移动应用程序对糖尿病患者血糖控制效果的meta分析

倪 平，袁 丽，杨小玲，李 饶

(四川大学华西医院内分泌代谢科，成都 610041)

中国疾病预防控制中心最新调查显示，2013年中国成人的糖尿病患病率约为10.9%，接受糖尿病药物治疗的糖尿病患者仅为其中的32.2%，而其中将糖化血红蛋白(HbA1c)控制在7%以下的不足一半(49.2%)[1]。血糖控制不良将引发多种并发症，严重影响患者的生活质量，造成巨大的经济负担[2-3]。

随着移动通信技术的发展与智能手机的普及，以移动应用程序为主的移动医疗技术逐渐成为研究热点。由于其便捷、高效的特点，移动应用程序被用于各大疾病的管理中，如慢性阻塞性肺疾病(COPD)[4]、哮喘[5-6]、心肌梗死[7]等慢性疾病，其可行性和有效性已得到证实。因糖尿病是常见慢性疾病之一，将移动应用程序用于糖尿病管理的研究也日益增多，这些应用程序大多具有记录患者数据、反馈信息及进行健康教育等功能。一项meta分析显示，智能手机应用程序有利于提高2型糖尿病(T2DM)患者的自我管理能力，降低HbA1c水平[8]，但该研究只纳入英文文献，研究对象仅为T2DM患者。因此，本研究采用循证医学的方法，评价公开发表的原始研究，探讨移动应用程序对糖尿病患者血糖控制的效果，以期为临床实践及科学研究提供参考。

1 资料与方法

1.1 文献检索策略

1.1.1 相关数据库及检索式 计算机检索PubMed、EMbase、CENTRAL、中国生物医学文献数据库(CBM)、知网、维普和万方数据库，检索时限为各数据库建库至2017年8月，文种限中英文，并辅以手工检索。中文检索词：移动应用程序、手机应用程序、移动应用、移动APP、智能手机、糖尿病；英文检索词：mobile application，cell phone，smartphone，diabetes mellitus。

1.1.2 检索步骤 (1)在上述数据库中检索相关原始文献，对所获文献的题名、摘要、关键词及主题词进行分析，以进一步确定文献检索的检索词。(2)运用相关主题词及关键词进行检索，若摘要初步符合纳入标准，则进一步阅读全文。(3)追述所获文献的参考文献。

1.2 纳入和排除标准

1.2.1 纳入标准 (1)研究对象：符合1999年 WHO糖尿病诊断标准[9]的患者；(2)干预措施:使用移动应用程序；(3)对照措施：常规护理；(4)结局指标:包含有HbA1c或空腹血糖(FBG)；(5)研究类型：随机对照试验。

1.2.2 排除标准 (1)仅使用短信或电话随访为干预措施；(2)无相关结局指标；(3)综述、 个案报道；(4)重复发表；(5)无法获取全文。

1.3 资料提取 资料提取工作由两名研究者独立完成，初步阅读文献摘要，对符合纳入标准的进一步阅读全文，按照纳入、排除标准进行文献筛选，通过阅读全文对文献进行资料提取，内容包括作者、发表年份、研究国家、疾病类型、样本量、干预措施、对照措施、干预时间、评价时间和结局指标。若数据只以图的形式呈现，则使用图形数字化软件Engauge Digitizer 4.1提取数据。若两名研究者最终纳入结果不一致，则双方讨论达成共识，必要时由第3名研究者根据纳入排除标准进行判断以达成共识。

1.4 文献偏倚风险评估 文献偏倚风险评估根据Cochrane 系统评价手册5.1 版偏倚风险评估标准[10]独立评估。评价标准包括：(1)随机序列生成；(2)分配隐藏；(3)对受试者、试验人员施盲；(4)对结局评价员施盲；(5)结局数据的完整性；(6)选择性报告；(7)其他偏倚。评价的结果为：低偏倚、高偏倚、风险不清楚。

1.5 统计学处理 采用Cochrane协作网提供的RevMan5.3统计软件进行meta分析。采用χ2检验判断各研究间的异质性，若P>0.1，I2<50%则表示各研究间同质性较好，采用固定效应模型；若P<0.1，I2≥50%则表示各研究间存在异质性，采用随机效应模型；若异质性过大或无法判断异质性来源时，则采用描述性分析。为检验研究结果的稳定性，采用逐步剔除一项研究并分析剩余研究的方式行敏感性分析。采用漏斗图进行发表偏倚分析。连续型变量资料采用加权均数差(WMD)及95%CI表示。检验效能α=0.05。

2 结 果

2.1 纳入研究的基本特征 初步检索获得摘要1 501篇，Note Express 查重剔除346篇，阅读剩余文献的题名及摘要后剔除1 111篇，进一步阅读全文44篇，根据纳入排除标准，最终纳入文献26篇[11-36],中文3篇[28-30]，英文23篇[11-27,31-36]，纳入研究对象2 602例。文献筛选流程见图1，纳入文献的基本特征见表1。

图1 文献筛选流程

2.2 纳入研究的偏倚风险评估 因该类研究难以对受试者或试验人员实施盲法，故未对“对受试者、试验人员施盲”进行评价，评价结果见表2。随机序列生成方面，2个研究[29-30]采用就诊顺序分组的半随机方法，判定为高偏倚，未明确交代随机序列生成方法的判定为风险不清楚。分配隐藏方面，6个研究[14,16-17,22,27,33]使用了分配隐藏，判定为低偏倚，其余判定为风险不清楚。

表1 纳入文献的基本特征

T1DM:1型糖尿病；FBG:空腹血糖；2 h PBG:餐后2 h血糖；E：试验组；C：对照组

盲法方面，1个研究[33]对结局评价员施盲，判定为低风险；9个研究[12,14,16,22,24-25,31,35-36]明确表明未使用盲法，判定为高偏倚，其余均风险不清楚。完整数据报告方面，除2个研究[23,26]未说明试验组和对照组的人数外，其余研究均对有无失访、失访情况进行了说明，判定为低偏倚。

2.3 移动应用程序对糖尿病患者血糖控制的效果

2.3.1 对HbA1c的影响 26个研究均报道了移动应用程序对HbA1c的影响，评价时间有1.5、3.0、6.0、9.0、12个月，分析随访终点的HbA1c，其中20个研究[11-13,15,17-22,24-25,28-31,33-36]的数据可用于meta分析。共纳入患者2 038例，试验组1 047例，对照组991例。采用随机效应模型(异质性检验：I2=70%,P<0.01)分析，结果显示，与常规护理相比，使用移动应用程序的糖尿病患者的HbA1c更低[WMD=-0.43，95%CI(-0.57,-0.29),P<0.01](图2)。3项研究[16，27，32]报道了干预前后HbA1c的差值。2项研究[23，26]未说明试验组和对照组的研究对象例数。

2.3.2 对FBG的影响 8个研究[11-12,18,21,24,29-30,35]报道了移动应用程序对FBG的影响，评价时间有1.5、3.0、6.0、9.0、12.0个月，对随访终点的FBG进行分析，其中5个研究[12,21,29-30,35]数据可用于meta分析。共纳入患者537例，试验组270例，对照组267例。采用固定效应模型(异质性检验：I2=28%,P=0.23)分析，结果显示，与常规护理相比，使用移动应用程序的糖尿病患者的FBG更低[WMD=-0.60，95%CI(-0.87,-0.33),P<0.01]，见图3。

2.3.3 亚组分析 针对HbA1c这一指标，就不同干预时间做亚组分析。2个研究[11,22]报道了使用移动应用程序第1.5个月的HbA1c，固定效应模型(异质性检验：I2=0%,P=0.82)分析结果显示，移动应用程序和常规护理干预1.5个月时，两组的HbA1c差异无统计学意义[WMD=-0.08，95%CI(-0.26，0.10),P=0.38]。4个研究[17,29,31,33]报道了使用移动应用程序第12个月的HbA1c，随机效应模型(异质性检验：I2=83%,P=0.000 4)分析结果显示，移动应用程序和常规护理干预12个月时，两组的HbA1c差异无统计学意义[WMD=-0.54，95%CI(-1.13，0.06),P=0.08]。13个研究[13,15,17-18,21-22,24-25,29-30,34-36]报道了使用移动应用程序3个月的HbA1c，随机效应模型(异质性检验：I2=93%,P<0.01)分析结果显示，使用移动应用程序的患者的HbA1c比常规护理组低[WMD=-0.38，95%CI(-0.53,-0.23),P<0.01]。11个研究[12,15,17-19,21-22,28-29,33,36]报道了使用移动应用程序6个月的HbA1c，随机效应模型(异质性检验：I2=78%,P<0.01)分析结果显示，使用移动应用程序的患者的HbA1c比常规护理组低[WMD=-0.39，95%CI(-0.57,-0.21),P<0.01]。5个研究[13,15,17,20,29]报道了使用移动应用程序9个月的HbA1c，固定效应模型(异质性检验：I2=0%,P=0.48)分析结果显示，使用移动应用程序的患者的HbA1c比常规护理组低[WMD=-0.52，95%CI(-0.76,-0.28),P<0.01]。

2.3.4 敏感性分析及发表偏倚 将移动应用程序对随访终点HbA1c的影响做敏感性分析，剔除乔娟等[29]的研究后效应量最小[WMD=-0.39，95%CI(-0.53～-0.25)]，剔除BEE[22]的研究后效应量最大[WMD=-0.46，95%CI(-0.59～-0.34)]，结果均显示移动应用程序与常规护理相比能降低HbA1c，表明研究结果较为稳定。对纳入HbA1c指标的文献做漏斗图以分析发表偏倚，漏斗图基本对称，提示无明显发表偏倚。

图2 随访终点HbA1c的森林图

图3 随访终点FBG的森林图

纳入文献随机序列生成分配隐藏对受试者、试验人员施盲对结局评价员施盲完整数据报告选择性报告其他偏倚KARDAS等[11] 2016风险不清楚风险不清楚- 风险不清楚低偏倚风险不清楚风险不清楚ZHOU等[12] 2016低偏倚风险不清楚- 高偏倚低偏倚风险不清楚风险不清楚BARON等[13] 2017低偏倚风险不清楚- 风险不清楚低偏倚风险不清楚风险不清楚DRION等[14] 2015低偏倚低偏倚- 高偏倚低偏倚风险不清楚风险不清楚KIRWAN等[15] 2013低偏倚风险不清楚- 风险不清楚低偏倚风险不清楚风险不清楚

续表2 纳入文献的偏倚风险评估

-：无数据

3 讨 论

3.1 文献质量评价 纳入的26篇文献均比较了患者的年龄、性别、干预前血糖值等基线资料。随机序列的产生方面，两项研究[29-30]的序列产生方式为“按就诊顺序”，这种半随机方法会造成较大的选择性偏倚，因此判定为高偏倚。多数研究交代使用了随机的方法，但随机序列产生的方法未具体说明，因此风险不清楚。结局指标的选择较为集中，多含有HbA1c等反应血糖控制的结局指标。

3.2 移动应用程序对糖尿病患者血糖控制的影响 本研究发现，使用移动应用程序的糖尿病患者，第3、6、9个月的HbA1c及随访终点的FBG明显比常规护理组低，将移动应用程序应用到糖尿病患者的管理中，能降低糖尿病患者的HbA1c和FBG，说明了移动应用程序在血糖管理中的有效性，与CUI等[8]的研究结果一致。有研究指出，T2DM患者HbA1c每下降1%，心、脑血管疾病的患病风险分别降低25%和11%，糖尿病肾病等微血管病变的患病风险降低29%[37]。因此，使用移动应用程序可能改善患者的预后。

所纳入的研究最短干预时间为1.5个月，亚组分析结果显示，第1.5个月时试验组和对照组的HbA1c水平差异无统计学意义，可能的原因是干预时间仅6周，而HbA1c反映近8～12周的血糖控制情况，因此短期内还未能反映出干预效果，也可能与该亚组中纳入的研究太少(2篇)有关。长达12.0个月的长期干预在本研究中未见明显效果，与宋丹等[38]研究动机性访谈对T2DM患者自我管理影响的结果相似，这符合糖尿病教育的正向效果随时间延长而逐渐减弱的研究结论[39]，也可能是因为随着时间的延长，患者移动应用程序的使用率逐渐下降，或该亚组纳入的研究数量不多(4篇)。但也有研究发现，长期干预具有良好效果，因为通过长期的干预，患者可能已全面掌握了糖尿病知识，因而血糖控制效果良好[40]。另外，一篇纳入定性分析的研究显示，试验组和对照组的血糖控制效果未见明显差异，可能与纳入对象的基础HbA1c相对较低，且随访时间不长有关[14,26]。另一篇研究显示，试验组的HbA1c水平与对照组相似，但试验组比对照组更具成本效益[25]。因此，移动应用程序对糖尿病患者的血糖控制效果还需更多深入的研究加以验证。

现有研究显示，移动应用程序在糖尿病患者的血糖控制方面具有一定优势，其对糖尿病患者的血糖控制在中期内效果良好，短期和长期的效果不明显。未来还需更多设计严谨的多中心、大样本的随机对照试验进一步对移动应用程序的优势及缺陷加以论证。另外，提高患者的参与度和依从性，保证信息的安全性等问题还有待进一步研究。

3.3 本研究的局限性 本研究的局限性有：(1)仅纳入了公开发表的随机对照试验，且只采用漏斗图分析，因此可能存在发表偏倚。(2)仅分析了移动应用程序对糖尿病患者HbA1c和FBG的影响，未对自我管理行为、并发症的发生率、成本效益比等其他指标进行分析，不能综合评价移动应用程序。(3)部分数据为软件提取或转换后获得，可能与原始数据存在一定偏差。(4)各研究使用的APP种类不一，因此很难严格地归类清楚，可能导致异质性增加。