Glukóza není jen čára v grafu
Kontinuální monitorování glukózy, známé pod zkratkou CGM, používá malý senzor umístěný pod kůží nebo na povrchu těla. Ten v několikaminutových intervalech odhaduje hladinu glukózy v mezibuněčné tekutině a odesílá data do telefonu, inzulinové pumpy nebo samostatného přijímače. Člověk tak nevidí jen jednotlivé hodnoty, ale také dlouhodobější trend a rychlost změny.
Právě v tom je pro umělou inteligenci háček. Záznam CGM obsahuje pomalé změny, například denní rytmus nebo dlouhodobější základní hladinu, ale také krátké výkyvy po jídle, fyzické aktivitě, stresu nebo kvůli chybě senzoru. Když se všechno pošle do modelu jako jedna dlouhá řada čísel, musí si sám domýšlet, co je stabilní stav a co pouze krátká událost.
Americký Národní institut pro diabetes a onemocnění trávicího traktu a ledvin upozorňuje, že CGM poskytuje průběžný pohled na vývoj glukózy během dne i noci, ale naměřené hodnoty mohou vyžadovat ověření klasickým měřením z prstu, například při podezření na nepřesnost nebo při změně dávky inzulinu. To je důležitá připomínka i pro práci s AI: model může hledat vzory, ale kvalita vstupních dat zůstává zásadní.
GlucoFM rozděluje signál na dvě části
Hlavní nápad GlucoFM je poměrně jednoduchý na vysvětlení. Model rozdělí glukózový záznam do dvou paralelních proudů:
- stavový proud zachycuje pomalejší trendy a základní hladinu glukózy,
- událostní proud sleduje krátkodobé odchylky a rychlé změny.
Je to podobné jako sledovat jízdu autem dvěma kamerami. Jedna ukazuje, kde se vůz dlouhodobě nachází a jakým směrem jede, druhá zachytí prudké zabrzdění nebo nečekanou překážku. Samotná informace o rychlosti by pro takové hodnocení nestačila. U glukózy zase nestačí vědět jen to, že hodnota vzrostla. Důležité je, zda jde o běžnou reakci po jídle, postupný posun celého dne, nebo podezřelý výpadek senzoru.
Technicky model nejprve zarovná nepravidelné záznamy na společnou mřížku 24 hodin s rozestupem pěti minut. To představuje 288 časových pozic. Zároveň si ponechává takzvanou masku pozorování, která rozlišuje skutečně naměřené hodnoty od míst, kde data chybí. Model tedy nedostane falešnou jistotu, že každá mezera byla skutečné měření.
Pomocí učitelného kauzálního Gaussova filtru pak oddělí pomalejší trend od rychlejšího zbytku. Slovo kauzální zde znamená, že při výpočtu aktuálního stavu používá pouze minulá a současná data, nikoli hodnoty z budoucnosti. To je podstatné pro jakékoli použití v reálném čase. Kdyby model při odhadu ranní situace znal i odpolední vývoj, šlo by o klasický únik informací. V testu by vypadal chytře, v praxi by byl poněkud méně užitečný.
Menší než běžné modely, ale v testech silnější
GlucoFM má 0,72 milionu trénovatelných parametrů. Během předtrénování pracuje také s pomocnou exponenciálně klouzavou kopií modelu, takže celkový počet parametrů v této fázi dosahuje 1,18 milionu. Samotný enkodér tvoří třívrstvý Transformer s ukrytou dimenzí 128, čtyřmi hlavami pozornosti a feed-forward vrstvou o velikosti 256.
Pro srovnání: v kontrolovaném testu měl GluFormer 135 milionů parametrů a velká varianta obecného časového modelu MOMENT 385 milionů. Přesto GlucoFM dosáhl lepšího průměrného výsledku. Neznamená to, že menší modely obecně porážejí větší. Znamená to, že specializace a vhodné rozdělení problému mohou být v konkrétní úloze důležitější než samotná velikost.
Výzkumníci model předtrénovali na 109 066 hodinách neoznačených CGM záznamů od 477 subjektů. Následné testy proběhly na čtyřech kohortách a sedmi úlohách zaměřených například na riziko diabetu, inzulinovou rezistenci, poruchu funkce beta buněk, hypoglykemii, obezitu nebo takzvané glukotypy.
V průměru dosáhl GlucoFM skóre 58,8 PR-AUC, zatímco nejlepší CGM specifický základní model na stejných datech získal 54,7. Rozdíl činil 4,1 procentního bodu, tedy přibližně 7,5 procenta relativně. Proti nejlepší variantě GluFormeru měl GlucoFM náskok 5,8 bodu.
PR-AUC není přesnost ve smyslu „kolik odpovědí bylo správně“. Jde o metriku vhodnou hlavně pro úlohy, kde je jedna třída méně častá než druhá. V praxi tedy pomáhá posoudit, jak dobře model hledá relevantní případy, aniž by byl zahlcen falešnými poplachy.
V samostatném testu predikce reakce po jídle dosáhl GlucoFM při využití kompletního kontextu průměrné chyby 21,88 mg/dl. Nejlepší srovnávaný model měl chybu 22,90 mg/dl a jednoduchý průměr trénovacích dat 27,69 mg/dl. Test zahrnoval 874 jídelních událostí od 34 účastníků a data ze senzorů Dexcom a Libre.
Proč se nedá srovnávat s GPT, Gemini nebo Claudem
U běžných AI modelů se často očekává srovnání s GPT, Gemini nebo Claudem. V tomto případě by ale šlo o zavádějící experiment. GlucoFM není chatbot ani univerzální jazykový model. Nepracuje s textem, negeneruje odpovědi a jeho úkolem není řešit obecné problémy. Je to enkodér časových řad, který převádí glukózový záznam do reprezentace použitelné pro další klasifikaci nebo predikci.
Smysluplná konkurence proto leží mezi specializovanými modely pro CGM a obecnými modely časových řad. Studie uvádí například CGMformer, CGM-JEPA, GluFormer, MOMENT, Mantis a Chronos-2. U některých CGM modelů byly implementace znovu natrénovány na stejném korpusu, aby bylo srovnání férovější. Výsledky tedy nelze číst jako důkaz, že GlucoFM je „chytřejší AI než GPT“. Je pouze účinnější v konkrétní úloze, pro kterou byl navržen.
Výzkumný prototyp, nikoli zdravotní aplikace
Nejdůležitější část oznámení se skrývá mimo tabulky s výsledky. GlucoFM zatím není schváleným zdravotnickým prostředkem, není určen k diagnostice ani léčbě a jeho hodnocení probíhalo zpětně nad již existujícími daty. Výzkumníci také uvádějí, že veřejný checkpoint v době oznámení nebyl k dispozici. Plánují zveřejnit kód a skripty pro reprodukci výsledků.
Pro českého uživatele to znamená jednoduchý závěr: GlucoFM dnes není dostupný v češtině, v české aplikaci ani jako služba pro pacienty v Evropské unii. Nemá spotřebitelskou cenu, předplatné ani bezplatnou úroveň. Jde o výzkumnou technologii, kterou mohou později využít vývojáři zdravotnického softwaru, výrobci senzorů nebo akademické týmy, pokud bude zveřejněna a pokud projde další validací.
To, že model běží s méně než milionem parametrů, je přesto prakticky zajímavé. Výzkumný tým uvádí, že inference nad 24hodinovým oknem lze provozovat v CPU kontejneru nebo přímo na zařízení. Malý model má nižší nároky na paměť a výpočetní výkon, což je výhodné pro zařízení, kde není prostor pro cloudovou infrastrukturu ani pro odesílání každé hodnoty na server.
Největší limit jsou data, ne velikost modelu
Dobré výsledky zatím neříkají, že GlucoFM bude stejně dobře fungovat u každého člověka. Předtrénovací populace zůstává podle autorů omezená a jednotlivé kohorty se liší složením, senzory i způsobem sběru dat. Studie navíc pracuje především s oddělenými 24hodinovými okny, nikoli s dlouhodobým sledováním v řádu týdnů nebo měsíců.
To je důležitý rozdíl. Jeden den může zachytit užitečný vzorec, ale metabolické zdraví se neodehrává podle kalendáře s přesně jedním políčkem. Na výsledek může mít vliv nemoc, spánek, stres, fyzická aktivita, složení jídelníčku i kvalita samotného senzoru.
GlucoFM proto zatím nejlépe chápat jako kompaktní stavební kámen pro budoucí výzkum. Ukazuje, že u zdravotních časových řad nemusí být řešením automaticky větší model. Někdy stačí data správně rozdělit, přestat ignorovat chybějící měření a naučit model sledovat pomalé i rychlé změny odděleně.
FAQ
Může GlucoFM nahradit měření glukózy nebo návštěvu lékaře?
Ne. GlucoFM je výzkumný prototyp bez schválení pro diagnostiku nebo léčbu. Zpracovává data ze senzoru, ale nenahrazuje samotné měření, lékařské vyšetření ani doporučený léčebný postup.
Potřebuji ke GlucoFM speciální CGM senzor?
Výzkum používal data z více zdrojů včetně senzorů Dexcom a Libre. Model však není běžná spotřebitelská aplikace a veřejný checkpoint nebyl v době oznámení k dispozici. Kompatibilita proto zatím není něco, co by si mohl uživatel jednoduše ověřit instalací aplikace.
Proč model pracuje s chybějícími měřeními místo jejich úplného doplnění?
Chybějící hodnota není totéž co skutečně naměřená hodnota. GlucoFM si proto ponechává masku pozorování a model ví, kde data opravdu existují. Studie uvádí, že tento přístup překonal variantu založenou na husté interpolaci.
Zdroje: Google Research, výzkumná práce GlucoFM na arXivu, NIDDK: Continuous Glucose Monitoring, GluFormer v časopisu Nature.
