Google KI sagt Insulinresistenz per Wearable & Bluttest voraus

Typ-2-Diabetes, eine Erkrankung, die Hunderte Millionen Menschen weltweit betrifft, nimmt weiterhin besorgniserregend zu. Ein kritischer Vorläufer dieser Krankheit ist die Insulinresistenz (IR), ein Zustand, bei dem die Körperzellen nicht effektiv auf Insulin reagieren, das Hormon, das für die Blutzuckerregulierung unerlässlich ist. Die frühe Erkennung von IR ist von größter Bedeutung, da rechtzeitige Lebensstilanpassungen den Zustand oft umkehren und dadurch das Auftreten von Typ-2-Diabetes verhindern oder erheblich verzögern können. Die aktuellen Goldstandard-Methoden zur genauen Messung der IR, wie der euglykämische Insulin-Clamp oder das Homeostatic Model Assessment for Insulin Resistance (HOMA-IR), sind jedoch oft invasiv, teuer oder bei Standarduntersuchungen nicht routinemäßig verfügbar. Diese Einschränkungen schaffen erhebliche Hindernisse für frühzeitige Interventionen, insbesondere für Personen, die sich ihres Risikos nicht bewusst sind.

Forscher bei Google untersuchen nun einen neuartigen Ansatz: die Nutzung von Daten, die vielen Menschen bereits zugänglich sind, insbesondere von Wearable-Geräten und gängigen Bluttests, um das IR-Risiko abzuschätzen. In ihrer jüngsten Arbeit stellen sie eine Reihe von Modellen für maschinelles Lernen vor, die entwickelt wurden, um IR anhand leicht verfügbarer Datenpunkte wie Ruheherzfrequenz, Schrittzahl und Schlafmuster von Wearables sowie routinemäßiger Bluttestergebnisse wie Nüchternglukose und Lipidprofile vorherzusagen. Diese Methodik zeigte eine robuste Leistung in einer Studienpopulation von 1.165 Teilnehmern und einer unabhängigen Validierungskohorte von 72, wobei sie besonders wirksam in Hochrisikogruppen, einschließlich Personen mit Adipositas und sitzender Lebensweise, war.

Um dieses Potenzial zu erforschen, konzipierte Google Research die WEAR-ME-Studie und arbeitete mit Quest Diagnostics zusammen, um die Erfassung routinemäßiger Blutbiomarker zu automatisieren. Über 1.100 Fernteilnehmer aus den gesamten USA meldeten sich über die Google Health Studies App an, einer sicheren Plattform für digitale Gesundheitsstudien, und gaben eine elektronische Einverständniserklärung und HIPAA-Autorisierung ab. Diese vielfältige Kohorte, mit einem mittleren BMI von 28 kg/m² und einem Durchschnittsalter von 45 Jahren, stimmte zu, Daten von ihren Fitbit- oder Google Pixel Watch-Geräten (zum Schutz der Privatsphäre pseudonymisiert), Ergebnisse von routinemäßigen Bluttests, die bei Quest Diagnostics durchgeführt wurden, sowie grundlegende demografische Informationen und Gesundheitsfragebögen zu teilen.

Unter Verwendung dieses reichhaltigen, multimodalen Datensatzes wurden fortschrittliche Modelle für maschinelles Lernen, insbesondere tiefe neuronale Netze, entwickelt und trainiert, um HOMA-IR-Werte vorherzusagen. Ziel war es, zu beurteilen, wie genau dieser wichtige IR-Marker unter Verwendung verschiedener Kombinationen der verfügbaren Daten geschätzt werden konnte. Die Ergebnisse, die anhand der Fläche unter der Receiver Operating Characteristic (auROC) Kurve – einem Standardmaß für die Klassifizierungsgenauigkeit – bewertet wurden, zeigten, dass die Kombination von Datenströmen die Vorhersagegenauigkeit im Vergleich zur alleinigen Verwendung einer einzigen Quelle erheblich verbesserte. Während Wearables in Kombination mit demografischen Daten eine gewisse Vorhersagekraft zeigten (auROC = 0,70), steigerte die Hinzunahme von Nüchternglukose die Leistung erheblich (auROC = 0,78). Die genauesten Vorhersagen wurden durch die Kombination von Wearables, demografischen Daten und routinemäßigen Blutbildern erzielt, was eine auROC von 0,80 für die Klassifizierung von Personen mit IR (mit einer Sensitivität von 76 % und einer Spezifität von 84 % für einen HOMA-IR-Wert von 2,9 oder höher) und ein R² von 0,50 für die direkte Vorhersage von HOMA-IR-Werten ergab. Bemerkenswerterweise zählten Merkmale, die aus Wearable-Daten abgeleitet wurden, wie die Ruheherzfrequenz, durchweg zu den wichtigsten Prädiktoren, neben BMI und Nüchternglukose, was den Wert lebensstilbezogener Signale unterstreicht.

In Anbetracht dessen, dass Personen mit Adipositas und sitzender Lebensweise besonders anfällig für Typ-2-Diabetes sind, wurden die Modelle speziell in diesen Untergruppen evaluiert. Die Ergebnisse waren überzeugend: Die Genauigkeit verbesserte sich bei adipösen Teilnehmern (Sensitivität = 86 % gegenüber 76 % insgesamt) und war bei sitzenden Teilnehmern sogar noch höher (Sensitivität = 88 %). In der kritischsten Gruppe – Personen, die sowohl adipös als auch sitzend waren – zeigte das Modell eine außergewöhnlich gute Leistung, erreichte eine Sensitivität von 93 % und eine angepasste Spezifität von 95 %, was sein Potenzial unterstreicht, diejenigen effektiv zu identifizieren, die am meisten von frühen Lebensstilinterventionen profitieren könnten.

Um die Generalisierbarkeit dieser Erkenntnisse zu gewährleisten, wurde das leistungsstärkste Modell an einer völlig unabhängigen Validierungskohorte von 72 Teilnehmern getestet. Diese Kohorte, deren Daten Wearable-Informationen von Fitbit Charge 6-Geräten und persönlich erfasste Blutbiomarker umfassten, zeigte, dass die trainierten Modelle eine starke Vorhersageleistung beibehielten, mit einer Sensitivität von 84 % und einer Spezifität von 81 %. Es ist jedoch entscheidend zu beachten, dass dies ein Forschungsprototyp bleibt und seine Sicherheit und Wirksamkeit für gesundheitsbezogene Zwecke noch nicht nachgewiesen wurden.

Über die bloße Vorhersage hinaus untersuchten die Forscher auch, wie diese Informationen für Einzelpersonen nutzbar gemacht werden können. Sie entwickelten den „Insulin Resistance Literacy and Understanding Agent“, einen KI-Prototyp, der auf der hochmodernen Gemini-Familie großer Sprachmodelle basiert. Dieser Agent zielt darauf ab, personalisierte, kontextualisierte Antworten zur Stoffwechselgesundheit zu liefern, basierend auf den Studiendaten des Einzelnen und dem vorhergesagten IR-Status. Mit Zustimmung des Benutzers kann der Agent auf spezifische Datenpunkte zugreifen, nach aktuellen Informationen suchen und Berechnungen durchführen. Fachärzte für Endokrinologie bewerteten die Antworten des IR-Agenten und zogen sie überwiegend einem Basismodell vor, da sie diese als wesentlich umfassender, vertrauenswürdiger und personalisierter empfanden. Dies unterstreicht das transformative Potenzial der Integration prädiktiver Gesundheitsmodelle mit fortschrittlicher KI, um Einzelpersonen ein tieferes Verständnis ihrer Gesundheit zu ermöglichen.

Diese Forschung markiert einen bedeutenden Schritt hin zu einem zugänglicheren und skalierbareren Screening auf Typ-2-Diabetes-Risiko. Der Ansatz bietet mehrere Vorteile: Nutzung von Daten, die viele Menschen bereits besitzen; Ermöglichung einer frühen Erkennung, noch bevor die Blutzuckerwerte abnormal werden (da bei vielen normoglykämischen Studienteilnehmern IR festgestellt wurde); und Bereitstellung einer potenziell skalierbaren Screening-Methode im Vergleich zu spezialisierten IR-Tests. Darüber hinaus unterstreichen seine starke Leistung in Hochrisiko-Untergruppen und sein Potenzial zur Integration in personalisierte Gesundheitswerkzeuge sein Versprechen für ein proaktives Stoffwechselgesundheitsmanagement. Zukünftige Arbeiten werden die longitudinale Validierung dieser Modelle, die Untersuchung der Auswirkungen von Interventionen, die Einbeziehung genetischer und mikrobiomaler Daten sowie die Verfeinerung der Modelle umfassen, um eine gerechte Leistung in verschiedenen Populationen zu gewährleisten. Es ist wichtig zu wiederholen, dass diese Modelle und der IR-Agent, obwohl vielversprechend, derzeit nur zu Informations- und Forschungszwecken dienen und keine zugelassenen Medizinprodukte sind.