Google Research i zespół UNSW Sydney zaprezentowali GlucoFM, foundation model do ciągłego monitoringu glukozy, który wprowadza istotną zmianę architektoniczną w stosunku do dotychczasowych rozwiązań. Zamiast kodować ślad glukozy jako jeden powiązany ciąg danych, GlucoFM rozkłada go na dwa strumienie - powolny fizyologiczny stan oraz szybkie przejściowe zdarzenia - i trenuje model za pomocą dwóch celów latentnych w stylu JEPA. Encoder z 0.72 milionu parametrów osiągnął średni wynik 58.8 PR-AUC na 14 ocenach z różnych kohort, co stanowi polepszenie w stosunku do poprzedniego najlepszego modelu CGM-specific'ego z wynikiem 54.7.
Model wytrenowany został na 109 066 godzinach nienakierowanych danych z 477 pacjentów przy użyciu jednej karty NVIDIA H100. To efektywne skalowanie czyni architekturę potencjalnie dostępną dla każdego zespołu posiadającego corpus danych pomiarów glukozy - wnioskowanie przez 24 godziny może pracować na containerze CPU lub bezpośrednio na urządzeniu. Zespół badawczy jednoznacznie zaznacza, że GlucoFM jest prototypem badawczym, nie otrzymał żadnej aprobaty regulacyjnej i nie jest przeznaczony do diagnostyki czy leczenia.
Chociaż model nie jest gotowy do użytku klinicznego lub konsumenckiego, jego znaczenie polega na udowodnieniu, że architektura dual-stream przynosi mierzalne korzyści w modelowaniu danych z urządzeń do monitoringu glukozy. Zespół zobowiązał się do publikacji kodu i skryptów powtarzalności, co umożliwi innym naukowcom zbadanie i dalszy rozwój tego podejścia. Problematyka przetwarzania danych CGM jako jednego sygnału, którą rozwiązuje GlucoFM, stanowi jedno z kluczowych wyzwań w personalnej medycynie i zarządzaniu cukrzycą.