基于基础 AI 与机器学习模型的1型和2型糖尿病血糖控制个体化预测
摘要
背景：准确预测连续血糖监测（CGM）派生指标的一周-ahead forecasts 可能实现积极的糖尿病管理，但现代表格学习方法的相对性能尚未完全阐明。方法：我们训练并内部验证了四种回归模型（CatBoost、XGBoost、AutoGluon、tabPFN），用于预测六个一周-ahead CGM 指标（TIR、TITR、TAR、TBR、CV、MAGE 及相关分位值），基于来自两个队列（T1DM n=3,389；T2DM n=1,233）的 4,622 周案例。以平均绝对误差（MAE）和平均绝对相对差（MARD）评估性能；分位分类通过混淆矩阵热图总结。结果：在 T1DM 和 T2DM 中，所有模型对大多数目标均产生相当的性能。对于 T1DM，TIR、TITR、TAR 和 MAGE 的 MARD 范围在 8.5% 到 16.5% 之间，而 TBR 显示出较大的 MARD（平均约 48%），尽管 MAE 较低。AutoGluon 和 tabPFN 在多个目标上比 XGBoost 具有更低的 MAE（例如 TITR：p<0.01；TAR/TBR：p<0.05 到 0.01）。对于 T2DM，MARD 范围在 7.8% 到 23.9%，TBR 相对误差约为 78%；tabPFN 在 TIR 上优于其他模型（p<0.01），AutoGluon/tabPFN 在 TAR 上优于 CatBoost/XGBoost（p<0.05）。每个 1,000 例的推理时间差异显著（PFN 699 秒；AG 2.7 秒；CatBoost 0.04 秒，XGBoost 0.04 秒）。结论：一周-ahead CGM 指标可使用现代表格模型以合理精度预测，但低发生率低血糖在相对术语中难以预测。高级 AutoML 和基础模型虽带来 modest 的精度提升，但计算成本显著增加。
引用
@article{arxiv.2601.00613,
title = {Personalized Forecasting of Glycemic Control in Type 1 and 2 Diabetes Using Foundational AI and Machine Learning Models},
author = {Simon Lebech Cichosz and Stine Hangaard and Thomas Kronborg and Peter Vestergaard and Morten Hasselstrøm Jensen},
journal= {arXiv preprint arXiv:2601.00613},
year = {2026}
}