مدل پایه‌ای GlucoFM برای پایش مداوم قند خون و پیش‌بینی‌های متابولیک
محققان گوگل مدل پایه‌ای جدیدی به نام GlucoFM معرفی کرده‌اند که با جداسازی روندهای کند قند خون از نوسانات کوتاه‌مدت، استانداردهای جدیدی در پیش‌بینی مقاومت به انسولین و خطر دیابت ثبت می‌کند. این مدل روی داده‌های گسترده حسگرهای گلوکز آموزش دیده است.
پایش مداوم قند خون (CGM) از طریق حسگرهای زیرپوستی اطلاعات ارزشمندی درباره الگوهای قند بدن فراهم می‌کند، اما تفسیر این داده‌ها به دلیل کمبود برچسب‌های بالینی پرهزینه است. برای غلبه بر این چالش، گوگل ریسرچ مدل GlucoFM را توسعه داده است که یک مدل پایه‌ای خودنظارت‌شده با طراحی دو جریانی است.
این مدل روندهای فرکانس پایین و کند قند خون را از مولفه رویدادهای باقی‌مانده که نشان‌دهنده نوسانات کوتاه‌مدت ناشی از غذا، فعالیت یا آرتیفکت‌های حسگر هستند، جدا می‌کند. GlucoFM روی بیش از ۱۰۰ هزار ساعت داده بدون برچسب CGM پیش‌آموزش دیده و در وظایف بالینی مختلفی مانند ارزیابی خطر دیابت، مقاومت به انسولین و عملکرد سلول‌های بتا ارزیابی شده است.
نتایج نشان می‌دهد که این مدل در مقایسه با سایر روش‌های مشابه، دقت بالاتری در پیش‌بینی پاسخ‌های گلیسمی پس از غذا دارد و عملکرد قوی تری در سازگاری با داده‌های محدود ارائه می‌دهد. پژوهشگران قصد دارند در آینده مدل را روی جمعیت‌های متنوع‌تر و مقیاس‌های زمانی طولانی‌تر گسترش دهند.
گزارش فارسی این خبر با کمک هوش مصنوعی و فقط بر اساس اطلاعات منتشرشده در منبع تهیه شده است.