# GlucoFM de Google améliore sa PR-AUC de 5,8 points > Google présente GlucoFM, un modèle léger pour les capteurs de glucose, avec 5,8 points de PR-AUC gagnés en moyenne sur 14 évaluations. Type : Actualité IA · Catégorie : Secteur · Publié le 2026-09-15 · Signal IA - Order & Chaos · Secteur : Santé Source : https://www.orderchaos.eu/signal-ia/actu/glucofm-de-google-gagne-58-points-de-pr-auc Tags : ia, santé, diabète, capteurs, recherche --- ## En résumé - GlucoFM sépare les tendances glycémiques lentes des écarts de courte durée. - Le modèle a été pré-entraîné sur 109 066 heures de données CGM non annotées. - GlucoFM obtient une erreur moyenne de 21,88 mg/dL pour les réponses postprandiales. **Le signal :** GlucoFM améliore de 5,8 points la PR-AUC moyenne face à la meilleure variante de GluFormer sur 14 évaluations cliniques. **Google Research présente** GlucoFM, un modèle de fondation léger et auto-supervisé pour la surveillance continue du [glucose](/signal-ia/actu/google-propulse-glucofm-au-dela-des-modeles-concurrents). Les chercheurs Ahmed A. Metwally et Zechen Li ont publié cette présentation le 26 août 2026. Le modèle sépare les tendances glycémiques lentes des écarts de courte durée. Il conserve aussi l’heure de la journée et les positions sans mesure. Google Research l’a évalué sur sept tâches cliniques, dont le risque de diabète, la résistance à l’insuline et le dysfonctionnement des cellules bêta. Sur 14 évaluations associant cohortes et tâches, GlucoFM obtient une PR-AUC moyenne supérieure de 5,8 points à celle de la meilleure variante de GluFormer évaluée. **Les données structurent** cette approche à partir de 109 066 heures de données CGM non annotées. Le pré-entraînement réunit Wear-CGM et quatre jeux de données publiés, pour 477 enregistrements de participants ou de sessions. Chaque enregistrement est aligné sur une grille de 24 heures, avec une mesure toutes les cinq minutes. Un masque distingue les positions observées des positions non observées. L’encodeur comprend une composante d’état, consacrée aux tendances lentes, et une composante événementielle, consacrée aux écarts rapides. [Google](/signal-ia/actu/google-research-confronte-symptomai-aux-cliniciens) Research indique que ces écarts peuvent provenir de la physiologie, du comportement ou d’artefacts de mesure. [Lire la présentation de Google Research](https://research.google/blog/glucofm-foundation-model-for-continuous-glucose-monitoring/). ## GlucoFM progresse sur sept tâches **Les résultats cliniques** reposent sur quatre cohortes nommées CGMacros, Stanford, Hall et ShanghaiT2DM. Les chercheurs ont comparé les représentations quotidiennes du modèle sur sept tâches, incluant aussi l’hyperlipidémie, l’hypoglycémie, l’obésité et le glucotype. La PR-AUC moyenne passe de 54,7 pour la meilleure référence CGM réentraînée sur les mêmes données à 58,8 pour GlucoFM. Le gain absolu atteint 4,1 points, soit environ 7,5 % par rapport à cette référence. GlucoFM arrive en tête dans toutes les évaluations du risque de diabète et du dysfonctionnement des cellules bêta. Il domine également trois des quatre évaluations de résistance à l’insuline. [Consulter l’article scientifique](https://arxiv.org/abs/2605.30865). **La prédiction postprandiale** a porté sur 874 repas associés à 34 participants. Les évaluations ont utilisé séparément les capteurs Dexcom et Libre, avec des séparations identiques entre participants d’entraînement et de test. Le modèle a progressivement reçu une heure de données CGM avant le repas, les informations nutritionnelles, puis la glycémie à jeun, l’indice de masse corporelle et le statut diabétique. Avec ce contexte complet, GlucoFM atteint une erreur absolue moyenne de 21,88 mg/dL. La meilleure référence atteint 22,90 mg/dL, tandis que la moyenne du groupe d’entraînement atteint 27,69 mg/dL. Le modèle obtient aussi le meilleur transfert global entre jeux de données. ## Le transfert reste central **Les jours supplémentaires** améliorent la PR-AUC dans la plupart des situations évaluées. GlucoFM encode chaque journée séparément, puis moyenne les représentations sur un maximum de sept jours. Les chercheurs mesurent un gain de 9,6 points pour le dysfonctionnement des cellules bêta dans Stanford. Ils observent aussi un gain de 14,0 points pour la prédiction du diabète dans Hall. CGMacros présente également des gains majoritairement positifs avec les données Dexcom, Libre et fusionnées. ShanghaiT2DM fait exception pour la résistance à l’insuline avec une moyenne simple. Les chercheurs indiquent ainsi que la stratégie d’agrégation peut varier selon la tâche étudiée. **Le transfert intercohortes** favorise GlucoFM dans 11 des 12 évaluations consacrées au risque de diabète et à la résistance à l’insuline. Son avantage sur la meilleure méthode concurrente varie de 0,5 à 8,6 points de PR-AUC. Le modèle accuse un retard de 0,6 point dans une évaluation. Sa PR-AUC absolue s’étend de 61,6 % pour les deux tâches Stanford vers Hall à 90,0 % pour la résistance à l’insuline de Hall vers CGMacros. Dans les tests avec peu de données annotées, GlucoFM conserve le meilleur marqueur pour chaque budget évalué, y compris un participant par classe et 1 % des observations. Google Research prévoit ensuite des populations plus larges et diversifiées.