GlyRAG：面向血糖预测的上下文感知检索增强框架

通过 CGM 准确预测血糖对于预防血糖异常事件至关重要，从而实现主动的糖尿病管理。然而，当前的预测模型将使用 CGM 捕获的血糖读数视为数值序列，要么忽略上下文，要么依赖于难以大规模收集和部署的额外传感器/模态。最近，LLM 在时间序列预测任务中展现出潜力，但它们作为糖尿病护理中的代理上下文提取器的作用在很大程度上仍未被探索。为了解决这些局限性，我们提出了 GlyRAG，这是一个上下文感知、检索增强的预测框架，直接从 CGM 轨迹中获取对血糖动态的语义理解，而无需额外的传感器模态。GlyRAG 采用 LLM 作为上下文化代理来生成临床摘要。这些摘要由语言模型嵌入，并在多模态 Transformer 架构中与基于分块的葡萄糖表示相融合，利用交叉翻译损失对齐文本和生理嵌入。然后，检索模块在学习到的嵌入空间中识别相似的历史事件，并使用交叉注意力在进行预测推理之前整合这些基于案例的类比。在两个 T1D 队列上的广泛评估表明，GlyRAG 始终优于最先进的方法，RMSE 降低了高达 39%，并且比基线进一步降低了 1.7% 的 RMSE。临床评估表明，GlyRAG 将 85% 的预测置于安全区，并在两个队列中预测血糖异常事件方面实现了 51% 的改善。这些结果表明，基于 LLM 的上下文化以及对 CGM 轨迹的检索可以增强长期血糖预测的准确性和临床可靠性，而无需额外传感器，从而支持未来用于糖尿病管理的代理决策支持工具。