CN112313754A - 胰岛素和普兰林肽输送系统、方法和设备 - Google Patents
胰岛素和普兰林肽输送系统、方法和设备 Download PDFInfo
- Publication number
- CN112313754A CN112313754A CN201980042041.8A CN201980042041A CN112313754A CN 112313754 A CN112313754 A CN 112313754A CN 201980042041 A CN201980042041 A CN 201980042041A CN 112313754 A CN112313754 A CN 112313754A
- Authority
- CN
- China
- Prior art keywords
- insulin
- meal
- glucose
- formulation
- delivery
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 87
- 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 title claims description 894
- 102000004877 Insulin Human genes 0.000 title claims description 446
- 108090001061 Insulin Proteins 0.000 title claims description 446
- 229940125396 insulin Drugs 0.000 title claims description 446
- 238000012384 transportation and delivery Methods 0.000 title claims description 226
- 229960003611 pramlintide Drugs 0.000 title claims description 78
- 108010029667 pramlintide Proteins 0.000 title claims description 78
- NRKVKVQDUCJPIZ-MKAGXXMWSA-N pramlintide acetate Chemical compound C([C@@H](C(=O)NCC(=O)N1CCC[C@H]1C(=O)N[C@@H]([C@@H](C)CC)C(=O)N[C@@H](CC(C)C)C(=O)N1[C@@H](CCC1)C(=O)N1[C@@H](CCC1)C(=O)N[C@@H]([C@@H](C)O)C(=O)N[C@@H](CC(N)=O)C(=O)N[C@@H](C(C)C)C(=O)NCC(=O)N[C@@H](CO)C(=O)N[C@@H](CC(N)=O)C(=O)N[C@@H]([C@@H](C)O)C(=O)N[C@@H](CC=1C=CC(O)=CC=1)C(N)=O)NC(=O)[C@H](CC(N)=O)NC(=O)[C@H](CC(N)=O)NC(=O)[C@H](CO)NC(=O)[C@H](CO)NC(=O)[C@H](CC=1NC=NC=1)NC(=O)[C@@H](NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CC=1C=CC=CC=1)NC(=O)[C@H](CC(N)=O)NC(=O)[C@H](C)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CCCNC(N)=N)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@@H](NC(=O)[C@H](C)NC(=O)[C@H](CS)NC(=O)[C@@H](NC(=O)[C@H](C)NC(=O)[C@@H](NC(=O)[C@H](CC(N)=O)NC(=O)[C@H](CS)NC(=O)[C@@H](N)CCCCN)[C@@H](C)O)[C@@H](C)O)[C@@H](C)O)C(C)C)C1=CC=CC=C1 NRKVKVQDUCJPIZ-MKAGXXMWSA-N 0.000 title claims description 78
- 239000008103 glucose Substances 0.000 claims abstract description 441
- 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 claims abstract description 440
- 238000009472 formulation Methods 0.000 claims description 282
- 235000012054 meals Nutrition 0.000 claims description 282
- 239000000203 mixture Substances 0.000 claims description 282
- 239000013598 vector Substances 0.000 claims description 179
- 150000001720 carbohydrates Chemical class 0.000 claims description 163
- 235000014633 carbohydrates Nutrition 0.000 claims description 163
- 230000003111 delayed effect Effects 0.000 claims description 83
- 238000012377 drug delivery Methods 0.000 claims description 82
- 239000003795 chemical substances by application Substances 0.000 claims description 73
- 229940079593 drug Drugs 0.000 claims description 64
- 239000003814 drug Substances 0.000 claims description 64
- 230000008859 change Effects 0.000 claims description 63
- 238000002360 preparation method Methods 0.000 claims description 44
- 238000004891 communication Methods 0.000 claims description 23
- 230000001902 propagating effect Effects 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 11
- 230000002238 attenuated effect Effects 0.000 claims description 8
- 230000003247 decreasing effect Effects 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 102000051325 Glucagon Human genes 0.000 description 66
- 108060003199 Glucagon Proteins 0.000 description 66
- MASNOZXLGMXCHN-ZLPAWPGGSA-N glucagon Chemical compound C([C@@H](C(=O)N[C@H](C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CC=1C2=CC=CC=C2NC=1)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCSC)C(=O)N[C@@H](CC(N)=O)C(=O)N[C@@H]([C@@H](C)O)C(O)=O)C(C)C)NC(=O)[C@H](CC(O)=O)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@H](C)NC(=O)[C@H](CCCNC(N)=N)NC(=O)[C@H](CCCNC(N)=N)NC(=O)[C@H](CO)NC(=O)[C@H](CC(O)=O)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CC=1C=CC(O)=CC=1)NC(=O)[C@H](CCCCN)NC(=O)[C@H](CO)NC(=O)[C@H](CC=1C=CC(O)=CC=1)NC(=O)[C@H](CC(O)=O)NC(=O)[C@H](CO)NC(=O)[C@@H](NC(=O)[C@H](CC=1C=CC=CC=1)NC(=O)[C@@H](NC(=O)CNC(=O)[C@H](CCC(N)=O)NC(=O)[C@H](CO)NC(=O)[C@@H](N)CC=1NC=NC=1)[C@@H](C)O)[C@@H](C)O)C1=CC=CC=C1 MASNOZXLGMXCHN-ZLPAWPGGSA-N 0.000 description 66
- 229960004666 glucagon Drugs 0.000 description 66
- 230000006870 function Effects 0.000 description 46
- 239000011159 matrix material Substances 0.000 description 38
- 238000007920 subcutaneous administration Methods 0.000 description 20
- 210000004369 blood Anatomy 0.000 description 17
- 239000008280 blood Substances 0.000 description 17
- 238000002347 injection Methods 0.000 description 15
- 239000007924 injection Substances 0.000 description 15
- 230000000694 effects Effects 0.000 description 12
- 238000001802 infusion Methods 0.000 description 12
- 238000012937 correction Methods 0.000 description 11
- 230000007423 decrease Effects 0.000 description 11
- 238000012986 modification Methods 0.000 description 11
- 230000004048 modification Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000032258 transport Effects 0.000 description 9
- 238000010521 absorption reaction Methods 0.000 description 7
- 230000009471 action Effects 0.000 description 6
- 238000005086 pumping Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 5
- 230000000670 limiting effect Effects 0.000 description 5
- 210000000496 pancreas Anatomy 0.000 description 5
- 230000000644 propagated effect Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 208000013016 Hypoglycemia Diseases 0.000 description 4
- 206010022489 Insulin Resistance Diseases 0.000 description 4
- 230000002641 glycemic effect Effects 0.000 description 4
- WQZGKKKJIJFFOK-VFUOTHLCSA-N beta-D-glucose Chemical compound OC[C@H]1O[C@@H](O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-VFUOTHLCSA-N 0.000 description 3
- 210000003722 extracellular fluid Anatomy 0.000 description 3
- 239000012530 fluid Substances 0.000 description 3
- 230000002496 gastric effect Effects 0.000 description 3
- 238000001727 in vivo Methods 0.000 description 3
- 238000003780 insertion Methods 0.000 description 3
- 230000037431 insertion Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 206010033675 panniculitis Diseases 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 210000004304 subcutaneous tissue Anatomy 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- SVTBMSDMJJWYQN-UHFFFAOYSA-N 2-methylpentane-2,4-diol Chemical compound CC(O)CC(C)(C)O SVTBMSDMJJWYQN-UHFFFAOYSA-N 0.000 description 2
- 108010041872 Islet Amyloid Polypeptide Proteins 0.000 description 2
- 102000036770 Islet Amyloid Polypeptide Human genes 0.000 description 2
- 239000012491 analyte Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 206010012601 diabetes mellitus Diseases 0.000 description 2
- 230000009230 endogenous glucose production Effects 0.000 description 2
- 230000002218 hypoglycaemic effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000002688 persistence Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 235000011888 snacks Nutrition 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010012186 Delayed delivery Diseases 0.000 description 1
- 206010067584 Type 1 diabetes mellitus Diseases 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- GZCGUPFRVQAUEE-SLPGGIOYSA-N aldehydo-D-glucose Chemical compound OC[C@@H](O)[C@@H](O)[C@H](O)[C@@H](O)C=O GZCGUPFRVQAUEE-SLPGGIOYSA-N 0.000 description 1
- 230000036626 alertness Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000000601 blood cell Anatomy 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 235000021152 breakfast Nutrition 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000001079 digestive effect Effects 0.000 description 1
- 210000002249 digestive system Anatomy 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000037406 food intake Effects 0.000 description 1
- 235000012631 food intake Nutrition 0.000 description 1
- 230000030136 gastric emptying Effects 0.000 description 1
- 230000006377 glucose transport Effects 0.000 description 1
- 238000005534 hematocrit Methods 0.000 description 1
- 229940088597 hormone Drugs 0.000 description 1
- 239000005556 hormone Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001019 normoglycemic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 230000000291 postprandial effect Effects 0.000 description 1
- ZRHANBBTXQZFSP-UHFFFAOYSA-M potassium;4-amino-3,5,6-trichloropyridine-2-carboxylate Chemical compound [K+].NC1=C(Cl)C(Cl)=NC(C([O-])=O)=C1Cl ZRHANBBTXQZFSP-UHFFFAOYSA-M 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009256 replacement therapy Methods 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- CVHZOJJKTDOEJC-UHFFFAOYSA-N saccharin Chemical compound C1=CC=C2C(=O)NS(=O)(=O)C2=C1 CVHZOJJKTDOEJC-UHFFFAOYSA-N 0.000 description 1
- 230000036186 satiety Effects 0.000 description 1
- 235000019627 satiety Nutrition 0.000 description 1
- 230000028327 secretion Effects 0.000 description 1
- 210000002966 serum Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
- 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
- G16H40/63—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 local 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
- G16H20/17—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients delivered via infusion or injection
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- 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
- A61B5/4836—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
- A61K—PREPARATIONS FOR MEDICAL, DENTAL OR TOILETRY PURPOSES
- A61K38/00—Medicinal preparations containing peptides
- A61K38/16—Peptides having more than 20 amino acids; Gastrins; Somatostatins; Melanotropins; Derivatives thereof
- A61K38/17—Peptides having more than 20 amino acids; Gastrins; Somatostatins; Melanotropins; Derivatives thereof from animals; from humans
- A61K38/22—Hormones
- A61K38/28—Insulins
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
- A61M5/14—Infusion devices, e.g. infusing by gravity; Blood infusion; Accessories therefor
- A61M5/142—Pressure infusion, e.g. using pumps
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
- A61M5/14—Infusion devices, e.g. infusing by gravity; Blood infusion; Accessories therefor
- A61M5/168—Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body
- A61M5/172—Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body electrical or electronic
- A61M5/1723—Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body electrical or electronic using feedback of body parameters, e.g. blood-sugar, pressure
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
- A61M5/14—Infusion devices, e.g. infusing by gravity; Blood infusion; Accessories therefor
- A61M5/142—Pressure infusion, e.g. using pumps
- A61M2005/14208—Pressure infusion, e.g. using pumps with a programmable infusion control system, characterised by the infusion program
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M2230/00—Measuring parameters of the user
- A61M2230/20—Blood composition characteristics
- A61M2230/201—Glucose concentration
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Primary Health Care (AREA)
- Heart & Thoracic Surgery (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medicinal Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Diabetes (AREA)
- Surgery (AREA)
- Pharmacology & Pharmacy (AREA)
- Vascular Medicine (AREA)
- Anesthesiology (AREA)
- Hematology (AREA)
- Biophysics (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Gastroenterology & Hepatology (AREA)
- Endocrinology (AREA)
- Emergency Medicine (AREA)
- Optics & Photonics (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Zoology (AREA)
- Immunology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Infusion, Injection, And Reservoir Apparatuses (AREA)
- External Artificial Organs (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本公开涉及用于控制患者中生理葡萄糖浓度的系统和方法。
Description
相关申请
本申请要求2018年6月22日提交的美国临时申请号62/688,742的优先权，其通过引用以其整体合并在本文中。
技术领域
本公开涉及生理葡萄糖浓度的控制。更特别地，本公开涉及用于使用胰岛素和普兰林肽来控制患者中生理葡萄糖浓度的闭环系统和方法。
背景技术
皮下胰岛素替换疗法已经被证明是控制糖尿病的选择方案。胰岛素经由每日多次注射或输注泵给药，其中剂量由血糖仪每天若干次进行的毛细血管葡萄糖测量来宣布。已知这种传统的方法并不完美，因为日复一日（以及事实上，时时刻刻）的可变性可能是显著的。另外，这种方法对于患者来说可能是负担沉重的，因为它需要重复的手指针刺、严格的食物摄入监测和对胰岛素输送的警惕控制。
葡萄糖测量设备（诸如连续葡萄糖监测器（CGM））的出现创建了开发闭环人工胰腺（AP）系统的潜力。AP系统在控制器上执行的剂量/控制算法中使用由CGM提供的葡萄糖数据，所述控制器向输注泵提供方向，并且该泵向患者给药。这样的系统具有彻底改变糖尿病护理的潜力，因为它提供了更好的血糖控制的可能性。此外，这样的系统降低了患者对警惕性的需求，并且因此促进了改进的生活质量。
用于人工胰腺系统的一些现有的控制算法被限制在小变化范围内操作（对于非自适应控制器），或者被限制为对葡萄糖动力学的突然改变反应缓慢。一些现有的控制算法一般不包括人体中的胰岛素模型，而一些包括单个、固定的模型或缓慢适应的模型。这些有限的控制算法可能仅当葡萄糖动力学恒定或缓慢改变时充分控制葡萄糖浓度。当前的AP系统缺乏特别处置血糖动力学中的突然以及缓慢变化的控制方法。
发明内容
在示例1中，公开了一种控制患者中葡萄糖的系统。该系统包括药物输送设备，其被配置为向患者输送药物；以及控制器，其与药物输送设备通信。控制器包括控制逻辑，其可操作来计算包括初始制剂输送量和延迟制剂输送量的制剂输送计划。相对于延迟制剂输送量的初始制剂输送量至少部分基于餐前葡萄糖水平。
在示例2中，根据示例1所述的系统，其中所述初始制剂输送量和延迟制剂输送量至少部分基于将餐前葡萄糖水平与上限阈值和下限阈值进行比较。
在示例3中，根据示例2所述的系统，其中当餐前葡萄糖水平大于上限阈值时，初始制剂输送量大于延迟制剂输送量。
在示例4中，根据示例2所述的系统，其中所述延迟制剂输送量是初始制剂输送量的一半。
在示例5中，根据示例4所述的系统，其中当餐前葡萄糖水平在下限阈值和上限阈值之间时，初始制剂输送量等于延迟制剂输送量。
在示例6中，根据示例2所述的系统，其中当餐前葡萄糖水平小于下限阈值时，初始制剂输送量小于延迟制剂输送量。
在示例7中，根据示例2-6中任一项所述的系统，其中所述上限阈值为8mmol/L，并且下限阈值为6mmol/L。
在示例8中，根据示例1-7中任一项所述的系统，其中所述初始制剂输送量在第一输送中输送，并且延迟制剂输送量在第二输送和第三输送中输送。
在示例9中，根据示例1-8中任一项所述的系统，其中所述第一、第二和第三输送被计划彼此间隔5-15分钟。
在示例10中，根据示例1-9中任一项所述的系统，其中所述初始制剂输送量和延迟制剂输送量包括胰岛素和普兰林肽。
在示例11中，根据示例10所述的系统，其中所述胰岛素和普兰林肽作为共制剂输送。
在示例12中，根据示例10所述的系统，其中所述胰岛素和普兰林肽被分开输送。
在示例13中，根据示例10-12中任一项所述的系统，其中所述胰岛素和普兰林肽以固定比率输送。
在示例14中，根据示例10所述的系统，其中所述固定比率为6μg/u。
在示例15中，根据示例1-14中任一项所述的系统，其中所述药物输送设备包括用于存储药物的单个储存器。
在示例16中，根据示例1-14中任一项所述的系统，其中所述药物输送设备包括用于存储药物的2或3个储存器。
在示例17中，根据示例16所述的系统，其中所述药物输送设备包括单个注射器。
在示例18中，根据示例16所述的系统，其中所述药物输送设备包括多个注射器。
在示例19中，根据示例1-18中任一项所述的系统，其中所述药物输送设备包括单个泵。
在示例20中，根据示例1-18中任一项所述的系统，其中所述药物输送设备包括多个泵。
在示例21中，根据示例1-20中任一项所述的系统，其中所述初始制剂输送量是总计算制剂的75%，并且延迟制剂输送量是总计算制剂的25%。
在示例22中，根据示例1-20中任一项所述的系统，其中所述初始制剂输送量是总计算制剂的25-50%，并且延迟制剂输送量是总计算制剂的50-75%。
在示例23中，根据示例22所述的系统，其中基于当前或估计的葡萄糖水平的函数来分配延迟制剂输送量。
在示例24中，根据示例1-23中任一项所述的系统，其中所述延迟制剂输送量被分配在大体上彼此相等的两次制剂输送之间。
在示例25中，根据示例1-24中任一项所述的系统，其中所述初始制剂输送量和延迟制剂输送量至少部分基于餐的碳水化合物含量。
在示例26中，根据示例1-25中任一项所述的系统，其中如果餐的碳水化合物含量小于预确定阈值，则延迟制剂输送量减少。
在示例27中，根据示例26所述的系统，其中所述预确定阈值是30-50克。
在示例28中，根据示例1-27中任一项所述的系统，其中所述药物输送设备被配置为响应于所计算的制剂输送计划而向患者输送胰岛素。
在示例29中，根据示例1-28中任一项所述的系统，还包括与控制器通信并被配置为接收来自患者的输入的用户接口。
在示例30中，根据示例1-31中任一项所述的系统，还包括与控制器通信并被配置为测量与患者相关联的葡萄糖数据的葡萄糖测量设备。
在示例31中，公开了一种控制患者中葡萄糖的系统。该系统包括药物输送设备，其被配置为向患者输送药物；以及用于至少部分基于餐前葡萄糖水平来计算制剂输送计划的部件，所述制剂输送计划包括初始制剂输送量和延迟制剂输送量。
在示例32中，根据示例31所述的系统，其中相对于延迟制剂输送量的初始制剂输送量至少部分基于餐前葡萄糖水平。
在示例33中，一种方法包括接收葡萄糖数据；计算总制剂量；以及至少部分基于所接收的葡萄糖数据来计算制剂输送计划，以输送初始制剂输送量和延迟制剂输送量之间的总制剂量。
在示例34中，根据示例33所述的方法，其中所述葡萄糖数据包括餐前葡萄糖水平。
在示例35中，根据示例33和34中任一项所述的方法，其中所述初始制剂输送量和延迟制剂输送量至少部分基于将餐前葡萄糖水平与上限阈值和下限阈值进行比较。
在示例36中，根据示例35所述的方法，其中当餐前葡萄糖水平大于上限阈值时，初始制剂输送量大于延迟制剂输送量。
在示例37中，根据示例35所述的方法，其中所述延迟制剂输送量是初始制剂输送量的一半。
在示例38中，根据示例35所述的方法，其中当餐前葡萄糖水平在下限阈值和上限阈值之间时，初始制剂输送量等于延迟制剂输送量。
在示例39中，根据示例35所述的方法，其中当餐前葡萄糖水平小于下限阈值时，初始制剂输送量小于延迟制剂输送量。
在示例40中，根据示例35-39中任一项所述的方法，其中所述上限阈值为8mmol/L，并且下限阈值为6mmol/L。
在示例41中，根据示例33-40中任一项所述的方法，其中所述初始制剂输送量在第一输送中输送，并且延迟制剂输送量在第二输送和第三输送中输送。
在示例42中，根据示例33-41中任一项所述的方法，其中所述第一、第二和第三输送被计划彼此间隔5-15分钟。
在示例43中，根据示例33-42中任一项所述的方法，其中所述初始制剂输送量和延迟制剂输送量包括胰岛素和普兰林肽。
在示例44中，根据示例43所述的方法，其中所述胰岛素和普兰林肽作为共制剂输送。
在示例45中，根据示例43所述的方法，其中所述胰岛素和普兰林肽分开输送。
在示例46中，根据示例43-45中任一项所述的方法，其中所述胰岛素和普兰林肽以固定比率输送。
在示例47中，根据示例46所述的方法，其中固定比率为6μg/u。
在示例48中，根据示例33-47中任一项所述的方法，其中所述药物输送设备包括用于存储药物的单个储存器。
在示例49中，根据示例33-47中任一项所述的方法，其中所述药物输送设备包括用于存储药物的2或3个储存器。
在示例50中，根据示例49所述的方法，其中所述药物输送设备包括单个注射器。
在示例51中，根据示例49所述的方法，其中所述药物输送设备包括多个注射器。
在示例52中，根据示例33-51中任一项所述的方法，其中所述药物输送设备包括单个泵。
在示例53中，根据示例33-51中任一项所述的方法，其中所述药物输送设备包括多个泵。
在示例54中，根据示例33-53中任一项所述的方法，其中所述初始制剂输送量为总计算制剂的75%，延迟制剂输送量为总计算制剂的25%。
在示例55中，根据示例33-53中任一项所述的方法，其中所述初始制剂输送量为总计算制剂的25-50%，并且延迟制剂输送量为总计算制剂的50-75%。
在示例56中，根据示例55所述的方法，其中基于当前或估计的葡萄糖水平的函数来分配延迟制剂输送量。
在示例57中，根据示例33-56中任一项所述的方法，其中所述延迟制剂输送量被分配在大体上彼此相等的两次制剂输送之间。
在示例58中，根据示例33-57中任一项所述的方法，其中所述初始制剂输送量和延迟制剂输送量至少部分基于餐的碳水化合物含量。
在示例59中，根据示例33-58中任一项所述的方法，其中如果餐的碳水化合物含量小于预确定阈值，则延迟制剂输送量减少。
在示例60中，根据示例59所述的方法，其中所述预确定阈值为30-50克。
在示例61中，根据示例33-60中任一项所述的方法，还包括根据所计算的制剂输送计划来输送胰岛素和普兰林肽。
在示例62中，一种系统包括被配置为药物输送设备，其被配置为输送药物；以及控制器，其可操作地耦合到药物输送设备。该控制器包括控制逻辑，其可操作来至少部分地通过执行多个模型来执行多模型预测控制器算法，每个模型包括具有值的集合的多个模型参数，选择多个执行模型中的一个，并且至少部分地基于所选择的执行模型来确定包括胰岛素和普兰林肽的药物剂量。
在示例63中，一种方法包括使用一个或多个控制器，通过执行多个模型来执行多模型预测控制器算法，每个模型包括具有值的集合的多个模型参数；使用一个或多个控制器，选择多个执行模型中的一个；以及使用一个或多个控制器，至少部分基于所选择的执行模型来确定包括胰岛素和普兰林肽的第一药物剂量。
在示例64中，一种系统包括被配置为药物输送设备，其被配置为输送药物；以及控制器，其可操作地耦合到药物输送设备。该控制器包括控制逻辑，其可操作以通过及时传播多个状态向量来执行多模型预测控制器算法，选择多个传播状态向量中的一个，并且至少部分基于所选择的传播状态向量来确定包括胰岛素和普兰林肽的药物剂量。
在示例65中，一种方法包括使用一个或多个控制器，通过及时传播多个状态向量来执行多模型预测控制器算法；使用一个或多个控制器，选择多个传播状态向量中的一个；以及使用一个或多个控制器，至少部分基于所选择的传播状态向量来确定包括胰岛素和普兰林肽的药物剂量。
在示例66中，一种系统包括用于输送胰岛素和普兰林肽的输送设备；用于输入患者数据的用户接口，所述患者数据包括胰岛素的总日剂量和餐数据；以及控制器。所述控制器被配置为：从用户接口接收患者数据；定义状态向量和相关联的模型，所述状态向量包括状态变量，所述状态变量包括患者中的胰岛素、碳水化合物和生理葡萄糖的估计值；传播状态向量；通过将一定量的胰岛素添加到胰岛素状态变量来校正传播状态向量，所添加的胰岛素的量基于餐数据和每日总胰岛素剂量；用经校正的状态向量来确定剂量请求；以及将剂量请求传输到用于输送胰岛素和普兰林肽的输送设备。
在示例67中，一种系统包括用于输送胰岛素和普兰林肽的输送设备；用于输入患者数据的用户接口，所述患者数据包括基础胰岛素曲线、胰岛素与碳水化合物的比率和餐数据；以及与用户接口和输送设备通信且被配置为接收葡萄糖数据的控制器。所述控制器还被配置为执行以下操作：估计患者中的活性胰岛素的量，所述活性胰岛素不包括基础胰岛素曲线；从餐数据确定餐碳水化合物值；部分基于葡萄糖数据而估计患者的生理葡萄糖和生理葡萄糖的改变率；基于生理葡萄糖和生理葡萄糖的改变率而确定衰减因子；基于餐数据、胰岛素与碳水化合物的比率和所确定的衰减因子而确定餐制剂；基于患者中活性胰岛素的估计量而修改所确定的餐制剂；以及传输将包括胰岛素和普兰林肽的经修改的餐制剂输送到输送设备的请求。
在示例68中，一种系统包括控制器，该控制器被配置为接收包括胰岛素与碳水化合物的比率和餐数据的患者数据；接收葡萄糖数据；从餐数据确定餐碳水化合物值；部分基于葡萄糖数据而估计患者的生理葡萄糖和生理葡萄糖的改变率；基于餐数据和胰岛素与碳水化合物的比率而确定初步餐制剂；基于所估计的生理葡萄糖和生理葡萄糖的改变率而确定衰减因子；如果餐碳水化合物值高于预确定餐碳水化合物阈值，则与餐碳水化合物值成比例地衰减初步餐制剂；如果餐碳水化合物值等于或小于预确定餐碳水化合物阈值，则与餐碳水化合物阈值成比例地衰减初步餐制剂；以及将包括胰岛素和普兰林肽的剂量请求设置为等于衰减的初步餐制剂。
在示例69中，一种方法包括在控制器处接收基础胰岛素剂量、餐数据和胰岛素与碳水化合物的比率；估计患者中的活性胰岛素，所述患者中的活性胰岛素不包括基础胰岛素剂量；部分基于葡萄糖浓度而估计患者的生理葡萄糖和生理葡萄糖的改变率；从餐数据确定餐碳水化合物值；基于所估计的生理葡萄糖和生理葡萄糖的改变率而确定衰减因子；基于餐数据、胰岛素与碳水化合物的比率和衰减因子而确定包括胰岛素和普兰林肽的餐制剂；以及基于患者中的活性胰岛素而修改餐制剂。
在示例70中，一种方法包括以下步骤：将葡萄糖浓度、基础胰岛素剂量和餐数据传输到控制器；估计患者中的活性胰岛素，所述患者中的活性胰岛素不包括基础胰岛素剂量；部分基于葡萄糖浓度而估计患者的生理葡萄糖和生理葡萄糖的改变率；从餐数据确定餐碳水化合物值；基于所估计的生理葡萄糖和生理葡萄糖的改变率而确定衰减因子；基于餐数据、胰岛素与碳水化合物的比率和衰减因子而确定包括胰岛素和普兰林肽的餐制剂。当餐碳水化合物值高于预确定餐碳水化合物阈值时，与餐碳水化合物值成比例地衰减餐制剂。对于等于或小于预确定餐碳水化合物阈值的餐碳水化合物值，与预确定餐碳水化合物阈值成比例地衰减餐制剂。
附图说明
通过参考结合附图理解的本发明的实施例的以下描述，本公开的上述以及其它特征和优点以及实现它们的方式将变得更显而易见，并且将被更好地理解，其中：
图1描绘了用于控制生理葡萄糖的系统的代表性框图；
图2A和2B描绘了在图1的系统中使用的泵的示意图；
图3描绘了被配置用于在图1和2的系统的电子控制器上执行的示例性模型预测控制算法的示例框图；
图4描绘了计算最佳基础胰岛素偏差的示例框图；
图5描绘了示例性隔室模型的框图；
图6描绘了使用其相关联的模型和协方差矩阵的状态向量的传播和滤波的框图；
图7描绘了协方差矩阵的示例；
图8描绘了详述可以被执行以确定最佳基础偏差是否需要更改的多个示例动作的流程图；
图9描绘了详述可以被执行以确定胰高血糖素剂量的多个示例动作的流程图；
图10描绘了详述各种示例逻辑的流程图，当确定要以餐制剂输送的药物（例如，胰岛素）的量时，可以应用所述各种示例逻辑；以及
图11-15描绘了详述各种示例逻辑的流程图，当确定要输送的药物（例如，胰岛素和普兰林肽）的量时，可以应用所述各种示例逻辑。
贯穿若干视图，对应的附图标记指示对应的部分。本文中所阐述的范例图示了本发明的示例性实施例，并且这样的范例不应被解释为以任何方式限制本发明的范围。
具体实施方式
本公开的某些实施例涉及用于在闭环系统中控制生理葡萄糖浓度的系统、方法和设备，所述闭环系统适用于与多种类型的药物（例如，胰岛素、普兰林肽、胰高血糖素）一起使用。
普兰林肽是可注射的药物，并且是胰淀素的类似物。胰淀素是由健康个体胰腺与胰岛素共分泌的激素，但是在具有1型糖尿病的人中缺乏。在进餐时间普兰林肽和胰岛素的共注射已经示出通过延迟胃排空、抑制营养刺激的胰高血糖素分泌和增加饱腹感来改进血糖控制。另外，与仅胰岛素注射相比，已经发现普兰林肽和胰岛素的共注射增加了患者在目标葡萄糖范围内花费的时间（例如，3.9-10.0mmol/L）以及在不增加白天和晚上二者期间的低血糖的风险的情况下的减少的葡萄糖可变性。例如，在禁食以及进食状况期间，胰岛素和普兰林肽的共注射更好地模拟了胰腺的自然生理。
下面所描述的示例性药物输送设备和控制逻辑可以共输送多种药物，包括胰岛素、普兰林肽和胰高血糖素的各种组合。
系统硬件
如本文中所使用的术语“逻辑”或“控制逻辑”可以包括在一个或多个可编程处理器、专用集成电路（ASIC）、现场可编程门阵列（FPGA）、数字信号处理器（DSP）、硬连线逻辑或其组合上执行的软件和/或固件。因此，根据实施例，各种逻辑可以以任何适当的方式实现，并且将保持与本文中所公开的实施例一致。
本文中公开了一种提供生理葡萄糖的闭环控制的系统。该系统的示例性硬件元件包括测量身体中生理葡萄糖浓度的传感器、接收用户数据的用户接口、（例如，分开或以共制剂）输送不同药物的泵以及包括控制逻辑的电子控制器，所述控制逻辑可操作以集成数据、执行算法并且控制泵以输送药物。此外，各种元件可以与彼此通信。
图1描绘了用于控制生理葡萄糖的系统10的示例性代表性框图。系统10包括药物输送设备12、用户接口20、测量葡萄糖的设备22和电子控制器24。
药物输送设备12说明性地是输注泵。图1、2A和2B示出了药物输送设备（例如，图1中的药物输送设备12A、图2A中的药物输送设备12B、图2B中的药物输送设备12C）的各种布置的示意图，所述药物输送设备贯穿说明书统称为泵12或药物输送设备12。
在图1中，药物输送设备12A包括包含药物的至少一个药物储存器16A。药物输送设备12A可以经由输注器18A向患者14输送至少一种药物，所述输注器18A提供从药物输送设备12A到患者14的流体路径。例如，输注器18A可以提供从药物输送设备12A到患者14内的皮下目的地的流体路径。在一些实施例中，药物输送设备12A提供到患者14内的皮下目的地的流体路径。药物输送设备12A或输注器18A可以包括用于插入患者皮下组织的针或套管。储存器16A可以耦合到单独的泵送设备（例如，柱塞、致动器、电机），其有助于将药物从储存器泵送到患者。由药物输送设备12A输送的药物可以是胰岛素和普兰林肽的共制剂。例如，共制剂可以包括固定比率（例如，5-7μg/u，诸如5μg/u、5.5μg/u、6μg/u、6.5μg/u、7μg/u）的胰岛素和普兰林肽。
如图2A中所示出的，药物输送设备12B包括包含不同药物的至少两个药物储存器16B-1和16B-2。第一药物储存器16B-1流体耦合到第一输注器18B-1，以及第二药物储存器16B-2流体耦合到第二输注器18B-2。每个输注器可以包括用于插入患者皮下组织的针或套管。第一药物储存器16B-1可以包含胰岛素，以及第二药物储存器16B-2可以包含普兰林肽。在某些实施例中，药物输送设备12B包括包含胰高血糖素的第三储存器。药物输送设备12B可以耦合到控制器（例如，在下面更详细描述的控制器24），其控制药物何时以及在多大程度上输送给患者14。例如，每个储存器可以耦合到单独的泵送设备，该泵送设备有助于将药物从储存器泵送到患者。在某些实施例中，控制器控制药物输送设备12B，使得胰岛素和普兰林肽以固定比率（诸如上面关于图1所描述的固定比率）输送。使用图2A的药物输送设备12B，胰岛素和普兰林肽将通过单独的输注器输送。
如图2B中所示出的，药物输送设备12C包括包含不同药物的至少两个药物储存器16C-1和16C-2。第一药物储存器16C-1和第二药物储存器16C-2二者流体耦合到相同的输注器18C-1，其可以包括用于插入患者皮下组织的针或套管。第一药物储存器16C-1可以包含胰岛素，以及第二药物储存器16C-2可以包含普兰林肽。药物输送设备12B可以耦合到控制器（例如，在下面更详细描述的控制器24），其控制药物何时以及在多大程度上输送给患者14。例如，每个储存器可以耦合到单独的泵送设备，该泵送设备有助于将药物从储存器泵送到患者。在某些实施例中，控制器控制药物输送设备12C，使得胰岛素和普兰林肽以固定比率（诸如上面关于图1所描述的固定比率）输送。使用图2B的药物输送设备12C，胰岛素和普兰林肽将通过相同的输注器18C-1输送。
药物输送设备12可以包括附加特征，诸如Lanigan等人在2013年3月7日提交的且题为“Infusion Pump Assembly”（“输注泵组件”）的美国专利申请号13/788,280中所描述的那些。
如图1中所示出的，系统10包括分析物传感器，诸如葡萄糖测量设备22。葡萄糖测量设备22可以是独立的设备或者可以是流动设备。葡萄糖测量设备的一个示例是连续葡萄糖监测器（CGM）22。在特定实施例中，CGM 22可以是葡萄糖传感器，诸如Dexcom G4或G5系列连续葡萄糖监测器，尽管可以使用任何合适的连续葡萄糖监测器。CGM 22说明性地由患者14佩戴，并且包括一个或多个传感器，所述一个或多个传感器与患者14内的生理空间（例如，间质或皮下空间）通信或监测该生理空间，并且能够感测患者14的分析物（例如，葡萄糖）浓度。在一些实施例中，CGM 22报告与间质液（例如，间质葡萄糖（IG））中的葡萄糖浓度相关联的值。CGM 22可以向用户接口20、泵12、控制器24或另一接收器传输表示IG值的信号。
系统10包括用户接口（UI）设备20，其可以用于向系统10输入用户数据、修改值以及接收由系统10生成的信息、提示、数据等。UI 20可以包括输入设备，诸如键盘或小键盘，以用于向控制器24提供字母数字数据。键盘或小键盘可以包括触觉指示器，促进在没有好视力的情况下使用，或者包括背光键，促进在没有照明的情况下使用。UI 20可以包括与设备通信的按钮或开关。在一个示例中，UI 20具有宣布事件的按钮或开关，所述事件诸如进餐、锻炼的开始、锻炼的结束、紧急停止等。在一些实施例中，UI是具有显示器的图形用户接口（GUI），其中用户与所呈现的信息、菜单、按钮等进行交互，以从系统10接收信息并向系统10提供信息。UI 20可以包括指针、滚球和按钮来与UI 20交互。此外，UI 20可以在能够显示图像和文本并且能够检测经由触摸的输入的触摸屏上实现。UI 20可以是专用设备，或者可以经由在诸如电话、平板等之类的个人智能设备上运行的应用或app来实现。UI 20可以与泵12和CGM 22通信。泵12和CGM 22也可以与彼此通信。
尽管控制器24被示出为与药物输送设备12和UI 20分离，但是控制器24可以物理地合并到药物输送设备12或UI 20中。替代地，UI 20和泵12均可以包括控制器24，并且系统10的控制可以在两个控制器24之间划分。不管其在系统10中的物理位置如何，控制器24被示出为直接或间接地通信耦合到药物输送设备12、UI 20和CGM 22。控制器24可以包括或通信耦合到一个或多个接口26，以经由一个或多个通信链路28通信耦合到药物输送设备12、UI 20和CGM 22。示例接口26包括有线和无线信号发射器和接收器。示例通信链路28包括有线通信链路（例如，串行通信)、无线通信链路，诸如例如短程无线电链路，诸如蓝牙、IEEE802.11、专有无线协议和/或类似的。术语“通信链路”可以指在至少两个设备之间在至少一个方向上传送某种类型信息的能力。通信链路28可以是持续通信链路、间歇通信链路、特定通信链路和/或类似的。信息（例如，泵数据、葡萄糖数据、药物输送数据、用户数据）可以经由通信链路28来传输。药物输送设备12、UI 20和CGM 22还可以包括一个或多个接口，以经由一个或多个通信链路28通信耦合到系统10中的其它设备。
控制器24可以包括至少一个处理器32（例如，微处理器），其执行存储在控制器24的存储器30中的软件和/或固件，并且所述至少一个处理器32（例如，微处理器）通信耦合到一个或多个接口26以及耦合到彼此。软件/固件代码包含指令，当由处理器执行时，所述指令使控制器24施行本文中所描述的控制算法的功能。控制器24可以替代地或附加地包括一个或多个专用集成电路（ASIC）、现场可编程门阵列（FPGA）、数字信号处理器（DSP）、硬连线逻辑或其组合。存储器30可以包括以易失性和/或非易失性存储器形式的计算机可读存储介质，并且可以是可移除的、不可移除的或其组合。在实施例中，存储器30存储可执行指令34（例如，计算机代码、机器可使用指令等）,以用于使处理器32实现本文中所讨论的系统组件的实施例的方面和/或施行本文中所讨论的方法和过程的实施例的方面，包括下面更详细描述的控制逻辑。存储器30、处理器32和接口26可以通过一个或多个总线通信耦合。控制器24的存储器是可由处理器访问的任何合适的计算机可读介质。存储器可以是单个存储设备或多个存储设备，可以位于控制器24的内部或外部，并且可以包括易失性和非易失性介质二者。示例性存储器包括随机存取存储器（RAM）、只读存储器（ROM）、电可擦除可编程ROM（EEPROM）、闪速存储器、CD-ROM、数字多功能盘（DVD）或其它光盘存储装置、磁存储设备或被配置为存储数据并且可由控制器24访问的任何其它合适的介质。
控制器24可以从多个系统10组件接收信息，并且将该信息（例如，泵数据、葡萄糖数据、药物输送数据、用户数据）馈送到控制算法中，所述控制算法确定至少一个药物输送控制参数，所述参数可以部分地管理泵12的操作。在一些特定实施例中，控制器24可以从泵12接收泵数据，从CGM 22接收葡萄糖数据，以及从UI 20接收用户数据。所接收的泵数据可以包括对应于由泵12输送到患者14的药物剂量的药物输送数据。泵数据可以由泵12在输送剂量时或按照预确定计划供应。由控制器24所接收的葡萄糖数据可以包括来自CGM 22的葡萄糖浓度数据。葡萄糖数据可以以连续速率、偶尔或以预定义间隔（例如，每5或10分钟）供应。
如上面所描述的，UI 20可以是专用设备（例如,为系统10特别编程的手持用户设备）,或者可以经由在诸如电话、平板等之类的个人智能设备上运行的应用或app来实现。UI20可以包括输入设备36（例如，按钮、开关）和显示GUI的显示器38。用户可以与输入设备36和显示器38交互，以向系统10提供信息。在某些实施例中，输入设备36是显示器38（例如，触摸屏）上的图标（例如，动态图标）。
泵数据、葡萄糖数据、药物输送数据和用户数据可以按照预定义计划在被获取时提供给控制器24，或者在存储器中排队并当被请求时供应给控制器24。用户数据可以响应于在训练期间受指导时由患者14公布的和/或由UI 20生成的用户/患者提示而被输入到UI20。在一些实施例中，泵数据、葡萄糖数据和/或用户数据中的至少一些可以从与控制器24相关联的存储器检索，并且该数据中的一些可以从泵12中的存储器检索。在一些实施例中，用户与UI 20的交互可能是极少的，其中提示患者14开始执行由控制器24实现的算法并提供进餐和/或锻炼宣布。在其它实施例中，可以提示用户提供各种附加数据，以便初始化由控制器24实现的算法。
用户数据可以包括但不限于胰岛素/碳水化合物比率、餐量、餐的碳水化合物比率和锻炼。用户数据还可以包括一组数据，其在本文中称为胰岛素需求数据。胰岛素需求数据可以包括但不限于每日总胰岛素剂量（TDD）、每日总基础剂量（TDB）、基础剂量和基础曲线。在说明性实施例中，TDD是24小时时段内输送的所有胰岛素的和，并且TDB是24小时时段内输送的所有基础胰岛素的和。在一个实施例中，TDB近似等于TDD减去餐制剂的和。在说明性实施例中，基础剂量是用户在预定义时段内所需的开环或标称胰岛素剂量。在一个示例中，基础剂量是在控制器从CGM接收的葡萄糖测量之间的每个时段或间隔的持续时间内，用户所需的胰岛素量。在另一示例中，在时间t的基础剂量是在时间t的基础曲线。在说明性实施例中，基础曲线是24小时过程中预定义时变胰岛素流速率。在一个示例中，基础曲线可以表达为胰岛素流速率的列表或流速率和时间的成对列表。在另一示例中，基础曲线可以表达为等式。这些用户数据值中的一个或多个可以按需从UI更新。在一些实施例中，TDD和TDB由控制器定期更新，其中值基于一天或多天内供应给用户的总胰岛素和基础胰岛素的记录量。在一些实施例中，TDD和/或TDB可以由临床医生或用户在用户接口输入，或者存储在可由控制器读取的存储器中。
由控制器24确定的至少一个药物输送参数可以是（一个或多个）药物剂量，其可以至少部分地管理经由泵12对患者14的药物给药。对于胰岛素和普兰林肽的输送，药物输送参数可以用于计算基础速率或微制剂剂量、（一个或多个）餐制剂剂量。在一个实施例中，提供给泵12的药物输送参数是请求泵输送特定量或体积的药物的控制信号。在一个实施例中，药物输送参数是模拟或数字信号，泵12将其转换成药物的量或体积或泵冲程数。在一些实施例中，药物输送参数是与基础胰岛素剂量或基础胰岛素曲线的当前值的偏差。偏差可以是胰岛素的量或体积或基础胰岛素剂量的百分比。因此，系统10可以在闭环设置中操作，该设置在初始启动后需要来自患者14的极少或无交互来实现血糖控制。
术语生理葡萄糖在本文中指的是身体中葡萄糖的测量浓度。在一些实施例中，生理葡萄糖可以是血液中葡萄糖（其也可以称为血糖）的浓度。在其它实施例中，生理葡萄糖可以是血浆中葡萄糖（其可以被称为血浆葡萄糖）的浓度。血浆葡萄糖的测量值通常比血糖高10%到12%，因为在血浆葡糖糖确定中已经移除了血液的血细胞。血浆葡萄糖和血糖之间的关系取决于血球比容计，并且可能从患者到患者且随时间的推移而变化。生理葡萄糖，在本文中缩写为PG，可以通过测量间质液中的葡萄糖浓度来间接测量，所述间质液被称为间质葡萄糖并且缩写为IG。
在说明性实施例中，系统10可以将胰岛素作为基础输送或制剂输送供应给身体。基础输送是以患者所需的基础速率连续输送胰岛素和普兰林肽，以将患者血液中的葡萄糖水平保持在所期望的水平。药物输送设备12可以以微剂量或基础剂量提供基础输送，随后是平均达到基础速率的零流量的时段。在一个示例中，胰岛素输送设备以固定间隔供应基础剂量，并且基础剂量等于期望的基础速率乘以间隔的持续时间。偶尔，由于活动（诸如进餐或影响用户的新陈代谢的活动）的改变，用户可能需要较大量的胰岛素。这种较大量的胰岛素在本文中被称为餐制剂。餐制剂是特定量的胰岛素和普兰林肽，其一般在短时间段内供应。药物输送设备12的性质可能需要在一段时间内作为胰岛素和普兰林肽的连续流输送制剂，或者在一段时间内作为一系列较小的、离散的胰岛素和普兰林肽体积供应的输送制剂。餐制剂促进维持葡萄糖水平，因为消化系统向血流供应大量葡萄糖。
MMPC算法
多模型预测控制器（MMPC）包括控制器24的控制逻辑，所述控制器24执行将多个状态向量及其模型与模型预测控制算法相组合的人工胰腺算法。MMPC通过传播多个状态向量并选择最匹配过去数据的状态向量及其模型，为控制器24添加了对身体和环境改变的改进的适应性。然后，控制器24使用所选择的状态向量及其模型来确定要输送给患者的胰岛素和普兰林肽的下一个基础速率或基础剂量，以便实现期望的生理葡萄糖水平。在某些实施例中，控制器24确定胰岛素的基础速率、基础剂量或制剂剂量，其连同普兰林肽一起以固定比率输送。多状态向量及其模型的使用改进了算法对新陈代谢、消化、活动或其它改变的响应性。
MMPC使用模型、葡萄糖数据和具有卡尔曼滤波器的协方差矩阵在每个时间间隔传播每个状态向量。在一些实施例中，MMPC在一个时间段内保持每个状态向量的先前值，并且当每个状态向量被传播以生成每个状态向量的最新值时，每个状态向量的最旧值被重写。在一些实施例中，仅每个状态向量的最新值存储在存储器中。每个状态向量均与唯一的模型和唯一的协方差矩阵相关联。MMPC基于间质葡萄糖（IG）的状态变量与过去一个时段内IG的测量值多好地匹配而选择最好状态向量及其模型。然后，MMPC在模型预测控制器中使用所选择的状态向量及其模型，其中MMPC将所选择的状态向量传播出去到预测范围，从而随时间的推移生成生理葡萄糖值的预测集。在对应时间的预测葡萄糖值集在本文中被称为预测轨迹。MMPC使用生理葡萄糖轨迹和目标函数来确定具有一个或多个对胰岛素值的限制的最佳胰岛素（与普兰林肽共输送）轨迹。
在一些实施例中，最佳胰岛素轨迹是与基础胰岛素或基础曲线有偏差的轨迹，本文中称为基础偏差轨迹。在这些实施例中，输送到身体的胰岛素量是预定义基础胰岛素加上从胰岛素轨迹所确定的最佳基础偏差。在这些实施例中，模型不包括基础胰岛素输入或内源性葡萄糖产生。而是，模型和目标函数考虑的是身体对餐和高于或低于预定义基础胰岛素率的胰岛素水平的响应。
初步胰岛素速率、剂量或最佳基础偏差取自第一时间间隔的胰岛素轨迹值。在将速率或剂量请求传递给输送设备之前，MMPC可以限制该初步胰岛素速率、剂量或最佳基础偏差。在其中最佳胰岛素轨迹是与基础曲线的偏差的实施例中，剂量请求是有限基础偏差加上基础曲线的和。然后，在框110A中，将有限的胰岛素速率、有限的剂量或有限的基础偏差反馈到多个状态向量中作为胰岛素输入，以用于确定下一个间隔处的胰岛素速率或剂量。示例MMPC从UI 20接收用户数据，并且从CGM 22接收葡萄糖浓度数据，并且确定泵12输送给患者14的药物量。
图3、4描绘了MMPC算法100的代表性框图，所述MMPC算法100定期接收IG数据，使用一个或多个状态模型来确定最佳胰岛素剂量，并且在重复该过程之前向胰岛素泵12传输对应的剂量请求。在框105A中，MMPC算法100从放置在患者的身体上的连续葡萄糖监测器或其它葡萄糖测量设备接收间质葡萄糖（IG）的测量。在框110A中，MMPC算法100传播每个状态向量，其包括使用其相关联的模型来传播每个状态向量，使用来自框105A的IG数据用卡尔曼滤波器对状态向量进行滤波，并且将餐碳水化合物和餐制剂添加到状态向量以产生更新的状态向量。
在一些实施例中，MMPC算法100遵循通过在框120中确定最佳基础偏差来接收葡萄糖数据105A和传播状态向量110A的步骤。在其它实施例中，在框120中计算最佳基础偏差之前，在框105B和110B中重复接收葡萄糖数据和传播状态向量的步骤。接收IG数据105A或接收葡萄糖数据105B，并且以等于模型更新时段（τUPD）102的定期间隔计算更新的状态向量110A、110B。更新时段的长度可以等于来自葡萄糖传感器22的输出之间的时段。
注射时段（τINJ）包括在确定最佳基础偏差120、检查胰岛素限制130和请求剂量135之前接收葡萄糖数据和传播状态向量的至少一个集合。在其中每个注射时段传播120一次状态向量的实施例中，注射时段等于更新时段。在其中每个注射时段接收两次葡萄糖数据（例如，框105A和105B）的实施例中，重复接收葡萄糖数据和传播状态向量的步骤，并且注射时段等于更新时段的两倍。在一些实施例中，注射时间是固定的，并且更新时间可以基于CGM 22的输出而变化，使得如果接收葡萄糖数据之间的时间短于注射时间，则状态向量可以在胰岛素输送或注射之间传播多于一次。在一些实施例中，如果来自葡萄糖传感器22的葡萄糖数据不可用或者葡萄糖数据不可靠，则在进行到框120中的最佳基础偏差的确定之前，状态向量将在没有卡尔曼滤波步骤的情况下被传播110。
框120确定与基础曲线的最佳偏差以控制患者的生理葡萄糖，并且框135请求泵12基于最佳偏差和基础曲线向患者输送新的胰岛素基础速率或剂量。在框120中，MMPC算法100选择在过去给定时间段内具有估计葡萄糖数据的确定最好记录的状态向量和模型。另外，在框120中，MMPC算法100使用模型预测算法中的所选择的状态向量和模型来确定下一个最佳基础偏差。下一个最佳基础偏差的确定可以包括来自框115的用户数据。与基础曲线的最佳偏差可以传递到框130，其中最佳偏差可以由一个或多个规则来限制，即，如果最佳基础偏差超过胰岛素阈值，则偏差值改变为胰岛素阈值。框130中的胰岛素阈值或限制可以是由所选择的状态向量估计的生理葡萄糖的预定义值或预确定函数。然后，框130的有限基础偏差被传递到框135，其中从有限基础偏差和基础曲线的和确定胰岛素剂量请求。在框135处，MMPC算法100将胰岛素剂量请求传输到泵12，并且将胰岛素剂量值传递到框110A，以包括在下一个状态向量的传播中。泵12经由输注器18向患者输送所请求的胰岛素剂量。
图4还图示了确定最佳基础偏差的示例性框120。在框126中，评估传播状态向量和对应状态向量，以识别在前述时间段内最匹配测量的IG数据的状态向量和模型。在一些实施例中，将测量的IG数据与固定历史时段内状态向量的对应IG值进行比较，以确定状态向量和葡萄糖数据之间的最好匹配。在一些实施例中，状态向量和葡萄糖数据之间的最好匹配基于测量的IG数据和状态向量的对应IG值之间的平方差的和。在该实施例中，平方差随时间的推移以指数衰减的权重求和。本文中，IG的对应估计指的是IG数据时状态向量中的IG值。
在一些实施例中，当接收到葡萄糖数据时，在每个更新间隔（τUPD）为每个状态向量计算识别误差。为每个状态向量存储每个更新间隔的识别误差。在框126中，每个状态向量的所有识别误差在历史时段内被加权和求和，以确定每个状态向量的性能指数。具有最低性能指数的状态向量可以连同至少其模型一起被选择以用于模型预测控制算法的接下来步骤127-124。
在框127中，MMPC算法100确定生理葡萄糖关于时间的当前微分（dPG/dt）。在MMPC算法100的一些实施例中，使用生理葡萄糖的改变率来设置胰岛素输送的限制、确定餐制剂、确定胰高血糖素制剂等。生理葡萄糖的改变率（dPG/dt）可以由若干种方法来确定。在一些实施例中，dPG/dt基于生理葡萄糖的最近的若干（例如，三个）估计（PGj-2、PGj-1、PGj），其中二次方程是对三个估计的拟合，并且dPG/dt设置为等于方程在j处的斜率。取决于选择哪个状态向量模型，生理葡萄糖浓度的三个最近估计可以来自不同的状态向量。在一些实施例中，dPG/dt是与最近的生理葡萄糖值（PGj、PGj-1、PGj-2、… PGj-n）拟合的直线的斜率。在一些实施例中，dPG/dt是PGJ-1和PGJ之间的差，其是斜率，因为PGJ的连续值之间的时间差是恒定的。在一些实施例中，dPG/dt是连续值（PGj-1–PGj）之间差除以时间间隔（τUPD）。
在框128中，所选择的状态向量及其模型用于预测从当前超时到预测范围的PG水平（PGj+1、PGj+2、PGj+3、…PGj+m）。从当前时间到预测范围的时间段在本文中被称为预测时段。预测时段可以是一个或多个小时。在一些实施例中，预测时间是四个半小时。对未来PG值的预测是在没有卡尔曼滤波器并且没有餐的校正的情况下通过传播状态向量及其模型进行的。假设基础胰岛素剂量、无胰岛素餐制剂和无食物，预测PG的值。在该示例中，不使用卡尔曼滤波器，因为未来的葡萄糖数据是未知的。
在框122中，生理葡萄糖目标（PGTGT）是预确定的生理葡萄糖浓度，其具有对餐、锻炼、测量的间质葡萄糖浓度和/或所选择的状态向量的生理葡萄糖浓度的校正。示例性预确定生理葡萄糖浓度为6毫摩尔/升（mmol/L），尽管可以使用其它合适的目标。
在框124中，为从当前时间到预测范围的未来时段确定最佳基础偏差。在一些实施例中，最佳基础偏差是相对于基础曲线的最佳胰岛素轨迹。在其它实施例中，最佳基础偏差仅仅是最佳胰岛素轨迹。最佳基础偏差或最佳胰岛素轨迹是在可能的胰岛素或偏差值具有一个或多个限制的情况下使一个或多个目标函数最小化的轨迹。在一些实施例中，目标函数对未来时段内的预测生理葡萄糖值和目标葡萄糖值之间的差求和。在一些实施例中，目标函数还可以对未来时段内的基础偏差或胰岛素剂量求和。在一些实施例中，所求和的值可以基于离进餐的时间而被不同地加权。代价函数和加权取决于一个或多个以下值，包括但不限于进餐后的时间、进餐量和锻炼水平。第一注射时段104的基础胰岛素或胰岛素轨迹可以作为速率或量传递到框130，其中所述速率或量可以基于估计的生理葡萄糖、生理葡萄糖的改变率和/或泵12过去的胰岛素输送来限制。
模型
模型包括由控制逻辑执行的线性差分方程集，所述控制逻辑计算患者的身体中的生理或血清葡萄糖（PG）以及间质葡萄糖的水平。在一些实施例中，该模型包括八个隔室，其跟踪胰岛素、碳水化合物和葡萄糖在身体内的移动和持续。在一些实施例中，模型考虑葡萄糖的外部来源（碳水化合物）和不同于基础曲线的胰岛素水平。在这些实施例中，框124的优化步骤中的模型输出是与基础胰岛素曲线的最佳基础偏差（δI）。在从泵12请求胰岛素剂量之前，MMPC算法100在框135中将基础胰岛素曲线值添加到胰岛素偏差。
胰岛素、碳水化合物和葡萄糖的移动和持续可能由若干模型参数驱动。所计算的PG值可以用于确定可以输送给患者的下一次胰岛素微制剂、胰高血糖素制剂和/或餐制剂。可以将所计算的IG与测量的IG进行比较。MMPC算法100可以包括状态向量的大集合，每个状态向量具有带模型参数的唯一组合的模型。
模型参数可以包括但不限于胰岛素敏感性（SI）、胰岛素时间常数（kI）、进餐作用时间常数（kC）、传感器时间常数（k传感器）、胰岛素与碳水化合物的比率（ICR）。在一些实施例中，胰岛素敏感性（S I ）是估计的基础胰岛素需求的函数，
，其中SP是至少部分控制胰岛素对生理葡萄糖的效果的模型参数。胰岛素的估计基础需求（IEBN）是TDD和TDB的函数。吸收时间常数（kI）是模型参数，其至少控制模型中来自胰岛素隔室的运输速率。在一些实施例中，吸收时间常数（kI）包括范围在大约30分钟和90分钟之间的值。进餐作用时间常数（kC）是模型参数，其至少影响模型中隔室之间碳水化合物的运输速率。在一些实施例中，进餐作用时间常数的值可以在从大约30分钟到90分钟的范围内。传感器时间常数（k传感器）是模型参数，其部分地影响葡萄糖在生理隔室和间质隔室之间的运输速率。传感器时间常数也可能影响间质葡萄糖和生理葡萄糖之间的关系。胰岛素与碳水化合物的比率（ICR）反映了从血液中移除给定量的葡萄糖所需的胰岛素量。胰岛素与碳水化合物的值可以从餐到餐变化，即，针对早餐可以具有第一值，针对午餐可以具有第二值，以及针对晚餐可以具有第三值。模型参数可以包括UI 20处的输入值、算法中的编程值、或可由控制器24读取的存储器中的存储值、或这些选项的组合。
示例性模型200可以表示为相互作用的八个隔室，如图5中所示出的。胰岛素在身体中从皮下输注部位到血流的存储和移动可以被建模为连接到血液隔室220的两个皮下隔室210、215。胰岛素微制剂可以被添加到第一皮下室或隔室210，并且然后在被运输到血液室或隔室220之前被运输到第二皮下室或隔室215。胰岛素在隔室之间的建模运输可以部分地由胰岛素时间常数（kI）和两个隔室210、215之间的胰岛素浓度差来控制。
仍然参考图5，碳水化合物通过胃到血流的运输可以建模为连接到第二碳水化合物室235的第一碳水化合物室230，所述第二碳水化合物室235连接到血液室220。本文中描述了向第一和第二碳水化合物隔室添加碳水化合物。隔室230、235之间的碳水化合物的建模运输可以部分地由进餐作用时间（kC）和两个隔室230、235之间的碳水化合物浓度差来控制。
仍然参考图5，餐制剂胰岛素从皮下输注部位到血流的存储和移动可以被建模为连接到血液隔室220的两个餐制剂隔室240、245。餐制剂可以被添加到第一和第二餐制剂室或隔室240、245，从第一制剂室240运输到第二制剂室245，并且然后运输到血液隔室220。胰岛素在隔室之间的建模运输可以部分地由胰岛素时间常数（kI）和两个隔室240、245之间的胰岛素浓度差来控制。
仍然参考图5，血液室或隔室220对微制剂胰岛素、碳水化合物和餐制剂胰岛素向血流中的运输进行建模，以及胰岛素和碳水化合物对生理葡萄糖浓度的效果。建模的生理葡萄糖浓度可以由先前的生理葡萄糖值、胰岛素敏感性（SI）、第二皮下室中的胰岛素浓度（IS2）、第二碳水化合物室中的碳水化合物浓度（C2）、第二制剂室中的胰岛素浓度（IB,2）、胰岛素时间常数（kI）和进餐作用时间（kC）来控制。
当连续葡萄糖监测器（CGM）测量葡萄糖浓度时，皮下葡萄糖隔室225对葡萄糖从血流隔室220到皮肤下的间质组织的运输进行建模。血液隔室220和皮下隔室225之间的建模的葡萄糖运输可以部分地由传感器常数（k传感器）和两个隔室220、225之间的葡萄糖浓度差来控制。
图5中所描述的示例模型也可以由以下线性差分方程集来描述：
每个状态向量均与唯一的模型相关联，所述模型包括方程，但具有唯一的常数集。
继续参考图5，八个隔室中胰岛素、碳水化合物和葡萄糖的浓度可以描述为状态向量x(t)，其中x(t)具有以下分量：x1(t) = IG，x2(t) = PG，x3(t) = IS2，x4(t) = IS1，x5(t)= C2，x6(t) = C1，x7(t) = IB2，x8(t) = IB1。状态向量描述身体的状况，包括在时间(t)的重要的PG和IG值。下一个状态向量（x(t+τ)）由当前状态向量（x(t)）和图5中所描述的关系确定。
上面的状态空间方程可以写为矩阵方程：
其中x(t)是时间t时的状态向量，而x(t+τ)是τ分钟后的状态向量，Adt是表示模型方程（方程1）的系统矩阵，其中b s 为零。在一个实施例中，B是在第一胰岛素隔室的行中包含b s 的输入向量，而u(t)是最佳基础偏差（δI）。为了通过更新时段(τUPD)在时间上向前传播状态向量，可以重复
的乘法N次，其中N = τUPD/dt，并且可以施行
的乘法。运用方程2来推进每个状态向量，其中每个状态向量具有唯一的模型矩阵Adt和扰动矩阵B。
图5中所描述的模型和方程1描述了MMPC算法中模型的示例性实施例。在其它实施例中，模型隔室的数量可以少于或多于八个。在一个实施例中，使用包括一个胰岛素隔室和一个碳水化合物隔室的最小模型，其中每个隔室连接到生理葡萄糖室。该最小模型可以由标记为方程1A的更简单的方程集来描述：
在其它实施例中，可以为与基础胰岛素分开建模的制剂胰岛素添加另一隔室，并且制剂胰岛素隔室连接到生理葡萄糖隔室。在仍然其它实施例中，可以添加隔室来对间质液中的胰岛素进行建模，其中该隔室连接到生理葡萄糖隔室。
传播状态向量
图6图示了在MMPC算法100中将每个状态向量x(t)传播到状态向量x(t+τ)的示例性示意性表示。将每个状态向量x(t)传播到状态向量x(t+τ)开始于使用与状态向量相关联的状态模型和框145中的方程2将每个状态向量xP(t)推进到其初步状态向量xP(t+τ)。每个初步状态向量xP(t+τ)是当前状态的初步估计。如果当前葡萄糖数据可从CGM获得，则在框160中，可以用卡尔曼滤波器对每个初步状态向量xP(t+τ)进行滤波，以产生经滤波的状态向量xF(t+τ)。如果葡萄糖数据不可获得或者卡尔曼滤波器未被调用，则初步状态向量通过框145。在框165中，可以针对最近更新时段期间发生的餐进一步校正每个初步状态向量xP(t+τ)或每个经滤波的状态向量xF(t+τ)的制剂胰岛素和碳水化合物状态的值，以确定传播状态向量x(t+τ)。如果在最近的更新时段期间尚未发生进餐，则初步状态向量xP(t+τ)或经滤波的状态向量xF(t+τ)不改变地通过框165以成为传播状态向量x(t+τ)。说明性地，当j = 1到J并且J是状态向量的数量时，对状态向量x(t)的引用暗示所有状态向量xj(t)。因此，参考状态向量x(t)，模型常数诸如kI、SI，协方差矩阵P、Q，协方差矩阵中的元素和性能指标P j (t)。这些变量中的每一个均指多个值，例如状态向量xj(t)。
在说明性实施例中，MMPC算法100使用以下参数列表中的一个或多个来初始化多个状态向量，所述参数列表包括但不限于当前时间、IG的估计、每日总胰岛素剂量（TDD）、每日总基础剂量（TBD）、基础模式、过去四小时的进餐历史、过去四小时的胰岛素制剂历史以及胰岛素与碳水化合物的比率（ICR）。MMPC算法100用间质葡萄糖值和生理葡萄糖值的IG的估计来初始化状态向量。碳水化合物和制剂胰岛素值从进餐历史和胰岛素制剂历史以及下面描述的类似方程3-6来确定。
参考图6，初步状态向量xP(t+τ)在框160中用卡尔曼滤波器滤波，以基于来自葡萄糖传感器22的测量葡萄糖数据和协方差矩阵P(t)、Q(t)和R(t)更新每个初步状态向量xP(t)中的状态变量。协方差矩阵R(t)是葡萄糖测量的不确定度，并且可以在框150中更新。每个状态向量的不确定度均含在协方差矩阵P(t)和Q(t)中。每个状态向量与唯一的协方差矩阵P和Q相关联。在框155中，在每个更新间隔（τUPD）更新每个协方差矩阵P(t)。在框155中，可以基于餐的量和/或时间来进一步修改协方差矩阵P(t)中的值。
协方差矩阵P(t)的示例在图7中表示为矩阵300。对角线项310列出了时间t时状态向量中状态变量的不确定度。非对角线项在本文中被称为交叉相关项或交叉项。交叉项列出了一个状态变量的不确定度对其它状态变量的影响。在一个示例中，第一隔室中碳水化合物的不确定度（第一碳水化合物状态变量）是第四行第四列的元素σC1，以及第二隔室中碳水化合物的不确定度（第二碳水化合物状态变量）是第五行第五列的元素σC2。第四和第五行320以及第四和第五列330中的非对角线元素是碳水化合物不确定度对其它身体向量值的不确定度的影响，所述其它身体向量值包括IG、PG、皮下隔室1和2中的胰岛素以及制剂隔室1和2中的胰岛素。Q(t)协方差矩阵是对角线矩阵，其中每个状态变量的初始不确定度沿着对角线310，并且对于所有交叉项为零。除了当MMPC算法100可以改变一个或多个值时响应于餐的改变以外，Q(t)矩阵是恒定的，如下面所解释的。
在框155中，每个协方差矩阵P(t)按照方程3针对更新间隔来推进：
其中Adt是上面所描述的系统矩阵。在将卡尔曼滤波器应用于方程4中的状态向量之前，更新P矩阵。在框160中，当葡萄糖数据（IG数据）可从葡萄糖传感器获得时，来自框145的初步状态向量xP(t+τ)可以用卡尔曼滤波器进行滤波。卡尔曼滤波器处理来自葡萄糖传感器的信息以及如卡尔曼矩阵中所描述的数据和状态变量中的不确定度，以改进初步状态向量中状态变量的估计。在对初步状态向量进行滤波之前，每个状态向量的卡尔曼矩阵K(t)用来自方程3的最新协方差矩阵P(t)更新。卡尔曼矩阵K(t)按照方程4来更新：
其中C是单位转换矩阵，而R是葡萄糖测量的不确定度。经滤波的状态向量xF(t)按照方程5来计算：
其中IG(t)是初步状态向量xp(t)中间质葡萄糖的当前估计，而K是卡尔曼矩阵。最终，在按照方程6计算卡尔曼矩阵K之后，协方差矩阵P被进一步修改：
在一些实施例中，对称对角线协方差矩阵Q(t)具有对角线葡萄糖项σIG、σPG和皮下胰岛素项σI1、σI2的葡萄糖和皮下胰岛素的误差的标准偏差的估计。如果平均进餐时间大于预确定时间，则碳水化合物（σC1、σC2）和制剂胰岛素（σIB1、σIB2）的协方差矩阵Q(t)中的对角线项为零。平均进餐时间是过去预确定时间内进餐的加权平均值，其中每个进餐时间由该餐消耗的碳水化合物量加权。在另一实施例中，如果在最近的预定义时段中没有进餐，则Q(t)协方差矩阵中的碳水化合物和制剂胰岛素项为零。在另一实施例中，如果在最终预定义分钟数中没有发生大于预定义量的碳水化合物的进餐，则在Q协方差矩阵中的碳水化合物和制剂胰岛素项为零。碳水化合物的示例性预定义量是5克，并且示例性预定义时间是120分钟，尽管可以实现其它合适的阈值。
在设置Q(t)矩阵的对角线值的一个示例中，状态变量中误差的估计标准偏差是估计胰岛素需求（IEBN）的百分比。
在一个实施例中，当在过去的预确定时间段内已经消耗了预确定量的餐时，碳水化合物（σC1、σC2）和制剂胰岛素（σIB1 σIB2）的Q(t)矩阵中的对角线项被设置为碳水化合物（C1、C2）和制剂胰岛素（IB1、IB2）值的误差的标准偏差的估计。在一个示例中，碳水化合物（σC1、σC2）中误差的估计标准偏差基于碳水化合物隔室1和2中碳水化合物的和的百分比（例如，10%），而制剂胰岛素值（σIB1、σIB2）中误差的估计标准偏差基于IEBN的百分比。
在一个示例中，当碳水化合物隔室中的碳水化合物的和超过阈值（例如，5克）并且平均进餐时间在低阈值（例如，40分钟）和高阈值（例如，210分钟）之间时，碳水化合物和制剂胰岛素的不确定度的对角线项被设置为非零值。在一个实施例中，平均进餐时间是过去210分钟中进餐的加权平均值，其中每个进餐时间由该餐消耗的碳水化合物量来加权。
在一个实施例中，当餐在预确定时间量内尚未被消耗时，协方差矩阵P和Q中的所有碳水化合物和制剂胰岛素项被改变为零。现在参考图7，碳水化合物术语指的是与术语σC1、σC2和术语σC1、σC2（320，330）对齐的P矩阵300中的元素。类似地，协方差矩阵P中的制剂胰岛素项是与制剂胰岛素项σIB1、σIB2和项σIB1、σIB2对齐的项。Q矩阵中的碳水化合物和制剂胰岛素项是碳水化合物和制剂胰岛素状态变量的不确定度的对角线项。在一个实施例中，当在预定义时间段内尚未进餐时，所有的碳水化合物和制剂胰岛素项在P和Q矩阵二者中被设置为零。在一个实施例中，预定义时间段是210分钟。当在预定义时间窗口内已经消耗少于预确定量的碳水化合物时，将协方差矩阵P、Q中的餐和制剂胰岛素值设置为零可以增加改进模型稳定性的可能性。
滤波状态变量的限制
再次参考图6，框160可以包括一个或多个校正，所述一个或多个校正限制或修剪从将卡尔曼滤波器和葡萄糖数据应用于初步状态向量而得到的经滤波的状态向量xF(t)中的变量。在一些实施例中，MMPC算法100将经过滤的状态向量xF(t)中的皮下胰岛素状态变量的和限制为高于预确定最小胰岛素浓度的值。在一个示例中，如果所有皮下隔室中的胰岛素的和小于基础胰岛素的预确定因子，则每个隔室中的胰岛素增加，使得新胰岛素值的和等于预确定胰岛素值。在一些实施例中，改变胰岛素状态变量的值，使得相同状态向量中一个胰岛素状态变量与另一胰岛素状态变量的比率不改变。在一个实施例中，可以通过将胰岛素值乘以因子来增加胰岛素值。在一些实施例中，基础胰岛素乘以预确定胰岛素因子等于预确定胰岛素值。在一个示例中，预确定因子近似估计基础需求（IEBN）的一半。
在一些实施例中，MMPC算法100限制碳水化合物和制剂胰岛素的初步或未滤波的状态变量以及卡尔曼滤波状态变量之间的差。在一些示例中，如果经滤波的状态向量中的碳水化合物的和大于未滤波的状态向量中的碳水化合物的和的第一预确定因子，则碳水化合物的滤波值减小，使得它们的和等于第二预确定因子和未滤波的碳水化合物和的乘积。在一个示例中，第一和第二预确定因子相等。
在一些实施例中，如果经滤波的状态向量值中的制剂胰岛素的和小于未经滤波的状态向量中的制剂胰岛素的和的第一预确定分数，则制剂胰岛素的经滤波的值将增加，使得它们的和等于未经滤波的制剂胰岛素值的和的第二预确定分数。在一个示例中，第一和第二预确定分数相等。
然后，可能已经用上面所描述的卡尔曼滤波器校正的多个经滤波的状态向量xF(t+τ)被传递到框165，其中更新经滤波的状态向量以包括餐和相关联的胰岛素剂量的效果。在框165中，将在先前τUPD分钟期间发生的餐和餐制剂的效果添加到经过滤的状态向量xF(t+τ)，以产生传播状态向量x(t+τ)。餐中的碳水化合物被直接添加到每个状态向量中的碳水化合物状态变量。在一些实施例中，在模型包括碳水化合物的两个隔室的情况下，碳水化合物状态变量按照方程7、8更新：
其中碳水化合物比率是单位转换因子，其将碳水化合物的克转换成每升碳水化合物的浓度，例如，mmol/L或μmol/L，△t是餐和当前计算的时间之间的时间，而餐碳水化合物是餐中碳水化合物的量。
胰岛素的餐制剂的效果可以按照以下方程直接添加到经校正的更新状态向量（IB,1、IB,2）的胰岛素制剂值：
其中，△t是制剂输注和当前计算的时间之间的时间，而制剂是确定用于补偿方程7、9的变量餐碳水化合物中添加的碳水化合物的胰岛素的量。在一些实施例中，制剂的值可能不等于由泵输送的制剂，而是从添加到模型的碳水化合物隔间的碳水化合物的量来计算。在一些实施例中，使用从添加到模型的碳水化合物计算的制剂可以改进模型稳定性，并且改进对未来生理葡萄糖值的预测。在一些实施例中，制剂值基于餐碳水化合物和估计的胰岛素基础需求计算为，制剂 = 餐碳水化合物/I EBN ·F C ，其中Fc是单位转换常数。
在一些实施例中，框165通过增加生理葡萄糖（PG）的值来进一步校正状态向量x(t+τ)，以反映由于胰高血糖素制剂的输送而导致的葡萄糖的出现。PG值的校正由以下方程定义：
其中N是先前胰高血糖素制剂的数量，ug(i)是胰高血糖素制剂的量，to(i)是胰高血糖素制剂给药的时间，而kGLN是表示皮下胰高血糖素输送及其作用之间的滞后时间的转移速率参数。多个传播、滤波和校正的状态向量x(t+τ)然后被传递出框110。在一些实施例中，多个状态向量x(t+τ)被传递到框120，其中确定最佳基础胰岛素偏差。
确定最佳基础胰岛素偏差
现在参考图4，框120中的MMPC算法100可以通过从CGM数据选择最匹配过去间质葡萄糖数据（IG数据）的状态向量及其模型，使用所选择的状态向量及其模型来预测贯穿预测范围的以下预测时段的葡萄糖浓度（框128），以及在框124中基于目标函数、在122中所确定的葡萄糖目标、来自115的基础曲线以及在本文中所描述的对胰岛素输送速率的一个或多个限制而确定基础曲线在预测时段内的最佳偏差，从而确定最佳基础胰岛素偏差。等于第一输注时段的胰岛素轨迹的胰岛素体积被传递到框130，作为与基础曲线的最佳基础偏差。
在框126中，MMPC算法100选择在历史时段内最匹配葡萄糖数据或IG数据值的状态向量及其模型。在一些实施例中，IG数据值由放置在用户的身体上的CGM 22测量。在其它实施例中，用葡萄糖传感器测量葡萄糖数据。在一个实施例中，在每个更新间隔为每个状态向量计算识别误差ej(t)，作为每个状态变量IGj(t)与时间t处的IG数据之间的差。然后为每个状态向量j计算性能指数Pj(t)，所述状态向量j对一个时间段内的识别误差ej(t)求和。在一些实施例中，性能值P j(t)是移动时间窗口（例如，2小时或其它合适的窗口）内的加权和平方识别误差的和。在一些实施例中，对于最近的识别误差，加权增加。
在一个实施例中，性能值是平方误差的加权和，其中加权是指数衰减函数，其给予更近的数据更多的权重。在一个实施例中，每个模型j的性能值被定义为：
其中a和b是确定瞬时和长期准确度对指数的贡献的常数，误差e j (t)是在当前时间t模型j的测量和确定的IG值之间的差，e j (i)是第j个模型ej(i) = {e j (1)，e j (2)，…e j (M)}的先前误差值的向量，M是每个状态向量和模型j在移动窗口中的误差向量e j (i)中存储的误差值的数量，c是定义用于对误差E j (i)加权的指数衰减函数的常数。在一些实施例中，使用性能指数来选择状态模型增加了MMPC算法100的稳定性的可能性。
在框126中，MMPC算法100可以选择具有最低当前值性能值Pj(t)的状态向量和模型，并且将所选择的状态向量和模型传递到框128。
在一些实施例中，在进餐时间之后，在框126中考虑状态向量的子集，以识别与过去的IG数据的最佳匹配。在一些实施例中，所考虑的状态向量的子集仅包含其模型具有相对较快的胰岛素吸收值的那些状态向量。与具有相对较慢的胰岛素吸收时间的模型相关联的状态向量被排除在考虑之外，以确定与过去IG数据最好拟合的状态向量。在一些实施例中，MMPC算法100将框126中考虑的状态向量限制为与胰岛素吸收时间小于第一胰岛素吸收阈值的模型相关联的状态向量。示例性第一胰岛素吸收阈值大约为一小时或其它合适的阈值。
框128中的MMPC算法100使用与所选择的状态向量相关联的模型将框126中选择的状态向量推进到预测范围之外，以预测生理葡萄糖浓度PG(t)。从当前时间到预测范围的时段在本文中称为预测时段。在一些实施例中，所选择的状态向量在没有餐输入和没有餐胰岛素制剂发生的稳定状态状况下推进。在一些实施例中，假设基础胰岛素剂量，所选择的状态向量被推进。基础胰岛素剂量可以是零基础偏差、基础曲线或恒定基础剂量。在优选的实施例中，假设在预测时段期间零基础偏差、没有餐且没有胰岛素制剂，所选择的状态向量被推进。框128将所得到的预测生理葡萄糖浓度值PG P,I 传递到框124，其中确定与基础曲线值的最佳胰岛素偏差。
在框124中，示例MMPC算法100在预测时段内假设没有餐，确定与基础曲线的最佳偏差。与基础曲线的最佳偏差可以是预测时段内使目标函数最小化的一系列胰岛素剂量偏差。在一些实施例中，目标函数包括预测时段内每个时间步长的加权平方葡萄糖差。葡萄糖差是目标葡萄糖值和预测的生理葡萄糖状态变量的值之间的差。目标函数还可以包括预测时段内每个时间步长的加权平方胰岛素基础偏差（δI）的和。在一些实施例中，目标函数还可以包括每个时间步长的加权胰岛素剂量的和。每个时间步长可以等于更新时段（τUPD）或注射时段（τINJ）。葡萄糖差或胰岛素剂量的加权可以是时间的函数，或者可以在餐后随时间变化。在一个实施例中，目标函数按照方程13包括葡萄糖差和基础偏差二者：
其中K 胰岛素 是与基础胰岛素剂量的偏差的加权因子，ph是由预测时段包含的样本或预测的数量，以及加权函数wG(i)可能在预测时段内变化。在一些实施例中，加权函数可以对预测的生理葡萄糖PG(ph)和目标葡萄糖PGTGT(ph)之间的最终差给予显著更多的权重。另外，在一些实施例中，最终加权wG(ph)大于先前加权值wG(1)直至wG(ph-1)的和。在一些实施例中，权重函数wG(i)可以在餐后时段内降低。另外，在一些实施例中，权重函数wG(i)可以是大于进餐时段的间隔的标称值，并且比小于进餐时段的间隔的标称值小得多。在一些实施例中，在餐后的前半个进餐时段，权重函数可以小于标称值的1%，并且在餐后的后半个进餐时段期间，从小于标称值的1%增加到标称值。在一些实施例中，进餐时段大于3小时。目标葡萄糖数PG TGT (i)可以但不限于是规定的目标葡萄糖值、锻炼、餐后时间中的一些的函数。
优化过程中对胰岛素偏差的限制
上面的代价函数的最小化还受到对胰岛素偏差δ I(i)值的限制的约束。对胰岛素偏差δ I(i)的限制例如可以基于开环胰岛素速率IOL。可以限制胰岛素偏差，使得胰岛素剂量保持在0和IMAX之间。因此，胰岛素偏差δ I(i)限于以下范围：
其中IOL在下面定义，并且IMAX(i)为最大基础剂量。在一个实施例中，最大基础剂量可以是由用户或临床医生预定义的固定值。在另一实施例中，最大基础剂量可以取决于估计的生理葡萄糖值、每日总基础胰岛素、TDB和/或开环胰岛素、IOL。
在一些实施例中，最大基础剂量IMAX(i)是开环胰岛素和估计的生理葡萄糖值PG的函数。在该实施例中，对于小于第一预定义葡萄糖阈值的生理葡萄糖值，最大基础剂量可以等于第一因子和开环基础剂量的乘积。类似地，对于大于预定义的第二葡萄糖阈值的生理葡萄糖值，最大基础剂量可以等于第二因子乘以开环基础剂量的乘积，其中第二因子大于第一因子。基于第一和第二葡萄糖阈值之间的生理葡萄糖值的生理葡萄糖值，最大基础剂量可以等于第一和第二因子乘以开环基础剂量之间的插值。在一些实施例中，第一因子近似为3，并且第一葡萄糖阈值近似为7mmol/L。在一些实施例中，第二因子近似为5，并且第二葡萄糖阈值近似为12mmol/L。
在一些实施例中，上面的代价函数的最小化还受到对胰岛素偏差δ I(i)值的限制的约束，所述胰岛素偏差δ I(i)在标记为胰岛素限制的部分中列出。通过应用预测时段中对应时间点的预测生理葡萄糖值和生理葡萄糖值的改变率（例如，δ I(i) = fcn(PG(I)，dPG(i)/dt)），可以在预测时段期间的每个时间点将下面列出的胰岛素限制应用于框124中的优化过程。
存在多种数值算法来发现最佳胰岛素偏差命令集{δ I(1)、δ I(2)…δ I(ph)}，其最小化方程13的代价函数。当数值算法在框120中发现最佳胰岛素偏差命令集时，MMPC算法100将第一更新间隔（δ I(1)）的最佳基础偏差传递到框135，其中最佳偏差与基础曲线求和，以等于下一个剂量请求。
胰岛素术语
MMPC算法100使用多个胰岛素值，所述多个胰岛素值可以在术语胰岛素需求下分组。在一些实施例中，胰岛素需求是由患者或临床医生在UI 20处输入的数据。在另一实施例中，胰岛素需求数据可以存储在UI 20、控制器24或泵12上的存储器中。胰岛素需求可包括单个值或基础曲线。在一些实施例中，胰岛素需求数据包括以下胰岛素值中的一个或多个：每日总胰岛素剂量（TDD）；总基础剂量（TBD）；基础剂量（IBD），其是单剂量速率，通常为单位/小时；以及基础曲线（IBP(i)），其是定义一天内基础胰岛素剂量的列表或方程。基础剂量可以是用户在UI 20处输入的值，或者其可以作为TDD的一部分来计算。在一些实施例中，基础剂量是基础因子乘以TDD除以24，其中基础因子小于1。在一些实施例中，因子是0.55或另一合适的分数。在其它实施例中，基础剂量是基础胰岛素TDB除以24。
开环基础速率IOL(t)是输入基础曲线IBP(t)，其受上限和下限限制。IOL(t)等于IBP(t)，除了当IBP(t)小于下限时，其中IBP(t)等于下限。IOL(t)等于IBP(t)，除了IBP(t)大于上限的情况，其中IBP(t)等于上限。在一个实施例中，下限是TDB/24的一半，并且上限是TDB/24的1.5倍。
估计的胰岛素基础需求IEBN是每日总胰岛素剂量（TDD）和每日总基础胰岛素（TDB）的函数，所述估计的胰岛素基础需求IEBN用于设置胰岛素敏感性、对经滤波的胰岛素值的协方差限制的初始值以及胰岛素制剂的计算。在一个示例中，IEBN的值是TDD/24的分数。在另一示例中，IEBN受到上限和下限的限制，其中上限和下限基于TDD和TDB。
每日总胰岛素剂量（TDD）和每日总基础胰岛素（TDB）可以是常数，或者可以在使用期间更新。在一个实施例中，TDD和TDB是预确定值。在另一实施例中，由用户或临床医生在用户接口处输入TDD和TDB，或者直接传送给控制器24。在另一实施例中，由控制器更新TDD，以平均在过去2周内每天输送的胰岛素。在另一实施例中，控制器24可以将TDB更新为输送的每日基础胰岛素的两周平均值。在另一实施例中，TDD和TDB分别表示过去3天内的每日总胰岛素和总基础胰岛素的平均值。在另一实施例中，TDD和TDB分别表示过去24小时内每日总胰岛素和总基础胰岛素的平均值。
目标葡萄糖
如上面所描述的，由控制器实现的框124（图4）中的说明性MMPC算法100当确定与基础曲线的最佳偏差时使用目标生理葡萄糖值（PGTGT）。在一些实施例中，PGTGT是固定值。在其它实施例中，当存在各种状况或发生各种事件时，从标称值或预设置值（PGNOM）修改PGTGT。目标生理葡萄糖值可以基于经由UI 20的输入传送到系统10的用户数据来确定。目标生理葡萄糖值的这样的调整可以例如响应于进餐和/或锻炼的宣布而发生。目标葡萄糖值的调整可以至少部分地由目标修改公式管理，或者可以基于当某些情况存在时要使用的预定义值。此外，目标值调整可能在状况或事件发生后持续一个时段。该调整可以是在该时段内的静态或固定调整，或者随着时间段的流逝而更改幅度（例如，幅度上线性减小）。
现在参考图4中所描绘的框120，可以在框122中确定葡萄糖目标，并将其提供给框124，然后所述框124可以如上面所描述的确定与基础曲线的最佳偏差。框122从框115接收进餐和锻炼输入数据，并且可以更改目标生理葡萄糖值。作为在框120中确定基础曲线的最佳偏差的一部分，标称目标葡萄糖值可以从其标称值进行调整。示例性标称目标葡萄糖值为5-6mmol/L，尽管也可以实施其它合适的值和范围（例如，5-5.5mmol/L）。在一些实施例中，如果当MMPC算法100正在框120中确定基础曲线的最佳偏差时，如果患者14已经宣布锻炼并且还没有结束锻炼，则可以调整目标葡萄糖值。在其它实施例中，如果锻炼时段在当前时间的预定义时间内已经发生了预确定时段，则可以针对锻炼修改目标葡萄糖值。在一些实施例中，如果患者14已经在确定最佳基础偏差的预定义时段内宣布进餐，则进餐数据可以更改目标生理葡萄糖值。
锻炼宣布可以将生理葡萄糖目标值从预设置值或标称值修改为锻炼目标值。在一些实施例中，锻炼目标值可以处于预设置或标称目标值，或者大于预设置或标称目标值大约3mmol/L。在一些实施例中，预设置或标称目标值可以处于或大约6mmol/L，并且锻炼目标值可以处于或大约9mmol/L。
餐宣布或餐数据可以被输入到公式，该公式基于与餐的接近度来增加目标值。该公式可以被布置为使得该餐在时间紧密接近餐上对目标值具有更大的影响。随着餐消耗的时间的增加，目标值可能在较小程度上更改。在某个预定义时间段已经消逝之后，餐输入数据在确定任何目标值调整上可能不再有影响，并且可以使用预设置或标称目标值。进餐事件对目标生理葡萄糖值的影响可以随时间的推移以线性方式改变（例如，减小）。
在设置生理葡萄糖目标值之后，可以基于生理葡萄糖目标来施行多个检查。在一些实例中，这些检查可能导致葡萄糖目标值（PGTGT）修改为更改的最终值。
胰岛素限制检查
在状态向量已经被传播并且在框120中已经确定了与基础曲线的最佳偏差之后，控制器24可以在图3的框130中将与基础曲线的最佳偏差与一个或多个胰岛素限制进行比较或检查。在一些实施例中，可以使用多个准则。基于所选择的状态向量的生理葡萄糖或生理葡萄糖的改变率，可以更改与基础曲线的最佳偏差（δI），以将输送的胰岛素保持在限制内。最佳偏差的更改也可以基于每日总胰岛素剂量（TDD）和/或每日总基础胰岛素（TDB）。在一些实施例中，当与基础曲线的最佳偏差通过多个限制检查时，与基础曲线的最佳偏差可以被更新一次或多次。所得到的限制检查的最佳基础偏差（δI）然后可以被传递到剂量请求框135，其中基础剂量或基础曲线将被添加到检查基础偏差以产生被发送到泵12的请求胰岛素剂量。
图8描绘了详述可以被执行以确定与基础曲线的最佳偏差是否需要更改的多个示例动作的示例流程图1200。在框1206中，控制器24将与基础曲线的最佳基础偏差与第一准则或第一限制检查进行比较。如果在框1208中，比较指示基于第一胰岛素限制检查不需要修改，则在框1212中，可以将最佳基础偏差与下一次胰岛素限制检查进行比较。如果在框1208中，比较指示最佳基础偏差需要改变，则在框1210中，最佳基础偏差可以改变为更新基础偏差。然后，在框1212中，控制器24可以将更新基础偏差与下一次胰岛素限制检查进行比较。
如果在框1214中，比较指示最佳或更新基础偏差需要更改，则在框1216中，基础偏差可以被更新为更新基础偏差。在框1216中的修改之后，或者如果在框1214中，比较指示基于胰岛素限制检查不需要修改，则可以在框1218中确定是否已经完成了所有的胰岛素限制检查。如果在框1220中，所有胰岛素限制检查都尚未完成，则控制器24可以返回到框1212并施行下一次胰岛素限制检查。这可以重复进行，直到控制器24已经进行了“n”次胰岛素限制检查。在一些实施例中，“n”可以高达或等于6。如果在框1220中，所有胰岛素限制检查已经完成，则最佳基础偏差或更新基础偏差可以作为检查基础偏差提供给泵12，并且泵12可以向患者14给微制剂量的药物。
方程15-17图示了可以应用于图3的框130中的示例性胰岛素限制检查。在一个实施例中，方程15–17顺序地应用于由框120产生的最佳基础偏差。其它实施例可以包括对基础胰岛素偏差的以下限制中的一些或全部。这些胰岛素限制被应用于在图3和4的框120中产生的胰岛素基础曲线的最佳偏差或最佳基础偏差（δI）以产生更新基础偏差，该更新基础偏差被供应给框135，其中从泵12请求输送的剂量。
为了使MMPC算法100不对称地响应于以不同于基础速率的速率输送胰岛素的请求，在一个实施例中，胰岛素限制框130通过增加负基础偏差的幅度并使正基础偏差不改变来将来自基础胰岛素或基础曲线的改变偏向较低的剂量。例如，如果来自框120的最佳基础偏差为负，则最佳基础偏差的幅度可以按照方程15进一步增加：
其中F1是大于1的值。如果最佳基础偏差为正，则最佳基础偏差不会改变。在增加最佳基础偏差的幅度之后，如果需要，则控制器24施行下一次胰岛素限制检查。
在一些实施例中，当生理葡萄糖高时，MMPC算法100确保最小的胰岛素输送。在一些实施例中，当所选择的状态向量的估计生理葡萄糖超过预确定高葡萄糖阈值时，控制器24将最佳基础偏差限制为大于或等于零。将最佳基础偏差保持在零或以上会导致输送的胰岛素大于或等于基础曲线。在一个示例中，按照方程16基于高葡萄糖阈值来限制基础偏差：
其中PGMAX是高生理葡萄糖阈值。在一个示例中，高生理阈值处于或大约13.7mmol/L。其中A = max(B，C)的方程形式意味着A被设置为等于B或C中的较大值。
在一些实施例中，当生理葡萄糖低时，MMPC算法100限制胰岛素输送。在一些实施例中，当所选择的状态向量的生理葡萄糖小于预确定低生理葡萄糖阈值时，控制器24将最佳基础偏差限制为小于或等于第一预确定低值。
在一些实施例中，当生理葡萄糖低且正在下降时，MMPC算法100进一步限制胰岛素输送。在一些实施例中，当所选择的状态向量的生理葡萄糖小于预确定的低生理葡萄糖阈值并随时间减小时，控制器24将最佳基础偏差限制为小于或等于第二预确定低值。第二预确定低值可以小于第一预确定低值。
在一些实施例中，当生理葡萄糖非常低时，MMPC算法100进一步限制胰岛素输送。在一些实施例中，当所选择的状态向量的生理葡萄糖小于第二预确定低生理葡萄糖阈值时，控制器24将最佳基础偏差限制为小于或等于第三预确定低值。
在一些实施例中，MMPC算法100通过在预确定时段低胰岛素剂量之后供应最小水平的胰岛素来确保在相对长的时间尺度上最小的胰岛素输送。在一些实施例中，当预定义时间段内的平均胰岛素剂量低于预定义剂量阈值时，控制器24将胰岛素剂量限制为等于或大于最小剂量。控制器24可以通过在预定义时段内对MMPC算法100在图3的框135中请求的胰岛素剂量进行平均来确定平均输送的胰岛素剂量。在一些实施例中，预定义时段大约两小时。输送的胰岛素阈值可以是小正值。在一些实施例中，输送的胰岛素阈值被设定处于或大约每小时0.05单位胰岛素。
在一些实施例中，当在预定义时间段内平均输送的胰岛素剂量小于输送的胰岛素阈值时，可以通过将最佳基础偏差限制为等于或大于第一预确定阈值来确保最小长期输送。在一个实施例中，第一预确定阈值为零，因此输送的胰岛素将至少等于基础曲线。在一个实施例中，在方程17中描述该胰岛素限制：
其中，ID(i)是过去请求的胰岛素剂量，而IMIN是输送的胰岛素阈值。
胰高血糖素的闭环控制
在一些实施例中，系统10可以包括多个药物储存器16。例如，一个药物储存器16可以包括胰岛素，以及另一储存器可以包括胰高血糖素。使用来自CGM 22的数据，胰高血糖素可以连同胰岛素一起以闭环方式输送给患者14。在一些系统中，除了胰岛素之外，胰高血糖素的给药可以帮助进一步增加患者14处于正常血糖状态的时间量。
对患者14的胰高血糖素输送可以由多个预定义胰高血糖素规则控制，所述规则可以取决于实施例而变化。在一些实施例中，在给定的一天中被分配以输送给患者14的胰高血糖素制剂的量可以是以下因素中的一个或多个的函数，包括但不限于：最近的餐、锻炼、生理葡萄糖浓度、葡萄糖浓度的改变率、基础胰岛素数据以及体内胰岛素（IOB）的估计。在一些实施例中，如果用户指示锻炼，则胰高血糖素制剂可以增加。在一些实施例中，胰高血糖素剂量可以在锻炼期间增加。在一些实施例中，胰高血糖素制剂可以被设置为零或在餐后一个时段内取消。在一个实施例中，餐后120分钟内胰高血糖素制剂被设置为零。
在一些实施例中，仅当生理葡萄糖的改变率（dPG/dt）小于葡萄糖速率阈值（RPG）时，才可以输送胰高血糖素制剂。葡萄糖速率阈值可以是估计的生理葡萄糖（PG）的函数。葡萄糖速率阈值（RPG）可能与估计的生理葡萄糖（PG）相反地增加，使得葡萄糖速率阈值将随着较低的生理葡萄糖（PG）值而增加。随着PG水平的减小，控制器24以更高的dPG/dt值输送胰高血糖素。在一些实施例中，葡萄糖速率阈值小于零，使得胰高血糖素仅当PG正在下降得快于葡萄糖速率阈值时被输送。在这些实施例中，葡萄糖速率阈值随着生理葡萄糖的增加而增加并具有较小的幅度。在一些实施例中，葡萄糖速率阈值可以大于零，使得胰高血糖素仅当PG正在上升得慢于葡萄糖速率阈值时输送。在这些实施例中，葡萄糖速率阈值随着生理葡萄糖的增加而增加并具有较大的幅度。在一些实施例中，葡萄糖速率阈值对于高生理葡萄糖值小于零，并且对于低生理葡萄糖值大于零。在这些实施例中，在较高生理葡萄糖水平下，胰高血糖素仅当PG正在下降得快于葡萄糖速率阈值时输送，而在较低生理葡萄糖值下，胰高血糖素仅当PG正在上升得慢于葡萄糖速率阈值时输送。
胰高血糖素制剂（GlnB）的量或体积可以随着生理葡萄糖的改变率（dPG/dt）和生理葡萄糖（PG）的估计值而缩放。在一些实施例中，胰高血糖素制剂随着生理葡萄糖的改变率而增加。在一些实施例中，胰高血糖素制剂的量可以随着生理葡萄糖浓度水平的减小而增加。在一些实施例中，胰高血糖素制剂可以随着模型中活性胰岛素的量而增加。
在一些实施例中，胰高血糖素可以进一步或替代地由控制器24基于图9的流程图1440中所图示的示例性方法来控制。在框170中，控制器24可以基于从框115接收到的关于进餐和锻炼的用户数据、所选择的状态向量126中的生理葡萄糖的当前估计（图4）、以及来自框127的生理葡萄糖的改变率（dPG/dt）来确定所请求的胰高血糖素的制剂体积。在框1420中，控制器24检查在预定义时间段（τM）内是否已经消耗了一餐。在一个实施例中，τM是120分钟。如果在小于τM的时段内已经消耗了一餐，则控制器在框1435中将胰高血糖素制剂设置为零，并退出框170。如果在过去的τM时段内尚未消耗一餐，则控制器在框1425中确定葡萄糖输入（GI）。葡萄糖输入等于所选择的状态向量126的生理葡萄糖（PG）。在一些实施例中，如果用户在框115中指示锻炼，则葡萄糖输入可以等于生理葡萄糖浓度减去锻炼因子。在一个实施例中，锻炼因子为3mmol/L。然后将葡萄糖输入值（GI）传递给一系列“如果-那么-否则”逻辑决策（例如，框1430-1468），其基于在框127中确定的葡萄糖输入值和生理葡萄糖浓度的改变率来设置胰高血糖素制剂的量。在框1470中，可以根据所选择的状态向量中的胰岛素和估计的基础胰岛素需求（IEBN）的和来更新所得到的胰高血糖素制剂。
在下面描述如果-那么-否则逻辑（例如，框1430-1468）和胰高血糖素制剂修改1470。在框1430中，将葡萄糖输入（GI）与主要葡萄糖阈值（G0）进行比较。如果输入葡萄糖大于主要葡萄糖阈值（G0），则控制器在框1435中将胰高血糖素制剂设置为零，并退出框170。如果输入葡萄糖（GI）小于主要葡萄糖阈值（G0），则控制器进行到框1448和随后的如果-那么-否则逻辑步骤，该逻辑步骤基于生理葡萄糖的估计值和改变率来设置胰高血糖素制剂。
在框1448中，如果葡萄糖输入（GI）大于第一葡萄糖阈值（GI），则由框1450中的第一函数基于生理葡萄糖浓度的改变率（dPG/dt）或连续生理葡萄糖值的差（dy1、dy2）来确定胰高血糖素制剂。如果连续生理葡萄糖值是以固定间隔获取的，则连续生理葡萄糖值[PG(i)-PG(i-1)或PG(i)-PG(i-2)]之间的差可以被视为生理葡萄糖的改变率（dPG/dt）。如果葡萄糖输入小于第一葡萄糖阈值，则逻辑传递到框1452。
在框1450的第一功能中，基于葡萄糖的改变率（dPG/dt）来确定胰高血糖素制剂。如果葡萄糖的改变率大于第一速率阈值（RPG1），则胰高血糖素制剂被设置为零（Gln B = 0）。在框1450中设置胰高血糖素制剂后，控制器24传递到框1470。
在框1452中，如果葡萄糖输入（GI）大于第二葡萄糖阈值（G2），则由框1454中的第二函数基于生理葡萄糖的改变率（dPG/dt）来确定胰高血糖素制剂。如果葡萄糖输入小于第二葡萄糖阈值，则逻辑传递到框1456。
在框1454的第二功能中，基于葡萄糖的改变率（dPG/dt）来确定胰高血糖素制剂。如果葡萄糖的改变率大于第二速率阈值（RPG2），则胰高血糖素制剂被设置为零（Gln B = 0）。在框1454中设置胰高血糖素制剂之后，控制器24传递到框1470。
在框1456中，如果葡萄糖输入（GI）大于第三葡萄糖阈值（G3），则由框1458中的第三函数基于生理葡萄糖的改变率（dPG/dt）来确定胰高血糖素制剂。如果葡萄糖输入小于第三葡萄糖阈值，则逻辑传递到框1460。
在框1458的第三功能中，基于葡萄糖的改变率（dPG/dt）来确定胰高血糖素制剂。如果葡萄糖的改变率大于第三速率阈值（RPG3），则胰高血糖素制剂被设置为零（Gln B = 0）。在框1458中设置胰高血糖素制剂之后，控制器24传递到框1470。
在框1460中，如果葡萄糖输入（GI）大于第四葡萄糖阈值（G4），则由框1462中的第四函数基于生理葡萄糖的改变率（dPG/dt）来确定胰高血糖素制剂。如果葡萄糖输入小于第四葡萄糖阈值，则逻辑传递到框1464。
在框1462的第四功能中，基于葡萄糖的改变率（dPG/dt）来确定胰高血糖素制剂。如果葡萄糖的改变率大于第四速率阈值（RPG4），则胰高血糖素制剂被设置为零（Gln B = 0）。在框1462中设置胰高血糖素制剂之后，控制器24传递到框1470。
在框1464中，如果葡萄糖输入（GI）大于第五葡萄糖阈值（G45），则由框1466中的第五函数基于生理葡萄糖的改变率（dPG/dt）来确定胰高血糖素制剂。如果葡萄糖输入小于第五葡萄糖阈值，则逻辑传递到框1468。
在框1466的第五功能中，基于葡萄糖的改变率（dPG/dt）来确定胰高血糖素制剂。如果葡萄糖的改变率大于第五速率阈值（RPG5），则胰高血糖素制剂被设置为零（Gln B = 0）在框1466中设置胰高血糖素制剂之后，控制器24传递到框1470。
在框1468的第六功能中，基于葡萄糖的改变率（dPG/dt）来确定胰高血糖素制剂。如果葡萄糖的改变率大于第六速率阈值（RPG6），则胰高血糖素制剂被设置为零（Gln B = 0）。在框1468中设置胰高血糖素制剂之后，控制器24传递到框1470。
在所图示的实施例中，主要葡萄糖阈值大于第一葡萄糖阈值，第一葡萄糖阈值大于第二葡萄糖阈值，第二葡萄糖阈值大于第三葡萄糖阈值，第三葡萄糖阈值大于第四葡萄糖阈值，以及第四葡萄糖阈值大于第五葡萄糖阈值。
在框1470中，由第一功能直至第六功能中的一个在框1450-1468中的一个中确定的胰高血糖素制剂可以基于身体中的活性胰岛素和估计的基础胰岛素需求（IEBN）来更新。身体中的活性胰岛素或体内胰岛素（IOB）是所选择的状态向量的胰岛素隔室中胰岛素的和。在图5中所表示的一个实施例和方程1中，胰岛素隔室包括两个皮下隔室（IS1、IS1）和两个制剂隔室（IB1、IB1）。IOB基于图4中的框120、130所请求的随时间推移的基础偏差。然后，来自框1470的胰高血糖素制剂请求或来自框1435的零请求被传递到胰高血糖素制剂框180。
餐制剂
现在参考图10中所示出的流程图700，当确定要在餐制剂中输送给患者14的药物（例如，胰岛素）的量以在餐期间和之后将生理葡萄糖浓度维持在期望的水平或范围时，可以应用各种逻辑规则。在框702中，接收当前生理葡萄糖（PG）浓度浓度和餐数据。在框704中，控制器24可以至少确定生理葡萄糖浓度的改变率（dPG/dt）。dPG/dt可以通过任何合适的方法来确定，包括本文中所描述的至少一种方法。餐制剂由餐中碳水化合物的量（CHO）、胰岛素与碳水化合物的比率（ICR）和制剂衰减因子（PCHO）确定，其中制剂衰减因子当生理葡萄糖相对低和/或值减小时降低餐制剂。由MMPC算法100提供的生理葡萄糖的闭环控制提供了一种方法来提供附加胰岛素，以在需要维持正常血糖的情况下补偿降低的餐制剂。
在一个实施例中，生理葡萄糖浓度值直接由CGM 22提供。在一些实施例中，生理葡萄糖浓度是如上面关于图4中的框126所描述的所选择的状态向量的当前生理葡萄糖浓度。在另一实施例中，餐制剂算法使用由CGM 22从葡萄糖测量估计的生理葡萄糖值。
现在参考图1-2，当确定餐制剂时，系统10可以用来自葡萄糖传感器22和UI 20中的至少一个的输入来确定餐制剂量。餐制剂的初步值可以是餐的碳水化合物含量除以胰岛素与碳水化合物的比率。可以基于由控制器24确定的生理葡萄糖值来衰减餐制剂的初步值。餐的碳水化合物含量可以在UI 20处明确输入，或者可以由控制器24从在UI 20处供应的餐数据推断出来。胰岛素与碳水化合物的比率可以在UI 20处输入和/或存储在可由控制器24读取的存储器中。餐的碳水化合物含量可以由用户输入，作为用户的定性判断。例如，用户可以经由系统10的UI 20来指示餐量。在一些实施例中，餐量可以从多个类别中选择，诸如但不限于：小、中、大或小吃。
再次参考图10中的流程图700，可以从餐的碳水化合物含量（CHO）、胰岛素与碳水化合物的比率（ICR）以及衰减因子来计算餐制剂（BOLM）。衰减因子取决于生理葡萄糖浓度和生理葡萄糖的改变率，并且在框706中根据预定义公式来确定。在框708中确定餐制剂。在框712中，餐制剂被限制为小于框712中每日总胰岛素（TDD）的预定义分数。所得到的餐制剂作为输送请求被传递给泵12，并且泵12可以将胰岛素餐制剂输送给用户。
餐制剂算法可以与较大餐不同地衰减小餐的餐制剂。例如，如果餐的碳水化合物含量被估计为高于碳水化合物阈值（CTHD），则餐制剂可以被计算为碳水化合物值（CHO）和衰减因子（ACHO）的乘积除以胰岛素与碳水化合物的比率（ICR）：
继续该示例，如果碳水化合物含量被估计为小于相同的碳水化合物阈值，则餐制剂计算可以被更改为：
餐制剂的方程（方程19）通过衰减因子（ACHO）修改小餐的餐制剂的降低，使得给定ACHO的制剂衰减的幅度恒定低于碳水化合物阈值。在方程19中，对于低于相同碳水化合物阈值的较小餐，制剂衰减的幅度与高于碳水化合物阈值的餐的碳水化合物含量成比例，并且与碳水化合物阈值成比例。在一些实施例中，碳水化合物阈值是70克，尽管可以提供其它合适的阈值。
衰减因子ACHO是生理葡萄糖和生理葡萄糖改变率的函数。衰减因子随着生理葡萄糖的增加和生理葡萄糖改变率的增加二者而增加。衰减因子可以由下限值和上限值限定。在一些实施例中，衰减因子的下限是0.8。在一些实施例中，衰减因子的上限是1.0。在一些实施例中，衰减因子可以从PG和dPG/dt对表1中的值的样条拟合来确定。
表一：衰减因子值
| dPG/dt =-3mmol/L小时 | dPG/dt =0mmol/L小时 | dPG/dt =3mmol/L小时 | |
| PG = 4.0mmol/L | 0.8 | 0.9 | 0.9 |
| PG = 6.5mmol/L | 0.8 | 1.0 | 1.0 |
| PG = 9.0mmol/L | 1.0 | 1.0 | 1.0 |
在一些实施例中，控制器24可以根据生理葡萄糖（PG）值和生理葡萄糖值的改变率（dPG/dt）的线性插值集来确定衰减因子。生理葡萄糖可以是由CGM和/或从所选择的状态向量确定的估计生理葡萄糖（PG）（图3中的框126）。生理葡萄糖的改变率（dPG/dt）可以以若干方式确定。在一些实施例中，PG的改变率是60*(PG(t)-PG(t-dt))/dt，其中dt是20分钟，以及dPG/dt具有mmol/L/hr的单位。
在示例中，餐衰减（ACHO）范围从1.0到0.8，当生理葡萄糖浓度低（例如低于6.5mmol/L）且随时间减小时，会得到较低的衰减值。
现在参考图10，在框712中，可以基于每日总胰岛素剂量（TDD）来限制来自框708的衰减餐制剂（BOLM）。在一些实施例中，餐制剂被限制为等于或小于预确定上限。如果餐制剂大于预确定上限，则将餐制剂设置为等于预确定上限。在一些实施例中，上限是TDD的分数。在一个实施例中，上限是TDD的五分之一。然后，来自框712的所得到的限制餐制剂被传递到框714。
除了在框708中确定的餐制剂（BOLM）之外，在框710中基于如上面所描述的在框704中所确定的估计生理葡萄糖来确定校正制剂（BOLC）。在一些实施例中，校正制剂也基于模型中的体内胰岛素（IOB）或活性胰岛素。IOB是当前时间所选择的状态向量的胰岛素状态变量的和。胰岛素状态变量表示模型的胰岛素隔室中胰岛素的量或浓度。在图5中所表示的一些实施例和方程1中，胰岛素隔室包括两个皮下隔室（IS1、IS1）和制剂隔室（IB1、IB1）。在一些实施例中，模型的各种隔室中的胰岛素表示随时间推移的胰岛素制剂加上随时间推移的基础偏差减去在血液隔室220中运输或转换的胰岛素。在一个实施例中，当假设基础曲线胰岛素或基础剂量胰岛素补偿内源性葡萄糖产生时，模型和IOB不包括基础曲线胰岛素或基础剂量胰岛素，在该实施例中，所述内源性葡萄糖产生也不包括在模型中。在一些实施例中，在框714中，将校正制剂添加到限制餐制剂，并且从胰岛素输送设备12请求所得到的制剂。在其它实施例中，对限制餐制剂的请求被传递到泵12，而独立于对校正制剂的请求。
校正制剂（BolC）基于估计的生理葡萄糖值（PG）和估计的体内胰岛素（IOB）而变化。说明性地，对于低于低PG阈值的PG值，校正制剂为零，并且随着高于低PG阈值的PG而增加。用PG的制剂校正值的增加率降低到高于高PG阈值。
胰岛素和普兰林肽制剂输送
如上所述，与仅输送胰岛素相比，胰岛素和普兰林肽的共输送可以改进葡萄糖控制并降低患者的葡萄糖可变性。
在某些实施例中，控制器24包含控制逻辑，该控制逻辑计算用于输送胰岛素和普兰林肽的制剂输送计划。可以使用上面所描述的各种方法来计算制剂。制剂输送计划可以随着时间的推移分散制剂的输送。例如，制剂输送计划可以包括初始制剂输送量，随后是一个或多个延迟的制剂输送量。以延迟的制剂输送量输送一部分制剂可以降低胃肠症状和早期餐后低血糖的风险。
在某些实施例中，制剂输送计划包括初始制剂输送量，随后是第二制剂输送量，其随后是第三制剂输送量，所述三者的和可以包括总的计算餐制剂，如上面所描述的。初始制剂输送量可以在进餐时输送，而第二和第三制剂输送量可以分别在输送初始制剂量之后的10分钟和20分钟输送。在某些实施例中，制剂输送被计划彼此间隔5-15分钟。
控制器24可以至少部分基于患者的餐前葡萄糖水平来计算初始制剂输送量和延迟制剂输送量的相对量。例如，基于患者的餐前葡萄糖水平，总制剂可以以不同的百分比分布在各种制剂输送中。餐前葡萄糖水平可以与一个或多个阈值（例如，上限阈值和下限阈值）进行比较来确定总制剂的分布。
作为一个示例，如果餐前葡萄糖高于上限阈值（例如，8mmol/L），则初始制剂输送量可以大于延迟制剂输送量。使用该示例，初始制剂输送量可以使用总计算制剂的75%，并且延迟制剂输送量将使用总计算制剂的剩余25%。延迟制剂输送量可以在两个延迟制剂之间分割，使得在输送初始制剂输送量10分钟之后输送的第二制剂输送量是总计算制剂的12.5%，并且在输送第二制剂输送量10分钟之后输送的第三制剂输送量也是总计算制剂的12.5%。当餐前葡萄糖相对高（例如，高于上限阈值）时，延迟制剂输送量可以帮助降低胃肠症状的风险。
作为另一示例，如果餐前葡萄糖低于上限阈值并且高于下限阈值（例如，6mmol/L），则初始制剂输送量可以大体上等于延迟制剂输送量。使用该示例，初始制剂输送量可以使用总计算制剂的50%，并且延迟制剂输送量将使用总计算制剂的剩余50%。延迟制剂输送量可以在两个延迟制剂之间分割，使得在输送初始制剂输送量之后10分钟输送的第二制剂输送量是总计算制剂的25%，并且在输送第二制剂输送量之后10分钟输送的第三制剂输送量也是总计算制剂的25%。当餐前葡萄糖在目标范围内时，延迟制剂输送量可以帮助降低早期餐后低血糖的风险。
作为另一示例，如果餐前葡萄糖低于下限阈值，则初始制剂输送量可以小于或等于延迟制剂输送量。使用该示例，初始制剂输送量可以使用总计算制剂的25–50%，并且延迟制剂输送量将使用总计算制剂的剩余50–75%。分配给延迟制剂输送量的百分比可以计算如下：最小(0.75*(10-PG)/6,0.75)*总制剂；其中PG是餐前葡萄糖水平。这样，延迟制剂输送量至少部分取决于餐前葡萄糖水平，并且随着餐前葡萄糖水平的下降而逐渐增加，直到达到4mmol/L。延迟制剂输送量可以在大体上彼此相等的延迟制剂之间分割。
上面所描述的任何示例的延迟制剂输送量也可能受餐碳水化合物含量的影响。例如，如果餐碳水化合物含量（餐_CHO）小于阈值（例如，30-50克CHO，诸如40克CHO），则延迟制剂输送量可以修改如下：延迟制剂输送量*最大((餐_CHO - 20)/20,0)。这里，当总计算制剂小时，低血糖和胃肠症状的风险低，因此不需要延迟制剂的输送。随着餐碳水化合物含量的减少，分配给延迟制剂输送量的百分比也减少。
如上面所描述的，制剂输送计划用于确定要输送多少胰岛素和普兰林肽以及何时输送。在某些实施例中，胰岛素和普兰林肽作为共制剂输送。在其它实施例中，胰岛素和普兰林肽通过共享或分开的输注器分开输送。在任一情况下，胰岛素和普兰林肽可以以诸如5-7μg/u（例如，5μg/u、5.5μg/u、6μg/u、6.5μg/u、7μg/u）之类的固定比率输送。在某些实施方案中，胰高血糖素也与胰岛素和普兰林肽共输送。
图11-15示出了可以用系统10执行以控制患者中葡萄糖的方法的示例性流程图。图11的方法2100包括接收葡萄糖数据（图11中的框2102）并且至少部分地基于所接收的葡萄糖数据来计算制剂输送计划（图11中的框2104），其包括初始制剂输送量和延迟制剂输送量。
图12的方法2200包括使用一个或多个控制器，通过执行多个模型来执行多模型预测控制器算法，所述多个模型中的每个模型包括具有值集的多个模型参数（图12中的框2202）；使用一个或多个控制器，选择多个执行模型中的一个（图12中的框2204）；以及使用一个或多个控制器，至少部分基于所选择的执行模型来确定包括胰岛素和普兰林肽的第一药物剂量（图12中的框2206）。
图13的方法2300包括使用一个或多个控制器，通过及时传播多个状态向量来执行多模型预测控制器算法（图13中的框2302）；使用一个或多个控制器，选择多个传播状态向量中的一个（图13中的框2304）；以及使用一个或多个控制器，至少部分基于所选择的传播状态向量来确定包括胰岛素和普兰林肽的药物剂量（图13中的框2306）。
图14的方法2400包括在控制器处接收基础胰岛素剂量、餐数据和胰岛素与碳水化合物的比率（图14中的框2402）；估计患者中的活性胰岛素，该患者中的活性胰岛素不包括基础胰岛素剂量；部分基于葡萄糖浓度来估计患者的生理葡萄糖和生理葡萄糖的改变率（图14中的框2404）；从餐数据确定餐碳水化合物值（图14中的框2406）；基于估计的生理葡萄糖和生理葡萄糖的改变率来确定衰减因子（图14中的框2408）；基于餐数据、胰岛素与碳水化合物的比率和衰减因子来确定包括胰岛素和普兰林肽的餐制剂（图14中的框2410）；以及基于患者中的活性胰岛素来修改餐制剂（图14中的框2412）。
图15的方法2500包括以下步骤：将葡萄糖浓度、基础胰岛素剂量和餐数据传输到控制器（图15中的框2502）；估计患者中的活性胰岛素，该患者中的活性胰岛素不包括基础胰岛素剂量（图15中的框2504）；部分基于葡萄糖浓度来估计患者的生理葡萄糖和生理葡萄糖的改变率（图15中的框2506）；从餐数据确定餐碳水化合物值（图15中的框2508）；基于估计的生理葡萄糖和生理葡萄糖的改变率来确定衰减因子（图15中的框2510）；基于餐数据、胰岛素-碳水化合物的比率和衰减因子来确定包括胰岛素和普兰林肽的餐制剂（图15中的框2512）。当餐碳水化合物值高于预确定餐碳水化合物阈值时，餐制剂与餐碳水化合物值成比例地衰减。对于等于或小于预确定餐碳水化合物阈值的餐碳水化合物值，餐制剂与预确定餐碳水化合物阈值成比例地衰减。
在不脱离本公开的情况下，本领域技术人员可以设计各种替代和修改。特别地，尽管本公开使用基于模型的控制器来最终确定并向患者输送适当量的胰岛素，但是本公开的特征可以应用于其它类型的控制算法（例如，比例-积分-微分（PID）控制算法、模糊逻辑控制算法等）。
因此，本公开意图包含所有这样的替代、修改和变型。此外，虽然本公开的若干实施例已经在附图中图示和/或在本文中讨论，但是这并不意图本公开限于此，因为这意图本公开在本领域将允许的范围内是广泛的，并且说明书同样被阅读。因此，上面的描述不应被解释为限制性的，而仅仅是特定实施例的范例。
另外，术语“第一”、“第二”、“第三”等，无论是在说明书中还是在权利要求书中使用，都是为了区分相似的元件，而不一定是为了描述顺序或按时间顺序的次序而提供。应当理解，如此使用的术语在适当的情况下是可互换的（除非另外明确公开），并且本文中所描述的本公开的实施例能够以本文中所描述的或图示的其它顺序和/或布置来操作。
Claims (70)
1.一种控制患者中葡萄糖的系统，所述系统包括：
药物输送设备，其被配置为向患者输送药物；以及
控制器，其与药物输送设备通信，并且包括控制逻辑，其可操作来计算包括初始制剂输送量和延迟制剂输送量的制剂输送计划，其中相对于延迟制剂输送量的初始制剂输送量至少部分基于餐前葡萄糖水平。
2.根据权利要求1所述的系统，其中所述初始制剂输送量和延迟制剂输送量至少部分基于将餐前葡萄糖水平与上限阈值和下限阈值进行比较。
3.根据权利要求2所述的系统，其中当餐前葡萄糖水平大于上限阈值时，初始制剂输送量大于延迟制剂输送量。
4.根据权利要求2所述的系统，其中所述延迟制剂输送量是初始制剂输送量的一半。
5.根据权利要求4所述的系统，其中当餐前葡萄糖水平在下限阈值和上限阈值之间时，初始制剂输送量等于延迟制剂输送量。
6.根据权利要求2所述的系统，其中当餐前葡萄糖水平小于下限阈值时，初始制剂输送量小于延迟制剂输送量。
7.根据权利要求2-6中任一项所述的系统，其中所述上限阈值为8mmol/L，并且下限阈值为6mmol/L。
8.根据权利要求1-7中任一项所述的系统，其中所述初始制剂输送量在第一输送中输送，并且延迟制剂输送量在第二输送和第三输送中输送。
9.根据权利要求1-8中任一项所述的系统，其中所述第一、第二和第三输送被计划彼此间隔5-15分钟。
10.根据权利要求1-9中任一项所述的系统，其中所述初始制剂输送量和延迟制剂输送量包括胰岛素和普兰林肽。
11.根据权利要求10所述的系统，其中所述胰岛素和普兰林肽作为共制剂输送。
12.根据权利要求10所述的系统，其中所述胰岛素和所述普兰林肽是分开输送的。
13.根据权利要求10-12中任一项所述的系统，其中所述胰岛素和普兰林肽以固定比率输送。
14.根据权利要求10所述的系统，其中所述固定比率为6μg/u。
15.根据权利要求1-14中任一项所述的系统，其中所述药物输送设备包括用于存储药物的单个储存器。
16.根据权利要求1-14中任一项所述的系统，其中所述药物输送设备包括用于存储药物的2或3个储存器。
17.根据权利要求16所述的系统，其中所述药物输送设备包括单个注射器。
18.根据权利要求16所述的系统，其中所述药物输送设备包括多个注射器。
19.根据权利要求1-18中任一项所述的系统，其中所述药物输送设备包括单个泵。
20.根据权利要求1-18中任一项所述的系统，其中所述药物输送设备包括多个泵。
21.根据权利要求1-20中任一项所述的系统，其中所述初始制剂输送量是总计算制剂的75%，并且延迟制剂输送量是总计算制剂的25%。
22.根据权利要求1-20中任一项所述的系统，其中所述初始制剂输送量是总计算制剂的25-50%，并且延迟制剂输送量是总计算制剂的50-75%。
23.根据权利要求22所述的系统，其中基于当前或估计的葡萄糖水平的函数来分配延迟制剂输送量。
24.根据权利要求1-23中任一项所述的系统，其中所述延迟制剂输送量被分配在大体上彼此相等的两次制剂输送之间。
25.根据权利要求1-24中任一项所述的系统，其中所述初始制剂输送量和延迟制剂输送量至少部分基于餐的碳水化合物含量。
26.根据权利要求1-25中任一项所述的系统，其中如果餐的碳水化合物含量小于预确定阈值，则延迟制剂输送量减少。
27.根据权利要求26所述的系统，其中所述预确定阈值是30-50克。
28.根据权利要求1-27中任一项所述的系统，其中所述药物输送设备被配置为响应于所计算的制剂输送计划而向患者输送胰岛素。
29.根据权利要求1-28中任一项所述的系统，还包括：
与控制器通信并被配置为接收来自患者的输入的用户接口。
30.根据权利要求1-31中任一项所述的系统，还包括：
与控制器通信并被配置为测量与患者相关联的葡萄糖数据的葡萄糖测量设备。
31.一种控制患者中葡萄糖的系统，所述系统包括：
药物输送设备，其被配置为向患者输送药物；以及
用于至少部分基于餐前葡萄糖水平来计算制剂输送计划的部件，所述制剂输送计划包括初始制剂输送量和延迟制剂输送量。
32.根据权利要求31所述的系统，其中相对于延迟制剂输送量的初始制剂输送量至少部分基于餐前葡萄糖水平。
33.一种方法，包括：
接收葡萄糖数据；计算总制剂量；以及至少部分基于所接收的葡萄糖数据来计算制剂输送计划，以输送初始制剂输送量和延迟制剂输送量之间的总制剂量。
34.根据权利要求33所述的方法，其中所述葡萄糖数据包括餐前葡萄糖水平。
35.根据权利要求33和34中任一项所述的方法，其中所述初始制剂输送量和延迟制剂输送量至少部分基于将餐前葡萄糖水平与上限阈值和下限阈值进行比较。
36.根据权利要求35所述的方法，其中当餐前葡萄糖水平大于上限阈值时，初始制剂输送量大于延迟制剂输送量。
37.根据权利要求35所述的方法，其中所述延迟制剂输送量是初始制剂输送量的一半。
38.根据权利要求35所述的方法，其中当餐前葡萄糖水平在下限阈值和上限阈值之间时，初始制剂输送量等于延迟制剂输送量。
39.根据权利要求35所述的方法，其中当餐前葡萄糖水平小于下限阈值时，初始制剂输送量小于延迟制剂输送量。
40.根据权利要求35-39中任一项所述的方法，其中所述上限阈值为8mmol/L，并且下限阈值为6mmol/L。
41.根据权利要求33-40中任一项所述的方法，其中所述初始制剂输送量在第一输送中输送，并且延迟制剂输送量在第二输送和第三输送中输送。
42.根据权利要求33-41中任一项所述的方法，其中所述第一、第二和第三输送被计划彼此间隔5-15分钟。
43.根据权利要求33-42中任一项所述的方法，其中所述初始制剂输送量和延迟制剂输送量包括胰岛素和普兰林肽。
44.根据权利要求43所述的方法，其中所述胰岛素和普兰林肽作为共制剂输送。
45.根据权利要求43所述的方法，其中所述胰岛素和所述普兰林肽分开输送。
46.根据权利要求43-45中任一项所述的方法，其中所述胰岛素和普兰林肽以固定比率输送。
47.根据权利要求46所述的方法，其中固定比率为6μg/u。
48.根据权利要求33-47中任一项所述的方法，其中所述药物输送设备包括用于存储药物的单个储存器。
49.根据权利要求33-47中任一项所述的方法，其中所述药物输送设备包括用于存储药物的2或3个储存器。
50.根据权利要求49所述的方法，其中所述药物输送设备包括单个注射器。
51.根据权利要求49所述的方法，其中所述药物输送设备包括多个注射器。
52.根据权利要求33-51中任一项所述的方法，其中所述药物输送设备包括单个泵。
53.根据权利要求33-51中任一项所述的方法，其中所述药物输送设备包括多个泵。
54.根据权利要求33-53中任一项所述的方法，其中所述初始制剂输送量为总计算制剂的75%，延迟制剂输送量为总计算制剂的25%。
55.根据权利要求33-53中任一项所述的方法，其中所述初始制剂输送量为总计算制剂的25-50%，并且延迟制剂输送量为总计算制剂的50-75%。
56.根据权利要求55所述的方法，其中基于当前或估计的葡萄糖水平的函数来分配延迟制剂输送量。
57.根据权利要求33-56中任一项所述的方法，其中所述延迟制剂输送量被分配在大体上彼此相等的两次制剂输送之间。
58.根据权利要求33-57中任一项所述的方法，其中所述初始制剂输送量和延迟制剂输送量至少部分基于餐的碳水化合物含量。
59.根据权利要求33-58中任一项所述的方法，其中如果餐的碳水化合物含量小于预确定阈值，则延迟制剂输送量减少。
60.根据权利要求59所述的方法，其中所述预确定阈值为30-50克。
61.根据权利要求33-60中任一项所述的方法，还包括：
根据所计算的制剂输送计划来输送胰岛素和普兰林肽。
62.一种系统，包括：
药物输送设备，其被配置为输送药物；以及控制器，其可操作地耦合到药物输送设备，并且包括控制逻辑，其可操作以：
至少部分地通过执行多个模型来执行多模型预测控制器算法，每个模型包括具有值的集合的多个模型参数，选择多个执行模型中的一个，并且至少部分地基于所选择的执行模型来确定包括胰岛素和普兰林肽的药物剂量。
63.一种方法，包括：
使用一个或多个控制器，通过执行多个模型来执行多模型预测控制器算法，每个模型包括具有值的集合的多个模型参数；使用一个或多个控制器，选择多个执行模型中的一个；以及使用一个或多个控制器，至少部分基于所选择的执行模型来确定包括胰岛素和普兰林肽的第一药物剂量。
64.一种系统，包括：
药物输送设备，其被配置为输送药物；以及控制器，其可操作地耦合到药物输送设备，并且包括控制逻辑，其可操作以：
通过及时传播多个状态向量来执行多模型预测控制器算法，选择多个传播状态向量中的一个，并且至少部分基于所选择的传播状态向量来确定包括胰岛素和普兰林肽的药物剂量。
65.一种方法，包括：
使用一个或多个控制器，通过及时传播多个状态向量来执行多模型预测控制器算法；使用一个或多个控制器，选择多个传播状态向量中的一个；以及使用一个或多个控制器，至少部分基于所选择的传播状态向量来确定包括胰岛素和普兰林肽的药物剂量。
66.一种系统，包括：
用于输送胰岛素和普兰林肽的输送设备；用于输入患者数据的用户接口，所述患者数据包括胰岛素的总日剂量和餐数据；以及
控制器，其被配置为：从用户接口接收患者数据；定义状态向量和相关联的模型，所述状态向量包括状态变量，所述状态变量包括患者中的胰岛素、碳水化合物和生理葡萄糖的估计值；传播状态向量；通过将一定量的胰岛素添加到胰岛素状态变量来校正传播状态向量，所添加的胰岛素的量基于餐数据和每日总胰岛素剂量；用经校正的状态向量来确定剂量请求；以及将剂量请求传输到用于输送胰岛素和普兰林肽的输送设备。
67.一种系统，包括：
用于输送胰岛素和普兰林肽的输送设备；用于输入患者数据的用户接口，所述患者数据包括基础胰岛素曲线、胰岛素与碳水化合物的比率和餐数据；以及与用户接口和输送设备通信且被配置为接收葡萄糖数据的控制器，所述控制器还被配置为执行以下操作：估计患者中的活性胰岛素的量，所述活性胰岛素不包括基础胰岛素曲线；从餐数据确定餐碳水化合物值；部分基于葡萄糖数据而估计患者的生理葡萄糖和生理葡萄糖的改变率；基于生理葡萄糖和生理葡萄糖的改变率而确定衰减因子；基于餐数据、胰岛素与碳水化合物的比率和所确定的衰减因子而确定餐制剂；基于患者中活性胰岛素的估计量而修改所确定的餐制剂；以及传输将包括胰岛素和普兰林肽的经修改的餐制剂输送到输送设备的请求。
68.一种系统，包括：
控制器，其被配置为：接收包括胰岛素与碳水化合物的比率和餐数据的患者数据；接收葡萄糖数据；从餐数据确定餐碳水化合物值；部分基于葡萄糖数据而估计患者的生理葡萄糖和生理葡萄糖的改变率；基于餐数据和胰岛素与碳水化合物的比率而确定初步餐制剂；基于所估计的生理葡萄糖和生理葡萄糖的改变率而确定衰减因子；如果餐碳水化合物值高于预确定餐碳水化合物阈值，则与餐碳水化合物值成比例地衰减初步餐制剂；如果餐碳水化合物值等于或小于预确定餐碳水化合物阈值，则与餐碳水化合物阈值成比例地衰减初步餐制剂；以及将包括胰岛素和普兰林肽的剂量请求设置为等于衰减的初步餐制剂。
69.一种方法，包括：
在控制器处接收基础胰岛素剂量、餐数据和胰岛素与碳水化合物的比率；估计患者中的活性胰岛素，所述患者中的活性胰岛素不包括基础胰岛素剂量；部分基于葡萄糖浓度而估计患者的生理葡萄糖和生理葡萄糖的改变率；从餐数据确定餐碳水化合物值；基于所估计的生理葡萄糖和生理葡萄糖的改变率而确定衰减因子；基于餐数据、胰岛素与碳水化合物的比率和衰减因子而确定包括胰岛素和普兰林肽的餐制剂；以及基于患者中的活性胰岛素而修改餐制剂。
70.一种方法，包括以下步骤：
将葡萄糖浓度、基础胰岛素剂量和餐数据传输到控制器；估计患者中的活性胰岛素，所述患者中的活性胰岛素不包括基础胰岛素剂量；部分基于葡萄糖浓度而估计患者的生理葡萄糖和生理葡萄糖的改变率；从餐数据确定餐碳水化合物值；基于所估计的生理葡萄糖和生理葡萄糖的改变率而确定衰减因子；基于餐数据、胰岛素与碳水化合物的比率和衰减因子而确定包括胰岛素和普兰林肽的餐制剂，其中当餐碳水化合物值高于预确定餐碳水化合物阈值时，与餐碳水化合物值成比例地衰减餐制剂，以及其中对于等于或小于预确定餐碳水化合物阈值的餐碳水化合物值，与预确定餐碳水化合物阈值成比例地衰减餐制剂。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201862688742P | 2018-06-22 | 2018-06-22 | |
| US62/688742 | 2018-06-22 | ||
| PCT/US2019/038215 WO2019246381A1 (en) | 2018-06-22 | 2019-06-20 | Insulin and pramlintide delivery systems, methods, and devices |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112313754A true CN112313754A (zh) | 2021-02-02 |
Family
ID=67439326
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201980042041.8A Pending CN112313754A (zh) | 2018-06-22 | 2019-06-20 | 胰岛素和普兰林肽输送系统、方法和设备 |
Country Status (7)
| Country | Link |
|---|---|
| US (2) | US12020797B2 (zh) |
| EP (1) | EP3811373A1 (zh) |
| JP (1) | JP2021528758A (zh) |
| CN (1) | CN112313754A (zh) |
| AU (3) | AU2019288473A1 (zh) |
| CA (1) | CA3103479A1 (zh) |
| WO (1) | WO2019246381A1 (zh) |
Families Citing this family (36)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7959598B2 (en) | 2008-08-20 | 2011-06-14 | Asante Solutions, Inc. | Infusion pump systems and methods |
| US9561324B2 (en) | 2013-07-19 | 2017-02-07 | Bigfoot Biomedical, Inc. | Infusion pump system and method |
| GB2523989B (en) | 2014-01-30 | 2020-07-29 | Insulet Netherlands B V | Therapeutic product delivery system and method of pairing |
| CN107405446B (zh) | 2015-02-18 | 2020-09-29 | 英赛罗公司 | 流体输送和输注装置及其使用方法 |
| US10275573B2 (en) | 2016-01-13 | 2019-04-30 | Bigfoot Biomedical, Inc. | User interface for diabetes management system |
| CA3009351A1 (en) | 2016-01-14 | 2017-07-20 | Bigfoot Biomedical, Inc. | Adjusting insulin delivery rates |
| US10610643B2 (en) | 2016-01-14 | 2020-04-07 | Bigfoot Biomedical, Inc. | Occlusion resolution in medication delivery devices, systems, and methods |
| US20170348479A1 (en) | 2016-06-03 | 2017-12-07 | Bryan Choate | Adhesive system for drug delivery device |
| US10765807B2 (en) | 2016-09-23 | 2020-09-08 | Insulet Corporation | Fluid delivery device with sensor |
| WO2018111928A1 (en) | 2016-12-12 | 2018-06-21 | Mazlish Bryan | Alarms and alerts for medication delivery devices and related systems and methods |
| US11033682B2 (en) | 2017-01-13 | 2021-06-15 | Bigfoot Biomedical, Inc. | Insulin delivery methods, systems and devices |
| US10881792B2 (en) | 2017-01-13 | 2021-01-05 | Bigfoot Biomedical, Inc. | System and method for adjusting insulin delivery |
| USD928199S1 (en) | 2018-04-02 | 2021-08-17 | Bigfoot Biomedical, Inc. | Medication delivery device with icons |
| AU2019263490A1 (en) | 2018-05-04 | 2020-11-26 | Insulet Corporation | Safety constraints for a control algorithm-based drug delivery system |
| AU2019308251B2 (en) | 2018-07-17 | 2023-05-18 | Insulet Corporation | Low force valves for drug delivery pumps |
| EP3856285A1 (en) | 2018-09-28 | 2021-08-04 | Insulet Corporation | Activity mode for artificial pancreas system |
| USD920343S1 (en) | 2019-01-09 | 2021-05-25 | Bigfoot Biomedical, Inc. | Display screen or portion thereof with graphical user interface associated with insulin delivery |
| US11801344B2 (en) | 2019-09-13 | 2023-10-31 | Insulet Corporation | Blood glucose rate of change modulation of meal and correction insulin bolus quantity |
| US11935637B2 (en) | 2019-09-27 | 2024-03-19 | Insulet Corporation | Onboarding and total daily insulin adaptivity |
| WO2021113647A1 (en) | 2019-12-06 | 2021-06-10 | Insulet Corporation | Techniques and devices providing adaptivity and personalization in diabetes treatment |
| US11833329B2 (en) | 2019-12-20 | 2023-12-05 | Insulet Corporation | Techniques for improved automatic drug delivery performance using delivery tendencies from past delivery history and use patterns |
| WO2021141941A1 (en) | 2020-01-06 | 2021-07-15 | Insulet Corporation | Prediction of meal and/or exercise events based on persistent residuals |
| US11547800B2 (en) | 2020-02-12 | 2023-01-10 | Insulet Corporation | User parameter dependent cost function for personalized reduction of hypoglycemia and/or hyperglycemia in a closed loop artificial pancreas system |
| US11986630B2 (en) | 2020-02-12 | 2024-05-21 | Insulet Corporation | Dual hormone delivery system for reducing impending hypoglycemia and/or hyperglycemia risk |
| US11607493B2 (en) | 2020-04-06 | 2023-03-21 | Insulet Corporation | Initial total daily insulin setting for user onboarding |
| WO2021236351A1 (en) * | 2020-05-22 | 2021-11-25 | Eli Lilly And Company | Tdd tracking approaches for insulin delivery systems, methods, and devices |
| US11684716B2 (en) | 2020-07-31 | 2023-06-27 | Insulet Corporation | Techniques to reduce risk of occlusions in drug delivery systems |
| CA3190547A1 (en) | 2020-08-27 | 2022-03-03 | Jason O'connor | Wearable micro-dosing drug delivery device |
| EP4221588A1 (en) | 2020-09-30 | 2023-08-09 | Insulet Corporation | Secure wireless communications between a glucose monitor and other devices |
| US11160925B1 (en) * | 2021-01-29 | 2021-11-02 | Insulet Corporation | Automatic drug delivery system for delivery of a GLP-1 therapeutic |
| KR20230152088A (ko) * | 2021-03-02 | 2023-11-02 | 인슐렛 코포레이션 | 기초 대 볼루스 불일치를 갖는 사용자들을 위한 자동 인슐린 전달(aid)의 적응 |
| US11904140B2 (en) | 2021-03-10 | 2024-02-20 | Insulet Corporation | Adaptable asymmetric medicament cost component in a control system for medicament delivery |
| US11738144B2 (en) | 2021-09-27 | 2023-08-29 | Insulet Corporation | Techniques enabling adaptation of parameters in aid systems by user input |
| US11439754B1 (en) | 2021-12-01 | 2022-09-13 | Insulet Corporation | Optimizing embedded formulations for drug delivery |
| WO2023172637A1 (en) * | 2022-03-09 | 2023-09-14 | Insulet Corporation | Adaptive basal portion value in an automated medicament delivery device based on historic medicament delivery for a user |
| WO2024147928A1 (en) | 2023-01-06 | 2024-07-11 | Insulet Corporation | Automatically or manually initiated meal bolus delivery with subsequent automatic safety constraint relaxation |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110106050A1 (en) * | 2008-04-29 | 2011-05-05 | Ofer Yodfat | Method for Selecting Bolus Doses and Bolus Delivery Patterns in a Drug Delivery Device |
| CN102481101A (zh) * | 2009-06-30 | 2012-05-30 | 生命扫描有限公司 | 用于计算基础胰岛素治疗的被分析物测试方法和设备 |
| US20170165416A1 (en) * | 2013-03-15 | 2017-06-15 | Tandem Diabetes Care, Inc. | Method and device utilizing insulin delivery protocols |
Family Cites Families (270)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU546785B2 (en) | 1980-07-23 | 1985-09-19 | Commonwealth Of Australia, The | Open-loop controlled infusion of diabetics |
| US5956501A (en) | 1997-01-10 | 1999-09-21 | Health Hero Network, Inc. | Disease simulation system and method |
| US5853364A (en) | 1995-08-07 | 1998-12-29 | Nellcor Puritan Bennett, Inc. | Method and apparatus for estimating physiological parameters using model-based adaptive filtering |
| US5792062A (en) | 1996-05-14 | 1998-08-11 | Massachusetts Institute Of Technology | Method and apparatus for detecting nonlinearity in an electrocardiographic signal |
| US5954643A (en) | 1997-06-09 | 1999-09-21 | Minimid Inc. | Insertion set for a transcutaneous sensor |
| US6558351B1 (en) | 1999-06-03 | 2003-05-06 | Medtronic Minimed, Inc. | Closed loop system for controlling insulin infusion |
| US7267665B2 (en) | 1999-06-03 | 2007-09-11 | Medtronic Minimed, Inc. | Closed loop system for controlling insulin infusion |
| US6269314B1 (en) | 1997-08-19 | 2001-07-31 | Omron Corporation | Blood sugar measuring device |
| JPH11296598A (ja) | 1998-04-07 | 1999-10-29 | Seizaburo Arita | 血糖値の予測システム及び予測方法並びにこの方法を記録した記録媒体 |
| US6175752B1 (en) | 1998-04-30 | 2001-01-16 | Therasense, Inc. | Analyte monitoring device and methods of use |
| US8480580B2 (en) | 1998-04-30 | 2013-07-09 | Abbott Diabetes Care Inc. | Analyte monitoring device and methods of use |
| US6554798B1 (en) | 1998-08-18 | 2003-04-29 | Medtronic Minimed, Inc. | External infusion device with remote programming, bolus estimator and/or vibration alarm capabilities |
| JP2002531884A (ja) | 1998-11-30 | 2002-09-24 | ノボ ノルディスク アクティーゼルスカブ | 複数の動作を含む自己治療においてユーザを支援するための方法及びシステム |
| US7806886B2 (en) | 1999-06-03 | 2010-10-05 | Medtronic Minimed, Inc. | Apparatus and method for controlling insulin infusion with state variable feedback |
| US7395216B2 (en) | 1999-06-23 | 2008-07-01 | Visicu, Inc. | Using predictive models to continuously update a treatment plan for a patient in a health care location |
| US6459939B1 (en) | 1999-06-29 | 2002-10-01 | Alan J. Hugo | Performance assessment of model predictive controllers |
| US6923763B1 (en) | 1999-08-23 | 2005-08-02 | University Of Virginia Patent Foundation | Method and apparatus for predicting the risk of hypoglycemia |
| US7890295B2 (en) | 2000-02-23 | 2011-02-15 | Medtronic Minimed, Inc. | Real time self-adjusting calibration algorithm |
| WO2001088534A2 (en) | 2000-05-16 | 2001-11-22 | Cygnus, Inc. | Methods for improving performance and reliability of biosensors |
| GB0014855D0 (en) | 2000-06-16 | 2000-08-09 | Isis Innovation | Combining measurements from different sensors |
| US6575905B2 (en) | 2000-09-22 | 2003-06-10 | Knobbe, Lim & Buckingham | Method and apparatus for real-time estimation of physiological parameters |
| AU2001292946A1 (en) | 2000-09-26 | 2002-04-08 | Advantage 3D Llc | Method and system for generation, storage and distribution of omni-directional object views |
| CA2405524A1 (en) | 2001-02-08 | 2002-08-15 | Inverness Medical Limited | A personal condition management system |
| US6544212B2 (en) | 2001-07-31 | 2003-04-08 | Roche Diagnostics Corporation | Diabetes management system |
| US6691043B2 (en) | 2001-08-28 | 2004-02-10 | Maxi-Med, Llc | Bolus calculator |
| US8152789B2 (en) | 2001-10-23 | 2012-04-10 | Medtronic Minimed, Inc. | System and method for providing closed loop infusion formulation delivery |
| US6827702B2 (en) | 2001-09-07 | 2004-12-07 | Medtronic Minimed, Inc. | Safety limits for closed-loop infusion pump control |
| US6740072B2 (en) | 2001-09-07 | 2004-05-25 | Medtronic Minimed, Inc. | System and method for providing closed loop infusion formulation delivery |
| US10080529B2 (en) | 2001-12-27 | 2018-09-25 | Medtronic Minimed, Inc. | System for monitoring physiological characteristics |
| US20050027182A1 (en) | 2001-12-27 | 2005-02-03 | Uzair Siddiqui | System for monitoring physiological characteristics |
| US7399277B2 (en) | 2001-12-27 | 2008-07-15 | Medtronic Minimed, Inc. | System for monitoring physiological characteristics |
| US7022072B2 (en) | 2001-12-27 | 2006-04-04 | Medtronic Minimed, Inc. | System for monitoring physiological characteristics |
| US9247901B2 (en) | 2003-08-22 | 2016-02-02 | Dexcom, Inc. | Systems and methods for replacing signal artifacts in a glucose sensor data stream |
| US20080172026A1 (en) | 2006-10-17 | 2008-07-17 | Blomquist Michael L | Insulin pump having a suspension bolus |
| US8504179B2 (en) | 2002-02-28 | 2013-08-06 | Smiths Medical Asd, Inc. | Programmable medical infusion pump |
| US6852104B2 (en) | 2002-02-28 | 2005-02-08 | Smiths Medical Md, Inc. | Programmable insulin pump |
| GB0206792D0 (en) | 2002-03-22 | 2002-05-01 | Leuven K U Res & Dev | Normoglycemia |
| CN1655834A (zh) | 2002-05-06 | 2005-08-17 | 贝克顿·迪金森公司 | 用于控制药代动力学的方法和装置 |
| US7278983B2 (en) | 2002-07-24 | 2007-10-09 | Medtronic Minimed, Inc. | Physiological monitoring device for controlling a medication infusion device |
| US20040068230A1 (en) | 2002-07-24 | 2004-04-08 | Medtronic Minimed, Inc. | System for providing blood glucose measurements to an infusion device |
| US7060059B2 (en) | 2002-10-11 | 2006-06-13 | Becton, Dickinson And Company | System and method for initiating and maintaining continuous, long-term control of a concentration of a substance in a patient using a feedback or model-based controller coupled to a single-needle or multi-needle intradermal (ID) delivery device |
| WO2004084820A2 (en) | 2003-03-19 | 2004-10-07 | Harry Hebblewhite | Method and system for determining insulin dosing schedules and carbohydrate-to-insulin ratios in diabetic patients |
| US20040248204A1 (en) | 2003-04-01 | 2004-12-09 | Piet Moerman | Method and device for utilizing analyte levels to assist in the treatment of diabetes, insulin resistance and metabolic syndrome |
| US8718943B2 (en) | 2003-04-01 | 2014-05-06 | Abbott Diabetes Care Inc. | Method and device for utilizing analyte levels to assist in the treatment of diabetes |
| US7591801B2 (en) | 2004-02-26 | 2009-09-22 | Dexcom, Inc. | Integrated delivery device for continuous glucose sensor |
| US8788006B2 (en) | 2003-08-01 | 2014-07-22 | Dexcom, Inc. | System and methods for processing analyte sensor data |
| US8060173B2 (en) | 2003-08-01 | 2011-11-15 | Dexcom, Inc. | System and methods for processing analyte sensor data |
| US7959569B2 (en) | 2003-08-01 | 2011-06-14 | Dexcom, Inc. | System and methods for processing analyte sensor data |
| DE10343863A1 (de) | 2003-09-23 | 2005-04-14 | Roche Diagnostics Gmbh | Verfahren und Gerät zur laufenden Überwachung der Konzentration eines Analyten |
| DE10345836A1 (de) | 2003-10-02 | 2005-04-21 | Bayer Technology Services Gmbh | Verfahren zur Simulation der Wechselwirkung von chemischen Substanzen mit lebenden Organismen |
| WO2005041103A2 (en) | 2003-10-29 | 2005-05-06 | Novo Nordisk A/S | Medical advisory system |
| US7565194B2 (en) | 2004-05-12 | 2009-07-21 | Zoll Medical Corporation | ECG rhythm advisory method |
| WO2005113036A1 (en) | 2004-05-13 | 2005-12-01 | The Regents Of The University Of California | Method and apparatus for glucose control and insulin dosing for diabetics |
| 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 |
| US8825166B2 (en) | 2005-01-21 | 2014-09-02 | John Sasha John | Multiple-symptom medical treatment with roving-based neurostimulation |
| US8788044B2 (en) | 2005-01-21 | 2014-07-22 | Michael Sasha John | Systems and methods for tissue stimulation in medical treatment |
| US7547281B2 (en) | 2005-02-01 | 2009-06-16 | Medtronic Minimed, Inc. | Algorithm sensor augmented bolus estimator for semi-closed loop infusion system |
| US8956291B2 (en) | 2005-02-22 | 2015-02-17 | Admetsys Corporation | Balanced physiological monitoring and treatment system |
| US7590443B2 (en) | 2005-04-27 | 2009-09-15 | Pacesetter, Inc | System and method for detecting hypoglycemia based on a paced depolarization integral using an implantable medical device |
| JP5037496B2 (ja) | 2005-05-13 | 2012-09-26 | トラスティーズ オブ ボストン ユニバーシティ | １型糖尿病用の完全自動制御システム |
| EP1728468A1 (de) | 2005-06-04 | 2006-12-06 | Roche Diagnostics GmbH | Bewertung von Werten der Blutglucosekonzentration zur Einstellung der Insulindosierung |
| US8965509B2 (en) | 2005-08-31 | 2015-02-24 | Michael Sasha John | Methods and systems for semi-automatic adjustment of medical monitoring and treatment |
| WO2007027691A1 (en) | 2005-08-31 | 2007-03-08 | University Of Virginia Patent Foundation | Improving the accuracy of continuous glucose sensors |
| US9089713B2 (en) | 2005-08-31 | 2015-07-28 | Michael Sasha John | Methods and systems for semi-automatic adjustment of medical monitoring and treatment |
| CA2621556A1 (en) | 2005-09-09 | 2007-03-15 | Matthias Essenpreis | A system, tools, devices and a program for diabetes care |
| US7766829B2 (en) | 2005-11-04 | 2010-08-03 | Abbott Diabetes Care Inc. | Method and system for providing basal profile modification in analyte monitoring and management systems |
| US7704226B2 (en) | 2005-11-17 | 2010-04-27 | Medtronic Minimed, Inc. | External infusion device with programmable capabilities to time-shift basal insulin and method of using the same |
| US7963917B2 (en) | 2005-12-05 | 2011-06-21 | Echo Therapeutics, Inc. | System and method for continuous non-invasive glucose monitoring |
| US7941200B2 (en) | 2005-12-08 | 2011-05-10 | Roche Diagnostics Operations, Inc. | System and method for determining drug administration information |
| JP2009532768A (ja) | 2006-03-23 | 2009-09-10 | ベクトン・ディキンソン・アンド・カンパニー | 改良された糖尿病データ管理のためのシステムおよび方法、および使用法 |
| JP4943728B2 (ja) | 2006-03-30 | 2012-05-30 | テルモ株式会社 | 血糖計 |
| US8478557B2 (en) | 2009-07-31 | 2013-07-02 | Abbott Diabetes Care Inc. | Method and apparatus for providing analyte monitoring system calibration accuracy |
| US8140312B2 (en) | 2007-05-14 | 2012-03-20 | Abbott Diabetes Care Inc. | Method and system for determining analyte levels |
| GB2436873A (en) | 2006-04-07 | 2007-10-10 | Univ Cambridge Tech | Blood glucose monitoring systems |
| US8548544B2 (en) | 2006-06-19 | 2013-10-01 | Dose Safety | System, method and article for controlling the dispensing of insulin |
| WO2008000634A1 (en) | 2006-06-30 | 2008-01-03 | Novo Nordisk A/S | Perfusion device with compensation of medical infusion during wear-time |
| US8114023B2 (en) | 2006-07-28 | 2012-02-14 | Legacy Emanuel Hospital & Health Center | Analyte sensing and response system |
| US8932216B2 (en) | 2006-08-07 | 2015-01-13 | Abbott Diabetes Care Inc. | Method and system for providing data management in integrated analyte monitoring and infusion system |
| CA2665121C (en) | 2006-09-16 | 2013-11-26 | Terence Gilhuly | Modeling and control for highly variable and nonlinear processes |
| 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 |
| US7734323B2 (en) | 2007-01-24 | 2010-06-08 | Smiths Medical Asd, Inc. | Correction factor testing using frequent blood glucose input |
| US10154804B2 (en) | 2007-01-31 | 2018-12-18 | Medtronic Minimed, Inc. | Model predictive method and system for controlling and supervising insulin infusion |
| US8930203B2 (en) | 2007-02-18 | 2015-01-06 | Abbott Diabetes Care Inc. | Multi-function analyte test device and methods therefor |
| US8732188B2 (en) | 2007-02-18 | 2014-05-20 | Abbott Diabetes Care Inc. | Method and system for providing contextual based medication dosage determination |
| US20080228056A1 (en) | 2007-03-13 | 2008-09-18 | Michael Blomquist | Basal rate testing using frequent blood glucose input |
| US20080269714A1 (en) | 2007-04-25 | 2008-10-30 | Medtronic Minimed, Inc. | Closed loop/semi-closed loop therapy modification system |
| EP2156346A1 (en) | 2007-05-03 | 2010-02-24 | Novo Nordisk A/S | Safety system for insulin delivery advisory algoritms |
| US8417311B2 (en) | 2008-09-12 | 2013-04-09 | Optiscan Biomedical Corporation | Fluid component analysis system and method for glucose monitoring and control |
| US8221345B2 (en) | 2007-05-30 | 2012-07-17 | Smiths Medical Asd, Inc. | Insulin pump based expert system |
| US10173006B2 (en) | 2007-06-21 | 2019-01-08 | University Of Virginia Patent Foundation | LQG artificial pancreas control system and related method |
| US9244077B2 (en) | 2007-06-25 | 2016-01-26 | Roche Diabetes Care, Inc. | Method system and device for assessing insulin sensitivity |
| US8088098B2 (en) | 2007-06-25 | 2012-01-03 | Medingo, Ltd. | Tailored basal insulin delivery system and method |
| US8660800B2 (en) | 2007-09-04 | 2014-02-25 | Koninklijke Philips N.V. | Multi-treatment planning apparatus and method |
| US7717903B2 (en) | 2007-09-06 | 2010-05-18 | M2 Group Holdings, Inc. | Operating an infusion pump system |
| US7935076B2 (en) | 2007-09-07 | 2011-05-03 | Asante Solutions, Inc. | Activity sensing techniques for an infusion pump system |
| US7879026B2 (en) | 2007-09-07 | 2011-02-01 | Asante Solutions, Inc. | Controlled adjustment of medicine dispensation from an infusion pump device |
| EP3868284A1 (en) | 2007-10-10 | 2021-08-25 | Optiscan Biomedical Corporation | Fluid component analysis system and method for glucose monitoring and control |
| GB0719969D0 (en) | 2007-10-12 | 2007-11-21 | Cambridge Entpr Ltd | Substance monitoring and control in human or animal bodies |
| US8377031B2 (en) | 2007-10-23 | 2013-02-19 | Abbott Diabetes Care Inc. | Closed loop control system with safety parameters and methods |
| US20100262117A1 (en) | 2007-11-02 | 2010-10-14 | University Of Virginia Patent Foundation | Predictive control based system and method for control of insulin delivery in diabetes using glucose sensing |
| US8409133B2 (en) | 2007-12-18 | 2013-04-02 | Insuline Medical Ltd. | Drug delivery device with sensor for closed-loop operation |
| US20090163402A1 (en) | 2007-12-19 | 2009-06-25 | Eastman Chemical Company | Fabric softener |
| WO2009081403A2 (en) | 2007-12-26 | 2009-07-02 | Medingo Ltd. | Maintaining glycemic control during exercise |
| US20090177147A1 (en) | 2008-01-07 | 2009-07-09 | Michael Blomquist | Insulin pump with insulin therapy coaching |
| US20090177142A1 (en) | 2008-01-09 | 2009-07-09 | Smiths Medical Md, Inc | Insulin pump with add-on modules |
| US8112375B2 (en) | 2008-03-31 | 2012-02-07 | Nellcor Puritan Bennett Llc | Wavelength selection and outlier detection in reduced rank linear models |
| US9220456B2 (en) | 2008-04-04 | 2015-12-29 | Hygieia, Inc. | Systems, methods and devices for achieving glycemic balance |
| TWI394580B (zh) | 2008-04-28 | 2013-05-01 | Halozyme Inc | 超快起作用胰島素組成物 |
| US8876755B2 (en) | 2008-07-14 | 2014-11-04 | Abbott Diabetes Care Inc. | Closed loop control system interface and methods |
| US8622988B2 (en) | 2008-08-31 | 2014-01-07 | Abbott Diabetes Care Inc. | Variable rate closed loop control and methods |
| US8734422B2 (en) | 2008-08-31 | 2014-05-27 | Abbott Diabetes Care Inc. | Closed loop control with improved alarm functions |
| US9943644B2 (en) | 2008-08-31 | 2018-04-17 | Abbott Diabetes Care Inc. | Closed loop control with reference measurement and methods thereof |
| US20100057040A1 (en) | 2008-08-31 | 2010-03-04 | Abbott Diabetes Care, Inc. | Robust Closed Loop Control And Methods |
| US8287487B2 (en) | 2008-10-15 | 2012-10-16 | Asante Solutions, Inc. | Infusion pump system and methods |
| US20100174228A1 (en) | 2008-10-24 | 2010-07-08 | Bruce Buckingham | Hypoglycemia prediction and control |
| US8527208B2 (en) | 2008-11-17 | 2013-09-03 | Roche Diagnostics International Ag | Prandial blood glucose excursion optimization method via computation of time-varying optimal insulin profiles and system thereof |
| US9918635B2 (en) | 2008-12-23 | 2018-03-20 | Roche Diabetes Care, Inc. | Systems and methods for optimizing insulin dosage |
| US9330237B2 (en) | 2008-12-24 | 2016-05-03 | Medtronic Minimed, Inc. | Pattern recognition and filtering in a therapy management system |
| US20100160740A1 (en) | 2008-12-24 | 2010-06-24 | Gary Cohen | Use of Patterns in a Therapy Management System |
| US8974439B2 (en) | 2009-01-02 | 2015-03-10 | Asante Solutions, Inc. | Infusion pump system and methods |
| US8560082B2 (en) | 2009-01-30 | 2013-10-15 | Abbott Diabetes Care Inc. | Computerized determination of insulin pump therapy parameters using real time and retrospective data processing |
| CA2750049C (en) | 2009-02-04 | 2021-02-23 | Sanofi-Aventis Deutschland Gmbh | Medical device and method for providing information for glycemic control |
| DK2396056T3 (da) | 2009-02-13 | 2019-08-19 | Hoffmann La Roche | Insulinleveringssikkerhed |
| EP2399205B1 (en) | 2009-02-25 | 2020-04-08 | University Of Virginia Patent Foundation | Cgm-based prevention of hypoglycemia via hypoglycemia risk assessment and smooth reduction insulin delivery |
| WO2010114929A1 (en) | 2009-03-31 | 2010-10-07 | Abbott Diabetes Care Inc. | Overnight closed-loop insulin delivery with model predictive control and glucose measurement error model |
| WO2010129375A1 (en) | 2009-04-28 | 2010-11-11 | Abbott Diabetes Care Inc. | Closed loop blood glucose control algorithm analysis |
| US8257300B2 (en) | 2009-05-22 | 2012-09-04 | Abbott Diabetes Care Inc. | Safety features for integrated insulin delivery system |
| WO2010135646A1 (en) | 2009-05-22 | 2010-11-25 | Abbott Diabetes Care Inc. | Usability features for integrated insulin delivery system |
| US8398616B2 (en) | 2009-05-22 | 2013-03-19 | Abbott Diabetes Care Inc. | Safety layer for integrated insulin delivery system |
| US9579456B2 (en) | 2009-05-22 | 2017-02-28 | Abbott Diabetes Care Inc. | Methods for reducing false hypoglycemia alarm occurrence |
| EP4224483A1 (en) | 2009-05-29 | 2023-08-09 | University Of Virginia Patent Foundation | System coordinator and modular architecture for open-loop and closed-loop control of diabetes |
| US9687194B2 (en) | 2009-06-17 | 2017-06-27 | Medtronic Minimed, Inc. | Closed-loop glucose and/or insulin control system |
| US9919105B2 (en) | 2009-09-18 | 2018-03-20 | Roche Diagnostics Operations, Inc. | Devices, systems and methods for quantifying bolus doses according to user parameters |
| JP5728767B2 (ja) | 2009-09-30 | 2015-06-03 | ドリームド・ダイアベティス・リミテッド | インスリン送達の管理のための監視システム、方法、およびコンピュータプログラム |
| US8690820B2 (en) | 2009-10-06 | 2014-04-08 | Illinois Institute Of Technology | Automatic insulin pumps using recursive multivariable models and adaptive control algorithms |
| WO2011050337A1 (en) | 2009-10-22 | 2011-04-28 | Abbott Diabetes Care Inc. | Methods for modeling insulin therapy requirements |
| EP2335755A1 (en) | 2009-12-17 | 2011-06-22 | Sanofi-Aventis Deutschland GmbH | Device and method for delivery of two or more drug agents |
| DK2338552T3 (en) | 2009-12-28 | 2017-10-30 | Hoffmann La Roche | Ambulatory infusion device with bolus administration delay |
| US9457145B2 (en) | 2010-01-20 | 2016-10-04 | Roche Diabetes Care, Inc. | Method and device for improving glycemic control |
| US8843321B2 (en) | 2010-01-26 | 2014-09-23 | Roche Diagnostics Operations, Inc. | Methods and systems for processing glucose data measured from a person having diabetes |
| CA2789630C (en) | 2010-02-11 | 2016-12-13 | The Regents Of The University Of California | Systems, devices and methods to deliver biological factors or drugs to a subject |
| US9089292B2 (en) | 2010-03-26 | 2015-07-28 | Medtronic Minimed, Inc. | Calibration of glucose monitoring sensor and/or insulin delivery system |
| WO2011119832A1 (en) | 2010-03-26 | 2011-09-29 | University Of Virginia Patent Foundation | Method, system, and computer program product for improving the accuracy of glucose sensors using insulin delivery observation in diabetes |
| US8532933B2 (en) | 2010-06-18 | 2013-09-10 | Roche Diagnostics Operations, Inc. | Insulin optimization systems and testing methods with adjusted exit criterion accounting for system noise associated with biomarkers |
| US10561785B2 (en) | 2010-06-22 | 2020-02-18 | Medtronic Minimed, Inc. | Method and/or system for closed-loop control of glucose to a treatment range |
| US20110313680A1 (en) | 2010-06-22 | 2011-12-22 | Doyle Iii Francis J | Health Monitoring System |
| US20120006100A1 (en) | 2010-07-06 | 2012-01-12 | Medtronic Minimed, Inc. | Method and/or system for determining blood glucose reference sample times |
| US8945094B2 (en) | 2010-09-08 | 2015-02-03 | Honeywell International Inc. | Apparatus and method for medication delivery using single input-single output (SISO) model predictive control |
| JP6062859B2 (ja) | 2010-10-12 | 2017-01-18 | ザ リージェンツ オブ ザ ユニバーシティ オブ カリフォルニア | プログラム、コンピュータで読み取り可能な媒体、薬剤送達コントローラー及び方法 |
| US8615366B2 (en) | 2010-10-15 | 2013-12-24 | Roche Diagnostics Operations, Inc. | Handheld diabetes management device with bolus calculator |
| ES2755497T3 (es) | 2010-10-31 | 2020-04-22 | Univ Boston | Sistema de control de glucosa en sangre |
| EP2463795A1 (en) | 2010-12-09 | 2012-06-13 | Fresenius Medical Care Deutschland GmbH | A method for calculating or approximating one or more values representing parameters of a patient and devices |
| US9445757B2 (en) | 2010-12-29 | 2016-09-20 | Medtronic Minimed, Inc. | Glycemic health metric determination and application |
| US9913599B2 (en) | 2011-02-11 | 2018-03-13 | Abbott Diabetes Care Inc. | Software applications residing on handheld analyte determining devices |
| US10010273B2 (en) | 2011-03-10 | 2018-07-03 | Abbott Diabetes Care, Inc. | Multi-function analyte monitor device and methods of use |
| EP2691894B1 (en) | 2011-03-30 | 2021-03-17 | Novo Nordisk A/S | System for optimizing a patient's drug dosage regimen over time |
| US9636461B2 (en) | 2011-05-06 | 2017-05-02 | Novo Nordisk A/S | System for optimizing a drug dosage regimen over time |
| 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 |
| GB2493712B (en) | 2011-08-12 | 2014-07-02 | Gene Onyx Ltd | Insulin pump |
| CN103907116A (zh) | 2011-08-26 | 2014-07-02 | 弗吉尼亚大学专利基金会 | 用于糖尿病的自适应咨询控制的方法、系统以及计算机可读介质 |
| JP6058673B2 (ja) | 2011-09-13 | 2017-01-11 | ノボ・ノルデイスク・エー／エス | 経時的に薬剤投与療法を最適化するための適応システム |
| WO2013049372A1 (en) | 2011-09-28 | 2013-04-04 | Abbott Diabetes Care Inc. | Methods, devices and systems for analyte monitoring management |
| EP2765911A1 (en) | 2011-10-11 | 2014-08-20 | Novo Nordisk A/S | Dual purpose advisory device |
| US9622691B2 (en) | 2011-10-31 | 2017-04-18 | Abbott Diabetes Care Inc. | Model based variable risk false glucose threshold alarm prevention mechanism |
| SG11201401921YA (en) * | 2011-10-31 | 2014-05-29 | Xeris Pharmaceuticals Inc | Formulations for the treatment of diabetes |
| WO2013085459A1 (en) | 2011-12-06 | 2013-06-13 | Dianovator Ab | Medical arrangements and a method for prediction of a value related to a medical condition |
| WO2013090709A1 (en) | 2011-12-16 | 2013-06-20 | Hospira, Inc. | System for monitoring and delivering medication to a patient and method of using the same to minimize the risks associated with automated therapy |
| TW201333870A (zh) | 2011-12-21 | 2013-08-16 | 艾登工具股份有限公司 | 決定病人胰島素療法的系統及方法 |
| US10694983B2 (en) | 2012-01-19 | 2020-06-30 | Medtronic Minimed, Inc. | Method and/or system for assessing a patient's glycemic response |
| US20150080756A1 (en) | 2012-01-27 | 2015-03-19 | The University Of Sydney | Estimating arousal states |
| US20130231543A1 (en) | 2012-03-05 | 2013-09-05 | Andrea Facchinetti | Method to improve safety monitoring in type-1 diabetic patients by detecting in real-time failures of the glucose |
| US9883834B2 (en) | 2012-04-16 | 2018-02-06 | Farid Amirouche | Medication delivery device with multi-reservoir cartridge system and related methods of use |
| KR101945341B1 (ko) | 2012-04-17 | 2019-02-08 | 삼성전자주식회사 | 운동량을 고려한 인슐린 자동 공급장치 및 그 방법 |
| US10391242B2 (en) | 2012-06-07 | 2019-08-27 | Medtronic Minimed, Inc. | Diabetes therapy management system for recommending bolus calculator adjustments |
| US9861744B2 (en) | 2012-06-25 | 2018-01-09 | International Business Machines Corporation | Managing blood glucose levels |
| US9757510B2 (en) | 2012-06-29 | 2017-09-12 | Animas Corporation | Method and system to handle manual boluses or meal events for closed-loop controllers |
| US20150328403A1 (en) | 2012-07-03 | 2015-11-19 | Edwards Lifesciences Corporation | Glucose consumption monitor |
| US9990581B2 (en) | 2012-07-11 | 2018-06-05 | Roche Diabetes Care, Inc. | Insulin dosage assessment and recommendation system |
| US8756043B2 (en) | 2012-07-26 | 2014-06-17 | Rimidi Diabetes, Inc. | Blood glucose meter and computer-implemented method for improving glucose management through modeling of circadian profiles |
| 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 |
| US9623179B2 (en) | 2012-08-30 | 2017-04-18 | Medtronic Minimed, Inc. | Safeguarding techniques for a closed-loop insulin infusion system |
| US9662445B2 (en) | 2012-08-30 | 2017-05-30 | Medtronic Minimed, Inc. | Regulating entry into a closed-loop operating mode of an insulin infusion system |
| US9878096B2 (en) | 2012-08-30 | 2018-01-30 | Medtronic Minimed, Inc. | Generation of target glucose values for a closed-loop operating mode of an insulin infusion system |
| US10496797B2 (en) | 2012-08-30 | 2019-12-03 | Medtronic Minimed, Inc. | Blood glucose validation for a closed-loop operating mode of an insulin infusion system |
| US20140066884A1 (en) | 2012-08-30 | 2014-03-06 | Medtronic Minimed, Inc. | Sensor model supervisor for a closed-loop insulin infusion system |
| US10130767B2 (en) | 2012-08-30 | 2018-11-20 | Medtronic Minimed, Inc. | Sensor model supervisor for a closed-loop insulin infusion system |
| US9171343B1 (en) | 2012-09-11 | 2015-10-27 | Aseko, Inc. | Means and method for improved glycemic control for diabetic patients |
| US9901677B2 (en) | 2012-10-16 | 2018-02-27 | Bigfoot Biomedical, Inc. | Infusion pump system and methods |
| US9119528B2 (en) | 2012-10-30 | 2015-09-01 | Dexcom, Inc. | Systems and methods for providing sensitive and specific alarms |
| US9833191B2 (en) | 2012-11-07 | 2017-12-05 | Bigfoot Biomedical, Inc. | Computer-based diabetes management |
| US9486578B2 (en) | 2012-12-07 | 2016-11-08 | Animas Corporation | Method and system for tuning a closed-loop controller for an artificial pancreas |
| US9907909B2 (en) | 2012-12-20 | 2018-03-06 | Animas Corporation | Method and system for a hybrid control-to-target and control-to-range model predictive control of an artificial pancreas |
| WO2014110541A1 (en) | 2013-01-14 | 2014-07-17 | The Regents Of University Of California | Daily periodic target-zone modulation in the model predictive control problem for artificial pancreas for type i diabetes applications |
| WO2014109898A1 (en) | 2013-01-14 | 2014-07-17 | The Regents Of University Of California | Model-based personalization scheme of an artificial pancreas for type i diabetes applications |
| US9227014B2 (en) | 2013-02-07 | 2016-01-05 | The Board Of Trustees Of The Laland Stanford Junior University | Kalman filter based on-off switch for insulin pump |
| EP3662833A1 (en) | 2013-02-20 | 2020-06-10 | Dexcom, Inc. | Retrospective retrofitting method to generate a continuous glucose concentration profile |
| US20150045641A1 (en) | 2013-03-13 | 2015-02-12 | Optiscan Biomedical Corporation | Method and apparatus for analyte measurement, display, and annotation |
| US9486171B2 (en) | 2013-03-15 | 2016-11-08 | Tandem Diabetes Care, Inc. | Predictive calibration |
| US10016561B2 (en) | 2013-03-15 | 2018-07-10 | Tandem Diabetes Care, Inc. | Clinical variable determination |
| WO2014149536A2 (en) | 2013-03-15 | 2014-09-25 | Animas Corporation | Insulin time-action model |
| US9517306B2 (en) | 2013-03-15 | 2016-12-13 | Animas Corporation | Method and system for closed-loop control of an artificial pancreas |
| US9795737B2 (en) | 2013-03-15 | 2017-10-24 | Animas Corporation | Method and system for closed-loop control of an artificial pancreas |
| US20140309615A1 (en) | 2013-04-16 | 2014-10-16 | Bryan Mazlish | Discretionary insulin delivery systems and methods |
| US9849241B2 (en) | 2013-04-24 | 2017-12-26 | Fresenius Kabi Deutschland Gmbh | Method of operating a control device for controlling an infusion device |
| US9047089B2 (en) | 2013-05-20 | 2015-06-02 | Rovi Guides, Inc. | Energy-saving systems and methods for updating media information |
| WO2015009385A1 (en) | 2013-07-19 | 2015-01-22 | Dexcom, Inc. | Time averaged basal rate optimizer |
| US9474855B2 (en) | 2013-10-04 | 2016-10-25 | Animas Corporation | Method and system for controlling a tuning factor due to sensor replacement for closed-loop controller in an artificial pancreas |
| WO2015073211A1 (en) | 2013-11-14 | 2015-05-21 | Regents Of The University Of California | Glucose rate increase detector: a meal detection module for the health monitoring system |
| US9861747B2 (en) | 2013-12-05 | 2018-01-09 | Lifescan, Inc. | Method and system for management of diabetes with a glucose monitor and infusion pump to provide feedback on bolus dosing |
| EP3076855A1 (en) | 2013-12-06 | 2016-10-12 | Cardiac Pacemakers, Inc. | Heart failure event prediction using classifier fusion |
| US20150164414A1 (en) | 2013-12-10 | 2015-06-18 | Grant Matthews | Recursive Real-time Determination of Glucose Forcing in a Diabetic patient for use in a Closed Loop Insulin Delivery system |
| US9750877B2 (en) | 2013-12-11 | 2017-09-05 | Medtronic Minimed, Inc. | Predicted time to assess and/or control a glycemic state |
| US9750878B2 (en) | 2013-12-11 | 2017-09-05 | Medtronic Minimed, Inc. | Closed-loop control of glucose according to a predicted blood glucose trajectory |
| US9849240B2 (en) | 2013-12-12 | 2017-12-26 | Medtronic Minimed, Inc. | Data modification for predictive operations and devices incorporating same |
| 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 |
| CA2938078C (en) | 2014-01-31 | 2019-06-11 | Trustees Of Boston University | Offline glucose control based on preceding periods |
| US9399096B2 (en) | 2014-02-06 | 2016-07-26 | Medtronic Minimed, Inc. | Automatic closed-loop control adjustments and infusion systems incorporating same |
| US9861748B2 (en) | 2014-02-06 | 2018-01-09 | Medtronic Minimed, Inc. | User-configurable closed-loop notifications and infusion systems incorporating same |
| US20150289823A1 (en) | 2014-04-10 | 2015-10-15 | Dexcom, Inc. | Glycemic urgency assessment and alerts interface |
| US10232113B2 (en) | 2014-04-24 | 2019-03-19 | Medtronic Minimed, Inc. | Infusion devices and related methods and systems for regulating insulin on board |
| US10274349B2 (en) | 2014-05-19 | 2019-04-30 | Medtronic Minimed, Inc. | Calibration factor adjustments for infusion devices and related methods and systems |
| US10007765B2 (en) | 2014-05-19 | 2018-06-26 | Medtronic Minimed, Inc. | Adaptive signal processing for infusion devices and related methods and systems |
| US10152049B2 (en) | 2014-05-19 | 2018-12-11 | Medtronic Minimed, Inc. | Glucose sensor health monitoring and related methods and systems |
| CA2950966C (en) | 2014-06-10 | 2019-07-09 | Bigfoot Biomedical, Inc. | Insulin delivery systems and methods |
| US9724470B2 (en) | 2014-06-16 | 2017-08-08 | Icu Medical, Inc. | System for monitoring and delivering medication to a patient and method of using the same to minimize the risks associated with automated therapy |
| EP2966582A1 (en) | 2014-07-11 | 2016-01-13 | Sanofi-Aventis Deutschland GmbH | Titration of basal insulin with two modes |
| EP3180065A4 (en) | 2014-07-24 | 2018-04-11 | Thomas Jefferson University | Long-term implantable monitoring system & methods of use |
| US9669160B2 (en) | 2014-07-30 | 2017-06-06 | Tandem Diabetes Care, Inc. | Temporary suspension for closed-loop medicament therapy |
| US20160029966A1 (en) | 2014-07-31 | 2016-02-04 | Sano Intelligence, Inc. | Method and system for processing and analyzing analyte sensor signals |
| WO2016022650A1 (en) | 2014-08-06 | 2016-02-11 | Regents Of The University Of California | Moving-horizon state-initializer for control applications |
| JP2017527421A (ja) | 2014-08-14 | 2017-09-21 | ユニヴァーシティー オブ ヴァージニア パテント ファンデーション | 改善された精度の連続グルコースモニタリング方法、システム、およびデバイス |
| CA2953577A1 (en) | 2014-09-22 | 2016-03-31 | Dexcom, Inc. | System and method for mode switching |
| WO2016061308A1 (en) | 2014-10-17 | 2016-04-21 | Kahlbaugh Bradley E | Human metabolic condition management |
| US9861310B2 (en) | 2014-10-17 | 2018-01-09 | Fitscript Llc | Algorithms for diabetes exercise therapy |
| CN105688308A (zh) | 2014-11-13 | 2016-06-22 | 上海泽生科技开发有限公司 | 注射泵控制方法、控制单元及注射泵 |
| US10456090B2 (en) | 2014-11-22 | 2019-10-29 | Bigfoot Biomedical, Inc. | Method to determine individualized insulin sensitivity and optimal insulin dose by linear regression, and related systems |
| US9943645B2 (en) | 2014-12-04 | 2018-04-17 | Medtronic Minimed, Inc. | Methods for operating mode transitions and related infusion devices and systems |
| US10265031B2 (en) | 2014-12-19 | 2019-04-23 | Medtronic Minimed, Inc. | Infusion devices and related methods and systems for automatic alert clearing |
| US10307535B2 (en) | 2014-12-19 | 2019-06-04 | Medtronic Minimed, Inc. | Infusion devices and related methods and systems for preemptive alerting |
| US9717848B2 (en) | 2015-01-22 | 2017-08-01 | Medtronic Minimed, Inc. | Data derived pre-bolus delivery |
| CN104667379B (zh) | 2015-03-06 | 2017-08-15 | 上海交通大学 | 动态闭环控制的胰岛素泵 |
| US10617363B2 (en) | 2015-04-02 | 2020-04-14 | Roche Diabetes Care, Inc. | Methods and systems for analyzing glucose data measured from a person having diabetes |
| US9878097B2 (en) | 2015-04-29 | 2018-01-30 | Bigfoot Biomedical, Inc. | Operating an infusion pump system |
| US20180130551A1 (en) | 2015-05-13 | 2018-05-10 | Ascensia Diabetes Care Holdings Ag | Blood glucose management device for calculating bolus insulin |
| US10646650B2 (en) | 2015-06-02 | 2020-05-12 | Illinois Institute Of Technology | Multivariable artificial pancreas method and system |
| AU2016287512B2 (en) | 2015-06-28 | 2021-12-16 | The Regents Of The University Of California | Velocity-weighting model predictive control of an artificial pancreas for type 1 diabetes applications |
| JP6858751B2 (ja) | 2015-08-20 | 2021-04-14 | アセコー インコーポレイテッド | 糖尿病管理療法アドバイザ |
| US10664569B2 (en) | 2015-08-21 | 2020-05-26 | Medtronic Minimed, Inc. | Data analytics and generation of recommendations for controlling glycemic outcomes associated with tracked events |
| US10463297B2 (en) | 2015-08-21 | 2019-11-05 | Medtronic Minimed, Inc. | Personalized event detection methods and related devices and systems |
| US10657224B2 (en) | 2015-09-25 | 2020-05-19 | Accenture Global Solutions Limited | Monitoring and treatment dosage prediction system |
| CA3011231C (en) | 2016-01-12 | 2024-04-23 | President And Fellows Of Harvard College | Predictive control model for the artificial pancreas using past predictions |
| CA3009351A1 (en) | 2016-01-14 | 2017-07-20 | Bigfoot Biomedical, Inc. | Adjusting insulin delivery rates |
| US10610643B2 (en) | 2016-01-14 | 2020-04-07 | Bigfoot Biomedical, Inc. | Occlusion resolution in medication delivery devices, systems, and methods |
| US20170332952A1 (en) | 2016-05-23 | 2017-11-23 | Bigfoot Biomedical, Inc. | Insulin delivery system and methods with risk based set points |
| US10332633B2 (en) | 2016-06-01 | 2019-06-25 | Roche Diabetes Care, Inc. | Control-to-range aggressiveness |
| US10297350B2 (en) | 2016-06-01 | 2019-05-21 | Roche Diabetes Care, Inc. | Risk-based control-to-range |
| US10332632B2 (en) | 2016-06-01 | 2019-06-25 | Roche Diabetes Care, Inc. | Control-to-range failsafes |
| US10456086B2 (en) | 2016-08-31 | 2019-10-29 | University Of Virginia Patent Foundation | Method, system and computer readable medium for predictive hypoglycemia detection for mild to moderate exercise |
| US10561788B2 (en) | 2016-10-06 | 2020-02-18 | Medtronic Minimed, Inc. | Infusion systems and methods for automated exercise mitigation |
| US11097051B2 (en) | 2016-11-04 | 2021-08-24 | Medtronic Minimed, Inc. | Methods and apparatus for detecting and reacting to insufficient hypoglycemia response |
| US10854322B2 (en) | 2016-12-21 | 2020-12-01 | Medtronic Minimed, Inc. | Infusion systems and methods for patient activity adjustments |
| US10709834B2 (en) | 2016-12-21 | 2020-07-14 | Medtronic Minimed, Inc. | Medication fluid infusion set component with integrated physiological analyte sensor, and corresponding fluid infusion device |
| US10610644B2 (en) | 2017-01-13 | 2020-04-07 | Bigfoot Biomedical, Inc. | Insulin delivery methods, systems and devices |
| US11033682B2 (en) | 2017-01-13 | 2021-06-15 | Bigfoot Biomedical, Inc. | Insulin delivery methods, systems and devices |
| US10881792B2 (en) | 2017-01-13 | 2021-01-05 | Bigfoot Biomedical, Inc. | System and method for adjusting insulin delivery |
| EP3586145A1 (en) | 2017-02-21 | 2020-01-01 | Abbott Diabetes Care Inc. | Methods, devices, and systems for physiological parameter analysis |
| US11064951B2 (en) | 2017-03-24 | 2021-07-20 | Medtronic Minimed, Inc. | Patient data management systems and querying methods |
| US10729849B2 (en) | 2017-04-07 | 2020-08-04 | LifeSpan IP Holdings, LLC | Insulin-on-board accounting in an artificial pancreas system |
| US11147920B2 (en) | 2017-04-18 | 2021-10-19 | Lifescan Ip Holdings, Llc | Diabetes management system with automatic basal and manual bolus insulin control |
| US10755392B2 (en) | 2017-07-13 | 2020-08-25 | Mediatek Inc. | High-dynamic-range video tone mapping |
-
2019
- 2019-06-20 WO PCT/US2019/038215 patent/WO2019246381A1/en active Application Filing
- 2019-06-20 EP EP19744914.3A patent/EP3811373A1/en active Pending
- 2019-06-20 US US16/973,498 patent/US12020797B2/en active Active
- 2019-06-20 CA CA3103479A patent/CA3103479A1/en active Pending
- 2019-06-20 AU AU2019288473A patent/AU2019288473A1/en not_active Abandoned
- 2019-06-20 CN CN201980042041.8A patent/CN112313754A/zh active Pending
- 2019-06-20 JP JP2020570941A patent/JP2021528758A/ja active Pending
-
2022
- 2022-11-08 AU AU2022268306A patent/AU2022268306B2/en active Active
-
2024
- 2024-05-20 US US18/668,841 patent/US20240312591A1/en active Pending
- 2024-08-23 AU AU2024216308A patent/AU2024216308A1/en active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110106050A1 (en) * | 2008-04-29 | 2011-05-05 | Ofer Yodfat | Method for Selecting Bolus Doses and Bolus Delivery Patterns in a Drug Delivery Device |
| CN102481101A (zh) * | 2009-06-30 | 2012-05-30 | 生命扫描有限公司 | 用于计算基础胰岛素治疗的被分析物测试方法和设备 |
| US20170165416A1 (en) * | 2013-03-15 | 2017-06-15 | Tandem Diabetes Care, Inc. | Method and device utilizing insulin delivery protocols |
Also Published As
| Publication number | Publication date |
|---|---|
| CA3103479A1 (en) | 2019-12-26 |
| EP3811373A1 (en) | 2021-04-28 |
| US20240312591A1 (en) | 2024-09-19 |
| US12020797B2 (en) | 2024-06-25 |
| AU2024216308A1 (en) | 2024-09-12 |
| AU2022268306B2 (en) | 2024-06-13 |
| AU2019288473A1 (en) | 2020-12-10 |
| WO2019246381A1 (en) | 2019-12-26 |
| US20210241876A1 (en) | 2021-08-05 |
| JP2021528758A (ja) | 2021-10-21 |
| AU2022268306A1 (en) | 2022-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112313754A (zh) | 胰岛素和普兰林肽输送系统、方法和设备 | |
| CN110582231B (zh) | 生理葡萄糖的闭环控制 | |
| JP7457072B2 (ja) | 生理的グルコースの閉ループ制御 | |
| US20230238104A1 (en) | Insulin delivery systems, methods, and devices | |
| US20230218821A1 (en) | Tdd tracking approaches for insulin delivery systems, methods, and devices |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20231111 Address after: Swiss Bugge Dov Applicant after: Yishou pharmaceutical treatment Co.,Ltd. Address before: Indiana, USA Applicant before: Eli Lilly and Co. |