CN113614850A - 预测血糖浓度 - Google Patents
预测血糖浓度 Download PDFInfo
- Publication number
- CN113614850A CN113614850A CN201980073596.9A CN201980073596A CN113614850A CN 113614850 A CN113614850 A CN 113614850A CN 201980073596 A CN201980073596 A CN 201980073596A CN 113614850 A CN113614850 A CN 113614850A
- Authority
- CN
- China
- Prior art keywords
- blood glucose
- user
- glucose concentration
- data representing
- generated
- 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
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 title claims abstract description 243
- 239000008103 glucose Substances 0.000 title claims abstract description 243
- 239000008280 blood Substances 0.000 title claims abstract description 236
- 210000004369 blood Anatomy 0.000 title claims abstract description 236
- 238000000034 method Methods 0.000 claims abstract description 61
- 238000012549 training Methods 0.000 claims abstract description 49
- 238000004590 computer program Methods 0.000 claims abstract description 20
- 235000012054 meals Nutrition 0.000 claims description 34
- 238000005259 measurement Methods 0.000 claims description 27
- 206010012601 diabetes mellitus Diseases 0.000 claims description 22
- 229940079593 drug Drugs 0.000 claims description 13
- 239000003814 drug Substances 0.000 claims description 13
- 150000001720 carbohydrates Chemical class 0.000 claims description 10
- 230000037081 physical activity Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 description 26
- NOESYZHRGYRDHS-UHFFFAOYSA-N insulin Chemical compound N1C(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(NC(=O)CN)C(C)CC)CSSCC(C(NC(CO)C(=O)NC(CC(C)C)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CCC(N)=O)C(=O)NC(CC(C)C)C(=O)NC(CCC(O)=O)C(=O)NC(CC(N)=O)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CSSCC(NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2C=CC(O)=CC=2)NC(=O)C(CC(C)C)NC(=O)C(C)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2NC=NC=2)NC(=O)C(CO)NC(=O)CNC2=O)C(=O)NCC(=O)NC(CCC(O)=O)C(=O)NC(CCCNC(N)=N)C(=O)NCC(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC(O)=CC=3)C(=O)NC(C(C)O)C(=O)N3C(CCC3)C(=O)NC(CCCCN)C(=O)NC(C)C(O)=O)C(=O)NC(CC(N)=O)C(O)=O)=O)NC(=O)C(C(C)CC)NC(=O)C(CO)NC(=O)C(C(C)O)NC(=O)C1CSSCC2NC(=O)C(CC(C)C)NC(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CC(N)=O)NC(=O)C(NC(=O)C(N)CC=1C=CC=CC=1)C(C)C)CC1=CN=CN1 NOESYZHRGYRDHS-UHFFFAOYSA-N 0.000 description 20
- 230000036541 health Effects 0.000 description 16
- 238000004458 analytical method Methods 0.000 description 14
- 238000003860 storage Methods 0.000 description 12
- 102000004877 Insulin Human genes 0.000 description 10
- 108090001061 Insulin Proteins 0.000 description 10
- 238000004891 communication Methods 0.000 description 10
- 229940125396 insulin Drugs 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 235000014633 carbohydrates Nutrition 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 208000001072 type 2 diabetes mellitus Diseases 0.000 description 6
- 235000013305 food Nutrition 0.000 description 5
- 206010018429 Glucose tolerance impaired Diseases 0.000 description 4
- 208000001280 Prediabetic State Diseases 0.000 description 4
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 4
- 235000016709 nutrition Nutrition 0.000 description 4
- 201000009104 prediabetes syndrome Diseases 0.000 description 4
- 230000000386 athletic effect Effects 0.000 description 3
- 230000036772 blood pressure Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000013075 data extraction Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000037213 diet Effects 0.000 description 3
- 235000005911 diet Nutrition 0.000 description 3
- 230000037406 food intake Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 208000004104 gestational diabetes Diseases 0.000 description 3
- 230000001788 irregular Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 206010067584 Type 1 diabetes mellitus Diseases 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 239000003651 drinking water Substances 0.000 description 2
- 235000020188 drinking water Nutrition 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 235000012631 food intake Nutrition 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 208000031226 Hyperlipidaemia Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 206010043458 Thirst Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- -1 activity Substances 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 235000021152 breakfast Nutrition 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 235000012000 cholesterol Nutrition 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002641 glycemic effect Effects 0.000 description 1
- 235000003642 hunger Nutrition 0.000 description 1
- 230000036571 hydration Effects 0.000 description 1
- 238000006703 hydration reaction Methods 0.000 description 1
- 238000010921 in-depth analysis Methods 0.000 description 1
- 238000011545 laboratory measurement Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000002483 medication Methods 0.000 description 1
- 208000030159 metabolic disease Diseases 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 230000027939 micturition Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000496 pancreas Anatomy 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 230000003442 weekly effect 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Emergency Medicine (AREA)
- Optics & Photonics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
用于预测血糖浓度的方法,系统,和计算机程序产品。确定用于训练血糖浓度预测模型的一个或多个特征。基于与多个用户中的一个用户相关联的一个或多个输入数据参数确定特征。使用所确定的一个或多个特征,训练血糖浓度预测模型。使用所训练的血糖浓度预测模型,为用户生成一个或多个所预期的血糖浓度。
Description
相关申请交叉引用
本申请要求Goldner等人于2018年9月7日提交的名称为“预测血糖浓度”的美国临时专利申请号62/728,496,以及Goldner等人于2019年5月29日提交的名称为“预测血糖浓度”的美国临时专利申请号62/854,088的优先权,其公开通过引用整体并入本文。
技术领域
本公开大体上涉及数据处理,并且尤其涉及预测血糖浓度和/或解释所预测的数据。
背景技术
糖尿病(DM)是一组代谢紊乱,其中长期存在高血糖水平。这种病症的典型症状包括尿频,口渴加剧,饥饿感加剧等。如果不予治疗,糖尿病会引发许多并发症。糖尿病主要有三种类型:1型糖尿病由于胰腺无法产生足够的胰岛素而导致。在2型糖尿病中,细胞无法正确响应胰岛素。当先前无糖尿病病史的孕妇出现高血糖水平时,就会发生妊娠期糖尿病。
糖尿病影响着世界人口的很大一部分。及时和正确的诊断和治疗对于患有糖尿病的个体保持相对健康的生活方式至关重要。治疗的应用通常依赖于对个体在当前时间和/或未来的血液中葡萄糖浓度的准确确定。传统的系统无法提供未来某个时间点的血糖浓度的准确预计(prediction)或预测。因此,需要一种能够基于关于该个体和/或其他处境相似的个体的信息/数据来准确地预测该个体的血糖浓度的系统和方法。
发明内容
在一些实施方式中,本主题涉及一种用于预测血糖浓度的计算机实施的方法。该方法可以包括确定用于训练血糖浓度预测模型的一个或多个特征,其中,该一个或多个特征基于与多个用户中的一个用户相关联的一个或多个输入数据参数而确定,使用该所确定的一个或多个特征,训练该血糖浓度预测模型,和使用该所训练的血糖浓度预测模型,为该用户生成一个或多个所预期的血糖浓度。
在一些实施方式中,本主题可以包括以下任选特征中的一个或多个。该方法还可以包括在一个或多个图形用户界面上为该用户显示该所生成的所预期的血糖浓度。
在一些实施方式中,该训练可以包括使用与该多个用户中的一个或多个其他用户相关联的一个或多个参数训练该血糖浓度预测模型。与其他用户相关联的该参数可以包括与一个或多个其他用户相关联的一个或多个历史数据参数。
在一些实施方式中,该输入参数可以包括以下至少一个:表示该用户的糖尿病类型的数据,表示该用户的医疗病症的数据,表示该用户正在服用的药物的数据,表示该用户食用的餐食的数据,表示该用户进行的身体活动的数据,表示该用户的血糖浓度测量的时间的数据,表示该用户的血糖浓度测量的先前值和当前值中的至少一个的数据,表示先前血糖浓度预测的时间的数据,表示该用户的目标(target)血糖浓度(alc)的数据,表示当前日期和当前时间中的至少一个的数据,表示该用户的体重的数据,表示该用户的该血糖浓度中的一个或多个变化的数据,表示该用户消耗的一个或多个碳水化合物值的数据,及其任何组合。
在一些实施方式中,该生成可以包括为该用户生成一个或多个目标血糖浓度范围,为该所生成的所预期的血糖浓度生成一个或多个置信区间,其中该置信区间可以表示该所生成的一个或多个所预期的血糖浓度的准确性,和比较该所生成的目标血糖浓度范围,该所生成的所预期的血糖浓度的该置信区间,以及该所生成的所预期的血糖浓度。该方法还可以包括基于该比较,显示该所生成的所预期的血糖浓度是否在该目标血糖浓度范围内的标示。该方法还可以包括当该所生成的所预期的血糖浓度不在该目标血糖浓度范围内时,向该用户生成警报。
在一些实施方式中,可以在该确定之后的时间点生成该所生成的所预期的血糖浓度。
在一些实施方式中,该方法还可以包括重复该特征的确定,以及该预测模型的训练,然后基于该被重复的确定和训练,为该用户生成一个或多个已更新的所预期的血糖浓度。
在一些实施方式中,本主题涉及一种用于预测和解释用户的血糖浓度的计算机实施的方法。该方法可以包括确定用于训练预测数据模型的特征(例如,输入数据参数),训练该模型,生成血糖浓度预计,确定该预计的置信区间,生成该血糖浓度值的目标范围,组合预测的数据,置信区间,和目标范围,以显示给用户,并解释所预测的数据,例如,向该用户提供反馈。
在一些示例性实施方式中,本主题可以提供一种方法,用于确定未来15分钟至24小时的某个时刻的用户的血糖浓度(BG)的预测,量化与所预测的数据有关的置信区间,以及对预测是高于,低于,还是在与任何给定目标血糖健康(alc)目标(goal)一致的范围内做出解释。出于预测的目的,本主题可以使用过去的血糖浓度值,进餐时摄入的碳水化合物克数,锻炼或活动的分钟数,过去的体重值,过去的alc值,诊断年份等,和/或其任何组合。它还可以使用用户已经输入的以上信息,该信息在不同用户之间,以及给定用户的不同月份之间的差异可能很大。
在一些示例性实施方式中,本主题可以组织以上信息以使其适应于机器学习(例如,“特征工程”),由此可以将不规则和/或有缺口的(gappy)历史信息转换为正在被做出的每个预计的标准形式。这可以允许模型根据相似情况下其他用户的历史为一个用户做出预计。在一些示例性的非限制性实施方式中,本主题可以预先预计未使用胰岛素和/或使用基础胰岛素和/或使用餐时(bolus)胰岛素的前驱糖尿病(pre-diabetes),妊娠期糖尿病,2型糖尿病的血糖,其中75%的“测试集”预计在34mg/dL之内,而86%的预计在50mg/dL之内。以上模型的准确性不仅基于用户的特定信息,还基于从其他用户获取的信息。本主题还可以提供置信区间,例如,所预测的数据与实际值的接近程度。例如,对于特定用户,从现在起两个小时,本主题可以是
·50%的置信度,实际血糖浓度将在128-152mg/dL之间;
·75%的置信度,其将在120-158mg/dL之间;
·90%的置信度,其将在90-170mg/dL之间。
还描述了存储指令的非暂时性计算机程序产品(即物理体现的计算机程序产品),该指令在由一个或多个计算系统的一个或多个数据处理器执行时,使得至少一个数据处理器执行本文的操作。类似地,还描述了计算机系统,其可以包括一个或多个数据处理器和耦接至一个或多个数据处理器的存储器。存储器可以临时或永久地存储使得至少一个处理器执行本文描述的一个或多个操作的指令。另外,方法可以由单个计算系统内的一个或多个数据处理器或分布在两个或更多个计算系统之间的一个或多个数据处理器实施。这样的计算系统可以被连接并且可以经由一个或多个连接来交换数据和/或命令或其他指令等,包括但不限于通过网络(例如,因特网,无线广域网,局域网,广域网,有线网络等)的连接,经由多个计算系统中的一个或多个之间的直接连接等。
在附图和以下说明中阐述了本文描述的主题的一个或多个变型的细节。从说明和附图,以及从权利要求书中,本文描述的主题的其他特征和优点将是显而易见的。
附图简要说明
结合在本说明书中并构成本说明书的一部分的附图示出了本文公开的主题的某些方面,并且与说明一起帮助解释了与所公开的实施方式相关联的一些原理。在附图中,
图1a示出了根据本主题的一些实施方式的用于预测和解释血糖浓度数据的示例性系统;
图1b示出了根据本主题的一些实施方式的图1a所示的示例性预测和分析引擎;
图1c示出了根据本主题的一些实施方式的由图1b所示的预测和分析引擎执行的示例性过程;
图2a和2b示出了根据本主题的一些实施方式的可由图1a所示的系统提供/使用的示例性数据/信息;
图3是根据本主题的一些实施方式的包含由图1a所示的系统生成的示例性短期血糖预测(随时间变化以mg/dL为单位)的点线图;
图4示出了根据本主题的一些实施方式的可由图1a所示的系统执行的用于预测血糖浓度的示例性过程;
图5a-b示出了根据本主题的一些实施方式的包含示例性非限制性训练模型输入(例如,本地时间,本地星期几等)的表格;
图6是示出了根据本主题的一些实施方式的训练集和预测集(predictionset)的示例性置信区间(即训练集和测试集分位数的紧密对应)的点线图;
图7示出了根据本主题的一些实施方式的包含示例性目标范围的表格;
图8是示出了根据本主题的一些实施方式的示例性目标血糖浓度值的点线图;
图9示出了根据本主题的一些实施方式的示例性用户界面;
图10是根据本主题的一些实施方式的示例性预测点线图;
图11a-d示出了根据本主题的一些实施方式的可由图1a所示的本主题系统生成的多个示例性图形用户界面;
图12a-b示出了根据本主题的一些实施方式的可被用户使用以定制正在向用户显示的信息的示例性用户界面;
图13示出了根据本主题的一些实施方式的示例性系统;
图14示出了根据本主题的一些实施方式的示例性方法。
发明详述
为了解决当前可用解决方案的这些和潜在的其他缺陷,本主题的一个或多个实施方式涉及方法,系统,制品等,在其他可能的优点中,这些方法,系统,制品等可以提供预测和解释血糖数据和与用户有关的其他数据的方式。
在一些实施方式中,本主题可以提供用于执行血糖数据和与用户有关的其他数据的这种确定,预测,和/或解释的计算系统和/或框架。数据可以包括数据,元数据,结构化内容数据,非结构化内容数据,嵌入式数据,嵌套数据,硬盘数据,存储卡数据,蜂窝电话存储数据,智能手机存储数据,主存储图像和/或数据,取证容器(forensic containers),zip文件,文件,存储图像,和/或任何其他数据/信息。输入和/或输出数据可以是多种格式,如文本,数字,字母数字,分层排列的数据,表格数据,电子邮件消息,文本文件,视频,音频,图形等。输入数据可以包括以下至少之一:用户的当前和/或先前血糖测量数据,其他用户的当前和/或先前血糖测量数据(例如,数据可以适当地匿名化),进餐特征数据(例如,进餐数量,进餐时间,在进餐时间所消耗的碳水化合物克数(无论当前和/或过去),体育运动数据(例如,锻炼时间,活动类型(例如,步行,跑步等),用户的当前和/或先前体重数据,当前和/或先前alc数据值,与用户有关的病史数据(例如,家族史,用户健康史,诊断,血压等),以及与其他用户有关的相似类型的数据。
图1a示出了根据本主题的一些实施方式的对血糖测量和/或任何其他数据执行确定,分析,预测,解释等的示例性系统100。系统100可以包括预测和/或分析引擎和/或计算平台102,一个或多个用户设备104(a,b,c),和存储/数据库组件106。组件102-106可以使用一个或多个通信网络通信地耦接。通信网络可以包括以下至少之一:有线网络,无线网络,域域网(“MAN”),局域网(“LAN”),广域网(“WAN”),虚拟局域网(“VLAN”),因特网,外联网,内联网,和/或任何其他类型的网络,和/或其任何组合。
组件102-106可以包括硬件和/或软件的任何组合。在一些实施方式中,组件102-106可以被设置在一个或多个计算设备上,如一个或多个服务器,一个或多个数据库,一个或多个个人计算机,一个或多个膝上型计算机,一个或多个蜂窝电话,一个或多个智能手机,一个或多个平板计算机,和/或任何其他计算设备,和/或其任何组合。在一些实施方式中,组件102-106可以被设置在单个计算设备上和/或可以是单个通信网络的一部分。可替代地,这些组件可以彼此分开放置。
用户可以经由用户设备104访问系统100。用户设备104可被用于获取血糖测量数据和/或与用户和/或任何其他用户(适当地匿名化)有关的任何其他数据(例如,健康数据,营养数据,运动数据等)。在一些示例性实施方式中,用户设备104可以包括能够从用户获取血液样本并确定用户血液中的葡萄糖浓度水平的组件。可以使用从用户获取血液样本和/或确定血糖浓度水平的任何手段。该设备还可以包括一个或多个数据输入组件,该数据输入组件可以允许输入多个数据(例如,营养数据(例如,消耗时间,卡路里数量,脂肪量,糖等),健康数据(例如,体重,年龄,睡眠模式,医疗病症,胆固醇水平等),运动数据(例如,步行,跑步,游泳等),个人数据(例如,姓名,性别,社交网络信息等),和/或任何其他数据,和/或其任何组合)等。在一些实施方式中,数据可以由用户设备104从一个或多个第三方数据库查询。用户设备104可被用于生成查询并将其传输到引擎102,该引擎102可以确定哪个数据库可能包含必要的信息,然后与该数据库连接以执行查询并检索适当的信息。在一些实施方式中,引擎102可以包括多个应用编程界面(API)和/或通信界面,其可以允许用户设备104,数据库,和/或任何其他组件之间的接合。
如图1a所示,使用设备104的一个或多个用户可以访问系统100。用户可以是单独的用户,计算设备,软件应用,对象,功能,和/或任何其他类型的用户,和/或其任何组合。在获取适当的数据(例如,如上所述的血糖测量数据,健康数据等)之后,用户设备104可以向引擎102生成指令/命令以处理所获取的数据和/或从一个或多个数据库组件106中提取附加数据,并执行对所收集和/或所接收的数据的分析。在一些实施方式中,指令/命令可以包括可由引擎102用以认证用户设备104的认证令牌(例如,它可以是密码,一次性/单次使用生成的数字序列等)。指令/命令可以是查询,函数调用,和/或任何其他类型的指令/命令的形式。在一些实施方式中,可以使用麦克风(独立麦克风或嵌入用户的计算设备的麦克风),扬声器,屏幕(例如,使用触摸屏,手写笔,和/或以任何其他方式),键盘,鼠标,照相机,便携式摄像机,电话,智能手机,平板计算机,个人计算机,膝上型计算机,和/或使用任何其他设备来提供指令/命令。用户设备104还可以指令引擎102对系统100中可能存在的数据(例如,存储在数据库106中)和/或经由数据设备104输入的数据进行分析。该分析可以实施多种机器学习技术,如下文进一步讨论。
出于由引擎102执行分析的目的,任何手段都可被用来获取数据,其中手段可以包括以下一个或多个:麦克风(独立麦克风或嵌入用户设备的麦克风),扬声器,屏幕(例如,使用触摸屏,手写笔,和/或以任何其他方式),键盘,鼠标,照相机,便携式摄像机,电话,智能手机,平板计算机,个人计算机,膝上型计算机,和/或使用任何其他设备。引擎102还可以从多个第三方源获取数据。在一些实施方式中,引擎102可以通信地耦接到多个公共和/或私有数据库,该公共和/或私有数据库可以存储多种信息,例如,普查(census)信息,卫生统计(health statistics)(适当地匿名化),人口统计信息,人口信息,和/或任何其他信息。例如,引擎102可被用于获取关于系统100的多个用户(未识别用户)的血糖测量/浓度和/或血糖浓度的预测的信息,与这些用户有关的营养数据,运动数据,社交网络信息,和/或任何其他信息,和/或其任何组合。
引擎102可以执行查询,该查询可以是和/或处理从用户设备104所接收的数据,并且可以访问数据库106以获取可能被存储在数据库106中的相关数据。示例性相关数据在图2a-b中示出。在一些实施方式中,可以为特定用户(例如,如图2a-b所示的“用户1”,“用户2”等)获取或“取得(fetched)”相关数据。当用户输入新数据(例如,新用户测量数据,新用户体重数据,新进餐数据等)时,引擎102可以获取这些相关数据。可替代地,引擎102可以基于特定请求(例如,用户导航到用户设备104上的预测屏幕等)和/或可被生成至引擎102的查询(例如,由用户设备104,第三方应用等)来获取以上数据。数据可以包括与该用户和/或多个用户有关的数据(例如,历史血糖浓度水平,血糖测量的既往分析,健康历史数据,医疗病症历史数据,运动历史数据,营养数据等)。数据可被适当地匿名化以确保符合多种隐私标准。数据库106可以用多种格式存储信息,例如表格格式,列-行格式,键-值格式等(例如,每个键可以表示与用户相关联的多种属性,并且每个对应值可以表示属性值(例如,测量,时间等))。
图1b示出了根据本主题的一些实施方式的引擎102的示例性组件。图1c示出了根据本主题的一些实施方式的可以由引擎102执行以用于生成血糖浓度的预计的示例性方法130。引擎102可以包括一个或多个计算模块,功能性(functionalities)等,其可被用于确定/预测一个或多个血糖浓度和/或生成一个或多个建议,预测的解释,支持消息等。如上所述,引擎102可以包括一个或多个硬件组件,软件组件,和/或其组合。
如图1b所示,引擎102可以包括数据提取模块112,预测输入特征确定模块114,所训练的模型(一个或多个)模块116,置信区间预测确定模块118,葡萄糖预测确定模块120,目标带确定模块122,范围内预测(forecast-in-range)百分比确定模块124,预测概要生成模块126,和建议/消息生成模块128。数据提取模块112可以被配置为从数据库106(图1a所示)获取特定用户数据(例如,图2a-b所示的数据)(图1c中所示的111)。一旦获取了用户特定的数据,就可以将该数据提供给预测输入特征确定模块114,以从用户数据中确定和/或计算预测输入预测特征(图1c中所示的113)。可以将所确定的特征提供给所训练的模型模块116(图1c中所示的115)。如下所述,所训练的模型可被用于在未来的任何时间点(例如,在1分钟,5分钟,30分钟,1小时,5小时等,和/或任何时间段内)使用置信区间预测确定模块118以确定或预测血糖值(图1c中所示的117)。另外地,如下所述,所训练的模型可被用于使用葡萄糖预测确定模块120确定或预测一个或多个置信区间(图1c中所示的119)。在一些实施方式中,连同所确定的葡萄糖值(在图1c中117确定)一起,可以任选地,和/或可替代地(在用户设备104上)向用户呈现已经为置信区间(在图1c中119确定),目标带(在图1c中121确定),和/或范围内预测百分比数据(在图1c中123确定)确定的数据。在图11a和11c中示出了可以被生成以用于呈现在包含以上信息的用户设备104上的示例性图形用户界面并在下面讨论。
所预测的血糖值可被提供给建议/消息生成模块128以为用户生成一个或多个建议和/或任何其他重要消息(如图1c所示的125)。此外,所预测的血糖值可被提供给预测概要生成模块126用于生成预测的概要(例如,预期血糖在接下来的3小时内升高)(如图1c所示的127)。模块126和128可被配置为生成一个或多个图形用户界面(例如,如图9-12b所示),并且可向用户提供多种标示,提议,消息等。连同血糖预测标示一起,图形用户界面可包括一个或多个关于体育运动,饮食,饮水(hydration),休息,睡眠,医疗预约,提醒,和/或任何其他信息的建议,这些建议在给定预测下被自动选择为适合于用户。
在一些实施方式中,出于确定所生成的预测是否在特定目标血糖浓度阈值的百分比特定范围内的目的,可以将所预测的血糖值提供给范围内预测百分比确定模块124(如图1c所示的123)。目标带确定模块122可被用于确定特定血糖浓度阈值(如图1c所示的121)。模块122可以依赖于由数据提取模块112从数据库106提取的用户数据(例如,存储在图1a所示的数据库106中的特定于用户的数据以及与其他用户有关的数据(例如,包括任何历史数据等))。模块124可以将所预测的血糖浓度值(图1c中所示的117)与由模块122确定的一个或多个阈值进行比较(图1c中所示的123)。一旦进行了比较,模块124就可被配置为生成适当的标示,该标示可被显示在由模块126,128生成的图形用户界面之一中。该标示可以表示用户的血糖浓度是否被预期为落在特定阈值范围之外,被预期为在阈值范围之内等。模块126,128可以进一步被配置为解释该确定并向用户生成上述建议,提议,标示等中的一个或多个。
在一些实施方式中,本主题还可以使用多种技术来执行任何上述所预测值的准确性的评估。例如,可以将所预测值与准确性阈值进行比较,例如,高于80mg/dL(或任何其他值)的预计的标准误差,或大于100mg/dL的宽度(或任何其他宽度)的90%置信区间(或任何其他置信区间),或满足任何给定临床准确性标准(如克拉克误差网格区域“A”(或来自任何误差分类方案的任何其他标签))的可能性小于75%(或任何其他值),以确定所预测值是否具有高度不确定性。如果是这样,则本主题可以确定不应将所预测值传送给用户设备104。可替代地,设备104的图形用户界面可以生成所预测值可能具有高度不确定性的标示以及询问用户是否用户希望查看所生成的高不确定性的所预测值的图形提示,例如,以确定输入数据值中可能发生可能的错误的地方。一旦进行了更正(如果有的话),预测可能被重新执行。
可以通过以下示例来说明过程130。如果用户在12月23日当地时间12:30PM记录了餐食,则用户设备104可以生成预测请求。可以检索用户所有已记录的信息。可以计算输入以进行1PM,1:30PM,2PM,2:30PM等的预测。然后,所训练的模型可被用来预计用户在即将到来的时间的血糖浓度。
在一些实施方式中,返回参考图1a,数据库106可以存储可以通过由引擎102生成的查询来访问的多个表格。这些表格可以存储不同类型的信息(例如,一个表格可以存储血糖测量数据,另一个表格可以存储用户健康数据等),其中一个表格可以作为对另一个表格更新的结果而更新。在一些实施方式中,可以通过用户提供的数据/信息(例如,新数据/信息,已更新的数据/信息,已修改的数据/信息等)来提供和/或连续更新包含在数据库106中的数据。在一些示例性实施方式中,可以从一个或多个外部源提供数据(例如,数据库106可被配置为生成一个或多个查询和/或访问存储在一个或多个外部数据库,服务器等上的数据/信息)。存储在数据库106中的数据可以用如所示(例如,如图2a-b所示)的一个或多个列和/或行格式组织。
引擎102可执行对所获取的数据的分析(例如,统计分析,机器学习分析等),并为用户生成所预期的血糖浓度的预测,以及提供对所获取的数据和/或所预测的数据的解释,如下进一步所讨论。引擎102可以一次和/或连续地执行这种分析/评估,例如,当将已更新的数据提供给引擎102时,引擎102可以对先前的预测进行分析和重新评估,并更新其先前的预计。在执行其分析时,引擎102还可以生成附加查询以获取进一步信息。在一些示例性实施方式中,当要生成新的,已更新的等预测时,可以生成附加查询。每当有新数据时,当用户访问用户设备104上的预测用户界面等时,都可以请求新的预测。当请求新的预测(例如,触发了预测请求)时,用户的所有信息,包括但不限于,自任何先前预测以来已输入和/或获取的任何信息,都可以从数据库106获取并由引擎102使用。在一些实施方式中,用户设备104可以自动地向引擎102提供这样的信息。接收到已更新的/附加的信息可以生成触发,并且使引擎102执行与进行分析/预测/重新预测/解释/等相关联的过程。已更新的/附加的信息可以包括但不限于,可以由用户设备104主动和/或被动地记录和/或由图1a所示的系统100主动地和/或被动地收集的血糖值,药物数据,食物摄入量数据,身体活动数据等。
以下提供了由引擎102进行的以为用户生成血糖浓度的预测以及为用户提供数据和/或预测的解释的过程的更多细节。
在一些实施方式中,如上所述,引擎102可以使用由用户和/或其他用户通过一个或多个用户设备104的一个或多个用户界面(例如,安装在用户设备104(例如,智能手机,平板计算机等)上的“app”)提供的原始数据来启动其过程,并使用它们为用户产生自动决策支持。图2a和2b说明了可被存储在数据库106中和/或被提供给引擎102/由引擎102使用以用于预测/解释目的的示例性数据/信息。图2a示出了包含许多用户的日志数据的示例性表格202,而图2b示出了包含用户个人数据的示例性表格204。可以理解,任何其他数据都可被提供给引擎202/由引擎202使用。
如图2a所示,数据可以被组织在一个或多个列中。这些列可以包括用户列201(例如,具有用户标识符值“用户1”,“用户2”,“用户3”等以标识特定用户的行数据),时间戳列203(例如,表示系统100何时已记录了特定的数据类型),数据类型列205(例如,表示已被收集的数据的类型,例如,“血糖”测量,“碳水化合物”摄入量数据,“药物:胰岛素”摄入量数据,“alc”数据等),和值列207(例如,对应于在数据类型列205中输入的特定数据类型)。可以理解,包含在202中的数据可以用任何其他想要的方式组织(例如,列存储,行存储,列-行存储,嵌套表格等)和/或可以包括任何其他想要的信息。
在一些实施方式中,除了存储在图2a所示的表格202中的数据之外,本主题还可以存储用户特定的个人数据,如图2b所示的表格204中所示。用户特定的个人数据可以包括但不限于,并且可以按列格式进行组织。例如,用户列211可以包括用户标识符(例如,“用户1”,“用户2”,“用户3”等),时区列213可以包括与用户的位置和/或可能已发生特定数据测量,预测等的位置对应的时区数据(例如,“纽约”,“里斯本”等)。糖尿病类型列215可以包括识别特定用户可能患有的糖尿病类型的数据(例如,“1型”,“2型”,前驱糖尿病等)。可以理解,该列不限于糖尿病的类型,并且可以包括用户可能具有的任何其他医疗病症(可替代地,表格204可以包括列出与血糖浓度的预测可能相关或不相关的用户的医疗病症的附加列)。列217可以包括与用户可能已经开始使用由系统100执行的过程的日期(例如,“注册”日期)有关的信息。列219可以包括用户已经被诊断患有特定类型的糖尿病(和/或其他医疗病症)的日期。列221可以包括性别识别信息。可以理解,表格204可以包括可由系统100用于预测特定用户的血糖浓度的目的的任何其它数据。存储在表格202和204中的数据可以被适当地去标识化,被保护,并且可以在提供适当的认证凭证,令牌等时被访问。
图3是根据本主题的一些实施方式的包含由引擎202生成的示例性短期血糖预测(随时间变化以mg/dL为单位)的点线图300。点线图300包含以下三个主要元素:(1)特定用户的未来血糖浓度的8至12小时预计(图3所示的8(例如,“16:00”,“17:00”,“18:00”等))(实线302),(2)预计的置信区间-图3所示的50%,75%,和90%区间(实线302周围的六个阴影带303,305),和(3)与健康的长期血糖相关联的血糖值的目标区域,alc<7%(大阴影区域304)。在一些实施方式中,可以在设备104的图形用户界面上提供该数据,该图形用户界面可以提供自动决策支持,该自动决策支持示出了可以如何将短期预测与状态报告(例如,“正常(On track)”,“偏离(Off track)”等,指的是血糖浓度)组合以及向用户提供的任何个性化建议,例如,更改用户的饮食,安排与医生的预约等。
图4示出了根据本主题的一些实施方式的可由引擎102执行的用于预测血糖浓度的示例性过程400。可以理解,过程400可被用于任何其他预测和/或解释目的。为了便于说明,以下描述将参考血糖浓度的预测和解释。在一些实施方式中,过程400可针对可能已经被诊断患有2型糖尿病(或具有相同和/或相似和/或相关病症)的用户执行。在一些示例性实施方式中,过程400可针对患有任何类型的糖尿病或任何其他医疗病症的用户执行,例如,患有1型糖尿病的用户,不使用胰岛素的患有2型糖尿病的用户,不使用胰岛素和/或使用基础胰岛素和/或使用餐时胰岛素的患有2型糖尿病,前驱糖尿病,和/或妊娠期糖尿病的用户。
在402,引擎102可被配置为确定将被用于训练预测数据模型的特征。这也可以称为特征工程。在一些实施方式中,可以评估大量候选特征。可以基于多种因素和/或数据生成候选特征。作为非限制性示例,数据可以包括迄今为止所收集的由多种活动(例如,食物摄入量,药物摄入量,身体活动等)导致的与血糖浓度变化有关的数据(例如,是否在患有任何类型糖尿病的个体,无任何类型糖尿病的个体,健康的无任何其他医疗病症的个体中),与引发不同因素(如食物,药物等)影响血糖值的代谢过程特别有关的数据。然后,可以在训练和/或验证过程中使用候选特征,其中可使用第一组数据(即训练数据)用一些候选特征训练模型,然后可通过使用该模型预计来自第二组数据(即验证数据)的值评估该模型的准确性。可以用不同的候选特征集重复此过程,直到识别出对验证数据产生最佳准确性的特征。由于这些过程可以随时间重复,因此可以经常更改和/或改进模型中使用的特定特征。
作为特征确定过程的一部分,在图2a-b的表格中示出的信息可以被组织成适应于机器学习的格式。图2a-b示出的原始输入可以在时间上不规则地间隔开,并且不同的用户可以在数据中有不同数量的条目,例如,一个用户可以三个月每天有三个血糖读数,另一个用户可以在不规则的时间每周有三个或四个等。用户可以频繁地登录一段时间,然后再较不频繁地登录。在一些实施方式中,本主题系统100可以(a)将任意的过去的信息组织成通用格式以用作每个预计的输入,(b)在不规则时间输出预计,(c)为一个用户预计血糖时,使用其他用户的相关经验,但是(d)还使用特定于其血糖正在被预测的用户的信息。例如,可以相对于正被预测的时间和/或相对于血糖浓度的最后已知值的时间表示用户所记录的信息。图5a-b示出的表格500和510分别示出了所使用格式中的特征的一些示例。在一些示例性实施方式中,可以将每个过去的血糖测量设置为目标,以在使用目标测量之前的所有数据作为输入的同时进行预计。
如上所述,图5a示出了包含示例性非限制性训练模型输入(例如,本地时间,本地星期几等)的表格500。表格500可以包括一个或多个列,例如,列502“变量”识别过程400中的特定变量(图4中示出),列504“说明”描述列502中列出的变量,列506“目的”对列502中列出的变量进行分类(例如,“输入”,“输出”等)。图5b示出了表格510,其可以是图5a中示出的表格500的变型,其包括识别可被使用的特定变量(例如,“时间”,“日期”等)的相似列512-516。
在一些实施方式中,本主题系统100可以基于所有先前输入的不同过滤器(filters)(例如,最近的,一个或多个平均值,一个或多个平滑值(smooth),自先前血糖测量以来的一个或多个代谢作用等,和/或其任何组合)组织表格500中示出的数据以预计任意时刻的血糖浓度,无论特定用户的过去数据条目的数量或不规则性如何,都可以定义。本主题系统100不必例如,每小时整点预计血糖浓度并且每小时整点收集训练数据,而是可以在任何时间生成预计,如每当有血糖测量时和/或可以使用在该时间之前收集的信息。在一些实施方式中,为了训练和/或测试预测模型,可以基于获取血糖浓度的时间来预计血糖浓度,其中对预计评分以确定其与实际浓度的接近程度。
在一些实施方式中,得分可以代表所预计值与实际值之间的绝对差。因此,所预测的和实际的之间的较小差异可以代表基本上准确的预计,零差异可以表示完美的预计等。通过非限制性示例(并且除了下面的讨论),如果用户在2018年12月23日星期二4PM记录了血糖浓度(BG)为163mg/dL,并且在此时间之前提供的最后信息是当天于12:30PM记录的进餐,那么系统100(图1a中示出)可以基于直到12:30PM的所有信息预计4:30PM的血糖浓度。因此,如果所预计的BG为157mg/dL,则绝对差可以表示为|151-163|=|-12|=12mg/dL。
在一些实施方式中,随着模型被训练,所有用户的相似示例可以被分类在一起,以提供新预计的基础。在一些示例性实施方式中,这样的信息可被用于为特定用户做出预计的目的。例如,如果要在周四12PM(例如,用户当地时间)预计用户的血糖浓度,该用户的前一次血糖浓度在大约4小时前接近100mg/dL,并且具有已知的体重,alc,平均活动等,那么该模型可以使用先前的示例预计用户的血糖浓度,这些示例具有来自一个或多个其他用户的相似输入。在如上所述的一些示例性非限制性实施方式中,只有模型训练练习发现是在预测上有用的那些标准才可以实际用于确定哪些其他用户被认为是“相关的”。
在404,系统100可以执行预测模型训练,如图4所示。可以理解,任何已知模型(例如,XGBoost等)都可被用于使用图5a-b中示出的输入数据进行训练,测试,和/或验证的目的。在一些示例性实施方式中,可以使用直到某个时间点和/或经过某个时间点从所有用户收集的数据(例如,在2018年9月之前收集的所有数据)训练模型。所收集的数据的下一个时期可被用于验证,例如,2018年9月-2019年3月。可以理解,本主题不限于任何特定的时间段,由此随着模型被周期性地训练和/或再训练以包含不断增长的数据集,任何截止日期都可能随时间而变化。
在406,系统100可以为特定用户生成血糖浓度的一个或多个预计。所训练的模型可被用于按以下示例性方式生成预计。在做出预计时,可以为未来的特定时间(例如,在30分钟,60分钟,90分钟等)生成图5a-b示出的输入数据。可以生成8到12小时的预测期范围内的数据。可以使用其他时间间隔/时间。对于那些预测时间中的每一个,可以相应地调整输入,因此,如果既往的血糖浓度在8AM获取,现在是12PM,则可以生成12PM,12:30PM,1PM,1:30PM等的预测。可以生成适合于每个预计时间的输入,然后可以将该输入集提供给预测模型以生成预测血糖浓度值。
在408,系统100可以确定所预测的数据的置信区间。系统100使用的训练模型(例如,XGBoost模型等)可以包括大量的“树”(例如,150)。可以理解,系统100可以使用任何训练模型,并且本主题不限于XGBoost或相似的这样的模型,例如,梯度提升树(GradientBoosted Trees)模型等。仅为了便于说明,下面的描述将参考上面确定的模型。在这些模型中,每个数据项可以对应于每棵树的一个“叶子”,并且每个叶子可具有可以在训练模型时确定的“权重(weight)”。该数据项的所预计值可以是对每棵树该数据项结束在的叶子的权重之和。在一些示例性实施方式中,可以基于预计误差/误差分布集确定置信区间(如下所讨论)。如上所讨论和如图1b-c所示,所训练的模型模块116可以确定用于所预计的血糖值的一个或多个标准误差,并且还可以包括随标准误差变化的置信区间的表格。在预计时,所训练的模型模块116可以生成预测血糖浓度,及其标准误差,然后取决于由置信区间预测确定模块118确定的标准误差确定一个或多个预计置信区间。
权重可以如下确定:每棵树的贡献可以视为对运行总和的修正。例如,为了计算第四棵树的叶子中的权重,训练例程通过将前三棵树的他们的权重相加来看该叶子中该项的预计。所有这些三棵树的预计都可能有一些误差,这些项的三棵树误差的平均值成为校正值,或者正被计算的第四棵树叶子的权重。这样,第四棵树叶子的权重可以是该项的三棵树误差的平均值乘以取决于正被训练的模型参数的值。
该权重不考虑三颗树误差的扩散。在第4棵树叶子中,项的误差范围可能为10到12,平均值为11,或者可能为-89到+111,平均值为11:权重可以相同。但是,第二种情况下的四棵树预计误差可能比第一种情况大。在本主题的一些实施方式中,系统100可以假设,如果预计是每个叶子的误差的平均值之和,则预计的方差可以是每个叶子的误差的方差之和。然后,系统100可以检查所训练的模型(例如,XGBoost模型)并确定每棵树的每个叶子中的误差的方差,并将其转变为“方差模型”。方差模型的输入可以与预计模型的输入相同:对于每个预计,方差模型将每棵树的预计落在的叶子的方差相加以产生预计的方差。方差的平方根给出预计的标准误差。
预计误差可能不是正态分布,但是,训练集和测试集之间的误差分布可以非常接近。接下来,可以确定与所讨论的预计具有相同方差的训练集预计的误差分布。然后可以将该训练集分布的分位数假设为所讨论的预计的分位数。
图6是示出了训练集(曲线605)和预测集(曲线607)的示例性置信区间(例如,50%,75%,90%)(即训练集和测试集分位数的紧密对应)的点线图600。点线图600的纵轴602对应于“相对偏差”(即预计/真值)。点线图600的横轴“s”604对应于每个预计的标准误差。点线图600进一步示出了误差分布是预计的标准误差的强函数,并且对于任何特定方差值,该分布从训练集推广到测试集。一旦已知预计的相对偏差,就可以将其乘以所预计的血糖浓度,以获得以mg/dL为单位的实际置信区间。
返回参考图4,在410,可以生成一个或多个目标范围。在一些示例性实施方式中,用户可以识别用户想要保持在例如,70-140或70-170mg/dL之间的上限和下限。可以理解,可以使用其他值。
此信息可被用于帮助用户根据预测是否符合健康的alc值,高于,低于等来解释所预测的血糖浓度。与恒定值不同,血糖目标范围全天变化,取决于用户何时进餐,进行多种活动等。为了形成目标范围(例如,如图3所示,大阴影区域304),可以使用多种值,如图7的表格700中所示的值。
表格700中的值(在时间702列和“目标BG”704列中)可以对应于ale水平低于7%的用户的血糖浓度读数的范围的上限。要将这些转换为一天中的时间,可以使用日志中特定用户观察到的进餐时间数据。在一些示例性实施方式中,所记录的碳水化合物值可以被标记为“早餐”,“午餐”,或“晚餐”。进餐前30分钟的数据可以被视为“餐前”数据,进餐后2小时的数据可以被视为“餐后”数据,而深夜数据可以被视为“就寝时间”数据。如果用户在过去一段时间内没有记录过进餐,或者如果正在确定未来几小时的目标范围,而此时尚未发生进餐,则可以将用户最频繁的进餐时间用于该进餐。如果用户尚未记录该进餐类型的至少三餐,则系统100可以使用从其他用户获取的数据假设最流行的进餐时间。一旦确定了特定一天的进餐时间,就可以绘制正确的餐前和餐后时间的目标点,如图8中的点线图800所示。这些可以使用标准插值(例如,pchip插值)进行内插(interpolated)。如图8所示,可以基于用户特定的进餐时间在特定时间(如点802(a,b,c,d,e,f,g)所示)放置目标血糖浓度值(mg/dL,纵轴)。点之间的值可以被内插(由图8中的实线804示出)。
返回参考图4,在412,预测数据,一个或多个置信区间,和一个或多个目标范围可以被组合成单个点线图(例如,如图3所示,并且可以被显示在用户设备的用户界面上,如图9所示)。这可以告知用户可能的近期血糖浓度值及其不确定性,为比较提供有用的参考,并且可以允许用户就是否改变计划和/或采取任何行动作出决定(例如,如果预测从130升至150,这可能会被接受或可能不会被接受,并且可能取决于一个或多个进餐时间)。
在图4的414,系统100可以解释预测。在图10中示出了示例性预测点线图1000。特别地,系统100可以将预测血糖浓度值1002,1003与在预测时间的目标范围1004值进行比较。如果超过阈值百分比(10%或25%)的预测点高于目标范围,则可以将预测标记为“高”。系统100可以生成用于向用户显示的消息,该消息可以指出,例如,“可能在4小时内高于所建议的水平”,“可能在接下来的8小时内保持在健康水平内”。该确定还被用作自动地选择可以向用户提供用户可以执行的多个操作的支持消息的输入。
在一些示例性实施方式中,支持消息可以是以下类别(或任何其他类别)中的一个或多个:
·当用户的预测高于目标范围时的劝告/教育。这些消息可能包含有关饮食,运动,睡眠,压力,和许多其他影响血糖的因素的劝告。
·当用户的预测在目标范围内时的鼓励/庆祝。这些消息可能包含积极的反馈,以加强导致健康葡萄糖水平的用户行为。
在一些实施方式中,基于预测解释,用户设备104可以使用以上或任何其他类别中的一个或多个来显示消息(例如,如图9所示)。在一些实施方式中,可以向用户提供将支持消息标记为有用/没用的机会,基于此,给用户的后续消息可以调整(tailored)为对每个特定用户最有帮助。
图11a-d示出了可由图1所示的本主题系统100生成的多个示例性图形用户界面1102-1108。用户界面1102-1108可以在预测血糖浓度的过程(例如,图4示出的过程400)的执行期间和/或完成之后生成。用户界面1102-1108可以被显示在用户的计算设备,智能手机,平板计算机,个人计算机,膝上型计算机,智能手表等的任何一个上。所显示的信息的排列和/或格式化可以针对这样的特定设备而调整,其中本主题可以确定用户正在使用的计算设备的类型,并且以图形方式格式化将要显示给用户的信息。这种格式化可以包括在显示屏幕上显示不同的图形元素(例如,按钮,指针,颜色,标题,标签(tabs),表格等)及其排列。
图11a示出了可被用于提供用于解释血糖浓度预测的附加手段的示例性图形用户界面1102。在一些示例性实施方式中,界面1102可被配置为显示与预测相关联的“分数”以及一段时间内和/或在特定时间段确定的血糖浓度的多个值(例如,“92”,“190”,“123”,“64”等),例如,由图4示出的过程400确定。界面1102还可以显示平均血糖浓度(例如,“86”)以及血糖浓度是较高或较低(如上下箭头所示)或正常(如复选标记所示)。界面1102显示的分数(即“76”)可对应于76%的时间血糖浓度被预测在“正常”范围。此外,界面1102还可以基于过程400的执行来警告用户,用户的血糖水平可能上升到更高的水平,并且可以显示用于降低血糖水平的多个提议,例如,“进餐后短步行可以降低血糖水平”。可以在确定特定的BG值,分数,历史值,通过机器学习确定的值,和/或任何其他信息后从存储器中检索此类消息。
图11b示出了可被用于向用户提供“解读(insight)”的示例性图形用户界面1104。例如,界面1104可以指出特定日子(例如,“2019年4月29日”)的特定平均BG(例如,“103”)。它还可以为用户提供在特定时间的特定BG浓度的信息(例如,2:14PM的“111mg/dL”等)。界面1104可以显示用户的运动分钟数,关于所食用餐食的信息以及这些餐食中所包含的碳水化合物,脂肪等的量,所服用的药物等。此外,界面1104可以包括关于用户的BG浓度在特定时间段(例如,“过去7天”)期间如何可能已经改变,已经改变,将改变的信息。用户界面1104可以由用户根据需要定制。
图11c示出了可由本主题生成的另一示例性用户界面1106。界面1106可被配置为向用户显示包含一段时间内(例如,“接下来的8小时”)的所预测的血糖浓度的图形点线图。它还可以显示有关所预测的血糖浓度的特定结论,例如,“在接下来的7小时内血糖上升但不太高”。还可以显示平均血糖浓度值(现在和所预测的)(例如,“6.3”,“7.4”,“7.8”,“7.9”mmol/L)。界面1106示出的点线图可以说明值可以如何随时间改变以及任何误差容限(margins)和正常范围。
图11d示出了又一示例性用户界面1108,该用户界面1108可被用户使用以向系统100提供关于与血糖浓度预计有关的正被提供给用户的信息的反馈。用户界面1108可以显示特定消息“在接下来的8小时内血糖上升但不太高。想想您来这里的时候发生了什么。您明天可以使用的外卖是什么?”以及投票按钮“这没有帮助”,“这有帮助”。可以理解,其他消息,按钮,反馈窗口,和/或元素可被显示给用户。通过点击或按下按钮之一,用户可以向系统100提交反馈(例如,经由可以被特别地格式化和传输以由图1a示出的系统100解释的通信消息)。此外,可以理解,其他图形用户界面和/或元素可被显示给用户,以提供有关血糖浓度预计,分析,提议等的信息。
图12a-b示出了可被用户使用以定制正在显示给用户的信息的示例性用户界面1201-1207。如上所述,界面可以是用户的计算设备上可用的应用(“app”)的一部分。“app”可以被配置为允许收集,管理,和/或使用可能与多种医疗病症有关的健康数据,包括但不限于糖尿病,高血压,高脂血症,和/或任何其他病症,和/或其任何组合。“app”可以收集和/或分析多种类型的数据,可以包括但不限于,药物,食物,身体活动,体重,血糖浓度,血压,和任何其他类型的数据。
在一些实施方式中,用户界面可被配置为允许用户通过使用多种图形用户界面元素定制或个性化多种健康相关和/或任何其他数据的显示,这些图形用户界面元素可以包括但不限于,按钮,屏幕,图块(tiles),指针等(以下称为“图块”)。图块可以允许用户定制/个性化跨多个条件的健康数据的显示。作为非限制性示例,图块可以使用户能够组合来自手动用户输入的数据和/或来自多个信息源的自动数据摄取,跨多个条件一目了然地查看关键健康信息,对用户数据以及多种健康度量(metrics)进行更深入的分析,根据他们的喜好定制用户界面显示等。
图12a示出了示例性用户界面1201。用户界面1201可以包括图块1202(例如,示出了四个健康图块:食物,葡萄糖,药物,和活动)。每个图块1202可以包括汇总了特定时间段(例如,一天)的用户数据的图形和/或度量。用户可以点击图块以用附加的和/或更深入的(in-depth)信息填入(populate)屏幕的下部1204。在用户界面1201中,下部1204示出了所示的与活动有关的数据的历史,但是深入视图(in-depth view)的性质可以取决于所选择的图块。例如,葡萄糖图块可以显示特定时间段(例如,即将到来的一天)的所预期的葡萄糖值的预测。水摄入量或食物图块可能显示用户的饮水水平的估计。
图12b示出了可被用于定制信息显示的目的的用户界面1203-1207。用户可以通过按下一个或多个既往屏幕上特定的图形用户界面元素,“滑动(swiping)”(例如,从左到右,从右到左,从上到下,从上到下等)来访问用户界面1203-1207。例如,通过在用户界面1201上向右滑动图块,用户可以显示配置图块的选项(例如,如界面1203所示),并且可以选择任何和/或所有可用图块并根据需要对其进行排序。例如,用户可以选择编辑可能与用户数据有关的图块,这些用户数据与食物,药物,活动,葡萄糖,血压,体重,和ALC(例如,长期血糖浓度的实验室测量),胆固醇,自我保健习惯,饮水等有关。激活用户界面1203上的定制模式,用户可被提示到用户界面1205-1207,其中用户可选择移除和/或添加特定信息的显示(例如,分别通过轻击“-”或“+”符号)。
示例性实验性实施方式
以下提供了系统100的示例性实验性实施方式的讨论(可从Goldner,D.R.,“机器学习模型准确预计待预测的血糖,”《糖尿病》2018年7月;67(增刊1)获取)。在该实验中,收集了14,706名非胰岛素治疗的2型糖尿病患者的1,923,416个BG测量。此外,还收集了多种情境信息(CI)。CI包括以下至少一种/多种组合:人口统计数据,健康数据(例如,体重,Alc)等。
对预计模型的输入:既往血糖数据和CI。
该模型没有区分具有相似CI的用户的BG。使用自既往血糖浓度以来的时间确定预测水平线,从10分钟到几天不等。在2017年9月之前输入的BG(占所有BG的83%)上训练和测试了预计BG值的机器学习算法。保持(held out)并预计了2017年9月至11月输入的BG(17%)。
结果:用户中59%为男性,其中80%来自北美,9%来自欧洲,11%来自其他地区。在过去3年中,50%的用户被诊断出患有2型糖尿病。保持预计的中位数和平均绝对误差分别为14.2和21.3mg/dL,其中91%的预计在+/-50mg/dL内。
在另一个示例性实验性实施方式中,经由应用内通知向4,679名患有2型糖尿病的用户发送了23,876个预测的初始样本。预测包括BG趋势,持续时间,和水平(“在接下来的3小时内上升但不太高”),并在适当时包括与预测和用户历史相关的支持消息。预测递送是随机的,记录信息时以50%的概率触发,不超过一次/天/用户。
预测可被评价为“有用”或“无用”。在初始样本上训练的机器学习模型预计了每种类型反馈的概率。将28,838个预测的第二样本发送给5,506个用户,有用的概率由模型确定。
结果:在第一样本中,42.8%的预测收到了69.6%的用户的反馈;87.1%为“有用”。在第二样本中,63.7%的预测收到了67.1%的用户的反馈;92.4%为“有用”。
实验结果表明了新的机器学习模型调整了预测递送,将“无用”率降低了41.1%(从12.9%的反馈降至7.6%)。
在一些实施方式中,本主题可被配置为在系统1300中实施,如图13所示。系统1300可以包括处理器1310,存储器1320,存储设备1330,和输入/输出设备1340。组件1310,1320,1330,和1340中的每一个可以使用系统总线1350互连。处理器1310可被配置为处理用于在系统1300内执行的指令。在一些实施方式中,处理器1310可以是单线程处理器。在可替代的实施方式中,处理器1310可以是多线程处理器。处理器1310可以进一步被配置为处理存储在存储器1320或存储设备1330中的指令,包括通过输入/输出设备1340接收或发送信息。存储器1320可以在系统1300内存储信息。在一些实施方式中,存储器1320可以是计算机可读介质。在可替代的实施方式中,存储器1320可以是易失性存储单元。在又一些实施方式中,存储器1320可以是非易失性存储单元。存储设备1330能够为系统1300提供大容量存储。在一些实施方式中,存储设备1330可以是计算机可读介质。在可替代的实施方式中,存储设备1330可以是软盘设备,硬盘设备,光盘设备,磁带设备,非易失性固态存储器,或任何其他类型的存储设备。输入/输出设备1340可被配置为向系统1300提供输入/输出操作。在一些实施方式中,输入/输出设备1340可以包括键盘和/或指点设备。在可替代的实施方式中,输入/输出设备1340可以包括用于显示图形用户界面的显示单元。
图14示出了根据本主题的一些实施方式的用于预测血糖浓度的示例性过程1400。在1402,可以确定用于训练血糖浓度预测模型的一个或多个特征。可以基于与多个用户中的一个用户相关联的一个或多个输入数据参数确定该特征。在1404,使用该所确定的特征,可以训练该血糖浓度预测模型。在1406,使用该所训练的血糖浓度预测模型,可以为该用户生成一个或多个所预期的血糖浓度。
在一些实施方式中,本主题可以包括以下任选特征中的一个或多个。该方法还可以包括在一个或多个图形用户界面上为该用户显示该所生成的所预期的血糖浓度。
在一些实施方式中,该训练可以包括使用与该多个用户中的一个或多个其他用户相关联的一个或多个参数训练该血糖浓度预测模型。与其他用户相关联的该参数可以包括与一个或多个其他用户相关联的一个或多个历史数据参数。
在一些实施方式中,该输入参数可以包括以下至少一个:表示该用户的糖尿病类型的数据,表示该用户的医疗病症的数据,表示该用户正在服用的药物的数据,表示该用户食用的餐食的数据,表示该用户进行的身体活动的数据,表示该用户的血糖浓度测量的时间的数据,表示该用户的血糖浓度测量的先前值和当前值中的至少一个的数据,表示先前血糖浓度预测的时间的数据,表示该用户的目标(target)血糖浓度(alc)的数据,表示当前日期和当前时间中的至少一个的数据,表示该用户的体重的数据,表示该用户的该血糖浓度中的一个或多个变化的数据,表示该用户消耗的一个或多个碳水化合物值的数据,及其任何组合。
在一些实施方式中,该生成可以包括为该用户生成一个或多个目标血糖浓度范围,为该所生成的所预期的血糖浓度生成一个或多个置信区间,其中该置信区间可以表示该所生成的一个或多个所预期的血糖浓度的准确性,和比较该所生成的目标血糖浓度范围,该所生成的所预期的血糖浓度的该置信区间,以及该所生成的所预期的血糖浓度。该方法还可以包括基于该比较,显示该所生成的所预期的血糖浓度是否在该目标血糖浓度范围内的标示。该方法还可以包括当该所生成的所预期的血糖浓度不在该目标血糖浓度范围内时,向该用户生成警报。
在一些实施方式中,可以在该确定之后的时间点生成该所生成的所预期的血糖浓度。
在一些实施方式中,该方法还可以包括重复该特征的确定,以及该预测模型的训练,然后基于该被重复的确定和训练,为该用户生成一个或多个已更新的所预期的血糖浓度。
本文公开的系统和方法可以用多种形式体现,包括例如,数据处理器(如还包括数据库的计算机),数字电子电路,固件,软件,或它们的组合。而且,可以在多种环境中实施本公开的实施方式的上述特征以及其他方面和原理。这样的环境和相关应用可以被特别地构造以用于根据所公开的实施方式执行多个过程和操作,或者它们可以包括由代码选择性地激活或重新配置以提供必要功能的通用计算机或计算平台。本文公开的过程并非固有地与任何特定的计算机,网络,体系结构,环境,或其他装置有关,并且可以由硬件,软件,和/或固件的适当组合实施。例如,多种通用机器可以与根据所公开的实施方式的教导编写的程序一起使用,或者可以更方便地构造专用的装置或系统以执行所需的方法和技术。
本文公开的系统和方法可以被实施为计算机程序产品,即有形地体现在信息载体中(例如,在机器可读存储设备中或传播信号中)的计算机程序,以供数据处理装置执行或控制数据处理装置的操作,该数据处理装置,例如,可编程处理器,一台计算机,或多台计算机。可以用任何形式的编程语言(包括编译或解释语言)编写计算机程序,并且可以用任何形式部署,包括作为独立的程序或作为模块,组件,子例程,或其他适合在计算环境中使用的单元。计算机程序可以被部署为在一台计算机上执行或者在位于一个站点或跨多个站点分布并通过通信网络互连的多台计算机上执行。
如本文所用,术语“用户”可以指包括人或计算机的任何实体。
尽管在一些情况下,如第一,第二等序数词可能涉及顺序;但是如本文件所用,序数词不一定意指顺序。例如,序数词可以仅仅用于区分一项与另一项。例如,用于区分第一事件与第二事件,但不必意指任何按时间顺序或固定参考系(使得说明的一个段落中的第一事件可以与说明的另一段落中的第一事件不同)。
前述说明旨在示出而非限制由所附权利要求的范围限定的本发明的范围。其他实施方式在以下权利要求的范围内。
这些计算机程序(也可称为程序,软件,软件应用,应用,组件,或代码)包括可编程处理器的机器指令,并且可以用高级程序和/或面向对象的编程语言,和/或汇编/机器语言实施。如本文所用,术语“机器可读介质”是指用于向可编程处理器提供机器指令和/或数据的任何计算机程序产品,装置,和/或设备,例如,磁盘,光盘,存储器,和可编程逻辑设备(PLD),包括接收机器指令作为机器可读信号的机器可读介质。术语“机器可读信号”是指用于向可编程处理器提供机器指令和/或数据的任何信号。机器可读介质可以非暂时性地存储这种机器指令,例如,作为非暂时性固态存储器或磁硬盘驱动器或任何等效存储介质。机器可读介质可以可替代地或另外地以暂时的方式存储这种机器指令,例如,作为处理器缓存或与一个或多个物理处理器核心相关联的其他随机存取存储器。
为了提供与用户的交互,本文描述的主题可以在具有显示设备(例如,用于向用户显示信息的阴极射线管(CRT)或液晶显示器(LCD))以及用户可以用来向计算机提供输入的键盘和指点设备(例如,鼠标或轨迹球)的计算机上实施。其他种类的设备也可被用于提供与用户的交互。例如,提供给用户的反馈可以是任何形式的感觉反馈,例如,视觉反馈,听觉反馈,或触觉反馈;并且可以用任何形式接收来自用户的输入,包括但不限于,声音,语音,或触觉输入。
本文描述的主题可以在计算系统中实施,该计算系统包括后端组件(例如,一个或多个数据服务器),或包括中间件组件(例如,一个或多个应用服务器),或包括前端组件(例如,具有图形用户界面或Web浏览器的一台或多台客户端计算机,用户可以通过该图形用户界面或Web浏览器与本文所述主题的实施方式交互),或此类后端,中间件,或前端组件的任何组合。系统的组件可以通过数字数据通信的任何形式或介质(例如,通信网络)互连。通信网络的示例包括但不限于,局域网(“LAN”),广域网(“WAN”),和因特网。
计算系统可以包括客户端和服务器。客户端和服务器大体上但并非绝对地彼此远离,并且通常通过通信网络交互。客户端和服务器的关系由于在各自计算机上运行并彼此具有客户端-服务器关系的计算机程序而产生。
前述描述中阐述的实施方式并不代表与本文所述主题一致的所有实施方式。相反,它们仅仅是和与所述主题有关的方面一致的一些示例。尽管上面已经详细描述了一些变型,但是其他修改或添加是可能的。特别地,除了本文阐述的那些特征和/或变型之外,还可以提供其他特征和/或变型。例如,上述实施方式可以针对所公开的特征的多种组合和子组合和/或以上公开的几个其他特征的组合和子组合。另外地,附图中描绘的和/或本文中描述的逻辑流不一定需要所示的特定顺序,或相继顺序来实现想要的结果。其他实施方式可以在以下权利要求的范围内。
Claims (30)
1.一种计算机实施的方法,包括:
确定用于训练血糖浓度预测模型的一个或多个特征,其中,所述一个或多个特征基于与多个用户中的一个用户相关联的一个或多个输入数据参数而确定;
使用所述所确定的一个或多个特征,训练所述血糖浓度预测模型;和
使用所述所训练的血糖浓度预测模型,为所述用户生成一个或多个所预期的血糖浓度。
2.根据权利要求1所述的方法,还包括在一个或多个图形用户界面上为所述用户显示所述所生成的一个或多个所预期的血糖浓度。
3.根据权利要求1所述的方法,其中,所述训练还包括使用与所述多个用户中的一个或多个其他用户相关联的一个或多个参数训练所述血糖浓度预测模型。
4.根据权利要求3所述的方法,其中,与一个或多个其他用户相关联的所述一个或多个参数包括与一个或多个其他用户相关联的一个或多个历史数据参数。
5.根据权利要求1所述的方法,其中,一个或多个输入参数包括以下至少一个:表示所述用户的糖尿病类型的数据,表示所述用户的医疗病症的数据,表示所述用户正在服用的药物的数据,表示所述用户食用的餐食的数据,表示所述用户进行的身体活动的数据,表示所述用户的血糖浓度测量的时间的数据,表示所述用户的血糖浓度测量的先前值和当前值中的至少一个的数据,表示先前血糖浓度预测的时间的数据,表示所述用户的目标血糖浓度(alc)的数据,表示当前日期和当前时间中的至少一个的数据,表示所述用户的体重的数据,表示所述用户的血糖浓度中的一个或多个变化的数据,表示所述用户消耗的一个或多个碳水化合物值的数据,及其任何组合。
6.根据权利要求1所述的方法,其中,所述生成还包括
为所述用户生成一个或多个目标血糖浓度范围;
为所述所生成的一个或多个所预期的血糖浓度生成一个或多个置信区间,所述置信区间表示所述所生成的一个或多个所预期的血糖浓度的准确性;和
比较所述所生成的一个或多个目标血糖浓度范围,所述所生成的一个或多个所预期的血糖浓度的所述一个或多个置信区间,以及所述所生成的一个或多个所预期的血糖浓度。
7.根据权利要求6所述的方法,还包括基于所述比较,显示所述所生成的一个或多个所预期的血糖浓度是否在所述一个或多个目标血糖浓度范围内的标示。
8.根据权利要求7所述的方法,还包括当所述所生成的一个或多个所预期的血糖浓度不在所述一个或多个目标血糖浓度范围内时,向所述用户生成警报。
9.根据权利要求1所述的方法,其中,在所述确定之后的时间点生成所述所生成的一个或多个所预期的血糖浓度。
10.根据权利要求1所述的方法,还包括
重复所述确定和所述训练;
基于所述重复,为所述用户生成已更新的一个或多个所预期的血糖浓度。
11.一种系统,包括:
至少一个可编程处理器;和
非暂时性机器可读介质,其存储指令,当所述指令由所述至少一个可编程处理器执行时,使所述至少一个可编程处理器执行操作,包括:
确定用于训练血糖浓度预测模型的一个或多个特征,其中,所述一个或多个特征基于与多个用户中的一个用户相关联的一个或多个输入数据参数而确定;
使用所述所确定的一个或多个特征,训练所述血糖浓度预测模型;和
使用所述所训练的血糖浓度预测模型,为所述用户生成一个或多个所预期的血糖浓度。
12.根据权利要求11所述的系统,其中,所述操作还包括在一个或多个图形用户界面上为所述用户显示所述所生成的一个或多个所预期的血糖浓度。
13.根据权利要求11所述的系统,其中,所述训练还包括使用与所述多个用户中的一个或多个其他用户相关联的一个或多个参数训练所述血糖浓度预测模型。
14.根据权利要求13所述的系统,其中,与一个或多个其他用户相关联的所述一个或多个参数包括与一个或多个其他用户相关联的一个或多个历史数据参数。
15.根据权利要求11所述的系统,其中,一个或多个输入参数包括以下至少一个:表示所述用户的糖尿病类型的数据,表示所述用户的医疗病症的数据,表示所述用户正在服用的药物的数据,表示所述用户食用的餐食的数据,表示所述用户进行的身体活动的数据,表示所述用户的血糖浓度测量的时间的数据,表示所述用户的血糖浓度测量的先前值和当前值中的至少一个的数据,表示先前血糖浓度预测的时间的数据,表示所述用户的目标血糖浓度(alc)的数据,表示当前日期和当前时间中的至少一个的数据,表示所述用户的体重的数据,表示所述用户的血糖浓度中的一个或多个变化的数据,表示所述用户消耗的一个或多个碳水化合物值的数据,及其任何组合。
16.根据权利要求11所述的系统,其中,所述生成还包括
为所述用户生成一个或多个目标血糖浓度范围;
为所述所生成的一个或多个所预期的血糖浓度生成一个或多个置信区间,所述置信区间表示所述所生成的一个或多个所预期的血糖浓度的准确性;和
比较所述所生成的一个或多个目标血糖浓度范围,所述所生成的一个或多个所预期的血糖浓度的所述一个或多个置信区间,以及所述所生成的一个或多个所预期的血糖浓度。
17.根据权利要求16所述的系统,其中,所述操作还包括基于所述比较,显示所述所生成的一个或多个所预期的血糖浓度是否在所述一个或多个目标血糖浓度范围内的标示。
18.根据权利要求17所述的系统,其中,所述操作还包括当所述所生成的一个或多个所预期的血糖浓度不在所述一个或多个目标血糖浓度范围内时,向所述用户生成警报。
19.根据权利要求11所述的系统,其中,在所述确定之后的时间点生成所述所生成的一个或多个所预期的血糖浓度。
20.根据权利要求11所述的系统,其中,所述操作还包括
重复所述确定和所述训练;
基于所述重复,为所述用户生成已更新的一个或多个所预期的血糖浓度。
21.一种计算机程序产品,包括非暂时性机器可读介质,其存储指令,当所述指令由至少一个可编程处理器执行时,使所述至少一个可编程处理器执行操作,包括:
确定用于训练血糖浓度预测模型的一个或多个特征,其中,所述一个或多个特征基于与多个用户中的一个用户相关联的一个或多个输入数据参数而确定;
使用所述所确定的一个或多个特征,训练所述血糖浓度预测模型;和
使用所述所训练的血糖浓度预测模型,为所述用户生成一个或多个所预期的血糖浓度。
22.根据权利要求21所述的计算机程序产品,其中,所述操作还包括在一个或多个图形用户界面上为所述用户显示所述所生成的一个或多个所预期的血糖浓度。
23.根据权利要求21所述的计算机程序产品,其中,所述训练还包括使用与所述多个用户中的一个或多个其他用户相关联的一个或多个参数训练所述血糖浓度预测模型。
24.根据权利要求23所述的计算机程序产品,其中,与一个或多个其他用户相关联的所述一个或多个参数包括与一个或多个其他用户相关联的一个或多个历史数据参数。
25.根据权利要求21所述的计算机程序产品,其中,一个或多个输入参数包括以下至少一个:表示所述用户的糖尿病类型的数据,表示所述用户的医疗病症的数据,表示所述用户正在服用的药物的数据,表示所述用户食用的餐食的数据,表示所述用户进行的身体活动的数据,表示所述用户的血糖浓度测量的时间的数据,表示所述用户的血糖浓度测量的先前值和当前值中的至少一个的数据,表示先前血糖浓度预测的时间的数据,表示所述用户的目标血糖浓度(alc)的数据,表示当前日期和当前时间中的至少一个的数据,表示所述用户的体重的数据,表示所述用户的血糖浓度中的一个或多个变化的数据,表示所述用户消耗的一个或多个碳水化合物值的数据,及其任何组合。
26.根据权利要求21所述的计算机程序产品,其中,所述生成还包括
为所述用户生成一个或多个目标血糖浓度范围;
为所述所生成的一个或多个所预期的血糖浓度生成一个或多个置信区间,所述置信区间表示所述所生成的一个或多个所预期的血糖浓度的准确性;和
比较所述所生成的一个或多个目标血糖浓度范围,所述所生成的一个或多个所预期的血糖浓度的所述一个或多个置信区间,以及所述所生成的一个或多个所预期的血糖浓度。
27.根据权利要求26所述的计算机程序产品,其中,所述操作还包括基于所述比较,显示所述所生成的一个或多个所预期的血糖浓度是否在所述一个或多个目标血糖浓度范围内的标示。
28.根据权利要求27所述的计算机程序产品,其中,所述操作还包括当所述所生成的一个或多个所预期的血糖浓度不在所述一个或多个目标血糖浓度范围内时,向所述用户生成警报。
29.根据权利要求21所述的计算机程序产品,其中,在所述确定之后的时间点生成所述所生成的一个或多个所预期的血糖浓度。
30.根据权利要求21所述的计算机程序产品,其中,所述操作还包括
重复所述确定和所述训练;
基于所述重复,为所述用户生成已更新的一个或多个所预期的血糖浓度。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862728496P | 2018-09-07 | 2018-09-07 | |
US62/728,496 | 2018-09-07 | ||
US201962854088P | 2019-05-29 | 2019-05-29 | |
US62/854,088 | 2019-05-29 | ||
PCT/US2019/049270 WO2020051101A1 (en) | 2018-09-07 | 2019-09-03 | Forecasting blood glucose concentration |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113614850A true CN113614850A (zh) | 2021-11-05 |
Family
ID=67982185
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980073596.9A Pending CN113614850A (zh) | 2018-09-07 | 2019-09-03 | 预测血糖浓度 |
Country Status (8)
Country | Link |
---|---|
US (1) | US20200077931A1 (zh) |
EP (1) | EP3847669A1 (zh) |
JP (1) | JP2022500797A (zh) |
KR (1) | KR20210110284A (zh) |
CN (1) | CN113614850A (zh) |
AU (1) | AU2019335192A1 (zh) |
CA (1) | CA3111924A1 (zh) |
WO (1) | WO2020051101A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113951879A (zh) * | 2021-12-21 | 2022-01-21 | 苏州百孝医疗科技有限公司 | 血糖预测方法和装置、监测血糖水平的系统 |
CN116671906A (zh) * | 2023-08-01 | 2023-09-01 | 亿慧云智能科技(深圳)股份有限公司 | 一种智能手表无创血糖测量方法及系统 |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11883208B2 (en) | 2019-08-06 | 2024-01-30 | Medtronic Minimed, Inc. | Machine learning-based system for estimating glucose values based on blood glucose measurements and contextual activity data |
US20220039755A1 (en) | 2020-08-06 | 2022-02-10 | Medtronic Minimed, Inc. | Machine learning-based system for estimating glucose values |
EP4070322A1 (en) | 2019-12-04 | 2022-10-12 | Welldoc, Inc. | Digital therapeutic systems and methods |
US20210241916A1 (en) | 2020-02-05 | 2021-08-05 | Informed Data Systems Inc. D/B/A One Drop | Forecasting and explaining user health metrics |
US11147480B2 (en) | 2020-03-20 | 2021-10-19 | WellDoc, Inc. | Systems and methods for analyzing, interpreting, and acting on continuous glucose monitoring data |
WO2021216744A2 (en) | 2020-04-21 | 2021-10-28 | Informed Data Systems Inc. D/B/A One Drop | Systems and methods for biomonitoring and providing personalized healthcare |
CN111588384B (zh) * | 2020-05-27 | 2023-08-22 | 京东方科技集团股份有限公司 | 获得血糖检测结果的方法、装置及设备 |
WO2021247928A1 (en) | 2020-06-03 | 2021-12-09 | Informed Data Systems Inc. D/B/A One Drop | Systems for adaptive healthcare support, behavioral intervention, and associated methods |
US11426102B2 (en) * | 2020-06-30 | 2022-08-30 | Dexcom, Inc. | Diabetes prediction using glucose measurements and machine learning |
DE102020214050A1 (de) | 2020-11-09 | 2022-05-12 | Robert Bosch Gesellschaft mit beschränkter Haftung | Computerimplementiertes Verfahren und Vorrichtung zum Durchführen einer medizinischen Laborwertanalyse |
WO2022170283A1 (en) | 2021-02-08 | 2022-08-11 | Informed Data Systems Inc. | Biosensor excitation methods, and associated systems, devices, and methods |
US20220361823A1 (en) | 2021-05-14 | 2022-11-17 | Informed Data Systems Inc. D/B/A One Drop | Wearable blood pressure biosensors, systems and methods for short-term blood pressure prediction |
KR20230077289A (ko) * | 2021-11-25 | 2023-06-01 | 고려대학교 산학협력단 | 당뇨병성 신증 추정 방법 및 장치 |
CN116919395A (zh) * | 2022-04-12 | 2023-10-24 | 乐普(北京)医疗器械股份有限公司 | 一种结合大数据模型和个性化模型的血糖预测方法和装置 |
CN117012377A (zh) * | 2022-04-29 | 2023-11-07 | 京东方科技集团股份有限公司 | 健康分析方法、装置、电子设备及存储介质 |
CN116313099B (zh) * | 2023-04-12 | 2024-04-26 | 江西司托迈医疗科技有限公司 | 血糖数据的获取方法及生成方法、装置、介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090192366A1 (en) * | 2007-12-17 | 2009-07-30 | Dexcom, Inc | Systems and methods for processing sensor data |
CN103003819A (zh) * | 2010-07-23 | 2013-03-27 | 霍夫曼-拉罗奇有限公司 | 考虑到身体活动对葡萄糖调节系统的影响的系统和方法 |
CN103959291A (zh) * | 2011-04-20 | 2014-07-30 | 诺沃—诺迪斯克有限公司 | 基于具有自适应选择的核和正则化参数的正则化网络的葡萄糖预测器 |
US20150006456A1 (en) * | 2013-06-26 | 2015-01-01 | WellDoc, Inc. | Systems and methods for creating and selecting models for predicting medical conditions |
US20150347707A1 (en) * | 2014-05-30 | 2015-12-03 | Anthony Michael Albisser | Computer-Implemented System And Method For Improving Glucose Management Through Cloud-Based Modeling Of Circadian Profiles |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE69939344D1 (de) * | 1998-11-30 | 2008-09-25 | Novo Nordisk As | Verfahren zur Unterstützung einer medizinischen Selbstbehandlung |
JP2012024521A (ja) * | 2010-07-28 | 2012-02-09 | Seiko Epson Corp | 血糖値予測装置 |
JP5974348B2 (ja) * | 2011-03-03 | 2016-08-23 | セイコーエプソン株式会社 | 血糖値予測方法および血糖値予測システム |
CN108352193A (zh) * | 2015-10-30 | 2018-07-31 | 日本电气方案创新株式会社 | 血糖值预测装置、血糖值预测方法及计算机能够读取的记录介质 |
JP6567484B2 (ja) * | 2016-09-29 | 2019-08-28 | 株式会社日立製作所 | 推計モデル構築システム、推計モデル構築方法及びプログラム |
-
2019
- 2019-09-03 EP EP19769673.5A patent/EP3847669A1/en active Pending
- 2019-09-03 CN CN201980073596.9A patent/CN113614850A/zh active Pending
- 2019-09-03 WO PCT/US2019/049270 patent/WO2020051101A1/en unknown
- 2019-09-03 JP JP2021537445A patent/JP2022500797A/ja active Pending
- 2019-09-03 AU AU2019335192A patent/AU2019335192A1/en active Pending
- 2019-09-03 CA CA3111924A patent/CA3111924A1/en active Pending
- 2019-09-03 KR KR1020217009842A patent/KR20210110284A/ko active Search and Examination
- 2019-09-03 US US16/558,558 patent/US20200077931A1/en not_active Abandoned
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090192366A1 (en) * | 2007-12-17 | 2009-07-30 | Dexcom, Inc | Systems and methods for processing sensor data |
CN103003819A (zh) * | 2010-07-23 | 2013-03-27 | 霍夫曼-拉罗奇有限公司 | 考虑到身体活动对葡萄糖调节系统的影响的系统和方法 |
CN103959291A (zh) * | 2011-04-20 | 2014-07-30 | 诺沃—诺迪斯克有限公司 | 基于具有自适应选择的核和正则化参数的正则化网络的葡萄糖预测器 |
US20150006456A1 (en) * | 2013-06-26 | 2015-01-01 | WellDoc, Inc. | Systems and methods for creating and selecting models for predicting medical conditions |
US20150347707A1 (en) * | 2014-05-30 | 2015-12-03 | Anthony Michael Albisser | Computer-Implemented System And Method For Improving Glucose Management Through Cloud-Based Modeling Of Circadian Profiles |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113951879A (zh) * | 2021-12-21 | 2022-01-21 | 苏州百孝医疗科技有限公司 | 血糖预测方法和装置、监测血糖水平的系统 |
CN116671906A (zh) * | 2023-08-01 | 2023-09-01 | 亿慧云智能科技(深圳)股份有限公司 | 一种智能手表无创血糖测量方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
US20200077931A1 (en) | 2020-03-12 |
AU2019335192A1 (en) | 2021-04-08 |
JP2022500797A (ja) | 2022-01-04 |
CA3111924A1 (en) | 2020-03-12 |
KR20210110284A (ko) | 2021-09-07 |
WO2020051101A1 (en) | 2020-03-12 |
EP3847669A1 (en) | 2021-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113614850A (zh) | 预测血糖浓度 | |
US20200375549A1 (en) | Systems for biomonitoring and blood glucose forecasting, and associated methods | |
AU2021202444B2 (en) | Glycemic urgency assessment and alerts interface | |
US10664569B2 (en) | Data analytics and generation of recommendations for controlling glycemic outcomes associated with tracked events | |
EP2715583B1 (en) | Location enabled food database | |
WO2017035024A1 (en) | Data analytics and insight delivery for the management and control of diabetes | |
US20210241916A1 (en) | Forecasting and explaining user health metrics | |
US11696706B2 (en) | Multi-state engagement with continuous glucose monitoring systems | |
Martono et al. | Predictors of HbA1c levels in patients initiating metformin | |
Griffin | Conversational Agents and Connected Devices to Support Chronic Disease Self-Management |
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 |