Jatkuva glukoosisensori on suunniteltu ennen kaikkea verensokerin seuraamiseen. Google Researchin GlucoFM-tutkimuksessa ajatusta vietiin kuitenkin pidemmälle. Tekoäly opetettiin suurella määrällä glukoosisensorin mittausdataa niin, että se oppii tunnistamaan datasta yleisiä aineenvaihdunnan piirteitä. Sen jälkeen samaa mallia voitiin käyttää useisiin eri tehtäviin, kuten diabetesriskin, insuliiniresistenssin, hypoglykemian ja lihavuuden arviointiin sekä aterianjälkeisen glukoosivasteen ennustamiseen.

Kiinnostavaa on kehittyneen diabetesalgoritmin lisäksi ajatus siitä, että yksi terveydenseurannan sensori voi sisältää paljon enemmän tietoa kuin mitä siitä tällä hetkellä osataan hyödyntää. Uutta laitetta ei välttämättä tarvita jokaista uutta mittausta varten. Sen sijaan tekoäly voi oppia tunnistamaan jo olemassa olevasta mittausdatasta uusia terveydentilaan liittyviä piirteitä. Tänä vuonna on julkaistu foundation model -tutkimuksia esimerkiksi yhden kanavan puettavasta EKG:stä, pulssioksimetrien PPG-signaalista sekä useita erilaisia puettavien laitteiden biosignaaleja yhdistävistä malleista. PPG-tutkimuksessa lähtökohtana on nimenomaan se, että sykkeen ja happisaturaation mittaamiseen käytetty optinen signaali sisältää paljon muutakin fysiologista informaatiota kuin ne luvut, joita nykyinen laite käyttäjälle näyttää. Tämä vahvistaa GlucoFM:n havaintoa mahdollisena laajempana kehityssuuntana eikä vain yhtenä glukoosiseurannan kokeiluna. Eli periaatteessa ostamasi terveysteknologian ominaisuuksia voitaisiin myöhemmin laajentaa uusilla tekoälymalleilla samaan tapaan kuin puhelimeen lisätään uusia sovelluksia.

Sotelle tämä voisi tarkoittaa, että jo käytössä olevasta terveysteknologiasta saadaan enemmän hyötyä ilman uusien mittalaitteiden jatkuvaa käyttöönottoa. Esimerkiksi etäseurannassa sama sensori voisi tulevaisuudessa tuottaa tietoa useammasta terveysriskistä tai auttaa tunnistamaan muutoksia potilaan tilanteessa aikaisemmin. Tämä muuttaisi terveysteknologioiden hankintaa ja elinkaarta – ehkä tärkemmät kysymykset laitteiden hankinnassa liittyisi fysiologisen datan laadukkuuteen, frekvenssiin, säilytysmahdollisuuksiin jne.

Kehitys on kuitenkin vasta tutkimusvaiheessa, ja sääntely voi muuttua vaikeammaksi. GlucoFM ei ole kliinisesti hyväksytty diagnostinen järjestelmä, ja sen koulutusaineisto on vielä suhteellisen pieni ja rajallinen suhteessa väestön, laitteiden ja sairauksien vaihteluun. Jos sama fyysinen sensori saa ohjelmistopäivitysten kautta uusia terveydellisiä tulkintoja, pitää ratkaista, mikä osa kokonaisuudesta on lääkinnällinen laite, miten jokainen uusi käyttötarkoitus validoidaan ja voiko aiemmin kerättyä sensoridataa käyttää tarkoituksiin, joita ei ollut tiedossa mittaushetkellä.