CN104885086A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN104885086A
CN104885086A CN201380067221.4A CN201380067221A CN104885086A CN 104885086 A CN104885086 A CN 104885086A CN 201380067221 A CN201380067221 A CN 201380067221A CN 104885086 A CN104885086 A CN 104885086A
Authority
CN
China
Prior art keywords
glucose
insulin
controller
value
mpc
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
CN201380067221.4A
Other languages
English (en)
Inventor
D.芬安
T.麦坎恩
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.)
Animas LLC
Original Assignee
Animas LLC
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 Animas LLC filed Critical Animas LLC
Publication of CN104885086A publication Critical patent/CN104885086A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • 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
    • A61M5/14244—Pressure infusion, e.g. using pumps adapted to be carried by the patient, e.g. portable on the body
    • 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
    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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
    • A61M2205/00—General characteristics of the apparatus
    • A61M2205/35—Communication
    • A61M2205/3576—Communication with non implanted data transmission devices, e.g. using external transmitter or receiver

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Anesthesiology (AREA)
  • Hematology (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Vascular Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Diabetes (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medicinal Chemistry (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • External Artificial Organs (AREA)
  • Infusion, Injection, And Reservoir Apparatuses (AREA)

Abstract

本发明描述并说明了一种用于管理糖尿病的系统，所述系统包括注入泵、葡萄糖传感器和控制器；以及一种被编程到所述控制器中的方法。所述注入泵被配置成将胰岛素递送给受检者。所述葡萄糖传感器被配置成感测所述受检者的葡萄糖水平，并提供代表所述受检者的所述葡萄糖水平的输出信号。所述控制器被编程为从基于预定血糖值范围的一种MPC控制模式切换到基于预定目标的另一种MPC模式。

Description

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
优先权
本申请根据35USC§§119和120以及《巴黎公约》要求基于先前提交的美国专利申请S.N.13/722329(提交于2012年12月20日)(代理人案卷号ANM5279USNP)的优先权，该专利申请据此以引用方式全文并入本文中。
背景技术
糖尿病是由于胰腺无法产生足量的胰岛素，导致机体代谢葡萄糖的能力下降而引起的一种慢性代谢障碍。这种障碍导致高血糖，即血浆内存在过量葡萄糖。一直以来，持久性高血糖和/或低胰岛素血症与多种严重症状和危及生命的长期并发症相关联，例如脱水、酮酸中毒症、糖尿病昏迷症、心血管疾病、慢性肾衰竭、视网膜损坏和有截肢风险的神经损坏。由于内源性胰岛素产生尚无恢复的可能，所以持久性治疗很有必要。这种持久性治疗提供持续血糖控制，以将血糖水平始终维持在正常限度内。此类血糖控制通过定期供应外源胰岛素到患者身体以降低升高的血糖水平而实现。
胰岛素之类的外源生物制剂常经由皮下注射器以每日多次注射快速起效药物和中速起效药物的混合物的方式施用。现已发现，由于递送不像生理激素生成那样能使激素以较低速率在更长的时间段内进入血流，因此这种方式可实现的血糖控制程度不是很理想。改善的血糖控制可以通过所谓的密集激素治疗实现，该密集激素治疗基于每日多次注射，包括每日注射一次或两次提供基础量激素的长效激素，以及在每次进餐前另外注射速效激素且注射量与进餐量成比例。虽然传统注射器已至少部分被胰岛素笔取代，但频繁注射对于患者尤其是不能可靠地自我管理注射的那些患者而言非常不便。
对药物递送装置的开发使糖尿病治疗获得实质性改善，让患者不必依赖注射器或药物笔，也降低了管理每日多次注射的要求。药物递送装置允许药物以与天然存在的生理过程具有较大相似性的方式递送药物，并且可以经控制以符合标准或个别修改的协议以为患者提供更好的血糖控制。
此外，可以通过药物递送装置实现直接递送至腹膜内注射空间或静脉中。药物递送装置可以被构造为用于皮下布置的植入式装置，或者可以被构造为带有输液器的外部装置，用于经由导管、插管或透皮药物传送诸如穿过贴剂的经皮插入来皮下注入至患者。外部药物递送装置安装在衣服上，隐藏在衣服下或衣服内或者安装在身体上，并且通常经由内置到该装置或在单独的远程装置上的用户界面来控制。
实现令人满意的血糖控制需要对血糖或组织间液糖进行监测。例如，由药物递送装置递送适量的胰岛素需要患者频繁确定其血糖水平并将该值手动输入到外部泵的用户界面，该用户界面然后计算对默认值或当前使用中的胰岛素递送协议(即剂量和定时)的合适修改，接着再与药物递送装置通信以相应地调整装置的操作。通常使用间歇性测量装置如手持式电子仪表执行对血糖浓度的确定，该间歇性测量装置经由基于酶的测试条接收血样并基于酶反应计算血糖值。
另外，近二十年来已将连续葡萄糖监测(CGM)与药物递送装置一起使用，以允许对注射到糖尿病患者体内的一种或多种胰岛素进行闭环控制。为了能够闭环控制注射的胰岛素，已将比例积分微分(“PID”)控制器连同人体内葡萄糖与胰岛素间代谢性相互作用的数学模型一起使用。可基于代谢模型的简单规则来调谐所述PID控制器。然而，当所述PID控制器被调谐或配置为强有力地调控受检者的血糖水平时，可能发生设定水平的调整过度，这种调整过度之后通常会出现血糖水平波动，而这是非常不希望在血糖调节过程中看到的现象。
还研究了另选的控制器。石化产业中使用的、其中进程涉及较大的延时和系统响应的模型预测控制器(“MPC”)最适合胰岛素、胰高血糖素与血糖之间的复杂相互作用已得到确定。现已证实，MPC控制器比PID控制器更稳健，这是因为MPC在确定MPC输出时会考虑控制改变和约束的近期效应，而PID在确定未来变化时通常仅涉及过去的输出。可在MPC控制器中实施约束，使得MPC能在已达到限值时防止系统失控。MPC控制器的另一优点在于，在一些情况下，MPC的模型理论上能够补偿动态系统变化，而反馈式控制如PID控制不可能作出这种动态补偿。
因此，MPC可视为反馈控制和前馈控制的组合。然而，MPC通常需要代谢模型尽可能接近地模拟生物系统中胰岛素与葡萄糖之间的相互作用。就此而言，由于人与人之间存在生物学差异，所以持续对MPC模型进行了改善和开发。下列文献示出并描述了MPC控制器的细节、对MPC的变更以及代表葡萄糖与胰岛素之间复杂相互作用的数学模型：
美国专利7,060,059；美国专利申请2011/0313680和2011/0257627；国际公布WO 2012/051344；
Percival等人，“Closed-Loop Control and Advisory Mode Evaluation of anArtificial PancreaticβCell：Use of Proportional-Integral-Derivative EquivalentModel-Based Controllers”Journal of Diabetes Science and Technology，第2卷第4期，2008年7月；
Paola Soru等人，“MPC Based Artificial Pancreas；Strategies forIndividualization and Meal Compensation”Annual Reviews in Control，第36卷，第118-128页，2012年；
Cobelli等人，“Artificial Pancreas：Past，Present，Future”Diabetes，第60卷，2011年11月；
Magni等人，“Run-to-Run Tuning of Model Predictive Control for Type 1Diabetes Subjects：In Silico Trial”Journal of Diabetes Science and Technology，第3卷第5期，2009年9月；
Lee等人，“A Closed-Loop Artificial Pancreas Using Model PredictiveControl and a Sliding Meal Size Estimator”Journal of Diabetes Science andTechnology，第3卷第5期，2009年9月；
Lee等人，“A Closed-Loop Artificial Pancreas based on MPC：HumanFriendly Identification and Automatic Meal Disturbance Rejection”Proceedingsof the 17th World Congress，The International Federation of Automatic Control，Seoul Korea，2008年7月6日至7月11日；
Magni等人，“Model Predictive Control of Type 1Diabetes：An in SilicoTrial”Journal ofDiabetes Science and Technology，第1卷第6期，2007年11月；
Wang等人，“Automatic Bolus and Adaptive Basal Algorithm for theArtificial Pancreaticβ-Cell”Diabetes Technology and Therapeutics，第12卷第11期，2010年；
Percival等人，“Closed-Loop Control of an Artfifcial Pancreaticβ-CellUsing Multi-Parametric Model Predictive Control”Diabetes Research，2008年；
Kovatchev等人，“Control to Range for Diabetes：Functionality andModular Architecture”Journal of Diabetes Science and Technology，第3卷第5期，2009年9月(下文称为“Kovatchev”)；
Atlas等人，“MD-Logic Artificial Pancreas System”Diabetes Care，第33卷第5期，2010年5月(下文称为“Atlas”)。本申请中列举的所有文章或文献据此以引用方式并入本申请中，如同在本文完整阐述。
在本领域中，Kovatchev已于2009年确定“控制到范围”(即，由控制器将血糖值维持在预定的血糖值范围内)较易实施，原因在于：“控制到范围”仅需计算对标称开环策略的校正，且在使用简单的线性模型时不涉及积分动作；无需明确考虑约束；并且能个性化控制动作的强度。因此，显而易见的是，Kovatchev认为“控制到范围(“CTR”)”比“控制到目标(“CTT”)”更理想。在CTT中，血糖被控制到固定阈值。尽管Kovatchev优选使用CTR，但Atlas已于2010年证实将CTR和CTT结合使用可格外有效地管理糖尿病。然而Atlas却没有描述或说明他在实验中是如何利用CTR和CTT的。具体地讲，Atlas没有示出或描述CTR和CTT间的相互作用，以及CTR和CTT是单独使用还是同时使用。
发明内容
申请人已意识到利用CTR和CTT的核心要求是知晓何时从CTR切换到CTT且何时从CTT切换到CTR。因此，申请人已设计出一种技术，来允许控制器利用此适当的技术在糖尿病管理系统(诸如例如人工胰腺)中执行胰岛素给药。
在一个方面，提供了一种使用模型预测控制器控制注入泵并从至少一个葡萄糖传感器接收数据的方法。该方法可通过以下步骤实现：由葡萄糖传感器测量受检者的葡萄糖水平，以便提供每一时间间隔中的至少一次葡萄糖测量；基于在所述测量步骤中进行的葡萄糖测量来预测至少一个未来葡萄糖值；评估所述至少一个未来葡萄糖值是否在预定的葡萄糖值范围内，如果所述至少一个未来葡萄糖值不在该范围内，则使用模型预测控制器基于目标值确定胰岛素量；否则使用模型预测控制器基于该预定范围确定胰岛素量；以及以在所述确定步骤中确定的所述量递送胰岛素。
在另一方面，用于管理糖尿病的系统包括连续葡萄糖传感器、胰岛素注入泵和控制器。所述连续葡萄糖监测器被配置成连续地测量受检者在离散的大体均匀时间间隔处的葡萄糖水平，并且在每一间隔处以葡萄糖测量数据的形式提供葡萄糖水平。所述胰岛素注入泵被配置用于递送胰岛素。所述控制器与泵、葡萄糖仪以及葡萄糖监测器通信，其中该控制器被配置成基于来自连续葡萄糖监测器的先前葡萄糖测量数据来预测至少一个未来葡萄糖值；以及评估所述至少一个未来葡萄糖值是否在预定的葡萄糖值范围内，并且如果所述至少一个未来葡萄糖值不在该范围内，则使用模型预测控制器基于目标值确定胰岛素量，否则使用模型预测控制器基于该预定范围确定胰岛素量；以及命令胰岛素注入泵递送由控制器确定的胰岛素量。
以下特征不仅可以彼此组合，还可与以上各方面中的每一者组合。例如，所述测量步骤可包括用连续葡萄糖传感器来测定葡萄糖值；所述递送可包括用胰岛素注入泵注射胰岛素。
对于本领域的技术人员而言，当结合将被首先简要描述的附图来参阅以下对本发明各种示例性实施例的更详细说明时，这些和其他实施例、特征和优点将变得显而易见。
附图说明
并入本文并且构成本说明书的一部分的附图目前示出本发明的优选实施例，并且与上面所给定的一般描述和下面所给定的详细描述一并起到解释本发明的特征的作用(其中类似的标号表示类似的元件)。
图1示出其中的用于注入泵或一个或多个葡萄糖监测器的控制器与该泵和一个或多个葡萄糖监测器两者分开并且其中的网络可联接到该控制器以提供近实时监测的系统。
图2A以示意性形式示出糖尿病管理系统的示例性实施例。
图2B和图2C示出用MPC计算来计算人工胰腺应用所采纳的a)“控制到目标”技术和b)“控制到范围”技术的概念性成本(红色区域的总和)的相应实例。
图3示出在图1或图2A的控制器中利用的逻辑。
图4A和图4B示出CTR-MPC模式的实例A。
图5A和图5B示出从CTR-MPC模式切换到CTT-MPC模式的实例B。
具体实施方式
应结合附图来阅读下面的详细说明，其中不同附图中的类似元件编号相同。附图未必按比例绘制，其示出了所选择的实施例并且不旨在限制本发明的范围。该详细说明以举例的方式而非限制性方式来说明本发明的原理。此说明将清楚地使得本领域的技术人员能够制备和使用本发明，并且描述了本发明的多个实施例、改型、变型、替代形式和用途，包括目前据信是实施本发明的最佳模式。
如本文所用，针对任何数值或范围的术语“约”或“大约”指示允许部件的部分或集合执行如本文所述的其指定用途的适当的尺寸公差。另外，如本文所用，术语“患者”、“宿主”、“用户”和“受检者”是指任何人或动物受检者，并非旨在将系统或方法局限于人类使用，但本主题发明在人类患者中的使用代表着优选的实施例。此外，术语“用户”不仅包括使用药物注入装置的患者，而且还包括看护人(例如，父母或监护人、护理人员或家庭护理员工)。术语“药物”可包括引起用户或患者机体内的生物学应答(如血糖应答)的激素、生物活性材料、药剂或其他化学品。
图1示出根据示例性实施例的、利用本发明原理的药物递送系统100。药物递送系统100包括药物递送装置102和远程控制器104。药物递送装置102通过挠性管材108连接至输液器106。
药物递送装置102被配置为通过例如射频通信112将数据传送至远程控制器104并接收来自远程控制器104的数据。药物递送装置102还可充当自身带有内置控制器的独立装置。在一个实施例中，药物递送装置102是胰岛素注入装置，并且远程控制器104是手持便携式控制器。在这种实施例中，从药物递送装置102传输至远程控制器104的数据可包括以下信息，举例来说，诸如例如胰岛素递送数据、血液葡萄糖信息、基础量胰岛素递送、推注胰岛素递送、胰岛素与碳水化合物的比率、或胰岛素敏感系数。控制器104被配置成包括MPC控制器10，该MPC控制器已被编程为从CGM传感器112接收连续葡萄糖读数。从远程控制器104传输至胰岛素递送装置102的数据可包括葡萄糖测试结果和食物数据库，使药物递送装置102能够计算将要被药物递送装置102递送的胰岛素量。作为另一种选择，远程控制器104可执行基础量给药或推注计算，并将此类计算的结果发送至药物递送装置。在一个另选的实施例中，间歇性血糖测试仪114可单独使用或结合CGM传感器112使用，从而向控制器104和药物递送装置102中的一者或两者提供数据。作为另一种选择，远程控制器104可与测试仪114一起结合入(a)集成的单个装置；或(b)两个分离的装置，所述装置可相互对接，从而形成集成的装置。装置102、104和114中的每一者均具有适合的微控制器(为简明起见未示出)，该微控制器被编程为执行各种功能。
药物递送装置102还可被配置为通过例如无线通信网络118与远程健康监测站116进行双向的无线通信。远程控制器104和远程监测站116可被配置为通过例如基于地面电话的通信网络进行双向的有线通信。远程监测站116可被用于例如下载药物递送装置102的升级软件以及处理来自药物递送装置102的信息。远程监测站116的例子可包括但不限于个人计算机或联网计算机126、存储装置的服务器128、个人数字助理、其他移动电话、医院基础监测站或专用的远程临床监测站。
药物递送装置102包括这种处理电子器件：该处理电子器件包括中央处理单元、用于存储控制程序和操作数据的存储器元件、用于发送通信信号(即，消息)至远程控制器104或接收来自远程控制器104的通信信号的射频模块116、用于向用户提供操作信息的显示器、让用户输入信息的多个导航按钮、用于向系统提供电能的电池、用于向用户提供反馈的警报(例如，视觉、听觉或触觉警报)、用于向用户提供反馈的振动器，以及药物递送机构(例如，药物泵送和驱动机构)，该药物递送机构迫使胰岛素从胰岛素贮存器(如胰岛素药筒)通过连接至输液器108/106的侧面端口进入用户体内。
葡萄糖水平或浓度可通过使用CGM传感器112测定。CGM传感器112利用安培电化学传感器技术测量葡萄糖，其中三个电极可操作地连接到传感器电子器件并被经由夹子附接的感测膜和生物界面膜覆盖。
电极的顶端与电解质相(未示出)接触，所述电解质相是设置于感测膜与电极之间的可自由流动的流体相。感测膜可包括覆盖电解质相的酶，如葡萄糖氧化酶。在该示例性传感器中，提供反电极以平衡在工作电极处测量的物质所产生的电流。就基于葡萄糖氧化酶的葡萄糖传感器而言，在工作电极处测量的物质为H2O2。在工作电极处产生(且通过电路流向反电极)的电流与H2O2的扩散通量成比例。因此，可产生代表用户体内葡萄糖浓度的原始信号，并因而可使用该原始信号来估计有意义的葡萄糖值。传感器及其相关部件的详情在美国专利7,276,029中有展示和描述，该专利以引用方式并入本文，如同在本申请中完整阐述。在一个实施例中，来自Dexcom SevenSystem(由Dexcom Inc.制造)的连续葡萄糖传感器也可用于本文所述的示例性实施例。
在本发明的一个实施例中，以下部件可用于类似人工胰腺的糖尿病管理系统：Animas Corporation的OneTouch葡萄糖管理系统，其包括至少注入泵和间歇性葡萄糖传感器；DexCom Corporation的SEVENCGM，其具有连接这些部件并用语言编程的界面以及将这些部件连接在一起的附属硬件；以及MPC形式的控制算法，该算法基于患者的葡萄糖水平、历史葡萄糖测量和预期的未来葡萄糖趋势，以及患者特定信息来自动地调控胰岛素递送速率。
图2A示出图1中系统100的示意图200，该系统100被编程为具有申请人设计的解决方案，该方案旨在抵消闭环控制系统产生的不太令人满意的效果。具体地讲，图2A提供了被编程到控制器104所使用的控制逻辑模块10中的MPC。MPC启用模块10接收需要的葡萄糖浓度或葡萄糖浓度范围12(以及来自更新过滤器28的任何修改)，以便其能够将受检者的输出(即，葡萄糖水平)维持在所需的葡萄糖水平范围内。
参见图2A，MPC启用控制逻辑10的第一输出14可为输入胰岛素泵16的控制信号，该控制信号用于在预定的时间间隔处将所需量的胰岛素18递送到受检者20体内，且可使用时间间隔指数k每5分钟变址一次。形式为预测葡萄糖值15的第二输出可被控制枢纽B使用。葡萄糖传感器22(或图1的112)测量受检者20体内的葡萄糖水平，以便提供代表实际或测量葡萄糖水平的信号24至控制枢纽B。控制枢纽B会取得测量葡萄糖浓度24与对该测量葡萄糖浓度的MPC预测之间的差值。此差值为模型状态变量的更新过滤器26提供输入。此差值26被提供给估计器(也称作更新过滤器28)，该估计器利用此差值26对无法直接测量的模型状态变量进行估计。此更新过滤器28优选地为递归过滤器，为Kalman过滤器形式并具有用于模型的调谐参数。该更新或递归过滤器28的输出被提供给控制枢纽A，该控制枢纽A的输出被控制逻辑10中的MPC用来进一步优化至泵16(或图1的102)的控制信号14。
MPC的两种常见自动控制技术称为“控制到目标”(即CTT)技术和“控制到范围”(即CTR)技术。在这两种方案中，控制器都试图通过调节一个或多个受操纵变量来驱使一个或多个受控变量达到期望水平。在CTT方案中，控制器试图驱使一个或多个受控变量达到特定的目标值，亦称设定值；在CTR方案中，另一方面，控制器试图将一个或多个受控变量保持在目标值范围内。
CTT途径可用于必须将受控变量维持为尽可能接近某值的系统；另一方面，CTR途径可用于受控变量可在下限和上限之间安全波动的系统。在后一情况中，控制的移动(即，对离开其稳态设定值或目标范围的受操纵变量的调整)越少越好。
在一些MPC框架中，解决该控制问题的方案是需要合理设定一个或多个受操纵变量的值(或这些值)，以使预测未来值的概念性“成本”最低。“成本”的一个例子是受控变量偏离期望水平的预测偏差。更具体地讲，该“成本”可为偏离设定值的受控变量的预测轨线的绝对积分(就CTT而言)，或者在可接受范围外的受控变量的预测轨线的绝对积分(就CTR而言)。这两种情况用于人工胰腺应用的图解(虽然此方法可适用于多个受控变量)示于图2B和图2C中。
在图2B中，来自CTT-MPC模型的葡萄糖预测为202，虚线204为目标值，并且成本为阴影区域204和206的总和。在涉及CTR-MPC技术的图2C中，虚线204a和204b表示未来葡萄糖预测202’必将落入该区中的范围或区。与图2B的CTT-MPC技术类似，图2C中CTR-MPC模型的成本为阴影区域204’和206’。在相应的MPC技术中，第二概念性成本可为一个或多个受操纵变量偏离其稳态设定值或目标范围的类似偏差。将此类成本指定为这种偏差是一种避免纯粹依赖测量受控变量的方式，还是使已知存在传感器不准确性(如CGM噪声、漂移和/或射频通信问题)的应用顺利实施的重要保障。应注意到，较之CTT途径，CTR途径可能使计算过程更为困难繁琐。在增大计算容量和提高计算速度都会导致成本飙升的应用中，如在嵌入式系统中，计算量增大可能变得相当棘手。
申请人已充分认识到每种技术的优点，由此已设计出一种迄今为止新颖的技术来确定每种技术何时最适用于人工胰腺系统。将在下文简要讨论每种技术，先从CTR技术开始。
“控制到范围”MPC模式：
MPC逻辑经公式化以将受检者的葡萄糖水平控制到葡萄糖安全区，该区的血糖下限在80至100mg/dL之间变化，血糖上限在约140至180mg/dL之间变化；下文将该算法称为“区MPC”算法。“控制到目标区”通常适用于没有特定设定值的受控系统，而控制器的目标为使受控变量(CV)保持在预定区中。由于人工胰腺没有自然血糖设定值，因而“控制到区(即，正常血糖区)”非常适合人工胰腺。此外，“控制到区”的固有好处是能以葡萄糖水平处于该区中时不建议执行额外校正的方式限制泵致动或活动。
在实时状态下，区MPC定律的胰岛素递送速率ID由在线优化计算，所述在线优化在每个取样时间评估下一胰岛素递送速率。每个取样时间的优化基于从存储于模块10中的动态模型获得的估计代谢状态(血浆葡萄糖、皮下胰岛素)。
控制逻辑10的MPC结合了人T1DM葡萄糖-胰岛素动力学的明确模型。该模型被用来预测未来葡萄糖值并计算将使葡萄糖变化落在所需范围或“区”内的未来控制器移动。可针对离散时间系统和连续时间系统两者来公式化MPC控制器；控制器以离散时间设定，该离散时间(阶段)指数k是指在连续时间t＝k·Ts中出现的第K个样本的时间点，其中Ts＝5min为取样周期。软件约束确保胰岛素递送速率被约束在最小值(即，零)与最大值之间。随后实施第一次胰岛素注入(N个步骤中的一次)。在下一时间步骤k+1，基于新测量的葡萄糖值和上个胰岛素速率，重复该过程。
具体地讲，我们从用于区MPC的原始线性差分模型开始：
G′(k)＝a1G′(k-1)+a2G′(k-2)+a3G′(k-3)+a4G′(k-4)+a5G′(k-5)+bIM(k-4)
IM(k)＝c1IM(k-1)+c2IM(k-2)+d1I′D(k-1)+d2I′D(k-2)   公式(1)
其中：
k是有一系列变址计数的离散时间间隔指数，其中k＝1、2、3......
G’是测量的葡萄糖浓度
IM是“映射胰岛素”，该值不是测定量
I’D是被递送胰岛素或受操纵变量
且系数a1为约2.993，a2为约-3.775，a3为约2.568，a4为约-0.886，a5为约0.09776，b为约-1.5，c1为约1.665，c2为约-0.693，d1为约0.01476，d2为约0.01306。
使用本领域技术人员已知的FDA接受的代谢模拟器，可将公式(1)简化成公式(2)的以下线性差分模型：
(a)G′(k)＝2.993G′(k-1)-3.775G′(k-2)+2.568G′(k-3)-0.886G′(k-4)
+0.09776G′(k-5)
-1.5IM(k-4)
+0.1401膳食M(k-2)+1.933膳食M(k-3)
(b)IM(k)＝1.665IM(k-1)-0.693IM(k-2)
+0.01476ID′(k-1)+0.01306ID′(k-2)
(c)膳食M(k)＝1.501膳食M(k-1)+0.5427膳食M(k-2)
+0.02279膳食(k-1)+0.01859膳食(k-2)   (2)
其中：
G′是葡萄糖浓度输出(G)偏差变量(mg/dL)，即
G′≡G-110mg/dL，
ID′是胰岛素注入速率输入(ID)偏差变量(U/h)，即
ID′≡ID-基础U/h，
膳食是CHO摄取输入(-CHO的克数)，
IM是映射的皮下胰岛素注入速率(U/h)，
膳食M是映射的CHO摄取输入(-CHO的克数)。
公式(2)中的动态模型关联胰岛素注入速率(ID)与CHO摄取输入(膳食)对血浆葡萄糖的影响。该模型代表受检者总群体的单一平均模型。该模型及其参数是固定的。
使用公式(2)中的(b)和(c)部分描述的二阶输入传递函数在区MPC架构中产生人工输入记忆，以防止胰岛素过量给药，并因而避免低血糖。为了防止过量递送胰岛素，对任何连续胰岛素递送的评估都必须考虑过去施用的胰岛素与胰岛素作用时长。然而，相对低阶的单状态线性差分模型使用输出(血糖)作为过去施用的输入(胰岛素)“记忆”的主要来源。在面对模型失配、噪声或受检者对胰岛素的敏感度变化的情况下，这可能导致胰岛素递送不足或过量。这种情况可通过为带有较长胰岛素记忆的映射胰岛素与膳食输入增加两个额外状态(IM和膳食M)而减轻。
当与由受控变量(“CV”)的上界限与下界限或范围限定的区相比，CV的特定设定值(为葡萄糖值的形式)为低相关时，在区MPC的环境(“区MPC”)中应用CTR技术。此外，在存在噪声和模型失配时，使用固定设定值并无实际价值。区MPC是通过University of California(Santa Barbara)和Sansum Diabetes Research Institute的研究推导出的。有关区MPC技术的来历的其他细节示出和描述于Benyamin Grosman，Ph.D.，Eyal Dassau，Ph.D.，Howard C.Zisser，M.D.，LoisM.D.，和Francis J.Doyle III，Ph.D.“Zone Model Predictive Control：A Strategy to Minimize Hyper andHypoglycemic Events”Journal ofDiabetes Science and Technology，第4卷第4期，2010年7月，附录中有该文献的拷贝。区MPC的另外细节示出并描述于以下文献中：授予Doyle等人的名称为“Systems，Devices，and Methods toDeliver Biological Factors or Drugs to a Subject”，公开日为2011年8月25日的美国专利申请公开20110208156，该公开如示出的那样以引用方式并入本文。区MPC的相关推导示于Maciejowski JM.，“Predictive Control withConstraints”，Harlow，UK：Prentice-Hall，Pearson Education Limited，2002中。区MPC通过限定固定的上界限与下界限作为软约束实施，即当该预测的CV在所需区之中或之外时分别使优化权重在零与某些最终值之间切换。预测的残差通常被定义为所需区之外的CV与最近界限之间的差值。区MPC通常被划分成三个不同区。允许的范围为控制目标，且由上界限与下界限限定。上部区代表不期望的高预测血糖值。下部区代表不期望的低预测血糖值，其代表作为低报警区的低血糖区或前低血糖保护区域。区MPC通过在指定的约束下操纵近期胰岛素控制移动以保持在允许区中，而使预测血糖优化。
区MPC的核心在于其保留该区公式的成本函数公式。如同任何其他形式的MPC，区MPC通过使用过去输入/输出记录的明确模型以及需要优化的未来输入移动来预测未来输出。然而，该优化尝试使预测输出保持或移动至由上界限与下界限限定的区中，而非驱动至特定的固定设定值。使用线性差分模型预测血糖动态，并且该优化在其成本函数中限定的约束和权重下减少未来血糖从该区的偏移。
呈现的操作所使用的区MPC成本函数J限定如下：
J ( I D ′ ) = Q · Σ j = 1 P | | G z o n e ( k + j ) | | + R · Σ j = 0 M - 1 | | I D ′ ( k + j ) | |
约束条件
G ( k + j ) = f [ G ( k + j - 1 ) , I D ′ ( k + j - 1 ) ] , ∀ j = 1 , P
-基础 ( k + j ) ≤ I D ′ ( k + j ) ≤ 72 , ∀ j = 0 , M - 1 - - - ( 3 )
或就我们的应用而言：
J(ID′)＝∑||Gzone(k+j)||+R·∑||ID(k+j)-基础(k+j)||   (4)
其中
Q是预测葡萄糖项的加权因子；
R是成本函数的建议未来输入的调谐因子；
f是预测函数(在公式(2)中)；
向量ID包含成组的建议近期胰岛素注入量。该向量为“受操纵变量”，因为将操纵该向量以便找到J的最小值。
Gzone是量化指定血糖区外的未来模型预测CGM值G的偏差的变量，并且其通过执行以下比较确定：
其中血糖区由上限GZH和下限GZL限定。
因此，如果所有预测葡萄糖值都在该区内，那么Gzone的每个元素都等于0，并因此J便由于在一天中的该时刻ID＝基础量而具有最小值，即，该算法“默认”为患者的当前基础量胰岛素注入速率。另一方面，如果预测葡萄糖值中任有一个在该区外，那么Gzone＞0，并因而对成本函数“有贡献”。在这种情况下，建议的近期胰岛素注入量ID将偏离基础量，以阻止Gzone中发生离区偏差，这也将对成本函数“有贡献”。随后基于加权因子R在优化中实现了定量平衡。
为了解决公式(2)-(5)的优化问题，使用了市售软件(如MATLAB的“fmincon.m”函数)。关于该函数，使用以下参数执行每次优化：
○胰岛素递送速率的初始猜测值ID’(0)是零向量例如，若M＝5，那么每次优化的初始猜测值ID’＝[0 0 0 0 0]。这暗示初始猜测值等于基础速率。
○函数评估允许的最大次数Max_f＝100*M，其中M为如前所述的控制时域。
○迭代的最大次数为Max_i＝400，其为固定值。
○成本函数的终止值Term_cost＝1e-6，其为固定值。
○受操纵变量ID’的终止容限Term_tol为1e-6。
在受操纵变量(ID’)上实施以下硬约束：
-基础值≤ID′≤72U/h   (6)
其中基础值是由受检者或他/她的医生设定的受检者基础速率，预期其在0.6U/h至1.8U/h的范围内。
虽然控制时域参数M和预测时域参数P的值已显著影响控制器性能并通常用来调谐基于MPC的控制器，但是可基于对系统的了解启发式地调谐这些值。调谐规则是本领域技术人员已知的。根据这些规则，M和P可分别在以下值间变化：
2≤M≤10
20≤P≤120   (7)
在优选的实施例中，我们使用M＝5和P＝108的标称值。
输出错误加权因子Q与输入变化加权矩阵或调谐因子R的比率可在以下范围内变化：
10 ≤ R Q ≤ 1000 - - - ( 8 )
在优选的实施例中，我们使用R/Q＝500的标称值。
一旦初始化并开启控制器，每五分钟(对应于葡萄糖传感器的取样时间)进行一次实时计算。通过胰岛素泵将第一元素ID作为胰岛素剂量递送至患者，五分钟过去后，新的CGM读数变得可用，并重复该过程。应当注意，未来控制移动受到硬约束，这种硬约束是由胰岛素泵能够以最大速率递送胰岛素但不能递送负胰岛素值设定的。包括状态估计器在内的相关主题的其他细节，以及其他MPC由如下文献提供：Rachel Gillis等人的“GlucoseEstimation and Prediction through Meal Responses Using Ambulatory SubjectData for Advisory Mode Model Predictive Control”Journal of Diabetes Scienceand Technology，第1卷第6期，2007年11月，和Youqing Wang等人的“Closed-Loop Control of Artificial Pancreaticβ-Cell in Type 1Diabetes MellitusUsing Model Predictive Iterative Learning Control”IEEE Transactions onBiomedical Engineering，第57卷第2期，2010年2月，所述文献据此以引用方式并入本申请中，如同在本文完整阐述。
“控制到目标”MPC模式：
在MPC环境中的“控制到目标”技术是对“控制到范围”方法的简化，其中有效情况是“范围”为一个CGM值，如110mg/dL，并因而其宽度为零。一种基于上文针对“控制到范围”技术给出的公式实现“控制到目标”控制法则的方式通过把公式5改写为下式实现：
Gzone＝Gtarget＝|G-Gsp|   (9)
其中指示的范数是绝对值，并且Gsp是葡萄糖设定值，或目标浓度，如110mg/dL。总之，每个预测葡萄糖值带有(正)罚分量，除非该预测值正好等于目标Gsp。
事实上，对葡萄糖预测进行罚分的结构可采取不同的形式。如公式9所示，给定预测葡萄糖值的罚分等于该值与Gsp的绝对偏差。然而，直接施加了不同罚分结构，使得例如给定预测葡萄糖值的罚分等于该值与Gsp的偏差的平方。
在描述了MPC的CTR和CTT模式后，现参见图3，其中申请人已设计出一种技术来确定哪种模式最适用于确定合适的胰岛素给药量。在图3中，技术300从步骤302开始，在该步骤处使用合适的传感器(如CGM传感器)测量受检者的葡萄糖水平，以便在一系列离散时间间隔指数(“k”)的每个时间间隔中提供至少一次葡萄糖测量。在步骤304处，使用MPC控制器10基于在测量步骤中执行的葡萄糖测量来预测至少一个未来葡萄糖值。在决定点306处，系统评估所述至少一个未来葡萄糖值是否在预定的葡萄糖值范围内。如果所述至少一个未来葡萄糖值不在该范围内(即，决定步骤306返回“否”)，则如上所述那样使用模型预测控制器基于目标值来确定胰岛素量。否则(即，评估步骤306返回“是”)，那么逻辑移动到步骤310，在该步骤中使用模型预测控制器基于预定范围来确定胰岛素量。在步骤312处，系统按照确定步骤(即，步骤308或步骤310)中确定的量递送胰岛素。
在该技术的一种具体实施方式中，将系统设置为包括连续葡萄糖监测器22、胰岛素注入泵16，以及控制器10。监测器22被配置成连续地测量受检者20在离散的时间间隔处的葡萄糖水平，并且在每一间隔处以葡萄糖测量数据的形式提供葡萄糖水平。泵被配置成将胰岛素递送给受检者。控制器与泵、葡萄糖仪和葡萄糖监测器通信。在此系统中，控制器被配置成：(a)基于来自连续葡萄糖监测器22的先前葡萄糖测量数据来预测至少一个未来葡萄糖值；(b)评估所述至少一个未来葡萄糖值是否在预定的葡萄糖值范围内，并且如果所述至少一个未来葡萄糖值不在该范围内，则使用模型预测控制器基于目标值确定胰岛素量，否则使用模型预测控制器基于该预定范围确定胰岛素量；以及(c)命令胰岛素注入泵16递送由控制器确定的胰岛素量。
下面的实例将展示申请人的新技术。以下示出了这种算法针对两种情况的定量实例。在情况A中，初始葡萄糖预测(即，通过假设未来值为基础量胰岛素递送而获得)完全包含在葡萄糖目标范围或区内。在情况B中，初始葡萄糖预测脱离了目标范围。
在以下实例中，葡萄糖目标范围为90-140mg/dL，并且受检者的基础速率为1U/h。对于情况B的步骤2，目标葡萄糖值(CTT设定值)为140mg/dL。
表A-在图4A的402处按从最旧到最新的顺序标绘出最近五个CGM 值。
130mg/dL
135mg/dL
128mg/dL
121mg/dL
116mg/dL
在图4A中，系统已递送了1U/h的基础剂量；该基础剂量映射到近期过程在404处每5分钟执行一次1/12U注入。MPC控制器10确定未来或预测血糖值406，并基于预测的未来血糖值406表明(假设未来基础量递送408)实际血糖值可能不会脱离。因此，根据步骤306，如果预测葡萄糖406在目标范围410内，便递送基础量胰岛素(在这种情况下为1U/h)。应当注意，对于图4A的实例，目标区通常可能是恒定的。然而，在某些配置中，目标区可能像图4B所示那样变化。
另一方面，从CTR-MPC切换至CTT-MPC可在特定情况下进行，如在本实例B中如图5A和图5B所示。在表B中，提供了从最旧到最新的最近几个CGM值。
表B：在图5A的502处按从最旧到最新的顺序标绘出最近五个CGM 值。
130mg/dL
148mg/dL
173mg/dL
193mg/dL
218mg/dL
与实例A中一样，在图5A中的504处，实例B的控制器10已命令泵以每小时1个单位(U/h)(或是每5分钟1/12个单位)的基础速率递送胰岛素。然而，MPC控制器执行的对未来的预测表明(假设在505处以与先前一样的基础量胰岛素速率递送)，受检者的血糖值506可能会明显地偏移到目标区508之上。因此，根据逻辑300，在步骤306处，评估步骤将返回“否”，并且逻辑便会从CTR模式切换到CTT模式，从而由泵执行胰岛素给药。出于本实例B的目的，假设CTT设定值是目标葡萄糖区的上限，或为约140mg/dL。因此，MPC控制器将以图5B的CTT模式，在510处确定将于近期注入的适量胰岛素(例如，接下来的五次胰岛素注入量)(在511处会出现高至0.76单位的尖峰，随后是先前的1/12单位基础量)，使得预测的未来葡萄糖值512将趋于急剧下降，以便最终低于140mg/dL的CTT设定值。
已研究了此项新技术的有益效果。考虑了四种不同的葡萄糖场景：两种场景是高血糖，另两种场景是低血糖。为了量化计算量要求，本文教导了最小化例程涉及的迭代次数的量化，以及已知技术和新技术中每一者的函数评估次数。表C示出了考虑的不同场景，以及在已知的区MPC技术和新颖的混合式技术(“混合式CTT-CTR”)下必须考虑的迭代次数和函数评估次数。
表C-区MPC和混合式CTT-CTR技术之间的评估
如在表D中所见，新颖的混合式切换技术有明显的改善，凭借该技术，例如在场景1中，控制器达到命令的胰岛素给药需要的迭代次数减少80％，并且控制器完成该胰岛素给药所需的函数评估次数减少89％。基于表C的这些有限数据，较之区MPC控制架构，新技术需要的迭代次数平均减少80.6％，函数评估次数平均减少89.9％。需留意的是此方法可能导致不同的胰岛素递送结果，它们是最小化例程的结果。利用本领域技术人员完全有能力完成的适当调谐，这个小麻烦便会迎刃而解。
表D-表C中混合式技术相对于区MPC的改善。
借助本文教导的混合式切换技术，从图5A的CTR模式切换到图5B的CTT模式，系统的处理时间得以缩短。换言之，当系统切换至CTT模式时，MPC以CTR模式确定合适的给药所需的时间缩短，由此减少了电力消耗，从而使系统的电池能比之前维持显著更长的时间。
虽然已经就特定的变型和示例性附图描述了本发明，但是本领域普通技术人员将认识到本发明不限于所描述的变型或附图。例如，闭环控制器不必为MPC控制器，在本领域技术人员适当修改的情况下，其可为PID控制器、具有内模控制(IMC)的PID控制器、模型算法控制(MAC)，这些控制器由Percival等人在“Closed-Loop Control and Advisory Mode Evaluation of anArtificial PancreaticβCell：Use ofProportional-Integral-Derivative EquivalentModel-Based Controllers”Journal of Diabetes Science and Technology，第2卷第4期，2008年7月中论述。此外，在上述的方法和步骤表示以一定的次序发生某些事件的情况下，本领域的普通技术人员将认识到某些步骤的次序可被修改，并且此类修改形式属于本发明的变型。另外，所述步骤中的某些在可能的情况下可在并行过程中同时执行，以及如上所述那样按顺序执行。因此，本专利旨在涵盖本发明的变型，只要这些变型处于权利要求中出现的本发明公开内容的实质内或与本发明等同。

Claims (4)

1.一种使用模型预测控制器控制注入泵并从至少一个葡萄糖传感器接收数据的方法，所述方法包括：
由所述葡萄糖传感器测量受检者的葡萄糖水平，以便在一系列离散时间间隔指数(“k”)的每个时间间隔中提供至少一次葡萄糖测量；
基于在所述测量步骤中进行的所述葡萄糖测量来预测至少一个未来葡萄糖值；
评估所述至少一个未来葡萄糖值是否在预定的葡萄糖值范围内；
如果所述至少一个未来葡萄糖值不在所述范围内，则使用所述模型预测控制器基于目标值确定胰岛素量；否则使用所述模型预测控制器基于所述预定范围确定胰岛素量；以及
以在所述确定步骤中确定的所述量递送所述胰岛素。
2.根据权利要求1所述的方法，其中所述测量包括使用连续葡萄糖传感器测定葡萄糖值。
3.根据权利要求1所述的方法，其中所述递送包括使用胰岛素注入泵注射所述胰岛素。
4.一种用于管理糖尿病的系统，包括：
连续葡萄糖监测器，所述连续葡萄糖监测器用于连续地测量所述受检者在离散的大体均匀时间间隔处的葡萄糖水平，并且在每一间隔处以葡萄糖测量数据的形式提供所述葡萄糖水平；
用于递送胰岛素的胰岛素注入泵；和
控制器，所述控制器与所述泵、葡萄糖仪以及所述葡萄糖监测器通信，其中所述控制器被配置成基于来自所述连续葡萄糖监测器的先前葡萄糖测量数据来预测至少一个未来葡萄糖值；以及评估所述至少一个未来葡萄糖值是否在预定的葡萄糖值范围内，并且如果所述至少一个未来葡萄糖值不在所述范围内，则使用所述模型预测控制器基于目标值确定胰岛素量，否则使用所述模型预测控制器基于所述预定范围确定胰岛素量；以及命令所述胰岛素注入泵递送由所述控制器确定的所述胰岛素量。
CN201380067221.4A 2012-12-20 2013-12-17 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 Pending CN104885086A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US13/722,329 US9907909B2 (en) 2012-12-20 2012-12-20 Method and system for a hybrid control-to-target and control-to-range model predictive control of an artificial pancreas
US13/722329 2012-12-20
PCT/US2013/075617 WO2014099882A2 (en) 2012-12-20 2013-12-17 Method and system for a hybrid control-to-target and control-to-range model predictive control of an artificial pancreas

Publications (1)

Publication Number Publication Date
CN104885086A true CN104885086A (zh) 2015-09-02

Family

ID=49943524

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201380067221.4A Pending CN104885086A (zh) 2012-12-20 2013-12-17 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

Country Status (12)

Country Link
US (2) US9907909B2 (zh)
EP (1) EP2936359A2 (zh)
JP (1) JP2016508042A (zh)
KR (1) KR20150097731A (zh)
CN (1) CN104885086A (zh)
AU (1) AU2013363049A1 (zh)
BR (1) BR112015014941A2 (zh)
CA (1) CA2895501A1 (zh)
HK (1) HK1215086A1 (zh)
RU (1) RU2015129489A (zh)
TW (1) TW201503921A (zh)
WO (1) WO2014099882A2 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108261591A (zh) * 2016-12-30 2018-07-10 上海移宇科技股份有限公司 一种人工胰腺的闭环控制算法
CN108883227A (zh) * 2016-01-12 2018-11-23 哈佛大学校董委员会 使用过去的预测的用于人工胰腺的预测控制模型
CN112236826A (zh) * 2018-05-04 2021-01-15 英赛罗公司 基于控制算法的药物输送系统的安全约束
CN116560220A (zh) * 2022-09-27 2023-08-08 东北大学 一种可变优先级的人工胰腺自适应模型预测控制系统

Families Citing this family (61)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7959598B2 (en) 2008-08-20 2011-06-14 Asante Solutions, Inc. Infusion pump systems and methods
CA2816314C (en) 2010-10-31 2018-03-06 Trustees Of Boston University Blood glucose control system
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
GB2523989B (en) 2014-01-30 2020-07-29 Insulet Netherlands B V Therapeutic product delivery system and method of pairing
CN112515665B (zh) 2014-01-31 2024-03-29 波士顿大学董事会 血糖水平控制系统
CA2957432C (en) * 2014-08-06 2017-07-25 Regents Of The University Of California Moving-horizon state-initializer for control applications
CN111905188B (zh) 2015-02-18 2022-07-22 英赛罗公司 流体输送和输注装置及其使用方法
US9878097B2 (en) 2015-04-29 2018-01-30 Bigfoot Biomedical, Inc. Operating an infusion pump system
CA2991047C (en) * 2015-06-28 2020-04-14 The Regents Of The University Of California Velocity-weighting model predictive control of an artificial pancreas for type 1 diabetes applications
WO2017027459A1 (en) 2015-08-07 2017-02-16 Trustees Of Boston University Glucose control system with automatic adaptation of glucose target
US10449294B1 (en) 2016-01-05 2019-10-22 Bigfoot Biomedical, Inc. Operating an infusion pump system
EP3374900A1 (en) 2016-01-05 2018-09-19 Bigfoot Biomedical, Inc. Operating multi-modal medicine delivery systems
US10275573B2 (en) 2016-01-13 2019-04-30 Bigfoot Biomedical, Inc. User interface for diabetes management system
EP3374004B1 (en) 2016-01-14 2023-06-28 Bigfoot Biomedical, Inc. Adjusting insulin delivery rates
WO2017132663A1 (en) 2016-01-29 2017-08-03 Patek Stephen D Method, system, and computer readable medium for virtualization of a continuous glucose monitoring trace
CA3012444C (en) * 2016-02-05 2022-06-14 Animas Corporation Visualization and analysis tool for a drug delivery system
WO2018009614A1 (en) 2016-07-06 2018-01-11 President And Fellows Of Harvard College Event-triggered model predictive control for embedded artificial pancreas systems
US11373746B2 (en) 2016-07-08 2022-06-28 Novo Nordisk A/S Basal titration with adaptive target glucose level
KR102693015B1 (ko) * 2016-09-09 2024-08-07 덱스콤, 인크. 약물 전달 기기에의 디스플레이 및 제공을 위한 cgm-기반 볼러스 계산기에 대한 시스템 및 방법
WO2018058041A1 (en) 2016-09-23 2018-03-29 Insulet Corporation Fluid delivery device with sensor
EP3500161A4 (en) 2016-12-12 2020-01-08 Bigfoot Biomedical, Inc. ALARMS AND WARNINGS FOR MEDICINE DELIVERY DEVICES AND RELATED SYSTEMS AND METHODS
WO2018132723A1 (en) 2017-01-13 2018-07-19 Mazlish Bryan Insulin delivery methods, systems and devices
US10758675B2 (en) 2017-01-13 2020-09-01 Bigfoot Biomedical, Inc. System and method for adjusting insulin delivery
WO2018132754A1 (en) 2017-01-13 2018-07-19 Mazlish Bryan System and method for adjusting insulin delivery
EP3568859A1 (en) 2017-01-13 2019-11-20 Bigfoot Biomedical, Inc. Insulin delivery methods, systems and devices
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
USD853583S1 (en) 2017-03-29 2019-07-09 Becton, Dickinson And Company Hand-held device housing
US11497851B2 (en) 2017-03-31 2022-11-15 Lifescan Ip Holdings, Llc Maintaining maximum dosing limits for closed loop insulin management systems
US11147920B2 (en) 2017-04-18 2021-10-19 Lifescan Ip Holdings, Llc Diabetes management system with automatic basal and manual bolus insulin control
EP3618713B1 (en) 2017-05-05 2021-12-15 Eli Lilly and Company Closed loop control of physiological glucose
FR3069165A1 (fr) * 2017-07-21 2019-01-25 Commissariat A L'energie Atomique Et Aux Energies Alternatives Systeme automatise de regulation de la glycemie d'un patient
EP3438858A1 (en) 2017-08-02 2019-02-06 Diabeloop Closed-loop blood glucose control systems and methods
EP3729446A1 (en) 2017-12-21 2020-10-28 Eli Lilly and Company Closed loop control of physiological glucose
USD928199S1 (en) 2018-04-02 2021-08-17 Bigfoot Biomedical, Inc. Medication delivery device with icons
US11158413B2 (en) 2018-04-23 2021-10-26 Medtronic Minimed, Inc. Personalized closed loop medication delivery system that utilizes a digital twin of the patient
US20210162127A1 (en) * 2018-06-19 2021-06-03 President And Fellows Of Harvard College Adaptive zone model predictive control with a glucose and velocity dependent dynamic cost function for an artificial pancreas
EP3811373A1 (en) 2018-06-22 2021-04-28 Eli Lilly and Company Insulin and pramlintide delivery systems, methods, and devices
AU2019347755B2 (en) 2018-09-28 2023-02-02 Insulet Corporation Activity mode for artificial pancreas system
EP3864668A1 (en) 2018-10-11 2021-08-18 Insulet Corporation Event detection for drug delivery system
USD920343S1 (en) 2019-01-09 2021-05-25 Bigfoot Biomedical, Inc. Display screen or portion thereof with graphical user interface associated with insulin delivery
US11986629B2 (en) * 2019-06-11 2024-05-21 Medtronic Minimed, Inc. Personalized closed loop optimization systems and methods
US11957876B2 (en) 2019-07-16 2024-04-16 Beta Bionics, Inc. Glucose control system with automated backup therapy protocol generation
CN114760918A (zh) 2019-07-16 2022-07-15 贝塔仿生公司 血糖控制系统
EP4000075A4 (en) 2019-07-16 2023-10-04 Beta Bionics, Inc. BLOOD GLUCOSE CONTROL SYSTEM
US20220218895A1 (en) * 2019-08-01 2022-07-14 Medtrum Technologies Inc. Driving apparatus and drug infusion device
US11801344B2 (en) 2019-09-13 2023-10-31 Insulet Corporation Blood glucose rate of change modulation of meal and correction insulin bolus quantity
US11935637B2 (en) 2019-09-27 2024-03-19 Insulet Corporation Onboarding and total daily insulin adaptivity
WO2021113647A1 (en) 2019-12-06 2021-06-10 Insulet Corporation Techniques and devices providing adaptivity and personalization in diabetes treatment
US11833329B2 (en) 2019-12-20 2023-12-05 Insulet Corporation Techniques for improved automatic drug delivery performance using delivery tendencies from past delivery history and use patterns
JP7512395B2 (ja) 2020-01-06 2024-07-08 インスレット コーポレイション 持続する残差に基づく食事および／または運動行為の予測
US11551802B2 (en) 2020-02-11 2023-01-10 Insulet Corporation Early meal detection and calorie intake detection
US11547800B2 (en) 2020-02-12 2023-01-10 Insulet Corporation User parameter dependent cost function for personalized reduction of hypoglycemia and/or hyperglycemia in a closed loop artificial pancreas system
US11986630B2 (en) 2020-02-12 2024-05-21 Insulet Corporation Dual hormone delivery system for reducing impending hypoglycemia and/or hyperglycemia risk
US11324889B2 (en) 2020-02-14 2022-05-10 Insulet Corporation Compensation for missing readings from a glucose monitor in an automated insulin delivery system
US11607493B2 (en) 2020-04-06 2023-03-21 Insulet Corporation Initial total daily insulin setting for user onboarding
US11684716B2 (en) 2020-07-31 2023-06-27 Insulet Corporation Techniques to reduce risk of occlusions in drug delivery systems
US11904140B2 (en) 2021-03-10 2024-02-20 Insulet Corporation Adaptable asymmetric medicament cost component in a control system for medicament delivery
WO2023049900A1 (en) 2021-09-27 2023-03-30 Insulet Corporation Techniques enabling adaptation of parameters in aid systems by user input
US11439754B1 (en) 2021-12-01 2022-09-13 Insulet Corporation Optimizing embedded formulations for drug delivery

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5822715A (en) * 1997-01-10 1998-10-13 Health Hero Network Diabetes management system and method for controlling blood glucose
WO2011100624A1 (en) * 2010-02-11 2011-08-18 The Regents Of The University Of California Systems, devices and methods to deliver biological factors or drugs to a subject
CN102197304A (zh) * 2008-11-04 2011-09-21 松下电器产业株式会社 测定装置、胰岛素注射装置、测定方法、胰岛素注射装置的控制方法及程序
US20110313390A1 (en) * 2010-06-22 2011-12-22 Medtronic Minimed, Inc. Method and/or system for closed-loop control of glucose to a treatment range
CN102667787A (zh) * 2009-09-30 2012-09-12 莫尔研究应用有限公司 管理胰岛素输注的监视装置

Family Cites Families (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4055175A (en) 1976-05-07 1977-10-25 Miles Laboratories, Inc. Blood glucose control apparatus
US4280494A (en) 1979-06-26 1981-07-28 Cosgrove Robert J Jun System for automatic feedback-controlled administration of drugs
US5298022A (en) 1989-05-29 1994-03-29 Amplifon Spa Wearable artificial pancreas
EP0524317A4 (en) 1991-02-08 1995-02-15 Tokyo Shibaura Electric Co Model forecasting controller
US5283729A (en) 1991-08-30 1994-02-01 Fisher-Rosemount Systems, Inc. Tuning arrangement for turning the control parameters of a controller
US6544212B2 (en) * 2001-07-31 2003-04-08 Roche Diagnostics Corporation Diabetes management system
CN1859943B (zh) * 2002-10-11 2010-09-29 贝克顿·迪金森公司 用于控制患者体内葡萄糖的浓度的系统
US8060173B2 (en) 2003-08-01 2011-11-15 Dexcom, Inc. System and methods for processing analyte sensor data
US7806854B2 (en) 2005-05-13 2010-10-05 Trustees Of Boston University Fully automated control system for type 1 diabetes
US7451004B2 (en) 2005-09-30 2008-11-11 Fisher-Rosemount Systems, Inc. On-line adaptive model predictive control in a process control system
US7577483B2 (en) 2006-05-25 2009-08-18 Honeywell Asca Inc. Automatic tuning method for multivariable model predictive controllers
US8579853B2 (en) * 2006-10-31 2013-11-12 Abbott Diabetes Care Inc. Infusion devices and methods
WO2008067284A2 (en) 2006-11-27 2008-06-05 University Of Virginia Patent Foundation Method, system, and computer program for detection of conditions of a patient having diabetes
US10154804B2 (en) * 2007-01-31 2018-12-18 Medtronic Minimed, Inc. Model predictive method and system for controlling and supervising insulin infusion
US20080269723A1 (en) * 2007-04-25 2008-10-30 Medtronic Minimed, Inc. Closed loop/semi-closed loop therapy modification system
US10546659B2 (en) 2007-06-21 2020-01-28 University Of Virginia Patent Foundation Method, system and computer simulation environment for testing of monitoring and control strategies in diabetes
US8046089B2 (en) 2008-06-20 2011-10-25 Honeywell International Inc. Apparatus and method for model predictive control (MPC) of a nonlinear process
CA2753650A1 (en) 2008-11-26 2010-06-03 University Of Virginia Patent Foundation Method, system, and computer program product for tracking of blood glucose variability in diabetes
GB2466183A (en) 2008-12-09 2010-06-16 Cambridge Entpr Ltd Closed loop diabetes management system
EP4243032A3 (en) 2009-02-25 2023-12-06 University Of Virginia Patent Foundation Method, system and computer program product for cgm-based prevention of hypoglycemia via hypoglycemia risk assessment and smooth reduction insulin delivery
WO2010097796A1 (en) 2009-02-26 2010-09-02 Mor Research Applications Ltd. Method and system for automatic monitoring of diabetes related treatments
WO2010135646A1 (en) * 2009-05-22 2010-11-25 Abbott Diabetes Care Inc. Usability features for integrated insulin delivery system
CN102576375B (zh) 2009-05-29 2016-05-18 弗吉尼亚大学专利基金会 用于糖尿病的开环和闭环控制的系统协调器和模块化体系结构
US11238990B2 (en) 2009-06-26 2022-02-01 University Of Virginia Patent Foundation System, method and computer simulation environment for in silico trials in pre-diabetes and type 2 diabetes
WO2011028731A1 (en) 2009-09-01 2011-03-10 University Of Virginia Patent Foundation System, method and computer program product for adjustment of insulin delivery (aid) in diabetes using nominal open-loop profiles
CA2772663A1 (en) 2009-09-02 2011-03-10 University Of Virginia Patent Foundation Tracking the probability for imminent hypoglycemia in diabetes from self-monitoring blood glucose (smbg) data
US20110313680A1 (en) 2010-06-22 2011-12-22 Doyle Iii Francis J Health Monitoring System
US8945094B2 (en) 2010-09-08 2015-02-03 Honeywell International Inc. Apparatus and method for medication delivery using single input-single output (SISO) model predictive control
DK2628115T3 (en) 2010-10-12 2015-08-24 Univ California Insulin Delivery Device
CA2816314C (en) 2010-10-31 2018-03-06 Trustees Of Boston University Blood glucose control system

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5822715A (en) * 1997-01-10 1998-10-13 Health Hero Network Diabetes management system and method for controlling blood glucose
CN102197304A (zh) * 2008-11-04 2011-09-21 松下电器产业株式会社 测定装置、胰岛素注射装置、测定方法、胰岛素注射装置的控制方法及程序
CN102667787A (zh) * 2009-09-30 2012-09-12 莫尔研究应用有限公司 管理胰岛素输注的监视装置
WO2011100624A1 (en) * 2010-02-11 2011-08-18 The Regents Of The University Of California Systems, devices and methods to deliver biological factors or drugs to a subject
US20110313390A1 (en) * 2010-06-22 2011-12-22 Medtronic Minimed, Inc. Method and/or system for closed-loop control of glucose to a treatment range

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108883227A (zh) * 2016-01-12 2018-11-23 哈佛大学校董委员会 使用过去的预测的用于人工胰腺的预测控制模型
CN108261591A (zh) * 2016-12-30 2018-07-10 上海移宇科技股份有限公司 一种人工胰腺的闭环控制算法
CN108261591B (zh) * 2016-12-30 2021-10-08 上海移宇科技股份有限公司 一种人工胰腺的闭环控制算法
CN112236826A (zh) * 2018-05-04 2021-01-15 英赛罗公司 基于控制算法的药物输送系统的安全约束
CN116560220A (zh) * 2022-09-27 2023-08-08 东北大学 一种可变优先级的人工胰腺自适应模型预测控制系统
CN116560220B (zh) * 2022-09-27 2024-03-01 东北大学 一种可变优先级的人工胰腺自适应模型预测控制系统

Also Published As

Publication number Publication date
WO2014099882A3 (en) 2014-10-09
US9907909B2 (en) 2018-03-06
HK1215086A1 (zh) 2016-08-12
CA2895501A1 (en) 2014-06-26
EP2936359A2 (en) 2015-10-28
KR20150097731A (ko) 2015-08-26
US20140180240A1 (en) 2014-06-26
RU2015129489A (ru) 2017-01-26
AU2013363049A1 (en) 2015-07-23
TW201503921A (zh) 2015-02-01
WO2014099882A2 (en) 2014-06-26
BR112015014941A2 (pt) 2017-07-11
US20180147349A1 (en) 2018-05-31
JP2016508042A (ja) 2016-03-17

Similar Documents

Publication Publication Date Title
CN104885086A (zh) 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
TWI703997B (zh) 糖尿病管理系統
AU2013280898B2 (en) Method and system to handle manual boluses or meal events for closed-loop controllers
TWI619481B (zh) 用於調諧人工胰臟之閉迴路控制器的方法及系統
US9833571B2 (en) System for monitoring safety in medication delivery for diabetes management
US11430557B2 (en) System and method for improving the drug therapy management

Legal Events

Date Code Title Description
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20150902

WD01 Invention patent application deemed withdrawn after publication