Il 26 agosto 2026 Google Research ha pubblicato GlucoFM, un modello di base auto-supervisionato per il monitoraggio continuo della glicemia. Il lavoro è su arXiv dal 29 maggio, con seconda versione del 25 agosto, firmato da quattordici autori fra Google Research e University of New South Wales.
L’idea architetturale è che un tracciato glicemico non sia una serie temporale monodimensionale qualsiasi. Contiene una deriva lenta della linea di base e sopra di essa escursioni brevi, tipicamente postprandiali. I due andamenti hanno scale diverse e GlucoFM li separa fin dalla rappresentazione.
Come è fatto il modello
Il segnale viene allineato a una griglia cronologica di 24 ore con passo di cinque minuti, e le posizioni non misurate restano marcate da una maschera di osservazione invece di essere interpolate. Su questa griglia il modello produce due famiglie di token: token di stato per la componente lenta e token di evento per le deviazioni brevi.
L’encoder è un Transformer a 3 livelli con dimensione nascosta 128, 4 teste di attenzione e dimensione feed-forward 256, affiancato da un predittore a un livello e da un encoder target aggiornato per media mobile esponenziale. In fase di valutazione il ramo target viene scartato e resta il solo encoder congelato.
Il conto dei parametri è la cifra che il post di Google non riporta e che sta nel paper: 0,72 milioni di parametri addestrabili, 1,18 milioni in totale durante il pretraining, con la differenza dovuta al ramo target.
I dati di addestramento
Il pretraining usa 109.066 ore di tracciati non etichettati da 477 soggetti, aggregando cinque coorti a cadenza di cinque e quindici minuti:
Wear-CGM— 192 soggetti, 75.330 ore, 5 minutiColas— 206 soggetti, 9.544 ore, 5 minutiShanghaiT2DM— 44 soggetti, 12.414 ore, 15 minutiStanford— 19 soggetti, 8.761 ore, 5 minutiBIG IDEAs— 16 soggetti, 3.017 ore, 5 minuti
La valutazione a valle usa quattro coorti separate, 203 partecipanti e 71.669 ore, su sette compiti di classificazione fenotipica: rischio di diabete, insulino-resistenza, disfunzione delle cellule beta, glucotipo, iperlipidemia, ipoglicemia e obesità.
Due coorti compaiono su entrambi i lati, e il punto metodologico è questo: la separazione è definita a livello di dataset sui gruppi di soggetti, quindi nessun soggetto usato per il pretraining ricompare nei gruppi di test a valle. I protocolli Wear-CGM sono approvati dall’IRB Advarra con numeri Pro00059582 e Pro00069880, con consenso informato scritto.
Gli obiettivi di pretraining
Due compiti di predizione latente, entrambi nello spazio delle rappresentazioni e non su valori glicemici ricostruiti. Il primo è una predizione contestuale in stile JEPA: si mascherano porzioni della sequenza con rapporto campionato fra 0,5 e 0,6 e se ne predice la rappresentazione a partire dal contesto. Il secondo predice la transizione oraria di linea di base e deviazione, con una forma di aggiornamento residuo che spinge le teste a modellare il cambiamento invece dello stato.
Le augmentation simulano quello che succede a un sensore addosso a una persona: deriva della linea di base, cadute da compressione, campionamento più rado, disconnessioni.
Le sonde applicate ai due flussi prima della fusione confermano la separazione voluta. I token di stato conservano meglio il livello glicemico orario, i token di evento conservano meglio la variazione a breve termine.
I risultati misurati
Il protocollo principale è il linear probing con encoder congelato e split disgiunti per soggetto, su 14 valutazioni coorte-compito.
Su questo protocollo GlucoFM porta il PR-AUC medio da 54,7 a 58,8, cioè 4,1 punti sopra il migliore modello di base specifico per CGM riaddestrato sullo stesso corpus, e 5,8 punti sopra la migliore variante GluFormer valutata. Guida su tutti i compiti di rischio diabetico e di disfunzione beta-cellulare, e su tre dei quattro di insulino-resistenza.
Il guadagno appaiato sulle 14 valutazioni vale +4,11 punti di PR-AUC su CGM-JEPA, con intervallo di confidenza al 95% fra 2,40 e 5,81, e +4,74 su CGMformer, fra 2,47 e 7,02. I sei intervalli riportati sono corretti secondo Nadeau-Bengio, escludono lo zero e restano significativi dopo aggiustamento di Holm, con p corretto minore o uguale a 0,012.
Sulla previsione della risposta glicemica postprandiale a due ore, con contesto completo, l’errore assoluto medio sulla traiettoria è 21,88 mg/dL contro 22,90 di CGM-JEPA, che è il comparatore più forte su tutti e quattro gli endpoint. Nella media a due sensori equamente pesata la riduzione rispetto a CGM-JEPA è del 4,5% sulla traiettoria, del 5,8% sull’iAUC positiva, del 2,2% sull’altezza del picco e del 3,4% sul tempo del picco.
Il trasferimento fra coorti è misurato addestrando la sonda lineare su un dataset e valutandola direttamente su un altro. Sulle dodici valutazioni di PR-AUC il modello guida in undici, con margini fra 0,5 e 8,6 punti, e resta indietro una volta di 0,6 punti sull’insulino-resistenza da Stanford a CGMacros. Contando insieme PR-AUC e ROC-AUC il paper riporta il primo posto su 21 valutazioni su 24.
Taglia e prestazione
La tabella dei confronti è la parte più interessante per chi lavora su modelli, perché la scala non ordina i risultati.
| Modello | Parametri | PR-AUC medio |
|---|---|---|
| GlucoFM | 0,72 M | 58,8 |
| CGM-JEPA | 0,52 M | 54,7 |
| CGMformer | 0,85 M | 54,1 |
| GluFormer tiny | 0,65 M | 53,0 |
| GluFormer base | 135 M | 52,3 |
| Mantis | 8 M | 55,5 |
| MantisV2 | 4,2 M | 56,9 |
Il modello da 135 milioni di parametri sta in fondo, sotto la propria variante tiny da 0,65 milioni e sotto entrambe le varianti Mantis. Fra i modelli specifici per CGM lo scarto fra il primo e l’ultimo è di 6,5 punti, e tutti stanno sotto il megaparametro tranne quello che va peggio.
Su un dominio con 109.066 ore di dati il vantaggio arriva dalla struttura imposta alla rappresentazione, non dal numero di pesi. È un risultato che si può usare: un encoder da 0,72 milioni di parametri gira su hardware modesto e apre la strada all’inferenza vicino al sensore, che per un flusso continuo a cinque minuti è la collocazione naturale.
Limiti
Il paper dichiara i propri, e sono espliciti. La popolazione di pretraining resta contenuta e può non coprire l’eterogeneità demografica, di dispositivo, di stile di vita e di malattia. La valutazione è retrospettiva e limitata a classificazione fenotipica e previsione postprandiale allineata ai pasti, quindi non tocca esiti longitudinali, risposta al trattamento né impiego clinico prospettico. L’encoder modella finestre di 24 ore in modo indipendente, e la dimensione multi-giorno resta affidata a un’aggregazione a valle.
Gli autori scrivono che GlucoFM è un prototipo di ricerca, non autorizzato da alcuna autorità regolatoria e non destinato a diagnosticare o trattare alcuna malattia, e che va validato nella popolazione e nel flusso di lavoro previsti prima dell’uso reale. È la distinzione che separa un modello da un dispositivo medico certificato, e vale la stessa domanda che conta per qualunque software clinico.
Il codice e gli script di riproducibilità sono annunciati al futuro nel paper. Al 29 agosto 2026 non risulta pubblicato un repository né un checkpoint scaricabile, quindi i numeri qui riportati non sono al momento riproducibili da terzi.
Sul mio lavoro: le cifre di architettura, corpus e tabelle vengono dal PDF della versione 2 su arXiv, estratto e letto in locale. Il post sul blog di Google riassume il lavoro e non riporta il conteggio dei parametri, e la sua descrizione della composizione del corpus non coincide con la tabella 2 del paper, che è quella che ho usato.
- https://research.google/blog/glucofm-foundation-model-for-continuous-glucose-monitoring/
- https://arxiv.org/abs/2605.30865
- https://arxiv.org/pdf/2605.30865v2
Immagine di copertina: barografo francese del 1930, National Air and Space Museum, foto di Votpuske, 2023 — CC BY 4.0 — https://commons.wikimedia.org/wiki/File:Barograph_(France,_1930).jpg