חיישנים לבישים קטנים המנטרים סוכר בדם כל מספר דקות עוברים ממרפאות סכרת לשימוש יומיומי. הם מבטיחים רישום אוכל ללא מאמץ, ייעוץ תזונתי מותאם אישית וכלים חכמים לבריאות דיגיטלית. אבל כדי להפוך עקומות סוכר גולמיות למשוב שימושי, המחשבים צריכים תחילה לענות על שאלה מטעה בפשטותה: מתי אכלת? במחקר זה נבדק עד כמה שיטות מחשוב שונות מסוגלות לזהות ארוחות מתוך נתוני סוכר בלבד במבוגרים צעירים ובריאים.
כיצד מחשבים צופים בעקומת הסוכר שלך
החוקרים בחנו ניטור גלוקוז רציף (CGM), שמשתמש בטלאי על הזרוע למדידת סוכר בנוזל מתחת לעור. לכל ארוחה יש טביעת אצבע בעקומת הסוכר הזו, עם עלייה עדינה לאחר האכילה. בשנים האחרונות מדענים פיתחו מתודות רבות ל"זיהוי ארוחה" למחשבים, החל מכללים פשוטים שמחפשים קפיצות מהירות בסוכר ועד מערכות מתקדמות שמדמות את אופן טיפול הגוף בסוכר או לומדות תבניות מתוך נתונים. עם זאת, רוב השיטות נבדקו בנפרד על קבוצות שונות של אנשים, מה שהקשה להבין איזו שיטה אכן הטובה ביותר.
בחינה של תשעה גישות במבחן Figure 1. כיצד חיישני סוכר לבישים ואלגוריתמים חכמים פועלים יחד כדי לזהות מתי אנשים אוכלים בחיי היומיום
כדי לבצע השוואה הוגנת, הצוות שחזר תשעה אלגוריתמים פרסומיים שהתבססו רק על אותות CGM. הם החילו אותם על נתונים מ-16 מבוגרים צעירים ובריאים שלבשו חיישנים למשך שלושה שבועות במהלך דיאטה דלת פחמימות או דיאטה סטנדרטית. הארוחות נרשמו באפליקציה בטלפון. עבור כל משתתף, חלק מהנתונים שימש לכוונון כל אלגוריתם, חלק לשיפור ההגדרות, והחלק הנותר הוחזק כמבחן שלא נראה לפני כן. החוקרים העריכו ביצועים באמצעות שלושה מדדים פשוטים: כמה ארוחות זוהו נכון, כמה "אזעקות שווא" התרחשו ביום, וכמה זמן אחרי הארוחה הופיעה האזהרה.
מהירות מול מהימנות בזיהוי ארוחות
המבחן אחד על אחד הראה שלא קיימת שיטה אחת הטובה בכל שלושת המדדים. כמה אלגוריתמים המבוססים על לוגיקה מטושטשת או סימולציות מחשב מפורטות של התנהגות הסוכר זיהו את חלק הארי של הארוחות, קרוב לתשעה מתוך עשר, אך היו איטיים יותר להגיב והפעילו יותר אזעקות שווא. שיטות לזיהוי תבניות, שלומדות צורות אופייניות של עקומות סוכר, ודגם מבוסס פיזיולוגיה הציעו את השילוב המאוזן ביותר של גילוי גבוה, מעט אזעקות שווא ועיכוב מתון. שיטות פשוטות מבוססות כלל שמסתכלות בעיקר על מהירות עליית הסוכר היו המהירות ביותר לאיתות ארוחה, לעיתים בתוך כ-37 דקות, אך הן פספסו יותר אירועי אכילה. במונחים יומיומיים, המשתמשים צריכים לבחור בין מערכת ערנית מאוד אבל מעט רגיזה, מערכת זהירה אך איטית יותר, או פשרה בינונית.
כיצד דיאטה וצורת הגוף משנות את התמונה Figure 2. נתיבי אלגוריתם שונים מסחרים בין מהירות, דיוק ואזהרות שגויות בעת קריאת תבניות ארוחה מעקומות סוכר
המחקר גם מצא שניתן לזהות ארוחות בהתאם לאדם ולמה שהוא אוכל. משתתפים בדיאטה סטנדרטית עם צריכת פחמימות גבוהה יותר הראו גלי סוכר גדולים יותר לאחר הארוחות, מה שהקל על כל האלגוריתמים לזהות אירועי אכילה. אלה שעקבו אחר תכנית דלת פחמימות הראו שינויים קטנים יותר בסוכר, מה שהפחית את סיכויי הזיהוי באופן כללי. צריכה יומית גבוהה יותר של פחמימות הייתה קשורה ליותר חיובי שווא, ככל הנראה כיוון שעליות סוכר ממושכות קלות יותר לפרש לא נכון. משקל גוף מעט גבוה יותר היה מקושר לשיעורי זיהוי נמוכים במעט, שאולי קשורים לניואנסים של החיישן הספציפי שבו השתמשו. הממצאים מדגישים שאין סף אחד שמתאים לכולם לזיהוי ארוחות מנתוני סוכר.
ממה זה אומר עבור מעקב מזון עתידי
עבור אנשים המשתמשים ב-CGM למעקב הרגלים או לתמיכה באפליקציות אימון תזונתי, אזעקות שווא מדי פעם עשויות להיות מקובלות אם רוב הארוחות מתועדות, שכן משתמשים יכולים לאשר או לדחות את האזהרה במהירות. במקרה כזה, אלגוריתמים שמעדיפים רגישות עשויים להיות מועדפים. בכלים קליניים כגון אספקת אינסולין אוטומטית, עם זאת, אזעקות שווא יכולות להיות מסוכנות, ולכן בחירות בטוחות יותר עשויות להיות אלה שהקריבו מעט מהירות או רגישות כדי להקטין שגיאות. המחברים מסכמים שבמקום לחפש שיטה "הטובה ביותר" יחידה, המפתחים צריכים להתאים את האלגוריתם למשימה, והמחקר העתידי צריך להתמקד בהקטנת זמן הזיהוי תוך שמירה על דיוק גבוה והרחבת הבדיקות לקבוצות מגוונות יותר.
ציטוט: Höchsmann, C., Weber, J.T., Hechenbichler Figueroa, S. et al. Performance of continuous glucose monitoring-based meal detection algorithms in young healthy adults.
Sci Rep16, 15714 (2026). https://doi.org/10.1038/s41598-026-50699-5
מילות מפתח: ניטור גלוקוז רציף, זיהוי ארוחה, התנהגות אכילה, תזונה דיגיטלית, ביצועי אלגוריתמים
