从可穿戴设备和常规血液生物标志物预测胰岛素抵抗

为什么你的手表可能在医生之前发出警报

在血糖测试发出警报之前，数以百万计的人已经走在通往2型糖尿病的道路上。这项研究提出了一个简单但含义重大的问题：普通智能手表配合常规血液检查，能否在多年之前悄然提醒你身体正在变得对胰岛素产生抵抗——这是通向糖尿病和心脏病的关键早期步骤？通过将可穿戴设备数据与一种新型机器学习模型相结合，研究人员表明，诸如心率、睡眠和步数等日常信号可以帮助大规模发现被掩盖的代谢风险。

从无声的风险到日常信号

胰岛素抵抗发生在身体细胞对胰岛素反应减弱时，胰腺为维持血糖稳定不得不更加努力工作。尽管标准检测——如空腹血糖或糖化血红蛋白（HbA1c）——可能仍显示“正常”，人们却可能已经具有显著的胰岛素抵抗。在这项研究中，团队关注了来自美国的1100多名成年人，他们佩戴了Fitbit或Pixel智能手表并在临床实验室进行了空腹血液检测。研究以一种公认的实验室指标HOMA‑IR（结合空腹胰岛素和葡萄糖）作为每个人胰岛素抵抗程度的真实依据。

研究如何将原始数据转化为风险评分

研究人员从每位参与者处收集了三类主要信息：来自可穿戴设备的生活方式信号（静息心率、心率变异性、每日步数和睡眠时长）、基本人口统计信息（例如年龄和体重指数）以及常规实验室检测（包括空腹血糖、血脂谱和代谢面板）。随后他们训练机器学习模型，直接从这些易得的数据预测每个人的HOMA‑IR得分。通过对HOMA‑IR设定阈值，可以将人群分为胰岛素敏感、边缘或胰岛素抵抗。最强的模型结合了三类信息，能够解释个体间约一半的HOMA‑IR差异，明显优于仅依赖葡萄糖或可穿戴数据的模型。

更聪明地解读可穿戴数据流

为了充分利用密集的分钟级智能手表数据，团队采用了一种“基础模型”，该模型最初在超过一百万人、4000万小时的传感器记录上进行了训练。与使用简单的每周步数或睡眠平均值不同，这个基础模型学习了活动、心律和睡眠时间的丰富模式，并将每个人的数据压缩为紧凑的表示。当这些学习到的可穿戴特征输入胰岛素抵抗模型时，性能显著提升：在主队列中，将基础模型特征加入人口统计、空腹血糖和血脂水平后，区分胰岛素抵抗者与其他人的能力（曲线下面积）提高到约0.88——接近一些更具侵入性的检测方法。

在新群体中检验该方法

由于算法在其训练数据上通常表现最佳，作者在一个完全独立的验证队列上测试了模型，该队列由72名在实验室主导的生活方式研究中佩戴不同款Fitbit设备的人组成。在这里，使用手表表示结合标准血液检测的模型同样优于仅用门诊数据的模型。关键是，增强了可穿戴数据的模型更擅长识别那些血糖仍显“正常”但胰岛素抵抗已偏高的人群——这些人未来患糖尿病和脂肪肝的风险更高。

将数字转化为可理解的建议

为使这些预测在日常生活中有用，研究人员构建了一个“胰岛素抵抗代理”，这是建立在大型语言模型之上的推理系统。给定一个人的可穿戴数据、实验室结果和预测的胰岛素抵抗状态，该代理可以回答“我有糖尿病风险吗？”或“对我来说哪些生活方式改变最重要？”等问题。它能调用预测模型、查阅网页上的医学参考资料、执行计算并组装出量身定制的解释。当一组内分泌科医生将其回答与缺乏胰岛素抵抗信息的标准语言模型的回答进行比较时，他们一致更偏好新代理的答复，认为其更全面、可信且个性化。

这对你未来的体检意味着什么

研究的要点并非智能手表可以单独诊断疾病，而是它们可以使早期警示变得更容易获得。通过将常见的实验室检测与许多人已经佩戴的设备被动收集的信号融合，模型能够在糖尿病完全发作之前，标记出可能从针对性的生活方式改变或确认性胰岛素检测中受益的个体。在实际层面上，这项工作指向这样一种未来：你的手表与常规血液检查共同构成代谢问题的早期预警雷达，帮助临床医生和患者更早采取饮食、运动或药物等措施以防止长期损害。

引用: 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

关键词: 胰岛素抵抗, 可穿戴设备, 2型糖尿病风险, 数字健康, 医学中的机器学习