基于可穿戴设备与机器学习的无创间质葡萄糖预测数字生物标志物研究

本研究针对连续葡萄糖监测(CGM)设备的侵入性、高成本和寿命限制等问题，开发了一种基于可穿戴设备和机器学习(ML)的无创间质葡萄糖(IG)预测方法。通过整合皮肤温度(STEMP)、血容量脉冲(BVP)等多模态传感器数据，研究人员构建了轻量梯度提升机(LightGBM)算法模型，在健康人群中实现了RMSE 18.49 mg/dL、MAPE 15.58%的预测精度。该研究为个性化低升糖饮食管理提供了创新技术手段，对预防糖尿病及相关代谢疾病具有重要意义。

　　

血糖管理是预防代谢综合征的关键，但传统连续葡萄糖监测(CGM)技术面临三大痛点：植入式传感器的侵入性带来不适感，高昂费用限制普及应用，设备使用寿命短造成资源浪费。更棘手的是，现有非侵入方案多依赖繁琐的饮食日志记录，用户依从性差且数据主观性强。如何突破"有创检测"与"人工记录"的双重桎梏，成为健康管理与慢病预防领域的技术瓶颈。

德国吕贝克大学医学信息学研究所Xinyu Huang团队联合营养医学研究所开展了一项创新研究，通过融合可穿戴传感技术与机器学习算法，首次在健康人群中实现了无需饮食记录的高精度间质葡萄糖(IG)预测。这项发表于《Scientific Reports》的研究，设计了两阶段临床试验：主研究采用标准化膳食干预（混合餐MMT和口服糖耐量OGTT），随访研究模拟真实生活场景。研究人员使用Empatica E4腕带和BiosignalsPlux设备采集皮肤温度(STEMP)、血容量脉冲(BVP)等8种生理参数，结合特征工程和集成特征选择策略(BoRFE)，开发出预测性能优异的LightGBM模型。

关键技术方法包括：1）多模态传感器数据同步采集与插值处理；2）基于32名健康志愿者的交叉膳食干预实验设计；3）融合递归特征消除(RFE)和Boruta算法的特征选择；4）留一受试者交叉验证(LOPOCV)评估框架；5）Clarke误差网格(CEGA)临床准确性分析。

【结果】

数据驱动的相关性消融测试

通过树模型和梯度提升树模型分析发现，皮肤温度(STEMP)、体表温度(BTEMP)与电活动(EDA)的组合(IC2)对餐后血糖响应(PPGR)最具预测力，OGTT干预后R²达0.96。温度模态对混合餐响应更敏感(MDI 0.293)，而EDA对糖耐量试验更重要(MDI 0.327)。

PPGR预测性能

在32名受试者中，基于随机森林(RF)的集成模型在15分钟预测窗口(PH)下达到RMSE 26.83 mg/dL，CEGA分析显示91.49%预测值落在临床可接受区域(A+B)。值得注意的是，仅7.91%数据点属于1级低血糖(<70 mg/dL)，模型对极端值预测存在挑战。

验证测试结果

在5名受试者10天的真实生活数据中，优化后的LightGBM模型将误差降至RMSE 18.49 mg/dL，排除潜在糖尿病前期个体后进一步优化至RMSE 16.89 mg/dL。时间域特征"午夜分钟数"和EDA频谱熵成为最关键预测因子。

特征显著性

通过基尼系数(MDI)分析揭示，体温节律特征与昼夜节律标记("2021年起天数")共同解释15.6%的预测方差，HR特征对低血糖事件预警具有特殊价值(Gain 0.497)。

【结论与意义】

该研究建立了首个基于纯生理参数的无创IG预测框架，其创新性体现在三方面：1）突破性验证温度-自主神经联动机制与血糖波动的非线性关联；2）开发无需人工记录的全自动化预测系统；3）在健康人群中实现媲美商用CGM的精度(MAPE 15.58%)。特别值得注意的是，模型通过HR特征实现了对自发性低血糖(52 mg/dL)的早期预警，这为糖尿病前期筛查开辟了新思路。

局限性在于当前模型主要适用于健康人群，对异常血糖范围的预测仍需优化。未来研究将扩展至代谢异常人群，并探索SHAP值等可解释AI技术来阐明生理机制。这项技术突破为大规模推广个性化营养干预提供了可能，有望改变传统依赖主观记录的血糖管理范式。