GluFormer: un modello di intelligenza artificiale legge il CGM e anticipa il rischio di diabete e di morte cardiovascolare

RISULTATI
GluFormer è un modello di intelligenza artificiale (IA) addestrato su oltre 10 milioni di misurazioni glicemiche da monitoraggio continuo (CGM, continuous glucose monitoring). Da 1-2 settimane iniziali di registrazione emergeva un punteggio (stima dell’HbA_1c); i partecipanti venivano suddivisi in quartili, analizzando poi retrospettivamente gli esiti. Di seguito le due coorti più significative:

In 337 persone con HbA_1c = 5,7-6,4% dello studio israeliano Human Phenotype Project (HPP), ideato per studiare la fisiologia umana (coorte di sviluppo del modello), dopo 2 anni l’HbA_1caumentava in media di 0,18% nel quartile più alto (QA) del punteggio e diminuiva di 0,13% nel quartile più basso (QB, p <0,001). Quartili basati sull’HbA_1c iniziale non erano in grado di distinguere i due esiti: quindi, l’HbA_1c basale era “meno predittiva” del profilo CGM.
Lo studio AEGIS (coorte di validazione esterna) ha coinvolto 580 volontari adulti della popolazione generale non selezionata di A Estrada (Galizia, Spagna), di cui ~11% con diabete noto, sottoposti a 1 settimana di CGM e 11 anni di follow-up mediano. Il QA di GluFormer comprendeva il 65,8% dei nuovi casi di diabete (NCD) e il 69,2% dei decessi cardiovascolari (DCV), il QB il 7,3% dei NCD e nessun DCV. L’HbA_1c non distingueva il rischio né di NCD (p = 0,71) né di DCV (p = 0,25). Tale dato rafforza il precedente quando a potenziale “predittività”.

CONTESTO
Il CGM per sua natura fornisce una messe di dati finora poco sfruttata per prevedere l’evoluzione clinica. L’HbA_1c, sostanzialmente una media delle glicemie, non coglie la dinamica delle variazioni glicemiche precocemente alterata.

Due persone con la stessa HbA_1c possono avere pattern glicemici diversi, che potrebbero associarsi a complicanze future: da qui l’interesse per un modello capace di riconoscerli.

COSA DICE IL NUOVO STUDIO
GluFormer è un transformer informatico. Intuitivamente, è paragonabile alla scrittura predittiva dello smartphone, che “impara” a indovinare la parola successiva assimilando la grammatica del linguaggio. Tratta ogni valore CGM come l’oggetto di una sequenza organica e “impara” a prevedere il successivo oggetto, apprendendo la “grammatica” delle curve glicemiche: ritmo giornaliero, risposta ai pasti, variabilità individuale.

L’addestramento è “autosupervisionato”, cioè: 1) al modello non viene indicato chi è sano o malato; nello specifico, esso ha introiettato in cieco l’intero dataset CGM dei 10.812 partecipanti dello studio HPP, osservando pattern ricorrenti ove presenti; 2) successivamente ha avuto accesso a dati come HbA_1c, glicemia a digiuno, diagnosi di diabete. “Impara” così a collegarli ai diversi pattern.

Il modello è stato verificato su dati CGM di 19 coorti indipendenti di altri 5 paesi, con 8 diversi dispositivi CGM, in persone non prevalentemente sane (prediabete, diabete tipo 1 e 2, diabete gestazionale e obesità), mantenendo associazioni statisticamente significative.

Una versione “multimodale”, integrando la composizione dei pasti, prevede meglio la risposta glicemica individuale postprandiale.

Rispetto alle metriche CGM abituali il vantaggio è significativo anche se modesto: per esempio, l’AUC (area under the curve, ovvero area sotto la curva ROC [receiver operating characteristic]: misura la capacità di distinguere chi sviluppa l’evento da chi non lo sviluppa) per il diabete incidente è 0,75 contro 0,69 e 0,66 rispettivamente.

LIMITI E PUNTI DI FORZA
Punti di forza: lo studio ha un dataset di addestramento iniziale molto ampio; vanta una validazione “forte” su 19 coorti esterne diversissime per paese, dispositivo e condizione clinica; il suo approccio multimodale è innovativo; nella coorte AEGIS, alla stratificazione del rischio di NCD si aggiunge quella di DCV.

Limiti: i dati di addestramento provengono da persone perlopiù sane, di un’area geografica limitata. Non sono aggiustati per altri fattori di rischio. Il punteggio non fornisce un vero rischio individuale calibrato. Non viene quindi dimostrato che il punteggio aggiunga informazione rispetto ai fattori di rischio tradizionali. I risultati di AEGIS si basano su pochi eventi (41 casi di diabete, 13 decessi cardiovascolari) e derivano dall’analisi solo dei quartili estremi. Il modello è complesso, costoso e ancora poco interpretabile. Presuppone di estendere il CGM a chi oggi di norma non lo usa. La versione multimodale richiede diari alimentari dettagliati. Alcuni autori dello studio in oggetto hanno dichiarato un potenziale conflitto di interesse (legami con l’azienda con Pheno.AI).

SPUNTI PER LA CLINICA
Da segnalare:

GluFormer individua i “falsi negativi”: HbA_1c rassicurante ma andamenti glicemici sfavorevoli.
Distinguere pattern legati a insulino-resistenza epatica o disfunzione β-cellulare può guidare strategie terapeutiche.
Una stratificazione più fine potrebbe selezionare chi indirizzare a interventi intensivi e chi a semplice follow-up.
Si aprono enormi prospettive per una medicina di precisione metabolica: un nuovo strumento è al servizio del clinico.

A cura di Cristian Quattrini (Resp. UOSD Malattie Metaboliche e Diabetologia Civitanova Marche [MC], AST Macerata – Gruppo AMD Diabetes Management, in collaborazione con il gruppo AMD Comunicazione)
22 ottobre 2026

Fonte
Lutsker G, Sapir G, Shilo S, et al. A foundation model for continuous glucose monitoring data. Nature 2026;650(7994):978-86. Epub 2026 Jan 14

AMD segnala articoli della letteratura internazionale la cui rilevanza e significato clinico restano aperti alla discussione scientifica e al giudizio critico individuale. Opinioni, riflessioni e commenti da parte degli autori degli articoli proposti non riflettono quindi posizioni ufficiali dell’Associazione Medici Diabetologi.