Большинство разработок опираются на данные непрерывных глюкозных мониторов (CGM): такие устройства использовались в 70% проанализированных работ. Частое измерение сахара дает моделям высокую плотность данных, благодаря чему примерно 60% исследований демонстрировали клинически приемлемый уровень ошибки прогноза. Самые продвинутые алгоритмы предсказывали уровень глюкозы за один-два часа вперед с точностью более 85%. В ряде проектов данные CGM дополнялись показателями активности, сна или частоты сердцебиения, что улучшало индивидуальные рекомендации и делало прогнозы устойчивее.
В четверти работ применялись модели нового поколения, которые анализируют данные нескольких сенсоров как единую динамическую среду. Такой подход позволил учитывать реакцию организма на стресс, нагрузку или нарушение сна и точнее выявил сложные гликемические эпизоды, которые редко фиксируются простыми моделями. В отдельных исследованиях описаны прототипы адаптивной инсулинотерапии, где алгоритмы обновляют рекомендации практически в реальном времени.
Авторы отмечают и заметные ограничения. Только 7% работ приводили данные о расово-этническом составе участников, а 40% исследований включали менее 100 человек. Это снижает надежность выводов и повышает риск того, что алгоритмы будут работать по-разному для разных групп пациентов. В 60% проектов применялись модели, принцип работы которых трудно интерпретировать, и инструменты объяснения решений использовались редко.
Тем не менее обзор показывает, что потенциал ИИ в диабетологии уже значительный. Носимые устройства дают постоянный поток данных, а алгоритмы помогают превращать его в своевременные подсказки и персональные рекомендации. Такой подход стабилизирует уровень сахара, снижает риск острых эпизодов и делает пациентов более вовлеченными в контроль своего состояния.
Для дальнейшего развития направления необходимы крупные репрезентативные датасеты, единые критерии оценки моделей и более широкое внедрение инструментов объяснимости. Перспективными направлениями считаются мультимодальные алгоритмы, адаптивные нейросети нового поколения и исследования экономической эффективности технологий. Эти компоненты рассматриваются как ключевые для перехода ИИ-решений на базе носимых сенсоров из экспериментальных прототипов в рутинную клиническую практику.
Похожие выводы приводятся и в других работах. Так, в обзоре индийских исследователей, опубликованном в Digital Medicine, отмечается, что именно мультимодальные ИИ-системы становятся ключевым направлением развития отрасли. Такой подход, по оценкам авторов, способен увеличить мировой рынок фармацевтического и биотехнологического ИИ с $1,8 млрд в 2023 году до $13 млрд к 2034-му.
Большинство разработок опираются на данные непрерывных глюкозных мониторов (CGM): такие устройства использовались в 70% проанализированных работ. Частое измерение сахара дает моделям высокую плотность данных, благодаря чему примерно 60% исследований демонстрировали клинически приемлемый уровень ошибки прогноза. Самые продвинутые алгоритмы предсказывали уровень глюкозы за один-два часа вперед с точностью более 85%. В ряде проектов данные CGM дополнялись показателями активности, сна или частоты сердцебиения, что улучшало индивидуальные рекомендации и делало прогнозы устойчивее.
В четверти работ применялись модели нового поколения, которые анализируют данные нескольких сенсоров как единую динамическую среду. Такой подход позволил учитывать реакцию организма на стресс, нагрузку или нарушение сна и точнее выявил сложные гликемические эпизоды, которые редко фиксируются простыми моделями. В отдельных исследованиях описаны прототипы адаптивной инсулинотерапии, где алгоритмы обновляют рекомендации практически в реальном времени.
Авторы отмечают и заметные ограничения. Только 7% работ приводили данные о расово-этническом составе участников, а 40% исследований включали менее 100 человек. Это снижает надежность выводов и повышает риск того, что алгоритмы будут работать по-разному для разных групп пациентов. В 60% проектов применялись модели, принцип работы которых трудно интерпретировать, и инструменты объяснения решений использовались редко.
Тем не менее обзор показывает, что потенциал ИИ в диабетологии уже значительный. Носимые устройства дают постоянный поток данных, а алгоритмы помогают превращать его в своевременные подсказки и персональные рекомендации. Такой подход стабилизирует уровень сахара, снижает риск острых эпизодов и делает пациентов более вовлеченными в контроль своего состояния.
Для дальнейшего развития направления необходимы крупные репрезентативные датасеты, единые критерии оценки моделей и более широкое внедрение инструментов объяснимости. Перспективными направлениями считаются мультимодальные алгоритмы, адаптивные нейросети нового поколения и исследования экономической эффективности технологий. Эти компоненты рассматриваются как ключевые для перехода ИИ-решений на базе носимых сенсоров из экспериментальных прототипов в рутинную клиническую практику.
Похожие выводы приводятся и в других работах. Так, в обзоре индийских исследователей, опубликованном в Digital Medicine, отмечается, что именно мультимодальные ИИ-системы становятся ключевым направлением развития отрасли. Такой подход, по оценкам авторов, способен увеличить мировой рынок фармацевтического и биотехнологического ИИ с $1,8 млрд в 2023 году до $13 млрд к 2034-му.
