Verbraucher-Wearables verwenden Bewegungs- und physiologische Sensoren, um Aktivität und Schlaf zu schätzen, aber diese Signale bieten nur eine indirekte Sicht auf die Glukoseregulation. Kontinuierliche Glukosemonitore (CGM) verfolgen interstitielle Glukose alle paar Minuten und erfassen Muster im nüchternen Zustand, nachts und nach den Mahlzeiten. Die Interpretation dieser Spuren ist jedoch eine Herausforderung, wenn klinische Labels spärlich und teuer sind. Viele bestehende CGM-Basismodelle verarbeiten Glukose über einen einzigen Darstellungsstrom, aber CGM enthält langsame Basismuster, die von kurzfristigen Abweichungen unterbrochen werden.

Gluco FM, ein selbstüberwachtes Basismodell mit Zwei-Stream-Design, trennt langsame glykämische Trends von kurzfristigen Abweichungen, während Tageszeit und fehlende Daten erhalten bleiben. Bewertet über vier Kohorten bei sieben klinischen Vorhersageaufgaben, war der PR-AUC von Gluco FM im Durchschnitt 5,8 Prozentpunkte höher als die beste Glu-Former-Variante. Es führte alle Bewertungen zu Diabetesrisiko und Beta-Zell-Dysfunktion sowie drei von vier Bewertungen zur Insulinresistenz an.

Bei der Vorhersage der postprandialen glykämischen Reaktion erzielte Gluco FM den niedrigsten mittleren absoluten Fehler über Dexcom- und Libre-Geräte, mit der besten Übertragung zwischen Datensätzen und starker Few-Shot-Anpassung. Vortrainiert auf 109.066 Stunden unbeschrifteter CGM-Daten, verwendet Gluco FM latentes prädiktives Vortraining mit kontextuellen Vorhersage- und zeitlichen Dynamikaufgaben sowie CGM-bewusste Augmentierungen, um fehlende Daten und Artefakte zu behandeln.