基于Bergman最小模型的代谢特征神经网络无创血糖监测技术

为解决无创连续血糖监测技术临床验证数据不足、个体差异大的问题，来自中国的科研团队创新性地将Bergman最小模型(BM-NCGM)与神经网络相结合，通过代谢特征预测细胞胰岛素介导的葡萄糖摄取率和餐后葡萄糖梯度变化(dG/dt)。该研究纳入161名受试者，收集超1.5万组数据，结果显示预测准确率(CEG A区77.58%)、相关系数(0.85)等指标较传统方法提升超32%，动态时间规整算法证实其优异的血糖谱追踪能力(平均距离21.80)。

　　

在血糖监测领域，传统无创技术长期受困于统计模型的样本局限性。这项突破性研究巧妙融合了Bergman最小模型(Bergman minimal model, BM)的生理学优势与人工智能的计算能力，开创性地构建了双输入神经网络：一方面通过代谢特征预测细胞胰岛素介导的葡萄糖摄取率，另一方面精准捕捉餐后葡萄糖梯度变化(dG/dt，单位mg/(dL×min))。研究团队特别关注葡萄糖梯度、胰岛素作用及消化过程的三维动态影响，使BM-NCGM系统能像"代谢侦探"般实时追踪血糖波动轨迹。

大规模临床试验数据令人振奋：超过15,000组有效数据验证显示，该系统预测血糖的CEG A区占比达77.58%，A+B区覆盖率高达99.57%。关键指标全面突破——相关系数飙升至0.85，均方根误差(RMSE)控制在1.48 mmol/L，平均绝对相对误差(MARD)仅11.51%，性能较传统方法提升超32%。动态时间规整算法绘制的血糖谱相似度图谱显示，预测值与参考值平均距离仅21.80，证实该系统具备临床级追踪精度。

这项研究首次将Bergman最小模型成功应用于无创监测领域，犹如为血糖监测装上了"生理学导航系统"。其创新之处在于突破性地整合了：1）葡萄糖动态梯度特征；2）胰岛素敏感性参数；3）餐后消化动力学。临床试验注册号ChiCTR1900028100的研究成果，标志着无创血糖监测技术向日常化应用迈出关键一步。