Nature：生成式AI模型，通过连续血糖监测数据，预测血糖参数及长期疾病风险

撰文丨王聪

编辑丨王多鱼

排版丨水成文

连续血糖监测（Continuous glucose monitoring，CGM）可生成详细的葡萄糖动态时序曲线，但其在实现血糖稳态和预测长期预后方面的全部潜力，仍未得到充分利用。

2026 年 1 月 14 日，魏茨曼科学研究所、Pheno.AI 的研究人员在国际顶尖学术期刊Nature上发表了题为：A foundation model for continuous glucose monitoring data 的研究论文。
该研究开发了一个针对连续血糖监测（CGM）数据的生成式基础模型——GluFormer，其能够从短期 CGM 数据中提取具有强大预测价值的特征，不仅有助于血糖参数的短期预测，更重要的是在长期疾病风险（例如糖尿病、心血管死亡）分层方面展现出巨大潜力。这为基于 CGM 的精准医疗和代谢健康管理提供了新的、强有力的工具。

在这项最新研究中，研究团队开发了一个针对连续血糖监测（CGM）数据的生成式基础模型——GluFormer。该模型通过自监督学习进行训练，使用了来自 10812 名成年人（以无糖尿病者为主）的超过 1000 万次血糖测量数据。

通过使用自回归预测，该模型学习到的表征能够迁移到涵盖 5 个国家、8 种 CGM 设备及多种病理生理状态（包括糖尿病前期、1 型糖尿病和 2 型糖尿病、妊娠期糖尿病及肥胖症）的 19 个外部队列（n = 6044）中。在预测血糖参数方面，这些表征相较于基线血糖和糖化血红蛋白（HbA1c）水平以及其他 CGM 来源指标，提供了持续性的改进。

在糖尿病前期个体中，GluFormer 对可能在 2 年内经历 HbA1c 临床显著升高的个体进行了风险分层，其表现优于基线 HbA1c 和常见的 CGM 指标。

在一个包含 580 名成年人、拥有短期 CGM 数据且中位随访时间为 11 年的队列中，GluFormer 比 HbA1c 更有效地识别出糖尿病和心血管死亡风险升高的个体。具体而言，66% 的新发糖尿病病例和 69% 的心血管死亡病例发生在风险最高的四分位组中，而在风险最低的四分位组中，这一比例分别为 7% 和 0%。在临床试验中，基线 CGM 表征改善了对结局的预测。

此外，研究团队还开发了一个整合了饮食数据的多模态扩展版本，其能够生成合理的葡萄糖轨迹并预测个体对食物的血糖反应。

总的来说，这项研究表明，GluFormer 为编码血糖模式提供了一个可推广的框架。它能够从短期 CGM 数据中提取具有强大预测价值的特征，不仅有助于血糖参数的短期预测，更重要的是在长期疾病风险（例如糖尿病、心血管死亡）分层方面展现出巨大潜力。这为基于 CGM 的精准医疗和代谢健康管理提供了新的、强有力的工具。

论文链接：

https://www.nature.com/articles/s41586-025-09925-9