糖尿病是全球范围内，威胁人类健康的最主要慢性非传染性疾病之一，近几十年来，其全球患病率显著上升，对全球公共卫生构成严重危害[1-2]。糖尿病肾病（diabetic nephropathy，DN）作为糖尿病最常见的微血管并发症之一，已成为全球慢性肾脏病和终末期肾病的首要病因[3-4]。然而，由于DN起病隐匿，在首次就诊时约有30%的患者已步入临床蛋白尿期，错过最佳的干预窗口期[5]。早期DN可防可治，甚至可逆转，因此，从糖尿病人群中精准识别出DN高危个体，并早期对其实施有效的干预，有助于延缓或阻断病程进展[6-7]。

随着循证医学与人工智能技术的发展，临床预测模型应运而生，临床预测模型在整合多维度信息、提升临床决策准确性等方面显示独特优势，当前基于传统统计学和机器学习算法的DN风险预测模型取得一系列进展，但多数模型的普适性和临床转化能力仍有待提升[8-9]。中医药在防治DN方面具有独特理论和丰富实践，其“治未病”思想与现代医学早期干预DN的理念高度契合，将中医证候、舌脉等中医特征与现代医学指标融合，构建中西医结合的多模态预测模型，有望突破现有模型的性能瓶颈，为更精准的DN预测模型构建及发展提供支撑。

本文将系统梳理DN高危人群风险预测模型的研究进展，重点剖析现代医学模型与中西医结合模型的构建策略、性能优劣及临床应用前景，并探讨当前局限与未来发展方向，以期为该领域的深入研究与临床转化提供一定参考。

1 DN高危人群的流行病学及疾病演变轨迹

随着人口老龄化进程、饮食结构调整、生活节奏加快，肥胖与糖尿病的患病率不断攀升[10]。肥胖作为脂肪异常堆积的病理状态，是导致糖尿病发生的主要危险因素。糖尿病前期主要体现为糖调节受损，涵盖糖耐量异常及空腹血糖增高，属于糖尿病前期临界状态，与肥胖密切相关[11]。糖尿病前期作为糖尿病的初发阶段，是糖尿病可防、可控、可逆转的关键时期。流行病学调查显示，依据美国糖尿病协会标准，中国成人糖尿病前期的患病率高达35.2%，且成人糖尿病患病总数位居全球首位[12-13]。若不及时实施有效干预，每年有5%～10%的糖尿病前期患者将进展为糖尿病[14]。而在糖尿病患者中，20%~40%最终将进展为DN[15]。因此，DN的病程衍变过程可归纳为肥胖-糖尿病前期-糖尿病-DN。

流行病学调查显示，全球约40%的糖尿病患者最终将逐步进展为DN，若合并高血压病、脂代谢紊乱、血糖控制欠佳，该比率可提升至55%以上，DN导致肾功能进行性恶化，使患者的死亡率较普通糖尿病患者升高3~4倍[16]。经济负担层面，DN造成的直接医疗费用呈指数级增长，已成为医疗资源消耗最大的单病种之一[17]。由此可知，在糖尿病阶段，对DN高危人群进行早期识别与干预，是改善糖尿病患者预后、生活质量的关键，也具备重大的公共卫生及经济价值。此外，DN起病隐匿，约30%糖尿病患者首次就诊时，已进入临床蛋白尿期，错失最佳干预窗口期[18]。因此，及早识别仍处于糖尿病阶段的DN高危人群，构建DN高危人群的风险预测模型，已成为全球内分泌及肾脏病学者亟待突破的研究方向。

2 临床风险预测模型概述

临床预测模型指通过数学公式整合多个预测变量，以估算个体当前患病或未来发生特定临床结局概率的工具[19-20]。近年来，越来越多的学者致力于提升临床预测模型的可解释性，以阐明其决策逻辑。临床预测模型的研究质量直接影响其临床适用性，研究者需严格规范建模流程以确保结果可靠。随着实践需求增长，可解释性强的临床预测模型日益受到重视，其可解释性体现在通过可理解的逻辑，阐述预测过程与结果的能力，即临床决策者能追溯并解析模型的核心机制，这一特性对提升临床决策透明度和信任度具有关键意义[21]。

临床预测模型的构建包括明确的研究设计、数据收集、模型开发、性能评估、模型验证、模型呈现和更新等步骤，目前各类疾病领域均已有多个临床预测模型，甚至同一临床问题存在多种模型，为研究者优化模型提供重要参考[22]。如已开发的糖尿病患者心力衰竭的预后模型、难治性心肺衰竭患者体外膜氧合支持的病死率预测模型等[23-24]。上述预测模型为临床决策、评估疗效及与患者家属沟通预后等方面提供重要参考，有助于优化医疗资源的分配和提高患者的生存率。临床预测模型作为一种量化评估疾病风险与诊疗获益的工具，合理利用临床预测模型，对临床中预测多种疾病的发生和发展有重要的临床意义。

3 现代医学在DN高危人群风险预测模型的研究进展

精准识别DN高危人群是实施高效慢性疾病管理的前提，通过DN高危人群风险预测模型，预测出糖尿病向DN进展的高危人群特征，有利于早期预防、及早干预，甚至有逆转DN发展的可能[25]。目前，DN临床诊断的主要依据包括糖尿病病史、实验室辅助检查、病理学肾脏穿刺、糖尿病视网膜病变合并症等，诊断过程繁琐且耗时[26]。DN风险预测模型是及早识别DN高危人群的常用技术与手段，可作为一项无创、高效的风险评估工具，具有重要临床价值。

3.1 基于传统统计学模型的DN高危人群风险预测模型

国内外已有多个研究团队，通过logistic回归模型、Cox比例风险回归模型等经典统计学模型，建立DN预测模型，因其模型逻辑清晰，结果易于临床解读，目前仍是构建预测模型的主流手段，并为后续更复杂的DN风险预测模型的开发奠定基础[27-28]。

国内学者基于传统统计学模型，开展的DN高危人群风险预测模型相关研究尤为丰富，其研究路径常聚焦于DN明确的危险因素，并开发出便于临床医师使用的DN风险评估模型。张健等[29]构建的一项纳入200例糖尿病患者DN发生预测模型研究，纳入糖尿病病程、高血压、糖化血红蛋白等指标，构建的模型有助于临床中快速评估DN风险，对临床中预测DN高危人群具备一定临床价值。韩俊杰等[30]采用LASSO回归优化变量选择，其模型显示更高的区分度，体现在大数据背景下对传统方法的优化。综上所述，此类基于传统统计学的模型证实糖尿病病程、血糖、血压及早期肾脏损伤标志物等，是影响DN发生和发展的核心预测因子，其构建的DN高危人群风险预测模型，优势在于临床解释性强，对开展DN初步风险筛查具有一定意义，但在剖析DN复杂的非线性特征方面仍存在局限。

3.2 基于机器学习算法的DN高危人群风险预测模型

然而，DN的发生和发展是一个涉及多种因素相互作用的复杂过程，传统统计学模型在处理变量间的非线性关系和高维交互作用方面存在一定局限性。近年来，以随机森林、支持向量机为代表的机器学习算法展现巨大潜力，可显著提升DN风险预测模型的性能[31]。

相较于国内，国外研究更早、更广泛地探索机器学习算法在DN预测中的应用，研究者不再局限于单一时间点的预测，而是开始关注DN的不同阶段。国外学者Rodriguez等[32]基于10 251例糖尿病患者数据，采用多种机器学习算法构建出DN预测模型，识别出DN早期与晚期发展的关键预测因子，此类精细化的预测因子使DN风险预测模型更具临床指导意义。Makino等[33]研究预测的是DN的整体风险，该团队使用机器学习方法，整理与分析64 059例糖尿病患者的电子医疗数据，侧重于通过语言处理等技术整合纵向数据，以构建更接近真实世界动态风险的DN预测模型，最终验证得出该预测模型受试者操作特征曲线的曲线下面积约为0.743，提示其有较强的临床实用性。

目前现代医学对DN高危人群风险预测模型的精准识别度有所突破，尽管机器学习算法提高预测效能，但多数已构建的模型尚未进行严格的外部验证，绝大多数研究局限于单中心数据，模型的泛化能力和普适性仍有待提升[34]。提示未来研究亟须加强DN高危人群风险预测模型的稳健性与临床可转化性。

4 中医学在DN高危人群风险预测模型的研究进展

4.1 基于中医证候的DN预测模型研究

DN高危人群的风险预测模型具有良好的应用前景，在现代医学和中医学研究领域中均备受瞩目[35]。中医学借助其整体观与辨证论治的特色，其证候要素为DN风险预测模型的构建提供独特视角。

在基于中医理论的DN预测模型研究中，包括直接利用中医四诊信息构建DN预测模型。周淑珍等[36]通过分析纳入的340例DN患者，探索中医药治疗下的相关预后风险因素，绘制并验证DN预后风险预测列线图，初步构建基于中医药治疗的DN风险预测模型，该模型可融合中医临证选方用药特点，显示较好的预测相关性。毕艺鸣[37]纳入的244例早期2型DN患者为建模人群，分析影响早期2型DN进展的中西医危险因素，基于不同因素构建相关模型，进行分析、评价，确定最优模型建立列线图，并通过对其区分度和校准度进行验证，得出吸烟、高脂血症、高血压病及中医湿热证是早期2型DN病情进展的独立危险因素。提示中医证候可作为独立的风险预测因子纳入DN预测模型中，从宏观层面为临床提供更全面的参考，有效补充理化指标在反映机体内环境紊乱方面的不足。

4.2 多模态特征融合的DN预测模型研究

多源融合的模型在预测方面更具优势，尤其是将中医证候与现代医学指标结合。构建具有中西医特征的DN预测模型，也是实现精准预测DN的重要途径。

姜旻[38]研制出DN中医证候要素诊断量表，准确率约82.7%，并在中医证候规范化研究的基础上，将西医指标与中医证候要素结合，形成的DN进展预测方程经过验证可得灵敏度约75%，最终建立的DN进展预测模型，具有西医客观实验室指标与中医相关证候要素进行结合的特征，该进展预测模型对DN高危人群具有一定临床实用性，为中西医结合预测提供方法学示范。夏庭伟等[39]采用多源中西医特征构建糖尿病并发肾病深度预测模型，纳入糖尿病非肾病患者622例与糖尿病并发肾病患者246例，通过三阶段建模策略即基础模型（临床指标+常规检测）、证型整合模型及舌象深度学习模型，提取20个实验室核心因子，结果显示人工神经网络融合中医证型后，其准确率、灵敏度、特异度显著提升，进一步结合中医舌象特征，其准确率可高达88.46%且特异度突破91.51%，提示中医证型、舌象等特征在DN风险预测模型研制中具有显著的增量价值，中西医多模态融合能极大提升模型的精准度及预测效能。由此可见，中医学相关特征在DN高危人群的风险预测模型构建方面具有较强的实用价值。基于中医宏观证候及西医微观指标的多模态特征融合的方法，既能同时将中医“整体观”“辨证论治”与西医“精准治疗”相融合，较为充分发挥两者优势，又能多角度切入，提高疾病预测效能，对早期识别及干预DN高危人群有较强的临床意义，进而改善患者预后。

但目前基于中医特征的DN预测模型研究仍存在局限性。与现代医学研究的DN预测模型类似，大部分中医相关的DN预测模型停留在小样本量、单中心的内部验证阶段，中医四诊信息的客观化及标准化采集仍是未解决的瓶颈问题之一，其在真实世界中的有效性和可靠性亟待通过大规模、多中心的前瞻性研究进行严格的外部验证检验[40]。

5 小结与展望

DN作为糖尿病常见并发症，早期识别DN发生高危人群，并对其加以防控的意义尤为重要。现代医学与中医学在DN风险预测模型的研究中各具所长，现代医学的DN风险预测模型提供严谨的方法学框架和客观的生物学指标，中医学则贡献整体性、独具特色的预测特征。中西医结合的多模态风险预测模型代表该领域未来的发展方向，有望整合中西医学的优势，显著提升预测效能。因此，克服现有DN风险预测模型的局限，加强验证、推动融合、深化合作，是实现DN早期精准防控且最终减轻这一疾病沉重负担的关键所在。

DN风险预测模型的研究已从传统的统计学模型发展到现代的机器学习模型，并进一步向中西医多模态融合模型演进。现代医学模型奠定研究基础，融合中医特征的DN风险预测模型则展现提升预测精度的巨大潜力，与中医“司外揣内”“治未病”的理念深度契合，为早期防控DN提供更全面的工具。然而，当前研究仍面临一定的挑战，如模型验证与普适性不足、数据质量与标准化问题、模型可解释性困境等。为推动DN风险预测模型的精准化与实用化，未来研究进一步加强跨学科协作与高质量数据集构建，可推动中医学、统计学及计算机科学领域的深度合作，建立大规模、多中心、前瞻性的DN专病队列，为DN预测模型的开发与验证提供更可靠的数据。此外，可大力推进模型的外部验证与动态更新，所有新研制出的DN预测模型应进行严格的外部验证，同时，可利用不断产生的实时医疗数据，对DN预测模型进行动态校准与更新，以保持其长期预测准确性。

利益冲突声明：本文所有作者均声明不存在利益冲突。

[参考文献]

[1] 中华医学会肾脏病学分会专家组. 糖尿病肾脏疾病临床诊疗中国指南[J]. 中华肾脏病杂志，2021，37（3）：255-304.

[2] De I H，Khunti K，Sadusky T，et al. Diabetes management in chronic kidney disease：a consensus report by the American Diabetes Association （ADA） and kidney disease：improving global outcomes （KDIGO） [J]. Kidney Int，2022，102（5）：974-989.

[3] 李洪梅，朱海清. 中国糖尿病肾脏病防治指南（2021年版）解读[J]. 中国医刊，2022，57（2）：133-138.

[4] TöNnies T，Rathmann W，Hoyer A，et al. Quantifying the underestimation of projected global diabetes prevalence by the International Diabetes Federation （IDF） Diabetes Atlas [J]. BMJ Open Diabetes Res Care，2021，9（1）：e002122.

[5] Matsushita K，Coresh J，Sang Y，et al. Estimated glomerular filtration rate and albuminuria for prediction of cardiovascular outcomes：a collaborative meta-analysis of individual participant data [J]. Lancet Diabetes Endocrinol，2015，3（7）：514-525.

[6] American Diabetes Association. Standards of medical care in diabetes—2021 [J]. Diabetes Care，2021，44（Suppl 1）：S151-S167.

[7] Selby N M，Taal M W. An updated overview of diabetic nephropathy：diagnosis，prognosis，treatment goals and latest guidelines [J]. Diabetes Obes Metab，2020，22（Suppl 1）：3-15.

[8] 谷鸿秋，周支瑞，章仲恒，等. 临床预测模型：基本概念、应用场景及研究思路[J]. 中国循证心血管医学杂志，2018，10（12）：1454-1456，1462.

[9] Steyerberg E W. Clinical prediction models：a practical approach to development，validation，and updating [M]. Berlin：Springer International Publishing，2019.

[10] 张雪冰，王连洁，李潇然，等. 中老年超重/肥胖人群代谢功能障碍相关脂肪性肝病与2型糖尿病的相关性研究[J]. 中国医学前沿杂志（电子版），2025，17（1）：35-41.

[11] 杜虹，盖云，张彤. 糖调节受损患者中医体质与胰岛素抵抗及糖尿病风险的相关性研究[J]. 山东中医杂志，2019，38（1）：33-39.

[12] Li Y，Teng D，Shi X，et al. Prevalence of diabetes recorded in mainland China using 2018 diagnostic criteria from the American Diabetes Association：national cross sectional study [J]. BMJ, 2020, 369：m997.

[13] Sun H，Saeedi P，Karuranga S，et al. IDF Diabetes Atlas：global, regional and country-level diabetes prevalence estimates for 2021 and projections for 2045 [J]. Diabetes Res Clin Pract，2022，183：109119.

[14] 中华医学会内分泌学分会，中华医学会糖尿病学分会，中国医师协会内分泌代谢科医师分会.中国成人糖尿病前期干预的专家共识（2023版）[J]. 中华糖尿病杂志， 2023， 15（6）： 484-494.

[15] 中华医学会糖尿病学分会，朱大龙. 中国2型糖尿病防治指南（2020年版）[J]. 中华糖尿病杂志，2021，13（4）：315-409.

[16] Martinez R，Morsche P，Soliz P，et al. Life expectancy，healthy life expectancy，and burden of disease in older people in the Americans，1990—2019：a population-based study [J]. Rev Panam Salud Publica，2021，45：e114.

[17] Kao T W，Chang Y Y，Chen P C，et al. Lifetime costs for peritoneal dialysis and hemodialysis in patients in Taiwan [J]. Perit Dial Int，2013，33（6）：671-678.

[18] 田野，高丽丽，张巍，等. 糖尿病肾病生物标志物电化学检测方法研究进展[J]. 分析化学，2023，51（5）：744-756.

[19] Ranstam J，Cook J A，Collins G S. Clinical prediction models [J]. Br J Surg，2016，103（13）：1886.

[20] Adams S T，Leveson S H. Clinical prediction rules [J].BMJ，2012，344：d8312.

[21] 史可为，吴亚飞，方亚. 临床预测模型的可解释性及应用进展[J]. 现代预防医学，2023，50（6）：1122-1127.

[22] 莫航沣，陈亚萍，韩慧，等. 临床预测模型研究方法与步骤[J]. 中国循证医学杂志，2024，24（2）：228-236.

[23] Kostopoulos G，Doundoulakis I，Toulis K A，et al. Prognostic models for heart failure in patients with type 2 diabetes：a systematic review and meta-analysis [J]. Heart，2023，109（19）：1436-1442.

[24] Pladet L C A，Barten J M M，Vernooij L M，et al. Prognostic models for mortality risk in patients requiring ECMO [J]. Intensive Care Med，2023，49（2）：131-141.

[25] Ahn H S，Kim J H，Jeong H，et al. Differential urinary proteome analysis for predicting prognosis in type 2 diabetes patients with and without renal dysfunction [J]. Int J Mol Sci，2020，21（12）：4236.

[26] 中华医学会内分泌学分会. 中国成人糖尿病肾脏病临床诊断的专家共识[J]. 糖尿病天地（临床），2016，10（6）：243-253.

[27] Kumar J S，Sajeev K S，Arun E T，et al. Prediction model for successful radiocephalic arteriovenous fistula creation in patients with diabetic nephropathy [J]. Saudi J Kidney Dis Transpl，2019，30（5）：1058-1064.

[28] Yamanouchi M，Furuichi K，Shimizu M，et al. Serum hemoglobin concentration and risk of renal function decline in early stages of diabetic kidney disease：a nationwide，biopsy-based cohort study [J]. Nephrol Dial Transplant，2022，37（3）：489-497.

[29] 张健，胡怡. 2型糖尿病患者并发糖尿病肾病的危险因素及Nomogram风险预测模型构建[J]. 广西医科大学学报，2023，40（11）：1843-1849.

[30] 韩俊杰，武迪，陈志胜，等. 2型糖尿病患者并发糖尿病肾病风险的列线图预测模型与验证研究[J]. 中国全科医学，2024，27（9）：1054-1061.

[31] Zou L X，Wang X，Hou Z L，et al. Machine learning algorithms for diabetic kidney disease risk predictive model of Chinese patients with type 2 diabetes mellitus [J]. Ren Fail，2025，47（1）：2486558.

[32] Rodriguez V，Bergstrom R F，Decker B S，et al. Prediction of nephropathy in type 2 diabetes：an analysis of the ACCORD trial applying machine learning techniques [J].Clin Transl Sci，2019，12（5）：519-528.

[33] Makino M，Yoshimoto R，Ono M，et al. Artificial intelligence predicts the progression of diabetic kidney disease using big data machine learning [J]. Sci Rep，2019，9（1）：11862.

[34] 高霞，惠蓉，张艳，等. 糖尿病肾病风险预测模型的研究进展[J]. 循证护理，2023，9（2）：252-255.

[35] 景城阳，冯琳，李嘉琛，等. 中医临床预测模型研究方法学质量的系统评价[J]. 中国循证医学杂志，2024，24（3）：312-321.

[36] 周淑珍，张燕媚，何志仁，等. 基于中医药治疗的糖尿病肾病风险预测模型构建与验证[J]. 时珍国医国药，2021，32（6）：1505-1509.

[37] 毕艺鸣. 基于中医证候的早期2型糖尿病肾脏病预后模型的构建及用药分析[D]. 广州：广州中医药大学，2022.

[38] 姜旻. 糖尿病肾脏疾病进展预测模型的建立与验证[D].北京：北京中医药大学，2016.

[39] 夏庭伟，李炜弘，丁维俊，等. 2型糖尿病并发肾病中西医多模态特征融合预测模型构建[J]. 中华中医药杂志，2022，37（7）：4116-4120.

[40] 王娴，刘霞明，陈曼玉，等. 基于机器学习对2型糖尿病肾病预测模型的构建及验证[J]. 天津医药，2024，52（7）：775-780.

Research progress on risk prediction models for high-risk population of diabetic nephropathy

XU Zheyu1 SU Jiaming1 DONG Zhaoxi1 QIANG Ruonan2 GU Yuanye3 YU Xinhui1 MEI Jie1 LIU Hongfang1

1.Department of Nephrology and Endocrinology, Dongzhimen Hospital, Beijing University of Chinese Medicine, Beijing 100700, China; 2.Department of Gynecology, Dongzhimen Hospital, Beijing University of Chinese Medicine, Beijing 100700, China; 3.Department of Oncology, Longhua Hospital, Shanghai University of Traditional Chinese Medicine,Shanghai 200032, China

[Abstract] Diabetic nephropathy (DN) is the most severe microvascular complication of diabetes mellitus, and the main cause of end-stage renal disease worldwide. The onset of DN is insidious, early identification of high-risk population and intervention are key to delaying disease progression. This article systematically reviews research progress on risk prediction models for high-risk population of DN, focuses on analyzing prediction tools based on statistics and machine learning algorithms, explores their performance indicators and clinical application value. Machine learning model performs well in DN prediction, fusion of traditional Chinese medicine feature can improve predictive efficiency on risk prediction models for high-risk population of DN. However, current risk prediction models for high-risk population of DN still has limitations such as insufficient external validation, future efforts should strengthen interdisciplinary collaboration, promote external validation and dynamic updating of models, and achieve precision-oriented development of risk prediction models for high-risk population of DN.

[Key words] Diabetic nephropathy; High-risk population; Prediction model; Traditional Chinese medicine syndrome

[中图分类号] R587.2

[文献标识码] A

[文章编号] 1673-7210（2026）07（a）-0154-05

DOI：10.20047/j.issn1673-7210.25101758

[基金项目] 国家自然科学基金资助项目（82574945）；北京中医药大学“揭榜挂帅”项目（2023-JYB-JBZD-023）；北京中医药大学研究生自主科研课题（ZJKT2024048）。

[作者简介] 徐哲宇（1999.7-），男，北京中医药大学第一临床医学院2025级中医内科学专业在读博士研究生，主要从事中医药防治肾病内分泌疾病的研究工作。

[通讯作者] 柳红芳（1968.12-），女，博士，主任医师，主要从事中医药防治肾病内分泌疾病的研究工作。

（收稿日期：2025-10-26）

（修回日期：2026-01-30）