From Glucose Patterns to Health Outcomes: A Generalizable Foundation Model for Continuous Glucose Monitor Data Analysis

要約

SSL が有効になった新しい医療 AI モデル (基礎モデルとして知られる) の最近の進歩により、多様な生物医学データから健康状態をより適切に特徴付ける大きな可能性がもたらされます。
CGM は血糖パターンに関する豊富な一時的なデータを提供しますが、より広範な健康結果を予測するその可能性は十分に活用されていないままです。
ここでは、微妙な血糖パターンを学習し、代謝の健康状態の予測表現に変換する、CGM データの生成基盤モデルである GluFormer を紹介します。
GluFormer は、主に糖尿病を持たない 10,812 人の成人からの 1,000 万件を超える CGM 測定値でトレーニングを受け、自己回帰トークン予測を使用して長期的なグルコース動態を捕捉します。
我々は、GluFormer が、異なる民族性と年齢、5 か国、8 台の CGM デバイス、および多様な病態生理学的状態にわたる 19 の外部コホート (n = 6,044) に一般化することを示します。
GluFormers の表現は、臨床測定値を予測するためのグルコース管理指標 (GMI) などの現在の CGM 指標のパフォーマンスを上回ります。
CGM データと 12 年間の追跡調査による 580 人の成人を対象とした縦断研究で、GluFormer は血中 HbA1C% よりも効果的に糖尿病発症リスクが高い個人を特定し、新規発症糖尿病診断全体の 66% を上位 4 分の 1 に占めるのに対し、上位 4 分の 1 は 7 を占めています。
下位 4 分の 1 は % です。
同様に、心血管死イベントの 69% は上位 4 分の 1 で発生し、下位 4 分の 1 では発生しませんでした。これは、従来の血糖測定基準を超えた強力なリスク層別化を示しています。
また、ランダム化臨床試験における介入前の期間からの CGM 表現は、一次および二次アウトカムの予測において他の方法よりも優れていることも示します。
食事データを GluFormer に統合すると、モデルのマルチモーダル バージョンが食事摂取データに基づいて CGM データを正確に生成し、食事介入の結果をシミュレートし、特定の食品に対する個人の反応を予測できることを示します。

要約(オリジナル)

Recent advances in SSL enabled novel medical AI models, known as foundation models, offer great potential for better characterizing health from diverse biomedical data. CGM provides rich, temporal data on glycemic patterns, but its full potential for predicting broader health outcomes remains underutilized. Here, we present GluFormer, a generative foundation model for CGM data that learns nuanced glycemic patterns and translates them into predictive representations of metabolic health. Trained on over 10 million CGM measurements from 10,812 adults, primarily without diabetes, GluFormer uses autoregressive token prediction to capture longitudinal glucose dynamics. We show that GluFormer generalizes to 19 external cohorts (n=6,044) spanning different ethnicities and ages, 5 countries, 8 CGM devices, and diverse pathophysiological states. GluFormers representations exceed the performance of current CGM metrics, such as the Glucose Management Indicator (GMI), for forecasting clinical measures. In a longitudinal study of 580 adults with CGM data and 12-year follow-up, GluFormer identifies individuals at elevated risk of developing diabetes more effectively than blood HbA1C%, capturing 66% of all new-onset diabetes diagnoses in the top quartile versus 7% in the bottom quartile. Similarly, 69% of cardiovascular-death events occurred in the top quartile with none in the bottom quartile, demonstrating powerful risk stratification beyond traditional glycemic metrics. We also show that CGM representations from pre-intervention periods in Randomized Clinical Trials outperform other methods in predicting primary and secondary outcomes. When integrating dietary data into GluFormer, we show that the multi-modal version of the model can accurately generate CGM data based on dietary intake data, simulate outcomes of dietary interventions, and predict individual responses to specific foods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google