Investigadores de Google Research, desarrollaron GlucoFM, un modelo que separa las tendencias lentas y las variaciones rápidas de la glucosa para predecir riesgo de diabetes, resistencia a la insulina y disfunción de células beta a partir de datos de monitoreo continuo.
Google Research presentó GlucoFM, un modelo de aprendizaje autosupervisado diseñado para analizar datos de monitores continuos de glucosa (CGM, en inglés) y generar representaciones útiles para tareas clínicas como la evaluación de riesgo de diabetes, la resistencia a la insulina, la disfunción de células beta y la predicción de la respuesta glucémica tras las comidas. El desarrollo fue descrito en una publicación del blog de Google Research y en un artículo disponible en el repositorio arXiv. Se trata de un documento aún no sometido a revisión por pares, condición que los autores señalan explícitamente al advertir que GlucoFM es un prototipo de investigación y no ha sido evaluado ni autorizado por ninguna autoridad regulatoria.
El equipo, integrado también por Keerthana Natarajan, Weizhi Zhang, Menglian Zhou, Yuzhe Yang y otros colaboradores de Google Research y de la Universidad de Nueva Gales del Sur en Sídney, explicó que los monitores de glucosa capturan lecturas cada pocos minutos, pero que la interpretación de esas señales resulta compleja debido a la escasez de etiquetas clínicas de alta calidad. Frente a ese desafío, propusieron un diseño de doble flujo que separa la señal de glucosa en dos componentes, uno que representa las tendencias metabólicas lentas y otro que captura las desviaciones de corto plazo asociadas a comidas, actividad física o artefactos del sensor.
El modelo fue entrenado con 109 mil 066 horas de datos no etiquetados provenientes de 477 participantes, combinando el conjunto propio Wear-CGM con otras cuatro bases públicas. GlucoFM utiliza un enfoque de predicción latente inspirado en la arquitectura JEPA, que en lugar de reconstruir cada lectura de glucosa predice representaciones ocultas a partir del contexto disponible, lo que según los autores permite capturar patrones diarios sin depender de mediciones exactas afectadas por ruido o artefactos del sensor.
En las pruebas de evaluación, realizadas sobre cuatro cohortes distintas y siete tareas de clasificación fenotípica, GlucoFM obtuvo el mejor desempeño promedio entre los modelos comparados, con una mejora de 4.1 puntos en el área bajo la curva de precisión-cobertura (PR-AUC) respecto al mejor modelo de referencia específico para CGM. El modelo lideró en todas las evaluaciones de riesgo de diabetes y disfunción de células beta, y en tres de cuatro evaluaciones de resistencia a la insulina. En la predicción de la respuesta glucémica posprandial durante las dos horas siguientes a una comida, GlucoFM alcanzó el menor error absoluto medio, de 21.88 mg/dL, frente a 22.90 mg/dL del mejor modelo comparado, al integrar información sobre nutrición de la comida, glucosa en ayunas, índice de masa corporal y estatus de diabetes.
El estudio también evaluó la capacidad del modelo para generalizar entre distintas cohortes clínicas sin reentrenamiento, un ejercicio en el que GlucoFM superó al modelo comparado más fuerte en 21 de 24 evaluaciones. Bajo condiciones de escasez de datos etiquetados, con apenas uno o dos sujetos de referencia por categoría, el modelo mantuvo el mejor desempeño entre todas las alternativas probadas.
Los autores reconocen limitaciones relacionadas con el tamaño y la diversidad de la población empleada durante el entrenamiento, y señalan que la evaluación se restringió a predicciones retrospectivas, sin abordar resultados longitudinales, respuesta a tratamientos ni un despliegue clínico real. Adelantaron que los próximos pasos incluyen entrenar el modelo con poblaciones más amplias y diversas, así como extender su capacidad de análisis más allá de ventanas de 24 horas hacia un modelado nativo de varios días. El equipo indicó que planea liberar el código y los scripts de reproducibilidad para respaldar una evaluación transparente por parte de otros investigadores.
