Metodoloji

Son gözden geçirilen: 25 Nisan 2026

LongevityMate, kan testi verilerini, isteğe bağlı giyilebilir bağlamı, hedefleri ve yaşam tarzı yanıtlarını eğitimsel içgörülere dönüştürür. Bu sayfa, kullanıcıların her raporu, gösterge panelini ve Mate yanıtını neyin güçlendirdiğini anlaması için kullandığımız yüksek düzeydeki süreci özetler.

1. Veri alımı ve normalizasyon

Yüklenen veya manuel olarak girilen sonuçlardan biyomarker değerlerini, birimlerini ve tarihlerini alıyoruz. Kullanıcılar Apple Health veya Health Connect'i bağlamayı seçtiğinde, ek bağlam için yetkilendirilmiş giyilebilir özetleri de kullanabiliriz. Mümkün olduğunda birimleri normalleştiriyoruz, böylece değerler zaman içinde tutarlı bir şekilde karşılaştırılabilir.

2. Biyomarker gruplama ve puanlama

Temel biyomarkerler sekiz puanlı sağlık kategorisine gruplandırılmıştır. Her kategori, puanı açmak için Gerekli biyomarkerleri kullanır, ardından mevcut olduğunda Sonuçları iyileştirmek için Destek biyomarkerlerini ekler. Temel biyomarker paneli ayrıca biyolojik yaş tahmini için gereken her markeri içerir.

Tam marker kapsamı, şurada listelenmiştir Test Kılavuzu.

3. Yapay Zeka destekli öneri taslağı

Yapay zeka bileşenleri, yapılandırılmış biyomarker bağlamınızı, hedeflerinizi, onboarding yanıtlarınızı, mevcut giyilebilir sinyalleri ve ilerleme geçmişinizi kullanarak eğitim önerileri ve eylem öncelikleri taslaklar. Çıktılar, kliniklerle bilgilendirilmiş tartışmaları desteklemek için tasarlanmıştır, yerini almak için değil.

Sınırları ve bilinen sınırlamaları görün Yapay Zeka Sınırlamaları sayfa.

4. Kullanıcı kontrolleri ve gizlilik

Users can update entries, control connected data sources, export information, and request deletion. Data handling details are documented in our Gizlilik Politikası ve kullanım sınırları Hizmet Şartları.