用智能穿戴设备和常规血液检查预测胰岛素抵抗

本文介绍了一种面向大众的胰岛素抵抗（IR）早期筛查新方法。胰岛素抵抗是指身体对胰岛素反应变差，导致血糖调节失灵，是2型糖尿病发生前最关键的可干预阶段——约80%的2型糖尿病患者此前已存在胰岛素抵抗。但目前临床缺乏简便、经济、易获取的检测手段：金标准“高胰岛素-正常血糖钳夹试验”操作复杂、费用高昂；常用替代指标HOMA-IR需抽血测空腹胰岛素，普通人难以常规开展。本研究创新性地整合三类日常可得的数据：①智能手表连续采集的心率、活动步数、心率变异性（HRV）等生理时序数据；②基础人口信息（如年龄、体重指数BMI）；③社区体检常见的血液指标（如空腹血糖、甘油三酯、高密度脂蛋白胆固醇等）。研究人员基于1165名美国成年人的真实数据训练深度学习模型，发现仅用智能手表+基本信息即可较准确识别胰岛素抵抗（准确率达70%），加入空腹血糖后提升至78%，再加入血脂等常规血液指标后达到80%（AUROC=0.80）。为更好挖掘手表数据价值，团队还训练了一个“可穿戴基础模型”（WFM），它能从海量手表数据中自动提取深层生理模式（如昼夜节律、活动与恢复的动态平衡），显著提升预测能力——在独立验证组（72人）中，加入WFM特征后，模型性能从0.66跃升至0.75（仅用人口信息）或从0.76提升至0.88（结合血糖与血脂）。更进一步，研究将IR预测结果接入大语言模型（LLM），打造“胰岛素抵抗健康顾问”（IR Agent）：它能结合用户个人数据，用通俗语言解释风险，生成个性化生活方式建议（如运动类型、饮食调整），并引用权威医学知识。专家评估显示，该AI助手的回答比普通大模型更全面（80%专家首选）、更可信（92%）、更贴合个人情况（73%）。总之，这项工作提供了一套真正可落地、可普及的代谢风险预警方案：普通人无需额外设备或频繁就医，仅凭常用智能手表和年度体检报告，就能及早发现胰岛素抵抗信号，从而通过科学的生活方式干预（如减重、规律运动、健康饮食）有效延缓甚至逆转糖尿病进程。