GlucoFM: Foundation model for continuous glucose monitoring
El equipo de Google Research, liderado por Ahmed A. Metwally y Zechen Li, ha desarrollado GlucoFM, un modelo de base auto-supervisado para el monitoreo continuo de glucosa (CGM) que promete revolucionar la forma en que comprendemos y gestionamos las tendencias glucémicas. Este modelo ligero y de doble flujo separa las tendencias glucémicas más lentas de las desviaciones a corto plazo, estableciendo nuevos estándares de rendimiento en diversas tareas de predicción metabólica, como la evaluación del riesgo de diabetes, la resistencia a la insulina, la disfunción de las células beta y la respuesta glucémica postprandial.
Los dispositivos portátiles de consumo actuales utilizan sensores de movimiento y fisiológicos para estimar la actividad y el sueño, pero estos solo ofrecen una visión indirecta de la regulación de la glucosa. Los CGM complementan estas mediciones al rastrear la glucosa intersticial cada pocos minutos mediante un pequeño sensor insertado bajo la piel, capturando patrones de ayuno, nocturnos y postprandiales. Sin embargo, interpretar estas trazas sigue siendo un desafío, especialmente cuando las etiquetas clínicas de alta calidad son escasas y costosas de obtener.
Muchos modelos de base CGM existentes procesan la glucosa a través de un único flujo de representación, sin separar explícitamente las dinámicas basales lentas de los eventos transitorios. GlucoFM aborda este problema con un diseño de doble flujo que preserva el momento del día y las ausencias, aprendiendo su contexto diario y evolución temporal. Evaluado en cuatro cohortes diversas y siete tareas de predicción clínica, GlucoFM superó en promedio en 5.8 puntos porcentuales el PR-AUC del mejor variante de GluFormer evaluada, liderando evaluaciones de riesgo de diabetes y disfunción de células beta, y destacando en la predicción de respuesta glucémica postprandial.
El modelo fue preentrenado con 109,066 horas de datos CGM no etiquetados y utiliza objetivos de predicción latente para aprender patrones glucémicos diarios sin reconstruir cada lectura del sensor. Además, introduce aumentaciones conscientes de CGM que exponen el modelo a variaciones y ausencias encontradas en grabaciones CGM reales.
GlucoFM fue evaluado en cohortes como CGMacros, Stanford, Hall y ShanghaiT2DM, demostrando su capacidad para proporcionar contexto histórico útil para predecir trayectorias de glucosa postprandial, mejorar la predicción a nivel de sujeto al combinar múltiples días, y transferir eficazmente representaciones a nuevas cohortes, incluso con datos etiquetados limitados.
Fuente: https://research.google/blog/glucofm-foundation-model-for-continuous-glucose-monitoring/