Typ-2-Diabetes, verursacht durch Insulinresistenz, betrifft Millionen weltweit, aber die frühzeitige Erkennung wird durch aktuelle invasive oder unzugängliche Testmethoden behindert. Forscher haben Machine-Learning-Modelle entwickelt, die Insulinresistenz vorhersagen können, indem sie Daten von tragbaren Geräten und üblichen Bluttests kombinieren. Die WEAR-ME-Studie verwendete Daten wie Ruhepuls, Schrittzahl, Schlafmuster, Nüchternblutzucker und Lipidprofile, um diese Modelle zu trainieren. Die Kombination dieser Datenquellen verbesserte die Vorhersagegenauigkeit erheblich im Vergleich zur Verwendung einer einzelnen Quelle allein. Bemerkenswert ist, dass die Modelle besonders gut bei der Identifizierung von Insulinresistenz bei Hochrisikogruppen wie Menschen mit Adipositas und sedentären Lebensstilen abschnitten.Eine Validierungskohorte bestätigte die Verallgemeinerbarkeit dieser Vorhersagemodelle. Um das Verständnis der Benutzer zu verbessern, wurde ein KI-Agent namens Insulinresistenz-Lese- und Verständigungs-Agent entwickelt, der auf fortschrittlichen Sprachmodellen basiert. Dieser Agent bietet personalisierte, kontextualisierte Antworten über metabolische Gesundheit, die Endokrinologen mit ihrer Vollständigkeit und Zuverlässigkeit beeindruckten. Die Forschung hebt das Potenzial für zugängliche, frühzeitige Screening von Typ-2-Diabetes-Risiken durch leicht verfügbare Daten hervor. Dieser Ansatz könnte zeitnahe lebensstilbezogene Interventionen ermöglichen, um die Krankheit zu verhindern oder zu verzögern. Es ist jedoch zu beachten, dass diese Modelle nur für informative und Forschungszwecke bestimmt sind und keine zugelassenen medizinischen Geräte sind.