近日，清华大学医疗管理学院吴悠副教授作为共同通讯作者、清华大学博士生封晓如作为共同第一作者，与上海交通大学医学院附属瑞金医院医学芯片研究所陈昌教授团队、瑞金医院王卫庆教授团队以及上海近观科技有限公司合作，在 Journal of Diabetes Science and Technology 发表了题为 Non-Invasive Glucose Monitoring Using mμSORS: A Population-Based Validation Study Across Diverse Patient Variability 的研究成果。
论文发表页面
01核心速览
该研究在此前发表于 Nature Metabolism 的多重微空间偏移拉曼光谱成像（Multiple μ-Spatially Offset Raman Spectroscopy, mμSORS）无创血糖监测技术基础上，进一步通过多样性人群验证，证实了mμSORS技术在无需个体校准的情况下，仍能对不同生理特征人群实现精准、鲁棒的血糖监测，回应了该领域长期面临的“个体差异”难题。
02研究背景：无创血糖监测的“个体差异”困境
个体间生理差异是制约无创血糖监测技术临床落地的重要因素。皮肤结构、肤色、体液状态等因素可能影响光谱信号，使部分无创血糖技术需要依赖个体化校准。mμSORS通过获取不同皮下深度的拉曼光谱，为减少浅层组织干扰、提高血糖相关信号的获取能力提供了技术路径。本研究进一步聚焦其在不同生理特征人群中的稳健性。
03研究方法：跨特征人群验证与多维度亚组分析
研究纳入200名具有不同生理特征的2型糖尿病患者，在口服葡萄糖耐量试验（Oral Glucose Tolerance Test, OGTT）过程中同步采集静脉血与mμSORS光谱，共获得4,768组配对数据。基于整体人群建立了偏最小二乘（Partial Least Squares, PLS）预测模型，并通过受试者层面的十折交叉验证评估其性能。为全面考察模型对个体差异的稳健性，按照身体特征（如BMI）、皮肤参数（如皮肤厚度）及血清生物标志物（如胆固醇）进行亚组分析，并系统比较了整体模型与各亚组特异模型的预测表现。
04主要发现：整体模型稳健，亚组建模未显优势
① 整体模型表现稳定且跨亚组一致性好
整体PLS模型的平均绝对相对差（Mean Absolute Relative Difference, MARD）为14.5%，99.4%的预测结果落在共识误差网格（Consensus Error Grid, CEG）的A+B区域。在不同生理特征、皮肤参数及血清生物标志物亚组间，模型表现未见显著差异，各亚组CEG A+B比例均超过98.5%，表明该模型在本研究所覆盖的多样化人群中具有稳定的预测性能。
② 亚组特异建模未带来一致提升
基于特定身体特征、皮肤参数或血清生物标志物建立的亚组模型，并未因针对特定人群进行优化而获得性能提升。多数亚组模型的MARD反而显著高于整体模型，而在控制训练样本量后亚组模型与相应规模的整体模型表现趋于接近。
③ 训练数据规模是影响模型泛化的关键
模型性能差异在很大程度上受到训练数据规模的影响，随着训练样本量增加，模型性能逐渐改善并趋于稳定。具有较大规模和一定生理异质性的训练数据，可能有助于模型学习并适应个体间差异，从而减少对亚组特异建模的需求。
05结论与启示：迈向“即来即测”的无创血糖监测新阶段
本研究证实了mμSORS技术对不同生理特征人群能实现精准、鲁棒的血糖监测，为摆脱无创血糖监测的“个体差异”难题提供了关键实验依据。在应用层面，意味着该技术无需患者反复进行指尖采血校准，也无需根据个体特征进行复杂的前期设置，可望实现“即来即测”，显著提升糖尿病患者的长期监测依从性，为居家场景下的无创血糖管理提供了切实可行的技术路径。
同时，研究仍存在一定局限：受试者来自单一医院且以中国人群为主，仅纳入2型糖尿病患者，尚缺乏独立外部队列验证；数据均在受控的3小时OGTT条件下采集，尚未评估真实世界环境中长期、跨日使用的表现。未来需通过更广泛的人群、外部队列及真实世界纵向研究进一步验证其泛化能力和临床应用价值。
原文链接：https://doi.org/10.1177/19322968261464571
引用：Feng X, Zhang Y, Zhang L, et al. Non-Invasive Glucose Monitoring Using mμSORS: A Population-Based Validation Study Across Diverse Patient Variability. Journal of Diabetes Science and Technology. 2026. doi:10.1177/19322968261464571
科研动态