CN102667787A - 管理胰岛素输注的监视装置 - Google Patents

管理胰岛素输注的监视装置 Download PDF

Info

Publication number
CN102667787A
CN102667787A CN2010800535961A CN201080053596A CN102667787A CN 102667787 A CN102667787 A CN 102667787A CN 2010800535961 A CN2010800535961 A CN 2010800535961A CN 201080053596 A CN201080053596 A CN 201080053596A CN 102667787 A CN102667787 A CN 102667787A
Authority
CN
China
Prior art keywords
data
insulin
original log
fragment
log data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN2010800535961A
Other languages
English (en)
Inventor
E·阿特拉斯
R·尼姆里
S·米勒
E·A·格伦贝格
M·菲利浦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
MOR REEARCH APPLICATIONS Ltd
Original Assignee
MOR REEARCH APPLICATIONS Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by MOR REEARCH APPLICATIONS Ltd filed Critical MOR REEARCH APPLICATIONS Ltd
Publication of CN102667787A publication Critical patent/CN102667787A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • G16H20/17—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients delivered via infusion or injection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
    • A61M5/14—Infusion devices, e.g. infusing by gravity; Blood infusion; Accessories therefor
    • A61M5/168—Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body
    • A61M5/172—Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body electrical or electronic
    • A61M5/1723—Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body electrical or electronic using feedback of body parameters, e.g. blood-sugar, pressure
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
    • A61M5/14—Infusion devices, e.g. infusing by gravity; Blood infusion; Accessories therefor
    • A61M5/142—Pressure infusion, e.g. using pumps
    • A61M2005/14208—Pressure infusion, e.g. using pumps with a programmable infusion control system, characterised by the infusion program
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2230/00—Measuring parameters of the user
    • A61M2230/20—Blood composition characteristics
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2230/00—Measuring parameters of the user
    • A61M2230/20—Blood composition characteristics
    • A61M2230/201—Glucose concentration

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Emergency Medicine (AREA)
  • Molecular Biology (AREA)
  • Optics & Photonics (AREA)
  • Biophysics (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medicinal Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Artificial Intelligence (AREA)
  • Computational Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Anesthesiology (AREA)
  • Hematology (AREA)
  • Vascular Medicine (AREA)

Abstract

本发明提供一种用于糖尿病治疗管理的监视系统和方法。该监视系统包括：控制单元和通信接口，被配置成用于允许对所存储的经过特定时间已获得的并且是葡萄糖测量值、进食和胰岛素输注的时间上隔开的数据点的原始日志数据进行存取。所述控制单元包括无监管学习控制器，所述无监管学习控制器被配置成用于接收和处理所述原始日志数据，以从所述原始日志数据的残余日志数据部分确定信息性数据段，以及选择所述信息性数据段以便回顾式分析以计算基础率、校正因数（CF）、碳水化合物比例（CR）和胰岛素活性曲线参数的至少一个全局胰岛素泵设置。

Description

管理胰岛素输注的监视装置
技术领域
本发明总体上涉及医疗应用领域，并且涉及用于胰岛素输注管理的方法和系统。
背景技术
已有的血液葡萄糖管理装置帮助糖尿病病人在日常例程中管理他们的血液葡萄糖水平。这些装置中的一些装置是胰岛素泵，它们全天提供对胰岛素的连续输注。其它例如是葡萄糖监视装置，它们沿着特定时间线测量血液葡萄糖（blood glucose）水平，即，获得血液葡萄糖读数。
胰岛素泵允许医生把泵设置（pump setting）预设到很多不同的基础率以允许在患者的生活方式中改变。另外，医生可以预先确定胰岛素推注（bolus）输注（大剂量的胰岛素）以覆盖碳水化合物摄入的过度需求或者校正高血液葡萄糖水平。这些泵设置包括：血液葡萄糖目标水平、胰岛素基础率、碳水化合物比例（CR）或者因数、校正因数（CF）和恒定胰岛素活性函数。
通常，医生从患者接收个性化信息，其中包括葡萄糖历史轨迹（在离散点利用血糖仪测量或者使用连续葡萄糖传感器测量）、先前输注的胰岛素（输注多少胰岛素的详细日志——基础或者推注——随着时间）、糖尿病患者的全部进食和体育活动的量和时间的详细日志。医生因而需要进行回顾式分析（即，在临床诊疗期间看日志数据）并且基于该信息确定胰岛素泵设置。
已经开发了旨在帮助胰岛素输注泵装置的操作的多种技术。这种技术例如在以下专利公报中公开。
美国专利公报No.2008/0228056公开了一种设备，该设备包括用户接口，该用户接口被配置成当被用户启动时产生开始基础胰岛素速率测试的电信号；输入端，该输入端被配置成接收在规定持续时间期间（包括在根据规定的基础胰岛素速率模式输注胰岛素的持续时间）获得的患者的采样血液葡萄糖数据；以及控制器，该控制器可通信地耦合到该输入端和该用户接口。该控制器包括胰岛素计算模块。
美国专利No.7,751,907公开了一种设备，该设备包括控制器，该控制器包括输入/输出（I/O）模块和规则模块，该I/O模块被配置成当可通信地耦合到用户接口时向患者呈现问题并且经过用户接口接收作为对该问题的响应的用户信息，该规则模块被配置成向患者信息施加规则并且根据对该规则的应用来产生建议胰岛素泵设置。
美国专利申请公报No.2008/0206799公开了一种设备，该设备包括用户接口，该用户接口被配置成当被用户启动时产生开始碳水化合物比例测试的电信号；输入端，该输入端被配置成接收在规定持续时间期间获得的患者的采样血液葡萄糖数据；以及控制器，该控制器与该输入端和该用户接口进行电气通信。该控制器包括碳水化合物比例建议模块。
美国专利No.7,734,323公开了一种设备，该设备包括用户接口，该用户接口被配置成当被用户启动时产生开始确定有效校正因数的电信号；输入端，该输入端被配置成接收在规定持续时间期间获得的患者的采样血液葡萄糖数据；以及控制器，该控制器可通信地耦合到该输入端和该用户接口。该控制器包括校正因数建议模块。
总体描述
本领域需要一种新颖的方式来管理对患者的胰岛素输注。这种需要与以下描述相关联。
传统的胰岛素泵初始地需要医生进行所需的全局泵设置和/或“请求”来自患者的响应以进行（医生先前设定的）胰岛素泵设置的适用性的测试。然而，这就需要医生有更高的专业性并且是基于假设患者对请求正确地响应。这种全局泵设置在胰岛素泵的操作期间保持恒定，直至医生患者经治疗的患者人工地重置它们为止。基于这种传统方式产生的胰岛素泵设置因而不可避免地对患者的协作过于敏感。
本发明通过提供一种从例如在传统的（多个）血液葡萄糖监视装置中积累的原始日志数据导出精确和可靠的定制（tailor made）胰岛素泵设置的新技术解决上述问题。本发明因此提供对全局胰岛素泵设置的无监管确定（unsupervised determination），例如，甚至不用人来解释或者假设获得数据的特性即可对全局胰岛素泵设置进行无监管确定。本发明的这种从接收到的数据无监管地确定胰岛素泵设置的技术实际上绝对独立于对糖尿病患者方的协作参与的需要。
与用于要求糖尿病患者或者医生方的主动参与或者协作以便达到准确和可靠的泵设置的测试的标准化过程相反，本发明的监视技术进行日志/原始数据的回顾式分析，从原始残留数据隔离信息性数据，并且应用无监管学习过程以达到最优化全局胰岛素泵设置。本发明的技术因此提供从原始数据提取信息性数据的能力，根据已知技术其被忽略或者过度受制于专家分析。应理解的是本发明利用的回顾式分析旨在计算从在数天（至少两天）的特定时间间隔期间收集的、形成输入到无监管数据处理器的原始日志数据的历史测量数据中提取的全局胰岛素泵设置。即，对于回顾式分析，本发明的最小时间间隔实际上由各种类型的信息的收集（如以下进一步描述的）以及系统（数据处理器）识别不同信息段的能力来定义。发明人发现实际上两天数据记录对于计算泵设置是充分的。通过设置对于无监管回顾式分析的时间窗口的2天的下边界，本发明利用对被治疗的患者的大致原始日志数据的积累，然而，优选地积累更多信息以允许分析患者信息的大量数据片段。历史测量数据包括多个数据段，根据本发明被适当识别、划分、隔离和回顾式分析以根据这些数据片段的历史表现来计算全局胰岛素泵设置。还应理解的是本发明处理原始数据同时能够计算全局胰岛素泵设置，即最优化的并且应被保持的泵设置。
发明内容
本发明涉及一种用于糖尿病治疗管理的监视系统，该监视系统包括：
通信接口，其被配置成用于允许对所存储的经过特定时间而获得的并且是葡萄糖测量值、进食和胰岛素输注的时间上隔开的数据点的原始日志数据进行存取；
控制单元，其包括无监管学习控制器，所述无监管学习控制器被配置成用于接收和处理所述原始日志数据，以从所述原始日志数据的残余日志数据部分确定信息性数据段，并且选择所述信息性数据段以便进行回顾式分析以计算基础率（或者基础方案）、校正因数（CF）、碳水化合物比例（CR）和胰岛素活性曲线（AIF）这些全局胰岛素泵设置中的至少一个全局胰岛素泵设置。
在一些实施方式中，根据预编程的采样模式来获取所述原始日志数据。所述无监管学习控制器被配置成用于从与所述特定时间中的所选择的时隙相对应的所述信息性数据段的一部分确定所述参数中的每一个参数。因此，在对应的时隙中识别涉及胰岛素泵设置的所述信息性数据段。
所述无监管学习控制器被配置成用于分析所述信息性数据段并且选择适当时隙以计算所述参数中的每一个参数；全局胰岛素泵参数为基础率（或者基础方案）、校正因数（CF）、碳水化合物比例（CR）和胰岛素活性曲线参数。
在一些实施方式中，不考虑任何用户交互，所接收到的原始日志数据对应于在存取时间处的存储图像。
在另一个方面，本发明涉及一种用于糖尿病治疗管理的监视系统，该监视系统包括：
通信接口，其被配置成用于允许对所存储的作为葡萄糖测量值、进食和胰岛素输注的时间上隔开的数据点的数据进行存取；
控制单元，其包括数据处理器装置，用于回顾式分析所述数据并且确定基础率（或者基础方案）、校正因数（CF）、碳水化合物比例（CR）和胰岛素活性曲线参数中的至少一个全局胰岛素泵设置，其中所述处理器装置用于通过处理与所述特定时段中的所选择的时隙相对应的所述接收到的数据的数据段来确定所述参数中的每一个参数。
在一些实施方式中，所述处理器装置被配置成用于分析所接收到的数据并且选择所述特定时段中的时隙以确定所述参数中的每一个参数。
在一些实施方式中，所述控制单元包括控制器，所述控制器与所述通信接口相关联并且被编程为根据预定采样时间模式来接收所述数据。
不考虑任何用户交互，接收到的所存储的数据可以是在存取时间处的存储图像。
所述系统可以包括存储器模块，所述存储器模块被配置成用于保持所存储的数据。
所述分析可以包括：对所存储的数据进行划分；因而获得预定时间窗口内的所存储的数据。在预定时间窗口是基础数据片段（BaS）的情况下，被选择的计算出的胰岛素泵设置是基础率或者基础方案。在预定时间窗口是进食数据片段（MS）的情况下，从活性胰岛素函数（AIF）、校正因数（CF）或者碳水化合物比例（CR）中选择计算出的胰岛素泵设置。在此情况下，预定时间窗口是推注数据片段（BS），从校正因数（CF）或者活性胰岛素函数（AIF）中选择计算出的胰岛素泵设置。可以从遥控器获得所存储的数据，诸如从胰岛素泵输注装置的控制器或者模块获得。在一些实施方式中，所存储的数据能够经过独立于用户操作的随机异步操作而被存取。在一些实施方式中，所存储的数据是独立地积累原始日志数据输入的遥控器的存储图像。遥控器可以独立地积累所述记录被治疗的患者的每天例程的信息。指示葡萄糖传感器读数、胰岛素输注和进食记录的信息可以是从独立地积累所述信息的遥控器获得的文件。
所述文件可以被从网络下载并且存储在存储器模块中。
在另一个方面，本发明涉及一种用于确定胰岛素泵设置的方法，该方法包括以下步骤：进行对胰岛素泵设置的无监管学习，所述无监管学习包括：
获得在记录了单个被治疗的患者沿着特定时间窗口的葡萄糖水平的一个或者更多个葡萄糖监视单元上积累的原始日志数据输入；
从被划分为数据片段的原始日志数据输入确定信息性数据段，所述信息性数据段是从所述数据片段确定的；以及
从所述信息性数据段计算胰岛素泵设置，其中，所述设置包括基础方案、碳水化合物比例（CR）、校正因数（CF）或者活性胰岛素函数（AIF）中的至少一个参数。
原始日志数据的划分过程提供预定数据片段，可以是基础片段（BaS）、推注片段（BS）或者进食片段（MS）中的任意一种。所述方法利用对准过程来沿着共享的时间轴提供所述原始日志数据输入的多个数据部分。
所述方法可以进一步包括以下步骤：确定代表性数据点，所述代表性数据点既具有聚集的血液葡萄糖水平的值又具有时间戳；聚集的血液葡萄糖水平的值因而配对到所选择的基础时段；所述代表性数据点指示针对所选择的基础时段确定的基础率。
在一些实施方式中，所述基础片段（BaS）的所述原始日志数据输入包括作为时间的函数的一系列基础率。该方法因而可以包括以下步骤：
确定在所述基础片段（BaS）处作为被治疗的患者的特征的时间延迟，所述时间延迟在基础治疗率和所述葡萄糖水平的变化之间；
获得输注时间的多个所选择的基础率、在从所述输注时间测量到的时间延迟处的各个配对的葡萄糖水平；以及
从多个所选择的基础率中确定使葡萄糖水平的变化最小化的作为结果的基础率。
在一些实施方式中，所述方法包括通过执行以下方法确定活性胰岛素函数（AIF）：
获得针对所述时间片段中的原始日志数据的葡萄糖测量值的集合以及配对的时间戳；
对所述集合的每一个葡萄糖测量值进行归一化，因而获得一系列经归一化的葡萄糖测量值和配对的时间戳；以及
把所述经归一化的葡萄糖测量值和配对的时间戳处理为大致单调的非递增级数（non-increasing series）；因而获得所述活性胰岛素函数（AIF）。
在一些实施方式中，所述方法包括以下步骤：确定针对MS片段的多个葡萄糖水平和配对的实际碳水化合物比例；所述配对的实际碳水化合物比例是限定了曲线的候选碳水化合物比例。从候选的实际碳水化合物比例确定最终碳水化合物比例（CR）设置。
在一些实施方式中，确定针对进食的校正因数（CF），并且通过处理AIF以估计MS片段中的活性胰岛素和即时（just-in-time）碳水化合物比例（CR）来计算校正因数（CF）。
可以根据以下参数来修改校正因数（CF）：
在时间窗口或者片段期间的最小传感器读数、在迫近低血糖和低血糖时段之外记录的最低血液葡萄糖读数之间的比例；以及
在获得最小传感器读数之前的时隙中的最大传感器读数。
在一些实施方式中，多个候选校正因数（CF）被确定并且通过对这些候选校正因数（CF）进行的投票过程来确定校正因数（CF）设置。
在另一个方面，本发明提供一种用于确定用于患者的胰岛素治疗的活性胰岛素函数（AIF）的方法，该方法包括以下步骤：
获得经过特定时间而获得的并且指示了患者的葡萄糖测量值的原始日志数据，所述原始日志数据被划分，包含有在时间片段处获得的数据，
获得针对所述时间片段中的原始日志数据的葡萄糖测量值的集合以及配对的时间戳；
对所述集合的每一个葡萄糖测量值进行归一化，因而获得一系列经归一化的葡萄糖测量值和配对的时间戳；以及
把所述经归一化的葡萄糖测量值和配对的时间戳处理为大致单调的非递增级数；因而获得活性胰岛素函数（AIF）。
在另一个方面，本发明提供一种用于糖尿病治疗管理的控制单元，所述控制单元包括：数据处理器装置，其被配置用作无监管学习控制器，所述无监管学习控制器被预编程用于处理经过特定时间而获得的并且指示了葡萄糖测量值、进食事件和胰岛素输注的原始日志数据输入，所述处理包括：从所述原始日志数据的残余日志数据部分确定信息性数据段，以及选择所述信息性数据段以便进一步处理以计算基础率（或者基础方案）、校正因数（CF）、碳水化合物比例（CR）和胰岛素活性曲线参数中的至少一个，并且产生全局胰岛素泵设置。
附图说明
为了理解本发明并搞清楚如何在实践中实施本发明，现在仅通过非限定性示例，参照附图来描述一些实施方式，在附图中：
图1是在本发明中使用的原始日志数据的例示图，并且示例了将该数据划分为不同的数据片段或者数据片段类型的原理。上部曲线图G1呈现葡萄糖水平L1，其中用三角形标记进食事件S4。下部曲线图G2呈现胰岛素治疗，其中水平线L2是基础率，具有圆形的竖直线是推注。片段S1对应于基础数据片段（BaS），片段S2对应于进食数据片段MS，并且片段S3对应于推注数据片段BS。
图2是用于确定基础方案的设置的葡萄糖水平过程的示例性的葡萄糖分析。该图指示在分析之前划分和聚集原始日志数据。
图3是用于确定基础方案的设置的葡萄糖水平过程的示例性的葡萄糖分析。划分或者聚集之后的原始日志葡萄糖读数数据的时间线用浅线呈现。在本示例中，基础时段被设置为00:00、03:00、07:00、11:00、15:00和20:00。该图还提供针对每个基础时段和被设定为90-140mg/dl的目标范围（阴影区域）的中间葡萄糖水平（粗线）。
图4是用于计算推荐碳水化合物比例（CR）的从进食部分（MS:MS1-MS7）导出的示例性进食片段。图4是上部曲线图G3呈现葡萄糖水平（蓝线，L3），其中用黑三角形标记进食事件。下部曲线图G4呈现胰岛素治疗，其中水平线L4是基础率，具有黑圆形的竖直线是推注。这些片段用数字和黑框标记。
图5是针对图4的片段MS1的例示图。上部曲线图G3呈现葡萄糖水平（蓝线L3），其中用黑三角形标记进食事件。下部曲线图G4呈现胰岛素治疗，其中水平线L4是基础率，具有黑圆形的竖直线是推注。
图6是针对图4的片段MS4的例示图。上部曲线图G3呈现葡萄糖水平（蓝线L3），其中用黑三角形标记进食事件。下部曲线图G4呈现胰岛素治疗，其中水平线L4是基础率，并且具有黑圆形的竖直线是推注。
图7是例示了对（pair）Ser={DiffBG(i),pracCR(i)}（红点）的曲线图。蓝线L5是多项式分析的结果，而绿线L6是投票分析，并且虚线标记了DiffBG=0的线。
图8提供了通过计算CF设置进行的例示MS片段分析。根据MS划分过程确定MS时间拉伸。上部曲线图G5呈现葡萄糖水平（蓝线L7），其中用黑三角形标记进食事件。下部曲线图G6呈现胰岛素治疗，其中水平线L8是基础率，具有黑圆形的竖直线是推注。
图9是示意性框图，以非限定性方式例示用于监视糖尿病患者的糖尿病治疗的装置（或者系统）的部件。
图10是例示无监管地确定胰岛素泵设置的方法的流程图。
图11是例示无监管地确定基础方案的方法的流程图。
图12是例示无监管地确定碳水化合物比例（CR）的方法的流程图。
图13是例示无监管地确定碳水化合物比例（CF）设置的方法的流程图。
图14示出根据本发明的实施方式的无监管地确定活性胰岛素函数的过程的流程图。
具体施方式
根据本发明，利用由根据本发明构建并且操作的控制器装置进行的无监管学习过程，基于原始日志数据计算胰岛素泵设置。在无监管或者无人工辅助分析的情况下并且无需对原始日志数据进行任何其它预处理，该控制器分析机器可读的原始日志数据。本发明的技术允许分配限定了患者的胰岛素泵治疗管理的参数的集合，并且不需要人工预处理或者辅助。
学习原始日志数据的全部需要就是将原始日志数据输入按照机器可读格式提供到本发明的系统或者装置。
胰岛素泵设置包括限定患者的胰岛素泵治疗管理的参数的集合。传统上，这些参数至少初始地由受过训练的医生确定，通过回顾式地人工分析患者的曲线图形式的输入数据的历史表现并且仅仅基于医生的直觉和经验由医生进行决策，因而基本上是主观决策。另外，根据传统方式，这种参数的集合（胰岛素泵设置）被医生根据回顾式分析具体地针对每个患者定制。
胰岛素泵设置通常包括以下：
基础方案，基础方案是按计划在每天的小时/时间恒定注入胰岛素。该基础方案由多个“基础率”构成（通常以每小时的胰岛素为单位）并且在每天的不同时间输注。
可从表1理解示例性的非限定示例。
表1
Figure BDA00001685191100091
如表示1所示，第一列表示输注时间或者胰岛素被输注的时隙。第二列示出输注的胰岛素的量。如本领域技术人员将理解的，多个数据结构和存储器实体可以维持基础方案相关信息。实质上，维持这种信息的存储项目包括以下结构的对：<时间戳,基础率>形式或者<时间周期/时隙,基础率>形式。还示出和讨论这些数据段的对。
在这个方面，参照图1，示出血液葡萄糖水平测量数据（曲线图G1）和胰岛素治疗（曲线图G2）的非限定示例，其中水平线L2对应于基础率，并且具有黑圆形的竖直线对应于推注。下面将更具体地描述这些曲线图。对于基础方案，曲线图G2中的水平线L2表示上述对<时间周期/时隙,基础率>。曲线图G2是例示作为时间的函数的治疗。在图1中，在从00:00到02:00的时隙内，计划输注1.1单位/小时。该对应的对可以例如可以是<00:00-02:00,1.1>。本领域技术人员将理解存在多种方式来对这种信息编码并且可以针对这种目的确定具体编码方案。
碳水化合物比例（CR）是胰岛素泵设置中的参数，该参数用于确定为了补偿患者在进食中消耗的碳水化合物（CHO）而需要的胰岛素推注。CR通常被定义为每单位胰岛素的CHO克数。例如，患者将吃CHO含量为50克的食物并且他的CR等于5克/单位。在此情形下，患者将需要接收10单位的胰岛素推注（还称为“进食胰岛素推注”以强调该推注是作为进食的结果而被需要的）。
校正因数（CF）是胰岛素泵设置中的参数，用于确定或者决定为了补偿血液葡萄糖水平从目标血液葡萄糖水平的变化而需要的胰岛素推注。CF被定义为每单位胰岛素的mg/dl。例如，患者的血液葡萄糖水平是250mg/dl，目标血液葡萄糖水平是100mg/dl，在此情况下，CF被医生确定为50mg/dl/单位。在此情形下，患者将需要输注3单位的校正胰岛素推注，即，为了校正目标阈值以上的150mg/dl。另一个示例是当血液葡萄糖水平低于预定目标或者阈值时。例如，如果血液葡萄糖水平是65mg/dl，则患者将计算出（-0.7）单位的校正推注，即，为了校正目标阈值以下的35mg/dl。如果患者希望吃东西，则他可以使用该结果并且从食物胰岛素推注减去该结果。在一些情形下，进食推注初始是10单位，患者可以考虑他的低血液葡萄糖水平并且仅仅输注9.3单位（10-0.7单位）。
胰岛素活性函数（AIF）是胰岛素泵设置中的另一个参数，该参数限定在输注之后（T）小时仍有活性的胰岛素（即，活性胰岛素，也称为“AI”）的百分比，例如，通常作为时间的函数。术语“仍有活性”是指这些单位的胰岛素对血液葡萄糖水平具有影响，并且胰岛素仍活跃参与从血液到细胞的葡萄糖调节。AIF限定胰岛素对患者的药效动力学行为。根据传统的胰岛素输注管理技术，AIF是从恒定的预定义的包络线选择的，这些包络线是基于与一类患者而不是被治疗的特定患者相关的数据限定的。医生从这些预定义的AIF选择特定的AIF以便使用。例如，以下算式有时用于描述AIF：
AI=100-20t                (1)
其中AI是活性胰岛素的百分比，t是自从输注胰岛素开始经过的时间（例如，小时）。例如，采用此函数，其中4单位的胰岛素推注在t=0被输注，接着在t=1小时，80%的该推注仍有活性，在t=5小时，该推注不再有活性。
应注意的是一些输注泵允许从计算出的胰岛素推注中减去活性胰岛素的量。
血液葡萄糖目标水平，这是确定校正推注时患者所要达到的血液葡萄糖水平。
一些胰岛素泵具有推注计算器，允许用户将CR、CF和AIF和目标插入到泵，并且帮助用户计算所需要的推注。
为了优化和改进被治疗的患者的葡萄糖水平控制，很重要的是适当地定制泵设置，即，血液葡萄糖目标、胰岛素校正因数、碳水化合物比例、基础方案和胰岛素活性函数。这些定制的泵设置可以进一步随时改变。
在一般实践中，医生从患者（在巡诊期间患者经过网络）接收患者的输入，患者的输入包括以下数据：
（a）葡萄糖痕量（例如，在离散点用血糖仪测量或者使用连续的葡萄糖传感器测量）。情况可能是医生例如从葡萄糖监视单元或者葡萄糖管理装置的存储器部件获得此信息作为数据记录（通常以曲线图的形式）。此信息可以按照<时间戳(i),BG(i)>的格式保存，其中BG(i)是测量到的血液葡萄糖。
（b）已经输注的胰岛素的量（例如，随时间以基础或者推注输注了多少胰岛素单位的日志）。此信息可以按照<时间戳(i),BasalRate(i)>和<时间戳(i),推注(i)>的格式保存，其中BasalRate(i)是输注的基础胰岛素，而Bolus(i)是输注的推注胰岛素；以及
（c）进食/活动日志（进食或者活动的量和时间的详细日志）。此信息可以按照<时间戳(i),M(i)>的格式保存，其中M(i)是消耗的CHO的量。
本领域技术人员将理解可以采用其它数据格式来表示数据项目（a）、（b）和（c）。
本发明利用这些数据记录，这些数据记录实际上是原始日志数据，可在被治疗的患者的每天例程中即在每天例程的记录期间从胰岛素输注泵或者其它测量和/或存储装置用于记录数据项目（a）、（b）和（c）以及可能的其它信息的存储器部件获得。
原始日志数据因此包括与所测量到的葡萄糖直接相关的来自分析物传感器的（多个）测量信号、和作为胰岛素输注和消耗的进食而被患者的胰岛素泵记录的数据的模拟或者数字表示。例如，原始数据流是从表示时间点的葡萄糖浓度的模拟信号转换而来的数字数据，或者表示在时间点进食的数字数据。术语宽泛地包括来自大致连续的分析物传感器（或者连续的葡萄糖传感器）的多个在时间上隔开的数据点，每个数据点均包括在例如从一秒上至例如2、4或者10分钟或者更长的时间间隔进行的单独测量值。在一些实施方式中，在时间上隔开的数据点遵循预先编程的采样模式。
可以从所存储的数据（从可以与远程计算机系统/数据库或者与患者的测量装置相关联的存储器实体）获得或者接收原始日志数据。可以因而获得所存储的数据作为在对所存储的数据的存取时间的存储图像。在此上下文中，存储图像是指没有进一步处理的按原样例如在胰岛素输注泵中存储的数据。在患者的每天例程活动收集的数据不同于有意地引导患者的活动而集合的数据。为了本发明的目的，可以连续积累原始日志数据，而不用被监视的患者的任何特别注意（不同于连接到监视单元），并且不用医疗人员的任何特别注意。按照很多已知的适当技术作为监视阶段的一部分来进行随着时间记录这些测量值，这些技术自身不构成本发明的一部分。本发明中使用的这种原始日志数据的用途不包括需要患者的积极参与或者测试时间线的用于测试的标准化过程，即患者维持通常每天活动并且不需要例如食用或者限制任何食物。很重要的是应注意该原始日志数据是在患者的每天活动期间以多天的时间间隔收集的。本发明提供一种从患者的每天例程中记录的所述原始日志数据确定胰岛素输注泵设置的新颖技术。
将上述技术和传统方案相比较，应理解的是本发明消除医生进行任何回顾式分析（即，在临床诊疗期间看数据）并且基于该信息主观地总结如何改变全局胰岛素泵设置的需要。这是有利的，因为实际上不是全部医生都具有所需的专业性来适当地满足此任务。另外，对于具有所需的专业性的医生，这种任务非常耗时。由于数据不具有人眼可见/可辨识的清楚模式以得出关于合适的胰岛素泵设置的结论，因此有时分析数据变得非常困难。
因此，本发明解决通过提供能够适当地分析原始日志数据输入的无监管系统来代替受过训练的医生对患者的输入的回顾式分析的挑战。本发明的这种无监管系统组织数据（即，将信息性要素与下级隔离开），学习并且确定胰岛素泵设置以优化葡萄糖水平控制。发明人将这种属性称为“MD-逻辑”系统。对系统的输入可以仅仅包括在特定时间窗口获得的并且指示当前胰岛素泵设置、葡萄糖测量值、进食事件和胰岛素输注的所存储的原始日志数据。原始日志数据被控制单元处理，该控制单元包括无监管学习控制器，该无监管学习控制器被配置成用于接收和处理原始日志数据，从所述原始日志数据的残余日志数据部分确定信息性数据段，以及选择所述信息性数据段以便进一步处理旨在确定基础率、校正因数（CF）、碳水化合物比例（CR）和胰岛素活性曲线参数中的至少一个，并且产生胰岛素泵设置。该胰岛素泵设置是全局胰岛素泵设置，即在操作期间不改变的恒定设置。
根据本发明的实施方式的无监管学习过程包括以下处理：
a）初始数据分析和划分；
b）学习基础方案算法；
c）学习AIF算法；
d）学习CR算法；
e）学习CF算法；
f）更新目标的设置的设置。
应注意的是本发明既不限制于以上列出的全部过程的性能也不限制于以上列出的顺序。
在一些实施方式中，无监管的学习控制器被配置成用于进行无监管学习过程或者方法中的至少一个。无监管学习过程应被理解为如上所述地从原始日志数据确定胰岛素泵设置而在原始日志数据收集期间和/或在确定胰岛素泵设置时进行的处理期间不用人工参与。如以上指示的，原始日志数据是在患者的规律例程活动期间进行的日志记录，而不考虑与具体患者或者医生有关的任何假设的测试或者其它预想的假设（即，用户独立过程/方法）。
以下是实现每个上述每一过程的本发明的示例的更具体的描述。
初始数据分析和划分
原始日志数据包含例如来自一个或者更多个药物输注装置（或者（多个）记录所需测量值的监视装置）、和/或（多个）葡萄糖测量装置、和/或患者消耗的碳水化合物的数据。可以在患者维持他/她的日常例程和胰岛素治疗的同时在多天收集这些数据段。
发明人发现可以通过关注其中已经积累了原始日志数据的特定时隙来实现胰岛素泵设置的学习。在这一方面，时隙是具有起点和终点的时间窗口。在特定时隙中积累的原始日志数据是指具有在在所述时间窗口中即在起点和终点之间积累的时间戳的原始日志数据。发明人已经发现在不同时隙中应获取不同的胰岛素泵设置的参数。在一些实施方式中，因此，胰岛素泵设置的不同的部分/参数需要预处理整个原始日志数据以辨识其匹配/配对的时隙。在一些实施方式中，数据片段遵循预编程的采样图案。发明人已经发现数据片段和它们的相关联或者配对的泵设置的参数可被描述如下：
A）基础数据片段（BaS）
针对基础方案的确定，辨识匹配/配对的时隙是基于以下理解：基础方案的变化具有特别的信息性，其中推注或者进食不影响葡萄糖测量。因此，BaS片段包括数据点，所述数据点仅仅包括传感器日志测量值和输注的基础率，并且在时间上远离胰岛素推注或者进食的效果。可以自动地确定包括指示进食和/或推注胰岛素的效果的数据的时间窗口或者区域。BaS片段可以被定义为不包括进食或者推注的效果窗口的那些片段。例如，BaS部分可以被确定为推注输注或者进食后三小时的时隙。可选地，效果区域可以（自动或者人工地）被设定为推注输注或者进食后约2、3.5、4、6或者8小时，或者更多。在一些实施方式中，BaS时隙在最后记录的推注或者进食约后三小时开始并且终止于出现下一次进食或者推注。
B）进食数据片段（MS）
MS片段包含数据点，从而它们的时间戳比进食数据点超前最多约3小时。每个MS部分均可以包含原始日志数据，这些原始日志数据指示一个或者更多个进食、胰岛素推注、基础率和葡萄糖测量水平。
C）推注数据片段（BS）
这些片段包含匹配以下标准的数据点：
BS片段的起点，可以通过以下标准确定：
1）MS片段或者BaS片段的终点；或者
2）胰岛素推注数据点，不被包括在MS片段中，并且其时间戳最多在先前的胰岛素推注之前3小时。
该片段的终点可以是以下中的一个（在全部以下选项中，每个选项的时间戳总是在上述起点之前）：
（1）MS片段或者BaS片段的起点；或者
（2）以下中的最后选项（在时间标尺上）：
（a）该三小时的时间框中没有任何推注胰岛素的胰岛素推注数据点之前三小时；或者
（b）该三小时的时间框中没有任何推注胰岛素的起点之后的三小时。
（3）在任何情况下，该片段长度将不短于约1小时。
返回图1，提供以上说明并且根据上述划分过程确定的不同片段类型的示例，即基础数据片段（BaS）、进食数据片段（MS）和推注数据片段（BS）。图1的上部曲线图G1呈现葡萄糖水平，其中用黑三角形标记进食事件S4。下部曲线图G2呈现胰岛素治疗，其中水平线L2是基础率，并且具有黑圆形的竖直线是推注。片段S1对应于BaS，即，片段S1被学习过程使用，以产生或者确定基础率参数。片段S2对应于MS，即，被学习过程使用，以产生或者确定CR、AIF或者CF参数，如以下所述；并且片段S3对应于BS，即，被学习过程使用，以产生或者确定AIF或者CF参数，如以下所述。
在一些实施方式中，本发明涉及划分模块；该划分模块被配置成用于分析作为输入而被提供的原始日志数据；该输入被处理以产生指示基础数据片段（BaS）、进食数据片段（MS）和推注数片段（BS）中的至少一个数据片段的输出信号。
通过非限定示例，BaS可以作为输入提供到基础方案模块以被处理并且计算适当的基础方案。BS可以被提供作为对校正因数模块和/或AIF模块中的任意一个的输入。MS可以被提供作为对碳水化合物比例模块、校正因数模块和/或AIF模块中的任意一个的输入。
学习胰岛素泵设置
图10是举例被本发明的监视系统执行以学习和确定全局胰岛素泵设置的主要过程的流程图200。胰岛素泵设置可以包括基础方案、CR、CF和AIF中的至少一个。以下提供用于确定基础方案、CR、CF和AIF的具体技术。
该方法包括步骤：获得原始日志数据210，作为对本发明的控制器/处理器的输入数据。原始日志数据输入是从其导出分析的机器可读数据。
学习胰岛素泵设置的操作包括从经划分的原始日志数据210确定（多个）信息性数据段230。信息性数据段包括原始日志数据中的包括用于胰岛素泵设置的进一步学习技术的可靠输入的那些数据项目。在一些实施方式中，信息性数据段包括在分析中可被依赖的葡萄糖模式或者痕量。还可以包括从原始日志数据导出或者增强的数据。被识别出的信息性数据段可以在之后用于胰岛素泵设置240的进一步无监管学习（或者确定）。胰岛素泵设置240可以是碳水化合物比例、基础方案和校正因数中的任意一个。
因此，方法200允许基于原始数据来无监管地确定胰岛素泵设置，而无需用户方或者受过训练的医生的协助。
无监管学习和泵设置确定的全部所需就是原始日志数据输入具有机器可读格式。
在一些实施方式中，方法200包括具体划分原始日志数据220。发明人发现胰岛素泵的每个参数或者设置中的每一个参数或设置都可以利用原始日志数据输入的不同的数据部分。在一些实施方式中，通过可用于确定基础方案222的经划分的部分来处理原始日志数据。以上描述了隔离或者划分输入到BaS片段（即，基础相关信息）的原始日志数据的过程。
在一些实施方式中，方法200包括：将原始日志数据输入划分到MS片段224，即进食事件相关数据。在一些实施方式中，方法200包括：将原始日志数据输入划分到BS片段226，即推注相关数据。
另外，发明人发现通过对准原始数据并且可选地聚集经对准的数据输入可以提高经确定的胰岛素泵设置的精度。这种对准过程增强和/或从更加变化的输入数据隔离信息性数据段。因而，例如，可以使用“运行中(on the fly）”收集的原始日志数据输入代替例如由被治疗的患者在预定条件下进行的标准化测试。
划分技术进一步允许多个数据片段的数据分析，所述多个数据片段用于确定具体胰岛素泵参数，诸如CR、CF或者基础方案。以上已经描述了初始数据分析和划分。
多个数据片段被一起分析以增强在这些片段的原始数据中隐含的那些信息性（和/或复现的）数据片段。BaS片段用于分析基础率参数，BS片段用于分析CF或者AIF参数，并且MS片段用于分析CR、AIF或者CF参数。
学习基础方案
通过基础方案输注的胰岛素通常影响葡萄糖水平的动态，但是与观察到的碳水化合物消耗（进食）和给予的胰岛素（推注）相比，该效果是微小的。因此，通过使用原始日志数据的信息性片段或者部分并且选择性地不使用可能被进食或者推注胰岛素影响的葡萄糖水平的数据片段（MS或者BS片段），可以对测得的葡萄糖水平的原始日志数据进行“清洁（cleaned）”。在一些实施方式中，本发明的学习过程分析“经清洁的”数据或者原始日志数据的信息性区段。在一些实施方式中，“经清洁的”数据是BaS片段的原始日志数据。在其它实施方式中，例如在这种清洁数据不可得的情况下，因而使用其它数据区段来分析针对基础胰岛素的胰岛素泵设置（以下阐述）。
基础方案可以表示为作为时间的函数的一系列单独基础治疗率。针对预定义的每天的时段（即，基础时段）单独进行对这种数据的分析。通过示例，与其它数据隔开地在基础时段0000h-0400h对原始日志数据进行单独分析。
图11是示出描述根据本发明的实施方式的用于基础方案的无监管学习的方法的流程图300。无监管学习方法300包括从葡萄糖测量值、进食事件和输注的胰岛素的原始日志数据获得经划分的基础数据（步骤310）。划分过程已在以上描述，并且可应用于本环境。在一些实施方式中，原始日志数据包括葡萄糖测量值和输注的胰岛素，即在本实施方式中进食事件不是强制的。
方法300还包括可选地确定预定基础时段，作为时隙或者沿着一天的时段315。在多个日历天（calendar day）中收集的这些时段的原始数据输入被对准，如以下进一步阐述的，以提取针对一天中该时段/那些时段的信息性数据。在分析之前，原始日志数据输入可以可选地按照可以如下所述计算出的时间延迟来移位。
在一些实施方式中，方法300执行过程320以从胰岛素输注和血液葡萄糖变化来确定作为被治疗的患者的特征的时间延迟（在此描述时间延迟A的计算）。跟随时间延迟的确定，可以进行根据葡萄糖测量值和基础率之间的估计出的时间延迟因数来确定针对每个预定义的基础时段的基础率。例如，作为对时间延迟A0的响应，原始日志数据输入可以因此移位大约时间延迟A0，以适当地补偿所述作为被治疗患者的特征的延迟。
在获得原始日志数据输入之后，该方法包括学习基础方案过程330。可以执行斜率相关算法332，该算法被设计用于确定患者是否需要改变基础方案。该过程基于位于每个“干净的数据（clean data）”片段的末端的dG的值和葡萄糖水平。另选地或者与斜率相关算法332组合，可以执行利用原始日志数据的葡萄糖水平算法334。原始日志数据输入不需要被清洁或者预处理，即，使用葡萄糖水平和基础率的一般日志数据。
在一些实施方式中，可以通过从血液葡萄糖测量值的变化（或者波动）的发生和输注的基础率来确定或者计算被监视/测量的具体患者的当前特征时间延迟，从而启动用于确定基础方案的学习过程。
从BaS片段获得葡萄糖传感器读数(G(t))和基础率(B(t))。因而确定两个数据点之间的葡萄糖水平变化，即片段的终点处与片段的起点处的葡萄糖水平之差，并且可用dG表示。葡萄糖水平在时间(t)的变化可被定义为：DG(t)=dG/dt.
变量(A)表示基础率和测得的葡萄糖水平之间的时间延迟。基础率B(t)以由于注入造成的延迟时间来影响DG(t+A)。参数A可被导出为如下：A=argmax(A,E{B(t)DG(t+A)})，其为使乘法级数B(t)*DG(t+A)期望值最大化的参数。
在确定时间延迟（A）之后，可以定义和使用级数[DG(t+A),B(t)]。因此，在一些实施方式中，用级数[DG(t+A),B(t)]表示基础率和葡萄糖水平的变化之间的关系，因而获得基础治疗率和被治疗患者中的对应的葡萄糖水平的变化的级数，即，如此处公开的可从其计算基础率的级数。
在一些实施方式中，将基础时段设定或者确定如下。可以人工定义或者从数据自动推导这些基础时段。通过非限定示例示例，预定义的一天的基础时段可以被设定为：0000h-0300h、0300h-0700h、0700h-1100h、1100h-1500h、1500h-2000h和2000h-2400h。学习过程将产生针对这些基础时段的所需要的基础率。在一些实施方式中，基于这些基础时段中的每个时段来确定所需要的基础率。一旦人工定义或者自动推导了基础，算法就将BaS数据或者原始数据匹配到这些基础时段的每一个基础时段并且进行分析来计算针对基础时段所需要的基础率。
可以按照以下计算针对配对的基础时段的基础率，例如<时段，基础率>：
使血液葡萄糖算法的变化最小化：可以通过使用级数值以找到与条件DG(t+A)=0相对应的B(t)，并且从先前计算出的基础治疗率的级数中选择使葡萄糖水平的变化（例如，B(t)）最小化的基础治疗率，对BaS片段中的级数[DG(t+A),B(t)]进行插值。
执行斜率相关算法：该过程被设计用于基于位于每个“干净数据”片段（例如，BaS片段）的末端的dG的值和葡萄糖水平来确定患者是否需要改变基础治疗率。当dG在预定阈值上方并且在片段的末端葡萄糖水平高于预定值时，在对应的预设胰岛素治疗中需要提高基础治疗率。当dG在预定阈值下方并且在片段的末端的葡萄糖水平低于预定值时，在对应的预设胰岛素治疗中需要降低基础治疗率。通过非限定示例，在dG>40mg/dl并且在片段的末端的葡萄糖水平高于120mg/dl的情况下，需要提高基础治疗率。可以提供如以下所述的另一个示例。在dG<-40mg/dl并且在片段的末端的葡萄糖水平低于150mg/dl的情况下，需要提高基础治疗率。减少或者增加的量（即，对应的预设胰岛素治疗）可以被设定为单位/小时的恒定量。另选地，将减少或者增加的量可以被设定为先前基础治疗的百分比，或者可以是dG和先前基础治疗的函数。
执行葡萄糖水平算法：该过程利用不需要被清洁或者预处理的原始日志数据，即，使用葡萄糖水平和基础的一般日志数据。因而，本发明使用原始数据来支持和/或调整干净的数据片段。该过程被设计用于如上所述基于在具体基础时段期间中数据的积累来确定是否需要改变基础治疗率。通过在共享的时隙或者时段中积累数据来增强信息性原始数据。
因此，该过程对准并且可选地聚集多个基础时段的原始葡萄糖水平数据，因而增强原始数据中嵌入的实质信息。在一些实施方式中，两天或者更多天的葡萄糖水平数据被对准。对准可以是将共享基础时段的第一葡萄糖水平数据点与共享基础时段的配对（或者第二）葡萄糖水平数据点匹配的形式，其中(r1,x)与(r2,x)对准，r1是第一天的葡萄糖读数，而r2是第二天的葡萄糖读数，并且x是共享基础时段。在一些实施方式中，对准可以是将第一天的共享时间戳的第一葡萄糖水平数据点与第二天的大致相同时间戳的配对（或者第二）葡萄糖水平数据点匹配的形式，例如(r1,x)与(r2,x)对准，r1是第一天的葡萄糖读数，而r2是第二天的葡萄糖读数，并且x是共享时间戳。在一些实施方式中，对准处理揭示唯一表示的葡萄糖模式。对准的葡萄糖数据被处理以确定例如针对共享基础时段或者共享时间戳的代表性葡萄糖水平。可以选择基础时段中的经对准的葡萄糖水平的中间葡萄糖水平选择作为代表性葡萄糖水平。可以选择基础时段中的经对准的葡萄糖水平的聚集值选择作为代表性葡萄糖水平。在一些实施方式中，确定中间葡萄糖水平和目标葡萄糖水平之间的差。
在示例性实施方式中，葡萄糖水平算法可以是如下所述：
（a）对准多个日历天的葡萄糖水平数据；以及根据每天的基础时段聚集数据。关于这一点，参照图2确定基础方案的设定，图2是作为葡萄糖水平的葡萄糖分析过程的示例。该图指示在进一步分析之前对准所划分的时段和聚集原始日志数据。图2例示了经对准的葡萄糖水平数据。图2中的经对准的葡萄糖数据点以曲线形式示出。发明人发现对准葡萄糖水平数据隔离并且拆散了葡萄糖水平数据的信息性要素，否则可能被忽略。另外，通过揭示葡萄糖数据的信息性要素来进一步分析，允许无监管地确定胰岛素泵设置。
（b）确定针对每个日历天的基础时段的平均葡萄糖水平；
（c）确定针对每个日历天的基础时段的平均葡萄糖水平的中间值作为用于进一步分析的代表值。返回图3，示出葡萄糖分析的示例，其中原始日志数据的时间线被划分为(00:00、03:00、07:00、11:00、15:00和20:00)的时段/片段。该图提供所确定的针对每个基础时段的中间葡萄糖水平和被设定为90-140mg/dl的目标范围。如上所述计算中间葡萄糖水平；
（d）按照以下描述评估针对每个基础时段的所确定的中间值和目标范围之间的差：
（d.1）如果差在目标范围内，则该基础时段的基础率保持不变；
（d.2）如果差在目标范围上方，则该基础时段的基础率提高；以及
（d.3）如果差在目标范围下方，则该基础时段的基础率降低。
减少或者增加的量可以被设定为以单位/小时计的恒定量，或者可以被设定为先前基础治疗的百分比，或者可以是中间值和目标葡萄糖水平之间的差和先前基础治疗的函数。在图3所示的示例中，在考虑如上所述计算出的时间延迟之前，过程将推荐在基础时段03:00-07:00和20:00-00:00中提高基础率。
可以根据葡萄糖水平过程、斜率相关算法和/或血液葡萄糖改变最小化算法的加权平均设定胰岛素泵的基础方案设置。作为（葡萄糖水平过程、斜率相关算法和/或血液葡萄糖改变最小化算法中的）一个或者加权平均，所获得的基础治疗率可以用于修改被治疗的患者的基础方案，例如，通过修改胰岛素泵的基础方案。
在一些实施方式中，可以根据葡萄糖水平过程设定胰岛素泵的基础方案设置。在一些实施方式中，可以根据血液葡萄糖改变最小化算法设定胰岛素泵的基础方案设置。
在一些实施方式中，本发明涉及基础方案模块；该基础方案模块被配置成用于执行无监管学习基础方案或者率的过程；该基础方案模块被配置成用于分析作为输入提供的BaS；该输入被处理以产生指示基础方案的全局胰岛素泵设置的输出信号。在其它实施方式中，该基础方案模块被配置成用于分析作为输入提供的原始日志数据；该输入被处理以产生指示基础方案的全局胰岛素泵设置的输出信号。在其它实施方式中，该基础方案模块被配置成用于分析都被作为输入提供的BaS和原始日志数据两者；该输入被处理以产生指示基础方案的全局胰岛素泵设置的输出信号。
学习活性胰岛素AIF算法
本发明允许无监管学习针对被治疗的患者专门定制的活性胰岛素函数（AIF）。在一些实施方式中，本发明因此提供一种方法、装置和系统，可以获得依赖于患者的活性胰岛素函数（AIF）代替医生采用的传统的反复试验（trial and error）过程。
一般地，AIF描述特定时间血液中“活性”胰岛素的量。AIF是对胰岛素的具体药效学特征的测量（表示为活性胰岛素）。在本发明中，AIF是针对被治疗的患者的具体的药效学的测量。可以参照具体进食、一系列进食、具体胰岛素推注事件或者一系列胰岛素推注事件来定义活性胰岛素。在一些实施方式中，因此从BS和MS片段确定AIF。
参照图14，图14为例示无监管确定活性胰岛素函数的过程的流程图600。该过程600包括获得针对可以表示为（i）的具体划分的原始的葡萄糖测量值和配对的时间戳的集合（步骤610）。可以从原始日志数据获得这些葡萄糖测量值和配对的时间。葡萄糖测量值的集合被归一化因而获得一系列归一化的葡萄糖测量值和配对的时间戳（步骤620）。因而可以按照下述获得诸如活性胰岛素函数或者曲线的信息性数据段。
输入的葡萄糖测量数据，无论是否归一化，接着都被处理以便将每个葡萄糖测量值和配对的时间戳归一化为葡萄糖测量值和配对的时间戳的单调非递增级数（i）（步骤630），或者为大致单调的非递增级数（容许从单调非递增级数约+/-百分之10的偏离）。发明人发现大致单调的非递增（或者单调非递增）级数良好地定义被治疗的患者的活性胰岛素特征640（依赖于用户的药效学行为而不是传统上使用的固定常数或者固定函数）。
在一些实施方式中，从多个经划分的原始数据的分析获得多个活性胰岛素函数或者曲线。随后可以是确定所述多个单调非递增级数的中间级数的分析。中间级数表示针对多个经划分的原始数据（或者多个原始数据的片段）的AIF。
因此，在一些实施方式中，根据包括以下描述的过程来确定AIF。
AIi被定义为针对可选地为进食或者胰岛素推注事件的事件（i）的活性胰岛素。事件的时间表示为(T0)。任何事件有开始时间点和结束时间点。这些点定义了第一时间窗口。在一些实施方式中，针对每个事件，开始时间点都被定义为从家庭护理数据（日志数据）提供的从具体事件(T0)开始。例如在下一事件开始时间发生时或者开始时间点后约七小时（两者中较早的一个）事件结束。
如此处所用的，事件后的峰值传感器值被标识并且表示为Smmax。峰值后发生的最小传感器值表示为Smmin。获得峰值的各个时间标签通常被记录，定义时间Smmax和Smmin之间的第二时间窗口。
获得第二时间窗口期间的传感器数据（例如，原始日志传感器数据）。可以用[Ti,Vi]级数表示所获得的传感器数据，其中(Ti)是在进食开始(T0)测得的传感器读数的时间标签，以及(Vi)是在各个(Ti)测得的传感器值。
在一些实施方式中，测得的传感器数据被归一化为在从0到1的范围的值。(Ni)表示各个(Vi)的归一化值，并且可以计算为：
Ni=Vi/(Smmax-Smmin)。
因而可以获得归一化的级数[Ti,Ni]。
在一些实施方式中，级数（[Ti,Vi]或者[Ti,Ni]）被修改（或者“强迫”）为单调级数，诸如单调非递增级数。因而，通过将每个(Ni)关联到最小归一化的(Nj),j=1到i来获得非递增级数。
可以通过将级数（[Ti,Vi]或者[Ti,Ni]）的项顺序地插入非增单调级数来执行，如果这些项中的传感器值不超过先前插入的任何传感器值，则例如丢弃那些违反的值。在这个方面，顺序暗含从开始时间点向结束时间点处理、
换句话说，可以如下所述获得(Ni)，
Ni=min({Nj},j=l:i).
通过非限定示例，对于级数Nj={1,0.9,0.8,1.2,0.7}，Ni将是{1,0.9,0.8,0.8,0.7}。
进食峰值，即在(T0)，可以被添加。因而，[T0,1]被添加到级数[Ti,Ni]的开始处。
因而获得的级数表示针对具体进食或者推注胰岛素事件的活性胰岛素AIi。
在发生超过一个进食或者发生超过一个推注事件或者具有多个进食和推注胰岛素事件的情况下，可以获得针对一组事件的活性胰岛素级数。针对一组事件的活性胰岛素是全部进食级数{AIi}的中间值。表示为AI_total的所得到的级数表示可应用于全部事件的活性胰岛素曲线。AI_total中的值表示在被治疗的患者中仍有活性的胰岛素的百分比。例如，AI_total级数内的[t＝25,v=0.8]元素可以指示在注射推注之后25分钟80%的胰岛素仍有活性。
在一些实施方式中，本发明涉及AIF模块；该AIF模块被配置成用于执行无监管学习活性胰岛素曲线或者函数的过程。该AIF模块被配置成用于分析作为输入提供的MS；该输入被处理以产生指示胰岛素活性曲线参数的全局胰岛素泵设置的输出信号。在一些实施方式中，该AIF模块被配置成用于分析作为输入提供的BS；该输入被处理以产生指示胰岛素活性曲线参数的全局胰岛素泵设置的输出信号。在一些实施方式中，该AIF模块被配置成用于分析都作为输入而提供的BS和MS两者；该输入被处理以产生指示胰岛素活性曲线参数的全局胰岛素泵设置的输出信号。
学习CR算法
以[克/单位]为单位测量碳水化合物比例（CR）。碳水化合物比例（CR）评价或者量化为了补偿消耗的CHO而需要的胰岛素的实际量。可选地，所估计的CR对预期葡萄糖水平返回到进食时间的水平的时间（本发明中优选为3小时）进行调整。在实际中，患者不总是在日常例程（有时造成泵中插入的设置不适合）。在很多情况下，适当的CHO与胰岛素比例将改变并且从胰岛素泵中设置的参数偏离。在很多时间，该偏离涉及患者不正确估计他们消耗的进食中CHO的量。因此，本发明的无监管学习CR算法解决对被相应地确定或者调整的CR确定的需要。
图12是例示根据本发明的实施方式的碳水化合物比例（CR）的无监管学习的方法的流程图400。无监管CR学习方法400包括从葡萄糖测量值、进食事件和输注的胰岛素的原始日志数据获得经划分的数据410。CR学习方法400可以按照下述使用数据的MS片段来获得信息性数据段。划分过程已在以上提供，并且可应用于本环境。方法400还包括确定多个葡萄糖水平和配对的实际碳水化合物比例。方法400的应用因而产生葡萄糖水平和候选碳水化合物比例的对420。在过程430，从先前确定的候选实际碳水化合物比例学习碳水化合物比例（CR）。这些候选实际碳水化合物比例是信息性片段，它们被按照下述进一步处理以获得最终CR。在一些实施方式中，应用配对的实际碳水化合物比例的多项式分析432。在其它实施方式中，在进行多项式分析之前，确定并且可选地去除来自配对的候选碳水化合物比例的轮廓对（outliner pair）434。还可以通过投票过程（未示出）选择得到的候选碳水化合物比例，在投票过程中候选碳水化合物比例中的符合的大多数被使用或者选择作为CR。在其它实施方式中，使用多项式分析和投票过程二者的组合（诸如加权组合）来确定最终CR。以上提供确定CR的过程的具体示例，并且可应用于这个方面。
在一个更具体但是非限定实施方式中，根据包括以下内容的过程确定碳水化合物比例（CR）：
计算每个MS片段的实际CR（pracCR）。
实际CR（pracCR）表示CHO与实际输注的胰岛素的比。在一些实施方式中，针对配对的MS片段（MS片段中的pracCR）来确定实际CR（pracCR）。在一些实施方式中，针对每个配对的MS片段确定实际CR（pracCR）。这些过程导致配对值的级数：Ser={Diff(i),pracCR(i)}，(i)是数据片段计数，如以下定义的。
i）进食片段中的实际碳水化合物比例（pracCR）：
以下方法确定针对每个MS片段的pracCR。该方法解决所需要的从推注效果分离或者隔离进食效果。
针对每个进食片段，在先前确定的MS片段中，MS(i)执行包括下述的过程：
（1）获得MS(i)给出的总胰岛素推注，表示为Btot；
（2）计算在MS(i)中片段开始处的活性胰岛素（AI），表示为AIstart；AI根据被治疗的患者的活性胰岛素函数（AIF）而被确定，如可以从开环测量数据（以上定义）确定；
（3）确定在MS(i)中片段的末尾处的活性胰岛素（AI），表示为AIend；
（4）用RelIns(i)=Btot+AIstart-AIend计算片段中的胰岛素；
（5）获得MS(i)中片段开始处的葡萄糖传感器值，表示为Sstart。在一个实施方式中，获得单个葡萄糖传感器值。在其它实施方式中，获得多个葡萄糖传感器值的平均值。
（6）获得片段末尾处的传感器值，表示为Send。在一个实施方式中，获得单个葡萄糖传感器值。在其它实施方式中，获得多个葡萄糖传感器值的平均值。
（7）按照下述计算开始和末尾点之间的差：Diff(i)=Send-Sstart；
（8）获得片段中消耗的总碳水化合物，表示为Ctot(i)；
（9）确定针对片段的实际CR，pracCR(i)=Ctot(i)/RelIns(i)。
被治疗的患者的活性胰岛素函数（AIF）可以是用于估计MS片段中的活性胰岛素的即时AIF设置。即时AIF可以是刚刚即时计算出的AIF参数，近似于CR计算，例如针对MS片段计算出的AIF设置。
在应用到进食片段(i)之后，得到以下级数：Ser={DiffBG(i),pracCR(i)}。该级数包括进食片段中的血液葡萄糖改变和配对的所确定的实际碳水化合物比例。
可以采用方法和过程以从以上获得的级数提取最终碳水化合物比例（CR）。在一些实施方式中，在使用CR提取方法之前，去除轮廓对，因而获得级数Ser，级数Ser可表示为Ser_out={DiffBGout(i),pracCRout(i)}，即，省略了轮廓的级数。尽管以下描述的实施方式使用Ser_out级数，但应理解的是在一些实施方式中可以使用Ser级数。
多项式CR提取方法：K阶多项等式可以拟合Ser_out级数，并且得到的函数F(*)将产生CR_k=F(Diff)。可以从所获得的拟合函数计算所提取的CR，例如，通过提供期望的输入DiffBG以从拟合函数输出得到的CR。针对被治疗的患者的期望的差DiffBG通常是-0（例如，DiffBG=0）。可以从拟合的优化BG差计算提取的CR。DiffBG=0，作为函数输入。针对DiffBG＝0得到的CR_m=F(DiffBG)是期望的CR。
投票CR提取方法：最小可能CRk，从而对于任何CR>=CRk，75%的匹配DiffBG(i)将是DiffBG{i}>ThreshVal（对于期望的的ThreshVal>0）。所发现的CRk是该提取方法的期望的CR。应注意的是该过程不局限于75%匹配DiffBG(i)，还可以使用其它比例。
在一些实施方式中，最终学习的CR可以被获得作为上述提取实施方式中的一个或者作为加权平均。
以下非限定示例例示了确定最终碳水化合物比例（CR）的无监管过程。图4是用于计算推荐碳水化合物比例（CR）的从进食部分（MSs）导出的示例性进食片段。图4所示的数据包括连续葡萄糖传感器读数、随着时间的胰岛素泵输注和进食数据的原始日志数据。上部曲线图G3呈现葡萄糖水平，其中用黑三角形标记进食事件。下部曲线图G4呈现胰岛素治疗，其中水平线L4是基础率，具有黑圆形的竖直线是推注。这些片段用数字和黑框标记。
在当前示例中，该患者的胰岛素泵中的初始CR设置是7克/单位。图4还示出针对此日志数据集合的标识的进食片段（MS）片段，标记为MS1-MS7。在图5中，注意图4的片段MS1。图5示出针对片段MS1计算pracCR和DiffBG。如图所示，图5仅仅包含一个进食。用附图中标记的数据，采用上述方法，确定以下的对：pracCR=7克/单位并且DiffBG=-187mg/dl。
在图6中，注意图4的片段MS4。图6示出作为包含超过一个进食的进食片段的示例的MS4。上部曲线图G3呈现葡萄糖水平，其中用黑三角形标记进食事件。下部曲线图G4呈现胰岛素治疗，其中水平线L4是基础率，而具有黑圆形的竖直线是推注。用附图中标记的数据，采用上述方法，确定以下的对：pracCR=2克/单位并且DiffBG=-200mg/dl。
图7是针对MS，MS1-MS7来计算出的对Ser={DiffBG(i),pracCR(i)}的曲线图。蓝线L5是多项式分析的结果，而水平绿线L6是投票分析的结果。在根据上述方法进行确定MS1-MS7的Ser={DiffBG(i),pracCR(i)}之后，可以进一步导出最终CR。图7示出分析多项式方法（以曲线图L5得到）和投票方法（以曲线图L6得到）的Ser的散点图。针对本示例确定的最终CR是从多项式方法和投票方法两者的加权组合得到的约5克/单位。
通过非限定示例示例，对于确定CR，多项式和投票技术可以接着被应用以识别代表性CR或最终CR，这些技术已经讨论。所选择的最终CR设置的统计学显著性来源于这样的事实：它是从针对该确定而专门划分的采样的原始数据片段获得的，并且因为经划分的数据输入中的不同的数据段的部分贡献。
在一些实施方式中，本发明涉及碳水化合物比例模块；该碳水化合物比例模块被配置成用于执行碳水化合物比例的无监管学习的过程；该碳水化合物比例模块被配置成用于分析作为输入提供的MS；该输入被处理以产生指示碳水化合物比例（CR）参数的全局胰岛素泵设置的输出信号。
学习CF算法
校正因数（CF）被以[mg/dL/单位]单位测量。以下提供本发明的学习过程并且解决在多个情形下（或者数据片段）的CF提取。
图13是例示根据本发明的实施方式的碳水化合物比例（CF）设置的无监管学习的方法的流程图500。无监管CF学习方法500包括从葡萄糖测量值、进食事件和输注的胰岛素的原始日志数据获得经划分的进食和非进食片段510。CF学习方法500可以按照下述利用MS和BS数据片段来获得信息性数据段。所获得的信息段被用于执行确定最终校正因数设置的过程550。在一些实施方式中，方法500包括确定多个校正因数，每个校正因数根据从原始日志数据导出的活性胰岛素动力被配对到进食或者非进食片段（分别为555、560）。
在一些实施方式中，方法500包括根据已确定的调整因数和葡萄糖可接受范围确定校正因数565。
在一些实施方式中，从多个校正因数选择最终CF泵设置。在其它实施方式中，多个校正因数中的校正因数被加权并且加权的校正因数的组合可以用于产生最终CF泵设置。
以下提供多个情形和/或数据片段中的CF提取：
A.从进食片段（MS）提取CF（表示CFfrom_MS）：来自此MS片段的原始日志数据以及新计算出的CR被用于CF提取。
一般地，当被治疗的患者消耗进食时，要输注的胰岛素的量包括两部分：（i）进食推注（用胰岛素泵的CR设置计算）和（ii）校正推注（用被治疗的患者的当前血液葡萄糖（BG）水平、胰岛素泵的CF设置和预设目标水平计算。
正常地，仅仅如果在进食事件的开始处的BG水平在目标范围以外则可以添加校正推注。在已输注的胰岛素的量充足的情况下，进食时间数小时后的葡萄糖水平应接近目标水平。在数小时（可选地，3小时）后的血液葡萄糖不接近目标的情况下，需要修改的CF。由于以上描述的CR是准确的，所以进食推注分量是准确的，因此，从葡萄糖目标的偏差归因于第二CF依赖分量。
可以通过采用以下方法进行针对片段MS(i)的校正因数确定：
（1）确定在片段MS(i)给出的胰岛素，可以可选地按照以下方式计算该胰岛素：
I given , i = A . I start , i + &Sigma; In _ sec tion Insulin _ Bolus i - A . I end , i
其中：A.Istart和A.Iend是在片段MS(i)的开始和末尾处的活性胰岛素，使用依赖于患者的AIF或者此处公开的用于确定AIF的其它方法计算。
（2）确定应输注的胰岛素的量以覆盖片段MS(i)中的CHO；在一些实施方式中，根据以下公式确定要输注的胰岛素：
I mod ified _ for _ meal , i = Total _ C arb i CR New
在一些实施方式中，CRnew是根据此处公开的CR学习过程确定的最终CR。
（3）在片段MS1的开始处的葡萄糖水平不在目标区域中时，即，在需要校正推注的情况下，使用以下计算：
I addtional _ correction , i = BG end , i - T arg et CF orlg ln al
Iestimated_correction_needed，i＝Igiven，i-Imodified_for_meal，i+Iaddtional_correction，i
CF new , i = BG start , i - T arg et I estimated _ correction _ needed , i
得到的CFfrom_MS可以用于相应地设定胰岛素泵。针对上述过程得到的CFfrom_MS的可以是根据上述过程计算出的CFnew,j多个的平均。
在一些实施方式中，确定针对进食的校正因数（CF），并且通过处理AIF以估计MS片段中的活性胰岛素和即时碳水化合物比例（CR）（先前表示为CRnew）来计算。利用即时碳水化合物比例允许更好地估计计算出的CF，因为计算是基于经更新的CR的值。
图8呈现估计该算法计算针对进食片段的CF的非限制示例。上部曲线图G5呈现葡萄糖水平（线L7）其中用黑三角形标记进食事件。下部曲线图G6呈现胰岛素治疗，其中水平线Ls是基础率，具有黑圆形的竖直线是推注。
图8的示例中的输入如以下所述：CForiginal=16mg/dl/单位；CRoriginal=7克/单位；CRNew=5克/单位；Carb=80克；以及，目标=110mg/dl。
上述CF提取过程的应用产生以下确定：
I given , i = &Sigma; In , sec tion Insulin _ Bolu s i = 16.3 + 5.7 = 22
I mod ified _ for _ meal , i = Total _ C arb i CR New = 80 5 = 16
I addtional _ correction , i = BG end , i - T arg et CF orlg ln al = 178 - 110 16 = 4.25
Iestimated_correction_needed，i＝Igiven，i-Imodified_for_meal，i+Iaddtional_correction，i＝17.6-16+4.25＝5.85
CF new , i = BG start , i - T arg et I estimated _ correction _ needed , i = 290 - 110 5.85 = 30
应注意的是尽管被治疗的患者需要更多单位的胰岛素以接近目标水平，但是CF在增加。这可以从一些丢失的胰岛素单位可以被跟踪回到进食分量（由于CR从7变到5，因而胰岛素的进食分量增加）。因此，系统决定针对胰岛素的校正部分输注更少。
参照图8以上示例示出确定针对单个MS片段的CF。在分析全部进食片段之后，获得的CFFrom_MS是19（未示出）。
B.从非进食片段提取CF（表示为CFnon_meal）：使用来自非进食片段的原始日志数据进行CF提取。该方法使用不具有进食影响的BS片段或者其它片段的原始日志数片段作为输入。从对不同推注的剂量的响应提取CF。该方法包括以下过程：针对BS(i)片段：
（1）使用AIF确定在BS(i)片段的开始处的活性胰岛素。AIstart表示在BS(i)片段的开始处的活性胰岛素。在一些实施方式中，AIF是先前确定的依赖于患者的AIF。在一些实施方式中，通过采用此处公开的用于确定AIF的方法确定片段的开始处的AIF。
（2）确定在BS(i)片段的末尾处的活性胰岛素，表示为AIend。
（3）确定在BS(i)片段中给出的总胰岛素输注，表示为Btot。
（4）确定在BS(i)片段的开始处的传感器值，表示为Sstart。
（5）确定在BS(i)片段的末尾处的传感器值，表示为Send。
（6）使用以下等式确定CFsec(i)：
CFsec(i)=(Send-Sstart)/(Btot+AIstart-AIend)
可选地，针对每个BS(i)片段执行以上过程。
在一些实施方式中，最终CFnon-meal是CFsec(i)中的正元素的平均。在一些实施方式中，最终CFnon-meal是BS(i)片段的CFsec(i)。
C.通过葡萄糖水平调整提取固定CF（表示为CF BG_Analysis ）：该方法使用固定比例dC估计CF，并且分析患者的葡萄糖控制表现以修改固定比例计算。在一些实施方式中，可以根据消耗的碳水化合物量、葡萄糖测量值和胰岛素相关数据（输注的胰岛素、基础方案和/或胰岛素推注）来确定初始CF，表示为CFinitial。可以按照下述进行CF BG_Analysis 的确定：（1）根据消耗的碳水化合物量、葡萄糖测量值和胰岛素相关数据确定初始校正因数，CFinitial：
CF initial = G e - G s + dC &CenterDot; C B ,
在具体示例中，根据时间窗口期间的最小传感器读数和所记录的最低血液葡萄糖读数之间的比来修改CFinitial。在一些实施方式中，在获得最小传感器读数之前根据时间间隔中的最大传感器读数来修改胰岛素灵敏度（以下示出示例）。因此，可以根据特定因数(a)进一步修改CFinitial，以根据公式CFBG_Analysis=aCFinitial产生经修改的校正因数CFBG_Analysis，其中因数(a)被定义为CFinitial（或者当前校正因数）的修改的因数。可以对经划分的的数据进行以下过程。
可以根据以下过程确定因数(a)：
Figure BDA00001685191100301
其中，Thypo是相关时段/片段期间花费在限定的低血糖范围中的时间的百分比；Tihypo是相关时段期间花费在限定的迫近低血糖范围中的时间的百分比；Smin是相关时段期间的最小传感器读数；Smean是相关时段期间的平均传感器读数；Smax是相关时段中的最大传感器读数；Speak是相关时段/片段期间，达Smin时间之前三小时的时间范围的最大传感器电平；UpperLimit是既不在迫近低血糖也不在低血糖期间记录的最低血液葡萄糖读数；Sn_low是“严格正常的”葡萄糖范围的下边界（可以凭经验限定为约80-120mg/dl的范围中的葡萄糖范围），通常设定为80；Sn_high是“严格正常的”葡萄糖范围的上边界，通常可以设定为120；dN是Sn_high-Sn_low的差。
通过使用被治疗的患者的所测量的葡萄糖水平可以确定直方图（或者另选地，分布函数）。直方图是表示在特定时间窗口或者片段中患者的每个测量的葡萄糖水平的出现的函数。参数P可以被定义为在特定宽度的间隔（dN表示葡萄糖测量间隔）出现（或者积累的测量葡萄糖水平）之和，其中v是特定窗口的初始葡萄糖读数，针对被治疗的患者个性化。
val=argmaxv{P(v,v+d/N)}，其中，P(v,v+d/N)是范围[v,v+d/N]中的葡萄糖读数的百分比；argmaxv意味着确定使P达到最大值的v。
因数(a)因而可以被确定为：
a＝0.57·a_Tsn+0.28·a_Hyper+0.15·a_Mean
其中a_Tsn=sn_low/val；a_Hyper=180/Smax；通常按照经验限定；以及a_Mean=110/Smean；通常按照经验限定；W=[0.57 0.28 0.15]是加权向量/系数，通常按照经验限定。
结束
本领域技术人员将理解加权向量可以被调整或者修改以适应具体胰岛素治疗。在一些实施方式中，因而可以确定表示特定时间窗口期间患者的测量的葡萄糖水平的出现的直方图。可以接着获得葡萄糖测量间隔中的局部最大（或者峰值），例如如以上举例的通过使函数P(v,v+dN)最大化。
在一些实施方式中，最终CF被计算作为具有多数类似趋势的上述计算出的CF值(即，CFfrom_MS、CFnon_meal、CFBG_Analysis)中的一个或者加权平均。在这个方面，类似趋势意味着与当前患者的CF相比，全部CF值推荐增加或者减少CF的值。在一些实施方式中，最终CF被计算作为上述计算出的正CF值中的一个或者加权平均。在一些实施方式中，计算最终CF作为确定CF的增加的上述计算出的CF值中的一个或者加权平均。在一些实施方式中，计算最终CF作为确定CF的减少的上述计算出的CF值中的一个或者加权平均。
设定葡萄糖目标
在一些实施方式中，以上描述的本发明的技术利用以下呈现的按照经验得到的葡萄糖范围。
表2
  泵目标设置
  高  低   小时   年龄组 [岁]
  150  110   00:00-19:00   0-6
  150  150   19:00-00:00
  120  100   00:00-20:00   6-12
  150  150   20:00-00:00
  110  90   00:00-21:00   12-19
  130  130   21:00-00:00
  100  90   00:00-22:00   成年人(19+)
  120  120   22:00-00:00
表2表示用于使用本发明的技术设置被治疗的患者的泵的一般临床指南。
在一些实施方式中，本发明涉及CF模块；该CF模块被配置成用于执行校正因数（CF）的无监管学习的过程；该CF模块被配置成用于分析作为输入提供的MS；该输入被处理以产生指示校正因数（CF）参数的全局胰岛素泵设置的输出信号。在一些实施方式中，该CF模块被配置成用于分析作为输入提供的BS；该输入被处理以产生指示校正因数（CF）参数的全局胰岛素泵设置的输出信号。在一些实施方式中，该CF模块被配置成用于分析作为输入提供的BS和MS两者；该输入被处理以产生指示校正因数（CF）参数的全局胰岛素泵设置的输出信号。
监视系统
参照图9，图9是例示根据本发明的一个实施方式的监视系统（或者装置）100的非限定示例的示意框图。装置100通常是基于处理器的并且包括存储器装置125、数据输入和输出装置（未示出）和数据处理装置。后者被配置成或者包括本发明的无监管学习控制器110作为一部分，提供对按照机器可读格式经过通信接口120输入到装置100的原始日志数据105的回顾式分析。对控制器110的输入是无监管输入，并且控制器从无监管输入，即，原始数据输入计算全局胰岛素泵设置。
通信系统120被适当地配置成将处理器装置110经过有线或者无线信号传输（例如，经过（多个）通信网络）连接到提供原始日志数据的测量装置或者连接到外部存储器（数据库），其中先前存储了（从（多个）测量装置提供的）这种原始日志数据。在一些实施方式中，原始日志数据105包括作为时间的函数的葡萄糖传感器读数/水平、作为时间的函数的进食事件数据和作为时间的函数的胰岛素输注数据中的一个。因此，原始日志数据105可以是时间隔开的数据点的形式。
原始日志数据105在一些实施方式中遵循或者具有预定时间模式125。时间模式125通常包括多个时间戳。如此处描述的，时间戳是用于暗示时间，诸如沿着特定时间窗口的日、小时、分钟等的串或者其它对象。使用多个时间戳来获得原始日志数据105，包括对应于时间模式125的项目。通过非限定示例，基础率的原始日志数据可以采用<时间戳,基础率>或者<时段/时隙,基础率>的形式。可以按照<时间戳,胰岛素剂量>的形式提供胰岛素输注的原始日志数据105。可以按照<时间戳,消耗的COH>的形式提供进食事件的原始日志数据105。本领域技术人员将理解存在多种方式来对这种信息编码并且可以针对这种目的确定具体编码方案。在一些实施方式中，原始日志数据105遵循外部提供的预定时间模式115，即，经过有线或者无线装置传递到装置100。
装置100的学习控制器可以执行过程和分析而不用人工监管协作。在这个方面，应理解是装置100的无监管学习控制器可以从输入原始日志数据而不是从用户（触摸板或者键盘输入）手动输入数据来计算全局胰岛素泵设置。换句话说，本发明的系统可以被配置成经过直接接触可以对原始日志数据进行存取的数据记录自动或者半自动地操作。计算过程不包括可变地将来自用户的手动输入查询或者对查询的响应分配到控制器（患者或者医生）。在一些实施方式中，装置100的无监管学习控制器计算一个连续时间窗口期间的全局胰岛素泵设置，该时间窗口在获取原始日志数据启动并且在计算任意全局胰岛素泵设置之后终止，即，不使能中断（例如，异步）以便获得在计算过程中用户对控制器的输入。
无监管学习控制器被配置成用于接收和处理原始日志数据，以从所述原始日志数据的残余日志数据部分确定信息性数据段，以及选择所述信息性数据段以便回顾式分析和计算基础率或者基础方案、校正因数（CF）、碳水化合物比例（CR）和胰岛素活性曲线参数中的至少一个，并且产生胰岛素泵设置。
在一些实施方式中，装置100用于糖尿病治疗管理并且包括通信接口120，通信接口120被配置成用于允许存取所存储的数据，该数据为葡萄糖测量值、进食和胰岛素输注的时间上隔开的数据点。装置100还包括控制单元，该控制单元包括数据处理器装置或者处理器110，用于提供对所述数据的回顾式分析并且确定基础率的全局胰岛素泵设置（或者基础方案）、校正因数（CF）、碳水化合物比例（CR）和胰岛素活性曲线参数中的至少一个，其中所述处理器装置用于通过处理与所述特定时段的选择的时隙相对应的所述接收到的数据的数据段来确定上述参数中的每一个参数。获得与所选择的时间相对应的数据的方式以上已经关于初始数据分析和选择进行了引用。
无监管控制器进行的分析因而可以包括划分所存储的数据或者原始日志数据输入，因而获得在预定时间窗口内的存储数据。在预定时间窗口是基础数据片段（BaS）的情况下，被选择的计算出的胰岛素泵设置是基础率或者基础方案。在预定时间窗口是进食数据片段（MS）的情况下，从活性胰岛素函数（AIF）、校正因数（CF）或者碳水化合物比例（CR）选择计算出的胰岛素泵设置。在此情况下，预定时间窗口是推注数据片段（BS），从校正因数（CF）或者活性胰岛素函数（AIF）选择计算出的胰岛素泵设置。
在一些实施方式中，系统（或者装置）100或者无监管学习控制器110被配置成用于进行无监管学习回顾式分析过程或者方法中的至少一个，例如，方法200、300、400、500或者600中的方法和过程。无监管学习过程应被理解为从以上定义的原始日志数据确定胰岛素泵设置在得到最终计算出的分析期间无需人工参与的过程。无监管学习控制器100仅仅需要在被治疗的患者的每天例程活动期间积累原始数据而没有任何特殊过程需要。在这个方面，原始日志数据是在患者的规律例程活动期间进行的日志记录，而不考虑任何与具体患者或者医生有关的假设的测试或者其它预想的假设（即，允许独立于用户的过程/方法或者允许用户协作/参与的分析的无监管控制器）。
还提供一种计算机程序，可选地可记录在存储介质上并且包括机器可读格式，该计算机程序被配置成用于当被访问时进行无监管学习回顾式分析过程或者方法中的至少一个，例如，方法200、300、400、500或者600的过程或者方法。在一些实施方式中，计算机程序被配置成用于进行识别对应于特定时段的原始日志数据，并且包括葡萄糖测量值、进食事件和胰岛素输注；确定所述原始日志数据的信息性数据段和残余日志数据；选择所述信息性数据段并且从其计算基础率、校正因数（CF）、碳水化合物比例（CR）和胰岛素活性曲线参数中的至少一个，并且产生包括针对全局胰岛素泵设置的值的输出数据。
术语处理器模块和微/处理器单元在此可互换地使用，并且还指代设计用于使用对指令响应并且处理指令并且驱动计算机的逻辑电路来进行算术或者逻辑运算的计算机系统、状态机、处理器等。
在一个实施方式中，该装置是胰岛素泵。在一些实施方式中，该装置提供针对用户的闭环胰岛素管理。无监管控制单元可以自动确定胰岛素泵设置，诸如基础率（或者基础方案）、校正因数（CF）、碳水化合物比例（CR）和胰岛素活性曲线参数中的至少一个。
本发明的技术和系统可以在多种计算或者处理环境中应用，诸如基于计算机或者处理的环境。可以用软件和硬件的组合实现该技术。可以在如以上描述的诸如被配置成获得原始日志数据的静止计算机的可编程机器上执行的程序中实现该技术。可以用类似装置实现该技术，包括处理器、可被处理器读取的存储介质、用于管理原始日志数据的至少一个输入装置、以及确定胰岛素泵设置的一个或者更多个输出装置。程序代码被施加到使用输入装置输入的数据，以实现此处描述的技术并且产生输出信息。输出信息可以接着被施加到一个或者更多个输出装置。
每个程序可以按照高级别过程或者面向对象编程语言实现以与基于处理的系统通信。然而，如果希望，程序则可以按照汇编语言或者机器语言实现。
在其它实施方式中，可以在网络计算系统和/或环境中利用本发明的方法和系统。多个计算机系统应经过网络耦合到一起，诸如局域网（LAN）、广域网（WAN）或者因特网。本发明的每个方法或者技术，诸如200、300、400、500或者600，作为整体或者其功能步骤，可以因而被远程网络计算机或者多个的组合实现。因而，可以经过计算机网络提供和连接系统100的任何功能部分。通过非限制示例，系统可以是远程的，从而可选地向网络用户通过网络提供胰岛素泵设置。另外，无监管处理器模块还可以通过网格远程地提供处理器服务。在这个方面，服务涉及诸如方法200、300、400、500或者600的服务。
在一些实施方式中，系统（或者装置）100包括划分模块。在一些实施方式中，无监管学习控制器110包括划分模块。
在一些实施方式中，系统（或者装置）100包括基础方案模块。在一些实施方式中，无监管学习控制器110包括基础方案模块。
在一些实施方式中，系统（或者装置）100包括碳水化合物比例模块。在一些实施方式中，无监管学习控制器110包括碳水化合物比例模块。
在一些实施方式中，系统（或者装置）100包括AIF模块。在一些实施方式中，无监管学习控制器110包括AIF模块。
在一些实施方式中，系统（或者装置）100包括CF模块。在一些实施方式中，无监管学习控制器110包括CF模块。
在一个实施方式中，提供用于糖尿病治疗管理的监视系统从而被部署在允许通过网络与用户通信的诸如服务器的网络计算机上。监视系统包括通信接口，该通信接口被配置成用于允许对所存储的经过特定时间获得的并且指示葡萄糖测量值、进食事件和胰岛素输注的原始日志数据进行存取。原始日志数据输入因而可以通过网络传递到服务器。可以采用将原始日志数据输入整个地或者部分地上传到监视系统的形式。系统还包括控制单元，该控制单元包括无监管学习控制器（或者模块）被配置成用于接收和处理原始日志数据，以从所述原始日志数据的残余日志数据部分确定信息性数据段，以及选择所述信息性数据段以便进行处理以确定基础率或者基础方案、校正因数（CF）、碳水化合物比例（CR）和胰岛素活性曲线参数中的至少一个，并且产生胰岛素泵设置。
每个这种程序可以存储在存储介质或者装置上，例如光盘只读存储器（CD-ROM）、硬盘、磁带、或者类似的介质或者装置，该存储介质或者装置可被通用或者专用可编程机器读取，以便当存储介质或者装置被计算机读取时配置和操作机器，以执行本文件中描述的过程。该系统还可以实现为机器可读存储介质，被配置有程序，其中该存储介质被配置成使机器按照特定和预定方式操作。
如在本说明书和权利需要书中使用的并且根据专利法实践，单数形式“一”、“一个”和“该”通常表示“至少一个”、“一个或者更多个”和其它复数引用除非上下文清楚地相反指示。
在说明书和以下的权利需要书中，除非上下文相反地需要，措辞“包括”以及“包含”应理解为暗含包括所声称的部件或者步骤或者部件或者步骤的组，但是不排除任何其它部件或者步骤或者部件或者步骤的组。
此外，全部数量值（例如，当引用诸如时间窗口、时间戳、葡萄糖测量值或者胰岛素剂量等条件时）是近似的，从声称的值偏差达（+）或者（-）20%，有时达（+）或者（-）10%。应理解对此理解，即使不总是明确陈述全部数量值都跟在术语“约”后面。另外，本发明的所计算出的参数可以修改或者改变为其近似值，改变达（+）或者（-）20%。
下面将在根据本发明执行的非限定示例中举例本发明。应理解的是这些示例旨在为例示而不是限制。明显地，鉴于以上教导，这些示例可以有很多修改和变化。因此，应理解在所附的权利需要的范围内，可以按照与以下具体描述的不同的可能方式实施本发明。

Claims (45)

1.一种用于糖尿病治疗管理的监视系统，该监视系统包括：
通信接口，其被配置成用于允许对所存储的经过特定时间而获得的并且是葡萄糖测量值、进食和胰岛素输注的时间上隔开的数据点的原始日志数据进行存取；
控制单元，其包括无监管学习控制器，所述无监管学习控制器被配置成用于接收和处理所述原始日志数据，以从所述原始日志数据的残余日志数据部分确定信息性数据段，并且选择所述信息性数据段以便进行回顾式分析以计算基础率、校正因数（CF）、碳水化合物比例（CR）和胰岛素活性曲线参数中的至少一个全局胰岛素泵设置。
2.根据权利要求1所述的系统，其中，根据预编程的采样模式来获取所述原始日志数据。
3.根据权利要求1所述的系统，其中，所述无监管学习控制器被配置成用于从与所述特定时间中的所选择的时隙相对应的所述信息性数据段的一部分确定所述参数中的每一个参数。
4.根据权利要求1所述的系统，其中，所述无监管学习控制器被配置成用于分析所述信息性数据段并且选择所述特定时间中的时隙以计算所述参数中的每一个参数。
5.根据权利要求1至4中任意一项所述的系统，其中，不考虑任何用户交互，所接收到的原始日志数据对应于在存取时间处的存储图像。
6.一种用于糖尿病治疗管理的监视系统，该监视系统包括：
通信接口，其被配置成用于允许对所存储的作为葡萄糖测量值、进食和胰岛素输注的时间上隔开的数据点的数据进行存取；
控制单元，其包括数据处理器装置，用于回顾式分析所述数据并且确定基础率、校正因数（CF）、碳水化合物比例（CR）和胰岛素活性曲线参数中的至少一个全局胰岛素泵设置，其中，所述处理器装置用于通过处理与所述特定时段中的所选择的时隙相对应的所述接收到的数据的数据段来确定所述参数中的每一个参数。
7.根据权利要求5所述的系统，其中，所述处理器装置被配置成用于分析所接收到的数据并且选择所述特定时段中的时隙以确定所述参数中的每一个参数。
8.根据权利要求5或者6所述的方法，其中，所述控制单元包括控制器，所述控制器与所述通信接口相关联并且被编程为根据预定采样时间模式来接收所述数据。
9.根据权利要求5至7中任意一项所述的系统，其中，不考虑任何用户交互，接收到的所存储的数据对应于在存取时间处的存储图像。
10.根据权利要求1所述的系统，该系统包括存储器模块，所述存储器模块被配置成用于保持所述存储的数据。
11.根据权利要求1所述的系统，其中，所述分析包括对所述存储的数据进行划分；因而获得在预定时间窗口内的所存储的数据。
12.根据权利要求3所述的系统，其中，所述预定时间窗口是基础数据片段（BaS）并且所述胰岛素泵设置是基础率。
13.根据权利要求3所述的系统，其中，所述预定时间窗口是进食数据片段（MS），并且从活性胰岛素函数（AIF）、校正因数（CF）或者碳水化合物比例（CR）选择所述胰岛素泵设置。
14.根据权利要求3所述的系统，其中，所述预定时间窗口是推注数据片段（BS）并且从校正因数（CF）或者活性胰岛素函数（AIF）中选择所述胰岛素泵设置。
15.根据权利要求1所述的系统，其中，所存储的数据是从遥控器获得的。
16.根据权利要求15所述的系统，其中，所存储的数据是能够经过独立于用户操作的异步操作而被存取的。
17.根据权利要求1所述的系统，其中，所存储的数据是独立地积累所述信息的遥控器的存储图像。
18.根据权利要求1所述的系统，其中，所存储的数据是从随着时间独立地积累所述信息的遥控器获得的。
19.根据权利要求1所述的系统，其中，所述指示葡萄糖传感器读数、胰岛素输注和进食记录的信息是从独立地积累所述信息的遥控器获得的文件。
20.根据权利要求1所述的系统，其中，所存储的数据在文件中解码。
21.根据权利要求11所述的系统，其中，所述文件被从网络下载并且存储在存储器模块中。
22.一种用于确定胰岛素泵设置的方法，该方法包括以下步骤：
进行对胰岛素泵设置的无监管学习，所述无监管学习包括以下操作：
（a）获得在记录了单个被治疗的患者沿着特定时间窗口的葡萄糖水平的一个或者更多个葡萄糖监视单元上积累的原始日志数据输入；
（b）从被划分为数据片段的原始日志数据输入确定信息性数据段，所述信息性数据段是从所述数据片段确定的；以及
（c）从所述信息性数据段计算全局胰岛素泵设置，其中，所述设置包括基础方案、碳水化合物比例（CR）、校正因数（CF）或者活性胰岛素函数（AIF）中的至少一个参数。
23.根据权利要求22所述的方法，该方法包括以下步骤：将所述原始日志数据划分为预定的数据片段。
24.根据权利要求22所述的方法，其中，所述数据片段是基础片段（BaS）、推注片段（BS）或者进食片段（MS）中的一个。
25.根据权利要求22所述的方法，该方法还包括：沿着共享的时间轴对准所述原始日志数据输入的多个数据部分。
26.根据权利要求23所述的方法，其中，所述数据部分是基础时段。
27.根据权利要求25所述的方法，该方法包括以下步骤：确定代表性数据点，所述代表性数据点既包括聚集的血液葡萄糖水平的值又包括时间戳；所述代表性数据点配对到所选择的基础时段；所述代表性数据点指示针对所选择的基础时段确定的基础率。
28.根据权利要求24所述的方法，其中，所述基础片段（BaS）的所述原始日志数据输入包括作为时间的函数的一系列基础率；该方法包括以下步骤：确定在所述基础片段（BaS）处作为被治疗的患者的特征的时间延迟，所述时间延迟在基础治疗率和所述葡萄糖水平的变化之间；获得输注时间的多个所选择的基础率、在从所述输注时间测量到的时间延迟处的各个配对的葡萄糖水平；从多个所选择的基础率中确定使葡萄糖水平的变化最小化的作为结果的基础率。
29.根据权利要求22所述的方法，该方法包括通过执行以下方法确定活性胰岛素函数（AIF）：
（a）获得针对所述时间片段中的原始日志数据的葡萄糖测量值的集合以及配对的时间戳；
（b）对所述集合的每一个葡萄糖测量值进行归一化，因而获得一系列经归一化的葡萄糖测量值和配对的时间戳；
（c）把所述经归一化的葡萄糖测量值和配对的时间戳处理为大致单调的非递增级数；因而获得所述活性胰岛素函数（AIF）。
30.根据权利要求22所述的方法，其中，从来自MS片段的原始日志数据输入获得碳水化合物比例（CR）。
31.根据权利要求30所述的方法，其中，根据被定义为针对MS片段的摄取的碳水化合物与所输注的胰岛素的比例的实际碳水化合物比例（pracCR）来计算所述碳水化合物比例（CR）。
32.根据权利要求30所述的方法，该方法包括以下步骤：确定针对所述MS片段的多个葡萄糖水平和配对的实际碳水化合物比例；所述配对的实际碳水化合物比例是限定了曲线的候选碳水化合物比例。
33.根据权利要求31所述的方法，其中，从候选的实际碳水化合物比例确定所述碳水化合物（CR）设置。
34.根据权利要求31所述的方法，其中，通过计算即时AIF设置以估计所述MS片段中的活性胰岛素来计算针对进食的碳水化合物比例（CR）。
35.根据权利要求32所述的方法，其中，通过选择拟合配对的实际碳水化合物比例的曲线的函数来确定碳水化合物比例（CR）设置。
36.根据权利要求32所述的方法，其中，通过多数投票过程确定碳水化合物比例（CR）设置。
37.根据权利要求22所述的方法，其中，从MS片段的原始日志数据输入确定针对进食的校正因数（CF）。
38.根据权利要求36所述的方法，其中，通过处理AIF以估计所述MS片段中的活性胰岛素和即时碳水化合物比例（CR），来计算针对进食的校正因数（CF）。
39.根据权利要求22所述的方法，其中，从BS片段的原始日志数据输入确定非进食校正因数（CF）。
40.根据权利要求22所述的方法，其中，根据以下参数来修改所述校正因数（CF）：
在时间窗口或者片段期间的最小传感器读数、在迫近低血糖和低血糖时段之外记录的最低血液葡萄糖读数之间的比例；以及
在获得最小传感器读数之前的时隙中的最大传感器读数。
41.根据权利要求22所述的方法，其中，多个候选校正因数（CF）被确定并且通过投票过程确定校正因数（CF）设置。
42.根据权利要求22所述的方法，其中，通过上传所述原始日志数据输入以使得能够把所述原始日志数据输入传递到无监管学习控制器，来进行所述获得原始日志数据输入的操作。
43.一种用于确定用于患者的胰岛素治疗的活性胰岛素函数（AIF）的方法，该方法包括以下步骤：
（a）获得经过特定时间而获得的并且指示了所述患者的葡萄糖测量值的原始日志数据，所述原始日志数据被划分，包含有在时间片段处获得的数据，
（b）获得针对所述时间片段中的原始日志数据的葡萄糖测量值的集合以及配对的时间戳；
（c）对所述集合的每一个葡萄糖测量值进行归一化，因而获得一系列经归一化的葡萄糖测量值和配对的时间戳；
（d）把所述经归一化的葡萄糖测量值和配对的时间戳处理为大致单调的非递增级数；因而获得所述活性胰岛素函数（AIF）。
44.一种用于糖尿病治疗管理的控制单元，该控制单元包括：数据处理器装置，其被配置用作无监管学习控制器，所述无监管学习控制器被预编程用于处理经过特定时间而获得的并且指示了葡萄糖测量值、进食事件和胰岛素输注的原始日志数据输入，所述处理包括以从所述原始日志数据的残余日志数据部分确定信息性数据段，以及选择所述信息性数据段以便进一步处理以计算基础率、校正因数（CF）、碳水化合物比例（CR）和胰岛素活性曲线参数中的至少一个，并且产生全局胰岛素泵设置。
45.一种可记录在存储介质上并且包括机器可读格式的计算机程序，该计算机程序被配置成用于当被访问时，进行以下操作：识别与特定时段对应的并且包括葡萄糖测量值、进食事件和胰岛素输注的原始日志数据输入；确定所述原始日志数据的信息性数据段和残余日志数据；选择所述信息性数据段并且从所述信息性数据段计算基础率、校正因数（CF）、碳水化合物比例（CR）和胰岛素活性曲线参数中的至少一个，并且产包括针对全局胰岛素泵设置的值的输出数据。
CN2010800535961A 2009-09-30 2010-08-24 管理胰岛素输注的监视装置 Pending CN102667787A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US24701709P 2009-09-30 2009-09-30
US61/247,017 2009-09-30
US30087410P 2010-02-03 2010-02-03
US61/300,874 2010-02-03
PCT/IL2010/000686 WO2011039741A1 (en) 2009-09-30 2010-08-24 Monitoring device for mangement of insulin delivery

Publications (1)

Publication Number Publication Date
CN102667787A true CN102667787A (zh) 2012-09-12

Family

ID=43057213

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2010800535961A Pending CN102667787A (zh) 2009-09-30 2010-08-24 管理胰岛素输注的监视装置

Country Status (10)

Country Link
US (2) US8954373B2 (zh)
EP (1) EP2483824B1 (zh)
JP (1) JP5728767B2 (zh)
KR (1) KR20120102048A (zh)
CN (1) CN102667787A (zh)
AU (1) AU2010302266A1 (zh)
CA (1) CA2776007A1 (zh)
DK (1) DK2483824T3 (zh)
IL (1) IL218878A0 (zh)
WO (1) WO2011039741A1 (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103418053A (zh) * 2013-07-24 2013-12-04 上海中医药大学附属龙华医院 个体化胰岛素治疗泵及其基础输注率优化方法
CN104885086A (zh) * 2012-12-20 2015-09-02 安尼马斯公司 对人工胰腺进行混合式“控制到目标”和“控制到范围”模型预测控制的方法和系统
CN105849768A (zh) * 2013-11-28 2016-08-10 富士胶片株式会社 诊疗信息处理装置、方法及程序
CN106456064A (zh) * 2014-01-31 2017-02-22 波士顿大学董事会 基于在前时期的离线葡萄糖控制
CN109890268A (zh) * 2016-10-21 2019-06-14 豪夫迈·罗氏有限公司 用于在治疗窗口期间强调分析物值的方法
CN110352460A (zh) * 2016-10-13 2019-10-18 法国国家科学研究中心 人工胰腺
CN110402156A (zh) * 2017-02-03 2019-11-01 弗吉尼亚大学专利基金会 以回顾性虚拟基础率控制胰岛素递送的方法、系统和计算机可读介质
US10940267B2 (en) 2019-07-16 2021-03-09 Beta Bionics, Inc. Blood glucose control system with real-time glycemic control optimization
US11154656B2 (en) 2019-07-16 2021-10-26 Beta Bionics, Inc. Blood glucose control system with medicament bolus recommendation
CN113940627A (zh) * 2013-08-05 2022-01-18 海吉雅有限公司 减轻糖毒性和恢复胰岛β细胞功能的系统、装置和方法
US11744945B2 (en) 2015-08-07 2023-09-05 Trustees Of Boston University Glucose control system with automatic adaptation of glucose target
US11957876B2 (en) 2019-07-16 2024-04-16 Beta Bionics, Inc. Glucose control system with automated backup therapy protocol generation

Families Citing this family (59)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9220456B2 (en) * 2008-04-04 2015-12-29 Hygieia, Inc. Systems, methods and devices for achieving glycemic balance
US7959598B2 (en) 2008-08-20 2011-06-14 Asante Solutions, Inc. Infusion pump systems and methods
CN102474443B (zh) 2009-09-08 2015-05-13 艾伯特糖尿病护理公司 在不受控制数据处理设备上容纳安全关键应用程序的方法和制品
WO2013023014A1 (en) * 2011-08-11 2013-02-14 Scherb Cliff System and method for determining an amount of insulin to administer to a diabetic patient
US20140149329A1 (en) * 2012-04-19 2014-05-29 Stephen Shaw Near real time blood glucose level forecasting
US20130321425A1 (en) 2012-06-05 2013-12-05 Dexcom, Inc. Reporting modules
KR101981836B1 (ko) * 2012-08-24 2019-05-23 에프. 호프만-라 로슈 아게 정정 식사 상승 값을 결정하는 방법
US9897565B1 (en) * 2012-09-11 2018-02-20 Aseko, Inc. System and method for optimizing insulin dosages for diabetic subjects
US9833191B2 (en) 2012-11-07 2017-12-05 Bigfoot Biomedical, Inc. Computer-based diabetes management
JP6166904B2 (ja) * 2013-01-25 2017-07-19 テルモ株式会社 血糖計
US9561324B2 (en) 2013-07-19 2017-02-07 Bigfoot Biomedical, Inc. Infusion pump system and method
US10569015B2 (en) 2013-12-02 2020-02-25 Bigfoot Biomedical, Inc. Infusion pump system and method
US9486580B2 (en) * 2014-01-31 2016-11-08 Aseko, Inc. Insulin management
CA2950966C (en) 2014-06-10 2019-07-09 Bigfoot Biomedical, Inc. Insulin delivery systems and methods
WO2016069475A1 (en) * 2014-10-27 2016-05-06 Aseko, Inc. Subcutaneous outpatient management
US9878097B2 (en) 2015-04-29 2018-01-30 Bigfoot Biomedical, Inc. Operating an infusion pump system
EP3298520A1 (en) * 2015-05-18 2018-03-28 Dexcom, Inc. Simulation model of type 1 diabetic patient decision-making
KR101600379B1 (ko) * 2015-08-03 2016-03-07 (주) 비비비 당뇨병 환자를 위한 혈당 관리 방법
US10463297B2 (en) * 2015-08-21 2019-11-05 Medtronic Minimed, Inc. Personalized event detection methods and related devices and systems
EP3359039B1 (en) * 2015-10-09 2021-07-14 Dianovator AB Medical arrangements and a method for determining parameters related to insulin therapy, predicting glucose values and for providing insulin dosing recommendations
US10569016B2 (en) * 2015-12-29 2020-02-25 Tandem Diabetes Care, Inc. System and method for switching between closed loop and open loop control of an ambulatory infusion pump
US10449294B1 (en) * 2016-01-05 2019-10-22 Bigfoot Biomedical, Inc. Operating an infusion pump system
US10987468B2 (en) * 2016-01-05 2021-04-27 Bigfoot Biomedical, Inc. Operating multi-modal medicine delivery systems
EP3453414A1 (en) 2016-01-14 2019-03-13 Bigfoot Biomedical, Inc. Adjusting insulin delivery rates
CA3017255C (en) 2016-05-02 2023-10-24 Dexcom, Inc. System and method for providing alerts optimized for a user
US20170332952A1 (en) * 2016-05-23 2017-11-23 Bigfoot Biomedical, Inc. Insulin delivery system and methods with risk based set points
US11883630B2 (en) 2016-07-06 2024-01-30 President And Fellows Of Harvard College Event-triggered model predictive control for embedded artificial pancreas systems
JP6999648B2 (ja) * 2016-08-17 2022-01-18 ノボ・ノルデイスク・エー／エス インスリン投薬計画における基礎／ボーラス比を調節するためのシステムおよび方法
WO2018077835A1 (en) * 2016-10-31 2018-05-03 Novo Nordisk A/S Systems and methods for estimating the risk of a future hypoglycemic event
EP3532958B1 (en) 2016-10-31 2024-03-27 Novo Nordisk A/S Systems and methods for estimating the risk of a future hypoglycemic event
US10854324B2 (en) 2016-12-21 2020-12-01 Medtronic Minimed, Inc. Infusion systems and methods for prospective closed-loop adjustments
US10583250B2 (en) 2017-01-13 2020-03-10 Bigfoot Biomedical, Inc. System and method for adjusting insulin delivery
US10500334B2 (en) 2017-01-13 2019-12-10 Bigfoot Biomedical, Inc. System and method for adjusting insulin delivery
US10610644B2 (en) 2017-01-13 2020-04-07 Bigfoot Biomedical, Inc. Insulin delivery methods, systems and devices
WO2018132765A1 (en) 2017-01-13 2018-07-19 Mazlish Bryan Insulin delivery methods, systems and devices
US10881793B2 (en) 2017-01-13 2021-01-05 Bigfoot Biomedical, Inc. System and method for adjusting insulin delivery
US10758675B2 (en) 2017-01-13 2020-09-01 Bigfoot Biomedical, Inc. System and method for adjusting insulin delivery
USD853583S1 (en) 2017-03-29 2019-07-09 Becton, Dickinson And Company Hand-held device housing
EP3618713B1 (en) 2017-05-05 2021-12-15 Eli Lilly and Company Closed loop control of physiological glucose
CN111542884B (zh) 2017-12-21 2024-03-15 益首药物治疗股份公司 生理葡萄糖的闭环控制
US11389596B2 (en) * 2018-01-12 2022-07-19 Becton, Dickinson And Company Smart vial adapter and method
US11723560B2 (en) 2018-02-09 2023-08-15 Dexcom, Inc. System and method for decision support
JP6763897B2 (ja) * 2018-02-22 2020-09-30 京セラ株式会社 電子機器、推定システム、推定方法及び推定プログラム
CN112313754A (zh) 2018-06-22 2021-02-02 伊莱利利公司 胰岛素和普兰林肽输送系统、方法和设备
EP3598453A1 (en) * 2018-07-15 2020-01-22 mySugr GmbH Method for detecting issues in the basal rate in insulin treated diabetes patients
US11464908B2 (en) * 2019-02-18 2022-10-11 Tandem Diabetes Care, Inc. Methods and apparatus for monitoring infusion sites for ambulatory infusion pumps
US20220254472A1 (en) * 2019-07-09 2022-08-11 President And Fellows Of Harvard College Iterative learning control with sparse measurements for insulin injections in people with type 1 diabetes
US11992656B2 (en) 2019-08-29 2024-05-28 Medtronic Minimed, Inc. Controlling medical infusion device operation and features based on detected patient sleeping status
US11786655B2 (en) 2019-12-13 2023-10-17 Medtronic Minimed, Inc. Context-sensitive predictive operation of a medication delivery system in response to gesture-indicated activity changes
US11938301B2 (en) 2019-12-13 2024-03-26 Medtronic Minimed, Inc. Controlling medication delivery system operation and features based on automatically detected muscular movements
WO2021119549A1 (en) 2019-12-13 2021-06-17 Medtronic Minimed, Inc. Method and system for training a mathematical model of a user based on data received from a discrete insulin therapy system
CA3171017A1 (en) * 2020-03-20 2021-09-23 Shiping Liu Systems and methods for analyzing, interpreting, and acting on continuous glucose monitoring data
US11931548B2 (en) * 2020-08-26 2024-03-19 Anas EL FATHI Method and system for determining optimal and recommended therapy parameters for diabetic subject
IL278675B2 (en) * 2020-11-12 2024-04-01 Dreamed Diabetes Ltd Method and system for automatic monitoring of diabetes treatments based on insulin injections
EP4075444A1 (en) * 2021-04-14 2022-10-19 Roche Diabetes Care GmbH Method and means for postprandial blood glucose level prediction
US20230113755A1 (en) * 2021-10-12 2023-04-13 Tandem Diabetes Care, Inc. Systems and methods for delayed meal boluses in automated insulin delivery
KR102659042B1 (ko) * 2022-02-07 2024-04-22 주식회사 지투이 플랫폼 기반의 스마트 인슐린 펜 제어 방법 및 기록매체
KR102659038B1 (ko) * 2022-02-07 2024-04-22 주식회사 지투이 플랫폼 기반의 인슐린펌프 제어 방법 및 기록매체
CN116439698B (zh) * 2023-03-31 2023-12-15 中南大学 一种重症监护室血糖监测预警方法、系统及设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101214373A (zh) * 2007-12-26 2008-07-09 珠海福尼亚医疗设备有限公司 餐前胰岛素用量控制方法
WO2008135329A1 (en) * 2007-05-03 2008-11-13 Novo Nordisk A/S Safety system for insulin delivery advisory algoritms
WO2009002620A1 (en) * 2007-06-27 2008-12-31 F. Hoffman-La Roche Ag System and method for developing patient specific therapies based on modeling of patient physiology

Family Cites Families (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US509784A (en) 1893-11-28 Alexander jvurts
US5956501A (en) * 1997-01-10 1999-09-21 Health Hero Network, Inc. Disease simulation system and method
FR2748588B1 (fr) * 1996-05-07 1998-08-07 Soc Et Tech Set Dispositif comportant au moins un reseau de neurones pour determiner la quantite d'une substance a administrer a un patient, notamment de l'insuline
US6558351B1 (en) * 1999-06-03 2003-05-06 Medtronic Minimed, Inc. Closed loop system for controlling insulin infusion
EP1025530A2 (en) * 1997-10-31 2000-08-09 Amira Medical Analyte concentration information collection and communication s ystem
US7806886B2 (en) 1999-06-03 2010-10-05 Medtronic Minimed, Inc. Apparatus and method for controlling insulin infusion with state variable feedback
US6572542B1 (en) 2000-03-03 2003-06-03 Medtronic, Inc. System and method for monitoring and controlling the glycemic state of a patient
US6572545B2 (en) 2000-09-22 2003-06-03 Knobbe, Lim & Buckingham Method and apparatus for real-time control of physiological parameters
US6544212B2 (en) 2001-07-31 2003-04-08 Roche Diagnostics Corporation Diabetes management system
US7176278B2 (en) * 2001-08-30 2007-02-13 Biorexis Technology, Inc. Modified transferrin fusion proteins
US8504179B2 (en) 2002-02-28 2013-08-06 Smiths Medical Asd, Inc. Programmable medical infusion pump
US7404796B2 (en) * 2004-03-01 2008-07-29 Becton Dickinson And Company System for determining insulin dose using carbohydrate to insulin ratio and insulin sensitivity factor
US8233959B2 (en) 2003-08-22 2012-07-31 Dexcom, Inc. Systems and methods for processing analyte sensor data
JP2005267364A (ja) * 2004-03-19 2005-09-29 Asahi Kasei Medical Co Ltd 治療支援システム
US8313433B2 (en) * 2004-08-06 2012-11-20 Medtronic Minimed, Inc. Medical data management system and process
US7547281B2 (en) 2005-02-01 2009-06-16 Medtronic Minimed, Inc. Algorithm sensor augmented bolus estimator for semi-closed loop infusion system
US7806854B2 (en) 2005-05-13 2010-10-05 Trustees Of Boston University Fully automated control system for type 1 diabetes
US20060272652A1 (en) * 2005-06-03 2006-12-07 Medtronic Minimed, Inc. Virtual patient software system for educating and treating individuals with diabetes
NL1030272C1 (nl) 2005-10-26 2007-04-27 Variak Inrichting voor het automatisch reguleren van de concentratie van glucose in het bloed van een diabetes-patient.
US10410308B2 (en) 2006-04-14 2019-09-10 Fuzzmed, Inc. System, method, and device for personal medical care, intelligent analysis, and diagnosis
US8548544B2 (en) * 2006-06-19 2013-10-01 Dose Safety System, method and article for controlling the dispensing of insulin
US9056165B2 (en) * 2006-09-06 2015-06-16 Medtronic Minimed, Inc. Intelligent therapy recommendation algorithm and method of using the same
US7734323B2 (en) 2007-01-24 2010-06-08 Smiths Medical Asd, Inc. Correction factor testing using frequent blood glucose input
US20080206799A1 (en) 2007-02-27 2008-08-28 Michael Blomquist Carbohydrate ratio testing using frequent blood glucose input
US20080228056A1 (en) * 2007-03-13 2008-09-18 Michael Blomquist Basal rate testing using frequent blood glucose input
US20080235053A1 (en) * 2007-03-20 2008-09-25 Pinaki Ray Communication medium for diabetes management
US20080269723A1 (en) * 2007-04-25 2008-10-30 Medtronic Minimed, Inc. Closed loop/semi-closed loop therapy modification system
US7751907B2 (en) * 2007-05-24 2010-07-06 Smiths Medical Asd, Inc. Expert system for insulin pump therapy
WO2009075925A1 (en) * 2007-12-13 2009-06-18 Shaya Steven A Method and apparatus to calculate diabetic sensitivity factors affecting blood glucose
CA2752637A1 (en) 2009-02-26 2010-09-02 Eran Atlas Method and system for automatic monitoring of diabetes related treatments

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008135329A1 (en) * 2007-05-03 2008-11-13 Novo Nordisk A/S Safety system for insulin delivery advisory algoritms
WO2009002620A1 (en) * 2007-06-27 2008-12-31 F. Hoffman-La Roche Ag System and method for developing patient specific therapies based on modeling of patient physiology
CN101214373A (zh) * 2007-12-26 2008-07-09 珠海福尼亚医疗设备有限公司 餐前胰岛素用量控制方法

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104885086A (zh) * 2012-12-20 2015-09-02 安尼马斯公司 对人工胰腺进行混合式“控制到目标”和“控制到范围”模型预测控制的方法和系统
US9907909B2 (en) 2012-12-20 2018-03-06 Animas Corporation Method and system for a hybrid control-to-target and control-to-range model predictive control of an artificial pancreas
CN103418053A (zh) * 2013-07-24 2013-12-04 上海中医药大学附属龙华医院 个体化胰岛素治疗泵及其基础输注率优化方法
CN113940627A (zh) * 2013-08-05 2022-01-18 海吉雅有限公司 减轻糖毒性和恢复胰岛β细胞功能的系统、装置和方法
CN105849768A (zh) * 2013-11-28 2016-08-10 富士胶片株式会社 诊疗信息处理装置、方法及程序
CN106456064A (zh) * 2014-01-31 2017-02-22 波士顿大学董事会 基于在前时期的离线葡萄糖控制
US10543313B2 (en) 2014-01-31 2020-01-28 Trustees Of Boston University Glucose level control system with offline control based on preceding periods of online control
US11744945B2 (en) 2015-08-07 2023-09-05 Trustees Of Boston University Glucose control system with automatic adaptation of glucose target
CN110352460A (zh) * 2016-10-13 2019-10-18 法国国家科学研究中心 人工胰腺
CN109890268A (zh) * 2016-10-21 2019-06-14 豪夫迈·罗氏有限公司 用于在治疗窗口期间强调分析物值的方法
US11179517B2 (en) 2017-02-03 2021-11-23 University Of Virginia Patent Foundation Method, system, and computer readable medium for controlling insulin delivery using retrospective virtual basal rates
CN110402156A (zh) * 2017-02-03 2019-11-01 弗吉尼亚大学专利基金会 以回顾性虚拟基础率控制胰岛素递送的方法、系统和计算机可读介质
US12017045B2 (en) 2017-02-03 2024-06-25 University Of Virginia Patent Foundation Method, system, and computer readable medium for controlling insulin delivery using retrospective virtual basal rates
US10960137B2 (en) 2019-07-16 2021-03-30 Beta Bionics, Inc. Blood glucose control system with automated backup therapy protocol generation
US11116902B2 (en) 2019-07-16 2021-09-14 Beta Bionics, Inc. Blood glucose control system with control parameter modification
US11154656B2 (en) 2019-07-16 2021-10-26 Beta Bionics, Inc. Blood glucose control system with medicament bolus recommendation
US10940267B2 (en) 2019-07-16 2021-03-09 Beta Bionics, Inc. Blood glucose control system with real-time glycemic control optimization
US11744947B2 (en) 2019-07-16 2023-09-05 Beta Bionics, Inc. Glucose control system with control parameter modification
US11766518B2 (en) 2019-07-16 2023-09-26 Beta Bionics, Inc. Glucose level control system with control parameter modification
US11941392B2 (en) 2019-07-16 2024-03-26 Beta Bionics, Inc. Ambulatory medical device with malfunction alert prioritization
US11957876B2 (en) 2019-07-16 2024-04-16 Beta Bionics, Inc. Glucose control system with automated backup therapy protocol generation

Also Published As

Publication number Publication date
US9507917B2 (en) 2016-11-29
DK2483824T3 (da) 2017-11-27
AU2010302266A1 (en) 2012-04-19
US20120246106A1 (en) 2012-09-27
EP2483824A1 (en) 2012-08-08
IL218878A0 (en) 2012-06-28
JP5728767B2 (ja) 2015-06-03
CA2776007A1 (en) 2011-04-07
EP2483824B1 (en) 2017-08-16
US20150134356A1 (en) 2015-05-14
JP2013526887A (ja) 2013-06-27
KR20120102048A (ko) 2012-09-17
WO2011039741A1 (en) 2011-04-07
US8954373B2 (en) 2015-02-10

Similar Documents

Publication Publication Date Title
CN102667787A (zh) 管理胰岛素输注的监视装置
US11744947B2 (en) Glucose control system with control parameter modification
US11158413B2 (en) Personalized closed loop medication delivery system that utilizes a digital twin of the patient
EP2516671B1 (en) Systems for managing drug delivery devices
US8690820B2 (en) Automatic insulin pumps using recursive multivariable models and adaptive control algorithms
RU2014111290A (ru) Способ, система и машиночитаемый носитель для адаптационного рекомендательного контроля сахарного диабета
CN108495665A (zh) 调整胰岛素输送速率
US20190385721A1 (en) Receiving insulin therapy information related to insulin-based management of a person with diabetes (pwd)
CN102576381A (zh) 用于处理一组数据值的装置和方法
US20210213200A1 (en) Glucose control system with automated backup therapy protocol generation
KR102556582B1 (ko) 환자의 혈당치 조절용 자동화 시스템
US20180296142A1 (en) Medical arrangements and a method for determining parameters related to insulin therapy, predicting glucose values and for providing insulin dosing recommendations
WO2021067856A1 (en) Blood glucose control system
US20150073754A1 (en) Method and system for calculating indices for diabetes control
Andersen et al. Optimum bolus wizard settings in insulin pumps in children with Type 1 diabetes
CN117280423A (zh) 用于餐后血糖水平预测的方法和装置
US20220199213A1 (en) Bolus advisor with correction boluses based on risk, carb-free bolus recommender, and meal acknowledgement
IL278675A (en) Method and system for automatic monitoring of diabetes treatments based on insulin injections
EP4268236A1 (en) Bolus advisor with correction boluses based on risk, carb-free bolus recommender, and meal acknowledgement

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
ASS Succession or assignment of patent right

Owner name: DERUI MAIDE DIABETES CO., LTD.

Free format text: FORMER OWNER: MOR REEARCH APPLICATIONS LTD.

Effective date: 20140827

C41 Transfer of patent application or patent right or utility model
TA01 Transfer of patent application right

Effective date of registration: 20140827

Address after: Israel Tel Aviv

Applicant after: Federer Ahmed diabetes Co. Ltd.

Address before: Israel Tel Aviv

Applicant before: Mor Reearch Applications Ltd.

C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20120912