CarbCam: یہ کیسے کام کرتا ہے؟

CarbCam آپ کی تصویر لیتا ہے، اسے ایک AI سروس کو بھیجتا ہے، اجزا کا ایک تخمینہ واپس پاتا ہے، قدروں کی معیاری غذائی ڈیٹا بیسز کے ساتھ معقولیت جانچتا ہے اور آپ کو نتیجہ دکھاتا ہے۔ Nightscout کنکشن کے ذریعے کھانے ہم آہنگ ہوتے ہیں اور کھانے کے بعد بلڈ گلوکوز کا رجحان دکھائی دیتا ہے۔

ہر تجزیہ چھ تک مراحل سے گزرتا ہے:

تصویری صورت میں عمل، اس کے بعد موازنے کے لیے اصل اسکرین شاٹس:

1. اسکین ٹیب

2. AI تجزیہ

3. نتیجہ

1 تصویر لینا & مقامی تراش

تصویر پہلے مکمل طور پر آپ کی ڈیوائس پر رہتی ہے۔ آپ اسے تراش سکتے ہیں، گھما سکتے ہیں، دوبارہ لے سکتے ہیں۔ صرف „تجزیہ کریں“ پر ٹیپ کرنے پر کچھ اپ لوڈ ہوتا ہے۔

2 بجلی کی سی تیزی سے نتائج

پس منظر میں کافی ٹیکنالوجی کام کرتی ہے تاکہ آپ کا تجزیہ حتی الامکان تیز اور درست ہو۔ بہت ملتی جلتی تصاویر کو CarbCam دوبارہ پہچان لیتا ہے اور پھر نتیجہ عملاً فوراً فراہم کرتا ہے: بغیر کسی انتظار کے۔

3 AI تجزیے کے لیے اپ لوڈ

اگر کیش میں کوئی مطابقت نہ ملے تو (تراشی گئی) تصویر ہمارے تجزیاتی اینڈ پوائنٹ کو بھیجی جاتی ہے۔ وہاں ایک Vision ماڈل (Gemini، Claude، OpenAI، xAI Grok، Mistral یا OpenRouter: ایپ سیٹنگز میں آپ کے انتخاب کے مطابق) کو کال کیا جاتا ہے، جو تصویر کو بیان کرتا ہے اور انفرادی اجزا کے نام بتاتا ہے + مقداروں کا موٹا تخمینہ لگاتا ہے۔

4 پس منظر میں معقولیت کی جانچ (کم Confidence پر)

اگر AI تخمینہ کم Confidence رپورٹ کرے تو سرور پس منظر میں غذائی ڈیٹا بیسز (USDA FoodData Central، Open Food Facts) کے خلاف کراس چیک شروع کرتا ہے۔ تصحیح شدہ قدریں کیش میں شامل ہو جاتی ہیں: اسی یا ملتی جلتی تصویر پر اگلی مطابقت پر آپ کو بہتر نتیجہ نظر آتا ہے۔ زیادہ Confidence والے اسکینز میں یہ مرحلہ نہیں ہوتا۔

البتہ بارکوڈز کے لیے Open Food Facts/USDA موازنہ ہمیشہ براہ راست کیا جاتا ہے، کیونکہ یہاں تیار کنندہ کی غذائی اجزا کی ٹیبل بنیادی ذریعہ ہے۔

5 آپ کی جانب سے ترمیم

آپ ہر قدر تبدیل کر سکتے ہیں: مقدار، KH، kcal، FPE، جزو۔ محفوظ کرتے وقت آپ کی قدریں استعمال ہوتی ہیں، AI تخمینہ نہیں۔ ایپ آپ کی کل KH تصحیح (صارف: Xg بمقابلہ AI: Yg) کو شماریاتی مقاصد کے لیے بطور فرق محفوظ کرتی ہے۔

6 محفوظ کرنا & Nightscout ہم آہنگی

مقامی طور پر ایک SQLite ڈیٹا بیس میں۔ اختیاری طور پر اضافی Nightscout-Sync کے ذریعے آپ کی Nightscout انسٹینس کو، لیکن صرف بطور Note Treatment ٹیبل میں (ٹیگ CarbCam کے ساتھ)، فعال KH/IE Treatment کے طور پر نہیں۔ آپ کا Loop/AAPS/iAPS حساب CarbCam کے محفوظ کردہ اندراجات سے متاثر نہیں ہوتا: کھانا صرف بطور نوٹ نظر آتا ہے۔ اگر آپ ns.10be.de کا منظم Nightscout استعمال کرتے ہیں تو سیٹ اپ خاص طور پر آسان ہے: Nightscout URL اور API سیکرٹ درج کریں، بس ہو گیا۔

اگر آپ KH کو فعال طور پر بطور Treatment چاہتے ہیں تو اسکین کے نتیجے میں شیئر بٹن استعمال کریں: یہ KH قدر کو Deep-Link کے ذریعے AAPS/AndroidAPS، Loop، iAPS یا Trio کو بھیجتا ہے یا سسٹم شیئر شیٹ کھولتا ہے۔

FPE کا مطلب ہے چکنائی پروٹین یونٹس (Fett-Protein-Einheiten)۔ یہ بتاتے ہیں کہ چکنائی اور پروٹین سے حاصل ہونے والی کتنی توانائی تاخیر سے بلڈ گلوکوز پر اثر ڈالتی ہے۔

ایک FPE تقریباً 100 kcal چکنائی اور پروٹین کے برابر ہے۔ مثال:

• 30 g چکنائی + 20 g پروٹین = (270 + 80) ÷ 100 = 3.5 FPE

پمپ استعمال کرنے والے اکثر FPE کو توسیع شدہ بولس کے پیرامیٹرز طے کرنے کے لیے استعمال کرتے ہیں (مثلاً Square-Wave یا Dual-Wave)۔ پین استعمال کرنے والے FPE کو دیر سے تصحیحی اسنیک یا سہ پہر کی چھوٹی تصحیح کے لیے ایک موٹے اشارے کے طور پر لے سکتے ہیں۔

CarbCam نتیجے کے کارڈ میں FPE کو پیلے چپ کے طور پر دکھاتا ہے۔ غذائی اجزا کے رنگ:

• KH کاربوہائیڈریٹس
• kcal کیلوریز
• FPE چکنائی پروٹین یونٹس
• چکنائی چکنائی
• پروٹین پروٹین

اگر آپ کا Nightscout کنکشن کنفیگر ہو تو CarbCam آپ کی Nightscout انسٹینس سے BG ڈیٹا لوڈ کرتا ہے اور ہسٹری ٹیب میں ہر کھانے کے نیچے بلڈ گلوکوز کا گراف دکھاتا ہے۔ وقت کا دورانیہ پلیٹ فارم پر منحصر ہے اور خودکار طور پر کھانے کے ارد گرد منتخب کیا جاتا ہے۔ یوں CarbCam Nightscout کے ساتھ مل کر کھانے کے بعد BG کی ہدفی ٹریکنگ ممکن بناتا ہے۔

BG گراف کی خصوصیات (Nightscout ڈیٹا):

• کھانے کے ارد گرد وقت کا دورانیہ (پلیٹ فارم پر منحصر)
• مارکر کھانے کے وقت کے لیے
• Peak نقطہ رنگ سے نمایاں (بلندی کے مطابق سرخ/پیلا/سبز)
• اضافہ اور اختتامی قدر بطور اعداد و شمار
• IOB / COB بطور اختیاری اوورلے لائنیں

درستگی کا انحصار کھانے کی قسم پر ہے:

کیا چیز درستگی بہتر بناتی ہے:

• اچھی روشنی & واضح تصویر: پلیٹ کے حصے پر کوئی سایہ نہیں
• مکمل اجزا قابل پہچان: پاستا کو ساس میں نہ ڈبوئیں
• سائز کا حوالہ: پلیٹ کا کنارہ، کانٹے چھری، ہاتھ تصویر میں رہنے دیں
• معیاری کھانے: AI معروف کھانوں پر اچھی ہے

کیا چیز درستگی خراب کرتی ہے:

• بہت سے چھوٹے ڈھیروں والی بوفے پلیٹ
• ساس سے بہت زیادہ ڈھکے ہوئے اجزا
• واضح نمونہ ڈیٹا بیس کے بغیر بہت غیر معمولی علاقائی کھانے
• سائز کے حوالے کے بغیر ترچھے زاویے سے لی گئی تصویر

آپ کے بولس کے لیے اس کا نتیجہ:

• عام کھانوں میں: تخمینے کو نقطہ آغاز سمجھیں، اپنا ذاتی علم اس پر لاگو کریں، ضرورت پڑنے پر محفوظ کرنے سے پہلے قدر درست کریں
• نازک بولس فیصلوں میں (بہت زیادہ KH، ہائپو کا خطرہ): ہمیشہ اپنا علم / ڈیٹا بیس / پیکیجنگ ساتھ شامل کریں
• پمپ کے ساتھ: تجربہ جمع کریں کہ آپ کے کھانے عام طور پر کتنا فرق دکھاتے ہیں، اور پھر تخمینے کو اپنے ذاتی فیکٹر سے درست کریں

انٹرنیٹ کنکشن کے بغیر درج ذیل حصے کام کرتے ہیں:

• ہسٹری میں تلاش اور فلٹر
• اندراجات دستی طور پر بنانا اور ترمیم کرنا
• شماریات کا ٹیب دیکھنا
• ڈیٹا ایکسپورٹ کرنا (CSV/JSON)
• تصاویر لینا اور بعد کے تجزیے کے لیے محفوظ رکھنا

درج ذیل کے لیے کنکشن درکار ہے:

• AI تجزیہ (تصویر فراہم کنندہ کو بھیجی جاتی ہے)
• خودکار بارکوڈ تلاش (Open Food Facts)
• Nightscout ہم آہنگی (Nightscout ڈیٹا سے BG گراف، Treatment اپ لوڈ)