Kan AI generere personlige trænings- og ernæringsplaner, der tilpasser sig i realtid til biomedicinsk feedback ?

AI-drevne fitnessplatforme opretter nu og justerer dynamisk trænings- og kostplaner baseret på live-data fra wearables, pulsmålere og endda stressniveauer. Disse systemer personaliserer anbefalinger ved at analysere søvnkvalitet, restitutionsmålinger og præstationsudvikling. Nogle platforme inddrager genetiske data eller mikrobiomanalyser for at skræddersy ernæringsråd. AI’en lærer af brugerens vaner og justerer intensitet, varighed og kostforslag derefter.

Nuværende AI-systemer kan generere basale personlige trænings- og ernæringsplaner ud fra brugerinputs som alder, vægt, fitnessmål og kostpræferencer, og nogle platforme bruger statiske biometriske data som puls eller skridttæller til at justere anbefalinger. Tidlige forskningsprototyper, der anvender data fra wearables (EKG, SpO2, temperatur, accelerometri), har vist realtidsjustering i kontrollerede laboratoriemiljøer, men disse systemer befinder sig stadig på et gennemførlighedsniveau snarere end klinisk pålidelighed. Der opstår fejl ved planændringer, når sensorstøj eller misklassificering af brugerkontekst forekommer. Regulatorisk godkendte, realtidslukkede løkker til generel brug er endnu ikke tilgængelige. FDA-godkendte "digitale terapeutiske" apps kan tilpasse insulindosering til diabetikere og levere guidede træningsordinationer, men disse tilpasninger er baseret på forudtrænede modeller snarere end åben løkke kontinuerlig personalisering.

— Opdateret 12. maj 2026 · Kilde: U.S. Food and Drug Administration — https://www.fda.gov/medical-devices/digital-health-center-excellence