Google AI、ウェアラブルと血液検査でインスリン抵抗性を予測

世界中で数億人に影響を及ぼす2型糖尿病は、その有病率が懸念されるほど上昇し続けています。この病気の重要な前兆はインスリン抵抗性（IR）であり、これは体の細胞が血糖調節に不可欠なホルモンであるインスリンに効果的に反応しない状態を指します。インスリン抵抗性の早期発見は極めて重要です。なぜなら、タイムリーな生活習慣の調整によって、その状態をしばしば逆転させ、それによって2型糖尿病の発症を予防または大幅に遅らせることができるからです。しかし、インスリン抵抗性を正確に測定するための現在のゴールドスタンダードな方法、例えば高インスリン正常血糖クランプ法やインスリン抵抗性ホメオスタシスモデル評価（HOMA-IR）は、侵襲的であったり、高価であったり、あるいは通常の健康診断では日常的に利用できないことが多いです。これらの制約は、特に自身がリスクにあることを知らない個人にとって、早期介入への大きな障壁となっています。

Googleの研究者たちは現在、新しいアプローチを模索しています。それは、多くの人々がすでにアクセスできるデータ、特にウェアラブルデバイスや一般的な血液検査からのデータを活用して、インスリン抵抗性のリスクを推定するというものです。彼らの最近の研究では、ウェアラブルデバイスからの安静時心拍数、歩数、睡眠パターンなどの容易に入手可能なデータポイントと、空腹時血糖や脂質パネルなどの通常の血液検査結果を用いて、インスリン抵抗性を予測するために設計された一連の機械学習モデルが導入されています。この手法は、1,165人の参加者からなる研究集団と72人の独立した検証コホート全体で堅牢な性能を示し、肥満や座位中心の生活習慣を持つ個人を含む高リスク群において特に有効性を示しました。

この可能性を探るため、Google ResearchはWEAR-ME研究を設計し、Quest Diagnosticsと提携して、日常的な血液バイオマーカーの収集を自動化しました。全米各地から1,100人以上の遠隔参加者が、デジタルヘルス研究のための安全なプラットフォームであるGoogle Health Studiesアプリを通じて登録し、電子的なインフォームドコンセントとHIPAA認証を提供しました。この多様なコホート（BMI中央値28 kg/m²、平均年齢45歳）は、FitbitまたはGoogle Pixel Watchデバイスからのデータ（プライバシー保護のため匿名化済み）、Quest Diagnosticsで実施された通常の血液検査の結果、および基本的な人口統計情報と健康に関する質問票の共有に同意しました。

この豊富でマルチモーダルなデータセットを使用して、高度な機械学習モデル、特に深層ニューラルネットワークが開発され、HOMA-IRスコアを予測するように訓練されました。目標は、利用可能なデータの様々な組み合わせを用いて、この主要なIRマーカーがどれほど正確に推定できるかを評価することでした。結果は、分類精度を測る標準的な指標である受信者操作特性曲線下面積（auROC）を用いて評価され、単一のデータ源のみを使用した場合と比較して、データストリームを組み合わせることで予測精度が大幅に向上することが示されました。ウェアラブルデータと人口統計データを組み合わせることで一定の予測能力が示されましたが（auROC = 0.70）、空腹時血糖値を追加することで性能が大幅に向上しました（auROC = 0.78）。最も正確な予測は、ウェアラブル、人口統計情報、および通常の血液検査パネルを組み合わせることで達成され、IRを持つ個人の分類においてauROCが0.80（HOMA-IR値が2.9以上の場合、感度76%、特異度84%）、HOMA-IR値を直接予測するR²が0.50となりました。特に、ウェアラブルデータから導き出される特徴（安静時心拍数など）は、BMIや空腹時血糖値と並んで、最も重要な予測因子の一つとして常に上位にランクされており、ライフスタイル関連の信号の価値が強調されています。

肥満と座位中心の生活習慣を持つ個人が2型糖尿病に特に罹りやすいことを認識し、モデルはこれらのサブグループで具体的に評価されました。結果は説得力のあるものでした。肥満の参加者では精度が向上し（感度86% vs 全体で76%）、座位中心の参加者ではさらに高くなりました（感度88%）。最も重要なグループ、すなわち肥満でありかつ座位中心の生活を送る個人においては、モデルは非常に優れた性能を発揮し、感度93%、調整特異度95%を達成しました。これは、早期の生活習慣介入から最も恩恵を受ける可能性のある人々を効果的に特定できる可能性を示唆しています。

これらの知見の一般化可能性を確保するため、最も性能の高いモデルは、完全に独立した72人の参加者からなる検証コホートでテストされました。このコホート（Fitbit Charge 6デバイスからのウェアラブル情報と対面で取得した血液バイオマーカーデータを含む）は、訓練されたモデルが84%の感度と81%の特異度で強力な予測性能を維持していることを示しました。ただし、これはあくまで研究プロトタイプであり、健康関連の目的における安全性と有効性はまだ確立されていないことに留意することが重要です。

単なる予測を超えて、研究者たちはこの情報を個人にとってどのように実行可能にするかについても探求しました。彼らは、最先端のGemini大規模言語モデルファミリーに基づいて構築されたAIプロトタイプである「インスリン抵抗性リテラシー・理解エージェント」を開発しました。このエージェントは、個人の研究データと予測されたIR状態に基づいて、代謝健康に関するパーソナライズされた、文脈に応じた回答を提供することを目指しています。ユーザーの同意があれば、このエージェントは特定のデータポイントにアクセスし、最新情報を検索し、計算を実行することができます。認定内分泌専門医がIRエージェントの回答を評価したところ、ベースモデルよりも圧倒的に好まれ、はるかに包括的で信頼性が高く、パーソナライズされていると判断されました。これは、予測ヘルスモデルと高度なAIを統合することで、個人が自身の健康についてより深く理解できるようになるという変革的な可能性を浮き彫りにしています。

この研究は、2型糖尿病リスクのよりアクセスしやすく、スケーラブルなスクリーニングに向けた重要な一歩となります。このアプローチにはいくつかの利点があります。多くの人がすでに持っているデータを活用できること、血糖値が異常になる前でも早期発見が可能であること（研究では多くの正常血糖参加者にIRが見られたため）、そして専門的なIR検査と比較して、潜在的にスケーラブルなスクリーニング方法を提供できることです。さらに、高リスクのサブグループにおけるその強力な性能と、パーソナライズされた健康ツールへの統合の可能性は、予防的な代謝健康管理におけるその将来性を示しています。今後の研究には、これらのモデルの縦断的検証、介入の影響の探求、遺伝子およびマイクロバイオームデータの組み込み、そして多様な集団間での公平な性能を確保するためのモデルの改良が含まれます。繰り返しますが、これらのモデルとIRエージェントは有望ではあるものの、現時点では情報提供および研究目的のみであり、承認された医療機器ではありません。