Lancet Diabetes Endo:聚类分析精准预测糖尿病并发症风险

2019-07-23 MedSci MedSci原创

研究认为聚类分析可以表征不同程度全身和脂肪组织胰岛素抵抗特征。在非酒精性脂肪性肝病和糖尿病性神经病的早期阶段,特定的糖尿病群集表现出糖尿病并发症的不同患病率。这些发现有助于改善有针对性的预防和治疗,并为糖尿病及其合并症提供精确的药物

研究在德国开展,新诊断的1型或2型糖尿病患者接受了综合表型和实验室变量评估。胰岛素敏感性采用高胰岛素-降血糖夹钳,肝细胞脂质含量采用磁共振波谱,肝纤维化采用无创评分,外周和自主神经病变采用功能和临床标准。5年后对患者进行重新评估。

1105名患者参与研究,其中386人(35%)为轻度与年龄有关的糖尿病(MARD),323人(29%)为轻度与肥胖有关的糖尿病(MOD),247例(22%)为严重自身免疫型糖尿病(SAID),121例(11%)为严重胰岛素抵抗型糖尿病((SIRD),28例(3%)为严重胰岛素缺乏型糖尿病(SIDD)。367例完成5年随访,其中MARD 128例(35%),MOD 106例(29%),Said 88例(24%),SIRD 35例(10%),SIDD 10例(3%)。SIRD患者基线时全身胰岛素敏感性最低(平均4.3 mg/kg per min)。SIRD组(中位数15.6)和MOD组(11.6])空腹脂肪组织胰岛素抵抗指数在基线时最高。在新诊断糖尿病患者中,SIRD组患者的肝细胞脂质含量在基线时最高(中位数19%)。SIRD患者(n=7[26%])5年随访时的肝纤维化率最高(n=5[7%])。经证实的糖尿病感觉运动多发性神经病在SIDD患者(n=9[36%])中更为普遍。

研究认为聚类分析可以表征不同程度全身和脂肪组织胰岛素抵抗特征。在非酒精性脂肪性肝病和糖尿病性神经病的早期阶段,特定的糖尿病群集表现出糖尿病并发症的不同患病率。这些发现有助于改善有针对性的预防和治疗,并为糖尿病及其合并症提供精确的药物。

原始出处:


本文系梅斯医学(MedSci)原创编译整理,转载需授权!

作者:MedSci



版权声明:
本网站所有注明“来源:梅斯医学”或“来源:MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明“来源:梅斯医学”。其它来源的文章系转载文章,本网所有转载文章系出于传递更多信息之目的,转载内容不代表本站立场。不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言
评论区 (8)
#插入话题

相关资讯

聚类分析——多变量分析

沈浩 但还是沿用过去的方式来讲讲聚类分析Cluster Analysis吧!物以类聚,人以群分,聚类分析是一种重要的多变量统计方法,但记住其实它是一种数据分析方法,不能进行统计推断的。当然,聚类分析主要应用在市场细分等领域,我们也经常采用聚类分析技术来实现对抽样框的分层,我就不多罗嗦了。     聚类分析:顾名思义是一种分类的多元统计分析方法。按照个体或样品(in

PLoS One:慢性阻塞性肺疾病患者的聚类分析

背景: 我们假设慢性阻塞性肺疾病的全球倡议(GOLD)1肺活量的类别存在异质性,不同的子类别可以通过GOLD类别进行确定。方法: 来自两个临床试验预-随机化研究的受试者为有症状/无症状GOLD 1慢性阻塞性肺疾病(COPD)患者和健康对照组。层次聚类分析使用预-随机化人口统计,症状评分、肺功能、运动响应峰值和日常身体活动水平获得人群子组。结果: GOLD 1慢性阻塞性肺疾病患者临床变量存在相当大的

高危人群筛选的利器——潜在类别聚类分析

内容提要:机器学习按照训练数据是否有标记信息,可将学习任务分为监督学习(supervised learning)和非监督学习(unsupervised learning)两大类。其中,聚类分析是非监督学习的重要方法,潜在类别聚类分析(latent class cluster analysis,LCCA)可作为非监督学习方法,用于高危人群的筛选。LCCA假定异质性群体由多个总体混合而成,即存在一个潜

Thorax:急性呼吸窘迫综合征患者不同生物学表型的聚类分析!

ARDS患者可分为两种生物学表型,其病死率有所不同,并且这四种生物标志物可准确地预测表型。

Neuroradiology:原发性书写震颤患者脑网络的变化

原发性书写震颤(PWT)是一种少见的特定任务型震颤,症状仅在书写时或在书写过程中调整手部姿势时发生。PWT的病理生理学机制尚不清楚。本研究旨在利用基于图论的聚类分析探索PWT患者静息态功能脑连接的变化,并将结果发表在Neuroradiology上。