GluMind

AI insulin-therapy guidance that reads food the way the body does — beyond carbohydrates. ИИ-подсказки по инсулинотерапии, которые читают еду так, как это делает организм, — не только углеводы.

An intelligent decision-support layer for people with type 1 diabetes on pump therapy. Интеллектуальный слой поддержки решений для людей с сахарным диабетом 1 типа на помповой терапии.

Let's compare notesДавайте сверим позиции How it worksКак это работает

Denis Sibirko · MSc Theoretical Physics · living with Type 1 diabetes since 1997. Денис Сибирко · магистр теоретической физики · живёт с диабетом 1 типа с 1997 года.

Glucose · target bandГлюкоза · целевой диапазон
BeyondНе только
carbohydratesуглеводы
PredictПрогноз
not reactне реакция
AdvisoryПодсказка
clinician-ledрешает врач

The scale of the challengeМасштаб вызова

A global epidemic — hardest when it starts in childhood.Глобальная эпидемия — тяжелее всего, когда она начинается в детстве.

Diabetes is not a background condition. It is a minute-by-minute negotiation between food, metabolism and insulin — one that modern technology still cannot fully automate.Диабет — это не фоновое состояние. Это постоянные переговоры между едой, обменом веществ и инсулином — которые современные технологии пока не умеют полностью автоматизировать.

537M
people living with diabetes todayчеловек живут с диабетом сегодня
~783M
projected by 2045прогноз к 2045 году
~240M
undiagnosed, unawareне диагностированы

Source: IDF Diabetes Atlas.Источник: IDF Diabetes Atlas.

On average, diabetes shortens life expectancy by around 20 years; for those diagnosed before the age of ten, serious irreversible complications can begin as early as 25. Type 1 diabetes — caused by the autoimmune destruction of insulin-producing beta cells — carries the highest individual burden: insulin must be delivered externally, every single day, for life. In Russia, registered type 1 cases number approximately 277,000 within a total diagnosed diabetic population of 4.97 million (national registry, early 2023). В среднем диабет сокращает продолжительность жизни примерно на 20 лет; у тех, кто заболел до десяти лет, серьёзные необратимые осложнения могут начаться уже в 25. Сахарный диабет 1 типа — вызванный аутоиммунным разрушением бета-клеток поджелудочной железы — несёт наибольшую индивидуальную нагрузку: инсулин должен поступать извне, каждый день, пожизненно. В России зарегистрировано около 277 тысяч пациентов с СД1 из общего числа 4,97 миллиона диагностированных случаев (национальный регистр, начало 2023).

How pump therapy works — and why it still depends on manual tuningКак устроена помповая терапия — и почему она держится на ручной настройке

The insulin pump is the most physiological way to deliver insulin — a continuous subcutaneous infusion of ultra-rapid insulin that mimics a healthy pancreas more closely than injections can. But its precision rests on manual calibration. Инсулиновая помпа — наиболее физиологичный способ введения инсулина: непрерывная подкожная инфузия ультракороткого инсулина, которая имитирует работу здоровой поджелудочной точнее, чем инъекции. Но её точность держится на ручной калибровке.

BasalБазальныйbackgroundфон

Delivered continuously in small amounts, day and night, maintaining a baseline glucose level between meals and during sleep.Подаётся непрерывно, малыми дозами, днём и ночью — поддерживает фоновый уровень глюкозы между приёмами пищи и во сне.

BolusБолюсныйon demandпо запросу

Delivered before meals, calculated to offset the carbohydrates about to be eaten, adjusted for the current glucose reading.Вводится перед едой: рассчитывается под количество углеводов и текущий уровень глюкозы.

Carbohydrate ratioУглеводный коэффициент
How many grams of carbohydrate one unit of insulin covers.Сколько граммов углеводов компенсирует одна единица инсулина.
Insulin sensitivity factorФактор чувствительности
By how much one unit lowers blood glucose. Both shift with time of day, age, activity, illness.Насколько одна единица снижает глюкозу. Оба параметра меняются со временем суток, возрастом, активностью, болезнью.

Tuning a single parameter takes days — and the process is lifelong, not a one-time setup. The pump improves delivery; it does not reduce the burden of management.Настройка одного параметра занимает дни — и этот процесс пожизненный, а не разовый. Помпа улучшает доставку инсулина, но не снижает нагрузку управления.

Why the outcome gap persistsПочему разрыв в результатах сохраняется

Even with the best devices, a large share of people on pump therapy still miss their glycemic targets — for structural, not motivational reasons. The patient must monitor food, respond to real-time glucose and continuously re-tune settings as their physiology changes. For children the challenge compounds: they often use only basic functions, and constant supervision is rarely available at school or a birthday party. Uncontrolled swings in childhood carry consequences that unfold decades later. Даже с лучшими устройствами значительная часть пациентов на помпе не достигает целей гликемии — по структурным, а не мотивационным причинам. Пациент должен контролировать питание, реагировать на глюкозу в реальном времени и постоянно перенастраивать параметры. Для детей задача сложнее вдвойне: они используют лишь базовые функции, а постоянная поддержка в школе или на празднике доступна не всегда. Неконтролируемые колебания в детстве влекут последствия, проявляющиеся через десятилетия.

The technology the field is converging toward — the fully closed-loop artificial pancreas — has not resolved this. A fully automated system that needs no manual intervention remains at the research stage. Current closed-loop approaches still react to glucose after it has moved — they correct rather than predict. And all of them reason primarily from carbohydrate data. Технология, к которой движется отрасль, — полностью автоматизированная искусственная поджелудочная с замкнутой петлёй — этого пока не решает. Полностью автоматическая система, не требующая ручного вмешательства, всё ещё на стадии исследований. Существующие замкнутые системы реагируют на уже произошедшее изменение глюкозы — корректируют, а не предсказывают. И все они работают прежде всего с углеводами.

◉
SensorСенсор
→
▤
AlgorithmАлгоритм
→
◇
PumpПомпа
Reacts after the fact. Reasons from carbs only.Реагирует постфактум. Работает только с углеводами.

Full automation — still at the research stage.Полная автоматизация — всё ещё на стадии исследований.

Research concept — not a registered medical device — no clinical claims.Исследовательская концепция — не зарегистрированное медизделие — без клинических заявлений.

The overlooked variableНедооценённый фактор

Everyone counts carbs. Almost no one models protein.Все считают углеводы. Почти никто не моделирует белок.

Every modern pump and every protocol is built on one assumption: that carbohydrates are the variable that matters. It is incomplete. Sustained protein — and the amino acids it yields — can raise insulin resistance and make glucose harder to control, with effects that unfold over hours after a meal. Nearly impossible to track by hand. Exactly where GluMind is designed to look.Каждая современная помпа и каждый протокол построены на одном допущении: ключевая переменная — углеводы. Оно неполно. Постоянное употребление белка — и высвобождаемых из него аминокислот — способно повышать инсулинорезистентность и делать глюкозу труднее управляемой, причём эффект разворачивается в течение часов после еды. Почти невозможно учесть вручную. Именно туда спроектирован смотреть GluMind.

1 · Protein's role in glucose metabolism1 · Роль белка в метаболизме глюкозы

Protein is not metabolically neutral. Glucogenic amino acids — alanine, glutamine, glycine — can be converted to glucose via gluconeogenesis and stimulate glucagon, which acts counter to insulin. A protein-rich meal perturbs the glucose curve and competes with insulin's signalling — variability a carb-only dosing model was never designed to handle. For type 1 diabetes, with no endogenous insulin reserve to compensate, this is a systematic blind spot. Белок не является метаболически нейтральным. Глюкогенные аминокислоты — аланин, глутамин, глицин — могут превращаться в глюкозу через глюконеогенез и стимулируют глюкагон, действующий контррегуляторно к инсулину. Белковый приём пищи возмущает кривую глюкозы и конкурирует с сигнальными путями инсулина — вариабельность, с которой модель «только углеводы» не рассчитана справляться. Для СД1, без собственного инсулинового резерва, это системное слепое пятно.

2 · Increased insulin resistance2 · Увеличение инсулинорезистентности

Sustained protein intake can raise whole-body insulin resistance: more insulin is needed for the same glucose uptake. Peer-reviewed research links elevated amino-acid availability, mTOR-pathway activation and downstream suppression of insulin signalling. The elevated resistance can persist for hours — meaning parameters set yesterday may be miscalibrated today because of what was eaten, not because of activity or stress. Продолжительное потребление белка способно повышать системную инсулинорезистентность: требуется больше инсулина для того же поглощения глюкозы. Рецензируемая литература связывает повышенную доступность аминокислот, активацию пути mTOR и угнетение инсулиновой сигнализации. Повышенная резистентность может сохраняться часами — то есть параметры, откалиброванные вчера, сегодня расстроены из-за съеденного, а не из-за нагрузки или стресса.

3 · Reduced insulin efficiency3 · Влияние на эффективность инсулина

When resistance rises, the same unit of insulin achieves less: correction boluses undershoot, and the result shows up as unpredictable swings between hypo- and hyperglycaemia. These are not random noise — they have a cause standard algorithms don't model. Because the protein was eaten hours before the resistance peak, cause and effect are decoupled in time. A model looking at composition history can be designed to find exactly that pattern — not to replace clinical judgment, but to surface the delayed signal before the next dose decision. Когда резистентность растёт, та же единица инсулина достигает меньшего: корректирующие болюсы не достигают цели, а результат — непредсказуемые колебания между гипо- и гипергликемией. Это не случайный шум — у них есть причина, которую стандартные алгоритмы не моделируют. Поскольку белок съеден за часы до пика резистентности, причина и эффект разнесены во времени. Модель, анализирующая историю состава питания, может быть спроектирована именно для поиска такой закономерности — не заменяя клиническое суждение, а выявляя отсроченный сигнал перед следующим решением о дозе.

Meal Carbohydrates · fast / tracked Protein · delayed / unseen +hours
The protein effect arrives after standard dosing windows have closed.Эффект белка приходит после того, как стандартные окна дозирования уже закрылись.

* In the founder's own long-term observation, the elevated-resistance window can occasionally extend beyond several hours — a signal worth characterising systematically, not a validated clinical claim.* По собственному длительному наблюдению основателя, окно повышенной резистентности иногда выходит за пределы нескольких часов — сигнал, заслуживающий систематического изучения, а не верифицированное клиническое утверждение.

Research concept — not a registered medical device — no clinical claims.Исследовательская концепция — не зарегистрированное медизделие — без клинических заявлений.

The limits of human trackingГраница человеческих возможностей

Too many factors for a person. Designed to be learned by a model.Слишком много факторов для человека. Спроектирован так, чтобы этому училась модель.

Tracking food composition and its multi-day effect on insulin sensitivity is beyond manual calculation. AI is designed to process what no person can compute alone — turning management from reactive correction toward informed prediction. Not another carbohydrate calculator.Отслеживать состав пищи и его многодневный эффект на чувствительность к инсулину человеку практически невозможно. ИИ спроектирован обрабатывать то, что человек не может вычислить в одиночку, — превращая управление из реактивной коррекции в обоснованный прогноз. Не очередной калькулятор углеводов.

Food compositionСостав пищи
Amino-acid profilesАминокислотные профили
Meal timingВремя приёма
Individual physiologyИндивидуальная физиология
Delayed carry-overОтсроченный перенос
GluMind model
▲AccuracyТочность
⚡AutomationАвтоматизация
◷Timely adaptationАдаптация

Enhanced accuracyПовышенная точность

AI is designed to analyse large volumes of nutrition and glucose data with a precision unattainable by any single person — surfacing the individual patterns between what is eaten and how each body responds.ИИ спроектирован анализировать большие объёмы данных о питании и глюкозе с точностью, недостижимой для человека, — выявляя индивидуальные закономерности между съеденным и реакцией организма.

Automation of the processАвтоматизация процесса

Designed to automate the analytical tasks — data processing, sensitivity estimation, profile planning — so clinicians and patients spend less time calculating. Every step produces an explainable output; final control stays with the clinician and patient.Спроектирован автоматизировать аналитические задачи — обработку данных, оценку чувствительности, планирование профиля — чтобы врачи и пациенты меньше считали. Каждый шаг даёт объяснимый результат; окончательный контроль остаётся за врачом и пациентом.

Timely adaptationСвоевременная адаптация

Insulin sensitivity shifts with meals, sleep, activity, stress — and with what was eaten days earlier. Designed to anticipate these shifts by continuously integrating incoming data, rather than correcting hours later.Чувствительность к инсулину меняется с едой, сном, активностью, стрессом — и тем, что съедено ранее. Спроектирован предвосхищать эти сдвиги, непрерывно интегрируя данные, а не корректировать спустя часы.

Research concept — not a registered medical device — no clinical claims.Исследовательская концепция — не зарегистрированное медизделие — без клинических заявлений.

From a photo of your meal to a dosing suggestionОт фото блюда — к подсказке по дозе

From a photo of your meal to a dosing suggestion.От фото блюда — к подсказке по дозе.

GluMind is designed around a single, familiar action — a photo of the meal. What follows is a chain of AI-driven analysis that accounts not only for today's food, but for the nutritional context of the preceding days, individual physiology and glucose history.GluMind спроектирован вокруг одного привычного действия — фото блюда. Далее следует цепочка ИИ-анализа, учитывающая не только сегодняшнюю пищу, но и нутриционный контекст предыдущих дней, индивидуальную физиологию и историю глюкозы.

▣
PhotoФото
→
☰
Meal profileПрофиль еды
→
◠
Glucose forecastПрогноз глюкозы
→
◈
Dosing guidanceПодсказка по дозе
01
Designed toСпроектирован, чтобы

Sense the mealРаспознать приём пищи

Recognise food from a smartphone image; estimate the full nutrient makeup — carbs, fats, proteins and the amino-acid composition today's systems leave untracked.Распознать еду по снимку; оценить полный нутриентный состав — углеводы, жиры, белки и аминокислотный профиль, который системы сегодня не учитывают.

02
Designed toСпроектирован, чтобы

Predict the curveСпрогнозировать динамику

Forecast how glucose is likely to move — integrating the current meal, glucose history, recent nutritional patterns and physiology. Anticipate the curve before it shifts.Спрогнозировать динамику глюкозы — интегрируя текущий приём, историю глюкозы, картину последних дней и физиологию. Предвосхитить кривую, а не реагировать после.

03
Designed toСпроектирован, чтобы

Plan an advisory profileСформировать рекомендательный профиль

Generate an advisory delivery profile toward the target range — a dosing-guidance output, not an autonomous decision. Explainable. Clinician and patient retain final control.Сформировать рекомендательный профиль подачи к целевому диапазону — это подсказка, а не автономное решение. Объяснимо. Окончательный контроль у врача и пациента.

04
Designed toСпроектирован, чтобы

Learn new factorsУчиться новым факторам

When a new pattern emerges — a new food, a new response — identify it, form a working model, and fold it into future estimates. Adapts to the individual, not the population average.Когда появляется новый паттерн — продукт, реакция — распознать его, сформировать рабочую модель и включить в дальнейшие оценки. Адаптация к человеку, а не к среднему.

05
Designed toСпроектирован, чтобы

Self-correctКорректировать себя

Compare predictions with observed outcomes and update the models continuously — becoming more accurate over time for each individual, as an ongoing feedback loop.Сопоставлять прогнозы с результатами и непрерывно обновлять модели — становясь точнее со временем для каждого, как непрерывная петля обратной связи.

Advisory decision-support — not autonomous dosing. Designed with a safety fallback and explainable outputs; clinician and patient retain final control.Консультативная поддержка решений — не автономное дозирование. Спроектирован с резервным механизмом безопасности и объяснимыми выводами; окончательный контроль остаётся за врачом и пациентом.

Research concept — not a registered medical device — no clinical claims.Исследовательская концепция — не зарегистрированное медизделие — без клинических заявлений.

Market landscapeОбзор рынка

A large, fast-moving market — already bending toward AI.Большой, быстро растущий рынок — уже движется в сторону ИИ.

Insulin pump therapy is one of the most technology-dense areas in diabetes care, driven by a clear shift from conventional delivery toward intelligent, connected devices. Intelligent pumps led the segment as early as 2022 — and that lead is widening as AI integration moves from promise to product.Помповая инсулинотерапия — одна из самых технологически насыщенных областей диабетологии, где идёт явный переход от традиционных устройств к интеллектуальным, подключённым системам. Интеллектуальные помпы вышли в лидеры ещё в 2022 году — и отрыв растёт по мере того, как ИИ переходит из обещаний в продукты.

TraditionalТрадиционные
Basal + bolus, parameters tuned manually. Reliable, but dependent on the user's own calculations.Базальный + болюсный, параметры настраиваются вручную. Надёжны, но зависят от расчётов пользователя.
Intelligent · leadingИнтеллектуальные · лидируют
Calculate boluses from meal data, activity and real-time glucose; sync with CGMs; integrate with closed-loop AID.Рассчитывают болюсы по данным о питании, активности и глюкозе; синхронизируются с мониторами; интеграция с AID.
DisposableОдноразовые
Short-term or situational use; discarded after use. A smaller niche.Кратковременное или ситуативное применение; утилизируются. Небольшая ниша.

Where the market is headingКуда движется рынок

AI enters insulin delivery.ИИ приходит в инсулинотерапию. Pumps are increasingly paired with algorithms that forecast glucose trends and adjust delivery. A research topic five years ago is now a commercial feature.Помпы всё чаще объединяются с алгоритмами, которые прогнозируют динамику глюкозы и корректируют подачу. Пять лет назад — тема исследований, сегодня — коммерческая функция.

Personalisation is the competitive axis.Персонализация — ось конкуренции. Generic protocols give way to patient-specific parameters — where data and AI are the differentiating assets.Стандартные протоколы уступают место индивидуальным параметрам — где данные и ИИ становятся ключевыми активами.

Coverage is broadening.Покрытие расширяется. Reimbursement for pump therapy is expanding, structurally enlarging the addressable market over time.Возмещение расходов на помповую терапию растёт, структурно увеличивая целевой рынок.

One paradigm. One gap. Medtronic has meal-sensing, Tandem smartphone control, Insulet a tubeless AID — yet every system reasons from carbohydrates as the primary signal. The protein and amino-acid effect on insulin resistance is not modelled by any mainstream platform today. That is the frontier GluMind is designed to work at — an addition to what leaders have not yet modelled.Одна парадигма. Один пробел. У Medtronic — обнаружение приёма пищи, у Tandem — управление со смартфона, у Insulet — безтрубочный AID, но все системы работают с углеводами как основным сигналом. Влияние белка и аминокислот на инсулинорезистентность не моделирует ни одна ведущая платформа. Это фронтир, для которого спроектирован GluMind, — дополнение к тому, чего лидеры ещё не смоделировали.
Medtronic
Tandem
Insulet
Roche

GluMind: built for where the market is heading — AI integration.GluMind: создан для того, куда движется рынок, — интеграция ИИ.

Research concept — not a registered medical device — no clinical claims.Исследовательская концепция — не зарегистрированное медизделие — без клинических заявлений.

Comparison · in developmentСравнение · в разработке

From reactive & carb-only → predictive & composition-aware.От реактивного и только-углеводного — к прогнозному и учитывающему состав.

Current systems share one blind spot: they reason from carbohydrates alone. GluMind is designed to address what they miss — full food composition, including the protein and amino-acid signals that can shift insulin resistance for hours after a meal.У современных систем одно общее слабое место: они учитывают только углеводы. GluMind разработан охватить то, что они упускают, — полный состав еды, включая белковые и аминокислотные сигналы, способные смещать инсулинорезистентность на часы после еды.

Today's systemsСегодняшние системы GluMind · in developmentGluMind · в разработке
✗Carbohydrates onlyТолько углеводы✓Full food composition, incl. amino acidsПолный состав пищи, включая аминокислоты
✗Static parametersСтатические параметры✓Dynamic adjustmentДинамическая корректировка
✗Reactive dosingРеактивная дозировка✓Predictive dosing guidance (advisory, explainable)Прогнозное управление дозой (рекомендательное, объяснимое)
✗Ignores food historyИгнорирует историю питания✓Accounts for delayed influence of prior mealsУчитывает отсроченное влияние предыдущих приёмов
✗Protein & amino-acid effect: not modelledВлияние белка и аминокислот: не моделируется✓Protein & amino-acid effect: core inputВлияние белка и аминокислот: ключевой параметр

The real barrier is not the idea — it is the data.Настоящий барьер — не идея, а данные.

No mainstream system models the protein-and-amino-acid effect on insulin resistance today. That gap is the starting point, not the finish line. The real moat is the proprietary dataset that validation will build — a record of individual food-composition-to-glucose-response patterns accumulated over time — plus a founder's years of lived observation, a longitudinal signal a late entrant cannot reconstruct quickly. The dataset is the asset. The algorithm is learnable; the data is not.Ни одна массовая система сегодня не моделирует влияние белка и аминокислот на инсулинорезистентность. Это отправная точка, а не финиш. Настоящий барьер — проприетарный датасет, который выстраивает валидация: записи индивидуальных паттернов «состав пищи → реакция организма», накопленные со временем, плюс годы личных наблюдений основателя — продольный сигнал, который поздний конкурент не восполнит быстро. Датасет — это актив. Алгоритм можно воспроизвести; данные — нет.

Research concept — not a registered medical device — no clinical claims.Исследовательская концепция — не зарегистрированное медизделие — без клинических заявлений.

What the science suggests — and where type 1 standsЧто говорит наука — и где здесь СД1

A possibility research keeps pointing to.Возможность, на которую указывают исследования.

What the science suggestsЧто говорит наука

Research suggests that interval fasting can prevent — or even reverse — the course of diabetes. In animal studies, fasting-mimicking diets have prompted the regeneration of insulin-producing pancreatic cells. In type 2 diabetes and prediabetes, remission has been reported.Исследования свидетельствуют, что интервальное голодание способно предотвращать — или даже обращать вспять — течение диабета. В экспериментах на животных диеты, имитирующие голодание, сопровождались регенерацией клеток поджелудочной, вырабатывающих инсулин. При СД2 и преддиабете в ряде случаев зафиксирована ремиссия.

These findings come from peer-reviewed science, not from GluMind. We cite them as a direction worth taking seriously — not as proof of what our product does.Эти данные получены внешними научными группами, а не GluMind. Мы приводим их как направление, достойное внимания, — а не как свидетельство о нашем продукте.

Why type 1 is left outПочему СД1 остаётся в стороне

But for people with type 1 diabetes, interval fasting doesn't deliver on that promise. The regime is unsafe to follow as things stand: even without eating, a person with type 1 must maintain basal insulin — glucose can drop sharply, and modern pumps, whose parameters take days to recalibrate, cannot keep up with resistance that shifts within hours. The one approach research keeps pointing toward is the one people with type 1 have never been able to follow safely.Но для людей с СД1 интервальное голодание не даёт ожидаемого эффекта. Режим небезопасен в нынешних условиях: даже без еды человек с СД1 вынужден поддерживать базальный инсулин — глюкоза может резко упасть, а современные помпы, параметры которых требуют дней для перенастройки, не успевают за резистентностью, меняющейся за часы. Единственный подход, на который указывает наука, — тот, которым люди с СД1 никогда не могли безопасно воспользоваться.

An AI-driven insulin pump could let people with type 1 follow interval-fasting regimes that were never safely possible before — because it could track and predict the rapid shifts in insulin resistance that current systems cannot handle. And with that comes a real possibility: a chance to change the course of the disease.Инсулиновая помпа с искусственным интеллектом могла бы позволить людям с СД1 соблюдать режим интервального голодания, прежде для них небезопасный, — поскольку способна отслеживать и прогнозировать резкие изменения инсулинорезистентности, с которыми нынешние системы не справляются. А вместе с этим появляется реальная возможность: шанс изменить течение болезни.

We don't claim a cure. We're building the instrument that could finally let this be tested, properly, through medical institutions.Мы не заявляем об излечении. Мы создаём инструмент, который мог бы наконец позволить по-настоящему проверить эту гипотезу — через медицинские учреждения.

Research concept — not a registered medical device — no clinical claims.Исследовательская концепция — не зарегистрированное медизделие — без клинических заявлений.

Where we areГде мы находимся

A clear path — gated by evidence, not a calendar.Чёткий путь — через доказательства, а не по расписанию.

✓
Concept & core algorithmsКонцепция и ключевые алгоритмы
Build & train the modelПостроить и обучить модель
← We are here← Мы здесь
Validate with a medical institutionВалидация с медучреждением
Clinical evaluationКлинические испытания
Into practiceВ практику

Academic reviewНаучная экспертиза

Grounded in research.Опора на исследования.

The protein / amino-acid ↔ insulin-resistance link is supported by peer-reviewed research. GluMind is designed to apply this understanding at the individual level — tracking what current systems ignore.Связь белка и аминокислот с инсулинорезистентностью подтверждена рецензируемыми исследованиями. GluMind разработан применять это понимание на индивидуальном уровне — отслеживая то, что современные системы игнорируют.

In 2024, specialists at Voronezh State Medical University (N.N. Burdenko) affirmed the scientific value of the idea and its practical promise; the formation of a working group toward a formal expert opinion was planned, but did not proceed for lack of funding.В 2024 специалисты Воронежского государственного медицинского университета им. Н.Н. Бурденко подтвердили научную ценность идеи и перспективность её реализации; формирование рабочей группы для официального экспертного заключения планировалось, но не состоялось из-за отсутствия финансирования.

Bibliography available on request.Библиография предоставляется по запросу.

  • Methodology foundation & core algorithms developedРазработаны основы методологии и ключевые алгоритмы
  • Burdenko specialists affirm scientific value (2024)Специалисты ВГМУ им. Бурденко подтверждают научную ценность (2024)
  • Work paused pending fundingРабота приостановлена до получения финансирования

Research concept — not a registered medical device — no clinical claims.Исследовательская концепция — не зарегистрированное медизделие — без клинических заявлений.

FounderОснователь

Denis Sibirko
MSc Theoretical PhysicsМагистр теоретической физики
Strategy & managementСтратегия и управление
T1D since 1997СД1 с 1997 года

Denis SibirkoДенис Сибирко

Founder — author of the concept and its core algorithms.Основатель — автор концепции и ключевых алгоритмов.

Denis spent two years researching the literature, running nutrition experiments and mapping the patterns between food composition and individual glucose response. That work led to the core hypothesis and the algorithmic principles at the heart of GluMind.Денис посвятил два года изучению научной литературы, экспериментам с питанием и анализу закономерностей между составом пищи и индивидуальной реакцией глюкозы. Эта работа привела к основной гипотезе и алгоритмическим принципам в основе GluMind.

His background spans theoretical physics (MSc, Voronezh State University), strategy and management, and deep personal expertise in insulin therapy — built over nearly three decades of living with Type 1 diabetes.Его образование охватывает теоретическую физику (магистр, Воронежский государственный университет), стратегию и управление, а также глубокую личную экспертизу в инсулинотерапии — за почти три десятилетия жизни с диабетом 1 типа.

"I've lived with Type 1 since 1997; so has my daughter. This is the possibility I want to prove — held to scientific evidence, not hope."«Я живу с диабетом 1 типа с 1997 года — и моя дочь тоже. Это возможность, которую я хочу доказать, опираясь на научные данные, а не на надежду.»

Denis Sibirko · Founder — author of the concept and its core algorithms, after two years of research and nutrition experiments.Денис Сибирко · Основатель — автор концепции и ключевых алгоритмов, после двух лет исследований и экспериментов с питанием.

Research concept — not a registered medical device — no clinical claims.Исследовательская концепция — не зарегистрированное медизделие — без клинических заявлений.

Where we are & what we seekГде мы находимся и что ищем

Honest about where we are — and what comes next.Честно о том, где мы находимся — и что дальше.

✔

DevelopedРазработано

The concept and core algorithmic principles — two years of research grounded in literature and personal experimentation.Концепция и ключевые алгоритмические принципы — два года исследований на основе литературы и личных экспериментов.

🔨

To buildПредстоит создать

The trained, validated model — and the clinical and ML team to build and test it rigorously.Обученная, валидированная модель — и команда клинических и ML-специалистов для её создания и строгой проверки.

🛡

ProtocolПротокол

All clinical research through accredited medical institutions, under regulatory protocol and with full transparency.Все клинические исследования — через аккредитованные медучреждения, в рамках регуляторного протокола и с полной прозрачностью.

We're seeking a validation / R&D partner and early-stage support — seed- or grant-scale, for the validation phase. We're open to collaboration in Russia or abroad, including a possible joint venture. A likely route to market is partnering with existing AID platforms, not building hardware alone.Мы ищем партнёра по валидации / НИОКР и раннюю поддержку — на уровне seed или гранта, для фазы валидации. Открыты к сотрудничеству в России и за рубежом, включая возможное совместное предприятие. Вероятный путь на рынок — партнёрство с существующими AID-платформами, а не самостоятельное создание оборудования.

Let's compare notes.Давайте сверим позиции.
We're looking for a research partner, not a cheque.Мы ищем партнёра по исследованиям, а не чек.
Denis A. Sibirko +7 919 180 72 91 denis.a.sibirko@mail.ru Voronezh, RussiaВоронеж, Россия