利用紫外-可见光谱技术通过尿液分析进行无创糖尿病监测

《Journal of Spectroscopy》：Noninvasive Diabetes Monitoring Through Urine Analysis Using UV-Vis Spectroscopy

　　摘要

糖尿病（DM）是一种慢性代谢紊乱疾病，其特征是胰岛素分泌或利用受损。传统的葡萄糖监测方法，包括基于血液的检测方法（如HbA1c测试），具有侵入性，并可能降低患者的依从性。因此，开发非侵入性的分析方法具有重要的临床意义。本研究在方法比较框架内，探讨了使用紫外-可见光（UV-Vis）光谱法通过尿液样本估计血糖水平的可行性。分析了标准葡萄糖溶液以及来自糖尿病和非糖尿病个体的尿液样本，以建立校准和预测模型。观察到葡萄糖的特征吸收区域位于276.0至289.5纳米之间，校准模型表现出优异的线性（R2 = 0.9996）。尿液吸收值与参考血糖测量值之间的相关性呈指数趋势（R2 = 0.9981）。基于一致性的评估显示，平均绝对偏差（MAD）为0.047毫米摩尔/升，均方根误差（RMSE）为0.068毫米摩尔/升，表明在生理血糖范围内预测误差较低。根据ICH指南评估的仪器灵敏度，检测限（LoD）为1.87 × 10^-7毫米摩尔/升，定量限（LoQ）为5.66 × 10^-7毫米摩尔/升。经过500倍稀释后，基于尿液吸收值的分类结果显示出与SI单位下的空腹血糖标准一致的趋势。这些发现为UV-Vis光谱法作为基于尿液的葡萄糖评估的微创筛查方法的分析可行性和方法学一致性提供了初步证据。

1. 引言

糖尿病（DM）是一种慢性代谢紊乱疾病，由身体无法产生足够的胰岛素或有效利用胰岛素引起[1, 2]。确定糖尿病状态的标准诊断方法是通过HbA1c测试进行常规血糖监测，该方法被认为是糖尿病诊断的金标准。HbA1c测试测量过去3个月内与葡萄糖结合的血红蛋白的平均百分比，在临床和基于生物标志物的研究中被广泛认为是长期血糖控制的可靠指标[3, 4]。当HbA1c值超过6.5%时，患者被诊断为糖尿病，而5.7%至6.4%之间的值表示糖尿病前期[5]。糖尿病已成为一个严重的全球健康挑战，2021年全球有超过5.37亿成年人受到影响，据全球流行病学分析和IDF估计，到2030年这一数字将上升至6.43亿[5, 6]。在印度尼西亚，糖尿病的患病率在东南亚地区最高，2021年报告有1950万例，预计到2045年将增加到2860万例[6, 7]。这些参考文献包括临床研究、生物标志物评估和大规模流行病学报告，根据它们在本研究中的具体相关性进行了引用。由于糖尿病的严重并发症（包括心血管疾病、肾衰竭和神经病变），管理糖尿病需要认真对待，这些并发症大大增加了医疗负担并降低了生活质量[5, 8]。2021年，约有670万成年人死于糖尿病或其并发症[5, 9]。一个主要挑战是许多患者在早期阶段未被诊断出来，这主要是由于缺乏常规筛查，以及传统检测方法的成本障碍和效率低下[10, 11]。定期监测血糖水平对于管理疾病进展至关重要[12]。目前，葡萄糖测量通常通过侵入性和非侵入性方法进行[13]。侵入性方法，如血糖仪或连续葡萄糖监测（CGM），可能会引起疼痛并带来感染风险[14, 15]。相比之下，非侵入性技术被认为更安全、更方便，因为它们消除了痛苦的程序并鼓励更频繁的检测[14, 16]。然而，大多数现有的监测方法仍然依赖于侵入性方法，限制了患者在常规糖尿病护理中的舒适度[17, 18]。近年来，非侵入性葡萄糖监测因其潜在的革命性作用而受到越来越多的关注，特别是用于检测唾液或尿液等生物流体中的葡萄糖[19, 20]。已经研究了几种光谱技术，包括近红外光谱[20]、拉曼光谱[21, 22]、傅里叶变换红外（FTIR）[1]和光声光谱[19, 23]。尽管如此，尽管UV-Vis光谱法在成本、简单性和快速分析方面具有优势[24, 25]，但其应用于尿液中葡萄糖检测的研究仍然很少。尽管已经研究了多种用于非侵入性葡萄糖检测的光谱方法，但大多数方法都集中在血液或唾液样本上。然而，尿液是一种容易获取且完全非侵入性的生物流体，在常规糖尿病筛查中具有巨大潜力，但在此背景下尚未得到充分利用。因此，本研究旨在探讨使用UV-Vis光谱法分析尿液吸收光谱以预测葡萄糖浓度和分类糖尿病状态的可行性。本研究设计为方法比较可行性调查，而不是主要分析验证研究。因此，重点在于与已建立的生化分析仪相比，评估分析一致性和临床相关性。具体来说，该研究旨在建立尿液光谱特征与血糖水平之间的相关性，提供实验证据，支持UV-Vis光谱法作为一种经济高效、快速可靠的非侵入性方法，用于早期糖尿病检测。这项研究的结果有望促进可访问的诊断方法的发展，减少患者不适，并促进临床和社区医疗环境中的大规模糖尿病监测。

2. 材料与方法

2.1 材料与制备

本研究使用的材料包括分析级D-葡萄糖粉末（纯度≥99.99%，Merck）、蒸馏水和人尿液样本。将D-葡萄糖标准品溶解在蒸馏水中，制备浓度为5%、10%、15%和20%的校准溶液。这些标准溶液用于构建校准曲线，将吸收强度与已知葡萄糖浓度联系起来，并确定尿液基质中葡萄糖的特征吸收波长。尽管本研究未使用NIST或JRC等机构提供的认证参考材料（CRM），但使用高纯度的分析级D-葡萄糖确保了初步分析评估的充分可追溯性。建议在未来的研究中结合CRM进行验证，以实现全面的计量标准化。尿液样本来自糖尿病和非糖尿病患者。在禁食7-8小时后收集晨尿（第一次排尿），以最小化与近期饮食摄入相关的变异性。共分析了20个样本，其中10个样本来自通过临床记录确认的糖尿病患者（HbA1c值），10个样本来自非糖尿病患者。每个尿液样本的体积在10至20毫升之间，使用蒸馏水稀释500倍，以确保最佳的光谱清晰度并防止在UV-Vis测量期间检测器饱和。本研究获得了乌达亚纳大学医学院研究伦理委员会的伦理批准（伦理批准编号：/UN14.2.2.VII.14/LT/2025）。所有参与者在样本收集前均提供了知情同意。

2.2 特性分析

主要分析仪器是Shimadzu UV-1800 UV-Vis分光光度计。光谱特性分析分为两个连续阶段进行：

2.2.1 第一阶段：标准校准和光谱识别

扫描标准D-葡萄糖溶液（5%、10%、15%和20%）以及添加了相应葡萄糖浓度的尿液样本，以确定葡萄糖的特征吸收峰。然后构建线性回归模型，描述葡萄糖浓度与识别波长处的吸收强度之间的关系。

2.2.2 第二阶段：尿液样本测量和相关性分析

扫描十个稀释后的尿液样本，以获得特征葡萄糖吸收区域的吸收值。这些吸收值随后与侵入性血糖测量值相关联，从而开发出非侵入性预测模型。

2.3 仪器校准和重复性

为了确保测量的重复性并减少仪器相关的变异性，在加热Shimadzu UV-1800分光光度计至少30分钟后进行所有光谱扫描。在每批测量之前使用蒸馏水进行基线扫描。使用制造商推荐的氧化钬标准物进行波长校准，并使用蒸馏水检查基线吸收稳定性。对于每个样本，记录三次连续扫描，使用平均光谱进行分析。重复扫描的标准偏差作为短期重复性的估计。此外，在每次测量开始和结束时重新测量标准D-葡萄糖校准曲线（5%–20%），以监测仪器漂移，在整个实验过程中未观察到系统漂移超过2%。

2.4 检测限（LoD）和定量限（LoQ）

根据临床和实验室标准协会（CLSI）EP17-A2指南中关于检测能力的原则估计LoD和LoQ，这些指南被广泛认为是评估实验室测量程序分析灵敏度的标准框架。计算使用表达式LoD = 3.3σ/S和LoQ = 10σ/S进行，其中σ表示在相同仪器条件下在282.5纳米处获得的空白吸收测量的标准偏差（n = 10），S是校准曲线的斜率（925.35毫米摩尔/吸收单位）。这种方法基于光谱分析中常用的信噪比估计策略，在数学上类似于ICH Q2（R1）中描述的公式，从而确保与既定的分析实践一致，同时符合CLSI推荐的验证原则。

2.5 分析验证框架

尽管本研究设计为方法比较可行性调查，但关键的分析性能特征是根据CLSI指南进行评估的，以确保方法学的严谨性和透明度。精度根据CLSI EP05-A3通过重复测量进行评估，并表示为相对标准偏差（%RSD）。线性根据CLSI EP06-A使用校准曲线和回归分析在测试浓度范围内进行评估，包括拟合优度参数的评估。检测能力，包括LoD和LoQ，根据CLSI EP17-A2原则使用空白测量的标准偏差和校准曲线的斜率进行估计。需要强调的是，这项研究并不构成完整的监管验证，而代表了方法比较框架内的初步分析可行性评估，重点是基于一致性的评估和实际分析适用性。

3. 结果与讨论

使用UV-Vis分光光度计对四种标准D-葡萄糖溶液（浓度分别为5%、10%、15%和20%，相当于55.51、111.02、166.53和222.03毫米摩尔/升）进行了筛查，以确定葡萄糖的特征吸收波长并确定每个浓度水平的吸收值。结果如图1所示。图1展示了标准D-葡萄糖溶液的UV-Vis吸收光谱，其中吸收强度（a.u.）作为波长（nm）的函数绘制。对于葡萄糖溶液，特定波长处的吸收峰表示葡萄糖表现出最大光吸收的区域。这个峰被称为葡萄糖的特征吸收带。如图1所示，在282.5纳米处始终观察到一个最大吸收峰。这个波长位置被认为是葡萄糖的特征波长，吸收值与浓度成比例增加。λ = 282.5纳米处的标记位置位于282–285纳米的波长范围内，这已在多项研究中报告为葡萄糖或其衍生物的吸收区域[24, 26–28]。标准D-葡萄糖溶液在5%、10%、15%和20%浓度下的吸收强度值分别为0.0243、0.0820、0.1413和0.2044。吸收峰源于紫外线与葡萄糖分子中的π键的相互作用，特别是与羰基或羟基相关的键。根据这些数据，随后构建了回归图来检查标准D-葡萄糖浓度变化与吸收值之间的关系，如图2所示。回归分析用于确定相关系数和描述葡萄糖浓度与吸收之间关系的线性方程。然后使用该系数根据尿液样本的吸收测量值估计葡萄糖浓度。

基于图2，可以观察到标准D-葡萄糖溶液浓度的增加伴随着特征峰处吸收值的线性增加，遵循以下线性方程：

根据图2，吸收强度与葡萄糖浓度之间的关系可以用线性回归方程表示，其中xabs表示特征波长处的吸收值，ycon表示标准D-葡萄糖溶液的浓度。该方程用于预测尿液样本中的葡萄糖浓度（mmol/L）。回归线的相关系数R2 = 0.9996。R2的值非常接近1，表明线性回归模型几乎可以完全解释吸光度数据的变化。基于空白值的变异性（σ = 5.23 × 10^-5 a.u.），计算得到的LoD和LoQ分别为1.87 × 10^-7 mmol/L和5.66 × 10^-7 mmol/L，这表明在受控测量条件下仪器具有高灵敏度。D-葡萄糖是一种稳定的葡萄糖形式，广泛用于实验室应用，包括尿液分析中的生物标志物鉴定。在本研究中使用D-葡萄糖是必要的，因为D-葡萄糖在紫外-可见光谱法分析时提供独特且可重复的吸光信号。向尿液样本中添加标准D-葡萄糖溶液是为了验证鉴定方法并监测尿液基质中葡萄糖浓度的变化。通过比较三种光谱来鉴定尿液中葡萄糖的特征光谱峰：（i）标准D-葡萄糖溶液，（ii）原始尿液样本，以及（iii）添加了D-葡萄糖标准的尿液样本。这种比较可以评估葡萄糖的添加是否影响特征吸光峰的位置和强度。比较结果如图3所示。

图3 (a) 显示了蒸馏水、标准D-葡萄糖溶液、尿液以及加入0.1 mL标准D-葡萄糖溶液后的尿液的光谱。从紫外-可见光谱仪在200–800 nm波长范围内扫描得到的尿液光谱在200–300 nm区域显示出显著的吸光峰。在这个属于近紫外区域的范围内，峰值出现在286.0 nm的波长位置。这个峰值位置与标准D-葡萄糖溶液的最大吸光峰（282.5 nm）略有不同。当尿液中加入标准D-葡萄糖溶液时，扫描结果显示标记物的最大吸光峰向标准D-葡萄糖溶液的最大吸光峰移动。加入标准D-葡萄糖溶液后的尿液的最大吸光峰出现在λ = 284.0 nm。284.0 nm的值是两个初始峰值（282.5 nm和286.0 nm）之间的折中，代表了两种物质（即尿液和葡萄糖）光谱的相互作用或叠加结果，从而导致中间位置的移动。如图3(b)所示，随着标准D-葡萄糖浓度的增加（5%、10%、15%和20%，分别对应55.51、111.02、166.53和222.03 mmol/L），尿液的最大吸光峰值也随之增加。这种吸光值的增加是因为更多的葡萄糖分子与紫外线相互作用，而纯尿液加入标准D-葡萄糖时最大吸光峰的移动很可能是由于葡萄糖与尿液中的成分发生化学相互作用，影响了溶液的光谱特性。葡萄糖可以与尿液中的其他化合物（如蛋白质、尿素或金属离子）反应或相互作用，形成具有不同吸光峰的复合物。这一发现与FTIR光谱研究结果一致，后者表明将葡萄糖添加到生物样本（如尿液）中可以改变某些化合物的吸收带，特别是蛋白质和其他有机成分[24]。尿液是一种复杂的混合物，含有各种有机和无机化合物。当加入葡萄糖时，分子相互作用（如氢键或溶剂环境的变化）可以改变葡萄糖或其他化合物的电子分布，从而导致最大吸光波长的移动。这种现象被称为红移（向较长波长移动）或蓝移（向较短波长移动），具体取决于移动的方向。这种移动通常是由于化学环境的变化，如溶剂极性或氢键[29, 30]。使用紫外-可见光谱仪对10个尿液测试样本进行筛查的结果如图4所示。

图4显示了用紫外-可见光谱仪扫描的10个尿液样本的光谱。所有尿液样本的光谱形状相似，并且与标准D-葡萄糖溶液的光谱相当，吸光峰出现在λ = 276.0–289.5 nm的波长区域。在这个特征波长区域测得的尿液最大吸光值可以通过应用表1中给出的线性回归方程来计算尿液中的葡萄糖浓度。

表1 使用校准标准得出的回归模型计算出的预测葡萄糖浓度（y = 925.35x + 34.21，单位为mmol/L）。
| 序号 | 尿液样本名称 | 性别 | 年龄 | 吸光峰位置（λ）（nm） | 吸光度（x） | 预测尿液葡萄糖（mmol/L） | 参考血液葡萄糖?（mmol/L） |
|------|---------|------|-----------|-----------|-----------------|-------------------|
| 1 | 尿液1 | 女性 | 52 | 278.0 | 0.1810 | 1.01 | 8.60 |
| 2 | 尿液2 | 男性 | 54 | 284.0 | 0.1778 | 0.99 |
| 3 | 尿液3 | 男性 | 57 | 276.5 | 0.1058 | 0.66 |
| 4 | 尿液4 | 男性 | 50 | 276.0 | 0.0924 | 0.60 |
| 5 | 尿液5 | 男性 | 50 | 281.5 | 0.0899 | 0.59 |
| 6 | 尿液6 | 女性 | 30 | 283.0 | 0.0889 | 0.58 |
| 7 | 尿液7 | 女性 | 28 | 282.5 | 0.0763 | 0.52 |
| 8 | 尿液8 | 男性 | 50 | 289.5 | 0.0758 | 0.52 |
| 9 | 尿液9 | 男性 | 57 | 280.5 | 0.0742 | 0.51 |
| 10 | 尿液10 | 男性 | 57 | 278.0 | 0.0516 | 0.41 |

* 血糖值通过转换因子18.016从mg/dL转换为mmol/L。表1中的数据显示尿液样本在276.0–289.5 nm的特征波长范围内存在吸光峰，且这些吸光值与性别和年龄无关。这些吸光值表示尿液样本中的葡萄糖浓度。尿液中的葡萄糖浓度是使用标准D-葡萄糖的线性回归图（方程（1）计算得出的，如图5所示。

图5 显示了通过非侵入性分析得到的尿液吸光值与预测血液葡萄糖浓度之间的关系。如图5所示，吸光值与预测的血液葡萄糖水平之间的相关性呈指数趋势，决定系数（R2）为0.9981。这种高相关性表明，通过非侵入性的紫外-可见光谱测量尿液中的葡萄糖吸光度可以可靠地预测血液中的葡萄糖浓度，具体公式如下：
(2)
其中yp代表预测的血液葡萄糖值，x代表特征光谱点的吸光值。根据这个指数方程，并结合血糖水平的分类标准，可以建立一个系统，根据特征波长处的吸光值将个体分类为正常、糖尿病前期或糖尿病。根据从指数回归模型得出的阈值（以SI单位表示），根据测量的尿液吸光度（经过500倍稀释后）对个体进行分类。当吸光值< 0.1045时，个体被归类为正常，对应的预测空腹血糖水平< 5.6 mmol/L。当吸光值在0.1045到0.1455之间时，个体被归类为糖尿病前期，对应的预测葡萄糖浓度在5.6到6.9 mmol/L之间。当吸光值≥ 0.1455时，个体被归类为糖尿病，对应的预测葡萄糖水平≥ 7.0 mmol/L。通过尿液样本中的吸光度测量得到的预测血液葡萄糖值见表2。这种分类方法突显了紫外-可见吸光分析作为非侵入性、快速且成本效益高的诊断工具的潜力，为传统的基于血液的葡萄糖检测提供了有希望的替代方案。

表2 显示了使用紫外-可见光谱仪测量的10个尿液样本的预测血液葡萄糖浓度（非侵入性与侵入性方法对比）。
| 序号 | 尿液样本名称 | 性别 | 年龄 | 吸光峰位置（λ）（nm） | 吸光度（x） | 血糖预测（yp）（mmol/L） | 血糖?（mmol/L） |
|------|---------|------|-----------|-----------|-----------------|-------------------|
| 1 | 尿液1 | 女性 | 52 | 278.0 | 0.1810 | 8.50 | 8.60 |
| 2 | 尿液2 | 男性 | 54 | 284.0 | 0.1778 | 8.36 |
| 3 | 尿液3 | 男性 | 57 | 276.5 | 0.1058 | 5.64 |
| 4 | 尿液4 | 男性 | 50 | 276.0 | 0.0924 | 5.24 |
| 5 | 尿液5 | 男性 | 50 | 281.5 | 0.0899 | 5.17 |
| 6 | 尿液6 | 女性 | 30 | 283.0 | 0.0889 | 5.14 |
| 7 | 尿液7 | 女性 | 28 | 282.5 | 0.0763 | 4.80 |
| 8 | 尿液8 | 男性 | 50 | 289.5 | 0.0758 | 4.78 |
| 9 | 尿液9 | 男性 | 57 | 280.5 | 0.0742 | 4.74 |
| 10 | 尿液10 | 男性 | 57 | 278.0 | 0.0516 | 4.19 |

* 血糖值通过转换因子18.016从mg/dL转换为mmol/L。表2中的数据表明，尿液样本在276.0–289.5 nm的特征波长范围内存在吸光峰，且这些吸光值在不同样本之间具有差异，但与性别和年龄无关。这些吸光值表示尿液样本中的葡萄糖浓度。尿液中的葡萄糖浓度是使用标准D-葡萄糖的线性回归图（方程（1）计算得出的，如图5所示。

图5 显示了尿液吸光值与预测血液葡萄糖浓度之间的关系。如图5所示，吸光值与预测的血液葡萄糖水平之间的相关性呈指数趋势，决定系数（R2）为0.9981。这种高相关性表明，通过非侵入性的紫外-可见光谱测量尿液中的葡萄糖吸光度可以可靠地预测血液中的葡萄糖浓度。

根据这个指数方程，并结合血糖水平的分类标准，可以建立一个系统，根据特征波长处的吸光值将个体分类为正常、糖尿病前期或糖尿病。当吸光值< 0.1045时，个体被归类为正常，对应的预测空腹血糖水平< 5.6 mmol/L。当吸光值在0.1045到0.1455之间时，个体被归类为糖尿病前期，对应的预测葡萄糖浓度在5.6到6.9 mmol/L之间。当吸光值≥ 0.1455时，个体被归类为糖尿病，对应的预测葡萄糖水平≥ 7.0 mmol/L。通过尿液样本中的吸光度测量得到的预测血液葡萄糖值见表2。这种分类方法突显了紫外-可见吸光分析作为非侵入性、快速且成本效益高的诊断工具的潜力，为检测尿液中的糖尿病标志物提供了有希望的替代方案。

表2 显示了使用紫外-可见光谱仪测量的10个尿液样本的预测血液葡萄糖浓度（非侵入性与侵入性方法对比）。
| 序号 | 尿液样本名称 | 性别 | 年龄 | 吸光峰位置（λ）（nm） | 吸光度（x） | 血糖预测（yp）（mmol/L） | 血糖?（mmol/L） |
|------|---------|------|-----------|-----------|-----------------|-------------------|
| 1 | 尿液1 | 女性 | 52 | 278.0 | 0.1810 | 8.50 | 8.60 |
| 2 | 尿液2 | 男性 | 54 | 284.0 | 0.1778 | 8.36 |
| 3 | 尿液3 | 男性 | 57 | 276.5 | 0.1058 | 5.64 |
| 4 | 尿液4 | 男性 | 50 | 276.0 | 0.0924 | 5.24 |
| 5 | 尿液5 | 男性 | 50 | 281.5 | 0.0899 | 5.17 |
| 6 | 尿液6 | 女性 | 30 | 283.0 | 0.0889 | 5.14 |
| 7 | 尿液7 | 女性 | 28 | 282.5 | 0.0763 | 4.80 |
| 8 | 尿液8 | 男性 | 50 | 289.5 | 0.0758 | 4.78 |
| 9 | 尿液9 | 男性 | 57 | 280.5 | 0.0742 | 4.74 |
| 10 | 尿液10 | 男性 | 57 | 278.0 | 0.0516 | 4.19 |

* 血糖值通过转换因子18.016从mg/dL转换为mmol/L。表2中的数据表明，模型的预测性能通过基于一致性的统计指标进行了评估，包括平均绝对偏差（MAD）和均方根误差（RMSE）。残差的相对较小分散表明预测值与参考值之间的吻合度较高。模型达到了0.047 mmol/L的MAD和0.068 mmol/L的RMSE，相对于正常空腹血糖范围3.9–5.6 mmol/L，预测误差较低。这些结果表明，在研究的样本集中，紫外-可见光谱得出的预测结果与血糖仪测量结果具有很强的分析一致性。虽然仪器灵敏度通过ICH基空白分析单独评估，得到了1.87 × 10^-7 mmol/L和5.66 × 10^-7 mmol/L的LoD和LoQ值，但临床预测性能更适当地通过MAD和RMSE等一致性指标来反映。总体而言，这些发现支持了在定义的实验条件下所提出的非侵入性方法的分析可行性和方法学一致性。这种预测模型的非侵入性特性消除了对血液采样或其他侵入性程序的需求，从而在患者舒适度方面具有显著优势。尽管存在轻微的预测误差，只要它们保持在医学应用的可接受范围内，该模型就可以被视为有效的。因此，紫外-可见光谱可以作为一种初步工具，以非侵入性的方式预测个体的状况——无论是非糖尿病、糖尿病前期还是糖尿病。除了上述主要发现外，还有几个额外的考虑因素进一步说明了所提出的基于紫外-可见光谱的方法的性能和适用性。

3.1. 与以往研究的比较
本研究中观察到的光谱位置和行为（特征吸光带接近282–286 nm以及浓度依赖的吸光）与之前使用紫外-可见光谱和其他互补光谱技术测量的葡萄糖及相关化合物的结果一致。多项研究报道了在相同近紫外区域和类似的浓度依赖趋势下的吸收特征[24–30]。我们的结果证实了这些早期观察结果，同时为在此描述的条件下分析的稀释尿液样本提供了新的数据。

3.2. 与其他分析技术的比较视角
为了提供更广泛的分析背景，考虑紫外-可见光谱与其他用于葡萄糖分析的成熟技术（包括FTIR光谱、液相色谱-质谱（LC/MS）和传统的生化光度计）之间的关系是很重要的。紫外-可见光谱和生化分析仪基于类似的吸光检测原理，都遵循比尔-朗伯定律。这两种方法都依赖于分析物相关发色团的光学测量，这解释了本研究中观察到的强分析关联。相比之下，FTIR和LC/MS基于不同的物理机制。FTIR检测分子振动跃迁并提供结构指纹信息，而LC/MS结合了色谱分离和质量选择性检测，具有高特异性和灵敏度。尽管这些技术在原理上有所不同，但在适当的校准策略和化学计量建模应用下，仍可以观察到定量趋势的相关性。因此，尽管检测原理不同，但在受控实验条件下可以实现分析可比性，特别是当目标是评估浓度依赖的信号行为而不是分子结构确认时。

3.3. 特异性和替代生物标志物
需要强调的是，传统的紫外-可见光谱并不具备靶向生化测定的分子特异性。葡萄糖在紫外-可见范围内具有相对较弱的固有发色团；因此，在尿液中测量的吸光信号可能受到葡萄糖相关发色团以及基质成分（如蛋白质、尿素、肌酐和离子物种）的影响，这些成分可能与葡萄糖共吸收或相互作用。由于这个原因，这里报告的UV–Vis信号主要应被解释为与葡萄糖变化相关的代理指标，而不是直接、无干扰的葡萄糖测量结果。将UV–Vis与正交方法（例如FTIR、LIBS或靶向酶法/比色法）结合使用，或者关注经过验证的代理生物标志物，可以显著提高诊断的特异性，并减少由于基质干扰导致的假阳性结果。

3.4. 仪器变异性和校准
为了减少与仪器相关的变异性，我们使用了上述的标准D-葡萄糖校准系列（图2），并在样品扫描前用蒸馏水对分光光度计进行空白处理。在采集数据过程中，我们采用了统一的仪器预热程序和基线校正方法。我们建议进行常规的重复扫描、定期重新校准，并在将此方法扩展到其他仪器或实验室时包含外部标准品。未来的工作还应报告精度指标（例如，重复扫描的平均值±标准差），并包括跨仪器比较，以量化和最小化仪器间的偏差。

3.5. 分析范围和研究设计
本研究旨在通过使用真实的临床尿液样本来评估UV–Vis光谱法与传统的生化光度分析仪之间的分析一致性，属于方法比较可行性研究。虽然全面的主要分析验证通常包括CRM（化学参考物质）、扩展的计量学可追溯性和多实验室再现性评估，但本研究的主要目标是在受控实验条件下评估实际的分析一致性和临床相关性。因此，我们优先考虑了基于一致性的统计参数，包括MAD（平均绝对偏差）、RMSE（均方根误差）和Bland–Altman一致性限（LoA），以评估与已建立参考方法的可比性。此外，还根据ICH指南确定了仪器性能参数，包括LoD（检测限）和LoQ（定量限），以提供支持性的分析灵敏度评估。尽管全面的实验室间验证仍然是未来研究的重要方向，但当前的研究结果为UV–Vis光谱法在本研究定义范围内的分析可行性和方法一致性提供了初步证据。

3.6. 研究局限性和建议
应当承认本研究的几个局限性。首先，数据集的规模和多样性有限，仅包含10个尿液样本，这限制了预测模型的普遍性和统计稳健性。其次，尿液基质的固有复杂性和潜在干扰成分的存在可能会降低UV–Vis测量的分子特异性。因此，所提出的方法主要应被解释为基于代理的分析方法，而不是高度选择性的分子检测方法。第三，尽管进行了校准程序和符合CLSI标准的仪器灵敏度评估（LoD和LoQ），但尚未在多个仪器、实验室和更大的临床人群中进行全面验证。严格的临床验证需要从更广泛的队列中获取前瞻性的尿液和血糖测量数据，并附有相关的临床元数据，如用药状态、肾功能和水分水平。因此，未来的研究应重点扩大样本规模和人群多样性，结合正交分析技术进行交叉验证，进行系统的日内和日间再现性研究，并进行正式的不确定性分析。这些努力将进一步增强所提出的基于UV–Vis方法的分析稳健性、再现性和潜在的临床适用性。采用基于CLSI的分析评估进一步增强了该方法的方法一致性和整体分析可信度。

4. 结论
本研究证明了在方法比较研究的框架内，使用UV–Vis光谱法作为非侵入性尿液葡萄糖评估方法的分析可行性。在与葡萄糖相关的特征吸收区域（276.0至289.5 nm）观察到一致性的吸收现象，校准模型在测试浓度范围内表现出优异的线性（R2 = 0.9996）。此外，尿液吸光度与参考血糖测量值之间的关系呈指数趋势（R2 = 0.9981），表明在受控实验条件下存在强烈的分析关联。基于一致性的统计评估显示MAD为0.047 mmol/L，RMSE为0.068 mmol/L，反映了在生理葡萄糖范围内的低预测误差。根据ICH指南评估的仪器灵敏度表明，计算出的LoD为1.87 × 10?7 mmol/L，LoQ为5.66 × 10?7 mmol/L，显示出在实验室条件下的高分析灵敏度。根据尿液吸光度值将个体分类为正常、糖尿病前期和糖尿病类别的结果与参考测量结果一致。尽管需要更广泛的临床验证和多中心再现性研究，但当前的研究结果为UV–Vis光谱法作为支持性的、最小侵入性的葡萄糖监测工具的方法一致性和潜在适用性提供了初步证据。

致谢
作者感谢乌达亚纳大学数学与自然科学学院综合实验室的负责人提供研究所需的实验室设施。作者还感谢乌达亚纳大学研究与社区服务研究所（LPPM）的机构支持。

资助
本研究得到了乌达亚纳大学研究与社区服务研究所（LPPM）的财政支持。

伦理声明
本研究获得了乌达亚纳大学医学院研究伦理委员会的伦理批准（伦理批准编号：/UN14.2.2.VII.14/LT/2025）。

利益冲突
作者声明没有利益冲突。

数据可用性声明
支持本研究结果的数据可向相应作者索取。由于隐私或伦理限制，这些数据不对外公开。