📄 bioengineering

Controlled In Vitro Characterization of the Dynamic Response of Continuous Glucose Monitoring Systems: Adaptation of a Programmable Flow Platform and Decomposition of Dynamic Error

本研究通过改进一种可编程流式体外平台，旨在将生成的葡萄糖曲线准确度与连续葡萄糖监测（CGM）系统的动态响应进行解耦，并提出了一套全新的指标，将动态误差分解为振幅、速率、形状和滞后成分，以揭示被平均绝对相对偏差（MARD）等传统汇总统计数据所掩盖的性能局限性。

原作者： Khoroshun, E. V., Kozlov, V. A., Ivanov, I. V., Momynaliev, K.

发布于 2026-08-13

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Khoroshun, E. V., Kozlov, V. A., Ivanov, I. V., Momynaliev, K.

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ⚕️ 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。阅读完整免责声明

想象一下，你正在试图教一个机器人如何在暴风雨中开车。你不仅希望机器人知道汽车此时此刻在哪里，你还需要它准确地知道汽车正在以多快的速度加速、转弯有多急，以及它是否即将滑入沟渠。在糖尿病护理的世界里，这个“机器人”是一个连续葡萄糖监测系统（CGM）——一种戴在皮肤上的微型传感器，用于追踪血糖水平。多年来，医生和工程师主要只问一个简单的问题：“传感器显示的数值是否接近真实数值？”他们使用一个叫做 MARD 的单一评分来回答这个问题。但就像一个只会知道时速表显示 60 英里，却没意识到车其实正在撞向墙壁加速行驶的驾驶机器人一样，一个传感器可能在平均值上很“接近”，但在预测快速变化时却表现得很糟糕。这非常重要，因为现代糖尿病治疗通常使用这些传感器来自动输注胰岛素。如果传感器反应迟钝，或者抓错了血糖曲线的形状，机器人可能会在错误的时间给予错误的药物。

这篇论文就像是这些葡萄糖传感器的某种高科技驾驶测试，但研究人员并没有在真实的雨天道路上用真车，而是在实验室里构建了一个“葡萄糖模拟器”。他们想看看是否可以精确地拆解出传感器出错的究竟原因。他们不想仅仅说“传感器偏差了 10%”，而是想知道：它是把血糖峰值的高度搞错了？还是把上升的速度搞错了？还是在血糖下降与上升时产生了混淆？他们制造了一台机器，可以混合糖水来创造出完美且可预测的上升与下降的葡萄糖波浪。然后，他们将机器尝试制造的波浪、机器实际制造出的波浪（因为机器并不完美），以及传感器报告的数值进行了对比。

研究人员发现，你不能仅仅信任你给机器的“食谱”；你必须先测量机器实际煮出来的“汤”。当他们测试这个“葡萄糖模拟器”时，他们发现即使他们编程让机器创造出一个完美的波浪，管子里的实际糖水平也略有不同——有时高一点，有时低一点，有时变化的速率也并不完全符合他们的订单。例如，当他们试图创造一个从 5.5 到 12.0 mmol/L 的突然跳跃时，机器有时交付的跳跃值是 6.931 mmol/L 而不是计划中的 6.5。如果他们直接将传感器与“食谱”进行对比，他们就会把错误归咎于传感器，而实际上是机器出了一个小差错。

一旦他们通过测量管中的实际糖水平解决了这个问题，他们观察了两种不同的传感器，我们称之为传感器 A 和传感器 B。他们发现这些传感器的表现截然不同，而单一的“平均得分”会掩盖真相。传感器 A 像是一个谨慎的驾驶员，总是低估速度；它看到血糖在上升，但报告的跳跃幅度却小得多（振幅传递系数约为 0.65）。它反应迟钝，将剧烈的变化压缩成了微小的变化。相比之下，传感器 B 则像是一个过度热情的驾驶员，认为每一个起伏都是一座大山；它报告的变化实际上比实际发生的还要大（振幅传递系数约为 1.2）。

最有趣的部分是这些传感器如何处理变化的“方向”。研究人员测量了被称为“滞后现象”（hysteresis）的指标，这就像是一个延迟的回声。想象一下你在爬坡，然后又走下坡；如果你的影子没有随你移动，而是停留在上坡的过程中，那就是滞后现象。传感器 B 有一个巨大的滞后环——无论血糖是在上升还是下降，即使血糖水平相同，它的读数也会大不相同。而传感器 A 在这方面要一致得多。研究表明，传感器 A 有一个很差的“平均误差”得分（MARD 为 33.70%），而传感器 B 有一个很棒的得分（MARD 为 11.49%）。但当他们观察曲线的形状时，尽管传感器 A 的数值较低，但它实际上比传感器 B 更能匹配血糖变化的模式。

主要的启示是，要真正理解一个葡萄糖传感器是如何工作的，你不能只看一个数字。你必须将误差分类到不同的“桶”中：传感器压缩波浪高度的程度、它对变化的反应速度，以及它是否会对方向感到困惑。作者建议，在未来，我们需要停止将“编程设定”的糖水平视为绝对真理，而是要先测量“实际交付”的糖水平。只有这样，我们才能判断一个传感器是否真的能够跟上人体内快速且剧烈的变化，还是仅仅是一个拥有良好平均得分、却反应迟钝且困惑的驾驶员。

技术摘要：连续葡萄糖监测系统动态响应的受控体外表征

问题陈述
连续葡萄糖监测（CGM）系统在包括自动化胰岛素输注（AID）在内的实时决策中变得日益重要。虽然平均绝对相对误差（MARD）等静态准确性指标被广泛使用，但它们无法捕捉系统重现葡萄糖浓度变化的方向、速率、振幅和形状的能力。单一的 MARD 值无法区分各种误差类型，例如恒定传感器偏移、振幅压缩、响应速率延迟、时间错位或滞后现象。此外，现有的实验室测试台通常将 CGM 输出直接与一个“编程轨迹”进行比较。这种方法存在风险，即将由测试平台本身引起的偏差（例如流体给药误差、混合效率低下或死体积）错误地归因于受测传感器。因此，需要一种受控的体外方法，能够将传感器的固有动态响应从葡萄糖谱生成系统的性能中分离出来。

方法论
本研究改进了一种可编程基于流的体外平台来生成特定的葡萄糖（GLU）谱，并引入了分层分析方法：“程序轨迹 — 测量葡萄糖 — CGM 输出”。

平台设置： 通过可编程混合两种溶液（20.0 mmol/L 葡萄糖和零葡萄糖）在磷酸盐缓冲盐基质中生成 GLU 谱，保持总流速恒定为 2.0 mL/min。系统利用具有 S 型通道的宏流体歧管以确保空间均匀性，并通过在六个控制位置进行随机采样进行了验证。
参考测量： 至关重要的是，实际输送到传感器的 GLU 浓度通过 SUPER GL2 葡萄糖分析仪进行了独立测量。该测量值而非程序设定值，被用作评估 CGM 性能的参考标准。
实验谱图： 研究采用了多样化的谱图来压力测试系统：
- 静态水平（3.0, 5.5, 12.0, 20.0 mmol/L）。
- 重复动态循环（5.5→12.0→5.5 mmol/L）。
- 低血糖谱图（6.0→3.0→6.0 mmol/L）。
- 速率控制谱图（5.0→15.0→5.0 mmol/L），转换时间分别为 50、100 和 200 分钟。
- 复杂的多相谱图（4→18→3→12→5.5 mmol/L）。
指标： 除了标准指标（偏差 Bias、平均绝对误差 MAE、均方根误差 RMSE、MARD）之外，研究还提出了将动态误差分解为特定组成部分的方案：
- 振幅传递系数 ( $K_A$ )： 传感器振幅变化与测量 GLU 振幅变化的比例。
- 速率传递系数 ( $K_{up}$ , $K_{down}$ )： 传感器上升/下降速率与测量 GLU 速率的比例。
- 归一化形状 RMSE： 在去除偏移和振幅差异后的谱图形状误差。
- 滞后环面积： 量化上升阶段与下降阶段在相同 GL_U 水平下的传感器读数差异。
- 残余偏移： 一个循环中初始平台期与最终平台期之间传感器误差的差异。

关键结果

平台性能： 该平台展示了良好的空间均匀性和重复性（CV 0.61–2.00%）。然而，实际测得的 GL_U 始终与程序设定值存在偏差。例如，在复杂谱图中，程序设定的 18 mmol/L 平台并未达到，其平均测量值为 16.20 mmol/L。在低血糖运行中，尽管达到阈值的时间相似，但低于 3.0 mmol/L 的持续时间差异显著（15.2–72.6 min）。
传感器表征： 两个概念验证传感器（CGM-A 和 CGM-B）表现出截然不同的动态行为，而标准指标未能充分区分它们：
- CGM-A 显示出负偏差和显著的振幅压缩（ $K_A \approx 0.65$ ）以及速率衰减（ $K_{up} \approx 0.63$ ）。尽管其 MARD 较高（33.70%），但它很好地保留了谱图的归一化形状（低归一化 RMSE）。
- CGM-B 显示出正偏差和振幅放大（ $K_A \approx 1.13–1.23$ ）以及速率放大（ $K_{up} \approx 1.27–1.56$ ）。它的 MARD 较低（11.49%），但表现出显著更大的滞后环面积（比 CGM-A 大 5–10 倍）和更大的动态失真。
分解效用： 研究表明，一个具有较低绝对误差的传感器（CGM-B）可能比一个具有较高绝对误差的传感器（CGM-A）具有更差的动态保真度（更高的滞后和形状失真）。所提出的指标成功分离了这些误差来源。

意义与主张
作者声称，这项工作的核心贡献在于建立了一个严谨的分析层级，即使用测量到的葡萄糖谱而非程序化的轨迹作为参考标准。这防止了将平台生成误差与传感器响应误差混淆。

研究断言，通过将动态误差分解为振幅、速率、形状和滞后成分，可以揭示 MARD 或相关系数本身无法观察到的 CGM 系统间的关键差异。具体而言，作者指出：

MARD 是不足够的： 高相关性或低 MARD 并不保证趋势重现的准确性或不存在滞后现象。
平台验证是强制性的： “程序轨迹”应被视为控制设定值，而“测量葡萄糖”才是真正的参考标准。
临床相关性： 由于 AID 系统依赖趋势数据进行给药，量化振幅压缩、速率滞后和滞后现象对于理解快速血糖变化期间的潜在给药误差至关重要。

作者总结道，虽然这些指标尚未成为规范性的验收标准，但它们为下一代 CGM 评估提供了一个必要的技术框架，使评估从单一积分指标转向多维性能剖面。该研究将自身定位为一种标准化台架测试方法的概念验证，该方法可以支持开发、对比技术评估以及动态误差的根本原因分析。

类似论文