Giyilebilir cihazlar ve rutin kan biyobelirteçleriyle insülin direncinin tahmini

Sağlık uzmanınızdan önce saatinizin tehlikeyi işaret etmesinin nedeni

Milyonlarca insan, kan şekeri testleri alarm vermeden çok önce tip 2 diyabete doğru ilerliyor. Bu çalışma, büyük sonuçları olabilecek basit bir soruyu soruyor: sıradan bir akıllı saat, rutin kan testleriyle eşleştirildiğinde, vücudunuzun insüline direnç geliştirdiğini—diyabet ve kalp hastalığına giden erken bir adımı—yıllar öncesinden sessizce haber verebilir mi? Giyilebilir verileri yeni bir makine öğrenimi modeli sınıfıyla birleştirerek, araştırmacılar kalp atış hızı, uyku ve adım sayısı gibi günlük sinyallerin gizli metabolik riski ölçeklenebilir şekilde ortaya çıkarabileceğini gösteriyor.

Sessiz riskten günlük sinyallere

İnsülin direnci, vücuttaki hücreler insüline iyi yanıt vermeyi bıraktığında ortaya çıkar; pankreas kan şekerini kontrol altında tutmak için daha fazla çalışmak zorunda kalır. İnsanlar, açlık glukozu veya HbA1c gibi standart testler hâlâ “normal” görünürken bile önemli derecede insülin dirençli olabilir. Bu çalışmada ekip, Fitbit veya Pixel akıllı saat takmış ve klinik laboratuvarlarda açlık kan testleri yaptırmış ABD genelinden 1.100’den fazla yetişkine odaklandı. Her bireyin insülin direncinin gerçek ölçüsü olarak açlık insülin ve glukozu birleştiren iyi yerleşmiş bir laboratuvar ölçütü olan HOMA-IR kullanıldı.

Çalışmanın ham verileri risk puanlarına dönüştürme yöntemi

Her katılımcıdan araştırmacılar üç ana bileşeni topladı: giyilebilirlerden elde edilen yaşam tarzı sinyalleri (dinlenik kalp hızı, kalp hızı değişkenliği, günlük adımlar ve uyku süresi), temel demografik bilgiler (yaş ve vücut kitle indeksi gibi) ve rutin laboratuvar testleri (açlık glukozu, lipid paneli ve metabolik panel dahil). Ardından bu kolay elde edilebilen girdilerden her kişinin HOMA-IR skorunu doğrudan tahmin etmek için makine öğrenimi modelleri eğitildi. HOMA-IR üzerinde bir eşik belirleyerek insanları insüline duyarlı, sınırda veya insülin dirençli olarak sınıflandırabildiler. En güçlü model üç bilgi kaynağını birleştirdi ve bireyler arasındaki HOMA-IR varyasyonunun yaklaşık yarısını açıkladı; bu, yalnızca glukoz veya yalnızca giyilebilir verilere dayanan modelleri açıkça geride bıraktı.

Giyilebilir akımlarını okumada daha akıllı bir yöntem

Yoğun, dakika dakika akıllı saat verilerinden en iyi verimi almak için ekip, öncelikle bir milyondan fazla kişiden 40 milyon saat sensör kaydında eğitilmiş bir “temel model”i uyarladı. Adım veya uyku için basit haftalık ortalamalar kullanmak yerine bu temel model aktivite, kalp ritmi ve uyku zamanlamasında zengin desenler öğrendi ve ardından her kişinin verisini sıkıştırılmış bir temsil haline getirdi. Bu öğrenilmiş giyilebilir özellikler insülin direnci modeline verildiğinde performans atladı: ana kohortta, demografik veriler, açlık glukozu ve lipid düzeylerinin üzerine temel model özellikleri eklenmesi, insülin dirençli kişileri diğerlerinden ayırt etme yeteneğini yaklaşık 0,88 alan altında eğriye (AUC) taşıdı—bu, çok daha invaziv test yöntemleriyle rekabet edebilecek bir düzeydi.

Yöntemi yeni bir grupta teste sokmak

Algoritmalar genellikle eğitildikleri verilerde en iyi görünme eğiliminde olduğundan yazarlar modellerini laboratuvarda yürütülen bir yaşam tarzı çalışmasında farklı bir Fitbit cihazı takan 72 kişiden oluşan tamamen ayrı bir doğrulama kohortunda test ettiler. Burada da akıllı saat temsillerini ve standart kan testlerini kullanan modeller, sadece klinik verileri kullananları aştı. Kritik olarak, giyilebilir destekli model, kan şekeri hâlâ normal görünen fakat insülin direnci zaten yüksek olan kişileri tespit etmede daha iyiydi; bu grup gelecekte diyabet ve yağlı karaciğer hastalığı açısından yükselmiş risk taşıyor.

Sayıları anlaşılır tavsiyelere dönüştürmek

Bu tahminleri günlük hayatta kullanışlı kılmak için araştırmacılar, büyük bir dil modelinin üzerine kurulu bir akıl yürütme sistemi olan bir “insülin direnci ajanı” geliştirdiler. Bir kişinin giyilebilir verileri, laboratuvar sonuçları ve tahmini insülin direnci durumu verildiğinde ajan, “Diyabet riski altında mıyım?” veya “Benim için en önemli yaşam tarzı değişiklikleri hangileri?” gibi soruları yanıtlayabiliyor. Tahmin modelini çağırabilir, webde tıbbi kaynaklara bakabilir, hesaplamalar yapabilir ve sonra kişiye özel bir açıklama oluşturabilir. Bir endokrinoloji paneli, yanıtlarını insülin direnci bilgisi olmayan standart bir dil modelinin yanıtlarıyla karşılaştırdığında, kapsam, güvenilirlik ve kişiselleştirme açısından tutarlılıkla yeni ajanın yanıtlarını tercih etti.

Gelecekteki muayeneniz için bunun anlamı ne olabilir

Çalışmanın mesajı, akıllı saatlerin tek başına hastalık teşhis edebildiği değil; bunun yerine erken uyarıyı çok daha erişilebilir kılabileceği yönünde. Yaygın laboratuvar testlerini pek çok kişinin zaten taktığı cihazlardan pasif olarak toplanan sinyallerle birleştirerek, model diyabet tam gelişmeden çok önce hedefe yönelik yaşam tarzı değişikliklerinden veya doğrulayıcı insülin testlerinden fayda görebilecek kişileri işaretleyebiliyor. Pratik açıdan bu çalışma, saatiniz ve rutin kan testlerinizin birlikte metabolik tehlike için erken uyarı radarı oluşturduğu bir geleceğe işaret ediyor; bu da klinisyenlerin ve hastaların kalıcı hasarı önlemek için daha erken diyet, egzersiz veya ilaç müdahaleleri yapmasına yardımcı olabilir.

Atıf: 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

Anahtar kelimeler: insülin direnci, giyilebilir cihazlar, tip 2 diyabet riski, dijital sağlık, tıpta makine öğrenimi