Naukowcy zaprezentowali GlucoPRISM, nową metodę trenowania modeli do monitorowania poziomu glukozy, która lepiej radzi sobie z przejściem między różnymi populacjami pacjentów i typami urządzeń. Problem polega na tym, że obecne modele foundation models (GlucoFM) mieszają w jednym wektorze informacje o pacjencie, jego dniu i sposobie pomiaru przez sensor, co powoduje trudności przy pracy z nowymi danymi.
Rozwiązaniem GlucoPRISM jest nauka modelu za pomocą tzw. response contracts - reguł, które definiują jak każda część reprezentacji powinna się zmieniać. Model dzieli dane na trzy niezależne pasma: 64-wymiarowe Trait band (cechy osobiste, niezmienne), 48-wymiarowe State band (zmiany dzienne) i 16-wymiarowe Sensor band (charakterystyka urządzenia). Supervision pochodzą z syntetycznych widoków sensorów skalibrowanych na parach rzeczywistych danych z Dexcom i Libre, różnych dni oraz podsumowań glukozy - wszystko bez potrzeby klinicznych etykiet.
Wyniki pokazują znaczną poprawę: gdy naukowcy usunęli Sensor band z zamrożonego enkodera, średnia wydajność transferu (AUROC) wzrosła z 68,75 do 73,57 punktów na dwunastu kierunkach testów krzyżowych. W jednym przypadku (CGMacros - gdzie dostępne były dane z dwóch typów sensorów dla tych samych pacjentów) filtrowanie dało wzrost 11-19 punktów. To oznacza, że model nauczył się prawidłowo identyfikować i oddzielać artefakty pomiarowe od rzeczywistych cech pacjenta, co jest kluczowe dla niezawodnego monitorowania glukozy w rzeczywistych warunkach klinicznych.