CGM-JEPA: Aprendizaje de Representaciones Consistentes de Monitoreo Continuo de Glucosa mediante Pretraining Autosupervisado Predictivo
CGM-JEPA: Learning Consistent Continuous Glucose Monitor Representations via Predictive Self-Supervised Pretraining
May 1, 2026
Autores: Hada Melino Muhammad, Zechen Li, Flora Salim, Ahmed A. Metwally
cs.AI
Resumen
El monitoreo continuo de glucosa (MCG) puede detectar subfenotipos metabólicos tempranos (resistencia a la insulina, RI; disfunción de células β), pero su implementación a escala poblacional enfrenta dos problemas interrelacionados. Primero, un mismo estado fisiológico se manifiesta a través de múltiples perspectivas (series temporales de MCG, prueba de tolerancia oral a la glucosa venosa, resúmenes de glucodensidad), por lo que las representaciones unidimensionales fallan al transferirse cuando la implementación cambia la modalidad o el entorno. Segundo, los valores basales muestran inconsistencias ante estos cambios. Ambos problemas apuntan a una solución: representaciones que abstraigan cualquier perspectiva individual para capturar estructuras temporales y distribucionales de mayor nivel. Proponemos CGM-JEPA, un marco de preentrenamiento autosupervisado que predice representaciones latentes enmascaradas en lugar de valores brutos, generando abstracciones transferibles entre modalidades. X-CGM-JEPA incorpora un objetivo cruzado de glucodensidad enmascarada para información distribucional complementaria. Preentrenamos con 389k lecturas no etiquetadas de MCG de 228 sujetos y evaluamos en dos cohortes clínicas (subconjuntos públicos de N=27 y N=17) bajo tres regímenes (generalización de cohorte, transferencia venosa-a-MCG, MCG domiciliario) mediante validación cruzada de 20 iteraciones y 2 particiones. X-CGM-JEPA ocupa el primer o segundo lugar en AUROC para ambos puntos finales en los tres regímenes, superando al mejor baseline hasta en +6.5 pp en generalización de cohorte y +3.6 pp en transferencia venosa-a-MCG (Wilcoxon pareado, p<0.001). Bajo cambio de modalidad, iguala el AUROC promedio mientras redistribuye hacia subgrupos más débiles (brecha de AUROC por etnicidad se reduce 25-54%); en datos venosos escasos del mismo dominio, la perspectiva distribucional mejora el agrupamiento con etiquetas conocidas (ARI +39%, NMI +40%). Código y pesos: https://github.com/cruiseresearchgroup/CGM-JEPA
English
Continuous Glucose Monitoring (CGM) can detect early metabolic subphenotypes (insulin resistance, IR; β-cell dysfunction), but population-scale deployment faces two coupled problems. First, the same physiological state appears through multiple views (CGM time series, venous OGTT, Glucodensity summaries), so single-view representations fail to transfer when deployment shifts the modality or setting. Second, baselines perform inconsistently across these shifts. Both problems point to one remedy: representations that abstract away from any single view to capture higher-level temporal and distributional structure. We propose CGM-JEPA, a self-supervised pretraining framework which predicts masked latent representations rather than raw values, yielding abstraction that transfers across modalities. X-CGM-JEPA adds a masked Glucodensity cross-view objective for complementary distributional information. We pretrain on sim389k unlabeled CGM readings from 228 subjects and evaluate on two clinical cohorts (N=27 and N=17 public-release subsets) across three regimes (cohort generalization, venous-to-CGM transfer, home CGM) under 20-iteration times 2-fold cross-validation. X-CGM-JEPA ranks first or second on AUROC for both endpoints across all three regimes while no baseline does, exceeding the strongest baseline by up to +6.5 pp in cohort generalization and +3.6 pp in venous-to-CGM transfer (paired Wilcoxon, p<0.001). Under modality shift, it matches mean AUROC while redistributing toward weaker subgroups (ethnicity AUROC gap shrinks 25-54%); on sparse in-domain venous data, the distributional view lifts label-aware clustering (ARI +39%, NMI +40%). Code and weights: https://github.com/cruiseresearchgroup/CGM-JEPA