糖尿病高风险人群的筛查和生活方式干预是糖尿病防控的关键。生活方式干预需要长期坚持和持续行为改变，否则将影响服务对象的依从性和干预效果。持续葡萄糖监测（CGM）能提供血糖实时变化的可视化数据，被视为激励健康行为和生活方式的有效教育工具，基于第五代移动通信技术（5G）的糖尿病健康管理能有效控制血糖，提高糖尿病高风险人群的自我管理能力。本共识提出构建5G+“三早”（早筛查、早评估、早干预）糖尿病健康管理模式，包括依托数字化健康管理系统，整合医院、社区卫生服务中心、家庭、个体智能监测终端形成“医院-社区-家庭/个人”健康信息多端数据共享云平台；应用5G智能可穿戴设备实施连续、动态、实时的健康指标居家监测和糖尿病风险预警；对糖尿病高风险人群实施早筛查和风险评估，将基于CGM的24 h平均血糖作为一种可供参考的糖尿病风险评估指标；在遵循糖尿病健康教育、饮食、运动、心理和药物干预的综合性干预原则基础上实施分层管理，根据CGM技术提供的连续、动态、实时的血糖监测结果制定个体化的饮食和运动干预方案，联合智能应用程序实施个体化的精准健康管理，建立糖尿病的“三早”健康管理服务模式。

糖尿病防治工作的重点与难点在于多学科参与，多重指标综合调整，个性化方案及持续有效的管理。如何探索和实践具有中国特点的糖尿病诊疗模式，是我们必须直面并加以解决的重大问题。糖尿病“三师共管”诊疗模式立足中国糖尿病防治现状，发挥中医药整体观、个性化及重视生活质量等方面的优势，组建以内分泌糖尿病专科医师、中医师、健康管理师为核心的多学科协作团队，利用智能化信息工具持续管理，提倡血糖等代谢指标与生活质量指标“两标并重”理念。开展“三师共管”管理期间初步实现了血糖控制效果、自我管理效果、生活质量与就医体验、基层糖尿病防治能力四个方面的提高，为实现糖尿病防治的两个重要目标（即防治并发症、优化生活质量）进行了“中国式解决方案”的探索与实践。

糖尿病饮食管理在糖尿病的治疗过程中起着重要作用。"控制饮食"是糖尿病治疗中最基础也是最重要的一个环节，轻度糖尿病患者可通过食疗，有效控制血糖。有效的饮食管理评估可及时发现糖尿病患者饮食自我管理存在的不足。人工智能在医学领域应用广泛，本文将简述人工智能技术在糖尿病饮食管理方面，包括饮食推荐和自动监测中发挥的作用及应用进展。

计算机辅助血糖管理系统（CDSSGM）的发展主要经历静脉胰岛素调整方案和皮下胰岛素调整方案两个阶段，分别对应重症监护室的平稳控糖需求和信息化的全院血糖管理需求。研究结果提示CDSSGM可使目标血糖达标比例更高、低血糖发生频率更低、医护使用更满意。信息技术的进步为CDSSGM的外在发展提供条件，而医疗行为的规范性、安全性和高效性是推动其发展的内在驱动力。目前已有商品化的胰岛素剂量调整软件辅助医院血糖管理，医疗大数据和人工智能的深入契合将推动智能化的院内血糖管理水平更新换代。

手术能够治愈肥胖症2型糖尿病患者（diabetes mellitus type 2，T2DM）的高血糖情况，减重代谢手术也被纳入T2DM合并肥胖症的治疗指南当中。但是并非所有T2DM患者均能从减重代谢手术中获益，而且即便术后T2DM缓解也存在一定复发的可能，同时要承受术中、术后等一系列并发症的风险，因此需要一个系统对患者进行手术的风险/收益比进行评估。临床预测模型是一种基于临床变量，对某种相关结局发生的可能性进行评估的工具，主要包括评分表、列线图模型、逻辑回归模型、人工智能算法等。目前研究及应用较多的T2DM预后预测模型主要包括：ABCD评分、DiaRem评分、Ad-DiaRem评分、DiaBetter评分表、IMS列线图模型，以及逻辑回归模型等。另外，随着外科治疗T2DM被普遍接受，仍不断有新的模型被陆续提出，并用于术后减重效果的预测，或者从新的角度对术后T2DM缓解情况进行预测。信息技术的发展推动了人工智能算法预测的开发，可以进行更大量的计算，纳入更多的变量，获得更准确的结果，既可以开发客户端应用于临床，也可以用于对已有模型准确度的验证。本文对现有的T2DM合并肥胖症患者行减重代谢手术的预测模型进行综述，旨在为使用或构建相关预测模型时提供参考。

目的:利用反向传播神经网络（BPNN）算法，建立一种可以识别血糖项目随机误差的实时质控新方法并评价模型效能。方法:通过北京朝阳医院实验室信息系统导出2019年1月至2020年7月在西门子advia2400分析系统上报告的全部患者血糖信息，共计219 000条，作为本研究的无偏数据。人为引入6个偏差生成相应的有偏数据，每种偏差下用2种算法测试。进行计量学及临床评价。结果:BPNN步长设置为10，全部偏差下假阳性率均在0.1%以内；MovSD的最佳步长为150，拦截限为10%，全部偏差下假阳性率为0.38%，比BPNN高0.28%。MovSD在0.5与1误差因子下全部未检出，误差因子>1之后，可检出，但MNPed偏高；而BPNN在全部偏差下MNPed均低于MovSD，两者相差最高达91.67倍。计量学溯源过程生成460 000条参考数据，采用参考数据评定BPNN模型的不确定度仅为0.078%。结论:成功建立了基于BPNN算法识别检测过程随机误差的实时质控方法，模型准确度高，临床效能显著优于MovSD方法。

目的:分析成人1型糖尿病（T1DM）患者使用智能手机移动应用程序（APP）的决策支持系统（DSS）后血糖变化情况。方法:本研究为干预研究，收集中国T1DM登记管理项目入组的，同时注册糖糖圈 ?APP的成人T1DM患者的资料信息（包括注册时的一般资料），并于注册后1年内，每3个月收集成人T1DM患者空腹血糖（G 空腹）、早餐后2 h血糖（G 2h-早餐）、午餐前/后2 h血糖（G 0h-午餐/G 2h-午餐）、晚餐前/后2 h血糖（G 0h-晚餐/G 2h-晚餐）、睡前血糖（G 睡前）和凌晨血糖（G 凌晨）水平，以及不同血糖范围的次数，包括正常血糖（血糖值3.9~7.8 mmol/L）、低血糖（血糖值<3.9 mmol/L）、高血糖（血糖值≥13.9 mmol/L），计算不同血糖次数在患者总血糖次数的占比（%）。按DSS每日使用频率将患者分为3组（低频率组、中等频率组和高频率组），比较不同DSS频率组间点血糖、高血糖占比、低血糖占比变化情况，以及不同频率组患者基线特征和血糖特征。 结果:共纳入满足条件的成人T1DM患者629例，男216例（34.3%），女413例（65.7%），基线年龄为（31.5±10.8）岁，病程［ M（ Q1， Q3）］为1.2（0.1，7.4）年。低、中、高频率组患者分别为239、189和201例。注册后10~12个月，3组患者间G 空腹、G 2h-早餐、G 0h-午餐、G 2h-午餐、G 0h-晚餐、G 2h-晚餐、G 凌晨水平差异均有统计学意义（均 P<0.05），高频率组各点血糖水平均低于其他两组（均 P<0.05）。注册后1~3个月3组间低血糖占比差异无统计学意义（ P>0.05）；注册后10~12个月低、中、高频率组患者间低血糖占比［ M（ Q1， Q3）］［3.34%（0.85%，7.40%）、3.00%（0.78%，6.17%）、1.81%（0.37%，4.69%）， P=0.022］和高血糖占比［4.04%（0，12.16%）、1.88%（0，7.80%）、0.81%（0，3.87%）， P=0.001］差异均有统计学意义。 结论:移动APP决策支持功能有助于成年T1DM患者血糖管理，注册后1年内，患者在血糖水平降低的同时，高血糖和低血糖发生比例也减少。

糖尿病性视网膜病变（diabetic retinopathy，DR）是糖尿病慢性并发症之一，是严重的、难逆转的致盲性眼病，早期难发现、中期难控制、晚期难手术。近期“十四五”全国眼健康规划提出了“完善慢性眼病患者管理模式，构建眼病慢病管理体系”。本项目团队前期运用基于云平台的人工智能技术、联合门诊、云端虚拟病房等方式从早期筛查、进展期多学科协作诊疗、晚期围手术期血糖精细化管理等方面探索DR全病程慢病综合管理。未来亟待将DR慢病管理与全身系统性疾病综合管理融合链接，减少DR导致的盲。

目的:探讨踝臂指数(ABI)评价老年人血管性认知功能障碍(VCI)的临床价值。方法:选取2016年5月至2018年12月本院神经内科收治的200例老年住院患者，根据简明智能状态检查表(MMSE)和蒙特利尔认知评估评定(MoCA)量表评估患者认知功能，分为认知功能障碍组( n＝110)和认知正常组( n＝90)，分析比较两组的临床资料，观察ABI与MMSE、MoCA、临床指标的相关性，绘制ABI值对老年人VCI预测价值的受试者工作特征(ROC)曲线。 结果:⑴两组间性别、入院首次空腹血糖值及合并糖尿病、高血压、高脂血症情况比较，差异无统计学意义( P>0.05)；两组年龄、LDL-C、脑小血管病史、ABI比较，差异有统计学意义( P<0.05)。⑵Logistic回归分析显示，ABI是影响老年人VCI的相关因素( P<0.01)。⑶Pearson相关性分析显示，老年人MMSE评分与ABI值呈正相关( r＝0.887， P<0.01)，MoCA评分与ABI值呈正相关( r＝0.843， P<0.01)。⑷ABI对老年人VCI预测价值的ROC曲线下面积为0.965±0.01[95% CI(0.945，0.985)， P<0.01]。取ABI≤0.9时灵敏度为88.2%，特异度为91.1%，准确度为89.5%，约登指数为0.793。 结论:⑴ABI是老年人VCI的影响因素，且与患者的认知障碍严重程度呈正相关。⑵ABI对老年人VCI具有较高的预测价值，ABI≤0.9可以作为老年人VCI的预警因子。

人工智能(artificial intelligence，AI)是近年发展最快的科学之一，其在医学领域的发展带来了全新的概念，也对传统医学带来了巨大的冲击，是借势而为还是静观其变是对各学科和医学人的考验。AI在医学影像等领域已经取得了令人瞩目的效果。目前，AI在内分泌代谢领域的应用研发也日趋广泛，包括在糖尿病及其并发症的诊断和预测的应用，辅助治疗方案的选择和血糖管理，人工胰岛的开发与管理，在肥胖分类诊疗的探索，在减重手术的疗效和并发症预测的探索；在骨质疏松和骨折风险的预测，骨龄分析；脂肪肝的无创评估及纤维化预测；肢端肥大症的诊断；甲状腺和垂体肿瘤分子生物学与病理的智能诊断等。AI在临床上的应用仍处于初期和探索阶段，相信在不久的将来，随着AI技术的快速发展和临床认可，AI会在内分泌代谢领域发挥举足轻重的作用。面对AI时代的来临，对医学领域来讲是一场脱胎换骨的变革。在新生事物面前，只有积极接受，有机融合才能得以生存，取得共赢。