Prediktion av insulinresistens från wearables och rutinmässiga blodmarkörer

Varför din klocka kan larma innan din läkare gör det

Miljontals människor befinner sig på väg mot typ 2‑diabetes långt innan deras blodsockertester utlöser varningssignaler. Denna studie ställer en enkel fråga med stora implikationer: skulle en vanlig smartklocka, i kombination med rutinmässiga blodprov, tyst kunna varna dig år tidigare för att din kropp blir insulinresistent — ett tidigt viktigt steg mot diabetes och hjärtsjukdom? Genom att kombinera data från wearables med en ny klass av maskininlärningsmodeller visar forskarna att vardagssignaler som puls, sömn och steg kan hjälpa till att avslöja dold metabol risk i stor skala.

Från tyst risk till vardagssignaler

Insulinresistens uppstår när kroppens celler slutar reagera väl på insulin, vilket tvingar bukspottkörteln att arbeta hårdare för att hålla blodsockret i schack. Människor kan vara betydligt insulinresistenta samtidigt som standardtester — som fasteglukos eller HbA1c — fortfarande ser ”normala” ut. I den här studien fokuserade teamet på mer än 1 100 vuxna i USA som bar Fitbit‑ eller Pixel‑smartklockor och som hade fasta blodprov tagna på kliniska laboratorier. De använde ett väletablerat laboratoriemått kallat HOMA‑IR, som kombinerar fasteinsulin och glukos, som sanningmarkör för hur resistent varje persons kropp var mot insulin.

Hur studien förvandlade rådata till riskpoäng

Från varje deltagare samlade forskarna tre huvudingredienser: livsstilssignaler från wearables (vilo­puls, pulsvariabilitet, dagliga steg och sömnlängd), grundläggande demografisk information (såsom ålder och body mass index) och rutinmässiga laboratorietester (inklusive fasteglukos, ett lipidpanel och ett metaboliskt panel). De tränade sedan maskininlärningsmodeller för att direkt förutsäga varje persons HOMA‑IR‑poäng från dessa lättåtkomliga indata. Genom att sätta en tröskel på HOMA‑IR kunde de klassificera personer som insulin­känsliga, gränsfall eller insulinresistenta. Den mest kraftfulla modellen kombinerade alla tre informationskällor och förklarade ungefär hälften av variationen i HOMA‑IR mellan individer, klart bättre än modeller som förlitade sig enbart på glukos eller data från wearables.

Ett smartare sätt att läsa strömmar från wearables

För att få ut mesta möjliga av den täta, minut‑för‑minut data från smartklockor anpassade teamet en ”foundation‑modell” som ursprungligen tränats på 40 miljoner timmars sensorinspelningar från över en miljon personer. Istället för att använda enkla veckosnitt på steg eller sömn lärde sig denna foundation‑modell rika mönster i aktivitet, hjärtrytm och sömntiming, och komprimerade sedan varje persons data till en kompakt representation. När dessa inlärda wearable‑funktioner matades in i insulinresistensmodellen ökade prestandan: i huvudkohorten förbättrade tillägget av foundation‑modellens funktioner ovanpå demografi, fasteglukos och lipidnivåer förmågan att särskilja insulinresistenta personer från andra till en area under kurvan på cirka 0,88 — i nivå med betydligt mer invasiva testmetoder.

Att pröva metoden i en ny grupp

Där algoritmer ofta presterar bäst på den data de tränats på testade författarna sina modeller på en helt separat valideringskohort om 72 personer som bar en annan Fitbit‑enhet i en laboratorieledd livsstilsstudie. Här överträffade också modeller som använde smartklocksrepresentationer plus standardblodprover de som använde kliniska data ensam. Avgörande var att den wearable‑förstärkta modellen var bättre på att upptäcka personer vars blodsocker fortfarande såg normalt ut men vars insulinresistens redan var hög — en grupp med förhöjd risk för framtida diabetes och fettlever.

Att omvandla siffror till begriplig rådgivning

För att göra dessa prediktioner användbara i vardagen byggde forskarna en ”insulinresistensagent”, ett resonemangssystem ovanpå en stor språkmodell. Givet en persons wearable‑data, labbresultat och förutsagda insulinresistensstatus kan agenten besvara frågor som ”Ligger jag i riskzonen för diabetes?” eller ”Vilka livsstilsförändringar är viktigast för mig?” Den kan anropa prediktionsmodellen, slå upp medicinska referenser på webben, utföra beräkningar och sedan sammanställa en skräddarsydd förklaring. När en panel av endokrinologer jämförde dess svar med svar från en standard språkmodell utan insulinresistensinformation föredrog de konsekvent den nya agentens svar för att de var mer omfattande, trovärdiga och personliga.

Vad detta kan innebära för din framtida hälsokontroll

Studien vill inte hävda att smartklockor kan diagnostisera sjukdom på egen hand, utan att de kan göra tidiga varningar betydligt mer tillgängliga. Genom att förena vanliga laboratorietester med passivt insamlade signaler från enheter som många redan bär kan modellen markera individer som kan ha nytta av riktade livsstilsändringar eller bekräftande insulinprov — långt innan diabetes hunnit utvecklas fullt ut. I praktiska termer pekar detta arbete mot en framtid där din klocka och dina rutinblodprover tillsammans utgör ett tidigt varningsradar för metabolisk problematik, vilket hjälper kliniker och patienter att agera tidigare med kost, motion eller läkemedel för att förebygga bestående skador.

Citering: 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

Nyckelord: insulinresistens, wearable-enheter, risk för typ 2-diabetes, digital hälsa, maskininlärning inom medicin