欢迎访问《中国医药导报》编辑部！

近年来，全球糖尿病患病率持续上升，由2021年的5.37亿增加到2024年的5.89亿，预计2050年将进一步攀升至8.53亿[1]。心脑血管疾病作为糖尿病患者的首要致死原因，已成为糖尿病管理中的重要关注点[2]。研究表明，精准的风险预测对于制订有效的预防策略具有重要意义，能够显著降低糖尿病患者心脑血管疾病的发生率及死亡风险[3]。风险预测模型基于预测因子对疾病当前或未来的发病率进行计算，并通过可视化形式呈现患病风险，有利于疾病的预防和诊断[4]。目前，已有多项指南和共识提倡使用风险预测工具，并在临床实践中进行干预和决定临床决策[5-6]。然而，关于糖尿病患者心脑血管疾病风险预测模型的研究虽然较多，但模型的选择及临床应用存在困难，且能否在临床大规模推广尚待探究。因此，本研究对糖尿病患者心脑血管疾病风险预测模型的相关研究进行系统评价，以期全面分析总结现有模型存在的问题，为临床选择更佳的风险预测工具提供参考依据。

1 资料与方法

1.1 检索策略

系统检索PubMed、Embase、Web of Science核心合集数据库、中国知网、万方数据知识服务平台、维普网及SinoMed中发表的关于糖尿病患者心脑血管疾病风险预测模型的相关文献。采用主题词与关键词相结合的方式进行筛选，并对纳入文献的参考文献进行追溯。检索时间为建库至2025年6月24日，语种限定为中英文。中文检索词为糖尿病、糖尿病患者、心脑血管疾病、心血管疾病、脑血管疾病、风险预测模型、预测模型、风险预测、风险评分、预测因子等；英文检索词为diabetes mellitus、diabete、diabetic、cardiovascular diseases、cerebrovascular disorders、cardiovascular disease、cerebrovascular diseases、prediction model、risk factors、risk prediction、prediction tool、risk assessment、prognostic model等。

1.2 纳入及排除标准

纳入标准：①研究对象为糖尿病患者；②研究内容为糖尿病患者心脑血管疾病风险预测模型的构建研究，且模型经过内部和/或外部验证；③结局指标为以发生心脑血管疾病为结局指标；④研究类型为队列研究。排除标准：①仅探讨相关危险因素，未进行模型构建；②无法获取数据；③重复发表。

1.3 数据提取与分析

两名研究者依据纳入及排除标准独立完成文献检索与信息提取工作，分歧由第三方仲裁。在筛选出最终纳入的研究后，参考预测模型研究系统评价的关键评估与数据提取清单，设计标准化的表格对纳入文献基本特征和模型的相关数据进行提取。

1.4 模型偏倚风险及适用性评价

两名研究者采用预测模型研究偏倚风险评估工具（prediction model risk of bias assessment tool，PROBAST）对纳入文献进行方法学质量评价[7-8]。评估包括偏倚风险和适用性两个维度，分歧由第三方仲裁。偏倚风险评估涵盖研究对象、预测因子、结果和数据分析4个领域（共20个信号问题），采用“是/可能是”“否/可能否”和“不清楚”三级评分。适用性评估包括研究对象、预测因子和结果3个领域，采用“高”“低”“不清楚”三级评价。

2 结果

2.1 文献筛选流程及结果

初步检索获得文献2 184篇，经过初筛、复筛后，最终纳入13篇[9-21]文献。见图1。

2.2 纳入文献的基本特征

纳入的13篇文献中，11篇[10-14,16-21]为多中心研究，其余2篇[9,15]为单中心研究。回顾性队列研究10篇[9-11,13-15,17,19-21]，前瞻性队列研究3篇[12,16,18]。预测结局的定义根据国际疾病分类标准、症状报告两个方面进行界定。各研究的结局事件存在差异，主要包括致死性或非致死性心血管病变、脑卒中发病等，而Lee等[14]和Ding等[19]建立的预测模型仅针对心血管病变。见表1。

2.3 模型的建立情况

纳入的13篇文献包括37个模型，样本量为560～1272 992例，结果事件数为41～40 802例。两项研究构建了特异性风险预测模型，Mellor等[12]研究分别针对1型和2型糖尿病构建了两个独立模型，而Dong等[20]研究基于性别差异构建了多个迭代模型。另外，Wan等[13]、Xie等[16]和Mukamal等[18]在基础模型的基础上新增代谢组学生物标志物，开发了判别力更高的扩展模型。见表2。

2.4 模型的预测因子及性能

13项研究最终纳入5～18个预测因子，出现频次前5位的依次为年龄、吸烟状态、体重指数、糖化血红蛋白、糖尿病病程。模型的曲线下面积为0.640～0.989。其中4篇[12,15,17,19]文献详细报告了模型的灵敏度和特异度。所有研究均进行内部验证，包括Bootstrap法、数据集拆分法、Smote抽样法，其中7篇[11,13,16-19,21]文献还进行了外部验证。见表3。

2.5 模型偏倚风险和适用性评价

采用PROBAST评价标准对纳入的13篇文献进行质量评价，1篇[21]文献为低风险偏倚，其余文献均为高偏倚风险。3篇[11,13,18]文献建立的模型为低适用性，其余文献均评价为高适用性。见表4。

3 讨论

3.1 现有预测模型的高偏倚风险及未来优化路径

基于PROBAST评估结果，本研究仅1篇文献被评为低风险偏倚，其他均为高风险偏倚。主要原因在于研究对象纳入及排除标准的设置、预测因子和结局评估异质性、连续变量处理不当、模型的校准与验证等。未来研究可以参考以下内容：①详细制订研究对象的纳入及排除标准以避免选择偏倚。在模型开发研究中，需特别关注样本量的合理性。根据PROBAST工具，模型开发研究的样本量主要依据每个应变量事件数。当应变量事件数超过20时，可有效降低模型过拟合的风险。然而，现有研究中超过一半的研究应变量事件数为10～20，甚至低于10。②采用数据代表性更好的前瞻性研究设计和标准化工具提高数据收集的客观性和一致性，以减少预测因子和结局领域的异质性。③尽量保持连续变量的连续特征，若确实需要将其转换为分类变量，可结合收缩回归系数和内部验证调整模型参数以缓解过拟合问题。④单因素分析可能不能综合考虑变量间的相互影响，易导致遗漏关键自变量从而产生偏倚[22]。因此，在筛选因子时应谨慎使用单因素分析方法，可采用LASSO回归、逐步分析等方法，以确保重要的风险因素不被忽略，提高模型预测能力。⑤针对模型开发研究，建议采用Bootstrap或交叉验证等方法进行内部验证以评估模型拟合效果，并通过外部验证检验模型在不同临床场景中的适用性。

3.2 新型生物标志物预测变量临床有效性较好，未来需进一步探索多维指标融合的预测模型构建

本研究纳入的13篇文献显示，预测因子呈现出一定的共性特征。年龄、吸烟状态、体重指数、糖化血红蛋白等传统代谢参数被广泛验证为高频预测因子，这一结果与既往流行病学研究发现相符[23]。值得注意的是，近年研究在模型优化方面取得重要进展。Xie等[16]鉴定了7种性别特异性生物标志物，显著改善SCORE2-Diabetes模型的预测效能；Mukamal等[18]研究评估了常规临床指标、循环生物标志物和亚临床动脉粥样硬化指标对风险分层的改善作用，发现踝臂指数＜1、心电图左心室肥厚和颈动脉内膜中膜厚度＞3 mm等亚临床动脉粥样硬化标志物具有独立的预测价值。这些创新性发现正与当下糖尿病心脑血管疾病防治的前沿趋势高度契合。根据最新发布的《IDF2025全球2型糖尿病临床实践指南》[1]的报告，早期和定期筛查心血管疾病（风险评分、症状评分、心电图、超声心动图、生物标志物）对及时干预糖尿病心脑血管疾病的发生至关重要。指南明确提出，有效的心血管保护应通过多干预策略实现，包括血糖控制、血压和血脂管理、戒烟及体重控制等多个维度。基于现有证据和指南建议，未来的研究应重点关注早期筛查多维指标，通过融合传统代谢参数与新型生物标志物、风险症状评分、心脏影像学技术及生活方式因素，构建多维度的预测模型。

3.3 预测模型的局限性和未来发展建议

目前糖尿病患者心脑血管疾病风险预测模型仍存在明显的局限性：①模型算法的局限性。当前基于Cox回归的传统模型受限于线性假设，难以捕捉糖尿病与心脑血管疾病间的复杂非线性关系，且特征选择多局限于有限临床变量。而机器学习技术为突破这些限制提供了新的可能，可通过高效整合多维度数据并挖掘高维交互特征，显著提升模型性能。未来运用机器学习算法如XGBoost、随机森林、深度学习等构建疾病风险预测模型已成为实现模型性能优化的必然趋势[24]。②模型临床应用的挑战。本研究中纳入的部分文献未公开模型可视化工具，限制了临床直接应用的便利性。建议未来的研究提供简便的可视化工具，将模型与电子病历系统相结合，提高模型的临床应用率。此外，由于心脑血管疾病的发生是一个长期动态过程，未来研究还应探索动态预测模型和实时风险监测系统，可通过边缘计算和嵌入式人工智能，结合可穿戴设备实现个性化干预，推动模型从科研工具向临床实践转化。

4 小结

本研究共纳入13个糖尿病患者心脑血管疾病风险预测模型的研究。模型的总体性能较好，但整体偏倚风险偏高，且部分模型未进行外部验证。未来在开发适用于我国人群且性能优越的糖尿病心脑血管疾病风险预测模型时，应基于多中心、大样本量的数据，并进行大规模外部验证以促进其临床应用，进而改善糖尿病患者的心脑血管健康结果。构建此类预测模型时，需严格遵守PROBAST标准，优化研究设计，最大程度减少预测模型的偏差风险。

利益冲突声明：本文所有作者均声明不存在利益冲突。

[1] IDF DIABETES ATLAS.Global diabetes data&statistics[EB/OL].（2025-04-07）[2025-06-26].https：//diabetesatlas.org/.

[2] 林思琪，彭文瑶，林鑫，等.中国缺血性心脏病主要危险因素的系统综述[J].疾病监测，2024，39（4）：488-496.

[3] 马爱娟，吕筠，董忠，等.糖尿病患者心血管疾病预测模型的研究现状[J].中华糖尿病杂志，2024（1）：117-126.

[4] 张蕊，郑黎强，潘国伟.疾病发病风险预测模型的应用与建立[J].中国卫生统计，2015，32（4）：724-726.

[5] BETTS M B，MILEV S，HOOG M，et al.Comparison of recommendations and use of cardiovascular risk equations by health technology assessment agencies and clinical guidelines[J].Value Health，2019，22（2）：210-219.

[6] JIAX，ALRIFAIM，BIRNBAUMY，et al.The2018cholesterol management guidelines：Topics in secondary ASCVD prevention clinicians need to know[J].Curr Ather Rep，2019，21（6）：20.

[7] MOONS K G M，WOLFF R F，RILEY RD，et al.PROBAST：A tool to assess risk of bias and applicability of prediction model studies：explan-ation and elaboration [J].Ann Intern Med，2019，170（1）：W1-W3.

[8] WOLFF R F，MOONS K G M，RILEY R D，et al.PROBAST：A tool to assess the risk of bias and applicability of prediction model studies[J].Ann Intern Med，2019，170（1）：51-58.

[9] 孟祥英，周勇，王奕，等.构建2型糖尿病患者心脑血管疾病风险评分模型及验证[J].天津医药，2020，48（1）：63-67.

[10] 孙源，刘括，李冰潇，等.糖尿病心血管并发症预测模型的构建[J].医学新知，2024，34（1）：2-13.

[11] 张一璐，田知理，彭二磊.中老年2型糖尿病患者心脑血管疾病风险预测模型的构建和验证[J].疾病监测，2025，40（6）：789-794.

[12] MELLOR J，JIANG W H，FLEMING A，et al.Can deep learning on retinal images augment known risk factors for cardiovascular disease prediction in diabetes? A prospective cohort study from the national screening programme in Scotland[J].Int J Med Inform，2023，105072.DOI：10.1016/j.ijmedinf.2023.105072.

[13] WAN C，READ S，WU H，et al.Prediction of Five-Year Cardiovascular Disease Risk in People with Type 2 Diabetes Mellitus：Derivation in Nanjing，China and External Validation in Scotland，UK[J].Global Heart，2022，17（1）：16.

[14] LEE S H，HAN K，KIM H S，et al.Predicting the Development of Myocardial Infarction in Middle-Aged Adults with Type 2 Diabetes：A Risk Model Generated from a Nationwide Population-Based Cohort Study in Korea [J].Endo crinolo Metab（Seoul），2020，35（3）：636-646.

[15] SELVARATHI C，VARADHAGANAPATHY S.Deep learning based cardiovascular disease risk factor prediction among type 2 diabetes mellitus patients [J].Information Technology and Control，2023，52（1）：215-227.

[16] XIE R，SEUM T，SHA S，et al.Improving 10-year cardiovascular risk prediction in patients with type 2 diabetes with metabolomics[J].Cardiovasc Diabetol，2025，24（1）：18.

[17] SANG H，LEE H，LEE M，et al.Prediction model for cardiovascular disease in patients with diabetes using machine learning derived and validated in two independent Korean cohorts[J].Sci Rep，2024，14（1）：14966.

[18] MUKAMAL K J，KIZER J R，DJOUSSÉ L，et al.Prediction and classification of cardiovascular disease risk in older adults with diabetes [J].Diabetologia，2013，56（2）：275-283.

[19] DINGJ，LUOY，SHIH，et al.Machinelearningfor theprediction of atherosclerotic cardiovascular disease during 3-year follow up in chinese type 2 diabetes mellitus patients [J].J Diabetes Investig，2023，14（11）：1289-1302.

[20] DONG W，WAN E Y F，FONG D Y T，et al.Development and validation of 10-year risk prediction models of cardiovascular disease in Chinese type 2 diabetes mellitus patients in primary care using interpretable machine learning-based methods[J].Diabetes Obes Metab，2024，26（9）：3969-3987.

[21] HELMINK M A G，HAGEMAN S H J，ELIASSON B，et al.Lifetime and 10-year cardiovascular risk prediction in individuals with type 1 diabetes：the LIFE-T1D model [J].Diabetes Obes Metab，2024，26（6）：2229-2238.

[22] 陈香萍，张奕，庄一渝，等.Probast：诊断或预后多因素预测模型研究偏倚风险的评估工具[J].中国循证医学杂志，2020，20（6）：737-744.

[23] 陈延佳，姜顾礼，陈玥，等.岭南地区心脑血管疾病与2型糖尿病共病人群队列的回顾性特征分析[J].中药新药与临床药理，2024，35（10）：1462-1469.

[24] 杨霞，李国宏，崔颖，等.老年患者术中低体温风险预测模型的系统评价[J].中国医药导报，2024，21（36）：168-172.

【作者机构】	湖南中医药大学护理学院；长沙市岳麓区学士街道社区卫生服务中心
【分类号】	R587.2;R54
【基金】	湖南省自然科学基金项目（2023JJ70053）湖南省研究生科研创新项目（CX20240742）。

糖尿病患者心脑血管疾病风险预测模型的系统评价

目录

文内图表