整合CXCL9、GDF15、FGF21和NfL的评分模型预测2型糖尿病长期死亡率：一项回顾性研究
摘要
背景
2型糖尿病（T2D）是一种与衰老、系统性炎症相关的慢性代谢紊乱疾病，并伴随长期死亡率增加。识别预后生物标志物有助于改善风险分层并指导个性化干预。本研究旨在评估与炎症、代谢压力和器官损伤相关循环生物标志物在T2D患者中的长期预后价值。
方法
本研究对478名T2D患者进行了一项回顾性分析，随访中位时间为16.1年。使用自动免疫分析平台量化十种循环生物标志物（IL-6、IL-10、CD163、CXCL9、CCL22、GDF15、IL-33、FGF21、Follistatin和神经丝轻链[NfL]）。通过Kaplan-Meier生存分析和Cox比例风险模型评估其对全因死亡率的预后意义。通过整合独立死亡率预测因子开发了基于生物标志物的评分模型，并将其预测性能与RECODe方程（一种经验证的糖尿病并发症和死亡率风险模型）进行比较。
结果
已故个体表现出显著更高的IL-6、IL-10、CXCL9、FGF21、NfL和GDF15水平。生物标志物水平与微血管和大血管并发症相关，特别是神经病变、肾病、视网膜病变和主要不良心血管事件（MACE）。在多变量Cox回归分析中，四种生物标志物被确定为死亡率的独立预测因子：CXCL9（每增加1个标准差的风险比[HR] 1.19，95%置信区间[CI] 1.05–1.36，p = 0.006）、GDF15（HR 1.16，95% CI 1.02–1.33，p = 0.032）、NfL（HR 1.25，95% CI 1.09–1.43，p = 0.001）和FGF21（HR 1.20，95% CI 1.04–1.37，p = 0.009）。复合生物标志物评分（范围：4–12）将个体分为不同的风险类别，评分每增加1分，死亡风险增加55%（HR 1.53，95% CI 1.35–1.74，p < 0.001）。在调整临床协变量后，该生物标志物评分仍具独立预测能力，并显著改善了RECODe模型的个体风险分类，如净重新分类改进和区分改进指标所示。
结论
这些发现表明，炎症和代谢压力相关生物标志物可独立预测T2D患者的长期死亡率。基于生物标志物的评分模型增强了风险分层，并提高了现有临床工具（如RECODe方程）的预后性能，可能为靶向临床干预提供信息支持。
引言
2型糖尿病（T2DM）是一种以胰岛素抵抗和胰岛素分泌受损为特征的慢性代谢紊乱，导致高血糖。它带来了巨大的全球健康负担，预计到2030年其患病率将上升至6.43亿，主要受人口老龄化、久坐生活方式和肥胖率增加等因素驱动。T2DM与全因死亡率显著增加相关，主要是由于其并发症，包括心血管疾病、肾衰竭和感染。研究表明，T2DM患者的因心血管相关死亡风险比无糖尿病患者高出两到四倍。此外，来自新兴风险因素合作组织的数据表明，T2DM平均缩短预期寿命约6年。不良血糖控制、较长的病程和合并症进一步加剧了死亡风险。即使在血糖和血脂控制良好的个体中，仍存在显著的剩余死亡风险，可能由慢性炎症、代谢压力和渐进性器官损伤驱动。早期诊断、生活方式改变和最佳医学干预可以显著减少糖尿病相关并发症的负担，并改善全球生存结果。识别T2DM中的早期死亡标记对于制定有效的预防和管理策略至关重要。
伴随衰老的慢性低度炎症状态，即“炎性老化”，在影响总体死亡风险方面发挥着关键作用，无论是在普通人群中还是在T2DM患者中。在循环促炎标志物中，C反应蛋白（CRP）和白细胞介素-6（IL-6）已被广泛研究，并始终与胰岛素抵抗、内皮功能障碍以及心血管事件和死亡风险增加相关。有趣的是，T2DM患者表现出IL-6水平升高，同时其可溶性受体sIL-6R和sgp130水平降低，而后者通常起到缓冲调节IL-6活性的作用。这种失衡可能反映了IL-6信号系统的慢性超载，可能会破坏免疫稳态并放大炎症反应。CRP主要在肝脏中合成，作为对IL-6的反应，反映了系统性炎症和血管损伤。然而，当前的预后工具很少包含反映炎症、代谢压力和早期器官损伤生物负担的生物标志物，尽管它们对T2DM不良结局有已知贡献。迄今为止，尚无经过验证的基于生物标志物的评分来量化这一累积负担并支持长期风险分层。
因此，本研究旨在评估所选经典和新型生物标志物与T2DM患者长期全因死亡率之间的关联，并开发一种复合生物标志物评分以改进个体风险预测。经典生物标志物包括IL-6和IL-10。作为创新生物标志物，我们研究了趋化因子C-C基序趋化配体22（CCL22）和C-X-C基序趋化配体9（CXCL9），以及作为巨噬细胞极化标志物的CD163。此外，我们评估了与压力和代谢功能障碍相关的因素，如生长分化因子15（GDF15）、IL-33、成纤维细胞生长因子21（FGF21），以及新的器官损伤和代谢功能障碍指标，包括卵泡抑素和神经丝轻链（NfL）。这些标志物的选择基于它们在老年个体和糖尿病患者中与炎性老化、心脑代谢应激和神经退行性疾病相关的已知作用。
材料与方法
研究人群
这项回顾性观察研究基于一个先前描述的568名门诊2型糖尿病（T2D）患者队列。患者于2003年5月至2006年11月期间在意大利安科纳IRCCS INRCA医院代谢疾病与糖尿病科招募。在这次调查中，根据生物材料的可用性，共纳入478名受试者（中位年龄：67岁，IQR 61-72）。T2D诊断依据美国糖尿病协会（ADA）指南，要求至少满足以下标准之一：HbA1c ≥ 6.5%，空腹血糖 ≥ 126 mg/dL，口服葡萄糖耐量试验（OGTT）后2小时血糖 ≥ 200 mg/dL，或在明显糖尿病症状的情况下随机血糖 ≥ 200 mg/dL。符合资格的糖尿病参与者需满足额外的纳入标准，包括体重指数（BMI）低于40 kg/m²，年龄范围在40至87岁之间，且具备并愿意提供书面知情同意的能力。该研究获得了IRCCS INRCA医院机构审查委员会的批准（批准号：34/CdB/03）。所有参与者均按照《赫尔辛基宣言》的原则签署了书面知情同意书。
结局与协变量
全因死亡率定义为主要终点，并用于推导个别生物标志物的阈值。全因死亡率通过与国家卫生系统登记处链接验证，并通过官方死亡证明确认。随访数据从入组日期（2003年5月至2006年11月）收集到最终随访日期（2019年12月31日）。具体而言，我们收集了BMI、血糖控制（HbA1c）、肾功能（估算的肾小球滤过率 [eGFR]），以及T2D并发症的发生情况，包括主要不良心血管事件（MACE）。糖尿病视网膜病变通过散瞳眼底检查和/或荧光素血管造影诊断。糖尿病肾病（DKD）的特征是尿白蛋白排泄率超过30 mg/24 h 和/或 eGFR < 60 mL/min/1.73 m²。神经病变通过肌电图诊断。MACE定义为非致命性心肌梗死或脑血管意外。外周动脉疾病，包括闭塞性动脉硬化和脑血管状况，通过患者病史、体检和多普勒速度测定识别。每位参与者根据原始模型中规定的可用临床和实验室数据计算RECODe方程，排除基线时不可用且原出版物中为可选项的尿白蛋白与肌酐比值（UACR）成分。结局事件根据无此类病症史的T2D相关并发症的发展、全因死亡率和MACE及全因死亡率的综合终点进行评估。
生物标志物
所有参与者的空腹血样经处理提取血清并随后保存在-80°C。所有测试分析物均使用ELLA（ProteinSimple, Bio-Techne, Minneapolis, MN, USA）平台进行分析，这是一种基于微流体技术的平台，可以执行自动化酶联免疫测定。分析物的检测范围分别为：IL-6（0.28-2652 pg/mL，检测下限[LoD] 0.11 pg/mL）、IL-33（0.75-1140 pg/mL，LoD 0.452 pg/mL）、IL-10（0.38-1446 pg/mL，LoD 0.17 pg/mL）、CXCL9（19.9-30,400 pg/mL，LoD 3.8 pg/mL）、NfL（2.7-10,290 pg/mL，LoD 1.09 pg/mL）、FGF21（8.93-5450 pg/mL，LoD 3.74 pg/mL）、CCL22（0.68-2600 pg/mL，LoD 0.32 pg/mL）、GDF15（0.52-2000 pg/mL，LoD 0.21 pg/mL）、卵泡抑素（2.77-26,410 pg/mL，LoD 0.6 pg/mL）和CD163（19.8-12,088 pg/mL，LoD 3.23 pg/mL）。所有样品均重复三次运行，仅纳入试验内变异系数低于10%的样品。制造商提供的测试分析物的试验间变异系数范围为3%至8%，并通过不同板上的质量控制样品予以确认。
统计分析
连续变量根据分布情况表示为均值加减标准差（SD）或中位数加减四分位距（IQR），分布情况通过Shapiro-Wilk检验评估。低于定量限（LoQ）的生物标志物浓度被替换为LoQ除以根号2。使用Mann-Whitney U检验和Kruskal-Wallis检验进行血清心脏生物标志物的组间比较，必要时进行Dunn事后分析。使用卡方（χ²）检验分析分类变量。应用Spearman相关系数评估连续变量之间的相关性。开发多元ANCOVA模型以探索与T2D并发症相关的因素，将生物标志物浓度作为因变量，T2D并发症作为因素，并调整年龄、性别和HbA1c。使用反向Kaplan-Meier法估计中位随访时间，以考虑删失问题。通过Kaplan-Meier生存分析和Cox比例风险模型评估生物标志物水平与随访结果之间的关系，调整性别、年龄、吸烟状况、高血压、T2D持续时间、BMI、HbA1c、血脂、eGFR和高敏C反应蛋白（hs-CRP），95%置信区间。在纳入回归模型之前，所有生物标志物值均标准化为z分数（均值=0，SD=1），以便比较效应大小。使用Schoenfeld残差检验所有Cox模型的比例风险假设，未发现显著违反。采用逻辑回归评估与MACE相关终点的关联，因为精确事件日期并不总是可行。使用Evaluate Cutpoints R包确定预测T2D患者死亡率的最佳生物标志物阈值。基于这些阈值，生物标志物被分为低、中和高三类。每个生物标志物水平分配1到3的得分（1=低，2=中，3=高），三个生物标志物的综合得分为4到12。为了评估辨别性能，使用timeROC R包计算10年的时间依赖性AUC，该包实现了逆概率删失加权（IPCW）方法。使用同一包中的compare()函数进行不同Cox模型的AUC比较。为了评估生物标志物评分的附加预后价值，使用survIDINRI包计算了综合判别改进（IDI）、连续净重分类改进（NRI）和相对IDI。应用IDI.INF()函数比较嵌套模型，使用从各自Cox回归中提取的线性预测器。置信区间和p值来源于影响函数推断。显著性阈值为p<0.05。所有统计分析均使用R（版本4.1）、Jamovi（版本2.3.1）和SPSS 26.0 for Windows（SPSS Inc., Chicago, IL, USA）进行。
结果
研究人群的基线特征和结局
本研究共纳入478例T2D患者。表1显示了根据生存状态划分的基线人体测量学、人口统计学、生化和代谢特征。基于16.1年的中位随访期（IQR 13.0-16.2），我们将人群分为存活组和死亡组。使用反向Kaplan-Meier估计器估计随访时间，将事件视为删失观察值，中位随访时间为11.6年（IQR 7.1-14.1）。在478名受试者中，173名患者死亡（36.8%）。死者较幸存者年长（中位年龄：70 vs. 65，p<0.001），并且两组在与肾功能相关的变量上存在显著差异。此外，死亡组的并发症发生率较高（见表1）。具有可用生物标志物值的参与者总随访时间约为79,070人月（相当于6,590人年）。
表1 T2D患者的基础生化和人口统计学特征
六种评估生物标志物的中位血清浓度在死者中显著更高（IL10，2.04 (1.52–2.65) vs. 2.82 (1.81–3.05) pg/mL，p<0.001；IL6，2.83 (1.96–4.05) vs. 3.78 (2.54–5.46) pg/mL，p<0.001；CXCL9，561 (418–720) vs. 742 (580–1011) pg/mL，p<0.001；NfL，21.20 (15.8–29.7) vs. 29.2 (19.7–43.3) pg/mL，p<0.001；GDF15 2549 (1605–5008) vs 3059 (1900–6700) pg/mL，p=0.015）（图1）。
图1
展示T2D幸存者与死者之间生物标志物显著差异的小提琴图。数据显示中位数（红色）和四分位距。Mann–Whitney U检验的P值。，p<0.05；***，p<0.0001
全尺寸图像
分析了所测分析物水平与糖尿病微观和宏观血管并发症的关系，包括神经病变、肾病、视网膜病变、外周血管疾病（PVD）和MACE。经年龄、性别和HbA1c校正的ANCOVA分析显示，NfL与神经病变（p<0.001）、肾病（p=0.006）、视网膜病变（p<0.001）和PVD（p=0.003）显著相关。GDF15与肾病（p=0.011）和PVD（p=0.035）相关，而FGF21与肾病显著相关（p<0.001）。此外，IL-6与MACE显著相关（p<0.001）。
进行了相关性分析以评估炎症生物标志物与T2D患者的关键临床变量（包括年龄、hs-CRP、HbA1c和eGFR）之间的关系（补充表1）。CXCL9、NfL、IL-6和GDF15均与年龄呈正相关（所有p<0.001），支持它们作为炎性老化生物标志物的作用。IL-6与hs-CRP（ρ=0.452，p<0.001）和HbA1c（ρ=0.126，p=0.006）呈显著正相关，并与eGFR呈负相关（ρ=-0.173，p<0.001）。GDF15与HbA1c（ρ=0.181，p<0.001）和hs-CRP（ρ=0.153，p<0.001）呈正相关，与eGFR呈负相关（ρ=-0.262，p<0.001）。NfL和CXCL9均与eGFR呈显著负相关（ρ=-0.332 和 ρ=-0.309，分别；两者p<0.001），而CXCL9也与hs-CRP呈正相关（ρ=0.139，p=0.002）。IL-10与HbA1c（ρ=0.151，p<0.001）和hs-CRP（ρ=0.198，p<0.001）呈正相关。CCL22与eGFR呈负相关（ρ=-0.160，p<0.001），与hs-CRP呈正相关（ρ=0.105，p=0.022）。这些发现表明，NfL和GDF15随年龄增长的增加，以及炎症细胞因子的升高，反映了炎性老化在T2D中的影响，支持它们作为年龄相关炎症和代谢衰退潜在生物标志物的作用。
NfL、GDF15、FGF21和CXCL9在预测长期死亡率方面的预后价值
将所测生物标志物单独或组合的16.1年死亡预测价值与包含关键临床和生化因素（性别、年龄、吸烟状态、T2D病程、BMI、HbA1c、LDL-C、eGFR和hs-CRP）的参考模型进行了比较。一名患者失访，因此生存分析基于477名患者。表2展示了标准化为z分数的所有十个变量的Cox比例风险分析及其95%置信区间，允许直接比较效应大小。相同分析使用生物标志物的原始连续单位报告在补充表2中。在多变量分析中，CXCL9、GDF15、NfL和FGF21具有统计学显著性。IL-6和IL-10在完全调整模型中没有保留统计显著性。鉴于IL-6对CRP的上游调控作用，我们排除hs-CRP后重复了分析；然而，IL-6仍然与死亡率无显著关联（HR 1.06，95% CI 0.97–1.18；p=0.17）。
表2 单变量和多变量Cox回归分析评估循环生物标志物作为全因死亡率预测因子的效果。危害比按生物标志物水平每增加1个标准差（z分数）报告
全尺寸表格
然后，我们将Cox分析中发现显著的四个分子分为三组（即低、中、高）。针对T2D患者的临界值，计算得出以最大化生存预测组间差异如下：CXCL9低，<517 pg/mL 和 高，≥770 pg/mL；NfL低，<27.2 pg/mL，高，≥64.9 pg/mL；GDF15低，<1132 pg/mL；高，≥22406 pg/mL；FGF21低，<164 pg/mL 和 高，≥881 pg/mL（图2）。Cox分析证实分类变量保留了其预测价值（补充表3）。
图2
Kaplan–Meier生存估计值针对A CXCL9，B NfL，C GDF15，D FGF21
全尺寸图像
为了提高这四个生物标志物的预测准确性，我们根据其水平（1=低，2=中，3=高）使用预定义的临界值为每个生物标志物分配了一个分数。然后通过将各个分数相加计算总生物标志物评分，范围为4到12。较高的评分与全因死亡率显著增加相关（每增加1分：HR 1.53，95% CI 1.35–1.74，p<0.001），独立于性别、年龄、HbA1c、BMI、LDL、hs-CRP、高血压和吸烟状态。Kaplan-Meier分析使用分类风险评分（低风险<7，高风险≥10），进一步证实了这种关联（图3A）。
图3
A 从GDF15、CXCL9、FGF21和NfL衍生的复合评分的Kaplan-Meier生存估计值。B 比较每个单个生物标志物（CXCL9、GDF15、FGF21、NfL）和复合评分在整个随访期间的时间依赖性AUC曲线。C 使用不包含时间到事件信息的logistic回归模型评估生物标志物评分作为复合结果MACE或死亡预测因子的ROC曲线。
全尺寸图像
为了评估基于生物标志物评分的预测性能的时间稳定性，我们生成了时间依赖性ROC曲线，将复合评分与其各个组成部分（CXCL9、GDF15、FGF21和NfL）进行比较。如图3B所示，在16.1年的随访期间，复合评分的AUC始终高于各个单独生物标志物的AUC，大约在第10年达到最高的辨别性能。
为了评估生物标志物评分是否超出既定临床模型增加了预测价值，我们将经典RECODe方程与包含总生物标志物评分（范围4到12，作为连续变量输入）的增强生物标志物模型进行了比较，以预测10年全因死亡率。单独使用RECODe模型的10年时间依赖性AUC为0.744（95% CI 0.684–0.804），而结合RECODe加生物标志物评分的模型AUC为0.769（95% CI 0.709–0.829）。虽然组合模型的绝对AUC更高，但两种模型之间的差异并不具有统计学显著性（p=0.56）。然而，集成判别改进（IDI）和连续净重分类改进（NRI）分析均显示出生物标志物评分的显著附加价值。IDI为0.097（95% CI 0.052–0.151，p<0.0001），连续NRI为0.400（95% CI 0.269–0.494，p<0.0001），表明组合模型更准确地为经历事件的个体分配了更高的预测风险，为未经历事件的个体分配了更低的风险。此外，生物标志物增强模型的中位相对改进为0.075（95% CI 0.048–0.191，p<0.0001）。该指标量化了通过将生物标志物评分添加到RECODe模型中实现的病例与非病例之间分离的相对增益。这些发现表明，虽然通过AUC评估的整体辨别能力相似，但包含生物标志物评分显著增强了风险分层和超越经典RECODe方程的个体水平预测性能。
组合评分还根据无MACE病史的T2D患者的全因死亡率或MACE复合终点进行评估。二元逻辑回归分析调整了性别、年龄、吸烟状况、高血压、病程、BMI、HbA1c、LDL、eGFR和hs-CRP，结果显示较高评分与全因死亡率或MACE的增加几率相关（每增加1分：OR 1.322，95% CI 1.111–1.574，p=0.002，补充表4）。此外，该模型的ROC曲线显示出73.6%的敏感性和61.1%的特异性，曲线下面积（AUC）为0.735（图3C）。
未发现任何单一生物标志物或其组合评分与除MACE以外的特定T2D并发症风险存在显著关联（数据未显示）。
讨论
2型糖尿病（T2D）是一种与衰老密切相关并导致长期死亡率增加的慢性炎症性疾病。在这项针对T2D患者的回顾性研究中，我们确定了一种由四种循环蛋白（CXCL9、NfL、GDF15和FGF21）组成的复合生物标志物评分，这些蛋白反映了不同的生物学通路，包括炎症、神经元损伤、应激信号和代谢功能障碍。该评分与长期全因死亡率强且独立相关，并在调整既定临床风险因素后仍保持预测能力。此外，该评分与全因死亡率和MACE的复合终点相关。
近年来，大量努力致力于识别能够预测不良结局（包括死亡率）的易于获取的循环生物标志物。已经鉴定出几种新的循环分子，包括代谢物、血细胞计数参数和其他炎症分子，所有这些都可能提供有价值的预后见解。然而，很少有研究探讨在T2D患者中预测长期死亡率（>15年）的生物标志物。我们团队之前的研究已建立了几个生物标志物（包括可溶性ST2、心肌肌钙蛋白、晚期糖基化终产物[AGEs]、AGEs受体[RAGE]和白细胞DNA甲基化）与T2D患者死亡风险增加之间的关联。这些发现补充了现有的风险评估模型，如ENFORCE和RECODe，这些模型分别基于传统的临床和实验室参数（包括脂质谱、白蛋白与肌酐比值[ACR]、血压和治疗方案）预测6年和10年的全因死亡率。
在本研究中，我们观察到死亡患者基线水平的IL6、IL10、CXCL9、FGF21、NfL和GDF15显著高于幸存者。此外，我们证明CXCL9、NfL、FGF21和GDF15即使在调整常规临床预测因子如性别、年龄和HbA1c后仍能独立预测全因死亡率。这些结果与越来越多的证据一致，表明炎症独立于传统风险因素促进不良的心脏代谢结局。最近的研究表明，免疫-代谢-血管相互作用和先天免疫激活在遗传易感个体或LDL-C控制最佳的个体中也起着中心作用，促进动脉粥样硬化负担。这些发现突显了解决残留炎症风险的重要性，支持将炎症生物标志物整合到风险预测模型中。
在测试的生物标志物中，GDF15是一种应激诱导的细胞因子，由于其在应对细胞应激、衰老和二甲双胍给药时上调，已在与年龄相关的疾病（ARDs）和T2D中得到了广泛研究。靶向GDF15已成为肥胖和T2D潜在的治疗策略。T2D患者体内升高的内源性GDF15水平可能是恢复葡萄糖稳态的代偿反应；然而，这种反应似乎不足以对抗代谢功能障碍。只有超生理剂量的外源性GDF15在肥胖诱导的T2D动物模型中显示出代谢改善效果。GDF15以前已被验证为T2D短期死亡率的预后标志物，并且我们的研究结果证实其作为长期死亡率可靠预测因子的可靠性。
FGF21作为一种应激诱导的激素，在调节能量平衡、葡萄糖稳态和脂质代谢方面起着至关重要的作用。FGF21类似物已被证明可以改善肥胖和T2D患者的血脂异常并提高脂联素水平，尽管其对血糖控制的影响有限。先前的研究表明，升高的循环FGF21水平可以预测T2D的发展，并与老年人群的全因死亡风险增加相关，甚至超出T2D的范围。
截至目前，针对糖尿病患者循环CXCL9水平的研究有限，且没有探索其对死亡率的预后价值。CXCL9是一种趋化因子，在调节效应细胞募集到炎症部位方面起重要作用。最强有力的证据将CXCL9与ARDs联系起来，主要集中在骨骼肌功能方面，其中它已被确定为老年人跌倒和骨折风险增加的关键预测因子，表明其与偶发性虚弱可能存在关联。值得注意的是，最近的一项研究发现CXCL9与名义上健康个体的心血管老化有关。我们的研究结果揭示了CXCL9水平与衰老之间的正相关，强调了进一步研究其在糖尿病中的作用及其在ARDs和死亡风险分层中的更广泛影响的必要性。
NfL是一种在神经退行性疾病诊断中越来越常用的生物标志物，也被牵涉到糖尿病神经病变以外的状况中。近期研究建议其涉及不良血糖控制、糖尿病肾病和认知能力下降。此外，NfL也被研究作为死亡率的潜在预测因子，包括老年COVID-19患者。最近基于NHANES数据的一项纵向研究还报告称，T2D患者血清NfL水平升高与全因死亡率和心血管死亡率增加相关，与我们的研究结果一致。NfL和CXCL9均与炎性老化相关；然而，它们在ARDs、T2D和死亡风险预测中的作用仍未得到充分理解，需要进一步研究。
由于所研究的每种生物标志物反映了T2D进展和相关器官损害的不同病理生理途径，我们开发了一个从4到12的复合生物标志物评分，以加强死亡风险分层。该评分与全因死亡率显著且独立相关，即使在调整关键临床风险因素如年龄、性别、病程、高血压、吸烟状况、HbA1c、BMI、LDL-C和hs-CRP之后依然如此。此外，该生物标志物评分的预测效用扩展到了包括全因死亡率和MACE的复合终点，突显了其作为T2D风险评估临床相关工具的潜力。
为了进一步评估其附加的预后价值，我们将基于生物标志物的模型与RECODe方程进行了比较，后者是一个经过验证的糖尿病相关并发症风险工具。虽然10年的AUC没有统计学差异，但生物标志物评分在集成判别改进（IDI）和连续净重分类改进（NRI）方面均显示出统计学显著的改进，表明个体层面风险分类的增强。这些发现表明，生物标志物评分提供了传统临床变量无法捕捉的互补预测信息。
尽管我们的研究没有评估治疗效果，但生物标志物评分可能有助于识别高风险个体，这些个体可能受益于更密切的监测或早期启动心脏保护疗法。特别是GLP-1受体激动剂和SGLT2抑制剂，目前的指南推荐给心血管或肾脏风险升高的患者，鉴于它们的抗炎和器官保护特性，可能特别相关。未来的研究应调查基于生物标志物的方法是否可以为T2D患者提供个性化的治疗策略。
优势和局限性
本研究有一些需要考虑的局限性。尽管我们的研究结果很有前景，但该评分是在单中心回顾性研究中开发和测试的，用于定义低、中、高风险的生物标志物阈值是从相同数据集中得出的。这种方法可能导致过度拟合并限制普遍性。为了确认评分的稳健性和临床实用性，有必要在独立的外部队列中进行验证，最好是前瞻性设置。这样的验证将有助于评估其可重复性、优化临界值，并支持其在常规实践中风险分层框架中的潜在整合。另一个局限性是我们缺乏关于社会经济地位和饮食、体力活动等生活方式因素的数据，这可能引入了残余混杂因素。然而，主要优势包括样本人群特征明确和长期死亡率数据的可用性。生物标志物量化使用高度敏感和标准化的多重免疫测定法进行，需要最少的血清体积，同时能够精确、高通量地测量多个生物标志物。这种方法增强了灵敏度和可重复性，使其在样本量有限的临床和研究环境中特别有利。此外，我们的研究结果表明潜在的T2D相关终末器官损伤的早期指标，这种情况往往在诊断不足，通常仅在晚期通过传统诊断方法检测到。
结论
与标准诊断测试不同，这些生物标志物可能在显著组织损伤发生之前实现早期风险评估，从而允许及时干预和改善疾病管理。尽管目前该生物标志物评分在临床常规使用的可行性可能受到检测手段可用性的限制，但随着自动化免疫测定法的普及，其实施在未来可能变得可行。需要进一步研究以确定它们在指导T2D患者治疗策略中的潜在临床应用价值。
(全文结束)
