Bài báo này trình bày một mô hình cảm biến quy mô lớn (CGM-LSM) được đào tạo trước bằng cách sử dụng hồ sơ theo dõi glucose liên tục (CGM) từ 1,6 triệu bệnh nhân mắc các loại bệnh tiểu đường khác nhau. Lấy cảm hứng từ mô hình tự hồi quy của các mô hình ngôn ngữ quy mô lớn, CGM-LSM dựa trên bộ giải mã Transformer mô hình hóa bệnh nhân như một chuỗi các bước thời gian glucose trong máu, học kiến thức tiềm ẩn được nhúng trong dữ liệu CGM và dự đoán mức glucose trong máu trong khoảng thời gian dự đoán 2 giờ. So với các phương pháp hiện có, CGM-LSM cải thiện đáng kể độ chính xác và độ mạnh mẽ của dự đoán, giảm 48,51% lỗi bình phương trung bình trong khoảng thời gian dự đoán 1 giờ và chứng minh hiệu suất dự đoán zero-shot nhất quán trong nhóm bệnh nhân giữ lại. Hơn nữa, chúng tôi phân tích các biến thể hiệu suất mô hình trên các phân nhóm bệnh nhân và các kịch bản dự đoán, làm nổi bật các cơ hội và thách thức chính để phát triển các mô hình dựa trên CGM.
