Señales de relojes inteligentes junto con análisis de sangre ofrecen alerta temprana de resistencia a la lnsulina

Las pruebas de detección rutinarias pueden pasar por alto la enfermedad en sus etapas iniciales, y la prueba de referencia es costosa y requiere mucho tiempo, lo que limita su uso generalizado.

La identificación precoz permite intervenciones en el estilo de vida que pueden revertir la trayectoria de riesgo. Para abordar esta brecha, los investigadores han introducido un enfoque multimodal que combina datos de relojes inteligentes con análisis de sangre rutinarios para mejorar la detección temprana de la resistencia a la insulina.

Este enfoque se evaluó en el estudio Wearables for Metabolic Health (WEAR-ME), que combinó señales de relojes inteligentes recopiladas de forma remota con mediciones estándar de laboratorio de colesterol, insulina y glucosa, además de cuestionarios sobre salud y estilo de vida. Los investigadores entrenaron redes neuronales profundas con datos de 1.165 personas. Posteriormente, validaron el rendimiento del modelo mediante validación cruzada y una cohorte independiente de 72 participantes. Los resultados se publicaron en Nature el 16 de marzo de 2026.

El sistema integra características derivadas de dispositivos portátiles con información demográfica y de laboratorio para generar una predicción del riesgo de resistencia a la insulina. El ajuste fino del modelo mediante un modelo fundacional de wearables (WFM) preentrenado con 40 millones de horas de datos de sensores mejoró aún más la precisión. Un modelo que combinó representaciones derivadas del WFM con datos demográficos superó a un modelo de referencia basado únicamente en datos demográficos, con un área bajo la curva ROC (AUROC) de 0,75 frente a 0,66. La adición de representaciones del WFM a un modelo optimizado que contenía datos demográficos, glucosa en ayunas y un perfil lipídico mejoró el AUROC de 0,76 a 0,88.

El equipo también desarrolló un agente de alfabetización y comprensión de la resistencia a la insulina (agente IR) para comunicar los resultados a los usuarios. El agente IR utiliza un marco de razonamiento y acción (ReAct) basado en un modelo de lenguaje extenso (LLM), en este caso Gemini 2.0 Flash, para planificar respuestas, buscar información actualizada, realizar cálculos e interactuar con los modelos de predicción. Los endocrinólogos evaluaron las explicaciones del agente, calificando el 79 % de las respuestas como completamente precisas y el 96 % como seguras. El agente hizo referencia e interpretó correctamente los valores de los análisis de sangre.

Si se valida mediante pruebas adicionales, esta estrategia multimodal podría permitir la implementación de programas de detección y triaje escalables y domiciliarios para el riesgo metabólico, reservando las pruebas más costosas para quienes más se beneficiarían. La identificación temprana de la resistencia a la insulina puede facilitar el asesoramiento oportuno sobre el control del peso, el ejercicio y la dieta, con el objetivo de prevenir la progresión a la diabetes y evitar complicaciones posteriores.