CN112927802A - 一种专家经验辅助的餐前胰岛素剂量学习优化决策系统 - Google Patents

一种专家经验辅助的餐前胰岛素剂量学习优化决策系统 Download PDF

Info

Publication number
CN112927802A
CN112927802A CN202110117772.3A CN202110117772A CN112927802A CN 112927802 A CN112927802 A CN 112927802A CN 202110117772 A CN202110117772 A CN 202110117772A CN 112927802 A CN112927802 A CN 112927802A
Authority
CN
China
Prior art keywords
meal
value
blood sugar
insulin dosage
blood glucose
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110117772.3A
Other languages
English (en)
Other versions
CN112927802B (zh
Inventor
史大威
蔡德恒
刘蔚
纪立农
陈庚汝
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Peking University Peoples Hospital
Beijing Institute of Technology BIT
Original Assignee
Peking University Peoples Hospital
Beijing Institute of Technology BIT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Peking University Peoples Hospital, Beijing Institute of Technology BIT filed Critical Peking University Peoples Hospital
Priority to CN202110117772.3A priority Critical patent/CN112927802B/zh
Publication of CN112927802A publication Critical patent/CN112927802A/zh
Application granted granted Critical
Publication of CN112927802B publication Critical patent/CN112927802B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medicinal Chemistry (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Medicines That Contain Protein Lipid Enzymes And Other Medicines (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明提供一种专家经验辅助的餐前胰岛素剂量学习优化决策系统，结合人工智能和专家经验方法，同时挖掘患者血糖监测和胰岛素输注数据蕴含的信息，实现在少样本下，仍能基于历史数据确定安全有效的餐前胰岛素剂量，改善餐后血糖管理，同时赋予系统不断自适应学习，提升决策性能的能力；由此可见，本发明为改善餐后血糖管理，利用少量患者历史数据，设计了专家决策辅助的餐前胰岛素剂量个体化学习决策系统，该系统引入模型预测评估方法，有效避免少样本条件下系统决策失误，持续学习患者血糖代谢规律；同时，本发明还引入迭代更新思想，自适应确定餐后血糖管理目标，实现为不同患病情况的糖尿病患者少样本下快速确定安全有效的餐前胰岛素剂量。

Description

一种专家经验辅助的餐前胰岛素剂量学习优化决策系统
技术领域
本发明属于餐前胰岛素剂量决策领域，尤其涉及一种专家经验辅助的餐前胰岛素剂量学习优化决策系统。
背景技术
胰岛素和胰高血糖素共同维持着人体正常血糖水平。糖尿病是由胰岛素分泌缺陷或其生物作用受损导致，主要分为1型和2型糖尿病，可导致低血糖症等急性症状，以及心血管疾病、慢性肾脏病等严重长期并发症。2017年国际糖尿病联盟的统计数据显示，我国患者数量达到1.144亿，成为全世界最多。随着我国现代生活水平的提升，生活节奏的加快，糖尿病慢慢地趋于年轻化。同时我国人口基数大，存在人口老龄化问题，未来糖尿病患者数量势必会持续增加。糖尿病的有效防治已成为我国在卫生健康领域面临的严峻挑战。
目前医疗界没有根治糖尿病的治疗方式，体外补充胰岛素仍是目前控制血糖的有效手段，其中每日多次皮下注射胰岛素(Multiple Daily Injection,MDI)治疗是一种重要治疗手段。MDI治疗方案采用分开注射基础胰岛素和餐时胰岛素的方式，有效改善血糖控制。目前MDI在确定餐前胰岛素剂量时，大多采用简单的比例转换关系。例如患者在用餐前估算将摄入的碳水化合物含量(CHO)，再除以医师提供的胰岛素与碳水化合物比(Carbohydrate Ratio,CR)，得到此次餐时胰岛素剂量。这种方式的餐后血糖管理性能很大程度由CR参数的准确性决定，严重依赖于主治医师的临床治疗水平和患者估算CHO的经验。同时这种方式往往忽略了对患者血糖代谢规律进行挖掘，没有考虑就餐前血糖情况对餐后血糖的影响。种种原因导致患者餐后血糖调节效果差强人意。
随着血糖监测设备领域的发展，动态葡萄糖监测技术(Continuous GlucoseMonitoring，CGM)可为患者提供全天的连续血糖监控数据。这些血糖监测数据和胰岛素输注数据为个体化治疗提供大数据支持，但如何挖掘与利用数据反映出来的血糖代谢规律，改善血糖管理仍存在诸多挑战。国内患者由于缺乏估算CHO的经验，往往在血糖管理不佳的情况下，申请住院由医生确定合适的餐时剂量。住院期间患者往往会佩戴CGM，但由于住院资源有限，患者住院时间普遍较短，造成可收集的餐时数据样本较少。因此如何在少样本条件下，将血糖代谢过程存在的个体内/个体间差异考虑进餐前胰岛素剂量的优化设计，建立基于数据驱动的餐前胰岛素剂量个性化学习优化决策方法具有重要意义。一方面在少样本下可帮助医生快速确定餐时剂量，减轻患者负担，另一方面在患者出院继续佩戴CGM条件下，学习优化决策方法可不断地适应患者生理节律的变化，有望持续改善餐后血糖管理。
据调查与了解，目前公开的现有技术如下：
申请公开号为CN101214373的发明专利公开了一种餐前胰岛素用量控制方法，该方法根据患者过去一定时间段内是否注射常规或速效胰岛素，采用不同的方式，将就餐胰岛素剂量、校正胰岛素剂量和残留的活性胰岛素(IOB)约束进行组合，确定餐前胰岛素用量；申请公开号为CN109564775A的发明专利公开了优化餐时胰岛素剂量的系统和方法，提供了一种利用胰岛素笔中记录的胰岛素输注数据调整受验者预期用餐的短效剂量的系统和方法。然而上述专利确定剂量时仍然采用比例关系，性能严重依赖医生的医疗水平，没有提供一种同时挖掘胰岛素和血糖监测数据蕴含的患者血糖变化规律的方法，难以有效地改进剂量决策。
申请号为202010930702.5的发明专利公开了一种基于高斯过程的餐前胰岛素剂量个体化决策系统，该系统充分挖掘糖尿病患者的历史数据信息，建立餐后血糖预测模型，运用风险敏感控制思想，实施个体化剂量控制。然而该系统在前期建立血糖预测模型时需要大量的样本数据，这不适用于患者短期住院或前期样本较少时的剂量调整优化问题，同时该系统并未给出如何让模型自学习，不断学习患者的血糖调节规律的方法，使得系统能从少样本情况过渡到多样本情况，不断提升决策性能。
发明内容
为解决上述问题，本发明提供一种专家经验辅助的餐前胰岛素剂量学习优化决策系统，可评估在少样本下高斯过程回归预测餐后血糖的可信度，决定是否辅助以专家决策，实现少样本下个体化剂量控制，并使得系统能自适应学习，不断提升决策性能，在保证安全的同时，改善餐后血糖水平。
一种专家经验辅助的餐前胰岛素剂量学习优化决策系统，包括个体化模型自学习模块、风险敏感控制模块、模型预测评估模块、专家经验辅助模块以及安全约束模块；
所述个体化模型自学习模块采用高斯过程学习糖尿病患者的血糖代谢规律，得到餐后血糖预测模型；
所述风险敏感控制模块用于根据上一次相同餐型用餐时刻对应的餐前胰岛素剂量的实际值upre与所述餐后血糖预测模型输出的餐后血糖预测值构建代价函数
Figure BDA0002920972450000031
再结合贝叶斯优化算法和蒙特卡洛法求解所述代价函数
Figure BDA0002920972450000032
得到本次用餐时刻对应的餐前胰岛素剂量的理论值u：
Figure BDA0002920972450000041
subject to 0≤u≤20
其中，γ为设定的个体化风险敏感系数，P为餐后血糖预测模型输出的餐后血糖预测值构成的向量，其中，餐后血糖预测值为服从高斯分布的随机变量，Pr为设定的餐后血糖参考值构成的向量，Q+为正向惩罚矩阵，Q-为反向惩罚矩阵，T为转置，
Figure BDA0002920972450000042
表示期望，
Figure BDA0002920972450000043
Figure BDA0002920972450000044
其中，
Figure BDA0002920972450000045
为示性函数，R为设定的惩罚项系数；
所述模型预测评估模块用于判断本次用餐时刻对应的餐前胰岛素剂量理论值u是否可信，若可信，则将餐前胰岛素剂量的理论值u作为本次用餐时刻对应的餐前胰岛素剂量的备选值u#，若不可信，则采用专家经验辅助模块确定本次用餐时刻对应的餐前胰岛素剂量的备选值u#；
所述安全约束模块用于判断本次用餐时刻对应的餐前胰岛素剂量的备选值u#是否落入设定范围，若为是，则对餐前胰岛素剂量的备选值u#进行修正；若为否且餐前胰岛素剂量的备选值u#超过设定范围的上限值时，备选值u#取设定范围的上限值并对其进行修正，若为否且餐前胰岛素剂量的备选值u#低于设定范围的下限值时，备选值u#取设定范围的下限值并对其进行修正；最后，将得到的修正结果作为本次用餐时刻对应的的餐前胰岛素剂量的实际值ub。
进一步地，所述餐后血糖参考值构成的向量Pr根据患者年龄和患者有无并发症设定，其中，患者的年龄越大，向量Pr中各餐后血糖参考值的平均值越大，同时，患者具有并发症时对应的向量Pr中各餐后血糖参考值的平均值大于没有并发症时对应的向量Pr中各餐后血糖参考值的平均值。
进一步地，假设餐后血糖参考值构成的向量Pr由餐后两小时内8个血糖点的预测值构成；
当患者年龄age≤40且无并发症时，根据临床观察设定Pr为某一常值矢量，并将此矢量作为基本矢量
Figure BDA0002920972450000051
以此来确定其他条件患者的餐后血糖参考值矢量；当患者年龄age≤40且有并发症时，
Figure BDA0002920972450000052
当患者年龄为40<age≤60且无并发症时，
Figure BDA0002920972450000053
当患者年龄为40<age≤60且有并发症时，
Figure BDA0002920972450000054
当患者年龄为60<age<75且无并发症时，
Figure BDA0002920972450000055
当患者年龄为60<age<75且有并发症时，
Figure BDA0002920972450000056
当患者年龄为75≤age且无并发症时，
Figure BDA0002920972450000057
当患者年龄为75≤age且有并发症时，
Figure BDA0002920972450000058
进一步地，上一次用餐时刻对应的餐前胰岛素剂量的实际值upre使餐后两小时的血糖值与期望血糖值越接近，惩罚项系数R越大。
进一步地，所述模型预测评估模块判断本次用餐时刻对应的餐前胰岛素剂量理论值u是否可信的方法为：
基于本次餐前血糖水平，将餐前胰岛素剂量理论值u、u+Δu以及u-Δu输入所述餐后血糖预测模型，得到对应的餐后血糖预测值，其中，Δu为设定的扰动值；
根据餐后血糖预测模型得到的三个餐后血糖预测值判断餐前胰岛素剂量理论值u是否可信，其中，若u+Δu对应的餐后血糖预测值小于餐前胰岛素剂量理论值u对应的餐后血糖预测值，同时u-Δu对应的餐后血糖预测值大于餐前胰岛素剂量理论值u对应的餐后血糖预测值，则餐前胰岛素剂量理论值u可信。
进一步地，所述专家经验辅助模块确定本次用餐时刻对应的胰岛素剂量备选值u#的方法具体为：
根据上一次相同餐型用餐时刻对应的餐前胰岛素剂量的实际值upre、本次用餐餐前半小时的血糖监测平均值
Figure BDA0002920972450000061
与前一天相同餐型的餐前半小时的血糖监测平均值
Figure BDA0002920972450000062
之间的大小、本次用餐餐前血糖水平的变化趋势、前一天相同餐型的餐后到其下一餐之间的血糖最小值
Figure BDA0002920972450000063
与血糖上限阈值Gh、血糖下限阈Gl值之间的大小来确定本次用餐时刻对应的餐前胰岛素剂量的备选值u#，其中，所述餐型包括早餐、午餐以及晚餐。
进一步地，所述专家经验辅助模块确定本次用餐时刻对应的胰岛素剂量备选值u#的方法具体为：
当
Figure BDA0002920972450000064
且本次用餐餐前血糖水平的变化趋势为上升趋势时，若
Figure BDA0002920972450000065
则u#＝upre+2，若
Figure BDA0002920972450000066
则u#＝upre+1.5，若
Figure BDA0002920972450000067
则u#＝upre，其中，ΔG为设定的血糖增量均值；
当
Figure BDA0002920972450000068
且本次用餐餐前血糖水平的变化趋势为下降趋势时，若
Figure BDA0002920972450000069
则u#＝upre+1.5，若
Figure BDA00029209724500000610
则u#＝upre+1，若
Figure BDA00029209724500000611
则u#＝upre-0.5；
当
Figure BDA00029209724500000612
且本次用餐餐前血糖水平的变化趋势为上升趋势时，若
Figure BDA00029209724500000613
则u#＝upre+1，若
Figure BDA00029209724500000614
则u#＝upre+0.5，若
Figure BDA00029209724500000615
则u#＝upre-1；
当
Figure BDA00029209724500000616
且本次用餐餐前血糖水平的变化趋势为下降趋势时，若
Figure BDA00029209724500000617
则u#＝upre+0.5，若
Figure BDA00029209724500000618
则u#＝upre，若
Figure BDA00029209724500000619
则u#＝upre-1；
当
Figure BDA00029209724500000620
且本次用餐餐前血糖水平的变化趋势为上升趋势时，若
Figure BDA00029209724500000621
则u#＝upre，若
Figure BDA00029209724500000622
则u#＝upre-0.5，若
Figure BDA00029209724500000623
则u#＝upre-1.5；
当
Figure BDA0002920972450000071
且本次用餐餐前血糖水平的变化趋势为下降趋势时，若
Figure BDA0002920972450000072
则u#＝upre-0.5，若
Figure BDA0002920972450000073
则u#＝upre-1，若
Figure BDA0002920972450000074
则u#＝upre-2。
进一步地，所述安全约束模块用于判断本次用餐时刻对应的餐前胰岛素剂量的备选值u#是否落入设定范围的计算公式如下：
upre-2≤u#≤upre+2
其中，upre+2为上限值，upre-2为下限值。
进一步地，所述安全约束模块对餐前胰岛素剂量的备选值u#、设定范围的上限值以及设定范围的下限值的修正方法为：
ub＝u*-λuIOB
其中，u*为餐前胰岛素剂量的备选值u#、设定范围的上限值或设定范围的下限值，uIOB为设定的体内残余活性胰岛素约束项，λ为设定常数。
进一步地，若上一次用餐时刻对应的餐前胰岛素剂量的备选值u#由专家经验辅助模块确定，则将上一次用餐餐前两小时内每隔设定时间t采样得到的血糖值、餐后两小时内每隔设定时间t采样得到的血糖值以及餐前胰岛素剂量注射的实际值upre作为一个新的训练样本加入训练集中，个体化模型自学习模块再基于更新后的训练集，采用高斯过程重新学习糖尿病患者的血糖代谢规律，以更新餐后血糖预测模型，并采用更新后的餐后血糖预测模型预测本次用餐时刻对应的餐后血糖预测值。
有益效果：
本发明提供一种专家经验辅助的餐前胰岛素剂量学习优化决策系统，结合人工智能和专家经验方法，同时挖掘患者血糖监测和胰岛素输注数据蕴含的信息，实现在少样本下，仍能基于历史数据确定安全有效的餐前胰岛素剂量，改善餐后血糖管理，同时赋予系统不断自适应学习，提升决策性能的能力；
由此可见，本发明为改善餐后血糖管理，利用少量患者历史数据，设计了专家决策辅助的餐前胰岛素剂量个体化学习决策系统，该系统引入模型预测评估方法，有效避免少样本条件下系统决策失误，持续学习患者血糖代谢规律；同时，本发明还引入专家决策辅助功能，将专家知识应用于餐后血糖管理，方便后续模型学习模块对专家经验的学习；最后，本发明引入迭代更新思想，自适应确定餐后血糖管理目标，实现为不同患病情况的糖尿病患者少样本下快速确定安全有效的餐前胰岛素剂量。
附图说明
图1为本发明提供的系统框架图；
图2为本发明提供的实施步骤流程图；
图3为本发明提供的某一患者的餐后血糖预测结果图；
图4为本发明提供的某一患者的餐后血糖控制结果图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示，一种专家经验辅助的餐前胰岛素剂量学习优化决策系统，包括个体化模型自学习模块、风险敏感控制模块、模型预测评估模块、专家经验辅助模块以及安全约束模块。同时，本发明中各参数基于真实糖尿病患者在医院采用MDI疗法的临床数据确定。
所述个体化模型自学习模块采用高斯过程学习糖尿病患者的血糖代谢规律，得到餐后血糖预测模型。
进一步地，若上一次相同餐型用餐时刻对应的餐前胰岛素剂量的备选值u#由专家经验辅助模块确定，则将上一次用餐餐前两小时内每隔设定时间t采样得到的血糖值、餐后两小时内每隔设定时间t采样得到的血糖值以及餐前胰岛素剂量注射的实际值upre作为一个新的训练样本加入训练集中，个体化模型自学习模块再基于更新后的训练集，采用高斯过程重新学习糖尿病患者的血糖代谢规律，以更新餐后血糖预测模型，并采用更新后的餐后血糖预测模型预测本次用餐时刻对应的餐后血糖预测值。值得注意的是，原始训练集的获取过程参考申请号202010930702.5的发明专利。
所述风险敏感控制模块用于根据上一次相同餐型用餐时刻对应的餐前胰岛素剂量的实际值upre与所述餐后血糖预测模型输出的餐后血糖预测值构建代价函数
Figure BDA0002920972450000091
再结合贝叶斯优化算法和蒙特卡洛法求解所述代价函数
Figure BDA0002920972450000092
得到本次用餐时刻对应的餐前胰岛素剂量的理论值u：
Figure BDA0002920972450000093
subject to 0≤u≤20
其中，γ为设定的个体化风险敏感系数，P为餐后血糖预测模型输出的餐后血糖预测值构成的向量，其中，餐后血糖预测值为服从高斯分布的随机变量，Pr为设定的餐后血糖参考值构成的向量，Q+为正向惩罚矩阵，Q-为反向惩罚矩阵，T为转置，
Figure BDA0002920972450000101
表示期望，
Figure BDA0002920972450000102
Figure BDA0002920972450000103
其中，
Figure BDA0002920972450000104
为示性函数，R为设定的惩罚项系数，上一次用餐时刻对应的餐前胰岛素剂量的实际值upre使餐后两小时的血糖值与期望血糖值越接近，说明上次餐后血糖控制效果较好，则用于调整对上次剂量的信任度的惩罚项系数R越大，使得优化算法偏向于选择上次剂量附近的剂量。
需要说明的是，所述餐后血糖参考值构成的向量Pr根据患者年龄和患者有无并发症设定，其中，患者的年龄越大，向量Pr中各餐后血糖参考值的平均值越大，同时，患者具有并发症时对应的向量Pr中各餐后血糖参考值的平均值大于没有并发症时对应的向量Pr中各餐后血糖参考值的平均值。
需要说明的是，所述示性函数
Figure BDA0002920972450000105
具体为：分别对比向量P与向量Pr中相同位置上元素的大小，若向量P中的元素大于向量Pr中的元素，则示性函数
Figure BDA0002920972450000106
对应的示性向量在该位置上的元素为1，否则该位置的元素为0；若向量Pr中的元素大于向量P中的元素，则示性函数
Figure BDA0002920972450000107
对应的示性向量在该位置上的元素为1，否则该位置的元素为0。
所述模型预测评估模块用于判断本次用餐时刻对应的餐前胰岛素剂量理论值u是否可信，若可信，则将餐前胰岛素剂量的理论值u作为本次用餐时刻对应的餐前胰岛素剂量的备选值u#，若不可信，则采用专家经验辅助模块确定本次用餐时刻对应的餐前胰岛素剂量的备选值u#。
进一步地，模型预测评估模块判断本次用餐时刻对应的餐前胰岛素剂量理论值u是否可信的方法为：
基于本次餐前血糖水平，将餐前胰岛素剂量理论值u、u+Δu以及u-Δu输入所述餐后血糖预测模型，得到对应的餐后血糖预测值，其中，Δu为设定的扰动值；然后，根据餐后血糖预测模型得到的三个餐后血糖预测值判断餐前胰岛素剂量理论值u是否可信，其中，若u+Δu对应的餐后血糖预测值小于餐前胰岛素剂量理论值u对应的餐后血糖预测值，同时u-Δu对应的餐后血糖预测值大于餐前胰岛素剂量理论值u对应的餐后血糖预测值，则餐前胰岛素剂量理论值u可信。
也就是说，本发明针对此次餐前血糖水平，利用个体化模型自学习模块提供的预测模型，基于上次胰岛素剂量，评估系统中高斯过程回归的预测性能，若增加(减小)剂量，预测的餐后血糖水平降低(升高)，则认为由风险敏感控制模块决策的剂量可信，否则系统根据专家经验辅助模块推荐本次胰岛素剂量。
同时，所述专家经验辅助模块确定本次用餐时刻对应的胰岛素剂量备选值u#的方法具体为：
根据上一次相同餐型用餐时刻对应的餐前胰岛素剂量的实际值upre、本次用餐餐前半小时的血糖监测平均值
Figure BDA0002920972450000111
与前一天相同餐型的餐前半小时的血糖监测平均值
Figure BDA0002920972450000112
之间的大小、本次用餐餐前血糖水平的变化趋势、前一天相同餐型的餐后到其下一餐之间的血糖最小值
Figure BDA0002920972450000113
与血糖上限阈值Gh、血糖下限阈Gl值之间的大小来确定本次用餐时刻对应的餐前胰岛素剂量的备选值u#，其中，所述餐型包括早餐、午餐以及晚餐，则若本次用餐的餐型为午餐，则
Figure BDA0002920972450000114
可以为前一天午餐的餐前半小时的血糖监测平均值，
Figure BDA0002920972450000115
为前一天午餐到前一天的晚餐之间的血糖最小值。
具体地，该模块将医生决策规律量化，根据本次餐前血糖态势查表1基于上次胰岛素剂量得到本次推荐的剂量。
表1基于历史数据的专家决策逻辑表
Figure BDA0002920972450000121
表1中Gh和Gl分别表示评估餐后血糖控制水平的高低阈值，
Figure BDA0002920972450000122
表示上一次相同餐型餐后到下一餐餐前血糖监测的最小值；
Figure BDA0002920972450000123
表示此次餐前半小时的血糖监测平均值，
Figure BDA0002920972450000124
表示上次同样用餐餐前半小时的血糖监测平均值，ΔG表示血糖均值的增量；upre表示上次相同餐型餐前胰岛素剂量；上升(下降)表示餐前血糖水平的变化趋势。
当
Figure BDA0002920972450000125
且本次用餐餐前血糖水平的变化趋势为上升趋势时，若
Figure BDA0002920972450000126
则u#＝upre+2，若
Figure BDA0002920972450000127
则u#＝upre+1.5，若
Figure BDA0002920972450000128
则u#＝upre，其中，ΔG为设定的血糖增量均值；
当
Figure BDA0002920972450000129
且本次用餐餐前血糖水平的变化趋势为下降趋势时，若
Figure BDA00029209724500001210
则u#＝upre+1.5，若
Figure BDA00029209724500001211
则u#＝upre+1，若
Figure BDA00029209724500001212
则u#＝upre-0.5；
当
Figure BDA00029209724500001213
且本次用餐餐前血糖水平的变化趋势为上升趋势时，若
Figure BDA00029209724500001214
则u#＝upre+1，若
Figure BDA00029209724500001215
则u#＝upre+0.5，若
Figure BDA00029209724500001216
则u#＝upre-1；
当
Figure BDA00029209724500001217
且本次用餐餐前血糖水平的变化趋势为下降趋势时，若
Figure BDA00029209724500001218
则u#＝upre+0.5，若
Figure BDA00029209724500001219
则u#＝upre，若
Figure BDA0002920972450000131
则u#＝upre-1；
当
Figure BDA0002920972450000132
且本次用餐餐前血糖水平的变化趋势为上升趋势时，若
Figure BDA0002920972450000133
则u#＝upre，若
Figure BDA0002920972450000134
则u#＝upre-0.5，若
Figure BDA0002920972450000135
则u#＝upre-1.5；
当
Figure BDA0002920972450000136
且本次用餐餐前血糖水平的变化趋势为下降趋势时，若
Figure BDA0002920972450000137
则u#＝upre-0.5，若
Figure BDA0002920972450000138
则u#＝upre-1，若
Figure BDA0002920972450000139
则u#＝upre-2。
也就是说，本发明的专家经验辅助模块是基于医生决策经验，利用上次相同餐型用餐时刻的血糖管理数据，包括餐前胰岛素剂量，餐前和餐后血糖监测数据，同时根据本次餐前血糖监测数据，确定本次胰岛素剂量。同时，考虑到患者身体状况的不同，表1中的参数可根据患者年龄和有无并发症自适应调整确定，保证患者的舒适性和安全性。
所述安全约束模块用于判断本次用餐时刻对应的餐前胰岛素剂量的备选值u#是否落入设定范围，如upre-2≤u#≤upre+2，若为是，则对餐前胰岛素剂量的备选值u#进行修正；若为否且餐前胰岛素剂量的备选值u#超过设定范围的上限值时，备选值u#取设定范围的上限值并对其进行修正，若为否且餐前胰岛素剂量的备选值u#低于设定范围的下限值时，备选值u#取设定范围的下限值并对其进行修正；最后，将得到的修正结果作为本次用餐时刻对应的的餐前胰岛素剂量的实际值ub，其中，具体的修正公式如下：
ub＝u*-λuIOB
其中，u*为餐前胰岛素剂量的备选值u#、设定范围的上限值或设定范围的下限值，uIOB为设定的体内残余活性胰岛素约束项，λ为设定常数。
进一步地，如图2所示，本发明设计的系统包括以下步骤：
(1)收集糖尿病患者采用MDI治疗方式的血糖和胰岛素历史数据。选择合适的均值和核函数，设计相应的训练方法，利用这些数据训练高斯过程，建立能根据餐前血糖水平，膳食摄入量和胰岛素输注量预测餐后血糖水平的个体化血糖代谢模型；同时，系统逐日或者根据模型预测评估模块指导收集相应的样本进行模型自适应学习，提升决策性能。
(2)利用步骤(1)中建立的预测模型，运用风险敏感控制思想，考虑血糖控制存在的不对称风险，通过设计不对称惩罚矩阵，构建餐后血糖风险敏感不对称代价函数，调整个体化风险敏感系数，同时根据患者年龄和有无并发症自适应确定餐后血糖控制目标。确定代价函数后，由于高斯过程预测的性质，设计的代价函数具有数学期望的形式，可利用蒙特卡洛法确定代价函数估计值，再结合贝叶斯优化求解代价函数，确定餐前胰岛素剂量u。
(3)评估步骤(2)中推荐胰岛素剂量的可信度。具体地，针对本次餐前血糖水平，基于上次胰岛素剂量，评估步骤(2)中预测模型的预测性能，若增加(减小)剂量，预测的餐后血糖水平降低(升高)，则认为步骤(2)中推荐的剂量可信，同时施加约束保证安全性，否则系统根据专家经验辅助模块推荐本次胰岛素剂量，同时将本次的样本加入个体化模型自学习模块进行学习。
(4)基于专家经验决策，利用上次相同餐型用餐时刻的血糖管理数据，包括餐前胰岛素剂量，餐前和餐后血糖监测数据，同时根据本次餐前血糖监测数据，计算相关评估指标，专家经验辅助模块查表1中的逻辑规则确定本次餐前胰岛素剂量u。
(5)对(2)或(4)确定的胰岛素剂量施加安全约束，包括最大值和非负限制(0≤u≤umax)，调整约束(upre-2≤u≤upre+2)以及IOB约束，其中，IOB采用现有方法估算。记当前用餐时刻，IOB的估算值为uIOB，则最后胰岛素剂量确定为ub＝u-λuIOB。考虑到胰岛素代谢存在个体间差异，λ为个体化安全系数。
需要说明的是，所述餐后血糖预测模型包括早餐后血糖预测模型和午晚餐后血糖预测模型；分别用于确定早餐前胰岛素剂量和午晚餐前胰岛素剂量。
进一步地，所述个体化模型自学习模块包括数据采集单元、数据预处理单元以及训练单元；因此，不管是早餐后血糖预测模型还是午晚餐后血糖预测模型，都通过相同方式获取样本。样本获取方法和相应的训练方法参见申请号202010930702.5的发明专利，不过本发明前期一次性可收集的样本数少，因此采用不断累积的方式增加样本数。
下面介绍基于风险敏感控制的代价函数
Figure BDA0002920972450000151
的推导过程：
记步骤(1)餐后两小时内8个血糖点的预测值为g1,…,g8，并组成向量P＝[g1,…,g8]T，每个预测值都服从高斯分布，均值和方差由预测方法确定。代价函数设计为带有惩罚项的指数二次型的对数期望形式，具体如下：
Figure BDA0002920972450000152
式中Q+为正向惩罚矩阵，Q-为反向惩罚矩阵，γ为个体化风险敏感系数，决定着控制行为对预测不确定性的态度。值得注意的是，血糖控制中存在着不对称风险；长时间的高血糖会引发糖尿病并发症，而即时的严重低血糖会造成患者死亡。因此，在完成餐前胰岛素剂量决策时，达到降低高血糖目的的同时需要特别小心低血糖事件的发生。Pr为餐后血糖参考值，可根据患者年龄和有无并发症自适应调整确定，并发症主要包括冠状动脉粥样硬化性心脏病、视网膜病变(增殖期)、周围动脉狭窄、肾功能不全和1年内有过脑梗病史等。根据医生调整经验，餐后两小时的血糖控制目标与患者年龄和有无并发症的关系大致如表2所示，表中血糖单位为mmol/L。本实施例根据这一经验，确定年龄≤40和无并发症患者的餐后血糖目标值为
Figure BDA0002920972450000161
将此作为基本控制目标，其他年龄和有无并发症的患者在这一基本控制目标上进行增加，具体方式见表2，例如(+10)表示将
Figure BDA0002920972450000162
里所有元素加10确定为对应患者的餐后血糖控制目标，即相当于表2中年龄≤40且有并发症的患者的控制目标8-10。本发明引入不对称代价函数设计，设计Q+＝diag{0.01,0.01,…,0.02,0.02}和Q-＝Q++diag{0.001*exp[(Pr-P)0.5]}，采用指数型变化的惩罚系数，可在预测血糖远低于餐后血糖目标值时，惩罚急剧增大，使得优化算法推荐保守有效的剂量，保证安全性。同时惩罚项系数R可用于调整对上次剂量的信任度，当上次餐后血糖控制效果较好时，可增大系数R，使得优化算法偏向于选择上次剂量附近的剂量，本实施例中固定为R＝10。最后在确定代价函数的形式和参数后，可以利用相应的优化算法确定u，例如贝叶斯优化和蒙特卡洛法进行求解。
下面介绍模型预测评估方法：
利用步骤(1)中建立的预测模型，根据本次餐前两小时血糖监测数据和上次胰岛素剂量得到餐后两小时血糖预测轨迹，记为Pe。将上次剂量增加2U，其他保持不变重新预测餐后血糖轨迹，记为
Figure BDA0002920972450000163
同理将上次剂量减少2U，重新预测餐后血糖轨迹，记为
Figure BDA0002920972450000164
取三条轨迹的均值进行比较，若
Figure BDA0002920972450000165
均值比Pe小，同时
Figure BDA0002920972450000166
的均值比Pe大，则认为预测模型的可信度高，系统推荐由风险敏感控制模块确定的剂量，否则推荐专家经验辅助模块确定的剂量，并指导个体化模型自学习模块收集本次样本数据用于模型更新。
表2不同年龄和并发症患者餐后两小时的血糖控制目标
Figure BDA0002920972450000171
下面介绍专家经验辅助方法：
基于医生决策经验，利用上次相同餐型用餐时刻的血糖管理数据，包括餐前胰岛素剂量，餐前和餐后血糖监测数据，同时根据本次餐前血糖监测数据，计算相关评估指标，查表1中的逻辑规则确定本次餐前胰岛素剂量u。本发明中，确定表1中年龄≤40和无并发症患者的餐后血糖控制水平评估阈值Gh＝130和Gl＝75，血糖均值的增量ΔG＝30。上升(下降)趋势利用餐前45分钟的血糖监测值进行判断。与自适应调整Pr类似，以上述确定的Gh和Gl为基础值，根据患者的年龄和有无并发症，查表2自适应调整Gh和Gl，例如(+10)代表将Gh和Gl基础值加10作为对应患者的餐后血糖控制水平评估阈值。
下面介绍体内残余活性胰岛素约束项uIOB的获取方法：
施加体内残余活性胰岛素(IOB)约束，可有效防止过量输注胰岛素。本系统主要计算餐前大剂量输注后，体内残余活性胰岛素的变化。餐时大剂量的IOB计算可参考文献[1](Gondhalekar R,Dassau E,Doyle III F.J.Velocity-weighting&velocity-penalty MPCof an artificial pancreas:Improved safety&performance[J].Automatica,2018,91:105-117)中的方法。最后餐前胰岛素剂量确定为ub＝u-λuIOB，λ为某一正值常数，根据每位患者个体化确定。
最后，本发明利用糖尿病患者在医院采用MDI治疗方法的临床数据，验证系统决策性能。由于患者住院时间普遍在一星期左右，且在住院期间饮食规律，就餐时间和就餐量基本不变，因此本发明利用三天的血糖监测数据和相应的医生餐时决策剂量分别训练得到无需膳食信息的早餐后血糖预测模型和午晚餐后血糖预测模型，并根据步骤一到五利用紧接着的四天临床数据验证系统性能。某一次餐前模型预测评估如图3所示，四天的验证比较结果如图4所示，从图4可以看出，医生推荐的剂量导致了多次餐后低血糖事件的发生，而所提出的系统能在样本下做出合理决策，同时不断进行模型自学习。考虑到餐前血糖水平普遍偏低，系统比较注重安全性，决策的剂量比较保守，将有助于减少后续低血糖事件的发生，改善餐后血糖管理。
当然，本发明还可有其他多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当然可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (10)

1.一种专家经验辅助的餐前胰岛素剂量学习优化决策系统，其特征在于，包括个体化模型自学习模块、风险敏感控制模块、模型预测评估模块、专家经验辅助模块以及安全约束模块；
所述个体化模型自学习模块采用高斯过程学习糖尿病患者的血糖代谢规律，得到餐后血糖预测模型；
所述风险敏感控制模块用于根据上一次相同餐型用餐时刻对应的餐前胰岛素剂量的实际值upre与所述餐后血糖预测模型输出的餐后血糖预测值构建代价函数
Figure FDA0002920972440000011
再结合贝叶斯优化算法和蒙特卡洛法求解所述代价函数
Figure FDA0002920972440000012
得到本次用餐时刻对应的餐前胰岛素剂量的理论值u：
Figure FDA0002920972440000013
subject to 0≤u≤20
其中，γ为设定的个体化风险敏感系数，P为餐后血糖预测模型输出的餐后血糖预测值构成的向量，其中，餐后血糖预测值为服从高斯分布的随机变量，Pr为设定的餐后血糖参考值构成的向量，Q+为正向惩罚矩阵，Q-为反向惩罚矩阵，T为转置，
Figure FDA0002920972440000014
表示期望，
Figure FDA0002920972440000015
Figure FDA0002920972440000016
其中，
Figure FDA0002920972440000017
为示性函数，R为设定的惩罚项系数；
所述模型预测评估模块用于判断本次用餐时刻对应的餐前胰岛素剂量理论值u是否可信，若可信，则将餐前胰岛素剂量的理论值u作为本次用餐时刻对应的餐前胰岛素剂量的备选值u#，若不可信，则采用专家经验辅助模块确定本次用餐时刻对应的餐前胰岛素剂量的备选值u#；
所述安全约束模块用于判断本次用餐时刻对应的餐前胰岛素剂量的备选值u#是否落入设定范围，若为是，则对餐前胰岛素剂量的备选值u#进行修正；若为否且餐前胰岛素剂量的备选值u#超过设定范围的上限值时，备选值u#取设定范围的上限值并对其进行修正，若为否且餐前胰岛素剂量的备选值u#低于设定范围的下限值时，备选值u#取设定范围的下限值并对其进行修正；最后，将得到的修正结果作为本次用餐时刻对应的的餐前胰岛素剂量的实际值ub。
2.如权利要求1所述的一种专家经验辅助的餐前胰岛素剂量学习优化决策系统，其特征在于，所述餐后血糖参考值构成的向量Pr根据患者年龄和患者有无并发症设定，其中，患者的年龄越大，向量Pr中各餐后血糖参考值的平均值越大，同时，患者具有并发症时对应的向量Pr中各餐后血糖参考值的平均值大于没有并发症时对应的向量Pr中各餐后血糖参考值的平均值。
3.如权利要求1所述的一种专家经验辅助的餐前胰岛素剂量学习优化决策系统，其特征在于，假设餐后血糖参考值构成的向量Pr由餐后两小时内8个血糖点的预测值构成；同时，根据临床观察设定一个常值基本矢量
Figure FDA0002920972440000021
当患者年龄age≤40且无并发症时，
Figure FDA0002920972440000022
当患者年龄age≤40且有并发症时，
Figure FDA0002920972440000023
当患者年龄为40<age≤60且无并发症时，
Figure FDA0002920972440000024
当患者年龄为40<age≤60且有并发症时，
Figure FDA0002920972440000025
当患者年龄为60<age<75且无并发症时，
Figure FDA0002920972440000026
当患者年龄为60<age<75且有并发症时，
Figure FDA0002920972440000027
当患者年龄为75≤age且无并发症时，
Figure FDA0002920972440000028
当患者年龄为75≤age且有并发症时，
Figure FDA0002920972440000029
4.如权利要求1所述的一种专家经验辅助的餐前胰岛素剂量学习优化决策系统，其特征在于，上一次用餐时刻对应的餐前胰岛素剂量的实际值upre使餐后两小时的血糖值与期望血糖值越接近，惩罚项系数R越大。
5.如权利要求1所述的一种专家经验辅助的餐前胰岛素剂量学习优化决策系统，其特征在于，所述模型预测评估模块判断本次用餐时刻对应的餐前胰岛素剂量理论值u是否可信的方法为：
基于本次餐前血糖水平，将餐前胰岛素剂量理论值u、u+Δu以及u-Δu输入所述餐后血糖预测模型，得到对应的餐后血糖预测值，其中，Δu为设定的扰动值；
根据餐后血糖预测模型得到的三个餐后血糖预测值判断餐前胰岛素剂量理论值u是否可信，其中，若u+Δu对应的餐后血糖预测值小于餐前胰岛素剂量理论值u对应的餐后血糖预测值，同时u-Δu对应的餐后血糖预测值大于餐前胰岛素剂量理论值u对应的餐后血糖预测值，则餐前胰岛素剂量理论值u可信。
6.如权利要求1所述的一种专家经验辅助的餐前胰岛素剂量学习优化决策系统，其特征在于，所述专家经验辅助模块确定本次用餐时刻对应的胰岛素剂量备选值u#的方法具体为：
根据上一次相同餐型用餐时刻对应的餐前胰岛素剂量的实际值upre、本次用餐餐前半小时的血糖监测平均值
Figure FDA0002920972440000031
与前一天相同餐型的餐前半小时的血糖监测平均值
Figure FDA0002920972440000032
之间的大小、本次用餐餐前血糖水平的变化趋势、前一天相同餐型的餐后到其下一餐之间的血糖最小值
Figure FDA0002920972440000033
与血糖上限阈值Gh、血糖下限阈Gl值之间的大小来确定本次用餐时刻对应的餐前胰岛素剂量的备选值u#，其中，所述餐型包括早餐、午餐以及晚餐。
7.如权利要求6所述的一种专家经验辅助的餐前胰岛素剂量学习优化决策系统，其特征在于，所述专家经验辅助模块确定本次用餐时刻对应的胰岛素剂量备选值u#的方法具体为：
当
Figure FDA0002920972440000041
且本次用餐餐前血糖水平的变化趋势为上升趋势时，若
Figure FDA0002920972440000042
则u#＝upre+2，若
Figure FDA0002920972440000043
则u#＝upre+1.5，若
Figure FDA0002920972440000044
则u#＝upre，其中，ΔG为设定的血糖增量均值；
当
Figure FDA0002920972440000045
且本次用餐餐前血糖水平的变化趋势为下降趋势时，若
Figure FDA0002920972440000046
则u#＝upre+1.5，若
Figure FDA0002920972440000047
则u#＝upre+1，若
Figure FDA0002920972440000048
则u#＝upre-0.5；
当
Figure FDA0002920972440000049
且本次用餐餐前血糖水平的变化趋势为上升趋势时，若
Figure FDA00029209724400000410
则u#＝upre+1，若
Figure FDA00029209724400000411
则u#＝upre+0.5，若
Figure FDA00029209724400000412
则u#＝upre-1；
当
Figure FDA00029209724400000413
且本次用餐餐前血糖水平的变化趋势为下降趋势时，若
Figure FDA00029209724400000414
则u#＝upre+0.5，若
Figure FDA00029209724400000415
则u#＝upre，若
Figure FDA00029209724400000416
则u#＝upre-1；
当
Figure FDA00029209724400000417
且本次用餐餐前血糖水平的变化趋势为上升趋势时，若
Figure FDA00029209724400000418
则u#＝upre，若
Figure FDA00029209724400000419
则u#＝upre-0.5，若
Figure FDA00029209724400000420
则u#＝upre-1.5；
当
Figure FDA00029209724400000421
且本次用餐餐前血糖水平的变化趋势为下降趋势时，若
Figure FDA00029209724400000422
则u#＝upre-0.5，若
Figure FDA00029209724400000423
则u#＝upre-1，若
Figure FDA00029209724400000424
则u#＝upre-2。
8.如权利要求1所述的一种专家经验辅助的餐前胰岛素剂量学习优化决策系统，其特征在于，所述安全约束模块用于判断本次用餐时刻对应的餐前胰岛素剂量的备选值u#是否落入设定范围的计算公式如下：
upre-2≤u#≤upre+2
其中，upre+2为上限值，upre-2为下限值。
9.如权利要求1所述的一种专家经验辅助的餐前胰岛素剂量学习优化决策系统，其特征在于，所述安全约束模块对餐前胰岛素剂量的备选值u#、设定范围的上限值以及设定范围的下限值的修正方法为：
ub＝u*-λuIOB
其中，u*为餐前胰岛素剂量的备选值u#、设定范围的上限值或设定范围的下限值，uIOB为设定的体内残余活性胰岛素约束项，λ为设定常数。
10.如权利要求1所述的一种专家经验辅助的餐前胰岛素剂量学习优化决策系统，其特征在于，若上一次用餐时刻对应的餐前胰岛素剂量的备选值u#由专家经验辅助模块确定，则将上一次用餐餐前两小时内每隔设定时间t采样得到的血糖值、餐后两小时内每隔设定时间t采样得到的血糖值以及餐前胰岛素剂量注射的实际值upre作为一个新的训练样本加入训练集中，个体化模型自学习模块再基于更新后的训练集，采用高斯过程重新学习糖尿病患者的血糖代谢规律，以更新餐后血糖预测模型，并采用更新后的餐后血糖预测模型预测本次用餐时刻对应的餐后血糖预测值。
CN202110117772.3A 2021-01-28 2021-01-28 一种专家经验辅助的餐前胰岛素剂量学习优化决策系统 Active CN112927802B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110117772.3A CN112927802B (zh) 2021-01-28 2021-01-28 一种专家经验辅助的餐前胰岛素剂量学习优化决策系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110117772.3A CN112927802B (zh) 2021-01-28 2021-01-28 一种专家经验辅助的餐前胰岛素剂量学习优化决策系统

Publications (2)

Publication Number Publication Date
CN112927802A true CN112927802A (zh) 2021-06-08
CN112927802B CN112927802B (zh) 2022-07-19

Family

ID=76169159

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110117772.3A Active CN112927802B (zh) 2021-01-28 2021-01-28 一种专家经验辅助的餐前胰岛素剂量学习优化决策系统

Country Status (1)

Country Link
CN (1) CN112927802B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113628755A (zh) * 2021-08-20 2021-11-09 东南大学附属中大医院 患者的血糖控制方法、装置、设备以及存储介质
CN114464291A (zh) * 2021-12-22 2022-05-10 北京理工大学 一种基于贝叶斯优化的mdi剂量建议系统
CN114613509A (zh) * 2022-04-21 2022-06-10 北京理工大学 基于贝叶斯优化的人工胰腺长期适应的个体化学习系统
CN115662617A (zh) * 2022-10-24 2023-01-31 重庆联芯致康生物科技有限公司 基于cgm的结果病情预测系统及其预测方法
WO2023070250A1 (en) * 2021-10-25 2023-05-04 Medtrum Technologies Inc. Closed-loop artificial pancreas insulin infusion personalized control system

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2860796A1 (en) * 2014-01-09 2015-07-09 Caren Frances THOMSON Method, system and apparatus for calculating the insulin-to-carbohydrate ratio for diabetics
US20160342754A1 (en) * 2015-05-18 2016-11-24 Dexcom, Inc. Individualized multiple-day simulation model of type 1 diabetic patient decision-making for developing, testing and optimizing insulin therapies driven by glucose sensors
CN107851224A (zh) * 2015-06-28 2018-03-27 加利福尼亚大学董事会 用于1型糖尿病应用的人工胰腺的速度‑加权模型预测控制
CN110289094A (zh) * 2019-05-31 2019-09-27 东北大学 一种基于专家规则的胰岛素精准给药决策方法
CN112133439A (zh) * 2020-09-07 2020-12-25 北京理工大学 一种基于高斯过程的餐前胰岛素剂量个体化决策系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2860796A1 (en) * 2014-01-09 2015-07-09 Caren Frances THOMSON Method, system and apparatus for calculating the insulin-to-carbohydrate ratio for diabetics
US20160342754A1 (en) * 2015-05-18 2016-11-24 Dexcom, Inc. Individualized multiple-day simulation model of type 1 diabetic patient decision-making for developing, testing and optimizing insulin therapies driven by glucose sensors
CN107851224A (zh) * 2015-06-28 2018-03-27 加利福尼亚大学董事会 用于1型糖尿病应用的人工胰腺的速度‑加权模型预测控制
CN110289094A (zh) * 2019-05-31 2019-09-27 东北大学 一种基于专家规则的胰岛素精准给药决策方法
CN112133439A (zh) * 2020-09-07 2020-12-25 北京理工大学 一种基于高斯过程的餐前胰岛素剂量个体化决策系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吴玉文: "餐前不同时间间隔注射预混人胰岛素对2型糖尿病患者血糖水平影响的多中心开放性对照研究", 《糖尿病新世界》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113628755A (zh) * 2021-08-20 2021-11-09 东南大学附属中大医院 患者的血糖控制方法、装置、设备以及存储介质
CN113628755B (zh) * 2021-08-20 2024-03-12 东南大学附属中大医院 患者的血糖控制方法、装置、设备以及存储介质
WO2023070250A1 (en) * 2021-10-25 2023-05-04 Medtrum Technologies Inc. Closed-loop artificial pancreas insulin infusion personalized control system
CN114464291A (zh) * 2021-12-22 2022-05-10 北京理工大学 一种基于贝叶斯优化的mdi剂量建议系统
CN114613509A (zh) * 2022-04-21 2022-06-10 北京理工大学 基于贝叶斯优化的人工胰腺长期适应的个体化学习系统
CN114613509B (zh) * 2022-04-21 2022-11-08 北京理工大学 基于贝叶斯优化的人工胰腺长期适应的个体化学习系统
CN115662617A (zh) * 2022-10-24 2023-01-31 重庆联芯致康生物科技有限公司 基于cgm的结果病情预测系统及其预测方法

Also Published As

Publication number Publication date
CN112927802B (zh) 2022-07-19

Similar Documents

Publication Publication Date Title
CN112927802B (zh) 一种专家经验辅助的餐前胰岛素剂量学习优化决策系统
Breton et al. Continuous glucose monitoring and insulin informed advisory system with automated titration and dosing of insulin reduces glucose variability in type 1 diabetes mellitus
Turksoy et al. Multivariable adaptive closed-loop control of an artificial pancreas without meal and activity announcement
Kovatchev et al. Quantifying temporal glucose variability in diabetes via continuous glucose monitoring: mathematical methods and clinical application
US20200060624A1 (en) Method and system for automatic monitoring of diabetes related treatment
CN112133439B (zh) 一种基于高斯过程的餐前胰岛素剂量个体化决策系统
Castañeda et al. Predictors of time in target glucose range in real‐world users of the MiniMed 780G system
US8690820B2 (en) Automatic insulin pumps using recursive multivariable models and adaptive control algorithms
Percival et al. Development of a multi-parametric model predictive control algorithm for insulin delivery in type 1 diabetes mellitus using clinical parameters
JP4289869B2 (ja) 糖尿病診断支援システム
US20120245556A1 (en) System, Method and Computer Program Product For Adjustment of Insulin Delivery in Diabetes Using Nominal Open-Loop Profiles
JP7019127B2 (ja) 強化学習に基づくインスリンの評価
CN110289094B (zh) 一种基于专家规则的胰岛素精准给药决策方法
WO2021158796A1 (en) Forecasting and explaining user health metrics
Chen et al. Committed moving horizon estimation for meal detection and estimation in type 1 diabetes
Takahashi et al. A survey of insulin-dependent diabetes—part II: control methods
Elbarbary et al. Glycemic control during Ramadan fasting in adolescents and young adults with type 1 diabetes on MiniMed™ 780g advanced hybrid closed‑loop system: a randomized controlled trial
KR102527404B1 (ko) 인슐린 투여량 조절 방법
Reiterer et al. Advanced carbohydrate counting: an engineering perspective
Sun et al. Adaptive personalized prior-knowledge-informed model predictive control for type 1 diabetes
Zhang A mathematical model for predicting glucose levels in critically-ill patients: the PIGnOLI model
Sevil et al. Automated insulin delivery systems for people with type 1 diabetes
Goode et al. A practical cyber-physical system for the self-capture of the effect of exercise on blood glucose levels
Reiter et al. A probabilistic framework for blood glucose control in diabetes
CN114613509B (zh) 基于贝叶斯优化的人工胰腺长期适应的个体化学习系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant