O Google Research divulgou o GlucoFM em 26 de agosto, um modelo de fundação autossupervisionado dedicado exclusivamente a curvas de monitoramento contínuo de glicose (CGM). O artigo está publicado no arXiv sob o número 2605.30865, assinado por Ahmed A. Metwally e Zechen Li, do Google Research. O cenário que o modelo enfrenta é bem específico: um sensor usado no braço registra uma medição a cada cinco minutos e, ao longo de alguns dias, isso forma uma curva longa e ruidosa da qual médicos querem extrair indicadores como resistência à insulina e função das células beta — algo que antes dependia de engenharia manual de atributos.
A abordagem do modelo divide a curva em dois caminhos. Um trata as variáveis lentas, ou seja, tendências metabólicas ao longo de horas até um dia; o outro trata as variáveis rápidas, como picos após as refeições ou hipoglicemia noturna. Os dois caminhos são codificados separadamente e depois combinados em uma representação conjunta. A equipe realizou um estudo de ablação e constatou que a versão que mantém apenas o "fluxo de eventos" tem o pior desempenho — oscilações momentâneas sozinhas não bastam para sustentar um retrato metabólico estável.
Os números, em detalhe
O pré-treinamento usou 109 mil horas de dados de CGM não rotulados, provenientes de 477 registros de participantes/sessões em cinco conjuntos de dados. A avaliação abrange quatro coortes — CGMacros, a coorte de Stanford, a coorte Hall e a ShanghaiT2DM — e sete tarefas de previsão clínica, totalizando 14 combinações de coorte-tarefa. O ponto de comparação foi a melhor variante do GluFormer: o PR-AUC médio do GlucoFM ficou 5,8 pontos percentuais acima, uma melhoria relativa de cerca de 7,5%. Nas tarefas de risco de diabetes e função das células beta, o GlucoFM venceu em todos os casos; em resistência à insulina, venceu em três das quatro avaliações. O erro médio absoluto (MAE) na previsão da resposta glicêmica pós-prandial foi de 21,88 mg/dL, contra 22,90 da baseline. Em 12 avaliações de transferência entre conjuntos de dados, o modelo venceu em 11, com margens de 0,5 a 8,6 pontos.
A parte de aprendizado com poucos exemplos (few-shot) é ainda mais próxima da realidade prática. Mesmo com apenas um participante rotulado por classe, ou usando só 1% das observações, o GlucoFM mantém sua vantagem. Em pesquisa clínica, o custo de rotulagem costuma ser uma ordem de grandeza maior que o custo de coleta de dados, e esse ponto é mais útil na prática do que qualquer pontuação em ranking.
Um contraste na escala dos dados
Fazendo as contas por alto: 109 mil horas com amostragem a cada cinco minutos equivalem a cerca de 1,3 milhão de pontos de dados. Os modelos de linguagem da mesma época costumam começar na casa dos trilhões de tokens, então essa escala praticamente desaparece na comparação. Os 477 registros em cinco conjuntos de dados também estão longe de representar uma escala grande. O próprio Google admite isso sem rodeios na seção de limitações: a população de pré-treinamento é relativamente pequena, e o modelo hoje processa apenas janelas independentes de 24 horas, sem enxergar tendências semanais ou mensais.
Modelos de fundação para sinais e modelos de linguagem parecem não compartilhar a mesma lógica de escala. As curvas de CGM têm poucos graus de liberdade e uma estrutura forte, então dados de algumas centenas de pessoas já bastam para o modelo aprender o que conta como uma oscilação normal. Nos planos futuros, o Google menciona expandir para populações maiores e mais diversas, construir uma modelagem nativa de múltiplos dias, oferecer suporte a adaptação em tempo real e entender melhor as diferenças nos padrões de ruído entre coortes.
Chegando aos dispositivos
A avaliação foi validada separadamente em sensores Dexcom e Libre, mostrando que o modelo não está preso às características de amostragem de um único tipo de hardware. Os dados de resposta pós-prandial incluem 874 pares de eventos de refeição de 34 participantes — um volume pequeno, mas com coleta bem controlada. Nos últimos anos, o CGM tem migrado do gerenciamento do diabetes para uso em pessoas saudáveis; com o surgimento de versões sem necessidade de prescrição, o número de usuários só deve crescer, e junto com ele a quantidade de curvas não rotuladas disponíveis para aprendizado autossupervisionado. Um modelo leve, capaz de transferência com poucos exemplos, encaixa exatamente nesse momento.
Fontes: blog oficial do Google Research, artigo no arXiv 2605.30865, CocoLoop; a arquitetura do modelo, o volume de dados de pré-treinamento e os critérios das 14 combinações de coorte-tarefa seguem o que foi divulgado no blog oficial.