Newshot 使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
心脏病、肾脏疾病以及2型糖尿病等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便悄然开始，受运动、睡眠和心血管活动等日常习惯的影响。及早捕捉这些细微变化，是逆转趋势的最佳机会。然而，尽管智能手表可以轻松追踪我们昨天的活动，从被动追踪迈向有意义的行动却困难得多：我的日常习惯此刻如何影响我的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能改善多少？
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足够，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。尽管研究人员已开发出基于血液检测或可穿戴传感器的“生物时钟”，用以估算一个人的身体衰老速度快于还是慢于其日历年龄，但大多数现有时钟并非为日常指导而构建。许多时钟仅仅被训练来估算出生年份，依附于你难以改变的特征，或者充当黑箱，无法展示改变某一特定习惯将如何改变你未来的健康。
在《Personalized health coaching via coachable health age and counterfactual wearable trajectories》及我们的配套研究《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：
- 可指导的健康年龄模型：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。
- 传感器世界模型与反事实指导系统：一个机器学习世界模型（SensorWM），基于超过220万人周的穿戴设备数据训练，可模拟个性化的12周“假设”健康轨迹，并搭配一个语言模型代理，将这些模拟转化为现实可行、经临床医生审核的指导计划。
- 扩展至多器官CKM健康：当有常规血液检测可用时，我们的框架可扩展为将可穿戴数据流与实验室生物标志物相结合，以检测心脏、肾脏和代谢系统中早期、亚临床的 strain。
我们的框架概览，从估算可指导的健康年龄和预测长期疾病风险，到模拟12周“假设”习惯轨迹以支持个性化指导。
一个你真正能改变的健康年龄指标
要使健康指标对指导有用，每一个输入都应是可连续追踪、并能通过日常选择加以影响的因素。我们没有训练模型去猜测一个人的出生年份，而是将可指导的健康年龄（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、睡眠时长和每周活跃区分钟数——以及可选的标志物，如VO2max、睡眠作息规律性和胰岛素抵抗（若有）。由于活跃的人往往静息心率更低、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，使每个习惯对健康年龄差（即你的CHA与实际年龄之差）贡献其独特的份额。负差值（例如−3年）意味着个体的生理特征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 和电子健康记录的随访中，基线时健康年龄大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）显著改善了疾病风险预测，尤其是在 50 岁以下的成年人中。
- 随时间推移的改善（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，在习惯发生持续改变的用户中，CHA 下降。
- 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，以及参与者自身的自报健康更为一致。
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实际年龄的人在 8 年内无疾病生存率显著更高（左图），而 2 年纵向追踪显示，个体可以在 3 个月窗口内显著降低其健康年龄（右图）。
用传感器世界模型推演“假设”未来
了解你的健康年龄能告诉你今天所处的位置。要把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：如果我改变特定习惯，未来 12 周我的身体会发生什么，以及哪种计划我能现实地坚持下来？
简单地把新的步数或睡眠目标输入静态计算器，忽略了身体作为一个互联系统如何适应。当你在数周内持续多动、睡得更好时，你的静息心率和心率变异性也会逐渐改善，从而在下游产生额外的健康益处。
为了捕捉这些动态，我们开发了 Sensor World Model（SensorWM），这是一个以动作为条件的世界模型，预训练于约 100,000 名同意使用 Fitbit 的用户去标识化数据中的 228 万人周。给定两周的基线可穿戴数据，SensorWM 预测 20 项生理指标在不同每日步数、睡眠和有氧运动习惯下未来 12 周将如何演变，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代理配对，以完成三件事：
- 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情况下的“现状”预测进行比较。
- 筛选现实性与安全性：最激进的锻炼计划如果在第二周就导致倦怠，那也无济于事。我们的优化器权衡预测的健康年龄降低与每个人的历史习惯灵活性和临床安全边界，为基线灵活性高的人选择更雄心勃勃的目标（−2.3 岁），为日常安排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、渐进式的 12 周教练计划。
SensorWM 模拟在候选习惯改变下 12 周的生理反应，并在健康年龄改善与每个人历史习惯灵活性之间取得平衡。
接受生活方式教练和临床医生的检验
将语言模型建立在世界模型模拟之上，是否真的能比把完全相同的模型仅配上用户的可穿戴设备历史记录，产生更好的指导？
我们开展了一项盲法、头对头研究，由五名认证生活方式教练和五名获得委员会认证的初级保健与生活方式医学医生参与，覆盖五个行为画像的 49 份参与者档案（共 490 次配对评审），同时在整个 WEAR-ME 队列（n = 2,780）上进行了自动化评估。
- 专家强烈偏好：生活方式教练在 71.4% 的评估中选择反事实 grounded 方案作为最佳整体方案（p < 0.001），并在 71.0% 的评估中认为它更可能促成长期坚持（p < 0.001）。
- 临床医生验证的安全性：医生评定 99.2% 的反事实方案处于安全运动强度限值之内，97.6% 的生理学陈述准确。
- 为何有效：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%），为他们提供了清晰、有动机的行动理由和更强的自主感（97% 对 59%）。
在由认证生活方式教练和委员会认证临床医生进行的盲法评估中，反事实 grounded 的指导方案以近 3 比 1 的比例优于通用的可穿戴设备 grounded 方案，同时满足 99.2% 的临床安全标准。
聚焦器官系统：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，它可以在有常规临床实验室检查时轻松纳入这些检查。在我们的配套研究中，我们扩展了该框架，以在个体器官系统层面刻画 CKM 综合征，将连续可穿戴设备与偶尔的血液生物标志物配对，后者单独使用时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，整合可穿戴生理学与跨不同衰老特征的器官特异性血液生物标志物。
早期 CKM 衰退很少引起症状，而偶尔的诊所抽血会错过日常生活方式模式。在 819 名 WEAR-ME 参与者中评估后，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、活跃区分钟数和睡眠）与三种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）和 HOMA-IR（代谢胰岛素抵抗）。
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 模型揭示多器官衰老并不遵循单一模板：虽然代谢和心血管压力通常相关，但早期肾脏衰退常常独立出现。此外，由此产生的 CKM 健康年龄差距与客观临床评分（改良 Life's Essential 8 r = −0.58；代谢综合征严重程度 r = 0.65）以及参与者的日常健康感受都密切吻合。
文章标题：使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
正文： 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），说明为何个性化多器官画像很重要。
展望
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“看后视镜”转向“看清前路”。尽管我们的评估是使用回顾性研究队列在离线状态下进行的，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，以检验交互式“what-if”指导如何帮助人们建立持久习惯并改善长期健康。
致谢
本文所述研究是 Google Research 与合作伙伴团队的联合工作。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。
写成 {{NAME_ab12cd34}} 形式的值是真实值的占位符。在回复和工具调用中都请完全按原样使用它们：它们会在任何内容运行之前被填入真实值。不要要求验证它们，也不要用示例替换它们。