📢 转载信息
原文链接：https://www.nature.com/articles/s41586-026-10179-2
原文作者：Ahmed A. Metwally, A. Ali Heydari, Daniel McDuff, Alexandru Solot, Zeinab Esmaeilpour, Anthony Z. Faranesh, Menglian Zhou, Girish Narayanswamy, Maxwell A. Xu, Xin Liu, Yuzhe Yang, David B. Savage, Mark Malhotra, Conor Heneghan, Shwetak Patel, Cathy Speed, Javier L. Prieto
摘要
胰岛素抵抗（IR）是2型糖尿病的主要前兆，其特征是组织中胰岛素作用受损1。然而，诊断方法仍然昂贵且难以获得，这阻碍了早期干预2,3。在此，我们展示了WEAR-ME研究，这是一项针对IR的大型远程研究（n = 1,165名参与者；中位体重指数（BMI）= 28 kg m-2，中位年龄= 45岁，中位血红蛋白A1c（HbA1c）= 5.4%），该研究利用可穿戴设备的 time-series 数据和常规血液生物标志物，来训练深度神经网络，并与IR的地面真实测量值（稳态模型评估IR；HOMA-IR）进行比较。使用HOMA-IR截止值2.9，我们的多模态模型在可穿戴设备数据以及人口统计学和常规血液生物标志物数据的联合使用下，取得了稳健的性能（接收者操作特征曲线下面积（AUROC）= 0.80，敏感性= 76%，特异性= 84%）。为了增强可穿戴设备 time-series 数据的利用，我们对在4000万小时传感器数据上预训练的可穿戴基础模型（WFM）进行了微调。在一个独立的验证队列（n = 72）中，整合了WFM衍生表示和人口统计学数据的一个模型，优于仅使用人口统计学数据的基线模型（AUROC = 0.75 对比 0.66）。此外，将WFM衍生表示添加到包含人口统计学、空腹血糖和血脂检查的模型中，与没有可穿戴设备数据的相同模型相比，性能显著提高（AUROC = 0.88 对比 0.76）。我们将IR预测整合到一个大型语言模型中，以提供结果的背景信息并促进个性化建议。这项工作建立了一个可扩展、可访问的早期检测代谢风险的框架，该框架能够实现及时的生活方式干预，以防止其进展为2型糖尿病。
🚀 想要体验更好更全面的AI调用？
欢迎使用青云聚合API，约为官网价格的十分之一，支持300+全球最新模型，以及全球各种生图生视频模型，无需翻墙高速稳定，文档丰富，小白也可以简单操作。
评论区