综述：基于人工智能的2型糖尿病患者健康教育干预措施的范围综述

本综述系统回顾了人工智能（AI）在2型糖尿病（T2DM）健康教育中的应用，涵盖移动应用（如FoodLens）、聊天机器人（如AIDA）及智能平台（如DiaLOG）等多种技术形式。研究显示AI干预可显著改善糖化血红蛋白（HbA1c）水平（最高降低2.59%）、提升自我管理依从性（60-85%）并带来积极心理效应，但面临技术复杂性、长期参与度不足及数据隐私等挑战。未来需优化用户中心设计并推动临床整合。

　　

背景

2型糖尿病（T2DM）是全球性的健康挑战，全球患病率约9.3%，全因死亡率达8.5%。中国作为全球老龄化人口最多的国家，T2DM患者数量高达1.48亿，疾病管理面临生活方式变革与技术快速发展的双重压力。传统健康教育模式依赖面对面指导，难以满足个体化需求，而人工智能（AI）技术通过机器学习（ML）、深度学习（DL）、自然语言处理（NLP）和计算机视觉（CV）等技术，为T2DM患者提供了可扩展且个性化的健康教育解决方案。

方法

本研究基于Arksey和O’Malley的范围综述框架，系统检索了PubMed、Web of Science、Embase等7个数据库中2008年至2025年3月的文献，最终纳入14项干预性研究，覆盖32,478名成年T2DM患者。研究筛选遵循参与者（T2DM成人患者）、概念（AI驱动的健康教育）和背景（优化教育效果）的PCC框架，排除动物研究、纯技术开发及非教育类AI应用。

结果

技术多样性

AI干预形式多样，包括移动应用（如集成血糖仪、体重秤和计步器的FoodLens）、聊天机器人（如提供食谱建议的AIDA Cookbot）、智能平台（如结合电子健康记录的DiaLOG）及机器学习算法。这些工具聚焦饮食管理、血糖监测和生活方式指导，其中5项研究采用计算机视觉技术，4项应用物联网（IoT）设备，3项基于NLP系统。

干预有效性

AI干预显著改善多项健康指标：

• •

  生理指标：糖化血红蛋白（HbA¹c）平均降低0.44%~2.59%，低血糖事件减少62%，心血管风险评分下降18%。

• •

  行为与认知：自我管理依从性提升至60~85%，膳食知识测试得分提高28%，葡萄糖监测频率从每日1.2次增至2.5次。

• •

  心理效应：自我效能感评分上升29%，饮食决策焦虑水平降低41%。

  效果与干预时长和用户参与度密切相关，例如多次使用聊天机器人的患者HbA¹c降幅更显著（1.04% vs. 0.09%）。

实施挑战

主要障碍包括：

• •

  技术复杂性：设备兼容性不足（如数据格式冲突）、饮食识别AI的可用性局限。

• •

  参与度可持续性：用户活跃度随干预时间下降（如从92%至57%），低收入群体因设备成本（如连续血糖监测仪年费5000美元）参与率较低。

• •

  数字鸿沟：低数字素养人群及文化适应性不足（如东南亚患者对改良食谱接受度低）。

• •

  隐私担忧：健康数据安全与隐私保护需求突出。

区域差异

AI应用呈现地域特色：

• •

  东亚（韩国、中国、日本）侧重移动医疗与IoT整合，强调代谢指标改善；

• •

  北美（美国）关注NLP工具与心理支持；

• •

  欧洲（西班牙、法国、英国）平衡行为指导与营养个性化；

• •

  伊朗等地区探索替代教育模式（如同伴教育），凸显社会文化背景的影响。

讨论

AI技术通过个性化内容交付（如基于饮食图像的营养建议）和实时反馈（如Sedentary行为警报）提升了T2DM健康教育的精准性与可及性。然而，技术碎片化（如医疗数据孤岛）、用户接受度（ dropout率15~20%）及监管空白限制了临床推广。未来需推动用户中心设计（如简化界面、提供多语言支持）、加强系统整合（如对接电子健康记录），并通过培训提升医疗专业人员AI应用能力。

结论

人工智能在T2DM健康教育中展现出通过个性化干预改善血糖控制、行为依从性及心理健康的潜力。突破技术瓶颈、优化长期参与机制并制定跨文化适应策略，是推动AI从实验研究向常规临床实践转化的关键。