यह शोधपत्र विभिन्न प्रकार के मधुमेह रोगियों के 1.6 मिलियन से अधिक निरंतर ग्लूकोज मॉनिटरिंग (CGM) रिकॉर्ड का उपयोग करके पूर्व-प्रशिक्षित एक बड़े पैमाने का सेंसर मॉडल (CGM-LSM) प्रस्तुत करता है। बड़े पैमाने के भाषा मॉडल के ऑटोरिग्रैसिव प्रतिमान से प्रेरित होकर, ट्रांसफॉर्मर डिकोडर-आधारित CGM-LSM रोगियों को रक्त शर्करा समय चरणों के अनुक्रम के रूप में मॉडल करता है, CGM डेटा में अंतर्निहित अव्यक्त ज्ञान को सीखता है और 2 घंटे के पूर्वानुमान क्षितिज के भीतर रक्त शर्करा के स्तर की भविष्यवाणी करता है। मौजूदा विधियों की तुलना में, CGM-LSM भविष्यवाणी की सटीकता और मजबूती में उल्लेखनीय रूप से सुधार करता है, 1 घंटे के पूर्वानुमान क्षितिज में मूल माध्य वर्ग त्रुटि को 48.51% तक कम करता है और होल्डआउट रोगी समूह में सुसंगत शून्य-शॉट पूर्वानुमान प्रदर्शन का प्रदर्शन करता है। इसके अलावा, हम रोगी उपसमूहों और पूर्वानुमान परिदृश्यों में मॉडल प्रदर्शन विविधताओं का विश्लेषण करते हैं,
