动态血糖监测在糖尿病前期、早期糖尿病及非糖尿病人群中的应用研究综述

1. 引言：代谢监测范式的转移

1.1 技术演进与应用边界的拓展

动态血糖监测（Continuous Glucose Monitoring, CGM）技术的迅猛发展，正在重塑我们对人体葡萄糖代谢动力学的理解。这项技术最初作为胰岛素依赖型糖尿病（特别是1型糖尿病）患者的“人工胰腺”闭环系统的感知核心而诞生，其设计初衷是为了在胰岛素泵输注过程中提供实时的安全保障，预防致命性低血糖。然而，随着传感器电化学酶技术的迭代、微创植入体验的改善、测量精度的提升（平均绝对相对误差 MARD 值已普遍低于10%）以及数据传输算法的智能化，CGM 的应用边界早已突破了“胰岛素治疗”这一传统围栏1。

在当今的内分泌与代谢研究领域，CGM 正经历着从“疾病管理医疗器械”向“广泛代谢健康评估工具”的深刻转型。这一转型的核心驱动力在于学界日益认识到，传统的静态血糖指标——如空腹血糖（FPG）和糖化血红蛋白（HbA1c）——虽然在临床诊断中具有不可替代的标准地位，但它们在描述血糖波动性（Glycemic Variability, GV）、捕捉餐后高血糖尖峰（Spikes）以及识别隐匿性低血糖方面存在本质缺陷2。对于糖尿病前期（Prediabetes）、早期2型糖尿病（Early T2D）以及追求极致代谢健康的非糖尿病人群而言，HbA1c 往往掩盖了日间血糖大幅震荡的病理生理真相，而这种震荡被认为与氧化应激、血管内皮损伤及长期心血管风险密切相关3。

1.2 报告范围与研究目的

本综述旨在全面梳理和深度剖析 CGM 在非胰岛素强化治疗人群中的最新应用研究成果。研究对象严格限定为以下三类人群：

  1. 糖尿病前期人群：处于正常糖耐量与显性糖尿病之间的灰色地带，具有极高的预防干预价值。
  2. 早期及非胰岛素治疗的2型糖尿病患者：处于疾病早期阶段，主要依赖生活方式干预或口服药物（如二甲双胍、SGLT2抑制剂）控制血糖。
  3. 非糖尿病（健康）人群：包括普通健康个体、精英运动员以及参与精准营养研究的受试者。

本报告将排除人工胰腺（自动胰岛素输注系统）及1型糖尿病相关内容，聚焦于 CGM 作为监测、评估、行为干预及风险分层工具的独立价值。我们将深入探讨 CGM 在定义“正常”血糖基线中的作用、其在早期筛查中的敏感性与特异性、作为行为改变（Behavior Modification）催化剂的心理学机制、在精准营养（Precision Nutrition）与运动生理学中的应用，以及随之而来的测量准确性争议、心理负担（如血糖焦虑）和卫生经济学考量。

2. 非糖尿病人群的血糖生理基线：重新定义“正常”

在讨论病理状态之前，确立基于 CGM 的“正常”血糖生理基线是所有研究的基石。过去几十年，医学界对“正常血糖”的定义主要基于空腹采血和口服葡萄糖耐量试验（OGTT）的离散点数据。CGM 技术的普及提供了海量的连续数据，使我们得以以前所未有的分辨率描绘健康人的血糖全景图，同时也引发了关于“生理性波动”与“病理异常”界限的激烈学术辩论。

2.1 目标范围内时间（TIR）与从紧标准（TITR）

对于糖尿病患者，国际共识推荐的“目标范围内时间”（Time in Range, TIR）标准通常设定为 70-180 mg/dL（3.9-10.0 mmol/L）。然而，针对非糖尿病人群，研究者提出了更为严格的参考标准，即“从紧目标范围内时间”（Time in Tight Range, TITR），通常定义为 70-140 mg/dL（3.9-7.8 mmol/L）。

Framingham 心脏研究（Framingham Heart Study）的最新队列数据为我们提供了宝贵的基线参考。该研究对社区居住的成年人进行了分层分析，结果显示，血糖正常的参与者（HbA1c < 5.7%）平均将 87.0% 的时间维持在 70-140 mg/dL 的严格范围内4。这一数据具有重要的临床意义：它表明，即使是完全健康的人群，其血糖也并非如教科书般是一条“直线”。事实上，Framingham 的数据揭示，健康人平均每天约有 12.1% 的时间（约3小时）血糖会超过 140 mg/dL，且有 1.2% 的时间（约17分钟）会超过 180 mg/dL4。这打破了“健康人血糖永远不超过 140 mg/dL”的传统认知误区，提示我们必须容忍一定程度的生理性餐后血糖升高。

另一项针对老年人群（平均年龄83岁）的大型研究（ARIC Study）提供了不同年龄层的视角。在这项涵盖1150名参与者的研究中，研究者发现，被归类为“正常血糖”的老年人，其 TITR（70-140 mg/dL）平均值为 87.2%，这与 Framingham 研究中的中年人群数据惊人地一致5。这表明，尽管衰老通常伴随着胰岛β细胞功能的轻度衰退和胰岛素抵抗的增加，但在未患糖尿病的个体中，机体的稳态调节机制仍能极其有效地将血糖维持在这一狭窄的生理区间内。

2.2 血糖变异性与“葡萄糖型”（Glucotypes）

尽管平均指标（如 TITR）在人群层面高度一致，但个体层面的差异却被 CGM 揭示得淋漓尽致。斯坦福大学的一项开创性研究引入了“葡萄糖型”（Glucotypes）的概念，即根据个体的血糖波动模式将其分类为低变异性、中变异性和高变异性群体6。

研究发现，即使在标准临床指标（FPG, HbA1c）完全正常的健康人中，也存在显著的血糖变异性异质性。一部分被传统手段判定为“健康”的个体，在 CGM 监测下表现出了类似糖尿病前期的剧烈血糖波动7。这种波动通常由特定的饮食触发（如高升糖指数的碳水化合物），且在不同个体间差异巨大。例如，某些人对米饭反应平稳，却对土豆产生剧烈的血糖尖峰；而另一些人则恰恰相反。这种现象挑战了通用营养指南的有效性，并为精准营养干预提供了理论依据。

此外，ARIC 研究还引入了变异系数（Coefficient of Variation, CV）作为衡量血糖稳定性的核心指标。在健康老年人中，CV 的中位数为 20%，显著低于糖尿病患者通常设定的 36% 的控制目标5。这进一步量化了健康生理状态下的血糖稳定性特征：即不仅平均值要低，波动的幅度也应受到严格限制。

2.3 隐匿性高血糖与餐后尖峰的普遍性

CGM 在健康人群中检测到的最常见“异常”是餐后高血糖尖峰。关于这些尖峰的病理意义，目前存在广泛争议。

  • 发生率： 一项使用 FreeStyle Libre 传感器的研究显示，在7天的佩戴期内，52% 的健康非糖尿病成年人至少出现了一次血糖超过 180 mg/dL（10.0 mmol/L）的事件；而另一项使用 iPro2 专业版 CGM 的研究发现，73% 的参与者出现过超过 140 mg/dL 的尖峰7。
  • 临床解读： 这表明偶发的餐后高血糖在健康人群中是常态而非例外。这种短暂的升高（通常持续时间短，能够迅速回落）反映了机体在摄入大量碳水化合物后的正常生理调节过程。然而，如果这种尖峰出现的频率过高（例如每天多次）、持续时间过长（Area Under the Curve, AUC 过大），或者回落速度迟缓，则可能提示早期的胰岛素分泌延迟或胰岛素敏感性受损，即所谓的“隐匿性糖代谢异常”8。

2.4 低血糖的伪影与生理性低值

CGM 在健康人中经常记录到低于 70 mg/dL 甚至 54 mg/dL 的数值，这引发了关于“非糖尿病低血糖”流行率的讨论。

  • 夜间低值： 许多健康人在夜间睡眠期间，CGM 会显示长时间的低血糖读数。然而，绝大多数情况下，这些个体并未表现出任何低血糖症状（如心悸、出汗、噩梦）。
  • 压迫性低值（Compression Lows）： 技术层面的伪影是造成这一现象的主要原因。当用户在睡眠中压迫传感器时，局部组织受压会导致组织间液流动受阻，从而引起传感器读数的虚假下降。一旦压力解除，读数会迅速反弹7。
  • 生理性无症状低血糖： 除去技术伪影，部分健康女性和年轻人在空腹状态下确实可以耐受较低的血糖水平（如 60-70 mg/dL）而无不适。目前的共识倾向于认为，对于未服用降糖药物的个体，单纯的 CGM 低值读数若无临床症状，通常不具有病理意义，不应作为干预的指征7。

3. 测量准确性的挑战：组织间液与毛细血管血的差异

随着 CGM 向非糖尿病人群的推广，其测量准确性——特别是在正常血糖范围内的准确性——成为了一个不可忽视的科学问题。巴斯大学（University of Bath）的一项最新研究对这一问题进行了深入的剖析，其结果对当前的 CGM 应用热潮提出了警示。

3.1 系统性偏差与高估倾向

这项发表在《美国临床营养学杂志》上的随机交叉试验对比了 CGM（组织间液葡萄糖）与金标准毛细血管采血（指尖血糖）在健康成人中的一致性。研究结果令人震惊：CGM 在健康个体中表现出显著的正偏差（Positive Bias）。

  • 数值高估： CGM 测得的空腹和餐后血糖水平平均比毛细血管血高出 0.9 mmol/L9。在血糖基数较低的健康人中，这一绝对值的偏差会转化为巨大的相对误差。
  • 夸大高血糖时间： 由于这种系统性的高估，CGM 将参与者处于高血糖阈值以上的时间（Time Above Range）高估了近 400%9。这意味着许多被 CGM 判定为“血糖飙升”的时段，在生理上可能并未达到需要关注的程度。

3.2 对血糖指数（GI）评估的误导

对于试图利用 CGM 进行个性化营养指导或测定食物血糖指数（GI）的研究，这种偏差具有破坏性影响。巴斯大学的研究发现，CGM 倾向于错误地将低 GI 食物归类为中等甚至高 GI 食物。

  • 具体案例： 在实验中，通过指尖采血测定为“低 GI”（GI=53）的某种水果冰沙，被 CGM 测定为“中等 GI”（GI=69）。同样，全果等健康食品也常被 CGM 错误地标记为会导致血糖剧烈波动的食物9。
  • 潜在后果： 这种分类错误可能导致健康人群产生错误的饮食观念，例如因为 CGM 显示的虚假“尖峰”而避免摄入水果、全谷物等富含膳食纤维的有益食物，反而损害了整体饮食质量。这也提示我们，目前市面上基于 CGM 数据的个性化营养算法可能需要重新校准，以扣除这种系统性偏差。

3.3 生理延迟与流体动力学

CGM 测量的并非血液中的葡萄糖，而是组织间液（Interstitial Fluid, ISF）中的葡萄糖。两者之间的平衡存在生理性延迟（Lag Time），通常为 5-15 分钟。在血糖快速变化时（如进食后或运动时），这种延迟会被放大。

  • 运动中的偏差： 在非糖尿病运动员中，剧烈运动导致的血液重新分布和体温变化可能进一步影响 ISF 与血液葡萄糖的平衡。研究指出，CGM 在运动期间的 MARD 值（平均绝对相对差）通常高于静息状态（<15% vs <10%），且容易出现假性低血糖读数10。
  • 校准的重要性： 尽管现代 CGM 多为工厂校准（Factory Calibrated），但在非糖尿病人群的狭窄血糖波动范围内，这种校准可能不够精细。对于那些追求极致数据准确性的用户，指尖血校准仍然是不可或缺的验证手段。

4. 糖尿病前期的早期筛查与预防干预

糖尿病前期是预防 2型糖尿病发展的关键“可逆窗口期”。传统的筛查手段在敏感性和特异性上存在局限，而 CGM 的引入为这一阶段的风险分层和干预提供了新的维度。

4.1 诊断一致性的挑战与 CGM 的补充价值

目前的糖尿病前期诊断标准主要依赖 HbA1c（5.7%-6.4%）、FPG（100-125 mg/dL）和 2h-PG（140-199 mg/dL）。然而，这些指标之间的一致性（Concordance）并不理想。研究表明，基于不同指标筛查出的“糖尿病前期”人群仅有部分重叠1。

  • 漏诊风险： 部分个体的空腹血糖和 HbA1c 尚在正常范围，但餐后血糖波动已极其剧烈（孤立性餐后高血糖）。这类人群往往被传统筛查漏掉，却面临着同样高的心血管风险。
  • CGM 的敏感性： CGM 能够捕捉到这种“隐形”的血糖失调。专家共识建议，对于那些具有代谢风险因素（如肥胖、家族史）但 HbA1c 正常的个体，如果 CGM 显示的时间高于 140 mg/dL（TAR >140）超过一定比例（如 >15% 或 >20%），应视为高危信号11。
  • 老年人群的特殊性： 值得注意的是，ARIC 研究在老年人群中并未发现 CGM 比 HbA1c 具有明显的优越性。在该研究中，绝大多数 HbA1c 正常的极高龄老人，其 CGM 图谱也非常健康，未发现大量的隐匿性高血糖5。这提示 CGM 作为筛查工具的效用可能存在年龄特异性，或许在中青年肥胖人群中更具价值。

4.2 行为改变的生物反馈机制

CGM 在糖尿病前期干预中最核心的价值不在于“监测”，而在于“教育”和“赋能”。它通过提供实时的生物反馈（Biofeedback），打破了行为与后果之间的时间延迟，成为了一种强效的行为矫正工具。

  • “看见即相信”效应： 传统的饮食教育往往是抽象的（“少吃糖”、“多吃菜”）。而 CGM 让用户直观地看到：喝下一杯含糖饮料后，血糖曲线如过山车般飙升；而餐后散步 15 分钟，曲线则平缓下降。这种即时的视觉反馈极大地增强了自我效能感（Self-Efficacy）12。
  • 饮食与运动干预效果：
    • 饮食： 一项针对糖尿病前期患者的试点研究显示，结合低碳水化合物饮食指导的 CGM 干预，在短时间内使参与者的 HbA1c 平均下降了 0.71%，并伴随显著的体重减轻。93% 的参与者对这种干预模式表示满意，认为数据可视化是促使他们改变饮食的关键13。
    • 运动： 调查显示，约 47.5% 的 CGM 用户在看到屏幕上的血糖上升趋势箭头时，会主动选择去散步或进行体力活动以“压低”曲线12。这种自发的行为调整是传统教育难以企及的。

4.3 行为改变的持久性与“反弹”风险

尽管短期效果显著，但 CGM 干预后的长期行为维持仍是一个未解难题。UNITE 研究的后续追踪数据为我们敲响了警钟。

  • 停用后的恶化： 该研究发现，当非胰岛素治疗的 T2D 患者在使用 CGM 两个月并取得显著改善（TIR 从 46-55% 提升至 71%）后，一旦停止佩戴设备，在随后的 4 个月随访期内，其 TIR 迅速回落至 60%，各项血糖指标均出现显著恶化（Rebound Effect）14。
  • 外挂依赖： 这表明，对于许多患者而言，CGM 更多是充当了一种“外挂辅助”或“外部超我”，一旦移除，内在的行为习惯并未完全固化。这提示未来的干预模式不能仅依赖设备的短期佩戴，而需要结合更深层次的心理行为干预，或者考虑间歇性佩戴（如每月佩戴一周）作为长期维持策略15。

4.4 数字化混合干预模式

为了解决持久性问题，将 CGM 数据融入更广泛的数字化健康生态系统成为趋势。

  • 混合模式的优势： Meta 分析显示，单纯依赖 APP 或数字工具的干预在降低 T2D 发病率方面的效果（降低12%）远不如面对面的人工干预（降低46%）。然而，将 CGM 数据流与人工健康教练（Health Coaching）相结合的“混合模式”，能够兼顾个性化与情感支持，显著提升干预效果16。
  • AI 驱动的个性化： Signos、Lingo 等新兴平台利用 AI 算法解析 CGM 数据，不仅告诉用户“血糖高了”，还能结合用户的饮食记录，精准识别出“土豆是你的克星，但米饭不是”，从而提供高度定制化的生活方式建议17。

5. 个性化营养与非糖尿病人群的应用：超越通用指南

5.1 ZOE PREDICT 研究与个体化餐后反应

“低 GI 食物对所有人都好”这一传统营养学公理正在受到挑战。由 ZOE Global 及其学术合作伙伴开展的 PREDICT 系列研究是目前全球规模最大的个性化营养研究之一。

  • 惊人的异质性： PREDICT-1 研究发现，即使是基因完全相同的同卵双胞胎，在进食完全相同的标准化餐食后，其餐后血糖反应（Postprandial Glycemic Response, PPGR）也可能截然不同。研究数据表明，基因仅能解释约 30% 的血糖反应差异，而其余 70% 则由肠道微生物组、睡眠质量、压力水平、进食时间（昼夜节律）及运动习惯等环境因素决定18。
  • 微生物组的关键角色： 研究识别出了一组与“良性”代谢反应相关的肠道菌群和另一组与“不良”反应相关的菌群。基于 CGM 数据和微生物组测序，研究者开发了机器学习算法来预测个体对特定食物的反应。初步证据显示，遵循基于这些预测的个性化饮食建议，相比遵循标准饮食指南，能更有效地改善餐后血脂和血糖控制，并提升受试者的主观精力水平19。

5.2 运动员与运动表现：燃料传感器

在精英体育领域，CGM 被重新定义为“燃料传感器”，用于优化能量管理和避免“撞墙”（Bonking）。

  • 耐力运动中的应用： 对于超级马拉松、铁人三项等耐力项目，维持血糖稳定至关重要。研究显示，在超长距离比赛中，血糖水平维持在较高区间的运动员，其运动表现往往更佳。通过 CGM，运动员可以精准判断何时需要补充碳水化合物，从而避免低血糖导致的功能衰竭10。
  • 压力性高血糖的辨析： 高强度间歇训练（HIIT）或比赛时的精神压力通常会诱发儿茶酚胺和皮质醇的释放，导致肝糖原大量分解，引起血糖暂时性飙升。CGM 记录下的这种“尖峰”是运动强度的体现，而非代谢异常。运动员和教练需要学会区分这种“良性应激”与饮食不当导致的“恶性波动”8。
  • 证据的缺乏： 尽管商业宣传铺天盖地，但目前的科学文献尚不支持 CGM 能直接提升健康、活跃人群的运动成绩。澳大利亚的一项研究指出，对于非糖尿病运动员，CGM 数据并未显示出与运动表现指标的强相关性，且存在数据误读和过度关注数据的风险20。

6. 心理影响：从赋能到焦虑的阴暗面

CGM 技术的普及是一把双刃剑。在赋予用户数据掌控权的同时，它也引发了日益严重的心理副作用，这在非糖尿病人群中尤为突出。

6.1 “血糖焦虑”与数据强迫症

持续的数据流可能诱发“血糖焦虑”（Glucose Anxiety）。用户可能会对正常的生理性波动产生过度反应，每看到一个向上的箭头就感到恐慌。这种持续的警觉状态本身就会增加压力激素（皮质醇）的分泌，反过来进一步推高血糖，形成恶性循环21。

  • 微观管理的陷阱： 健康人可能陷入对数值的微观管理中，试图将血糖曲线拉成一条直线（Flatline）。然而，生理学告诉我们，健康的代谢本质上是动态的，适度的波动是机体适应环境的体现。

6.2 进食障碍与健康食品痴迷症（Orthorexia）

营养师和心理学家发出了强烈警告：CGM 可能成为进食障碍（Eating Disorders）的温床，或者是这种倾向的“数字化催化剂”。

  • 健康食品痴迷症： 这是一种对“健康饮食”产生病态执着的心理障碍。CGM 用户为了避免所谓的“尖峰”，可能会采取极端的饮食限制策略，剔除所有碳水化合物，甚至包括水果、豆类和全谷物。这种行为虽然可能带来平滑的血糖曲线，却导致了微量元素缺乏、膳食纤维摄入不足和社交孤立7。
  • 厌食症的复发： 对于有厌食症病史的个体，CGM 提供了一个新的、看似科学的“控制指标”。这种对数据的痴迷可能迅速恶化为限制性进食行为。因此，临床建议对于有进食障碍风险的人群，应慎用或禁用 CGM21。

7. 早期2型糖尿病的管理与卫生经济学考量

对于已确诊但未依赖胰岛素的 T2D 患者，CGM 的应用正处于从“临床有效”向“成本有效”论证的关键阶段。

7.1 临床获益：超越指尖血糖

多项 Meta 分析和随机对照试验（如 MOTIVATION, UNITE）证实，在非胰岛素治疗的 T2D 患者中引入 CGM，相比传统的指尖血糖监测（SMBG），能带来显著的临床获益22。

  • HbA1c 的降低： 平均而言，CGM 干预能使 HbA1c 额外降低 0.3% - 0.5%。这一幅度虽然不及强效药物，但对于减少长期并发症风险具有临床意义。
  • 低血糖的减少： 即便是非胰岛素治疗（如使用磺脲类药物）的患者，CGM 也能有效识别并减少夜间低血糖事件。

7.2 成本效益分析：长期的账本

CGM 的高昂成本是其普及的主要障碍。然而，将其置于全生命周期的卫生经济学模型中考量，结论则大不相同。

  • 加拿大与美国模型： 针对胰岛素治疗的 T2D 患者，加拿大和美国的卫生经济学研究均得出了一致结论：实时 CGM（rt-CGM）具有显著的成本效益（Cost-Effective），甚至可能是成本节约的（Cost-Saving）。
    • 一项加拿大研究模拟了 30 年的时间跨度，发现 rt-CGM 相比扫描式 CGM，每人能增加 0.346 个质量调整生命年（QALYs），并节省 2237 加元 的总医疗支出23。
    • 美国的模型也显示，rt-CGM 的增量成本效果比（ICER）远低于支付意愿阈值（WTP，通常为5万或10万美元/QALY），主要归因于其通过改善血糖控制，显著减少了昂贵的长期并发症（如透析、失明、截肢、心肌梗死）以及急性事件（如严重低血糖救治）24。
  • 预防的经济价值： 虽然针对糖尿病前期人群的直接成本效益数据尚不充分，但澳大利亚的经济模型推测，如果通过技术手段有效阻断并发症的发生，每年可为国家卫生系统节省数十亿美元25。这为在特定的高危糖尿病前期人群中报销 CGM 提供了初步的经济学依据。

8. 血糖变异性（GV）：独立的心血管风险因素

本综述最重要的发现之一，是确认了 血糖变异性（GV） 作为独立于高血糖之外的心血管风险因素，这一结论在非糖尿病人群中同样成立。

8.1 病理生理机制：氧化应激的元凶

为什么波动的血糖比持续的高血糖更具破坏性？基础研究提供了分子层面的解释。

  • 氧化应激： 体外细胞实验表明，暴露于波动高糖环境下的内皮细胞，其线粒体超氧化物的生成量显著高于持续高糖环境。这种急剧的波动会导致蛋白激酶 C（PKC）通路的过度激活，引发强烈的氧化应激反应和炎症因子的释放3。
  • 内皮功能障碍： 在人体中，急性的血糖波动被证实会损害流介导的血管扩张功能（FMD），并增加颈动脉内中膜厚度（CIMT），这是动脉粥样硬化的早期标志26。

8.2 临床证据：来自流行病学队列的警示

  • 死亡率预测： 在著名的 ALLHAT 研究中，研究人员对大量非糖尿病参与者进行了长期随访。结果发现，空腹血糖的长期变异性（Visit-to-Visit Variability）与全因死亡率和心血管事件风险呈显著正相关。处于 GV 最高四分位数的人群，其全因死亡风险是最低四分位数的 2.67 倍27。
  • 外周动脉疾病： 韩国和台湾的大型队列研究进一步证实，高 GV 是外周动脉疾病（PAD）和严重肢体缺血（导致截肢）的独立危险因素，且这种关联在剔除 HbA1c 的影响后依然存在3。
  • U型曲线： ACCORD 研究的后续分析还揭示了 GV 与不良事件之间可能存在“U型”关系，即过低或过高的变异性均不利，且强化降糖治疗可能会在某些高 GV 患者中反而增加死亡风险，这提示“稳糖”可能比单纯“降糖”更重要28。

这些证据强烈支持在心血管风险评估中引入 GV 指标，而 CGM 是获取这一指标的唯一可靠途径。

9. 结论与展望

动态血糖监测（CGM）的应用已经跨越了单纯的糖尿病治疗，进入了更广阔的预防医学与健康优化领域。

9.1 核心结论

  1. 非糖尿病人群基线： 健康人的血糖并非一条直线，TITR（70-140 mg/dL）>87% 是合理的参考标准。偶发的餐后尖峰和无症状的夜间低值在很大程度上属于生理性波动或技术误差，不应被过度医疗化。
  2. 准确性警示： CGM 在健康人中存在系统性的高估偏差（约 0.9 mmol/L），且可能误导对食物 GI 值的判断。在进行精准营养评估时，必须考虑这一误差。
  3. 行为改变的利弊： CGM 是极为强大的行为改变工具，能显著改善饮食和运动习惯，但存在“停用即反弹”的依从性问题，且需警惕诱发“血糖焦虑”和进食障碍的风险。
  4. 独立的风险标志物： 血糖变异性（GV）是独立于 HbA1c 之外的心血管风险预测因子。对于 HbA1c 正常但具有代谢风险因素（如肥胖、心血管家族史）的个体，CGM 筛查具有独特的临床价值。
  5. 卫生经济学： 在非胰岛素治疗的 T2D 中，CGM 已显示出长期的成本效益。在糖尿病前期人群中，其经济价值取决于能否有效转化为持久的生活方式改变以阻断疾病进程。

9.2 未来展望

未来的研究应致力于建立基于 CGM 的大样本健康人群标准化数据库，明确不同年龄、种族背景下的“正常 GV”阈值。同时，开发结合 AI 算法、行为心理学和 CGM 数据的“混合干预模式”，以解决行为改变的持久性难题，将是数字疗法领域的下一个突破口。对于医疗监管机构而言，如何在放宽 CGM 获取渠道（如 OTC 批准）与规范市场宣传、防止公众过度焦虑之间找到平衡，将是面临的重大挑战。

表 1：ARIC 研究中老年人群（平均83岁）CGM 指标对比5

指标 (中位数/均值) 正常血糖组 (HbA1c <5.7%) 糖尿病前期组 (HbA1c 5.7-6.4%) 糖尿病组
平均血糖 (mg/dL) 97 102 129
TITR (70-140 mg/dL) 占比 87.2% 86.8% 60.9%
TAR (>140 mg/dL) 占比 3.4% 5.8% 34.3%
变异系数 (CV) 20% 20% 27.1%
平均血糖 >140 mg/dL 人数占比 0% 0% 32.7%

注：该表显示在极高龄人群中，糖尿病前期与正常血糖组的 CGM 特征差异微小，提示该年龄段 HbA1c 的诊断效能可能优于 CGM。

引用的著作

  1. Continuous Glucose Monitoring: A Transformative Approach to the Detection of Prediabetes ↩︎ ↩︎

  2. 2. Diagnosis and Classification of Diabetes: Standards of Care in Diabetes—2025 ↩︎

  3. Effects of long-term glycemic variability on incident cardiovascular disease and mortality in subjects without diabetes: A nationwide population-based study - NIH ↩︎ ↩︎ ↩︎

  4. Defining Continuous Glucose Monitor Time in Range in a Large, Community-Based Cohort Without Diabetes - Oxford Academic ↩︎ ↩︎

  5. Glucose Abnormalities Detected by Continuous Glucose Monitoring ... ↩︎ ↩︎ ↩︎ ↩︎

  6. Use of Continuous Glucose Monitors by People Without Diabetes: An Idea Whose Time Has Come? - NIH ↩︎

  7. CGM for People Without Diabetes | Diabetotech Updates ↩︎ ↩︎ ↩︎ ↩︎ ↩︎

  8. Continuous Glucose Monitoring for Non Diabetics: A New Frontier in Metabolic Health Optimization - Vasculearn Network ↩︎ ↩︎

  9. Study Finds CGMs Could Overestimate Food's Impact on Blood ... ↩︎ ↩︎ ↩︎

  10. CONTINUOUS GLUCOSE MONITORING USE IN ATHLETES WITHOUT DIABETES ↩︎ ↩︎

  11. The Use of Continuous Glucose Monitoring to Diagnose Stage 2 Type 1 Diabetes - NIH ↩︎

  12. Continuous Glucose Monitoring As a Behavior Modification Tool - PMC - NIH ↩︎ ↩︎

  13. CGM and Lifestyle Changes for Prediabetes · Recruiting Participants for Clinical Trial 2025 ↩︎

  14. Effects of Continuous Glucose Monitoring Discontinuation in Adults With Type 2 Diabetes Not Using Insulin - NIH ↩︎

  15. The Effect of Discontinuing Continuous Glucose Monitoring in Adults With Type 2 Diabetes Treated With Basal Insulin ↩︎

  16. Effectiveness of Different Intervention Modes in Lifestyle Intervention for the Prevention of Type 2 Diabetes and the Reversion to Normoglycemia in Adults With Prediabetes: Systematic Review and Meta-Analysis of Randomized Controlled Trials - Journal of Medical Internet Research ↩︎

  17. Use of Continuous Glucose Monitoring in Non-Diabetic Population to Compliment Signos Mobile Health Platform | ClinicalTrials.gov ↩︎

  18. ZOE's PREDICT Studies: What We Learned ↩︎

  19. NCT05273268 | ZOE METHOD Study: Comparing Personalized vs. Generalized Nutrition Guidelines | ClinicalTrials.gov ↩︎

  20. Non-diabetics are buying continuous glucose monitors – but are there actually any health benefits? | UniSC ↩︎

  21. Glucose Monitoring for Non-Diabetics: A Dangerous Trend - Mental ... ↩︎ ↩︎

  22. Effects of Continuous Glucose Monitoring Discontinuation in Adults With Type 2 Diabetes Not Using Insulin | Request PDF - ResearchGate ↩︎

  23. The cost-effectiveness of real-time continuous glucose monitoring versus intermittently scanned continuous glucose monitoring in individuals with insulin-treated Type 2 diabetes mellitus in Canada - Becaris Publishing ↩︎

  24. Continuous glucose monitoring for self-management of diabetes in people living with type 2 diabetes mellitus on basal insulin therapy: A microsimulation model and cost-effectiveness analysis from a US perspective with relevance to Medicaid ↩︎

  25. Expert modelling shows huge cost savings for diabetes technology ↩︎

  26. Glycemic Variability in Nondiabetic Morbidly Obese Persons: Results of an Observational Study and Review of the Literature - NIH ↩︎

  27. Visit-to-Visit Glycemic Variability and Risks of Cardiovascular Events and All-Cause Mortality: The ALLHAT Study - PMC - NIH ↩︎

  28. Glycemic variability evaluated by HbA1c rather than fasting plasma glucose is associated with adverse cardiovascular events - Frontiers ↩︎