Nature：生成式AI模型，通過連續(xù)血糖監(jiān)測數(shù)據(jù)，預測血糖參數(shù)及長期疾病風險

撰文丨王聰

編輯丨王多魚

排版丨水成文

連續(xù)血糖監(jiān)測（Continuous glucose monitoring，CGM）可生成詳細的葡萄糖動態(tài)時序曲線，但其在實現(xiàn)血糖穩(wěn)態(tài)和預測長期預后方面的全部潛力，仍未得到充分利用。

2026 年 1 月 14 日，魏茨曼科學研究所、Pheno.AI 的研究人員在國際頂尖學術期刊Nature上發(fā)表了題為：A foundation model for continuous glucose monitoring data 的研究論文。
該研究開發(fā)了一個針對連續(xù)血糖監(jiān)測（CGM）數(shù)據(jù)的生成式基礎模型——GluFormer，其能夠從短期 CGM 數(shù)據(jù)中提取具有強大預測價值的特征，不僅有助于血糖參數(shù)的短期預測，更重要的是在長期疾病風險（例如糖尿病、心血管死亡）分層方面展現(xiàn)出巨大潛力。這為基于 CGM 的精準醫(yī)療和代謝健康管理提供了新的、強有力的工具。

在這項最新研究中，研究團隊開發(fā)了一個針對連續(xù)血糖監(jiān)測（CGM）數(shù)據(jù)的生成式基礎模型——GluFormer。該模型通過自監(jiān)督學習進行訓練，使用了來自 10812 名成年人（以無糖尿病者為主）的超過 1000 萬次血糖測量數(shù)據(jù)。

通過使用自回歸預測，該模型學習到的表征能夠遷移到涵蓋 5 個國家、8 種 CGM 設備及多種病理生理狀態(tài)（包括糖尿病前期、1 型糖尿病和 2 型糖尿病、妊娠期糖尿病及肥胖癥）的 19 個外部隊列（n = 6044）中。在預測血糖參數(shù)方面，這些表征相較于基線血糖和糖化血紅蛋白（HbA1c）水平以及其他 CGM 來源指標，提供了持續(xù)性的改進。

在糖尿病前期個體中，GluFormer 對可能在 2 年內經(jīng)歷 HbA1c 臨床顯著升高的個體進行了風險分層，其表現(xiàn)優(yōu)于基線 HbA1c 和常見的 CGM 指標。

在一個包含 580 名成年人、擁有短期 CGM 數(shù)據(jù)且中位隨訪時間為 11 年的隊列中，GluFormer 比 HbA1c 更有效地識別出糖尿病和心血管死亡風險升高的個體。具體而言，66% 的新發(fā)糖尿病病例和 69% 的心血管死亡病例發(fā)生在風險最高的四分位組中，而在風險最低的四分位組中，這一比例分別為 7% 和 0%。在臨床試驗中，基線 CGM 表征改善了對結局的預測。

此外，研究團隊還開發(fā)了一個整合了飲食數(shù)據(jù)的多模態(tài)擴展版本，其能夠生成合理的葡萄糖軌跡并預測個體對食物的血糖反應。

總的來說，這項研究表明，GluFormer 為編碼血糖模式提供了一個可推廣的框架。它能夠從短期 CGM 數(shù)據(jù)中提取具有強大預測價值的特征，不僅有助于血糖參數(shù)的短期預測，更重要的是在長期疾病風險（例如糖尿病、心血管死亡）分層方面展現(xiàn)出巨大潛力。這為基于 CGM 的精準醫(yī)療和代謝健康管理提供了新的、強有力的工具。

論文鏈接：

https://www.nature.com/articles/s41586-025-09925-9