基于GlycA和HDL1-TC的2型糖尿病并发症风险评估模型构建研究

《Frontiers in Endocrinology》：Study on the construction of a risk assessment model for type 2 diabetes complications based on GlycA and HDL1-TC

　　

背景：本研究评估了核磁共振（NMR）衍生的乙酰化糖蛋白A（GlycA）和脂蛋白亚分类在2型糖尿病（T2DM）并发症风险分层中的价值。方法：一项回顾性横断面研究纳入了2023年1月至12月来自两家医院的228例成年T2DM患者。研究人员分析了临床变量、NMR衍生的炎症标志物GlycA和乙酰化糖蛋白B（GlycB）以及脂蛋白亚分类。通过受试者工作特征（ROC）分析、Hosmer–Lemeshow检验、自举法校准和决策曲线分析评估了逐步逻辑回归模型。结果：年龄、糖尿病病程、空腹血糖、GlycA和高密度脂蛋白1亚类总胆固醇（HDL₁-TC）被保留。该模型显示出良好的拟合度（χ2 = 7.141, P = 0.521）、区分度（曲线下面积[AUC] = 0.82, 95%置信区间[CI]: 0.756–0.873）、校准度（平均绝对误差[MAE] = 0.021），并且与糖化血红蛋白（HbA1c）/超敏C反应蛋白（hs-CRP）相比具有更高的净获益。结论：整合GlycA、HDL₁-TC和临床因素的模型在T2DM并发症风险分层中表现出良好性能，但由于横断面设计，无法建立因果推断和时间预测。

**论文解读：基于GlycA和HDL₁-TC的2型糖尿病并发症风险评估模型构建研究**

**研究背景与问题**
2型糖尿病（T2DM）患病率持续上升，其长期管理的核心在于并发症预防。T2DM并发症主要包括大血管病变和微血管病变，是导致患者致残、死亡及医疗负担增加的关键因素。由于并发症早期常缺乏特异性症状，临床医师容易错失最佳干预窗口，因此建立可用于早期风险分层的预测工具具有重要意义。当前研究表明，慢性低度炎症和脂代谢紊乱共同促进T2DM并发症的发生发展，但临床实践中仍主要依赖尿蛋白/肌酐比、影像学及电生理检查来确认并发症是否存在及程度，对基于检验指标的综合风险分层和量化评估支持不足。糖化血红蛋白（HbA1c）虽为血糖控制重要指标，但受红细胞寿命等因素影响，主要反映平均血糖水平，无法捕捉血糖波动、氧化应激和炎症反应等与并发症密切相关的状态；超敏C反应蛋白（hs-CRP）作为非特异性炎症指标，易受个体生理状态及急性反应干扰，难以稳定反映慢性低度炎症水平。近年来，基于核磁共振（NMR）波谱的乙酰化糖蛋白A（GlycA）可综合量化多种急性期糖蛋白的N-乙酰葡糖胺残基信号，具有良好分析稳定性，能从“整体蛋白炎症谱”角度反映慢性低度炎症状态，已被报道与T2DM及动脉粥样硬化结局相关。此外，脂蛋白颗粒的异质性与残余心血管风险密切相关，而NMR可更精确地定量脂蛋白亚类，为风险评估提供更丰富信息。基于上述背景，研究人员结合NMR新炎症指标GlycA和乙酰化糖蛋白B（GlycB）及脂蛋白亚型指标，整合常规临床变量，建立并内部验证了一项T2DM并发症风险分层模型，为临床并发症风险的量化评估提供实验室依据。该论文发表在《Frontiers in Endocrinology》。

**关键技术与方法**
本研究采用回顾性横断面设计，连续纳入2023年1月至12月就诊于陕西中医药大学第二附属医院和西安大兴医院的228例T2DM患者，记录患者基线信息（性别、年龄、糖尿病病程等），并根据是否已发生糖尿病慢性并发症分为无并发症组和并发症组。关键技术方法包括：1）NMR检测：使用德国布鲁克Avance IVDr核磁共振代谢分析系统检测新型炎症指标GlycA、GlycB及112种脂蛋白亚成分，其中高密度脂蛋白（HDL）颗粒被细分为HDL-1至HDL-4四个亚类，HDL₁-TC指HDL-1亚类中的总胆固醇含量；2）常规实验室检测：测定空腹血糖（FPG）、HbA1c及hs-CRP；3）统计学建模：通过单因素逻辑回归筛选相关因素，再采用逐步逻辑回归（前向法，入选P<0.05，剔除P>0.10）构建多因素模型，使用受试者工作特征（ROC）曲线评估区分度（曲线下面积AUC），Hosmer–Lemeshow检验评估拟合优度，自举法内部验证（1000次重抽样）评估校准度，决策曲线分析评估临床净获益。

**研究结果**
**3.1 研究对象一般特征**：共纳入228例T2DM患者，其中并发症组161例，无并发症组67例。与无并发症组相比，并发症组患者年龄更大、糖尿病病程更长、空腹血糖和血压水平更高（均P<0.05），而性别构成、体质指数（BMI）及糖尿病家族史差异无统计学意义。
**3.2 实验室指标比较**：并发症组空腹血糖水平高于无并发症组（P=0.010），但HbA1c和hs-CRP两组间差异无统计学意义。NMR测得的新型炎症指标GlycA和GlycB在并发症组显著升高（P分别为0.001和0.026）。脂蛋白亚型方面，多种极低密度脂蛋白（VLDL）相关组分升高，部分HDL胆固醇亚型降低（部分指标P<0.05），提示脂蛋白颗粒谱的结构再分布可能与并发症发生相关。
**3.3 单因素Logistic回归分析**：年龄、糖尿病病程、空腹血糖、血压、GlycA、GlycB以及多种VLDL相关亚成分（如VLDL3-TG、VLDL4-TG等）均为T2DM并发症的危险因素（OR>1，P<0.05），而多种HDL相关亚成分（如HDL₁-TC、HDL₂-TC、HDL₃-TC、HDL₁-FC、HDL₂-FC、HDL₂-ApoA2）为保护因素（OR<1，P<0.05）。
**3.4 风险分层模型建立**：将单因素中有显著意义的变量纳入逐步逻辑回归模型，多因素分析显示，糖尿病病程、年龄、空腹血糖及新型炎症指标GlycA为T2DM并发症的独立危险因素（均P<0.05），而HDL₁-TC为独立保护因素（P<0.05）。回归方程为：Logit(P) = ?8.786 + 0.107×糖尿病病程 + 0.064×年龄 + 0.166×空腹血糖 + 0.595×GlycA ? 0.082×HDL₁-TC。Hosmer–Lemeshow检验显示模型拟合良好（χ2=7.141，P=0.521），Nagelkerke R2=0.355。
**3.5 独立因子和模型鉴别性能评估**：各独立危险因素对识别T2DM并发症的AUC分别为：糖尿病病程0.71、年龄0.72、GlycA 0.65、HDL₁-TC 0.61（均P<0.05）。综合模型的ROC曲线下面积为0.82，最佳截断值为0.79，相应灵敏度60.0%、特异度91.0%，表明该模型具有良好的区分能力。
**3.6 HbA1c和hs-CRP的诊断效能评价**：HbA1c和hs-CRP的AUC分别为0.54和0.57，均无统计学意义（P>0.05）。
**3.7 列线图构建与模型校准**：基于多因素逻辑回归模型构建了T2DM并发症风险分层列线图，纳入糖尿病病程、年龄、空腹血糖、GlycA和HDL₁-TC五个变量。自举法内部验证（1000次重抽样）的校准曲线显示平均绝对误差（MAE）为0.021，校准截距为0.059，校准斜率为0.901，表明预测概率与观测概率总体一致，无系统性偏差。
**3.8 新型炎症指标在不同类型并发症中的诊断效能**：探索性子组ROC分析中，GlycA和GlycB对大血管并发症的AUC分别为0.69和0.65（均P<0.05），对微血管并发症的AUC分别为0.73和0.71（均P<0.001），提示两者对微血管并发症的鉴别能力略高于大血管并发症。
**3.9 综合模型、HbA1c和hs-CRP的决策曲线分析**：决策曲线分析显示，综合模型在较宽的风险阈值范围内较HbA1c、hs-CRP、全部视为高风险及全部视为低风险的策略具有更高的净获益，提示该模型可能具有潜在临床价值。

**讨论与结论**
讨论部分指出，GlycA作为复合炎症指标可更稳定地刻画系统性低度炎症状态，本研究中GlycA是T2DM并发症的独立危险因素，而传统炎症指标hs-CRP和HbA1c在两组间无显著差异，提示复合炎症指标和脂蛋白亚类信息可能为风险分层提供补充信息。模型性能方面，综合模型表现出良好的区分度和校准度，但截断值具有高特异度（91.0%）和中等灵敏度（60.0%），更适用于识别高并发症概率患者而非作为普筛工具。脂蛋白颗粒谱分析发现并发症组表现为VLDL相关成分升高、HDL胆固醇亚型降低的模式，其中HDL₁-TC作为独立保护因素，提示HDL亚类信息可能超越常规HDL-C提供额外风险分层价值。同时讨论了NMR检测的成本和可及性、研究局限性（回顾性设计、样本量有限、缺乏外部验证、因果关系无法推断、GlycB证据不足等），并指出未来需开展前瞻性、多中心研究进一步验证。研究结论翻译如下：整合GlycA、HDL₁-TC和临床因素的模型在T2DM并发症风险分层中表现出良好性能，但由于横断面设计，无法建立因果推断和时间预测。