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.
Alt hvad der skal til for at se hypoglykæmi komme, før den rammer
En kaskade af 4 CoreML-modeller forudsiger hypoglykæmi ved 5, 10, 15 og 30-minutters horisonter — kører fuldt on-device.
Live glukosegraf med stiplet forudsigelseslinje og konfidensbånd — du ser hvor du er på vej hen, ikke kun hvor du er.
Advarsel → alarm → pumpestop-varsling, med intelligent cooldown og skærpet natfølsomhed mellem kl. 22–07.
Al inferens sker lokalt på enheden. Ingen server, ingen cloud, intet abonnement — dine sundhedsdata forlader aldrig telefonen.
Ingen manuel indtastning nødvendig — appen arbejder i baggrunden
HealthKit og Nightscout leverer løbende glukose, puls og behandlingsdata (bolus, kulhydrater) i en rullende 4-timers vinduer.
4 CoreML-modeller kører parallelt på enheden og beregner sandsynligheden for hypoglykæmi for hvert tidsvindue fra 5 til 30 minutter.
Eskalerende notifikationer, widget og Live Activity holder dig opdateret på Lock Screen og Dynamic Island — proaktivt, ikke reaktivt.
Fra rå sensordata til en kalibreret risikoprocent, fuldt on-device
Fra klinisk problem til teknisk løsning
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.
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.
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.
4 kalibrerede CoreML-modeller der kører under 50ms on-device, med et eskalerende alarmsystem med indbygget hysterese, så det ikke spammer med falske advarsler.
Ingen automatiseret dosering, ingen skjulte dataspor
Soloprojekt til porteføljebrug — ikke et certificeret medicinsk produkt og ikke en erstatning for lægefaglig rådgivning. Brug altid CGM-alarmer og klinisk vurdering som din primære sikkerhedsforanstaltning.
Status i klartekst — ærlighed om hvad der mangler, ikke kun hvad der virker
Modellen er overvejende trænet på data uden puls/skridt fra smartwatches — brugere med wearables kan opleve mindre præcise forudsigelser, indtil modellen retrænes med mere af den datatype.
Præcisionen falder en smule på helt nye, aldrig-sete patientpopulationer sammenlignet med træningsdata — forventeligt for ML-modeller, men værd at være transparent om.
Modelopdateringer kræver en ny App Store-udgivelse og kan ikke hot-swappes — forbedringer fra nye data slår først igennem ved næste release.