基于偏振光的无创血糖传感系统：糖尿病监测的新突破

为解决糖尿病无创监测难题，研究人员研发基于偏振光的系统，超 95% 预测在误差网格 A、B 区，意义重大。

　　

糖尿病监测的现状与挑战

在健康领域，糖尿病如同一个隐匿的 “杀手”，悄然威胁着无数人的生命健康。据统计，美国有 3840 万人正遭受糖尿病的困扰，而且这一数字还在不断攀升。对于糖尿病患者而言，体内胰岛素分泌不足，导致血糖水平居高不下。长期的高血糖状态就像一颗 “定时炸弹”，会逐渐破坏血管，进而引发肾衰竭、心脏病、中风等严重并发症。

为了控制病情，患者需要密切监测血糖水平。传统的指尖采血测血糖方法，就像一场频繁的 “小战役”，不仅给患者带来身体上的疼痛，还十分不便。虽然近年来出现的微创连续血糖监测仪（CGM）能定期报告血糖水平，但它也存在诸多问题。传感器插入皮肤带来的不适、潜在的细菌感染风险、佩戴时的心理负担以及高昂的更换成本，使得许多患者对其望而却步。因此，开发一种完全无创、便捷且准确的血糖监测方法迫在眉睫。

研究团队与研究目标

在这样的背景下，来自哥伦比亚大学、德克萨斯大学奥斯汀分校、科罗拉多大学安舒茨医学校区等多所高校的研究人员组成了一支科研团队，决心攻克这一难题。他们将目光聚焦于基于偏振光的无创血糖传感技术，致力于开发一种便携式的无创血糖传感系统。

研究方法

1. 光学原理运用：该系统巧妙地利用了葡萄糖分子的光学活性。当线性偏振光穿过含有葡萄糖的溶液时，葡萄糖分子会使偏振光的平面发生旋转，且旋转角度与葡萄糖浓度成正比。研究人员通过测量这种由葡萄糖分子诱导的光学旋转，来预测血糖水平。为了有效提取偏振信息，他们采用了特殊的光学装置。针对散射光，让入射光以 45° 角照射并通过液晶调制，使用特定算法消除散射光的影响；对于镜面反射光，则设计了光阱机制，将反射光捕获并吸收，减少其对传感器的干扰。
2. 数据处理与模型训练：在数据处理方面，研究人员运用了一系列先进的技术。首先，通过统计分析和机器学习技术识别并剔除不当使用数据，确保数据的可靠性。接着，利用主成分分析（PCA）和 XGBoost 重要性选择法进行特征选择，从大量的原始数据中筛选出最具代表性的特征。最后，采用分层训练的方式，针对不同的传感盒分组训练贝叶斯岭回归模型，提高模型的准确性和适应性。
3. 临床研究开展：研究人员开展了一项为期 363 天的临床研究，招募了 30 名参与者（最终有效数据来自 22 名参与者）。参与者需在 5 天内每天进行约 8 次数据采集，包括起床后、饭前饭后、睡前等时段，并使用 CGM 收集血糖数据作为参考值。

研究结果

1. 系统性能评估：研究人员使用共识误差网格（CEG）来评估系统性能。结果显示，超 95% 的预测结果落在 CEG 的 A 区（临床准确）或 B 区（临床可接受），平均绝对相对差异（MARD）为 0.24。这表明该系统在血糖预测方面具有较高的准确性和可靠性。
2. 模型性能比较：在不同模型和特征处理程序的比较中，简单的贝叶斯岭回归结合不当使用检测、图像特征、特征选择和分层训练表现最佳。它优于高斯过程回归、XGBoost 和神经网络等模型。这是因为原始数据存在高度相关性，贝叶斯岭回归能有效应对这种情况，减少过拟合现象。
3. 消融研究结果：通过消融研究发现，不当使用检测可显著提升系统性能，降低 MARD 并提高相关性；图像特征对系统性能有一定提升，但效果有限；特征选择能优化特征集，减少过拟合风险；分层训练对整体性能影响显著，单独训练模型比联合训练效果更好。
4. 敏感性分析结论：敏感性分析表明，不同传感盒、用户和种族对系统性能影响各异。但整体而言，系统在不同人口统计学类别中表现出一定的稳健性。不过，由于数据集的不平衡和部分数据的噪声问题，仍存在一些性能差异。

研究结论与讨论

这项研究成功开发了一种便携式无创血糖传感系统，并通过临床研究验证了其可行性和有效性。超 95% 的预测在误差网格 A、B 区，MARD 为 0.24，为糖尿病无创监测提供了新的解决方案。然而，研究也存在一些局限性。数据集规模有限，参与者多样性不足，影响了复杂模型的训练效果。此外，环境因素、间质液中其他物质的干扰等问题也有待解决。

未来的研究可以从多个方向展开。进一步扩大数据集规模，增加参与者多样性，提高数据质量；优化手掌特征提取技术，利用高分辨率图像和先进的神经网络进行更精准的特征提取；优化系统设计，实现连续监测并减少不当使用的可能性；深入研究混杂因素的影响，结合多种技术提高血糖检测的准确性。

总的来说，这项研究为糖尿病无创监测领域开辟了新的道路，虽然还有很长的路要走，但它为未来的研究提供了重要的参考和方向，有望在不久的将来为糖尿病患者带来更加便捷、准确的血糖监测体验。