Os wearables de consumo usam sensores de movimento e fisiológicos para estimar atividade e sono, mas esses sinais fornecem apenas uma visão indireta da regulação da glicose. Os monitores contínuos de glicose (CGM) rastreiam a glicose intersticial a cada poucos minutos, capturando padrões de jejum, noturnos e pós-prandiais. No entanto, interpretar esses traços é desafiador quando os rótulos clínicos são escassos e caros. Muitos modelos de fundação CGM existentes processam a glicose por meio de um único fluxo de representação, mas o CGM contém padrões de linha de base lentos interrompidos por desvios de curto prazo.

Gluco FM, um modelo de fundação autossupervisionado com design de fluxo duplo, separa tendências glicêmicas lentas de desvios de curto prazo, preservando a hora do dia e a falta de dados. Avaliado em quatro coortes em sete tarefas de predição clínica, o PR-AUC do Gluco FM foi 5,8 pontos percentuais maior em média do que a melhor variante do Glu Former. Ele liderou todas as avaliações de risco de diabetes e disfunção de células beta, e três das quatro avaliações de resistência à insulina.

Na previsão de resposta glicêmica pós-prandial, o Gluco FM alcançou o menor erro absoluto médio em dispositivos Dexcom e Libre, com a melhor transferência entre conjuntos de dados e forte adaptação de poucos exemplos. Pré-treinado em 109.066 horas de dados CGM não rotulados, o Gluco FM usa pré-treinamento preditivo latente com tarefas de predição contextual e dinâmica temporal, além de aumentos conscientes de CGM para lidar com dados ausentes e artefatos.