>>最新资讯
Nature！Google团队开发智能手表+血液检测，提前“看见”胰岛素抵抗风险
2型糖尿病已成为全球性的健康挑战，而胰岛素抵抗正是其发生发展的核心“导火索”。在胰岛素抵抗状态下，人体细胞对胰岛素的作用变得迟钝，胰腺β细胞被迫分泌更多胰岛素来维持血糖稳定。这种代偿机制一旦崩溃，血糖便会失控攀升。目前检测胰岛素抵抗的金标准方法操作复杂、成本高昂，难以大规模推广，导致许多人错过了通过生活方式干预逆转代谢异常的最佳时机。如何让胰岛素抵抗筛查变得简单、可及，成为代谢疾病防控的关键突破口。
2026年3月16日，发表于《自然》杂志的一项研究，由Google公司Ahmed A. Metwally领衔的WEAR-ME研究团队完成，题为《Insulin resistance prediction from wearables and routine blood biomarkers》。研究纳入了1165名参与者，通过智能手表连续监测数据结合常规血液生物标志物，训练深度学习模型预测胰岛素抵抗的核心指标HOMA-IR值，为代谢健康评估提供了全新解决方案。
研究团队首先分析了胰岛素抵抗与多种因素的相关性。结果显示，空腹血糖、BMI、糖化血红蛋白、甘油三酯与HOMA-IR呈显著正相关，其中空腹血糖相关系数高达0.57。静息心率也与胰岛素抵抗呈正相关（r=0.27），而高密度脂蛋白胆固醇、每日步数、心率变异性和白蛋白/球蛋白比值则呈负相关。这表明，通过日常穿戴设备和常规血液检查即可捕捉到胰岛素抵抗的关键信号。
在模型预测性能评估中，研究比较了不同输入特征组合的效果。单纯使用可穿戴数据结合人口统计学信息，模型R²仅为0.22。加入空腹血糖后，R²翻倍至0.44，正确识别的胰岛素抵抗个体增加17%，错误判断的正常人减少46%。当整合可穿戴数据、人口统计学信息以及空腹血糖、血脂谱和代谢面板后，模型R²达到0.50，曲线下面积为0.80，敏感性和特异性分别达到76%和84%。
为充分挖掘可穿戴设备的预测潜力，研究团队采用了预训练的可穿戴基础模型处理高分辨率传感器数据。该模型曾在4000万小时的传感器数据上进行预训练，能够从每分钟26个信号中学习稳健的生理特征表示。将基础模型提取的特征嵌入与人口统计学信息结合，模型曲线下面积达到0.82，显著高于单纯人口统计学模型的0.66。进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人的独立验证队列中，研究检验了模型的泛化能力。结果显示，整合可穿戴基础模型特征与人口统计学信息的模型曲线下面积为0.75，优于单纯人口统计学模型的0.66。当模型同时纳入可穿戴基础模型特征、人口统计学信息、空腹血糖和血脂面板时，曲线下面积达到0.88，较不含可穿戴数据的同一模型（0.76）有显著提升，验证了可穿戴数据在胰岛素抵抗筛查中的独特价值。
最后，研究团队开发了基于大语言模型的胰岛素抵抗智能体，将预测结果与用户生活方式、血液检测数据整合，提供个性化代谢健康解读。经五位内分泌专家评估，该智能体在回答全面性、可信度和个性化方面分别获得80%、92%和73.3%的偏好率，事实准确性和安全性分别达到79%和96%，能够准确解读HOMA-IR值和人口统计学信息，为未来AI驱动的健康助手奠定了基础。