用于连续血糖监测数据的基础模型

提出基于CGM数据的生成式基础模型GluFormer，通过自监督学习整合超百万非糖尿病人群血糖数据，实现跨19队列（涵盖5国8类设备及糖尿病前期/1/2型、肥胖等状态）的血糖预测与风险分层。在糖尿病前期中较基线指标提前2年预测HbA1c上升风险，长期随访显示可识别66%新发糖尿病和69%心血管死亡高危人群，并支持多模态扩展（饮食数据）预测个体化血糖响应。该模型为代谢健康精准医学提供新框架。

摘要

连续葡萄糖监测（CGM）能够生成详细的葡萄糖动态时间曲线，但其在实现葡萄糖稳态和预测长期结果方面的全部潜力仍未得到充分利用。在这里，我们介绍了GluFormer——一个基于生成模型的CGM数据处理工具，该模型通过自监督学习方法，利用了来自10,812名主要为非糖尿病患者的超过1000万次葡萄糖测量数据进行了训练^1,2。通过自回归预测技术，该模型学习了能够在不同群体（包括来自5个国家的6,044名参与者、使用8种不同CGM设备的患者，以及处于糖尿病前期、1型和2型糖尿病、妊娠糖尿病和肥胖等多种病理生理状态的患者）中通用化的表示方法。这些表示方法在预测血糖水平（如基线血糖值和HbA1c）及其他CGM相关指标方面表现出显著优于传统方法的性能^3,4。对于糖尿病前期患者，GluFormer能够准确识别出那些在两年内HbA1c可能显著升高的个体，其预测能力优于传统的基线HbA1c指标和其他CGM指标。在一项涉及580名成年人的研究中，这些患者的CGM数据记录了11年的随访信息^{5，GluFormer在识别糖尿病和心血管疾病高风险个体方面比HbA1c指标更为有效：在最高风险四分位数中，新发糖尿病病例的比例为66%，心血管疾病死亡病例的比例为69%，而在最低风险四分位数中，这两个比例分别为7%和0%。在临床试验中，基于GluFormer的基线血糖表示方法也改善了疾病结果的预测能力。该模型的多模态扩展功能还能整合饮食数据，从而生成合理的葡萄糖变化轨迹，并预测个体对食物的血糖反应。综上所述，GluFormer为编码血糖模式提供了一个通用框架，有望为代谢健康领域的精准医疗研究提供支持。}