Insulin Resistance Prediction From Wearables and Routine Blood Biomarkers

Résumé technique : Prédiction de la résistance à l'insuline à partir de dispositifs portables et de biomarqueurs sanguins de routine

Énoncé du problème
La résistance à l'insuline (RI) est un précurseur majeur du diabète de type 2 (DT2) et un composant clé du syndrome métabolique, pourtant les méthodes actuelles pour sa détection sont souvent inaccessibles, coûteuses ou non mises en œuvre de manière systématique. La référence absolue, le clamp euglycémique hyperinsulinémique, est peu pratique pour un dépistage à grande échelle. Bien que l'évaluation du modèle homéostatique de la résistance à l'insuline (HOMA-IR) constitue une alternative plus accessible, elle nécessite une visite en laboratoire clinique et des prélèvements sanguins à jeun, manquant souvent la RI à un stade précoce chez les individus ayant une glycémie à jeun ou un taux d'HbA1c normaux. Par conséquent, les opportunités d'intervention précoce par le mode de vie sont fréquemment perdues. Il existe un besoin de méthodes évolutives et à distance pour identifier les individus à risque de RI en utilisant des données de plus en plus disponibles grâce aux technologies grand public et aux contrôles de santé de routine.

Méthodologie
L'étude a adopté une conception observationnelle prospective pour recruter une cohorte diversifiée de 1 165 participants aux États-Unis via la plateforme Google Health Studies (GHS). L'ensemble de données a intégré trois modalités principales :

1. Données des dispositifs portables : Données de séries temporelles provenant des appareils Fitbit et Google Pixel Watch, incluant la fréquence cardiaque au repos (FCR), la variabilité de la fréquence cardiaque (VFC), le nombre quotidien de pas et la durée du sommeil.
2. Données démographiques : Âge, sexe, origine ethnique et indice de masse corporelle (IMC).
3. Biomarqueurs sanguins : Mesures cliniques de routine incluant la glycémie à jeun, l'HbA1c, les profils lipidiques (HDL, LDL, triglycérides) et les profils métaboliques.

La vérité terrain pour la RI a été établie à l'aide du HOMA-IR, calculé à partir de l'insuline et du glucose à jeun. Les participants ont été stratifiés en trois classes : Sensibilité à l'insuline (SI, HOMA-IR < 1,5), Sensibilité à l'insuline altérée (1,5 ≤ HOMA-IR ≤ 2,9) et Résistance à l'insuline (RI, HOMA-IR > 2,9).

Le pipeline de modélisation a impliqué deux approches principales :

• Régression directe : Utilisation de XGBoost avec des apprenants linéaires (L1-L2) et non linéaires (Arbres) pour prédire directement les valeurs continues de HOMA-IR à partir des caractéristiques d'entrée.
• Apprentissage de représentations : Utilisation de Autoencodeurs masqués (MAE) pour apprendre des représentations latentes des données d'entrée (dispositifs portables, données démographiques, biomarqueurs) avant de nourrir ces plongements dans un régresseur XGBoost.

L'étude a mené une étude d'ablation à grande échelle sur 25 combinaisons de caractéristiques et six fenêtres temporelles (de 7 à 120 jours) pour déterminer les entrées optimales. La performance du modèle a été évaluée à l'aide d'une validation croisée en 5 plis et d'une cohorte de validation externe indépendante (N=72). De plus, les auteurs ont développé un « Agent de littératie et de compréhension de la résistance à l'insuline », un modèle de langage (LLM) basé sur le cadre ReAct, qui utilise les modèles d'apprentissage automatique entraînés pour interpréter les valeurs de HOMA-IR et fournir des insights de santé personnalisés et fondés.

Résultats clés

• Performance prédictive : Le modèle optimal, combinant les données des dispositifs portables, les données démographiques et les biomarqueurs sanguins de routine (profils lipidiques et métaboliques), a atteint un $R^2$ de 0,50 pour la régression du HOMA-IR. Pour la classification binaire de la RI (seuil > 2,9), le modèle a atteint une AUROC de 0,80, une sensibilité de 76 % et une spécificité de 84 %.
• Importance des caractéristiques : La glycémie à jeun s'est révélée être le prédicteur le plus significatif, suivie par l'IMC. Lorsque le glucose a été exclu, l'IMC est resté dominant, la FCR se classant deuxième. Les caractéristiques des dispositifs portables (pas, sommeil, VFC) ont contribué de manière constante à la performance du modèle, en particulier pour l'identification des individus sédentaires.
• Performance par sous-groupe : Le modèle a démontré une performance supérieure dans les sous-groupes à haut risque. Pour les participants obèses et sédentaires, le modèle a atteint une sensibilité de 93 % et une spécificité ajustée de 95 % (mettant l'accent sur la réduction des faux positifs chez les individus véritablement sensibles à l'insuline).
• Robustesse et généralisabilité : La stabilité de la prédiction s'est améliorée avec l'inclusion des biomarqueurs sanguins, réduisant le coefficient de variation à travers différentes fenêtres temporelles. Le modèle a maintenu sa performance sur une cohorte de validation indépendante (N=72), montrant une généralisabilité à travers différentes ethnies, bien que la performance ait varié pour les groupes sous-représentés (par exemple, Afro-Américains et Indiens d'Asie) en raison d'une représentation limitée des données d'entraînement.
• Évaluation de l'agent LLM : Une évaluation par cinq endocrinologues certifiés par le conseil a révélé que l'Agent RI, qui incorporait le statut de RI prédit, a été noté significativement plus élevé qu'un LLM de base en termes de exhaustivité (80 % de préférence), de fiabilité (92 % de préférence) et de personnalisation (73,3 % de préférence). L'agent a démontré une haute factualité (79 %) et sécurité (96 %).

Signification et affirmations
Les auteurs affirment que ce travail offre le premier modèle déployable, de bout en bout, pour prédire la résistance à l'insuline en utilisant des biomarqueurs numériques facilement disponibles et des tests sanguins de routine sans nécessiter d'analyses d'insuline spécialisées. L'étude souligne que :

1. Détection précoce : L'approche peut identifier les individus résistants à l'insuline ayant des niveaux normaux d'HbA1c et de glycémie à jeun, une population souvent manquée par le dépistage standard mais à haut risque de développer un DT2.
2. Évolutivité : En tirant parti de l'adoption existante des dispositifs portables et des analyses sanguines de routine, cette méthode offre une solution évolutive pour le dépistage au niveau de la population, permettant potentiellement de prioriser les individus pour des tests cliniques de confirmation.
3. Insights actionnables : L'intégration de modèles prédictifs avec un agent LLM démontre une voie pour traduire des données métaboliques complexes en recommandations de santé compréhensibles, sûres et personnalisées, facilitant les interventions précoces par le mode de vie qui pourraient inverser la résistance à l'insuline.
4. Limites : Les auteurs reconnaissent que la généralisabilité du modèle à certains groupes ethniques nécessite des ensembles de données d'entraînement plus vastes et plus diversifiés, et que le HOMA-IR, bien que représentant un proxy validé, présente une variabilité inhérente par rapport au clamp de référence absolue. Ils notent également que la cohorte de l'étude peut sureprésenter les individus ayant une conscience de la santé en raison de l'exigence de prélèvements sanguins et de l'utilisation de dispositifs portables.

Ce travail positionne les données de santé numérique comme un complément viable aux métriques cliniques traditionnelles pour l'identification précoce des dysfonctionnements métaboliques, visant à déplacer le paradigme de la gestion réactive du diabète vers une prévention proactive.