Dados de smartwatch e exames de sangue de rotina preveem a resistência à insulina antes do aparecimento do diabetes
Um modelo de deep learning que combina dados de dispositivos vestíveis com exames laboratoriais de rotina identificou resistência à insulina (AUROC 0,80–0,88), o que pode possibilitar uma intervenção precoce no estilo de vida.
Resumo
A resistência à insulina frequentemente se desenvolve anos antes do diabetes tipo 2, mas os exames que a detectam são caros ou raramente solicitados. No estudo WEAR-ME, 1.165 adultos nos EUA usaram dispositivos Fitbit ou Pixel e fizeram exames de sangue de rotina, com o HOMA-IR como medida de referência. Modelos que combinaram dados de dispositivos vestíveis, dados demográficos, glicemia de jejum e lipídios identificaram a resistência à insulina (HOMA-IR >2,9) com AUROC de 0,80, sensibilidade de 76% e especificidade de 84%. Um modelo de base para dispositivos vestíveis, pré-treinado com 40 milhões de horas de dados de sensores, melhorou ainda mais os resultados: em uma pequena coorte independente (n=72), sua inclusão elevou a AUROC de 0,76 para 0,88. A equipe também desenvolveu um agente baseado em LLM que explica os resultados, o qual os endocrinologistas preferiram em comparação a um LLM de base. Os resultados são promissores, mas precisam de validação em amostras maiores e mais diversas.
Resumo Detalhado
A resistência à insulina (RI) é um precursor central do diabetes tipo 2 e está associada à doença hepática gordurosa e à doença cardiovascular. Estima-se que ela afete de 20% a 40% das pessoas, mas a triagem costuma se basear na glicemia de jejum ou na HbA1c, que podem não detectar a RI precoce. O teste de clamp, padrão-ouro, não é prático fora de ambientes de pesquisa, e o HOMA-IR exige ida ao laboratório com dosagem de insulina em jejum. Uma forma escalável e acessível de sinalizar a RI precocemente poderia abrir uma janela para intervenção no estilo de vida.
O estudo WEAR-ME foi conduzido remotamente por meio do aplicativo Google Health Studies. Ele recrutou 1.165 adultos dos EUA (mediana de idade de 45 anos, IMC de 28, HbA1c de 5,4%) que compartilharam dados do Fitbit ou do Pixel Watch e solicitaram exames de sangue pela Quest Diagnostics. O HOMA-IR serviu como referência: RI foi definida como >2,9 (300 participantes), sensibilidade à insulina como <1,5 (459) e sensibilidade reduzida, os valores intermediários (406). As séries temporais dos dispositivos vestíveis foram resumidas ou transformadas em embeddings com um autoencoder mascarado e depois usadas em modelos baseados em árvores, com validação cruzada em cinco partições (fivefold) e 25 combinações de variáveis. A equipe também ajustou (fine-tuning) um modelo de base para dispositivos vestíveis pré-treinado com 40 milhões de horas de dados.
O HOMA-IR se correlacionou positivamente com a glicemia de jejum (r=0,57), a HbA1c, o IMC, os triglicerídeos e a frequência cardíaca de repouso (r=0,27), e negativamente com o HDL, os passos diários e a HRV. Dispositivos vestíveis mais dados demográficos previram a RI com AUROC de 0,70; a adição da glicemia de jejum elevou o valor para 0,78; a inclusão de painéis lipídicos e metabólicos chegou a 0,80 (sensibilidade de 76%, especificidade de 84%). Notavelmente, 20% dos participantes normoglicêmicos apresentavam RI. Em uma coorte independente de 72 pessoas, embeddings do modelo de base mais dados demográficos superaram os dados demográficos isolados (AUROC de 0,75 vs 0,66), e sua adição aos dados demográficos, à glicemia e aos lipídios melhorou o AUROC de 0,76 para 0,88.
Os pesquisadores também desenvolveram um agente baseado em LLM (Gemini 2.0 Flash com ReAct) que usa a previsão de RI para responder a perguntas sobre saúde metabólica. Cinco endocrinologistas o preferiram ao modelo base quanto à abrangência (80%), à confiabilidade (92%) e à personalização (73%). As respostas foram consideradas seguras em 96% dos casos e totalmente factuais em 79%, embora a interpretação de biomarcadores sanguíneos tenha sido mais fraca (59%).
Entre as ressalvas estão a coorte de validação independente modesta, um único ponto de corte do HOMA-IR, a dependência de um marcador substituto em vez da RI medida por clamp e o desempenho absoluto modesto dos modelos baseados apenas em dispositivos vestíveis. A avaliação do agente utilizou apenas cinco perfis de participantes. Ainda é necessária uma validação mais ampla, mais diversa e prospectiva, incluindo a verificação de se as previsões levam a melhores desfechos, antes do uso clínico.
Principais Descobertas
- Wearables, demographics, fasting glucose and lipid/metabolic panels predicted insulin resistance with AUROC 0.80, 76% sensitivity and 84% specificity in 1,165 adults.
- In an independent cohort (n=72), adding foundation-model wearable embeddings raised AUROC from 0.76 to 0.88 over a labs-and-demographics model.
- 20% of normoglycaemic participants (196 of 972) had insulin resistance, showing HbA1c alone misses early metabolic risk.
- Adding fasting glucose to the wearable model doubled R² from 0.212 to 0.435 and cut false positives by 46%.
- An LLM agent using IR predictions was preferred by endocrinologists over a base LLM and rated safe in 96% of responses.
Metodologia
Estudo de coorte remoto, baseado em aplicativo (WEAR-ME, n=1.165), que combinou dados de Fitbit/Pixel Watch, biomarcadores sanguíneos da Quest e dados demográficos, com o HOMA-IR como padrão de referência. Foram avaliados modelos baseados em árvores, além de embeddings de autoencoder mascarado e de modelo de fundação para dados de dispositivos vestíveis, usando validação cruzada em cinco partes (fivefold) e, em seguida, testados, com pesos congelados, em uma coorte presencial independente (n=72). Um agente baseado em LLM foi avaliado por cinco endocrinologistas certificados.
Limitações do Estudo
A coorte de validação independente era pequena (n=72), e a coorte principal era composta em grande parte por participantes dos EUA, autosselecionados, com poucas pessoas com diabetes (34). O HOMA-IR é um marcador substituto da RI, com pontos de corte variáveis, e o desempenho usando apenas dados de dispositivos vestíveis foi modesto. O agente de LLM foi avaliado em apenas cinco perfis de participantes, com menor precisão na interpretação de biomarcadores sanguíneos (59%) e de dados de dispositivos vestíveis (79%).
Gostou deste resumo?
Receba as pesquisas de longevidade mais recentes na sua caixa de entrada toda semana.
Digite seu e-mail para assinar: