糖尿病前期中西医结合早期诊断的国内外进展与挑战

doi:10.12114/j.issn.1007-9572.2024.0328

中国全科医学 ›› 2025, Vol. 28 ›› Issue (03): 262-272.DOI: 10.12114/j.issn.1007-9572.2024.0328

糖尿病前期中西医结合早期诊断的国内外进展与挑战

彭红叶¹^,²^,³, 荆雅楠¹^,², 留典淳³, 王莹⁴, 薛雪⁵, 鲁春丽¹^,²^,^*()

1．510006　广东省广州市，广东省代谢病中西医结合研究中心（中医药研究所）　广东药科大学
2．510006　广东省广州市，糖脂代谢病教育部重点实验室
3．100029　北京市，北京中医药大学
4．100082　北京市海淀区北下关社区卫生服务中心中医科
5．430006　湖北省武汉市，湖北中医药大学附属湖北省中医院肾病科/时珍实验室

收稿日期:2024-04-10 修回日期:2024-08-15 出版日期:2025-01-20 发布日期:2024-10-28
通讯作者: 鲁春丽
作者贡献：
彭红叶负责资料收集、绘制图表、文章撰写；荆雅楠负责绘制图表、文章修订；留典淳、王莹、薛雪负责文章修订；鲁春丽负责文章构思与设计、文章修订、文章的质量控制，对论文整体负责。
基金资助:
广州市科学技术局2024年度基础与应用基础研究专题项目资助(2024A04J4734)

Domestic and International Advances and Challenges in Early Diagnosis of Prediabetes with Integrated Chinese and Western Medicine

PENG Hongye¹^,²^,³, JING Yanan¹^,², LIU Dianchun³, WANG Ying⁴, XUE Xue⁵, LU Chunli¹^,²^,^*()

1. Guangdong Provincial Research Center of Integration of Traditional Chinese Medicine and Western Medicine in Metabolic Diseases (Institute of Chinese medicine) /Guangdong Pharmaceutical University, Guangzhou 510006, China
2. Key Laboratory of Glucolipid Metabolic Disorder, Ministry of Education of China, Guangzhou 510006, China
3. Beijing University of Chinese Medicine, Beijing 100029, China
4. Department of Traditional Chinese Medicine, Beixiaguan Community Health Service Center, Haidian District, Beijing 100082, China
5. Department of Nephrology/Shizhen Laboratory, Hubei Provincial Hospital of Traditional Chinese Medicine, Hubei University of Chinese Medicine, Wuhan 430006, China

Received:2024-04-10 Revised:2024-08-15 Published:2025-01-20 Online:2024-10-28
Contact: LU Chunli

分享到

摘要/Abstract

摘要： 糖尿病前期是一种表现为空腹血糖受损、糖耐量异常或两者的混合状态的疾病，属于中医"脾瘅"范畴。随着现代生活模式的改变，糖尿病前期的患病率不断升高，具有和糖尿病相当的预后风险，及时诊断并早期干预至关重要。本文从中医学和现代医学两个角度梳理了糖尿病前期的起源与定义，发现早在《素问》成书时，中医学便已对"脾瘅"形成了一定的认识。随着循证医学的发展和规范化临床研究的实施，我国逐步构建了具有中医特色的规范化糖尿病前期临床实践指南。在诊断方面，血糖检测指标类型和阈值、中医证候诊断、中西医结合诊断模型、疾病风险评分模型、生物标志物、可穿戴设备等多种无创中西医结合诊断方法不断完善，但多针对糖尿病患者的预防而非糖尿病前期的早期诊断和筛查；餐后1 h血糖可能是未来诊断糖尿病前期或糖尿病高危人群的新指标，但需进一步研究证实以推广使用。针对糖尿病前期中西医结合早期诊断面临的诊断标准的动态性、筛查流程的复杂性、临床症状的不典型性、疾病的低知晓性等挑战，未来需不断更新和完善诊断标准，融合数字化健康管理和可穿戴设备，充分发挥中医优势，构建针对糖尿病前期人群的基于中医宏观表征与组学微观数据相结合的疾病诊断模型，开发更简便、快捷的中西医结合筛查方法，实现糖尿病前期的"早筛查、早诊断、早干预、早康复"。

关键词: 糖尿病前期, 脾瘅, 早期诊断, 中西医结合, 糖尿病预防

Abstract:

Prediabetes is a condition characterized by impaired fasting glucose, impaired glucose tolerance, or a combination of both, which is classified under the category of "Pi Dan" in Traditional Chinese Medicine (TCM). With the changes in modern lifestyles, the prevalence of prediabetes is continuously rising, carrying a risk comparable to diabetes prognosis. Therefore, timely diagnosis and early intervention are crucial. This article reviewed the origins and definitions of prediabetes from both TCM and modern medical perspectives, revealing that TCM had already recognized "Pi Dan" as early as the composition of the "SuWen". With the development of evidence-based medicine and the implementation of standardized clinical research, China has gradually established the standardized clinical practice guidelines for prediabetes with TCM characteristics. Regarding diagnosis, diagnostic indicators and thresholds for monitoring blood glucose levels, various non-invasive integrated TCM and modern medical diagnostic methods, including TCM syndrome diagnosis, integrated TCM and Western medicine diagnostic models, disease risk scoring models, biomarkers, and wearable devices, have been continuously improved. However, its primary focus lies in diabetes prevention rather than the early detection and screening of prediabetes. Besides, 1-hour plasma glucose may be a new outcome for prediabetes diagnosis or identifying high-risk diabetes populations in the future. However, further research is required to validate its broader application. Addressing the challenges of dynamic diagnostic standards, complex screening processes, atypical clinical symptoms, and low disease awareness during early prediabetes diagnosis, it is imperative to continuously update and refine diagnostic standards. The integration of digital health management and wearable devices should be promoted to fully capitalize on TCM strengths in constructingt disease diagnostic models that combine TCM macro manifestations and omics microdata for prediabetes. Simplified and expedited integrated TCM and modern medical screening methods can facilitate early screening, early diagnosis, early intervention, and early recovery for prediabetes.

Key words: Prediabetic state, Pi Dan, Early diagnosis, Integrated traditional Chinese medicine & western medicine, Diabetes prevention

彭红叶,荆雅楠,留典淳,等. 糖尿病前期中西医结合早期诊断的国内外进展与挑战[J]. 中国全科医学, 2025, 28(03): 262-272. DOI: 10.12114/j.issn.1007-9572.2024.0328.
PENG Hongye,JING Yanan,LIU Dianchun, et al. Domestic and International Advances and Challenges in Early Diagnosis of Prediabetes with Integrated Chinese and Western Medicine[J]. Chinese General Practice, 2025, 28(03): 262-272. DOI: 10.12114/j.issn.1007-9572.2024.0328.

图/表 3

参考文献 68

[1]	中华医学会内分泌学分会，中华医学会糖尿病学分会，中国医师协会内分泌代谢科医师分会，等. 中国成人糖尿病前期干预的专家共识[J]. 中华内分泌代谢杂志，2020，36（5）：371-380. DOI：10.3760/cma.j.cn311282-20200115-00022.
[2]	ECHOUFFO-TCHEUGUI J B，PERREAULT L，JI L N，et al. Diagnosis and management of prediabetes：a review[J]. JAMA，2023，329（14）：1206-1216. DOI：10.1001/jama.2023.4063.
[3]	ICD-11 Coding Tool[EB/OL].[2024-07-19].
[4]	印发《"健康中国2030"规划纲要》[N]. 人民日报，2016-10-26（001）.
[5]	WANG L M，PENG W，ZHAO Z P，et al. Prevalence and treatment of diabetes in China，2013-2018[J]. JAMA，2021，326（24）：2498-2506. DOI：10.1001/jama.2021.22208.
[6]	逄冰，刘文科，林轶群，等. 论"态靶因果"辨治方略在2型糖尿病中的应用[J]. 中华中医药杂志，2017，32（7）：2864-2866.
[7]	方朝晖，仝小林，段俊国，等. 糖尿病前期中医药循证临床实践指南[J]. 中医杂志，2017，58（3）：266-270. DOI：10.13288/j.11-2166/r.2017.03.023.
[8]	中国医师协会中西医结合医师分会内分泌与代谢病学专业委员会. 糖尿病前期病证结合诊疗指南[J]. 世界中医药，2021，16（4）：533-538. DOI：10.3969/j.issn.1673-7202.2021.04.002.
[9]	中华中医药学会糖尿病基层防治专家指导委员会. 国家糖尿病基层中医防治管理指南（2022）[J]. 中华糖尿病杂志，2023，15（2）：100-117.
[10]	中华中医药学会. 糖尿病中医防治指南[J]. 中国中医药现代远程教育，2011，9（4）：148-151. DOI：10.3969/j.issn.1672-2779.2011.04.111.
[11]	National Diabetes Data Group. Classification and diagnosis of diabetes mellitus and other categories of glucose intolerance. National Diabetes Data Group[J]. Diabetes，1979，28（12）：1039-1057. DOI：10.2337/diab.28.12.1039.
[12]	CHARLES M A，FONTBONNE A，THIBULT N，et al. Risk factors for NIDDM in white population. Paris prospective study[J]. Diabetes，1991，40（7）：796-799. DOI：10.2337/diab.40.7.796.
[13]	American Diabetes Association. Report of the expert committee on the diagnosis and classification of diabetes mellitus[J]. Diabetes Care，1997，20（7）：1183-1197. DOI：10.2337/diacare.20.7.1183.
[14]	Expert Committee on the Diagnosis and Classification of Diabetes Mellitus. Report of the expert committee on the diagnosis and classification of diabetes mellitus[J]. Diabetes Care，2003，26（Suppl 1）：S5-20. DOI：10.2337/diacare.26.2007.s5.
[15]	伍汉文. 化学糖尿病的定义 [J]. 国外医学参考资料（内科学分册），1974（2）：90-91.
[16]	卫生部疾病控制司，中华医学会糖尿病学分会. 《中国糖尿病防治指南》（试行本）（节选）[J]. 中国慢性病预防与控制，2004，12（6）：283-285. DOI：10.3969/j.issn.1004-6194.2004.06.022.
[17]	彭红叶，鲁春丽，黄晓强，等. 多组学技术在中医药领域中的应用现状与前景分析[J]. 中医杂志，2024，65（8）：775-781. DOI：10.13288/j.11-2166/r.2024.08.002.
[18]	TRAN K A，KONDRASHOVA O，BRADLEY A，et al. Deep learning in cancer diagnosis，prognosis and treatment selection[J]. Genome Med，2021，13（1）：152. DOI：10.1186/s13073-021-00968-x.
[19]	LI J，CHEN Q，HU X，et al. Establishment of noninvasive diabetes risk prediction model based on tongue features and machine learning techniques [J]. Int J Med Inform，2021，149（1）：104429. DOI：10.1016/j.ijmedinf.2021.104429.
[20]	LI J，YUAN P，HU X J，et al. A tongue features fusion approach to predicting prediabetes and diabetes with machine learning[J]. J Biomed Inform，2021，115：103693. DOI：10.1016/j.jbi.2021.103693.
[21]	WU H，TREMAROLI V，SCHMIDT C，et al. The gut microbiota in prediabetes and diabetes：a population-based cross-sectional study[J]. Cell Metab，2020，32（3）：379-390.e3. DOI：10.1016/j.cmet.2020.06.011.
[22]	ZHANG J F，XU J T，HU X J，et al. Diagnostic method of diabetes based on support vector machine and tongue images[J]. Biomed Res Int，2017，2017：7961494. DOI：10.1155/2017/7961494.
[23]	YUAN L，YANG L，ZHANG S C，et al. Development of a tongue image-based machine learning tool for the diagnosis of gastric cancer：a prospective multicentre clinical cohort study[J]. E Clinical Medicine，2023，57：101834. DOI：10.1016/j.eclinm.2023.101834.
[24]	ZHOU X H，QIAO Q，JI L N，et al. Nonlaboratory-based risk assessment algorithm for undiagnosed type 2 diabetes developed on a nation-wide diabetes survey[J]. Diabetes Care，2013，36（12）：3944-3952. DOI：10.2337/dc13-0593.
[25]	LINDSTRÖM J，TUOMILEHTO J. The diabetes risk score：a practical tool to predict type 2 diabetes risk[J]. Diabetes Care，2003，26（3）：725-731. DOI：10.2337/diacare.26.3.725.
[26]	ROBINSON C A，AGARWAL G，NERENBERG K. Validating the CANRISK prognostic model for assessing diabetes risk in Canada's multi-ethnic population[J]. Chronic Dis Inj Can，2011，32（1）：19-31.
[27]	MOHAN V，DEEPA R，DEEPA M，et al. A simplified Indian Diabetes Risk Score for screening for undiagnosed diabetic subjects[J]. J Assoc Physicians India，2005，53：759-763.
[28]	BANG H，EDWARDS A M，BOMBACK A S，et al. Development and validation of a patient self-assessment score for diabetes risk[J]. Ann Intern Med，2009，151（11）：775-783. DOI：10.7326/0003-4819-151-11-200912010-00005.
[29]	NIETO-MARTINEZ R，BARENGO N C，RESTREPO M，et al. Large scale application of the Finnish Diabetes Risk S core in Latin American and Caribbean populations：a descriptive study[J]. Front Endocrinol，2023，14：1188784. DOI：10.3389/fendo.2023.1188784.
[30]	BAHIJRI S，AL-RADDADI R，AJABNOOR G，et al. Dysglycemia risk score in Saudi Arabia：a tool to identify people at high future risk of developing type 2 diabetes[J]. J Diabetes Investig，2020，11（4）：844-855. DOI：10.1111/jdi.13213.
[31]	PEI D M，YANG T F，ZHANG C P. Estimation of diabetes in a high-risk adult Chinese population using J48 decision tree model[J]. Diabetes Metab Syndr Obes，2020，13：4621-4630. DOI：10.2147/DMSO.S279329.
[32]	DONG W N，TSE T Y E，MAK L I，et al. Non-laboratory-based risk assessment model for case detection of diabetes mellitus and pre-diabetes in primary care[J]. J Diabetes Investig，2022，13（8）：1374-1386. DOI：10.1111/jdi.13790.
[33]	尤丽丽，张秀薇，张小云，等. 广东地区无代谢性疾病自然人群脂联素参考值的建立[J]. 中华糖尿病杂志，2020，12（4）：216-220. DOI：10.3760/cma.j.cn115791-20191111-00421.
[34]	WANG Y L，MENG R W，KUNUTSOR S K，et al. Plasma adiponectin levels and type 2 diabetes risk：a nested case-control study in a Chinese population and an updated meta-analysis[J]. Sci Rep，2018，8（1）：406. DOI：10.1038/s41598-017-18709-9.
[35]	WOO Y C，TSO A W，XU A M，et al. Combined use of serum adiponectin and tumor necrosis factor-alpha receptor 2 levels was comparable to 2-hour post-load glucose in diabetes prediction[J]. PLoS One，2012，7（5）：e36868. DOI：10.1371/journal.pone.0036868.
[36]	中国女医师协会糖尿病专业委员会，《中华健康管理学杂志》编辑委员会，中国健康促进基金会. 糖尿病高危人群筛查及干预专家共识[J]. 中华健康管理学杂志，2022，16（1）：7-14. DOI：10.3760/cma.j.cn115624-20211111-00677.
[37]	AKASH M S，REHMAN K，CHEN S Q. Role of inflammatory mechanisms in pathogenesis of type 2 diabetes mellitus[J]. J Cell Biochem，2013，114（3）：525-531. DOI：10.1002/jcb.24402.
[38]	AGUIRRE V，WERNER E D，GIRAUD J，et al. Phosphorylation of Ser307 in insulin receptor substrate-1 blocks interactions with the insulin receptor and inhibits insulin action[J]. J Biol Chem，2002，277（2）：1531-1537. DOI：10.1074/jbc.M101521200.
[39]	GAWLIK K，MILEWICZ T，PAWLICA-GOSIEWSKA D，et al. Fibroblast growth factor 21 in gestational diabetes mellitus and type 2 diabetes mellitus[J]. J Diabetes Res，2023，10：4024877. DOI：10.1155/2023/4024877.
[40]	WANG X，BAO W，LIU J，et al. Inflammatory markers and risk of type 2 diabetes：a systematic review and meta-analysis[J]. Diabetes Care，2013，36（1）：166-175. DOI：10.2337/dc12-0702.
[41]	MALKAN U Y，GUNES G，CORAKCI A. Rational diagnoses of diabetes：the comparison of 1，5-anhydroglucitol with other glycemic markers[J]. Springerplus，2015，4：587. DOI：10.1186/s40064-015-1389-5.
[42]	SALAZAR J，NAVARRO C，ORTEGA Á，et al. Advanced glycation end products：new clinical and molecular perspectives[J]. Int J Environ Res Public Health，2021，18（14）：7236. DOI：10.3390/ijerph18147236.
[43]	LUO H，BAUER A，NANO J，et al. Associations of plasma proteomics with type 2 diabetes and related traits：results from the longitudinal KORA S4/F4/FF4 Study[J]. Diabetologia，2023，66（9）：1655-1668. DOI：10.1007/s00125-023-05943-2.
[44]	MONFARED Y K，HONARDOOST M，SAROOKHANI M R，et al. Circulating miR-135 may serve as a novel co-biomarker of HbA_1c in type 2 diabetes[J]. Appl Biochem Biotechnol，2020，191（2）：623-630. DOI：10.1007/s12010-019-03163-2.
[45]	中华医学会糖尿病学分会. 中国2型糖尿病防治指南（2020年版）[J]. 国际内分泌代谢杂志，2021，41（5）：482-548. DOI：10.3760/cma.j.cn121383-20210825-08063.
[46]	中华医学会糖尿病学分会. 中国2型糖尿病防治指南（2017年版）[J]. 中华糖尿病杂志，2018，10（1）：4-67. DOI：10.3760/cma.j.issn.1674-5809.2018.01.003.
[47]	童于真，童南伟. 中国成人2型糖尿病预防的专家共识精要[J]. 中国实用内科杂志，2014，34（7）：671-677. DOI：10.7504/nk2014060203.
[48]	TRICÒ D，GALDERISI A，MARI A，et al. One-hour post-load plasma glucose predicts progression to prediabetes in a multi-ethnic cohort of obese youths[J]. Diabetes Obes Metab，2019，21（5）：1191-1198. DOI：10.1111/dom.13640.
[49]	PENG M Y，HE S Y，WANG J P，et al. Efficacy of 1-hour postload plasma glucose as a suitable measurement in predicting type 2 diabetes and diabetes-related complications：a post hoc analysis of the 30-year follow-up of the Da Qing IGT and Diabetes Study[J]. Diabetes Obes Metab，2024，26（6）：2329-2338. DOI：10.1111/dom.15547.
[50]	HA J，CHUNG S T，BOGARDUS C，et al. One-hour glucose is an earlier marker of dysglycemia than two-hour glucose[J]. Diabetes Res Clin Pract，2023，203：110839. DOI：10.1016/j.diabres.2023.110839.
[51]	BERGMAN M，MANCO M，SATMAN I，et al. International Diabetes Federation Position Statement on the 1-hour post-load plasma glucose for the diagnosis of intermediate hyperglycaemia and type 2 diabetes[J]. Diabetes Res Clin Pract，2024，209：111589. DOI：10.1016/j.diabres.2024.111589.
[52]	BUYSSCHAERT M，BERGMAN M，VALENSI P. 1-h post-load plasma glucose for detecting early stages of prediabetes[J]. Diabetes Metab，2022，48（6）：101395. DOI：10.1016/j.diabet.2022.101395.
[53]	赵腾飞，费爱华. 糖化血红蛋白对急性胰腺炎危险分层及预后评估的应用价值[J]. 医学研究杂志，2024，53（4）：166-170，176. DOI：10.11969/j.issn.1673-548X.2024.04.031.
[54]	HOELZEL W，WEYKAMP C，JEPPSSON J O，et al. IFCC reference system for measurement of hemoglobin A_1c in human blood and the national standardization schemes in the United States，Japan，and Sweden：a method-comparison study[J]. Clin Chem，2004，50（1）：166-174. DOI：10.1373/clinchem.2003.024802.
[55]	ROHLFING C，WIEDMEYER H M，LITTLE R，et al. Biological variation of glycohemoglobin[J]. Clin Chem，2002，48（7）：1116-1118.
[56]	GILLETT M J. International Expert Committee report on the role of the A_1c assay in the diagnosis of diabetes：diabetes care[J]. Clin Biochem Rev，2009，32（7）：1327-1334. DOI：10.2337/dc09-9033.
[57]	American Diabetes Association. Standards of medical care in diabetes—2010[J]. Diabetes Care，2010，33（Suppl 1）：S11-61. DOI：10.2337/dc10-S011.
[58]	ASSOCIATION A D. Diagnosis and classification of diabetes mellitus[J]. Diabetes Care，2010，33（Suppl 1）：S62-69. DOI：10.2337/dc10-S062.
[59]	黄丽霞，张静，董彩霞，等. 糖代谢异常的糖化血红蛋白诊断切点值的研究[J]. 中国糖尿病杂志，2023，31（7）：500-504. DOI：10.3969/j.issn.1006-6187.2023.07.004.
[60]	NORDYKE R J，APPELBAUM K，BERMAN M A. Estimating the impact of novel digital therapeutics in type 2 diabetes and hypertension：health economic analysis[J]. J Med Internet Res，2019，21（10）：e15814. DOI：10.2196/15814.
[61]	ACCIAROLI G，SPARACINO G，HAKASTE L，et al. Diabetes and prediabetes classification using glycemic variability indices from continuous glucose monitoring data[J]. J Diabetes Sci Technol，2018，12（1）：105-113. DOI：10.1177/1932296817710478.
[62]	PATEL M S，POLSKY D，SMALL D S，et al. Predicting changes in glycemic control among adults with prediabetes from activity patterns collected by wearable devices[J]. NPJ Digit Med，2021，4（1）：172. DOI：10.1038/s41746-021-00541-1.
[63]	BLIUDZIUS A，PURONAITE R，TRINKUNAS J，et al. Research on physical activity variability and changes of metabolic profile in patients with prediabetes using Fitbit activity trackers data[J]. Technol Health Care，2022，30（1）：231-242. DOI：10.3233/THC-219006.
[64]	中华医学会健康管理学分会. 5G+"三早"糖尿病健康管理中国专家共识（2024）[J]. 中华健康管理学杂志，2024，18（3）：161-173. DOI：10.3760/cma.j.cn115624-20231215-00342.
[65]	WRIGHT E E，SUBRAMANIAN S. Evolving use of continuous glucose monitoring beyond intensive insulin treatment[J]. Diabetes Technol Ther，2021，23（S3）：S12-18. DOI：10.1089/dia.2021.0191.
[66]	RIZOS E C，KANELLOPOULOU A，FILIS P，et al. Difference on glucose profile from continuous glucose monitoring in people with prediabetes vs. normoglycemic individuals：a matched-pair analysis[J]. J Diabetes Sci Technol，2024，18（2）：414-422. DOI：10.1177/19322968221123530.
[67]	卞文轩，何云强，付麒，等. 我国胰岛功能评估方法和应用的初步调查[J]. 中国糖尿病杂志，2024，32（3）：161-168. DOI：10.3969/j.issn.1006-6187.2024.03.001.
[68]	林乐韦华，欧倩滢，林璐，等. 海南省城乡居民糖尿病患病率及合并其他慢性代谢性疾病调查[J]. 中国热带医学，2021，21（9）：839-844. DOI：10.13604/j.cnki.46-1064/r.2021.09.05.

名称		研究对象	发布年份（年）	变量/诊断要素	诊断研究样本量	诊断效能
名称		研究对象	发布年份（年）	变量/诊断要素	诊断研究样本量	国内外指南推荐情况	灵敏度	特异度	AUC值	阳性预测值	阴性预测值	阳性似然比	准确率	精确率	召回率
疾病风险预测模型	CDRS^[24]	糖尿病/糖尿病高危人群	2013	年龄、性别、腰围、BMI、收缩压和糖尿病家族史	41 809	国内多个指南^{[36，45，46]}推荐应用	86.8%~92.3%	35.5%~38.8%	0.702~0.725
	FINDRISC^[25]	糖尿病/糖尿病高危人群	2003	年龄、BMI、腰围、抗高血压药物治疗史和高血糖史、体力活动、每日水果、浆果或蔬菜的消费量	4 435	国际广泛应用^[29]	78%~81%	76%~77%		5%~13%
	CANRISK^[26]	糖尿病前期/糖尿病/健康对照	2011	年龄、性别、糖尿病家族史、腰围、BMI、身体活动水平、高血压病史、高血糖病史	6 223	未推荐			0.75
	IDRS^[27]	糖尿病/健康对照	2005	年龄、腹部肥胖、糖尿病家族史和体力活动	26 001	未推荐	72.5%	60.1%		17.0%	95.1%		61.3%
	ADA风险评分^[28]	糖尿病/健康对照	2009	年龄、性别、糖尿病家族史、高血压病史、肥胖和体力活动		未推荐	72%~79%	62%~67%		10%		1.89~2.39
诊断模型	SADRISC模型^[30]	糖代谢异常人群（糖尿病或糖尿病前期）/健康对照	2020	性别、年龄、腰围、高血糖史和糖尿病家族史	328/1 075	未推荐	72%	69%	0.76
	J48决策树模型^[31]	糖代谢异常人群（糖尿病或糖尿病前期）/健康对照	2020	年龄、性别、婚姻状态、教育程度、BMI、高血压病史、心血管/卒中病史、高脂血症病史、糖尿病病史、心血管/卒中家族史、吸烟史、睡眠时间、体育活动、工作压力	541/2 913	未推荐							90.3%	89.7%	90.3%
	Dong模型^[32]	糖尿病前期/糖尿病/健康对照	2022	年龄、BMI、腰臀比、收缩压、腰围、睡眠时间、吸烟状况、每周剧烈娱乐活动时间	280/1 577	未推荐			0.822
生物标志物	脂联素^{[33，34，35]}、肿瘤坏死因子^[37，38]、成纤维细胞生长因子^[39]、白介素^[40]、血清1，5-脱水葡萄糖醇^[41]、晶状体晚期糖基化终末产物^[42]	糖尿病高危人群/糖尿病				国内指南^[36]推荐应用
生物标志物	白介素-17D^[43]、白介素18受体1^[43]、碳酸酐酶5a^[43]、白介素1受体2型和基质细胞外磷酸糖蛋白^[43]	糖尿病前期/健康对照	2023		460/840	未推荐
	miRNA-135a^[44]	糖尿病前期	2020		120	未推荐	51.2%	52.5%

名称		研究对象	发布年份（年）	变量/诊断要素	诊断研究样本量	诊断效能
名称		研究对象	发布年份（年）	变量/诊断要素	诊断研究样本量	国内外指南推荐情况	灵敏度	特异度	AUC值	阳性预测值	阴性预测值	阳性似然比	准确率	精确率	召回率
疾病风险预测模型	CDRS^[24]	糖尿病/糖尿病高危人群	2013	年龄、性别、腰围、BMI、收缩压和糖尿病家族史	41 809	国内多个指南^{[36，45，46]}推荐应用	86.8%~92.3%	35.5%~38.8%	0.702~0.725
	FINDRISC^[25]	糖尿病/糖尿病高危人群	2003	年龄、BMI、腰围、抗高血压药物治疗史和高血糖史、体力活动、每日水果、浆果或蔬菜的消费量	4 435	国际广泛应用^[29]	78%~81%	76%~77%		5%~13%
	CANRISK^[26]	糖尿病前期/糖尿病/健康对照	2011	年龄、性别、糖尿病家族史、腰围、BMI、身体活动水平、高血压病史、高血糖病史	6 223	未推荐			0.75
	IDRS^[27]	糖尿病/健康对照	2005	年龄、腹部肥胖、糖尿病家族史和体力活动	26 001	未推荐	72.5%	60.1%		17.0%	95.1%		61.3%
	ADA风险评分^[28]	糖尿病/健康对照	2009	年龄、性别、糖尿病家族史、高血压病史、肥胖和体力活动		未推荐	72%~79%	62%~67%		10%		1.89~2.39
诊断模型	SADRISC模型^[30]	糖代谢异常人群（糖尿病或糖尿病前期）/健康对照	2020	性别、年龄、腰围、高血糖史和糖尿病家族史	328/1 075	未推荐	72%	69%	0.76
	J48决策树模型^[31]	糖代谢异常人群（糖尿病或糖尿病前期）/健康对照	2020	年龄、性别、婚姻状态、教育程度、BMI、高血压病史、心血管/卒中病史、高脂血症病史、糖尿病病史、心血管/卒中家族史、吸烟史、睡眠时间、体育活动、工作压力	541/2 913	未推荐							90.3%	89.7%	90.3%
	Dong模型^[32]	糖尿病前期/糖尿病/健康对照	2022	年龄、BMI、腰臀比、收缩压、腰围、睡眠时间、吸烟状况、每周剧烈娱乐活动时间	280/1 577	未推荐			0.822
生物标志物	脂联素^{[33，34，35]}、肿瘤坏死因子^[37，38]、成纤维细胞生长因子^[39]、白介素^[40]、血清1，5-脱水葡萄糖醇^[41]、晶状体晚期糖基化终末产物^[42]	糖尿病高危人群/糖尿病				国内指南^[36]推荐应用
生物标志物	白介素-17D^[43]、白介素18受体1^[43]、碳酸酐酶5a^[43]、白介素1受体2型和基质细胞外磷酸糖蛋白^[43]	糖尿病前期/健康对照	2023		460/840	未推荐
	miRNA-135a^[44]	糖尿病前期	2020		120	未推荐	51.2%	52.5%

筛选方法	优点	缺点
中医证候诊断	非侵入性，注重整体观和个体差异，可从宏观角度认识疾病	依赖医师经验，标准化、客观化、可重复性不足
结合表观-微观的中西医结合精准诊断模型	结合中医宏观与西医微观特征，多维度、多视角，有望实现早期筛查	缺乏标准化和高级别证据验证、质量控制待评估
疾病风险评分	不依赖于实验室检测、简便易操作、低成本	存在人群和种族差异、普适性待验证，调查内容局限、缺失中医内容
生物标志物	能够提供关于疾病进程的分子级信息，有助于早期筛查，可指导干预与治疗	高成本，特异性、可操作性和经济效益成本待评估
空腹血糖	操作简单、低成本	需空腹、波动大（易受饮食和生理状态影响）
餐后2 h血糖	可以反映人体对餐后血糖峰值的处理能力	耗时长
餐后1 h血糖	更低时间与经济成本	临床应用少、尚不成熟、准确性和普适性待验证
糖化血红蛋白	无需禁食、样本采集后稳定性强、不易受餐前或餐后血糖波动的影响	准确性容易受原有疾病（贫血、血红蛋白变异等）、年龄、种族的影响、检测费用高
可穿戴设备	连续、动态、实时监测，实现早期筛查的潜在优势手段	有创性，准确性待评估；无创手段属于起步研究阶段

筛选方法	优点	缺点
中医证候诊断	非侵入性，注重整体观和个体差异，可从宏观角度认识疾病	依赖医师经验，标准化、客观化、可重复性不足
结合表观-微观的中西医结合精准诊断模型	结合中医宏观与西医微观特征，多维度、多视角，有望实现早期筛查	缺乏标准化和高级别证据验证、质量控制待评估
疾病风险评分	不依赖于实验室检测、简便易操作、低成本	存在人群和种族差异、普适性待验证，调查内容局限、缺失中医内容
生物标志物	能够提供关于疾病进程的分子级信息，有助于早期筛查，可指导干预与治疗	高成本，特异性、可操作性和经济效益成本待评估
空腹血糖	操作简单、低成本	需空腹、波动大（易受饮食和生理状态影响）
餐后2 h血糖	可以反映人体对餐后血糖峰值的处理能力	耗时长
餐后1 h血糖	更低时间与经济成本	临床应用少、尚不成熟、准确性和普适性待验证
糖化血红蛋白	无需禁食、样本采集后稳定性强、不易受餐前或餐后血糖波动的影响	准确性容易受原有疾病（贫血、血红蛋白变异等）、年龄、种族的影响、检测费用高
可穿戴设备	连续、动态、实时监测，实现早期筛查的潜在优势手段	有创性，准确性待评估；无创手段属于起步研究阶段

糖尿病前期中西医结合早期诊断的国内外进展与挑战

Domestic and International Advances and Challenges in Early Diagnosis of Prediabetes with Integrated Chinese and Western Medicine

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 3

参考文献 68

相关文章 15

编辑推荐

Metrics

留言

[1]	陈凯悦, 李祥龙, 冯钰珩, 励晓红, 郭莺. 糖尿病前期社区健康管理存在的问题及策略建议[J]. 中国全科医学, 2024, 27(28): 3567-3573.
[2]	魏戌, 徐卫国, 李路广, 秦晓宽, 葛龙, 杨克新, 高景华, 朱立国. 腰椎管狭窄症中西医结合诊疗指南（2023年）[J]. 中国全科医学, 2024, 27(25): 3076-3082.
[3]	张芸, 蔡欣奕, 丁靖诺, 陆圣威, 陈萃英, 吴婷婷, 张军利, 赵卫峰. 寡糖链、甲胎蛋白对乙型肝炎病毒相关肝细胞癌风险筛查与诊断价值研究[J]. 中国全科医学, 2024, 27(15): 1855-1860.
[4]	慢性阻塞性肺疾病中西医结合管理专家共识写作组. 慢性阻塞性肺疾病中西医结合管理专家共识（2023版）[J]. 中国全科医学, 2023, 26(35): 4359-4371.
[5]	李亚峰. 铜绿假单胞菌致淋巴组织感染的临床表现及诊疗体会[J]. 中国全科医学, 2023, 26(15): 1923-1926.
[6]	公瑞, 张玥, 程志新, 唐卫荷. 以静脉肢体坏疽为特点的静脉血栓栓塞症并肝素诱导性血小板减少症的中西医结合治疗一例报道[J]. 中国全科医学, 2023, 26(06): 769-774.
[7]	刘林华, 占锦峰, 夏忠彬. 社区人群空腹血糖受损对估算肾小球滤过率的影响研究[J]. 中国全科医学, 2023, 26(03): 304-307.
[8]	黄雨澄, 董爱梅, 黄有媛, 费秀文. 口服葡萄糖耐量试验中1小时血糖升高的意义研究进展[J]. 中国全科医学, 2022, 25(35): 4468-4472.
[9]	吴忆宁, 万颖, 胡超越, 孙亚男, 于长禾. 中西医治疗腰背痛临床试验结局指标及测量工具的比较研究[J]. 中国全科医学, 2022, 25(35): 4433-4442.
[10]	陈俊键, 范冠华. 社区血糖管理人群血糖自我监测达标情况及其影响因素研究[J]. 中国全科医学, 2022, 25(34): 4298-4303.
[11]	卢春键, 刘薇, 林少霞, 朱燕娴, 皮敏. 五种常用中医外治法联合常规西药治疗糖尿病周围神经病变有效性和安全性的贝叶斯网状Meta分析[J]. 中国全科医学, 2022, 25(33): 4106-4116.
[12]	蔡郑婷, 胡连信, 王泽峰, 谢广东, 林贤伟. 几种常见儿童孤独症谱系障碍筛查及诊断量表的比较研究[J]. 中国全科医学, 2022, 25(24): 2998-3004.
[13]	马云云, 宋玉磊, 王蒙蒙, 梁晓, 张薛晴, 徐桂华, 杜丹丹, 柏亚妹. 感官功能障碍在认知功能障碍疾病早期识别与干预中的价值与探索[J]. 中国全科医学, 2022, 25(23): 2899-2902.
[14]	黎霞, 李多多, 程潞瑶, 万颖, 于长禾. 中西医治疗慢性腰痛临床研究的有效率定义及其判定标准存在差异：一项概况性评价[J]. 中国全科医学, 2022, 25(20): 2534-2540.
[15]	吴澎泞, 熊帅, 蒋晓涵, 张怡, 梁超, 陈敏. 基于5-羟色胺治疗肠易激综合征的中西医研究进展[J]. 中国全科医学, 2022, 25(15): 1800-1806.