CN110289094A - 一种基于专家规则的胰岛素精准给药决策方法 - Google Patents

一种基于专家规则的胰岛素精准给药决策方法 Download PDF

Info

Publication number
CN110289094A
CN110289094A CN201910471962.8A CN201910471962A CN110289094A CN 110289094 A CN110289094 A CN 110289094A CN 201910471962 A CN201910471962 A CN 201910471962A CN 110289094 A CN110289094 A CN 110289094A
Authority
CN
China
Prior art keywords
insulin
patient
blood glucose
data
decision
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
CN201910471962.8A
Other languages
English (en)
Other versions
CN110289094B (zh
Inventor
李鸿儒
金秋
于霞
杨英华
陈春华
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.)
Northeastern University China
Original Assignee
Northeastern University China
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 Northeastern University China filed Critical Northeastern University China
Priority to CN201910471962.8A priority Critical patent/CN110289094B/zh
Publication of CN110289094A publication Critical patent/CN110289094A/zh
Application granted granted Critical
Publication of CN110289094B publication Critical patent/CN110289094B/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
    • G16H50/20—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
    • 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
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medicinal Chemistry (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Toxicology (AREA)
  • External Artificial Organs (AREA)
  • Medicines That Contain Protein Lipid Enzymes And Other Medicines (AREA)

Abstract

本发明涉及一种基于专家规则的胰岛素精准给药决策方法，包括如下步骤：S1、获取患者当前血糖变化时间序列数据，并根据获得的当前血糖变化时间序列数据在线预测未来半小时后的血糖变化预测值；S2、根据获取的患者当前血糖变化时间序列数据和未来血糖变化预测值计算当前时刻的患者基础胰岛素数据和患者大剂量胰岛素数据；S3、根据患者当前血糖变化时间序列数据、未来血糖变化预测值、当前时刻的患者基础胰岛素数据和患者大剂量胰岛素数据再与专家规则库中的专家规则相匹配，获得相匹配专家规则标签下的用药策略；本发明提供的方法，能够实现为糖尿病人提供更加精准的治病给药决策。

Description

一种基于专家规则的胰岛素精准给药决策方法
技术领域
本发明属于糖尿病诊疗技术领域，尤其涉及一种基于专家规则的胰岛素精准给药决策方法。
背景技术
糖尿病是全球最常见的慢性疾病之一，糖尿病患病人数在全球范围持续增长，我国是全球糖尿病人数最多的国家，2017年糖尿病人数为1.14亿，预计到2045年将达到1.5亿左右。传统的糖尿病诊疗模式已经无法应对数量如此庞大的糖尿病患者群体。
由于专家数量相对患者数量仍然偏少，不少中、小型及偏远地区医院的医生与年轻医生对于胰岛素依赖型糖尿病的诊疗经验不够丰富。因此，建立一种基于专家规则的胰岛素精准给药决策系统是非常有必要的。
目前，胰岛素依赖型糖尿病患者需要注射胰岛素来控制血糖浓度，以确保其血糖值在正常范围内波动。胰岛素注射方法在临床上有两种，一种是每日多次皮下胰岛素注射，另一种就是胰岛素泵(胰岛素持续皮下注射)，相比于第一种方法，胰岛素泵能模拟生理胰岛素基础分泌,使血糖更为稳定，也更为方便病人治疗与恢复。实时血糖和生理状态动态监测系统和胰岛素给药决策算法是实现人工胰腺的两个最重要的部分。目前为止，我国关于闭环人工胰腺系统的研究相对较少。因此开展有传感器实时数据的闭环人工胰腺给药决策算法的研究，对促进人工胰腺系统发展具有重要意义。
对于糖尿病这类慢性病而言，目前国内的软件偏向健康咨询和生理指标检测，未能在胰岛素给药中起到关键作用。无论是进行健康咨询还是生理指标检测都不能针对个体进行良好的控制。对于黎明现象、苏木杰现象与黄昏现象等常见现象很难控制，其中黎明现象是指患者清晨出现高血糖的现象，会在凌晨三点左右血糖上升，一直持续到上午8到9点；苏木杰现象指胰岛素用量过大会导致血糖不稳定，当减少胰岛素的量时，反而使血糖下降；黄昏现象指糖尿病患者在傍晚时因人体的生糖激素会出现的高血糖。
运用人工智能技术开发的糖尿病诊断专家系统是一种模拟糖尿病医疗专家诊断疾病的思维过程的程序系统。可根据各种数据向医生提供可能的常规诊疗方案，帮助医生解决复杂的医学问题，起到降低误诊率的作用，特别是能够帮助年轻无经验的医生提高诊断技能，优化诊疗方案。
因此，如何能够在血糖控制系统的研发中使得糖尿病诊疗系统拥有更高的智能水平，具有重要的研究意义与应用价值。
发明内容
(一)要解决的技术问题
针对现有存在的技术问题，本发明提供一种基于专家规则的胰岛素精准给药决策方法，能够实现为糖尿病人提供更加精准的治病给药决策。
(二)技术方案
为了达到上述目的，本发明采用的主要技术方案包括：
一种基于专家规则的胰岛素精准给药决策方法，包括如下步骤：
S1、获取患者当前血糖变化时间序列数据，并根据获得的当前血糖变化时间序列数据在线预测未来半小时内的血糖变化预测值；
S2、根据获取的患者当前血糖变化时间序列数据和未来血糖变化预测值计算当前时刻的患者基础胰岛素数据和患者大剂量胰岛素数据；
S3、根据患者当前血糖变化时间序列数据、未来血糖变化预测值、当前时刻的患者基础胰岛素数据和患者大剂量胰岛素数据再与专家规则库中的专家规则相匹配，获得相匹配专家规则标签下的用药策略；
S4、根据获得的用药策略计算当前患者需要的用药基础量胰岛素和用药大剂量胰岛素；
S5、患者根据自身情况与专家的给药建议，选择是否采纳建议剂量使用连续胰岛素皮下注射泵注射。
优选地，所述步骤S1之前还包括如下步骤：
A1、收集糖尿病药物策略相关数据，建立专家规则库；
A2、建立基础量胰岛素和大剂量胰岛素的计算规则；
A3、并将患者状态进行标签分类，制定不同状态标签下专家规则的给药策略。
优选地，所述步骤S1之前还包括如下步骤：
B1、获取患者的相关生理数据；
B2、根据获取的患者相关生理数据匹配对应的专家规则和计算给药策略中的相关参数。
优选地，所述步骤B1中所述的相关生理数据至少包括：体重、年龄、性别和用泵治疗前的胰岛素量。
优选地，所述步骤S1中由连续血糖监测仪采集糖尿病患者的血糖变化时间序列数据，由连续血糖监测仪输出为一分钟一个采样点，然后对血糖变化时间序列数据进行数据预处理，处理成为五分钟一个采样点数据。
优选地，所述步骤S1中还包括将获得的五分钟一个采样点的数据输入BP神经网络进行在线预测，获得在线未来30分钟后的血糖变化预测值。
优选地，所述步骤S2中的基础量胰岛素标准为；
儿童基础量胰岛素＝每日胰岛素总量*0.3；
青少年基础量胰岛素＝每日胰岛素总量*0.4；
成人基础量胰岛素＝每日胰岛素总量*0.5。
优选地，所述步骤S2中的大剂量胰岛素包括：餐食大剂量、校正大剂量和血糖快速上升大剂量。
优选地，所述餐食大剂量＝用餐量/ICR；
其中，ICR为碳水化合物系数。
优选地，所述校正大剂量＝(当前血糖量-高血糖阀值)/ISF-IOB；
所述血糖快速上升大剂量＝(预测血糖量-当前血糖量)/ISF；
其中，ISF为胰岛素敏感系数，IOB为体内活性胰岛素。
(三)有益效果
本发明的有益效果是：本发明提供的一种基于专家规则的胰岛素精准给药决策方法具有以下有益效果：
(1)本发明在专家规则中所采引用了预测血糖值，在预测误差较小的情况下，能够预测半小时后的血糖值，更好的对血糖进行控制。
(2)本发明可以给患者提供当前血糖值、给药建议和预测血糖值。
(3)本发明能够在血糖控制系统的研发中使得糖尿病诊疗系统拥有更高的智能水平。
(4)本发明在专家规则决策中采用了标签分类的方式，该方式可以将给药决策细化，根据不同生理和血糖状况制定不同用药规则，实现对血糖更好的控制。
附图说明
图1为本发明提供的一种基于专家规则的胰岛素精准给药决策方法中的决策系统的结构示意图；
图2为本发明提供的一种基于专家规则的胰岛素精准给药决策方法的流程示意图；
图3为本发明提供的一种基于专家规则的胰岛素精准给药决策方法中的专家规则流程示意图；
图4为本发明提供的一种基于专家规则的胰岛素精准给药决策方法中的基于专家规则的血糖控制仿真效果图。
具体实施方式
为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。
本实施例是根据专家规则和患者实时生理数据检测实现胰岛素精准给药，使患者的血糖值处于正常波动范围内。在本实施例中的决策系统分为信息单元，处理单元，决策单元和用户单元，具体如图1所示。
所述信息单元是通过患者输入其体重、性别、年龄、用泵治疗前胰岛素用药量等信息来实现精准、个体化血糖管理。
所述处理单元是将收集到的专家知识转化为计算机语言来表达，并建立基于规则的专家系统，进行胰岛素策略的制定，当信息单元的患者信息输入时，处理单元能够根据专家规则精确计算出每5分钟的胰岛素用药量。但是，由于胰岛素本身从注入患者体内到发挥降低血糖的作用需要一段时间，所以血糖管理的控制环节具有时滞性，仅仅是依靠当前血糖是无法达到预期的控制效果的。因此，本发明中加入BP神经网络预测算法来解决这个问题。BP神经网络需要患者两天的血糖数据进行训练，可以在线获得半个小时后血糖预测值。在BP神经网络预测误差较小时可以提前预测到血糖值的变化趋势，提供更加精准的给药量。
所述决策单元是以当前血糖值(血糖变化时间序列)、血糖预测值(血糖变化预测值)、患者生理信息作为输入量，经过决策后，以给药建议作为输出量。
所述用户单元是能够提供给患者当前血糖值、半小时后的血糖值与给药建议信息。患者根据给药建议可以自己选择是否需要用胰岛素泵自动注射或不采纳给药建议。
如图2所示：本实施例中基于决策系统还提供了一种基于专家规则的胰岛素精准给药决策方法，包括如下步骤：
S1、获取患者当前血糖变化时间序列数据，并根据获得的当前血糖变化时间序列数据在线预测未来半小时内的血糖变化预测值；
S2、根据获取的患者当前血糖变化时间序列数据和未来血糖变化预测值计算当前时刻的患者基础胰岛素数据和患者大剂量胰岛素数据；
S3、根据患者当前血糖变化时间序列数据、未来血糖变化预测值、当前时刻的患者基础胰岛素数据和患者大剂量胰岛素数据再与专家规则库中的专家规则相匹配，获得相匹配专家规则标签下的用药策略；
S4、根据获得的用药策略计算当前患者需要的用药基础量胰岛素和用药大剂量胰岛素；
S5、患者根据自身情况与专家的给药建议，选择是否采纳建议剂量使用连续胰岛素皮下注射泵注射。
本实施例中所述步骤S1之前还包括如下步骤：
A1、收集糖尿病药物策略相关数据，建立专家规则库；
A2、建立基础量胰岛素和大剂量胰岛素的计算规则；
A3、并将患者状态进行标签分类，制定不同状态标签下专家规则的给药策略。
详细地，根据专家所提出的当前血糖、预测血糖当前血糖变化率、当前生理状态规则将患者状态进行标签分类，根据不同标签制定不同用药策略。
如患者生理状态是正在饮食、当前血糖正常、预测血糖正常、当前血糖变化不大、预测血糖快速上升，则此时给药公式为：
胰岛素注射量＝餐食大剂量+基础胰岛素
如患者生理状态是正在饮食、当前低血糖、预测低血糖、当前血糖变化不大、预测血糖变化不大，则此状态下的给药策略为不注射胰岛素。
其次，应说明的是：本实施例中所述步骤S1之前还包括如下步骤：
B1、获取患者的相关生理数据；
B2、根据获取的患者相关生理数据匹配对应的专家规则和计算给药策略中的相关参数。
应说明的是：这里所述的步骤B1中所述的相关生理数据至少包括：体重、年龄、性别和用泵治疗前的胰岛素量。
具体地，在信息单元中患者需要输入自身的体重、年龄、性别和用泵治疗前的胰岛素量等信息。然后根据这些信息算出每日胰岛素总量、胰岛素敏感系数(ISF，insulinSensitivityFactor)，碳水化合物系数(ICR，InsulinCarboRatio,ICR)等，其具体公式为：
每日胰岛素总量＝体重*0.5；
胰岛素敏感性系数(mmol/L/U)＝1800/(每日胰岛素总量*18)；
胰岛素敏感性系数(mmol/L/U)＝(1800或1500)/(每日胰岛素总量*18)；
其中：速效胰岛素用1800，短效胰岛素用1500；
碳水化合物系数(g/单位胰岛素)＝(500或450g)/每日胰岛素总量；
其中：速效胰岛素用500，短效胰岛素用450。
本实施例中所述步骤S1中由连续血糖监测仪采集糖尿病患者的血糖变化时间序列数据，由连续血糖监测仪输出为一分钟一个采样点，然后对血糖变化时间序列数据进行数据预处理，处理成为五分钟一个采样点数据。
本实施例中所述步骤S1中还包括将获得的五分钟一个采样点的数据输入BP神经网络进行在线预测，获得在线未来30分钟后的血糖变化预测值。
举例说明，由连续血糖监测仪(CGM)采集糖尿病患者的血糖时间序列数据，由CGM输出为一分钟一个采样点进行数据预处理，处理成为五分钟一个采样点。根据CGM检测出的血糖值可以获得血糖的变化情况，然后将同时利用血糖时间序列的进行BP神经网络预测。在BP神经网络中需要利用前两天的血糖时间序列进行训练模型，能够在线获得30分钟后的血糖预测值。
本实施例中所述步骤S2中的基础量胰岛素标准为；
儿童基础量胰岛素＝每日胰岛素总量*0.3；
青少年基础量胰岛素＝每日胰岛素总量*0.4；
成人基础量胰岛素＝每日胰岛素总量*0.5。
按专家规则给药机制可以分为基础量胰岛素和大剂量胰岛素。基础量胰岛素是指综合考虑到进餐、胰岛素水平、激素水平变化等因素而定的胰岛素注射量。基础量胰岛素每五分钟给药一次。
本实施例中所述步骤S2中的大剂量胰岛素包括：餐食大剂量、校正大剂量和血糖快速上升大剂量。
大剂量胰岛素是指餐食大剂量、校正大剂量与血糖快速上升大剂量等，餐食大剂量是为了平衡食物中所含碳水化合物量而注射的胰岛素，准确的餐食大剂量能有效降低餐后高血糖和低血糖状态。
其公式为所述餐食大剂量＝用餐量/ICR。其中，ICR为碳水化合物系数。
校正大剂量指的是纠正当前高于目标值血糖时所补充的胰岛素，准确的校正大剂量可以实现血糖快速调整，避免连续高血糖情况的发生。
其公式为所述校正大剂量＝(当前血糖量-高血糖阀值)/ISF-IOB；
血糖快速上升大剂量指的是应对血糖突然快速上升的情况给出的大剂量胰岛素补偿，在预测值准确的情况下，血糖快速上升大剂量能对即将到来的高血糖进行超前控制，避免一些即将到来的高血糖情况发生。
其公式为：所述血糖快速上升大剂量＝(预测血糖量-当前血糖量)/ISF。
其中，ISF为胰岛素敏感系数，IOB为体内活性胰岛素。
最后应说明的是：在制定专家规则时，首先读取患者的生理数据计算用药相关参数，给出基础量胰岛素和大剂量胰岛素的计算方法，然后，对患者当前处于用餐状态、睡眠状态、运动状态、当前高血糖、当前血糖正常、当前低血糖、当前血糖变化上升快、当前血糖变化下降快、当前血糖变化平稳、预测高血糖、预测低血糖、预测血糖上升快等生理指标进行组合，根据患者不同的状态标签采取不同的用药方案，调整当前时刻的基础量胰岛素和大剂量胰岛素，对是否采用基础量胰岛素和大剂量胰岛素给出用药决策。最后在用户单元输出用药建议和预测半小时后的血糖值。其专家规则流程图如图3所示。
在专家规则中，第一步，因儿童、青少年和成人体重和代谢速度等因素，所以注射胰岛素的基础量也会不同。单独注射基础量胰岛素无法控制血糖，需要适时加入大剂量胰岛素来控制。第二步，首先判断其是否有预测值，因前两天需要数据来对BP神经网络进行训练，所以在前两天中无血糖预测值，此时，便需要单独用专家规则来进行调节控制血糖。两天之后，通过血糖的实时在线更新，利用BP神经网络已经训练好的模型预测未来半小时的血糖值，根据当前血糖、预测血糖、当前血糖变化率、当前生理状态以及细化标签来计算给药量。第三步，有预测的情况下，可以在用户单元中输出半个小时后的血糖值。
本实施例中的仿真平台使用UVA/Padova平台，此平台是T1DMS(1型糖尿病患者)唯一一个计算机仿真平台。I型糖尿病的研究人员可以在此平台上通过控制实验参数，设置仿真时长实现对虚拟病人的治疗。通过实验结果改善糖尿病研究和产品开发。该平台通过对现实生活条件包括不同的膳食大小和时间以及可变的胰岛素剂量和时间的设置，检测和测量虚拟病人的高血糖和低血糖情况。目前该平台已被40多个学术研究小组和超过15个在国际糖尿病管理领域活跃的著名商业研究和制药小组使用。并且通过了FDA和JDRF人工胰腺协会的认证。
以一名患者控制血糖五天为例，将此患者的体重、年龄和性别和使用泵前的胰岛素注射量输入到仿真平台中，其中第一栏为胰岛素给药量、第二栏为血糖变化曲线、第三栏为用餐时间和用餐量、第四栏为血糖预测曲线。图4展现了使用专家规则与血糖预测共同进行血糖控制的控制效果，即基于专家规则的血糖控制仿真效果图。
表1血糖控制效果
通过表1的数据可以分析出，后三天因加入预测，最高血糖和最低血糖相比没加入预测之前都有明显改善，血糖处于正常范围内的时间也有显著提升，所以血糖控制效果要优于前两天。
以上结合具体实施例描述了本发明的技术原理，这些描述只是为了解释本发明的原理，不能以任何方式解释为对本发明保护范围的限制。基于此处解释，本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式，这些方式都将落入本发明的保护范围之内。

Claims (10)

1.一种基于专家规则的胰岛素精准给药决策方法，其特征在于，包括如下步骤：
S1、获取患者当前血糖变化时间序列数据，并根据获得的当前血糖变化时间序列数据在线预测未来半小时内的血糖变化预测值；
S2、根据获取的患者当前血糖变化时间序列数据和未来血糖变化预测值计算当前时刻的患者基础胰岛素数据和患者大剂量胰岛素数据；
S3、根据患者当前血糖变化时间序列数据、未来血糖变化预测值、当前时刻的患者基础胰岛素数据和患者大剂量胰岛素数据再与专家规则库中的专家规则相匹配，获得相匹配专家规则标签下的用药策略；
S4、根据获得的用药策略计算当前患者需要的用药基础量胰岛素和用药大剂量胰岛素；
S5、患者根据自身情况与专家的给药建议，选择是否采纳建议剂量使用连续胰岛素皮下注射泵注射。
2.根据权利要求1所述的决策方法，其特征在于，所述步骤S1之前还包括如下步骤：
A1、收集糖尿病药物策略相关数据，建立专家规则库；
A2、建立基础量胰岛素和大剂量胰岛素的计算规则；
A3、并将患者状态进行标签分类，制定不同状态标签下专家规则的给药策略。
3.根据权利要求2所述的决策方法，其特征在于，所述步骤S1之前还包括如下步骤：
B1、获取患者的相关生理数据；
B2、根据获取的患者相关生理数据匹配对应的专家规则和计算给药策略中的相关参数。
4.根据权利要求3所述的决策方法，其特征在于，
所述步骤B1中所述的相关生理数据至少包括：体重、年龄、性别和用泵治疗前的胰岛素量。
5.根据权利要求1所述的决策方法，其特征在于，
所述步骤S1中由连续血糖监测仪采集糖尿病患者的血糖变化时间序列数据，由连续血糖监测仪输出为一分钟一个采样点，然后对血糖变化时间序列数据进行数据预处理，处理成为五分钟一个采样点数据。
6.根据权利要求5所述的决策方法，其特征在于，所述步骤S1中还包括将获得的五分钟一个采样点的数据输入BP神经网络进行在线预测，获得在线未来30分钟后的血糖变化预测值。
7.根据权利要求6所述的决策方法，其特征在于，所述步骤S2中的基础量胰岛素标准为；
儿童基础量胰岛素＝每日胰岛素总量*0.3；
青少年基础量胰岛素＝每日胰岛素总量*0.4；
成人基础量胰岛素＝每日胰岛素总量*0.5。
8.根据权利要求7所述的决策方法，其特征在于，
所述步骤S2中的大剂量胰岛素包括：餐食大剂量、校正大剂量和血糖快速上升大剂量。
9.根据权利要求8所述的决策方法，其特征在于，所述餐食大剂量＝用餐量/ICR；
其中，ICR为碳水化合物系数。
10.根据权利要求9所述的决策方法，其特征在于，所述校正大剂量＝(当前血糖量-高血糖阀值)/ISF-IOB；
所述血糖快速上升大剂量＝(预测血糖量-当前血糖量)/ISF；
其中，ISF为胰岛素敏感系数，IOB为体内活性胰岛素。
CN201910471962.8A 2019-05-31 2019-05-31 一种基于专家规则的胰岛素精准给药决策方法 Active CN110289094B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910471962.8A CN110289094B (zh) 2019-05-31 2019-05-31 一种基于专家规则的胰岛素精准给药决策方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910471962.8A CN110289094B (zh) 2019-05-31 2019-05-31 一种基于专家规则的胰岛素精准给药决策方法

Publications (2)

Publication Number Publication Date
CN110289094A true CN110289094A (zh) 2019-09-27
CN110289094B CN110289094B (zh) 2023-07-07

Family

ID=68003168

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910471962.8A Active CN110289094B (zh) 2019-05-31 2019-05-31 一种基于专家规则的胰岛素精准给药决策方法

Country Status (1)

Country Link
CN (1) CN110289094B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111388796A (zh) * 2020-03-24 2020-07-10 首都医科大学宣武医院 注射泵的定时装置和注射泵
CN111773498A (zh) * 2020-06-05 2020-10-16 九九医疗科技(深圳)有限公司 应用于肺部疾病治疗的加药实现方法及装置
CN112017778A (zh) * 2020-08-06 2020-12-01 东北大学 一种面向临床的多层级血糖异常预警方法
CN112927802A (zh) * 2021-01-28 2021-06-08 北京理工大学 一种专家经验辅助的餐前胰岛素剂量学习优化决策系统
CN113270204A (zh) * 2021-06-04 2021-08-17 荣曦 一种胰岛素泵初始剂量的预测方法
CN116705230B (zh) * 2023-06-15 2023-12-19 北京理工大学 具有胰岛素灵敏度自适应估计的mdi决策系统及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040180810A1 (en) * 2002-10-23 2004-09-16 Joseph Pilarski Method of food and insulin dose management for a diabetic subject
WO2008073609A2 (en) * 2006-11-01 2008-06-19 Philip Michael Sher Device for predicting and managing blood glucose concentration by analyzing the effect of, and controlling, pharmacodynamic insulin unit equivalents
CN101866387A (zh) * 2009-04-17 2010-10-20 上海市杨浦区中心医院 糖尿病人个体化胰岛素治疗指南仪及其使用方法
CN102500013A (zh) * 2011-11-22 2012-06-20 北京化工大学 基于模型预测控制的大剂量胰岛素全自动智能输注方法和装置
CN104620244A (zh) * 2012-07-11 2015-05-13 卡伦·弗朗西丝·汤姆森 为糖尿病患者设定胰岛素剂量的方法、系统和装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040180810A1 (en) * 2002-10-23 2004-09-16 Joseph Pilarski Method of food and insulin dose management for a diabetic subject
WO2008073609A2 (en) * 2006-11-01 2008-06-19 Philip Michael Sher Device for predicting and managing blood glucose concentration by analyzing the effect of, and controlling, pharmacodynamic insulin unit equivalents
CN101866387A (zh) * 2009-04-17 2010-10-20 上海市杨浦区中心医院 糖尿病人个体化胰岛素治疗指南仪及其使用方法
CN102500013A (zh) * 2011-11-22 2012-06-20 北京化工大学 基于模型预测控制的大剂量胰岛素全自动智能输注方法和装置
CN104620244A (zh) * 2012-07-11 2015-05-13 卡伦·弗朗西丝·汤姆森 为糖尿病患者设定胰岛素剂量的方法、系统和装置

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111388796A (zh) * 2020-03-24 2020-07-10 首都医科大学宣武医院 注射泵的定时装置和注射泵
CN111773498A (zh) * 2020-06-05 2020-10-16 九九医疗科技(深圳)有限公司 应用于肺部疾病治疗的加药实现方法及装置
CN112017778A (zh) * 2020-08-06 2020-12-01 东北大学 一种面向临床的多层级血糖异常预警方法
CN112017778B (zh) * 2020-08-06 2024-04-05 东北大学 一种面向临床的多层级血糖异常预警方法
CN112927802A (zh) * 2021-01-28 2021-06-08 北京理工大学 一种专家经验辅助的餐前胰岛素剂量学习优化决策系统
CN113270204A (zh) * 2021-06-04 2021-08-17 荣曦 一种胰岛素泵初始剂量的预测方法
CN116705230B (zh) * 2023-06-15 2023-12-19 北京理工大学 具有胰岛素灵敏度自适应估计的mdi决策系统及方法

Also Published As

Publication number Publication date
CN110289094B (zh) 2023-07-07

Similar Documents

Publication Publication Date Title
CN110289094A (zh) 一种基于专家规则的胰岛素精准给药决策方法
Turksoy et al. Multivariable adaptive closed-loop control of an artificial pancreas without meal and activity announcement
Harvey et al. Quest for the artificial pancreas: combining technology with treatment
Percival et al. Development of a multi-parametric model predictive control algorithm for insulin delivery in type 1 diabetes mellitus using clinical parameters
Mauseth et al. Use of a “fuzzy logic” controller in a closed-loop artificial pancreas
Maahs et al. The use of insulin pumps in youth with type 1 diabetes
JP6262222B2 (ja) 閉ループコントローラのための手動ボーラス投与又は食事イベント管理方法及びシステム
Khodaei et al. Physiological closed-loop control (PCLC) systems: Review of a modern frontier in automation
Hovorka The future of continuous glucose monitoring: closed loop
Cinar Multivariable adaptive artificial pancreas system in type 1 diabetes
CN106326651A (zh) 用于糖尿病的自适应咨询控制的方法和系统
WO2005113036A1 (en) Method and apparatus for glucose control and insulin dosing for diabetics
Pinsker et al. Evaluation of an artificial pancreas with enhanced model predictive control and a glucose prediction trust index with unannounced exercise
Capel et al. Artificial pancreas using a personalized rule-based controller achieves overnight normoglycemia in patients with type 1 diabetes
Cinar et al. Advances in Artificial Pancreas Systems: Adaptive and Multivariable Predictive Control
Zarkogianni et al. Personalized glucose-insulin metabolism model based on self-organizing maps for patients with Type 1 Diabetes Mellitus
Herrero et al. Automatic adaptation of basal insulin using sensor-augmented pump therapy
Sun et al. Reinforcement learning-based adaptive insulin advisor for individuals with type 1 diabetes patients under multiple daily injections therapy
WO2019129857A1 (en) Systems and methods for prediction of glycemia and decisions support
Bátora et al. The contribution of glucagon in an artificial pancreas for people with type 1 diabetes
Annuzzi et al. Impact of nutritional factors in blood glucose prediction in type 1 diabetes through machine learning
Hettiarachchi et al. A reinforcement learning based system for blood glucose control without carbohydrate estimation in type 1 diabetes: In silico validation
Chen et al. Continuous drug infusion for diabetes therapy: a closed-loop control system design
Ruiz-Velázquez et al. Robust μ-synthesis: Towards a unified glucose control in adults, adolescents and children with T1DM
Takahashi et al. A Survey of Insulin‐Dependent Diabetes—Part II: Control Methods

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