Cardiovascular Diabetology Band 21, Artikelnummer: 182 (2022 ) Diesen Artikel zitierenMenschen mit intermediärer Hyperglykämie (IH), einschließlich eingeschränkter Nüchternglukose und/oder eingeschränkter Glukosetoleranz, haben ein höheres Risiko, Typ-2-Diabetes (T2D) zu entwickeln als Menschen mit Normoglykämie.Unser Ziel war es, die Leistung von veröffentlichten T2D-Risikovorhersagemodellen bei Chinesen mit IH zu bewerten, um sie über die Wahl von Maßnahmen zur primären Diabetesprävention zu informieren.Es wurde eine systematische Literaturrecherche durchgeführt, um aus Asien stammende T2D-Risikovorhersagemodelle zu identifizieren, die geeignet waren, wenn sie auf einer prospektiven Kohorte asiatischer Erwachsener ohne Diabetes zu Studienbeginn aufgebaut waren und routinemäßig verfügbare Variablen zur Vorhersage des zukünftigen T2D-Risikos verwendeten.Diese aus Asien stammenden und fünf vordefinierten nicht aus Asien stammenden T2D-Risikovorhersagemodelle wurden in BASIC-Versionen (nur klinische Variablen) und EXTENDED-Versionen (plus Laborvariablen) unterteilt, wobei eine Validierung an ihnen in drei prospektiven chinesischen IH-Kohorten durchgeführt wurde: ACE (n = 3241 ), Luzhou (n = 1333) und TCLSIH (n = 1702).Die Modellleistung wurde in Bezug auf Diskrimination (C-Statistik) und Kalibrierung (Hosmer-Lemeshow-Test) bewertet.Vierundvierzig asiatische und fünf nicht-asiatische Studien mit 21 BASIC- und 46 EXTENDED-T2D-Risikovorhersagemodellen zur Validierung wurden identifiziert.Die Mehrheit hatte ein hohes (n = 43, 87,8 %) oder unklares (n = 3, 6,1 %) Bias-Risiko, während nur drei Studien (6,1 %) mit einem niedrigen Bias-Risiko bewertet wurden.Die BASIC-Modelle zeigten eine geringe bis mäßige Diskriminierung mit C-Statistiken von 0,52–0,60, 0,50–0,59 und 0,50–0,64 in den ACE-, Luzhou- bzw. TCLSIH-Kohorten.ERWEITERTE Modelle zeigten eine schlechte bis akzeptable Diskriminierung mit C-Statistiken von 0,54–0,73, 0,52–0,67 bzw. 0,59–0,78.Fünfzehn BASIC- und 40 EXTENDED-Modelle zeigten eine schlechte Kalibrierung (P < 0,05) und überschätzten oder unterschätzten das beobachtete Diabetesrisiko.Die meisten neu kalibrierten Modelle zeigten eine verbesserte Kalibrierung, aber ein geringfügig bis stark überschätztes Diabetesrisiko in den drei Kohorten.Das NAVIGATOR-Modell zeigte die beste Diskrimination in den drei Kohorten, hatte aber eine schlechte Kalibrierung (P < 0,05).Bei Chinesen mit IH zeigten zuvor veröffentlichte BASIC-Modelle zur Vorhersage von T2D keine gute Unterscheidung oder Kalibrierung.Mehrere EXTENDED-Modelle schnitten besser ab, aber ein robustes chinesisches T2D-Risikovorhersagetool bei Menschen mit IH bleibt ein großer unerfüllter Bedarf.Menschen mit intermediärer Hyperglykämie (IH), einschließlich eingeschränkter Nüchternglukose (IFG) und/oder eingeschränkter Glukosetoleranz (IGT), haben ein höheres Risiko, Typ-2-Diabetes (T2D) zu entwickeln als Menschen mit Normoglykämie [1, 2].Allerdings handelt es sich bei dieser Population um eine heterogene Gruppe mit unterschiedlichen Diabetesinzidenzraten [2, 3].Eine individualisierte Risikoeinschätzung für T2D ist wichtig, um die Entscheidungsfindung zu unterstützen, wenn Maßnahmen zur Primärprävention von T2D in Betracht gezogen werden.Die Prävention von Diabetes ist eine besondere Herausforderung in China, das die weltweit größte Bevölkerung mit IH hat [4].Obwohl mehrere T2D-Risikovorhersagemodelle existieren, gibt es leider kein validiertes Instrument zur Vorhersage des T2D-Risikos für Chinesen mit IH.Die Risikostratifizierungspolitik in China, die derzeit empfohlen wird, um primäre Präventionsmaßnahmen in der IH-Population zu leiten, basiert auf einer „einfachen“ Strategie (im Folgenden als „chinesische IH-Risikostratifizierung“ bezeichnet) und nicht auf der Quantifizierung ihres absoluten Risikos [5].Personen mit hohem Risiko sind Personen mit kombiniertem IFG und IGT oder Personen mit isoliertem IFG oder isoliertem IGT, die jedoch mindestens einen bestimmten Risikofaktor aufweisen (d. h. Übergewicht oder Adipositas, familiäre Vorgeschichte von Diabetes, Schwangerschaftsdiabetes, Dyslipidämie, Bluthochdruck, Herz-Kreislauf-Erkrankungen, nicht-alkoholische Fettleber oder polyzystisches Ovarialsyndrom), während solche mit isoliertem IFG oder isoliertem IGT und ohne diese spezifizierten Risikofaktoren als geringes Risiko eingestuft werden.Wir versuchten, ein wirksames T2D-Risikoabschätzungstool für Menschen mit IH zu identifizieren, indem wir eine externe Validierungsstudie durchführten, um die Leistung bestehender Risikovorhersagemodelle unter Verwendung von drei unabhängigen potenziellen chinesischen IH-Kohorten zu bewerten.Unser Hauptaugenmerk lag auf der Untersuchung asiatisch abgeleiteter Vorhersagemodelle angesichts der Unterschiede in asiatischen und nicht-asiatischen Bevölkerungsmerkmalen, aber wir haben auch mehrere allgemein anerkannte und/und weit verbreitete nicht-asiatische abgeleitete Vorhersagemodelle zum Vergleich einbezogen.In MEDLINE und EMBASE wurde eine systematische Literaturrecherche durchgeführt, um aus Asien stammende T2D-Risikovorhersagemodellstudien zu identifizieren, die bis Februar 2022 veröffentlicht wurden (die Literatursuchstrategie ist in Zusatzdatei 1: Ergänzender Text zusammengefasst).Die Begutachtung erfolgte gemäß der PRISMA-Leitlinie durch zwei unabhängige Gutachter (SX und QX, Checkliste in Zusatzdatei 1: Tabelle S1) [6].Der Prozess der Definition der Überprüfungsfrage, der Studienauswahlkriterien und der Datenextraktion wurde gemäß den geltenden Leitlinien einer Checkliste für die kritische Bewertung und Datenextraktion für die systemische Überprüfung von Vorhersagemodellierungsstudien (CHARMS) [7] durchgeführt.Die wichtigsten Einschlusskriterien für Vorhersagemodellstudien umfassten: (1) Prognosemodell zur Vorhersage des zukünftigen T2D-Risikos;(2) Modellentwicklung basierte auf einer prospektiven Kohorte;(3) Die abgeleiteten Populationen (dh die Population für die Modellentwicklung) waren asiatische Erwachsene ohne Diabetes zu Studienbeginn;(4) Prädiktoren waren routinemäßig verfügbare klinische Variablen.Die detaillierten Ein- und Ausschlusskriterien sind in Zusatzdatei 1: Tabelle S2 aufgeführt.Das San-Antonio-Modell [8], das finnische Diabetes-Risikomodell (FINDRISC) [9], das Atherosclerosis Risk in Communities-Modell [10] und das Framingham-Diabetes-Risikomodell [11] wurden zur Validierung einbezogen, da sie derzeit gut anerkannt und/oder weit verbreitet sind -Verwendung von Modellen zur Vorhersage des Diabetes-Risikos, die nicht aus Asien stammen.Das STOP-NIDDM-Modell wurde ebenfalls aufgenommen, da es für Menschen mit IH entwickelt wurde [12].Diese vordefinierten Modelle erfüllten alle Kriterien, die in Zusatzdatei 1: Tabelle S2 aufgeführt sind, außer dass sie von nicht-asiatischen Erwachsenen abgeleitet wurden.Die asiatischen und nicht-asiatischen abgeleiteten T2D-Risikovorhersagemodelle wurden in BASIC-Modelle (nur nicht-invasive Variablen) und EXTENDED-Modelle (plus Laborvariablen) unterteilt.Wenn es in einer Studie mehrere BASIC- oder EXTENDED-Modelle gab, wurde das Modell mit der besten berichteten Leistung für diese Validierungsstudie verwendet.Wir bewerteten das Bias-Risiko der eingeschlossenen Vorhersagemodellstudien gemäß den Kurzformrichtlinien des Prediction Study Risk of Bias Assessment Tool (PROBAST) [13].Dies wurde unabhängig voneinander von zwei Forschern (SX und QX) durchgeführt.Meinungsverschiedenheiten wurden durch Gespräche mit einem dritten Forscher beigelegt.Die Acarbose Cardiovascular Evaluation (ACE) war eine randomisierte, doppelblinde, placebokontrollierte, ereignisgesteuerte Phase-IV-Überlegenheitsstudie, die in 176 Ambulanzen in China durchgeführt wurde [14].Geeignete Teilnehmer waren mindestens 50 Jahre alt und hatten eine nachgewiesene koronare Herzkrankheit und IGT (bestätigt durch einen oralen 75-g-Glukosetoleranztest [OGTT]).Zwischen März 2009 und Oktober 2015 wurden 6522 in Frage kommende Patienten randomisiert zu Acarbose 50 mg TID oder entsprechendem Placebo zugeteilt und bis April 2017 nachbeobachtet.Die Luzhou-Kohorte war eine prospektive gemeindebasierte Kohortenstudie, die eine mehrstufige Cluster-Zufallsstichprobenstrategie verwendete, um Einwohner ab 40 Jahren aus fünf Gemeinden in der chinesischen Stadt Luzhou einzuschreiben.Es war Teil der Risk Evaluation of cAncers in Chinese diabeTic Individuals: a lONgitudinal (REACTION) study, einer multizentrischen prospektiven Beobachtungsstudie zur Untersuchung des Zusammenhangs zwischen Diabetes und dem Krebsrisiko in Festlandchina [15].2011 waren insgesamt 10.007 Einwohner eingeschrieben, die 2014 und/oder 2016 erneut besucht wurden.Die Tianjin Chronic Low-grade Systemic Inflammation and Health Cohort Study (TCLSIH) war eine große prospektive dynamische Kohortenstudie, bei der zufällig Teilnehmer während routinemäßiger Vorsorgeuntersuchungen (jährliche körperliche Untersuchungen) am Tianjin Medical University General Hospital-Health Management Center rekrutiert wurden.Das TCLSIH konzentrierte sich hauptsächlich auf die Beziehung zwischen chronischer systemischer Entzündung und dem Gesundheitszustand einer Bevölkerung, die in der Stadt Tianjin in China lebt [16].Zwischen 2007 und 2018 wurden jährlich 42.521 Teilnehmer eingeschrieben und verfolgt.In der ACE-Studie wurde die Nüchtern-Plasmaglukose (FPG) alle 4 Monate gemessen und ein 75-g-oGTT wurde jährlich durchgeführt, wobei ein bestätigender oGTT durchgeführt wurde, wenn einer dieser Tests auf Diabetes hindeutete.In den TCLSIH- und Luzhou-Kohorten wurden FPG, HbA1c und 2-h-Plasmaglukose (2HPG) aus OGTT zu Studienbeginn und während nachfolgender Besuche gemessen.Die Definitionen von Diabetes und IH in diesen drei Validierungspopulationen basierten alle auf den Diagnosekriterien der Weltgesundheitsorganisation von 1999 [17].Konkret wurde das Fortschreiten zu Diabetes definiert als ein erhöhtes NPG (≥ 7,0 mmol/l) und/oder 2HPG (≥ 11,1 mmol/l) oder eine von Ärzten gestellte Diagnose von Diabetes, die in der ACE-Studie durch die weiter bestätigt würde unabhängigen ACE Diabetes Adjudication Committee.Teilnehmer mit IH zu Studienbeginn und Informationen zum Diabetesstatus während der Nachbeobachtung waren für diese Validierungsstudie geeignet.Außerdem wurde nur die Placebo-Gruppe der ACE-Studie für die Validierungsanalyse berücksichtigt, da gezeigt wurde, dass Acarbose das Diabetesrisiko senkt [14].Es gab weniger als 10 % fehlende Werte für die meisten Variablen, mit Ausnahme von früherer Hypertonie (15 %) und früherer Herz-Kreislauf-Erkrankung (17 %) in der Luzhou-Kohorte und aktuellem Alkoholkonsum (15 %) in der TCLSIH-Kohorte.Fehlende Werte wurden durch mehrere Imputationen (MICE-Paket, R) imputiert.Wir wiederholten die Validierungsanalysen in drei Kohorten, wobei wir nur vollständige Fälle der erforderlichen Variablen als Sensitivitätsanalyse verwendeten.Informationen für die meisten Prädiktoren waren in allen drei Validierungskohorten verfügbar.Wenn in den Validierungsdatensätzen keine Informationen zu Prädiktoren verfügbar waren, wurde für die Validierungsanalyse ein fester Wert für die „fehlenden Variablen“ (dh „0“ für kategoriale Variablen und eine feste Zahl für kontinuierliche Variablen) verwendet.Der Vergleich des vorhergesagten Risikos mit dem beobachteten Risiko in den Validierungspopulationen zeigt an, ob das Vorhersagemodell das tatsächliche Risiko überschätzt oder unterschätzt.Wir haben das Verhältnis von vorhergesagtem zu beobachtetem Risiko (P/O) mit einem Konfidenzintervall von 95 % berechnet, um diesen Vergleich zu quantifizieren.Ein AP/O-Wert von 1,0 oder sein 95 %-KI, das 1,0 überschreitet, zeigt an, dass das vorhergesagte Risiko innerhalb des beobachteten Risikobereichs liegt, während P/O-Werte von weniger oder mehr als 1,0 darauf hindeuten, dass das Modell das tatsächliche Risiko unter- bzw. überschätzt.Da der Vorhersagehorizont der untersuchten Modelle von der medianen Nachbeobachtungsdauer der Validierungskohorten abweichen konnte, wurden die Vorhersagen standardisiert, indem das vorhergesagte Risiko durch den Vorhersagehorizont (Jahre) dividiert und mit der tatsächlichen medianen Nachbeobachtungszeit (Jahre) multipliziert wurde. der Validierungskohorte.Dies basiert auf unserer Annahme, dass das jährliche Risiko einer Progression zu Diabetes durch IH im Laufe der Zeit nicht variiert, wie in früheren Studien zur Diabetesprävention beobachtet wurde [18].Diskriminierung zeigt die Fähigkeit eines Vorhersagemodells an, diejenigen, die Diabetes entwickeln, von denen zu trennen, die dies nicht tun.Wir haben die C-Statistik verwendet, um Diskriminierung als schlecht (0,5 bis < 0,6), mäßig (0,6 bis < 0,7), gut (0,7 bis < 0,8), sehr gut (0,8 bis < 0,9) oder ausgezeichnet (≥ 0,9) zu klassifizieren [ 19].Die Kalibrierung misst, wie genau die vorhergesagten Ergebnisse mit den beobachteten Ergebnissen über Personengruppen hinweg übereinstimmen.Das Gesamtkalibrierungsmerkmal kann durch den Hosmer-Lemeshow-Test geschätzt werden, wobei eine gute Anpassung durch einen P-Wert > 0,05 angezeigt wird.Unterschiede in der Inzidenzrate von Diabetes zwischen den Ableitungspopulationen und den Validierungspopulationen würden zu signifikanten Abweichungen zwischen dem vorhergesagten Risiko (durch die Vorhersagemodelle) und dem beobachteten Risiko in den Validierungskohorten führen.Dementsprechend haben wir jedes Vorhersagemodell neu kalibriert, indem wir den Schnittpunkt (für logistische Regressionsmodelle) oder die Basisüberlebensfunktion (für Überlebensregressionsmodelle) angepasst haben.Der Neukalibrierungsprozess hat keinen Einfluss auf die Unterscheidung, daher wurden nur die P/O-Werte und die Kalibrierung nach der Neukalibrierung neu bewertet.Die Fähigkeit zur Risikostratifizierung für chinesische IH wurde zwischen den validierten Risikovorhersagemodellen und der Strategie „chinesische IH-Risikostratifizierung“ verglichen.Die Cut-off-Punkte für die Risikostratifizierung mit Vorhersagemodellen basierten auf dem zuvor beschriebenen jährlichen Diabetesrisiko (moderates Risiko: 0–5 %; mittleres Risiko: 5–10 %; hohes Risiko: > 10 %) [20].Diese externe Validierungsstudie wurde in Übereinstimmung mit der TRIPOD-Erklärung [21] berichtet.P < 0,05 wurde als statistisch signifikant angesehen.Alle statistischen Analysen wurden mit R (Version 4.1.2) durchgeführt.Der systematische Literaturrechercheprozess ist in Zusatzdatei 1 dargestellt: Abbildung S1.Insgesamt wurden 5173 Datensätze (MEDINLE n = 1810, EMBASE n = 3363) durch Datenbankrecherchen identifiziert.Nach dem Entfernen von Duplikaten wurden 3736 Aufzeichnungen auf Eignung geprüft, von denen 44 asiatisch abgeleitete (41 rein asiatische und drei teilasiatische) T2D-Risikovorhersagemodellstudien ausgewählt wurden [20, 22,23,24,25,26,27 ,28,29,30,31,32,33,34,35,36,37,38,39,40,41,42,43,44,45,46,47,48,49,50,51,52 ,53,54,55,56,57,58,59,60,61,62,63,64].Mit den fünf vordefinierten nicht-asiatischen Modellstudien zur Vorhersage des Diabetesrisikos [8,9,10,11,12] wurden 49 T2D-Modellstudien zur Risikovorhersage in diese Validierungsstudie eingeschlossen.Die Mehrheit dieser Studien hatte jedoch ein hohes (n = 43, 87,8 %) oder unklares (n = 3, 6,1 %) Bias-Risiko, während nur drei Studien (6,1 %) mit einem niedrigen Bias-Risiko bewertet wurden (Tabelle 1 und 2). Zusätzliche Datei 1: Ergänzender Text).Diese 49 Modellstudien zur Risikovorhersage umfassten 21 BASIC- und 46 EXTENDED-Modelle zur Validierung mit Vorhersagehorizonten von 2,5 bis 20 Jahren.Die von den ursprünglichen Studien berichteten Modellleistungen sind in der zusätzlichen Datei 1 zusammengefasst: Tabelle S3.Ihre Prädiktoren variierten von 4 bis 17 Items in BASIC-Modellen (Alter, Body-Mass-Index und Blutdruck waren die am häufigsten verwendeten nicht-invasiven Prädiktoren) und 3 bis 17 Items in EXTENDED-Modellen (FPG, Triglyceride und HbA1C waren am häufigsten). -verwendete Laborprädiktoren) (Zusätzliche Datei 1: Tabellen S4, S5).Insgesamt 3241, 1333 und 1702 IH-Teilnehmer der ACE-, Luzhou- bzw. TCLSIH-Kohorten kamen für die Hauptvalidierung in Frage (Zusatzdatei 1: Abbildung S2).Ihre grundlegenden Eigenschaften sind in Zusatzdatei 1 zusammengefasst: Tabelle S6.Unter ihnen entwickelten 509 (15,7 %), 260 (19,5 %) bzw. 396 (23,3 %) der drei Kohorten Diabetes über eine mediane Nachbeobachtungszeit von 5,0, 3,0 bzw. 3,0 Jahren.In den ACE-, Luzhou- und TCLSIH-Kohorten zeigten die BASIC-Modelle eine geringe bis mäßige Diskriminierung mit C-Statistiken von 0,52–0,60, 0,50–0,59 bzw. 0,50–0,64.ERWEITERTE Modelle zeigten eine schlechte bis akzeptable Diskriminierung (C-Statistik: 0,54–0,73, 0,52–0,67 bzw. 0,59–0,78).Das ERWEITERTE Modell der Studie Nateglinide and Valsartan in Impaired Glucose Tolerance Outcomes Research (NAVIGATOR) (Studie 43) hatte die beste Diskriminierung in den drei Kohorten mit C-Statistiken von 0,73, 0,67 bzw. 0,78 (Abb. 1 und Zusatzdatei 1). : Tabellen S7, S8).Diskriminierung der eingeschlossenen Modelle in den Kohorten A ACE, B Luzhou und C TCLSIH.*: Die entsprechende spezifische Studie jeder Studiennummer ist in Tabelle 1 zu finden. Die Studiennummer wurde nach dem Wert der C-Statistik geordnet.Die mit einem Quadrat markierte Studiennummer zeigte an, dass ihr Vorhersagemodell die beste Diskrimination in der Validierungskohorte aufwies, mit einer Beschriftung ihrer C-Statistik in der oberen linken Ecke der AbbildungFünfzehn BASIC- und 40 EXTENDED-Modelle enthielten vollständige Informationen (z. B. Intercept- oder Baseline-Überlebensfunktion der Regressionsgleichung oder detailliertes Bewertungssystem) zur Berechnung des vorhergesagten Risikos.Sie alle zeigten eine schlechte Kalibrierung basierend auf dem Hosmer-Lemeshow-Test (P < 0,05).Die Mehrheit der 15 BASIC-Modelle unterschätzte (P/O: 0,11–0,79, 0,03–0,48 und 0,04–0,44) das Diabetesrisiko bei ACE (6/14), Luzhou (14/15) und TCLSIH (14/14). 15) Kohorten.Die meisten der 40 EXTENDED-Modelle unterschätzten (P/O: 0,08–0,87 und 0,08–0,90) auch das Diabetesrisiko in den Luzhou- (26/40) und TCLSIH-Kohorten (31/40), während die meisten von ihnen überschätzten (P/O : 1,12–5,45) das Diabetesrisiko in den ACE-Kohorten (27/39) (Zusatzdatei 1: Tabellen S7, S8).Die meisten der neu kalibrierten Modelle zeigten eine verbesserte Kalibrierung, aber es gab immer noch signifikante Abweichungen zwischen dem beobachteten und dem von ihnen vorhergesagten Risiko.Die rekalibrierten BASIC- (P/O: 0,93–1,54, 0,92–1,42 und 0,87–1,43) und EXTENDED-Modelle (P/O: 0,92–5,76, 0,88–4,69 und 0,88–3,99) überschätzten das Diabetesrisiko von leicht bis stark in den Kohorten ACE, Luzhou und TCLSIH (Zusätzliche Datei 1: Tabellen S7, S8).Bei der Ausweitung der Validierungsstichproben auf nicht-diabetische Teilnehmer (d. h. einschließlich Normoglykämie und IH) in den Luzhou- und TCLSIH-Kohorten (Zusatzdatei 1: Tabellen S9, S10) wurden ähnliche Tendenzen beobachtet, aber die meisten Modelle zeigten eine etwas höhere Diskriminierung (C -Statistik: 0,51–0,72 bzw. 0,55–0,89).Sensitivitätsanalysen ergaben insgesamt ähnliche Ergebnisse, wenn nur vollständige Fälle verwendet wurden (Zusatzdatei 1: Tabellen S11, S12).Die Mehrheit (89,6 %, 98,0 % und 98,2 % der IH-Teilnehmer der ACE-, Luzhou- und TCLSIH-Kohorten) wurde vom NAVIGATOR-Modell als hohes Risiko eingestuft.Offensichtliche Abweichungen zwischen beobachteten Risiken und vorhergesagten Risiken durch das ursprüngliche NAVIGATOR-Modell wurden bei drei Kohorten festgestellt (Abb. 2A–C).Nach der Neukalibrierung wurden die Abweichungen signifikant verbessert, aber eine Überschätzung wurde in allen Risikogruppen festgestellt (Abb. 2D–F).Verglichen mit dem neu kalibrierten NAVIGATOR-Modell neigte die „chinesische IH-Risikostratifizierung“-Strategie dazu, die Personen mit mäßigem oder mittlerem Risiko in drei Kohorten falsch in hohes Risiko einzustufen (Abb. 3).Vorhergesagtes (vs. beobachtetes) Diabetesrisiko des ursprünglichen NAVIGATOR-Modells in drei Risikoklassen der Kohorten A ACE, B Luzhou und C TCLSIH und des neu kalibrierten NAVIGATOR-Modells in den Kohorten D ACE, E Luzhou und F TCLSIHRisikostratifizierung für die Kohorten A ACE, B Luzhou und C TCLSIHWir führten eine externe Validierung von 21 BASIC- und 46 EXTENDED-T2D-Risikovorhersagemodellen in drei unabhängigen prospektiven chinesischen Kohorten von Menschen mit IH durch.Wir fanden heraus, dass BASIC-Modelle zur Vorhersage von T2D keine gute Diskrimination oder Kalibrierung aufwiesen, während mehrere EXTENDED-Modelle eine akzeptable Diskrimination, aber eine schlechte Kalibrierung aufwiesen.Die meisten der neu kalibrierten Modelle zeigten eine bessere Kalibrierung, überschätzten aber das Diabetes-Risiko in drei Populationen immer noch leicht bis stark.Menschen mit IH haben ein hohes Risiko, an Diabetes zu erkranken.Es wurde vorgeschlagen, dass alle Menschen mit IH ermutigt werden sollten, angemessene Änderungen des Lebensstils vorzunehmen, während diejenigen mit einem höheren absoluten Risiko von einer intensiveren Änderung des Lebensstils und evidenzbasierten vorbeugenden Medikamenten profitieren könnten [20].Daher ist die Kenntnis des zukünftigen absoluten T2D-Risikos entscheidend für die Wahl der Intensität der erforderlichen präventiven Intervention.Daher haben wir diese Validierungsstudie unter drei unabhängigen chinesischen IH-Populationen mit unterschiedlichen Studieneinstellungen durchgeführt.Die Luzhou-Kohorte ist eine gemeinschaftsbasierte Population, während die TCLSIH- und ACE-Kohorten eine auf Gesundheitsuntersuchungen basierende Population bzw. eine randomisierte Interventionsstudienpopulation sind.Verglichen mit den Luzhou- und ACE-Kohorten waren die IH-Teilnehmer der TCLSIH-Kohorte die jüngsten, hatten aber die schlechtesten metabolischen Phänotypen (rauchen eher, nehmen Alkohol und haben die höchsten Werte für Fettleibigkeit und die schlechtesten Lipidprofile).Die TCLSIH-Kohorte hatte die höchste jährliche Diabetes-Inzidenzrate (23,3 % vs. 19,5 % und 15,7 % über eine mittlere Nachbeobachtungszeit von 3,0, 3,0 bzw. 5,0 Jahren).Dies steht im Einklang mit früheren Befunden, die zeigen, dass das Alter des IH-Einbruchs umgekehrt mit dem zukünftigen Diabetes-Progressionsrisiko assoziiert ist [20, 62].Die Mehrheit der eingeschlossenen T2D-Risikovorhersagemodellstudien zeigte ein insgesamt hohes oder unklares Verzerrungsrisiko, was darauf hindeutet, dass ihre Vorhersageleistung bei der Verwendung in der Praxis wahrscheinlich niedriger ist als die berichtete.Dies stimmt mit unseren Feststellungen bei der Validierung überein.Der klinische Nutzen eines Modells hängt weitgehend von seiner Unterscheidungsfähigkeit ab.Unsere Ergebnisse zeigten, dass alle BASIC-Modelle in drei chinesischen IH-Kohorten keine gute Unterscheidung hatten, während mehrere EXTENDED-Modelle dies taten.Im Gegensatz dazu zeigten unsere Validierungsergebnisse und frühere Validierungsstudien [65] bei nicht-diabetischen Teilnehmern (dh einschließlich Normoglykämie und IH), dass BASIC-Modelle dazu beitragen können, Personen mit hohem Diabetesrisiko in der nicht-diabetischen Bevölkerung zu identifizieren.Diese Ergebnisse deuten darauf hin, dass die Einbeziehung nicht-invasiver Informationen zur Vorhersage des Diabetesrisikos machbar ist, um das Diabetesrisiko zu bewerten, aber für Menschen mit IH nicht ausreicht.Unter den EXTENDED-Modellen war das NAVIGATOR-Modell eines der wenigen Modelle, das drei glykämische Messungen (FPG, 2HPG und HbA1C) enthielt und ein geringes Verzerrungsrisiko aufwies, das in drei Validierungskohorten die beste Diskriminierung aufwies.Frühere Befunde einer Hyperglykämie sind offensichtlich wichtige Prädiktoren unter den routinemäßig verfügbaren klinischen Variablen zur Vorhersage des Diabetesrisikos [1], da Diabetes eine Krankheit mit langsamem Fortschreiten von IH zu Diabetes ist.Daher wird angenommen, dass das NAVIGATOR-Modell unter den bestehenden Modellen zur Vorhersage des T2D-Ereignisrisikos die beste Unterscheidungsfähigkeit für chinesische IH-Populationen hat, wenn FPG-, 2HPG- und HbA1C-Werte verfügbar sind.Die Kalibrierung ist auch eine wesentliche Voraussetzung, wenn das Ziel der Verwendung eines Vorhersagemodells darin besteht, die Entscheidungsfindung in der klinischen Praxis zu informieren.Unsere Ergebnisse zeigten, dass fast alle BASIC-Modelle und mehrere EXTENDED-Modelle das tatsächliche Diabetesrisiko in drei Validierungspopulationen unterschätzten.Nach der Neukalibrierung (Anpassung an die Unterschiede in der Inzidenz von Diabetes zwischen den Entwicklungspopulationen und unseren Validierungspopulationen) zeigten alle Modelle eine bessere Kalibrierung, sagten jedoch insgesamt das tatsächliche Diabetesrisiko zu viel voraus.Im rekalibrierten NAVIGATOR-Modell ist zu erkennen, dass diese Überschätzung in allen Risikogruppen auftrat.Diese Überschätzung kann zu einer unnötigen Belastung durch Überbehandlung für Personen mit tatsächlich geringem Risiko führen.Was die Risikostratifizierung betrifft, so schien die „chinesische IH-Risikostratifizierung“ eine ungeeignete Strategie zur Risikostratifizierung zu sein, um Primärpräventionsmaßnahmen für chinesische IH-Populationen zu leiten.Fakt ist, dass die Mehrzahl der IH-Personen mindestens einen der genannten Risikofaktoren aufweist, sodass sie mit hoher Wahrscheinlichkeit in die Hochrisikogruppe eingestuft werden.Wie in dieser Studie zu sehen ist, wurden viele Menschen mit IH bei Verwendung der „chinesischen IH-Risikostratifizierung“ fälschlicherweise in eine höhere Risikokategorie eingeordnet als bei Verwendung des neu kalibrierten NAVIGATOR-Modells.Das heißt, viele Menschen mit IH wurden von der „chinesischen IH-Risikostratifizierung“ als Hochrisiko eingestuft.Die klinische Implikation dieser Hochklassifizierung war, dass sie auch die Behandlungslast für Personen mit tatsächlich niedrigem Risiko erhöhte.In dieser Studie haben wir die Leistung der bestehenden asiatischen und nicht-asiatischen abgeleiteten Modelle umfassend validiert, um das Risiko eines T2D-Vorfalls in drei unabhängigen chinesischen IH-Kohorten vorherzusagen.Aufgrund der großen Stichprobengröße, des prospektiven longitudinalen Kohortendesigns und der zeitgenössischen Natur von drei Validierungskohorten waren unsere Ergebnisse stabil und verallgemeinerbar.Unsere Studie hat jedoch einige Einschränkungen.Erstens wurde die Glykämie in den Kohorten ACE (jährlicher OGTT und ggf. bestätigender OGTT) und TCLSIH (jährlicher OGTT) häufiger erhoben als in der Luzhou-Kohorte (OGTT nur einmal am Ende der Nachbeobachtung).Dies könnte bis zu einem gewissen Grad zu einer Untererfassung der Diabetesinzidenz (z. B. falsch-negative Fälle) geführt haben, was zu einer Unterschätzung der C-Statistiken in der Luzhou-Kohorte und einer Beeinflussung der Kalibrierung führte, wie wir in unseren Validierungsergebnissen feststellten.Zweitens beinhalteten einige Validierungsdatensätze keine Erhebung einiger Parameter wie körperliche Aktivität, Ernährungsgewohnheiten und Bildung, was die Leistung einiger validierter Modelle möglicherweise eingeschränkt hat.Die meisten der erforderlichen Variablen waren jedoch in drei Datensätzen verfügbar.Daher ist es unwahrscheinlich, dass dies unsere Ergebnisse in großem Umfang beeinflusst hat.Ebenso waren fehlende Daten nur für wenige Teilnehmer begrenzt, und dies wurde durch mehrere Imputationen behandelt.Wir führten auch vollständige Fallanalysen durch, die zu ähnlichen Ergebnissen führten, um unsere Ergebnisse zu stützen.Drittens, während IH-Teilnehmer der ACE-Kohorte alle frühere kardiovaskuläre Erkrankungen (CVD) hatten, hatten IH-Teilnehmer der Luzhou- und TCLSIH-Kohorte nur wenige Personen mit früheren CVD (5,6 % bzw. 9,8 %).Aufgrund der begrenzten Stichprobengröße von Personen mit CVD in diesen beiden Kohorten können wir nicht weiter untersuchen, ob sich die Leistung der Vorhersagemodelle je nach CVD-Status in diesen Kohorten unterscheidet.Viertens wurden für Modelle mit unterschiedlichen Vorhersagehorizonten von der medianen Nachbeobachtungsdauer unserer Validierungskohorten die vorhergesagten Risiken auf der Grundlage der Annahme projiziert, dass das jährliche Risiko für T2D-Zwischenfälle gleich ist, wie in früheren Studien zur Diabetesprävention [18].Dies kann unsere Bewertung jedoch teilweise beeinflussen.Im Allgemeinen zeigte unsere systematische Überprüfung und externe Validierungsstudie, dass die überwiegende Mehrheit der veröffentlichten T2D-Modelle nicht mit einer robusten Modellierungsmethode erstellt wurden und eine schlechte externe Validität bei Chinesen mit IH hatten.Dies impliziert, dass Forscher ihre Bemühungen darauf richten sollten, die Verallgemeinerbarkeit von T2D-Modellen in Zukunft zu verbessern, z. B. durch Anwendung einer robusten Modellierungsmethode (z. B. Auswahl der repräsentativen Ableitungspopulationen, angemessener Umgang mit fehlenden Daten und Korrektur von Überanpassung/Optimismus des Modells). , und transparente Berichterstattung über die Modelle gemäß der TRIPOD-Erklärungsrichtlinie, die entwickelt wurde, um Autoren beim Verfassen von Berichten zu unterstützen, die die Entwicklung, Validierung oder Aktualisierung von Vorhersagemodellen beschreiben.Darüber hinaus ermutigen wir externe Validierungsforschung zu den bestehenden T2D-Modellen, um ihre externe Gültigkeit auf unabhängigen Daten zu verstehen, um zu wissen, ob sie in einer Zielpopulation effektiv in die Praxis umgesetzt werden können.Für Chinesen mit IH zeigten BASIC-Modelle zur Vorhersage von T2D keine gute Unterscheidung oder Kalibrierung.Mehrere EXTENDED-Modelle schnitten besser ab, aber ein robustes chinesisches Tool zur Vorhersage des Diabetesrisikos bei Menschen mit IH bleibt ein unerfüllter Bedarf.Um diese Modelle für die Entscheidungsfindung in der klinischen Praxis zu nutzen, muss insbesondere die Kalibrierung weiter verbessert werden.Anträge auf Datenzugang und Vorschläge für Analysen von ACE können beim ACE Publications Committee unter Verwendung der Anweisungen unter: https://www.dtu.ox.ac.uk/ACE/ eingereicht werden.Die Datensätze der Luzhou- und TCLSIH-Kohorten sind auf angemessene Anfrage beim korrespondierenden Autor erhältlich.Checkliste für die kritische Bewertung und Datenextraktion für die systematische Überprüfung von VorhersagemodellierungsstudienNateglinid und Valsartan in der Ergebnisforschung bei beeinträchtigter GlukosetoleranzRisikobewertung von Krebserkrankungen bei chinesischen Diabetikern: a lONgitudinalPrognosestudie Risk of Bias Assessment ToolKohortenstudie zu chronischen niedriggradigen systemischen Entzündungen und Gesundheit in TianjinSchmidt MI, Bracco PA, Yudkin JS, Bensenor IM, Griep RH, Barreto SM, et al.Intermediäre Hyperglykämie zur Vorhersage des Fortschreitens zu Typ-2-Diabetes (ELSA-Brasil): eine berufsbezogene Kohortenstudie in Brasilien.Lancet-Diabetes Endocrinol.2019;7:267–77.Richter B, Hemmingsen B, Metzendorf MI, Takwoingi Y. Entwicklung von Typ-2-Diabetes mellitus bei Menschen mit intermediärer Hyperglykämie.In: Cochrane Metabolic and Endocrine Disorders Group, Herausgeber.Cochrane Database Syst Rev. 2018.Wagner R, Heni M, Tabák AG, Machann J, Schick F, Randrianarisoa E, et al.Pathophysiologie-basierte Subphänotypisierung von Personen mit erhöhtem Risiko für Typ-2-Diabetes.Nat Med.2021;27:49–57.CAS PubMed-Artikel Google ScholarInternationale Diabetes-Föderation.IDF-Diabetes-Atlas.10. Aufl.Brüssel: International Diabetes Federation;2021.Endokrinologie CS von, Society CD, Association CE, Association E und MDB von CRH, Association DB von CRH.Intervention für Erwachsene mit Prädiabetes: ein chinesischer Expertenkonsens.Chin J Endocrinol Metab.2020;36:371–80.Seite MJ, McKenzie JE, Bossuyt PM, Boutron I, Hoffmann TC, Mulrow CD, et al.Die PRISMA 2020-Erklärung: eine aktualisierte Richtlinie für die Berichterstattung über systematische Überprüfungen.BMJ.2021;372:n71.PubMed PubMed Central-Artikel Google ScholarMoons KGM, de Groot JAH, Bouwmeester W., Vergouwe Y., Mallett S., Altman DG, et al.Kritische Bewertung und Datenextraktion für systematische Überprüfungen von Vorhersagemodellierungsstudien: die CHARMS-Checkliste.PLoS Med.2014;11:e1001744.PubMed PubMed Central-Artikel Google ScholarStern MP, Williams K, Haffner SM.Identifizierung von Personen mit hohem Risiko für Diabetes mellitus Typ 2: Brauchen wir den oralen Glukosetoleranztest?Ann Intern Med.2002;136:575–81.Lindstrom J, Tuomilehto J. The Diabetes Risk Score: ein praktisches Instrument zur Vorhersage des Typ-2-Diabetes-Risikos.Diabetes-Behandlung.2003;26:725–31.Schmidt MI, Duncan BB, Bang H, Pankow JS, Ballantyne CM, Golden SH, et al.Identifizierung von Personen mit hohem Diabetesrisiko: die Atherosclerosis Risk in Communities-Studie.Diabetes-Behandlung.2005;28:2013–8.Wilson PWF.Vorhersage von Diabetes mellitus bei Erwachsenen mittleren Alters: die Framingham Offspring Study.Arch Intern Med.2007;167:1068.Tuomilehto J., Lindström J., Hellmich M., Lehmacher W., Westermeier T., Evers T., et al.Entwicklung und Validierung eines Risiko-Score-Modells für Probanden mit eingeschränkter Glukosetoleranz zur Einschätzung des Risikos von Typ-2-Diabetes mellitus – Der STOP-NIDDM-Risiko-Score.Diabetes Res Clin Pract.2010;87:267–74.CAS PubMed-Artikel Google ScholarVenema E, Wessler BS, Paulus JK, Salah R, Raman G, Leung LY, et al.Groß angelegte Validierung des Prediction Model Risk of Bias Assessment Tool (PROBAST) unter Verwendung einer Kurzform: High Risk of Bias-Modelle zeigen schlechtere Diskriminierung.J Clin Epidemiol.2021;138:32–9.Holman RR, Coleman RL, Chan JCN, Chiasson JL, Feng H, Ge J, et al.Auswirkungen von Acarbose auf kardiovaskuläre und Diabetes-Ergebnisse bei Patienten mit koronarer Herzkrankheit und beeinträchtigter Glukosetoleranz (ACE): eine randomisierte, doppelblinde, placebokontrollierte Studie.Lancet-Diabetes Endocrinol.2017;5:877–86.CAS PubMed-Artikel Google ScholarY. Bi, J. Lu, W. Wang, Y. Mu, J. Zhao, C. Liu et al.Kohortenprofil: Risikobewertung von Krebserkrankungen bei chinesischen Diabetikern: eine Längsschnittstudie (REACTION).JDiabetes.2014;6:147–57.CAS PubMed-Artikel Google ScholarSong K, Du H, Zhang Q, Wang C, Guo Y, Wu H, et al.Die Serum-Immunglobulin-M-Konzentration steht in einem positiven Zusammenhang mit dem metabolischen Syndrom bei einer erwachsenen Bevölkerung: Tianjin Chronic Low-Grade Systemic Inflammation and Health (TCLSIH) Cohort Study.Plus eins.2014;9:e88701.PubMed PubMed Central Artikel CAS Google ScholarWeltgesundheitsorganisation.Definition, Diagnose und Klassifikation von Diabetes mellitus und seinen Komplikationen: Bericht einer WHO-Konsultation.Teil 1, Diagnose und Klassifikation von Diabetes mellitus.Genf: Weltgesundheitsorganisation;1999.PubMed PubMed Central-Artikel Google ScholarPubMed PubMed Central-Artikel Google ScholarPubMed PubMed Central-Artikel Google ScholarPubMed PubMed Central-Artikel Google ScholarPubMed PubMed Central-Artikel Google ScholarPubMed PubMed Central-Artikel Google ScholarPubMed PubMed Central-Artikel Google ScholarPubMed PubMed Central-Artikel Google Scholar