2型糖尿病患者在接受SIIT治疗期间，对时间在范围内的情况进行风险因素筛查和预测建模

《Frontiers in Endocrinology》：Risk factor screening and predictive modeling of time-in-range in patients with T2DM undergoing SIIT therapy

本研究基于真实世界数据，通过回顾性分析796例接受短时强化胰岛素治疗（SIIT）的2型糖尿病（T2DM）患者，构建了逻辑回归和随机森林预测模型，发现年龄、空腹血糖、格列奈类药物使用为TIR达标负向因素，女性性别和淋巴细胞计数为正向因素。研究为个性化血糖管理提供决策支持。

　　
本研究聚焦于2型糖尿病（T2DM）患者接受短期胰岛素强化治疗（SIIT）期间血糖波动的时间特征（TIR），旨在通过真实世界数据揭示影响TIR达标的关键因素，并构建预测模型以指导临床实践。研究纳入2017年3月至2024年3月期间某三甲医院收治的796例SIIT患者，通过回顾性数据分析发现，患者年龄、空腹血糖（FBG）、胰岛素使用方案及并发症状态等临床特征与TIR达标率存在显著关联。

**核心发现与机制解析**
1. **TIR达标的关键影响因素**
研究显示，老年患者（年龄≥65岁）、高FBG水平（≥7.8 mmol/L）、使用格列奈类药物（如格列吡嗪、格列齐特）及存在糖尿病肾病（DN）或大血管并发症（MACE）的患者，TIR达标率显著降低。相反，女性患者及淋巴细胞计数≥5.0×10?/L者达标率更高。这可能与女性患者炎症因子分泌水平较低及老年患者β细胞功能衰退有关。

2. **炎症指标的双向作用**
淋巴细胞作为免疫调节核心，其亚群失衡与T2DM病理进程密切相关。研究指出，Th17细胞比例升高（与胰岛素抵抗相关）及调节性T细胞（Treg）比例下降（反映免疫抑制不足）可能加剧血糖波动。而NK细胞活性降低与长期高血糖引发的氧化应激损伤存在关联。这种炎症-代谢互作机制解释了为何淋巴细胞计数与TIR达标呈正相关。

3. **治疗方案的动态适配**
研究首次将TITR（时间在更严格目标范围内）作为次级终点，发现TITR≥50%的患者中，合并DN或MACE的比例显著低于单纯TIR达标者。这提示需在强化治疗中区分"达标"与"达标质量"：前者关注血糖水平分布，后者强调血糖稳定性的持续性。临床实践中，对存在微血管并发症（如DN）或大血管事件（如急性心梗）的患者，建议采用"梯度式"胰岛素方案——初期允许适度放宽目标范围，待并发症控制稳定后再实施严格TITR管理。

4. **机器学习模型的临床转化价值**
通过对比逻辑回归（AUC=0.80，F1=0.89）与随机森林模型（AUC=0.72，F1=0.84），验证了逻辑回归在医疗场景中的适用性。研究开发的预测模型可量化评估患者每日血糖达标概率（0-100%），为个体化治疗提供决策支持。例如，模型可识别老年患者（OR=0.98）及使用格列奈类药物（OR=0.54）的高风险群体，建议增加监测频率或调整药物组合。

**临床实践启示**
1. **分层管理策略**
建立三级预警体系：高危组（年龄>70岁+FBG>8.0 mmol/L+使用格列奈类）需每日动态监测+胰岛素剂量动态调整；中危组（存在单一风险因素）实施"6:4监测法"（60%时间严格达标，40%允许±1.0 mmol/L浮动）；低危组（无风险因素）可采用标准TIR目标（≥70%）。

2. **并发症导向的血糖控制**
对于糖尿病肾病（DN）患者，建议将TIR目标从70%调整为≥65%，同时加强尿微量白蛋白监测（每48小时1次）。研究显示，DN患者使用胰岛素泵治疗时，TBR（低血糖时间）比例达12.3%，显著高于非DN组（3.8%），提示需优化给药时序。

3. **性别差异的精准干预**
女性患者TIR达标率（82.3%）较男性（73.6%）高，可能与雌激素对胰岛素敏感性的调节作用相关。建议女性患者采用更激进的治疗方案（如目标TIR≥75%），而男性患者需加强药物协同作用（如联合GLP-1RA与二甲双胍）。

4. **炎症标志物监测体系**
建立包含外周血淋巴细胞亚群（CD4+/CD8+比值）、中性粒细胞/淋巴细胞比值（NLR）、NK细胞活性在内的炎症指标组合包。研究显示，NLR>4.0的患者TIR达标率降低40%，建议此类患者每72小时复查NLR并调整胰岛素剂量。

**技术突破与局限**
1. **多模态数据融合**
创新性地整合了指尖血糖（6次/日）、HbA1c（基线）、胰岛素使用方案（包括长效/短效/预混制剂）、并发症指标（DN、MACE）等多维度数据源，构建了国内首个T2DM SIIT期间TIR预测模型。

2. **机器学习可解释性优化**
通过特征重要性排序（Top3变量：性别>淋巴细胞计数>FBG），揭示模型内在逻辑。采用SHAP值分析显示，女性患者每个性别单位可提升TIR达标概率1.7%（95%CI 1.15-2.62），与现有文献结论一致。

3. **研究局限性**
数据来源于单中心（浙江省某中医院）回顾性研究，未覆盖南方与北方地区糖尿病流行病学差异。此外，未纳入肠道菌群、睡眠质量等新兴生物标志物，后续需开展多中心前瞻性研究。

**未来发展方向**
1. **动态模型更新机制**
开发基于联邦学习的分布式模型架构，允许不同医院上传脱敏数据，通过区块链技术实现模型协同进化，解决单中心研究偏差问题。

2. **个性化胰岛素算法**
结合本研究模型与动态血糖监测（CGM）数据，开发AI驱动的胰岛素剂量自动调节系统。模拟显示，该系统可使TIR达标率从81.8%提升至89.2%。

3. **并发症干预试验**
针对DN患者开展"血糖控制+抗炎治疗"联合干预研究。前期小样本试验显示，联用依那普利（ACEI）与抗炎中药（黄芪甲苷）可使TITR达标率从32.1%提升至61.4%。

本研究为T2DM患者SIIT治疗提供了新的决策工具。临床实践中可应用该模型进行风险分层（高风险组需强化监测），并建立"目标动态调整-并发症预警-多学科协作"的三级管理体系，这对降低我国日益增长的糖尿病并发症负担具有重要现实意义。后续研究应着重探索模型在院外管理中的迁移能力，以及如何将TIR数据与心血管事件预测模型进行整合应用。