GlucoFM: Mô hình nền tảng từ Google giúp dự báo chỉ số đường huyết liên tục

Các thiết bị đeo thông minh dành cho người tiêu dùng sử dụng cảm biến chuyển động và sinh lý để ước tính hoạt động và giấc ngủ, nhưng các tín hiệu này chỉ cung cấp cái nhìn gián tiếp về quá trình điều hòa glucose. Các thiết bị theo dõi glucose liên tục (CGM) bổ sung cho các phép đo này bằng cách theo dõi nồng độ glucose trong dịch kẽ vài phút một lần thông qua một cảm biến nhỏ được cấy dưới da, từ đó ghi lại các mô hình lúc đói, qua đêm và sau bữa ăn. Tuy nhiên, việc diễn giải các dữ liệu này vẫn còn là một thách thức, đặc biệt là khi các nhãn lâm sàng chất lượng cao giúp giải mã chúng thường khan hiếm và tốn kém để thu thập.

Nhiều mô hình nền tảng CGM hiện có — bao gồm CGMformer, GluFormer và CGM-JEPA — xử lý glucose thông qua một luồng biểu diễn duy nhất thay vì tách biệt rõ ràng giữa các xu hướng cơ bản chậm và các sự kiện biến động tức thời. Nhưng CGM không phải là một luồng dữ liệu đồng nhất: nó chứa các mô hình cơ bản tương đối chậm, xen kẽ với các sai lệch ngắn hạn có thể phản ánh bữa ăn, hoạt động hoặc các nhiễu từ cảm biến. Sẽ ra sao nếu chúng ta có thể tận dụng dữ liệu CGM hàng ngày để ước tính các chỉ số như nguy cơ tiểu đường, kháng insulin và rối loạn chức năng tế bào beta bằng cách sử dụng dữ liệu có nhãn hạn chế?

Đó là lý do tại sao chúng tôi xây dựng GlucoFM, một mô hình nền tảng tự giám sát với thiết kế luồng kép giúp tách biệt các xu hướng đường huyết chậm khỏi các sai lệch ngắn hạn, đồng thời bảo toàn thông tin về thời gian trong ngày và các khoảng dữ liệu bị thiếu. Các mục tiêu dự đoán tiềm ẩn sau đó sẽ học bối cảnh hàng ngày và sự tiến triển theo thời gian của chúng. Chúng tôi đã đánh giá GlucoFM trên bốn nhóm đối tượng đa dạng với bảy nhiệm vụ dự đoán lâm sàng — nguy cơ tiểu đường, kháng insulin, rối loạn chức năng tế bào beta, tăng lipid máu, hạ đường huyết, béo phì và kiểu đường (glucotype) — bao gồm 14 đánh giá nhóm-nhiệm vụ. Trong các đánh giá này, chỉ số PR-AUC của GlucoFM trung bình cao hơn 5,8 điểm phần trăm so với biến thể GluFormer hoạt động tốt nhất, với cả hai đều được tiền huấn luyện trên cùng một tập dữ liệu. Về chỉ số PR-AUC, GlucoFM dẫn đầu tất cả các đánh giá về nguy cơ tiểu đường và rối loạn chức năng tế bào beta, cùng ba trong bốn đánh giá về kháng insulin. Chúng tôi cũng đánh giá GlucoFM trong việc dự báo phản ứng đường huyết sau ăn (PPGR). Với các đầu vào và giao thức đánh giá tương đương, GlucoFM đạt sai số tuyệt đối trung bình (MAE) thấp nhất, tính trung bình trên hai thiết bị CGM (Dexcom và Libre). Hơn nữa, GlucoFM đạt hiệu suất chuyển đổi liên tập dữ liệu tổng thể tốt nhất và thể hiện khả năng thích ứng few-shot mạnh mẽ, ngay cả khi dữ liệu từ một nhóm mới hoặc các đối tượng có nhãn cực kỳ hạn chế.

Huấn luyện GlucoFM để hiểu về quá trình trao đổi chất

Chúng tôi đã tiền huấn luyện GlucoFM trên 109.066 giờ dữ liệu CGM không nhãn từ Wear-CGM[8e73d8] và bốn tập dữ liệu đã được công bố, tổng cộng là 477 hồ sơ người tham gia/phiên ghi dữ liệu.

Các bản ghi CGM có thể chứa các khoảng trống, khoảng thời gian lấy mẫu khác nhau và các nhiễu từ cảm biến. GlucoFM căn chỉnh từng bản ghi vào lưới 24 giờ, năm phút một lần và duy trì một mặt nạ quan sát, giữ cho các vị trí đã đo và chưa quan sát được tách biệt. Bộ mã hóa luồng kép của nó tách biệt thành phần trạng thái tần số thấp hơn, đại diện cho các xu hướng đường huyết chậm hơn, khỏi thành phần sự kiện dư thừa ghi lại các sai lệch ngắn hạn có thể phát sinh từ sinh lý, hành vi hoặc nhiễu cảm biến.

Thay vì tái tạo các chỉ số glucose thô chính xác, vốn có thể bị ảnh hưởng bởi nhiễu đo lường và nhiễu cảm biến, GlucoFM sử dụng tiền huấn luyện dự đoán tiềm ẩn với hai nhiệm vụ bổ trợ:

Cuối cùng, các kỹ thuật tăng cường dữ liệu nhận biết CGM giới thiệu các yếu tố như trôi dạt đường cơ sở, các điểm sụt giảm giống như nén dữ liệu, lấy mẫu thưa thớt và các kết nối bị gián đoạn ngắn, giúp mô hình tiếp xúc với các biến thể và sự thiếu hụt dữ liệu thường gặp trong các bản ghi CGM thực tế.

GlucoFM có thể làm được gì

Chúng tôi đã đánh giá GlucoFM trên bốn nhóm đối tượng (CGMacros, Stanford, Hall và ShanghaiT2DM) và bảy nhiệm vụ dự đoán lâm sàng, cùng với một đánh giá riêng biệt về dự đoán phản ứng đường huyết sau ăn trong hai giờ. Cụ thể, chúng tôi đặt câu hỏi liệu các biểu diễn đóng băng (frozen representations) của nó có mang tính thông tin cho các cửa sổ 24 giờ riêng lẻ từ những người tham gia chưa từng được biết đến hay không; liệu chúng có cung cấp bối cảnh lịch sử hữu ích để dự đoán quỹ đạo glucose sau ăn hay không; liệu việc kết hợp nhiều ngày có cải thiện dự đoán ở cấp độ chủ thể hay không; các biểu diễn này chuyển đổi sang các nhóm mới tốt như thế nào; và chúng thích ứng hiệu quả ra sao khi dữ liệu có nhãn bị hạn chế.

Độ chính xác trên các nhiệm vụ trao đổi chất

Đầu tiên, chúng tôi sử dụng phương pháp thăm dò tuyến tính (linear probing) ở cấp độ cửa sổ tách biệt theo chủ thể. Chúng tôi đóng băng bộ mã hóa của mỗi mô hình, huấn luyện một bộ phân loại tuyến tính trên các biểu diễn 24 giờ riêng lẻ và đảm bảo rằng không có người tham gia nào xuất hiện trong cả tập huấn luyện và tập kiểm tra. Điều này kiểm tra xem một biểu diễn trong một ngày có mang tính thông tin về kiểu hình cho những người tham gia chưa biết hay không, trong khi vẫn giữ được sự biến thiên giữa các ngày.

GlucoFM đạt được chỉ số PR-AUC trung bình nhiệm vụ cao nhất trong số các phương pháp được đánh giá. Trên 14 đánh giá nhóm-nhiệm vụ, nó đã tăng PR-AUC trung bình từ 54,7 đối với đường cơ sở chuyên biệt cho CGM mạnh nhất được huấn luyện lại trên cùng dữ liệu lên 58,8 — mức tăng tuyệt đối là 4,1 điểm, tương đương khoảng 7,5% so với đường cơ sở đó. GlucoFM đạt PR-AUC cao nhất trong tất cả các đánh giá về nguy cơ tiểu đường và rối loạn chức năng tế bào beta, và trong ba trên bốn đánh giá về kháng insulin.

Dự đoán phản ứng đường huyết sau ăn

Để kiểm tra GlucoFM trên một nhiệm vụ dự đoán động, chúng tôi đã sử dụng thông tin có sẵn trước mỗi bữa ăn được ghi lại để dự đoán quỹ đạo thay đổi glucose đầy đủ trong hai giờ so với giá trị lúc bắt đầu bữa ăn. Chúng tôi đã đánh giá 874 sự kiện bữa ăn được ghép nối từ 34 người tham gia bằng cách sử dụng kiểm chứng chéo tách biệt theo chủ thể, với Dexcom và Libre (hai thiết bị CGM) được mô hình hóa riêng biệt dưới các phân tách giống hệt nhau.

Chúng tôi kết hợp dần dần từng biểu diễn mô hình đã đóng băng với một giờ dữ liệu CGM trước bữa ăn, thông tin dinh dưỡng bữa ăn — bao gồm năng lượng, carbohydrate, chất béo, protein và chất xơ — và thông tin cấp độ người tham gia như glucose lúc đói, BMI và tình trạng tiểu đường. Với bối cảnh đầy đủ, GlucoFM đạt MAE trung bình thấp nhất trong số các mô hình được đánh giá: 21,88 mg/dL, so với 22,90 mg/dL của đường cơ sở tốt nhất và 27,69 mg/dL của đường cơ sở trung bình tập huấn luyện. Những kết quả này cho thấy GlucoFM cung cấp bối cảnh lịch sử bổ sung để dự đoán những thay đổi glucose sau ăn.

Nhìn xa hơn một ngày đơn lẻ

Một dấu vết 24 giờ đơn lẻ có thể không nắm bắt đầy đủ các mô hình glucose của một người, vì vậy chúng tôi đã kiểm tra xem việc kết hợp nhiều ngày có cải thiện dự đoán ở cấp độ chủ thể hay không. GlucoFM mã hóa từng ngày riêng biệt và tính trung bình các biểu diễn trong tối đa bảy ngày, với mỗi người tham gia đóng góp như nhau.

Như biểu đồ dưới đây cho thấy, các ngày bổ sung đã cải thiện PR-AUC trong hầu hết các cài đặt trên hầu hết các tập dữ liệu, bao gồm mức tăng 9,6 điểm cho rối loạn chức năng tế bào beta tại Stanford và 14,0 điểm cho dự đoán tiểu đường tại Hall. CGMacros cũng cho thấy mức tăng tích cực trên dữ liệu từ Dexcom, Libre và dữ liệu cảm biến hợp nhất. Kháng insulin tại ShanghaiT2DM là ngoại lệ chính khi tính trung bình đơn giản, cho thấy chiến lược tổng hợp tốt nhất có thể thay đổi tùy theo nhiệm vụ. Nhìn chung, các biểu diễn hàng ngày đã đóng băng của GlucoFM có thể được kết hợp để tăng cường dự đoán cấp độ chủ thể mà không cần huấn luyện lại bộ mã hóa.

Vượt qua ranh giới giữa các nhóm đối tượng

Tiếp theo, chúng tôi muốn biết liệu các mô hình sinh lý mà mô hình của chúng tôi học được có thể khái quát hóa hay không. Nếu chúng tôi huấn luyện một bộ phân loại hạ nguồn để phát hiện nguy cơ tiểu đường bằng cách sử dụng dữ liệu từ một nhóm lâm sàng, liệu nó có còn hoạt động trên bệnh nhân từ một nghiên cứu hoàn toàn khác không? Biểu đồ thanh chuyển đổi liên tập dữ liệu làm nổi bật cách GlucoFM xử lý thách thức này, cụ thể là vẽ biểu đồ cải thiện trực tiếp của nó so với mô hình tốt thứ hai về nguy cơ tiểu đường và kháng insulin.

Trong biểu đồ dưới đây, các thanh dương cho thấy GlucoFM vượt trội hơn phương pháp cạnh tranh mạnh nhất: nó dẫn đầu trong 11 trên 12 đánh giá với mức tăng 0,5 – 8,6 điểm PR-AUC và chỉ tụt lại một lần với 0,6 điểm. PR-AUC tuyệt đối của nó dao động từ 61,6% cho cả hai nhiệm vụ Stanford-sang-Hall đến 90,0% cho kháng insulin Hall-sang-CGMacros, cho thấy việc tập trung vào sinh lý học cơ bản giúp các biểu diễn đã đóng băng nhìn xuyên qua nhiễu đặc thù của nhóm để tìm ra các mô hình trao đổi chất phổ quát.

Học tập với ít dữ liệu hơn

Dữ liệu lâm sàng có nhãn rất đắt đỏ để thu thập, vì vậy chúng tôi cũng đã kiểm tra GlucoFM trong hai cài đặt few-shot: biểu đồ bên trái thay đổi số lượng người tham gia có nhãn trên mỗi lớp, trong khi biểu đồ bên phải thay đổi tỷ lệ quan sát có sẵn từ mỗi người tham gia. Di chuyển sang phải là thêm dữ liệu có nhãn, và các điểm cao hơn cho thấy PR-AUC trung bình nhiệm vụ tốt hơn.

Các điểm đánh dấu màu cam của GlucoFM là cao nhất ở mọi ngân sách dữ liệu được đánh giá, bao gồm cả các cài đặt hạn chế nhất là một người mỗi lớp và 1% số quan sát. Lợi thế này đặc biệt rõ ràng khi các đối tượng có nhãn khan hiếm, cho thấy mô hình cực kỳ hiệu quả trong việc nắm bắt các tín hiệu đúng ngay cả với chỉ một vài ví dụ.

Mô hình hóa động lực học glucose ở hai thang thời gian

Chúng tôi cũng xem xét kỹ liệu việc chia tín hiệu thành hai luồng có thực sự tạo ra sự khác biệt hay không. Chúng tôi đã so sánh thiết kế luồng kép đầy đủ với các lựa chọn thay thế đơn giản hơn: một mô hình xử lý glucose thô trực tiếp, một mô hình được thiết kế để nhấn mạnh các xu hướng chậm hơn và một mô hình được thiết kế để nhấn mạnh các sai lệch ngắn hạn, nhanh hơn.

Như phân tích thiết kế bộ mã hóa của chúng tôi cho thấy, phiên bản "chỉ sự kiện" là yếu nhất, chứng minh rằng các biến động tức thời đơn thuần là không đủ cho một bức tranh trao đổi chất ổn định. Trong khi các phiên bản đầu vào thô và "chỉ trạng thái" có tính cạnh tranh, mô hình luồng kép đầy đủ luôn đứng đầu. Những kết quả này ủng hộ việc tổ chức các động lực học glucose chậm và nhanh thành các luồng bổ sung trước khi kết hợp chúng, thay vì chỉ dựa vào một trong hai luồng.

Kết luận

Kết quả của chúng tôi cho thấy các mô hình CGM có thể hưởng lợi từ việc tính đến cấu trúc đa quy mô của động lực học glucose, bao gồm các xu hướng chậm hơn, sai lệch ngắn hạn, thời gian trong ngày và sự thiếu hụt dữ liệu cảm biến. Bằng cách học các mô hình có thể tái sử dụng từ CGM không nhãn, GlucoFM đã tạo ra các biểu diễn hoạt động mạnh mẽ trên các cài đặt dự đoán, chuyển đổi và few-shot được đánh giá, cung cấp một cách để tận dụng tốt hơn dữ liệu lâm sàng có nhãn hạn chế.

Phản ứng trao đổi chất khác nhau giữa người, nhóm đối tượng và thiết bị cảm biến, trong khi quần thể tiền huấn luyện hiện tại của chúng tôi vẫn còn khiêm tốn. Các bước tiếp theo của chúng tôi là huấn luyện trên các quần thể lớn hơn và đa dạng hơn, mở rộng GlucoFM vượt ra ngoài các cửa sổ 24 giờ được xử lý độc lập để hướng tới mô hình hóa đa ngày tự nhiên nhằm nắm bắt các xu hướng diễn ra trong nhiều tuần hoặc nhiều tháng, và khám phá cách các biểu diễn này xử lý những thay đổi theo thời gian thực. Vẫn còn rất nhiều điều cần tìm hiểu về sức khỏe trao đổi chất, và chúng tôi rất hào hứng chờ xem những công cụ này sẽ đưa chúng ta đến đâu tiếp theo.

Lời cảm ơn

Các nhà nghiên cứu sau đây đã đóng góp cho công trình này: Zechen Li, Keerthana Natarajan, Weizhi Zhang, Simon A. Lee, Yuwei Zhang, Maxwell A Xu, Menglian Zhou, Zeinab Esmaeilpour, Flora D. Salim (từ Đại học New South Wales), Mark Malhotra, Lindsey Sunden, Shwetak Patel, Yuzhe Yang và Ahmed A. Metwally.

Chúng tôi xin gửi lời cảm ơn chân thành đến Bobak J. Mortazavi và Ricardo Gutierrez-Osuna (Đại học Texas A&M) vì đã cung cấp tập dữ liệu CGMacros được sử dụng trong nghiên cứu này.