Sömn- och temperaturdata från bärbara enheter stödjer icke-invasiv upptäckt av diabetes mellitus i en storskalig retrospektiv analys

Varför din sömn och kroppsvärme kan avslöja dold diabetes

Miljontals människor lever med diabetes utan att veta om det, delvis därför att standardtester vanligtvis görs först efter att symtom väckt oro. Denna studie ställer en enkel men kraftfull fråga: skulle de smarta ringarna och klockorna som många redan bär tyst kunna flagga tidiga tecken på diabetes långt före ett vårdbesök? Genom att analysera månaders sömn-, hjärt- och kroppstemperaturdata från tusentals frivilliga visar forskarna att vanliga wearables kan fånga upp subtila, varaktiga förändringar i kroppen som starkt kopplas till diabetes.

Smarta ringar som fönster mot hälsa

Teamet använde data från mer än 33 000 personer som använde en populär smart ring som spårar hjärtfrekvens, hjärtfrekvensvariabilitet, sömnstadier och temperatur vid fingrets yta. Bland dessa användare uppgav nästan 11 000 att de aldrig fått en diabetesdiagnos, medan 389 rapporterade att de hade en diabetesdiagnos. Under mer än fyra månader under 2020 registrerade ringen hur snabbt deras hjärtan slog på natten, hur varierade dessa slag var, hur länge och hur effektivt de sov, samt hur fingertemperaturen steg och föll över dag och natt. Från dessa kontinuerliga flöden byggde forskarna 36 nattliga mått utformade för att fånga inte bara enkla medelvärden utan också dygnsrytmer och komplexiteten i temperaturförändringar under sömn.

Dolda mönster i sömn och kroppstemperatur

När forskarna jämförde grupperna såg personer som rapporterade diabetes konsekvent annorlunda ut än de utan diagnos. I genomsnitt hade de högre natthjärtfrekvens, lägre hjärtfrekvensvariabilitet (ett tecken på ett mindre flexibelt nervsystem), något kortare sömn och en mindre dygnsskillnad i fingertemperatur. Teamet skapade också mer avancerade temperaturmått som beskriver hur stabil någons temperaturrytm är över 24 timmar och hur intrikat minut-för-minut-temperaturmönstret är mitt i natten. Dessa rikare mått visade sig vara särskilt informativa, vilket tyder på att diabetes tyst omformar hur kroppen reglerar värme och sömn över många nätter, inte bara i enstaka ögonblicksbilder.

Lära algoritmer att upptäcka risk

För att se om dessa signaler från wearables faktiskt kunde skilja ut individer med diabetes tränade teamet maskininlärningsmodeller på rullande fönster om 1 till 21 nätter av data. Idén var att om diabetes ger upphov till små men bestående skift i fysiologin, så bör flera veckors mätningar få dessa skift att framträda. Precis det fann de: att använda bara en natts data gav måttlig prestanda, men att mata in 14 eller 21 nätter tillät den bästa modellen att nå en hög noggrannhet (en AUROC på cirka 0,88) och stark precision. Med andra ord räckte tre veckor av typisk hemmabruk för att algoritmen skulle skilja personer med diabetes från de utan, långt bättre än slumpen.

Att särskilja diabetes från andra långvariga sjukdomar

Många kroniska tillstånd, som högt blodtryck eller sömnapné, kan också störa sömn- och hjärtmönster. Forskarna var oroade över att deras modell kanske helt enkelt upptäckte ”sjukdom” snarare än diabetes i synnerhet. För att testa detta tittade de på personer som uppgav att de inte hade diabetes men som rapporterade en annan kronisk sjukdom. De individerna fick inte signifikant högre diabetesliknande poäng än personer som uppgav att de inte hade några kroniska tillstånd alls. Avgörande var att när teamet tog bort de mer avancerade temperaturfunktionerna från modellen började personer med andra kroniska sjukdomar oftare bli felaktigt identifierade som diabetiker. Detta visar att detaljerade kroppstemperaturmönster hjälper systemet att vara mer specifikt för diabetes, istället för att flagga alla typer av hälsoproblem.

Vad detta kan innebära för vardagshälsa

Slutligen undersökte författarna hur väl deras bästa modell skulle fungera i en mer realistisk befolkning där endast en minoritet har diabetes. Även i detta tuffare test, med tusentals fler användare och en typisk diabetesfrekvens bevarad, fångade systemet fortfarande upp betydligt mer signal än slumpen. För en lekman är budskapet enkelt: veckor av enkel, passiv data från en ring eller klocka—hur du sover, hur ditt hjärta beter sig på natten och hur din hudtemperatur stiger och faller—innehåller tillräckligt med information för att flagga fysiologi förenlig med diabetes. Detta ersätter inte blodprov, men pekar mot en framtid där vardagliga wearables tyst kan föreslå vem som bör söka testning tidigare, och kanske hjälpa till att övervaka kroniska tillstånd i bakgrunden av det dagliga livet.

Citering: Viswanath, V.K., Navaneethan, S., Burks, J.H. et al. Sleep and temperature data from wearable devices support noninvasive detection of diabetes mellitus in a large-scale, retrospective analysis. Commun Med 6, 223 (2026). https://doi.org/10.1038/s43856-026-01501-0

Nyckelord: bärbara enheter, sömnmönster, kroppstemperatur, diabetesdetektion, digital hälsa