CN112017778B - 一种面向临床的多层级血糖异常预警方法 - Google Patents
一种面向临床的多层级血糖异常预警方法 Download PDFInfo
- Publication number
- CN112017778B CN112017778B CN202010783057.9A CN202010783057A CN112017778B CN 112017778 B CN112017778 B CN 112017778B CN 202010783057 A CN202010783057 A CN 202010783057A CN 112017778 B CN112017778 B CN 112017778B
- Authority
- CN
- China
- Prior art keywords
- blood glucose
- level
- low
- early warning
- warning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000008280 blood Substances 0.000 title claims abstract description 373
- 210000004369 blood Anatomy 0.000 title claims abstract description 373
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 title claims abstract description 260
- 239000008103 glucose Substances 0.000 title claims abstract description 260
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000005856 abnormality Effects 0.000 title claims abstract description 37
- 230000002159 abnormal effect Effects 0.000 claims abstract description 97
- 208000013016 Hypoglycemia Diseases 0.000 claims abstract description 90
- 230000035790 physiological processes and functions Effects 0.000 claims abstract description 38
- 208000024891 symptom Diseases 0.000 claims abstract description 12
- 201000001421 hyperglycemia Diseases 0.000 claims description 57
- 230000008859 change Effects 0.000 claims description 36
- 230000002218 hypoglycaemic effect Effects 0.000 claims description 26
- 239000003814 drug Substances 0.000 claims description 13
- 239000006481 glucose medium Substances 0.000 claims description 12
- 229940079593 drug Drugs 0.000 claims description 9
- 239000002609 medium Substances 0.000 claims description 7
- 230000006378 damage Effects 0.000 claims description 6
- 238000011161 development Methods 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 3
- 238000011269 treatment regimen Methods 0.000 abstract 1
- NOESYZHRGYRDHS-UHFFFAOYSA-N insulin Chemical compound N1C(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(NC(=O)CN)C(C)CC)CSSCC(C(NC(CO)C(=O)NC(CC(C)C)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CCC(N)=O)C(=O)NC(CC(C)C)C(=O)NC(CCC(O)=O)C(=O)NC(CC(N)=O)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CSSCC(NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2C=CC(O)=CC=2)NC(=O)C(CC(C)C)NC(=O)C(C)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2NC=NC=2)NC(=O)C(CO)NC(=O)CNC2=O)C(=O)NCC(=O)NC(CCC(O)=O)C(=O)NC(CCCNC(N)=N)C(=O)NCC(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC(O)=CC=3)C(=O)NC(C(C)O)C(=O)N3C(CCC3)C(=O)NC(CCCCN)C(=O)NC(C)C(O)=O)C(=O)NC(CC(N)=O)C(O)=O)=O)NC(=O)C(C(C)CC)NC(=O)C(CO)NC(=O)C(C(C)O)NC(=O)C1CSSCC2NC(=O)C(CC(C)C)NC(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CC(N)=O)NC(=O)C(NC(=O)C(N)CC=1C=CC=CC=1)C(C)C)CC1=CN=CN1 NOESYZHRGYRDHS-UHFFFAOYSA-N 0.000 description 22
- 102000004877 Insulin Human genes 0.000 description 11
- 108090001061 Insulin Proteins 0.000 description 11
- 229940125396 insulin Drugs 0.000 description 11
- 238000002474 experimental method Methods 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000001802 infusion Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 230000000630 rising effect Effects 0.000 description 5
- 206010012601 diabetes mellitus Diseases 0.000 description 4
- 230000002641 glycemic effect Effects 0.000 description 4
- 230000001154 acute effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 230000003345 hyperglycaemic effect Effects 0.000 description 3
- 238000012502 risk assessment Methods 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 2
- 230000001684 chronic effect Effects 0.000 description 2
- 238000013277 forecasting method Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 229940088597 hormone Drugs 0.000 description 2
- 239000005556 hormone Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 206010010071 Coma Diseases 0.000 description 1
- 239000003472 antidiabetic agent Substances 0.000 description 1
- 235000019577 caloric intake Nutrition 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000857 drug effect Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 235000015203 fruit juice Nutrition 0.000 description 1
- 235000012055 fruits and vegetables Nutrition 0.000 description 1
- 239000008187 granular material Substances 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000000291 postprandial effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 238000010863 targeted diagnosis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
-
- 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
- A61B5/4806—Sleep evaluation
-
- 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
- A61B5/4848—Monitoring or testing the effects of treatment, e.g. of medication
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Emergency Management (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Business, Economics & Management (AREA)
- Emergency Medicine (AREA)
- Optics & Photonics (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明涉及一种面向临床的多层级血糖异常预警方法，包括如下步骤：获取患者的血糖数据和生理状态数据；根据生理状态数据，选定临床认可度高的高低血糖异常事件警戒阈值；根据血糖异常导致的临床症状的危险程度划分异常预警等级；根据获取的患者血糖数据和生理状态数据与高低血糖异常事件警戒阈值联合分析判断患者的异常预警等级；其中，所述血糖数据包括：历史血糖数据、当前血糖数据和血糖预测数据；所述生理状态数据包括：当前生理状态标签和未来生理状态标签。本发明提供的异常预警方法能够获得精细有效的预警信息，用以辅助医疗工作人员做出可靠的治疗策略。
Description
技术领域
本发明属于血糖异常预警技术领域，尤其涉及一种面向临床的多层级血糖异常预警方法。
背景技术
截止至2019年，全球糖尿病患病人数已达4.63亿人，预计到2030、2045年将达到5.78亿人、7亿人，我国现有1.164亿糖尿病患者，居世界第1位。依此可见，糖尿病对人类健康、社会和经济发展的危害不容小觑。然而，糖尿病没有办法治愈，仅能依赖于患者长期的佩戴血糖监测设备并通过注射胰岛素控制血糖来降低并发症与死亡的风险。患者若是长期处于高血糖状态，易引发慢性、急性病发症。慢性并发症会影响患者的生活质量和健康状态，急性并发症会导致患者意识障碍不清、昏迷甚至死亡。糖尿病患者对于降糖类药物及胰岛素类激素过于依赖，这就会增加发生低血糖的概率，若发生持续降糖则会导致严重低血糖，导致精神功能障碍以及低血糖昏迷情况，严重危害到患者的生活质量与生命安全。
在目前的研究中，常见的血糖异常预警方法是将预测的血糖浓度与预设固定的高、低血糖警戒阈值做比较，以此进行血糖预警。少数的学者从预警信号判断逻辑角度进行研究得到预警规则，或者，依据其他生理信息挖掘的角度进行夜间低血糖预警。在上述预警方法中，根据血糖预报方法实现的血糖异常预警依赖于血糖预报方法的精准性，引入单一的身体状态信息难以获得较高的预测精度，致使增加错误报警率和遗漏报警率。与此同时，在目前的主流血糖仪产品以及常见的研究中，异常血糖预警方法采用的预警策略是设定固定的低血糖阈值，通过预报未来一段时间内的血糖值判断是否触发异常预警，若低于低血糖阈值则触发低血糖预警。而在生活中，针对不同程度的血糖异常情况应该采取不同的预警提示和针对性的诊疗措施，而非归为同一种血糖异常程度后采取相同的诊疗措施。
发明内容
(一)要解决的技术问题
为了解决现有技术的上述问题，本发明提供一种面向临床的多层级血糖异常预警方法。
(二)技术方案
为了达到上述目的，本发明采用的主要技术方案包括：
一种面向临床的多层级血糖异常预警方法，包括如下步骤：
获取患者的血糖数据和生理状态数据；
根据生理状态数据，选定临床认可度高的高低血糖异常事件警戒阈值；
根据血糖异常导致的临床症状的危险程度划分异常预警等级；
根据获取的患者血糖数据和生理状态数据与高低血糖异常事件警戒阈值联合分析判断患者的异常预警等级；
其中，所述血糖数据包括：历史血糖数据、当前血糖数据和血糖预测数据；
所述生理状态数据包括：当前生理状态标签和未来生理状态标签。
优选地，通过对血糖异常事件的分析和临床症状对人体危害评定危险等级与预警等级；
所述危险等级与预警等级包括：严重高血糖危险1级高血糖预警、中度高血糖危险2级高血糖预警、轻度高血糖危险3级高血糖预警、潜在高血糖危险4级高血糖预警、潜在低血糖危险4级低血糖预警、轻度低血糖危险3级低血糖预警、中度低血糖危险2级低血糖预警和严重低血糖危险1级低血糖预警。
优选地，还包括：设定生理状态标签；
所述生理状态标签包括：一般状态、药物起效状态和睡眠状态；
所述一般状态对应的高血糖阈值HH|HM|HL和低血糖阈值LH|LM|LL分别为：15.9|13.0|9.0和3.9|3.0|2.8；
所述药物起效状态对应的高血糖阈值HH|HM|HL和低血糖阈值LH|LM|LL分别为：16.7|13.9|10.0和4.4|3.3|3.0；
所述睡眠状态对应的高血糖阈值HH|HM|HL和低血糖阈值LH|LM|LL分别为：16.7|13.9|10.0和4.4|3.3|3.0。
优选地，所述历史血糖数据包括：历史平均血糖浓度水平和历史血糖浓度变化趋势；
所述历史平均血糖浓度水平是指从当前时刻往历史时刻倒推，取其平均值，能够反映历史血糖浓度所处的水平和是否异常；
所述历史血糖浓度变化趋势是指固定个数数据点按时间顺序发展的变化率，即固定个数点中当前时刻点与距离当前时刻最远点的斜率。
优选地，所述当前血糖数据包括：当前时刻血糖浓度水平、当前时刻生理状态标签和当前时刻所处异常；
所述当前血糖浓度水平即当前CGMS监测的当前时刻血糖值；
所述当前生理状态标签是指当前时刻人体处于一般状态、药物起效状态、睡眠状态之一。
优选地，所述血糖预测数据包括：未来血糖浓度水平和未来血糖浓度变化趋势；
所述未来血糖浓度水平即使用血糖预测模型预测出来的将来血糖值；
所述未来血糖浓度变化趋势是指被预测时刻点与当前时刻点之间的斜率。
优选地，所述联合分析判断患者的异常预警等级包括如下规则：
情况1：当前时刻血糖浓度水平大于高血糖高警戒阈值HH且当预测血糖浓度水平大于高血糖高警戒阈值HH，按严重高血糖异常事件进行预警；
情况2：当前时刻血糖浓度水平处于高血糖高警戒阈值与中警戒阈值之间HH-HM且当预测未来血糖浓度水平大于高血糖中警戒阈值HM，按中度高血糖异常事件进行预警；
情况3：当前时刻血糖浓度水平处于高血糖中警戒阈值与低警戒阈值之间HM-HL且当预测未来血糖浓度水平大于高血糖低警戒阈值HL，按轻度高血糖异常事件进行预警；
情况4：当前时刻血糖浓度水平处于高血糖低警戒阈值与低血糖高警戒阈值之间且当预测未来血糖浓度水平大于高血糖低警戒阈值HL，按轻度高血糖异常事件进行预警；
情况5：当现在血糖浓度水平处于高血糖低警戒阈值与低血糖高警戒阈值之间且当预测未来血糖浓度水平也处于安全范围SR且当历史血糖变化趋势为正且当未来血糖变化趋势为正，按潜在高血糖异常事件进行预警；
情况6：当前时刻血糖浓度水平处于高血糖低警戒阈值与低血糖高警戒阈值之间且当预测未来血糖浓度水平也处于安全范围SR且当历史血糖变化趋势为负且当未来血糖变化趋势为负，按潜在低血糖异常事件进行预警；
情况7：当前时刻血糖浓度水平处于高血糖低警戒阈值与低血糖高警戒阈值之间且当预测未来血糖浓度水平小于低血糖高警戒阈值LH，按轻度低血糖异常事件进行预警；
情况8：当前时刻血糖浓度水平处于低血糖高警戒阈值与中警戒阈值之间LH-LM且当预测未来血糖浓度水平小于低血糖高警戒阈值LH，按轻度低血糖异常事件进行预警；
情况9：当前时刻血糖浓度水平处于低血糖中警戒阈值与低警戒阈值之间LM-LL且当预测未来血糖浓度水平小于低血糖中警戒阈值LM，按中度低血糖异常事件进行预警；
情况10：当前时刻血糖浓度水平小于低血糖低警戒阈值LL且当预测未来血糖浓度水平小于低血糖低警戒阈值LL，按严重低血糖异常事件进行预警；
其它情况，不进行预警。
(三)有益效果
本发明的有益效果是：本发明提供的一种面向临床的多层级血糖异常预警方法具有以下有益效果：
针对不确定因素问题，本方法采取多因素联合分析的方式作为辅助判断将过去血糖状态、当前血糖状态和未来血糖状态都纳入预警的决策中，使血糖预警更精准。
由于人体在日常生活中，状态时刻在改变，不同状态下人体的机能不同，对激素的反应程度不一样。采取根据不同生理状态的情况设置不同异常阈值的策略，可以解决因人体敏感程度变化造成的不及时报警，错误报警以及遗漏报警等现象。
针对单一预警问题，在基本阈值预警的基础上，设计一种多层级预警机制传统的预警方法，解决了传统预警中统一按高或低血糖异常预警处理的情况。基于本方法，医生和患者可以更细致的根据当前的境况做出正确的判断以及采取合适的措施。
附图说明
图1为本发明提供的一种面向临床的多层级血糖异常预警方法的实施例中的流程框图；
图2为本发明提供的一种面向临床的多层级血糖异常预警方法的实施例中的混淆矩阵图；
图3为本发明提供的一种面向临床的多层级血糖异常预警方法的实施例中的恒定阈值高血糖组预警结果图；
图4为本发明提供的一种面向临床的多层级血糖异常预警方法的实施例中的变阈值高血糖组预警结果图；
图5为本发明提供的一种面向临床的多层级血糖异常预警方法的实施例中的高血糖组混淆矩阵图；
图6为本发明提供的一种面向临床的多层级血糖异常预警方法的实施例中的恒定阈值低血糖组预警结果图；
图7为本发明提供的一种面向临床的多层级血糖异常预警方法的实施例中的变阈值低血糖组预警结果图；
图8为本发明提供的一种面向临床的多层级血糖异常预警方法的实施例中的低血糖组混淆矩阵图。
具体实施方式
为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。
本实施例中公开了一种面向临床的多层级血糖异常预警方法，包括如下步骤：
获取患者的血糖数据和生理状态数据；
根据生理状态数据，选定临床认可度高的高低血糖异常事件警戒阈值；
根据血糖异常导致的临床症状的危险程度划分异常预警等级；
根据获取的患者血糖数据和生理状态数据与高低血糖异常事件警戒阈值联合分析判断患者的异常预警等级；
其中，所述血糖数据包括：历史血糖数据、当前血糖数据和血糖预测数据；
所述生理状态数据包括：当前生理状态标签和未来生理状态标签。
本实施例中通过对血糖异常事件的分析和临床症状对人体危害评定危险等级与预警等级；
所述危险等级与预警等级包括：严重高血糖危险1级高血糖预警、中度高血糖危险2级高血糖预警、轻度高血糖危险3级高血糖预警、潜在高血糖危险4级高血糖预警、潜在低血糖危险4级低血糖预警、轻度低血糖危险3级低血糖预警、中度低血糖危险2级低血糖预警和严重低血糖危险1级低血糖预警。
本实施例中提供的面向临床的多层级血糖异常预警方法还包括：设定生理状态标签；
所述生理状态标签包括：一般状态、药物起效状态和睡眠状态；
所述一般状态对应的高血糖阈值HH|HM|HL和低血糖阈值LH|LM|LL分别为：15.9|13.0|9.0和3.9|3.0|2.8；
所述药物起效状态对应的高血糖阈值HH|HM|HL和低血糖阈值LH|LM|LL分别为：16.7|13.9|10.0和4.4|3.3|3.0；
所述睡眠状态对应的高血糖阈值HH|HM|HL和低血糖阈值LH|LM|LL分别为：16.7|13.9|10.0和4.4|3.3|3.0。
具体地，所述历史血糖数据包括：历史平均血糖浓度水平和历史血糖浓度变化趋势；
所述历史平均血糖浓度水平是指从当前时刻往历史时刻倒推，取其平均值，能够反映历史血糖浓度所处的水平和是否异常；
所述历史血糖浓度变化趋势是指固定个数数据点按时间顺序发展的变化率，即固定个数点中当前时刻点与距离当前时刻最远点的斜率。
具体地，所述当前血糖数据包括：当前时刻血糖浓度水平、当前时刻生理状态标签和当前时刻所处异常；
所述当前血糖浓度水平即当前CGMS监测的当前时刻血糖值；
所述当前生理状态标签是指当前时刻人体处于一般状态、药物起效状态、睡眠状态之一。
具体地，所述血糖预测数据包括：未来血糖浓度水平和未来血糖浓度变化趋势；
所述未来血糖浓度水平即使用血糖预测模型预测出来的将来血糖值；
所述未来血糖浓度变化趋势是指被预测时刻点与当前时刻点之间的斜率。
本实施例中所述联合分析判断患者的异常预警等级包括如下规则：
情况1：当前时刻血糖浓度水平大于高血糖高警戒阈值HH且当预测未来血糖浓度水平大于高血糖高警戒阈值HH，按严重高血糖异常事件进行预警；
情况2：当前时刻血糖浓度水平处于高血糖高警戒阈值与中警戒阈值之间HH-HM且当预测未来血糖浓度水平大于高血糖中警戒阈值HM，按中度高血糖异常事件进行预警；
情况3：当前时刻血糖浓度水平处于高血糖中警戒阈值与低警戒阈值之间HM-HL且当预测未来血糖浓度水平大于高血糖低警戒阈值HL，按轻度高血糖异常事件进行预警；
情况4：当前时刻血糖浓度水平处于高血糖低警戒阈值与低血糖高警戒阈值之间且当预测未来血糖浓度水平大于高血糖低警戒阈值HL，按轻度高血糖异常事件进行预警；
情况5：当现在血糖浓度水平处于高血糖低警戒阈值与低血糖高警戒阈值之间且当预测未来血糖浓度水平也处于安全范围SR且当历史血糖变化趋势为正且当未来血糖变化趋势为正，按潜在高血糖异常事件进行预警；
情况6：当前时刻血糖浓度水平处于高血糖低警戒阈值与低血糖高警戒阈值之间且当预测未来血糖浓度水平也处于安全范围SR且当历史血糖变化趋势为负且当未来血糖变化趋势为负，按潜在低血糖异常事件进行预警；
情况7：当前时刻血糖浓度水平处于高血糖低警戒阈值与低血糖高警戒阈值之间且当预测未来血糖浓度水平小于低血糖高警戒阈值LH，按轻度低血糖异常事件进行预警；
情况8：当前时刻血糖浓度水平处于低血糖高警戒阈值与中警戒阈值之间LH-LM且当预测未来血糖浓度水平小于低血糖高警戒阈值LH，按轻度低血糖异常事件进行预警；
情况9：当前时刻血糖浓度水平处于低血糖中警戒阈值与低警戒阈值之间LM-LL且当预测未来血糖浓度水平小于低血糖中警戒阈值LM，按中度低血糖异常事件进行预警；
情况10：当前时刻血糖浓度水平小于低血糖低警戒阈值LL且当预测未来血糖浓度水平小于低血糖低警戒阈值LL，按严重低血糖异常事件进行预警；
其它情况，不进行预警。
本实施例中提供的一种面向临床的多层级血糖异常预警方法。多层级主要体现在两方面：第一方面是在整体预警流程上，其分为两层，第一层是根据预测的未来生理状态标签，选定临床认可度高的高低血糖异常事件警戒阈值，第二层是利用历史，现在和预测的信息，联合分析判断患者的异常预警等级；第二方面是在上述第二层的异常预警上，通过对血糖异常事件的分析和临床症状对人体危害的总结，提出了4个层级的异常危险评定。根据本发明提供的一种多层级血糖预警方法。该方法包括以下步骤：
本发明根据临床症状对人体危险程度从高到低，依次分为1-4个等级，具体危险等级划分和相应依据与临床处理如下：
严重高血糖危险(1级)：目前处于超高血糖状态，且未来血糖水平很可能进一步上升，需排除一切可能引起血糖水平升高因素(如：停止进食、排除紧张情绪等)，并考虑及时输注大剂量胰岛素。
中度高血糖危险(2级)：目前处于较高血糖状态，且未来血糖水平可能进一步上升，应考虑高血糖诱因，予以排除并考虑输注大剂量胰岛素；目前处于较高血糖状态，虽然血糖水平有下降趋势，但仍无法排除进一步上升可能，需确认已输注胰岛素剂量，并考虑是否需要做进一步补充。
轻度高血糖危险(3级)：目前处于高血糖且持续上升阶段，若已输注大剂量胰岛素，则血糖水平预计会在短时间达到正常范围，应密切关注血糖波动趋势，防止血糖水平长时间持续上升；目前处于高血糖状态，但血糖水平有下降趋势，且预计会在短时间达到正常范围，需密切关注血糖波动趋势，尽量排除引起血糖波动的不确定因素。
潜在高血糖危险(4级)：虽然目前血糖水平处于安全范围，但有持续上升且短期超出安全范围的趋势，存在一定的高血糖风险与异常波动可能，请确认短期内是否有大量用餐情况，若有，则需根据能量摄入情况合理补充大剂量胰岛素，需关注血糖波动情况。
血糖水平正常：目前血糖水平处于安全范围，且无明显上升或下降趋势。
潜在低血糖危险(4级)：虽然目前血糖水平处于安全范围，但有持续下降且短期超出安全范围的趋势，存在一定的低血糖风险与异常波动可能，请确认胰岛素输注剂量，若血糖水平下降速率过快，需根据实际情况考虑补充一定能量(如少量果蔬等)，但需关注血糖波动情况。
轻度低血糖危险(3级)：目前处于低血糖状态，但血糖有上升趋势，且预计会在短时间达到正常范围，需密切关注血糖波动趋势，尽量排除引起血糖波动的不确定因素；目前处于低血糖且持续下降阶段，若为餐后状态，则血糖预计会在短时间达到正常范围，若为空腹状态，应考虑补充一定能量，防止血糖进一步下降。
中度低血糖危险(2级)：目前处于低血糖状态，虽然血糖有上升趋势，但仍无法排除进一步下降可能，需确认用餐量，并考虑是否需要做进一步补充；目前处于低血糖状态，且未来血糖可能进一步下降，应进一步确认胰岛素输注剂量，排除过量注射胰岛素风险，并考虑及时补充能量。
严重低血糖危险(1级)：目前处于低血糖状态，且未来血糖浓度很可能进一步下降到危及生命安全的水平，不排除有急性低血糖休克危险，需排除一切可能引起血糖下降因素(如：胰岛素过量输注或重复输注等)，并尽快补充可被身体快速吸收的食物(如：果汁、葡萄糖片剂/冲剂等)，若有强烈不适症状，应进行药物干预等紧急医疗行为的介入。
危险等级的划分为向临床患者提供更加良好的预警体验打下基础。危险等级划分结果做以下预警等级对应：
表1危险等级与预警等级对应表
关于获取血糖历史信息。
这其中可供选择的属性主要包括：历史平均血糖浓度水平和历史血糖浓度变化趋势。历史平均血糖浓度水平是指从当前时刻往历史时刻倒推，取其平均值，此属性反映的是历史血糖浓度所处的水平和是否异常；历史血糖浓度变化趋势是指固定个数数据点按时间顺序发展的变化率即固定个数点中当前时刻点与距离当前时刻最远点的斜率，此属性反映的是历史血糖固定时间内变化的方向和程度。
关于获取血糖现在信息。
这其中可供选择的属性主要包括：当前时刻血糖浓度水平，当前时刻生理状态标签和当前时刻所处异常。当前血糖浓度水平即当前CGMS监测的当前时刻血糖值；当前生理状态标签是指当前时刻人体处于一般状态、药物起效状态、睡眠状态之一，此属性反映的是生理状态情况以调整异常警戒阈值；当前所处异常等级指的是根据真实情况和危险等级与预警等级的的定义判定的当前患者所处异常类型，此属性反映的是患者目前血糖是否存在异常以及异常的程度。
关于获取血糖预测信息。
这其中可供选择的属性主要包括：未来血糖浓度水平，未来血糖浓度变化趋势和未来生理状态标签。未来血糖浓度水平即使用血糖预测模型预测出来的将来血糖值，此属性反映的是患者未来血糖浓度可能在哪个水平；未来血糖浓度变化趋势是指被预测时刻点与当前时刻点之间的斜率，此属性反映的是接下来时间内血糖浓度变化的方向和程度；未来生理状态标签是指根据模型预测的将来人体所处状态，此属性用来调整异常警戒阈值以更好判断可能处于何种血糖异常事件。
根据预测的未来生理状态标签，选定临床认可度高的高低血糖异常事件警戒阈值，不同状态下的阈值分配情况见表2。
表2不同状态下阈值速览表
对于上述属性在实际应用时需要做定性/定量处理：历史血糖变化趋势用-1到1之间的连续实数来表示；血糖浓度水平用真实数据值与高或低血糖异常警戒阈值作比较，对于每个等级阈值的判断，都可能高于血糖异常警戒阈值，可能低于血糖异常警戒阈值，通过高/低表示；未来血糖浓度水平也是用预测模型得到的数据值与高或低血糖异常警戒阈值作比较，同理对于每个等级阈值的判断，通过高/低表示；未来血糖浓度水平变化趋势用-1到1之间的连续实数来表示；未来生理状态用一般状态/药物起效状态/睡眠状态来表示。选用的决策属性汇总表如表2所示：
表3决策属性汇总表
利用历史，现在和预测的信息，联合分析判断患者的异常预警等级，通过对血糖异常事件的分析和临床症状对人体危害的总结，
提出了高低血糖各4个层级的异常危险评定。具体规则如下：
情况1：当前时刻血糖浓度水平大于高血糖高警戒阈值(HH)且当预测未来血糖浓度水平大于高血糖高警戒阈值(HH)，按严重高血糖异常事件进行预警。
情况2：当前时刻血糖浓度水平处于高血糖高警戒阈值与中警戒阈值之间(HH-HM)且当预测未来血糖浓度水平大于高血糖中警戒阈值(HM)，按中度高血糖异常事件进行预警。
情况3：当前时刻血糖浓度水平处于高血糖中警戒阈值与低警戒阈值之间(HM-HL)且当预测未来血糖浓度水平大于高血糖低警戒阈值(HL)，按轻度高血糖异常事件进行预警。
情况4：当前时刻血糖浓度水平处于高血糖低警戒阈值与低血糖高警戒阈值之间(安全范围，SR)且当预测未来血糖浓度水平大于高血糖低警戒阈值(HL)，按轻度高血糖异常事件进行预警。
情况5：当前时刻血糖浓度水平处于高血糖低警戒阈值与低血糖高警戒阈值之间(安全范围，SR)且当预测未来血糖浓度水平也处于安全范围(SR)且当历史血糖变化趋势为正且当未来血糖变化趋势为正，按潜在高血糖异常事件进行预警。
情况6：当前时刻血糖浓度水平处于高血糖低警戒阈值与低血糖高警戒阈值之间(安全范围，SR)且当预测未来血糖浓度水平也处于安全范围(SR)且当历史血糖变化趋势为负且当未来血糖变化趋势为负，按潜在低血糖异常事件进行预警。
情况7：当前时刻血糖浓度水平处于高血糖低警戒阈值与低血糖高警戒阈值之间(安全范围，SR)且当预测未来血糖浓度水平小于低血糖高警戒阈值(LH)，按轻度低血糖异常事件进行预警。
情况8：当前时刻血糖浓度水平处于低血糖高警戒阈值与中警戒阈值之间(LH-LM)且当预测未来血糖浓度水平小于低血糖高警戒阈值(LH)，按轻度低血糖异常事件进行预警。
情况9：当前时刻血糖浓度水平处于低血糖中警戒阈值与低警戒阈值之间(LM-LL)且当预测未来血糖浓度水平小于低血糖中警戒阈值(LM)，按中度低血糖异常事件进行预警。
情况10：当前时刻血糖浓度水平小于低血糖低警戒阈值(LL)且当预测未来血糖浓度水平小于低血糖低警戒阈值(LL)，按严重低血糖异常事件进行预警。
其它情况，不进行预警。
根据以上规则总结成速览表即表3：
表3预警规则速览表
注：“-”代表任何情况均可。
具体步骤
Step1随机抽取一名临床患者，输入患者的血糖情况以及生理状态的历史信息、当前信息和预测信息
Step2根据输入信息做生理状态标签，将生理状态划分为3种状态，分别是一般状态、药物起效状态和睡眠状态，此3种状态对应的血糖预警的阈值不同。
Step3对于上述3种状态与生理状态的历史信息、当前信息和预测信息做定性/定量处理：历史血糖变化趋势用-1到1之间的连续实数来表示；
血糖浓度水平用真实数据值与高或低血糖异常警戒阈值作比较，对于每个等级阈值的判断，都可能高于血糖异常警戒阈值，可能低于血糖异常警戒阈值，通过高/低表示；未来血糖浓度水平也是用预测模型得到的数据值与高或低血糖异常警戒阈值作比较，同理对于每个等级阈值的判断，通过高/低表示；未来血糖浓度水平变化趋势用-1到1之间的连续实数来表示；未来生理状态用一般状态/药物起效状态/睡眠状态来表示。
Step4利用历史，现在和预测的信息，联合分析判断患者的异常预警等级，通过对血糖异常事件的分析和临床症状对人体危害的总结，提出了4个层级的异常危险评定与预警。
有效性验证
评估异常预警机制性能的优劣主要是误报率和漏报率。误报是指真实情况为正常，不应做出预警，预警机制却进行了动作，对应图2中的FP区域，误报率就是误报情况个数与实际不需要预警的情况总个数之比即FP/(FP+TN)。漏报是指真实情况为异常，本应做出预警，预警机制却没有进行动作，对应图2中的FN区域，漏报率就是漏报情况个数与实际需要预警的情况总个数之比即FN/(TP+FN)。
首先对高血糖组的一名随机临床患者数据进行的实验，此次实验采用对比实验的方法，设置的对照组分别是采用的根据生理状态改变警戒阈值与采用恒定警戒阈值。图3和图4是针对已经设计完成的预警机制进行实验的结果对比图，图5是高血糖组中恒定阈值与可变阈值对照实验得出的混淆矩阵，用于计算漏报率和误报率。
其次是对低血糖组的一名随机临床患者数据进行的实验。同样采用对比实验方法。图6和图7是针对设计完成的预警机制进行实验的结果对比图，图8是低血糖组中恒定阈值与可变阈值对照实验得出的混淆矩阵。
通过实验结果我们可以清晰知道，在采用人体多状态变阈值策略基础上，结合多种信息(历史，现在，未来)分析决策的预警机制，预警的效果较采用恒定阈值的方式上升了很多，以小幅误报率上升达到大幅漏报率下降的目的。
表5结果汇总表
/>
以上结合具体实施例描述了本发明的技术原理，这些描述只是为了解释本发明的原理，不能以任何方式解释为对本发明保护范围的限制。基于此处解释，本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式，这些方式都将落入本发明的保护范围之内。
Claims (4)
1.一种面向临床的多层级血糖异常预警方法，其特征在于，包括如下步骤：
获取患者的血糖数据和生理状态数据；
根据生理状态数据，选定临床认可度高的高低血糖异常事件警戒阈值；
根据血糖异常导致的临床症状的危险程度划分异常预警等级；
根据获取的患者血糖数据和生理状态数据与高低血糖异常事件警戒阈值联合分析判断患者的异常预警等级；
其中，所述血糖数据包括：历史血糖数据、当前血糖数据和血糖预测数据；
所述生理状态数据包括：当前生理状态标签和未来生理状态标签；所述方法还包括：
通过对血糖异常事件的分析和临床症状对人体危害评定危险等级与预警等级；
所述危险等级与预警等级包括：严重高血糖危险1级高血糖预警、中度高血糖危险2级高血糖预警、轻度高血糖危险3级高血糖预警、潜在高血糖危险4级高血糖预警、潜在低血糖危险4级低血糖预警、轻度低血糖危险3级低血糖预警、中度低血糖危险2级低血糖预警和严重低血糖危险1级低血糖预警；还包括：设定生理状态标签；
所述生理状态标签包括：一般状态、药物起效状态和睡眠状态；
所述一般状态对应的高血糖阈值HH|HM|HL和低血糖阈值LH|LM|LL分别为：15.9|13.0|9.0和3.9|3.0|2.8；
所述药物起效状态对应的高血糖阈值HH|HM|HL和低血糖阈值LH|LM|LL分别为：16.7|13.9|10.0和4.4|3.3|3.0；
所述睡眠状态对应的高血糖阈值HH|HM|HL和低血糖阈值LH|LM|LL分别为：16.7|13.9|10.0和4.4|3.3|3.0；
所述联合分析判断患者的异常预警等级包括如下规则：
情况1：当前时刻血糖浓度水平大于高血糖高警戒阈值HH且当预测未来血糖浓度水平大于高血糖高警戒阈值HH，按严重高血糖异常事件进行预警；
情况2：当前时刻血糖浓度水平处于高血糖高警戒阈值与中警戒阈值之间HH-HM且当预测未来血糖浓度水平大于高血糖中警戒阈值HM，按中度高血糖异常事件进行预警；
情况3：当前时刻血糖浓度水平处于高血糖中警戒阈值与低警戒阈值之间HM-HL且当预测未来血糖浓度水平大于高血糖低警戒阈值HL，按轻度高血糖异常事件进行预警；
情况4：当前时刻血糖浓度水平处于高血糖低警戒阈值与低血糖高警戒阈值之间且当预测未来血糖浓度水平大于高血糖低警戒阈值HL，按轻度高血糖异常事件进行预警；
情况5：当现在血糖浓度水平处于高血糖低警戒阈值与低血糖高警戒阈值之间且当预测未来血糖浓度水平也处于安全范围SR且当历史血糖变化趋势为正且当未来血糖变化趋势为正，按潜在高血糖异常事件进行预警；
情况6：当前时刻血糖浓度水平处于高血糖低警戒阈值与低血糖高警戒阈值之间且当预测未来血糖浓度水平也处于安全范围SR且当历史血糖变化趋势为负且当未来血糖变化趋势为负，按潜在低血糖异常事件进行预警；
情况7：当前时刻血糖浓度水平处于高血糖低警戒阈值与低血糖高警戒阈值之间且当预测未来血糖浓度水平小于低血糖高警戒阈值LH，按轻度低血糖异常事件进行预警；
情况8：当前时刻血糖浓度水平处于低血糖高警戒阈值与中警戒阈值之间LH-LM且当预测未来血糖浓度水平小于低血糖高警戒阈值LH，按轻度低血糖异常事件进行预警；
情况9：当前时刻血糖浓度水平处于低血糖中警戒阈值与低警戒阈值之间LM-LL且当预测未来血糖浓度水平小于低血糖中警戒阈值LM，按中度低血糖异常事件进行预警；
情况10：当前时刻血糖浓度水平小于低血糖低警戒阈值LL且当预测未来血糖浓度水平小于低血糖低警戒阈值LL，按严重低血糖异常事件进行预警；
其它情况，不进行预警。
2.根据权利要求1所述的多层级血糖异常预警方法，其特征在于，
所述历史血糖数据包括：历史平均血糖浓度水平和历史血糖浓度变化趋势；
所述历史平均血糖浓度水平是指从当前时刻往历史时刻倒推，取其平均值，能够反映历史血糖浓度所处的水平和是否异常；
所述历史血糖浓度变化趋势是指固定个数数据点按时间顺序发展的变化率，即固定个数点中当前时刻点与距离当前时刻最远点的斜率。
3.根据权利要求1所述的多层级血糖异常预警方法，其特征在于，
所述当前血糖数据包括：当前时刻血糖浓度水平、当前时刻生理状态标签和当前时刻所处是否异常；
所述当前时刻血糖浓度水平即当前CGMS监测的当前时刻血糖值；
所述当前时刻生理状态标签是指当前时刻人体处于一般状态、药物起效状态、睡眠状态之一。
4.根据权利要求1所述的多层级血糖异常预警方法，其特征在于，
所述血糖预测数据包括：未来血糖浓度水平和未来血糖浓度变化趋势；
所述未来血糖浓度水平即使用血糖预测模型预测出来的将来血糖值；
所述未来血糖浓度变化趋势是指被预测时刻点与当前时刻点之间的斜率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010783057.9A CN112017778B (zh) | 2020-08-06 | 2020-08-06 | 一种面向临床的多层级血糖异常预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010783057.9A CN112017778B (zh) | 2020-08-06 | 2020-08-06 | 一种面向临床的多层级血糖异常预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112017778A CN112017778A (zh) | 2020-12-01 |
| CN112017778B true CN112017778B (zh) | 2024-04-05 |
Family
ID=73499351
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010783057.9A Active CN112017778B (zh) | 2020-08-06 | 2020-08-06 | 一种面向临床的多层级血糖异常预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112017778B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112786193A (zh) * | 2021-01-20 | 2021-05-11 | 上海市第六人民医院 | 一种用于低血糖患者的监护预警系统及方法 |
| CN113440109A (zh) * | 2021-08-02 | 2021-09-28 | 和也健康科技有限公司 | 一种人体生理参数检测及监测系统 |
| CN116159208B (zh) * | 2021-11-24 | 2024-03-15 | 上海微创生命科技有限公司 | 人工胰腺控制方法、可读存储介质及血糖管理系统 |
| CN115100817A (zh) * | 2022-06-13 | 2022-09-23 | 深圳市牛角尖大数据软件有限公司 | 一种基于智能手表的血糖监控系统 |
| CN116509350B (zh) * | 2023-07-03 | 2023-09-29 | 云天智能信息(深圳)有限公司 | 一种基于智能手环的医疗监控系统 |
| CN117373664B (zh) * | 2023-10-09 | 2024-05-28 | 曜立科技(北京)有限公司 | 基于数字疗法的冠脉术后危险数据分析预警系统 |
| CN117612737B (zh) * | 2024-01-24 | 2024-05-03 | 胜利油田中心医院 | 一种糖尿病护理数据智能优化方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6923763B1 (en) * | 1999-08-23 | 2005-08-02 | University Of Virginia Patent Foundation | Method and apparatus for predicting the risk of hypoglycemia |
| CN106415556A (zh) * | 2014-04-10 | 2017-02-15 | 德克斯康公司 | 血糖紧迫性评估和警告界面 |
| CN110289094A (zh) * | 2019-05-31 | 2019-09-27 | 东北大学 | 一种基于专家规则的胰岛素精准给药决策方法 |
| CN110312468A (zh) * | 2017-02-10 | 2019-10-08 | 皇家飞利浦有限公司 | 驾驶车辆时低血糖事件发作的警报系统 |
| CN111329491A (zh) * | 2020-02-27 | 2020-06-26 | 京东方科技集团股份有限公司 | 一种血糖预测方法、装置、电子设备和存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050027182A1 (en) * | 2001-12-27 | 2005-02-03 | Uzair Siddiqui | System for monitoring physiological characteristics |
| US20190184094A1 (en) * | 2017-12-12 | 2019-06-20 | Bigfoot Biomedical, Inc. | Alarms and alerts in diabetes management system |
-
2020
- 2020-08-06 CN CN202010783057.9A patent/CN112017778B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6923763B1 (en) * | 1999-08-23 | 2005-08-02 | University Of Virginia Patent Foundation | Method and apparatus for predicting the risk of hypoglycemia |
| CN106415556A (zh) * | 2014-04-10 | 2017-02-15 | 德克斯康公司 | 血糖紧迫性评估和警告界面 |
| CN110312468A (zh) * | 2017-02-10 | 2019-10-08 | 皇家飞利浦有限公司 | 驾驶车辆时低血糖事件发作的警报系统 |
| CN110289094A (zh) * | 2019-05-31 | 2019-09-27 | 东北大学 | 一种基于专家规则的胰岛素精准给药决策方法 |
| CN111329491A (zh) * | 2020-02-27 | 2020-06-26 | 京东方科技集团股份有限公司 | 一种血糖预测方法、装置、电子设备和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 知识和数据混合驱动的血糖动态预测与异常预警方法研究;温爽;《万方学位论文》;第1-88页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112017778A (zh) | 2020-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112017778B (zh) | 一种面向临床的多层级血糖异常预警方法 | |
| JP6643558B2 (ja) | グルコース率増加検出器及びそれを含む人工膵臓、差し迫った有害事象のリアルタイム予測のためのヘルスモニタリングシステム並びにヘルスモニタリングシステム用の食事検出モジュール | |
| Plis et al. | A machine learning approach to predicting blood glucose levels for diabetes management | |
| Georga et al. | A glucose model based on support vector regression for the prediction of hypoglycemic events under free-living conditions | |
| Nasraway Jr | Hyperglycemia during critical illness | |
| CN110289094B (zh) | 一种基于专家规则的胰岛素精准给药决策方法 | |
| CN107495974A (zh) | 一种糖尿病病人饮食管理系统 | |
| Kauffmann et al. | Increasing blood glucose variability heralds hypoglycemia in the critically ill | |
| Becker et al. | Hypoglycemia: a complication of diabetes therapy in children | |
| CN115282401B (zh) | 静脉输液泵控制系统、静脉输液泵控制方法和存储介质 | |
| CN117153416B (zh) | 一种糖尿病筛查数据处理及管理系统 | |
| Ferreira et al. | A systems thinking perspective of medication adherence for patients with Diabetes Mellitus | |
| CN110600128A (zh) | “胰岛素依赖型”糖尿病患者的血糖管理系统及使用方法 | |
| US20230010826A1 (en) | Control of a therapeutic delivery system | |
| AU2010239138A1 (en) | A method and system for determining a variation in a metabolic function and managing the variation accordingly | |
| Jung et al. | Prediction of Daytime Hypoglycemic Events Using Continuous Glucose Monitoring Data and Classification Technique | |
| EP4266319A1 (en) | Insulin adaptation and safety monitoring | |
| Signal | Continuous Glucose Monitoring and Tight Glycaemic Control in Critically Ill Patients | |
| Hamad et al. | Effectiveness of Intradialytic Plantar Electrical Nerve Stimulation During Hemodialysis to Improve the Gait in Adults with Diabetes and Renal Failure: A Randomized Double-Blinded Controlled Trial: PO0773 | |
| Rhee et al. | Hypoglycemia and Glycemic Status Ascertained by Continuous Glucose Monitoring vs. Blood Glucose in a Prospective Hemodialysis Cohort: PO0772 | |
| Lin et al. | Association of glucose variability with postoperative delirium in acute aortic dissection patients: an observational study | |
| Sathyavathi et al. | Predicting Hospital Readmission for Diabetes Patients Using machine learning | |
| Ismail | Early diagnosing diabetes using data mining algorithms | |
| Berkol et al. | Development of Intelligent Early Warning System for Hypoglycemia Attacks | |
| Gangu et al. | In-Hospital Outcomes in Diabetic Ketoacidosis and Impaired Kidney Function: PO0771 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |