年鑑議程開場與講者介紹

大家好，請各位就座，我們準備開始。在接下來的議程中，我們共有 18 場發表。部分與會者可能還記得，也有一些新朋友，這個「年鑑（Yearbook）」議程是我們過去 17 年來每年都會舉辦的活動。我們已經出版了 17 本年鑑，並擁有一群非常出色的副主編，每位都負責統籌一個特定主題。現在，我與共同主持人 Tadeu Attolino 教授（Tadej Battelino）想邀請第一位講者 Jennifer Sherr 上台。她將為我們主講關於連續性與間歇性血糖監測（Continuous and Intermittent Glucose Monitoring）的最新進展。Jennifer，請開始。

2025 年連續性與間歇性血糖監測文獻回顧

非常感謝。我很高興能代表我的共同作者們（包含 Bruce W. Bode、Tadej Battelino 與 Klemen Dovc），與大家分享我們在連續性與間歇性血糖監測章節的成果。這些是我的利益衝突聲明。

在撰寫本章節時，我們透過 Medline 進行文獻檢索，使用了包含 rtCGM 與 isCGM 等搜尋詞彙。我們將焦點放在臨床試驗以及高品質的真實世界數據（Real-world data）。**歷年來的相關文獻總檢索結果高達 10,540 篇，**而我們本次的搜尋共篩選出超過 1,400 篇文章，我們審閱了其中的 59 篇研究，最終本章節收錄了 12 篇手稿。大家如果掃描投影片上的 QR code，就可以直接連結到我們的章節。

核心主題與三大重點文獻

在核心主題方面，我們主要聚焦於已確診的第 1 型糖尿病（Type 1），這涵蓋了多個子議題（包含活動對血糖指標的影響、改善自動胰島素給藥系統的數位雙生技術 (Digital Twins)、高齡者應用、青少年 CGM 應用、與併發症的關聯、與 C-peptide 的關聯、血糖與認知功能，以及不同治療方式的預後等）。此外，我們也探討了早期第 1 型糖尿病、部分第 2 型糖尿病（Type 2）的精選研究（如住院劑量滴定），最後還分析了 CGM 在妊娠期的應用。

今天，我將集中探討其中的三篇重點研究。

研究一：利用 CGM 預測第 3 期第 1 型糖尿病的進展

第一篇文章由 Peter Calhoun 及其團隊所發表（刊登於《Diabetologia》）。他們試圖確認 CGM 是否能準確預測患者進展至第 3 期疾病（Stage 3 disease）的風險。

該研究共納入 218 名參與者，其前瞻性 CGM 數據收集自 5 個不同的研究計畫（包含 ASK、TrialNet、DIPP、DAISY 與 BDR 試驗）。參與者接受了縱向追蹤，其中有 29% 的隊列成員最終進展為第 3 期疾病。

在評估預測進展風險的因素時，他們的單變量分析（Univariate analysis）發現，當血糖超過 7.8 mmol/L（大於 140 mg/dL） 的時間比例大於 10% 時，患者有較高的疾病進展風險。隨後，他們利用參與者特徵建構了一個完整模型（Full model），發現血糖超過 7.8 的時間比例、較高的糖化血色素（A1C）、擁有一等親第 1 型糖尿病家族史，以及 IA2 抗體陽性，皆與較高的風險相關。

他們結合這些特徵與 CGM 數據建立模型，並將個體在兩年預測期內的風險分類為低、中、高風險。結果顯示，該模型能準確地將參與者分組：5% 被歸類為低風險，13% 為中風險，而幾乎一半（48%）被歸類為高風險。

在比較不同模型的預測能力時，我們使用了 C-統計量（C-statistic）與第二年的 AUROC 數值：

僅使用 A1C 的模型，C-統計量為 0.61 (AUROC 0.68)。
僅使用 CGM 的模型，C-統計量為 0.68 (AUROC 0.70)。
僅使用口服葡萄糖耐受試驗（OGTT）的模型，C-統計量為 0.68 (AUROC 0.79)。
但當使用包含參與者特徵與 CGM 的完整模型時，C-統計量達到了 0.74 (AUROC 0.79)。

研究二：CGM 指標能否替代 C-peptide 作為臨床試驗的替代終點？

我要回顧的第二篇文章來自 Neyman 及其團隊（刊登於《Diabetes Care》）。該研究旨在探討在疾病修飾療法（Disease-modifying therapies）的試驗中，CGM 指標是否能作為受刺激 C-peptide（Stimulated C-peptide）結果的替代指標（Surrogate）。

這項研究納入了來自 CLVer 試驗的 103 名個體。我們透過接收者操作特徵曲線（Receiver operator curves, ROC）來比較 C-peptide 與 CGM 指標的關聯性。曲線分為三組：A 代表整體隊列 (敏感度 68.4%、特異度 75.0%)，B 代表強化治療組 (敏感度 63.6%、特異度 92.9%)，C 則是標準治療組 (敏感度 80.0%、特異度 70.0%)。測試的 CGM 指標包括：目標範圍內時間（Time in range, 70-180 mg/dL）、低於目標範圍時間（Time below range, <70 mg/dL）、變異係數（Coefficient of variation），以及所有指標的綜合評估。

**研究結果顯示：**雖然 CGM 與受刺激 C-peptide 的測量值具有相關性，但其相關強度、敏感度與特異度，仍不足以在臨床試驗中完全取代 C-peptide 測量。

研究三：住院第 2 型糖尿病患者的 CGM 應用與劑量滴定

最後一篇文章是 DIATEC 研究（同樣發表於《Diabetes Care》），對象是被收治於兩個醫學中心非加護病房的第 2 型糖尿病患者。該研究共評估了 602 人，最終有 184 人參與隨機分配。

患者被隨機分配到兩組：一組使用基於照護點（Point-of-care, POC）血糖測試的胰島素劑量滴定演算法，另一組則使用基於 CGM 的滴定演算法。為了允許 CGM 監測，護理站放置了一台顯示數據的平板電腦。住院糖尿病醫療團隊在巡房時會對數據進行即時監測（Real-time monitoring），並設定了具行動指引意義的警報（Actionable alerts）。最終分析包含了 82 名 POC 組與 84 名 CGM 組患者。

他們發現了什麼？ 被隨機分配到 CGM 組的患者，其目標範圍內時間（Time in target range, 3.9-10.0 mmol/L）高出 15%（達到 77.6%，對比 POC 組的 62.7%, p<.001），這相當於每天增加了 3 小時的達標時間。

此外，他們探討的所有次要結果也都呈現正向效益，包括：高於 13.9 mmol/L 的時間顯著降至 1.3% (POC 組為 11.2%, p<.001)、減少低於目標範圍時間 (TBR)、降低高於目標範圍時間 (TAR)、降低血糖變異度 (CV)、減少每日胰島素劑量 (units/day)，以及減少院內併發症。

結論與未來展望

總結來說：第一，我們的第一項研究顯示，**CGM 搭配臨床特徵，可能可以預測進展為第 3 期第 1 型糖尿病的風險。**隨著篩檢的普及，利用居家監測（Home-based monitoring）來預測疾病進展的方法將變得至關重要。

第二，目前對於第 3 期患者的受刺激 C-peptide 測量，還無法直接被 CGM 取代。但或許未來可以探索在標準化餐點或混合餐耐受性測試（Mixed meal tolerance）中，評估基於 CGM 的指標是否能帶來幫助（健康對照組與早期第 1 型糖尿病的數據也支持了這個探索方向）。

最後，利用 CGM 來引導住院第 2 型糖尿病患者的管理，藉由仔細的監測、具行動指引意義的警報，以及胰島素滴定演算法，確實能改善臨床預後。現在正是將 CGM 整合進醫院照護體系的時機。我們需要在醫院內使用 CGM，但為了真正獲得效益，它必須與劑量給藥演算法（Dosing algorithm）結合使用。

在此，我想感謝我的共同作者們，並預告明年我們的主題或許會延伸到「超越血糖（Extend beyond glucose）」的範疇。非常感謝大家。