DRPP科研工作台上新科研工具，从文献检索到参考文献格式调整：去使用科研工作台>>

2026年10月6日，天津医科大学肿瘤医院郝继辉教授研究团队在《Gut》（IF=24.6）在线发表了一项研究成果。该研究基于两个中国回顾性纵向队列，开发了糖尿病胰腺癌短期风险预测模型（STOP-DM），模型使用胰腺癌发病前6个月的11个变量构建，对新发和长期糖尿病均表现良好。

原文链接：https://doi.org/10.1136/gutjnl-2026-339722

研究背景

胰腺癌风险评估和早期监测有望改善预后，针对2型糖尿病等高危人群进行筛查是一种切实可行的选择。

既往研究大多只针对新发糖尿病人群，随访窗口多为3年，且常排除入组后6-12个月内确诊的病例，难以评估短期预测性能。NCCN指南和中国筛查共识推荐的高危人群监测窗口是3-12个月，中国糖尿病管理常规随访间隔也为3个月。

因此，本研究旨在开发和验证同时适用于新发和长期糖尿病的临床实用预测工具。

研究方法

模型的开发基于两个独立的回顾性队列：

天津糖尿病与健康队列（TJDHC）：用于模型开发和内部验证，纳入2017年1月1日至2024年12月31日在天津市82家医院门诊或住院就诊的糖尿病患者（n=330767）。按患者首次就诊医院级别分为开发队列（三级医院，n=296855）和内部验证队列（二级医院，n=33912）。 

厦门区域电子健康档案数据库：用于外部验证，纳入厦门16家医院的2型糖尿病成人患者（n=105537）。

纳入标准：年龄≥20岁、确诊2型糖尿病且既往无胰腺癌病史。

2型糖尿病依据美国糖尿病学会标准（空腹血糖≥7.0 mmol/L或糖化血红蛋白≥6.5%）或临床诊断定义。按糖尿病病程分为新发糖尿病（≤2年）和长期糖尿病（>2年）亚组。索引日期（index date）定义为研究期间首次记录的临床就诊日期。

排除标准：1型糖尿病或其他类型糖尿病、索引日期时年龄<20岁、索引日期前或当日已诊断胰腺癌、仅一次就诊且无随访数据、历次就诊均无实验室检查记录。

预测变量

基于临床相关性、临床常规可及性和既往胰腺癌危险因素证据，共提取48个候选预测变量，包括人口学（性别、年龄）、生活方式（吸烟、饮酒）、病史、体格测量、实验室检查和用药处方。

基线预测变量定义为索引日期前后6个月窗口内最接近索引日期的测量值。

研究结局

结局为随访期间新发胰腺癌，按TNM标准分期，分为早期、中期和晚期。以最早记录的胰腺癌确诊日期为结局日期，随访自索引日期起至胰腺癌发病、删失或2024年12月31日，非胰腺癌死亡视为竞争事件。

统计分析方法

研究采用右对齐时间框架评估预测因子与胰腺癌发病风险之间的时间关联，预设6个时间窗，T1-T5分别对应胰腺癌发病前6、12、18、24和48个月，T6覆盖索引日期至发病整个时期。

基于开发队列采用随机森林算法进行模型开发，并使用基于医院的多中心内部-外部交叉验证策略。

模型开发与报告遵循TRIPOD+AI声明和SAMPL指南。

相关阅读

13篇论文报告规范合集：TRIPOD+AI、CONSORT、STROBE..

机器学习临床预测模型构建的一般流程

临床预测模型，如何估算样本量？

理论+实操，带你轻松告别临床预测模型的小白

临床预测模型步骤详解：关于预测模型的样本量

T1–T6中分别使用48个候选预测因子训练随机森林模型。使用序贯前向选择法对性能最佳的模型进行简化。比较完整模型与简化模型的区分度，最终模型命名为STOP-DM，包含T1时间窗口下的11个预测因子。

采用受试者工作特征曲线下面积（AUC）、校准曲线和决策曲线分析评估模型性能。通过五分位和二十分位多种切点、Kaplan-Meier曲线、提升度与累计捕获率确定最佳风险阈值。

使用两种策略比较STOP-DM模型和THIN模型（针对新发糖尿病的经典胰腺癌筛查算法）：在STOP-DM模型按预测风险排序选取等量高危人群，匹配THIN模型识别的高危人群规模；将STOP-DM预测风险最高的前5%设为高危组。

研究结果

开发队列纳入296855名2型糖尿病患者，中位随访42.3个月，共确认847例新发胰腺癌，发病密度为78.59/10万人年，累积发病率为0.29%。

内部验证纳入33912名参与者，外部验证纳入105537名参与者，分别发生89例和226例胰腺癌，发病密度为71.59/10万人年和118.64/10万人年。

模型开发

比较T1-T6 6个预测模型性能后，最终STOP-DM模型使用T1（胰腺癌发病前6个月）的11个变量构建，包括：碱性磷酸酶、胰岛素使用、尿酸、γ-谷氨酰转移酶、白蛋白、肌酐、血红蛋白、糖化血红蛋白、年龄、总胆红素和质子泵抑制剂使用。

模型表现

开发队列中AUC为0.88（95% CI 0.84–0.92），内部验证为0.89（0.83–0.94），外部验证为0.86（0.83–0.89）。

 图.受试者工作特征曲线。左，内部验证队列；右，外部验证队列。

在内部验证队列风险阈值低于4%、外部验证队列风险阈值低于5%的情况下，STOP-DM提供的净获益高于“全部治疗”和“全部不治疗”策略。 

图.决策曲线。左，内部验证队列；右，外部验证队列。

将人群按照二十分位数分类，两个验证队列中，排名前5%高危人群的胰腺癌风险分别是两个队列总体人群的11.69倍和9.51倍，模型在两个队列的该高危组捕获了59.37%和48.03%的胰腺癌病例。

前5%高危人群对应两个验证队列中6个月绝对预测风险点分别为0.492%和0.514%，特异度分别为94.97%和95.00%，阳性预测值分别为1.10%和1.14%。这些绝对预测风险点还提供了良好的净临床获益（上图虚线），并能清晰区分胰腺癌与非胰腺癌。

将全人群分为高危（前5%）、中高危（5%-20%）、中危（20%-50%）和低危（后50%）四组后，高危组随访期间累积发生率最高（分别为1.47%和1.91%），且在第一年内急剧上升；与低危组相比，高危组在两个队列中的胰腺癌风险分别升高11.00倍和14.37倍。

与THIN模型比较

在总体人群中，当高危人群规模相同时，STOP-DM在两个验证队列中均优于THIN模型，在0–6个月及整个随访期间识别出更多真阳性病例，且假阴性更少。固定5%的高危阈值时，STOP-DM捕获的胰腺癌病例显著更多（总体71例 vs 21例；0–6个月61例 vs 16例），其在内部队列中保持了更优的阳性预测值，但外部队列中未表现出这一优势。

在新发糖尿病亚组中，STOP-DM在两种比较策略下的病例检出性能均略逊于THIN模型。若将高危阈值从5%提高至20%，STOP-DM可捕获更多真阳性病例，灵敏度更高，尤其是在外部验证队列中。

讨论

这项大型回顾性队列研究开发了STOP-DM模型，并进行了外部验证。该模型使用11个常规收集的临床变量来预测2型糖尿病成人的短期胰腺癌风险。该模型表现出良好的校准度、区分度和临床适用性，在内部和外部验证队列中均具有稳健的富集能力。重要的是，STOP-DM在所有糖尿病病程亚组中表现一致，与仅针对新发糖尿病的现有策略相比，获得了更高的灵敏度和阳性预测值。

研究优势

• 研究为大规模、多中心设计，涵盖了同一地区内不同级别的医院以及地理上独立的队列，并通过与综合医疗数据库的关联实现了近乎完整的随访。这使得模型开发能够利用纵向动态数据，并有助于确定诊断前6个月窗口为最佳预测时间，这与胰腺癌的快速进展特征一致。
• 全部11个预测因子均在初级保健中常规收集，不产生额外费用，可直接整合到社区糖尿病管理系统中。
• 与既往仅关注新发糖尿病的研究不同，该模型覆盖了2型糖尿病的整个疾病谱系。

研究局限性

• 回顾性EHR数据存在固有挑战，包括实验室测量的机构异质性，以及BMI、糖尿病病程和生活方式暴露等关键变量的大量缺失。
• 仍有58.1%的胰腺癌病例无法明确肿瘤分期，限制了模型早期检出能力的全面评估，不过模型在两个验证队列中对早期病变的检出均显示一致优势。
• 随访时间相对较短导致新发病例数有限，部分亚组分析的AUC可信区间过宽或无法计算；胰腺癌发病率低使阳性预测值不理想，尽管AUC较高。
• 在新发糖尿病人群中，模型识别的真阳性病例少于THIN模型，因此推荐该人群将高危阈值从5%提高到20%，以减少漏诊。
• 队列仅纳入中国人群，其他种族人群普适性不足。

研究结论

STOP-DM模型为2型糖尿病成人的短期胰腺癌风险预测提供了一个稳健工具。基于常规临床变量，该模型能够在新发糖尿病和长期糖尿病人群中实现可靠的风险分层，比仅针对新发糖尿病的策略具有更广泛的适用性。

未来研究应优先开展前瞻性、多中心队列研究，以评估基于模型的筛查对早期诊断和生存的影响。将STOP-DM与遗传标志物或新型生物标志物整合，如循环肿瘤DNA、糖类抗原19-9（CA19-9）或影像组学特征，或可进一步提高阳性预测值。

参考文献：Gut. 2026 Oct 6:gutjnl-2026-339722. doi: 10.1136/gutjnl-2026-339722.