CN114173644A - 动态等效体载估计器 - Google Patents

动态等效体载估计器 Download PDF

Info

Publication number
CN114173644A
CN114173644A CN202080054094.4A CN202080054094A CN114173644A CN 114173644 A CN114173644 A CN 114173644A CN 202080054094 A CN202080054094 A CN 202080054094A CN 114173644 A CN114173644 A CN 114173644A
Authority
CN
China
Prior art keywords
data
time
insulin
xob
estimate
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
Application number
CN202080054094.4A
Other languages
English (en)
Inventor
S·帕特克
E·坎波斯-尼亚涅斯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dexcom Inc
Original Assignee
Dexcom Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Dexcom Inc filed Critical Dexcom Inc
Publication of CN114173644A publication Critical patent/CN114173644A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • G16H20/17—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients delivered via infusion or injection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • 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
    • 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)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Medicinal Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Nutrition Science (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Infusion, Injection, And Reservoir Apparatuses (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • External Artificial Organs (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

提供了对瞬时(即，短暂)生理效应有反应的外源药物的自适应体载估计。动态估计留在受试者体内的诸如胰岛素和/或碳水化合物的体载外源药物(XOB)的等效量是基于葡萄糖时间序列数据的预测进行的。这些诸如体载胰岛素(IOB)的估计值可用于糖尿病管理软件，例如包括决策支持和/或人工胰腺(AP)算法。

Description

动态等效体载估计器
相关申请的交叉引用
本申请要求以下美国临时申请的优先权。于2019年6月19日提交的第62/863,648号。上述申请通过引用整体并入本文，并且明确成为本说明书的一部分。
背景技术
在糖尿病管理系统中，已知的各种外源药物的体载量对于改进糖尿病管理软件很重要。不幸的是，这些药物的浓度或质量难以实时准确测定，至少部分原因在于难以实现在体内测量外源药物的吸收和分布状态(与连续葡萄糖监测(CGM)相反)。为了解决这个问题，现有技术依赖于报告药物的摄取和/或注射以及假设的和固定的时间-作用曲线，以外推在稍后时间在代谢中存在的药物的量(体载外源药物(XOB))。然而，人的代谢是高度复杂的，受试者与受试者之间以及每一日与每一日之间存在差异，并且通常不遵循预定义的作用曲线。
发明内容
提供了对瞬时(短暂)生理效应有反应的外源药物的自适应体载估计。动态估计留在受试者体内的诸如胰岛素和/或碳水化合物的体载外源药物(XOB)的等效量是基于葡萄糖时间序列数据的预测进行的。这些诸如体载胰岛素(IOB)的估计值可用于糖尿病管理软件，例如包括决策支持和/或人工胰腺(AP)算法。
在实施方案中，一种系统包括输入编译器，该输入编译器被配置为接收和处理输入数据；体载外源药物(XOB)估计器；和输出编译器。
在一些实施方案中，输入数据对应于由连续葡萄糖监测(CGM)系统提供的葡萄糖浓度读数、胰岛素注射/输注数据、关于摄入的膳食的数据、胰高血糖素或其他药物剂量和/或注射数据、运动数据或压力数据。另选地或附加地，输入数据包括关于胰岛素的数据，并且/或者输入数据包括关于碳水化合物的数据。
一些实施方案还包括连续葡萄糖监测(CGM)系统，该CGM系统与输入编译器通信并且被配置为向输入编译器提供输入数据。另选地或附加地，设置闭环输送系统，该闭环输送系统与输入编译器通信并且被配置为向输入编译器提供输入数据。在一些实施方案中，输入数据包括胰岛素剂量推荐或胰高血糖素剂量推荐的序列。
在一些实施方案中，输入编译器被配置为编译以下数据中的至少一者：(1)与正在编译其葡萄糖效应等效物的药物相关的数据，或(2)与连续葡萄糖监测(CGM)系统读数的相关历史相关的数据。
在一些实施方案中，输出编译器是XOB输出编译器，该XOB输出编译器被配置为呈现XOB估计。XOB估计可包括体载胰岛素(IOB)估计和/或体载碳水化合物(COB)估计。
在一些实施方案中，XOB估计器被配置为估计药物在预定时间的葡萄糖等效效果。另选地或附加地，XOB估计器包括基线时间序列估计器、迭代时间序列比较器和时间序列比较器。基线时间序列估计器可以是无状态机器，该无状态机器接收历史XOB量和连续葡萄糖监测(CGM)系统历史，并且产生近似葡萄糖的未来值的时间序列。迭代时间序列比较器被配置为将生成候选XOB量的过程与时间序列估计器的修改相结合，其中利用所考虑的XOB量替代历史XOB量。时间序列比较器被配置为匹配一对时间序列，该对时间序列能够是序列之间的距离或相似性的任何度量。
在实施方案中，一种方法包括接收时间T1的外源药物数据和在药物的体载估计的时间T2之前的时间段的葡萄糖时间序列数据；基于时间T1的数据和在T2之前的时间段的连续葡萄糖监测(CGM)系统数据，估计从XOB估计的时间T2到时间T3的基线葡萄糖时间序列数据；基于在时间T2的数据的和在T2之前的时间段的CGM数据的可能值的范围，迭代地估计从时间T2到时间T3的多个葡萄糖时间序列数据；将基线葡萄糖时间序列数据与多个葡萄糖时间序列进行比较，以确定从其中选择体载外源药物(XOB)估计的最佳匹配；以及输出XOB估计。
在一些实施方案中，从受试者或所连接的装置中的一者接收外源药物数据。另选地或附加地，外源药物数据包括体载胰岛素(IOB)，并且/或者所连接的装置是胰岛素泵。另选地或附加地，外源药物数据包括体载碳水化合物(COB)。
在一些实施方案中，该方法还包括从外源药物数据和葡萄糖时间序列数据中去除不可靠数据或假数据中的至少一者。外源药物数据或葡萄糖时间序列数据中的至少一者包括先前注射或摄入的药物数据的剂量或量中的一者或多者。葡萄糖时间序列数据可以是连续的或半连续的。
在一些实施方案中，迭代估计的范围为从0开始的被去除的药物到具有全部量的药物。
在一些实施方案中，输出XOB估计包括将XOB估计输出到糖尿病管理系统、糖尿病管理算法、用户界面、大剂量计算器或人工胰腺(AP)系统中的至少一者。
在一些实施方案中，XOB估计包括受试者中剩余的药物的等效量。药物包括胰岛素或碳水化合物中的至少一者。
在实施方案中，一种系统包括输入编译器，其中输入编译器接收和处理与药物相关的输入数据；体载外源药物(XOB)估计器，其中XOB估计器使用估计来说明药物的药物吸收的瞬时变化，并且其中XOB估计器确定XOB估计；和输出编译器，其中该输出编译器呈现XOB估计。
在一些实施方案中，药物吸收的瞬时变化由来自连续葡萄糖监测(CGM)系统的数据确定。XOB估计可包括体载胰岛素(IOB)估计和/或体载碳水化合物(COB)估计。药物可以是胰岛素和/或碳水化合物。
在一些实施方案中，输入数据对应于由连续葡萄糖监测(CGM)系统提供的葡萄糖浓度读数、胰岛素注射/输注数据、关于摄入的膳食的数据、胰高血糖素或其他药物剂量和/或注射数据、运动数据或压力数据。输入数据可包括关于胰岛素的数据和/或关于碳水化合物的数据。
在一些实施方案中，该系统还包括连续葡萄糖监测(CGM)系统，该CGM系统与输入编译器通信并且被配置为向该输入编译器提供输入数据。另选地或附加地，该系统还包括闭环输送系统，该闭环输送系统与输入编译器通信并且被配置为向输入编译器提供输入数据。输入数据可包括胰岛素剂量推荐或胰高血糖素剂量推荐的序列。
在一些实施方案中，输入编译器被配置为编译以下数据中的至少一者：(1)与正在编译其葡萄糖效应等效物的药物相关的数据，或(2)与连续葡萄糖监测(CGM)系统读数的相关历史相关的数据。
在一些实施方案中，XOB估计器被配置为估计药物在预定时间的葡萄糖等效效果。XOB估计器可包括基线时间序列估计器、迭代时间序列比较器和时间序列比较器。基线时间序列估计器可以是无状态机器，该无状态机器接收历史XOB量和连续葡萄糖监测(CGM)系统历史，并且产生近似葡萄糖的未来值的时间序列。迭代时间序列比较器可被配置为将生成候选XOB量的过程与时间序列估计器的修改相结合，其中利用所考虑的XOB量替代历史XOB量。时间序列比较器可被配置为匹配一对时间序列，该对时间序列可以是序列之间的距离或相似性的任何度量。
在实施方案中，一种方法包括接收时间T1的胰岛素数据和在体载胰岛素(IOB)估计的时间T2之前的时间段的连续葡萄糖监测(CGM)系统时间序列数据；基于时间T1的胰岛素数据和在T2之前的时间段的CGM系统数据，估计从IOB估计的时间T2到时间T3的基线葡萄糖时间序列数据；基于在时间T2的胰岛素数据的和在T2之前的时间段的CGM数据的可能值的范围，迭代地估计从时间T2到时间T3的多个葡萄糖时间序列数据；将基线葡萄糖时间序列数据与多个葡萄糖时间序列进行比较，以确定从其中选择IOB估计的最佳匹配；以及输出IOB估计。
在一些实施方案中，从受试者或所连接的装置中的一者接收胰岛素数据。所连接的装置可以是胰岛素泵。
在一些实施方案中，该方法还包括从胰岛素数据和CGM系统时间序列数据中去除不可靠数据或假数据中的至少一者。胰岛素数据或CGM系统时间序列数据中的至少一者包括先前注射或摄入的胰岛素数据的剂量或量中的一者或多者。CGM系统时间序列数据可以是连续的或半连续的。
在一些实施方案中，迭代估计的范围为从0开始的被去除的胰岛素到具有全部量的胰岛素。
在一些实施方案中，输出IOB估计包括将IOB估计输出到糖尿病管理系统、糖尿病管理算法、用户界面、大剂量计算器或人工胰腺(AP)系统中的至少一者。IOB估计可包括受试者体内剩余的胰岛素等效量。
在实施方案中，一种方法包括接收时间T1的碳水化合物数据和在体载碳水化合物(COB)估计的时间T2之前的时间段的连续葡萄糖监测(CGM)系统时间序列数据；基于时间T1的碳水化合物数据和在T2之前的时间段的CGM系统数据，估计从COB估计的时间T2到时间T3的基线葡萄糖时间序列数据；基于在时间T2的碳水化合物数据的和在T2之前的时间段的CGM数据的可能值的范围，迭代地估计从时间T2到时间T3的多个葡萄糖时间序列数据；将基线葡萄糖时间序列数据与多个葡萄糖时间序列进行比较，以确定从其中选择COB估计的最佳匹配；以及输出COB估计。
在一些实施方案中，从受试者或所连接的装置中的一者接收碳水化合物数据。所连接的装置可以是葡萄糖监测器。
在一些实施方案中，该方法还包括从碳水化合物数据和CGM系统时间序列数据中去除不可靠数据或假数据中的至少一者。碳水化合物数据或CGM系统时间序列数据中的至少一者包括先前注射或摄入的碳水化合物数据的剂量或量中的一者或多者。CGM系统时间序列数据可以是连续的或半连续的。
在一些实施方案中，迭代估计的范围为从0开始的被去除的碳水化合物到具有全部量的碳水化合物。
在一些实施方案中，输出COB估计包括将COB估计输出到糖尿病管理系统、糖尿病管理算法、用户界面、大剂量计算器或人工胰腺(AP)系统中的至少一者。COB估计可包括受试者体内剩余的碳水化合物等效量。
在实施方案中，一种系统包括自动胰岛素输送(AID)算法，该AID算法被配置为接收患者的葡萄糖浓度的估计；和体载胰岛素(IOB)估计器，该IOB估计器被配置为向AID算法提供IOB估计。
在一些实施方案中，AID算法被包含在计算装置内。另选地或附加地，AID算法包括半闭环算法、闭环算法或算法推荐系统。AID算法还可被配置为以预定时间间隔接收患者的葡萄糖浓度的更新估计。
在一些实施方案中，患者的葡萄糖浓度的估计被作为连续葡萄糖监测(CGM)读数从CGM传感器接收。
在一些实施方案中，AID算法被配置为使用患者的葡萄糖浓度的估计来计算所期望的胰岛素剂量。另选地或附加地，AID算法还被配置为从所期望的胰岛素剂量减去IOB估计，以计算大剂量推荐。另选地或附加地，AID算法还被配置为向胰岛素泵提供大剂量推荐以用于向患者输送胰岛素。
在实施方案中，一种方法包括接收患者的葡萄糖浓度的估计；接收体载胰岛素(IOB)估计；使用患者的葡萄糖浓度的估计来计算所期望的胰岛素剂量；以及从所期望的胰岛素剂量中减去IOB估计以计算大剂量推荐。
在一些实施方案中，该方法还包括向胰岛素泵提供大剂量推荐以用于向患者输送胰岛素。
在一些实施方案中，该方法还包括以预定时间间隔接收患者的葡萄糖浓度的更新估计。
在一些实施方案中，患者的葡萄糖浓度的估计被作为连续葡萄糖监测(CGM)读数从CGM传感器接收。
在实施方案中，一种系统包括监测装置，该监测装置被配置为接收与患者有关的输入数据；手持计算装置，该手持计算装置被配置为从监测装置接收输入数据；和体载外源药物(XOB)计算器，该XOB计算器被配置为使用输入数据执行XOB估计。
在一些实施方案中，XOB计算器在计算装置上本地实现。另选地，XOB计算器在计算装置上本地实现。
在一些实施方案中，监测装置包括胰岛素笔。胰岛素笔可被配置为向手持计算装置提供附加的输入数据，其中XOB计算器被配置为使用输入数据和附加的输入数据来执行XOB估计。
在一些实施方案中，XOB计算器还被配置为经由手持计算装置的显示器来呈现XOB估计。
在一些实施方案中，该系统还包括胰岛素泵，该胰岛素泵被配置为从手持计算装置接收数据，并且基于从手持计算装置接收的数据向患者提供一定量的胰岛素。
在一些实施方案中，该系统还包括胰岛素泵，该胰岛素泵被配置为从手持计算装置接收数据，并且基于从手持计算装置接收的数据向患者提供一定量的胰岛素。另选地或附加地，输入数据包括关于胰岛素的数据，并且/或者输入数据包括关于碳水化合物的数据。
在一些实施方案中，XOB估计包括体载胰岛素(IOB)估计，并且/或者XOB估计包括体载胰岛素(IOB)估计。
在一些实施方案中，输入数据包括胰岛素剂量推荐或胰高血糖素剂量推荐的序列。
在一些实施方案中，XOB计算器包括XOB估计器。XOB估计器可被配置为估计药物在预定时间的葡萄糖等效效果。
在一些实施方案中，XOB估计器包括基线时间序列估计器、迭代时间序列比较器和时间序列比较器。基线时间序列估计器可以是无状态机器，该无状态机器接收历史XOB量和连续葡萄糖监测(CGM)系统历史，并且产生近似葡萄糖的未来值的时间序列。迭代时间序列比较器可被配置为将生成候选XOB量的过程与时间序列估计器的修改相结合，其中利用所考虑的XOB量替代历史XOB量。时间序列比较器可被配置为匹配一对时间序列，该对时间序列可以是序列之间的距离或相似性的任何度量。
提供这一发明内容是为了以简化的形式介绍一些概念，这些概念将在下面的具体实施方式中进一步描述。这一发明内容不旨在标识所要求保护的主题的关键特征或必要特征，也不旨在用于限制所要求保护的主题的范围。
附图说明
当结合附图阅读时，将更好地理解前面的发明内容以及下面对例示性实施方案的详细描述。为了说明实施方案，在附图中示出了实施方案的示例结构；然而，实施方案不限于所公开的特定方法和仪器。在附图中：
图1是示出用于确定先前注射或摄入的药物(体载外源药物(XOB))在估计时间的剩余有效量的方法的流程图；
图2是示出图1的方法的曲线图；
图3A是根据实施方案的示例性系统的框图；
图3B是实施方案中的XOB估计器的框图；
图4是用于估计体内剩余有效胰岛素在体载胰岛素(IOB)估计时的等效IOB的方法的流程图；
图5表示XOB计算如何适应于估计IOB的问题；
图6A描述了针对请求关于校正大剂量的建议的连续葡萄糖监测(CGM)系统和/或笔用户来显示IOB的可能机制；
图6B示出人工胰腺(AP)在每次计算胰岛素输送时将如何更新其IOB的估计；
图6C是描述结合自动胰岛素输送(AID)算法使用体载胰岛素估计器的示图；
图7是示出其中药物是碳水化合物而由此要求体载碳水化合物(COB)的方法的流程图；
图8是表示图2的对估计COB问题的适应性的曲线图；
图9是向用户显示COB信息的示例；
图10A和图10B分别示出具有本地实施方式和具有云实施方式的CGM系统/笔组合系统的示例；
图11是AP实施方式的示例；
图12是本发明的实施方案的高级功能框图；并且
图13示出其中可以实现示例实施方案和方面的示例性计算环境。
具体实施方式
参考附图描述所要求保护的主题，其中相同的附图标记始终用于表示相同的元件。在下面的描述中，出于解释的目的，阐述了许多具体细节，以便提供对所要求保护的主题的全面理解。然而，显而易见的是，可以在没有这些具体细节的情况下实践所要求保护的主题。在其他情况下，以框图形式示出了结构和装置，以便于描述所要求保护的主题。
使用葡萄糖效应等效物原理计算体载药物估计。根据这一原则，当前的特定药物的最佳体载估计是由于历史(先前)药物给药而产生与预测响应最接近的葡萄糖响应的药物的量。受试者中一种或多种外源药物的估计由来自最近的和预测未来的葡萄糖时间序列数据的可用葡萄糖数据提供，因此其对受试者是特异性的。在可能的情况下，XOB估计还会利用其他药物的已知(报告或估计)数据来提高估计的准确性。例如，这可能涉及在估计胰岛素时使用碳水化合物数据。换句话说，本文所述的系统和方法不是基于来自过去报告的(一种或多种)药物注射和/或(一种或多种)摄入的外源药物数据进行外推(例如，单独地外推)，而是考虑利用葡萄糖时间序列数据和预测方法来估计在任何请求时间的等效XOB数据。
图1是示出用于确定先前注射和/或摄入的药物(即，XOB)在估计时间的剩余有效量的方法100的流程图。图2是示出图1的方法100的曲线图200。图3A是根据实施方案的示例系统300的框图。图3B是实施方案中的XOB估计器330的框图。
对于XOB，“X”表示摄入或注射的外源药物，其代谢可能瞬时受到日常事件的影响，该日常事件包括疾病、压力、剧烈活动和/或其他瞬时生理效应。因此，本文所使用的外源药物是指由患者摄取和/或注射的可用于治疗糖尿病的生物活性物质，患者的代谢可能瞬时受到日常事件的影响，该日常事件包括疾病、压力和其他瞬时生理效应。如本文所使用的，术语“瞬时”是指非永久性的，并且瞬时效应(或瞬时生理效应)是指患者的药物吸收在一段时间内的那些变化的那些效应，例如，根据实施方式，该段时间诸如小于48小时、小于36小时、小于24小时或小于12小时等的时间段。虽然这些是对受试者的代谢造成瞬时影响的每日事件的示例，但通常，可根据本文所述的系统和方法类似地计算具有药代动力学(或药物动力学)性质的对CGM/葡萄糖时间序列(感测变量)有影响的任何化合物。用于糖尿病控制的外源药物包括胰岛素、碳水化合物、胰高血糖素、二甲双胍、胰高血糖素样肽-1(GLP-1)和其他I型或II型葡萄糖控制药物。
因为不能直接测量体内的活性药物的量，因此本文所述的系统和方法基于所报告的先前药物给药和最近的葡萄糖测量值提供剩余有效量的估计。药物记录的示例包括自我报告的药物给药(由患者提供，患者在此也称为受试者)、自动药物给药记录(由所连接的装置提供)或由其他机构提供的估计药物给药。葡萄糖测量可由实时CGM系统、直接静脉测量或血糖监测系统(BGM)提供，或者由从BGM重建葡萄糖轨迹的某些其他估计程序提供。
本文所述的系统和方法基于葡萄糖效应等效的原理确定体载药物(体内剩余)的实时估计。更具体地，就预测的葡萄糖浓度效应而言，葡萄糖效应等效剂量被定义为与先前服用的药物剂量最接近的替代药物剂量。
本文提供的技术使用葡萄糖测量的历史来估计瞬时代谢影响，并且最终产生反映这些估计的葡萄糖浓度预测。换句话说，本文所述的系统和方法基于葡萄糖时间序列估计是什么来提供在估计等效体载物时实际还有多少作用，因为本文所述的系统和方法考虑了无法预定义的对代谢的瞬时影响，所以这可能不同于现有技术的预定义作用曲线。
虽然XOB计算可用作实时估计器，但也可回顾性地用于药物剂量优化、滴定、运行中优化和其他类似的调整算法。
在110处，接收在时间T1的外源药物数据，并且接收在药物的体载估计的时间T2之前的时间段的葡萄糖时间序列数据。数据可包括一个或多个剂量和/或先前注射和/或摄入的药物数据的量。当接收到多个剂量时，可对药物数据进行编译或保持其独特性，以便进一步处理。
报告可以是自我报告的确认(由用户(即，患者或受试者)生成)、由所连接的装置生成的自动报告或通过某些其他方法估计的报告。例如，当估计体载胰岛素时，可自我报告大剂量或通过胰岛素泵进行通信。
数据可由输入编译器310接收和处理。输入编译器310可接收原始数据，并且对原始数据进行处理以去除不可靠的数据和/或假数据。可使用的方法的示例包括时间序列CGM数据的插值和外推，以及去除CGM时间序列中的重复读数和校准伪像。
葡萄糖时间序列通常由实时CGM系统获得，但也可以是由直接静脉测量或BGM系统获得，或者通过从BGM重建葡萄糖轨迹的某些其他估计程序获得。在一些实施方式中，例如，测量频率为至少每十五分钟，诸如每五分钟。葡萄糖时间序列数据可直接从CGM装置实时接收，也可根据诸如数据中心的外部源的请求，通过有线或无线连接进行批量下载。葡萄糖时间序列数据可以是原始数据或经处理的数据，并且应至少包括时间T1到T2，但可能包括更长的时间窗口。
在120处，基于时间T1的X数据和在T2之前的时间段的CGM数据，估计从XOB估计的时间T2到未来时间T3的基线葡萄糖时间序列数据。
时间序列估计器320可用于执行估计。未来葡萄糖时间序列数据的估计可通过许多已知的预测方法来提供，但是通常使用连续或半连续的葡萄糖时间序列数据。受瞬时生理效应影响的、基于过去CGM数据的未来葡萄糖时间序列的任何黑箱估计均可在本文中使用。未来葡萄糖时间序列数据的估计也可从外源药物的一次或多次先前注射和/或摄入(正在估计)的数据中获知，只要该药物在时间T2在体内具有持续作用。这一操作假设所报告药物的可信度。
虽然不是必需的，但是在一些实施方案中，对未来葡萄糖时间序列数据的估计是基于数学模型的，该数据模型表示受试者对正估计的药物的葡萄糖响应。例如，胰岛素-碳水化合物-葡萄糖的模型可用于解释胰岛素大剂量对葡萄糖控制的影响，该模型的结构和/或参数可被调整到该受试者的生理特征。
虽然不是必需的，但对未来葡萄糖时间序列数据的估计可使用混合方法，除了数学模型之外，该方法还使用对瞬时代谢变化(诸如，运动、压力或疾病)的受试者特异性估计，而这些是数学模型无法解释的。
代谢变化的估计可基于黑箱模型、历史数据分析和/或使用附加的数据输入。例如，运动会对胰岛素敏感性产生暂时的变化，从而可能影响药物的葡萄糖效应。使用来自监测器的心率信号可用于量化这种影响，从而对预测进行量化。
一种或多种其他外源药物(正在评估的药物除外)的数据也可能为未来葡萄糖时间序列数据的估计提供信息。例如，IOB估计可在基于系统中报告或估计的可用范围内利用碳水化合物数据。
在130处，基于在时间T2的X数据和在T2之前的时间段的CGM数据的可能值的范围，迭代地估计从时间T2到时间T3的多个葡萄糖时间序列数据。
时间序列估计器320可用于执行估计。因为在T2请求进行体载计算时无法直接测量外源药物，所以一些实施方案测试了在时间T2点作为候选者给药的该药物的可能值的范围，以自该药物在时间T1处已知报告的给药开始匹配与该药物相对应的葡萄糖效应。使用时间序列估计器测试药物剂量，但利用时间T2的剂量代替时间T1的剩余给药剂量。
在一些实施方案中，迭代估计的范围为从模型中移除的药物(X＝0)到具有全部量(例如，在时间T1处给药)的药物。另选地，可能值的范围可从零开始(时间T2处，X数据为0)，并且根据药代动力学的其他信息逐渐增加到较小的剂量。
在140处，将来自120的基线葡萄糖时间序列数据与来自130的多个葡萄糖时间序列进行比较，以确定从其中选择XOB估计的最佳匹配。该比较可由时间序列比较器330执行。
换句话说，如果对应的葡萄糖时间序列数据(来自130)与基础时间序列(来自120)最佳匹配，则将药物量指定为药物在时间T2处的体载药物(XOB)或葡萄糖效应等效量。
一对时间序列的匹配可以是序列之间距离或相似性的任何度量。例如，这可包括多个范数、傅立叶级数系数、级数的自回归特性、动态时间扭曲和/或编辑距离。这还可包括其他形式的分类，包括聚类分析，即，如果两个时间序列属于同一聚类，则它们具有良好的匹配性。
在一个示例中，利用在130计算的预测来确定最佳匹配，该预测使与在120计算的预测的总差异最小化。另选地，该匹配可由预测时域结束(例如，时间T3)时的预测葡萄糖水平的差异来定义，或者被定义为两个预测之间的差异的加权和。在总和中使用的权重可表示遗忘因子，使得预测时域中的最终点(例如，时间T3)的距离比预测时域的开始处(例如，时间T2)的距离具有更多的权重。这些权重还可反映由于其他外生因素导致的预测的可信度。
在150处，例如，使用输出编译器340将等效XOB输出到糖尿病管理系统。输出编译器340可接收和发送从最佳匹配时间序列数据中选择的XOB，并且/或者输出编译器340还可处理XOB估计以提供图形或函数输出。当连续估计XOB时，输出编译器340可产生动态图形或功能输出，以向用户或算法提供连续估计。
另选地或附加地，受试者体内剩余的等效量的药物(例如，胰岛素和/或碳水化合物)可输出到糖尿病管理算法、用户界面、大剂量计算器或AP系统中的一者或多者。
在其中药物是碳水化合物的一些实施方案中，例如，还可将输出提供到膳食行为估计算法(例如，“自最后一次膳食以来的时间”特征)、预测算法、推荐引擎、到行为的个体化模型中的特征(例如，膳食的定时、膳食的组成、确认定时行为、糖尿病技术交互的定时等)，关联到诸如体育活动/锻炼的其他行为、无需宣布碳水化合物的体载碳水化合物值。
图2是示出图1的方法的曲线图200。x轴表示时间，并且y轴表示葡萄糖浓度。菱形205表示诸如历史药物剂量的药物数据。
在图2中，时间T1.0和T1.1对应于在要求估计体载药物XOB等效值之前的时间T1.X处从药物的注射和/或摄入中报告或估计的一个或多个历史药物量或剂量205的时间。药物量和/或剂量205(在时间T1.0、T1.1等处确定)是尚未完全代谢的注射和/或摄入，因此其中一部分在XOB请求T2时在体内保持活性。
附加地或另选地，当在最近估计或报告的药物作用期内出现重复请求时，根据先前请求计算的等效XOB估计可用于进一步的XOB计算。(注射和/或摄入的)剂量或量可如本文更详细描述的那样报告或估计。
值得注意的是，虽然此处未示出，但是可包括在随后的时间T1.2、T1.3、…的其他药物注射/输注的附加时间，诸如，例如，当受试者已经注射多个微剂量的胰岛素和/或已经接收到来自胰岛素泵的连续输注时。
因此，菱形205表示在时间T2处具有剩余有效浓度的历史药物剂量。值得注意的是，在时间T1之前可能存在多种其他药物剂量，但如果在时间T2无残留效应，则一般不予以考虑。还值得注意的是，如本领域技术人员所理解的，多于一个或两个剂量可能在时间T2处具有残留效应。
在图2中，时间T2对应于请求和/或计算XOB估计的时间。在XOB计算的请求或开始之后的时间T2也是估计未来葡萄糖时间序列数据的近似起点(例如，预测时域的开始)。时间T2通常也是用于估计/预测的葡萄糖时间序列数据中最后一次读取的时间。
线210表示在未来葡萄糖时间序列数据的估计中使用的CGM时间序列数据。通常，对本文所述的系统和方法有用的葡萄糖时间序列数据使用至少在时间T1处开始的CGM时间序列数据；然而，该数据可包括来自时间T1之前的时间的附加时间序列数据和/或来自时间T1之前的数据的其他影响，诸如滤波、平滑或调谐效果。
在图2中，时间T3对应于未来葡萄糖时间序列数据的估计的结束，也被称为预测时域的结束，该预测时域是从时间T2到时间T3进行的估计的长度。优选地，预测时域的长度超出了基线估计中使用的先前药物剂量没有残留效应的时间T2+(菱形205)。这通常对应于药物剂量被身体完全代谢、清除或吸收的时间。
线230表示从时间T2到时间T3的基线葡萄糖时间序列数据的估计，有时被称为基线预测。如本文进一步描述的(例如，在120处)，该估计是基于在时间T1.0、T1.1等获得的历史药物剂量(菱形205)和在T2之前的时间段的葡萄糖时间序列数据(线210)。
线215和225(分别为点线和虚线)表示从时间T2到时间T3的未来葡萄糖时间序列数据的多个迭代估计中的两个迭代估计。线220表示在时间T2时去除了药物(药物的零剩余有效量)的估计。线225表示与120的基线葡萄糖时间序列数据相比130的最佳匹配葡萄糖时间序列估计，如在140处更详细描述的。历史剂量(菱形205)的影响在预测时域结束之前(时间T3)发生的预期时间T2+处结束。
图3A是根据实施方案的示例系统300的框图。系统300包括输入编译器310、XOB估计器330和输出编译器350。
在实施方式中，输入编译器310被实现为处理本文描述的过程的输入数据的软件。提供到输入编译器310和在输入编译器处接收的输入数据可对应于最通常由CGM系统提供的葡萄糖浓度读数、胰岛素注射/输注数据、关于摄入的膳食的数据、胰高血糖素或其他药物剂量和/或注射数据、运动数据或压力数据。
在实时的实施方案中，输入数据可源自经由蓝牙、Wi-Fi或任何其他通信协议连接到输入编译器310的传感器(例如，CGM)。数据也可从诸如闭环输送系统的应用直接提供到输入编译器310，该闭环输送系统产生胰岛素剂量推荐或胰高血糖素剂量推荐的序列。在此类实施方案中，两个应用可共存或符合单个软件系统。对于回顾性应用，数据和输入编译器可存在于异步聚合和编译数据的云服务中。
如关于110所述，输入编译器310的目的在于编译与正在编译其葡萄糖效应等效物的药物相关的数据，编译和整理CGM系统读数的相关历史，以及可在该过程中稍后使用以提高预测质量的其他数据。
XOB估计器330可被称为葡萄糖效应等效估计器，因为它是在时间T2估计药物的葡萄糖等效效应的引擎。XOB估计器330可被实现为库，该库可在用户或算法(例如，AP)请求估计的装置(即，智能手机、胰岛素泵或生成该请求的任何其他装置)本地运行。另选地，该算法可被实现为诸如云计算服务的按需服务。此类实施方案在数据回顾分析的情况下可能有用，但是如果发出请求的装置具有有限的存储器/计算容量，则也可以是替代方案。
XOB输出编译器350将XOB估计呈现为对请求实体(例如，装置、算法、患者等)有用的形式。这方面的示例包括以下内容。
在AP系统实施方式中，来自输出编译器350的输出是能够通过软件API访问的XOB估计。该输出可包括用于在不远的将来重新计算该估计并加快计算速度的信息。在实施方式中，该输出包括对IOB的估计。不需要用户确认膳食的AP系统也可在最近检测到膳食时请求估计COB，以便生成膳食大剂量。
在CGM/笔组合系统实施方式中，来自输出编译器350的输出可由请求系统经由API获得。这一系统的示例是大剂量计算器(例如，参见图10A和图10B)。在一些实施方式中，输出包括当计算校正大剂量时IOB的估计，或者当在比膳食更晚的时间请求膳食大剂量计算时COB的估计。
在基于云的系统实施方式中，输出编译器350可根据请求创建包括估计的数据包。例如，可使用JavaScript对象符号(json)将XOB估计传送回请求应用。
CGM实时应用实施方式可静态显示IOB/COB信息(即，IOB/COB的最新值)。该显示也可以是动态的，包括IOB/COB的近期历史。
图3B是实施方案中的XOB估计器330的框图，包括基线时间序列估计器3301、迭代时间序列比较器3302和时间序列比较器3303。
在实施方式中，基线时间序列估计器3301是无状态机器，该无状态机器接收历史XOB量和CGM系统历史并产生近似葡萄糖的未来值的时间序列。它将120中描述的过程实现在估计器的本地实施方式中，或者实现在接收上述信息并产生估计的云服务中。
由基线时间序列估计器3301实现的算法可以是将历史XOB/CGM信息与葡萄糖预测相关联的任何方法。这包括葡萄糖预测器，并且可包括其他预测方法，例如，预期重放模拟。
迭代时间序列估计器3302将生成候选XOB量的过程与基线时间序列估计器3301的修改相结合，在基线时间序列估计器中，利用所考虑的XOB量替换历史XOB量。替换历史XOB被理解为在请求时将已经分布在受试者体内的XOB量归零并输送新的XOB剂量的过程。该过程可由算法使用生成请求的装置本地的资源来执行。
时间序列比较器3303可匹配一对时间序列，该对时间序列可以是序列之间的距离或相似性的任何度量。这可包括多个范数、傅立叶级数系数、级数的自回归特性、动态时间扭曲和编辑距离。这还可包括其他形式的分类，包括聚类分析，即，如果两个时间序列属于同一聚类，则它们具有良好的匹配性。在一个示例中，利用在130计算的预测来确定最佳匹配，该预测使与在120计算的预测的总差异最小化。
另选地，该匹配可由预测时域结束(时间T3)时的预测葡萄糖水平的差异来定义，或者被定义为两个预测之间的差异的加权和。在总和中使用的权重可表示遗忘因子，使得预测时域中的最终点(时间T3)的距离比预测时域的开始处(时间T2)的距离具有更多的权重。这些权重还可反映由于其他外生因素导致的预测的可信度。
对于糖尿病患者而言，了解活性胰岛素(IOB)的剩余量通常至关重要。现有技术的IOB计算通常使用用于IOB的模型，该模型基于先前已知的胰岛素值(例如，基于所报告的输送的胰岛素大剂量)和预定义身体如何吸收胰岛素的作用曲线来按比例分配当前胰岛素值。大多数作用曲线是由系统默认任意设置的，因此不会针对特定对象进行个性化设置。然而，无论使用系统默认值还是个性化版本的作用曲线，由于压力、疾病、剧烈活动等因素，即使在个体中，胰岛素的吸收也会发生瞬时变化。因为现有技术的IOB计算通常是对从最近的胰岛素注射和/或输注计算的剩余活性胰岛素的评估，所以要求受试者和/或护理者通过选择胰岛素作用曲线来设置胰岛素作用的持续时间，这通常在受试者首先配置计算(在泵中或在应用中的)IOB的软件应用时发生。因此，使用现有技术得出的IOB估计通常不能准确反映体内剩余的活性胰岛素。因此，本文所述的系统和方法估计等效的体载胰岛素值，这可根据理论上实现与在估计时仍有效的胰岛素的葡萄糖清除效果类似的葡萄糖清除效果所需的胰岛素大剂量来理解。
图4是用于估计体内剩余有效胰岛素在体载胰岛素(IOB)估计时(例如，时间T2)的等效IOB的方法400的流程图。
在410处接收时间T1的胰岛素数据和胰岛素的体载估计的时间T2之前的时间段的CGM时间序列数据。在一些实施方式中，胰岛素数据可由诸如胰岛素泵或所连接的胰岛素笔的所连接装置收集。另选地，胰岛素剂量可由受试者自我报告，例如，使用电话应用记录。
该操作依赖于从CGM获知准确的胰岛素剂量信息(或使用估计的胰岛素剂量信息)和预测未来的能力。可报告或可估计胰岛素给药信息，在先前的胰岛素给药信息不确定或不可靠的情况下尤为如此。
IOB通常认为过去的胰岛素数据是已知和可靠的。然而，例如，在每日多次注射(MDI)治疗糖尿病的患者中，情况可能并不总是如此。就如等效COB在没有碳水化合物数据的情况下也能工作一样，等效IOB在没有胰岛素数据的情况下也能工作，例如，在估计的胰岛素输送的情况下工作。由于应用依赖于所估计的胰岛素输送，因此仔细考虑BG预测的时间时域变得非常有用。
在420处，类似于在120处的IOB，基于时间T1的胰岛素数据和时间T2之前的时间段的CGM数据，估计从时间T2到未来时间T3的基线葡萄糖时间序列数据。
在一些实施方式中，将预测时域内的预测BG计算为直到时间T2的CGM、直到时间T2的胰岛素和/或直到时间T2的碳水化合物(如果有的话)的函数。
在一个示例性方法中，估计器330明确地估计受试者在时间T2的代谢状态(使用相同的数据进行)，然后基于该估计状态来运行预测。在此示例中，预测可基于受试者的状态估计的模型(例如，胰岛素-碳水化合物-葡萄糖动力学)，模型可对受试者特异或不特异(例如，可基于群体或个体化)。
其他示例性模型包括Hughes等人的皮下口服葡萄糖最小模型(SOGMM)或DallaMan等人的“膳食模型”，所有这些模型的全部内容通过引用并入本文。
预测时域的持续时间由时间T3定义，该时间在未来比使用CGM数据、已知或估计的胰岛素数据(包括时间T1的大剂量)和任选的碳水化合物数据的过去胰岛素作用的残留效应的结束时间更远。
在给定的预测时域内，该预测提供受试者根据当前状态估计的未来BG，充分考虑了已知或估计的过去胰岛素输送的影响。
存在许多已知的从时间序列数据预测葡萄糖的方法。预测未来的葡萄糖时间序列可基于接收/估计的碳水化合物/胰岛素值所告知的初始状态。其他数据也是可能的，诸如来自活动跟踪器的身体活动数据。
在430处，类似于在130处的IOB，基于在时间T2的胰岛素数据的和在时间T2之前的时间段的CGM数据的可能值的范围，迭代地估计从时间T2到时间T3的多个葡萄糖时间序列数据。
在一些实施方案中，迭代估计包括类似于420预测从时间T2到时间T3的葡萄糖时间数据，但是替代为：(1)忽略已知的或估计的过去胰岛素输送的影响(包括在时间T1.0、T1.1、…的胰岛素剂量)；以及(2)在时间T2插入来自一组候选等效剂量的胰岛素中的一者或多者，并且通过将附加的未来葡萄糖时间序列数据集与第一葡萄糖时间序列数据集进行比较以识别最佳匹配，从而确定在时间T2用于生成最佳的等效IOB值，从而允许通过基于CGM时间序列数据迭代葡萄糖时间序列预测(在胰岛素作用的时间段期间)以在胰岛素作用的时间段期间使用CGM时间序列数据将等效IOB估计置于上下文中，忽略直到时间T2的过去胰岛素并且利用时间T2处的候选“等效”剂量(从约零到约实际大剂量的量)，寻找与基线预测的最佳匹配。最佳等效剂量是等效IOB估计。
在没有(即忽略)过去已知或估计的胰岛素输送的情况下进行处理的效果或在没有(即忽略)过去已知或估计的胰岛素输送的情况下进行处置的效果(例如，在不使用与过去的药物有关的数据或信息(诸如先前的胰岛素注射)的情况下进行预测)可以不同的方式实现。通常，将预测BG作为直到时间T2的CGM、直到时间T2的胰岛素(时间T1.0、T1.1、…)和直到时间T2的碳水化合物(如有)的函数进行计算。忽略已知或估计的过去胰岛素输送的影响的预测将使用这一映射，但将已知或估计的过去胰岛素设置为零。因此，过去的药物输送信息被减弱(即，过去的药物输送的量被减弱)、被抑制或以其他方式从预测方法或模型中隐去。例如，在预测未来血糖的状态空间方法中，该过程可简化为(1)识别考虑过去的胰岛素输送的模型的状态(胰岛素从注射/输注位点转运到一个或多个作用位点)，(2)将这些状态的值设置为零，以及(3)从受试者在时间T2的代谢状态的经修改的估计导出预测。
在440处，将来自步骤420的基线葡萄糖时间序列数据与来自步骤430的多个葡萄糖时间序列进行比较，以确定从其中选择IOB估计的最佳匹配。可使用任何已知的比较技术。
在实施方式中，可基于一定范围的可能的胰岛素输送值(例如，等效IOB值)来代替先前步骤的估计胰岛素值以重复预测未来的葡萄糖时间服务。将基于初始胰岛素状态值的葡萄糖时间序列预测与基于来自先前步骤的可能的胰岛素(大剂量)量的范围的葡萄糖时间序列预测中的每一者进行比较，并且识别其间的最佳匹配。根据实施方式，这可能是对未来特定时间的特定值的比较，也可能是使用函数方法对时间序列的比较。
所得到的等效IOB评估是最近胰岛素输送和最近CGM的函数，并且使自身适应最近输送的胰岛素的效应，与开环标称“作用曲线”所预测的相比，该效应中，胰岛素可更快或更慢地被受试者吸收。换句话说，该技术计算与个体化预测匹配的等效IOB量。
由于作为确定IOB的比较的当前CGM(预测)，这种计算方法可动态适应IOB的瞬时效应(例如，疾病、骑行、压力等)。该方法还适应了围绕受试者标称作用/吸收曲线的胰岛素和碳水化合物的药代动力学/药效学(PK/PD)效应的偏差。
基线预测和忽略过去胰岛素(直至时间T2)的预测与时间T2的候选等效剂量之间的最佳匹配基于将基线预测BG轨迹与候选等效预测轨迹进行比较的距离度量(拟合质量、优化标准)。距离度量可以多种方式来计算，包括(1)计算时间T3处的预测值的差的大小，以及(2)计算例如时间T2和时间T3之间的平方差的加权和。
另选地，可使用“p”基准来对时间序列进行比较：例如，p＝1(时间T2和时间T3之间的绝对差的加权和)，p＝无穷大(时间T2和时间T3之间的加权最大误差)。可应用迹线之间相似性的其他度量，诸如傅立叶级数系数、级数的自回归特性、动态时间扭曲和编辑距离。这还可包括其他形式的分类，包括聚类分析，即，如果两个时间序列属于同一聚类，则它们具有良好的匹配性。
识别最佳匹配的过程可在方法的串行实施方式中迭代，或者针对计算速度而并行进行。
在实施方式中，计算将必须立即进行的离散胰岛素大剂量，以在(1)全状态预测BG与(2)来自传输中胰岛素归零的状态估计的预测BG之间创建匹配。该“匹配”大剂量为等效IOB。
在450处，等效IOB被输出到糖尿病管理系统。输出在最佳匹配场景葡萄糖时间序列预测中使用的胰岛素值。
关于大剂量等效IOB，图5表示XOB计算如何适应于估计IOB的问题。历史CGM线510和基线预测线530分别类似于图2的线210和230，并且为了简洁而省略了对它们的描述。
时间T1.1和T1.0表示在请求IOB时(时间T2)仍然有效的最后胰岛素注射/输注(由三角形505表示的历史胰岛素)的时间。
对于IOB估计，预测时域是超出预期时间的某个时间，在该时间上，过去胰岛素注射/输注没有残留效应(时间T2+)。这可基于整个人群中胰岛素作用的保守估计或确定患者胰岛素作用的任何其他方法来预先确定。
线520对应于所有剩余的历史注射/输注的胰岛素作用/量已被去除的预测。这解释了葡萄糖浓度明显升高的原因。
虚线525对应于与基线预测(线530)的最佳匹配，该基线预测通过在时间T2利用大剂量替换所有剩余的历史注射/输注的胰岛素(由三角形505表示)而获得。产生这一最佳匹配的大剂量为IOB估计。
注意的是，最初，IOB估计值与基线预测值有很大差异。这应归于方法的特殊性。在时间T2时，移除在时间T1.0、T1.1注射的历史剂量，代之以在时间T2给药的新IOB剂量。由于新剂量需要一段时间才能被吸收，并且具有任何葡萄糖调节效果，因此葡萄糖的升高速度似乎会快于基线估计值，此时胰岛素已经被部分吸收并处于活性状态。
图6A描述了在移动计算装置600上针对请求关于校正大剂量的建议的CGM/笔用户显示IOB的可能机制。显示610可显示大剂量的历史以及剩余的IOB。
图6B描述了移动计算装置640上的IOB显示650，因为它可以在AP系统中呈现。在这种情况下，IOB可连续更新并显示为时间序列(线652)。可能地，可显示未来IOB值的预测(点线654)。显示IOB的当前值(在本例中为2.3U)。如图6B所示，AP将在每次计算胰岛素输送时更新其IOB估计。在本实施方案中，IOB可被表示为时间序列。
IOB通过使评估适应基线推荐或(没有IOB的已知或可靠估计的)大剂量推荐来通知大剂量计算器，以确保最终结果的最优性。例如，如果特定膳食需要4个单位的大剂量(即，基线推荐)，并且估计了1个单位的IOB(使用本文所述的系统和方法进行)，则最终大剂量应为3个单位，其中通过从基线胰岛素推荐中减去IOB估计来进行基线推荐的校正。这可在任何标准大剂量计算器中作为输入(从最终值减去)自动完成，而无需IOB减法。
图6C是描述结合自动胰岛素输送(AID)算法(即，半闭环或闭环算法，或任何算法推荐系统)的体载胰岛素估计器的使用的图660。在一些实施方式中，AID、半闭环或闭环算法675被包含在计算装置内。每个时间间隔(例如，每1分钟、每2分钟、每5分钟、每10分钟等)，CGM传感器获得患者665的葡萄糖浓度的更新估计作为CGM读数667。在一个示例中，CGM传感器信息被提供到计算所期望的胰岛素剂量的AID、半闭环或闭环算法675(诸如，AP算法)。算法675利用对IOB估计678的请求调用IOB估计器680以产生IOB估计682。从所期望的胰岛素剂量中减去IOB估计，以计算最终大剂量推荐(即，IOB被调整的大剂量685)。该估计被提供到胰岛素泵692，胰岛素泵然后将胰岛素692输送给患者665。这样就完成了AID周期，该周期会定期重复(例如，在接下来的1分钟内、接下来的2分钟内、接下来的5分钟内、接下来的10分钟内等)。
图7是示出方法700的流程图，其中药物是碳水化合物，由此COB已被请求(例如，由受试者、由软件应用等进行)。COB计算通常很难估计，因为受试者通常以不同类型、大小和频率来食用食物。对于糖尿病患者而言，要对给定膳食的大剂量，对胰岛素量进行定期每日测定，这些测定通常使用大剂量计算器。大剂量计算器当前使用用户必须确定(或接受通用非个性化默认值)使用的一组复杂设置(包括胰岛素类型/活动胰岛素持续时间、碳水化合物与胰岛素之比以及胰岛素校正因子)以及实时输入，该实时输入包括当前血糖值和碳水化合物估计值，这些被输入到公式中，从其中可计算胰岛素大剂量推荐。另选地，一些患者可能在心理上估计给定膳食的胰岛素单位数(例如，“为5单位的一碗汤”或“为10单位的膳食”)。在这两种情况下，除了可从血糖水平假设的情况(例如，高血糖表明剩余的体载碳水化合物)以外，都不必须考虑任何“剩余碳水化合物”(即，先前吃的没有被胰岛素充分覆盖的食物)。
因此，本文所述的系统和方法基于体内剩余的有效碳水化合物动态估计等效COB。等效COB可根据需要根据已知或报告的碳水化合物摄入和葡萄糖时间序列数据进行动态估计。这提供了根据先前碳水化合物(和可选的胰岛素剂量)和葡萄糖时间序列数据得到的更好的COB评估。
由于作为确定了COB的比较的当前CGM(预测)，方法700适应于对COB的其他影响(即，由于一天的时间、膳食的组成(脂肪/蛋白质)等引起的碳水化合物吸收的差异)。
在710处，接收时间T1的碳水化合物数据，并且接收胰岛素的体载估计的时间T2之前的时间段的CGM时间序列数据。因为进餐时间的估计可能不准确，所以时间刻度问题对碳水化合物很重要。碳水化合物数据可从用户输入接收，或者可由计算装置根据实施方式来估计。CGM时间序列数据提供了在碳水化合物吸收期间未来葡萄糖的实时预测。在一些实施方式中，根据实施方式，也可使用受试者的个体化模型或根据基于人群的模型的预测器。
在720处，基于时间T1的碳水化合物数据和时间T2之前的时间段的CGM数据，估计从时间T2到未来时间T3的基线葡萄糖时间序列数据。当前的CGM时间序列用于预测未来。在一些实施方式中，可使用个体化模型或基于人群的模型。
在730处，基于在时间T2的碳水化合物数据的和在时间T2之前的时间段的CGM数据的可能值的范围，迭代地估计从时间T2到时间T3的多个葡萄糖时间序列数据。当前CGM时间序列用于预测未来。在一些实施方式中，可使用个体化模型。
在740处，将来自720的基线葡萄糖时间序列数据与来自730的多个葡萄糖时间序列进行比较，以确定从其中选择COB估计的最佳匹配。以此方式，确定在时间t＝0时与个体化预测最佳匹配的碳水化合物的净等效量。计算与个体化预测匹配的COB等效量。
在750处，将等效COB输出到例如显示器上、大剂量计算器中、人工胰腺系统中，用于行为建模中、用于行为学习和评估中等。
图8是表示图2的适应估计COB问题的曲线图800。线810和820分别类似于线210和230，并且为了简洁而省略对它们的描述。线830表示在请求估计时(即，时间T2)去除所有体载碳水化合物的预测葡萄糖效应。线825表示通过在时间T2利用膳食替换所有体载碳水化合物产生的最佳匹配预测。产生这一最佳匹配曲线的碳水化合物量为等效COB。假设在时间T1摄入了在时间T2未完全代谢的膳食，但在预测时域结束之前的某个时间T2+(例如，时间T3)将完全吸收该膳食。
图9是向用户显示COB信息的示例显示900。如果用户输入关于膳食的诸如图片或其他表示(例如，文本、视觉、图形等)的信息，则剩余膳食的部分在实心910中显示，而被估计为已经代谢的部分为半透明920的。此外，将诸如最近进餐的量和时间(例如，由用户确认、由受试者估计等)的数据930呈现给用户。本领域技术人员可理解显示COB的其他方法。
图10A和图10B分别示出具有本文描述的方法和系统的本地实施方式1000和云实施方式1050的CGM/笔组合系统的示例。
在图10A中，受试者1005(也称为患者)使用监测装置1010，该监测装置(例如，经由蓝牙)向手持计算装置1025提供适当的数据。在一些实施方式中，另选地或附加地，胰岛素笔1020可(例如，经由蓝牙)向手持计算装置1025提供数据。手持计算装置1025接收数据，并且结合诸如本文描述的XOB估计器330的XOB计算器1030的本地实施方式，执行本文描述的计算、确定和估计，并且例如经由手持计算装置1025的显示器提供适当的输出。XOB计算器1030的本地实施方式可被包括在手持计算装置1025内和/或能够经由本地呼叫来访问。手持计算装置1025可使用诸如智能手机和平板电脑的各种计算装置来实现。可支持其他类型的计算装置。合适的计算装置在图13中被示为计算装置1300。
图10B类似于图10A。然而，取代手持计算装置1025对XOB计算器1030进行本地调用以执行本文描述的计算、确定和估计，XOB计算器1060在云中实现。因此，手持计算装置1025经由诸如安全的Wi-Fi或蜂窝网络的网络连接与XOB计算器1060的云实施方式进行通信。
图11是本文描述的方法和系统的AP实施方式1100的示例。该方法被实现为由AP算法调用的本地库，以在用户通知进餐、自动检测到进餐或认为有必要进行校正大剂量时估计IOB。
在图11中，受试者1105(也称为患者)使用监测装置1110，该监测装置(例如，经由蓝牙)向手持计算装置1125提供适当的数据。类似于图10A，手持计算装置1125接收数据，并且结合诸如本文描述的XOB估计器330的XOB计算器1130的本地实施方式，执行本文描述的计算、确定和估计，并且例如经由手持计算装置1125的显示器提供适当的输出。XOB计算器1130的本地实施方式可被包括在手持计算装置1125内和/或能够经由本地呼叫来访问。
此外，手持计算装置1125向胰岛素泵1120提供数据，该胰岛素泵然后可基于手持计算装置1125结合XOB计算器1130做出的确定来调整和/或向受试者1105提供适当的胰岛素量。
手持计算装置1125可使用诸如智能手机和平板电脑的各种计算装置来实现。可支持其他类型的计算装置。合适的计算装置在图13中被示为计算装置1300。
图12是本发明的实施方案的高级功能框图1200。处理器1230与胰岛素装置1210和葡萄糖监测器1220通信。胰岛素装置1210和葡萄糖监测器1220与受试者140通信，以分别向受试者1240输送胰岛素和监测受试者1240的葡萄糖水平。处理器1230被配置为执行本文进一步描述的计算。胰岛素装置1210和葡萄糖监测器1220可被实现为分开的装置，或者被实现为单个装置，处于在单个装置内，或者跨越多个装置。处理器1230可本地实施在胰岛素装置1210、葡萄糖监测器1220、活动监测器1250、智能手机1260中，或者被实现为利用虚线示出的作为独立装置1232的独立装置(或者被实现为两个或更多个装置的任意组合中)。处理器1230或系统的一部分可位于远程，诸如位于服务器或基于云的系统中。
诸如胰岛素装置1210的胰岛素装置的示例包括将胰岛素输送给受试者(通常是输送到皮下组织中)的胰岛素注射器、外部泵和贴片泵。胰岛素装置1210还包括通过不同方式输送胰岛素的装置，诸如胰岛素吸入器、胰岛素喷射注射器、静脉内输注泵和可植入胰岛素泵。在一些实施方案中，受试者将组合使用两个或更多个胰岛素输送装置，例如，利用注射器注射长效胰岛素和在餐前使用吸入的胰岛素。在其他实施方案中，这些装置可输送有助于控制葡萄糖水平的诸如胰高血糖素、普兰林肽或胰高血糖素样肽-1(GLP-1)的其他药物。
诸如葡萄糖监测器1220的葡萄糖监测器的示例包括以规则间隔(例如，1、5或10分钟等)记录葡萄糖值的连续葡萄糖监测器。这些连续血糖监测器可使用例如经皮插入、整体植入或无创测量组织的电化学或光学传感器。诸如葡萄糖监测器1220的葡萄糖监测器的示例还包括周期性地抽取血液或其他流体以测量葡萄糖的装置，诸如静脉内血糖监测器、微灌注采样或周期性手指棒。在一些实施方案中，近乎实时地提供葡萄糖读数。在其他实施方案中，由葡萄糖监测器确定的葡萄糖读数可存储在葡萄糖监测器本身上以供随后的检索。
胰岛素装置1210、葡萄糖监测器1220和独立装置1232可使用诸如智能手机、台式计算机、膝上型计算机和平板电脑的各种计算装置来实现。可支持其他类型的计算装置。合适的计算装置在图13中被示为计算装置1300和基于云的应用。
胰岛素装置1210、葡萄糖监测器1220和独立装置1232可通过网络通信。该网络可以是各种网络类型，包括公共交换电话网(PSTN)、蜂窝电话网和分组交换网(例如，因特网)。虽然在图12中仅示出了一个胰岛素装置1210、一个葡萄糖监测器1220和一个处理器1230(位于一个独立装置1232内)，但是可支持任何数量的胰岛素装置、葡萄糖监测器、处理器和独立装置，也可任意组合分别示出的装置。活动监测器1250和/或智能手机1260还可用于从受试者1240收集膳食和/或活动数据，或者收集关于受试者的膳食和/或活动数据，并且将膳食和/或活动数据提供到处理器1230。
处理器1230可执行操作系统和一个或多个应用。操作系统可控制哪些应用由胰岛素装置1210、葡萄糖监测器1220和独立装置1232执行，以及控制应用如何与胰岛素装置110、葡萄糖监测器1220和独立装置1232的一个或多个传感器、服务器或其他资源交互。
在一些实施方式中，处理器1230从胰岛素装置1210和葡萄糖监测器1220以及从受试者1240接收数据，并且执行重放分析，该重放分析评估患者的当前膳食大剂量化(bolusing)策略并且将其与备选大剂量化时间和胰岛素量进行比较。
图13示出其中可以实现示例实施方案和方面的示例性计算环境。计算装置环境仅是合适的计算环境的一个示例，并且不旨在对使用范围或功能提出任何限制。
可使用许多其他通用或专用计算装置环境或配置。适合使用的公知的计算装置、环境和/或配置的示例包括但不限于个人计算机、服务器计算机、手持或膝上型装置、多处理器系统、基于微处理器的系统、网络个人计算机(PC)、小型计算机、大型计算机、嵌入式系统、包括任何上述系统或装置的分布式计算环境等。
可使用由计算机执行的诸如程序模块的计算机可执行指令。通常，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等。可使用分布式计算环境，其中任务由通过通信网络或其他数据传输介质链接的远程处理装置来执行。在分布式计算环境中，程序模块和其他数据可位于包括存储器存储装置的本地和远程计算机存储介质中。
参考图13，用于实现本文描述的各方面的示例性系统包括诸如计算装置1300的计算装置。在其最基本的配置中，计算装置1300通常包括至少一个处理单元1302和存储器1304。根据计算装置的确切配置和类型，存储器1304可以是易失性的(诸如，随机存取存储器(RAM))、非易失性的(诸如，只读存储器(ROM)、闪存等)或两者的某种组合。这一最基本的配置在图13中利用虚线1306示出。
计算装置1300可具有附加的特征/功能。例如，计算装置1300可包括附加的存储装置(可移动和/或不可移动)，包括但不限于磁盘或光盘或磁带。此类附加的存储装置在图13中由可移动存储装置1308和不可移动存储装置1310示出。
计算装置1300通常包括各种计算机可读介质。计算机可读介质可以是能够由装置2100访问的任何可用介质，并且包括易失性和非易失性介质、可移动和不可移动介质。
计算机存储介质包括以任何信息存储方法或技术实现的易失性和非易失性、以及可移动和不可移动介质，诸如计算机可读指令、数据结构、程序模块或其他数据。存储器1304、可移动存储装置1308和不可移动存储装置1310都是计算机存储介质的示例。计算机存储介质包括但不限于RAM、ROM、电可擦除可编程只读存储器(EEPROM)、闪存或其他存储技术、CD-ROM、数字多功能盘(DVD)或其他光学存储器、盒式磁带、磁带、磁盘存储器或其他磁存储装置，或可用于存储所需信息并能够由计算装置1300访问的任何其他介质。任何此类计算机存储介质都可以是计算装置1300的一部分。
计算装置1300可包括允许该装置与其他装置通信的通信连接1312。计算装置1300还可以具有诸如键盘、鼠标、笔、语音输入装置、触摸输入装置等的输入装置1314。也可包括诸如显示器、扬声器、打印机等的输出装置1316。所有这些装置在本领域中是公知的，在此不需要详细讨论。
在实施方案中，一种系统包括输入编译器，该输入编译器被配置为接收和处理输入数据；体载外源药物(XOB)估计器；和输出编译器。
在一些实施方案中，输入数据对应于由连续葡萄糖监测(CGM)系统提供的葡萄糖浓度读数、胰岛素注射/输注数据、关于摄入的膳食的数据、胰高血糖素或其他药物剂量和/或注射数据、运动数据或压力数据。另选地或附加地，输入数据包括关于胰岛素的数据，并且/或者输入数据包括关于碳水化合物的数据。
一些实施方案还包括连续葡萄糖监测(CGM)系统，该CGM系统与输入编译器通信并且被配置为向输入编译器提供输入数据。另选地或附加地，设置闭环输送系统，该闭环输送系统与输入编译器通信并且被配置为向输入编译器提供输入数据。在一些实施方案中，输入数据包括胰岛素剂量推荐或胰高血糖素剂量推荐的序列。
在一些实施方案中，输入编译器被配置为编译以下数据中的至少一者：(1)与正在编译其葡萄糖效应等效物的药物相关的数据，或(2)与连续葡萄糖监测(CGM)系统读数的相关历史相关的数据。
在一些实施方案中，输出编译器是XOB输出编译器，该XOB输出编译器被配置为呈现XOB估计。XOB估计可包括体载胰岛素(IOB)估计和/或体载碳水化合物(COB)估计。
在一些实施方案中，XOB估计器被配置为估计药物在预定时间的葡萄糖等效效果。另选地或附加地，XOB估计器包括基线时间序列估计器、迭代时间序列比较器和时间序列比较器。基线时间序列估计器可以是无状态机器，该无状态机器接收历史XOB量和连续葡萄糖监测(CGM)系统历史，并且产生近似葡萄糖的未来值的时间序列。迭代时间序列比较器被配置为将生成候选XOB量的过程与时间序列估计器的修改相结合，其中利用所考虑的XOB量替代历史XOB量。时间序列比较器被配置为匹配一对时间序列，该对时间序列能够是序列之间的距离或相似性的任何度量。
在实施方案中，一种方法包括接收时间T1的外源药物数据和在药物的体载估计的时间T2之前的时间段的葡萄糖时间序列数据；基于时间T1的数据和T2之前的时间段的连续葡萄糖监测(CGM)系统数据，估计从XOB估计的时间T2到时间T3的基线葡萄糖时间序列数据；基于在时间T2的数据的和在T2之前的时间段的CGM数据的可能值的范围，迭代地估计从时间T2到时间T3的多个葡萄糖时间序列数据；将基线葡萄糖时间序列数据与多个葡萄糖时间序列进行比较，以确定从其中选择体载外源药物(XOB)估计的最佳匹配；以及输出XOB估计。
在一些实施方案中，从受试者或所连接的装置中的一者接收外源药物数据。另选地或附加地，外源药物数据包括体载胰岛素(IOB)，并且/或者所连接的装置是胰岛素泵。另选地或附加地，外源药物数据包括体载碳水化合物(COB)。
在一些实施方案中，该方法还包括从外源药物数据和葡萄糖时间序列数据中去除不可靠数据或假数据中的至少一者。外源药物数据或葡萄糖时间序列数据中的至少一者包括先前注射或摄入的药物数据的剂量或量中的一者或多者。葡萄糖时间序列数据可以是连续的或半连续的。
在一些实施方案中，迭代估计的范围为从0开始的被去除的药物到具有全部量的药物。
在一些实施方案中，输出XOB估计包括将XOB估计输出到糖尿病管理系统、糖尿病管理算法、用户界面、大剂量计算器或人工胰腺(AP)系统中的至少一者。
在一些实施方案中，XOB估计包括受试者中剩余的药物的等效量。药物包括胰岛素或碳水化合物中的至少一者。
在实施方案中，一种系统包括输入编译器，其中该输入编译器接收和处理与药物相关的输入数据；体载外源药物(XOB)估计器，其中该XOB估计器使用估计来说明药物的药物吸收的瞬时变化，并且其中XOB估计器确定XOB估计；和输出编译器，其中该输出编译器呈现XOB估计。
在一些实施方案中，药物吸收的瞬时变化由来自连续葡萄糖监测(CGM)系统的数据确定。XOB估计可包括体载胰岛素(IOB)估计和/或体载碳水化合物(COB)估计。药物可以是胰岛素和/或碳水化合物。
在一些实施方案中，输入数据对应于由连续葡萄糖监测(CGM)系统提供的葡萄糖浓度读数、胰岛素注射/输注数据、关于摄入的膳食的数据、胰高血糖素或其他药物剂量和/或注射数据、运动数据或压力数据。输入数据可包括关于胰岛素的数据和/或关于碳水化合物的数据。
在一些实施方案中，该系统还包括连续葡萄糖监测(CGM)系统，该CGM系统与输入编译器通信并且被配置为向该输入编译器提供输入数据。另选地或附加地，该系统还包括闭环输送系统，该闭环输送系统与输入编译器通信并且被配置为向输入编译器提供输入数据。输入数据可包括胰岛素剂量推荐或胰高血糖素剂量推荐的序列。
在一些实施方案中，输入编译器被配置为编译以下数据中的至少一者：(1)与正在编译其葡萄糖效应等效物的药物相关的数据，或(2)与连续葡萄糖监测(CGM)系统读数的相关历史相关的数据。
在一些实施方案中，XOB估计器被配置为估计药物在预定时间的葡萄糖等效效果。XOB估计器可包括基线时间序列估计器、迭代时间序列比较器和时间序列比较器。基线时间序列估计器可以是无状态机器，该无状态机器接收历史XOB量和连续葡萄糖监测(CGM)系统历史，并且产生近似葡萄糖的未来值的时间序列。迭代时间序列比较器可被配置为将生成候选XOB量的过程与时间序列估计器的修改相结合，其中利用所考虑的XOB量替代历史XOB量。时间序列比较器可被配置为匹配一对时间序列，该对时间序列可以是序列之间的距离或相似性的任何度量。
在实施方案中，一种方法包括接收时间T1的胰岛素数据和在体载胰岛素(IOB)估计的时间T2之前的时间段的连续葡萄糖监测(CGM)系统时间序列数据；基于时间T1的胰岛素数据和在T2之前的时间段的CGM系统数据，估计从IOB估计的时间T2到时间T3的基线葡萄糖时间序列数据；基于在时间T2的胰岛素数据的和在T2之前的时间段的CGM数据的可能值的范围，迭代地估计从时间T2到时间T3的多个葡萄糖时间序列数据；将基线葡萄糖时间序列数据与多个葡萄糖时间序列进行比较，以确定从其中选择IOB估计的最佳匹配；以及输出IOB估计。
在一些实施方案中，从受试者或所连接的装置中的一者接收胰岛素数据。所连接的装置可以是胰岛素泵。
在一些实施方案中，该方法还包括从胰岛素数据和CGM系统时间序列数据中去除不可靠数据或假数据中的至少一者。胰岛素数据或CGM系统时间序列数据中的至少一者包括先前注射或摄入的胰岛素数据的剂量或量中的一者或多者。CGM系统时间序列数据可以是连续的或半连续的。
在一些实施方案中，迭代估计的范围为从0开始的被去除的胰岛素到具有全部量的胰岛素。
在一些实施方案中，输出IOB估计包括将IOB估计输出到糖尿病管理系统、糖尿病管理算法、用户界面、大剂量计算器或人工胰腺(AP)系统中的至少一者。IOB估计可包括受试者体内剩余的胰岛素等效量。
在实施方案中，一种方法包括接收时间T1的碳水化合物数据和在体载碳水化合物(COB)估计的时间T2之前的时间段的连续葡萄糖监测(CGM)系统时间序列数据；基于时间T1的碳水化合物数据和在T2之前的时间段的CGM系统数据，估计从COB估计的时间T2到时间T3的基线葡萄糖时间序列数据；基于在时间T2的碳水化合物数据的和在T2之前的时间段的CGM数据的可能值的范围，迭代地估计从时间T2到时间T3的多个葡萄糖时间序列数据；将基线葡萄糖时间序列数据与多个葡萄糖时间序列进行比较，以确定从其中选择COB估计的最佳匹配；以及输出COB估计。
在一些实施方案中，从受试者或所连接的装置中的一者接收碳水化合物数据。所连接的装置可以是葡萄糖监测器。
在一些实施方案中，该方法还包括从碳水化合物数据和CGM系统时间序列数据中去除不可靠数据或假数据中的至少一者。碳水化合物数据或CGM系统时间序列数据中的至少一者包括先前注射或摄入的碳水化合物数据的剂量或量中的一者或多者。CGM系统时间序列数据可以是连续的或半连续的。
在一些实施方案中，迭代估计的范围为从0开始的被去除的碳水化合物到具有全部量的碳水化合物。
在一些实施方案中，输出COB估计包括将COB估计输出到糖尿病管理系统、糖尿病管理算法、用户界面、大剂量计算器或人工胰腺(AP)系统中的至少一者。COB估计可包括受试者体内剩余的碳水化合物等效量。
在实施方案中，一种系统包括自动胰岛素输送(AID)算法，该AID算法被配置为接收患者的葡萄糖浓度的估计；和体载胰岛素(IOB)估计器，该IOB估计器被配置为向AID算法提供IOB估计。
在一些实施方案中，AID算法被包含在计算装置内。另选地或附加地，AID算法包括半闭环算法、闭环算法或算法推荐系统。AID算法还可被配置为以预定时间间隔接收患者的葡萄糖浓度的更新估计。
在一些实施方案中，患者的葡萄糖浓度的估计被作为连续葡萄糖监测(CGM)读数从CGM传感器接收。
在一些实施方案中，AID算法被配置为使用患者的葡萄糖浓度的估计来计算所期望的胰岛素剂量。另选地或附加地，AID算法还被配置为从所期望的胰岛素剂量减去IOB估计，以计算大剂量推荐。另选地或附加地，AID算法还被配置为向胰岛素泵提供大剂量推荐以用于向患者输送胰岛素。
在实施方案中，一种方法包括接收患者的葡萄糖浓度的估计；接收体载胰岛素(IOB)估计；使用患者的葡萄糖浓度的估计来计算所期望的胰岛素剂量；以及从所期望的胰岛素剂量中减去IOB估计以计算大剂量推荐。
在一些实施方案中，该方法还包括向胰岛素泵提供大剂量推荐以用于向患者输送胰岛素。
在一些实施方案中，该方法还包括以预定时间间隔接收患者的葡萄糖浓度的更新估计。
在一些实施方案中，患者的葡萄糖浓度的估计被作为连续葡萄糖监测(CGM)读数从CGM传感器接收。
在实施方案中，一种系统包括监测装置，该监测装置被配置为接收与患者有关的输入数据；手持计算装置，该手持计算装置被配置为从监测装置接收输入数据；和体载外源药物(XOB)计算器，该XOB计算器被配置为使用输入数据执行XOB估计。
在一些实施方案中，XOB计算器在计算装置上本地实现。另选地，XOB计算器在计算装置上本地实现。
在一些实施方案中，监测装置包括胰岛素笔。胰岛素笔可被配置为向手持计算装置提供附加的输入数据，其中XOB计算器被配置为使用输入数据和附加的输入数据来执行XOB估计。
在一些实施方案中，XOB计算器还被配置为经由手持计算装置的显示器来呈现XOB估计。
在一些实施方案中，该系统还包括胰岛素泵，该胰岛素泵被配置为从手持计算装置接收数据，并且基于从手持计算装置接收的数据向患者提供一定量的胰岛素。
在一些实施方案中，该系统还包括胰岛素泵，该胰岛素泵被配置为从手持计算装置接收数据，并且基于从手持计算装置接收的数据向患者提供一定量的胰岛素。另选地或附加地，输入数据包括关于胰岛素的数据，并且/或者输入数据包括关于碳水化合物的数据。
在一些实施方案中，XOB估计包括体载胰岛素(IOB)估计，并且/或者XOB估计包括体载胰岛素(IOB)估计。
在一些实施方案中，输入数据包括胰岛素剂量推荐或胰高血糖素剂量推荐的序列。
在一些实施方案中，XOB计算器包括XOB估计器。XOB估计器可被配置为估计药物在预定时间的葡萄糖等效效果。
在一些实施方案中，XOB估计器包括基线时间序列估计器、迭代时间序列比较器和时间序列比较器。基线时间序列估计器可以是无状态机器，该无状态机器接收历史XOB量和连续葡萄糖监测(CGM)系统历史，并且产生近似葡萄糖的未来值的时间序列。迭代时间序列比较器可被配置为将生成候选XOB量的过程与时间序列估计器的修改相结合，其中利用所考虑的XOB量替代历史XOB量。时间序列比较器可被配置为匹配一对时间序列，该对时间序列可以是序列之间的距离或相似性的任何度量。
应当理解，本文描述的各种技术可结合硬件组件或软件组件来实现，或者在适当的情况下，结合两者的组合来实现。可使用的例示性性硬件组件包括现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑器件(CPLD)等。当前公开的主题的方法和装置或其某些方面或部分可采取在诸如软盘、CD-ROM、硬盘驱动器或任何其他机器可读存储介质的有形介质中实现的程序代码(即，指令)的形式，其中，当程序代码被加载到诸如计算机的机器中并执行时，该机器变成用于实践当前公开的主题的装置。
虽然示例性实施方式可指代在一个或多个独立计算机系统的上下文中利用当前公开的主题的各方面，但是该主题不限于此，而是可以结合诸如网络或分布式计算环境的任何计算环境来实现。此外，当前公开的主题的各方面可在多个处理芯片或装置中或跨多个处理芯片或装置实现，并且存储装置可类似地跨多个装置实现。诸如，此类装置可包括个人计算机、网络服务器和手持装置。
虽然已经以结构特征和/或方法动作专用的语言描述了主题，但是应当理解，所附权利要求中定义的主题不必限于上述特定特征或动作。相反，上面描述的特定特征和动作被公开为实现权利要求的示例性形式。

Claims (95)

1.一种系统，所述系统包括：
输入编译器，所述输入编译器被配置为接收和处理输入数据；
体载外源药物(XOB)估计器；和
输出编译器。
2.根据权利要求1所述的系统，其中所述输入数据对应于由连续葡萄糖监测(CGM)系统提供的葡萄糖浓度读数、胰岛素注射/输注数据、关于摄入的膳食的数据、胰高血糖素或其他药物剂量和/或注射数据、运动数据或压力数据。
3.根据权利要求1或2所述的系统，其中所述输入数据包括关于胰岛素的数据。
4.根据权利要求1至3中任一项所述的系统，其中所述输入数据包括关于碳水化合物的数据。
5.根据权利要求1至4中任一项所述的系统，所述系统还包括连续葡萄糖监测(CGM)系统，所述CGM系统与所述输入编译器通信并且被配置为向所述输入编译器提供所述输入数据。
6.根据权利要求1至5中任一项所述的系统，所述系统还包括闭环输送系统，所述闭环输送系统与所述输入编译器通信并且被配置为向所述输入编译器提供所述输入数据。
7.根据权利要求6所述的系统，其中所述输入数据包括胰岛素剂量推荐或胰高血糖素剂量推荐的序列。
8.根据权利要求1至7中任一项所述的系统，其中所述输入编译器被配置为编译以下数据中的至少一者：(1)与正在编译其葡萄糖效应等效物的药物相关的数据，或(2)与连续葡萄糖监测(CGM)系统读数的相关历史相关的数据。
9.根据权利要求1至8中任一项所述的系统，其中所述输出编译器是XOB输出编译器，所述XOB输出编译器被配置为呈现XOB估计。
10.根据权利要求9所述的系统，其中所述XOB估计包括体载胰岛素(IOB)估计。
11.根据权利要求9或10所述的系统，其中所述XOB估计包括体载碳水化合物(COB)估计。
12.根据权利要求1至11中任一项所述的系统，其中所述XOB估计器被配置为估计所述药物在预定时间的葡萄糖等效效果。
13.根据权利要求1至12中任一项所述的系统，其中所述XOB估计器包括基线时间序列估计器、迭代时间序列比较器和时间序列比较器。
14.根据权利要求13所述的系统，其中所述基线时间序列估计器是无状态机器，所述无状态机器接收历史XOB量和连续葡萄糖监测(CGM)系统历史，并且产生近似葡萄糖的未来值的时间序列。
15.根据权利要求13或14所述的系统，其中所述迭代时间序列比较器被配置为将生成候选XOB量的过程与所述时间序列估计器的修改相结合，其中利用所考虑的XOB量替换历史XOB量。
16.根据权利要求13至15中任一项所述的系统，其中所述时间序列比较器被配置为匹配一对时间序列，所述一对时间序列能够是所述序列之间的距离或相似性的任何度量。
17.一种方法，所述方法包括：
接收时间T1的外源药物数据和在所述药物的体载估计的时间T2之前的时间段的葡萄糖时间序列数据；
基于时间T1的数据和T2之前的时间段的连续葡萄糖监测(CGM)系统数据，估计从XOB估计的所述时间T2到时间T3的基线葡萄糖时间序列数据；
基于在所述时间T2的数据的和在T2之前的所述时间段的所述CGM数据的可能值的范围，迭代地估计从所述时间T2到所述时间T3的多个葡萄糖时间序列数据；
将所述基线葡萄糖时间序列数据与所述多个葡萄糖时间序列进行比较，以确定从其中选择体载外源药物(XOB)估计的最佳匹配；以及
输出所述XOB估计。
18.根据权利要求17所述的方法，其中从受试者或所连接的装置中的一者接收所述外源药物数据。
19.根据权利要求17或18所述的方法，其中所述外源药物数据包括体载胰岛素(IOB)。
20.根据权利要求18或19所述的方法，其中所连接的装置是胰岛素泵。
21.根据权利要求17至20中任一项所述的方法，其中所述外源药物数据包括体载碳水化合物(COB)。
22.根据权利要求17至21中任一项所述的方法，所述方法还包括从所述外源药物数据和所述葡萄糖时间序列数据中去除不可靠数据或假数据中的至少一者。
23.根据权利要求17至22中任一项所述的方法，其中所述外源药物数据或所述葡萄糖时间序列数据中的至少一者包括先前注射或摄入的药物数据的剂量或量中的一者或多者。
24.根据权利要求17至23中任一项所述的方法，其中所述葡萄糖时间序列数据是连续的或半连续的。
25.根据权利要求17至24中任一项所述的方法，其中所述迭代估计的范围为从0开始的被去除的药物到具有全部量的药物。
26.根据权利要求17至25中任一项所述的方法，其中输出所述XOB估计包括将所述XOB估计输出到糖尿病管理系统、糖尿病管理算法、用户界面、大剂量计算器或人工胰腺(AP)系统中的至少一者。
27.根据权利要求17至26中任一项所述的方法，其中所述XOB估计包括受试者中剩余的药物的等效量。
28.根据权利要求27所述的方法，其中所述药物包括胰岛素或碳水化合物中的至少一者。
29.一种系统，所述系统包括：
输入编译器，其中所述输入编译器接收和处理与药物相关的输入数据；
体载外源药物(XOB)估计器，其中所述XOB估计器使用估计来说明所述药物的药物吸收的瞬时变化，并且其中所述XOB估计器确定XOB估计；和
输出编译器，其中所述输出编译器呈现所述XOB估计。
30.根据权利要求29所述的系统，其中所述药物吸收中的所述瞬时变化由来自连续葡萄糖监测(CGM)系统的数据确定。
31.根据权利要求29或30所述的系统，其中所述药物是胰岛素。
32.根据权利要求29至31中任一项所述的系统，其中所述XOB估计包括体载胰岛素(IOB)估计。
33.根据权利要求29至32中任一项所述的系统，其中所述药物是碳水化合物。
34.根据权利要求29至33中任一项所述的系统，其中所述XOB估计包括体载碳水化合物(COB)估计。
35.根据权利要求29至34中任一项所述的系统，其中所述输入数据对应于由连续葡萄糖监测(CGM)系统提供的葡萄糖浓度读数、胰岛素注射/输注数据、关于摄入的膳食的数据、胰高血糖素或其他药物剂量和/或注射数据、运动数据或压力数据。
36.根据权利要求29至35中任一项所述的系统，其中所述输入数据包括关于胰岛素的数据。
37.根据权利要求29至36中任一项所述的系统，其中所述输入数据包括关于碳水化合物的数据。
38.根据权利要求29至37中任一项所述的系统，所述系统还包括连续葡萄糖监测(CGM)系统，所述CGM系统与所述输入编译器通信并且被配置为向所述输入编译器提供所述输入数据。
39.根据权利要求29至38中任一项所述的系统，所述系统还包括闭环输送系统，所述闭环输送系统与所述输入编译器通信并且被配置为向所述输入编译器提供所述输入数据。
40.根据权利要求29至39中任一项所述的系统，其中所述输入数据包括胰岛素剂量推荐或胰高血糖素剂量推荐的序列。
41.根据权利要求29至40中任一项所述的系统，其中所述输入编译器被配置为编译以下数据中的至少一者：(1)与正在编译其葡萄糖效应等效物的药物相关的数据，或(2)与连续葡萄糖监测(CGM)系统读数的相关历史相关的数据。
42.根据权利要求29至41中任一项所述的系统，其中所述XOB估计器被配置为估计所述药物在预定时间的葡萄糖等效效果。
43.根据权利要求29至42中任一项所述的系统，其中所述XOB估计器包括基线时间序列估计器、迭代时间序列比较器和时间序列比较器。
44.根据权利要求43所述的系统，其中所述基线时间序列估计器是无状态机器，所述无状态机器接收历史XOB量和连续葡萄糖监测(CGM)系统历史，并且产生近似葡萄糖的未来值的时间序列。
45.根据权利要求43或44所述的系统，其中所述迭代时间序列比较器被配置为将生成候选XOB量的过程与所述时间序列估计器的修改相结合，其中利用所考虑的XOB量替换历史XOB量。
46.根据权利要求43至45中任一项所述的系统，其中所述时间序列比较器被配置为匹配一对时间序列，所述一对时间序列能够是所述序列之间的距离或相似性的任何度量。
47.一种方法，所述方法包括：
接收时间T1的胰岛素数据和在体载胰岛素(IOB)估计的时间T2之前的时间段的连续葡萄糖监测(CGM)系统时间序列数据；
基于时间T1的胰岛素数据和在T2之前的所述时间段的CGM系统数据，估计从IOB估计的所述时间T2到时间T3的基线葡萄糖时间序列数据；
基于在所述时间T2的所述胰岛素数据的和在T2之前的所述时间段的所述CGM数据的可能值的范围，迭代地估计从所述时间T2到所述时间T3的多个葡萄糖时间序列数据；
将所述基线葡萄糖时间序列数据与所述多个葡萄糖时间序列进行比较，以确定从其中选择IOB估计的最佳匹配；以及
输出所述IOB估计。
48.根据权利要求47所述的方法，其中从受试者或所连接的装置中的一者接收所述胰岛素数据。
49.根据权利要求48所述的方法，其中所连接的装置是胰岛素泵。
50.根据权利要求47至49中任一项所述的方法，所述方法还包括从所述胰岛素数据和所述CGM系统时间序列数据中去除不可靠数据或假数据中的至少一者。
51.根据权利要求47至50中任一项所述的方法，其中所述胰岛素数据或所述CGM系统时间序列数据中的至少一者包括先前注射或摄入的胰岛素数据的剂量或量中的一者或多者。
52.根据权利要求47至51中任一项所述的方法，其中所述CGM系统时间序列数据是连续的或半连续的。
53.根据权利要求47至52中任一项所述的方法，其中所述迭代估计的范围为从0开始的被去除的胰岛素到具有全部量的胰岛素。
54.根据权利要求47至53中任一项所述的方法，其中输出所述IOB估计包括将所述IOB估计输出到糖尿病管理系统、糖尿病管理算法、用户界面、大剂量计算器或人工胰腺(AP)系统中的至少一者。
55.根据权利要求47至54中任一项所述的方法，其中所述IOB估计包括受试者体内剩余的胰岛素等效量。
56.一种方法，所述方法包括：
接收时间T1的碳水化合物数据和在体载碳水化合物(COB)估计的时间T2之前的时间段的连续葡萄糖监测(CGM)系统时间序列数据；
基于时间T1的所述碳水化合物数据和在T2之前的所述时间段的CGM系统数据，估计从所述COB估计的所述时间T2到时间T3的基线葡萄糖时间序列数据；
基于在所述时间T2的所述碳水化合物数据的和在所述T2之前的所述时间段的所述CGM数据的可能值的范围，迭代地估计从所述时间T2到所述时间T3的多个葡萄糖时间序列数据；
将所述基线葡萄糖时间序列数据与所述多个葡萄糖时间序列进行比较，以确定从其中选择COB估计的最佳匹配；以及
输出所述COB估计。
57.根据权利要求56所述的方法，其中从受试者或所连接的装置中的一者接收所述碳水化合物数据。
58.根据权利要求57所述的方法，其中所连接的装置是葡萄糖监测器。
59.根据权利要求56至58中任一项所述的方法，所述方法还包括从所述碳水化合物数据和所述CGM系统时间序列数据中去除不可靠数据或假数据中的至少一者。
60.根据权利要求56至59中任一项所述的方法，其中所述碳水化合物数据或所述CGM系统时间序列数据中的至少一者包括先前注射或摄入的碳水化合物数据的剂量或量中的一者或多者。
61.根据权利要求56至60中任一项所述的方法，其中所述CGM系统时间序列数据是连续的或半连续的。
62.根据权利要求56至61中任一项所述的方法，其中所述迭代估计的范围为从0开始的被去除的碳水化合物到具有全部量的碳水化合物。
63.根据权利要求56至62中任一项所述的方法，其中输出所述COB估计包括将所述COB估计输出到糖尿病管理系统、糖尿病管理算法、用户界面、大剂量计算器或人工胰腺(AP)系统中的至少一者。
64.根据权利要求56至63中任一项所述的方法，其中所述COB估计包括受试者体内剩余的碳水化合物的等效量。
65.一种系统，所述系统包括：
自动胰岛素输送(AID)算法，所述AID算法被配置为接收患者的葡萄糖浓度的估计；和
体载胰岛素(IOB)估计器，所述IOB估计器被配置为向所述AID算法提供IOB估计。
66.根据权利要求65所述的系统，其中所述AID算法被包含在计算装置内。
67.根据权利要求65或66所述的系统，其中所述AID算法包括半闭环算法、闭环算法或算法推荐系统。
68.根据权利要求65至67中任一项所述的系统，其中所述AID算法还被配置为以预定时间间隔接收所述患者的葡萄糖浓度的更新估计。
69.根据权利要求65至68中任一项所述的系统，其中所述患者的所述葡萄糖浓度的所述估计被作为连续葡萄糖监测(CGM)读数从CGM传感器接收。
70.根据权利要求65至69中任一项所述的系统，其中所述AID算法被配置为使用所述患者的所述葡萄糖浓度的所述估计来计算所期望的胰岛素剂量。
71.根据权利要求70所述的系统，其中所述AID算法还被配置为从所期望的胰岛素剂量减去所述IOB估计，以计算大剂量推荐。
72.根据权利要求71所述的系统，其中所述AID算法还被配置为向胰岛素泵提供所述大剂量推荐以用于向所述患者输送胰岛素。
73.一种方法，所述方法包括：
接收患者的葡萄糖浓度的估计；
接收体载胰岛素(IOB)估计；
使用所述患者的所述葡萄糖浓度的所述估计来计算所期望的胰岛素剂量；以及
从所期望的胰岛素剂量中减去所述IOB估计以计算大剂量推荐。
74.根据权利要求73所述的方法，所述方法还包括将所述大剂量推荐提供到胰岛素泵以用于向所述患者输送所述胰岛素。
75.根据权利要求73或74所述的方法，所述方法还包括以预定时间间隔接收所述患者的所述葡萄糖浓度的更新估计。
76.根据权利要求73至75中任一项所述的方法，其中所述患者的所述葡萄糖浓度的所述估计被作为连续葡萄糖监测(CGM)读数从CGM传感器接收。
77.一种系统，所述系统包括：
监测装置，所述监测装置被配置为接收与患者有关的输入数据；
手持计算装置，所述手持计算装置被配置为从所述监测装置接收所述输入数据；和
体载外源药物(XOB)计算器，所述XOB计算器被配置为使用所述输入数据执行XOB估计。
78.根据权利要求77所述的系统，其中所述XOB计算器在计算装置上本地实现。
79.根据权利要求77或78所述的系统，其中所述XOB计算器在云计算装置上实现。
80.根据权利要求77至79中任一项所述的系统，其中所述监测装置包括胰岛素笔。
81.根据权利要求77至80中任一项所述的系统，所述系统还包括胰岛素笔，所述胰岛素笔被配置为向所述手持计算装置提供附加的输入数据，其中所述XOB计算器被配置为使用所述输入数据和所述附加的输入数据来执行所述XOB估计。
82.根据权利要求77至81中任一项所述的系统，其中所述XOB计算器还被配置为经由所述手持计算装置的显示器来呈现所述XOB估计。
83.根据权利要求77至82中任一项所述的系统，所述系统还包括胰岛素泵，所述胰岛素泵被配置为从所述手持计算装置接收数据，并且基于从所述手持计算装置接收的数据向所述患者提供一定量的胰岛素。
84.根据权利要求77至83中任一项所述的系统，其中所述输入数据对应于由连续葡萄糖监测(CGM)系统提供的葡萄糖浓度读数、胰岛素注射/输注数据、关于摄入的膳食的数据、胰高血糖素或其他药物剂量和/或注射数据、运动数据或压力数据。
85.根据权利要求77至84中任一项所述的系统，其中所述输入数据包括关于胰岛素的数据。
86.根据权利要求77至85中任一项所述的系统，其中所述输入数据包括关于碳水化合物的数据。
87.根据权利要求77至86中任一项所述的系统，其中所述XOB估计包括体载胰岛素(IOB)估计。
88.根据权利要求77至87中任一项所述的系统，其中所述XOB估计包括体载碳水化合物(COB)估计。
89.根据权利要求77至88中任一项所述的系统，其中所述输入数据包括胰岛素剂量推荐或胰高血糖素剂量推荐的序列。
90.根据权利要求77至89中任一项所述的系统，其中所述XOB计算器包括XOB估计器。
91.根据权利要求90所述的系统，其中所述XOB估计器被配置为估计药物在预定时间的葡萄糖等效效果。
92.根据权利要求90或91所述的系统，其中所述XOB估计器包括基线时间序列估计器、迭代时间序列比较器和时间序列比较器。
93.根据权利要求92所述的系统，其中所述基线时间序列估计器是无状态机器，所述无状态机器接收历史XOB量和连续葡萄糖监测(CGM)系统历史，并且产生近似葡萄糖的未来值的时间序列。
94.根据权利要求92或93所述的系统，其中所述迭代时间序列比较器被配置为将生成候选XOB量的过程与所述时间序列估计器的修改相结合，其中利用所考虑的XOB量替换历史XOB量。
95.根据权利要求92至94中任一项所述的系统，其中所述时间序列比较器被配置为匹配一对时间序列，所述一对时间序列能够是所述序列之间的距离或相似性的任何度量。
CN202080054094.4A 2019-06-19 2020-06-19 动态等效体载估计器 Pending CN114173644A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201962863648P 2019-06-19 2019-06-19
US62/863,648 2019-06-19
PCT/US2020/038764 WO2020257667A1 (en) 2019-06-19 2020-06-19 Dynamic equivalent on board estimator

Publications (1)

Publication Number Publication Date
CN114173644A true CN114173644A (zh) 2022-03-11

Family

ID=74038328

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080054094.4A Pending CN114173644A (zh) 2019-06-19 2020-06-19 动态等效体载估计器

Country Status (6)

Country Link
US (3) US11887715B2 (zh)
EP (1) EP3986258A4 (zh)
CN (1) CN114173644A (zh)
AU (1) AU2020298305A1 (zh)
CA (1) CA3144265A1 (zh)
WO (1) WO2020257667A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2024518909A (ja) * 2021-05-05 2024-05-08 ノボ・ノルデイスク・エー／エス グルコース感受性インスリンのための残存インスリン
US20220386965A1 (en) * 2021-06-04 2022-12-08 University Of Virginia Patent Foundation Method for structuring and classification of continuous glucose monitoring (cgm) profiles
US20240012876A1 (en) * 2022-07-08 2024-01-11 Predict Hq Limited Iterative singular spectrum analysis

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7110927B1 (en) * 2000-02-23 2006-09-19 Altera Corporation Finite impulse response (FIR) filter compiler
US20080234943A1 (en) * 2007-03-20 2008-09-25 Pinaki Ray Computer program for diabetes management
US20080300572A1 (en) * 2007-06-01 2008-12-04 Medtronic Minimed, Inc. Wireless monitor for a personal medical device system
US8974439B2 (en) * 2009-01-02 2015-03-10 Asante Solutions, Inc. Infusion pump system and methods
EP3173014B1 (en) * 2009-07-23 2021-08-18 Abbott Diabetes Care, Inc. Real time management of data relating to physiological control of glucose levels
US9364609B2 (en) * 2012-08-30 2016-06-14 Medtronic Minimed, Inc. Insulin on board compensation for a closed-loop insulin infusion system
US9878096B2 (en) * 2012-08-30 2018-01-30 Medtronic Minimed, Inc. Generation of target glucose values for a closed-loop operating mode of an insulin infusion system
WO2016201120A1 (en) 2015-06-09 2016-12-15 University Of Virginia Patent Foundation Insulin monitoring and delivery system and method for cgm based fault detection and mitigation via metabolic state tracking
US10569016B2 (en) 2015-12-29 2020-02-25 Tandem Diabetes Care, Inc. System and method for switching between closed loop and open loop control of an ambulatory infusion pump
WO2018120106A1 (en) * 2016-12-30 2018-07-05 Medtrum Technologies Inc. Closed loop control algorithm for artificial pancreas

Also Published As

Publication number Publication date
AU2020298305A1 (en) 2022-01-20
CA3144265A1 (en) 2020-12-24
EP3986258A4 (en) 2023-06-21
US20200402634A1 (en) 2020-12-24
EP3986258A1 (en) 2022-04-27
WO2020257667A1 (en) 2020-12-24
US20200402635A1 (en) 2020-12-24
US11978546B2 (en) 2024-05-07
US20200402633A1 (en) 2020-12-24
US11887715B2 (en) 2024-01-30
US11823783B2 (en) 2023-11-21

Similar Documents

Publication Publication Date Title
EP2350895B1 (en) System and method for determining optimal insulin profiles
EP2873015B1 (en) Insulin dosage assessment and recommendation system
US20220246264A1 (en) Systems and Methods for Risk Based Insulin Delivery Conversion
CN114173644A (zh) 动态等效体载估计器
WO2015056259A1 (en) System and method for improved artificial pancreas management
US20230346320A1 (en) Evaluation and visualization of glycemic dysfunction
Bock et al. A therapy parameter-based model for predicting blood glucose concentrations in patients with type 1 diabetes
JP2020523136A (ja) 患者プロファイルに基づくインスリン滴定アルゴリズム
JP7463491B2 (ja) 被験者のグルコース変化を判定するための方法およびシステム
US20210151141A1 (en) Joint state estimation prediction that evaluates differences in predicted vs. corresponding received data
US20220062544A1 (en) Method and system for determining optimal and recommended therapy parameters for diabetic subject
US20240123148A1 (en) Control device for determining a recommendation value of a control parameter of a fluid infusion device
JP2023504519A (ja) 投与ガイダンスアルゴリズムのための自己ベンチマーキング
Ståhl et al. Kernel-based estimate of the insulin action of rapid-acting insulin in home-monitored data
Wilinska et al. Artificial Pancreas Systems: Overnight Closed-Loop Insulin Delivery with Model Predictive Control: Assessment of Hypoglycemia and Hyperglycemia Risk Using Simulation Studies

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