Pesquisa do Google revela o glucofm: um modelo de base de fluxo duplo para monitoramento contínuo de glicose aprimorado

A Google Research, em colaboração com a UNSW Sydney, apresentou o GlucoFM, um modelo de base auto-supervisionado projetado para o monitoramento contínuo de glicose (MCG). Este modelo representa um avanço significativo, dividindo o traçado de glicose em duas fluxos distintos: um fluxo 'de estado' fisiológico lento e um fluxo 'de evento' transitório. Ao contrário de modelos existentes, como o CGMformer, o GluFormer e o CGM-JEPA, que codificam dados de glicose como uma única sequência entrelaçada, o GlucoFM mantém uma máscara de observação e emprega dois objetivos latentes de estilo JEPA durante o pré-treinamento. O resultado é um codificador de 0,72 milhões de parâmetros que alcançou um PR-AUC médio de tarefa de 58,8 em 14 avaliações de grupo, superando a melhor linha de base específica do CGM, retreinada no mesmo conjunto de dados, com uma pontuação de 54,7. A modelo foi pré-treinado em 109.066 horas de dados de MCG não rotulados de 477 sujeitos usando uma única GPU NVIDIA H100. A equipe de pesquisa enfatizou que o GlucoFM é um protótipo de pesquisa e não foi aprovado ou autorizado por qualquer autoridade regulatória. Não é destinado ao uso clínico ou de consumo e não é projetado para diagnosticar, tratar, curar ou prevenir doenças. Todas as avaliações são retrospectivas e o maior conjunto de dados de pré-treinamento permanece privado. Até 26 de agosto de 2026, nenhum checkpoint foi lançado, embora o artigo prometa fornecer código e scripts de reprodutibilidade. A arquitetura do modelo alinha cada gravação a uma grade de 24 horas com um intervalo de 5 minutos, resultando em 288 posições. Ele preserva o índice de início circadiano fixo e usa uma máscara de observação para reter as posições ausentes sem contá-las como medições. Um filtro gaussiano aprendível causal e com máscara divide o sinal nos fluxos de estado e evento. A largura de banda σ é aprendível em 2–12 passos da grade, aproximadamente 10–60 minutos, inicializada em 6,0. Um kernel de uma única extremidade garante a causalidade, impedindo que os dados de glicose futuros influenciem a estimativa do estado atual. Ambos os fluxos são tokenizados em 24 trechos de uma hora, fundidos em tokens de 128 dimensões e fornecem recursos de tempo do dia circulares. O pré-treinamento envolve dois objetivos de estilo JEPA: previsão latente contextual mascarada sobre 50–60% dos trechos contra um professor EMA e previsão de dinâmica de estado/evento do próximo trecho via cabeçalhos de transição residuais. As melhorias de conscientização sobre MCG incluem deriva de base, quedas semelhantes à compressão, decimação para amostragem de 15 minutos e blocos de desconexão. O codificador consiste em um Transformer de 3 camadas com uma dimensão oculta de 128, 4 cabeçalhos e um tamanho de feedforward de 256, totalizando 1,18 milhões de parâmetros. O pré-treinamento utilizou dados do Wear-CGM, ShanghaiT2DM, Stanford, BIG IDEAS e Colas. Sob sujeito-disjunto, a probing linear em quatro grupos e sete tarefas, o GlucoFM alcançou um PR-AUC médio de tarefa de 58,8, superando a melhor linha de base específica do CGM em 4,1 pontos e superando o melhor variant do GluFormer em 5,8 pontos. Ele liderou no PR-AUC para todas as avaliações de risco de diabetes e disfunção das células beta e três de quatro avaliações de resistência à insulina, classificando-se em primeiro lugar em 21 de 24 avaliações de transferência de conjunto de dados. Para a previsão da resposta glicêmica pós-prandial de duas horas, o GlucoFM alcançou uma MAE de 21,88 mg/dL com contexto completo, superando a melhor linha de base em 22,90 e uma média de treinamento de 27,69 em 874 eventos de refeição de 34 participantes usando sensores Dexcom e Libre. Também superou uma regra de limiar de GMI de sete dias no macro-F1 em Stanford e +17,4 em CGMacros-Dexcom. Treinado em 20% do conjunto de dados, ele correspondeu às linhas de base do MCG treinadas no conjunto de dados inteiro. A equipe de pesquisa destacou que a receita do modelo é atualmente disponível, com 0,72 milhões de parâmetros treináveis e 120 épocas em uma única H100, permitindo que qualquer equipe com um conjunto de dados do MCG o reproduza, com inferência de janela de 24 horas executando em um contêiner de CPU ou em um dispositivo.