综述：2020年至2025年间关于2型糖尿病合并轻度认知障碍的观察性研究中全球研究趋势、数据缺失的报告及处理方法：一项系统综述

《Frontiers in Endocrinology》：Global research trends, reporting and handling of missing data in observational studies of type 2 diabetes mellitus with mild cognitive impairment from 2020 to 2025: a systematic review

　　摘要

背景：在观察性研究中，缺失数据非常普遍，尤其是在伴有轻度认知障碍的2型糖尿病患者（T2DM-MCI）中更为明显，这限制了评估的完成。我们评估了缺失数据的程度、当前的报告和处理方式，以及与T2DM-MCI相关的观察性研究中的主要研究趋势。

方法：从2020年1月到2025年4月，我们对PubMed、Embase和Cochrane Library进行了系统搜索，以识别与T2DM-MCI相关的观察性研究。使用VOSviewer和CiteSpace进行了文献计量学分析，以评估发表趋势、作者、期刊和关键词。根据STROBE和Sterne等人推荐的指南，评估了缺失数据的报告和处理情况，重点关注缺失数据的记录、原因、处理方法和敏感性分析。数据分析使用SPSS 26进行，可视化使用Origin Pro 2024完成。

结果：在4,471条筛选记录中，有88项研究（78篇英文和10篇中文）被纳入分析。在78篇英文文章中，年发表量有所波动，2024年达到峰值。中国机构和作者是研究产出的主要贡献者。糖尿病、代谢综合征和肥胖症的发表量最高（7篇，占8.97%）。关键词识别出五个主题集群：1）静息状态功能性磁共振成像，2）代谢障碍，3）临床评估工具，4）分子机制，5）新兴领域，如肠道微生物组。

缺失数据：只有22.7%（n = 20）的研究对缺失数据进行了量化，平均缺失比例为9.1%。在有缺失数据的研究中（n = 23），52.2%（n = 12）提供了缺失数据的原因，主要原因是数据收集质量差（41.7%）和随访丢失（41.7%）。处理缺失数据的主要方法是完全案例分析（93.3%）。没有研究阐明缺失数据背后的假设机制，仅有4.4%（n = 1）进行了敏感性分析。

结论：在T2DM-MCI领域，COVID-19大流行后的研究结果显示出现了反弹，中国保持了在科学研究产出方面的领先地位。然而，缺失数据的报告仍然不明确，处理此类数据的方法不足，这可能会引入偏差。

系统评价注册：https://doi.org/10.17605/OSF.IO/EZDXM

引言

糖尿病是一种严重的慢性疾病，对个人、家庭和社会产生重大影响。2019年，全球糖尿病患病率估计为9.3%（4.63亿人），预计到2045年将增加到10.9%（7亿人）（1）。作为高度普遍的代谢紊乱，2型糖尿病（T2DM）被认为是认知功能障碍的关键风险因素（2, 3）。大规模流行病学研究表明，T2DM患者的痴呆风险显著高于非糖尿病患者（4, 5）。与糖尿病相关的认知障碍谱系中，轻度认知障碍（MCI）占据重要位置。具体来说，伴有轻度认知障碍的2型糖尿病（T2DM-MCI）是指T2DM患者的认知衰退超过了预期的年龄相关变化，影响记忆、执行功能、注意力或语言等领域。然而，这些患者尚未达到痴呆的诊断标准，他们的基本日常生活能力保持完好（6）。值得注意的是，尽管MCI被视为正常认知状态和痴呆之间的中间阶段，但MCI患者进展为痴呆的风险增加（7）。因此，早期识别和干预MCI至关重要。

近年来，许多观察性研究专注于探索T2DM与MCI之间的关联，分析风险因素、病理特征和潜在的生物标志物。这些研究为临床风险分层和预防策略提供了重要基础。然而，由于参与者中的选择或回忆偏差以及数据收集质量不佳，这些研究经常遇到重大的方法学挑战，特别是关于缺失数据的问题。对复杂的大规模流行病学调查的回顾表明，缺失数据的报告和处理不当仍然普遍存在（8–14）。这些研究的结果可能会引入显著的选择偏差，降低统计功效，并最终扭曲T2DM与MCI之间关联的真实强度和方向（15–17）。尽管缺失数据对结论的可靠性影响显著，但目前关于T2DM-MCI观察性研究中缺失数据模型、机制和处理方法的研究仍不成熟。大多数现有文章仅关注单一统计方法的简单应用（18–20），缺乏对T2DM-MCI领域内缺失数据系统评估和处理策略的深入讨论。因此，系统地评估T2DM-MCI观察性研究中缺失数据的特征并阐明其潜在的影响机制对于提高该领域的研究质量并确保结论的有效性至关重要。本研究旨在通过回顾2020年至2025年间多个数据库中T2DM-MCI观察性研究的缺失数据报告和处理情况来解决这一空白。此外，它还通过文献计量学和可视化分析识别当前的研究热点，为未来高质量观察性研究的标准化设计和数据分析提供基础和指导。

方法

数据来源和搜索策略

我们对2020年1月1日至2025年4月24日期间发表的论文在PubMed、Embase和Cochrane Library进行了全面搜索，以评估T2DM-MCI观察性研究中缺失数据处理的全球化趋势和现状。搜索策略是在哈佛大学图书馆和经验丰富的医学专业人员的帮助下制定的，包括队列研究、横断面研究、病例对照研究、2型糖尿病和认知障碍等关键词。由于无法审查大量记录，我们将搜索范围限制在2020年至2025年的出版物。详细的搜索策略见补充材料1。

研究选择

根据以下标准筛选了识别出的引文的摘要：（i）观察性研究（队列研究、横断面研究、病例对照研究）；（ii）诊断为T2DM-MCI的受试者。我们排除了荟萃分析、随机对照试验、动物研究、研究方案和指南。会议摘要也被排除，因为它们没有提供关于缺失数据处理的足够信息。两位研究人员独立进行了标题和摘要的初步筛选，以及全文的重新筛选。任何争议通过与第三位和第四位研究人员的协商解决。

数据提取和分析

我们提取了以下用于分析的组成部分：研究身份（包括标题、作者、关键词、出版年份和期刊）、研究设计（前瞻性、回顾性或横断面）、数据收集方法、样本大小、主要统计分析方法以及关于缺失数据的信息。缺失数据的处理遵循STROBE和Sterne等人推荐的指南（21, 22）。具体来说，我们应用了STROBE声明中直接与缺失数据相关的条目：条目12c（解释如何处理缺失数据）、条目12e（描述任何敏感性分析）、条目13a（报告研究每个阶段的个体数量，例如，可能有资格的人、经过资格检查的人、纳入研究的人、完成随访的人以及进行分析的人）、条目13b（说明每个阶段不参与的原因）、条目14b（指出每个感兴趣变量的缺失数据参与者的数量）和条目17（报告其他分析，例如亚组分析和交互作用分析以及敏感性分析）。

为了确保透明度和可复制性，我们预定义了一个标准化的数据提取编码方案。缺失数据的程度被分类为“量化”（报告的明确数字或百分比）、“未报告”或“不清楚”。缺失原因被归类为“数据收集质量差”、“随访丢失”或其他。缺失数据的机制根据每项研究中声明的假设进行评估（完全随机缺失[MCAR]、随机缺失[MAR]、非随机缺失[MNAR]或未说明）。处理方法被分类为“完全案例分析”、“多重插补”或其他。敏感性分析记录为“是”（附有描述）或“否”。两位研究人员独立提取了所有数据；分歧通过讨论或与第三位和第四位研究人员的协商解决。

根据这一框架，我们记录了缺失数据点的数量、其原因、处理方法以及是否进行了敏感性分析。此外，我们遵循Sterne等人提出的多重插补报告框架。在多重插补的情况下，我们记录了使用的变量、进行的插补次数、插补过程的评估以及对非正态或分类变量的处理。对于所有观测不完整的变量，我们选择选择缺失的协变量或结果数据的最高值以避免重复计算。如果主要结果的缺失数据程度没有明确说明，我们通过确定纳入分析的参与者数量与注册参与者数量之间的差异来计算。根据缺失数据的报告和处理情况，数据以频率和比例进行了总结，并使用IBM SPSS Statistics 26进行了分析。

文献计量学和可视化分析

本研究使用Origin Pro 2024软件分析年度发表的趋势和比例。此外，提取的数据使用CiteSpace（版本5.7.R5，64位）和VOSviewer（版本1.6.20）进行了分析和可视化。VOSviewer由Waltman等人于2009年开发，是一款免费的基于Java的软件，用于分析大量文献数据并以地图格式呈现（23）。在这项研究中，VOSviewer用于生成可视化图表，以识别最高产出的期刊、作者和高频关键词。为了通过构建文献共引用网络来可视化特定领域的研究结果，Chen Chaomei教授开发了CiteSpace（版本5.7.R5），它利用实验框架探索新概念和评估现有技术（24）。这有助于更深入地了解知识领域、研究前沿和趋势，同时有助于预测未来的研究轨迹。本研究利用CiteSpace来可视化关键词聚类和作者聚类。

文献检索和特征

图1展示了包含研究的流程图。共检索到4,471篇文章，其中去除了731篇重复文章，剩余3,740篇摘要进行筛选。在这些摘要中，有3,631篇文章不符合纳入标准而被排除。这些排除的包括96篇荟萃分析、217篇综述、29项Mendelian随机研究、59项随机对照试验、38个项目、7项临床指南、504项动物实验、232份报告、12份会议记录和2,435篇无关文章。剩余的109篇文章被全文阅读，又有21篇被进一步排除。最终共有88项研究被纳入回顾，其中78篇为英文文章，10篇为中文文章。纳入的研究主要采用横断面设计（70,79.5%），单中心研究占97.7%（n = 86）。数据主要通过问卷调查收集（72,83.3%）。样本量的中位数是194（IQR：108-321），75.0%的研究样本量在100到1,000例之间（表1；图2A）。

图1 研究纳入流程图。

表1 描述

总计（n=88）
研究设计，n (%)
前瞻性 7 (7.9)
回顾性 11 (12.5)
横断面 70 (79.6)
样本量，中位数（IQR） 194 (108-321)
样本量，n (%) <100 17 (19.3)
100-1000 66 (75.0)
>1000 5 (5.7)
研究地点，n (%) 多地点 2 (2.3)
单地点 86 (97.7)
数据收集方法，n (%) 行政数据 11 (12.5)
调查 a 72 (83.3)
混合 5 (5.7)

包括的研究特征。n表示数量；%表示百分比。
包括临床报告表或任何研究问卷。

图2(A) 包含的研究类型比例。(B) 年度发表量趋势图。

我们对最终英文文献进行了可视化分析，包括来自37个国家和地区的78篇文章，这些文章由236个机构的504位作者在49种期刊上发表。自2020年以来，年度发表量总体呈不稳定趋势（图2B）。我们将年度发表量分为三个不同的阶段。从2020年到2022年，在COVID-19蔓延期间，每年发表的文章数量稳定在15篇，表明研究人员对该领域的兴趣持续。在此期间，发表率相对稳定。2023年，随着COVID-19疫情得到控制，人们的生活逐渐恢复正常，发表的文章数量减少到8篇。这一下降表明，在疫情得到控制后的第一年，研究人员对该研究的兴趣减少。然而，到2025年4月，发表数量有所增加，并在2024年达到峰值。这一趋势表明，自2024年以来，该领域受到了更多的关注。作者和期刊共有504位作者对2型糖尿病（T2DM）和轻度认知障碍（MCI）进行了观察性研究。表2列出了过去五年中发表论文的前10位作者，他们均来自中国，包括东南大学附属中和医院、哈尔滨医科大学第一附属医院以及南京医科大学南京鼓楼医院临床学院。其中，前七位作者的最早发表日期都在2020年，这表明他们可能比后三位作者更早开始关注这一领域。作者之间的合作网络（图3A）显示，发表论文数量最多的王少华与随后的六位作者保持着密切的合作关系。这些作者都隶属于东南大学附属中和医院，他们的发表时间主要集中在2020年至2023年之间。张冰和李欣也表现出很强的合作性，他们隶属于南京鼓楼医院。他们的大部分论文发表在2022年，表明这个团队相对较晚才开始关注这一领域。进一步分析合作网络发现，机构内部的合作非常紧密，而跨机构合作仍较为有限。因此，我们倡导不同机构的作者加强合作，以扩大观察性研究的样本量，并为研究结果提供更科学、更有说服力的证据。

表2：排名 作者 论文数量 年份
1 王少华 9 2020
2 张浩强 7 2020
3 安科 7 2020
4 谢天 6 2020
5 施吉晶 6 2020
6 朱文文 6 2020
7 曹武友 6 2020
8 李欣 5 2022
9 余子伟 4 2022
10 张冰 4 2021

图3A：作者之间的合作网络图。（B）期刊发表论文的密度图。

表3和图3B展示了该领域生产力最高的十家期刊。《Diabetes, Metabolic Syndrome and Obesity》杂志发表的论文数量最多（7篇，占8.97%），其次是《Frontiers in Aging Neuroscience》（5篇，占6.41%）、《Journal of Alzheimer’s Disease》（4篇，占5.13%）和《Journal of Diabetes》（3篇，占3.85%）。在这十家期刊中，《Frontiers in Aging Neuroscience》的影响因子（IF）最高，为4.1。所有列出的期刊都被归类为Q1、Q2或Q3级别，《Journal of Magnetic Resonance Imaging》被归类为Q1级别。

通过关键词分析，我们可以全面了解该领域的一般情况和发展方向。利用VOSviewer软件中的关键词共现性分析，我们发现除了T2DM和MCI之外，出现频率最高的关键词还包括阿尔茨海默病（8次）、胰岛素抵抗（5次）、痴呆症（4次）和磁共振成像（4次）（表4；图4A）。我们将关键词进行了聚类，形成了包含119个关键词的五个不同簇（图4B）。簇1（黄色）包含30个关键词，如功能连接网络和白质网络，这些与神经影像学标志物相关；簇2（绿色）包含27个关键词，如胰岛素抵抗、血糖波动、 lipid异常和尿酸指数，这些与各种代谢障碍相关；簇3（蓝色）包含23个关键词，如蒙特利尔认知评估（MoCA）和神经心理测试，主要作为临床评估工具；簇4（深蓝色）包含22个关键词，如氧化应激、脑源性神经营养因子（BDNF）和其他分子机制；簇5（红色）包含17个关键词，主要关注肠道微生物组、半乳糖凝集素-3和其他新兴方向。我们使用CiteSpace软件创建了一个聚类图，可视化研究了热点随时间的变化（图4C）。

图4A：高频关键词网络图。（B）关键词聚类分析时间线图。

我们重点关注了在该领域表现出最强爆发趋势的15个关键词（图5），包括阿尔茨海默病、静息态功能磁共振成像、执行功能、胰岛素抵抗、痴呆症和脑源性神经营养因子。值得注意的是，在过去两年中，nomogram、半乳糖凝集素-3和功能连接密度获得了特别关注。这些关键词代表了当前的研究热点和未来可能的趋势。

为了澄清表5和表6中报告的研究数量之间的关系，我们定义了以下子集：在所有88项研究中，有23项研究（26.1%）明确提到了缺失数据的情况（要么量化了缺失数据的数量，要么指出某些数据缺失）。在这23项研究中，有20项（87.0%）报告了缺失数据的准确数量（平均9.1%，范围1.23–38.1%），其余3项研究虽然承认了数据的缺失但未量化数量；15项研究（65.2%）描述了处理缺失数据的具体方法。值得注意的是，在量化缺失数据的20项研究中，有5项（25.0%）没有进一步描述处理这些缺失值的分析策略，这表明在认识到数据缺失与适当的方法处理之间存在差距。在剩余的65项研究中（73.9%），完全没有提到缺失数据。在承认数据缺失的23项研究中，有14项（60.9%）因为数据缺失而排除了参与者。在这14项研究中，有13项（92.9%）明确报告了被排除的参与者数量；其中1项研究没有提供这一信息。

表5：报告缺失数据的情况。
描述
n (%)
报告缺失数据的数量（N = 88）
是 20 (22.7%)
否 65 (73.9%)
不清楚 3 (3.4%)
报告缺失数据的原因（N = 23）
是 12 (52.2%)
否 11 (47.8%)
报告因缺失数据而被排除的参与者数量（N = 14）
是 13 (92.9%)
否 1 (7.1%)
描述处理缺失数据的方法（N = 23）
是 15 (65.2%)
否 8 (34.8%)
声明缺失数据处理的假设（N = 15）
是 0 (0%)
否 15 (100%)

在88项研究中，有20项（22.7%）报告了缺失数据的数量，65项（73.9%）没有报告，3项（3.4%）承认了数据缺失但未量化数量。在包含缺失数据的23项研究中（包括量化数量的20项和未量化的3项），有12项（52.2%）提供了缺失原因；在因缺失数据而排除参与者的14项研究中，有13项（92.9%）报告了被排除的参与者数量；在这23项研究中，有15项（65.2%）描述了处理方法；在这15项中，没有一项指明假设的缺失数据机制（MCAR、MAR或MNAR）。

表6：处理缺失数据的方法（N = 15）
完整案例分析 14 (93.3%)
多重插补 1 (6.7%)
比较有无缺失数据的个体之间的差异（N = 14）
是 0 (0.0%)
否 14 (100.0%)
进行了敏感性分析以测试结果的稳健性（N = 23）
是 1 (4.4%)
否 22 (95.6%)

对于多重插补（N = 1），只有一项研究根据Sterne等人的指南评估了报告质量。该研究没有说明插补数据集的数量，没有报告插补模型中包含的变量，也没有评估多重插补分析；然而，它描述了非正常和分类变量的处理方法。

表6详细列出了处理缺失数据的方法。在报告处理缺失数据的研究中，完全案例分析是最常见的方法，约93.3%的研究（n = 14）在纳入标准或分析阶段排除了具有缺失数据的个体观察值。在基于数据完整性排除参与者的14项研究中，没有比较有缺失数据和无缺失数据的情况。在23项有缺失数据的研究中，只有1项（4.4%）进行了敏感性分析。使用多重插补的这项研究没有报告插补数据集的数量、插补变量或模型评估。

讨论
本研究首次使用文献计量方法系统地分析了2020年至2025年T2DM-MCI的全球研究模式。结果表明，尽管由于COVID-19的影响，该领域的年度出版物数量有所波动，但自2024年以来研究兴趣显著回升。这一趋势表明学术界对T2DM与认知障碍之间关联的关注度日益增加。中国学者在这一领域占据主导地位，高产的作者和机构主要集中在东南大学附属中和医院。这种集中可能归因于中国庞大的人口规模以及其作为全球糖尿病患者最多的国家。此外，这也反映出中国在代谢和神经退行性疾病跨学科研究中的积极贡献。然而，国际和国内的合作网络仍然有限，这凸显了加强跨机构合作以增强研究多样性和普遍性的必要性。

关键词可以反映一个领域的研究前沿和趋势。我们对关键词进行了聚类分析、共现性分析和爆发趋势分析。总体而言，当前研究领域有三个核心方向：(i) 在MCI的早期诊断中应用神经影像技术，如静息态功能磁共振成像；(ii) 代谢障碍（如胰岛素抵抗和lipid异常）与神经炎症之间的相互作用；(iii) 肠道微生物组和基因多态性对认知功能的潜在影响。值得注意的是，新兴关键词如功能连接密度和半乳糖凝集素-3的爆发趋势表明，未来的研究可能会集中在探索分子机制和进行多组学集成分析上。

总体而言，关于T2DM-MCI的观察性研究中，在缺失数据的报告和处理方面存在显著不足。常见的做法包括报告不充分和模糊，直接排除具有缺失数据的参与者，以及未能评估基于缺失数据得出的结果的稳健性。这些问题在其他领域和各种研究中也很普遍。在一些研究中，没有明确说明数据是缺失的还是完全观察到的，这是许多当代报告中的常见疏漏。缺乏对缺失数据的解释可能会误导读者，并削弱研究结果的关键评估和可重复性。研究中报告的缺失数据平均比例为9.1%，不恰当的处理方式可能会引入显著的偏差。

我们将当前研究方法与Karahalios等人（2012）的先前方法论综述进行了比较。那项研究调查了具有重复暴露测量的队列研究中的缺失数据，发现43%的文章报告了缺失数据的数量，66%使用了完整案例分析。我们的研究结果显示报告率更低（仅22.7%量化了缺失数据），并且更依赖于完整案例分析（93.3%），这表明T2DM-MCI观察性研究中缺失数据的处理问题可能比十年前的普通队列研究更加严重。然而，与之前主要关注纵向设计的研究不同，我们的研究发现，即使在以横断面设计为主的研究中（占纳入研究的79.6%），缺失数据的处理方法仍然不尽如人意。这种在不同研究设计中持续存在的不良报告现象凸显了一个普遍的方法学问题，而且这个问题在过去十年里并未得到改善。纳入研究中的横断面设计占主导地位（79.6%），这对缺失数据的模式和处理策略有着重要影响。在横断面研究中，缺失数据通常是由于在某个时间点问卷填写不完整或测量失败造成的，这往往是由于参与者拒绝参与、项目无响应或行政错误导致的（14）。相比之下，纵向研究面临额外的挑战，如随着时间的推移而出现的脱落和间歇性缺失数据，这可能需要更复杂的方法，如混合效应模型或带有时间变量的多重插补（21）。尽管存在这些差异，我们观察到即使在横断面研究中，绝大多数研究（93.3%）仍然采用完全案例分析方法——这种方法假设缺失数据是完全随机缺失的（MCAR）。然而，在横断面健康调查中，缺失数据通常与观察到的特征有关（例如，年龄较大、教育水平较低或健康状况较差），这违反了MCAR假设，可能会偏差研究结果。因此，在横断面2型糖尿病-轻度认知障碍（T2DM-MCI）研究中依赖完全案例分析尤其令人担忧。未来的研究应该采用更稳健的方法，例如在“随机缺失”（MAR）假设下的多重插补。

我们审查中发现的一个显著问题是，在承认缺失数据与提供分析解决方案之间存在脱节。在20个量化缺失数据的研究中，只有15项（75%）描述了处理缺失数据的方法。这意味着有5项研究（占量化缺失数据研究的25%）明确报告了数据缺失的情况，但没有提供关于如何在统计分析中处理这些缺失值的信息。这种遗漏非常关键，因为读者无法确定报告的结果是基于缩减后的样本（完全案例分析）还是某种形式的插补。即使发现了缺失数据，也没有处理方法，这也代表了提高透明度和可重复性的机会流失。此外，这也增加了选择性报告偏差的风险，因为作者可能在未明确说明的情况下隐含地采用了完全案例分析方法，从而低估了缺失数据对其结论的潜在影响。因此，我们敦促作者遵守STROBE检查清单。

在纳入的研究中，完全案例分析过度依赖于数据处理（93.3%），而其他方法（如多重插补）则很少使用。这一趋势与之前的研究结果一致（41–45），表明实际操作中对现有指南（如STROBE）的遵守程度较低。完全案例分析的应用基于一个假设，即缺失数据是完全随机缺失的（MCAR），意味着缺失数据的存在与观察到的变量和未观察到的变量都无关（46）。因此，完全观察到的样本被认为能够充分代表整个研究人群。然而，随着缺失数据比例的增加，这一假设的有效性会降低；显著的缺失数据不仅会降低统计效率，还会增加由于选择偏差导致的扭曲风险（47）。有趣的是，一些研究根据初始纳入阶段确定的数据完整性标准排除了具有缺失数据的参与者，从而创建了一个“完全观测”的数据集。虽然这种做法可以缓解缺失数据的问题，但如果完全数据组和具有缺失数据的组之间存在系统差异，可能会无意中引入偏差（48, 49）。不幸的是，我们分析中包含的研究没有评估在采用完全案例分析时这两组之间存在差异的情况。此外，无论使用何种缺失数据机制或方法，测试结果对各种替代假设和方法的稳健性是评估偏差的关键指标之一（22, 46）。然而，我们观察到只有少数研究（1.1%）进行了敏感性分析。

多重插补是一种常用的处理数据集中缺失值的统计技术。基于MAR假设，这种假设在许多纵向数据环境中被认为是有效的（50）。根据现有数据的缺失机制和假设，它可以生成可能的值来替换缺失的观测值，从而再现原始数据集的多个完整版本，然后将它们合并成一个结果。填充在多个数据集之间的值是不同的，反映了缺失值的不确定性（51）。与完全案例分析不同，这种方法利用了所有可用的数据，从而最大限度地减少了准确性和统计功效的损失（21, 52）。然而，现有的多重插补指南建议研究人员清楚地描述程序要素，以便后续审查（21）；不幸的是，这些细节在研究中常常报告不足。在审查的研究中，只有一项研究采用了多重插补方法，并且没有充分披露所选的变量、插补变量以及模型评估的细节。

总体而言，关于2型糖尿病-轻度认知障碍的观察性研究显示了较高的缺失数据比例（平均9.1%），同时报告方式模糊且依赖单一的处理方法。

尽管我们使用了CiteSpace和VOSviewer等可视化分析工具，对T2DM-MCI领域的研究进展和全球趋势有了深入了解，但这项研究仍存在几个局限性。首先，本综述结束时纳入的所有研究都是观察性研究，其数量有限，可能无法充分反映该研究领域的整体趋势。其次，由于存在同义词、缩写和全名，关键词聚类可能与实际结果有所不同。因此，对这些结果的解释应谨慎进行。此外，我们没有排除来自同一参与者队列的研究，这可能导致数据和报告的重复或重叠。最后，由于方法学描述模糊，一些研究难以进行全面评估，这可能会掩盖缺失数据的影响。未来的研究应致力于扩大数据库的范围和年份覆盖范围。尽管如此，我们希望本综述中指出的数据缺口能全面反映该领域的现状。

在关于2型糖尿病-轻度认知障碍的观察性研究中，全球研究产出在不同阶段表现出波动，自2024年以来有明显的反弹。中国在研究数量上处于领先地位；然而，缺乏跨机构和国际间的合作。贡献核心研究成果的主要期刊包括《代谢综合征与肥胖》（Metabolic Syndrome and Obesity）和各种Frontiers系列期刊。目前，热门的研究方向包括神经成像、代谢紊乱、分子机制、功能连接密度和半乳糖凝集素-3等。同时，该领域普遍存在报告不足和缺失数据处理不精确的问题。许多研究要么未能处理缺失数据，要么排除了大量具有缺失信息的参与者。用于管理缺失数据的方法往往相对简单且不标准化，大多数研究忽略了对其结果稳健性的评估，从而显著增加了偏差的风险。