CN111110949B - 胰岛素注射量确定方法及装置、计算机存储介质及设备 - Google Patents

胰岛素注射量确定方法及装置、计算机存储介质及设备 Download PDF

Info

Publication number
CN111110949B
CN111110949B CN201811295492.6A CN201811295492A CN111110949B CN 111110949 B CN111110949 B CN 111110949B CN 201811295492 A CN201811295492 A CN 201811295492A CN 111110949 B CN111110949 B CN 111110949B
Authority
CN
China
Prior art keywords
insulin injection
injection amount
prediction model
blood sugar
moment
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.)
Active
Application number
CN201811295492.6A
Other languages
English (en)
Other versions
CN111110949A (zh
Inventor
贾伟平
盛斌
周健
刘茹涵
吴量
李华婷
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.)
Shanghai Jiaotong University
Shanghai Sixth Peoples Hospital
Original Assignee
Shanghai Jiaotong University
Shanghai Sixth Peoples Hospital
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 Shanghai Jiaotong University, Shanghai Sixth Peoples Hospital filed Critical Shanghai Jiaotong University
Priority to CN201811295492.6A priority Critical patent/CN111110949B/zh
Priority to PCT/CN2018/117211 priority patent/WO2020087602A1/zh
Priority to US16/470,798 priority patent/US11929159B2/en
Publication of CN111110949A publication Critical patent/CN111110949A/zh
Application granted granted Critical
Publication of CN111110949B publication Critical patent/CN111110949B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
    • A61M5/14—Infusion devices, e.g. infusing by gravity; Blood infusion; Accessories therefor
    • A61M5/142—Pressure infusion, e.g. using pumps
    • A61M5/14244—Pressure infusion, e.g. using pumps adapted to be carried by the patient, e.g. portable on the body
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • G16H20/17—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients delivered via infusion or injection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
    • A61M5/14—Infusion devices, e.g. infusing by gravity; Blood infusion; Accessories therefor
    • A61M5/142—Pressure infusion, e.g. using pumps
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
    • A61M5/14—Infusion devices, e.g. infusing by gravity; Blood infusion; Accessories therefor
    • A61M5/142—Pressure infusion, e.g. using pumps
    • A61M2005/14208—Pressure infusion, e.g. using pumps with a programmable infusion control system, characterised by the infusion program
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2230/00—Measuring parameters of the user
    • A61M2230/20—Blood composition characteristics
    • A61M2230/201—Glucose concentration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Veterinary Medicine (AREA)
  • Vascular Medicine (AREA)
  • Anesthesiology (AREA)
  • Chemical & Material Sciences (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Hematology (AREA)
  • Medicinal Chemistry (AREA)
  • Animal Behavior & Ethology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • External Artificial Organs (AREA)

Abstract

一种胰岛素注射量确定方法及装置、计算机存储介质及设备，该方法包括：获取目标用户的特征信息以及当前时刻的血糖含量；基于所述目标用户的特征信息、所述目标用户的当前时刻的血糖含量、预先确定的血糖预测模型以及预先确定的胰岛素注射量预测模型，确定所述目标用户在各时刻的胰岛素注射量。采用本方法，可便于对各时刻的胰岛素注射量的确定。

Description

胰岛素注射量确定方法及装置、计算机存储介质及设备
技术领域
本申请涉及医疗技术领域，特别涉及一种胰岛素注射量确定方法及装置、计算机存储介质及设备。
背景技术
糖尿病是一种常见的内分泌疾病，是指因胰岛素相对或绝对不足，胰岛素不适当过多而引起的糖代谢异常。患有糖尿病的病人一般需要通过外部手段让体内的胰岛素量正常，以确保体内糖代谢正常。人工胰腺是一种以连续葡萄糖监测系统得到的血糖监测结果为输入，以胰岛素泵注射量为输出的智能系统。其中，完成从输入到输出的核心控制算法能够给出胰岛素注射量(即胰岛素泵注射量)以保证病人的长期血糖水平。
然而，该方法需要及时血糖反馈，病人需要拥有血糖监测设备对体内血样进行监测，基于监测到的血糖含量作为输入，得到胰岛素泵注射量的输出(病人注射胰岛素的量)。即上述方法无法脱离血糖监测设备工作，不便于胰岛素注射量的确定。
发明内容
基于此，有必要针对现有胰岛素注射量确定方法适应程度不高的问题，提出一种胰岛素注射量确定方法及装置、计算机存储介质及设备。
一种胰岛素注射量确定方法，包括以下步骤：
获取目标用户的特征信息以及当前时刻的血糖含量；
基于所述目标用户的特征信息、所述目标用户的当前时刻的血糖含量、预先确定的血糖预测模型以及预先确定的胰岛素注射量预测模型，确定所述目标用户在各时刻的胰岛素注射量。
一种胰岛素注射量确定装置，包括：
信息获取模块，用于获取目标用户的特征信息以及当前时刻的血糖含量；
胰岛素注射量确定模块，用于基于所述目标用户的特征信息、所述目标用户的当前时刻的血糖含量、预先确定的血糖预测模型以及预先确定的胰岛素注射量预测模型，确定所述目标用户在各时刻的胰岛素注射量。
本申请还提供一种计算机存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
本申请还提供一种计算机设备，包括存储器以及处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
上述胰岛素注射量确定方法及装置、计算机存储介质及设备，以目标用户的特征信息以及当前时刻的血糖含量作为依据，通过预先确定的血糖预测模型以及所述预先确定的胰岛素注射量预测模型，对各时刻的胰岛素注射量进行预测，即可对目标用户在不同时刻的胰岛素注射量进行预测。在对目标用户的胰岛素注射量进行预测过程中，可在无需利用血糖监测设备进行血糖监测的情况下，利用预先确定的胰岛素注射量预测模型结合预先确定的血糖预测模型，以确定目标用户在各时刻分别对应的胰岛素注射量，便于胰岛素注射量的确定。
附图说明
图1为一个实施例的胰岛素注射量确定方法的流程示意图；
图2为另一个实施例的确定目标用户在各时刻的胰岛素注射量的方式的子流程示意图；
图3为另一个实施例的确定预先确定的胰岛素注射量预测模型的方式的子流程示意图；
图4为另一个实施例的确定胰岛素注射量预测模型的原理图；
图5为另一个实施例的确定血糖预测模型的原理图；
图6为另一个实施例的确定目标用户在各时刻的胰岛素注射量的原理图；
图7为一个实施例的胰岛素注射量确定装置的模块示意图；
图8为一个实施例中计算机设备的结构框图。
具体实施方式
为使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本申请，并不限定本申请的保护范围。
如图1所示，在一个实施例中，提供了一种胰岛素注射量确定方法。本实施例主要以该方法应用于计算机设备来举例说明。该胰岛素注射量确定方法具体包括如下步骤：
S110：获取目标用户的特征信息以及当前时刻的血糖含量。
特征信息为表征用户特征的信息，即能表征用户的个人情况。用户体内的血糖含量是可变的，在进行各时刻的胰岛素注射量预测过程中，则需获取当前时刻的血糖含量。在一个示例中，当前时刻的血糖含量可以为当前时刻的平均血糖含量，即当前时刻以及当前时刻之前预设时长内的血糖含量的平均值。例如，当前时刻为上午11点，11点有对应的血糖含量，预设时长为1小时，则当前时刻的血糖含量可以理解为上午11点对应的血糖含量和11点之前1个小时内的血糖含量的平均值。
S120：基于目标用户的特征信息、目标用户的当前时刻的血糖含量、预先确定的血糖预测模型以及预先确定的胰岛素注射量预测模型，确定目标用户在各时刻的胰岛素注射量。
预先确定的胰岛素注射量预测模型的输入包括特征信息和任意一时刻的血糖含量，输出为该任意一时刻的胰岛素注射量，用于胰岛素注射量的预测。预先确定的血糖预测模型的输入包括特征信息、任意一时刻的血糖含量和该任意一时刻的胰岛素注射量，输出为该任意一时刻对应的下一时刻的血糖含量(可作为下一时刻的胰岛素注射量预测过程中预先确定的胰岛素注射量预测模型的输入，实现下一时刻的胰岛素注射量的预测)，即用于血糖含量的预测。
在一个示例中，上述胰岛素注射量可以是基础胰岛素注射量(胰岛素basal)或餐时胰岛素注射量(胰岛素bolus)。
在一个示例中，在获知目标用户的特征信息以及该目标用户在当前时刻的血糖含量后，可将其作为预先确定的胰岛素注射量预测模型的输入，另外，预先确定的血样预测模型预测输出的下一时刻的血糖含量也可作为预先确定的胰岛素注射量预测模型的输入，进行下一时刻的胰岛素注射量预测。
上述胰岛素注射量确定方法，以目标用户的特征信息以及当前时刻的血糖含量作为依据，通过预先确定的血糖预测模型以及预先确定的胰岛素注射量预测模型，对各时刻的胰岛素注射量进行预测，即可对目标用户在不同时刻的胰岛素注射量进行预测。在对目标用户的胰岛素注射量进行预测过程中，可在无需利用血糖监测设备进行血糖监测的情况下，利用预先确定的胰岛素注射量预测模型结合预先确定的血糖预测模型，以确定目标用户在各时刻分别对应的胰岛素注射量，便于胰岛素注射量的确定。
如图2所示，在一个实施例中，确定目标用户在各时刻的胰岛素注射量的方式包括：
S221：将目标用户的特征信息以及目标用户的当前时刻的血糖含量输入预先确定的胰岛素注射量预测模型进行胰岛素注射量预测，确定当前时刻的胰岛素注射量。
即确定了目标用户在一个时刻的胰岛素注射，该一个时刻即时当前时刻。在本实施例中，需要对各时刻的胰岛素注射量进行预测，通过步骤S221每进行一次胰岛素注射量预测，可得到一个当前时刻的胰岛素，从而，各时刻的胰岛素注射量即可理解为各当前时刻的胰岛素注射量。在进行当前时刻的胰岛素注射量预测时，需要当前时刻的血样含量为依据，且通过上述步骤得到的当前时刻的胰岛素注射量可作为下一时刻血糖预测的依据。在初始时，未对血糖进行预测的情况下，该当前时刻的血糖可通过血糖测量获得。
S222：将当前时刻的胰岛素注射量、目标用户的特征信息以及目标用户的当前时刻的血糖含量输入预先确定的血糖预测模型进行血糖预测，确定目标用户在当前时刻对应的下一时刻的血糖含量。
将预测得到的当前时刻的胰岛素注射量作为预先确定的血糖预测模型预测下一时刻的血样含量的依据。即在下一时刻的血糖含量预测过程中，不但利用了目标用户的特征信息以及目标用户的当前时刻的血糖含量，而且利用了通过预先确定的胰岛素注射量预测模型进行预测得到的当前时刻的胰岛素注射量。
S223：将下一时刻作为当前时刻，并返回将目标用户的特征信息以及目标用户的当前时刻的血糖含量输入预先确定的胰岛素注射量预测模型进行胰岛素注射量预测，确定当前时刻的胰岛素注射量的步骤S221，直到各时刻的胰岛素注射量确定完毕，得到目标用户在各时刻的胰岛素注射量。
将下一时刻作为当前时刻后，可以理解，当前时刻的血糖含量则更新为该预先确定的血糖预测模型预测输出的下一时刻的血糖含量，重新进行当前时刻的胰岛素注射量预测，该当前时刻即为上述下一时刻。重复上述胰岛素注射量预测以及下一时刻的血糖含量的预测，直到各时刻的胰岛素注射量确定完毕，则得到目标用户在各时刻的胰岛素注射量。
在一个示例中，各时刻可以为预设时长范围内各采样时间点，各时刻中各相邻时刻之间的间隔时长可以相同。可以理解，在一次胰岛素注射量和血糖含量的预测过程中，下一时刻与当前时刻之间相差间隔时长，例如，间隔时长为1个小时。又例如，上述预设时间范围可以理解为通过胰岛素注射量确定方法进行本次预测时，通过步骤S221第一次进行胰岛素注射量预测过程中对应的当前时刻到该当前时刻后的24小时的时间范围等，即各采样时间点包括当前时刻。
在一个实施例中，确定预先确定的胰岛素注射量预测模型的方式，包括：
获取有标签训练集以及无标签训练集；初始化得到初始胰岛素注射量预测模型；基于以及无标签训练集，对初始胰岛素注射量预测模型进行训练，确定预先确定的胰岛素注射量预测模型。
在得到预先确定的胰岛素注射量预测模型的过程中，首先需要初始化一个初始胰岛素注射量预测模型，该模型中的参数不是最优的，对模型进行训练，对参数进行不断优化，确定最优的参数，从而得到上述预先确定的胰岛素注射预测模型。在本实施中，通过有标签训练集以及无标签训练集对初始胰岛素注射量预测模型进行训练，以提高预先确定的胰岛素注射预测模型的准确性。其中，有标签训练集包括各第一样本用户的特征信息、在各采样时刻的血糖含量以及在各采样时刻的胰岛素注射量，无标签训练集包括各第二样本用户的特征信息以及在各采样时刻的血糖含量。可以理解，无标签训练集中没有各第二样本用户对应的在各采样时刻的胰岛素注射量，而有标签训练集中有各第一样本用户在各采样时刻的胰岛素注射量。基于有标签训练集以及无标签训练集，得到的预先确定的胰岛素注射量预测模型为预先确定的胰岛素注射量半监督预测模型。
在一个示例中，在各采样时刻的血糖含量的获取方式，包括：获取连续血糖含量(例如，血糖监测设备记录下的血糖含量曲线)；对所述连续血糖含量进行采样，获得各采样时刻的血样含量。其中，对于获取各第一样本用户在各采样时刻的血糖含量的过程中，连续血糖含量为各第一样本用户分别对应的连续血糖含量，即需对各连续血糖含量分别进行采样。类似地，对于获取各第而样本用户在各采样时刻的血糖含量的过程中，连续血糖含量为各第二样本用户分别对应的连续血糖含量，即需对各连续血糖含量分别进行采样。
如图3所示，在一个实施例中，初始胰岛素注射量预测模型包括各第一初始胰岛素注射量预测模型；
确定预先确定的胰岛素注射量预测模型的方式，包括：
S301：对有标签训练集进行抽样，确定各标签训练子集，各标签训练子集的数量与各第一初始胰岛素注射量预测模型的数量相同。
即对有标签训练集可进行预设次数的抽样，预设次数与各第一初始胰岛素注射量预测模型的数量相同，得到各标签训练子集。标签训练子集中包括各第一样本用户中部分样本用户的特征信息、在各采样时刻的血糖含量以及在各所述采样时刻的胰岛素注射量。每一次抽样得到的标签训练子集中的部分样本用户可以不同。在一个示例中，各标签训练子集中部分样本用户的数量相同，即每次抽样得到的部分样本用户的数量相同。如此，得到的标签训练子集作为对应的第一初始胰岛素注射量预测模型的训练依据，可确保数据大小的均衡。
S302：基于无标签训练集以及标签训练子集，对对应的第一初始胰岛素注射量预测模型进行训练，得到各训练后的初始胰岛素注射量预测模型。
一个标签训练子集作为对应的一个第一初始胰岛素注射量预测模型的输入进行训练，如此，利用各标签训练子集可实现对各第一初始胰岛素注射量预测模型的训练，从而得到各训练后的初始胰岛素注射量预测模型。
S303：基于各权重对各训练后的初始胰岛素注射量预测模型进行加权求和并平均，得到集成胰岛素注射量预测模型。
S304：根据集成胰岛素注射量预测模型，确定所述预先确定的胰岛素注射量预测模型。
基于各权重对各训练后的初始胰岛素注射量预测模型进行加权求和并平均，可以理解是对各训练后的初始胰岛素注射量预测模型的输出进行加权求和并平均。每个训练后的初始胰岛素注射量预测模型可进行胰岛素注射量预测，为了提高预测准确性，可将每个训练后的初始胰岛素注射量预测模型的输出根据各权重进行加权求和并平均，得到集成胰岛素注射量预测模型。然后在基于集成胰岛素注射量预测模型，确定所述预先确定的胰岛素注射量预测模型，从而提高预先确定的胰岛素注射量预测模型的准确性。
在一个实施例中，所述根据所述集成胰岛素注射量预测模型，确定所述预先确定的胰岛素注射量预测模型的步骤S304，包括：
基于所述有标签训练集，对所述集成胰岛素注射量预测模型中的各所述权重进行调整，确定所述预先确定的胰岛素注射量预测模型。
上述各权重可通过预先初始化得到，权重的大小影响集成胰岛素注射量预测模型进行预测的准确性，从而影响预先确定的胰岛素注射量预测模型的预测准确性。在本实施例中，利用有标签训练集，对所述集成胰岛素注射量预测模型中的各所述权重进行调整，得到各目标权重，预先确定的胰岛素注射量预测模型即为将集成胰岛素注射量预测模型中各权重分别更新为对应的目标权重后得到的更新后的集成胰岛素注射量预测模型。可以理解为，基于有标签训练集对集成胰岛素注射量预测模型进行训练，实现对各权重的调整，即基于有标签训练集对集成胰岛素注射量预测模型进行训练，确定各目标权重，训练后的集对集成胰岛素注射量预测模型可以理解为该预先确定的胰岛素注射量预测模型。
在一个实施例中，确定预先确定的血糖预测模型的方式，包括：获取样本有标签训练集；初始化得到初始血糖预测模型；基于有标签训练集，对初始血糖预测模型进行训练，确定预先确定的血糖预测模型。
在得到预先确定的血糖预测模型的过程中，首先需要初始化一个初始血糖预测模型，该模型中的参数不是最优的，对模型进行训练，对参数进行不断优化，确定最优的参数，从而得到上述预先确定的胰岛素注射预测模型。在本实施中，通过样本有标签训练集对初始血糖预测模型进行训练。其中，样本有标签训练集包括各第三样本用户的特征信息、在各采样时刻的血糖含量以及在各采样时刻的胰岛素注射量。可以理解，该样本有标签训练集中的训练数据是有标签的，即有样本用户对应的在各采样时刻的胰岛素注射量，基于样本标签训练得到的预先确定的血糖预测模型即为预先确定的血糖有监督预测模型。
在一个实施例中，特征信息包括临床信息以及饮食信息，其中，临床信息可以包括身高、体重、空腹血糖含量以及连接肽含量。
上述临床信息以及饮食信息为比较容易获得的数据，以此来辅助胰岛素注射量预测模型的预测，既可确保预测的准确向，又无须面对积累大量数据的困扰。在一个示例中，饮食信息可以包括进食情况，连接肽含量可以为进食2小时后的连接肽含量。在一个示例中，该饮食信息为当前时刻的饮食信息，若上述将下一个时刻作为当前时刻，则该当前时刻的饮食信息即为该下一时刻的饮食信息。
下面以一具体实施例对上述胰岛素注射量确定方法加以具体说明。该方法通过构建基于有监督学习的血糖预测模型和基于半监督学习的胰岛素注射量预测模型来实现24小时甚至更长的胰岛素注射量的自动分析生成。具体过程如下：
首先，模型训练。
对拥有临床信息(如身高、体重、空腹血糖含量以及2小时后的C肽等)、饮食信息(如早餐进食情况等)、时间信息(如当前为几时几分等)、连续血糖信息(如连续血糖监测设备记录下的血糖曲线)并且有其对应的胰岛素注射量(如胰岛素basal或bolus的注射量)的有标签数据，以及拥有上述临床信息、饮食信息、时间信息和连续血糖信息，但没有胰岛素治注射量的无标签数据进行数据清洗筛查和预处理。将有标签数据划分成有标签训练集和有标签测试集；
如图4所示，注射方案对应注射量，血糖含量为平均血样。构建基于半监督学习的胰岛素注射量预测模型，以临床信息、当前时刻及其对应的饮食信息和当前时刻的血糖含量作为输入，当前时刻的胰岛素注射量作为输出。从有标签训练集多次随机抽取相同数量的部分数据构成各标签训练子集，以这些标签训练子集作为半监督学习器(对应上述第一初始胰岛素注射量预测模型)的有标签训练集，以全部的无标签数据作为无标签训练集，每个标签训练子集都对应训练一个半监督学习器，其中，时间以一小时为单位，即当前时刻与下一时刻之间的时间间隔为1个小时。将训练后的半监督学习器以加权求和平均的方式构成一个集成的半监督模型(即上述集成胰岛素注射量预测模型)。再使用有标签训练集对集成的半监督模型中的各所述权重进行调整，确定所述预先确定的胰岛素注射量预测模型。具体地，利用有标签训练集训练一个相对应的有监督学习器，在以有监督学习器的预测结果为基线的情况下，不断的调整各半监督学习器的权重，直至获得一个超过有监督学习结果的值。最后，将这个集成的半监督学习模型作为最终的胰岛素注射量预测模型。其中，b1为第1个半监督学习器，b2为第2个半监督学习器，bk为第k个半监督学习器，a1为第1个半监督学习器对应的权重，a2为第2个半监督学习器对应的权重，ak为第k个半监督学习器对应的权重。
在测试的时候，使用有标签测试集中的临床信息、当前时刻及其对应的饮食信息和当前时刻的血糖含量输入模型获取病人当前时刻的胰岛素注射量。
如图5所示，构建基于有监督学习的血糖预测模型，以临床信息、当前时刻及其对应的饮食信息、当前时刻的胰岛素注射量和当前时刻的血糖含量(具体可以为平均血糖)作为输入，下一时刻的血糖含量(可以为平均血糖)作为输出。使用有标签训练集进行训练，并进行交叉验证。在测试的时候，使用有标签测试集中的临床信息、当前时刻及其对应的饮食信息和当前时刻的血糖含量和由上述胰岛素注射量预测模型得到的当前时刻的胰岛素治疗方案输入血糖预测模型获取病人下一时刻的平均血糖。
然后，模型预测。
(1)使用临床信息、当前时刻及其对应的饮食信息和当前时刻的平均血糖输入到胰岛素注射量预测模型当中，得到当前时刻的胰岛素注射量；
(2)再使用临床信息、当前时刻及其对应的饮食信息、当前时刻的平均血糖和(1)中获得的当前时刻的胰岛素注射量输入到血糖预测模型当中，得到下一时刻的血糖含量(平均血糖)；
(3)不断的循环(1)和(2)最终可以得到24小时甚至更长时间的胰岛素注射量预测情况。
具体地，对于一个病人，在他的当前时刻中，使用其对应的临床信息、当前时刻对应的饮食信息和当前时刻的血糖含量(平均血糖)，首先预测当前时刻的胰岛素注射量。再使用临床信息、当前时刻对应的饮食信息和当前时刻的血糖含量和由上一步中得到的当前时刻的胰岛素注射量来预测下一时刻平均血糖。之后再使用其的临床信息、下一时刻的饮食信息和由上一步的到的下一时刻的平均血糖再来预测该下一时刻对应的下一时刻的胰岛素注射量，如此循环往复累积，可得到一段时间的胰岛素注射量。
例如，如图6所示，半监督学习模型对应胰岛素注射量预测模型，有监督学习模型对应血糖预测模型，治疗方案即为胰岛素注射量。有监督学习模型通过时刻0治疗方案、时刻0的临床信息和饮食信息对时刻1的平均血糖进行预测，并将其作为半监督学习模型的输入，半监督学习模型利用时刻1的平均血糖、时刻1的临床信息和饮食信息对时刻1的治疗方案进行预测，并将其输入至有监督学习模型，有监督学习模型根据时刻1的治疗方案、时刻1的临床信息和饮食信息时刻2的平均血糖进行预测，并将其作为半监督学习模型的输入，半监督学习模型利用时刻2的平均血糖、时刻2的临床信息和饮食信息对时刻2的治疗方案进行预测，并将其输入至有监督学习模型。如此循环，直到半监督学习模型预测得到时刻t-1治疗方案，将其输入至有监督学习模型，有监督学习模型通过t-1治疗方案、t-1的临床信息和饮食信息可预测时刻t平均血糖。如此，可确定病人在时刻1、时刻2、……、时刻t-1的胰岛素注射量。
上述胰岛素注射量确定方法，利用了已有的病人持续血糖含量监测的数据来构建血糖侧模型辅助胰岛素注射量的预测，在提高预测准确度的基础上，可以对没有血糖监测数据的病人进行较为准确的血糖水平预测，无需额外设备进行血糖监测，大大提高了便利程度。即利用了大量已有的病人血糖检测数据，可以完成较精准的血糖预测模型建立，并以血糖预测模型进行预测的结果辅助胰岛素注射量的准确生成。对于最后使用该血糖预测模型和胰岛素注射量预测模型的病人而言，可以在无需佩戴连续血糖监测设备进行检测实验的情况下，可得到较为准确的胰岛素注射量，即便于胰岛素注射量的确定。
且构建胰岛素注射量预测模型使用了半监督学习方法，利用了大量较为容易获得的临床信息和饮食信息，来辅助胰岛素注射量的预测。既可确保预测的准确度，又无须面对积累大量数据的困扰。
另外，在每一个病人的胰岛素注射量预测的过程中，都将病人的有关临床信息纳入数据特征中，即每一次的血糖预测和胰岛素注射量的预测，都考虑了病人的临床基线特征，是具有病人个性化的胰岛素注射量预测。这使得该方法对不同病人具有较强的适应能力。
如图7所示，一种胰岛素注射量确定装置，包括：
信息获取模块710，用于获取目标用户的特征信息以及当前时刻的血糖含量；
胰岛素注射量确定模块720，用于基于目标用户的特征信息、目标用户的当前时刻的血糖含量、预先确定的血糖预测模型以及预先确定的胰岛素注射量预测模型，确定目标用户在各时刻的胰岛素注射量。
在一个实施例中，胰岛素注射量确定模块720包括：
胰岛素注射量预测模块，用于将目标用户的特征信息以及目标用户的当前时刻的血糖含量输入预先确定的胰岛素注射量预测模型进行胰岛素注射量预测，确定当前时刻的胰岛素注射量；
血糖预测模块，用于将当前时刻的胰岛素注射量、目标用户的特征信息以及目标用户的当前时刻的血糖含量输入预先确定的血糖预测模型进行血糖预测，确定目标用户在当前时刻对应的下一时刻的血糖含量；
胰岛素注射量获取模块，用于将下一时刻作为当前时刻，并返回胰岛素注射量预测模块执行将目标用户的特征信息以及目标用户的当前时刻的血糖含量输入预先确定的胰岛素注射量预测模型进行胰岛素注射量预测，确定当前时刻的胰岛素注射量的步骤，直到各时刻的胰岛素注射量确定完毕，得到目标用户在各时刻分别对应的胰岛素注射量。
在一个实施例中，上述装置，还包括：
训练集获取模块，用于获取有标签训练集以及无标签训练集；有标签训练集包括各第一样本用户的特征信息、在各采样时刻的血糖含量以及在各采样时刻的胰岛素注射量，无标签训练集包括各第二样本用户的特征信息以及在各采样时刻的血糖含量；
胰岛素注射量模型初始模块，用于初始化得到初始胰岛素注射量预测模型；
胰岛素注射量预测模型确定模块，用于基于以及无标签训练集，对初始胰岛素注射量预测模型进行训练，确定预先确定的胰岛素注射量预测模型。
在一个实施例中，初始胰岛素注射量预测模型包括各第一初始胰岛素注射量预测模型；
胰岛素注射量预测模型确定模块，包括：
抽样模块，用于对有标签训练集进行抽样，确定各标签训练子集，各标签训练子集的数量与各第一初始胰岛素注射量预测模型的数量相同；
胰岛素注射量预测模型训练模块，用于基于无标签训练集以及标签训练子集，对对应的第一初始胰岛素注射量预测模型进行训练，得到各训练后的初始胰岛素注射量预测模型；
加权模块，用于基于各权重，对各训练后的初始胰岛素注射量预测模型进行加权求和并平均，得到集成胰岛素注射量预测模型；
模型获取模块，用于根据集成胰岛素注射量预测模型，确定预先确定的胰岛素注射量预测模型。
在一个实施例中，模型获取模块，包括：
调整模块，用于基于有标签训练集，对集成胰岛素注射量预测模型中的各权重进行调整，确定预先确定的胰岛素注射量预测模型。
模型获取模块，上述装置，还包括：
样本训练集获取模块，用于获取样本有标签训练集；样本有标签训练集包括各第三样本用户的特征信息、在各采样时刻的血糖含量以及在各采样时刻的胰岛素注射量；
血糖预测模型初始模块，用于初始化得到初始血糖预测模型；
血糖预测模型训练模块，用于基于有标签训练集，对初始血糖预测模型进行训练，确定预先确定的血糖预测模型。
在一个实施例中，特征信息包括临床信息以及饮食信息，其中，临床信息包括身高、体重、空腹血糖含量以及连接肽含量。
上述胰岛素注射量确定装置中的技术特征分别与上述胰岛素注射量确定方法中的技术特征是对应的，在此不再赘述。
图8示出了一个实施例中计算机设备的内部结构图。如图8所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现上述胰岛素注射量确定方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行胰岛素注射量确定方法。在一个示例中，计算机设备还可以包括输入装置和显示屏，计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本申请提供了一种实施例的计算机设备，包括存储器和处理器，存储器上存储有计算机程序，该计算机程序被处理器执行时，使得处理器执行上述胰岛素注射量确定方法的步骤。
本申请提供一种实施例的计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述胰岛素注射量确定方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种胰岛素注射量确定方法，其特征在于，包括以下步骤：
获取目标用户的特征信息以及当前时刻的血糖含量，所述特征信息包括临床信息以及饮食信息，所述临床信息包括身高、体重、空腹血糖含量以及连接肽含量；
基于所述目标用户的特征信息、所述目标用户的当前时刻的血糖含量、预先确定的血糖预测模型以及预先确定的胰岛素注射量预测模型，确定所述目标用户在各时刻的胰岛素注射量；
所述确定所述目标用户在各时刻的胰岛素注射量的方式包括：
将所述目标用户的特征信息以及所述目标用户的当前时刻的血糖含量输入预先确定的胰岛素注射量预测模型进行胰岛素注射量预测，确定当前时刻的胰岛素注射量；
将所述当前时刻的胰岛素注射量、所述目标用户的特征信息以及所述目标用户的当前时刻的血糖含量输入所述预先确定的血糖预测模型进行血糖预测，确定所述目标用户在当前时刻对应的下一时刻的血糖含量；
将所述下一时刻作为所述当前时刻，并返回所述将所述目标用户的特征信息以及所述目标用户的当前时刻的血糖含量输入预先确定的胰岛素注射量预测模型进行胰岛素注射量预测，确定当前时刻的胰岛素注射量的步骤，直到各时刻的胰岛素注射量确定完毕，得到所述目标用户在各时刻分别对应的胰岛素注射量；
所述预先确定的胰岛素注射量预测模型的确定方式，包括：
获取有标签训练集以及无标签训练集；所述有标签训练集包括各第一样本用户的特征信息、在各采样时刻的血糖含量以及在各所述采样时刻的胰岛素注射量，所述无标签训练集包括各第二样本用户的特征信息以及在各采样时刻的血糖含量；
初始化得到初始胰岛素注射量预测模型；
基于以及无标签训练集，对所述初始胰岛素注射量预测模型进行训练，确定所述预先确定的胰岛素注射量预测模型；
所述预先确定的血糖预测模型的确定方式，包括：
获取样本有标签训练集；所述样本有标签训练集包括各第三样本用户的特征信息、在各采样时刻的血糖含量以及在各所述采样时刻的胰岛素注射量；
初始化得到初始血糖预测模型；
基于有标签训练集，对所述初始血糖预测模型进行训练，确定所述预先确定的血糖预测模型。
2.根据权利要求1所述的方法，其特征在于，所述胰岛素注射量为基础胰岛素注射量或餐时胰岛素注射量。
3.根据权利要求1所述的胰岛素注射量确定方法，其特征在于，各采样时刻的血糖含量的获取方式，包括：
获取连续血糖含量，对所述连续血糖含量进行采样，获得所述各采样时刻的血糖含量。
4.根据权利要求1所述的胰岛素注射量确定方法，其特征在于，所述初始胰岛素注射量预测模型包括各第一初始胰岛素注射量预测模型；
所述确定所述预先确定的胰岛素注射量预测模型的方式，包括：
对所述有标签训练集进行抽样，确定各标签训练子集，各所述标签训练子集的数量与各所述第一初始胰岛素注射量预测模型的数量相同；
基于所述无标签训练集以及所述标签训练子集，对对应的所述第一初始胰岛素注射量预测模型进行训练，得到各训练后的初始胰岛素注射量预测模型；
基于各权重，对各所述训练后的初始胰岛素注射量预测模型进行加权求和并平均，得到集成胰岛素注射量预测模型；
根据所述集成胰岛素注射量预测模型，确定所述预先确定的胰岛素注射量预测模型。
5.根据权利要求4所述的胰岛素注射量确定方法，其特征在于，所述根据所述集成胰岛素注射量预测模型，确定所述预先确定的胰岛素注射量预测模型，包括：
基于所述有标签训练集，对所述集成胰岛素注射量预测模型中的各所述权重进行调整，确定所述预先确定的胰岛素注射量预测模型。
6.根据权利要求4所述的方法，其特征在于，所述标签训练子集中包括各第一样本用户中部分样本用户的特征信息、在各采样时刻的血糖含量以及在各所述采样时刻的胰岛素注射量。
7.根据权利要求1所述的方法，其特征在于，还包括：
将所述预先确定的血糖预测模型预测输出的下一时刻的血糖含量作为所述预先确定的胰岛素注射量预测模型的输入，进行下一时刻的胰岛素注射量预测。
8.一种胰岛素注射量确定装置，其特征在于，包括：
信息获取模块，用于获取目标用户的特征信息以及当前时刻的血糖含量，所述特征信息包括临床信息以及饮食信息，所述临床信息包括身高、体重、空腹血糖含量以及连接肽含量；
胰岛素注射量确定模块，用于基于所述目标用户的特征信息、所述目标用户的当前时刻的血糖含量、预先确定的血糖预测模型以及预先确定的胰岛素注射量预测模型，确定所述目标用户在各时刻的胰岛素注射量，将所述目标用户的特征信息以及所述目标用户的当前时刻的血糖含量输入预先确定的胰岛素注射量预测模型进行胰岛素注射量预测，确定当前时刻的胰岛素注射量；
将所述当前时刻的胰岛素注射量、所述目标用户的特征信息以及所述目标用户的当前时刻的血糖含量输入所述预先确定的血糖预测模型进行血糖预测，确定所述目标用户在当前时刻对应的下一时刻的血糖含量；
将所述下一时刻作为所述当前时刻，并返回所述将所述目标用户的特征信息以及所述目标用户的当前时刻的血糖含量输入预先确定的胰岛素注射量预测模型进行胰岛素注射量预测，确定当前时刻的胰岛素注射量的步骤，直到各时刻的胰岛素注射量确定完毕，得到所述目标用户在各时刻分别对应的胰岛素注射量；
胰岛素注射量预测模型确定模块，用于获取有标签训练集以及无标签训练集；所述有标签训练集包括各第一样本用户的特征信息、在各采样时刻的血糖含量以及在各所述采样时刻的胰岛素注射量，所述无标签训练集包括各第二样本用户的特征信息以及在各采样时刻的血糖含量；
初始化得到初始胰岛素注射量预测模型；
基于以及无标签训练集，对所述初始胰岛素注射量预测模型进行训练，确定所述预先确定的胰岛素注射量预测模型；
血糖预测模型确定模块，用于获取样本有标签训练集；所述样本有标签训练集包括各第三样本用户的特征信息、在各采样时刻的血糖含量以及在各所述采样时刻的胰岛素注射量；
初始化得到初始血糖预测模型；
基于有标签训练集，对所述初始血糖预测模型进行训练，确定所述预先确定的血糖预测模型。
9.一种计算机存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现上述权利要求1-7中任意一项所述方法的步骤。
10.一种计算机设备，包括存储器以及处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7中任意一项所述的方法的步骤。
CN201811295492.6A 2018-11-01 2018-11-01 胰岛素注射量确定方法及装置、计算机存储介质及设备 Active CN111110949B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201811295492.6A CN111110949B (zh) 2018-11-01 2018-11-01 胰岛素注射量确定方法及装置、计算机存储介质及设备
PCT/CN2018/117211 WO2020087602A1 (zh) 2018-11-01 2018-11-23 胰岛素注射量确定方法、计算机存储介质及设备
US16/470,798 US11929159B2 (en) 2018-11-01 2018-11-23 Methods of determining insulin injection amount, computer storage mediums and devices

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811295492.6A CN111110949B (zh) 2018-11-01 2018-11-01 胰岛素注射量确定方法及装置、计算机存储介质及设备

Publications (2)

Publication Number Publication Date
CN111110949A CN111110949A (zh) 2020-05-08
CN111110949B true CN111110949B (zh) 2021-07-09

Family

ID=70463518

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811295492.6A Active CN111110949B (zh) 2018-11-01 2018-11-01 胰岛素注射量确定方法及装置、计算机存储介质及设备

Country Status (3)

Country Link
US (1) US11929159B2 (zh)
CN (1) CN111110949B (zh)
WO (1) WO2020087602A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113628755B (zh) * 2021-08-20 2024-03-12 东南大学附属中大医院 患者的血糖控制方法、装置、设备以及存储介质
CN114300091B (zh) * 2021-12-07 2022-12-02 姜京池 一种胰岛素输注方案自适应调节方法、装置及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6691043B2 (en) * 2001-08-28 2004-02-10 Maxi-Med, Llc Bolus calculator
US6923763B1 (en) * 1999-08-23 2005-08-02 University Of Virginia Patent Foundation Method and apparatus for predicting the risk of hypoglycemia
WO2009034100A1 (en) * 2007-09-10 2009-03-19 Novo Nordisk A/S User interface for displaying predicted values
CN102395310A (zh) * 2009-02-26 2012-03-28 莫尔研究应用有限公司 用于自动监控糖尿病相关治疗的方法以及系统
CN103310113A (zh) * 2013-06-24 2013-09-18 浙江大学 一种基于频带分离和数据建模的通用血糖预测方法
CN103605878A (zh) * 2013-08-19 2014-02-26 浙江大学 一种基于数据建模和模型移植的通用血糖预测方法
CN106860955A (zh) * 2017-01-21 2017-06-20 广东食品药品职业学院 基于模糊自适应比例微积分控制胰岛素泵闭环输注的方法
CN106980746A (zh) * 2016-12-16 2017-07-25 清华大学 一种基于时序分析的通用无创血糖预测方法
CN108335750A (zh) * 2017-01-20 2018-07-27 华广生技股份有限公司 动态分析血糖值的方法及其系统与电脑程序产品

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7223234B2 (en) * 2004-07-10 2007-05-29 Monitrix, Inc. Apparatus for determining association variables
US20080306353A1 (en) * 2006-11-03 2008-12-11 Douglas Joel S Calculation device for metabolic control of critically ill and/or diabetic patients
US10154804B2 (en) * 2007-01-31 2018-12-18 Medtronic Minimed, Inc. Model predictive method and system for controlling and supervising insulin infusion
CN101675438A (zh) * 2007-05-03 2010-03-17 诺沃-诺迪斯克有限公司 用于胰岛素给药咨询算法的安全系统
US9244077B2 (en) * 2007-06-25 2016-01-26 Roche Diabetes Care, Inc. Method system and device for assessing insulin sensitivity
UY32427A (es) * 2009-02-13 2010-09-30 Boheringer Ingelheim Internat Gmbh Composicion farmaceutica, forma farmaceutica, procedimiento para su preparacion, metodos de tratamiento y usos de la misma
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
US10361003B2 (en) * 2014-04-28 2019-07-23 Yeda Research And Development Co. Ltd. Method and apparatus for predicting response to food
US10646650B2 (en) * 2015-06-02 2020-05-12 Illinois Institute Of Technology Multivariable artificial pancreas method and system
JP2018530592A (ja) * 2015-10-15 2018-10-18 ベーリンガー インゲルハイム インターナショナル ゲゼルシャフト ミット ベシュレンクテル ハフツング 代謝性ミオパチーの治療に使用するためのｓｇｌｔ−２阻害剤
CA3129254A1 (en) * 2016-02-01 2017-08-10 Dexcom, Inc. System and method for decision support using lifestyle factors
CN105844112A (zh) * 2016-04-12 2016-08-10 北京卓亚医药科技有限公司 一种药物个体化剂量调整方法及装置
EP3635591A4 (en) * 2017-06-09 2021-03-24 Companion Medical, Inc. SMART DRUG DELIVERY SYSTEMS AND PROCESSES
CN108231201B (zh) * 2018-01-25 2020-12-18 华中科技大学 一种疾病数据分析处理模型的构建方法、系统及应用方法
US20190251456A1 (en) * 2018-02-09 2019-08-15 Dexcom, Inc. System and method for decision support
US11833329B2 (en) * 2019-12-20 2023-12-05 Insulet Corporation Techniques for improved automatic drug delivery performance using delivery tendencies from past delivery history and use patterns
US20210187197A1 (en) * 2019-12-20 2021-06-24 Insulet Corporation Techniques for improved automatic drug delivery performance using delivery tendencies from past delivery history and use patterns

Patent Citations (9)

* 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
US6691043B2 (en) * 2001-08-28 2004-02-10 Maxi-Med, Llc Bolus calculator
WO2009034100A1 (en) * 2007-09-10 2009-03-19 Novo Nordisk A/S User interface for displaying predicted values
CN102395310A (zh) * 2009-02-26 2012-03-28 莫尔研究应用有限公司 用于自动监控糖尿病相关治疗的方法以及系统
CN103310113A (zh) * 2013-06-24 2013-09-18 浙江大学 一种基于频带分离和数据建模的通用血糖预测方法
CN103605878A (zh) * 2013-08-19 2014-02-26 浙江大学 一种基于数据建模和模型移植的通用血糖预测方法
CN106980746A (zh) * 2016-12-16 2017-07-25 清华大学 一种基于时序分析的通用无创血糖预测方法
CN108335750A (zh) * 2017-01-20 2018-07-27 华广生技股份有限公司 动态分析血糖值的方法及其系统与电脑程序产品
CN106860955A (zh) * 2017-01-21 2017-06-20 广东食品药品职业学院 基于模糊自适应比例微积分控制胰岛素泵闭环输注的方法

Also Published As

Publication number Publication date
WO2020087602A1 (zh) 2020-05-07
US11929159B2 (en) 2024-03-12
CN111110949A (zh) 2020-05-08
US20210383911A1 (en) 2021-12-09

Similar Documents

Publication Publication Date Title
Chase et al. Next-generation, personalised, model-based critical care medicine: a state-of-the art review of in silico virtual patient models, methods, and cohorts, and how to validation them
Pappada et al. Neural network-based real-time prediction of glucose in patients with insulin-dependent diabetes
US11443218B2 (en) Model guided deep learning approach towards prediction of physical system behavior
Gold et al. The relative influences of priors and sensory evidence on an oculomotor decision variable during perceptual learning
US9351670B2 (en) Glycemic risk determination based on variability of glucose levels
Black et al. The health care costs of childhood obesity in Australia: An instrumental variables approach
CN112133439B (zh) 一种基于高斯过程的餐前胰岛素剂量个体化决策系统
CN112102953B (zh) 个性化糖尿病健康管理系统、设备及存储介质
CN112185561B (zh) 用户画像的生成方法、装置和计算机设备
Allam et al. A recurrent neural network approach for predicting glucose concentration in type-1 diabetic patients
JP2010500078A (ja) 生理パラメータを監視する方法および装置
CN111110949B (zh) 胰岛素注射量确定方法及装置、计算机存储介质及设备
CN112801224B (zh) 糖尿病的分型概率预测方法、装置、设备及存储介质
US20140019059A1 (en) Mapping Cognitive to Functional Ability
CN109377388B (zh) 医保投保方法、装置、计算机设备和存储介质
Sivananthan et al. Assessment of blood glucose predictors: the prediction-error grid analysis
Zhu et al. Blood glucose prediction in type 1 diabetes using deep learning on the edge
De Falco et al. A genetic programming-based regression for extrapolating a blood glucose-dynamics model from interstitial glucose measurements and their first derivatives
Turicchi et al. Data imputation and body weight variability calculation using linear and nonlinear methods in data collected from digital smart scales: simulation and validation study
CN110403611B (zh) 血液中糖化血红蛋白成分值预测方法、装置、计算机设备和存储介质
US20220211329A1 (en) Method and system for enhancing glucose prediction
Padmapritha Prediction of Blood Glucose Level by using an LSTM based Recurrent Neural networks
JP2023502075A (ja) 予測データと対応する受信データの差異を評価する統合状態推定予測
CN113936771B (zh) 一种健康指标目标的迭代生成方法及装置
Gallardo-Hernández et al. Minimally-Invasive and Efficient Method to Accurately Fit the Bergman Minimal Model to Diabetes Type 2

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