摘要
成人隐匿性自身免疫糖尿病(LADA)为自身免疫介导的特殊糖尿病亚型,患者胰岛β细胞损伤呈慢性隐匿进展。临床常用静态时点C肽检测评估胰岛功能,无法反映胰岛功能动态变化趋势,缺乏有效的无创预后分层手段。连续血糖监测(CGM)可捕捉糖代谢时序节律与动态波动信息。本研究旨在结合CGM时序特征与临床基线指标,基于深度学习构建LADA患者胰岛功能快速衰退预测模型,建立特殊类型糖尿病动态预后评估新方法,为LADA精准分层干预提供循证依据。
采用前瞻性队列研究,纳入本院内分泌代谢科规律随访的196例LADA患者。所有患者入组后完成72 h CGM监测,提取TIR、平均血糖波动幅度、日内血糖漂移、餐后血糖上升斜率等时序特征,同步收集人口学资料、人体测量指标、GAD-Ab抗体滴度、空腹及餐后C肽、糖脂代谢等基线临床数据。以随访12个月空腹C肽较基线下降≥50%作为胰岛功能快速衰退结局事件。按7:3分层抽样分为训练集与内部验证集,运用Transformer时序深度学习架构构建预测模型,以逻辑回归、随机森林模型作为对照,通过AUC、灵敏度、特异度、校准曲线评价模型效能,筛选独立预测因子并构建可视化列线图。
12个月随访后,196例LADA患者中共49例发生胰岛功能快速衰退。结局事件组患者TIR明显降低,日内血糖波动显著增大,餐后血糖上升速度更快。仅采用传统临床指标的逻辑回归模型验证集AUC为0.741(95%CI:0.672‑0.803);联合CGM时序特征构建的Transformer深度学习模型验证集AUC可达0.893(95%CI:0.842‑0.934),灵敏度85.7%,特异度83.2%,预测效能显著优于传统模型。糖代谢昼夜节律紊乱、餐后血糖快速升高是LADA患者胰岛功能进行性衰退的独立预测因素。
融合CGM时序特征的深度学习模型可精准预测LADA患者胰岛β细胞功能快速衰退风险。相较于传统静态生化指标,CGM时序数据可有效反映胰岛分泌调节的隐匿性异常,可作为LADA无创动态预后分层的新型评估工具,精准指导个体化干预时机,为特殊类型糖尿病精细化、全周期临床管理提供全新技术路径。
