[논문 리뷰] From Glucose Patterns to Health Outcomes: A Generalizable Foundation Model for Continuous Glucose Monitor Data Analysis

Guy Lutsker, Gal Sapir외 12명|arXiv (Cornell University)|2024. 08. 20.

Diabetes Management and Research인용 수 10

한 줄 요약

본 논문은 GluFormer를 소개합니다. CGM 데이터에 대한 일반화 가능한 기초 모델로서 당혈당 패턴을 학습하고 더 넓은 건강 결과를 예측하며, 코호트 간 일반화 및 위험 계층화 능력이 강하고 식이 다중 모달리티를 포함합니다.

ABSTRACT

Recent advances in SSL enabled novel medical AI models, known as foundation models, offer great potential for better characterizing health from diverse biomedical data. CGM provides rich, temporal data on glycemic patterns, but its full potential for predicting broader health outcomes remains underutilized. Here, we present GluFormer, a generative foundation model for CGM data that learns nuanced glycemic patterns and translates them into predictive representations of metabolic health. Trained on over 10 million CGM measurements from 10,812 adults, primarily without diabetes, GluFormer uses autoregressive token prediction to capture longitudinal glucose dynamics. We show that GluFormer generalizes to 19 external cohorts (n=6,044) spanning different ethnicities and ages, 5 countries, 8 CGM devices, and diverse pathophysiological states. GluFormers representations exceed the performance of current CGM metrics, such as the Glucose Management Indicator (GMI), for forecasting clinical measures. In a longitudinal study of 580 adults with CGM data and 12-year follow-up, GluFormer identifies individuals at elevated risk of developing diabetes more effectively than blood HbA1C%, capturing 66% of all new-onset diabetes diagnoses in the top quartile versus 7% in the bottom quartile. Similarly, 69% of cardiovascular-death events occurred in the top quartile with none in the bottom quartile, demonstrating powerful risk stratification beyond traditional glycemic metrics. We also show that CGM representations from pre-intervention periods in Randomized Clinical Trials outperform other methods in predicting primary and secondary outcomes. When integrating dietary data into GluFormer, we show that the multi-modal version of the model can accurately generate CGM data based on dietary intake data, simulate outcomes of dietary interventions, and predict individual responses to specific foods.

연구 동기 및 목표

• 일반화 가능한 기초 모델( G luFormer )을 CGM 데이터에 대해 개발하여 미묘한 당혈당 패턴을 포착합니다.
• CGM 다이나믹스를 대사 건강의 예측 표현으로 변환합니다.
• 다양한 인구, 장치 및 병리생리학에 걸친 교차 코호트 일반화를 demonstrate합니다.
• 당뇨병 및 심혈관 관련 이벤트에 대한 장기 위험 계층화의 유용성을 보여줍니다.
• 식이 데이터를 통합하는 다중 모달 확장을 탐구하여 중재 및 반응을 시뮬레이션합니다.

제안 방법

• 자 autoregressive 토큰 예측을 통해 longitudinal CGM 다이나믹스를 모델링합니다.
• 10,812명의 성인(주로 비당뇨)으로부터 >10백만 개의 CGM 측정을 학습합니다.
• 민족성, 연령, 국가, 장치 및 조건에 걸친 19개의 외부 코호트(n=6,044)에서 평가합니다.
• 결과 예측을 위한 전통적 CGM 지표(GMI 등)와 GluFormer 표현의 비교를 수행합니다.
• 당뇨병 위험 예측을 평가하기 위한 12년 추적의 580명 참여자에 대한 종단 분석을 수행합니다.
• 식이 데이터를 통합하여 다중 모달 확장을 통해 식단으로부터 CGM을 생성하고 식이 중재를 시뮬레이션합니다.

실험 결과

연구 질문

• RQ1 코다CGM 데이터로 학습된 기초 모델이 다양한 외부 코호트에 일반화되어 광범위한 대사 건강 결과를 예측할 수 있는가?
• RQ2 GluFormer 표현은 임상 지표 예측에서 전통적 CGM 지표(GMI 등)보다 우수한가?
• RQ3 CGM 기반 표현이 HbA1c 및 표준 지표를 넘어서 신설된 당뇨병 및 심혈관 사망 위험을 계층화할 수 있는가?
• RQ4 무작위 대조 시험의 개입 전 CGM 데이터가 시험 결과 예측에 도움이 되는가?
• RQ5 식이 정보를 통합하여 CGM을 생성하고 식이 중재를 시뮬레이션하며 개인의 식이 반응을 예측할 수 있는가?

주요 결과

• GluFormer는 여러 국가, 장치 및 인구에서 19개의 외부 코호트(n=6,044)로 일반화됩니다.
• GluFormer 표현은 임상 지표 예측에서 GMI의 성능을 능가합니다.
• 12년 종단 연구(n=580)에서 상위 분위 CGM 기반 위험이 새로운 당뇨병 사례의 66%를 식별했고 하위 분위는 7%에 불과했습니다.
• 상위 분위 CGM 표현은 심혈관 사망 사건의 69%를 포착했으며 하위 분위에서는 없음.
• 개입 전 CGM 표현은 무작위 시험에서 1차 및 2차 결과 예측에서 다른 방법보다 우수합니다.
• 식이 데이터를 통합한 다중 모달 버전은 식단으로 CGM을 생성하고 식이 중재를 시뮬레이션하며 개인의 식이 반응을 예측할 수 있습니다.