Smartwatch-Daten und routinemäßige Bluttests sagen Insulinresistenz voraus, bevor ein Diabetes auftritt
Ein Deep-Learning-Modell, das Daten von Wearables mit routinemäßigen Laborwerten kombiniert, erkannte Insulinresistenz (AUROC 0,80–0,88) und könnte so ein früheres Eingreifen mit Lebensstilmaßnahmen ermöglichen.
Zusammenfassung
Eine Insulinresistenz entwickelt sich oft Jahre vor einem Typ-2-Diabetes, doch die Tests, mit denen sie sich erkennen lässt, sind teuer oder werden selten angeordnet. In der WEAR-ME-Studie trugen 1.165 Erwachsene in den USA Fitbit- oder Pixel-Geräte und ließen routinemäßige Blutuntersuchungen durchführen, wobei HOMA-IR als Referenzmaß diente. Modelle, die Wearable-Daten, demografische Angaben, Nüchternglukose und Blutfette kombinierten, erkannten eine Insulinresistenz (HOMA-IR >2,9) mit einer AUROC von 0,80, einer Sensitivität von 76 % und einer Spezifität von 84 %. Ein Wearable-Foundation-Modell, das mit 40 Millionen Stunden an Sensordaten vortrainiert wurde, verbesserte die Ergebnisse weiter; in einer kleinen unabhängigen Kohorte (n=72) stieg die AUROC durch dessen Einbeziehung von 0,76 auf 0,88. Das Team entwickelte außerdem einen LLM-Agenten, der die Ergebnisse erklärt und den Endokrinologen gegenüber einem einfachen LLM bevorzugten. Die Ergebnisse sind vielversprechend, müssen aber in größeren und vielfältigeren Stichproben validiert werden.
Detaillierte Zusammenfassung
Insulinresistenz (IR) ist eine zentrale Vorstufe des Typ-2-Diabetes und wird mit Fettlebererkrankung und Herz-Kreislauf-Erkrankungen in Verbindung gebracht. Schätzungen zufolge sind 20–40 % der Menschen betroffen. Das Screening stützt sich jedoch meist auf den Nüchternglukosewert oder HbA1c, wodurch eine frühe IR übersehen werden kann. Der Goldstandard, der Clamp-Test, ist außerhalb der Forschung unpraktikabel, und für HOMA-IR ist ein Laborbesuch mit Nüchterninsulinmessung nötig. Ein skalierbarer, leicht zugänglicher Weg, IR frühzeitig zu erkennen, könnte ein Zeitfenster für Lebensstilinterventionen eröffnen.
Die WEAR-ME-Studie wurde über die Google Health Studies App aus der Ferne durchgeführt. Sie umfasste 1.165 Erwachsene aus den USA (mittleres Alter 45 Jahre, BMI 28, HbA1c 5,4 %), die Daten ihrer Fitbit oder Pixel Watch teilten und Bluttests über Quest Diagnostics bestellten. HOMA-IR diente als Referenzstandard: IR war definiert als >2,9 (300 Teilnehmende), Insulinsensitivität als <1,5 (459) und eingeschränkte Sensitivität als der Bereich dazwischen (406). Die Zeitreihen der Wearables wurden zusammengefasst oder mit einem Masked Autoencoder eingebettet und dann in einer fünffachen Kreuzvalidierung über 25 Merkmalskombinationen an baumbasierte Modelle übergeben. Das Team optimierte zudem ein Wearable-Foundation-Modell, das mit 40 Millionen Stunden an Daten vortrainiert worden war.
HOMA-IR korrelierte positiv mit Nüchternglukose (r=0,57), HbA1c, BMI, Triglyceriden und Ruheherzfrequenz (r=0,27) und negativ mit HDL, täglichen Schritten und HRV. Wearables plus demografische Daten sagten IR mit einer AUROC von 0,70 voraus; mit Nüchternglukose stieg sie auf 0,78; mit Lipid- und Stoffwechselpanels erreichte sie 0,80 (Sensitivität 76 %, Spezifität 84 %). Bemerkenswerterweise hatten 20 % der Teilnehmenden mit normalen Glukosewerten eine IR. In einer unabhängigen Kohorte von 72 Personen übertrafen Embeddings des Foundation-Modells plus demografische Daten die demografischen Daten allein (AUROC 0,75 vs. 0,66), und ihr Hinzufügen zu demografischen Daten, Glukose und Lipiden verbesserte die AUROC von 0,76 auf 0,88.
Die Forschenden entwickelten außerdem einen LLM-basierten Agenten (Gemini 2.0 Flash mit ReAct), der die IR-Vorhersage nutzt, um Fragen zur Stoffwechselgesundheit zu beantworten. Fünf Endokrinologen bevorzugten ihn gegenüber dem Basismodell hinsichtlich Umfang (80 %), Vertrauenswürdigkeit (92 %) und Personalisierung (73 %). Die Antworten wurden in 96 % der Fälle als sicher und in 79 % als vollständig faktisch korrekt beurteilt, wobei die Interpretation von Blutbiomarkern schwächer war (59 %).
Zu den Einschränkungen zählen die kleine unabhängige Validierungskohorte, ein einzelner HOMA-IR-Grenzwert, die Verwendung eines Surrogatmarkers anstelle der per Clamp ermittelten IR sowie die nur mäßige absolute Leistung von Modellen, die ausschließlich auf Wearables basieren. Die Bewertung des Agenten stützte sich nur auf fünf Teilnehmerprofile. Vor einem klinischen Einsatz sind eine breitere, vielfältigere und prospektive Validierung nötig, auch dazu, ob die Vorhersagen zu besseren Ergebnissen führen.
Wichtigste Erkenntnisse
- 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.
Methodik
Remote, App-basierte Kohortenstudie (WEAR-ME, n=1.165), die Daten von Fitbit/Pixel Watch, Blutbiomarker von Quest und demografische Angaben kombinierte, mit HOMA-IR als Referenzstandard. Baumbasierte Modelle sowie Embeddings aus einem Masked Autoencoder und einem Foundation-Modell für Wearable-Daten wurden mittels fünffacher Kreuzvalidierung evaluiert und anschließend mit eingefrorenen Gewichten in einer unabhängigen Präsenzkohorte (n=72) getestet. Ein LLM-Agent wurde von fünf Fachärzten für Endokrinologie bewertet.
Studienlimitierungen
Die unabhängige Validierungskohorte war klein (n=72), und die primäre Kohorte stammte überwiegend aus den USA, war selbst rekrutiert und umfasste nur wenige Menschen mit Diabetes (34). HOMA-IR ist ein Surrogatmarker für IR mit variierenden Grenzwerten, und die Leistung allein auf Basis von Wearables war mäßig. Der LLM-Agent wurde nur an fünf Teilnehmerprofilen evaluiert, wobei die Genauigkeit bei der Interpretation von Blutbiomarkern (59 %) und Wearable-Daten (79 %) geringer war.
Hat dir diese Zusammenfassung gefallen?
Erhalte die neueste Longevity-Forschung jede Woche in deinen Posteingang.
E-Mail-Adresse zum Abonnieren eingeben: