Prédire la résistance à l’insuline grâce aux wearables et biomarqueurs

Un dépistage accessible de la résistance à l’insuline

La résistance à l’insuline (IR), prélude fréquent au diabète de type 2, peut être détectée par une combinaison de données issues de montres connectées et d’analyses sanguines routinières. L’étude WEAR‑ME a analysé 1 165 participants (IMC médian 28 kg/m², âge médian 45 ans, HbA1c médiane 5,4 %) et a entraîné des réseaux profonds pour prédire le score de référence HOMA‑IR. Résultats clés : modèle multimodal (wearables + démographie + bilans sanguins) avec un seuil HOMA‑IR > 2,9 atteint AUROC = 0,80, sensibilité 76 % et spécificité 84 %. L’ajout d’un modèle fondation pour wearables (WFM) préentraîné sur 40 millions d’heures de capteurs améliore encore la puissance prédictive.

• Taille de l’étude : 1 165 participants (459 sensibles à l’insuline, 406 à sensibilité altérée, 300 résistants).
• Métriques : AUROC 0,80 (multimodal), gains supplémentaires quand le WFM est intégré.
• Seuil pragmatique : HOMA‑IR > 2,9 utilisé pour classifier l’IR.

Pourquoi détecter l’IR avant le diabète ?

Identifier précocement la résistance à l’insuline permet d’instaurer des interventions de style de vie et, si nécessaire, un traitement pharmacologique pour éviter la progression vers le diabète de type 2 et ses complications (rétinopathie, néphropathie, maladies cardiovasculaires). Les mécanismes fondamentaux impliquent une incapacité des tissus (muscle, foie, tissu adipeux) à répondre correctement à l’insuline ; cela conduit d’abord à une hyperinsulinémie compensatrice puis, parfois, à l’épuisement des cellules β. Exemples d’interventions efficaces :

• Activité physique : entraînement en résistance et entraînement aérobie améliorent la sensibilité à l’insuline.
• Alimentation : régimes hypocaloriques ou ajustés en macronutriments réduisent l’IR.
• Médicaments : metformine, thiazolidinediones, et agonistes des incrétines (GLP‑1/GIP) peuvent diminuer l’IR selon les indications cliniques).

Ces actions sont d’autant plus pertinentes que les tests de référence (clamp hyperinsulinémique) sont coûteux et peu pratiques, et que le HOMA‑IR, bien que plus accessible, nécessite toujours un prélèvement biologique en laboratoire.

Méthode et caractéristiques de la cohorte WEAR‑ME

L’étude a été conduite à distance : recueil des données de montres connectées (Fitbit / Pixel) couplé à des bilans sanguins standardisés en laboratoires. Le HOMA‑IR a été calculé par la formule habituelle (insuline à jeun × glycémie à jeun / 405) et les classes définies ainsi : IS (HOMA‑IR < 1,5), impaired‑IS (1,5–2,9) et IR (> 2,9). Exemple concret de caractéristiques et étapes :

• Recrutement : participants américains volontaires, consentement éclairé, prise de sang à jeun dans des centres agréés.
• Sources de données : séries temporelles minute‑par‑minute (rythme cardiaque, intervalles RR, pas, sommeil) et panels sanguins (glycémie, lipides, marqueurs hépatiques, etc.).
• Traitement : agrégats sur fenêtres (ex. 7 jours) et apprentissage de représentations par auto‑encodeurs masqués avant régression vers HOMA‑IR.

Ce protocole permet d’obtenir des signaux longitudinaux et standardisés exploitables à large échelle.

Signaux prédictifs : capteurs et biomarqueurs qui comptent

Les corrélations observées dans la cohorte montrent que des mesures simples ou passives renseignent sur l’IR : glycémie à jeun (r = 0,57), HbA1c (r = 0,45), IMC (r = 0,43), triglycérides (r = 0,40) et fréquence cardiaque au repos (RHR, r = 0,27) sont positivement corrélés au HOMA‑IR, alors que le HDL (r = −0,30), le nombre de pas quotidien (r = −0,25) et la variabilité de la fréquence cardiaque (HRV, r = −0,14) le sont négativement. Exemples et implications pratiques :

• Cas clinique illustratif : parmi 458 personnes obèses (IMC > 30), 205 (45 %) présentaient une IR (HOMA‑IR > 2,9), soulignant la prévalence élevée.
• Normoglycémiques mais à risque : 20 % des participants normoglycémiques avaient une IR, montrant que HbA1c normale ne suffit pas pour exclure le risque.
• Interprétation : combiner capteurs (RHR, HRV, pas, sommeil) et bilans sanguins améliore la détection précoce comparée aux marqueurs isolés.

Ces associations confirment l’intérêt clinique d’un dépistage multimodal.

Modèles, fondation pour wearables et gains concrets

La combinaison de méthodes de représentation (MAE) et de modèles d’ensemble (XGBoost) a permis de prédire HOMA‑IR en régression puis de classer l’IR. L’introduction d’un Wearable Foundation Model (WFM) préentraîné sur 40 millions d’heures a produit des embeddings (dimension 384 puis réduits par ACP) qui capturent la dynamique d’activité et des rythmes physiologiques mieux que des agrégats simples. Exemples de gains mesurés :

• Effet de l’ajout de la glycémie à jeun : le R² est passé de 0,212 à 0,435 dans un cas test, et le nombre de vrais positifs identifiés a augmenté de 17 %.
• Performance WFM : modèle WFM + démographie AUROC = 0,82 vs 0,66 pour la démographie seule dans la cohorte d’entraînement ; WFM ajouté à démographie + glycémie + lipides : AUROC 0,87 vs 0,78 sans WFM.
• Interprétabilité : analyse SHAP montre une contribution majorée des embeddings WFM (≈ 82 %) par rapport aux agrégats classiques (≈ 43 %).

Ainsi, transformer les séries temporelles en représentations riches permet d’extraire des signaux cliniquement exploitables pour le dépistage.

Conséquences cliniques, agent LLM et perspectives

Intégrer la prédiction d’IR dans une chaîne clinique élargit les possibilités : dépistage à large échelle, priorisation des examens biologiques (insuline à jeun) et personnalisation des recommandations. L’équipe a conçu un agent de type LLM (IR agent) qui combine la prédiction d’IR et des outils (calcul, recherche, modèles) pour formuler des conseils individualisés ; des endocrinologues externes ont évalué les réponses et ont préféré l’agent intégrant l’IR sur des critères de completude, confiance et personnalisation. Limites et premières recommandations pratiques :

• Sécurité et validité : l’agent a obtenu des notes élevées de sécurité (96 % des réponses jugées sûres) et de factualité (79 % jugées entièrement factuelles), mais l’interprétation de certaines données (wearables, biomarkers) nécessite encore des améliorations.
• Utilisation clinique : le modèle peut servir d’outil de tri pour orienter qui doit réaliser un dosage de l’insuline et un calcul de HOMA‑IR en laboratoire.
• Prochaines étapes : validation longitudinale, extension à d’autres marques d’appareils, prise en compte de la génétique et du microbiote, et affinement des seuils pour guider l’accès aux traitements (par ex. agonistes des incrétines).

En résumé, l’approche multimodale montre une voie prometteuse vers un dépistage scalable et personnalisé de la résistance à l’insuline, ouvrant la porte à des interventions préventives plus ciblées et à des assistants numériques cliniquement utiles.