛋白尿进展的关键标志物。然而，UACR轨迹模式及其与蛋白尿风险的关联尚未充分探索。方法：这项回顾性队列研究纳入了3101名基线UACR<30 mg/g的T2DM患者，这些患者于2018年3月至
背景：尿白蛋白-肌酐比值（UACR）是监测2型糖尿病（T2DM）患者蛋白尿进展的关键标志物。然而，UACR轨迹模式及其与蛋白尿风险的关联尚未充分探索。方法：这项回顾性队列研究纳入了3101名基线UACR<30 mg/g的T2DM患者，这些患者于2018年3月至2024年10月在宁波市代谢管理中心（MMC）分中心接受定期随访。临床数据从电子病历中获取。采用分组-基轨迹模型（GBTM）识别UACR轨迹模式。采用偏最小二乘判别分析（PLS-DA）结合Boruta算法选择与轨迹相关的关键变量。此外，研究人员使用轻梯度提升机（LightGBM）算法进行多类分类建模，并采用Shapley加法解释（SHAP）值量化单个特征对不同轨迹的贡献。采用多变量Cox回归评估各轨迹的蛋白尿风险。结果：GBTM分析识别出三种不同的UACR轨迹：低正常组、中正常组和上升波动组。PLS-DA结合Boruta算法筛选出11个显著特征，包括基线UACR、性别、身高、血红蛋白（Hb）、血细胞比容（HCT）、体重指数（BMI）、腰围、红细胞计数（RBC）、空腹C肽（FCP）、血清肌酐（SCR）和空腹胰岛素（FINS）。同时，研究人员通过为11个特征分配SHAP值，解释了多类LightGBM模型的预测结果。多变量Cox回归显示，与低正常组相比，中正常组（HR=48.40, 95%CI:14.67-159.67）和上升波动组（HR=509.56, 95% CI:157.01–1653.70）的蛋白尿风险显著增加。结论：在中国T2DM患者中识别出不同的UACR轨迹，特别是上升波动模式与蛋白尿风险的强关联，表明基于轨迹的患者分类可以增强早期糖尿病肾病筛查和预防策略。
**研究背景与意义**
2型糖尿病（T2DM）及其微血管并发症糖尿病肾病（DKD）是全球终末期肾病的主要病因，约40%的T2DM患者在确诊10年后发展为DKD。蛋白尿（特别是持续性蛋白尿）是DKD发生和进展的关键临床标志，而尿白蛋白/肌酐比值（UACR）作为简单、非侵入性的检测指标，广泛用于早期肾损伤的筛查与监测。然而，传统单次或偶测UACR仅提供横断面视角，无法捕捉个体UACR随时间变化的动态模式，难以准确预测蛋白尿风险。目前，UACR纵向轨迹模式及其与蛋白尿风险的关联在中国T2DM人群中尚缺乏系统研究。为此，研究人员利用宁波市代谢管理中心（MMC）分中心的长期随访数据，旨在识别中国T2DM患者UACR的纵向轨迹，分析其与蛋白尿风险的关系，并探索相关预测因素，为糖尿病肾病的早期预防和精准治疗提供循证依据。该论文发表在《Frontiers in Endocrinology》。
**关键技术方法（≤250字）**
本研究为单中心回顾性队列研究，样本来源于宁波MMC分中心，纳入2018年3月至2024年10月间定期随访的3101例基线UACR<30 mg/g的T2DM患者。主要技术方法包括：（1）采用分组-基轨迹模型（GBTM）识别UACR纵向轨迹模式；（2）整合偏最小二乘判别分析（PLS-DA）与Boruta算法，筛选与轨迹相关的关键临床特征；（3）利用轻梯度提升机（LightGBM）算法构建多类分类模型，并通过Shapley加法解释（SHAP）值量化各特征对轨迹分类的贡献；（4）采用多变量Cox比例风险回归模型（调整年龄、性别、收入、血压、血糖等协变量）评估不同轨迹组与蛋白尿风险的关系。
**研究结果**
**1. 参与者特征与UACR轨迹**
GBTM分析基于2018-2024年UACR变化模式，识别出三个独特轨迹组：低正常组（n=2297，中位UACR 6.87 mg/g）、中正常组（n=592，中位UACR 16.77 mg/g）和上升波动组（n=212，中位UACR 21.40 mg/g）。各组在性别、年龄、收入、收缩压、身高、体重指数（BMI）、腰围、空腹血糖、糖化血红蛋白（HbA
1c）、白细胞计数、血尿素氮、总胆固醇、高/低密度脂蛋白胆固醇及基线UACR方面存在显著差异（P<0.05，SMD>0.1）。
**2. PLS-DA与Boruta联合筛选关键变量**
PLS-DA得分图显示三个轨迹组沿前两个主成分明显分离，验证了三轨迹分类的合理性。结合Boruta算法，两种方法共同识别出11个显著特征：基线UACR、性别、身高、血红蛋白（Hb）、血细胞比容（HCT）、BMI、腰围、红细胞计数（RBC）、空腹C肽（FCP）、血清肌酐（SCR）和空腹胰岛素（FINS）。
**3. 基于LightGBM的轨迹预测与SHAP解释**
LightGBM模型利用上述11个特征进行多类分类，SHAP值分析显示：基线UACR的平均绝对SHAP值远高于其他特征，是区分轨迹类别的主导预测因子。在低正常组中，UACR值与正向SHAP值强相关（促进预测）；在上升波动组中，UACR值与负向SHAP值相关（抑制预测）。身高、Hb等特征在不同轨迹组中表现出方向性差异。
**4. UACR轨迹与蛋白尿风险**
Kaplan-Meier曲线显示，上升波动组的蛋白尿累积风险显著高于其他组（log-rank检验，P<0.001）。多变量Cox回归（调整全部协变量后）表明，与低正常组相比，中正常组（HR=48.40, 95%CI: 14.67-159.67）和上升波动组（HR=509.56, 95%CI: 157.01-1653.70）的蛋白尿风险显著增加。
**讨论与结论**
研究人员指出，UACR上升波动轨迹可能反映间歇性高血糖和血糖控制不佳，通过氧化应激和内质网应激损伤肾小球滤过屏障，导致白蛋白渗漏；而中正常组的持续中等水平UACR可能提示亚临床肾小球损伤（如足细胞丢失和基底膜增厚）。筛选出的关键变量（如基线UACR、性别、身高）表明UACR轨迹受肾结构因素、激素影响及代谢状态共同作用。从临床角度看，基于轨迹的分层可弥补单次UACR测量的不足：中正常组患者虽单次测定为正常白蛋白尿，但存在持续亚临床风险；上升波动组患者的间歇性正常值可能掩盖其最差的肾预后。研究建议对上升波动组加强监测（如季度UACR和eGFR评估）并积极启动肾素-血管紧张素-醛固酮系统（RAAS）抑制剂，对中正常组进行半年定期随访。本研究存在局限性（单中心回顾性设计、样本量有限、未发现UACR下降亚组、随访测量次数不均、未调整RAAS抑制剂使用等），未来需大规模前瞻性多中心研究验证。
**结论翻译**：这项研究在中国T2DM患者中识别出不同的UACR轨迹，特别强调了上升波动模式与蛋白尿风险的强关联。研究结果支持使用基于轨迹的患者分层来改善早期DKD筛查和优化预防策略。未来需要大规模、高质量的研究来验证纵向UACR轨迹对T2DM患者的预测价值。
