AI（人工智能）模型用可穿戴睡眠心率数据识别甲减高风险者，回顾性队列中严重显性甲减（游离T4<0.5 ng/dL）检出率96.3%
一项发表于《JMIR AI》的回顾性队列研究，用Fitbit（消费级可穿戴设备品牌）记录的睡眠心率数据训练LightGBM（一种梯度提升算法）模型，识别可能需进一步验血检查的甲减风险人群。
在仅含甲功正常与甲减数据的较难子集中，单次参考数据下准确率74.6%、灵敏度82%； 用3次参考数据后准确率升至78.1%。 该研究仅为摘要级证据，且队列以女性为主、多为医源性停药者，尚不能视为临床筛查有效性结论。
研究纳入413名参与者（平均年龄43.1岁，标准差9.7岁； 女性314人，占76%），共1677对“睡眠心率数据+血清甲状腺功能检测（游离T4、促甲状腺激素）”配对观察。 每份血检结果对应抽血前连续15晚的睡眠心率数据。 模型采用LightGBM（梯度提升算法），以患者层面留一交叉验证评估。
仅含甲功正常与甲减数据的子集（n=744对）中，单次参考数据准确率74.6%、灵敏度82%、特异度73.5%； 3次参考数据后准确率78.1%、灵敏度81.8%、特异度77.7%。 全数据集（n=1677对）单次参考数据准确率80.8%、灵敏度82%、特异度80.8%。 系统检出96.3%的严重显性甲减病例（游离T4<0.5 ng/dL）。
作者在摘要中指出，队列以女性为主且多为医源性停药者，需在原发性甲减人群中开展前瞻性、性别均衡的验证。
该研究提供的是“可穿戴心率+算法”作为初筛分诊工具的回顾性可行性信号，而非诊断能力证明。 96.3%的高检出率仅对应游离T4<0.5 ng/dL的严重显性甲减，且样本病种构成特殊（医源性停药为主），不能外推为全部甲减或普通人群的筛查表现。 对消费级健康应用而言，值得关注的是其设计思路：以纵向数据积累提升表现，并明确把“提示去验血”而非“下诊断”作为产品定位。
后续观察信号
- 查阅该论文全文以核对模型特征与人群构成细节（当前仅有摘要）
- 跟踪同组作者后续的前瞻性研究
- 关注可穿戴健康应用在甲状腺相关功能上的合规宣传口径