研究概述 - 魏茨曼科学研究所与Pheno.AI的研究团队在《自然》期刊发表了一项关于连续血糖监测数据基础模型的研究[3] - 研究开发了一个名为GluFormer的生成式基础模型，旨在从短期CGM数据中提取具有预测价值的特征[4] - 该模型为基于CGM的精准医疗和代谢健康管理提供了新的工具[4] 模型训练与数据 - GluFormer模型通过自监督学习进行训练，使用了来自10812名成年人（以无糖尿病者为主）的超过1000万次血糖测量数据[5] - 模型学习到的表征能够迁移到涵盖5个国家、8种CGM设备及多种病理生理状态的19个外部队列中，这些队列包含6044名个体[5] 模型性能表现 - 在预测血糖参数方面，GluFormer模型提供的表征相较于基线血糖、糖化血红蛋白水平及其他CGM来源指标有持续性改进[5] - 在糖尿病前期个体中，该模型对2年内经历HbA1c临床显著升高的个体进行风险分层，表现优于基线HbA1c和常见CGM指标[6] - 在一个包含580名成年人、中位随访11年的队列中，GluFormer比HbA1c更有效地识别出糖尿病和心血管死亡风险升高的个体[6] - 具体而言，66%的新发糖尿病病例和69%的心血管死亡病例发生在风险最高的四分位组中，而在风险最低的四分位组中，这一比例分别为7%和0%[6] 模型扩展与应用潜力 - 研究团队开发了整合饮食数据的多模态扩展版本，能够生成合理的葡萄糖轨迹并预测个体对食物的血糖反应[7] - GluFormer为编码血糖模式提供了一个可推广的框架，在血糖参数的短期预测和长期疾病风险分层方面展现出巨大潜力[7]