可穿戴设备的睡眠与体温数据在大规模回顾性分析中支持无创糖尿病检测

为什么你的睡眠与体温可能揭示隐匿的糖尿病

数以百万计的人患有糖尿病却未被发现，部分原因是常规检测通常只有在出现症状引起关注后才会进行。这项研究提出了一个简单但有力的问题：许多人已经佩戴的智能戒指和手表，是否有可能在临床就诊前悄然标记出糖尿病的早期迹象？通过分析数千名志愿者数月的睡眠、心率和体温数据，研究者表明常见的可穿戴设备能够捕捉到与糖尿病强相关的、细微且持久的生理变化。

智能戒指作为健康窗口

研究团队利用了超过3.3万名用户的数据，这款流行的智能戒指可追踪心率、心率变异性、睡眠阶段以及手指表面的温度。在这些用户中，近1.1万名报告从未被诊断为糖尿病，而389人报告被诊断为糖尿病。2020年，在四个多月的时间里，戒指记录了他们夜间心率的快慢、心率的变异程度、睡眠的时长与效率，以及手指温度在昼夜间的升降。研究人员从这些连续的数据流中构建了36项每夜指标，这些指标不仅捕捉简单平均值，还反映了日节律与睡眠期间体温变化的复杂性。

睡眠与体温中的隐含模式

当研究者比较各组时，报告患有糖尿病的人与未诊断者始终表现出不同的特征。平均来看，他们夜间心率更高、心率变异性更低（表明神经系统灵活性较差）、睡眠略短，并且手指温度的昼夜振幅较小。团队还创建了更高级的温度特征，用以描述一个人在24小时内温度节律的稳定性，以及夜间中段分钟级别温度变化的复杂程度。这些更丰富的度量尤其有信息量，表明糖尿病悄然改变了身体在多夜间调节热量与睡眠的方式，而非仅在单一时刻出现异常。

教计算机识别风险

为了检验这些可穿戴信号是否能真正区分出糖尿病个体，团队在1至21晚滚动窗口的数据上训练了机器学习模型。其思路是，如果糖尿病在生理上产生小而持续的变化，那么数周的测量应能使这些变化凸显出来。研究结果正是如此：仅使用一晚数据时表现一般，但输入14或21晚的数据使最佳模型达到了较高的准确度（AUROC约为0.88）和较强的精确度。换言之，约三周的常规在家佩戴数据足以让算法把有糖尿病的人与无糖尿病的人区分开来，远优于随机猜测。

将糖尿病与其他慢性病区分开来

许多慢性病，如高血压或睡眠呼吸暂停，也会扰乱睡眠和心脏模式。研究者担心他们的模型可能只是检测到了“生病”的状态，而非特指糖尿病。为此，他们查看了那些自述没有糖尿病但报告有其他慢性病的个体。这些人所得的糖尿病相似评分并未显著高于报告无慢性病的人。关键在于，当团队从模型中移除更高级的温度特征时，患有其他慢性病的人更容易被错误判定为糖尿病患者。这表明详细的体温模式有助于提高模型对糖尿病的特异性，而不是对所有健康问题一概标记。

这对日常健康可能意味着什么

最后，作者评估了他们的最佳模型在更现实的人群中的表现——在那样的人群中，只有少数人患有糖尿病。即便在这一更严苛的测试中，使用了更多的用户并维持典型的糖尿病患病率，系统仍然比随机猜测捕捉到更多信号。对普通读者而言，结论很直接：数周的被动观测数据——来自戒指或手表的睡眠情况、夜间心脏表现以及皮肤温度的升降——包含足够的信息来提示与糖尿病一致的生理特征。尽管这不能替代血液检测，但它指向了一个未来：日常可穿戴设备有可能在日常生活背景中悄然提示谁应尽早接受检测，并可能辅助监测慢性病的变化。

引用: 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

关键词: 可穿戴设备, 睡眠模式, 体温, 糖尿病检测, 数字健康