导语：当基层诊所连一台眼底相机都没有，内分泌科医生拿什么预判患者的致盲风险?

        糖尿病视网膜病变的筛查长期被"眼科专属"的魔咒困住——眼底照相、OCT、AI辅助诊断，这些听起来光鲜的技术在基层往往只是墙上的蓝图。更棘手的是，VTDR(视力威胁性糖尿病视网膜病变)的进展悄无声息，等患者自觉视力模糊再转诊，常常已经错过了最佳干预窗口。

        临床医生手里攥着患者的年龄、BMI、血压、病程和HbA1c，这些每次复诊必查的"老数据"，能否拼凑出一幅致盲风险的预警地图?这项研究的价值，正在于它用2294例真实世界数据回答了一个看似大胆的问题：不用眼底镜，仅凭五项常规指标，就能给VTDR风险"算命"。

        它让基层医生第一次拥有了一张可随身携带的"风险罗盘"——列线图上轻轻一划，年轻、偏瘦、高血压、长病程、高血糖的患者便无处遁形。而那个反直觉的发现——年轻和低BMI反而是危险信号——更像一记警钟，敲碎了"并发症只找老年人"的偏见。在眼科资源稀缺的广袤基层，这种"零设备"的预判工具，或许比任何高端AI都更接地气。

        AI眼底筛查之外，

        基层医生能否仅凭"常规指标"

        预判致盲风险?

        糖尿病视网膜病变(DR)作为全球工作年龄人群可预防性失明的首要元凶，其筛查与管理长期依赖眼底照相和OCT等眼科专业设备。

        尽管近年来人工智能辅助诊断系统在识别需转诊的视力威胁性糖尿病视网膜病变(VTDR)方面展现出卓越性能，但这些技术对先进眼科检查设备的依赖，使其在医疗资源匮乏的基层地区难以普及。

        与此同时，VTDR的防控窗口稍纵即逝——一旦进展至严重非增殖期、增殖期或合并糖尿病黄斑水肿，不及时干预将导致不可逆视力丧失。现有研究虽已识别出糖尿病病程、血糖、血压等危险因素与DR的关联，但针对VTDR这一更高危亚群的非影像学前瞻性预测模型仍极为稀缺。

        既往仅有的少数模型或纳入非常规检测指标(如2小时C肽、尿白蛋白肌酐比、神经传导速度)，基层可操作性受限;或样本量偏小、验证不足，难以转化为临床实用工具。更值得关注的是，随着全球糖尿病年轻化趋势加剧，VTDR的风险谱系可能正在发生微妙变化——年轻患者是否因血糖控制更差、代谢记忆更深而面临更高风险?

        体重指数(BMI)在DR与VTDR中的保护作用与损害效应之争又当如何解读?

        正是在这一背景下，2023年8月Frontiers in Endocrinology发表了一篇题为"Development and evaluation of a risk prediction model for diabetes mellitus type 2 patients with vision-threatening diabetic retinopathy"的文章。

        该研究的亮点在于，首次基于大规模流行病学队列，仅选取年龄、BMI、收缩压、糖尿病病程和HbA1c五项常规临床指标，构建并验证了一个可直观操作的VTDR风险列线图模型，为基层医疗机构和眼科资源不足地区提供了一种"零影像设备"的VTDR风险分层工具，填补了非影像学前瞻性预测模型在VTDR领域的应用空白。

        大规模队列七三分层构建预测模型，

        五项常规指标列线图

        赋能基层VTDR风险预判

        本研究是一项基于回顾性队列数据的预测模型开发与验证研究，旨在利用非眼科影像的常规临床数据构建并评估2型糖尿病患者发生视力威胁性糖尿病视网膜病变(VTDR)的风险预测列线图。

        研究数据来源于2019年中山大学中山眼科中心开展的广东韶关糖尿病队列研究基线数据，共纳入2677例T2DM患者，剔除变量缺失者后最终2294例完整数据进入分析。

        VTDR定义为严重非增殖性糖尿病视网膜病变(NPDR)、增殖性糖尿病视网膜病变(PDR)和/或糖尿病黄斑水肿(DME)，由经验丰富的眼科医师依据眼底照相和OCT结果诊断确认。

        研究将2294例患者按7:3比例随机分为训练集(n=1605，70%)和验证集(n=689，30%)，两组基线特征均衡可比(所有21项变量P>0.05)。变量筛选基于文献检索和临床相关性，涵盖人口学特征(年龄、性别)、人体测量(BMI)、血压(收缩压SBP、舒张压DBP)、糖尿病病程、生活方式(吸烟、饮酒、居住地区)及实验室指标(ALT、AST、BUN、肌酐、尿酸、总胆固醇、甘油三酯、HDL、LDL-C、空腹血糖、HbA1c)。

        统计分析采用单因素分析筛选P<0.05的变量，继而纳入多因素二元Logistic回归识别独立危险因素，最终基于R语言"rms"包构建列线图预测模型。模型评价采用受试者工作特征曲线(ROC)及曲线下面积(AUC)评估区分度，Hosmer-Lemeshow检验及校准曲线评估校准度。

图1：研究设计

        年轻、低BMI、高收缩压、长病程与高HbA1c

        五因素锁定VTDR风险，

        列线图模型区分度良好且校准优异

        在2294例T2DM患者中，VTDR患病率为16.1%(370例)。经多因素Logistic回归分析，五项指标被确定为VTDR的独立危险因素，其效应方向与强度颇具临床启示。

        年龄呈现"反向"保护作用：每增加1岁，VTDR风险降低4.6%(OR=0.954，95%CI:0.940-0.969，P<0.001)，提示年轻患者反而面临更高致盲风险，作者推测这与年轻T2DM患者β细胞功能更快衰退、血糖控制更差及代谢记忆效应更强相关。

        BMI同样呈现保护效应：每增加1 kg/m²，VTDR风险降低5.8%(OR=0.942，95%CI:0.902-0.984，P=0.007)，作者解释这可能与较高BMI者C肽水平相对较高、反映更好的血糖控制及更积极的治疗干预有关。收缩压则是明确的危险因素：每升高1 mmHg，VTDR风险增加1.4%(OR=1.014，95%CI:1.007-1.022，P<0.001)，与既往研究一致，提示高血压通过微血管结构损伤和灌注紊乱加速视网膜病变进展。

        糖尿病病程的效应最为显著：病程10-15年者VTDR风险为<5年者的3.126倍(95%CI:2.087-4.682，P<0.001)，>15年者风险更升至3.750倍(95%CI:2.362-5.954，P<0.001)，印证了病程作为累积微血管损伤标志物的核心地位。

        HbA1c的效应同样突出：每升高1个百分点，VTDR风险激增32.5%(OR=1.325，95%CI:1.221-1.438，P<0.001)，凸显了长期血糖控制对视网膜保护的基石作用。基于上述五项指标构建的列线图模型，在训练集AUC达0.7139，验证集AUC为0.6897，表明模型具有中等偏上的区分能力。校准方面，Hosmer-Lemeshow检验显示训练集(χ²=2.2029，P=0.9742)和验证集(χ²=7.6628，P值未报告但图示提示良好)的预测概率与实际观测概率高度一致，校准曲线亦呈现良好贴合。

        作者举例说明：一名55岁(55分)、糖尿病病程10年(32分)、BMI 20(40分)、收缩压160 mmHg(34分)、HbA1c 10%(45分)的患者，总评分约206分，对应VTDR发生概率约40%。正如作者所总结的，"The introduction of Age, BMI, SBP, Duration, and HbA1C as variables helps to stratify the riskof T2DM patients with VTDR"，且模型"included five clinical data that are relatively easy to obtain... as predictive factors in the model"，校准评价"showed high consistency between the predicted and observed probabilities"。

图2：ROC+校准曲线

        总结

        本研究基于广东韶关2294例T2DM队列数据，成功开发并验证了一个仅依赖年龄、BMI、收缩压、糖尿病病程和HbA1c五项常规临床指标的VTDR风险预测列线图模型。

        该模型的核心价值在于其"去影像化"的设计理念——在AI眼底筛查和OCT设备尚未普及的基层医疗场景中，内分泌科医师和全科医生可仅凭常规体检数据快速估算患者VTDR风险，实现高危人群的早期识别与优先转诊。

        研究同时揭示了两个颇具临床警示意义的发现：一是年轻T2DM患者的VTDR风险被显著低估，挑战了"老年人才需警惕并发症"的传统认知;二是BMI与VTDR的负向关联提示，在DR风险谱系中，"瘦型糖尿病患者"可能代表一种更凶险的代谢表型。

        尽管作者坦承模型AUC(0.69-0.71)尚有提升空间，且数据来源于单一地区、需外部验证，但其以极简变量组合实现可接受预测性能的策略，为资源有限地区提供了一种立即可用的VTDR风险分层工具，也为后续整合更多生物标志物或遗传因素的精细化模型奠定了基础。

        正如作者所展望的，该模型"can be used to identify high-risk individuals for VTDR, addressing the gaps in existing medical facilities and enhancing healthcare accessibility for at-risk populations"，对推动糖尿病视网膜病变的基层防控具有切实的转化价值。

        参考文献

        Gong D, Fang L, Cai Y, Chong I, Guo J, Yan Z, Shen X, Yang W, Wang J. Development and evaluation of a risk prediction model for diabetes mellitus type 2 patients with vision-threatening diabetic retinopathy. Front Endocrinol (Lausanne). 2023 Aug 24;14:1244601. doi: 10.3389/fendo.2023.1244601. PMID: 37693352; PMCID: PMC10484608.

        “医学论坛网”发布医学领域研究成果和解读，供专业人员科研参考，不作为诊疗标准，使用需根据具体情况评估。