Les données des montres connectées et les analyses sanguines de routine permettent de prédire la résistance à l'insuline avant l'apparition du diabète
Un modèle d'apprentissage profond combinant les données de dispositifs connectés et des analyses biologiques de routine a permis de repérer l'insulinorésistance (AUROC de 0,80 à 0,88), ce qui pourrait favoriser une intervention plus précoce sur le mode de vie.
Résumé
La résistance à l'insuline apparaît souvent des années avant le diabète de type 2, mais les tests qui permettent de la détecter sont coûteux ou rarement prescrits. Dans l'étude WEAR-ME, 1 165 adultes américains portaient des appareils Fitbit ou Pixel et ont fait réaliser des analyses sanguines de routine, avec le HOMA-IR comme mesure de référence. Des modèles combinant les données des objets connectés, les données démographiques, la glycémie à jeun et les lipides ont identifié la résistance à l'insuline (HOMA-IR > 2,9) avec une AUROC de 0,80, une sensibilité de 76 % et une spécificité de 84 %. Un modèle de fondation pour objets connectés, préentraîné sur 40 millions d'heures de données de capteurs, a encore amélioré les résultats : dans une petite cohorte indépendante (n = 72), son ajout a fait passer l'AUROC de 0,76 à 0,88. L'équipe a également développé un agent basé sur un LLM qui explique les résultats, et que des endocrinologues ont préféré à un LLM de base. Ces résultats sont prometteurs, mais ils nécessitent une validation sur des populations plus larges et plus diversifiées.
Résumé détaillé
La résistance à l'insuline (RI) est un précurseur essentiel du diabète de type 2 et elle est associée à la stéatose hépatique et aux maladies cardiovasculaires. Elle touche environ 20 à 40 % des personnes, mais son dépistage repose généralement sur la glycémie à jeun ou l'HbA1c, qui peuvent passer à côté d'une RI précoce. Le clamp, test de référence, n'est pas applicable en dehors de la recherche, et le HOMA-IR nécessite un passage en laboratoire avec dosage de l'insuline à jeun. Un moyen accessible et évolutif de repérer précocement la RI pourrait ouvrir une fenêtre d'intervention sur le mode de vie.
L'étude WEAR-ME a été menée à distance via l'application Google Health Studies. Elle a inclus 1 165 adultes américains (âge médian de 45 ans, IMC de 28, HbA1c de 5,4 %) qui ont partagé leurs données Fitbit ou Pixel Watch et fait réaliser des analyses sanguines via Quest Diagnostics. Le HOMA-IR a servi de référence : la RI était définie par un HOMA-IR > 2,9 (300 participants), la sensibilité à l'insuline par un HOMA-IR < 1,5 (459) et une sensibilité altérée entre les deux (406). Les séries temporelles des objets connectés ont été résumées ou encodées à l'aide d'un autoencodeur masqué, puis transmises à des modèles à base d'arbres en validation croisée à cinq plis, sur 25 combinaisons de variables. L'équipe a aussi affiné un modèle de fondation pour objets connectés, préentraîné sur 40 millions d'heures de données.
Le HOMA-IR était corrélé positivement à la glycémie à jeun (r=0,57), à l'HbA1c, à l'IMC, aux triglycérides et à la fréquence cardiaque au repos (r=0,27), et négativement au HDL, au nombre de pas quotidiens et à la HRV. Les données des objets connectés associées aux données démographiques prédisaient la RI avec une AUROC de 0,70 ; l'ajout de la glycémie à jeun l'a portée à 0,78 ; l'ajout des bilans lipidique et métabolique a atteint 0,80 (sensibilité de 76 %, spécificité de 84 %). Fait notable, 20 % des participants normoglycémiques présentaient une RI. Dans une cohorte indépendante de 72 personnes, les embeddings du modèle de fondation associés aux données démographiques ont surpassé les données démographiques seules (AUROC de 0,75 contre 0,66), et leur ajout aux données démographiques, à la glycémie et aux lipides a fait passer l'AUROC de 0,76 à 0,88.
Les chercheurs ont également conçu un agent fondé sur un grand modèle de langage (Gemini 2.0 Flash avec ReAct) qui utilise la prédiction de RI pour répondre à des questions de santé métabolique. Cinq endocrinologues l'ont préféré au modèle de base pour son exhaustivité (80 %), sa fiabilité (92 %) et sa personnalisation (73 %). Les réponses ont été jugées sûres dans 96 % des cas et entièrement exactes dans 79 %, bien que l'interprétation des biomarqueurs sanguins ait été plus faible (59 %).
Parmi les limites : une cohorte de validation indépendante modeste, un seuil unique de HOMA-IR, le recours à un indicateur de substitution plutôt qu'à une RI mesurée par clamp, et la performance absolue modeste des modèles reposant uniquement sur les objets connectés. L'évaluation de l'agent n'a porté que sur cinq profils de participants. Une validation plus large, plus diversifiée et prospective, y compris pour déterminer si les prédictions améliorent les résultats de santé, reste nécessaire avant toute utilisation clinique.
Principales conclusions
- 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.
Méthodologie
Étude de cohorte à distance, via application (WEAR-ME, n=1 165), combinant les données Fitbit/Pixel Watch, des biomarqueurs sanguins Quest et des données démographiques, avec le HOMA-IR comme référence. Des modèles à base d'arbres ainsi que des embeddings issus d'un autoencodeur masqué et d'un modèle de fondation pour objets connectés ont été évalués par validation croisée à cinq plis, puis testés, avec des poids figés, dans une cohorte indépendante en présentiel (n=72). Un agent basé sur un grand modèle de langage (LLM) a été évalué par cinq endocrinologues certifiés.
Limites de l'étude
La cohorte de validation indépendante était de petite taille (n=72), et la cohorte principale était en grande partie basée aux États-Unis, constituée de participants volontaires (auto-sélectionnés) et comptait peu de personnes atteintes de diabète (34). Le HOMA-IR est un indicateur indirect de la résistance à l'insuline (IR), avec des seuils variables, et les performances obtenues avec les seules données des objets connectés étaient modestes. L'agent LLM n'a été évalué que sur cinq profils de participants, avec une précision moindre pour l'interprétation des biomarqueurs sanguins (59 %) et des données des objets connectés (79 %).
Ce résumé vous a plu ?
Recevez les dernières recherches sur la longévité dans votre boîte de réception chaque semaine.
Saisissez votre e-mail pour vous abonner :