《Diagnostics》:Continuous Glucose Monitoring for Metabolic Phenotyping and Precision Nutrition: Current Evidence, Clinical Applications and Future Perspectives
连续葡萄糖监测(continuous glucose monitoring, CGM)已超越传统糖尿病管理,通过提供个体对膳食和生活方式暴露的连续、真实世界血糖应答评估,成为代谢表型(metabolic phenotyping)和精准营养(precision nutrition)的使能技术。本叙述性综述检视CGM的原理和临床效用及其在代谢监测和个体化营养中的新兴应用,重点关注餐后血糖变异性(postprandial glycemic variability)、计算预测(computational prediction)、膳食反馈(dietary feedback)和行为干预(behavioral interventions)。研究人员在Web of Science、PubMed、Scopus和Google Scholar中采用与CGM、精准与个体化营养(precision and personalized nutrition)、膳食、餐后血糖应答(postprandial glycemic responses)、生活方式、血糖变异性(glycemic variability)、人工智能(artificial intelligence)、机器学习(machine learning)和计算营养(computational nutrition)相关的预设术语组合进行文献检索,纳入截至2026年6月可获得的英文文献。当前证据表明餐后血糖应答存在显著个体间变异,并支持将CGM与膳食、临床、人体测量、行为及微生物组衍生数据整合,以刻画个体代谢应答并为个体化预测和营养指导提供信息。然而,CGM衍生代谢表型和预测模型的可重复性(reproducibility)与可推广性(generalizability)尚未完全确立。CGM支持的营养和行为干预已显示可改善血糖及部分心脏代谢结局(cardiometabolic outcomes),尤其在2型糖尿病(type 2 diabetes)个体中;而在无糖尿病人群中,临床获益证据仍明显有限。持续参与(sustained engagement)以及心理、技术和可及性相关局限仍是重要考量。新兴多分析物传感技术(multi-analyte sensing technologies)可能进一步拓展连续代谢评估,并支持更全面、数据驱动的精准营养策略。
1. Introduction
不良膳食是全球慢性病负担的重要风险因素;传统膳食评估主要依赖自我报告,易受回忆偏倚、份量估计误差和低依从性影响。传统“一刀切”营养建议受到餐后血糖应答个体间异质性挑战,精准营养(precision nutrition)据此整合生物学、环境与行为特征。连续葡萄糖监测(continuous glucose monitoring, CGM)作为使能技术,可从糖尿病管理扩展至无糖尿病人群,但需区分其识别血糖反应的能力与已确立的临床效用。CGM可提供连续生理生物反馈,捕捉餐后血糖应答(postprandial glycemic response, PPGR)并支持代谢表型分析;计算营养和机器学习(machine learning, ML)进一步推动个体化预测与膳食指导。本综述聚焦CGM在代谢表型和精准营养中的证据、干预应用及局限。
2. Materials and Methods
本综述为结构化叙述性综述,检索Web of Science、PubMed、Scopus和Google Scholar,使用CGM与精准营养、个体化营养、膳食、PPGR、生活方式、血糖变异性、人工智能、ML和计算营养等关键词组合,纳入截至2026年6月的英文文献,不限制发表时间或研究设计。文献经标题、摘要和全文相关性筛选,涵盖CGM原理、分析性能、临床效用、PPGR预测、营养或行为干预、多源数据整合、心理与实施因素及新兴连续代谢监测技术。鉴于文献异质性,证据采用定性综合,未进行正式meta分析或系统偏倚评估;干预研究重点考察设计、人群、样本量、随访、对照、干预组成和局限,并分别解释糖尿病与非糖尿病证据。修订阶段对特定主题进行补充检索和原始来源核对;因非前瞻性注册系统综述,未重建记录级筛选计数。
3. Continuous Glucose Monitoring: Principles, Performance and Clinical Utility
CGM可克服毛细血管血糖点测的局限,将血糖浓度作为动态 profile 评估,并与进食、活动、睡眠和药物治疗相关联。
3.1 Measurement Principle and Analytical Performance
多数CGM采用皮下间质液酶电化学传感器,血糖向间质扩散存在约5–15 min生理延迟,快速变化时更明显。分析准确性常用平均绝对相对差(mean absolute relative difference, MARD)评价;对乙酰氨基酚、羟基脲和抗坏血酸等可干扰检测,不同传感器设计及校准方式影响性能,皮下传感器通常使用约10–14天,植入式荧光传感器可更久。
3.2 CGM Modalities and Patient Access to Glucose Information
盲法或专业CGM不向用户显示数据,适合自由生活条件下客观评估;患者可及监测包括实时CGM(real-time CGM, rtCGM)和间歇扫描CGM(intermittently scanned CGM, isCGM)。2026年纳入30项随机对照试验的meta分析显示,患者可及CGM总体降低HbA
1c,rtCGM平均降低0.65%,isCGM降低0.25%,rtCGM对目标范围内时间(time in range, TIR)、目标范围以下时间(time below range, TBR)和血糖变异性改善更明显;isCGM在成本、侵入性和报警负担方面具优势。
3.3 Clinical Utility and Glycemic Outcomes
CGM可识别血糖趋势、复发模式及无症状低血糖,并生成TIR、严格目标范围内时间(time in tight range, TITR)和血糖变异性指标。1型糖尿病证据显示HbA
1c和低血糖事件改善,高危患者低血糖事件降低72%,并改善低血糖恐惧和生活质量;胰岛素治疗2型糖尿病中,52周研究显示HbA
1c平均降低超过1个百分点。系统综述和meta分析报告,患者可及CGM纳入生活方式和营养干预可使HbA
1c降低约0.28–0.48%,并改善TIR、体重、体质指数、空腹血糖和收缩压。
3.4 From Continuous Measurement to Actionable Feedback
CGM效果不仅取决于传感器准确性,也取决于数据解释和使用方式。用户对CGM数据的互动可从被动监测到反应性、主动性、前瞻性和教育性使用;实时可视化可促进食物选择、份量和活动改变,但需培训、正确解读报警、依从佩戴和持续专业支持。
3.5 Technical Limitations and Barriers to Implementation
CGM受血液-间质葡萄糖时间差、酶降解、校准漂移、生化干扰和信号伪影限制;睡压传感器可降低局部微血管灌注并导致假性低血糖报警。酶固定化、非酶传感和抗干扰氧清除系统等策略正在研究中;设备成本和报销限制仍是重要障碍,尤其对非胰岛素治疗糖尿病个体。
3.6 Toward Broader Applications of Continuous Glucose Sensing
更少侵入的连续监测策略包括反向离子电渗、阻抗谱、近红外和拉曼光谱、热发射光谱、光学相干断层扫描、超声导入和偏振法等,以及耳垂装置、眼镜、隐形眼镜和智能纹身等平台。CGM在真实世界捕捉餐后血糖反应,可为个体代谢表型分析及从血糖管理向个体化营养评估和精准营养策略拓展提供基础。
4. CGM Enables Precision Nutrition
4.1 Foundations of Precision Nutrition and the Role of CGM
传统膳食评估依赖食物日记和24小时回顾,存在依从性、回忆和份量估计误差;PPGR个体间异质性推动个体化营养。精准营养整合生物、代谢、遗传、环境和行为特征,国际营养遗传学/营养基因组学学会(International Society of Nutrigenetics/Nutrigenomics, ISNN)将其分为人群建议、表型驱动和基因型指导三个层级。组学技术,尤其代谢组学,可反映遗传与环境暴露的综合影响;CGM提供连接膳食暴露与个体代谢反应的动态表型层。
4.2 CGM-Derived Metabolic Phenotypes
糖尿病和糖尿病前期诊断使用空腹血糖或HbA
1c等静态指标,可能遗漏动态波动。Hall等在57名健康志愿者中发现,按标准判为正常血糖者仍有明显血糖变异,15%时间处于糖尿病前期范围、2%时间处于糖尿病范围,并分为低、中、重三型“glucotypes”;但Hulman等在独立队列中发现116人中107人可仅由平均CGM葡萄糖预测glucotype,提示额外信息有限或存在过拟合。PPGR重复性存在争议:Hall等报告同一餐两次反应重复性良好,另一分析对重复多组分餐的可靠性较差,Abbott和Dexcom设备的组内相关系数(intraclass correlation coefficients, ICCs)分别为0.28和0.17;同时佩戴两种设备的研究显示个体内餐食排序不一致,采样频率5 min与15 min可能影响峰值和曲线下增量面积(incremental area under the curve, iAUC)。糖尿病管理已有CGM共识目标,但精准营养应用尚无对应共识。
4.3 Determinants of Postprandial Glycemic Variability
餐后血糖曲线并非仅由碳水摄入决定,而由膳食组成、食物结构和加工、行为因素及进餐时间共同影响。碳水是即刻血糖升高的主要膳食决定因素,但纤维、蛋白质和健康脂肪可改变PPGR幅度和持续时间;糊化和研磨等提高消化率的加工可增加餐后血糖,煮熟后冷却可形成抗性淀粉并减弱反应;进餐顺序也可调节血糖暴露。久坐和短睡眠与更大血糖变异相关,较早晚餐和较短每日进食窗口与更好血糖控制相关;CGM数据应在膳食组成、制备、顺序、活动、睡眠和进餐时间背景下解释。
4.4 Machine Learning and Individualized Prediction of Postprandial Response
CGM数据与人体测量、生化、膳食、活动和肠道微生物组等变量整合后,ML和统计模型可估计个体对特定膳食的PPGR。Zeevi等2015年使用随机梯度提升回归模型预测2小时PPGR的iAUC;Mendes-Soares等在美国中西部独立队列中验证预测框架可推广;Berry等在1002名英国志愿者中建模并在100名美国人中验证,预测相关系数r=0.77。微生物组变量对PPGR预测的重要性仍不确定,方法学质疑包括个体内与个体间变异解释及复杂算法是否优于简单膳食评估;近期证据提示微生物组信息可增加预测价值但非主要决定因素。550名成人2周研究显示,肠道微生物组功能特征在常规临床、人体测量和膳食因素之外显著贡献PPGR变异;A. muciniphila和F. prausnitzii与糖代谢结局相关,但短链脂肪酸(short-chain fatty acids, SCFAs)介导证据有限,A. muciniphila补充的随机概念验证研究提供改善胰岛素敏感性初步证据。预测模型可将食物分类为预测正、中、负效应,减少对长期CGM依赖;AGREDA算法则用微生物组基因组尺度代谢模型估计饮食对微生物代谢及后生元产生的影响。开放获取CGMacros数据集整合CGM、餐食宏量营养、智能手表活动、食物照片和微生物组,用极端梯度提升(Extreme Gradient Boosting, XGBoost)预测2小时反应,绝对曲线下面积(area under the curve, AUC)r=0.89、iAUC r=0.64,但仅45名参与者,存在过拟合风险。逆向代谢问题尝试从餐后血糖曲线推断餐食宏量营养组成,可能减少手工膳食记录依赖。
4.5 Clinical Outcomes of CGM-Supported Nutritional and Behavioral Interventions
CGM支持的营养和生活方式干预证据异质,包括随机对照试验(randomized controlled trials, RCTs)的系统综述/meta分析、个体随机研究和非对照试点。三项系统综述/meta分析报告HbA
1c、体重、TIR、TBR等改善,但异质性和多组分干预限制对CGM独立贡献的归因。Oliveira等12周121名2型糖尿病成人低糖与低脂早餐比较中,部分CGM指标利于低糖干预,但预设HbA
1c组间差异未达统计学意义(p=0.06),CGM主要用于量化结局。Martens等6个月随机研究中,CGM加指导教育±食物记录应用使TIR、HbA
1c和体重改善,但两组均接受CGM且无无CGM对照,改善不能特异地归因于CGM。Oser等非对照试点17名新诊断2型糖尿病成人多组分干预后66.7%达到研究定义缓解,但样本小、无对照、随访短且多组分,不能归因于CGM。无糖尿病人群中CGM指导营养和生活方式干预的证据更有限,血糖变异参考范围及临床验证基准不足,餐后血糖波动不应自动视为临床异常或干预靶点,长期临床获益不确定。
4.6 From Glucose Data to Personalized Dietary Feedback
精准营养落地需将复杂CGM信号转化为可解释信息。Vively平台将餐食和CGM信息转化为两个评分:Diet Quality Score(0–10)评估宏量营养分布、加工度和酒精摄入;Diet Glucose Score(0–10)基于2小时餐后血糖 profile,纳入AUC、目标范围内时间和峰值葡萄糖,以量化餐食与个体代谢反应的匹配度;这些应视为平台特异性观察证据。7647名Vively用户中91.7%进行食物记录;传感器佩戴期间平均63.2%天数记录食物,无传感器间歇降至2.4%,呈现“被动追踪悖论”。同步第三方可穿戴设备者食物记录天数多45%、CGM使用时间长32%;基线平均血糖每升高1 mmol/L,食物记录天数少4%(发生率比(incidence rate ratio, IRR)0.96,95%置信区间(confidence interval, CI)0.94–0.98),但CGM佩戴时间更长(IRR 1.15,95% CI 1.13–1.17)。
4.7 Psychological and Behavioral Limitations of Continuous Metabolic Feedback
连续代谢反馈可能呈双刃剑效应。定性证据提示持续关注血糖可改变与食物的关系,造成信息过载和挫败感,并减少对直觉或正念进食的依赖。56名未使用胰岛素的糖尿病和非糖尿病成人中,68%在观察高血糖时报告对2型糖尿病的恐惧;CGM相关痛苦与较年轻、肥胖、宜人性及进食障碍症状相关,宜人性与恐惧(r=0.42)和不快乐(r=0.36)相关,进食障碍检查问卷简版(Eating Disorder Examination Questionnaire-Short, EDE-QS)症状与传感器外观相关痛苦相关(r=0.40)。尽管89%报告饮食和/或活动积极改变,心理痛苦与感知行为获益可并存;需个体化报警阈值、心理支持、营养师支持和面对面/远程干预。
4.8 Automation of Dietary Assessment and Emerging Wearable Technologies
自动检测进食活动是减少手工记录负担的重要方向。范围综述纳入19篇文献、17项研究,CGM算法识别进食事件敏感性超过90%,但检测延迟约9–45 min,限制其在进食过程中实施即时自适应干预(Just-In-Time Adaptive Interventions, JITAIs);该技术仍可用于回顾性识别餐食、自动膳食记录和餐后提示。纵向CGM数据量大,难以常规临床决策;整合电子健康记录的人工智能临床决策支持系统(AI-enabled clinical decision support systems, AI-CDSS)被提出用于初级保健解读数据、优化工作流并限制临床医生额外负担。
5. Future Perspectives
未来方向包括扩展可穿戴传感至葡萄糖以外:连续酮体监测(continuous ketone monitoring, CKM)已展示皮下酶传感评估代谢酮症的可行性;汗液或唾液表皮传感器可监测维生素C、尿酸和酪氨酸,护齿系统可连续测量唾液乳酸,牙载射频三层传感器可监测口腔膳食摄入。第三代生物传感器基于直接电子转移(direct electron transfer, DET),如细菌黄素腺嘌呤二核苷酸依赖性葡萄糖脱氢酶(bacterial flavin adenine dinucleotide-dependent glucose dehydrogenase, bFADGDH)和纤维二糖脱氢酶(cellobiose dehydrogenase, CDH),可能减少对介体及电活性干扰物的依赖;非酶和 abiotic 传感策略,包括合成二硼酸受体荧光系统及MXenes、铂或铜基纳米颗粒电化学传感器,可应对酶稳定性问题。汗液、泪液和唾液等替代生物体液葡萄糖浓度低且存在生理延迟,需数学模型校正。规模化制造如丝网印刷和纸基非酶传感器具低成本潜力;一次性传感器废弃物使可持续性成为考量,Green Diabetes Initiative提出Reduce、Reuse、Recycle、Redesign和Re-educate策略。监管方面需考虑医疗器械要求,包括美国食品药品监督管理局(U.S. Food and Drug Administration, FDA)和欧盟(European Union, EU)医疗器械法规,软件和预测算法需按预期用途单独评价;连续葡萄糖数据与遗传、微生物组和健康信息整合还涉及欧盟通用数据保护条例(General Data Protection Regulation, GDPR)及美国健康保险流通与责任法案(Health Insurance Portability and Accountability Act, HIPAA)。不同CGM系统性能评价、校准和算法差异限制读数及衍生指标可比性,需标准化和透明验证。
6. Conclusions
CGM已从糖尿病管理扩展为代谢表型和精准营养的重要使能技术。通过在自由生活条件下连续捕捉葡萄糖动态,CGM可刻画传统膳食评估或人群营养方法难以捕捉的PPGR个体间变异;CGM衍生葡萄糖模式提供动态表型层,与膳食、人体测量、临床、行为和微生物组数据整合后,可支持个体化血糖反应预测并将代谢数据转化为个体化膳食指导。计算和ML方法进一步拓展整合数据的预测和营养评估潜力。临床研究提示CGM支持营养和行为干预可改善血糖结局,但干预证据主要来自2型糖尿病;无糖尿病人群中可比临床获益证据有限,靶向CGM衍生血糖波动的临床意义尚未确立,需前瞻性研究验证其对临床有意义结局的持续改善。新兴传感技术可能将框架从葡萄糖拓展至更全面的个体代谢反应刻画。总体而言,CGM是连续生理监测与个体化营养之间的重要接口,其最大潜力在于整合入综合、数据驱动的精准营养策略。