《Diabetes, Metabolic Syndrome and Obesity》：Decision-Supported Collaborative Care for Gestational Diabetes: A Narrative Review of Development Pathways and Evaluation in Routine Clinical Practice
编辑推荐：
妊娠期糖尿病（gestational diabetes mellitus, GDM）需要频繁的血糖监测、快速的行为调整以及在短暂的妊娠窗口期内及时升级处理，然而常规照护往往呈 episodic 性且在团队间呈碎片化状态。数字工具改善了数据采集，但许多系统仍停留
妊娠期糖尿病（gestational diabetes mellitus, GDM）需要频繁的血糖监测、快速的行为调整以及在短暂的妊娠窗口期内及时升级处理，然而常规照护往往呈 episodic 性且在团队间呈碎片化状态。数字工具改善了数据采集，但许多系统仍停留在记录和消息传递层面，未能持续将患者生成的数据转化为临床行动。本综述将GDM的决策支持协同照护（decision-supported collaborative care）界定为一种以工作流程为中心的照护模式，该模式将血糖与临床情境关联至可解释的决策逻辑，并依托基于角色的团队流程实现分诊、升级与闭环反馈。研究人员（researchers）对PubMed/MEDLINE和Web of Science自建库至2026年间收录的英文文献进行了结构化叙述性综述，并辅以相关参考文献目录的人工筛查。鉴于干预设计、临床环境及报告结局存在显著异质性，证据采用叙述性方式综合。本综述总结了关键系统组件，概述了从界定可行用例到嵌入安全护栏与工作流程整合的实用开发路径，并提出一种结合临床结局与流程、实施及系统层面指标的多维度评估方法。此外，本综述还讨论了规模化推广的主要障碍，包括警报负担、角色问责、数据治理与隐私以及数字公平。该框架可为临床医生、医疗机构和政策制定者在设计、实施和评估安全、公平且与工作流程兼容的GDM服务方面提供支持。
论文主体内容总结
概念框架：GDM的决策支持协同照护
决策支持的GDM协同照护模式应区别于单纯的数字报告系统。该模式的核心特征并非应用或仪表盘本身的使用，而是构建一条结构化路径，使患者生成的数据转化为具有临床意义的行动。在此模式中，血糖读数及相关临床情境被链接至可解释的决策逻辑，路由至相应的照护团队成员，并向患者反馈结果。
系统架构与数据输入
多数决策支持模型采用分层架构，包括数据层、智能层和行动/工作流程层。数据层整合来自自我血糖监测（SMBG）或持续葡萄糖监测（CGM）的信息，以及影响GDM决策的情境变量，包括孕周、孕前体质指数（BMI）、体重增长轨迹、进餐时间与构成、体力活动、药物暴露（如二甲双胍或胰岛素）及相关合并症。系统通常强调带时间戳的结构化血糖数据（空腹及餐后窗口）和趋势特征（如阈值超限频率、变异性和持续性空腹升高）。
智能层将原始输入转化为具有临床意义的状态，可通过基于指南的规则式决策逻辑、预测模型（如胰岛素需求、巨大儿或血糖控制不佳的风险估计）或混合方法实现，其中预测输出受规则式安全检查约束。智能不应仅等同于机器学习；设计良好且与临床工作流程一致的可解释规则引擎，若能可靠地优先分配注意力、标准化响应并减少延迟，即可视为“智能”。
行动/工作流程层将建议操作化为角色特定任务。可操作输出包括面向患者的提示（饮食建议、活动时机、提醒）、面向临床医生的摘要（模式识别仪表盘）以及具有明确归属的升级触发条件（谁响应、在何种时限内、以何种权限）。缺乏该层，决策支持仍停留在信息层面而非变革层面。
协同照护工作流程与角色划分
GDM协同照护具有内在多学科性，需要明确的角色划分以防止碎片化。实用模型通常包括：患者自我管理，由结构化教育和行为改变工具支持；护士或糖尿病教育者分诊，负责新入数据的首线审查、强化生活方式指导并解决常见问题；营养师主导的营养优化，尤其针对持续性餐后血糖波动或孕期体重过度增长；医生监督（产科医生和/或内分泌科医生）负责药物启动/剂量调整、复杂病例及安全关键决策。决策支持可通过定义标准化的升级触发条件、设定响应时限期望以及为推荐行动提供一致依据来强化协作。
常见操作方法是风险分层随访强度，预测风险较高的女性接受更频繁的远程审查和主动外展，而低风险且控制稳定的个体可采用较轻触的监测和自动化反馈。
决策支持功能在照护连续体中的应用
决策支持可贯穿GDM照护的多个阶段：筛查与诊断、初始教育与目标设定、持续监测与生活方式优化、药物升级及产后过渡。在持续监测阶段，系统可提供自动化模式检测（空腹主导型与餐后主导型血糖异常）、锚定于记录行为的个性化生活方式建议以及持续超范围值的警报。药物升级方面，决策支持最安全的实现方式是临床医生监督的建议或带内置护栏、审计追踪和覆盖选项的剂量调整提示。产后阶段，同一基础设施可重新用于支持随访检测、体重管理和风险咨询。
基于角色的工作流程与反馈闭环
文献和实际实施中反复出现的成功决定因素包括：工作流程整合至关重要，决策支持必须适应现有临床常规并尽量减少额外点击、数据录入或重复消息；可解释性和安全约束必须明确，包括清晰阈值、升级标准和临床医生覆盖能力；以患者为中心的可用性与算法设计同等重要，记录负担过重或反馈泛化会迅速降低参与度；公平性和泛化性应早期考虑，确保模型和工作流程服务于具有不同数字访问能力、健康素养和文化饮食模式的人群。这些组件共同形成闭环模型：患者生成的数据和临床情境转化为可行动信号，通过基于角色的协同工作流程路由，并通过临床、流程和系统结局进行评估，所得证据可反馈用于方案细化和阈值校准。
开发路径：从临床需求到可部署系统
从日常照护中重要决策入手
第一步是界定系统预期支持的有限数量的临床决策。在GDM中，这些决策通常直接但具有时间敏感性：患者是否需要更密切随访、空腹或餐后高血糖是否正在变得持续、生活方式建议是否已充分、以及是否应安排药物审查。每个决策点应配以明确的响应。例如，反复餐后升高可触发营养师审查，而持续数日的空腹高血糖可能需要医生评估以启动或调整药物。血糖提交不足可能需要护士或教育者随访后再从数据中得出结论。
将指南转化为本地工作规则
临床指南提供了GDM管理的基础，但并未自动规定特定诊所的照护交付方式。不同服务在血糖目标、审查频率、人员配置、营养师可及性以及药物变更所需医生监督程度上可能不同。开发应包括本地方案构建步骤，而非简单将指南声明导入软件。本地方案应回答实际问题：谁首审新入血糖数据？需要多少次异常读数才升级？哪些情况需要当日审查？何时应让营养师介入？哪些药物相关决策需要医生批准？这些规则不必复杂，但必须明确，并构成系统应始终执行的最低安全标准。
选择临床医生可信任的决策支持逻辑
决策支持层应与临床目的匹配。对许多GDM服务而言，透明的规则式方法可能是最实用的起点。基于重复阈值超限、数据缺失或持续性空腹与餐后模式的规则易于临床医生理解和审计。预测模型在识别可能需要在妊娠后期接受更强化随访或药物的女性时可能有用，但预测本身不足，风险评分应导致照护的明确改变。混合设计可能是最可接受的选择：预测模型帮助优先分配注意力，规则式逻辑决定何种行动适当以及何时升级成为强制。信任还取决于建议的呈现方式，系统应以通俗临床术语解释信号依据，并允许临床医生覆盖建议且记录原因。
保持数据采集对患者和团队的现实可行性
GDM管理依赖重复监测，数据要求必须现实。血糖值应易于记录，最好带时间戳，并围绕临床决策所需的读数组织。生活方式信息可有帮助，但采集方式不应使日常使用繁琐。系统还应诚实处理不完整或不一致的数据。稀疏的血糖记录、不确定的进餐时间或缺失的餐后值不应产生自信的建议。在这些情况下，更安全的响应可能是提示患者完成短监测期、请护士或教育者审查依从性障碍，或将病例转由人工评估。“数据不足”应被视为有意义的系统状态而非被忽略。
在扩展技术前构建工作流程
决策支持只有在嵌入有效照护路径后才变得有用。在广泛部署前，服务应定义信号如何进入审查队列、如何优先排序、护士或教育者如何向医生移交病例以及反馈如何返回患者。早期实施应被视为工作流程测试期，而非仅技术测试。除血糖结局外，团队应监测消息量、警报频率、审查时间、患者反馈时间、升级率以及各专业角色间的工作分配。开发应允许计划性调整，阈值、审查时间表、消息模板和升级规则可能需要在真实使用后细化。
实证评估：临床、实施与算法结局
评估GDM决策支持协同照护需超越应用或算法是否“有效”的孤立判断。该干预是一种照护模式，评估应同时反映临床获益及其实现机制：响应及时性、与方案的一致性、患者参与度以及团队工作负荷的再分配。
临床层面，血糖控制仍是最直接的终点，但应以反映GDM决策的方式操作化。常用指标包括目标范围内读数比例、空腹与餐后超限频率以及诊断或升级后达到稳定控制所需时间。比较模式时还应捕获治疗强度与时机，如胰岛素是否更早启动、剂量调整是否对持续高血糖更具响应性以及是否避免不必要升级。可行时应报告具有临床意义的母婴结局，包括妊娠期高血压疾病、剖宫产、巨大儿或大于胎龄儿、新生儿低血糖及新生儿重症监护入院。
流程结局有助于解释临床效应如何及为何出现。面向患者方面，监测依从性、血糖提交的完整性与及时性、妊娠期保留率以及对教育或行为提示的响应性提供必要背景。面向团队方面，及时性指标往往与准确性同等重要：从异常模式检测到临床医生审查的时间、到患者反馈的时间以及到药物决策的时间是决策支持是否减少延迟的直接指标。其他流程指标包括触发的升级次数、在护士/教育者层面与医生层面解决的比例以及营养师介入频率。
实施结局对数字化协同照护尤为重要，因为采用和可持续性常决定现实影响。可接受性、可行性、采用度和保真度可通过混合方法评估，结合使用日志与简短调查或访谈。可持续性和维护也需明确关注，方案必须适应指南更新、人员变动和病例量的季节性波动。
系统层面结局涉及模式是否提高效率并减少负担。有用指标包括每位患者每周的临床医生时间、审查队列规模、消息量、警报负担及各角色工作负荷分布。效率提升若以牺牲安全或公平为代价则不应被视为成功，评估应包括安全监测（严重高血糖事件、药物变更相关低血糖、遗漏升级）并检查亚组表现。
当模式纳入预测算法时，算法评估应优先临床效用和稳健性而非仅关注区分度指标。校准、跨亚组表现稳定性及跨站点外部验证在妊娠照护中尤为重要。评估应报告所用决策阈值、触发的下游行动以及这些行动是否在不产生过多误报的情况下改善结局。
挑战、治理与未来方向
一个常见问题是灵敏度与工作负荷之间的平衡。阈值过低会导致警报疲劳、响应延迟或系统信任丧失；阈值过高则可能漏识别血糖逐渐失控的患者。分层分诊结构可能更实用，将常规趋势摘要、中风险模式与紧急值分开并分别路由，阈值应在实施后使用真实服务数据审查。
照护团队内的问责是另一挑战。协同照护只有在每个信号都有预期负责人时才能良好运行。方案应明确谁审查常规血糖趋势、谁联系记录缺失或不完整的患者、何时需要营养师介入以及哪些情况需要医生审查或签署。药物启动和剂量调整方面，决策支持应保持咨询性而非自主性，系统最安全的角色是总结模式、优先审查并提出符合指南的选项，临床责任保留给合格专业人员。
数据治理是另一主要关切。决策支持照护模式常依赖频繁的患者生成数据，可能通过医院常规信息系统之外的应用程序或设备收集，引发存储、访问、保留、传输和二次使用的问题。合理治理框架应遵循数据最小化原则：仅收集安全照护所需数据，访问基于角色，并明确信息保留期限。使用机器学习组件时，治理需超越隐私，包括版本控制、外部验证、性能漂移监测及预定义的模型更新程序。一种实用策略是将模型与临床政策层分离，预测模型可帮助识别高风险患者或优先审查，但最终升级规则和安全阈值保持透明、基于指南且可审计。
公平应作为核心设计问题而非后期调整。GDM影响具有不同数字访问能力、语言熟练度、健康素养、家庭支持和饮食实践的人群。未来系统应包含简化界面、多语言教育、替代报告途径以及对低参与度患者的主动随访。评估还应报告参与度、血糖结局、升级率和模型表现是否因年龄、体质指数（BMI）、产次、语言、社会经济地位或其他相关亚组而异。
未来研究应超越短期血糖控制并纳入产后随访，利用决策支持系统提醒患者产后血糖检测、支持体重和生活方式管理并连接长期预防服务。需要在常规临床环境中开展更务实的试验，报告审查负担、响应时间、警报量、升级频率及每位患者的临床医生时间等工作流程指标。未来算法开发应更少关注技术表现本身，更多关注临床有用性，报告预测如何转化为行动、使用何种阈值、谁审查了建议以及行动是否在不增加误报或扩大差距的情况下改善结局。与电子病历和常规文档系统的整合对可持续性至关重要，同时不应牺牲灵活性，服务仍需能够随临床需求变化更新方案、调整阈值和定制患者沟通。
