LLM 支持的 2 型糖尿病个性化血糖评估，采用可穿戴传感器数据

2 型糖尿病 (T2D) 对全球健康构成日益严重的威胁，需要有效的血糖评估来支持个性化和改进的糖尿病护理。连续血糖监测仪 (CGM) 和健身追踪器等可穿戴传感器为血糖评估提供了许多有价值的见解。然而，有效分析这些数据需要与基本的个人层面背景相结合。现有的方法通常基于传统的机器学习 (ML)，主要依赖于历史血糖测量结果，而忽略了个性化信息，这限制了它们在不同糖尿病人群中的表现。 大语言模型 (LLM) 的最新进展证明了它们在建模顺序依赖性的同时整合不同数据模式的能力，从而激发了对其个性化血糖评估潜力的探索。在本文中，我们提出了 GlyLLM，这是一种由 LLM 支持的框架，用于通过集成可穿戴传感器数据和结构化元数据来对基于 CGM 的血糖动态进行建模。 GlyLLM 可以利用预先训练的 LLM 的广泛先验知识，并在决策时实现传感器文本语义抽象。 AI-READI 数据集上两个相关任务的实验表明，我们的模型在血糖预测的均方根误差 (RMSE) 方面比传统的 ML 方法平均优于传统的 ML 方法 13.66%，在糖尿病分类的接收者操作特征面积 (AUROC) 方面平均优于传统的 ML 方法 13.08%。此外，我们的消融研究表明，糖尿病调查和生物识别测试对于血糖​​评估比其他健康信息更为重要。我们的工作为利用 LLM 的力量推进 T2D 护理中的个性化血糖评估迈出了有希望的一步。