数字互动提升了双重GIP/GLP-1受体激动剂和GLP-1受体激动剂的疗效：一项关于数字减肥服务对结果和安全性的回顾性队列分析

《DIABETES OBESITY & METABOLISM》：Digital engagement enhances dual GIP/GLP-1 receptor agonist and GLP-1 receptor agonist efficacy: A retrospective cohort analysis of a digital weight loss service on outcomes and safety

数字健康参与显著提升双重GIP/GLP-1RA和GLP-1RA药物治疗肥胖疗效，11个月减重达21.5% vs 17.0%，且安全事件发生率相当。

　　在当今社会，肥胖已成为一个全球性的公共卫生问题。据估计，全球有38%的人口处于超重或肥胖状态，预计到2035年这一比例将上升至51%。肥胖不仅影响个人健康，还与多种慢性疾病密切相关，如心血管疾病、2型糖尿病、癌症以及早逝等。传统的肥胖治疗方法，如单纯的生活方式调整，往往难以在长期中维持效果，许多人会在36周内重新获得失去的体重。然而，随着药物治疗手段的出现，尤其是以GLP-1受体激动剂（GLP-1RAs）和双靶点药物（GIP/GLP-1RA）为代表的新型疗法，为肥胖管理带来了新的希望。

GLP-1RAs是一种通过激活胰高血糖素样肽-1（GLP-1）受体来调节血糖和体重的药物，它们在控制体重方面表现出显著的疗效。例如，近期的荟萃分析显示，替尔肽（tirzepatide）在治疗中实现了平均体重减轻16.32%的效果，显著优于安慰剂。与此同时，双靶点药物如西格列汀（semaglutide）和替尔肽（tirzepatide）在关键试验中也展示了强大的减重潜力，如SELECT试验中，接受西格列汀治疗的患者在208周时实现了平均10.2%的体重减轻，而SURMOUNT-5试验则显示替尔肽在72周时可实现20.2%的体重下降。这些药物的出现标志着肥胖治疗领域的一次重大突破，它们不仅在临床试验中表现出色，还为患者提供了更多可选择的治疗方案。

然而，尽管药物治疗效果显著，但其在实际应用中的表现仍需进一步验证。传统随机对照试验（RCT）虽然为药物的疗效提供了有力证据，但这些研究通常基于受控环境下的特定人群，难以完全反映现实世界中的复杂情况。因此，为了更好地理解药物在实际临床环境中的效果，需要将数字健康技术与药物治疗相结合，以提供更全面的干预方案。数字体重管理服务（DWLS）作为一种新兴的健康管理工具，正在迅速发展，通过智能手机应用程序、远程指导和数据分析，为患者提供可扩展的个性化干预方案。

本研究评估了Voy DWLS这一全国性数字体重管理服务在使用双靶点药物（GIP/GLP-1RA）和单靶点药物（GLP-1RA）的成年人群中的减重效果和安全性。研究结果显示，积极参与数字服务的患者在11个月的随访期内实现了显著更高的减重效果，平均体重减轻21.5%（95% CI：-22.0至-21.1），而未积极参与的患者平均减轻了17.0%（95% CI：-17.2至-16.8），两者之间的绝对差异为4.5个百分点（p < 0.001）。此外，数字参与的患者在达到各个减重里程碑（如体重减轻≥5%、≥10%、≥15%、≥20%、≥25%）的时间上也显著优于未参与的患者，其风险比（HR）从1.42到1.86不等，均具有统计学意义（p < 0.001）。这些结果表明，数字参与不仅提升了减重效果，还加快了患者实现减重目标的速度。

在安全性方面，研究分析了290,050人月的暴露数据，共发现455起临床事件，事件发生率为1.57起/1000人月（95% CI：1.43至1.72）。虽然数字参与的患者在绝对事件发生率上略高（RR为1.55，95% CI：1.11至2.16），但当考虑暴露时间后，事件发生率的比率（IRR）为0.83（95% CI：0.60至1.15），即两者在安全性方面没有显著差异。最常见的事件类型是处方错误（占40%）和药物副作用（占30.8%），其中大多数事件被归类为轻微或无害事件。这表明，数字参与可能增加了对安全事件的监测和报告，而非实际增加了风险。因此，研究结果支持了数字健康技术在肥胖管理中的安全性和有效性。

此外，研究还发现，基线体重较高的患者在数字参与的情况下，体重减轻的比例更高。通过混合效应模型（MMRM）分析，基线体重每增加1公斤，体重减轻比例平均增加0.93%（95% CI：0.85至1.01，p < 0.001）。这一发现进一步强调了数字参与对体重减轻的积极作用，特别是在那些基线体重较高的患者中。同时，研究还指出，数字参与的患者在11个月的随访期内体重回升的比例较低，表明数字干预有助于维持减重效果。

研究的局限性在于其回顾性设计和非随机分配可能导致选择偏差和混杂因素的存在。例如，数字参与的患者可能具有更高的治疗依从性或更强的生活方式调整能力，这些因素可能影响研究结果。此外，自报体重数据可能引入人为误差，影响结果的准确性。尽管研究已经调整了基线年龄、性别、BMI和共病等变量，但可能仍然存在未测量的混杂因素，如社会经济状况、健康素养和数字技能等。因此，未来的研究应考虑使用倾向评分匹配或工具变量方法来进一步验证因果关系。

总体而言，本研究展示了数字参与在肥胖管理中的重要性。通过结合药物治疗和数字健康技术，患者不仅能够实现更显著的体重减轻，还能更快地达到减重目标。此外，数字参与并未增加安全风险，反而可能通过增强监测和报告机制来提高安全性。这些发现为未来的肥胖管理提供了重要的参考，特别是在大规模、多样化人群中。为了进一步验证这些结果，未来需要进行随机对照试验和长期前瞻性研究，以评估数字参与在改善代谢结局和维持减重效果方面的潜力。同时，对停药模式和成本效益的进一步研究将有助于推动患者中心的数字体重管理服务在临床实践中的广泛应用。