Nature！Google團隊開發智能手表+血液檢測，提前“看見”胰島素抵抗風險

2型糖尿病已成為全球性的健康挑戰，而胰島素抵抗正是其發生發展的核心“導火索”。在胰島素抵抗狀態下，人體細胞對胰島素的作用變得遲鈍，胰腺β細胞被迫分泌更多胰島素來維持血糖穩定。這種代償機制一旦崩潰，血糖便會失控攀升。目前檢測胰島素抵抗的金標準方法操作復雜、成本高昂，難以大規模推廣，導致許多人錯過了通過生活方式干預逆轉代謝異常的最佳時機。如何讓胰島素抵抗篩查變得簡單、可及，成為代謝疾病防控的關鍵突破口。

2026年3月16日，發表于《自然》雜志的一項研究，由Google公司Ahmed A. Metwally領銜的WEAR-ME研究團隊完成，題為《Insulin resistance prediction from wearables and routine blood biomarkers》。研究納入了1165名參與者，通過智能手表連續監測數據結合常規血液生物標志物，訓練深度學習模型預測胰島素抵抗的核心指標HOMA-IR值，為代謝健康評估提供了全新解決方案。

研究團隊首先分析了胰島素抵抗與多種因素的相關性。結果顯示，空腹血糖、BMI、糖化血紅蛋白、甘油三酯與HOMA-IR呈顯著正相關，其中空腹血糖相關系數高達0.57。靜息心率也與胰島素抵抗呈正相關（r=0.27），而高密度脂蛋白膽固醇、每日步數、心率變異性和白蛋白/球蛋白比值則呈負相關。這表明，通過日常穿戴設備和常規血液檢查即可捕捉到胰島素抵抗的關鍵信號。

在模型預測性能評估中，研究比較了不同輸入特征組合的效果。單純使用可穿戴數據結合人口統計學信息，模型R2僅為0.22。加入空腹血糖后，R2翻倍至0.44，正確識別的胰島素抵抗個體增加17%，錯誤判斷的正常人減少46%。當整合可穿戴數據、人口統計學信息以及空腹血糖、血脂譜和代謝面板后，模型R2達到0.50，曲線下面積為0.80，敏感性和特異性分別達到76%和84%。

為充分挖掘可穿戴設備的預測潛力，研究團隊采用了預訓練的可穿戴基礎模型處理高分辨率傳感器數據。該模型曾在4000萬小時的傳感器數據上進行預訓練，能夠從每分鐘26個信號中學習穩健的生理特征表示。將基礎模型提取的特征嵌入與人口統計學信息結合，模型曲線下面積達到0.82，顯著高于單純人口統計學模型的0.66。進一步加入空腹血糖和血脂面板后，模型性能提升至0.87。

在72人的獨立驗證隊列中，研究檢驗了模型的泛化能力。結果顯示，整合可穿戴基礎模型特征與人口統計學信息的模型曲線下面積為0.75，優于單純人口統計學模型的0.66。當模型同時納入可穿戴基礎模型特征、人口統計學信息、空腹血糖和血脂面板時，曲線下面積達到0.88，較不含可穿戴數據的同一模型（0.76）有顯著提升，驗證了可穿戴數據在胰島素抵抗篩查中的獨特價值。

最后，研究團隊開發了基于大語言模型的胰島素抵抗智能體，將預測結果與用戶生活方式、血液檢測數據整合，提供個性化代謝健康解讀。經五位內分泌專家評估，該智能體在回答全面性、可信度和個性化方面分別獲得80%、92%和73.3%的偏好率，事實準確性和安全性分別達到79%和96%，能夠準確解讀HOMA-IR值和人口統計學信息，為未來AI驅動的健康助手奠定了基礎。

READING

BioPeers

歡迎關注本公眾號，所有內容歡迎點贊，推薦??，評論，轉發~

如有錯誤、遺漏、侵權或商務合作請私信小編~~

歡迎大家投稿課題組 研究進展 、招聘及招生宣傳~

所有文章只為科普、科研服務，無商業目的~