MMC中心优秀研究汇展④|连续血糖监测数据的时间序列分析以预测T2DM患者的治疗效果

2021年5月，MMC分中心——宁波市第一医院内分泌代谢科励丽主任团队在《TheJournalofClinicalEndocrinology&Metabolism》（IF₂₀₂₀：5.958）发表了题名“Time-Series Analysis of Continuous Glucose Monitoring Datato Predict Treatment Efficacy in Patients with T2DM”——连续血糖监测数据的时间序列分析以预测T2DM患者的治疗效果的研究论文。

图1：文章标题和作者

简介

监测血糖和糖化血红蛋白(HbA_1c)水平对于评估糖尿病患者治疗的有效性和安全性至关重要。除了传统的实验室测量之外，连续血糖监测(CGM)在评估血糖控制方面也发挥着重要作用。在过去几年中，由于葡萄糖传感器准确性的提高、更大的便利性和易用性的提高，CGM的实用性迅速增长。

CGM通过直接监测血糖波动和每日血糖水平曲线，提供信息以帮助立即做出治疗决策和改变生活方式。CGM还有助于评估葡萄糖变异性和识别低血糖、高血糖。几项研究已经证明CGM应用在糖尿病患者中的临床益处，包括减少短期低血糖发生。CGM特别适用于接受胰岛素治疗且有低血糖风险的患者。与传统的血糖监测方法不同，传统的血糖监测方法通常在一天内进行多次血糖测量，CGM通过连续测量与血浆葡萄糖密切相关的间质葡萄糖产生大量的葡萄糖浓度读数。连续的血糖测量可以更深入地了解血糖水平的趋势和变异性，包括随时间变化的异常血糖水平的方向、幅度、持续时间和频率。

尽管 CGM 具有潜在的好处，但过多的数据会导致难以解释 CGM 结果，这是导致该技术在常规临床实践中成功应用较低的主要因素。目前，采用各种指标来解释 CGM 结果。推荐基于国际共识小组专家意见的几个核心 CGM 指标来描述血糖控制的质量，例如读数百分比和每天在目标血糖范围 (TIR) 内的时间、高于目标葡萄糖范围 (TAR)，以及低于目标葡萄糖范围 (TBR) 的时间。另一组指标描述了血糖变异性，例如标准差 (SD) 和变异百分比系数 (%CV)。

此外，CGM 数据是在一系列时间点收集的。这一时间特征使 CGM 数据成为典型的时间序列数据，它反映了血糖水平随时间的变化。在生理上，由于各种潜在因素，如活动、情绪和饮食，个体的血糖水平存在随机波动的每日周期。因此，CGM 数据由 3 个差分分量组成：日变化、随机变化和趋势。作为时间序列数据的一种，CGM 数据可以通过时间序列分析方法进行分析，通过该方法可以将 CGM 数据分解为 3 个单独的数值分量。这种分解有助于对 CGM 数据中的每日变化、随机变化和趋势分量进行独立分析。

尽管 CGM 值的不同组成部分可能具有不同的临床意义，但现有对 CGM 数据的解释未能分别分析不同的组成部分。值得注意的是，由于趋势分量独立于每日周期和随机波动引起的血糖水平变化，因此趋势分量将更能代表治疗产生的血糖水平趋势。

我们假设 CGM 数据的趋势成分可能提供有关 T2DM 患者长期治疗效果的早期信息。这一早期信息在临床上有助于早期判断 T2DM 的治疗效果，这将使患者受益匪浅，因为通常需要几个月的时间才能获得 T2DM 的治疗结果。由于聚类是一种数据分析技术，可以将相似的数据配置文件放入相关或同质的组中，而不需要对组定义的高级知识，我们旨在应用时间序列分析来提取 CGM 数据的趋势分量并研究关联T2DM 患者的趋势成分和长期治疗效果的概况。

摘要

背景：

预测 2 型糖尿病患者的治疗效果是一项挑战。

目的：通过连续血糖监测 (CGM) 测量的时间序列分析来评估和预测 T2DM 患者的治疗效果。方法： 我们提取和聚类 CGM 测量的趋势分量，以生成具有代表性的时间序列曲线，用作患者组治疗效果的预测因子。
受试者： 宁波市第一医院招募了 111 名 T2DM 门诊患者。
干预： 患者在降糖治疗开始时接受 14 天的 CGM 测量。
主要测量结果： 在治疗开始和治疗 6 个月后获得糖化血红蛋白  (HbA_1c) 和空腹血糖 (FPG)。
结果：111 名患者每人在 14 天内进行了 960 到 1344 次 CGM 测量，每天进行 96 次测量。通过时间序列聚类方法将患者根据CGM观察值的趋势分量分布分为3组，包括降低（47例）、增加（26例）和不变（38例）分布。降糖治疗6个月后，降糖组FPG从10.2下降到6.8 mmol/L（下降3.4 mmol/L），降糖组从8.9下降到9.2 mmol/L（上升0.3 mmol/L）增加组，不变组由8.4～7.5 mmol/L（下降0.9 mmol/L）。3组HbA1c的变化分别为2.3%、0.2%和0.9%（P < 0.01）。

结论：

CGM 数据趋势成分的聚类生成了具有代表性的 CGM 曲线，可预测 T2DM 的 6 个月治疗效果。

附英文摘要（滑动查看）：

Abstract

Context:

There is a challenge to predict treatment effects in patients with type 2 diabetes mellitus (T2DM).
Objective:To assess and predict treatment effects in patients with T2DM through time-series analysis of continuous glucose monitoring (CGM) measurements.
Method：We extracted and clustered the trend components of CGM measurements to generate representative time-series profiles, which were used as a predictor of treatment effects in groups of patients.
Setting and participants:We recruited 111 outpatients with T2DM at Ningbo City First Hospital, China.
Intervention:The patients underwent CGM measurement for 14 days at the beginning of glucose-lowering treatment.
Main outcome measures: Hemoglobin A1c (HbA1c) and fasting plasma glucose (FPG) were obtained at the beginning and after 6 months of treatment.

Results:111 patients each had 960 to 1344 CGM measurements for 14 days at 96 measurements per day. The patients were classified into 3 groups according to the profiles of trend components of CGM observed values by time-series clustering method, including decreasing (47 patients), increasing (26 patients), and unchanged (38 patients) profiles. After 6 months of glucose-lowering treatment, FPG declined from 10.2 to 6.8 mmol/L (a decline of 3.4 mmol/L) in the decreasing group, from 8.9 to 9.2 mmol/L (a rise of 0.3 mmol/L) in the increasing group, and from 8.4 to 7.5 mmol/L (a decline of 0.9 mmol/L) in the unchanged group. The changes of HbA1c were 2.3%, 0.2%, and 0.9% for the 3 groups (P < 0.01), respectively.

Conclusions：Clustering of the trend components of CGM data generates representative CGM profiles that are predictive of 6-month therapeutic effects for T2DM.

作者

励丽 宁波市第一医院（浙江大学宁波医院）内分泌科主任

• 主任医师，硕士生导师

• 宁波市医学重点学科内分泌学学科负责人

• 中国医师协会内分泌代谢科医师分会委员

• 在JCEM、BMJ open、Endocr Connect等杂志发表 SCI 论⽂20余篇，国内核⼼期刊论⽂30 余篇，（副）主编糖尿病、肥胖相关书籍4本，参与各级各类课题 15 项。

原文链接：

https://academic.oup.com/jcem/article-abstract/106/8/2187/6278374?login=false

往期推荐

点个分享，把好知识传播出去！