賀婷，袁麗，楊小玲，葉子溦，李饒，古艷

2型糖尿?。═2DM）是患病人數(shù)最多的糖尿病類型，隨著病程進(jìn)展容易引起各種并發(fā)癥，是導(dǎo)致失明、腎功能衰竭、心臟病發(fā)作、卒中和死亡的主要原因［1］。國(guó)際糖尿病聯(lián)盟發(fā)布的第九版“全球糖尿病地圖”數(shù)據(jù)顯示，2019年全球約有5.37億成人糖尿病患者，糖尿病患病率達(dá)10.5%，其中約90%為T2DM［2］。過去十年，亞洲人群糖尿病患病率大幅上升，中國(guó)和印度是全球糖尿病患者人數(shù)最多的兩個(gè)國(guó)家，亞洲糖尿病的患病總?cè)藬?shù)占世界糖尿病患病人數(shù)的55%［2-3］。研究結(jié)果顯示，有超過50%的糖尿病患者未得到及時(shí)診斷和治療，T2DM的診斷延遲不僅會(huì)使個(gè)體醫(yī)療保健支出大幅度增長(zhǎng)、疾病負(fù)擔(dān)加重，還可能增加其出現(xiàn)嚴(yán)重并發(fā)癥，甚至死亡的風(fēng)險(xiǎn)［4-5］。基于T2DM發(fā)病風(fēng)險(xiǎn)預(yù)測(cè)模型的預(yù)測(cè)結(jié)果，醫(yī)務(wù)人員可早期發(fā)現(xiàn)未得到診斷的T2DM患者，以及T2DM高危人群，并通過采取針對(duì)性、個(gè)體化的預(yù)防/干預(yù)策略，降低T2DM發(fā)病概率/減緩病情進(jìn)展。在過去的幾十年里，國(guó)內(nèi)外研究者開發(fā)了多種基于亞洲人群的預(yù)測(cè)模型來預(yù)測(cè)其T2DM發(fā)病風(fēng)險(xiǎn)，然而研究者對(duì)模型的構(gòu)建策略報(bào)告不夠明確，大多數(shù)預(yù)測(cè)模型使用受限，預(yù)測(cè)效果仍有待深入驗(yàn)證。本研究通過系統(tǒng)性地分析、評(píng)價(jià)亞洲T2DM發(fā)病風(fēng)險(xiǎn)預(yù)測(cè)模型的開發(fā)過程和效能，旨在為T2DM發(fā)病風(fēng)險(xiǎn)預(yù)測(cè)模型的選擇和深度開發(fā)提供依據(jù)與參考。本研究已在PROSPERO登記注冊(cè)并審核通過，注冊(cè)號(hào)為CRD42021244563。

1 資料與方法

1.1 文獻(xiàn)納入和排除標(biāo)準(zhǔn) 納入標(biāo)準(zhǔn)：（1）研究對(duì)象為亞洲人群且基線時(shí)無糖尿??；（2）研究?jī)?nèi)容為T2DM發(fā)病風(fēng)險(xiǎn)預(yù)測(cè)模型（不包括診斷模型），并且研究描述了模型的建立、驗(yàn)證和評(píng)價(jià)過程；（3）研究類型為隊(duì)列研究；（4）英文文獻(xiàn)。排除標(biāo)準(zhǔn)：（1）細(xì)胞、分子及基因水平研究；（2）觀察對(duì)象為兒童/青少年/特定患病人群（如肥胖、高血壓患者）的研究；（3）預(yù)測(cè)結(jié)果包括T2DM，但不限于T2DM（如心血管疾?。┑难芯?；（4）未采用回歸法（如神經(jīng)網(wǎng)絡(luò)或決策樹）構(gòu)建預(yù)測(cè)模型的研究；（5）對(duì)既往開發(fā)的模型進(jìn)行驗(yàn)證的研究；（6）國(guó)際會(huì)議摘要、二次研究；（7）模型包含的預(yù)測(cè)因子數(shù)＜2；（8）重復(fù)發(fā)表的文獻(xiàn)。

1.2 文獻(xiàn)檢索策略 于2021年4月，計(jì)算機(jī)檢索PubMed、EmBase、the Cochrane Library獲取有關(guān)亞洲T2DM發(fā)病風(fēng)險(xiǎn)預(yù)測(cè)模型的研究，檢索時(shí)限均為建庫(kù)至2021-04-01。此外，追溯納入文獻(xiàn)的參考文獻(xiàn)，以補(bǔ)充獲取相關(guān)文獻(xiàn)。檢索詞包括：type 2 diabetes mellitus、ketosis-resistant diabetes mellitus、non-insulin-dependent diabetes mellitus、stable diabetes mellitus、NIDDM、slowonset diabetes mellitus、adult-onset diabetes mellitus、prediction model、risk stratification model、risk factor score、risk score、risk assessment、algorithm。 以 the Cochrane Library為例，具體檢索策略請(qǐng)掃描本文二維碼獲取。

1.3 文獻(xiàn)篩選與資料提取 2名研究者獨(dú)立篩選文獻(xiàn)、提取資料并交叉核對(duì)，若存在分歧，則征求第3方意見。文獻(xiàn)篩選時(shí)，首先閱讀文題和摘要（初篩），在排除明顯不相關(guān)的文獻(xiàn)后，進(jìn)一步通讀全文根據(jù)納入和排除標(biāo)準(zhǔn)以最終確定是否納入（復(fù)篩）?；陬A(yù)測(cè)模型研究偏倚風(fēng)險(xiǎn)及適用性評(píng)估的要素和資料提取內(nèi)容制訂標(biāo)準(zhǔn)化表格［6］。資料提取內(nèi)容主要包括第一作者、發(fā)表年份、國(guó)家（地區(qū)）、研究類型、研究對(duì)象年齡、樣本來源、樣本量（不包含缺失數(shù)據(jù)）、發(fā)生結(jié)局事件的患者數(shù)、隨訪時(shí)長(zhǎng)、觀察終點(diǎn)、連續(xù)變量處理方法、缺失數(shù)據(jù)數(shù)量及處理方法、建模方法、變量選擇方法、驗(yàn)?zāi)７椒ā⑹茉囌吖ぷ魈卣髑€下面積（AUC）、擬合優(yōu)度、過度擬合情況、模型包含的預(yù)測(cè)因子、模型呈現(xiàn)形式、局限性（模型/研究）。

1.4 納入文獻(xiàn)的偏倚風(fēng)險(xiǎn)及適用性評(píng)估 由2名研究者獨(dú)立采用預(yù)測(cè)模型偏倚風(fēng)險(xiǎn)評(píng)估工具（PROBAST）對(duì)納入文獻(xiàn)的偏倚風(fēng)險(xiǎn)和適用性進(jìn)行嚴(yán)格評(píng)估，若存在分歧，則征求第3方意見。PROBAST由MOONS等［7］、WOLFF等［8］于2019年推出，包含研究對(duì)象（2個(gè)問題）、預(yù)測(cè)因子（3個(gè)問題）、結(jié)果（6個(gè)問題）和數(shù)據(jù)分析（9個(gè)問題）4個(gè)領(lǐng)域。每個(gè)領(lǐng)域的評(píng)估結(jié)果分為“低”“高”“不清楚”3個(gè)等級(jí)。每個(gè)問題采用“是/可能是”“可能不是/不是”或“沒有信息”進(jìn)行回答。若4個(gè)領(lǐng)域的偏倚風(fēng)險(xiǎn)評(píng)估結(jié)果均為“低”，則整體偏倚風(fēng)險(xiǎn)被判斷為“低”；若有≥1個(gè)領(lǐng)域的偏倚風(fēng)險(xiǎn)評(píng)估結(jié)果為“高”，則整體偏倚風(fēng)險(xiǎn)為“高”；若有領(lǐng)域的偏倚風(fēng)險(xiǎn)評(píng)估結(jié)果為“不清楚”，而其他領(lǐng)域的偏倚風(fēng)險(xiǎn)評(píng)估結(jié)果均為“低”，則認(rèn)為整體偏倚風(fēng)險(xiǎn)為“不清楚”。此外，對(duì)于模型構(gòu)建研究，即使所有領(lǐng)域的偏倚風(fēng)險(xiǎn)評(píng)估結(jié)果均為“低”，若模型未經(jīng)過外部驗(yàn)證，則整體偏倚風(fēng)險(xiǎn)仍為“高”。PROBAST主要從前3個(gè)領(lǐng)域?qū)m用性進(jìn)行評(píng)價(jià)，適用性評(píng)價(jià)方法與偏倚風(fēng)險(xiǎn)評(píng)價(jià)方法相似。

1.5 統(tǒng)計(jì)學(xué)方法 采用描述性分析法對(duì)模型的基本特征及納入研究的偏倚風(fēng)險(xiǎn)與適用性評(píng)價(jià)結(jié)果進(jìn)行總結(jié)、分析。

2 結(jié)果

2.1 文獻(xiàn)篩選流程及結(jié)果 通過檢索得到相關(guān)文獻(xiàn)12 550篇，經(jīng)過逐層篩選，最終納入研究31項(xiàng)［9-39］。文獻(xiàn)篩選流程見圖1。

圖1 文獻(xiàn)篩選流程Figure 1 Literature screening flowchart

2.2 納入文獻(xiàn)的基本特征 納入的31項(xiàng)研究主要來源于中國(guó)（n=15）、日本（n=6）和韓國(guó)（n=4）；17項(xiàng)［9-11，14-18，20-21，26，28，30，34-35，37-38］為前瞻性隊(duì)列研究，14項(xiàng)［12-13，19，22-25，27，29，31-33，36，39］為 回 顧 性 隊(duì) 列 研究；樣本量（不包含缺失數(shù)據(jù)）為1 851～366 009，發(fā)生結(jié)局事件的患者數(shù)為144～38 718例。30項(xiàng)［9-10，12-39］研究將空腹血糖（FBG）≥ 7.0 mmol/L作 為觀察終點(diǎn)，12 項(xiàng)［18-20，22，25，30-31，33，35-38］研究將糖化血紅蛋白（HbA1c）≥6.5%作為觀察終點(diǎn)，13項(xiàng)［9，11，14-17，19，25，29，31，34，36，38］研 究 將 餐 后 2 h 血 糖（2 h-PG）≥ 11.1 mmol/L 作為觀察終點(diǎn)，3 項(xiàng)［22，33，36］研究將隨機(jī)血糖≥11.0 mmol/L作為觀察終點(diǎn)，見表1。

表1 納入的亞洲T2DM發(fā)病風(fēng)險(xiǎn)預(yù)測(cè)模型研究的基本信息Table 1 Basic characteristics of included studies on risk prediction models for T2DM in Asian adults

2.3 納入預(yù)測(cè)模型的基本特征

2.3.1 模型的建立與驗(yàn)證 3項(xiàng)［26，34，37］研究保持了連續(xù)變量的連續(xù)性，2項(xiàng)［18，31］研究保持了部分連續(xù)變量的連續(xù)性，26 項(xiàng)［9-17，19-25，27-30，32-33，35-36，38-39］研究將全部連續(xù)變量轉(zhuǎn)化為分類變量。數(shù)據(jù)缺失及其處理方法方面，3項(xiàng)［14，19，38］研究存在著較為嚴(yán)重的數(shù)據(jù)缺失現(xiàn)象（缺失率＞30%），RHEE等［39］采用多重插補(bǔ)法處理缺失值，ASGARI等［37］使用單一插補(bǔ)法對(duì)缺失數(shù)據(jù)進(jìn)行填補(bǔ)，22 項(xiàng)［9-11，14，17-24，27-30，32-36，38］研究采用了完整個(gè)案分析法。納入研究多采用Cox回歸、Logistic回歸建立模型。WANG等［34］在采用Logistic回歸建立模型的同時(shí)，建立了矩陣多項(xiàng)式模型；LIU等［24］通過建立亞分布風(fēng)險(xiǎn)模型，避免數(shù)據(jù)競(jìng)爭(zhēng)；ASGARI等［37］在采用Cox回歸建立靜態(tài)預(yù)測(cè)模型的同時(shí)，建立了基于混合效應(yīng)模型和Cox模型的縱向和生存數(shù)據(jù)聯(lián)合模型。20 項(xiàng)［10，12-14，16-19，22-23，25，27，29-35，39］研 究 報(bào) 告 在 篩 選變 量 時(shí) 采 用 了 逐 步 選 擇 法，7 項(xiàng)［9，15，19，21，24，28，38］研 究 采 用 了 單 因 素 分 析，SHAO 等［36］則基于LASSO算法進(jìn)行變量篩選。4項(xiàng)［11，16，31，34］研 究 建 立 了 基 于 性 別 的 T2DM 發(fā)病風(fēng)險(xiǎn)差異化預(yù)測(cè)模型。模型驗(yàn)證方面，5 項(xiàng)［9，15，17-18，31］研 究 僅對(duì) 模型 進(jìn) 行了 外 部驗(yàn) 證，22 項(xiàng)［10-14，16，19-21，23-30，32-33，35，38-39］研 究 僅 對(duì) 模 型進(jìn)行了內(nèi)部驗(yàn)證，4項(xiàng)［22，34，36-37］研究采用內(nèi)部驗(yàn)證與外部驗(yàn)證相結(jié)合的方法對(duì)模型進(jìn)行了驗(yàn)證。納入模型的AUC為0.62～0.92，提示模型預(yù)測(cè)性能 較 好。15 項(xiàng)［10，14，19-21，23-24，26-27，30，32，34，36-38］研究考慮了模型的過度擬合情況，并對(duì)其進(jìn)行了校準(zhǔn)，見表2。

表2 亞洲T2MD發(fā)病風(fēng)險(xiǎn)預(yù)測(cè)模型建立和驗(yàn)證的基本特征Table 2 Basic characteristics of development and validation included risk prediction models for T2DM in Asian adults

2.3.2 模型中的預(yù)測(cè)因子及其呈現(xiàn)形式 模型包含的預(yù)測(cè)因子數(shù)量為3～24個(gè)，預(yù)測(cè)因子可主要分為人口學(xué)因素、體格檢查指標(biāo)、實(shí)驗(yàn)室檢查指標(biāo)三類。其中人口學(xué)因素以年齡、性別和糖尿病家族史較為常見，體格檢查指標(biāo)以體質(zhì)指數(shù)（BMI）和腰圍較為常見，而實(shí)驗(yàn)室指標(biāo)以FBG、HbA1c和三酰甘油（TG）較為常見。模型呈現(xiàn)形式主要以風(fēng)險(xiǎn)評(píng)分和風(fēng)險(xiǎn)計(jì)算公式為主，3項(xiàng)［23，34，36］研究采用列線圖的方式呈現(xiàn)模型，見表3。

表3 亞洲T2MD發(fā)病風(fēng)險(xiǎn)預(yù)測(cè)模型的預(yù)測(cè)因子、呈現(xiàn)形式及其局限性Table 3 Predictors，presentation and limitations of included risk prediction models for T2DM in Asian adults

2.4 納入文獻(xiàn)的偏倚風(fēng)險(xiǎn)和適用性評(píng)價(jià)結(jié)果

2.4.1 納入文獻(xiàn)的偏倚風(fēng)險(xiǎn)評(píng)價(jià)結(jié)果 納入研究均存在較高的偏倚風(fēng)險(xiǎn)。

2.4.1.1 研究對(duì)象領(lǐng)域 4項(xiàng)［10，33-34，36］研究將特定人群，如心血管疾病、癌癥、卒中患者、妊娠者排除在研究對(duì)象之外，這可能會(huì)對(duì)T2DM發(fā)病率的準(zhǔn)確性造成不利影響，故此4項(xiàng)研究在該領(lǐng)域的偏倚風(fēng)險(xiǎn)評(píng)估結(jié)果為“高”，其余研究均為“低”，見表4。

2.4.1.2 預(yù)測(cè)因子領(lǐng)域 XU等［21］和 NANRI等［22］的研究為多中心研究，但各中心對(duì)預(yù)測(cè)因子采用的測(cè)量方法有差異；WANG等［23］的研究則未報(bào)告預(yù)測(cè)因子測(cè)量相關(guān)信息。2項(xiàng)［21-22］研究在該領(lǐng)域的偏倚風(fēng)險(xiǎn)評(píng)估結(jié)果為“高”，1項(xiàng)［23］研究為“不清楚”，其余研究均為“低”，見表4。

2.4.1.3 結(jié)果領(lǐng)域 2項(xiàng)［16，28］研究中，F(xiàn)BG既是T2DM的診斷標(biāo)準(zhǔn)，亦是模型中的預(yù)測(cè)因子，但此2項(xiàng)研究均未明確基于FBG的模型適用條件。NANRI等［22］、YATSUYA等［30］、HU等［33］的研究中，接受降糖治療的定義及結(jié)局變量的測(cè)量方法在各中心間有所不同。OH等［38］的研究中，對(duì)于葡萄糖耐量試驗(yàn)和HbA1c數(shù)據(jù)缺失的個(gè)案，僅憑借FBG診斷T2DM，這可能會(huì)導(dǎo)致診斷性偏倚。上述 6 項(xiàng)［16，22，28，30，33，38］研究在該領(lǐng)域的偏倚風(fēng)險(xiǎn)評(píng)估結(jié)果為“高”，其余研究均為“低”，見表4。

（續(xù)表2）

（續(xù)表3）

2.4.1.4 數(shù)據(jù)分析領(lǐng)域 除3項(xiàng)［23，27，29］研究在該領(lǐng)域的偏倚風(fēng)險(xiǎn)評(píng)估結(jié)果為“不清楚”，其余研究均為“高”。10 項(xiàng)［9-10，12，14，16-18，21-22，24］研究在轉(zhuǎn)化連續(xù)變量的過程中未檢驗(yàn)連續(xù)變量間是否存在非線性關(guān)系或未對(duì)分類變量進(jìn)行標(biāo)準(zhǔn)的定義，故在相應(yīng)問題上被評(píng)價(jià)為“否”。10項(xiàng)［10，14，18，22，25，29，30，35-37］研究未將所有的研究對(duì)象納入分析（研究數(shù)據(jù)多來源于數(shù)據(jù)庫(kù)，或?yàn)榈怯洈?shù)據(jù)），這可能會(huì)導(dǎo)致結(jié)果出現(xiàn)偏差。采用完整個(gè)案分析法處理缺失數(shù)據(jù)的研究中，4項(xiàng)［9，14，20，24］研究對(duì)剔除樣本與納入分析樣本的基本特征進(jìn)行了組間比較分析，發(fā)現(xiàn)差異無統(tǒng)計(jì)學(xué)意義，該處理方法相對(duì)合理；而其余研究在采用完整個(gè)案分析法處理缺失數(shù)據(jù)后，在不確定數(shù)據(jù)缺失是否完全隨機(jī)的情況下，并未對(duì)剔除樣本的特征進(jìn)行分析，可引起偏倚。僅1項(xiàng)［24］研究明確表示考慮了數(shù)據(jù)競(jìng)爭(zhēng)問題，在相應(yīng)問題上被評(píng)價(jià) 為“ 是 ”。16 項(xiàng)［10-13，15-16，18-19，24，26-27，32，34，35，38］研究由于未報(bào)告模型的校準(zhǔn)度，或僅以H-L擬合優(yōu)度檢驗(yàn)的統(tǒng)計(jì)量值和P值反映模型的校準(zhǔn)度而未能提供校準(zhǔn)圖等因素，在相應(yīng)問題上被評(píng)價(jià)為“否/可能否”，見表4。

2.4.2 適用性評(píng)價(jià)結(jié)果 納入模型總體及在各領(lǐng)域上的適用性較好，見表4。

表4 納入文獻(xiàn)偏倚風(fēng)險(xiǎn)及適用性評(píng)價(jià)結(jié)果Table 4 Results of the assessment of risk of bias and applicability of included studies on the risk prediction model of T2DM

3 討論

3.1 亞洲T2DM發(fā)病風(fēng)險(xiǎn)預(yù)測(cè)模型的研究尚處于發(fā)展階段 本研究系統(tǒng)檢索了亞洲T2DM發(fā)病風(fēng)險(xiǎn)預(yù)測(cè)模型相關(guān)研究，經(jīng)過逐層篩選，最終納入了31項(xiàng)研究。納入模型的AUC為0.62～0.92，其中12 項(xiàng)［12-14，18，22，25，33-37，39］研 究 開 發(fā) 的 40 個(gè) 模 型 的AUC＞0.8，2 項(xiàng)［18，36］研究中的 2 個(gè)模型的 AUC＞0.9，提示模型預(yù)測(cè)性能較好。所有納入的研究均存在高偏倚風(fēng)險(xiǎn)，主要原因?yàn)閷?duì)連續(xù)變量的處理不合理、對(duì)缺失數(shù)據(jù)的處理不合理、存在樂觀偏差、忽略了模型的過度擬合問題、未規(guī)范地對(duì)模型進(jìn)行評(píng)價(jià)及缺乏外部驗(yàn)證等。

3.2 亞洲T2DM發(fā)病風(fēng)險(xiǎn)預(yù)測(cè)模型存在同質(zhì)化現(xiàn)象 T2DM發(fā)病風(fēng)險(xiǎn)預(yù)測(cè)模型包含的預(yù)測(cè)因子以年齡、性別、糖尿病家族史、BMI、腰圍、FBG、HbA1c和血脂指標(biāo)為多見。一方面提示臨床醫(yī)務(wù)工作者應(yīng)重視上述指標(biāo)對(duì)T2DM發(fā)病的預(yù)警作用，加強(qiáng)對(duì)其的評(píng)估；另一方面也說明T2DM發(fā)病風(fēng)險(xiǎn)預(yù)測(cè)模型存在較為嚴(yán)重的同質(zhì)化問題。探索新的、個(gè)性化預(yù)測(cè)因子可能有助于突破現(xiàn)有發(fā)展“瓶頸”，提升模型的預(yù)測(cè)性能，提高個(gè)體化治療水平［40-42］。流行病學(xué)研究結(jié)果表明，心理因素、飲食習(xí)慣、貧困、受教育程度、職業(yè)壓力水平、睡眠障礙與T2DM發(fā)病高風(fēng)險(xiǎn)相關(guān)［43-44］。但由于上述部分指標(biāo)缺乏統(tǒng)一的評(píng)估標(biāo)準(zhǔn)且主觀性較強(qiáng)，少有研究者將其列為候選預(yù)測(cè)因子或?qū)⑵浼{入預(yù)測(cè)模型。下一步，可探究上述因子對(duì)模型預(yù)測(cè)性能提升的影響。同時(shí)考慮到T2DM發(fā)病率具有性別與年齡差異［45-46］，故也可深入開發(fā)基于性別、年齡的T2DM發(fā)病風(fēng)險(xiǎn)差異化預(yù)測(cè)模型。

3.3 亞洲T2DM發(fā)病風(fēng)險(xiǎn)預(yù)測(cè)模型存在高偏倚風(fēng)險(xiǎn)PROBAST是由Cochrane協(xié)助組推薦的預(yù)測(cè)模型研究偏倚風(fēng)險(xiǎn)評(píng)估工具。研究均于該工具發(fā)布前實(shí)施、模型開發(fā)過程中應(yīng)注意的細(xì)節(jié)問題較多可能是導(dǎo)致偏倚風(fēng)險(xiǎn)較高的原因之一。未來，研究者可按照PROBAST開展T2DM發(fā)病風(fēng)險(xiǎn)預(yù)測(cè)模型的開發(fā)與驗(yàn)證工作，并嚴(yán)格遵循多變量預(yù)測(cè)模型報(bào)告規(guī)范，進(jìn)而盡可能地減少研究中存在的偏倚。

3.3.1 連續(xù)變量與缺失數(shù)據(jù)處理 本研究中，83.9%（26/31）的研究對(duì)連續(xù)變量進(jìn)行了分類處理，但此方法可能導(dǎo)致重要信息丟失、變量間的關(guān)系被破壞及模型預(yù)測(cè)能力的下降［47］。有研究者認(rèn)為，對(duì)于連續(xù)變量，宜保持其連續(xù)性，若連續(xù)變量間存在非線性關(guān)系，可運(yùn)用分段多項(xiàng)式函數(shù)（如樣條函數(shù)）處理數(shù)據(jù)［48］。除了未報(bào)告缺失數(shù)據(jù)處理方法的研究外，91.7%（22/24）的研究采用完整個(gè)案分析法處理缺失數(shù)據(jù)，該方法雖簡(jiǎn)單易用，但可能會(huì)消減數(shù)據(jù)特征、降低數(shù)據(jù)和研究的效力［49］。多重插補(bǔ)、單一插補(bǔ)法的運(yùn)用能有效降低數(shù)據(jù)缺失對(duì)統(tǒng)計(jì)分析、模型穩(wěn)定性造成的不利影響，提高研究精度和結(jié)果可靠性，是合適的數(shù)據(jù)缺失處理方法［50］。

3.3.2 模型的過度擬合和存在的樂觀偏差 模型的不確定性和參數(shù)的不確定性可導(dǎo)致模型的過度擬合，連續(xù)變量的離散化處理、基于單因素分析的變量篩選方法等可使模型出現(xiàn)樂觀偏差的可能性增高，而兩者（模型的過度擬合、模型出現(xiàn)樂觀偏差）均可致使預(yù)測(cè)模型的泛化能力下降［51］。本文納入的研究中，48.4%（15/31）的研究考慮了模型的過度擬合問題，這也提示研究人員對(duì)模型過度擬合問題及其存在的樂觀偏差重視程度不夠。隨機(jī)將數(shù)據(jù)集拆分為兩個(gè)子集并將其中一個(gè)子集用于內(nèi)部驗(yàn)證，已經(jīng)被證實(shí)為一個(gè)不太恰當(dāng)?shù)臏y(cè)量樂觀偏差的方法［52-53］。今后，在開發(fā)T2DM發(fā)病風(fēng)險(xiǎn)預(yù)測(cè)模型時(shí)，可使用自舉法、交叉驗(yàn)證法等對(duì)模型擬合進(jìn)行校驗(yàn)，校驗(yàn)時(shí)須重復(fù)整套建模流程，包括變量轉(zhuǎn)換、缺失值處理、變量篩選和模型擬合，否則可能無法衡量模型存在的實(shí)際樂觀偏差水平［54］。此外，開發(fā)動(dòng)態(tài)預(yù)測(cè)模型也可能是解決模型過度擬合的有效方法，如ASGARI等［37］通過使用縱向數(shù)據(jù)（即重復(fù)測(cè)量數(shù)據(jù)，如FBG）和事件發(fā)生時(shí)間數(shù)據(jù)進(jìn)行聯(lián)合建模，使開發(fā)的T2DM發(fā)病風(fēng)險(xiǎn)預(yù)測(cè)模型具備了動(dòng)態(tài)性。聯(lián)合模型的原則是先定義兩個(gè)子模型，即混合效應(yīng)模型和Cox模型，然后使用其共同的潛在結(jié)構(gòu)將其鏈接起來。下一步，研究者可深入開發(fā)基于混合效應(yīng)模型和Cox模型的縱向和生存數(shù)據(jù)聯(lián)合模型，盡量做到將縱向數(shù)據(jù)與事件發(fā)生時(shí)間數(shù)據(jù)聯(lián)合起來進(jìn)行分析，進(jìn)而使參數(shù)估計(jì)的偏差進(jìn)一步減小，提高統(tǒng)計(jì)推斷的效率。

3.3.3 模型驗(yàn)證與應(yīng)用 本研究發(fā)現(xiàn)，29.0%（9/31）的研究對(duì)模型進(jìn)行了外部驗(yàn)證（其中4項(xiàng)研究采用內(nèi)部驗(yàn)證與外部驗(yàn)證相結(jié)合的方法對(duì)模型進(jìn)行了驗(yàn)證），大部分模型仍處于內(nèi)部驗(yàn)證階段，這使得現(xiàn)有模型的轉(zhuǎn)化率較低且偏倚風(fēng)險(xiǎn)較高。外部驗(yàn)證和重新校準(zhǔn)有助于增強(qiáng)模型的泛化能力，與開發(fā)新模型相比，具有更高的成本效益。醫(yī)務(wù)工作者可基于本研究結(jié)果選取高質(zhì)量的T2DM發(fā)病風(fēng)險(xiǎn)預(yù)測(cè)模型并對(duì)其進(jìn)行外部驗(yàn)證（大樣本、多中心數(shù)據(jù)）后，將其應(yīng)用于臨床；或通過開展多中心、跨國(guó)預(yù)測(cè)模型構(gòu)建研究，提高T2DM發(fā)病風(fēng)險(xiǎn)預(yù)測(cè)模型的臨床應(yīng)用率、轉(zhuǎn)化率。也可基于電子病歷系統(tǒng)構(gòu)建自動(dòng)化的T2DM發(fā)病風(fēng)險(xiǎn)預(yù)測(cè)工具；或?qū)鹘y(tǒng)預(yù)測(cè)工具與計(jì)算機(jī)技術(shù)相結(jié)合，如基于網(wǎng)絡(luò)的交互式列線圖，使模型可以與電子病歷系統(tǒng)相結(jié)合的同時(shí)，也可借由網(wǎng)頁(yè)在移動(dòng)設(shè)備、個(gè)人計(jì)算機(jī)上呈現(xiàn)，進(jìn)而：（1）同時(shí)滿足醫(yī)務(wù)人員和社區(qū)糖尿病患者對(duì)T2DM發(fā)病風(fēng)險(xiǎn)預(yù)測(cè)工具的使用需求；（2）使模型在得到復(fù)雜算法支撐的同時(shí)，減少人工計(jì)算的工作量；（3）使模型更易于理解，用戶使用模型的積極性得以提高。

本文存在一定的局限性。首先，受限于文獻(xiàn)納入與排除標(biāo)準(zhǔn)，本研究納入的文獻(xiàn)可能不夠全面，存在一定的選擇偏倚；其次，由于納入文獻(xiàn)在研究對(duì)象及方法上存在明顯的異質(zhì)性，本研究未對(duì)納入研究進(jìn)行定量分析。

作者貢獻(xiàn)：賀婷負(fù)責(zé)文章的構(gòu)思、設(shè)計(jì)與撰寫，并對(duì)文章整體負(fù)責(zé)，監(jiān)督管理；賀婷、葉子溦、李饒負(fù)責(zé)文獻(xiàn)、資料的收集與整理；賀婷、袁麗，楊小玲負(fù)責(zé)文獻(xiàn)偏倚風(fēng)險(xiǎn)和適用性評(píng)估、論文的修訂；賀婷、古艷負(fù)責(zé)文章的質(zhì)量控制及審校。

本文無利益沖突。