Objetivo principal:
Desarrollar y validar un score clínico para identificar personas diabéticas adultas con alto riesgo de Diabetes Latente Autoinmune del Adulto (LADA).
Objetivos secundarios:
- Validar externamente el score de Fourlanos.
- Estimar la frecuencia de LADA en diabéticos adultos de reciente diagnóstico.
- Describir las características de dichos pacientes (LADA/No LADA) en esta población.
Población de estudio:
Todos los pacientes diabéticos mayores de 30 años diagnosticados en los últimos 4 años (y que al menos lleven 6 meses diagnosticados) pertenecientes a varios centros de salud urbanos de Madrid, identificados mediante la consulta a Sistemas de Información de AP Madrid.
Fuentes de datos:
Historias clínicas electrónicas, entrevistas clínicas, exploración física, analítica que incluya anticuerpos anti islote pancreático (anti GAD).
Variables:
Criterios de LADA según la IDS, variables sociodemográficas, antropométricas, clínicas, hábitos de vida, variables analíticas, comorbilidades, tratamientos para la DM y para otras patologías, antecedentes personales y familiares de trastorno autoinmune ligado al HLA DR3/DQ2 o DR4/DQ8, criterios de Fourlanos.
Análisis de datos:
En primer lugar, se procederá a realizar una estadística descriptiva de las características demográficas y clínicas de los pacientes incluidos en el estudio, estratificándose posteriormente entre pacientes con y sin LADA según los criterios de la IDS. La estimación de pacientes con LADA se hará con su intervalo de confianza al 95%.
Para la comparación entre subgrupos de variables cuantitativas se aplicará la prueba de la t de Student o la prueba no paramétrica U de Mann-Whitney en caso de distribuciones no normales. Para la comparación de variables cualitativas se utilizará χ métodos no asintóticos de Montecarlo y la prueba exacta.
La interpretación de las tablas se efectuará mediante los residuos tipificados corregidos. Por último, con el objetivo de encontrar factores predictivos de LADA, se realizará un modelo de regresión logística binaria tras un análisis univariante previo, el cual identificará las variables independientes relacionadas con LADA que serán introducidas en el modelo multivariante para la selección final. La evaluación de la validez del modelo se efectuará mediante el método Shrinkage, cuyo objetivo es mejorar las predicciones a partir del modelo de regresión logística original. También se determinará la capacidad discriminatoria del modelo calculando los estadísticos C de Harrell y las medidas del poder discriminatorio de los modelos en las muestras de desarrollo y validación. Este análisis será realizado en los modelos originales y en los modelos ajustados por un factor Shrinkage uniforme. La diferencia de los 2 estadísticos C de Harrell deberá ser inferior a 0,10 para considerar que el modelo creado tenga validez discriminatoria y pueda ser considerado un modelo muy fiable.
Se calibrarán los modelos obtenidos mediante el estudio de la concordancia entre los resultados observados y los pronosticados por los modelos generados. La calibración del modelo se realizará mediante tests de bondad del ajuste (estadístico χ2 y estadístico de Hosmer-Lemeshow), calculando las pendientes de calibración y gráficos de calibración. Dada la naturaleza dicotómica de la variable respuesta, la calibración de las probabilidades de riesgo predichas se estudiará por deciles.
Para desarrollar el score clínico del estudio, primero, se estimará la puntuación de cada variable utilizando la regresión logística univariada. A continuación, se seleccionarán las seis variables más fuertemente asociadas con LADA para ser incluidas en el modelo de regresión logística multivariante. En tercer lugar, para derivar las puntuaciones asignadas a cada variable de la nueva puntuación, los coeficientes beta obtenidos en el modelo multivariado se multiplicaron por 10. La puntuación total del score clínico del estudio será la suma de estos coeficientes. Las puntuaciones más altas corresponderán a un riesgo creciente de LADA. Se calculará el rendimiento diagnóstico del modelo en términos de sensibilidad, especificidad y valores predictivos, en la población total estudiada y se replicará en la población >= 30 años. El análisis estadístico se realizará con SPSS Statistics para Windows, versión 21.0 (IBM Corp, Armonk, Nueva York, EE.UU.) y MedCalc para Windows, versión 15.8 (MedCalc Software bvba, Ostend, Bélgica).