في عالم الطب الحديث، أصبح مرض السكري من النوع الثاني (Type 2 Diabetes) يُشكّل تهديداً متزايداً للصحة العالمية، مما يستدعي الحاجة إلى تقييم غلوكوز (glucose) فعال يدعم رعاية المرضى بشكل شخصي. وبينما تقدم مستشعرات القابلية للارتداء مثل أجهزة قياس الغلوكوز المستمرة (Continuous Glucose Monitors) وأجهزة تتبع اللياقة البدنية العديد من الرؤى القيمة، فإن تحليل هذه البيانات بشكل فعال يتطلب دمجها مع السياق الشخصي للأفراد.

تعتمد الأساليب الحالية بشكل كبير على تقنيات التعلم الآلي التقليدية (Traditional Machine Learning) التي تركز أساساً على قياسات الغلوكوز التاريخية، مما يؤدي إلى تجاهل المعلومات المهمة المتعلقة بالشخص، وهذا يؤثر سلباً على أداء النماذج عبر مجتمعات مرضى السكري المختلفة.

لكن ظهور نماذج اللغة الضخمة (Large Language Models) قد برز كفرصة مثيرة لاستخدامها في تقييم الغلوكوز بشكل مخصص. حيث قدم الباحثون إطار عمل مبتكراً يعرف باسم GlyLLM، والذي يعتمد على نماذج اللغة الضخمة لتحليل ديناميات الغلوكوز المعتمدة على أجهزة قياس الغلوكوز المستمرة، من خلال دمج بيانات المستشعرات القابلة للارتداء مع بيانات هيكلية.

أثبتت التجارب التي أجريت على مجموعة بيانات AI-READI أن النموذج الجديد يتفوق على الأساليب التقليدية بمعدل 13.66% في الخطأ المطلق للغلوكوز و13.08% في قدرة النموذج على تصنيف مرض السكري. ووجود الدراسة التحليلية التي أظهرت أن الاستبيانات والمختبرات المرتبطة بالسكري تعتبر أكثر أهمية من المعلومات الصحية الأخرى في تقييم مستوى الغلوكوز.

تعتبر هذه الدراسة خطوة واعدة نحو استغلال قوة نماذج اللغة الضخمة لتحسين رعاية مرضى السكري من النوع الثاني وتقديم دعم أكثر دقة وشخصية.