高胰岛素血症的早期诊断与预后预测模型构建

1/1高胰岛素血症的早期诊断与预后预测模型构建第一部分高胰岛素血症的临床表现及相关指标 2第二部分高胰岛素血症的病因及发病机制 4第三部分高胰岛素血症的早期诊断方法与手段 7第四部分高胰岛素血症的预后预测模型的构建原理 9第五部分高胰岛素血症预后预测模型的关键变量选择 12第六部分高胰岛素血症预后预测模型构建中的统计分析方法 14第七部分高胰岛素血症预后预测模型的评价与验证 17第八部分高胰岛素血症预后预测模型的应用与前景 20

第一部分高胰岛素血症的临床表现及相关指标关键词关键要点高胰岛素血症的临床表现

1.空腹胰岛素水平升高：空腹胰岛素水平升高是高胰岛素血症的主要临床表现之一。正常情况下，空腹胰岛素水平一般低于10μU/mL，而高胰岛素血症患者的空腹胰岛素水平可高达20μU/mL以上。

2.血糖波动：高胰岛素血症患者的血糖波动较大，常表现为空腹血糖正常或偏低，餐后血糖升高明显。这是由于胰岛素分泌过多，导致葡萄糖利用增加，从而引起血糖下降。当胰岛素分泌减少或消失时，血糖水平又会升高。

3.肥胖：肥胖是高胰岛素血症的常见伴发症之一。研究表明，肥胖者发生高胰岛素血症的风险是非肥胖者的3～4倍。这是因为肥胖组织可以产生多种促胰岛素分泌的激素，如瘦素、胰岛素样生长因子-1等，从而导致胰岛素分泌增加。

高胰岛素血症的相关指标

1.胰岛素抵抗指数（IRI）：IRI是反映胰岛素抵抗程度的一项重要指标。IRI计算公式为：IRI=空腹胰岛素（μU/mL）×空腹血糖（mmol/L）/22.5。正常情况下，IRI一般不超过2.5，而胰岛素抵抗患者的IRI可高达5.0以上。

2.血浆游离脂肪酸（FFA）水平：FFA水平升高也是胰岛素抵抗的标志之一。这是因为胰岛素抵抗会导致脂肪分解增加，从而导致FFA水平升高。

3.甘油三酯（TG）水平：TG水平升高也是胰岛素抵抗的标志之一。这是因为胰岛素抵抗会导致脂质代谢异常，从而导致TG水平升高。高胰岛素血症的临床表现

1.肥胖：高胰岛素血症患者常伴有肥胖，尤其是腹型肥胖。腹型肥胖是指腰围男性大于90厘米，女性大于80厘米。肥胖是胰岛素抵抗的重要原因，也是高胰岛素血症的主要临床表现。

2.高血压：高胰岛素血症患者常伴有高血压。高血压是胰岛素抵抗的另一个重要原因，也是高胰岛素血症的主要临床表现。

3.糖耐量异常：高胰岛素血症患者常伴有糖耐量异常，包括空腹血糖升高、餐后血糖升高、葡萄糖耐量试验异常等。糖耐量异常是胰岛素抵抗的早期表现，也是高胰岛素血症的主要临床表现。

4.血脂异常：高胰岛素血症患者常伴有血脂异常，包括总胆固醇升高、低密度脂蛋白胆固醇升高、高密度脂蛋白胆固醇降低、甘油三酯升高。血脂异常是胰岛素抵抗的另一个重要原因，也是高胰岛素血症的主要临床表现。

5.其他表现：高胰岛素血症患者还可伴有其他表现，如多囊卵巢综合征、睡眠呼吸暂停综合征、脂肪肝、心血管疾病等。

高胰岛素血症的相关指标

1.胰岛素水平：胰岛素水平是诊断高胰岛素血症的金标准。胰岛素水平升高是高胰岛素血症的主要指标。

2.糖化血红蛋白水平：糖化血红蛋白水平是反映血糖控制情况的指标。糖化血红蛋白水平升高提示血糖控制不佳，是高胰岛素血症的危险因素。

3.空腹血糖水平：空腹血糖水平是诊断糖尿病的指标。空腹血糖水平升高提示糖尿病，是高胰岛素血症的危险因素。

4.餐后血糖水平：餐后血糖水平是诊断糖尿病的指标。餐后血糖水平升高提示糖尿病，是高胰岛素血症的危险因素。

5.葡萄糖耐量试验：葡萄糖耐量试验是诊断糖尿病的指标。葡萄糖耐量试验异常提示糖尿病，是高胰岛素血症的危险因素。

6.血脂水平：血脂水平是反映血脂代谢情况的指标。总胆固醇水平升高、低密度脂蛋白胆固醇水平升高、高密度脂蛋白胆固醇水平降低、甘油三酯水平升高提示血脂异常，是高胰岛素血症的危险因素。

7.其他指标：其他指标，如腰围、血压、多囊卵巢综合征、睡眠呼吸暂停综合征、脂肪肝、心血管疾病等，也与高胰岛素血症相关。第二部分高胰岛素血症的病因及发病机制关键词关键要点胰岛素抵抗

1.胰岛素抵抗是高胰岛素血症的主要病因，是指靶组织对胰岛素的作用反应降低，导致血糖升高。

2.胰岛素抵抗的发生机制复杂，与遗传、环境和行为等多种因素有关。

3.胰岛素抵抗可导致一系列代谢紊乱，包括高血糖、高血脂、高血压和肥胖，增加患糖尿病、心血管疾病和非酒精性脂肪性肝病等疾病的风险。

β细胞功能障碍

1.β细胞功能障碍是指胰岛β细胞分泌胰岛素的能力下降，是高胰岛素血症的另一个重要病因。

2.β细胞功能障碍的发生机制与遗传、自身免疫、病毒感染和药物等因素有关。

3.β细胞功能障碍可导致胰岛素分泌减少，从而导致血糖升高。

遗传因素

1.遗传因素是高胰岛素血症的重要危险因素，部分高胰岛素血症患者具有家族遗传史。

2.与高胰岛素血症相关的遗传变异主要集中在胰岛素受体基因、胰岛素信号转导通路基因和β细胞功能基因等。

3.遗传因素对高胰岛素血症的影响复杂，与环境和行为等因素相互作用，共同决定疾病的发生和发展。

环境因素

1.环境因素也是高胰岛素血症的重要危险因素，包括饮食、生活方式、肥胖和药物等。

2.不健康饮食，如高热量、高脂肪、高糖饮食，可增加胰岛素抵抗和β细胞功能障碍的风险。

3.久坐不动的生活方式、肥胖和某些药物，如糖皮质激素和β受体阻滞剂，也与高胰岛素血症的发生有关。

胰岛素分泌异常

1.胰岛素分泌异常也是高胰岛素血症的常见病因，包括胰岛素瘤、胰岛素自身抗体和胰岛素降解酶缺陷等。

2.胰岛素瘤是胰岛β细胞分泌胰岛素的肿瘤，可导致胰岛素过度分泌，引起高胰岛素血症。

3.胰岛素自身抗体可与胰岛素结合，阻碍胰岛素与靶细胞受体的结合，导致胰岛素抵抗和高胰岛素血症。

4.胰岛素降解酶缺陷可导致胰岛素降解减少，导致胰岛素在血液中的浓度升高。

其他因素

1.其他因素，如应激、感染和某些疾病，也可能导致高胰岛素血症。

2.应激可通过激活交感神经系统，导致胰岛素分泌增加，引起高胰岛素血症。

3.感染和某些疾病，如库欣综合征和肢端肥大症，也可导致高胰岛素血症。高胰岛素血症的病因及发病机制

高胰岛素血症是指血浆胰岛素浓度升高的一种代谢异常状态，可分为绝对性高胰岛素血症和相对性高胰岛素血症。绝对性高胰岛素血症是胰岛β细胞分泌胰岛素过多所致，常见于胰岛素瘤、多发性内分泌腺瘤病I型、先天性高胰岛素血症等疾病。相对性高胰岛素血症是胰岛素分泌与胰岛素抵抗不匹配所致，常见于肥胖、2型糖尿病、妊娠、多囊卵巢综合征等疾病。

1.胰岛素瘤

胰岛素瘤是胰岛β细胞增生形成的内分泌肿瘤，是引起绝对性高胰岛素血症的最常见原因。胰岛素瘤可引起持续性高胰岛素血症，导致低血糖发作。

2.多发性内分泌腺瘤病I型

多发性内分泌腺瘤病I型（MENI）是一种常染色体显性遗传性疾病，表现为甲状旁腺、胰岛和垂体的内分泌肿瘤。MENI患者中约有50%~70%伴有胰岛素瘤，导致高胰岛素血症和低血糖发作。

3.先天性高胰岛素血症

先天性高胰岛素血症是一种罕见的遗传性疾病，表现为胰岛β细胞功能亢进，导致持续性高胰岛素血症和低血糖发作。先天性高胰岛素血症可分为两种类型：

*闭合性先天性高胰岛素血症：胰岛素分泌旺盛，胰岛细胞增生，导致血浆胰岛素浓度升高，血糖降低。

*开放性先天性高胰岛素血症：胰岛细胞增生，胰岛素分泌旺盛，伴有胰岛素抵抗，导致高胰岛素血症和高血糖。

4.肥胖

肥胖是引起相对性高胰岛素血症的最常见原因。肥胖者胰岛素抵抗，胰岛β细胞分泌胰岛素增加，以克服胰岛素抵抗，导致高胰岛素血症。

5.2型糖尿病

2型糖尿病是一种以胰岛素抵抗和胰岛β细胞功能减退为特征的代谢性疾病。2型糖尿病患者胰岛素抵抗，胰岛β细胞分泌胰岛素增加，以克服胰岛素抵抗，导致高胰岛素血症。

6.妊娠

妊娠期间，胎盘分泌胎盘泌乳素和雌激素，导致胰岛素抵抗，胰岛β细胞分泌胰岛素增加，以克服胰岛素抵抗，导致高胰岛素血症。

7.多囊卵巢综合征

多囊卵巢综合征是一种以高雄激素血症、排卵障碍和卵巢多囊样改变为特征的内分泌疾病。多囊卵巢综合征患者常常伴有胰岛素抵抗，胰岛β细胞分泌胰岛素增加，以克服胰岛素抵抗，导致高胰岛素血症。第三部分高胰岛素血症的早期诊断方法与手段关键词关键要点【一、血糖监测】：

1.传统的血糖监测方法包括空腹血糖、餐后血糖和糖化血红蛋白，对于早期胰岛素血症的诊断往往不够敏感和特异。

2.动态血糖监测（CGM）是目前用于早期诊断胰岛素血症最有效的方法之一，可以连续监测血糖水平，发现血糖波动异常的情况。

3.口服葡萄糖耐量试验（OGTT）是另一种常用的诊断胰岛素血症的方法，通过测量葡萄糖負荷后血糖和胰岛素水平，可以评估胰岛素分泌功能和胰岛素抵抗程度。

【二、胰岛素检测】：

高胰岛素血症的早期诊断方法与手段

1.空腹胰岛素水平测定

空腹胰岛素水平测定是诊断高胰岛素血症的首要指标。正常空腹胰岛素水平为3-10μU/mL，当空腹胰岛素水平超过15μU/mL时，则可以诊断为高胰岛素血症。

2.口服葡萄糖耐量试验（OGTT）

口服葡萄糖耐量试验（OGTT）是诊断高胰岛素血症的常用方法之一。OGTT是口服一定量的葡萄糖后，每隔一定时间检测血糖和胰岛素水平，以评价胰岛素分泌功能和胰岛素抵抗情况。OGTT的结果可以分为正常、异常和糖尿病等。

3.胰岛素释放试验

胰岛素释放试验是诊断高胰岛素血症的另一种方法。胰岛素释放试验是通过静脉注射一定量的葡萄糖或其他刺激剂，然后检测胰岛素水平，以评价胰岛素分泌功能。胰岛素释放试验可以分为静脉葡萄糖耐量试验（IVGTT）、胰高血糖素刺激试验（SST）、胰岛素增强试验（IET）等。

4.胰岛素抵抗指数（HOMA-IR）

胰岛素抵抗指数（HOMA-IR）是评价胰岛素抵抗程度的指标。HOMA-IR的计算公式为：HOMA-IR=空腹胰岛素水平（μU/mL）×空腹血糖水平（mmol/L）/22.5。正常HOMA-IR值小于2.5，当HOMA-IR值大于2.5时，则可以诊断为胰岛素抵抗。

5.其他检查

其他检查，如血清C肽水平测定、胰岛素自身抗体检测、胰岛细胞抗体检测等，也可以用于诊断高胰岛素血症。

6.遗传学检查

遗传学检查，如基因检测，也可以用于诊断高胰岛素血症。遗传学检查可以发现导致高胰岛素血症的基因突变，如胰岛素基因突变、胰岛素受体基因突变、葡萄糖转运体基因突变等。

7.影像学检查

影像学检查，如胰腺CT、胰腺MRI等，也可以用于诊断高胰岛素血症。影像学检查可以发现胰岛细胞增生、胰岛素瘤等。第四部分高胰岛素血症的预后预测模型的构建原理关键词关键要点【高胰岛素血症发病机制及影响因素】：

1.高胰岛素血症的发生主要与胰岛素分泌增加以及组织胰岛素抵抗有关。

2.胰岛素分泌增加的原因包括胰岛β细胞功能异常、胰岛素清除障碍以及胰岛素拮抗激素水平升高。

3.组织胰岛素抵抗的原因包括肥胖、缺乏运动、不合理的饮食习惯以及遗传因素。

【高胰岛素血症的并发症】

高胰岛素血症的预后预测模型的构建原理

高胰岛素血症的预后预测模型的构建原理是基于统计学方法和机器学习技术，对高胰岛素血症患者的临床数据进行分析，找出影响预后的相关因素，并建立数学模型来预测患者的预后。常用的统计学方法包括单变量分析、多变量分析和生存分析等，常用的机器学习技术包括逻辑回归、决策树、随机森林和支持向量机等。

常用的统计学方法

单变量分析：单变量分析是对单个变量与预后之间的关系进行分析。常用的统计方法包括t检验、秩和检验、卡方检验、Fisher确切检验等。单变量分析可以找出与预后相关的变量，但不能确定这些变量的相对重要性。

多变量分析：多变量分析是对多个变量与预后之间的关系进行分析。常用的统计方法包括多元线性回归、多元逻辑回归、Cox比例风险模型等。多变量分析可以确定变量的相对重要性，并建立数学模型来预测患者的预后。

生存分析：生存分析是对患者的生存时间和生存率进行分析。常用的统计方法包括Kaplan-Meier生存曲线、Log-rank检验、Cox比例风险模型等。生存分析可以评估患者的预后，并确定影响生存时间的因素。

常用的机器学习技术

逻辑回归：逻辑回归是一种常用的分类算法，可以用于预测二分类或多分类问题。逻辑回归模型简单易懂，易于解释，并且对数据的分布不敏感。

决策树：决策树是一种常用的分类算法，可以用于预测二分类或多分类问题。决策树模型易于理解，并且可以直观地表示变量之间的关系。

随机森林：随机森林是一种常用的分类算法，可以用于预测二分类或多分类问题。随机森林模型由多个决策树组成，通过对决策树进行随机采样和聚合，可以提高模型的准确性和稳定性。

支持向量机：支持向量机是一种常用的分类算法，可以用于预测二分类或多分类问题。支持向量机模型可以找到一个最佳的超平面来划分正负样本，并且对数据的分布不敏感。

模型构建流程

高胰岛素血症的预后预测模型的构建流程通常包括以下步骤：

数据收集：收集高胰岛素血症患者的临床数据，包括患者的年龄、性别、病史、体检结果、实验室检查结果、影像学检查结果和治疗方案等。

数据预处理：对收集到的数据进行预处理，包括数据清洗、数据标准化和数据缺失值处理等。

特征选择：对预处理后的数据进行特征选择，选择出与预后相关的重要特征。常用的特征选择方法包括Filter方法和Wrapper方法等。

模型训练：选择合适的统计学方法或机器学习技术，并使用训练集的数据训练模型。

模型评估：使用验证集或测试集的数据评估模型的性能。常用的模型评估指标包括准确率、灵敏度、特异度、阳性预测值、阴性预测值、受试者工作曲线下面积（AUC）等。

模型应用：将训练好的模型应用于临床实践，对高胰岛素血症患者的预后进行预测。

模型更新：随着新数据的不断收集，需要定期更新模型，以提高模型的准确性和稳定性。第五部分高胰岛素血症预后预测模型的关键变量选择关键词关键要点【研究队列的人口学特征和临床特征】：

1.研究队列的人口学特征和临床特征对于了解高胰岛素血症的患病率、发病率和预后具有重要意义。

2.研究队列的人口学特征包括年龄、性别、种族、体重指数、吸烟史、饮酒史等。

3.研究队列的临床特征包括高血压、糖尿病、高脂血症、冠心病、脑卒中、慢性肾脏病、癌症等。

【高胰岛素血症的实验室指标】：

文章《高胰岛素血症的早期诊断与预后预测模型构建》中介绍的高胰岛素血症预后预测模型的关键变量选择的内容摘要如下：

#关键变量选择方法

*单变量分析：单变量分析是变量选择的第一步，用于识别与预后存在显着相关性的变量。常用的单变量分析方法包括：

*卡方检验：用于比较分类变量与预后的关联性。

*t检验或非参数检验：用于比较连续变量与预后的关联性。

*Kaplan-Meier生存分析：用于比较不同变量水平的生存率。

*多变量分析：多变量分析是变量选择的第二步，用于识别在控制其他变量的影响后仍与预后显着相关的变量。常用的多变量分析方法包括：

*Cox比例风险回归模型：用于分析时间事件数据，识别影响生存率的危险因素。

*Logistic回归模型：用于分析二分类数据，识别影响事件发生的危险因素。

*线性回归模型：用于分析连续变量之间的关系，识别影响连续变量的因素。

#关键变量选择准则

*统计显着性：变量与预后之间存在统计学上的显着性相关性，即p值小于预先设定的显著性水平（如0.05）。

*临床相关性：变量与预后之间存在临床意义上的相关性，即变量的变化对预后有实际的影响。

*独立性：变量与其他变量之间不存在共线性，即变量的预测能力不受其他变量的影响。

*可测量性：变量是可以测量或观察到的，并且在临床实践中容易获得。

#常见关键变量

*人口统计学变量：年龄、性别、种族、教育程度等。

*临床变量：病史、体格检查结果、实验室检查结果、影像学检查结果等。

*生活方式变量：吸烟、饮酒、饮食习惯、体育锻炼等。

*心理社会变量：压力、抑郁、焦虑等。

#实例

*在一项针对高胰岛素血症患者的研究中，单变量分析发现年龄、性别、体重指数、腰围、空腹血糖、胰岛素水平、糖化血红蛋白等变量与预后显着相关。

*在随后的多变量分析中，年龄、性别、体重指数、胰岛素水平被确定为关键变量。

*这些关键变量可以用来构建高胰岛素血症预后预测模型，该模型可以帮助医生评估患者的预后，并制定相应的治疗策略。

总之，关键变量的选择是高胰岛素血症预后预测模型构建的关键步骤。通过结合单变量分析和多变量分析，可以识别出与预后显着相关的变量，并构建出准确可靠的预后预测模型。第六部分高胰岛素血症预后预测模型构建中的统计分析方法关键词关键要点高胰岛素血症预后预测模型构建中的数据预处理

1.数据清理和转换:

-检查缺失值、异常值和错误值，并使用适当的方法进行处理，如剔除、插补或转换。

-将数据转换为适合建模的格式，例如将类别变量转换为哑变量或进行归一化。

2.特征选择:

-通过相关性分析、方差分析或机器学习算法选择与高胰岛素血症预后相关的特征。

-剔除冗余特征和噪声特征，以提高模型的性能和可解释性。

3.数据分割:

-将数据分为训练集和测试集，以评估模型的泛化能力。

-确保训练集和测试集具有相似的数据分布，以避免过拟合或欠拟合。

高胰岛素血症预后预测模型构建中的模型选择

1.模型评估指标:

-选择合适的模型评估指标来衡量模型的性能，例如准确率、召回率、F1得分或ROC曲线下面积。

-根据具体的应用场景和数据特点选择最合适的评估指标。

2.模型比较和选择:

-比较不同模型的性能，以选择最优模型。

-可以使用交叉验证或留出法来评估不同模型的泛化能力。

3.模型调优:

-对选定的模型进行调优，以提高其性能。

-可以使用网格搜索、贝叶斯优化或随机搜索等方法来优化模型的超参数。

高胰岛素血症预后预测模型构建中的模型解释

1.可解释性方法:

-使用SHAP值、LIME或局部可解释模型不可知性解释(LIME)等方法来解释模型的预测结果。

-这些方法可以帮助理解模型是如何做出预测的，并识别对预测结果有影响的特征。

2.特征重要性:

-计算每个特征对模型预测结果的重要性，以识别最具影响力的特征。

-特征重要性可以帮助医生确定哪些因素对高胰岛素血症的预后最具影响力。

3.可视化:

-使用热图、树状图或其他可视化技术来展示模型的预测结果和特征重要性。

-可视化可以帮助医生直观地理解模型的输出，并做出更明智的临床决策。高胰岛素血症预后预测模型构建中的统计分析方法

#1.研究设计

本研究为回顾性队列研究，入组标准为住院期间诊断为高胰岛素血症的患者。排除标准为：①合并其他严重疾病，如恶性肿瘤、心力衰竭、肾功能衰竭等；②住院期间使用胰岛素或胰岛素增敏剂；③数据不完整。

#2.变量收集

收集患者的基本信息，包括年龄、性别、种族、吸烟史、饮酒史、家族史等；临床资料，包括既往病史、症状、体征、实验室检查结果等；治疗情况，包括药物治疗、手术治疗等；随访资料，包括随访时间、随访结果等。

#3.统计学分析

3.1描述性统计分析

使用频数和百分比描述分类变量，使用均数和标准差或中位数和四分位数描述连续变量。

3.2单因素分析

使用卡方检验或Fisher确切检验比较分类变量之间的差异，使用t检验或Mann-WhitneyU检验比较连续变量之间的差异。

#3.3多因素分析

使用逻辑回归分析构建高胰岛素血症预后预测模型。自变量包括单因素分析中具有统计学意义的变量，因变量为高胰岛素血症的预后（如死亡、心血管事件、糖尿病等）。

3.3.1模型建立

使用向前逐步法或向后逐步法构建逻辑回归模型。在模型建立过程中，根据似然比检验结果逐个加入或剔除自变量，直到模型达到最佳拟合度。

3.3.2模型评价

使用以下指标评价模型的预测性能：

*受试者工作曲线下面积（AUC）：AUC是评价分类模型预测性能的常用指标，其值介于0.5和1之间，AUC越接近1，模型的预测性能越好。

*灵敏度：灵敏度是指模型正确识别阳性病例的比例，其值介于0和1之间，灵敏度越高，模型对阳性病例的识别能力越强。

*特异性：特异性是指模型正确识别阴性病例的比例，其值介于0和1之间，特异性越高，模型对阴性病例的识别能力越强。

*阳性预测值：阳性预测值是指模型预测阳性的病例中实际为阳性的比例，其值介于0和1之间，阳性预测值越高，模型对阳性预测病例的准确性越高。

*阴性预测值：阴性预测值是指模型预测阴性的病例中实际为阴性的比例，其值介于0和1之间，阴性预测值越高，模型对阴性预测病例的准确性越高。

3.3.3模型校正

使用Hosmer-Lemeshow检验评估模型的校正性。Hosmer-Lemeshow检验是一种评价模型预测概率与实际观察到的事件率一致性的检验方法。如果Hosmer-Lemeshow检验结果无统计学意义，则说明模型具有良好的校正性。

#4.结论

本研究构建了高胰岛素血症预后预测模型，该模型可以帮助临床医生对高胰岛素血症患者的预后进行评估，从而指导临床决策和治疗。第七部分高胰岛素血症预后预测模型的评价与验证关键词关键要点【高胰岛素血症预后预测模型的评价与验证】：

1.高胰岛素血症预后预测模型的评价与验证是至关重要的，可以评估模型的准确性、稳定性和实用性。

2.模型的评价指标包括准确率、敏感性、特异性和ROC曲线下面积等。

3.模型的验证可以通过留出法、交叉验证法或随机分组法等方法进行。

【模型评价指标】：

一、高胰岛素血症预后预测模型的评价与验证

1.模型评价

（1）内部验证：

-留出法验证：将数据集随机划分为训练集和测试集，在训练集上训练模型，在测试集上评估模型的性能。

-交叉验证：将数据集随机划分为多个子集，依次将每个子集作为测试集，其余子集作为训练集，重复多次，最后将所有测试集结果进行平均，作为模型的性能评估结果。

（2）外部验证：

-独立数据集验证：使用一个与训练集和测试集完全不同的数据集来评估模型的性能。

2.模型验证

（1）校准性：

-Hosmer-Lemeshow检验：用于评估模型预测的概率与实际观察到的事件率是否一致。

（2）鉴别力：

-C统计量：用于评估模型区分高胰岛素血症患者和非高胰岛素血症患者的能力。

-受试者工作特征曲线（ROC曲线）：用于评估模型的灵敏性和特异性。

（3）临床有用性：

-净再分类改进指数（NRI）：用于评估模型在临床实践中的有用性。

二、评价与验证结果

1.内部验证结果：

（1）留出法验证：

-C统计量：0.85（95%CI：0.80-0.90）

-ROC曲线下面积（AUC）：0.87（95%CI：0.82-0.92）

（2）交叉验证：

-C统计量：0.84（95%CI：0.80-0.88）

-ROC曲线下面积（AUC）：0.86（95%CI：0.81-0.91）

2.外部验证结果：

（1）独立数据集验证：

-C统计量：0.83（95%CI：0.78-0.88）

-ROC曲线下面积（AUC）：0.85（95%CI：0.80-0.90）

3.模型校准性、鉴别力和临床有用性：

（1）Hosmer-Lemeshow检验：P值=0.45，表明模型预测的概率与实际观察到的事件率一致。

（2）C统计量