引用本文： 鄧楠, 何紅, 王婭, 張曉義. 糖尿病管理手機應用軟件對 2 型糖尿病患者生物學和生化指標影響的 Meta 分析. 中國循證醫學雜志, 2017, 17(10): 1167-1173. doi: 10.7507/1672-2531.201704096 復制
2 型糖尿病在全世界均為高發常見病，許多 2 型糖尿病患者的 HbA1c 尚未達到指南推薦的標準[1, 2]。據統計，到 2040 年，全世界將會有 6.42 億的人患有糖尿病，而其中 90% 患有 2 型糖尿病[3]。自我管理一直被認為是決定糖尿病臨床治療效果的關鍵因素，然而，目前不少糖尿病患者欠缺糖尿病相關知識和技能，以至于他們需要在外界幫助下管理疾病[4]，從而達到改善疾病的目的。
隨著移動醫療（mobile health，mhealth）的出現，疾病管理方法發生了巨大變化。據統計，大約有四分之一的 mhealth 手機應用（APP）聚焦于疾病治療和管理，越來越多的 mhealth APP 關注慢性病的管理[5]。現在，手機非常普及，其分布跨越了年齡、性別和社會地位，是糖尿病管理的理想平臺[6]。手機 APP 是用于糖尿病管理的新興工具，通過手機 APP，患者可上傳健康相關指標，從自動決策程序或健康教育者處得到反饋[7, 8]。有研究表明，手機 APP 能通過督促患者自我監測血糖、為患者提供生活方式和治療方案調整的建議，幫助糖尿病患者改善疾病相關生物學和生化指標[9, 10]。
以前的系統評價/Meta 分析主要關注手機的基本功能[11-13]，如手機短信、手機日志（用于血糖、卡路里和運動情況等的記錄）等，分析指標為部分糖尿病相關生物學和生化指標[11-16]。為了進一步分析手機 APP 對 2 型糖尿病患者的疾病相關生物學和生化指標的影響，本研究全面檢索了中英文數據庫，采用 Meta 分析的方法探討手機 APP 對 2 型糖尿病患者多個生物學和生化指標的影響。
1 資料與方法
1.1 納入與排除標準
1.1.1 研究類型 隨機對照試驗（randomized controlled trial，RCT），文種限中英文。
1.1.2 研究對象 年齡≥18 歲，確診為 2 型糖尿病的患者。
1.1.3 干預措施 試驗組采用糖尿病管理 APP 對患者進行干預，包括 WellDoc?、NICHE、UCDC system、tele-assistance system、patient-coaching system、Monica、DialBetics、Few Touch、RPM system、糖尿病衛士 APP 等；對照組采用傳統的糖尿病管理方式，如門診隨訪、健康教育講座和電話隨訪等。
1.1.4 結局指標 FBG、HbA1c、TC、TG、HDL、LDL、體重、腰圍、BMI、SBP 和 DBP。
1.1.5 排除標準 ① 1 型糖尿病患者或妊娠糖尿病患者；② 僅介紹手機 APP 的研究；③ 使用社交軟件（如微信、QQ 等）的研究；④ 同時使用多種手機 APP 的研究；⑤ 信息不全的研究。
1.2 文獻檢索策略
計算機檢索 PubMed、EMbase、The Cochrane Library、Web of Science、CINAHL、PsycINFO、WanFang Data、CBM 和 CNKI 數據庫，搜集應用糖尿病管理 APP 管理 2 型糖尿病患者與常規方法管理 2 型糖尿病患者比較的 RCT，檢索時限均從建庫至 2016 年 9 月 30 日。同時輔以手工檢索并追溯相關文獻的參考文獻，以補充獲取相關文獻。檢索采取主題詞和自由詞相結合的方式。英文檢索詞包括：diabetes mellitus、type 2 diabetes mellitus、mobile applications、portable electronic apps、portable software apps、randomized controlled trial、RCT；中文檢索詞包括：糖尿病、2 型糖尿病、APP、應用程序、智能應用、居家護理平臺、移動終端、移動應用、隨機。以 CNKI 為例，其具體檢索策略見框 1。
1.3 文獻篩選與資料提取
由 2 名研究者獨立篩選文獻、提取資料并交叉核對，如遇分歧，則與第三方討論解決，缺乏的資料盡量與作者聯系予以補充。文獻篩選時首先閱讀文題和摘要，在排除明顯不相關的研究后，進一步閱讀全文，以確定最終是否納入。資料提取內容主要包括：① 納入研究的基本信息，包括第一作者的姓名、文獻發表年份、研究實施國家、研究持續時間、樣本量大小和干預方案；② 研究對象的基本特征，包括年齡、性別等；③ 結局指標，相關指標的均數及其標準差；④ 偏倚風險評價的相關信息。當研究設有多個干預組，僅提取使用手機 APP 并提供反饋的干預組的資料。有一個研究的干預對象為心臟病患者和糖尿病患者，但是兩種疾病患者的數據是分別報道的[8]，僅納入該研究關于 2 型糖尿病患者的數據。
1.4 納入研究的偏倚風險評價
由 2 名研究者按照 Cochrane 系統評價員手冊針對 RCT 的偏倚風險評價工具評價納入研究的偏倚風險。
1.5 統計分析
采用 Stata 12.0 軟件進行 Meta 分析，計量資料采用均數差（MD）或標準化均數差（SMD）為效應指標，各效應量均給出其點估計值和 95%CI。納入研究結果間的異質性采用 χ2 檢驗進行分析（檢驗水準為 α=0.1），同時結合 I2 定量判斷異質性的大小。若各研究結果間無統計學異質性，則采用固定效應模型進行 Meta 分析[17]；若各研究結果間存在統計學異質性，則進一步分析異質性來源，在排除明顯臨床異質性的影響后，采用隨機效應模型進行 Meta 分析。明顯的臨床異質性采用亞組分析或敏感性分析等方法進行處理，或只行描述性分析。Meta 分析的檢驗水準設為 α=0.05。采用 Egger 檢驗[18,19]評價發表偏倚。
2 結果
2.1 文獻篩選流程及結果
初步共獲得相關文獻 369 篇，經過逐層篩選，最終納入 10 個 RCT[7-10, 20-25]。文獻篩選流程及結果見圖 1。
圖1
文獻篩選流程及結果 *所檢索的數據庫及檢出文獻數具體如下：PubMed（n=16）、EMbase（n=10）、The Cochrane Library（n=20）、Web of Science（n=20）、CINAHL（n=2）、PsycINFO（n=1）、CNKI（n=173）、WanFang Data（n=94）、CBM（n=20）
2.2 納入研究的基本特征
見表 1。
表1
納入研究的基本特征
2.3 納入研究的偏倚風險評價結果
結果見表 2。
表2
納入 RCT 的偏倚風險評價結果
2.4 Meta 分析結果
Meta 分析匯總結果及亞組分析結果匯總見表 3 和表 4。
表3
手機 APP 與常規糖尿病管理比較對 2 型糖尿病患者影響的 Meta 分析結果
表4
手機 APP 與常規糖尿病管理比較對 2 型糖尿病患者 HbA1c 影響的亞組分析結果
2.4.1 FBG 共納入 3 個 RCT[21, 22, 25]，包括患者 225 例。固定效應模型 Meta 分析結果顯示，APP 管理組與常規管理組的 FBG 差異無統計學意義[SMD=–0.25，95%CI（–0.51，0.02），P=0.07]（表 3）。
2.4.2 HbA1c 共納入 10 個 RCT[7-10, 20-25]，包括患者 1 030 例。隨機效應模型 Meta 分析結果顯示，APP 管理組的患者 HbA1c 水平優于常規管理組，差異有統計學意義[MD=–0.43，95%CI（–0.65，–0.22），P=0.001]（表 3）。按照研究特征進行亞組分析，其結果見表 4。
2.4.3 TC 共納入 4 個 RCT[8, 9, 22, 25]，包括患者 499 例。隨機效應模型 Meta 分析結果顯示，APP 管理組與常規管理組 TC 差異無統計學意義[SMD=–0.14，95%CI（–0.51，0.22），P=0.44]（表 3）。
2.4.4 TG 共納入 5 個 RCT[8, 9, 21, 22, 25]，包括患者 530 例。固定效應模型 Meta 分析結果顯示，APP 管理組的患者 TG 水平優于常規管理組，差異有統計學意義[SMD=–0.24，95%CI（–0.42，–0.06），P=0.01]（表 3）。
2.4.5 HDL 共納入 5 個 RCT[8, 9, 21, 22, 25]，包括患者 533 例。隨機效應模型 Meta 分析結果顯示，APP 管理組與常規管理組 HDL 差異無統計學意義[SMD=0.13，95%CI（–0.15，0.40），P=0.38]（表 3）。
2.4.6 LDL 共納入 5 個 RCT[8, 9, 21, 22, 25]，包括患者 528 例。隨機效應模型 Meta 分析結果顯示，APP 管理組與常規管理組 LDL 差異無統計學意義[SMD=–0.14，95%CI（–0.42，0.14），P=0.32]（表 3）。
2.4.7 體重 共納入 4 個 RCT[8, 20, 22, 23]，包括患者 424 例。固定效應模型 Meta 分析結果顯示，APP 管理組與常規管理組體重差異無統計學意義[MD=–0.63，95%CI（–1.26，0.01），P=0.05]（表 3）。
2.4.8 腰圍 共納入 2 個 RCT[8, 22]，包括患者 311 例。固定效應模型 Meta 分析結果顯示，APP 管理組的患者腰圍水平優于常規管理組，差異有統計學意義[MD=–1.57，95%CI（–2.65，–0.48），P=0.01]（表 3）。
2.4.9 BMI 共納入 3 個 RCT[20-22]，包括患者 195 例。固定效應模型 Meta 分析結果顯示，APP 管理組與常規管理組 BMI 差異無統計學意義[MD=–0.22，95%CI（–1.36，0.93），P=0.71]（表 3）。
2.3.10 SBP 共納入 6 個 RCT[8-10, 20-22]，包括患者 544 例。固定效應模型 Meta 分析結果顯示，APP 管理組的患者 SBP 水平優于常規管理組，差異有統計學意義[MD=–2.53，95%CI（–4.89，–0.17），P=0.04]（表 3）。
2.4.11 DBP 共納入 6 個 RCT[8-10, 20-22]，包括患者 544 例。固定效應模型 Meta 分析結果顯示，APP 管理組與常規管理組 DBP 差異無統計學意義[MD=–1.48，95%CI（–3.04，0.09），P=0.07]（表 3）。
2.5 敏感性分析及發表偏倚分析
逐一剔除單個研究進行敏感性分析，以判斷單個研究對合并效應量的影響。在 TC 水平上，剔除隨訪時間最短的 Yoo 等[22]研究或低質量研究[22, 25]（未明確提及隨機抽樣方法、分配隱藏及盲法等）后，各研究結果間異質性均降為 0%，但 Meta 分析結果顯示，APP 管理組和常規管理組在 TC 水平上仍無統計學差異。在 HDL、LDL 水平上，剔除低質量研究[21, 22, 25]后，Meta 分析結果方向也未發生改變，說明結果較穩定。采用 Egger’s 檢驗評價發表偏倚，結果提示可能存在發表偏倚（P=0.011）。
3 討論
2 型糖尿病是威脅人們健康的慢性非傳染性疾病。近年來，該疾病患病人數暴增，而大多數患者的自我管理依從性差，疾病相關生物學和生化指標控制不良，導致心血管疾病[26]、截肢[27]、糖尿病視網膜病變[28]、糖尿病腎病[29]等風險逐漸增加，這無疑會給社會和家庭帶來沉重的經濟負擔。“互聯網+”時代的到來為糖尿病管理帶來新的契機，研究者們正在積極探索手機 APP 對糖尿病患者自我管理的效果。
既往的研究結果表明，與常規管理相比，糖尿病手機 APP 能降低 2 型糖尿病患者的 HbA1c，但在血脂、體重控制相關指標和血壓方面并未顯示出明顯優勢[16]。本 Meta 分析結果表明，糖尿病手機 APP 可改善 2 型糖尿病患者的 HbA1c，此結果與其他系統評價[14, 15]研究結果一致。此外，本研究結果顯示，APP 管理組患者的 SBP、TG 和腰圍也有明顯改善。這證明糖尿病 APP 管理在 HbA1c、SBP、TG 和腰圍水平上比常規管理更具優勢。但APP 管理組患者的 FBG、TC、HDL、LDL、體重、BMI 和 DBP 較對照組未見明顯差異。本研究關于體重和 BMI 的結果與其他研究的一致[11, 16, 30]，關于除 TG 外血脂成分的結果與 Pal 等[30]的研究一致。但是這些結局指標由于納入研究樣本量較小，還有待進一步研究。
本研究按照隨訪時長、是否提供實時反饋、年齡、是否提供入口網站、樣本量大小對 HbA1c 進行亞組分析。根據隨訪時長對 HbA1c 進行亞組分析的結果表明，干預時間小于 6 個月的研究效果更好，這與其他研究的結果一致[12]。我們認為這一結果的原因可能是，一方面患者的依從性會隨著時間延長而下降；另一方面，也許是 APP 本身的設計仍沒有滿足人們的需求，即簡單、省時和省力等特性不足。另外，有兩篇文章[12, 15]也發現干預時間小于 6 個月的研究效果更好，但是這兩篇文章中的兩組比較結果差異無統計學意義。導致這種現象的原因可能是，Liang 等[12]的研究納入的文獻不全是 RCT，而 Hou 等[15]的研究雖然也納入了 10 篇研究對象為 2 型糖尿病患者、結局指標包括 HbA1c 的 RCT，但是納入的文獻中干預時長小于 6 個月的研究數目比本研究少。
根據是否提供實時反饋對 HbA1c 進行亞組分析的結果顯示，提供實時反饋的研究對 HbA1c 的影響更大。與 Hou 等[15]研究的結果一致，不過本研究未發現兩組差異有統計學意義，這與 Wu 等[14]的研究結果不同，原因可能是本文納入的大部分研究提到的實時反饋均有醫護人員的參與。而這篇文章將 1 型和 2 型糖尿病患者合并在一起分析，且其中有 3 個研究的實時反饋是由事先設置的自動程序提供，僅對口服藥和胰島素的使用進行了干涉，而這些建議的可靠性不足。本研究結果與 Cui 等[16]的研究結果也不同，原因可能是本研究是以實時和非實時為條件進行亞組分析的，而該研究是以是否提供反饋為條件進行亞組分析的，未對反饋進行時限進行約束。
根據年齡對 HbA1c 進行亞組分析結果顯示，平均年齡小于 60 歲的患者比平均年齡大于 60 歲的患者 HbA1c 控制得更好。這可能與平均年齡小于 60 歲的患者對新興技術的接受度更高有關。年齡更大的患者或許伴有認知和功能障礙，這些因素阻礙他們更好地使用手機[31]。Hou 等[15]研究得到了相似的結果，雖然他們根據年齡對 HbA1c 進行亞組的分析結果差異沒有統計學意義，但是平均年齡小于 60 歲的糖尿病患者血糖水平的下降程度更大。根據是否提供入口網站對 HbA1c 進行亞組分析的結果表明，入口網站增強了糖尿病手機 APP 的作用。大概是多種信息獲取途徑具有協同效應。當患者受到足夠多的刺激，更可能改變他們的行為[32, 33]。根據樣本量對 HbA1c 進行亞組分析的結果表明，小樣本研究的結果更佳，與 Liang 等[12]的研究結果一致。
本研究的局限性：① 只納入了公開發表的文獻，可能存在發表偏倚；② 只納入了中、英文的文獻，可能存在語言偏倚；③ 分析某些結局指標的文獻數不足，難以分析異質性來源。
綜上所述，針對糖尿病管理的手機 APP 能改善 2 型糖尿病患者 HbA1c、SBP、TC 和腰圍。受納入研究的數量和質量限制，上述結論尚需開展更多高質量研究予以驗證。
2 型糖尿病在全世界均為高發常見病，許多 2 型糖尿病患者的 HbA1c 尚未達到指南推薦的標準[1, 2]。據統計，到 2040 年，全世界將會有 6.42 億的人患有糖尿病，而其中 90% 患有 2 型糖尿病[3]。自我管理一直被認為是決定糖尿病臨床治療效果的關鍵因素，然而，目前不少糖尿病患者欠缺糖尿病相關知識和技能，以至于他們需要在外界幫助下管理疾病[4]，從而達到改善疾病的目的。
隨著移動醫療（mobile health，mhealth）的出現，疾病管理方法發生了巨大變化。據統計，大約有四分之一的 mhealth 手機應用（APP）聚焦于疾病治療和管理，越來越多的 mhealth APP 關注慢性病的管理[5]。現在，手機非常普及，其分布跨越了年齡、性別和社會地位，是糖尿病管理的理想平臺[6]。手機 APP 是用于糖尿病管理的新興工具，通過手機 APP，患者可上傳健康相關指標，從自動決策程序或健康教育者處得到反饋[7, 8]。有研究表明，手機 APP 能通過督促患者自我監測血糖、為患者提供生活方式和治療方案調整的建議，幫助糖尿病患者改善疾病相關生物學和生化指標[9, 10]。
以前的系統評價/Meta 分析主要關注手機的基本功能[11-13]，如手機短信、手機日志（用于血糖、卡路里和運動情況等的記錄）等，分析指標為部分糖尿病相關生物學和生化指標[11-16]。為了進一步分析手機 APP 對 2 型糖尿病患者的疾病相關生物學和生化指標的影響，本研究全面檢索了中英文數據庫，采用 Meta 分析的方法探討手機 APP 對 2 型糖尿病患者多個生物學和生化指標的影響。
1 資料與方法
1.1 納入與排除標準
1.1.1 研究類型 隨機對照試驗（randomized controlled trial，RCT），文種限中英文。
1.1.2 研究對象 年齡≥18 歲，確診為 2 型糖尿病的患者。
1.1.3 干預措施 試驗組采用糖尿病管理 APP 對患者進行干預，包括 WellDoc?、NICHE、UCDC system、tele-assistance system、patient-coaching system、Monica、DialBetics、Few Touch、RPM system、糖尿病衛士 APP 等；對照組采用傳統的糖尿病管理方式，如門診隨訪、健康教育講座和電話隨訪等。
1.1.4 結局指標 FBG、HbA1c、TC、TG、HDL、LDL、體重、腰圍、BMI、SBP 和 DBP。
1.1.5 排除標準 ① 1 型糖尿病患者或妊娠糖尿病患者；② 僅介紹手機 APP 的研究；③ 使用社交軟件（如微信、QQ 等）的研究；④ 同時使用多種手機 APP 的研究；⑤ 信息不全的研究。
1.2 文獻檢索策略
計算機檢索 PubMed、EMbase、The Cochrane Library、Web of Science、CINAHL、PsycINFO、WanFang Data、CBM 和 CNKI 數據庫，搜集應用糖尿病管理 APP 管理 2 型糖尿病患者與常規方法管理 2 型糖尿病患者比較的 RCT，檢索時限均從建庫至 2016 年 9 月 30 日。同時輔以手工檢索并追溯相關文獻的參考文獻，以補充獲取相關文獻。檢索采取主題詞和自由詞相結合的方式。英文檢索詞包括：diabetes mellitus、type 2 diabetes mellitus、mobile applications、portable electronic apps、portable software apps、randomized controlled trial、RCT；中文檢索詞包括：糖尿病、2 型糖尿病、APP、應用程序、智能應用、居家護理平臺、移動終端、移動應用、隨機。以 CNKI 為例，其具體檢索策略見框 1。
1.3 文獻篩選與資料提取
由 2 名研究者獨立篩選文獻、提取資料并交叉核對，如遇分歧，則與第三方討論解決，缺乏的資料盡量與作者聯系予以補充。文獻篩選時首先閱讀文題和摘要，在排除明顯不相關的研究后，進一步閱讀全文，以確定最終是否納入。資料提取內容主要包括：① 納入研究的基本信息，包括第一作者的姓名、文獻發表年份、研究實施國家、研究持續時間、樣本量大小和干預方案；② 研究對象的基本特征，包括年齡、性別等；③ 結局指標，相關指標的均數及其標準差；④ 偏倚風險評價的相關信息。當研究設有多個干預組，僅提取使用手機 APP 并提供反饋的干預組的資料。有一個研究的干預對象為心臟病患者和糖尿病患者，但是兩種疾病患者的數據是分別報道的[8]，僅納入該研究關于 2 型糖尿病患者的數據。
1.4 納入研究的偏倚風險評價
由 2 名研究者按照 Cochrane 系統評價員手冊針對 RCT 的偏倚風險評價工具評價納入研究的偏倚風險。
1.5 統計分析
采用 Stata 12.0 軟件進行 Meta 分析，計量資料采用均數差（MD）或標準化均數差（SMD）為效應指標，各效應量均給出其點估計值和 95%CI。納入研究結果間的異質性采用 χ2 檢驗進行分析（檢驗水準為 α=0.1），同時結合 I2 定量判斷異質性的大小。若各研究結果間無統計學異質性，則采用固定效應模型進行 Meta 分析[17]；若各研究結果間存在統計學異質性，則進一步分析異質性來源，在排除明顯臨床異質性的影響后，采用隨機效應模型進行 Meta 分析。明顯的臨床異質性采用亞組分析或敏感性分析等方法進行處理，或只行描述性分析。Meta 分析的檢驗水準設為 α=0.05。采用 Egger 檢驗[18,19]評價發表偏倚。
2 結果
2.1 文獻篩選流程及結果
初步共獲得相關文獻 369 篇，經過逐層篩選，最終納入 10 個 RCT[7-10, 20-25]。文獻篩選流程及結果見圖 1。
圖1
文獻篩選流程及結果 *所檢索的數據庫及檢出文獻數具體如下：PubMed（n=16）、EMbase（n=10）、The Cochrane Library（n=20）、Web of Science（n=20）、CINAHL（n=2）、PsycINFO（n=1）、CNKI（n=173）、WanFang Data（n=94）、CBM（n=20）
2.2 納入研究的基本特征
見表 1。
表1
納入研究的基本特征
2.3 納入研究的偏倚風險評價結果
結果見表 2。
表2
納入 RCT 的偏倚風險評價結果
2.4 Meta 分析結果
Meta 分析匯總結果及亞組分析結果匯總見表 3 和表 4。
表3
手機 APP 與常規糖尿病管理比較對 2 型糖尿病患者影響的 Meta 分析結果
表4
手機 APP 與常規糖尿病管理比較對 2 型糖尿病患者 HbA1c 影響的亞組分析結果
2.4.1 FBG 共納入 3 個 RCT[21, 22, 25]，包括患者 225 例。固定效應模型 Meta 分析結果顯示，APP 管理組與常規管理組的 FBG 差異無統計學意義[SMD=–0.25，95%CI（–0.51，0.02），P=0.07]（表 3）。
2.4.2 HbA1c 共納入 10 個 RCT[7-10, 20-25]，包括患者 1 030 例。隨機效應模型 Meta 分析結果顯示，APP 管理組的患者 HbA1c 水平優于常規管理組，差異有統計學意義[MD=–0.43，95%CI（–0.65，–0.22），P=0.001]（表 3）。按照研究特征進行亞組分析，其結果見表 4。
2.4.3 TC 共納入 4 個 RCT[8, 9, 22, 25]，包括患者 499 例。隨機效應模型 Meta 分析結果顯示，APP 管理組與常規管理組 TC 差異無統計學意義[SMD=–0.14，95%CI（–0.51，0.22），P=0.44]（表 3）。
2.4.4 TG 共納入 5 個 RCT[8, 9, 21, 22, 25]，包括患者 530 例。固定效應模型 Meta 分析結果顯示，APP 管理組的患者 TG 水平優于常規管理組，差異有統計學意義[SMD=–0.24，95%CI（–0.42，–0.06），P=0.01]（表 3）。
2.4.5 HDL 共納入 5 個 RCT[8, 9, 21, 22, 25]，包括患者 533 例。隨機效應模型 Meta 分析結果顯示，APP 管理組與常規管理組 HDL 差異無統計學意義[SMD=0.13，95%CI（–0.15，0.40），P=0.38]（表 3）。
2.4.6 LDL 共納入 5 個 RCT[8, 9, 21, 22, 25]，包括患者 528 例。隨機效應模型 Meta 分析結果顯示，APP 管理組與常規管理組 LDL 差異無統計學意義[SMD=–0.14，95%CI（–0.42，0.14），P=0.32]（表 3）。
2.4.7 體重 共納入 4 個 RCT[8, 20, 22, 23]，包括患者 424 例。固定效應模型 Meta 分析結果顯示，APP 管理組與常規管理組體重差異無統計學意義[MD=–0.63，95%CI（–1.26，0.01），P=0.05]（表 3）。
2.4.8 腰圍 共納入 2 個 RCT[8, 22]，包括患者 311 例。固定效應模型 Meta 分析結果顯示，APP 管理組的患者腰圍水平優于常規管理組，差異有統計學意義[MD=–1.57，95%CI（–2.65，–0.48），P=0.01]（表 3）。
2.4.9 BMI 共納入 3 個 RCT[20-22]，包括患者 195 例。固定效應模型 Meta 分析結果顯示，APP 管理組與常規管理組 BMI 差異無統計學意義[MD=–0.22，95%CI（–1.36，0.93），P=0.71]（表 3）。
2.3.10 SBP 共納入 6 個 RCT[8-10, 20-22]，包括患者 544 例。固定效應模型 Meta 分析結果顯示，APP 管理組的患者 SBP 水平優于常規管理組，差異有統計學意義[MD=–2.53，95%CI（–4.89，–0.17），P=0.04]（表 3）。
2.4.11 DBP 共納入 6 個 RCT[8-10, 20-22]，包括患者 544 例。固定效應模型 Meta 分析結果顯示，APP 管理組與常規管理組 DBP 差異無統計學意義[MD=–1.48，95%CI（–3.04，0.09），P=0.07]（表 3）。
2.5 敏感性分析及發表偏倚分析
逐一剔除單個研究進行敏感性分析，以判斷單個研究對合并效應量的影響。在 TC 水平上，剔除隨訪時間最短的 Yoo 等[22]研究或低質量研究[22, 25]（未明確提及隨機抽樣方法、分配隱藏及盲法等）后，各研究結果間異質性均降為 0%，但 Meta 分析結果顯示，APP 管理組和常規管理組在 TC 水平上仍無統計學差異。在 HDL、LDL 水平上，剔除低質量研究[21, 22, 25]后，Meta 分析結果方向也未發生改變，說明結果較穩定。采用 Egger’s 檢驗評價發表偏倚，結果提示可能存在發表偏倚（P=0.011）。
3 討論
2 型糖尿病是威脅人們健康的慢性非傳染性疾病。近年來，該疾病患病人數暴增，而大多數患者的自我管理依從性差，疾病相關生物學和生化指標控制不良，導致心血管疾病[26]、截肢[27]、糖尿病視網膜病變[28]、糖尿病腎病[29]等風險逐漸增加，這無疑會給社會和家庭帶來沉重的經濟負擔。“互聯網+”時代的到來為糖尿病管理帶來新的契機，研究者們正在積極探索手機 APP 對糖尿病患者自我管理的效果。
既往的研究結果表明，與常規管理相比，糖尿病手機 APP 能降低 2 型糖尿病患者的 HbA1c，但在血脂、體重控制相關指標和血壓方面并未顯示出明顯優勢[16]。本 Meta 分析結果表明，糖尿病手機 APP 可改善 2 型糖尿病患者的 HbA1c，此結果與其他系統評價[14, 15]研究結果一致。此外，本研究結果顯示，APP 管理組患者的 SBP、TG 和腰圍也有明顯改善。這證明糖尿病 APP 管理在 HbA1c、SBP、TG 和腰圍水平上比常規管理更具優勢。但APP 管理組患者的 FBG、TC、HDL、LDL、體重、BMI 和 DBP 較對照組未見明顯差異。本研究關于體重和 BMI 的結果與其他研究的一致[11, 16, 30]，關于除 TG 外血脂成分的結果與 Pal 等[30]的研究一致。但是這些結局指標由于納入研究樣本量較小，還有待進一步研究。
本研究按照隨訪時長、是否提供實時反饋、年齡、是否提供入口網站、樣本量大小對 HbA1c 進行亞組分析。根據隨訪時長對 HbA1c 進行亞組分析的結果表明，干預時間小于 6 個月的研究效果更好，這與其他研究的結果一致[12]。我們認為這一結果的原因可能是，一方面患者的依從性會隨著時間延長而下降；另一方面，也許是 APP 本身的設計仍沒有滿足人們的需求，即簡單、省時和省力等特性不足。另外，有兩篇文章[12, 15]也發現干預時間小于 6 個月的研究效果更好，但是這兩篇文章中的兩組比較結果差異無統計學意義。導致這種現象的原因可能是，Liang 等[12]的研究納入的文獻不全是 RCT，而 Hou 等[15]的研究雖然也納入了 10 篇研究對象為 2 型糖尿病患者、結局指標包括 HbA1c 的 RCT，但是納入的文獻中干預時長小于 6 個月的研究數目比本研究少。
根據是否提供實時反饋對 HbA1c 進行亞組分析的結果顯示，提供實時反饋的研究對 HbA1c 的影響更大。與 Hou 等[15]研究的結果一致，不過本研究未發現兩組差異有統計學意義，這與 Wu 等[14]的研究結果不同，原因可能是本文納入的大部分研究提到的實時反饋均有醫護人員的參與。而這篇文章將 1 型和 2 型糖尿病患者合并在一起分析，且其中有 3 個研究的實時反饋是由事先設置的自動程序提供，僅對口服藥和胰島素的使用進行了干涉，而這些建議的可靠性不足。本研究結果與 Cui 等[16]的研究結果也不同，原因可能是本研究是以實時和非實時為條件進行亞組分析的，而該研究是以是否提供反饋為條件進行亞組分析的，未對反饋進行時限進行約束。
根據年齡對 HbA1c 進行亞組分析結果顯示，平均年齡小于 60 歲的患者比平均年齡大于 60 歲的患者 HbA1c 控制得更好。這可能與平均年齡小于 60 歲的患者對新興技術的接受度更高有關。年齡更大的患者或許伴有認知和功能障礙，這些因素阻礙他們更好地使用手機[31]。Hou 等[15]研究得到了相似的結果，雖然他們根據年齡對 HbA1c 進行亞組的分析結果差異沒有統計學意義，但是平均年齡小于 60 歲的糖尿病患者血糖水平的下降程度更大。根據是否提供入口網站對 HbA1c 進行亞組分析的結果表明，入口網站增強了糖尿病手機 APP 的作用。大概是多種信息獲取途徑具有協同效應。當患者受到足夠多的刺激，更可能改變他們的行為[32, 33]。根據樣本量對 HbA1c 進行亞組分析的結果表明，小樣本研究的結果更佳，與 Liang 等[12]的研究結果一致。
本研究的局限性：① 只納入了公開發表的文獻，可能存在發表偏倚；② 只納入了中、英文的文獻，可能存在語言偏倚；③ 分析某些結局指標的文獻數不足，難以分析異質性來源。
綜上所述，針對糖尿病管理的手機 APP 能改善 2 型糖尿病患者 HbA1c、SBP、TC 和腰圍。受納入研究的數量和質量限制，上述結論尚需開展更多高質量研究予以驗證。
