先看重点
机器学习模型结合15个夜晚的Fitbit睡眠心率和既往甲状腺检测,在难度更高的甲状腺功能正常与减退子集(744组配对观察)中,分类准确率为74.6%(敏感度82%,特异度73.5%)。413名参与者中女性占76%,且多处于停用激素的特殊情境,在一般原发性甲减人群中尚未验证。
证据类型
队列研究
解读依据
公开摘要
阅读重点
关联与混杂
研究在问什么
甲状腺功能减退起病隐匿、症状不特异,诊断常被延误,而反复抽血检测有创且花费高。由于甲状腺激素会影响心率,作者想检验可穿戴设备的睡眠心率能否帮助筛出需要进一步抽血确认的高危人群。
研究了谁,如何研究
回顾性队列研究,收集413名佩戴Fitbit的参与者(平均年龄43.1岁,标准差9.7岁;女性314人,占76%)的1677组睡眠心率与血清甲状腺检测(游离甲状腺素和促甲状腺激素)配对数据。每次抽血结果配对此前连续15个夜晚的睡眠心率。采用梯度提升算法(LightGBM),整合基线甲状腺检测结果与心率的统计和时间特征,用以患者为单位的留一法交叉验证评估,并比较以1组、2组或3组既往配对观察作为参照时的表现。
主要发现
以下为作者报告的结果。数字须连同人群和不确定性一起阅读。
- 1在只含甲状腺功能正常和减退者的主分析中(744组配对观察),使用1组参照数据时,模型准确率74.6%,敏感度82%,特异度73.5%。
- 2使用3组参照数据时准确率升至78.1%(敏感度81.8%,特异度77.7%),说明更长的个人历史数据有帮助。
- 3在全部数据(1677组配对观察)中,使用1组参照数据的准确率为80.8%,敏感度82%,特异度80.8%。该数据含甲亢病例,作者指出这可能使表现被高估。
- 4模型检出了96.3%的重度显性甲减病例(游离T4 <0.5 ng/dL)。
局限与不确定性
- 1作者指出队列以女性为主且为医源性停药人群,即甲减多由停用甲状腺激素引起,可能不能代表自然发生的甲减患者。
- 2留一法交叉验证只在同一数据集内检验,没有在独立人群中或前瞻性验证。
- 3模型还以基线抽血结果为输入,因此追踪的是相对已知数值的变化,而不是仅凭心率进行筛查。
- 4在难度更高的子集中准确率为74.6%,仍会有不少人被误判;以上解读仅基于摘要。
对日常健康的启示
可穿戴设备记录的夜间心率可能带有一点关于甲状腺状态的信号,这类模型未来或可提示人们去做抽血检查。但它不能用来诊断或排除甲状腺疾病。如果出现乏力、怕冷或心率异常偏慢等情况,应告诉医生,由医生安排合适的检查。
如何联系自己的数据
大多数可穿戴设备都会记录夜间或睡眠心率。请用同一台设备、以相同佩戴方式观察自己数周的趋势,并与症状及已有的甲状腺检查结果一并记录。睡眠心率变化有很多可能原因,应把它当作与医生沟通的线索,而不是甲状腺检测的替代。
如何理解这类证据
暴露先于随访结局,仍可能存在混杂和反向因果。危险比不是个人绝对风险,也不等于已证明的干预效果。
作者的结构化摘要 English
以下英文摘要按记录的开放许可转载,属于作者原始材料,不是 MoveVitals 的解读。上方已提供研究解读,分别说明作者结果与本站解释;重要结论可直接核对原文。
Background
Hypothyroidism is a prevalent endocrine disorder characterized by an insidious onset and nonspecific symptoms, often leading to significant diagnostic delays. While biochemical thyroid function tests (TFTs) are the gold standard, their invasive nature and cost make them impractical for continuous, proactive screening of at-risk populations. Thyroid hormones exert direct chronotropic effects on the cardiovascular system, and their levels are closely correlated with heart rate (HR). Wearable devices capable of continuous HR monitoring offer a novel opportunity for noninvasive, digital phenotype-based detection.
Objective
This study aimed to develop and validate an AI-assisted system that uses wearable-derived sleep HR data as a digital monitoring tool for individuals at risk of hypothyroidism, helping identify those who warrant further confirmatory thyroid testing.
Methods
This retrospective cohort study used 1677 paired observations consisting of sleep HR data and serum TFT results, including free thyroxine (T4) and thyroid-stimulating hormone levels, from 413 participants (mean age 43.1, SD 9.7 y; women: n=314, 76%). Participants wore consumer-grade wearables (Fitbit) that recorded HR and sleep data. Each TFT result was paired with sleep HR data extracted from the 15 consecutive nights preceding the blood test. An AI system was developed using a gradient boosting algorithm (LightGBM) to classify thyroid status by integrating baseline TFT results with statistical and temporal HR features. The model's performance was evaluated using patient-level leave-one-out cross-validation. To examine the benefit of longitudinal data, performance was compared using 1, 2, or 3 prior paired observations as reference points.
Results
To ensure clinical relevance and avoid performance inflation from hyperthyroid cases, we prioritized the analysis of a subset containing only euthyroid and hypothyroid data (n=744 paired observations). In this clinically challenging subset, the system achieved an accuracy of 74.6%, with a sensitivity of 82% and a specificity of 73.5% using a single-reference data pair. Incorporating longitudinal HR patterns further enhanced performance; using 3 reference pairs improved accuracy to 78.1% (sensitivity 81.8% and specificity 77.7%). In the overall dataset (n=1677 paired observations), the system demonstrated an accuracy of 80.8%, with a sensitivity of 82% and a specificity of 80.8% using a single-reference pair. Notably, the system achieved high clinical safety by detecting 96.3% of severe overt hypothyroidism cases (free T4 <0.5 ng/dL).
Conclusions
This AI-assisted system demonstrates the feasibility of a sensitive, noninvasive longitudinal monitoring tool for hypothyroidism, robustly identifying a high proportion of hypothyroid cases-particularly severe ones-to prioritize at-risk individuals for confirmatory blood tests. Given the predominantly female iatrogenic-withdrawal cohort, prospective sex-balanced validation in primary hypothyroidism is warranted.
来源与署名
Harnessing AI for Hypothyroidism Monitoring Using Wearable-Derived Heart Rate Data: Retrospective Cohort Study.
Shin K, Jung Y, Yoo WS, Kim MJ, Oh TJ, Moon JH, Kong SH, Lee WW, Moon JH.
JMIR AI · 2026-10-28
DOI: 10.2196/86030 ↗PubMed · 42950109 ↗Europe PMC · 记录的开放许可: cc by ↗摘要版权归原作者,依据来源记录的开放许可转载。中文译文辅助阅读,英文摘要用于核对术语与具体数值;本站的方法学解释与作者结论分别呈现。
MoveVitals 编辑解读 · 健康教育内容 · 未记录个人临床审阅
来源核验日期 2026-11-01
实用健康指南
放在一起读
加速度计处理方法不同,身体活动与卒中、心肌梗死的关联曲线也不同
在英国生物银行中,基线无心血管疾病的90237名成年人随访至2022年12月,共发生1298例卒中和2031例心肌梗死;中高强度身体活动(MVPA)与这两种结局的关联曲线形状,取决于加速度计数据的处理方法。就卒中而言,只有机器学习法得到直线下降的风险;就心肌梗死而言,机器学习法和LFENMO法呈曲线下降,活动计数法呈直线下降。摘要没有给出风险比,只能说明不同方法的结论不一致,不能说明哪种方法更正确,而且这些只是观察性关联。
Preventive Medicine
智能手表数据能当“证人”吗:心率验证得最充分,其余证据参差
一项围绕数字取证展开的系统评价和荟萃分析,梳理了四大主流品牌智能手表的验证研究,发现心率是研究最多、也最准确的指标。步数、距离、能量消耗、活动分类和睡眠的验证不够一致,结果因品牌、方案和报告方式而异。摘要没有给出汇总数据,且多数研究是在健康人群中、于实验室内完成的,所以无法说明某一块手表对某个人在日常生活中的表现。
Forensic Science International
活动追踪器:每天多走约1800步,对其他健康指标影响较小
这项伞形综述汇总了39篇系统评价和荟萃分析,涉及163992名参与者;结果显示使用活动追踪器与身体活动增加相关(标准化均数差SMD为0.3–0.6),相当于每天多走约1800步、多步行40分钟,体重减轻约1公斤。对血压、胆固醇、糖化血红蛋白、生活质量和疼痛的影响通常很小,且多数不显著。摘要没有说明这些项目里追踪器还搭配了什么,也没有说明各评价之间重叠多少,因此不能把效果完全归功于设备本身。
The Lancet Digital Health
七款睡眠追踪设备:识别睡着很准,识别醒着和睡眠分期较差
在睡眠实验室里,34名健康的年轻成年人连续三晚佩戴七款消费级睡眠追踪设备中的若干款。与多导睡眠监测相比,所有设备识别睡眠都很准(灵敏度均不低于0.93),但识别清醒较差(特异度0.18–0.54),七款中有五款与研究用活动记录仪(特异度0.39)持平或更好;睡眠分期的估计结果不稳定。受试者是18至35岁的健康成年人,卧床时间固定为8小时,每款设备只在其中11至20人身上测试,因此对有睡眠问题的人几乎没有参考价值。
Sleep

