晝夜血糖智能：AI 發現的時序生物標記能在臨床表現前 3-4 年預測糖尿病併發症

(Circadian Glycemic Intelligence: AI-Discovered Temporal Biomarkers Predict Diabetes Complications 3-4 Years Before Clinical Manifestations)

講者： Brij M. Makkar 醫師 (印度新德里) 共同作者： Sanjay Singla, Shubhashree Patil, Kirti Soota, Abilash Raghunathan 會議： 第 19 屆糖尿病先進技術與治療國際會議 (ATTD 2026)

利益衝突聲明 (Disclosures)

各位午安，我來自印度新德里，很高興能在此發表演說。本場演講的主題是探討「晝夜血糖智能」，以及我們如何利用人工智慧發現的時序生物標記，在臨床症狀出現的 3 到 4 年前，就預測出糖尿病的併發症。針對本次演講，我沒有任何需要迴避的利益衝突。

研究背景與未被滿足的臨床缺口

我們都知道，傳統的糖尿病監測主要依賴常規的血糖監測 (BGM) 以及糖化血色素 (HbA1c) 數值。然而，這種傳統方法有一個重大的盲點：它忽略了晝夜血糖模式 (Circadian glycemic patterns)。儘管目前有越來越多的證據顯示，「時間生物學功能障礙 (Chronobiological dysfunction)」會對糖尿病的病理生理學產生極為不利的影響，但我們在常規臨床實務中卻鮮少量化這些時間維度上的異常。

為了解決這個缺口，我們將人工智慧 (AI) 應用於連續血糖監測 (CGM) 數據中，旨在發現新穎的時序生物標記 (Novel temporal biomarkers)。這些標記有望在臨床真正確診出重大併發症的數年之前，提供極具價值的預測能力。

研究方法與設計架構

本研究採用深度學習 (Deep learning) 分析了 1,847 位患有第二型糖尿病 (T2DM) 且擁有至少 90 天連續 CGM 數據的患者。

本研究的執行期間為 2019 年 1 月至 2023 年 12 月。在收案標準方面，我們納入了年齡介於 18 至 75 歲的成人第二型糖尿病患者（依據 ADA 標準診斷），要求其具備至少 90 天連續的 CGM 數據、完整的病歷紀錄（包含併發症篩檢），以及至少 2 年的後續追蹤數據。我們排除了第一型糖尿病或青壯年罹患的成年型糖尿病 (MODY) 患者、研究期間懷孕的婦女、末期腎病患者（eGFR 過低）、正在接受積極癌症治療或免疫抑制療法的患者，以及 CGM 數據缺失率超過 20% 的不完整紀錄。

在數據處理上，神經網路 (Neural networks) 分析了 24 小時的血糖模式，以識別特定的晝夜特徵 (Circadian signatures)。**具體來說，我們分析了四大核心特徵：黎明現象的嚴重程度 (Dawn phenomenon severity)、夜間血糖穩定性 (Nocturnal glucose stability)、餐後反應表型 (Postprandial response phenotypes)，以及晝夜節律的連貫性 (Circadian rhythm coherence)。隨後，機器學習演算法將這些時序模式與患者在 5 年追蹤期內的長期併發症進行了關聯性分析。**最後，我們也將這些新穎的時序生物標記與傳統的風險因子進行了驗證比較。

基準患者特徵與併發症發生率

在基準特徵方面，患者的平均年齡約為 58 歲，男性佔 55%，平均身體質量指數 (BMI) 約為 28.6。平均糖尿病病史為 8.7 年，其中發生併發症的患者病史明顯較長；整體平均 HbA1c 為 8.1%，同樣地，有併發症組別的 HbA1c 數值較高。

我們透過詳細的數據分析，將整體 1,847 名患者分為「無併發症組」(n=1,263) 與「有併發症組」(n=584)。各項關鍵臨床與 CGM 指標呈現出高度的統計顯著差異 (p < 0.001，除性別與 TBR 外)：

在長達 5 年的研究期間內，共有 584 名患者 (佔研究總人數的 31.6%) 發展出新的糖尿病併發症，或經歷了原有併發症的惡化。 具體的併發症發生率與發展時間如下：

外部驗證結果

為了驗證我們的發現，我們在一個獨立的外部驗證隊列 (External validation cohort) 中測試了這些時序生物標記。這個外部隊列包含了來自印度各地三個不同糖尿病中心的 892 名患者。

驗證結果顯示，內部與外部隊列的表現高度一致，展現了強大的泛化能力。具體而言，比較內部隊列與外部隊列的曲線下面積 (AUC)，兩者差異皆無統計學上的顯著性 (p > 0.05)：

結果：五大突破性時序生物標記 (Five Breakthrough Temporal Biomarkers)

透過人工智慧，我們成功挖掘出五個具有卓越預測能力的突破性時序生物標記：

最核心的發現是：將這些時序生物標記結合使用，其對併發症的預測能力大幅超越了傳統的 HbA1c（綜合生物標記 AUC 為 0.94，對比 HbA1c 僅為 0.72，p < 0.001）。

結論與臨床實踐方向

總結來說，這項研究揭示了一個關鍵事實：糖尿病併發症的風險，早在臨床確診的數年之前，就已經從細微的「晝夜節律中斷」開始萌芽。

由 AI 發現的這些時序生物標記，能夠賦能臨床醫師進行針對性的早期介入 (Targeted early interventions)。具體的應用方向包括：

這項研究證明了，利用人工智慧分析連續血糖監測數據，能夠精準識別出在臨床表現前 2 到 4 年就能預測併發症的時序生物標記。這種「時序晝夜智能 (Temporal circadian intelligence)」將徹底改變我們應對糖尿病併發症的策略——從「被動反應 (Reactive)」走向「預防與預測醫學 (Predictive medicine)」。在這樣的未來中，連續血糖監測將化身為一顆「水晶球」，在併發症造成不可逆的傷害之前，向我們預示未來的臨床發展。

以上是我的報告，非常感謝大家的聆聽。我很樂意回答任何問題。

會議現場備註 (Session Note / Q&A)

(會議主持人補充說明) 各位與會者，我們目前沒有安排現場的 Q&A 問答環節。因為來自印度的講者遭遇了航班取消的突發狀況，無法親自抵達會場，所以這是一段預先錄製的演講影片。感謝大家的體諒，我們將繼續進行下一場議程。