综述：用于精准医疗的2型糖尿病亚型：方法学挑战与基于替代预测的方法

《Diabetologia》：Type 2 diabetes subtypes for precision medicine: methodological challenges and alternative prediction-based approaches

　　

精准诊断领域日益增长的兴趣推动了将2型糖尿病分类为更精细亚型的研究努力。近期研究聚焦于四种基于病理生理学的亚型：严重胰岛素缺乏型糖尿病（SIDD）；严重胰岛素抵抗型糖尿病（SIRD）；中度肥胖相关糖尿病（MOD）；以及中度年龄相关糖尿病（MARD）。尽管这些亚型为精准医疗提供了一个有吸引力的框架，但它们也伴随着方法学挑战。本叙述性综述强调了三个关键问题：（1）关于是否存在四个离散亚型的不确定性；（2）亚型分配中的低确定性；以及（3）与其他方法相比，在预后和治疗价值方面的证据有限。作为亚型分类的一种替代方案，研究人员讨论了个体化预测模型，该模型基于常规临床特征提供个性化治疗建议。这些模型避免了离散亚型分类的一些局限性，但无法提供对个体潜在病理生理机制的见解。因此，这两种方法可被视为互补的，在精准医疗中各自服务于不同的目的。

精准医疗与2型糖尿病亚型

2型糖尿病是一种异质性疾病，其临床表现存在显著的个体差异。当前2型糖尿病管理指南通常采用一刀切的方法，个性化推荐较少。鉴于精准医疗（见文本框“精准医疗”）的日益关注，近期研究致力于将糖尿病分类为比现行1型和2型区分更为精细的亚型（或聚类、表型或内型）。2018年，Ahlqvist等人发表开创性论文，采用探索性聚类方法证明新诊断的成人发病糖尿病（包括1型和2型）可分为五种不同的亚型。其精准诊断方法基于数据驱动的硬聚类，使用六个临床特征：GADA、HbA_1c、BMI、糖尿病发病年龄、HOMA2-B和HOMA2-IR。HOMA2-B和HOMA2-IR是胰岛素分泌和胰岛素抵抗的替代指标，由空腹血糖和空腹胰岛素或C肽浓度计算得出。这五个亚型分别为：严重自身免疫性糖尿病（SAID）：GADA阳性；早发；低BMI；胰岛素缺乏；高HbA_1c。严重胰岛素缺乏型糖尿病（SIDD）：GADA阴性；其余特征与SAID相似。严重胰岛素抵抗型糖尿病（SIRD）：GADA阴性；晚发；高BMI；高胰岛素抵抗。中度肥胖相关糖尿病（MOD）：GADA阴性；早发；高BMI；低胰岛素抵抗（也称为“轻度”肥胖相关糖尿病）。中度年龄相关糖尿病（MARD）：GADA阴性；晚发；低BMI；低胰岛素抵抗（也称为“轻度”年龄相关糖尿病）。在该框架中，成人发病1型糖尿病对应SAID，而2型糖尿病被细分为SIDD、SIRD、MOD和MARD。关于精准预后，多项研究表明这些亚型在发生微血管和大血管结局的风险方面存在差异。提出的糖尿病亚型为2型糖尿病精准医疗提供了一个有吸引力的框架。然而，离散亚型分类（即硬聚类）也存在一些常被忽视的方法学局限性。本叙述性综述旨在通过强调三个关键问题来提高对这些局限性的认识：（1）关于是否存在四个离散病因亚型的不确定性；（2）亚型分配中的低确定性；（3）与其他方法相比，在预后和治疗价值方面的证据有限。作为亚型分类的替代方案，研究人员讨论了近期提出的个体化预测模型，旨在通过对基于个体患者水平临床特征的个性化治疗建议来指导精准治疗。

2型糖尿病亚型分类的方法学挑战

关于四个离散亚型存在的不确定性

支持四种2型糖尿病亚型的一个经常被引用的论点是它们已在多个独立研究和不同人群中得到重复验证。然而，这些不同研究在重复验证这四个2型糖尿病亚型时所采用的方法学存在显著变异性。Varghese等人区分了三种不同水平的重复验证。第一种直接使用原始瑞典队列（All New Diabetics in Scania，ANDIS）中确定的聚类坐标并将其应用于其他人群，这也被称为“最近质心法”。第二种涉及在不同人群中进行从头聚类，但先验假设恰好存在四个离散亚型。第三种涉及从头聚类而没有这种先验假设，因此允许分析中涌现出不同数量的聚类。前两种方法自动假定了四个离散亚型的存在，因此不能重复验证整个聚类分析。最具说服力的证据将来自第三种方法，即通过独立研究确认四个聚类为2型糖尿病的理想亚分类。然而，在文献回顾中，Varghese等人发现只有少数遵循第三种方法的研究成功重复了四个2型糖尿病亚型，其余研究要么识别出不同的亚型，要么未能识别出Ahlqvist等人提出的所有亚型。例如，Christensen等人在丹麦队列中应用相同的聚类程序时仅发现了三个而非四个2型糖尿病亚型。需要注意的是，并非所有这些重复验证研究都能获取Ahlqvist等人使用的所有五个连续聚类变量。特别是，HOMA2测量值在部分研究中不可用。事实上，人们一直非常关注使用更易获得的临床特征（即不使用HOMA2测量值）来重复验证糖尿病亚型。然而，近期研究表明，这种修改后的聚类变量集可能不适合通过从头聚类来识别四个亚型。特别是，HOMA2测量值似乎对于识别SIRD个体不可或缺。因此，使用修改后聚类变量集的重复验证研究不能提供针对或反对Ahlqvist等人提出的四种糖尿病亚型的决定性证据。尽管如此，它们说明糖尿病聚类分析的结果并非明确无误，而是依赖于特定的输入变量、聚类算法和人群。从方法学角度来看，亚型的一个挑战是它们源自数据驱动的聚类分析（类似于无监督学习），这意味着没有可用的“基础事实”。换句话说，无法知道所提出的糖尿病聚类是否对应于真实的糖尿病生物学亚组，或者它们是否是因为一组相互依赖的变量被输入到聚类算法中而产生的。从这个意义上讲，聚类可以被视为捕获临床特征之间相关性的另一种方式。为了评估所提出的亚型是否可能是由临床特征之间的相关性驱动，而不是由潜在的亚组结构驱动，Aoki等人在SAVOR-TIMI 53心血管结局试验的基础上进行了模拟研究。他们模拟了一个没有亚组但保留了聚类变量之间相关结构的虚拟患者数据集。当他们将k-means聚类应用于这些模拟数据时，即使不存在离散亚组，该算法仍然重现了四种亚型（SIDD、SIRD、MOD和MARD）。这些发现的一个局限性是用于虚拟患者数据集的经验基础可能不完全适合研究糖尿病亚型。此外，由于这些发现基于模拟研究，不能将其解释为反对离散亚型存在的决定性证据。然而，它们说明数据驱动的糖尿病聚类理论上可能是由临床特征之间的相关性驱动的，而不是由离散的生物学亚组驱动的。综上所述，上述发现表明关于是否存在四个离散的2型糖尿病亚型存在相当大的不确定性。尽管如此，这些亚型似乎仍然捕获了糖尿病病理生理学中具有意义和临床相关性的差异。病因学亚型之间的差异将在讨论部分进一步考虑。

亚型分配中的低确定性

除了关于四个离散亚型存在的总体不确定性外，在将这些亚型分配给个体时也存在个体层面的不确定性。虽然从技术上讲，每个2型糖尿病患者都可以使用聚类算法分配到一种亚型，但并非每个个体与该亚型的匹配程度都相同。即使在Ahlqvist等人的原始出版物中，仔细检查临床特征的分布也揭示了每个亚型内的大量变异性。实际上，这意味着个体的临床特征可能介于两个亚型之间（例如，与MOD和MARD都具有相似性），或者不匹配任何四个亚型。例如，表1所示的两个个体，其临床特征几乎相同，仅BMI相差0.5 kg/m²。然而，聚类算法将个体A分配为MARD亚型，将个体B分配为MOD亚型。对于此类个体，亚型分配是不稳定的，因为临床变量的微小变化可能导致不同的亚型。因此，他们的分类确定性较低，亚型特异性风险预测可能不太可靠。此外，测量误差以及纵向生物学变化（例如HbA_1c或BMI的变化）可能导致亚型分配的改变。例如，在德国糖尿病研究中，近四分之一的个体在诊断后5年内改变了其亚型。除了自然的疾病进展外，亚型分配也可能随治疗而改变，因为一些聚类变量代表治疗靶点（例如HbA_1c和BMI）。作为应对此问题的措施，第二份PMDI共识报告建议糖尿病亚型分配应始终伴有分类不确定性的度量。原则上，有几种度量可用于评估个体的分类不确定性，范围从图形显示（例如蛛网图）到统计度量（例如欧氏距离、距离比、分类概率和归一化相对熵[NRE]）。图2显示了应用于表1中个体A和B的不同分类不确定性度量的示例。在实践中，分类不确定性的度量很少在2型糖尿病亚型的研究中被报告。近期一项研究提议使用NRE统计量在0（完全不确定）到1（完全确定）的范围内量化个体的分类不确定性。将该法应用于德国糖尿病研究的859名个体队列，揭示中位NRE较低，表明存在实质性的分类不确定性。虽然不确定性程度可能因队列和所选度量而异，但现有证据表明一定程度的分类不确定性是不可避免的。因此，必须承认离散亚型分类的这一局限性，并常规报告不确定性度量。硬亚型分配的一个普遍问题是，根据定义，它减少了系统中可用信息的数量。即使某一亚型的分类概率明显高于其他亚型，分类概率的相对大小仍然携带有关个体临床特征的信息。确实，有人建议分类概率或欧氏距离应直接与临床结局相关，而不是与硬亚型分配相关。或者，可以使用分类不确定性的度量来减轻比较硬亚型分配之间的临床结局时发生的一些信息损失。例如，个体可以按NRE加权，使得那些对其亚型代表性较低的个体对分析的贡献较小。另一种选择是使用下一节讨论的精准医疗的替代预测方法，而不是糖尿病亚型。

亚型的预后和治疗价值有限

亚型分类方法的第三个挑战是硬亚型分配导致的信息损失不利于预测临床结局（即精准预后）。相反，使用直接纳入连续临床特征作为预测因子的统计模型会提供更多信息。Aoki等人比较了亚型与已建立临床风险评分的预测性能，使用来自SAVOR-TIMI 53试验的数据。他们采用广泛使用的系统性冠状动脉风险评估（SCORE）和肾脏病：改善全球预后（KDIGO）分类分别预测心血管疾病和肾脏结局。即使CVD SCORE被视为广泛的序数变量，其预后性能与亚型相似。对于肾脏事件，使用KDIGO分类的预测明显优于亚型方法。Bjark?等人在挪威人群为基础的HUNT研究中评估了亚型对血管并发症的预测性能，发现个体已确立的危险因素（例如HbA_1c、eGFR）在预测血管并发症（例如视网膜病变、慢性肾脏病）方面至少与亚型一样好。在对ADOPT试验的再分析中，Dennis等人发现，单独的发病年龄与亚型分类在预测血糖疾病进展方面信息量相当。除了精准预后，Dennis等人严格检查了亚型在精准治疗方面的潜力。他们发现亚型在ADOPT试验中葡萄糖降低药物的反应方面差异适度，ADOPT试验比较了二甲双胍、磺脲类和噻唑烷二酮治疗。然而，一个直接利用聚类变量作为预测因子的模型，即使没有HOMA2测量值，也能更好地解释个体治疗反应。在预测对磺脲类药物的反应时，该模型解释了治疗反应变异性的33%，而基于亚型的方法为20%。在预测对噻唑烷二酮治疗的反应时，结果相似。为了进一步比较这两种方法，Dennis等人在RECORD试验中进行了外部验证，该试验调查了相同的药物。他们发现，基于预测模型的治疗建议比基于亚型的建议产生更大的获益，额外的HbA_1c降幅更大。这些发现的一个局限性是它们基于随机临床试验的选择性人群，这些人群可能无法代表一般2型糖尿病群体。ADOPT试验纳入了最近诊断且无既往药物治疗的个体，空腹血糖水平在特定范围。RECORD试验纳入了接受二甲双胍或磺脲类单药治疗且HbA_1c在特定范围的个体。因此，已识别SIDD亚型的平均HbA_1c值显著低于原始研究。此外，在其他队列中反复显示的对肾脏疾病风险的差异在这些队列中无法清晰复制。一个可能的解释是这些队列排除了基线肾功能受损的个体。最后，ADOPT和RECORD均排除了患有心力衰竭等合并症的个体，并且未研究较新的疗法，如钠-葡萄糖协同转运蛋白2抑制剂（SGLT2i）和胰高血糖素样肽-1受体激动剂（GLP1-RAs）。上述研究的一个总体局限性是它们涉及对最初并非设计用于研究2型糖尿病亚型的队列的回顾性分析。据研究所知，仅有一项前瞻性临床试验明确设计用于评估糖尿病亚型之间治疗反应的差异。在这项试验中，Dwibedi等人评估了SIDD和SIRD个体是否对GLP1-RA和SGLT2i的降糖治疗反应不同。该研究旨在检测6个月HbA_1c的治疗效果差异。然而，他们的结果显示没有差异治疗反应（即无统计学显著的交互作用），两种药物在SIDD和SIRD中均更有效。相反，他们发现了治疗与基线HbA_1c之间的统计学显著交互作用，表明在较高的基线HbA_1c水平下，GLP1-RAs比SGLT2i越来越有效。换句话说，他们的结果再次表明连续病理生理学变量可能比糖尿病亚型更有助于预测降糖治疗反应。然而，这项临床试验有两个主要局限性。首先，严格的资格标准排除了患有进展期糖尿病的个体，导致SIDD和SIRD组彼此差异较小。其次，该试验仅随访6个月，侧重于血糖结局。然而，亚型分类的支持者通常关注SGLT2i和GLP1-RA治疗对SIRD个体降低心肾并发症的重要性，而不是葡萄糖。从方法学角度来看，上述关于亚型预后和治疗价值可能有限的发现并不令人惊讶，因为聚类方法（类似于无监督学习）并非旨在实现对未来临床结局的最佳预测。相反，它们侧重于横断面数据以识别具有独特临床特征的同质个体组（即精准诊断）。如果对精准预后或精准治疗感兴趣，那么专用预测方法（类似于监督学习）可能更可取，因为这些方法旨在实现对未来临床结局的最佳预测。

对2型糖尿病精准医疗的启示

作为亚型分类替代方案的个体化预测模型

基于前述工作，Dennis及其同事继续开发和应用“个体化预测”框架用于2型糖尿病的精准治疗。在该框架中，目标是使用简单的临床特征直接建模治疗反应（即精准治疗），而不是识别不同的糖尿病病因（即精准诊断）。目标是在特定时间点基于个体的临床特征确定最优治疗，而不需要明确的亚型分配。为了确保适用于临床实践，Dennis强调了使用常规可用临床特征（例如年龄、BMI和eGFR）的益处，以提供低成本公平的精准医疗方法。迄今为止，个体化预测方法的应用集中于二线及三线降糖药物的“治疗选择算法”（或“治疗方案”）。该框架内的一项近期重大进展是开发了“五类药物模型”，该模型允许同时预测个体对初级保健中二甲双胍治疗后通常处方的五类降糖药物中任何一类的12个月HbA_1c反应：SGLT2i、GLP1-RAs、二肽基肽酶-4抑制剂、磺脲类和噻唑烷二酮类。该模型使用来自英国临床实践研究数据链（CPRD）的观察性初级保健数据开发，包含超过100,000次药物起始。九个常规临床特征（年龄、糖尿病病程、性别、HbA_1c、BMI、eGFR、HDL-胆固醇、总胆固醇、丙氨酸氨基转移酶[ALT]）被作为差异治疗反应的预测因子。模型验证在独立的CPRD验证队列以及三项临床试验中进行，包括一项三向交叉试验。在CPRD队列中，应用临床相关阈值，模型预测了大多数起始的最优疗法。最常预测的用于降低HbA_1c的最优疗法是GLP1-RAs、SGLT2i或磺脲类。遵循这些建议的治疗与平均额外的HbA_1c降幅相关，相较于非最优治疗。模型预测的HbA_1c获益在外部验证中显示出良好的校准。总体而言，这些初步发现将个体化预测方法定位为基于亚型的精准治疗选择的替代方案。然而，这种个体化预测方法也存在局限性。首先，重点在于优化降糖治疗选择，而不是预防心肾并发症。其次，频繁推荐这些新药可能增加医疗成本。然而，治疗推荐通常不限于单一药物类别，且该模型允许通过省略可能不可用的治疗来灵活部署。第三，从观察性数据开发的预测模型有其自身的方法学挑战，如过拟合、混杂和不完整数据。虽然初步结果令人放心，但对这些模型的仔细验证和校准对于支持临床实践中的决策仍然至关重要。

2型糖尿病精准医疗中亚型的作用

糖尿病亚型相对于个体化预测模型的一个主要优势是它们可以提供对疾病潜在病理生理机制的见解。Ahlqvist等人强调，尽管他们采用了数据驱动的聚类方法，但其亚型分类方法并非无假设的。他们的变量选择反映了2型糖尿病发生的主要途径，并以临床有意义的方式捕获了疾病异质性。原则上，聚类方法可以帮助识别具有独特临床特征的亚组，否则这些特征会被多数群体掩盖。这随后可以促使研究哪些病理生理机制可能导致该亚组的出现。例如，近期研究发现SIRD个体的肝内脂质含量高于其他亚型，这反过来又与更高的心血管风险相关。遗传证据也支持亚型在病因学上存在差异的观点。例如，与其他亚型不同，SIRD与胰岛素分泌受损的多基因风险评分无关。鉴于这些病理生理学见解，Ahlqvist等人认为亚型提供了“对2型糖尿病更全面的视角”，优于个体化预测模型。在其基本假设方面，亚型框架不同于2型糖尿病异质性的“调色板模型”。后者强调疾病异质性源于多个共同促成个体表型的成分途径，常导致“混合病因”。虽然Ahlqvist等人承认糖尿病是由许多重叠机制引起的，但他们假设大多数个体主要受一种途径影响。亚型分类方法的一个关键优势是离散亚型易于沟通，并能提供广泛的临床信息。与必须为每种临床结局使用不同的预测模型相比，亚型分配可以基于已建立的亚型特异性并发症风险提供概览。也就是说，纳入分类不确定性的度量是可取的，以衡量亚型特异性预测对给定个体的适用程度。在讨论亚型分类方法的可行性时，考虑在临床实践中实施的物流障碍也很重要。虽然近期开发了一款用户友好的网络应用程序，但亚型分配需要HOMA2胰岛素抵抗和胰岛素分泌指数，特别是对于正确识别SIRD个体。计算这些HOMA2值引入了额外的计算复杂性，因为它需要一个单独的（尽管是免费提供的）计算器程序。更基本的挑战是计算需要空腹胰岛素或C肽测量作为输入。然而，这些在临床实践中并不常规收集，使得目前广泛实施具有挑战性。此外，在医疗资源有限的中低收入国家，这些测量的可及性可能更受限制。然而，由于C肽测量相对便宜，未来可能实现更广泛的推广。

结论与未来方向

2型糖尿病亚型分类为精准医疗做出了重要贡献，但也伴随着若干方法学局限性。注意诸如低分类确定性和由于使用非常规生物标志物导致的实际实施障碍等挑战非常重要。个体化预测模型通过基于常规临床特征提供个性化治疗建议，提供了一种可行的替代方案。然而，它们不能提供对疾病潜在病理生理机制的见解，因此可能无法描绘糖尿病异质性的全貌。因此，这两种方法可被视为互补的，在精准医疗中各自服务于不同的目的。从方法学角度来看，聚类方法（类似于无监督学习）旨在通过最小化簇内差异来描绘具有独特临床特征的组。相比之下，预测方法（类似于监督学习）旨在通过最小化预测误差来实现对未来结局的最佳预测。换句话说，这两种方法针对不同的参数进行优化，这自然导致了不同的用例：对于精准治疗，个体化预测模型可能更可取，正如第二份PMDI共识报告所倡导的那样；对于精准诊断，可采用糖尿病亚型分类以获得表型变异性和病理生理模式的见解；对于精准预后，糖尿病亚型分类可由结局特异性预测模型补充，例如用于心血管结局的SCORE2-Diabetes。对于精准预防，已提出了针对有2型糖尿病风险个体的不同亚型集。上述2型糖尿病亚型的方法学局限性直接转移到这些有2型糖尿病风险个体的亚型中，更广泛地说，转移到任何数据驱动的聚类方法中。通过本叙述性综述提高对这些挑战的认识，希望能够在研究和临床实践中更谨慎地应用糖尿病亚型分类。关于分类不确定性的挑战，这一论点可以扩展到使用阈值的任何类型的糖尿病分类。例如，HbA_1c为48 mmol/mol的个体将被归类为糖尿病，而HbA_1c为46 mmol/mol的相同个体则不会。类似地，GADA滴度的极小差异可以决定一个人是“自身抗体阳性”从而被认为是1型还是2型糖尿病。关于界定1型和2型糖尿病挑战的详细讨论，参见Gale的论述，这与我们对2型糖尿病亚型的讨论形成了有用的平行。至于个体化预测方法，未来研究可以考虑具有多变量结局的模型，以允许同时预测多个结局（例如HbA_1c、肾功能、心血管风险）。未来，将预测模型整合到与电子病历相关联的决策支持系统中，可为临床实践提供可行的实施方案。与此同时，预测的最优治疗在不同的结局中可能并不一致，在这种情况下，为个体得出治疗建议可能存在困难。从更广泛的精准医疗角度反思，第二份PMDI共识报告提出了对缺乏充分验证研究的担忧。特别是，缺乏前瞻性设计的临床试验来验证所提出的精准医疗方法。一个例外是上述临床试验，其明确设计用于评估分类为SIDD和SIRD个体的差异治疗反应。另一个值得注意的例子是TriMaster研究，这是一项三向交叉试验，证明了根据个体的肾功能和BMI对三种降糖药物的不同反应。然而，此类精准医疗试验仍然稀缺，PMDI共识报告得出结论，目前糖尿病护理中精准医疗的临床转化“在很大程度上是期望性的”。因此，未来研究的一个重要目标是产生来自适当设计的临床试验的高质量证据。例如，重复交叉试验（或“N-of-1试验”），其中每个个体至少接受两次治疗，特别适用于解决精准医疗问题。该试验设计独特地适用于证明治疗效应的异质性。换句话说，它使研究人员能够确定个体对不同的降糖药物反应是否存在差异以及差异的程度。虽然尚未针对降糖药物进行此类试验，但最近已发表了针对降压治疗的成功范例。除了确定治疗异质性之外，精准医疗的第二个先决条件是识别改变治疗反应的临床特征。例如，五类药物模型表明，常规收集的特征如BMI、eGFR和胆固醇可以识别从一种治疗中比另一种治疗受益更多的人。为了评估此类精准医疗方法，一种务实的策略是一项随机试验，其中一组医疗保健提供者使用治疗方案，另一组不使用。这种设计将能够在常规临床实践环境中比较精准医疗方法与当前的标准治疗。无论研究设计如何，未来研究应遵循BePRECISE报告指南，以促进对所提出的精准医疗策略的临床效用的评估。总之，本叙述性综述强调了2型糖尿病亚型的三个关键方法学挑战：（1）关于是否存在四个离散亚型的不确定性；（2）亚型分配中的低分类确定性；（3）与其他方法相比，在预后和治疗价值方面的证据有限。作为替代方案，研究人员讨论了个体化预测模型，该模型避免了离散亚型分类的一些局限性，并基于常规收集的临床特征提供个性化治疗建议。