Metodologi
Last reviewed: 25. april 2026
LongevityMate omdanner blodprøvedata, valgfri wearable kontekst, mål og livsstilsbesvarelser til uddannelsesmæssige indsigter. Denne side skitserer den overordnede proces, vi bruger, så brugerne kan forstå, hvad der driver hver rapport, dashboard og Mate svar.
1. Dataindsamling og normalisering
Vi indsamler biomarkerværdier, enheder og datoer fra uploadede eller manuelt indtastede resultater. Hvor brugere vælger at forbinde Apple Health eller Health Connect, kan vi også bruge autoriserede bærbare opsummeringer for ekstra kontekst. Vi normaliserer enheder, hvor det er muligt, så værdier kan sammenlignes konsekvent over tid.
2. Biomarkør gruppering og scoring
Kernebiomarkører er grupperet i otte scorede sundhedskategorier. Hver kategori bruger Must biomarkører for at låse op for scoren og inkluderer derefter Support biomarkører, når de er tilgængelige for at forfine resultatet. Det essentielle biomarkørpanel inkluderer også hver markør, der er nødvendig for estimering af biologisk alder.
Fuld markør dækning er angivet på Testguide.
3. AI-assisteret anbefalingsudkast
AI-komponenter bruger din strukturerede biomarkør kontekst, mål, onboarding svar, tilgængelige bærbare signaler og fremskridtshistorik til at udarbejde uddannelsesmæssige forslag og handlingsprioriteter. Udgivelser er beregnet til at støtte informerede diskussioner med klinikere, ikke erstatte dem.
Se grænser og kendte begrænsninger på AI Begrænsninger page.
4. User controls and privacy
Users can update entries, control connected data sources, export information, and request deletion. Data handling details are documented in our Privatlivspolitik og bruggrænser er i Servicevilkår.