Международный эндокринологический журнал Том 21, №4, 2025

У статті досліджується, як сучасні технології революціонізують лікування діабету, інтегруючи безперервний моніторинг глюкози (CGM), прогнозну аналітику та рішення для дистанційної охорони здоров’я. З огляду на те, що понад 500 мільйонів людей у світі страждають на цукровий діабет (ЦД), а поширеність захворювання зростає, ефективне й адаптивне управління є критично важливим. Метою цієї наукової роботи є представлення можливостей сучасних технологій, зокрема платформи GluComp, у вдосконаленні управління ЦД шляхом інтеграції систем безперервного моніторингу рівня глюкози та персоналізованих моделей машинного навчання. У дослідженні показано, як дані в реальному часі, прогностична аналітика й модульна архітектура забезпечать проактивний і адаптивний підхід до надання медичної допомоги пацієнтам із ЦД. Традиційні методи моніторингу ЦД, наприклад аналізи крові, обмежені в наданні інформації в режимі реального часу. Новіші технології CGM, як-от Dexcom та Freestyle Libre, дозволяють безперервний, неінвазивний моніторинг рівня глюкози, створюючи часові ряди, необхідні для виявлення закономірностей та прогнозування небезпечних коливань (гіпо- або гіперглікемія). Використання алгоритмів глибокого навчання та нейронних мереж підвищує точність цих прогнозів, фіксуючи тенденції складних даних із плином часу. Ключовою інновацією, що обговорюється, є GluComp — модульна цифрова платформа охорони здоров’я, розроблена для поліпшення лікування ЦД. GluComp інтегрує системи CGM із персоналізованими моделями машинного навчання для надання сповіщень у режимі реального часу, прогнозних висновків й адаптивного догляду. Вона підтримує офлайн-функціональність, а також пропонує інтуїтивно зрозумілі панелі інструментів для пацієнтів та медичних працівників, підвищуючи залученість і дотримання режиму лікування. У статті також розглядаються проблеми в системі охорони здоров’я України, особливо для пацієнтів із ЦД в економічно неблагополучних або сільських районах, у яких доступ до CGM та інсулінових помп обмежений через високу вартість. Незважаючи на ці проблеми, прогрес досягається завдяки ініціативам у сфері охорони здоров’я, мобільним додаткам і державним програмам підтримки, спрямованим на підвищення обізнаності й доступу до медичної допомоги. Особлива увага приділяється військовослужбовцям, для яких технологія CGM може бути критично важливою через високий рівень фізичного та психологічного стресу, нерегулярний розпорядок дня й обмежений доступ до невідкладної медичної допомоги. Впровадження CGM у військових умовах може підвищити оперативну готовність та перенести інновації в цивільну охорону здоров’я. Розумне управління ЦД за допомогою таких платформ, як GluComp, завдяки моніторингу в режимі реального часу, прогнозному моделюванню й персоналізованому догляду є трансформаційним кроком у лікуванні хронічних захворювань і має потенціал щодо поліпшення результатів, зменшення ускладнень та підвищення якості життя, особливо якщо адаптувати її до потреб малозабезпечених верств населення.

The article explores how modern technology is revolutionizing diabetes care by integrating conti­nuous glucose monitoring (CGM), predictive analytics, and remote healthcare solutions. With over 500 million people globally affected by diabetes, and rising prevalence in countries like Ukraine, effective and adaptive management is critical. The goal of this paper is to present how modern technologies, specifically the GluComp platform, enhance diabetes management by integrating continuous glucose monitoring and personalized machine learning models. It aims to demonstrate how real-time data, predictive analytics, and modular design enable proactive and adaptive care for patients with diabetes. Traditional diabetes monitoring methods, such as fingerstick blood tests, are limited in providing real-time data. Newer CGM technologies like Dexcom and Freestyle Libre enable continuous, non-invasive monitoring of glucose levels, producing time series data essential for detecting patterns and predicting dangerous fluctuations (hypo- or hyperglycemia). The use of deep learning and neural network algorithms enhances the accuracy of these predictions by capturing complex data trends over time. A key innovation discussed is GluComp, a modular digital health platform designed to improve diabetes management. GluComp integrates CGM systems with personalized machine learning models to deliver real-time alerts, predictive insights, and adaptive care. It supports offline functionality for rural or under-resourced areas, and offers intuitive dashboards for patients and healthcare providers, boosting engagement and treatment adherence. The article also addresses the challenges in Ukraine’s healthcare system, especially for diabetes patients in economically disadvantaged or rural areas, where access to CGMs and insulin pumps is limited due to high costs. Despite these challenges, progress is being made through public health initiatives, mobile health apps, and government support programs aimed at increasing awareness and access to care. Special attention is given to the military population, for whom CGM technology could be critical due to high physical and psychological stress levels, irregular routines, and limited access to immediate medical care. Implementing CGM in military settings could enhance operational readiness and transfer innovations to civilian healthcare. Smart diabetes management using platforms like GluComp — through real-time monito­ring, predictive modeling, and personalized care — is a transformative step in chronic disease management. It holds promise for improving outcomes, reducing complications, and enhancing quality of life, especially when adapted to meet the needs of underserved populations.

цукровий діабет; дистанційний моніторинг; персоніфікований підхід; охорона здоров’я; модульна цифрова платформа охорони здоров’я GluComp; огляд

diabetes mellitus; remote monitoring; personalized approach; health care; modular digital health platform GluComp; review

1. Frank LD, Adhikari B, White KR, Dummer T, Sandhu J, Demlow E, et al. Chronic disease and where you live: Built and natural environment relationships with physical activity, obesity, and diabetes. Environ Int. 2022;158:106959. doi: 10.1016/j.envint.2021.106959.
2. Global Burden of Disease Collaborative Network. Global Burden of Disease Study 2021. Results. Institute for Health Metrics and Evaluation. 2024. Available from: https://vizhub.healthdata.org/gbd-results.
3. International Diabetes Federation. IDF Diabetes Atlas. 10th ed. Brussels: 2021. Available from: https://www.diabetesatlas.org.
4. Gammeltoft TM, Bùi THD, V TKD, V ĐA, Nguyn TÁ, Lê MH. Everyday disease diplomacy: An ethnographic study of diabetes self-care in Vietnam. BMC Public Health. 2022;22:828. doi: 10.1186/s12889-022-13157-1.
5. Sonmez A, Haymana C, Demirci I, Cesur M, Rizzo M, Tasci I. Critical questions in diabetes management: What are the most compelling challenges and how can we handle them? Int J Cardiol Cardiovasc Risk Prev. 2022;15:200160. doi: 10.1016/j.ijcrp.2022.200160.
6. Maina PM, Pienaar M, Reid M. Self-management practices for preventing complications of type II diabetes mellitus in low and middle-income countries: A scoping review. Int J Nurs Stud Adv. 2023;5:100136. doi: 10.1016/j.ijnsa.2023.100136.
7. National Institute of Diabetes and Digestive and Kidney Disea–ses. Continuous Glucose Monitoring. Available from: https://www.niddk.nih.gov/health-information/diabetes/overview/managing-diabetes/continuous-glucose-monitoring.
8. Lu HY, Ding X, Hirst JE, Yang Y, Yang J, Mackillop L, Clifton DA. Digital health and machine learning technologies for blood glucose monitoring and management of gestational diabetes. IEEE Rev Biomed Eng. 2024;17:98-117. doi: 10.1109/RBME.2023.3242261.
9. Campanella S, Paragliola G, Cherubini V, Pierleoni P, Palma L. Towards personalized AI-based diabetes therapy: A review. IEEE J Biomed Health Inform. 2024;28(11):6944-6957. doi: 10.1109/JBHI.2024.3443137.
10. Zhu T, Li K, Herrero P, Georgiou P. Deep learning for diabetes: A systematic review. IEEE J Biomed Health Inform. 2021;25(7):2744-2757. doi: 10.1109/JBHI.2020.3040225.
11. Garg SK, Kipnes M, Castorino K, Bailey TS, Akturk HK, Welsh JB, et al. Accuracy and safety of Dexcom G7 continuous glucose monitoring in adults with diabetes. Diabetes Technol Ther. 2022;24(6):373-380. doi: 10.1089/dia.2022.0011.
12. Wittman JT, Bullard KM, Benoit SR. Trends in preventive care services among U.S. adults with diagnosed diabetes, 2008–2020. Diabetes Care. 2023;46(12):2285-2291. doi: 10.2337/dc23-1119.
13. Zou Y, Chu Z, Yang T, Guo J, Li D. Research progress and prospects of intelligent diabetes monitoring systems: A review. IEEE Sensors J. 2024;24(15):23401-23435. doi: 10.1109/JSEN.2024.3411570.
14. Badawy M, Ramadan N, Hefny H. Healthcare predictive ana–lytics using machine learning and deep learning techniques: A survey. J Electr Syst Inf Technol. 2023;10:1-19. doi: 10.1186/s43067-023-00108-y.
15. Li K, Daniels J, Liu P, Pand H, Georgiou P. Convolutional recurrent neural networks for glucose prediction. IEEE J Biomed Health Inform. 2020;24(2):603-613. doi: 10.1109/JBHI.2019.2908488.
16. Sulaieva O, Yerokhovych V, Zemskov S, Komisarenko I, Gurianov V, Pankiv V, et al. The impact of war on people with type 2 diabetes in Ukraine: A survey study. EClinicalMedicine. 2024;79:103008. doi: 10.1016/j.eclinm.2024.103008.
17. Pankiv V, Yuzvenko T, Vasiuk V, Nykytiuk L, Yuzvenko V, Mikulets L. Association between diabetes distress and sociodemographic factors among adults in Ukraine. International Journal of Endocrinology (Ukraine). 2024;20(5):394-399. doi: 10.22141/2224-0721.20.5.2024.1426.
18. American Diabetes Association Professional Practice Committee; 6. Glycemic targets: Standards of medical care in diabetes — 2022. Diabetes Care. 2022;45(Suppl 1):S83-S96. doi: 10.2337/dc22-S006.
19. Moon JS, Kang S, Choi JH, Lee KA, Moon JH, Chon S, et al. 2023 Clinical practice guidelines for diabetes management in Korea: Full version recommendation of the Korean Diabetes Association. Diabetes Metab J. 2024;48(4):546-708.
20. Mityuryayeva-Korniyko IO, Volosovets OP, Kryvopustov SP, Burlaka IA, Polukhina MO, Shevchenko TA, et al. Epidemiological assessment of diabetes mellitus in children of Ukraine during the last 20 years (2002–2021) of peacetime. SAGE Open Med. 2024;12:20503121241255213. doi: 10.1177/20503121241255213.
21. NCD Risk Factor Collaboration (NCD-RisC). Worldwide trends in diabetes prevalence and treatment from 1990 to 2022: A pooled analysis of 1108 population-representative studies with 141 million participants. Lancet. 2024;404(10467):2077-2093. doi: 10.1016/S0140-6736(24)02317-1.
22. Serhiyenko V, Chemerys O, Pankiv V, Serhiyenko A. Post-traumatic stress disorder, metabolic syndrome, diabetic distress, and vitamin B1/benfotiamine. International Neurological Journal. 2025;21(1):96-107. doi: 10.22141/2224-0713.21.1.2025.1157.
23. Ilina IM, Kravchun NA, Goncharova O, Kazakov A, Misyura K. The contribution of individual factors in the development of type 2 diabetes in the formation of the overall high risk of disease in cohorts of urban and rural population. Probl Endocr Pathol. 2013;44(2):62-66. doi: 10.21856/j-PEP.2013.2.10.
24. Tyzhnenko T, Misiura K, Kravchun N, Gorshunska M, Pochernyaev A, Krasova N, et al. The polymorphism -308G/A of the TNF gene and metabolic imbalance in patients with type 2 diabetes mellitus and non-alcoholic fatty liver disease, taking into account cardiovascular complications. Probl Endocr Pathol. 2023;80(2):38-49. doi: 10.21856/j-PEP.2023.2.05.
25. Tyzhnenko T, Misiura K, Kravchun N, Gorshunska M, Pochernyaev A, Krasova N, et al. Investigation of 2548G>A leptine gene polymorphic variant impact on risk of non-alcoholic fatty liver disease in patients with type 2 diabetes mellitus. Probl Endocr Pathol. 2022;79(3):42-52. doi: 10.21856/j-PEP.2022.3.06.
26. Yang J, Li L, Shi Y, Xie X. An ARIMA model with adaptive orders for predicting blood glucose concentrations and hypoglycemia. IEEE J Biomed Health Inform. 2019;23(3):1251-1260. doi: 10.1109/JBHI.2018.2840690.
27. Kalita D, Sharma H, Mirza KB. Continuous glucose, insulin and lifestyle data augmentation in artificial pancreas using adaptive generative and discriminative models. IEEE J Biomed Health Inform. 2024;28(8):4963-4974. doi: 10.1109/JBHI.2024.3396880.
28. Piersanti A, Salvatori B, Göbl C, Burattini L, Tura A, Morettini M. A machine-learning framework based on continuous glucose monitoring to prevent the occurrence of exercise-induced hypoglycemia in children with type 1 diabetes. 2023 IEEE 36th International Symposium on Computer-Based Medical Systems (CBMS). L’Aquila, Italy, 2023. 281-286. doi: 10.1109/CBMS58004.2023.00231.
29. Dib W, Kerdjidj O, Zergoug N, Allaoui M. Identifying high-risk patients for diabetes using machine learning. 2024 8th International Conference on Image and Signal Processing and their Applications (ISPA). Biskra, Algeria, 2024. 1-6. doi: 10.1109/ISPA59904.2024.10536738.
30. Langarica S, de la Vega D, Cariman N, Miranda M, Andrade DC, Nunez F, Rodriguez-Fernandez M. Deep learning-based glucose prediction models: A guide for practitioners and a curated dataset for improved diabetes management. IEEE Open J Eng Med Biol. 2024;5:467-475. doi: 10.1109/OJEMB.2024.3365290.
31. Jain A. A comprehensive guide to performance metrics in machine learning. Available from: https://medium.com/@abhishekjainindore24/a-comprehensive-guide-to-performance-metrics-in-machine-learning-4a5e5bd8208c5e.