基于多模态可穿戴数据的餐后血糖(within-person modeling)个体内建模研究

《Frontiers in Digital Health》：Within-person modeling of postprandial glucose using multimodal wearable data

　　

连续血糖监测(continuous glucose monitoring, CGM)及可穿戴感知技术的广泛普及，使得真实世界环境下高分辨率生理与行为数据的大规模采集成为可能。然而，能将此类数据转化为可操作的个体化洞见的解析框架仍十分有限。现有方法多依赖群体水平分析或受控实验设计，往往无法捕捉日常生活中的个体内(intra-individual)变异性。为填补这一"感知—分析鸿沟(sensing–analysis gap)"，本研究利用自由生活(free-living)条件下采集的多模态数据，探讨餐后血糖动态(postprandial glucose dynamics)的个体内(meal-level, within-person)预测因子。研究人员分析了餐后血糖峰值(peak glucose)、达峰时间(time to peak)及血糖曲线下面积——以140 mg/dL为界线上方(area under the glucose curve above 140 mg/dL, AUC140)为结局指标；预测因子包括宏量营养素组成、餐前基线血糖(baseline glucose)、进餐时间，以及源自可穿戴传感器的短期腕部活动变异(wrist movement variability, 即三轴加速度计在进餐后30 min内均方根标准差)。采用线性混合效应模型(linear mixed-effects models)，并对连续预测变量进行个体内中心化(within-person centering)以明确提取个体内效应。结果显示：净碳水化合物(net carbohydrate)摄入量与餐后血糖幅度(magnitude)关联最强(p < 0.001)；总脂肪(total fat)摄入量与血糖反应延迟(delayed glucose responses, 达峰时间延长)相关(p = 0.024)，提示血糖幅值与反应时相(timing)可能反映不同的生理模式；基线血糖与所有结局指标持续相关(p < 0.001)；此外，较大的短期腕部活动变异与较低的血糖波动(glucose excursions)相关，提示行为情境对餐后血糖变异性的潜在意义。上述初步结果表明，整合多模态可穿戴与行为数据，有望表征真实世界中个体化的餐后血糖反应。

《Within-person modeling of postprandial glucose using multimodal wearable data》论文解读——发表于Frontiers in Digital Health

一、研究背景与意义

连续血糖监测(continuous glucose monitoring, CGM)与腕戴式可穿戴设备(wearable sensing technologies)的迅速普及使自由生活条件下连续、多模态的生理及行为信号监测成为现实，产生了前所未有的高分辨率纵向数据集。然而，能将这些数据转化为可操作个体化见解的分析框架发展滞后——多数现有研究仍依赖受控实验室设计或群体间(between-person)分析，未能充分利用个体内(within-person / intra-individual)变异性信息，形成"感知—分析鸿沟(sensing–analysis gap)"，限制了数字健康系统提供个性化、情境感知干预的能力。餐后血糖动态(postprandial glucose dynamics)是糖尿病预防与管理及非糖尿病人群代谢健康评估的重要指标，餐后高血糖波动(postprandial glucose excursions)与糖耐量受损及早期代谢紊乱密切相关。但既往关于餐后血糖的文献多来自标准化餐或预设宏量营养素操控的受控实验，无法反映真实生活中进餐成分、份量、时间及伴随行为情境的多样性；且多数为横断面或组间分析，难以指导个体化血糖调节的理解。鉴于此，本研究利用自由生活条件下多模态CGM与可穿戴感知数据，采用个体内(meal-level, within-person)、以个体自身均值为参照的中心化建模方法，探讨同一个人不同餐次间偏离其典型模式的变动如何关联餐后血糖幅值(magnitude)与时相(timing)，以弥补现有不足，推动数字健康分析从群体推断向个体化建模转变。

二、主要关键技术方法

研究人员使用公开数据集BIG IDEAs Lab Glucose/Emotion/Food Dataset（10名受试者，年龄35–65岁，HbA1c 5.2%–6.4%，自由生活监测8–10天），采集Dexcom G6 CGM间质葡萄糖及Empatica E4腕带三轴加速度(ACC)、皮电(EDA)、血容量脉搏(BVP)、皮温(TEMP)，膳食经时间戳食物日志记录并按同餐合并聚合至餐水平(meal-level)，CGM与ACC对齐至进餐起始时间截取餐后2 h窗口。结局指标：餐后血糖峰值(peak glucose, mg/dL)、达峰时间(time to peak, min)、超过140 mg/dL的血糖曲线下面积(AUC₁₄₀, mg/dL·min)。预测变量：净碳水(net carbohydrate)、膳食纤维(dietary fiber)、总脂肪(total fat)、蛋白质(protein, 单位g)；进餐时段(早/午/晚)、距上一餐时间(min)、餐前5 min平均CGM值作基线血糖(baseline glucose, mg/dL)、进餐后30 min三轴ACC均方根之标准差作短期腕部活动变异(wrist movement variability)。所有连续预测变量做个体内中心化(within-person centering: x_i,j,k^(W)= x_i,j,k? x?_i,k)后再标准化(z-score)。采用带受试者随机截距(random intercept)的线性混合效应模型(linear mixed-effects model, LMM)拟合各结局，固定效应为个体内中心化后的预测因子，调整进餐时段分类协变量，最大似然估计；探索性分析含净碳水随机斜率(random slope)、宏量营养素交互项及留一被试交叉验证(leave-one-participant-out, LOPO)敏感性分析，使用Python statsmodels库完成。

三、研究结果

3.1 Descriptive statistics（描述性统计）

最终纳入10人共485餐，剔除缺失特征后267餐进入回归。餐后血糖峰值通常约100–180 mg/dL，偶超200 mg/dL；达峰时间约30–90 min，存在显著个体内变异。净碳水摄入0–>100 g/餐，蛋白与脂肪分布广，纤维偏低但相对个体基线可变。距上一餐间隔分散，基线血糖约80–130 mg/dL，腕部活动变异较小。各变量均观察到明显个体内离散度。

3.2 Postprandial glucose responses and within-subject predictors（餐后血糖反应与个体内预测因子）

线性混合效应模型结果显示：①净碳水化合物(net carbohydrates)：个体高于自身惯常摄入时，显著升高血糖峰值(β = 12.77, p < 0.001)及AUC₁₄₀(β = 453.54, p < 0.001)，与达峰时间无关——表明净碳水主要影响血糖幅值而非时相。②膳食纤维(dietary fiber)：高于惯常摄入边际降低峰值血糖(β = ?2.59, p = 0.093)并显著降低AUC₁₄₀(β = ?150.20, p = 0.024)，与达峰时间无关。③总脂肪(total fat)：高于惯常摄入显著延长达峰时间(β = 4.47, p = 0.024)，对血糖峰值及AUC₁₄₀无显著影响——提示脂肪主要延缓胃排空/吸收时相而非改变幅值。④蛋白质(protein)：与任一餐后血糖结局无显著关联。⑤基线血糖(baseline glucose, 餐前5 min均值)：高于个体惯常水平关联更高峰值(β = 13.69, p < 0.001)、更大AUC₁₄₀(β = 320.43, p < 0.001)及更短达峰时间(β = ?9.58, p < 0.001)，是对所有结局均一致的最强情境预测因子之一。⑥距上一餐时间(time from previous meal)：间隔长于惯常轻微升高峰值(β = 3.27, p = 0.035)及AUC₁₄₀(β = 141.67, p = 0.035)，达峰时间呈边缘延迟趋势。⑦短期腕部活动变异(wrist movement variability, 进餐后30 min ACC SD)：高于个体惯常水平关联更低峰值(β = ?5.43, p < 0.001)及更小AUC₁₄₀(β = ?130.37, p = 0.029)，与达峰时间无关，提示餐后短时行为活动/进餐节奏可能影响血糖幅值。空模型ICC显示峰值血糖ICC = 0.08、AUC₁₄₀ICC = 0.05，支持混合模型使用；达峰时间ICC可忽略，变异主由餐水平因素驱动。探索性随机斜率(净碳水)较仅随机截距模型拟合显著改善(ΔAIC = ?26.1)，提示个体间碳水—血糖响应异质性；交互项未明显改善拟合；LOPO敏感性分析表明主要关联稳定，不受单一受试者驱动。

四、讨论与结论翻译

研究人员指出，本研究发现餐后血糖幅值(magnitude)与时相(timing)受部分不同的个体内因素影响：净碳水最强预测幅值但不影响时相；总脂肪主要延迟达峰时间而不影响幅值；膳食纤维轻微削弱幅值；基线血糖关联所有结局（高基线→更高幅值+更短达峰）。短时腕部活动变异与降低血糖波动相关。这些发现说明幅值与达峰时间可作为餐后血糖动态互补维度，仅靠群体均值或孤立CGM指标会遗漏重要信息。将CGM信号与餐成分、进餐间隔及短时可穿戴特征整合，有助于更好地刻画个体化餐后血糖变异模式。局限含样本小(n=10)属探索性、饮食自报告可能存在误差、腕带活动不代代谢当量运动、未测睡眠/压力/药物/体成分等混杂因子，观察性设计不能推因果，需在更大多样队列、前瞻性预测及干预设计中验证。

研究结论(Conclusion)原文翻译：

本研究证明，在自由生活条件下，餐后血糖动态的不同维度与不同的个体内情境因素相关联。碳水化合物摄入量和基线血糖水平与血糖幅值结局关联更强，而反应时相(达峰时间)与基线血糖及脂肪摄入量关联更强。这些发现强调了将餐后血糖作为多维现象进行建模的重要性，并支持采用个体内、餐水平的分析方法刻画日常环境中个体化血糖变异性。更广泛而言，本工作凸显了整合可穿戴感知、餐成分及行为信息的情境感知分析框架在捕捉个体化餐后血糖反应模式方面的潜在价值。