谷歌AI利用可穿戴设备和血检预测胰岛素抵抗

全球数亿人受2型糖尿病影响，其患病率仍在持续令人担忧地攀升。这种疾病的一个关键前兆是胰岛素抵抗（IR），即身体细胞未能有效响应胰岛素——一种对血糖调节至关重要的激素。胰岛素抵抗的早期检测至关重要，因为及时的生活方式调整通常可以逆转这种情况，从而预防或显著延缓2型糖尿病的发生。然而，目前用于精确测量胰岛素抵抗的“金标准”方法，例如高胰岛素正常血糖钳夹技术或胰岛素抵抗稳态模型评估（HOMA-IR），通常具有侵入性、价格昂贵，或在常规体检中不常用。这些限制为早期干预制造了巨大障碍，特别是对于那些不知自己有风险的个体。

谷歌的研究人员正在探索一种新颖的方法：利用许多人已经可获取的数据，特别是来自可穿戴设备和常见血液检测的数据，来评估胰岛素抵抗风险。在他们最近的工作中，他们推出了一套机器学习模型，旨在利用易于获取的数据点来预测胰岛素抵抗，这些数据点包括来自可穿戴设备的静息心率、步数和睡眠模式，以及空腹血糖和血脂分析等常规血液检测结果。这种方法在1165名参与者的研究人群和72名参与者的独立验证队列中都表现出强大的性能，特别是在高风险群体中，包括肥胖和久坐不动生活方式的个体，显示出显著的有效性。

为了探索这一潜力，谷歌研究院设计了WEAR-ME研究，与Quest Diagnostics合作，以自动化方式收集常规血液生物标志物。超过1100名来自美国各地的远程参与者通过Google健康研究应用（一个安全的数字健康研究平台）注册参与，并提供了电子知情同意和HIPAA授权。这个多样化的队列，中位BMI为28 kg/m²，平均年龄为45岁，同意分享来自其Fitbit或Google Pixel Watch设备的数据（为保护隐私已进行假名化处理）、在Quest Diagnostics进行的常规血液检测结果，以及基本的社会人口学信息和健康问卷。

利用这个丰富、多模态的数据集，研究人员开发并训练了先进的机器学习模型，特别是深度神经网络，以预测HOMA-IR评分。目标是评估使用现有数据的各种组合，能多大程度精确地估算出这一关键的胰岛素抵抗（IR）指标。结果通过受试者操作特征曲线下面积（auROC）——一种标准的分类准确性衡量指标——进行评估，表明与单独使用任何单一数据源相比，结合数据流显著提高了预测准确性。虽然可穿戴设备与人口统计学数据结合显示出一定的预测能力（auROC = 0.70），但加入空腹血糖后性能显著提升（auROC = 0.78）。通过结合可穿戴设备、人口统计学数据和常规血检结果，实现了最准确的预测，对于胰岛素抵抗患者的分类，其auROC达到0.80（HOMA-IR值在2.9或更高时，敏感性为76%，特异性为84%），对于直接预测HOMA-IR值，R²为0.50。值得注意的是，源自可穿戴设备数据的功能，如静息心率，与BMI和空腹血糖一起，始终位列最重要的预测因子之列，突显了与生活方式相关信号的价值。

鉴于肥胖和久坐不动生活方式的个体特别容易患2型糖尿病，这些模型在这些亚组中进行了专门评估。结果令人信服：肥胖参与者的准确性有所提高（敏感性为86%，而总体为76%），久坐参与者的准确性甚至更高（敏感性为88%）。在最关键的群体——同时肥胖和久坐不动的个体中——该模型表现出色，敏感性达到93%，调整后的特异性达到95%，这表明它有可能有效识别那些最能从早期生活方式干预中受益的人。

为了确保这些发现的普遍适用性，性能最佳的模型在一个完全独立的由72名参与者组成的验证队列中进行了测试。该队列的数据包括来自Fitbit Charge 6设备的可穿戴信息和现场采集的血液生物标志物，结果表明训练后的模型保持了强大的预测性能，敏感性为84%，特异性为81%。然而，至关重要的是，这仍然是一个研究原型，其在任何健康相关用途上的安全性和有效性尚未确定。

除了单纯的预测，研究人员还探索了如何使这些信息对个体而言更具可操作性。他们开发了“胰岛素抵抗知识和理解代理”（Insulin Resistance Literacy and Understanding Agent），这是一个基于最先进的Gemini大型语言模型家族构建的AI原型。该代理旨在根据个体的研究数据和预测的胰岛素抵抗状态，提供个性化、情境化的代谢健康答案。在用户同意的情况下，该代理可以访问特定数据点、搜索最新信息并执行计算。经委员会认证的内分泌学家对胰岛素抵抗代理的回答进行了评估，绝大多数更倾向于这些回答而非基础模型的回答，认为它们显著更全面、更值得信赖且更具个性化。这凸显了将预测性健康模型与先进AI相结合的变革性潜力，以使个体更深入地了解自己的健康状况。

这项研究标志着在实现更易获取和可扩展的2型糖尿病风险筛查方面迈出了重要一步。这种方法具有多项优势：利用许多人已经拥有的数据；即使在血糖水平异常之前也能实现早期检测（因为研究中许多血糖正常参与者被发现存在胰岛素抵抗）；以及与专业胰岛素抵抗测试相比，提供了一种潜在可扩展的筛查方法。此外，其在高风险亚组中的强大性能以及整合到个性化健康工具中的潜力，都突显了其在主动代谢健康管理方面的前景。未来的工作将包括这些模型的纵向验证、探索干预措施的影响、整合遗传和微生物组数据，以及完善模型以确保在不同人群中实现公平的性能。需要再次强调的是，尽管这些模型和胰岛素抵抗代理具有前景，但它们目前仅用于信息和研究目的，并非经批准的医疗设备。