谷歌推可穿戴健康年龄框架 模拟 12 周习惯轨迹

利用可穿戴设备实现心血管-肾脏-代谢（CKM）风险画像，助力个性化指导

2026年11月11日

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

我们推出一个探索性机器学习框架，该框架将被动采集的可穿戴信号转化为可修改、可指导的健康年龄，使用以动作为条件的世界模型来模拟个性化的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）健康状况。

快速链接

• 可指导健康年龄论文
• CKM可穿戴设备论文

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，被称为心血管-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，并受到运动、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，或在日常安排中增加一次快走，未来三个月我的健康会改善多少？

年龄常被认为在回答这些问题时发挥作用，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。许多时钟仅被训练用于估算出生年份，依赖难以轻易改变的特征，或者作为黑箱运作，无法展示改变某一特定习惯将如何影响未来的健康状况。

在“通过可指导的健康年龄与反事实可穿戴轨迹实现个性化健康指导”及我们的配套研究“使用可穿戴设备与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状况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。
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，并搭配一个语言模型智能体，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、肾脏和代谢系统中的早期亚临床劳损。

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”习惯轨迹以实现个性化指导。

一个你真正能改变的健康年龄指标

要让健康指标真正有助于指导，每一项输入都应当是可以持续追踪、并能通过日常选择加以影响的。我们没有训练模型去猜测一个人的出生年份，而是将可指导的健康年龄（coachable health age，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项核心信号——静息心率、每日步数、睡眠时长和每周活跃区间分钟数——以及可选的标志物，如 VO2max、睡眠作息规律性和胰岛素抵抗（在可获得时）。由于活跃人群往往静息心率更低、睡眠更好，我们在数学上对这些信号之间的重叠进行了校正，使每种习惯都能对您的健康年龄差值（即您的 CHA 与实际年龄之差）贡献其独特的份额。负差值（例如 −3 岁）意味着个体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）后，疾病风险预测得到显著改善，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 有所下降。
• 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 与改良版美国心脏协会的生命八要素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。

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 年内的无病生存率显著更高（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：如果我改变特定习惯，未来 12 周我的身体会发生什么变化，以及哪种计划我能切实坚持？

简单地把新的步数或睡眠目标代入一个静态计算器，会忽略身体作为一个相互关联的系统是如何适应的。当你连续数周坚持多运动、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、共计 228 万人周的匿名化数据进行预训练。给定两周的基线可穿戴设备数据，SensorWM 能够预测 20 项生理指标在未来 12 周内、在不同每日步数、睡眠和有氧运动习惯下将如何演变，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以及一个语言模型教练智能体配对，以实现三件事：

1. 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”预测进行对比。
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，那也毫无帮助。我们的优化器会权衡预测的健康年龄降幅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），为日常安排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。

SensorWM 模拟候选习惯改变下 12 周的生理反应，并在健康年龄改善与每个人过往的习惯灵活性之间取得平衡。

经生活方式教练和临床医生检验

将语言模型建立在世界模型模拟之上，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数据，产生更好的指导吗？

我们开展了一项盲法头对头研究，由五位认证生活方式教练和五位获得委员会认证的初级保健与生活方式医学医师参与，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），同时在全量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依据计划为最佳整体计划（p < 0.001），并在71.0%的评估中认为该计划更有可能促成长期依从（p < 0.001）。
• 临床医生验证的安全性： 医师评定99.2%的反事实计划处于安全运动强度范围内，97.6%的生理学声明准确。
• 为何有效： 教练和临床医生均强调，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% vs. 8%），能赋予他们清晰、有动力采取行动的理由以及更强的自主感（97% vs. 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，反事实依据的教练计划以近3比1的比例优于基于通用可穿戴设备的计划，同时满足99.2%的临床安全标准。

聚焦器官系统：为CKM健康添加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，因此可以在有常规临床实验室检测时轻松纳入这些数据。在我们的配套研究中，我们扩展了该框架，以跨个体器官系统刻画CKM综合征，将连续可穿戴设备数据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，整合了可穿戴生理数据与跨不同衰老画像的器官特异性血液生物标志物。

早期 CKM 衰退很少引起症状，而偶尔的诊所抽血检查会遗漏日常的生活方式模式。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设备信号（静息心率、步数、活跃区分钟数和睡眠）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）和 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（归一化偏差评分），CKM 模型揭示出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，由此得到的 CKM 健康年龄差与客观临床评分（改良 Life's Essential 8 r = −0.58；代谢综合征严重程度 r = 0.65）以及参与者在日常生活中的健康感受都高度一致。

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），说明了个性化多器官画像为何重要。

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“看后视镜”转向“导航前路”。虽然我们的评估是使用回顾性研究队列离线进行的，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“假设”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 与多个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。