每年体检，看到空腹血糖和糖化血红蛋白在正常范围内，很多人便觉得离糖尿病还很遥远。然而，一种名为胰岛素抵抗的代谢异常可能早已悄然存在，它正是2型糖尿病发病的核心驱动因素之一。遗憾的是，常规体检从不筛查胰岛素抵抗，而临床金标准检测又过于复杂昂贵，绝大多数人因此错过了最早可干预的窗口期。

近日，发表于Nature的一项研究，为这一困境提供了切实可行的解决方案：利用智能手表等可穿戴设备收集的连续生理数据，结合常规血液检测指标，即可精准预测胰岛素抵抗。

胰岛素抵抗是指机体对胰岛素的敏感性下降，胰腺需要分泌更多胰岛素才能维持血糖稳定。在2型糖尿病确诊前数年，胰岛素抵抗往往已经存在。目前，精准评估胰岛素抵抗的金标准是高胰岛素正葡萄糖钳夹试验，操作繁琐、耗时耗力，仅用于科研场景。临床研究中常用的稳态模型评估指数虽相对简便，但仍需专门检测空腹胰岛素水平，难以纳入常规体检。因此，早期识别胰岛素抵抗一直是公共卫生领域的难点。

在这项WEAR-ME研究中，Google Research团队招募了1165名美国成年人。参与者佩戴Fitbit或谷歌Pixel手表连续三个月，收集静息心率、心率变异性、每日步数、睡眠时长等日常数据，同时采集空腹血液样本检测常规项目（血糖、血脂等）及胰岛素水平，计算HOMA-IR作为胰岛素抵抗的金标准，并以2.9为界划分胰岛素抵抗状态。

研究首先分析了各项指标与HOMA-IR的关联。结果显示，胰岛素抵抗与静息心率呈正相关（r=0.27），与心率变异性呈负相关（r=-0.14），每日步数越少（r=-0.25）、BMI越高（r=0.43），胰岛素抵抗风险越大。血液指标方面，空腹血糖（r=0.57）、甘油三酯（r=0.40）与HOMA-IR正相关，高密度脂蛋白胆固醇（r=-0.30）则呈负相关。这些关联表明，日常佩戴智能手表捕捉到的生理节律和活动信息，能够有效反映胰岛素抵抗程度。

图1 | 研究设计及关键特征与胰岛素抵抗的关联性分析

研究团队进一步构建机器学习模型预测HOMA-IR值。仅使用可穿戴数据加人口统计学信息，模型预测胰岛素抵抗的受试者工作特征曲线下面积为0.70。加入空腹血糖后，曲线下面积提升至0.78，敏感度73%，特异度84%。再加入血脂等常规血液指标后，模型表现最佳，曲线下面积达到0.80，敏感度76%，特异度84%。这说明可穿戴设备提供的连续动态数据能够为胰岛素抵抗预测贡献独特信息，且与常规血液指标联合使用效果最佳。

为更充分利用可穿戴设备的高分辨率原始数据，研究者引入了一个可穿戴基础模型，该模型在4000万小时的传感器数据上预训练，能够自主学习复杂的时间模式。将其嵌入特征与人口统计学、空腹血糖和血脂结合后，模型曲线下面积飙升至0.87，显著优于未使用可穿戴数据的相同模型（0.78）。更重要的是，可穿戴基础模型特征的重要性占比达82%，远超传统统计指标（43%），表明它成功捕捉了与胰岛素抵抗相关的细微日常生理波动。

图2 | 可穿戴基础模型提升胰岛素抵抗预测性能

上述模型的泛化能力在独立验证队列中得到证实。72名新参与者佩戴Fitbit Charge 6，完成血检和问卷。队列平均年龄44.5岁，平均BMI 30.6 kg/m²，包含不同种族和性别。结果显示，结合可穿戴基础模型特征与人口统计学信息的模型，曲线下面积为0.75，高于仅用人口统计学信息的0.66；而将可穿戴基础模型特征加入人口统计学+空腹血糖+血脂的模型后，曲线下面积达到0.88，远超不含可穿戴数据的模型（0.76）。这说明模型对不同人群同样有效，具有良好的外部验证能力。

图3 | 模型在独立验证队列中的性能验证

为了让研究成果能直接服务公众，团队还开发了一款基于大语言模型的智能助手。它能调用上述预测模型，结合用户健康数据，以通俗语言解释胰岛素抵抗风险，并提供个性化建议。五位内分泌科医生盲审后认为，该助手生成的回答在全面性、可信度和个性化方面均显著优于基础大语言模型。

综上，这项研究证明通过日常佩戴的智能手表和常规体检数据，就能准确识别早期胰岛素抵抗，无需复杂额外检测。随着可穿戴设备普及率持续上升，这种无感、低成本、可扩展的筛查方式，有望成为糖尿病预防的第一道筛子，帮助无数人在血糖失控前采取行动，真正实现从治疗到预防的转变。（生物谷Bioon.com）

参考文献：

Metwally, A.A., Heydari, A.A., McDuff, D.et al.Insulin resistance prediction from wearables and routine blood biomarkers.Nature(2026). https://doi.org/10.1038/s41586-026-10179-2