空腹血糖受损(impaired fasting glucose，IFG) 是处于血糖正常和糖尿病之间的糖代谢异常状态，和糖耐量减低统称为糖尿病前期 ^[1]。国内1项10 449例非糖尿病人群的调查^[2]显示，IFG患病率为5.22% (545/10 449)，标化患病率为5.82%。研究^[3-4]显示，IFG是糖尿病发病的独立危险因素；与血糖正常者比较，IFG患者更易发生肾脏疾病、心脑血管疾病等并发症。同时，IFG无明显临床症状，很容易被个体忽视，从而发展为糖尿病，因此IFG患者是发生糖尿病的高危人群。樊建玲等^[5]研究显示，IFG患者糖尿病年转化率为4.7%。有研究^[6-8]表明，尽早识别IFG，改善患者生活方式，可有效预防或推迟糖尿病的发生。

近年来，预测模型在疾病发生风险预测中发挥着越来越重要的作用^[9]。相对于单个指标，预测模型可以对个体的危险因素进行综合评估，从而预测个体未来发生疾病的风险概率^[10]。列线图作为一种疾病风险预测工具，能通过整合疾病危险因素对所预测疾病的发生概率进行可视化呈现，便于临床应用^[11]。因此，本研究构建基于列线图的IFG发生风险预测模型，旨在为筛选出IFG高危人群并尽早干预提供依据。

1 材料与方法 1.1 研究对象

收集2022年8月至12月在沈阳市某医院体检门诊进行常规体检者的临床资料。纳入标准：(1) 符合《中国2型糖尿病防治指南》 ^[1] IFG [空腹血糖(fasting blood glucose，FPG) ≥6.1~ < 7.0 mmol/L]和正常血糖(FPG≥3.9~6.1 mmol/L) 界定标准；(2) 年龄≥18周岁。排除标准：(1) 服用降糖药或确诊为糖尿病；(2) 体检数据缺失。共纳入3 037例，其中男1 698例(55.9%)，女1 339例(44.1%)；2 880例未发生IFG (非IFG组)，157例发生IFG (IFG组)。本研究获得沈阳医学院伦理委员会批准(编号SYMC-20201126-01)。

1.2 研究方法

查阅并记录一般人口学资料(年龄、性别、既往疾病史)、人体测量指标[身高、体重、血压、脉搏、体重指数(body mass index，BMI)]和实验室指标[血清总胆固醇(total cholesterol，TC)、甘油三酯(triglyceride，TG)、高密度脂蛋白胆固醇(high-density lipoprotein cholesterol，HDL-C)、低密度脂蛋白胆固醇(low-density lipoprotein cholesterol，LDL-C)、尿酸(uric acid，UA)、肌酐(creatinine，Cr)、尿素和FPG]。BMI分类标准^[12]：BMI < 18.5 kg/m²为体重较低，18.5~ < 24.0 kg/m²为体重正常，24.0~ < 28.0 kg/m²为超重，≥28.0 kg/m2为肥胖。血压≥140/90 mmHg和(或) 2周内服用降压药为高血压患者^[13]。血脂各项指标判定标准^[14]：TC < 5.18 mmol/L为正常，TG < 1.70 mmol/L为正常，HDL-C≥1.04 mmol/L为正常，LDL-C < 3.37 mmol/L为正常。

1.3 统计学分析

应用SPSS 24.0软件进行数据处理。符合正态分布的计量资料采用x±s表示，2组比较采用独立样本t检验；计数资料采用率(%) 表示，组间比较采用χ²检验。采用R4.2.1软件包和rms程序包进行Lasso回归分析筛选预测因素及构建IFG发病风险列线图预测模型。绘制受试者操作特征(receiver operator chara-

cteristic，ROC) 曲线评估列线图模型区分度，计算Hosmer-Lemeshow拟合优度来评估模型校准度，采用bootstrap自抽样对模型进行内部验证。P < 0.05为差异有统计学意义。

2 结果 2.1 2组各项指标比较

结果显示，2组性别，年龄、BMI、收缩压(systolic blood pressure，SBP)、舒张压(diastolic blood pressure，DBP)、TC、TG、HDL-C、LDL-C、尿素水平以及是否患有高血压比较差异均有统计学意义(均P < 0.05)，见表 1。

2.2 Lasso回归筛选变量

单因素分析中有统计学意义变量存在共线性问题，因此采用Lasso回归分析对变量进行降维处理，从基线数据的11个变量中筛选出了5个与结局有关的变量，随着惩罚系数(λ) 增大，纳入模型的变量逐渐减少，最终选择10折交叉验证计算的最小λ值为最优参数，此时筛选出的变量为年龄、SBP、BMI、TG以及高血压，见图 1。

2.3 构建IFG预测模型

将Lasso回归分析获得的变量作为自变量，以是否发生IFG作为因变量进行二分类logistic回归分析。结果显示，年龄、BMI、SBP、TG、高血压是发生IFG的危险因素(均P < 0.05)，见表 2。将以上危险因素纳入预测模型中，结局变量为是否发生IFG绘制列线图，根据列线图每个风险因素的赋值情况可得到该因素的单项评分，各个单项评分之和对应个体发生IFG的概率。结果显示，总评分越高，IFG发生概率越大。见图 2。

2.4 预测模型的验证

ROC曲线分析结果显示，训练组的AUC为0.722 (95%CI：0.68~0.77)，见图 3。验证组的AUC为0.907 (95%CI：0.87~0.94)，见图 4。结果表明，预测模型在2组样本中的预测区分度均良好。Hosmer-Lemeshow拟合优度检验结果表明训练组和验证组模型比较差异无统计学意义(P > 0.05)，即实际概率与模型的预测概率基本一致，模型校准度较好。

3 讨论

本研究logistic回归分析结果显示，年龄、BMI、SBP、TG和患有高血压是IFG发生的危险因素。年龄越大，个体发生IFG的概率越大，与王建新等和SADEGHI等^[15-16]研究结果一致。张鑫等^[17]以中国慢性病及其危险因素监测调查数据库中5 518例为对象的研究结果显示，年龄≥50岁时IFG发病风险增加31%。原因可能是年龄增加导致胰岛功能减退，胰岛素分泌减少，血糖水平升高^[18]。

本研究结果显示BMI与IFG发生相关，王钰麒等^[19]研究结果显示，随着BMI增加，IFG发生风险升高，超重和肥胖者IFG发生风险分别增加18%、35%。NAGAYA等^[20]研究表明，BMI每增加1 kg/m²可使IFG发生风险增加约25%，其作用机制是超重或肥胖增加胰岛素抵抗，且体内过多的脂肪细胞通过释放游离脂肪酸，降低了周围组织对葡萄糖的摄取，导致血糖升高^[21]。因此，控制好体重对预防FPG上升至关重要^[22]。

本研究结果显示，TG与IFG的发生有关，BESHARA等^[23]发现TG每增加10 mg/mL，罹患IFG的风险增加2%。此外，我国动脉粥样硬化研究^[24]显示，调整多因素变量后，TG升高组(TG≥150 mg/dL) 发生IFG是TG正常组的1.19倍(1.04~1.37)。魏姝^[25]研究显示，与TG正常组相比，TG升高组可显著增加IFG的发病风险(HR=1.539，95%CI：1.057~ 2.243)。

本研究结果显示，SBP与IFG的发生密切相关，与雷蓉等^[26]研究结果一致，高血压是IFG发生的危险因素，郎博等^[27]研究发现，血压升高与胰岛素抵抗有关，血压越高胰岛素抵抗越严重，进而导致血糖上升；且随着高血压病程的延长，IFG的发生率呈上升趋势^[28]。

列线图已广泛应用于慢性病学、肿瘤学及其他学科的风险预测研究^[29-31]。基于列线图的预测模型具有准确性高，简单易懂，实用性强等特点。本研究利用Lasso回归分析减少了各因素间存在的多重共线性问题，进一步提高了模型预测的准确性。预测模型ROC曲线分析结果显示，训练组的AUC为0.722 (95%CI：0.68~0.77)，验证组的AUC为0.907 (95%CI：0.87~0.94)，说明模型预测能力较强。另外，Hosmer-Lemeshow拟合优度检验结果显示，训练组与验证组比较差异无统计学意义(P > 0.05)，提示模型校准度较好。

综上所述，年龄、BMI、SBP、TG和高血压是IFG发生的危险因素。本研究成功构建了IFG发生风险的预测模型。临床上利用此预测模型可尽早鉴别IFG高危人群，以便尽早制定个体化的干预措施，降低IFG发病率。本研究的局限性：(1) 本研究为回顾性研究，不能得出因果结论，还需进行外部验证；(2) 纳入对象仅为体检人群，可能存在偏倚，需扩大样本量来进一步论证。