引言：从个人工具到开源工程
GlycemicGPT 起源于一个 Type 1 糖尿病患者在失医期间的自我探索。当 jlengelbrecht 在等待新内分泌科医生的数月里，面对 CGM 图表却没有专业分析支持时，他决定构建一个工具来填补这段空白。这一个人需求最终演变为一个完整开源项目 —— 连接实时设备数据与 AI 分析引擎的糖尿病管理平台。该项目隶属于 #WeAreNotWaiting 运动，这一运动由 Nightscout 和 OpenAPS 等先驱项目培育，核心理念是患者不应等待商业医疗设备公司的缓慢迭代来解决自身的健康管理问题。
从工程角度看，GlycemicGPT 展示了一种将个人健康数据管道与 AI 能力解耦的设计思路。与其依赖云端服务的封闭集成，用户可以在自托管基础设施上运行完整的分析流程，同时保留 Bring Your Own AI（BYOAI）的灵活性。这种架构选择不仅降低了隐私风险，也为技术社区贡献了一个可扩展的医疗 AI 应用参考实现。
架构解析：BLE 直连与自托管数据管道
GlycemicGPT 的技术架构分为三个核心层次：设备接入层、平台核心层和 AI 分析层。在设备接入层面，项目通过蓝牙低功耗（BLE）协议直接连接胰岛素泵和连续血糖监测仪（CGM）。当前支持 Dexcom G7 传感器和 Tandem t:slim X2/Mobi 胰岛素泵，数据以每五分钟一次的频率流向用户设备。这种 BLE 直连模式绕过了厂商云服务的中介，数据传输路径为：设备 → 手机应用 → 自托管服务器，全程不经过第三方云平台。
平台核心层采用 FastAPI/Python 构建后端服务，配合 Next.js/React 前端提供实时仪表板。关键的数据流通过 Server-Sent Events（SSE）实现客户端推送，使血糖曲线和胰岛素活性（IOB）数据在浏览器中保持同步更新。前端仪表板呈现血糖趋势图、胰岛素活性追踪和模式检测结果，用户可以在任何设备上查看实时状态。这种自托管架构允许用户在家庭服务器或私有云环境中部署完整系统，数据控制权完全掌握在用户手中。
AI 分析层作为独立 TypeScript 侧车运行，通过标准化接口与平台核心通信。该层整合了 RAG（检索增强生成）与向量搜索能力，基于临床糖尿病知识库为对话式查询和每日简报提供支持。用户可以选择接入 Claude、OpenAI 等商业 API，或使用 Ollama 在本地运行开源模型，实现完全离线的 AI 推理能力。
餐前血糖预测：数据驱动的时序建模思路
餐前血糖预测是糖尿病管理 AI 的核心技术场景之一。GlycemicGPT 在这一领域的实现采用多源数据融合策略：整合 CGM 连续监测数据、历史餐后血糖曲线、胰岛素给药记录和碳水化合物摄入估算，形成特征向量输入预测模型。从平台架构来看，这些特征数据首先经过清洗和标准化处理，然后与用户的基线模式进行比对，生成短期血糖轨迹预测。
具体的预测流程涉及滑动窗口时序分析。系统提取最近 2-4 小时的 CGM 数据作为短期上下文，结合碳水化合物与胰岛素的时间戳信息，计算当前时刻的活性胰岛素量（IOB）和即将吸收的碳水化合物量（COB）。基于这些输入，AI 模块输出餐前血糖的预估范围，帮助用户在决定胰岛素剂量时获得参考信息。需要强调的是，这一预测系统不提供最终剂量建议，所有计算结果仅供参考，用户应结合自身经验和医疗团队指导做出实际决策。
胰岛素剂量推荐：安全边界与交互建模
胰岛素剂量推荐系统的工程化实现需要在精度追求和安全保障之间取得平衡。GlycemicGPT 的 AI 分析引擎在处理剂量相关查询时，遵循严格的安全边界约束：系统仅提供基于历史模式的趋势分析，而非直接的医疗建议。当用户询问 “我应该打多少胰岛素” 时，AI 会基于用户配置的基础参数（如碳水化合物比率、校正因子）和近期数据提供背景信息，同时明确提醒用户咨询专业医疗人员。
在药物交互建模方面，系统对 GLP-1 受体激动剂等辅助用药的建模主要体现在其对血糖曲线的影响模式识别上。GLP-1 药物通过延缓胃排空和抑制胰高血糖素分泌来降低餐后血糖峰值，这一效应反映在 CGM 数据中即为更平缓的上升曲线和延长的饱腹感持续时间。GlycemicGPT 的模式检测模块会识别这类药物带来的典型血糖变化特征，将其纳入趋势分析而非直接纳入剂量计算。这种设计避免了模型对药物效果做出错误假设，同时为用户提供更准确的血糖控制反馈。
工程实践：自托管部署与隐私保护
对于希望自行部署 GlycemicGPT 的用户，项目提供了 Docker Compose 和 Kubernetes 两种部署方案。最简部署路径仅需一条命令即可启动完整服务栈：设备数据接收、AI 分析引擎、Web 仪表板和移动应用后端均在容器化环境中协调运行。移动端采用 Kotlin 开发 Android 原生应用，并提供 Wear OS 表盘扩展，将血糖值、趋势箭头和快速 AI 查询功能直接呈现在智能手表上。
隐私保护设计贯穿整个架构。数据默认存储在用户自有的基础设施中，不经过厂商云服务或平台方服务器。用户可选择接入商业 AI 提供商获取更强的模型能力，同时也可以配置 Ollama 进行完全本地化的推理，实现数据不出本地的严格要求。项目采用 GPL-3.0 开源许可证，确保任何修改都必须以相同条款开源，保障了用户对自身健康数据的控制权。
局限性与风险提示
作为一个非 FDA 批准的开放源码项目，GlycemicGPT 存在明确的功能边界：它不控制胰岛素泵的自动给药，仅执行监测和分析任务。用户在使用过程中需要持续关注这一区别，避免将 AI 提供的趋势分析误认为医疗指令。平台在用户界面和每日简报中均明确标注 “not medical advice” 的提示信息，但最终的健康决策责任仍由用户自行承担。
此外，BLE 设备连接的稳定性、AI 预测模型的泛化能力以及不同个体对药物响应的差异性，都可能影响系统的实际表现。建议用户将 GlycemicGPT 作为专业医疗支持的补充工具，而非替代方案。在调整胰岛素治疗方案前，应始终与内分泌科医生沟通确认。
结语
GlycemicGPT 展示了开源社区在医疗健康 AI 领域的工程化探索能力。从个人需求出发，该项目构建了一套完整的设备数据管道、AI 分析引擎和用户交互界面，为糖尿病患者提供了可自托管、可扩展的血糖管理解决方案。其设计思路 —— 将 AI 能力与设备数据解耦、保留用户数据控制权、支持灵活接入不同 AI 提供商 —— 为类似医疗 AI 应用提供了有价值的参考架构。需要进一步了解项目详情，可访问 GitHub 仓库获取部署文档和贡献指南。
内容声明：本文无广告投放、无付费植入。
如有事实性问题，欢迎发送勘误至 i@hotdrydog.com。