160 项实验室检测接入 Google Health：功能医学数据从「单独看」变成「和可穿戴数据一起看」

功能医学（functional medicine）模式的核心是一次测几百项指标，然后寻找模式。但它有个长期尴尬：测出来的数据与日常数据是两套互不相通的系统——化验单是某一天的横截面，手表数据是每天连续的纵断面，两者放在一起才能看出「趋势」，而这恰恰是功能医学最看重的。

合作内容

Function Health 与 Google Health 达成数据合作。今年秋季晚些时候，美国用户可把 Function 的检测结果分享进 Google Health，与以下可穿戴信号合并解读：

• Fitbit Air、Pixel Watch 5、Fitbit Edge 的静息心率、睡眠、HRV、心肺负荷
• Function 的 160+ 项实验室检测，覆盖心血管代谢（ApoB、Lp(a)、空腹胰岛素、hs-CRP）、激素与营养等

为什么「合并解读」本身就是价值

单看 ApoB 是一个数字；单看夜间HRV 是一个数字。两者一起看才有信息量——比如 ApoB 偏高而 HRV 同步下降，提示的可能不是「两个问题」，而是同一个代谢-自主神经问题的两个投影。

这个「同源投影」的判断能力是横向整合唯一的、也是真正的价值所在，而它是规模化检测做不到的——规模化公司给你几百项数字和一个「正常/异常」标记，只有能读懂模式的服务方才能给出「这三个指标同时异常指向同一机制」这类判断。

不过要警惕的是：模式识别是双刃剑。在几百个变量的数据里，任何模式都能被「发现」，这在方法学上接近多重比较问题（站内〈表观遗传时钟纵向变化预测死亡风险〉这类工作正是靠严格的队列设计来规避同类问题）。当解读结果无法被证伪时，它的临床价值就存疑。

与衰老研究的关系：多维纵向数据的机会

这类整合的学术价值可能高于商业价值。当前衰老研究的数据基础是单次采血 + 稀疏随访，能产生的时间序列密度极低。如果「160 项生化 + 每天可穿戴」这种组合能在数百至数千人上跑几年，得到的将是一个高维纵向衰老数据集——它能回答的问题类型，今天的衰老生物学数据基本无法回答。

其中最有价值的一类问题是：哪些指标的变化先于功能下降？这个「前兆期」问题如果能被定位，干预窗口就往前挪了几十年——而这正是本站把「健康期」而非「寿命」作为核心指标的原因（见站内〈反对「延长健康期而非延长寿命」这一陈词〉一文对这类主张的批评与回应）。

局限

• 商业合作，非临床研究。本文所述整合面向消费端服务，不产生任何临床或科学结论。
• 合并解读的具体方法未公开，是规则引擎还是模型、是否经过验证，本文不给出摘要外数值。
• 「160+ 项检测」的价值取决于解读质量，而非检测项目数量；检测越多假阳性越多。
• 美国限定，可用性依赖设备与账号地区设置。

观察点：这类整合是否会公开匿名化队列数据供学术使用。如果不公开，它就只是一个更好的消费产品；如果公开，将是衰老研究领域目前最缺的一类数据。