医脉通编辑整理，未经授权请勿转载。

IgA肾病（IgAN）目前被认为是世界范围内最常见的原发性肾小球疾病之一，占原发性肾小球肾炎的30%。它是引起终末期肾病（ESRD）的主要病因之一。高尿酸血症指由于嘌呤代谢紊乱和尿酸代谢障碍导致血液尿酸水平升高,。与一般人相比，IgAN患者合并高尿酸血症的发病率更高，预后也更差。因此，确定IgAN合并高尿酸血症进展的相关危险因素具有重要的科学和临床意义。

目前现有的研究只探讨了高尿酸血症的影响因素，却未能充分评估特定因素的权重。本研究旨在探讨影响IgAN高尿酸血症的危险因素，并建立风险预测模型，为早期识别高尿酸症高危人群提供科学依据和参考，并为临床制定有针对性的诊断和治疗措施提供依据。

研究设计

IgAN患者的基线数据来自郑州大学医院第一附属医院的电子病历系统。通过以下入排标准共纳入1184例IgAN患者，收集其人口学及临床病理特征。

纳入标准：（1）2012年1月至2018年6月，肾活检诊断为IgAN；（2）年满18岁；（3）完整的数据。

排除标准：（1）没有可用的MEST-C病理评分，或基线估计肾小球滤过率（eGFR）数据缺失；（2）在研究开始前，使用皮质类固醇和免疫抑制剂进行治疗，并服用降尿酸药物和影响血尿酸的药物，如利尿剂、β受体阻滞剂等；（3）继发性IgAN：包括系统性红斑狼疮、过敏性紫癜、强直性脊柱炎、银屑病、肝病和肿瘤。

将十分之七的患者随机分配到训练队列（n=841），将十分之三的患者随机分组到验证队列（n=343）。采用单因素和多因素logistic回归分析筛选高尿酸血症危险因素，并确定独立的预测因素。

采用受试者工作特征曲线下面积（AUC）来辨别高尿酸血症风险图真阳性和假阳性。为了评估其校准能力，绘制校准曲线。决策曲线分析（DCA）通过计算不同阈值概率下IgAN患者高尿酸血症风险模型的净收益，来确定其在临床上的实用性。

研究结果

1.筛选预测因子

通过单因素Logistic回归分析选出了12个潜在预测因素，接着使用多因素Logistic回归分析进一步筛选出了8个潜在的预测因素，包括性别、低白蛋白血症、高甘油三脂血症、血尿素氮（BUN）、肾小球滤过率（eGFR）、24小时尿蛋白（24小时TP）、总血尿（BUN）和肾小管萎缩/间质纤维化（T）（表1）。

表1 利用训练队列数据进行单因素和多因素Logistic回归分析

1.1.png

1.2.png

1.3.png

2.预测模型建立

基于上述结果构建IgAN患者高尿酸血症风险的预测模型（图1）。列线图预测高尿酸血症风险的AUC为0.834（95%CI0.804–0.864）（图2A），通过验证的AUC为0.787（95%CI0.736–0.839）（图2B），表明该模型预测性能中等，具有良好的识别性。决策曲线分析显示高尿酸血症风险列线图具有临床应用价值。（图2E、图2F）。

图1 预测IgAN患者高尿酸血症风险的列线图

3.1.png

3.2.png

图2 训练队列和验证队列的曲线

A.训练队列的ROC曲线B.验证队列的ROC曲线

C.训练队列的决策曲线分析D.验证队列的决策曲线分析

研究讨论

目前诸多研究表明，高尿酸血症会加重IgAN的预后，因此，我们应更加重视IgAN患者合并高尿酸血症的危险因素，并建立一个综合的高尿酸血症风险预测模型，以便在早期进行干预，延缓疾病进展，预防ESRD的发生。

与以往的研究相比，本研究提供了一套完整的IgAN合并高尿酸血症的预测模型，并验证了其可行性。此外，该研究样本量比以往的研究更大，为临床实践提供了更有价值的参考。

但是目前的研究还存在一定局限性。首先，列线图模型是通过对单个机构的临床病理数据进行回顾性分析来开发和验证的，这可能会导致结论存在一些偏差。其次，本研究没有对患者的饮食习惯、运动方式等指标进行统计分析，可能会遗漏其他重要参数。最后，由于不同的治疗方案，纳入的患者在结果中可能会存在不可避免的偏倚。因此，在列线图模型被广泛应用之前，需要使用来自多个中心的数据，并进行外部验证，以进一步评价其准确性和可靠性。

综上所述，本研究中开发的列线图基于临床病理因素，能够有效预测IgAN患者患高尿酸血症的风险。这一实用的新方法为IgAN患者的高尿酸血症风险评估提供了有力支持。

参考文献：Geng Y H, Zhang Z, Zhang J J, et al. Established the first clinical prediction model regarding the risk of hyperuricemia in adult IgA nephropathy[J]. Int Urol Nephrol, 2023 Feb 08.