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的问题，而是构成一个相互关联的网络，被称为心肾代谢（CKM）综合征。CKM的恶化往往在症状出现前的数年就已悄然开始，其进程受到运动、睡眠和心血管活动等日常习惯的影响。尽早发现这些细微变化，是扭转恶化趋势的最佳机会。然而，尽管智能手表能够轻松记录我们昨天做了什么，但从被动追踪转变为有意义的行动却要困难得多：我的日常习惯如何正在影响我的心肾代谢健康？如果我多睡30分钟，或在日常安排中增加一次快走，接下来三个月我的健康状况会改善多少？
年龄常被认为是回答这些问题的一个重要因素，但仅凭日历年龄是不够的，因为在同一年出生的两个人，其生理健康状况可能截然不同。研究人员已经开发出基于血液检测或可穿戴传感器数据的“生物钟”，用以估算一个人的身体衰老速度是快于还是慢于其日历年龄，但现有的大多数生物钟并非为日常健康指导而设计。许多模型仅仅是被训练用来估算出生年份，依赖那些难以轻易改变的特征，或者作为黑箱模型，无法展示改变某项具体习惯将如何影响未来的健康状况。
在论文《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》及配套研究《利用可穿戴设备和血液生物标志物测定心肾代谢健康年龄》中，我们提出了一个实验性框架，旨在打通追踪个人健康状况与积极改善健康状况之间的闭环。该框架提供以下功能：
框架概览：从估算可指导健康年龄、预测长期疾病风险，到模拟12周的“假设情景”习惯轨迹，以实现个性化健康指导。
一个真正可以改变的健康年龄指标
要使健康指标真正有助于健康指导，每一项输入数据都应是可以持续追踪并通过日常选择加以影响的。我们并未训练模型去猜测一个人的出生年份，而是将我们的可指导健康年龄（CHA）模型建立在已发表的流行病学研究基础之上，这些研究揭示了日常行为与心脏代谢疾病风险之间的关联。CHA整合了消费级可穿戴设备被动测量的四项核心信号——静息心率、每日步数、睡眠时长和每周活动区间分钟数，并在可获取的情况下，纳入最大摄氧量、睡眠规律性和胰岛素抵抗等可选指标。由于经常运动的人往往静息心率更低、睡眠质量更好，我们通过数学方法对这些信号之间的重叠部分进行调整，使每项习惯对健康年龄差值（即CHA与日历年龄之间的差异）的贡献各自独立。负的差值（例如减去3年）意味着个体的生理状况看起来比其日历年龄更年轻，而正的差值则表明衰老正在加速。
我们在三个独立的队列中验证了该模型：
在All of Us队列的18423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年内的无疾病生存率显著更高（左图），而2年的纵向追踪显示，个体能够在3个月的时间窗口内实质性地降低其健康年龄（右图）。
利用传感器世界模型推演“假设情景”的未来
了解你的健康年龄能够告诉你当下所处的位置。但要将这个数字转化为个性化的计划，就需要回答一个“假设”（或反事实）问题：如果我改变某些特定习惯，接下来12周我的身体会发生什么变化？哪种计划是我能够切实坚持下去的？
仅仅将新的步数或睡眠目标输入一个静态的计算器中，无法反映身体作为一个相互关联的系统是如何适应变化的。当你在数周内持续增加运动量并改善睡眠质量时，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。
为了捕捉这些动态变化，我们开发了传感器世界模型（SensorWM），这是一个以动作为条件的世界模型，预训练数据来自约10万名同意参与的Fitbit用户所贡献的228万人周的去标识化数据。在给定两周的基线可穿戴设备数据的情况下，SensorWM能够预测在不同的每日步数、睡眠和心血管锻炼方案下，20项生理指标在接下来12周内将如何演变，其表现优于诸如TimesFM等通用时间序列基础模型，同时还能保留与糖尿病、高血压和胰岛素抵抗相关的临床特征模式。
我们将SensorWM与一个受可行性约束的优化器以及一个语言模型健康指导智能体相结合，以实现以下三项功能：
SensorWM模拟在候选习惯改变方案下的12周生理反应，并在健康年龄改善效果与每个人既往习惯的灵活程度之间进行权衡平衡。
将语言模型建立在世界模型模拟结果的基础之上，是否真的能比仅凭用户可穿戴设备历史数据给出的同一模型，产生更好的指导建议？
我们开展了一项盲法的头对头研究，邀请5位认证生活方式教练和5位获得认证的初级保健及生活方式医学医生，针对涵盖五种行为人格类型的49个参与者画像进行评估（共计490对配对评审），同时在完整的WEAR-ME队列（n = 2780）上进行了自动化评估。
在经认证的生活方式教练和获得认证的临床医生进行的盲法评估中，基于反事实推演的健康指导方案获得的偏好率几乎是基于普通可穿戴设备数据方案的三倍，同时满足了99.2%的临床安全标准。
聚焦器官系统：纳入常规血液生物标志物以评估CKM健康
由于我们的健康年龄模型具有模块化特性，在数据可获取的情况下可以轻松纳入常规临床实验室检测结果。在配套研究中，我们扩展了该框架，以在各个独立器官系统层面对CKM综合征进行刻画，将持续性的可穿戴设备数据与偶尔获取的血液生物标志物相结合，因为仅凭血液生物标志物本身无法捕捉日常生活方式的变化模式。
多模态CKM健康年龄模型的概念框架，将可穿戴生理数据与针对不同衰老特征的器官特异性血液生物标志物相结合。
CKM综合征的早期衰退很少表现出明显症状，而偶尔进行的临床抽血检测也无法捕捉日常生活方式的变化模式。在对819名WEAR-ME参与者的评估中，我们的多模态CKM健康年龄模型将持续性可穿戴设备信号（静息心率、步数、活动区间分钟数和睡眠）与三项常规血液生物标志物相结合：总胆固醇与高密度脂蛋白的比值（心血管系统）、估算肾小球滤过率（肾脏滤过功能）以及HOMA-IR指数（代谢性胰岛素抵抗）。
通过测量每项指标偏离健康临床阈值的程度（即标准化偏差分数），CKM模型揭示出多器官衰老并不遵循单一模式：尽管代谢紊乱和心血管负荷之间常常存在相关性，但早期的肾功能衰退往往会独立出现。此外，由此得出的CKM健康年龄差值与客观临床评分（经修订的生命基本要素8评分，相关系数r = -0.58；代谢综合征严重程度评分，相关系数r = 0.65）以及健康参与者的日常自我感觉均高度一致。
肾脏、代谢和心血管系统在群体层面呈现的异质性（青色代表比参考值更健康；棕色代表亚临床负荷），这说明了个性化多器官健康刻画的重要性。
展望未来
综合来看，这些研究展示了消费级可穿戴设备与机器学习如何帮助人们将个人健康管理从“回顾后视镜”转变为“规划前方道路”。尽管我们的评估是利用回顾性研究队列进行的离线评估，并且这些模型是实验性的研究原型，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，这些试验将测试互动式“假设情景”健康指导如何帮助人们建立持久的习惯，并改善长期健康状况。
致谢
本文所述研究是谷歌研究院及合作团队共同开展的工作成果。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（来自加州大学洛杉矶分校）、Anthony Z. Faranesh、Conor Heneghan、Lindsey Sunden、Mark Malhotra、Cathy Speed、Javier L. Prieto、Shwetak Patel、A. Ali Heydari，以及Ahmed A. Metwally。
