综述：通过生态瞬时评估方法揭示的糖尿病困扰的动态相互关系：一项系统评价

《Frontiers in Endocrinology》：The dynamic interrelationships of diabetes distress uncovered by ecological momentary assessment: a systematic review

　　摘要
目的：本系统评价旨在综合关于生态瞬时评估（EMA）在动态监测糖尿病痛苦中的应用证据，并探讨EMA测量的心理社会或环境因素与糖尿病痛苦之间的动态关联。
方法：截至2026年1月13日，对多个英文和中文数据库进行了系统搜索。符合条件的研究是那些使用EMA动态监测糖尿病患者糖尿病痛苦及相关心理社会或环境因素的研究。采用纽卡斯尔-渥太华量表（Newcastle-Ottawa Scale）评估了纳入研究的方法学质量。
结果：共纳入了17项研究，涉及1,807名参与者（主要为1型糖尿病患者）。EMA的平均完成率为84.1%，青少年组的完成率低于成人组。主观血糖感知、社会互动的性质、久坐行为和身体症状与糖尿病痛苦存在即时关联。研究发现，糖尿病痛苦可以预测随后自我管理行为的失误，并加剧负面情绪状态。
结论：EMA是一种可行的工具，能够有效捕捉糖尿病痛苦的动态性质及其与环境因素的实时联系，为糖尿病护理中制定及时和个性化的心理干预措施提供了参考。

系统评价注册：https://www.crd.york.ac.uk/PROSPERO/view/CRD420251156226，标识符CRD420251156226.1

引言
随着人口老龄化，全球糖尿病（DM）的患病率持续上升，目前全球约有5.887亿人受到影响（1）。糖尿病显著损害了生活质量、长期健康结果，并带来了巨大的心理负担。在各种心理社会因素中，糖尿病痛苦因高发率和有害影响而成为主要问题（2）。糖尿病痛苦是指由于糖尿病管理挑战、并发症威胁以及感知到的生活质量下降而产生的疾病特异性情绪反应。其核心特征包括沮丧、恐惧、担忧和感到治疗负担过重。因此，有效识别和干预糖尿病痛苦已成为全面糖尿病护理的重要组成部分。
传统的糖尿病痛苦评估主要依赖于回顾性自我报告问卷，如糖尿病痛苦量表（Diabetes Distress Scale，DDS）和糖尿病问题领域量表（Problem Areas in Diabetes，PAID）。这些工具要求个体总结过去一段时间的情绪体验，这一过程容易受到回忆偏差、情绪波动和认知重构的影响（3, 4）。此外，糖尿病痛苦并非稳定特征，而是表现出动态变化。传统问卷无法捕捉这些动态特征及其与环境因素的实时关联，从而限制了对潜在机制的理解和临床干预措施的开发。
生态瞬时评估（Ecological Momentary Assessment，EMA）是一种新兴的实时、高频数据收集方法。它利用移动技术，在自然环境中反复动态地捕捉个体的即时状态、行为和环境背景（5）。EMA有效克服了回顾性测量中的回忆偏差，可以揭示情绪-行为互动的微观过程（6）。尽管先前的研究已经认识到EMA在糖尿病研究中的潜力，但它们通常关注更广泛的心理社会方面或特定行为（如体力活动）（7）。据我们所知，尚未有系统评价专门综合EMA在糖尿病痛苦作为主要结果方面的证据。此外，现有研究尚未将这些发现整合到一个连贯的动态框架中，以捕捉痛苦与其即时触发因素和直接后果之间的实时互动。因此，本系统评价旨在评估EMA动态监测糖尿病痛苦的可行性，综合其与其他即时前因和近端后果的动态关联的证据，并为糖尿病痛苦的科学监测、评估和干预提供见解。

2 方法
本研究遵循系统评价和荟萃分析的优先报告项目（Preferred Reporting Items for Systematic Reviews and Meta-Analyses，PRISMA）声明进行。评价方案已在线预注册在PROSPERO（#CRD420251156226）。

2.1 纳入和排除标准
2.1.1 纳入标准
- 临床诊断为1型或2型糖尿病的患者。
- 使用EMA作为核心数据收集方法的研究。EMA方案必须包括对糖尿病痛苦及其核心维度或相关心理结构的实时或近实时评估，涉及在自然环境中的重复测量。EMA方案可根据其抽样策略进行分类：
- 信号依赖抽样要求参与者在预定或随机时间对信号（例如警报或通知）作出反应。
- 事件依赖抽样要求参与者在预定义事件发生时启动报告（例如进食或社交互动）。
- 间隔依赖抽样要求参与者在固定的时间间隔（例如每晚8点）完成评估。
- 研究必须明确描述用于测量糖尿病痛苦的具体EMA实施方法，并全面报告基于EMA的动态定量结果指标（例如即时水平、日变化、与前因/后果变量的关联）。
- 研究设计包括横断面研究、前瞻性或回顾性队列研究以及病例交叉设计。
2.1.2 排除标准
- 评论文章、系统评价、荟萃分析、会议摘要、动物研究、论文、病例报告和定性研究。
- 尽管付出了巨大努力（数据库检索、联系作者、馆际借阅），但仍无法获取全文的研究。
- 非英文或非中文文献，无法通过翻译服务获取全文或关键数据。
2.2 搜索策略
采用全面的搜索策略以尽量减少遗漏相关文献的风险。我们系统地搜索了以下电子数据库，时间范围从数据库创建之初至2026年1月13日：PubMed、EMBASE、Cochrane对照试验中心注册库（Cochrane Central Register of Controlled Trials）、Web of Science、中国国家知识基础设施（CNKI）、Wanfang Data、VIP和中国生物医学文献数据库（CBM）。初步搜索表明，仅使用“糖尿病痛苦”这一术语会导致相关研究的遗漏，因为该研究领域的术语存在显著异质性。因此，最终搜索策略围绕两个核心概念构建：“糖尿病”和“生态瞬时评估”。我们结合了受控词汇（例如MeSH术语）和针对每个数据库的自由文本术语。PubMed的搜索策略示例见表1。在全文筛选阶段，我们进一步识别并纳入了那些虽然不直接关注糖尿病痛苦，但研究了与我们评价密切相关的结构的研究。

表1
搜索查询：
#1 “Diabetes Mellitus”[MeSH术语]
#2 “Diabetes Mellitus Experimental”[标题/摘要] 或 “Diabetes Mellitus type 1”[标题/摘要] 或 “Wolfram Syndrome”[标题/摘要] 或 “Diabetes Mellitus type 2”[标题/摘要] 或 “Diabetes Mellitus Lipoatrophic”[标题/摘要] 或 “Donohue Syndrome”[标题/摘要] 或 “Latent Autoimmune Diabetes in Adults”[标题/摘要]
#3 #1 或 #2
#4 “Ecological Momentary Assessment”[MeSH术语]
#5 “Assessments Ecological Momentary”[标题/摘要] 或 “Ecological Momentary Assessments”[标题/摘要] 或 “Experience Sampling”[标题/摘要] 或 “Experience Samplings”[标题/摘要] 或 “Experience Sampling Method”[标题/摘要] 或 “Ambulatory Assessment”[标题/摘要] 或 “Real-time Data Capture”[标题/摘要] 或 “Diary Study”[标题/摘要] 或 “EMA”[标题/摘要] 或 “ESM”[标题/摘要]
#6 #4 或 #5
#7 #3 和 #6

2.3 研究选择和数据提取
两名经过培训的评审员根据预先定义的标准独立进行研究选择和数据提取。如有分歧，由第三名评审员协商解决。使用NoteExpress软件去除重复项后，对标题和摘要进行筛选，然后对潜在符合条件的研究进行全文评估。提取的数据包括：国家、研究设计、样本量、糖尿病类型、平均病程、基线HbA1c、EMA设备类型、总EMA评估时间、每日评估频率、糖尿病痛苦测量项目、EMA完成率、糖尿病痛苦的即时前因变量和近端后果变量。
2.4 质量评估
两名评审员使用纽卡斯尔-渥太华量表（Newcastle-Ottawa Scale，NOS）独立评估纳入观察性研究的方法学质量（8）。NOS包含三个领域的8个项目：选择、可比性和暴露/结果。总分为0到9分，0-3分、4-6分和≥7分分别表示低质量、中等质量和高质量。

3 结果
3.1 文献搜索结果
初步搜索产生了1719条记录。去除528条重复记录后，通过标题和摘要筛选出1191条独特记录。其中1077条被排除，剩下114篇文章进行全文审查。有一篇文章无法获取全文。评估剩余的113篇文章后，17项研究符合预先定义的纳入和排除标准，被纳入本系统评价。详细的选择过程和排除原因见PRISMA流程图（图1）。

图1
研究选择过程的PRISMA流程图。该图展示了通过数据库搜索和其他来源识别的记录数量、去除的重复记录数量，以及每个阶段的筛选步骤（标题/摘要和全文）及排除原因，最终得出纳入定性综合的研究数量。

3.2 纳入研究的特征和EMA实施
共纳入17项观察性研究，NOS的平均质量得分为7分（标准差=1.01），涵盖的原始出版物中的总样本量为2,496人。值得注意的是，几项纳入的研究来自相同的队列。具体来说，Pham等人（9）、Gonzalez等人（10）和Gonzalez、Schneider等人（11）基于FEEL-T1D队列（N=182）。同样，Ehrmann等人（12）和Hermanns等人（13）基于DIA-LINK1队列（N=193）。Ehrmann等人（14）纳入了DIA-LINK1队列的参与者以及新招募的2型糖尿病队列（以下简称DIA-LINK2，N=186）；Hermanns等人（13）的2型糖尿病样本也基于同一DIA-LINK2队列。尽管存在这些队列重叠，但每项研究都报告了不同的结果或进行了不同的分析，因此全部被纳入本评价。考虑到这些重叠，这17篇出版物代表了14项独特的观察性研究，共有1,807名独特参与者。大多数研究（n=13，76.5%）主要关注1型糖尿病患者。EMA实施方案各不相同（表2）。四项研究（23.5%）使用事件依赖抽样来捕捉日常波动（15–18），一项研究使用间隔依赖抽样（19），其余研究（70.6%）使用信号依赖抽样（9, 10, 12–14, 20–26）。评估的中位时间为14天（范围：3–70天），每日提示的中位数为4次（范围：1–24次）。在测量痛苦时，47.1%的研究使用单一项目或视觉模拟量表进行快速评估，以减轻参与者负担。其余研究使用改编或简化的标准化多维量表来捕捉更丰富的信息。智能手机应用程序是主要的技术平台（88.2%，n=15项研究）。九项研究（52.9%）实现了EMA与连续血糖监测（CGM）数据的时间同步，使心理状态与生理血糖指标实时匹配（10–15, 17, 25, 26）。

表2
作者/年份 | 国家 | 样本特征 | 平均病程（年） | 基线HbA1c（%） | EMA设备类型 | 总EMA评估时间（天） | 每日提示次数 | 评估维度 | EMA完成率（%） | 质量（NOS）
Mulvaney等人，2019（16） | 美国 | T1D，N=30；15.40±1.52年；53.3% | F | 5.96±4.4 | 18.00±1.16 | 智能手机应用程序 | 30 | 感知压力、负面情绪、能量/疲劳、管理障碍、社会/环境背景 | 55 |
Shapira等人，2023（22） | 美国 | T1D，N=32；16.60±1.40年；56.3% | F | 8.80±4.2 | 8.80±1.4 | 智能手机应用程序 | 14 | 负面情绪、内疚/批评、疾病相关认知 | 72 |
Wooldridge等人，2022（20） | 美国 | T2D，N=10；54.00±4.20年；20.0% | F | 9.80±6.9 | 7.20±1.8 | 智能手机应用程序 | 14 | 总体痛苦、管理障碍 | 96 |
Horner等人，2025（26） | 美国 | T1D，N=88；15.67±0.78年；45.5% | F | NR | 8.40±1.4 | 智能手机应用程序 | 88 |
Gonzalez等人，2025（10） | 美国 | T1D，N=182；40.10±14.50年；53.8% | F | 20.70±12.8 | NR | 智能手机应用程序 | 14 | 5-6 |
S?holm等人，2024（25） | 美国 | T1D，N=274；44.9年；54.0% | FT | T2D，N=320；61.9年；36.9% | FT1D：23.80±15.60 | T2D：20.40±8.90 | T1D：7.30±0.90 | T2D：7.70±1.30 | 智能手机应用程序 | 70 |
Poppe等人，2021（18） | 比利时 | T2D，N=38；63.18±7.80年；34.2% | F | 10.80±6.9 | NR | 智能手机应用程序 | 10 | 身体症状、负面情绪、自我管理 | 90 |
Moskovich等人，2019（17） | 美国 | T1D，N=83；41.90年（18–68岁）；88.0% | F | 23.40±13.4 | 8.80±2.3 | IfByPhone?系统 | 31 | 2-4 | 总体痛苦、负面情绪、自我管理 | 96 |
Zhang等人，2022（21） | 美国 | T1D，N=45；13.30±1.70年；53.3% | F | 5.50±3.7 | 9.00±1.9 | 智能手机应用程序 | 30 | 社会背景、身体症状、负面情绪、自我管理 | 50 | 7.5 |
Hermanns等人，2025（13） | 德国 | T1D，N=192；38.70±12.70年；58.3% | FT | T2D，N=179；53.30±9.40年；41.3% | FT1D：18.90±11.60 | T2D：12.00±7.60 | T1D：8.70±1.90 | T2D：9.00±1.70 | 智能手机应用程序 | 83 |
Ehrmann等人，2022（12） | 德国 | T1D，N=178；38.60年（18-70岁）；59.0% | F | 19.00±11.70 | 8.60±1.9 | 智能手机应用程序 | 17 |
Merwin等人，2015（15） | 美国 | T1D，N=83；41.89±12.43年；88.0% | F | 23.43±13.3 | 8.80±2.3 | 智能手机应用程序 | 39 | 负面情绪、总体痛苦、自我管理 | 96 |
Gonzalez、Schneider等人，2025（11） | 美国 | T1D，N=182；40.1±14.5年；53.8% | F | 20.7±12.8 | 8.6±1.9 | 智能手机应用程序 | 14 | 5-6 | 自我效能、糖尿病痛苦、自我管理、血糖调节 | 95 |
Helgeson等人，2024（24） | 美国 | T1D，N=167；15.83±0.78年（14-17岁）；49.1% | F | NR | 8.49±1.6 | 智能手机应用程序 | 88 | 社会背景、负面情绪、自我管理 | 79 |
Helgeson等人，2009（19） | 美国 | T1D，N=76；14.54年（13-16岁）；50.0% | F | 6.34±3.2 | 8.65±1.7 | PDA | 46-8 | 社会背景、负面情绪、血糖负担、生活质量 | 88 |
Pham等人，2023（9） | 美国 | T1D，N=122；41.12±14.83年；55.7% | NR | 智能手机应用程序 | 14 | 5-6 | 总体痛苦、负面/正面情绪、身体症状、社会背景 | 93 |
Ehrmann等人，2024（14） | 德国 | T1D，N=193；39.10±12.70年；T2D，N=186；52.80±9.70年；49.6% | FT1D：18.90±11.90 | T2D：11.90±7.60 | T1D：8.60±1.90 | T2D：9.00±1.70 | 智能手机应用程序 | 17 |
3.3 EMA的可行性和参与者负担
纳入研究的平均EMA完成率为84.1%，表明在自然环境中动态监测糖尿病痛苦具有良好可行性。然而，完成率在不同研究中差异较大，这与EMA方案的强度、测量工具和参与者特征密切相关。研究显示，当每日提示超过5次或总持续时间超过30天时，完成率下降或参与者负担增加的情况更为常见（15, 17, 21, 25）。测量工具的复杂性也与完成率相关；使用单项或视觉模拟量表（VAS）的研究报告的平均完成率较高（约90.2%）（10, 20），而使用多项量表的研究则较低（约78.5%）（12, 14）。此外，不同人群对实时情感监测（EMA）的适应性也有所不同。糖尿病青少年的平均完成率（78-80%）低于成年患者（85-96%）。这种青少年与成人之间的差异在同时包含这两个年龄组的研究中是一致的，并且似乎是完成率变化的一个更重要的因素，尽管更长、更繁重的监测协议在所有人群中都加剧了这一问题（27）。

3.4 通过EMA揭示的糖尿病痛苦的动态特征
3.4.1 瞬间前因
3.4.1.1 血糖与痛苦之间的主观认知中介作用
虽然一项研究发现基于连续血糖监测（CGM）的血糖波动性与糖尿病痛苦没有显著关联（12），但另一项研究显示感知到的血糖波动性是最强的预测因素（14）。这种明显的矛盾突显了认知评估的关键中介作用，这一发现已在多项研究中得到一致验证（10, 12, 14）。具体来说，一项研究发现，血糖水平超过180 mg/dL的时间比例越高，痛苦感越强（β = 0.41）（12），但在另一项研究中，感知到的血糖波动性（t = 14.360; p < 0.0001）和感知到的高血糖（t = 13.637; p < 0.0001）是每日痛苦的最强预测因素（14）。Hypo-RESOLVE研究的结果进一步支持了这一观点，该研究表明，只有主观报告的低血糖事件，而不是所有客观记录的事件，对日常功能和情绪有显著的负面影响。值得注意的是，即使是“预防”了低血糖事件——即个体采取了纠正措施以避免血糖值过低（<70 mg/dL），但仍会经历主观上的负担和对即将发生的低血糖的恐惧——也与这些负面效应相关（25）。

3.4.1.2 社交互动对短期情绪的调节作用
基于EMA的滞后分析显示，当同伴互动的支持性评分高于个体的平均水平时，其随后的积极情绪显著增加（β = 0.29, p < 0.001），消极情绪减少（β = -0.06, p < 0.001）。相反，冲突较多的互动则预示着随后的积极情绪减少（β = -0.17, p < 0.001）和消极情绪增加（β = 0.23, p < 0.001）（24）。这些发现与另一项EMA研究的结果一致，该研究表明社交环境与1型糖尿病青少年的即时情绪状态密切相关（19）。

3.4.1.3 久坐行为、身体感觉和痛苦的同时波动
EMA监测发现久坐行为与糖尿病痛苦之间存在相关性（r = 0.02, p < 0.001）（9）。此外，Hermanns等人（13）发现，基线糖尿病痛苦程度较高（通过回顾性PAID问卷测量）与EMA期间几乎所有身体症状的报告增加有关，这表明特质水平的痛苦可能会增加对身体感觉的敏感性。

3.4.2 近期后果
3.4.2.1 对自我管理行为的直接影响
基于EMA的时间序列分析证实，消极情绪每增加一个单位，检查血糖的概率就会降低17%（OR = 0.83），这种效应在血糖控制较差的青少年中更为明显（HbA1c >8%；OR = 0.75）（22）。其他研究也报告了类似的模式，即痛苦或高压力状态预示着随后几小时内未检查血糖或未注射胰岛素（16, 21）。痛苦还与随后暴饮暴食的风险增加有关（17）。

3.4.2.2 情绪状态和心理资源的消耗
糖尿病痛苦会引发一系列负面情绪，并与长期心理风险相关。EMA的高频评估显示，糖尿病痛苦本身是一种多方面的负面情绪状态，包括沮丧、担忧和恐惧（15）。更重要的是，这种主观体验具有时间上的预测价值。Ehrmann等人（14）使用n-of-1分析研究了个体每日糖尿病痛苦与感知和客观血糖指标之间的关联强度。他们发现，那些感知到的血糖波动性与每日痛苦关联更强的个体——即痛苦与其对血糖波动的主观感知更紧密相关的个体——在三个月后表现出更严重的抑郁症状、糖尿病痛苦和对低血糖的恐惧（p < 0.001）。同样，那些感知到的高血糖与每日痛苦关联更强的个体在随访时也报告了更多的抑郁症状（p = 0.02）。相比之下，那些客观CGM指标（例如，低血糖时间）与每日痛苦关联更强的个体在随访时表现出更好的心理社会结果，包括较少的抑郁症状、较低的糖尿病痛苦和对低血糖的恐惧（p < 0.01），但HbA1c也较高（p < 0.05）。值得注意的是，仅感知到的血糖负担本身并不能直接预测这些随访结果。这种模式表明，不仅仅是感知到的血糖负担的程度，而是个体的痛苦与其对血糖波动的感知之间的耦合程度，可能会消耗心理资源并导致长期情绪恶化。感知与客观血糖-痛苦关联的差异性预测模式强调了理解个体层面糖尿病痛苦驱动因素的重要性。

3.4.2.3 对血糖的间接和滞后效应
糖尿病痛苦对血糖的影响似乎主要通过自我管理行为这一间接途径实现，并存在明显的时间滞后。尽管几项研究未发现消极情绪与血糖水平之间存在稳定的同时关联（12, 26），但痛苦与长期血糖波动性（GV）显著相关（22）。最近使用密集纵向设计的研究证据支持了这一模式，这些研究考察了1型糖尿病成年患者（N = 182）的个体内部动态。Gonzalez、Hoogendoorn等人（10）使用EMA和CGM在3小时间隔内考察了血糖与糖尿病痛苦之间的双向关系。他们的多层次交叉滞后面板模型显示，3小时内的平均血糖水平较高、血糖范围（70–180 mg/dL）时间较短、高血糖范围（181–250 mg/dL）和非常高血糖范围（>250 mg/dL）时间较长，以及3小时内的血糖波动性较大，都显著预测了该间隔结束时的糖尿病痛苦增加（所有p < 0.05）。3小时内的平均血糖水平较高也预测了3小时后的糖尿病痛苦增加（p < 0.05）。相反，糖尿病痛苦并未预测随后的CGM指标，除了与接下来3小时内低血糖时间（<70 mg/dL）的较小但显著关联（p < 0.05）外。探索性分析表明，使用个人CGM设备的个体的血糖与痛苦之间的关联更强，这表明实时血糖反馈可能会加剧对血糖波动的情绪反应。综合这些发现，表明血糖失调往往先于糖尿病痛苦的短期增加，而不是相反，尽管痛苦可能会触发减少低血糖风险的行为反应。这种模式与更广泛的证据一致，即痛苦可能不会直接改变血糖，但可能会损害自我管理行为，从而导致长期血糖控制恶化（11, 28）。CGM使用的调节作用进一步强调了实时血糖反馈在塑造对血糖的情绪反应中的作用。

总之，本综述综合的EMA证据将糖尿病痛苦描述为：（I）一种表现出显著非随机波动的现象，而不是稳定的特征；（II）与即时情境因素紧密相关的波动，包括对血糖的主观评估、社交互动质量、当前行为和身体感觉；以及（III）一种直接引发自我管理能力和广泛负面情绪的状态，最终通过行为影响血糖稳定性。这些发现表明，糖尿病痛苦可以被视为一个涉及生理、认知、行为和社会维度之间实时互动和反馈的动态过程。

4 讨论
4.1 主要发现
本系统综述综合了关于糖尿病痛苦的EMA研究的动态证据。EMA通常适用于动态监测，尽管当每日提示超过五次或总周期超过30天时，完成率往往会下降。EMA监测的糖尿病痛苦与主观血糖感知、社交互动和行为状态有显著的动态关联，并动态影响了随后的自我管理和长期情绪趋势。通过整合EMA证据，本综述阐明了糖尿病痛苦的动态演变，并支持了EMA作为动态监测工具的临床实用性和应用价值。

4.2 糖尿病痛苦的动态过程
整合的EMA证据支持将糖尿病痛苦视为一个涉及生理、认知、行为、情绪和社会环境因素之间持续互动和反馈的动态过程（图2）。这种概念化应被视为一个综合框架，为未来研究提供了实证检验这些假设路径的路线图，而不是一个确定的因果结构。

图2 基于EMA和生态瞬时评估证据的糖尿病痛苦动态过程。双向箭头（?）代表观察到的关联和反馈循环。单向箭头（→）表示滞后分析的时间序列。从自我管理失误到客观血糖数据的虚线箭头代表一个需要进一步验证的假设长期反馈循环。虚线调节箭头表示社会环境的调节作用。这是一个启发式框架，而不是一个因果模型。

低血糖对痛苦的影响取决于个体的主观认知评估。这种评估与痛苦的即时体验密切相关。这可能解释了客观血糖与痛苦之间经常发现的弱相关性（10），因为客观指标的影响似乎是通过主观感知过滤的。Hypo-RESOLVE研究的结果进一步支持了这一观点，该研究表明，只有主观报告的低血糖事件——甚至“预防”了的低血糖事件——对日常功能和情绪有负面影响，而仅客观记录的事件则没有（25）。这种痛苦状态可能反过来与判断和执行功能的困难有关，这可能导致关键自我管理行为的失误或回避。次优的自我管理最终可能导致血糖控制恶化，而这些恶化的生理指标可能成为新的压力源，重新进入认知评估循环，从而加剧痛苦。这表明痛苦可能不会直接和立即改变血糖，但可能会损害自我管理行为，导致血糖控制恶化——这种效应可能需要数小时到数天才能完全显现（11, 28）。这些相互关系指向了一个潜在的强化循环：“生理信号 → 主观威胁评估 → 痛苦 → 次优自我管理 → 生理恶化。”

社会环境在这个动态过程中起着关键的调节作用。支持性和理解性的社交互动可以减弱威胁评估，增强积极情绪和应对信心，从而缓解恶性循环的强度。相反，充满冲突和压力的互动会直接加剧痛苦，加速心理资源的消耗并加深陷入循环。这表明社会环境作为一个近端情境因素，可以迅速影响情绪体验，从而缓解或加剧与糖尿病相关的心理压力（29）。此外，EMA数据显示糖尿病痛苦与日常行为模式相关。久坐行为与更高的同时痛苦相关（9），表明行为状态可能会影响情绪体验。此外，Hermanns等人（13）发现，基线糖尿病痛苦程度较高与EMA期间几乎所有身体症状的报告增加有关，这表明特质水平的痛苦可能会增加对身体感觉的敏感性，即使该研究没有考察症状与痛苦之间的实时双向关联。

将糖尿病痛苦视为一个动态过程的概念与已建立的理论框架（如交易模型 of Stress and Coping（30, 31）一致并进行了扩展。在这个模型中，潜在的压力源（例如，高血糖读数）首先经过初级评估（例如，“这是一个威胁”），然后是次级评估（例如，“我不知道如何解决这个问题”），从而引发情绪反应（痛苦）。我们的发现通过具体说明这种痛苦的实时行为后果，并强调这些后果（例如，错过胰岛素剂量）如何成为新的压力源，从而创建了上述反馈循环，增加了细节。将社会环境作为关键调节因素的整合与健康行为的社会生态模型一致。

EMA与CGM的整合提供了关于情绪与血糖之间双向、时间滞后的关系的有力见解。例如，Gonzalez等人（10）使用这种方法在1型糖尿病成年患者的多样化样本中阐明了这种关联的方向性。他们的发现表明，血糖失调——特别是高血糖、血糖范围时间较短和血糖波动性增加——先于随后糖尿病痛苦的短期（3小时）增加，而不是相反。虽然研究发现压力（distress）并不能预测随后的高血糖（hyperglycemia），但它与随后几小时内低血糖（hypoglycemia）的时间减少有关，这可能反映了人们对压力的行为反应（例如，增加监测或碳水化合物的摄入）。此外，探索性分析表明，对于使用个人连续血糖监测（CGM）设备的个体来说，血糖（glycemia）与压力之间的联系可能会被放大，这表明实时的血糖反馈可能会提高人们对血糖波动的意识和情绪反应性——这一发现强调了认知评估（cognitive appraisal）在这个动态过程中的作用。这些发现强化了这样一个概念：血糖和压力并不是以简单、同时发生的方式直接关联的，而是通过一个涉及行为和感知的复杂、动态的路径相互作用的——这一观点与上述的动态过程是一致的。

4.3 电子动态监测（EMA）在糖尿病压力监测中的优势与挑战
综合证据表明，电子动态监测（EMA）凭借其实时性、生态性和高密度采样的特点，不仅能够验证传统问卷难以捕捉到的情境-情绪关联，还为糖尿病压力的动态演变提供了重要的理论和实践见解。然而，不同研究中EMA评估协议和测量方法存在显著差异，这给证据整合带来了挑战。此外，关于参与者数据缺失原因的讨论通常较为有限。这种数据缺失可能是非随机的，并且可能与压力状态本身有关，从而可能使结论产生偏差。因此，未来的研究应致力于建立核心结果测量和报告标准的共识，以促进跨研究的综合分析。研究设计还必须优先考虑参与者的体验和依从性，努力在数据质量和研究负担之间取得最佳平衡。

从伦理角度来看，电子动态监测数据收集的密集性和个人化特性需要谨慎考虑。所有纳入的研究都报告获得了各自机构审查委员会的伦理批准，并获得了所有参与者（以及未成年人的监护人）的知情同意。较高的平均完成率（84.1%）表明，总体而言，参与者认为的负担是可以接受的。然而，参与者可能面临的负担、对敏感瞬时数据的隐私担忧，以及通过反复询问负面情绪状态而加剧压力的风险，都是未来电子动态监测研究需要重点关注的伦理问题。研究设计必须通过数据加密、减少问题长度和频率，以及为可能感到压力的参与者提供支持资源，来主动减轻这些风险。

4.4 临床和实际意义
在干预层面，重点可以从单纯降低压力分数转向识别和中断个体化的恶性循环。尽管这些应用前景广阔，但它们代表了未来的研究方向。下一步的关键将是基于这些动态监测数据，设计和测试数字化支持的、即时的适应性干预措施（JITAIs），以实现从动态评估到个性化干预的完整闭环。具体来说，未来的研究可以探索开发嵌入日常生活的即时认知干预工具，以便在患者解读血糖数据时提供准确的认知框架。智能响应系统可以在检测到冲突性社交情境时自动提供情境化的支持资源，缓解社交压力的即时情绪影响。情境感知技术可以用来在识别出的高风险行为时段向患者发送提示，帮助他们克服由压力引起的行动启动困难。这种针对动态过程的精准干预策略为实现高效、个性化的糖尿病心理支持提供了新的途径，有待实证验证。

4.5 局限性与未来方向
这项系统评价存在几个局限性。首先，纳入的研究主要是观察性的。尽管EMA数据揭示了时间序列和潜在的路径，但明确的因果推断需要通过实验或微随机试验设计进一步验证。其次，综合证据存在显著的人群偏差，因为样本主要由西方（如欧洲和北美）地区的1型糖尿病患者组成。尽管1807%的参与者总数对于系统评价来说是合理的，但样本主要集中在这些群体中。这大大限制了我们提出的动态过程在其他人群中的普遍适用性，例如2型糖尿病患者、非西方文化背景的个体、患有其他合并症的老年人以及代表性不足的少数群体。

这些局限性指出了未来研究的几个方向。首先，研究应优先纳入更多多样化和具有代表性的患者群体，以验证和扩展EMA在糖尿病压力研究中的应用，并相应地调整所提出的动态过程。其次，应同时推进方法论创新和临床转化。这包括开发和验证一套适用于研究和实际临床环境的标准化EMA评估工具。第三，基于动态监测数据，未来的工作应优先设计和测试可以嵌入临床工作流程中的数字化支持的、即时的适应性干预措施（JITAIs）。这种方法将有助于实现从动态评估到个性化干预的完整闭环，推动糖尿病护理中的精准心理健康。