Малые носимые датчики, измеряющие уровень сахара каждые несколько минут, переходят из клиник по лечению диабета в повседневную жизнь. Они обещают автоматизированный учёт еды, персонализированные рекомендации по питанию и более интеллектуальные цифровые инструменты для здоровья. Но чтобы превратить сырые кривые глюкозы в полезную обратную связь, компьютерам сначала нужно ответить на на вид простую задачу: когда вы поели? В этом исследовании выясняют, насколько хорошо разные компьютерные методы могут выявлять приёмы пищи лишь по данным о глюкозе у молодых здоровых взрослых.
Как компьютеры отслеживают вашу кривую глюкозы
Исследователи изучали непрерывный мониторинг глюкозы (НМГ), при котором пластырь на руке измеряет содержание сахара в межклеточной жидкости под кожей. Каждый приём пищи оставляет отпечаток на этой кривой глюкозы в виде плавного подъёма после еды. За последние годы учёные создали множество «рецептов» для обнаружения приёмов пищи: от простых правил, ищущих быстрые скачки сахара, до более сложных систем, имитирующих обработку сахара в организме или обучающихся по данным. Однако большинство этих методов тестировали отдельно на разных группах людей, что затрудняет понимание того, какой подход действительно лучше.
Испытание девяти подходов Figure 1. Как носимые датчики глюкозы и интеллектуальные алгоритмы работают вместе, чтобы обнаруживать приёмы пищи в повседневной жизни
Чтобы провести справедливое сравнение, команда воссоздала девять опубликованных алгоритмов, опирающихся только на сигналы НМГ. Они применили их к данным 16 молодых здоровых взрослых, носивших датчики в течение трёх недель при соблюдении либо низкоуглеводной, либо стандартной диеты. Приёмы пищи фиксировались через приложение на телефоне. Для каждого участника часть данных использовали для настройки алгоритмов, часть — для уточнения параметров, а остальную часть оставили как невидимый тест. Эффективность оценивали по трём простым показателям: какая доля приёмов пищи была корректно обнаружена, сколько «ложных тревог» возникало в день и как быстро после приёма появлялось оповещение.
Скорость против надёжности при распознавании приёмов пищи
Прямое сравнение показало, что ни один метод не оказался лучшим по всем трём показателям одновременно. Некоторые алгоритмы на основе нечеткой логики или детальных компьютерных симуляций поведения глюкозы ловили наибольшую долю приёмов пищи — до примерно девяти из десяти — но реагировали медленнее и давали больше ложных срабатываний. Методы распознавания шаблонов, которые учатся типичным формам кривых глюкозы, и модель, основанная на физиологии, показали наиболее сбалансированный набор: высокая доля обнаружения, мало ложных тревог и умеренная задержка. Более простые правиловые методы, которые главным образом смотрят на скорость подъёма глюкозы, были самыми быстрыми — часто сигнализируя примерно за 37 минут — но при этом пропускали больше приёмов пищи. В повседневных условиях пользователям придётся выбирать между системой, которая очень чувствительна, но склонна к ложным тревогам, более осторожной, но медлительной, или промежуточным вариантом.
Как диета и телосложение меняют картину Figure 2. Разные подходы алгоритмов жертвуют скоростью, точностью и числом ложных срабатываний при чтении шаблонов питания по кривым глюкозы
Исследование также показало, что обнаруживаемость приёма пищи зависит от человека и его питания. У участников, соблюдавших стандартную диету с большим содержанием углеводов, после приёма пищи наблюдались более крупные всплески глюкозы, что облегчало распознавание еды всеми алгоритмами. У тех, кто был на низкоуглеводной диете, изменения глюкозы были меньше, что снижало шансы обнаружения во всех методах. Более высокий суточный приём углеводов был связан с большим числом ложных срабатываний — вероятно, потому что длительные подъёмы глюкозы легче ошибочно интерпретировать. Небольшое увеличение массы тела ассоциировалось с немного более низкими показателями обнаружения, что может быть связано со специфическими особенностями используемого датчика. Эти результаты подчёркивают, что универсального порога для обнаружения приёмов пищи по данным глюкозы не существует.
Что это значит для будущего отслеживания питания
Для людей, использующих НМГ для мониторинга привычек или поддержки приложений по диетическому коучингу, редкие ложные тревоги могут быть приемлемы, если при этом захватывается большинство приёмов пищи, поскольку пользователь может быстро подтвердить или отклонить оповещение. В таком случае алгоритмы, отдающие приоритет чувствительности, могут быть предпочтительнее. В клинических инструментах, например в системах автоматической доставки инсулина, ложные тревоги могут нести риск, поэтому более безопасными будут решения, готовые пожертвовать частью скорости или чувствительности ради меньшего числа ошибок. Авторы делают вывод, что вместо поиска единственного «лучшего» метода разработчики должны подбирать алгоритм под задачу, а будущие исследования должны сосредоточиться на сокращении времени обнаружения при сохранении высокой точности и расширении тестирования на более разнообразные группы.
Цитирование: 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
Ключевые слова: непрерывный мониторинг глюкозы, обнаружение приёма пищи, поведение при кормлении, цифровая нутрициология, эффективность алгоритма
