Google research presenta glucofm: un modelo de base de dos flujos para un monitoreo continuo de glucosa mejorado

Google Research, en colaboración con UNSW Sydney, ha presentado GlucoFM, un modelo de base auto-supervisado diseñado para el monitoreo continuo de glucosa (CGM). Este modelo representa un avance significativo al dividir la traza de glucosa en dos flujos distintos: un flujo 'estado' fisiológico lento y un flujo 'evento' transitorio. A diferencia de modelos existentes como CGMformer, GluFormer y CGM-JEPA, que codifican los datos de glucosa como una secuencia única entrelazada, GlucoFM mantiene una máscara de observación y emplea dos objetivos latentes de estilo JEPA durante el preentrenamiento. El resultado es un codificador de 0.72 millones de parámetros que ha logrado un PR-AUC promedio de tarea de 58.8 en 14 evaluaciones de cohortes-tarea, superando a la mejor línea de base específica de CGM, que se ha retrenado en el mismo corpus, con una puntuación de 54.7. El modelo se preentrenó con 109.066 horas de datos de CGM sin etiquetar de 477 sujetos utilizando una única GPU NVIDIA H100. El equipo de investigación ha enfatizado que GlucoFM es un prototipo de investigación y no ha sido aprobado ni autorizado por ninguna autoridad reguladora. No está destinado a su uso clínico o de consumo y no está diseñado para diagnosticar, tratar, curar o prevenir enfermedades. Todas las evaluaciones son retrospectivas y la más grande de las cohortes de preentrenamiento permanece confidencial. A partir del 26 de agosto de 2026, no se ha publicado ningún punto de control, aunque el artículo promete proporcionar código y scripts de reproducibilidad. La arquitectura del modelo alinea cada registro con una cuadrícula de 24 horas con un intervalo de 5 minutos, lo que resulta en 288 posiciones. Conserva el índice de inicio circadiano absoluto y utiliza una máscara de observación para mantener las posiciones faltantes sin contarlas como mediciones. Un filtro gaussiano aprendible causal y con máscara divide la señal en los flujos de estado y evento. El ancho de banda σ es aprendible dentro de 2-12 pasos de la cuadrícula, aproximadamente de 10 a 60 minutos, inicializado en 6.0. Un kernel de un lado garantiza la causalidad, evitando que los datos de glucosa futuros influyan en la estimación del estado actual. Ambos flujos se tokenizan en 24 trozos de una hora, se fusionan en tokens de 128 dimensiones y se proporcionan características temporales de tiempo de día. El preentrenamiento implica dos objetivos de estilo JEPA: predicción latente contextual con máscara sobre el 50-60% de los trozos frente a un maestro EMA y predicción de la dinámica del estado/evento del siguiente trozo a través de cabezales de transición residuales. Las ampliaciones específicas de CGM incluyen el desvío de la línea de base, caídas similares a la compresión, decaimiento a muestreo de 15 minutos y bloques de desconexión. El codificador consta de un Transformer de 3 capas con una dimensión oculta de 128, 4 cabezales y un tamaño de retroalimentación de 256, lo que resulta en 1.18 millones de parámetros. El preentrenamiento utilizó datos de Wear-CGM, ShanghaiT2DM, Stanford, BIG IDEAs y Colas. Bajo la prueba de probing lineal en cuatro cohortes y siete tareas, GlucoFM ha logrado un PR-AUC promedio de tarea de 58.8, superando a la mejor línea de base específica de CGM en 4.1 puntos y superando a la mejor variante de GluFormer en 5.8 puntos. Ha obtenido el mejor PR-AUC para todas las evaluaciones de riesgo de diabetes y disfunción de las células beta y tres de cuatro evaluaciones de resistencia a la insulina, obteniendo la primera posición en 21 de 24 evaluaciones de transferencia de datos. Para la predicción de la respuesta de glucosa postprandial de dos horas, GlucoFM ha logrado un MAE de 21.88 mg/dL con contexto completo, superando a la mejor línea de base en 22.90 y un promedio de entrenamiento de 27.69 en 874 eventos de comida de 34 participantes utilizando sensores Dexcom y Libre. También ha superado a una regla de umbral de GMI de siete días en macro-F1 en Stanford y +17.4 en CGMacros-Dexcom. Entrenado con el 20% del corpus, ha igualado las líneas de base de CGM entrenadas en todo el conjunto de datos. El equipo de investigación ha destacado que la receta del modelo es actualmente desplegable, con 0.72 millones de parámetros entrenables y 120 épocas en una sola H100, lo que permite a cualquier equipo con un corpus de CGM reproducirlo, con inferencia de ventana de 24 horas que se ejecuta en un contenedor de CPU o en el dispositivo.