第二届糖尿病数字管理大会成功召开！聚焦“数字控糖、融合创新”新范式

全球糖尿病患病率持续上升,精准、高效的血糖管理成为全球公共健康重要课题。数字医疗技术飞速发展,CGM、智能算法、远程随访平台等创新手段的广泛应用,为糖尿病全程管理带来了全新解决方案。

数字控糖、融合创新。2025年6月7日,由上海交通大学主动健康战略与发展研究院、北京慢性病防治与健康教育研究会联合主办,中国健康管理协会生活方式医学分会、中华糖尿病杂志提供学术指导的“第二届糖尿病数字管理大会”在四川省成都市盛大召开。

数字医疗赋能,糖尿病智慧管理新图景

贾伟平教授

上海交通大学医学院附属第六人民医院贾伟平教授分享了数字医疗背景下,糖尿病如何智慧管理的话题。她指出,面对人口老龄化及慢性病患者数量增多的问题,医务人员的服务模式已从“患者到院就诊”转向关注疾病预防、筛查、诊断、治疗、康复的全周期健康管理。

唯有通过“以人为本的一体化医疗服务”才能真正提升糖尿病管理的质量与效率,而数字医学与人工智能则是其关键手段[1]。

AI技术驱动,构建糖尿病精准防治体系

杨正林教授

我国成人糖尿病患病率达11.9%,疾病负担重。临床存在早期筛查不足、个性化治疗难等问题。四川省人民医院杨正林教授聚焦糖尿病防治的AI应用展开讨论。

目前AI技术在糖尿病防治中应用广泛,如构建基于GWAS+AI的妊娠期糖尿病(GDM)预测模型可实现妊娠20周前预警,单细胞多组学结合机器学习能解析T2D基因调控机制,CGM联合机器学习可预测代谢亚型等[4-6]。贾伟平教授团队还在DeepDR基础上又基于深度学习开发了一个深度学习系统(DeepDR Plus),仅根据眼底图像预测5年内DR进展时间[7]。

在实践探索中,杨正林团队收集大量患者数据,构建657项机器学习模型,其中14项聚焦糖尿病,部分成果已达到较高临床应用水平。未来,AI将进一步优化,推动糖尿病精准医疗与全病程管理发展。

全球视野下,糖尿病数字管理新突破

Marc Breton教授

弗吉尼亚大学Marc Breton教授分享国外糖尿病数字管理的前沿经验,并就医学数字孪生技术与人工智能驱动的全闭环人工胰腺系统(FCL AID)展开论述。他指出,医学数字孪生系统可实时更新患者生理数据,实现真实与虚拟世界的闭环交互;FCL AID则通过AI整合多源数据,自动评估血糖并精准调整胰岛素剂量,协助医生制定个性化治疗方案。数字孪生与AI的结合将推动糖尿病管理向自动化、个性化发展,有望提升患者生活质量。

陈重娥教授

同时,在全球普遍面临血糖控制不佳的问题下,香港中文大学内科及药物治疗学系陈重娥教授探讨了CGM对情绪与行为的影响。当前糖尿病管理需突破“知-行鸿沟”,通过CGM等数字化技术与全病程管理结合,实现数据驱动的个性化护理、情感支持与自我管理赋能,可改善血糖控制、降低并发症风险并提升患者生活质量。

下沉基层,AI赋能糖尿病防控

周智广教授

中南大学湘雅二医院周智广教授指出,我国糖尿病防控面临“患病率高,知晓率、治疗率、控制率低”的严峻形势,需做到“关口向预防前移,重心向基层下沉”。

国家糖尿病标准化防控中心(DPCC)项目应运而生,通过整合5G、AI、物联网等技术,实现以患者为中心的分级诊疗、上下联动的医疗团队协作管理,构建“全人群覆盖、全病程管理、全因素分析”的糖尿病标准化防控管理新模式。该项目已在湖南平江、岳塘、永州等地试点并全省推广,经验同步向深圳、山西、河南等全国多地区辐射,助力防控关口前移。

郑霁耘博士

三诺总经理兼董事会秘书郑霁耘博士以“从数据到决策:AI驱动糖尿病管理的未来”为题,指出AI大模型虽基于海量数据参数,但在医疗应用中存在知识更新滞后、数据收集被动等问题,可能影响诊疗安全与准确性。为此,需构建“动态知识更新+动态数据整合”机制,通过“大模型+记忆+规划+工具”模式打造糖尿病专科智能体。

三诺智慧糖尿病管理系统

三诺智慧糖尿病管理系统集成BGM、CGM、CSII、PEP及慢病管理等功能,融合AI技术,为医生提供智能辅助,实现数据精准分析、方案优化及高效患者管理。

多学科协同,CGM+AI重构血糖管理

从左至右:郭立新教授、李贵森教授、李颖川教授、杨小康教授、傅君芬教授

北京医院郭立新教授主持了圆桌讨论,上海交通大学人工智能研究院杨小康教授等围绕“多学科视角下血糖管理的现状与临床核心需求”进行探讨,指出:

 儿童糖尿病患者受青春期激素剧烈波动影响,胰岛素需求量起伏不定,加之频繁指尖采血带来的痛苦,导致治疗依从性显著降低;

 急危重症领域中,约30%～50%的ICU患者因传统点式血糖检测存在监测间隔,极易错过关键的血糖异常事件,无法及时预警,进而危及生命;

 慢性肾病患者由于肾功能衰退,糖化血红蛋白检测准确性大打折扣,无症状低血糖风险更是大幅攀升。

CGM不仅能实现全天候血糖趋势监测,提前预警高低血糖风险,还可生成动态葡萄糖图谱(AGP),助力医生与患者制定个性化治疗策略。众多创新应用成果表明,糖尿病管理已逐步从“单一控糖”向“全程质控”时代迈进,而CGM无疑是这场转型的核心驱动力。

全院协同,智创血糖管理新生态

研究显示,我国住院患者糖尿病患病率达38%,其中80%以上糖代谢异常患者来自非内分泌科室,近1/3血糖控制不佳,暴露出非内分泌科医护血糖管理能力不足、会诊响应慢等问题[4]。

蔡梦茵教授

中山大学附属第三医院蔡梦茵教授解读《医院内虚拟病区智慧化血糖综合管理专家共识(2025版)》,提出以内分泌科为依托的虚拟病区模式,通过实时监测血糖、异常警报闭环管理,实现全院高低血糖患者的智慧化监控,尤其适用于低血糖风险高、围术期、妊娠期院内高血糖患者等特殊人群[4]。

刘师伟教授

山西白求恩医院刘师伟教授分享了基于BGM+CGM+CSII+PEP的全院血糖管理实践。硬件(智能血糖仪+CGM+贴敷式胰岛素泵CSII)与软件(BGM+CGM+CSII+PEP)的结合,满足“全面数据同步、全面应用场景、安全性保障”需求,助力内分泌科统筹全院患者数据,精准制定调糖方案,降低并发症风险、缩短住院时间。

陆静毅教授

上海交通大学医学院附属第六人民医院陆静毅教授就从院外到院内血糖管理,CGM的挑战与机遇话题进行了深入分享。他指出,CGM作为院外血糖管理重要工具(2024年ADA指南推荐[5]),可提升高低血糖检出率,新冠疫情期间更凸显其减少医护负担、感染风险的优势,未来需更多临床研究支持院内应用[6]。

郑雪瑛教授

中国科学技术大学附属第一医院郑雪瑛教授介绍全抛式“3C疗法”(胰岛素泵+CGM+糖尿病信息管理软件)。相比单纯胰岛素泵,“3C疗法”有着更精准的血糖控制、显著缩短血糖达标时间、更好避免低血糖的发生、更适合特殊管理的糖尿病患者等诸多优势[8-10],且无泵体数量限制,一次性使用,管理成本低,适合全院推广[7-10,13-14]。

沈洁教授

南方医科大学第八附属医院沈洁教授总结,全院血糖管理体系通过标准化流程与动态监测,可提升规范管理率与控制达标率,减少并发症,同时推动糖尿病患者从急性期住院治疗向稳定期社区管理的平滑过渡,真正落实分级诊疗目标,优化医疗资源配置,实现医疗资源的高效配置与利用。

内分泌调控的挑战与革新

廖渝教授

三诺糖尿病逆转中心主任廖渝教授分享糖尿病逆转临床实践,指出当前糖尿病逆转面临认知、理念转变、多学科管理及执行等多重困境,需系统推进。基于此,三诺成立湖南省首家糖尿病逆转中心,采用MIT强化干预法(多学科协作、个体化方案、行为跟踪)实现多指标全面管理,达成共管共达标的逆转效果。

张东铭教授

郑州大学第二附属医院张东铭教授通过胰岛素自身免疫综合征(IAS)诊疗案例,强调血糖监测的关键作用。IAS以低血糖、血糖波动及合并自身免疫疾病为特征,早期精准识别、规范干预对改善预后至关重要[15]。

高凌教授

武汉大学高凌教授围绕DeepSeek在医疗领域中的应用进行阐述。DeepSeek具备多模态能力,结合RAG技术构建本地知识库,达到高度定制化,高效检索、低延迟的效果,可辅助医疗行业从业者文献阅读,避免AI幻觉。临床应用上,中文糖尿病考试准确率1.7%,具备辅助医生培训潜力,临床推理质量优于部分模型,但摘要生成和稳定性待提升。

从左至右:赵永才教授、李军教授、胡玲教授、王煜非教授、赵禹教授、杨杨教授

南昌大学第三附属医院胡玲教授和上海交通大学医学院附属第六人民医院王煜非教授主持了会议辩论环节,辩题为「CGM是否有望替代HbA1c成为新标准?」。石河子大学第一附属医院李军教授、沧州市中心医院赵永才教授,担任正方(CGM有望替代HbA1c成为新标准);武汉科技大学附属天佑医院杨杨教授、深圳市宝安区中心医院赵禹教授,担任反方(CGM不能替代HbA1c成为新标准)。

专家认为,HbA1c仍是评估长期平均血糖及并发症风险的“基石指标”,但CGM作为实时监测工具,具备全面反映血糖控制质量、提升治疗响应速度等优势,且与HbA1c相关性良好,具有较大发展潜力。

优秀糖尿病数字管理案例

糖尿病管理的实践中,无数医护工作者和研究人员通过高效使用CGM技术等创新手段,在推动糖尿病精准防治方面做出了杰出实践。本次大会经过专家评审,共有十份案例脱颖而出,被确定为优秀糖尿病数字管理案例。这些案例中,既有基于CGM技术的精准干预模式,也展现了数字技术与临床智慧的深度融合

第二届糖尿病数字管理大会圆满落幕。随着CGM、AI、数字孪生等技术的持续迭代与基层医疗网络的协同升级,“数字控糖”的创新范式有望加速落地,推动糖尿病防治真正迈向精准化、智能化、一体化的新未来。

*本文仅供医疗行业专业人士阅读参考。

参考文献:

[1] https://dtxalliance.org/wp-content/uploads/2021/01/DTA_DTx-Definition-and-Core-Principles.pdf

[2] 第11版国际糖尿病联盟(IDF)糖尿病地图,https://diabetesatlas.org/

[3] 中华医学会糖尿病学分会.中国糖尿病防治指南(2024版)[J].中华糖尿病杂志, 2025, 17(01):16-139.

[4] Gu Y, et al. Genetic architecture and risk prediction of gestational diabetes mellitus in Chinese pregnancies. Nat Commun. 2025 May 5;16(1):4178.

[5] Wang G, et al. Integrating genetics with single-cell multiomic measurements across disease states identifies mechanisms of beta cell dysfunction in type 2 diabetes. Nat Genet. 2023 Jun;55(6):984-994.

[6] Metwally AA, et al. Prediction of metabolic subphenotypes of type 2 diabetes via continuous glucose monitoring and machine learning. Nat Biomed Eng. 2024 Dec 23.

[7] Dai L, et al. A deep learning system for predicting time to progression of diabetic retinopathy. Nat Med. 2024 Feb;30(2):584-594.

[8] Khunti K, et al. Glycaemic control is still central in the hierarchy of priorities in type 2 diabetes management. Diabetologia. 2025 Jan;68(1):17-28.

[9] Bitew ZW, et al. Prevalence of Glycemic Control and Factors Associated With Poor Glycemic Control: A Systematic Review and Meta-analysis. Inquiry. 2023 Jan-Dec;60:469580231155716.

[10] 《医院内虚拟病区智慧化血糖综合管理专家共识》制订专家组. 医院内虚拟病区智慧化血糖综合管理专家共识(2025版)[J]. 中华糖尿病杂志,2025,17(3):299-310.

[11] American Diabetes Association Professional Practice Committee; 7. Diabetes Technology: Standards of Care in Diabetes—2024. Diabetes Care 1 January 2024; 47 (Supplement_1): S126–S144.

[12] Gómez AM, et al. Continuous Glucose Monitoring Versus Capillary Point-of-Care Testing for Inpatient Glycemic Control in Type 2 Diabetes Patients Hospitalized in the General Ward and Treated With a Basal Bolus Insulin Regimen. J Diabetes Sci Technol. 2015 Aug 31;10(2):325-9.

[13] 中华医学会内分泌学分会. 中国胰岛素泵治疗指南(2021年版). 中华内分泌代谢杂志,2021,37(08):679-701.

[14] Natale P, et al. Patient experiences of continuous glucose monitoring and sensor-augmented insulin pump therapy for diabetes: A systematic review of qualitative studies. J Diabetes. 2023 Dec;15(12):1048-1069.

[15] Bergenstal RM, et al. Effectiveness of sensor-augmented insulin-pump therapy in type 1 diabetes. N Engl J Med. 2010 Jul 22;363(4):311-20.

[16] Gu W, et al. Multicentre randomized controlled trial with sensor-augmented pump vs multiple daily injections in hospitalized patients with type 2 diabetes in China: Time to reach target glucose. Diabetes Metab. 2017 Sep;43(4):359-363.

[17] American Diabetes Association Professional Practice Committee; 7. Diabetes Technology: Standards of Care in Diabetes—2025. Diabetes Care 1 January 2025; 48 (Supplement_1): S146–S166.

[18] Grunberger G, et al. American Association of Clinical Endocrinology Clinical Practice Guideline: The Use of Advanced Technology in the Management of Persons With Diabetes Mellitus. Endocr Pract. 2021 Jun;27(6):505-537.

[19] Wang H, et al. Predictors of Long-Term Glycemic Remission After 2-Week Intensive Insulin Treatment in Newly Diagnosed Type 2 Diabetes. J Clin Endocrinol Metab. 2019 Jun 1;104(6):2153-2162.

[20] Liu L, et al. Intense simplified strategy for newly diagnosed type 2 diabetes in patients with severe hyperglycaemia: multicentre, open label, randomised trial. BMJ. 2024 Oct 15;387:e080122.

[21] 《胰岛素自身免疫综合征诊治专家共识(2024版)》编写委员会. 胰岛素自身免疫综合征诊治专家共识(2024版)[J]. 中华糖尿病杂志,2024,16(12):1346-1360.