Beta-cell dysfunction

2025年3月3日，英国剑桥大学/阿斯利康基因组学研究中心的研究团队在期刊《Nature Communications》上合作发表了题为“Intestinal microbiota affects the progression of colorectal cancer by participating in the host intestinal arginine catabolism”的研究论文。 2025年3月3日，英国剑桥大学/阿斯利康基因组学研究中心的研究团队在期刊《Nature Communications》上合作发表了题为“Intestinal microbiota affects the progression of colorectal cancer by participating in the host intestinal arginine catabolism”的研究论文。 https://www.nature.com/articles/s41467-025-56695-z https://www.nature.com/articles/s41467-025-56695-z 在这项研究中，团队确定了关键通路（如补体级联）、潜在治疗靶点（如2型糖尿病中的FAM3D）和糖尿病合并症的生物标志物（如EFEMP1和IGFBP2）。 在这项研究中， 团队确定了关键通路（如补体级联）、潜在治疗靶点（如2型糖尿病中的FAM3D）和糖尿病合并症的生物标志物（如EFEMP1和IGFBP2）。 01 01 研究背景 研究背景 终末期糖尿病具有高度异质性，患者的胰岛素抵抗和β细胞功能障碍程度各不相同。此外，绝大多数T2D患者至少有一种额外的合并症，如高血压、肥胖或高脂血症，这是T2D的病理生理学、肥胖和其他合并症之间复杂的相互作用造成的。单一的T2D PGS不可能捕捉到这种异质性。为解决这一问题，人们开发了分区多基因评分（pPS），该评分来源于GWAS确定的T2D变异基因聚类，以捕捉T2D遗传风险的生物学过程。与传统的全基因组T2D PGS相比，这些pPS提高了对T2D患者临床结果的预测能力。 终末期糖尿病具有高度异质性，患者的胰岛素抵抗和β细胞功能障碍程度各不相同。此外，绝大多数T2D患者至少有一种额外的合并症，如高血压、肥胖或高脂血症，这是T2D的病理生理学、肥胖和其他合并症之间复杂的相互作用造成的。单一的T2D PGS不可能捕捉到这种异质性。为解决这一问题，人们开发了分区多基因评分（pPS），该评分来源于GWAS确定的T2D变异基因聚类，以捕捉T2D遗传风险的生物学过程。与传统的全基因组T2D PGS相比，这些pPS提高了对T2D患者临床结果的预测能力。 02 02 多个PGS蛋白集富集的重要通路 多个PGS蛋白集富集的重要通路 在PGST2D_gw和PGSCAD蛋白集中都明显富集的途径可能反映了共同的因果机制，如涉及补体系统的机制。在MR（C1R 和 C1S）和调解（18种补体相关蛋白调解了PGST2D_gw的效应，4种补体相关蛋白调解了PGSCAD的效应）中，补体和凝血级联途径中的蛋白被确定为心血管疾病的因果关系。在临床试验中，C9介导了PGSCAD对MACE结果的影响。在生物标志物方面，补体级联中的C2和CD59以及凝血级联中的PLAUR与EXSCEL和DECLARE中心血管疾病的预后时间相关。 在PGST2D_gw和PGSCAD蛋白集中都明显富集的途径可能反映了共同的因果机制，如涉及补体系统的机制。在MR（C1R 和 C1S）和调解（18种补体相关蛋白调解了PGST2D_gw的效应，4种补体相关蛋白调解了PGSCAD的效应）中，补体和凝血级联途径中的蛋白被确定为心血管疾病的因果关系。在临床试验中， C9介导了PGSCAD对MACE结果的影响。 在生物标志物方面，补体级联中的C2和CD59以及凝血级联中的PLAUR与EXSCEL和DECLARE中心血管疾病的预后时间相关。 虽然胰岛素样生长因子结合蛋白（IGFBPs）通路未在PGSCAD或PGSCKD相关蛋白集中富集，但在PGST2D_gw、PGSBMI和PGST2D_liver_lipid蛋白关联集中富集。此外，在T2D及其合并症的许多分析中都发现了它的组成蛋白。IGFBP是与PGST2D_gw关联最显著的蛋白质之一，而IGFBP4和IGFBP6则与PGSCKD密切相关。通过中介分析，IGFBP2和IGFBP6分别与T2D和CKD有关联。在临床试验中，许多IGF相关蛋白都与心血管和肾脏结局有显著相关性。 虽然胰岛素样生长因子结合蛋白（IGFBPs）通路未在PGSCAD或PGSCKD相关蛋白集中富集，但在PGST2D_gw、PGSBMI和PGST2D_liver_lipid蛋白关联集中富集。此外，在T2D及其合并症的许多分析中都发现了它的组成蛋白。IGFBP是与PGST2D_gw关联最显著的蛋白质之一，而IGFBP4和IGFBP6则与PGSCKD密切相关。通过中介分析，IGFBP2和IGFBP6分别与T2D和CKD有关联。在临床试验中， 许多IGF相关蛋白都与心血管和肾脏结局有显著相关性。 通过IGFBPs途径调节IGF。 通过IGFBPs途径调节IGF。 03 03 总结 总结 1. 多基因风险评分（PGS）的应用： 1. 多基因风险评分（PGS）的应用： 研究发现，T2D的PGS与多种蛋白质显著相关，其中部分关联由BMI介导，但不同PGS（如T2D_obesity和T2D_beta_cell）捕捉到T2D生物学的独特方面。 研究发现，T2D的PGS与多种蛋白质显著相关，其中部分关联由BMI介导，但不同PGS（如T2D_obesity和T2D_beta_cell）捕捉到T2D生物学的独特方面。 2. 因果推断与潜在治疗靶点： 2. 因果推断与潜在治疗靶点： 研究发现了与T2D、CAD和CKD相关的蛋白质，并提供了因果证据。例如，PAM、MANSC4、NCR3LG1等蛋白质与T2D相关，而LPA、PSCK9、ERBB4等蛋白质与CAD相关。49%的MR鉴定蛋白显著介导PGS对新发疾病的影响，这些蛋白有望作为心血管/肾脏合并症的生物标志物。 研究发现了与T2D、CAD和CKD相关的蛋白质，并提供了因果证据。例如，PAM、MANSC4、NCR3LG1等蛋白质与T2D相关，而LPA、PSCK9、ERBB4等蛋白质与CAD相关。49%的MR鉴定蛋白显著介导PGS对新发疾病的影响，这些蛋白有望作为心血管/肾脏合并症的生物标志物。 3. 蛋白质与合并症的关联： 3. 蛋白质与合并症的关联： 研究通过MR和生存分析确定了将T2D与其心血管和肾脏合并症联系起来的推定致病蛋白和通路。例如，CCN4（WISP1）和SELE与心血管结局相关，而UMOD与肾脏合并症相关；6种蛋白质（C9、LBP、ITIH4、APOM、CES1和HS6ST2）被发现介导CAD风险，可能作为T2D患者心血管疾病的生物标志物。 研究通过MR和生存分析确定了将T2D与其心血管和肾脏合并症联系起来的推定致病蛋白和通路。例如，CCN4（WISP1）和SELE与心血管结局相关，而UMOD与肾脏合并症相关；6种蛋白质（C9、LBP、ITIH4、APOM、CES1和HS6ST2）被发现介导CAD风险，可能作为T2D患者心血管疾病的生物标志物。 4. 通路富集分析： 4. 通路富集分析： PGS相关蛋白的通路富集分析揭示了与心脏代谢疾病相关的潜在机制。例如，补体系统通路在T2D和CAD的PGS中均富集，提示其在疾病进展中的潜在作用。IGFBP通路在T2D和BMI的PGS中富集，且IGFBP2与T2D和CKD的事件相关。 PGS相关蛋白的通路富集分析揭示了与心脏代谢疾病相关的潜在机制。例如，补体系统通路在T2D和CAD的PGS中均富集，提示其在疾病进展中的潜在作用。IGFBP通路在T2D和BMI的PGS中富集，且IGFBP2与T2D和CKD的事件相关。 参考资料： 参考资料： 1.Cole, J. B. & Florez, J. C. Genetics of diabetes and diabetes complications. Nat. Rev. Nephrol. 16, 377–390 (2020). 1.Cole, J. B. & Florez, J. C. Genetics of diabetes and diabetes complications. Nat. Rev. Nephrol. 16, 377–390 (2020). 2.Meigs, J. B. The genetic epidemiology of Type 2 diabetes: Opportunities for health translation. Curr. Diab. Rep. 19, 62 (2019). 2.Meigs, J. B. The genetic epidemiology of Type 2 diabetes: Opportunities for health translation. Curr. Diab. Rep. 19, 62 (2019).

2024年12月23日，美国斯坦福大学遗传学系Michael P. Snyder教授团队在期刊《Nature Biomedical Engineering》上发表了题为“Prediction of metabolic subphenotypes of type 2 diabetes via continuous glucose monitoring and machine learning”的研究论文。机器学习模型根据32人的OGTT血糖时间序列进行训练，预测出肌肉胰岛素抵抗、β细胞缺乏和增量素作用受损的亚型，其曲线下面积（AUC）分别为95%、89%和88%。利用CGM生成的在家OGTT血糖曲线，模型预测了29人的肌肉胰岛素抵抗和β细胞缺乏亚型，AUC分别为88%和84%。通过CGM在家中识别代谢亚型，可能有助于对早期血糖失调患者进行风险分层。 2024年12月23日，美国斯坦福大学遗传学系Michael P. Snyder教授团队在期刊《Nature Biomedical Engineering》上发表了题为“Prediction of metabolic subphenotypes of type 2 diabetes via continuous glucose monitoring and machine learning”的研究论文。机器学习模型根据32人的OGTT血糖时间序列进行训练，预测出肌肉胰岛素抵抗、β细胞缺乏和增量素作用受损的亚型，其曲线下面积（AUC）分别为95%、89%和88%。利用CGM生成的在家OGTT血糖曲线，模型预测了29人的肌肉胰岛素抵抗和β细胞缺乏亚型，AUC分别为88%和84%。 通过CGM在家中识别代谢亚型，可能有助于对早期血糖失调患者进行风险分层。 https://www.nature.com/articles/s41551-024-01311-6 https://www.nature.com/articles/s41551-024-01311-6 人工智能与2型糖尿病 人工智能与2型糖尿病 01 01 人们对确定可扩展的、具有成本效益的检测方法越来越感兴趣，这些检测方法可捕捉T2D表型的复杂性，为精准医疗方法提供依据。这些测试包括分区遗传风险评分、临床和人口特征、葡萄糖代谢生物标志物、临床结果，甚至可穿戴设备。糖代谢紊乱最常见的检测方法是口服葡萄糖耐量试验（OGTT），该方法已标准化并在全球使用了100多年。 人们对确定可扩展的、具有成本效益的检测方法越来越感兴趣，这些检测方法可捕捉T2D表型的复杂性，为精准医疗方法提供依据。这些测试包括分区遗传风险评分、临床和人口特征、葡萄糖代谢生物标志物、临床结果，甚至可穿戴设备。糖代谢紊乱最常见的检测方法是口服葡萄糖耐量试验（OGTT），该方法已标准化并在全球使用了100多年。 在这项研究中，团队量化了不同个体血糖失调的生理基础差异程度，这些个体可根据其代谢亚型进行分类。团队还提出了一个使用机器学习的综合框架，通过该框架，可以使用在16点葡萄糖耐量测试中提取的葡萄糖时间序列特征来识别代谢亚型。团队证明了这一方法可以在家中使用CGM进行。这种方法在血浆和CGM中识别潜在代谢功能障碍的准确性高于标准的高血糖测量方法（如空腹血糖或HbA1c）、现有的代谢疾病生物标志物（如HOMA）和遗传风险评分。 在这项研究中，团队量化了不同个体血糖失调的生理基础差异程度，这些个体可根据其代谢亚型进行分类。团队还提出了一个使用机器学习的综合框架，通过该框架，可以使用在16点葡萄糖耐量测试中提取的葡萄糖时间序列特征来识别代谢亚型。团队证明了这一方法可以在家中使用CGM进行。这种方法在血浆和CGM中识别潜在代谢功能障碍的准确性高于标准的高血糖测量方法（如空腹血糖或HbA1c）、现有的代谢疾病生物标志物（如HOMA）和遗传风险评分。 利用机器学习从葡萄糖时间序列预测代谢亚型 利用机器学习从葡萄糖时间序列预测代谢亚型 02 02 使用OGTT_G_ReducedRep预测肌肉IR的auROC高达0.95，而OGTT_G_Feature预测肌肉IR的auROC为0.90。OGTT_G_ReducedRep的预测能力明显高于目前用于预测肌肉IR的任何特征。根据OGTT_G_ReducedRep预测β细胞功能障碍的auROC为0.89。使用OGTT_G_ReducedRep预测胰岛素缺乏的auROC为0.88，使用OGTT_G_Features预测胰岛素缺乏的auROC为0.90。在肝脏IR方面，OGTT_G_Features显示出良好的性能（auROC=0.84）；Matsuda指数和HOMA-IR显示出卓越的性能，但没有统计学意义。因此，可以根据OGTT血糖时间序列的特征，建立不同代谢亚型的模型。 使用OGTT_G_ReducedRep预测肌肉IR的auROC高达0.95，而OGTT_G_Feature预测肌肉IR的auROC为0.90。OGTT_G_ReducedRep的预测能力明显高于目前用于预测肌肉IR的任何特征。根据OGTT_G_ReducedRep预测β细胞功能障碍的auROC为0.89。使用OGTT_G_ReducedRep预测胰岛素缺乏的auROC为0.88，使用OGTT_G_Features预测胰岛素缺乏的auROC为0.90。在肝脏IR方面，OGTT_G_Features显示出良好的性能（auROC=0.84）；Matsuda指数和HOMA-IR显示出卓越的性能，但没有统计学意义。因此， 可以根据OGTT血糖时间序列的特征，建立不同代谢亚型的模型。 从OGTT血糖时间序列中提取的特征，与现有替代标志物进行代谢亚表型预测的基准比较。 从OGTT血糖时间序列中提取的特征，与现有替代标志物进行代谢亚表型预测的基准比较。 利用连续血糖监测，在家预测肌肉胰岛素抵抗和β细胞功能 利用连续血糖监测，在家预测肌肉胰岛素抵抗和β细胞功能 03 03 在独立测试集中，基于两条家庭CGM曲线平均值的肌肉 IR（auROC=0.88）和β细胞功能（auROC=0.80）分类结果，比基于血浆曲线的分类结果更好。性能的提高可能是由于从CGM的特征工程和连续测量中有效地提取了信息，CGM中包含的信息比静脉采样中的信息要多得多，而静脉采样中的测量频率较低。仅基于CGM数据的交叉验证显示，肌肉IR的性能相似（auROC=0.88），而β细胞功能的预测性能则进一步提高（auROC=0.84）。 在独立测试集中，基于两条家庭CGM曲线平均值的肌肉 IR（auROC=0.88）和β细胞功能（auROC=0.80）分类结果，比基于血浆曲线的分类结果更好。性能的提高可能是由于从CGM的特征工程和连续测量中有效地提取了信息，CGM中包含的信息比静脉采样中的信息要多得多，而静脉采样中的测量频率较低。仅基于CGM数据的交叉验证显示，肌肉IR的性能相似（auROC=0.88），而β细胞功能的预测性能则进一步提高（auROC=0.84）。 在独立队列中进行验证，并转化为居家CGM测试。 在独立队列中进行验证，并转化为居家CGM测试。 总结 总结 04 04 1. OGTT试验的可行性：OGTT试验更为可行，可以预测患T2D、心血管疾病和总死亡率的风险。 1 . OGTT试验的可行性： OGTT试验更为可行，可以预测患T2D、心血管疾病和总死亡率的风险。 2. 机器学习框架的应用：机器学习框架分析了OGTT动态血糖时间序列反应，证明其识别胰岛素抵抗、β细胞缺陷和增量素缺陷的能力，优于目前可用的检测方法。 2. 机器学习框架的应用： 机器学习框架分析了OGTT动态血糖时间序列反应，证明其识别胰岛素抵抗、β细胞缺陷和增量素缺陷的能力，优于目前可用的检测方法。 3. CGM技术的应用：CGM生成的血糖曲线可以准确识别胰岛素抵抗，提供了一种方便、便宜且可在家中进行的测试。 3. CGM技术的应用： CGM生成的血糖曲线可以准确识别胰岛素抵抗，提供了一种方便、便宜且可在家中进行的测试。 4. 环境因素的控制：通过详细的患者指导来控制家庭OGTT的环境应激因素，以减少OGTT血糖反应变异。 4. 环境因素的控制： 通过详细的患者指导来控制家庭OGTT的环境应激因素，以减少OGTT血糖反应变异。 5. 新技术的潜力：新技术可以释放传统代谢健康检测的潜力，如果消除了3小时内多次抽血给患者带来的负担，那么在家进行OGTT的实用性和可行性就会增加。 5. 新技术的潜力： 新技术可以释放传统代谢健康检测的潜力，如果消除了3小时内多次抽血给患者带来的负担，那么在家进行OGTT的实用性和可行性就会增加。 6. 未来研究方向：有必要进行试验，以评估根据确定的亚型进行针对性治疗的相对疗效。 6. 未来研究方向： 有必要进行试验，以评估根据确定的亚型进行针对性治疗的相对疗效。 参考资料： 参考资料： 1.Sun, H. et al. IDF diabetes Atlas: global, regional and country-level diabetes prevalence estimates for 2021 and projections for 2045. Diabetes Res. Clin. Pract. 183, 109119 (2021). 1.Sun, H. et al. IDF diabetes Atlas: global, regional and country-level diabetes prevalence estimates for 2021 and projections for 2045. Diabetes Res. Clin. Pract. 183, 109119 (2021). 2.Hall, H. et al. Glucotypes reveal new patterns of glucose dysregulation. PLoS Biol. 16, e2005143 (2018). 2.Hall, H. et al. Glucotypes reveal new patterns of glucose dysregulation. PLoS Biol. 16, e2005143 (2018).

2024年11月20日，上海交通大学医学院附属瑞金医院宁光院士团队在期刊《Public Health》上发表了题为“Diabetes in China part 1: epidemiology and risk factors”的综述。本综述提供了对当前糖尿病流行病学和风险因素的概述，提供了支持在中国有效实施公共卫生干预措施，以减缓和预防糖尿病流行的证据。 2024年11月20日，上海交通大学医学院附属瑞金医院宁光院士团队在期刊《Public Health》上发表了题为“Diabetes in China part 1: epidemiology and risk factors”的综述。 本综述提供了对当前糖尿病流行病学和风险因素的概述， 提供了支持在中国有效实施公共卫生干预措施，以减缓和预防糖尿病流行的证据。 https://www.thelancet.com/journals/lanpub/article/PIIS2468-2667(24)00250-0/fulltext#au60 https://www.thelancet.com/journals/lanpub/article/PIIS2468-2667(24)00250-0/fulltext#au60 关于糖尿病 关于糖尿病 01 01 糖尿病是一项全球性的健康挑战，2021年影响了5.29亿人，预计到2050年全球将有13.1亿人受到影响。中国拥有世界上最多的糖尿病患者，超过1.18亿人患有糖尿病，约占全球所有糖尿病患者的22%。然而，中国在1980年的糖尿病患病率非常低，不到1%。自从20世纪70年代国家历史性的改革以来，中国经历了巨大的经济增长。随着国家从中低收入国家转变为中上收入国家，环境、生活方式和医疗保健发生了显著的变化，这些变化是由现代化和人口老龄化推动的，导致了中国人群中糖尿病的快速增长。 糖尿病是一项全球性的健康挑战，2021年影响了5.29亿人，预计到2050年全球将有13.1亿人受到影响。中国拥有世界上最多的糖尿病患者，超过1.18亿人患有糖尿病，约占全球所有糖尿病患者的22%。然而，中国在1980年的糖尿病患病率非常低，不到1%。自从20世纪70年代国家历史性的改革以来，中国经历了巨大的经济增长。随着国家从中低收入国家转变为中上收入国家，环境、生活方式和医疗保健发生了显著的变化，这些变化是由现代化和人口老龄化推动的，导致了中国人群中糖尿病的快速增长。 在这篇综述中，团队提供了中国糖尿病流行病学的全面概述，包括患病率、共病、并发症、糖尿病负担，以及这一流行病的独特方面。这篇综述重点关注2型糖尿病，因为它占所有糖尿病类型的90%以上，并且是一种可以预防的疾病。在第2部分中，团队提出了中国人群在糖尿病预防的不同阶段面临的挑战和对策。 在这篇综述中，团队提供了中国糖尿病流行病学的全面概述，包括患病率、共病、并发症、糖尿病负担，以及这一流行病的独特方面。 这篇综述重点关注2型糖尿病， 因为它占所有糖尿病类型的90%以上，并且是一种可以预防的疾病。在第2部分中，团队提出了中国人群在糖尿病预防的不同阶段面临的挑战和对策。 糖尿病日益增长的的贡献因素 糖尿病日益增长的的贡献因素 02 02 1. 胰岛素抵抗和β细胞功能障碍：2型糖尿病的发展关键机制。中国成年人中胰岛素抵抗与糖尿病的相关性更强，β细胞功能障碍的贡献更大。 1. 胰岛素抵抗和β细胞功能障碍： 2型糖尿病的发展关键机制。中国成年人中胰岛素抵抗与糖尿病的相关性更强，β细胞功能障碍的贡献更大。 2. 超重和肥胖：中国成年人胰岛素抵抗和糖尿病增加的重要因素。高BMI是中国糖尿病的主要个体归因因素。 2. 超重和肥胖： 中国成年人胰岛素抵抗和糖尿病增加的重要因素。高BMI是中国糖尿病的主要个体归因因素。 3. 种族差异：东亚人的β细胞功能低于白人，但两种人群相对于胰岛素抵抗的β细胞反应相似。 3. 种族差异： 东亚人的β细胞功能低于白人，但两种人群相对于胰岛素抵抗的β细胞反应相似。 4. 2型糖尿病的多面性和异质性：中国2型糖尿病存在多种表型。 4. 2型糖尿病的多面性和异质性： 中国2型糖尿病存在多种表型。 5. 性别和年龄差异：2000年后，中国男性糖尿病患病率持续升高，糖尿病在BMI较高时更常见，女性患心血管疾病和死亡的风险高于男性。 5. 性别和年龄差异： 2000年后，中国男性糖尿病患病率持续升高，糖尿病在BMI较高时更常见，女性患心血管疾病和死亡的风险高于男性。 6. 人口老龄化：中国人口老龄化是造成糖尿病负担的主要因素。 6. 人口老龄化： 中国人口老龄化是造成糖尿病负担的主要因素。 7. 生活方式变化：城市化、西化饮食、久坐不动的习惯和新出现的日常压力源导致多种慢性病的流行，包括糖尿病。 7. 生活方式变化： 城市化、西化饮食、久坐不动的习惯和新出现的日常压力源导致多种慢性病的流行，包括糖尿病。 8. 饮食习惯：中国饮食的血糖指数和血糖负荷最高，与2型糖尿病风险增加有关。 8. 饮食习惯： 中国饮食的血糖指数和血糖负荷最高，与2型糖尿病风险增加有关。 9. 食品工业和消费习惯：现代中国经济和电子商务市场增长影响食品工业和消费习惯，外卖食品和外出就餐频率增加，与体重增加和糖尿病密切相关。 9. 食品工业和消费习惯： 现代中国经济和电子商务市场增长影响食品工业和消费习惯，外卖食品和外出就餐频率增加，与体重增加和糖尿病密切相关。 10. 营养不良历史：中国几十年前的营养不良也是糖尿病的一个独特风险因素。 10. 营养不良历史： 中国几十年前的营养不良也是糖尿病的一个独特风险因素。 11. 身体活动不足：中国成年人身体活动不足呈上升趋势，与超重和肥胖的风险增加有关。 11. 身体活动不足： 中国成年人身体活动不足呈上升趋势，与超重和肥胖的风险增加有关。 12. 睡眠问题：睡眠与代谢紊乱之间存在潜在的双向关联，睡眠不足和睡眠障碍的趋势在中国越来越普遍。 12. 睡眠问题： 睡眠与代谢紊乱之间存在潜在的双向关联，睡眠不足和睡眠障碍的趋势在中国越来越普遍。 13. 吸烟和饮酒：吸烟使糖尿病风险增加约45%，重度间歇性饮酒与中国男性患糖尿病的风险增加有关。 13. 吸烟和饮酒： 吸烟使糖尿病风险增加约45%，重度间歇性饮酒与中国男性患糖尿病的风险增加有关。 14. 社会经济和心理因素：社会经济差异、教育、收入、心理因素如抑郁、焦虑、孤独和压力，在中国的糖尿病调查和管理中被忽视。 14. 社会经济和心理因素： 社会经济差异、教育、收入、心理因素如抑郁、焦虑、孤独和压力，在中国的糖尿病调查和管理中被忽视。 15. 环境因素：空气污染、夜间人造光、非最佳温度和内分泌干扰物的增加与患糖尿病的风险增加有关，而暴露于住宅绿化与降低患糖尿病的风险有关。 15. 环境因素： 空气污染、夜间人造光、非最佳温度和内分泌干扰物的增加与患糖尿病的风险增加有关，而暴露于住宅绿化与降低患糖尿病的风险有关。 中国糖尿病流行的因素和随时间变化的趋势 中国糖尿病流行的因素和随时间变化的趋势 总结 总结 03 03 1. 糖尿病是中国一个日益严重的公共卫生问题，对个人和社会造成重大负担。中国糖尿病的快速增长需要紧急的公共卫生干预，但目前缺乏评估这些干预效果的研究，需要所有相关部门和利益相关者的积极参与和共同努力。 1. 糖尿病是中国一个日益严重的公共卫生问题，对个人和社会造成重大负担。中国糖尿病的快速增长需要紧急的公共卫生干预，但目前缺乏评估这些干预效果的研究，需要所有相关部门和利益相关者的积极参与和共同努力。 2. 中国目前的行动主要依赖于下游干预，如促进健康行为和提供饮食建议，但也迫切需要上游干预，如食品生产、营销的监管和税收。 2. 中国目前的行动主要依赖于下游干预，如促进健康行为和提供饮食建议，但也迫切需要上游干预，如食品生产、营销的监管和税收。 3.《健康中国2030战略纲要》和2019年的行动计划将糖尿病预防和控制作为优先事项，以实现2030年的健康目标。 3.《健康中国2030战略纲要》和2019年的行动计划将糖尿病预防和控制作为优先事项，以实现2030年的健康目标。 4. 老龄化、不健康生活方式、社会经济不平等和环境因素是糖尿病发病率上升的主要驱动因素，需要强有力的应对措施。中国必须加强糖尿病预防策略，以减轻糖尿病对公共卫生和经济可持续性的影响。 4. 老龄化、不健康生活方式、社会经济不平等和环境因素是糖尿病发病率上升的主要驱动因素，需要强有力的应对措施。中国必须加强糖尿病预防策略，以减轻糖尿病对公共卫生和经济可持续性的影响。 参考资料： 参考资料： 1.Ong, KL ∙ Stafford, LK ∙ McLaughlin, SA ∙ et al. 1.Ong, KL ∙ Stafford, LK ∙ McLaughlin, SA ∙ et al. Global, regional, and national burden of diabetes from 1990 to 2021, with projections of prevalence to 2050: a systematic analysis for the Global Burden of Disease Study 2021 Global, regional, and national burden of diabetes from 1990 to 2021, with projections of prevalence to 2050: a systematic analysis for the Global Burden of Disease Study 2021 Lancet. 2023; 402:203-234 Lancet. 2023; 402:203-234 2.Zhong, XL 2.Zhong, XL Diabetes mellitus survey in China Diabetes mellitus survey in China Chin Med J. 1982; 95:423-430 Chin Med J. 1982; 95:423-430