CN101772769A - 用于辅助胰岛素给药的营养参数估计 - Google Patents

Abstract

本发明公开了一种用于估计个体所消耗的膳食的营养参数的装置。该设备包括处理装置，该处理装置适合于获得至少在用户摄取膳食之前和之后所测量的用户生理参数以及至少为用户给药的药物剂量的输入值。基于输入值，该设备适合于从至少所获得的输入值确定膳食营养参数的估计值，并为用户产生指示所确定的估计值的输出。

Description

用于辅助胰岛素给药的营养参数估计

本发明涉及用于管理医学治疗的装置、技术和方法。在一个特定方面，本发明涉及一种用于估计个体所消耗的膳食的营养参数的装置和方法。

背景技术

当人具有需要自助治疗的情况时，时常需要人能够确定在当前情况下要服用的剂量。这例如，如果人具有胰岛素依赖型糖尿病的情况。因此，在本说明书中将主要参照通过注射胰岛素治疗糖尿病。然而，本文所述的设备和方法的其它用途也是可行的。

糖尿病是用于至少两种不同疾病的共同名称，一种特征是免疫系统间接引发的特定胰腺β细胞破坏(胰岛素依赖型糖尿病(IDDM)或I型糖尿病)，另一种的特征是降低的胰岛素敏感性(胰岛素抗性)和/或β细胞功能方面的功能性缺陷(非胰岛素依赖型糖尿病(NIDDM)或II型糖尿病)。

I型糖尿病的主要治疗包括替代失去的胰岛素分泌，而II型糖尿病的治疗更为复杂。更具体地说，在II型糖尿病治疗的早期阶段可使用许多不同类型的药物，例如增加胰岛素敏感性的药物(环格列酮)、降低肝葡萄糖输出的药物(例如二甲双胍)或减少从肠的葡萄糖吸收(α葡萄糖苷酶抑制剂)，以及刺激β细胞活性的药物(例如磺酰脲类/氯茴苯酸类)。然而，β细胞刺激剂将最终未能刺激细胞这一事实折射出了上述劣势，并且无论是单一治疗或结合口服药进行治疗，人都不得不用胰岛素进行治疗，以改善葡萄糖的控制。

目前有两种主要的日常胰岛素治疗模式，一种包括注射器和胰岛素注射笔，并且另一种包括输液泵。注射器和胰岛素注射笔简单易用，并且成本相对较低，而且它们通常涉及一天多次注射，例如每天3-4次或更多。通常，注射结合膳食来给药。

为了保持正确的胰岛素剂量，无论用胰岛素注射笔或用输液泵来给药，大多数具有糖尿病的人需要或多或少地频繁地监测BG，以便维持可接受的胰岛素治疗。监测BG可通过葡萄糖仪来执行，其通常依赖于用刺血针采集的少量血样。传统的葡萄糖监测系统通常由用户指示来读取读数，并且如果读数被认为处于不安全的水平(例如血糖超高或血糖过低的情况)时可提供警告。

在胰岛素或其它药物的自助治疗的情况下，人可能需要在进食之前立即摄入常规“背景”剂量的药物以及单次剂量(bolus dose)，以补偿进餐期间食物的摄取。正确剂量，尤其在单次剂量的情况下，其依赖于许多不同的因素，并因此难以使人估计或计算正确剂量。

正确计算剂量的上述困难将时常导致人摄入平均剂量，而没有考虑到与当前情形相关的任何特殊情况。这是不利的，因为这种平均剂量将很少与针对特殊的人在特殊时间的精确的药物需求相对应。即使人通过例如估计相关特性，例如所消耗的膳食的营养成分而考虑了当前情形，但是错误的估计经常发生，从而导致错误的剂量计算。

如果输送的剂量小于所需剂量，那么会将数量不足的药物输送给人。在药物是胰岛素的情况下，这可能导致人遭受高血糖的苦楚，从而增加了长期并发症的风险。另一方面，如果输送的剂量大于所需剂量，那么会将过量的药物输送给人。在药物是胰岛素的情况下，这可能导致人遭受低血糖的苦楚，从而使人处于遭受已知后果的风险下。

此外，在胰岛素给药的情况下，估计膳食的营养成分，尤其膳食中的碳水化合物含量对于正确计算正确的胰岛素剂量是相当决定性的因素。估计碳水化合物含量方面的任何不确定性都可能导致估计所需的胰岛素剂量的不精确的确定。不幸的是，很少有人能够正确地估计其膳食。该困难之前已经被认识到，并且已经做出了若干努力来改进剂量计算。

Graff、Gross、Juth和Charlson已经研究过强化胰岛素治疗的人员在计量碳水化合物方面的能力[1]。他们发现，平均起来，包含在早餐中的碳水化合物被高估了8.5％(-93％至+100％)，并且对于午餐低估了-28％(-97％至+43％)，对于晚餐相差了-23％(-95％至+80％)，且对于点心相差了-5％(-96％至+122％)。当调查对象估计的餐前单次剂量同正确的餐前单次剂量(利用各个调查对象的报告的目标BG、胰岛素敏感性和胰岛素对碳水化合物比计算得出)进行比较时，对于60mg/dL的餐前BG，受疗者平均起来高估了其胰岛素需求0.8±3.74IU，对于其目标餐前BG高估了0.7±4.7IU。Graff等人得出的结论是，这些结果提示即使在有规律地使用碳水化合物计量的人员当中，估计膳食中的碳水化合物含量也是相当不精确的。该研究覆盖了64人，其中35人具有I型糖尿病，并且29人具有II型糖尿病。其它研究已经显示了具有I型糖尿病的肥胖的人报告了膳食含量为实际含量的66％，而正常体重的人报告为90％[2]。

US2004/180810公开了一种食物和胰岛素剂量的管理方法。病人计算出膳食中有多少烤面包，并摄入胰岛素以匹配。在用餐之后，病人测量BG值，从而检验该系统是否按计划工作。如果血糖不按预期起反应，那么碳水化合物的估计可能是不精确的。US2005/065760公开了一种用于引导用户选择胰岛素剂量的方法。适应性的修正系数考虑了用户在估计包含在膳食中的碳水化合物的能力。US2003/114836公开了一种单次剂量估计器，其在用户已经表明充分理解如何估计碳水化合物摄取量之后基于碳水化合物的消耗而估计单次剂量。US2006/272652描述了一种用于教育具有糖尿病的人员的虚拟病人软件系统。所选择的病人模型考虑了用户时常低估和高估病人消耗的碳水化合物克数的情况。WO00/10628涉及一种外部输液装置，并且用户可利用单次剂量估计器信息来学习胰岛素敏感性值、碳水化合物计量等等。WO00/18293描述了糖尿病管理系统，其预测病人的未来BG值，并在预测值落在目标范围之外时推荐修正作用。

WO01/91633公开了一种通过计算碳水化合物的摄取量而调节BG的方法。更具体地说，该方法包括步骤(i)基于所观测的BG值和碳水化合物的摄取量而计算碳水化合物敏感性方面的个人因素。基于所计算的因素，利用目标BG值和起始BG值可计算产生希望的葡萄糖变化所需要的碳水化合物的估计量。

因此，即使估计正确的膳食的碳水化合物含量的困难和其对正确胰岛素剂量的影响已被认识到，仍然需要可帮助用户改进估计与药物给药相关的膳食营养参数(例如碳水化合物含量)的精度的方法和设备。

发明内容

在本发明的公开中，将描述解决其中一个或多个上述目的的实施例和方面，或者将描述解决以下公开说明书以及典型实施例的描述中清楚目的的实施例和方面。

因而，在第一方面，本发明提供了一种用于估计营养参数的设备，所述设备包括处理装置，该处理装置适合于(i)获得输入值，该输入值指示了至少用户生理参数的第一测量和第二测量以及至少为用户给药的药物剂量，(ii)从至少获得的输入值确定在第一测量和第二测量之间的被用户消耗的膳食的营养参数的估计值，以及(iii)产生指示所确定的估计值的输出。

因此，本文所述设备的实施例提高了用户正确估计相关的膳食营养参数，例如膳食的碳水化合物含量的能力。在糖尿病的情形下，错误估计的膳食是个严重问题，并且是错误的胰岛素剂量的主要因素，因为大多数人低估了膳食，并且因为所消耗的膳食的碳水化合物含量对于计算胰岛素剂量具有极大的影响。此外，本文所述的膳食估计值的修正可与生理模型一起使用，以获得膳食估计和单次剂量胰岛素计算的更高的精度。

膳食估计主要依赖于用户的事实以及其极强地影响所计算的胰岛素的量的事实等这些因素造成对于用户在膳食估计方面的改进的支持是非常有利的。

此外，本文所述的方法和设备有利于以用户特有的个人的方式计算药物的剂量或系列剂量。

此外，本文所述的方法和设备有利于根据将接受药物的剂量或系列剂量的人行为上的变化来调整药物的剂量或系列剂量的计算。

药物的剂量或系列剂量可以是液体药物剂量，例如用于通过如注射装置或输液装置进行的皮下输送或静脉内输送的药物。例如，药物可通过注射装置(例如注射笔或无针注射装置)、鼻喷方式、口服方式(例如片剂形式或液体形式)或以任何其它合适的方式进行给药。本文所述的设备因而可形成注射装置、输液装置(例如微型输液泵)或另一合适的药物输送装置的一部分，或连接到这些装置上。

输入值可根据相应的个体参数的性质而以不同的方式获得。因而，输入值可从另一适合于测量和/或存储相关参数值的装置直接供给该设备的输入装置，或者该设备可包括测量装置，在这种情况下可通过测量直接获得相应的输入值。作为备选或附加，可由用户手动输入一些输入值。其它的输入值可由设备自动产生和/或最初设定它，即，它们可在最初被输入，并且通常不会变化或者至少是很少发生变化。

因而可通过测量、通过手动输入值、通过例如利用有线或无线通信接口进行数据传送、诸如通过红外线或射频链路、通过计算、通过从内部存储装置中获取数据等等而获得输入值。

生理参数的第一和第二测量的输入值通常是在摄取膳食之前和之后进行测量的。它们可分别在摄取膳食之前和之后立即进行测量，或者在摄取膳食之前和之后的相应时间段内的某个时间点进行测量。生理参数还可在摄取膳食之前和/或之后的时间段内进行反复或甚至持续地测量。此外，在摄取膳食期间可至少部分地执行其中一个测量。

类似地，至少给用户给药的药物剂量的输入值可由设备直接通过设备的输入接口而获得，由用户通过装置的合适的用户接口手动输入，或以任何其它合适的方式来获得。

例如，该设备可包括用户输入装置，例如刻度盘、按钮或任何其它用于接收用户输入的合适的装置，从而容许用户手动地输入关于给药的胰岛素单次剂量等信息。作为备选或附加，该设备可直接从药物输送装置获得给药剂量，这种药物输送装置具有用于传递药物的给药剂量的合适的输出接口。药物的剂量可在预定的摄食时间段附近例如在摄食之前给药。

在糖尿病的情况下，测量的生理参数可以是用户的BG水平，其可由本领域中已知的任何合适的方式进行测量。类似地，在糖尿病的情况下，药物可以是胰岛素、胰岛素类和/或用于治疗糖尿病的另一药物。在这种情况下，药物可以是例如可吸入的胰岛素或可注射的胰岛素。备选地，其可以是用于调节BG或胰岛素敏感性的其它种类的药物，例如GLP-1类激素或口服药物。

备选地，该剂量或系列剂量可用于阻凝治疗。在这种情况下，药物可以是华法林或苯丙香豆素。苯丙香豆素是维生素K对抗剂，其通过阻塞凝固因素的合成而抑制凝固。在阻凝治疗期间，病人通过采集在设备中进行分析的血样而调整药物。由此可计算出下一剂量。剂量太大可能造成太少的凝固作用，从而造成出血，这可能是很危险的。太小的剂量可能造成血栓形成。所需要的剂量依赖于病人食物中的K维生素的量。卷心菜族产品含有大量K维生素。

通常，有代表性的药物包括例如缩氨酸、蛋白质、激素、生物学派生物或活化剂、荷尔蒙和基因试剂、营养配方以及其它固体(例如配制的)或液态物质的医药制品。在示范性实施例的描述中将参考胰岛素的使用。

通常，用户可在摄食之前执行BG水平的测量，基于所测量的BG水平和有待消耗的膳食的碳水化合物含量的显式或隐式估计值而确定合适的胰岛素单次剂量，并在摄食之前对确定的剂量给药。

确定膳食营养参数的估计值是至少基于所获得的输入值，即至少在摄食之前和之后测量的生理参数和给药的药物剂量中获得的输入值而执行的。因此，为用户提供了关于所消耗的膳食的实际营养含量的反馈信息。这有利于提高用户自身初始估计或猜测膳食营养含量，它是用于计算所给药的药物剂量的基础。因此，本文所述的设备有利于长期改善用户的合适用药。膳食的碳水化合物含量是营养参数的一个示例。在糖尿病的情形下，碳水化合物含量是计算药物剂量方面的一个特别重要的参数。

在一些实施例中，营养含量的估计值由用户的生理模型来确定，例如用于对生理过程建模的生理模型，其包括膳食营养含量和基于所测量的生理参数的给药的影响。当生理模型是用户特定的模型时，可确定针对特定用户的更精确的估计值。例如，生理模型可包括一个或多个可针对各个用户而确定并储存在设备中的模型参数。生理模型可以是用于从至少摄食之前的生理参数值、给用户给药的药物剂量以及膳食营养参数的估计值中预测摄食之后的生理参数值的生理预测模型。通过针对膳食营养参数的不同的初步估计值而迭代计算摄食之后的生理参数的预测值，并通过将所估计的营养参数确定为导致摄食之后相对应的生理参数的预测值与摄食之后实际测量的生理参数值达到最佳一致性的营养参数值，从而可从这种预测性模型中确定营养参数的估计值。

当营养参数的估计值被确定为生理参数预测值和摄食之后的生理参数测量值之间的差异小于阈值时的营养参数值时，可提供特别精确的估计值。例如，通过任何用于最大限度地减小关于估计营养参数的预测值和测量值之间的差异的数字最小化算法可确定这种估计值。

该设备还可包括输出装置，用于产生用户可检测的输出，该输出指示所确定的估计值。例如，该设备可包括显示器，用于为用户显示所确定的估计值或由确定的估计值推导出的输出值，或者包括输出装置，用于提供任何其它用户可检测的输出，例如打印输出、可听输出等等。该输出可以任何合适的方式指示所估计的营养参数，例如绝对含量或相对含量、同之前输入的估计值相比的适宜水平、例如与“恰当”和“不恰当”相对应的二进制信号、或者具有不止两种可能值或甚至根据连续范围的多级适宜度。

作为备选或附加，该设备可包括数据通信接口，用于将确定的估计值或从中推导出的值传送到另一装置或系统，例如数据处理系统，如PC机上。数据通信接口的示例包括有线或无线接口，例如串行接口、USB接口、短距离射频接口、例如蓝牙、红外接口等等。其它示例包括活动存储介质，例如存储器卡、存储器棒、软盘等等。因此，可将针对多种膳食的估计值传送给另一装置或系统，以用于例如由健康护理人员进一步分析。

应该懂得，可使该设备进一步适合于获得其它的输入值，例如药物种类、膳食类型(例如“午餐”、“晚餐”、“点心”等等)、生理参数的测量时间、药物的给药时间、摄食时间等等。一些值可用作估计营养参数的其它的输入，例如生理模型的输入。作为备选或附加，通过该设备可将这些其它的输入值中的一些与营养参数估计值相关地储存起来，和/或传送给另一装置用于进一步分析。

在一些实施例中，使处理装置进一步适合于接收指示营养参数的初步估计值或从营养参数的初步估计值推导出的值的输入值。该设备因而可产生输出，其指示了初步估计值与接下来由设备同样基于摄食之后所测量的生理参数而确定的估计值之间的偏差。因此，为用户提供了初始估计值的精度的指示，因而有利于用户所执行的估计的逐步改进。

该设备可输出针对输入初步估计值的各个估计值的偏差。备选地，如果偏差超过预定的限度，该设备可只输出偏差。作为备选或附加，该设备可确定针对多个膳食或针对某种类型的多个膳食的平均值或偏差趋势，并输出所确定的平均值或趋势，因而减少了随机偏差、确定估计值的不精确性、或其它可归因于“噪声”的误差源的影响。

某种类型的膳食可能是由用户指定为某一类型或某类膳食，例如“早餐”、“午餐”等等。作为备选或附加，某种类型的膳食可以是在一天的预定时间消耗的膳食、在预定时间间隔内具有初步的营养参数估计值的膳食等等。因此，可为用户提供有价值的反馈，指示用户正确地评价/估计某些类型的膳食的能力，例如午餐、高碳水化合物含量的膳食等等。

作为备选或附加，输入的初步估计值可用作用于迭代计算营养参数估计值的起始值。

当处理装置进一步适合于至少基于所获得的在摄食之前由用户测量的用户生理参数的输入值而计算药物的剂量或系列剂量时，提供了一种设备，其可用作剂量/单次剂量计算器，并且用作监测装置，其为用户提供了关于给药剂量的适合程度的反馈。在一些实施例中，剂量计算还基于指示营养参数的初步估计值的输入值。

药物的剂量或系列剂量可基于一个或多个其它输入参数进行计算。因此，药物的剂量或系列剂量可基于将要接受药物的人的尽可能接近实际情况的描述。因此所计算的剂量将更可能匹配针对那个特定人在特定时间的药物需求，即提供了高度定制的计算。这是非常有利的，因为其最大限度地减小了与错误剂量相关的负面影响。

此外，在不同的输入值，例如以诸如手动、初始设置、自动产生等各种方式而接收的不同的输入值之间的比较可揭示正常行为模式上的变化，并从而在计算剂量时可考虑这种变化。

该设备可适合于计算药物的单次剂量，即药物的剂量或系列剂量可以是单次剂量。在本文环境中，术语‘单次剂量’应被理解为意味着在短的时间段内输送的单次药物剂量。例如，其可以是为了补偿例如与膳食消耗相关的BG水平的预期上升而摄取的额外的胰岛素数量。

本发明的实施例可以不同的方式来实现，包括上面和以下描述的设备、方法、系统、装置和产品工具，其各产生结合首先提及的设备所描述的其中一个或多个好处和优势，并且各具有一个或多个实施例，它们与结合首先提及的设备所描述和/或从属权利要求中所公开的实施例相对应。

在又一方面，本发明提供了一种用于估计营养参数的方法，所述方法包括如下步骤：(i)获得输入值，该输入值指示了至少用户的生理参数的第一测量和第二测量以及至少给用户给药的药物剂量，(ii)从至少获得的输入值中确定位于第一测量和第二测量之间的被用户消耗的膳食营养参数的估计值，并且(iii)产生指示所确定的估计值的输出。该方法可按照上面针对相应的设备所述的不同的备选例、示例和实施例进行相应的修改。

应该注意上述和下述方法的特征可至少部分地以软件形式实现，并在数据处理装置或其它通过执行程序代码例如计算机可执行指令而构成的处理装置上实现。在这里和下文中，术语“处理装置”包括任何适合于执行上面功能的电路和/或装置。具体地说，上面的术语包括通用或专用可编程微处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、可编程逻辑阵列(PLA)、现场可编程门阵列(FPGA)、特殊用途电子电路等等，或其组合。

因此，根据一个方面，计算机程序产品包括适合于在数据处理系统上执行时造成数据处理系统执行本文所述方法步骤的计算机程序装置。

本文所用术语″药物″意味着包含任何能够雾化的包含药物的配方。有代表性的药物包括例如缩氨酸、蛋白质(例如胰岛素、胰岛素类似物、GLP-1和GLP-1类似物)、激素、生物学派生物或活化剂、荷尔蒙和基因试剂、营养配方以及其它物质的医药制品。

附图说明

以下将参照附图进一步描述本发明，其中

图1显示了用于监测药物给药的设备的一个示例的方框图，

图2显示了用于监测药物给药的过程的一个示例的整体流程图，

图3显示了用于监测药物给药的过程的另一示例的整体流程图，

图4显示了对于具有I型糖尿病的人的葡萄糖体内平衡的生理模型，和

图5显示了由生理模型获得的预测结果的示例。

在附图中，相同的结构主要由相同的标号标识。

具体实施方式

图1显示了用于监测药物给药的设备的一个示例的方框图。总体由标号100标示的设备包括一个或多个用于接收输入值的输入装置101、处理单元102、存储器103和一个或多个输出装置104。

输入装置101包括用户接口，其容许设备的用户输入数据，例如估计的膳食碳水化合物含量(‘Carbsin’)、所测量的BG水平、给药的单次剂量(‘剂量’)等等。用户接口可包括任何用于输入数据的合适的装置，例如按钮、刻度盘、键盘、触摸屏等等。可选地，输入装置101还可包括一个或多个用于从其它装置，例如BG测量装置、药物输送装置、数据处理系统等装置直接接收数据的数据接口。这种数据接口的示例包括有线和无线接口，例如串行接口、USB接口、红外线接口、例如蓝牙的短距离射频接口、局域网接口、蜂窝移动通信接口等等。数据接口的其它示例包括可移除的数据载体，例如存储器棒、存储器卡、光盘、磁带、磁盘等等。

直接供给到设备的输入装置101的输入值或从组成设备的一部分的测量装置中获得的输入值可包括所测量的BG值。该设备可适合于与测量将要接受药物的剂量或系列剂量的人的葡萄糖水平的装置协作，并且该设备可通过输入装置而直接获得葡萄糖测量的结果。葡萄糖水平可以是例如通过BG测量装置正常测量的BG水平。备选地，葡萄糖水平可以是血浆葡萄糖水平，其可通过例如连续葡萄糖监测(CGM)而基本连续地从血浆中测量得出。类似地，可分别从胰岛素输送装置例如胰岛素笔或胰岛素泵，或从单次剂量计算器中接收输送的或计算出的胰岛素剂量。这种输入值的其它示例包括但不局限于当前活动水平、一个或多个在特定的之前的时间间隔内所测量的参数的发展等等。例如，设备100还可包括或接收从连接或佩带在将要接受药物的剂量或系列剂量的人身上的加速计中的数据。加速计适合于通过输入装置而将关于所述人的活动水平的信息提供给设备。备选地，输入装置可适合于与并不组成设备的一部分的加速计通信。

在一个或多个测量参数的发展供给输入装置的情况下，这种信息优选地从内部或外部存储装置，例如外部计算机中获取，该计算机中存储了与之前测量值、手动输入值或之前计算值相关的信息。

手动输入的值可以是例如由单独装置测量的值，或者是由用户估计的值。所测量的值可包括上面限定的任何值，在这种情况下的唯一区别是用户手动输入值，而不是直接将值供给输入装置。估计值例如可涉及即将到来的膳食的含量和/或数量，例如估计的碳水化合物含量(‘Carbsin’)，涉及即将到来的酒精摄取，或涉及活动水平，例如在人通过执行例如某种运动而即将极大地提高某一段时间内的活动水平的情况下。

自动产生的值优选是该装置仅仅基于设备容易得到的信息而能够获得的类型，即不需要将额外信息供给设备。例如，该设备可装备时钟或另一种类的计时器，该设备将从而‘知晓’日、周、月等等时间。因此，‘时间’是可自动产生的值的一个示例。基于此信息，并可能结合关于人的正常行为模式的信息，该设备能够产生各种输入参数值，例如预计的食物摄取量、预计的活动水平、在设备是输液装置情况下的导液管的寿命、人的年龄等等。在设备包括或连接在测量装置的情况下，还可将测量值认为是自动产生的值。此外，该设备可直接记录BG测量数据、胰岛素剂量数据和/或碳水化合物估计值的接收时间，并用于本文所述的生理预测模型。

最初设定的值可以是特定于将要接受药物的剂量或系列剂量的人的值，其通常不会随着时间而变化，或者其只会随着时间而缓慢变化，包括人的正常行为模式。这种值的示例包括但不局限于种族、性别、初始年龄、医学情况、例如糖尿病的种类、目标葡萄糖水平、例如目标BG水平(BG_target)、一个或多个碳水化合物-胰岛素比(CIR)、一个或多个胰岛素敏感性因数(ISF)、随时间变化的正常食物摄取量、随时间变化的正常活动水平、体重、身体质量指数等等。应该明白这些值中的一些是不变化的，这例如种族和性别。‘初始年龄’的值可限定为在最初设定设备时将要接受药物的剂量或系列剂量的人的年龄。该设备能够基于最初输入的年龄并结合时间/日期相关的信息而自动产生人的当前年龄。然而，这些值中的一些可能随着时间而改变，虽然只是非常慢而已。这例如体重、身体质量指数、正常食物摄取量和正常活动水平。因此当发生变化时，应该可以改变这些值，以确保设备可用的值在任何时候都尽可能地接近实际情况。

人的‘正常行为模式’可包括关于人的活动水平和/或食物摄取量的信息，包括随时间的周期性变化，例如在正常日子期间各种习惯膳食中的食物摄取量、在工作日和周末之间的用餐次数上的变化、在一天期间和/或在一周期间变化的活动水平等等。

例如‘正常食物摄取模式’可包括关于随时间，例如日时间、周时间等等而变化的预计食物摄取量的信息。‘正常食物摄取模式’可规定一天期间惯例膳食的次数、各惯例膳食通常被食用的正常次数或时间间隔、和/或这种参数(或间隔)的一个或多个属性，该参数指示了各膳食的营养成分，例如碳水化合物含量。

类似地，‘正常活动水平’可包括关于随时间，例如日时间、周时间等等而变化的预计活动水平的信息。因而，‘正常活动水平’可特定为人星期一至星期五正常骑自行车上下班，或特定为人每个星期二从下午4点至6点参加训练课等等。

该设备可适合于将自动产生的输入参数值、所接收的输入参数值和最初设定的输入参数值进行比较。因而，该设备能够比较以各种方式获得的信息，并因而可获得将要接受药物的人的尽可能地接近实际的情况的描述。

处理单元102可包括适当地编程的通用或专用可编程微处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、特殊用途电子电路等等，或其组合。具体地说，通过例如存储在存储器中并从存储器103加载的程序代码可对处理单元进行合适地编程，以执行监测下面结合图2-5所述的过程。

存储器103可包括任何合适的用于储存程序代码和数据的存储介质，数据是例如生理模型的模型参数、所接收的输入数据和/或估计的营养参数和/或由装置产生的其它输出。合适的存储介质的示例包括随机存取存储器(RAM)、只读存储器(ROM)、闪存、EPROM和EEPROM等等。存储器103还可包括不止一个存储装置，例如RAM、ROM和闪存。

输出装置104包括显示器，用于显示由设备100计算的输出，尤其是之前所吃的膳食的估计的碳水化合物含量(‘Carbs_out’)，或者包括任何其它合适的输出装置。作为备选或附加，输出装置104可包括一个或多个数据接口，用于将数据直接传递给其它装置或系统，例如保健中心的数据处理系统、传统计算机等等。上面已经结合输入装置101描述了合适的数据接口的示例。应该懂得设备100可分别使用相同或不同的数据接口作为输入和输出装置。其它用于提供用户可检测的输出信号的装置可包括显示器、LED或其它可视指示器、振动元件或电子肌肉刺激器(EMS)。

例如，设备100可实现为手持式装置或用户佩带式装置。例如，该设备100可实现为恰当编程的通用电子处理装置，例如移动终端、个人数字助理(PDA)、恰当编程的手持式计算机。备选地，设备100可以是专用药物监测装置，例如具有一个或多个数据通信接口，用于直接从其它装置，例如BG测量装置、药物输送装置等等接收数据。在一些实施例中，该设备可以是一种集成装置，其还包括药物输送装置和/或BG测量装置和/或单次剂量计算器等等。

现在将参照图2-5，并且继续参照图1来描述本文所述的监测装置，例如图1中所示装置的操作。

图2显示了用于监测胰岛素给药过程的一个示例的流程图。该过程的实施例可由设备100的处理单元102来执行。

在初始步骤S201中，设备100通过输入接口101接收BG测量值(BG_prior)，该测量值指示了用户在摄食之前的BG水平。当已经测量了葡萄糖水平，可通过数据通信通道而将结果传送给输入装置，或者可将其手动输入。备选地，测量设备可形成设备100的一部分。设备100进一步通过输入接口101而接收输入值，该输入值指示将被吃掉的膳食的碳水化合物含量的估计值(Carbs_in)。该过程将接收的值储存在存储器103中。

在步骤S202中，该过程将结合摄食而计算有待对用户给药的单次胰岛素剂量。这种计算可基于以下取自存储器103的参数：

‘Carbs’是关于食物摄取的参数。‘Carbs’可表达为膳食中的碳水化合物的总克数的量，即所接收的膳食的碳水化合物含量的估计值。‘Carbs’优选是有待接受剂量的人即将吃掉的膳食中所包含的碳水化合物的量的估计值。用户自己可手动执行估计。然而，设备能够从用户输送的关于膳食的信息中计算出初步估计值。这种信息可包括例如‘蔬菜’、‘鱼’、‘意大利面’、‘肉’等的食物的类型、各种食物类型的重量等等。

‘CIR’是关于药物量的参数，其与特定的食物摄取量相对应。具体地说，‘CIR’(碳水化合物-胰岛素比)是与个人相关的反映对应于特定的食物量所需要的药物量。在药物是用于治疗糖尿病的胰岛素的情况下，CIR参数可优选是多少克碳水化合物对应于一个单位的快速作用胰岛素的度量。这个参数优选储存在存储器103中。然而，CIR参数可能依赖于一天中的时间，并且其可因此采用时间的周期性函数的形式进行存储。对于许多人来说，CIR的值依赖于一天中的时间，并且对于妇女，其还可能依赖于月时间，与月经周期有关。在该设备初始化时，输入人的已知的参数值，并且该设备可基于这些参数值及其它来给出建议值，以便在任何给定的时间使用。这可通过例如由已知的值形成/插值形成平滑曲线而获得。例如，一人可能知道早餐CIR为5g/IU胰岛素，而且对于一天剩余部分的CIR是8g/IU胰岛素。在此上下文中，‘早餐’应被理解为一天中的第一餐，如果其是在中午之前被吃掉的话。许多妇女在紧接月经之前的日子对胰岛素不太敏感。因此，对于一个人来说，可能已经知道在预计的月经之前的三天，CIR值比正常值小大约20％，即在上面给定的示例中，早餐CIR是4g/IU胰岛素，并且对于一天剩下部分的CIR是6.4g/IU胰岛素。如果最初只是知道一个CIR值，那么该设备可帮助提出一天中其它时段的值。例如，在下午2点一个人的CIR值可能测量为10g/IU胰岛素。然后该设备可为早餐CIR建议使用8g/IU胰岛素，并且为一天的任何其它时间的CIR使用10g/IU胰岛素。

BG_current和BG_target是分别反映当前BG水平和目标BG水平的参数。BG_current反映了对于将接受药物剂量的人的当前的BG水平，并且其优选是BG水平的测量值。BG_current优选供给以上所述的设备。BG_target反映了对于将接受药物剂量的人的BG水平的所需目标值。因而，BG_target对于给定的人可以是恒定值，在这种情况下，一旦已经确定了有关的人，则可以有利地初始设定BG_target并储存在存储器103中。备选地，BG_target是时间的周期性函数，例如反映一天和/或更长时间范围期间的BG目标值的变化，例如反映由于妇女月经周期所引起的变化。例如，BG_target可以是白天期间4-8mM，就寝时间6-8mM，并且在进行某种运动之前为6-10mM。此外，在人怀孕的情况下，可选择略低的目标值，例如在吃掉膳食之前4-5mM。因此，BG_current-BG_target一项是当前BG水平和所需目标BG水平之间的差值，因此反映了可能需要的修正。

‘ISF’是关于药物敏感性的参数。具体地说，‘ISF’(胰岛素敏感性因数)是与个人相关的描述特定药物剂量对BG水平的影响。在药物是用于治疗糖尿病的胰岛素的情况下，ISF参数可描述一个单位的胰岛素引起的BG水平的多大的下降(例如以mM/IU为单位进行测量)。参数ISF可储存在存储器103中。ISF和CIR值可作为常数进行储存，然而，它们还可作为随一天的时间而变化的曲线进行存储。

‘IOB’(体内胰岛素)是关于之前输送剂量仍存在的药物量的参数。然而，只有不与膳食相关的药物的残余量的部分应予以考虑。因而，仍在体内的抵消了也仍在体内的膳食的药物不应予以考虑，即其被膳食‘抵消了’。IOB参数优选是若干因素的函数，例如药物剂量大小、药物类型(例如胰岛素类型，如快速作用或缓慢作用)、年龄、身体质量指数、疾病的类型或情况(例如I型或II型糖尿病)、种族、一天中的时间、导液管(在输液设备的情况下)的寿命、导液管插入的解剖位置、月经期的时间、不久的过去或不久的将来的运动量、训练状态、时区变化、压力、酒精摄取量等等。所有这些因素对于身体有多快消耗药物具有影响。因而，如本文所述，可有利地对应于多个输入参数值和/或对应于两个或多个输入参数的比较来计算IOB。

因而，至少CIR、ISF和IOB参数可认为是与个人相关的参数。在此上下文中，术语‘与个人相关的参数’应被理解为表示反映特定个人的一个或多个特定特征的参数，例如年龄、性别、种族、对药物的敏感性、食物吸收等等。至少CIR、ISF和IOB参数还可被认为是适应性参数。在此上下文中，术语‘适应性参数’应被理解为表示可由设备响应于提供给设备的输入参数值而进行修改或调整的参数。适应性参数的示例是上述的‘活动水平’。在上面给出的示例中，预计的活动水平(参加训练课)可响应于来自加速计的输入数据而进行修改。

应该懂得，上面的参数可备选地以不同的单位进行输入和/或使用。例如，碳水化合物含量可备选地按“BE”(“Broteinheiten”)、“KE”(“Kohlenhydrateinheiten”)等等进行测量。

基于上述参数，该剂量是基于反映食物摄取和食物吸收之间关系的项、反映输送的药物相对于所需目标的影响的项、和反映之前输送剂量仍存在的药物的量的项基础之上计算的。具体地说，该过程可从以下方程中计算出单次剂量胰岛素：

$\mathrm{Insulin}=\frac{\mathrm{Carbs}}{\mathrm{CIR}}+\frac{{\mathrm{BG}}_{\mathrm{current}}-{\mathrm{BG}}_{t\arg \mathrm{et}}}{\mathrm{ISF}}-\mathrm{IOB}---\left(E0\right)$

其中‘Insulin’是所计算的剂量，并且其它的参数是上面所述的参数。上面的方程因而是基于设备在步骤S201中所接收的参数和/或基于取自存储器103中的存储参数，例如年龄、性别、CIR等等参数进行计算的。

应该懂得还可使用其它方法来计算胰岛素剂量。例如，在一种备选方法中，参数‘Carbs’可乘以‘食物速度指数’(FSI)，其反映了将接受药物的剂量或系列剂量的人多快地吸收特定的食物。其还优选反映了对BG水平所导致的影响。这个参数依赖于膳食的成分，尤其是流体、脂肪和纤维的量。其可优选由用户以例如‘缓慢’、‘中等’或‘快速’之间的选项的形式，或以估计的数字形式来输入。缓慢吸收的食物的示例是具有相对较大脂肪含量或复合碳水化合物的食物类型。快速吸收的食物的示例是糖果或玉米片。对于缓慢吸收的食物，FSI参数将小于1，对于快速吸收的食物，FSI参数将大于1，并且FSI参数优选在0.6至1.4之间的范围内。因此，FSI参数减少或增加了‘Carbs’参数，以考虑所消耗的碳水化合物的种类以及对BG水平的预计影响。在不能估计FSI参数的情况下，可将其设为1，从而假定‘Carbs’参数所指示的碳水化合物含量在吸收方面具有平均性质，即‘中等’而非‘缓慢’或‘快速’。

至少一个输入参数可涉及将接受药物的剂量或系列剂量的人的活动水平。这种输入参数可包括，但不局限于，最初针对正常活动水平设定的日程计划、通过加速计测量的实际的活动水平、以及手动输入的估计的活动水平。考虑人的活动水平是有利的，尤其在药物用于治疗糖尿病的情况下，因为活动水平对于所需药物的量具有很大的影响。

某些人可能时常跳过计算而宁愿使其胰岛素剂量基于假定“类似于昨天”。单次剂量计算器具有提到的因数作为输入，并且之后基于预设的转换因数而执行计算。当前BG可自动地从BG仪中传递出来，并且目标BG、CIR和ISF储存在存储器中，使得必须输入的唯一参数是膳食中的碳水化合物含量的估计值。

在后续步骤S203中，过程接收BG测量值(BG_after)，该测量值指示用户在摄食之后的BG水平。BG测量可在摄食之后合适的时间执行，那时所消耗的膳食和结合膳食给药的胰岛素对于BG水平的影响是可测量的。例如，可在摄食之后预定的一段时间后执行BG测量，例如在摄食之后的1/2小时和2个小时之间。

在后续步骤S204中，该过程在摄食之后的预定的一段时间后基于摄食之前的BG测量值、胰岛素的给药剂量、所消耗的膳食的碳水化合物含量的估计值和使用的合适的生理模型来计算预计/预测的BG值(BG_pred)。具体地说，该过程可计算执行实际膳食后的BG水平测量时的预计/预测的BG水平。例如，测量时间可与所测量的BG水平一起输入(或从另一装置接收)。备选地，设备可记录输入/接收测量值的时间，并使用这个时间作为测量时间的近似值。

生理预测模型可以本领域中已知的不同方式构造，并且在文献中已经报告过若干种模型。研究表明膳食估计从统计上来说是预计的膳食后BG水平和所测量的膳食后BG水平之间的偏差的主要来源(参见例如Kildegaard J，

J，Poulsen JU，Hejlesen OK“The impact ofnon-model related variability on BG prediction”，Diabetes Technologyand Therapeutics，2007。)因此，如果周碳水化合物摄取量有所偏差，尤其如果这是在某一段时间内的情况，例如一周，那么不正确的碳水化合物估计值可能是造成这种偏差的原因。

生理模型的一个示例可通过组合Berger的胰岛素模型[3]、Lehmann的膳食模型[4]和Bergman的最小化模型[5]而构成。因此，基于相对简单的模型是可以得到有用的膳食估计反馈的。更全面的模型可给出更精确的结果，特别是在正常的BG范围之外时。例如，最小化模型已经作为正常BG范围之外的粗略简化模型而被接受[6]。

图4显示了针对具有I型糖尿病的人的葡萄糖体内平衡的生理分区模型的一个示例。该模型包括六个分区401-506。其中四个分区可直接通过微分方程进行描述。它们是血浆胰岛素PI(402)、胰岛素作用IA(403)、BG(404)和肠葡萄糖含量G_gut(406)。皮下胰岛素水平SC(401)和胃葡萄糖含量ST(405)可被推导出来，然而，它不是本文的主要关注所在。它们用于算术方面，以储存当前含量，如果注射了更多胰岛素或吃了更多碳水化合物，其将被更新。肝(407)在以下方程(E3)中建立模型，其中它是正面因素和负面因素的一部分。

该模型接收关于一个或多个膳食的碳水化合物含量、胰岛素注射或输液的量、类型和时间以及一个或多个时间点的BG值等信息作为输入。然后通过迭代多个微分方程在向前的一个或多个时间步长上为相应分区建立模型从而模拟用户的生理值(BG、肠含量、血浆胰岛素)，直至输入新的值，或直至预定的时间，该预定的时间对应于获得摄食之后测量的GB值的时间。

仍然参照图2，该过程例如可针对碳水化合物含量的不同的输入估计值而迭代计算预测的BG水平，从而通过模拟多个不同的膳食估计值而确定膳食碳水化合物含量(Carbs_out)的最佳匹配估计值。例如，该过程可执行最小化过程，从而最大限度地减小在预测的和测量的BG值之间的差异。在一些实施例中，该过程可基于最初接收的估计值而最初计算预测的BG值，并且只有当相对测量值的偏差大于预定的阈值时才执行迭代计算。

应该懂得，该设备可储存针对输入参数的范围的预计算的预测值的查询表。预测的BG值的计算因而可完全基于或部分基于预计算的值，例如通过在查询表的值之间的插值。

备选地，其它基于非生理的方法，例如基于BG差异、摄入的胰岛素、CIR和ISF进行训练的神经网络可用于计算预测的BG。

备选地，可基于BG差异、摄入的胰岛素、CIR和ISF而使用其它生理模型，例如基于规则的模型。例如，上述用于计算胰岛素单次剂量的算法可被转化并以膳食估计值作为未知数使用。具体地说，上面的方程(E0)可用于计算膳食的碳水化合物含量，其结果是目标BG值(BG_ttarget)等于摄食之后的实际测量值。这种基于规则的模型还可利用查询表来实现。然而，更精心设计的预测生理模型的优势是可包含其它因素(如运动)，并且也可以用CGM数据工作。

在步骤S205中，基于碳水化合物含量的原始估计值(Carbs_in)而计算出的预计的BG值(BG_pred)将与摄食之后的测量的BG值(BG_after)进行比较。如果存在较大的偏差，例如大于预定的阈值，那么该过程继续步骤S206并为用户产生指示该偏差和实际估计值的输出，例如通过输出接口104而将用户的原始估计值(Carbs_in)和步骤S204中所计算的估计值(Carbs_out)显示给用户。作为备选或附加，该过程可储存原始估计值(Carbs_in)和所计算的估计值(Carbs_out)，以及可选地关于膳食的进一步信息，例如是估计的基础的进餐的时间、膳食的类型、输入参数等等。在这种情况下，该过程可计算多个膳食或相同类型的多个膳食上的偏差的移动平均值。如果平均偏差大于预定的阈值，那么该过程可产生输出，其通过所计算的平均偏差指示用户平均来看用户可能是低估或是高估了膳食的碳水化合物含量。应该懂得，作为备选或附加，该过程可对所计算的估计值执行其它分析步骤，例如用于检测用户在估计碳水化合物含量时的精度方面的趋势和/或模式。作为备选或附加，该过程可通过上述合适的数据输出接口104而将原始估计值和所计算的估计值以及可选的上述其它的信息传送给外部系统。例如，设备100可在每次计算估计值时将这些数据传送给外部系统。备选地，该设备可储存数据，并将收集的针对多个膳食的数据传送给外部系统。因此，用户、私人医生或其它人可分析数据，从而获得关于用户可如何改进碳水化合物估计和因而改进胰岛素治疗的建议。

应该懂得设备100可进一步执行其它功能，用于帮助用户改善胰岛素给药。例如，该设备可对总的日碳水化合物摄取量保持跟踪，并将其与针对具有那种尺寸、活动水平(如果已知)和年龄的人所推荐的日摄取量进行比较。可从例如诸如笔或泵等剂量装置中的心率监测器或加速计、或诸如CGM的测量装置、或基于棒的BG监测器或由用户携带的其它装置估计出活动水平。如果在用户报告的总的日碳水化合物摄取量和推荐的摄取量之间存在较大的偏差时，可建议用户调整膳食估计值。例如，对于单日可采用15％的偏差作为阈值。类似地，如果用户在一周中脱离了预计的日碳水化合物摄取量超过例如5％，那么可警告用户并请求在重量或活动水平方面做出更改。

图3显示了用于监测胰岛素给药过程的另一示例的流程图。图3的示例类似于图2的过程，除了在图3的示例中，该过程接收胰岛素的单次剂量作为又一输入值，而非由其它输入值计算出单次剂量。因此，在这个示例中，该过程在初始步骤S301中接收指示用户摄食之前的BG水平的BG测量值(BG_prior)、有待消耗的膳食的碳水化合物含量的估计值(Carbs_in)、以及给药的单次剂量胰岛素的剂量大小(‘单次剂量’)。例如，设备100可直接从单次剂量计算器或药物输送装置(如与设备100分离的胰岛素笔或胰岛素泵)接收单次剂量大小。备选地，用户可将单次剂量值手动输入到设备100中，例如在用户已经手动或利用没有直接传送所确定的单次剂量值的数据通信接口的装置确定了单次剂量值的情况下。因此，在图3的示例中，该过程可能不需要接收其它用于单次剂量计算的输入值。然而，这些值的一些还用作步骤S204中所使用的生理模型的输入。剩余步骤S203至S206如同图2中示例一样执行。

生理模型的示例

生理模型是通过组合Berger的胰岛素模型[3]、Lehmann的膳食模型[4]和Bergman的最小化模型[5]而构成的。因此，基于相对简单的模型是能够得到有用的膳食估计反馈的。该模型成功地建立了正常血糖范围内的BG变化的模型。分区模型包括图4中所示的六个分区。

其中四个分区可直接通过微分方程进行描述。它们是血浆胰岛素PI(402)、胰岛素作用IA(403)、BG(404)和肠葡萄糖含量G_gut(406)。皮下胰岛素水平SC(401)和胃葡萄糖含量ST(405)可被推导出来，然而，它们不是本文的主要关注所在。

现在将描述图4中所示的分区模型的一个示例。以下将用表1中所描述的参数来解释相关的方程。

摄入外源性胰岛素的药物动力学模型[3]：

$\frac{\mathrm{dPI}\left(t\right)}{\mathrm{dt}}=\frac{s\·t^{s-1}\·T_{50}^s}{{(T_{50}^s+t^s)}^2}\·\mathrm{dose}-k\·\mathrm{PI}\left(t\right)---\left(E1\right)$

T₅₀＝a·dose+b，

其中s是吸收过程时间内所观测到的S形弯曲(sigmoidicity)，t是以分钟为单位的时间。T₅₀是允许50％的注射胰岛素剂量被吸收的时间间隔。参数dose是注射的胰岛素剂量。参数k是一阶消除常数。参数a是吸收时间的剂量相关性。参数b是胰岛素吸收时间的偏移量。

针对葡萄糖消失的药效动力学模型[5]：

$\frac{\mathrm{dIA}\left(t\right)}{\mathrm{dt}}=p_3\·\mathrm{PI}\left(t\right)-p_2\·\mathrm{IA}\left(t\right),---\left(E2\right)$

其中p₂是胰岛素作用率，并且p₃是跨内皮胰岛素传输率。

$\frac{\mathrm{dBG}\left(t\right)}{\mathrm{dt}}=G_{\mathrm{in}}\left(t\right)+p_1\·G_b\·V_G-p_1\·\mathrm{BG}\left(t\right)-\mathrm{IA}\left(t\right)\·\mathrm{BG}\left(t\right),---\left(E3\right)$

其中G_in是从肠吸收到血液中的葡萄糖，p₁是葡萄糖对自身利用的影响，G_b是基本葡萄糖吸收，并且V_G是葡萄糖的分布体积。

$\mathrm{BGC}\left(t\right)=\frac{\mathrm{BG}\left(t\right)}{V_G},$

其中BGC是BG浓度。

膳食摄取模型[4]：

$\frac{d\left(G_{\mathrm{gut}}\right)}{\mathrm{dt}}=G_{\mathrm{empt}}-k_{\mathrm{gabs}}\·G_{\mathrm{gut}},---\left(E4\right)$

其中G_empt是胃排空率，k_gabs是从肠吸收到血液中的葡萄糖的速率常数。

G_in(t)＝k_gabs·G_gut

这些可通过以下算法进行计算：

${T\max }_{\mathrm{ge}}=\frac{\mathrm{Ch}-V{\max }_{\mathrm{ge}}\·({\mathrm{Tasc}}_{\mathrm{ge}}+{\mathrm{Tdes}}_{\mathrm{ge}})}{{V\max }_{\mathrm{ge}}}$

其中T_max ge是从肠中吸收葡萄糖最大的时间周期，Ch是膳食的碳水化合物含量，V_max ge是最大的胃排空率，T_asc ge和T_des ge是胃排空曲线的上升和下降分支的相对长度。

Ch_crit＝0.5·(Vmax_ge·(Tasc_ge+Tdes_ge))，

其中Ch_crit是不会造成达到最大胃排空率的膳食大小。

${\mathrm{Tasc}}_{\mathrm{ge}}={\mathrm{Tdes}}_{\mathrm{ge}}=\frac{2\·\mathrm{Ch}}{{V\max }_{\mathrm{ge}}},$ if Ch＜＝Ch_crit

$G_{\mathrm{empt}}=\frac{t\·{V\max }_{\mathrm{ge}}}{{\mathrm{Tasc}}_{\mathrm{ge}}},$ t＜Tasc_ge

      if，

其中t是从摄取膳食开始的时间。

G_empt＝V max_ge，if Tasc_ge＜t≤Tasc_ge+T max_ge

$G_{\mathrm{empt}}={V\max }_{\mathrm{ge}}-\frac{{V\max }_{\mathrm{ge}}\·(t-{\mathrm{Tdes}}_{\mathrm{ge}}-{T\max }_{\mathrm{ge}})}{{\mathrm{Tdes}}_{\mathrm{ge}}},$

if Tasc_ge+T max_ge≤t＜Tasc_ge+Tdes_ge+T max_ge

G_empt＝0elsewhere

所有包括的参数都根据具有I型糖尿病的普通人进行了调整。出于本示例的目的，使用了多个发表的论文中所规定的参数[7]-[9]：

参数	描述	值
			a	吸收时间的剂量相关性[9]	0.42*10-3(min/pmol)

参数	描述	值
			b	胰岛素吸收时间的偏移量[9]	0(min)
s	吸收过程时间内观测到的S形弯曲[9]	2.1
			k	一阶消除常数[9]	0.016
p1	葡萄糖对自身利用的影响[7]	0
			p2	胰岛素作用率[7]	2.5*10-2(min-1)
p3	跨内皮胰岛素传输率[7]	13*10-6(min-2/μU/ml)
			VG	葡萄糖的分布体积[7]	12(L)
参数	描述	值
			VI	胰岛素的分布体积[9]	13.5(L)
Gbx	基本葡萄糖吸收	等于基本胰岛素水平
			Ib	基本胰岛素水平[7]	90(pmol/L)
Vmax ge	最大胃排空率[4]	2(mmol/min)

表1.本示例中所使用的模型参数和值的说明

为了保持恒定的BG水平，将恒定的基本葡萄糖吸收水平G_bx添加至方程(E3)，以与[7]中建立的基本胰岛素水平I_b相平衡。

这个模型引入了关于膳食的碳水化合物含量、针对胰岛素注射或输液的量、类型和时间以及BG值的信息。然后通过对模型的微分方程向前迭代一个时间步长而模拟用户的生理值(BG、肠含量、血浆胰岛素)，直至输入新的值。

上面的模型已经用于预测BG值，然后调整膳食大小，以匹配所测量的BG值。在本示例中，用户在时间0时具有50克碳水化合物的摄取量，然而只报告了40克。用户在时间0时注射12个单位的门冬胰岛素。

图5显示了得到的模拟的BG。初始模拟的BG显示为虚线501。在时间t＝250分钟时测量用户的实际BG，如交叉线502所示。该算法检测在时间t＝250分钟时的模拟BG值503与测量的BG值502之间的差值。响应于这个差值，该算法调整指示最近的膳食的碳水化合物含量的模型输入值，以便使BG模拟曲线与所测量的BG相匹配。所得到的新的模拟BG曲线显示为实线504。引起模拟曲线504的调整后的膳食的碳水化合物含量之后可报告回用户，作为将来膳食估计的指导。

虽然已经详细描述和显示了一些实施例，但是本发明并不受它们的限制，而是还可在权利要求所限定的主题范围内以其它方式来体现。

例如，本发明主要是结合糖尿病的胰岛素治疗和估计膳食的碳水化合物含量进行描述的。然而，应该懂得，可能涉及到结合其它类型的药物和/或其它类型的生理参数的其它营养参数或备选营养参数，例如脂肪含量、蛋白质含量、维生素含量等等。

例如，可修改本文所述的过程，使其还可用于当两个不同时间测量的BG水平被用作测量之间的某一时间的输入，但没有任何膳食估计值或单次剂量大小作为输入时的情形。在这种情况下，如果预测的BG水平偏离实际测量的之后的BG大于预定阈值的水平时，该模型可确定在两次测量之间假定膳食的相对应的碳水化合物含量。然后可通知用户所得到的估计的碳水化合物含量，并询问在没有相应的胰岛素单次剂量的条件下用餐或点心的可能性。当关于起始BG水平和其内在变量都具有更正确的起点时，使用生理模型时会达到更高的精度。

本文所述的方法的实施例可通过包括若干不同元件的硬件，和/或至少部分地通过恰当编程的微处理器来实现。在列举若干装置的设备权利要求中，若干这些装置可通过相同元件、构件或硬件事物来体现。在互不相同的从属权利要求中引用或在不同实施例中描述某些措施的事实并不意味着不能使用这些措施的组合而使优点突出。

应该强调的是，词语″包括″当在本说明书中使用时，其被用来指出所述特征、整体、步骤、或构件的存在，但不排除一个或多个其它特征、整体、步骤、构件或其群组的存在或增加。

在上面优选实施例的细节描述中，已经在熟练的读者将明晰本发明概念的程度上描述了为不同构件提供所述功能的不同的结构和装置。针对不同构件的详细构造和规格被认为是沿着本说明书中所阐述的路线而由熟练技术人员执行的常规设计程序。

参考文献：

[1]Graff MR，Gross TM，Juth SE，Charlson J：How well areindividuals on intensive insulin therapy counting carbohydrates？DiabetesRes Clin Pract 50：S238-2000.

[2]Alemzadeh R，Goldberg T，Fort P，Recher B，Lifshitz F：Reporteddietary intakes of patients with insulin-dependent diabetes mellitus：limitations of dietary recall.Nutrition 8：87-93，1992.

[3]Berger M，Rodbard D：Computer simulation of plasma insulinand glucose dynamics after subcutaneous insulin injection.Diabetes care12：725-736，1989.

[4]Lehmann ED，Deutsch T：A physiological model ofglucose-insulin interaction in type 1 diabetes mellitus.J Biomed Eng14：235-242，1992.

[5]Bergman RN，Ider YZ，Bowden CR，Cobelli C：QuantitativeEstimation of Insulin Sensitivity.Am J Physiol 236：E667-E677，1979.

[6]Bergman R.N.The minimal model：yesterday，today andtomorrow，in：The Minimal Model Approach and Determination ofGlucose Tolerance，2-50.1997.LSU Press.

[7]Furler SM，Kraegen EW，Smallwood RH，Chisholm DJ：Bloodglucose control by intermittent loop closure in the basal mode：computersimulation studies with a diabetic model.Diabetes care 8：553-561，1985.

[8]Vicini P，Caumo A，Cobelli C：Glucose effectiveness and insulinsensitivity from the minimal models：consequences of undermodelingassessed by Monte Carlo simulation.IEEE Trans Biomed Eng 46：130-137，1999.

[9]

O，Erichsen L，Ingwersen SH，Plum A，Poulsen HE，Vicini P：Pharmacokinetic and pharmacodynamic properties of insulinaspart and human insulin.J Pharmacokinet Pharmacodyn 30：221-235，2003.

Claims (15)

1.一种用于估计营养参数的设备(100)，包括处理装置(102，103)和输入装置(101)，所述设备适合于：

获得输入值，所述输入值指示了用户生理参数的至少第一测量和第二测量，以及至少为用户给药的药物剂量，

从至少所述获得的输入值确定在所述第一测量和所述第二测量之间由用户消耗的膳食的营养参数的估计值，和

产生指示所述确定的估计值的输出。

2.根据权利要求1所述的设备，其特征在于，所述药物包括用于影响至少用户的生理参数的药物。

3.根据权利要求1或2所述的设备，其特征在于，所述药物包括用于治疗糖尿病的药物，并且其中，所述生理参数是葡萄糖水平。

4.根据权利要求1-3中的任一项所述的设备，其特征在于，所述设备还包括输出装置(104)，所述输出装置(104)用于产生指示所述所确定的估计值的用户可检测的输出。

5.根据权利要求1-3中的任一项所述的设备，其特征在于，所述处理装置还适合于接收指示所述营养参数的初步估计值的输入值或从所述营养参数的初步估计值推导出的值。

6.根据权利要求5所述的设备，其特征在于，所述处理装置还适合于从所接收的输入值产生输出，所述输出指示了在所确定的估计值和所接收的营养参数的初步估计值之间的偏差。

7.根据权利要求5或6所述的设备，其特征在于，所述处理装置还适合于计算对应于多个摄入膳食的相应的确定的估计值和相应的接收的初步估计值之间的偏差，并且从所述计算的偏差确定整体偏差。

8.根据权利要求1-7中的任一项所述的设备，其特征在于，所述处理装置适合于从所获得的输入值和生理模型确定所述膳食的营养参数的估计值。

9.根据权利要求8所述的设备，其特征在于，所述生理模型是用户特定模型。

10.根据权利要求8或9所述的设备，其特征在于，所述生理模型是生理预测模型，所述生理预测模型用于从至少摄食之前的所述生理参数的值、给用户给药的药物剂量以及所估计的所述膳食的营养参数来预测摄食之后的所述生理参数的值。

11.根据权利要求10所述的设备，其特征在于，所述处理装置适合于在所述生理参数的预测值和摄食之后所述生理参数的测量值之间的差值小于阈值时将所述营养参数的估计值确定为所述营养参数的值。

12.根据权利要求1-11中的任一项所述的设备，其特征在于，所述营养参数是碳水化合物含量。

13.根据权利要求1-12中的任一项所述的设备，其特征在于，所述处理装置还适合于基于至少在用户摄取膳食之前测量得到的用户的生理参数的输入值来计算药物的剂量或系列剂量。

14.根据权利要求8或9所述的设备，其特征在于，所述设备适合于与用于测量用户的葡萄糖水平的装置相协作，并且其中，所述设备包括输入装置，用于从所述用于测量葡萄糖水平的装置获得葡萄糖测量的结果。

15.一种用于估计营养参数的方法，包括如下步骤：

获得输入值，所述输入值指示了用户的生理参数的至少第一测量和第二测量，以及至少为用户给药的药物剂量，

从至少所述获得的输入值确定在所述第一测量和所述第二测量之间的由用户消耗的膳食的营养参数的估计值，和

产生指示所述确定的估计值的输出。

Images