1型糖尿病を持つソフトウェアエンジニアが、内分泌科医の不在期間を乗り越えるために自ら開発したセルフホスト型AIプラットフォーム「GlycemicGPT」がGitHub上でオープンソース公開された。AIによる血糖パターン分析・食事応答分析・予測アラートを自分のインフラ上で完結させる設計が大きな特徴だ。

GlycemicGPTとは何か

GlycemicGPTは、連続血糖測定器（CGM）やインスリンポンプのデータをAI分析レイヤーに接続するオープンソースプラットフォームだ。開発者自身が「内分泌科医の予約が数ヶ月取れず、誰もデータを見てくれない期間があった。だから自分で作った」と述べており、医療アクセスの格差という現実的な問題意識から生まれたプロジェクトである。

現在対応しているデバイスは以下のとおり：

デバイス 種別 接続方式 検証状況

Dexcom G7 CGM クラウドAPI 検証済み

Tandem t:slim X2 インスリンポンプ BLE直接接続 + クラウドAPI 検証済み

Tandem Mobi インスリンポンプ BLE直接接続 + クラウドAPI プロトコル互換（実機未検証）

すでにNightscoutを利用している場合は、既存インスタンスを指定するだけでAI分析レイヤーを追加できる。既存のセットアップを変更する必要はない。

AIレイヤーの機能

AI分析レイヤーが提供する機能は以下の4点が中心となる：

  • デイリーブリーフ：就寝中・24時間の血糖パターンを自然言語でまとめた日次レポート
  • 食事応答分析：食事ごとの血糖応答パターンを記録・分析
  • 会話型AIチャット：糖尿病の臨床知識ベース（RAG）を背景に持つ対話インターフェース
  • 予測アラート：閾値を設定でき、介護者へのエスカレーション機能も備える

重要な点として、GlycemicGPTはインスリンを投与しない。ポンプを制御しない。クローズドループシステムではない。 データを読み取り、洞察を提供するだけであり、臨床的な判断は医師と患者の間に留まる。この線引きは意図的かつ明確にされており、安全設計の根幹をなしている。

アーキテクチャ：BYOAI×完全セルフホスト

GlycemicGPTの設計思想で特に注目すべきは「BYOAI（Bring Your Own AI）」という考え方だ。AIプロバイダーをユーザー自身が選択できる構造になっており、以下のいずれかを選べる：

  • Ollamaによる完全ローカル実行：データがハードウェア外に出ない
  • Claude / OpenAI / OpenAI互換エンドポイント：ホステッドモデルを利用する場合

どちらを選んでも、データはユーザーのインスタンスからAIプロバイダーに直接流れ、プロジェクトが運営する中央サービスを経由しない。GlycemicGPT自体はデータを保有しない設計だ。

デプロイはDockerまたはKubernetesで行い、Webダッシュボード・REST API・Androidアプリ・Wear OSウォッチアプリをすべて自前のインフラで稼働させる。ライセンスはGPL-3.0で、サブスクリプション不要・ベンダーロックイン不要。

スタック構成は以下のとおり：

  • バックエンドAPI：FastAPI、Python 3.12、PostgreSQL 16、Redis 7
  • Webダッシュボード：Next.js 15、React 19、Tailwind CSS、shadcn/ui
  • AIサイドカー：TypeScript、Express、マルチプロバイダープロキシ
  • Androidアプリ：Kotlin、Jetpack Compose、BLE
  • Wear OS：Kotlin、Wear Compose、Watch Face Push API
  • プラグインSDK：Kotlin、ケイパビリティベース、サンドボックス化

日本の医療・IT現場への影響

日本では「糖尿病専門医が地方に少ない」「予約が数ヶ月待ち」という状況は決して珍しくない。GlycemicGPTのような自己管理支援ツールは、医師との診察間隔を補完する手段として現実的な価値を持つ。

ただし、日本での利用にあたっては以下の点を確認しておきたい：

  • 対応デバイスが日本市場向けか確認が必要：Dexcom G7は日本でも販売されているが、Tandemポンプは国内未承認のため注意が必要。まずNightscout連携から入るのが現実的だ
  • セルフホストの運用スキルが前提：Docker・PostgreSQL・Cloudflare Tunnelを扱える技術者であれば導入ハードルは低いが、一般患者には敷居が高い。医療ITエンジニアや「技術者兼患者」という立場の人が最初のターゲットになる
  • 医療機器規制の観点：現時点では「モニタリングと分析のみ」という設計が規制上のグレーゾーンを回避している。今後クローズドループ機能が追加された場合は、国内の薬機法の観点から慎重な確認が必要になる

実務での活用ポイントとしては、まずNightscout連携から試すのが最も低リスクな入り口だ。既存のNightscoutインスタンスにAI分析を追加するだけなら、BLEデバイス直接接続のリスクを負わずに機能を評価できる。Ollamaと組み合わせてローカルLLMで動かせば、医療データを一切外部に出さずに運用できる点も魅力的だ。

筆者の見解

「自分で必要なツールを作って、それをオープンソースで返す」——エンジニアとしてこの動機は純粋に正しいと思う。医療アクセスの格差をテクノロジーで補う試みとして、GlycemicGPTのアプローチは真剣に受け止める価値がある。

BYOAI設計は特に重要だ。医療データをどのAIプロバイダーに渡すかを完全にユーザーが制御できる構造は、プライバシーと安全性の両面で誠実な設計判断といえる。「分析はするが制御はしない」という明確な線引きも同様に重要で、これがあるからこそ「AIが医療判断を下す」という誤解を避けられている。

ただ、現実的な課題として「技術者でなければ使えない」という壁は大きい。このツールが最も必要な人——専門医にアクセスできない患者——が自力でDockerを立ち上げてPostgreSQLを管理することは難しい。今後の課題として、セットアップの自動化やマネージドホスティングオプションの充実が鍵になるだろう。あるいはコミュニティの中で「技術者が患者サポートを行う」という形で広がるか。

ハーネスループ的な観点から見ると、「CGMデータを継続的にAIが分析して、パターンを検出して、アラートを上げる」という構造は、まさにAIエージェントが自律的に動き続けるループの実装例でもある。医療という領域でこの設計を正しく実装しているのは評価できる。アルファ版ではあるが、方向性は正しい。

出典: この記事は Show HN: GlycemicGPT – Open-source AI-powered diabetes management の内容をもとに、筆者の見解を加えて独自に執筆したものです。