ตัวอย่างบทความหรือแอพที่คล้ายคลึงกันกับDiabetesGuardian ทั้งหมด
Last updated
Last updated
บทความที่มีชื่อว่า “การทำนายระดับกลูโคสในเลือดโดยใช้เครือข่ายประสาทซ้ำที่ใช้ LSTM” มุ่งเน้นไปที่การใช้เครือข่ายความจำระยะสั้นระยะยาว (LSTM) ซึ่งเป็นเครือข่ายประสาทเชิงซ้ำ (RNN) ประเภทหนึ่งเพื่อทำนายระดับน้ำตาลในเลือดในผู้ป่วยเบาหวานนี่คือประเด็นสำคัญที่ได้มาจากบริบทที่ให้ไว้:
ความสำคัญของการจัดการโรคเบาหวาน: โรคเบาหวานเป็นปัญหาสุขภาพที่สำคัญที่มีผลกระทบต่อหลายล้านคนทั่วโลก โดยการคาดการณ์บ่งชี้ว่าผู้ป่วยเพิ่มขึ้นการตรวจสอบระดับน้ำตาลในเลือดเป็นประจำมีความสำคัญต่อการจัดการโรคเบาหวานและป้องกันภาวะแทรกซ้อน [1]
ภาพรวมเครือข่าย LSTM: เครือข่าย LSTM ได้รับการออกแบบมาเพื่อจัดการลำดับของข้อมูล ทำให้เหมาะสำหรับการคาดการณ์อนุกรมเวลา เช่น ระดับน้ำตาลในเลือดประกอบด้วยส่วนประกอบต่าง ๆ รวมถึงประตูอินพุต ประตูลืม และประตูเอาต์พุต ซึ่งทำงานร่วมกันเพื่อจัดการสถานะเซลล์และกำหนดว่าข้อมูลใดที่จะเก็บรักษาหรือทิ้ง [2] [3]
การจัดการสถานะเซลล์: สถาปัตยกรรม LSTM ประกอบด้วยกลไกในการอัปเดตสถานะเซลล์ (C_t)ประตูลืม (f_t) ตัดสินว่าข้อมูลใดไม่เกี่ยวข้องอีกต่อไปและควรถูกทิ้งหากเอาต์พุตของประตูลืมคือ 0 ข้อมูลจะถูกทิ้ง หากเป็น 1 ข้อมูลจะถูกเก็บไว้เพื่อใช้ในอนาคต [3] [4]
การคำนวณเอาต์พุต: เอาต์พุต (h_t) ของ LSTM คำนวณตามสถานะเซลล์ที่เปลี่ยนแปลง ซึ่งประมวลผลผ่านฟังก์ชัน tanh เพื่อให้แน่ใจว่าค่าอยู่ระหว่าง -1 ถึง 1เอาต์พุตนี้จะถูกใช้ในขั้นตอนต่อไปของเครือข่าย [5] [6]
การตรวจสอบแบบจำลอง: บทความกล่าวถึงการตรวจสอบความถูกต้องของแบบจำลอง LSTM โดยใช้ข้อมูลที่รวบรวมจากผู้ป่วยเบาหวาน โดยเน้นประสิทธิภาพของแบบจำลองในการทำนายระดับน้ำตาลในเลือดอย่างถูกต้อง [1]
โดยสรุป บทความนี้นำเสนอแนวทางที่ครอบคลุมในการทำนายระดับน้ำตาลในเลือดโดยใช้เครือข่าย LSTM โดยเน้นถึงความสำคัญของการจัดการโรคเบาหวานและการทำงานทางเทคนิคของสถาปัตยกรรม LSTM
งานวิจัยนี้เสนอการใช้โมเดล LSTM แบบซ้อนหลายชั้นร่วมกับเทคนิค Kalman Smoothing เพื่อปรับปรุงความแม่นยำในการพยากรณ์ระดับน้ำตาลในเลือด โดยเฉพาะในกรณีที่ข้อมูลจากเซ็นเซอร์มีความผิดพลาด โมเดลนี้ได้รับการทดสอบกับชุดข้อมูล OhioT1DM และแสดงผลลัพธ์ที่น่าพอใจในด้านความแม่นยำ
โรคเบาหวานเป็นโรคเรื้อรังที่มีระดับน้ำตาลในเลือดสูงเนื่องจากอินซูลินไม่เพียงพอ
โรคเบาหวานประเภท 1 เกิดจากการทำลายเซลล์ทำให้เกิดการขาดอินซูลินอย่างสมบูรณ์
โรคเบาหวานประเภท 2 เกี่ยวข้องกับข้อบกพร่องในการหลั่งอินซูลินที่ก้าวหน้าท่ามกลางความ
ภาวะน้ำตาลในเลือดต่ำเกิดขึ้นเมื่อน้ำตาลในเลือดต่ำเกินไป ภาวะน้ำตาลในเลือดสูงเกิดขึ้นเมื่อสูงเกินไป
ภาวะน้ำตาลในเลือดสูงในระยะยาวนำไปสู่ภาวะแทรกซ้อนอย่างรุนแรงในอวัยวะต่าง ๆ ทำให้จำเป็นต้องมีการจัดการที่เหมาะสม
การรักษาด้วยอินซูลินภายนอกเป็นสิ่งจำเป็นสำหรับการจัดการโรคเบาหวานประเภท 1
การตรวจสอบตนเองในปัจจุบันเกี่ยวข้องกับการทดสอบการติดนิ้วมือบ่อยๆ จำเป็นต้องมีวิธีการปรับปรุงเช่น CGM และปั๊มอินซูลิน
การบำบัดด้วยปั๊มเสริมเซ็นเซอร์ผสมผสานปั๊มอินซูลินเข้ากับการตรวจสอบกลูโคสอย่างต่อเนื่องเพื่อการจัดการที่ดีขึ้น
มีการเสนอวิธีการทางสถิติและการเรียนรู้ของเครื่องต่างๆสำหรับการพยากรณ์ระดับน้ำตาลในเลือด
วิธีการแบบคลาสสิกอย่าง ARIMA มีข้อ จำกัด วิธีการเรียนรู้ของเครื่องที่ไร้เดียงสา ขึ้นอยู่กับการแสดงข้อมูลอินพุตอย่างมาก
มีการพัฒนาแบบจำลองทางสรีรวิทยาเพื่อปรับปรุงแบบจำลองการเรียนรู้ของเครื่องสำหรับการทำนายระดับน้ำตาลในเลือด
ผลงานล่าสุดที่ใช้ RNN ไม่ได้รับความแม่นยำเพียงพอสำหรับข้อมูลผู้ป่วยจริง
ความผิดพลาดของเซ็นเซอร์ในระบบ CGM มักถูกมองข้ามในวิธีการล่าสุด
มีการสำรวจวิธีการทางสถิติสำหรับระบบเตือนเบื้องต้นภาวะน้ำตาลในเลือดต่ำที่เชื่อถือได้
มีการวิจัยที่ จำกัด สำหรับการตรวจจับระดับน้ำตาลในเลือดสูง สัญญาณ ECG สามารถใช้ร่วมกับ ANN เพื่อตรวจจับ
ความผิดพลาดของเซ็นเซอร์อาจนำไปสู่การคาดการณ์ที่ผิดพลาดส่งผลต่อประสิทธิภาพการจัดการโรคเบาหวาน
มีความแตกต่างระหว่างการอ่าน CGM และระดับน้ำตาลในเลือดที่แท้จริงทำให้การคาดการณ์ซับซ้อน
การปรับความเรียบของ Kalman ช่วยเพิ่มความแม่นยำในการทำนายโดยแก้ไขข้อผิดพลาดในการอ่าน CGM
การศึกษานี้เสนอวิธีการเรียนรู้เชิงลึกโดยใช้ LSTM สำหรับการทำนายระดับน้ำตาลในเลือด
ชุดข้อมูล Ohiot1dm ประกอบด้วยข้อมูลแปดสัปดาห์จากผู้ป่วยโรคเบาหวานประเภท 1 หกคน
การรวบรวมข้อมูลโดยใช้ปั๊มอินซูลิน Medtronic และเซ็นเซอร์ CGM พร้อมรายงานเหตุการณ์ประจำวันผ่านแอป
ชุดข้อมูลมีระดับ CGM ทุก 5 นาที การอ่านลายนิ้วมือ ปริมาณอินซูลิน และข้อมูลมื้ออาหาร
ข้อมูลเพิ่มเติมรวมถึงจำนวนขั้นตอนอัตราการเต้นของหัวใจและเมตริกทางสรีรวิทยาอื่น ๆ
การทดลองมีวัตถุประสงค์เพื่อระบุคุณสมบัติที่เหมาะสมสำหรับการทำนายระดับน้ำตาลในเลือด
ค่า CGM การบริโภคคาร์โบไฮเดรตและโบลัสอินซูลินส่งผลในเชิงบวกต่อความแม่นยำของโมเดล
คุณลักษณะบางอย่างเช่นอินซูลินพื้นฐานและการนอนหลับไม่มีผลต่อความแม่นยำอย่างมีนัยสำคัญ
คุณสมบัติที่เลือกสำหรับโมเดล ได้แก่ ค่า CGM ข้อมูลมื้ออาหารปริมาณอินซูลินและการนับขั้นตอน
น้ำตาลในเลือดเพิ่มขึ้น 15 นาทีหลังอาหารสูงสุดที่ 1 ชั่วโมง จากนั้นลดลง
คำนวณระดับคาร์โบไฮเดรตที่มีประสิทธิภาพสำหรับแต่ละดัชนีเวลาหลังอาหาร
15 นาทีแรกหลังอาหารจะถูกเพิกเฉยต่อเนื่องจากผลกระทบของระดับน้ำตาลในเลือด
ผลคาร์โบไฮเดรตสูงสุดเกิดขึ้นที่ 60 นาทีตามด้วยระยะลดลง
เฉพาะข้อมูลอินซูลินโบลัสเท่านั้นที่ใช้ในการสร้างอินพุตไปยังแบบจำลอง RNN
อินซูลินที่มีประสิทธิภาพคำนวณตามอัตราการดูดซึมและปริมาณล่าสุด
คำนวณค่าเฉลี่ยถ่วงน้ำหนักของการนับขั้นตอนในช่วง 50 นาทีก่อนหน้านี้สำหรับการป้อนข้อมูล
ทั้งการอ่าน CGM ที่ยังไม่ผ่านกระบวนการและการอ่านของ Kalman เรียบจะใช้เป็นช่องอินพุต
การทำให้เรียบเนียนของ Kalman แก้ไขข้อผิดพลาดในการอ่าน CGM ให้การประมาณระดับกลูโคสที่เชื่อถือได้
วิธีนี้ใช้อัลกอริทึมส่งต่อสำหรับการประมวลผลข้อมูลแบบเรียลไทม์
การทำให้เรียบเนียนของ Kalman ช่วยปรับปรุงการประมาณการโดยการใช้ข้อมูลทั้งในอดีตและอนาคต
แบบจำลองใช้ RNN ที่ใช้ LSTM เพื่อเรียนรู้การทำนายระดับน้ำตาลในเลือด
LSTM แก้ไขปัญหาการพึ่งพาระยะยาวที่พบใน RNN คลาสสิก
สถาปัตยกรรมประกอบด้วยหลายเลเยอร์และแบบหลีกเลี่ยงเพื่อป้องกันการติดตั้งมากเกินไป
แบบจำลองทำนายระดับน้ำตาลในเลือดตามคุณสมบัติอินพุตต่างๆ
มีการใช้การตั้งค่าสองแบบ: การอ่าน CGM ดิบและค่าที่เรียบของ Kalman สำหรับการแก้ไขข้อผิดพลาด
เซลล์ LSTM และ GRU ได้รับการทดสอบ LSTM มีประสิทธิภาพเหนือกว่า GRU ในความแม่นยำในการทำนาย
มีการทดลองความยาวประวัติข้อมูลต่างๆเพื่อการกำหนดค่าอินพุตที่เหมาะสม
ชุดข้อมูลถูกแบ่งสำหรับการฝึกอบรมการตรวจสอบและการทดสอบเพื่อให้แน่ใจว่าข้อมูลเพียงพอสำหรับการคาดการณ์
ใช้ขนาดแบทช์ 128 โดยมีการพิจารณาประวัติย้อนหลัง 50 นาทีก่อนหน้าสำหรับการนับขั้นตอน
ประสิทธิภาพของโมเดลได้รับการประเมินตามความแม่นยำมากกว่า 30 และ 60 นาที
การทำให้เรียบของ Kalman ช่วยเพิ่มความแม่นยำในการทำนายได้อย่างมีนัยสำคัญเมื่อเทียบกับการอ่าน CGM แบบดิบ
มีการกล่าวถึงความแม่นยำของโมเดล RNN แบบเรียงซ้อนที่เสนอสำหรับการอ่าน CGM ดิบ
RMSE ถูกประมาณสำหรับการคาดการณ์โดยใช้ทั้งค่า CGM ที่ประมวลผลล่วงหน้าและค่าดิบ
การทำให้เรียบเนียนของคาลแมนช่วยเพิ่มความแม่นยำในการทำนายได้อย่างมาก
โมเดลที่ลึกขึ้นพร้อมเลเยอร์ LSTM ที่ซ้อนกันมีประสิทธิภาพเหนือกว่าโมเดลตื้นสำหรับขอบเขตการคาดการณ์ที่ยาวนานขึ้น
RMSE แตกต่างกันไปในผู้ป่วยโดยได้รับอิทธิพลจากคุณภาพของข้อมูลและความผันผวนในการอ่าน CGM
การทำให้เรียบเนียนของ Kalman ช่วยลดข้อผิดพลาดในการทำนายและปรับปรุงความสามารถในการเรียนรู้แบบจำลอง
การทำให้เรียบเนียนของ Kalman ช่วยเพิ่มความแข็งแกร่งของการคาดการณ์ระดับน้ำตาลในเลือด
วิธีการที่เสนอให้การคาดการณ์ที่น่าเชื่อถือมากขึ้นช่วยการจัดการโรคเบาหวาน
ความแม่นยำในการทำนายที่ดีขึ้นสามารถช่วยให้ผู้ป่วยหลีกเลี่ยงอาการน้ำตาลในเลือดที่ไม่พึงประสงค์
งานวิจัยนี้นำเสนอชุดพัฒนาซอฟต์แวร์ (SDK) สำหรับการพยากรณ์ระดับน้ำตาลในเลือดแบบเรียลไทม์ โดยรวบรวมข้อมูลจาก Continuous Glucose Monitors (CGM), การบริโภคคาร์โบไฮเดรต, การฉีดอินซูลิน, และข้อมูลจากอุปกรณ์สวมใส่ เช่น การออกกำลังกาย ความเครียด และการนอนหลับ SDK นี้ผสานรวมกับระบบจัดการอินซูลินแบบโอเพนซอร์ส (Loop) และ Apple Health เพื่อการพยากรณ์ที่แม่นยำและปรับให้เหมาะสมกับแต่ละบุคคล
การคาดการณ์ระดับน้ำตาลในเลือด (BG) ช่วยในการจัดการและการตัดสินใจโรคเบาหวาน
อุปกรณ์ตรวจสอบกลูโคสอย่างต่อเนื่อง (CGM) ส่งระดับ BG ไปยังสมาร์ทโฟนหรือปั๊มอินซูลิน
พลวัตของ BG ได้รับผลกระทบจากมื้ออาหารการนอนหลับการออกกำลังกายความเครียด (MESS) และรอบประจำเดือน
แอปพลิเคชันสมาร์ทโฟนที่มีอยู่สำหรับการทำนาย BG ขึ้นอยู่กับข้อมูลจำลองหรือการป้อนข้อมูลด้วยตนเอง
เซ็นเซอร์ที่สวมใส่ได้สามารถให้สัญญาณทางสรีรวิทยาที่บ่งบอกถึงความเครียดกิจกรรมและการนอนหลับ
การศึกษานี้มุ่งเน้นไปที่ตัวแปรเพิ่มเติมจากเซ็นเซอร์ที่ไม่รุกรานสำหรับการทำนาย BG
อินพุตอาจรวมถึงอัตราการเต้นของหัวใจการตอบสนองของผิวหนังอุณหภูมิและข้อมูลเครื่องวัดความเร่ง
การศึกษาก่อนหน้านี้ขาดข้อกำหนดสากลสำหรับความแม่นยำในการทำนาย BG
ชุดข้อมูล Ohiot1dm เป็นเกณฑ์มาตรฐานสำหรับอัลกอริทึมการทำนาย BG หลายตัวแปร
การตรวจสอบในชีวิตจริงของอัลกอริทึมการทำนาย BG ยังคงเป็นช่องว่างในการวิจั
การศึกษามีวัตถุประสงค์เพื่อพัฒนา SDK แบบแยกส่วนสำหรับการเข้าถึงข้อมูลแบบเรียลไทม์จากอุปกรณ์ที่สวมใส่ได้
SDK ผสานเข้ากับ HealthKit, Empatica SDK และ Oura API สำหรับการเปลี่ยนแปลงของ BG
แอพพิสูจน์แนวคิดที่ใช้ Ridge Regressor จะแสดงการคาดการณ์ BG แบบเรียลไทม์
การศึกษาพัฒนา SDK สำหรับการเชื่อมต่อกับอุปกรณ์ที่สวมใส่ได้สำหรับการทำนาย BG
มีการระบุอินพุตที่จำเป็นผ่านการทบทวนวรรณกรรม
การตรวจสอบความถูกต้องเกี่ยวข้องกับผู้เข้าร่วมหนึ่งคนสวมระบบเป็นเวลา 24 ชั่วโมง
ปฏิบัติตามแนวทางจริยธรรมและได้รับความยินยอมที่แจ้งให้ทราบ
SDK มีเป้าหมายที่จะให้การคาดการณ์ BG แบบเรียลไทม์โดยไม่ต้องป้อนข้อมูลด้วยตนเอง
การศึกษาก่อนหน้านี้สำรวจวิธีการทำนายต่างๆ SDK นี้ทำหน้าที่เป็นแพลตฟอร์มการทดลอง
แสดงตัวแปรที่จำเป็นสำหรับ SDK และผลกระทบต่อพลวัตของ BG
สีเขียวบ่งบอกถึงความสัมพันธ์ที่มั่นคงเป็นอย่างดี สีเหลืองบ่งบอกถึงพื้นที่ที่ต้องการการวิจัยเพิ่มเติม
ประเภทอินพุตเน้นที่ MESS และรอบประจำเดือนโดยจัดให้เข้ากับตับอ่อนเทียมแบบหลายอินพุต
iPhone ทำหน้าที่เป็นหน่วยสื่อสารและเรียกใช้แอปพลิเคชันมือถือ
ระบบการจัดการอินซูลินประกอบด้วย Dexcom G6 และ OmniPod ซึ่งจัดการผ่านแอป Loop
CGM บันทึกการวัดด้วยอัตราการสุ่มตัวอย่าง 5 นาที
สายรัดข้อมือ Empatica E4 ให้การวัดเซ็นเซอร์ทางสรีรวิทยาอย่างต่อเนื่องผ่านบลูทู ธ
Oura Ring ติดตามการนอนหลับและกิจกรรมด้วยข้อมูลที่เข้าถึงผ่านเว็บ API
Apple Watch บันทึกการออกกำลังกายและตัวแปรไบโอเมตริกซ์รวมเข้ากับ Apple Health
SDK เชื่อมต่อกับฮาร์ดแวร์โดยใช้ HealthKit, Oura Web API และ Bluetooth Low Energy
ข้อมูล HealthKit ถูกรวมเข้ากับ iPhone โดยได้รับความยินยอมจากผู้ใช้
Empatica E4 เชื่อมต่อผ่าน BLE โดยมุ่งเน้นไปที่จุดสิ้นสุดการเข้าถึงข้อมูล
SDK ไม่รวมอัลกอริทึมการเรียนรู้ของเครื่อง โดยเน้นการเข้าถึงข้อมูล
SDK จัดการกับความท้าทายทางเทคนิคในสถาปัตยกรรมซอฟต์แวร์การทำงานร่วมกันและการตอบสนองการคาดการณ์
SDK มีอินเทอร์เฟซแบบครบวงจรสำหรับข้อมูลแบบเรียลไทม์จากแหล่งต่างๆ
การเข้าถึงข้อมูล HealthKit ใช้วัตถุ Singleton สำหรับการอัปเดตที่มีประสิทธิภาพ
การเข้าถึงข้อมูล Empatica และ Oura นั้นง่ายขึ้นผ่านวัตถุเดียว
สถาปัตยกรรมไม่รวมกลไกการคงอยู่ของข้อมูล
โซลูชันสำหรับการทำงานร่วมกันของค่าอินพุต ได้แก่ การรวม การใช้ค่าล่าสุด และการสร้างแบบจำลองทางสรีรวิทยา
เอฟเฟกต์อินซูลินถูกสร้างแบบจำลองเพื่อปรับปรุงความแม่นยำในการทำนาย BG
DispatchGroup ซิงโครไนซ์การโทรข้อมูลพร้อมกันก่อนดำเนินการคาดการณ์ BG
เวลาตอบสนองการคาดการณ์ BG ได้รับอิทธิพลจากการดึงข้อมูลและการเลือกอัลกอริทึม
โปรโตคอลการสื่อสารนำเสนอความท้าทายสำหรับการเพิ่มประสิทธิภาพเวลาตอบสนอง
แอพสมาร์ทโฟนแสดงให้เห็นถึงความสามารถของ SDK สำหรับการคาดการณ์ BG แบบเรียลไทม์โดยใช้การถดถอยของ Ridge
การพิสูจน์ของแนวคิดใช้ Ridge Regression ซึ่งแสดงให้เห็นว่ามีประสิทธิภาพเหนือกว่าอัลกอริทึมอื่น ๆ
มีการคาดการณ์โดยตรงสำหรับระดับกลูโคสในอนาคตหลีกเลี่ยงการแพร่กระจายของข้อผิดพลาด
โมเดลได้รับการฝึกอบรมด้วยคุณสมบัติที่ล่าช้าและเปรียบเทียบตามประเภทอินพุต
ชุดข้อมูลสองชุดตรวจสอบแบบจำลอง Ridge Regression รวมถึงชุดข้อมูล Ohio T1DM
ข้อมูลจากผู้เข้าร่วมการศึกษาถูกนำมาใช้สำหรับการฝึกแบบจำลองส่วนบุคคล
การประมวลผลล่วงหน้ารวมถึงการสุ่มตัวอย่างการนำมาใช้ใหม่และการทำให้เป็นปกติ
RMSE เป็นตัววัดความแม่นยำหลักสำหรับอัลกอริทึมการคาดการณ์ BG
SDK ช่วยให้สามารถเก็บข้อมูลแบบเรียลไทม์จาก IMS และอุปกรณ์สวมใส่ได้
มีจุดสิ้นสุดสำหรับตัวแปรอินพุตที่เหมาะสำหรับการคาดการณ์ BG หลายตัวแปร
แบบจำลองการถดถอยของ Ridge ได้รับการเปรียบเทียบกับชุดข้อมูล Ohiot1dm
รวมถึงคุณสมบัติเพิ่มเติมที่ปรับปรุงค่า RMSE เมื่อเทียบกับอินพุต CGM เท่านั้น
การทดลองเกี่ยวข้องกับสถานการณ์ของการบริโภคคาร์โบไฮเดรตการบริโภคอินซูลินและการออกกำลังกาย
มีการสังเกตการคาดการณ์ BG แบบเรียลไทม์ในระหว่างการทดลองแสดงให้เห็นถึงประสิทธิภาพของโมเดล
ความท้าทายรวมถึงการใช้โปรโตคอลการสื่อสารหลายโปรโตคอลสำหรับการรวบรวมข้อมูล
มีช่องว่างในการประเมินการคาดการณ์ BG หลายตัวแปรในสถานการณ์ในชีวิตจริง
โปรโตคอลปิดขัดขวางการเข้าถึงข้อมูลจากปั๊มอินซูลินและอุปกรณ์สวมใส่ได้
SDK มีแอพพลิเคชั่นที่มีศักยภาพสำหรับระบบสนับสนุนการตัดสินใจในการจัดการโรคเบาหวาน
การศึกษาแสดงให้เห็นถึงแพลตฟอร์ม SDK สำหรับการพัฒนาเครื่องมือสำหรับการทำนาย BG
จำเป็นต้องมีการวิจัยเพิ่มเติมเพื่อสำรวจการใช้งานและการตั้งค่าที่กว้างขึ้นสำหรับการทำนาย BG
แอป Sugarmate ถูกออกแบบมาเพื่อช่วยลดความกังวลและความไม่แน่นอนในการจัดการโรคเบาหวานชนิดที่ 1 ทั้งสำหรับผู้ป่วยและผู้ดูแล โดยใช้ประโยชน์จากข้อมูลการตรวจวัดระดับน้ำตาลต่อเนื่อง (CGM) อย่างเต็มที่
กราฟแบบโต้ตอบ: สามารถกดค้างและเลื่อนบนกราฟเพื่อดูค่าระดับน้ำตาลเฉพาะจุด แตะสองครั้งเพื่อเพิ่มกิจกรรม หรือบีบนิ้วเพื่อซูมดูรายละเอียด
ข้อมูลที่ปรับแต่งได้: เลือกแสดงผลข้อมูลได้จากกว่า 30 รูปแบบ จัดเรียงใหม่โดยการกดค้างและลาก หรือแตะเพื่อแก้ไขหรือลบ
บันทึกกิจกรรม: ติดตามการออกกำลังกาย, ยา, อาหาร หรือการให้ยาอินซูลิน เพื่อทำความเข้าใจแนวโน้มของข้อมูลได้ดียิ่งขึ้น สามารถเพิ่มบันทึกย่อได้
ฐานข้อมูลโภชนาการ: เมื่อบันทึกอาหารและเครื่องดื่ม สามารถเพิ่มข้อมูลโภชนาการเอง หรือเลือกจากฐานข้อมูลผลิตภัณฑ์ขนาดใหญ่ (Powered by FatSecret)
ตรวจจับการออกกำลังกาย: แอปสามารถตรวจจับและบันทึกการเดิน, วิ่งเหยาะๆ หรือวิ่ง ที่สำคัญได้โดยอัตโนมัติ ผ่านการซิงค์สองทางกับแอป Apple Health
กิจกรรมโปรด: บันทึกรายการกิจกรรมที่ใช้บ่อยเพื่อให้เพิ่มได้อย่างรวดเร็วจากเมนูโปรดหรือตัวเลือกการค้นหาทั่วไป
การแจ้งเตือนระดับต่ำกว่าปกติ: สามารถรับสายโทรศัพท์ (แม้เปิดโหมดห้ามรบกวน) เมื่อระดับน้ำตาลต่ำกว่าช่วงปกติที่กำหนด
การสั่งงานด้วยเสียง: ใช้การจดจำเสียงที่พัฒนาโดย Siri เพื่อตรวจสอบค่าล่าสุดบนอุปกรณ์ที่รองรับ หรือเพิ่มรายการต่างๆ ได้อย่างรวดเร็ว
ธีมสี: ปรับแต่งแอปด้วยธีมสีต่างๆ หรือเลือกรูปแบบการแสดงจุดบนกราฟ
ผู้ใช้งานหลายคน: ผู้ดูแลสามารถเข้าถึงข้อมูลเพื่อติดตามระดับน้ำตาลได้จากระยะไกล และสามารถติดตามผู้ใช้งานหลายคนได้ในบัญชีเดียว
รายงานการส่งออก: ส่งอีเมลรายงานสเปรดชีตที่มีข้อมูลกิจกรรมทั้งหมด, กราฟรายวัน และสถิติ ไปยังตนเองหรือผู้อื่นได้
โดยสรุป: Sugarmate เป็นแอปที่ช่วยให้ผู้ป่วยเบาหวานชนิดที่ 1 และผู้ดูแลสามารถจัดการโรคได้ง่ายขึ้น เข้าใจข้อมูล CGM ได้ดีขึ้น และได้รับการแจ้งเตือนเมื่อระดับน้ำตาลต่ำกว่าปกติอย่างทันท่วงที พร้อมทั้งมีฟีเจอร์อื่นๆ ที่ช่วยในการติดตามและวิเคราะห์ข้อมูลสุขภาพ
ฟีเจอร์หลัก:
บันทึกและติดตามระดับน้ำตาลในเลือด
ประเมินค่า HbA1c โดยประมาณ
แสดงกราฟและแนวโน้มของระดับน้ำตาล
เชื่อมต่อกับเครื่องตรวจน้ำตาล Accu-Chek
ส่งออกข้อมูลผ่านอีเมลหรือแอปพลิเคชันอื่น ๆ
ข้อจำกัด:
ไม่มีระบบแจ้งเตือนฉุกเฉินอัตโนมัติ
ไม่มีปุ่มสำหรับแจ้งเตือนคนใกล้ชิดเมื่อระดับน้ำตาลต่ำ