Kleine draagbare sensoren die elke paar minuten de bloedglucose volgen, verhuizen van diabetesklinieken naar het dagelijks leven. Ze beloven moeiteloos voedselregistratie, gepersonaliseerd dieetadvies en slimmere digitale gezondheidsinstrumenten. Maar om ruwe suikerkurven om te zetten in bruikbare feedback, moeten computers eerst een bedrieglijk eenvoudige vraag beantwoorden: wanneer heb je gegeten? Deze studie onderzoekt hoe goed verschillende computermethoden maaltijden kunnen herkennen aan de hand van alleen suikergegevens bij jonge, gezonde volwassenen.
Hoe computers je suikerkurve in de gaten houden
De onderzoekers bekeken continue glucoseregistratie, of CGM, waarbij een pleister op de arm de glucose meet in de vloeistof net onder de huid. Elke maaltijd laat een vingerafdruk achter in deze suikercurve, met een geleidelijke stijging na het eten. In de afgelopen jaren hebben wetenschappers allerlei 'maaltijddetectie'-recepten voor computers ontwikkeld, van eenvoudige regels die naar snelle sprongen in glucose zoeken tot meer geavanceerde systemen die nabootsen hoe het lichaam met glucose omgaat of patronen uit data leren. De meeste van deze methoden zijn echter apart op verschillende groepen mensen getest, waardoor het moeilijk is te weten welke aanpak echt het beste werkt.
Negentien benaderingen op de proef gesteld Figure 1. Hoe lichaamgedragen suikersensoren en slimme algoritmen samenwerken om te detecteren wanneer mensen dagelijks eten
Om een eerlijke vergelijking te maken, reconstrueerde het team negen gepubliceerde algoritmen die uitsluitend op CGM-signalen vertrouwen. Ze pasten deze toe op gegevens van 16 jonge, gezonde volwassenen die drie weken lang sensoren droegen terwijl ze een laag-koolhydraat- of een standaarddieet volgden. Maaltijden werden in een telefoonapp geregistreerd. Voor elke persoon werd een deel van de gegevens gebruikt om elk algoritme af te stemmen, een deel om instellingen te verfijnen en de rest achtergehouden als een ongeziene test. De onderzoekers beoordeelden de prestaties aan de hand van drie eenvoudige maatstaven: hoeveel maaltijden correct werden gedetecteerd, hoeveel "valse alarmen" per dag optraden en hoe lang na een maaltijd het alarm verscheen.
Snelheid versus betrouwbaarheid bij het ontdekken van maaltijden
De directe test liet zien dat geen enkele methode op alle drie de maatstaven het beste was. Sommige algoritmen op basis van fuzzy-logica of gedetailleerde computersimulaties van glucosengedrag vingen het grootste aandeel maaltijden, bijna negen van de tien, maar reageerden langzamer en veroorzaakten meer valse meldingen. Patronenherkenningsmethoden, die typische vormen van suikerkurven leren, en een op fysiologie gebaseerd model boden de meest gebalanceerde mix van hoge detectie, weinig valse alarmen en matige vertraging. Eenvoudigere regelgebaseerde methoden die voornamelijk kijken naar hoe snel de glucose stijgt, waren het snelst in het signaleren van een maaltijd, vaak binnen ongeveer 37 minuten, maar ze misten vaker eetmomenten. In dagelijkse termen moeten gebruikers kiezen tussen een systeem dat erg waakzaam maar wat schrikachtig is, een dat voorzichtig maar langzamer is, of een middenweg.
Hoe dieet en lichaamsvorm het beeld veranderen Figure 2. Verschillende algoritmepaden ruilen snelheid, nauwkeurigheid en valse meldingen uit bij het aflezen van maaltijdpatronen uit suikerkurven
De studie vond ook dat de detecteerbaarheid van maaltijden afhangt van de persoon en wat diegene eet. Deelnemers aan een standaard, koolhydraatrijker dieet lieten grotere glucosestijgingen na maaltijden zien, wat het voor alle algoritmen gemakkelijker maakte eetmomenten te herkennen. Zij op een koolhydraatarm plan hadden kleinere glucoseveranderingen, wat de detectiekansen algemeen verminderde. Een hogere dagelijkse koolhydraatinname hing samen met meer valse positieven, waarschijnlijk omdat langere glucosestijgingen makkelijker verkeerd gelezen worden. Iets hoger lichaamsgewicht ging gepaard met marginaal lagere detectiepercentages, wat mogelijk verband houdt met bekende eigenaardigheden van de gebruikte sensor. Deze bevindingen benadrukken dat er geen universele drempel bestaat om maaltijden uit suikergegevens te spotten.
Wat dit betekent voor toekomstige voedingsregistratie
Voor mensen die CGM gebruiken om gewoonten te volgen of dieetcoaching-apps te ondersteunen, kunnen af en toe valse meldingen acceptabel zijn als de meeste maaltijden worden vastgelegd, omdat gebruikers een waarschuwing snel kunnen bevestigen of wegklikken. In dat geval kunnen algoritmen die gevoeligheid prioriteren de voorkeur hebben. In klinische hulpmiddelen zoals geautomatiseerde insulinedosering daarentegen kunnen valse alarmen riskant zijn, zodat veiligere keuzes die wat snelheid of gevoeligheid inruilen voor minder fouten beter passen. De auteurs concluderen dat men in plaats van te zoeken naar één "beste" methode, het algoritme moet afstemmen op de taak, en dat toekomstig werk zich zou moeten richten op het verkorten van detectietijd terwijl de nauwkeurigheid hoog blijft en op het uitbreiden van tests naar meer diverse groepen.
Bronvermelding: 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
