Прогнозирование инсулинорезистентности по данным носимых устройств и рутинных биомаркеров крови

Почему ваши часы могут заметить проблему раньше, чем врач

Миллионы людей движутся к развитию сахарного диабета 2 типа задолго до того, как обычные анализы крови подадут тревожный сигнал. В этом исследовании поставлен простой вопрос с крупными последствиями: может ли обычный смарт‑час, в сочетании с рутинными анализами крови, незаметно предупредить вас за годы о том, что организм становится нечувствительным к инсулину — ключевому раннему звену на пути к диабету и сердечно‑сосудистым заболеваниям? Объединив данные носимых устройств с новым классом моделей машинного обучения, исследователи показывают, что повседневные сигналы — такие как частота сердечных сокращений, сон и шаги — помогают выявлять скрытый метаболический риск в широком масштабе.

От тихого риска к повседневным сигналам

Инсулинорезистентность возникает, когда клетки организма перестают адекватно реагировать на инсулин, заставляя поджелудочную железу работать интенсивнее, чтобы поддерживать уровень сахара в крови. Люди могут иметь существенную инсулинорезистентность при том, что стандартные тесты — например, уровень глюкозы натощак или HbA1c — по‑прежнему выглядят «нормальными». В этом исследовании команда сосредоточилась на более чем 1 100 взрослых в США, которые носили смарт‑часы Fitbit или Pixel и сдавали натощак анализы крови в клинических лабораториях. В качестве эталонной меры сопротивляемости инсулину они использовали хорошо зарекомендовавший себя лабораторный показатель HOMA‑IR, комбинирующий уровни инсулина и глюкозы натощак.

Как исследование превратило необработанные данные в оценки риска

От каждого участника исследователи собрали три основных компонента: сигналы образа жизни с носимых устройств (пульс в покое, вариабельность сердечного ритма, суточное количество шагов и продолжительность сна), базовую демографическую информацию (возраст, индекс массы тела и т. п.) и рутинные лабораторные тесты (включая глюкозу натощак, липидную панель и метаболическую панель). Затем они обучили модели машинного обучения напрямую предсказывать HOMA‑IR каждого человека по этим легко доступным входным данным. Установив порог по HOMA‑IR, можно было классифицировать людей как инсулиночувствительных, пограничных или инсулинорезистентных. Наиболее мощная модель объединяла все три источника информации и объясняла примерно половину вариации HOMA‑IR между людьми, значительно превосходя модели, опиравшиеся только на данные о глюкозе или только на данные с носимых устройств.

Более умный способ чтения потоков данных с носимых устройств

Чтобы извлечь максимум из плотных поминутных данных со смарт‑часов, команда адаптировала «фундаментальную модель», ранее обученную на 40 миллионах часов записей сенсоров от более чем миллиона людей. Вместо простых недельных средних по шагам или сну эта фундаментальная модель усвоила богатые закономерности в активности, ритме сердца и временных паттернах сна, а затем сжала данные каждого человека в компактное представление. Когда эти извлечённые признаки носимых устройств подавались в модель инсулинорезистентности, производительность заметно выросла: в основной когорте добавление признаков из фундаментальной модели поверх демографических данных, уровня глюкозы натощак и липидов улучшило способность отличать инсулинорезистентных людей от остальных до площади под кривой примерно 0,88 — сопоставимого результата с гораздо более инвазивными методами тестирования.

Проверка подхода на новой группе

Поскольку алгоритмы часто показывают наилучшие результаты на данных, на которых их обучали, авторы протестировали свои модели на полностью отдельной валидационной когорте из 72 человек, носивших другую модель Fitbit в лабораторно‑проводимом исследовании образа жизни. И здесь модели, использовавшие представления со смарт‑часов вместе со стандартными анализами крови, превзошли те, которые опирались только на клинические данные. Критически важно, что усиленная носимыми устройствами модель лучше выявляла людей, у которых глюкоза в крови по‑прежнему выглядела нормально, но инсулинорезистентность уже была высокой — группу с повышенным риском будущего диабета и жировой болезни печени.

Перевод чисел в понятные рекомендации

Чтобы сделать эти прогнозы полезными в повседневной жизни, исследователи создали «агента инсулинорезистентности» — систему рассуждения на базе большой языковой модели. Имея данные носимого устройства, результаты лабораторных тестов и предсказанный статус инсулинорезистентности, агент может отвечать на вопросы вроде «Рискую ли я развить диабет?» или «Какие изменения образа жизни наиболее важны именно для меня?». Он может вызывать модель предсказания, искать медицинские ссылки в сети, выполнять расчёты и затем составлять индивидуальное объяснение. Когда панель эндокринологов сравнила его ответы с ответами стандартной языковой модели без информации об инсулинорезистентности, они последовательно отдавали предпочтение ответам нового агента за их полноту, надёжность и персонализацию.

Что это может значить для вашего следующего осмотра

Смысл исследования не в том, что смарт‑часы сами по себе диагностируют болезни, а в том, что они могут сделать раннее предупреждение гораздо более доступным. Объединяя обычные лабораторные тесты с пассивно собираемыми сигналами от устройств, которые многие уже носят, модель может отмечать людей, которым может помочь целенаправленное изменение образа жизни или подтверждающие тесты на инсулин — задолго до полного развития диабета. На практике эта работа указывает на будущее, в котором ваши часы и рутинные анализы крови вместе образуют раннее предупреждение о метаболических проблемах, позволяя клиницистам и пациентам действовать раньше — с помощью диеты, упражнений или лекарств — чтобы предотвратить необратимый ущерб.

Цитирование: 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

Ключевые слова: инсулинорезистентность, носимые устройства, риск сахарного диабета 2 типа, цифровое здравоохранение, машинное обучение в медицине