It's All in the Way You Say It: The Role of Information Representation in LLM-Based Glycemic-Event Prediction

📄 arXiv: 2609.08772v1 📥 PDF

作者: Andrea Apicella, Pasquale Arpaia, Matteo Orefice, Andrea Pollastro, Roberto Prevete

分类: cs.AI

发布日期: 2026-09-08

备注: Submitted to a journal for peer-review

💡 一句话要点

基于提示的LLM方法提升糖尿病患者血糖事件预测准确性

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

关键词: 大型语言模型 血糖预测 糖尿病管理 生理信息表示 提示设计 时间序列预测 机器学习

📋 核心要点

  1. 现有方法在糖尿病患者的血糖事件预测中面临挑战，尤其是在如何有效利用生理信息方面。
  2. 本研究提出通过优化生理信息的文本表示和提示设计，来提升LLM在血糖事件预测中的性能。
  3. 实验结果显示，传统监督模型在高血糖预测中表现最佳，而基于提示的LLM在低血糖预测中表现更为出色，且信息表示方式显著影响预测效果。

📝 摘要（中文）

大型语言模型（LLMs）在生理时间序列预测中的应用日益受到关注，但其有效性不仅依赖于模型本身，还与生理信息的表示和推理时的呈现方式密切相关。本研究探讨了基于提示的通用LLM在1型糖尿病患者餐后高血糖和低血糖预测中的应用。通过使用OhioT1DM数据集，我们在零-shot和few-shot推理下评估了多种开放权重的LLM，比较了不同文本表示和信息量对模型性能的影响。结果表明，传统的患者特定监督模型在高血糖预测中表现最佳，而基于提示的LLM在低血糖预测中则在所有时间范围内均有所提升。这些发现强调了生理信息表示在基于提示的LLM方法中的重要性。

🔬 方法详解

问题定义：本研究旨在解决大型语言模型在糖尿病患者血糖事件预测中的有效性问题，现有方法在生理信息利用上存在不足，影响预测准确性。

核心思路：通过优化生理信息的文本表示和提示设计，探索不同信息量对LLM性能的影响，以提升高血糖和低血糖事件的预测能力。

技术框架：研究使用OhioT1DM数据集，评估多种开放权重的LLM，采用零-shot和few-shot推理，比较不同文本表示和信息量的影响，主要模块包括数据预处理、模型训练和性能评估。

关键创新：本研究的创新点在于强调生理信息表示对基于提示的LLM性能的影响，提出了一种新的提示设计方法，与传统监督模型相比，能够在特定任务上实现更好的预测效果。

关键设计：在实验中，模型的输入包括不同的生理信息表示，如仅使用葡萄糖观察值、衍生描述符以及与胰岛素、餐食、碳水化合物和身体活动相关的额外上下文变量，设置了不同的提示格式以优化模型性能。

🖼️ 关键图片

fig_0
img_1
img_2

📊 实验亮点

实验结果显示，传统的患者特定监督模型在高血糖预测中表现最佳，而基于提示的LLM在低血糖预测中在所有时间范围内均有所提升，尤其在30分钟和60分钟的预测中，性能提升幅度显著，展示了生理信息表示的重要性。

🎯 应用场景

该研究的潜在应用领域包括糖尿病管理和个性化医疗，通过提升血糖事件预测的准确性，可以帮助患者更好地控制血糖水平，减少并发症风险。未来，这种基于提示的LLM方法可能扩展到其他生理信号的预测和监测中，推动智能健康管理的发展。

📄 摘要（原文）

Large Language Models (LLMs) are increasingly being investigated for physiological time-series prediction, yet their effectiveness may depend not only on the model itself, but also on how physiological information is represented and presented at inference time. This study investigates prompt-based general-purpose LLMs for postprandial hyperglycemia and hypoglycemia prediction in individuals with type 1 diabetes. Using the OhioT1DM dataset, we evaluate multiple open-weight LLMs under zero-shot and few-shot inference across prediction horizons of 30, 60, and 90 minutes. The analysis varies both the textual representation of the available physiological information and the amount of information exposed to the model, ranging from glucose observations alone to derived descriptors and additional contextual variables related to insulin, meals, carbohydrates, and physical activity. Performance is compared with conventional patient-specific supervised models and with Gluco-LLM, a language-model-based architecture explicitly adapted to glucose time-series forecasting. Results show a marked task-dependent behavior. Conventional supervised models achieve the strongest performance for hyperglycemia prediction, whereas the best observed prompt-based LLM configurations improve performance for hypoglycemia across all investigated horizons. The effectiveness of prompt-based inference is also strongly influenced by how physiological information is represented, while providing additional contextual information does not lead to a systematic improvement. Overall, these findings highlight physiological information representation as a central design factor in prompt-based LLM approaches to glycemic-event prediction.