CN111655128A - 用于决策支持的系统和方法 - Google Patents

用于决策支持的系统和方法 Download PDF

Info

Publication number
CN111655128A
CN111655128A CN201980008283.5A CN201980008283A CN111655128A CN 111655128 A CN111655128 A CN 111655128A CN 201980008283 A CN201980008283 A CN 201980008283A CN 111655128 A CN111655128 A CN 111655128A
Authority
CN
China
Prior art keywords
state
determining
patient
model
glucose concentration
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201980008283.5A
Other languages
English (en)
Inventor
A·E·康斯坦丁
S·M·贝利维奥
N·C·巴瓦拉朱
J·布莱克韦尔
E·科亨
B·戴塔瑞
A·L·戴维斯
R·德雷格尔
A·加西亚
J·M·格雷
H·罕帕普拉姆
N·D·亨兹曼
L·H·杰普森
M·L·约翰逊
A·U·卡马斯
K·Y·克勒
P·马尤
P·W·麦布里德
M·R·门辛格尔
S·三上
A·A·帕尔
N·波利塔瑞迪斯
P·T·普帕
E·雷曼
P·C·辛普森
T·C·沃克
D·J·魏德贝克
S·G·帕伊
M·T·沃格尔
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.)
Dexcom Inc
Original Assignee
Dexcom Inc
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 Dexcom Inc filed Critical Dexcom Inc
Publication of CN111655128A publication Critical patent/CN111655128A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
    • A61B5/0022—Monitoring a patient using a global network, e.g. telephone networks, internet
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
    • A61B5/0024—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system for multiple sensor units attached to the patient, e.g. using a body or personal area network
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • A61B5/02055—Simultaneously evaluating both cardiovascular condition and temperature
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1118—Determining activity level
    • 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
    • A61B5/48—Other medical applications
    • A61B5/486—Bio-feedback
    • 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
    • A61B5/4866—Evaluating metabolism
    • 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
    • A61B5/7221—Determining signal validity, reliability or quality
    • 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
    • A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
    • A61B5/7435—Displaying user selection data, e.g. icons in a graphical user interface
    • 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
    • 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
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/045—Explanation of inference; Explainable artificial intelligence [XAI]; Interpretable artificial intelligence
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • G16H20/17—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients delivered via infusion or injection
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • 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
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/20—ICT specially adapted for the handling or processing of medical references relating to practices or guidelines
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
    • A61B2560/02—Operational features
    • A61B2560/0242—Operational features adapted to measure environmental factors, e.g. temperature, pollution
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A61B5/0816—Measuring devices for examining respiratory frequency
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
    • 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
    • A61B5/7475—User input or interface means, e.g. keyboard, pointing device, joystick
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Cardiology (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Medicinal Chemistry (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Optics & Photonics (AREA)
  • Emergency Medicine (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)

Abstract

提供系统和方法，所述系统和方法向用户提供关于管理如糖尿病的生理病症的指导。确定能够基于患者葡萄糖浓度水平。所述葡萄糖浓度水平能够提供到所存储模型以确定状态。所述指导能够至少部分地基于所述所确定状态而确定。

Description

用于决策支持的系统和方法
技术领域
本发明大体上涉及医疗装置，如分析物传感器，包含用于使用所述医疗装置来提供对作出处理决策的支持的系统和方法。
背景技术
糖尿病是与通过身体产生或使用胰岛素相关的代谢病症。胰岛素是使得身体将葡萄糖用于能量或将葡萄糖存储为脂肪的激素。
当人进食含有碳水化合物的膳食时，食物由消化系统处理，从而在人体血液中产生葡萄糖。血糖可用于能量或存储为脂肪。身体通常将血糖水平维持在提供足够支持身体功能的能量且避免当葡萄糖水平过高或过低时可出现的问题的范围内。血糖水平的调节取决于胰岛素的产生和使用，所述胰岛素调节血糖到细胞中的移动。
当身体并不产生足够胰岛素时，或当身体不能够有效地使用现有胰岛素时，血糖水平可升高超出正常范围。具有高于正常血糖水平的状态称为“高血糖症”。慢性高血糖症可引起多种健康问题，如心血管疾病、白内障和其它眼睛问题、神经损害(神经病变)以及肾脏损害。高血糖症还可引起急性问题，如糖尿病酮酸中毒，一种其中身体由于当身体不能使用葡萄糖时产生的血糖和酮的存在而变得过度酸性的状态。具有低于正常血糖水平的状态称为“低血糖症”。严重低血糖症可引起可导致癫痫或死亡的急性危机。
糖尿病患者可接收胰岛素以管理血糖水平。胰岛素可例如通过用针手动注射来接收。可穿戴胰岛素泵也可用。饮食和锻炼也影响血糖水平。
糖尿病病症有时称为“1型”和“2型”。1型糖尿病患者通常能够使用现有的胰岛素，但身体不能够产生足够量的胰岛素，这是因为胰腺的胰岛素产生β细胞的问题。2型糖尿病患者可产生一些胰岛素，但患者由于对胰岛素的敏感性降低而变得“胰岛素抵抗”。结果是即使胰岛素存在于身体内，但胰岛素不被患者身体充分使用来有效地调节血糖水平。
提供本背景技术是为了介绍以下发明内容和具体实施方式的简要上下文。本背景技术不意欲帮助确定所要求的主题的范围，也不视为将所要求的主题限制为解决上述任何或所有缺点或问题的实施方案。
发明内容
本文件论述，除其它之外，用以确定用于递送或确定对患者或护理人员的决策支持指导的时间的系统和方法。
主题(例如，方法或系统)的实例(例如，“实例1”)可包含测量、确定或接收与患者相关联的第一实时数据；至少部分地使用模型和第一实时数据来确定患者处于的状态；确定指导消息，其中指导消息至少部分地基于所确定状态；以及在经过计算以在转变到非所要生理状态之前启用干预的时间处通过用户界面来提供所确定个性化指导消息。
在实例2中，实例1的主题可配置成使得确定指导消息进一步基于确定指导消息的定时或与所确定状态相关联的时间。
在实例3中，实例1或2的主题可配置成使得模型包含指示患者参与在干预中的便利性或可用性的状态。
在实例4中，实例1到3中任一个或任何组合的主题可配置成使得指导消息至少部分地基于到非所要生理状态的预计转变。
在实例5中，实例1到4中任一个或任何组合的主题可配置成使得指导消息至少部分地基于确定从现有状态到预计状态的预计转变是低概率转变。
在实例6中，实例1到5中任一个或任何组合的主题可配置成使得模型包含患者生理模型，且确定患者处于的状态至少基于将第一实时数据应用于患者生理模型。
在实例7中，实例1到6中任一个或任何组合的主题可配置成使得模型包含行为模型。
在实例8中，实例1到7中任一个或任何组合的主题可配置成使得行为模型基于患者的机器学习特征，机器学习特征基于行为或情境模式。
在实例9中，实例1到8中任一个或任何组合的主题可配置成使得行为模型基于确定将可能由患者执行的一个或多个步骤的集合。
在实例10中，实例1到9中任一个或任何组合的主题可配置成使得行为模型基于确定将可能由患者可达到的一个或多个目的的集合。
在实例11中，实例1到10中任一个或任何组合的主题可配置成使得模型包含作为一种模式的行为模型。
在实例12中，实例1到11中任一个或任何组合的主题可配置成使得模型包含基于生理模式的患者生理模型和基于行为模式的行为模型。
在实例13中，实例1到12中任一个或任何组合的主题可配置成使得第一实时数据指示与预期行为模式的偏差。
在实例14中，实例1到13中任一个或任何组合的主题可配置成使得行为模型指示与用餐时间相关联的对用餐过校正的倾向，第一实时数据指示用餐时间迫近，且指导消息对应于对用餐时间的减轻过校正。
在实例15中，实例1到14中任一个或任何组合的主题可配置成使得模型包含行为模式，所述行为模式包含基于行为的长期模式的长期行为模式和与当前行为相关联的短期行为模式。
在实例16中，实例15的主题可配置成使得行为模型基于长期行为模式且进一步基于短期行为模式。
在实例17中，实例16的主题可配置成使得短期行为模式基于选自由以下组成的群组的一个或多个：与移动装置的参与、加速计数据、检查葡萄糖浓度的频率、日历数据以及其任何组合。
在实例18中，实例1到17中任一个或任何组合的主题可配置成使得状态部分地基于测量模型。
在实例19中，实例18的主题可配置成使得测量模型基于与患者相关联的持续葡萄糖浓度监测系统。
在实例20中，实例1到19中任一个或任何组合的主题可进一步包含在呈现指导消息之后测量葡萄糖浓度数据以及使用所测量后续数据来改良模型中的一个或多个。
在实例21中，实例1到19中任一个或任何组合的主题可配置成使得在呈现之后测量的葡萄糖浓度数据反馈回到测量模型或行为模型或患者生理模型，或反馈回到其组合。
在实例22中，实例1到21中任一个或任何组合的主题可配置成使得模型包含选自由以下组成的群组的模式：生理模式、情境模式或行为模式，或这些模式的组合。
在实例23中，实例1到22中任一个或任何组合的主题可配置成使得生理模式基于生理模型。
在实例24中，实例1到23中任一个或任何组合的主题可配置成使得模型基于选自由以下组成的群组的模式的组合：生理模式、情境模式或行为模式。
在实例25中，实例1到24中任一个或任何组合的主题可配置成使得确定指导消息包含基于状态和第一实时数据而确定多个指导消息以及进一步基于状态和第一实时数据而选择所确定多个指导消息中的一个。
在实例26中，实例25的主题可配置成使得选择进一步基于排序方案、优先化方案，或基于多个指导消息与一个或多个相关联阈值的比较。
在实例27中，实例1到26中任一个或任何组合的主题可进一步包含基于状态和第一实时数据而确定患者的预期糖尿病响应，且其中指导消息进一步基于预期糖尿病响应而对患者个性化，其中患者具备经过计算以将预期糖尿病响应移向所要糖尿病响应的可行消息。
在实例28中，实例27的主题可配置成使得所要糖尿病响应与状态和第一实时数据相关，且其中所要糖尿病响应选自由以下组成的群组：改良糖尿病响应、潜在改良糖尿病响应、理想化响应或优化响应。
在实例29中，实例1到28中任一个或任何组合的主题可配置成使得指导消息基于预期糖尿病响应与所要糖尿病响应之间的函数关系。
在实例30中，实例29的主题可配置成使得函数关系是与预期糖尿病响应相关联的葡萄糖浓度水平与与所要糖尿病响应相关联的葡萄糖浓度水平之间的差异。
在实例31中，实例30的主题可配置成使得与所要糖尿病响应相关联的葡萄糖浓度水平是靶葡萄糖浓度水平或靶葡萄糖浓度范围。
在实例32中，实例29到31中任一个或任何组合的主题可配置成使得函数关系基于预期糖尿病响应是否匹配与所要糖尿病响应相关联的预定条件。
在实例33中，实例32的主题可配置成使得预定条件是靶葡萄糖浓度水平、靶葡萄糖浓度范围、葡萄糖浓度信号签名、与葡萄糖浓度水平相关联的变化率或其组合。
在实例34中，实例1到33中任一个或任何组合的主题可配置成使得指导消息进一步包括与函数关系相关联的一个或多个原因，由此患者可被告知为何正呈现指导消息。
在实例35中，实例1到34中任一个或任何组合的主题可配置成使得指导消息包含可行提示。
在实例36中，实例34的主题可配置成使得指导消息包含经过计算以使得患者的葡萄糖浓度水平移向靶水平或靶范围的可行提示。
在实例37中，实例1到36中任一个或任何组合的主题可配置成使得指导消息包含与患者相关联的当前动作的肯定。
在实例38中，实例1到37中任一个或任何组合的主题可配置成使得通过智能手机测量、接收或确定第一实时数据。
在实例39中，实例1到38中任一个或任何组合的主题可配置成使得通过可穿戴装置测量、接收或确定第一实时数据。
在实例40中，实例1到39中任一个或任何组合的主题可配置成使得通过与智能手机组合的可穿戴装置测量、接收或确定第一实时数据。
在实例41中，实例1到40中任一个或任何组合的主题可配置成使得通过外部装置测量、接收或确定第一实时数据。
在实例42中，实例41的主题可配置成使得外部装置是加速计。
在实例43中，实例1到42中任一个或任何组合的主题可配置成使得第一实时数据包含日时间、通过加速计测量的特征或签名信号，或通过GPS电路确定的定位。
在实例44中，实例1到43中任一个或任何组合的主题可配置成使得第一实时数据包含状态的改变。
在实例45中，实例1到44中任一个或任何组合的主题可配置成使得通过时钟、加速计或GPS电路检测到状态的改变。
在实例46中，实例1到45中任一个或任何组合的主题可配置成使得第一实时数据包含对决策支持提示的用户请求。
在实例47中，实例1到46中任一个或任何组合的主题可配置成使得第一实时数据包含从持续葡萄糖浓度监测系统接收到的数据。
在实例48中，实例1到47中任一个或任何组合的主题可进一步包含测量、确定或接收第二实时数据，其中第二实时数据用于确定患者处于的状态。
在实例49中，实例1到48中任一个或任何组合的主题可配置成使得所确定个性化指导消息在经过计算以对管理患者葡萄糖浓度水平有用的时间处发生。
实例50是一种系统，其包括：葡萄糖浓度传感器，其配置成检测患者葡萄糖浓度水平；通信电路，其配置成从葡萄糖浓度传感器接收患者葡萄糖浓度水平；存储器电路，其包含所存储模型；以及处理器，其配置成：接收患者葡萄糖浓度水平；执行所存储指令以将患者葡萄糖浓度水平应用于所存储模型以确定状态；以及至少部分地基于所确定状态而确定指导消息。
在实例51中，实例50的主题任选地包含其中处理器还配置成至少部分地基于时间模式而确定指导消息。
在实例52中，实例50到51中任一个或多个的主题任选地包含其中模型包含生理模型，确定状态包含确定生理状态。
在实例53中，实例52的主题任选地包含其中处理器进一步配置成：确定行为状态；以及至少部分地基于行为状态而确定指导消息。
在实例54中，实例50到53中任一个或多个的主题任选地包含其中处理器进一步配置成至少部分地基于所确定状态而提供疗法建议。
在实例55中，实例50到54中任一个或多个的主题任选地包含其中系统包含移动装置，移动装置包含存储器电路和处理器。
在实例56中，实例55的主题任选地包含其中移动装置包含通信电路，且葡萄糖浓度传感器包含配置成与通信电路通信的葡萄糖浓度传感器通信电路。
在实例57中，实例56的主题任选地包含其中移动装置通信电路包含第一无线收发器，且葡萄糖浓度传感器通信电路包含第二无线收发器，其中移动装置通信电路和葡萄糖浓度传感器通信电路使用无线通信协议通信。
在实例58中，实例55到57中任一个或多个的主题任选地包含其中移动装置包含配置成提供指导消息的用户界面。
在实例59中，实例58的主题任选地包含其中移动装置配置成通过用户界面接收用户输入，且处理器配置成接收用户输入且将用户输入和患者葡萄糖浓度水平两者应用于模型以确定状态。
在实例60中，实例55到59中任一个或多个的主题任选地包含胰岛素递送系统。
在实例61中，实例60的主题任选地包含其中胰岛素递送系统包含胰岛素泵。
在实例62中，实例60到61中任一个或多个的主题任选地包含其中胰岛素递送系统包含胰岛素笔。
在实例63中，实例50到62中任一个或多个的主题任选地包含配置成将指导消息提供到患者的用户界面。
实例64是一种递送生理葡萄糖浓度管理指导的方法，其包括：接收指示葡萄糖浓度水平的数据；通过将数据应用于模型来确定状态；以及至少部分地基于状态和时间模式来确定指导消息。
在实例65中，实例64的主题任选地包含其中时间模式包含患者行为的学习模式。
在实例66中，实例64到65中任一个或多个的主题任选地包含其中时间模式包含日历。
在实例67中，实例66的主题任选地包含其中确定指导消息至少部分地基于日历中的即将进行的事件。
在实例68中，实例67的主题任选地包含其中确定指导消息至少部分地基于至少部分地基于日历中的即将进行的事件而计算的胰岛素敏感性中的预计改变。
在实例69中，实例64到68中任一个或多个的主题任选地包含其中模型包含生理模型，确定状态包含确定生理状态，且确定指导消息包含从时间模式和生理模型确定转变到非所要生理状态将可能发生。
在实例70中，实例69的主题任选地包含其中确定指导消息包含确定干预以避免转变到非所要生理状态以及至少部分地基于时间模式而确定用于递送指导消息以启用干预从而防止转变的时间。
在实例71中，实例64到70中任一个或多个的主题任选地包含使用时间模式来确定用于递送指导消息的递送时间。
在实例72中，实例71的主题任选地包含其中确定递送时间包含至少部分地基于时间模式而选择当宿主可能可用时的递送时间。
在实例73中，实例71到72中任一个或多个的主题任选地包含其中确定递送时间包含识别即将到来的患者不可用的时段以及在患者不可用的时段之前选择用于递送指导消息的时间。
在实例74中，实例64到73中任一个或多个的主题任选地包含其中确定指导消息包含至少部分地基于时间模式而识别患者不可用的时段，且其中指导消息经过计算以在不可用的时段期间促进葡萄糖浓度稳定性。
在实例75中，实例64到74中任一个或多个的主题任选地包含确定参与状态；至少部分地基于参与状态而确定消息传送频率；以及至少部分地基于消息传送频率而确定用于递送指导消息的时间。
在实例76中，实例75的主题任选地包含确定参与状态已改变为改变参与状态；至少部分地基于改变参与状态而确定新消息传送频率；确定第二指导消息；以及至少部分地基于新消息传送频率而确定用于递送第二指导的第二时间。
在实例77中，实例64到76中任一个或多个的主题任选地包含其中状态是描述宿主疾病阶段的疾病状态。
在实例78中，实例77的主题任选地包含接收指示第二葡萄糖浓度水平的第二数据；至少部分地通过将第二数据应用于模型来确定描述第二宿主疾病阶段的第二疾病状态；以及至少部分地基于第二疾病状态而确定第二指导消息。
在实例79中，实例64到78中任一个或多个的主题任选地包含其中确定状态包含确定生理状态。
在实例80中，实例79的主题任选地包含其中确定生理状态包含确定胰岛素状态、能量吸收状态以及能量消耗状态。
在实例81中，实例64到80中任一个或多个的主题任选地包含接收行为输入，其中确定状态包含将数据和行为输入两者应用于模型。
在实例82中，实例81的主题任选地包含其中接收行为输入包含接收患者活动信息。
实例83是一种递送生理葡萄糖浓度管理指导的方法，其包括：接收指示葡萄糖浓度的数据；使用数据来确定生理状态；确定行为状态；至少部分地基于生理状态和行为状态而确定指导消息；以及使用用户界面来递送指导消息。
在实例84中，实例83的主题任选地包含确定递送指导的时间，所述指导启用及时干预以影响葡萄糖浓度。
在实例85中，实例83到84中任一个或多个的主题任选地包含至少部分地基于行为状态和生理状态而确定对指导的兴趣水平。
在实例86中，实例85的主题任选地包含其中确定疗法指导中的兴趣水平至少部分地基于对指导的先前用户请求。
在实例87中，实例83到86中任一个或多个的主题任选地包含其中确定行为状态包含接收行为输入以及将行为输入应用于行为状态模型。
在实例88中，实例83到87中任一个或多个的主题任选地包含其中确定行为状态包含咨询调度事件的用户日历。
在实例89中，实例83到88中任一个或多个的主题任选地包含其中确定生理状态包含将数据应用于生理状态模型。
在实例90中，实例89的主题任选地包含其中生理状态模型包含葡萄糖浓度水平。
在实例91中，实例90的主题任选地包含其中生理状态模型进一步包含胰岛素状态、能量吸收状态以及能量消耗状态中的一个或多个。
在实例92中，实例83到91中任一个或多个的主题任选地包含确定测量状态，测量状态包含指示葡萄糖浓度的数据的准确度或精确度。
在实例93中，实例83到92中任一个或多个的主题任选地包含其中确定指导消息包含确定低概率生理状态转变将可能发生，其中指导消息提供低机率生理状态转变的提前通知。
在实例94中，实例93的主题任选地包含其中低概率生理状态转变包含转变到低葡萄糖浓度水平或高葡萄糖浓度水平。
在实例95中，实例93到94中任一个或多个的主题任选地包含其中确定指导消息包含确定低概率生理状态转变将可能在不方便的时间处发生，且指导消息提供预计低概率生理状态转变的提前警告，所述提前警告启用干预以避免低概率生理状态转变。
在实例96中，实例95的主题任选地包含其中确定低概率生理状态转变将可能在不方便的时间处发生包含将行为输入应用于行为状态模型。
在实例97中，实例83到96中任一个或多个的主题任选地包含接收额外生理参数，其中使用数据和额外生理参数两者来确定生理状态。
在实例98中，实例97的主题任选地包含其中额外生理参数包含体温、心跳速率或呼吸速率。
在实例99中，实例83到98中任一个或多个的主题任选地包含在学习时段期间，接收描述生理状态或行为状态中的至少一个的学习数据，其中在学习时段之后使用学习数据来确定生理状态或行为状态中的至少一个。
实例100是一种确定和呈现所计算指导消息的方法，所述所计算指导消息是个性化的且对患者治疗管理其糖尿病有用，所述方法包括：接收与患者相关的数据，数据包含实时葡萄糖浓度水平；通过将数据应用于状态模型来确定患者状态；以及至少部分地基于所确定状态而提供疗法建议。
在实例101中，实例100的主题任选地包含其中患者状态包含机载胰岛素状态、胰岛素敏感性状态以及饮食摄取状态。
在实例102中，实例100到101中任一个或多个的主题任选地包含其中状态模型是概率状态模型。
在实例103中，实例102的主题任选地包含其中状态模型包含从回顾性数据得知的状态转变概率。
在实例104中，实例100到103中任一个或多个的主题任选地包含使用在递送疗法建议之后接收的数据来改善状态模型。
实例105是一种向用户提供决策支持功能的方法，其包括：将模型加载到计算环境的存储器中；接收指示用户的葡萄糖浓度值的数据；以及引起所计算洞察在计算环境的用户界面上的显示，使用至少模型和指示葡萄糖浓度值的数据来计算洞察。
在实例106中，实例105的主题任选地包含其中引起显示由用户请求引发。
在实例107中，实例106的主题任选地包含其中用户请求与计划活动的数据项相关联，且其中所计算洞察指示由模型中的一个或多个计算的用户动作以得到与葡萄糖浓度值相关联的所要结果。
在实例108中，实例107的主题任选地包含其中所要结果是预定靶范围内的葡萄糖浓度值。
在实例109中，实例107到108中任一个或多个的主题任选地包含其中所要结果是预定靶范围内的具有变化率的葡萄糖浓度值。
在实例110中，实例107到109中任一个或多个的主题任选地包含其中计划活动是用餐，且其中所计算洞察是用餐对葡萄糖浓度值的所计算或所预测影响。
在实例111中，实例107到110中任一个或多个的主题任选地包含其中所显示的所计算洞察包含交互建议和在确定交互建议中使用的至少一个因素。
在实例112中，实例105到111中任一个或多个的主题任选地包含其中引起所计算洞察的显示由与预定条件匹配的事件的发生引发。
在实例113中，实例105到112中任一个或多个的主题任选地包含其中引起所计算洞察的显示由与所计算病症匹配的事件的发生引发，至少部分地基于模型或指示葡萄糖浓度值的数据或其组合而计算所计算病症。
在实例114中，实例113的主题任选地包含其中当疗法调整使用户暴露于比在疗法调整之前呈现的更大的风险时，那么调整警报和/或告警以在疗法调整之后的一段时间内具有额外敏感性。
在实例115中，实例113到114中任一个或多个的主题任选地包含在触发比先验的潜在治疗决策更频繁的CGM应用程序实例化的潜在治疗决策之后时检测时间段何时存在，以及增大决策支持的消息传送频率。
在实例116中，实例113到115中任一个或多个的主题任选地包含其中消息传送是到用户或到用户的跟随器。
在实例117中，实例105到116中任一个或多个的主题任选地包含使用所接收数据来检测趋势的发生，趋势与所识别模式相关联。
在实例118中，实例105到117中任一个或多个的主题任选地包含从外部数据源接收数据。
在实例119中，实例118的主题任选地包含其中外部数据源是胰岛素笔或泵，且其中所计算洞察包含关于机载胰岛素的信息。
在实例120中，实例119的主题任选地包含其中外部数据源是胰岛素笔或泵，且其中所计算洞察用两个值来表达，一个指示在计划用户运动的情况下使用，且另一个指示在没有计划用户运动的情况下使用。
在实例121中，实例119到120中任一个或多个的主题任选地包含其中外部数据源是加速计，且其中所计算洞察包含关于运动对葡萄糖浓度值的影响的信息。
在实例122中，实例119到121中任一个或多个的主题任选地包含其中外部数据源是相机或GPS接收器，且其中所计算洞察包含关于餐食大小和组合物对葡萄糖浓度值的影响的信息。
在实例123中，实例119到122中任一个或多个的主题任选地包含其中外部数据源是用户界面，其中用户界面配置成接收关于用户目标的数据，且其中所计算洞察包含关于靶范围内的时间百分率和靶范围的指示的信息。
在实例124中，实例105到123中任一个或多个的主题任选地包含将与用户相关联的持续葡萄糖浓度监测系统的测量模型加载到计算环境的存储器中，且其中所计算洞察进一步基于测量模型。
在实例125中，实例124的主题任选地包含其中使用算法来计算所计算洞察，所述算法至少部分地基于葡萄糖浓度变化率或葡萄糖浓度偏移的可能性和/或严重度。
在实例126中，实例105到125中任一个或多个的主题任选地包含其中引起显示基于在周期性基础上执行的计算。
在实例127中，实例126的主题任选地包含其中周期性基础基于在实质上相同时间处发生的一系列用餐时间而确定。
在实例128中，实例126到127中任一个或多个的主题任选地包含其中周期性基础基于一系列类似葡萄糖响应而确定。
在实例129中，实例128的主题任选地包含其中类似葡萄糖响应是尖峰。
在实例130中，实例126到129中任一个或多个的主题任选地包含其中周期性基础基于一系列类似给药策略而确定。
在实例131中，实例126到130中任一个或多个的主题任选地包含其中周期性基础基于一系列不可靠结果的基础而确定，其中葡萄糖浓度水平远离遵循潜在治疗决策的靶区域漂移超过指定百分率或量。
在实例132中，实例105到131中任一个或多个的主题任选地包含其中所计算洞察的显示包含概率圆锥图的显示，概率圆锥图基于用户的先前数据。
在实例133中，实例105到132中任一个或多个的主题任选地包含其中所计算洞察的显示包含概率圆锥图的显示，概率圆锥图基于群体数据。
在实例134中，实例133的主题任选地包含其中群体数据从具有与用户一样的一个或多个人口统计特点的人中挑选出。
在实例135中，实例105到134中任一个或多个的主题任选地包含其中所计算洞察的显示包含两个单独趋势指示符的显示，一个使用在工作日期间测量的数据而确定且一个使用在周末期间测量的数据而确定。
在实例136中，实例105到135中任一个或多个的主题任选地包含其中通过计算环境来计算洞察。
在实例137中，实例105到136中任一个或多个的主题任选地包含其中通过所连接服务器来计算洞察。
在实例138中，实例105到137中任一个或多个的主题任选地包含其中模型包含生理模型和行为模型。
在实例139中，实例138的主题任选地包含其中行为模型配置成确定关注因素水平，所述关注因素水平选自由以下组成的群组：关于生理状态的关注、治疗决策结果和/或潜在将来状态。
在实例140中，实例139的主题任选地包含其中关于生理状态的关注通过检测检查与糖尿病相关的应用程序的频率或检测SMBG值输入的频率来确定。
在实例141中，实例139到140中任一个或多个的主题任选地包含其中行为模型配置成确定参与因素水平，参与因素水平选自由以下组成的群组：响应时间、治疗活动水平和/或支持类型。
在实例142中，实例139到141中任一个或多个的主题任选地包含其中计算环境是移动装置，方法进一步包括通过第二计算机系统来学习生理模型，其中将模型加载到计算环境的存储器中包含将所学习生理模型加载到移动装置中。
在实例143中，实例142的主题任选地包含通过第二计算机系统来学习行为模型，其中将模型加载到计算环境的存储器中包含将所学习行为模型加载到移动装置中。
在实例144中，实例142到143中任一个或多个的主题任选地包含其中移动装置确定所计算洞察而不需要对第二计算机系统的存取。
实例145是一种系统，其包括：葡萄糖浓度传感器，其配置成检测宿主葡萄糖浓度；通信电路，其配置成从葡萄糖浓度传感器接收宿主葡萄糖浓度；存储器电路，其包含所存储模型；以及处理器，其配置成：接收由葡萄糖浓度传感器感测到的宿主葡萄糖浓度数据；确定与宿主葡萄糖浓度数据相关联的宿主状态改变；至少部分地基于宿主状态改变而确定指导消息；以及通过用户界面来递送指导消息。
在实例146中，实例145的主题任选地包含其中处理器进一步配置成确定宿主状态改变是非典型的，其中指导消息的确定至少部分地基于状态改变的非典型性。
在实例147中，实例145到146中任一个或多个的主题任选地包含其中确定宿主状态改变包括从模型确定低概率状态转变已发生或将可能发生，其中指导消息的确定至少部分地基于确定低概率状态转变已发生或将可能发生。
在实例148中，实例145到147中任一个或多个的主题任选地包含其中确定宿主状态改变包括识别可能转变到非所要宿主状态，且在使得宿主可干预以避免转变到非所要宿主状态的时间处确定和递送指导消息。
在实例149中，实例145到148中任一个或多个的主题任选地包含其中系统包含移动装置，移动装置包含存储器电路和处理器。
在实例150中，实例149的主题任选地包含其中移动装置包含通信电路，且葡萄糖浓度传感器包含配置成与通信电路通信的葡萄糖浓度传感器通信电路。
在实例151中，实例149到150中任一个或多个的主题任选地包含其中移动装置通信电路包含第一无线收发器，且葡萄糖浓度传感器通信电路包含第二无线收发器，其中移动装置通信电路和葡萄糖浓度传感器通信电路使用无线通信协议通信。
在实例152中，实例145到151中任一个或多个的主题任选地包含胰岛素递送系统。
在实例153中，实例145到152中任一个或多个的主题任选地包含其中状态改变是从描述第一宿主疾病阶段的第一疾病状态到指示第二宿主疾病阶段的第二疾病状态，其中处理器进一步配置成至少部分地基于第二疾病阶段而确定第二指导消息。
实例154是一种递送生理葡萄糖浓度管理指导的方法，其包括：接收指示葡萄糖浓度的数据；通过将数据应用于模型来确定患者状态；确定患者状态是否是非典型的；基于患者状态的非典型性而确定指导消息；以及通过用户界面来递送指导消息。
在实例155中，实例154的主题任选地包含其中确定患者状态是否是非典型的包含确定患者状态对给定病症集是否是非典型的。
在实例156中，实例154到155中任一个或多个的主题任选地包含其中确定患者状态是否是非典型的包含确定低可能性状态转变是否已发生。
在实例157中，实例154到156中任一个或多个的主题任选地包含其中确定指导消息包含确定低可能性状态转变是否预计将发生。
在实例158中，实例154到157中任一个或多个的主题任选地包含其中确定患者状态包含确定生理状态和行为状态以及确定生理状态对所确定行为状态是否是非典型的。
在实例159中，实例154到158中任一个或多个的主题任选地包含其中确定患者状态是否是非典型的包含在当血糖浓度典型地在受控范围内时的时间处或情况下识别从受控血糖浓度范围偏离的血糖浓度水平。
在实例160中，实例154到159中任一个或多个的主题任选地包含其中确定患者状态是否是非典型的包含在当血糖浓度典型地在受控范围内时的时间处或情况下识别引起高或低血糖浓度状态的血糖浓度趋势。
在实例161中，实例154到160中任一个或多个的主题任选地包含其中确定患者状态是否是非典型的包含在当血糖浓度典型地受到良好控制时的时间处或情况下预料一到低血糖浓度状态的移位。
实例162是一种递送生理葡萄糖浓度管理指导的方法，其包括：接收指示葡萄糖浓度的数据；通过将数据应用于模型来确定患者状态；从模型确定低概率状态转变已发生或将可能发生；以及基于确定低概率状态转变已发生或将可能发生而通过用户界面来递送指导消息。
在实例163中，实例162的主题任选地包含其中方法包含确定低概率状态转变将可能发生，其中指导消息提供低概率状态转变的提前通知。
在实例164中，实例162到163中任一个或多个的主题任选地包含其中低概率生理状态转变包含转变到低葡萄糖浓度水平或高葡萄糖浓度水平。
在实例165中，实例162到164中任一个或多个的主题任选地包含其中确定指导消息包含确定低概率状态转变将可能在不方便的时间处发生。
在实例166中，实例165的主题任选地包含其中确定低概率状态转变将可能在不方便的时间处发生包含参考调度事件的用户日历。
在实例167中，实例165到166中任一个或多个的主题任选地包含其中确定低概率状态转变将可能在不方便的时间处发生包含参考行为状态模型。
在实例168中，实例162到167中任一个或多个的主题任选地包含其中递送指导消息包含确定当患者或护理人员将可能可用以采取动作以防止低概率状态转变时的时间段以及在所确定时间段期间递送指导消息。
在实例169中，实例168的主题任选地包含其中确定当患者将可能可用以采取动作以防止低概率状态转变时的时间段包含参考调度事件的日历。
在实例170中，实例168到169中任一个或多个的主题任选地包含其中确定当患者或护理人员将可能可用以采取动作以防止低概率状态转变时的时间段包含使用模型。
在实例171中，实例168到170中任一个或多个的主题任选地包含其中使用模型包含使用用户活动或用户定位信息的模式来确定当患者或护理人员将可能可用时的时间段。
实例172是一种递送生理葡萄糖浓度管理指导的方法，其包括：接收指示葡萄糖浓度的数据；接收一个或多个行为、环境或情境输入；通过将数据和一个或多个行为、环境或情境输入应用于模型来识别可能转变到非所要患者状态；基于可能转变到非所要患者状态而确定指导消息；以及递送指导消息，其中在使得患者可干预以避免转变到非所要患者状态的时间处确定和递送指导消息。
在实例173中，实例172的主题任选地包含其中接收行为、环境或情境输入包含接收加速计数据。
在实例174中，实例172到173中任一个或多个的主题任选地包含其中接收行为、环境或情境输入包含从日历接收关于调度事件的信息。
在实例175中，实例172到174中任一个或多个的主题任选地包含其中接收行为、环境或情境输入包含通过用户界面从用户接收输入。
在实例176中，实例172到175中任一个或多个的主题任选地包含其中接收行为、环境或情境输入包含从用户接收关于运动的完成、初始化或预料的信息。
在实例177中，实例172到176中任一个或多个的主题任选地包含其中接收行为、环境或情境输入包含检测用户正驾驶。
在实例178中，实例172到177中任一个或多个的主题任选地包含其中接收一个或多个行为、环境或情境输入包含接收定位信息。
在实例179中，实例172到178中任一个或多个的主题任选地包含其中接收一个或多个行为、环境或情境输入包含接收环境温度或环境压力。
在实例180中，实例172到179中任一个或多个的主题任选地包含接收体温、心跳速率或呼吸速率。
在实例181中，实例180的主题任选地包含基于所接收信息的一个或多个模式而学习模型。
在实例182中，实例181的主题任选地包含其中学习模型包含学习随时间而变的胰岛素敏感性的模式。
在实例183中，实例182的主题任选地包含其中学习模型包含学习随一段体力消耗时期之后流逝的时间而变的胰岛素敏感性的模式。
在实例184中，实例172到183中任一个或多个的主题任选地包含确定用户查询以及将用户查询提供到用户，其中响应于用户查询而接收行为、环境或情境输入。
在实例185中，实例172到184中任一个或多个的主题任选地包含其中接收指示葡萄糖浓度的数据包含从持续葡萄糖浓度监测系统接收数据。
实例186是一种系统，其包括：葡萄糖浓度传感器，其配置成检测宿主葡萄糖浓度；通信电路，其配置成从葡萄糖浓度传感器接收宿主葡萄糖浓度；存储器电路，其包含所存储模型；以及处理器，其配置成：存取与宿主相关联的数据；使用数据来确定宿主的状态；至少部分地基于所确定状态而确定指导消息；选择用于提供指导消息的时间；以及在所选时间处通过用户界面来提供指导消息。
在实例187中，实例186的主题任选地包含其中时间经过计算以在宿主转变到非所要生理状态之前启用干预。
在实例188中，实例186到187中任一个或多个的主题任选地包含其中确定指导消息至少部分地基于宿主的个性化行为模型，且其中时间经过计算以对宿主在糖尿病的治疗管理方面有用。
在实例189中，实例186到188中任一个或多个的主题任选地包含其中状态的确定至少部分地基于患者生理模型和患者行为模型。
实例190是一种递送生理葡萄糖浓度管理指导的方法，其包括：测量、确定或接收与患者相关联的第一实时数据；至少部分地使用模型和第一实时数据来确定患者处于的状态；确定个性化指导消息，其中指导消息至少部分地基于所确定状态；以及在经过计算以在转变到非所要生理状态之前启用干预的时间处通过用户界面来提供所确定个性化指导消息。
在实例191中，实例190的主题任选地包含其中确定指导消息进一步基于确定指导消息的定时或与所确定状态相关联的时间。
在实例192中，实例190到191中任一个或多个的主题任选地包含其中模型包含指示患者参与在干预中的便利性或可用性的状态。
在实例193中，实例190到192中任一个或多个的主题任选地包含其中指导消息至少部分地基于到非所要生理状态的预计转变。
在实例194中，实例193的主题任选地包含其中指导消息至少部分地基于确定从现有状态到预计状态的预计转变是低概率转变。
在实例195中，实例190到194中任一个或多个的主题任选地包含其中模型包含患者生理模型，且确定患者处于的状态至少基于将第一实时数据应用于患者生理模型。
在实例196中，实例195的主题任选地包含其中模型进一步包含行为模型。
在实例197中，实例196的主题任选地包含其中行为模型基于患者的机器学习特征，机器学习特征基于行为或情境模式。
在实例198中，实例196到197中任一个或多个的主题任选地包含其中行为模型基于确定将可能由患者执行的一个或多个步骤的集合。
在实例199中，实例196到198中任一个或多个的主题任选地包含其中行为模型基于确定将可能由患者可达到的一个或多个目的的集合。
在实例200中，实例196到199中任一个或多个的主题任选地包含其中行为模型是一种模式。
在实例201中，实例196到200中任一个或多个的主题任选地包含其中患者生理模型基于生理模式，且行为模型基于行为模式。
在实例202中，实例201的主题任选地包含其中第一实时数据指示与预期行为模式的偏差。
在实例203中，实例202的主题任选地包含其中行为模型指示与用餐时间相关联的对用餐过校正的倾向，第一实时数据指示用餐时间迫近，且指导消息对应于对用餐时间的减轻过校正。
在实例204中，实例203的主题任选地包含其中行为模式包含基于行为的长期模式的长期行为模式和与当前行为相关联的短期行为模式。
在实例205中，实例204的主题任选地包含其中行为模型基于长期行为模式且进一步基于短期行为模式。
在实例206中，实例205的主题任选地包含其中短期行为模式基于选自由以下组成的群组的一个或多个：移动装置参与、加速计数据、检查葡萄糖浓度的频率、日历数据以及这些的组合。
在实例207中，实例190到206中任一个或多个的主题任选地包含其中确定状态进一步基于测量模型。
在实例208中，实例207的主题任选地包含其中测量模型基于与患者相关联的持续葡萄糖浓度监测系统。
在实例209中，实例208的主题任选地包含在确定指导消息之后测量葡萄糖浓度数据以及使用所测量后续数据来改良模型中的一个或多个。
在实例210中，实例209的主题任选地包含其中在确定之后测量的葡萄糖浓度数据反馈回到测量模型或行为模型或患者生理模型，或反馈回到其组合。
在实例211中，实例190到210中任一个或多个的主题任选地包含其中模型包含选自由以下组成的群组的模式：生理模式、情境模式或行为模式，或这些模式的组合。
在实例212中，实例211的主题任选地包含其中生理模式基于生理模型。
在实例213中，实例190到212中任一个或多个的主题任选地包含其中模型基于选自由以下组成的群组的模式的组合：生理模式、情境模式或行为模式。
在实例214中，实例190到213中任一个或多个的主题任选地包含其中确定指导消息进一步包括基于状态和第一实时数据而确定多个指导消息以及进一步基于状态和第一实时数据而选择所确定多个指导消息中的一个。
在实例215中，实例214的主题任选地包含其中选择进一步基于排序方案、优先化方案，或基于多个指导消息与一个或多个相关联阈值的比较。
在实例216中，实例190到215中任一个或多个的主题任选地包含基于状态和第一实时数据而确定患者的预期糖尿病响应，且其中指导消息进一步基于预期糖尿病响应而对患者个性化，其中患者具备经过计算以将预期糖尿病响应移向所要糖尿病响应的可行消息。
在实例217中，实例216的主题任选地包含其中所要糖尿病响应与状态和第一实时数据相关，且其中所要糖尿病响应选自由以下组成的群组：改良糖尿病响应、潜在改良糖尿病响应、理想化响应或优化响应。
在实例218中，实例217的主题任选地包含其中指导消息基于预期糖尿病响应与所要糖尿病响应之间的函数关系。
在实例219中，实例218的主题任选地包含其中函数关系是与预期糖尿病响应相关联的葡萄糖浓度水平与与所要糖尿病响应相关联的葡萄糖浓度水平之间的差异。
在实例220中，实例219的主题任选地包含其中与所要糖尿病响应相关联的葡萄糖浓度水平是靶葡萄糖浓度水平或靶葡萄糖浓度范围。
在实例221中，实例220的主题任选地包含其中函数关系基于预期糖尿病响应是否匹配与所要糖尿病响应相关联的预定条件。
在实例222中，实例221的主题任选地包含其中预定条件是靶葡萄糖浓度水平、靶葡萄糖浓度范围、葡萄糖浓度信号签名或与葡萄糖浓度水平相关联的变化率。
在实例223中，实例217到222中任一个或多个的主题任选地包含其中指导消息进一步包括与函数关系相关联的一个或多个原因，由此患者可被告知为何正呈现指导消息。
在实例224中，实例190到223中任一个或多个的主题任选地包含其中指导消息包含可行提示。
在实例225中，实例224的主题任选地包含其中指导消息包含经过计算以使得患者的葡萄糖浓度水平移向靶水平或靶范围的可行提示。
在实例226中，实例190到225中任一个或多个的主题任选地包含其中指导消息包含与患者相关联的当前动作的肯定。
在实例227中，实例190到226中任一个或多个的主题任选地包含其中通过智能手机测量、接收或确定第一实时数据。
在实例228中，实例190到227中任一个或多个的主题任选地包含其中通过可穿戴装置测量、接收或确定第一实时数据。
在实例229中，实例190到228中任一个或多个的主题任选地包含其中通过与智能手机组合的可穿戴装置测量、接收或确定第一实时数据。
在实例230中，实例190到229中任一个或多个的主题任选地包含其中通过外部装置测量、接收或确定第一实时数据。
在实例231中，实例230的主题任选地包含其中外部装置是加速计。
在实例232中，实例190到231中任一个或多个的主题任选地包含其中第一实时数据是日时间、通过加速计测量的特征或签名信号，或通过GPS电路确定的定位。
在实例233中，实例190到232中任一个或多个的主题任选地包含其中第一实时数据是状态的改变。
在实例234中，实例233的主题任选地包含其中通过时钟、加速计或GPS电路检测到状态的改变。
在实例235中，实例190到234中任一个或多个的主题任选地包含其中第一实时数据是对决策支持提示的用户请求。
在实例236中，实例190到235中任一个或多个的主题任选地包含其中从持续葡萄糖浓度监测系统接收到第一实时数据。
在实例237中，实例190到236中任一个或多个的主题任选地包含测量、确定或接收第二实时数据，其中第二实时数据用于确定患者处于的状态。
在实例238中，实例190到237中任一个或多个的主题任选地包含其中提供所确定个性化指导消息在经过计算以对管理患者葡萄糖浓度水平有用的时间处发生。
在实例239中，实例190到238中任一个或多个的主题任选地包含其中状态是描述患者疾病阶段的疾病状态。
在实例240中，实例239的主题任选地包含测量、确定或接收指示第二葡萄糖浓度水平的第二实时数据；至少部分地通过将第二数据应用于模型来确定描述第二患者疾病阶段的第二疾病状态；以及至少部分地基于第二疾病状态而确定第二指导消息。
在实例241中，实例190到240中任一个或多个的主题任选地包含其中状态是参与状态，进一步包括：至少部分地基于参与状态而确定消息传送频率；以及至少部分地基于消息传送频率而确定用于提供个性化指导消息的时间。
在实例242中，实例190到241中任一个或多个的主题任选地包含在学习时段期间，接收学习数据，其中至少部分地基于学习数据而确定患者的状态。
实例243是一种确定和递送所计算指导消息的方法，所述所计算指导消息是个性化的且对患者在其糖尿病的治疗管理方面有用，所述方法包括：学习患者的个性化行为模型；接收实时数据；确定待呈现给患者的个性化指导消息，所述确定至少部分地基于个性化指导消息的确定时间和患者的个性化行为模型；以及使用所学习个性化行为模型来确定提供个性化指导消息的递送时间，其中递送时间经过计算以对患者在他/她的糖尿病的治疗管理方面有用。
在实例244中，实例243的主题任选地包含其中学习患者的个性化行为模型包含机器学习患者的第一特征。
在实例245中，实例244的主题任选地包含其中第一特征是选自由以下组成的群组的模式：生理模式、情境模式或行为模式，或这些模式的组合。
在实例246中，实例245的主题任选地包含在递送时间处递送个性化指导消息。
实例247是一种确定和呈现所计算指导消息的方法，所述所计算指导消息是个性化的且对患者在其糖尿病的治疗管理方面有用，所述方法包括：测量、确定或接收与患者相关联的第一实时数据；使用模型，确定患者处于的状态，所述确定基于患者生理模型、行为模型以及测量模型，通过患者生理模型和行为模型以及实时数据来确定状态；确定指导消息，其中指导消息至少基于所确定状态而对患者个性化，由此所确定状态和多个模型的使用实现指导消息的个性化；以及经由用户界面提供所确定个性化指导消息，使得呈现在经过计算以对患者在其糖尿病的治疗管理方面有用的时间处发生。
在实例248中，实例247的主题任选地包含其中接收第一实时数据是葡萄糖浓度值。
在实例249中，实例248的主题任选地包含其中接收第一实时数据是日时间。
在实例250中，实例248到249中任一个或多个的主题任选地包含其中患者生理模型是状态模型，所述状态模型包含葡萄糖浓度状态、机载胰岛素状态以及胰岛素敏感性状态、能量吸收状态或能量消耗状态中的一个或多个。
在实例251中，实例248到250中任一个或多个的主题任选地包含从输入数据集学习模型。
在实例252中，实例251的主题任选地包含其中所述输入数据集包含时钟时间、日时间、葡萄糖浓度水平、机载胰岛素、患者活动、患者健康、星期几、月日、年日、定位、摄取的食物或摄取的饮品中的一个或多个。
在实例253中，实例251到252中任一个或多个的主题任选地包含在递送个性化指导消息之后确定与预期状态的偏差，以及基于额外输入信息而调适模型。
在实例254中，实例253的主题任选地包含其中所述输入数据集包含通过用户界面接收的信息。
在实例255中，实例247到254中任一个或多个的主题任选地包含其中提供所确定个性化指导消息包含在用户界面上呈现个性化指导消息。
本发明内容意欲提供对本专利申请的主题的概述。其并不意欲提供对本公开的排它性或穷尽性解释。包含详细描述以提供关于本专利申请的其它信息。本领域的技术人员在阅读并理解以下详细描述且查看形成所述详细描述的一部分的图式后将显而易知本公开的其它方面，所述图式中的每一者均不以限制性意义采用。
附图说明
在不一定按比例绘制的图式中，相似标号可在不同视图中描述类似组件。具有不同字母后缀的相似标号可表示类似组件的不同例子。图式借助于实例而非限制性地总体上图示本文件中所论述的各种实施例。
图1图示用于将指导递送到患者的实例系统。
图2A是图1中示出的模型的图解。
图2B是提供对实例模型输入和可通过将输入应用于模型所确定的实例状态的更详细说明的图解。
图3A是与患者相关联的实例时间线的图解。
图3B是护理人员和儿童患者的实例时间表的图解。
图3C是患者的苏醒/睡眠状态的图解。
图3D是基于其它状态而确定患者参与在干预中的可用性(或便利性)的图解。
图4是通过确定步骤或模块将各种类别的输入耦合到各种类别的输出的图解。
图5A、5B以及图6到13是图示确定用户指导的实例方法的流程图。
图14是图示将非清晰输入转换成可量化标准的方式的流程图。
图15图示在系统模型内使用例如食物敏感性的一种类型的关联参数来确定对用餐推注的决策支持。
图16图示可在决策支持应用程序/功能中采用的各种输入。
图17图示输入数据的各种物理源。
图18A和18B图示获得用餐数据的非传统方式。
图19是用于获得可随后采用为用于决策支持(例如，用于状态界定和确定)的输入的信号签名信息的流程图。
图20是图示可充当到决策支持中例如以用于状态界定和确定的输入的胃排空持续时间的图表。
图21是图示例如CGM操作模式的模式的图表，且模式还可用作到决策支持中例如以用于状态界定和确定的输入。
图22A和22B图示用户输入调整阈值水平。
图23是其中可实施本文中论述的方法的实例系统的图解。
图24是本文中论述的技术(例如，方法)中的任一个或多个可在其上执行的实例机器的框图。
图25A和25B是用户可通过其在曲线图上选择碳水化合物含量和脂肪含量的实例用户界面的图解。
图26是告警可通过其进行配置的实例用户界面的图解。
图27A和27B是示出针对所选量的碳水化合物摄入的预测数据的用户界面的图解。
图28到30是在移动装置的用户界面上递送的实例指导的图解。
图31A和31B是不具有(图31A)和具有(图31B)及时决策支持指导的实例葡萄糖餐后趋势的图解。
图32A和32B是不具有(图32A)和具有(图32B)决策支持指导的实例餐后胰岛素趋势分布模式的图解。
图33是与用以解决低血糖事件的干预相关的实例葡萄糖趋势的图解。
图34到37是装置上的实例用户界面的图解。
图38是图1中示出的模型的另一图解。
图39是示出可由决策支持系统执行以响应于宿主的疾病阶段的改变而改变的过程流程的一个实例的流程图。
具体实施方式
糖尿病的管理可给患者、临床医生和护理人员带来复杂挑战，这是由于许多因素的汇合可影响患者的葡萄糖水平和葡萄糖趋势。本发明人已认识到，除其它之外，密集胰岛素用户可得益于在经过计算以对患者或护理人员有用的时间处确定或递送的实时指导。此类指导的定时的确定可由技术系统支持，所述技术系统处理用以确定定时的数据和模式。举例来说，通过采用如传感器、数据模型和患者界面装置的技术工具，系统可确定经过计算以在当患者或护理人员将可能可用以接收指导和按指导行事时的时间窗内或者发现指导有用的时间。在一些实例中，系统可学习用户偏好或行为特点或模式且使用所述偏好、特点或模式来确定指导的定时。通过在经过计算以对用户有用的时间处递送指导，可改良生理葡萄糖水平的管理。
概述
确定指导和经过计算以对用户(例如，患者、护理人员或临床医生)有用的用以递送指导的时间的系统可帮助用户更好地睡眠，例如由于控制葡萄糖水平而得到不间断睡眠，或达到头脑平静且避免睡眠时的跌宕起伏，或通过按睡眠前指导行事而知晓应做什么来改善睡眠，或知晓什么时候存在需要解决的潜在问题。所述系统可替代或另外地帮助用户更好地进食，例如通过确信患者可在来自决策支持系统的指导下进食并在进食之后保持在范围内，或在不考虑患者已做了什么来引出用餐的情况下通过用餐和在用餐之后保持在范围内，或在知晓治疗是安全和有效的情况下感到安心。所述系统可替代或另外地帮助用户更好地生活(例如，提高生活质量)，例如通过知晓用户什么时候需要注意糖尿病问题(例如，葡萄糖水平)，或适应白天期间的意外事件且维持葡萄糖水平处于控制下，或提前了解潜在或可能偏移使得能够有时间做出反应，或在不过校正或过进食(例如，过摄取碳水化合物)的情况下对偏移作出响应。
在一些实例中，所递送指导可通过应对多种挑战来辅助患者、护理人员或医疗保健提供者改善生活方式或临床/患者结果，所述挑战如隔夜葡萄糖控制(例如，降低低血糖事件或高血糖偏移的发生率)、用餐期间和之后的葡萄糖控制(例如使用历史信息和趋势来增强葡萄糖控制)、高血糖症校正(例如，增加靶区域中的时间，同时避免过校正引起的低血糖事件)、低血糖症治疗(例如，解决低血糖症，同时避免“反弹”高血糖症)、运动和其它健康因素。系统可提供疗法优化工具，所述疗法优化工具学习患者的生理和行为且计算指导以帮助患者识别最佳或合乎需要的疗法参数，如基础胰岛素需求、胰岛素与碳水化合物比率、校正因素或由于运动引起的胰岛素敏感性改变。决策支持工具可例如通过预测低血糖症或高血糖症事件或趋势、提供解决正在发生或潜在的低血糖症或高血糖症事件或趋势的治疗建议以及实时地监测葡萄糖、生理或行为响应如何来帮助患者对问题实时地作出响应。这种类型的所计算指导和支持可减轻患者、护理人员或医疗保健专业人员的认知负担。
如持续葡萄糖监测仪的生理传感器可提供可由患者、护理人员或医疗保健专业人员使用的有用数据以管理葡萄糖水平，但数据可要求大量处理以开发用于葡萄糖管理的有效策略。庞大的数据量以及对数据类型、趋势、事件和结果之间的关联性的认知可远超出人的处理能力。这在实时地作出关于对生理病症的疗法或响应的决策时尤其有效。实时或最新数据与历史数据和模式的集成可在作出关于疗法的实时决策时提供有用的指导。技术工具可处理这种信息以提供决策支持指导，所述决策支持指导经过计算以在特定时间处对处于特定病症或情形的特定患者有用。技术工具还可通过在全天反复进行计算并确定何时延迟或递送指导来减轻人类决策者的认知负担。
决策支持系统可对开发在睡眠期间增大葡萄糖水平受到控制的可能性的睡眠前指导特别有用。举例来说，系统可使用算法或模型来确定高血糖症或低血糖症事件是否有可能或可能且开发指导，所述指导可例如包含睡眠前动作事项，如胰岛素递送、进食食品(例如，快速碳水化合物、缓慢碳水化合物或碳水化合物与蛋白质组合)或设置告警以检查状态或在特定时间处检查指导。系统还可使用算法或模型来提供情境敏感警报。举例来说，系统可从人为输入或传感器输入或行为模式了解到用户正在睡眠或即将睡眠且在计算警报或递送警报的时间中考虑到睡眠活动。在一些实例中，系统可延迟递送警报或指导(例如，直到满足风险条件或干预时间窗开放为止)以避免不必要地唤醒患者或护理人员。在一些实例中，系统可计算递送指导(和可唤醒患者或时间给予者的警报)的时间以增大较不具破坏性的干预可用的可能性。举例来说，所述系统可确定查询是合乎需要的(例如，检查低压缩，或检查发热或血糖或其它生理传感器)或基础或推注调整是需要的，例如以经由注射或泵及时递送胰岛素来避免高血糖事件，或通过经由泵减少胰岛素递送来避免低血糖事件以避免稍后唤醒患者通过食物或饮料来递送碳水化合物。
配置成计算指导和指导的定时的决策支持系统还可例如通过提供关于潜在结果的指导、关于决策何时可合乎需要的通知或关于治疗性干预或行为决策(例如，运动、休息或进食)的潜在影响的指导来帮助转变到新疗法或新环境或疾病随时间推移的进展(例如胰腺功能的改变或胰腺的部分功能的“蜜月”期衰退、II型糖尿病的治疗例程改变等)。
决策支持系统可使用多种信息源来确定指导，所述信息如与进食行为相关的模式或其它信息(例如，每日用餐的次数、用餐和点心上的餐食大小分布、对低血糖偏移的治疗量或对低血糖事件的重复治疗的次数)、胰岛素剂量信息(例如，推注和基础剂量模式、泵设置或注射模式、每日推注的次数、趋势调整量、用餐前推注模式、围绕校正推注的行为、每日校正推注的次数、行为模式(碳水化合物计数的存在和准确度、响应于高血糖症或校正推注需要的动作或不动作的发生率、用于校正的条件、阈值或触发(例如，葡萄糖水平、趋势与水平的组合、食物或其它因素)、对机载胰岛素的了解、胰岛素定时、用餐之前的“预推注”模式和其持续时间、胰岛素递送或治疗性干预的误差、运动定时、运动持续时间和运动强度、对活动的生理反应)、生理因素(响应于胰岛素或碳水化合物或其它食物的模式、在低葡萄糖之后“反弹”到高血糖状态的倾向、疾病或药物对胰岛素敏感性或葡萄糖水平的影响)、对指导的响应性(确认警报或告警的时间、响应于警报或告警的行为(例如，进食或睡眠或运动)和葡萄糖结果(例如，低于一个或多个葡萄糖浓度阈值(例如，低于70mg/dL、低于50mg/dL)的时间百分率、高于一个或多个葡萄糖浓度阈值(例如高于180mg/DL、高于250mg/DL)的时间百分率和低于或高于一个或多个阈值的事件数目)、疾病阶段和/或治疗类型(例如，I型蜜月期、II型糖尿病前期阶段、II型口服药物阶段、II型基础胰岛素阶段)等。下文描述额外实例输入。
决策支持系统可与其它系统通信或交互，所述其它系统如葡萄糖递送装置(例如，泵或智能笔)和其它分析系统。
本文中所公开的示范性实施例涉及葡萄糖传感器的用途，所述葡萄糖传感器测量葡萄糖的浓度或指示另一分析物的浓度或存在的物质。在一些实施例中，葡萄糖传感器是连续装置，例如皮下、透皮、经皮、非侵入性、眼内和/或血管内(例如，静脉内)装置。在一些实施例中，装置可分析多个间歇性血液样本。葡萄糖传感器可使用任何葡萄糖测量方法，包含酶促、化学、物理、电化学、光学、光化学、基于萤光、分光光度、光谱(例如，光学吸收光谱学、拉曼(Raman)光谱学等)、偏振测定、量热、离子导入、辐射测量以及类似方法。
葡萄糖传感器可使用包含侵入性、微创和非侵入性感测技术的任何已知方法，以提供指示宿主中的分析物浓度的数据流。所述数据流通常是原始数据信号，所述原始数据信号用于将分析物的有用值提供到可使用传感器的用户，如患者或医疗保健专业人员(health care professional；HCP，例如，医生、医师、护士、护理人员)。
虽然许多描述和实例涉及能够测量宿主中的葡萄糖浓度的葡萄糖传感器，但实施例的系统和方法可应用于任何可测量分析物。下文描述的一些示范性实施例利用可植入葡萄糖传感器。然而，应理解，本文中所描述的装置和方法可应用于能够检测分析物浓度且提供表示分析物浓度的输出信号的任何装置。
在一些实施例中，分析物传感器是可植入葡萄糖传感器，如参考美国专利6,001,067和美国专利公开案第US-2011-0027127-A1号所描述。在一些实施例中，分析物传感器是经皮葡萄糖传感器，如参考美国专利公开案第US-2006-0020187-A1号所描述。在又其它实施例中，分析物传感器是双电极分析物传感器，如参考美国专利公开案第US-2009-0137887-A1号所描述。在又其它实施例中，传感器配置成植入在宿主血管中或体外，如美国专利公开案第US-2007-0027385-A1号中所描述。这些专利和公开案以全文引用的方式并入本文中。
用于使用生活方式因素的决策支持的系统和方法描述于标题为《用于使用生活方式因素的决策支持的系统和方法(System And Method For Decision Support UsingLifestyle Factors)》的美国专利申请第15/417,008号中，所述申请要求2016年2月1日申请的美国临时专利申请第62/289,825号的权益，所述两个申请以全文引用的方式并入本文中。
实例系统的一般描述
在促进指导后的及时动作的时间处或情况下递送此类指导可促进有效糖尿病管理且减轻管理血糖水平的负担。这可至少部分归因于指导的相关性，或用以接收所述指导和按所述指导行事的患者或护理人员的可用性或兴趣。在不同实例中，实时数据、模型或其它模式信息、患者输入以及用户特定信息的其它传感器和源可用于确定用以确定和递送指导的时间。
实例决策支持系统可考虑来自包含多种数据源的数据，所述数据源如生理传感器、历史信息和关于患者或护理人员的其它信息，以确定经过计算以对如患者或护理人员的用户有用的指导时间。时间可例如基于定时因素或模式，或基于情况发生而计算，所述情况可从稍早观测的模式识别出。情况可例如是生理、行为/情境或这两种。在一些实例中，参考已知模式和相关联葡萄糖控制趋势，鉴于类似于已知模式的情况的复发，指导的确定或定时可经过计算以对用户有用。
在一些实例中，实例实时决策支持系统和方法可实时地，即在使患者能够干预其葡萄糖管理以避免非所要葡萄糖水平或趋势的时间处和在经过计算以对患者有用的时间处向患者提供指导。此类实时指导的递送定时可例如使用来自日历、生理传感器或情境传感器(如GPS或无线连接)的信息而确定，使得可在经过计算以进行对用户可能或方便的实时干预的时间处递送指导。
实例实时决策支持系统可包含关于患者的实时信息源，如持续葡萄糖监测仪(continuous glucose monitor；“CGM”，如下文进一步描述)。持续葡萄糖监测仪可在周期性间隔下(如一分钟一次或每五分钟一次)或在请求后提供关于患者的葡萄糖水平的信息(“CGM数据”)。信息可由CGM推出，或可由外部装置，例如通过智能手机或经由传感器固持或扫描的另一手持装置来获取。
实例实时决策支持系统还可包含处理系统，所述处理系统接收CGM数据和其它信息，如胰岛素递送、卡路里摄取、活动、健康或疾病状态以及关于患者的状态、环境、行为或健康的其它感测或用户输入的信息。CGM数据和其它数据可经过组合和处理以开发用于递送到患者的指导。指导可基于如胰岛素递送定时的定时因素、卡路里摄取、摄取的卡路里类型、关于针对食物或饮品类型或量或组合的吸收或消化时间的信息、运动定时和运动后氧或卡路里摄取以及患者参与在干预(如胰岛素递送或递送改变或运动或饮食改变)中的可用性或便利性而开发。
模型
在一些实例中，可建构模型以处理CGM数据和其它信息。模型可例如是状态模型。一个或多个状态可通过将一个或多个输入应用于模型而确定。状态可以是预定义的，或可从数据分析得知，或两者。在一些实例中，决策支持系统可通过组合至少两个模型的输出而驱动：(1)生理状态模型，和(2)行为或情境模型。在一些实例中，决策支持可通过至少三个模型而驱动，例如1)通过生理模型和单独行为和情境模型，或2)通过生理、行为/情境模型，以及测量模型(如下文进一步描述)。其它具有较大数目的模型和子模型的变化形式也是可能的。
生理模型
在一些实例中，患者的生理状态可通过将一个或多个输入应用于生理模型而确定。一个或多个生理状态可用于确定患者指导、指导定时或这两者。举例来说，一个或多个输入(其在下文详细描述，例如见图2B以及图14到16和其描述)可应用于模型或多个模型，以确定患者处于的生理状态。生理状态可例如包含为葡萄糖浓度水平(例如血糖水平或在如间质液的其它体液中的葡萄糖浓度)、下降或上升葡萄糖浓度水平(即，葡萄糖趋势)或下降或上升葡萄糖浓度水平的速率(例如斜率或较高水平导数)。所确定生理状态还可以是或包含活动水平(例如从加速计、心跳速率传感器或呼吸传感器检测到的运动)、代谢驱动(例如葡萄糖摄取率)和胰岛素抵抗(例如响应于应激激素分泌、疾病或高血糖水平)、胰岛素敏感性(下文更详细地论述)、机载胰岛素、胰岛素起作用时间(insulin time to action)、胰岛素作用时间(insulin action time)、碳水化合物与胰岛素比率。其它生理状态是可能的。
行为或情境模型
行为或情境模型可相关且可在一些实例中组合为单个模型。行为模型可与用户决策相关，而情境模型可与用户的环境(例如，定位)相关。在一些实例中，行为模型可包含情境方面(例如，定位可视为行为的子集，这是由于用户的定位通常是用户的选择的结果)。在其它实例中，可考虑到行为和情境因素而提供两个单独模型。
在一些实例中，行为或情境状态可通过将输入应用于行为模型而确定。行为或情境状态可用于确定指导、指导的定时或这两者。行为或情境状态(例如不可用或担心低血糖症)可通过将输入应用于行为或情境模型而确定。行为模型的输入可包含所确定生理状态。行为或情境模型的其它输入可包含用户提供的输入、实时参数(例如，时钟值)、测量数据或感测数据、日历信息、所存储模式信息(例如与时间关联的输入或状态)或来自其它模型的输出。在一些实例中，行为或情境的用户提供的输入可包含对宿主的治疗过程和/或疾病阶段的指示。额外输入在下文描述和图示于图2B和图14到16中。在一些实例中，行为模型可包含情境方面。在另一实例中，情境方面可形成另一模型。
测量模型
测量模型可至少部分地分析或确认一个或多个测量输入的可靠性，所述测量输入如来自CGM模型的CGM数据或信息、经由用户界面(例如从手指点刺传感器)接收或来自智能仪表(例如，配置有发送或传输值的通信能力)的血糖仪数据、所测量血糖给药信息(例如从配置成追踪和传达给药信息的胰岛素“智能”笔接收到的剂量信息)、从泵接收到的胰岛素给药信息或经由用户界面由用户输入的胰岛素数据(例如经由针或泵注射的胰岛素体积)。从测量模式获得的测量状态可提供作为另一模型的输入。
指导和定时的确定
决策支持发动机可至少部分地基于一个或多个模型状态而确定用于用户(患者或护理人员，如父母或临床医生)的指导和用于确定或递送指导的定时，且可经由用户界面，如通过移动装置来向用户提供指导。决策支持发动机可基于最新信息(例如，最新CGM数据)而提供“实时”指导，用户可使用所述实时指导来影响血糖水平趋势(例如避免高或低葡萄糖浓度趋势或水平)。
使用机器学习确定状态和指导
在一些实例中，机器学习方法可先验地使用以识别可能状态。换句话说，可能状态的范围可从数据集推导出。举例来说，“活动后状态”可识别为在运动之后的至多某一时间段(例如，8小时)胰岛素敏感性增加的状态。随后实时地，系统可使用实时运动数据(例如，活动数据、心跳速率或呼吸)来预见用户正输入此类状态，且由此提供用户比往常服用更少胰岛素的指导，这是由于胰岛素敏感性增加。机器学习还可用以识别输入变量集，所述输入变量集引起可在处于那种状态时应用的一致胰岛素敏感性模型。在另一实例中，机器学习技术可用于确定患者在某些日时间期间(例如3-5PM的数小时)始终忽略警报，且由此系统可在那些时间期间关闭非必需警报，且刚好在所述时间段之前(例如在3PM前不久)触发风险报告作为指导，或将提前警报递送到用户以使用户为其中警报往往会被忽略的时间段做准备。
实例系统
图1示出用于使用传感器输入和模型来确定指导和指导的定时的实例系统100。系统可处理生理输入，例如，与管理葡萄糖浓度水平相关的输入，以确定经过计算以对患者或其它用户确定或递送指导有用的时间。
系统100可包含决策支持发动机104，所述发动机104可处理关于患者的信息(例如，所接收实时传感器数据)且将传感器信息与例如时间、生理或行为模式或其组合的模式组合以产生可提供作为指导或经过处理以开发指导的输出。
决策支持发动机104可产生多种输出，所述输出可经由用户界面108提供到患者102作为指导，或可用于确定指导，或可用于确定指导的定时。指导可例如包含糖尿病疗法指导。
实例输入
决策支持发动机的实例实施方案
一个或多个传感器106可与患者相关联以将关于患者的信息提供到决策支持发动机104。传感器106可例如包含分析物传感器，如如上文所描述的葡萄糖传感器。传感器106可以是透皮传感器、如隐形眼镜传感器或皮肤传感器的体液传感器或配置成测量间质液或血液的质量的可植入传感器。举例来说，传感器106可以是皮下、透皮、经皮、非侵入性、眼内和/或血管内葡萄糖传感器，如上文所描述。在一些实例中，传感器可以是连接至患者102的可穿戴或可植入传感器，如可从DexcomTM、AbbotTM(例如，LibreTM传感器)或MedtronicTM(例如EnliteTM传感器)获得的持续葡萄糖监测仪传感器。其它类型的传感器还可与患者相关联，如心跳速率传感器、呼吸传感器、其它类型的分析物传感器、运动传感器(例如加速计)、姿势传感器(例如3轴加速计)或声学传感器(例如以捕获环境声音或体内的声音)。传感器106可穿戴在例如手表、眼镜、隐形眼镜、贴片腕带(patch wristband)、护踝带(ankleband)或其它可穿戴物品上，或可并入到手持装置(例如，智能手机)中，或可并入到如持续葡萄糖监测仪传感器的另一传感器中。在一些实例中，传感器106可包含多传感器贴片，所述多传感器贴片可例如检测葡萄糖水平、心跳速率、呼吸(例如，使用阻抗)、活动(例如使用加速计)、姿势(例如使用加速计)、皮肤电响应、组织液水平(例如使用阻抗或压力)。在一些实例中，传感器的阵列或网络可与患者相关联。一个或多个传感器106可经由有线或无线(例如，蓝芽、ZigBee、Z-Wave、NFC)通信与本地装置108通信，所述本地装置108可例如是移动装置，如智能手机。系统可从不同传感器(例如从多传感器贴片上的传感器或从联网传感器或传感器群组学习信号的联合分布。系统可使用历史数据或信号联合分布的知识(例如，传感器信号如何与彼此相关或一起移动)来A)确定或归咎(impute)(例如使用模型、算法或计算，如下文进一步描述)缺失传感器数据点，或B)预测将来血糖浓度水平，或C)基于实时记录的联合信号和历史信息而检测传感器故障或CGM传感器的性能问题，或D)基于传感器信息而估计摄入的碳水化合物、脂肪、蛋白质或其它物质的数目，或其任何组合。
决策支持发动机104可接收感测信息120。感测信息120可例如包含生理数据，如来自CGM传感器的CGM数据、活动数据(例如来自加速计)、心跳速率或本文中所描述的其它生理数据中的任一个。感测信息可由一个或多个传感器106、本地装置108或其它传感器装置感测到。感测信息还可以是非生理数据，如定位信息(例如GPS)或连接信息(例如Wi-Fi)。
到决策支持发动机104的输入还可包含胰岛素数据122。胰岛素数据可例如从如泵的胰岛素递送装置捕获到或可从智能笔接收到，所述智能笔配置成追踪胰岛素递送且例如经由与智能装置的无线通信将胰岛素递送信息传达到系统，所述智能装置可将信息转送到决策支持发动机。胰岛素数据还可通过智能手机或其它计算机装置上的用户界面从用户，例如从患者或护理人员接收到。
决策支持发动机104还可接收其它信息124，如用餐信息、睡眠信息或日历信息，所述信息124可包含感测信息(例如使用加速计或生理传感器检测的睡眠)、学习信息(例如时间模式)或经由用户界面从用户供应的信息(例如用餐或调度信息。参考图2A、2B以及图14到16描述可由决策支持发动机104接收的额外输入。参考图23到24描述关于实例系统组件的增加细节。用餐或碳水化合物信息可经由与CGM配对的装置(例如智能移动装置)上的用户界面接收到或可从不同应用程序或不同装置接收到(例如，碳水化合物信息可从健康应用程序或与泵相关联的应用程序或装置获取)。
决策支持发动机的实例实施方案
决策支持发动机可包含一个或多个模型110。一个或多个模型110可例如包含状态模型。在一实例中，“虚拟患者”模型可包含可基于由已知因素形成或由群体数据推导出的模板模型的关于患者的已知信息，或可从关于患者的信息中学习到，或其组合。模型可例如反映生理信息和行为信息。生理信息可包含例如因素，如葡萄糖或胰岛素敏感性、对身体活动或应激的响应、疾病、疲劳或休息、增长率(例如在儿童中)或基础代谢。行为信息可包含例如因素，如食物或饮料的摄入、运动、胰岛素的施用、例如如由日历日程表所描述的时间表、对指导的兴趣。在状态模型中，如这些的因素可表示为状态，所述状态可以是离散的(例如，高、中等、低)或连续的(例如，由函数所确定)。一个或多个模型110可包含模式，所述模式可例如包含生理模式、情境模式或行为模式，或这些模式的组合。生理模式可例如基于生理模型。
在一些实例中，两个或更多个模型可一起工作以确定指导。举例来说，生理模型112和行为模型114可交互作用以确定考虑到患者的生理和患者的行为两者的葡萄糖管理指导。在一些实例中，一个模型的输出可以是另一模型的输入。在各种配置中，模型112、114可以是独立的，或模型可以是模型虚拟患者模型110的子模型。在一些实例中，模型还可与测量模型116交互，测量模型116可例如是持续葡萄糖监测模型。测量模型可包含因素，如传感器准确度、校准因素、自嵌入以来的时间、自校准以来的时间(对于使用校准的系统)、传感器状态(例如传感器故障或传感器存在)或通信状态(例如信号丢失)。
在各种实例中，决策支持发动机104可驻存于远程资源109、本地装置108或其组合(例如“混合配置”)上。决策支持发动机104可驻存于一个或多个远程资源109(例如云端服务器)上或通过网络连接到所述一个或多个远端资源109，所述网络如蜂窝式网络、Wi-Fi网络、因特网或其组合。云端服务器109可收集和存储从传感器106接收到的信息。云端服务器还可收集其它信息，如用户日历信息，例如从患者或患者护理人员的日历接收到的信息。在一些实例中，决策支持发动机104可驻存于患者附近的装置上，所述装置例如本地装置118。在一些实例中，决策支持发动机104可驻存于本地装置上但从远程系统接收辅助或周期性更新。在混合配置实例中，决策支持发动机104可分布于本地装置118与远程系统之间，例如初始处理可在本地装置(例如，智能手机)上进行，其中较复杂的处理请求路由到可具有较高处理能力的远程资源。混合配置可通过避免过度复杂处理任务使本地装置过载来维持或改良本地装置108的性能。混合配置还可改良系统的性能，这是由于一些任务可由本地装置108快速地执行而不需网络访问，而通过利用远程资源109的较大处理能力，较复杂的任务仍可以是可能的。
实际上，避免来自多个患者的请求使远程资源109过载也可以是合乎需要的。在一实例中，本地装置可周期性地(例如，实时地或按时间表或当连接可用时，或其任何组合)将数据发送到远程资源109，且远程资源可周期性地分析用于特定用户的数据，如每小时一次或每天一次。远程资源109可例如检查所接收数据或扩增有或含有所接收数据的数据集以寻找问题或潜在洞察。远程资源109可例如更新模型以反映或考虑新数据。在各种实例中，远程资源可将更新(例如，由远程资源109推送或如由本地装置108请求)发送到本地装置以解决从新数据或扩增数据集得知的问题、洞察或模型更新。
通过决策支持发动机进行的指导定时的实例确定
决策支持发动机可处理各种输入，例如将输入应用于一个或多个模型，且确定经过计算以对用户有用的用于指导的时间。在各种实例中，指导定时可经过计算以使用户能够改善用户的睡眠经历、进食经历或生活质量。举例来说，系统可识别潜在有问题的模式，且确定递送指导的时间，其中指导递送时间经过计算以避免打扰睡眠，或在为用户提供用餐选择或时间安排上的灵活性时维持血糖控制，或提供潜在问题(例如，高葡萄糖偏移或低葡萄糖水平)的充分提前通知使得用户可以及时方式调适其行为或对问题的反应。
在一实例中，系统可通过确定问题在用户将可能睡眠(例如，2AM)时的时间处将可能发生且计算在用户将可能可用时(例如，9PM)递送指导的时间来促进健康或不间断睡眠。系统可建议动作，如进食睡眠前的点心以避免夜晚时间低，以避免需要在夜晚期间唤醒用户。在一实例中，系统可接收葡萄糖值，且基于患者的学习模型而确定当用户(护理人员或患者)将可能睡眠时患者将可能发生低血糖事件，且确定指导和递送指导的时间以避免打扰患者或护理人员的睡眠。
在另一实例中，系统可确定夜间血糖浓度水平或趋势中的模式且递送指导以改变行为或疗法。举例来说，如果系统检测到葡萄糖水平在夜晚上升使得葡萄糖浓度水平或趋势满足条件(例如，超过指定值(例如130mg/DL或改变超过指定量(例如在睡眠期间或在与睡眠相关联的指定时段期间(例如12-5AM)大于30或超过40mg/dL增加)的模式，那么系统可建议基础剂量增加。在另一实例中，当系统检测到葡萄糖浓度水平减小另外满足条件的指定量或比率的模式时，系统可建议基础剂量减小。
在另一实例中，系统可通过在为用户提供关于进食什么和何时进食的决策上的灵活性时递送经过计算以对维持血糖控制有用的指导来支持用餐时间决策。在一实例中，系统可确定葡萄糖水平在用餐时间之前将可能趋向于高且在用餐之前确定递送关于校正推注的指导的时间以避免当到用餐时间时需要延迟进食。举例来说，系统确定用户应在用餐之前的指定量时间“预推注”(例如，在开始进食之前20分钟递送胰岛素)，且系统可确定递送用以递送推注的指导的时间，使得用餐可在计划时间或与学习模式对准的时间处开始。在一些实例中，预推注窗口(递送胰岛素推注与开始进食之间的时间量)的长度可由系统确定，且指导定时可经过计算以提供用户时间来适应所计算预推注窗口。举例来说，系统可确定在患者进食下一餐之前需要30分钟预推注来影响高葡萄糖水平。在一实例中，系统可在调度的用餐之前30分钟递送指导以提示用户递送预推注。在另一实例中，系统可为用户提供额外时间来适应预推注，例如系统可确定在用餐之前60分钟递送预推注指导以允许在进食之前30分钟提前30分钟通知用户需要递送预推注。
在另一用餐时间实例中，系统可计算在用餐期间或之后递送指导的时间。举例来说，系统可确定胰岛素比正常情况更快上升且可确定应提供指导以递送额外剂量的胰岛素。在一实例中，系统可计算递送指导的时间以优化葡萄糖控制。举例来说，系统可确定在用餐期间应提供指导以递送额外胰岛素。在另一实例中，系统可计算递送指导的时间以便避免打扰用餐。这可例如通过参考用户日历，或基于行为模式(例如，平均用餐时间)，通过使用生理传感器(例如，活动传感器)，或通过使用定位信息(例如，检测到用户已离开餐馆)而实现。
在一些实例中，系统可设计成通过计算递送指导的时间以提供对潜在问题(例如，高葡萄糖偏移或低葡萄糖水平)的充分提前通知使得用户可以及时方式调适其行为或对问题的反应来改善患者或护理人员的生活质量。举例来说，系统可确定偏移(例如，高葡萄糖趋势)将可能发生且确定递送指导的时间，所述时间允许用户递送采取校正动作(例如，递送校正推注，或运动)以抵消可能的偏移。在一些实例中，系统可计算和/或可预测递送指导的时间，以使用户能够集中于其它活动且预料指导的递送。举例来说，系统可在白天期间每隔两个小时递送指导。在一些实例中，系统可确定递送指导的反复性时间表。在一些实例中，系统可递送关于用户对葡萄糖管理的专注的需要的指导。举例来说，系统可计算需要用户干预的概率(例如，确定血糖浓度水平移出指定范围的风险)，且通知用户何时满足条件(例如，当概率超出阈值时)。在一些实例中，系统可周期性地通知用户不需要干预(例如，“看上去良好：葡萄糖水平受到良好控制”)。
在一些实例中，系统可递送关于何时检查系统以用于进一步指导的指导。举例来说，系统可接收用餐信息，如用餐内容和预料或实际(现在或过去)的用餐时间，且建议用户在指定量的时间内回来检查以用于进一步指导，例如“在30分钟内回来检查以用于进一步指导”。在另一实例中，系统可递送睡眠前指导，且要求用户在睡眠前活动已完成之后回来检查，例如“进食小点心且在进食之后10分钟回来检查”。
在一些实例中，指导定时可部分地基于用户定义的偏好而计算，如关于用户是否想要在用餐期间被打扰的偏好，或在其下用户想要被打扰的条件，或在其期间用户宁愿被打扰或宁愿不被打扰的时间段。
在一些实例中，可基于实时数据和从过去活动学习到的模式而提供与当前用户活动相关的指导定时。举例来说，为了确定递送指导的有用时间，系统可将实时生理数据(例如CGM数据)与已知生理和行为模式(例如，模型)集成以确定指导的性质和指导的定时两者。系统可例如学习在特定餐食之后的葡萄糖响应。当实时数据表明用户将要进食同一餐或类似一餐(例如，如从GPS信息或与餐厅的Wi-Fi连接所确定)时，可基于从过去活动学习到的模式而递送洞察。在其它实例中，实时数据可表明用户将要上床睡觉，或将要开会，且此类数据可用于确定递送指导的时间，例如实时信息可指示决策支持应很快被给出，或比否则将给出的更早，以避免打扰即将到来的活动(例如，睡眠或会议)。
在一些实例中，指导的确定的定时可平衡对用以确定状态的数据的需要与对及时动作的需要和用以避免对患者的不必要或过多打扰的需要。通常，随着时间推移，更多数据可使用以获得针对模式的曲线拟合或应用于模型，这可驱动关于状态、概率或适当指导的更准确结论。举例来说，在进食之后四小时，大多数关于身体对用餐的响应的数据是已知的。但在一小时之后，虽然尚不知全部响应，但大体上可辨别用户进食大致多少，或所递送胰岛素是否适于所摄取餐食。在两个半小时之后，可甚至更准确地进行这些确定。在一些情况下，用户可施用校正推注，或用户可被告知进食更多，例如，这是因为患者并未摄取如其所认为摄取的那样多，且患者现可处于趋向于低葡萄糖水平的危险中。关于食物摄入或胰岛素施用的这种额外信息还可由系统处理。在这个实例中，用于递送指导的定时可基于在进食之后变为可用的信息而确定。这可包含食物摄取信息、胰岛素信息、葡萄糖水平信息、其它生理信息(例如活动)和已知生理模式(例如，来自生理模型)中的一个或多个。定时还可基于可从数据(例如，作为状态)得知或输入作为用户输入的用户偏好(例如，关于频率或警报定时的偏好，例如频繁/较不频繁警报或早期/晚期警报或根据规定或学习时间表的警报)。
返回到上文所描述的用餐后实例，用户进餐的时间与触发警报的时间之间的某时间处，可确定何时触发警报。这一确定可考虑到如果警报延迟，例如系统等待确定指导或递送指导，那么指导或从其可确定指导的基本状态将可能随着时间推移在准确度上有提高。但如果系统等待过长，那么用于递送指导和施用疗法的最佳或所要机会窗口可能已过去，例如，非所要葡萄糖趋势或胰岛素敏感性水平可在系统等待数据累积时发展：当葡萄糖水平上升超出正常范围时，患者的身体往往会变为胰岛素抵抗，这可使得更加难以使用胰岛素使葡萄糖水平返回到正常范围，且由此可要求较大剂量的胰岛素。当最终克服胰岛素抵抗(和高葡萄糖水平)时，所述较大剂量的胰岛素可增大患者趋向于低葡萄糖水平的风险。另一方面，当葡萄糖水平趋向于过低时，施用葡萄糖可能进行得过晚，或可导致患者的过反应(例如，施用过多快速碳水化合物)或患者身体的过反应(例如由身体释放的肝糖)，这可随后引起高葡萄糖水平(有时称为索莫奇(Somogyi)效应)。在更极端情况下，可产生急性风险，且如施用胰高血糖素的替代选项可以是所需要的。在严重情况下，患者施用或参与在以下指导中的能力可削弱，这是由于患者在极低葡萄糖水平的情况下可丧失认知能力或意识。
在确定指导定时时也可考虑用户便利性。举例来说，当已知用户将要在2个小时内参加会议时，即使所确定状态或指导比通常将接受的更不准确(例如数据累积和风险避免的最佳平衡尚未实现)，但系统可在会议之前提供警报，以避免在会议期间打扰用户或确保在可施用干预的时间处递送指导。在一些实例中，当用户进入到其中其并不想必须对警报作出响应的情形中时，即使警报或指导可在某种程度上较不准确，但系统可提供用以提早接收警报的选项，例如经由单次用户输入或调整可与日历关联或交互的用户控制设置。举例来说，或当系统知晓或可访问用户的日历时，系统可自行提供此类提示和选项(“在你每周二下午的会议之前你是否希望早期警报”)。在另一实例中，系统可从用户接收请求(例如呈用户请求的洞察的形式，如下文进一步描述)。
在一些实例中，状态模型可用于平衡紧急程度与不便因素。举例来说，状态可包含风险水平，或转变到非所要状态的概率(例如趋向于低于40mg/Dl或高于180mg/DL的血糖水平的风险或概率)，且系统可控制确定或递送指导以将风险水平或概率维持在指定参数内，同时在可能时避免不方便的通知时间。
系统还可考虑用户睡眠时间表。举例来说，当已知用户将要在用餐后四小时内上床睡觉，但尚不知对用餐的葡萄糖响应时，系统可提供指导以在上床睡觉之前做一些事以改善其情形或避免趋向于非所要状态或葡萄糖水平的风险。举例来说，系统可递送睡眠前指导以施用校正推注，或进行基础调整，以避免持续高葡萄糖水平或趋向于高葡萄糖水平，或以避免唤醒用户进行夜间干预。在另一实例中，系统可递送指导以在睡觉之前吃点心从而降低低葡萄糖水平的风险。
实例输出-指导形式
来自决策支持发动机104的指导输出可包含例如文本(例如，“当心意外的低葡萄糖水平”)、声音(例如频调或口头的)或图形或动画，如预测或实际胰岛素曲线图，或概率圆锥图，所述概率圆锥图可示出来自所设想或所完成的动作的可能结果的范围，所述动作如运动、食物摄取或胰岛素递送，或其组合。概率圆锥图可示出随时间推移的潜在结果的范围；结果的范围随时间推移而扩大，即，更宽选项范围变为可能(或可满足统计条件)。指导可包含警报、建议或其它有用的信息。
在一些实例中，指导建议屏幕可示出在确定指导中包含的因素，且可允许用户调整应用于每一因素的假设或加权。举例来说，交互建议可包含在接下来15分钟内递送四(4)个单位胰岛素的动作以及在决策中使用的因素集(意大利面具有40g碳水化合物，午餐之后的患者活动水平通常是中等的，当前葡萄糖水平正常但正下降)。如果假设需要修改，那么这些因素可随后由用户调整。在一些实例中，CGM胰岛素和用餐/碳水化合物数据可经过后处理以确定最佳的可能胰岛素控制。在一些实例中，系统可有意地引入限时偏置以反映过去或现在正发生或可能发生的未决改变：举例来说，系统可刚好在给予胰岛素之后有意地使血糖水平在有限时间内偏低以降低过校正的可能性。
在各种实例或指导中，决策支持请求可使用文本、电子邮件、应用程序通知、电话或其它形式的通信。在一些实例中，最佳模式可基于情境而由用户或由系统选择。举例来说，系统可在患者驾驶时使用语音，但在患者开会时观看消息。在一些实例中，指导和决策支持请求可以是可使用自动语音识别和自然语言理解来启用的语音。
各种类型的指导洞察是可能的。举例来说，指导输出可包含例如事件驱动的洞察126、用户请求的洞察128或周期性洞察130。事件驱动的洞察126可包含例如时间、情境或生理事件驱动的洞察，所述生理事件驱动的洞察由识别决策点的基本算法驱动，所述决策点如递送可行指导的有用时间。用户请求的洞察128可包含例如在特定时间处对关于特定疗法决策的指导的用户请求，例如在用餐之前或在如会议、身体活动或睡眠的事件的预料中的胰岛素递送，且决策支持发动机104可响应于请求而提供指导。此类指导可包含例如建议的基础或推注胰岛素剂量或方案，或体力消耗的量，或在特定时间或时间范围处监测或干预的计划。周期性(非实时)洞察130可概述历经多日、用餐或治疗决策的模式。举例来说，周期性洞察可包含在如一天、一周、一月或一季度的一段时间结束时的回顾性概述、锻炼后概述、在一段时间(例如数小时，或早晨或下午或夜晚)之后的概述或其变化形式。
在下文进一步详细描述实例事件驱动的洞察126、用户请求的洞察128和周期性洞察130。
事件驱动的洞察
时间、情境或事件驱动的洞察可由所确定状态或状态转变、物理事件、定位、定时模式(例如日历)或其任何组合驱动。举例来说，洞察可至少部分地由如葡萄糖事件模式的生理事件触发，所述葡萄糖事件模式可例如包含在用餐之后或在运动期间快速下降的葡萄糖水平，或快速上升的葡萄糖水平(例如在用餐或点心或应激事件之后)。
洞察可呈个性化指导消息的形式，所述个性化指导消息具有与当前发生事件或模式的特定相关性。个性化指导消息可基于关于患者而学习的信息，所述信息可由患者的一个或多个模型体现或反映。在一实例中，系统可检测先于低血糖和高血糖事件的模式，且警示用户有足够时间采取动作。在另一实例中，疗法调整可设置情境驱动的告警：例如，当进行疗法调整(如基础率增大)时，可确定所述疗法调整会增大夜间低葡萄糖水平的风险，在指定时间段(如接下来两周)内在夜晚可使低葡萄糖警报更敏感，或每晚或比所述调整之前更频繁或在更宽条件集下可递送提醒用户潜在低夜间葡萄糖水平的个人指导消息。在另一实例中，可确定治疗决策或疗法事件(例如在用餐之前忘记给予胰岛素，例如错过“预推注”)可证明在可经由指导消息传达的决策或事件后的时间窗期间的提高警惕性(例如检查CGM数据或了解对递送疗法的潜在需要)，或在所述窗口期间可在较宽条件集(例如用于提供事件驱动的指导的较低阈值)下递送指导消息。在一些实例中，事件驱动的警报可基于累积葡萄糖风险或葡萄糖暴露而设置，例如可追踪食物或卡路里或碳水化合物摄取且可检测到胰岛素/葡萄糖失衡，这可经由个人指导(“你的食物或饮品摄取可能已超出预期”)传达或可构成个人指导消息(“基于饮食模式，你可能需要更多胰岛素”)的基础。在一些实例中，个人指导消息可提供由风险和奖励分层的选择范围。
在一些实例中，决策支持发动机可确定推注建议(用餐推注或校正)且确定用以确定建议的时间。推注的确定和指导的递送的定时可经过计算以平衡在有兴趣避免对患者/用户的打扰的情况下对指导的需要与对足以准确地确定推注信息的数据的需要。在一实例中，手动输入和学习或计划的输入(例如用餐信息)可馈送到推注计算器中。推注计算器可以是通用推注计算器，或可以是个性化的，例如针对用户的当前糖尿病状态所指定。推注计算器可输出剂量建议，且系统可随后观测在用户施用所建议剂量之后的葡萄糖水平。基于历史数据，对于特定情形，典型葡萄糖响应可以是已知的，这允许实时数据与历史数据或由历史数据推导出的模式的比较。举例来说，如果用户进食60g碳水化合物且服用特定量的胰岛素，那么在时间之后发生的所得葡萄糖水平和趋势可从历史数据或模式(例如在进食之后30分钟120mg/dL葡萄糖水平，以及缓慢上升(例如，每5分钟2mg/DL)已知。当在特定情况下，用户指示其进食特定餐食或特定量的碳水化合物(例如，60碳水化合物)，但葡萄糖值产生不同于先前档案(例如160mg/dL葡萄糖水平和稳定上升(例如，每5分钟10mg/dL)的水平或趋势时，系统可随后询问用户以获得校正的用餐信息，或基于葡萄糖信号和现有指导或询问(“你还进食了某物吗？”或“你没有进食鸡肉吗？”)而确定用户实际上进食了多少碳水化合物。系统还可考虑吸收率(例如如具有大量或精制糖的食物的快速碳水化合物与如意大利面的缓慢碳水化合物)和如蛋白质或脂肪的其它食物的存在，所述其它食物可影响葡萄糖趋势，如减慢与蛋白质或脂肪一起摄取的碳水化合物的吸收率。
在使用状态模型的实例中，患者状态可起初是第一状态(例如，进食60碳水化合物)，且系统可然后确定患者实际上处于不同状态(例如进食90碳水化合物)。在另一实例中，患者状态可起初处于第一状态(进食60碳水化合物)，且因此患者相应地服药，但患者状态稍后确定为处于具有X(例如，30克碳水化合物)的碳水化合物计数误差的状态，且在这种情况下，系统可提供决策支持指导，例如校正推注，以避免低或高。
在一些实例中，递送关于校正推注的指导的时间可使用生理模型、行为模型或这两者而确定。举例来说，可使用生理模型来确定用于递送校正推注的可接受的时间的范围，且可使用行为模型，例如使用学习模式信息，或使用示出会议时间表或课程时间表的日历来确定用于递送指导或校正推注的方便的时间的范围，使得指导可经过定时以用于在课程与会议之间或在会议或课程将结束时进行递送。
用户请求的洞察
用户请求的洞察可包含例如从用户(例如通过智能手机应用程序)接收输入以用于对紧急糖尿病决策的决策支持，如“在这一餐之前我应推注多少胰岛素？”或“在我骑自行车之前我应该吃点心吗？”。在一实例中，个人指导响应可包含交互建议(例如，“递送4个单位的胰岛素”)且还可任选地包含在决策中使用的因素集(例如，“意大利面部分具有40g碳水化合物，你在午餐之后的活动水平通常是中等的，且你的当前葡萄糖水平正常但正在下降”)。在一些实例中，如果假设需要修改，那么因素可随后由用户调整(例如以达到不同剂量)。
在一些实例中，先前用户请求的洞察可用作模型的输入，且模型可学习或调适为当用户将可能请求洞察时的情况。这一信息可整合于模型和决策支持发动机中，使得系统可在用户将可能需要指导的情况和时间下提供个性化指导，例如预料请求且主动地向用户提供指导。举例来说，如果用户在进行每周自行车骑行(例如，如从学习的行为模式所确定)或在特定餐厅处进餐(例如，如从患者日历所确定)之前或在完成身体锻炼(如从活动传感器、相关联智能手表或日历所确定)之后频繁请求指导，那么系统可确定个性化指导在特定时间处可能是合乎需要的，且递送与现有情形或典型模式相关的指导。用户请求的洞察还可用以基于用户请求中隐含的信息而教育模型。举例来说，当用户在运动之前请求决策支持时，系统可发现用户往往会在特定时间处运动，尤其当在一时间段内获得一系列相关用户请求时，这可展现运动时间安排模式(例如在星期一、星期三和星期五早上跑步)。
在一些实例中，系统可接收用户请求以用于对将来活动(例如，运动、驾驶、用餐或睡眠)的决策支持，且系统可提供建议疗法调整或预备步骤作为指导。举例来说，指导可包含基础胰岛素的改变、推注胰岛素计算和建议点心量(例如，在你开始运动之前将你的基础率改变x量，或在你睡觉之前进食15克碳水化合物)。在一些实例中，系统(例如模型)可从指导的结果进行学习，且进行特定针对个体的调整，例如，系统可学习运动会改变个体的葡萄糖多少。在一些实例中，患者特定的信息(如基础率，或指定餐食或日时间的胰岛素与碳水化合物比率)可由临床医生输入到电子医疗记录(electronic medical record；EMR)系统中且通过系统检索并用于告知或教育模型或帮助开发对患者指导请求的响应。
在一实例中，系统可接收对睡眠前指导的用户请求。请求可例如通过决策支持智能手机应用程序来接收。系统可提供关于用户应在睡觉之前执行或考虑的一个或多个动作的指导，如进食点心、递送一定剂量的胰岛素、设置闹钟或为持续葡萄糖监测仪设置警报设置。系统还可提供风险说明或指导原因。举例来说，系统可通知用户由于运动阶段引起的“后期低”葡萄糖水平的风险，或由于系统估计对于给定餐食或情况集过大的所报告胰岛素剂量引起的低葡萄糖水平的风险，或基于趋势分析的低或高葡萄糖水平的风险。在一些实例中，系统可通知用户问题可发生的时间或时间范围，如“低葡萄糖水平可在午夜前后发生”。在一些实例中，系统可建议用户稍后重新检查指导(例如，检查智能手机决策支持应用程序以得到更新的指导)，这可例如在系统确定额外信息(例如，额外CGM趋势数据)可对确定指导、增大指导置信度或确定预期事件特别有用时发生。
在一实例中，用户可供应即将食用的餐食的照片，或扫描餐厅菜单，且系统可提供关于对血糖的所估计影响的指导或胰岛素给药建议。举例来说，移动装置(例如，智能手机)应用程序可配置成扫描菜单且将用餐项转换成所估计葡萄糖影响。在一实例中，可提示用户将智能装置相机定位于菜单上方，且菜单项的葡萄糖信息可呈现于用户界面上，例如当用户在屏幕上查看时，所述葡萄糖信息紧挨着菜单项。这可例如使用文本识别和用于特定类型的餐食或场所的葡萄糖值的查找表来实现。在一些实例中，将视为“健康”或“不健康”的餐食可突出显示，以文本或符号指示，或者在用户界面上识别，或例如，使用扩增现实(augmented reality；AR)，其中菜单是扩增主题。在一些实例中，可呈现预测葡萄糖影响或偏移(例如，“72g碳水化合物”或“BG>200”)或必要胰岛素推注(例如6个单位)。在一些实例中，可呈现预测趋势曲线图或概述度量，如葡萄糖负荷。在一些实例中，可通过从历史数据进行学习或概况分析患者，且任选地将此类信息并入到生理模型中来使预测偏移个性化，使得对葡萄糖的影响对患者个性化。在另一实例中，当提供所提出锻炼(例如中等强度跑步30分钟，或五组硬举，或1小时游泳)作为输入(例如输入到智能手机应用程序中)时，预期结果(如葡萄糖档案)可(例如通过将锻炼作为输入应用于模型来)预测且显示于用户界面上。所述结果可例如提供作为概率圆锥图以向用户提供关于潜在范围葡萄糖响应的信息。
在一些实例中，指导可包含推注建议，所述推注建议可包含反映决策树的两个数目，例如假定用户按计划运动的一个推注数目，和假定运动未完成的第二推注数目。在一些实例中，指导可包含机载胰岛素量，所述机载胰岛素量可以是身体中的如由预定义算法(例如基于以群体为基础的数据或理论数据)确定或如由模型(在所述情况下机载胰岛素可以是患者特定的)确定的确定具活性的胰岛素量。机载胰岛素指导可响应于用户请求或响应于事件而提供，所述事件如确定机载胰岛素将可能引起低葡萄糖水平，或确定机载胰岛素量将可能不足以控制葡萄糖水平(即，高葡萄糖水平可能发生)。在一些实例中，指导可反映预设或用户定义的目标，如预定义血糖范围(例如，70到150mg/dL范围)或葡萄糖水平在所定义范围内的时间百分比(例如80％在70到150mg/dL范围内)。举例来说，指导可包含所建议修改(例如午后运动或胰岛素剂量改变)以使用户朝向目标移动。
在另一实例中，来自用户的输入可发起葡萄糖耐量测试或其它类型的自我评估，例如其中进食特征明确的餐食且追踪葡萄糖响应。测试或评估的结果可经由指导消息传达(例如“你的血糖保持在范围内”或“你的血糖快速升高-考虑更长预推注时间”。
周期性洞察
周期性洞察还可提供作为指导。举例来说，指导可按周期性时间表提供，如每周更新，或当确定足够数据可用以提供可靠概述(如10低碳水化合物早餐对10高碳水化合物早餐以提供比较分析、平均值、曲线图、概率区或其它关于糖尿病管理的信息)时提供。在一实例中，餐食或食物可通过在量值和时间进程(‘猛升对缓慢’)方面具有类似葡萄糖响应的类型来分组。在另一实例中，餐食或食物可由类似胰岛素给药策略分组，如哪些餐食需要校正推注。在另一实例中，决策支持发动机可以鼓励教育(‘低碳水化合物早餐的想法’)或医疗检查(例如，询问医生有关用于管理的策略)的方式概述具有不可靠结果的决策类型。决策支持发动机可在预料到医生问诊时编译此类信息(例如问题餐食)的概述，包含成功和关注。
在一些实例中，决策支持发动机可提供基于时间表的趋势信息。举例来说，个人时间表在周末与工作日可能不同。这种时间表差异可反映在患者的葡萄糖水平，或患者在管理葡萄糖水平中的兴趣或可用性，或患者对通知的目标或阈值上。在一些实例中，周期性洞察可以基于时间表而区分的方式呈现，例如周末趋势和工作日趋势可分别地呈现。指导还可包含相异疗法或行为建议以用于个人时间表的不同部分，例如不同基础模式可基于时间表知识而建议。在各种实例中，时间表通过模型来学习，通过患者或护理人员日历来告知，基于经由用户界面(例如应答智能手机上的问题)的用户输入，或其组合。
上文所描述的各种洞察实例可转换为不同类型的洞察，例如通过算法或模型的应用程序以确定作为指导的洞察的递送条件和定时，描述为事件驱动的洞察的实例可提供作为用户请求的洞察，且用户请求的洞察可提供作为事件驱动的洞察。
“实时”未必意谓即时，但允许基于最新数据或趋势以影响近期结果的干预，而不是呈现以评估用于疗法改善的总体行为或机会的回顾性信息。
输入和模型的交互
图2A是图1中示出的模型110的实例配置的图解。图38是示出示出图2A的布置的另一实例的图式。患者102对控制可由传感器152测量的真实葡萄糖水平160有兴趣。生理模型112、行为模型114以及测量模型116处理输入且产生输出(例如，状态)，所述输出可提供到患者作为指导，或可用于确定用于患者102的指导，以及用以确定或递送指导的时间。指导可经由指导模块150来递送。
传感器系统152可测量生理参数，如葡萄糖水平、活动、心跳速率、呼吸或体温，或情境参数，如环境温度、压力或定位。传感器系统150可包含集成到单个装置(例如手表)或一组多传感器装置(例如手表和可穿戴传感器)中的多个传感器，或传感器可驻存在可或可不彼此通信的个别离散装置中。为简单起见，提供数据输入的传感器仅仅表示为“传感器系统”。传感器系统152可包含可配置成测量葡萄糖水平的持续葡萄糖监测仪(下文更详细地提供)，所述葡萄糖水平经过计算以指示真实葡萄糖水平160。
来自传感器系统152的数据可作为输入提供到生理模型112或行为模型114或这两者。生理模型112还可接收来自患者102的输入、来自测量模型154(下文描述)的输入、来自行为模型112(如活动状态或应激状态)的输入或关于药物递送156(例如，胰岛素递送)的信息，所述信息可经由用户输入从患者或从如胰岛素泵或胰岛素笔的递送装置接收。生理模型还可使用其它输入。下文关于图2B提供生理模型输入和输出的详细描述，且许多输入示出并描述于图14到16中。生理模型可提供生理状态信息作为输出，如当前或预计葡萄糖水平或趋势、胰岛素与碳水化合物比率(insulin to carb ratio；ICR)、胰岛素敏感性因素(ISF)、基础率或机载胰岛素(insulin on board；IOB)，所有输出可影响真实葡萄糖水平160和由指导模块150或患者102或护理人员或临床医生作出的胰岛素递送决策或建议。
生理模型112或行为模型114还可接收从患者接收的信息，如来自如智能手机的计算机系统的日历信息，或关于特定活动或运动的用户输入，或关于所摄取食物的用户输入。行为模型还可接收递送到患者的指导信息以及传感器数据作为输入。行为模型还可从生理模型接收输出。行为模型可处理各种输入以确定当前患者状态，或预料将来患者状态，所述将来患者状态可包含例如运动、睡眠、对干预的可用性、对接收指导的兴趣和其它关于患者活动、兴趣或行为的信息。行为模型还可接收情境信息或确定现有或预计情境信息作为状态(例如在会议或驾驶回家中)，所述状态可用于确定指导或指导的递送定时。下文关于图2B提供行为模型输入和输出的详细描述，且许多输入示出并描述于图14到16中。测量模型154可任选地包含于系统中。来自传感器系统152的数据可提供到测量模型154，所述测量模型154可处理传感器数据以分析数据的准确度或精确度，例如以确定所测量葡萄糖水平与真实葡萄糖水平匹配的可能性。传感器系统可使用统计方法，如传感器数据点、趋势信息、历史信息以及由行为模型、生理模型和其它传感器提供的信息的变化率或差异，以分析一个或多个传感器数据点是否可能准确或不准确。举例来说，当连续血糖数据大幅变化或展现并不反映正常生理模式的模式(例如连续五分钟增加90mg/dl、112mg/dl、96mg/dl、121mg/dl)时，测量模型可确定传感器数据相对不准确。还可评估其它传感器数据。可基于可能值范围外的数据而评估传感器数据。举例来说，如果在7月检测到环境温度为-5摄氏度，那么模型可推断传感器读数不准确，尤其在定位信息可用的情况下。在另一实例中，可处理活动信息，包含使测量模型方面与行为模型方面关联，以确定与可能实际活动的关联性。举例来说，可处理加速计信息以分析运动是否是过度有节律的(其可指示机械运动，例如颠簸骑行，而不是锻炼)或超出可能范围(例如相对久坐的人活动三小时)。来自测量模型的输出(例如准确度状态信息)可提供到行为模型114或生理模型112以与其它信息集成从而确定生理或行为状态。
指导模块150可例如经由如智能手机的移动装置上的用户界面将指导信息递送到患者102。在一些实例中，指导模块150可基于由生理模型112和行为模型114提供的信息(例如状态)而确定指导，且可确定经过计算以对患者有用的提供指导的时间。在其它实例中，指导和递送时间可由例如行为模型114的模型确定，且指导模块150可在所确定时间处提供所确定指导。在各种实例中，指导模块150可例如驻存在移动装置108上，或可驻存在计算机系统上，所述计算机系统可远离患者或本地且通过移动装置108或另一装置上的用户界面将指导递送到患者。
实例模型
图2B提供实例模型输入和可通过将输入应用于模型所确定的实例状态的更详细说明。示出图2B的生理模型112、行为模型114和测量模型116，以及每一模型的实例输入和状态。在左方示出实例输入，且在右方示出实例确定状态。以下图14到16提供对输入的更全面叙述，所述输入中的任一个可应用于模型中的一个或多个。状态可由医师或专家识别或经由机器学习由模型学习。每一状态可具有两个或更多个(和可能大量)的状态值，例如离散数值、范围或定性值(高/中等/低或稳定/不稳定)。状态可通过将输入数据源中的一个或多个应用于模型来确定。虽然示出三个模型，但本领域的技术人员将理解，模型可集成到一个或两个模型中，或分解成大量的模型或子模型。
生理模型
食物摄取可作为输入提供到生理模型112。食物摄取信息可包含关于餐食、点心和饮品的信息，如摄取的量、内容(碳水化合物、脂肪、蛋白质)、顺序以及摄取时间。可由用户通过手动输入，或通过经由配置成识别食物类型和量的应用程序提供像片，或通过扫描条码或菜单来提供食物摄取。在各种实例中，餐食大小可手动地输入为卡路里、量(‘三块饼干’)、菜单项(‘皇家芝士汉堡’)或食物交换(1水果、1乳制品)。在一些实例中，餐食还可输入有这一时间或情境中的用户典型项或组合(例如工作日在家早餐、周末在餐厅早午餐)。在一些实例中，可经由便利用户界面来接收用餐信息。举例来说，如图25A和25B中所示出，用户界面2500可使用户通过触摸曲线图2502(或其它图形用户界面元件)每一餐中的脂肪和碳水化合物(和此外任选地蛋白质)的量来点选。图25A示出曲线图2502上的所选点2504具有高碳水化合物(78克)和低脂肪(1.6克)含量。图25B示出曲线图2502上的所选点2506具有高碳水化合物(78克)和低脂肪(1.6克)含量。图25B示出曲线图2502上的所选点2506具有低碳水化合物(3克)和相对高脂肪(20克)含量。具有类似营养含量(例如碳水化合物与脂肪比率)的实例餐食可示出于用户界面上。
活动还可作为输入提供到生理模型。活动信息可例如通过如手表、健身追踪器或贴片的可穿戴装置上的加速计传感器来提供。
如年龄、身高、体重、身体质量指数、身体组成(例如体脂％)、身材、体形或其它信息的患者统计还可通过用户界面或通过与电子源(如电子医疗记录)介接或从可例如与移动装置108通信以提供患者数据的测量装置(如无线，例如，具蓝牙功能、体重称或相机)作为输入提供。
胰岛素递送可经由智能笔上的无线连接或经由用户输入或从胰岛素泵由模型接收。胰岛素递送信息可包含胰岛素量和递送时间。还可接收如胰岛素作用时间或胰岛素作用持续时间的其它参数作为输入。
生理模型112还可通过如在智能装置108上的用户界面来接收用户输入。此类用户输入可包含心理状态或应激源信息、疗法的递送(如响应于低血糖而使用胰高血糖素来刺激肝脏释放肝糖)、所建议基础率或胰岛素与碳水化合物比率(例如从临床医生所接收)或所记录活动(例如强度、持续时间和完成或开始的时间)。
还可从如生理传感器的传感器接收输入，所述传感器可检测心跳速率、呼吸、氧饱和度或体温(例如以检测疾病)。电磁传感器还可检测从物体或触摸或接近物体的工具发射的低功率RF场，所述低功率RF场可提供关于患者活动或定位的信息。葡萄糖水平信息还可例如通过提供CGM数据的持续葡萄糖监测(continuous glucose monitoring；CGM)系统作为输入提供。还可从追踪客户何时服用药物的智能药丸分配器、血酮仪、实验室测量或估计A1C、其它长期控制措施或传感器接收输入，所述传感器用以使用触觉响应(如使用智能手机或专用装置的触觉特性)来测量周边神经病变。
来自测量或行为模型的状态还可作为输入提供。
时间还可作为输入提供，如日时间或来自实时时钟的时间。
在一些实例中，可从历史用户输入(例如用餐日记)、地理位置、胰岛素给药、CGM特性(血糖上升)或日时间中的一个或多个推断模型输入。在一些实例中，模型可在学习模式中操作，其中收集信息的数据库(历史或实时)。可从数据库推导原因或影响或两者。还可从数据库推导模式，如与某些餐或用餐类型或活动或胰岛素作用时间或胰岛素作用持续时间或其组合相关联的模式。
生理状态
一个或多个生理状态可通过将输入应用于生理模型来确定。代谢率可包含基础代谢率(例如，静止时消耗的能量)以及活动性代谢，例如通过活动(例如运动、活动或消耗)消耗的能量。在一些实例中，基础代谢率和活动性代谢可作为单独状态追踪。活动水平还可例如基于活动传感器或其它生理传感器而确定。活动水平状态可例如包含四个状态：睡眠、休息、活动、运动。胰岛素敏感性可使用历史数据、实时数据或其组合来确定，且可例如基于食物摄取、胰岛素递送和所得葡萄糖水平。机载胰岛素可使用胰岛素递送信息以及已知或(例如从患者数据)学习的胰岛素时间作用档案来确定，所述胰岛素时间作用档案可解释基础代谢率(胰岛素更新以维持身体运转)和由活动或食物摄取驱动的胰岛素使用。用餐状态可包含例如空腹、餐前、进食、餐后响应或稳定。用餐状态还可包含机载营养物，例如摄取的餐食、点心或饮品，且可例如从食物摄取信息、用餐信息时间和消化率信息来确定，所述消化率信息可与食物类型、量和顺序(例如，首先进食哪种食物/饮品)关联。可例如基于来自生理传感器(例如温度)、活动传感器或其组合的用户输入(例如妊娠信息或已知疾病信息)而确定健康和疾病。实例健康状态可包含例如健康、疾病、精力充沛和精疲力尽。葡萄糖水平可任选地与测量模型状态组合从传感器信息(例如，CGM数据)而确定。在一些实例中，葡萄糖水平状态还可当CGM数据不可用或具有不确定可靠性时例如基于关于特定情形下(例如鉴于食物摄取、胰岛素和活动的组合)的葡萄糖水平的历史信息从模型而确定。葡萄糖控制(图中未示)的程度还可作为状态而确定，且可例如基于葡萄糖水平、葡萄糖水平变化或胰岛素给药模式。置信度水平可应用于状态中的一个或多个(例如，高、中等、低或数值置信度)。
在一些实例中，状态之间的转变可以是重要决策点，所述决策点用于确定指导或确定递送指导的时间。举例来说，用户在状态之间的转变处可尤其需要指导。举例来说，在等待用餐之后的葡萄糖响应，或决定在运动之前做些什么时，可需要指导。这些状态转变或预计状态转变可由系统(例如，使用模型)识别且用于确定确定或递送指导的时间。这些状态转变的实例可包含活动→休息→运动→睡眠，或健康→疾病→精力充沛→精疲力尽，或葡萄糖控制程度中的变化(例如，葡萄糖水平变化、胰岛素敏感性变化、胰岛素给药改变)，或到妊娠的转变。在一些实例中，生理模型112还包含如II型糖尿病的疾病阶段状态。II型糖尿病的实例疾病阶段状态可包含糖尿病前期阶段、口服治疗阶段和基础胰岛素治疗阶段。由决策支持发动机提供的洞察可针对不同疾病阶段中的宿主而改变，例如，如本文中所描述。
建模动力学和潜在能量流
在一实例中，生理模型112可表征人体中的能量流，这可包含用餐、运动、葡萄糖和胰岛素以及如皮质醇和肾上腺素的其它激素的影响。能量输入可包含餐食和点心(由时间、大小和类型表征)，以及由肝脏产生的葡萄糖(例如，“黎明效应”，其中身体在清晨释放能量，或由肝脏释放的能量抵消低血糖水平)。能量输出可包含来自活动(如运动)的能量消耗，和肌肉或肝脏对肝糖的替换，以及由胰岛素驱动的葡萄糖摄取。可考虑胰岛素时间作用档案以及基础(例如休息)代谢和活动性代谢(例如来自活动/运动)的单独影响。模型112可使用用户输入、测量值(例如，CGM模式和健身追踪器或加速计)和推断(例如模式学习和来自数据的关联)来调谐到受试者的生理。
在高水平下，生理模型可追踪能量输入、能量输出，且确定一个或多个生理状态。生理模型的这种能量表征方面可用于预测将来葡萄糖状态(例如高葡萄糖水平、低葡萄糖水平、上升葡萄糖趋势、下降葡萄糖趋势)。生理模型还可与行为模型和指导模块(例如，决策支持应用程序)交互以确定用户何时将可能需要情境特定指导(例如，建议、警报或警告)，如在从休息到运动或从健康到患病的转变期间。
行为模型
行为模型可反映行为、偏好、时间表和其它关于用户的信息。再次参看图2B，对行为模型的输入可包含用户输入，如通过用户界面关于活动、对指导的兴趣水平或定位的输入。对行为模型的输入还可包含日历信息，如从计算机或智能手机日历应用程序接收到的可用性或活动信息。输入还可包含活动，如来自活动传感器(如手表或健身带上的加速计)的信息。对行为模型的输入还可包含定位(例如GPS)、时间(例如来自实时时钟)、对用户的先前指导和生理状态。额外输入也是可能的。
行为模型状态可包含可从日历或所推断时间表或从患者或护理人员时间表的学习模式推导的干预可用性或便利性(例如可用/不可用或方便/不方便)。可用性或便利性状态还可包含可从定位信息或日历信息推断的护理人员与患者的接近程度。
行为模型状态还可包含风险容忍度(例如对朝向低血糖水平的趋势感到舒适，这可取决于干预的经验或护理人员进行干预的可用性)、对指导的兴趣、活动状态(例如运动或不运动，这可从日历或活动传感器推断)、睡眠状态(例如睡眠或休息或苏醒，这可从活动传感器、日历或其它信息推断)、食欲(这可例如从用餐模式推断)。
参与(或参与水平)还可作为行为模型状态而确定。举例来说，参与因素可包含在时间、活动和支持类型(用户请求的、情境产生的、周期性的)方面用户对决策支持的响应。参与状态可包含例如往往会提示动作的指导类型、用户参与的可与时间(例如，9到5不能散步)或活动(例如在跑步时不进行手指点刺血糖测试)关联的动作。参与水平状态还可反映用户参与接收或遵循指导的时间(例如其中较短时间表明忽略指导)。参与状态还可包含可与活动或时间表关联的通信类型，如取决于日时间和定位而学习适当模式以与用户交互。举例来说，用户可在会议中收到手表或电话显示消息，在汽车中收到语音消息，以及在睡眠时收到基于紧急程度的分层消息，其中紧急消息伴有声音或振动且较不紧急消息安静地显现在显示器或手表上。在一些实例中，以上所应用的参与水平逻辑和方案还可应用于护理人员(例如智能装置上的数据跟随器)，以告知他们需要干预，或让他们知晓患者或另一护理人员了解所述情形或正管理所述情形。
关注水平状态还可由行为模型确定。举例来说，系统可确定可产生关于当前生理状态、治疗决策结果或潜在将来状态的关注的情形，且基于此类情形的存在或不存在或可能性而确定关注水平。举例来说，患者查看CGM值或指导的方式或患者在其上查看信息的装置、患者怎样查看信息(例如在手表或电话上，或与全屏幕视图或可提供较少信息的仅通知屏幕交互)可指示关注水平(其中搜寻较多信息或较不方便信息指示关注较高)。检查或请求CGM数据或指导的频率或用户何时停止检查还可指示关注水平(越频繁指示关注越高。在确定关注水平中可考虑的其它因素可包含自监测血糖读数(例如手指点刺传感器读数)、对决策支持的请求和围绕此类请求的情况(例如，餐厅用餐与家里烹饪)、胰岛素调整何时进行(基础、餐时、餐后)、摄取点心或快速起效碳水化合物以避免低血糖、观测葡萄糖水平或对数据更新作出响应的护理人员(例如数据跟随器)的存在，或注意告警模式。在一些实例中，关注水平或告警偏好可通过模型来学习或通过用户输入基于实际或假定数据来设定，如图26中所示出的实例用户界面2602中所示出。
关注状态水平可基于当用户关注时的时间段(例如，日时间，或用餐之后的一段时间，或运动之后的一段时间，或一周中的某几天或一个月中的几天，或由日历事件推导出的时间，例如假期或学校事件)。时间段还可应用于护理人员(例如数据跟随器)。时间段内的关注水平可例如由用户输入推导出，或从用户行为得知。关注水平还可反映用户的目标，例如用户对告警和低血糖的关注水平，或专注于最大化范围内的时间，或两者。
行为模型还可包含指导状态，所述指导状态可包含例如胰岛素指导状态(例如递送X个单位的胰岛素，或增大/减小基础率)，以及碳水化合物摄取指导状态(例如进食X克碳水化合物)。
在一些实例中，指导消息或其它用于患者的信息的产生可作为行为模型的部分(例如作为来自模型的输出状态)而执行。出于清楚和简化描述起见，下文分别描述指导产生。
测量模型
测量模型可提供与如CGM传感器测量的传感器测量相关的信息。测量模型可例如提供来自传感器的数据的准确度的指示。
CGM测量模型可将情境添加到由传感器数据产生的葡萄糖值和模式。模型可允许不同数据类型。举例来说，可确定数据值或数据集的置信界限。置信界限可呈现给用户或作为输入提供到另一模型。模型可例如提供针对使用日调整的准确度界限(例如，新植入传感器与老化传感器，老化传感器可变得不准确)、对校准时间表的遵守、高改变率下的滞后影响(由于间质液中的葡萄糖水平的移动的生理滞后，以及因为传感器仅周期性地(例如每5分钟)采用读数的传感器滞后。测量模型还可监测血糖与CGM读数之间的一致性，作为血糖读数、CGM读数或两者的可靠性的指示符。类似原理可应用于其它数据源以分析准确度、一致性或变化率。
参考图2B，测量模型可接收用户输入、传感器数据和校准信息作为输入，且可确定测量状态，如传感器准确度(例如高、中等、低)、传感器数据的置信度或传感器状态(例如，预热/激活状态、自嵌入已来的时间或到替换为止的时间，或传感器连接)。其它测量模型输入数据源可包含配置成允许工厂校准或非用户干预校准的数据。
指导的定时的确定
在各种实例中，指导和指导定时可基于状态模型或其它输入而确定。举例来说，指导可从一个或多个生理状态或行为状态或其组合确定。确定指导或递送指导的定时还可从生理和行为状态确定。在一些实例中，多个或大量状态可用于确定指导和指导定时。在各种实例中，指导和递送指导的定时可由行为模型或由指导模块形成，所述指导模块使用状态信息，如来自行为模型和生理模型的状态。
学习
在一些实例中，系统可进入“学习模式”，其中系统观测生理或行为数据。举例来说，系统可收集CGM值、血糖测量值、胰岛素剂量、食物、活动、药物、应激水平、睡眠模式、激素周期、定位(经由GPS等)和用以构建信息集的其它信息，模式可从所述信息集推导。系统可例如确定基础剂量、胰岛素敏感性、胰岛素与碳水化合物比率、胰岛素作用持续时间或用于常用餐食的推注。在一实例中，可与患者参与协作来遵循协议，所述协议可包含追踪因素，如碳水化合物摄入和胰岛素施用。可确定患者的所得葡萄糖水平或趋势，尤其在患者经过新近诊断或治疗的情况下。一些因素(如胰岛素敏感性)在全天中改变，因此在一些实例中，可在一天中的不同时间数次遵循协议以获得所要参数(例如，胰岛素敏感性)与日时间之间的关联性。碳水化合物与葡萄糖比率还可例如通过确定患者的葡萄糖水平增大多少每一克碳水化合物且考虑基本基础率而确定。
在一实例中，对于基础测试，可要求用户选取当其BG在规定范围内(例如，在80到250之间)时的一天，计划省略一餐，控制其饮食如此先前一餐不是高脂肪或极高碳水化合物，且避免运动或做任何可影响其血糖的事。系统可从用户接收输入以发起基础测试。系统可随后评估在最后一餐之后一段时间(例如，三小时)内的血糖浓度水平。如果血糖水平在所述时间段内稳定，那么系统可声明基础率是正确的。如果存在当BG增大或减小时的时间段，那么影响那一时间段的基础率可通过小幅度的安全增加来修改，直到血糖在整个时段内稳定为止。在一些实例中，这种过程可重复直到全部24小时时段(或更长，例如一周)已由成功的基础测试覆盖为止。
对于胰岛素与碳水化合物比率测试，可要求用户选取当血糖在规定范围内(例如，在80到250之间)时的时间，从其前一餐起至少指定量的时间(例如，四小时)，在不受运动、应激或任何可影响血糖的事影响的时间处，且进食具有已知碳水化合物含量和中等血糖生成指数的特定餐食。在某一实例中，系统可请求用户进食指定食物或要求用户摄取具有营养标记的食物并拍照确认。因为碳水化合物含量的确立具有置信度且其它葡萄糖变化率来源降到最少，因此系统可为患者确定ICR。在一些实例中，过程可多次运行以使得系统能够磨练出正确ICR。这可例如通过进行小幅度的安全连续运行改变直到充分地覆盖餐食含量为止(即直到系统识别出产生所要范围内的稳定葡萄糖水平的适当胰岛素剂量为止)来实现。
在另一实例中，为估计胰岛素敏感性因素(insulin sensitivity factor；ISF)，可要求用户选取在最后一餐之后指定量时间(例如，4小时)的时间，且避免运动和其它可影响葡萄糖水平的行为。系统可随后要求用户采用校正推注。系统可随后监测葡萄糖响应且使用响应来确定胰岛素敏感性因素。在一些实例中，过程可重复两次或更多次直到确定正确ISF值为止。
在一些实例中，首先确定基础率，以使得能够准确估计ISF以及ICR和ISF。在一些实例中，替代或补充请求患者参与或协作，决策支持系统可确定适当时段以确定基础率、ISF或ICR。
系统可集成各种状态且学习状态的相互关系。举例来说，系统可追踪运动强度和持续时间、葡萄糖水平以及胰岛素剂量，且学习运动如何影响葡萄糖敏感性。所确定葡萄糖敏感性可作为指导提供或可用于确定其它状态或用作算法的输入以确定指导。系统还可参考或构建营养数据库且将数据库与患者链接(例如追踪患者如何对特定餐食或食物类型作出响应)。系统还可追踪胰岛素敏感性和胰岛素使用模式，例如以预测胰岛素敏感性改变或胰岛素使用模式。系统还可追踪葡萄糖控制的最新历史，所述历史可用于预测将来控制或用户的应激响应，所述应激响应可影响胰岛素敏感性(例如，身体响应于应激而释放皮质醇，这使身体产生胰岛素抵抗)。
在一实例中，系统可学习患者何时做出治疗决策，以及患者和护理人员(例如智能手机上的数据跟随器)如何追踪决策的结果。系统可随后预料患者何时将可能做出类似决策，以及什么信息将对作出决策有用且提供此类信息作为指导。系统还可预料所要结果，且随后提供确认通知(例如“做得好！你的早餐后峰值是140mg/dL且现在你是稳定的且在范围内”)或识别出所要结果尚未实现(“在你在7:00am时的3单位推注之后，你仍处于220mg/dL且正在上升”)。
在一些实例中，系统可识别感兴趣的情形或模式(例如，常见情形，如用餐、运动方案或假期)，或从用户接收对此类情形或模式的识别且开发用于所识别情形的更有效或更准确的指导或指导定时。举例来说，系统可通过请求用户输入或通过监督“实验”以使得能够收集较大量数据或较准确数据来获得关于所识别情形的信息。额外数据可用于改良用于所识别情形的指导或指导定时。
状态
在一些实例中，指导的内容和定时可由状态确定。举例来说，当响应于指定葡萄糖状态(如满足指定条件的葡萄糖水平或趋势)的发生时，可确定递送指导以摄取碳水化合物。在一些实例中，状态可基于如运动和葡萄糖的参数的组合。举例来说，“低葡萄糖运动”状态可对应于满足条件(例如，葡萄糖水平低于阈值)的葡萄糖水平和(例如，从模式或日历)预料的运动或(例如，从生理传感器或加速计)检测到的运动。在一些实例中，模型可基于多个或大量状态。举例来说，模型可包含葡萄糖状态、运动状态、健康/疾病状态、睡眠/苏醒状态中的一个或多个。在一些实例中，系统可组合或使用多个模型以确定指导和何时递送指导。
在一些实例中，状态转变可使用模型来检测到，且用于产生对患者的指导或通知。一些生理状态转变(例如疾病/健康)可能在几天或几周的时间段内发生，而其它可能在几小时或几分钟内发生(例如葡萄糖水平或趋势)。在一些实例中，当满足状态转变条件时可递送指导。举例来说，当患者趋向于低葡萄糖水平且转变到运动状态或确定为可能很快将运动(例如，使用模式或基于公园或健身房处的定位)时，可提供指导以摄取一些碳水化合物。在一些实例中，状态转变的组合可触发指导(例如从正常葡萄糖到低葡萄糖的转变和从久坐到活动性/运动状态的转变)。
状态转变的概率可用于确定指导，或是否和何时递送指导。举例来说，当检测到转变到非所要状态的概率时，可确定且递送指导。在一些实例中，可仅在满足一个或多个额外条件时，例如当可用状态或关注状态水平满足指定条件时确定且递送指导。
在一些实例中，当满足状态条件的指定组合，或状态转变的指定组合已发生，或经过计算将可能发生时，系统可递送指导。举例来说，当葡萄糖状态和运动状态两者满足指定条件时，可递送指导，例如当低葡萄糖状态存在或有可能，且患者即将运动，或恰好完成运动时，可递送指导。在一些实例中，系统确定用于基于一个或多个状态条件(如宿主的参与状态)而提供洞察或指导的消息传送频率。
在一些实例中，系统可基于情形的严重度、关注水平和参与水平而调整指导。举例来说，确定是否保留指导或递送指导可部分地基于行为模型在特定时间点处的关注状态水平或参与状态水平而确定。在关注水平或参与水平相对低的情况下，可推迟指导递送直到当用户更为可用时的时间或对用户更方便的时间为止。在关注水平或参与状态水平高的情形中，即使在可能不方便的时间处也可递送指导。举例来说，即使用户在会议中也可递送关于紧急情形的指导，但关于相对常规(例如，低关注/参与)问题的指导可推迟直到会议之后。以这种方式，传递到具有指示低参与水平的参与状态的宿主的洞察和/或指导的消息传送频率可降低。这可防止低参与状态宿主因指导而不堪重负。随着宿主的参与水平改变，指导频率也可改变。举例来说，宿主可通过变得参与更多，例如，达到指示较高参与水平的参与状态来对初始低频率指导作出响应。如果这种情况发生，那么频率可增大。举例来说，指导的递送可不推迟和/或可推迟比当宿主在指示低参与水平的参与状态中时更少量的时间。如果宿主的参与状态改变以指示较低参与水平，那么指导递送的频率可减小。
指导实例
在各种实例中，至少部分地基于时间而确定指导。举例来说，指导的确定可基于时钟时间，或日时间(例如时间区段，如早晨、下午、傍晚、夜晚)。胰岛素敏感性往往会基于时间的若干重叠功能而改变。举例来说，糖尿病患者在早晨由于如由身体在早晨分泌的其它激素的因素而往往会更具有胰岛素抵抗。指导的确定可至少部分地基于日时间以顾及时变胰岛素敏感性。指导的确定还可基于如运动惯列和每日进食习惯以及进食时间表的患者行为而随时间改变。其它生理参数(例如，应激、酒精摄取、受热、如体育竞赛的诱发肾上腺素的事件)还可具有时间相依性。
在各种实例中，所确定指导可包含关于如何对特定情形(例如，检测或预测到低血糖事件或高血糖偏移)作出响应的指导或关于疗法或行为(例如，特定一餐(例如，午餐)的胰岛素与碳水化合物比率或在特定时间范围中进行运动的改变的更一般指导(例如，“考虑早餐之后的快速步行以增大你的胰岛素敏感性”)。
在一些实例中，从生理模型或行为模型确定的信息可用于提出对常用模式的替代方法。举例来说，系统可确定用户在特定情形中具有过校正或欠校正的倾向，例如在特定时间处或在特定一餐之后，且当系统检测到与校正误差相关联的模式时可提供指导。在一些情况下，系统可利用替代疗法方法或比较历史方法来模拟什么将发生。举例来说，在过校正或欠校正已发生之后，替代方法可作为指导提供。在另一实例中，可呈现所提出行为的预测性趋势。举例来说，用户可经由用户界面输入所提出胰岛素剂量或点心或餐食，且系统可显示预测性趋势。在图27A中所图示的实例中，可向用户呈现包含可允许选择碳水化合物量的滚动转盘2704的用户界面2702，且系统可呈现示出含有所选量的碳水化合物的点心的可能结果的预测性趋势2706。在图27B中所图示的另一实例中，用户可输入所提出的碳水化合物值、所提出的胰岛素剂量，且系统可呈现示出三个曲线的用户界面2720，一个曲线2708针对摄入碳水化合物但不施用胰岛素的情况，一个曲线2710针对施用胰岛素但不摄入碳水化合物的情况，且所估计葡萄糖值曲线2712针对施用葡萄糖和胰岛素两者的情况。在一些实例中，图27A中所示出的转盘可设置于图27B中所示出的用户界面2720上。虽然预测性胰岛素趋势示出为线，但在另一实例中，可示出概率圆锥图替代线。
在一些实例中，系统可提供夜间准备指导以为用户提供夜晚舒适度，使得用户在夜晚将不趋向于低葡萄糖水平，减少夜间警报，且减少夜间低血糖事件。为开发关于状态或状态转变的长期(例如，6到10小时)或高置信度预测，系统从患者或传感器检索更多信息，或可进行额外处理，以增大指导实现整晚睡眠而无进食或递送胰岛素的打扰的可能性。夜间准备特性可提供指导以在睡觉之前采取动作，例如在上床睡觉之前进食碳水化合物或施用胰岛素。
在一些实例中，系统可与临床监督平台交换数据。系统可与临床监督平台提供、接收或交换传感器数据、患者数据或处方信息或给药信息。在一些实例中，在指导递送到患者之前，可相对于临床监督平台(例如，通过人类临床医生或算法)来检查指导。在一些实例中，指导以及任选地所得数据(如血糖曲线)可在递送到患者之后提供到临床监督平台，以实现来自临床医生的协调或反馈或者允许对将来指导的调整或优化，如改变胰岛素类型、剂量或定时。
在一些实例中，决策支持系统可包含可配置成提供总体指导或反馈的糖尿病控制监督器。糖尿病控制监督器可例如总体上量化糖尿病控制。这可包含对如相对于指定条件、准则或标准所测量的所估计血糖水平的控制效力的度量，如在指定血糖范围内的时间的测量值(例如，百分比)。
治疗参数
决策支持系统还可提供关于治疗参数的指导。举例来说，系统可识别何时需要改变基础率、ICR、ISF或IOB。系统还可提示进行测试，例如如果在指定度量(例如，置信度水平)内不能识别所需的改变的类型或量。现实世界数据可给确定治疗参数带来挑战：理论上，如果基础率正确且ISF已知(或假定具有与其它治疗参数的已知关系)，那么可以可接受的准确度来确定推注。类似地，如果ICR和ISF假定是正确的，且假定碳水化合物估计是(至少平均)准确的，那么可在可接受的限度内微调基础率。然而，现实世界条件可充满不确定性、复杂性和重叠因素，且误差可存在于所有参数中，这可使得上文所描述的理想化情境罕见或难以识别。为处理这种系统复杂性，决策支持系统可包含可从收集到的数据学习或检测不适当特定基础率、ICR、ISF或机载胰岛素持续时间的模型或算法。在一些实例中，可从几天或几周的数据回顾性地确定参数，且可在收集到额外数据时评估所确定参数的准确度。决策支持系统还可与实时或最新数据组合使用模型或算法以及所学习参数或过去数据来产生指导，且计算递送指导的时间。
在一实例中，在具有多个重叠影响的嘈杂数据中，可通过识别在用餐之后(即在食物和基础剂量的影响已淡化之后)超过指定量时间(例如，4小时)的反复性低或高的一个或多个模式来识别不适当基础率。类似地，在反复性低/高并不比在同一餐之后指定第二量的时间(例如，4小时)更频繁发生(其表明基础率是正确的)的意外事件中，可通过在识别用餐之后(在食物和基础胰岛素仍起作用时)指定量时间(例如，2到4小时)的反复性低或高葡萄糖水平来识别不适当ICR。
决策支持系统可考虑低或高葡萄糖水平是否由于不同的碳水化合物量、校正因素或初始葡萄糖水平而发生。在一实例中，如果葡萄糖水平在用餐前在范围内(例如没有机载校正推注)但在用餐之后超出范围，那么误差可能由不适当ICR引起。在一些实例中，可比较具有不同特征的餐食的葡萄糖趋势以验证或改善检测到的ICR不准确度。举例来说，当趋向低的葡萄糖水平的模式的集合展现在较高碳水化合物数量的情况下葡萄糖水平更快趋向低或葡萄糖水平变得更低时，随后可推断ICR可能过高(即因为高ICR而递送过多胰岛素，且高ICR的影响随着较大量的碳水化合物而增大，这产生更快的低葡萄糖趋势或更低葡萄糖水平)。类似地，当趋向高的葡萄糖水平的模式的集合展现在较高碳水化合物数量的情况下葡萄糖水平更快变高或变得更高时，可推断高葡萄糖趋势可能由过低的ICR引起(即未递送足够胰岛素，因此葡萄糖水平上升且影响随着较高碳水化合物数量而增大)。
胰岛素敏感性因素
在另一实例中，决策支持系统可提供关于胰岛素敏感性的指导。举例来说，系统可追踪和报告胰岛素敏感性或胰岛素敏感性的改变或趋势。决策支持系统还可提供故障检测(如下文进一步描述)且可辅助用户确定问题是否由治疗参数或系统故障造成(例如，以区分胰岛素敏感性问题与硬件故障问题)。当患者经历胰岛素敏感性改变时，胰岛素敏感性方面的指导可特别有用。举例来说，在“正常”状况期间，患者的糖尿病可例如通过估计和使用如基础率、ICR、ISF和胰岛素时间作用的“治疗”参数而受到良好控制。然而，如应激、疾病、运动活动改变和激素周期的事物可引起胰岛素敏感性改变，这可改变胰岛素在身体中的影响且还可影响“治疗”参数(ICR、ISF等)中的许多或所有，从而可大幅度影响患者的葡萄糖水平。在一实例中，在具有多个重叠影响的嘈杂数据中，决策支持系统可在不存在检测到的基础误差或检测到的ICR误差的情况下基于在校正推注之后指定量的时间(例如，2到4小时)低血糖或高血糖的例子发生而识别不适当ISF。举例来说，系统可从在并非响应于用餐误差的校正推注之后葡萄糖水平低(或高)的模式中识别不正确ISF。在另一实例中，如果在具有校正推注的餐食之后葡萄糖水平低(或高)，且在不具有校正推注的餐食之后葡萄糖偏移不存在，那么系统可确定误差可能由不正确ISF引起。
为检测胰岛素敏感性的改变，决策支持系统可使用能够(通过使用回顾性数据)实时地识别葡萄糖模式改变的模型或算法。在一些实例中，决策支持系统可使用模型或算法来区分不同类型的葡萄糖模式改变(例如胰岛素敏感性、胰岛素递送问题、传感器问题等)。对于胰岛素敏感性的改变，决策支持系统可提出对所有“治疗”参数的适当百分率改变。系统可识别胰岛素敏感性何时回到基线且提出将参数改变回到基线。系统可例如区分正常与不正常状态，如正常ISF与由应激造成的更改ISF，或正常胰岛素输注状态与不正常输注状态。在某一实例中，系统可使用不同数据源来检测改变(例如传感器葡萄糖读数、传感器原始数据、手指点刺数据、胰岛素、碳水化合物、泵中的闭塞告警参数、输液器的最后改变日期)且基于数据中的所识别模式而提供指导。
故障检测
另外，如胰岛素递送问题(例如，输注部位问题)或传感器问题的系统“故障”可引起葡萄糖模式的意外改变。决策支持系统可基于葡萄糖或其它数据的模式而使用模型或算法来识别故障。识别此类故障状态何时开始和结束可帮助患者和其医生采取适当动作来将葡萄糖水平保持在可接受的界限内，且在当未辨识系统故障正引起葡萄糖控制问题时试图解决血糖偏移中避免改变其它因素(例如，ISF)。
在一些实例中，决策支持系统可识别不能肯定归因于ICR、基础率或ISF的反复性低、高或超出范围值的例子，且提示基础、ICR或ISF“测试”提供具有较少重叠影响的额外数据以使得能够更准确推导参数设置问题。
设置胰岛素泵的基础率
在一些实例中，决策支持系统可帮助设置和微调胰岛素泵的基础率。基础率在全天中可大幅度不同。举例来说，在早晨前面几小时中可需要相对高基础率，且在下午可需要较低基础率。一些胰岛素泵允许设置每30分钟不同基础率，从而产生每日48个可能的基础率参数。这些参数的初始设置可能极耗时，且在初始给药中可能存在很多不确定性。在无适当基础率的情况下，极难以估计ICR和ISF参数且回顾性地学习这些参数。CGM数据可尤其有助于微调基础率参数，这是因为连续读数可帮助识别需要不同基础率时的准确时间。在一些实例中，系统可使用CGM数据或血糖水平的模式来确定基础率调整。
在各种实例中，决策支持系统可组合CGM数据与其它数据以确定或改善推注速率。举例来说，决策支持系统可分析在夜间期间或在如从传感器或行为数据确定的其它因素不影响葡萄糖水平的时段期间从CGM传感器接收到的估计葡萄糖水平，以确定关于一个或多个基础率的调整的指导。夜间确定可更准确或更容易确定，这是因为基础率调整的问题不会因用餐或身体活动复杂化。在一些实例中，决策支持系统可指导患者通过测试协议来限制可影响葡萄糖水平的数个变量(例如，限制或调节运动、应激和碳水化合物摄取)以使得能够准确确定基础率。
多次每日注射
在一些实例中，决策支持系统可确定对胰岛素多次每日注射的指导。身体的胰岛素需求可在一天期间显著地改变。举例来说，影响肝脏葡萄糖分泌(例如，胰腺的胰高血糖素分泌)的激素分泌和增大胰岛素抵抗(减小胰岛素敏感性)的激素分泌可产生胰岛素需求的变化。称为黎明现象的模式例如往往会在早晨升高胰岛素水平。这可例如由生长激素或其它引起血糖上升的激素的分泌或由饮食考虑因素或由身体对夜晚低血糖的响应(索莫奇效应)引起。这些影响可存在于任何患者中，但可在使用胰岛素多次每日注射(multipledaily injection；MDI)的患者中存在特别困难的问题，这是因为一天可注射胰岛素的有限次数和可递送的剂量大小的实际下端限制。
决策支持系统可(向患者或临床医生)提供关于胰岛素注射的大小、类型和定时的指导。使用胰岛素多次每日注射(MDI)的患者可使用一个或多个长效或中效胰岛素注射来全天候提供背景胰岛素。中效或长效胰岛素的定时和给药取决于可基于胰岛素类型和剂量大小而改变的起效(胰岛素多块开始起作用)、峰值和胰岛素作用持续时间。长效胰岛素(如甘精胰岛素和地特(determir)胰岛素)可提供相对稳定的胰岛素流程和一致的吸收模式。中效胰岛素可提供峰值和中等作用持续时间，这可对处理胰岛素需求模式有用。举例来说，NPH胰岛素是可在至多24小时内提供背景胰岛素但在注射之后四到八小时更有效(即更多胰岛素存在于血流中)且在注射之后16到24小时不太有效的中效胰岛素。
如NPH的中效胰岛素可对抵消黎明现象有用。对NPH递送进行定时使得其峰值作用与峰值基础需要匹配是重要的。另外，当使用中效胰岛素时，可能重要的是在某些时间处进食或遵守用餐时间表以避免在某些时间处低血糖(例如，当胰岛素作用峰值时)。葡萄糖水平的管理可因一些胰岛素可日复一日具有改变的吸收率或可产生不可预测峰值的事实而进一步复杂化。
各种形式的长效胰岛素或中效胰岛素可经过组合以模拟身体的基础胰岛素分泌模式(即如果糖尿病不存在)。举例来说，可能有用的是将夜间的NPH与每天一次的甘精或地特以较低剂量组合以更好地匹配身体的基础需求。然而，由中效或长效胰岛素或其组合提供的胰岛素覆盖的量经常并不恰当地匹配身体的基础胰岛素需要，因此胰岛素递送和餐食的微调和谨慎定时可以是重要的。对日常变化作出响应也可以是重要的。
决策支持系统可提供在确定胰岛素给药和定时方面的指导以解决所识别模式(例如，黎明现象)。系统还可提供在对日常变化作出响应方面的指导。举例来说，决策支持系统可从回顾性数据检测出表明多次每日注射方案并不充分满足个人的基础胰岛素需要的一个或多个模式。这一信息可提供到患者，或可提供到可能建议剂量或方案改变的临床医生，或开处方不同类型或品牌的胰岛素。在一些实例中，决策支持系统可操作为患者与临床医生之间的通信工具以使得临床医生能够更好地理解胰岛素和葡萄糖模式(例如，系统可提供指导，即患者在周末早晨当早餐往往会延迟时经历低血糖)。
在一些实例中，决策支持系统可提供工具以识别中效和长效胰岛素吸收率与基础胰岛素需要之间的错配。举例来说，可从高或低葡萄糖水平的模式确定错配。在一些实例中，决策支持系统可考虑其它因素，如运动和食物摄取，使得可从嘈杂数据识别出模式。在一些实例中，决策支持系统可识别由基础需要的不适当覆盖引起的反复性事件，如低血糖症或高血糖症，且提供关于可能解决方案的指导(例如，在特定时间窗期间进食或考虑改变剂量或注射定时)。
在一些实例中，决策支持系统可识别感兴趣的特定现象，如黎明现象和索莫奇现象。在一些实例中，决策支持系统可建议校正或建议询问医师。举例来说，可通过降低基础胰岛素剂量来解决索莫奇现象，且可通过使用在早晨达到峰值的NPH胰岛素或在早晨使用快速起效剂量的胰岛素来解决黎明现象。
在一些实例中，决策支持系统可识别基础需要何时并不由MDI疗法的任何组合适当地满足。在一些实例中，决策支持系统可提供对基础疗法成功的度量。决策支持系统可例如评估在睡眠时是否实现平稳血糖水平(例如，假定当不存在复杂化因素时，例如，当患者并不进食、服用速效胰岛素或在睡眠之前短暂运动时，改变不超过30mg/dl)。
决策支持系统还可确定一次基础注射何时不足够(基于葡萄糖水平和注射时间，且可确定指导以考虑(例如，要求临床医生)额外注射(例如，注射基础胰岛素一日两次以实现胰岛素作用的“双波”模式)或引入另一类型的胰岛素(例如，添加中效胰岛素)。决策支持系统可包含基础测试特性(例如，在智能装置上可操作的应用程序)，且可识别当基础测试是必要的或应建议进行基础测试时的时间。基础测试可例如包含相对不活动和空腹或高度可预测或受控进食的时段以展现基本基础需要。在一些实例中，系统还可确定关于如何可通过行为，例如，通过基础注射或与用餐组合的注射或运动的组合来匹配基础需求的指导。
预测将来葡萄糖水平
在一些实例中，决策支持系统可在指定时间周期(例如，30分钟、几个小时或六小时)内预先预测血糖水平。血糖水平的预测可例如基于饮食信息(例如，摄取量、摄取时间、碳水化合物和脂肪或蛋白质含量、吸收率(快速、中等、缓慢碳水化合物)、食物估计的置信度)、推注信息(时间、胰岛素作用和推注类型(常规或双波)、基础率、运动、CGM数据、血糖(例如，手指点刺数据)、酒精摄取、应激因素(例如，基于行为或日历)或日时间。
决策支持系统可实时预测葡萄糖水平以在潜在低血糖或高血糖事件发生之前提供潜在低血糖或高血糖事件的提前通知。所预测葡萄糖水平可例如用于向用户产生警报或告警。所预测葡萄糖水平还可用以在高血糖事件发生之前或在患者由于高葡萄糖水平而变得胰岛素抵抗之前提早递送指导以递送校正推注。
决策支持系统还可回顾性地或假设地确定所预测葡萄糖水平以分析治疗参数或模型参数(以确保模型参数稳定)。在一些实例中，系统可将所预测值与实际值进行比较以分析模型参数。
在一些实例中，当模型的置信度高(例如，已验证或评估了模型参数的准确度)时，系统可使用模型来测试情境和所预测结果以分析患者或临床医生是否应考虑调整治疗参数，如胰岛素与碳水化合物比率或胰岛素敏感性因素。举例来说，系统可在模型上运行多种“测试”，这对于患者实际执行来说将是繁重或耗时的(因为需要严格地控制食物、活动或胰岛素递送)，且系统可使用测试的结果来确定指导或指导定时，或为患者选择实际上执行的一个或多个测试(例如，递送指导“你的胰岛素与碳水化合物比率可能不正确：请在你的下一餐进行测试”或“你的基础率可能不正确：请在你方便时尽早进行空腹基础测试”)。在一实例中，系统可确定如果不摄入餐食，那么什么将发生(根据模型)：如果所预测血糖升高，那么可能需要较高基础率，且如果所预测血糖下降，那么可能需要较低基础率。在另一实例中，如果假定基础率是正确的，那么系统可确定如果摄入餐食，那么什么将发生：如果所预测血糖在用餐之后指定量的时间(例如4小时)移动回到靶葡萄糖水平，那么ICR可视为是正确的。如果不是，那么ICR可能需要调整(例如，如果假定基本基础率是正确的，那么在用餐之后超过四小时的高葡萄糖水平表明ICR过低)。在另一实例中，系统可确定，假定基础率是正确的，如果给出指定量(例如，1个单位)的胰岛素，那么什么将发生，且系统可使用这一信息来建议更新胰岛素敏感性因素。在另一实例中，系统可假定正常吸收餐食和正确基础率，且系统可确定所预测葡萄糖水平何时将达到平稳值，这可用于确定机载胰岛素的持续时间。在一些实例中，决策支持系统可使用模型来预测反复性低或高葡萄糖水平(例如，使用时间，基于随时间推移观测的模式)。在一些实例中，决策支持系统可使用模型来识别索莫奇现象或黎明现象。
推注确定
决策支持系统可开发用于递送胰岛素推注的指导。举例来说，系统还可包含模型或基于曲线的校正推注计算器。系统可估计个体特定的用餐后曲线，所述用餐后曲线可例如包含曲线估计参数，如峰值时间、取决于碳水化合物的峰值高度和基于如用餐内容和胰岛素剂量和持续时间的因素的曲线“宽度”。在一些实例中，决策支持系统可首先经历学习时段以搜集用于估计曲线的数据。决策支持系统可实时地使用曲线估计来预测与用餐曲线估计的偏差。与所预测曲线的偏差可用于预测和避免低血糖事件，或预测和处理潜在高血糖偏移。在一些实例中，可组合两个或更多个估计曲线以顾及重叠用餐。还可进行校正以顾及由运动或其它因素造成的偏差。在一些实例中，类似方法可应用于血糖预测模型，其中指导基于与模型的偏差而非与曲线的偏差。举例来说，与模型所预期的输出的偏差可指示输入参数(例如，餐食大小)是不正确的，且需要适当校正(例如，重新估计餐食大小或递送校正推注)。可提供检测到的偏差作为指导，或另外或替代地，可建议补救步骤(例如，重新估计餐食大小或递送校正推注)作为指导。
运动
运动会快速地(例如，几乎立即)影响血糖水平，且在运动之后高达48小时内影响血糖水平。决策支持系统可提供关于在运动之前、在运动期间或在运动之后应做什么的建议。举例来说，决策支持系统可提供关于治疗参数的指导以顾及运动影响。决策支持系统还可回顾性地学习和改善运动建议。在一实例中，系统可从用户(例如，患者)接收运动计划，所述运动计划可包含将进行的运动类型、运动强度和运动持续时间，且系统可基于接收到的运动计划而开发和递送指导。在一实例中，系统可提供指导，即患者将需要一定量的点心。当至少预先一小时预计划运动(例如，传达到决策支持系统)时，系统可建议临时基础率以顾及运动影响。如果运动将(或确实)持续大于一小时，那么系统还可建议可能的临时基础改变。因为运动可升高血糖(例如，由于触发肝糖释放的肾上腺素分泌)或降低血糖(由于活动)，因此系统可考虑运动类型(例如，竞争与训练)。在一些实例中，可使用CGM或其它传感器来监测运动影响，且可学习每一“情况”(例如剧烈晨跑与悠闲的下午自行车骑行)的治疗策略改变以改善指导和随时间推移的结果。
在一些实例中，系统可识别不同的运动类型、强度、持续时间和开始时间的最佳临时基础百分率，且递送反映这一知识的指导。系统还可识别不同的运动类型、强度、持续时间和开始时间的最佳用餐内容(例如碳水化合物量和类型，或脂肪含量)。在一些实例中，系统还可确定输入推注计算器中的活动调整百分比。
实例时间线
图3A是与患者相关联的实例时间线300的图解。患者可参与一段时间内的活动，之后用餐，其中假定已递送胰岛素。在用餐之后，患者在一段时间内可用，之后开会，且随后另一时段可用，且随后又开会。决策支持发动机可在确定何时递送指导和递送什么指导时考虑到患者时间表。举例来说，通过访问患者的日历，或通过从数据中学习患者的时间模式，决策支持发动机可了解用餐之后和会议之前的可用时段，且因此在这一可用时段期间递送指导。指导还可考虑即将到来的会议和会议长度且确定经过计算以避免打扰会议的指导。举例来说，决策支持发动机可建议足够大的校正推注以控制胰岛素，同时管理在会议期间发生的低葡萄糖水平的风险。在另一实例中，决策支持发动机可建议会议前点心以在整个会议中维持葡萄糖水平。在一些实例中，如果已知(例如通过用户供应的偏好)在会议期间摄取小点心比施用胰岛素更容易(例如如果患者使用针或笔来注射胰岛素)，那么决策支持发动机可能宁可允许葡萄糖水平向低漂移。另一方面，如果已知施用胰岛素比摄取点心更容易(例如如果用户通过泵接收胰岛素)，那么可确定宁可高葡萄糖趋势的指导。
图3B是护理人员(例如父母)(顶部图表)和儿童患者(下部图表)的实例时间表的图解。在一实例中，决策支持发动机可从日历信息、用户输入、传感器信息(例如GPS)或所学习模式了解护理人员的可用时段，以及当护理人员不存在或不可用时的时段。决策支持发动机可确定指导以增大当护理人员不可用时葡萄糖水平稳定的可能性。决策支持发动机还可确定时间以基于护理人员的可用性而递送指导，例如在篮球赛的早期部分期间在可用时段期间提早提供指导或(在可能时)将指导推迟到游戏结束时的可用时段。
图3C是患者的苏醒/睡眠状态的图解。决策支持发动机可确定当患者苏醒时，例如在睡觉之前，或在夜晚期间醒来的时间期间递送指导的时间，所述时间如可例如使用活动或手表、健身追踪器或其它可穿戴或患者感知装置中的其它传感器而确定。
图3D是基于其它状态而确定患者参与在干预中的可用性(或便利性)的图解。最初，患者正在睡眠且不可用。当睡眠结束时，患者是可用的直到通勤开始(如由时间表信息或GPS或经由与车辆中的无线连接的连接所确定)为止。当通勤结束时，患者是可用的直到会议开始为止。当会议结束时，患者再次变得可用。
指导定时的确定
图4是指导确定的示意图。指导确定模块402可接收输入404且确定与指导相关的一个或多个输出404。确定模块402可包含输入404应用于的模型或模式。在一些实例中，确定模块可包含行为模型的一部分。输入可由另一应用程序，或来自如生理或行为模型的模型的状态输出确定。
可接收用户可用性作为输入。可用性可包含例如如由日历、所学习或已知模式、用户输入或推断确定的时间表可用性。可用性可包含实际可用性或可访问性(例如，通信连接或连接类型)或可例如从用户活动中确定或推断的用户便利性。还可接收下一可用时段的时间作为输入，且可例如从已知、所推断或用户供应的时间表或所确定可用性模式中确定所述下一可用时段的时间。相对稀少或不一致的可用性可经过考虑在可用时段期间确定和递送指导。直到下一可用时段为止的短暂等待可经过考虑不在现有可用性窗口期间递送指导，因为另一可用性窗口将很快开放。直到下一可用时段为止的长时间等待可经过考虑在现有可用性窗口期间递送指导，因为如果不在现有窗口中递送指导，那么将需要长时间等待才能递送指导，或系统将需要在不方便的时间处打扰用户。
还可接收动作的紧急程度作为输入。动作的紧急程度可例如取决于患者的生理状态或指导的性质，或两者。举例来说，当用户快速趋向低血糖水平时，特别是在当用户可能不了解趋势时的情况中，动作的紧急程度可以是高的。当用户缓慢地趋向低血糖水平时，或当用户以中等速率趋向高血糖水平时，动作的紧急程度可以是中等的。当期望动作时，动作的紧急程度可相对低，但患者的生理风险低。在其它实例中，当需要摄入碳水化合物以避免低血糖水平时，动作的紧急程度可确定为高，且当需要注射胰岛素时，动作的紧急程度可确定为中等，且当需要测试(例如手指点刺血糖测试，或温度或心跳速率)以确认生理状况或校准传感器(例如葡萄糖传感器校准)时，动作的紧急程度可以是低的。高动作紧急程度可经过考虑在近期递送指导，而低紧急程度可经过考虑等待直到将来可用时段为止，例如，以避免指导疲劳或用户过多打扰。
还可接收有效动作时段的时段长度作为输入。在一实例中，可确定在短时段(例如，5分钟时段或10分钟时段)内需要摄入碳水化合物。在另一实例中，可确定在中等时段(例如，20分钟时段)内需要注射胰岛素。在一些实例中，时段可以是模糊输入，例如，时段的确切长度可能不准确。在一些实例中，动作窗口的一般大小可理解为用于治疗或传感器输入动作的动作窗口的差异的反映。
还可接收关注水平作为输入。患者或护理人员的关注水平在患者/看护者当中可改变且可根据特定情形而不同。可例如使用患者供应的信息来确定，或从数据得知，或从模型(例如，行为模型)接收到关注水平。特定用户的高关注水平或关于特定情形(例如生理状态的组合)的高关注水平可经过考虑更近期确定和递送指导，而低关注水平可经过考虑推迟确定和递送指导。还可接收参与作为输入。如上文所描述，可从用户对警报或指导的响应中确定参与水平，包含例如检查传感器数据(例如，血糖水平)的频率或一致性，或参与方式(例如仅查看通知与全部数据查看，或手表与智能手机与计算机)。在一些实例中，特定用户的高参与水平(表明关注、可用性或专注)可经过考虑更近期确定和递送指导，而低参与水平可经过考虑推迟确定和递送指导。换句话说，在某一程度上，可从参与中推断可用性或关注的水平。举例来说，低参与水平可得到较低频率的指导，例如，以便避免使用户不堪重负。在其它实例中，特定用户的低关注水平或关于特定情形的低关注水平可经过考虑更近期确定和递送指导，例如因为可确定用户由于缺乏参与而可能不了解潜在问题，而高关注水平可经过考虑推迟确定和递送指导，例如因为用户可能已了解潜在问题且高度参与监测或解决问题。
输入中的两个或更多个可一起使用来确定确定指导的时间、递送指导的时间、指导的形式或其组合。确定指导的时间和递送指导的时间可相关，例如，可在递送指导的时间之前的短时间确定指导以确保所确定指导反映最新实时数据。在一实例中，当有效动作时段的长度或下一可用时段的时间相对长时，可例如推迟确定指导的时间，以允许收集额外数据以改善指导或从其中确定指导的状态准确度。在一些实例中，当相对短的可用窗口开放或接近时，即使将通常需要额外数据来得到生理状态的准确解释，但可提早确定指导，以使得能够在窗口关闭之前递送指导(和按指导行事的时间)。在另一实例中，在到下一可用窗口的时间段相对短的情况下可推迟指导。在一些实例中，确定模块将权重应用于因素以确定是否确定指导或何时确定指导。在一些实例中，确定模块确定所预计将来状态，或与其它模块或模型(例如，生理模型)交互以确定所预计将来状态且平衡各种输入与生理风险。在一些实例中，确定模块接收数个将来时间的输入，或确定所预计将来状态，且确定用以确定或递送指导的可接受或最佳的时间或时间范围。举例来说，模块可确定在现在时间(例如4PM)处指导是不必要的，但在将来时间(例如6到630PM)处应递送指导。在一些实例中，模块可在新信息变得可用时，例如在动作的紧急程度响应于逐渐发展的生理状态而移位时，或在参与水平改变时，或在可用时间表或模式改变时重新分析所述确定。
图5A
图5A是图示递送如生理葡萄糖浓度管理指导的指导的实例方法500的流程图。方法可提供指导以有助于递送疗法，如胰岛素递送、碳水化合物摄入或体力消耗，以管理糖尿病患者的葡萄糖水平。
在步骤502处，测量、确定或接收与患者相关联的实时数据。实时数据可例如是来自葡萄糖传感器的读数，例如从持续葡萄糖监测系统接收到的实时数据，所述持续葡萄糖监测系统间歇地测量葡萄糖水平且通过网络连接提供葡萄糖水平信息。在一实例中，例如通过用餐检测、用户输入或其它模式检测来确定用户恰好已食用特定餐食(例如60克碳水化合物)。在另一实例中，确定用户即将进行其每周跑步，如由日历项的模式识别所确定。在其它实例中，实时数据还可以是时间、来自预期行为模式的偏差、状态改变(例如使用模型确定的生理状态改变)、用餐时间迫近的指示、日时间、由加速计测量的特征或签名信号、由GPS电路确定的定位或通过用户界面接收的对决策支持的请求。在各种实例中，第一实时数据可由智能手机测量、接收或确定，由如手机的可穿戴式装置确定，或由与智能手机组合的可穿戴装置确定。在一些实例中，第一实时数据可由如计算机的外部装置测量、接收或确定。
在504处，确定患者处于的状态。可使用模型和实时数据，例如通过将实时数据应用于模型来确定状态。
模型可例如包含指示患者参与在干预中的便利性或可用性的状态。举例来说，来自与患者相关联或与护理人员相关联的日历的信息(例如可用性)可应用于模型。在一些实例中，传感器信息(例如指示活动水平的加速计信息)或模式信息(例如指示苏醒/睡眠周期或运动时段或交通时段，例如驾驶)可应用于模型。可通过将实时数据应用于模型来确定指示执行干预(如施用胰岛素或摄取碳水化合物或参与身体活动)的可用性或便利性的状态。在一些实例中，模型可包含患者生理模型，且确定患者处于的状态可至少基于将第一实时数据应用于患者生理模型。在一些实例中，状态是胰岛素敏感性。在一实例中，检测到运动，且基于用户对运动的葡萄糖响应的已知模式而确定胰岛素敏感性。
模型可另外或替代地包含行为模型。行为模型可例如基于患者的一个或多个机器学习特征。一个或多个机器学习特征可基于行为或情境模式。在一些实例中，行为模型可基于确定将可能由患者执行的一个或多个步骤的集合，或确定将可能由患者可达到的一个或多个目的，或两者。
在一些实例中，行为模型可包含模式。在实例配置中，患者生理模型基于生理模式，且行为模型基于行为模式。在一些实例中，第一实时数据可指示与预期行为模式的偏差。举例来说，第一实时数据可指示用餐时间的偏差，错过、提早或延迟的胰岛素剂量，身体活动变化(例如错过的锻炼或非典型锻炼)，或提早或延迟的唤醒。在一些实例中，行为模型可指示与用餐时间相关联的对用餐的过校正的倾向，第一实时数据指示用餐时间迫近，且指导消息可对应于对进餐时间的减轻过校正(例如较小胰岛素剂量或基础与推注剂量的不同组合)。
在一些实例中，行为模式可包含基于行为的长期模式的长期行为模式和与当前行为相关联的短期行为模式。行为模型可基于长期行为模式和短期行为模式两者。在一些实例中，短期行为模式可基于选自由以下组成的群组的一个或多个：移动装置参与、加速计数据、检查葡萄糖浓度的频率、日历数据和这些的组合。
在一些实例中，确定状态还可基于测量模型。举例来说，测量模型可基于与患者相关联的持续葡萄糖浓度监测系统。测量模型可例如包含准确度或其它与葡萄糖测量相关的状态。在一些实例中，方法500还可包含在呈现指导消息之后测量葡萄糖浓度数据以及使用所测量后续数据来改良模型中的一个或多个。举例来说，在呈现之后测量的葡萄糖浓度数据可反馈回到测量模型或行为模型或患者生理模型，或反馈回到其组合。
在506处，可至少部分地基于所确定状态而确定个性化指导消息。个性化指导可例如是疗法建议，如施用指定量(例如，一个单位)胰岛素的指令或进食含有指定量碳水化合物(例如五克碳水化合物)的食物的指令。在一些实例中，指导消息可至少部分地基于到如高葡萄糖水平或低葡萄糖水平的非所要生理状态的预计转变。确定指导消息可进一步基于确定指导消息的定时或与所确定状态相关联的时间。举例来说，个性化指导消息可基于从即将进行的事件的日历或模式或模型获得的定时信息。在步骤504处确定的指导消息可提供信息以使用户为即将进行的事件做准备或告知用户即将进行的事件，如葡萄糖给药信息或碳水化合物摄取信息，或“考虑在你即将进行的两个小时会议之前给药胰岛素”或“在你通勤回家之前摄取碳水化合物以避免在你通勤期间的潜在低葡萄糖水平”。在一些实例中，指导消息可至少部分地基于确定从现在状态到预计状态的预计转变是低概率转变。举例来说，状态转变概率可已知或从数据得知，且实时和其它数据可指示存在低概率转变的状况。这种确定可形成对患者的指导的基础，且例如在决策指导发动机可提供关于患者可不了解的风险的警报的情况中可特别有用。
在一些实例中，系统检测已错过运动时段的状态，或一系列所错过运动阶段，或朝向较短或较不剧烈运动阶段的趋势。患者进行的体力消耗往往会产生增大的代谢驱动，这可增大葡萄糖摄取。所错过或减少的运动阶段可引起较低代谢驱动和减小的卡路里需求，或增大的胰岛素需求以补偿较低代谢驱动。
决策指导发动机还可识别因素的汇合，例如高于正常的活动与低于正常的食物摄取组合，或其它模式，如应激诱发因素或缺乏应激、旅行(travel)、睡眠扰乱、疾病/健康或非典型用餐时间，且确定低概率(给定正常条件)状态转变(例如从正常到高或低血糖水平)可发生。此类确定可使得确定指导，如“你今晚可能会经历非典型低血糖水平”或“你今天早晨可能会经历非典型高血糖水平”或“今天你的胰岛素需求可能会高于正常水平”。指导可提供关于指导的推理的细节(例如“…因为你错过了一些锻炼”)或可仅仅通知用户关于生理结果。
在508处，指导消息可通过用户界面提供到用户，如患者或护理人员，所述用户界面如移动装置的屏幕或扬声器、车辆上的扬声器或显示器。在一些实例中，递送指导消息的方式或时间可部分地通过时间(例如时钟时间或日时间)确定，例如以顾及患者的工作、睡眠、进餐或通勤时间表。在一实例中，提供指导消息可包含在经过计算以对用户有用的时间处显示疗法建议。在一实例中，可在调度事件(如会议)之前提供指导消息。举例来说，当已知用户加入三小时会议时，可在会议之前给出疗法建议，而不是等待待开发或可待确定的更准确建议。在另一实例中，提供指导消息可包含在经过计算以对用户有用的时间处提供消息。举例来说，当用户即将进行其平常跑步时，可在跑步开始之前提供具有治疗或监测建议的指导消息，而不是当用户趋向低血糖水平时。
图5B
图5B是确定和在经过计算以对患者有用的时间处呈现所计算指导消息的实例方法501的流程图图解，所述所计算指导消息的个性化的且对患者在其糖尿病的治疗管理方面有用。参考图5A论述的实例还可应用于图5B的方法。
在501处，方法可包含测量、确定或接收与患者相关联的第一实时数据。第一实时数据可例如是葡萄糖浓度值、日时间、用餐信息、对通过用户界面(例如经由智能手机应用程序)接收的建议的请求、活动信息(例如来自健身追踪器或手表，或可经由用户界面接收或来自如笔或泵的智能装置的胰岛素递送信息。
在503处，方法可包含使用模型、确定患者处于的状态。举例来说，所述确定可基于患者生理模型、行为模型和测量模型。可通过将实时数据应用于患者生理模型和行为模型来确定状态。患者生理模型可例如是状态模型，所述状态模型包含葡萄糖浓度状态、机载胰岛素状态以及胰岛素敏感性状态、能量吸收状态或能量消耗状态中的一个或多个。可通过可用输入(例如日时间、葡萄糖水平、先前活动)的特性来确定特定状态。
在505处，方法可包含确定指导消息。指导消息可至少基于所确定状态而对患者个性化。
在507处，方法可包含经由用户界面提供所确定个性化指导消息，使得所述呈现在经过计算以对患者在其糖尿病的治疗管理方面有用的时间处发生。提供所确定个性化指导消息可包含在用户界面上呈现个性化指导消息。
方法还可包含从输入数据集中学习模型。输入数据集可包含时钟时间、日时间、葡萄糖浓度水平、机载胰岛素、患者活动、患者健康、星期几、月日、年日、定位、所摄取食物或所摄取饮品以及通过用户界面接收的信息。其它输入数据也是可能的，包含例如相对于图2B和图14到16描述的信息。
模型的学习可在接收实时数据之前或之后发生。举例来说，方法可进一步包含在递送个性化指导消息之后确定与预期状态的偏差，以及基于额外输入信息而调适模型。
图6
图6是图示确定和呈现所计算指导消息的实例方法600的流程图，所述所计算指导消息是个性化的且对患者在其糖尿病的治疗管理方面有用。在步骤602处，方法600可包含接收与患者相关的数据，数据包含实时葡萄糖浓度水平。可例如从如持续葡萄糖监测系统的葡萄糖传感器接收实时葡萄糖浓度水平。
在604处，可通过将数据应用于状态模型来确定患者状态。患者状态可例如是生理状态，如上文所描述的生理状态中的任一个。举例来说，状态可包含胰岛素状态，如机载胰岛素状态、胰岛素敏感性状态、胰岛素作用时间状态或其组合。状态模型还可包含行为或情境状态或测量状态。状态模型可例如是概率状态模型。状态模型可包含从回顾性数据得知的状态转变概率。在一些实例中，模型包含大量来源，且使用回顾性数据或实时捕获的数据来告知模型。模型还可包含概率，如状态转变概率，或状态转变的组合。在一些实例中，可基于CGM数据和其它确定患者状态的输入数据而确定状态或数个状态。换句话说，系统可通过模型反向操作以确定什么参数组合最可能提供当前CGM值X。这种参数组合(例如状态)可认为是“患者处于的状态”。
在606处，可提供基于所确定状态的疗法建议。疗法建议可包含例如关于胰岛素的递送、碳水化合物、蛋白质、脂肪或其它营养物或其它食物或饮料的摄取的指导。疗法建议可例如经由通过可视用户界面(例如屏幕)、扬声器或其它通信机构递送的电子通信来递送到患者或护理人员。方法可进一步包含使用在递送疗法建议之后接收的数据来改善状态模型。举例来说，生理数据或状态改变可输入到模型中，且模型可从实际数据中学习到且基于输入条件和实际输出而改善模型。系统还可鉴于先前指导的生理结果来改善特定状态的确定，或改善指导的确定。
图7
图7是确定和递送所计算指导消息的方法700的流程图图解，所述所计算指导消息可以是个性化的且对患者在其糖尿病的治疗管理方面有用。
方法可包含在702处学习患者的个性化行为模型。所述学习可例如基于先前存在的数据集、实时捕获的数据或其组合。学习所述模型可包含学习患者的生理和患者的行为两者，所述两者可表征为状态。学习患者的个性化行为模型可包含机器学习患者的一个或多个特征，如生理模式、情境模式或行为模式，或这些模式的组合。
方法还可包含在704处接收实时数据。实时数据可包含本文中描述的实例中的任一个，如CGM传感器数据、定位、网络连接或生理传感器数据。
方法还可包含在706处确定待呈现给患者的个性化指导消息。个性化指导消息的确定可至少部分地基于个性化指导消息的确定时间和患者的个性化行为模型。方法还可包含在708处使用所学习个性化行为模型来确定提供个性化指导消息的递送时间，其中递送时间经过计算以对患者在他/她的糖尿病的治疗管理方面有用。方法还可包含在递送时间处递送个性化指导消息。
图8
图8是提供用于用户的决策支持功能的实例方法800的流程图图解。方法可包含在802处将模型加载到计算环境的存储器中。方法还可包含在804处接收指示用户的葡萄糖浓度值的数据。方法还可包含在806处使得所计算洞察显示在计算环境的用户界面上。可例如至少使用模型和指示葡萄糖浓度值的数据来计算洞察。在一些实例中，用户请求可触发使得显示所计算洞察。用户请求可例如与所计划活动的数据项相关联。所计算洞察可指示由模型中的一个或多个计算的用户动作以得到与葡萄糖浓度值相关联的所要结果，如将葡萄糖浓度水平(或其变化率)维持在靶范围内，或高于或低于某一水平。所计划活动可例如是用餐，且所计算洞察可以是用餐对葡萄糖浓度值的所计算或预测影响，或管理用餐之后的葡萄糖浓度水平的策略(例如，胰岛素递送或活动或两者)。在一些实例中，所计算洞察可包含交互建议和在确定交互建议中使用的至少一个因素。
在一些实例中，使得显示洞察可由与预定条件匹配的事件的发生引发，所述事件如血糖水平或趋势，或达到由GPS系统确定的目的地，或从模式推断或使用日历信息确定的事件。
在一些实例中，使得显示指导可由与所计算条件匹配的事件的发生引发。可至少部分地基于模型或指示葡萄糖浓度值的数据或其组合而计算所计算条件。举例来说，当疗法调整使用户暴露于比在疗法调整之前呈现的更大的风险时，那么调整警报和/或告警，以在疗法调整之后的一段时间内具有额外敏感性。在另一实例中，在触发比在潜在治疗决策之前更频繁的CGM应用程序实例化的潜在治疗决策之后检测时间段何时存在可使得决策支持应用程序的消息传送频率增大。
图9
图9是递送生理葡萄糖浓度管理指导的方法900的流程图图解。在步骤902处，方法可包含接收指示葡萄糖浓度水平的数据。在步骤904处，方法可包含通过将数据应用于模型来确定状态。在步骤906处，方法可包含基于状态和时间模式而确定指导消息。时间模式可包含例如所学习时间模式或用户定义的时间表(例如患者或护理人员的日历)。模式可包含与时间或典型血糖浓度水平、范围关联的一个或多个状态的模式，或与时间或事件关联的模式。
图10
图10是递送生理葡萄糖浓度管理指导的方法1000的流程图图解。方法1000可包含在步骤1002处接收指示葡萄糖浓度的数据。在步骤1004处，方法可包含通过将数据应用于模型来确定患者状态。
在步骤1006处，方法可包含确定患者状态是否是非典型的。确定患者状态是否是非典型的可包含确定患者状态是否对给定条件集是非典型的，确定低可能性状态转变是否已发生，确定低可能性状态转变是否预计将发生。在一实例中，确定患者状态包含确定生理状态和行为状态，以及确定生理状态对所确定行为状态是否是非典型的。在其它实例中，确定患者状态是否是非典型的包含在当血糖浓度通常在受控范围内时的时间处或情况下识别从受控血糖浓度范围偏离的血糖浓度水平，在当血糖浓度通常在受控范围内时的时间处或情况下识别引起高或低血糖浓度状态的血糖浓度趋势，或包含在当血糖浓度通常受到良好控制时的时间处或情况下预料一到低血糖浓度状态的移位。
在步骤1008处，方法可包含基于患者状态的非典型性而确定指导消息；以及在步骤1010处，通过用户界面来递送指导消息。
图11
图11是递送生理葡萄糖浓度管理指导的方法1100的流程图图解。方法可包含接收指示葡萄糖浓度的数据，通过将数据应用于模型来确定患者状态，从模型确定低概率状态转变已发生或将可能发生，以及基于确定低概率状态转变已发生或将可能发生而通过用户界面来递送指导消息。举例来说，可识别一种模式，其中在一般状况下，转变到特定状态是低概率，但在如由实时数据或用户输入所指示的特定状况下，识别出转变实际上是可能的的模式。举例来说，方法可包含当葡萄糖水平在那时通常受控制时，向用户警报非典型状态是可能的。举例来说，可警报用户在运动之后的预料的低葡萄糖水平。运动可在运动完成之后的几个小时引起低葡萄糖水平(例如，由于增大的胰岛素敏感性或肝糖储备的恢复)。可警报用户此类“后期低”的可能性(possibility/likelihood)。如果低血糖经过计算在睡眠期间或在不方便时间处发生，那么可递送警报或使警报优先化。在一些实例中，可在经过计算以对用户有用的时间处，如在预期患者将睡觉之前的时间处递送警报，以避免唤醒患者或护理人员。
图12
图12是图示递送生理葡萄糖浓度管理指导的方法1200的流程图。方法可包含，在1202处，接收指示葡萄糖浓度的数据；在1204处，接收一个或多个行为、环境或情境输入；在1206处，通过将数据和一个或多个行为、环境或情境输入应用于模型来识别可能转变到非所要患者状态；在1208处，基于可能转变到非所要患者状态而确定指导消息；以及在1210处，递送指导消息，其中在使得患者可干预以避免转变到非所要患者状态的时间处确定和递送指导消息。
图13
图13是递送生理葡萄糖浓度管理的方法1300的流程图图解。方法可包含，在1302处，接收指示葡萄糖浓度的数据；在1304处，使用数据来确定生理状态；在1306处，确定行为状态；在1308处，基于生理状态和行为状态而确定指导消息；以及在1310处，使用用户界面来递送指导消息。
实例输入和输出-图14到16
图14的流程图650指示量化非清晰输入的方式。确切地说，在接收非清晰输入(步骤219)后，执行一种量化所述非清晰输入的方式，即对输入进行自然语言处理(步骤221)以确定“清晰”等效物的步骤。举例来说，如果用户定性地指示其摄取了一杯橙汁，那么自然语言处理可确定一杯橙汁中包括多少碳水化合物，由此将输入从非清晰转译为清晰。在这方面也可采用历史模式数据。类似此类自然语言处理可用于确定如“我在麦当劳吃了一个足三两汉堡(quarter pounder)”的输入的清晰营养含量。社交网络和社交媒体还可用于(步骤223)为非清晰输入提供情境或以其它方式收紧关于非清晰输入的值。大数据还可用于(步骤225)为非清晰输入提供情境和清晰值。举例来说，群体数据可用于通过特定短语或参数指示，例如，通过分析同期组群数据来确定特定用户意指什么，所述群体数据可连同其它技术中的任一种一起用于呈现输入的清晰版本，这将得到(步骤227)可用于影响决策支持的可量化标准。
特定和其它方面的输入在下文描述于输入部分中。
然而，在输入的一般论述之前，且参考图15，示出特定类型的关系，且特定关系由食物敏感性233d与用餐推注235a之间的关系231示出。还可根据本原理使用系统和方法来确定输入233a到233e(仅示出此类输入的采样)与各种结果或特别是输出235a到235e(同样，仅示出此类输出的采样)之间的其它关系。指示处理步骤237示出如何在处理步骤237内将关联参数(例如，食物敏感性233d)连同实时输入(图中未示)一起使用来得到用餐推注235a的疗法建议。这些输入和输出的特定实例在下文描述于实例部分中。
关联参数和生活方式/情境参数的识别以及后续处理步骤可以数种方式执行。举例来说，步骤可包含来自各种定位的因素，包含社交网络、用户输入数据、传感器数据、来自用户装置的数据、群体或大数据等等。处理和识别可包含贝叶斯(Bayesian)分析或类似物，例如，以识别强连接符(connector)，所述强连接符是承受彼此的强关系的参数或变量。其中采用多个参数，所述参数可包含与相同事件相关的多个参数，例如，运动的强度和持续时间两者。处理和识别可包含多个步骤，例如，处理患者的“内部数据”的第一步骤，以及利用“大”数据(例如，使用预封包的子例程和基于情况的推理)在云端执行一些处理的后续步骤。举例来说，基于情况的推理可用于确定在其它相似情形中用户发生了什么，或在其它相似情形中其它相似用户发生了什么。随着智能装置变得甚至更具有计算能力，很多机器学习可发生于此类装置上。然而，很多当前处理可发生在云端，且此类处理可引起大量机器学习。换句话说，系统学习一个元素或“影响因素(affector)”X如何影响患者，例如，合成代谢运动可如何影响胰岛素敏感性。在这个实例中，如果泵动作由推注引发但并不考虑运动影响，且随后用户去跑步，那么根据本原理的系统和方法可检测这一事件顺序且通知用户“预期下降”或可提供如“现在你应进食一些东西”的建议。
如上所述，这种方法中的最后一个步骤正基于所识别关联参数或状态以及基于实时输入而修改输入或输出界面。实时输入可包含生活方式或行为或情境参数，例如，日时间、如由时钟或日历应用程序或用户输入确定的即将进行的事件、葡萄糖值等等。换句话说，机器/人机界面基于以上步骤的结果而由决策支持应用程序/功能修改，所述决策支持应用程序/功能例如在智能装置、智能手机、智能手表上和/或作为这些装置中的任一个的输入用户界面或输出用户界面的部分。举例来说，输出用户界面(即，输出的类型、格式和内容)可随后取决于生活方式/情境以及取决于参数化模型和/或用户定义的功能。应注意，特定的用户定义功能(例如，生活方式目标)无需用于每个实施方案，但此类特定的用户定义功能可有利地用于指导某些疗法建议。
在修改机器人机界面时，正如输入可进行分类或“模糊化”，也可在类别或“模糊化”中提供输出，且如果输出仅仅呈现在显示器的用户界面上，那么尤其如此。举例来说，如果疗法建议是建议用户喝一大杯橙汁，或进食一个中等的苹果，那么用户可发现此类建议比进食一定量的碳水化合物的建议更有用。当然，如果输出包含到泵或笔的输出，那么此类“模糊化”没有必要且通常期望尽可能高的准确度。
图15-输出
示范性输出如图15中所图示，例如，用餐推注235a的类型、量和定时的建议，校正推注235b的类型、量和定时的建议，用餐235c的类型、量和定时的建议，用户界面改变235d，例如，在确定对用户有效的时间处提供警报或告警，或事件或情形前决策235e，例如，在睡眠、用餐、运动、驾驶、活动或类似物之前作出的决策。其它示范性输出包含基础率设置的永久或临时改变、对救急碳水化合物的建议或类似物。特定输出和特定输出可根据决策支持应用程序/功能而改变的方式在下文论述于输出部分中。
尽管上文已相对于以支持用户定义功能的方式提供决策支持应用程序/功能来描述了各种核心方法，但应理解，核心方法不必相互排斥。举例来说，核心方法的各种组合可用于给定实施方案。另外，多种方法可并行执行以确定最佳治疗决策，且随后选择最安全选项。也就是说，各种算法可如上文所描述的用于使用所定义状态、传感器数据、用户输入和其它可用信息来计算最佳糖尿病治疗决策。多种方法可并行执行以计算最佳治疗决策，且随后最保守或最安全的解决方案可提供到用户。举例来说，在传感器噪音时，过滤的值或原始传感器值可用于计算当前葡萄糖估计且随后计算建议的胰岛素推注。可基于两个传感器值来并行计算剂量且随后可建议更保守的剂量。另一实例是使用基于在CGM算法中计算的趋势的葡萄糖变化率估计或将葡萄糖变化率估计用作最近一对葡萄糖值的两点差异，且将使用提供更保守剂量的变化率。
在表中给出数个示范性输入和关于此类输入的符号。应理解，还可采用其它输入，且关于输入给出的符号未必是限制性的。举例来说，输入可标记为具有某一情境，但在一些情况下，情境可视为与某些类别重叠。作为变化的另一实例，某些输入可识别为用户输入，但在一些情况下，所述输入可由传感器或类似物确定。举例来说，用餐数据可由用户输入确定，但也由GPS确定，来自模式数据或来自应用程序，如相机。如所提及，决策支持应用程序/功能併入机器学习以增大疗法提示随时间推移的准确度和适当性。可通过系统来“学习”由用户输入的用餐数据，例如，“小的餐食”、“中等餐食”等等，使得决策支持应用程序/功能可随时间推移更好地理解用户认为什么是“小的餐食”等等。时间模式可由系统和方法进行分析以确定例如用餐和运动的方面；但用户还可识别且量化其想要追踪的事件，包含对应于用餐和运动的那些事件。
在一个替代实施方案中，算法可具有仅一个所定义“平均”餐食但允许一定程度的自动调整以限定什么对用户是大或小的。在这个实施方案中，可定义群体或个体用户的“平均”餐食。这个实施方案可更方便实施为需要定义的仅一个餐食大小，且所述实施方案并不需要针对每一餐而改变。实际上，乘数可由患者、由HCP或自动地应用以分析用餐是否是“平均”、“轻”或“重/大”的。算法可随后根据分析来自动地增大或减小所建议胰岛素量。举例来说，示范性“乘数”可以是大的餐食是“平均”餐食的1.5×影响，或小的餐食是“平均”餐食的0.5倍影响。此类实施方案可尤其便于用户实施，特别是在用户不习惯碳水化合物计数的情况下。将理解此类想法扩展到运动和其它应用。
在多种类型的数据用作给定算法中的输入的情况下，多种类型可以是相关的，例如，可以是例如疾病、运动、用餐、睡眠等等的变量的类型、定时和强度，例如，运动的持续时间和强度。
在表中，输入划分成两个类别：实时数据和非实时数据。还参看图17，这些类别的输入246随后划分成如下子类别：来自传感器的数据(248和252)、可以是用户输入数据或来自其它应用程序(例如，来自合适API)的数据的用户数据254、导出的数据以及其它数据。一些子类别出现在实时数据和非实时数据两者中。在任何情况下，输入246随后馈送到可以是专用接收器或智能手机的用户装置256中，且更确切地说馈送到其中安置的决策支持应用程序260中。导出的数据262可存储于用户装置256中，且显示器258可具有用户界面以向用户显示提示以及用于接收用户输入数据。导出的数据262可由用户装置256内的处理器导出，且数据的推导可发生在决策支持应用程序/功能内或可发生于决策支持应用程序/功能的外部。
图16-输入
返回参看图16中所图示的数据类型，子子类别(sub subcategory)随后描述特定类型的数据或自身是类别。举例来说，子子类别实时数据是“生理传感器”且这些可进一步分解为不同类型，例如，CGM、SMBG传感器、体温传感器、皮肤电导率传感器、激素传感器、心跳速率传感器以及类似物。除生理传感器以外，其它传感器数据包含非生理传感器，如处理大气压的传感器、加速计、GPS、测量CGM系统自身的方面的传感器、温度传感器以及类似物。此类输入可从可穿戴装置/传感器提供，例如，可从Apple
Figure BDA0002581686240000731
或其它可穿戴装置获得的那些。提供输入的其它装置可包含其它移动装置，包含智能手机。
如加速计和GPS的传感器可方便地用于提供关于由用户执行的运动或活动的数据。在一些情况下，GPS或其它传感器可用于确定其它类型的活动数据，例如，如果用户正在驾驶，那么这继而可告知到用户的输出可如何显示例如在智能手表上与在智能手机上。
在加速计的特定情况中，加速计可有利地用于检测如与葡萄糖控制相关的睡眠模式或睡眠质量。如此可大体上提供与位置相关且还对活动检测以及持续时间和强度重要的数据。可有利地采用的一个潜在类型的加速计是三轴加速计。
在一些情况下，决策支持应用程序/功能可允许输入关于月经周期开始(或其它标记)的数据。以这种方式，用户可能够在几个月内追踪在一个月相对于周期的不同时间处的血糖行为。当然，此类算法和数据自身还可用于辅助妊娠工作或如果使用节律方法进行节育。
激素传感器可提供另一输入数据源，且在一个实例中，还可以是与月经周期相关的数据源。其它激素传感器可包含感测可的松(cortisone)和/或肾上腺素的传感器。激素传感器或类似物还可用于提供尤其关于患者的参数化系统模型的“能量输入”与“能量输出”的测量。
实时数据中的输入的另一子类别包含用户输入数据，包含目标、待解决的问题、治疗的需要、关于应激、情感或感觉的输入数据、疼痛水平数据、睡眠水平数据、来自跟随器装置的数据、泵数据、用餐数据、运动数据、来自外部血糖仪的血糖数据等等。用户输入数据可包含葡萄糖值的用户估计，使得决策支持可以帮助用户更好地使所感知葡萄糖值与实际葡萄糖值关联的方式呈现。举例来说，可使决策支持应用程序/功能能够更好地辅助用户来确定和辨别不同水平的高血糖症是何感觉。用户输入数据还可包含用户人口统计数据，如年龄、性别等等。此类数据可通过例如刷用户的驾照方便地获得。
在用户输入数据包含运动的情况下，根据本原理的系统和方法可允许用户保存特定锻炼或事件以允许分析和潜在地发现锻炼后葡萄糖波动的模式，从而使得决策支持应用程序/功能进行适当的自动或手动疗法修改。举例来说，用户可保存锻炼，如“有氧运动(Cardio)1”、“有氧运动2”、“增肌(Get Swoll)1”、“增肌2”等等。其它运动等级可包含关于强度(例如，轻、中等、硬)、持续时间(例如，5分钟、10分钟、15分钟、20分钟、25分钟、30分钟、一小时等等)的等级。
目标数据可包含在葡萄糖控制方面的优先级的指示，例如，低血糖与高血糖避免。不同控制类型可提供作为用户在选择目标时可选择的预编程档案。举例来说，用户可选择低血糖最小化控制、高血糖最小化控制、频繁与不频繁校正推注等等的目标，以便适应不同治疗风格和目标。
以相同方式，用户反馈还可构成对决策支持的重要输入。也就是说，决策支持应用程序/功能可基于用户反馈而修改，例如，周期性地查询用户其将希望其最新葡萄糖控制有什么不同且提供选项，如“我将希望减少我夜间低血糖的次数”或“我宁愿不必经常进行校正推注”。反馈可以方便的方式来提示以使用户的烦恼最小化。举例来说，反馈可由滑动条或其它便于用户选择的用户界面元件提供。还可提供滑动条以用于其它用户输入，例如，以指示期望多少交互。
如上所述，决策支持应用程序/功能可有利地用作推注计算器的部分。因此，用户输入还可包含对此类推注计算器的用户输入。举例来说，决策支持应用程序/功能可利用用户界面来呈现，所述用户界面提供用户预定的剂量调整，例如，+/-0％、+/-10％、+/-20％等等。呈现的剂量调整自身可取决于CGM趋势，例如，在负或下降葡萄糖趋势的情况下可提供负剂量调整。所选调整将应用于经过计算具有或不具有任何其它趋势调整的推注剂量。替代地，调整可以是模糊的。在又另一实施方案中，用户可选择在界限内自定义调整。随时间推移，利用数据，决策支持应用程序/功能可基于这一用户输入数据(和其它输入)而确定最佳调整，且利用供应商授权(或替代地不具有供应商授权/确认)，调整选项可呈现给用户且进行再确定。
在相关实施方案中，变化率数据而非百分率可用于将所计算推注值增大/减小固定量。以这种方式，患者使用其自身胰岛素敏感性/校正因素来从其用餐推注添加或减去足够胰岛素以覆盖葡萄糖改变量。在这个实施方案中，最初，推注计算可保持未修改，且作为基于情况的学习过程的部分，决策支持应用程序/功能可基于变化率而学习需要添加或减去多少胰岛素。举例来说，在葡萄糖上升或下降的情况下，系统可学习葡萄糖与靶有多少距离且将所述靶看作是应考虑的葡萄糖量，而非更新胰岛素敏感性。在这种情况下，并未学习新胰岛素敏感性，但实际上基于情况的其它描述词(例如，生活方式因素)而使用最佳胰岛素敏感性估计，例如，特定针对用于早餐而不运动的胰岛素敏感性。由于可能需要学习基于变化率而对胰岛素推注进行多少调整以及胰岛素敏感性针对日时间、运动等而如何改变，当变化率相对稳定时，根据本原理的系统和方法可有利地分离两个问题且仅更新胰岛素敏感性。在学习用户应基于变化率而将其胰岛素调整多少后，随后此类数据可推送到HCP，例如，示出例如当用户采用用餐推注且趋势箭头是向上90度时用户用餐后葡萄糖如何始终是约30mg/dL过高的模式，且可请求HCP批准添加或减去一定量胰岛素。机器学习还可用于确定基于变化率使用百分比或固定量来修改胰岛素推注是否更好，以防情况可因患者与患者而不同。下文在一实例中提供变化率数据的使用的额外细节。
返回到各种输入的论述，输入可包含关于用户的跟随器的数据，或关于其它相关用户的数据。这一输入数据可包含关于社会团体的数据，例如，以达成个体或群组目标，且可进一步采用自然语言处理以推导群组或其成员的目的性和可量化的需要和目标。输入可进一步包含来自跟随器的输入，例如，响应于如“你认为你的女儿正在做什么？”的查询。
用户输入的实时数据的另一来源包含用餐数据。用户可以模糊或分类方式或还作为清晰输入来输入用餐数据。机器学习可用于在客观意义上学习用户如何分类用餐。举例来说，如果用户把餐食称为“小”，那么在输入到决策支持应用程序/功能中的内容方面，系统可以更定量或客观方式来学习用户认为什么是“小”餐食。这种情况同样适用于输入并称为其它大小的餐食。这还适用于关于餐食组成物的用户输入数据。换句话说，系统可学习当用户将餐食组成物的陈述输入到决策支持应用程序/功能中时用户意指什么。举例来说，如果用户把餐食称为“高碳水化合物”，那么系统可从葡萄糖响应和关于所递送胰岛素的数据(如果可用)与用餐数据组合来学习用户认为什么是“高碳水化合物”。
实时数据中的输入的另一子类别包含来自其它应用或“应用程序”(例如，通常来自合适API)的数据。此类应用程序可驻存在提供决策支持应用程序/功能的计算环境上或可与其进行有线或无线通信。此类应用程序包含：日历应用程序、GPS应用程序、CGM应用程序、保持历史数据或其它信息的应用程序、SMBG应用程序、温度监测器应用程序、
Figure BDA0002581686240000751
来自跟随器(例如，来自文本消息传送应用程序)的数据、推注计算器应用程序、提供日时间的时钟应用程序、指示经过时间以便允许在最优时间处提供用户提示的应用程序、提供对云数据或“大”数据的访问的应用程序、相机应用程序、泵应用、笔应用、推注计算器应用以及类似物。作为特定实例，文本发送或电子邮件应用程序可涉及事件，例如，晚宴。通过适当API，文本发送或电子邮件应用程序可随后充当输入日历数据的源。在具体实例中，可存在“将事件添加到CGM”的选项，或每当添加日历事件时，CGM(或等效决策支持应用程序/功能)可自动地获取事件数据。此类功能将允许用户同时产生日历事件和CGM事件，从而提供更容易的收集事件数据和查看事件如何影响葡萄糖趋势的方式。
举例来说，推注计算器决策支持通常需要用餐数据的输入。在一个实施方案中，相机应用程序可提示用户给盘上的餐食拍照(见图18A)。用户可使用手机摄像头来拍摄图片，且在屏幕上可提供括号作为用户界面的部分以指导用户如何拍摄图片。应用程序可随后测量与盘大小有关的餐食大小且将餐食表示为例如小、中等或大。应用程序可随后基于餐食大小而提供剂量建议。在更增强的实施方案中，应用程序可使用照片识别技术来确定、估计或猜测盘上是什么，且提供关于后续餐食组成物的估计。将理解变化。举例来说，在替代实施方案中，用户提示可指示用户在盘上的餐食的图片上方通过不同圆形(或其它形状)大小进行拨动(见图18B)。其应用程序可随后要求用户找到与盘上的餐食大小最匹配的圆形大小。
可从应用程序提供的其它实时数据包含泵或相关数据，包含最新推注、基础率以及类似物。作为另一实例，可基于估计的机载胰岛素与CGM输入和其它情境信息结合而提供提示。机载胰岛素是一种术语，其用于描述已给予患者但尚未由身体使用来将葡萄糖运送到组织中的胰岛素的量。如果在采用用餐推注之后，估计的机载胰岛素仍是原始剂量的一半，但测量的葡萄糖已下降到80，那么可能提供警报，因为预期有持续胰岛素活动，从而进一步将葡萄糖降低到低血糖水平。
更详细地说，施用过多胰岛素的患者有低血糖症的风险且可能死亡。目前不存在测量患者体内有多少胰岛素的实时测量方法。当使用胰岛素的患者在短时间范围内施用多次推注的胰岛素时，胰岛素堆积发生。来自先前剂量的胰岛素可能尚未发挥其全部影响且因此患者自身在后续剂量上可能提供过多胰岛素，从而对患者造成较大的低血糖症危险。连续直接胰岛素传感器可用于测量患者体内的胰岛素的量。这种检测器可用作警报或故障保护以关闭泵或人造胰腺。由于每一患者通常具有不同胰岛素敏感性(但可使用此处描述的决策支持应用程序/功能来学习这种敏感性)，警报设置通常需要多个阈值。
这一实施方案的第二方面包含使用直接胰岛素传感器来监测患者体内有多少胰岛素。胰岛素的量可用于提供患者反馈以建议安全剂量的胰岛素。胰岛素信息还可直接传输到计算器或泵且在胰岛素给药计算中使用以更好地估计待给药的恰当量的胰岛素。这可用于代替在推注计算器中使用的当前机载胰岛素估计。
这一实施方案的第三方面描述使用直接胰岛素传感器来测量患者的胰岛素敏感性。胰岛素敏感性可在患者之间改变且甚至在同一患者中随时间推移而改变。因此，根据本原理的系统和方法可使用直接胰岛素检测器来测量患者身体内的胰岛素量。通过将患者体内的葡萄糖和胰岛素浓度的信息组合到算法中，可计算胰岛素敏感性。胰岛素敏感性中含有的信息可随后用于确定胰岛素敏化剂、胰岛素促泌素或胰岛素是否应用于管理糖尿病，例如，以增大或减小给予患者的胰岛素量从而最好地控制其葡萄糖水平。
返回到图16的输入图表，且作为还可非实时地使用的实时数据的另一实例，来自应用程序或其它这类传感器的GPS数据可用于离家的用户，例如，用于大学用户，以确定潜在跟随器或朋友。
日历应用程序可用于提供关于用户的数据。作为从多个不同源来确定数据的实例，可从日历数据来确定运动数据，如果运动定位于约定符号内或如果运动模式暗示用户每天或每周在同一时间运动。
作为输入的另一实例，安全规则可用于提供对各种水平的激进性的决策支持。举例来说，如果用户并不提供详细用餐信息，那么提供用户提示以将用户的葡萄糖水平驱动到靶范围的决策支持应用程序/功能可瞄准靶范围的高端而非靶范围的中间。以相同方式，如果用户提供指示极大量碳水化合物的用餐数据，那么在决策支持应用程序/功能中可同样瞄准靶范围的高端，这是由于碳水化合物计数中的误差已知随着总体碳水化合物量增大而具有更差影响。
作为输入的另一实例，装置诊断可充当输入，包含装置信号质量和置信度，以及以基于所述输入而确定风险分级。举例来说，用餐或校正推注或其它决策支持提示可至少部分地由置信区间告知，且置信区间可至少部分地由装置信号质量和/或检测到的故障告知。
还可使用云数据或大数据。作为使用云数据或大数据的实例，HCP可能需要确定胰岛素抵抗或胰岛素敏感性的初始值。HCP可输入人口统计数据，如体重、年龄和性别。应用程序可随后在数据库中搜索且找到最类似于主题用户的用户，且可采用其设置的平均值以用于初始建议。同样基于总数，云数据或大数据可进一步用于初始风险分级。
如上所述，CGM应用程序可将输入提供到决策支持应用程序/功能。举例来说，在一些实施方案中，可优选的是使用模糊逻辑来处置例如40到400的范围外的葡萄糖水平。可充当输入且可从CGM应用程序获得的又其它数据可包含靶葡萄糖水平或范围。
又另一类型的输入涉及导出的数据。还可在一些情况下构成实时数据的导出数据包含分析物变化率或加速度、各种类型的灵敏度(包含对胰岛素、睡眠、用餐和/或运动的灵敏度)、风险分级内的层次(下文更详细地描述)、葡萄糖变化率、用户应激/感情/感觉数据、与装置交互的用户需要、传感器准确度/置信度/信号质量、模式数据以及类似物。此类灵敏度通常构成如上文所定义的生活方式因素。激素水平的以上标记的检测可进一步辅助胰岛素敏感性的检测和定量，由于激素水平已知是相关联因素。
胰岛素敏感性可基于睡眠、能量摄入与能量输出、食物摄入以及类似物。胰岛素敏感性可快速并例如有昼夜节律地改变。胰岛素敏感性已知是事件驱动的、应激驱动的以及由如疾病、活动或类似物的因素驱动。如果用户采用CGM监测器，那么可检测到影响胰岛素敏感性的事件，且可甚至从碳水化合物的摄入值成葡萄糖的知识以及胰岛素的基础/推注量来确定胰岛素敏感性的测量值。还可确定胰岛素敏感性的典型和非典型范围。可通过例如每日同时测量基础率以及查看葡萄糖值如何相对于包含用餐、运动、应激或类似物的各种事件而改变，且进一步通过执行与基础率的各种改变相同的测试来测量胰岛素敏感性。胰岛素敏感性还可通过测试包含皮质醇和/或肾上腺素的各种激素的水平来检测到。
可通过确定例如糖敏感性、晚餐敏感性等等而使对应于用餐灵敏度的导出数据甚至更具粒度。还将理解其它此类扰动或交互灵敏度是可导出的。
“胰岛素与碳水化合物”比率还可构成导出数据，且所述比率通常使用回顾性分析来确定和优化。所述比率可用于通过以图形方式演示不同胰岛素与碳水化合物水平的影响来提供对用户的决策支持教育。确切地说，在了解胰岛素递送的情况下，决策支持应用程序/功能或相关或连接的模块可例如通过修改回顾性葡萄糖趋势线来向用户显示使用不同胰岛素与碳水化合物比率对其葡萄糖水平的影响。在决策支持应用程序/功能内，可自动地确定最佳胰岛素与碳水化合物比率设置，且可进一步确定胰岛素与碳水化合物设置如何随日时间、活动水平或类似物而改变。
在一些情况下，导出的数据需要借以进行分析的持续时间或进行确定的模式分析。举例来说，胰岛素敏感性或胰岛素抵抗的确定可需要分析在持续时间内获得的数据。在特定实施方案中，胰岛素抵抗可在女性糖尿病患者的整个月经周期中改变。决策支持应用程序/功能可使用所得胰岛素抵抗周期，例如，包含并入胰岛素消耗以及葡萄糖值，以确定待提供到用户的预测性胰岛素抵抗警报。举例来说，患者可在历史上在患者周期中患者血糖往往会变较高或较低的一天开始时接收提醒。所形成的此类提示帮助患者对其如何可预期其血糖行为更认真。
对于胰岛素敏感性的初始或种子值，可采用来自患者数据库的群体数据，特别是类似体重、年龄、性别、糖尿病时长等等的数据。此类数据可用于默认值且随后自动调整为随时间推移变得已知的关于用户的额外信息。
用餐数据还可以是导出的数据的形式，这是由于所述导出的数据可从食物模式、食物库等等导出。以另一导出用餐数据的方式，回顾性分析可用于使用其它数据来估计给定餐食的碳水化合物含量。此类其它数据可包含例如递送的胰岛素、葡萄糖水平、运动、健康、用餐时间以及类似物。通过收集此类数据，可使得决策支持应用程序/功能能够确定用户的典型用餐和对所述用餐的典型葡萄糖响应，同时减少其它因素对其葡萄糖的影响。此类功能具有若干益处，包含改良推注计算器的准确度、在系统通知非典型葡萄糖响应的情况下优化警报的能力、在理解用户进食模式的情况下对用户的辅助和不同餐食对其葡萄糖的影响，以及胰岛素与碳水化合物比率的更准确计算。
导出的数据可进一步包含用户估计数据，例如，用户是否容易在碳水化合物计数中产生误差和容易产生多少误差，例如，高估或低估。
导出的数据还可包含关于所识别模式来确定的数据，其中所述模式通过分析随时间推移的历史数据来识别。示范性所识别模式包含每夜低血糖症、餐后高血糖、运动后低血糖或类似物的模式。
一种确定此类模式或检测模式中没有的葡萄糖事件的发生的方式是通过“分仓(binning)”由特定特征定义的某些事件。也就是说，可检测到满足预定义标准的葡萄糖轨迹的部分，所述预定义标准指示某些糖尿病挑战，例如，反弹低血糖症，且随后模式因此可在已“分仓”的这些事件中被寻找。
图19以及以下
更详细地说，且参考图19的流程图，可基于一些预定义标准在个体患者内识别或区分葡萄糖传感器数据中的签名或指纹(步骤262)。此类标准可包含基于时间的标准和/或可包含在特定约束内的检测到的特定意外事件。在本系统中，根据本原理，仓(bin)可由不同标准区分。可采用允许针对个体特定模式来学习更多仓的监督学习算法。举例来说，仓可基于胰岛素数据、葡萄糖数据的变化率(或其加速度/减速度)、之前识别且用于表征数据的数据模式(例如，在小的餐食之前发生的事件)、个体对其葡萄糖信息的响应度等等。
下一步骤是可例如基于衰减曲线、波形签名或类似物而表征意外事件(步骤264)。示范性意外事件可包含例如基于胰岛素数据的用餐推注指示符，其可分类成小、中等和大的用餐仓。这可与胰岛素数据关联。还可表征不同用餐类型，其可随后细归为不同餐食组成物。这些可与变化率/加速度/减速度关联。意外事件还可基于其与用餐之前的事件的关联性而表征，且这对应于上文提到的数据模式。意外事件可进一步基于行为模式，例如，用户检查其葡萄糖数据或响应于告警的频率，且这可与上文提到的响应度数据关联。应理解，还可采用其它仓。
所表征意外事件可随后放置到仓中(步骤266)。随后通过意外事件同步，仓可针对特定患者生理进行调谐。可随后使仓标准化，即，可定义仓中的意外事件的正态分布(步骤268)。
可随后主动地使用标准化仓信息作为到决策支持应用程序/功能中的输入(步骤268)，例如，在确定或定义根据步骤A的状态时。作为一个实例，标准化仓信息可以是到推注计算器的输入。标准化仓信息还可用于对由用户主动地确定或请求的其它请求作出响应，例如，当用户要求在用餐之前的推注计算时，或当系统在用餐之前基于时间或其它因素而提示推注计算时。分仓技术可用于基于行为输入而确定何时将患者更多地调谐到其数据中，这可随后允许更具激进的建议，而不是当用户不专注于葡萄糖信息时的情况，例如，夜间，当推注建议通常更保守时。
返回到图16，在非实时数据中，输入可包含用户输入数据，如先前SMBG数据、用户对技术的理解、目标数据、待解决的问题、对疗法的特定需要、靶葡萄糖水平、如年龄和性别的人口统计数据、其心脏健康、胆固醇水平、(通常默认或由HCP输入的)待采用的一种类型的数学计算、关于疾病或妊娠或月经的数据、关于所服用药物的数据、吸烟历史以及类似物。非实时数据还可包含导出的数据，包含历史模式、胃排空、持续时间或类似物。其它非实时数据可包含关于跟随器的数据，例如，其通信频调、其语言等等。这些可用于修改输出以对用户更有效力。
相对于胃排空持续时间，应注意，25％的糖尿病群体(1型和2型)经历某一形式的胃排空延迟。7到12％的相同群组遭受较高胃排空延迟。胃排空延迟的群体在糖尿病群体内以极大比率增大，且目前在普通群体内变为医疗保健专业人员的关注。
当前推注向导并不考虑胃排空因素，由此某些风险存在。举例来说，如果不将胃排空因素纳入封闭回路胰腺系统，那么个体面临葡萄糖变化率风险，其中存在重复校正和胰岛素递送减少。这引起混乱胰岛素递送，其将类似随时间推移的连续近似波形。如果在推注计算器内胃排空因素不用于胰岛素泵，那么结果是人有可能经历低血糖事件的危险，这将大致与人已针对其给药的餐食的大小关联。人还可经历将同样与餐食大小大致关联的高血糖事件，这是由于当胰岛素的反应降低且在系统内衰退时，所述餐食大小的影响将生效。
随时间推移，此类变化可自身显现为进一步损害，其可随时间推移降低胃功能。此外，人面临增加周边神经病变的风险。
胃排空延迟推动将处理和准备的营养物和食物移动到营养物的实际吸收发生于其中的小肠中的过程，且可由以下因素触发：如迷走神经的神经病、胃内神经损害以及胃内肌肉损害。胃排空研究由GI医生用来量化所述延迟的范围，这可促使胃轻瘫的预后。
给予胰岛素依赖糖尿病患者的一般方向是在用餐之前0与30分钟之间给药(推注)。这一指令的合理性是对胰岛素的作用进行定时以对应于所摄取食物进入吸收阶段时的时间。在胃排空不是问题(75％的1型和2型群体)的情况下，这种定时是准确的。然而，在群体的平衡中，胰岛素的递送时间是不准确的。快速起效胰岛素在递送推注之后大致90到120分钟达到最大效力。这是来自推注递送、通过身体传播和粘附到细胞的表面上的A和B受体的延迟。那时，细胞能够处理糖。然而，对于具有胃排空延迟的个体，经过处理的食品到系统的递送仍尚未发生。对于这些个体，(如果其在用餐之前30分钟给出推注)在进食之后大致90到120分钟其将经历低血糖事件。这一事件通常用如橙汁的液体解决，橙汁比固体食物更快速地进入肠和系统。
在食物正经过处理且进入系统时，由于较高胃排空延迟情况，胰岛素反应在峰值结束时衰退。这引起需要递送校正推注的高血糖事件。因此，胃排空持续时间可用作输入以便提供在用餐之后用于递送推注的时间延迟。这一延迟可应用于推注计算器或应用于封闭回路人造胰腺系统。胃排空持续时间还可用作输入以便提供在用餐之后用于修改基础率的时间延迟。这一延迟可应用于胰岛素泵或应用于封闭回路人造胰腺系统。
一种确定人体内的胃排空延迟的方式如下。如果CGM用户输入推注和用餐，那么在CGM内分析之后4个小时的数据。如果存在遵循趋势的个体发生的可重复事件，那么可推断胃排空延迟。所推断延迟可随后如上文所描述应用于推注和/或修改的基础率。
参考图20中示出的实例，时间段(a)指示推注和食物项。其还彼此偏移。时间段(b)指示当食物处理应发生时的时段，然而，对于这种示范性患者，食物处理延迟。时间段(c)指示何时应处理食物，这通常由于其将与推注对准。时间段(d)指示在胃延迟情况下实际食物处理何时发生。BG衰退的斜率指示胃排空延迟的速率以及一般延迟。通过确定(c)与(d)的开始之间的增量以及其持续时间还在BG值信号内表示这种延迟。为了隔离血糖信号内的一般噪音内的这种信号，从个体的血糖数据计算出胰岛素敏感性。
再次参看回到图16，非实时数据可进一步包含如从存储器或其它存储装置存储和检索的的所存储数据。所存储数据可包含历史数据、用于确定模式或其它葡萄糖事件的所确定模式和数据两者。所存储数据可包含先前用户事件。举例来说，如果HCP先前已关于模式进行评论，如果模式重复，那么HCP评论可重新显示于用户界面上。
输入可以是“模糊”的，例如，可落到某些类别中，且类别自身用作输入，例如，小/中等/大的餐食，或“低于正常”/正常/“高于正常”，或替代地，输入可以是清晰的。因此，表中还示出的是示范性分类或模糊输入，以及示范性清晰输入。表还指示关于用于输入的情境类型的解释，例如，是否关注生活方式方面、情形方面、临床方面或装置方面。在一些情况下，输入可占据超过一个类别。
使用和汇总输入的方式可不同。在一个实施方案中，可确定功能，或可形成用户系统模型，且输入直接用在功能或模型上。在另一实例中，在层次式方法中，决策支持应用程序/功能可设计成使用从分层方法中的不同源获得的信息。裸骨系统将使用CGM数据，且在接收到额外数据时，其可用于决策支持。估计和决策中的置信度随后通常随着信息量增大而提高。以相同方式，用户或使用条件可分类于风险桶或风险层中。每次信息可用，系统可向上或向下移动层次以便确保安全性。
另外，从上文可理解，输入的组合自身可得到额外输入。举例来说，替代经验方法可以是基于历史水平或预测的成功而控制激进性。举例来说，当例如日时间、星期几、事件类型等等的情形历史上已引起可变或不充分预测的葡萄糖水平时，决策支持中的激进性可降低。举例来说，用户可在一周期间消耗极一致的午餐且在周末消耗不一致的午餐，其中一致性是指定时、餐食大小和用餐内容。不一致可得到在周末的午餐前推注的较不可预测结果。决策支持应用程序功能可随后检测到这种较差可预测性且因此调整激进性。
参考图21，CGM应用程序或决策支持应用程序/功能的操作模式可充当继而可以不同方式分类的输入。举例来说，操作模式可指校准模式，如装置自校准或工厂校准。操作模式还可参考传输模式(数据到显示装置的传输)，如调度传输或非调度传输。应注意，描述的所有这些模式是示范性的且其它操作模式也是可能的。操作模式还可参考决策支持模式，如治疗性、非治疗性、辅助性、非辅助性等等。如图中可见，即使其中可认为模式是操作性依序的，但决策支持应用程序/功能可从一个模式跳转到相邻模式或从一个模式跳转到不相邻模式。实例是调度传输的情况，其中在模式1中每30秒进行传输，在模式2中每分钟进行传输，在模式3中每5分钟进行传输，等等。在多数情况下，此类模式将不仅通过特征时间的改变来标记，但实际上通过功能的改变，例如，从周期性到非周期性。
信号可从智能手表(如苹果手表(Apple Watch)和微软手环(Microsoft Band))内的传感器收集到以扩增某些输入数据，例如，以用于低血糖症检测。信号可包含心跳速率、交感神经/副交感神经平衡(从心跳速率推断)、出汗、运动以及类似物。信号可用于添加到CGM信号。用于处理辅助信号的算法可使用CGM辅助训练来在患者的自身数据上进行训练。这些外部限制可离线或在云端进行优化。检测标准随后可发送到患者的智能手机和/或智能手表。举例来说，可存在以下例子，当CGM未能检测到低血糖症时，但当扩增有辅助信号指示可能低血糖症时，可向患者警报疑似低血糖症且由此使得患者能够避免结果。替代地，在已训练用于处理辅助信号的算法之后，智能手表信号可用于检测低血糖症而不使用CGM。在这种使用情况中，对算法的调整可用于优化敏感性/特异性。
检测到的认知能力还可充当输入。更详细地说，应注意，认知能力和运动功能可受许多不同输入和效果影响。举例来说，患有糖尿病的个体可依据低血糖症而遭受降低的认知和/或运动功能。当低血糖意外事件发生，且血糖水平下降时，个体遭受专注度和/或理解力下降。此外，由于身体对缺乏糖作出响应，肌肉可能会紧张且开始不规律地动作。
利用如智能手机或平板计算机的输入装置上的电容能力，用户可查看信息，做出决策，且按在屏幕指示符上以执行装置交互。当用户熟悉此类装置上的应用程序时，其做出决策的能力增强，而交互之间的延迟减少。用户额外开发一系列熟悉序列以便执行其已变得习惯的常见任务。
然而，当个体遭受药物相互作用、酒精或低血糖/高血糖时，这些熟悉任务变得不那么熟悉。这导致用户必须花费更多时间观察和理解通常是直观的且不需要关注度的用户界面的情形。与个体的历史标准相比较，花费在用户界面屏幕上的时间将延长。当用户的运动功能由于所提及影响中的任一个而降低时，按在如按钮、滑动器或屏幕上键盘的屏幕标识符上的能力变得较不均一，且可能偏离用于用户的正常度量。在此类情形下，与控制的中心点有关的初始按压定位可偏离用户的正常按压定位。此外，其中按压/抬起动作是与按钮的交互，在运动控制不足的情形中，按压可后接“拖动”运动，且交互的抬起定位可改变。通过累积在用户界面屏幕上的时间和用户交互的度量，例如，用于与其中心点有关的控制的按压XY定位、在抬起手指之前的XY距离行进、按压状态的持续时间以及类似物，可维持用户的交互的档案。这数据可随后与用户血糖读数关联以便确定一般群体行为，以及基于性别、年龄等等的子群体。相对于个体所属的群体，这信息可进一步用于确定个体的认知能力/运动功能能力在哪里。特定个体的损伤程度还可经过确定并用作输入。换句话说，决策支持应用程序/功能可基于这一信息而做出决策和/或动作，例如，通过使用根据步骤A的状态定义中的所述信息。可向另一个体警报此类决策和动作以便通知或请求辅助。在此类条件中，还可用以不允许机动车辆的操作或其它潜在不安全动作。
在相关实施方案中，如果认知能力退化，那么指导“向导”组件可实例化。在这种情况下，更多校验可发生，如“你即将改变你的设置，你确定想要这么做吗？”，如“你应等待直到你的血糖升高后再改变你的传感器”的安全指导可发生，等等。
在另一实施方案中，在检测到运动功能降低后，可放大按钮和用户界面组件，或可利用较大按压面积。还可将按钮上的“拖动”运动解释为“按压”动作，由此帮助所述个体。
以这种方式，可辅助受低血糖/高血糖影响的患者，且向其跟随器通知其病症。其可进一步防止受酒精损害的患者采取不安全或不合时宜的动作。其可进一步传闻地识别药物相互作用或药物反应是否正发生。其可进一步随时间推移追踪此类数据以便累积随时间推移对此类事件的反应。其可产生在确定个人相对于类似人群的状况方面有用的数据。
可用于提供决策支持的另一类型的数据是糖尿病亚型。确切地说，糖尿病目前分类为两个不同类别。I型糖尿病患者不能够产生胰岛素且由此依赖于胰岛素的外部来源。II型糖尿病患者具有非最佳胰岛素产生能力且通常依赖于注射的胰岛素以便弥补生理胰岛素产生异常。还可理解通常对应于遗传突变的各种亚型的糖尿病。遗传突变#1涉及个体遗传序列内的标记，其在主题的销售(sale)上引起表面替代畸变(surfaced apologyaberration)。这畸变造成胰岛素粘附到细胞表面上的A和B受体的能力降低。抑制作用或减小的粘附性造成胰岛素发挥其作用的困难。这造成胰岛素花费更长时间段粘附到细胞表面，由此减小已知胰岛素体积的作用。此外，需要更长时间段以便胰岛素粘附到足够细胞群以便对血糖水平产生可测量的作用。这称为胰岛素抵抗。遗传突变#2与遗传突变#1相反，且引起个体中的表面替代偏差(surfaced apology deviation)，这允许比胰岛素的正常粘附性更容易引起更快速细胞反应以及对胰岛素作出响应的更大细胞群。通过由糖尿病的亚型对患者进行划分，可提供疗法提示的额外个性化和调谐/定制。
在决策支持应用程序/功能中可采用的另一类型的用户输入的输入是关于警报阈值的用户输入以便减少警报蜡染(batik)。用户输入的阈值可减少用户设置警报所需的点击次数。在这个实施方案中，且参考图22A和22B，用户可在用户界面上触摸曲线图上的实际阈值线且将其拖动到其需要的警报阈值。弹出值告知用户阈值的当前准确值。当用户将手指从线上放开时，弹出将询问用户是否校正阈值。这功能抑制意外触摸和拖动。在一变化形式中，曲线图可以是一个允许用户遵循每日趋势且设定对应于其每日活动的警报的曲线图。
以上描述已包含各种类型的输入。下文相对于具体实例描述其它和更多实例的输入，以及输入在决策支持中的使用。还提供实例，其中变量绑定在一起以发现其它和额外数据，例如，如果GPS指示极快速移动，那么其可推断用户正驾驶且这种信息用于决策支持。另外，确定输入的其它实例以及更详细的发现生活方式信息的智能手机的使用公开于2013年3月13日申请的标题为《用于将智能手机特性用于持续葡萄糖监测中的系统和方法(Systems and Methods for Leveraging Smartphone Features in Continuous GlucoseMonitoring)》的同在申请中的美国专利申请案第13/801,445号中，所述申请案由本申请案的受让人拥有且以全文引用的方式并入本文中。
系统细节
图23进一步详细描绘根据一些实例实施方案的实例系统100的元件。系统100可包含连续分析物传感器系统8，其包含传感器电子器件12和连续分析物传感器10。系统100可包含其它装置和/或传感器，如药剂递送泵2和葡萄糖计4。连续分析物传感器10可以物理方式连接到传感器电子器件12且可与连续分析物传感器10集成在一起(例如以不可释放的方式附接到所述连续分析物传感器)或可以可释放方式附接到连续分析物传感器10。传感器电子器件12、药剂递送泵2和/或葡萄糖计4可与一个或多个装置(如显示装置14、16、18和/或20)耦合。
在一些实例实施方案中，系统100可包含基于云的分析物处理器490，其配置成分析经由网络406(例如，经由有线、无线或其组合)提供的来自传感器系统8和与宿主(也称为患者)相关联的其它装置(如显示装置14到20以及类似物)的分析物数据(和/或其它患者相关数据)，且产生在某一时间范围内提供与所测量的分析物有关的高级信息(如统计)的报告。使用基于云的分析物处理系统的全部论述可见于2013年3月7日申请的标题为《分析物数据的基于云的处理(Cloud-Based Processing of Analyte Data)》的美国专利公开案第US-2013-0325352-A1号中，所述公开案以全文引用的方式并入本文中。在一些实施方案中，可在云端执行工厂校准算法的一个或多个步骤。
在一些实例实施方案中，传感器电子器件12可包含与测量和处理由连续分析物传感器10产生的数据相关联的电子电路。这一所产生的连续分析物传感器数据还可包含算法，其可用于处理和校准连续分析物传感器数据，但这些算法也可由其它方式提供。传感器电子器件12可包含硬件、固件、软件或其组合，以经由连续分析物传感器(如持续葡萄糖传感器)提供分析物水平的测量值。下文关于图24进一步描述传感器电子器件12的实例实施方案。
在一个实施方案中，本文中所描述的工厂校准算法可由传感器电子器件执行。
如所提及，传感器电子器件12可与一个或多个装置(如显示装置14、16、18和/或20)耦合(例如以无线方式以及类似方式)。显示装置14、16、18和/或20可配置成用于呈现信息(和/或告警)，如由传感器电子器件12传输的用于显示装置14、16、18和/或20处的显示的传感器信息。
显示装置可包含相对小的密钥卡类显示装置14、相对大的手持式显示装置16、蜂窝电话18(例如，智能手机、平板计算机以及类似物)、计算机20和/或任何其它配置成至少呈现信息(例如，药剂递送信息、离散自动监测葡萄糖读数、心率监测仪、卡路里摄入监测器以及类似物)的用户设备。
在一个实施方案中，本文中所描述的工厂校准算法可至少部分地由显示装置执行。
在一些实例实施方案中，相对小的密钥卡类显示装置14可包括腕表、腰带、项链、坠饰(pendent)、一件珠宝、粘合贴片、传呼机、密钥卡、塑料卡(例如，信用卡)、识别(identification；ID)卡和/或类似物。这一小型显示装置14可包含相对小的显示器(例如，小于大型显示装置16)且可配置成显示某些类型的可显示传感器信息，如数值和箭头或颜色代码。
在一些实例实施方案中，相对大的手持式显示装置16可包括手持式接收器装置、掌上型计算机和/或类似物。这一大型显示装置可包含相对大的显示器(例如，大于小型显示装置14)且可配置成显示信息，如包含由传感器系统8输出的当前和历史传感器数据的连续传感器数据的图形表示。
在一些实例实施方案中，连续分析物传感器10包括用于检测和/或测量分析物的传感器，且连续分析物传感器10可配置成以非侵入性装置、皮下装置、透皮装置和/或血管内装置形式连续地检测和/或测量分析物。在一些实例实施方案中，连续分析物传感器10可分析多个间断血液样本，但也可使用其它分析物。
在一些实例实施方案中，连续分析物传感器10可包括葡萄糖传感器，其配置成使用一种或多种测量技术测量血液或间质液中的葡萄糖，所述测量技术如酶促、化学、物理、电化学、分光光度、偏振测定、量热、离子导入、辐射测量、免疫化学以及类似技术。在连续分析物传感器10包含葡萄糖传感器的实施方案中，葡萄糖传感器可包括任何能够测量葡萄糖浓度的装置且可使用多种技术来测量葡萄糖，包含侵入性、微创和非侵入性感测技术(例如，萤光监测)，以提供数据，如数据流、宿主中葡萄糖浓度的指示。数据流可以是传感器数据(原始和/或过滤的)，其可转换成用于向宿主提供葡萄糖值的校准数据流，所述宿主如用户、患者或看护人(例如，父母、亲戚、监护人、老师、医生、护士或任何其它对宿主的健康状况感兴趣的个体)。此外，连续分析物传感器10可以以下传感器类型中的至少一种的形式植入：可植入葡萄糖传感器、经皮葡萄糖传感器、植入宿主血管或体外、皮下传感器、可再填充型皮下传感器、血管内传感器。
虽然本文中的公开内容是指包含包括葡萄糖传感器的连续分析物传感器10的一些实施方案，但连续分析物传感器10也可包括其它类型的分析物传感器。此外，虽然一些实施方案涉及呈可植入葡萄糖传感器形式的葡萄糖传感器，但也可使用其它类型的能够检测葡萄糖浓度且提供表示葡萄糖浓度的输出信号的装置。此外，虽然本文中的描述涉及葡萄糖作为所测量、处理等的分析物，但也可使用其它分析物，包含例如酮体(例如，丙酮、乙酰乙酸和β羟基丁酸、乳酸盐等)、胰高血糖素、乙酰基-CoA、甘油三酯、脂肪酸、柠檬酸循环中的中间物、胆碱、胰岛素、皮质醇、睾酮以及类似物。
图24描绘根据一些实例实施方案的传感器电子器件12的实例。传感器电子器件12可包含配置成处理传感器信息(如传感器数据)且产生转换传感器数据和可显示传感器信息(例如，经由处理器模块)的传感器电子器件。举例来说，处理器模块可将传感器数据转换成以下中的一个或多个：过滤的传感器数据(例如，一个或多个过滤的分析物浓度值)、原始传感器数据、校准的传感器数据(例如，一个或多个校准的分析物浓度值)、变化率信息、趋势信息、加速度/减速度信息的比率、传感器诊断信息、定位信息、告警/警报信息、如可由校准算法确定的校准信息、传感器数据的平滑和/或过滤算法和/或类似物。
在一些实施例中，处理器模块214配置成实现数据处理的绝大部分(如果并非所有)，包含关于工厂校准的数据处理。处理器模块214可集成到传感器电子器件12和/或可位于远端，如位于装置14、16、18和/或20和/或云端490中的一个或多个中。在一些实施例中，处理器模块214可包括多个较小的子组件或子模块。举例来说，处理器模块214可包含警报模块(图中未示)或预测模块(图中未示)，或任何其它合适的可用于有效处理数据的模块。当处理器模块214由多个子模块构成时，子模块可位于处理器模块214内，包含位于传感器电子器件12或其它相关联装置(例如，14、16、18、20和/或490)内。举例来说，在一些实施例中，处理器模块214可至少部分位于基于云的分析物处理器490内或以其它方式位于网络406中。
在一些实例实施方案中，处理器模块214可配置成校准传感器数据，且数据存储存储器220可存储校准的传感器数据点作为转换的传感器数据。此外，在一些实例实施方案中，处理器模块214可配置成无线地接收来自显示装置(如装置14、16、18和/或20)的校准信息，以实现来自传感器12的传感器数据的校准。此外，处理器模块214可配置成对传感器数据(例如，校准和/或过滤的数据和/或其它传感器信息)执行额外算法处理，且数据存储存储器220可配置成存储转换的传感器数据和/或与算法相关联的传感器诊断信息。处理器模块214可进一步配置成存储和使用从校准确定的校准信息。
在一些实例实施方案中，传感器电子器件12可包括耦合到用户界面222的专用集成电路(application-specific integrated circuit；ASIC)205。ASIC 205可进一步包含恒电势器210、用于将来自传感器电子器件12的数据传输到一个或多个装置(如装置14、16、18和/或20)的遥测模块232和/或其它用于信号处理和数据存储的组件(例如，处理器模块214和数据存储存储器220)。虽然图24描绘ASIC 205，但还可使用其它类型的电路，包含现场可编程门阵列(field programmable gate array；FPGA)、配置成提供由传感器电子器件12执行的处理中的一些(如果并非所有)的一个或多个微处理器、模拟电路、数字电路或其组合。
在图24中所描绘的实例中，通过传感器数据的第一输入端口211，恒电势器210耦合到连续分析物传感器10，如从分析物产生传感器数据的葡萄糖传感器。恒电势器210还可经由数据线212向连续分析物传感器10提供电压，以使传感器偏压，从而测量指示宿主中分析物浓度(也称为传感器的模拟部分)的值(例如，电流以及类似物)。取决于连续分析物传感器10处的工作电极的数目，恒电势器210可具有一个或多个通道。
在一些实例实施方案中，恒电势器210可包含将来自传感器10的电流值转换成电压值的电阻器，而在一些实例实施方案中，电流到频率转换器(图中未示)还可配置成使用例如电荷计数装置来连续地集成来自传感器10的的所测量电流值。在一些实例实施方案中，模数转换器(图中未示)可将来自传感器10的模拟信号数字化成所谓的“计数”，以实现通过处理器模块214处理。所得计数可与通过恒电势器210测量的电流直接相关，所述电流可与宿主中的分析物水平(如葡萄糖水平)直接相关。
遥测模块232可以可操作地连接到处理器模块214且可提供能够实现传感器电子器件12与一个或多个其它装置(如显示装置、处理器、网络访问装置以及类似物)之间的无线通信的硬件、固件和/或软件。可在遥测模块232中实施的多种无线电技术包含蓝牙、低能量蓝牙、ANT、ANT+、ZigBee、IEEE 802.11、IEEE 802.16、蜂窝式无线电访问技术、射频(radio frequency；RF)、红外(infrared；IR)、寻呼网通信、磁感应、卫星数据通信、展频通信、跳频通信、近场通信和/或类似物。在一些实例实施方案中，遥测模块232包括蓝牙芯片，但蓝牙技术也可在遥测模块232与处理器模块214的组合中实施。
处理器模块214可控制由传感器电子器件12执行的处理。举例来说，处理器模块214可配置成处理来自传感器的数据(例如，计数)、过滤数据、校准数据、执行故障保护检查和/或类似操作。
在一些实例实施方案中，处理器模块214可包括数字滤波器，例如无限脉冲响应(infinite impulse response；IIR)或有限脉冲响应(finite impulse response；FIR)滤波器。这一数字滤波器可使从传感器10接收的原始数据流平滑。通常，数字滤波器经过编程以过滤以预定时间间隔(也称为取样率)采样的数据。在一些实例实施方案中，如当恒电势器210配置成以离散时间间隔测量分析物(例如，葡萄糖和/或类似物)时，这些时间间隔确定数字滤波器的取样速率。在一些实例实施方案中，恒电势器210可配置成连续地测量分析物，例如，使用电流/频率转换器。在这些电流/频率转换器实施方案中，处理器模块214可编程为以预定时间间隔(采集时间)从电流/频率转换器的积分器请求数值。由于电流测量的连续性，这些通过处理器模块214从积分器获得的数值可在采集时间内取平均值。如此，可通过数字滤波器的取样速率来确定采集时间。
处理器模块214可进一步包含数据产生器(图中未示)，其配置成产生数据包以用于传输到装置，如显示装置14、16、18和/或20。此外，处理器模块214可产生用于经由遥测模块232传输这些外部源的数据包。在一些实例实施方案中，如所提到，数据包可以是针对每个显示装置可自定义的，和/或可包括任何可用的数据，如时戳、可显示传感器信息、转换的传感器数据、传感器和/或传感器电子器件12的标识码、原始数据、过滤的数据、校准的数据、变化率信息、趋势信息、误差检测或校正和/或类似物。
处理器模块214还可包含程序存储器216和其它存储器218。处理器模块214可耦合到通信接口，如通信端口238和功率源，如电池234。此外，电池234可进一步耦合到电池充电器和/或调节器236，以向传感器电子器件12供电和/或使电池234充电。
程序存储器216可实施为半静态存储器，其用于存储数据，如耦合传感器10的标识符(例如，传感器标识符(ID))，以及用于存储代码(也称为程序代码)以配置ASIC 205，从而执行本文中所描述的操作/功能中的一个或多个。举例来说，程序代码可对处理器模块214进行配置以处理数据流或计数，过滤，执行校准方法，执行故障保护检查以及类似操作。
存储器218还可用于存储信息。举例来说，包含存储器218的处理器模块214可用作系统的高速缓存存储器，其中提供临时存储装置以用于从传感器接收最新传感器数据。在一些实例实施方案中，存储器可包括存储器存储组件，如只读存储器(read-only memory；ROM)、随机存取记忆体(random-access memory；RAM)、动态RAM、静态RAM、非静态RAM、易可擦除可编程只读存储器(easily erasable programmable read only memory；EEPROM)、可重写ROM、快闪存储器以及类似物。
数据存储存储器220可耦合到处理器模块214且可配置成存储多种传感器信息。在一些实例实施方案中，数据存储存储器220存储一天或多天的连续分析物传感器数据。举例来说，数据存储存储器可存储1、2、3、4、5、6、7、8、9、10、11、12、13、14、15、20和/或30天(或更多天)的从传感器10接收的连续分析物传感器数据。所存储的传感器信息可包含以下中的一个或多个：时戳、原始传感器数据(一个或多个原始分析物浓度值)、校准的数据、过滤的数据、转换的传感器数据和/或任何其它可显示的传感器信息、校准信息(例如，参考BG值和/或如来自工厂校准的先前校准信息)、传感器诊断信息以及类似物。
用户界面222可包含多种界面，如一个或多个按钮224、液晶显示器(LCD)226、振动器228、音频换能器(例如，扬声器)230、背光(图中未示)和/或类似物。包括用户界面222的组件可提供控制以与用户(例如，宿主)互动。一个或多个按钮224可实现例如切换、菜单选择、选项选择、状态选择、对屏幕上问题的是/否响应、“关闭”功能(例如，用于告警)、“已确认”功能(例如，用于告警)、重置和/或类似功能。LCD 226可向用户提供例如视觉数据输出。音频换能器230(例如，扬声器)可响应于某些警报的触发(如存在和/或预测到高血糖和低血糖病症)而提供音频信号。在一些实例实施方案中，音频信号可通过频调、音量、占空比、图案、持续时间和/或类似物区分。在一些实例实施方案中，音频信号可配置成通过按压传感器电子器件12上的一个或多个按钮224和/或通过使用显示装置(例如，密钥卡、手机和/或类似物)上的按钮或选择来发信号通知传感器电子器件12而沉默(例如，已确认或关闭)。
虽然关于图24描述音频和振动告警，但也可使用其它告警机制。举例来说，在一些实例实施方案中，提供触觉告警，其包含配置成响应于一个或多个告警条件而“刺戳”患者或物理上接触患者的刺戳机制。
电池234可以可操作地连接到处理器模块214(和传感器电子器件12的可能的其它组件)且向传感器电子器件12提供所需电力。在一些实例实施方案中，电池是二氧化锂锰电池，然而可使用任何具有适当大小和功率的电池(例如，AAA、镍-镉、锌-碳、碱、锂、镍-金属氢化物、锂离子、锌-空气、锌-汞氧化物、银-锌或气密密封)。在一些实例实施方案中，电池是可再充电的。在一些实例实施方案中，可使用多个电池向系统供电。在又其它实施方案中，可经由例如电感耦合以透皮方式向接收器供电。
电池充电器和/或调节器236可配置成接收来自内部和/或外部充电器的能量。在一些实例实施方案中，电池调节器(或平衡器)236通过释放过量充电电流以实现传感器电子器件12中的所有单元或电池完全充电而不使其它单元或电池过度充电来调节再充电过程。在一些实例实施方案中，一个或多个电池234配置成经由电感和/或无线充电垫充电，但也可使用任何其它充电和/或供电机制。
可提供一个或多个通信端口238(也称为外部连接器)以实现与其它装置的通信，例如可提供PC通信(com)端口以实现与系统的通信，所述系统与传感器电子器件12分离或与传感器电子器件12集成在一起。通信端口例如可包括串行(例如，通用串行总线或“USB”)通信端口，且实现与另一计算机系统(例如，PC、个人数字助理或“PDA”服务器或类似物)的通信。在一些实例实施方案中，传感器电子器件12能够将历史数据传输到PC或其它计算装置以用于由患者和/或HCP进行回顾性分析。作为数据传输的另一实例，工厂信息还可从传感器或从云端数据源发送到算法。
一个或多个通信端口238可进一步包含第二输入端口237和输出端口239，在所述第二输入端口中可接收校准数据，所述输出端口可用于将校准数据或待校准的数据传输到接收器或移动装置。图24意性地图示这些示方面。应理解，端口可物理地分离，但在替代实施方案中，单通信端口可提供第二输入端口和输出端口两者的功能。
在一些连续分析物传感器系统中，可简化传感器电子器件的皮肤上部分以最小化复杂度和/或皮肤上电子器件的大小，例如仅向配置成进行校准和显示传感器数据所需的其它算法的显示装置提供原始、校准和/或过滤的数据。然而，可31实施传感器电子器件12(例如，经由处理器模块214)以执行用于产生转换传感器数据和/或可显示传感器信息的前瞻性算法，包含例如以下算法：评估参考和/或传感器数据的临床可接受性、基于入选标准而评估用于最佳校准的校准数据、评估校准质量、比较估计的分析物值与时间对应测量分析物值、分析估计的分析物值的变化、评估传感器和/或传感器数据的稳定性、检测信号伪影(噪音)、替换信号伪影、确定传感器数据的变化率和/或趋势、执行动态和智能分析物值评估、对传感器和/或传感器数据进行诊断、设定操作模式、评估反常数据和/或类似物。
虽然图Z2中示出分离数据存储装置和程序存储器，但也可使用多种配置。举例来说，可使用一个或多个存储器以提供存储空间，以便支持传感器电子器件12处的数据处理和存储需求。
在一优选实施例中，分析物传感器是可植入葡萄糖传感器，例如参考美国专利6,001,067和美国专利公开案第US-2005-0027463-A1号所描述。在另一优选实施例中，分析物传感器是经皮葡萄糖传感器，如参考美国专利公开案第US-2006-0020187-A1号所描述。在又其它实施例中，传感器配置成植入于宿主血管中或体外，例如美国专利公开案第US-2007-0027385-A1号、美国专利公开案第US-2008-0119703-A1号(现放弃)、美国专利公开案第US-2008-0108942A1号(现放弃)和美国专利第US 7,828,728号中所描述。在一个替代实施例中，举例来说，持续葡萄糖传感器包括经皮传感器，如Say等人的美国专利6,565,509中所描述。在另一替代性实施例中，举例来说，持续葡萄糖传感器包括皮下传感器，如参考Bonnecaze等人的美国专利6,579,690或Say等人的美国专利6,484,046所描述。在另一替代性实施例中，举例来说，持续葡萄糖传感器包括可再填充型皮下传感器，如参考Colvin等人的美国专利6,512,939所描述。在另一替代性实施例中，举例来说，持续葡萄糖传感器包括血管内传感器，如参考Schulman等人的美国专利6,477,395所描述。在另一替代实施例中，持续葡萄糖传感器包括血管内传感器，如参考Mastrototaro等人的美国专利6,424,847所描述。
图28是包含服用两个单位的胰岛素以校正低血糖偏移的指导2804的实例用户界面2802的图解。
图29是包含进食一些碳水化合物的指导2804的实例用户界面2902的图解。
图30是示出可例如从趋势在葡萄糖浓度水平中的移位所确定的所摄入碳水化合物正起作用的通知的实例用户界面的图解。
图31A是在早餐之后的葡萄糖偏移的图解。图31A上的实例曲线图3100可呈现于移动装置、平板计算机或其它计算装置的用户界面3150上。曲线图可包含在y轴上的估计葡萄糖水平(例如，以mg/dL为单位)和在x轴上的时间(例如小时或其它时间划分，如时间表早餐/午餐/晚餐)。曲线图3100可包含低葡萄糖阈值3102、高葡萄糖阈值3104和从如持续葡萄糖监测仪的葡萄糖传感器接收的形成趋势线3108的多个估计葡萄糖水平3106。曲线图还可包含靶3110，其可例如是高阈值3104与低阈值3102之间的中线。在图31A中可看出，由持续葡萄糖水平3106限定的趋势线3108已移到高葡萄糖阈值3104上，这可例如是在早餐时不足胰岛素推注的结果。图32A是曲线图3200上的示出趋势3202和平均值3204的分布的(从多日以来)多个趋势线的图解。图31A上的实例曲线图3200可呈现为装置的用户界面3201。数天(或数周或数月)内的高葡萄糖偏移的模式可升高患者的A1C水平。A1C测试是血液测试，其结果反映时间段(例如，两个到三个月)内的平均血糖水平。A1C测试实际上测量糖化(包覆有糖)的血红蛋白(红细胞中的蛋白质)的百分比。
图31B是在早餐之后的葡萄糖偏移的图解。图31B的实例曲线图3101可呈现于移动装置、平板计算机或其它计算装置的用户界面3151上。曲线图3101可包含低葡萄糖阈值3102、高葡萄糖阈值3104和图31A中示出的靶3010。在图31B中可看出，由持续葡萄糖水平3107限定的趋势线3109移到高葡萄糖阈值3104上，但胰岛素的校正剂量的及时递送(例如，当估计的血糖浓度水平命中如由实例指导所指示的202mg/dL时)使趋势线3111的稍后部分回到高阈值3104下。图32B是曲线图3201上的示出趋势3203和平均值3205的分布的(从多日以来)多个趋势线的图解。通过将图32B中的用户界面3251上示出的曲线图与图32A中的用户界面3250中示出的曲线图进行比较，血糖在更大量时间受到控制(例如，在由高阈值3104和低阈值3102限定的范围内)，其引起较低(较佳)A1C测试结果且与对患者较佳的结果关联。
图33是与用以解决低血糖事件的干预相关的实例葡萄糖趋势的图解。曲线图3300可示出在用户界面3301上。评论(例如，可行低警报、积极治疗指示)出于图解和说明的目的而提供且可任选地从用户界面省略或包含于用户界面中。用户界面3301可示出低葡萄糖浓度阈值(例如，70mg/dL)3302、高葡萄糖浓度阈值(例如，200mg/dL)3304和相对于时间线(例如，在x轴上)用曲线图表示的靶3310。第一趋势部分3306示出发展成低血糖事件3312的趋势，在低血糖事件3312中血糖低于低阈值3302。在第一趋势部分3306之后，用发散趋势线来图示两个趋势情境3114、3116。在从不稳定趋势3114明显的第一情境中，患者摄取碳水化合物以治疗低血糖事件，这解决低血糖，但葡萄糖趋势“回弹”到高血糖偏移3118中，其可由快速碳水化合物的过量摄取，或由通过身体治疗低血糖来进行的肝糖释放造成的索莫奇效应造成。继续第一情境趋势3114，用胰岛素治疗高血糖偏移3118(指导可任选地示出于UI中，但不示出于图33中)，这引起另一低血糖事件3120，其回弹到另一高血糖事件中。
第二情境由更稳定趋势3116表示。在一实例中，决策支持系统计算(或从模型确定)预计低葡萄糖水平即将发生。系统计算指导3350和递送指导的时间3352。指导3350可例如包含进食一定量(例如，30克)的碳水化合物的指令(如图33中示出的装置3352的用户界面3351上所图示)。指导的确定(例如，计算)可例如考虑到机载胰岛素(IOB)的量、趋势(例如血糖或血糖的第2或第3衍生物的变化率)、患者的胰岛素敏感性或患者的碳水化合物敏感性，所有这些因素可由系统计算，从模型确定或从用户接收到。在一些实例中，指导可指明摄取碳水化合物的时间或时间窗(图中未示)(例如，“在接下来的5分钟内”)，且指导还可指明或区分(图中未示)缓慢(例如，复杂淀粉或碳水化合物与脂肪/蛋白质的混合物)、快速碳水化合物(例如葡萄糖片剂或槭糖浆或其它高糖食物)或其它食物。在一些实例中，通过及时摄取碳水化合物可避免低血糖事件。在所图示的实例中，低血糖事件仍发生，但已机载的碳水化合物(由于指导的及时递送)进入血流且解决低血糖事件。在低血糖事件期间可递送额外指导(“碳水化合物起作用”)指导以确保患者无需采取进一步动作(例如，摄取额外碳水化合物)。如图33中所示出，指导的及时递送和针对其采取的动作可避免反弹和振荡的低血糖事件和高血糖偏移。
图34到37是装置上的实例用户界面的图解。图34示出用户界面3401，用户界面3401示出以下区域：估计的血糖值(205mg/Dl)3402和趋势(在数字205附近向上的箭头)3404、机载胰岛素3406、最后空腹胰岛素剂量的时间3416和量3418、示出高阈值3410的趋势图表3408、低阈值3412以及趋势线3414。按压推注计算器按钮3420可弹出图35中示出的推注计算器屏幕。推注计算器界面3501可包含碳水化合物的量3502、葡萄糖浓度水平3504、机载胰岛素3406和趋势3508。推注计算器应用程序可使用这一信息来确定建议的胰岛素剂量3510。在一实例中，推注计算器界面3501可包含额外区域，其中百分比(例如，70％或150％)可由用户输入，且胰岛素将计算为：建议的胰岛素的百分比以允许用户使用其判断来进行调整从而顾及运动、疾病、应激或其它因素的影响。在一些实例中，界面3501除了机载胰岛素之外还可显示“机载碳水化合物”，以方便用户实现碳水化合物与胰岛素两者的平衡或感知。在界面3501中选择葡萄糖值3512可弹出图36中示出的葡萄糖界面3601，其可允许用户在血糖区域3602中输入葡萄糖值且可允许用户查看或编辑校正因素3604、靶葡萄糖浓度水平3606和校正剂量3608。界面3601还可示出CGM传感器葡萄糖读数3610，其可适用于比较血糖(例如，手指点刺)读数。在图34中示出的用户界面3401上选择最后作用剂量区域3418的一部分可弹出最后剂量界面3701，其可允许用户在最后剂量量区域3702或最后剂量时间区域3704中输入值且可任选地示出胰岛素作用时间3706或机载胰岛素量3708或允许用户编辑所述胰岛素作用时间或所述机载胰岛素量。
在一些实例中，用于确定指导和指导定时的决策支持系统(如系统100或本文中所描述的其它合适的系统中的任一个)配置成基于宿主的疾病状态而修改其操作。举例来说，当决策支持系统由患有I型糖尿病的宿主使用时，决策支持系统可配置成当宿主的疾病状态指示宿主在“蜜月”期内时不同地作出响应，在所述蜜月期期间，相较于宿主的胰腺产生较少或有时不产生胰岛素的更晚期疾病阶段，宿主的胰腺仍产生一些胰岛素。
在另一实例中，决策支持系统可配置成使指导、指导定时和其它因素基于II型糖尿病的阶段。II型糖尿病具有相异阶段，在其期间宿主的决策支持需要是不同的。II型糖尿病的不同阶段可由不同治疗过程表征，所述治疗过程如糖尿病前期阶段、口服药物阶段、口服药物和基础胰岛素阶段、多次每日注射(MDI)阶段等。
当宿主的疾病状态指示这些不同阶段时，宿主的决策支持需要可不同且决策支持系统可因此不同地表现。举例来说，当宿主处于糖尿病前期阶段时，宿主处理胰岛素的能力可能受损，然而，宿主可能够利用与饮食和运动的管理相关的治疗过程来获得可接受的血糖浓度结果。因此，当宿主的疾病状态指示糖尿病前期阶段时，决策支持系统可配置成加强与用餐存储器和管理以及运动和身体活动相关的功能。举例来说，决策支持系统可配置成提供如本文中所描述的与用户的餐食的营养内容(例如，碳水化合物计数)相关的指导。决策支持系统还可配置成提供与运动相关的指导，例如如本文中所描述的建议宿主进食或进行运动改变的指导。
当宿主的疾病阶段指示口服药物阶段时，决策支持系统的焦点可移位以加强与宿主的药物治疗的相容性。举例来说，决策支持系统可提供提醒宿主服用他/她的药物的指导和/或洞察。指导和/或洞察在一些实例中向宿主提供对服用药物的益处的描述，例如，以激励用户按时间表服用药物。在一些实例中，决策支持系统对指导或洞察的定时进行配置以对应于当宿主经过调度以接收口服药物时的时间。以这种方式，指导或洞察可包含对宿主的在应服用药物的时间处服用他/她的口服药物的提醒。在本文中所描述的一些实例中，基于如宿主或其它用户的参与阶段的因素而修改消息传送频率(例如，指导和/或洞察的频率)。当指导和/或洞察的频率受到限制时，决策支持系统可基于疾病阶段而对指导和/或洞察进行优先级排序。举例来说，在口服药物阶段中，决策支持系统可向宿主提供与饮食和运动相关的指导和/或洞察但可调整指导和/或洞察的优先级以例如在应服用药物的时间处包含与药物相容性相关的洞察。
当宿主的疾病阶段指示胰岛素使用(如基础或MDI治疗)时，决策支持系统可对指导、洞察和/或定时进行配置以强调基础或推注胰岛素剂量的滴定。举例来说，决策支持系统可增大与检测和显示血糖模式相关的消息或指导的消息传送频率。如果宿主正接受MDI治疗，那么决策支持系统可提供与推注计算和用餐计划相关的指导和/或洞察，例如，如本文中所描述。
在一些实例中，决策支持系统可在宿主的疾病阶段改变时修改洞察、指导和/或其定时。图39是示出可由决策支持系统执行以响应于宿主的疾病阶段的改变而改变的过程流程3900的一个实例的流程图。在步骤3902处，决策支持系统接收宿主疾病状态的指示。这可以数种不同方式中的一种或多钟发生。在一些实例中，用户装置256(图17)、显示装置14到20(图23)或其它合适的装置提供包含设定向导特性的用户界面。当执行时，设定向导可经由用户界面来提示宿主或其它用户提供关于宿主的疾病状态的数据，所述数据可与II型糖尿病或另一病症相关。举例来说，宿主或其它用户可指示宿主正接受的治疗(例如，饮食和运动、口服药物、基础胰岛素加上口服药物、基础胰岛素加上MDI等)。
在一些实例中，决策支持系统考虑描述宿主的各种其它输入以确定宿主疾病状态。再次参看图2B，生理模型112可用于使用例如图2B中示出的输入来产生宿主的疾病状态。
在步骤3904处，决策支持系统确定宿主疾病状态是否指示第一疾病阶段，如II型糖尿病的糖尿病前期阶段或其它阶段，如本文中所描述。如果是，那么决策支持系统在步骤3906处配置成用于第一疾病阶段，例如，如本文中所描述。如果不指示第一疾病阶段，那么决策支持系统在步骤3908处确定是否指示第二疾病阶段。如果是，那么决策支持系统在步骤3910处配置成用于第二疾病阶段，例如，如本文中所描述。过程流程3900可继续用于数种疾病阶段(在图36中指示为“N”)。举例来说，决策支持系统在步骤3908处确定是否指示第N疾病阶段。如果是，那么决策支持系统在步骤3912处配置成用于第N疾病阶段。在步骤3906、3910、3912等处配置用于所指示疾病阶段的决策支持之后，决策支持系统可以所产生配置操作且可在操作3902处等待宿主的疾病阶段的下一指示。
这些非限制性实例中的每一个可独立存在，或可以各种排列或组合与其它实例中的一个或多个组合。
以上详细描述包含对随附图式的参考，所述随附图式形成详细描述的一部分。图式借助于图解来示出可实践本发明的特定实施例。这些实施例在本文中也称为“实例”。此类实例可包含除了所示出或描述的那些元件以外的元件。然而，本发明人还预期其中仅提供所示出或描述的那些元件的实例。此外，本发明人还预期使用关于特定实例(或其一个或多个方面)或关于本文所示出或描述的其它实例(或其一个或多个方面)而示出或描述的那些元件的任何组合或排列的实例(或其一或多个方面)。
如果本文件与通过引用方式并入的任何文件之间发生不一致的用途，以本文件的用途为准。
在本文件中，如专利文件中常见，使用术语“一(a/an)”以包含一个或超过一个，这与“至少一个”或“一个或多个”的任何其它例子或使用无关。在本文件中，除非另有指示，否则术语“或”用于指非排它性的或使得“A或B”包含“A但不包含B”、包含“B但不包含A”以及包含“A和B”。在本文件中，术语“包含”和“其中(in which)”用作相应术语“包括”和“其中(wherein)”的通俗等效用语。同样，在所附权利要求书中，术语“包含”和“包括”是开放的，也就是说，包含除了列在权利要求中此类术语后之外的那些元件的元件的系统、装置、物件、组合物、调配物或过程仍被认为处于所述权利要求的范围内。此外，在以下权利要求书中，术语“第一”、“第二”和“第三”等仅用作标签，且并不意欲对其对象施加数字要求。
除非上下文以其它方式指示，否则几何术语(如“平行”、“垂直”、“圆形”或“方形”)并不在于要求绝对数学精度。相反，此类几何术语允许因制造所致的变化或等效功能。举例来说，如果将元件描述为“圆形”或“大体上圆形”，那么这一描述仍涵盖并非精确地圆形(例如，是稍呈长椭圆形或是多边的多边形的一种形状)的组件。
本文中描述的方法实例可至少部分地由机器或计算机实施。一些实例可包含编码有可用于配置电子装置以执行如在以上实例中描述的方法的指令的计算机可读媒体或机器可读媒体。此类方法的实施方案可包含代码，如微码、汇编语言代码、高级语言代码或类似物。此类代码可包含用于执行各种方法的计算机可读指令。代码可形成计算机程序产品的部分。另外，在一实例中，代码可如在执行期间或在其它时间处有形地存储于一个或多个易失性、非暂时性或非易失性有形计算机可读媒体上。这些有形计算机可读媒体的实例可包含但不限于硬盘、可移动磁盘、可移动光盘(例如，光盘和数字视频光盘)、盒式磁带、存储卡或存储棒、随机存取存储器(RAM)、只读存储器(ROM)以及类似物。
以上描述意欲是说明性的而非限制性的。举例来说，上文所描述的实例(或其一个或多个方面)可彼此结合使用。如所属领域的普通技术人员在查阅以上描述后可使用其它实施例。提供摘要以符合37 C.F.R.§1.72(b)，从而允许阅读者快速确认技术公开的性质。应理解，其将不会用于解释或限制权利要求书的范围或含义。同样，在以上详细描述中，可将各种特性分组在一起以简化本公开。不应将这一情况解释为希望未要求保护的公开特性对任何权利要求来说是必需的。相反地，本发明主题可在于比特定公开实施例的所有特性要少。因此，所附权利要求书特此作为实例或实施例并入到详细描述中，其中每个权利要求作为单独实施例单独存在，且预期此类实施例可彼此组合成各种组合或排列。应参考所附权利要求书以及此类权利要求书所授予的等效物的完整范围来确定本发明的范围。

Claims (206)

1.一种系统，其包括：
葡萄糖浓度传感器，其配置成检测患者葡萄糖浓度水平；
通信电路，其配置成从所述葡萄糖浓度传感器接收所述患者葡萄糖浓度水平；
存储器电路，其包含所存储模型；以及
处理器，其配置成：
接收所述患者葡萄糖浓度水平；
执行所存储指令以将所述患者葡萄糖浓度水平应用于所述所存储模型以确定状态；以及
至少部分地基于所述所确定状态而确定指导消息。
2.根据权利要求1所述的系统，其中所述处理器还配置成至少部分地基于时间模式而确定所述指导消息。
3.根据权利要求1所述的系统，其中所述模型包含生理模型，确定状态包含确定生理状态。
4.根据权利要求3所述的系统，其中所述处理器进一步配置成：
确定行为状态；以及
至少部分地基于所述行为状态而确定所述指导消息。
5.根据权利要求1所述的系统，其中所述处理器进一步配置成至少部分地基于所述所确定状态而提供疗法建议。
6.根据权利要求1所述的系统，其中所述系统包含移动装置，所述移动装置包含所述存储器电路和所述处理器。
7.根据权利要求6所述的系统，其中所述移动装置包含所述通信电路，且所述葡萄糖浓度传感器包含配置成与所述通信电路通信的葡萄糖浓度传感器通信电路。
8.根据权利要求7所述的系统，其中所述移动装置通信电路包含第一无线收发器，且所述葡萄糖浓度传感器通信电路包含第二无线收发器，其中所述移动装置通信电路和所述葡萄糖浓度传感器通信电路使用无线通信协议通信。
9.根据权利要求6所述的系统，其中所述移动装置包含配置成提供指导消息的用户界面。
10.根据权利要求9所述的系统，其中所述移动装置配置成通过所述用户界面接收用户输入，且所述处理器配置成接收所述用户输入且将所述用户输入和所述患者葡萄糖浓度水平两者应用于所述模型以确定所述状态。
11.根据权利要求9所述的系统，其进一步包括胰岛素递送系统。
12.根据权利要求11所述的系统，其中所述胰岛素递送系统包含胰岛素泵。
13.根据权利要求11所述的系统，其中所述胰岛素递送系统包含胰岛素笔。
14.根据权利要求1所述的系统，其进一步包括配置成将所述指导消息提供到患者的用户界面。
15.一种递送生理葡萄糖浓度管理指导的方法，其包括：
接收指示葡萄糖浓度水平的数据；
通过将所述数据应用于模型来确定状态；以及
至少部分地基于所述状态和时间模式来确定指导消息。
16.根据权利要求15所述的方法，其中所述时间模式包含患者行为的学习模式。
17.根据权利要求15所述的方法，其中所述时间模式包含日历。
18.根据权利要求17所述的方法，其中确定指导消息至少部分地基于所述日历中的即将进行的事件。
19.根据权利要求18所述的方法，其中确定指导消息至少部分地基于至少部分地基于所述日历中的所述即将进行的事件而计算的胰岛素敏感性中的预计改变。
20.根据权利要求15所述的方法，其中所述模型包含生理模型，确定状态包含确定生理状态，且确定指导消息包含从所述时间模式和所述生理模型确定转变到非所要生理状态将可能发生。
21.根据权利要求20所述的方法，其中确定指导消息包含确定干预以避免所述转变到所述非所要生理状态以及至少部分地基于所述时间模式而确定用于递送所述指导消息以启用干预从而防止所述转变的时间。
22.根据权利要求15所述的方法，其进一步包括使用所述时间模式来确定用于递送所述指导消息的递送时间。
23.根据权利要求22所述的方法，其中确定递送时间包含至少部分地基于所述时间模式而选择当宿主可能可用时的递送时间。
24.根据权利要求22所述的方法，其中确定递送时间包含识别即将到来的患者不可用的时段以及在所述患者不可用的时段之前选择用于递送所述指导消息的时间。
25.根据权利要求15所述的方法，其中确定指导消息包含至少部分地基于所述时间模式而识别患者不可用的时段，且其中所述指导消息经过计算以在所述不可用的时段期间促进葡萄糖浓度稳定性。
26.根据权利要求15所述的方法，其进一步包括：
确定参与状态；
至少部分地基于所述参与状态而确定消息传送频率；以及
至少部分地基于所述消息传送频率而确定用于递送所述指导消息的时间。
27.根据权利要求26所述的方法，其进一步包括：
确定所述参与状态已改变为改变参与状态；
至少部分地基于所述改变参与状态而确定新消息传送频率；
确定第二指导消息；以及
至少部分地基于所述新消息传送频率而确定用于递送所述第二指导的第二时间。
28.根据权利要求15所述的方法，其中所述状态是描述宿主疾病阶段的疾病状态。
29.根据权利要求28所述的方法，其进一步包括：
接收指示第二葡萄糖浓度水平的第二数据；
至少部分地通过将所述第二数据应用于所述模型来确定描述第二宿主疾病阶段的第二疾病状态；以及
至少部分地基于所述第二疾病状态而确定第二指导消息。
30.根据权利要求15所述的方法，其中确定状态包含确定生理状态。
31.根据权利要求30所述的方法，其中确定生理状态包含确定胰岛素状态、能量吸收状态以及能量消耗状态。
32.根据权利要求15所述的方法，其进一步包括接收行为输入，其中确定状态包含将所述数据和所述行为输入两者应用于所述模型。
33.根据权利要求32所述的方法，其中接收行为输入包含接收患者活动信息。
34.一种递送生理葡萄糖浓度管理指导的方法，其包括：
接收指示葡萄糖浓度的数据；
使用所述数据来确定生理状态；
确定行为状态；
至少部分地基于所述生理状态和所述行为状态而确定指导消息；以及
使用用户界面来递送所述指导消息。
35.根据权利要求34所述的方法，其进一步包括确定递送指导的时间，所述指导启用及时干预以影响所述葡萄糖浓度。
36.根据权利要求34所述的方法，其进一步包括至少部分地基于所述行为状态和所述生理状态而确定对指导的兴趣水平。
37.根据权利要求36所述的方法，其中确定疗法指导中的兴趣水平至少部分地基于对指导的先前用户请求。
38.根据权利要求34所述的方法，其中确定行为状态包含接收行为输入以及将所述行为输入应用于行为状态模型。
39.根据权利要求34所述的方法，其中确定行为状态包含咨询调度事件的用户日历。
40.根据权利要求34所述的方法，其中确定生理状态包含将所述数据应用于生理状态模型。
41.根据权利要求40所述的方法，其中所述生理状态模型包含葡萄糖浓度水平。
42.根据权利要求41所述的方法，其中所述生理状态模型进一步包含胰岛素状态、能量吸收状态以及能量消耗状态中的一个或多个。
43.根据权利要求34所述的方法，其进一步包括确定测量状态，所述测量状态包含指示所述葡萄糖浓度的所述数据的准确度或精确度。
44.根据权利要求34所述的方法，其中确定指导消息包含确定低概率生理状态转变将可能发生，其中所述指导消息提供所述低机率生理状态转变的提前通知。
45.根据权利要求44所述的方法，其中所述低概率生理状态转变包含转变到低葡萄糖浓度水平或高葡萄糖浓度水平。
46.根据权利要求44所述的方法，其中确定指导消息包含确定所述低概率生理状态转变将可能在不方便的时间处发生，且所述指导消息提供预计低概率生理状态转变的提前警告以启用干预从而避免所述低概率生理状态转变。
47.根据权利要求46所述的方法，其中确定所述低概率生理状态转变将可能在不方便的时间处发生包含将行为输入应用于行为状态模型。
48.根据权利要求34所述的方法，其进一步包括接收额外生理参数，其中使用所述数据和所述额外生理参数两者来确定所述生理状态。
49.根据权利要求48所述的方法，其中所述额外生理参数包含体温、心跳速率或呼吸速率。
50.根据权利要求34所述的方法，其进一步包括在学习时段期间，接收描述生理状态或所述行为状态中的至少一个的学习数据，其中在所述学习时段之后使用所述学习数据来确定所述生理状态或所述行为状态中的至少一个。
51.一种确定和呈现所计算指导消息的方法，所述所计算指导消息是个性化的且对患者治疗管理其糖尿病有用，所述方法包括：
接收与患者相关的数据，所述数据包含实时葡萄糖浓度水平；
通过将所述数据应用于状态模型来确定患者状态；以及
至少部分地基于所述所确定状态来提供疗法建议。
52.根据权利要求51所述的方法，其中所述患者状态包含机载胰岛素状态、胰岛素敏感性状态以及饮食摄取状态。
53.根据权利要求51所述的方法，其中所述状态模型是概率状态模型。
54.根据权利要求53所述的方法，其中所述状态模型包含从回顾性数据得知的状态转变概率。
55.根据权利要求51所述的方法，其进一步包括使用在递送所述疗法建议之后接收的数据来改善所述状态模型。
56.一种向用户提供决策支持功能的方法，其包括：
将模型加载到计算环境的存储器中；
接收指示所述用户的葡萄糖浓度值的数据；以及
引起所计算洞察在所述计算环境的用户界面上的显示，使用至少所述模型和指示所述葡萄糖浓度值的所述数据来计算所述洞察。
57.根据权利要求56所述的方法，其中所述引起显示由用户请求引发。
58.根据权利要求57所述的方法，其中所述用户请求与计划活动的数据项相关联，且其中所述所计算洞察指示由所述模型中的一个或多个计算的用户动作以得到与所述葡萄糖浓度值相关联的所要结果。
59.根据权利要求58所述的方法，其中所述所要结果是预定靶范围内的葡萄糖浓度值。
60.根据权利要求58所述的方法，其中所述所要结果是预定靶范围内的具有变化率的葡萄糖浓度值。
61.根据权利要求58所述的方法，其中所述计划活动是用餐，且其中所述所计算洞察是所述用餐对所述葡萄糖浓度值的所计算或所预测影响。
62.根据权利要求58所述的方法，其中所显示的所述所计算洞察包含交互建议和在确定所述交互建议中使用的至少一个因素。
63.根据权利要求56所述的方法，其中引起所述所计算洞察的显示由与预定条件匹配的事件的发生引发。
64.根据权利要求56所述的方法，其中引起所述所计算洞察的显示由与所计算病症匹配的事件的发生引发，至少部分地基于所述模型或指示所述葡萄糖浓度值的所述数据或其组合而计算所述所计算病症。
65.根据权利要求64所述的方法，其中当疗法调整使所述用户暴露于比在所述疗法调整之前呈现的更大的风险时，那么调整警报和/或告警以在所述疗法调整之后的一段时间内具有额外敏感性。
66.根据权利要求64所述的方法，其进一步包括在触发比先验的所述潜在治疗决策更频繁的CGM应用程序实例化的潜在治疗决策之后检测时间段何时存在，以及增大决策支持的消息传送频率。
67.根据权利要求66所述的方法，其中所述消息传送是到所述用户或到所述用户的跟随器。
68.根据权利要求56所述的方法，其进一步包括使用所述所接收数据来检测趋势的发生，所述趋势与所识别模式相关联。
69.根据权利要求56所述的方法，其进一步包括从外部数据源接收数据。
70.根据权利要求69所述的方法，其中所述外部数据源是胰岛素笔或泵，且其中所述所计算洞察包含关于机载胰岛素的信息。
71.根据权利要求70所述的方法，其中所述外部数据源是胰岛素笔或泵，且其中所述所计算洞察用两个值来表达，一个指示在计划用户运动的情况下使用，且另一个指示在没有计划用户运动的情况下使用。
72.根据权利要求70所述的方法，其中所述外部数据源是加速计，且其中所述所计算洞察包含关于运动对葡萄糖浓度值的影响的信息。
73.根据权利要求70所述的方法，其中所述外部数据源是相机或GPS接收器，且其中所述所计算洞察包含关于餐食大小和组合物对葡萄糖浓度值的影响的信息。
74.根据权利要求70所述的方法，其中所述外部数据源是用户界面，其中所述用户界面配置成接收关于用户目标的数据，且其中所述所计算洞察包含关于靶范围内的时间百分率和所述靶范围的指示的信息。
75.根据权利要求56所述的方法，其进一步包括将与所述用户相关联的持续葡萄糖浓度监测系统的测量模型加载到计算环境的存储器中，且其中所述所计算洞察进一步基于所述测量模型。
76.根据权利要求75所述的方法，其中使用算法来计算所述所计算洞察，所述算法至少部分地基于葡萄糖浓度变化率或葡萄糖浓度偏移的可能性和/或严重度。
77.根据权利要求56所述的方法，其中所述引起显示基于在周期性基础上执行的计算。
78.根据权利要求77所述的方法，其中所述周期性基础基于在实质上相同时间处发生的一系列用餐时间而确定。
79.根据权利要求77所述的方法，其中所述周期性基础基于一系列类似葡萄糖响应而确定。
80.根据权利要求79所述的方法，其中所述类似葡萄糖响应是尖峰。
81.根据权利要求77所述的方法，其中所述周期性基础基于一系列类似给药策略而确定。
82.根据权利要求77所述的方法，其中所述周期性基础基于一系列不可靠结果的基础而确定，其中葡萄糖浓度水平远离遵循潜在治疗决策的靶区域漂移超过指定百分率或量。
83.根据权利要求56所述的方法，其中所述所计算洞察的所述显示包含概率圆锥图的所述显示，所述概率圆锥图基于所述用户的先前数据。
84.根据权利要求56所述的方法，其中所述所计算洞察的所述显示包含概率圆锥图的所述显示，所述概率圆锥图基于群体数据。
85.根据权利要求84所述的方法，其中所述群体数据从具有与所述用户一样的一个或多个人口统计特点的人中挑选出。
86.根据权利要求56所述的方法，其中所述所计算洞察的所述显示包含两个单独趋势指示符的所述显示，一个使用在工作日期间测量的数据而确定且一个使用在周末期间测量的数据而确定。
87.根据权利要求56所述的方法，其中通过所述计算环境来计算所述洞察。
88.根据权利要求56所述的方法，其中通过所连接服务器来计算所述洞察。
89.根据权利要求56所述的方法，其中所述模型包含生理模型和行为模型。
90.根据权利要求89所述的方法，其中所述行为模型配置成确定关注因素水平，所述关注因素水平选自由以下组成的群组：关于生理状态的关注、治疗决策结果和/或潜在将来状态。
91.根据权利要求90所述的方法，其中所述关于生理状态的关注通过检测检查与糖尿病相关的应用程序的频率或检测SMBG值输入的频率来确定。
92.根据权利要求90所述的方法，其中所述行为模型配置成确定参与因素水平，所述参与因素水平选自由以下组成的群组：响应时间、治疗活动水平和/或支持类型。
93.根据权利要求90所述的方法，其中所述计算环境是移动装置，所述方法进一步包括通过第二计算机系统来学习所述生理模型，其中将所述模型加载到计算环境的存储器中包含将所述所学习生理模型加载到所述移动装置中。
94.根据权利要求93所述的方法，其进一步包括通过第二计算机系统来学习所述行为模型，其中将所述模型加载到计算环境的存储器中包含将所述所学习行为模型加载到所述移动装置中。
95.根据权利要求93所述的方法，其中所述移动装置确定所述所计算洞察而不需要对所述第二计算机系统的存取。
96.一种系统，其包括：
葡萄糖浓度传感器，其配置成检测宿主葡萄糖浓度；
通信电路，其配置成从所述葡萄糖浓度传感器接收所述宿主葡萄糖浓度；
存储器电路，其包含所存储模型；以及
处理器，其配置成：
接收由所述葡萄糖浓度传感器感测到的宿主葡萄糖浓度数据；
确定与所述宿主葡萄糖浓度数据相关联的宿主状态改变；
至少部分地基于所述宿主状态改变而确定指导消息；以及
通过用户界面来递送所述指导消息。
97.根据权利要求96所述的系统，其中所述处理器进一步配置成确定所述宿主状态改变是非典型的，其中所述指导消息的所述确定至少部分地基于所述状态改变的非典型性。
98.根据权利要求96所述的系统，其中确定所述宿主状态改变包括从模型确定低概率状态转变已发生或将可能发生，其中所述指导消息的所述确定至少部分地基于所述确定所述低概率状态转变已发生或将可能发生。
99.根据权利要求96所述的系统，其中确定所述宿主状态改变包括识别可能转变到非所要宿主状态，且在使得所述宿主能够干预以避免所述转变到所述非所要宿主状态的时间处确定和递送所述指导消息。
100.根据权利要求96所述的系统，其中所述系统包含移动装置，所述移动装置包含所述存储器电路和所述处理器。
101.根据权利要求100所述的系统，其中所述移动装置包含所述通信电路，且所述葡萄糖浓度传感器包含配置成与所述通信电路通信的葡萄糖浓度传感器通信电路。
102.根据权利要求101所述的系统，其中所述移动装置通信电路包含第一无线收发器，且所述葡萄糖浓度传感器通信电路包含第二无线收发器，其中所述移动装置通信电路和所述葡萄糖浓度传感器通信电路使用无线通信协议通信。
103.根据权利要求96所述的系统，其进一步包括胰岛素递送系统。
104.根据权利要求96所述的系统，其中所述状态改变是从描述第一宿主疾病阶段的第一疾病状态到指示第二宿主疾病阶段的第二疾病状态，其中所述处理器进一步配置成至少部分地基于所述第二疾病阶段而确定第二指导消息。
105.一种递送生理葡萄糖浓度管理指导的方法，其包括：
接收指示葡萄糖浓度的数据；
通过将所述数据应用于模型来确定患者状态；
确定所述患者状态是否是非典型的；
基于所述患者状态的非典型性而确定指导消息；以及
通过用户界面来递送所述指导消息。
106.根据权利要求105所述的方法，其中确定所述患者状态是否是非典型的包含确定所述患者状态对给定病症集是否是非典型的。
107.根据权利要求105所述的方法，其中确定所述患者状态是否是非典型的包含确定低可能性状态转变是否已发生。
108.根据权利要求105所述的方法，其中确定指导消息包含确定低可能性状态转变是否预计将发生。
109.根据权利要求105所述的方法，其中确定患者状态包含确定生理状态和行为状态以及确定所述生理状态对所述所确定行为状态是否是非典型的。
110.根据权利要求105所述的方法，其中确定所述患者状态是否是非典型的包含在当血糖浓度典型地在受控范围内时的时间处或情况下识别从受控血糖浓度范围偏离的血糖浓度水平。
111.根据权利要求105所述的方法，其中确定所述患者状态是否是非典型的包含在当血糖浓度典型地在受控范围内时的时间处或情况下识别引起高或低血糖浓度状态的血糖浓度趋势。
112.根据权利要求105所述的方法，其中确定所述患者状态是否是非典型的包含在当血糖浓度典型地受到良好控制时的时间处或情况下预料一到低血糖浓度状态的移位。
113.一种递送生理葡萄糖浓度管理指导的方法，其包括：
接收指示葡萄糖浓度的数据；
通过将所述数据应用于模型来确定患者状态；
从所述模型确定低概率状态转变已发生或将可能发生；以及
基于所述确定所述低概率状态转变已发生或将可能发生而通过用户界面来递送指导消息。
114.根据权利要求113所述的方法，其中所述方法包含确定低概率状态转变将可能发生，其中所述指导消息提供所述低概率状态转变的提前通知。
115.根据权利要求113所述的方法，其中所述低概率生理状态转变包含转变到低葡萄糖浓度水平或高葡萄糖浓度水平。
116.根据权利要求113所述的方法，其中确定指导消息包含确定所述低概率状态转变将可能在不方便的时间处发生。
117.根据权利要求116所述的方法，其中确定所述低概率状态转变将可能在不方便的时间处发生包含参考调度事件的用户日历。
118.根据权利要求116所述的方法，其中确定所述低概率状态转变将可能在不方便的时间处发生包含参考行为状态模型。
119.根据权利要求113所述的方法，其中递送所述指导消息包含确定当所述患者或护理人员将可能可用以采取动作以防止所述低概率状态转变时的时间段以及在所述所确定时间段期间递送所述指导消息。
120.根据权利要求119所述的方法，其中确定当所述患者将可能可用以采取动作以防止所述低概率状态转变时的时间段包含参考调度事件的日历。
121.根据权利要求119所述的方法，其中确定当所述患者或护理人员将可能可用以采取动作以防止所述低概率状态转变时的时间段包含使用所述模型。
122.根据权利要求120所述的方法，其中使用所述模型包含使用用户活动或用户定位信息的模式来确定当所述患者或护理人员将可能可用时的时间段。
123.一种递送生理葡萄糖浓度管理指导的方法，其包括：
接收指示葡萄糖浓度的数据；
接收一个或多个行为、环境或情境输入；
通过将所述数据和所述一个或多个行为、环境或情境输入应用于模型来识别可能转变到非所要患者状态；
基于所述可能转变到非所要患者状态而确定指导消息；以及
递送所述指导消息，其中在使得所述患者能够干预以避免所述转变到非所要患者状态的时间处确定和递送所述指导消息。
124.根据权利要求123所述的方法，其中接收行为、环境或情境输入包含接收加速计数据。
125.根据权利要求123所述的方法，其中接收行为、环境或情境输入包含从日历接收关于调度事件的信息。
126.根据权利要求123所述的方法，其中接收行为、环境或情境输入包含通过用户界面从用户接收输入。
127.根据权利要求123所述的方法，其中接收行为、环境或情境输入包含从用户接收关于运动的完成、初始化或预料的信息。
128.根据权利要求123所述的方法，其中接收行为、环境或情境输入包含检测用户正驾驶。
129.根据权利要求123所述的方法，其中接收一个或多个行为、环境或情境输入包含接收定位信息。
130.根据权利要求123所述的方法，其中接收一个或多个行为、环境或情境输入包含接收环境温度或环境压力。
131.根据权利要求123所述的方法，其进一步包括接收体温、心跳速率或呼吸速率。
132.根据权利要求123所述的方法，其进一步包括基于所接收信息的一个或多个模式而学习所述模型。
133.根据权利要求132所述的方法，其中学习所述模型包含学习随时间而变的胰岛素敏感性的模式。
134.根据权利要求133所述的方法，其中学习所述模型包含学习随一段体力消耗时期之后流逝的时间而变的胰岛素敏感性的模式。
135.根据权利要求123所述的方法，其进一步包括确定用户查询以及将所述用户查询提供到用户，其中响应于所述用户查询而接收所述行为、环境或情境输入。
136.根据权利要求123所述的方法，其中接收指示葡萄糖浓度的数据包含从持续葡萄糖浓度监测系统接收数据。
137.一种系统，其包括：
葡萄糖浓度传感器，其配置成检测宿主葡萄糖浓度；
通信电路，其配置成从所述葡萄糖浓度传感器接收所述宿主葡萄糖浓度；
存储器电路，其包含所存储模型；以及
处理器，其配置成：
存取与宿主相关联的数据；
使用所述数据来确定所述宿主的状态；
至少部分地基于所述所确定状态而确定指导消息；
选择用于提供所述指导消息的时间；以及
在所述所选时间处通过用户界面来提供所述指导消息。
138.根据权利要求137所述的系统，其中所述时间经过计算以在所述宿主转变到非所要生理状态之前启用干预。
139.根据权利要求137所述的系统，其中确定所述指导消息至少部分地基于所述宿主的个性化行为模型，且其中所述时间经过计算以对所述宿主在糖尿病的治疗管理方面有用。
140.根据权利要求137所述的系统，其中所述状态的所述确定至少部分地基于患者生理模型和患者行为模型。
141.一种递送生理葡萄糖浓度管理指导的方法，其包括：
测量、确定或接收与患者相关联的第一实时数据；
至少部分地使用模型和所述第一实时数据来确定所述患者处于的状态；
确定个性化指导消息，其中所述指导消息至少部分地基于所述所确定状态；以及
在经过计算以在转变到非所要生理状态之前启用干预的时间处通过用户界面来提供所述所确定个性化指导消息。
142.根据权利要求141所述的方法，其中确定指导消息进一步基于所述确定所述指导消息的定时或与所述所确定状态相关联的时间。
143.根据权利要求141所述的方法，其中所述模型包含指示所述患者参与在干预中的便利性或可用性的状态。
144.根据权利要求141所述的方法，其中所述指导消息至少部分地基于到所述非所要生理状态的预计转变。
145.根据权利要求144所述的方法，其中所述指导消息至少部分地基于确定从现在状态到预计状态的预计转变是低概率转变。
146.根据权利要求141所述的方法，其中所述模型包含患者生理模型，且确定所述患者处于的状态至少基于将所述第一实时数据应用于所述患者生理模型。
147.根据权利要求146所述的方法，其中所述模型进一步包含行为模型。
148.根据权利要求147所述的方法，其中所述行为模型基于所述患者的机器学习特征，所述机器学习特征基于行为或情境模式。
149.根据权利要求147所述的方法，其中所述行为模型基于确定将可能由所述患者执行的一个或多个步骤的集合。
150.根据权利要求147所述的方法，其中所述行为模型基于确定将可能由所述患者可达到的一个或多个目的的集合。
151.根据权利要求147所述的方法，其中所述行为模型是一种模式。
152.根据权利要求147所述的方法，其中所述患者生理模型基于生理模式，且所述行为模型基于行为模式。
153.根据权利要求152所述的方法，其中所述第一实时数据指示与预期行为模式的偏差。
154.根据权利要求153所述的方法，其中所述行为模型指示与用餐时间相关联的对用餐过校正的倾向，所述第一实时数据指示用餐时间迫近，且所述指导消息对应于对所述用餐时间的减轻过校正。
155.根据权利要求153所述的方法，其中所述行为模式包含基于行为的长期模式的长期行为模式和与当前行为相关联的短期行为模式。
156.根据权利要求155所述的方法，其中所述行为模型基于所述长期行为模式且进一步基于所述短期行为模式。
157.根据权利要求156所述的方法，其中所述短期行为模式基于选自由以下组成的群组的一个或多个：移动装置参与、加速计数据、检查葡萄糖浓度的频率、日历数据以及这些的组合。
158.根据权利要求147所述的方法，其中确定状态进一步基于测量模型。
159.根据权利要求158所述的方法，其中所述测量模型基于与所述患者相关联的持续葡萄糖浓度监测系统。
160.根据权利要求159所述的方法，其进一步包括在所述确定指导消息之后测量葡萄糖浓度数据以及使用所测量后续数据来改良所述模型中的一个或多个。
161.根据权利要求160所述的方法，其中在所述确定之后测量的所述葡萄糖浓度数据反馈回到测量模型或所述行为模型或所述患者生理模型，或反馈回到其组合。
162.根据权利要求141所述的方法，其中所述模型包含选自由以下组成的群组的模式：生理模式、情境模式或行为模式，或这些模式的组合。
163.根据权利要求162所述的方法，其中所述生理模式基于生理模型。
164.根据权利要求141所述的方法，其中所述模型基于选自由以下组成的群组的模式的组合：生理模式、情境模式或行为模式。
165.根据权利要求141所述的方法，其中所述确定指导消息进一步包括基于所述状态和所述第一实时数据而确定多个指导消息以及进一步基于所述状态和所述第一实时数据而选择所述所确定多个指导消息中的一个。
166.根据权利要求165所述的方法，其中所述选择进一步基于排序方案、优先化方案，或基于所述多个指导消息与一个或多个相关联阈值的比较。
167.根据权利要求141所述的方法，其进一步包括基于所述状态和所述第一实时数据而确定所述患者的预期糖尿病响应，且其中所述指导消息进一步基于所述预期糖尿病响应而对所述患者个性化，其中所述患者具备经过计算以将所述预期糖尿病响应移向所要糖尿病响应的可行消息。
168.根据权利要求167所述的方法，其中所述所要糖尿病响应与所述状态和所述第一实时数据相关，且其中所述所要糖尿病响应选自由以下组成的群组：改良糖尿病响应、潜在改良糖尿病响应、理想化响应或优化响应。
169.根据权利要求168所述的方法，其中所述指导消息基于所述预期糖尿病响应与所要糖尿病响应之间的函数关系。
170.根据权利要求169所述的方法，其中所述函数关系是与所述预期糖尿病响应相关联的葡萄糖浓度水平与与所述所要糖尿病响应相关联的葡萄糖浓度水平之间的差异。
171.根据权利要求170所述的方法，其中与所述所要糖尿病响应相关联的所述葡萄糖浓度水平是靶葡萄糖浓度水平或靶葡萄糖浓度范围。
172.根据权利要求169所述的方法，其中所述函数关系基于所述预期糖尿病响应是否匹配与所述所要糖尿病响应相关联的预定条件。
173.根据权利要求172所述的方法，其中所述预定条件是靶葡萄糖浓度水平、靶葡萄糖浓度范围、葡萄糖浓度信号签名或与葡萄糖浓度水平相关联的变化率。
174.根据权利要求169所述的方法，其中所述指导消息进一步包括与所述函数关系相关联的一个或多个原因，由此所述患者能够被告知为何正呈现所述指导消息。
175.根据权利要求141所述的方法，其中所述指导消息包含可行提示。
176.根据权利要求175所述的方法，其中所述指导消息包含经过计算以使得所述患者的葡萄糖浓度水平移向靶水平或靶范围的可行提示。
177.根据权利要求141所述的方法，其中所述指导消息包含与所述患者相关联的当前动作的肯定。
178.根据权利要求141所述的方法，其中通过智能手机测量、接收或确定所述第一实时数据。
179.根据权利要求141所述的方法，其中通过可穿戴装置测量、接收或确定所述第一实时数据。
180.根据权利要求141所述的方法，其中通过与智能手机组合的可穿戴装置测量、接收或确定所述第一实时数据。
181.根据权利要求141所述的方法，其中通过外部装置测量、接收或确定所述第一实时数据。
182.根据权利要求181所述的方法，其中所述外部装置是加速计。
183.根据权利要求141所述的方法，其中所述第一实时数据是日时间、通过加速计测量的特征或签名信号，或通过GPS电路确定的定位。
184.根据权利要求141所述的方法，其中所述第一实时数据是状态的改变。
185.根据权利要求184所述的方法，其中通过时钟、加速计或GPS电路检测到所述状态的改变。
186.根据权利要求141所述的方法，其中所述第一实时数据是对决策支持提示的用户请求。
187.根据权利要求141所述的方法，其中从持续葡萄糖浓度监测系统接收到所述第一实时数据。
188.根据权利要求141所述的方法，其进一步包括测量、确定或接收第二实时数据，其中所述第二实时数据用于确定所述患者处于的所述状态。
189.根据权利要求141所述的方法，其中提供所述所确定个性化指导消息在经过计算以对管理患者葡萄糖浓度水平有用的时间处发生。
190.根据权利要求141所述的方法，其中所述状态是描述患者疾病阶段的疾病状态。
191.根据权利要求190所述的方法，其进一步包括：
测量、确定或接收指示第二葡萄糖浓度水平的第二实时数据；
至少部分地通过将所述第二数据应用于所述模型来确定描述第二患者疾病阶段的第二疾病状态；以及
至少部分地基于所述第二疾病状态而确定第二指导消息。
192.根据权利要求141所述的方法，其中所述状态是参与状态，所述方法进一步包括：
至少部分地基于所述参与状态而确定消息传送频率；以及
至少部分地基于所述消息传送频率而确定用于提供所述个性化指导消息的所述时间。
193.根据权利要求141所述的方法，其进一步包括，在学习时段期间，接收学习数据，其中至少部分地基于所述学习数据而确定所述患者的所述状态。
194.一种确定和递送所计算指导消息的方法，所述所计算指导消息是个性化的且对患者在其糖尿病的治疗管理方面有用，所述方法包括：
学习所述患者的个性化行为模型；
接收实时数据；
确定待呈现给所述患者的个性化指导消息，所述确定至少部分地基于所述个性化指导消息的确定时间和所述患者的所述个性化行为模型；以及
使用所述所学习个性化行为模型来确定提供所述个性化指导消息的递送时间，其中所述递送时间经过计算以对所述患者在他/她的糖尿病的所述治疗管理方面有用。
195.根据权利要求194所述的方法，其中学习患者的个性化行为模型包含机器学习所述患者的第一特征。
196.根据权利要求195所述的方法，其中所述第一特征是选自由以下组成的群组的模式：生理模式、情境模式或行为模式，或这些模式的组合。
197.根据权利要求194所述的方法，其进一步包括在所述递送时间处递送所述个性化指导消息。
198.一种确定和呈现所计算指导消息的方法，所述所计算指导消息是个性化的且对患者在其糖尿病的治疗管理方面有用，所述方法包括：
测量、确定或接收与所述患者相关联的第一实时数据；
使用模型，确定所述患者处于的状态，所述确定基于患者生理模型、行为模型以及测量模型，通过所述患者生理模型和所述行为模型以及所述实时数据来确定所述状态；
确定指导消息，其中所述指导消息至少基于所述所确定状态而对所述患者个性化，由此所述所确定状态和多个模型的使用实现所述指导消息的个性化；以及
经由用户界面提供所述所确定个性化指导消息，使得所述呈现在经过计算以对所述患者在其糖尿病的所述治疗管理方面有用的时间处发生。
199.根据权利要求198所述的方法，其中接收第一实时数据是葡萄糖浓度值。
200.根据权利要求198所述的方法，其中接收第一实时数据是日时间。
201.根据权利要求198所述的方法，其中所述患者生理模型是状态模型，所述状态模型包含葡萄糖浓度状态、机载胰岛素状态以及胰岛素敏感性状态、能量吸收状态或能量消耗状态中的一个或多个。
202.根据权利要求198所述的方法，其进一步包括从输入数据集学习所述模型。
203.根据权利要求202所述的方法，其中所述输入数据集包含时钟时间、日时间、葡萄糖浓度水平、机载胰岛素、患者活动、患者健康、星期几、月日、年日、定位、摄取的食物或摄取的饮品中的一个或多个。
204.根据权利要求202所述的方法，其进一步包括在递送所述个性化指导消息之后确定与预期状态的偏差，以及基于额外输入信息而调适所述模型。
205.根据权利要求202所述的方法，其中所述输入数据集包含通过用户界面接收的信息。
206.根据权利要求198所述的方法，其中提供所述所确定个性化指导消息包含在用户界面上呈现所述个性化指导消息。
CN201980008283.5A 2018-02-09 2019-02-06 用于决策支持的系统和方法 Pending CN111655128A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201862628895P 2018-02-09 2018-02-09
US62/628,895 2018-02-09
PCT/US2019/016922 WO2019157102A1 (en) 2018-02-09 2019-02-06 System and method for decision support

Publications (1)

Publication Number Publication Date
CN111655128A true CN111655128A (zh) 2020-09-11

Family

ID=67541066

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980008283.5A Pending CN111655128A (zh) 2018-02-09 2019-02-06 用于决策支持的系统和方法

Country Status (7)

Country Link
US (4) US11766194B2 (zh)
EP (2) EP3749183B1 (zh)
JP (2) JP7443235B2 (zh)
CN (1) CN111655128A (zh)
AU (2) AU2019217879B2 (zh)
CA (1) CA3089642A1 (zh)
WO (1) WO2019157102A1 (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112507455A (zh) * 2020-12-03 2021-03-16 北京航空航天大学 一种卫星遥测参数长周期数据的趋势分析方法
CN113257391A (zh) * 2021-06-02 2021-08-13 杭州咏柳科技有限公司 一种皮肤病的病程管理系统
CN113689931A (zh) * 2021-08-25 2021-11-23 首都医科大学宣武医院 一种服药辅助系统及方法
CN115662617A (zh) * 2022-10-24 2023-01-31 重庆联芯致康生物科技有限公司 基于cgm的结果病情预测系统及其预测方法
CN115804593A (zh) * 2021-09-15 2023-03-17 深圳硅基仿生科技股份有限公司 针对用餐前后的葡萄糖浓度水平的葡萄糖监测系统
CN115804595A (zh) * 2021-09-15 2023-03-17 深圳硅基仿生科技股份有限公司 针对睡眠前后的葡萄糖浓度水平的葡萄糖监测系统
CN115804594A (zh) * 2021-09-15 2023-03-17 深圳硅基仿生科技股份有限公司 针对运动前后的葡萄糖浓度水平的葡萄糖监测系统
WO2023040925A1 (zh) * 2021-09-15 2023-03-23 深圳硅基仿生科技股份有限公司 葡萄糖浓度水平的葡萄糖监测系统
WO2023124316A1 (zh) * 2021-12-31 2023-07-06 深圳硅基仿生科技股份有限公司 葡萄糖监测系统
EP4243031A1 (en) * 2022-03-11 2023-09-13 Diabeloop Computerized system for communicating treatment information to a user

Families Citing this family (84)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2017259158B2 (en) 2016-05-02 2022-07-28 Dexcom, Inc. System and method for providing alerts optimized for a user
CN107715230B (zh) * 2017-10-12 2019-10-01 微泰医疗器械(杭州)有限公司 基于云端大数据的胰岛素泵个体化配置优化系统
JP7443235B2 (ja) 2018-02-09 2024-03-05 デックスコム・インコーポレーテッド 意思決定支援のシステムおよび方法
US20190295440A1 (en) * 2018-03-23 2019-09-26 Nutrino Health Ltd. Systems and methods for food analysis, personalized recommendations and health management
US11672446B2 (en) 2018-03-23 2023-06-13 Medtronic Minimed, Inc. Insulin delivery recommendations based on nutritional information
US11064942B1 (en) 2018-05-04 2021-07-20 Optum Labs, Llc Methods and systems to detect eating
US11367526B2 (en) * 2018-05-07 2022-06-21 Medtronic Minimed, Inc. Proactive patient guidance using augmented reality
KR102580268B1 (ko) 2018-07-27 2023-09-19 삼성전자주식회사 생체정보 추정 모델의 캘리브레이션 장치 및 방법과, 생체정보 추정 장치
EP3832556B1 (en) * 2018-07-27 2023-12-13 Nippon Telegraph And Telephone Corporation Action optimization device, method and program
US11185260B1 (en) * 2018-08-14 2021-11-30 Optum Labs, Llc State-based methods and systems using continuous glucose monitors and accelerometers to regulate glucose levels
USD900126S1 (en) * 2018-08-28 2020-10-27 Nitto Denko Corporation Display screen or portion thereof with graphical user interface
US20200077960A1 (en) * 2018-09-12 2020-03-12 Medtronic Minimed, Inc. Systems and methods for alerting a user to detected effects of a recent therapy adjustment
CN111110949B (zh) * 2018-11-01 2021-07-09 上海市第六人民医院 胰岛素注射量确定方法及装置、计算机存储介质及设备
US20200163626A1 (en) * 2018-11-27 2020-05-28 International Business Machines Corporation Glucose level prediction and management
US11537994B2 (en) * 2018-11-29 2022-12-27 International Business Machines Corporation Mitigating disruptive effects of detected diminished working capacity
US11664108B2 (en) * 2018-11-29 2023-05-30 January, Inc. Systems, methods, and devices for biophysical modeling and response prediction
US11913970B2 (en) 2019-02-22 2024-02-27 Aerial Technologies Inc. Wireless motion detection using multiband filters
US11218769B2 (en) 2019-02-22 2022-01-04 Aerial Technologies Inc. Smart media display
US20200303046A1 (en) * 2019-02-22 2020-09-24 Aerial Technologies Inc. Wi-fi-based condition monitoring
WO2020170221A1 (en) 2019-02-22 2020-08-27 Aerial Technologies Inc. Handling concept drift in wi-fi-based localization
US11031116B2 (en) * 2019-03-04 2021-06-08 Roche Diabetes Care, Inc. Autonomous management of a diabetic condition based on mealtime and activity detection
AU2020253807A1 (en) * 2019-04-01 2021-09-16 Eli Lilly And Company Methods and apparatus for insulin dosing guidance and decision support for diabetic patient exercise
US11529105B2 (en) * 2019-04-16 2022-12-20 Koninklijke Philips N.V. Digital twin updating
US11957956B2 (en) 2019-05-10 2024-04-16 Rehab2Fit Technologies, Inc. System, method and apparatus for rehabilitation and exercise
US11723595B2 (en) * 2019-08-13 2023-08-15 Twin Health, Inc. Precision treatment with machine learning and digital twin technology for optimal metabolic outcomes
US11448726B2 (en) 2019-08-28 2022-09-20 Aerial Technologies Inc. System and method for presence and pulse detection from wireless signals
US11571515B2 (en) 2019-08-29 2023-02-07 Medtronic Minimed, Inc. Controlling medical device operation and features based on detected patient sleeping status
US11551812B2 (en) 2019-08-29 2023-01-10 Medtronic Minimed, Inc. Prediction based delivering or guiding of therapy for diabetes
US11523253B2 (en) 2019-09-06 2022-12-06 Aerial Technologies Inc. Monitoring activity using Wi-Fi motion detection
US11071597B2 (en) 2019-10-03 2021-07-27 Rom Technologies, Inc. Telemedicine for orthopedic treatment
US11213623B2 (en) * 2019-09-20 2022-01-04 Medtronic Minimed, Inc. Infusion systems and related personalized bolusing methods
US11955220B2 (en) 2019-10-03 2024-04-09 Rom Technologies, Inc. System and method for using AI/ML and telemedicine for invasive surgical treatment to determine a cardiac treatment plan that uses an electromechanical machine
US11955222B2 (en) 2019-10-03 2024-04-09 Rom Technologies, Inc. System and method for determining, based on advanced metrics of actual performance of an electromechanical machine, medical procedure eligibility in order to ascertain survivability rates and measures of quality-of-life criteria
US11961603B2 (en) 2019-10-03 2024-04-16 Rom Technologies, Inc. System and method for using AI ML and telemedicine to perform bariatric rehabilitation via an electromechanical machine
US11069436B2 (en) 2019-10-03 2021-07-20 Rom Technologies, Inc. System and method for use of telemedicine-enabled rehabilitative hardware and for encouraging rehabilitative compliance through patient-based virtual shared sessions with patient-enabled mutual encouragement across simulated social networks
US20240029856A1 (en) * 2019-10-03 2024-01-25 Rom Technologies, Inc. Systems and methods for using artificial intelligence and machine learning to predict a probability of an undesired medical event occurring during a treatment plan
US11955221B2 (en) 2019-10-03 2024-04-09 Rom Technologies, Inc. System and method for using AI/ML to generate treatment plans to stimulate preferred angiogenesis
US11978559B2 (en) 2019-10-03 2024-05-07 Rom Technologies, Inc. Systems and methods for remotely-enabled identification of a user infection
US11955223B2 (en) 2019-10-03 2024-04-09 Rom Technologies, Inc. System and method for using artificial intelligence and machine learning to provide an enhanced user interface presenting data pertaining to cardiac health, bariatric health, pulmonary health, and/or cardio-oncologic health for the purpose of performing preventative actions
US11322250B1 (en) * 2019-10-25 2022-05-03 TNacity Blue Ocean LLC Intelligent medical care path systems and methods
US20210137428A1 (en) * 2019-11-12 2021-05-13 Senseonics, Incorporated Diabetes management systems and methods
CN114945993A (zh) * 2019-11-26 2022-08-26 德克斯康公司 基于连续葡萄糖监测的建议
US11786655B2 (en) 2019-12-13 2023-10-17 Medtronic Minimed, Inc. Context-sensitive predictive operation of a medication delivery system in response to gesture-indicated activity changes
WO2021119549A1 (en) 2019-12-13 2021-06-17 Medtronic Minimed, Inc. Method and system for training a mathematical model of a user based on data received from a discrete insulin therapy system
US11938301B2 (en) 2019-12-13 2024-03-26 Medtronic Minimed, Inc. Controlling medication delivery system operation and features based on automatically detected muscular movements
US20210178063A1 (en) * 2019-12-13 2021-06-17 Medtronic Minimed, Inc. Controlling medication delivery system operation and features based on automatically detected user stress level
CN115038377A (zh) * 2019-12-16 2022-09-09 德克斯康公司 连续葡萄糖监测系统的多状态参与
WO2021126985A1 (en) * 2019-12-18 2021-06-24 Dexcom, Inc. Therapeutic zone assessor
US11244753B2 (en) * 2020-01-30 2022-02-08 Medtronic Minimed, Inc. Activity monitoring systems and methods
AU2021221083A1 (en) * 2020-02-14 2022-07-21 Dexcom, Inc. Decision support and treatment administration systems
US11276501B1 (en) * 2020-02-24 2022-03-15 BlueOwl, LLC Systems and methods for determining a risk score using machine learning based at least in part upon collected sensor data
US20210295976A1 (en) * 2020-03-23 2021-09-23 Companion Medical, Inc. Systems and methods for medicine administration and tracking
US11412962B1 (en) * 2020-03-25 2022-08-16 Tula Health, Inc. Devices, systems, and methods for identifying improving health for chronic health condition management
EP4135790A4 (en) * 2020-04-17 2024-04-24 Bigfoot Biomedical Inc DRUG DELIVERY SIMULATION SYSTEM
AU2021262765A1 (en) * 2020-04-28 2022-10-06 Dexcom, Inc. Adaptive decision support systems
US20210338116A1 (en) * 2020-04-29 2021-11-04 Dexcom, Inc. Hypoglycemic event prediction using machine learning
EP3913640A1 (en) * 2020-05-19 2021-11-24 Roche Diabetes Care GmbH Method and system for generating a software-implemented module for determining an analyte value, computer program product, and method and system for determining an analyte value
WO2021253046A1 (en) * 2020-06-10 2021-12-16 Bigfoot Biomedical, Inc. Detecting meal ingestion or missed bolus
WO2022031792A1 (en) * 2020-08-05 2022-02-10 Abbott Diabetes Care Inc. Medical monitoring systems and methods
US20220039759A1 (en) * 2020-08-05 2022-02-10 Unitedhealth Group Incorporated Predictive monitoring of the glucose-insulin endocrine metabolic regulatory system
IT202000020197A1 (it) * 2020-08-17 2022-02-17 Saurwein Emanuele Sistema e metodo per il monitoraggio delle abitudini di un utente
JP7458937B2 (ja) 2020-08-27 2024-04-01 富士フイルム株式会社 検査支援装置、方法およびプログラム
US20220061775A1 (en) 2020-09-03 2022-03-03 Dexcom, Inc. Glucose alert prediction horizon modification
FR3113824B1 (fr) * 2020-09-09 2023-11-10 Pkvitality Procédé et dispositif de surveillance de concentration en analyte corporel
IL278675B2 (en) * 2020-11-12 2024-04-01 Dreamed Diabetes Ltd Method and system for automatic monitoring of diabetes treatments based on insulin injections
JP2023552210A (ja) 2020-12-03 2023-12-14 エフ ホフマン－ラ ロッシュ アクチェン ゲゼルシャフト コンテキスト情報を使用するデータの補完
US11904138B2 (en) * 2021-01-29 2024-02-20 Medtronic Minimed, Inc. Glucose level management without carbohydrate counting
US20220245504A1 (en) * 2021-01-29 2022-08-04 Medtronic Minimed, Inc. Insulin therapy determination
US20220265177A1 (en) * 2021-02-19 2022-08-25 Medtronic Minimed, Inc. Glucose level management based on protein content of meals
US20220265926A1 (en) * 2021-02-19 2022-08-25 Medtronic Minimed, Inc. Glucose level management based on fat content of meals
US11481985B1 (en) * 2021-04-23 2022-10-25 International Business Machines Corporation Augmented reality enabled appetite enhancement
US11402976B1 (en) * 2021-05-05 2022-08-02 At&T Intellectual Property I, L.P. System and method for an adaptable, smart virtual assistant that supports long term care
USD1019674S1 (en) * 2021-10-29 2024-03-26 Medtrum Technologies Inc. Display screen or portion thereof with graphical user interface
USD1019675S1 (en) * 2021-10-29 2024-03-26 Medtrum Technologies Inc. Display screen or portion thereof with graphical user interface
USD1013544S1 (en) 2022-04-29 2024-02-06 Biolinq Incorporated Wearable sensor
EP4201306A1 (en) * 2021-12-23 2023-06-28 Polar Electro Oy Apparatus, method and computer program product for providing audio guidance during exercise
US20230233762A1 (en) * 2022-01-21 2023-07-27 Insulet Corporation User interface displays for assisting in medicament bolus calculation
EP4261834A1 (en) * 2022-04-14 2023-10-18 BIOTRONIK SE & Co. KG System for supporting a patient's health control and operating method of such system
USD1012744S1 (en) 2022-05-16 2024-01-30 Biolinq Incorporated Wearable sensor with illuminated display
EP4279905A1 (en) 2022-05-20 2023-11-22 F. Hoffmann-La Roche AG Method of individualizing analyte value ranges used to categorize a concentration of an analyte
WO2024044453A1 (en) * 2022-08-24 2024-02-29 Dexcom, Inc. Automatic suspension and resumption of medicament delivery
WO2024081559A1 (en) * 2022-10-11 2024-04-18 Insulet Corporation System and method for determining the effect of ingestion of meals of varying carbohydrate content
WO2024097820A1 (en) * 2022-11-02 2024-05-10 University Of Virginia Patent Foundation System and method for detecting pressure induced sensor attenuations (pisas) of continuous glucose monitoring (cgm)
WO2024108019A1 (en) * 2022-11-16 2024-05-23 Dexcom, Inc. Tracking, reporting, and visualizing pregnancy-related analyte data

Family Cites Families (173)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5910109A (en) * 1997-02-20 1999-06-08 Emerging Technology Systems, Llc Non-invasive glucose measuring device and method for measuring blood glucose
US6001067A (en) 1997-03-04 1999-12-14 Shults; Mark C. Device and method for determining analyte levels
US6119028A (en) 1997-10-20 2000-09-12 Alfred E. Mann Foundation Implantable enzyme-based monitoring systems having improved longevity due to improved exterior surfaces
US6081736A (en) 1997-10-20 2000-06-27 Alfred E. Mann Foundation Implantable enzyme-based monitoring systems adapted for long term use
US6579690B1 (en) 1997-12-05 2003-06-17 Therasense, Inc. Blood analyte monitoring through subcutaneous measurement
US6134461A (en) 1998-03-04 2000-10-17 E. Heller & Company Electrochemical analyte
US6175752B1 (en) 1998-04-30 2001-01-16 Therasense, Inc. Analyte monitoring device and methods of use
US7384396B2 (en) 1998-07-21 2008-06-10 Spectrx Inc. System and method for continuous analyte monitoring
US6554798B1 (en) 1998-08-18 2003-04-29 Medtronic Minimed, Inc. External infusion device with remote programming, bolus estimator and/or vibration alarm capabilities
US6424847B1 (en) 1999-02-25 2002-07-23 Medtronic Minimed, Inc. Glucose monitor calibration methods
US6653930B1 (en) 1999-05-14 2003-11-25 Siemens Information & Communication Networks, Inc. Urgency-based variable call notification
US6923763B1 (en) 1999-08-23 2005-08-02 University Of Virginia Patent Foundation Method and apparatus for predicting the risk of hypoglycemia
US6602191B2 (en) 1999-12-17 2003-08-05 Q-Tec Systems Llp Method and apparatus for health and disease management combining patient data monitoring with wireless internet connectivity
US7156809B2 (en) 1999-12-17 2007-01-02 Q-Tec Systems Llc Method and apparatus for health and disease management combining patient data monitoring with wireless internet connectivity
US7905832B1 (en) 2002-04-24 2011-03-15 Ipventure, Inc. Method and system for personalized medical monitoring and notifications therefor
DZ3338A1 (fr) 2000-03-29 2001-10-04 Univ Virginia Méthode, systeme et programme d'ordinateur pour l'évaluation de régulation de glycemique du diabète à partir de données contrôllées automatiquement
US6575905B2 (en) 2000-09-22 2003-06-10 Knobbe, Lim & Buckingham Method and apparatus for real-time estimation of physiological parameters
US20050027182A1 (en) 2001-12-27 2005-02-03 Uzair Siddiqui System for monitoring physiological characteristics
US10080529B2 (en) 2001-12-27 2018-09-25 Medtronic Minimed, Inc. System for monitoring physiological characteristics
US7022072B2 (en) 2001-12-27 2006-04-04 Medtronic Minimed, Inc. System for monitoring physiological characteristics
US7828728B2 (en) 2003-07-25 2010-11-09 Dexcom, Inc. Analyte sensor
US8538703B2 (en) 2002-08-13 2013-09-17 University Of Virginia Patent Foundation Method, system, and computer program product for the processing of self-monitoring blood glucose(SMBG)data to enhance diabetic self-management
US20090177068A1 (en) 2002-10-09 2009-07-09 Stivoric John M Method and apparatus for providing derived glucose information utilizing physiological and/or contextual parameters
US7137951B2 (en) 2002-10-23 2006-11-21 Joseph Pilarski Method of food and insulin dose management for a diabetic subject
US7052472B1 (en) 2002-12-18 2006-05-30 Dsp Diabetes Sentry Products, Inc. Systems and methods for detecting symptoms of hypoglycemia
US8965508B2 (en) * 2003-06-11 2015-02-24 Jeffrey A. Matos Controlling a personal medical device
US7460898B2 (en) 2003-12-05 2008-12-02 Dexcom, Inc. Dual electrode system for a continuous analyte sensor
US8332008B2 (en) 2003-08-01 2012-12-11 Dexcom, Inc. System and methods for processing analyte sensor data
US9135402B2 (en) 2007-12-17 2015-09-15 Dexcom, Inc. Systems and methods for processing sensor data
US7591801B2 (en) 2004-02-26 2009-09-22 Dexcom, Inc. Integrated delivery device for continuous glucose sensor
US20080119703A1 (en) 2006-10-04 2008-05-22 Mark Brister Analyte sensor
US8808228B2 (en) 2004-02-26 2014-08-19 Dexcom, Inc. Integrated medicament delivery device for use with continuous analyte sensor
US7727147B1 (en) 2004-05-14 2010-06-01 Flint Hills Scientific Llc Method and system for implantable glucose monitoring and control of a glycemic state of a subject
US20060020192A1 (en) 2004-07-13 2006-01-26 Dexcom, Inc. Transcutaneous analyte sensor
US7261691B1 (en) 2004-08-02 2007-08-28 Kwabena Asomani Personalized emergency medical monitoring and transmission system
US7547281B2 (en) 2005-02-01 2009-06-16 Medtronic Minimed, Inc. Algorithm sensor augmented bolus estimator for semi-closed loop infusion system
US7344251B2 (en) 2005-02-23 2008-03-18 Eyetracking, Inc. Mental alertness level determination
US7438418B2 (en) 2005-02-23 2008-10-21 Eyetracking, Inc. Mental alertness and mental proficiency level determination
RU2477078C2 (ru) 2006-01-05 2013-03-10 Юниверсити Оф Вирджиния Пэйтент Фаундейшн Способ, система и компьютерный программный продукт для оценки изменчивости содержания глюкозы в крови при диабете по данным самоконтроля
US7981034B2 (en) 2006-02-28 2011-07-19 Abbott Diabetes Care Inc. Smart messages and alerts for an infusion delivery and management system
EP1837787A1 (en) 2006-03-24 2007-09-26 GlucoTel Scientific Inc. Telemedical method and device for the calibration of measured values
WO2007143225A2 (en) 2006-06-07 2007-12-13 Abbott Diabetes Care, Inc. Analyte monitoring system and method
WO2007149533A2 (en) 2006-06-19 2007-12-27 Dose Safety System, method and article for controlling the dispensing of insulin
US8478377B2 (en) 2006-10-04 2013-07-02 Dexcom, Inc. Analyte sensor
US20150045632A1 (en) 2006-10-18 2015-02-12 Kenneth J. Bagan Medical Screening Device
WO2008067284A2 (en) 2006-11-27 2008-06-05 University Of Virginia Patent Foundation Method, system, and computer program for detection of conditions of a patient having diabetes
US20080154513A1 (en) 2006-12-21 2008-06-26 University Of Virginia Patent Foundation Systems, Methods and Computer Program Codes for Recognition of Patterns of Hyperglycemia and Hypoglycemia, Increased Glucose Variability, and Ineffective Self-Monitoring in Diabetes
WO2008101172A2 (en) 2007-02-16 2008-08-21 Ohio University System and method for managing diabetes
US10546659B2 (en) 2007-06-21 2020-01-28 University Of Virginia Patent Foundation Method, system and computer simulation environment for testing of monitoring and control strategies in diabetes
EP2166946B1 (en) 2007-06-21 2019-11-20 University Of Virginia Patent Foundation Lqg artificial pancreas control system and related method
BRPI0813708A2 (pt) 2007-07-09 2014-12-30 Univ Virginia Patent Found Método, sistema e produto de programa de computador para avaliação de sensibilidade a insulina, coeficiente de insulina / carboidrato, e fatores de correção de insulina em diabetes a partir de dados de auto-monitoramento
US7768386B2 (en) 2007-07-31 2010-08-03 Abbott Diabetes Care Inc. Method and apparatus for providing data processing and control in a medical communication system
US20090143725A1 (en) 2007-08-31 2009-06-04 Abbott Diabetes Care, Inc. Method of Optimizing Efficacy of Therapeutic Agent
US20090082692A1 (en) 2007-09-25 2009-03-26 Hale Kelly S System And Method For The Real-Time Evaluation Of Time-Locked Physiological Measures
EP4159114B1 (en) 2007-10-09 2024-04-10 DexCom, Inc. Integrated insulin delivery system with continuous glucose sensor
EP2073135B1 (de) 2007-12-21 2018-10-03 Roche Diabetes Care GmbH Blutglukosesystem mit Zeitsynchronisation
US20100138203A1 (en) 2008-02-12 2010-06-03 Alferness Clifton A System and method for actively managing type 2 diabetes mellitus on a personalized basis
US20100145174A1 (en) 2008-02-12 2010-06-10 Alferness Clifton A System And Method For Providing A Personalized Tool For Estimating Glycated Hemoglobin
KR20110097889A (ko) 2008-12-23 2011-08-31 에프. 호프만-라 로슈 아게 수집 디바이스 상에서 구동하는 구조화된 수집 절차의 구현, 실행, 데이터 수집, 및 데이터 분석을 위한 관리 방법 및 시스템
US20100174553A1 (en) 2008-12-24 2010-07-08 Medtronic Minimed, Inc. Diabetes Therapy Management System
US9330237B2 (en) 2008-12-24 2016-05-03 Medtronic Minimed, Inc. Pattern recognition and filtering in a therapy management system
US8812244B2 (en) 2009-01-26 2014-08-19 EOS Health, Inc. Personalized wireless-based interactive diabetes treatment
US20130035563A1 (en) 2010-01-26 2013-02-07 Angelides Kimon J Progressively Personalized Wireless-Based Interactive Diabetes Treatment
WO2010099313A1 (en) 2009-02-25 2010-09-02 University Of Virginia Patent Foundation Cgm-based prevention of hypoglycemia via hypoglycemia risk assessment and smooth reduction insulin delivery
WO2010097796A1 (en) 2009-02-26 2010-09-02 Mor Research Applications Ltd. Method and system for automatic monitoring of diabetes related treatments
EP2410910A4 (en) 2009-03-27 2014-10-15 Dexcom Inc METHODS AND SYSTEMS FOR PROMOTING GLUCOSE MANAGEMENT
WO2010127051A1 (en) 2009-04-29 2010-11-04 Abbott Diabetes Care Inc. Method and system for providing real time analyte sensor calibration with retrospective backfill
US9579456B2 (en) 2009-05-22 2017-02-28 Abbott Diabetes Care Inc. Methods for reducing false hypoglycemia alarm occurrence
US20100302042A1 (en) 2009-05-28 2010-12-02 David Barnett Sensor-based independent living assistant
JP2012527981A (ja) 2009-05-29 2012-11-12 ユニバーシティ オブ バージニア パテント ファウンデーション 糖尿病の開ループおよび閉ループ制御のためのシステムコーディネータおよびモジュールアーキテクチャ
US20100324932A1 (en) 2009-06-19 2010-12-23 Roche Diagnostics Operations, Inc. Methods and systems for advising people with diabetes
US9237864B2 (en) 2009-07-02 2016-01-19 Dexcom, Inc. Analyte sensors and methods of manufacturing same
EP3173014B1 (en) 2009-07-23 2021-08-18 Abbott Diabetes Care, Inc. Real time management of data relating to physiological control of glucose levels
US8589082B2 (en) 2009-08-21 2013-11-19 Neilin Chakrabarty Method for managing obesity, diabetes and other glucose-spike-induced diseases
US8269634B2 (en) 2009-08-27 2012-09-18 Angel Medical Systems, Inc. Systems and methods of alarm validation and backup in implanted medical devices
US8301231B2 (en) 2009-08-27 2012-10-30 Angel Medical, Inc. Alarm testing and backup for implanted medical devices with vibration alerts
ES2912584T3 (es) 2009-08-31 2022-05-26 Abbott Diabetes Care Inc Un sistema y procedimiento de monitorización de glucosa
WO2011028731A1 (en) 2009-09-01 2011-03-10 University Of Virginia Patent Foundation System, method and computer program product for adjustment of insulin delivery (aid) in diabetes using nominal open-loop profiles
KR101632308B1 (ko) 2009-09-23 2016-06-21 삼성전자주식회사 혈당 관리 정보를 제공하는 방법 및 장치
WO2011039741A1 (en) 2009-09-30 2011-04-07 Mor Research Applications Ltd. Monitoring device for mangement of insulin delivery
WO2011043815A1 (en) * 2009-10-09 2011-04-14 Ferzli George S Stethoscope, stethoscope attachment and collected data analysis method and system
WO2011050337A1 (en) 2009-10-22 2011-04-28 Abbott Diabetes Care Inc. Methods for modeling insulin therapy requirements
US20110118578A1 (en) 2009-11-17 2011-05-19 Roche Diagnostics Operations, Inc. Hypoglycemic treatment methods and systems
CN102665533A (zh) 2009-12-02 2012-09-12 唯听助听器公司 向携带eeg组件的个体提供警告的系统和方法
US20120088989A1 (en) 2009-12-21 2012-04-12 Roche Diagnostic Operations, Inc. Management Method And System For Implementation, Execution, Data Collection, and Data Analysis of A Structured Collection Procedure Which Runs On A Collection Device
US9041730B2 (en) 2010-02-12 2015-05-26 Dexcom, Inc. Receivers for analyzing and displaying sensor data
CN102892895B (zh) 2010-03-11 2016-01-13 弗吉尼亚大学专利基金会 用于糖尿病中的胰岛素泵动作和其他胰岛素递送模式的安全性、分析和监督的方法和系统
US9398869B2 (en) 2010-03-26 2016-07-26 University Of Virginia Patent Foundation Method, system, and computer program product for improving the accuracy of glucose sensors using insulin delivery observation in diabetes
WO2012019110A1 (en) 2010-08-05 2012-02-09 Abbott Laboratories Method and system for managing patient healthcare
US8974746B2 (en) 2010-09-16 2015-03-10 Panasonic Healthcare Holdings Co., Ltd. Biological sample measuring device for medical institutions
CA2723647C (en) 2010-12-02 2015-11-24 Philip Y.W. Tsui Remote control device with password functions
WO2012108938A1 (en) 2011-02-11 2012-08-16 Abbott Diabetes Care Inc. Software applications residing on handheld analyte determining devices
US20140088392A1 (en) 2011-02-11 2014-03-27 Abbott Diabetes Care Inc. Feedback from Cloud or HCP to Payer or Patient via Meter or Cell Phone
US10136845B2 (en) 2011-02-28 2018-11-27 Abbott Diabetes Care Inc. Devices, systems, and methods associated with analyte monitoring devices and devices incorporating the same
JP2012200271A (ja) 2011-03-23 2012-10-22 Omron Healthcare Co Ltd 処理装置、測定装置、処理方法、および処理プログラム
US20120316458A1 (en) 2011-06-11 2012-12-13 Aliphcom, Inc. Data-capable band for medical diagnosis, monitoring, and treatment
BR112013033254A2 (pt) 2011-06-23 2017-03-01 Univ Virginia Patent Foundation sistema para gerenciar o controle glicêmico de paciente e meio de armazenamento não transitório legível por computador
AU2012272647B2 (en) 2011-06-23 2017-01-19 University Of Virginia Patent Foundation Method and apparatus for modular power management and protection of critical services in ambulatory medical devices
US9833142B2 (en) 2011-07-05 2017-12-05 Saudi Arabian Oil Company Systems, computer medium and computer-implemented methods for coaching employees based upon monitored health conditions using an avatar
WO2013022775A1 (en) 2011-08-05 2013-02-14 Dexcom, Inc. Systems and methods for detecting glucose level data patterns
EP2748747B1 (en) 2011-08-26 2020-08-26 University Of Virginia Patent Foundation Method, system and computer readable medium for adaptive advisory control of diabetes
US10463300B2 (en) 2011-09-19 2019-11-05 Dp Technologies, Inc. Body-worn monitor
EP2757951B1 (en) 2011-09-23 2016-11-09 Dexcom, Inc. Systems and methods for processing and transmitting sensor data
US9439602B2 (en) 2011-10-26 2016-09-13 Dexcom, Inc. Alert system for hypo and hyperglycemia prevention based on clinical risk
WO2013066849A1 (en) 2011-10-31 2013-05-10 Abbott Diabetes Care Inc. Model based variable risk false glucose threshold alarm prevention mechanism
US20130116526A1 (en) 2011-11-09 2013-05-09 Telcare, Inc. Handheld Blood Glucose Monitoring Device with Messaging Capability
EP2791782B1 (en) 2011-12-15 2018-10-03 Becton, Dickinson and Company Near field telemetry link for passing a shared secret to establish a secure radio frequency communication link in a physiological condition monitoring system
JP5878823B2 (ja) 2012-05-15 2016-03-08 太陽誘電株式会社 複合電子部品
US20130307686A1 (en) 2012-05-18 2013-11-21 James C. Frauenthal Blood-chemistry imbalance determination by means of reflex reaction time measurements
US20130325352A1 (en) 2012-06-05 2013-12-05 Dexcom, Inc. Calculation engine based on histograms
US8930290B2 (en) 2012-06-28 2015-01-06 International Business Machines Corporation Adaptive cognitive support system
US20140012118A1 (en) 2012-07-09 2014-01-09 Dexcom, Inc. Systems and methods for leveraging smartphone features in continuous glucose monitoring
US9849239B2 (en) 2012-08-30 2017-12-26 Medtronic Minimed, Inc. Generation and application of an insulin limit for a closed-loop operating mode of an insulin infusion system
US11081234B2 (en) 2012-10-04 2021-08-03 Analytic Diabetic Systems, Inc. Clinical support systems and methods
US9226702B2 (en) 2012-10-12 2016-01-05 Roche Diabetes Care, Inc. Communication protocol improvement to recover data from a continuous glucose monitor
US9119529B2 (en) 2012-10-30 2015-09-01 Dexcom, Inc. Systems and methods for dynamically and intelligently monitoring a host's glycemic condition after an alert is triggered
CA2895969A1 (en) 2012-12-31 2014-07-03 Omni Medsci, Inc. Near-infrared lasers for non-invasive monitoring of glucose, ketones, hba1c, and other blood constituents
WO2014143276A2 (en) 2012-12-31 2014-09-18 Omni Medsci, Inc. Short-wave infrared super-continuum lasers for natural gas leak detection, exploration, and other active remote sensing applications
US9730621B2 (en) 2012-12-31 2017-08-15 Dexcom, Inc. Remote monitoring of analyte measurements
US9494567B2 (en) 2012-12-31 2016-11-15 Omni Medsci, Inc. Near-infrared lasers for non-invasive monitoring of glucose, ketones, HBA1C, and other blood constituents
US9585563B2 (en) 2012-12-31 2017-03-07 Dexcom, Inc. Remote monitoring of analyte measurements
KR102212020B1 (ko) 2013-01-14 2021-02-05 더 리전트 오브 더 유니버시티 오브 캘리포니아 제1형 당뇨병 응용을 위한 인공 췌장에 대한 모델 예측 제어 문제에서의 일주기 목표-구역 조절
US8878669B2 (en) 2013-01-31 2014-11-04 KHN Solutions, Inc. Method and system for monitoring intoxication
BR112015020002B1 (pt) 2013-02-21 2022-07-12 University Of Virginia Patent Foundation Sistema e método implementado por computador para proporcionar estimativa em tempo real de hemoglobina glicosilada (hbalc) de paciente e meio não transitório capaz de ser lido por computador
US20140253323A1 (en) 2013-03-06 2014-09-11 Lifescan, Inc. Low analyte level alert system from continuous analyte monitor
US20140276238A1 (en) 2013-03-15 2014-09-18 Ivan Osorio Method, system and apparatus for fall detection
US9980671B2 (en) 2013-03-15 2018-05-29 Johnnie J. Refvik Systems and methods for management of medical condition
JP6466927B2 (ja) 2013-07-03 2019-02-06 ユニバーシティ オブ バージニア パテント ファンデーションＵｎｉｖｅｒｓｉｔｙ Ｏｆ Ｖｉｒｇｉｎｉａ Ｐａｔｅｎｔ Ｆｏｕｎｄａｔｉｏｎ １型糖尿病患者における内因性及び外因性グルコース／インスリン／グルカゴン相互作用のシミュレーション
US9092555B2 (en) * 2013-07-31 2015-07-28 Oracle International Corporation Patient activity alert tool
EP3514800A1 (en) 2013-08-21 2019-07-24 Medtronic MiniMed, Inc. Medical devices and related updating methods and systems
US9999398B2 (en) 2013-09-04 2018-06-19 Roche Diabetes Care, Inc. Presenting data generated by a continuous glucose monitor
WO2015056259A1 (en) 2013-10-14 2015-04-23 Dreamed-Diabetes Ltd. System and method for improved artificial pancreas management
WO2015065922A1 (en) 2013-10-28 2015-05-07 Dexcom, Inc. Devices used in connection with continuous analyte monitoring that provide the user with one or more notifications, and related methods
JP6855244B2 (ja) 2013-10-31 2021-04-07 デックスコム・インコーポレーテッド 連続的監視デバイスのための適応型インターフェース
JP6538704B2 (ja) 2013-11-07 2019-07-03 デックスコム・インコーポレーテッド 分析物値の伝送及び連続的監視のためのシステム及び方法
DK3069279T3 (da) 2013-11-14 2020-11-30 Dexcom Inc Indretninger og fremgangsmåder til kontinuerlig analytovervågning
WO2015103543A1 (en) 2014-01-03 2015-07-09 University Of Virginia Patent Foundation Central data exchange node for system monitoring and control of blood glucose levels in diabetic patients
US20150208975A1 (en) 2014-01-29 2015-07-30 Sync-Think, Inc. System and Method for Target Independent Neuromotor Analytics
ES2704110T3 (es) 2014-03-28 2019-03-14 Joslin Diabetes Center Inc Determinación de un nivel de insensibilidad a la hipoglucemia mostrado por un paciente
CA3223238A1 (en) * 2014-04-10 2015-10-15 Dexcom, Inc. Glycemic urgency assessment and alerts interface
US20150324520A1 (en) 2014-05-12 2015-11-12 Roche Diagnostics Operations, Inc. Blood Glucose Meter Supporting Contextual Data Filtering
CN106456067A (zh) 2014-06-06 2017-02-22 德克斯康公司 基于数据和背景的故障判别和响应处理
EP3179914A4 (en) 2014-08-14 2018-04-11 The University of Virginia Patent Foundation Improved accuracy continuous glucose monitoring method, system, and device
US9855352B2 (en) 2014-09-13 2018-01-02 Sensor Electronic Technology, Inc. Diffusive light illuminator
WO2016049080A1 (en) 2014-09-22 2016-03-31 Dexcom, Inc. System and method for mode switching
US10265031B2 (en) 2014-12-19 2019-04-23 Medtronic Minimed, Inc. Infusion devices and related methods and systems for automatic alert clearing
KR102349961B1 (ko) 2015-01-22 2022-01-11 삼성전자주식회사 헬스 케어 장치 및 그 동작 방법
WO2016133879A1 (en) 2015-02-16 2016-08-25 University Of Virginia Patent Foundation Method, system and computer readable medium for assessing actionable glycemic risk
AU2016258193A1 (en) 2015-05-07 2017-08-17 Dexcom, Inc. System and method for educating users, including responding to patterns
US20160324481A1 (en) 2015-05-08 2016-11-10 Pops! Diabetes Care, Inc. Blood glucose management system
WO2016201120A1 (en) 2015-06-09 2016-12-15 University Of Virginia Patent Foundation Insulin monitoring and delivery system and method for cgm based fault detection and mitigation via metabolic state tracking
US10463297B2 (en) 2015-08-21 2019-11-05 Medtronic Minimed, Inc. Personalized event detection methods and related devices and systems
US10463789B2 (en) 2015-09-02 2019-11-05 University Of Virginia Patent Foundation System, method, and computer readable medium for dynamic insulin sensitivity in diabetic pump users
US9883369B2 (en) * 2015-10-13 2018-01-30 Sony Corporation System and method for providing assistance during medical emergency
EP3370602B1 (en) 2015-11-05 2020-12-02 Dexcom, Inc. Compatibility check for continuous glucose monitoring application
US20170185953A1 (en) 2015-12-28 2017-06-29 Dexcom, Inc. Controlled ordering of supplies for medical devices and systems
CA3009351A1 (en) * 2016-01-14 2017-07-20 Bigfoot Biomedical, Inc. Adjusting insulin delivery rates
EP3408774B1 (en) 2016-01-29 2023-09-27 University of Virginia Patent Foundation d/b/a University of Virginia Licensing & Ventures Group Method, system, and computer readable medium for virtualization of a continuous glucose monitoring trace
US20170216518A1 (en) 2016-02-01 2017-08-03 Dexcom, Inc. System and method for decision support using lifestyle factors
US10832160B2 (en) 2016-04-27 2020-11-10 International Business Machines Corporation Predicting user attentiveness to electronic notifications
AU2017259158B2 (en) 2016-05-02 2022-07-28 Dexcom, Inc. System and method for providing alerts optimized for a user
CA3024111A1 (en) * 2016-05-13 2017-11-16 WellDoc, Inc. Database management and graphical user interfaces for measurements collected by analyzing blood
US20170329933A1 (en) 2016-05-13 2017-11-16 Thomas Edwin Brust Adaptive therapy and health monitoring using personal electronic devices
JP2017225602A (ja) 2016-06-22 2017-12-28 株式会社Ｌｕｆｔホールディングス 生体情報管理システム及び測定装置
CN109475296B (zh) * 2016-08-12 2022-04-05 德克斯康公司 用于连续葡萄糖监测的健康数据可视化和用户支持工具的系统和方法
US20180060495A1 (en) 2016-08-29 2018-03-01 Conduent Business Services, Llc Method and system for data processing to recommend medical intervention activities for caregivers and/or human subjects
US10854322B2 (en) * 2016-12-21 2020-12-01 Medtronic Minimed, Inc. Infusion systems and methods for patient activity adjustments
US10583250B2 (en) 2017-01-13 2020-03-10 Bigfoot Biomedical, Inc. System and method for adjusting insulin delivery
US10500334B2 (en) 2017-01-13 2019-12-10 Bigfoot Biomedical, Inc. System and method for adjusting insulin delivery
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
US10244985B1 (en) 2017-12-28 2019-04-02 Saleem Sayani Wearable diagnostic device
JP7443235B2 (ja) 2018-02-09 2024-03-05 デックスコム・インコーポレーテッド 意思決定支援のシステムおよび方法
US20190320976A1 (en) 2018-04-18 2019-10-24 Zense-Life Inc. Metabolic monitoring system

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112507455A (zh) * 2020-12-03 2021-03-16 北京航空航天大学 一种卫星遥测参数长周期数据的趋势分析方法
CN112507455B (zh) * 2020-12-03 2022-08-12 北京航空航天大学 一种卫星遥测参数长周期数据的趋势分析方法
CN113257391A (zh) * 2021-06-02 2021-08-13 杭州咏柳科技有限公司 一种皮肤病的病程管理系统
CN113257391B (zh) * 2021-06-02 2021-11-30 杭州咏柳科技有限公司 一种皮肤病的病程管理系统
CN113689931A (zh) * 2021-08-25 2021-11-23 首都医科大学宣武医院 一种服药辅助系统及方法
CN113689931B (zh) * 2021-08-25 2024-01-26 首都医科大学宣武医院 一种服药辅助系统及方法
CN115804593A (zh) * 2021-09-15 2023-03-17 深圳硅基仿生科技股份有限公司 针对用餐前后的葡萄糖浓度水平的葡萄糖监测系统
CN115804595A (zh) * 2021-09-15 2023-03-17 深圳硅基仿生科技股份有限公司 针对睡眠前后的葡萄糖浓度水平的葡萄糖监测系统
CN115804594A (zh) * 2021-09-15 2023-03-17 深圳硅基仿生科技股份有限公司 针对运动前后的葡萄糖浓度水平的葡萄糖监测系统
WO2023040925A1 (zh) * 2021-09-15 2023-03-23 深圳硅基仿生科技股份有限公司 葡萄糖浓度水平的葡萄糖监测系统
WO2023124316A1 (zh) * 2021-12-31 2023-07-06 深圳硅基仿生科技股份有限公司 葡萄糖监测系统
EP4243031A1 (en) * 2022-03-11 2023-09-13 Diabeloop Computerized system for communicating treatment information to a user
FR3133478A1 (fr) * 2022-03-11 2023-09-15 Diabeloop Système informatisé de communication d’informations de traitement à un utilisateur
CN115662617A (zh) * 2022-10-24 2023-01-31 重庆联芯致康生物科技有限公司 基于cgm的结果病情预测系统及其预测方法

Also Published As

Publication number Publication date
US20190252079A1 (en) 2019-08-15
EP4376020A2 (en) 2024-05-29
JP2021513136A (ja) 2021-05-20
US20190246973A1 (en) 2019-08-15
JP7443235B2 (ja) 2024-03-05
CA3089642A1 (en) 2019-08-15
JP2024010166A (ja) 2024-01-23
EP3749183A4 (en) 2021-10-13
US11723560B2 (en) 2023-08-15
US11766194B2 (en) 2023-09-26
EP3749183A1 (en) 2020-12-16
AU2019217879B2 (en) 2023-12-21
AU2019217879A1 (en) 2020-07-23
US20190246914A1 (en) 2019-08-15
WO2019157102A1 (en) 2019-08-15
US20190251456A1 (en) 2019-08-15
EP3749183B1 (en) 2024-04-10
AU2024201688A1 (en) 2024-04-04

Similar Documents

Publication Publication Date Title
JP7443235B2 (ja) 意思決定支援のシステムおよび方法
US11389090B2 (en) Intermittent monitoring
US20210050085A1 (en) Systems, devices, and methods relating to medication dose guidance
AU2022263527A1 (en) System and method for decision support using lifestyle factors
US20220273204A1 (en) Intermittent Monitoring
CN113453619A (zh) 为连续血糖监测系统的用户做出决策支持建议的安全工具
US11990238B2 (en) Decision support and treatment administration systems
US11998322B2 (en) Intermittent monitoring
WO2023219847A1 (en) Cost-effective therapy recommendations

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