在最新发表于《自然医学》的研究中，科学家通过分析两个队列共2400多人的数据，识别血糖峰值模式并构建个性化血糖风险特征。研究发现，2型糖尿病患者与糖耐量正常者及糖尿病前期患者的血糖峰值特征存在显著差异。这种多模态风险模型可帮助医生识别糖尿病前期中高风险个体。
2型糖尿病患者表现出更高的夜间低血糖值和更长的血糖峰值消退时间（平均比血糖正常者慢20分钟以上），这标志着关键生理差异。尽管糖尿病和糖尿病前期影响着大量美国成年人口，但标准诊断工具如糖化血红蛋白（HbA1c）和空腹血糖无法反映血糖调节的全貌。
包括压力、微生物组构成、睡眠、体力活动、遗传、饮食和年龄在内的多种因素都会影响血糖波动，特别是餐后血糖峰值（定义为餐后90分钟内升高至少30 mg/dL），这种现象甚至在看似健康的人群中也有观察。
PROGRESS研究开展了全国性远程临床试验，纳入1137名具有多样背景的参与者（48.1%来自生物医学研究中历来代表性不足的群体），收集包括生理、生活方式、生物、人口统计和临床信息在内的多种自报和传感器数据。
该多模态方法促进了对血糖控制和个体血糖峰值变异性的深入理解。研究旨在创建更全面的血糖风险特征，以改进糖尿病前期进展为糖尿病的风险早期检测和干预，提供比传统诊断指标如HbA1c更具个性化的替代方案。
研究人员使用来自两个队列的数据：PROGRESS（基于美国的数字临床试验）和HPP（以色列观察研究）。PROGRESS队列为参与者进行了10天的连续血糖监测（CGM），同时收集肠道微生物组、基因组、心率、睡眠、饮食和活动数据。
肠道微生物组多样性（Shannon指数）与平均血糖水平呈直接负相关，意味着微生物组多样性较低与所有组别中较差的血糖控制相关。参与者还从家中提供粪便、血液和唾液样本，并分享电子健康记录。排除标准包括近期使用抗生素、怀孕、1型糖尿病等可能干扰CGM或代谢的因素。
CGM数据以每分钟间隔处理，血糖峰值通过特定阈值定义。计算了六个关键血糖指标，包括平均血糖、高血糖时间及峰值持续时间等。生活方式数据通过饮食记录应用和可穿戴设备收集。基因组和微生物组数据使用标准工具分析，并计算多基因风险评分和微生物组多样性等综合指标。
研究人员开发了一个基于多模态数据（人口统计、人体测量、CGM、食物摄入和肠道微生物组）的2型糖尿病风险评估机器学习模型，并在PROGRESS和HPP队列中测试其表现。统计分析包括协方差分析、Spearman相关性和自举法显著性检验。
在1137名入组参与者中，最终分析包括347人，其中174人血糖正常，79人为糖尿病前期，94人确诊2型糖尿病。研究观察到糖尿病状态间血糖峰值指标的显著差异，如夜间低血糖、峰值消退时间、平均血糖水平和高血糖持续时间。这些差异在2型糖尿病与其他组间最显著，糖尿病前期个体的关键指标（如峰值频率和强度）统计上更接近血糖正常组。
肠道微生物组多样性与大多数血糖峰值指标呈负相关，表明更健康的微生物组特征与更好的血糖控制相关。静息心率、体重指数（BMI）和HbA1c较高与较差的血糖结果相关，而体力活动与更有利的血糖模式相关。有趣的是，碳水化合物摄入量较高与更快的峰值消退但更频繁和剧烈的峰值相关。
该研究开发了一个基于多模态数据的二元分类模型，能够高精度区分血糖正常和2型糖尿病个体。在外部数据集（HPP）中，该模型保持强效表现，并成功识别出具有相似HbA1c值的糖尿病前期个体间显著的风险水平差异。
这些发现表明，多模态血糖特征可以超越标准诊断工具增强风险预测和个人监测，特别是在糖尿病前期领域。研究强调传统糖尿病诊断如HbA1c未能捕捉到个体葡萄糖代谢的差异。
通过结合CGM与基因组、生活方式和微生物组的多模态数据，研究人员发现了血糖正常、糖尿病前期和2型糖尿病个体间血糖峰值的显著差异，糖尿病前期在多个关键指标上与血糖正常相似度高于2型糖尿病。
在外部队列中验证的机器学习驱动的多模态风险模型揭示了具有相同HbA1c水平的糖尿病前期个体间广泛的风险差异，支持其相比标准指标的附加价值。
研究优势包括具有48.1%代表性不足群体的分散式多样化PROGRESS队列和现实世界数据采集。然而局限性包括设备变异性可能导致的偏差、自我报告偏差、饮食记录挑战以及抗高血糖药物的使用等。
更广泛的验证和纵向研究对于确认预测效用和临床相关性是必要的。这项研究证明了远程多模态数据在增强2型糖尿病早期检测、糖尿病前期风险分层和个性化预防方面的潜力，为更精准和包容的糖尿病护理铺平了道路。
【全文结束】
