Google Research y UNSW Sydney han lanzado GlucoFM, un modelo básico autosupervisado para el control continuo de la glucosa. Su movimiento central es una división. Los modelos CGM existentes (CGMformer, GluFormer, CGM-JEPA) codifican un rastro de glucosa como una secuencia entrelazada. GlucoFM lo descompone en una corriente lenta de “estado” fisiológico y una corriente de “evento” transitoria, mantiene intacta la máscara de observación y se preentrena con dos objetivos latentes estilo JEPA. El resultado es un codificador de parámetros de 0,72 M que alcanzó 58,8 PR-AUC promediado por tarea en 14 evaluaciones de tareas de cohorte, frente a 54,7 para la línea de base específica de MCG más sólida reentrenada en el mismo corpus. Fue preentrenado con 109.066 horas de MCG sin etiquetar de 477 sujetos, en un solo H100.
¿Es desplegable?
Como infraestructura de investigación, sí. Como producto clínico o de consumo, todavía no.
El equipo de investigación lo dice directamente: GlucoFM es un prototipo de investigación, no ha sido autorizado ni aprobado por ninguna autoridad reguladora y no está destinado a diagnosticar, tratar, curar o prevenir enfermedades. Cada evaluación es retrospectiva, la cohorte de preentrenamiento más grande no es pública y no se ha enviado ningún punto de control hasta el 26 de agosto de 2026; el documento se compromete a publicar código y scripts de reproducibilidad.
Lo que hoy se puede implementar es la receta. Con 0,72 millones de parámetros entrenables y 120 épocas en una sola NVIDIA H100, cualquier equipo con un corpus CGM puede reproducirlo y la inferencia en ventana de 24 horas se ejecuta en un contenedor de CPU o en el dispositivo.
El problema de tratar la MCG como una señal
Los modelos básicos de CGM existentes, como CGMformer, GluFormer y CGM-JEPA, codifican un rastro de glucosa como una única secuencia entrelazada. Pero el CGM conlleva dos cosas a la vez: una línea de base regulatoria lenta y breves desviaciones transitorias de las comidas, la actividad, el estrés o los artefactos sensoriales. Las etiquetas clínicas también son caras y específicas de cada cohorte, lo que limita la formación supervisada.