Google 称手表数据能算出一个「可以练回来的健康年龄」：教练盲评 71.4% 选了反事实方案，三个要点和一个疑问
Google Research 发布了两篇研究的联合博客文章，介绍一套研究性（investigational）机器学习框架。据 Google 称，在认证生活方式教练的盲评中，基于反事实模拟生成的教练方案有 71.4% 被选为最佳整体方案（p < 0.001）。这套框架的核心思路是：用消费级智能手表被动采集的信号构建一个「可教练健康年龄」（Coachable Health Age, CHA），再用世界模型模拟个人未来 12 周的生理变化轨迹，最终由语言模型把模拟结果写成教练方案。当有常规血检数据时，框架还可扩展到心血管-肾脏-代谢（CKM）多器官健康年龄。Google 明确将其定位为研究性原型，而非临床诊断工具。
要点一：只用「可改变」的信号建健康年龄，在三个独立队列中得到验证
据 Google 称，CHA 模型的所有输入都是可以通过日常行为改变的指标：静息心率、每日步数、睡眠时长和每周活跃区间分钟数（Active Zone Minutes），可选加入最大摄氧量、睡眠规律性和胰岛素抵抗等标记。模型并非训练去猜测出生年份，而是以已发表的流行病学研究为基础，将日常行为与心血管代谢疾病风险关联起来。由于活跃人群的静息心率往往更低、睡眠也更好，模型对信号之间的重叠做了数学校正，让每项习惯对健康年龄差值（CHA 与实际年龄之差）贡献各自独立的份额。
Google 称该模型在三个独立队列中得到了验证。第一个是 All of Us 研究计划队列（n = 22,748），覆盖超过 68,000 人年的 Fitbit 与电子健康记录随访：基线时健康年龄高于实际年龄的健康参与者，在此后八年内显著更可能发展出高血压、心血管疾病或 2 型糖尿病；将 CHA 加入标准临床指标（年龄、性别、BMI）后，疾病风险预测能力显著提升，尤其在 50 岁以下成年人中。第二个是纵向 Fitbit 队列（n = 1,464），在两年内追踪连续 3 个月窗口的习惯变化，结果显示习惯持续改变的用户 CHA 出现了下降。第三个是 WEAR-ME 研究队列，CHA 与美国心脏协会改良版 Life’s Essential 8 心血管评分、代谢综合征严重程度评分以及参与者自评健康状况的一致性，优于以预测实际年龄为训练目标的可穿戴衰老时钟。
要点二：世界模型模拟 12 周「如果……会怎样」，教练和医生双重盲评给出高分
据 Google 称，团队开发了名为 SensorWM 的动作条件世界模型（action-conditioned world model），在约 100,000 名同意参与的 Fitbit 用户的 228 万人周去标识化数据上预训练。给定两周基线可穿戴数据后，SensorWM 可预测在不同步数、睡眠和有氧运动方案下，20 项生理指标在未来 12 周的演变轨迹。Google 称其表现优于通用时间序列基础模型 TimesFM，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。
Google 称，SensorWM 与可行性约束优化器和语言模型教练智能体配合工作：先为每人模拟 125 种 12 周习惯组合并与「维持现状」投影对比；再根据个人历史习惯弹性和临床安全边界筛选方案——对习惯弹性高的人设定更激进的目标（−2.3 年），对习惯更受限的人设定更温和的爬坡（−1.3 年）；最后由语言模型将排名靠前的路径转化为渐进式 12 周教练方案。
据 Google 称，团队对此进行了盲评对照研究：5 名认证生活方式教练和 5 名经委员会认证的全科/生活方式医学医生，对 49 个参与者画像（覆盖 5 种行为人格）进行了 490 次配对评审。教练在 71.4% 的评估中选择反事实方案为最佳整体方案（p < 0.001），在 71.0% 的评估中认为其更可能驱动长期依从性（p < 0.001）。医生评估中，99.2% 的反事实方案处于安全运动强度范围内，97.6% 的生理声明被判定为准确。Google 称，教练和医生都指出，向用户展示「维持现状」轨迹与可实现的「如果……会怎样」选项之间的具体对比（医生中 92% vs. 8%），给了用户清晰的行动理由和更强的自主感（97% vs. 59%）。
要点三：加入血检后扩展到心-肾-代谢多器官健康年龄
据 Google 称，由于 CHA 模型是模块化的，当常规临床血检可用时可以方便地扩展。在配套研究中，团队将框架扩展到对 CKM 综合征的多器官分析，将连续可穿戴信号与三项常规血液生物标志物结合：胆固醇/HDL 比值（心血管）、eGFR（肾脏滤过）和 HOMA-IR（代谢胰岛素抵抗）。
Google 称，在 819 名 WEAR-ME 参与者中的评估显示，多器官衰老并不遵循单一模板：代谢和心血管压力往往相关，但早期肾脏衰退经常独立出现。Google 称，由此得到的 CKM 健康年龄差值与客观临床评分紧密对齐（改良 Life’s Essential 8 相关系数 r = −0.58；代谢综合征严重程度 r = 0.65），也与健康参与者的日常自我感受一致。这一发现支持了个性化多器官画像的必要性——单一总分可能掩盖某个器官系统的早期亚临床压力。
一个疑问：教练盲评的 49 个画像能否代表真实用户群体？
Google 在博客中披露，盲评研究使用了 49 个参与者画像、覆盖 5 种行为人格，由 5 名教练和 5 名医生完成 490 次配对评审，并辅以对完整 WEAR-ME 队列（n = 2,780）的自动化评估。但原文没有说明这 49 个画像是如何从更大群体中选出的，也没有描述 5 种行为人格的具体定义和分布比例，更没有交代参与盲评的教练和医生的遴选标准。如果画像选取偏向了某些容易产生差异的行为类型，或者评审者恰好对「反事实对比」这一呈现形式有系统性偏好，71.4% 的优选率可能无法直接外推到更广泛的真实用户场景。此外，Google 自己也在文末指出，所有评估都是基于回顾性研究队列的离线进行，模型属于研究性原型——但原文没有给出任何前瞻性试验的时间表或设计方向。
主题分类：健康 AI/可穿戴