Flow diagram and charts detailing a machine learning pipeline (SensorWM) that uses smartwatch biometrics to estimate health age, validate clinical prognostics, simulate counterfactual coaching paths, and generate safe, preferred lifestyle plans. 利用可穿戴设备实现心血管-肾脏-代谢(CKM)风险画像,以支持个性化指导

2026年11月11日

Google Research 研究科学家 Zeinab Esmaeilpour 和 Ahmed A. Metwally

我们提出一个研究性机器学习框架,它将被动的可穿戴信号转化为可干预、可指导的健康年龄,使用动作条件世界模型模拟个性化的12周“假设”习惯轨迹,并扩展到常规血液生物标志物,以追踪早期心血管-肾脏-代谢(CKM)健康。

快速链接

心脏病、肾脏疾病以及像 2型糖尿病 这样的代谢紊乱并非彼此孤立,它们构成了一个相互关联的网络,称为 心血管-肾脏-代谢(CKM)综合征. CKM的进展往往在症状出现前数年就悄然开始,并受到运动、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,尽管智能手表可以轻松追踪我们昨天的活动,但从被动追踪转向有意义的行动却要困难得多: 我的日常习惯现在如何影响我的CKM?如果我多睡30分钟或在日常中加入一次快走,未来三个月我的健康会改善多少?

年龄常被视为回答这些问题的一个因素,但仅凭实际年龄并不够,因为同年出生的两个人可能拥有截然不同的生理健康状况。虽然研究人员已开发出基于血液检测或可穿戴传感器的“生物钟”来估计一个人的身体衰老速度快于还是慢于其日历年龄,但大多数现有生物钟并非为日常指导而构建。许多模型只是被训练来估计出生年份,因而会依赖你难以改变的特征,或者像黑箱一样无法展示改变某个特定习惯将如何影响你未来的健康。

在“通过可指导健康年龄和反事实可穿戴轨迹实现个性化健康指导”以及我们的配套研究“使用可穿戴设备和血液生物标志物的心血管-肾脏-代谢健康年龄”中,我们提出了一个研究性框架,旨在打通追踪个人健康与主动改善健康之间的闭环。该框架提供以下内容:

  1. 可指导健康年龄模型: 一个可解释的健康年龄指标,完全基于可改变的日常行为和由消费级可穿戴设备被动采集的生理数据构建。
  2. 传感器世界模型与反事实指导系统: 一个在超过220万人周的可穿戴数据上训练的机器学习世界模型(SensorWM),可模拟个性化的12周“假设”健康轨迹,并与一个语言模型智能体配对,将这些模拟转化为现实可行、经临床医生审核的指导计划。
  3. 扩展到多器官CKM健康: 当有常规血液检测可用时,我们的框架可以扩展为将可穿戴数据流与实验室生物标志物结合,以检测心脏、肾脏和代谢系统中早期、亚临床的负担。
Three-panel diagram showing coachable health age estimation, clinical prognostic validation, and trajectory forecasting with SensorWM.

我们的框架概览:从估计可指导健康年龄和预测长期疾病风险,到模拟12周“假设”习惯轨迹以提供个性化指导。

一个你真正能改变的健康年龄指标

要让健康指标对指导有用,每个输入都应该是可以持续追踪并能通过日常选择影响的。我们没有训练模型去猜测一个人的出生年份,而是将可指导健康年龄(CHA)模型建立在已发表的流行病学研究之上,这些研究将日常行为与心血管代谢疾病风险联系起来。CHA整合了消费级可穿戴设备被动测量的四个核心信号—— 静息心率, 每日步数, 睡眠时长,以及 每周活跃区分钟数 ——以及可选指标,如 VO2max、 睡眠作息规律性,以及 胰岛素抵抗,(如有)。由于活跃的人通常静息心率更低、睡眠更好,我们在数学上对这些信号之间的重叠进行了调整,使每个习惯对您的 健康年龄差(即CHA与实际年龄之差)贡献其独特的份额。负差值(例如−3岁)意味着个人的生理状况看起来比其实际年龄更年轻,而正差值则表明衰老加速。

我们在三个独立队列中验证了该模型:

  • 预测未来疾病(All of Us研究项目, n = 22,748): 在超过68,000人年的同意使用Fitbit和电子健康记录随访中,基线时健康年龄大于日历年龄的健康参与者,在未来八年内发生高血压、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)显著改善了疾病风险预测,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): 在两年内对用户进行连续3个月窗口的追踪显示,在习惯持续改变的用户中,CHA下降了。
  • 与临床健康的一致性(WEAR-ME研究): 与训练用于预测实际年龄的可穿戴衰老时钟不同,CHA与修改后的美国心脏协会 Life's Essential 8 心血管评分和 代谢综合征严重程度评分,以及参与者自己报告的健康状况更为一致。
Two line graphs showcasing how Coachable Health Age predicts cardiometabolic risk and responds to short-term changes.

在All of Us队列中18,423名无疾病参与者中,健康年龄小于或等于其日历年龄的人在8年内无病生存率显著更高(左图),而2年纵向追踪显示,个人可以在3个月窗口内有意义地降低其健康年龄(右图).

用传感器世界模型推演“假设”未来

知道你的健康年龄能告诉你今天所处的位置。将这个数字转化为个性化计划需要回答一个“假设”(或反事实)问题: 如果我在接下来的12周里改变特定的习惯,我的身体会发生什么变化?哪一套计划是我能够切实坚持的?

仅仅把新的步数或睡眠目标输入静态计算器,无法反映身体作为一个相互关联的系统是如何适应的。当你在数周内持续增加运动量并改善睡眠时,你的静息心率和心率变异性也会逐渐改善,从而在下游带来额外的健康益处。

为了捕捉这些动态变化,我们开发了 Sensor World Model(SensorWM),这是一个以动作为条件的世界模型,基于约10万名知情同意的 Fitbit 用户、228万人周的去标识数据进行预训练。给定两周的基线可穿戴数据,SensorWM 可预测20项生理指标在不同的每日步数、睡眠和心肺锻炼习惯下未来12周内的演变,其表现优于 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智能体配对,以实现三件事: 模拟:

SensorWM 为每个人推演125种候选的12周习惯组合,并将它们与习惯保持不变时的“现状”预测进行比较。

  1. 筛选真实性与安全性:最激进的锻炼计划如果在第二周就让人精疲力竭,那也无济于事。我们的优化器会权衡预测的健康年龄降低幅度与每个人过往的习惯灵活性和临床安全边界,为基线灵活性高的人选择更进取的目标(−2.3岁),为日常作息更受限的人选择更温和的渐进方案(−1.3岁)。教练:语言模型将排名最高的路径转化为支持性、循序渐进的 SensorWM 为每个人推演125种候选的12周习惯组合,并将它们与习惯保持不变时的“现状”预测进行比较。
  2. 筛选真实性与安全性: 最激进的锻炼计划如果在第二周就让人精疲力竭,那也无济于事。我们的优化器会权衡预测的健康年龄降低幅度与每个人过往的习惯灵活性和临床安全边界,为基线灵活性高的人选择更进取的目标(−2.3岁),为日常作息更受限的人选择更温和的渐进方案(−1.3岁)。
  3. 教练: 语言模型将排名最高的路径转化为一份支持性、循序渐进的12周教练计划。
Flowchart of Counterfactual Coach optimization, showing trajectory simulation, feasibility scoring, and user-level results.

SensorWM 会模拟候选习惯改变下 12 周内的生理反应,并在健康年龄改善与每个人过往的习惯灵活性之间进行权衡。

接受生活方式教练和临床医生的检验

将语言模型置于世界模型模拟中,真的能比只给完全相同的模型提供用户的穿戴设备历史记录产生更好的指导吗?

我们与五名认证生活方式教练和五名获得专科认证的初级保健与生活方式医学医生开展了一项盲法、头对头研究,覆盖横跨五种行为画像的49份参与者档案(共490次配对评审),并同时在完整的 接受生活方式教练和临床医生的检验:将语言模型置于世界模型模拟中,真的能比只给完全相同的模型提供用户的穿戴设备历史记录产生更好的指导吗?我们与五名认证生活方式教练和五名获得专科认证的初级保健与生活方式医学医生开展了一项盲法、头对头研究,覆盖横跨五种行为画像的49份参与者档案(共490次配对评审),并同时在完整的 队列(接受生活方式教练和临床医生检验:将语言模型置于世界模型模拟中,真的能比只给完全相同的模型提供用户的穿戴设备历史记录产生更好的指导吗?我们与五名认证生活方式教练和五名获得专科认证的初级保健与生活方式医学医生开展了一项盲法、头对头研究,覆盖横跨五种行为画像的49份参与者档案(共490次配对评审),并同时在完整的 WEAR-ME 队列( = 2,780).

  • 专家强烈偏好: 在71.4%的评估中,生活方式教练将基于反事实的方案评为最佳整体方案(p < 0.001),并在71.0%的评估中认为它更有可能促进长期依从(p < 0.001)。
  • 经临床医生验证的安全性: 医生评定99.2%的反事实方案处于安全运动强度范围内,并在生理学论断上的准确率为97.6%。
  • 为什么它有效: 教练和临床医生都强调,向人们展示其“现状”轨迹与可实现的“假设”选项之间的具体对比(临床医生中为92%对8%),能给他们一个清晰、有动力去行动的理由,并带来更强的自主感(97%对59%)。
Overview of a 50-person human study design evaluating side-by-side coaching plans across clinical and expert rubrics.

在由认证生活方式教练和获得专科认证的临床医生进行的盲法评估中,基于反事实的教练方案以近3比1的比例优于仅基于可穿戴设备的通用方案,同时满足99.2%的临床安全标准。

放大到器官系统层面:为CKM健康加入常规血液生物标志物

由于我们的健康年龄模型是模块化的,因此当常规临床实验室检查可用时,它可以轻松地将其纳入。在我们的 配套研究,我们将该框架扩展至跨个体器官系统刻画CKM综合征,把连续可穿戴设备数据与偶尔采集的血液生物标志物配对,而后者单独无法捕捉日常生活方式模式。

System diagram of the CKM Health Age framework and three illustrative patient profiles with varying aging rates.

多模态CKM健康年龄模型的概念框架,将可穿戴生理数据与跨多种衰老特征的器官特异性血液生物标志物相整合。

早期CKM衰退很少引起症状,而偶尔的诊所抽血检查会错过日常生活方式模式。我们在819名WEAR-ME参与者中进行了评估,我们的多模态CKM健康年龄模型将连续可穿戴信号(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相结合:胆固醇与HDL比值(心血管)、 eGFR (肾脏滤过),以及 HOMA-IR (代谢性胰岛素抵抗)。

通过测量每个标志物偏离健康临床阈值的程度(归一化偏差分数),CKM模型揭示出多器官衰老并不遵循单一模板:代谢与心血管压力往往相关,但早期肾功能衰退常常独立出现。此外,由此得到的CKM健康年龄差与客观临床评分(改良版Life's Essential 8 (r = −0.58;代谢综合征严重程度 r = 0.65)以及参与者日常感受到的健康状况都高度吻合。肾脏、代谢和心血管系统在人群层面的异质性(青色 = 比参考更健康;棕色 = 亚临床压力),说明了为什么个性化的多器官画像很重要。展望未来,这些研究共同表明,消费级可穿戴设备和机器学习如何帮助个人健康从“回望后视镜”转向“导航前路”。虽然我们的评估 = −0.58;代谢综合征严重程度 (代谢性胰岛素抵抗)。通过测量每个标志物偏离健康临床阈值的程度(归一化偏差分数),CKM模型揭示出多器官衰老并不遵循单一模板:代谢与心血管压力往往相关,但早期肾功能衰退常常独立出现。此外,由此得到的CKM健康年龄差与客观临床评分(改良版Life's Essential 8 r = −0.58;代谢综合征严重程度 = 0.65),以及参与者在日常生活中的健康感受。

Heatmap displaying clustered health deviance scores across kidney, metabolic, and cardiovascular systems for study participants.

肾脏、代谢和心血管系统在人群层面的异质性(青色 = 比参考更健康;棕色 = 亚临床压力),说明了为什么个性化的多器官画像很重要。

展望未来

这些研究共同表明,消费级可穿戴设备和机器学习如何帮助个人健康从“回望后视镜”转向“导航前路”。虽然我们的评估是使用回顾性研究队列在离线状态下进行的,而且这些模型是研究性原型而非临床诊断工具,但它们为未来的前瞻性试验奠定了基础,这些试验将检验交互式“假设”指导如何帮助人们建立持久的习惯并改善其长期健康。

致谢

本文所述研究是 Google Research 与各合作团队的联合工作。贡献者包括 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(来自 UCLA)、Anthony Z. Faranesh、Conor Heneghan、Lindsey Sunden、Mark Malhotra、Cathy Speed、Javier L. Prieto、Shwetak Patel、A. Ali Heydari 和 Ahmed A. Metwally。

快速链接