「你的糖化血色素正常，不代表你沒事。」Nature 最新發表：AI 讀懂了 CGM 裡被我們丟掉的救命訊號
GluFormer（主要關鍵字：GluFormer）是一個用超過 1,000 萬筆連續血糖（CGM / 連續血糖監測）資料訓練出的深度學習模型。研究發現：它只要兩週的 CGM，就能產生比傳統糖化血色素（HbA1c）更強的 10 年期心血管死亡風險預測能力，指出我們在日常血糖管理上可能忽略了重要的「波動訊號」。
為什麼 HbA1c（糖化血色素）可能不足？
HbA1c 反映的是過去約三個月的平均血糖，這種「平均值」的視角容易掩蓋短期內的劇烈波動──例如飯後尖峰與快速下降。兩個人體檢結果可能同樣達到 HbA1c 標準，但一個人的血糖波動平穩，另一人則頻繁出現高峰與低谷；後者對血管內皮的傷害更大，卻不會從 HbA1c 顯示出來。
GluFormer 如何做到「預測未來」？
研究團隊將超大規模的 CGM 資料丟入 Transformer 類架構的模型，讓 AI 學會辨識血糖波動的『時間語法』——不只是數值高低，而是波形、尖刺頻率、飯後反應速度等複合特徵。GluFormer 的預測任務是以兩週的 CGM 輸入，預測 10 年內的心血管死亡風險與糖尿病惡化情形，並在多國、不同 CGM 裝置（Dexcom、Libre、Medtronic 等）進行外部驗證，結果一致且穩健。
GluFormer 帶來的 5 個臨床衝擊（重點標籤，次要關鍵字：連續血糖、CGM）
-
1. 提早「發現高風險」：可預測 10 年心血管死亡
在西班牙 AEGIS 隊列長達 11 年的追蹤中，被 GluFormer 判定為高風險的人群，佔了近 70% 的心血管死亡案例；而低風險群的心血管死亡率接近 0%。相較之下，用 HbA1c 分組無法顯著區別這些風險。
-
2. 揪出「假性穩定」的前糖尿病者（血糖管理啟示）
對於 HbA1c 還在正常或邊緣範圍的病人，GluFormer 能透過連續血糖波形發現早期胰島素阻抗或飯後尖峰，幫助醫師優先介入真正有惡化風險的個體。
-
3. 把 CGM 從「儀表板」變成「預警系統」
傳統 CGM 報表偏向描述性（TIR、GMI），GluFormer 示範了如何把 CGM 轉換成具有預測力的臨床工具，升級為早期預防與病人分層的決策依據。
-
4. 個人化飲食與行為模擬（飲食反應預測）
若搭配飲食紀錄，GluFormer 可以模擬「你吃了什麼會怎樣」，在衛教時直觀展示某餐對你血糖的影響，提高病人改變飲食習慣的意願與可操作性。
-
5. 跨裝置與跨族群的外部驗證（通用性高）
GluFormer 在美國、以色列、西班牙、中國等多國、以及包含 Dexcom/Libre/Medtronic 等不同 CGM 裝置上驗證，顯示它抓到的是生理訊號而非設備雜訊，代表未來有機會作為通用的血糖風險篩檢工具。
誰要注意？誰會受惠（適用族群／臨床場景）
-
亞健康與糖尿病前期：家族史或 HbA1c 介於 5.7–6.0% 的人，單靠抽血可能錯失逆轉時機；建議考慮短期（2 週）CGM 加 AI 風險評估以精準分層。
-
心血管高風險者：心臟科門診可將 CGM+AI 作為評估殘餘風險（residual risk）的一環，補足傳統血脂/血壓指標的不足。
-
臨床試驗設計者：製藥公司可用 GluFormer 類工具篩選「即將惡化」的受試者，提高試驗效率與效能檢出率。
實務限制與倫理思考（CGM 在台灣的可及性）
目前在台灣，非糖尿病者若要做 CGM 多為自費；此外，GluFormer 目前尚未完全商業化，臨床導入需解決健保給付、資料隱私、跨裝置標準化以及 AI 解釋性（explainability）等問題。
結語：從「治療數字」走向「治療趨勢」
Nature 的這篇研究提醒我們：身體早已發出警訊，只是我們還沒學會閱讀。當 AI 能用兩週的連續血糖比抽血更早看見 10 年後的風險，我們的健康管理策略是否也該從被動檢查，轉為主動預見與干預？
參考論文：Nature: GluFormer 原文
