综述:非侵入性测量技术与机器学习在血脂监测中的应用:系统综述

《Archives of Gynecology and Obstetrics》:Lipid monitoring using non-invasive measurement technologies and machine learning: a systematic review

【字体: 大 中 小 】 时间:2026年02月01日 来源:Archives of Gynecology and Obstetrics 2.6

编辑推荐:

  背景:心血管疾病(CVD)是女性死亡的主要原因,绝经后风险增加。血脂水平是关键生物标志物,然而传统血液检测具有侵入性且利用率不足。非侵入性技术和机器学习(ML)可能为使用可穿戴设备和生物传感器的血脂监测与风险评估提供新方法。 目的:本系统综述探讨成人中微创和

  
背景:心血管疾病(CVD)是女性死亡的主要原因,绝经后风险增加。血脂水平是关键生物标志物,然而传统血液检测具有侵入性且利用率不足。非侵入性技术和机器学习(ML)可能为使用可穿戴设备和生物传感器的血脂监测与风险评估提供新方法。

目的:本系统综述探讨成人中微创和非侵入性血脂监测方法及基于ML的心血管风险评估的可获得性、准确性和临床适用性。

方法:在MEDLINE、Embase、Cochrane Library、Web of Science、Scopus和ClinicalTrials.gov(2010–2024年)中进行了系统检索。纳入英文研究;排除病例报告和动物研究。数据提取聚焦于设备、测量方法和对心血管结局的预测效用。方法学异质性通过叙述性综合和主题分组加以处理(Thomas in Cochrane Handb Syst Rev Interv, 2024)。

结果:从14,863条记录中,纳入37项研究。近红外、唾液基和智能手机指尖设备显示出有前景的准确性。使用可穿戴设备衍生生理数据的ML模型在预测心血管风险和血脂水平方面表现出中等成功。

结论:微创和非侵入性血脂监测及基于ML的风险预测可能支持可及、个性化的心血管风险管理。尽管发现令人鼓舞,但在临床采用前,必须在大规模、长期研究中加以验证。

试验注册:标题注册号(PROSPERO):CRD420251105896
**引言**:高胆固醇血症,尤其是低密度脂蛋白胆固醇(LDL-C)升高,是心血管疾病(CVD)的重要驱动因素。CVD仍是全球首要死因,2022年约1980万人死于CVD,占全球死亡总数的32%,其中85%源于心脏病发作和中风。女性在绝经后CVD成为主要死因,凸显早期检测与预防的重要性。现有的心血管风险评估模型如ESC SCORE2依赖总胆固醇(TC)和高密度脂蛋白胆固醇(HDL-C)等血液标志物,需侵入性采血,且常忽视生活方式因素及性别特异性风险。绝经后雌激素下降与血管弹性降低、内皮功能障碍、氧化应激及血脂谱不良改变相关,促进慢性炎症和动脉粥样硬化。因此,需要微创或非侵入性、可及且连续的风险评估方法,以增强早期检测和个体化管理。

**方法**
**研究方案**:本系统综述方案已在PROSPERO注册(注册号:CRD420251105896),遵循PRISMA 2020指南。原始内部方案仅包含2022年初始检索,在完成综述前于2024年进行了更新检索,并记录于PROSPERO以确保纳入最新证据。
**检索策略**:遵循Cochrane指南和PRISMA 2020报告标准,在MEDLINE All (Ovid)、Embase (Ovid)、Cochrane Library (Wiley)、Web of Science Core Collection (Clarivate)(含SCIE和ESCI)、Scopus (Elsevier)及ClinicalTrials.gov中进行系统检索。检索策略基于受控词汇(如MeSH、Emtree)和自由词,涵盖心血管疾病、风险评估、血脂和可穿戴技术。首次检索于2022年9月,更新于2024年5月。由于主题范围广泛,本综述被分为血压评估和血脂状态两篇独立出版物,本文仅报告血脂相关研究。
**术语与机器学习概念定义**:非侵入性方法无需穿透皮肤或提取体液;微创方法涉及轻微组织干扰,如指尖采血或唾液收集。常用机器学习(ML)概念包括:随机森林等集成方法通过聚合弱模型改善性能;支持向量机(SVM)通过最大化类别间边界的决策边界进行分类;K近邻(KNN)基于邻近数据点的多数类分配标签;极限梯度提升(XGBoost)是面向结构化临床数据集的高性能梯度提升框架;长短期记忆网络(LSTM)是适用于可穿戴信号等序列数据的循环神经网络;广义线性模型(GLM)包括逻辑回归,常作为基线比较器;堆叠模型通过元模型组合多个基学习器。时间序列预测中,自回归积分滑动平均(ARIMA)模型有时与更复杂的神经架构比较。弗雷明汉风险评分(FRS)是传统的10年CVD风险计算器。受试者工作特征曲线下面积(AUC)反映模型区分能力,0.5-0.7为可接受,>0.8为良好,>0.9为优秀。平均绝对误差(MAE)和均方根误差(RMSE)量化预测误差。敏感性和特异性分别描述正确识别阳性和阴性病例的比例。准确率反映整体正确分类比例但不适合不平衡数据集。Brier评分评估预测概率的准确性和校准度。
**纳入和排除标准**:纳入评估可穿戴设备测量血脂、评估可穿戴数据对心血管风险和血脂谱预测价值的研究,以及2010年至2024年5月1日发表的英文原创研究、预印本和系统综述。排除动物研究、非英文研究、病例研究和非同行评议文章。
**筛选和数据提取**:标题和摘要筛选在Covidence中由独立评审者按照双控制原则进行,全文筛选依据既定资格标准。数据提取由两名独立评审者完成,记录设备类型、测量方法、与传统血脂测量的验证一致性及心血管风险评估的预测效用。由于多数论文报告相关系数和MAE,采用这些值进行可比性分析。鉴于研究间显著的临床和方法学异质性,采用叙述性综合和亚组考虑予以处理,遵循Cochrane手册指南。
**质量评估**:使用Cochrane随机试验偏倚风险工具和纽卡斯尔-渥太华量表评估观察性研究。
**检索日期和时间线**:最后一次文献检索于2024年5月1日。由于检索结果量大(去重后14,863条记录),筛选和数据提取阶段耗时显著,反映了综述的方法学严谨性。

**结果**:初始检索于2022年9月,更新至2024年5月1日。共识别22,903条记录,去重后剩余14,863条。针对整体项目进行联合筛选,获得289篇全文研究。其中37篇符合血脂监测的预设标准,构成当前综述的数据集。所有分析、叙述性综合和偏倚风险评估均针对这37项血脂相关研究。
**偏倚风险评估**:37项研究的方法学异质性显著。使用红外传感器、唾液生物传感器或智能手机电化学设备的原型研究通常因样本量极小、便利抽样、参与者选择报告有限以及缺乏盲法或标准化结果评估而具有高或不明确的偏倚风险。观察性和ML研究显示中度偏倚,常见问题包括志愿者队列、自我报告诊断、混杂控制不足和外部验证有限。少数大型注册研究偏倚较低,但普适性有限。
**胆固醇测量的创新方法**:胆固醇测量方法可分为侵入性、微创和非侵入性。当前金标准仍为侵入性血液采样及实验室酶法检测TC、LDL-C、HDL-C和甘油三酯(TG)。微创方法利用唾液或泪液等替代体液,通过生化或酶促过程检测脂质相关生物标志物。非侵入性技术旨在通过外部生理测量估计血脂谱。
**红外/皮肤传感器**:多种非侵入性胆固醇检测方法使用红外(IR)和近红外(NIR)光谱(波长700–1400 nm),其中850 nm、940 nm和1200 nm被确定为评估胆固醇最有效的波长。Ahniar等人(2022)提出一种NIR传感器原型,通过皮肤组织检测血流变化,在20名参与者中达到98.54%的准确率,但性能受手指厚度和元件公差影响。Darmawan等人(2022)开发了基于物联网(IoT)的非侵入性设备,可同时测量体温、尿酸、胆固醇和血糖,胆固醇测量准确率为91%,但传感器信号干扰和对多生物标志物同时测量的最佳IR波长界定不足限制了其临床适用性。
**唾液传感器**:唾液作为一种微创胆固醇检测的体液受到关注,其采集简单且无痛,但胆固醇浓度较低(10–320 μM,而血清中<5.17 mM)对准确测量构成挑战。Eom等人(2020)开发了基于铂纳米簇(Pt-NCs)的酶电化学生物传感器,可检测高脂血症患者低至2 μM的浓度,但仍需进一步验证。Vinoth等人(2023)引入了便携式微流控传感器,支持无线传输和唾液中包括胆固醇在内的多种生物标志物同步检测。这些创新凸显了基于唾液的即时检测系统潜力,但临床适用性仍有待确定。
**智能手机集成设备**:智能手机集成设备可从指尖毛细血管血测量胆固醇和TG,适用于静脉采血不切实际且需频繁监测的患者。Wang等人(2019)开发了集成于智能手机的小型电化学分析仪,处理一次性试纸信号并显示结果,可与医疗提供者共享。Fu等人(2018)提出了用于TC检测的类似系统,仅需一滴指尖全血。两项研究均显示与标准实验室分析仪在健康和血脂异常参与者中具有良好一致性。Oncescu等人(2014)提出了一种智能手机比色法,酶促反应在试纸上产生可见颜色变化,校准反应时间可提高准确率,在生理范围(140–400 mg/dl)内将偏差降至1.8%。这些发现表明,智能手机集成设备虽非完全非侵入性,但可扩大血脂检测可及性并支持患者自我监测。
**机器学习**:医疗保健领域正经历数字化转型,数字健康和物联网(IoT)概念与可穿戴技术的进步相结合,可连续监测心率变异性、体力活动、睡眠、血氧饱和度等生理信号。ML的并行发展可从异质性纵向数据集中提取复杂模式,支持个性化风险预测和早期疾病检测。可穿戴传感与ML的结合为个体化、主动式健康管理提供了机会。
**机器学习用于心血管风险预测**:在心血管研究中,ML已广泛应用于改善风险预测、促进早期检测和个性化预防策略。随机森林、支持向量机、深度神经网络和集成学习等技术已优于传统风险评分。Kim等人(2021)利用韩国国家健康与营养调查数据开发CVD预测模型,并针对智能手表用户调整,显示可穿戴兼容指标结合ML具有强预测性能。Himi等人(2023)开发的“MedAI”移动健康应用体现了智能手机和可穿戴预测模型的扩展。Alaa等人(2018)的早期框架“AutoPrognosis”使用电子健康记录但未包含实时生理信号。Chen等人(2023)指出大多数AI驱动的冠状动脉疾病预防模型依赖于常规临床变量。近期研究开始整合可穿戴衍生特征:Huang等人(2022)使用心率变异性和体力活动增强集成ML模型;Liu等人(2022)通过堆叠技术改进预测。然而,从可穿戴数据估计血脂等代谢生物标志物仍处于早期阶段。Seto等人(2020)应用人口统计学和生活方式变量预测心血管危险因素,对血脂的预测成功有限。Akyea等人(2020)采用监督式ML模型改善初级保健中家族性高胆固醇血症的检测,性能优于传统诊断标准,但仍依赖实验室测量的血脂值,表明完全非侵入性预测仍难以实现。Krishnamoorthy等人(2024)等首批探索性研究尝试直接预测血脂参数,但准确性不足。
**基于可穿戴设备血脂风险预测的关键研究**:Qi等人(2020)探讨了特定桡动脉脉搏波变量与臂踝脉搏波速度(Ba-PWV)结合是否可作为代谢危险因素(包括血脂水平)的指标并改善高血压预测。该研究分析了523名参与者的队列,测量桡动脉脉搏波和Ba-PWV以及血液生物标志物。多个脉搏波参数与血脂谱显著独立相关,表明脉搏波形的不同成分可能反映不同代谢过程。该研究未包含ML或预测确切血脂浓度,但提供了非侵入性捕获的血管信号可作为代谢健康筛查补充指标的证据。Zhou等人(2022)研究消费级可穿戴设备的高分辨率心率数据能否预测心脏代谢风险标志物,重点为血脂谱。参与者佩戴设备连续记录心率,实验室评估提供血脂面板。使用随机森林模型按活动状态分层分析,静息状态数据产生最高预测准确率,表明静息生理信号可能比活动记录更好地捕获与血脂相关的自主神经模式。尽管准确率未达到临床阈值,该研究提供了被动心率监测结合ML有助于非侵入性血脂风险评估的早期证据。Lim等人(2018)在“SingHEART/BioBank”研究中调查了233名健康参与者,Fitbit Charge HR设备记录步数和心率四天,结合血脂谱、空腹血糖(FPG)、血压、人体测量、生活方式问卷、心脏成像和脂质组学分析。静息心率(RHR)与BMI、腰围、血压、TG和FPG正相关,而与LDL-C、HDL-C或TC的关联不一致。每日步数与主要健康指标的相关性有限,主要是男性中较高活动量与较低BMI、腰围和TG相关。亚组分析发现步数与鞘脂减少相关。该研究未尝试血脂预测,但显示消费级可穿戴设备可为心脏代谢健康的生理和脂质相关方面提供有价值的信息。Ballinger等人(2018)使用“DeepHeart”半监督深度学习模型,基于超过14,000名参与者的可穿戴数据(心率、步数和活动水平)估计胆固醇水平。模型结合生理信号和临床信息进行诊断预测,即使无预训练,其表现也优于逻辑回归等传统基线,高胆固醇分类的AUC为0.67。通过半监督训练策略,胆固醇检测的准确结果达到AUC 0.74。值得注意的是,胆固醇与心率变异性的直接关联在所有健康状态中最弱,表明性能部分依赖于年龄、性别或用药等间接指标。该模型还能自信地将许多参与者分类为低风险,表明可减少不必要的随访检测。尽管仍需改进,该研究提供了可穿戴衍生信号结合先进ML支持非侵入性心血管和代谢风险筛查的早期证据。

**讨论**:新兴技术正在重塑非侵入性心血管风险评估和血脂监测。基于IR和NIR光谱的非侵入性胆固醇传感器可能提高用户便利性和监测频率,但传感器校准、信号干扰和组织变异性等挑战仍限制临床适用性。基于唾液的微创方法提供了一种患者友好的替代方案,但证据仍不充分,唾液和血清脂质水平之间的相关性需要通过更大规模、标准化的临床研究进一步验证。与此同时,包括智能可穿戴设备、ML和人工智能(AI)在内的数字健康技术正在迅速改变心血管风险评估。迁移学习(TL)等策略为数据有限情况下改善模型性能提供了方法。Damre等人(2022)开发的智能可穿戴设备将可穿戴技术与自适应ML算法相结合,持续监测生命体征并识别个体基线模式的偏差,提供健康建议以促进早期干预。然而,非侵入性血脂监测和基于ML的血脂预测的临床转化仍然有限,多数方法处于临床前或早期验证阶段,少数达到监管批准所需的临床测试水平。可穿戴数据在血脂预测中的应用在很大程度上仍未被探索,现有ML模型常缺乏临床使用所需的稳健性和可重复性。在讨论的研究中,已发现
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号