Los datos de los relojes inteligentes y los análisis de sangre de rutina predicen la resistencia a la insulina antes de que aparezca la diabetes
Un modelo de aprendizaje profundo que combina datos de dispositivos wearables con análisis de laboratorio de rutina identificó la resistencia a la insulina (AUROC 0,80–0,88), lo que podría permitir una intervención temprana en el estilo de vida.
Resumen
La resistencia a la insulina suele aparecer años antes de la diabetes tipo 2, pero las pruebas que la detectan son costosas o rara vez se solicitan. En el estudio WEAR-ME, 1165 adultos estadounidenses usaron dispositivos Fitbit o Pixel y se sometieron a análisis de sangre de rutina, con el HOMA-IR como medida de referencia. Los modelos que combinaban datos de dispositivos wearable, datos demográficos, glucosa en ayunas y lípidos identificaron la resistencia a la insulina (HOMA-IR >2,9) con un AUROC de 0,80, una sensibilidad del 76 % y una especificidad del 84 %. Un modelo fundacional para wearables, preentrenado con 40 millones de horas de datos de sensores, mejoró aún más los resultados; en una pequeña cohorte independiente (n=72), añadirlo elevó el AUROC de 0,76 a 0,88. El equipo también creó un agente basado en un LLM que explica los resultados, el cual los endocrinólogos prefirieron frente a un LLM base. Los hallazgos son prometedores, pero requieren una validación más amplia y con mayor diversidad.
Resumen detallado
La resistencia a la insulina (RI) es un precursor central de la diabetes tipo 2 y se asocia con la enfermedad del hígado graso y la enfermedad cardiovascular. Afecta a un 20–40 % de las personas, pero su detección suele basarse en la glucosa en ayunas o la HbA1c, que pueden pasar por alto la RI temprana. La prueba de clamp, considerada el patrón de referencia, no es práctica fuera del ámbito de la investigación, y el HOMA-IR requiere acudir a un laboratorio para medir la insulina en ayunas. Una forma escalable y accesible de detectar la RI de manera temprana podría abrir una ventana para la intervención en el estilo de vida.
El estudio WEAR-ME se realizó de forma remota a través de la aplicación Google Health Studies. Incluyó a 1165 adultos estadounidenses (mediana de edad de 45 años, IMC de 28, HbA1c de 5,4 %) que compartieron datos de Fitbit o Pixel Watch y solicitaron análisis de sangre a través de Quest Diagnostics. El HOMA-IR se utilizó como referencia: la RI se definió como >2,9 (300 participantes), la sensibilidad a la insulina como <1,5 (459) y la sensibilidad alterada como los valores intermedios (406). Las series temporales de los dispositivos se resumieron o se codificaron mediante un autoencoder enmascarado y luego se introdujeron en modelos basados en árboles, con validación cruzada quíntuple en 25 combinaciones de variables. El equipo también ajustó un modelo fundacional de dispositivos vestibles preentrenado con 40 millones de horas de datos.
El HOMA-IR se correlacionó positivamente con la glucosa en ayunas (r=0,57), la HbA1c, el IMC, los triglicéridos y la frecuencia cardíaca en reposo (r=0,27), y negativamente con el HDL, los pasos diarios y la HRV. Los dispositivos vestibles junto con los datos demográficos predijeron la RI con un AUROC de 0,70; al añadir la glucosa en ayunas subió a 0,78; y al añadir los paneles lipídico y metabólico alcanzó 0,80 (sensibilidad del 76 %, especificidad del 84 %). Cabe destacar que el 20 % de los participantes con normoglucemia presentaba RI. En una cohorte independiente de 72 personas, los embeddings del modelo fundacional más los datos demográficos superaron a los datos demográficos por sí solos (AUROC de 0,75 frente a 0,66), y al añadirlos a los datos demográficos, la glucosa y los lípidos, el AUROC mejoró de 0,76 a 0,88.
Los investigadores también crearon un agente basado en un LLM (Gemini 2.0 Flash con ReAct) que utiliza la predicción de RI para responder preguntas sobre salud metabólica. Cinco endocrinólogos lo prefirieron frente al modelo base por su exhaustividad (80 %), fiabilidad (92 %) y personalización (73 %). Las respuestas se consideraron seguras en el 96 % de los casos y totalmente exactas en el 79 %, aunque la interpretación de los biomarcadores sanguíneos fue más débil (59 %).
Entre las limitaciones se incluyen la modesta cohorte de validación independiente, un único punto de corte de HOMA-IR, el uso de un indicador indirecto en lugar de la RI medida mediante clamp, y el rendimiento absoluto modesto de los modelos basados solo en dispositivos vestibles. La evaluación del agente utilizó solo cinco perfiles de participantes. Antes de su uso clínico, aún se necesita una validación más amplia, más diversa y prospectiva, que incluya si las predicciones conducen a mejores resultados.
Hallazgos clave
- 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.
Metodología
Estudio de cohorte remoto, basado en una aplicación (WEAR-ME, n=1.165), que combinó datos de Fitbit/Pixel Watch, biomarcadores sanguíneos de Quest y datos demográficos, con el HOMA-IR como referencia (ground truth). Se evaluaron modelos basados en árboles, así como embeddings de un autoencoder enmascarado y de un modelo fundacional para dispositivos wearable, mediante validación cruzada de cinco particiones (fivefold), y después se probaron con los pesos congelados en una cohorte presencial independiente (n=72). Un agente basado en un LLM fue evaluado por cinco endocrinólogos certificados.
Limitaciones del estudio
La cohorte de validación independiente era pequeña (n=72), y la cohorte principal procedía en su mayor parte de Estados Unidos, era autoseleccionada y incluía a pocas personas con diabetes (34). El HOMA-IR es un indicador indirecto de la resistencia a la insulina (RI) con puntos de corte variables, y el rendimiento de los dispositivos portátiles por sí solos fue modesto. El agente basado en un LLM se evaluó con solo cinco perfiles de participantes, y mostró una precisión menor al interpretar biomarcadores sanguíneos (59 %) y datos de dispositivos portátiles (79 %).
¿Te ha gustado este resumen?
Recibe la última investigación sobre longevidad en tu bandeja de entrada cada semana.
Introduce tu correo electrónico para suscribirte: