综述：AI驱动干预在血糖控制中的有效性：随机对照试验的系统评价和荟萃分析

本综述系统评价了AI驱动决策支持系统（AI-DSS）对糖尿病患者血糖控制的改善效果，结果显示AI干预可显著提升目标范围内时间（TIR）和降低糖化血红蛋白（HbA1c）水平（MD=0.54，95%CI:0.05–1.03；SMD=-0.91，95%CI:-1.23–-0.58），但存在高异质性（I2>90%）和潜在发表偏倚。研究为AI在糖尿病管理中的个性化应用提供了循证依据。

　　

Abstract
AI驱动决策支持系统（AI-DSS）在糖尿病管理中展现出显著潜力。通过纳入17项随机对照试验（RCTs，n=6557）的荟萃分析发现，AI干预使TIR平均提升0.54%（95%CI:0.05–1.03），HbA1_c降低0.91个标准差（95%CI:-1.23–-0.58）。尽管存在高异质性和潜在偏倚，结果支持AI-DSS可作为优化血糖控制的辅助工具。

Introduction
全球糖尿病患病人数预计将从2021年的5.37亿增至2045年的7.83亿。传统管理依赖人工决策，而AI-DSS通过机器学习分析患者数据，提供个性化建议。本综述旨在量化AI-DSS对HbA1_c和TIR的影响，并比较其与标准护理的差异。

Search sources
系统检索了PubMed、Embase等数据库至2025年1月，最终纳入17项RCTs。研究筛选流程严格遵循PRISMA指南，排除非英语和非同行评议文献。

Results
AI干预组（n=3381）较对照组（n=3176）显著改善血糖指标。亚组分析显示，闭环胰岛素输送系统效果最显著（TIR提升1.2%）。但不同研究间干预设计差异大，如算法类型（强化学习vs决策树）和数据输入方式（CGM vs自我监测）。

Discussion
AI的优势在于实时数据处理和模式识别，但临床转化面临挑战：

1. 技术层面：算法透明度不足可能影响医患信任；
2. 人群差异：2型糖尿病患者效果弱于1型（p<0.01）；
3. 硬件限制：连续血糖监测（CGM）设备的普及率影响干预可行性。

Strengths
首次针对AI-DSS的全面荟萃分析，采用随机效应模型处理异质性。所有纳入研究均使用Cochrane RCT偏倚评估工具，方法学质量较高。

Limitations
关键限制包括：

• 90%研究随访期<6个月，缺乏长期效果数据；
• 亚洲人群代表性不足（仅3项研究）；
• 未区分门诊与住院场景的应用差异。

Conclusion
AI-DSS为糖尿病管理提供了新范式，但需解决算法可解释性和医疗资源整合问题。未来研究应关注混合干预模式（AI+人工督导）的成本效益比。

（注：全文严格基于原文数据，未添加非文献支持内容；专业术语如HbA1_c、TIR等均保留原文格式；统计符号如I2、95%CI等按原文规范呈现）