GlucoFM jako pierwszy próbuje wytrenować foundation model na danych o cukrze

Google Research pokazało nowy foundation model GlucoFM, który robi jedną rzecz: połyka ogromne ilości danych z ciągłych monitorów glukozy (CGM) i szuka w nich wzorców. Jest to odejście od dotychczasowych modeli klinicznych, które zawsze wymagały kontekstu (co pacjent jadł, jakie bierze leki, czy ile spał).

Krzywe wystarczą do przewidywania przyszłych zmian

Model uczy się wyłącznie z kształtu i dynamiki krzywych glukozowych milionów pacjentów. Okazuje się, że do trafnego przewidywania hipoglikemii czy długoterminowych trendów często wystarczą same dane z czujnika CGM, bez dodatkowego, skomplikowanego wypytywania użytkownika o jego rytm dnia.

Bariera dla inteligentnych funkcji fitness spada

Wyeliminowanie konieczności rejestrowania posiłków lub leków drastycznie obniża barierę korzystania z modeli predykcyjnych w głównych aplikacjach fitness i urządzeniach ubieralnych. Jeśli do działania wystarczą dane z czujników, otwiera się droga do integracji inteligentnej analityki ze smartwatchami bez konieczności przeprowadzania skomplikowanych certyfikacji klinicznych.

Dane CGM pozostają wrażliwym materiałem

Narzędzie działa obecnie w odizolowanym środowisku badawczym, a Google nie ogłosiło żadnego konkretnego produktu komercyjnego. Wykorzystanie danych o glukozie do trenowania modeli natknie się na surowe przepisy chroniące dane osobowe dotyczące zdrowia w Europie i USA.

Zdolność do generalizacji zadecyduje o wdrożeniu

Prawdziwą użyteczność określi to, jak dobrze model radzi sobie na danych z czujników innych producentów i na osobach, które nie są diabetykami, ale używają czujników CGM tylko do optymalizacji wyników sportowych.

Werdykt Lilith

Model wskazuje na przyszłość, w której czujniki nie będą wymagały ludzkiej kalibracji, ale same odczytają kontekst z surowych danych.