Säker IoMT-smartklockbaserad övervakning av blodsocker med multimodala aktivitets- och näringsdata och transferinlärning

Varför din smartklocka kan hjälpa till att hantera blodsockret

Många lever med stigande blodsocker, oavsett om de har diabetes eller helt enkelt är under mycket stress och ofta äter i farten. Traditionella stick i fingret eller separata glukossensorer kan vara besvärliga, och de fångar sällan hur vardagliga val som måltider, promenader eller långa stillasittande pass vid skrivbordet påverkar kroppen i realtid. Denna studie undersöker hur vanliga smartklockor, kombinerade med säkra internetanslutna hälsosystem, tyst kan övervaka ditt blodsocker under dagen — och koppla vad du äter och hur du rör dig till snabba, personliga varningar och råd.

En klocka som ser mer än steg

Forskarna föreslår ett system för «förbättrad kroppssockerövervakning» som förvandlar en smartklocka till en central nav för hälsosignaler. Moderna klockor kan redan mäta puls, blodtryck, syrenivåer, temperatur, rörelse och ibland glukos. I detta arbete registrerar klockan också dina aktiviteter — som att sitta, gå, jogga eller sova — och din näring, inklusive olika typer av mat och dryck. Alla dessa informationsströmmar behandlas tillsammans som en multimodal datamängd och målar en rikare bild av hur din kropp reagerar på vardagen än enbart glukosmätningar.

Skicka data till närliggande hjälpare, säkert

Eftersom en klocka har begränsad batteritid och beräkningskraft kan den inte utföra tung analys själv. Systemet behandlar därför klockan som en säker «klient» som skickar data till närliggande medicinska servrar på kliniker eller sjukhus, så kallade edge-noder. En anpassad säkerhetsprocedur, kombinerad med standardkrypteringsmetoder, skyddar data när de skickas fram och tillbaka så att endast auktoriserade maskiner kan läsa dem. En intelligent schemaläggare avgör när data ska skickas iväg för djupare analys och när de kan bearbetas lättare på klockan själv, med hänsyn till nätverkskvalitet, brådska och energiförbrukning. Om exempelvis dina värden är stabila och nätverket är svagt kan klockan vänta; om ditt socker ändras snabbt efter en stor måltid eller intensiv träning kommer den snabbt att skicka data för mer detaljerade kontroller.

Lära datorer att känna igen riskfyllda mönster

I centrum för systemet finns en artificiell intelligensmetod som författarna kallar TL-DCNNOS, vilken kombinerar djupa neurala nätverk med transferinlärning och smart uppgiftsschemaläggning. Först används en stor öppenvärldsdatabas — uppbyggd från smartklocksensorer, aktivitetsloggar och matregister från många personer — för att förtränas modellen att känna igen generella mönster i hur glukos beter sig. När dina egna data sedan kommer in finjusterar modellen endast sina övre lager för att lära sig dina specifika reaktioner utan att börja om från början. Detta tillvägagångssätt gör att systemet kan fånga tecken på normal och onormal beteende, som skillnaden mellan en mild stigning efter frukt och en skarp topp efter sockrade drycker, även när personliga data är begränsade. Samma ramverk bestämmer också vilken server som bör hantera varje uppgift så att resultaten kommer snabbt nog för realtidsanvändning.

Testa idén i en virtuell klinik

För att se om denna design kunde fungera i praktiken byggde teamet en detaljerad computersimulering som efterliknar många smartklockanvändare i vardagen. De skapade en multimodal datamängd med 1 200 poster, inklusive ålder, body mass index, blodtryck, diettyp (som kakor, hamburgare eller kolhydrater), aktivitet (sitta, gå, springa) och glukosnivåer. De jämförde sedan sin TL-DCNNOS-metod med vanliga maskininlärningsmetoder som beslutsträd, random forests och k-närmaste grannar. Över mått som noggrannhet, precision och recall presterade den nya metoden konsekvent bäst, och nådde ungefär 99 % noggrannhet i att skilja hälsosamma från riskfyllda glukosmönster. Den utförde också sina uppgifter med mindre total beräkningstid genom att fördela arbete över många edge-servrar och bara skicka vad som var nödvändigt.

Skydda integriteten samtidigt som du övervakar hälsan

Författarna undersökte också hur olika krypteringsscheman påverkar fördröjning när många människors klockor skickar data samtidigt. Deras förenklade smartklock-säkerhetsalgoritm (SWSA) gav lägre och mer stabila fördröjningar än allmänt använda publika nyckelmetoder, vilka kan vara tunga för små enheter. Detta tyder på att med rätt balans mellan säkerhet och effektivitet är det möjligt att hålla känslig medicinsk information privat utan att fördröja brådskande varningar. Systemet är utformat för att följa stora integritets- och medicintekniska regler som HIPAA och GDPR, och författarna har publicerat sin datamängd och kod så att andra kan testa och förbättra idéerna.

Vad detta kan betyda i vardagen

För icke-specialister är huvudresultatet att en välbekant pryl — smartklockan — skulle kunna utvecklas till en kraftfull, kontinuerlig väktare av blodsockret. Genom att säkert länka din klocka till närliggande medicinska servrar och använda avancerade inlärningstekniker kan systemet koppla vad du äter och hur aktiv du är till snabba, individualiserade prognoser av glukossvängningar. På sikt kan sådana verktyg hjälpa personer med diabetes att undvika farliga toppar och dalar, och hjälpa dem i riskzonen att se effekten av sina vanor i tid för att ändra kurs. Även om verkliga kliniska prövningar fortfarande behövs ligger detta arbete grunden för säkrare, smartare och mer personlig glukosövervakning vävd in i de enheter många av oss redan bär.

Citering: Mohammed, M.A., Ghani, M.K.A., Memon, S. et al. Secure IoMT smartwatch-based blood glucose monitoring using multimodal activity and nutrition data with transfer learning. Sci Rep 16, 6736 (2026). https://doi.org/10.1038/s41598-026-35419-3

Nyckelord: blodsocker, smartklocka hälsa, bärbara sensorer, digital diabetesvård, internet för medicinska saker