编辑推荐：
本文回顾性构建了针对中国老年2型糖尿病（T2DM）患者认知障碍的预测模型。研究纳入了202名住院患者，整合人口学、血液指标、影像学（如脑白质病WMD）及量表（MoCA, HADS-D）等多维数据，通过LASSO回归及Logistic回归最终确定了年龄、抑郁症状（HADS-D）、脑白质病和糖化血红蛋白（HbA1c）为独立预测因子。模型区分度良好（AUC=0.812），经Bootstrap内部验证后校正AUC为0.751，决策曲线分析（DCA）显示其具有临床效用，为早期识别高危人群提供了实用工具。
文章内容归纳总结
引言
全球人口老龄化加速，年龄相关疾病发病率逐年上升。中国第七次全国人口普查数据显示，60岁及以上人口占比已达18.7%。与此同时，糖尿病患病率高企，60岁以上人群患病率约为30%。认知障碍是指由多种因素导致不同程度认知功能损害的综合征，影响计算、定向、记忆、执行等功能，严重时可导致死亡。调查显示，中国60岁以上人群中，轻度认知障碍和痴呆的合计患病率超过五分之一。2型糖尿病可对认知功能产生不利影响，而认知功能下降反过来又会损害血糖控制，两者形成恶性循环。因此，对2型糖尿病患者进行认知评估具有重要意义和必要性。
当前关于T2DM相关认知障碍危险因素的研究虽多，但大多聚焦单一维度，且研究变量各异，导致结果不一，缺乏系统性整合，难以直接应用于临床实践。本研究旨在利用医院病历数据，系统分析人口学特征、血液相关参数和影像学数据等多维风险因素，开发一个T2DM相关认知障碍风险预测模型，并评估其性能，以建立一个兼顾预测性能和临床可操作性的预测工具，为分层干预策略提供依据。
研究对象与方法
研究对象
本研究共纳入了2025年5月至9月期间在武汉科技大学附属天佑医院住院的202名老年2型糖尿病（T2DM）患者。根据认知状态，参与者被分为认知正常组（n = 72）和认知障碍组（n = 130）。认知功能采用蒙特利尔认知评估（MoCA）进行测评，总分0-30分。得分≤25分判定为认知障碍，≥26分判定为认知正常。对于受教育年限少于12年的参与者，MoCA总分额外增加1分。
糖尿病的诊断标准基于美国糖尿病协会标准：存在典型糖尿病症状且空腹静脉血浆血糖（FPG）≥ 7.0 mmol/L或糖化血红蛋白（HbA1c）≥ 6.5%即可确诊。若无典型症状，则需要基于FPG和/或HbA1c的两次异常检测结果（满足或超过诊断阈值）来确诊。最终T2DM的诊断由两名或以上内分泌科医生在综合评估并排除1型糖尿病及其他特殊类型糖尿病后确认。此外，既往已确诊为T2DM的患者也被纳入。
纳入标准包括：年龄60-85岁；符合T2DM诊断标准；能够理解并完成相关量表；无明显视听或言语障碍；住院时间≥3天；自愿参与本研究。
排除标准包括：存在精神疾病；严重视听或语言沟通障碍；既往诊断为认知障碍并使用相关药物；帕金森病；急性心力衰竭、急性心肌梗死、急性脑出血或急性脑梗死等危重状态；存在其他全身性疾病；风湿性或自身免疫性疾病；过去3个月内接受过大手术；急性感染；严重糖尿病并发症；有严重颅脑外伤史；临床资料不完整。
本研究经武汉科技大学附属天佑医院伦理委员会审查批准，所有参与者在入组前均签署知情同意书。
研究方法
1. 患者基线资料
收集所有参与者的人口学和临床基线数据，包括性别、年龄、教育水平、糖尿病病程、居住状态、吸烟饮酒史，以及高血压、冠状动脉粥样硬化性心脏病、房颤等合并症情况。
2. 血液相关参数
所有参与者禁食至少8小时后，于次日清晨采集肘前静脉空腹血样送检。检测参数包括中性粒细胞计数、单核细胞计数、淋巴细胞计数、血小板计数、尿酸、肌酐、白蛋白、纤维蛋白原、糖化血红蛋白、空腹血糖、空腹甘油三酯、空腹高密度脂蛋白胆固醇等。
3. 影像学数据
(1) 颈动脉斑块：对所有受试者进行颈动脉彩色多普勒超声检查，评估是否存在颈动脉斑块。
(2) 脑部影像：由两名放射科医生独立阅片，判断是否存在脑萎缩、白质病变和腔隙性梗死。所有图像解读均由资深神经放射科医生完成，报告符合常规临床诊断标准。在数据收集前，所有参与的放射科医生均接受了两次关于脑萎缩、白质病变和腔隙性梗死影像学判断标准的标准化培训，以减少观察者间差异。
4. 其他相关量表
使用匹兹堡睡眠质量指数（PSQI）评估过去一个月的睡眠质量；使用医院焦虑抑郁量表（HADS）筛查焦虑和抑郁状态；使用巴氏指数（BI）测量日常生活活动能力的功能独立性。
5. 相关指标计算公式
研究计算了包括体重指数、血小板与高密度脂蛋白比率、老年营养风险指数、甘油三酯-葡萄糖指数、全身炎症总指数、全身炎症反应指数、全身免疫炎症指数、中性粒细胞与淋巴细胞比率、单核细胞与淋巴细胞比率、纤维蛋白原与白蛋白比率在内的多个复合指标。
6. 缺失数据处理
在数据收集阶段，任何候选预测变量存在数据缺失的患者均被排除，未进入最终分析数据集，仅纳入了所有感兴趣变量数据完整的患者。
统计分析
所有数据分析均使用R软件进行。分类变量采用卡方检验，连续变量根据分布情况采用t检验或非参数检验。将全部44个候选预测变量直接输入最小绝对收缩和选择算子（LASSO）回归模型，通过10折交叉验证选择最具信息量的特征，以解决多重共线性并避免过拟合。所有连续预测变量在LASSO回归前均被标准化。然后使用二元逻辑回归分析确定独立预测因子。通过Hosmer-Lemeshow拟合优度检验评估模型校准度，通过受试者工作特征曲线（ROC）分析评估区分能力，计算曲线下面积、灵敏度和特异度。进一步应用校准曲线和决策曲线分析评估模型性能和临床效用。P值小于0.05被认为具有统计学显著性。
结果
单变量分析
对两组患者的各项变量进行比较，单变量分析显示，脑白质病变、年龄、BMI、HbA1c、老年营养风险指数、白蛋白、HADS-D评分和BI评分存在显著组间差异。具体而言，存在脑白质病变、高龄、较低的BMI、较差的血糖控制、较低的白蛋白水平、营养风险、更严重的抑郁症状和降低的功能独立性被确定为与认知障碍相关的危险因素。
预测模型的变量选择
以是否发生认知障碍为因变量，将所有44个候选预测变量输入LASSO回归模型。通过10折交叉验证，最终筛选出14个非零系数变量进入后续分析。
多变量逻辑回归模型的构建
将LASSO筛选出的14个变量纳入二元逻辑回归。经分析，最终有四个因素与认知障碍独立相关：年龄、HADS-D评分、脑白质病变和HbA1c。逻辑回归结果如表2所示，年龄、抑郁症状、脑白质病和HbA1c升高是认知障碍的独立危险因素。
列线图预测模型的构建与验证
1. 列线图的构建
基于逻辑回归模型的结果，构建了一个用于预测老年T2DM患者认知障碍风险的列线图，直观展示各变量对总风险得分的贡献。
2. 模型的预测价值评估
ROC曲线显示模型AUC为0.812。经过1000次Bootstrap重抽样内部验证后，乐观校正AUC为0.751。在最佳截断值0.685时，模型的灵敏度为69.2%，特异度为81.9%，总体准确率为73.8%。阳性预测值和阴性预测值分别为87.4%和59.6%。Hosmer-Lemeshow拟合优度检验显示模型校准度良好。校准图也显示预测概率与实际概率之间具有良好的一致性。
3. 临床应用价值评估
决策曲线分析表明，在较宽的阈值概率范围（约0.02–0.86）内，该预测模型能提供正的净收益，其净收益值与“干预所有”策略相当或更优，表明该模型对指导T2DM患者认知障碍风险评估决策具有临床效用。
讨论
本研究采用MoCA中文版评估患者认知功能，鉴于缺乏针对该版本的已验证截断值，采用了英文版提出的26分作为区分标准。目前认知障碍的临床管理主要旨在延缓疾病进展，早期识别和预防至关重要。
本研究在202名老年T2DM患者中开展，64.4%被识别为存在认知障碍。单因素分析提示脑白质病、高龄、低BMI、血糖控制不佳、低白蛋白血症、营养不良、抑郁症状和低BI评分是其潜在危险因素。通过LASSO回归和多元逻辑回归分析，最终确定年龄、抑郁症状、脑白质病和HbA1c是认知障碍的四个独立预测因子。
- •
年龄是认知障碍的独立危险因素，这可能反映了与年龄相关的脑结构、神经生理功能和感觉处理的变化。
- •
脑白质病的存在是另一个独立危险因素，有脑白质病的患者发生认知障碍的几率是无脑白质病患者的2.44倍，这与将白质病变与认知能力下降联系起来的证据一致。
- •
抑郁症状与认知障碍独立正相关，这与先前研究结果一致。
- •
高HbA1c仍是一个显著的预测因子，强化了血糖控制在保护认知功能方面的关键作用。
- •
BMI显示出边缘性的保护作用，这可能与在某些老年人群中观察到的“肥胖悖论”有关，但此关联尚需进一步研究。
总体而言，本研究构建并内部验证了一个用于预测老年T2DM患者认知障碍的二元逻辑回归模型。模型区分度良好，校准度佳，经过Bootstrap验证后显示出最小的过拟合。在最佳截断值下，其灵敏度、特异度及预测值表现平衡。决策曲线分析支持其潜在的临床效用。
局限性
本研究存在若干局限性。单中心、住院患者的回顾性设计可能引入选择偏倚。样本量相对较小，统计效力有限。使用基于英文版验证的MoCA截断值26分，可能导致结局错误分类。虽然进行了内部验证，但仍需要在不同人群和环境中进行外部验证以确认模型的普适性。中等水平的阴性预测值表明，该模型在排除高风险个体方面可能比在排除认知障碍方面更有用。
优势与结论
尽管存在局限，本研究仍具优势：基于住院患者数据，贴近临床实践；系统整合了多维风险因素，提供了更全面的风险评估框架；严格进行了内部验证以评估模型稳定性；构建了列线图以可视化模型，提升了临床决策的可操作性；DCA证明了其临床效用。
综上所述，本研究为T2DM相关认知障碍提供了一个具有临床实用性的预测模型，支持在中国T2DM患者中进行早期筛查和分层干预。
