评估 CGM 预测的时间序列基础模型和多模式饮食背景

连续血糖监测 (CGM) 提供血糖动态的高频测量，并为糖尿病管理提供短期血糖预测。尽管时间序列基础模型显示出强大的一般预测能力，但其 CGM 预测的有效性和多模式饮食环境的附加值仍不清楚。我们使用涵盖 1 型糖尿病、2 型糖尿病和非糖尿病人群的八个公共 CGM 数据集进行了全面的实证研究。在跨多个上下文长度和预测范围的统一协议下，零样本基础模型并没有始终优于强大的特定于任务的基线，例如 Elastic Net 和 PatchTST。相比之下，轻量级 微调 大大提高了预测性能。例如，经过微调的 Chronos-Bolt 将 T1D 队列中的 RMSE 降低了 6.5%-18.4%，将非糖尿病/T2D 队列中的 RMSE 降低了 8.6%-18.2%，在分布内和分布外测试设置中都有类似的改进。我们使用 CGMacros 进一步评估多模式饮食环境，它提供时间对齐的 CGM 信号、食物图像和宏量营养素记录。相对于仅使用 CGM 的基线，基于残差的融合框架将总体 RMSE 降低了约 3%，将餐后 RMSE 降低了约 15%。此外，与 LSTM 和 CatBoost 的表示相比，基于 Chronos 的 CGM 表示与观察到的餐后血糖增量的相关性更强，即使这些模型纳入了额外的饮食方式，这表明预训练的时间表示更好地保留了膳食引起的偏移模式。这些发现表明，基础模型需要针对 CGM 进行特定的适应才能进行可靠的预测，并且饮食环境提供的信号超出了单独 CGM 的临床意义，尤其是在餐后时期。