CN112955968A - 用于提高分配数据集的数据质量的系统 - Google Patents

Abstract

一种用于提高药物剂量分配数据集的数据质量以自动提供反映实际注射剂量的分配数据的方法。针对给定的分配会话，所述方法包括以下步骤：根据模式规则的集合创建可能的分配模式的列表，然后针对所述列表中的每个模式计算权重，从而允许确定获胜模式。每个分配模式是预注事件和注射事件的特定顺序，其中每个分配模式是对当前会话中的分配事件的可能解释。对于每个模式，计算作为所述模式中每个分配的权重因子的乘积的组合的模式权重，其中每个权重因子根据给定的分配类型和分配大小的权重因子与分配大小函数来确定，其中所述分配大小越大，表示注射事件的可能性就越大，并且表示预注事件的可能性就越小。

Description

用于提高分配数据集的数据质量的系统

本发明涉及一种用于提高药物剂量分配数据集的数据质量以便提供反映实际注射剂量的可靠的自动分配数据的系统和方法。

背景技术

已经提出了决策支持系统(DSS)，参见例如PCT/EP2019/067000，其被设计为帮助患者滴定达最优胰岛素剂量。获得可靠的DSS的基本要求是，在历史注射胰岛素量方面具有良好的数据质量。已经提供了适于自动创建排出剂量的日志的药物递送装置及其附加装置，然而，并非所有捕获的分配在临床上都是相关的，因此，期望为基于笔的基础和推注治疗提供数据过滤解决方案，其使得能够从非注射胰岛素剂量中过滤注射胰岛素剂量。

过去也已解决此问题。例如，WO 2016/007935公开了一种智能药品管理系统，其包括与患者的智能手机通信的注射装置，其中该注射装置能够检测并记录所分配的(例如，预注或注射给患者的)剂量大小，并区分预注剂量和治疗剂量。在注射治疗物或治疗剂量之前，患者可能需要分配预注物或预注剂量。例如，在某些使用情况下，患者将更换其针并递送旨在清除新针空气的预注剂量。例如，在某些情况下，即使未更换针，也会递送预注剂量。例如，在某些情况下，即使更换了针，也不会递送预注剂量。有必要的是，能够确定哪些剂量是预注剂量，并且哪些剂量是治疗剂量，其中与剂量类型的确定相关联的数据应被包括在剂量计算(例如“机上胰岛素”计算)和治疗分析中。

典型地，在递送预注剂量时，随后是治疗剂量。例如，在智能药品管理系统的一些实施方式中，智能手机的软件应用程序可以包括剂量区分器或标识模块，以处理剂量分配数据，并且确定和区分从笔装置分配的预注剂量和治疗剂量。

例如，在智能药品管理系统的一些实施方式中，笔装置上的数据处理单元可以包括剂量区分器模块，以处理剂量分配数据，并且确定和区分从笔装置分配的预注剂量和治疗剂量。

在一些实施方案中，剂量区分器模块被配置成实施剂量分类方法，以将与所分配的药品剂量相关联的数据分组，并且将组中所分配的剂量分类为预注剂量或注射(例如，治疗)剂量，使得对于在时间上紧密接近而发生的任何一组剂量来说，仅将最后的剂量记录为治疗剂量。时间上紧密接近是预确定的时间阈值，例如，可以将其定义为10秒、30秒、1分钟、2分钟、5分钟或10分钟或其他。

在胰岛素要求量低的患者中，将剂量标识为预注是很重要的。例如，在儿童中，典型的预注剂量可以是2个单位，而典型的治疗剂量可以是0.5或1个单位。在这种情况下，如果用户要在追踪中包括所有分配的胰岛素(而不是仅包括治疗胰岛素)，则治疗追踪将是错误的，就像任何机上胰岛素计算或未来剂量推荐一样。

这是一个示例，表明不能仅基于大小来区分预注剂量。在上面给出的示例中，治疗剂量比预注剂量小得多，但是对于成年人或2型患者，治疗剂量可能比预注剂量大得多。

例如，在某些情况下，用户可能会预注其装置而没有递送治疗剂量。为了防止剂量区分器模块不正确地将剂量标识为治疗剂量，在这种情况下，该系统可以包括附加机制，该附加机制可以用来快速地将剂量标识为“预注”或“治疗”。在该附加剂量标识机制的一个示例中，适当时，用户验证输入可以被包括在智能手机的软件应用程序中，以允许患者标识所记录的剂量是预注剂量或治疗剂量之一，这然后将允许这样的剂量被包括在任何治疗分析和机上胰岛素计算中。该用户验证输入机构可以包括：单选按钮、拨动开关、和/或用户接口的图形(从而允许轻敲剂量)、滑块或其他机构。

在一些实施方案中，例如，剂量区分器模块可以被配置成包括示例性剂量分类方法的一个或多个附加过程或例外，以将在时间上紧密接近而发生的一组剂量中的最后的剂量分组和分类为治疗剂量。在示例中，可以实施剂量分类方法，使得在更换药筒之后，如果仅存在单个剂量，则将其指定为预注剂量而不是治疗剂量。在另一示例中，可以实施剂量分类方法，使得当第一剂量(或中间剂量)大于预确定的剂量阈值时，该剂量被认为是治疗物。例如，任何被确定为大于2个、5个、10个单位或其他大小的剂量都可以被视为治疗物，无论其在剂量顺序中的位置如何。

本公开系统的从治疗剂量确定预注剂量的剂量区分器模块可以包括在笔装置上的用于预注配量的单独的配量旋钮。示例性的单独的配量旋钮可以被构造成致动剂量千斤顶而不致动剂量编码器。在这些实施方案中，例如，当用户旋转单独的剂量旋钮时，药品被注射但是编码器不对剂量进行计数。

本公开技术的从治疗剂量确定预注剂量的剂量区分器模块可以包括用于剂量区分的附加或替代方法。在一个示例中，一种确定分配剂量是否是预注物的方法包括：在注射时感测笔装置是否与身体接触。这可以通过若干种方式中的任何一种来完成。在一个非限制性示例中，笔装置10可以包括压力传感器，该压力传感器耦合到针组件或笔装置10的主体的尖端或端部，以确定在注射时是否已经在针组件或装置的尖端施加了力。在一个非限制性示例中，笔装置可以包括装配在该装置的端部附近的电容传感器，该电容传感器将感测与身体的接近度。在这些示例性情况中的任一种情况下，感测压力或接近度将导致剂量被认为是治疗性的而不是预注物。

确定预注剂量与治疗剂量的剂量分类方法可以包括：检测递送剂量的速度。例如，可以以比非预注剂量快的速率递送预注剂量。笔装置的编码器机构可以被配置成记录剂量的速度，例如，其中速度数据被传递到智能手机以进行处理。然后可以将该速度与预确定的剂量速率阈值进行比较，以确定该剂量是否是预注物。例如，编码器机构可以检测速度，其中阈值将取决于齿轮比、和每转编码器计数和/或其他因子。可以确定引起超过每秒脉冲阈值的平均剂量速度的剂量是预注剂量。可以通过要求用户递送一系列预注剂量和治疗剂量并且比较每个剂量的平均剂量速度来确定该剂量速率阈值。如果每种剂量类型的剂量速度范围中几乎没有重叠，则剂量速度是剂量类型的良好指示。在一些实施方式中，例如，剂量区分器模块除了在时间接近度的预确定量内的剂量分配分组之外，还可以利用检测到的剂量速度来从预注剂量中标识治疗剂量。例如，在一些实施方式中，剂量区分器模块可以利用检测到的剂量速度，而无需考虑剂量分配分组中的剂量顺序。

在一些实施方式中，用于确定预注剂量与治疗剂量的剂量分类方法可以涉及笔装置，该笔装置包括围绕针组件的针的全部或一部分的护罩组件以及在护罩组件中的传感器。在实施方式中，当将针注入患者体内时，护罩会接触皮肤并向后滑动，从而触发传感器检测并指示实际的治疗剂量。如果护罩未向后移动，则指示笔被保持在空中，并且剂量会被认为是预注物。另选地，代替护罩，传感器可以被构造在包括与皮肤接触并类似地起作用的小按钮或杠杆的组件中。

在一些实施方式中，用于确定预注剂量与治疗剂量的剂量分类方法可以涉及笔装置，该笔装置包括内部加速度计、陀螺仪或其他速率传感器，以检测笔装置的移动数据，该移动数据被传递至智能手机以分析移动数据。例如，如果笔在剂量被分配之前感测到向内运动并且在剂量被分配之后感测到向外运动，则智能手机会指示笔已经被注入患者体内，从而将所分配的剂量标识为治疗剂量，然而，如果没有这些运动，则会指示笔已被保持在空中。

例如，在剂量区分模块的一些实施方案中，该模块可以包括“表决”方法以确定剂量是否是预注剂量。在表决方法的说明性示例中，剂量区分模块可以针对特定的配量顺序并行实施剂量分类方法的多个实施方案，例如示例性剂量分组过程(例如，将以预确定的时间接近度分配的一系列剂量的最后分配的剂量标识为治疗剂量)、示例性剂量速度检测过程、示例性移动数据检测过程等。如果在特定的配量或配量顺序之后，用于剂量区分的示例性方法中的一定程度上的大多数指示所分配的剂量是预注剂量，而少数方法表示其不是预注剂量，则表决方法将确定在这种情况下的剂量将被标识为预注剂量。

考虑到上述情况，本发明的目的是提供适于提高药物剂量分配数据集的数据质量的系统、方法和装置，以便可靠且经济地提供反映实际注射剂量的自动分配数据。

可以在DSS中使用改进的数据，以便更好、更快和更精确地为患者提供剂量指导，例如，在适于为受试者提供胰岛素调整日剂量推荐(滴定)以治疗糖尿病的系统中。另选地，根据本发明的系统可以辅助患者保持电子剂量日志(例如，由在智能手机上运行并从所连接的药物递送装置接收数据的剂量记录应用程序提供)，其中剂量事件被自动标记为注射的或非注射的量，这为患者消除了这项工作的负担和复杂性，并提供了可靠的剂量数据，以帮助医护人员和患者共同努力来提供更好的依从性。对于此类应用，可以将DSS和剂量记录应用程序视为本发明提供的服务的客户端。

发明内容

在本发明的公开内容中，将描述多个实施方案和方面，它们将解决上述目标中的一个或多个，或者将解决从下面的公开内容以及从示例性实施方案的描述将显而易见的目标。

因此，在本发明的第一方面，提供了一种用于提高查询分配数据集的数据质量的计算系统。所述系统包括：一个或多个处理器；和存储器，在所述存储器中存储有指令，所述指令在由所述一个或多个处理器执行时执行响应于从客户端接收到用于提高分配数据质量的查询请求的方法。所述方法包括以下步骤：(a)获得查询分配数据集，所述查询分配数据集包括在时间过程中创建的多个分配记录，每个相应的分配记录表示分配事件，所述分配事件包括：(i)药剂的分配量，其中所述分配量是预注量[p]或注射量[i]中的一个，每个量对应于一定大小，(ii)对应的分配时间戳，以及另外的步骤：(b)将所述查询分配数据集分割成一个或多个当前会话，每个当前会话包括根据聚类标准的集合在时间上聚类的一系列分配事件。对于每个当前会话，所述方法包括以下步骤：(c)根据模式规则的集合创建可能的分配模式的列表，其中分配模式是一系列分配量，所述分配量是预注量或注射量，(d)对于每个模式，计算组合模式权重，所述组合模式权重是所述模式中每个分配的权重因子的乘积，其中对于给定的分配类型和分配大小，每个权重因子是根据权重因子与分配大小函数确定的，其中所述分配大小越大，表示注射事件的可能性就越大，并且表示预注事件的可能性就越小，(e)将获胜模式标识为具有最高组合模式权重的模式，以及(f)将对应的分配事件存储在存储器中，所述对应的分配事件被标记为与所述获胜模式相对应的预注或注射事件。

当定义查询分配数据集被分割成一个或多个当前会话时，这包括分配数据集不允许任何会话被标识。此外，将查询分配数据集分割成会话包括以下情况：其中已经以已被分割的格式获得了数据集，然后可以使用要求保护的方法的规则再次接受或分割该数据集。

如所呈现的，所述方法是基于以下概念：根据模式规则的集合创建可能的分配模式的列表，然后为列表中的每个模式计算权重，从而允许确定获胜模式。更具体地，每个分配模式是预注事件和注射事件的特定顺序，其中每个分配模式是对当前会话中的分配事件的可能解释。所述计算是基于以下认识：所述分配大小越大，表示注射事件的可能性就越大，并且表示预注事件的可能性就越小。基于该权重因子与分配大小函数，可以为每个模式中的每个预注量[p]和每个注射量[i]创建函数。

如本领域技术人员所清楚的那样，可以以多种方式并根据数据处理系统的常规设计程序以及本说明书中提供的设计指南来完成设置实际规则和确定实际权重因子与分配大小函数。

通过以上步骤，提供了一种方法，该方法允许以高可靠性和灵活性来标记分配事件。可以将针对会话的估计的总注射量计算为获胜模式中所有注射量的总和。

这就是说，在示例性实施方案中，给定的事件或会话标签可以由用户来改变，然后该标签被系统接受以用于将来的计算。

为了进一步细化该方法的可靠性和精度，可以例如从先前查询请求中存储的数据获得历史分配数据集，该历史分配数据集包括在先前时间过程中创建的多个先前分配记录。

组合模式权重可以是以下组中的一个或多个附加因子的乘积，该组包括：基于历史分配数据的预注概率因子，预注差异因子(针对推注注射)，以及针对具有多于两个分配的会话的会话内分配间隔因子。当试图将预注物与推注药物患者中常见的小量注射进行区分时，通过应用预注差异因子，可以有助于降低权重模式，在所述降低权重模式中，预注分配的大小不一致，其基础在于预注剂量更可能具有恒定大小的实现。

在示例性实施方案中，所述方法包括针对每个当前会话的以下另外的步骤：基于历史分配数据为预期的总注射量分布生成平均值和方差值，以及比较最高和第二高的组合模式权重，并且如果所述模式权重在给定的彼此接近的范围内，则根据生成的分布将更新的获胜模式标识为具有最高概率的模式。实际上，如果有多于一个的接近候选者具有第二高的组合模式权重，则也应该比较这些权重。

通过结合使用历史数据并计算预期的总注射量分布的平均值和方差值，所述方法能够在下述情况下更可靠地标识获胜模式：其中两个(或更多个)模式权重处于给定的彼此接近的范围内。

为了进一步提高可靠性和精度，所述方法可以包括针对每个当前会话的以下另外的步骤：计算所述预期的总注射量值所基于的所述历史分配数据的历史权重。所述历史权重可以基于相关性标准，所述相关性标准包括以下各项中的一项或多项：数据龄期，一天中的时间相似度，以及会话间间隙相似度。

换句话说，先前数据值与当前数据值越相似，它们提供给计算的权重就越大。因此，除非历史权重达到给定的最小阈值，否则不生成预期的总注射量值。

为了进一步提高可靠性和精度，所述方法可以包括针对每个当前会话的以下另外的步骤：基于来自置信度值的组中的一个或多个置信度度量确定组合的置信度值，所述置信度值的组包括：以所述最高组合模式权重的值为基础的数据置信度值(即，值越高，置信度就越高)；以估计的总注射量与预期的总注射量之间的差为基础的预期量置信度值(如果计算的话)；根据如有生成的所生成的分布以所述最高和第二高的组合模式权重的概率接近度为基础的歧义置信度值(即，当两个模式几乎相等地可能时，则歧义置信度低)；以及以所述获胜模式的预注行为之间的一致性为基础的预注置信度值(即，用户在过去预注得越多，假设的预注事件的置信度就越高)。可以以不同的方式来计算组合的置信度值，例如作为所有值的平均值或作为单个最小值。当组合的置信度值高于给定阈值时，则可以将估计的总注射量计算为获胜模式中所有注射量的总和。然后可以将估计的总注射量提供给请求者，例如患者的个人记录或DSS用于进一步的计算。

另选地，可以结合组合的置信度值来提供估计的总注射量(与组合的置信度值的大小无关)，这允许患者或系统根据置信度水平来评估结果。

此外，当组合的置信度值高于当前会话的给定阈值时，可以如此标记该会话，从而预期的总注射量分布的平均值和方差值仅基于来自被标记的会话的历史分配数据，这提高了计算值的可靠性和精度。当未标记会话时，该系统可以提示用户标记会话，从而允许该会话用于将来的计算。

组合的模式权重可以是选自包括以下各项的组中的一个或多个另外的因子的乘积：基于历史分配数据的预注概率因子，预注差异因子，以及具有多于两个分配的会话的会话内分配间隔因子。

在示例性实施方案中，获得的分配记录包括用于将给定的分配事件标识为推注事件或基础事件的标识符，这允许该方法的规则和参数适用于以仅推注方案、仅基础方案、或推注和基础方案生成的分配数据。

可以通过时间参数的集合和时间测量值的集合来控制所述分割，其中所述一系列分配事件中的初始分配事件启动会话并将计时器清零，并且接下来的分配被自动地包括在该会话中，直至会话时间窗口过去，并且其中，之后的分配被包括在内，条件是以下表达式为真：(i)所述会话的任一侧的所得会话长度和所得会话间长度之间的比率小于会话长度比率，以及(ii)所述所得会话长度小于会话窗口最大值，其中所述会话中的所述一系列分配事件定义分配事件的集合，并且其中每个分配事件包括对应的分配大小，即分配的药剂的量，并且其中响应于所述表达式不再为真，启动新的会话。

在本发明的特定方面，提供了一种用于提高查询分配数据集的数据质量的计算系统。所述系统包括：一个或多个处理器；和存储器，所述存储器中存储有指令，所述指令在由所述一个或多个处理器执行时执行响应于接收到客户端请求以提高分配数据的分配数据质量的方法，所述方法包括以下步骤：

从受试者施加治疗方案所使用的一个或多个注射装置获得分配数据集，所述分配数据集包括在时间过程中取得的多个分配记录，所述多个分配记录中的每个相应分配记录包括：(i)相应分配事件，所述相应分配事件包括自动获得的由受试者使用所述一个或多个注射装置中的相应注射装置分配的药剂的量，其中所述分配事件是注射事件的预注事件之一，其中预注事件是准备注射事件的任何分配事件，并且注射事件是分配事件，其中假设所述药剂被注射到所述受试者体内；(ii)对应的在时间过程中自动获得的分配事件时间戳，所述时间戳在发生相应药剂分配事件时由所述相应注射装置自动生成，

将所述分配数据集分割成多个区段，其中每个区段包括会话，

其中每个相应会话包括按时间聚类的分配数据集的一系列分配事件，在此期间，用户打算执行一个或多个注射事件，并且其中所述一系列分配事件中的一个或多个分配事件可以被解释为注射事件，

对于当前会话：

获得(i)基于先前会话的预期剂量和对应方差，并通过设置时间权重，其中所述时间权重与一天中的时间、会话间时间和会话龄期的相似度有关，或者

获得(ii)指导剂量和基于剂量指导的对应方差，从而：

提供针对会话剂量的基于先前剂量的概率分布，

列出了允许的分配模式的集合，其中分配模式是预注事件和注射事件的特定顺序，并且由此，每个分配模式是对所述当前会话中的分配事件的解释，其与所分配的药剂的量一起可以提供会话注射剂量的估计值，

基于先前会话的预注概率或所述当前会话的所述分配事件的集合中的分配事件之间的会话内时间长度来计算模式权重，

基于分配大小来计算模式概率，其中所述分配大小越大，越可能是注射事件，并且越不可能是预注事件，

计算基于所述模式权重的组合模式概率和基于分配大小的模式概率，

基于所述分配大小列出可能的剂量，其中可能的剂量是一个或多个分配事件(假设是注射事件)的组合，

对于每个所述可能的剂量，标识所述一个或多个可能的模式以及对应的组合模式概率，并计算所述一个或多个对应的组合模式概率之和，以提供组合模式概率的总和，

对于每个所述可能的剂量，计算以组合模式概率的总和为基础的可能的剂量的组合概率，以及以概率分布为基础从先前剂量获得的对应剂量，

其中引起最大可能剂量组合概率的可能剂量是指定为最大似然剂量的最可能的会话剂量，其中每个会话的最可能的会话剂量的提供提高了分配数据集的质量并实现了可靠的自动决策支持。

以这种方式，包括基于分配大小的模式概率的技术信息可以用于自动提高分配数据集的质量。可以将与模式概率有关的技术信息与不同的模式权重组合，之后将所述技术信息转换为会话剂量概率，该会话剂量概率可以与会话剂量的先验概率分布组合。分配数据集的提高的数据质量——包括剂量会话的最大似然估计——可以用作决策支持系统的另外的步骤中的输入，其中质量提高的数据集提供了与基于非提高型分配数据的输出相比提高的决策支持系统的最终数据输出的质量。

可以通过时间参数的集合和时间度量值的集合来控制所述分割，其中所述一系列分配事件中的初始分配事件启动会话并将计时器清零，并且接下来的分配被自动地包括在该会话中，直至会话时间窗口过去，并且其中，之后的分配被包括在内，条件是以下表达式为真：(i)所述会话的任一侧的所得会话长度和所得会话间长度之间的比率小于会话长度比率，以及(ii)所述所得会话长度小于会话窗口最大值，

其中所述会话中的所述一系列分配事件定义分配事件的集合，并且其中每个分配事件包括对应的分配大小，即分配的药剂的量，并且

其中响应于所述表达式不再为真，启动新的会话。

在另一方面，所述方法还包括：计算所述最大似然剂量的置信度得分的集合；评估所述最小置信度得分是否大于置信度阈值；以及响应于所述置信度评估为真而自动标记所述会话。

在另一方面，所述标记包括：向所述当前会话指派分配模式，其中所指派的分配模式是所述一个或多个分配模式中引起所述最大似然剂量的最有可能的分配模式。

在另一方面，所述方法还包括：响应于所述置信度评估为假，请求用户对用户确认未标记会话的标记步骤。

在另一方面，所述方法还包括：基于估计的最大似然剂量中的一个或多个自动提供推荐的剂量。

附图说明

将参考附图描述本发明的以下实施方案，其中

图1A示出了笔装置，

图1B示出了在移除了笔盖的情况下图1B的笔装置，

图1C和图1D示出了从药物递送装置收集剂量分配数据的附加装置的示意图，该药物递送装置也在附图中示出，

图2A至图2G共同示出了基于来自患者的基础研究数据集的基础会话来提高分配数据质量的方法的示例，

图3A至图3D共同示出了基于来自患者的推注研究数据集的推注会话来提高分配数据质量的方法的示例，

图4A示出了示例性算法的流程图，

图4B示出了每个对话不同分配的潜在模式，

图4C示出了权重因子与分配大小函数的示例，

图4D示出了不同会话模式的潜在剂量大小结果，

图5A示出了根据本公开的实施方案的示例性系统拓扑，该系统拓扑包括决策支持系统，该决策支持系统用于处理从数据收集装置收集的数据流；如图所示，数据收集装置可以从一个或多个注射装置收集数据，并且在一些实施方案中，它还可以从测量来自受试者的葡萄糖数据的一个或多个葡萄糖传感器收集血糖数据，由受试者根据治疗方案使用所述一个或多个注射装置以注射血糖调节药剂，其中上述组分可选地通过通信网络互连，

图5B示出了根据本公开的实施方案的决策支持系统，该决策支持系统包括处理器和存储器，其中该系统适于提高从一个或多个注射装置获得的分配数据的数据质量，

图5C示出了根据本公开的用于提高从数据收集装置获得的分配数据的数据质量的方法，其中具有提高的数据质量的数据被构造成供决策支持系统使用，

图6至图17总体上共同示出了提高分配数据质量的方法，其在图5C中示出，

图6和图7共同示出了在提高分配数据质量的方法中分割数据的步骤，其在图5C中示出，

图8A、图8B、图8C和图8D共同示出了基于先前会话的信息确定预期剂量的步骤，

图9A和图9B共同地示出了基于来自先前会话的时间数据获得剂量概率的步骤，

图10示出了基于分配数量和选择规则来获得允许的分配数据的步骤，

图11A和图11B共同示出了为允许模式设置模式权重的步骤，

图12A和图12B共同示出了基于分配大小来计算允许模式的模式概率的步骤，

图13示出了更新模式概率的另一步骤，

图14示出了将模式概率转换为剂量概率的另一步骤，

图15示出了基于来自先前会话的时间数据用剂量概率更新剂量概率的另一步骤，

图16示出了基于置信度度量来计算置信度得分的另一步骤，

图17示出了决定是否标记会话的另一步骤，

图18示出了包括多个分配会话的患者调查图，以及

图19A至图19K共同示出了基于来自图18的会话提高分配数据质量的方法的示例。

在附图中，类似的结构主要由类似的附图标记标识。

具体实施方式

当使用诸如“上”和“下”、“右”和“左”、“水平”和“竖直”或类似的相对表达的以下术语时，这些术语仅仅参考附图，而未必是实际的使用情境。所示附图是示意性表示，因此，不同结构的构造以及它们的相对尺寸仅用于说明的目的。当术语“构件”用于给定的部件时，它可以用于定义具有一个或多个功能的单一部件或部件的一部分。

在下面的详细描述中，阐述了更多具体的细节以便更透彻地理解本公开。然而，对于本领域的普通技术人员将显而易见的是，可以在没有这些具体细节的情况下实践本公开。在其他情况下，未详细描述众所周知的方法、过程、部件、电路和网络，以免不必要地模糊实施方案的各方面。

还应当理解，尽管在本文中可以使用术语第一、第二等来描述各种元素，但这些元素不应受到这些术语的限制。这些术语仅用于区分一个元素和另一个元素。例如，在不脱离本公开的范围的情况下，第一受试者可以被称为第二受试者，并且类似地，第二受试者可以被称为第一受试者。第一受试者和第二受试者都是受试者，但他们不是同一受试者。此外，术语“受试者”、“用户”和“患者”在本文中可互换使用。

如本文所用，术语“如果”可以被解释为意指“当……时”或“在……后”或“响应于确定”或“响应于检测”，这取决于上下文。类似地，短语“如果确定”或“如果检测到[陈述的条件或事件]”可以被解释为意指“在确定后”或“响应于确定”或“在检测到[陈述的条件或事件]后”或“响应于检测到[陈述的条件或事件]”，这取决于上下文。

在转向本发明本身的实施方案之前，将描述预填充药物递送装置的示例，这种装置为本发明的示例性实施方案提供了基础。尽管在图1至图3中示出的笔形药物递送装置100可以表示“通用”药物递送装置，但实际示出的装置是由丹麦

的NovoNordisk A/S制造和销售的

预填充药物递送笔。

笔装置100包括盖部分107和主体部分，该主体部分具有：近端主体或驱动组件部分，该近端主体或驱动组件部分具有壳体101，在该壳体中布置或集成有药物排出机构；以及远端药筒保持器部分，在该远端药筒保持器部分中，通过与远端部分附接的不可移除的药筒保持器，将具有远端针可穿透隔膜的药物填充透明药筒113布置并保持在适当位置，药筒保持器具有：开口，所述开口允许检查药筒的一部分；以及远端联接装置115，所述远端联接装置允许可释放地安装针组件。该药筒设置有由形成排出机构的一部分的活塞杆驱动的活塞，并且可以例如容纳胰岛素、GLP-1或生长激素制剂。具有多个轴向定向槽182的最近端可旋转剂量设置构件180用于手动设置显示窗102中显示的期望药物剂量，然后当按钮190被致动时可以将其排出。窗口的形式为壳体中的开口，其被斜切边缘部分109和剂量指示器109P包围，该窗口允许观察可螺旋旋转的指示器构件170(刻度鼓)的一部分。取决于在药物递送装置中体现的排出机构的类型，该排出机构可以包括如所示的实施方案中的弹簧，该弹簧在剂量设置期间张紧，然后在释放按钮被致动时释放以驱动活塞杆。另选地，排出机构可以是完全手动的，在这种情况下，剂量构件和致动按钮在剂量设置期间向近侧移动，与设置的剂量大小相对应，然后由用户向远侧移动以排出设置的剂量，例如，如由Novo NordiskA/S制造和销售的

尽管图1A和图1B示出了预填充类型的药物递送装置，即，其被供应有预安装的药筒，并且在药筒已经被排空时将被丢弃，但是在另选的实施方案中，药物递送装置可以被设计成允许替换装载的药筒，例如呈“后装式”药物递送装置的形式，其中药筒保持器适于从装置主体部分中被移除；或者呈“前装式”装置的形式，其中药筒通过与装置的主要部分不可移除地附接的药筒保持器中的远端开口插入。

图1C和图1D示出了预填充笔形药物递送装置200和与其适配的附加剂量记录装置300的组件的示意图。附加装置适于安装在笔装置壳体的近端部分上，并设有剂量设置和剂量释放装置380，所述剂量设置和剂量释放装置在安装状态下覆盖笔装置上的对应装置，如图1D所示。在示出的实施方案中，附加装置包括适于轴向安装且旋转地锁定在药物递送壳体上的联接部分385。附加装置包括可旋转的剂量设置构件380，其在剂量设置期间直接或间接地联接到笔剂量设置构件280，使得附加剂量设置构件沿任一方向的旋转运动被传递到笔剂量设置构件。为了减少剂量排出和剂量大小确定期间来自外部的影响，可以在剂量排出期间将外部附加剂量设置构件380与笔剂量设置构件280旋转地拆开。该附加装置还包括剂量释放构件390，该剂量释放构件可以向远端移动从而致动笔释放构件290。由用户握持并旋转的附加剂量设置构件390可以以旋转接合的方式直接附接到笔壳体。WO/2019/162235公开了示例性的附加剂量记录装置。具有集成剂量记录电路和无线通信的药物递送笔装置的一个示例是由Novo Nordisk A/S制造和销售的

6。

在给出为数据质量提高系统提供最初描述的功能的算法的一般性描述之前，将分别给出两个涵盖胰岛素分配的基础推注会话的演练示例。

实施例1：基础演练

基础演练涵盖了胰岛素基础研究数据集中(项目“Mustang”中)的用户#8511的七个会话。本演练以会话11结尾，因为它显示了该算法的几个重要特征。该实施例利用了先前数据以及置信度值和附加模式权重。

该实施例从会话5开始，因为会话1-4和相关的计算与会话5类似。此外，在示出的实施例中，未对应于ignoreFirstSessions参数标记会话1-4，参见下文。

会话5–图2A

该会话包括两个胰岛素剂量记录{2,30}。如左上角所示，该会话是在星期二的01:04(即晚上)记录的，持续了30秒。自前一会话以来的时间为23h42m，并且到下一会话的时间(在基础研究集中)为24h 31m。根据“模式枚举”的规则，只有两种可能的解释(模式)：pi和ii。通过“模式权重”子图中汇总的各种标准来评估这些可能性：

模式pi涉及预注，而ii不涉及。该用户倾向于预注(右上角文本框中的pProb＝0.76)，因此pi的预注权重因子>1，并且ii的预注权重因子<1(阴影向下条，primeProb)。

从分配大小来看，pi是比ii更可能的模式，因为2单位分配对于注射来说非常小，但恰好是我们期望预注的。基于大小的分析示出在底行的曲线中，该图绘制了权重因子与分配大小，气泡表示分配大小为2和30时这些曲线上的采样点。这些曲线的生成规则取决于几个可配置的参数，下面在示例性算法的描述中进行了详细说明。请注意，在ii的情况下，尽管2单位“候选注射”的得分仍然很低，但其曲线(虚线)的上升速度比30单位候选注射(实线)快得多。这是为了正确解释两次注射大小不同的分开的剂量。气泡的乘积(pi约为4，ii约为0.4)构成了基于大小的权重因子(圆形模式条，DispSize)。

差异权重因子(阴影向上条，Disparity)不用于基础胰岛素。会话内间隔分析(虚线条，DispItvl)用于基础胰岛素，但仅用于三个或多于三个的分配的会话。因此，总体模式权重(实线条，Overall)仅是大小权重和预注权重的乘积。

请注意，此会话没有预期剂量，如空的历史子图和总体图标题中的“exp--u”所示。没有预期剂量是因为没有足够的历史来计算一个：预期剂量是来自满足某些相似性标准的过去标记的会话的剂量的加权平均值，并且该算法将不会声明预期剂量，直至这些权重的总和达到某个最小阈值(可配置参数，在这种情况下为3.0)。这里的历史权重之和为0.0，因为之前没有标记的会话。

顶部带有深灰色条的图示出了此会话的剂量大小的最终概率(“后验分布”)。这只是模式权重，转换为剂量大小(pi将是30的剂量，而ii将是32的剂量)，并进行归一化，使其总和为一。如果此会话有预期剂量，则其将显示为以预期剂量为中心的高斯“先验分布”，其中基于预期剂量的方差估计值而产生方差，这将在深灰色条的顶部被绘制为虚线曲线。如果存在先前，则将其乘以归一化之前的模式权重结果。因为在这种情况下没有预期剂量，所以先前被视为均匀分布，并且因此对深灰色条(我们称其为后验)没有影响。

估计剂量为30个单位。该算法将正式标记会话，因为它在结果中的置信度大于置信度阈值(可配置参数，此处为70％)。置信度是四个度量的最小值，如深灰色条形图右侧的文本框所示。数据置信度(Data Confidence)是获胜模式(此处为pi)的总体合理性的测量，它等于获胜模式的绿色条，通过会话中分配的数量进行归一化。预期剂量置信度(Expected-Dose Confidence)取决于预期剂量和估计剂量之间的差(不适用于此会话，因为没有预期剂量)。如果该分布的最大值(即估计剂量(此处为30))的概率太接近其他剂量之一(此处为32)，则歧义置信度取决于后验分布中的峰的“峰值”，认为该歧义为高，并且歧义置信度会受到损害。预注置信度测量获胜模式中的预注行为与基于过去的行为计算的预注概率(此处为0.76)之间的一致性。所有四个度量都具有可配置的权重，并且在此模拟中，预注置信度已关闭，因此它将始终读数为100％。

会话6-图2B

会话分析与会话5几乎相同。请注意，预注概率正在上升(现在为0.81)，这使得模式权重中阴影向下的预注概率条比之前稍高(对于pi)和稍低(对于ii)。这使得整体模式权重稍更不同，从而引起后验分布中30个单位与32个单位之间的概率差异稍大。(请注意，歧义置信度为96％对会话5中的95％，并且数据得分也较高。)仍没有预期剂量，但历史开始累积(权重之和＝0.8)。

会话7至9–图2C至图2E

这些会话延续了会话6的趋势。用户的行为完全相同，因此到会话9时，预注概率已升至0.89，并且历史权重已达到2.9——几乎是预期剂量所需的3.0。随着接近饱和水平，置信度也在上升，但较缓慢。

历史权重子图中的曲线示出了在过去会话的(最终)加权平均值中所使用的相似性标准：龄期是简单的指数衰减，其相比较旧的会话更多地加权最近的会话；TOD代表一天中的时间，其优先加权与当前会话在一天中的相似时间发生的过去的会话；并且间隙是指自上次会话以来的时间(“前一间隙”)，其优先加权具有与当前会话的前一间隙相似的前一间隙的过去的会话。

会话10-图2F

用户行为仍然相同，并且现在有足够的历史记录可以声明预期剂量：30个单位。现在有以30个单位为中心的高斯先前(虚线曲线)，其将倾向于抑制远离预期的30个单位的剂量可能性。这在会话分配不像这样清晰时使算法更加稳健，这在下一个会话中将变得明显。高斯先前的方差被限制为至少“最小方差”(可配置参数)，这是必要的，因为即使用户如此处这样可能在一个剂量下保持100％一致，用户仍可以在任何时候滴定至不同剂量大小，并且算法需要适应这些逐渐变化。

历史权重如下所示(包括会话5至9，因为它们都已被标记)：

龄期：[0.706,0.758,0.813,0.869,0.934]

一天中的时间：[0.972,1.000,0.998,0.968,0.997]

与上一个会话的间隙：[0.999,0.944,0.982,0.957,0.892]

总(乘积)：[0.685,0.715,0.796,0.805,0.831](总和＝3.83)

会话11–图2G

分配模式{2,15,10,15}是带扭曲的经典分开剂量：第三分配是预注物还是注射物？该算法考虑了多个标准，这些标准共同作用以得出答案。

模式枚举引起需要考虑七个不同的模式。(模式枚举的方面是可配置的参数。)乍一看，模式权重子图中的实线条显示piii具有最高的权重，其次是pipi，然后是pppi。其他可能性的权重要低得多。请注意，在底部只有示出四条基于大小的权重曲线的空间，因此示出了顶部四个模式。

顶部模式在预注时都得分很高(阴影向下条，primeProb)，因为用户的预注概率为0.92，并且所有这些模式都涉及预注。

模式piii得到最高的基于大小的权重，因为第三分配(作为候选注射时)具有[虚线-灰色]曲线，该曲线已经最大增加了10个单位。(请注意，灰色曲线覆盖了实线，因为它们都是15个单位的候选注射。)模式pipi的基于大小的权重要低得多，但请注意，候选注射和候选预注的曲线之间的交点为大约八个单位。这种交叉是自适应的，具体取决于会话中分配的大小，并且这意味着10个单位的候选预注至少有机会。

对于基础，流量检查S曲线的交叉点(通过使用误差函数执行，通常在概率和统计学中使用，并且缩写为erf()，参见下文)是基于可疑剂量、会话中的注射次数以及历史平均流量检查大小按照特定公式来计算的。可疑剂量基于来自历史组分、历史平均注射大小和当前会话中的最大分配值的预期剂量。所有这些因素允许S曲线的交叉点针对特定用户基于所述特定用户的历史进行改变。

会话内间隔分析(虚线条，DispItvl)开始起作用，因为该会话有多于两个分配。该分析基于统计观察结果，即从一系列的一个或多个预注切换到注射时的时间延迟通常长于预注之间的时间延迟。尽管在此基础上pipi和piii都具有大于一的DispItvl权重因子，但是pipi的权重因子最高，这在一定程度上缓解了其基于低大小的权重因子。模式pppi获得的DispItvl权重因子小于一，这进一步减小了其总体模式权重。(请注意，pppi和pipi具有大致相似的预注和基于大小的权重因子。)

历史权重如下所示(包括会话5至10，因为它们都已被标记)：

龄期：[0.660,0.708,0.759,0.812,0.872,0.935]

一天中的时间：[1.000,0.981,0.960,1.000,0.957,0.975]

与上一个会话的间隙：[0.987,0.861,0.923,0.996,0.791,0.979]

总(乘积)：[0.651,0.598,0.673,0.808,0.661,0.892](总和＝4.28)

仅基于模式权重的获胜模式仍然是piii，这是不正确的，而pipi紧随其后。如果没有预期剂量，由于30(pipi)和40(piii)单位剂量之间的概率接近，所以歧义置信度将很低。幸运的是，存在这样的预期剂量，其将40单位剂量的概率降低到几乎为零，并使30(pipi)成为获胜者。请注意，置信度得分中的限制因素是89％的数据置信度，这仍然是良好的，但由于pipi的总体中等模式权重，其权重较低。如此处所示，这是一种保护特征，可防止算法在因预期剂量而受到“保存”的情况下过于置信，但是这种模式本质上并不合理。例如，如果第三分配是15个单位而不是10个单位，则pipi的模式权重会低得多(在pipi下，虚线灰色大小曲线上的气泡从10变为15)。在这种情况下，该算法将无法通过数据置信度测试并且不标记会话。这说明了示例性算法的设计目标，即如果有经验的人工翻译不自信，则其不会尝试标记会话。

实施例2：推注演练

本演练涵盖了胰岛素推注研究数据集中用户#3821的四个会话(102-105)。因为推注药物分析比基础分析稍更复杂，所以本演练建立在上述用户#8511的基础演练的基础上。为了完全理解该实施例，该演练以及下面对示例性“完整”算法的详细描述可能是必要的。

会话102–图3A

会话为{2,6.5}，研究中的用户报告该会话为预注，然后进行了注射，并且该算法得出与高置信度(91％)相同的结论，因此已将其标记为会话。6.5个单位的注射实际上处于我们通常在推注数据中遇到的高侧，其对于与预注分配(流量检查)大小大致相同的一个或两个单位的注射来说并不少见。不能基于分配大小容易地进行区分的原因是引起算法的基础版和推注版之间的大多数差异的原因。

允许的模式与基础模式相同，因此对于两个分配，可能性为pi和ii。模式权重是推注的所有四个权重因子(预注差异、会话内分配间隔、预注概率和分配大小)的乘积，但是除非在一种可能的模式中有多于一个的预注，否则预注差异没有任何意义，因此对于此会话，其权重因子为一，所以在模式权重子图中看不到任何条形。同样，除非在会话中至少有三个分配，否则分配内间隔也没有意义，所以权重也是为一。从其他两个权重因子来看：

1)模式pi涉及预注，而ii不涉及；该用户是非常一致的预注者(pProb＝1.00)，因此pi得到的预注权重因子>1，并且ii得到的预注权重因子<1(阴影向下，PrimeProb)。这与基础算法相同。

2)模式pi也得到了最高的基于大小的权重因子(DispSize，圆形模式条)，从左下角的“pi”图中的圆形判断大约为4(1.9*1.9～＝4)。另选的ii得到了基于大小的权重因子正好为一。权重因子仍以图的底行中的大小曲线上由空心圆圈指示的样本乘积计算。但是，曲线本身在推注方面有所不同。

一个规则是，如“pi”图中的实线曲线所示，候选注射接收的权重绝不会小于一。这是因为，尽管仍然为真的是，大量的分配物更可能是注射物，但*不*为真的小量的分配物更可能是预注物；因此，我们不能仅仅因为模式的注射物对应于小量的分配物就降低模式的权重。回想一下，权重大于一表示“很有可能”，并且权重小于一表示“不太可能”，恰好为一的权重为中性。

候选注射的大小曲线也将根据模式中候选预注的平均大小而移动(有关详细信息，参见以下示例性算法的详细说明)。想法是使注射曲线尽早开始上升，但只能在用于预注分配的大小之后开始。

当模式中没有候选预注时(此会话中的模式ii就是这种情况)，所有大小权重都保留为一。我们可以改用默认的注射大小曲线，从而在分配较大时增加模式的权重，但这可能会给无预注模式带来不公平优势的风险，因为注射曲线不能小于一。在这种情况下，发现简单地将大小权重保持等于一更为可靠。

请注意，高斯剂量先验分布(上部子图中的虚线曲线)非常宽。这是推注数据的特性，因为事实证明，历史剂量不是良好的未来预测物。通常，将所有历史剂量按其加权平均值(其中权重取决于一天中时间的相似度、与上一剂量的间隙相似度以及会话的龄期)进行组合时，估计方差很高，因此，高斯剂量先前是广泛的。在这种情况下，先验分布实际上倾向于错误的模式(ii)，但是效果很小且不足，从而使算法无法获得具有高置信度的正确答案。

会话103-图3B

会话分析与会话102几乎相同，但是这次的预期剂量不同，并且更接近实际剂量。该会话发生在一天中的完全不同的时间(12:18与00:59)，并且与前一会话的间隙也不同(11:18与03:58)，因此预期剂量计算中的加权平均值强调另一组过去的会话。通常可以讨论这是否使预期剂量更准确。但是，在没有外部剂量指导信息的情况下，按历史进行是一种有效的方法。

先前较准确的剂量，特别是先前的峰值(5.4个单位)——其位于与下一最可能剂量(来自模式ii的8.5个单位)的正确剂量的相对侧——表示先前剂量强调以不正确的剂量为代价来纠正剂量。这减少了两者之间的歧义，这反映在97％歧义置信度得分上——与会话102相比。

会话104–图3C

这又类似于会话102和103，具有甚至更好的预期剂量(6.7个单位对实际7个单位)。由于一天中的不同时间(16:20与00:59和12:18)，所以在预期剂量加权平均值中所使用的一组过去的会话又有所不同。作为对此的证明，请注意历史权重的总和突然几乎翻了一番，达到19.2。这仅意味着对于平均值而言，还有更多可用的“类似”会话(基于一天中的时间、前一会话以来的间隙、以及龄期)。与00:00或12:00相比，该用户在16:00附近的配量频率可能更高。

会话105–图3D

分配模式{2,7,2,2,4}呈现为分开的剂量，可能是由于更换药筒引起的。较大数量的分配使其成为模式权重中良好的案例研究。

算法分析容许使用十种不同的模式，从而使得模式权重图很难读取。首先请注意，所有五个条都被使用——四个权重因子及其乘积(总权重)。此外，虽然有十种可能的模式，但只有示出其中四个基于大小的权重曲线的空间，因此仅示出前四个(对应于最高的四个实线条，从最高到最低总权重排序)。

1)设计了“预注差异”(阴影向上条，Disparity)来惩罚候选预注不一致的模式。从理论上讲，给定的用户具有优选的预注分配大小，在这种情况下，其呈现为两个单位。如果模式中的候选预注并非都具有相同的大小，则根据差异量，将预注差异权重因子设置为<1(惩罚)。(错误的模式自然会具有很高的差异，例如ppppi，这有助于降低它们的权重。)最高可能的差异权重只有一个，即，该权重永远不会增加，只会带来惩罚。

2)会话内分配计时(虚线条，DispItvl)有一定帮助。仅基于计时的最可能模式是pipii和piipi，它们是不正确的，但pippi得分紧随其后，并且其他模式大多会受到惩罚(权重因子小于一)。

3)大多数模式在预注上得分良好(阴影向下条，PrimeProb)。由于用户的预注可能性很高(1.0)，因此只有以注射开始的模式(无前导预注)会受到惩罚。

4)正确的模式获得最高的基于大小的权重(圆形模式条，DispSize)，因为4单位和7单位分配得分都高于候选注射曲线上的得分。(该曲线在最底行的最左图中为大点灰色；请注意，无论有多少分配，都会自动为每个分配指派新模式，但图例中不会呈现大点灰色，因为那里只有用于前四个分配的空间。大点灰色曲线覆盖了实线i曲线。)其他三个排名较高的模式得分较低，但分差不大。这是从不对候选注射加权小于一的结果；因此，有可能以基于大小的权重的最小成本“服用”任何两个单位的预注物。

三种排名最高的模式(pippi、pipii和piipi)的总体模式权重仅比正确模式的权重低一些。在这种情况下，答案通过两件事来“保存”：首先，预期剂量(高斯剂量先前的峰值，顶部图中的虚线曲线)在正确剂量的低侧，而错误剂量在高侧；相对于正确剂量，这将惩罚错误剂量。其次，所有排名最高的错误模式都会引致13个单位的[不正确]剂量，相当于将每个两单位预注物作为注射物。这增加了13单位剂量(后验分布，深灰色条)的概率，但是在像这样的情况下——其中多于一个的模式引致相同的剂量——仅使用该剂量箱中权重最大的可能性来计算歧义。因此，歧义置信度得分(76％)高于仅根据后验概率所预期的得分。

处理推注数据中的分开剂量是一个具有挑战性的话题。为了进一步改善标识，可以使用附加提示，例如，用户的典型预注分配大小。也可以根据笔/药筒的已知容量以及自上一次表示分开剂量以来分配的总量来推断分开剂量模式的可能性。

接下来，将给出结合本发明的所有不同方面和选项的算法的示例性的、全面的“完整”版本的详细描述。

1.介绍

该算法是用于将来自药物递送装置(例如胰岛素笔)的分配物分类为流量检查物(流量检查和预注是同义词)或注射物的算法。其仅使用来自装置的原始分配数据——分配大小和时间戳——来完成此任务。

该算法由相互关联的分割、历史和会话分析组分组成，这些组分可将到来的数据流分成逻辑块(会话)，估计每个会话的总剂量，以及追踪历史配量行为。以下各节描述了这些组分。

可以将通过流检查预测算法的数据流概括为：首先将数据分割到会话中，然后执行两个并行分析：一个分析患者过去的行为，另一个分析当前会话。然后组合该数据以计算估计的剂量，然后在关于会话给出最终确定(即会话输出)之前，该估计的剂量经历一系列的置信度测试。

该算法的完整版本如图4A所示，其中“当前会话证据”流程图表示算法的核心部分，而“用户的过去行为”流程图表示对核心算法的可选细化，以进一步提高精度和可靠性。

2.分割组分

该算法的主要输入是带有时间戳的一系列分配记录。分割模块负责：

·将分配物分组到会话中，其被存储为会话对象，

·会话完成后(不能再对其添加任何分配物)，请求该会话对象对其自身执行剂量估计，并且

·在剂量估计之后，将会话摘要(剂量、分类的分配物、置信度等)发送到历史模块进行存储。

·

分割模块可以被视为“会话工厂”，因为其负责根据需要创建会话对象以保持分配物，并且在不再需要会话对象时销毁会话对象。每个新的会话对象利用以下各项被初始化：其分配物列表，自上一会话的最后分配以来所经过的时间(称为“之前的间隙”)，以及用户的第一会话的从一开始的序列号。

分割模块的生命周期等于系统中用户的生命周期，因此它是与更高级别的API(应用程序接口)接口的算法的一部分。

分割模块提供了一种“添加分配”方法，客户端可使用该方法向其通知新分配。取决于连接的笔或其他药物递送装置的性质，这些通知可能实时发生，也可能在以后的某个时间按批次发生。唯一的计时要求是，必须按照分配发生的相同次序将分配添加到分割模块。乱序分配会混淆分割逻辑。

会话完成时(由分割算法确定)，分割模块要求会话对象对其自身执行剂量估计，将结果传递回客户端，并且使会话摘要保存在历史模块中。

2.1分割算法

该算法仅使用三个可配置参数将分配分组成具有简单聚类标准的会话。两个时间段window和windowMax(>＝window)从会话的第一分配开始计数，并且比率gapRatio控制所需的聚类度。

在不失一般性的前提下，考虑会话S^k，其仅以单个分配

在时间

处开始。前一会话S^k-1的最后分配被表示为

并且在时间

处发生。下一会话S^k+1的第一分配将被称为

发生在时间

当前会话开始于分配

后续分配

被添加到会话中，如果：

A)会话计时器<window——即

被包括在内，如果

或者

B)会话计时器<windowMax并且，当

被假设为

所得会话S ^k将满足

和

换句话说，分配始终被包括在当前会话中，直至会话开始后的window时间。分配可以被包括在内直至windowMax时间，但只要该会话与之前/之后的会话之间的间隙都比该会话的长度的gapRatio倍长即可。如下所述，落入window和windowMax之间的分配只有在经过windowMax之后的某个时间才能进行测试。

2.2因果关系和实时操作

gapRatio测试表明，当有临时分配时，只有在事实之后的某个时间才能知道会话已完成。在window和windowMax之间到达的分配可能会或可能不会成为S^k的一部分。

他们的成员身份不确定，并且S^k保持开放，直至出现以下任何一种情况：

1)经过足够的时间，可以保证下一分配满足上述条件(B)

(在这种情况下，临时分配全部停留在S^k中)。如果我们假设满足条件(B)的先前会话间隙测试，则可以将变量“新会话阈值”计算为：

如果在该新会话阈值之后出现新分配，则

被包括在当前会话中，并且新分配定义了新会话中的第一分配。

或者

2)在windowMax之后但在上面定义的新会话阈值之前到达另一个分配。一旦发生这种情况，就解决了当前会话中所有潜在分配的会话成员身份，其中一些成为当前会话的一部分或成为S^k+1的一部分。

首先，假设windowMax之前的所有分配都属于S^k，并且新分配为

对于下一新会话S^k+1。条件(B)会失败(因为尚未达到新会话阈值)，因此将

从S^k中推出并推入S^k+1中，并且使其成为新会话的新的第一分配，并根据上文重新测试条件(B)。继续这种方式，直至(1)在S ^k和S^k+1之间找到满足条件(B)的分界点，或者(2)所有临时分配已从S^k中被取出。

此时，所有取出的分配以及新分配(windowMax之外的分配)都应处理为S^k+1，其中会话计时器现在从以d^k+1 ₁结束的任意分配开始。(请注意，在极少数情况下，可以想象将这种分配列表本身在S^k+1和S^k+2等之间递归分开。)

在一些使用场景中，笔以近乎实时的方式将分配传送给算法，并且客户端软件可能期望剂量估计之后的用户反馈。例如，当置信度低并且算法选择不标记会话时，可能会要求用户将分配物手动分类为流量检查物或注射物。在这样的情况下，需要考虑分割算法的最坏情况时延。根据定义，可能的最长会话的持续时间等于windowMax，因此，条件(B)将始终在从最后一次分配开始至多windowMax×gapRatio之后得到满足。这是最坏情况下的等待时间，直至已知S^k完成并且可以进行剂量估计。对于基础胰岛素和推注胰岛素数据集的这些参数的当前值，从最后一次分配开始的最坏情况下的等待时间是：对于基础为2-1/2小时，对于推注为35分钟。

如果应用程序不能容忍如此长的等待时间，则可以设置windowMax＝win-dow，其仅对条件(A)简化算法，可能会损失分割准确度。但是请注意，在window和windowMax之间发生分配的情况相对少见，因此在实践中，典型的时延为从会话开始的windowMax，这比最坏情况要低得多。(windowMax当前为：对于基础为30分钟，并且对于推注为7分钟。)

2.3分割组分参数

3.历史组分

历史模块会维持当前用户的过去所有会话的列表，并追踪统计信息，从而提高整体算法的分类准确度。在每个会话完成并做出标记决定之后，分割模块为历史记录模块提供以下摘要数据以供存储：

·会话时间戳(用作会话中最后分配的时间戳)

·会话间间隙(从先前会话的最后分配到该会话的第一分配的时间)

·估计的剂量

·会话是否被标记？(真/假)

·用户是否执行了流量检查？(真/假，定义为会话期间的至少一个流量检查)

·以(x，y)对的形式包括会话的分配的列表，其中x是分配大小，并且y是布尔型变量，其对于注射为真，并且对于流量检查为假

历史模块为分割模块提供了一种进行调用以提供该信息的方法。根据请求，历史模块向客户端提供以下统计信息：流量检查和注射分配的平均大小，用户的“primeProb”，以及预期剂量的平均值和方差。

3.1流量检查物和注射的分配物的平均大小

这些是用户记录的所有分配(在所有过去的会话中)的平均值。流量检查的平均大小取自所有被分类为流量检查物的分配物，并且注射的平均大小取自所有被分类为注射物的分配物。仅计数来自被标记的会话的分配物。

两个平均值均利用衰减因子exp(-tln(2)/sizeTimeHalf)被加权，使得最近分配被更强地加权。sizeTimeHalf是可配置参数，并且根据存储在历史模块内的会话时间戳计算龄期t，因此，会话中的所有分配最终都具有相同的t。平均值的公式为：

其中{d_k}是分配大小(仅被标记的会话)。

如果权重之和(上式中的分母)小于可配置参数minWeightSum，则将返回两个平均值的默认值以取代实际平均值。这些默认值也是可配置参数。

3.2用户的“预注概率”

这是对用户的预注可能性(定义为在会话中执行至少一次流量检查)的测量，并且范围在0到1之间。其被计算为过去所有会话(包括未被标记的会话)的平均值。如下计算两个权重之和：“预注权重”和“非预注权重”：

其中primeTimeHalf是可配置的衰减常数，并且{t_k}是具有预注的会话(针对预注权重总和)或不具有预注的会话(针对非预注权重总和)的龄期。预注概率然后被计算为：

如果分母(两个权重之和)小于可配置参数minWeightSum，则取代地返回值0.5，表示最大不确定性。

3.3预期剂量均值和方差

历史模块将生成由高斯概率分布函数(pdf)表示的预期剂量值，其表示用户的平均剂量大小和基于用户的先前剂量历史的剂量可变性。在计算预期剂量均值和方差时，将仅使用被标记的会话(具有足够高的置信度得分的会话)。均值是预期剂量，而方差与用户过去的剂量的一致性成反比。

该计算与针对平均分配大小的计算相似，但是除加权平均值外，它还产生加权样本方差，并且加权因子更加复杂。每个权重实际上是时间(龄期)、一天中的时间相似性和会话间间隙相似性三个因子的乘积。目标是按照过去的会话与当前会话的相关性的比例对过去的会话进行加权，即，最近的会话比较旧的会话更相关，在一天中的同一时间发生的会话更相关，并且这样的会话更相关：在所述会话之后的会话间隙的持续时间类似于当前会话和其紧接的前一会话之间的间隙。权重公式为：

historyWeights＝ageWeights*timeOfDayWeights*gapWeights

其中对于每个过去的会话，k,t_k是会话龄期，TOD_diff,k是该会话与当前会话之间的一天中的时间的差，并且gap_diff,k是该会话与当前会话之间的会话间间隙的差。请注意，TOD_diff必须以循环方式正确计算，使得例如01.00和23.00之间的TOD差是两小时，而不是二十二小时。对于“纪元秒”格式的两个变量，确保这一点的一种方法是：

TOD_diff＝min((time₁–time₂)mod86400,(time₁–time₂)mod86400)

衰减因子timeHalf和紧密度因子TODHalf和gapHalf是可单独配置的参数，其时间单位与指数分子中的时间量相同。

如果∑historyWeights<minWeightSum，则历史不足以进行良好的计算，并且历史模块将拒绝提供预期剂量参数，而是将均值设置为零，并将方差设置为minVariance(参见下文)。否则，预期剂量的平均值和方差被计算为：

其中{d_k}是所有过去被标记的会话的会话剂量，每个会话剂量具有其对应的历史权重。方差(σ²)被约束为始终≥minVariance(可配置参数)。实际上，当用户与过去的一个剂量极为一致时，这可以防止算法对预期剂量过于确定。

3.4历史组分参数

4.会话分析算法

会话对象是用于分配物的容器，其在此被分割模块分组。每个会话对象还包含分析其分配、确定最可能的会话剂量以及评估其对结果的置信度所需的方法(代码)。会话模块的方法可以划分成三组。

4.1添加和去除分配

会话模块提供了用于将分配追加到会话末尾、或从会话末尾去除分配以及将其返回给调用方的方法。分割模块会同时使用这两种方法。

4.2助手

会话模块提供了实用方法来报告

·会话持续时间(会话的第一分配和最后分配之间的时间戳差)。

·会话是否被标记。(当且仅当会话已结束并且所有置信度得分都大于confidenceThreshold时，该会话才会被标记。)

·无论会话是否被标记，置信度测量都会引起最低的置信度得分。

·最能说明会话情况的预注和注射模式(被称为“获胜模式”)。

4.3会话分析和剂量估计

剂量估计是会话模块的核心功能。分析可以划分为四个阶段，如下图所示：该算法首先枚举可能用于解释会话分配的所有预注(流量检查)和注射模式，然后根据各种标准对这些模式进行加权，接着将加权模式转换为加权剂量估计值，并使用贝叶斯法则将它们与剂量先前组合(基于用户的配量历史)，从而获得剂量后验和最可能的会话剂量，最后，该算法应用置信度检查来确定是否将标记会话。

这些阶段对应于参考实施方式中的方法：枚举_模式、权重_模式、估计_剂量和评估_结果。现在将详细描述每个方法。

4.3.1模式枚举

给定具有N_disp分配的会话，剂量估计问题完全等同于模式选择问题：在每次分配被分类为流量检查(为简便起见通常称为“预注”)或注射后，所得模式将暗示会话剂量。使用p和i作为简写，如果模式为pppi，则具有分配{2,1,2,4}的会话的剂量为4，如果模式为pipi，则剂量为5，或者如果模式为ppii，则剂量为6。

模式枚举是在给定一些简单规则和可配置参数的情况下列出所有潜在模式16的任务(图4B)：

·会话的最后一次分配必须是注射。

·每次注射之前必须至少进行minPrimes流量检查。通常将其设置为零，使得不严格要求进行流量检查，否则标记率将非常低。

·会话中的注射数量被限制为maxInjectsSimple加上下文详述的大剂量限额。

以下伪代码将执行模式枚举：

给定N_disp(会话中的分配数量)，dialMax(可以在药物递送装置上拨动的最大分配量)，以及可配置参数maxInjectsSimple和minPrimes，

(请注意“下限”运算符)

将P初始化为模式的空列表。

对于N_inj＝1至min(maxlnjects,N_disp–minPrimes)

为P追加模式，该模式具有N_disp–N_inj预注之后是N_inj注射

对于N_inj＝2至maxlnjects

对于N_{inj_before}＝1至N_inj-1

对于N_{leading_primes}＝minPrimes至N_disp–N_inj

如果N_disp–N_inj–N_{leading_primes}≥minPrimes

为P追加模式，该模式具有N_{leading_primes}预注

之后是N_{inj_before}注射

之后N_disp–N_inj–N_{leading_primes}预注

之后是N_inj-N_{inj_before}注射

扫描P并移除所有复制模式。

4.3.2模式加权

每个模式都接收权重，该权重是许多独立的权重因子的乘积：

patternWeight[pattern]＝ПweightFactor[pattern]

权重越大，该模式就越可能是正确的模式。权重因子来源于分配的计时和大小、用户的预注行为以及其他标准。有些只适用于某种药物类型，有些只适用于分配数量在一定程度上最少的会话。以下小节描述了可以如何确定每个权重因子的具体示例。

请注意，每个权重因子被计算多次，对于P中的每个模式被计算一次。在这种情况下，通常有必要将分配称为流量检查或注射，这些分类是指要评估的模式，而不是实际情况。

4.3.2.1会话内分配间隔

统计分析表明，与连续进行一系列流量检查相比，当用户从预注切换到注射时，两次连续分配之间的时间更长。

在所研究的数据集中，临界间隔为约3.5秒——大于此间隔，并且两次分配可能是pi(流量检查后注射)，较短，并且分配可能是pp(两次流量检查)。采用这种趋势的权重因子适用于N_disp≥3的会话。(当N_disp＝2时，第二次分配始终是注射，因此这没有预测能力。)

伪代码：

如N_disp≥3

N_pp,short＝pp发生的#，其中时间间隔<criticalDispenselnterval

N_pi,long＝pi发生的#，其中时间间隔≥criticalDispenselnterval

N_pi,short＝pi发生的#，其中时间间隔<criticalDispenselnterval

N_pp,long＝pp发生的#，其中时间间隔≥criticalDispenselnterval

weightFactor＝dispenselntervalFactor^{(Npp,short+Npi,long-Npi,short-Npp,long)}

否则

weightFactor＝1

例如，如果N_disp＝4其中分配时间戳为0,2,7和10秒，可配置参数criticalDispenselnterval＝3.5秒且dispenselntervalFactor＝2，权重因子对于模式pppi、ppii和pipi将是：

pppi:2^(1+0-1-1)＝0.5

ppii:2^(1+1-0-0)＝4.0

pipi:2^(0+1-1-0)＝1.0

4.3.2.2预注概率

如果用户过去定期执行过流量检查，则应对当前会话中正在评估的模式加权以偏向有利于一致性，也就是说，应将具有预注的模式加权为高于没有预注的模式。相反，如果用户过去一直未执行流量检查，则应该在相反的方向上对模式加权，使得没有预注的模式被认为更有可能。历史模块提供的“预注概率”primeProb介于0(从不预注)和1(始终预注)之间。可配置参数primeProbFactotr控制该权重因子的相对强度。

为了进行该计算，“具有预注的模式”实际上被定义为这样的模式，该模式开始于预注，因此pi为具有预注的模式，ii为没有预注的模式，而认为ipi两种都不是。(两次注射之间具有预注的模式与药筒更换相关联。新药筒预注与常规注射前预注有些不同，因此权重因子不受此影响。但是请注意，pipi(也是可能的药筒更换)由于其引导预注仍会被视为“具有预注的模式”。)

伪代码：

如果模式的第一分配为预注

weightFactor＝primeProbFactotr^{(2*primeProb-1)}

否则如果模式中的所有分配都是注射

weightFactor＝primeProbFactotr^{(1-2,primeProb)}

否则

weightFactor＝1

4.3.2.3预注差异(仅推注药物)

当试图将预注与推注药物患者中常见的小量注射区分开时，这对于预注分配大小不一致的降低权重模式很有帮助。这是预注差异背后的思想，其中可配置参数bolusPrimeDisparityFactor：

给定名为primes的列表，其中列出了所评估的模式中所有预注的分配大小，

如果N_disp≥3且N_primes≥2，对于该模式

disparity＝max(primes)–min(primes)disparity

weightFactor＝bolusPrimeDisparityFactor^disparity

否则

weightFactor＝1

4.3.2.4分配大小(推注药物)

分配大小也许是预注和注射之间最明显的区别：简化视图是预注小而注射大。但是，这对于接受MDI(基础/推注)治疗的患者而言效果不佳，因为典型推注剂量很容易就可以与推荐的两个单位的预注剂量一样小。预注大小分布预计会在两个单位附近达到峰值，但是注射大小分布并不能提供太多的洞悉，只是非常大的分配可能是注射。

对于基础和推注会话，基于大小的权重因子是模式中每次分配的一系列“大小因子”的乘积。大小因子是来自累积高斯函数70的移位和缩放副本的样本，

没有为何使用erf()的深层原因，它只是一个方便且广泛使用的S形函数。平滑的S曲线模拟阈值行为(例如，“上面的y单位可能是注射，下面的y单位可能是预注”)，在特殊分配大小下不会在算法行为中引入不连续性，参见图XX。通过缩放操作数，可以根据需要缩小或扩大过渡区域，并且函数的渐近值也易于修改。在当前的使用中，1+erf(…)和1-erf(…)表达式产生的输出范围为0到2，这对于构造权重因子很方便。在S曲线的中心，输出将为1，这在权重因子中是中性的，参见图4C。

伪代码：

给定两个列表——primes和injects——其中列出了被评估的模式中的流量检查和注射的分配大小，以及可配置参数bolusPrimeSizeSlope、bolusPrimeCrossoverSize、boluslnjectSizeSlope和boluslnjectSizeOffset，

weightFactor＝1

如果N_primes>0

对于primes中的x

weightFactor＝weightFactor*

(1-erf(bolusPrimeSizeSlope*√π*(x-bolusPrimeCrossoverSize)))

对于injects中的x

weightFactor＝weightFactor*

max(1,1+erf(boluslnjectSizeSlope*√π*(x-avgPrime-boluslnjectSizeOff-set)))

说明：

如前所述，权重因子是单独的大小因子的乘积，这些单独的大小因子是缩放和移位后的S曲线的样本。(权重因子被初始化为一，因此可以根据需要重新布置计算次序，此处在流量检查和注射列表中显示为单独的循环，因为每个的大小因子是不同的。)对于预注，S曲线从2变为0，在bolusPrimeCrossoverSize处触及1。对于注射，S曲线从0到2，但有两个修改：首先，它永远不会低于1。这反映了推注注射可以任意小的事实，并且仅仅因为它们与典型预注的区域重叠而将它们的得分较低是没有意义的。第二，取代固定的交叉大小，曲线在avgPrime+boluslnjectSizeOffset处具有依赖于数据的交叉。(boluslnjectSizeOffset通常为1。)这种适应性既在预注大小较小时允许候选注射得分较高，又在评估错误模式时起作用而破坏候选注射的得分(因为avgPrime——其是针对该模式的候选预注的平均值——在某些候选预注实际上是注射时可能会变大)。

4.3.2.5分配大小(基础药物)

对于基础药物会话，基于大小的预注和注射之间的区分要容易一些，因为注射往往较大。为了使这种区别的有效性最大化，该算法使用历史平均预注和注射大小，并尝试在S曲线上设置最优交叉点(权重为一的大小，即中性)。

伪代码：

给定两个列表——primes和inject——其中分配大小用于评估的模式中的流量检查和注射，历史——或基于指导的expectedDose(零，如果历史不足)，历史平均分配大小historicalPrime和historicalInject，防止被零除的少量∈，以及可配置参数basalSizeSlopeMin，basalSizeSlopeMax和basalSplitDoseRatioMin，

weightFactor＝1

如果expectedDose>0

expDose＝expectedDose

否则

expDose＝max(historicalInject,max(all dispenses in session))

对于primes中的x

weightFactor＝weightFactor*(1-erf(injectSlope*√π*(x–injectCenter)))

对于injects中的x

weightFactor＝weightFactor*(1+erf(injectSlope*√π*(x–injectCenter)))

说明：

这些计算的基本结构与推注药物的基本结构相似，因为大小因子仍然是移位和缩放后的S曲线的样本。但是，推注公式会认真尝试将交叉分配大小、primeCenter和injectCenter放置在可能的预注大小和注射大小之间的中间位置。请注意，expectedDose是基于历史的预期剂量expectedDose的别名(如果存在)，否则，将使用替代物。

可能的预注大小仅仅是用户的历史平均预注。可能的注射大小必须考虑分开剂量。如果评估的模式具有多于一次的注射，

在均分的假设下近似于注射大小。该(primeCenter)足够良好以评估候选预注，但是当剂量分开不均时，它可能导致候选注射得分太低，因此，injectCenter的计算使用了量

将

替换为

这样，当较小分配x被评估为可能的注射时，“可能的注射大小”会降低，即使剂量分开不均，其得分也会被保持得很高。必须对此进行限制，以防止例如预注在候选注射中得分较高，因此参数basalSplitDoseRatioMin设置了分开可以为多宽的限制。(典型值为0.2。)请注意对于循环内injectCenter和injectSlope计算的位置，因为它们取决于模式中每个候选注射的大小x。

primeSlope和injectionSlope计算看起来更加复杂，但是它们是基于已经描述的相同表达式构建的。当可能的预注大小和可能的注射大小接近时，S曲线的斜率应更陡，而当它们分开时，其斜率应更平缓。斜率只是这些大小差异的倒数，而不是中心计算中所使用的这些大小的平均值。它们还通过两个其他参数basalSizeSlopeMin和basalSizeSlopeMax被约束在上限和下限内。

4.3.3剂量估计和会话解释

在计算模式权重之后，算法会将其从模式权重转换为剂量权重。从模式到剂量的映射是多对一的：每个模式引致一个剂量，但是多个模式26可能引致相同的剂量，见图4D。

伪代码：

对于每个dose(在dialInc的步骤中为0至capacityAvg)，初始化doseWeight[dose]＝0

对于P中的每个pattern

dose＝∑pattern中注射的分配

doseWeight[dose]＝doseWeight[dose]+patternWeight[pattern]

如果归一化为总和为一，则doseWeight是剂量的概率分布。

剂量的另一种概率分布是基于历史模块中的预期剂量的平均值和方差。(预期剂量是根据用户的配量历史计算出来的。)这称为剂量先验分布。它是高斯(正态)，均值和方差等于预期剂量均值μ和方差σ²，或者，如果没有足够的历史来计算预期剂量，则采用均匀分布：

给定预期剂量的平均值μ和方差σ²，

如果μ>0

对于dose＝0至capacityAvg(在dialInc的步骤中)

否则

对于dose＝0至capacityAvg(在dialInc的步骤中)

现在，可以使用贝叶斯法则来组合剂量先验分布和剂量权重，以获得doseposterior分布：

对于dose＝0至药物递送装置的容量，在最小拨动增量的步骤中

最大可能性剂量(通常称为估计剂量，不要与预期剂量混淆)是dosePosterior中概率最高的剂量：

estimatedDose＝arg max dosePosterior_dose

(arg max dosePosterior_dose

均值以找到dose的值，其最大化f(dose)并返回dose的该值。因此，我们正在找到对应于dosePosterior的峰的剂量大小。这是算法在当前会话的真实注射剂量下的最佳猜测。)

从估计的剂量倒退，这暗示着存在“获胜模式”——流量检查和注射的模式，其产生的剂量等于估计的剂量。(这不一定是权重最高的模式，因为剂量先前可能会使结果偏斜。)如果只有一种模式产生了估计剂量，那么它就是获胜模式。如果多于一种模式产生了估计剂量，则获胜者是模式权重最高的一种模式。如果这些模式中有多于一个的模式具有相同的[最高]权重，并且该权重最高，则选择是任意的。

4.3.4置信度检查和结果评估

无论该会话是“轻松”还是“困难”，该算法都会为每个会话产生估计的剂量。但是，在预想的应用中，除非对结果有合理的置信度，否则通常最好不标记会话(提供官方剂量估计值)。会话模块的该第四个也是最后一个的目的是量化算法对估计剂量的置信度。

该算法具有五个独立的置信度测量值，其范围为0(无置信度)到1(100％置信度)，其中的每一个的可配置权重介于0和1之间：

4.3.4.1数据置信度

这取决于“数据得分”，它只是最可能剂量的剂量权重，已针对不同的会话长度进行了归一化：

dataConfidence＝1–(dataConfidenceWeight×(1–min(1,dataScore)))

较低的数据置信度表明，获胜模式不能很好地说明所观察到的会话，并且仅是因为其他模式甚至更加糟糕才选择该获胜模式。

4.3.4.2预期剂量置信度

这是使用基于历史的预期剂量作为对估计剂量的交叉检查的另一种方式。(另一种方法是通过剂量先验分布。)它以标准差衡量估计的剂量与预期剂量相差多少：

给定预期剂量的平均值μ和方差σ²，

如果μ>0

否则

expectedDoseConfidence＝1

4.3.4.3歧义置信度

如果未以足够的裕度支配第二选择、第三选择等答案，则会惩罚估计的剂量：

其中∈是很小的数量，可以防止被零除。

4.3.4.4预注置信度

这可以衡量用户过去的预注历史——使用流量检查(如由primeProb给出，由历史模块提供)与当前会话之间的一致性。较低的预注置信度可以表示用户通常预注，但这次没有预注，或者很少预注，但是这次预注了：

如果获胜模式包含至少一个预注

否则

4.3.4.5训练置信度

无论其他置信度度量如何，该算法都拒绝标记第一ignoreFifstSessions会话，这是基于以下理论：第一少数会话是用户训练的，否则不是“正常的”。这是通过第五个非常简单的置信度度量来实现的：

如果sessionSerial>ignoreFifstSessions

trainingConfidence＝1

否则

trainingConfidence＝0

其中sessionSerial是该会话的序列号，由会话对象创建时的分割模块提供。

在计算完所有置信度度量后，将整个会话置信度计算为各个度量的最小值。将该总体置信度与可配置参数confidenceThreshold进行比较，以确定会话是否被标记。

confidence＝min(dataConfidence,expectedDoseConfidence,ambiguityConfi-dence,primingConfidence,trainingConfidence)

如果confidence≥confidenceThreshold

会话被标记

否则

会话未被标记

4.4会话分析算法参数

5.定义和术语

该列表包含本文档中所使用的缩写词和术语的定义。

已经在第一示例中示出了本发明的各方面，并且已经通过具体算法组分的详细描述例示了本发明的各方面，接下来将描述第二示例，其中参考所公开的算法组分的各方面。

图5A示出了用于从一个或多个注射装置404收集分配数据的集成医疗系统802的示例。所示的实施方案还示出了系统可选地还可以适于从一个或多个葡萄糖传感器402收集血糖数据。医疗系统802还包括处理器，尽管在图5A中未示出。

利用集成系统802，来自所述一个或多个连接的注射装置404的数据(用于向受试者施加治疗方案)被获得作为多个分配数据520或分配数据集520中的药剂分配记录的集合522。每个分配记录包括带有时间戳的事件，该事件指定了受试者作为治疗方案的一部分而接收的分配的血糖调节药剂的量。在不要求注射装置的受试者或用户执行主动步骤以获得电子或数字时间戳和/或血糖调节药剂的电子或数字时间戳的意义上，自动获得指定血糖调节药剂量的带时间戳的事件。这些数据在施加注射时由注射装置自动生成，即，由受试者或用户施加注射以排出一定量的药剂，但是无论用户的意图是什么，无论何时他或她使用装置，都提供数据的生成。同样，在一些实施方案中，获得受试者的自主的带时间戳的葡萄糖测量值。在这样的实施方案中，自主葡萄糖测量值被过滤并存储在非暂时性存储器中。在时间过程中获取的受试者的多个分配记录用于向决策支持系统(DSS)550提供输入，该决策支持系统适用于提高原始数据流的质量并将其转换为数据结构，从而可靠地实现对注射药剂的预测。

结合图5A和图5B详细描述医疗系统48，该医疗系统用于从一个或多个注射装置收集原始分配数据，并且提高原始数据流的质量并将其转换为数据结构，从而可靠地实现对注射药剂的预测。因此，图5A和图5B共同示出了根据本公开的系统的拓扑。在拓扑中，存在决策支持系统550，用于提高分配数据的数据质量，以便能够遵循以下各项为受试者提供可靠的决策支持：治疗方案506、用于数据收集的装置(“数据收集装置500”)、用于将药剂注入受试者的一个或多个注射装置404、以及可选地与受试者相关联的一个或多个葡萄糖传感器402。在整个本公开中，仅出于清楚的目的，将数据收集装置500和决策支持系统550称为单独的装置。即，如图5A所示，数据收集装置500的公开功能和剂量历史通信装置550的公开功能被包含在单独的装置中。然而，应当理解，实际上，在一些实施方案中，数据收集装置500的公开功能和决策支持系统550的公开功能被包含在单个装置中。在一些实施方案中，决策支持系统的公开功能被包含在智能手机或云服务中。在一些实施方案中，数据质量提高功能可以在单独的装置中，例如在质量提高装置中，它不同于包括决策支持系统550的装置。然后，数据质量提高装置可以与包括决策支持系统550的决策支持装置通信。在一些实施方案中，数据收集装置是如图1C和图1D所示的追加装置300，并且在其他实施方案中，数据收集装置是所述一个或多个注射装置404的集成装置。

参考图5B，在一些实施方案中，治疗方案506包括具有短效胰岛素药剂的推注胰岛素药剂剂量方案或具有长效胰岛素药剂的基础胰岛素药剂剂量方案。在一些实施方案中，治疗方案还可以包括具有包含GLP-1受体激动剂的药剂的剂量方案，其例如是利拉鲁肽或司马鲁肽。

参考图5A，决策支持系统550提高分配数据的数据质量，以便能够遵循治疗方案506向受试者提供可靠的决策支持。为此，与决策支持系统550电连通的数据收集装置500在时间过程中接收多个血糖调节药剂分配记录，每个分配记录522包括：(i)血糖调节药剂分配事件524，包括由受试者使用所述一个或多个注射装置中的相应注射装置404分配的一定量的胰岛素药剂526，以及(ii)对应的电子分配事件时间戳528，其在出现血糖调节药剂注射事件时由相应的注射装置生成。如果施加了多于一种药剂，则(iii)由受试者从短效和长效胰岛素药剂之一中分配的相应类型的血糖调节药剂529。在一些实施方案中，数据收集装置500还从受试者用于测量葡萄糖水平的一个或多个葡萄糖传感器(例如，连续葡萄糖监测器/传感器)502接收葡萄糖测量值。在一些实施方案中，数据收集装置500直接从受试者使用的注射装置404和/或葡萄糖传感器502接收这样的数据。例如，在一些实施方案中，数据收集装置400通过射频信号无线地接收该数据。在一些实施方案中，此类信号符合802.11(WiFi)、蓝牙或ZigBee标准。在一些实施方案中，数据收集装置200直接接收这样的数据、分析数据，并且将分析的数据传递给剂量历史通信装置250。在一些实施方案中，可以是胰岛素笔的注射装置404和/或葡萄糖传感器402包括RFID标签，并且使用RFID通信与数据收集装置500和/或决策支持系统550通信。

在一些实施方案中，数据收集装置500和/或决策支持系统不靠近受试者和/或不具有无线能力，或者这样的无线能力不用于获取药剂分配数据、自主葡萄糖数据和/或与生活方式有关的测量数据。在这样的实施方案中，通信网络406可以用于将来自一个或多个注射装置404的胰岛素药剂分配数据传送到数据收集装置500和/或决策支持系统，和/或将来自葡萄糖传感器402的自主葡萄糖测量值传送给葡萄糖收集装置500和/或决策支持系统550。

网络406的示例包括但不限于万维网(WWW)，内联网和/或无线网络，诸如蜂窝电话网络、无线局域网(LAN)和/或城域网(MAN)以及通过无线通信的其他装置。无线通信任选地使用多种通信标准、协议和技术中的任一者，包括但不限于全球移动通信系统(GSM)、增强型数据GSM环境(EDGE)、高速下行链路分组接入(HSDPA)，高高速上行链路分组接入(HSUPA)、数据优化演进(EV-DO)、HSPA、HSPA+、双小区HSPA(DC-HSPDA)，长期演进(LTE)、近场通信(NFC)、宽带码分多址(W-CDMA)、码分多址(CDMA)、时分多址(TDMA)、蓝牙，无线保真(Wi-Fi)(例如，IEEE 802.11a、IEEE 802.11ac、IEEE 802.11ax、IEEE 802.11b、IEEE802.11g和/或IEEE 802.11n)、互联网协议语音(VoIP)、Wi-MAX、电子邮件协议(例如，互联网消息访问协议(IMAP)和/或邮局协议(POP))，即时通讯(例如，可扩展通讯和表示协议(XMPP)、用于即时通讯和存在利用扩展的会话初始化协议(SIMPLE)、即时通讯和现场服务(IMPS))和/或短消息服务(SMS)，或任何其他合适的通信协议，包括截至本公开提交之日尚未开发的通信协议。

在一些实施方案中，数据收集装置500和/或决策支持装置550是胰岛素笔的一部分。即，在一些实施方案中，数据收集装置500和/或决策支持系统550和注射装置404是单个装置。

当然，系统48的其他拓扑是可能的。例如，所述一个或多个注射装置404和可选的一个或多个葡萄糖传感器402不依赖于通信网络106，而是可以将信息直接无线地直接传输到数据收集装置500和/或决策支持系统。此外，数据收集装置500和/或决策支持装置可以构成便携式电子装置、服务器计算机，或者实际上构成在网络中链接在一起的若干计算机，或者是云计算背景中的虚拟机。因此，图1所示的示例性拓扑仅用于以本领域技术人员将容易理解的方式描述本公开的实施方案的特征。

参考图5B，在典型的实施方案中，决策支持系统550包括一台或多台计算机。为了说明，在图5B中，决策支持系统550被表示为单个计算机，其包括用于提高原始分配数据的数据质量的所有功能，以便能够遵循治疗方案506向受试者提供可靠的决策支持。然而，本公开不限于此。在一些实施方案中，用于提高分配数据的数据质量的功能分布在任意数量的联网计算机上和/或驻留在若干台联网计算机中的每一个上和/或被托管在一个或多个虚拟机上，可在通信网络406上在远程位置访问所述虚拟机。本领域的技术人员将理解，各种不同计算机拓扑中的任一种都可用于该应用，并且所有此类拓扑都在本公开的范围内。

转向图5B，考虑到前述内容，用于增提高原始分配数据的数据质量的示例性决策支持系统550包括：一个或多个处理单元(CPU)574，网络或其他通信接口584，存储器492(例如随机存取存储器)，一个或多个磁盘存储装置和/或持久性装置590(可选地由一个或多个控制器588访问)，用于互连前述部件的一个或多个通信总线513，用户接口578，用户接口578包括显示器582和输入装置580(例如，键盘、小键盘、触摸屏)，以及用于为前述部件供电的电源576。在一些实施方案中，使用诸如高速缓存之类的已知计算技术与非易失性存储器590无缝共享存储器492中的数据。在一些实施方案中，存储器492和/或存储器590包括相对于中央处理单元574远程定位的大容量存储装置。换句话讲，存储在存储器492和/或存储器590中的一些数据实际上可以被托管在这样的计算机上，所述计算机在决策支持系统550外部，但是可以使用网络接口584由决策支持系统550通过互联网、内联网或其他形式的网络或电子线缆(在图3中示出为元件406)进行电子访问。

在一些实施方案中，用于提高来自数据收集装置500的原始分配数据的数据质量的决策支持系统550的存储器492存储：

·操作系统502，该操作系统包括用于处理各种基本系统服务的程序，

·决策支持模块504，

·受试者参与的治疗方案206，

·从受试者应用治疗方案所使用的一个或多个注射装置自动获得的分配数据集520，该分配数据集包括在时间过程中的分配记录的集合，药剂记录的集合中的每个相应的药剂分配记录522包括：(i)相应药剂分配事件524，包括由受试者使用所述一个或多个注射装置中的相应注射装置104分配的一定量的药剂526，(ii)在时间过程内的对应的电子分配事件时间戳228，其在发生相应药剂注射事件时由相应注射装置104自动生成，(iii)一定类型的药剂529，如果分配了多于一种类型的药剂，

·时间过程内的分配会话的集合530，其中

·每个相应的会话523包括：(i)指示会话注射剂量的最大似然剂量534，(ii)指示会话发生的当天中的时间的一天中的时间536记录，(iii)指示上一会话以来的时间的会话间时间537，(iv)最可能的分配模式537，以及(v)标签指示器538，该指示器是Boolean，其指示是否可以标记该会话的最可能的模式，

·确定标签指示器的二进制值的置信度阈值539。

在一些实施方案中，可在任何浏览器(电话、平板电脑、膝上型电脑/台式电脑)内访问决策支持模块504。在一些实施方案中，决策支持模块504在本地装置框架上运行，并且可用于下载到包括运行诸如Android或iOS之类的操作系统502的决策支持系统550的装置上。

在一些实施方式中，用于提高原始分配数据的数据质量的决策支持系统550的一个或多个上述数据元件或模块被存储在一个或多个先前描述的存储装置中，并且对应于用于执行上述功能的指令的集合。以上标识的数据、模块或程序(例如，指令集)不需要被实现为单独的软件程序、过程或模块，并且因此，这些模块的各种子集可以在各种实施方式中被组合或以其他方式重新布置。在一些实施方式中，存储器492和/或590任选地存储以上标识的模块和数据结构的子集。此外，在一些实施方案中，存储器492和/或590存储以上未描述的附加模块和数据结构。

在一些实施方案中，用于提高原始分配数据的数据质量的决策支持系统550是智能手机(例如，iPhone)、膝上型电脑、平板计算机、台式计算机或其他形式的电子装置(例如，游戏机)。在一些实施方案中，决策支持系统550不是移动的，而在一些实施方案中是移动的。

图5C示出了根据本公开的用于提高来自数据收集装置200的分配数据的质量的方法，并且出于描述该方法的目的，使用以下术语。

分配或分配事件是笔激活，无论胰岛素是从针出来还是注入体内。

预注或预注事件是准备注射的任何分配。这包括预注新药筒，还包括在每次注射前进行例行流量检查。

注射或注射事件是分配事件，其中假设药剂被注射到体内。

会话是按时间聚类的“预注”和“注射”分配顺序，在此期间，用户打算服用单个目标剂量的胰岛素。由于剂量分开、拨动限制或更换药筒，单个会话可能会进行多次注射。

模式是预注和注射的一个特定顺序，通常以简写形式表示，例如“ppi”(预注、预注和注射)或“pii”(预注、注射和注射)。每个模式是对包括会话的分配的解释。因为我们知道每个分配的药剂526的量，所以标识正确的模式等同于确定会话注射剂量534。

会话注射剂量是用户打算在会话期间注射多少胰岛素。

最大似然剂量是基于规则的算法对会话注射剂量的最优估计。

标记率是这样的会话分数，对于所述会话部分，将最大似然剂量传送回决策支持系统，以分派具有最大似然剂量值的会话注射剂量，并且以估计模式标记会话。将要求用户手动标记其余会话。标记会话的决策基于置信度得分。置信度得分将根据置信度阈值进行评估，这会影响标记率。通过选择算法参数，即选择置信度阈值，可以将标记率设置为0％到100％之间的任何值。

参考图5C，附图标记701指示用于对过程中的各个步骤进行编号的索引编号。对于处理步骤710，索引号701～1＝1，对于处理步骤712，索引号701～2＝2，依此类推。矩形702指示与基于先前会话的估计值来确定剂量的先验概率分布有关的过程。矩形703指示与基于当前会话的信息确定剂量的概率有关的过程。

将数据分割到会话中

框710。连接注射装置的解决方案提供了带时间戳的分配记录流。如图5C中的步骤710以及图6和图7所示，在可以进行剂量估计之前，必须将这些分割成逻辑会话。会话对应于用户决定服用一些胰岛素并完成该任务。

分割由三个参数控制。初始分配启动新会话并将计时器清零，并且下一分配将被自动包含在该会话中，直至会话窗口761秒过去，如图6所示。之后的分配仍可以被包括在内，条件是所得会话长度与每侧间隙之间的比率小于会话长度比率，并且计时器仍小于会话窗口最大。一旦这不再为真，则下一分配将启动新会话，并且重复该过程。

在下面的示例中，并且如图6所示，其中分配a,b,c,d,e,f,

{a,b}包括一个会话，因为t_b-t_a<会话窗口(761)。分配事件c开始新的会话，因为t_c-t_a>会话窗口最大(762)。分配事件{c,d,e}包括以下会话：

会话窗口(761)<t_e-t_c<会话窗口最大(762)，条件是

(t_e-t_c)/(t_f-t_e)<会话长度比率，并且

(t_e-t_c)/(t_c-t_b)<会话长度比率。

分配f开始新的会话，因为t_f-t_c>会话窗口最大(762)。

确定预期剂量

框712。确定预期剂量的步骤在步骤712中进行，并在还在图8A至图8D中示出。即使当前会话没有任何数据，也有可能确定某些剂量比其他剂量更有可能。可以通过决策支持系统或类似的过去或先前的会话713给出的剂量指导来获得有关剂量可能性的信息。通过设置预期剂量方法＝'历史'并调整剂量历史参数来选择基于先前会话历史的预期剂量。同样，如果设置预期剂量方法＝“剂量指导”，则使用剂量指导。剂量历史记录参数控制加权平均值，其权重由一天中的时间相似性、自上一会话以来的时间相似性以及数据龄期来设置，而最近的剂量具有更强的权重。加权函数的减少可以是高斯、指数或线性的，具体取决于数据的性质。图8A示出了包括在分割步骤710中创建的设置会话的数据结构的构造。会话集合530包括多个会话L，并且每个会话包括由所描述的算法估计的会话注射剂量534、一天中的时间535和会话间时间536。

值得注意的是，所有这三个权重贡献者在代码中都是完全可调整的，并且需要针对应用进行调整。随时间折扣权重的指数衰减率可以设置为在推注方案中半衰期为28天，在基础方案中半衰期为10天。为了时间上的相似性，例如可能使用高斯衰减因子，其中权重在+/-3小时为50％。在会话间时间长度的情况下，推注方案中高斯衰减因子可以为例如+/-2.5小时下50％，并且推注为1e20，这实际上使基础方案中的会话间时间权重无效。对于基础胰岛素的应用，注射应更规律。

因此，对于每个先前会话记录532，关联了会话注射剂量524、一天中的时间535和指定到先前会话的时间的会话间时间，如图8A所示。对于集合内从1到L的每个会话i，并且该会话在图8B中被示出为数据结构，计算了一天中的相应权重时间543、权重会话间时间544和会话龄期545，其在图8C中被示出为对应的数据结构。三个权重543、543、545可以组合为组合的时间权重546。权重从过去的某个时间算起，直至当前会话i之前的会话(i-1)为止。

先前会话548的组合时间权重之和的值可以用于确定是否有足够的数据来继续确定先验概率分布。将总和548的值与经验估计的阈值进行比较。

如果有足够的相似先前数据，则可以将组合权重乘以每个会话的会话注射剂量，以提供对分布均值的贡献，这称为均值的输入555。通过将来自先于当前会话的每个会话的所有均值的输入555相加，可以得出先验概率分布的加权均值，其也可以称为预期剂量558。以相同的方式，可以通过计算方差的输入(w_i ²σ_i ²)556，并添加来自先于当前会话的会话的所有输入，来计算加权方差。w_i表示权重，并且σ_i ²表示方差。

图8D示出了当前会话，该当前会话i与先验概率的输入550的集合相关联，并且先验分布的每个输入552包括会话注射剂量553。会话注射剂量553在数值上与会话注射剂量534相同，但是给定新的附图标记以说明其在这里用于计算先验分布。先验分布的输入还包括组合时间权重554、均值的输入555以及方差的输入。将输入555、556相加，以提供与会话i相关的平均值输入之和(558)，以及会话的方差输入559之和。会话注射剂量553在数值上与会话注射剂量534相同，但是给定新的附图标记以说明其在这里用于计算先验分布。类似地，组合时间权重554在数值上与组合时间权重546相同，但是给定新的附图标记以说明其在这里用于计算先验分布。

设置剂量概率

框714。加权均值558和加权方差559用于计算整数剂量的先前剂量概率，如图9A所示的数据结构和图9B所示的高斯分布所示。该步骤在图5中用框714指示。如果没有足够的先前知识或剂量指导，则先验分布可以是均匀的，即恒定的。这在没有决策支持且用户在系统中太新而尚未累积有意义的配量历史时很常见。

图9A示出了可以在步骤714中使用的数据结构的示例，其中假设会话注射剂量是整数，则创建整数剂量的集合560以评估剂量概率。如果会话剂量是包括剂量分数的实数，则应创建与可能的会话剂量相对应的真实剂量的集合。可能的会话剂量由注射装置的性质确定。在该示例中，对于每个整数剂量562评估剂量先前563。基于先验分布评估剂量先前，其中均值和方差对应于预期剂量558和加权方差559。预期剂量558也在图9B中与剂量先前563一起示出。

此后，该方法进行到基于当前会话评估信息，这表示在图5中的步骤716中。

允许的模式的列表

框716。使用N个分配的会话可以以达2^N种方式进行解释，例如在N＝2的情况下，模式的数量为4，并且其中符号“p”表示预注，i表示注射，模式可以是“pp”、“pi”、“ip”或“ii”。但并非所有这些都是合理的，并且对于上述示例，假设(1)每个会话会引致注射，以及(2)预注不会在注射后发生，除非会话中仍有另一个注射。如果使用耐用笔更换药筒或使用新的预填充笔，则注射后可能会在会话中发生预注。

对于没有自动检测机制的可重复使用的笔而言，药筒更换是一项特殊的挑战。当前算法假设我们总是收到有关药筒更换或何时使用新笔的通知。例如，这可以通过追踪当前药筒的使用情况来实现，并且一旦它接近使用寿命终点，就通过UI“唠叨”用户，以确认/拒绝是否更换它。如果使用新笔，则新笔将使用唯一的标识码进行自我标识。

允许的注射数量还取决于分开剂量的可能性以及可配置参数最大注射简单。因此，通过排除药筒更换并设置最大注射简单＝2，可进行达4次分配的允许模式如下表所示。

N	允许模式
		1	“I”
2	“pi”，“ii”
		3	“ppi”，“pii”
4	“pppi”，“ppii”

该表可以扩展到任意数量的分配。在此示例中，预注次数不受限制，但注射次数受限制。如果预期剂量大于笔的拨动极限，则将允许再次注射，当N＝3时容许“iii”，当N＝4时容许“piii”。如果会话包含药筒更换，则模式“ipi”、“ippi”、“pipi”也将变为可能。

图10示出了在该方法中使用的可能的数据结构的示例，其中该数据结构示出了构造会话I的分配数量569以及包括O模式572的可允许的分配模式570的集合。

设置模式权重(模式先前)

框718。不考虑分配大小，某些模式比其他模式更有可能。这类似于步骤714，其中找到了可能的会话剂量的先验概率。模式的先验分布的输入是：(i)用户过去的预注行为，如果他们过去没有预注过，则现在不太可能开始这样做，反之亦然。(ii)当前会话中两次分配之间的时间间隔。具体而言，长于3.5秒的间隔更可能在注射之前，而短于3.5秒的间隔更可能在预注之前。但是，确定间隔也可以接近3.5秒，例如3秒和4秒。

图11A示出了用于会话i的数据结构，该会话包括预注指示器的集合680，其包括用于所有先前会话的预注指示器682。每个预注指示器682是二进制的，例如1或0，并且可以用于计算当前会话的预注权重684，其然后是具有预注的会话的分数。可以想到使用预注指示器作为自变量的其他线性或指数权重函数。

图11B示出了会话i中的分割分配事件592。该部分中有3个分配事件592，其引致2个会话内时间681，因为会话内时间681定义了考虑分配事件之前的时间。因此，第一分配事件592～i～1不能具有会话内时间681。下限会话内时间769指示确定对预注或注射的偏好的参数。下限会话内时间769可以例如为3.5秒。在所示的示例中，会话内时间681～i～2小于下限会话内时间769，这意味着分配事件592～i～2很可能是预注事件。分配事件592～i～2最有可能是注射，因为它大于下限会话内时间769。

在确定允许哪些模式之后，每个模式都有相同的可能性开始。在描述的实施方案中，基于两个因素来调整这些概率：(1)用户的“预注概率”(基于我们过去观察它们执行流量检查的频率)，以及(2)该会话内的分配之间的计时(会话内计时)。

对于项目(1)，在0到1之间维持“预注概率”。预注权重可以理解为过去会话的分数，其中用户执行至少一次流量检查或预注分配。在另一个实施方案中，应用指数“遗忘因子”，使得长久会话的计数不及最近会话的计数，否则，如果用户改变其行为，则该算法将太慢而无法适应。影响模式权重的方式如下：最初，每个权重为1.0。对于每个具有预注的模式，权重被修改为：

patternWeight＝patternWeight*2^{(2*primeProb-1)}

并且对于没有预注的每个模式，我们将权重修改为

patternWeight＝patternWeight*2^{(1-2*primeProb)}

请注意，如果用户没有显示任何一种趋势(primeProb＝0.5)，则权重乘以一并保持不变。如果用户倾向于预注，则具有预注的模式具有较大的权重，而没有预注的模式则具有较小的权重，如果用户倾向于不进行预注，则反之亦然。

对于项目(2)，研究表明，分配之间的3.5秒间隔是良好的截止点，较长的间隙通常与“pi”(其后是注射的流量检查)相关联，而较短的间隙通常与“pp”相关联(两次流量检查)。请注意，如果会话中只有两个分配，这根本没有效果，因为无论如何都不允许使用模式“pp”。必须至少注射一次。但是对于具有三个或更多分配的会话而言，可以使用有关会话内时间的信息。

在示例性实施方案中，可以通过以下方式来计算权重计算：

patternWeight＝patternWeight*

1.2^{(length(shortPPs)+length(longPIs))}/1.2^{(length(longPPs)+length(shortPIs))},

其中在此示例中，“length(longPPs)”是“pp”分配对的数量的计数，“length(longPIs)”是模式中“pi”分配对的数量的计数，其中实际时间间隔为长，例如t>3.5秒。“length(shortPPs)”是“pp”分配对的数量的计数，“length(shortPIs)”是模式中“pi”分配对的数量的计数，其中实际时间间隔为短，例如t<3.5秒。

因此，例如，如果当前会话为3个分配，则考虑分配1和2之间的间隔为2秒，分配2和3之间的间隔为5秒。允许的模式为：ppi、pii。

对于模式ppi，分配对被计算为：

length(longPPs)＝0，length(shortPIs)＝0并且(length(longPPs)+length(shortPIs))＝0并且

length(shortPPs)＝1，length(longPIs)＝1并且(length(shortPPs)+length(longPIs))＝2。

然后可以将对应的模式权重计算为：

patternWeight(“ppi”)＝patternWeight(“ppi”)*1.2²/1.2⁰＝pattern-Weight(“ppi”)*1.2²

对于模式pii，模式对计数为：

length(longPPs)＝0，length(shortPIs)＝1并且(length(longPPs)+length(shortPIs))＝1并且

length(shortPPs)＝0，length(longPIs)＝1并且(length(shortPPs)+length(longPIs))＝1。

然后可以将对应的模式权重计算为：

patternWeight(“pii”)＝patternWeight(“pii”)*1.2¹/1.2¹＝patternWeight,

从而，模式权重(“ppi”)>模式权重(“pii”)，并且在此示例中，当我们将模式概率乘以模式权重并进行归一化为1时，模式先前将由此增加将会话标记为“ppi”的概率，如将相对于框722所描述的。

计算模式概率

框720。对于会话中的每个分配，使用概率曲线表示基于剂量大小的分配是注射还是预注的概率，即P(注射)-对-分配-大小曲线或P(预注)-对-分配-大小曲线。分配大小越大，则越有可能是注射，而越不可能是预注。在每个会话中分配的分配大小被输入721以计算模式概率。

所使用的实际曲线例如可以是具有良好S形的erf(x)(高斯积分)。缩放取决于药物类型：对于基础胰岛素使用针对当前用户追踪的平均预注/注射大小，在已知注射通常大得多的情况下(例如20单位)，这会使算法不太可能拒绝较大的预注分配(3至4个单位或更高)。对于推注胰岛素，注射剂量的一致性较差，并且通常较小，因此在此示例中，erf(x)被采用为固定的S曲线，其中预注/注射之间的50/50交叉为4个单位。此外，如果会话中的所有分配都<＝4单位，我们会自动假设候选注射实际上是注射。这避免了拒绝非常小的剂量。一旦确定了erf(x)曲线，每个模式的概率就变成P(注射)和P(预注)＝1-P(注射)因子的简单乘积。例如，在分配{3,8}的会话中，模式“pi”的概率为[1-P(3是注射)]*P(8是注射)。

图12A示出了2个推注分配的概率曲线erf(x)。在左图770～1中示出了模式“pi”的概率。虚线曲线示出了分配是预注的概率，并且如果分配大小小于4个单位，则分配事件最可能是预注。类似地，实线曲线示出了根据分配大小分配是注射的概率。右图770～2示出了模式ii的概率。圆圈表示当前会话的实际分配大小。图12B示出了与当前会话i相关联的模式概率607的数据结构。

更新模式概率(使用先前)

框722。在为每个允许的模式获得基于大小的概率后，将贝叶斯定理应用于步骤718的模式权重中的因子。基于大小的概率乘以模式权重(先验分布)，并对结果进行归一化，因此总体模式概率总和为1。

图13示出了数据结构，该数据结构示出了构造针对当前会话i的分割分配事件592和允许模式572。允许的模式与包括预注权重684和会话内时间权重676的模式权重674以及基于分配大小607的模式概率相关联。如上所述，可以基于模式权重674和基于分配大小607的模式概率来计算组合的模式概率688。

将模式概率转换为剂量概率

框724。从模式到剂量的映射是“多对一”。也就是说，多种模式可能引致相同的会话剂量，但是从模式到剂量没有歧义。

实施例：会话{1,2,1,7}。允许的模式是“pppi”,“ppii”,“pipi”,“ippi”。

可能的剂量为：

7个单位(“pppi”)

8个单位(“ppii”，“ippi”)

9个单位(“pipi”)

因此，

P(剂量＝7)＝P(模式为“pppi”)

P(剂量＝8)＝P(模式为“ppii”)+P(模式为“ippi”)

P(剂量＝9)＝P(模式为“pipi”)

P(剂量<7)＝P(剂量>9)＝0

图14示出了数据结构，该数据结构示出了构造包括多个可能剂量612的可能剂量的集合610。每种可能的剂量包括一个或多个对应的可能模式614，并且每种模式包括组合模式概率688。如果可能的剂量包括多于1个的可能模式，则将每个模式的可能性相加，以提供所讨论的可能剂量的组合模式概率的总和617。针对每个可能的剂量计算模式概率总和617。

更新剂量概率

框726。步骤724中获得的剂量概率乘以步骤714中的先验分布，然后重新归一化，以使其总和为1，这被称为贝叶斯角色。所得的分布被称为会话剂量上的“后验”分布。

最可能的会话剂量是概率最高的剂量，即自变量最大(后验分布)。产生最大值的自变量。这可能是最好的猜测，尽管它可能是也可能不是“好的”猜测。确定估计的适当性是步骤728中描述的置信度得分和评估的目标。后验分布中最可能的剂量是最大似然估计。

图15示出了数据结构，该数据结构示出了用模式概率的对应总和617和对应的整数剂量624以及先前剂量626来构造可能的剂量。这两个概率都与会话剂量大小有关，因此可以组合为可能剂量的组合概率627。同样，该剂量627可以归一化为1。

计算置信度得分

框728。直观地，有若干种方法可以评估对会话剂量估计值的最大似然的置信度：

(i)数据概率。在归一化之前，步骤720中的概率是多大(或多小)？

(ii)预期剂量匹配。如果此会话有预期剂量，那么与最大似然剂量估计值相差多远？

(iii)歧义。最大似然剂量估计值在后验会话剂量分布中占主导地位，还是在其下方不远处有其他峰？

(iv)预注一致性。将最大似然剂量估计值追踪到获胜模式，例如“pi”或“ii”，这是否与用户的历史预注倾向相符？

这四个示例性置信度度量(可以添加更多)可以转换为置信度得分，并且可以使用ConfidenceWeight参数分别进行配置。总体置信度得分为最小(配置得分1、配置得分2，...)

通过设置对应的ConfidenceWeight变量，可以选择各种置信度度量并调整得分。按照惯例，置信度度量的对应权重为零时，它不会起作用。

总体置信度为最小(所有置信度度量)。将总置信度与阈值(confidenceThreshold)进行比较，以确定是标记会话注射剂量还是将其回输给用户接口，以供用户手动标记。

使用观察到的会话数据的概率，在

度量，最大似然剂量处评估。置信度得分公式为：

pDataConfidence＝1-(pDataConfidenceWeight*(1-pData))pDatapDataConfidencepDatapDataConfidencepDataConfidenceWeightpData，

因此，当加权为1.0时，pDatapDataConfidence＝pData。pDatapDataConfidencepDataConfidenceWeight＝1.0，

度量，预期剂量与最大似然剂量之间的差

作为置信度度量？置信度得分遵循以下公式：

expDoseConfidence＝1-expDoseConfidenceWeight*(MLDose-

ExpDose)/sqrt(Variance),

expDoseConfidenceWeight＝0.15。如果置信度阈值为0.7，则最多2个标准偏差。

度量，后验会话注射剂量概率输出中的仪器。置信度得分公式为：

ambigConfidence＝max(0,1-(ambigConfidenceWeight*(1-max(pDoseOut))/max(pDoseOut))),

使得在权重为1的情况下，当最大似然剂量概率降至0.5时(暗示着其他剂量概率之和也为0.5)，ambigConfidence降至零。ambigConfidenceWeight＝0.75。

度量，预注/非预注一致性作为置信度度量？得分确定了在primeProb或1-primeProb的何值处置信度开始向零降低。例如，0表示consistencyConfidence将始终为1，1表示仅当其预注或非预注历史完美时，consistencyConfidence＝1，而0.5表示consistencyConfidence＝1，只要其预注历史在50/50至完美之间。consistencyConfidenceWeight＝0.5。

图16示出了用于构造置信度度量的数据结构，该置信度度量包括置信度度量的集合630以及置信度得分的集合640中的对应的置信度得分。评估所有置信度得分642、643、644、645，并针对置信度阈值539评估最小置信度得分。

如果置信度>置信度阈值，则标记会话

框730。将最小置信度得分与置信度阈值539进行比较，其例如可以为0.7。如果最小置信度得分大于置信度阈值，则会话被“标记”，并且不需要要求用户进行确认。如果置信度得分小于置信度阈值，则用户中间相将需要要求用户确认注射剂量。取决于置信度低的原因，可以使智能反馈适应以下要求，例如，询问是否为预注一致性，可以询问用户“您是否忘记预注？”等等。重要的是要记住，给定数据集上的标记率不是算法的固有属性。取决于置信度阈值，可以容易地在0-100％之间选择标记率。建议基于剂量估计准确度与用户接受度之间的权衡来选择目标标记率。

图17示意性地示出了会话细节图中的未标记会话772，其中两个分配的模式是未知的。该图还示出了标记会话773，其中分配已被标记有提供最大似然剂量的最可能模式。标签指示器538可以取决于置信度得分评估的结果来指示是否标记会话。

实施例3：

时间分割

图18示出了患者调查图。该调查图示出了达前144个会话以及144个会话详细图。前5个会话774a未被标记，随后5个会话774b被标记，会话774c未被标记，而774d被标记。会话详细图之间的矩形表示会话之间的时间。由于灰度缩放，不可能标识颜色指示，否则将指示“已标记”、“未标记”、“注射”、“预注”。会话详细图下方的数字表示所分配的药剂的大小。图18涉及将分配物分成多个部分的步骤710。

确定预期剂量

图19A涉及步骤712，并且在“历史权重”图中针对调查图中示出的144个会话示出了先前信息。历史权重图总结了从最新到最旧的过去会话到当前会话的适用性。中间图中示出的实线778是由于会话龄期引起的权重，由于排序，其始终是递减曲线。左图中的长虚线777b和中间图中的对应的实点777a是由于会话间间隙长度的相似性而引起的权重。右图中的短虚线776b和中间图中的对应实点776a是由于一天中的时间相似性而引起的权重。接近1.0的点越多，过去的会话在估计“预期剂量”时就越适用。

相对于当前会话的所有组合权重548(此处为：8.6)的总和必须超过阈值，然后才能计算预期剂量。权重的总和548在图19B左图的数据结构中示出。

设置剂量概率

在此示例中，有足够的历史(8.6高于经验阈值)来计算加权平均值，即“预期剂量”558。在这种情况下，预期剂量为7.9U。先前剂量概率为高斯，在图19B中的曲线767中用点和实线示出。均值在预期剂量558处，并且方差与加权平均中过去剂量的方差成比例，因此先验分布的计算与步骤714有关。

允许的模式

图19C示出了具有分配数量569的数据结构，并且所设置的允许模式570包括允许模式570。

设置模式权重

图19D示出了具有模式权重的数据结构。由于会话中只有两个分配，因此只能使用与预注有关的模式权重。每个模式都会基于过去的预注行为获得权重。在这种情况下，患者是非常一致的预注者，因此我们在考虑分配大小之前，我们强烈偏向“pi”。图19D显示，在这种情况下，预注权重684为0.79，但是如果我们将权重视为分数，则取决于改变预注习惯的难易程度，以该分数为自变量的考虑权重的指数衰减也是可能的。

计算模式概率

会话中的分配具有分配大小{2，9}。通过应用所讨论的规则，模式572只有两种可能的解释，即“pi”和“ii”。在图19E中用概率图示出了每个模式。模式“pi”的概率约为1，并且模式ii的概率约为0。这在图19E的数据结构中被示为模式概率607。

模式概率可以基于分配大小进行评估。与模式权重分开，每个模式都会基于分配大小获得概率。较大的分配更有可能是注射。图19E中的概率图示出了每种分配的P(预注)或P(注射)与剂量大小的关系。对于推注药物，曲线是固定的，并且在4u处的交叉概率为50/50。气泡是评估曲线的点，即2u和9u。P(2是预注)*P(9是注射)接近1，因此“pi”的概率很高。P(2是注射)非常小，因此ii的可能性很低。

更新模式概率

图19F示出了更新模式概率的步骤722。在左图中示出了当前会话i的分配事件的集合590，以及对应的分配大小592。在右图中示出了当前会话i的允许的分配模式的集合570。使用模式权重更新基于分配大小的模式概率，以得出总体模式概率，“pi”基本上为100％，并且“ii”基本上为0％。基于会话内时间的权重不适用于只有两个分配的会话。

将模式概率转换为剂量概率

图19G示出了包括可能的剂量的集合610的数据结构，其中每个可能剂量612包括可能的模式。图19G涉及将模式概率转换为剂量概率的步骤724。如果P(“pi”)＝x并且P(“ii”)＝y，则P(剂量为9)＝x，P(剂量为11)＝y，并且P(剂量既不是9也不是11)＝0。

更新剂量概率

接下来，我们通过乘以剂量先前并重新归一化(贝叶斯规则)来更新这些剂量概率。结果是最终(“后验”)剂量概率分布617。最大的后验剂量可能性被称为“最大似然”剂量。

图19H示出了包括用于当前会话532～i的可能的剂量610的集合的数据结构，其中每个可能的剂量612包括在步骤714中获得的组合模式概率617、对应的整数剂量624和剂量先前626的总和。然后将概率617、626组合为可能的剂量627的组合概率。将可能剂量627的组合概率归一化为总和为1，以获得可能剂量的归一化组合概率。请注意，对于可能剂量612为9的可能剂量628的归一化组合概率为1，即，最大似然剂量为9U。

计算置信度得分

置信度得分。现在，我们有剂量估计值(9U)，但是正确的可能性有多大？这是置信度得分的领域。当前有四种类型的置信度得分，都可以调整：估计值与预期剂量的接近程度如何？归一化之前选定的模式和剂量概率(pData数量)的可能性有多大？最终(后验)概率的歧义如何？即是否有>1个具有非平凡概率的答案？所选模式是否与该患者的预注历史一致？总体置信度是这些得分中的最小者，在这种情况下为“ExpDose”(预期剂量匹配)。0.96的总体置信度大于阈值0.7，并且标记了会话并为会话剂量分派了9U的值。即使未标记会话，它仍可用于以后的会话中对以后的剂量估计的评估中。

总结

会话{2，9}只能以两种方式解释。因为2对于注射来说很小，但是典型的是预注，并且因为该患者一直在预注，所以“pi”比ii更有可能。估计的剂量非常接近一天中这个时间和会话间间隙的平均剂量，概率很高，最终概率没有歧义，并且预注行为是一致的，因此置信度很高。由于置信度高于我们的阈值(模拟中为70％)，因此该会话被正式标记。

Claims (11)

1.一种用于提高查询药物分配数据集的数据质量的计算系统(502)，其中所述系统包括：一个或多个处理器；和存储器，所述存储器包括：

-指令，所述指令在由所述一个或多个处理器执行时执行响应于接收到用于提高分配数据质量的查询请求的方法，所述指令包括以下步骤：

a)获得查询分配数据集(520)，所述查询分配数据集包括在时间过程中创建的多个分配记录，每个相应的分配记录表示分配事件，所述分配事件包括：

(i)药剂的分配量，其中所述分配量是预注量[p]或注射量[i]中的一个，每个量对应于一定大小，

(ii)对应的分配时间戳，

b)将所述查询分配数据集分割(710)成一个或多个当前会话(530)，每个当前会话包括根据聚类标准的集合在时间上聚类的一系列分配事件，

对于每个当前会话(523)：

c)根据模式规则的集合创建可能的分配模式的列表(16、716)，其中分配模式是一系列分配量，所述分配量是预注量或注射量，

d)对于每个模式，计算组合模式权重，所述组合模式权重是所述模式中每个分配的权重因子的乘积，其中对于给定的分配类型和分配大小，每个权重因子是根据权重因子与分配大小函数(70、770)确定的，其中所述分配大小越大，表示注射事件的可能性就越大，并且表示预注事件的可能性就越小，

e)将获胜模式标识为具有最高组合模式权重的模式；以及

f)将对应的分配事件存储在存储器中，所述对应的分配事件被标记为与所述获胜模式相对应的预注或注射事件。

2.如权利要求1所述的计算系统，所述指令包括以下另外的步骤：

-获得历史分配数据集，所述历史分配数据集包括在先前时间过程中创建的多个先前分配记录。

3.如权利要求2所述的计算系统，所述指令包括针对每个当前会话的以下另外的步骤：

-基于历史分配数据为预期的总注射量分布生成平均值和方差值(555、556)，

-比较最高和第二高的组合模式权重，并且如果所述模式权重在给定的彼此接近的范围内，则根据生成的分布将更新的获胜模式标识为具有最高概率的模式。

4.如权利要求3所述的计算系统，所述指令包括针对每个当前会话的以下另外的步骤：

-计算预期的总注射量值所基于的所述历史分配数据的历史权重，所述历史权重基于相关性标准，其包括以下各项中的一项或多项：

-数据龄期，

-一天中的时间相似度，以及

-会话间间隙相似度，

其中除非所述历史权重达到给定的最小阈值，否则不生成预期的总注射量值。

5.如权利要求1至4中任一项所述的计算系统，所述指令包括针对每个当前会话的以下另外的步骤：

-基于来自置信度值的组中的一个或多个置信度度量确定组合的置信度值，所述置信度值的组包括：

-以所述最高组合模式权重的值为基础的数据置信度值，

-以估计的总注射量与预期的总注射量之间的差为基础的预期量置信度值，如果计算的话，

-根据如有生成的所生成的分布以所述最高和第二高的组合模式权重的概率接近度为基础的歧义置信度值；以及

-以所述获胜模式的预注行为之间的一致性为基础的预注置信度值，并且

其中，当所述组合的置信度值高于给定阈值时，则：

-计算估计的总注射量，作为所述获胜模式中所有注射量的总和。

6.如从属于权利要求2或3的权利要求5所述的计算系统，其中当所述组合的置信度值高于给定阈值时，则：

-标记与所述获胜模式相对应的会话，其中所述预期的总注射量分布的平均值和方差值仅是基于来自被标记的会话的历史分配数据。

7.如权利要求2至6中任一项所述的计算系统，其中组合的模式权重是一个或多个另外的因子的乘积，所述因子包括：

-基于历史分配数据的预注概率因子，

-预注差异因子，以及

-具有多于两个分配的会话的会话内分配间隔因子。

8.如权利要求1所述的计算系统，所述指令包括针对每个当前会话的以下另外的步骤：

-计算估计的总注射量，作为所述获胜模式中所有注射量的总和。

9.如权利要求1至8中任一项所述的计算系统，其中：

-所获得的分配记录包括标识符，所述标识符用于将给定分配事件标识为推注事件或基础事件，并且

-所述方法的规则和参数适用于以仅推注方案、仅基础方案、或者推注和基础方案生成的分配数据。

10.如权利要求1至9中任一项所述的计算系统，其中：

-通过时间参数的集合和时间测量值的集合来控制所述分割，其中所述一系列分配事件中的初始分配事件启动会话并将计时器清零，并且接下来的分配被自动地包括在该会话中，直至会话时间窗口过去，并且其中，之后的分配被包括在内，条件是以下表达式为真：(i)所述会话的任一侧的所得会话长度和所得会话间长度(763、765)之间的比率小于会话长度比率，以及(ii)所述所得会话长度小于会话窗口最大值，

-其中所述会话中的所述一系列分配事件定义分配事件的集合，并且其中每个分配事件包括对应的分配大小，即分配的药剂的量，并且

-其中响应于所述表达式不再为真，启动新的会话。

11.如权利要求1至10中任一项所述的计算系统，其中给定事件或会话标签能够由用户改变。

Images