编辑推荐：
为解决传统糖尿病管理方式的不足，研究人员开展 “AI 支持的连续血糖监测（CGM）移动应用对血糖控制和体重管理影响” 的研究。结果显示该应用可改善血糖控制、促进体重减轻，这为慢性病管理提供了新途径。
在当今数字化时代，健康管理正经历着巨大变革。随着生活方式的改变和人口老龄化加剧，糖尿病及其前期病症的患病率不断攀升，预计到 2050 年，全球将有 13 亿人患 2 型糖尿病（T2D） 。传统的糖尿病预防和管理方法，如糖尿病预防计划（DPP），虽有一定成效，能降低患 T2D 的风险，但存在诸多问题。其依赖定期临床就诊、一对一指导和自我报告数据，给用户带来沉重负担，导致参与度低，且成本高昂，限制了其普及。此外，连续血糖监测（CGM）系统虽为糖尿病管理带来新希望，可让患者及时调整饮食、运动和药物，但对于非胰岛素治疗的人群，长期使用不仅身体负担大，经济成本也高，且难以看到即时收益。在这样的背景下，开展新的研究，探索更有效的糖尿病管理方式迫在眉睫。
来自美国的研究人员，为了探究先进的用户应用程序和 AI 框架能否改善代谢健康，以及改善效果与用户参与度是否相关，开展了一项关于 “January V2” 数字健康平台的研究。该研究成果发表在《npj Digital Medicine》上。
研究人员采用了多种关键技术方法：
- 建立用户队列：研究纳入 944 名参与者，均为 2022 年 1 月至 2023 年 12 月购买并使用 “January V2” 应用程序的用户，涵盖健康人群、前驱糖尿病和 T2D 患者，通过自我报告确定疾病状态。
- 使用相关设备与应用：参与者佩戴 CGM（雅培 FreeStyle Libre 2）进行 5 - 14 天的 “AI 训练”，之后 15 - 90 天不使用 CGM；同时佩戴智能手表（苹果手表、Fitbit 或 Oura Ring）监测静息心率。“January V2” 应用程序集成了 CGM、心率数据和用户输入的饮食数据，构建 “数字双胞胎” 个性化虚拟模型。
- 数据收集与分析：收集 14 天数据，前 5 天为基线期（1 天用于 CGM 校准被排除），后 9 天为干预期。测量指标包括时间范围（TIR，血糖在 70 - 180mg/dL 的时间占比）、体重、高血糖和低血糖事件频率、最后一餐与睡眠间隔等。运用 Python 及相关库进行统计分析，通过配对 t 检验评估各队列内数据变化的显著性，使用多元回归分析控制潜在混杂因素 。
研究结果如下：
- TIR 改善：基线 TIR 较低（<90%）的用户改善显著。健康用户 TIR 从 74.7% 提升至 85.5%，T2D 用户从 49.7% 提升至 57.4%，“超级用户”（power users，每日平均记录 3 种及以上食物的用户）TIR 从 75.5% 提升至 85.6%，表明用户参与度与血糖控制存在相关性。
- 体重管理：74.4% 的参与者（702 人）有完整体重数据，平均在 33 天内体重减轻 3.3 磅，前驱糖尿病队列和 “超级用户” 减重最为明显，分别达 4.0 磅。
- 血糖事件：总体人群高血糖事件无显著变化，但前驱糖尿病用户高血糖事件从每天 1.14 次降至 0.95 次；所有队列低血糖事件均显著减少，健康用户从每天 0.17 次降至 0.06 次，表明血糖稳定性有所改善。
- AI 推荐效果：对比 AI 训练期和干预期，引入 AI 推荐后，所有用户平均 TIR 从 80.2% 提升至 85.6%，“超级用户” 从 81.0% 提升至 88.2%，说明 AI 驱动的个性化推荐对血糖控制有额外益处。
- 葡萄糖管理指标（GMI）：研究开始时 GMI 为 5.734%，结束时降至 5.718%，虽变化微小，但经配对 t 检验，P 值为 0.042<0.05，表明干预对参与者葡萄糖管理有积极影响。
- 最后一餐睡眠间隔：除 T2D 用户外，其他用户最后一餐睡眠间隔从 2.80 小时略微增加到 3.06 小时，提示非 T2D 群体饮食时间可能向更健康方向转变，但 T2D 用户无显著变化。
- 热量和宏量营养素摄入：所有组均实现减少碳水化合物和糖摄入，增加蛋白质和纤维摄入的目标。T2D 组蛋白质和纤维摄入增加最多，脂肪摄入略有增加，可能是用高脂肪食物替代了高碳水 “升糖食物” 。
研究结论和讨论部分指出，“January V2” 这样的数字健康干预平台在改善不同代谢健康阶段人群的血糖控制和支持体重管理方面具有潜力。即使在相对不结构化的环境中，数字干预也能发挥有效作用。用户参与度与改善结果密切相关，“超级用户” 在 TIR 和体重减轻方面改善更显著。然而，该研究存在局限性，如缺乏对照组，可能存在安慰剂效应或其他非特异性影响；样本可能存在选择偏倚，参与者多为主动购买使用应用的人群，代表性有限；干预时间较短，无法评估长期效果、依从性和可持续性；未收集参与者同时使用的减肥或糖尿病药物及参与其他相关项目的数据，可能影响研究结果归因；依赖自我报告数据，存在回忆偏倚，且未考虑一些潜在混杂变量。
尽管如此，该研究仍具有重要意义。它为未来慢性病管理提供了新方向，医疗系统可试点将灵活的数字干预整合到标准护理项目中。后续研究应开展多中心随机对照试验，比较标准护理与数字干预效果，评估对临床结局（如糖化血红蛋白 HbA1c水平、糖尿病发病率和心血管事件）的影响，同时进行成本效益分析，确定不同人群的最佳实施策略，进一步探索数字健康干预的长期可持续性，以充分发挥其在慢性病管理中的潜力 。
