GlucoAgent: Personalized Glucose Forecasting from Multimodal Personal Context

📄 arXiv: 2611.04126v1 📥 PDF

作者: Xingzhi Sun, Hyo Jin Kim, Zhiyuan Wang, Hao Chen

分类: cs.AI

发布日期: 2026-11-03

期刊: GenAI for Health Workshop @ NeurIPS 2026, Sydney

💡 一句话要点

提出GlucoAgent以解决个性化血糖预测问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 个性化医疗 血糖预测 多模态数据 动态分析 机器学习

📋 核心要点

  1. 现有方法在利用多模态信号进行个性化血糖预测时，面临不同模态相关性差异大的挑战，影响预测准确性。
  2. GlucoAgent通过动态分析个体的多模态背景，在推理时编写和运行代码，从而实现个性化的血糖预测。
  3. 在CGMacros数据集上，GlucoAgent的平均RMSE为22.5 mg/dL，显著优于Chronos-2的23.5 mg/dL，尤其在餐后预测中表现突出。

📝 摘要（中文）

连续血糖监测仪、智能手表、饮食记录和健康档案构成了丰富的多模态个人背景，这对血糖预测有显著提升作用。然而，现有方法难以有效利用这些信号来改善血糖预测，因为不同模态的相关性在个体和时间上差异很大。本文提出GlucoAgent，一个基于大语言模型的智能系统，通过动态的个案分析来解决这一挑战。GlucoAgent为每个预测编写并运行代码，利用个体的多模态背景返回预测结果及其理由和支持证据。在CGMacros多模态血糖数据集上，GlucoAgent在每个预测时间段上均超越了时间序列基础模型，平均均方根误差（RMSE）为22.5 mg/dL，相较于领先的多模态时间序列模型Chronos-2的23.5 mg/dL，表现出色。

🔬 方法详解

问题定义：本文旨在解决个性化血糖预测中的多模态信号利用不足的问题。现有方法未能有效处理个体间和时间上的模态相关性差异，导致预测性能受限。

核心思路：GlucoAgent的核心思路是通过动态分析个体的多模态背景，在推理时生成并执行代码，从而实现针对性的血糖预测。此设计使得系统能够灵活应对不同个体的需求。

技术框架：GlucoAgent的整体架构包括数据输入模块、代码生成模块和预测输出模块。数据输入模块负责收集多模态信息，代码生成模块根据个体背景生成相应的预测代码，预测输出模块则返回最终的血糖预测及其支持证据。

关键创新：GlucoAgent的主要创新在于其动态生成和执行代码的能力，使得系统能够针对个体的多模态背景进行个性化分析。这一方法与传统的静态模型显著不同，后者通常无法适应个体差异。

关键设计：在设计中，GlucoAgent采用了多种算法来处理不同模态的数据，包括相似历史餐食检索和生理统计模型的拟合与回测。系统的损失函数和参数设置经过精心调整，以优化预测精度。

📊 实验亮点

GlucoAgent在CGMacros数据集上的实验结果显示，其平均RMSE为22.5 mg/dL，优于Chronos-2的23.5 mg/dL，尤其在餐后预测中，GlucoAgent将60分钟预测的RMSE降低了4.6 mg/dL，显示出显著的性能提升。

🎯 应用场景

GlucoAgent的研究成果在糖尿病管理、个性化医疗和健康监测等领域具有广泛的应用潜力。通过提供更准确的血糖预测，能够帮助患者更好地管理饮食和药物使用，从而改善健康状况。未来，该技术还可能扩展到其他健康监测领域，推动个性化医疗的发展。

📄 摘要（原文）

Continuous glucose monitors, smartwatches, meal logs, and health profiles form a rich multimodal personal context that can significantly enhance glucose forecasting. However, existing methods struggle to effectively utilize these signals to improve glucose prediction because the relevance of different modalities varies drastically across individuals and time. We present GlucoAgent, an LLM-based agentic system that addresses this challenge through dynamic, case-by-case analysis at inference time. For each forecast, GlucoAgent writes and runs code over an individual's multimodal context and returns predictions with a reason and supporting evidence. The generated programs are highly diverse, ranging from retrieving similar past meals to fitting and back-testing physiological and statistical models. On CGMacros, a multimodal glucose dataset, GlucoAgent outperforms time series foundation models on every forecasting horizon, achieving an average RMSE of 22.5 mg/dL compared to 23.5 mg/dL of Chronos-2, the leading multimodal time series foundation model. Furthermore, GlucoAgent is highly effective at leveraging multimodal data. The addition of multimodal data reduces its average RMSE by 1.4 mg/dL (24.0 mg/dL to 22.5 mg/dL), compared to a marginal 0.3 mg/dL (23.8 mg/dL to 23.5 mg/dL) improvement for Chronos-2. This advantage is most pronounced in challenging post-meal windows, where GlucoAgent uses multimodal context to reduce 60-minute forecast RMSE by 4.6 mg/dL (31.0 mg/dL to 26.5 mg/dL), far exceeding the 0.8 mg/dL (31.9 mg/dL to 31.1 mg/dL) reduction achieved by Chronos-2.