利用可穿戴设备和常规血液生物标志物预测胰岛素抵抗
机器学习
2026-05-25 v1
摘要
胰岛素抵抗是 2 型糖尿病的前兆，其特征是组织中胰岛素作用受损。当前测量胰岛素抵抗的方法虽然有效，但昂贵、难以获取、普及度不高，阻碍了早期干预的机会。在这项研究中，我们远程招募了迄今为止美国规模最大的数据集来研究胰岛素抵抗（N=1,165 名参与者，中位 BMI=28 kg/m²，年龄=45 岁，HbA1c=5.4%），该数据集整合了可穿戴设备时间序列数据和血液生物标志物，包括胰岛素抵抗的真实值测量指标——稳态模型评估胰岛素抵抗指数（HOMA-IR）。我们开发了深度神经网络模型，基于易于获取的数字和血液生物标志物来预测胰岛素抵抗。我们的结果表明，通过结合可穿戴数据和易于获取的血液生物标志物，我们的模型预测胰岛素抵抗的效果优于单独使用任一数据源（R²=0.5，auROC=0.80，灵敏度=76%，特异度=84%）。在肥胖和久坐的参与者中，该模型显示出 93% 的灵敏度和 95% 的调整后特异度，这一亚群最容易发展为 2 型糖尿病，并且可能从早期干预中获益最多。对模型性能的严格评估，包括可解释性和鲁棒性，有助于在更大队列中实现泛化，这一点通过在独立验证队列（N=72 名参与者）上重现预测性能得到了证明。此外，我们展示了如何将预测的胰岛素抵抗值集成到大语言模型智能体中，以帮助理解和情境化 HOMA-IR 值，从而促进解释和安全的个性化建议。这项工作为早期发现 2 型糖尿病风险人群提供了可能，从而有助于更早地实施预防策略。
引用
@article{arxiv.2505.03784,
title = {Insulin Resistance Prediction From Wearables and Routine Blood Biomarkers},
author = {Ahmed A. Metwally and A. Ali Heydari and Daniel McDuff and Alexandru Solot and Zeinab Esmaeilpour and Anthony Z Faranesh and Menglian Zhou and David B. Savage and Conor Heneghan and Shwetak Patel and Cathy Speed and Javier L. Prieto},
journal= {arXiv preprint arXiv:2505.03784},
year = {2026}
}