全球超5亿成年人受糖尿病困扰，其中90%为2型糖尿病（T2D），其核心病理机制在于胰岛素抵抗——机体对胰岛素的敏感性下降，导致胰腺β细胞需超量分泌胰岛素以维持血糖平衡，长期超负荷工作最终引发β细胞功能衰竭及高血糖。然而，传统胰岛素抵抗诊断依赖专业医疗检测，成本高昂且难以普及，导致大量患者错过早期干预窗口。

2026年3月，谷歌研究院在Nature发表题为《Insulin resistance prediction from wearables and routine blood biomarkers》的研究论文，首次证明消费者级可穿戴设备（如智能手表）采集的日常生理数据可实现胰岛素抵抗的早期预警。研究团队通过整合智能手表记录的心率、活动量、睡眠节律等连续生理信号，结合机器学习算法构建了预测模型。该模型能够捕捉到胰岛素抵抗早期阶段隐藏的特征性生理模式——这些细微变化在常规临床检测显现前数年即可被识别，为2型糖尿病等代谢疾病的早期干预提供了新的的时间窗口。

研究强调，胰岛素抵抗可能在常规诊断前潜伏多年，而早期发现可显著提升干预效果。通过智能手表实现的无创、连续、低成本监测，将糖尿病筛查从专业医疗机构延伸至日常生活场景，使大规模人群早期筛查成为可能。这一突破不仅有望降低糖尿病发病率及长期并发症（如视网膜病变、肾病、神经病变）风险，更标志着代谢疾病防治从被动治疗向主动预防的战略性转变。

胰岛素抵抗
胰岛素抵抗（IR）是机体细胞对胰岛素敏感性下降的病理状态，迫使胰腺β细胞超负荷分泌胰岛素以维持血糖稳定。这种代偿机制可潜伏数年，直至代偿崩溃后才在常规血糖或糖化血红蛋白检测中显现，此时干预窗口已大幅收窄，治疗成本与复杂性显著增加。

传统诊断面临双重困境：金标准方法如高胰岛素-正葡萄糖钳夹试验虽精准，但操作复杂、成本高昂，难以普及；而空腹血糖、糖化血红蛋白等常用指标在疾病早期阶段敏感性不足，常导致漏诊。

智能手表数据
谷歌团队主导的WEAR-ME研究通过数据融合开辟了新路径。该研究远程招募1165名参与者，创新性整合三大类数据：

• 可穿戴设备连续生理信号：包括智能手表（如Fitbit、Google Pixel Watch）采集的静息心率、心率变异性、每日步数、睡眠时长等动态数据；
• 人口统计学信息：年龄、体重指数（BMI）等基础特征；
• 常规血液生物标志物：空腹血糖、血脂谱等临床常用指标。

研究团队通过深度学习模型，将上述多维度数据与胰岛素抵抗的黄金标准指标HOMA-IR进行关联建模。这一创新方法实现了从“被动检测”到“主动预警”的转变——智能手表捕捉的日常生理节律细微变化，可提前数年识别胰岛素抵抗的早期特征性模式，为2型糖尿病等代谢疾病的早期干预争取了宝贵时间窗口。

该研究的意义远超技术突破本身：智能手表作为普适性可穿戴设备，实现了无创、连续、低成本的健康监测，将糖尿病筛查从专业医疗机构延伸至日常生活场景。这种“监测即生活”的模式，不仅有望降低糖尿病发病率及长期并发症（如视网膜病变、肾病、神经病变）风险，更标志着代谢疾病防治从“治疗已病”向“预防未病”的战略性转型，为全球超5亿糖尿病患者的精准健康管理提供了革命性工具。

研究结果揭示多维度数据融合的预测优势与智能手表的核心价值
研究结果显示：

1、单一数据源在胰岛素抵抗预测中存在明显局限：仅依赖人口统计学特征、智能手表生理数据或常规血液标志物中的任一类数据，模型预测能力均不理想，难以满足临床需求。

2、而多维度数据融合展现出显著优势——当智能手表连续生理信号、人口统计学信息及常规血液生物标志物三类数据协同作用时，模型预测性能达到最优状态：AUROC值达0.80，灵敏度76%，特异性84%。这一结果意味着模型能更精准识别胰岛素抵抗患者，同时大幅降低误判率，为临床早期干预提供了可靠工具。

3、尤为关键的是智能手表数据的增量价值。研究团队对预先在4000万小时传感器数据上训练的可穿戴基础模型（WFM）进行微调后发现：在独立验证队列（n=72）中，融合WFM特征与人口统计数据的模型预测性能（AUROC=0.75）显著优于仅使用人口统计数据的基线模型（AUROC=0.66）。更进一步，将WFM特征加入包含人口统计数据及空腹血糖/血脂检测结果的模型后，预测性能实现跨越式提升（AUROC=0.88 vs 原模型0.76），充分验证了智能手表连续生理数据在胰岛素抵抗早期预警中的不可替代性。

这一发现不仅证实了多维度数据融合在代谢疾病预测中的核心地位，更突显了智能手表作为日常健康监测设备的独特价值——其提供的连续、无创、低成本生理数据，正在成为连接日常生活场景与专业医疗诊断的关键桥梁，为糖尿病等代谢疾病的精准防治开辟了全新路径。

研究证实，智能手表捕捉的日常生理与行为模式蕴含血液检测无法识别的早期代谢压力信号——这些动态数据能反映胰岛素抵抗的潜在风险，为传统临床检测提供了重要补充。

进一步分析显示，胰岛素抵抗与多项生理指标存在显著关联：与空腹血糖、BMI、糖化血红蛋白、甘油三酯、静息心率呈正相关，而与高密度脂蛋白、每日步数、心率变异性呈负相关。值得注意的是，45%的肥胖人群存在胰岛素抵抗，而体重正常者中仅6.9%患病，凸显肥胖与胰岛素抵抗的强关联性。更值得关注的是，20%的血糖正常人群已存在胰岛素抵抗，这意味着他们面临更高的糖尿病发病风险，亟需早期识别以实施个性化生活方式干预，从而可能逆转2型糖尿病的发展进程。

基于上述发现，研究团队开发了基于大语言模型（LLM）的AI智能体助手。该系统能整合用户的预测风险等级、生活方式数据及体检指标，像贴身健康顾问一样，提供个性化、数据驱动的健康建议与解释。例如，针对高胰岛素抵抗风险用户，AI助手可推荐增加每日步数、优化睡眠节律等具体干预措施，并解释这些行为改变如何改善代谢指标。

这一创新不仅实现了从“被动检测”到“主动预防”的范式转变，更通过智能手表与AI的协同，将专业医疗洞察融入日常生活场景，为全球超5亿糖尿病患者及高危人群提供了可及性强、个性化的精准健康管理工具，标志着代谢疾病防治进入“早筛、早诊、早干预”的智能化新阶段。

范式革新与未来展望——从静态诊断到动态代谢健康管理
本研究的核心突破在于思维范式的根本性转变：不再将胰岛素抵抗视为需“确诊”的二元状态（是/否），而是将其重构为可“追踪、稳定或逆转”的连续动态过程。通过智能手表等可穿戴设备捕获的连续实时数据，我们得以构建代谢健康的“动态电影”，而非传统临床检测的“模糊快照”——这种从“瞬时检测”到“连续追踪”的跨越，为代谢疾病防治开辟了全新维度。

乐备实（上海优宁维生物科技股份有限公司旗下全资子公司），是国内专注于提供高质量蛋白检测以及组学分析服务的实验服务专家，自2018年成立以来，乐备实不断寻求突破，公司的服务技术平台已扩展到单细胞测序、空间多组学、流式检测、超敏电化学发光、Luminex多因子检测、抗体芯片、PCR Array、ELISA、Elispot、PLA蛋白互作、多色免疫组化、DSP空间多组学等30多个，建立起了一套涵盖基因、蛋白、细胞以及组织水平实验的完整检测体系。

 
我们可提供从样本运输、储存管理、样本制备、样本检测到检测数据分析的全流程服务。凭借严格的实验室管理流程、标准化实验室操作、原始数据储存体系以及实验项目管理系统，已经为超过3000家客户单位提供服务，年检测样本超过100万，受到了广大客户的信任与支持。