GlucoFM-Bench：血糖预测的时间序列基础模型基准测试

血糖预测模型是现代糖尿病管理系统的基础，因为可靠的短期预测可以实现主动干预，支持自动胰岛素输送，并降低低血糖和高血糖事件的风险。从建模的角度来看，由于糖尿病人群的生理动力学存在异质性，血糖预测面临着独特的挑战。传统的机器学习和深度学习模型已针对血糖预测进行了广泛的评估，但最近的时间序列基础模型（TSFM）在这方面的研究仍然很少。为了弥补这一差距，我们推出了 GlucoFM-Bench，这是一个评估最先进的 TSFM 以及用于血糖预测的监督深度学习模型的综合基准。我们评估了 8 个代表性架构，包括预训练的 TSFM、时间序列 大语言模型 和特定于任务的深度学习模型，涵盖 15 个公开的糖尿病相关数据集，其中包括 1,117 名 1 型糖尿病、2 型糖尿病、糖尿病前期和非糖尿病患者。模型在零样本、少样本和全样本协议下进行评估，上下文长度和预测范围存在系统变化。在整个数据集中，预训练的 TSFM，尤其是 Chronos-2 和 TimesFM，显示出强大的零样本和少样本迁移，最佳零样本模型的性能与最佳全样本监督模型的差距在 5% 以内。然而，当特定任务数据丰富时，轻量级 LSTM 仍然最强，在全面训练下比 TSFM 高 4--21%。分层分析揭示了 T1D 队列和低血糖/高血糖范围中持续存在的挑战，强调了除了总体误差指标之外进行评估的必要性。总之，GlucoFM-Bench 为评估、比较和改进血糖预测的基础模型提供了标准化且可重复的基础。