从血糖模式到健康结果：面向连续血糖监测数据分析的通用基础模型

近期进展使新的医学AI模型，即基础模型，得以实现，对更好地从多样生物医学数据中表征健康具有巨大潜力。CGM提供了关于血糖模式的丰富数据，但其用于预测更广泛健康结果的潜力仍未得到充分利用。本文提出GluFormer，这是一个用于CGM数据的生成式基础模型，学习细致的血糖模式并将其转化为代谢健康的预测表示。该模型在来自10,812名成年人的超过1000万次CGM测量上进行训练，主要无糖尿病患者；GluFormer使用自回归标记预测来捕捉纵向血糖动力学。我们展示了GluFormer能够推广到19个外部队列( n=6,044)，涵盖不同族裔和年龄、5个国家、8种CGM设备和多样的生理状态。GluFormers的表示超过了当前CGM指标，如血糖管理指数（GMI），用于预测临床措施。对于580名有CGM数据且跟踪12年的纵向研究，GluFormer比血糖HbA1c%更有效地识别出发展糖尿病风险较高的个体，捕获了所有新发糖尿病诊断的66%在第四分位，而在第底分位仅为7%。同样，69%的心血管死亡发生在第四分位，而在第底分位没有死亡，显示其在传统血糖指标之外的强大风险分层。我们还展示了在随机临床试验中前干预期间的CGM表示在预测主要和次要结果方面优于其他方法。当将饮食数据整合到GluFormer中时，我们展示了多模态版本的模型能够准确地基于饮食摄入数据生成CGM数据，模拟饮食干预的结果，并预测个体对特定食物的反应。