Using routine clinical features to classify adult-onset diabetes at diagnosis: the StartRight prospective observational study

StartRight 前瞻性观察性研究证明，一种结合常规临床特征（如较低年龄和 BMI、非意愿性体重减轻以及高就诊血糖）并无论是否包含胰岛自身抗体的分类模型，在诊断时区分成人起病 1 型与 2 型糖尿病方面实现了高准确度，其表现优于当前的临床指南。

要点

以下是“StartRight"研究的解释，通过日常类比将其拆解为简单概念。

核心难题：身份误认

想象一下，你发着烧走进医院。医生必须决定：这是流感，还是细菌感染？两者的治疗方案截然不同。如果用药错误，你的病情可能会加重。

这正是成人发病型糖尿病所面临的问题。它主要有两种类型：1 型和2 型。

• 2 型就像一根堵塞的管道；身体对胰岛素产生抵抗，但仍能产生一些胰岛素。它在成年人中非常普遍。
• 1 型就像一座被摧毁的工厂；身体的免疫系统摧毁了生产胰岛素的工厂。它在成年人中较少见，但发生的频率往往超出人们的想象。

问题在于，当成年人患上糖尿病时，医生通常会根据年龄或体重来猜测是哪种类型。但这种“猜谜游戏”会导致错误。大约每三名实际患有 1 型糖尿病的成年人中，就有一人被误诊为 2 型，并接受了错误的药物治疗。

研究：打造更优秀的侦探工具包

这项研究背后的研究人员（StartRight 团队）希望停止这种猜测。他们问道：“在患者就诊时，有哪些具体的线索可以确切地告诉我们他们患的是哪种类型的糖尿病？”

他们不仅查看了一条线索，而是考察了11 种不同的常规特征（如年龄、体重、腰围和血糖水平），并将它们组合成一个“侦探工具包”。

关键线索（“铁证”）

研究发现，虽然医生已经知道年龄和体重很重要，但他们忽略了一些其他重大线索。表明患者患有1 型（即“被摧毁的工厂”）的最有力指标是：

1. 较年轻的年龄（确诊时）。
2. 较低的身体质量指数（BMI）（体型较瘦）。
3. 较低的腰臀比（腹部脂肪较少）。
4. 非自愿的体重减轻（未刻意减肥却体重下降）。
5. 确诊时极高的血糖水平。

比喻：诊断糖尿病就像试图通过引擎噪音来识别汽车。

• 旧方法：“听起来像卡车，所以它一定是卡车。”（仅基于年龄/体重）。
• 新方法：“听起来像卡车，但它缺少一个关键部件，燃料流失极快，而且震动方式不同。”（结合所有线索）。

解决方案："StartRight 评分”

研究人员不仅列出了线索，还构建了一个计算器（称为 StartRight 评分）。

• 工作原理：输入患者的常规数据（年龄、体重、血糖等）。
• 结果：计算器会给出一个分数。
  • 低分：“这看起来像 2 型。”
  • 高分：“这看起来像 1 型。”
  • 中等分数：“我们不确定；为了安全起见，让我们进行特定的实验室检测（抗体检测）。”

为何这是颠覆性的变革

该研究通过两种方式测试了这个计算器：

1. 在受控研究中：他们跟踪患者数年，以查看计算器是否正确。其结果极其准确（准确率为 94–97%），远优于仅看年龄或体重。
2. 在现实世界数据中：他们在英国超过 18 万人的记录上进行了测试。他们发现，被计算器标记为“可能为 1 型”的人，实际上很快就需要胰岛素，或者表现出其他 1 型糖尿病的迹象，即使他们的医生最初将其作为 2 型进行治疗。

实验室检测的“过滤器”

目前的指南建议对许多人进行特定抗体检测（1 型糖尿病的“铁证”）。然而，这些检测既花钱又耗时。

该研究建议将StartRight 评分作为过滤器：

• 如果评分显示"1 型可能性极低”，你可能不需要进行昂贵的实验室检测。
• 如果评分显示“可能性高”，则务必进行检测。

这有助于医生确定谁需要检测，从而节省资金，并确保正确的人能更快地获得正确诊断。

核心结论

这项研究证明，我们无需猜测。通过将简单的常规事实（如一个人的体重减轻了多少或其腰围大小）组合成一个单一分数，我们可以以极高的准确性区分成年人的 1 型和 2 型糖尿病。这有助于确保成年人立即获得正确的治疗，而不是被误诊并接受针对错误病症的治疗。

技术摘要

以下是论文《利用常规临床特征在诊断时分类成人发病糖尿病：StartRight 前瞻性观察研究》的详细技术总结。

1. 问题陈述

在诊断时区分成人 1 型糖尿病（T1D）和 2 型糖尿病（T2D）是一项重大的临床挑战。虽然 T1D 常与较年轻年龄相关，而 T2D 常与较年长年龄和肥胖相关，但这些情况在成人中存在显著重叠。

• 误诊率：约三分之一的 T1D 成人患者最初被误诊并按 T2D 治疗，而六分之一被诊断为 T1D 的成人患者实际上患有 T2D。
• 当前指南的局限性：先前的系统评价（2015 年、2022 年）仅确定诊断年龄和 BMI 为具有强循证依据的鉴别指标。指南中引用的其他特征（如渗透性症状、家族史）缺乏强有力的实证支持。
• 生物标志物的限制：虽然胰岛自身抗体和 C 肽是分类的金标准，但 C 肽在诊断时的效用有限，且对所有新发成人糖尿病病例进行常规胰岛自身抗体检测成本过高。此外，抗体的存在可能在 T1D 和 T2D 之间重叠，使得解读依赖于验前概率。

目标：识别在诊断时区分成人发病 T1D 和 T2D 的常规临床特征，并开发高精度的分类模型（含和不含生物标志物），以指导临床决策和检测优先级的确定。

2. 方法学

研究设计：
一项前瞻性观察队列研究（StartRight），另设一个验证队列（StartRight Prime），并利用英国初级保健数据（CPRD）进行外部验证。

参与者：

• StartRight 队列：1,800 名成人（18–50 岁），在过去 12 个月内被诊断为糖尿病。
• StartRight Prime 队列：470 名成人（>50 岁），在过去 12 个月内被诊断为糖尿病。该队列富集了 T1D 病例（旨在达到胰岛素治疗与非胰岛素治疗 1:1 的比例），以确保对老年人中较少见疾病具有足够的统计效力。
• 排除标准：妊娠期糖尿病、单基因糖尿病或继发性糖尿病。

数据收集：

• 基线：在招募时（诊断后 12 个月内）记录常规临床特征，包括年龄、BMI、腰臀比、非自愿体重减轻、渗透性症状、种族、家族史（胰岛素治疗 vs. 非胰岛素治疗）、自身免疫病史以及就诊时的血糖状况（HbA1c、血糖、糖尿病酮症酸中毒状态）。
• 生物标志物：在招募时测量胰岛自身抗体（GAD、IA2、ZnT8）和 1 型糖尿病遗传风险评分（T1DGRS）。
• 结局定义（金标准）：糖尿病亚型基于诊断后≥3 年的情况定义：
  • T1D：3 年内持续胰岛素治疗 AND C 肽 <600 pmol/L。
  • T2D：无胰岛素治疗 OR（若使用胰岛素）C 肽 ≥600 pmol/L。
  • 敏感性分析：还采用了结合胰岛自身抗体状态的严格定义。

统计分析：

• 特征选择：使用逻辑回归评估哪些常规临床特征在年龄和 BMI 之外增加了显著的鉴别能力。
• 模型开发：构建多变量逻辑回归模型，使用：
  1. 仅临床特征。
  2. 临床特征 + 胰岛自身抗体。
  3. 临床特征 + T1DGRS。
• 验证：通过自助法（1,000 次迭代）进行内部验证，以评估乐观偏差和稳定性。在 StartRight Prime 队列和 CPRD 人群数据集中进行外部验证。
• 性能指标：受试者工作特征曲线下面积（AUCROC）、精确率 - 召回率曲线下面积（AUCPR）、灵敏度、特异度以及校准曲线。
• 评分系统：通过四舍五入模型 Beta 系数，推导出简化的积分评分系统（"StartRight 评分”）。

3. 主要贡献

1. 鉴别特征的识别：研究确定了11 项常规临床特征，可显著区分 T1D 和 T2D。除年龄和 BMI 外，最具鉴别力的特征包括：
   • 非自愿体重减轻。
   • 腰臀比。
   • 就诊时血糖（HbA1c 或血糖）。
   • 其他特征如渗透性症状和自身免疫家族史被发现鉴别力较弱。
2. 高精度预测模型的开发：
   • 仅临床特征模型：在 18–50 岁年龄组中 AUCROC 达到0.94（95% CI: 0.93–0.96），在>50 岁年龄组中达到0.93。
   • 临床 + 抗体模型：性能提升至 AUCROC 0.97（95% CI: 0.96–0.98）。
   • StartRight 评分：简化的积分工具保持了高性能（AUCROC 0.94），为复杂的计算器提供了一种务实的替代方案。
3. 生物标志物检测的优化：研究表明，使用临床模型对患者进行分层，可以优先进行胰岛自身抗体检测。与当前的 NICE 和 ADA/EASD 指南相比，这种方法显著减少了需要昂贵检测的患者数量，同时保持了对 T1D 检测的高灵敏度。
4. 人群层面的效用：在 CPRD 数据集（超过 160 万人）中的验证证实，即使对于最初按 T2D 治疗的患者，高模型概率也能强烈预测与误诊 T1D 相关的结局（例如快速进展至胰岛素治疗、酮症酸中毒）。

4. 关键结果

• 特征表现：没有任何单一临床特征在孤立情况下足以区分 T1D 和 T2D（单一特征最高准确率为 BMI <28 kg/m²时的 79%）。然而，组合特征产生了更优越的结果。
• 模型鉴别力：
  • StartRight（18–50 岁）：仅临床特征 AUC = 0.94；临床 + 抗体 AUC = 0.97。
  • StartRight Prime（>50 岁）：仅临床特征 AUC = 0.93；临床 + 抗体 AUC = 0.97。
  • 模型在不同亚组（包括不同种族（黑人、南亚人）和性别）中保持了高鉴别力，尽管某些亚组的样本量较小。
• 与指南的比较：
  • 当前指南（NICE、ADA/EASD）基于单一标准（例如年龄<50 岁，BMI <25）触发检测。
  • StartRight 评分（截断值≥7 分）和临床模型（概率≥10%）识别出的 T1D 病例比例与“普遍检测”相当，但仅需对人群中更小的子集进行检测，从而提高了特异度和资源效率。
• CPRD 验证：在英国初级保健数据集中，基于临床模型具有高 T1D 概率的患者，无论初始治疗如何，在 3 年内出现酮症酸中毒、需要基础 - 餐时胰岛素或获得 T1D 诊断代码的可能性显著更高。

5. 意义与影响

• 临床实践：该研究提供了首个经过验证的循证工具，协助临床医生在诊断时分类成人发病糖尿病。它超越了仅依赖年龄和 BMI 的做法。
• 资源分配：通过使用 StartRight 评分或模型概率，医疗系统可以优先为具有高 T1D 验前概率的患者进行胰岛自身抗体检测。这避免了检测低概率患者的成本和后勤负担，同时确保不遗漏高风险患者。
• 指南修订：研究结果表明，当前指南可能过于宽泛（检测了太多低风险患者）或过于狭窄（漏诊了老年/肥胖成人中的 T1D）。新模型提供了一种更细致、数据驱动的方法。
• 未来实施：作者建议将这些模型整合到电子健康记录（EHR）中，作为自动化决策支持工具，以促进实时分类和治疗计划。

局限性：研究依赖部分特征（如体重减轻）的自报数据，且>50 岁年龄队列富集了 T1D 病例，意味着在普通老年人群中的绝对患病率校准需要进一步验证。此外，由于数据不可用，CPRD 分析无法纳入抗体或遗传数据。

结论：
StartRight 研究成功证明，常规临床特征的组合——特别是年龄、BMI、腰臀比、非自愿体重减轻和就诊时血糖——可以准确分类成人发病糖尿病。这些模型的表现优于当前的临床指南和单一生物标志物检测，提供了一种可扩展的解决方案，以减少误诊并优化分类生物标志物的使用。