Birkaç dakikada bir kan şekerini izleyen küçük giyilebilir sensörler, diyabet kliniklerinden günlük hayata doğru yayılıyor. Zahmetsiz gıda kaydı, kişiselleştirilmiş diyet önerileri ve daha akıllı dijital sağlık araçları vadederler. Ancak ham şeker eğrilerini yararlı geribildirimlere çevirmek için bilgisayarların önce aldatıcı derecede basit görünen bir soruyu yanıtlaması gerekir: ne zaman yedin? Bu çalışma, farklı bilgisayar yöntemlerinin yalnızca şeker verilerinden genç, sağlıklı yetişkinlerde öğünleri ne kadar iyi tespit edebileceğini sorguluyor.
Bilgisayarlar şeker eğrinizi nasıl izliyor
Araştırmacılar, kola yapıştırılan bir yama ile derinin hemen altındaki sıvıdaki şekeri ölçen sürekli glikoz izlemeyi (CGM) incelediler. Her öğün bu şeker eğrisinde, yemekten sonra görülen hafif bir yükselişle bir parmak izi bırakır. Son yıllarda bilim insanları, hızlı şeker sıçramalarını arayan basit kurallardan, vücudun şekeri nasıl işlediğini taklit eden daha ayrıntılı bilgisayar simülasyonlarına ve veriden desen öğrenen ileri sistemlere kadar birçok “öğün algılama” tarifi geliştirdiler. Ancak bu yöntemlerin çoğu farklı insan gruplarında ayrı ayrı test edildiği için hangi yaklaşımın gerçekten en iyi olduğunu belirlemek zordu.
Dokuz yaklaşımı teste sokmak Figure 1. Vücutta takılan şeker sensörleri ile akıllı algoritmaların günlük hayatta insanların ne zaman yemek yediğini birlikte nasıl tespit ettiği
Adil bir karşılaştırma yapmak için ekip yalnızca CGM sinyallerine dayanan dokuz yayımlanmış algoritmayı yeniden oluşturdu. Bunları, sensörleri üç hafta boyunca takan ve ya düşük karbonhidratlı ya da standart bir diyeti izleyen 16 genç, sağlıklı yetişkinden elde edilen verilere uyguladılar. Öğünler bir telefon uygulamasına kaydedildi. Her kişi için verilerin bir bölümü algoritmayı ayarlamakta, bir kısmı ayarları rafine etmekte ve geri kalan kısmı görülmemiş bir test olarak tutuldu. Araştırmacılar performansı üç basit ölçütle değerlendirdiler: kaç öğünün doğru tespit edildiği, günde kaç “yanlış alarm” olduğu ve uyarının öğünden ne kadar sonra ortaya çıktığı.
Öğün tespitinde hız ve güvenilirlik
Kafa kafaya test, hiçbir yöntemin üç ölçütte de en iyi olmadığını gösterdi. Bulanık mantık veya şeker davranışının ayrıntılı bilgisayar simülasyonlarına dayanan bazı algoritmalar, yakalanan öğün payı en yüksek olanlar arasındaydı ve yaklaşık onda dokuz oranına yaklaştılar; ancak daha yavaş tepki verdiler ve daha fazla yanlış alarma neden oldular. Şeker eğrilerinin tipik şekillerini öğrenen desen tanıma yöntemleri ve fizyolojiye dayalı bir model ise yüksek tespit, az sayıda yanlış alarm ve orta düzey gecikme bakımından en dengeli karışımı sundu. Şekeri ne kadar hızlı yükseldiğine bakan daha basit kural tabanlı yöntemler öğünü bildirmede en hızlı olanlardı; genellikle yaklaşık 37 dakika içinde sinyal veriyorlardı, fakat daha fazla yemeği kaçırdılar. Günlük dilde kullanıcılar çok tetikte ama biraz atak bir sistem, temkinli ama daha yavaş bir sistem veya bunların ortasını seçmek zorunda kalacaklar.
Diyet ve vücut yapısı tablonun rengini nasıl değiştiriyor Figure 2. Farklı algoritma yollarının, şeker eğrilerinden öğün desenlerini okurken hız, doğruluk ve yanlış uyarılar arasında nasıl ödünler verdiği
Çalışma ayrıca öğün tespit edilebilirliğinin kişiye ve tüketilen gıdaya bağlı olduğunu buldu. Standart, daha yüksek karbonhidratlı diyeti izleyen katılımcılar öğünlerden sonra daha büyük şeker sıçramaları gösterdiler; bu da tüm algoritmalar için yemeği tanımayı kolaylaştırdı. Düşük karbonhidratlı plan uygulayanlarda şeker değişimleri daha küçük kaldı ve bu da genel olarak tespit olasılıklarını düşürdü. Günlük daha yüksek karbonhidrat alımı daha fazla yanlış pozitif ile ilişkiliydi; muhtemelen daha uzun şeker yükselişlerinin yanlış yorumlanmasını kolaylaştırdığı için. Biraz daha yüksek vücut ağırlığı ise tespit oranlarında hafif düşüşle ilişkiliydi; bu sensörün bilinen tuhaflıklarıyla ilgili olabilir. Bu bulgular, şeker verilerinden öğün tespit etmek için tek tip bir eşik olmadığını vurguluyor.
Geleceğin gıda takibi için ne anlama geliyor
Alışkanlıkları izlemek veya diyet koçluğu uygulamalarını desteklemek için CGM kullanan kişiler için, çoğu öğün yakalanıyorsa ara sıra yanlış uyarılar kabul edilebilir olabilir; çünkü kullanıcılar bir uyarıyı hızla onaylayabilir veya reddedebilir. Bu durumda hassasiyeti tercih eden algoritmalar daha uygun olabilir. Ancak otomatik insülin teslimi gibi klinik araçlarda yanlış alarmlar riskli olabileceğinden, daha az hata için hız veya hassasiyetten bir miktar feragat eden seçenekler daha güvenli olabilir. Yazarlar, tek bir “en iyi” yöntemi aramaktansa algoritmanın işe uygun şekilde eşleştirilmesi gerektiği ve gelecekteki çalışmaların tespit süresini azaltmaya, doğruluğu yüksek tutmaya ve daha çeşitli gruplarda testleri genişletmeye odaklanması gerektiği sonucuna varıyorlar.
Atıf: 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
