隨著老齡化和生活方式的改變，慢性病已經(jīng)逐漸成為影響人類健康和生活質(zhì)量的重要問題[1]。因此，構(gòu)建疾病的發(fā)病風(fēng)險(xiǎn)預(yù)測(cè)模型，并根據(jù)預(yù)測(cè)模型計(jì)算出具有某類特征的個(gè)體疾病的發(fā)病概率，對(duì)于降低慢性病發(fā)病率、減輕疾病負(fù)擔(dān)有重要的意義。疾病的發(fā)病風(fēng)險(xiǎn)預(yù)測(cè)模型早期主要應(yīng)用于心血管疾病[2]，近年來，在惡性腫瘤、糖尿病、高血壓、代謝綜合征、血脂紊亂、慢性腎臟病等主要慢性病方面有飛速的發(fā)展[3，4，5]。伴隨著計(jì)算機(jī)的飛速進(jìn)步，各類統(tǒng)計(jì)軟件的廣泛普及，疾病的發(fā)病與死亡風(fēng)險(xiǎn)預(yù)測(cè)模型也進(jìn)入了快速發(fā)展時(shí)期[6]。從早期的Logistic回歸模型、Cox比例風(fēng)險(xiǎn)模型，逐漸發(fā)展了包括時(shí)間序列模型[7]、灰色模型[8]、神經(jīng)網(wǎng)絡(luò)模型[9]、支持向量機(jī)模型[10]等多種方法與模型。下面對(duì)這些模型進(jìn)行簡(jiǎn)要介紹。

　　一、風(fēng)險(xiǎn)預(yù)測(cè)模型的方法與進(jìn)展

　　1．Logistic回歸模型與Cox比例風(fēng)險(xiǎn)模型：

　　回歸模型是早期發(fā)展起來的統(tǒng)計(jì)方法，并應(yīng)用于疾病發(fā)病風(fēng)險(xiǎn)預(yù)測(cè)中。包括線性回歸、Logistic回歸等。其中后者的因變量是二分類變量，即0、1變量，與疾病患病結(jié)局的分類狀態(tài)相吻合，因此得到了廣泛的應(yīng)用。常采用比值比作為描述某因素致疾病發(fā)病風(fēng)險(xiǎn)的指標(biāo)[11]。

　　Cox比例風(fēng)險(xiǎn)模型適用于含有時(shí)間變量的隊(duì)列數(shù)據(jù)，且相對(duì)于Weibull函數(shù)，Cox模型對(duì)數(shù)據(jù)的分布情況沒有要求，是基于非參數(shù)檢驗(yàn)的方法。其主要的效應(yīng)指標(biāo)為相對(duì)危險(xiǎn)度[12]。

　　2．灰色模型：

　　灰色模型是20世紀(jì)80年代由華中科技大學(xué)的鄧聚龍教授提出的。它的基本原理是將無規(guī)律的原始數(shù)據(jù)通過多次數(shù)據(jù)處理轉(zhuǎn)化為有規(guī)律的序列，再通過微分方程等構(gòu)建動(dòng)態(tài)模型。該方法適用性好且預(yù)測(cè)效能強(qiáng)，廣泛應(yīng)用于多種類型疾病的流行趨勢(shì)[13，14]。

　　3．神經(jīng)網(wǎng)絡(luò)模型：

　　也稱為人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN），它是將生物神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和工作原理用數(shù)學(xué)形式模擬出來，使其具有人腦的某些功能。ANN屬于非線性模擬系統(tǒng)，對(duì)資料特性基本沒有特殊要求，能擬合任意非線性關(guān)系，且能較好地處理缺失變量信息，具有學(xué)習(xí)和自適應(yīng)能力。但由于仍處于起步階段，仍有一些缺陷，如模型結(jié)構(gòu)選取、訓(xùn)練方式以及訓(xùn)練時(shí)間等需要改進(jìn)[15]。

　　4．支持向量機(jī)模型：

　　支持向量機(jī)是1995年由統(tǒng)計(jì)學(xué)家提出的，其基礎(chǔ)原理是結(jié)構(gòu)風(fēng)險(xiǎn)最小化。它根據(jù)有限的樣本信息，在特定訓(xùn)練樣本的學(xué)習(xí)精度和無錯(cuò)誤地識(shí)別任意樣本之間尋求最佳折中，并獲得最好的推廣能力。支持向量機(jī)模型的分類函數(shù)與神經(jīng)網(wǎng)絡(luò)較為類似，并在解決小樣本、非線性及高維模式識(shí)別中有較好的優(yōu)勢(shì)[16]。

　　上述介紹了幾種常用的風(fēng)險(xiǎn)預(yù)測(cè)模型，各有優(yōu)缺點(diǎn)，且隨著計(jì)算機(jī)的發(fā)展和大數(shù)據(jù)時(shí)代的到來，將不斷有新穎的模型出現(xiàn)，如近年來一些專家提出的基于多種模型方法的組合模型[17]。這將有益于我們更加精準(zhǔn)地預(yù)測(cè)疾病的發(fā)病風(fēng)險(xiǎn)，指導(dǎo)人群的早期防控。

　　二、國內(nèi)外糖尿病發(fā)病風(fēng)險(xiǎn)預(yù)測(cè)模型匯總及比較

　　近年來國內(nèi)外研發(fā)了多個(gè)糖尿病的發(fā)病預(yù)測(cè)模型。2011年英國醫(yī)學(xué)雜志發(fā)表了糖尿病發(fā)病風(fēng)險(xiǎn)模型的系統(tǒng)綜述，最終納入了43個(gè)研究中提出的94個(gè)糖尿病發(fā)病風(fēng)險(xiǎn)評(píng)估模型[18]。作者在此基礎(chǔ)上，結(jié)合近幾年的研究進(jìn)展，篩選其中推廣應(yīng)用較為廣泛的發(fā)病風(fēng)險(xiǎn)模型進(jìn)行了匯總，見表1。

　　從表1中可以看出，大部分的風(fēng)險(xiǎn)預(yù)測(cè)模型建立在隊(duì)列研究的數(shù)據(jù)基礎(chǔ)上，隨訪時(shí)間為5~10年，隨訪人群從千余人到百萬余人。納入的指標(biāo)主要包括下面幾類：（1）人口社會(huì)學(xué)基本特征：性別、年齡、民族、種族、經(jīng)濟(jì)水平、文化程度；（2）生活方式相關(guān)指標(biāo)：吸煙、飲酒、體育鍛煉、咖啡、膳食（紅肉、蔬菜、水果、谷類主食等）；（3）身體測(cè)量指標(biāo)：身高、腰圍、體質(zhì)指數(shù)（BMI）、收縮壓；（4）化驗(yàn)檢測(cè)指標(biāo)：空腹血糖、甘油三酯、高密度脂蛋白膽固醇（HDL-C）等；（5）既往慢性病史，包括高血糖、高血壓、血脂紊亂、心腦血管疾病等；（6）治療和服藥情況：類固醇類藥物、降壓藥、降脂藥；（7）遺傳因素：糖尿病家族史、基因多態(tài)性位點(diǎn)、遺傳風(fēng)險(xiǎn)評(píng)分[37]等?？梢钥闯觯糠诸A(yù)測(cè)模型僅納入了幾個(gè)簡(jiǎn)單人口社會(huì)學(xué)和測(cè)量變量，而大部分發(fā)病預(yù)測(cè)模型包含了血壓化驗(yàn)檢測(cè)指標(biāo)在內(nèi)。近年來有些模型使用了包括基因多態(tài)性位點(diǎn)、遺傳風(fēng)險(xiǎn)評(píng)分等遺傳因素在內(nèi)。但2013年發(fā)表在Diabetes Care上的一篇研究指出，遺傳因素尤其是遺傳位點(diǎn)的信息，雖然花費(fèi)較多，但并沒有使得模型預(yù)測(cè)能力得到顯著地提升[37]。

　　另一方面，可以看出，盡管上述提到了多種疾病的發(fā)病預(yù)測(cè)模型，但目前為止在慢性病領(lǐng)域中應(yīng)用較為廣泛的仍是前面幾類，如Logistic回歸模型、Cox比例風(fēng)險(xiǎn)模型。近年來，部分糖尿病研究使用了神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)[38]等模型。且有些研究同時(shí)使用多種統(tǒng)計(jì)模型，比較不同統(tǒng)計(jì)模型的預(yù)測(cè)能力?？梢钥闯?，使用神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)等新的模型，其預(yù)測(cè)能力有所提高。

　　三、糖尿病發(fā)病風(fēng)險(xiǎn)預(yù)測(cè)模型的應(yīng)用

　　糖尿病發(fā)病風(fēng)險(xiǎn)模型主要應(yīng)用是篩查高危人群，早期開展防治措施。另一方面，也要能正確區(qū)分糖尿病的低危人群，防止錯(cuò)分而增加服藥或醫(yī)療負(fù)擔(dān)。即發(fā)病風(fēng)險(xiǎn)模型在一般人群中應(yīng)用時(shí)要有好的區(qū)分度[39]。目前大多數(shù)的糖尿病風(fēng)險(xiǎn)預(yù)測(cè)模型，在構(gòu)建時(shí)即建立了驗(yàn)證隊(duì)列，對(duì)所構(gòu)建的模型預(yù)測(cè)能力進(jìn)行驗(yàn)證。但絕大部分是內(nèi)部人群的驗(yàn)證。少數(shù)的幾個(gè)發(fā)病模型，在不同的人群中進(jìn)行了驗(yàn)證，且模型區(qū)分能力較好。例如芬蘭糖尿病風(fēng)險(xiǎn)評(píng)分問卷不僅在芬蘭，還在丹麥、瑞士、英國、澳大利亞、中國等多個(gè)國家進(jìn)行了推廣應(yīng)用，結(jié)果顯示區(qū)分效果良好，外部驗(yàn)證的曲線下面積達(dá)到了0.76[40，41，42，43]。此外，澳大利亞風(fēng)險(xiǎn)評(píng)估工具（Ausdrisk）在悉尼開展的基于1 550人的糖尿病防治項(xiàng)目研究中起到了重要的作用。通過Ausdrisk篩選出來的糖尿病高危人群，進(jìn)行生活方式的干預(yù)和健康管理，經(jīng)過12個(gè)月的隨訪，取得了良好的效果[44]。

　　模型的推廣和應(yīng)用還受到其組成變量的限制。從公共衛(wèi)生學(xué)和可行性角度考慮，若模型中含有一些侵入性測(cè)量變量，如HDL-C、甘油三酯、空腹血糖、甚至于基因位點(diǎn)等，其推廣則容易受到限制，尤其在一般人群中進(jìn)行糖尿病發(fā)病風(fēng)險(xiǎn)篩查[38]。僅含有一般變量如人口社會(huì)學(xué)特征、生活方式、身體測(cè)量指標(biāo)如身高、腰圍等構(gòu)建的發(fā)病風(fēng)險(xiǎn)模型，相對(duì)而言更容易在一般人群的普及。另一方面，人口社會(huì)學(xué)特征是無法改變的，如性別、年齡、種族，因此其對(duì)于改善個(gè)體的糖尿病風(fēng)險(xiǎn)模型沒有作用。而不良生活方式、高BMI和腰圍等，則是可以改善的指標(biāo)，在經(jīng)過個(gè)體改變生活方式或減肥等措施后，能夠降低糖尿病風(fēng)險(xiǎn)。目前我國糖尿病防治指南中推廣應(yīng)用的糖尿病風(fēng)險(xiǎn)評(píng)分表中主要是簡(jiǎn)單的變量，包括人口社會(huì)學(xué)特征、BMI、腰圍、血壓和糖尿病家族史，適合在人群中廣泛推廣，用于糖尿病的人群篩查[34]。此外，芬蘭糖尿病風(fēng)險(xiǎn)評(píng)分在我國應(yīng)用也較為廣泛，多個(gè)研究證實(shí)，其不僅快速、非侵入性，且預(yù)測(cè)能力較好[45，46]。

　　四、展望

　　盡管國內(nèi)外已經(jīng)構(gòu)建了多個(gè)糖尿病發(fā)病風(fēng)險(xiǎn)預(yù)測(cè)模型，但目前尚無一個(gè)類似于Framingham心血管病風(fēng)險(xiǎn)評(píng)分一樣廣泛推廣應(yīng)用的評(píng)分系統(tǒng)或風(fēng)險(xiǎn)預(yù)測(cè)模型[47]。這些已經(jīng)構(gòu)建的模型各有優(yōu)劣，且預(yù)測(cè)能力各有高低，適用人群和種族也不盡一致。因此，在糖尿病的發(fā)病風(fēng)險(xiǎn)模型預(yù)測(cè)的研究，要逐漸從建立模型轉(zhuǎn)變到模型的人群應(yīng)用檢驗(yàn)，找出在人群風(fēng)險(xiǎn)預(yù)測(cè)和外部推廣性最優(yōu)的模型。另一方面，基于我國人群的大樣本長時(shí)間的隊(duì)列數(shù)據(jù)構(gòu)建的發(fā)病風(fēng)險(xiǎn)模型較少，大多數(shù)是基于橫斷面研究或人數(shù)較少的小樣本研究。流行病學(xué)家和臨床醫(yī)師應(yīng)結(jié)合起來，積累我國人群的糖尿病大隊(duì)列數(shù)據(jù)并構(gòu)建符合國情的發(fā)病模型，以便克服外來模型的種族不適宜性，并開展外部推廣應(yīng)用。