Hur Longev AI lär sig: regler, data och testade prognoser
Kärnan i Longev AI är förklarliga kliniska regler ovanpå gästens egen baslinje. Ovanpå detta samlar plattformen par av «insats → respons» och mäter öppet sitt eget prognosfel.
Vem sidan är till för. Teknisk granskning, läkare och investerare – alla som frågar sig: «är det här maskininlärning eller fasta regler?» Svaret är ärligt och går att kontrollera direkt i portalen.
Kärnan bygger på regler, av princip. Varje rekommendation utgår från ett namngivet gränsvärde och kan förklaras i en enda mening; betalda behandlingar ändras uteslutande av läkaren. I ett medicinskt sammanhang signerar ingen en svart låda.
Personalisering utifrån egen baslinje. Flaggor bedöms inte mot en befolkningsnorm utan mot gästens eget snitt under vistelsen: en vilopuls på 62 säger ingenting förrän man vet att den legat på 54 hela veckan.
Två datamängder. Beslutsloggen – «gästens värden → vad läkaren gjorde»; utfallsloggen – «gårdagens behandlingar och belastning → vad klockan mätte på morgonen». Båda är anonyma från grunden och kan exporteras som JSONL-rader.
Granskade prognoser. Plattformen förutspår morgondagens vilopuls, HRV, Body Battery och sömnpoäng med tre modeller och visar varje modells medelfel – som en tabell, inte som ett löfte.
Gränsdragning. Wellness & Lifestyle Intelligence – livsstilsstöd, inte en medicinteknisk produkt; sista ordet tillhör alltid läkaren. Uppdaterad 25.08.2026.
Regler i stället för en svart låda – och varför
Longev AI fungerar som en deterministisk motor: samma natt med samma gränsvärden ger exakt samma blad. Det är ingen begränsning vi försöker dölja, utan ett genomtänkt tekniskt beslut av tre skäl.
För det första: läkarens signatur. Morgonbladet signeras, och varje rad måste besvara frågan «varför»: «vilopuls 68 mot ditt snitt på 61 – vi föreslår att byta ut den krävande behandlingen». En rekommendation som inte kan förklaras med ett mätvärde skrivs aldrig ut.
För det andra: det regulatoriska ramverket. Ett system som på egen hand ändrar medicinska ordinationer utifrån en ogenomskinlig modell rör sig mot att klassas som medicinteknisk produkt och hamna i högriskkategorin enligt EU:s AI-förordning (EU AI Act). Plattformen förblir medvetet ett livsstilsstöd: den föreslår, förklarar och överlåter beslutet till läkaren (juridiskt ramverk).
För det tredje: kallstartsproblemet. En träningsbar modell utan data presterar sämre än regler: den har ingenting att lära sig av på ett hotell som anslöt sig igår. Regler fungerar från allra första gästen – och data för framtida modeller börjar samlas in redan första morgonen, vilket beskrivs nedan.
Egen baslinje i stället för befolkningsnorm
Nästan varje gränsvärde i motorn jämför gästen med gästen själv. Baslinjen är snittet för den egna vistelsen: ofullständiga ankomstdagar räknas inte med, och innan minst två dagar har mätts sätts inga baslinjeflaggor alls – en jämförelse mot en enda natt vore som att singla slant och kalla det en slutsats. Läkaren kan höja denna spärr upp till 5 dagar.
För pulsvariabilitet (HRV – hur ojämna pauserna mellan hjärtslagen är) finns en andra tillförlitlig källa: gästens eget intervall, som Firstbeat-algoritmen i Garmin lär sig under ungefär tre veckor. Om klockan, som känner gästen längre än vår tvådagarsbas, visar «under intervallet» kan beredskapskomponenten inte bli grön – klockans bedömning väger tyngre än vår beräkning, och enbart i den riktningen.
Från samma siffror beräknas dagens beredskap – ett värde mellan 0 och 100, motsvarande Readiness hos Oura eller Recovery hos WHOOP, men baserat på Garmin-data och enligt regler som hotellets läkare styr: Body Battery väger 30 poäng, HRV och sömn 25 vardera, vilopuls och gårdagens belastning 10 vardera. En komponent utan data ersätts inte med ett schablonvärde – den utgår, vikterna normaliseras om, och om data saknas för mer än hälften av den sammanlagda vikten sätts inget resultat alls.
Läkarens morgonblad: beredskap 49 av 100 med uppdelning per delkomponent – varje rad visar sitt värde, sin baslinje och sin motivering×
Motorns lager
Lager
Vad det gör
Var det beskrivs
Indata
25 mätvärden från Garmin-klockan och vågen, hälsoenkäten, läkarens ordinationer och kostdagboken
Ett fastighetssystem för hotell (PMS) kan ansluta Garmin Health API och ta emot puls och sömn. Men det saknar de två delar som utgör ett träningsunderlag: läkarens ordinationer och kostdagboken. Därför bygger plattformen upp två datamängder, och båda finns bara där biometri, ordinationer och kost samlas i samma flöde.
Beslutsloggen – «gästens värden → vad läkaren gjorde». Varje åtgärd i panelen sparas tillsammans med en anonym ögonblicksbild av gästen vid det tillfället: ålder, kön, vistelsedag, nattens värden, egna medelvärden och flaggor. Redan i dag fungerar den som beslutsstöd: läkaren ser hur hotellet agerat vid liknande värden.
Utfallsloggen – «påverkan → respons». Varje morgon med mätningar sparar plattformen automatiskt ett par: föregående dags behandlingar och belastning (inklusive middag efter kl. 20:00 och glas från dryckeskuren) bredvid det klockan läste av på morgonen – vilopuls och HRV mot den egna baslinjen, sömn, Body Battery, beredskap och flaggor.
Anonymitet och radering. Raderna innehåller varken namn eller födelsedatum. Återkallas samtycket för hälsodata tas även gästens datapar bort – datamängden blir ärligare av det, inte sämre. Exporten sker som JSONL-rader från administrationspanelen.
Observation, inte orsakssamband. Utifrån insamlade datapar visar panelen medelvärden «med faktorn / utan»: värmebehandlingar dagen innan, en krävande behandling, belastning 50 % över baslinjen, sen middag. En jämförelse visas först när det finns minst 5 par på varje sida och markeras som en observation: en enskild morgon påverkas av för många faktorer för att en skillnad i medelvärden ska kallas orsak.
Prognostest: felmarginal istället för löften
Påståendet «plattformen blir mer träffsäker» har en granskare rätt att få se i siffror. Därför finns en prognoskontroll i administrationspanelen: utifrån hela den samlade historiken förutspår plattformen varje morgon i efterhand – vilopuls, HRV, Body Battery och sömnresultat – och beräknar det genomsnittliga absoluta felet (MAE): hur många enheter prognosen i genomsnitt slår fel på.
Detta beräknas med walk-forward – «framåtskridande»: morgonens prognos byggs uteslutande på dagarna före, och även belastningskoefficienten tränas vidare enbart på datapar som redan har inträffat vid den tidpunkten. Att tjuvkika i framtiden för att anpassa svaret är strukturellt omöjligt.
Modell
Hur den förutsäger
Varför den finns i tabellen
«Som i går»
i morgon blir samma värde som i dag
den naiva baslinjen: en modell som inte slår detta har ingen rätt att kallas modell
«Egen baslinje»
gästens medelvärde under vistelsen – samma som visas på morgonbladet
visar värdet av själva personaliseringen
«Baslinje + belastning»
den egna baslinjen justerad för gårdagens överbelastning; koefficienten aktiveras efter 8 insamlade datapar
det första inlärningsbara elementet – och dess bidrag syns separat
Tabellen är medvetet utformad för att visa det obekväma: med en kort historik slår det naiva «som i går» ofta justeringarna – och det är ett korrekt utfall, inte ett fel. Ribban för framtida modeller sätts av samma tabell: en modell tas i bruk först när den stabilt slår den naiva modellen på hotellets egna data, inte när den bara låter bra i teorin.
Färdplan
Nu. Regler ovanpå den egna baslinjen; loggarna för beslut och utfall växer av sig själva; prognosfelet mäts med ett knapptryck.
Framöver. Prediktiva modeller på utfallsloggen – när det finns tillräckligt många par för att stabilt slå den enkla nivån från tabellen ovan. Fram till dess inga «smarta» ord i skyltfönstret.
Alltid. Automatisk ordination endast som ett utkast som läkaren signerar: så fungerar redan morgonanteckningen, och så kommer förslagen på ordinationer baserade på beslutsloggen att fungera.
Frågor och svar
Är detta maskininlärning eller fasta regler? Kärnan är förklaringsbara regler ovanpå gästens egen baslinje. Träningsbara delar finns redan – belastningskoefficienten i prognosen och sökningen efter liknande fall i beslutsloggen – och fullständiga modeller tillkommer på utfallsloggen, där deras kvalitet redan mäts med feltabellen.
Varför inte ett neuralt nätverk? Eftersom blanketten signeras av en läkare och förklaringsbarhet är ett kliniskt krav, inte en smaksak; eftersom EU AI Act granskar ogenomskinliga hälsorekommendationer hårdare än regler; och eftersom modeller utan data är sämre än regler – och plattformen samlar fortfarande in data.
Vad hindrar ett vanligt PMS från att kopiera detta? Garmin Health API levererar biometri, men inte läkarens ordinationer eller kostregistreringar. Paret «påverkan → respons» uppstår bara när alla tre flöden finns i samma krets – och det datasetet stannar hos hotellet.
Var kan man se allt detta? I instrumentpanelen: «Inställningar» → «Assistent» – korten för båda loggarna, faktorobservationer, knappen för prognoskontroll och JSONL-export (administratörsskärmen).
Hävdar plattformen kausalitet? Nej. Medelvärdena «med / utan faktorn» är märkta som observationer; kausala slutsatser kräver volymer och studiedesign som ett enskilt hotell inte har – och en ärlig sida säger det rakt ut.
