以人为中心的时序网络模型在个体化1型糖尿病护理中的潜力探究

《International Journal of Behavioral Medicine》：Examining the Potential of Person-centered Temporal Network Models to Individualize Type 1 Diabetes Care

　　

**摘要**

**目的**
研究人员旨在利用以人为中心的时序网络模型，刻画成年1型糖尿病（T1D）患者血糖、躯体症状、情绪及功能（即体验性变量）之间动态的、个体化的关系，并评估网络特征是否与回顾性幸福感和功能相关。

**方法**
研究人员分析了158名成年T1D参与者的数据，这些参与者完成了为期14天的盲态持续葡萄糖监测（CGM）以及针对体验性变量的生态瞬时评估（EMA）。研究人员使用群组迭代多重模型估计（GIMME）算法为每名参与者估计了一个时序网络，该算法可量化个体内部各变量之间的动态互联关系。研究人员评估了模型在参与者之间的变异性，并检验了变量间的互联关系（网络密度）是否与回顾性幸福感和功能指标相关。

**结果**
GIMME模型在96.3%的参与者中成功收敛，并在77.2%的参与者中表现出极佳的模型拟合度，从而确立了该方法的可行性。个体网络连接数的中位数为20.5（四分位距16–32.75），其中5条（四分位距3–8）为血糖与体验性变量之间的连接。网络在变量间关联的存在性、方向及强度方面呈现出显著的异质性。血糖被体验性变量强烈预测的个体（即网络中具有较高“血糖入”密度的个体），其抑郁症状（β?=?0.17, p?=?0.03）、感知压力（β?=?0.24, p?
**结论**
GIMME模型能够识别将血糖与日常体验联系起来的个体化模式，这可能有助于生成与个体化护理相关的假说。网络特征与回顾性幸福感和功能指标相关，支持了网络信息化方法在1型糖尿病护理中的潜在价值。

**论文解读：以人为中心的时序网络模型在个体化1型糖尿病护理中的应用潜力**

**一、研究背景与问题提出**

1型糖尿病（Type 1 Diabetes, T1D）是一种需要终身管理的慢性代谢性疾病，其护理不仅涉及血糖控制，还深刻影响着患者的情绪健康与日常功能。长期以来，临床实践和研究者们普遍认识到，糖尿病护理应当超越单纯的血糖管理，将心理社会因素纳入考量。已有大量研究采用回顾性测量手段（如糖化血红蛋白A1c、传统自我报告量表）探讨了血糖、情绪与功能之间的关系，例如抑郁症状、糖尿病困扰、自我管理与血糖控制之间的关联已被较为充分地研究。然而，现有证据大多基于群体平均水平，难以回答如何针对个体进行心理社会层面的护理个体化这一关键问题，对于血糖与短期幸福感之间的动态关系也缺乏深入理解。

近年来，研究者开始将持续葡萄糖监测（Continuous Glucose Monitoring, CGM）与生态瞬时评估（Ecological Momentary Assessment, EMA）等密集纵向数据采集方法相结合，以期捕捉血糖与日常体验之间的实时动态关联。在数据分析层面，传统方法如多水平回归或动态结构方程模型多聚焦于识别群体内预测某一结局的共性因素，却难以刻画变量间在个体层面（即idiographic层面）的动态关系。鉴于精准医学在T1D领域主要集中于诊断和药物治疗，行为与心理社会维度的个体化尚未得到充分关注，探索能够揭示个体特异性动态网络的分析方法具有重要的临床意义。

**二、研究目的与研究方法概述**

本研究旨在运用以人为中心的时序网络模型，具体采用群组迭代多重模型估计（Group Iterative Multiple Model Estimation, GIMME）算法，刻画T1D成人患者血糖、躯体症状、情绪及功能等体验性变量之间的个体化动态关系，并进一步考察网络密度特征是否与回顾性幸福感和功能指标相关联。

研究数据来源于“1型糖尿病日常生活中的功能与情绪”（Function and Emotion in Everyday Life with Type 1 Diabetes, FEEL-T1D）研究。该研究招募了158名符合条件的成年T1D患者，参与者来自布朗克斯和洛杉矶地区的临床站点。入选标准包括年龄≥18岁、确诊T1D至少1年、糖尿病及其他慢性病治疗方案稳定至少3个月。参与者完成了为期14天的密集纵向数据采集，期间佩戴LibrePro盲态持续葡萄糖监测（CGM）设备（Abbott Diabetes Care, Alameda, CA）和Actigraph gt3x加速度计（Ametris, Pensacola, FL），并以3小时间隔、每天6次的频率完成简短的EMA调查和移动认知任务；对于22%无法完成每天6次提示的参与者，其日程调整为每天5次调查。

在数据分析方面，研究者从CGM数据中提取了目标范围内时间（Time in Range, TIR）和变异系数（Coefficient of Variation, CV）作为血糖指标，并选取了10个体验性变量（包括负性情感、正性情感、压力、糖尿病困扰、疼痛、疲劳、认知功能（持续注意）、认知功能（知觉速度）、自评活动表现和步数）。研究采用3小时时间窗口对CGM数据与EMA/认知数据进行时间对齐，并使用全信息最大似然（Full Information Maximum Likelihood, FIML）方法处理缺失数据。利用R软件中的gimme包（版本0.7-8），为每名参与者估计稀疏有向时序网络，网络中包含同期（concurrent）和滞后（lagged）两种关系。模型拟合优度依据比较拟合指数（CFI）≥0.95、塔克-刘易斯指数（TLI）≥0.95、近似均方根误差（RMSEA）≤0.05和标准化均方根残差（SRMR）≤0.05等标准进行评价。随后，研究者计算了三个网络密度指标：总体网络密度（所有12个变量间有向路径数除以最大可能路径数）、血糖出度密度（从血糖变量指向体验性变量的路径比例）和血糖入度密度（从体验性变量指向血糖变量的路径比例），并通过分数逻辑回归和双变量线性回归分析网络密度与回顾性量表评分之间的关联。

**三、研究结果**

**Aim 1：GIMME分析方法的可行性**

研究结果显示，GIMME模型在96.3%的参与者中成功收敛，77.2%的模型（122/158）达到优秀拟合标准。各模型的中位数拟合指标为：CFI=0.953（四分位距0.951–0.956）、TLI=0.927（四分位距0.916–0.933）、RMSEA=0.036（四分位距0.029–0.047）、SRMR=0.093（四分位距0.082–0.112）。这些结果表明，将GIMME算法应用于CGM和EMA数据以构建个体化网络模型在技术上是可行的。

**Aim 2：网络结构的个体间异质性**

排除自回归路径后，变量间共有264条可能的有向路径。参与者网络中路径数量的中位数为20.5条（四分位距16–32.75），其中连接血糖变量（TIR或CV）与其他变量的路径中位数为5条（四分位距3–8）。在所有非自回归路径中，血糖与体验性变量之间的连接共1154条，占总连接（4740条）的24.4%。其中，“血糖出度”路径（血糖影响其他变量）为623条（13.1%），“血糖入度”路径（其他变量影响血糖）为531条（11.2%），二者差异较小。在264条可能路径中，仅18条（6.8%）出现在超过20%的参与者网络中，且这些常见路径均不涉及血糖与体验性变量的连接；126条路径（47.7%）出现在10%–20%的参与者中，120条路径（45.5%）仅在不到10%的参与者中出现。这一结果揭示了网络结构的显著个体化特征，不同参与者的变量间关联在存在性、方向和强度上均存在明显差异。

**Aim 3：网络密度与回顾性幸福感和功能的关联**

治疗方案的差异（自动胰岛素输送、非自动CGM或两者均无）对血糖入度密度、血糖出度密度和总体网络密度均无显著预测作用。双变量线性回归分析显示，总体网络密度较高与较差的心理幸福感（β=-0.22, p=0.01）、更严重的抑郁症状（β=0.19, p=0.02）、更高的感知压力（β=0.29, p<0.001）、更明显的焦虑症状（β=0.18, p=0.03）和更高的负性情感（β=0.16, p=0.04）显著相关。进一步分析表明，这些关联主要由血糖入度密度驱动：较高的血糖入度密度与更严重的抑郁症状（β=0.17, p=0.03）、感知压力（β=0.24, p<0.001）、焦虑症状（β=0.19, p=0.02）和负性情感（β=0.16, p=0.05）以及更差的生活方式/职业平衡（β=-0.16, p=0.04）相关。相比之下，血糖出度密度仅与较高的感知压力相关（β=0.23, p<0.001）。

**四、讨论与结论**

本研究首次将GIMME时序网络模型应用于T1D领域，通过整合CGM这一连续生理生物标志物与EMA自我报告数据，证实了该方法在揭示血糖-体验动态关联方面的可行性和潜在价值。研究发现，个体网络结构呈现出高度的异质性，缺乏跨个体共享的血糖-体验路径，这与人格障碍、自杀意念和创伤相关精神病理学等领域中EMA-GIMME应用的结果一致，表明个体内动态过程具有高度特异性，群体平均水平的分析可能掩盖具有临床意义的机制。

从临床转化的角度看，网络结构可能反映传统指标无法捕获的T1D临床“亚型”。具体而言，高血糖入度密度反映了一种血糖对外界情境因素高度敏感的状态，这种模式可能削弱个体的糖尿病管理自我效能，进而导致更高的心理困扰和欠佳的血糖控制。因此，此类个体可能构成一个需要针对性干预的临床表型，识别并干预影响其血糖的特异性因素，有望同时改善血糖控制和整体幸福感。此外，个体化网络还有助于生成关于干预靶点的候选假说——即个体网络中影响目标症状的关键节点。例如，本研究中展示的示例模型显示，不同个体网络中最为突出的变量各不相同（如疼痛、正性情感或疲劳），提示临床干预的着力点应因人而异。

然而，本研究存在若干局限性。数据收集于COVID-19疫情期间，可能影响结果的普适性；未对时间效应进行建模；GIMME模型需要多日密集数据采集，其跨时间稳定性和可重复性有待进一步验证；并非所有生成的模型都具有直接临床可用性，部分网络可能较为复杂而难以解释。此外，Aim 3中的关联分析属于探索性分析，应视为假说生成性质，需在未来研究中加以确认。

综上所述，本研究确立了以人为中心的时序网络建模（GIMME）在T1D个体化护理中的可行性和潜在价值。通过揭示个体在血糖、功能与幸福感之间的独特互联模式，网络建模方法有望为T1D治疗方案的个体化调整提供信息支持，从而在更广泛的精准医学框架下推动糖尿病护理的优化。未来研究应进一步评估GIMME建模在真实世界临床环境中的可实施性，并验证基于网络洞察的个体化干预能否切实改善T1D患者的健康与幸福感。