CN109863563A - 用于估计未来低血压事件的风险的系统和方法 - Google Patents

用于估计未来低血压事件的风险的系统和方法 Download PDF

Info

Publication number
CN109863563A
CN109863563A CN201780067835.0A CN201780067835A CN109863563A CN 109863563 A CN109863563 A CN 109863563A CN 201780067835 A CN201780067835 A CN 201780067835A CN 109863563 A CN109863563 A CN 109863563A
Authority
CN
China
Prior art keywords
insulin
assessment
glucose
time
history
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
CN201780067835.0A
Other languages
English (en)
Other versions
CN109863563B (zh
Inventor
B.W.范奥登
T.B.阿拉多蒂尔
P.布洛克梅尔
H.本特森
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.)
Novo Nordisk AS
Original Assignee
Novo Nordisk AS
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 Novo Nordisk AS filed Critical Novo Nordisk AS
Priority claimed from PCT/EP2017/077077 external-priority patent/WO2018077835A1/en
Publication of CN109863563A publication Critical patent/CN109863563A/zh
Application granted granted Critical
Publication of CN109863563B publication Critical patent/CN109863563B/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
    • G16H50/30—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
    • 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
    • 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
    • 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
    • A61B5/48—Other medical applications
    • A61B5/4836—Diagnosis combined with treatment in closed-loop systems or methods
    • A61B5/4839—Diagnosis combined with treatment in closed-loop systems or methods combined with drug delivery
    • 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
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
    • 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
    • A61M2205/50—General characteristics of the apparatus with microprocessors or computers
    • A61M2205/52—General characteristics of the apparatus with microprocessors or computers with memories providing a history of measured variating parameters of apparatus or patient
    • 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
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Emergency Medicine (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Optics & Photonics (AREA)
  • Veterinary Medicine (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medicinal Chemistry (AREA)
  • Infusion, Injection, And Reservoir Apparatuses (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

一种用于估计利用常设胰岛素方案（206）的受试者的未来低血糖事件的风险的设备（250），其中该常设胰岛素方案包括一个或多个类型的胰岛素药物用量方案（208），其中该一个或多个类型的胰岛素药物用量方案（208）中的每一个包括：定义一个或多个类型的胰岛素药物的一个类型的胰岛素药物（210）。使用对处于当前代谢状态的受试者的葡萄糖浓度、一阶时间导数和机上胰岛素的评估，以及对葡萄糖浓度、一阶导数和历史机上胰岛素的评估来估计低血糖风险测度。

Description

用于估计未来低血压事件的风险的系统和方法
技术领域
本公开一般涉及用于估计利用常设胰岛素方案的受试者的未来低血糖事件的风险的系统、方法和计算机程序，其中常设胰岛素方案包括：利用一个或多个类型的胰岛素药物以便使受试者经历低血糖风险的风险最小化的胰岛素药物用量方案。
背景技术
传统的胰岛素药物递送系统已包括使用泵系统，其提供频繁的复发用量的胰岛素药物。胰岛素泵仅使用一个类型的胰岛素，即，短效泵胰岛素，其通过在白天期间利用不同的泵速来模拟基础和餐时胰岛素分泌。已经开发了附加类型的递送系统，诸如胰岛素笔，其可以被用来以较不频繁的胰岛素药物注射的形式自我施用胰岛素药物治疗方案。使用这样的递送系统的对1型和2型糖尿病的常见方法是响应于或预期进餐事件，为受试者以规定的胰岛素方案注射单一短效胰岛素药物（推注）用量。在这样的方法中，受试者在每天一餐或多餐之前或之后不久注射短效胰岛素药物用量以降低由这样的进餐所致的葡萄糖水平。然后使用长效胰岛素药物来模拟基础分泌。
对低血糖的恐惧是对最佳胰岛素治疗的最大障碍之一。由于担心患者倾向于低估进食推注的大小，这导致非依从的治疗和高血糖，它们对患者的健康具有负面的长期后果。使预测性低血糖警报持续地监测葡萄糖和活性机上胰岛素（insulin on board）可以缓解一些这种恐惧。
一些胰岛素泵已经集成了低血糖警报。为胰岛素泵开发的app分析来自连续血糖监测仪（CGM）的连续葡萄糖数据中的趋势。该泵进一步分析碳水化合物数据、胰岛素泵数据和个人的葡萄糖历史，以预测在进行推注后的三小时内的未来的低血糖。低血糖预测app将依赖从泵发送到移动app的实时数据。该信息从https://diatribe.org/apppredictslowbloodsugarsthreehoursadvance获得，于2016年12月10日检索。
US 8562587 B2描述了包括胰岛素泵和CGM的另一个系统。所描述的实施例的一个方面提供了一种用于预防或减轻受试者体内的低血糖的方法。该方法可以包括：获得与受试者相关联的代谢测量值，以及基于代谢测量值对低血糖的风险的连续评定。该方法进一步包括：评估低血糖风险以确定以下结果之一：1）不需要采取行动；2）需要减少胰岛素递送；3）需要额外干预；或者3）需要减少胰岛素递送和额外干预。
US 8538703 B2描述了一种通过引入能够预测HbA1c和低血糖风险增加时期两者的智能数据解释组件来增强家庭血糖监测设备的系统和方法。用于估计严重低血糖的长期概率的方法和系统的一个方面基于来自预先确定的时期的自我监测的血糖（SMBG）读数，并且在另一方面，其提供短期概率的估计。
US 2014/0128803描述了一种用于监测主人体内的葡萄糖浓度并且用于将胰岛素递送给主人的集成系统。该系统包括连续葡萄糖传感器，其中该连续葡萄糖传感器被配置成基本上连续地测量主人体内的葡萄糖浓度，并且提供与主人体内的葡萄糖浓度相关联的传感器数据。该系统进一步包括：电子模块，其包括开/关控制器模块，该开/关控制器模块被配置成响应于对内部导出数据和葡萄糖边界的关系的评估而迭代地确定胰岛素治疗指令，其中该胰岛素治疗指令包括从由开和关组成的组中所选择的指令。该系统进一步包括：胰岛素递送设备，其被配置成将胰岛素递送给主人，其中该胰岛素递送设备为被物理连接到接收器和被可操作地连接到接收器中的至少一个，其中胰岛素递送设备被配置成接收来自控制器的胰岛素治疗指令。在一些实施例中，药物递送设备可以是输液泵、笔、注射器、吸入器、药物贴片等等。
US 2012/0109687 A1描述了一种用于提供血糖控制的医疗系统。该系统包括：第一存储装置，其被布置成存储数据；第一数据处理装置，其被布置成执行第一处理功能，以用于修改从第一存储装置检索的数据；第二存储装置，其被布置成存储数据；血糖测量装置，其被布置用于测量血糖值和提供与测量的血糖值相对应的血糖值数据；第二数据处理装置，其被布置成执行第二处理功能，以用于基于血糖值数据和从第二存储装置检索的数据来提供血糖控制的信息；传输装置，其被布置成传输存储在第一存储装置中的数据和安全数据；接收装置，其被布置成接收所传输的数据；验证装置，被布置成验证所接收到的安全数据以及提供与所接收到的安全数据的验证相对应的验证数据；以及安全装置，其被布置成控制第二处理功能的执行。该文档还描述了选择低血糖规则的方法。在一些实施例中，医疗设备可以包括笔、胰岛素泵或吸入设备。
WO 2016/019192 A1描述了一种以电子胰岛素笔形式的智能推注注射器。首先，智能推注注射器能够从计算设备接收指令以便设定剂量。其次，智能推注注射器能够自动装填注射器并且递送与从计算设备接收到的指令相对应的推注剂量。该计算设备可以是单独的组件，诸如个人计算机或智能电话，但是该计算设备也可以结合到智能推注注射器中。该智能推注注射器可以包括用以从外部设备（诸如CGM和计算设备）接收数据的组件。该文档进一步描述了一种实施例，其包括用以在检测到低血糖时关闭递送系统的安全特征。该特征通过停止推注注射器递送胰岛素来响应来自葡萄糖传感器的低血糖读数。
US 2016/0066843 A1描述了一种进行连续分析物监测的机器执行方法。该方法包括：从由电子设备执行的模块接收第一输入，以及从连续分析物检查设备接收第二输入。该方法进一步包括：处理第一和第二输入并且产生输出，其中输出比单独利用检查数据所产生的输出更具信息性。在第一方面的实施例中，输出是在食用食物之后使用者的未来血糖水平的估计。
US 9439602 B2描述了一种用于警告患者低血糖和高血糖风险的系统。该系统包括：连续葡萄糖监测设备，其被配置成周期性地确定患者体内的葡萄糖水平，由此生成一系列葡萄糖水平。动态风险估计模块被配置成基于该一系列葡萄糖水平来评估葡萄糖水平随时间的差分变化（dg/dt），并且生成指示该一系列葡萄糖水平的平滑的葡萄糖水平。该模块进一步被配置成基于该一系列平滑的葡萄糖水平来计算dg/dt，并且基于该平滑的CGM和估计的dg/dt来估计动态风险。比较电路将动态风险与预先确定的阈值进行比较。被配置成生成表示平滑的CGM的显示的设备监测器还被配置成当动态风险大于预先确定的阈值时生成可感知的警报。
US8798934 B2描述了一种使用来自集成葡萄糖传感器和药物递送设备的数据来估计葡萄糖水平的方法。该方法包括：接收与葡萄糖传感器相关联的传感器数据，以及接收与药物递送设备相关联的药物递送数据。该方法进一步包括：利用与药物的递送和/或释放相对应的传感器数据来评估药物递送数据，以确定与药物递送和/或释放相关联的一个或多个个体代谢模式。该方法进一步包括：至少部分地基于个体代谢模式和传感器数据来预测未来时间段的葡萄糖值，并且当预测的葡萄糖值大于指示高血糖状况的阈值或低于指示低血糖状况的阈值时，激活警报。
US2015/0289821公开了在确定血糖紧迫性指数中采用若干个因素的系统和方法，该确定可以基于测量的血糖水平以及其他因素。该系统可以被用来驱动泵。
尽管具有上述背景，但本领域仍然需要以便减轻对低血糖的恐惧的是用于估计利用常设胰岛素方案的受试者的未来低血糖事件的风险的高度可靠的设备和方法，其中常设胰岛素方案包括：利用一个或多个类型的胰岛素药物的胰岛素药物用量方案。
发明内容
在本发明的公开内容中，将描述实施例和方面，它们将解决一个或多个上述目的或者将解决从以下公开内容以及从示例性实施例的描述中显而易见的目的。
在第一方面，提供了一种用于估计利用常设胰岛素方案的受试者的未来低血糖事件的风险的设备，其中常设胰岛素方案包括一个或多个类型的胰岛素药物用量方案，其中该一个或多个类型的胰岛素药物用量方案中的每一个包括：定义一个或多个类型的胰岛素药物的一个类型的胰岛素药物；
该设备包括一个或多个处理器和存储器，该存储器存储：
一个或多个类型的胰岛素药物，以及对于每种类型的胰岛素药物，作用曲线（actionprofile）的持续时间，以用于预测作为时间的函数的受试者体内剩余的胰岛素并且由相应的胰岛素药物的持续时间来表征，其中如果对应的注射事件具有在持续时间内的有时间戳，则该类型的胰岛素药物可以对机上胰岛素有贡献，
历史数据集，其包括作为历史时间过程内的时间的函数的受试者的历史机上胰岛素数据、在历史时间过程内获得的受试者的历史葡萄糖测量值和对应的时间戳，其中历史葡萄糖测量值和对应的时间戳被构建成允许相对于时间推导出一阶导数，由此获得评估的历史葡萄糖浓度，以及作为时间的函数的评估的历史葡萄糖的变化率，以及其中历史时间过程包括多个依从的历史时间段，其中受试者已经依从常设胰岛素方案，
从历史数据集获得的多个历史时间段记录，其中每个历史时间段记录包括：受试者的识别的历史代谢状态、历史血糖事件，其中历史代谢状态可以通过历史血糖事件来识别，其中历史血糖事件可以被识别为历史数据集的历史葡萄糖测量值中的模式、相应类型的代谢状态，以及依从常设胰岛素方案的对应的历史时间段，其中依从的对应的历史时间段是多个依从的历史时间段之一；
存储器进一步存储指令，该指令当由一个或多个处理器执行时，实行以下方法：
从由受试者用来应用常设胰岛素方案的一个或多个胰岛素注射设备获得第一数据集，该第一数据集包括在历史时间过程之后的时间过程中的多个胰岛素药物记录，该多个药物记录中的每个相应的胰岛素药物记录包括：
(i) 相应的胰岛素药物注射事件，其包括使用一个或多个胰岛素注射设备中的相应胰岛素注射设备注射到受试者体内的胰岛素药物量，以及
(ii) 在时间过程内的对应的电子注射事件时间戳，其在发生相应的胰岛素药物注射事件时由相应胰岛素注射设备自动生成，
(iii) 来自一个或多个类型的胰岛素药物的被注射到受试者体内的相应类型的胰岛素药物；
获得第二数据集，该第二数据集包括：受试者的多个自主葡萄糖测量值，以及对于多个自主葡萄糖测量值中的每个相应的自主葡萄糖测量值，表示何时进行相应的测量的葡萄糖测量时间戳，其中葡萄糖测量值和对应的时间戳被构建成允许相对于时间推导出一阶导数，由此获得评估的葡萄糖浓度和作为时间的函数的葡萄糖的变化率；
使用第二数据集来获得与受试者相关联的当前血糖事件，其中当前血糖事件可以被识别为第一数据集的自主葡萄糖测量值中的模式，其中当前血糖事件识别与评估受试者的当前代谢状态有关的评估时期的开始，其中当前代谢状态具有相应类型的代谢状态；
响应于识别与在给定时间的受试者相关联的当前血糖事件，通过下述内容来评估在评估时期内的评估时间处的低血糖风险：
使用第二数据集来获得当前代谢状态的代谢状态类型；
使用第一数据集来获得受试者的评估的机上胰岛素，其中评估的机上胰岛素是根据由第一数据集中的药物记录指示的被注射到受试者体内的胰岛素药物总量来计算的，该药物记录具有在相应的胰岛素药物对评估时间的持续时间内的注射事件时间戳。因此对机上胰岛素有贡献，其中该评估利用指示注射的胰岛素药物总量的药物记录的作用曲线的持续时间，
使用第二数据集来获得：
(i) 在评估时间评估的葡萄糖浓度，
(ii) 在评估时间评估的葡萄糖的变化率；
响应于评估的变化率为负：
使用多个历史时间段记录来获得：
(i)通过选择历史时间段记录来获得受试者的参考历史代谢状态，其包括具有与当前代谢状态相同类型的代谢状态的历史代谢状态，其中所选择的历史时间段记录定义了参考历史时间段记录，
(ii)对应于参考历史时间段记录的参考历史时间段，
(iii)通过选择参考历史时间段内的时间来获得参考历史时间，其中参考历史代谢状态在参考历史时间的进展与当前代谢状态在评估时间的进展相当；
估计低血糖风险测度，其中低血糖风险测度是递增函数，其中二元风险表达式的数量为真，其中二元风险表达式是：
(i)评估的葡萄糖浓度小于在参考历史时间评估的所评估的历史葡萄糖浓度，
(ii)评估的葡萄糖的变化率在数值上大于在参考历史时间评估的所评估的历史葡萄糖的变化率，
在评估时间评估的所评估的机上胰岛素大于在参考历史时间评估的所评估的历史机上胰岛素。
由此提供了一种高度可靠的设备，以用于估计利用常设胰岛素方案的受试者的未来低血糖事件的风险，该常设胰岛素方案利用笔来应用并且使用自主葡萄糖测量值来控制。通过使用与在受试者身上获得的数据有关的历史数据，以及仅在依从时期中，并且在没有发生低血糖事件的情况下，确保优化了在当前情况下用于比较和用于估计风险测度的数据。
在一些实施例中，识别的血糖事件被识别为最大葡萄糖水平，并且与餐后代谢状态有关。在一些实施例中，使用第二数据集来识别与受试者相关联的当前血糖事件的步骤进一步包括：使用第二数据集来识别最大葡萄糖浓度。响应于接收到使用者或受试者的进餐的指示，或通过识别第二数据集中的膳食摄取，实行该步骤。该方法进一步包括：识别与所识别的最大葡萄糖浓度相对应的最大葡萄糖浓度的时间，由此识别评估时期（260）的开始，并且其中当前代谢状态是餐后状态。
在一些实施例中，识别的血糖事件与当前空腹时期有关，其中代谢状态是以空腹为特征的代谢状态。在一些实施例中，使用第二数据集来识别与受试者相关联的当前血糖事件的步骤进一步包括：评估方差的移动时期。响应于方差的移动时期满足预定义的选择标准，选择该方差的移动时期作为评估时期的开始的指示。所选择的评估的方差的移动时期定义所选择的方差的移动时期。
在一些实施例中，该设备进一步被适配成实行识别评估时期的开始的步骤，作为所选择的方差的移动时期的开始的时间。当前代谢状态被定义为当前空腹时期。
在一些实施例中，该设备跨多个自主葡萄糖测量值来评估方差的移动时期，包括使用以下关系：
其中，Gi是多个自主葡萄糖测量值的部分k中的第i个自主葡萄糖测量值，M是多个葡萄糖测量值中的自主葡萄糖测量值的数量，并且表示连续的预先确定的时间跨度，是从多个自主葡萄糖测量值中选择的自主葡萄糖测量值的平均值，以及k在第一时间段内。预定义的选择标准是：方差的移动时期小于预先确定的阈值。
在一些实施例中，胰岛素药物用量方案包括：利用短效胰岛素药物的推注胰岛素药物用量方案，和利用长效胰岛素药物的基础胰岛素药物用量方案。一个或多个类型的胰岛素药物的作用曲线的持续时间包括：针对短效胰岛素药物的推注作用曲线持续时间，其通过短效胰岛素药物的持续时间表征；以及针对长效胰岛素药物的基础作用曲线持续时间，其通过长效胰岛素药物的持续时间表征。使用第一数据集来计算受试者的评估的机上胰岛素的步骤进一步包括：为与长效胰岛素药物有关的机上胰岛素添加与短效胰岛素药物有关的机上胰岛素。与短效胰岛素药物有关的机上胰岛素是根据由第一数据集中的药物记录指示的被注射到受试者体内的短效胰岛素药物总量计算的，该药物记录具有在短效胰岛素药物对评估时间的持续时间内的注射事件时间戳。与长效胰岛素药物有关的机上胰岛素是根据由第一数据集中的药物记录指示的被注射到受试者体内的长效胰岛素药物总量计算的，该药物记录具有在长效胰岛素药物对评估时间的持续时间内的注射事件时间戳。
在一些实施例中，该方法进一步包括：将低血糖风险测度传送给设备的使用者、受试者或健康护理专业人员或者与受试者有关的人员。
在一些实施例中，该设备进一步包括：估计所估计的低血糖风险测度的严重性测度的步骤，其中评估严重性t hypo 包括使用以下关系：
其中，G low 是葡萄糖水平的下限，G是评估时间的葡萄糖水平，h G 是评估的葡萄糖的变化率。
在一些实施例中，二元风险表达式进一步包括：在评估时间（261）评估的机上胰岛素的变化率为负，并且在数值上小于在参考历史时间评估的所评估的历史机上胰岛素的变化率，并且其中在参考历史时间评估的所评估的历史机上胰岛素变化率也为负。
在一些实施例中，二元风险表达式进一步包括：在评估时间（261）评估的机上胰岛素的变化率为正，并且在数值上大于在参考历史时间评估的所评估的历史机上胰岛素的变化率，并且其中在参考历史时间评估的所评估的历史机上胰岛素的变化率也为正。
在一些实施例中，二元风险表达式进一步包括：在评估时间评估的机上胰岛素的变化率为正，并且在参考历史时间评估的所评估的历史机上胰岛素的变化率为负。
在一些实施例中，其中常设胰岛素方案包括：基础胰岛素药物用量方案，可以通过在未过滤的历史血糖数据集中识别历史血糖事件来识别依从的时期。在这些实施例中，存储器进一步存储作为第一未过滤的历史数据集的未过滤的历史胰岛素药物数据集和作为第二未过滤的历史数据集的未过滤的历史血糖数据集。该方法包括：使用受试者的多个历史自主葡萄糖测量值和第二未过滤的历史数据集中的相应的时间戳来将历史血糖事件识别为多个历史空腹事件；
将第一表征应用于该多个空腹事件中的每个相应的历史空腹事件，其中
第一表征是依从基础方案和不依从基础方案中的一个，
当第一未过滤的历史数据集包括一个或多个药物记录时，则认为相应的历史空腹事件依从基础方案，该药物记录在时间和定量的基础上建立与常设基础胰岛素药物用量方案在相应的历史空腹事件期间的依从性，以及
当第一未过滤的历史数据集未能包括一个或多个药物记录时，则认为相应的历史空腹事件不依从基础方案，该药物记录在时间和定量的基础上建立与常设基础胰岛素药物用量方案在相应的历史空腹事件期间的依从性；以及
其中历史数据集基于第二未过滤的历史数据集中的葡萄糖测量值，其与被认为依从基础方案的历史空腹事件是同时期的，并且通过排除第二未过滤的历史数据集中与被认为不依从基础方案的历史空腹事件同时期的葡萄糖测量值。
在一些实施例中，其中常设胰岛素方案进一步包括推注胰岛素药物用量方案。该方法进一步包括：
使用多个历史自主葡萄糖测量值和第二历史未过滤的数据集中的对应的时间戳将历史血糖事件识别为多个进餐事件；
将第二表征应用于该多个历史进餐事件中的每个相应的历史进餐事件，其中
第二表征是依从推注方案和不依从推注方案中的一个，
当第一未过滤的历史数据集中的一个或多个历史药物记录在时间的基础、定量的基础和胰岛素药物类型的基础上指示与常设推注胰岛素药物用量方案在相应的进餐期间具有依从性时，则认为相应的历史进餐事件依从推注方案，以及
当多个历史药物记录未能在时间的基础、定量的基础和胰岛素药物类型的基础上指示与常设推注胰岛素药物用量方案在相应的进餐期间具有依从性时，则认为相应的进餐不依从推注方案；以及
其中历史数据集基于第二未过滤的历史数据集中的葡萄糖测量值，其与被认为依从基础方案的历史进餐事件是同时期的，并且通过排除第二未过滤的历史数据集中与被认为不依从基础方案的历史进餐事件同时期的葡萄糖测量值。
在该设备的另外的方面，其中历史葡萄糖测量值中的模式可以是最大葡萄糖值、最小方差时期或最小平均时期。
在该设备的另外的方面，其中自主葡萄糖测量值中的模式可以是最大葡萄糖值、最小方差时期或最小平均时期。
在该设备的另外的方面，其中历史血糖事件包括历史葡萄糖事件类型，其可以通过历史葡萄糖测量值中的模式来识别。
在该设备的另外的方面，其中血糖事件可以是被识别为进餐事件和最大葡萄糖值的指示的进餐事件类型。
在该设备的另外的方面，其中可以作为来自设备使用者的直接输入来获得进餐事件的指示，或者其中通过评估第二数据集中的自主葡萄糖测量值来获得进餐事件的指示。
在该设备的另外的方面，其中血糖事件包括：血糖事件类型，其可以通过自主葡萄糖测量值中的模式来识别。
在该设备的另外的方面，其中血糖事件可以是被识别为最小方差时期的指示的空腹事件类型。
在该设备的另外的方面，其中使用第二数据集来获得当前代谢状态的代谢状态类型包括：识别当前血糖事件，并且将当前血糖事件的对应的血糖事件类型分配给代谢状态。
本发明进一步提供了一种用于估计利用常设胰岛素方案的受试者的未来低血糖事件的风险的方法，其中该常设胰岛素方案包括一个或多个类型的胰岛素药物用量方案，其中一个或多个类型的胰岛素药物用量方案中的每一个包括：定义一个或多个类型的胰岛素药物的一个类型的胰岛素药物，该方法包括：
使用设备；
该设备包括一个或多个处理器和存储器，该存储器存储：
对于每种类型的胰岛素药物，作用曲线的持续时间，其作为时间的函数来预测受试者体内的剩余胰岛素并且由相应的胰岛素药物的持续时间来表征，
历史数据集，其包括：作为历史时间过程内的时间的函数的受试者的历史机上胰岛素数据、在历史时间过程内获得的受试者的历史葡萄糖测量值和对应的时间戳，其中历史葡萄糖测量值和对应的时间戳被构建成允许相对于时间推导出一阶导数，由此获得评估的历史葡萄糖浓度，以及作为时间的函数的评估的历史葡萄糖的变化率，并且其中历史时间过程包括多个依从的历史时间段，其中受试者已经依从常设胰岛素方案。
多个历史时间段记录，其中每个历史时间段记录包括：受试者的识别的历史代谢状态、相应类型的代谢状态和依从的对应的历史时间段，其中依从的对应的历史时间段是多个依从的历史时间段之一；
存储器进一步存储指令，该指令当由一个或多个处理器执行时，实行以下方法：
从由受试者用来应用常设胰岛素方案的一个或多个胰岛素注射设备获得第一数据集，该第一数据集包括在时间过程中的多个胰岛素药物记录，该多个药物记录中的每个相应的胰岛素药物记录包括：
(i) 相应的胰岛素药物注射事件，其包括使用一个或多个胰岛素注射设备中的相应胰岛素注射设备注射到受试者体内的胰岛素药物量，以及
(ii) 该时间过程内的对应的电子注射事件时间戳，其在发生相应的胰岛素药物注射事件时由相应胰岛素注射设备自动生成，
(iii) 来自一个或多个类型的胰岛素药物的被注射到受试者体内的相应类型的胰岛素药物；
获得第二数据集，该第二数据集包括：受试者的多个自主葡萄糖测量值，以及对于多个自主葡萄糖测量值中的每个相应的自主葡萄糖测量值，表示何时进行相应的测量的葡萄糖测量时间戳，其中葡萄糖测量和对应的时间戳被构建成允许相对于时间推导出一阶导数，由此获得评估的葡萄糖浓度和作为时间的函数的葡萄糖的变化率；
使用第二数据集来获得与受试者相关联的当前血糖事件，其中当前血糖事件指示与评估受试者的当前代谢状态有关的评估时期的开始，其中当前代谢状态具有相应类型的代谢状态；
响应于识别与在给定时间的受试者相关联的当前血糖事件，通过下述内容来评估在评估时期内的评估时间处的低血糖风险：
使用第二数据集来获得当前代谢状态的代谢状态类型；
使用第一数据集来获得受试者的评估的机上胰岛素，其中评估的机上胰岛素是根据由第一数据集中的药物记录指示的被注射到受试者体内的胰岛素药物总量来计算，该药物记录具有在相应的胰岛素药物对评估时间的持续时间内的注射事件时间戳，其中该评估利用指示药物记录的作用曲线的持续时间，
使用第二数据集来获得：
(i) 在评估时间评估的葡萄糖浓度，
(ii) 在评估时间评估的葡萄糖的变化率；
响应于评估的变化率为负：
使用多个时间段记录来获得：
(i) 通过选择历史时间段记录来获得受试者的参考历史代谢状态，其包括具有与当前代谢状态相同类型的代谢状态的历史代谢状态，其中所选择的历史时间段记录定义了参考历史时间段记录，
(ii) 对应于参考历史时间段记录的参考历史时间段，
(iii) 通过选择参考历史时间段内的时间来获得参考历史时间，其中参考历史代谢状态的进展与当前代谢状态在评估时间的进展相当；
估计低血糖风险测度，其中低血糖风险测度是递增函数，其中二元风险表达式的数量为真，其中二元风险表达式是：
(i) 评估的葡萄糖浓度小于在参考历史时间评估的所评估的历史葡萄糖浓度，
(ii) 评估的葡萄糖的变化率在数值上大于在参考历史时间评估的所评估的历史葡萄糖的变化率，
(iii) 在评估时间评估的所评估的机上胰岛素大于在参考历史时间评估的所评估的历史机上胰岛素。
在另外的方面，提供了一种计算机程序，其包括指令，该指令当由具有一个或多个处理器和存储器的计算机执行时，实行根据本公开内容的方法。
在另外的方面，提供了一种计算机可读数据载体，其上存储有根据本公开的计算机程序。
附图说明
图1图示了根据本公开内容的实施例的示例性系统拓扑结构，其包括：用于利用常设胰岛素方案的受试者的低血糖风险估计设备；用于收集患者数据的数据收集设备；测量来自受试者的葡萄糖数据的一个或多个葡萄糖传感器；以及一个或多个胰岛素笔，其由受试者用来根据常设胰岛素方案注射胰岛素药物，其中上文识别的组件可选地通过通信网络互连。
图2A和2B共同地图示了根据本公开内容的实施例的用于估计利用常设胰岛素方案的受试者的低血糖事件的风险的设备。
图3A和3B图示了根据本公开内容的另一个实施例的用于估计利用常设胰岛素方案的受试者的低血糖事件的风险的设备。
图4提供了用于估计利用常设胰岛素方案的受试者的低血糖事件的风险的设备的过程和特征的流程图。
图5A图示了根据本公开的实施例的估计与进餐事件相关的低血糖风险的方法。
图5B图示了根据本公开另一个实施例的估计与进餐事件相关的低血糖风险的方法。
图6图示了估计在评估时间的低血糖风险的严重性的方法。
遍及绘图的若干个视图，相同的附图标记指代对应的部分。
具体实施方式
本公开内容依赖于获取第一和第二数据集。第一数据集包括：在时间过程中采取的多个胰岛素药物记录。该多个药物记录中的每个相应的胰岛素药物记录包括（i）相应的胰岛素药物注射事件，其包括使用相应胰岛素注射设备或一个或多个胰岛素注射设备中的胰岛素注射设备注射到受试者体内的胰岛素药物量，（ii）该时间过程内的对应的电子注射事件时间戳，其在发生相应的胰岛素药物注射事件时由相应胰岛素注射设备自动生成，以及（iii）来自一个或多个类型的胰岛素药物之一的被注射到受试者体内的相应类型的胰岛素药物。第二数据集包括：受试者的多个自主葡萄糖测量值，以及对于多个自主葡萄糖测量值中的每个相应的自主葡萄糖测量值，表示何时进行相应的测量的葡萄糖测量时间戳。
图1图示了用于获取这样的数据的集成系统100的示例。集成系统100包括：一个或多个连接的胰岛素笔104，其是注射设备的示例。该图进一步图示了一个或多个葡萄糖传感器或监测器102、存储器（未示出）和处理器（未示出），以用于估计利用常设胰岛素方案206的受试者的未来低血糖事件的风险，其中该常设胰岛素方案包括：利用一个或多个类型的胰岛素药物210的胰岛素药物用量方案208。
利用集成系统100，作为多个胰岛素药物记录来获得来自被用来将常设胰岛素方案应用于受试者的一个或多个胰岛素笔104的数据。每个胰岛素药物记录包括：时间戳事件，其指定受试者作为常设胰岛素药物用量方案的部分接收到的注射的胰岛素药物量。还获得受试者的连续自主时间戳葡萄糖测量值。自主葡萄糖测量被连续过滤并且存储在存储器中。根据本公开的方法，使用多个胰岛素药物记录和在时间过程中采取的受试者的葡萄糖测量值来实时或接近实时地估计未来低血糖事件的风险。
现在将对实施例进行详细地参考，在附图中图示实施例的示例。在以下详细描述中，阐述了众多具体的细节以便提供对本公开内容的透彻理解。然而，将对本领域普通技术人员显而易见的是，可以在没有这些具体细节的情况下实践本公开内容。在其他实例中，公知的方法、过程、组件、电路和网络并未予以详细描述，以便不必要地使实施例的各方面晦涩难懂。
还将理解的是，尽管本文中可以使用术语第一、第二等来描述各种元件，但是这些元件不应该受这些术语的限制。这些术语仅被用来区分一个元件与另一个元件。例如，第一受试者可以被称为第二受试者，并且类似地，第二受试者可以被称为第一受试者，而不偏离本公开内容的范围。第一受试者和第二受试者都是受试者，但是它们不是同一受试者。另外，术语“受试者”、“使用者”和“患者”在本文中可互换使用。按照专业术语来讲，胰岛素笔意指适用于施加离散剂量的胰岛素的注射设备，其中该注射设备适于记录和传送剂量相关的数据。
本公开内容中使用的术语仅用于描述特定实施例的目的，并且不意图限制本发明。如在本发明的描述和所附权利要求中使用的，单数形式“一”、“一个”和“该”意图也包括复数形式，除非上下文另行明确指示的。还将理解的是，如本文中使用的术语“和/或”指代并且涵盖相关联的列出项目中的一个或多个的任何和全部可能的组合。将进一步理解的是，术语“包括”和/或“包含”当在本说明书中使用时指定所陈述的特征、整数、步骤、操作、元件和/或组件的存在，但不排除存在或者添加一个或多个其它特征、整数、步骤、操作、元件、组件和/或其组。
如本文中使用的，术语“如果”可以被解释成意指“当......时”或“一旦”或“响应于确定”或“响应于检测”，这取决于上下文。类似地，短语“如果确定”或“如果检测到[陈述的条件或事件]”可以被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[陈述的条件或事件]”或“响应于检测到[陈述的条件或事件]”，这取决于上下文。
结合图1至3描述了根据本公开内容的用于估计受试者的未来低血糖事件的风险的系统48的详细描述。照此，图1至3共同地图示了根据本公开内容的系统的拓扑结构。在该拓扑结构中，存在估计受试者的未来低血糖事件的风险的风险估计设备（图1、2和3）、用于数据收集的数据收集设备200、用于将胰岛素药物注射到受试者体内的一个或多个胰岛素笔104，以及可选地与受试者相关联的一个或多个葡萄糖传感器102。遍及本公开内容，仅出于清楚的目的，将作为单独的设备来引用数据收集设备200和风险估计设备250。也就是说，数据收集设备200的所公开的功能和风险估计设备250的所公开的功能被包含在如图1中图示的单独的设备中。然而，将领会的是，实际上，在一些实施例中，数据收集设备200的所公开的功能和风险估计设备250的所公开的功能被包含在单个设备中。在一些实施例中，数据收集设备200的所公开的功能和/或风险估计设备250的所公开的功能被包含在单个设备中，并且该单个设备是胰岛素笔104。
参考图1，风险估计设备250估计受试者的未来低血糖事件的风险。为此，与风险估计设备250电气通信的数据收集设备200接收第一数据集220和第二数据集235。第一数据集220包括时间过程中的多个胰岛素药物记录，每个记录包括（i）相应的胰岛素药物注射事件，其包括使用相应的胰岛素注射设备或一个或多个胰岛素注射设备中的胰岛素注射设备注射到受试者体内的胰岛素药物量，（ii）该时间过程内的对应的电子注射事件时间戳，其在发生相应的胰岛素药物注射事件时由相应的胰岛素注射设备自动生成，以及（iii）来自一个或多个类型的胰岛素药物之一的被注射到受试者体内的相应类型的胰岛素药物。第二数据集235包括受试者的多个自主葡萄糖测量值，以及对于多个自主葡萄糖测量值中的每个相应的自主葡萄糖测量值，表示何时进行相应测量的葡萄糖测量时间戳。在一些实施例中，数据收集设备200直接从由受试者使用的胰岛素笔104和/或（一个或多个）葡萄糖传感器102接收这样的数据。例如，在一些实施例中，数据收集设备200通过射频信号无线地接收该数据。在一些实施例中，这样的信号依照802.11（WiFi）、蓝牙或ZigBee标准。在一些实施例中，数据收集设备200直接接收这样的数据、分析该数据并且将经分析的数据传递给风险估计设备250。在一些实施例中，胰岛素笔104和/或葡萄糖传感器102包括RFID标签，并且使用RFID通信与数据收集设备2006和/或风险估计设备250通信。在一些实施例中，数据收集设备200还获得或接收受试者的生理测量值（例如，来自可穿戴生理测量设备、来自数据收集设备200内的测量设备，诸如磁力计或温度计等）。
在一些实施例中，数据收集设备200和/或风险估计设备250不接近于受试者和/或不具有无线能力，或者这样的无线能力不被用于获取胰岛素药物注射数据、自主葡萄糖数据和/或生理测量数据的目的。在这样的实施例中，通信网络106可以被用来将胰岛素药物注射数据从一个或多个胰岛素笔104传送到数据收集设备200和/或风险估计设备250，和/或将来自葡萄糖传感器102的自主葡萄糖测量值传送到数据收集设备200和/或风险估计设备250，和/或将来自一个或多个生理测量设备（未示出）的生理测量数据传送到数据收集设备200和/或风险估计设备250。
网络106的示例包括但不限于万维网（WWW）、内联网和/或无线网络，诸如蜂窝电话网络、无线局域网（LAN）和/或城域网（MAN）和其他无线通信设备。无线通信可选地使用多种通信标准、协议和技术中的任何一种，包括但不限于全球移动通信系统（GSM）、增强型数据GSM环境（EDGE）、高速下行链路分组接入（HSDPA）、高速上行链路分组接入（HSUPA）、演进-仅数据（EV-DO）、HSPA、HSPA+、双小区HSPA（DC-HSPDA）、长期演进（LTE）、近场通信（NFC）、宽带代码分多址（W-CDMA）、码分多址（CDMA）、时分多址（TDMA）、蓝牙、无线保真（Wi-Fi）（例如，IEEE 802.11a、IEEE 802.11ac、IEEE 802.11ax、IEEE 802.11b、IEEE 802.11g和/或IEEE802.11n）、互联网协议语音（VoIP）、Wi-MAX、电子邮件协议（例如，互联网消息访问协议（IMAP）和/或邮局协议（POP））、即时消息传递（例如，可扩展消息传递和存在协议（XMPP）、利用扩展的即时消息传递和呈现的会话发起协议（SIMPLE）、即时消息传递和呈现服务（IMPS））和/或短消息服务（SMS），或任何其他合适的通信协议，包括截至本公开内容的提交日期尚未开发的通信协议。
在一些实施例中，数据收集设备200和/或风险估计设备250是胰岛素笔的部分。也就是说，在一些实施例中，数据收集设备200和/或风险估计设备250和胰岛素笔104是单个设备。
在一些实施例中，存在附接到受试者的单个葡萄糖传感器102，并且数据收集设备200和/或风险估计设备250是葡萄糖传感器102的部分。也就是说，在一些实施例中，数据收集设备200和/或风险估计设备250和葡萄糖传感器102是单个设备。
当然，系统48的其他拓扑结构也是可能的。例如，一个或多个胰岛素笔104和可选的一个或多个葡萄糖传感器102可以将信息直接无线地传输到数据收集设备200和/或风险估计设备250，而不是依赖于通信网络106。另外，数据收集设备200和/或风险估计设备250可以构成便携式电子设备、服务器计算机，或者实际上构成在网络中链接在一起的几台计算机或者是云计算情境中的虚拟机。照此，图1中示出的示例性拓扑结构仅用来以本领域技术人员容易理解的方式来描述本公开的实施例的特征。
参考图2，在典型的实施例中，风险估计设备250包括一个或多个计算机。出于图2中例示的目的，风险估计设备250被表示为单个计算机，其包括用于估计利用常设胰岛素方案206的受试者的未来低血糖事件的风险的全部功能。然而，本公开内容不如此受限。在一些实施例中，用于估计利用常设胰岛素方案206的受试者的未来低血糖事件的风险的功能在任何数量的联网计算机上铺开和/或驻留在若干个联网计算机中的每一个上和/或托管在可通过通信网络106访问的远程位置处的一个或多个虚拟机上。本领域技术人员将领会的是，任何的各种各样的不同计算机拓扑结构都被用于本申请，并且全部这样的拓扑结构都在本公开内容的范围内。
转向图2，考虑到前述内容，用于估计利用常设胰岛素方案206的受试者的未来低血糖事件的风险的示例性风险估计设备250包括一个或多个处理单元（CPU）274、网络或其他通信接口284、存储器192（例如，随机存取存储器）、可选地由一个或多个控制器288访问的一个或多个磁盘存储装置和/或持久性设备290、用于互连前述组件的一个或多个通信总线213、用户接口278、包括显示器282和输入280（例如，键盘、小键盘、触摸屏）的用户接口278和用于为前述组件供电的电源276。在一些实施例中，使用诸如高速缓存之类的已知计算技术将存储器192中的数据与非易失性存储器290无缝共享。在一些实施例中，存储器192和/或存储器290包括相对于（一个或多个）中央处理单元274远程定位的大容量存储装置。换言之，存储在存储器192和/或存储器290中的一些数据实际上可以被托管在风险估计设备250外部的但是可以使用网络接口284通过互联网、内联网或其他形式的网络或电子电缆（在图2中图示为元件106）由风险估计设备250电子访问的计算机上。
在一些实施例中，用于估计利用常设胰岛素方案206胰岛素药物的受试者的未来低血糖事件的风险的风险估计设备250的存储器192存储：
• 包括用于处理各种基本系统服务的过程的操作系统202；
• 用量风险估计模块204；
• 包括一个或多个类型的胰岛素药物用量方案208的常设胰岛素方案206，每种方案包括定义一个或多个类型的胰岛素药物的一个类型的胰岛素药物210；
• 对于每种类型的胰岛素药物210，作用曲线212的持续时间作为时间的函数来预测受试者体内剩余的胰岛素，并且由相应的胰岛素药物的持续时间来表征；
• 历史依从过滤数据集218，其包括作为历史时间过程内的时间的函数的受试者的历史机上胰岛素数据219，该历史机上胰岛素数据219可以从多个历史胰岛素药物记录122中导出；
• 在历史时间过程内获得的受试者的历史葡萄糖测量值240和对应的时间戳242，其中历史葡萄糖测量值被构建成允许相对于时间推导出一阶导数，由此获得评估的历史葡萄糖浓度，和作为时间的函数的评估的历史葡萄糖的变化率；
• 多个历史时间段记录244，其中每个历史时间段记录245包括：识别的历史代谢状态246、相应类型的代谢状态247，即与进餐事件或空腹事件有关的代谢状态，以及依从的对应的历史时间段248，其中依从的对应的历史时间段（248）是多个依从的历史时间段之一；
• 来自由受试者用来应用常设胰岛素方案206的一个或多个胰岛素注射设备的第一数据集220，该第一数据集220包括：在时间过程中的多个胰岛素药物记录，该多个药物记录中的每个相应的胰岛素药物记录222包括（i）相应的胰岛素药物注射事件224，其包括使用一个或多个胰岛素注射设备中的相应胰岛素注射设备104注射到受试者体内的胰岛素药物量228，和（ii）该时间过程内的对应的电子注射事件时间戳226，其在发生相应的胰岛素药物注射事件224时由相应胰岛素注射设备104自动生成，（iii）来自一个或多个类型的胰岛素药物的被注射230到受试者体内的相应类型的胰岛素药物；
• 在第二数据集235，该第二数据集包括：受试者的多个自主葡萄糖测量值，以及对于该多个自主葡萄糖测量值中的每个相应的自主葡萄糖测量值236，表示何时进行相应的测量236的葡萄糖测量时间戳238，其中葡萄糖测量值和对应的时间戳被构建成允许相对于时间推导出一阶导数，由此获得评估的葡萄糖浓度和作为时间的函数的葡萄糖的变化率；
• 与受试者相关联的当前血糖事件255，其中当前血糖事件255指示与评估受试者的当前代谢状态256有关的评估时期260的开始，其中当前代谢状态256具有相应类型的代谢状态257；
• 评估时期260内的评估时间261
• 当前代谢状态的代谢状态类型257；
• 受试者502的评估的机上胰岛素，其中该评估的机上胰岛素是根据由第一数据集220中的药物记录222指示的被注射到受试者体内的胰岛素药物总量来计算的，该药物记录具有在相应的胰岛素药物对评估时间的持续时间内的注射事件时间戳226，其中该评估利用指示药物记录222的作用曲线的持续时间；
• 在评估时间261评估的葡萄糖浓度263；
• 在评估时间261评估的葡萄糖的变化率264；
• 受试者的参考历史代谢状态（265），其是从来自多个时间段记录244的历史时间段记录（245）中选择的。所选择的历史代谢状态包括：具有与当前代谢状态256相同类型的代谢状态247的历史代谢状态246，其中所选择的历史时间段记录245定义参考历史时间段记录；
• 与参考历史时间段记录相对应的参考历史时间段266；
• 参考历史时间267，被选作参考历史时间段266内的时间，其中参考历史代谢状态265的进展与当前代谢状态256在评估时间261的进展相当；
• 低血糖风险测度299，其中低血糖风险测度299被评估为递增函数，其中二进制风险表达式的数量增加为真，其中该二元风险表达式是：（i）评估的葡萄糖浓度263小于在参考历史时间267评估的所评估的历史葡萄糖浓度270，（ii）评估的葡萄糖的变化率264在数值上大于在参考历史时间267评估的所评估的历史葡萄糖的变化率267，（iii）在评估时间261评估的所评估的机上胰岛素262大于在参考历史时间267评估的所评估的历史机上胰岛素272。
在一些实施例中，低血糖风险估计模块204可在任何浏览器（电话、平板设备、膝上型计算机/台式机）内访问。在一些实施例中，风险估计模块204在本机设备框架上运行，并且可用于下载到运行诸如Android或iOS之类的操作系统202的风险估计设备250上。
在一些实现方式中，用于估计利用常设胰岛素方案206的受试者的未来低血糖事件的风险的风险估计设备250的上述识别的数据元件或模块中的一个或多个被存储在先前描述的存储器设备中的一个或多个中，并且对应于用于实行上述功能的指令集。不必将上述识别的数据、模块或程序（例如，指令集）实现为单独的软件程序、过程或模块，因此可以在各种实现方式中组合或以其他方式重新布置这些模块的各种子集。在一些实现方式中，存储器192和/或290可选地存储上述识别的模块和数据结构的子集。另外，在一些实施例中，存储器192和/或290存储以上未描述的附加的模块和数据结构。
在一些实施例中，用于估计利用常设胰岛素方案206的受试者的未来低血糖事件的风险的风险估计设备250是智能电话（例如，iPHONE）、膝上型计算机、平板计算机、台式计算机或其他形式的电子设备（例如，游戏机）。在一些实施例中，风险估计设备250不是移动的。在一些实施例中，风险估计设备250是移动的。
图3提供了可以与本公开内容一起使用的低血糖风险估计设备250的特定实施例的另外的描述。图3中图示的风险估计设备250具有一个或多个处理单元（CPU）274、外围设备接口370、存储器控制器368、网络或其他通信接口284、存储器192（例如，随机存取存储器）、用户接口278、包括显示器282和输入280（例如，键盘、小键盘、触摸屏）的用户接口278、可选的加速度计317、可选的GPS 319、可选的音频电路372、可选的扬声器360、可选的传声器362、用于检测风险估计设备250（例如，诸如风险估计设备250的触敏显示系统282之类的触敏表面）上的接触强度的一个或多个可选的强度传感器364、可选的输入/输出（I/O）子系统366、一个或多个可选的光学传感器373、用于互连前述组件的一个或多个通信总线213以及用于为前述组件供电的电源276。
在一些实施例中，输入280是触敏显示器，诸如触敏表面。在一些实施例中，用户接口278包括一个或多个软键盘实施例。软键盘实施例可以包括所显示的图标上的标准（QWERTY）和/或非标准符号配置。
除了（一个或多个）加速度计317之外，图3中图示的风险估计设备250可选地包括：磁力计（未示出）和GPS 319（或GLONASS或其他全球导航系统）接收器，以用于获得关于风险估计设备250的位置和取向（例如，横向或纵向）的信息和/或用于确定受试者的体力消耗量。
应该领会的是，图3中图示的风险估计设备250仅是可以被用于估计利用常设胰岛素方案206的受试者的未来低血糖事件的风险的多功能设备的一个示例，并且风险估计设备250可选地具有比示出的更多或更少的组件、可选地组合两个或更多个组件，或者可选地具有组件的不同配置或布置。图3中示出的各种组件以硬件、软件、固件或其组合来实现，包括一个或多个信号处理和/或专用集成电路。
图3中图示的风险估计设备250的存储器192可选地包括高速随机存取存储器，并且可选地还包括非易失性存储器，诸如一个或多个磁盘存储设备、闪速存储器设备或其他非易失性固态存储器设备。风险估计设备250的其他组件（诸如（一个或多个）CPU 274）对存储器192的访问可选地由存储器控制器368进行控制。
外围设备接口370可以被用来将设备的输入和输出外围设备耦合到（一个或多个）CPU 274和存储器192。一个或多个处理器274运行或执行存储在存储器192（诸如胰岛素风险估计模块204）中的各种软件程序和/或指令集，以实行风险估计设备250的各种功能并且处理数据。
在一些实施例中，外围设备接口370、（一个或多个）CPU 274和存储器控制器368可选地在单个芯片上实现。在一些其他实施例中，它们在单独的芯片上实现。
网络接口284的RF（射频）电路接收并且发送RF信号，也被称为电磁信号。在一些实施例中，使用该RF电路从诸如与受试者相关联的葡萄糖传感器102、与受试者和/或数据收集设备200相关联的胰岛素笔104之类的一个或多个设备接收常设胰岛素方案206、第一数据集220和/或第二数据集238。在一些实施例中，RF电路108将电信号转换成电磁信号或从电磁信号转换成电信号，并且经由电磁信号与通信网络和其他通信设备、葡萄糖传感器102和胰岛素笔104和/或数据收集设备200进行通信。RF电路284可选地包括用于实行这些功能的公知电路，包括但不限于天线系统、RF收发器、一个或多个放大器、调谐器、一个或多个振荡器、数字信号处理器、CODEC芯片组、订户身份模块（SIM）卡、存储器等等。RF电路284可选地与通信网络106通信。在一些实施例中，电路284不包括RF电路，并且实际上通过一根或多根硬线（例如，光缆、同轴电缆等等）连接到网络106。
在一些实施例中，音频电路372、可选的扬声器360和可选的传声器362提供受试者与风险估计设备250之间的音频接口。音频电路372从外围设备接口370接收音频数据、将音频数据转换成电信号，并且将电信号传输到扬声器360。扬声器360将电信号转换成人类可听的声波。音频电路372还接收由传声器362从声波转换的电信号。音频电路372将电信号转换成音频数据，并且将音频数据传输到外围设备接口370以进行处理。音频数据可选地由外围设备接口370从存储器192和/或RF电路284中检索和/或被传输到存储器192和/或RF电路284。
在一些实施例中，电源276可选地包括电源管理系统、一个或多个电源（例如，电池、交流电（AC））、再充电系统、电源故障检测电路、电源转换器或逆变器、电源状态指示器（例如，发光二极管（LED））以及与便携式设备中的电力的生成、管理和分配相关联的任何其他组件。
在一些实施例中，风险估计设备250可选地还包括一个或多个光学传感器373。（一个或多个）光学传感器373可选地包括电荷耦合器件（CCD）或互补金属氧化物半导体（CMOS）光电晶体管。（一个或多个）光学传感器373接收来自环境、通过一个或多个透镜投射的光，并且将光转换成表示图像的数据。（一个或多个）光学传感器373可选地捕获静止图像和/或视频。在一些实施例中，光学传感器位于风险估计设备250的背面，与风险估计设备250前面的显示器282相对，使得输入280能够用作静止和/或视频图像采集的取景器。在一些实施例中，另一光学传感器373位于风险估计设备250的前面，以便获得受试者的图像（例如，以验证受试者的健康或状况、以确定受试者的体力活动水平、以帮助远程诊断受试者的状况或者以获取受试者的视觉生理测量值等）。
如图3中图示的，风险估计设备250优选地包括：操作系统202，其包括用于处理各种基本系统服务的程序。操作系统202（例如，iOS、DARWIN、RTXC、LINUX、UNIX、OS X、WINDOWS或者诸如VxWorks之类的嵌入式操作系统）包括：用于控制和管理一般系统任务（例如，存储器管理、存储设备控制、功率管理等）的各种软件组件和/或驱动器，并且便于各种硬件与软件组件之间的通信。
在一些实施例中，风险估计设备250是智能电话。在其他实施例中，风险估计设备250不是智能电话，而是平板计算机、台式计算机、应急车辆计算机或者其他形式或有线或无线联网设备。在一些实施例中，风险估计设备250具有在图2或3中描绘的风险估计设备250中发现的任何或全部电路、硬件组件和软件组件。为了简洁和清楚起见，仅示出了风险估计设备250的一些可能组件，以便更好地强调安装在风险估计设备250上的附加的软件模块。
在如还在图2中示出的一些实施例中，存储器可以进一步存储多个历史药物记录，其中每个历史药物记录122包括（i）历史胰岛素药物注射事件124，（ii）历史注射事件时间戳126，（iii）历史胰岛素药物量130，和（iv）注射的历史胰岛素药物类型，其中历史机上胰岛素数据219可从多个历史药物记录中导出。
在如也在图3A和3B中示出的一些实施例中，存储器可以进一步存储最大葡萄糖浓度518、最大葡萄糖浓度的时间519、所选择的方差的移动时期（302）、预先确定的阈值304。
在一些实施例中，存储器可以进一步存储利用短效胰岛素药物310的推注胰岛素药物用量方案308，和利用长效胰岛素药物315的基础胰岛素药物用量方案314。存储器可以进一步存储：针对短效胰岛素药物310的推注作用曲线持续时间312，其通过短效胰岛素药物的持续时间表征，以及针对长效胰岛素药物315的基础作用曲线持续时间316，其通过长效胰岛素药物的持续时间表征；
在根据本公开的一些实施例中，存储器可以进一步存储估计的低血糖风险测度299的严重性测度602，其中评估严重性测度t hypo 包括使用以下关系：
其中，G low 是葡萄糖水平的下限512，G是评估时间的葡萄糖水平，以及h G 是评估的葡萄糖的变化率264。
虽然图1中公开的系统48可以独立工作，但是在一些实施例中，它还可以与电子医疗记录链接以便以任何方式交换信息。
既然已经公开了用于估计利用常设胰岛素方案206的受试者的未来低血糖事件的风险的系统48的细节，参考图4公开了根据本公开内容的实施例的关于系统的过程和特征的流程图的细节。在一些实施例中，这样的系统的过程和特征由图2和3中图示的风险估计模块204执行。
图4示出了图示了由设备250实行的用于估计利用常设胰岛素方案206的受试者的未来低血糖事件的风险的方法的流程图。常设胰岛素方案包括一个或多个类型的胰岛素药物用量方案208，其中该一个或多个类型的胰岛素药物用量方案208中的每一种包括：定义一个或多个类型的胰岛素药物的一个类型的胰岛素药物210。
该设备包括一个或多个处理器274和存储器192/290，该存储器存储：（a）对于每种类型的胰岛素药物210，作为时间的函数来预测受试者体内剩余的胰岛素并且由相应的胰岛素药物的持续时间表征的作用轮廓212的持续时间，（b）历史数据集218，其包括：作为历史时间过程内的时间的函数的受试者的历史机上胰岛素数据219、在历史时间过程内获得的受试者的历史葡萄糖测量值240和对应的时间戳242，其中历史葡萄糖测量值和对应的时间戳被构建成允许相对于时间推导出一阶导数，由此获得评估的历史葡萄糖浓度，以及作为时间的函数的评估的历史葡萄糖的变化率，以及其中历史时间过程包括多个依从的历史时间段，其中受试者已经依从常设胰岛素方案，历史数据集218包括依从过滤数据，意味着它仅包括在受试者已经依从常设胰岛素方案的时期中获得的数据（c）多个历史时间段记录244，其中每个历史时间段记录245包括受试者的识别的历史代谢状态246、相应类型的代谢状态247和依从的对应的历史时间段248，其中依从的对应的历史时间段248是多个依从的历史时间段之一。
存储器进一步存储指令，该指令当由一个或多个处理器274执行时，实行图4中图示的方法。
在框402中，该过程开始。框404图示了从由受试者用来应用常设胰岛素方案206的一个或多个胰岛素注射设备获得第一数据集220的步骤。第一数据集220包括：时间过程中的多个胰岛素药物记录，该多个药物记录中的每个相应的胰岛素药物记录222包括：（i）相应的胰岛素药物注射事件224，其包括使用一个或多个胰岛素注射设备中的相应胰岛素注射设备104注射到受试者体内的胰岛素药物量228，和（ii）该时间过程内的对应的电子注射事件时间戳226，其在发生相应的胰岛素药物注射事件224时由相应的胰岛素注射设备104自动生成，（iii）来自一个或多个类型的胰岛素药物的被注射230到受试者体内的相应类型的胰岛素药物。
框406图示了获得第二数据集235的步骤，该第二数据集包括：受试者的多个自主葡萄糖测量值，以及对于多个自主葡萄糖测量值中的每个相应的自主葡萄糖测量值236，表示何时进行相应测量236的葡萄糖测量时间戳238，其中葡萄糖测量值和对应的时间戳被构建成允许相对于时间推导出一阶导数，由此获得评估的葡萄糖浓度和作为时间的函数的葡萄糖的变化率。
框408图示了使用第二数据集235来获得与受试者相关联的当前血糖事件255的步骤，其中当前血糖事件255指示与评估受试者的当前代谢状态256有关的评估时期260的开始，其中当前代谢状态256具有相应类型的代谢状态257。
框410图示了在给定时间进行处理的条件步骤。在一些实施例中，如果尚未找到当前血糖事件，则该过程继续到框404。如果已经识别出当前血糖事件，则该过程继续到框412，即，响应于识别与在给定时间的受试者相关联的当前血糖事件255，该过程继续评估在评估时期内的评估时间261处的低血糖风险。
框412图示了使用第二数据集235来获得当前代谢状态256的代谢状态类型257的步骤。
框414图示了使用第一数据集220来获得受试者502的评估的机上胰岛素的步骤，如图5上图示的（仅针对单次注射图示），其中评估的机上胰岛素是根据由第一数据集220中的药物记录222指示的被注射到受试者体内的胰岛素药物总量来计算的，该药物记录222具有在相应的胰岛素药物对评估时间的持续时间内的注射事件时间戳226，其中该评估利用指示药物记录222的作用曲线的持续时间。
框416图示了使用第二数据集来获得下述内容的步骤：（i）在评估时间评估的葡萄糖浓度263，（ii）在评估时间评估的葡萄糖的变化率264。
框416图示了接收评估的葡萄糖的变化率264为负的指示的步骤。如果评估的变化率不为负，则在一些实施例中，该过程可以继续到框404。如果变化率264为负，则该过程继续到框418。
框418图示了使用多个时间段记录来获得下述内容的步骤：（i）通过选择历史时间段记录245来获得受试者的参考历史代谢状态265，其包括具有与当前代谢状态256相同类型的代谢状态247的历史代谢状态246，其中所选择的历史时间段记录245定义了参考历史时间段记录，（ii）对应于参考历史时间段记录的参考历史时间段266，通过选择参考历史时间段266内的时间来获得参考历史时间267，其中参考历史代谢状态265的进展与当前代谢状态256评估时间261的进展相当。
框420图示了估计低血糖风险测度299的步骤，其中低血糖风险测度299是递增函数，其中二元风险表达式的数量为真，其中二元风险表达式是：（i）评估的葡萄糖浓度263小于在参考历史时间267评估的所评估的历史葡萄糖浓度270，（ii）评估的葡萄糖的变化率264在数值上大于在参考历史时间267评估的所评估的历史葡萄糖的变化率267，（iii）在评估时间261评估的所评估的机上胰岛素262大于在参考历史时间267评估的所评估的历史机上胰岛素272。
在一些实施例中，该过程在框422处结束，并且此后可以返回到框402以再次开始估计风险的过程。
图5A和5B图示了本公开内容的实施例，其中识别出不同的血糖事件255。
图5A涉及一个实施例，其中使用与受试者相关联的当前血糖事件255由受试者通知进餐后或者在使用进餐检测算法在第二数据集中识别进餐发生后的最大血糖水平来指示。摄取膳食的时间由进餐或摄取时间561指示。可以由设备的受试者或使用者通知进餐，其中受试者或使用者主动向设备传送已摄取膳食的信息。通信可以例如通过用户操作的按钮来实现。替换地，可以将血糖事件识别为模式，其中进餐相关的血糖事件模式被识别为i）最大葡萄糖ii）接着膳食摄取。膳食摄取可以例如在第二数据集中被识别为血糖浓度中的特征性增加、血糖浓度中的急剧增加、葡萄糖的变化率的高值、葡萄糖的变化率中的增加，例如，最大葡萄糖可以被识别为葡萄糖的变化率的零值，其中当超过所识别的零值变化率的事件时间时，变化率从正值变成负值。从第二数据集中导出的当前血糖浓度被图示为虚线曲线506，并且根据历史数据218导出的历史血糖浓度被图示为实线曲线508。历史血糖浓度是从受试者上的历史葡萄糖测量值获得的，其中受试者已经依从或顺应，并且其中受试者在血糖事件之后的时期中没有经历低血糖事件。也就是说，受试者通过遵循常设胰岛素方案来依从，作为示例，其可以是在餐前、餐中或餐后注射短效胰岛素。图5A还图示了可接受的葡萄糖浓度的间隔，其由下限512和上限514界定。在该间隔中，受试者处于血糖控制中。进餐后的最大葡萄糖指示血糖事件，并且最大葡萄糖519的时间识别血糖事件时间，并且其进一步识别评估时期260的开始。在识别出进餐后的最大葡萄糖即血糖事件之后，在评估时间261评估当前葡萄糖浓度和时间导数，该评估时间261是在随后的评估时期260内的所选择的时间点。将当前葡萄糖浓度和评估时间与历史参考时间267处的历史时间段中的历史葡萄糖浓度的对应评估进行比较。历史参考时间267为在最大葡萄糖的时间519（即，历史血糖事件）与参考历史时间267之间具有相同的持续时间，作为在找到的最大葡萄糖（即，当前血糖事件，在第二数据集中识别（或由使用者传送）的）的当前时间与评估时间261之间的持续时间。代谢状态与血糖事件相关联，并且在进餐相关的血糖事件的情况下，相关联的代谢状态是餐后状态，因为它在用餐后发生。通过测量从发生血糖事件到评估时期内的给定时间或评估时间的时间，血糖事件可以被用作测量代谢状态的进展的参考。以这种方式，参考历史代谢状态265（从参考血糖事件到参考历史评估时间的时间）的进展与当前代谢状态256的进展（从当前血糖事件到评估时间的时间）相当。然而，不是挑选血糖事件的发生作为用于测量进展的参考时间，可以使用其他时间事件作为膳食摄取。为了比较相同进展处的当前和历史代谢状态，如果当前血糖浓度小于历史血糖浓度，则当前浓度更接近下边界512时，低血糖风险更大。如果进一步血糖浓度的一阶时间导数为负，并且在数值上大于历史血糖浓度的负一阶导数，则在当前情况下，低血糖风险也更大，因为情况或代谢状态以更快的速度朝向风险发展。如果进一步根据在相关的先前作用持续时间的时间段中的全部注射计算的当前机上胰岛素更多，则低血糖风险甚至更大。图5A还示出了历史机上胰岛素的曲线502，以及从第一数据集获得的当前机上胰岛素。为了改进估计，可以使用当前葡萄糖浓度的更高阶导数（二阶导数、三阶导数等）和机上胰岛素的一阶和更高阶导数（二阶导数、三阶导数等）来改善低血糖风险的估计。
图5B涉及一个实施例，其中使用与受试者相关联的当前血糖事件255由血糖浓度内的最小方差指示，其中最小方差是从第二数据集获得的。使用第二数据集来识别最小方差的步骤可以通过评估方差的移动时期302来获得，响应于方差的移动时期是最小的，选择评估的方差的移动时期作为评估时期260的开始的指示。替换地，方差的最小时期的均值、中值、开始或结束被用来指示评估时期260的开始。以这种方式，最小方差指示作为空腹事件的血糖事件，并且在最小方差之后的相关联的代谢状态是空腹状态。从第二数据集导出的当前血糖浓度被图示为虚线曲线506，并且从历史数据218导出的历史血糖浓度被图示为实线曲线508。历史血糖浓度从受试者的历史葡萄糖测量值获得，其中受试者已经依从或顺应常设胰岛素方案，并且其中受试者在血糖事件后的时期中没有经历低血糖事件。也就是说，受试者通过遵循常设胰岛素方案来依从，作为示例，其可以是定期地注射长效胰岛素，例如，每天两次、每天一次或每周一次。空腹时期内的血糖水平可以指示是否已施用适当量的长效胰岛素。图5B还图示了可接受的葡萄糖浓度的间隔，其由下限512和上限514界定。在该间隔中，受试者处于血糖控制中。在已经识别出血糖事件255（在这种情况下是通过时期内的葡萄糖浓度的最小方差识别的模式）之后，事件的发生时间指示评估时期260的开始。在随后的评估时期260内的评估时间261评估当前葡萄糖浓度和时间导数、变化率。可以将评估时间261处的葡萄糖浓度的评估与具有代谢状态中的相同进展的历史参考时间267处的历史时间段中的历史葡萄糖浓度的对应的评估进行比较。历史代谢状态的进展可以被评估为历史葡萄糖浓度中的最小方差的时间521与参考历史时间267之间的持续时间。类似地，当前代谢状态的进展可以被评估为在从第二数据集获得的当前葡萄糖浓度中的最小方差的时间（例如，时间可以是具有最小方差的时期的开始、结束、中位或平均值）与评估时间261之间的持续时间。以这种方式，参考历史代谢状态265的进展与当前代谢状态256的进展相当。如果当前血糖浓度小于历史血糖浓度，则在当前浓度更接近下边界512时，低血糖风险更大。如果更进一步血糖浓度的一阶时间导数、变化率为负，并且在数值上大于历史血糖浓度的负一阶导数，则在当前情况下，低血糖风险也更大，因为情况或代谢状态以更高的速度发展。如果进一步根据在相关的先前作用持续时间的时间段中的全部注射来计算的当前机上胰岛素更多，则低血糖风险甚至更大。图5B还示出了历史机上胰岛素的曲线502，和从第一数据集获得的当前机上胰岛素。还指示了利用长效胰岛素的注射时间523。为了改善估计，可以使用当前葡萄糖浓度的更高阶导数和机上胰岛素的一阶和更高阶导数来改善低血糖风险的估计。还指示了空腹时期570。
在替换实施例中，血糖事件可以被识别为葡萄糖测量值的移动时期，并且指示评估时期260的开始的时间可以是该时期的开始、该时期的结束、该时期的中值或该时期的平均值，该时期被识别为具有最小平均葡萄糖测量值的时期。
历史数据集218包括（i）作为历史时间过程内的时间的函数的受试者的历史机上胰岛素数据219，（ii）在历史时间过程内获得的受试者的历史葡萄糖测量值240和对应的时间戳242，还包括（iii）多个依从的历史时间段，并且依从的历史时间段指示其中受试者已经依从常设胰岛素方案的时期。历史数据集218可以被用来获得构建的多个历史时间段记录，其中历史时间段记录245中的每一个包括识别的历史代谢状态246和历史血糖事件。历史代谢状态可以通过历史血糖事件来识别，其中历史血糖事件可以被识别为历史数据集218的历史葡萄糖测量值中的模式。每个历史时间段记录进一步包括：相应类型的代谢状态247和依从的对应的历史时间段248，其是依从常设胰岛素方案的时期。
多个依从的历史时间段可以通过下述内容来识别：（i）使用受试者的多个未过滤的历史葡萄糖测量值和相应的时间戳来识别多个历史血糖事件，以识别未过滤的历史葡萄糖测量值中的多个血糖模式，（ii）将第一表征应用于多个历史血糖事件中的每个相应的历史血糖事件，其中第一表征是依从方案和不依从方案中的一个，当历史胰岛素注射事件集和对应的时间戳在时间和定量的基础上建立与常设胰岛素药物用量方案在相应的历史血糖事件期间的依从性，则认为相应的历史血糖事件依从方案，并且当该历史胰岛素注射事件集和对应的时间戳未能包括在时间和定量的基础上建立与常设基础胰岛素药物用量方案在相应的历史血糖事件期间的依从性，则认为相应的历史血糖事件不依从基础方案。
图6图示了根据当前公开内容的实施例。低血糖警报可能具有不同的严重性，这取决于预期的低血糖。图6图示了进餐附近的时段中的葡萄糖浓度。图示了摄取或进餐时间561的时间和进餐后的最大葡萄糖浓度519的时间。还图示了下葡萄糖边界512和上葡萄糖边界514。另外，指示了不同的评估时间261-1、261-2、261-3以及血糖浓度的对应评估263-1、263-2、263-3。还指示了评估时间261-1处的时间导数264-1。在评估时间261-3处，低血糖风险比在评估时间261-1评估的低血糖风险更加严重，因为存在到低血糖事件的较短时间。评估严重性t hypo 包括使用关系：
其中，G low 是葡萄糖水平的下限512，G是在评估时间的葡萄糖水平，h G 是评估的葡萄糖的变化率264。
实施例的列表
1. 一种用于估计利用常设胰岛素方案206的受试者的未来低血糖事件的风险的设备250，其中该常设胰岛素方案包括一个或多个类型的胰岛素药物剂量方案208，其中该一个或多个类型的胰岛素药物用量方案208中的每一个包括：定义一个或多个类型的胰岛素药物的一个类型的胰岛素药物210；
该设备包括一个或多个处理器274和存储器192/290，该存储器存储：
对于每种类型的胰岛素药物210，作用曲线的持续时间212，其预测作为时间的函数的受试者体内剩余的胰岛素并且由相应的胰岛素药物的持续时间来表征，
历史数据集218，其包括作为历史时间过程内的时间的函数的受试者的历史机上胰岛素数据219、在历史时间过程内获得的受试者的历史葡萄糖测量值240和对应的时间戳242，其中历史葡萄糖测量值和对应的时间戳被构建成允许相对于时间推导出一阶导数，由此获得评估的历史葡萄糖浓度，以及作为时间的函数的评估的历史葡萄糖的变化率，以及其中历史时间过程包括多个依从的历史时间段，其中受试者已经依从该常设胰岛素方案
多个历史时间段记录244，其中每个历史时间段记录245包括：受试者的识别的历史代谢状态246、相应类型的代谢状态247以及依从的对应的历史时间段248，其中依从的对应的历史时间段248是多个依从的历史时间段之一；
存储器进一步存储指令，该指令当由一个或多个处理器274执行时，实行以下方法：
从由受试者用来应用常设胰岛素方案206的一个或多个胰岛素注射设备获得第一数据集220，该第一数据集220包括在时间过程中的多个胰岛素药物记录，多个药物记录中的每个相应的胰岛素药物记录222包括：
(i) 相应的胰岛素药物注射事件224，其包括使用一个或多个胰岛素注射设备中的相应胰岛素注射设备104注射到受试者体内的胰岛素药物量228，以及
(ii) 该时间过程内的对应的电子注射事件时间戳226，其在发生相应的胰岛素药物注射事件224时由相应的胰岛素注射设备104自动生成，
(iii) 来自一个或多个胰岛素药物的被注射230到受试者体内的相应类型的胰岛素药物；
获得第二数据集235，该第二数据集包括：受试者的多个自主葡萄糖测量值，以及对于多个自主葡萄糖测量值中的每个相应的自主葡萄糖测量值236，表示何时进行相应的测量236的葡萄糖测量时间戳238，其中葡萄糖测量值和对应的时间戳被构建成允许相对于时间推导出一阶导数，由此获得评估的葡萄糖浓度和作为时间的函数的葡萄糖的变化率；
使用第二数据集235来获得与受试者相关联的当前血糖事件255，其中当前血糖事件255指示与评估受试者的当前代谢状态256有关的评估时期260的开始，其中当前代谢状态256具有相应类型的代谢状态257；
响应于识别与在给定时间的受试者相关联的当前血糖事件255，通过下述内容来评估在评估时期内的评估时间261处的低血糖风险：
使用第二数据集235来获得当前代谢状态256的代谢状态类型257；
使用第一数据集220来获得受试者的评估的机上胰岛素502，其中评估的机上胰岛素是根据由第一数据集220中的药物记录222指示的被注射到受试者体内的胰岛素药物总量来计算的，该药物记录222具有在相应的胰岛素药物对评估时间的持续时间内的注射事件时间戳226，其中该评估利用指示药物记录222的作用曲线的持续时间，
使用第二数据集来获得：
(i) 在评估时间评估葡萄糖浓度263，
(ii) 在评估时间评估的葡萄糖的变化率264；
响应于评估的变化率264为负：
使用多个历史时间段记录来获得：
(i) 通过选择历史时间段记录245来获得受试者的参考历史代谢状态265，其包括具有与当前代谢状态256相同类型的代谢状态247的历史代谢状态246，其中所选择的历史时间段记录245定义了参考历史时间段记录，
(ii) 对应于参考历史时间段记录的参考历史时间段266，
(iii) 通过选择参考历史时间段266内的时间来获得参考历史时间267，其中参考历史代谢状态265的进展与当前代谢状态256在评估时间261的进展相当；
估计低血糖风险度量299，其中低血糖风险度量（299）是递增函数，其中二元风险表达式的数量为真，其中二元风险表达式是：
(i) 评估的葡萄糖浓度263小于在参考历史时间267评估的所评估的历史葡萄糖浓度270，
(ii) 评估的葡萄糖的变化率264在数值上大于在参考历史时间267评估的所评估的历史葡萄糖的变化率267，
(iii) 在评估时间261评估的所评估的机上胰岛素262大于在参考历史时间267评估的所评估的历史机上胰岛素272。
2. 根据实施例1所述的设备，其中使用第二数据集235来识别与受试者相关联的当前血糖事件255的步骤包括：
响应于接收到进餐的指示，使用第二数据集来识别最大葡萄糖浓度518，
识别与所识别的最大葡萄糖浓度518相对应的最大葡萄糖浓度519的时间，由此识别评估时期260的开始，并且其中当前代谢状态是餐后状态。
3. 根据实施例1的设备，其中使用第二数据集235来识别与受试者相关联的当前血糖事件255的步骤包括：
评估方差的移动时期302，
响应于方差的移动时期满足预定义的选择标准，选择评估的方差的移动时期作为评估时期260的开始的指示，其中所选择的评估的方差的移动时期定义所选择的方差的移动时期302。
4. 根据实施例3的设备，进一步包括步骤：
识别评估时期260的开始，作为所选择的方差的移动时期302的开始的时间，并且其中当前代谢状态（265）是当前空腹时期。
5. 根据权利要求3或4中任一项的设备，其中
跨多个自主葡萄糖测量值236来评估方差的移动时期，包括使用以下关系：
其中，
Gi是多个自主葡萄糖测量值的部分k中的第i个自主葡萄糖测量值，
M是多个葡萄糖测量中的自主葡萄糖测量值的数量，并且表示连续的预定时间跨度，
是从多个自主葡萄糖测量值中选择的自主葡萄糖测量值的平均值，以及
k在第一时间段内；
其中，预定义的选择标准是：方差的移动时期小于预先确定的阈值304。
6. 根据前述实施例中的任一项的设备，其中
胰岛素药物用量方案包括：利用短效胰岛素药物310的推注胰岛素药物用量方案308，和利用长效胰岛素药物315的基础胰岛素药物用量方案314；其中
一个或多个类型的胰岛素药物的作用曲线的持续时间包括：
针对短效胰岛素药物310的推注作用曲线持续时间312，其通过短效胰岛素药物的持续时间表征，以及
针对长效胰岛素药物315的基础作用曲线持续时间316，其通过长效胰岛素药物的持续时间表征；其中
使用第一数据集220来计算受试者的评估的机上胰岛素包括：为与长效胰岛素药物315有关的机上胰岛素添加与短效胰岛素药物310有关的机上胰岛素，其中
与短效胰岛素药物有关的机上胰岛素是根据由第一数据集中的药物记录指示的被注射到受试者体内的短效胰岛素药物总量计算的，该药物记录具有在短效胰岛素药物对评估时间260的持续时间内的注射事件时间戳，并且其中
与长效胰岛素药物有关的机上胰岛素是根据由第一数据集中的药物记录指示的被注射到受试者体内的长效胰岛素药物总量计算的，该药物记录具有在长效胰岛素药物对评估时间260的持续时间内的注射事件时间戳。
7. 根据前述实施例中任一项的设备，其中该方法进一步包括：将低血糖风险度量299传送给该设备的使用者、医疗保健专业人员或者与受试者有关的人员。
8. 根据前述实施例中任一项的设备，其中进一步包括：估计所估计的低血糖风险测度299的严重性测度602的步骤，其中评估严重性t hypo 包括使用以下关系：
其中，
G low 是葡萄糖水平的下限512，
G是评估时间的葡萄糖水平，
h G 是评估的葡萄糖的变化率264。
9. 根据前述实施例中任一项的设备，其中二元风险表达式进一步包括：
(i) 在评估时间261评估的机上胰岛素的变化率为负，并且在数值上小于在参考历史时间评估的所评估的机上胰岛素的历史变化率，并且其中在参考历史时间评估的所评估的历史机上胰岛素的变化率也为负。
10.根据前述权利要求中任一项的设备，其中二元风险表达式进一步包括：
(v) 在评估时间261评估的机上胰岛素的变化率为正，并且在数值上大于在参考历史时间评估的所评估的历史机上胰岛素的变化率，并且其中在参考历史时间评估的所评估的历史机上胰岛素的变化率也为正。
11. 根据前述权利要求中任一项的设备，其中二元风险表达式进一步包括：
(vi) 在评估时间261评估的机上胰岛素的变化率为正，并且在参考历史时间评估的所评估的历史机上胰岛素的变化率为负。
12. 一种用于估计利用常设胰岛素方案206的受试者的未来低血糖事件的风险的方法，其中该常设胰岛素方案包括：一个或多个类型的胰岛素药物用量方案208，其中该一个或多个类型的胰岛素药物用量方案中的每一个包括：定义一个或多个类型的胰岛素药物的一个类型的胰岛素药物210，该方法包括：
使用设备250，其中该设备包括一个或多个处理器274和存储器192/290，该存储器存储：
对于每种类型的胰岛素药物210，作用曲线212的持续时间，其预测作为时间的函数的受试者体内剩余的胰岛素并且由相应的胰岛素药物的持续时间来表征，
历史数据集218，其包括：作为历史时间过程内的时间的函数的受试者的历史机上胰岛素数据219、在历史时间过程内获得的受试者的历史葡萄糖测量值240和对应的时间戳242，其中历史葡萄糖测量值和对应的时间戳被构建成允许相对于时间推导出一阶导数，由此获得评估的历史葡萄糖浓度，以及作为时间的函数的评估的历史葡萄糖的变化率，以及其中历史时间过程包括多个依从的历史时间段，其中受试者已经依从常设胰岛素方案
多个历史时间段记录244，其中每个历史时间段记录245包括：受试者的识别的历史代谢状态246、相应类型的代谢状态247以及依从的对应的历史时间段248，其中依从的对应的历史时间段248是多个依从的历史时间段之一；
存储器进一步存储指令，该指令当由一个或多个处理器274执行时，实行以下方法：
从由受试者用来应用常设胰岛素方案206的一个或多个胰岛素注射设备获得第一数据集220，该第一数据集220包括在时间过程中的多个胰岛素药物记录，多个药物记录中的每个相应的胰岛素药物记录222包括：
(i) 相应的胰岛素药物注射事件224，其包括使用一个或多个胰岛素注射设备中的相应胰岛素注射设备104注射到受试者体内的胰岛素药物量228，以及
(ii) 在该时间过程内的相应的电子注射事件时间戳226，其在发生相应的胰岛素药物注射事件224时由相应的胰岛素注射设备104自动生成，
(iii) 来自一个或多个类型的胰岛素药物的被注射到受试者体内的相应类型的胰岛素药物；
获得第二数据集235，该第二数据集包括：受试者的多个自主葡萄糖测量值，以及对于多个自主葡萄糖测量值中的每个相应的自主葡萄糖测量值236，表示何时进行相应的测量236的葡萄糖测量时间戳238，其中葡萄糖测量值和对应的时间戳被构建成允许相对于时间推导出一阶导数，由此获得评估的葡萄糖浓度和作为时间的函数的葡萄糖的变化率；
使用第二数据集235来获得与受试者相关联的当前血糖事件255，其中当前血糖事件255指示与评估受试者的当前代谢状态256有关的评估时期260的开始，其中当前代谢状态256具有相应类型的代谢状态257；
响应于识别与在给定时间的受试者相关联的当前血糖事件255，通过下述内容来评估在评估时期内的评估时间261处的低血糖风险：
使用第二数据集235来获得当前代谢状态256的代谢状态类型257；
使用第一数据集220来获得受试者的评估的机上胰岛素502，其中评估的机上胰岛素是根据由第一数据集220中的药物记录222指示的被注射到受试者体内的胰岛素药物总量来计算的，该药物记录222具有在相应的胰岛素药物对评估时间的持续时间内的注射事件时间戳226，其中该评估利用指示药物记录222的作用曲线的持续时间，
使用第二数据集来获得：
(i) 在评估时间评估的葡萄糖浓度263，
(ii) 在评估时间评估的葡萄糖的变化率264；
响应于评估的变化率264为负：
使用多个历史时间段记录来获得：
(i) 通过选择历史时间段记录245来获得受试者的参考历史代谢状态265，其包括具有与当前代谢状态256相同类型的代谢状态247的历史代谢状态246，其中所选择的历史时间段记录245定义了参考历史时间段记录，
(ii)对应于参考历史时间段记录的参考历史时间段266，
(iii)通过选择参考历史时间段266内的时间来获得参考历史时间267，其中参考历史代谢状态265的进展与当前代谢状态256在评估时间261的进展相当；
估计低血糖风险测度299，其中该低血糖风险测度（299）是递增函数，其中二元风险表达式的数量为真，其中二元风险表达式是：
(i)评估的葡萄糖浓度263小于在参考历史时间267评估的所评估的历史葡萄糖浓度270，
(ii)评估的葡萄糖的变化率264在数值上大于在参考历史时间267评估的所评估的历史葡萄糖的变化率267，
(iii)在评估时间261评估的所评估的机上胰岛素262大于在参考历史时间267评估的所评估的历史机上胰岛素272。
引用的参考文献和替换的实施例
本文中引用的全部参考文献均通过引用整体地结合于本文中，并且出于所有目的，其程度如同每个单独的公开或专利或专利申请被具体和单独地指示成出于所有目的通过引用整体地结合。
可以将本发明实现为计算机程序产品，其包括嵌入在非暂时性计算机可读存储介质中的计算机程序机制。例如，计算机程序产品可以包含以图1、2、3的任何组合中示出的和/或在图4中描述的程序模块。这些程序模块可以存储在CD-ROM、DVD、磁盘存储产品、USB密钥或任何其他非暂时性计算机可读数据或程序存储产品上。
在不偏离本发明的精神和范围的情况下，可以对本发明做出许多修改和变化，如将对本领域技术人员显而易见的那样。本文中描述的具体实施例仅作为示例提供。挑选和描述实施例是为了最好地解释本发明的原理及其实际应用，由此使得本领域其他技术人员能够最好地利用具有各种修改的本发明和各种实施例，该各种修改适合于设想的特定用途。本发明仅受所附权利要求的条款以及这样的权利要求所赋予的等同方式的全部范围的限制。

Claims (14)

1.一种用于估计利用常设胰岛素方案（206）的受试者的未来低血糖事件的风险的设备（250），其中所述常设胰岛素方案包括一个或多个类型的胰岛素药物用量方案（208），其中所述一个或多个类型的胰岛素药物用量方案（208）中的每一个包括：定义一个或多个类型的胰岛素药物的一个类型的胰岛素药物（210）；
所述设备包括一个或多个处理器（274）和存储器（192/290），所述存储器存储：
一个或多个类型的胰岛素药物（210），以及对于每种类型的胰岛素药物（210），作用曲线的持续时间（212），以用于作为时间的函数来预测所述受试者体内剩余的胰岛素并且由相应的胰岛素药物的持续时间来表征，其中当对应的注射事件在来自评估时间的持续时间内具有时间戳时，所述类型的胰岛素药物可以对机上胰岛素评估有贡献，
历史数据集（218），其包括作为历史时间过程内的时间的函数的所述受试者的历史机上胰岛素数据（219）、在所述历史时间过程内获得的所述受试者的历史葡萄糖测量值（240）和对应的时间戳（242），其中所述历史葡萄糖测量值和所述对应的时间戳被构建成允许相对于时间推导出一阶导数，由此获得评估的历史葡萄糖浓度，以及作为时间的函数的评估的历史葡萄糖的变化率，以及其中所述历史时间过程包括多个依从的历史时间段，其中所述受试者已经依从所述常设胰岛素方案，
从所述历史数据集（218）获得的多个历史时间段记录（244），其中每个历史时间段记录（245）包括：所述受试者的识别的历史代谢状态（246）、历史血糖事件，其中所述历史代谢状态（246）可以通过所述历史血糖事件来识别，其中所述历史血糖事件可以被识别为所述历史数据集（218）的历史葡萄糖测量值中的模式、相应类型的代谢状态（247），以及依从（248）所述常设胰岛素方案的对应的历史时间段，其中依从的对应的历史时间段（248）是多个依从的历史时间段之一；
所述存储器进一步存储指令，所述指令当由所述一个或多个处理器（274）执行时，实行以下方法：
从由所述受试者用来应用所述常设胰岛素方案（206）的一个或多个胰岛素注射设备获得第一数据集（220），所述第一数据集（220）包括在所述历史时间过程之后的时间过程中的多个胰岛素药物记录，所述多个药物记录中的每个相应的胰岛素药物记录（222）包括：
(i) 相应的胰岛素药物注射事件（224），其包括使用所述一个或多个胰岛素注射设备中的相应胰岛素注射设备（104）注射到所述受试者体内的胰岛素药物量（228），以及
(ii) 所述时间过程内的对应的电子注射事件时间戳（226），其在发生相应的胰岛素药物注射事件（224）时由所述相应胰岛素注射设备（104）自动生成，
(iii)来自一个或多个类型的胰岛素药物的被注射（230）到所述受试者体内的相应类型的胰岛素药物；
获得第二数据集（235），所述第二数据集包括：所述受试者的多个自主葡萄糖测量值，以及对于所述多个自主葡萄糖测量值中的每个相应的自主葡萄糖测量值（236），表示何时进行相应的测量（236）的葡萄糖测量时间戳（238），其中所述葡萄糖测量值和对应的时间戳被构建成允许相对于时间推导出一阶导数，由此获得评估的葡萄糖浓度和作为时间的函数的葡萄糖的变化率；
使用所述第二数据集（235）来获得与所述受试者相关联的当前血糖事件（255），其中所述当前血糖事件（255）可以被识别为所述第一数据集的自主葡萄糖测量值中的模式，其中所述当前血糖事件识别与评估所述受试者的当前代谢状态（256）有关的评估时期（260）的开始，其中所述当前代谢状态（256）具有相应类型的代谢状态（257）；
响应于识别与在给定时间的受试者相关联的当前血糖事件（255），通过下述内容来评估在所述评估时期内的评估时间（261）处的低血糖风险：
使用所述第二数据集（235）来获得所述当前代谢状态（256）的代谢状态类型（257）；
使用所述第一数据集（220）来获得所述受试者的评估的机上胰岛素（502），其中所述评估的机上胰岛素是根据由所述第一数据集（220）中的药物记录（222）指示的被注射到所述受试者体内的胰岛素药物总量来计算的，所述药物记录（222）具有在相应的胰岛素药物对所述评估时间的持续时间内的注射事件时间戳（226），因此对所述机上胰岛素有贡献，其中所述评估利用指示注射的胰岛素药物总量的药物记录（222）的作用曲线的持续时间，
使用所述第二数据集来获得：
(i) 在所述评估时间评估的葡萄糖浓度（263），
(ii)在所述评估时间评估的葡萄糖的变化率（264）；
响应于评估的变化率（264）为负：
使用所述多个历史时间段记录来获得：
(i)通过选择历史时间段记录（245）来获得所述受试者的参考历史代谢状态（265），其包括具有与所述当前代谢状态（256）相同类型的代谢状态（247）的历史代谢状态（246），其中所选择的历史时间段记录（245）定义了参考历史时间段记录，
(ii)对应于所述参考历史时间段记录的参考历史时间段（266），
(iii)通过选择所述参考历史时间段（266）内的时间来获得参考历史时间（267），其中所述参考历史代谢状态（265）在所述参考历史时间（267）的进展与所述当前代谢状态（256）在所述评估时间（261）的进展相当；
估计低血糖风险测度（299），其中所述低血糖风险测度（299）是递增函数，其中二元风险表达式的数量为真，其中所述二元风险表达式是：
(i)所述评估的葡萄糖浓度（263）小于在所述参考历史时间（267）评估的所评估的历史葡萄糖浓度（270），
(ii)评估的葡萄糖的变化率（264）在数值上大于在所述参考历史时间（267）评估的所评估的历史葡萄糖的变化率（267），
(iii)在所述评估时间（261）评估的所评估的机上胰岛素（262）大于在所述参考历史时间（267）评估的所评估的历史机上胰岛素（272）。
2.根据权利要求1所述的设备，其中使用所述第二数据集（235）来识别与所述受试者相关联的当前血糖事件（255）的步骤包括：
响应于接收到进餐的指示，使用所述第二数据集来将最大葡萄糖浓度（518）识别为指示所述当前血糖事件（255）的葡萄糖模式，
识别与所识别的最大葡萄糖浓度（518）相对应的最大葡萄糖浓度（519）的时间，由此识别所述评估时期（260）的开始，并且其中所述当前代谢状态是餐后状态。
3.根据权利要求1所述的设备，其中使用所述第二数据集（235）来识别与所述受试者相关联的当前血糖事件（255）的步骤包括：
评估方差的移动时期（302），
响应于方差的移动时期满足预定义的选择标准，选择评估的方差的移动周期作为所述评估时期（260）的开始的指示，其中所选择的评估的方差的移动时期定义所选择的方差的移动时期（302）。
4.根据权利要求3所述的设备，进一步包括步骤：
识别所述评估时期（260）的开始，作为所选择的方差的移动时期（302）的开始的时间，并且其中所述当前代谢状态（265）是当前空腹时期。
5.根据权利要求3或4中任一项所述的设备，其中
跨所述多个自主葡萄糖测量值（236）来评估方差的移动时期，包括使用以下关系：
其中，
Gi是所述多个自主葡萄糖测量值的部分k中的第i个自主葡萄糖测量值，
M是所述多个葡萄糖测量值中的自主葡萄糖测量值的数量，并且表示连续的预先确定的时间跨度，
是从所述多个自主葡萄糖测量值中选择的自主葡萄糖测量值的平均值，以及
k在所述第一时间段内；
其中，所述预定义的选择标准是：方差的移动时期小于预先确定的阈值（304）。
6.根据前述权利要求中任一项所述的设备，其中
所述胰岛素药物用量方案包括：利用短效胰岛素药物（310）的推注胰岛素药物用量方案（308），和利用长效胰岛素药物（315）的基础胰岛素药物用量方案（314）；其中
所述一个或多个类型的胰岛素药物的作用曲线的持续时间包括：
针对所述短效胰岛素药物（310）的推注作用曲线持续时间（312），其通过所述短效胰岛素药物的持续时间表征，以及
针对所述长效胰岛素药物（315）的基础作用曲线持续时间（316），其通过所述长效胰岛素药物的持续时间表征；其中
使用所述第一数据集（220）来计算所述受试者的评估的机上胰岛素包括：为与所述长效胰岛素药物（315）有关的机上胰岛素添加与所述短效胰岛素药物（310）有关的机上胰岛素，其中
与所述短效胰岛素药物有关的机上胰岛素是根据由所述第一数据集中的药物记录指示的被注射到所述受试者体内的短效胰岛素药物总量计算的，所述药物记录具有在所述短效胰岛素药物对所述评估时间（260）的持续时间内的注射事件时间戳，并且其中
与所述长效胰岛素药物有关的机上胰岛素是根据由所述第一数据集中的药物记录指示的被注射到所述受试者体内的长效胰岛素药物总量计算的，所述药物记录具有在所述长效胰岛素药物对所述评估时间（260）的持续时间内的注射事件时间戳。
7.根据前述权利要求中任一项所述的设备，其中所述方法进一步包括：将所述低血糖风险测度（299）传送给所述设备的使用者、医疗保健专业人员或者与所述受试者有关的人员。
8.根据前述权利要求中任一项所述的设备，其中进一步包括：估计所估计的低血糖风险测度（299）的严重性测度（602）的步骤，其中评估严重性t hypo 包括使用以下关系：
其中，
G low 是葡萄糖水平的下限（512），
G是在评估时间的葡萄糖水平，
h G 是评估的葡萄糖的变化率（264）。
9.根据前述权利要求中任一项所述的设备，其中所述二元风险表达式进一步包括：
(iii) 在所述评估时间（261）评估的机上胰岛素的变化率为负，并且在数值上小于在所述参考历史时间评估的所评估的历史机上胰岛素的变化率，并且其中在所述参考历史时间评估的所评估的历史机上胰岛素的变化率也为负。
10.根据前述权利要求中任一项所述的设备，其中所述二元风险表达式进一步包括：
(iv) 在所述评估时间（261）评估的机上胰岛素的变化率为正，并且在数值上大于在所述参考历史时间评估的所评估的历史机上胰岛素的变化率，并且其中在所述参考历史时间评估的所评估的历史机上胰岛素的变化率也为正。
11.根据前述权利要求中任一项所述的设备，其中所述二元风险表达式进一步包括：
(v) 在所述评估时间（261）评估的机上胰岛素的变化率为正，并且在所述参考历史时间评估的所评估的历史机上胰岛素的变化率为负。
12.一种用于估计利用常设胰岛素方案（206）的受试者的未来低血糖事件的风险的方法，其中所述常设胰岛素方案包括：一个或多个类型的胰岛素药物用量方案（208），其中所述一个或多个类型的胰岛素药物用量方案（208）中的每一个包括：定义一个或多个类型的胰岛素药物的一个类型的胰岛素药物（210），所述方法包括：
使用设备（250）；
所述设备包括一个或多个处理器（274）和存储器（192/290），所述存储器存储：
一个或多个类型的胰岛素药物（210），以及对于每种类型的胰岛素药物（210），作用曲线的持续时间（212），以用于作为时间的函数来预测所述受试者体内剩余的胰岛素并且由相应的胰岛素药物的持续时间来表征，其中如果对应的注射事件在所述持续时间内具有时间戳，则所述类型的胰岛素药物可以对机上胰岛素有贡献，
历史数据集（218），其包括：作为历史时间过程内的时间的函数的所述受试者的历史机上胰岛素数据（219）、在所述历史时间过程内获得的所述受试者的历史葡萄糖测量值（240）和对应的时间戳（242），其中所述历史葡萄糖测量值和所述对应的时间戳被构建成允许相对于时间推导出一阶导数，由此获得评估的历史葡萄糖浓度，以及作为时间的函数的评估的历史葡萄糖的变化率，以及其中所述历史时间过程包括多个依从的历史时间段，其中所述受试者已经依从所述常设胰岛素方案，
从所述历史数据集（218）获得的多个历史时间段记录（244），其中每个历史时间段记录（245）包括：所述受试者的识别的历史代谢状态（246）、历史血糖事件，其中所述历史代谢状态（246）可以通过所述历史血糖事件来识别，其中所述历史血糖事件可以被识别为所述历史数据集（218）的历史葡萄糖测量值中的模式、相应类型的代谢状态（247），以及依从（248）所述常设胰岛素方案的对应的历史时间段，其中依从的对应的历史时间段（248）是多个依从的历史时间段之一；
所述存储器进一步存储指令，所述指令当由所述一个或多个处理器（274）执行时，实行以下方法：
从由所述受试者用来应用所述常设胰岛素方案（206）的一个或多个胰岛素注射设备获得第一数据集（220），所述第一数据集（220）包括在所述历史时间过程之后的时间过程中的多个胰岛素药物记录，所述多个药物记录中的每个相应的胰岛素药物记录（222）包括：
(iv) 相应的胰岛素药物注射事件（224），其包括使用所述一个或多个胰岛素注射设备中的相应胰岛素注射设备（104）注射到所述受试者体内的胰岛素药物量（228），以及
(v) 所述时间过程内的对应的电子注射事件时间戳（226），其在发生相应的胰岛素药物注射事件（224）时由所述相应胰岛素注射设备（104）自动生成，
(vi) 来自一个或多个类型的胰岛素药物的被注射（230）到所述受试者体内的相应类型的胰岛素药物；
获得第二数据集（235），所述第二数据集包括：所述受试者的多个自主葡萄糖测量值，以及对于所述多个自主葡萄糖测量值中的每个相应的自主葡萄糖测量值（236），表示何时进行相应的测量（236）的葡萄糖测量时间戳（238），其中所述葡萄糖测量值和对应的时间戳被构建成允许相对于时间推导出一阶导数，由此获得评估的葡萄糖浓度和作为时间的函数的葡萄糖的变化率；
使用所述第二数据集（235）来获得与所述受试者相关联的当前血糖事件（255），其中所述当前血糖事件（255）可以被识别为所述第一数据集的自主葡萄糖测量值中的模式，其中所述当前血糖事件识别与评估所述受试者的当前代谢状态（256）有关的评估时期（260）的开始，其中所述当前代谢状态（256）具有相应类型的代谢状态（257）；
响应于识别与在给定时间的受试者相关联的当前血糖事件（255），通过下述内容来评估在所述评估时期内的评估时间（261）处的低血糖风险：
使用所述第二数据集（235）来获得所述当前代谢状态（256）的代谢状态类型（257）；
使用所述第一数据集（220）来获得所述受试者的评估的机上胰岛素（502），其中所述评估的机上胰岛素是根据由所述第一数据集（220）中的药物记录（222）指示的被注射到所述受试者体内的胰岛素药物总量来计算的，所述药物记录（222）具有在相应的胰岛素药物对所述评估时间的持续时间内的注射事件时间戳（226），因此对所述机上胰岛素有贡献，其中所述评估利用指示注射的胰岛素药物总量的药物记录（222）的作用曲线的持续时间，
使用所述第二数据集来获得：
(i) 在所述评估时间评估的葡萄糖浓度（263），
(ii) 在所述评估时间评估的葡萄糖的变化率（264）；
响应于评估的变化率（264）为负：
使用所述多个历史时间段记录来获得：
(iv) 通过选择历史时间段记录（245）来获得所述受试者的参考历史代谢状态（265），其包括具有与所述当前代谢状态（256）相同类型的代谢状态（247）的历史代谢状态（246），其中所选择的历史时间段记录（245）定义了参考历史时间段记录，
(v) 对应于所述参考历史时间段记录的参考历史时间段（266），
(vi) 通过选择所述参考历史时间段（266）内的时间来获得参考历史时间（267），其中所述参考历史代谢状态（265）在所述参考历史时间（267）的进展与所述当前代谢状态（256）在所述评估时间（261）的进展相当；
估计低血糖风险测度（299），其中所述低血糖风险测度（299）是递增函数，其中二元风险表达式的数量为真，其中所述二元风险表达式是：
(vi) 所述评估的葡萄糖浓度（263）小于在所述参考历史时间（267）评估的所评估的历史葡萄糖浓度（270），
(vii) 评估的葡萄糖的变化率（264）在数值上大于在所述参考历史时间（267）评估的所评估的历史葡萄糖的变化率（267），
在所述评估时间（261）评估的所评估的机上胰岛素（262）大于在所述参考历史时间（267）评估的所评估的历史机上胰岛素（272）。
13.一种计算机程序，其包括指令，所述指令当由具有一个或多个处理器和存储器的计算机执行时，实行权利要求12所述的方法。
14.一种计算机可读数据载体，其上存储有根据权利要求13所述的计算机程序。
CN201780067835.0A 2016-10-31 2017-10-24 用于估计未来低血压事件的风险的系统和方法 Active CN109863563B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201662414988P 2016-10-31 2016-10-31
US62/414988 2016-10-31
EP16199030.4 2016-11-16
EP16199030 2016-11-16
PCT/EP2017/077077 WO2018077835A1 (en) 2016-10-31 2017-10-24 Systems and methods for estimating the risk of a future hypoglycemic event

Publications (2)

Publication Number Publication Date
CN109863563A true CN109863563A (zh) 2019-06-07
CN109863563B CN109863563B (zh) 2024-01-09

Family

ID=60143723

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780067835.0A Active CN109863563B (zh) 2016-10-31 2017-10-24 用于估计未来低血压事件的风险的系统和方法

Country Status (5)

Country Link
US (1) US11373759B2 (zh)
EP (1) EP3532958B1 (zh)
JP (1) JP7082121B2 (zh)
CN (1) CN109863563B (zh)
MA (1) MA46606A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112370607A (zh) * 2020-12-13 2021-02-19 李兴阳 一种光谱在线血糖分析仪及胰岛素泵控制方法
WO2023070713A1 (en) * 2021-10-25 2023-05-04 Medtrum Technologies Inc. Closed-loop artificial pancreas drug infusion control system

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018033515A1 (en) * 2016-08-17 2018-02-22 Novo Nordisk A/S Systems and methods for optimization of bolus timing relative to meal events
US20180353112A1 (en) * 2017-06-09 2018-12-13 President And Fellows Of Harvard College Prevention of post-bariatric hypoglycemia using a novel glucose prediction algorithm and mini-dose stable glucagon

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6923763B1 (en) * 1999-08-23 2005-08-02 University Of Virginia Patent Foundation Method and apparatus for predicting the risk of hypoglycemia
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
US20110313674A1 (en) * 2010-06-18 2011-12-22 Roche Diagnostics Operations, Inc. Insulin optimization systems and testing methods with adjusted exit criterion accounting for system noise associated with biomarkers
CN102334113A (zh) * 2009-02-25 2012-01-25 弗吉尼亚大学专利基金会 通过低血糖风险评估和平滑降低胰岛素递送的基于cgm的低血糖预防
CN103400028A (zh) * 2008-04-04 2013-11-20 海吉雅有限公司 用于优化患者的胰岛素剂量方案的装置
CN103907116A (zh) * 2011-08-26 2014-07-02 弗吉尼亚大学专利基金会 用于糖尿病的自适应咨询控制的方法、系统以及计算机可读介质

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5251126A (en) * 1990-10-29 1993-10-05 Miles Inc. Diabetes data analysis and interpretation method
AU2003259741B2 (en) 2002-08-13 2008-10-23 University Of Virginia Patent Foundation Managing and processing self-monitoring blood glucose
US7591801B2 (en) 2004-02-26 2009-09-22 Dexcom, Inc. Integrated delivery device for continuous glucose sensor
US9452258B2 (en) * 2007-10-09 2016-09-27 Dexcom, Inc. Integrated insulin delivery system with continuous glucose sensor
US9220456B2 (en) * 2008-04-04 2015-12-29 Hygieia, Inc. Systems, methods and devices for achieving glycemic balance
CN105268051B (zh) 2009-02-04 2019-04-19 赛诺菲-安万特德国有限公司 用于提供用于血糖控制的信息的医疗系统和方法
ES2888427T3 (es) 2009-07-23 2022-01-04 Abbott Diabetes Care Inc Gestión en tiempo real de los datos relativos al control fisiológico de los niveles de glucosa
DK2483824T3 (da) 2009-09-30 2017-11-27 Dreamed Diabetes Ltd Monitoreringsanordning til styring af insulinindgivelse
US8671237B2 (en) * 2011-05-31 2014-03-11 Covidien Lp Patient monitoring platform interface
US9439602B2 (en) 2011-10-26 2016-09-13 Dexcom, Inc. Alert system for hypo and hyperglycemia prevention based on clinical risk
US20140012511A1 (en) 2012-07-09 2014-01-09 Dexcom, Inc. Systems and methods for leveraging smartphone features in continuous glucose monitoring
US9364609B2 (en) 2012-08-30 2016-06-14 Medtronic Minimed, Inc. Insulin on board compensation for a closed-loop insulin infusion system
US10130767B2 (en) * 2012-08-30 2018-11-20 Medtronic Minimed, Inc. Sensor model supervisor for a closed-loop insulin infusion system
US9901677B2 (en) 2012-10-16 2018-02-27 Bigfoot Biomedical, Inc. Infusion pump system and methods
WO2015156965A1 (en) * 2014-04-10 2015-10-15 Dexcom, Inc. Glycemic urgency assessment and alerts interface
EP4101483A1 (en) 2014-08-01 2022-12-14 Becton, Dickinson and Company Continuous glucose monitoring injection device
US20160113594A1 (en) 2014-10-22 2016-04-28 Dexcom, Inc. User interfaces for continuous glucose monitoring
US10332633B2 (en) * 2016-06-01 2019-06-25 Roche Diabetes Care, Inc. Control-to-range aggressiveness

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6923763B1 (en) * 1999-08-23 2005-08-02 University Of Virginia Patent Foundation Method and apparatus for predicting the risk of hypoglycemia
CN103400028A (zh) * 2008-04-04 2013-11-20 海吉雅有限公司 用于优化患者的胰岛素剂量方案的装置
CN102334113A (zh) * 2009-02-25 2012-01-25 弗吉尼亚大学专利基金会 通过低血糖风险评估和平滑降低胰岛素递送的基于cgm的低血糖预防
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
US20110313674A1 (en) * 2010-06-18 2011-12-22 Roche Diagnostics Operations, Inc. Insulin optimization systems and testing methods with adjusted exit criterion accounting for system noise associated with biomarkers
CN103907116A (zh) * 2011-08-26 2014-07-02 弗吉尼亚大学专利基金会 用于糖尿病的自适应咨询控制的方法、系统以及计算机可读介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112370607A (zh) * 2020-12-13 2021-02-19 李兴阳 一种光谱在线血糖分析仪及胰岛素泵控制方法
WO2023070713A1 (en) * 2021-10-25 2023-05-04 Medtrum Technologies Inc. Closed-loop artificial pancreas drug infusion control system

Also Published As

Publication number Publication date
CN109863563B (zh) 2024-01-09
JP7082121B2 (ja) 2022-06-07
EP3532958A1 (en) 2019-09-04
MA46606A (fr) 2019-09-04
US11373759B2 (en) 2022-06-28
JP2020504352A (ja) 2020-02-06
EP3532958B1 (en) 2024-03-27
US20190244713A1 (en) 2019-08-08

Similar Documents

Publication Publication Date Title
CN109863563A (zh) 用于估计未来低血压事件的风险的系统和方法
CN109690685B (zh) 用于确定胰岛素敏感性的系统和方法
EP3567594B1 (en) Diabetes management system with dynamic selection of prediction logic
JP6756030B2 (ja) 適応的目標グルコース値による基礎滴定
CN109863560B (zh) 基础胰岛素滴定的起始工具包
EP3935640A1 (en) Autonomous management of a diabetic condition based on mealtime and activity detection
CA2922795C (en) Presenting data generated by a continuous glucose monitor
JP2023552210A (ja) コンテキスト情報を使用するデータの補完
CN109564784A (zh) 用于优化相对于用餐事件的餐时定时的系统和方法
WO2018077835A1 (en) Systems and methods for estimating the risk of a future hypoglycemic event
US20210142879A1 (en) Systems and methods for communicating a dose
CN105469341A (zh) 一种医疗健康干预系统以及基于该系统的干预方法
US11107566B2 (en) Systems and methods for communicating a dose history representing an average and a variability of a distribution of medicament injections
CN109863559A (zh) 调整基础施用时间的系统和方法
JP2020524844A (ja) 適合可能な標的グルコースレベルを用いる基礎タイトレーション
Banos et al. PhysioDroid: an app for physiological data monitoring.
WO2024015338A1 (en) Location-aided glycemic control

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