Voorspelling van insulineresistentie met wearables en routinebloedwaarden

Waarom je horloge mogelijk problemen signaleert voordat je arts dat doet

Miljoenen mensen bevinden zich al jarenlang op weg naar type 2 diabetes voordat hun bloedsuikertests alarm slaan. Deze studie stelt een eenvoudige vraag met grote implicaties: zou een gewone smartwatch, gecombineerd met routinematige bloedonderzoeken, je jaren eerder stilletjes kunnen waarschuwen dat je lichaam resistent begint te worden tegen insuline — een vroeg en cruciaal stadium op weg naar diabetes en hartziekten? Door draagbare gegevens te combineren met een nieuwe klasse machine‑learningmodellen laten de onderzoekers zien dat alledaagse signalen zoals hartslag, slaap en stappen kunnen helpen verborgen metabool risico op grote schaal te detecteren.

Van zwijgend risico naar alledaagse signalen

Insulineresistentie treedt op wanneer de cellen van het lichaam minder goed op insuline reageren, waardoor de alvleesklier harder moet werken om de bloedsuiker binnen de perken te houden. Mensen kunnen flink insulineresistent zijn terwijl standaardtests — zoals nuchtere glucose of HbA1c — nog “normaal” lijken. In deze studie concentreerde het team zich op meer dan 1.100 volwassenen in de Verenigde Staten die Fitbit‑ of Pixel‑smartwatches droegen en nuchtere bloedtesten lieten verrichten in klinische laboratoria. Ze gebruikten een goed vastgestelde labmaat, HOMA‑IR, die nuchtere insuline en glucose combineert, als grondwaarheid voor hoe resistent iemands lichaam tegen insuline was.

Hoe de studie ruwe gegevens omzet in risico­scores

Van elke deelnemer verzamelden de onderzoekers drie hoofdingrediënten: leefstijlsignalen van wearables (rusthartslag, hartslagvariabiliteit, dagelijkse stappen en slaapduur), basisdemografische gegevens (zoals leeftijd en body‑mass index) en routinematige labtesten (inclusief nuchtere glucose, een lipidenpanel en een metabool panel). Vervolgens trainden ze machine‑learningmodellen om ieders HOMA‑IR‑score rechtstreeks te voorspellen op basis van deze gemakkelijk verkrijgbare inputs. Door een drempel te stellen op HOMA‑IR konden ze mensen classificeren als insulinegevoelig, grensgeval of insulineresistent. Het krachtigste model combineerde alle drie informatiebronnen en verklaarde ongeveer de helft van de variatie in HOMA‑IR tussen individuen, en presteerde duidelijk beter dan modellen die alleen op glucose of alleen op wearables vertrouwden.

Een slimmere manier om wearable‑stromen te lezen

Om het meeste uit de dichte, minuut‑voor‑minuut smartwatchgegevens te halen, paste het team een “foundation‑model” aan dat oorspronkelijk was getraind op 40 miljoen uur aan sensorgegevens van meer dan een miljoen mensen. In plaats van eenvoudige wekelijkse gemiddelden van stappen of slaap te gebruiken, leerde dit foundation‑model rijke patronen in activiteit, hartritme en slaaptiming en comprimeerde vervolgens ieders gegevens tot een compacte representatie. Wanneer deze geleerde wearable‑kenmerken werden doorgevoerd in het insulineresistentiemodel, sprong de prestatie omhoog: in de hoofdcobort verhoogde het toevoegen van foundation‑modelfeatures bovenop demografische gegevens, nuchtere glucose en lipiden de capaciteit om insulineresistente mensen te onderscheiden van anderen tot een area under the curve van ongeveer 0,88 — concurrerend met veel invasievere testmethoden.

De aanpak testen in een nieuwe groep

Aangezien algoritmen vaak het beste presteren op de data waarop ze getraind zijn, testten de auteurs hun modellen op een volledig aparte validatiecohort van 72 mensen die in een door een laboratorium uitgevoerde leefstijlstudie een ander Fitbit‑apparaat droegen. Ook hier presteerden modellen die smartwatchrepresentaties plus standaard bloedtesten gebruikten beter dan modellen die alleen klinische gegevens gebruikten. Cruciaal is dat het door wearables versterkte model beter personen opspoorde wiens bloedsuiker er nog normaal uitzag maar waarvan de insulineresistentie al hoog was — een groep met een verhoogd risico op toekomstige diabetes en leververvetting.

Getallen omzetten in begrijpelijk advies

Om deze voorspellingen in het dagelijks leven bruikbaar te maken, bouwden de onderzoekers een “insulineresistentie‑agent”, een redeneersysteem bovenop een groot taalmodel. Op basis van iemands wearablegegevens, labuitslagen en voorspelde insulineresistentiestatus kan de agent vragen beantwoorden zoals “Loop ik risico op diabetes?” of “Welke leefstijlaanpassingen zijn voor mij het belangrijkst?” Hij kan het voorspellingsmodel aanroepen, medische referenties op het web raadplegen, berekeningen uitvoeren en vervolgens een op maat gemaakte uitleg samenstellen. Wanneer een panel van endocrinologen de antwoorden vergeleek met die van een standaard taalmodel zonder insulineresistentie‑informatie, gaven ze consequent de voorkeur aan de antwoorden van de nieuwe agent omdat die vollediger, betrouwbaarder en meer gepersonaliseerd waren.

Wat dit kan betekenen voor je volgende controle

De boodschap van de studie is niet dat smartwatches zelfstandig ziekten kunnen diagnosticeren, maar dat ze vroege waarschuwing veel toegankelijker kunnen maken. Door gangbare labtesten te fusen met passief verzamelde signalen van apparaten die veel mensen al dragen, kan het model individuen opsporen die baat kunnen hebben bij gerichte leefstijlaanpassingen of bevestigend insulinetesten — lang voordat diabetes zich volledig ontwikkelt. In praktische zin wijst dit werk op een toekomst waarin je horloge en je routinematige bloedonderzoek samen een vroeg‑waarschuwingradar vormen voor metabole problemen, waardoor clinici en patiënten eerder kunnen ingrijpen met dieet, beweging of medicijnen om blijvende schade te voorkomen.

Bronvermelding: 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

Trefwoorden: insulineresistentie, draagbare apparaten, risico op type 2 diabetes, digitale gezondheidszorg, machine learning in de geneeskunde