Wearables-Derived Physical Activity Is Independently Associated With Lower Odds of Type 2 Diabetes in the All of Us Research Program

Dhairya Upadhyay, MS；Data Scientist, Division of Precision Medicine, NYU Grossman School of Medicine。此研究來自 ADA Scientific Sessions 2026，主題聚焦於以穿戴式裝置量測的身體活動（wearables-derived physical activity）與第 2 型糖尿病（type 2 diabetes, T2D）發生風險之關聯。

從「詢問活動量」到「直接量測活動量」

開場的核心問題非常直接：如果我們不再只是問一個人「你有多活躍」，而是直接量測他的活動量，這會告訴我們什麼？尤其是，這是否能幫助辨識未來誰會發生第 2 型糖尿病？

整場研究的主軸，就是這個方法學上的轉換：從 asking 轉向 measuring。傳統風險評估多仰賴自我回報，但穿戴式裝置讓研究者可以被動、連續、客觀地取得自由生活狀態下的活動資料，進一步和真實臨床結果連結。

研究者聲明沒有相關財務利益衝突；由於此研究仍在進行中，現場不允許拍照。財務揭露為「No Relevant Financial Relationship Exists」，且標示 photography is NOT permitted。

第 2 型糖尿病負擔與早期辨識風險的重要性

第 2 型糖尿病是美國最重要的慢性病負擔之一。美國目前約有 3,700 萬成人罹患糖尿病，另有 9,800 萬人處於糖尿病前期（prediabetes）。糖尿病也是腎衰竭的首要原因，並且是心血管疾病與早發死亡的重要推動因素。

因此，臨床與公共衛生上的自然問題是：我們如何更早辨識正在走向第 2 型糖尿病的人？我們目前有哪些工具可以做到這件事？

如果能在高風險者真正發病前及早辨識，就有機會降低未來糖尿病對個人與醫療系統造成的長期負擔。

現行風險評估工具的限制：ADA Diabetes Risk Test 中的身體活動問題

目前臨床上常用的風險辨識方式之一，是各類風險評估工具。其中最廣泛使用的工具之一是 ADA Diabetes Risk Test。

這個風險測驗包含多個問題，涵蓋年齡、性別、家族史、高血壓、種族／族裔、身高體重或 BMI、是否曾被告知有糖尿病前期等風險因子。可是當它評估身體活動時，整個活動維度被壓縮成一個非常簡單的 yes/no 題目：

Are you physically active?

這樣的設計有兩個主要限制。

第一，它是二元問題。回答只有「是」或「否」，無法捕捉活動的強度（intensity）、持續時間（duration）、頻率（frequency），也沒有任何「劑量」（dose）的概念。換言之，一個每週快走 30 分鐘的人，和一個每週跑步 5 小時的人，可能都只能被歸類為「有活動」。

第二，它是自我回報（self-reported）。自我回報容易受到回憶偏差（recall bias）影響，也容易受到社會期許偏差（social-desirability bias）影響。人們往往會高估自己實際的活動量，這是非常人性的反應，但會降低風險評估的準確性。

ADA Diabetes Risk Test 的活動題目在測驗中以「Being inactive increases your risk for type 2 diabetes」呈現，選項為 Yes / No。其限制可整理為：binary only，未捕捉 intensity、duration、frequency 或 dose；self-reported，易受 recall bias 與 social-desirability over-reporting 影響。相關背景連結至 diabetes.org/risk-test 與 ADA Standards of Care 2024。

研究所採用的活動指標：MVPA

為了讓身體活動可以客觀量化，研究採用 MVPA（moderate-to-vigorous physical activity，中高強度身體活動） 作為主要指標之一。

直覺上，MVPA 可以理解為「大約等同或高於快走（brisk walk）」的活動。活動強度可從久坐、輕度、中度到高強度排列，而這些強度通常以 metabolic equivalents, METs 來定義。

活動強度分層可表示為：sedentary < 1.5 MET，例如坐著、辦公桌工作、看電視；light 1.5–3 MET，例如慢走、烹飪、輕度家務；moderate 3–6 MET，例如快走、騎腳踏車、庭院工作；vigorous ≥ 6 MET，例如跑步、游泳圈數、快速騎車。MVPA 指的是中度或更高強度活動所累積的分鐘數。

選擇 MVPA 的一個實務理由是：它是既有身體活動指引所使用的語言與單位。 當 WHO、AHA 與美國衛生與公共服務部（US Department of Health and Human Services, HHS）建議每週至少 150 分鐘中高強度身體活動時，所指的就是這類 MVPA 分鐘數。

MVPA 的定義與 MET 分類可參照 Compendium of Physical Activities（Ainsworth et al.）以及 WHO Global Recommendations；150 min/week MVPA 是 WHO、AHA 與 US HHS 指引中常用的建議門檻。

如何不問問題而量測活動：穿戴式裝置與三軸加速度計

有了可量化的單位後，下一個問題是：如何在不問任何問題的情況下捕捉 MVPA？

研究使用腕戴式穿戴裝置（wrist-worn wearables），其核心資料來源是 三軸加速度計（triaxial accelerometer）。這類裝置會在三個軸向上，每秒多次記錄身體動作訊號，並且在參與者日常生活中長時間、被動地收集資料。這使得資料具有幾個特點：自由生活狀態（free-living）、被動收集（passive）、客觀（objective），且較不受回憶與自我報告偏差影響。

資料處理上，已驗證的演算法會將原始加速度訊號轉換成每分鐘的活動強度標籤，例如 sedentary、light、moderate、vigorous。接著，研究者可以累積中度或高強度活動分鐘數，得到客觀量測的 weekly MVPA。

除了 MVPA，穿戴式裝置也能產生每日步數（daily steps）。步數提供的是活動「量」（volume）的概念，與 MVPA 偏重活動「強度」有所不同。兩者都可作為客觀身體活動訊號。

本研究的量測流程可概念化為三步：第一，腕戴式裝置以 tri-axial accelerometer 在三個軸向、24/7、自由生活狀態中蒐集動作訊號；第二，validated algorithms 將原始訊號轉為逐分鐘 activity-intensity label；第三，形成客觀指標，包括 weekly MVPA min/week 與 daily step counts。這些資料來源包含 Fitbit accelerometry、minute-by-minute intensity classification 與 daily step counts。

這樣的設計讓研究問題從「你覺得自己有沒有活動？」轉變為「裝置實際量到你做了多少活動？」沒有回憶偏差，也不依賴自我回報。

資料來源：NIH All of Us Research Program

要回答這個問題，必須有足夠大的資料規模，以及同一批人的穿戴式資料與臨床結果。研究因此使用 NIH All of Us Research Program。

All of Us 的關鍵價值在於，它有一群約 6 萬名參與者同意分享健康紀錄、問卷、生物檢體，以及自己的穿戴式裝置資料。對本研究而言，最重要的是可以在同一個人身上連結兩條資料流：

多年自由生活狀態下的加速度計或穿戴式活動資料；
電子健康紀錄（electronic health records, EHR）中的臨床結果。

正是這種連結，讓研究者可以在大規模資料中檢驗：客觀量測的活動訊號，是否與未來真實發生的第 2 型糖尿病有關。

All of Us Research Program 是 NIH 的全國性研究隊列；本研究使用「bring-your-own Fitbit」資料，連結同一批參與者的 EHR。EHR 包含 ICD-10 診斷、實驗室資料、生命徵象與就醫紀錄；穿戴資料則提供多年連續、free-living 的 daily wear accelerometry。這種 linkage 使研究者能在 national scale 上比較 objectively measured activity 與 incident T2D outcomes。

研究設計：第一年穿戴資料預測未來 10 年第 2 型糖尿病發生

研究設計沿著時間軸由左到右進行。

首先，取每位參與者最初一年的自由生活穿戴式活動資料，作為暴露期間（exposure window）。在這一年中，研究者計算兩個主要暴露變項：

每週 MVPA；
每日步數。

接著，研究向前追蹤最多 10 年，觀察是否發生新發第 2 型糖尿病（incident T2D）。

第 2 型糖尿病的定義來自電子健康紀錄中的診斷碼。研究以 ICD-10 E11 作為 incident T2D outcome；投影片進一步標示 ICD-10 E11.0–E11.9 均視為 T2D outcomes。納入者在 baseline 時不得已有 T2D。

統計方法使用 Cox proportional hazards model。研究總共建立四個模型：每個暴露變項各有一組 base model 與加入暴露後的模型。

Base model 調整的共變項包括：

年齡；
性別；
種族；
族裔；
BMI；
高血壓。

這些變項與現有風險評估工具中的常見風險因子高度重疊。研究真正想問的是：在這些標準風險因子之外，加入客觀量測的活動資料，是否能提供額外的風險區辨能力？

時間軸設計可表述為：Day 0 為 first Fitbit wear；第 1 年結束時計算 exposure window 內的 mean weekly MVPA 與 daily steps；之後在 10-year follow-up window 中以 EHR 檢查 incident T2D。模型為 Cox proportional hazards，adjusted for age, sex, race, ethnicity, BMI, hypertension。

分析隊列建立：從約 6 萬人到 13,479 人

從 All of Us 中有穿戴資料與 EHR 連結的參與者，到最終分析隊列，中間經過一系列標準篩選。

起始族群約為 6 萬名有穿戴式資料與 EHR 連結的參與者。投影片中更精確列為 57,153-person linked Fitbit-EHR cohort。

篩選流程包括：

確保有足夠的穿戴時間；
排除生理上不合理或極端的活動資料；
確保參與者在穿戴開始時年滿 18 歲；
排除 baseline 時已經有糖尿病者；
排除缺少必要共變項者。

更細的排除條件包括：insufficient wear，定義為 ≤100 active days 或 <180 valid wear days；step-count outliers，定義為 daily mean steps >50,000；wear 開始時 <18 歲；prevalent T2D 或沒有 EHR follow-up；missing covariates；以及 outside analysis window，例如 Fitbit start before Jan 1, 2016。篩選方式以 CONSORT-style flow 呈現。

經過這些條件後，最終分析隊列為 13,479 名參與者。

隊列特徵：中年、女性為主，且整體相當活躍

在看結果之前，必須先理解這個分析隊列是什麼樣的人，因為這會影響研究結果的詮釋。

這群參與者平均年齡約 51 歲，以女性為主，而且整體活動量相當高。平均每週 MVPA 為 249 分鐘，已經高於常見指引的每週 150 分鐘標準。約 61% 參與者達到 WHO 建議的 MVPA 水準。

在最長 10 年追蹤中，共有 189 人發生第 2 型糖尿病，約占 1.4%。

這一點非常重要：本研究並不是在一個高度不活躍、糖尿病風險極高的族群中看到訊號；相反地，這是一個「相當活躍」的隊列。因此，如果客觀活動量在這裡仍然與新發糖尿病有關，就代表這個訊號必須能在相對健康、活動量較高的背景下仍然成立。

隊列詳細特徵包括：N=13,479；年齡 51 ± 16 歲；72% 為女性；種族組成約 79% White、5% Black or African-American、4% Asian；90% Non-Hispanic；BMI 28.4 ± 4.4 kg/m²；30% 有高血壓病史；Fitbit 資料天數 327 ± 50 天；平均 weekly MVPA 249 min/week；61% 達到 ≥150 min/week MVPA；10 年內 incident T2D cases 為 189 人（1.4%）。數值以 mean ± SD 或百分比呈現。

主要結果一：每週 MVPA 每增加 1 小時，第 2 型糖尿病 hazard 降低 6%

研究的核心結果是：即使在這個已經相當活躍的隊列中，穿戴式裝置量測的 MVPA 仍然與未來第 2 型糖尿病發生風險獨立相關。

在完全調整模型中，每週 MVPA 每增加 1 小時，發生第 2 型糖尿病的 hazard 降低約 6%。其 hazard ratio 為 0.94，且達統計顯著。

這個關聯獨立於年齡、性別、種族、族裔、BMI 與高血壓。換言之，MVPA 並不只是反映這些傳統風險因子；它提供了額外資訊。

完整 Cox proportional hazards 模型顯示：MVPA per 1 hr/week 的 HR 為 0.94，95% CI 0.90–0.99，p=0.016。調整集合為 age、sex、race、ethnicity、BMI、hypertension。

更進一步，MVPA 不只與 outcome 相關，也改善模型的區辨能力。將 MVPA 加入 base model 後，C-statistic 從約 0.73 提升到約 0.74。絕對提升幅度不大，但統計上顯著。

加入 weekly MVPA 後，discrimination 改善為 ΔC=+0.011；likelihood ratio test χ²(1)=6.42，p=0.011。這支持「objective activity signal」提供了 standard risk factors 之外的資訊。

這個結果的詮釋是：客觀量測的身體活動正在告訴我們一些傳統風險因子尚未捕捉到的事情。

主要結果二：每日步數每增加 1,000 步，第 2 型糖尿病 hazard 降低 9%

接著研究將身體活動指標從「強度」轉向「總量」。每日步數比 MVPA 更直覺，對一般民眾與臨床溝通也更容易理解。

結果同樣一致：每日步數每增加 1,000 步，第 2 型糖尿病 hazard 降低約 9%。在完全調整模型中，步數的 hazard ratio 為 0.91，且達統計顯著。

和 MVPA 一樣，步數也改善了 base model 的區辨能力。這代表不論用「活動強度」的 MVPA，或用「活動總量」的 daily steps，客觀穿戴式訊號都能獨立預測未來第 2 型糖尿病發生風險。

兩個結果方向一致，強化了研究結論：穿戴式裝置所提供的客觀活動資料，與 incident T2D 風險呈獨立且可量化的關聯。

研究意義：穿戴資料可補足「Are you physically active?」的不足

回到開場的 ADA Diabetes Risk Test。現行測驗中對身體活動的處理，是一個 yes/no 問題：「Are you physically active?」

本研究顯示，在已有穿戴式資料的情境下，這個問題或許可以由客觀訊號補足，甚至在某些流程中作為替代。與其讓受試者主觀回答「我是否活躍」，不如直接使用已存在的穿戴式資料，量化 weekly MVPA 或 daily steps。

這並不表示所有臨床場域都應立即停止使用簡單問卷，而是指出：當 wearable data 已經存在時，它能提供比單一 yes/no 問題更細緻、更客觀、且具有預測價值的風險資訊。

總結視覺概念為：在 Type 2 Diabetes Risk Test 中，「Are you physically active?」這個 yes/no 項目可在 wearable available 的情境下，由 objective signal 作為 alternative。主要效果量為 MVPA 每增加 1 hr/week，T2D hazard 降低 6%；daily steps 每增加 1,000 steps/day，hazard 降低 9%。

下一步研究方向：與自我回報直接比較、挖掘更豐富訊號、提高族群代表性

研究下一步最重要的方向，是進行真正的 head-to-head comparison：在同一批人中同時收集自我回報活動資料與客觀穿戴式活動資料，直接比較兩者對 incident T2D 的預測能力。

目前 All of Us 中同時具有主觀活動回答與客觀穿戴式活動資料的 paired data 有限，因此尚無法進行完整的直接比較。未來需要一個同時捕捉 self-reported activity 與 objective wearable activity 的隊列，才能精確量化「量測」相較於「詢問」到底多增加多少預測資訊。

除了直接比較之外，還有兩個方向可以強化證據。

第一，是從穿戴式資料中挖掘更豐富的特徵。除了 weekly MVPA 和 daily steps，未來可分析活動 bouts、活動強度分布、日內活動型態、久坐中斷、強度轉換等更細緻的行為模式。

第二，是測試這些結果是否能推廣到更多元、風險更高的族群。這一點尤其重要，因為本研究隊列女性比例高、白人比例高，且整體活動量偏高。若未來能在更具代表性或較高風險族群中複製相同結果，臨床與公共衛生價值會更高。

未來方向可整理為三項：01 head-to-head：objective vs. self-report, same people；02 richer features：bouts、intensity patterns；03 generalizability：more diverse, higher-risk cohorts。All of Us 目前 paired subjective and objective activity measures 有限，因此 validation study 是關鍵下一步。

結論與致謝

本研究的主要結論是：

穿戴式裝置衍生的身體活動，不論以 MVPA 或每日步數衡量，都與新發第 2 型糖尿病風險獨立相關。

具體而言：

每週 MVPA 每增加 1 小時，第 2 型糖尿病 hazard 降低約 6%；
每日步數每增加 1,000 步，第 2 型糖尿病 hazard 降低約 9%；
兩者都在標準風險模型之外，增加了可量測的區辨能力。

這將研究帶回最初的問題：如果我們不再只問「你是否活躍」，而是直接量測活動量，會發現什麼？答案是，客觀活動資料確實能提供有意義且獨立的風險資訊。

在穿戴式資料已存在的情境下，它可以作為 ADA risk test 中身體活動 yes/no 問題的客觀替代或補充。

致謝對象包括 mentors 與 collaborators：Souptik Barua, PhD（Assistant Professor, Division of Precision Medicine, NYUGSOM）、Dr. Morgan Grams、Dr. Aditya Surapaneni、Dr. Brenda Dorcely、Dr. Michael Bergman，以及 NYU Grossman School of Medicine Department of Medicine、Division of Precision Medicine、Division of Endocrinology、All of Us participants 與 Researcher Workbench staff。Funding 來源包括 Abramson-Stires Award, Department of Medicine, NYUGSOM。

問答與討論：可近性、成本與代表性

問題：穿戴式裝置是否會加劇可近性落差？

Mary Jung 來自 Canadian Institutes of Health Research Institute of Nutrition, Metabolism and Diabetes。她提出一個重要的公共衛生問題。

大型美國流行病學研究顯示，約 85–90% 的糖尿病前期者並不知道自己處於 prediabetes 狀態。因此，最大的挑戰之一是如何鼓勵那些並不認為自己有風險的人去接受風險評估。這些人可能因文化、遺傳、環境或資源可近性等因素，本來就不容易接觸篩檢。

在這樣的現實中，多數人可能並沒有 Fitbit 或其他加速度計裝置；穿戴式裝置本身也可能造成財務負擔。既然 ADA Diabetes Risk Test 中的 yes/no 問題是免費且成本效益高的工具，那麼如何看待用穿戴式量測來取代這個問題的建議？

回答：手機步數、誘因設計與更細緻的未來分析

研究者承認，並非每個人都有穿戴式裝置，這是此方法的重要限制。

不過，一些較基本的指標，例如每日步數，並不一定需要昂貴的專用穿戴式裝置。許多智慧型手機本身就能在使用者日常生活中被動記錄步數。因此，研究中納入 daily steps，正是因為它可能比 MVPA 更容易在真實世界中取得，也更容易被一般人理解與使用。

另一個可能方向，是由雇主或保險公司提供誘因，將穿戴式裝置納入篩檢或健康管理流程。如果這些機構願意支付裝置成本，就可能部分彌補可近性與財務負擔的落差。

此外，未來研究不會只停留在固定 cutoffs。研究團隊希望進一步檢視更細緻的活動資料層級，了解目前演算法如何進行活動分類，以及不同活動強度、活動模式或步數變化中是否存在更有用的風險訊號。這可能有助於判斷是否能用較容易取得的活動資料，例如步數或中等強度活動量，來達到足夠的篩檢價值。

補充：All of Us 的 Wear Initiative 與代表性改善

Souptik Barua 補充，穿戴式裝置的可行性與代表性確實是重要問題。All of Us 初期的 Fitbit cohort 主要是「bring-your-own Fitbit」，也就是參與者本來就擁有自己的 Fitbit。這會造成隊列相對同質，可能偏向較高社經地位、較健康或較有科技可近性的族群。

All of Us 目前有新的 Wear Initiative，目標是刻意提高代表性，納入更多元族群，以便產生跨族群、跨風險背景的證據。若未來能證明 wearable-derived activity 在更廣泛族群中同樣有效，將有助於支持企業、保險或臨床系統提供財務誘因，讓更多人能使用這類裝置。

Take-home Summary

本研究核心問題是：與其詢問「你是否活躍」，是否能用穿戴式裝置直接量測活動量，並預測未來第 2 型糖尿病風險？
現行 ADA Diabetes Risk Test 中的身體活動題目是 yes/no，無法捕捉強度、時間、頻率與劑量，也容易受自我回報偏差影響。
研究使用 NIH All of Us Research Program，連結穿戴式資料與 EHR，在 13,479 名無 baseline T2D 的成人中分析 first-year Fitbit activity 與 10-year incident T2D。
主要暴露為 weekly MVPA 與 daily steps；結果以 Cox proportional hazards model 評估，調整 age、sex、race、ethnicity、BMI、hypertension。
每週 MVPA 每增加 1 小時，incident T2D hazard 降低約 6%（HR 0.94）。
每日步數每增加 1,000 步，incident T2D hazard 降低約 9%（HR 0.91）。
MVPA 與步數皆在標準風險因子之外改善模型區辨能力，代表客觀活動訊號提供額外預測資訊。
臨床意義不是完全廢除簡單問卷，而是在 wearable data 已存在時，利用客觀資料補足或替代「Are you physically active?」這個粗略問題。
未來關鍵方向包括：同一批人中直接比較 self-report vs. wearable activity、挖掘更豐富的活動型態特徵，以及在更多元且高風險族群中驗證結果。
可近性與成本仍是重要挑戰；手機步數、雇主或保險誘因，以及 All of Us Wear Initiative 可能是未來縮小落差的途徑。