检验大数据支持下糖尿病前期人群个性化干预方案的实施效果探究

摘要：目的：分析大数据赋能的个性化干预方案在糖尿病前期人群中的应用成效，为糖尿病前期防控提供临床参考。方法：纳入2024年6月至2025年6月收治的60例糖尿病前期者为研究对象，随机数字表法分对照组与观察组各30例。对照组采取常规健康干预，观察组应用大数据支持的个性化干预方案，干预周期12个月。对比两组干预前后血糖、血脂、体重相关指标及生活方式达标率。结果：干预前两组FPG、2hPG、HbA₁c、TC、TG、BMI及腰围等指标无统计学差异（P>0.05）。干预后观察组FPG、2hPG、HbA₁c分别为（5.62±0.41）mmol/L、（7.35±0.58）mmol/L、（5.41±0.32）%，低于对照组（6.13±0.45）mmol/L、（8.21±0.63）mmol/L、（5.87±0.36）%，具统计学差异（P<0.05）。其TC、TG水平及BMI、腰围亦低于对照组，差异有统计学意义（P<0.05）。饮食控制、规律运动、戒烟限酒、定期监测血糖达标率分别为93.33%、90.00%、86.67%、96.67%，高于对照组66.67%、63.33%、60.00%、70.00%，差异具统计学意义（P<0.05）。结论：大数据支持的个性化干预方案能改善糖尿病前期者血糖、血脂代谢及体重状况，提升健康生活方式达标率，防控成效优于常规干预，可临床推广。

关键词：大数据；糖尿病前期；个性化干预；血糖控制；实施效果

生活方式改变与人口老龄化加深，使糖尿病发病率逐年攀升。糖尿病前期是糖尿病发病的关键过渡阶段，血糖未达诊断标准却存在糖代谢异常，不及时干预会显著增加进展为糖尿病的风险，还可能诱发心血管疾病等并发症，影响人群健康。常规健康干预模式统一，缺乏个体适配性，无法契合不同人群健康需求，成效欠佳。大数据技术在医疗领域应用渐广，可整合分析个体健康数据、生活习惯、遗传背景等信息，为干预方案制定提供数据支撑。本研究选取2024年6月至2025年6月收治的60例糖尿病前期者，分析大数据支持的个性化干预方案应用成效，为该阶段防控提供参考。

1资料与方法

1.1一般资料

纳入2024年6月至2025年6月本院体检中心确诊糖尿病前期且自愿参与研究的60例者，随机数字表法分为对照组、观察组各30例。对照组男16例、女14例，年龄28~64岁，平均（45.62±8.31）岁，BMI（25.87±2.13）kg/m²；文化程度小学及以下3例、初中8例、高中12例、大专及以上7例。观察组男17例、女13例，年龄27~65岁，平均（46.13±8.45）岁，BMI（26.02±2.08）kg/m²；文化程度小学及以下2例、初中9例、高中11例、大专及以上8例。两组一般资料无统计学差异（P>0.05），具可比性。

纳入标准：符合《中国2型糖尿病防治指南（2022年版）》糖尿病前期诊断标准：FPG 6.1~6.9 mmol/L，或2hPG 7.8~11.0 mmol/L，或HbA₁c 5.7%~6.4%；年龄18~65岁；意识清晰可配合干预及随访；签署知情同意书。

排除标准：合并严重心、肝、肾脏器疾病；合并恶性肿瘤、自身免疫性疾病；妊娠期或哺乳期女性；伴精神疾病者；无法配合干预及随访者。

1.2方法

两组干预周期均12个月，每月1次面对面随访（30~60分钟/次），同步依托线上社群答疑。记录干预措施执行情况、指标波动及研究对象反馈，及时处置干预过程中出现的问题。对照组采取常规健康干预，口头讲解、视频宣教普及糖尿病前期危害及饮食、运动原则，发放标准化健康手册，告知血糖监测频率与方法。每3个月组织集中健康讲座，解答共性疑问，随访仅简单提醒调整生活方式，无针对性指导及动态优化，干预模式偏被动。观察组应用大数据支持的个性化干预，核心措施如下：信息采集与分析环节，为研究对象建立电子专属健康档案，整合基本信息、既往病史、家族病史、饮食运动日志、血糖监测数据及睡眠质量等多维度信息。大数据分析平台构建风险评估模型，评估进展为糖尿病的风险等级，锁定影响糖代谢的关键因素。饮食干预贴合个体偏好、代谢能力及体重目标，营养师定制专属方案，明确每日热量摄入及营养素配比。专属APP推送每日饮食清单，监测执行情况，动态调整方案适配个体耐受度。运动干预依据年龄、体能及偏好，制定快走、慢跑、太极拳为主的中等强度有氧运动计划。运动手环实时采集数据，大数据平台分析运动效果，优化时长、强度及频率。血糖管理按波动规律制定监测方案，数据同步至平台，异常波动时推送提醒并分析诱因。心理与行为干预疏导焦虑、抵触等负面情绪，制定不良习惯矫正计划，定期追踪改善效果，保障干预措施落地。

1.3观察指标

干预前及干预后，各采集两组空腹静脉血5 mL。全自动生化分析仪检测FPG、2hPG，高效液相色谱法检测HbA₁c；化学发光法检测空腹胰岛素（FINS），计算胰岛素抵抗指数（HOMA-IR），公式为HOMA-IR=FPG×FINS/22.5。同步检测TC、甘油三酯（TG）、高密度脂蛋白胆固醇（HDL-C）、低密度脂蛋白胆固醇（LDL-C）水平，检测均由全自动生化分析仪完成。测量身高、体重、腰围，计算BMI（BMI=体重/身高²，单位：kg/m²），检测时间与采血同步。干预12个月后评估两组生活方式及心理状态达标率并统计结果。饮食控制以遵循个性化方案、每日热量及营养素摄入达标为标准；规律运动需完成既定计划，时长与强度均达标；戒烟限酒要求无吸烟行为，饮酒量控制为男性每日酒精摄入≤25 g、女性≤15 g，或完全不饮酒；定期监测血糖需按方案执行且记录完整；规律作息要保证每日睡眠7~8小时、不熬夜，凌晨1点前入睡且每日入睡时间波动≤1小时；心理状态采用焦虑自评量表（SAS）、抑郁自评量表（SDS）评估，SAS≤50分且SDS≤53分即为达标。

1.4统计学分析

用SPSS 26.0统计学软件整理分析全组数据。数据分析前对计量资料行正态性检验与方差齐性检验，符合正态分布且方差齐的计量资料用（x±s）表示，组间基线资料及干预后指标比较用独立样本t检验，组内干预前后同一指标变化用配对样本t检验；不符合条件者采用非参数检验。计数资料以[n（%）]表示，组间达标率等分类指标比较用χ²检验。理论频数T<5且总例数n≥40时用校正χ²检验，T<1或n<40时采用Fisher确切概率法。统计检验均为双侧检验，P<0.05为差异有统计学意义。规范统计方法保障研究结果可靠，为干预方案效果评价提供数据支撑。

2结果

2.1两组干预前后血糖指标比较

干预前两组FPG、2hPG、HbA₁c、FINS及HOMA-IR水平无统计学差异（P>0.05），基线数据均衡，具可比性。两组FPG均值处于6.45~6.48 mmol/L区间，HOMA-IR均值接近3.90，反映存在轻度糖代谢异常及胰岛素抵抗。干预12个月后，两组上述指标均较干预前下降，对照组FPG、2hPG、HbA₁c分别下降0.32 mmol/L、0.71 mmol/L、0.25%，FINS下降1.29 mIU/L，HOMA-IR下降0.44，改善幅度温和。观察组对应指标分别下降0.86 mmol/L、1.52 mmol/L、0.74%，FINS下降3.79 mIU/L，HOMA-IR下降1.13，各项指标改善幅度均达对照组2倍以上。组间对比，观察组干预后各项血糖及胰岛素相关指标均低于对照组，差异有统计学意义（P<0.05），个性化干预改善糖代谢及胰岛素抵抗的效果更突出。见表1。

表1两组干预前后血糖指标比较

注：与本组干预前比较，P<0.05；与对照组干预后比较，P<0.05；FPG为空腹血糖，2hPG为餐后2小时血糖，HbA₁c为糖化血红蛋白，FINS为空腹胰岛素，HOMA-IR为胰岛素抵抗指数。

2.2两组干预前后血脂及体重相关指标比较

干预前，两组总胆固醇（TC）、甘油三酯（TG）、高密度脂蛋白胆固醇（HDL-C）、低密度脂蛋白胆固醇（LDL-C）水平及体重指数（BMI）、腰围比较，差异无统计学意义（P>0.05），基线特征一致，其中两组TC均值在5.32~5.35 mmol/L，BMI均值接近26.0 kg/m²，均处于超重及血脂轻度异常范围。干预后，两组血脂及体重相关指标均较干预前改善，对照组TC、TG、LDL-C分别下降0.31 mmol/L、0.23 mmol/L、0.24 mmol/L，HDL-C升高0.11 mmol/L，BMI下降0.94 kg/m²，腰围缩小3.25 cm；观察组对应指标分别下降0.79 mmol/L、0.57 mmol/L、0.61 mmol/L，HDL-C升高0.33 mmol/L，BMI下降2.87 kg/m²，腰围缩小8.71 cm，HDL-C升高幅度及其他指标下降幅度均显著优于对照组。组间比较差异有统计学意义（P<0.05），表明个性化干预对血脂代谢及体重控制的改善作用更突出。见表2。

表2两组干预前后血脂及体重相关指标比较

注：与本组干预前比较，P<0.05；与对照组干预后比较，P<0.05；TC为总胆固醇，TG为甘油三酯，HDL-C为高密度脂蛋白胆固醇，LDL-C为低密度脂蛋白胆固醇，BMI为体重指数。

2.3两组生活方式达标率比较

干预12个月后，两组生活方式及心理状态达标率均有提升，观察组整体达标水平高于对照组，组间差异有统计学意义（P<0.05）。观察组饮食控制、规律运动达标率分别为93.33%、90.00%，较对照组66.67%、63.33%分别高出26.66%、26.67%；戒烟限酒、定期监测血糖达标率为86.67%、96.67%，均较对照组高出26.67%；规律作息、心理状态良好达标率为86.67%、90.00%，较对照组56.67%、60.00%分别高出30.00%、30.00%。规律作息及心理状态达标率差值最大，个性化干预在行为矫正及心理疏导方面优势更突出，可提升研究对象健康行为依从性。见表3。

表3两组生活方式达标率比较

注：组间比较采用χ²检验，P<0.05为差异有统计学意义。

3讨论

糖尿病前期是逆转糖代谢异常、降低糖尿病发病风险的关键窗口期，及时采取科学有效的干预措施，可延缓甚至阻止其进展为糖尿病[1]。常规健康干预多采用“一刀切”的模式，仅提供通用的健康指导，忽视个体差异，导致干预措施缺乏适配性，部分研究对象难以长期坚持，干预成效欠佳[2]。随着大数据技术在医疗领域的深度融合，能够整合多维度健康数据，通过精准分析为个体定制专属干预方案，为糖尿病前期防控提供了新的思路。本研究结果显示，干预后观察组FPG、2hPG、HbA₁c水平均显著低于对照组，表明大数据支持的个性化干预在血糖控制上更具优势。大数据平台可全面采集研究对象的血糖监测数据、饮食及运动记录等多维度信息，精准分析血糖波动规律及影响因素，据此制定针对性饮食、运动及血糖监测方案[3]。餐后血糖升高明显者，重点调整碳水化合物的摄入量及种类，推荐低升糖指数食物，同时优化运动时间，建议餐后1小时进行适度运动，有效促进血糖代谢。通过实时同步血糖数据，及时发现异常波动并调整干预措施，实现血糖精准管控，较常规干预的通用指导更契合个体血糖控制需求。血脂代谢异常、超重或肥胖是糖尿病前期进展为糖尿病及心血管并发症的重要危险因素，改善血脂状况、控制体重对该阶段防控至关重要[4]。本研究中，干预后观察组TC、TG水平及BMI、腰围均显著低于对照组，提示个性化干预可有效改善血脂代谢及体重状况。这是因为大数据分析结合个体代谢能力、体重基数、饮食运动习惯，制定专属饮食及运动计划，控制热量摄入的同时保障营养素均衡，避免盲目节食引发代谢紊乱。依据个体体能状况动态调整运动方案，提升运动安全性与有效性，促进脂肪消耗、减少血脂沉积，进而实现血脂及体重的有效管控。常规干预缺乏个体适配指导，部分研究对象可能因过度节食、运动不当引发代谢异常，削弱干预成效。健康生活方式的养成是糖尿病前期长期防控的核心，本研究中观察组各项生活方式达标率均显著高于对照组，表明大数据支持的个性化干预可提升研究对象健康行为依从性。传统干预以被动告知式健康指导为主，研究对象缺乏持续监督与个体引导，易因意志力薄弱、方案不适宜等放弃健康行为[5]。大数据干预依托手机APP、运动手环等工具，实现干预过程的实时监测及提醒，及时反馈干预成效，增强研究对象的参与感及成就感。针对个体不良生活习惯制定循序渐进的矫正计划，搭配心理疏导缓解负面情绪，提升行为改变的主动性与持续性，助力养成健康生活方式。

综上所述，大数据支持下的个性化干预方案可有效改善糖尿病前期人群的血糖、血脂代谢及体重状况，提高健康生活方式达标率，防控成效显著优于常规干预。该方案借助大数据技术实现个体健康数据的精准分析及干预措施的个性化制定，为糖尿病前期的精准防控提供了有效手段，值得临床推广应用。

参考文献

[1]李云.糖尿病患者住院费用影响因素与按病种分值付费病例分组优化研究[D].赣南医科大学,2025.

[2]王英杰,孙高峰.2型糖尿病预测模型研究进展[J].预防医学,2025,37(04):369-372+377.

[3]李红,尹高军.基于大数据体检资料构建糖尿病前期发病风险简易预测模型[J].临床医学研究与实践,2025,10(10):22-25.

[4]鲁红波,杨莉琴.数字健康技术在糖尿病足管理中的应用进展[J].现代医药卫生,2025,41(04):1028-1031+1036.

[5]谢明霞,张冬梅.糖尿病数字化管理的应用进展[J].糖尿病之友,2025,(02):8-12.