心臟病、腎臟疾病和第二型糖尿病等代謝性疾病並非獨立存在,它們共同構成一個相互關聯的網絡,稱為心腎代謝症候群(CKM)。CKM 的進展通常在症狀出現前數年就悄然開始,並受到日常習慣如運動、睡眠和心血管活動的影響。及早發現這些細微變化,是逆轉趨勢的最佳機會。
然而,儘管智慧手錶能輕易追蹤我們昨天的活動,但要從被動追蹤轉化為有意義的行動卻困難許多:我的日常習慣現在如何影響我的 CKM?如果我多睡 30 分鐘或在日常生活中增加一次快走,我的健康在未來三個月內會改善多少?
Google Research 推出一套創新框架,結合穿戴裝置數據與機器學習,為心血管、腎臟和代謝(CKM)症候群提供個人化健康指導。這套系統包含可指導的「健康年齡」模型,以及能模擬未來健康軌跡並生成客製化教練計畫的「感測器世界模型」與語言模型代理。研究顯示,此方法能有效預測疾病風險,並獲得專業教練與臨床醫師的高度認可。

心臟病、腎臟疾病和第二型糖尿病等代謝性疾病並非獨立存在,它們共同構成一個相互關聯的網絡,稱為心腎代謝症候群(CKM)。CKM 的進展通常在症狀出現前數年就悄然開始,並受到日常習慣如運動、睡眠和心血管活動的影響。及早發現這些細微變化,是逆轉趨勢的最佳機會。
然而,儘管智慧手錶能輕易追蹤我們昨天的活動,但要從被動追蹤轉化為有意義的行動卻困難許多:我的日常習慣現在如何影響我的 CKM?如果我多睡 30 分鐘或在日常生活中增加一次快走,我的健康在未來三個月內會改善多少?
年齡常被視為回答這些問題的關鍵因素,但僅憑實際年齡並不足夠,因為兩個同年出生的人可能擁有截然不同的生理健康狀況。儘管研究人員已開發出利用血液檢測或穿戴式感測器來估計身體老化速度是否快於或慢於實際年齡的「生物時鐘」,但大多數現有的時鐘並非為日常健康指導而設計。許多模型僅用於估計出生年份,依賴於難以改變的特徵,或是像黑盒子一樣,無法顯示改變特定習慣將如何影響未來的健康。
在我們的研究「透過可指導的健康年齡和反事實穿戴裝置軌跡實現個人化健康指導」以及配套研究「利用穿戴裝置和血液生物標誌物評估心腎代謝健康年齡」中,我們介紹了一套實驗性框架,旨在彌合健康追蹤與主動改善健康之間的鴻溝。該框架提供以下功能:
可指導的健康年齡模型: 這是一個完全基於消費者穿戴裝置被動捕捉的可改變日常行為和生理數據所建立,且可解釋的健康年齡指標。
感測器世界模型與反事實指導系統: 這是一個機器學習世界模型(SensorWM),它透過超過 220 萬人週的穿戴裝置數據進行訓練,能模擬個人化的 12 週「假設」健康軌跡,並搭配一個語言模型代理,將這些模擬轉化為切合實際且經臨床醫師審查的指導計畫。
擴展至多器官 CKM 健康: 當有常規血液檢測數據時,我們的框架可以擴展,將穿戴裝置數據流與實驗室生物標誌物結合,以檢測心臟、腎臟和代謝系統中早期、亞臨床的壓力。
為了讓健康指標對指導有用,每個輸入都應該是能夠持續追蹤並透過日常選擇來影響的數據。我們沒有訓練模型來猜測一個人的出生年份,而是將我們的可指導健康年齡(CHA)模型建立在已發表的流行病學研究基礎上,這些研究將日常行為與心臟代謝疾病風險聯繫起來。
CHA 整合了消費者穿戴裝置被動測量的四個核心訊號,包括靜息心率、每日步數、睡眠時長和每週活動區間分鐘數,並在可用時納入 VO2max、睡眠時間規律性和胰島素阻抗等可選標誌物。由於活躍的人通常有較低的靜息心率和較好的睡眠,我們對這些訊號之間的重疊進行了數學調整,確保每個習慣都對您的健康年齡差(CHA 與實際年齡之間的差異)做出其獨特的貢獻。
負值差異(例如負 3 歲)表示個人的生理狀況看起來比實際年齡年輕,而正值差異則表示加速老化。
我們在三個獨立的隊列中驗證了這個模型:
預測未來疾病(All of Us 研究計畫,n = 22,748): 在超過 68,000 人年的 Fitbit 同意追蹤和電子健康記錄追蹤中,基線時健康年齡大於實際年齡的健康參與者,在接下來的八年內,罹患高血壓、心血管疾病或第二型糖尿病的可能性顯著更高。將 CHA 加入標準臨床指標(年齡、性別和 BMI)顯著改善了疾病風險預測,尤其是在 50 歲以下的成年人中。
隨著時間的推移而改善(Fitbit 縱向隊列,n = 1,464): 追蹤用戶在兩年內連續的三個月窗口期數據顯示,在習慣持續改變的用戶中,CHA 有所下降。
與臨床健康狀況的一致性(WEAR-ME 研究): 與那些旨在預測實際年齡的穿戴式老化時鐘不同,CHA 與修改後的美國心臟協會「生命八要素」心血管評分和代謝症候群嚴重程度評分,以及參與者自我報告的健康狀況更為一致。
了解您的健康年齡能告訴您目前的狀況。但要將這個數字轉化為個人化計畫,則需要回答一個「假設」(或反事實)問題:如果我改變特定習慣,我的身體在接下來的 12 週內會發生什麼變化?以及我能實際堅持哪個計畫?
簡單地將新的步數或睡眠目標輸入靜態計算器,會忽略身體作為一個互聯系統的適應方式。當您在數週內持續增加運動量並改善睡眠時,您的靜息心率和心率變異性也會逐漸改善,從而產生額外的健康益處。
為了捕捉這些動態,我們開發了感測器世界模型(SensorWM),這是一個基於行動條件的世界模型,利用約 10 萬名同意用戶的 228 萬人週去識別化 Fitbit 數據進行預訓練。在給定兩週的基線穿戴裝置數據後,SensorWM 能預測在不同的每日步數、睡眠和心血管活動方案下,20 個生理標誌物在未來 12 週內將如何演變。
它在保留與糖尿病、高血壓和胰島素阻抗相關的臨床模式的同時,表現優於 TimesFM 等通用時間序列基礎模型。
我們將 SensorWM 與一個受可行性限制的優化器和一個語言模型指導代理結合,以實現三項功能:
模擬: SensorWM 為每個人生成 125 種候選的 12 週習慣組合,並將其與習慣不變的「現狀」預測進行比較。
篩選真實性和安全性: 最激進的運動計畫如果導致第二週就耗盡精力,那也無濟於事。我們的優化器會權衡預期的健康年齡降低幅度與每個人的歷史習慣彈性和臨床安全範圍,為基線彈性較高的人選擇一個更具雄心的目標(例如減少 2.3 歲),而為日常習慣較受限制的人選擇一個更溫和的提升方案(例如減少 1.3 歲)。
指導: 語言模型將排名最高的方案轉化為一個支持性、漸進式的 12 週指導計畫。
將語言模型建立在世界模型模擬的基礎上,是否真的能比僅僅提供用戶穿戴裝置歷史數據給同一個模型,產生更好的指導效果?
我們進行了一項盲測、面對面的研究,邀請了五位認證生活方式教練和五位經董事會認證的初級照護及生活方式醫學醫師,針對涵蓋五種行為特徵的 49 個參與者資料(總共 490 對評估)進行評估,同時也對完整的 WEAR-ME 隊列(n = 2,780)進行了自動化評估。
專家的高度偏好: 生活方式教練在 71.4% 的評估中(p < 0.001)選擇反事實基礎計畫為最佳總體計畫,並在 71.0% 的評估中(p < 0.001)認為它更有可能促使長期依從性。
臨床醫師驗證的安全性: 醫師評估 99.2% 的反事實計畫在安全運動強度範圍內,且 97.6% 的生理主張是準確的。
成功原因: 教練和臨床醫師都強調,向人們展示「現狀」軌跡與可實現的「假設」選項之間具體的對比(臨床醫師中為 92% 對 8%),為他們提供了清晰、激勵人心的行動理由和更強烈的自主感(97% 對 59%)。
由於我們的健康年齡模型是模組化的,因此在可用時可以輕鬆整合常規臨床實驗室檢測。在我們的配套研究中,我們擴展了該框架,以評估各個器官系統的 CKM 症候群,將持續的穿戴裝置數據與偶爾的血液生物標誌物結合,因為單獨的血液生物標誌物會錯過日常的生活方式模式。
CKM 的早期衰退很少引起症狀,而偶爾的診所抽血檢測會錯過日常的生活方式模式。我們的多模式 CKM 健康年齡模型在 819 名 WEAR-ME 參與者中進行了評估,它結合了連續的穿戴裝置訊號(靜息心率、步數、活動區間分鐘數和睡眠)與三種常規血液生物標誌物:膽固醇與高密度脂蛋白比率(心血管)、eGFR(腎臟過濾)和 HOMA-IR(代謝胰島素阻抗)。
透過測量每個標誌物偏離健康臨床閾值的程度(標準化偏差分數),CKM 模型揭示了多器官老化並非遵循單一模式:雖然代謝和心血管壓力通常相關,但早期腎功能衰退卻經常獨立出現。此外,由此產生的 CKM 健康年齡差距與客觀臨床評分(修改後的生命八要素 r = −0.58;代謝症候群嚴重程度 r = 0.65)以及參與者日常的健康感受密切相關。
總體而言,這些研究展示了消費者穿戴裝置和機器學習如何幫助個人健康從「回顧過去」轉變為「引導未來」。儘管我們的評估是使用回溯性研究隊列離線進行的,且這些模型是實驗性研究原型而非臨床診斷工具,但它們為未來的前瞻性試驗奠定了基礎,以測試互動式「假設」指導如何幫助人們養成持久的習慣並改善其長期健康。
此處描述的研究是 Google Research 與合作團隊的共同成果。貢獻者包括 Zeinab Esmaeilpour、Simon A. Lee、Menglian Zhou、Marius Guerard、Sohrab Sidhu、Alexandru Solot、Hamid Palangi、Pramod Rudrapatna、Ming-Zher Poh、Max A. Xu、Daniel McDuff、Dimitrios Antos、Yuzhe Yang、Jeffrey N. Chiang(來自加州大學洛杉磯分校)、Anthony Z. Faranesh、Conor Heneghan、Lindsey Sunden、Mark Malhotra、Cathy Speed、Javier L. Prieto、Shwetak Patel、A. Ali Heydari 和 Ahmed A. Metwally。
覺得值得一看?分享給朋友。
以上為 AI 自動翻譯導讀。原文版權歸 Google Research 所有, 建議透過「閱讀原文」前往原始網站,以取得最完整資訊並支持原作者。
43 個來源、每 2 小時更新,太多看不完。電子報每週挑最值得看的幾則,附上 Max 的看法。