糖化血红蛋白指数与2型糖尿病患者颈动脉内中膜厚度的相关性研究

来源 :扬州大学 | 被引量 : 0次 | 上传用户:canyang419
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
目的:糖化血红蛋白指数(hemoglobin glycation index,HGI)为实测糖化血红蛋白(glycosylated hemoglobin Ale,HbAlc)与依赖血糖浓度预测的糖化血红蛋白之间的差值,本文就2型糖尿病患者HGI与颈动脉内中膜厚度的相关性进行探讨,以期为临床上检测HGI预测2型糖尿病并发大血管病变提供理论依据。方法:选取2015年1月至2018年6月在扬州大学临床医学院内分泌科住院的2型糖尿病患者862例,从862名2型糖尿病患者中随机抽取400名患者,估算空腹血糖(fasting plasma glucose,FPG)和HbAlc之间依存变化的线性关系,得到线性归方程(HbAlc=0.452*FPG(mmol/L)+4.84),将剩余462名2型糖尿病患者作为研究对回象,分别收集患者的基本信息:姓名、性别、年龄、糖尿病病程、体重、身高以及收缩压、舒张压,应用彩色多普勒超声诊断仪测量颈动脉内中膜厚度,采集肘部静脉血标本,检测HbAlc、FPG、空腹C肽、总胆固醇、甘油三脂、高密度脂蛋白胆固醇、低密度脂蛋白胆固醇、尿酸、白细胞计数等指标,将462名研究对象的空腹血糖代入上述线性回归方程,计算出相应的预测HbAlc,将实际HbAlc减去预测HbAlc即得出HGI。依据HGI值(%),采用三分位数法将462名受试者分为三组,依次是低HGI(L-HGI)组、中HGI(M-HGI)组和高HGI(H-HGI)组,比较三组间各基线信息是否存在差异,采用二元Logistic回归分析HGI和其他心血管代谢危险因素对颈动脉内膜增厚的独立作用。本研究数据均使用SPSS 21.0统计学软件进行数据分析。P<0.05表示差异有统计学意义。结果:(1)各组间性别、年龄、糖尿病病程、体重指数、收缩压、舒张压、空腹血糖、白细胞计数、高密度脂蛋白胆固醇、尿酸比较均无显著差异(P>0.05);(2)各组间HbAlc、餐后2小时血糖、空腹C肽、甘油三脂、总胆固醇、低密度脂蛋白胆固醇、颈动脉内中膜厚度及颈动脉内膜增厚比例比较,差异有统计学意义(P<0.05),与L-HGI组颈动脉内中膜厚度(0.73±0.22mm)相比,M-HGI组颈动脉内中膜厚度(0.81±0.22mm)和H-HGI组颈动脉内中膜厚度(0.83±0.22mm)升高,差异具有统计学意义(P<0.05),H-HGI组空腹C肽(1.50±0.94ng/ml)较 L-HGI 组(1.99±0.96ng/ml)和 M-HGI 组(1.87±1.02ng/ml)均降低,差异具有统计学意义(P<0.05),HbAlc、餐后2小时血糖在L-HGI组、M-HGI组和H-HGI三组中依次升高,差异具有统计学意义(P<0.05),与L-HGI组相比,H-HGI组颈动脉内中膜厚度、颈动脉内膜增厚比例、HbAlc、餐后2小时血糖、甘油三酯、总胆固醇、低密度脂蛋白胆固醇均升高,差异具有统计学意义(P<0.05);(3)以颈动脉内膜是否增厚为因变量,行Logistic回归分析显示,低密度脂蛋白胆固醇升高、甘油三酯升高、HGI升高、年龄增加、尿酸升高是颈动脉内膜增厚的独立危险因素(P<0.05),HGI升高是颈动脉内膜增厚的独立危险因素(OR=1.158,95%CI:1.022-1.312,P=0.021)。结论:2型糖尿病患者高HGI组颈动脉内中膜厚度、颈动脉内膜增厚比例、HbAlc、餐后2小时血糖、甘油三酯、总胆固醇、低密度脂蛋白胆固醇较低HGI组均升高,颈动脉内膜增厚的独立危险因素是低密度脂蛋白胆固醇、甘油三酯、HGI、年龄和尿酸,本研究显示HGI有望成为2型糖尿病并发大血管病变风险预测因素之一。
其他文献
目的:观察补血方联合造血刺激治疗较低危骨髓增生异常综合征(MDS)患者的近期疗效,分析疗效的影响因素,探讨本方案治疗优势。方法:纳入2011年1月至2019年1月广东省中医院血液科门诊和住院部接受了本方案诊治至少6个月的较低危MDS患者,治疗上均予补血方为基础方,同时接受常规造血刺激和支持治疗。回顾性分析患者的临床资料、外周血象、骨髓象、输血需求、中医症状、近期临床疗效、疗效影响因素及生存情况等。
因了诗仙李白的千年渲染,如今的黄河似无须亲见其模样了。只要说起黄河,只要看见黄河二字,脑子里就会叠印出一组图像:君不见黄河之水天上来,奔流到海不复还……黄河发源于青藏高原
随着大数据时代的到来和人工智能的逐渐成熟,寻求分析和利用大规模原始数据并从中发掘价值信息的方式是学术界的研究重点。聚类技术在数据挖掘中占据重要地位,由海量数据中获取数据潜在内部结构是当下人工智能领域的重点研究任务。截至目前,无监督学习领域主要包括两类最具竞争力聚类技术,一是密度峰值聚类(Clustering by Fast Search and Find of Density Peaks,DPC)
根据潜艇电力推进系统中六相同步电机(SSM)静止坐标系下的数学模型,针对其数学模型是一个多变量、非线性、强耦合的系统,利用矢量坐标变换,建立了更易于分析的旋转坐标系下的SS