Levels & Stelo: Wat een CGM daadwerkelijk doet voor welzijn

Algemeen voedingsadvies voelt abstract en onsamenhangend omdat een feedbackloop ontbreekt. We eten iets, en uren of dagen later voelen we ons misschien energiek of futloos, maar het is moeilijk om een direct verband te leggen tussen oorzaak en gevolg. De ruis van het dagelijks leven vertroebelt het signaal. Dit is het kernprobleem in de workflow dat een continue glucosemeter (CGM) begint op te lossen: het levert een bijna-realtime datastroom, waardoor de kloof tussen actie en metabole reactie wordt gedicht.

Wat het daadwerkelijk doet

Een continue glucosemeter is een kleine sensor, meestal gedragen op de achterkant van de arm, die de glucose in je interstitiële vloeistof meet. Diensten zoals Levels en het aanstaande Stelo van Dexcom bouwen een gebruiksvriendelijke softwarelaag bovenop deze hardware, waardoor CGM's zonder recept verkrijgbaar zijn en je geholpen wordt de data te interpreteren. Het kan het best worden gezien als een hulpmiddel voor metabole geletterdheid.

• Het onthult je persoonlijke glucosereactie op specifieke voedingsmiddelen, waardoor je verder gaat dan generiek koolhydraten tellen naar een precies, N-van-1 inzicht.
• Het kwantificeert de impact van niet-voedingsgerelateerde variabelen—zoals slaap, stress en beweging—op je metabole gezondheid.
• Het laat je het effect zien van het combineren van gewoonten, zoals het dempende effect op glucose van een wandeling na de maaltijd.
• Het levert een tastbaar datapunt dat gecorreleerd kan worden met andere welzijnsindicatoren zoals slaapscores of hartslagvariabiliteit (HRV).

Hoe ik het gebruik voor persoonlijk welzijn

Ik beschouw een CGM niet als een permanente wearable, maar als een diagnostische sprint van twee weken. Gedurende 14 dagen draag ik de sensor en leef ik mijn leven, maar met één toevoeging: een eenvoudig digitaal logboek. Ik gebruik een simpel tekstbestand, maar je kunt elke notitie-app gebruiken. Ik leg mijn maaltijden, trainingen, slaapkwaliteit en subjectieve stressniveaus vast. Dit wordt de 'logboeklaag' in mijn persoonlijke gezondheidsstack.

Aan het einde van de eerste week exporteer ik de CGM-data en combineer ik die met mijn logboek. Dan wend ik me tot een AI-model. Ik voer de gecombineerde data in met een prompt die is ontworpen om de informatie te synthetiseren, en vraag het de top drie voedingsmiddelen te identificeren die glucopieken veroorzaken en om nachten met slechte slaap te correleren met de glucosevariabiliteit van de volgende dag. Het doel is geen perfecte score, maar een handvol bruikbare inzichten. Voor mij was de verrassing niet dat havermout mijn glucose deed pieken, maar de mate waarin één nacht slechte slaap mijn bloedsuikerspiegel de hele volgende dag ontregelde. Dit inzicht is veel krachtiger dan de algemene aanbeveling 'slaap meer'.

Hoe professionals het gebruiken

Voor gezondheidscoaches en 'functional medicine' behandelaars is een CGM een krachtig hulpmiddel voor cliënteneducatie en therapietrouw. In plaats van een algemeen maaltijdplan te geven, kan een coach een cliënt een 14-daags CGM-experiment laten doen. De resulterende data biedt een objectieve basis voor een gezamenlijk gesprek.

De professional kan de data gebruiken om sterk gepersonaliseerde protocollen te creëren. Ze kunnen zeggen: 'Je data laat zien dat quinoa goed voor je werkt, maar zilvervliesrijst lijkt een aanzienlijke piek te veroorzaken. Laten we je koolhydraatbronnen daaromheen bouwen.' Voor de cliënt voelt dit op maat gemaakt en specifiek, wat de motivatie om het plan te volgen vergroot. De professional kan ook een LLM gebruiken om cliëntvriendelijke samenvattingen van de data te genereren, waarbij de grafieken en cijfers worden vertaald in aanmoedigend, praktisch advies dat het 'waarom' achter hun aanbevelingen versterkt.

Waar het tekortschiet

Een CGM is een krachtig hulpmiddel, maar de beperkingen zijn aanzienlijk. Eerlijkheid hierover is cruciaal voor verantwoord gebruik in een particuliere welzijnspraktijk.

• Het is geen medisch hulpmiddel voor het diagnosticeren of behandelen van diabetes. Dit moet gebeuren onder toezicht van een gekwalificeerde zorgverlener.
• De data kan ruis bevatten. 'Compressiedalingen'—kunstmatig lage metingen veroorzaakt door op de sensor te liggen tijdens de slaap—komen vaak voor en kunnen onnodig alarm veroorzaken.
• Het kan voedselangst en obsessief volgen creëren of verergeren. Voor sommige persoonlijkheidstypes kan het een opstap zijn naar orthorexie, en een professional moet hierop screenen.
• Glucose is slechts één indicator van metabole gezondheid. Een CGM vertelt je niets over insulineniveaus (het belangrijkere stroomopwaartse signaal), ontstekingen of voedingstekorten.
• Je stuurt gevoelige gezondheidsdata naar een bedrijf. Controleer altijd het privacybeleid en begrijp hoe je data wordt opgeslagen en gebruikt.

“De data is geen oordeel. Het is simpelweg informatie, een startpunt voor een intelligentere conversatie met je eigen lichaam.”

— Wellness & AI

De essentie: een tijdelijke leraar

Een CGM verdient zijn plaats in je AI Health Stack niet als een permanent onderdeel, maar als een tijdelijke leraar. Het uiteindelijke doel is niet om de rest van je leven naar een grafiek te staren, maar om de lessen die het biedt te internaliseren. Na een paar goed gestructureerde experimenten heb je het apparaat niet langer nodig om te weten hoe een maaltijd je zal laten voelen. Je hebt de geletterdheid verworven. Je hebt de taal van je metabolisme geleerd, en nu kun je je gezondheid met meer wijsheid en regie dan voorheen navigeren.