前言：當海量數據遇上 AI 翻譯官
隨著美國食品藥物管理局（FDA）批准首款非處方連續血糖監測儀（CGM），這項技術已從糖尿病患的專用醫材，逐漸轉變為大眾健康管理的工具 [1]。然而，當使用者每天面對穿戴裝置產生的 96 個血糖數值、兩週累積上千筆數據時，往往陷入「見樹不見林」的困境。目前臨床上解讀這些數據的方式仍相對原始，主要依賴平均血糖濃度、血糖管理指標（GMI）或在目標範圍內時間（Time in Range）等統計摘要 [2]。
這些傳統指標雖然直觀，卻將動態的生理訊號「壓扁」為單一數字，流失了隱藏在波動頻率與型態中的關鍵訊息。近期一項發表於 Nature 的研究引入了名為「GluFormer」的基礎模型（Foundation Model）。這是一個基於 Transformer 架構的生成式 AI 模型，研究團隊利用來自 10,812 名成年人、超過 1,000 萬筆的血糖測量值進行訓練 [3]。這項研究證實，透過自我監督學習，AI 能夠學會血糖波動的複雜「語言」，並從中解讀出傳統指標看不見的健康訊號。
原理科普：解構血糖的「文法」與生理時鐘
GluFormer 的核心運作邏輯與著名的 ChatGPT 相似，都是基於 Transformer 架構 [4]，但它處理的不是文字，而是生理訊號。研究團隊採用了「標記化（Tokenization）」技術，將 40 至 500 mg/dL 的連續血糖濃度數值切分為 460 個離散的區間標記（Tokens），這就像是將血糖數值轉換成 AI 讀得懂的「字母」。
為了讀懂這些字母組成的「句子」，研究者特別引入了「時間編碼」，包括分鐘、小時、星期與月份。這賦予了模型理解「生理時鐘（Circadian Rhythm）」的能力——即同樣是 100 mg/dL 的血糖，發生在「清晨空腹」與「餐後兩小時」代表著截然不同的生理意義。透過這種訓練，模型學會了預測下一刻的血糖波動 [3]。
最令人驚豔的是，在未經人工標註的情況下，模型自動學習出的潛在空間（Latent Space）竟然對應了真實的內分泌生理機制：研究觀察到模型能自動區分出與「空腹血糖濃度（主要反映肝臟胰島素阻抗）」以及「餐後血糖反應（主要反映 β 細胞功能）」相關的特徵軸向 [3]。這顯示 AI 並非死記數據，而是自行捕捉到了代謝生理的運作本質。
關鍵發現 I：黃金標準的盲點與 AI 的長期預言
本研究最強有力的證據來自於 AEGIS 世代 [5] 長達 12 年的縱貫性追蹤分析。研究者比較了使用 GluFormer 模型與傳統血液 HbA1C 檢測，在預測未來疾病風險上的差異。
在糖尿病發病風險方面，被 GluFormer 歸類為最高風險（Top 25%）的族群，在未來 12 年內包辦了 65.8% 的新發糖尿病病例；相比之下，最低風險（Bottom 25%）的族群僅佔 7.3%。統計檢定顯示這種分層能力具有極高的顯著性（Log-rank p = 2.3 × 10−6）[3]。
更具臨床衝擊性的是心血管死亡風險的預測。數據顯示，69.2% 的心血管死亡事件發生在 GluFormer 預測的高風險組，而低風險組在追蹤期間內無人因心血管因素死亡（0%）。值得注意的是，在這個世代中，若單純依照基線的 HbA1C 數值進行分層，不論是糖尿病發病率（p = 0.71）或心血管死亡風險（p = 0.25），皆無法觀察到統計上的顯著差異。這意味著，GluFormer 成功捕捉到了傳統黃金標準所遺漏、但卻致命的風險訊號。
關鍵發現 II：從低血糖預警到全身健康雷達
除了長達十年的風險預測，GluFormer 對於短期內的血糖控制惡化也展現了優越的預測力。在一組 337 名前期糖尿病（Prediabetes）受試者的分析中，被模型列為高風險的個體，兩年後 HbA1C 平均增加了 0.18%；而被列為低風險的個體，HbA1C 則平均減少了 0.13% [3]。此外，針對 Type 1 DM 患者，模型甚至僅憑一週的數據，就能預測下一週發生低血糖事件的風險，展現了其在急性照護上的潛力。
更進一步，研究觀察到 CGM 數據其實隱含了全身性的健康資訊。GluFormer 的表徵向量（Representations）能預測許多傳統認為與血糖無直接關聯的臨床參數，且相關性顯著優於傳統的 GMI 指標：
- 內臟脂肪組織（VAT）：GluFormer 與 VAT 的相關係數 r = 0.41，優於 GMI 的 r = 0.20（p < 0.001）。
- 肝臟健康：與肝臟衰減係數（反映脂肪肝程度）的相關係數 r = 0.19，優於 GMI 的 r = 0.04（p < 0.001）。
- 心血管與睡眠：與收縮壓（r = 0.26）及睡眠呼吸中止低通氣指數（AHI, r = 0.22）皆呈現顯著相關。
這些數據表明，透過 AI 的解碼，連續血糖監測儀可能成為觀測內臟脂肪、肝臟功能甚至睡眠品質的非侵入性窗口。
關鍵發現 III：數位雙生與飲食反應模擬
在臨床試驗的應用上，GluFormer 展現了預測「治療反應」的潛力，即在介入前預知效果。例如在 PREDICT 研究中，模型能比 GMI 更準確地預測給予 Metformin 藥物合併飲食介入後的 HbA1C 下降程度。在妊娠糖尿病（GDM）孕婦中，模型甚至能預測血紅素與血小板的變化數值。
為了進一步提升預測精準度，研究團隊開發了整合飲食數據的多模態模型（Multimodal GluFormer）。當加入食物的營養素標記（如熱量、碳水化合物、脂肪等）後，模型生成血糖曲線的準確度大幅提升，與真實數據的相關係數從 0.22 躍升至 0.50。這意味著，未來我們或許能透過 AI 建立個人的「數位雙生（Digital Twin）」，在實際進食前先模擬出該食物對個人血糖濃度的具體影響，實現真正的精準營養。
結語：跨越設備藩籬的精準預防
GluFormer 的研究展示了 AI 基礎模型在醫學數據分析上的巨大潛力。儘管訓練數據主要來自使用 Freestyle Libre Pro 的單一地區族群，但該模型在涵蓋 5 個國家、19 個外部世代的驗證中展現了驚人的強健性。更重要的是，它證明了其演算法不侷限於特定硬體，在 Dexcom (G4/G6)、Medtronic (iPro2/Minimed) 等不同廠牌設備的數據上，皆能維持優異的預測效能 [3]。
然而，我們仍須審慎看待這些結果。本研究的訓練數據主要來自非糖尿病的健康成年人，對於極端病理狀態的推論可能受限；此外，多模態模型中的飲食數據依賴自我報告，可能存在誤差。且 Transformer 模型本質上仍具「黑盒子」特性，臨床解釋性仍有待加強。
總體而言，GluFormer 證實了連續血糖監測數據中蘊藏著豐富的生理密碼。隨著穿戴式裝置的普及，結合 AI 的分析能力，我們正邁向一個能夠提早數年預測風險、並進行個人化精準預防的新時代。
參考資料
- Food and Drug Administration. (2024). FDA Clears First Over-the-Counter Continuous Glucose Monitor. https://www.fda.gov/news-events/press-announcements/fda-clears-first-over-counter-continuous-glucose-monitor
- Bergenstal, R. M., Beck, R. W., Close, K. L., Grunberger, G., Sacks, D. B., Kowalski, A., ... & Heinemann, L. (2018). Glucose management indicator (GMI): a new term for estimating A1C from continuous glucose monitoring. Diabetes Care, 41(11), 2275-2280. https://doi.org/10.2337/dc18-1581
- Lutsker, G., Sapir, G., Shilo, S., Merino, J., Godneva, A., Greenfield, J. R., ... & Segal, E. (2025). A foundation model for continuous glucose monitoring data. Nature. https://doi.org/10.1038/s41586-025-09925-9
- Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., ... & Polosukhin, I. (2017). Attention is all you need. Advances in neural information processing systems, 30. https://doi.org/10.48550/arXiv.1706.03762
- Gude, F., Díaz-Vidal, P., Rúa-Pérez, C., Alonso-Sampedro, M., Fernández-Merino, C., Rey-García, J., ... & González-Quintela, A. (2017). Glycemic variability and its association with demographics and lifestyles in a general adult population. Journal of diabetes science and technology, 11(4), 780-790. https://doi.org/10.1177/1932296816682031
留言