Les wearables grand public utilisent des capteurs de mouvement et physiologiques pour estimer l'activité et le sommeil, mais ces signaux ne fournissent qu'une vue indirecte de la régulation du glucose. Les moniteurs de glucose en continu (CGM) suivent le glucose interstitiel toutes les quelques minutes, capturant les schémas à jeun, nocturnes et postprandiaux. Cependant, interpréter ces traces est difficile lorsque les étiquettes cliniques sont rares et coûteuses. De nombreux modèles de fondation CGM existants traitent le glucose via un flux de représentation unique, mais le CGM contient des schémas de base lents ponctués de déviations à court terme.

Gluco FM, un modèle de fondation auto-supervisé avec une conception à double flux, sépare les tendances glycémiques lentes des déviations à court terme tout en préservant l'heure de la journée et les données manquantes. Évalué sur quatre cohortes et sept tâches de prédiction clinique, le PR-AUC de Gluco FM était 5,8 points de pourcentage plus élevé en moyenne que la meilleure variante de Glu Former. Il a mené toutes les évaluations de risque de diabète et de dysfonctionnement des cellules bêta, et trois des quatre évaluations de résistance à l'insuline.

Pour la prédiction de la réponse glycémique postprandiale, Gluco FM a obtenu la plus faible erreur absolue moyenne sur les appareils Dexcom et Libre, avec le meilleur transfert entre ensembles de données et une forte adaptation en quelques exemples. Pré-entraîné sur 109 066 heures de données CGM non étiquetées, Gluco FM utilise un pré-entraînement prédictif latent avec des tâches de prédiction contextuelle et de dynamique temporelle, ainsi que des augmentations sensibles au CGM pour gérer les données manquantes et les artefacts.