忍び寄るインスリン抵抗性の脅威と診断の壁
健康診断で空腹時血糖やヘモグロビンA1cの数値を見て、基準値内だから自分は代謝的に問題ないと胸をなでおろした経験をお持ちの方は少なくないはずです。しかし、糖尿病や心血管疾患の主要な温床となる病態であるインスリン抵抗性は、血液検査の数値が見かけ上正常を保っている段階から、私たちの体内で静かに進行しています。インスリン抵抗性とは、筋肉、肝臓、脂肪組織などの末梢標的臓器においてインスリンの作用が減弱した状態を指します。体内ではこの感受性低下を代償するために膵β細胞からのインスリン分泌が増加し、高インスリン血症によって見かけ上の血糖値が正常に維持される期間が長く続きます。その後、疲弊した膵β細胞がインスリン分泌能を維持できなくなった段階で初めて、HbA1cの上昇や空腹時血糖の異常として顕在化し、2型糖尿病へと至ります。
現在、全世界で糖尿病を抱える成人人口は5億3700万人に達し、2030年には6億4300万人に達すると推計されています。このうち約90%を占めるのが2型糖尿病です。インスリン抵抗性の有病率は一般人口の20%から40%に達し、2型糖尿病患者においては83.9%にものぼります。インスリン抵抗性は糖尿病への進展因子であるだけでなく、心血管疾患や代謝機能障害関連脂肪性肝疾患の発症リスクとも深く結びついています。
問題は、この重大な病態を初期段階で正確に捉えることが現代の予防医療において極めて困難であったという点にあります。インスリン抵抗性診断のゴールドスタンダードは正常血糖高インスリン血症クランプ法ですが、極めて侵襲的で費用と時間がかかるため、学術研究機関以外での実施は現実的ではありません。代替手段としてインスリン抵抗性指数であるHOMA-IRが知られていますが、日常の定期健康診断項目には空腹時インスリン測定が含まれておらず、追加の受診と費用が必要となります。近年登場した持続血糖測定器によるグルコタイピングも、糖尿病を持たない一般生活者への普及には至っていません。この診断の壁により、生活習慣の介入によってインスリン抵抗性を改善あるいは逆転できる極めて貴重な初期介入の好機が見逃され続けてきました。
こうした課題に対し、日常的に手首に装着しているコンシューマー向けスマートウォッチから得られる時系列生体情報と、一般的な健康診断で得られる血液検査項目を機械学習によって統合し、侵襲的な特殊検査を行わずにインスリン抵抗性を高精度に予測する革新的な研究が、Google Researchを中心とする研究チームによって実施され、2026年のNature誌に報告されました。
研究プロトコールの概要
研究デザイン：前向き分散型観察研究および独立コホートによる外部検証
PICOに基づく概要は以下の通りです。
P（対象）：米国の成人1165名（中央値：年齢45歳、BMI 28 kg/m2、HbA1c 5.4%）（WEAR-MEコホート）。病状が安定していれば高血圧、脂質異常症、糖尿病などの併存疾患を持つ人も幅広く包含する設計になっています。高血圧246名、脂質異常症247名、糖尿病64名が含まれています。
外部検証コホートとしてカリフォルニア州の成人72名（平均：年齢44.5歳、BMI 30.6 kg/m2）。
IまたはE（要因・入力情報）：FitbitやPixel Watchから得られた心拍数、安静時心拍数、心拍変動、歩数、睡眠時間などの時系列データ、人口統計学的指標（年齢、BMI）、日常的な血液バイオマーカー（空腹時血糖、脂質パネル、包括的代謝パネル）。
C（比較対照）：人口統計データ単独モデル、ウェアラブルデータを含まない血液検査ベースモデル、単純集計値を用いた従来型機械学習モデル。
O（主要評価項目）：Quest Diagnosticsで測定した空腹時インスリンと空腹時血糖から算出したHOMA-IR実測値を正解ラベルとする回帰精度（決定係数R2）およびインスリン抵抗性（HOMA-IR 2.9超）の分類性能（AUROC、感度、特異度）。
正常血糖の背後に潜む代謝異常の実態
本研究におけるWEAR-MEコホートのデータは、現代の臨床医学が見逃している盲点を浮き彫りにしています。
HOMA-IR
正解ラベルであるHOMA-IRは、空腹時インスリン（μU/ml）に空腹時血糖（mg/dl）を乗じ、405で除して算出されます。本研究では、先行文献に基づきHOMA-IR 1.5未満をインスリン感受性保持群、1.5以上2.9以下を境界型インスリン感受性低下群、2.9超をインスリン抵抗性群と定義しました。
インスリン抵抗性
1165名の参加者の内訳は、インスリン感受性保持群が459名、境界型群が406名、インスリン抵抗性群が300名でした。驚くべきことに、HbA1cが正常範囲（6.5%未満）にある血糖正常者972名のうち、実に20%に相当する196名がすでに明らかなインスリン抵抗性を示していました。つまり、健康診断で血液検査の血糖関連指標にA判定がついていたとしても、5人に1人は水面下で重度のインスリン抵抗性を抱えている計算になります。一方、糖尿病基準（HbA1c 6.5%以上）に該当した34名のうち、33名（97%）がインスリン抵抗性群または境界型群に分類され、感受性が完全に保たれていたのはわずか1名でした。肥満度との関連では、BMI 30以上の肥満者458名中45%（205名）がインスリン抵抗性を示したのに対し、BMI 18.5から25の普通体重者319名では6.9%（22名）にとどまりました。
生体信号や血液マーカーとHOMA-IRとの相関分析では、
・空腹時血糖（相関係数 r = 0.57、P < 0.001）
・BMI（r = 0.43、P < 0.001）
・HbA1c（r = 0.45、P < 0.001）
・トリグリセリド（r = 0.40、P < 0.001）
に加え、
・日常の安静時心拍数（r = 0.27、P < 0.001）
が有意な正の相関を示しました。
さらに、
・HDLコレステロール（r = −0.30、P < 0.001）
・1日歩数（r = −0.25、P < 0.001）
・アルブミン/グロブリン比（r = −0.18、P < 0.001）
・睡眠時の心拍変動RMSSD（r = −0.14、P < 0.001）
は有意な負の相関を示しました。年齢、血清クレアチニンや推算糸球体濾過量、血中尿素窒素などの腎機能指標、ナトリウムやカリウムといった電解質は、HOMA-IRとの相関が極めて低い（絶対値 r < 0.1）ことも判明しました。また、高感度CRPはインスリン感受性保持群の0.6 mg/dlに対し、インスリン抵抗性群では2.8 mg/dlと有意に高値を示しました（P < 0.001）。
※ 相関係数（ピアソンの積率相関係数、通常 r と表記）とは、2つの変数の間に「直線的な関係（線形関係）」がどの程度あるかを −1 から +1 までの数値で表す統計指標です。
一般的な強さの目安（絶対値）
0.7 以上 1.0 以下：強い相関
0.0 以上 0.2 未満：ほとんど相関なし
0.2 以上 0.4 未満：弱い相関
0.4 以上 0.7 未満：中等度の相関
機械学習とウェアラブル基盤モデルがもたらしたブレイクスルー
モデルの決定係数
研究チームは、マスクドオートエンコーダーとXGBoostを組み合わせたマルチモーダル機械学習モデルを構築しました。ウェアラブルデバイスのデータと人口統計学的指標のみ(年齢とBMI)を用いたモデルでは、決定係数R2※は0.212、インスリン抵抗性分類のAUROC※※は0.70、感度は60%、特異度は80%でした。
AUROC（受信者動作特性曲線下面積）は、モデルが「インスリン抵抗性がある人」と「ない人」を正しく見分けられる総合的な識別力を表す指標です（完全にランダムなら0.5、完璧なら1.0）。 0.70という数値は、一般的なスクリーニングモデルとして「許容できる（最低限の判別能力はある）」水準ですが、診断や確実な判定に用いるにはまだ改善の余地が大きいレベルであることを示しています。
ここに一般的な健診で得られる空腹時血糖の値を加えるだけで、決定係数R2は0.435へと倍増し、真のインスリン抵抗性保持者を正しく捉える数が17%増加（184名から216名）しただけでなく、重大な誤診である「真にインスリン感受性が保たれている人を誤ってインスリン抵抗性と判定する偽陽性」が48名から26名へと46%減少しました。
さらに、脂質パネルおよび包括的代謝パネル(血糖、腎臓、肝臓、電解質など）を統合した最適モデルでは、決定係数R2は0.50、AUROCは0.80、感度76%、特異度84%を達成しました。
※ 決定係数（R2：アール2乗、coefficient of determination）とは、統計学や機械学習の回帰モデルにおいて、予測値が実際のデータのばらつきをどれくらい説明できているかを示す指標です。
値の範囲 通常は0から1の間の値をとります（モデルの予測性能が極端に悪い場合は負の値になることもあります）。
1に近いほど、モデルが実測データの変動を正確に予測・説明できていることを意味します。0に近いほど、単に全体の平均値を予測しているのと変わらない（説明力がない）状態を意味します。 例えば、本論文で示された「R2 = 0.50」という結果は、「実測されたHOMA-IR値のばらつき（個人差）のうち、50%をその入力特徴量とモデルによって説明できている」と解釈されます。
※※AUROC（Area Under the Receiver Operating Characteristic curve：受信者動作特性曲線下面積、単にAUCとも呼ばれます）は、検査法や機械学習モデルが「陽性（異常・病気）」と「陰性（正常・健康）」をどれだけ正確に見分けられるかを示す総合的な判別性能の指標です。ROC曲線を描いた際、その線の下側の面積（0から1の範囲）を計算したものがAUROCです。
1.0（完全な判別）：偽陽性を一切出さずに、異常者を100%正確に識別できる完璧な状態です。
0.5（判別能力なし）：コイン投げ（当てずっぽう）と同じで、グラフは斜め45度の直線になります。
0.5未満：予測が逆転している状態を意味します。
一般的な性能評価の目安
0.90 以上：極めて優れている（Excellent）
0.80 〜 0.90：良好（Good）
0.70 〜 0.80：許容可能・最低限の実用レベル（Fair）
0.60 〜 0.70：精度が低い（Poor）
0.50 付近：役に立たない（Fail）
既存研究の限界
既存の研究では、年齢や性別などの人口統計データ、単発の身体計測値（腹囲やBMI）、あるいは血液検査単独によるインスリン抵抗性予測が試みられてきましたが、いずれも十分な精度を達成できないか、日常検査されないインスリン値そのものを入力に必要としていました。また、従来のスマートウォッチ研究は安静時心拍数や心拍変動とインスリン抵抗性との統計的関連性を報告するにとどまり、実用的な予測モデルを提示できていませんでした。
本研究の新規性：ウェアラブル基盤モデル（wearable foundation model ；WFM）
本研究における技術的新規性の核は、ウェアラブル基盤モデル（wearable foundation model ；WFM）の導入とファインチューニングにあります。研究チームは、未診断の一般ユーザー140万人から得られた4000万時間分の高解像度（1分刻み）センサ時系列データを用いて事前学習された大規模センサモデル（LSM-2アーキテクチャ）を活用しました。この基盤モデルは、脈波容積、加速度、皮膚電気伝導度、高度、皮膚温の5つのセンサから得られる26種類のシグナルを入力とし、実世界データに不可避である欠損（充電による未装着、電池節約によるセンサ停止など）を模したマスキング処理を用いて自己教師あり学習されています。
・光電脈波センサ（Photoplethysmogram: PPG）
・加速度計（Accelerometer）
・高度計（Altimeter）
・手首皮膚温センサ（On-wrist skin temperature sensor）
・皮膚電気伝導度センサ（Skin conductance）
1分刻みの連続データから抽出した多角的な生体情報の利用
1日分（1,440分×26シグナル）の時系列波形をそのまま通すと、モデル内部でその人の1日の活動リズム、心拍の揺らぎ、ストレス応答、睡眠構造などの複雑な関係性が「384次元の数値ベクトル（複合データ）」として圧縮・抽出されます。
このWFMの「1分刻みの連続データから抽出した複合的な生体データ」を利用したところ、単純な平均値や標準偏差などの集計値を用いた従来モデルを圧倒する性能が確認されました。
初期コホートのテストセットにおいて、人口統計データ(年齢とBMI)にWFM複合データを追加したモデルはAUROC 0.82を達成し、人口統計単独(年齢とBMI)の0.66を有意に上回りました。
さらに、人口統計(年齢とBMI)、空腹時血糖、脂質パネルにWFM複合データを加えたモデルでは、ウェアラブルデータなしの0.78からAUROC 0.87へと向上しました。
26のセンサパラメータから得られる波形データと事前学習（WFM）がインスリン抵抗性の同定精度を飛躍的に高めた理由は、「インスリン抵抗性の初期に生じる微細な自律神経の乱れや代謝・睡眠リズムの破綻が、1日の時系列波形の中に複合パターンとして刻まれるため」であり、「WFMがその複雑な関係性を情報を落とさずに丸ごと捉えられたため」と推測されます。
最終的な予測結果にどれくらい大きな影響を与えたか
SHAP解析による特徴量寄与度(「入力されたそれぞれのデータ（特徴量）が、最終的な予測結果にどれくらい大きな影響を与えたか」を表す指標)を検証したところ、従来モデル（「人口統計（年齢とBMI）とウェアラブルデータのモデル）ではウェアラブルデータの寄与度が43%にとどまっていたのに対し、WFMを用いたモデルでは実に82%をウェアラブルデータが占めていました。これは、WFMが単純集計値では捉えきれない日内活動動態、睡眠構築、自律神経機能の微細な変動を抽出できていることを示しています。
「人口統計、空腹時血糖、脂質パネルにWFMを加えたモデル」では、血液検査の強力な指標（血糖値や中性脂肪など）が加わるため、ウェアラブルデータの寄与度は82%には及ばず、40%になります。それでもなお、単一の要素としてはウェアラブルデータが最も大きい割合（40%）を占めています。
・ウェアラブル（WFM）：40%
・BMI：24%
・空腹時血糖：14%
・トリグリセリド（中性脂肪）：14%
・その他（HDLなど）：8%
汎化性能
この汎化性能は、未知の独立外部検証コホート（72名）においても証明されました。モデルの重みを完全に凍結した状態で検証した結果、人口統計にWFM表現を加えたモデルはAUROC 0.75（人口統計単独0.66）を記録し、人口統計、空腹時血糖、脂質パネルにWFM表現を追加したモデルは、ウェアラブルなしのAUROC 0.76から0.88へと向上しました。
さらに研究チームは、この予測パイプラインを大規模言語モデルであるGemini 2.0 Flashをベースとした「IRエージェント」へと統合しました。ReActフレームワークに基づき、推論、外部ツール（予測モデル、計算機、Google検索）の実行、観察を繰り返すこのエージェントは、5名のアメリカ認定内分泌代謝専門医による二重盲検評価において、予測情報を持たない標準モデルと比較して、網羅性（選定率80.0%）、信頼性（92.0%）、個別化（73.3%）のすべての項目で圧倒的な支持を獲得しました。安全性評価においても96%の回答が安全と判定され、引用情報の81%が検証可能と認められました。
研究の限界（Limitation）
本研究にはいくつかの限界が存在します。第一に、登録された4416名のうち、血液検査の完了や規定のウェアラブル装着期間を満たして最終解析に含まれたのは25%（1165名）であり、脱落率が高く、自主的に採血に応じた健康意識の高い層や心代謝疾患を気にする層が過大に代表されている選択バイアスの懸念があります。第二に、主コホートの人種構成が白人77.7%と偏っており、多様な人種や民族における妥当性の確認がさらに必要です。第三に、使用されたデバイスがFitbitおよびPixel WatchというGoogle傘下の同一アルゴリズムに基づく製品に限定されており、他社製デバイスへの直接的な互換性は未検証です。第四に、正解ラベルとして用いたHOMA-IR自体が被験者内変動係数約23.5%を持つ指標であり、真のゴールドスタンダードであるクランプ法に比べると測定精度のばらつきを含んでいます。第五に、インスリン抵抗性の強い規定因子である遺伝的素因や腸内細菌叢データは本予測モデルには組み込まれていません。
明日からの生活と臨床に活かせる実践的アプローチ
本論文の解析データは、私たちが明日から実践できる生活習慣改善や健康管理に対して、極めて具体的かつ科学的な指針を与えてくれます。健康診断のHbA1cが5%台前半であっても、決して油断はできません。ご自身の代謝状態を健全に保ち、インスリン抵抗性を予防・改善するために、以下の実践を強く推奨します。
第一に、安静時心拍数と心拍変動を自身の代謝バロメーターとして日常的にモニタリングすることです。論文内のデータが示す通り、インスリン感受性が正常な群の安静時心拍数中央値は毎分62.0回（標準偏差7.1）であったのに対し、インスリン抵抗性群では毎分70.0回（標準偏差8.0）へと有意に上昇していました（P < 0.001）。また、睡眠中の心拍変動指標であるRMSSDは感受性正常群の29.6ミリ秒から抵抗性群では24.3ミリ秒へと低下していました（P < 0.001）。日々の安静時心拍数が徐々に上昇傾向にある、あるいは心拍変動が持続的に低下している場合は、自律神経の交感神経過緊張や潜在的なインスリン抵抗性の進行を示唆する兆候である可能性があります。
第二に、1日あたりの歩数の明確な目標設定です。コホートデータにおいて、インスリン感受性保持群の1日歩数中央値は8395歩であったのに対し、インスリン抵抗性群では5596.5歩と、約2800歩もの明確な開きが観察されました（P < 0.001）。まずは現状の歩数から1日2000歩から3000歩の上乗せを目指し、1日8000歩水準を維持することが、骨格筋のインスリン感受性を直接刺激する有効な防御策となります。論文中でも言及されている通り、レジスタンストレーニングと有酸素運動はいずれも骨格筋の糖取り込み機構を改善し、インスリン抵抗性の軽減に寄与します。
第三に、睡眠時間の確保と質の管理です。研究データでは、インスリン抵抗性群の睡眠時間中央値は444.8分（約7.4時間）であり、感受性正常群の460.0分（約7.7時間）と比較して有意に短縮していました（P < 0.001）。睡眠時間の短縮や分断化は交感神経活動を亢進させ、安静時心拍数の増加や翌日のインスリン感受性低下を招きます。毎晩7時間から8時間の安定した睡眠時間を優先的に確保することが重要です。
第四に、健診結果におけるトリグリセリドとHDLコレステロールの比率の再確認です。HOMA-IRはトリグリセリドと強い正の相関（r = 0.40）を、HDLコレステロールと有意な負の相関（r = −0.30）を示しました。実際、感受性保持群のトリグリセリド中央値は65.0 mg/dl、HDLは62.0 mg/dlであったのに対し、抵抗性群ではトリグリセリドが124.5 mg/dlへと跳ね上がり、HDLは49.0 mg/dlへと減少していました（いずれもP < 0.001）。空腹時血糖やHbA1cが正常値であっても、中性脂肪が高めでHDLが低めの傾向がある場合は、体内で高インスリン血症とインスリン抵抗性が進行している強力なサインです。精製炭水化物や過剰な脂質摂取を控え、カロリー制限や食物繊維の豊富な食事へシフトする動機付けとして活用してください。
ウェアラブル端末と日常の血液検査を組み合わせる技術は、高コストな特殊検査を受けることなく、未病の段階で自らの代謝危機を察知する時代の到来を告げています。日々のデータに関心を持ち、微小な生体シグナルの変化を生活習慣の最適化へと還元していくことが、将来の糖尿病や心血管イベントを回避する最大の鍵となります。
参考文献
Metwally, A. A., Heydari, A. A., McDuff, D., Solot, A., Esmaeilpour, Z., Faranesh, A. Z., Zhou, M., Narayanswamy, G., Xu, M. A., Liu, X., Yang, Y., Savage, D. B., Malhotra, M., Heneghan, C., Patel, S., Speed, C. & Prieto, J. L. Insulin resistance prediction from wearables and routine blood biomarkers. Nature 652, 451–461 (2026). https://doi.org/10.1038/s41586-026-10179-2
