Vorhersage von Insulinresistenz durch Wearables und routinemäßige Blutmarker

Warum Ihre Uhr möglicherweise Ärger signalisiert, bevor Ihr Arzt es kann

Millionen Menschen befinden sich auf dem Weg zu Typ‑2‑Diabetes, lange bevor die üblichen Blutzuckerwerte Alarm schlagen. Diese Studie stellt eine einfache Frage mit großen Folgen: Könnte eine gewöhnliche Smartwatch, kombiniert mit routinemäßigen Blutuntersuchungen, Sie Jahre früher unauffällig darauf hinweisen, dass Ihr Körper gegenüber Insulin unempfindlicher wird — ein zentraler früher Schritt hin zu Diabetes und Herzkrankheiten? Indem sie Wearable‑Daten mit einer neuen Klasse von maschinellen Lernmodellen kombinieren, zeigen die Forschenden, dass alltägliche Signale wie Herzfrequenz, Schlaf und Schrittzahl dazu beitragen können, versteckte metabolische Risiken in großem Maßstab aufzuspüren.

Vom stillen Risiko zu alltäglichen Signalen

Insulinresistenz entsteht, wenn die Körperzellen weniger gut auf Insulin reagieren, wodurch die Bauchspeicheldrüse härter arbeiten muss, um den Blutzucker zu regulieren. Menschen können stark insulinresistent sein, während Standardtests — wie Nüchternglukose oder HbA1c — noch „normal“ aussehen. In dieser Studie konzentrierte sich das Team auf mehr als 1.100 Erwachsene in den Vereinigten Staaten, die Fitbit‑ oder Pixel‑Smartwatches trugen und Nüchternbluttests in klinischen Labors durchführen ließen. Als Referenzmaß für die Insulinresistenz verwendeten sie einen etablierten Laborwert namens HOMA‑IR, der Nüchterinulin und Glukose kombiniert.

Wie die Studie Rohdaten in Risikowerte verwandelte

Von jedem Teilnehmenden sammelten die Forschenden drei Hauptbestandteile: Lifestyle‑Signale aus Wearables (Ruhepuls, Herzfrequenzvariabilität, tägliche Schritte und Schlafdauer), grundlegende demografische Informationen (wie Alter und Body‑Mass‑Index) sowie routinemäßige Laborwerte (einschließlich Nüchternglukose, Lipidprofil und einem Stoffwechselpanel). Anschließend trainierten sie maschinelle Lernmodelle, um für jede Person den HOMA‑IR‑Wert direkt aus diesen leicht zu beschaffenden Eingaben vorherzusagen. Durch Festlegung einer Schwelle im HOMA‑IR konnten sie Personen als insulinempfindlich, grenzwertig oder insulinresistent klassifizieren. Das leistungsfähigste Modell kombinierte alle drei Informationsquellen und erklärte etwa die Hälfte der Variation des HOMA‑IR zwischen Individuen — deutlich besser als Modelle, die nur auf Glukose‑ oder Wearable‑Daten beruhten.

Eine klügere Art, Wearable‑Ströme zu lesen

Um das Beste aus den dichten, minutengenauen Smartwatch‑Daten herauszuholen, passte das Team ein „Foundation‑Model“ an, das ursprünglich mit 40 Millionen Stunden an Sensordaten von über einer Million Personen trainiert worden war. Anstatt einfache Wochen‑Durchschnitte von Schritten oder Schlaf zu verwenden, lernte dieses Foundation‑Model komplexe Muster in Aktivität, Herzrhythmus und Schlafzeitpunkten und komprimierte dann die Daten jeder Person in eine kompakte Darstellung. Wenn diese gelernten Wearable‑Merkmale in das Insulinresistenzmodell eingespeist wurden, stieg die Leistung deutlich: In der Hauptkohorte verbesserte das Hinzufügen von Foundation‑Model‑Features zu Demografie, Nüchternglukose und Lipidwerten die Fähigkeit, insulinresistente Personen von anderen zu unterscheiden, auf eine Fläche unter der Kurve von etwa 0,88 — konkurrenzfähig mit deutlich invasiveren Testmethoden.

Erprobung des Ansatzes in einer neuen Gruppe

Da Algorithmen auf den Trainingsdaten häufig am besten abschneiden, testeten die Autoren ihre Modelle an einer völlig separaten Validierungskohorte von 72 Personen, die in einer laborgeführten Lifestyle‑Studie ein anderes Fitbit‑Gerät trugen. Auch hier übertrafen Modelle, die Smartwatch‑Repräsentationen plus standardmäßige Bluttests nutzten, solche, die nur Klinikdaten verwendeten. Entscheidend war, dass das mit Wearables ergänzte Modell besser darin war, Personen zu erkennen, deren Blutzucker noch normal wirkte, deren Insulinresistenz jedoch bereits hoch war — eine Gruppe mit erhöhtem Risiko für späteren Diabetes und Fettleber.

Zahlen in verständliche Beratung verwandeln

Um diese Vorhersagen im Alltag nützlich zu machen, entwickelten die Forschenden einen „Insulinresistenz‑Agenten“, ein auf einem großen Sprachmodell aufbauendes Schlussfolgerungssystem. Basierend auf den Wearable‑Daten, Laborergebnissen und dem vorhergesagten Insulinresistenzstatus einer Person kann der Agent Fragen beantworten wie „Bin ich gefährdet, Diabetes zu entwickeln?“ oder „Welche Lebensstiländerungen sind für mich am wichtigsten?“ Er kann das Prognosemodell aufrufen, medizinische Referenzen im Web nachschlagen, Berechnungen durchführen und dann eine maßgeschneiderte Erklärung zusammenstellen. Als ein Gremium von Endokrinologen seine Antworten mit denen eines Standard‑Sprachmodells ohne Insulinresistenz‑Informationen verglich, bevorzugten sie durchweg die Antworten des neuen Agenten als umfassender, vertrauenswürdiger und persönlicher.

Was das für Ihre nächste Untersuchung bedeuten könnte

Die Botschaft der Studie ist nicht, dass Smartwatches Krankheiten allein diagnostizieren können, sondern dass sie Frühwarnungen deutlich zugänglicher machen können. Indem man gängige Laborwerte mit passiv gesammelten Signalen von Geräten kombiniert, die viele Menschen bereits tragen, kann das Modell Personen markieren, die von gezielten Lebensstiländerungen oder bestätigenden Insulintests profitieren könnten — lange bevor sich ein Diabetes vollständig entwickelt. Praktisch gesehen deutet diese Arbeit auf eine Zukunft hin, in der Ihre Uhr und Ihre routinemäßigen Blutwerte gemeinsam ein Frühwarnradar für metabolische Probleme bilden und Ärztinnen und Patienten ermöglichen, früher mit Ernährung, Bewegung oder Medikamenten gegenzusteuern, um bleibende Schäden zu verhindern.

Zitation: Metwally, A.A., Heydari, A.A., McDuff, D. et al. Insulin resistance prediction from wearables and routine blood biomarkers. Nature 652, 451–461 (2026). https://doi.org/10.1038/s41586-026-10179-2

Schlüsselwörter: Insulinresistenz, Wearable‑Geräte, Risiko für Typ‑2‑Diabetes, digitale Gesundheit, Maschinelles Lernen in der Medizin