GlyRAG: Kontextbewusstes, Retrieval-gestütztes Modell zur Blutzuckerprognose

Die präzise Vorhersage des Blutzuckerspiegels aus kontinuierlichen Messungen (CGM) ist entscheidend, um dysglykemische Ereignisse zu verhindern und eine proaktive Diabetesbehandlung zu ermöglichen.

Aktuelle Prognosemodelle behandeln CGM-Daten lediglich als numerische Folge, vernachlässigen dabei den klinischen Kontext oder setzen auf zusätzliche Sensoren, die schwer skalierbar sind.

Große Sprachmodelle (LLMs) haben in der Zeitreihenprognose vielversprechende Ergebnisse erzielt, jedoch bleibt ihre Rolle als kontextualisierende Agenten im Diabetesmanagement weitgehend unerforscht.

GlyRAG ist ein neuartiges, kontextbewusstes und retrieval-gestütztes Framework, das die semantische Bedeutung von Blutzucker‑Dynamiken direkt aus CGM‑Spuren extrahiert – ohne zusätzliche Sensoren.

Das System nutzt ein LLM als Kontextualisierungsagent, der klinische Zusammenfassungen generiert. Diese werden von einem Sprachmodell eingebettet und mit patch‑basierten Glukose‑Repräsentationen in einer multimodalen Transformer‑Architektur kombiniert. Ein Cross‑Translation‑Loss sorgt dafür, dass Text‑ und physiologische Embeddings aufeinander abgestimmt werden.

Ein Retrieval‑Modul identifiziert ähnliche historische Episoden im gelernten Embedding‑Raum und integriert diese über Cross‑Attention, bevor die endgültige Prognose berechnet wird.

Ausführliche Tests an zwei Typ‑1‑Diabetes‑Kohorten zeigen, dass GlyRAG die aktuellen Spitzenmodelle übertrifft: bis zu 39 % niedrigere RMSE und zusätzlich 1,7 % RMSE‑Reduktion gegenüber dem Baseline. Klinische Bewertungen bestätigen, dass 85 % der Vorhersagen in sichere Blutzucker‑Zonen fallen.

GlyRAG demonstriert damit, wie kontextuelle und retrieval‑basierte Ansätze die Genauigkeit von Blutzuckerprognosen erheblich steigern können und damit einen wichtigen Schritt in Richtung proaktiver Diabetesversorgung darstellen.