基于互聯網的健康管理模式對2型糖尿病病人糖脂代謝水平影響的Meta分析

冉 倩，左 丹，代旭麗，趙錫麗

重慶醫科大學附屬第二醫院，四川401336

糖尿病(diabetes mellitus)是一種由遺傳和環境因素長期共同作用導致的以血漿葡萄糖持續增高為主要特征的代謝性疾病。據國際糖尿病聯盟(International Diabetes Federation)統計，2019年約4.63億20～79歲成年人患有糖尿病，預計到2045年將增至7億人[1]。糖尿病的管理包括血糖監測、藥物、飲食和運動等。面對糖尿病患病人群的急劇增長，探索出一種高效、簡潔的管理模式刻不容緩。隨著科學技術的快速發展和互聯網在人們日常生活中的廣泛應用，將現有技術整合到糖尿病管理中具有重要意義[2]。同時，遠程醫療在全球范圍內的快速普及，能夠彌補醫療資源供應的缺乏與日益增長的糖尿病教育需求之間的差距[3]。基于互聯網的健康管理模式是指通過QQ群、微信訂閱號、智能手機APP和互聯網遠程視頻等途徑，將互聯網技術應用到糖尿病病人個性化管理中[4]。目前，該新興健康管理模式在國內外廣泛應用且取得顯著效果[5-6]。然而，關于互聯網應用于2型糖尿病病人的Meta分析中，存在納入的文獻數量少[7]、未對隨訪時間進行亞組分析[8]和鮮有研究將血脂納入結局指標的問題。因此，本研究旨在評估基于互聯網的健康管理模式對2型糖尿病病人血糖、血脂控制的效果，為糖尿病病人健康管理模式提供最佳循證證據。

1 資料與方法

1.1 文獻檢索

計算機檢索中國知網數據庫、維普數據庫、萬方數據庫、PubMed、the Cochrane Library、CINAHL、EMbase，檢索時間從各數據庫建庫至2020年12月。檢索詞采用主題詞和自由詞相結合。中文檢索詞為：2型糖尿病/健康管理/互聯網/網絡/信息/電子信息/遠程醫療/平臺/糖代謝/血糖/血糖水平/血糖管理/血脂/甘油三酯/膽固醇。英文檢索詞包括：diabetes/type 2 diabetes mellitus/T2DM/health management/internet/internet-basedintervention/network/information/electronic information/telemedicine/mobile/message/SMS/system/technology/phone/smartphone/platforms/blood glucose/blood sugar/blood glucose management/blood lipid/triglyceride/TG/cholesterol/TC。

1.2 文獻納入及排除標準

1.2.1 納入標準

①研究類型：隨機對照試驗，僅限中英文文獻；②研究對象：年齡≥18歲，明確診斷為2型糖尿病病人；③干預措施：試驗組采用基于互聯網的健康管理模式，對照組采用常規糖尿病管理；④結局指標：糖化血紅蛋白(HbA1c)、空腹血糖(FPG)、餐后2 h血糖(2 hPBG)、總膽固醇(TC)、三酰甘油(TG)。

1.2.2 排除標準

①合并嚴重糖尿病并發癥，如酮癥酸中毒等或心腦血管疾病、惡性腫瘤等；②會議文獻、重復發表、無法獲取全文的文獻；③無法提取數據或數據不完整的文獻。

1.3 文獻篩選與資料提取

由2名研究員獨立閱讀文獻題目和摘要，剔除明顯不合格的文獻。對于可能納入的文獻，進一步閱讀全文后決定是否納入。對最終符合納入與排除標準的文獻進行資料提取，內容包括第一作者、發表年份、研究類型、研究樣本量、干預措施、對照措施、干預時間、隨訪時間及結局指標。

1.4 文獻質量評價

由2名評價者對所有文獻按照Cochrane Version 5.3系統評價手冊[9]對隨機對照試驗的評價標準進行評價。2人獨立評價后交叉核對，出現意見分歧時進行協商，如不能達成一致則由第3人進行評價。該工具評價內容有：①是否做到隨機序列；②是否做到分配隱藏；③是否采用盲法(包括對研究對象、研究者及結果評價者施盲)；④數據是否完整(對退出或失訪有無報道失訪例數和原因)；⑤是否選擇性報告研究結果；⑥是否有其他偏倚。評價者對每項做出偏倚程度高、偏倚程度低、不清楚的判斷。文獻質量分為A、B、C 3級。A級：完全滿足以上標準，發生偏倚的可能性最低；B級：部分滿足以上標準，發生偏倚的可能性中度；C級：完全不滿足以上標準，發生偏倚的可能性高，此類文獻將被排除。

1.5 統計學方法

采用RevMan 5.3進行數據分析。對于連續性變量資料，若文獻使用相同測量工具，采用加權均方差(WMD)表示；若使用不同測量工具，則采用標準化均方差值(SMD)表示，并計算出95%置信區間(CI)。異質性檢驗，若P>0.1，I2<50%，提示研究間具有同質性，選擇固定效應模型進行Meta分析；若P≤0.1，I2≥50%，提示研究間存在異質性，對可能導致異質性的因素進行亞組分析，排除明顯臨床異質性后，選擇隨機效應模型進行Meta分析；若P≤0.1且無法判斷異質來源，僅進行描述性分析。

2 結果

2.1 文獻檢索結果

初次檢索得到相關文獻1 142篇[10-20]，其中英文689篇，中文453篇，NoteExpress去重后得到894篇。通過閱讀題目和摘要，去除780篇與納入標準明顯不符的文獻，經閱讀全文和質量評價后，排除數據不完整、文獻質量低、結局指標不符合的研究103篇，最終納入文獻11篇[10-20]，其中英文9篇，中文2篇。涉及1 425例病人。文獻篩選流程及結果見圖1。

圖1 文獻篩選流程及結果

2.2 納入文獻的基本特征(見表1)

表1 納入文獻的一般特征

(續表)

2.3 方法學質量評價

根據Cochrane協作網更新的Cochrane手冊5.3版對納入的文獻進行評價和質量等級評定。納入的11篇文獻中，4篇文獻質量等級為A級[10，13，17，20]，7篇文獻[11-12，14-16，18-19]的質量等級為B級，詳見表2。

表2 納入文獻的方法學質量評價

2.4 Meta分析結果

2.4.1 HbA1c

11項研究均將HbA1c納入評價指標[10-20]，異質性檢驗，P<0.000 01，I2=89%，選擇隨機效應模型進行Meta分析。結果顯示，兩組HbA1c比較，差異有統計學意義[SMD=-0.71，95%CI(-0.97，-0.46)，P<0.000 01]。對HbA1c不同隨訪時間進行亞組分析，1項研究[10]隨訪時間為2個月，試驗組HbA1c沒有得到改善，差異無統計學意義[SMD=-0.47，95%CI(-1.08，0.13)，P=0.13]。7項研究[12-17，19]隨訪時間為3個月，6項研究[12-14，16，19-20]隨訪時間為6個月，2項研究[14，19]隨訪時間為9個月，6項研究[11，13-14，18-20]隨訪時間≥12個月，試驗組HbA1c明顯低于對照組，差異有統計學意義，3個月：SMD=-0.43，95%CI(-0.67，-0.18)，P=0.000 6；6個月：SMD=-0.37，95%CI(-0.66，-0.07)，P=0.02；9個月：SMD=-1.30，95%CI(-1.77，-0.83)，P<0.000 01；≥12個月：SMD=-1.26，95%CI(-2.04，-0.48)，P=0.002。見圖2。

圖2 兩組不同隨訪時間HbA1c比較的Meta分析森林圖

2.4.2 FPG

10項研究[10-15，17-20]將FPG納入評價指標，異質性檢驗，P<0.000 01，I2=80%，選擇隨機效應模型進行Meta分析。結果顯示，兩組FPG比較，差異有統計學意義[SMD=-0.32，95%CI(-0.54，-0.09)，P=0.005]。將不同隨訪時間分為5個亞組，1項研究[10]隨訪時間為2個月，2項研究[14，19]隨訪時間為9個月，試驗組隨訪時間2個月、9個月的FPG低于對照組，差異有統計學意義[SMD=-0.72，95%CI(-1.34，-0.10)，P=0.02；SMD=-0.50，95%CI(-0.94，-0.07)，P=0.02]；因Cho等[12]研究隨訪3個月時未統計FPG數據，故隨訪時間為3個月共納入5項研究[13-15，17，19]，5項研究[12-14，19-20]隨訪時間為6個月，6項研究[11，13-14，18-20]隨訪時間≥12個月，試驗組隨訪時間3個月、6個月、≥12個月的FPG沒有得到改善，差異無統計學意義[SMD=-0.21，95%CI(-0.48，0.06)，P=0.13；SMD=-0.12，95%CI(-0.38，0.15)，P=0.39；SMD=-0.48，95%CI(-1.07，0.12)，P=0.12]。見圖3。

圖3 兩組不同隨訪時間FPG比較的Meta分析森林圖

2.4.3 2 hPBG

5項研究[12-14，18-19]將2 hPBG納入評價指標，異質性檢驗，P<0.000 01，I2=88%，選擇隨機效應模型進行分析。Meta分析結果顯示，試驗組2 hPBG明顯低于對照組，差異有統計學意義[SMD=-0.56，95%CI(-1.03，-0.09)，P=0.02]，見圖4。

圖4 兩組2 hPBG比較的Meta分析森林圖

2.4.4 TC

7項研究[10-12，15-16，18-19 ]將TC納入評價指標，異質性檢驗，P=0.001，I2=73%，選擇隨機效應模型進行Meta分析。結果顯示，試驗組TC低于對照組，差異有統計學意義[SMD=-0.30，95%CI(-0.56，-0.05)，P=0.02]，見圖5。

圖5 兩組TC比較的Meta分析森林圖

2.4.5 TG

7項研究[10-12，16-19 ]將TG納入評價指標，異質性檢驗，P=0.19，I2=31%，選擇固定效應模型進行Meta分析。結果顯示，試驗組TG低于對照組，差異有統計學意義[SMD=-0.14，95%CI(-0.27，-0.02)，P=0.02]，見圖6。

圖6 兩組TG比較的Meta分析森林圖

2.4.6 發表偏倚及敏感性分析

以HbA1c為評價指標繪制漏斗圖，觀察納入11篇文獻的發表偏倚。本研究中漏斗圖不對稱，顯示各散點分布稀疏，提示可能存在發表偏倚；從圖中可以看出，有5項研究落于漏斗圖95%CI外面，其中1項嚴重偏離在漏斗圖的左側，說明該研究存在異質性，詳見圖7。對異質性較大的合并指標予以剔除并查找異質性來源，行敏感性分析后顯示合并效應量未見明顯改變，說明Meta分析結果基本穩定。

圖7 HbA1c發表偏倚分析的漏斗圖

3 討論

3.1 納入文獻的方法學質量評價

本研究納入的11篇文獻總體質量中等，4篇文獻[10，13，17，20]為A級，7篇文獻[11-12，14-16，18-19]為B級。所有研究的基線資料均可比，5項結局指標選擇也較為集中。對于存在異質性的指標，通過對不同隨訪時間進行亞組分析，仍未消除異質性。所納入的11篇文獻中，只有6篇描述了隨機分配的具體方法[10，13，15，17-18，20]，其余5篇[11-12，14，16，19]僅提及隨機，4篇對隨機分配隱藏[10，13，17，20]方案進行了描述。

3.2 基于互聯網的健康管理模式對2型糖尿病病人血糖、血脂干預效果分析

3.2.1 基于互聯網的健康管理模式能有效改善2型糖尿病病人血糖水平

HbA1c是糖尿病相關并發癥和死亡風險的關鍵決定因素[21]。國際糖尿病協會指出，對于糖尿病病人和糖尿病前期病人來說，有效控制血糖是糖尿病病人疾病管理和維持整體健康的關鍵[22]。因此，有效管理糖尿病病人HbA1c對減緩糖尿病病情進展和預防并發癥具有重要意義。本研究Meta分析結果顯示，基于互聯網的健康管理模式能明顯改善2型糖尿病病人的HbA1c、FPG及2hPBG水平，在對HbA1c不同隨訪時間進行亞組分析發現，2個月時試驗組HbA1c水平沒有降低，可能是由于HbA1c反映的是過去3個月的血糖平均水平，或該亞組納入研究數量較少。因此，基于互聯網的健康管理模式對HbA1c短期效果還有待大樣本、高質量研究進一步驗證。在對FPG不同隨訪時間進行亞組分析發現，3個月、6個月和≥12個月試驗組FPG水平并沒有明顯降低，分析可能的原因，隨著干預時間延長，病人的積極性和依從性下降，從而無法得到陽性結論。因此，基于互聯網的健康管理模式對2型糖尿病病人FPG的長期影響有待證實。

3.2.2 基于互聯網的健康管理模式能有效改善2型糖尿病病人血脂水平

血脂異常是糖尿病病人的典型特征，且兩者表現出越來越高的相關性[23]。本研究Meta分析結果顯示，互聯網應用能明顯降低2型糖尿病病人TC和TG水平，這與國外報道[24-25]一致。研究顯示，HbA1c與血脂存在線性關系，HbA1c與TC、TG和低密度脂蛋白呈正相關，與高密度脂蛋白呈負相關，而且HbA1c是血脂狀況的良好預測因子[26-27]。因此，糖尿病病人有效管理血糖對預防高脂血癥有重要意義。基于互聯網的健康管理模式相較于糖尿病綜合防治經典策略的“五架馬車”，有成本低、操作時間靈活、渠道獲得容易、信息接收及時等優點[28]，能加強病人與醫護人員的溝通交流，病人能及時獲得專家團隊的反饋，進而提升糖尿病病人自我管理水平。

3.3 局限性及啟示

本次研究僅檢索了中文、英文兩種語種，且納入文獻總體質量中等。由于干預措施的特殊性，無法做到真正的盲法，加上納入研究的具體干預措施有所差異，這都有可能導致異質性的產生，在今后的研究中可以針對上述內容做進一步分析。此外，本項研究還給有興趣的醫院提供思路，如何利用現有的人力資源開展規范、高效、可行的互聯網健康管理模式，這仍然是未來研究的重要領域。

4 小結

綜上所述，相對于傳統的血糖管理模式，基于互聯網的健康管理模式能降低2型糖尿病病人的FPG、HbA1c、2 hPBG、TC和TG。早期干預對糖尿病病人血糖規范化管理具有重大的意義。但較短期(≤2個月)基于互聯網的健康管理模式對HbA1c降低效果還有待考證，在未來有待臨床開展更多大樣本、高質量隨機對照試驗來證實，為進一步應用提供循證依據。