Los wearables de consumo utilizan sensores de movimiento y fisiológicos para estimar actividad y sueño, pero estas señales proporcionan solo una vista indirecta de la regulación de glucosa. Los monitores continuos de glucosa (CGM) rastrean la glucosa intersticial cada pocos minutos, capturando patrones en ayunas, nocturnos y postprandiales. Sin embargo, interpretar estas trazas es desafiante cuando las etiquetas clínicas son escasas y costosas. Muchos modelos de fundación CGM existentes procesan la glucosa a través de un flujo de representación único, pero el CGM contiene patrones de línea base lentos interrumpidos por desviaciones a corto plazo.

Gluco FM, un modelo de fundación autosupervisado con diseño de doble flujo, separa las tendencias glucémicas lentas de las desviaciones a corto plazo mientras preserva la hora del día y la falta de datos. Evaluado en cuatro cohortes en siete tareas de predicción clínica, el PR-AUC de Gluco FM fue 5.8 puntos porcentuales más alto en promedio que la mejor variante de Glu Former. Lideró todas las evaluaciones de riesgo de diabetes y disfunción de células beta, y tres de cuatro evaluaciones de resistencia a la insulina.

En la predicción de respuesta glucémica postprandial, Gluco FM logró el menor error absoluto medio en dispositivos Dexcom y Libre, con la mejor transferencia entre conjuntos de datos y fuerte adaptación de pocos ejemplos. Preentrenado en 109,066 horas de datos CGM no etiquetados, Gluco FM utiliza preentrenamiento predictivo latente con tareas de predicción contextual y dinámica temporal, más aumentos conscientes de CGM para manejar faltantes y artefactos.