Dati dello smartwatch ed esami del sangue di routine predicono la resistenza all'insulina prima della comparsa del diabete
Un modello di deep learning che combina i dati dei dispositivi indossabili con gli esami di laboratorio di routine ha individuato l'insulino-resistenza (AUROC 0,80–0,88), il che potrebbe consentire interventi precoci sullo stile di vita.
Riepilogo
La resistenza all'insulina si sviluppa spesso anni prima del diabete di tipo 2, eppure i test che la individuano sono costosi o raramente prescritti. Nello studio WEAR-ME, 1.165 adulti statunitensi hanno indossato dispositivi Fitbit o Pixel e si sono sottoposti a esami del sangue di routine, con l'HOMA-IR come misura di riferimento. I modelli che combinavano dati dei dispositivi indossabili, dati demografici, glicemia a digiuno e lipidi hanno identificato la resistenza all'insulina (HOMA-IR >2,9) con un'AUROC di 0,80, una sensibilità del 76% e una specificità dell'84%. Un foundation model per dati da dispositivi indossabili, preaddestrato su 40 milioni di ore di dati dei sensori, ha migliorato ulteriormente i risultati; in una piccola coorte indipendente (n=72), la sua aggiunta ha portato l'AUROC da 0,76 a 0,88. Il team ha inoltre sviluppato un agente basato su LLM che spiega i risultati, preferito dagli endocrinologi rispetto a un LLM di base. I risultati sono promettenti, ma richiedono una validazione su campioni più ampi e più eterogenei.
Riepilogo Dettagliato
La resistenza all'insulina (IR) è un precursore fondamentale del diabete di tipo 2 ed è associata alla steatosi epatica e alle malattie cardiovascolari. Colpisce circa il 20–40% delle persone, eppure lo screening si basa di solito sulla glicemia a digiuno o sull'HbA1c, che possono non rilevare l'IR in fase precoce. Il clamp euglicemico iperinsulinemico, il test di riferimento, non è praticabile al di fuori dei contesti di ricerca, mentre l'HOMA-IR richiede una visita in laboratorio con la misurazione dell'insulina a digiuno. Un metodo scalabile e accessibile per individuare precocemente l'IR potrebbe aprire una finestra di opportunità per interventi sullo stile di vita.
Lo studio WEAR-ME è stato condotto a distanza tramite l'app Google Health Studies. Ha arruolato 1.165 adulti statunitensi (età mediana 45 anni, BMI 28, HbA1c 5,4%) che hanno condiviso i dati del proprio Fitbit o Pixel Watch e hanno prenotato gli esami del sangue tramite Quest Diagnostics. L'HOMA-IR è stato usato come riferimento: l'IR era definita da un valore >2,9 (300 partecipanti), la sensibilità insulinica da un valore <1,5 (459) e la sensibilità ridotta da valori intermedi (406). Le serie temporali dei dispositivi indossabili sono state riassunte o trasformate in embedding con un autoencoder mascherato, quindi fornite a modelli basati su alberi decisionali con validazione incrociata a cinque fold su 25 combinazioni di variabili. Il gruppo ha inoltre effettuato il fine-tuning di un foundation model per dati da dispositivi indossabili, preaddestrato su 40 milioni di ore di dati.
L'HOMA-IR era correlato positivamente con la glicemia a digiuno (r=0,57), l'HbA1c, il BMI, i trigliceridi e la frequenza cardiaca a riposo (r=0,27), e negativamente con l'HDL, i passi giornalieri e l'HRV. I dispositivi indossabili insieme ai dati demografici hanno predetto l'IR con un'AUROC di 0,70; l'aggiunta della glicemia a digiuno l'ha portata a 0,78; l'aggiunta dei pannelli lipidico e metabolico ha raggiunto 0,80 (sensibilità 76%, specificità 84%). Da notare che il 20% dei partecipanti normoglicemici presentava IR. In una coorte indipendente di 72 persone, gli embedding del foundation model insieme ai dati demografici hanno superato i soli dati demografici (AUROC 0,75 contro 0,66), e la loro aggiunta ai dati demografici, alla glicemia e ai lipidi ha migliorato l'AUROC da 0,76 a 0,88.
I ricercatori hanno anche sviluppato un agente basato su LLM (Gemini 2.0 Flash con ReAct) che utilizza la previsione dell'IR per rispondere a domande sulla salute metabolica. Cinque endocrinologi lo hanno preferito al modello di base per completezza (80%), affidabilità (92%) e personalizzazione (73%). Le risposte sono state giudicate sicure nel 96% dei casi e pienamente corrette dal punto di vista fattuale nel 79%, anche se l'interpretazione dei biomarcatori ematici è risultata più debole (59%).
Tra i limiti figurano la coorte di validazione indipendente di dimensioni ridotte, un'unica soglia di HOMA-IR, il ricorso a un indicatore surrogato anziché all'IR misurata con il clamp, e le prestazioni assolute modeste dei modelli basati solo sui dispositivi indossabili. La valutazione dell'agente ha utilizzato solo cinque profili di partecipanti. Prima dell'uso clinico sono ancora necessarie validazioni più ampie, più diversificate e prospettiche, che verifichino anche se le previsioni portino a esiti migliori.
Risultati Principali
- 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
Studio di coorte remoto, basato su app (WEAR-ME, n=1.165), che combina dati di Fitbit/Pixel Watch, biomarcatori ematici di Quest e dati demografici, con HOMA-IR come riferimento di verità (ground truth). Modelli ad albero, autoencoder mascherati (masked autoencoder) ed embedding di un modello di fondazione per dati da dispositivi indossabili sono stati valutati con validazione incrociata a cinque partizioni (fivefold cross-validation), poi testati con pesi congelati in una coorte indipendente in presenza (n=72). Un agente basato su LLM è stato valutato da cinque endocrinologi certificati.
Limitazioni dello Studio
La coorte di validazione indipendente era di piccole dimensioni (n=72), mentre la coorte principale era in gran parte composta da persone residenti negli Stati Uniti, autoselezionate, con pochi partecipanti con diabete (34). L'HOMA-IR è un indicatore surrogato dell'insulino-resistenza, con soglie variabili, e le prestazioni basate esclusivamente sui dispositivi indossabili sono state modeste. L'agente basato su LLM è stato valutato su soli cinque profili di partecipanti, con un'accuratezza inferiore nell'interpretazione dei biomarcatori ematici (59%) e dei dati dei dispositivi indossabili (79%).
Ti è piaciuto questo riepilogo?
Ricevi ogni settimana le ultime ricerche sulla longevità direttamente nella tua casella email.
Inserisci la tua email per iscriverti: