预测访视间血糖变异性对糖尿病并发症的能力研究：FPG-GV 或成新希望

为评估不同血糖变异性（GV）对糖尿病并发症的预测能力，研究发现 FPG-GV 可在 HbA1c 不可用时作替代。

　　在全球范围内，糖尿病的流行态势愈发严峻，如今已有 5.37 亿成年人深受其扰，其中大多数患者来自低中收入国家。随着病情发展，糖尿病并发症的出现使得医疗负担不断加重。就像在泰国，糖尿病及其并发症的治疗费用让许多家庭不堪重负。在糖尿病的管理中，早期识别并发症至关重要，它能够延缓疾病的进程。目前，糖化血红蛋白 A₁c（HbA₁c）是糖尿病监测和预后建模常用的生物标志物，它反映的是过去三个月的平均血糖控制水平。然而，HbA₁c 的可靠性会受到一些因素的影响，比如怀孕或贫血时，红细胞周转发生变化，其测量结果就不准确了。近年来，不少研究开始探索访视间血糖变异性（GV），将其作为糖尿病并发症的额外预测指标，相关研究基于 HbA₁c 或空腹血浆葡萄糖（FPG）展开，其中变异系数（CV）和标准差（SD）是最常被提及的 GV 测量指标。

尽管已经有许多利用传统统计模型开发的糖尿病并发症预后模型，但这些模型大多没有将 GV 纳入其中。而且在资源有限的地区，HbA₁c 检测并不普及，在这种情况下，FPG-GV 的应用可能更具优势。为了解决这些问题，来自泰国玛希隆大学拉玛蒂波迪医院临床流行病学和生物统计学系等机构的研究人员，开展了一项关于预测访视间血糖变异性对糖尿病并发症影响的研究。该研究成果发表在《BMC Medical Informatics and Decision Making》上，为糖尿病的管理提供了新的思路和依据。

研究人员采用回顾性队列研究设计，从泰国拉玛蒂波迪医院的 2 型糖尿病（T2D）临床队列中获取数据，数据涵盖了 2010 年 1 月至 2019 年 12 月期间患者的人口统计学信息、诊断结果、实验室检查结果和用药情况等。研究构建了 “基线数据集” 和 “纵向数据集”，并通过 Cox 比例风险回归（CPH）、机器学习随机生存森林（RSF）和左截断右删失（LTRC）生存森林等方法进行分析。

研究结果显示，在纳入的 40662 名 T2D 患者中，多数为女性（61.7%），平均年龄 57.2 岁。在心血管疾病（CVD）方面，基于基线数据，HbA₁c-CV、HbA₁c-SD、FPG-CV 和 FPG-SD 均与 CVD 显著相关，其中 HbA₁c-CV 的风险比最高。而纵向数据中，时变的 HbA₁c 和 FPG 与 CVD 无显著关联。在糖尿病视网膜病变（DR）方面，所有 “na?ve method”GV 都与 DR 显著相关，且时变的 HbA₁c 和 FPG 也与 DR 显著相关。在慢性肾脏病（CKD）方面，“na?ve method”GV 都与 CKD 显著相关，但时变的 HbA₁c 和 FPG 与 CKD 无显著关联。

综合来看，在预测糖尿病并发症方面，基于 HbA₁c 和 FPG 的 GV 预后表现相近。由于在一些地区 HbA₁c 检测受限，FPG、FPG-CV 或 FPG-SD 可作为 HbA₁c 在糖尿病监测和预后评估中的合理替代指标，尤其对于患有糖尿病和 CKD 的患者，由于 CKD 患者常伴有贫血，会影响 HbA₁c 的可靠性，FPG 相关指标的优势更为明显。

该研究利用多种 GV 测量方法和不同的数据集，结合传统统计模型和机器学习模型进行分析，为糖尿病并发症的预测提供了有价值的参考。不过，研究也存在一定的局限性，比如机器学习模型存在过拟合现象，研究为单中心设计，限制了研究结果的普适性。后续需要进一步优化模型，并在更多样化的人群和医疗系统中进行验证，以推动糖尿病管理的发展，更好地帮助临床医生进行决策，改善糖尿病患者的预后。