利用可穿戴设备进行心血管-肾脏-代谢(CKM)风险画像以实现个性化健康辅导
心脏病、肾脏疾病以及2 型糖尿病等代谢紊乱并不是孤立存在的,它们相互交织,构成了所谓的心血管-肾脏-代谢(CKM)综合征。CKM 的进展往往在症状出现前很多年就悄无声息地开始了,并深受运动、睡眠和心血管活动等日常习惯的影响。尽早捕捉这些细微变化,是扭转趋势的最佳机会。然而,智能手表虽然能轻松记录我们昨天做了什么,但要从被动记录走向真正有用的行动却难得多:我现在的日常习惯对 CKM 状况有什么影响?如果我每天多睡 30 分钟,或者坚持快走,未来三个月的健康状况会改善多少?
年龄常被视为解答这些问题的关键,但光看实际年龄远远不够——同年出生的两个人,生理健康水平可能相差悬殊。研究人员已经基于血液检测或可穿戴传感器开发出“生物时钟”,用来估计一个人的身体是比日历年龄衰老得更快还是更慢,但现有的多数生物时钟并不是为日常健康辅导设计的。很多模型只是简单地训练来预测出生年份,抓住了那些难以改变的特征,或者像黑箱一样,无法告诉你改变某个具体习惯会如何影响你未来的健康。
在“Personalized health coaching via coachable health age and counterfactual wearable trajectories”及其配套研究“Cardiovascular-Kidney-Metabolic Health Age Using Wearables and Blood Biomarkers”中,我们提出了一个研究性框架,旨在打通“记录健康”与“主动改善健康”之间的闭环。该框架提供:
- 可辅导的健康年龄模型:一个完全基于可改变的行为和生理指标构建、可通过消费级可穿戴设备被动采集的可解释健康年龄指标。
- 传感器世界模型与反事实教练系统:基于超过220万个人-周的可穿戴设备数据训练机器学习世界模型(SensorWM),模拟个性化的12周“假设”健康轨迹;搭配大语言模型智能体,将模拟结果转化为经临床医生审核、具有现实可行性的个性化教练方案。
- 扩展至多器官CKM健康评估:在常规血液检测数据可用的前提下,该框架可进一步整合可穿戴设备数据与实验室生物标志物,早期识别心、肾及代谢系统中尚处于亚临床阶段的负荷与损伤。
本框架总览:从估算“可教练的健康年龄”、预测长期疾病风险,到模拟12周“假设性”生活习惯轨迹,以支持个性化健康教练。
你可以真正改变的健康年龄指标
要让一项健康指标真正能用于健康指导,每个输入都应该是可以持续追踪、并且能通过日常选择去改善的东西。我们并没有训练一个模型去猜用户的出生年份,而是基于已发表的流行病学研究来构建“可教练健康年龄”(CHA)模型——这些研究揭示了日常行为与心血管代谢疾病风险之间的关联。CHA 整合了消费级穿戴设备被动采集的四项核心信号——静息心率、每日步数、睡眠时长和每周 Active Zone Minutes——此外,在数据可用时还会纳入一些可选指标,如 VO2max、睡眠规律性和胰岛素抵抗。由于经常运动的人往往静息心率更低、睡眠质量更好,我们在数学上对这些信号之间的重叠进行了校正,确保每种习惯都为“健康年龄差”贡献其独立的一部分。健康年龄差指 CHA 与实际生理年龄之间的差值:负值(比如 −3 岁)表示个体的生理状态比实际年龄更年轻,正值则意味着衰老加速。 我们在三个独立队列上验证了这个模型:- 预测未来疾病(All of Us 研究项目,n = 22,748):在超过 68,000 人年的 Fitbit 与电子健康记录知情随访中,基线时健康年龄高于实际年龄的健康参与者,在未来八年内患高血压、心血管疾病或2 型糖尿病的可能性显著更高。将 CHA 加入标准临床指标(年龄、性别和 BMI)后,疾病风险预测能力显著提升,尤其是在 50 岁以下的成年人中。
- 随时间改善(纵向 Fitbit 队列,n = 1,464):我们对用户两年内连续的 3 个月窗口进行追踪,发现对于习惯发生持续改变的用户,其 CHA 有所下降。
- 与临床健康指标的一致性(WEAR-ME 研究):与旨在预测实际年龄的可穿戴设备老化时钟不同,CHA(可教练健康年龄)与美国心脏协会改良的 Life's Essential 8 心血管评分和 代谢综合征严重度评分 关联更紧密,也与参与者自评的健康状况更为吻合。
在 All of Us 队列中 18,423 名无疾病参与者的数据中,健康年龄小于或等于日历年龄的人,其 8 年无病生存期显著更长(左图);而为期 2 年的纵向追踪显示,个体可以在 3 个月的短期窗口内有意义地降低其健康年龄(右图)。
利用传感器世界模型推演“假设性”未来
知道你的健康年龄只能告诉你当下的状态。要将这一数字转化为个性化的行动方案,回答一个“假设性”(或反事实)问题:如果我在未来 12 周改变特定习惯,身体会发生什么变化?且哪一个计划是我能切实坚持的?
仅仅把新的步数或睡眠目标输入静态计算器,无法捕捉身体作为连通系统适应变化的过程。当你在数周内持续增加运动并改善睡眠时,静息心率和心率变异性也会逐渐改善,从而带来额外的下游健康收益。
为了捕捉这些动态变化,我们开发了传感器世界模型(SensorWM),这是一种基于 228 万人周的去标识化数据预训练的、以动作为条件的世界模型,数据来自约 10 万名同意的 Fitbit 用户。给定两周的基准可穿戴设备数据,SensorWM 能够预测在不同每日步数、睡眠和心肺锻炼方案下,20 项生理指标在未来 12 周的演变情况。它优于 TimesFM 等通用时间序列基础模型,同时保留了与糖尿病、高血压和胰岛素抵抗相关的临床模式。
我们将 SensorWM 与一个受可行性约束的优化器和一个语言模型教练 Agent 结合,实现三件事:
- 模拟:SensorWM 为每个人推演 125 种候选的 12 周习惯组合,并与“维持现状”的预测结果进行对比。
- 筛选现实性与安全性:最激进的运动计划如果在第二周就让人精疲力竭,也无济于事。优化器会综合预期的健康年龄改善幅度、个人历史习惯灵活性和临床安全边界来权衡——对基线灵活性高的人给出更进取的目标(−2.3 年),而对日常安排受限的人则采用更平缓的节奏(−1.3 年)。
- 指导:语言模型将排序最高的路径转化为一套循序渐进、鼓励式的 12 周教练计划。
SensorWM 模拟候选习惯改变下 12 周的生理反应,并在健康年龄改善与个人历史习惯灵活性之间寻求平衡。
生活方式教练与临床医生的实测检验
用世界模型模拟来为语言模型提供依据,真的比直接把同款模型加上用户的可穿戴设备历史数据效果更好吗?
我们开展了一项盲法对照研究,邀请五位认证生活方式教练和五位委员会认证的初级保健与生活方式医学医生,对覆盖五类行为画像的 49 份参与者档案进行评估(共 490 组配对评审),同时对完整的 WEAR-ME 队列(n = 2,780)进行了自动化评估。
- 专家明显偏好:生活方式教练在 71.4% 的评估中把基于反事实模拟的计划评为整体最佳(p < 0.001),并在 71.0% 的评估中认为它更有可能带来长期坚持(p < 0.001)。
- 临床医生验证的安全性:医生评定 99.2% 的反事实计划在安全运动强度范围内,97.6% 的生理表述准确无误。
- 效果突出的原因:教练和临床医生都指出,向用户展示“现状”轨迹与可实现的“假设”方案之间的具体对比(临床医生中这一比例为 92%,而普通用户为 8%),让他们获得了明确的行动动力和更强的掌控感(分别为 97% 和 59%)。
在由认证生活教练和执业临床医生进行的盲评中,基于反事实推理的辅导计划以近 3:1 的偏好度胜出,远超通用的可穿戴数据辅导计划,同时满足了 99.2% 的临床安全标准。
聚焦器官系统:为 CKM 健康添加常规血液生物标志物
由于我们的健康年龄模型采用模块化设计,在条件允许时轻松纳入常规临床化验数据。在我们的相关研究中,我们扩展了该框架,以针对各个器官系统对 CKM 综合征进行画像,将连续的可穿戴数据与偶尔出现的血液生物标志物相结合,后者单独使用时往往无法捕捉日常生活方式模式。
多模态 CKM 健康年龄模型的概念框架,整合了可穿戴生理数据与针对特定器官的血液生物标志物,覆盖多种衰老画像。
早期的 CKM 衰退很少出现症状,而偶尔的临床抽血检测容易遗漏日常生活方式模式。在 819 名 WEAR-ME 参与者的评估中,我们的多模态 CKM 健康年龄模型结合了连续的可穿戴信号(静息心率、步数、活跃区间分钟数和睡眠)与三项常规血液生物标志物:胆固醇与 HDL 比值(心血管相关)、eGFR(肾脏滤过率)以及 HOMA-IR(代谢性胰岛素抵抗)。
通过量化每个指标偏离健康临床阈值的程度(即归一化偏差分数),CKM 模型发现多器官衰老并非遵循单一模式:代谢与心血管负荷往往相互关联,而肾功能的早期衰退却常常独立出现。此外,由此得出的 CKM 健康年龄差,既与客观临床评分高度吻合(改良版 Life's Essential 8 评分 r = −0.58;代谢综合征严重程度 r = 0.65),也和参与者日常的自我健康感受相符。
肾脏、代谢和心血管系统在人群层面的异质性(青色表示优于参考值;棕色表示亚临床负荷),这也说明了个性化多器官健康画像的价值所在。