“`html
Продвижение персонализированного метаболического здоровья с помощью генеративного моделирования ИИ и самообучения
Недавние достижения в области SSL привели к разработке фундаментальных моделей (FMs), которые анализируют обширные биомедицинские данные, улучшая результаты в области здравоохранения. Непрерывный мониторинг уровня глюкозы (CGM) предлагает обширные временные данные о глюкозе, которые могут быть использованы для более широких прогнозов здоровья. SSL позволяет FMs эффективно анализировать неразмеченные данные, улучшая уровень обнаружения в различных медицинских областях, от ретинальных изображений до нарушений сна и патологий.
С диабетом, затрагивающим более 500 миллионов людей по всему миру и увеличивающим затраты на здравоохранение, CGM доказал свою превосходство над традиционным мониторингом уровня глюкозы, улучшая гликемический контроль и качество жизни. Одобрение FDA устройства для CGM без рецепта подчеркивает его растущую доступность и потенциальные преимущества для диабетиков и недиабетиков.
Практические решения и ценность:
Исследователи из учреждений, включая Институт Вейцмана и NVIDIA, представляют GluFormer, генеративную фундаментальную модель с использованием архитектуры трансформера, обученную на более чем 10 миллионах измерений CGM от 10 812 недиабетиков. GluFormer, обученный методом самообучения, хорошо обобщается на 15 внешних наборов данных и различные популяции, показывая превосходную производительность в прогнозировании клинических параметров, таких как HbA1c, показатели печени и будущие результаты здоровья, включая до четырех лет вперед.
Модель также интегрирует данные о питании для имитации диетических вмешательств и персонализации реакций на пищу. GluFormer представляет собой значительное достижение в управлении хроническими заболеваниями и улучшении стратегий точного здоровья.
В заключение, GluFormer, обученный на данных CGM от более чем 10 000 недиабетиков, превосходит традиционные метрики в прогнозировании параметров, таких как HbA1c и функция печени, и показывает широкую применимость в различных популяциях и состояниях здоровья. Латентное пространство модели эффективно улавливает тонкие аспекты обмена веществ глюкозы, улучшая ее способность прогнозировать прогрессирование диабета и результаты клинических исследований. Интеграция данных о питании дополнительно улучшает ее прогнозы.
“`
