Modelo Fundacional Zero-Shot e Dados Multimodais para Predição Probabilística de Glicemia em Diabetes Tipo 1
Resumo
A predição da glicose no sangue é um desafio central no manejo do diabetes tipo 1 (DM1), pois os níveis de glicemia resultam de interações dinâmicas entre insulina, alimentação, atividade física e fatores fisiológicos. Neste artigo, mostramos que o modelo fundacional Chronos-2 supera a necessidade de treinamentos específicos ao oferecer previsões glicêmicas com elevada fração em zonas de erro clinicamente aceitáveis em regime zero-shot. Avaliamos o desempenho do modelo no conjunto OhioT1DM para horizontes de 30 a 120 minutos, utilizando covariáveis multimodais. O modelo manteve 98,45% das predições nas zonas clinicamente aceitáveis (A+B) da Clarke Error Grid. As covariáveis não reduziram o erro pontual de forma consistente, mas melhoraram a calibração da incerteza (P10-P90), aproximando a cobertura do nível nominal. Assim, modelos fundacionais como o Chronos-2 estabelecem um novo patamar de baseline probabilístico robusto, ainda sujeito a validação clínica, para o manejo automatizado do DM1.
Palavras-chave:
Aprendizado de máquina, Extração de conhecimento de fontes heterogêneas de dados, Aplicações em saúde, Predição de glicemia, Modelos fundacionais, Diabetes tipo 1
Referências
Alexandrino, F., Pacheco, C., Carvalho, D., and Ogasawara, E. (2024). Aumento de dados e suavização integrada para predição de séries temporais baseada em aprendizado de máquina. In Anais do XVIII Brazilian e-Science Workshop (BreSci 2024), pages 32–39. Sociedade Brasileira de Computação.
Ansari, A. F., Shchur, O., Küken, J., Auer, A., Han, B., Mercado, P., Rangapuram, S. S., Shen, H., Stella, L., Zhang, X., Goswami, M., Kapoor, S., Maddix, D. C., Guerron, P., Hu, T., Yin, J., Erickson, N., Desai, P. M., Wang, H., Rangwala, H., Karypis, G., Wang, Y., and Bohlke-Schneider, M. (2025). Chronos-2: From univariate to universal forecasting.
Bergmeir, C. and Benítez, J. M. (2012). On the use of cross-validation for time series predictor evaluation. Information Sciences, 191:192–213.
Broussard, J. L., Ehrmann, D. A., Van Cauter, E., Tasali, E., and Brady, M. J. (2016). Sleep restriction impairs insulin sensitivity in human adipocytes. Diabetologia, 59:359–368.
Cappon, G., Vettoretti, M., Sparacino, G., and Facchinetti, A. (2019). Continuous glucose monitoring sensors for diabetes management: a review of technologies and applications. Diabetes & Metabolism Journal, 43(4):383–397.
Limbert, C., Kowalski, A. J., and Danne, T. P. (2024). Automated insulin delivery: A milestone on the road to insulin independence in type 1 diabetes. Diabetes Care, 47(6):918–920.
Marling, C. and Bunescu, R. (2020). The OhioT1DM dataset for blood glucose level prediction: Update 2020. In Proceedings of the 5th International Workshop on Knowledge Discovery in Healthcare Data (KDH@ECAI 2020), volume 2675 of CEUR Workshop Proceedings, pages 71–74. CEUR-WS.org.
Moor, M., Banerjee, O., Abad, Z. S. H., Krumholz, H. M., Leskovec, J., Topol, E. J., and Rajpurkar, P. (2023). Foundation models for generalist medical artificial intelligence. Nature, 616(7956):259–265.
Rancati, S., Bosoni, P., Schiaffini, R., Deodati, A., Mongini, P. A., Sacchi, L., Toffanin, C., and Bellazzi, R. (2024). Exploration of foundational models for blood glucose forecasting in type-1 diabetes pediatric patients. Diabetology, 5(6):584–599.
Rousseeuw, P. J. and Hubert, M. (2011). Robust statistics for outlier detection. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 1(1):73–79.
Santos, M., Áurea Melo, Santos, J., Gonçalves, I., Santos, W., and R., L. (2025). Modelagem de séries temporais biomédicas: Um estudo comparativo entre psta-tcn e tcn vanilla para previsão de dados de glicose de pessoas diabéticas. In Anais do XXV Simpósio Brasileiro de Computação Aplicada à Saúde, pages 991–996, Porto Alegre, RS, Brasil. SBC.
Sun, X., Li, H., and Yu, X. (2026). Future-aware blood glucose forecasting using knowledge distillation with transformer-based sequence-to-sequence models. Scientific Reports, 16:11404.
Turksoy, K., Bayrak, E. S., Quinn, L., Littlejohn, E., and Cinar, A. (2015). Multivariable adaptive identification and control for artificial pancreas systems. IEEE Transactions on Biomedical Engineering, 63(3):526–534.
Wolber, J., E. Samadi, M., Sellin, J., and Schuppert, A. (2025). Multimodal large language models and mechanistic modeling for glucose forecasting in type 1 diabetes patients. Journal of Biomedical Informatics, 172:104945.
Ansari, A. F., Shchur, O., Küken, J., Auer, A., Han, B., Mercado, P., Rangapuram, S. S., Shen, H., Stella, L., Zhang, X., Goswami, M., Kapoor, S., Maddix, D. C., Guerron, P., Hu, T., Yin, J., Erickson, N., Desai, P. M., Wang, H., Rangwala, H., Karypis, G., Wang, Y., and Bohlke-Schneider, M. (2025). Chronos-2: From univariate to universal forecasting.
Bergmeir, C. and Benítez, J. M. (2012). On the use of cross-validation for time series predictor evaluation. Information Sciences, 191:192–213.
Broussard, J. L., Ehrmann, D. A., Van Cauter, E., Tasali, E., and Brady, M. J. (2016). Sleep restriction impairs insulin sensitivity in human adipocytes. Diabetologia, 59:359–368.
Cappon, G., Vettoretti, M., Sparacino, G., and Facchinetti, A. (2019). Continuous glucose monitoring sensors for diabetes management: a review of technologies and applications. Diabetes & Metabolism Journal, 43(4):383–397.
Limbert, C., Kowalski, A. J., and Danne, T. P. (2024). Automated insulin delivery: A milestone on the road to insulin independence in type 1 diabetes. Diabetes Care, 47(6):918–920.
Marling, C. and Bunescu, R. (2020). The OhioT1DM dataset for blood glucose level prediction: Update 2020. In Proceedings of the 5th International Workshop on Knowledge Discovery in Healthcare Data (KDH@ECAI 2020), volume 2675 of CEUR Workshop Proceedings, pages 71–74. CEUR-WS.org.
Moor, M., Banerjee, O., Abad, Z. S. H., Krumholz, H. M., Leskovec, J., Topol, E. J., and Rajpurkar, P. (2023). Foundation models for generalist medical artificial intelligence. Nature, 616(7956):259–265.
Rancati, S., Bosoni, P., Schiaffini, R., Deodati, A., Mongini, P. A., Sacchi, L., Toffanin, C., and Bellazzi, R. (2024). Exploration of foundational models for blood glucose forecasting in type-1 diabetes pediatric patients. Diabetology, 5(6):584–599.
Rousseeuw, P. J. and Hubert, M. (2011). Robust statistics for outlier detection. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 1(1):73–79.
Santos, M., Áurea Melo, Santos, J., Gonçalves, I., Santos, W., and R., L. (2025). Modelagem de séries temporais biomédicas: Um estudo comparativo entre psta-tcn e tcn vanilla para previsão de dados de glicose de pessoas diabéticas. In Anais do XXV Simpósio Brasileiro de Computação Aplicada à Saúde, pages 991–996, Porto Alegre, RS, Brasil. SBC.
Sun, X., Li, H., and Yu, X. (2026). Future-aware blood glucose forecasting using knowledge distillation with transformer-based sequence-to-sequence models. Scientific Reports, 16:11404.
Turksoy, K., Bayrak, E. S., Quinn, L., Littlejohn, E., and Cinar, A. (2015). Multivariable adaptive identification and control for artificial pancreas systems. IEEE Transactions on Biomedical Engineering, 63(3):526–534.
Wolber, J., E. Samadi, M., Sellin, J., and Schuppert, A. (2025). Multimodal large language models and mechanistic modeling for glucose forecasting in type 1 diabetes patients. Journal of Biomedical Informatics, 172:104945.
Publicado
08/09/2026
Como Citar
DIAS FILHO, Mario Cesar Freire; SIQUEIRA, Rodrigo de Azeredo; RIBEIRO, Vinicius Silva Osterne; G. GOMES, Danielo.
Modelo Fundacional Zero-Shot e Dados Multimodais para Predição Probabilística de Glicemia em Diabetes Tipo 1. In: BRAZILIAN E-SCIENCE WORKSHOP (BRESCI), 20. , 2026, São Carlos/SP.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2026
.
p. 65-72.
ISSN 2763-8774.
DOI: https://doi.org/10.5753/bresci.2026.249484.
