一种用于血糖监测数据的通用模型

连续血糖监测（CGM）能生成详细的血糖动态时间曲线，但其在实现血糖平衡和预测长期健康结果方面的潜力尚未被充分挖掘。为此，研究人员开发了GluFormer——一种针对CGM数据的生成式基础模型。该模型通过自监督学习（一种让模型从无标签数据中自主学习规律的机器学习方法），对来自10,812名主要非糖尿病成年人的超过1000万次血糖测量数据进行了训练。

借助自回归预测（即根据过去的数据预测未来趋势），GluFormer学习到的特征可迁移应用于19个外部队列（共6,044人）。这些队列来自5个国家，使用8种不同的CGM设备，涵盖了多种病理生理状态，包括糖尿病前期、1型和2型糖尿病、妊娠糖尿病以及肥胖等。与基础血糖值、糖化血红蛋白（HbA1c，反映长期血糖水平的指标）和其他CGM衍生指标相比，GluFormer的特征在预测血糖参数方面表现出持续优势。

在糖尿病前期人群中，GluFormer能区分出未来2年内糖化血红蛋白可能出现临床显著升高的个体，其效果优于基础糖化血红蛋白水平和常见的CGM指标。在一项包含580名接受短期CGM监测、中位随访时间为11年的成年人队列研究中，GluFormer识别糖尿病和心血管疾病死亡高风险个体的能力也强于糖化血红蛋白。具体而言，66%的新发糖尿病病例和69%的心血管疾病死亡病例出现在风险最高的四分位人群中，而风险最低的四分位人群中这两项比例分别仅为7%和0%。

在临床试验中，基于基线CGM数据的特征提升了对结局的预测能力。此外，该模型的多模态扩展版本整合了饮食数据，能够生成合理的血糖变化轨迹，并预测个体对食物的血糖反应。

综上，这些研究结果表明，GluFormer为编码血糖模式提供了一个可推广的框架，并可能为代谢健康的精准医疗方法提供参考。