正方辯駁 (Pro Rebuttal)：CGM 指標的預測能力與優勢
我們發現，使用連續血糖監測 (CGM) 的患者擁有較低的 A1C，而且低血糖 (hypoglycemia) 的發生率也較低。這是一個非常龐大且顯著的系統性改變。
我們回顧了糖尿病控制與併發症試驗 (DCCT) 的數據。**根據一項利用 DCCT 七點血糖譜 (7-point glucose profiles) 的回顧性分析（Beck RW 等人發表於 2019 年 Diabetes Care），我們比較了 HbA1c 與目標範圍內時間 (Time in Range, TIR) 作為預測視網膜病變風險指標的表現。結果顯示，HbA1c <7.0% 族群的病變惡化率約為 5%，而 ≥9.0% 族群的惡化率高達約 38%；同樣地，TIR >70% 族群的病變惡化率約為 8%，而 <30% 族群則高達約 40% (兩者趨勢皆具顯著差異 P<0.001)。**雖然這不是一項前瞻性的長期試驗，但我們使用了 DCCT 既有的數據，並證實了 TIR 指標的相關性與 A1C 一樣好。
此外，Boris Kovatchev 博士和 Viral Shah 博士也發表了一篇文章指出，如果我們現在利用人工智慧 (AI) 和複雜的模型來進行一場「虛擬 DCCT (Virtual DCCT)」分析，結果將會如何。**在他們的研究中，比較了虛擬 DCCT 主要世代與 Shah 觀察世代的預測能力。虛擬 DCCT 模型顯示，TIR 每減少 10%，發生併發症的校正後風險比 (Adjusted HR) 可達 2.08；而在緊密目標範圍內時間 (Time in tight range 70-140 mg/dL) 減少 10% 的關聯性更強，校正後 HR 高達 2.69。**這些數據再次證明，TIR 這些指標的相關性絲毫不遜於 A1C。而且在 Shah 博士的研究以及這個虛擬模型中，CGM 指標在預測表現上實際上看起來甚至比 A1C 稍微更好一些。
那麼，退伍軍人事務部 (VA) 的數據又發現了什麼呢？他們發現了完全一樣的情況：使用 CGM 帶來了更好的血糖控制以及更少的住院率。**根據 Reaven 等人 2023 年發表於《Diabetes Care》的真實世界電子病歷數據，在第 1 型 (T1D) 與第 2 型糖尿病 (T2D) 患者啟動 CGM 追蹤 12 個月後，HbA1c 分別降低了 0.26% 與 0.35%；且所有住院風險比 (HR) 在 T1D 降至 0.75，T2D 降至 0.89。**他們最近發布的數據更進一步指出，使用 CGM 的患者其死亡率有所下降。**一項針對 2,752 名成人的多變量 Cox 模型（追蹤 5 年死亡率）顯示，TIR 每增加的危險比 (HR) 為 0.83，具高度顯著意義 (P≤0.01)；而平均血糖 (MG)、血糖風險指數 (GRI) 和高於目標範圍時間 (TAR) 等指標也與死亡率呈顯著正相關。**A1C 並未完全清楚地呈現出這樣的存活率優勢，但 CGM 指標做到了。這說明 CGM 不僅在許多方面已經展現出不亞於 A1C 的表現，在許多情況下，它看起來甚至具有更好的鑑別度 (more discriminating)。
這還有一個長達七年的縱向研究數據，來自 Viral Shah 博士的患者群體。**這項將於 2026 年 3 月發表於《Diabetologia》的研究，評估了 HbA1c 和更新版血糖管理指標 (uGMI) 對 T1D 成人新發糖尿病視網膜病變的預測能力。**他使用了更新的 GMI 公式（我們即將在明天發表這個新公式），結果顯示它在預測七年微血管併發症方面，表現得和 A1C 一樣出色。**數據明確指出，uGMI 的預測力甚至略強於 HbA1c (uGMI 的 ROC AUC 為 0.733；而 HbA1c 的 ROC AUC 為 0.704)。當 uGMI 從約 6.5% 增加到 8.8% 時，視網膜病變發生率即呈現急劇上升的趨勢。**我並不是說它「總是」比較好，但它絕對具備極高的參考價值。
突破停滯期：CGM 與 AID 帶來的典範轉移
我想再次用 DCCT 的後續追蹤來總結這個部分。**這份追蹤 1441 名 T1D 原始參與者長達 40 年的圖表 (1983-2026)，涵蓋了前 10 年的 DCCT 階段與隨後的 EDIC 階段。**我們曾經陷入了一個長達 20 年的「空窗期」——患者的平均 HbA1c 一直卡在 8% 左右無法下降。在這 20 年期間，我們有了新型胰島素，我們擁有了各種五花八門的新療法，但只要是由 A1C 來主導管理方向 (driving the ship)，我們就一直停滯不前。
我們一直卡住，直到 CGM 的報告格式被標準化。**在 2013 年，CGM 報告標準化（導入動態血糖頻譜 AGP）成為了轉捩點。**我們終於有了一份患者和醫生都能看懂的報告。經過一兩年後，圖表上的這條 A1C 曲線開始向下彎曲了。接著，我們將 CGM 與自動胰島素輸送 (AID) 系統結合，在 2017 年 AID 獲得核准後，曲線出現了更顯著的改善。過去由 A1C 主導的 20 年間，曲線沒有任何改善的跡象；而現在，我們確實看到它開始轉變了。
我們現在有了一個全新的黃金標準，那就是檢視 TIR 與低於目標範圍時間 (Time Below Range, TBR)。這是我們所有人每天在臨床照護中都會使用的指標。我們現在追求的終極目標，是將 TIR 提升至大於 70%，同時將 TBR 降低至小於 4%（甚至小於 1%）。我們也深刻體認到，「低血糖 (Hypo)」才是達到最佳 A1c 的最大障礙。
我們現在甚至可以將 TIR 和 TBR 納入針對臨床醫師的治療指引中。**例如，針對使用基礎胰島素 (Basal Insulin) 的 T2D 患者，有一套 CGM 臨床指引管理 (CCGM) 演算法：醫師只需根據患者的 TIR 是否大於 70%，以及 TBR 是否超過 3%，將這兩個數字輸入，就能得到明確的藥物調整建議。若 TIR ≤70% 且 TBR <3%，演算法建議增加 GLP-1 RA 或基礎胰島素；若存在低血糖風險 (TBR ≥3%)，則必須優先停用磺醯尿素類藥物或減少胰島素劑量。**我們稱這為「臨床智能 (clinical intelligence)」。我很確定，不久之後人工智慧 (AI) 會在這些決策上做得更好。
結語：我們必須跨越這座橋樑
我深信，血糖控制真的非常重要 (Glycemic Control really does Matter)。將 A1C 作為唯一指導原則的做法，實際上並沒有帶領我們達到應有的治療目標。我們已經有 30 年的時間將 A1C 奉為圭臬，但我們的整體血糖控制狀況卻沒有絲毫起色。
現在，我認為我們有了有效利用數據的方法，這是一個必須改變典範 (Paradigms Do Change) 的時刻。結合 CGM、AID 系統、生活型態介入以及提高 GLP-1 依從性，我們能有效引導代謝狀態與生活品質 (QOL) 的改善，而這是 A1C 無法做到的。我們可以透過確實了解每個人的個體血糖暴露情況（而非單看平均值並祈禱患者剛好符合平均水準），以更加公平的方式實現個人化照護。
在本次論壇中，我會請各位認真思考反方 (Con) 的論點。反方的觀點合乎邏輯、具有科學依據，且擁有良好的臨床證據。但我更關心的是，當我們離開這場 ATTD 會議後，我們必須共同努力，擴大推廣準確且負擔得起的 CGM 設備，以及支持其使用的團隊照護。在我們能將 CGM 推廣得更廣泛之前，我不反對在尚未獲得 CGM 或 CGM 無法普及的地方，繼續保留 A1C 作為可用的指標。感謝各位的聆聽。
反方辯駁 (Con Rebuttal)：維持 HbA1c 核心地位的科學依據
感謝 Rick (Dr. Bergenstal) 提出的精闢見解。我同意其中的許多觀點，但我仍然認為，我們目前並沒有足夠的證據來支持「糖化血色素 (Hemoglobin A1C) 應該完全被 CGM 取代，成為衡量血糖控制的標準指標」這種說法。
我完全同意血糖控制至關重要。然而，我認為目前總體人群血糖控制不佳的現象，並不是 A1C 的錯。我也不認為單純用另一種新指標來取代 A1C，就能夠解決這個臨床困境。考量到目前 CGM 在美國一般人群乃至全球的普及率與可及性仍然相當有限，我認為依賴 CGM 指標並不能真正解決改善全體血糖控制的問題。為了解決這個問題，我們更需要回歸基本面 (fundamentals)。
我不會去爭辯 A1C 是完美的，它確實有其瑕疵。Rick 剛才概述了許多我們在看待 A1C 時所擔憂的情境。但是，我們必須承認，CGM 同樣存在著許多的限制，而我的同事剛才卻完全沒有提到這一點。世界上沒有任何一項技術是完美的，也沒有任何一項實驗室檢驗是完美的。只有透過充分了解我們技術的極限，以及了解實驗室檢驗的侷限性，我們才能使它們變得更好。
我同樣可以舉出大量關於 CGM 數值與實際臨床情況不一致 (discordance) 的軼事證據，這類例子不勝枚舉。CGM 傳感器給出完全不合理數據的情況同樣存在。任何檢驗結果，都必須在個體患者的臨床背景下進行綜合解讀。CGM 是一項令人驚嘆且具革命性的技術，但我堅信，它不應該取代一個已經確立多年的黃金標準實驗室檢測。
回顧過去幾十年來核准的每一項主要降糖療法，全都是以 HbA1c 的降低作為主要療效終點來證明其有效性的。無論是我們對胰島素類似物 (insulin analogs) 的臨床試驗、對 GLP-1 促效劑的臨床試驗、對 SGLT2 抑制劑的臨床試驗，還是對 DPP4 抑制劑的臨床試驗，它們全都是使用 HbA1c 作為首要的療效終點指標。HbA1c 不僅僅是一個單純的臨床指標，它更是糖尿病治療藥物發展與審查的監管支柱 (regulatory backbone)。
我知道我可能已經說過這個觀點了，但我還要再強調一次。HbA1c 另一個極其重要的功能在於，它實現了全球性的糖尿病監測 (global diabetes surveillance)。Dr. Bergenstal 剛才也向各位展示了部分這類數據。HbA1c 被廣泛用於國家層級的糖尿病監測，它能告訴我們整個社會的防制成效如何。它被用於我們所有的流行病學研究，被用於醫療品質的衡量標準，同時也用於推動公共政策的制定。我根本不相信，你能用一個目前大多數患者都還沒有配戴的設備，來執行全球性的糖尿病監測。
在生物學機制上，正如 Dr. Bergenstal 所言，HbA1c 測量的是紅血球中血紅素的非酵素性糖化 (non-enzymatic glycation)。這意味著它忠實反映了累積的血糖暴露量 (cumulative glycemic exposure)。而這種糖化的生物學過程，正是導致糖尿病併發症的相同核心機制——當我們在思考晚期糖化終產物 (advanced glycation end products, AGEs)、氧化壓力 (oxidative stress) 以及血管損傷 (vascular damage) 時，這些破壞性的病理過程都直接反映在 HbA1c 的數值上。這很可能就是為什麼 HbA1c 會與臨床預後之間有著如此強烈且無法忽視的連結。
我們擁有長達 30 到 40 年的預後證據，將 HbA1c 與各項併發症緊密聯繫在一起，而且這些大型研究已經確立了 HbA1c 與併發症之間的因果關係 (causal relationship)。相對而言，我們目前完全沒有針對 CGM 進行過任何規模與深度可與之比擬的長期臨床試驗。我們當然也缺乏將 GMI 作為臨床試驗中主要暴露變數的相關連結證據。
所謂的「黃金標準 (Gold standards)」，只有當一項新指標在預測臨床預後方面展現出「更強大、更具說服力」的證據時，才應該被取代。連續血糖監測 (CGM) 傳感器是非常強大的輔助工具 (complementary tools)，但就現階段而言，它們尚未達到能完全取代 HbA1c 的門檻。謝謝大家。
總結與臨床實務探討 (Wrap-up & Case Intro)
好的，我們來為這場辯論做個總結。我非常專注地聆聽了，我總是能從 Dr. Selvin 的論述中學到很多東西。但我依然堅持，我們必須跨越這座橋樑，朝向更即時的 CGM 管理邁進。我對此深信不疑。
接下來，我將展示幾張投影片來解釋為什麼我會這樣想，因為這才是我們今天所有討論的核心價值所在。我們不僅僅是在討論人口群體層面 (population level) 的大數據測量；我們所有人都同意，較高的血糖對身體是有害的。但我們在臨床上真正需要的，是一個能夠切實幫助我們「改善」患者現狀的黃金標準。
這又回到了我們的核心使命：確保每一位糖尿病或具潛在風險的人，都能獲得最好的照護，並努力改善他們的生活。所以，讓我們來看一個實際的臨床案例。
這是一位第 2 型糖尿病 (T2D) 患者，目前的治療方案是接受每日多次胰島素注射 (MDI) 療法，並且已經使用了最高劑量的 GLP-1 促效劑。這位患者目前沒有心血管疾病 (No CVD)，但已經出現了微血管併發症，包含視網膜病變 (retinopathy) 與神經病變 (neuropathy)。
試想一下，這位患者今天走進了我們的診間坐在這裡，我們會問的第一句話是：「你最近過得好嗎？」接下來我們要如何利用數據真正幫助他改善呢？