Hypoglykæmi-forudsigelse · Type 1-diabetes
SoloprojektiOS 17+Under aktiv udvikling

AI-varsling
30 minutter før det sker

Eq Foresight kombinerer HealthKit, CGM-data og en kaskade af CoreML-modeller for at forudsige hypoglykæmi, før symptomerne opstår — fuldt on-device, uden cloud og uden abonnement.

Seneste forudsigelse 19. juli 2026
8% 30-min risiko
Glukose
5.4 mmol/L
Trend
stabil
Tid til lav
>30 min
Stabilt niveau · Ingen advarsel
4
CoreML-modeller i kaskade
23
Features pr. forudsigelse
<50ms
On-device inferenstid
0
Data sendt til skyen

Fra reaktiv til proaktiv

Alt hvad der skal til for at se hypoglykæmi komme, før den rammer

30-minutters kaskade

En kaskade af 4 CoreML-modeller forudsiger hypoglykæmi ved 5, 10, 15 og 30-minutters horisonter — kører fuldt on-device.

Realtids risikokurve

Live glukosegraf med stiplet forudsigelseslinje og konfidensbånd — du ser hvor du er på vej hen, ikke kun hvor du er.

Eskalerende alarmer

Advarsel → alarm → pumpestop-varsling, med intelligent cooldown og skærpet natfølsomhed mellem kl. 22–07.

Privatlivsfokuseret AI

Al inferens sker lokalt på enheden. Ingen server, ingen cloud, intet abonnement — dine sundhedsdata forlader aldrig telefonen.

Tre trin, fuldt automatisk

Ingen manuel indtastning nødvendig — appen arbejder i baggrunden

1

Data indsamles

HealthKit og Nightscout leverer løbende glukose, puls og behandlingsdata (bolus, kulhydrater) i en rullende 4-timers vinduer.

2

AI forudsiger

4 CoreML-modeller kører parallelt på enheden og beregner sandsynligheden for hypoglykæmi for hvert tidsvindue fra 5 til 30 minutter.

3

Du advares i tide

Eskalerende notifikationer, widget og Live Activity holder dig opdateret på Lock Screen og Dynamic Island — proaktivt, ikke reaktivt.

Under motorhjelmen

Fra rå sensordata til en kalibreret risikoprocent, fuldt on-device

SwiftUI-lag
DashboardSwiftUI
HistorikSwiftUI
IndstillingerSwiftUI
ViewModel
DashboardViewModelMVVM, @MainActor
Model- & inferenslag
DataBuffer23 features, 48 steps
InferenceEngineParallel kørsel
HypoPredictor4 CoreML-modeller
Dataservices
NightscoutServiceGlukose + behandling
HealthKitServicePuls, glukose

Sådan tænkte jeg

Fra klinisk problem til teknisk løsning

Problem

Hypoglykæmi hos type 1-diabetikere rammer ofte uden varsel — under søvn, motion eller hverdag. Reaktiv behandling (spise sukker efter symptomerne opstår) er tit for sent.

Tilgang

Brug on-device ML til at forudsige, ikke bare vise, glukoseudviklingen. En enkelt model klarer ikke alle tidshorisonter godt — derfor en kaskade af 4 specialiserede modeller i stedet for én.

Udfordring

Rå insulin- og kulhydrat-input er svage features, fordi effekten er forsinket. Jeg modellerede i stedet aktivt insulin (IOB) og aktive kulhydrater (COB) via farmakokinetiske kerner (Walsh bilineær-model) for at fange den reelle fordøjelses- og optagelsestid.

Resultat

4 kalibrerede CoreML-modeller der kører under 50ms on-device, med et eskalerende alarmsystem med indbygget hysterese, så det ikke spammer med falske advarsler.

Bygget på privatliv og sikkerhed

Ingen automatiseret dosering, ingen skjulte dataspor

On-Device AI
Ingen cloud-inferens
CoreML
4 modeller, <50ms inferens
HealthKit
Puls- & glukoseintegration
Ingen automatisk dosering
Kun varsling, styrer aldrig insulin
Privacy-First
Ingen datamonetisering
Nightscout
Åben, brugerejet integration