数字孪生增强决策支持系统提升1型糖尿病血糖达标时间：一项随机对照试验的突破性进展

本刊推荐：针对全球多数1型糖尿病（T1D）患者仍依赖每日多次注射（MDI）或传感器增强泵治疗、且血糖达标率低的现状，研究团队开发了集成数字孪生（DT）技术的STUDIA决策支持系统（DSS）。通过为期4周的随机对照试验发现，该系统使TIR（70-180 mg/dL）提升7%（p<0.001），低血糖事件风险降低69%（RR 0.31）。模型预测误差（MAPE60min=19.2%），证明该工具可安全优化餐时胰岛素决策，为MDI/CSII患者提供精准管理新策略。

在全球范围内，1型糖尿病（T1D）的管理仍面临严峻挑战。尽管自动化胰岛素输送（AID）系统逐渐成为标准治疗方案，但多数患者因经济、技术可及性等因素，仍长期依赖每日多次注射（MDI）或传感器增强泵治疗。数据显示，仅约20%的美国成年患者和30%的欧洲患者能达到糖化血红蛋白（HbA1c）<7%的控制目标，而在哥伦比亚，这一比例仅约50%。传统碳水化合物计数法虽能提升饮食自由度，却因食物成分误判、低血糖恐惧及胰岛素敏感性波动等问题，难以实现精准的餐后血糖控制。

为突破这一瓶颈，研究团队将数字孪生（Digital Twin, DT）这一前沿概念引入糖尿病管理领域。数字孪生通过构建患者的虚拟生理模型，整合多尺度数据模拟疾病进程与治疗反应，为个性化决策提供支持。近期发表于《Scientific Reports》的一项随机对照试验，首次验证了基于数字孪生的STUDIA决策支持系统（DSS）在真实生活环境中的临床价值。

本研究采用双臂平行随机对照设计，纳入28名已有碳水化合物计数经验的T1D患者，随机分配至模拟辅助决策系统（SA-DSS）组或传统大剂量计算器（BC）对照组。所有参与者均使用FreeStyle Libre闪存式葡萄糖监测系统（FGM）持续收集血糖数据。干预组通过STUDIA应用程序的数字孪生引擎，实时预览餐后4小时血糖变化曲线，从而调整胰岛素剂量或饮食选择；对照组仅接收标准胰岛素推荐量。

关键技术方法

研究依托STUDIA安卓应用平台，其核心为基于第一性原理的生理模型数字孪生引擎。模型通过四个可解释参数（葡萄糖有效性S_g、胰岛素敏感性S_I、胃排空延迟T_lag及胃能量流出速率Ė_8ISO）实现个性化校准。数据预处理保障了连续葡萄糖监测（CGM）、碳水化合物估算与胰岛素记录的一致性。预测性能采用均方根误差（RMSE）、平均绝对百分比误差（MAPE）及监测误差网格（SEG）等多维度评估。

研究结果

参与者特征

试验共纳入28名患者（SA-DSS与BC组各14人），平均年龄37.4岁，女性占比50%，基线HbA1c为7.28±0.94%。仅3人（11%）使用持续皮下胰岛素输注（CSII），其余为MDI治疗。

SA-DSS对血糖达标时间（TIR）的影响

干预4周后，SA-DSS组TIR从基线59.2%显著提升至67.1%，而对照组从63.4%下降至60.4%。组间调整后差异达6.95%（95%CI 3.51-10.39; p<0.001），相当于每日增加1.7小时达标时间。

SA-DSS对低血糖时间（TBR）的影响

SA-DSS组TBR（<70 mg/dL）显著低于对照组（调整差异-1.11%, p=0.022），且低血糖事件发生率降低69%（IRR 0.31）。对照组报告2例严重低血糖事件，干预组无发生。

模型预测准确性

数字孪生引擎在60分钟预测窗口的MAPE为19.2±6.7%，误差随预测时间延长递增。SEG分析显示72%的预测差异处于无风险或低风险区域，证实其临床安全性。

结论与意义

本研究首次在自由生活环境中验证了数字孪生增强DSS在T1D管理中的临床效益。STUDIA系统通过实时血糖预测，促使用户主动调整胰岛素剂量与饮食行为，最终实现TIR提升与低血糖风险下降的双重优化。尽管预测误差存在，但模型在4小时餐后窗口的稳定性与个性化能力，为MDI/CSII患者提供了一种可替代AID系统的成本效益方案。未来需通过更长周期、更大样本研究优化模型自适应校准算法，并整合蛋白质、脂肪等多营养素估计工具，进一步推动精准医疗在慢性病管理中的落地。