基于静态与动态聚类算法的成人发病糖尿病肾病新表型群——一项数据驱动的多中心研究

《BMC Endocrine Disorders》：Novel phenotypic clusters of adult-onset diabetic kidney disease based on static and dynamic clustering algorithms - a data-driven multi-center study

　　

摘要

研究目的

本研究旨在识别具有临床意义的糖尿病肾脏病亚表型，以便为个性化预后评估和干预提供依据。

研究方法

我们从中国三家医院招募了2型糖尿病患者作为研究对象。通过两种互补的聚类方法来识别具有临床意义的亚表型：一种是静态模型（k均值聚类），用于分析糖尿病肾脏病诊断时的代谢与肾脏功能状况；另一种是动态模型（基于群体的多轨迹模型），用于重建诊断前的纵向发展轨迹。随后使用Cox回归分析不同亚表型与诊断后疾病进展之间的关联。

研究结果

共有1520名患者被纳入静态聚类分析，其中32.53%为女性，平均年龄为54.4±12.1岁。静态聚类方法将糖尿病肾脏病患者分为四类：BALANCE、YOUTH、TYPICAL和NATURAL。与YOUTH组相比，BALANCE组、TYPICAL组和NATURAL组患者发展为更晚期慢性肾脏病（G3b-G5期）的 hazard比分别为1.68（95%置信区间：0.81–3.49）、7.85（95%置信区间：4.25–14.51）和6.58（95%置信区间：3.54–12.24）。基于群体的多轨迹模型则识别出了三种纵向发展轨迹，其中轨迹1患者发展为更晚期慢性肾脏病的 hazard比为2.48（95%置信区间：1.50–4.09），高于轨迹2。此外，验证组得出的聚类结果与初始研究组一致。

结论

通过结合静态与动态聚类方法，本研究发现了新的糖尿病肾脏病亚表型，并分析了各亚表型组中疾病进展的风险。