CN107003315A - 胰岛素分泌能力分析装置、具备该装置的胰岛素分泌能力分析系统以及胰岛素分泌能力分析方法 - Google Patents

胰岛素分泌能力分析装置、具备该装置的胰岛素分泌能力分析系统以及胰岛素分泌能力分析方法 Download PDF

Info

Publication number
CN107003315A
CN107003315A CN201480083933.XA CN201480083933A CN107003315A CN 107003315 A CN107003315 A CN 107003315A CN 201480083933 A CN201480083933 A CN 201480083933A CN 107003315 A CN107003315 A CN 107003315A
Authority
CN
China
Prior art keywords
insulin secreting
secreting ability
hba1c
insulin
blood glucose
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.)
Granted
Application number
CN201480083933.XA
Other languages
English (en)
Other versions
CN107003315B (zh
Inventor
长谷川泰隆
伴秀行
和田高士
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.)
Hitachi Ltd
Original Assignee
Hitachi 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 Hitachi Ltd filed Critical Hitachi Ltd
Publication of CN107003315A publication Critical patent/CN107003315A/zh
Application granted granted Critical
Publication of CN107003315B publication Critical patent/CN107003315B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • 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
    • 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
    • A61B5/14546—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 analytes not otherwise provided for, e.g. ions, cytochromes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/66—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving blood sugars, e.g. galactose
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/72—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving blood pigments, e.g. haemoglobin, bilirubin or other porphyrins; involving occult blood
    • 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
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Data Mining & Analysis (AREA)
  • Hematology (AREA)
  • Optics & Photonics (AREA)
  • Chemical & Material Sciences (AREA)
  • Urology & Nephrology (AREA)
  • Immunology (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Emergency Medicine (AREA)
  • Biotechnology (AREA)
  • Food Science & Technology (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Cell Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Microbiology (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • General Physics & Mathematics (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Diabetes (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

通过更简便的方法评价胰岛素分泌能力。具备：至少输入空腹时血糖值和HbA1c值的输入部；根据输入的空腹时血糖值和HbA1c值计算推定HbA1c值的推定HbA1c计算部；基于通过所述输入部输入的HbA1c值和通过所述推定HbA1c计算部计算出的推定HbA1c值来计算胰岛素分泌能力评价值的胰岛素分泌能力评价值计算部。

Description

胰岛素分泌能力分析装置、具备该装置的胰岛素分泌能力分 析系统以及胰岛素分泌能力分析方法
技术领域
本发明涉及一种对分析对象者的胰岛素分泌能力进行分析的分析装置、具备该分析装置的分析系统以及分析方法。
背景技术
胰岛素从胰脏分泌，发挥调节血糖值的功能。关于糖尿病，通过基于空腹时血糖值、即时血糖值以及75g口服糖耐试验(OGTT)的两小时后血糖值中的某个血糖值或糖化血红蛋白(HbA1c)的值的糖尿病类型来进行诊断。即，在受验者在不同日进行的检查中两次以上确认了糖尿病类型时，诊断为糖尿病。糖尿病是几乎没有自觉症状而一直恶化，产生肾病等严重的并发症的疾病，因此针对糖尿病的对策很重要。
另外，已知胰岛素分泌能力对于糖尿病的发病/发展产生大的影响，为了应对糖尿病，需要评价受验者的胰岛素分泌能力。以前，作为胰岛素分泌能力的评价指标，已知根据血液中胰岛素浓度和糖耐量试验的值计算的胰岛素分泌指数。胰岛素分泌指数通过下式来计算。胰岛素分泌指数＝(糖耐试验30分钟后的胰岛素浓度－空腹时胰岛素浓度)÷(糖耐试验30分钟后的血糖值－空腹时血糖值)。该值越小则胰岛素分泌能力越低，在0.4以下时判定为胰岛素分泌能力不良(低)。
在专利文献1中公开了一种糖尿病诊断支援系统，基于患者的检查值以及临床表现来分析患者的糖尿病的病情，输出运动疗法或饮食疗法等诊断支援信息的。在专利文献1所公开的系统中，将空腹时胰岛素值、血糖值、糖耐试验后的胰岛素值等作为输入值，以胰岛素分泌能力降低作为一个指标来输出与糖尿病相关的诊断支援信息。在专利文献1所公开的系统中，基于已输入的空腹时胰岛素值以及糖耐试验后的胰岛素值来判定胰岛素分泌能力。
现有技术文献
专利文献
专利文献1：US2004/0091424
发明内容
发明要解决的课题
通常，通过化学发光免疫分析方法(CLIA法)使用胰岛素抗体来测定上述那样的用于评价胰岛素分泌能力的胰岛素浓度。该胰岛素浓度测定在一般的体检或综合体检中不作为检查项目。
即，虽然不限于上述的糖尿病诊断支援系统，但是一般为了评价胰岛素分泌能力，需要在空腹时和糖耐试验后实施在一般的体检/综合体检中不测定的胰岛素浓度。为此，以往存在在评价胰岛素分泌能力时花费时间和费用，花费工夫这样的问题。
因此，本发明的目的在于提供一种能够通过与以往相比更简便的方法来评价胰岛素分泌能力的胰岛素分泌能力分析装置、具备该装置的胰岛素分泌能力分析系统以及胰岛素分泌能力分析方法。
用于解决课题的手段
为了达成上述目的，本发明人进行了认真研究，结果发现能够利用空腹时的血糖值和糖化血红蛋白值(以下称为HbA1c值)来计算胰岛素分泌能力，直至完成本发明。本发明包括以下内容：
(1)一种胰岛素分泌能力分析装置，其具备：输入部，其至少输入空腹时血糖值和HbA1c值；推定HbA1c计算部，其根据输入的空腹时血糖值和HbA1c值计算推定HbA1c值；以及胰岛素分泌能力评价值计算部，其基于通过所述输入部输入的HbA1c值和通过所述推定HbA1c计算部计算出的推定HbA1c值来计算胰岛素分泌能力评价值。
(2)在(1)所述的胰岛素分泌能力分析装置中，特征在于，所述推定HbA1c计算部使用空腹时血糖值与HbA1c值的关系式，根据输入的空腹时血糖值和HbA1c值计算推定HbA1c值，空腹时血糖值与HbA1c值的关系式是根据包含与多个被检查者相关的空腹时血糖值和HbA1c值的数据组制作出的。
(3)在(2)所述的胰岛素分泌能力分析装置中，特征在于，通过将所述HbA1c值作为目的变量，将所述空腹时血糖值作为说明变量来进行回归分析，制作出所述关系式。
(4)在(1)所述的胰岛素分泌能力分析装置中，特征在于，所述胰岛素分泌能力评价值计算部基于通过所述输入部输入的HbA1c值和通过所述推定HbA1c计算部计算出的推定HbA1c值之间的差来计算所述胰岛素分泌能力评价值。
(5)在(1)所述的胰岛素分泌能力分析装置中，特征在于，还具有输出部，该输出部将通过所述胰岛素分泌能力评价值计算部计算出的胰岛素分泌能力评价值与基准值进行比较来输出与胰岛素分泌能力相关的信息。
(6)在(1)所述的胰岛素分泌能力分析装置中，特征在于，还具有指导需要与否判定部，该指导需要与否判定部根据通过所述输出部输入的体重信息和通过所述胰岛素分泌能力评价值计算部计算出的胰岛素分泌能力评价值，判定是否需要与糖尿病相关的指导。
(7)在(1)所述的胰岛素分泌能力分析装置中，特征在于，还具有：体检数据存储部，其存储了包含与多个被检查者相关的空腹时血糖值和HbA1c值的数据组；以及指导对象者选定部，其根据通过所述输入部输入的体重信息、通过所述胰岛素分泌能力评价值计算部计算出的胰岛素分泌能力评价值，从所述体检数据存储部中存储的数据组中，选定与糖尿病相关的指导对象者。
(8)一种胰岛素分泌能力分析系统，其具备：上述(1)至(7)中的任意一项所述的胰岛素分泌能力分析装置；具有数据组的终端，该数据组包含与分析对象者相关的至少空腹时血糖值和HbA1c值，从所述终端向所述胰岛素分泌能力分析装置输入与分析对象者相关的所述数据组，通过所述胰岛素分泌能力分析装置分析与分析对象者相关的胰岛素分泌能力。
(9)在(8)所述的胰岛素分泌能力分析系统中，特征在于，所述终端是测定与分析对象者相关的空腹时血糖值以及/或者测定HbA1c值的测定器。
(10)一种胰岛素分泌能力分析方法，其具备如下步骤：输入空腹时血糖值和HbA1c值的步骤；根据输入的所述空腹时血糖值和所述HbA1c值计算推定HbA1c值的步骤；以及基于输入的所述HbA1c值和计算出的所述推定HbA1c值来计算胰岛素分泌能力评价值的步骤。
发明的效果
通过本发明的胰岛素分泌能力分析装置以及胰岛素分泌能力分析方法，根据分析对象者的空腹时血糖值以及HbA1c值分析该分析对象者的胰岛素分泌能力。因此，本发明的胰岛素分泌能力分析装置相比以前能够非常简便且低成本地取得与胰岛素分泌能力相关的信息。
另外，通过本发明的胰岛素分泌能力分析系统，根据从终端输入的分析对象者的空腹时血糖值以及HbA1c值通过胰岛素分泌能力分析装置来分析该分析对象者的胰岛素分泌能力。因此，本发明的胰岛素分泌能力分析系统相比以前能够非常简便且低成本地取得与胰岛素分泌能力相关的信息。
附图说明
图1是表示应用了本发明的胰岛素分泌能力分析装置的一个结构例子的框图。
图2是表示应用了本发明的胰岛素分泌能力分析装置的其他结构例子的框图。
图3表示体检数据的一个例子。
图4是表示关系式作成处理的一个例子的流程图。
图5表示关系式数据的一个例子。
图6表示确认关系式的画面的一个例子。
图7是表示胰岛素分泌能力评价式制作处理的一个例子的流程图。
图8表示胰岛素分泌能力的评价式数据的一个例子。
图9是表示胰岛素分泌能力评价处理的一个例子的流程图。
图10表示通过胰岛素分泌指数对胰岛素分泌能力评价值进行评价得到的结果的一个例子。
图11表示通过糖尿病风险对胰岛素分泌能力评价值进行评价得到的结果的一个例子。
图12是表示对象者选定处理的一个例子的流程图。
图13表示对象者选定画面的一个例子。
图14表示通过糖尿病风险对胰岛素分泌能力评价值和体重变化的组合进行评价得到的结果的一个例子。
图15表示胰岛素分泌能力的评价式数据的其他例子。
具体实施方式
以下，使用附图来详细说明用于实施发明的实施方式。
本发明的胰岛素分泌能力分析装置是对于从分析对象者采集到的血液试样预先测定空腹时血糖值和HbA1c值，使用这些空腹时血糖值以及HbA1c值来分析该分析对象者的胰岛素分泌能力的装置。在这里，分析对象者并不特别限定，意味着人。作为分析对象者，例如能够举出健康检查受诊者、糖尿病患者(包括Ⅰ型以及Ⅱ型)以及疑似糖尿病的人。通过分析这些分析对象者的胰岛素分泌能力，能够提供与胰岛素分泌能力的变化相关联的信息，例如能够知晓该分析对象者罹患糖尿病的可能性，支援该分析对象者的糖尿病的诊断，提供针对该分析对象者的糖尿病选择治疗方法时的信息，为了防止该分析对象者罹患糖尿病帮助改善生活等。
更具体地说，如图1所示，应用了本发明的胰岛素分泌能力分析装置101具备：至少输入空腹时血糖值和HbA1c值的输入部102；根据通过输入部102输入的空腹时血糖值和HbA1c值计算推定HbA1c值的推定HbA1c计算部109；基于通过输入部102输入的HbA1c值和通过推定HbA1c计算部109计算出的推定HbA1c值来计算胰岛素分泌能力评价值的胰岛素分泌能力评价值计算部110。胰岛素分泌能力分析装置101具备：输出部103，其输出对胰岛素分泌能力进行分析后的结果等；CPU104，其执行各种信息处理程序；存储器105，其展开执行对象的信息处理程序和信息处理程序利用的数据；以及存储介质106，其存储有推定HbA1c计算部109以及胰岛素分泌能力评价值计算部110这样的信息处理程序。
另外，图1所示的胰岛素分泌能力分析装置101可以构成为与外部的数据库120连接，从数据库120取得推定HbA1c计算部109使用的关系式、胰岛素分泌能力评价值计算部110使用的评价式的胰岛素分泌能力分析系统。其中，推定HbA1c计算部109使用的关系式以及/或者胰岛素分泌能力评价值计算部110使用的评价式并不限于利用外部数据库120的方式，例如也可以是存储在存储介质106中，从存储介质106读出来使用的方式。
在胰岛素分泌能力分析装置101中，输入部102例如能够设为鼠标、键盘等人机接口，接受向胰岛素分泌能力分析装置101的输入。另外，作为输入部102，能够举出作为分析对象者的血液分析结果可输入空腹时血糖值和HbA1c值的输入装置。输入部102例如可以是在与存储了分析对象者的血液分析的结果的终端之间经由网络能够输入信息的网络接口，也可以是在安装了用于进行分析对象者的血液分析的测定器时，从该测定器输入信息的USB等接口。
作为输出部103，能够举出用于输出胰岛素分泌能力分析装置101的运算结果的显示器或打印机。另外，作为输出部103，也可以是向外部终端输出通过胰岛素分泌能力评价值计算部110计算出的胰岛素分泌能力评价值的接口。
存储介质106是存储用于实现胰岛素分泌能力分析装置101的胰岛素分泌能力分析处理的各种程序、以及胰岛素分泌能力分析处理的执行结果等的存储装置，例如是非易失性存储介质(磁盘驱动器、非易失性存储器等)。
CPU104是执行在存储器105中载入的程序的运算装置，例如是CPU、GPU等。CPU104执行以下说明的处理以及运算。
胰岛素分泌能力分析装置101是在一个计算机上，或者在逻辑性或物理性构成的多个计算机上构成的计算机系统，可以在同一计算机上通过单个线程来进行动作，也可以在多个物理性的计算机资源上构筑的虚拟计算机上进行动作。
此外，可以经由可移动介质(CD-ROM、闪存等)或网络向各服务器提供由CPU104执行的程序，并将其存储在非临时性的存储介质即非易失性存储装置中。此时，胰岛素分泌能力分析装置101可以具备对可移动介质进行读入的接口。
如之后详细叙述的那样，在以上那样构成的胰岛素分泌能力分析装置101中，推定HbA1c计算部109所使用的关系式意味着对多个被检查者的体检数据中包含的空腹时血糖值与HbA1c值之间的关系进行统计处理，根据空腹时血糖值计算推定HbA1c值的关系式。另外，用于计算胰岛素分泌能力评价值的评价式意味着根据分析对象者的实际HbA1c值和推定HbA1c值，计算评价胰岛素分泌能力的评价值的式子。此外，也可以在制作推定HbA1c计算部109所使用的关系式时使用的多个被检查者的体检数据中包含分析对象者的体检数据。
在图1所示的胰岛素分泌能力分析装置101中，是从外部的数据库120取得这些关系式以及/或评价式的结构。然而，本发明的胰岛素分泌能力分析装置并不限于这样的结构，也可以是制作用于计算推定HbA1c值的关系式，另外制作用于评价胰岛素分泌能力的评价式的结构。制作这些关系式以及评价式的胰岛素分泌能力分析装置除了图1所示的结构以外，例如如图2所示，在存储介质106中存储了关系式制作部107以及胰岛素分泌能力评价式制作部108。关系式制作部107取得在输入部102输入的多个人的体检数据中包含的空腹时血糖值和HbA1c值，对HbA1c值与空腹时血糖值之间的关系进行统计处理，制作出根据空腹时血糖值计算推定HbA1c的关系式。胰岛素分泌能力评价式制作部108根据通过关系式制作部107计算出的推定HbA1c值和通过输入部102已输入的HbA1c值制作对胰岛素分泌能力进行评价的评价式。
在图2所示的胰岛素分泌能力分析装置101中，推定HbA1c计算部109取得在输入部102输入的分析对象者的空腹时血糖值，将其代入到由关系式制作部107制作出的关系式中来计算推定HbA1c值。在图2所示的胰岛素分泌能力分析装置101中，胰岛素分泌能力评价值计算部110将在输入部102输入的分析对象者的HbA1c值以及由推定HbA1c计算部109计算出的推定HbA1c值带入到由胰岛素分泌能力评价式制作部108制作出的评价式中，计算胰岛素分泌能力评价值。
此外，图2所示的胰岛素分泌能力分析装置101在存储介质106中存储了指导对象者选定部111，在通过输入部102输入了与分析对象者的体重变化相关的信息时，基于由胰岛素分泌能力评价值计算部110计算出的胰岛素分泌能力评价值以及与体重变化有关的信息，能够进行分析对象者处于糖尿病前期等判断，并能够将该分析对象者选定为糖尿病预防的指导对象者。
关系式制作部107以及胰岛素分泌能力评价式制作部108基于在数据库120中存储的多个人的体检数据来制作各个关系式以及评价式。即，数据库120具备存储了多个人的体检数据的体检数据存储部121。此外，数据库120还可以具备：存储了由关系式制作部107制作出的关系式的关系式存储部122、存储了由胰岛素分泌能力评价式制作部108制作出的评价式的评价式存储部123、以及存储了与指导对象者选定部111选定出的指导对象者相关的信息的指导对象者存储部124。
图3表示了在体检数据存储部121中存储的体检数据的结构。体检数据200包含多个体检受诊者的多年的体检数据。体检数据200包含对接受了健康检查的每个人分配的体检者ID201、体检受诊日202、空腹时血糖值203、HbA1c值204以及糖尿病判定205等。在体检者ID201中登记接受了体检或综合体检的体检受诊者的标识符。在体检受诊日202中登记表示接受了体检或综合体检的年月日的信息。空腹时血糖值203以及HbA1c值204是在健康检查或综合体检中检查出的，通过体检者ID201确定的体检受诊者的空腹时血糖值以及HbA1c值。空腹时血糖值203是空腹时的血糖值，通过常规方法来测定，是将单位设为mg/dl或mol/l等的数值。HbA1c值204是表示2～3个月的平均血糖值的值，是将单位设为％(JDS值)、％(NGSP值)或mmol/mol等的数值。糖尿病判定205是表示有无正在治疗糖尿病的值，在该例子中，有设为“1”，无设为“0”。除此以外，体检数据还可以包含其他疾病的判定、家族病史、以往病史以及体重等。
接着，通过图4所示的流程图来说明关系式制作部107中的关系式制作处理。图4是关系式制作部107根据图3的体检数据制作空腹时血糖和HbA1c的关系式的流程图例子。当开始了图4的处理时，首先进行体检数据输入步骤301。
在体检数据输入步骤301中，关系式制作部107取得体检数据存储部121存储的体检数据200。
接着，在分析数据抽出步骤302中，关系式制作部107从在体检数据输入步骤301取得的体检数据200中抽出关系式制作用数据。具体来说，抽出糖尿病判定205为疗糖尿病治疗中是无“0”的分析用体检数据。由于空腹时血糖或HbA1c受到药剂的影响，因此能够抽出排除了这些影响的分析用体检数据。
接着，在关系式制作步骤303中，关系式制作部107使用在分析数据抽出步骤302中抽出的分析用体检数据来制作关系式。具体来说，对在分析数据抽出步骤302中抽出的分析用体检数据中包含的空腹时血糖值203与HbA1c值204之间的关系进行统计处理，制作出根据空腹时血糖值计算推定HbA1c值的关系式。具体来说，能够通过将HbA1c值204作为目的变量，将空腹时血糖值203作为说明变量来进行回归分析，由此制作出关系式。关系式存储部122能够存储制作出的关系式。
图5表示由关系式制作部107制作出的关系式的一个例子。图5所示的关系式数据能够根据分析对象者的空腹时血糖值计算推定HbA1c值。图5所示的关系式数据400在HbA1c值的单位401以及空腹时血糖值的单位402的每个组合中存储了关系式403。关系式403是由上述的关系式制作部107制作出的关系式，作为一个例子，记述为[推定HbA1c值]＝A1～A3×空腹时血糖值+B1～B3的形式。在关系式中A1～A3以及B1～B3是对于HbA1c值的单位401以及空腹时血糖值的单位402的每个组合，通过上述的回归分析计算出的系数。
另外，胰岛素分泌能力分析装置101对于如上那样由关系式制作部107制作出的关系式，如图6所示，能够在输出部103中输出为画面500。如图6所示，在输出部103中，能够显示按照HbA1c值的单位401与空腹时血糖值的单位402的组合的不同而制作出的关系式511、521、531、在关系式制作中使用的分析数据501以及关系式的线510、520、530。
其次，通过图7所示的流程图来说明胰岛素分泌能力评价式制作部108中的评价式制作处理。图7是胰岛素分泌能力评价式制作部108根据图3所示的包含空腹时血糖值以及HbA1c值的体检数据以及根据由关系式制作部107制作出的关系式求出的推定HbA1c值，制作用于评价分析对象者的胰岛素分泌能力的评价式的流程图例子。在开始图7的处理时，首先，进行体检数据输入步骤601。
在体检数据输入步骤601中，胰岛素分泌能力评价式制作部108取得体检数据存储部121存储的体检数据200。
接着，在分析数据抽出步骤602中，胰岛素分泌能力评价式制作部108从在体检数据输入步骤601中取得的体检数据200中抽出评价式制作用数据。具体来说，针对每个体检者ID201参照体检受诊日202，抽出年度不同的两年的体检数据。例如，针对每个体检者ID201抽出2004年度和2009年度这样的年度不同的体检数据。接着，参照年度早的一方(在该例子中为2004年度)的体检数据的糖尿病判定205，排除糖尿病治疗中为有“1”的体检者ID201的体检数据，抽出评价式制作用数据。由此，能够分析在最初的年度(在该例子中为2004年度)不是糖尿病治疗中的人在之后是否成为了糖尿病治疗中(糖尿病治疗概率)。
接着，在HbA1c与推定HbA1c的差值计算步骤603中，胰岛素分泌能力评价式制作部108从图5的关系式数据中取得空腹时血糖值和HbA1c值的单位一致的关系式。然后，对于评价式制作用数据中包含的全部体检者ID201，将在分析数据抽出步骤602中抽出的评价式制作用数据中包含的空腹时血糖值代入关系式，对每个体检者ID201计算推定HbA1c值。并且，针对每个体检者ID201，从评价式制作用数据中包含的HbA1c值减去上述计算出的推定HbA1c值来计算HbA1c与推定HbA1c的差值。
接着，在修正值决定步骤604中，胰岛素分泌能力评价式制作部108根据在HbA1c值与推定HbA1c值的差值计算步骤603中计算出的上述差值与有无糖尿病治疗之间的关系，通过ROC分析(Receiver Operating Characteristic，受诊者工作特性曲线分析)来决定修正值。具体来说，根据评价式制作用数据中包含的年度不同的两年的体检数据中的年度早的一方(在该例子中为2004年度)的HbA1c值与推定HbA1c的差值与年度新的一方的体检数据(在该例中为2009年度)的糖尿病治疗概率之间的关系制作ROC曲线，并将灵敏度+特异度最大的值决定为修正值。
接着，在评价式制作步骤605中，胰岛素分泌能力评价式制作部108根据在HbA1c值与推定HbA1c的差值计算步骤603中计算出的HbA1c与推定HbA1c的差值、在修正值决定步骤604中决定的修正值来制作评价式。具体来说，评价式是从HbA1c与推定HbA1c的差值减去了修正值的式子。
直到以上为止结束图7的胰岛素分泌能力评价式制作处理。能够将制作出的评价式存储在评价式存储部123中。
图8表示由胰岛素分泌能力评价式制作部108制作出的评价式的一个例子。图8所示的评价式数据能够根据分析对象者的HbA1c值以及推定HbA1c值计算评价值。图8所示的评价式数据700针对HbA1c值的单位701以及空腹时血糖值的单位702的每个组合存储了评价式703。评价式703是由上述的胰岛素分泌能力评价式制作部108制作出的关系式，作为一个例子，记述为[HbA1c值]－[推定HbA1c值]－Th1～Th3的形式。在评价式中Th1～Th3是针对HbA1c值的单位701以及空腹时血糖值的单位702的每个组合，通过上述的ROC分析计算出的修正值。
如上述那样计算出关系式以及评价式的胰岛素分泌能力分析装置101例如能够按照图9所示的流程图来计算分析对象者的胰岛素分泌能力的评价值。在开始了图9的处理时，首先，进行空腹时血糖/HbA1c输入步骤801。
在空腹时血糖/HbA1c输入步骤801中，推定HbA1c计算部109通过输入部102输入与分析对象者相关的至少空腹时血糖值和HbA1c值。此时，还可以输入与分析对象者的体重增减相关的信息。
接着，在推定HbA1c计算步骤802中，推定HbA1c计算部109首先取得关系式存储部122存储的关系式数据。接着，推定HbA1c计算部109从关系式数据中选择与在空腹时血糖/HbA1c输入步骤801中输入的分析对象者的空腹时血糖值的单位和HbA1c值的单位都一致的关系式。然后，对于选择出的关系式，通过代入已输入的空腹时血糖值来计算与分析对象者相关的推定HbA1c值。
接着，在胰岛素分泌能力评价值计算步骤803中，胰岛素分泌能力评价值计算部110首先取得评价式存储部123存储的评价式数据。接着，胰岛素分泌能力评价值计算部110从评价式数据中选择与分析对象者的空腹时血糖值的单位和HbA1c的单位一致的评价式703。然后，将推定HbA1c计算部109计算出的推定HbA1c值以及在空腹时血糖/HbA1c输入步骤801输入的HbA1c值分别代入到选择出的评价式，计算与胰岛素分泌能力相关的评价值。通过上述那样计算出的评价式，在计算出的评价值为正时能够判断为胰岛素分泌能力低，在为负值时能够判断为胰岛素分泌能力高。其中，根据评价式的定义，能够将胰岛素分泌能力评价值计算部110计算出的与胰岛素分泌能力相关的评价值与预先决定的基准值进行比较来获得与胰岛素分泌能力相关的信息(胰岛素分泌能力高或低的信息)。另外，能够对于分析对象者，在输出部103中输出与胰岛素分泌能力相关的信息。
通过以上结束胰岛素分泌能力计算处理。通过该处理，能够根据在一般的健康检查或综合体检中检查的空腹时血糖值和HbA1c值，简单地评价胰岛素分泌能力。即，通过本发明的胰岛素分泌能力分析装置101，不需要测定在一般的健康检查或综合体检中不会检查的胰岛素浓度，另外，不需要分为空腹时和糖耐试验后这两次采血来对各个血液试样进行分析。如此，通过本发明的胰岛素分泌能力分析装置101，能够非常简单地判定胰岛素分泌能力。另外，虽然没有图示，但是本发明的胰岛素分泌能力分析装置101优选具备指导需要与否判定部，该指导需要与否判定部在通过输入部102输入了与分析对象者的体重变化相关的信息(体重信息)时，基于该体重信息和胰岛素分泌能力评价值来判定是否需要与分析对象者的糖尿病相关的指导。在该指导需要与否判定部中，在分析对象者的胰岛素分泌能力降低，并且体重信息表示了体重增加时，判断为需要针对该分析对象者指导预防糖尿病。
在这里，图10表示了通过以往的胰岛素分泌指数对通过上述本发明的胰岛素分泌能力分析装置101计算出的胰岛素分泌能力评价值进行评价后的结果900。即，在图10中，表示了将胰岛素分泌能力评价值901按照正负分为2组，按照不同的修正值Th1902，计算胰岛素分泌指数的平均±标准偏差903得到的结果。另外，还表示了对于2组之间的平均值的差进行T检验，计算显著性概率904得到的结果。图10是使用了24个人的数据的评价结果，成为胰岛素分泌能力评价值为正的组胰岛素分泌指数的平均值低的结果。另外，在修正值Th1为0.1、0.2时，显著性概率小于0.05，成为在统计学上显著的差异。如以上所示，表示了通过本发明的胰岛素分泌能力分析装置101计算出的胰岛素分泌能力评价值，能够通过与使用以往的胰岛素分泌指数评价胰岛素分泌能力的系统相同的精度来评价分析对象者的胰岛素分泌能力。
另外，在这里，图11表示了通过5年后有无糖尿病治疗对通过上述本发明的胰岛素分泌能力分析装置101计算出的胰岛素分泌能力评价值进行评价得到的结果1000。在图11中，表示了将胰岛素分泌能力评价值1001按照正负分为2组，按照不同的修正值Th11002计算了糖尿病治疗(糖尿病发病)的多变量调整比值比1003及其95％可靠区间(95％CI)的下限1004以及上限1005而得到的结果。多变量调整比值比表示将胰岛素分泌能力评价值1001为负的组设为1时正的组的比值比，是与糖尿病发病有关的其他协变量，是通过性别、年龄、BMI、空腹时血糖、糖尿病家族病史进行调整后的值。根据图11的多变量调整比值比1003和95％CI下限1004，胰岛素分泌能力评价值1001为正的组相对于为负的组，5年后的糖尿病治疗的概率为4.25倍以上，95％CI下限超过了1因此成为显著高的结果。根据图11所示的结果，了解到通过使用由本发明的胰岛素分泌能力分析装置101计算出的胰岛素分泌能力评价值，能够简单地评价胰岛素分泌能力，并能够评价将来的糖尿病的风险。
在本发明的胰岛素分泌能力分析装置101中，能够通过指导对象者选定部111进一步执行指导对象者选定处理。在胰岛素分泌能力分析装置101中，例如能够按照图12所示的流程图来执行指导对象者选定处理。另外，图13表示指导对象者选定处理中使用的对象者选定画面的一个例子。
指导对象者选定处理如图12所示，首先进行指导人数输入步骤1100。
在指导人数输入步骤1100中，在图13的对象者选定画面的指导人数输入栏1201，考虑指导预算等通过输入部102输入指导人数。
此外，在图13所示的对象者选定画面1200中，表示了指导人数输入栏1201、对象者候补的HbA1c值和推定HbA1c值的散布图1202、表示胰岛素分泌能力评价式的图表1203、胰岛素分泌能力高低的判定基准1204。另外，在图13所示的对象者选定画面1200中，以表的形式来表示各对象者候补的ID1210、HbA1c401、推定HbA1c1212、胰岛素分泌能力评价值1213、胰岛素分泌能力高低的评价结果1214、体重变化1215、指导优先度1216。另外，在图13所示的对象者选定画面1200中，显示了输出指导对象者的选定结果的选定结果输出按钮1220。
接着，在胰岛素分泌能力评价值输入步骤1201中，指导对象者选定部111使得在胰岛素分泌能力评价值1213的栏中输入多个人的由胰岛素分泌能力评价值计算部110计算出的胰岛素分泌能力评价值。输入的胰岛素分泌能力评价值评价胰岛素分泌能力的高低，如图13所示，按照不同的ID1210，与HbA1c401、推定HbA1c1212一起以表的形式进行显示。
接着，在体重变化输入步骤1102中，指导对象者选定部111通过输入部102输入多个人的体重变化量。如图13所示，按照不同的ID1210以表的形式显示输入的体重变化量。
接着，在指导对象者选定步骤1103中，指导对象者选定部111基于在胰岛素分泌能力评价值输入步骤1101输入的胰岛素分泌能力评价值、在体重变化输入步骤1102输入的体重变化量，选定在指导人数输入步骤1100输入的指导人数的指导对象者。具体来说，使胰岛素分泌能力评价值高，体重变化量大的人的指导优先度高，按照指导人数选定为指导对象者。在图13中，指导优先度1216的值小的人表示为胰岛素分泌能力评价值高，体重变化量大的人。如果决定了指导对象者，则按下图13的选定结果输出按钮1220，输出对象者清单。
通过以上所述，在本发明的胰岛素分泌能力分析装置101中，能够通过指导对象者选定部111完成指导对象者选定处理。
在此，图14表示了将通过上述本发明的胰岛素分泌能力分析装置101计算出的胰岛素分泌能力评价值与体重变化进行了组合时的、对5年后有无糖尿病治疗进行评价后的结果。在图14中，表示了将胰岛素分泌能力评价值1301按正负分为2组，按照不同的修正值Th11302和体重变化1303，计算糖尿病治疗(糖尿病发病)的多变量调整比值比1304及其95％可靠区间(95％CI)的下限1305以及上限1306而得到的结果。多变量调整比值比表示将胰岛素分泌能力评价值1301为负且体重变化1303为±1kg的组设为1时的各群的比值比，是与糖尿病发病有关的其他协变量，是通过性别、年龄、BMI、空腹时血糖、糖尿病家族病史进行调整后的值。根据图14的多变量调整比值比1304和95％CI下限1305，胰岛素分泌能力评价值1301为正且增加了1kg以上的组，5年后糖尿病治疗的概率为10.5倍以上，95％CI下限超过了1因此成为显著高的结果。
如此，本发明的胰岛素分泌能力分析装置101通过对胰岛素分泌能力评价值计算部110计算出的胰岛素分泌能力评价值组合与体重变化相关的信息，能够导出可评价更远将来的糖尿病风险。另外，本发明的胰岛素分泌能力分析装置101通过对胰岛素分泌能力评价值计算部110计算出的胰岛素分泌能力评价值组合与体重变化相关的信息，能够适当地选定糖尿病的指导对象者。
此外，在上述的胰岛素分泌能力分析装置101中，说明了胰岛素分泌能力评价式制作部108根据HbA1c值与推定HbA1c值的差值与有无糖尿病治疗之间的关系计算修正值，制作图8的评价式的例子，但是关于评价式并不限于该方法，还能够通过其他方法来制作评价式。例如，在胰岛素分泌能力分析装置101中，可以按照不同的推定HbA1c的值，对HbA1c值与推定HbA1c值的差值与有无糖尿病治疗之间的关系进行ROC分析，计算按照不同的推定HbA1c的值划分的修正值来制作评价式。即，在该例子中，关于制作出的评价式，如图15所示，对于HbA1c值的单位701以及空腹时血糖值的单位702的各组，存储每个推定HbA1c值1403的评价式1404。此外，在图15中，EH11以及EH12分别意味着对于HbA1c值的单位701为“％(JDS)”，空腹时血糖值的单位702为“mg/dl”的组计算出的修正值。如此，通过使用根据推定HbA1c值的值而不同的修正值来制作评价式，能够以更高精度评价胰岛素分泌能力。结果，通过使用根据推定HbA1c值的值而不同的修正值来使用评价式，能够更高精度地评价将来的糖尿病风险。
另外，在上述的胰岛素分泌能力分析装置101中，说明了基于胰岛素分泌能力评价值和体重变化来选定糖尿病的指导对象者的例子，但是也可以不考虑体重变化来选定指导对象者，也可以取代体重变化或者代替体重变化使用其他的信息和胰岛素分泌能力评价值来选定指导对象者。
并且，根据上述胰岛素分泌能力分析装置101与具有包含与分析对象者相关的至少空腹时血糖值和HbA1c值的数据组的终端相连接的胰岛素分泌能力分析系统，通过从该终端向胰岛素分泌能力分析装置101输入分析对象者的空腹时血糖值和HbA1c值，能够对分析对象者的胰岛素分泌能力进行分析。在这里，作为上述终端可以是存储了健康检查的结果的服务器计算机，例如也可以是家庭用血糖测量仪。例如，通过利用了家庭用血糖测量仪等的胰岛素分泌能力分析系统，能够通过该仪器简单地测定HbA1c值和空腹时血糖值来掌握自身的胰岛素分泌能力。然后，通过利用这样的胰岛素分泌能力分析系统，能够基于胰岛素分泌能力评价值用于每日的胰岛素治疗。
符号的说明
101：胰岛素分泌能力分析终端
102：输入部
103：输出部
104：CPU
105：存储器
106：存储介质
107：关系式制作部
108：胰岛素分泌能力评价式制作部
109：推定HbA1c计算部
110：胰岛素分泌能力评价值计算部
111：指导对象者选定部
120：数据库
121：体检信息记录部
122：关系式存储部
123：评价式存储部
124：指导对象者存储部。

Claims (10)

1.一种胰岛素分泌能力分析装置，其特征在于，具备：
输入部，其至少输入空腹时血糖值和HbA1c值；
推定HbA1c计算部，其根据已输入的空腹时血糖值和HbA1c值计算推定HbA1c值；以及
胰岛素分泌能力评价值计算部，其基于通过所述输入部已输入的HbA1c值和通过所述推定HbA1c计算部计算出的推定HbA1c值来计算胰岛素分泌能力评价值。
2.根据权利要求1所述的胰岛素分泌能力分析装置，其特征在于，
所述推定HbA1c计算部使用空腹时血糖值与HbA1c值的关系式，根据已输入的空腹时血糖值和HbA1c值计算推定HbA1c值，所述空腹时血糖值与HbA1c值的关系式是根据包含与多个被检查者相关的空腹时血糖值和HbA1c值的数据组而制作出的关系式。
3.根据权利要求2所述的胰岛素分泌能力分析装置，其特征在于，
通过将所述HbA1c值作为目的变量，将所述空腹时血糖值作为说明变量来进行回归分析，制作出所述关系式。
4.根据权利要求1所述的胰岛素分泌能力分析装置，其特征在于，
所述胰岛素分泌能力评价值计算部基于通过所述输入部已输入的HbA1c值和通过所述推定HbA1c计算部计算出的推定HbA1c值之间的差来计算所述胰岛素分泌能力评价值。
5.根据权利要求1所述的胰岛素分泌能力分析装置，其特征在于，
还具有输出部，该输出部将通过所述胰岛素分泌能力评价值计算部计算出的胰岛素分泌能力评价值与基准值进行比较来输出与胰岛素分泌能力相关的信息。
6.根据权利要求1所述的胰岛素分泌能力分析装置，其特征在于，
还具有指导需要与否判定部，该指导需要与否判定部根据通过所述输入部已输入的体重信息和通过所述胰岛素分泌能力评价值计算部计算出的胰岛素分泌能力评价值，判定是否需要与糖尿病相关的指导。
7.根据权利要求1所述的胰岛素分泌能力分析装置，其特征在于，还具有：
体检数据存储部，其存储了包含与多个被检查者相关的空腹时血糖值和HbA1c值的数据组；以及
指导对象者选定部，其根据通过所述输入部已输入的体重信息以及通过所述胰岛素分泌能力评价值计算部计算出的胰岛素分泌能力评价值，从所述体检数据存储部中存储的数据组中选定与糖尿病相关的指导对象者。
8.一种胰岛素分泌能力分析系统，其特征在于，具备：
权利要求1至7中的任意一项所述的胰岛素分泌能力分析装置；以及
具有数据组的终端，该数据组包含与分析对象者相关的至少空腹时血糖值和HbA1c值，
从所述终端向所述胰岛素分泌能力分析装置输入与分析对象者相关的所述数据组，通过所述胰岛素分泌能力分析装置分析与分析对象者相关的胰岛素分泌能力。
9.根据权利要求8所述的胰岛素分泌能力分析系统，其特征在于，
所述终端是测定与分析对象者相关的空腹时血糖值以及/或者测定HbA1c值的测定器。
10.一种胰岛素分泌能力分析方法，其特征在于，具备：
输入空腹时血糖值和HbA1c值的步骤；
根据已输入的所述空腹时血糖值和所述HbA1c值计算推定HbA1c值的步骤；以及
基于输入的所述HbA1c值和计算出的所述推定HbA1c值来计算胰岛素分泌能力评价值的步骤。
CN201480083933.XA 2014-12-25 2014-12-25 胰岛素分泌能力分析装置、具备该装置的胰岛素分泌能力分析系统以及胰岛素分泌能力分析方法 Active CN107003315B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2014/084285 WO2016103390A1 (ja) 2014-12-25 2014-12-25 インスリン分泌能分析装置、当該装置を備えるインスリン分泌能分析システム及びインスリン分泌能分析方法

Publications (2)

Publication Number Publication Date
CN107003315A true CN107003315A (zh) 2017-08-01
CN107003315B CN107003315B (zh) 2018-09-25

Family

ID=56149486

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201480083933.XA Active CN107003315B (zh) 2014-12-25 2014-12-25 胰岛素分泌能力分析装置、具备该装置的胰岛素分泌能力分析系统以及胰岛素分泌能力分析方法

Country Status (4)

Country Link
US (1) US20170316176A1 (zh)
JP (1) JP6401297B2 (zh)
CN (1) CN107003315B (zh)
WO (1) WO2016103390A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10925547B2 (en) * 2017-01-16 2021-02-23 Bionime Corporation System for monitoring physiological condition
JP7282298B2 (ja) * 2019-07-31 2023-05-29 アークレイ株式会社 推定方法及び平均血糖値推定システム
KR102492194B1 (ko) * 2020-06-11 2023-01-27 고려대학교 산학협력단 췌장 인슐린 분비능 평가 지표 제공 방법 및 장치

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1688244A (zh) * 2002-08-13 2005-10-26 弗吉尼亚大学专利基金会 用于处理自我监测血糖(smbg)数据从而提高糖尿病患者自我管理的方法、系统和计算机程序产品
JP2006304833A (ja) * 2005-04-26 2006-11-09 Sysmex Corp 診断支援システム及びコンピュータプログラム
CN1942767A (zh) * 2000-02-01 2007-04-04 拜尔内布拉斯加股份有限公司 对2型糖尿病、葡萄糖耐量低减、空腹血糖异常的易感性测定的肠抑胃肽判断试验
JP2007304088A (ja) * 2006-03-31 2007-11-22 Lifescan Inc 糖尿病管理方法及びシステム
CN101275953A (zh) * 2007-03-30 2008-10-01 株式会社百利达 血糖状态推定方法以及装置
CN101565740A (zh) * 2002-03-29 2009-10-28 旭化成制药株式会社 检测轻症葡萄糖耐量异常或胰岛素分泌缺陷的方法
CN104034911A (zh) * 2006-09-22 2014-09-10 爱科来株式会社 血液分析装置

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FI112545B (fi) * 1997-05-30 2003-12-15 Nokia Corp Menetelmä ja järjestelmä potilaan veren glykosyloidun hemoglobiinikomponentin tason ennustamiseksi
CA2495648C (en) * 2002-08-13 2014-07-22 University Of Virginia Patent Foundation Method, system, and computer program product for processing of self-monitoring blood glucose (smbg) data to enhance diabetic self-management
EP2940469A1 (en) * 2007-03-30 2015-11-04 Tanita Corporation Urine or blood sugar condition estimation method and apparatus
EP2164387A4 (en) * 2007-07-09 2011-09-07 Univ Virginia Patent Found METHOD, SYSTEM AND COMPUTER PROGRAM PRODUCT FOR THE ASSESSMENT OF INSULIN SENSITIVITY, INSULIN / GLUCOSE RATIO AND INSULIN CORRECTION FACTORS IN DIABETES FROM SELF-MONITORING DATA
MX2010000414A (es) * 2007-07-17 2010-04-01 Metabolon Inc Biomarcadores para prediabetes, enfermedades cardiovasculares y otros trastornos relacionados con sindrome metabolico, y metodos de uso de los mismos.
WO2010017559A1 (en) * 2008-08-08 2010-02-11 University Of Georgia Research Foundation, Inc. Methods and systems for predicting proteins that can be secreted into bodily fluids
WO2011084208A1 (en) * 2009-12-21 2011-07-14 Stc.Unm System and methods for estimating hba1c, treatment response, and hypoglycemia risk using self-monitoring of blood glucose data
EP2585828A4 (en) * 2010-06-25 2014-03-12 Glaxo Group Ltd METHOD FOR THE TREATMENT OF PATIENTS WITH IMMUNE SYSTEM DISEASES
JP5900044B2 (ja) * 2012-03-12 2016-04-06 オムロンヘルスケア株式会社 糖尿病治療支援装置、糖尿病治療支援方法、糖尿病治療支援プログラム
US20130316375A1 (en) * 2012-05-24 2013-11-28 Orban Biotech Llc Diabetes biomarkers
US20130338027A1 (en) * 2012-06-15 2013-12-19 Nuclea Biotechnologies, Inc. Predictive Markers For Cancer and Metabolic Syndrome
US20140324460A1 (en) * 2012-09-26 2014-10-30 Health Diagnostic Laboratory, Inc. Method for determining and managing total cardiodiabetes risk

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1942767A (zh) * 2000-02-01 2007-04-04 拜尔内布拉斯加股份有限公司 对2型糖尿病、葡萄糖耐量低减、空腹血糖异常的易感性测定的肠抑胃肽判断试验
CN101565740A (zh) * 2002-03-29 2009-10-28 旭化成制药株式会社 检测轻症葡萄糖耐量异常或胰岛素分泌缺陷的方法
CN1688244A (zh) * 2002-08-13 2005-10-26 弗吉尼亚大学专利基金会 用于处理自我监测血糖(smbg)数据从而提高糖尿病患者自我管理的方法、系统和计算机程序产品
JP2006304833A (ja) * 2005-04-26 2006-11-09 Sysmex Corp 診断支援システム及びコンピュータプログラム
JP2007304088A (ja) * 2006-03-31 2007-11-22 Lifescan Inc 糖尿病管理方法及びシステム
CN101088469A (zh) * 2006-03-31 2007-12-19 生命扫描有限公司 糖尿病管理方法和系统
CN104034911A (zh) * 2006-09-22 2014-09-10 爱科来株式会社 血液分析装置
CN101275953A (zh) * 2007-03-30 2008-10-01 株式会社百利达 血糖状态推定方法以及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王秀梅 等: "２型糖尿病不同糖化血红蛋白水平胰岛素分泌相关性的研究", 《临床荟萃》 *

Also Published As

Publication number Publication date
JP6401297B2 (ja) 2018-10-10
JPWO2016103390A1 (ja) 2017-06-29
WO2016103390A1 (ja) 2016-06-30
CN107003315B (zh) 2018-09-25
US20170316176A1 (en) 2017-11-02

Similar Documents

Publication Publication Date Title
Wolff-Hughes et al. Total activity counts and bouted minutes of moderate-to-vigorous physical activity: relationships with cardiometabolic biomarkers using 2003–2006 NHANES
Wiley et al. A metabolic syndrome severity score: A tool to quantify cardio-metabolic risk factors
Lai et al. HbA1C variability is strongly associated with the severity of peripheral neuropathy in patients with type 2 diabetes
Bowen et al. The stress-buffering effects of functional social support on ambulatory blood pressure.
Szadkowska et al. Flash glucose measurements in children with type 1 diabetes in real-life settings: to trust or not to trust?
Vero et al. Use of the subjective global assessment to predict health-related quality of life in chronic kidney disease stage 5 patients on maintenance hemodialysis
WO2020091053A1 (ja) 健康ポジショニングマップおよび健康関数を作成する方法、システム、およびプログラム、ならびにそれらの使用方法
Cui et al. Risk assessment of sarcopenia in patients with type 2 diabetes mellitus using data mining methods
CN107003315B (zh) 胰岛素分泌能力分析装置、具备该装置的胰岛素分泌能力分析系统以及胰岛素分泌能力分析方法
Loh et al. Setting analytical performance specifications using HbA1c as a model measurand
Buccheri et al. Artificial intelligence in health data analysis: the Darwinian evolution theory suggests an extremely simple and zero-cost large-scale screening tool for prediabetes and type 2 diabetes
Pazos-Couselo et al. Aging of glucose profiles in an adult population without diabetes
Kazemi et al. Predicting of trend of hemoglobin a1c in type 2 diabetes: a longitudinal linear mixed model
Cescon et al. Linear modeling and prediction in diabetes physiology
Darlow et al. Biomarkers of ageing in New Zealand VLBW young adults and controls
JP5799377B2 (ja) 異常頻度推定装置、異常頻度推定プログラム、異常頻度推定方法および異常頻度推定システム
Delaney et al. Pitfalls in the measurement of the nocturnal blood pressure dip in adolescents with type 1 diabetes
KR102369001B1 (ko) 대사 증후군 점수 추정 방법과 이를 이용한 표시 방법
Madkour et al. Lifetime alcohol use trajectories and health status among persons living with HIV (PLWH)
Adelberger et al. Prediction of postprandial glucose excursions in type 1 diabetes using control-oriented process models
Frank et al. Feasibility of using a factory-calibrated continuous glucose monitoring system to diagnose type 2 diabetes
Jacob et al. Longitudinal prediction of outcome in idiopathic pulmonary fibrosis using automated CT analysis
US11742059B1 (en) System and method for non-invasive quantification of blood biomarkers
KR102422281B1 (ko) 피부 영상을 이용한 강인한 연속 혈당 측정 방법 및 장치
Suda et al. Prediction and predictor elucidation of metabolic syndrome onset among young workers using machine learning techniques: A nationwide study in Japan

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant