CN114206207A - 与药物剂量指导相关的系统、装置和方法 - Google Patents

与药物剂量指导相关的系统、装置和方法 Download PDF

Info

Publication number
CN114206207A
CN114206207A CN202080055853.9A CN202080055853A CN114206207A CN 114206207 A CN114206207 A CN 114206207A CN 202080055853 A CN202080055853 A CN 202080055853A CN 114206207 A CN114206207 A CN 114206207A
Authority
CN
China
Prior art keywords
dose
meal
time
data
glucose
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202080055853.9A
Other languages
English (en)
Inventor
加里·A·海特
阿帕拉吉塔·巴塔查里亚
埃尔温·S·布迪姆安
马修·T·诺瓦克
金太浩
马尔科·B·托贝
乔纳森·M·弗恩
徐勇进
朱开元
肯德尔·科温顿
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.)
Abbott Diabetes Care Inc
Original Assignee
Abbott Diabetes Care 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 Abbott Diabetes Care Inc filed Critical Abbott Diabetes Care Inc
Publication of CN114206207A publication Critical patent/CN114206207A/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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4833—Assessment of subject's compliance to treatment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4848—Monitoring or testing the effects of treatment, e.g. of medication
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • 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
    • 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
    • G16H40/40—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 management of medical equipment or devices, e.g. scheduling maintenance or upgrades
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • 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
    • G16H50/70—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
    • 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
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
    • 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
    • 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
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Computation (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medicinal Chemistry (AREA)
  • Optics & Photonics (AREA)
  • Emergency Medicine (AREA)
  • Nutrition Science (AREA)
  • Infusion, Injection, And Reservoir Apparatuses (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

提供了用于确定患者或用户的药物剂量的系统、装置和方法。剂量确定可以考虑患者或用户的最近和/或历史分析物水平。剂量确定还可以考虑关于患者或用户的其他信息，诸如生理信息、饮食信息、活动和/或行为。阐述了多种不同的剂量确定实施方式，涉及可以实现该实施方式的系统或环境的多个不同方面。

Description

与药物剂量指导相关的系统、装置和方法
相关申请的交叉引用
本申请要求2019年8月2日提交的美国临时申请号62/882,249、2020年2月21日提交的美国临时申请号62/979,578、2020年2月21日提交的美国临时申请号62/979,594、2020年2月21日提交的美国临时申请号62/979,618和2020年7月30日提交的美国临时申请序列号63/058,799的优先权及权益，所有这些申请在此明确通过引用整体并入本文。
技术领域
本文所述的主题大体上涉及与药物剂量指导相关的系统、装置和方法，例如，确定用于治疗由糖尿病引起的葡萄糖水平升高的胰岛素剂量。
背景技术
对于患有糖尿病的个体的健康，检测和/或监测分析物水平，如葡萄糖、酮、乳酸、氧、血红蛋白AIC等，可能是极其重要的。患有糖尿病的患者可能经历多种并发症，包括意识丧失、心血管疾病、视网膜病、神经病和肾病。通常需要监测糖尿病患者的葡萄糖水平以确保将他们维持在临床安全范围内，并且还可以使用该信息来确定是否和/或何时需要胰岛素来降低他们体内的葡萄糖水平，或者何时需要附加的葡萄糖来提高他们体内的葡萄糖水平。
日益增长的临床数据表明，葡萄糖监测的频率与血糖控制之间具有密切相关性。尽管存在这样的相关性，但是由于包括不方便、测试的随意性、与葡萄糖测试相关的疼痛和成本的多种因素的组合，许多被确诊患有糖尿病的个体没有像他们所应当的那样频繁地监测其葡萄糖水平。
对于依赖服用药物(例如胰岛素)来治疗或控制糖尿病的患者，希望具有能够自动利用由分析物监测系统收集的葡萄糖信息、以根据需要以容易访问的方式提供药物剂量指导的系统、装置或方法。还希望这样的系统、装置或方法在提供这样的药物剂量指导时考虑到待治疗的用户或患者的生理学、饮食、活动和/或行为，这样可以提高准确度和可靠性。此外，在一些情况下，也希望这样的系统、装置或方法能够自动输送所选择的药物剂量。
由于这些和其它原因，需要改进与药物剂量指导相关的系统、方法和装置。
发明内容
本文提供的是涉及提供药物剂量指导以及在一些实施方式中提供药物输送的系统、装置和方法的示例性实施方式。根据一个方面，本文所述的多种实施方式包括剂量指导系统，该剂量指导系统包括显示装置、传感器控制装置和药物输送装置。剂量指导系统可包括剂量指导应用程序(例如软件)，其可确定剂量指导并向患者输出剂量指导(例如，关于剂量、校正和滴定的推荐)。此外，根据一些实施方式，在剂量指导系统可以估计关键剂量参数的学习时段期间，剂量指导系统可以学习患者的配药策略。根据一些实施方式，一旦系统配置有患者的当前配药策略，剂量指导系统还可以为滴定和校正提供指导。剂量指导系统还可以针对不同的膳食剂量方案提供指导。例如，在一些实施方式中，剂量指导系统可以在膳食开始时或膳食开始之前或膳食开始之后提供剂量指导。剂量指导系统还可以为复合膳食(例如甜点)或为“补充(touch up)”剂量提供指导，以解决餐后葡萄糖水平高的问题。还描述了剂量指导系统的示例性系统和安全特征。
本文提供的多种实施方式包括与分析物监测系统一起使用的改进的软件特征或图形用户接口，其高度直观，对用户友好，并提供对用户生理信息的快速访问。更具体地，这些实施方式允许用户(或HCP)基于与用户的生理状况、历史剂量模式和其他因子相关的信息来快速确定适当的药物治疗，不需要用户(或HCP)浏览大量分析物数据的繁重任务。此外，一些GUI和GUI特征允许用户(及其看护者)更好地理解并改进用户的剂量模式以及随后的低血糖和高血糖发作。同样，本文提供的许多其它实施方式包括用于剂量指导系统的改进的软件特征，其改进在于：通过允许使低血糖发作最小化的安全滴定策略向用户提供剂量指导，根据相对于膳食开始时间何时(例如，在膳食开始前、开始时或膳食开始后)服用剂量来改变剂量指导的方法，考虑影响剂量策略的现实情况，基于预测出现概率而非阈值来进行餐后警报，等等。还提供了其它改进和优点。通过各实施方式详细描述了这些装置的各种结构，这些实施方式仅仅是示例。
对于本领域的技术人员来说，本文所述的主题的其它系统、装置、方法、特征和优点在检查下面的附图和详细描述后将变得明显。所有这些附加的系统、装置、方法、特征和优点都应包括在本说明书中，并在本文所述的主题范围内，并由所附权利要求保护。在没有明确列举权利要求中的那些特征的情况下，示例性实施方式的特征不应当被解释为限制所附权利要求。
附图说明
通过对附图的研究，本文阐述的主题的细节、关于它的结构和操作，都是显而易见的，其中相同的附图标记表示相同的部件。附图中的部件不一定按比例绘制，而是强调说明本发明的原理。此外，所有的说明都是为了传达概念，其中可以示意性地而非书面地或精确地说明相对尺寸、形状和其它详细属性。
图1A和图1B是剂量指导系统的示例性实施方式的框图。
图2A是描绘传感器控制装置的示例性实施方式的示意图。
图2B是描绘传感器控制装置的示例性实施方式的框图。
图3A是描绘药物输送装置的示例性实施方式的示意图。
图3B是描绘药物输送装置的示例性实施方式的框图。
图4A是描绘显示装置的示例性实施方式的示意图。
图4B是描绘显示装置的示例性实施方式的框图。
图5是描绘用户接口装置的示例性实施方式的框图。
图6是示例性葡萄糖模式报告。
图7是流程图，其描绘了涉及用于估计患者胰岛素剂量实践的学习方法剂量指导应用程序的一部分的处理流程的示例性实施方式。
图8A是流程图，其描绘了用于通过剂量指导应用程序进行操作的处理流程的示例性实施方式，所述剂量指导应用程序用于评估多日注射(MDI)剂量治疗的膳食推注(bolus)滴定。
图8B是流程图，其描绘了通过用于葡萄糖模式分析(GPA)的剂量指导应用程序进行操作的处理流程的示例性实施方式。
图8C是描绘用于确定GPA的低血糖风险和其它度量的信息的图的示例性实施方式。
图8D至图8H是流程图，其示出了用于评估MDI胰岛素剂量治疗的膳食推注滴定的算法的各个示例性实施方式的方面。
图9A至图9C是流程图，其描绘了使用生理剂量算法来确定剂量指导的方法的示例性实施方式。
图10A是流程图，其描绘了通过用于校正因子滴定的剂量指导应用程序进行操作的处理流程的示例性实施方式。
图10B至图10C是流程图，其示出了响应于分析物数据控制用户接口装置输出数据用于调整校正因子的方面。
图11是流程图，其描绘了用于确定在膳食开始时或膳食开始前给药的剂量指导的方法的示例性实施方式。
图12A是流程图，其描绘了用于确定在膳食开始后给药的剂量指导的方法的示例性实施方式。
图12B是流程图，其描绘了用于确定在膳食开始后给药的剂量指导的一种可替代方法的示例性实施方式。
图12C是流程图，其描绘了用于确定在膳食开始后给药的剂量指导的另一种可替代方法的示例性实施方式。
图13是流程图，其描绘了用于确定用于复合膳食给药的剂量指导的方法的示例性实施方式。
图14是流程图，其描绘了用于确定用于校正剂量给药的剂量指导的方法的示例性实施方式。
图15是描绘用于警告受试者的方法的示例性实施方式的流程图。
图16A是描绘用于覆盖剂量指导设置的方法的示例性实施方式的流程图。
图16B是描绘用于传感器故障检测的方法的示例性实施方式的流程图。
图16C是描绘用于检测配药策略改变的方法的示例性实施方式的流程图。
图16D是描绘用于检测配药策略差异的方法的示例性实施方式的流程图。
图16E是描绘用于管理多个剂量的方法的示例性实施方式的流程图。
图16F是描绘用于调整胰岛素剂量指导的方法的示例性实施方式的流程图。
图16G是描绘用于管理配药策略的方法的示例性实施方式的流程图。
图17A是描绘用于推荐胰岛素剂量滴定的方法的示例性实施方式的流程图。
图17B是描绘用于推荐胰岛素剂量滴定的方法的另一种示例性实施方式的流程图。
图17C是描绘用于推荐与过夜时段相关的胰岛素剂量滴定的方法的示例性实施方式的流程图。
图17D是描绘用于推荐与晚餐时段相关的胰岛素剂量滴定的方法的示例性实施方式的流程图。
图17E是描绘推荐胰岛素剂量的方法的示例性实施方式的流程图。
图17F是描绘用于确定胰岛素输送是否异常的方法的示例性实施方式的流程图。
图17G是示例性跟踪对的曲线图的示例性实施方式。
图18A是描绘位点旋转系统的示例性实施方式的框图。
图18B是用于监测药物注射部位的方法的示例性实施方式的流程图。
具体实施方式
在详细描述本发明主题之前，应当理解，本发明不限于本文所述的特定实施方式，因此当然可以变化。还应当理解，本文使用的术语仅是为了描述特定的实施方式，而不是为了限制，因为本发明的范围仅由所附的权利要求限定。
通常，本发明的实施方式包括与药物剂量指导相关的系统、装置和方法。剂量指导可以基于广泛的信息阵列和特定于用户的信息类别，如用户当前和先前的分析物水平、用户当前和先前的饮食、用户当前和先前的身体活动、用户当前和先前的药物历史、以及关于用户的其它生理信息。根据实施方式的一个方面，由本发明的系统、装置和方法提供的剂量指导可以不仅基于信息的各个类别，而且还基于此类信息对用户未来分析物水平的预测影响。
剂量指导功能可以实现为剂量指导应用程序(DGA)，其包括存储在计算设备的存储器中的软件和/或固件指令，用于由至少一个处理器或其处理电路执行。计算设备可以由用户或健康护理专业人员(HCP)拥有，并且用户或HCP可以通过用户接口与计算设备交互。根据一些实施方式，计算设备可以是可通过网络访问的服务器或受信计算机系统，剂量指导软件可以通过在本地显示装置(具有用户接口)上执行的浏览器以交互式网页的形式呈现给用户，本地显示装置通过网络与服务器或受信计算机系统通信。在此实施方式和其它实施方式中，剂量指导软件可以跨多个装置执行，或者部分地在本地显示装置的处理电路上执行、以及部分地在服务器或受信计算机系统的处理电路上执行。本领域技术人员将会理解，当DGA被描述为执行动作时，根据存储在计算机存储器中的指令(包括在只读存储器中硬编码的指令)来执行这种动作，当由至少一台计算设备的至少一个处理器执行指令时，该指令使DGA执行所述动作。在所有情况下，与通过存储在存储器中的指令来执行相反，可以由硬件(例如专用电路)执行该动作，该硬件是硬连线的以实现该动作。
此外，如本文所使用的，在其上实施DGA的系统可以被称作剂量指导系统。剂量指导系统可以被配置为仅用于提供剂量指导，或者可以是剂量指导系统仅为一个方面的多功能系统。例如，在一些实施方式中，剂量指导系统还能够监测用户的分析物水平。在一些实施方式中，剂量指导系统还能够向用户输送药物，如利用注射或输注装置。在一些实施方式中，剂量指导系统能够监测分析物和输送药物。
本文描述的这些实施方式和其它实施方式代表了在基于计算机的剂量确定、分析物监测和药物输送系统领域中的改进。下面进一步讨论所公开的实施方式的具体特征和潜在优点。
在详细描述剂量指导实施方式之前，首先需要描述剂量指导系统的实例，可以在该剂量指导系统上实施剂量指导应用程序或通过该剂量指导系统实施剂量指导应用程序。
剂量指导系统的示例性实施方式
图1A是描述剂量指导系统100的示例性实施方式的框图。在该实施方式中，剂量指导系统100能够提供剂量指导、监测一种或多种分析物、以及输送一种或多种药物。该多功能实例用于说明通过系统100可获得的高度互连性和性能。然而，在本文所述的实施方式中，如果需要的话，可以省略分析物监测部件、药物输送部件或两者。
这里，系统100包括：传感器控制装置(SCD)102，被配置为从用户收集分析物水平信息；药物输送装置(MDD)152，被配置为向用户输送药物；以及显示装置120，被配置为向用户呈现信息并从用户接收输入或信息。本文将详细描述每个装置的结构和功能。
系统100被配置用于装置之间的高度互连和高度灵活的通信。三个装置102、120和152中的每一个都可以直接彼此通信(不经过中间电子装置)或间接彼此通信(如通过云网络190，或通过另一个装置然后通过网络190)。图1A中用双面箭头示出了装置之间以及装置与网络190之间的双向通信能力。然而，本领域技术人员将理解，一个或多个装置(例如SCD)中的任何一个都能够进行单向通信，例如广播、多播或广告通信。在每种情况下，无论双向还是单向，通信都可以是有线的或无线的。管理每条路径上的通信的协议可以是相同的或不同的，并且可以是专有的或标准化的。例如，可以根据蓝牙(包括蓝牙低能量)标准、近场通信(NFC)标准、Wi Fi(802.1lx)标准、移动电话标准或其它标准来执行装置102、120和152之间的无线通信。可以对各种路径上的所有通信进行加密，并且图1A的每个装置可以被配置为对发送和接收的那些通信进行加密和解密。在每种情况下，图1A的通信路径可以是直接的(例如，蓝牙或NFC)或间接的(例如，Wi-Fi、移动电话、或其他互联网协议)。系统100的实施方式不需要具有跨图1A所示的所有路径进行通信的能力。
此外，虽然图1A示出了单个显示装置120，单个SCD 102和单个MDD 152，但是本领域的技术人员将理解，系统100可以包括多个上述装置中的任何一个。仅作为示例，系统100可以包括单个SCD 102，该单个SCD 102与多个(例如两个、三个、四个等)显示装置120和/或多个MDD 152通信。可替代地，系统100可以包括多个SCD 102，该多个SCD 102与单个显示装置120和/或单个MDD 152通信。此外，多个装置中的每一个都可以是相同或不同的装置类型。例如，系统100可包括多个显示装置120，包括智能电话、手持接收器和/或智能手表，每个显示装置可与SCD 102和/或MDD 152通信，以及彼此通信。
可以以自主方式(例如，根据日程安排自动发送)、或响应于对分析物数据的请求(例如，从第一装置向第二装置发送对分析物数据的请求，随后从第二装置向第一装置发送分析物数据)，在系统100内的每个装置之间传送分析物数据。也可以使用用于传送数据的其它技术来适应更复杂的系统，如云网络190。
图1B是描绘剂量指导系统100的另一种示例性实施方式的框图。这里，系统100包括SCD 102、MDD 152、第一显示装置120-1、第二显示装置120-2、本地计算机系统170以及可由云网络190访问的受信计算机系统180。SCD 102和MDD 152能够彼此通信并与显示装置120-1通信，显示装置可以充当通信中枢，用于汇集来自SCD 102和MDD 152的信息，在需要时处理和显示该信息，并将一些或全部信息传送到云网络190和/或计算机系统170。相反，显示装置120-1可以从云网络190和/或计算机系统170接收信息，并将所接收的信息中的一些或全部传送到SCD 102、MDD 152或两者。计算机系统170可以是个人计算机、服务器终端、膝上型计算机、平板或其它合适的数据处理装置。计算机系统170可以包括或呈现用于进行数据管理和分析以及与系统100中的部件通信的软件。计算机系统170可由用户或医疗专业人员使用以显示和/或分析由SCD 102测量的分析物数据。此外，虽然图1B示出了单个SCD102、单个MDD 152以及两个显示装置120-1和120-2，本领域技术人员将理解，系统100可以包括多个上述装置中的任何一个，其中每个多个装置可以包括相同或不同类型的装置。
仍然参照图1B，根据一些实施方式，受信计算机系统180可以在系统100的部件的制造商或销售商所拥有的范围内，物理或虚拟地通过安全的连接，并且可以用于执行系统100的装置(例如装置102、120-n、152)的认证，用于安全存储用户数据、和/或作为服务器，该服务器服务于数据分析程序(例如，可通过web浏览器访问)，用于对用户的测量分析物数据和药物历史进行分析。受信计算机系统180还可以充当数据中枢，用于在通过云网络190与系统180通信的所有装置之间路由和交换数据。换言之，能够与云网络190(例如，利用互联网连接直接地或通过另一装置间接地)通信的系统100的所有装置也能够与可直接或间接与云网络190通信的系统100的所有其它装置通信。
显示装置120-2被描绘为与云网络190通信。在该实例中，装置120-2可以由另一个用户拥有，该用户被准许访问佩戴SCD 102的人的分析物和药物数据。例如，作为一个实例，拥有显示装置120-2的人可以是佩戴SCD 102的儿童的父母，作为另一个实例，或者是佩戴SCD 102的老年患者的护理者。系统100可以被配置为通过云网络190(例如，通过受信计算机系统180)将关于佩戴者的分析物和药物数据传送给被授权访问该数据的另一个用户。
分析物监测装置的示例性实施方式
可以通过包括一个或多个能够收集、处理和显示用户分析物数据的装置来实现剂量指导系统100的分析物监测功能。在国际公开号WO2018/152241和美国专利公开号2011/0213225中描述了此类装置的示例性实施方式及其使用方法，这两篇文献出于所有目的通过引用整体并入本文。
可以多种不同的方式进行分析物监测。“连续分析物监测”装置(例如“连续葡萄糖监测”装置)可以在有提示或没有提示的情况下，例如根据日程自动地、连续地或重复地将数据从传感器控制装置传送到显示装置。又例如，“闪存(Flash)分析物监测”装置(例如“闪存葡萄糖监测”装置或简称为“闪存”装置)可以响应于用户通过显示装置对数据发起的请求(例如扫描)，如利用近场通信(NFC)或射频识别(RFID)协议，传送来自传感器控制装置的数据。
利用配置为部分或全部放置在用户体内的传感器的分析物监测装置可被称作体内分析物监测装置。例如，体内传感器可以放置在用户体内，使得传感器的至少一部分与体液(例如间质(ISF)流体，如真皮层中的真皮流体或真皮层下的皮下流体、血液或其它)接触，并且可以测量该体液中的分析物浓度。体内传感器可以使用各种类型的传感技术(例如化学的、电化学的或光学的)。一些利用体内分析物传感器的系统也可以在不需要手指针刺校准的情况下操作。
“体外”装置是使传感器与体外(或更确切地说是“离体”)的生物样本接触的装置。这些装置通常包括用于接收携带用户体液的分析物测试条的端口，可以对分析物测试条进行分析以确定用户的血糖水平。已经提出了尝试非侵入性地测量用户的内部分析物水平的其它离体装置，如通过使用能够测量内部身体分析物水平而不机械地穿透用户的身体或皮肤的光学技术。体内和离体装置通常包括体外性能(例如，也包括测试条端口的体内显示装置)。
尽管其它分析物的浓度检测和测量在本发明的范围之内，将参照能够测量葡萄糖浓度的传感器来描述本发明的主题。这些其它分析物可以包括例如酮、乳酸盐、氧、血红蛋白AIC、乙酰胆碱、淀粉酶、胆红素、胆固醇、绒毛膜促性腺激素、肌酸激酶(例如CK-MB)、肌酸、DNA、果糖胺、谷氨酰胺、生长激素、激素、过氧化物、前列腺特异性抗原、凝血酶原、RNA、甲状腺刺激激素、肌钙蛋白等。也可以监测药物的浓度，例如抗生素(例如庆大霉素、万古霉素等)、洋地黄毒苷、地高辛、滥用药物、茶碱和华法林。该传感器可被配置为在相同或不同的时间测量两种或更多种不同的分析物。在一些实施方式中，传感器控制装置可以与两个或更多个传感器耦接，其中一个传感器被配置为测量第一分析物(例如葡萄糖)，而另一个或更多个传感器被配置为测量一种或多种不同的分析物(例如本文所述的任何分析物)。在其它实施方式中，用户可以佩戴两个或更多个传感器控制装置，每个传感器控制装置能够测量一不同的分析物。
本文所述的实施方式可与能够监测前述分析物和其它分析物的所有类型的体内、体外和离体装置一起使用。
在多种实施方式中，传感器操作可由SCD 102控制。传感器可以与SCD 102机械地和通信地耦接，或者可以仅使用无线通信技术与SCD 102通信地耦接。SCD 102可以包括电子装置和电源，其实现和控制由传感器执行的分析物感测。在一些实施方式中，传感器或SCD 102可以是自供电的，从而不需要电池。SCD 102还可以包括通信电路，用于与用户身体本地或非本地的另一装置(例如显示装置)通信。SCD 102可以位于用户的身体上(例如，附接在用户的皮肤上或以其它方式放置在用户的皮肤上，或携带在用户的衣服中，等等)。SCD102也可与传感器一起植入用户体内。SCD 102的功能可以分为植入体内的第一部件(例如，控制传感器的部件)和位于身体上或身体外的第二部件(例如中继部件，其与第一部件以及诸如计算机或智能电话之类的外部装置通信)。在其它实施方式中，SCD 102可以在身体外部，并且被配置为非侵入性地测量用户的分析物水平。根据实际的实现方式或实施方式，例如，传感器控制装置也可以被称为“传感器控制单元”、“体上(on-body)电子”装置或单元、“体上(on-body)”装置或单元、“体内(in-body)电子”装置或单元、“体内(in-body)”装置或单元、或“传感器数据通信”装置或单元。
在一些实施方式中，SCD 102可以包括用户接口(例如触摸屏)，并且能够处理分析物数据并向用户显示结果计算的分析物水平。在此类情况下，本文所述的剂量指导实施方式可以是全部或部分直接由SCD 102实现。在多种实施方式中，SCD 102的物理形态因子被最小化(例如，为了使在用户身体上的外观最小化)，或传感器控制装置可能是用户无法接近的(例如，如果完全植入)，或者其它因子可能使用户希望显示装置可用于读取分析物水平并与传感器控制装置接口。
图2A是SCD 102的示例性实施方式的侧视图。SCD 102可以包括用于传感器电子装置(图2B)的壳体或安装件103，其可以与分析物传感器101电耦接，该分析物传感器101在此被配置为电化学传感器。根据一些实施方式，传感器101可以被配置为部分地位于用户的身体内(例如，通过皮肤的最外表面)，在该身体内，传感器101可以与用户的体液进行流体接触，并且与传感器电子装置一起被用于测量用户的与分析物相关的数据。一种附接结构105，如粘性贴片，可用于将壳体103固定到用户的皮肤上。传感器101可延伸通过附接结构105并从壳体103突出。本领域的技术人员将理解，除了粘合剂或代替粘合剂，可以使用附接到身体和/或壳体103的其它形式，并且完全在本发明的范围内。
可以以任何所需的方式，将SCD 102施加到身体上。例如，有时被称作施加器(applicator)的插入装置(未示出)可用于定位分析物传感器101的全部或一部分通过用户皮肤的外表面并与用户体液接触。在这样做时，插入装置还可以将SCD 102定位在皮肤上。在其它实施方式中，插入装置可以首先定位传感器101，然后伴随的电子装置(例如，无线传输电路和/或数据处理电路等)可以手动地或借助于机械装置随后与传感器101耦接(例如，插入到安装件中)。美国专利公开号2008/0009692、2011/0319729、2015/0018639、2015/0025345和2015/0173661、2018/0235520中描述了插入装置的实例，所有这些专利出于所有目的通过引用整体并入本文。
图2B是描绘具有分析物传感器101和传感器电子装置104的SCD 102的示例性实施方式的框图。可以在一个或多个半导体芯片(例如专用集成电路(ASIC)、处理器或控制器、存储器、可编程门阵列等)中实现传感器电子装置104。在图1B的实施方式中，传感器电子装置104包括高级功能单元，包括：模拟前端(AFE)110，被配置为以模拟方式与传感器101接口，并将模拟信号转换为数字形式和/或从数字形式转换为模拟信号(例如，利用A/D转换器)；电源111，被配置为向SCD 102的部件供电；处理电路112；存储器114；定时电路115(例如，如振荡器和锁相环，用于向SCD 102的部件提供时钟或其它定时)；以及通信电路116，被配置为以有线和/或无线方式与SCD 102外部的一个或多个装置(如显示装置120和/或MDD152)通信。
SCD 102可以以高度互连的方式实现，其中电源111与图2B所示的每个部件相耦接，并且其中通信或接收数据、信息或命令的那些部件(例如，AFE 110、处理电路112、存储器114、定时电路115和通信电路116)可以通过例如一个或多个通信连接或总线118与每个其它此类部件通信地耦接。
处理电路112可以包括一个或多个处理器、微处理器、控制器和/或微控制器，其中每个都可以是分立芯片或分布在多个不同芯片之间(以及部分)。处理电路112可以包括板上存储器。处理电路112可以与通信电路116接口，并执行模数转换、编码和解码、数字信号处理和其它功能，这些功能有助于将数据信号转换成适合于无线或有线传输的格式(例如同相和正交)。处理电路112还可以与通信电路116接口，以执行接收无线传输并将其转换为数字数据或信息所需的反向功能。
处理电路112可以执行存储在存储器114中的指令。这些指令可使处理电路112处理原始分析物数据(或预处理的分析物数据)并达到最终计算的分析物水平。在一些实施方式中，当执行存储在存储器114中的指令时，这些指令可以使处理电路112处理原始分析物数据，以确定下列中的一个或多个：计算的分析物水平，在预定时间窗口内平均计算的分析物水平，在预定时间窗口内计算的分析物水平的变化率，和/或计算的分析物度量是否超过预定阈值条件。这些指令还可以使处理电路112读取并作用于接收到的传输，以调整定时电路115的定时，以处理从其它装置接收的数据或信息(例如，从显示装置120等接收校正信息、加密或认证信息)，以执行与显示装置120建立并保持通信、解释来自用户的语音命令、使通信电路116传送等任务。在SCD 102包括用户接口的实施方式中，指令可以使处理电路112控制用户接口，从用户接口读取用户输入，使信息在用户接口上显示，为用于显示的数据编排格式等。这里所描述的在指令中被编码的功能可以由SCD 102代替地使用硬件或固件设计来实现，该硬件或固件设计不依赖于执行所存储的软件指令来完成这些功能。
存储器114可以由存在于SCD 102内的一个或多个不同功能单元共享，或者可以分布在它们中的两个或更多个之间(例如，作为存在于不同芯片内的独立存储器)。存储器114也可以是它自己的单独芯片。存储器114是非暂时的，并且可以是易失性的(例如RAM等)和/或非易失性存储器(例如ROM、闪存、F-RAM等)。
通信电路116可以实现为一个或多个部件(例如发射器、接收器、收发器、无源电路、编码器、解码器和/或其它通信电路)，其执行用于在相应通信路径或链路上进行通信的功能。通信电路116可以包括或耦接到一个或多个用于无线通信的天线。
电源111可以包括一个或多个电池，其可以是可再充电的或一次性使用的电池。还可以包括电源管理电路，以调整电池充电和监测电源111的使用，提高功率，执行直流转换等。
此外，皮肤上或传感器温度读数或测量值可由任选的温度传感器(未示出)收集。这些读数或测量可以从SCD 102传送(单独地或作为随时间的汇集测量)到另一装置(例如，显示装置120)。然而，温度读数或测量可以与由SCD 102或显示器执行的软件例程结合使用，用于纠正或补偿输出到用户的分析物测量，代替或附加地，实际将温度测量输出到用户。
药物输送装置的示例性实施方式
可以通过包括一个或多个药物输送装置(MDD)152来实现剂量指导系统100的药物输送功能。MDD 152可以是被配置为输送特定剂量药物的任何装置。MDD 152还可以包括向DGA传输关于剂量的数据的装置，例如笔盖，即使该装置本身可能不输送药物。MDD 152可以被配置为便携式注射装置(PID)，其可以每次注射输送单个剂量，如推注。PID可以是基本的手动操作的注射器，其中药物或者被预加载在注射器中，或者在注射之前必须从容器被吸入注射器中。然而，在大多数实施方式中，PID包括用于与用户接口并执行药物输送的电子装置。PID通常被称作药物笔，尽管不需要笔状的外观。具有用户接口电子装置的PID通常被称作智能笔。PID可用于输送一个剂量然后丢弃，或者可经久耐用并且可重复用于在一天、一周或一个月的过程中输送多个剂量。实践多次每天注射(MDI)治疗方案的用户通常依赖PID。
MDD还可以包括泵和输液器。输液器包括至少部分地位于接受者体内的管状套管。管状套管与泵流体连通，泵可通过套管以随时间重复地小增量将药物输送到接受者的体内。可以使用输液器施加器将输液器施加到接受者的身体上，并且输液器通常保持植入2-3天或更长时间。泵装置包括用于与用户接口以及用于控制药物缓慢输注的电子装置。PID和泵都可以将药物储存在药物储存器中。
MDD 152可以作为闭环系统(例如，不需要用户干预来操作的人工胰腺系统)、半闭环系统(例如，需要很少用户干预(如用于确认剂量变化)来操作的胰岛素环路系统)、或开环系统的一部分。例如，可以由SCD 102以重复的自动方式监测糖尿病患者的分析物水平，并且本文所述的剂量指导实施方式可以使用该信息，用于自动计算或以其它方式确定用于控制糖尿病患者分析物水平的合适药物剂量，并随后将该剂量输送至糖尿病患者的身体。可以在MDD 152或系统100的任何其它装置中进行该计算，然后可以将所得的确定剂量传送到MCD152。
在多种实施方式中，本文所述实施方式提供的剂量指导将针对胰岛素的类型(例如速效(RA)、短效胰岛素、中效胰岛素(例如NPH胰岛素)、长效(LA)、超长效胰岛素和混合胰岛素)，并且将是由MDD 152输送的相同药物。胰岛素的类型包括人胰岛素和合成胰岛素类似物。胰岛素还可以包括预混合制剂。然而，本文提出的剂量指导实施方式和MDD 152的药物输送能力可以应用于其它非胰岛素药物。此类药物可以包括但不限于艾塞那肽、艾塞那肽缓释剂、利拉鲁肽、利西那肽、舒马鲁肽、普兰林肽、二甲双胍、SLGT1-i抑制剂、SLGT2-i抑制剂和DPP4抑制剂。剂量指导实施方式还可以包括联合治疗。联合治疗可以包括但不限于胰岛素和胰高血糖素样肽-1受体激动剂(GLP-1RA)、胰岛素和普仑林肽。
为了便于描述本文的剂量指导实施方式，MDD 152通常被描述为PID、具体是智能笔的形式。然而，本领域技术人员将容易理解，MDD 152也可以被配置为笔帽、泵或任何其它类型的药物输送装置。
图3A是描绘被配置为PID、具体是智能笔的MDD 152的示例性实施方式的示意图。MDD 152可以包括用于电子装置的壳体154、注射马达和药物储存器(参见图3B)，药物可以从药物储存器输送通过针156。壳体154可包括可移除或可拆卸的帽或盖157，当连接时，该帽或盖157可在不使用时罩住56，然后被拆卸以用于注射。MDD 152还可以包括用户接口158，该用户接口158可以实现为单个部件(例如触摸屏，用于向用户输出信息并从用户接收输入)或作为多个部件(例如，触摸屏或显示器与一个或多个按钮、开关等组合)。MDD 152还可以包括致动器159，该致动器159可以被移动、按压、触摸或以其它方式触发，以启动将药物从内部储存器通过针156输送到接受者体内。根据一些实施方式，帽157和致动器159还可以包括一个或多个安全机构，以防止移除和/或致动，从而减轻有害药物注射的风险。美国专利公开号2019/0343385中描述了这些安全机构和其它安全机构的细节，该文献出于所有目的通过引用整体并入本文。
图3B是描绘具有电子装置160的MDD 152的示例性实施方式的框图，所述电子装置160与电源161及电动注射马达162连接，所述电动注射马达162又与电源161及药物储存器163连接。示出了针156与储存器163流体连通，并且在储存器163和针156之间可以存在阀(未示出)。储存器163可以是永久的、或可移除的并且可以用含有相同或不同药物的另一储存器替换。电子装置160可以实现在一个或多个半导体芯片(例如专用集成电路(ASIC)、处理器或控制器、存储器、可编程门阵列等)。在图3B的实施方式中，电子装置160可以包括高级功能单元，包括处理电路164、存储器165、被配置为以有线和/或无线方式与MDD 152外部的一个或多个装置(如显示装置120)通信的通信电路166、以及用户接口电子装置168。
MDD 152可以以高度互连的方式实现，其中电源161与图3B所示的每个部件相耦接，并且其中通信或接收数据、信息或命令的那些部件(例如处理电路164、存储器165和通信电路166)可以通过例如一个或多个通信连接或总线169与每一个其它此类部件通信耦接。
处理电路164可以包括一个或多个处理器、微处理器、控制器和/或微控制器，每个处理器可以是分立芯片或分布在多个不同芯片之间(以及部分)。处理电路164可以包括板上存储器。处理电路164可以与通信电路166接口，并执行模数转换、编码和解码、数字信号处理和其它功能，这些功能有助于将数据信号转换成适合于无线或有线传输的格式(例如同相和正交)。处理电路164还可以与通信电路166接口，以执行接收无线传输并将其转换为数字数据或信息所需的反向功能。
处理电路164可以执行存储在存储器165中的软件指令。这些指令可以使处理电路164从用户(例如，经由用户接口158输入或从另一装置接收)接收对指定剂量的选择或提供，处理输送指定剂量的命令(如来自致动器159的信号)，以及控制马达162以引起指定剂量的输送。这些指令还可以使处理电路164读取并作用于所接收的传输，以处理从其它装置接收的数据或信息(例如，从显示装置120等接收校正信息、加密或认证信息)，以执行与显示装置120建立和保持通信、解释来自用户的语音命令、使通信电路166传送等任务。在MDD152包括用户接口158的实施方式中，然后，指令可以使处理电路164控制用户接口，从用户接口读取用户输入(例如，输入用于给药的药物剂量或输入对推荐药物剂量的确认)，使信息在用户接口上显示，为用于显示的数据编排格式等。这里所描述的在指令中被编码的功能可由MDD 152代替地使用硬件或固件设计来实现，该硬件或固件设计不依赖于执行所存储的软件指令来完成这些功能。
存储器165可以由存在于MDD 152内的一个或多个不同功能单元共享，或者可以分布在它们中的两个或更多个之间(例如，作为存在于不同芯片内的单独存储器)。存储器165也可以是它自己的单独芯片。存储器165是非暂时的，并且可以是易失性的(例如RAM等)和/或非易失性存储器(例如ROM、闪存、F-RAM等)。
通信电路166可以实现为一个或多个组件(例如发射器、接收器、收发器、无源电路、编码器、解码器和/或其它通信电路)，其执行用于在相应通信路径或链路上进行通信的功能。通信电路166可以包括或耦接到一个或多个用于无线通信的天线。可以在’385公开文献中找到示例性天线的细节，该文献出于所有目的通过引用整体并入本文。
电源161可以包括一个或多个电池，其可以是可再充电的或一次性使用的电池。还可以包括电源管理电路，以调整电池充电和监测电源161的使用，提高功率，执行直流转换等。
MDD 152还可以包括集成的或可连接的体外葡萄糖计，包括体外测试条端口(未示出)，以接收体外葡萄糖测试条，用于进行体外血糖测量。
显示装置的示例性实施方式
显示装置120可以被配置为向用户显示与系统100相关的信息，并且从也与系统100相关的用户接受或接收输入。显示装置120可以以任何数量的形式向用户显示最近测量的分析物水平。显示装置可以显示用户的历史分析物水平以及描述用户的分析物信息的其它度量(例如，范围内的时间、动态葡萄糖曲线(AGP)、低血糖风险水平等)。显示装置120可以显示药物输送信息，如历史剂量信息以及给药时间和日期。显示装置120可以显示与分析物水平和/或药物输送相关的警报、警告或其它通知。
显示装置120可以专用于系统100(例如，一种设计和制造的主要目的是与分析物传感器和/或药物输送装置接口的电子装置)，也可以是多功能通用计算设备的装置，如手持或便携式移动通信装置(例如，智能电话或平板)，或膝上型计算机、个人计算机或其它计算设备。显示装置120可以被配置为移动智能可佩戴电子组件，如智能眼镜、或智能手表或腕带。例如，显示装置及其变型可以被称作“读取器装置”、“读取器”、“手持电子装置”(或手持装置)、“便携式数据处理”装置或单元、“信息接收器”、“接收器”装置或单元(或简称为接收器)、“中继”装置或单元、或“远程”装置或单元。
图4A是描绘显示装置120的示例性实施方式的示意图。这里，显示装置120包括用户接口121和其中保持显示装置电子装置130(图4B)的壳体124。用户接口121可以实现为单个部件(例如，能够输入和输出的触摸屏)或多个部件(例如，显示器和被配置为接收用户输入的一个或多个装置)。在该实施方式中，用户接口121包括触摸屏显示器122(被配置为显示信息和图形并通过触摸接受用户输入)和输入按钮123，两者都与壳体124连接。
显示装置120可以具有存储在其上的软件(例如，由制造商提供或由用户下载，以一个或多个“应用程序”或其它软件包的形式)，该软件与SCD 102、MDD 152和/或用户接口。此外，或可替代地，浏览器上显示的网页或可在显示装置120上执行的其它互联网接口软件可影响用户接口。
图4B是具有显示装置电子装置130的显示装置120的示例性实施方式的框图。这里，显示装置120包括用户接口121，该用户接口121包括显示器122和输入部件123(例如按钮、致动器、触敏开关、电容开关、压敏开关、微动轮、麦克风、扬声器等)、处理电路131、存储器125、通信电路126(该通信电路126被配置为与来自/去往显示装置120外部的一个或多个其它装置的通信)、电源127和定时电路128(例如，用于向SCD 102的部件提供时钟或其它定时的振荡器和锁相环)。每个上述部件可以实现为一个或多个不同的装置，或者可以组合成多功能装置(例如，处理电路131、存储器125和通信电路126集成在单个半导体芯片上)。显示装置120可以以高度互连的方式实现，其中电源127与图4B所示的每个部件耦接，并且其中通信或接收数据、信息或命令的那些部件(例如用户接口121、处理电路131、存储器125、通信电路126和定时电路128)可以通过例如一个或多个通信连接或总线129与每一个其它此类部件通信地耦接。图4B是位于显示装置内的典型硬件和功能的缩略表示，本领域的普通技术人员将容易认识到也可以包括其它硬件和功能(例如编解码器、驱动器、胶连逻辑)。
处理电路131可以包括一个或多个处理器、微处理器、控制器和/或微控制器，每个处理器可以是分立芯片或分布在多个不同芯片之间(以及部分)。处理电路131可以包括板上存储器。处理电路131可与通信电路126接口并执行模数转换、编码和解码、数字信号处理以及其它有助于将数据信号转换成适合于无线或有线传输的格式(例如同相和正交)的功能。处理电路131还可以与通信电路126接口，以执行接收无线传输并将其转换为数字数据或信息所需的反向功能。
处理电路131可以执行存储在存储器125中的软件指令。这些指令可使处理电路131处理原始分析物数据(或预处理的分析物数据)并达到适合于显示给用户的相应分析物水平。这些指令可以导致处理电路131从用户读取、处理和/或存储剂量指令，并且因为剂量指令被传送到MDD 152。这些指令可以使处理电路131执行适于向用户呈现图形用户接口屏幕的接交互式组的用户界面软件，以便配置系统参数(例如警报阈值、通知设置、显示偏好等)，向用户呈现当前和历史分析物水平信息，向用户呈现当前和历史药物输送信息，从用户收集其它非分析物信息(例如，关于所摄入的膳食、所执行的活动、服用的药物等的信息)，以及向用户呈现通知和警报。这些指令还可以导致处理电路131使通信电路126传送，可以使处理电路131读取并作用于所接收的传输，从用户接口121读取输入(例如，输入要给药的药物剂量或确认推荐的药物剂量)，在用户接口121上显示数据或信息，调整定时电路128的定时，处理从其它装置接收的数据或信息(例如分析物数据、校正信息、从SCD 102接收的加密或认证信息等)，执行与SCD 102建立和保持通信的任务，解释来自用户的语音命令等。这里所描述的在指令中被编码的功能可以由显示装置120代替地使用硬件或固件设计来实现，该硬件或固件设计不依赖于执行所存储的软件指令来完成这些功能。
存储器125可以由存在于显示装置120内的一个或多个不同功能单元共享，或者可以分布在它们中的两个或更多个之间(例如，作为存在于不同芯片内的独立存储器)。存储器125也可以是它自己的单独芯片。存储器125是非暂时的，并且可以是易失性的(例如RAM等)和/或非易失性存储器(例如ROM、闪存、F-RAM等)。
通信电路126可以实现为一个或多个部件(例如发射器、接收器、收发器、无源电路、编码器、解码器和/或其它通信电路)，其执行用于在相应通信路径或链路上进行通信的功能。通信电路126可以包括或耦接到一个或多个用于无线通信的天线。
电源127可以包括一个或多个电池，其可以是可再充电的或一次性使用的电池。还可以包括电源管理电路，以调整电池充电和监测电源127的使用，提高功率，执行DC转换等。
显示装置120还可以包括一个或多个数据通信端口(未示出)，用于与诸如计算机系统170、SCD 102或MDD 152之类的外部装置进行有线数据通信。显示装置120还可以包括集成的或可附连的体外葡萄糖计，该体外葡萄糖计包括体外测试条端口(未示出)以接收体外葡萄糖测试条用于执行体外血糖测量。
显示装置120可以显示从SCD 102接收的测量的分析物数据，并且还可以被配置为输出警报、警告通知、葡萄糖值等，这些警报、警告通知、葡萄糖值等可以是可视的、可听的、可触摸的、或其任意组合。在一些实施方式中，SCD 102和/或MDD 152还可以被配置为以可见、可听、可触摸形式或其组合输出警报或警告通知。进一步的细节和其它显示实施方式可以在例如美国专利公开号2011/0193704中找到，该专利的全部内容出于所有目的通过引用整体并入本文。
与剂量指导相关的示例性实施方式
以下示例性实施方式涉及由剂量指导系统100提供的剂量指导功能。在多种实施方式中，剂量指导功能将被实现为在一个或多个电子装置上存储和/或执行的一组软件指令。该剂量指导功能在本文中将被称作剂量指导应用程序(DGA)。在一些实施方式中，DGA在同一单个电子装置上存储、执行并呈现给用户。在其它实施方式中，DGA可以在一个装置上存储并执行，而在不同的电子装置上呈现给用户。例如，DGA可以在受信计算机系统180上存储和执行，而通过在显示装置120上执行的互联网浏览器显示的网页呈现给用户。
因此，存在许多不同的实施方式，其与用于存储、执行并向用户呈现DGA的电子装置的数量和类型相关。关于向用户的呈现，被配置为实现该能力的装置在本文将被称为用户接口装置(UID)200。图5是描绘UID 200的示例性实施方式的框图。在该实施方式中，UID200包括与用户接口202耦接的壳体201。用户接口202能够向用户输出信息并从用户接收输入或信息。在一些实施方式中，用户接口202是触摸屏。如这里所示，用户接口202包括可以是触摸屏的显示器204和输入部件206(例如按钮、致动器、触敏开关、电容开关、压敏开关、微动轮、麦克风、触摸板、软键、键盘等)。
本文描述的许多装置可以实现为UID 200。例如，在多种实施方式中，显示装置120将被用作UID 200。在一些实施方式中，MDD 152可以实现为UID 200。在其中SCD 102包括用户接口的实施方式中，则SCD 102可以实现为UID 200。计算机系统170也可以实现为UID200。
检测MDI剂量策略
现在转向DGA的方面，更具体地说，DGA可以使用患者的配药策略和分析物水平的知识，以便提供精确的剂量指导。本文描述了用于自动检测患者配药策略的示例性实施方式，其能够简化和加速DGA的设置。可以基于所监测的药物(例如胰岛素)剂量的许多特性来检测配药策略。例如，所述实施方式可以基于用于给药剂量的MDD 152将剂量识别为基础剂量或推注。一些患者可以具有多于一个的MDD 152。例如，患者可以具有一个给药长效胰岛素(例如基础剂量)的MDD和另一个给药速效胰岛素(例如膳食剂量)的MDD。每次给药的基础剂量的计数(例如，剂量数量)和定时也可用于将基本策略分类为“单个”或“拆分(split)”基础配药策略。例如，在“拆分”基础配药策略中，每日20U的基础剂量可分成两个10U剂量，其中一个剂量可在睡前给药，另一个剂量可在睡醒时给药。
当紧密连续地给药连续推注时，该系统可以试图区分原始膳食剂量、原始膳食剂量的增加、或餐间高葡萄糖的校正剂量。当DGA快速检测到小剂量和随后的较大剂量时，两种剂量都紧随膳食开始发生，DGA可以将这些剂量组合在一起作为单一的膳食剂量，即使第一剂量可能是未注射到患者体内的启动剂量。之后，如果剂量发生在已知的膳食之后很久和/或标记为膳食剂量的剂量(组)，DGA可以将较晚的剂量标记为餐后的高餐后葡萄糖的校正剂量，或者标记为前一餐剂量的增加以解决额外的食物消耗。当识别到膳食事件时，基于膳食检测器算法或用户输入的膳食事件，DGA可以使用先前剂量事件的量和相对于当前检测的膳食的定时来帮助描绘先前剂量是否是多个膳食剂量中的第一个，而不是膳食之间的高葡萄糖的校正。假定校正剂量小于餐时剂量。此外，如果在前一剂量和当前膳食事件之间经过的时间足够长，可合理假设这两个事件与治疗相同的葡萄糖偏移事件无关，消除了先前剂量是给定膳食的多个剂量中的第一个剂量的可能性。因此，如果较早的剂量足够小于先前几天在该窗口内记录的膳食剂量，并且足够地远离当前膳食，则可将较早的剂量分类为校正剂量事件。
DGA可以被配置为使用实时膳食检测算法和剂量的时间来识别除基础剂量之外的附加剂量作为早餐、中餐和/或晚餐推注剂量、和/或校正剂量。DGA还可以被配置为使用每天的推注剂量的数量来将配药策略识别为仅基础、基础加1、基础加2等。
在说明书的其他地方更详细地讨论了DGA的这些不同情况和方面。
活性(On-Boarding)
为了增加DGA的安全性曲线，HCP可以批准学习的胰岛素剂量参数和随后由DGA计算的滴定。DGA实施方式包括在HCP和DGA之间交互的多种方法，从而以简洁的信息方式向HCP提供相关证据以批准建议的剂量学习和滴定，这改进了工作流程。
对于已经处于胰岛素配药方案中的糖尿病患者，HCP可以利用现有的报告来了解患者，用于识别可从剂量指导中受益的用户的葡萄糖模式。DGA的实施方式提供了能够对患者的配药策略和趋势进行分类的学习时段(例如，在使用DGS 100时)。如果组合的胰岛素和葡萄糖数据进一步证实用户是DGA的好候选，例如，DGA能够学习其特定配药策略的候选，在学习期间学习的胰岛素剂量参数可以用作剂量指导的初始条件，其可以根据DGA的需要被滴定。还可以提供用于DGA的剂量参数初始化和滴定的HCP通知方法。该方法可以通过简化DGA活性和滴定来帮助HCP和用户两者，同时也有助于确保DGA仅由其所指示的那些人使用。当DGA不能学习患者的剂量参数时，DGA可以指示患者配药不一致，HCP可以使用其来解决与患者配药不一致的问题。
识别潜在DGA用户的第一步可以涉及通过患者的葡萄糖浓度曲线对其血糖控制的介绍性分析。为了促进DGA对尽可能多的用户的访问，该过程不知道用户当前的葡萄糖监测方法。
对于目前使用SCD 102的糖尿病患者，葡萄糖模式报告可以是可用的，其包括关键度量、葡萄糖浓度曲线(例如，动态葡萄糖曲线(AGP))、针对一天中的不同时间识别的模式、以及滴定和生活方式建议以改善葡萄糖始终在目标范围之外的情况。可以使用GPA算法来识别模式，如在别处更详细地描述的。如图6所示，示例性的葡萄糖模式报告250。本领域的技术人员将理解，葡萄糖模式报告250可以是输出到计算设备的显示器的图形用户界面。葡萄糖模式报告250可以包括范围内时间(TIR)显示252，其显示患者的葡萄糖水平低于目标范围(例如低于70mg/dL)、在目标范围内(例如，70-180mg/dL)内和高于目标范围(例如，高于180mg/dL)的时间百分比。TIR显示252还可以报告患者的葡萄糖水平低于低阈值(例如，低于54mg/dL)(其低于目标范围的低边界)或高于高阈值(例如，高于250mg/dL)(其高于目标范围的高边界)的时间量。TIR显示252可以包括直方图，其中不同的范围以不同的颜色显示。例如，低于目标范围的时间可以用红色显示，目标范围内的时间可以用绿色显示，高于目标范围的时间可以用黄色或橙色显示。葡萄糖模式报告250还可以显示报告的时间段264(例如约14天)的平均葡萄糖水平254。葡萄糖模式报告250还可以显示葡萄糖浓度曲线256，如动态葡萄糖曲线(AGP)。葡萄糖浓度曲线256是报告时间段的葡萄糖数据的曲线图，其中图的各种数据点可以进行彩色编码以对应于葡萄糖分析物水平是低于目标范围、在目标范围之内还是高于目标范围。颜色编码可以对应于TIR显示252的颜色编码。围绕葡萄糖浓度曲线256的不同部分的方框258突出显示模式(例如，高、低、中或中高、中或中低、及其组合)，其根据GPA算法检测，在说明书的别处进行讨论。
如果已知患者的当前治疗(例如，基础加RA胰岛素、仅基础、基础加SU等)，则在葡萄糖模式报告250中也可以提供药物考虑260。可以以文本推荐的形式提供药物指导。可以基于所识别的高和低葡萄糖模式来提供关于滴定胰岛素剂量的一般推荐，所述高和低葡萄糖模式在葡萄糖浓度曲线256中以方框258突出显示。然而，可以在不需要获得关于所给药的实际胰岛素剂量的数据的情况下确定该一般建议。推荐通常可以遵循在减轻高模式之前首先减轻任何低模式的规则。如果葡萄糖模式报告含相关于胰岛素剂量滴定的建议，则葡萄糖模式报告250也可以包括关于患者是DGS 100的好候选的建议，这有助于在过渡到学习时段之前在HCP和患者之间进行交流。
当GPA算法已经识别出具有高可变性的模式时，可以在葡萄糖模式报告250中显示自我护理考虑262。可替代地，葡萄糖浓度分布256可能具有如此高的可变性，使得报告后面的逻辑不能做出特定建议，而是默认用户与他们的HCP协商生活方式或治疗改变。
对于当前不使用与如上所述能够生成葡萄糖模式报告250的应用程序相关联的装置或系统(例如，SCD 102)的人，HCP能够建议通过不同的装置或系统来监测患者，从而能够生成报告250或类似的报告。例如，患者可佩戴SCD 102以在多天或多周时间内收集葡萄糖数据，其中SCD 102被配置为屏蔽或盲模式，其中用户不能访问所测量的葡萄糖水平，因此在这段时间内不能改变他或她的行为。根据这些数据，可以生成葡萄糖模式报告。如果建议的胰岛素滴定包括在葡萄糖模式报告中，那么葡萄糖模式报告250也可以包括病人是DGS100的好候选的推荐，并且可以建议药物配药策略的学习时段。
在学习期间，可以将MDD 152与用于初始筛选的葡萄糖感测系统结合，以提供胰岛素密集型糖尿病管理的更完整的描绘。学习时段可以利用如本文别处所述的算法来检测用户的胰岛素配药策略。在学习期间，DGA可以被配置为确定用户确定餐时剂量的方式。例如，DGA可以基于碳水化合物计数技术，经验技术，诸如一种用户根据对膳食或类似膳食的过去经验学习适当剂量的技术，来确定用户是否正在确定餐时剂量、用户是否为膳食配药固定的胰岛素量、用户是否基于餐前葡萄糖值改变胰岛素膳食剂量(由固定配药、碳水化合物计数或经验剂量确定)、用户是否在确定剂量(由固定配药、碳水化合物计数或经验剂量确定)时考虑到来自先前注射(IOB)的残留胰岛素，则基于餐前葡萄糖值来计算碳水化合物计数或经验剂量，或者其它技术。DGA还可以确定用户的餐时剂量是否根据膳食类型(例如早餐、午餐和晚餐)而固定，或者餐时剂量是否变化。餐时剂量正在变化的确定可以是用户基于碳水化合物计数技术的餐时剂量的指示。DGA还可以确定用户是否正在调整餐时剂量以解决餐前葡萄糖高的问题。在一些实施方式中，DGA还可以确定目标葡萄糖水平，其中当用户的水平高于或预测高于目标葡萄糖水平时，用户正在调整或校正餐时剂量。DGA还可以确定哪些膳食与胰岛素剂量相关联。DGA还可以确定错过膳食剂量的模式。例如，DGA可以检测用户是否在一段时间(例如一周或两周)内至少两次、或者至少三次没有服用与膳食或时间段相关的胰岛素剂量。
学习时段可以持续足以获得所需信息的任何时间段。在多种实施方式中，该时段是至少两天，更优选一周或更长(例如14天)，并且可以根据DGA能够学习趋势的程度而变化。结果可以被编译成用于用户和医师两者的概要报告。
学习方法
DGS 100的手动配置可能需要HCP的时间，HCP可能没有足够的可用时间。此外，即使HCP时间可用，配置也可能是复杂的并且可能容易出错。为了缓解这些问题，在DGA中可以包括其中不需要设置或仅需要最小设置的患者参数初始化(PI)模块。PI模块学习患者的配药策略，该配药策略可以包括例如仅基础、基础加1、基础加2等，并且使患者的药物配药实践参数化，以通过DGA配置剂量指导设置。
根据实施方式的一个方面，PI模块的学习过程可以包括根据观察到的数据自动配置患者剂量指导设置。一旦成功地获知了这些设置，DGS 100就可以进入指导模式，其中患者可以请求剂量指导并接收关于配药的通知。在指导模式之前的学习过程中，DGA可以处理由患者SCD 102、UID 202和/或其它装置收集的葡萄糖和胰岛素数据，并基于处理后的数据来确定配药信息。
配药信息可包括例如剂量疗程、膳食剂量类型、剂量参数和剂量范围。剂量疗程可以包括例如基础剂量加BF、基础加LU、基础加DI、基础加BF/LU、基础加BF/DI、基础加LU/DI、以及基础加3，其中BF表示“早餐”；LU表示“午餐”；DI表示“晚餐”。也可以包括其它方案，例如午点剂量。膳食剂量类型可以包括例如固定膳食剂量或可变膳食剂量。剂量参数可以包括例如每顿膳食的标称固定剂量或碳水化合物比、餐前校正因子(CF)和餐后CF。剂量范围可以包括最低膳食剂量的估计。
对于上述每个配药信息类型，DGA可以确定累积数据对于确定配药信息是否足够。在一些实施方式中，患者的SCD 102可以被配置为操作预定义的时间段，例如14天。在这些实施方式中，DGA可以在预定时间段之后(或者如果传感器在该时间段结束之前停止工作，则更早)确定可用的分析物和配药数据是否足以确定上述每个配药信息。如果是，DGA可以执行参数化方法300并允许开始剂量指导模式。在另一种实施方式中，在学习期间(例如每天一次)，周期性地，DGA可以确定数据是否足以确定上述每一个配药信息。在任一情况下，当收集的数据足够多时，DGA可以结束学习时段，执行参数化，并开始引导时段。如果否，则DGA可以继续学习过程。
参考图7，DGA可以被配置为在适当的计算设备上执行方法300，例如UID 200、SCD102、MDD 152，单独地或者以任何组合的形式。用于执行方法300的程序指令可以被分组到PI模块或任何其它适当的代码配置中。总而言之，该方法300可以包括：在步骤302，由DGA基于表征患者的分析物的数据以及患者在分析时段内所接收的药物剂量，对患者在分析时段内所接收的药物剂量中的每一个进行分类。方法300还可以包括：在步骤304，将一组餐时群之一中的每个剂量进行分组。该方法还可以包括在步骤306，至少部分地通过将每顿膳食时间组的数据应用于模型来生成患者的剂量参数。该方法可以包括在步骤308，将剂量参数存储在计算机存储器中以配置剂量指导设置。在本文所述的实施方式中，分析物可以是葡萄糖，或者可以包括患者葡萄糖水平的指示符，并且药物可以是胰岛素，或者可以包括胰岛素。剂量指导设置可以由DGA用于开发剂量指导，或者被提供给接口装置，例如UID 200或健康护理医师终端，用于输出。下面描述方法300中的每个操作的更详细的方面。本文所用的“PI模块”指的是DGA的一个或多个部分，其执行方法300的操作和任何辅助操作。PI模块不限于特定的配置，并且可以包括计算机代码的各种配置。
一方面，分类操作302可包括将药物(例如胰岛素)的每一剂量分类为膳食剂量、校正剂量和/或模糊剂量之一。如果DGA不能将药物剂量分类为膳食剂量或校正剂量到限定的置信度，则DGA可以将剂量分类为模糊的，并且可以省略所述剂量在产生用于剂量指导的剂量参数中的使用。
DGA可以通过一系列两个操作来执行药物剂量分类，本文称作特征提取和分类。将其与图7相关联，分类操作302可以包括生成将一组分类特征与每个剂量相关联的特征矩阵。在一些实施方式中，DGA可以配置胰岛素注射时间戳的向量、包括来自患者SCD 102的分析物测量的数据文件、以及来自本文别处讨论的膳食检测算法模块的结果，作为输出用于胰岛素剂量分类的特征矩阵的函数的输入。特征矩阵的行数可以指示在相关分析期间注射的数量或等效药物配药事件。特征矩阵中的每一行可以是或可以包括用于单个配药事件的特征向量。在用于对胰岛素注射进行分类的实施方式中，每个向量可以包括如下所述的元素，在此称作分类特征。DGA可以基于相对于胰岛素注射时间在时间范围内，例如在-2.5和1.5小时之间的葡萄糖监测数据的相应区段来确定特征向量的每个元素。
在实施方式中，分类特征可以包括每个剂量的药物时间，例如由MDD152记录胰岛素注射或由患者使用UID 200记录胰岛素注射的一天中的时间。
分类特征还可以包括时间滤波的分析物值，例如，使用Savitsky-Golay滤波器、低通滤波器、带通滤波器，诸如局部估计的散点图平滑之类的非参数平滑滤波器或其它滤波器滤波的葡萄糖值。一方面，Savitsky-Golay滤波器在15分钟的采样间隔上可以是2阶、帧长度为7。
分类特征还可以包括最接近于药物时间的分析物值的变化率，例如通过以最接近药物(例如注射)时间的数据点为中心的五个分析物数据点的线性回归(例如使用15分钟的采样间隔)计算的分析物(例如葡萄糖)值的变化率。
分类特征还可以包括左侧的曲线下面积(AUC)度量，其指示多个分析物值与在药物时间之前的时间间隔上最接近药物时间的分析物值之间的积分差。例如，为了获得左侧的AUC度量，通过从时间窗(例如，2.5小时)内的过滤的分析物数据中收集所有数据点，从注射时间开始计数，然后计算收集的数据点的平均分析物值与最接近注射时间的数据点(即参考数据点)之间的差值，并通过将该差值乘以时间窗口的持续时间来计算左侧的增量AUC，DGA可以计算左侧的AUC度量。
分类特征还可以包括右侧的AUC度量，指示多个分析物值与在药物时间之后的时间间隔上最接近药物时间的分析物值之间的积分差。例如，通过从时间窗(例如，1.5小时)内的过滤的分析物数据中收集所有数据点，从注射时间开始计数，然后计算收集的数据点的平均分析物值与最接近注射时间的数据点(参考数据点)之间的差值，并通过将该差值乘以时间窗口的持续时间来计算右侧的增量AUC，DGA可以计算右侧的AUC度量。
分类特征还可以包括在药物时间之间经过的时间。例如，对于每个注射时间，通过从当前注射时间中减去先前注射时间，DGA可以计算先前注射时间和当前注射时间之间的经过时间。对于胰岛素日志中的第一注射时间，因为没有先前的注射时间可用，DGA可以计算从第一SCG时间数据点到当前注射时间的经过时间。此外，例如，通过从下一次注射时间中减去当前注射时间，DGA可以计算当前和下一次注射时间之间的经过时间。对于胰岛素日志中的最后注射时间，因为没有下一个注射时间可用，DGA可以计算从当前注射时间到最后SCG时间数据点的经过时间。在反向和正向计算中，如果经过的时间大于预定的最大值，例如12小时，则DGA可以将经过的时间值设置为等于最大时间。
分类特征还可以包括在给药时间之前的限定间隔内膳食开始的概率，例如，在注射之前的时间窗(例如，1.5小时)内膳食开始的概率的最大值。可由膳食检测模块计算该概率，如本文别处所述。
分类特征还可以包括从最近膳食开始经过的最可能的时间间隔，例如，从最大膳食开始概率点(例如，由膳食检测模块确定)相对于注射时间的经过时间。
分类特征还可以包括在药物时间之后的限定间隔内膳食开始的概率，例如，在注射后2小时内膳食开始(由膳食检测模块确定)的概率的最大值。
分类特征还可以包括直到下一餐的最可能的时间间隔，例如，从注射时间到膳食注射后的最大膳食开始概率点(例如，由膳食检测模块确定)的预测经过时间。
如所指出的，计算一些分类特征包括估计患者在分析期间每次进食膳食的时间，并且下面更详细地描述估计餐时的方法。简而言之，估计每顿膳食的时间还可以包括由DGA基于时间相关的分析物数据生成特征矩阵，其中特征矩阵将一组分析物(例如葡萄糖)数据特征与被分类为上升、下降前面(fall-preceding)和下降的每个不同区域相关联。该组分析物数据特征可以是、或者可以包括最大分析物变化率、最大分析物加速度、最大分析物加速度点处的分析物值、区域的持续时间、区域的高度、最大减速度、区域中变化的平均速率和最大分析物加速度的时间。估计还可包括使用如下所述的算法基于所述特征矩阵生成估计的餐时。
在下面的段落中描述了用于方法300或其它用途的追溯性餐时检测算法的更详细的方面。此后，继续描述方法300的其它方面。通过执行一个或多个代码模块，例如特征提取模块和膳食检测模块，基于与时间相关的分析物数据，DGA可以执行追溯性餐时检测。当由DGA执行时，特征提取模块可使DGA接收葡萄糖时间系列作为输入，并输出将被传递到追溯性膳食检测模块以检测响应膳食事件的葡萄糖偏移的特征矩阵。
DGA可以使用如下所述的以下操作来执行特征提取，所述操作可以被分成三个子操作的序列：平滑、分段和提取。
在平滑子操作中，DGA可以使用Savitzky-Golay滤波器(2阶)来平滑分析物(例如葡萄糖)时间序列，并计算每个分析物数据点处的变化率和加速度。过滤器的帧长参数可以是在第一时间间隔(例如60分钟)内收集的数据点的数量；因此，采样是间隔相关的。通过取关注点与其前后的第二间隔(例如15分钟)的点之间的平滑分析物值的前向和后向差的平均值，其中第二间隔小于第一间隔，例如等于第一间隔的1/4，DGA可以计算变化率。类似地，通过取关注点与其前后的第二间隔(例如15分钟)的点之间的分析物变化率的前向和后向差的平均值，DGA可以计算加速度。
在分段子操作中，DGA可以将平滑的分析物迹线分段成单调增加(即，上升)和降低(即，下降)区域。每个上升区域被认为是响应于膳食事件的葡萄糖偏移的候选区域。
在提取子操作中，DGA可以从数据中提取特征，例如16个特征，这些特征可以是或可以包括来自每个上升区域的特征(例如八个(8个)特征)、前面的下降区域(例如四个(4个特征)、以及随后的下降区域(例如，四个(4个)特征)。DGA可以从上升特征中提取的特征包括例如：1)最大分析物变化率，2)最大分析物加速度，3)最大分析物加速度点(参考点)处的分析物值，4)上升区域的持续时间(从参考点到区域的最后点的经过时间)，5)区域的高度(最后一点与参考点之间的平滑分析物值的差)，6)最大减速度(具有最大绝对值的负加速度)，7)区域内的平均变化率(高度/持续时间)，和8)参考点的数据的时间。还例如，从前面和随后的下落区域中提取的四个(4个)特征可以包括：1)下落区域的高度，2)下降区域的持续时间，3)区域的平均速率(高度/持续时间)，和4)葡萄糖变化速率的最大绝对值。由特征提取模块输出的特征矩阵中的行数可以与平滑的葡萄糖时间序列中的上升区域的数量相同。
根据实施方式的另一方面，追溯性膳食检测模块可以将特征矩阵作为输入，并输出每个上升区域的二元检测结果。此类输出可以包括：二元分类结果，以及每个上升区域是响应于膳食事件的分析物(例如葡萄糖)偏移的概率值。DGA可以将每个上升区域的概率值分配给其参考点。例如，在一些实施方式中，用于膳食检测的预先训练的机器学习模型可以由scikit-learn使用RandomForestCrystalifier来实现(https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestClassifier.html)。膳食检测模块可以基于在训练过程中构造和优化的多个决策树来检测膳食诱导的餐后葡萄糖偏移。在可替代实施方式中，DGA可以基于可替代分类算法，例如梯度提升(gradientboosting)、自适应提升(ada boost)、人工神经网络、线性判别分析和附加的树，来构建预先训练的模型。
再次参考图7的方法300，分类操作302可以将患者的特征矩阵作为输入，并输出用于每个相关药物事件(例如，用于每个胰岛素注射)的二元分类结果。例如，DGA可以输出二元数据，“1”表示膳食剂量，“0”表示非膳食剂量。根据一些实施方式，分类操作302可以使用膳食检测结果，在这种情况下，可以在胰岛素剂量分类之前执行膳食检测。正如对于追溯性的餐时检测所注意到的，分类操作302可以包括预先训练的机器学习模型，例如由scikitlearn使用RandomForestClassifier实现的模型(以上引用)。由DGA实现的机器学习模型可以基于训练过程中优化的每个决策树中的各种特征的建树规则和阈值进行分类。可替代地，也可以通过其它机器学习算法来训练该模型，包括梯度提升(gradient boosting)、自适应提升(ada boost)、人工神经网络、线性判别分析和附加的树。在DGA成功地对每个剂量进行分类之后，它可以继续确定剂量疗程和剂量参数。
在步骤304，方法300可以包括DGA将一组餐时群或群集之一中的每个剂量进行分组。例如，DGA可以通过对膳食剂量的药物(例如注射)时间进行聚类分析来确定配药策略。DGA可以执行以注射时间为输入的聚类模块，该聚类模块使用K-均值算法与肘部法则(elbow method)一起实现，并输出每个注射时间的最佳聚类数量K(最大3)和聚类索引。群集K的最佳数量可以是患者每天摄入的膳食剂量的数量。使用每次注射的聚类指数，DGA可以根据聚类指数将膳食剂量分成K组。
DGA可以将这些组识别为早餐、中餐或晚餐(B、L、D)如下：对于每个组，DGA可以通过计算该组的中值TOD来确定典型的一天中的时间(TOD)。可替代地，DGA可以使用一些其它质心度量。如果K＝3，则DGA可以在典型组TOD之间的最长时间段之后将早餐与该组相关联。然后，下一组是午餐，最后一组是晚餐。如果K＝2，则DGA可以使用关于每顿膳食之间的时间的假定规则来估计哪一组与早餐、午餐或晚餐相关联。例如，如果两个组彼此相距超过六(6)小时，那么DGA可以将这些组识别为早餐和餐桌。否则，如果第一组在早上10点之前出现，那么DGA可以将该组识别为早餐和晚餐；否则，识别为午餐和晚餐。在一个可替代实施方式中，在DGA识别出用于膳食事件的典型时间之后，DGA可以提示用户识别与每个典型时间相关联的膳食。又例如，在一个可替代实施方式中，通过估计膳食关联然后提示用户确认，DGA可以组合这里所述的两种方法。另一种可替代方法可以包括分析葡萄糖数据以识别膳食并将膳食聚类以检测典型餐时。这对于在K＝2的情况下区分膳食是有用的；也就是说，识别没有摄入剂量的膳食。
一旦剂量被分组到餐时群集中，在步骤306，DGA可以至少部分地通过将每顿膳食时间组的数据应用于模型来执行为患者产生剂量参数。例如，对于每顿膳食组(B、L、D)，DGA可以将每个对应的餐前葡萄糖水平组与对应的膳食剂量配对。DGA可以用适当的模型拟合每组，例如具有零斜率的线性函数、具有非零斜率的线性函数、在单个点处连接的分段线性函数、或非线性函数，它近似于连接的分段模型但在连接点周围具有平滑的曲率。其它模型也是合适的。
DGA可以通过最小化关于模型参数的平方残差之和(SSR)来执行模型拟合和参数估计。然后，DGA可以使用搜索算法来找出导致SSR最小值的最佳参数。对于线性模型，DGA可以使用Nelder-Mead单纯形方法来拟合。对于非线性模型，DGA可以使用Levenberg-Marquardt算法。也就是说，DGA可以针对线性模型使用Nelder-Mead单纯形数值优化方法，针对非线性模型使用Levenberg-Marquardt优化方法。将数据拟合到这些模型的可替代方法也是可能的。
当优化期间的迭代次数超过收敛准则时，模型不能拟合，并且DGA可以排除不能拟合的模型作为候选模型。此外，DGA可以应用某些规则以使参数估计中的不确定性最小化，例如，通过需要至少三个大于估计阈值葡萄糖的餐前葡萄糖数据点来验证估计的校正因子；通过需要至少三个小于估计阈值葡萄糖的餐前葡萄糖数据点来验证估计的固定剂量；需要参数截距的95％置信区间以排除零；或者需要模型斜率的95％置信区间以排除零。
数据不足可能导致模型拟合失败，从而排除特定模型作为候选模型。DGA可以用赤池信息准则(Akaike Information Criterion)(AIC)来评估每个模型，并选择具有最低AIC值的模型作为每顿膳食组的优选模型。
一旦选择了每顿膳食时间群集的模型，DGA就可以基于每顿膳食时间群集的所选模型来确定剂量参数，所述剂量参数包括例如固定剂量胰岛素量、目标葡萄糖水平和校正因子。DGA可以将目标葡萄糖水平和校正因子确定为所有组的单个值，如以下段落中更详细地描述的。在可替代实施方式中，DGA可以为每组单独确定目标葡萄糖水平和校正因子，并将单独确定的参数用于下游剂量指导操作。
根据实施方式的另一方面，DGA可以形成组合的数据组，用于为患者获得更精确的校正因子。例如，针对每顿膳食组的各种模型拟合剂量数据以选择最佳模型并估计固定剂量胰岛素量之后，DGA可以从每顿膳食组的相关膳食剂量中扣除固定剂量胰岛素量。剩余的非零值对应于具有校正量的剂量。然后，这些非零值可以从所有三个膳食组(B、L、D)组合以形成组合组。如果不能确定一个组的固定剂量胰岛素量，则DGA可以从组合组中排除该组的数据。然后，该系统可以重复用于为组合组寻找最佳拟合模型的操作，或者可以使用当单独分析组时识别的相同模型。该组合组方法的使用假定患者在所有膳食中具有相同(或恒定)的校正因子和目标葡萄糖，并且该组合组提供更大的样本规模以潜在地更精确地拟合。在DGA基于最佳拟合模型确定目标葡萄糖水平和校正因子之后，DGA已经完成了对剂量参数的估计。然后，在步骤308，DGA可以将剂量参数存储在用于配置剂量指导设置的计算机存储器中。
另一方面，DGA可以通过将优选模型的AIC值与阈值(如50、或75、或100)进行比较，来确定患者是否潜在地对碳水化合物计数(例如，改变他们的膳食剂量以解决碳水化合物消耗)。如果AIC值大于阈值，则DGA可以确定患者正在进行碳水化合物计数，并通过UID 200要求患者确认。
在可替代实施方式中，可以省略上述一个或多个操作，并通过请求患者或HCP手动提供信息，或通过从诸如EMR或另一软件程序之类的另一来源提取信息来代替上述操作。然而，方法300应当可用于各种应用，而不需要超过SCD和MDD所能提供的信息。
学习期间的用户反馈
现在将描述用于在DGA的学习时段期间或之后获取用户反馈的方法的示例性实施方式。在使用DGA的初始学习阶段，可以提示用户进行反馈。用户反馈可以向用户提供系统正在进行中的指示。DGA可以提示用户反馈(例如，输入或确认)关于剂量指导的任何方面，包括缺少关于以下方面的信息：给药剂量、分析物历史、患者行为或活动、通常配药策略、特定剂量的类型、确认DGA所确定的(例如，由系统学习的)剂量类型或策略是正确的、等等。
在学习期间(或之后)，DGA可以在UID 200上输出请求用户反馈的提示或其它指示。该反馈可以涉及配药策略，例如与胰岛素作用类型(例如长效和/或短效或速效)相关的策略。如果反馈(或其它确定)指示正在使用长效策略，则对于第一时间段，例如前三(3)天，DGA可以监测患者的基础配药模式，以将每个剂量或配药模式分类为单个或分开的剂量类型，和/或以时间段(例如，早上单次剂量、晚上单次剂量、或分次剂量(例如，早晚两次)表征其剂量。DGA还可以确定关于剂量(例如中值、平均值)和相关剂量变化的趋势。根据该信息，DGA可以产生预期的基础剂量。在第一时间段之后，如果所给药的实际剂量(例如，由MDD152自动登记或由用户输入)不同于预期，则可以提示用户进行反馈。
根据实施方式的一个方面，可以在许多不同的情况下提示用户。例如，DGA可以被配置为检测错过剂量，如在给药先前基础剂量或推注剂量的时间段内用户没有服用剂量或推注剂量的情况下。如果检测到错过剂量，则DGA可以被配置为请求来自用户的关于在该时间段内是否给药基础剂量的输入。根据一些实施方式，DGA还可以被配置为检测剂量定时的差异。例如，DGA可以被配置为检测用户何时在与给药先前基础剂量的一天时间段不同的一天时间段中给药基础剂量(例如，通常早上给药的基础剂量在晚上给药)。当检测到这种给药定时的差异时，DGA可以被配置为请求来自用户的关于基础剂量是否在不同时间段内给药的输入。在实施方式的另一方面，DGA还可以被配置为检测何时已经给药附加的剂量。例如，DGA可以被配置为检测一天中给药的基础剂量的数量变化。在实施方式的又一方面，DGA可以被配置为检测第一天的配药策略(例如，给药一个基础剂量)与第二天的配药策略(例如，给药两个基础剂量)是否不同。当检测到不同的配药策略时，DGA可以被配置为请求来自用户的关于用户是否已经采用了在第二天使用的配药策略作为新的配药策略的输入。在实施方式的又一方面，DGA还可以被配置为检测是否给药了不同的剂量。例如，DGA可以被配置为检测在一天的时间段中给药的第一剂量是否不同于(小于或大于)在前一天的时间段中给药的先前剂量。当检测到不同的剂量时，DGA可以被配置为请求来自用户的关于用户是否已经改变了剂量的输入。
用户对这些提示的响应可以允许DGA确认它已经识别了正确的模式(例如，用户确认他们错过了他们的早上基础剂量，但是他们通常会摄入)或为用户提供校正该模式的机会(例如，用户在摄入之前通知DGA他们根据他们的葡萄糖调整基础剂量)。
对于速效胰岛素配药策略，除了上述提示之外，DGA还可以包括关于剂量分类的提示。剂量分类可以包括但不限于推注、校正、分开剂量、推注+校正、以及推注+碳水化合物计数+校正分类。
可以在关于速效胰岛素配药的许多不同情况下提示用户。DGA可以被配置为检测是否给药了与膳食无关的剂量。例如，DGA可以被配置为确定在未识别或检测到膳食的时间段内是否摄入了剂量。如果DGA检测到剂量被摄入并且在给药的时间段内没有检测到膳食(例如，在给药的约1小时内)，DGA可以向用户请求关于给药原因的输入(例如，因为他们进食了，因为他们降低了他们的葡萄糖，或者因为他们完成了更早的膳食剂量)。DGA还可以被配置为检测膳食剂量是否与关联相同膳食类型的先前膳食剂量不匹配。例如，DGA可以被配置为确定与第一膳食类型相关联并在一天的时间内给药的推注剂量是否不同于与第一膳食类型相关联并于前一天在一天的时间内给药的先前推注剂量。在检测到推注剂量的这种差异的情况下，DGA可以被配置为确定不同剂量的原因。例如，DGA可以被配置为确定与推注剂量和先前推注剂量相关联的餐前葡萄糖值的差值以确定所检测的差值是否是校正量。DGA还可以向用户请求关于推注剂量差异的原因的输入(例如，因为他们食用更少/更多的食物和/或他们正在校正高血糖，和/或他们正在校正其它因子)。
除了使DGA能够确定全天摄入何种类型的速效剂量外，这使得DGA能够有助于何时期望剂量。在未提供提示的学习时段之后，DGA可以在剂量不同于预期剂量的情况下向用户提供这些提示，以便改进用户的配药策略的DGA模型。
对于长效剂量和速效剂量，DGA可以旨在随着时间的推移和用户的响应而使提示的数量减少。可以强调在开始阶段频繁的提示，并且当观察到重复模式时逐渐变少。
用于MDI胰岛素配药治疗的葡萄糖模式分析和膳食推注滴定
现在将描述用于确定膳食推注滴定的方法的示例性实施方式。一旦该系统学习(或配置有)患者的当前配药策略，该系统就可以为每日多次注射(MDI)配药治疗提供滴定指导。对于使用固定膳食配药的患者，可以滴定固定剂量(例如，用于早餐、午餐、晚餐、点心等)。对于正进行碳水化合物计数的患者，可以针对这些相同的膳食或针对一天中的不同时间滴定碳水化合物比率。使用经验配药的患者可以基于每顿膳食滴定他们的剂量。DGA的滴定指导可以提供在特定方向上改变剂量或碳水化合物比例的推荐。改变的量可以是适当的百分比改变，例如5％、10％、15％等。剂量指导还可以包括开始膳食剂量。例如，如果患者处于基础+1(例如，午餐剂量)疗程，并且早餐显示出高模式，则DGA可以提供早餐给药RA胰岛素的推荐。
DGA可以要求定义配药类别，如一天中的时间(TOD)时段、膳食类型(例如早餐)和膳食的组成(例如含牛奶的谷物)。例如，配药类别可以是一天中的时间，由与一天中的时间段的膳食胰岛素剂量相关联的时间段定义。又例如，早餐后的时间段可以定义为从例如在一天中的定义时间段内(例如，在早上5点到早上10点之间)摄取膳食胰岛素剂量时开始，并在规定的餐后时间(例如6小时后)后结束，或者在摄入下一餐胰岛素剂量时，以较早的为准。可需要一个或多个度量来定义餐后血糖反应是标称的还是需要校正，或者将餐后血糖模式排序为比另一个更有利或更不有利。低葡萄糖(LLG)度量和中值葡萄糖的似然性可分别用于量化低血糖风险和高血糖风险的程度。
美国专利公开号2018/0188400(‘400公开文献)描述了用于导出和确定可用于DGA实施方式的葡萄糖模式分析(GPA)中的风险度量的实施方式，出于所有目的通过引用将其整体并入本文。该实现方式尤其利用来自多天时段的中心趋势(例如平均值、中值等)和可变性数据来确定与低血糖风险程度(“低血糖风险”)相对应的风险度量。本文总结了该实施方式，并且通过参考‘400公开文献可以获得对该实现方式及其变化的更详细的描述。
‘400公开文献中描述的实现方式的替代方案列于美国专利公开号2014/0350369中，出于所有目的通过引用将其整体并入本文。例如，代替使用中间值和可变性，该方法可以使用定义数据分布的任意两个统计测量。如’369公开文献中所述，统计测量可以基于葡萄糖目标范围(例如，GLOW＝70mg/dL和GHIGH＝140mg/dL)。与目标范围相关的常用测量是目标范围内的时间(TIR)、高于目标的时间(tAT)和低于目标的时间(tBT)。如果将葡萄糖数据建模为预定阈值GLOW和GHIGH的分布(例如，γ分布)，则可以计算出tAT和tBT。对于阈值，算法还可以定义tBT_HYPO，其中如果tBT超过，则可以将患者确定为高血糖风险。例如，高血糖风险可定义为每当tBT对于GLOW＝70mg/dL大于5％时。类似地，可以定义度量tAT_HYPER，其中如果tAT超过，则可以确定患者处于高血糖风险中。可分别通过调整GLOW或tBT_HYPO、或GHIGH或tAT_HYPER，来调整低血糖和高血糖风险的程度。三个测量值TIR、tBT和tAT中的任何两个可用于定义控制网格。这些可替代方案(和其它方案)可用于确定本文所述DGA实施方式的风险度量。
本文描述的DGA实施方式可以基于在TOD时段期间对用户的分析物数据的定量评估来操作。这种定量评估可以以各种方式进行。例如，本文所述的实施方式可以评估多天时段内的分析物数据，以确定一个或多个描述该分析物数据对于相应TOD表现出的相关风险的度量。然后，这些度量可用于将来自TOD时段的分析物数据分类为多个模式之一。例如，这些模式可以指示该TOD的常见或流行的葡萄糖行为或趋势。DGA实施方式可以使用任意数量的两个或更多个模式。为了便于在此参考，这些模式被称为葡萄糖模式类型，本文描述的实施方式将参考使用三种葡萄糖模式类型(例如低模式、高/低模式、高模式)，尽管其它实现方式可以仅使用两种类型或多于三种类型，并且这些类型可以不同于本文所述的那些类型。
例如，使用固定的膳食剂量，一旦DGA学习了配药策略和剂量或碳水化合物比例量，那么滴定评估就可以开始，这可以分为四个滴定类别：过夜、早餐后、午餐后和晚餐后。对于这些类别中的每一个，DGA可以按照下面描述的GPA方法将上述两个度量(LLG和中值葡萄糖)映射到四个逻辑“模式”变量。图8A示出了由DGA进行的用于评估用于每日多次注射(MDI)配药治疗的膳食推注滴定的示例性方法400的操作。方法400可以包括：在402，由DGA通过执行葡萄糖模式分析(GPA)算法来确定至少一个TOD的分析物模式类型，所述GPA算法在分析时段内接收源自患者佩戴的传感器控制装置的时间相关分析物数据作为输入。方法400还可以包括在404，由执行推荐算法的DGA基于分析物模式类型和分析期间患者的定义配药策略来选择MDI配药推荐。方法400还可以包括在406，由DGA将推荐动作的指示符存储在计算机存储器中，以输出到向患者给药药物的UID 200或MDD 152中的至少一个。UID 200可以使用推荐动作的指示符来控制用户接口，例如，通过使指示符的人类可读表达式出现在显示器上，或者通过生成以人类语言表达指示符的音频输出。MDD 152可以使用该指示符来调整或维持下一个相关剂量给药。将在下面描述方法400的更多细节。
图8B是描述GPA方法410的示例性实施方式的流程图，GPA方法410可以实现为402中引用的GPA算法。方法410可以针对特定的TOD时段来执行，该时段可以是全天(例如，24小时时段)，或者是由时间块(例如，三个8小时时段)或用户的活动(例如，膳食、锻炼、睡眠等)来描述的一天的一部分。在多种实施方式中，多个TOD时段可以对应于膳食(例如，早餐后、午餐后、晚餐后)和睡眠(例如，过夜)。这些TOD时段可以对应于通常会发生活动的一天中的固定时间(例如，早上5点至10点早餐后)，其中此类时间块可以由用户设置，或者可以取决于实际已经执行的膳食或活动，如通过膳食或活动的自动检测所确定的，或者通过这样的用户指示(例如，用UID 200)。
DGA可以对每个TOD时段独立地执行方法410，以获得该时段的单独模式评估。在412，DGA可以从特定TOD时段的用户分析物数据确定中心趋势值和可变性值。例如，可以从用户自己的记录或用户的健康护理专业人员的记录中获得用户的分析物数据，或者可以由DGS 100收集用户的分析物数据。分析物数据优选地跨越多天时段(例如两天、两周、一个月等)，使得在TOD时段存在足够的数据以进行可靠的确定。在其它实施方式中，该方法可以在有限的数据上实时执行。DGA可以使用与数据的中心趋势相关的任何类型的中心趋势度量，包括但不限于中值或平均值。也可以使用任何所需的可变性度量，包括但不限于跨整个数据集的可变性范围(例如，从最小值到最大值)、跨大部分数据但小于整个数据集的可变性范围以便降低异常值的重要性(例如，从90％到10％，从75％到25％)、或针对特定不对称范围的可变性范围(例如，低范围可变性，其可跨越例如从中心趋势值或接近中心趋势值到数据的较低值的范围，例如25％、10％或最小值)。表示中心趋势和可变性的度量的选择可以根据实现方式而变化。
在414，DGA可以基于中心趋势值和可变性值评估低血糖风险度量(“低血糖风险”)。参照图8C描述了一种用于确定低血糖风险的方法，示出了用于确定低血糖风险和其它度量的框架的示例性实施方式。虽然图8C旨在将框架传送给读取器，然而，该框架可以以多种不同的方式以电子方式实现，如用软件算法(例如，数学公式、一组if-else语句等)、查找表、固件、它们的组合、或其它方式。
图8C是中心趋势对可变性(例如，低范围可变性)的图，其可用于对保持或对应于特定TOD的确定中心趋势和可变性数据对的区或区域进行评估或识别。可以使用任意数量的两个或更多个区域。在这个实施方式中，数据对可以对应于目标区域425或三个低血糖风险区域之一：低度区域426、中度区域428或高度区域430。称为中度风险函数422的第一低血糖风险函数(例如，曲线或线性边界)区分低度区域426和中度区域428。称为高度风险函数424的第二低血糖风险函数区分中度区域428和高度区域430。中心趋势和可变性数据对可以对照评估或与区域进行比较，以确定对应TOD时段的低血糖风险度量。
低血糖风险函数422和424可以在DGA中明确地作为数学函数来实现(例如，多项式)或可以隐含地实现，诸如通过由它所含的对来定义每个区域、使用询问表、一组if-else语句、阈值比较、或其它。低血糖风险函数422和424可以被预加载到DGA中，或者可以从受信计算机系统480下载，或者可以由诸如HCP的另一方设置。一旦在DGA中实现，低血糖风险函数422和424可以被视为固定的，或者可以由用户或HCP调整。用于确定低血糖风险函数的示例性方法描述于‘400公开文献中。
在416，DGA可以基于中心趋势值评估高血糖风险度量(“高血糖风险”)。在该实施方式中，可以通过将特定TOD时段的中心趋势值与中心趋势目标或阈值432进行比较来评估高血糖风险。中心趋势值与目标432的差值的大小和/或符号可以识别高血糖风险的量。例如，如果中心趋势值小于目标432(例如负值)，则可存在低度的高血糖风险。如果中心趋势值以小于阈值量(例如5％、10％等)超过目标432(例如正值)，则可存在中度的高血糖风险。如果中心趋势值以大于阈值量的值超过目标432，则可能存在高度的高血糖风险。高血糖风险使用三个离散的组(例如低度、中度、高度)只是一个实例，可以使用任意数量的两个或更多个组。
在其它实施方式中，在416，DGA可以评估高血糖风险度量，这可以是在414评估低血糖风险之前。可替代地，在另一种实施方式中，在414评估低血糖风险和在416评估高血糖风险可以同时并行进行。
也可以评估诸如可变性风险之类的其它度量。例如，小于第一可变性阈值434的可变性值可以指示低度可变性风险，大于第一可变性阈值434且小于第二可变性阈值436的可变性值可以指示中度可变性风险，而大于第二可变性阈值436的可变性值可以指示高度可变性风险。同样，可变性风险使用三个离散的组只是一个实例。DGA可以使用任意数量的两个或更多个组。
在步骤418，DGA可以基于评估的一个或多个风险度量来确定TOD时段的模式类型。在一种示例性实施方式中，可以用低血糖风险度量和高血糖风险度量来评估模式确定。如果低血糖风险度量为高度，那么该模式可以被设置为低模式。否则，如果低血糖风险为中度，并且高血糖风险为高度或中度，那么可以将模式设置为高/低(或中)模式。否则，如果高血糖风险为高度或中度并且低血糖风险为低度，那么可以将模式设置为高模式。如果高血糖风险和低血糖风险都是低的，那么所识别的模式可以是没有问题的(例如，显示并输出“OK”消息)。
因此，方法410是DGA如何为每个TOD时段输出多种模式类型之一的一个实例。模式类型本身中的模式类型的数量可以不同于该实施方式中所述的那些(例如低、高/低、高)。一旦确定了TOD时段的模式类型，DGA就可以将模式类型的指示符存储在存储器位置中，以用于确定滴定推荐。再次参照图8A，在404，DGA可以在完成每个相关TOD时段的GPA之后继续确定滴定推荐。
推荐方法可以根据模式类型(例如低、高/低、高)和其它因子而分支，这些因子包括TOD时段、配药策略、对策略的顺应性(例如，剂量是否错过)、以及是否有足够的数据可用于进行评估。DGA直到对于相应的TOD时段有足够的数据可用时才做出滴定推荐，例如，如果可用的数据量小于阈值，例如小于阈值数目(例如5天)的分开的天数，并且大于可用数据的最小部分(例如90％)，则DGA可以省略评估并生成错误消息。
图8D至图8H示出了用于基于上述输入信息确定剂量滴定推荐的推荐算法或方法的示例分支。其它分支也是有用的。图8D示出了TOD的推荐方法分支440，其具有足够的可用数据和低模式类型的可能原因，所述低模式类型包括高于最佳基础剂量、膳食剂量、餐前校正剂量或餐后剂量中的一个或多个。在442，DGA评估过夜TOD时段模式类型是否低。如果该模式为低，则在444，DGA产生将所有相关剂量减少相等量(例如10％)的推荐，所述所有相关剂量包括至少基础剂量和任选的膳食剂量、餐前校正剂量或餐后剂量中的一种或多种。对于低模式的滴定推荐规则可以包括，对于过夜TOD时段，在444产生减少长效胰岛素剂量或基础速率的推荐。在446，如果任何其它TOD时段具有低模式，则在448，DGA可以产生推荐，以减少仅用于相关TOD时段的固定膳食剂量。
在该实施方式440中，如果存在至少一种低模式，则不提供任何高模式TOD时段的滴定指导。本文的思想是强调低血糖的预防并且仅当在所有TOD时期低血糖风险低时增加剂量。此外，在某些情况下，当TOD时段具有高模式时，这可能由具有低模式的先前TOD时段引起，并且患者过度进食以进行补偿—因此解决低模式本身可以帮助解决随后的高模式。在449，如果模式不为高，则过程440等待或终止而不产生推荐或传递到高模式评估450。
因此，对于高/低模式，DGA不产生滴定指导。如果没有可以给出滴定指导并且数据对于所有时间都足够的TOD时段，则DGA可以向患者提供消息，指示他们在可以给出进一步滴定指导之前需要解决葡萄糖可变性。此外，DGA可以向患者HCP提供报告，以考虑可解决葡萄糖可变性的替代药物或疗法。
图8E示出了DGA在没有低模式TOD时段时为高模式产生滴定推荐的操作。在452，如果过夜时段具有高模式并且没有其它中度低血糖风险的时段，则在454，DGA可以增加长效胰岛素剂量或基础速率推荐。在456，如果过夜时段具有高模式，并且存在至少一个其它中度低血糖风险的非晚餐时段，那么在458，DGA可以减少与任何中度低血糖风险时段相关的膳食胰岛素剂量。在460，如果过夜TOD时段没有中度低血糖风险并且没有高模式，那么在462，DGA可以产生增加与具有高模式的第一TOD时段相关联的膳食胰岛素剂量的推荐。在464，如果过夜时段具有中度低血糖风险，并且具有高模式的唯一餐后时段是晚餐，则在466，DGA可以产生增加长效胰岛素剂量或基础速率的推荐。如果过夜时段具有中度低血糖风险，但不是晚餐迟到间，则在462，DGA可以产生增加与具有高模式的第一TOD期间相关的膳食胰岛素剂量的推荐。
在可替代实施方式中，餐前葡萄糖可以高于或低于目标葡萄糖(例如，120mg/dL)。可以修改有助于计算低血糖风险和高血糖风险度量的每顿膳食的葡萄糖数据，以补偿并非由于当前膳食而影响葡萄糖的先前膳食或状况的影响。DGA可以通过减去偏移来修改这些数据，从而得到的起始葡萄糖是目标水平。可替代地，DGA可以通过“三角形”函数来修改这些数据，其中，对于膳食开始时间，减去膳食开始葡萄糖和目标葡萄糖之间的差，但是该修改随时间而减少；或者线性地持续规定的时间(例如三(3)小时)，或者另一个衰减函数。
可替代地，该功能本身可以是膳食开始葡萄糖水平或葡萄糖趋势的函数，和/或当摄入前一膳食剂量时的函数。
根据实施方式的另一个方面，用于生成膳食推注滴定推荐的算法在考虑其它方面时会变得更加复杂，所述其它方面例如是错过膳食推注剂量、错过基础剂量、餐后校正和餐前校正。如果存在这些因子，则用于提供适当推荐的算法可能需要排除一些数据，同时在排除数据之后仍然满足提供指导的数据充足性阈值。
例如，参照图8F，如果在461处检测到高模式，其中一些天错过膳食剂量，则在463排除错过膳食剂量的天数，并重复GPA分析410。如果随后在465检测到高模式，则可以在467基于在其它TOD中识别的模式来增加剂量，或者在469等待进一步的输入或返回。可替代地，该系统只能使用其中排除了错过膳食剂量的天数的数据来评估高模式。图8F中示出了具有该分支模式的算法470。如果系统在473检测到低模式，则它可以执行下面段落中描述的低模式算法472。如果系统没有检测到高模式或低模式，则它可以返回到方框469，以便进一步输入或返回。
在472，对于错过膳食剂量，如果DGA在TOD时段中检测到低模式，并且如果在该TOD期间错过膳食剂量达几天，那么DGA可以产生减少剂量的推荐。推荐可以包括例如减少固定部分或校正剂量部分。
关于错过基础剂量，如果DGA在过夜TOD中检测到低模式473，则错过基础剂量不应当影响剂量滴定逻辑。同样，如果在除了过夜时段之外的TOD中检测到低模式，则错过基础剂量不应当影响剂量滴定逻辑。
如果DGA使用包括具有错过基础剂量的至少一天(或TOD)的数据检测到TOD中的高模式461，则在463可以排除错过基础剂量的任何一天或多天(或TOD)的数据，并重复模式分析410。随后的动作可取决于检测到高模式的特定TOD。例如，如果DGA在包括错过基础剂量的至少一天的数据中检测到过夜TOD中的高模式，则可以排除错过基础剂量的任何一天或多天的数据，并且重复模式分析。如果当排除了错过基础剂量的一天或多天时检测到过夜TOD中的高模式，则基础剂量可以增加，因为过夜TOD结果可用作调整基础剂量的指导。如果在除了过夜时段之外的TOD中检测到高模式，则可以排除错过基础剂量的天，并且重复模式分析。如果当错过剂量的一天(或多天)被排除时检测到高模式，则可以分析与具有高模式的TOD相关联的膳食剂量以进行滴定，如本文所述。在任一情况下，逻辑流程470如图8F所示。
图8G示出了用于开发具有餐后校正的推荐的逻辑流程474的实例。如果在GPA 410之后，DGA在包括餐后校正的几天内检测到TOD的低模式479，那么可以使用以下分析来滴定校正或餐后剂量。在475，如果DGA首先检测到低模式479，则它可以排除没有餐后校正的天的数据，首先在487测试是否有足够的数据可用。如果没有足够的数据可用，则DGA可以执行错误恢复例程489，例如，显示错误消息。如果有足够的数据可用，则DGA可以重复模式分析410。随后，如果DGA检测到低模式，则在476，DGA可以减少餐后校正剂量(即，增加校正因子)，这取决于其它TOD中的模式分析结果。随后，如果DGA没有检测到低模式，则它可以在477减少膳食剂量。
对于本文所述的所有实施方式，校正剂量在一个方向上的修改(例如滴定)可以通过在相反方向上修改校正因子来实现。这两个参数是反向相关的，使得可以通过校正因子的减小来实现校正剂量的增加，而可以通过校正因子的增加来实现校正剂量的减少。因此，在本文所述的所有实施方式中，DGA可以通过修改校正因子或通过修改校正剂量来推荐或实现校正。因此，在此描述了校正因子的修改或滴定的程度，这些实施方式可以被配置为通过校正剂量的反向修改来实现相同的效果，相反地，在本文中描述了校正剂量的修改或滴定的程度上，这些实施方式可以被配置为通过校正因子的反向修改来实现相同的效果。给定这种互换性，这两个选项对于本文所述的每个实施方式都是可用的，尽管这两个选项并不只是为了便于描述而针对每个实施方式来描述。
此外，或者可替代地，从原始数据组491开始，在478，DGA可以排除错过膳食剂量的天。在487找到足够的数据后，如果在490具有排除餐后校正的天的这些数据的模式分析410没有指出低模式，则DGA可以推荐减少餐后校正剂量476。否则，DGA可以实现图10B的逻辑510，这可以导致减少餐时胰岛素或剂量指导的餐前校正部分的推荐。如果DGA在479没有检测到低水平并且在492没有检测到任何高葡萄糖模式，则它可以在469等待进一步的输入或返回。如果DGA在492检测到高模式，那么它可以在框471(图8H)实现处理480。
参照图8H，如果DGA在包括餐后校正的几天内的TOD检测到高模式493，那么它可以执行以下过程480，以开发滴定校正和膳食剂量的推荐。在481，DGA可以包括错过剂量和餐后校正的天的数据，并重复模式分析410。如果随后DGA在494检测到高模式，则它可以在482增加餐后校正剂量(即，减小校正因子)，这取决于其它TOD中的模式分析结果。如果它在494没有检测到高模式，则它可以在495检查低模式，如果检测到低模式，则返回到图8G的474，否则在469等待进一步的输入或返回。虽然在图8H中未示出，在排除GPA 410的任何数据之后和在执行GPA之前，DGA可以测试数据的充足性，并且如果可用数据不足，则执行错误恢复例程。
在一个可替代方案中，或此外，从在493设置的原始数据开始，如果在483对排除错过膳食剂量的天的数据的模式分析指示沿着分支2.1或2.2中的任一个的高模式，则DGA可以如下继续步骤480。在分支2.1上，如果在484对排除餐后校正之外的天的数据进行模式分析410(即，仅具有推注剂量的数据)在497不表示高模式，那么DGA可以在482产生增加餐后校正剂量的推荐，这取决于其它TOD的模式分析。否则，DGA可以在图10C的过程550之后产生增加餐时胰岛素或餐前校正部分的推荐。
在分支2.2，在485如果包括仅具有餐后校正的天的数据的模式分析在496没有指示高模式，那么DGA可以增加餐时胰岛素或餐前校正部分，按照图10C的过程550。如果在496没有检测到高模式，则DGA可以返回到方框484。
如果来自不同TOD的校正因子滴定推荐是冲突的，并且如果患者当前对所有TOD使用相同的校正因子，那么DGA可以增加校正因子。如果膳食剂量、餐前校正和餐后校正这三个组分都不是最佳的，则过程480可以首先增加膳食剂量。餐前校正可以在膳食剂量滴定之后被上滴定(up-titrate)。餐后校正可以在膳食剂量和餐前校正已经校正之后被上滴定。
如果在随后的分析期间，DGA通过前述方法为TOD产生“增加校正因子”推荐，现在将导致推荐“不改变校正因子”。相反，如果通过前述方法产生具有“减小校正因子”推荐的TOD仍然接收到对“减少校正因子”的推荐，则通过使用不同的校正因子可能优化不同的TOD。
虽然图8D至图8H示出了在方法400中使用的各种推荐算法404的方面，但是应当理解，这些只是实例。各种其它算法也可以是合适的。
膳食推注滴定滞后
现在将描述用于缓解围绕最佳膳食推注剂量的振荡的方法的示例性实施方式。当DGA已经达到或接近达到最佳滴定时，可能出现滴定继续被请求但实际上不需要的情况。也就是说，用于确定是否需要滴定的度量可能具有一定的误差或可变性，并且该可变性可能导致滴定算法围绕最佳剂量振荡。可以在DGA中包括患者参数收敛跟踪(PPC)模块以缓解该振荡问题。
在一种实施方式中，PPC模块可以从用户收集过去的信息，其中过去的信息包括足以确定在不同时间各种事件对患者的葡萄糖水平的影响的数据。PPC模块可以被配置为计算和跟踪多个结果度量如何随时间变化。结果度量可以包括但不限于：低血糖风险、高血糖风险和范围内的时间。PPC模块还可以被配置为计算和跟踪剂量指导参数估计和/或剂量指导建议中的变化。剂量指导参数估计可以包括但不限于：估计的胰岛素敏感性因子/胰岛素校正因子、估计的胰岛素与碳水化合物的比率、以及估计的每顿膳食时的平均碳水化合物。剂量指导建议包括但不限于：推荐的胰岛素基础剂量、推荐的膳食剂量、推荐的补充剂量和推荐的校正剂量。
在一种实施方式中，DGA的PPC模块可以被配置为针对每个结果度量创建相关性。该相关性可以是多维相关性。PPC模块可以被配置为将每个剂量指导参数随时间的变化和/或指导建议随时间的变化映射到结果度量随时间的变化。PPC模块还可以被配置为跟踪特定度量的梯度。例如，如果多个剂量指导参数改变和/或指导建议改变导致结果度量的小的预测改变，则PPC模块可以被配置为确定调整推荐被延迟一段时间，以防止对用户的不必要的调整请求。
在另一种实施方式中，PPC模块可以被配置为使用多个梯度来将多个梯度中的每个梯度与一组预定梯度阈值进行比较。PPC模块可以被配置为当超过其阈值的梯度的数量不大于预定值时，确定调整推荐被延迟。预定值可以是通用的或用户特定的值。
生理剂量指导算法
现在将描述用于基于生理学相关过程确定剂量指导的方法的示例性实施方式。许多基于模型的控制系统，具体是那些使用模型预测控制(MPC)算法的控制系统，基于黑箱图，没有严格的生理基础。结果，这些模型可能不能说明用于强化MDI治疗的不同胰岛素类似物中的某些药代动力学和药效差异。此外，对于MDI治疗，给定的胰岛素剂量必须管理用户的血糖达一段时间，而目前使用的许多剂量指导算法是指与胰岛素泵联合使用，胰岛素泵仅提供一种胰岛素类似物(通常，为快速起效的)以连续流的形式提供给用户。当与CGM通信时，MPC算法频繁地(例如，每5分钟)接收关于当前胰岛素输送速率的葡萄糖反馈，并且随后可以实时地改变泵流速以维持血糖正常。因此，当前MPC算法能够基于葡萄糖反馈来驱动由泵驱动的胰岛素输送中的频繁变化，但不能用于MDI治疗，在MDI治疗中胰岛素输送较不频繁，因此必须预测较长的时间段。随着这些水平变长(例如，在小时数量级)，药物药代动力学和药效学在建立精确预测中可以起到更大的作用。这种要求需要设计一种用于胰岛素剂量指导和葡萄糖控制的更基于生理学的方法。
本文描述了胰岛素剂量指导算法，其考虑了生理学上相关的过程，如胰岛素扩散、皮下药代动力学(PK)和葡萄糖-胰岛素动力学。参数可通过在“学习阶段”期间数值求解胰岛素吸收和葡萄糖控制的修改的最小模型(参见Bergman等人，1978以及Dalla Man等人，2007，通过引用将其整体并入本文)来确定，以开发用户特定的模型参数。一旦已经确定了这些参数，就可以针对餐时和校正剂量来求解用户特定的最小模型，以确定当时的最佳胰岛素剂量。
如在其它实施方式中类似地描述的，DGA可以从葡萄糖监测系统接收或以其它方式访问葡萄糖值和趋势。DGA可以被配置为询问用户他们是否将很快配药，并且也可以或者可替代地被配置为询问用户他们针对哪个膳食将需要剂量指导。DGA可被配置为基于算法(例如生理剂量指导算法或本文所述的另一算法)来输出剂量推荐。然后，DGA可以被配置为观察用户是否依附于剂量指导，并且还可以跟踪所得的葡萄糖迹线，以在将来的剂量指导中考虑。
DGA可以被配置为包括生理剂量指导算法，该算法确定在剂量指导中要输出的最佳剂量。在一种实施方式中，剂量指导可以提供给具有每天一次长效类似物与具有校正的3x每天速效膳食类似物的多次每天胰岛素注射(MDI)方案的用户。该方法可应用于其它MDI策略，诸如仅基础的或具有单一速效注射的基础MDI策略。
在示例性实施方式中，如图9A的流程图中所述，从步骤904开始，在示例性方法900中，DGA可以基于过去的配药历史自动生成可能的推注胰岛素剂量(u1，u2，…，un)。在步骤906中，生理剂量指导算法可以处理可能的胰岛素剂量，并产生和输出每个推注胰岛素剂量输入的葡萄糖时间进程(g1，g2，…，gn)(例如，数据阵列)。在步骤908中，DGA然后可以计算每个葡萄糖时间进程的代价函数值(C1，C2，…，Cn)。代价函数可被定义为对于每一个葡萄糖时间进程，使超出范围(例如，在约70mg/dL至约180mg/dL的范围之外)的时间最小化的时间。在步骤910中，DGA可以确定使代价函数值最小化的最佳胰岛素推注剂量。
可以从追随模拟胰岛素配药和碳水化合物膳食输入(如果需要)的计划葡萄糖迹线中确定在时间t输送的最佳胰岛素推注剂量(u)。使用简单的推注计算等式(如下)，可以将该剂量分解为诸如葡萄糖校正分量、膳食覆盖分量和胰岛素活性部分的组成分量。
Figure BDA0003495745880000591
然而，生理剂量指导算法可能不使用等式(1)来确定最佳剂量。相反，生理剂量指导算法可以使用等式的分开分量来帮助用户和HCP理解相对于膳食覆盖率，有多少剂量是用于当前葡萄糖水平的。在等式中，u是最佳胰岛素推注剂量。等式中的第一项括号中
Figure BDA0003495745880000592
是校正部分并且指用于校正用户在时间t的当前葡萄糖(BG(t))和目标值(BGtarget)之间的任何偏移。校正因子(CF)表示用户对胰岛素的特异性敏感性，即单个胰岛素单位在降低用户血糖方面的效果如何。第二项(CHO*IC)代表覆盖膳食所需的胰岛素剂量部分，如果需要的话。CHO值表示即将到来的膳食中碳水化合物的量，而IC值表示主题特定的胰岛素：碳水化合物比率，即多少克碳水化合物可以被给定的胰岛素剂量覆盖。最后，IOB值是指说明活性的“活性的胰岛素”，这仍然可以引起治疗益处，以避免胰岛素堆积的任何情况。该值可以基于胰岛素药代动力学模型以及内源性胰岛素产生。BGtarget、IC和胰岛素总每日剂量(TDD)的值可以由用户的HCP定义。在一种实施方式中，CF的初始条件可以根据定义为1800/TDD的“1800规则”来定义。此外，在一种实施方式中，在学习阶段期间，可以基于来自校正剂量的数据来细化CF。
生理剂量指导算法可以使用不同的方法来确定校正剂量、膳食剂量和基础剂量的剂量指导。然而，对于所有三种类型的剂量指导，DGA可以假定将使用速效胰岛素类似物(例如胰岛素赖脯胰岛素、门冬胰岛素或谷赖胰岛素)，并且所有三种具有相似的皮下PK分布，使得它们各自的作用持续时间可以被认为是等同的。
校正剂量
当向DGA请求校正剂量的剂量指导时，因为校正剂量与膳食无关，CHO＝0，因为没有新的碳水化合物要考虑。因此，等式(1)的第二项等于零。因此，校正剂量的组成分量是葡萄糖校正部分和IOB。
Figure BDA0003495745880000611
在一种示例性实施方式中，如图9B的流程图中所述，在示例性方法191中，从步骤912开始，一旦提示了校正剂量，DGA就可以生成多个胰岛素剂量候选。在一种实施方式中，可以基于受试者的胰岛素剂量的以往历史来生成多个胰岛素剂量候选。
在步骤914中，DGA可以确定对应于多个胰岛素剂量候选的多个葡萄糖时间进程。在一种实施方式中，DGA可以使用生理剂量指导算法对可能剂量范围的最小模型的修改来计算受试者特定的葡萄糖时间进程。每个剂量候选可以是认为是注射胰岛素剂量和当前所活性的长效胰岛素量的总和。可以由特定于受试者长效类似物的药代动力学来计算IOB的量，并且在所有候选输入剂量中可以是相同的。所有候选胰岛素剂量之间的数值差异可归因于总剂量的速效成分的差异。
在步骤916中，DGA可以计算对应于多个葡萄糖时间进程的多个代价函数值。在一种实施方式中，对于每个葡萄糖时间进程，可以计算不同的范围内时间度量，并将其用于确定描述超出目标范围(例如，约70mg/dL至约180mg/dL)时间的风险的代价函数值。
下面在等式5中示出了示例性的代价函数，但是也可以使用许多其它形式。曲线下面积(AUC)用于这些计算，以结合高血糖/低血糖事件的幅度和持续时间。
Figure BDA0003495745880000621
Figure BDA0003495745880000622
C＝whypo(AUChypo，calc-AUChypo，threshold)2+whyper(AUChyper，calc-AUChyper，threshold)2 (5)
阈值AUChypo和AUChyper可以定义为在任一疗程中花费的最小可接受时间和持续时间。C中的每个项可以具有相关联的加权因子w，加权因子w的总集合{w1，w2，...，wn}应当总和为1。该加权可以允许优先考虑对低血糖事件的保护。与最小代价函数值相关联的胰岛素剂量可以是DGA输出的剂量指导的建议剂量。
在步骤918中，DGA可以确定最佳胰岛素剂量，其中最佳胰岛素剂量具有多个代价函数值中的最低代价函数值。在一种实施方式中，DGA可以被配置为确定使超出范围的时间的相关的代价函数C最小化的剂量候选，作为最佳胰岛素剂量。
在步骤920中，DGA可以输出包括所确定的最佳胰岛素剂量的剂量指导。
在另一种实施方式中，不是从可能的胰岛素剂量的先验集合模拟得到的葡萄糖迹线并选择最佳选项，而是在一个可替代实施方式中，DGA可以提供初始剂量推测，随后可以从初始剂量推测中得出葡萄糖水平和代价函数值。然后可以使用基于梯度或非梯度(例如，遗传算法)的方法对代价函数执行约束最小化。因此，可以在第一剂量之后选择每个胰岛素剂量推测，以使代价函数最小化。
一旦确定了最佳胰岛素剂量，就可以进一步细分最佳胰岛素剂量，以使用户理解哪些方面要覆盖校正以及当前活性有多少胰岛素。
膳食剂量
当从DGA请求膳食剂量的剂量指导时，与上述校正剂量的计算类似，DGA可以使用对可能剂量范围的最小模型的修改来计算用户特定的葡萄糖时间进程。因为剂量指导与膳食相关联，与用于确定校正剂量的过程不同，DGA还可以在确定剂量指导时考虑另外的膳食碳水化合物信息。因为剂量指导与膳食相关联，CHO大于零，并且膳食剂量的成分可以包括附加的膳食碳水化合物信息(CHO*IC)。因此，根据等式(1)，膳食剂量的组成包括葡萄糖校正部分、膳食覆盖部分和IOB。
在一种示例性实施方式中，如图9C的流程图中所述，在示例性方法921中，从步骤922开始，响应于用户对膳食剂量指导的询问，DGA可以确定膳食的碳水化合物值的分布。碳水化合物值的分布可以包括中心趋势碳水化合物值、小于中心趋势碳水化合物值的低碳水化合物值、以及大于中心趋势碳水化合物值的高碳水化合物值。在一种实施方式中，膳食可以用已知的描述性统计量表示为碳水化合物值的膳食特定分布，以描述中心趋势(例如，平均值或中值)以及变化(例如，标准偏差、变异系数、25/75四分位点)。这些数据可以进行变换以提供这些概要统计。因此，每种膳食可以具有其自己的碳水化合物分布。
在一种实施方式中，中心趋势碳水化合物值可以是平均值或中值。在一种实施方式中，低碳水化合物值可以是例如葡萄糖数据的25％、可替代地30％、可替代地35％、可替代地在20％和40％之间的值，或者如果数据是正常分布的，则为μ-σ。在一种实施方式中，高碳水化合物值可以是例如葡萄糖数据的75％、可替代地80％、可替代地65％、可替代地60％、可替代地60％至80％，或者如果数据是正常分布的，则为μ+σ。
在步骤924中，DGA可以为中心趋势碳水化合物值、低碳水化合物值和高碳水化合物值中的每一个确定多个胰岛素剂量候选。在一种实施方式中，可以基于受试者的胰岛素剂量的以往历史来生成多个胰岛素剂量候选。
在步骤926中，DGA可以为中心趋势碳水化合物值、低碳水化合物值和高碳水化合物值中的每一个确定对应于多个胰岛素剂量候选物的多个葡萄糖时间进程。在一种实施方式中，DGA可以使用最小模型的修改来计算受试者特定的葡萄糖时间进程，所述最小模型用于使用生理剂量指导算法的可能剂量范围，如上所述关于校正剂量。在一种实施方式中，每个剂量候选可以被认为是注射胰岛素剂量和当前活性的长效胰岛素量的总和。可以由特定于受试者长效类似物的药代动力学计算IOB的量，并且在所有候选输入剂量中可以是相同的。所有候选胰岛素剂量之间的数值差异可归因于总剂量的速效成分的差异。
在步骤928中，DGA可以为中心趋势碳水化合物值、低碳水化合物值和高碳水化合物值中的每一个计算对应于多个葡萄糖时间进程的多个代价函数值。在一种实施方式中，对于每个葡萄糖时间进程，可以计算不同的范围内时间度量，并将其用于确定描述超出目标范围(例如，约70mg/dL至约180mg/dL)时间的风险的代价函数值。虽然可以使用许多其它形式，但是在一种实施方式中，DGA可以被配置为使用关于校正剂量计算描述的示例性AUC分析来计算多个代价函数值。在其它实施方式中，对于每个葡萄糖时间进程，可以确定在预定(滚动)时间窗口内葡萄糖值的预定百分比处的不同葡萄糖值。例如，作为低血糖时间百分比的替代方案或低于低葡萄糖阈值的AUC的替代方案，可以在一个时间窗口内计算5％值(或小于30％的其它百分比)并将其与低葡萄糖阈值进行比较。时间窗口可以是一天中的时间的固定函数，例如上午9点至上午11点，相对于事件的开始和/或结束，例如餐后约30分钟，或者餐后最多约300分钟，或者其它定义。也可以使用具有其相应的低葡萄糖阈值的一不同的低百分比。作为高血糖时间百分数的替代方案或高于高葡萄糖阈值的AUC的替代方案，可以在一个时间窗口内计算90％值(或大于70％的其它百分比)并将其与高葡萄糖阈值进行比较。
在步骤930中，DGA可以为中心趋势碳水化合物值、低碳水化合物值和高碳水化合物值中的每一个确定最佳胰岛素剂量。最佳胰岛素剂量可以是具有中心趋势碳水化合物值、低碳水化合物值和高碳水化合物值中的每一个的多个代价函数值中的最低代价函数值的剂量。
在步骤932中，DGA可以输出多个剂量指导，包括为中心趋势碳水化合物值、低碳水化合物值和高碳水化合物值中的每一个确定的最佳胰岛素剂量。与中心趋势碳水化合物值相关的剂量指导可以对应于中值膳食剂量指导。与低碳水化合物值相关的剂量指导可以对应于“小于正常值”膳食剂量指导。与高碳水化合物值相关的剂量指导可以对应于“大于正常值”膳食剂量指导。在一种实施方式中，DGA可以输出一系列膳食剂量指导以说明当前葡萄糖值以及膳食碳水化合物值的分布。根据需要，可以修改或偏离任何极端情况。例如，与大于正常膳食相关联的最佳胰岛素剂量可能需要基于60％而非75％，以避免由于过推注而导致的餐后低血糖。使用等式(1)，可以进一步划分最佳胰岛素剂量，以向用户和HCP显示用于膳食或餐前葡萄糖水平的量。在一种实施方式中，可以向用户和/或HCP输出并显示剂量指导的每个组成部分(例如，葡萄糖校正部分、膳食覆盖部分和IOB)。
基础剂量
长效胰岛素类似物的基础剂量每天给药1-2次，这取决于所选择的药物。例如，甘精胰岛素的作用持续时间为24小时，每天给药一次，而地特胰岛素的作用持续时间为12小时，每天给药两次。由于这些时间刻度远长于与速效类似物相关的4-5小时作用持续时间，因此对于长效类似物可以包括不同的皮下胰岛素PK分布。作用的时间进程是基础剂量情况相对于其它两种情况之间的差值。与校正剂量相似，基础给药与膳食无关，而是由于其延长的药代动力学分布而存在于所有膳食中。
在一种示例性实施方式中，参考图9B的流程图，从步骤912开始，一旦DGA被提示基础剂量指导，DGA就可以生成多个基本胰岛素剂量候选。在一种实施方式中，可以基于受试者的基础剂量的以往历史来生成多个基础胰岛素剂量候选。
在步骤914中，DGA可以确定对应于多个基础胰岛素剂量候选物的多个葡萄糖时间进程。在一种实施方式中，DGA可以使用生理剂量指导算法对可能剂量范围的最小模型的修改来计算特定于受试者的葡萄糖时间进程。可以由对特定于受试者的胰岛素类似物剂量的药代动力学计算IOB的量，并且在所有候选输入剂量下可以是相同的。
在一种实施方式中，DGA可以被配置为相对于时间扩展多个葡萄糖时间进程，以反映与长效类似物相关的延长的作用持续时间(例如12或24小时)。因为基础胰岛素通常是一种每天一次的药物，因此可以开发长效的基础指导以每天同时提示用户。与校正剂量和膳食剂量确定类似，DGA可以被配置为生成基础剂量候选的血糖曲线。多个葡萄糖时间进程中的每一个可包括三个膳食事件，每个可包括相关的速效剂量输入，以模拟基础作用24小时窗口期间的偏移。每个膳食事件可包括碳水化合物输入、以及速效胰岛素输入。在一种实施方式中，胰岛素输入的值可以基于来自MDD 152数据的特定于受试者的中值速效模拟要求。在一种实施方式中，可由中心趋势碳水化合物量(例如中值或平均碳水化合物量)表示膳食输入，如在餐时剂量指导确定中所述的。在一种实施方式中，对于单个剂量指导内的每个基本模拟事件，膳食事件可以是相同的。在一种实施方式中，基础剂量是唯一变化的输入值。
在步骤916中，DGA可以计算对应于多个葡萄糖时间进程的多个代价函数值。在一种实施方式中，对于每个葡萄糖时间进程，可以计算不同的范围内时间度量，并将其用于确定描述超出目标范围(例如，约70mg/dL至约180mg/dL)时间的风险的代价函数值。在一种实施方式中，对于为多个基础剂量候选产生的多个葡萄糖时间进程的代价函数分析可以与关于校正剂量分析所描述的相同。在另一种实施方式中，为多个基础剂量候选物生成的多个葡萄糖时间进程的代价函数分析可以不同于用于校正剂量分析的代价函数分析。
在步骤918中，DGA可以确定最佳基础胰岛素剂量，其中最佳基础胰岛素剂量具有多个代价函数值中的最低代价函数值。在一种实施方式中，DGA可以被配置为确定使超出范围时间相关的代价函数C最小化的基础剂量候选，作为最佳胰岛素剂量。
在步骤920中，DGA可以输出包括所确定的最佳基础胰岛素剂量的剂量指导。
校正因子滴定
现在将描述用于确定校正因子滴定的方法的示例性实施方式。尽管由医师发起，但糖尿病患者的胰岛素配药已经在很大程度上是患者在整个疾病过程中管理的范围。通常，这些管理方法经验丰富，依赖于患者从试验和错误方案中学习以改善糖尿病管理。在MDI上对于那些甚至更定量的测定方法已经很大程度上依赖于简单的方法，例如胰岛素推注计算器，其依赖于频繁的血糖测量以及从患者的角度难以确定并理解的诸如胰岛素：碳水化合物比率或胰岛素校正因子的值。本文所述的算法子例程旨在利用来自CGM装置的密集葡萄糖数据和来自具有蓝牙能力的胰岛素笔的胰岛素配药信息，在被动观察期间滴定先前学习的患者特定的配药参数至最佳水平，从而以来自用户的随用户演变的最小输入提供个性化剂量指导。
为了提供初始剂量指导，如说明书别处所述，DGA可以经历“学习阶段”，其中确定用户特定的配药参数，例如固定的餐后剂量、目标葡萄糖和胰岛素校正因子。本文结合图7描述了用于学习阶段的方法。当使用该系统时，这些参数值可以用作初始估计量，并且可以进一步滴定到更优的患者特定值。最初的学习和随后的连续参数滴定的这种方法允许系统对疾病进展以及用户可能经历的生活方式和药物的外部变化作出反应。由于越来越流行的基于胰岛素的糖尿病治疗既能增加内源性胰岛素的产生，又能增加胰岛素的敏感性，因此用户的校正因子不能保持静态值长达系统寿命。本文描述了滴定用户胰岛素校正因子(也称为胰岛素敏感性)的方法。
如在DGA的多种实施方式中所使用的，用户的校正因子不必是单个值，而是对于给定的膳食类型(例如早餐、午餐、晚餐)是唯一的一组不同的值。校正因子的单位可以是每胰岛素单位mg/dL葡萄糖。由于小剂量会导致葡萄糖大幅下降，所以高校正因子信号表明用户对胰岛素高度敏感。相反，小的校正因子提示用户对胰岛素不太敏感。有效的餐时胰岛素剂量应使餐后血糖恢复到其药效窗口内的安全范围。假定配药的推注计算器惯例，例如，如结合图8A至8H所述，精确的校正因子应当有助于胰岛素剂量，该胰岛素剂量既能解决膳食碳水化合物又能解决餐前(饭前)葡萄糖升高的问题，从而使葡萄糖水平返回到安全、稳定的目标值。因此，如果GPA将作为纵坐标的特定膳食的所有胰岛素剂量与量化与膳食相关的时间段的葡萄糖读数的特定度量(例如，量化与膳食相关的葡萄糖数据或偏移的度量，例如剂量后的设定时间量(例如4小时)，或膳食期间的葡萄糖值百分比(例如5％、10％))作图，则理论上，这些数据的最佳拟合是具有零斜率且y截距等于用户目标葡萄糖的线。实际上，所有的实时胰岛素剂量将使用户的血糖值返回目标值或范围。
具有零斜率的胰岛素与餐后葡萄糖的关系代表了配药功效的理想方案。可以假定DGA将预先获知用户的固定剂量，例如通过用户输入或通过MDD 152的传输。当剂量大于固定剂量时，系统然后可以从SCD 102或其它来源观察胰岛素剂量和餐后葡萄糖之间的关系。DGA可以使用几种方法中的一种或多种来评估剂量功效，包括但不限于以下方法：
确定餐后葡萄糖值的质心(中值/平均值)。该方法使用不包括任何校正的胰岛素剂量的餐后葡萄糖值的质心与包括校正的胰岛素剂量的餐后葡萄糖值的质心之间的差。理想的情形将两个质心之间为零或没有显著差异。超过预定阈值的正差将表示校正因子小于最佳值。类似地，小于预定阈值的负差将指示校正因子高于最佳值。
对数据应用线性拟合。如果拟合满足一些拟合度量的品质，则DGA可以进行统计测试以确定在最佳拟合的斜率和理想情况之间是否存在统计学上显著的差异，其中斜率为零。如果斜率小于零，则配给过多的胰岛素。这对应于太低且需要增加的校正因子。如果斜率大于零，则餐后葡萄糖升高，表明胰岛素剂量可以增加。这对应于校正因子太高且需要减小。应当滴定这些值的量可以取决于拟合斜率。陡坡可能需要比接近于零的更积极的滴定。该滴定方法与固定剂量滴定无关，并且可以与固定剂量滴定并行进行。
确定餐后葡萄糖/胰岛素曲线下的面积。理想的配药方案将具有恒定的面积，表示在所有剂量后回到恒定的葡萄糖水平。因此，DGA可以评估该区域内的任何变化，作为不正确校正因子的指示。也可以使用积分方法来确定对应于固定膳食量的餐时剂量组分是否有效或需要进一步滴定。相对于理想情况，升高的积分水平将指示可以增加的固定剂量，以使餐后值更接近目标水平。
在规定时间的学习阶段中，例如，根据SCD的特性或其它因子的14天，DGA可获知用户配药策略和其它用户特定参数，这些参数包括但不限于剂量的量、校正因子和胰岛素作用时间(IAT)/活性的胰岛素(IOB)。由于以下任何一个或多个原因滴定校正因子可能是合乎需要的：(1)校正因子不足，(2)由于治疗干预或环境变化引起的变化。对于仅包括校正(没有碳水化合物计数)的推注剂量，DGA可以分析餐后葡萄糖值以滴定校正因子。例如，如果餐后葡萄糖峰值大于180mg/dL或餐后峰值与餐前值之间的差值大于阈值，且不存在餐后低血糖风险，则可以在每个测量循环滴定校正因子。例如，校正因子可以以预定值滴定，例如，1个单位增量或者2个单位增量。对于分开的校正剂量(例如无膳食)，当葡萄糖水平高时，配药以治疗高血糖，配药时的值和预定时间(例如，配药后四(4)小时)的葡萄糖值之间的差值可用于滴定校正因子。
餐时胰岛素剂量可以由两个不同的量组成：a)用于覆盖将被消耗的膳食的部分，和b)用于在膳食前葡萄糖水平高于目标范围时处理的部分。与膳食相关的部分通常是固定的(例如，使得早餐所用的部分总是一个特定的量，其可以随时间滴定)或可变的，以与患者期望食用的碳水化合物的数量相匹配。在以下实例中，假定固定的膳食部分。然而，下面的描述可应用于可变部分，其中实际部分由固定的碳水化合物/胰岛素比确定，其本身可滴定。本文所用的解决餐前葡萄糖的部分是指由餐前校正因子确定的校正剂量或校正部分。
餐前校正因子可用于MDD 152的控制。如本文所述，减少或降低滴定校正因子可与增加校正剂量相媲美。例如，图10A示出了DGA响应于分析物数据提供餐前校正因子的方法500，用于MDD 152的控制。在502，所述方法500可包括由至少一个处理器通过执行GPA算法来确定至少一个TOD时段的分析物模式类型，所述GPA算法在分析时段内接收源自患者佩戴的传感器控制装置的与时间相关的分析物数据作为输入。在504，方法500可以包括通过执行算法的至少一个处理器基于分析物模式类型和分析期间患者的定义配药策略来确定餐前校正因子。在506，方法500可以包括由至少一个处理器将餐前校正因子的指示符存储在计算机存储器中，以输出到用户或药物配药装置中的至少一个。与上述线性拟合实施方式相反，本文描述的实施方式是一种统一的方法，其中可以通过一种技术或软件功能(例如，单个逻辑树)同时执行固定剂量和校正因子滴定。
在相关方面，图8B和以上相关描述公开了GPA的方法410，其将患者在不同TOD时期的葡萄糖模式分类为高、低、或高/低。图8A和相关描述公开了DGA如何能够使用来自GPA410的输出来提供MDI剂量指导推荐。图8D至图8H和相关描述提供了用于DGA的算法的实例，以基于GPA 410输出的葡萄糖模式类型和患者对于分析时段的定义配药策略提供特定MDI剂量指导推荐。这些推荐可以被提供用于MDD 152的自动或半自动控制，或者用于用户接口的操作用于指导手动剂量控制。
图10B示出了用于评估滴定膳食剂量和餐前校正以增加高分析物水平的推荐的方法510，例如，如果GPA指示低模式，则进行或不进行餐前校正。在相关方面，图8G示出了用于开发餐后校正的推荐的算法474的实例。当由DGA执行时，算法474要求当考虑到不包括具有错过推注剂量的TOD时段的数据的分析物数据时，如果GPA指示低模式，则考虑是否实现餐前校正。用于TOD时段的其它低葡萄糖模式条件512也可以适合于触发方法510的执行。如果膳食剂量和餐前校正都高于最佳值，则方法510可以输出只能减少膳食剂量的餐前校正因子。如果存在低模式，则可能是由于高固定剂量、高餐前校正、或两者兼有。在一种实施方式中，固定剂量和餐前校正可以按顺序滴定，其中固定剂量首先滴定，作为剂量的基础。一旦固定剂量滴定好，如果仍观察到低模式，则可以滴定校正剂量。在另一种实施方式中，固定剂量和餐前校正可以并行滴定。
如果在TOD时段中检测到低模式，那么在514，DGA可以确定所定义的配药策略的膳食剂量是否包括餐前校正。如果是，则在534，DGA可以从原始数据组或餐前校正中排除具有错过推注的天，例如通过包括仅在具有膳食剂量且没有错过推注的天的一部分分析物数据。在536，DGA可以测试在排除具有错过推注或餐前校正的天的数据之后是否剩余足够的数据，以达到最小置信度水平。如果存在足够的数据，则在410，DGA可以在输入的分析物数据集上重复GPA 410，所述输入的分析物数据集排除具有错过推注或餐前校正的天的数据。
在538，DGA可以确定随后的葡萄糖模式是否仍然是低的，如果是，则在540仅减少胰岛素剂量的膳食部分。否则，在542，如果模式不是低的，则DGA可以减少餐前校正因子，当由用户或MDD实现时，这可以导致减少相应的餐前校正剂量。
如果在536，DGA确定没有足够的数据来确定模式，那么在516，DGA可以包括具有膳食剂量和餐前校正的天的数据。然后，在518，DGA可以重新测试数据集的充足性。如果数据足够，则在410，DGA可以为放大的数据集重复GPA。在540，如果所得到的葡萄糖模式不是低的，则DGA可以在不降低餐前校正因子的情况下，降低对相关TOD时段的每个剂量的膳食部分的推荐。如果DGA在520确定葡萄糖模式是低的，那么在526，DGA可以只包括膳食剂量的数据。然后，在530，DGA可以重新测试数据集的充足性。如果数据集不够充足，则在528，DGA可以减少膳食剂量和校正剂量二者。如果数据集足够多，DGA可以在410运行GPA，并在532确定葡萄糖模式是否低。如果葡萄糖模式是低的，那么在540，DGA可以在不降低餐前校正因子的情况下降低对相关TOD时段的每一剂量的膳食部分的推荐。如果葡萄糖模式不是低的，在542，GPA可以减少餐前校正因子，当由用户或MDD实施时，这可以导致减少相应的餐前校正剂量。
图10C示出了用于评估滴定膳食剂量和餐前校正以降低高分析物水平的推荐的方法550，例如，如果GPA 410指示具有或不具有餐前校正的高模式。在相关方面，图8H示出了用于产生餐后校正推荐的算法480的实例。当由DGA执行时，如果GPA指示高模式，则算法480要求考虑是否实现餐前校正。用于TOD时段的其它高葡萄糖模式条件552也可以适合于触发方法550的执行。如果膳食剂量和餐前校正都不是最佳的，那么方法550可以首先增加膳食剂量。可以按顺序处理高葡萄糖模式，使得校正剂量可以在膳食剂量被滴定之后被上滴定(模式不为高且数据未校正)，以避免源自增加固定剂量和降低校正因子的低血糖，其类似于在给定血糖水平下增加校正剂量。可以首先通过增加固定剂量来解决高模式。如果高模式仍然持续，并且仅当包括校正剂量时发生，则可以滴定校正因子。
如果在特定TOD中检测到高模式，则在554，DGA可以确定分析物数据是否包括具有餐前校正的膳食剂量。如果没有包括餐前校正，则在564，DGA然后可以从原始数据组中排除具有餐前校正的天和具有错过推注的天的数据，并在410重复葡萄糖模式分析。在566，DGA可以确定随后的葡萄糖模式是否仍然是高的。如果否，则在572，DGA可以增加餐前校正因子，其通过输出到UID或MDD，可以导致餐前校正剂量的减少。否则，如果葡萄糖模式是高的，那么在562，DGA可以增加对在相关TOD时段的每个剂量的膳食部分推荐。如果在554确定包括餐前校正，然后在556，DGA可以包括具有餐前剂量和餐前校正的天的数据，并且从原始数据组中排除具有错过推注剂量的天的数据，并且在410重复葡萄糖模式分析。在558，DGA可以确定随后的葡萄糖模式是否仍然是高的。如果该模式不是高的，则在562，DGA可以增加对于相关TOD时段的每个剂量的膳食部分的推荐。如果模式是在558不高，DGA可以在564排除具有餐前校正的天的数据，并且排除具有错过推注的天的数据，并且在410重复上述模式分析和随后的步骤。
虽然图10B至图10C示出了用于确定餐前校正因子的各种算法的方面，但是应当理解，这些是实例。各种其它算法也可以是合适的。
依赖于给药定时(膳食开始时或膳食开始之前以及膳食开始之后)的胰岛素剂量 的剂量指导方法
现在将描述用于根据给药定时确定剂量指导的方法的示例性实施方式。为了使血糖控制最大化，胰岛素配药应当与膳食在时间上同步，使得循环胰岛素的峰值与餐后葡萄糖的升高一致。然而，患者有时忘记在餐前摄入他们的餐时胰岛素。随后膳食相关的葡萄糖升高和胰岛素作用之间的不匹配可导致关于合适剂量的不确定性。在膳食开始之后摄入膳食剂量，而不是恰好在膳食开始之前摄入膳食剂量，会导致低血糖，因为一旦餐后葡萄糖升高被耗尽，活性胰岛素仍然可以循环。此外，校正葡萄糖趋势的患者可能倾向于由于膳食开始时葡萄糖趋势向上而增加他们的剂量。这种作用还可引起低血糖。为了使与定时相关的低血糖发作最小化，DGA可以被配置为确定配药时间延迟和当提供剂量指导时考虑配药时间延迟。正的时间延迟指示在膳食开始之后给药的胰岛素剂量。零时间延迟表示胰岛素剂量与膳食开始大致同时给药。负延时表示在膳食开始之前给药胰岛素剂量。
在多种实施方式中，DGA可以被配置为包括用于实时检测错过膳食剂量的方法，以便确定膳食剂量指导计算是否应当是“按时”计算(即，零或负延时)或“滞后剂量”计算(即正时延)。在一些实施方式中，DGA还可以被配置为确定和输出可用于迟到剂量计算的膳食开始时间估计。在一些实施方式中，如果在从估计的膳食开始+x或-y分钟内未检测到发生餐时胰岛素剂量，那么DGA可以被配置为向患者发出他们可能忘记摄入剂量的通知。
实时检测错过膳食剂量的算法
在多种实施方式中，DGA可以被配置为使用实时膳食检测算法来检测错过膳食剂量。本文描述了用于实时检测错过膳食剂量和随后警告患者的系统和方法。可以周期性地(例如，每当系统有新的葡萄糖数据可用时)执行用于检测错过膳食剂量的过程。可替代地，每当适当地向患者发出提供“错过剂量”警告，或者每当警报被启用时，就可以执行该过程。
在一种示例性实施方式中，可以通过特征提取模块和膳食检测模块来执行实时膳食检测。当CGM数据点变得可用时，特征提取模块可以一次一个地接收CGM数据点。当所述特征提取模块检测到葡萄糖值增加时，所述特征提取模块可提取多个特征，并将所述多个特征传递给所述膳食检测模块进行膳食检测。
在一种实施方式中，特征提取模块被配置为每当接收到新的葡萄糖数据点时，通过在时间窗口内拟合数据并使用二次函数从当前数据点向后计数来执行数据平滑。时间窗口可以是约60分钟。所述特征提取模块可被配置为将所述时间窗的中心处的拟合值存储为当前平滑数据。特征提取模块还可以被配置为分别将时间窗口中心处的拟合值的线性项和二次项的系数存储为最近的葡萄糖变化率值和加速度值。除了被配置为存储中心点处的拟合值之外，特征提取模块还可以被配置为存储用于特征提取的最近点处的拟合值。特征提取模块可以被配置为将当前平滑葡萄糖值与先前平滑葡萄糖值(例如，紧接在当前平滑葡萄糖值之前的平滑葡萄糖值)进行比较，以确定平滑葡萄糖数据是上升还是下降。特征提取模块可以被配置为提取多个特征，然后在特征提取模块确定当前和先前平滑的葡萄糖值比较有所上升之后将多个特征传递给膳食检测模块。
特征提取模块可以被配置为从平滑数据中的两个区段中提取多个特征。这两个区段可以是当前上升区段和先前下降区段。从当前上升区段提取的多个特征可以包括但不限于：1)最大加速度，2)最大加速度点的时间，3)最大加速度点的葡萄糖值，4)由当前时间点(拟合值)和最大加速度点(参考点)之间的葡萄糖值的差值计算的高度，5)由从参考点到当前点的经过时间计算的当前区段的持续时间，6)通过将高度除以持续时间而计算的当前区段的平均上升速率，7)加速度的最大增加(在给定时间点的加速度增加是通过将该点的加速度减去前一点的加速度而获得的)，以及8)曲线下的增量面积(从平均葡萄糖值中减去参考点的葡萄糖值，随后将该差乘以区段的持续时间)。从先前的下降区段中提取的多个特征可以包括但不限于：1)持续时间，2)高度，3)平均下降速率(高度/持续时间)，4)最大下降速率(变化率绝对值的最大值)，以及5)最大减速度(加速度绝对值的最大值)。特征提取模块可被配置为将多个提取的特征传递到膳食剂量模块。
膳食检测模块可以被配置为接收特征向量作为输入，并且可以被配置为输出指示当前上升区段是否为膳食响应葡萄糖偏移的二元检测结果。膳食检测模块还可以被配置为输出具有二元检测结果的概率值。在一种实施方式中，膳食检测模块中的预训练的机器学习模型可以由scikit-learn使用RandomForestClassifier来实现(https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestClassifier.html)。膳食检测模块可以被配置为基于树构建规则和每个树中的每个特征的特征阈值来检测膳食开始，所述特征阈值可以在训练过程中被优化。在一种实施方式中，也可以基于可替代分类算法来建立预训练的模型，可替代分类算法包括梯度提升(gradient boosting)、自适应提升(ada boost)、人工神经网络、线性判别分析和附加的树。
膳食检测模型还可以被配置为如果检测到膳食，则估计膳食的开始时间。在一种实施方式中，膳食的开始时间可以被估计为葡萄糖值加速度最大增加处的时间点，在约1.25小时的时间窗大小内从检测点追溯。例如，如果通过算法在下午1:15检测到错过膳食，则该模型可以追溯到约中午12:00以确定膳食开始。通过使用二次函数即，y＝ax2+bx+c，拟合以关注数据点为中心的五个数据点，可以计算每个点处的葡萄糖值加速度。拟合参数“a”是关注点处的加速度。时间点k处的葡萄糖值加速度的增加可以由a(k+l)-a(k)定义。
膳食检测模型还可以被配置为如果在膳食的估计开始附近的时间段内没有检测到餐时胰岛素剂量已经发生，则在UID 200上向用户输出关于错过剂量的通知。在一种实施方式中，如果估计的膳食开始时间少于2小时前，则该通知还可以指示病人仍然可以稍迟获得膳食和剂量的剂量指导。
美国专利公开号2017/0185748和PCT申请序列号PCT/US2020/12134中描述了其它类型的膳食检测方法和算法的细节，通过引用将其整体并入本文。
用于在膳食开始时给药的剂量的剂量指导
在配药时间延迟为负或零(即，剂量指导用于在膳食开始时或膳食开始之前给药)，为了考虑在膳食开始之前推注胰岛素可以起作用的时间长度，DGA可以被配置为考虑能够改变低血糖和高血糖风险的其它因子。例如，DGA可以被配置为包括与昼夜节律相关的风险因子。
在一种示例性实施方式中，如图11的流程图中所述，在示例性方法600中，DGA可以在膳食开始时，例如当时间延迟为负或零时为受试者给药提供剂量指导。从步骤602开始，DGA可以确定在膳食开始一天中的一个时间给药的膳食的第一剂量指导。第一剂量指导可以是固定的膳食剂量(具有或不具有校正)，或者可以基于膳食的碳水化合物含量。
在步骤604中，DGA然后可以至少基于第一剂量指导和一天中要给药该剂量的时间来确定是否存在低血糖风险。DGA可以被配置为通过参考风险图来确定低血糖风险。在一种实施方式中，以往的用户数据(例如，葡萄糖水平和胰岛素剂量数据)、人群数据、或以往的用户数据和人群数据的组合，可用于开发与一天中的时间、一周中的一天和/或其它可用模式相关的风险图。在一种实施方式中，DGA可以被配置为使用风险图来识别最接近最高风险的分布的边缘，而不是识别典型的行为。
在步骤606中，DGA可以输出不同于第一剂量指导的第二剂量指导。第二剂量指导可以在UID 200上输出，并且包括比第一剂量指导更低的药量。与第一剂量指导相比，第二剂量指导还可以与较低的低血糖风险相关联。例如，如果一天的第一时间在其近期内具有比另一(第二)时间更高的低血糖风险，并且用户在计划的膳食开始时或开始之前在一天的第一时间请求剂量指导，DGA可以被配置为输出比标称建议膳食剂量指导(例如，固定膳食剂量(具有或不具有校正)或基于碳水化合物含量的膳食剂量)更低的剂量指导。
当在膳食开始之前后开始给药剂量(即，配药时间延迟是正的)时，DGA可以被配置为确定配药时间延迟并输出考虑配药时间延迟和任何相关风险的剂量指导。
在一种示例性实施方式中，如图12A的流程图中所述，在示例性方法607中，从步骤608开始，DGA可以响应于来自受试者的询问来确定膳食的第一剂量指导，其中第一剂量指导被确定用于在膳食开始时对于受试者的给药。在一种实施方式中，DGA可以被配置为假定在膳食开始的同时输入初始最佳餐时剂量。因此，在一种实施方式中，当用户打开DGA并请求剂量指导时，如果在膳食开始时给药，则该算法可以首先计算最佳胰岛素剂量。可以通过多种方式确定膳食的最佳胰岛素剂量，包括但不限于，基于碳水化合物含量的固定膳食剂量(具有或不具有校正)或膳食剂量。
在步骤610，DGA可以确定在膳食开始和来自受试者询问(即，剂量指导的开始)之间是否存在时间延迟。在一种实施方式中，DGA可以被配置为通过多种方法识别配药时间延迟。在一种实施方式中，DGA可以被配置为确定估计的膳食开始。在一种实施方式中，DGA可以被配置为使用上述膳食检测算法来识别配药时间延迟，所述膳食检测算法可以检测估计的膳食开始，并且DGA可以被配置为记录开始和用户提示的剂量指导之间的时间。在另一种实施方式中，DGA可以被配置为识别膳食开始和推注胰岛素剂量开始之间的配药时间延迟，这可以由用户记录。在该实施方式中，DGA可以被配置为提示用户关于配药时间延迟的输入。例如，DGA可以被配置为询问用户所请求的剂量指导是用于膳食还是用于校正高葡萄糖的校正剂量。如果所请求的剂量指导是针对膳食剂量的，则DGA可以被配置为询问是否已经开始进食，如果已经开始进食，则询问多长时间。然后，该输入可用作膳食与剂量时间的延迟用于剂量指导。
在步骤612，DGA可以响应于时间延迟的确定，至少基于第一剂量指导和时间延迟来确定是否存在低血糖风险。在一种实施方式中，DGA可以确定第一剂量指导和时间延迟是将患者置于高度低血糖风险区域还是相对于用户人群的其余部分处于低血糖风险中。
在一种实施方式中，DGA可以参考多维表面图来确定低血糖风险。在一种实施方式中，地图可以是基于人群的。例如，地图可以包括所有DGA用户的观察结果，直到可以收集足够的数据以个性化基于请求剂量指导的特定用户的推荐。在一种实施方式中，DGA可以被配置为接收和存储与DGA用户的餐时剂量相关的多种类型的数据。与餐时剂量相关的多种类型的数据可以包括但不限于剂量时间延迟、建议或推荐的剂量指导、给药剂量、以及给药剂量后预定时间段的葡萄糖时间序列。葡萄糖时间序列之间可以在葡萄糖值样本(例如，来自CGM)、变化的时间间隔、或其组合之间具有固定的时间间隔。葡萄糖时间序列中的餐后葡萄糖数据可用于计算针对膳食/剂量发作的低血糖度量。该低血糖度量可以是但不限于：低于约70mg/dL的时间、低于约54mg/dL的时间、或计算出的风险因子，如低血糖指数(LBGI)。低血糖度量也可以标准化为所述开始时的葡萄糖浓度值。剂量指导和给药剂量可以根据两者之间的差异作为变量来处理，也可以单独处理。然后可以导出多维表面图，其中得到的低血糖度量是各种变量的函数。为了考虑不同的膳食规模和昼夜节律效果，DGA可以创建多个多维表面地图，包括早餐、午餐和晚餐中的每一个的多维表面地图。一旦已经建立了图，DGA也可以确定可接受的低血糖风险的截止值。该系统使用的一个重要变量可以是膳食对剂量时间延迟。
DGA可以被配置为基于是否确定了低血糖风险，在UID 200上输出剂量指导。在步骤614中，如果DGA确定第一剂量指导和时间延迟没有使受试者处于低血糖风险中，那么DGA可以输出第一剂量指导。在步骤616中，DGA可以响应于确定存在低血糖风险而输出第二剂量指导，其中，相比第一剂量指导，第二剂量指导与更低的低血糖风险相关联。可以在UID200上输出第二剂量指导。在一种实施方式中，如果DGA确定在该时间延迟时对于第一剂量指导存在低血糖风险，则DGA可以搜索剂量沿多维表面图的Δ剂量/低血糖风险等势线的变化，该变化将风险降低到低于预定截止值。然后可以将该剂量变化应用于第一剂量指导，以给出更新的剂量指导，从而使低血糖最小化。该系统可以继续收集信息以细化和/或更新多维表面图作为多个变量(例如剂量时间延迟、建议或推荐的剂量指导、给药剂量、以及剂量给药后预定时间段的葡萄糖时间序列)的函数。
在另一种实施方式中，DGA可以被配置为确定不考虑内源性胰岛素产生的迟到剂量指导。在餐后确定剂量指导时使用传统膳食剂量计算的问题是：即使当用户已经配药胰岛素时，通常用户的葡萄糖也会增加。如果用户在膳食开始后摄入膳食剂量，并使用他们的当前葡萄糖值来确定膳食剂量，则用户可能注射过多的胰岛素，并且最终可能发生低血糖。DGA可以被配置为确定在膳食开始之后用于给药的剂量指导，该剂量指导通过考虑估计的膳食开始时间处的用户的葡萄糖值来确定剂量指导的校正部分，来缓解用户的葡萄糖升高的问题。
在一种示例性实施方式中，如图12B的流程图中所示，在示例性方法617中，从步骤618开始，DGA可以接收对具有开始时间的膳食的剂量指导的询问。在步骤620中，DGA可以确定是否在膳食开始之后接收到对剂量指导的询问。在一种实施方式中，响应于来自用户的对剂量指导的询问，DGA可以使用上述的迟到剂量检测算法来确定剂量是否迟到。在一种实施方式中，迟到剂量检测算法可以确定并输出估计的膳食开始时间，DGA可以将该估计的膳食开始时间与从用户接收到询问的时间进行比较。
在步骤622中，DGA可以确定与膳食开始时间相关联的用户的葡萄糖水平。在一种实施方式中，DGA可以确定与膳食开始时间相关联的葡萄糖值(例如，与膳食开始时间在时间上最近的葡萄糖值)。
在步骤624中，DGA可以输出迟到剂量指导，其中该迟到剂量指导包括膳食剂量指导和校正剂量指导。在一种实施方式中，校正剂量指导可以基于膳食开始时确定的葡萄糖水平。校正剂量指导可以使用用于校正高葡萄糖的推注计算器来确定，并且可以包括葡萄糖校正部分。如前所述，关于等式(1)，校正剂量指导的葡萄糖校正部分可以基于以下公式来确定，其中(BG(t))是当前葡萄糖值，BGtarget是目标葡萄糖。
Figure BDA0003495745880000821
在一种实施方式中，为了确定用于迟到剂量指导的葡萄糖校正部分，当前葡萄糖值是与估计的膳食开始时间相关联的葡萄糖值。在一种实施方式中，校正因子可以是用户胰岛素敏感性因子。在一种实施方式中，迟到剂量指导是膳食剂量指导加上校正剂量指导。可以通过多种方式来确定膳食剂量指导。在一种实施方式中，可以基于膳食的估计碳水化合物含量来确定膳食剂量指导。在另一种实施方式中，膳食剂量指导可以基于“固定”或“固定+校正”剂量策略，其中用户对于膳食剂量摄入预定量的胰岛素，而不管膳食中的碳水化合物含量如何。
在另一种实施方式中，DGA可以被配置为确定导致内源性胰岛素产生的迟到配药。在餐后配药时使用传统的膳食剂量计算的问题是2型糖尿病患者通常仍然产生他们自己的(内源性的)胰岛素。因此，如果用户在餐后迟到摄入，则用户可以具有用户自己胰腺产生的附加“活性的胰岛素”，并且在剂量计算中不考虑这一点可能导致最终的低血糖。DGA可被配置为确定考虑附加内源性胰岛素产生的剂量指导。
在一种示例性实施方式中，如图12C的流程图中所述，在示例性方法630中，从步骤632开始，DGA可以响应于来自受试者的询问来确定膳食的第一剂量指导。在一种实施方式中，确定第一剂量指导以在膳食开始时向受试者给药。在其它实施方式中，第一剂量指导可以是固定的膳食剂量(具有或不具有校正)或至少基于膳食的碳水化合物含量确定的膳食剂量。
在步骤634中，DGA可以计算膳食开始和来自受试者的询问之间的时间延迟。在一种实施方式中，可以使用上述延迟剂量检测算法来计算时间延迟。在一种实施方式中，延迟剂量检测算法可以估计检测到的膳食的开始时间，并且可以通过比较DGA接收到来自用户的剂量指导询问的时间和估计的开始时间来计算时间延迟。可以由DGA确定估计的开始时间，如关于其它实施方式所述。
在步骤636中，DGA可以确定与估计的内源性胰岛素量和时间延迟量相对应的因子，以响应于确定时间延迟大于零(>0)。延迟。在一种实施方式中，所述因子可以是分数。在一种实施方式中，可以由询问和估计的膳食开始时间之间的时间量来确定该因子，例如，从具有随着膳食开始的时间延迟增加而减小的小数值的通用查找表来确定。
在步骤638中，DGA可以输出第二剂量指导，其中第二剂量指导与第一剂量指导和因子相关。可以在UID 200上输出第二剂量指导。可以通过将第一剂量指导与在步骤636确定的因子相乘来计算第二剂量指导，该因子可以是分数。根据一些实施方式，例如，小于分数的单位值可以说明直到注射时间的内源性胰岛素产生。在一种实施方式中，该分数可以基于对膳食的模拟的2型代谢反应。虽然对于每个受试者来说可能是未知的，但是这个值与迟到剂量分数相加可以提供一个剂量，该剂量考虑内源性产生，以提供一个改变的剂量，该剂量保持用户餐后血糖在安全范围内。
用于复合膳食(例如甜点)的剂量指导
在一些情况下，患者将以覆盖计划膳食的量摄入餐时胰岛素，但是以后决定经常以“补充品(seconds)”或甜点的形式食用附加的食物。通常的策略是不管葡萄糖水平和趋势如何，以新的量再次给药，这通常在实践中进行。然而，可能存在这样的情况，即这不是正确的作用进程。例如，患者最初可能没有吃到足够的量以覆盖原始剂量，因此新的剂量可能太大，这可能潜在地导致低血糖发作。相反，如果患者采取保守的方法并且不给药任何附加的胰岛素来覆盖附加的食物，则可能发生高血糖发作。在一种实施方式中，DGA可以通过(1)确认用户正在继续用更多的食物扩展原始膳食，(2)在给药附加剂量之前通知用户低血糖的任何风险，以及(3)餐后监测此类风险，为复合膳食提供剂量指导。
DGA可以被配置为在UID 200上向用户输出初始询问，以确认正在用附加食物延长膳食。假定如果用户希望接收剂量指导，他们将首先打开剂量指导应用程序。在一种示例性实施方式中，如图13中所述的流程图中所述，在示例性方法660中，从步骤662开始，DGA可以被配置为确定用户对剂量指导的询问是否在第一次发作的时间段内进行，其中第一次发作包括具有开始时间的膳食。该时间段的开始时间可以是由实时膳食检测算法确定的膳食开始时间，并且该时间段的长度也可以由实时膳食检测算法确定。可以通过几种方式来确定膳食的开始时间，包括但不限于最后一次检测膳食(例如，通过实时膳食检测算法)，或结合膳食检测提供最后一次剂量指导和/或胰岛素剂量。
如步骤664所示，如果用户在一段时间内向DGA询问剂量指导，那么DGA可以向用户请求输入以确认是否已经通过附加的食物延长了膳食。DGA可以在UID 200上输出请求用户反馈的提示或其它指示。在一种实施方式中，DGA还可以请求来自用户的输入以确认剂量指导的目的是否校正高葡萄糖。在另一种实施方式中，DGA可以提示用户关于最近剂量指导请求的解释，并且可以任选地提供可选择的选项作为答案。所述选项可以包括例如响应于延长的膳食做出附加请求的选项，以及做出附加请求以校正不与附加食物摄取相关的高葡萄糖的选项。
如步骤666所示，DGA可以从膳食的开始时间确定低血糖风险。在一种实施方式中，为了避免由于胰岛素剂量堆积而引起的低血糖发作，DGA可以被配置为通过在膳食被附加的食物延长之前确定用户在当前血糖偏移中的点，来确定低血糖风险。DGA还可以被配置为从当前偏移中的确定点创建葡萄糖水平的前向投影，以确定用户的葡萄糖水平是否仍然在上升或下降。作为避免胰岛素堆积的安全措施，DGA可以被配置为在葡萄糖水平达到局部餐后最大值之前不提供剂量指导。例如，如果在用户的葡萄糖仍然升高的同时请求对复合膳食的剂量指导，那么DGA可以输出由于安全原因而在此时不能进行指导的通知。在一种实施方式中，如果确定了低血糖风险，则在步骤668，DGA可以被配置为通知用户不给药任何剂量或在配药时非常小心摄入。在另一种实施方式中，如果不存在低血糖风险，则在步骤670，DGA可以被配置为通知用户针对附加食物根据HCP推荐进行配药。此外，在一种实施方式中，如果DGA检测到已经输送了附加的剂量，则DGA可以被配置为推荐用户在至少约两小时之后检查他们的葡萄糖水平，以确保没有低血糖。
用于校正剂量(摄入剂量)的剂量指导方法
在某些情况下，外部因子可影响胰岛素剂量功效，导致剂量具有比预期更多的降糖作用。在这些情况下，用户可以保守地估计他们的胰岛素剂量以避免低血糖。如果个体不确定对于特定的膳食类型或规模而言胰岛素足够多，他们也可能保守地服药。例如，与用户通常消耗的膳食相比，膳食类型的脂肪和/或蛋白质可能更高。为了允许保守配药，DGA可以被配置为在餐后向用户提供餐后剂量指导和伴随的初始膳食胰岛素剂量。在一种实施方式中，DGA可以被配置为在初始膳食剂量指导和给药之后执行至少四个功能。DGA可以被配置为确认用户已经给药了少于初始膳食剂量指导中所指示的剂量的量。然后，DGA可以被配置为在建议附加剂量之前确定低血糖风险，并将该风险通知给用户。DGA还可以被配置为提供附加剂量指导，并且在注射附加剂量指导之后的一段时间内监测随后的低血糖风险。
在一种示例性实施方式中，在膳食开始时或接近膳食开始，用户将向DGA询问推荐剂量。如图14所述，在示例性方法700中，从步骤702开始，DGA可以响应于第一用户询问而输出第一剂量指导。可以在UID 200上输出第一剂量指导。在一种实施方式中，可以计算第一剂量指导以在膳食开始时给药。第一剂量指导也可以是固定剂量(具有或不具有校正)膳食指导。也可以基于膳食的碳水化合物含量来确定第一剂量指导。
然而，当给药胰岛素时，用户可以选择是否遵守推荐剂量指导。如果给药的剂量不同于推荐剂量，那么系统将记录该差异。如步骤704，DGA可以确定所给药的第一剂量是否不同于第一剂量指导。给药的第一剂量可以低于或高于第一剂量指导。在一种实施方式中，给药的第一剂量低于第一剂量指导。DGA可以被配置为记录给药的剂量何时小于推荐剂量指导。
在步骤708，DGA可以确定是否在给药第一剂量的时间段内接收到对第二剂量指导的第二用户询问。该时间段可以由实时膳食检测算法确定，或者可以是从给药第一剂量算起的预定时间。
在步骤710，如果确定在该时间段内接收到第二用户询问，则DGA可以请求来自用户的输入以确定第二用户询问是否是在餐后调整高葡萄糖水平。DGA可以在UID 200上输出请求用户反馈的提示或其它通知。例如，如果在保守剂量(例如，少于推荐剂量)之后在从第一次膳食剂量开始的一定时间内，DGA随后被询问进一步的剂量推荐，DGA可以使用询问时间以及配药不匹配的记录来提示用户关于第二次剂量指导的原因。在一种实施方式中，DGA可以被配置为请求输入以确定随后请求的剂量是覆盖附加的餐时食物还是解决餐后葡萄糖高的问题。如果用户请求了第二剂量指导以覆盖附加的餐时食物，则DGA可以遵循在说明书中的其它部分的“用于复合膳食的剂量指导”中描述的流程。
如果用户请求了第二剂量指导以校正餐后高葡萄糖，如步骤712所示，DGA可以通过至少确定用户的血糖是否增加来确定低血糖风险。在一种实施方式中，为了避免由于胰岛素剂量累积而引起的低血糖发作，DGA可以被配置为通过确定用户当前血糖偏移的点来确定低血糖风险。DGA还可以被配置为从当前偏移的确定点创建葡萄糖水平的前向投影，以确定用户的葡萄糖水平是否仍然在上升或下降。在一种实施方式中，作为避免胰岛素堆积的安全措施，DGA可以被配置为在葡萄糖水平达到局部餐后最大值之前不提供剂量指导。如果在用户的葡萄糖仍然升高的同时请求校正剂量推荐，则DGA可以被配置为提供为了安全原因而在此时不能做出指导的通知。在一种实施方式中，DGA可以被配置为提供不提供剂量指导的附加原因。例如，DGA可以被配置为提供活性的胰岛素的最近估计，如果可用的话，可以从基于人群的参数和用户特定的参数的组合中确定该估计。
在一种实施方式中，一旦DGA确定用户的血糖正在降低，则DGA可以被配置为在没有校正“补充(touch up)”剂量的情况下计算未来低血糖风险。在一种实施方式中，DGA可以被配置为通过计算当前葡萄糖水平的正向投射来计算低血糖风险，以检查可能的低血糖发作。在另一种实施方式中，DGA可以被配置为分析历史事件，以观察给定剂量对于给定的餐前葡萄糖范围诱导餐后低血糖的频率。在一种实施方式中，在步骤716，如果DGA确定当前低血糖风险高于预定义阈值，则DGA可以被配置为在UID 200上输出此时不再摄入胰岛素的推荐。
在步骤714，如果DGA确定用户没有当前低血糖风险，则DGA可以被配置为计算并输出剂量指导，就像后面的剂量是餐后校正一样。因此，在一种实施方式中，由于膳食已经完成，因此可以在不考虑新的碳水化合物摄取量的情况下确定后面的剂量。如关于等式(2)所讨论的，DGA可以被配置为计算第二剂量(校正剂量指导)作为葡萄糖校正部分的函数，从初始餐时剂量减去活性的胰岛素(IOB)的剩余量。
Figure BDA0003495745880000881
其中
Figure BDA0003495745880000891
是葡萄糖校正部分。
在一种实施方式中，DGA可以被配置为将校正剂量指导的葡萄糖校正部分计算为当前葡萄糖(BG(t))和目标葡萄糖(BGtarget)之间的差除以校正因子。校正因子可以是用户胰岛素敏感性因子(ISF)，是一种度量，其用作单个胰岛素单位降低空腹血糖的程度的度量。可以在算法学习期间为每个用户个性化ISF。在一种实施方式中，对于初始估计，胰岛素药代动力学(PK)的基于人群的统计量可用于估计IOB。速效胰岛素类似物通常在约45分钟内达到血浆峰值浓度，此后其曲线呈指数衰减，但是如果用户正在摄入超快速胰岛素类似物，则这段时间可能更短。该时间窗可以落在DGA由于葡萄糖水平升高而不能提供指导的休眠时段内。通过直接测量指数衰减，或者通过估计从胰岛素峰值浓度到餐前值的线性衰减，可以由该曲线估计IOB。IOB值可以说明葡萄糖水平从初始胰岛素剂量开始的当前下降，并且可以从葡萄糖校正量中减去以使胰岛素堆积最小化。当输送附加剂量时，应用程序用户接口将推荐用户在两小时后扫描他们的葡萄糖以确保没有低血糖。
用于膳食胰岛素治疗的餐后低血糖和高血糖警报方法
DGA可以被配置为产生和/或输出警报，或者以其它方式提前通知用户预测的或可能的未来低血糖和/或高血糖发作。这些警报将允许用户采取行动以将他们的血糖值保持在正常血糖范围内，这是糖尿病管理的主要目标。
与基于阈值的警报方法相比，DGA的预测警报方法可以基于低血糖/高血糖发作的预测发生概率、预测定时和预测严重程度。与预测警报方法相关的有几个优点。预测警报方法克服了如何设置最佳阈值的问题，这是基于阈值的警报的最常见问题之一。将阈值设置得太低会导致过多的误警报，而将阈值设置得太高会导致不能及时警报患者。此外，预测警报方法可以向患者提供关于即将到来的血糖发作的更具体的信息，包括发生概率、定时和严重程度。警报中提供的附加特异性可以使患者采取更合适的行动。此外，预测警报方法可以向患者提供适当动作的个性化选择。
在一种示例性实施方式中，如图15的流程图中所述，在示例性方法720中，从步骤722开始，DGA可以被配置为接收包括分析物(例如葡萄糖)时间序列数据和事件数据的多个数据。DGA可被配置为从每个个体患者的过去数据学习特定模式。由DGA接收的多个数据可以包括葡萄糖时间序列数据和其它事件标记以及相关联的时间戳。在一种实施方式中，葡萄糖时间序列数据的高阶导数和积分也是警报系统的相关输入。此外，多个数据还可以包括但不限于患者位置数据、日历日期数据、TOD数据和压力水平数据。事件数据可以包括但不限于膳食数据、点心数据、锻炼数据和药物配药数据、以及每个事件的相关时间戳。药物配药数据可以包括推注胰岛素剂量和量，和/或基础胰岛素剂量和量。
在步骤724中，DGA可以被配置为处理多个数据的至少一部分，以确定未来低血糖或高血糖发作的发生概率、预测定时和预测严重程度。在一种实施方式中，可以对每个事件类型的过去记录进行概述，以产生在近期内最可能发生的预测。可以参考TOD、一周的时间或参考与其它事件的相关性，来预测未来的血糖发作。例如，DGA可以被配置为预测一周中的特定天中当天的特定膳食之前或之后的锻炼事件之间的关联。
DGA可以被配置为使用葡萄糖值预测算法来预测未来的低血糖或高血糖发作。在一种实施方式中，该算法可以使用自然贝叶斯分类器来实现。在另一种实施方式中，该算法可以使用循环神经网络(RNN)、随机森林或各种方法的组合的长期短期存储器(LSTM)体系结构。在一种实施方式中，机器学习模型最初可以用临床研究和真实世界数据库中收集的葡萄糖时间序列数据来训练，以开发基于人群的模型。在一种实施方式中，基于人群的模型可以是每个患者在起始点的初始模型，并且该模型可以随着算法使用来自患者的数据进行连续训练而学习受试者特定的的模式。因此，DGA的性能可以在每个受试者使用时得到改善。
在步骤726中，DGA可以被配置为向患者警告预测的未来低血糖或高血糖发作。在一种实施方式中，DGA可以被配置为在UID 200上输出警报以通知患者，从而他们可以对警报发起动作，例如通过摄取碳水化合物来治疗将来的低血糖病症，或者通过摄入胰岛素来治疗未来的高血糖病症。在另一种实施方式中，DGA可以被配置为使得警报系统与配药算法相耦接以建议适当的治疗量。在预测未来的高血糖发作的一种实施方式中，DGA可以被配置为在UID 200上输出包括推荐剂量指导的警报。在另一种实施方式中，DGA可以被配置为在UID 200上提供显示，当用户想要确定是否推荐餐后胰岛素剂量时，可以访问该显示。例如，如果计算出未来低血糖的高概率，那么DGA可以被配置为输出指示不推荐额外胰岛素的剂量指导。DGA还可以被配置为在UID 200上输出与剂量指导无关的推荐。例如，DGA可以被配置为输出消耗碳水化合物的推荐，在经过短时间(例如15分钟)之后重新检查葡萄糖水平，设置在预设时间或用户配置时间之后检查葡萄糖的提醒，和/或启用低血糖阈值警报。除了输出警报之外，DGA还可以被配置为包括详细说明未来的低血糖/高血糖发作状态的显示。
在一种实施方式中，可以通过出现概率使特定的发作预测合格。不同级别的概率可以驱动不同的系统输出。例如，警报启动可能需要比患者所请求的餐后剂量指导显示更高程度的概率。
在另一种实施方式中，DGA可以被配置为具有可调整的预测方法的灵敏度或特异性。在一种实施方式中，不同的灵敏度和/或特异性水平可以允许用户或DGA选择适合于当时用户的参与水平的灵敏度和/或特异性水平。例如，当用户需要关注生活的其它方面时，用户可以选择更高的特异性，使得用户只能被提醒非常紧急的情况。在另一种实施方式中，可以选择较高的灵敏度。例如，当用户决定分配更多的时间来改进葡萄糖管理时，可以主动地选择具有较高灵敏度的预测系统以防止紧急情况的发生。在一种实施方式中，与学习模块本身一样，灵敏度和特异性设置可以最初基于人群数据。当记录更多的用户选择时，模式识别可以试图将一周中的几天(例如，离散的7天、或工作日对周末)、一天中的时间、以及用户日历中记录的活动的潜在密度，以便在任何给定时间评估最可能的灵敏度和特异性设置偏好。
系统特征
DGS 100可以包括解决胰岛素密集性糖尿病管理期间发生的常见事件的系统考虑。目前的胰岛素推注剂量计算器没有考虑这些现实世界事件，使得用户可以根据他们的最佳判断来修改推荐剂量。尽管患有糖尿病的人应当能够修改理想的剂量推荐以适应现实世界的发生，但是这样的考虑可能对患有糖尿病的人造成重大的认知负担。为了减少该负担并创建更方便用户的配药系统，DGS 100利用胰岛素和葡萄糖数据适当地调整剂量以适应现实世界的情况。这些系统特征还通过医师修改配药参数的能力而进一步得到增强。
HCP重写剂量指导设置
DGA可以提供基于个体化参数(如固定剂量、目标葡萄糖、校正因子和胰岛素作用的持续时间)的剂量指导。用户可以以不同的方式查看这些不同的参数。例如，用户可以通过DGA内的设置选项卡在UID 200上查看参数，或者作为剂量推荐的可查看的细目。尽管用户可以查看作为推荐剂量的一部分的这些参数，但是这些值可以严格地是信息性的，并且可能是用户不可编辑的。
相反，DGA可以被配置为允许用户的HCP查看这些值作为例如面向临床的系统web应用程序的一部分，并且还可以被配置为允许HCP编辑这些参数中的一个或多个。该web应用程序可以通过一系列患者葡萄糖值(如葡萄糖浓度曲线)以及胰岛素剂量统计来显示患者性能度量。如果HCP想要修改剂量推荐以适应其它治疗方案的变化，则面向临床医师的web应用程序可以允许HCP编辑用户特定的剂量参数，包括但不限于上述那些。
在一种示例性实施方式中，如图16A的流程图中所述，在示例性方法800中，在步骤801中，HCP可以调整用于在剂量指导应用程序中为受试者提供胰岛素剂量指导的至少一个参数，以创建新的胰岛素剂量指导。例如，HCP可以调整固定剂量、目标葡萄糖、校正因子和胰岛素作用持续时间中的至少一个。在调整所述至少一个参数以创建新的胰岛素剂量指导之前，HCP可以查看葡萄糖浓度曲线和胰岛素统计，以确定受试者在一天中的任何时间段内是否经历任何低或高葡萄糖模式，以便如果需要的话通知他们需要调整哪个胰岛素剂量指导。高或低葡萄糖模式可由GPA确定，如说明书别处所述。
在HCP改变至少一个参数之后，在步骤802中，可以将新的胰岛素剂量指导通知受试者。此外，还可以向受试者提供改变剂量指导的解释。在一种实施方式中，用户和HCP中的一个或两个可以在改变生效之前批准剂量指导中的任何改变。参数和剂量指导可以保持固定达一定的时间段(例如，14天以与传感器的寿命一致)，尽管任何未改变的参数仍然可以被允许作为算法的连续学习的一部分而改变。
在步骤804中，DGA可以确定在至少一个参数被调整之后，受试者是否经历任何低血糖发作长达一段时间，例如14天。如果在这段时间内观察到任何低血糖的情况，则可以立即通知HCP以确定参数是否应恢复到它们的重写之前或调整之前的值。在该时间段结束时，可以要求HCP检查在该时间段期间受试者的性能，例如受试者的葡萄糖浓度曲线和胰岛素统计，并确认是否应当保持对配药参数的调整。如果HCP确定保持配药参数调整，那么这些值可以用作滴定未来剂量的初始条件。与那些值相关联的所有以前数据的历史在任何将来的剂量推荐中可以被否定或者非常轻地加权。
如果HCP仅口头通知用户配药改变，而不更新DGA，例如通过web应用程序，在输出的剂量指导和给药剂量之间可能存在差异。如果在延长的时间段上(例如，三天时段)一致地观察到这种差异，那么DGA可以向用户和HCP两者提供通知以询问是否发生了配药量的任何变化。如果用户和HCP都确认，则算法可以采用上述策略。此外，该系统可以提示用户输入这种持续变化的原因。
DGA还可以包括“10％”减少按钮。如果由HCP与特定剂量推荐相关联地选择，剂量推荐将自动减少10％，例如1U。例如，HCP可能想要由于非胰岛素药物剂量的改变而减少患者的胰岛素剂量。已知这种剂量变化可使患者对胰岛素更敏感。因此，患者的当前胰岛素方案可能在降低葡萄糖和引起低血糖方面太过有效。作为预防措施，HCP可以减少胰岛素剂量。在该实例中，DGA可以基于向前的调整值进行滴定。
由胰岛素和葡萄糖数据对活性的葡萄糖传感器故障进行检测
尽管葡萄糖传感器101可以具有内置故障检测以通知用户移除和更换当前传感器，DGS 100还可以被配置为通过胰岛素总日剂量提供故障检测。
在一种示例性实施方式中，如图16B的流程图中所述，在示例性方法807中，从步骤808开始，可以从MDD 152接收受试者的胰岛素剂量数据。
在步骤810中，DGA可以确定多个推荐胰岛素剂量与在一段时间内给药的多个先前胰岛素剂量相比是否不同。所述多个胰岛素剂量指导中的每一个和所给药的多个先前胰岛素剂量中的每一个与TOD时段相关联，并且可以将所述多个胰岛素剂量指导中的每一个与所给药的与相同TOD时段相关联的多个先前胰岛素剂量中的一个进行比较以确定差异。如果剂量指导不同于在相同时间段内给药的相应的先前剂量，检测到差异。如果传感器102读取与过去的传感器相比更高的葡萄糖水平，则由于增加了高葡萄糖校正，推荐的剂量可能类似地高。相反，如果传感器102的读数远低于以往的传感器，则推荐剂量可以急剧降低以防止低血糖。
在步骤811中，DGA可以确定在紧邻检测到差异的时间段的开始的时间内是否有新的传感器已经连接到SCD 102。如果确定新的传感器最近连接到SCD，那么在步骤812中，DGA可以推荐更换新的传感器。虽然对于高或低传感器葡萄糖读数存在多种原因，如果这些异常葡萄糖水平和剂量指导的开始与新传感器的放置一致，并且持续传感器102磨损的时间，那么故障传感器可能是这种偏差的根本原因。在这种情况下，DGA可以通知用户更换葡萄糖传感器102。
响应于辅助治疗或新的胰岛素型的配药策略改变
对于患有2型糖尿病的患者，强化治疗性糖尿病治疗通常是非常复杂的。除了胰岛素外，糖尿病患者经常摄入各种药物，这些药物在胰岛素敏感性逐渐丧失的情况下补充或协同作用以改善葡萄糖内环境稳定。辅助治疗的改变，如促分泌素或基于促生长素的治疗，可以影响内源性胰岛素的产生以及组织对胰岛素的敏感性。由此，辅助治疗中的任何改变可以影响随后的外源性胰岛素功效，并且应当被认为是任何胰岛素剂量指导的一部分。如果用户切换到不同的胰岛素(例如，从速效到超速效或者从每天一次基础剂量到每天两次基础剂量)，则会出现类似的情况。
当HCP改变患者的辅助治疗或胰岛素类型时，可发生配药策略的改变。在这种情况下，如上所述，HCP可以提供胰岛素配药参数的调整，以使任何低血糖发作最小化。然而，在一些情况下，DGA可能不被告知辅助治疗或配药推荐中的任何变化。在这种情况下，该系统可以监测一段时间内与胰岛素剂量相关的差异趋势。
在一种示例性实施方式中，如图16C的流程图中所述，在示例性方法813中，从步骤814开始，可以从MDD 152接收受试者的胰岛素剂量数据。
在步骤816中，DGA可以检测与在一段时间内在一天的第一时间内给药的多个胰岛素剂量相关的差异趋势。差异趋势可包括但不限于：建议剂量与给药剂量之间的差异，以及给定剂量(在响应的幅度或寿命方面)相对于在该剂量值下的先前给药的效力的差异。如果在一段时间内观察到任何差异趋势，那么在步骤818中，DGA可以向用户、HCP或两者提供关于差异趋势的通知。时间段可以是约2天、可替代地约3天、可替代地约4天。在一种实施方式中，DGA还可以在UID 200上向HCP和/或用户输出提示，用于确认治疗变化，以解释差异趋势。
在差异趋势是给药剂量始终不同于来自DGA的推荐剂量的情况下，HCP可以重写用户的配药参数，如以上部分“HCP重写剂量指导设置”中所讨论的。当差异趋势是推荐剂量在餐后葡萄糖控制方面与以往给药相比具有显著且一致的差异时，胰岛素功效可能已经改变。胰岛素功效的这种变化可以是在幅度上(指示辅助治疗的变化)或在持续时间上(指示胰岛素类似物的变化)。
在辅助药物改变的情况下，一旦用户和HCP确认改变，DGA可以被配置为进入保守模式，其中剂量建议可以是先前剂量指导的一小部分。然后DGA可以滴定配药参数和量以优化这些新条件。在胰岛素类型改变的情况下(例如，从速效到超速效)，响应的幅度不应当改变，因为两者之间的市场上的差别在于药物的快速起效/偏移。相反，响应持续时间可以改变。为了抵消这一点，可以使用新胰岛素类型的基于人群的值来估计胰岛素作用的持续时间，直到系统可以为其确定新的个体化值。
用户摄入与推荐的剂量指导不同的剂量
虽然DGA可以向用户推荐剂量，但是DGS 100不能确保用户严格遵守剂量指导。DGA可以记录给药和建议剂量之间的任何差异，并检测差异的趋势。在上述部分“HCP重写剂量指导设置”和“响应于辅助治疗或新的胰岛素类型的配药策略改变”中讨论了观察到的持续趋势。
在一种示例性实施方式中，如图16D的流程图中所述，在示例性方法820中，从步骤822开始，DGA可以检测与为第一时间段提供的剂量指导相比，与在第一时间段内受试者给药的胰岛素剂量相关的差异。DGA可以将剂量指导与从MDD 152接收的胰岛素剂量数据进行比较，以确定是否向用户给药了不同于剂量指导中所指示的剂量。与所提供的剂量指导相比，所给药的剂量可以是摄入不同量的胰岛素或摄入不同类型的胰岛素。
摄入与剂量指导不同的剂量的一个特殊实例是当用户摄入正确量的错误胰岛素时(例如，注射长效而非速效，反之亦然)。对于任何配药情况，DGA可以计算给定胰岛素类似物类型的最佳剂量；即，对于餐时剂量和校正剂量为速效，对于基础剂量为长效。为了避免任何错误，DGA可以在UID 200上的剂量指导期间输出胰岛素类型和量。MDD 152可以记录和传送所给药的胰岛素的量和类型。DGA可以收集关于哪个胰岛素类型用于注射的信息，并检测任何差异。当检测到差异时，可以在UID 200上向用户作出通知。该通知可以指示DGA检测到使用了不同的胰岛素类型，并使用户确认。
在用户给药了错误类型的胰岛素的情况下，可以向UID 200输出胰岛素不匹配通知，以提醒用户甚至在低血糖警报被触发之前严重低血糖发作的可能性，以尽快提醒用户。例如，如果用速效剂量代替长效剂量，严重的低血糖可能即将发生。推理有三重：(1)如名称所暗示的，速效胰岛素在给药后很快比长效胰岛素具有更显著的效果，(2)每天一次的长效剂量可以远大于单次的餐后速效剂量，(3)取决于最后一次餐前剂量的定时，意外的速效推注可导致胰岛素堆积。如果用长效剂量代替速效餐时剂量，结果可能是更不可预测的。假定相对于速效胰岛素具有较慢的药代动力学和药效分布，在意外配药长效胰岛素后，餐后血糖可导致患者在注射后很快血糖升高。取决于先前长效剂量的定时，存在胰岛素堆积和随后低血糖的可能性，具体是当注射后约6小时当前剂量达到其最大血浆浓度时。仍然可以在UID 200上的通知中告知用户发生严重低血糖的可能性。在任一情况下，DGA都不能对胰岛素剂量做出任何推荐，直到注射的胰岛素活性值接近于零(例如，对于速效为约5-6小时，对于长效为约12-24小时)。这些期间的葡萄糖数据也可以由系统标记，不用于进一步的参数细化和剂量滴定。
在步骤824中，DGA可以检测与在第一时间段给药的胰岛素剂量相关的任何低血糖发作。当例如葡萄糖水平下降到低于70mg/dL时，DGA可确定低血糖发作。
在步骤826中，DGA可以将与检测到的在第一时间段内给药的胰岛素剂量相关的任何低血糖发作通知给受试者和/或HCP。通知可以被输出到UID 200。当DGA观察到用户由于持续摄入超过推荐胰岛素剂量而经历低血糖时，DGA可以向UID 200输出预测性低血糖警报，以在实际低血糖事件本身之前一段时间通知用户，从而减轻该时刻的相关副作用。然而，如果低血糖是由于持续(例如，被定义为三个独立的发作，或者被定义为四个独立的发作)配药超过推荐值而发生的，则可以通过系统电话应用程序向用户发送通知，并且通过面向临床的web应用程序向HCP发送通知，以警告这两种趋势。
DGA可以注意到似乎不是较宽趋势的一部分的任何差别，并且给定的剂量可以被并入到系统中连续学习个体的配药模式中。与任何给药剂量一样，可以注意餐后度量。任何时候，不同的剂量与餐后低血糖(例如，小于70mg/dL)或任何其它负面结果相关联，该剂量可以被标记针对用户和HCP两者，以帮助他们各自具有改进的配药方法。该标记可以采取HCP的葡萄糖模式报告中的注释或用户的DGA胰岛素日志中的注释的形式。
系统如何负责连续的许多剂量
为了确保精确的剂量记录，DGA应当能够正确地解释在短时间内发生多次胰岛素注射的情况。这可能发生的情况包括在实际剂量之前(潜在地多次)引发(priming)，以及对于给定剂量推荐进行多次注射。
在一种示例性实施方式中，如图16E的流程图中所述，在示例性方法827中，从步骤828开始，可以从MDD 152接收受试者的胰岛素剂量数据。
在步骤830中，DGA可以检测多种胰岛素剂量的给药。所述多个胰岛素剂量至少包括第一剂量和最后剂量，其中所述最后剂量在所述第一剂量的时间段内给药。如果在短时间内给药多个剂量，所给药的剂量中的至少一个可以是引发剂量。胰岛素输送中的一种最佳操作方法是在每次注射时使用一个新的针，并在剂量给药之前用胰岛素引发每个新的针。这是通过将小体积(通常为2U)的胰岛素分配到空气中，直到在针尖处可见胰岛素，表示针充满了注射液，从而实现。为了区分引发体积，DGA可以假定：(1)引发剂量通常远小于实际剂量，(2)引发剂量每次都是相同的量，以及(3)引发量和剂量之间经过的时间很少。可替代地，在短时间内给药多个剂量的情况下，由于必须注射的体积大，多个剂量实际上可以是分开剂量的一部分。例如，用户的MDD 152可以具有比所请求的剂量更少的胰岛素剩余量，因此需要更换药筒和随后进行附加注射。
在步骤832中，如果满足第一标准，则DGA可以记录最后的剂量作为所给药的剂量。如果在第一剂量的约1分钟内、可替代地在约2分钟内、可替代地在约3分钟内给药最后的剂量，则可以满足第一标准。在这种情况下，DGA可以认为第一剂量和任何随后的中间剂量(除了最后的剂量)是引发剂量，因此不认为是实际给药的剂量。因此，DGA可以被配置为仅记录最后的剂量作为所给药的剂量。因为引发剂量通常涉及小体积胰岛素，所以另一种实施方式中，如果第一剂量显著小于最后剂量，则可以满足第一条件。例如，如果第一剂量可以是最后剂量的约十分之一、可替代地约五分之一、可替代地约四分之一、可替代地约三分之一，则可以满足第一条件。
可替代地，在步骤833中，如果满足第二标准，DGA可以记录第一和最后剂量组合的量，作为所给药的剂量的量。当通过在长于引发时间段(例如1-3分钟)的时间段(例如约4-约35分钟，可替代地约5-约30分钟)内进行的多次较小注射来输送单剂量时，可以满足第二标准。例如，用户的MDD 152可以具有比所请求的剂量更少的胰岛素剩余量，因此需要更换药筒和随后进行附加注射。在这种情况下，DGA可能不将这些注射解释为不同的事件，而是解释为同一配药事件内的两个动作。为此，DGA可以在记录配药中使用等待时间，仅在第一次剂量给药后约30分钟最后记录胰岛素剂量值。例如，如果DGA推荐10U的餐时剂量，但是在胰岛素筒中仅剩下4U，将有两次分开的注射：一次用于最初的4U，另一次用于剩余的6U。如果新的针用于第二次注射，也会出现中间的引发剂量。当首先给予4U剂量时，DGS 100可以继续寻找剩余的6U剂量。如果6U剂量在第一剂量的30分钟内到达，那么DGA可以将其视为一个10U剂量。在实际剂量之间检测到一个或多个引发剂量的情况下，DGA可以认为第一剂量和最后剂量之间的所有剂量都是引发剂量，因此不包括在最终剂量中。当DGA与MDD 152通信时，DGA可以被配置为与胰岛素剂量信息一起输入剩余的胰岛素药筒体积。通过知道药筒内剩余的胰岛素量，DGA可以被配置为预测由于药筒切换而导致的分开剂量，甚至向用户通知剩余的胰岛素量。
在另一种实施方式中，DGA可以被配置为将引发剂量和随后的剂量考虑为分开剂量，并且将两个剂量相加在一起以获得包括引发剂量的单个餐时值。如果引发剂量远小于膳食剂量，则引发剂量对剂量指导的算法滴定的影响可忽略不计。这样，它将类似于下面描述的用于分开剂量的逻辑。虽然并不精确，但是假设对于患有胰岛素抗性增加的2型糖尿病的患者，引发体积远小于注射体积可能是合理的。
用来自错过剂量的葡萄糖数据滴定
为了提供对于本质上进行的疾病的最佳药物推荐，DGA可以不断地改进其对于用户特定配药参数的估计。因此，有必要识别适当的数据流，基于该数据流来进行算法学习。为了避免混淆结果，DGA可以被配置为仅基于与用户自己的临床推荐配药策略对齐的胰岛素和葡萄糖数据来进行学习。这些策略包括但不限于：仅基础剂量、基础剂量加上一个餐时速效胰岛素剂量、基础剂量加上两个餐时速效胰岛素剂量、以及基础剂量加上三个餐时速效胰岛素剂量的全天多次注射策略。
在一种示例性实施方式中，如图16F的流程图中所述，在示例性方法833中，从步骤834开始，可以从MDD 152接收受试者的胰岛素剂量数据。
在步骤836中，DGA可以检测胰岛素剂量的错过给药，其中胰岛素剂量具有与作用持续时间相关的时间段。例如，在提供剂量指导之前，DGA可以在初始学习期间首先识别用户的配药策略。使用自动膳食检测方法和来自蓝牙连接的MDD 152的数据，该系统还可以识别膳食事件及其伴随的剂量。因此，DGA可以确定对于给定的膳食是否错过了剂量。当没有来自用户长效MDD 152的报告数据时，可以检测到错过的基础剂量。
在步骤838中，DGA可以忽略与确定对胰岛素剂量指导的调整的时间段相关联的葡萄糖分析物数据。相对于以往情况，一次错过餐时剂量可能导致血糖升高和胰岛素推注。这些改变的餐时剂量以及错过膳食后的葡萄糖水平会使DGA对于给定的配药策略所确定的当前剂量滴定偏离。类似地，错过基础剂量可导致胰岛素作用期间葡萄糖持续升高，通常假定胰岛素作用期间为一天。因此，DGA算法可以仅包括伴随胰岛素剂量的膳食中的葡萄糖和胰岛素数据。对于速效胰岛素，作用持续时间可以是约4小时、可替代地约5小时、可替代地约6小时、可替代地约4小时至约6小时之间。例如，如果错过了早餐剂量，那么在早餐开始之后得到的4小时葡萄糖数据可能不包括在剂量滴定中。对于长效胰岛素，作用持续时间可以是约18小时、可替代地约20小时、可替代地约24小时、可替代地约20小时至约24小时之间。因为长效胰岛素既有助于维持膳食之间血糖正常，又可预防糖尿病酮酸中毒的情况，所以系统算法在作用持续时间内可能不包括任何错过基础剂量的数据。例如，甘精胰岛素具有报告的24小时胰岛素作用持续时间。如果给药甘精的用户错过每日的基础剂量，那么来自随后24小时的所有数据将不会被系统用于剂量滴定。
鼓励用户不要错过剂量
通过减少与错过剂量相关的高血糖以及减少过度补偿校正剂量引起的低血糖，对良好滴定的胰岛素剂量方案的依从性可以改善糖尿病管理。DGA可以被配置为向用户提供突出显示剂量依从性的积极影响的可操作的、容易解释的数据。一种这样的方法是提供时段性的更新，该更新将具有错过剂量对比未错过剂量的范围内时间的葡萄糖或另一个相关统计量进行比较。
在一种示例性实施方式中，如图16G的流程图中所述，在示例性方法840中，从步骤841开始，可以从MDD 152接收受试者的胰岛素剂量数据。
在步骤842中，DGA可以检测胰岛素剂量的错过给药。在步骤846中，DGA可以确定受试者的葡萄糖水平在目标范围(TIR)内保持第一时间段和第二时间段的时间量。目标范围可以由DGA、用户或HCP设置。目标范围可以在约70mg/dL至约180mg/dL之间、可替代地在约70mg/dL至约190mg/dL之间、可替代地在约70mg/dL至约200mg/dL之间。第一时间段和第二时间段可以是相同的时间量，其中第一时间段不包括胰岛素剂量的错过给药，第二时间段包括胰岛素剂量的错过给药。因此，可以准备包括错过剂量和不包括错过剂量的时间段的TIR的比较。
在步骤848中，DGA可以向用户通知在第一时间段和第二时间段所确定的TIR。如果两个确定的TIR之间的差值(即，第一时段的TIR减去第二时段的TIR)大于阈值量，则可以在UID 200上向用户显示肯定消息，以鼓励良好的配药行为和教育用户注意剂量依从的好处。一个实例是通知用户，当与错过膳食剂量的天相比时，摄入所有剂量的天导致范围内时间增加10％。
安全特征
本文所述的DGS 100的安全特征的示例性实施方式在指导和滴定过程中优先考虑用户安全。目前的胰岛素推注剂量计算器利用静态配药参数来计算剂量建议。用户或HCP对这些值的任何更新都是一个尝试，在一些情况下，错误过程会诱发低血糖。作为自动化过程，DGA可利用用户胰岛素和葡萄糖数据滴定这些参数，提供适合用户并可随用户改变的剂量指导。可以结合安全措施以确保推荐的滴定不会导致配药后低血糖。
安全滴定方法
DGA的滴定逻辑可被配置为使得剂量滴定没有增加，直到低血糖的一天中的时间被缓解。当HCP手动滴定时，HCP可能想增加一些剂量，而减少其它剂量，以便尽快完全滴定，从而减少耗费时间。然而，由于不涉及HCP时间，自动化系统可能滴定得更不积极，即耗费更长时间(并且更保守和更安全)。因此，当滴定开始时，低血糖患者最初可能经历较高的平均葡萄糖，但是一旦低血糖减轻，胰岛素剂量可以安全地增加以达到降糖目标。
餐后检测高葡萄糖模式的一个问题是前一餐可能具有餐后葡萄糖，这导致下一餐从高葡萄糖开始。如果发生这种情况，则由于高起始葡萄糖，可能错误地指示下一餐的高模式。为了解决这个问题，如果需要，DGA的滴定策略可以包括在滴定膳食剂量之前首先滴定过夜剂量。此外，在连续顺序滴定当天晚些时候的具有高葡萄糖模式的膳食之前，膳食剂量可以按照首先具有高葡萄糖模式的最早膳食的顺序滴定。例如，推荐可以首先滴定与过夜时间相关的胰岛素剂量。接下来，对于在任何餐后时间段内检测到的任何高葡萄糖模式，可以在提供与晚餐相关的剂量推荐之前，提供与午餐相关的剂量推荐，在这之前提供滴定与早餐相关的胰岛素剂量的推荐。首先滴定前一餐确保了下一餐的餐前高葡萄糖最小化，减少推荐滴定将影响或干扰下一餐滴定的机会。
对于本文所述的实施方式，DGA可以检测高和低模式，如相对于说明书中别处所述的GPA所述。
对于本文所述的实施方式，当DGA可以被配置为推荐改变(例如，增加或减少)胰岛素剂量时。推荐的改变量可以是胰岛素的任何所需量，例如小数个胰岛素单位(0.1单位，可替代地0.5单位)、可替代地单个单位(1.0单位)、可替代地两个或更多个胰岛素单位(2.0或更多)、或其任意组合。为了便于描述，在此描述的实施方式将参考以一个单位间隔的调整。
DGA可以以各种不同的方式执行在安全滴定实施方式中描述的各种步骤。例如，所述步骤可以在每次膳食之前、可替代地在一天的开始、可替代地在一天的结束、可替代地每天、可替代地每隔一天、可替代地每隔两天、可替代地每当用户向DGA询问剂量推荐时、或其组合。
在一种示例性实施方式中，DGA可以访问测量的葡萄糖数据(例如，来自SCD 102)。DGA可以确定在过夜时段是否存在高葡萄糖模式。如果在过夜时段检测到高模式，则DGA可以改变剂量指导。例如，如果这样做是安全的，而不会在一天的任何时段中引起任何低葡萄糖模式，则DGA可以在基础剂量的剂量指导中增加药物的量。然后，DGA可以确定在一天中的至少一个餐后时段中是否存在高葡萄糖模式。如果检测到高模式，则DGA可以在与当天的至少一个餐后时段中的最早者相关联的剂量指导中增加药物量。此后，DGA可以被配置为使得DGA可以在剂量指导中增加药物量，该剂量指导与被确定为具有高葡萄糖模式的当天的至少一个餐后时段的下一个最早时段相关联。
在另一种示例性实施方式中，如图17A的流程图中所述，在示例性方法850中，在步骤852，DGA可响应于在受试者的分析物数据中检测到在至少一天中的第一时间段内的低葡萄糖模式而输出第一剂量指导，其中第一剂量指导小于一天中的所述至少第一时间段的先前剂量。第一剂量指导可以被输出到UID 200。如果检测到低葡萄糖模式，则DGA可以输出与检测到低葡萄糖模式的时段相关联的剂量指导。DGA可以被配置为使得其不推荐减少胰岛素剂量以解决高葡萄糖模式，直到不再检测到低葡萄糖模式。
在步骤856，DGA可以响应于在过夜时段在受试者的分析物数据中检测到高葡萄糖模式而输出第二剂量指导，其中第二剂量指导小于过夜时段的先前剂量。例如，如果基础剂量增加是安全的，例如如果这样的增加不会在一天中的另一时间段内导致低葡萄糖模式，则DGA可以推荐基础剂量增加。
在步骤860，DGA可响应于在所述受试者的分析物数据中检测到在至少一个餐后时段中的高葡萄糖模式而输出第三剂量指导，其中第三剂量指导小于至少一个餐后时段的先前剂量。在一种实施方式中，DGA可以被配置为检测在一天的任何时间段内发现的所有高葡萄糖模式。在另一种实施方式中，DGA可以被配置为检测早餐后时段是否具有高葡萄糖模式，然后DGA可以被配置为检测午餐后时段是否具有高葡萄糖模式，然后DGA可以被配置为检测晚餐后时段是否具有高葡萄糖模式。
如果确定在多于一个餐后时段中存在高葡萄糖模式，则由DGA输出的第三剂量指导可以与在当天最早出现的具有高葡萄糖模式的餐后时段相关联。例如，如果在早餐后和午餐后检测到高葡萄糖模式，则DGA可以在推荐增加与午餐相关的推荐胰岛素剂量之前增加与早餐相关的推荐胰岛素剂量。此外，DGA可以在推荐增加与午餐相关的推荐胰岛素剂量之前，重新评估早餐后时段的高葡萄糖模式是否被缓解。
在另一种示例性实施方式中，如图17B的流程图中所述，在示例性方法862中，从步骤864开始，DGA可以在一天中的任一时段中检测低葡萄糖模式。如在别处所述，可以基于GPA来检测低模式。如果检测到低葡萄糖模式，那么在步骤866，DGA可以输出检测到低葡萄糖模式的一天时段的第一剂量指导。与在检测到低葡萄糖模式的一天时段中给药的先前剂量相比，第一剂量指导可以包括更低的药物量。DGA可以被配置为不推荐胰岛素剂量的任何增加以解决高葡萄糖模式，直到在任何时间段内不再检测到低葡萄糖模式。
在步骤868，DGA可以检测在过夜时段是否存在高葡萄糖模式。如果检测到高葡萄糖模式，则在步骤870，DGA可以输出基础剂量的第二剂量指导。例如，如果DGA已经确定这种改变是安全的，例如，这种增加不会在一天的另一时间段内引起低葡萄糖模式，则第二剂量指导可以包括比现有基础剂量更高的药物量。在一种实施方式中，第二剂量指导可以包括比前一天给药的基础剂量更高的药物量。
在步骤872，DGA可以检测在早餐后时段中是否存在高葡萄糖模式。如果检测到高葡萄糖模式，则在步骤874，DGA可以输出第三剂量指导。第三剂量指导可以增加与早餐相关联的推荐胰岛素剂量，即，第三剂量指导可以包括比先前早餐后剂量更高的药物量。在一种实施方式中，第三剂量指导可以包括比前一天给药的早餐后剂量更高的药物量。
在步骤876，DGA可以检测在午餐后时段中是否存在高葡萄糖模式。如果检测到高葡萄糖模式，则在步骤878，DGA可以输出第四剂量指导。第四剂量指导可以增加与午餐相关联的推荐胰岛素剂量，即第四剂量指导可以增加与午餐相关的推荐胰岛素剂量，即第四剂量指导可以包括比先前午餐后剂量更高的药物量。在一种实施方式中，第四剂量指导可以包括比前一天给药的午餐后剂量更高的药物量。
在步骤880，DGA可以检测在晚餐后时段中是否存在高葡萄糖模式。如果检测到高葡萄糖模式，则在步骤882，DGA可以输出第五剂量指导，即第五剂量指导可以增加与晚餐相关联的推荐胰岛素剂量，即第五剂量指导可以包括比先前晚餐后剂量更高的药物量。在一种实施方式中，第五剂量指导可以包括比前一天给药的晚餐后剂量更高的药物量。在一种实施方式中，如果这样做是安全的，例如可以增加而不引起如果在过夜时段低葡萄糖模式，则DGA可以只增加与晚餐相关的推荐胰岛素剂量。
在另一种示例性实施方式中，如图17C的流程图中所述，在示例性方法883中，在步骤885，DGA可以检测在过夜时段是否存在高葡萄糖模式，如参考GPA所解释的。
如果在过夜时段检测到高葡萄糖模式，那么在步骤886，DGA可以确定基础剂量的增加是否可以在一天的任何时间段内引起低葡萄糖模式。如果基础剂量的增加可以在一天中的任何时间段内引起低葡萄糖模式，则在步骤887，DGA可以输出针对被确定为具有低葡萄糖模式的一天的时间段的第一剂量指导。第一剂量指导可以减少与被确定为具有低葡萄糖模式的时段相关联的推荐胰岛素剂量，即第一剂量指导可以包括比一天同一时段中给药的先前剂量更低的药物量。在一种实施方式中，第一剂量指导可以包括比一天同一时段前一天给药剂量更低的药物量。
如果基础剂量的增加没有被确定为在任何时间段内引起低葡萄糖模式，则在步骤888，DGA可以输出第二剂量指导。第二剂量指导可以增加推荐的基础剂量以解决过夜时段的高葡萄糖模式，即第二剂量指导可以包括比先前基础剂量更高的药物量。在一种实施方式中，第二剂量指导可以包括比前一天给药的基础剂量更高的药物量。此后，DGA可以被配置为使得，在DGA输出第一剂量指导之后，这减少了与在步骤887中确定为具有低葡萄糖模式的时间段相关联的一天中的时间段相关联的推荐胰岛素剂量，然后在步骤888中DGA可以执行下一次滴定迭代，然后在步骤885中确定在过夜时段是否存在高葡萄糖模式。
在另一种示例性实施方式中，如图17D的流程图中所述，在示例性方法890中，从步骤891开始，DGA可以检测晚餐后时段中是否存在高葡萄糖模式。如果在晚餐迟到间检测到高葡萄糖模式，那么在步骤892，DGA可以确定与晚餐相关联的胰岛素剂量是否可以安全地增加。例如，如果与晚餐相关的胰岛素剂量能在过夜时段引起低葡萄糖模式，则不能安全地增加晚餐剂量。
如果可以安全地增加与晚餐相关联的胰岛素剂量，在步骤893，DGA可以输出第一剂量指导。第一剂量指导可以增加与晚餐相关联的推荐胰岛素剂量，以解决晚餐后时段的高葡萄糖模式，即第一剂量指导可以包括比先前晚餐后剂量更高的药物量。在一种实施方式中，第一剂量指导可以包括比前一天给药的晚餐后剂量更高的药物量。
如果不能安全地增加晚餐剂量，在步骤894a，DGA可以输出第二剂量指导。第二剂量指导可以减少或降低推荐的基础胰岛素剂量，即第二剂量指导可以包括比先前基础剂量更低的药物量。在一种实施方式中，第二剂量指导可以包括比前一天给药的基础剂量更低的药物量。DGA还可以被配置为使得，此后，在DGA在步骤894a中减少推荐的基础剂量之后，DGA然后可以在步骤894b中执行下一个滴定迭代，然后在步骤891中确定在晚餐后时段中是否存在高葡萄糖模式。
MDD的连接性问题
精确的剂量指导要求DGA能够获得最近的葡萄糖分析物数据和胰岛素剂量数据。任一数据中的缺漏都可能导致不准确的推荐，这可能导致严重的低血糖发作。
在一种示例性实施方式中，如图17E所示，在示例性方法895中，从步骤896开始，DGA可以接收或以其它方式访问受试者的胰岛素数据(例如，从MDD 152)。例如，DGA可以通过从不同的来源请求输送信息来检查最近的胰岛素输送信息，包括但不限于MDD 152、MDD相关的应用程序、或存储最近胰岛素输送信息的接口(例如MDD应用程序web服务器)、或通过检查各种应用程序的存储器以获得最近胰岛素输送信息。
在步骤897，DGA可以确定是否已经接收到与向受试者给药的最后剂量相关联的数据。该步骤可特别适用于负责记录剂量给药的装置或软件不同于DGA或执行DGA的装置的实施方式。在DGA自动被提供剂量给药数据(例如，由MDD 152执行DGA)的实施方式中，则该步骤可能不适用。
DGA可以基于不同的因子来确定它是否具有最近的可用数据。在一种实施方式中，所述确定可以基于所接收的胰岛素剂量数据中的时间间隙。例如，如果用户每天进行完全多次注射治疗(基础+3次餐时推注)，那么DGA可以至少每6小时与MDD 152或其相关应用程序通信一次。如果在当时没有通信，则DGA可以被配置为在可以给出剂量指导之前确定MDD152需要连接到DGA。在一种实施方式中，如果从接收到最后一次给药剂量起的时间间隙长于膳食之间的假定时间，则DGA可以假定没有接收到与最后一次给药剂量相关联的数据。例如，膳食之间的假定时间可以是约5小时、可替代地约6小时、可替代地约6.5小时、可替代地约7小时、可替代地约7.5小时、可替代地约8小时。在另一种实施方式中，DGA可以检测用户的显示装置120(例如智能手机)和MDD 152之间是否启用蓝牙通信。例如，蓝牙通信可能在装置120、MDD 152或两者上都不能被启用。在另一种实施方式中，DGA可以检测是否需要更换与药物输送装置相关联的电源。
如果确定没有接收到与向受试者给药的最后剂量相关联的数据，则在步骤898，DGA可以通知用户不能提供剂量指导。在一种实施方式中，UID 200可以向用户显示消息，指示直到DGA接收到最近的胰岛素输送信息才能输出剂量指导。在一种实施方式中，UID 200可以向用户显示消息，指示直到DGA接收到最近的胰岛素输送信息才能给出剂量指导。在另一种实施方式中，DGA还可以生成并且UID 200可以显示提示，以通知用户打开显示装置120、MDD 152或两者的蓝牙。在另一种实施方式中，DGA还可以指示MDD 152的电池需要更换。此外，DGA可以确定MDD 152中剩余的电池寿命，并且当电池寿命低于某个阈值时，例如电池寿命小于10％时，向患者输出可在UID 200上显示的警告。在另一种实施方式中，DGA还可以输出在UID 200上显示的通知，以将最后记录的胰岛素剂量和时间戳通知给用户，并且还可以作为警告通知用户：任何剂量指导将并非基于可能跟随在最后剂量和时间戳之后的任何剂量。
如果确定接收到与向受试者给药的最后剂量相关的数据，则在步骤899，DGA可以基于接收到的葡萄糖分析物数据和胰岛素剂量数据向UID200输出剂量指导。
如果胰岛素输送异常，用于附加测试的推荐
DGA可以被配置为运行对应于胰岛素给药的各种测量值以及所测量的葡萄糖水平的统计。各种胰岛素和葡萄糖度量之间的相关性可用于识别DGA中的异常，所述异常可包括但不限于胰岛素剂量的不正确记录、可能偏低或偏高的葡萄糖读数、以及胰岛素抗性的降低或增加。
所用的胰岛素度量可以是滚动胰岛素度量。在一种实施方式中，滚动胰岛素度量可以是一段时间内胰岛素的总剂量。时间段可以是约24、约48或约72小时。此外，胰岛素的总剂量可以是该时间段内长效和速效胰岛素的总剂量。在另一种实施方式中，滚动胰岛素度量可以是自膳食开始经过的时间内的活性的胰岛素。这样的度量对于不同的餐时胰岛素类型可以具有不同的预先确定的胰岛素相关参数，例如胰岛素作用的DIA或持续时间。
所使用的葡萄糖度量可以是滚动葡萄糖度量。在一种实施方式中，滚动葡萄糖度量可以是滚动平均葡萄糖、滚动中值葡萄糖或滚动模式葡萄糖。在另一种实施方式中，滚动葡萄糖度量可以是膳食开始标准化葡萄糖AUC或膳食葡萄糖变化(膳食δ)。
在另一种示例性实施方式中，如图17F的流程图中所述，在示例性方法849中，在步骤851中，DGA可以根据胰岛素剂量数据确定与第一时间相关联的第一滚动胰岛素度量。在步骤853中，DGA可以根据葡萄糖剂量数据确定与第一时间相关联的第一滚动葡萄糖度量。第一滚动胰岛素度量和第一滚动葡萄糖度量可以关联在一起以形成第一互补对。
可以形成滚动胰岛素度量和滚动葡萄糖度量的许多不同的互补对。例如，在一种实施方式中，滚动时间段内胰岛素总剂量的滚动胰岛素度量可以与相同或类似时间窗口的滚动平均葡萄糖、滚动中值葡萄糖、或滚动模式葡萄糖之一配对。在另一种实施方式中，互补对(如用于滚动最后48小时的葡萄糖模式和在滚动最后48小时中输送的胰岛素总剂量)也可以遵循上述相同的一般程序。在另一种实施方式中，自膳食开始的特定经过时间的IOB可以与膳食开始标准化的葡萄糖AUC或膳食δ之一配对，例如，由膳食引起的葡萄糖变化。IOB和AUC配对的时间范围可以包括但不限于餐后约60分钟、可替代地约120分钟、可替代地约150分钟、或可替代地约300分钟。
在步骤855中，DGA可以参考包括第一区域、第二区域和第三区域的数据空间来确定第一区域、第二区域和第三区域中的哪一个区域含有第一互补对。数据空间可以由多个互补对定义，每个互补对包括与同一时间相关联的滚动胰岛素度量和滚动葡萄糖度量。对于多个互补对，成对的值可以以规则的时间间隔收集，例如约每2小时、可替代地约每6小时、可替代地约每12小时、可替代地约每24小时、可替代地在适当的数据密度和最小数据存储要求之间平衡的其它间隔。在一些实施方式中，所存储的互补对的数量可以保持在以软件或硬件实现的先进先出(FIFO)缓冲器中。在FIFO缓冲器中的互补对中，可以在互补对之间进行相关，类似于拟合由胰岛素和葡萄糖度量对组成的随时间收集的散射图的曲线。相关性可以是预定结构的曲线(例如，第三级多项式)，其具有潜在的一个或多个基于FIFO缓冲器中的配对数据而确定的参数，以及一个或多个根据先验总体数据而预先确定的参数。该曲线可以描述成对观测结果之间的标称预期关系。除了标称预期关系之外，还可以在标称预期关系曲线的上方和下方构造具有预定结构的两条安全边界曲线。也可以基于FIFO缓冲器中的配对数据来确定一些参数，而可以根据先验总体数据来预先确定其它参数。为了提高数值稳定性，标称曲线、上曲线和下曲线对于不同时间范围的参数拟合可以通过先验规则相关联。为了能够覆盖该胰岛素-葡萄糖平衡检查，可以从现有的时间范围内插任何其它情况。标称期望关系曲线和两条安全边界曲线可以形成数据空间的三个区域。第一区域被定义为上安全边界曲线和下安全边界曲线之间的区域，并且包括标称预期关系的曲线。第二区域定义为上安全边界曲线上方的区域，第三区域定义为下安全边界曲线下方的区域。
在步骤857中，DGA可以响应于确定第二区域或第三区域中含有包括第一滚动胰岛素度量和第一滚动葡萄糖度量的互补对，输出关于检查SCD 102或MDD 152中的至少一个的通知。
图17G示出了互补对跟踪的实例，其中滚动胰岛素度量是每次餐后90分钟的估计IOB，滚动葡萄糖度量是每次餐后90分钟的膳食开始-标准化葡萄糖AUC。被分析的互补对867(例如，在图17G中由实心圆表示的最近一对)被从与标称预期关系861的曲线的拟合中排除，并且表示关注事件，如餐后90分钟用户的葡萄糖-胰岛素平衡的状态。最近的互补对867被分析以确定它对应于哪个区域。可以检查其相对于两个安全边界863、865的位置，以确定哪个区域含有该互补对867。例如，图17G所示的实心圆867出现在第三区域873中的较低安全边界“下方”。这种情况有几种可能性：(1)所记录的胰岛素量可能不正确地高于所输送的胰岛素的实际量，(2)葡萄糖读数可能偏低，或者(3)可能出现其它混淆因子，例如由于运动导致的胰岛素抗性降低，或者消耗的膳食组成大不相同。根据事件的实际组合，如果最近一对在较低安全边界下方太远，则可能存在假即将发生的低血糖通知的风险或未检测到餐后高血糖的风险。
相反，当所关注的互补对的位置高于第二区域871中的上安全边界时，可以出现一种或多种相反的情形：(1)所记录的胰岛素量可能不正确地低于所输送的胰岛素的实际量，包括错过膳食剂量，(2)葡萄糖读数可能偏高，或者(3)其它混淆因子，如由于疾病导致的胰岛素抗性增加，或者可能已经消耗了显著不同的膳食组合物。根据事件的实际组合，如果最近的一对在上安全边界上方太远，则可能存在假即将发生的高血糖通知的风险或未检测到的餐后低血糖风险。
如果互补对映射在第二区域中的上安全边界上方或映射在第三区域中的下安全边界下方，则已经用足够的研究数据进行了先验确定，以总结出DGA100完整性检查可能是有保证的。因此，DGA可以通知用户执行血糖的自我监测(SMBG)。如果血糖测量值(BGM)读数可以连接到DGS100或者以其它方式输入到DGA，则可以使用在本讨论中未覆盖的一个或多个阈值比较来确定传感器102是否需要替换。否则，DGA可以通知用户检查MDD 152或智能胰岛素笔套是否存在可能的错误原因。
将趋势并入推注计算
传统的推注计算器基于用户的当前葡萄糖和目标葡萄糖之间的差值来确定剂量。在这些传统的推注计算器中，当前葡萄糖值被认为是离散的时间快照，而没有考虑在该时间点上葡萄糖值的趋势。然而，在葡萄糖变化率高的时段，推荐的剂量可以变化很大，因为当前的葡萄糖水平可以从一个时间点到下一个时间点急剧增加或减少。
内分泌协会于2018年12月公布了用于使用葡萄糖趋势箭头进行糖尿病管理的统一指导原则(参见Y.C.Kudva等人，“Approach to Using Trend Arrows in the FreestyleLibre Flash Glucose Monitoring Systems in Adults”，Journal of the EndocrineSociety，第2卷，第1320-1337页，2018年，通过引用将其整体并入本文)。葡萄糖趋势箭头可基于葡萄糖变化率被分为5类：(1)快速上升(>2mg/dL/min)，(2)上升(在1-2mg/dL/min之间)，(3)缓慢变化(幅度不大于1mg/dL/min)，(4)下降(减少在1-2mg/dL/min之间)或(5)快速下降(减少>2mg/dL/min)。
为了试图负责这些快速变化，可以为每个趋势箭头类别开发试探法，所述趋势箭头类别除了当前葡萄糖值之外还将并入葡萄糖变化率以计算推荐剂量。根据所报告的变化率，可以增加或减少使用附加变化率项的推荐剂量，以适应动态葡萄糖反应。可以设想，这些试探法将被开发为使剂量后低血糖的发生率最小化，从而改善葡萄糖在范围内的时间。
胰岛素位点旋转
本文所述的方法通过自动检测胰岛素笔针和输液器的注射位点来促进胰岛素注射的适当位点旋转。
胰岛素输送的最常见方法是通过不连续注射或连续输注将胰岛素给药到皮下组织。用于胰岛素注射和输液器放置的适当技术要求“旋转”注射部位，即循环通过身体的不同区域，以避免由于重复和持续的针进入而引起任何类型的局部皮肤反应。与缺乏旋转注射位点相关的两个常见结果是瘢痕组织形成和脂肪增生。瘢痕组织是由于持续创伤或对初始损伤的不当愈合而形成的纤维组织，其特征是存在胶原致密的无血管组织。在临床上将脂肪肥大定义为胰岛素注射部位脂肪沉积的局部积累。虽然瘢痕组织是注射疗法中普遍存在的问题，但是脂肪肥大是与皮下胰岛素给药几乎唯一相关的病症。两者本身在皮肤下面都以硬结节存在，并与大部分无血管的局部区域相关联，这将对全身胰岛素的摄取和作用造成负面影响。因此，它们对胰岛素吸收的影响通常被组合在一起。这些作用包括胰岛素吸收降低(高达40％)、胰岛素总日剂量(TDD)增加、以及血糖控制降低。流行率也很高，据估计在胰岛素治疗的人群中有～50％发生。
目前还没有技术辅助的解决方案来解决注射部位旋转不良的问题。位点旋转依赖于医师和糖尿病教育人员对患者的教育以及随后患者的依从性。
如本文所述，DGS 100可以包括位点旋转应用，其可以被配置为检测一般注射区域，并且如果重复检测到相同的位置，则向用户提供旋转到新注射位点的指导。通过将位点旋转信息作为剂量指导方案的一部分呈现给用户，DGS 100可以促进更好的注射实践、更高的胰岛素效力和更长的范围内时间。
在一种实施方式中，如图18A和图18B所示，在示例性方法275中，从步骤276开始，位点旋转应用程序可以被配置为确定电子装置(如显示装置120(例如智能电话))与SCD102之间的第一距离270以及电子装置与MDD 152之间的第二距离272。在一种实施方式中，位点旋转应用程序可以在三个独立的装置之间使用蓝牙通信(BLE)：(1)显示装置120(例如智能电话)，(2)SCD 102，和(3)MDD 152(例如连接的笔针)。如图18A所示，显示装置120可以被配置为用作通信连接的中心点。当从DGA请求剂量指导时，显示装置120可以确定显示装置120和SCD 102之间的第一距离270，以及显示装置120和MDD 152之间的第二距离272。在一种实施方式中，可以由显示装置120和SCD 102之间的第一信号的强度来确定第一距离270，可以由显示装置120和MDD 152之间的第二信号的强度来确定第二距离272。
在步骤278中，位点旋转应用程序可以被配置为计算SCD 102和MDD 152之间的第三距离274，其中SCD 102位于受试者身上的固定位置。因为显示装置120不是固定在一个位置上，所以可以对第一信号和第二信号进行三角测量，以确定在受试者身体上具有固定位置的SCD 102和MDD 152之间的第三距离274。计算出MDD 152和SCD 102之间的第三距离274，然后可以将其记录在显示装置120中的位点旋转应用程序中。
在步骤282中，位点旋转应用程序可被配置为响应于确定所计算的第三距离与先前计算的第三距离基本相似，输出将MDD移动到受试者上的新注射位点的推荐。在一种实施方式中，如果计算出的SCD 102和MDD 152之间的第三距离274连续重复超过给定的阈值量，那么位点旋转应用程序可以被配置为提供提示用户将胰岛素注射到新位点的引导消息。阈值量可以是1次、可替代地2次、可替代地3次。在一种实施方式中，位点旋转应用程序还可以被配置为向用户提供可接受的位置位点的列表，以呈现用于新注射区域的意见。这些可选择的区域可以包括手臂、大腿、腹部和臀部。
附加的示例性实施方式
本文还描述了与药物输送相关的其它示例性实施方式。这些实施方式将在胰岛素笔的上下文中描述，尽管它们不限于此。在多种实施方式中，MDD 152(例如胰岛素笔)可以直接与SCD 102通信，因此不需要附加的读取器装置。在一些实施方式中，读取器装置还可以与传感器控制装置通信，传感器控制装置与MDD 152通信。在这些实施方式中，读取器装置还可以与MDD 152通信。在其它实施方式中，读取器装置可以与MDD 152通信，MDD 152又与不和读取器装置通信的SCD 102通信。在其它实施方式中，SCD 102与读取器装置通信，读取器装置又与MDD 152通信，但是MDD 152不与SCD 102通信。这些不同的通信方案可以允许任何类型的信息(例如分析物测量值、警报、用户信息或设置、剂量指导等)经由中间装置从系统中的一个装置传送到另一个装置。可经由蓝牙或蓝牙低能量或其它无线协议(例如NFC、RFID、Wi-Fi等)发生通信。通信可以被保持(例如，有效的蓝牙配对)或者可以是间歇的(例如，NFC近场扫描)。
在一些实施方式中，出于安全目的，SCD 102或显示装置120(如读取器装置(RD))可以检查MDD 152是否保持与SCD 102或读取器装置的无线连接，以便通知用户MDD 152是否可能在直接区域之外。如果SCD 102或RD检测到失去连接，则在SCD 102(如果被配置为产生可听或可视警报)或RD(或者SCD 102可以通知RD产生警报)处产生警报。当检测到引发问题或故障，或耗尽的药物供应(例如，低药筒)时，可以产生类似的警报。如果SCD 102、RD、或MDD 152检测到高分析物状况(例如高血糖)，则SCD 102或RD(通过与MDD 152的通信)、或MDD 152本身可以确定是否最近给药了剂量，并抑制警报的产生(在SCD 102、RD 或MDD 152处)。
可以为用户生成的其它通知或警报可以与笔耗尽相关，包括估计和/或提醒用户足够在少于一定时间(例如1天)内给药的剩余药物量。如果确定下一预定剂量大于剩余药物量，则可以输出使用新笔或装入新药筒的推荐。MDD 152可以被配置为监测药物量，并且如果期望量与实际(感测到的)量不匹配，则可以产生警报或通知。MDD 152还可以被配置为监测输送按钮被按压以确保输送完全的持续时间，并且如果怀疑输送不完全，则通知用户。如果MDD 152或DGS 100检测到按钮被按压时间过短，则MDD 152或DGS 100可以假定用户摄入的剂量低于推荐的剂量。DGA或MDD 152可以向用户输出询问，以验证所给药的剂量是不完全剂量还是有意的较低剂量。如果MDD 152或DGS 100检测到输送按钮被按压过长(例如，给药推荐剂量或剂量指南中所示的剂量所需的时间量更长)，则MDD 152或其它系统装置(例如，安装在显示装置120上的DGA)可以通知或警告用户可能已经给药了太大的剂量。在一种实施方式中，MDD 152可以被配置为一旦达到剂量完成就输出可听通知(例如蜂鸣声)、可触通知(例如振动或点击)和/或可视通知(例如LED、光)，从而用户可以停止按压致动器或按钮。给药剂量后，SCD 102或RD可以被配置为向MDD 152发送断开时间，如果MDD 152被断开或不能与被配置为提供剂量指导的SCD 102或RD120通信，则MDD 152知道至少在断开时段应当防止或限制进一步的剂量给药。可以基于最新的最佳估计将推荐的馈送数据发送到集成笔。
如果连接丢失，然后在MDD 152与SCD 102和/或RD120之间重新建立连接，则可以询问用户输入在失去连接期间给药的任何剂量的量。对于其中MDD 152监测注射或输送按钮被按压的时间段的实施方式，可以包括加速度计或其它按压感测机构。基于由按压感测机构测量的按压时间(或运动模式、和/或当按钮被按压时笔的取向)，MDD 152可以确定按钮被按压是否是为了引发或剂量给药的目的。MDD 152可以被配置为区分不同类型的按压。例如，MDD 152可以假定一系列短压力是为了引发的目的，因此不作为剂量给药。
在一种实施方式中，DGS 100(例如SCD 102、显示装置120或MDD 152)可以被配置为检测膳食消耗的发生，如果用户还没有这样做，则提示他们配药。DGS 100可以在餐中或餐后和剂量给药前立即收集分析物数据时更新剂量指导。
MDD 152还可以包括温度传感器，并且DGS 100可以基于温度波动(在降低胰岛素功效或胰岛素活性的(IOB水平)的情况下)来调整胰岛素剂量指导。该系统还可以被配置为如果超出温度范围则生成通知。
SCD 102或RD120可以通过通信识别MDD 152，并确定MDD 152是否是用于给药剂量的正确类型。例如，如果MDD 152包含速效胰岛素，其中剂量指导涉及长效胰岛素，则SCD102或RD120可以产生警报或通知，或者使MDD 102自身产生警报或通知。SCD 102或RD120可以同时支持到多个不同MDD 152的连接，包括相同类型和/或不同类型的多个笔。
DGS 100中的任何装置(“系统装置”，如SCD 102、RD120或MDD 152)可以估计在需要下一个剂量之前的时间量，并通知用户。系统装置可以使用例如MDD 152中的GPS监测器(例如地理跟踪、地理围栏)来跟踪MDD 152的位置，并且可以向用户通知MDD 152的位置。
MDD 152可以检测新针的应用，如果没有检测到针的替换，则提示用户应用新针。MDD 152可以配置有传感器以检测针中空气或气体的存在。MDD 152可以被配置为检测针是否已被敲击(例如，用传感器或加速计)，并提示或请求用户敲击针以去除空气或气体。耐用笔可以检测储液器或药筒的存在，并提示用户输入药物类型(例如速效胰岛素、长效胰岛素)。MDD 152可以被配置为检测药物是否被适当地混合(例如，用传感器或加速计)，并提示用户混合或摇动MDD 152以适当地混合药物。
MDD 152可以被配置为显示在MDD 152电池耗尽或耗完之前、和/或在MDD 152中的药物耗尽或耗完之前剩余的时间。
MDD 152可以被配置为在特定情况下锁定用户，这些情况诸如，如果用户未被授权(在装置上登录/密码输入失败)，如果用户的分析物水平太低或快速降低，如果最近已经给药了大剂量，如果MDD 152中的胰岛素已经过期或太旧、或者已经暴露于过高的温度，如果系统状态时间已经超过先前的剂量(可能与葡萄糖水平组合)，以及它们的任何组合，或者其他。
系统装置(例如显示装置120上的DGA)可以计算剂量指导，并在连接丢失或通信失败的情况下将其发送到MDD 152和/或云190(例如受信服务器)。MDD 152可以发送已接收到剂量指导的确认；如果没有接收到确认，则系统装置可以向用户产生警报或通知。
在给药剂量前，例如当用户拾取或以其它方式激活MDD 152时，MDD 152(或与MDD152通信的其它系统装置)可以提示用户验证系统已知的最后剂量是正确的(例如，询问要求用户确认例如下午5点时5ml的最后剂量是正确的，并且没有其它剂量)。如果使用不同的MDD 152(例如，不同的笔或泵)，则会出现这种情况。如果用户指示没有摄入其它剂量，则DGS 100可以继续。如果用户指示已经摄入了另一个剂量(例如，DGS 100不知道的一个剂量)，则系统装置可以提示用户输入剂量的量、时间和药物类型，并确定新的剂量指导。系统装置还可以被配置为周期性地提示用户确定是否正在使用其它笔或药物输送装置，并请求用户例如通过建立蓝牙配对将这些笔或药物输送装置整合到系统中。
在多种实施方式中，提供了一种用于参数化患者的药物给药实践以配置剂量指导设置的方法，所述方法包括：由至少一个处理器基于时间相关数据来分类，所述时间相关数据表征患者的分析物和患者在分析时段内所接收的药物剂量，其中药物剂量中的每一个被分类为药物类别；由至少一个处理器将一组餐时群之一中的每个剂量进行分组；由至少一个处理器至少部分地通过将每个餐时群的数据应用于模型来生成患者的剂量参数；以及由至少一个处理器将剂量参数存储在用于配置剂量指导设置的计算机存储器中。
在一些实施方式中，所述方法的分类步骤还包括生成将一组分类特征与每种剂量相关联的特征矩阵。所述方法还可以包括分类特征，该分类特征选自包括以下的组：每个剂量的给药时间，时间过滤的分析物值，最接近于给药时间的分析物值的变化率，表示在药物时间之前的一段时间内分析物值与最接近药物时间的分析物值之间的积分差的左曲线下面积(AUC)，表示在药物时间之后的一段时间内分析物值与最接近药物时间的分析物值之间的积分差的右AUC，在药物时间之间经过的时间，膳食在药物时间之前的限定时间间隔内开始的概率，从最近的膳食开始经过的最可能的时间间隔，膳食在药物时间之后的限定时间间隔内开始的概率，以及直到下一次膳食的最可能的时间间隔。所述方法还可以包括估计患者在分析期间所吃的每顿膳食的时间。所述方法可以进一步指定，估计每顿膳食的时间还包括基于时间相关的分析物数据生成特征矩阵，其中该特征矩阵将一组分析物数据特征与被分类为上升、前面下降和下降的每个不同区域相关联。所述方法可以进一步指定，估计每顿膳食的时间还包括使用算法基于特征矩阵生成估计的餐时。所述方法可进一步指定，该组分析物数据特征选自包括以下的组：最大分析物变化率、最大分析物加速度、最大分析物加速度点处的分析物值、区域的持续时间、区域的高度、最大减速度、区域中的平均变化率和最大分析物加速度的时间。
在一些实施方式中，餐时群包括早餐、午餐和晚餐。在一些实施方式中，该方法还包括通过聚类分析进行分组。
在一些实施方式中，用于拟合数据对的模型选自具有零斜率的线性模型、具有非零斜率的线性模型、在单点处具有接点的分段模型、或近似分段模型的非线性模型。
在一些实施方式中，拟合数据对还包括最小化残差平方和。
在一些实施方式中，拟合数据对还包括用Akaike信息准则(AIC)评估每个模型，并选择具有最小AIC值的模型数。在一些实施方式中，剂量参数包括固定剂量药物量、分析物水平和来自每个组的所选模型的校正因子。在一些实施方式中，所述方法还包括组合来自多个餐时群的数据以形成组合的组，以及由至少一个处理器为所述组合的组选择模型的最佳拟合者和校正因子。在一些实施方式中，所述方法还包括由至少一个处理器将所选择的模型的AIC值与阈值进行比较，以及如果AIC值超过阈值，则请求用户输入。
在一些实施方式中，分析物包括葡萄糖水平的指示符，药物包括胰岛素。
在一些实施方式中，所述方法还包括将剂量指导设置提供给用户接口装置以输出给用户。
在一些实施方式中，所述方法还包括由至少一个处理器接收时间相关数据，所述时间相关数据表征患者的分析物以及患者在分析时段内接收的药物剂量。
在一些实施方式中，至少一个处理器基于时间相关数据从膳食剂量、非膳食剂量和模糊剂量中为每个药物剂量选择药物类别。
在一些实施方式中，将每个餐时群的数据应用于模型包括将数据对拟合到模型。
在多种实施方式中，描述了一种用于参数化患者的药物剂量实践以配置剂量指导设置的装置，所述装置包括：输入端，被配置为接收所测量的分析物数据、膳食数据和药物配药数据；显示器，被配置为可视地呈现信息；以及与输入端、显示器以及存储指令和时间相关数据的存储器耦接的一个或多个处理器，所述时间相关数据表征患者的分析物以及患者在分析时段内接收的药物剂量，其中所述指令在由所述一个或多个处理器执行时使得所述装置：基于时间相关数据将药物剂量中的每一个分类为药物类别；将一组餐时群之一中的每个剂量进行分组；至少部分地通过将每个餐时群的数据应用于模型来生成患者的剂量参数；以及存储用于配置剂量指导设置的剂量参数。
在一些实施方式中，存储器保存用于以下操作的进一步指令：至少部分地通过生成将一组分类特征与每个剂量相关联的特征矩阵来分类药物剂量。在一些实施方式中，存储器保存用于以下操作的进一步指令：关联来自组的分类特征，所述分类特征包括：每个剂量的给药时间，时间过滤的分析物值，最接近于给药时间的分析物值的变化率，表示在药物时间之前的一段时间内分析物值与最接近药物时间的分析物值之间的积分差的左曲线下面积(AUC)，表示在药物时间之后的一段时间内分析物值与最接近药物时间的分析物值之间的积分差的右AUC，在药物时间之间经过的时间，膳食在药物时间之前的限定时间间隔内开始的概率，从最近的膳食开始经过的最可能的时间间隔，膳食在药物时间之后的限定时间间隔内开始的概率，以及直到下一次膳食的最可能的时间间隔。在一些实施方式中，存储器保存用于以下操作的进一步指令：至少部分地通过估计患者在分析期间所吃的每顿膳食的时间来分类药物剂量。在一些实施方式中，存储器保存用于以下操作的进一步指令：至少部分地通过基于时间相关的分析物数据生成特征矩阵，来估计每顿膳食时间，其中特征矩阵将一组分析物数据特征与被分类为上升、前面下降和下降的每个不同区域相关联。在一些实施方式中，存储器保存用于以下操作的进一步指令：至少部分地通过使用算法基于特征矩阵生成估计的餐时，来估计每顿膳食时间。在一些实施方式中，所述存储器保存用于以下操作的进一步指令：从包括以下各项的组中选择分析物数据特征组：最大分析物变化率、最大分析物加速度、最大分析物加速度点处的分析物值、区域的持续时间、区域的高度、最大减速度、区域中的平均变化率和最大分析物加速度的时间。
在一些实施方式中，存储器保存用于以下操作的进一步指令：分组到包括早餐、午餐和晚餐的餐时群中。在一些实施方式中，存储器保存用于以下操作的进一步指令：至少部分地通过聚类分析进行分组。
在一些实施方式中，存储器保存用于以下操作的进一步指令：从具有零斜率的线性模型、具有非零斜率的线性模型、在单点处具有接点的分段模型、或近似分段模型的非线性模型选择模型用于拟合数据。
在一些实施方式中，存储器保存用于以下操作的进一步指令：至少部分地通过最小化残差平方和来拟合数据对。
在一些实施方式中，存储器保存用于以下操作的进一步指令：至少部分地通过用Akaike信息准则(AIC)评估每个模型并选择具有最小AIC值的模型来拟合数据对。在一些实施方式中，存储器保存剂量参数，所述剂量参数包括固定剂量药物量、分析物水平和来自每个组的所选模型的校正因子。在一些实施方式中，存储器保存用于以下操作的进一步指令：组合来自多个餐时群的数据以形成组合的组，以及为所述组合的组选择模型的最佳拟合者和校正因子。在一些实施方式中，存储器保存用于以下操作的进一步指令：将所选模型的AIC值与阈值进行比较，以及如果AIC值超过阈值，则请求用户输入。在一些实施方式中，存储器保存时间相关数据，所述时间相关数据表征患者的分析物和药物，所述分析物包括葡萄糖水平的指示符，所述药物包括胰岛素。
在一些实施方式中，存储器保存用于以下操作的进一步指令：将剂量指导设置提供给用户接口装置以输出给用户。
在一些实施方式中，存储器保存用于以下操作的进一步指令：接收时间相关数据，所述时间相关数据表征患者的分析物和患者在分析时段内所接收的药物剂量。
在一些实施方式中，存储器保存用于以下操作的进一步指令：基于时间相关数据从膳食剂量、非膳食剂量和模糊剂量中为每个药物剂量选择药物类别。
在一些实施方式中，存储器保存用于以下操作的进一步指令：至少部分地通过将数据对拟合到模型而将每个餐时群的数据应用于模型。
在多种实施方式中，提供了一种用于评估每日多次注射(MDI)配药治疗的膳食推注滴定的方法，所述方法包括：由至少一个处理器通过执行模式分析算法来确定至少一个一天中的时间(TOD)时段的分析物模式类型，所述模式分析算法接收在分析时段内取得的患者的与时间相关的分析物数据作为输入；由执行推荐算法的至少一个处理器基于分析物模式类型以及在分析时段的定义的患者配药策略来选择MDI配药推荐；以及由至少一个处理器将推荐动作的指示符存储在计算机存储器中，以输出到用户或药物给药装置中的至少一个。
在一些实施方式中，模式分析算法是葡萄糖模式分析(GPA)算法。在一些实施方式中，所述方法还可以包括由至少一个处理器确定至少一个TOD时段的中心趋势值和可变性值。在一些实施方式中，所述方法还可以包括由至少一个处理器基于中心趋势值和可变性值中的至少一个来评估低血糖风险度量或高血糖风险中的至少一个。在一些实施方式中，所述方法还可以包括由至少一个处理器提供用于评估MDI配药治疗的膳食推注滴定的分析物模式类型。在一些实施方式中，至少一个处理器基于中心趋势值和可变性值来评估低血糖风险度量。在一些实施方式中，至少一个处理器基于中心趋势值来评估高血糖风险度量。在一些实施方式中，如果分析物模式是高/低的，则至少一个处理器选择不改变的推荐。在一些实施方式中，所述方法还包括：如果过夜TOD时段的分析物模式是低的，则由至少一个处理器生成以相等的量减少所有相关剂量的推荐，包括至少基础剂量和任选的膳食剂量、餐前校正剂量或餐后剂量中的一种或多种。在一些实施方式中，所述方法还包括：如果非过夜TOD时段的分析物模式是低的，则由至少一个处理器生成仅针对非过夜TOD时段减少固定膳食剂量的推荐。在一些实施方式中，如果至少一个处理器检测到至少一个低模式，则至少一个处理器对于任何高模式TOD时段不提供滴定指导。在一些实施方式中，所述方法还包括：如果过夜TOD时段的分析物模式是高的，并且没有其它TOD时段具有低的分析物模式，则由至少一个处理器生成增加长效胰岛素剂量或基础速率的推荐。在一些实施方式中，所述方法还包括：如果过夜TOD时段的分析物模式是高的，并且至少一个其它非晚餐TOD时段具有低的分析物模式，则由至少一个处理器生成减少至少一个其它非晚餐TOD时段的膳食胰岛素剂量的推荐。在一些实施方式中，所述方法还包括：如果过夜TOD时段的分析物模式不高且不低，则由至少一个处理器生成增加具有高分析物模式的最早TOD时段的膳食胰岛素剂量的推荐。在一些实施方式中，所述方法还包括：如果过夜TOD时段的分析物模式是低的，并且具有高分析物模式的唯一时段是晚餐TOD时段，则由至少一个处理器生成增加长效胰岛素剂量或基础速率的推荐。在一些实施方式中，所述方法还包括：如果过夜TOD期间的分析物模式是高的，并且至少一天具有错过膳食剂量，重复分析物模式类型的确定，同时从确定中排除至少一天的数据，并且如果在重复确定之后分析物模式是高的，则生成增加长效胰岛素剂量或基础速率的推荐。在一些实施方式中，所述方法还包括：如果TOD时段的分析物模式是低的，并且至少一天包括餐后校正，则重复分析物模式类型的确定，同时从确定中排除没有餐后校正的任何一天的数据，并且如果在重复确定之后分析物模式是低的，则产生减少餐后校正剂量的推荐。在一些实施方式中，所述方法还包括：如果TOD时段的分析物模式是低的，并且至少一天包括餐后校正，重复分析物模式类型的确定，同时从确定中排除没有餐后校正的任何一天的数据，并且如果在重复确定之后分析物模式不是低的，则产生减少膳食剂量的推荐。在一些实施方式中，所述方法还包括：如果TOD时段的分析物模式是低的，并且至少一天具有错过膳食剂量，重复分析物模式类型的确定，同时从确定中排除具有错过膳食剂量的任何一天的数据，并且如果在重复确定之后分析物模式不是低的，则生成减少餐后校正剂量的推荐。在一些实施方式中，所述方法还包括：如果TOD时段的分析物模式是高的，并且至少一天包括餐后校正，重复分析物模式类型的确定，同时从确定中排除没有餐后校正或错过剂量的任何一天的数据，并且如果在重复确定之后分析物模式是高的，则生成增加餐后校正剂量的推荐。
在一些实施方式中，其中模式分析是TIR算法。在一些实施方式中，执行TIR算法包括由至少一个处理器确定至少一个TOD时段的低于目标的时间(tBT)和高于目标的时间(tAT)。在一些实施方式中，执行TIR算法还包括由至少一个处理器至少基于低于目标的时间(tBT)和高于目标的时间(tAT)来评估低血糖风险度量或高血糖风险中的至少一个。
在一些实施方式中，所述选择还包括确定时间相关分析物数据是否足够完整以支持推荐。
在一些实施方式中，所述方法还包括由至少一个处理器在分析时段内接收源自患者佩戴的传感器控制装置的时间相关分析物数据。
在一些实施方式中，所述方法还包括由至少一个处理器接收定义在分析时段内由患者从药物输送装置接收的药物剂量的信息。
在一些实施方式中，分析物包括葡萄糖水平的指示符，药物包括胰岛素。
在多种实施方式中，描述了一种用于向受试者提供剂量指导的装置，所述装置包括：输入端，被配置为接收所测量的分析物数据、膳食数据和药物配药数据；显示器，被配置为可视地呈现剂量指导；以及与输入端、显示器以及存储指令的存储器耦接的一个或多个处理器，其中当所述指令由一个或多个处理器执行时，使所述装置：通过执行模式分析算法来确定至少一个一天中的时间(TOD)时段的分析物模式类型，所述模式分析算法接收在分析时段内取得的患者的与时间相关的分析物数据作为输入；通过执行推荐算法，基于分析物模式类型以及在分析时段的定义的患者配药策略来选择MDI配药推荐；以及将推荐动作的指示符存储在计算机存储器中，以输出到用户或药物配药装置中的至少一个。
在一些实施方式中，模式分析算法是葡萄糖模式分析(GPA)算法。在一些实施方式中，所述存储器保存用于以下操作的进一步指令：至少部分地通过确定至少一个TOD时段的中心趋势值和可变性值，来执行GPA算法。在一些实施方式中，存储器保存用于以下操作的进一步指令：至少部分地通过基于中心趋势值和可变性值中的至少一个来评估低血糖风险度量或高血糖风险中的至少一个，来执行GPA算法。在一些实施方式中，存储器保存用于以下操作的进一步指令：提供分析物模式类型，用于评估MDI配药治疗的膳食推注滴定。在一些实施方式中，存储器保存用于以下操作的进一步指令：基于中心趋势值和可变性值来评估低血糖风险度量。在一些实施方式中，存储器保存用于以下操作的进一步指令：基于中心趋势值评估高血糖风险度量。在一些实施方式中，存储器保存用于以下操作的进一步指令：如果分析物模式是高/低的，则选择不改变的推荐。在一些实施方式中，存储器还保存用于以下操作的进一步指令：如果过夜TOD期间的分析物模式是低的，则生成以相等的量减少所有相关剂量的推荐，包括至少基础剂量和任选的膳食剂量、餐前校正剂量或餐后剂量中的一种或多种。在一些实施方式中，存储器保存用于以下操作的进一步指令：如果非过夜TOD时段的分析物模式是低的，则生成仅针对非过夜TOD时段减少固定膳食剂量的推荐。在一些实施方式中，存储器保存用于以下操作的进一步指令：如果检测到至少一个低模式，则对于任何高模式TOD时段不提供滴定指导。在一些实施方式中，存储器保存用于以下操作的进一步指令：如果过夜TOD时段的分析物模式是高的，并且没有其它TOD时段具有低的分析物模式，则生成增加长效胰岛素剂量或基础速率的推荐。在一些实施方式中，存储器还保存用于以下操作的进一步指令：如果过夜TOD时段的分析物模式是高的，并且至少一个其它非晚餐TOD时段具有低的分析物模式，则生成减少至少一个其它非晚餐TOD时段的膳食胰岛素剂量的推荐。在一些实施方式中，存储器还保存用于以下操作的进一步指令：如果过夜TOD时段的分析物模式不高且不低，则生成增加具有高分析物模式的最早TOD时段的膳食胰岛素剂量的推荐。在一些实施方式中，存储器保存用于以下操作的进一步指令：如果过夜TOD时段的分析物模式是低的，并且具有高分析物模式的唯一时段是晚餐TOD时段，则生成增加长效胰岛素剂量或基础速率的推荐。在一些实施方式中，存储器保存用于以下操作的进一步指令：如果过夜TOD期间的分析物模式是高的，并且至少一天具有错过膳食剂量，重复分析物模式类型的确定，同时从确定中排除至少一天的数据，并且如果在重复确定之后分析物模式是高的，则生成增加长效胰岛素剂量或基础速率的推荐。在一些实施方式中，存储器还保存用于以下操作的进一步指令：如果TOD时段的分析物模式是低的，并且至少一天包括餐后校正，则重复分析物模式类型的确定，同时从确定中排除没有餐后校正的任何一天的数据，并且如果在重复确定之后分析物模式是低的，则产生减少餐后校正剂量的推荐。在一些实施方式中，存储器还保存用于以下操作的进一步指令：如果TOD时段的分析物模式是低的，并且至少一天包括餐后校正，重复分析物模式类型的确定，同时从确定中排除没有餐后校正的任何一天的数据，并且如果在重复确定之后分析物模式不是低的，则产生减少膳食剂量的推荐。在一些实施方式中，存储器还保存用于以下操作的进一步指令：如果TOD时段的分析物模式是低的，并且至少一天具有错过膳食剂量，重复分析物模式类型的确定，同时从确定中排除具有错过膳食剂量的任何一天的数据，并且如果在重复确定之后分析物模式不是低的，则生成减少餐后校正剂量的推荐。在一些实施方式中，存储器还保存用于以下操作的进一步指令：如果TOD时段的分析物模式是高的，并且至少一天包括餐后校正，重复分析物模式类型的确定，同时从确定中排除没有餐后校正或错过剂量的任何一天的数据，并且如果在重复确定之后分析物模式是高的，则生成增加餐后校正剂量的推荐。
在一些实施方式中，模式分析是TIR算法。在一些实施方式中，存储器保存用于以下操作的进一步指令：至少部分地通过确定至少一个TOD时段的低于目标的时间(tBT)和高于目标的时间(tAT)，来执行TIR算法。在一些实施方式中，存储器保存用于以下操作的进一步指令：至少部分地通过至少基于低于目标的时间(tBT)和高于目标的时间(tAT)来评估低血糖风险度量或高血糖风险中的至少一个，来执行TIR算法。
在一些实施方式中，存储器保存用于以下操作的进一步指令：至少部分地通过确定时间相关分析物数据是否足够完整以支持推荐，来进行选择。
在一些实施方式中，存储器保存用于以下操作的进一步指令：在分析时段内接收源自患者佩戴的传感器控制装置的时间相关分析物数据。
在一些实施方式中，存储器保存用于以下操作的进一步指令：接收定义在分析时段内由患者从药物输送装置接收的药物剂量的信息。
在一些实施方式中，分析物包括葡萄糖水平的指示符，药物包括胰岛素。
在多种实施方式中，描述了一种用于提供剂量指导的方法，所述方法包括以下步骤：响应于用户对剂量指导的询问，通过处理电路确定多个胰岛素剂量候选；通过处理电路确定对应于多个胰岛素剂量候选的多个葡萄糖时间进程；通过处理电路计算对应于多个葡萄糖时间进程的多个代价函数值；确定最佳胰岛素剂量，其中最佳胰岛素剂量具有多个代价函数值中的最低代价函数值；以及输出包括所确定的最佳胰岛素剂量的剂量指导。
在一些实施方式中，所确定的最佳胰岛素剂量包括葡萄糖校正部分、膳食校正部分和胰岛素活性的部分。
在一些实施方式中，所确定的最佳胰岛素剂量包括葡萄糖校正部分和胰岛素活性的部分。
在一些实施方式中，将葡萄糖校正部分、膳食校正部分和胰岛素活性的部分各自输出给用户。
在一些实施方式中，计算多个代价函数值以最小化超出目标范围的时间。在一些实施方式中，目标范围为约70mg/dL至约180mg/dL。
在一些实施方式中，基于曲线下面积确定来计算多个代价函数值。
在一些实施方式中，剂量指导用于校正剂量。
在一些实施方式中，剂量指导用于膳食剂量。
在一些实施方式中，剂量指导用于基础剂量。在一些实施方式中，多个葡萄糖时间进程中的每一个包括三种膳食事件。在一些实施方式，三种膳食事件中的每一种包括碳水化合物输入和速效胰岛素输入。
在多种实施方式中，描述了一种用于向受试者提供剂量指导的装置，所述装置包括：输入端，被配置为接收测量的分析物数据、膳食数据和药物配药数据，以及用户询问；显示器，被配置为可视地呈现剂量指导；以及与输入端、显示器以及存储指令的存储器耦接的一个或多个处理器，其中当一个或多个处理器执行所述指令时，使一个或多个处理器：响应于用户对剂量指导的询问，确定多个胰岛素剂量候选；确定对应于多个胰岛素剂量候选的多个葡萄糖时间进程；计算对应于多个葡萄糖时间进程的多个代价函数值；确定最佳胰岛素剂量，其中最佳胰岛素剂量具有多个代价函数值中的最低代价函数值；以及输出包括所确定的最佳胰岛素剂量的剂量指导。
在一些实施方式中，最佳胰岛素剂量包括葡萄糖校正部分、膳食校正部分和胰岛素活性的部分。
在一些实施方式中，最佳胰岛素剂量包括葡萄糖校正部分和胰岛素活性的部分。
在一些实施方式中，将葡萄糖校正部分、膳食校正部分和胰岛素活性的部分各自输出给用户。
在一些实施方式中，计算多个代价函数值以最小化超出目标范围的时间。在一些实施方式中，目标范围为约70mg/dL至约180mg/dL。
在一些实施方式中，基于曲线下面积确定来计算多个代价函数值。
在一些实施方式中，剂量指导用于校正剂量。
在一些实施方式中，剂量指导用于膳食剂量。
在一些实施方式中，剂量指导用于基础剂量。在一些实施方式中，多个葡萄糖时间进程中的每一个包括三种膳食事件。在一些实施方式中，三种膳食事件中的每一种包括碳水化合物输入和速效胰岛素输入。
在多种实施方式中，描述了一种用于提供剂量指导的方法，所述方法包括以下步骤：响应于用户对膳食剂量指导的询问，通过处理电路确定膳食的碳水化合物值的分布，其中所述分布包括中心趋势碳水化合物值、小于中心趋势碳水化合物值的低碳水化合物值、以及大于中心趋势碳水化合物值的高碳水化合物值；为中心趋势碳水化合物值、低碳水化合物值和高碳水化合物值中的每一个确定多个胰岛素剂量候选；通过处理电路为中心趋势碳水化合物值、低碳水化合物值和高碳水化合物值中的每一个确定对应于多个胰岛素剂量候选的多个葡萄糖时间进程；通过处理电路为中心趋势碳水化合物值、低碳水化合物值和高碳水化合物值中的每一个计算对应于多个葡萄糖时间进程的多个代价函数值；确定中心趋势碳水化合物值、低碳水化合物值和高碳水化合物值中的每一个的最佳胰岛素剂量，其中对于中心趋势碳水化合物值、低碳水化合物值和高碳水化合物值中的每一个，最佳胰岛素剂量具有多个代价函数值中的最低代价函数值；以及通过处理电路输出多个剂量指导，所述多个剂量指导包括为中心趋势碳水化合物值、低碳水化合物值和高碳水化合物值中的每一个确定的最佳胰岛素剂量。
在一些实施方式中，最佳胰岛素剂量包括葡萄糖校正部分、膳食校正部分和胰岛素活性的部分。
在一些实施方式中，葡萄糖校正部分、膳食校正部分和胰岛素活性的部分各自输出给用户。
在一些实施方式中，计算多个代价函数值以最小化超出目标范围的时间。在一些实施方式中，目标范围为约70mg/dL至约180mg/dL。
在一些实施方式中，基于曲线下面积确定来计算多个代价函数值。
在多种实施方式中，描述了一种用于向受试者提供剂量指导的装置，所述装置包括：输入端，被配置为接收测量的分析物数据、膳食数据和药物配药数据，以及用户询问；显示器，被配置为可视地呈现剂量；以及与输入端、显示器以及存储指令的存储器耦接的一个或多个处理器，其中当一个或多个处理器执行所述指令时，使一个或多个处理器：响应于用户对膳食剂量指导的询问，确定膳食的碳水化合物值的分布，其中所述分布包括中心趋势碳水化合物值、小于中心趋势碳水化合物值的低碳水化合物值、以及大于中心趋势碳水化合物值的高碳水化合物值；为中心趋势碳水化合物值、低碳水化合物值和高碳水化合物值中的每一个确定多个胰岛素剂量候选；为中心趋势碳水化合物值、低碳水化合物值和高碳水化合物值中的每一个确定对应于多个胰岛素剂量候选的多个葡萄糖时间进程；为中心趋势碳水化合物值、低碳水化合物值和高碳水化合物值中的每一个计算对应于多个葡萄糖时间进程的多个代价函数值；确定中心趋势碳水化合物值、低碳水化合物值和高碳水化合物值中的每一个的最佳胰岛素剂量，其中对于中心趋势碳水化合物值、低碳水化合物值和高碳水化合物值中的每一个，最佳胰岛素剂量具有多个代价函数值中的最低代价函数值；以及输出多个剂量指导，所述多个剂量指导包括为中心趋势碳水化合物值、低碳水化合物值和高碳水化合物值中的每一个确定的最佳胰岛素剂量。
在一些实施方式中，最佳胰岛素剂量包括葡萄糖校正部分、膳食校正部分和胰岛素活性的部分。
在一些实施方式中，将葡萄糖校正部分、膳食校正部分和胰岛素活性的部分各自输出给用户。
在一些实施方式中，计算多个代价函数值以最小化超出目标范围的时间。在一些实施方式中，目标范围为约70mg/dL至约180mg/dL。
在一些实施方式中，基于曲线下面积确定来计算多个代价函数值。
在多种实施方式中，描述了一种用于响应于分析物数据提供餐前校正因子的方法，所述方法包括：由至少一个处理器通过执行模式分析算法来确定至少一个一天中的时间(TOD)时段的分析物模式类型，所述模式分析算法接收在分析时段内取得的患者的与时间相关的分析物数据作为输入；由执行算法的至少一个处理器基于分析物模式类型以及在分析时段的定义的患者配药策略来确定餐前校正因子；以及由至少一个处理器将餐前校正的指示符存储在计算机存储器中，以输出到用户或药物配药装置中的至少一个。
在一些实施方式中，模式分析算法是葡萄糖模式分析(GPA)算法。在一些实施方式中，GPA输出低葡萄糖模式的指示，并且还包括由至少一个处理器确定所定义的配药策略的膳食剂量是否包括餐前校正。在一些实施方式中，所述方法还包括以下步骤：由至少一个处理器包括仅具有膳食剂量并且没有错过的推注剂量或餐前校正的天数的分析物数据的部分。在一些实施方式中，所述方法还包括以下步骤：由至少一个处理器测试是否剩余足够的数据以达到最小置信度水平。在一些实施方式中，所述方法还包括：如果剩余足够的数据，则由至少一个处理器使用仅具有膳食剂量并且没有错过的推注剂量或餐前校正的天数作为输入分析物数据的部分，来执行GPA。在一些实施方式中，所述方法还包括：由至少一个处理器确定来自GPA的葡萄糖模式是否是低的，如果是，则减少对相关TOD时段的每个剂量的膳食部分的推荐。在一些实施方式中，该方法还包括：如果葡萄糖模式不是低的，则由至少一个处理器减少餐前校正因子。在一些实施方式中，所述方法还包括：如果剩余的数据不够，则由至少一个处理器包括具有餐前校正的天数的数据。在一些实施方式中，所述方法还包括：由至少一个处理器测试是否存在足够的数据以达到最小置信度水平，其中包括具有餐前校正的天数的数据。在一些实施方式中，所述方法还包括：由至少一个处理器使用分析物数据来执行第二GPA，所述分析物数据包括以一个或多个餐前校正的天数作为输入的数据。在一些实施方式中，所述方法还包括：由至少一个处理器确定来自第二GPA的葡萄糖模式是否不为低，如果是，则减少对相关TOD时段的每个剂量的膳食部分的推荐。在一些实施方式中，所述方法还包括：如果来自第二GPA的葡萄糖模式是低的，则由至少一个处理器使用分析物数据来执行第三GPA，该分析物数据包括仅以膳食剂量作为输入的数据。在一些实施方式中，所述方法还包括：由至少一个处理器确定来自第三GPA的所述葡萄糖模式是否不为低，如果是，则减少对餐前校正的推荐。在一些实施方式中，所述方法还包括：由至少一个处理器确定来自第三GPA的葡萄糖模式是否是低的，如果是，则减少对相关TOD时段内的每个剂量的膳食部分的推荐。在一些实施方式中，GPA输出高葡萄糖模式的指示，所述方法还包括：由至少一个处理器确定分析物数据是否包括具有餐前校正的膳食剂量的步骤，如果否，从原始数据组中排除具有错过推注的天数的数据和具有餐前校正的天数的数据，并基于其执行GPA。在一些实施方式中，所述方法还包括：由至少一个处理器确定由GPA确定的葡萄糖模式是否为高，如果否，则增加餐前校正因子。在一些实施方式中，所述方法还包括：由至少一个处理器确定由GPA确定的葡萄糖模式是否为高，如果是，则增加对相关TOD时段的每个剂量的膳食部分的推荐。在一些实施方式中，其中GPA输出高葡萄糖模式的指示，所述方法还包括：由至少一个处理器确定分析物数据是否包括具有餐前校正的膳食剂量，如果是，包括膳食剂量和餐前校正的天数的数据，并从原始数据组中排除错过推注的天数的数据，并基于此执行GPA。在一些实施方式中，该方法还包括：由至少一个处理器，确定由GPA确定的葡萄糖模式是否为高，如果是，则从原始数据组中排除具有餐前校正剂量的天数的数据以及具有错过推注剂量的天数的数据，并基于此执行GPA。在一些实施方式中，所述方法还包括：由至少一个处理器确定由GPA确定的葡萄糖模式是否为高，如果否，则增加餐前校正因子。在一些实施方式中，所述方法还包括：由至少一个处理器确定由GPA确定的葡萄糖模式是否为高，如果是，则增加对相关TOD时段的每个剂量的膳食部分的推荐。在一些实施方式中，其中GPA输出高葡萄糖模式的指示，所述方法还包括：由至少一个处理器确定分析物数据是否包括具有餐前校正的膳食剂量，如果否，则从原始数据组中排除具有餐前校正的天数以及具有错过推注的天数的数据，以及基于此执行GPA。在一些实施方式中，所述方法还包括：由至少一个处理器确定由GPA确定的葡萄糖模式是否为高，如果是，则增加对相关TOD时段的每个剂量的膳食部分的推荐。在一些实施方式中，所述方法还包括：由至少一个处理器确定由GPA确定的葡萄糖模式是否为高，如果否，则增加餐前校正因子。
在一些实施方式中，其中模式分析是TIR算法。在一些实施方式中，执行TIR算法包括：由至少一个处理器确定至少一个TOD时段的低于目标的时间(tBT)和高于目标的时间(tAT)。在一些实施方式中，执行TIR算法还包括：由至少一个处理器至少基于低于目标的时间(tBT)和高于目标的时间(tAT)来评估低血糖风险度量或高血糖风险中的至少一个。
在一些实施方式中，分析物包括葡萄糖水平的指示符，药物包括胰岛素。
在多种实施方式中，描述了一种用于响应于分析物数据提供餐前校正因子的装置，所述装置包括：输入端，被配置为接收测量的分析物数据、膳食数据和药物配药数据；显示器，被配置为可视地呈现信息；以及与输入端、显示器以及存储指令的存储器耦接的一个或多个处理器，其中当一个或多个处理器执行所述指令时，使所述装置执行：通过执行模式分析算法来确定至少一个一天中的时间(TOD)时段的分析物模式类型，所述模式分析算法接收在分析时段内取得的患者的与时间相关的分析物数据作为输入；通过执行算法，基于分析物模式类型以及在分析时段的定义的患者配药策略来确定餐前校正因子；以及将餐前校正的指示符存储在计算机存储器中，以输出到用户或药物配药装置中的至少一个。
在一些实施方式中，存储器保持模式分析算法是葡萄糖模式分析(GPA)算法。在一些实施方式中，GPA输出低葡萄糖模式的指示，并且还包括：由至少一个处理器确定所定义的配药策略的膳食剂量是否包括餐前校正。在一些实施方式中，存储器保存用于以下操作的进一步指令：包括仅具有膳食剂量并且没有错过的推注剂量或餐前校正的天数的分析物数据的部分。在一些实施方式中，存储器保存用于以下操作的进一步指令：测试是否剩余足够的数据以达到最小置信度水平。在一些实施方式中，存储器保存用于以下操作的进一步指令：如果剩余足够的数据，则使用仅具有膳食剂量并且没有错过的推注剂量或餐前校正的天数作为输入分析物数据的部分，来执行GPA。在一些实施方式中，存储器保存用于以下操作的进一步指令：确定来自GPA的葡萄糖模式是否是低的，如果是，则减少对相关TOD时段的每个剂量的膳食部分的推荐。在一些实施方式中，存储器保存用于以下操作的进一步指令：如果葡萄糖模式不是低的，则由至少一个处理器减少餐前校正因子。在一些实施方式中，存储器保存用于以下操作的进一步指令：如果剩余的数据不够，则由至少一个处理器包括具有餐前校正的天数的数据。在一些实施方式中，存储器保存用于以下操作的进一步指令：测试是否存在足够的数据以达到最小置信度水平，其中包括具有餐前校正的天数的数据。在一些实施方式中，所述存储器保存用于以下操作的进一步指令：使用分析物数据来执行第二GPA，所述分析物数据包括以一个或多个餐前校正的天数作为输入的数据。在一些实施方式中，存储器保存用于以下操作的进一步指令：确定来自第二GPA的葡萄糖模式是否不为低，如果是，则减少对相关TOD时段的每个剂量的膳食部分的推荐。在一些实施方式中，存储器保存用于以下操作的进一步指令：如果来自第二GPA的葡萄糖模式是低的，则由至少一个处理器使用分析物数据来执行第三GPA，该分析物数据包括仅以膳食剂量作为输入的数据。在一些实施方式中，存储器保存用于以下操作的进一步指令：确定来自第三GPA的所述葡萄糖模式是否不为低，如果是，则减少对餐前校正的推荐。在一些实施方式中，存储器保存用于以下操作的进一步指令：如果来自第三GPA的葡萄糖模式是低的，则减少对相关TOD时段的每个剂量的膳食部分的推荐。
在一些实施方式中，GPA输出高葡萄糖模式的指示，并且存储器保存用于以下操作的进一步指令：确定分析物数据是否包括具有餐前校正的膳食剂量的步骤，如果否，则从原始数据组中排除具有错过推注的天数的数据和具有餐前校正的天数的数据，并基于其执行GPA。在一些实施方式中，存储器保存用于以下操作的进一步指令：确定由GPA确定的葡萄糖模式是否为高，如果否，则增加餐前校正因子。在一些实施方式中，存储器保存用于以下操作的进一步指令：确定由GPA确定的葡萄糖模式是否为高，如果是，则增加对相关TOD时段的每个剂量的膳食部分的推荐。
在一些实施方式中，GPA输出高葡萄糖模式的指示，并且存储器保存用于以下操作的进一步指令：由至少一个处理器确定分析物数据是否包括具有餐前校正的膳食剂量，如果是，包括膳食剂量和餐前校正的天数的数据，并从原始数据组中排除错过推注的天数的数据，并基于此执行GPA。在一些实施方式中，存储器保存用于以下操作的进一步指令：确定由GPA确定的葡萄糖模式是否为高，如果是，则从原始数据组中排除具有餐前校正剂量的天数的数据以及具有错过推注剂量的天数的数据，并基于此执行GPA。在一些实施方式中，存储器保存用于以下操作的进一步指令：确定由GPA确定的葡萄糖模式是否为高，如果否，则增加餐前校正因子。在一些实施方式中，存储器保存用于以下操作的进一步指令：确定由GPA确定的葡萄糖模式是否为高，如果是，则增加对相关TOD时段的每个剂量的膳食部分的推荐。在一些实施方式中，GPA输出高葡萄糖模式的指示，并且存储器保存用于以下操作的进一步指令：由至少一个处理器确定分析物数据是否包括具有餐前校正的膳食剂量，如果否，则从原始数据组中排除具有餐前校正的天数以及具有错过推注的天数的数据，以及基于此执行GPA。在一些实施方式中，存储器保存用于以下操作的进一步指令：确定由GPA确定的葡萄糖模式是否为高，如果是，则增加对相关TOD时段的每个剂量的膳食部分的推荐。在一些实施方式中，存储器保存用于以下操作的进一步指令：由至少一个处理器确定由GPA确定的葡萄糖模式是否为高，如果否，则增加餐前校正因子。
在一些实施方式中，分析物包括葡萄糖水平的指示符，药物包括胰岛素。
在一些实施方式中，其中模式分析是TIR算法。在一些实施方式中，执行TIR算法包括由至少一个处理器确定至少一个TOD时段的低于目标的时间(tBT)和高于目标的时间(tAT)。在一些实施方式中，执行TIR算法还包括由至少一个处理器至少基于低于目标的时间(tBT)和高于目标的时间(tAT)来评估低血糖风险度量或高血糖风险中的至少一个。
在多种实施方式中，本发明描述了一种在膳食开始时向受试者提供剂量指导以给药的方法，所述方法包括以下步骤：响应于来自受试者的询问，通过处理电路确定膳食的第一剂量指导，其中第一剂量指导被确定为在膳食开始时在一天中的时间向受试者给药；参考风险图通过处理电路，至少基于第一剂量指导和一天中的时间来确定是否存在低血糖风险；以及响应于确定存在低血糖风险而输出第二剂量指导，其中第二剂量指导不同于第一剂量指导。
在一些实施方式中，风险图基于人群数据、受试者的数据或其组合。
在一些实施方式中，风险图包括与一天中的时间或一周中的一天相关的低血糖风险。
在一些实施方式中，第二剂量指导包括比第一剂量指导更低的量。
在一些实施方式中，第二剂量指导与比第一剂量指导更低的低血糖风险相关联。
在多种实施方式中，描述了一种用于在膳食开始时向受试者提供剂量指导的装置，所述装置包括：输入端，被配置为接收所测量的分析物数据、膳食数据和药物配药数据；显示器，被配置为可视地呈现信息；以及与输入端、显示器以及存储指令的存储器耦接的一个或多个处理器，其中当一个或多个处理器执行所述指令时，使一个或多个处理器：响应于来自受试者的询问，确定膳食的第一剂量指导，其中第一剂量指导被确定为在膳食开始时在一天中的时间向受试者给药；参考风险图，至少基于第一剂量指导和一天中的时间来确定是否存在低血糖风险；以及响应于确定存在低血糖风险而输出第二剂量指导，其中第二剂量指导不同于第一剂量指导。
在一些实施方式中，风险图基于人群数据、受试者的数据或其组合。
在一些实施方式中，风险图包括与一天中的时间或一周中的一天相关的低血糖风险。
在一些实施方式中，第二剂量指导包括比第一剂量指导更低的量。
在一些实施方式中，第二剂量指导与比第一剂量指导更低的低血糖风险相关联。
在多种实施方式中，描述了一种用于在膳食开始后提供剂量指导以给药的方法，所述方法包括以下步骤：响应于来自受试者的询问，通过处理电路确定针对膳食的第一剂量指导，其中第一剂量指导被确定用于在膳食开始时向受试者给药；通过处理电路确定在膳食的开始和来自受试者的询问之间是否存在时间延迟；响应于时间延迟的确定，通过处理电路，至少基于第一剂量指导和时间延迟来确定是否存在低血糖风险；以及响应于确定存在低血糖风险而输出第二剂量指导，其中第二剂量指导与比第一剂量指导更低的低血糖风险相关联。
在一些实施方式中，参考包括风险图的数据空间，通过处理电路来确定低血糖风险。
在一些实施方式中，风险图是基于人群的。
在一些实施方式中，风险图是基于用户的。
在一些实施方式中，风险图包括从低血糖度量导出的多维表面图。在一些实施方式中，低血糖度量是多个变量的函数，多个变量选自剂量时间延迟、建议剂量指导、推荐剂量指导，给药的剂量、以及给药后预定时间段的葡萄糖时间序列。在一些实施方式中，低血糖度量是低于70mg/dL的时间、低于54mg/dL的时间、或低血糖指数。在一些实施方式中，第二剂量指导由多维表面图的D剂量/低血糖风险等水平确定。
在多种实施方式中，描述了一种用于在膳食开始之后向受试者提供剂量指导的装置，所述装置包括：输入端，被配置为接收所测量的分析物数据、膳食数据和药物配药数据；显示器，被配置为可视地呈现信息；以及与输入端、显示器以及存储指令的存储器耦接的一个或多个处理器，其中当一个或多个处理器执行所述指令时，使一个或多个处理器：响应于来自受试者的询问，确定针对膳食的第一剂量指导，其中第一剂量指导被确定用于在膳食开始时向受试者给药；确定在膳食的开始和来自受试者的询问之间是否存在时间延迟；响应于时间延迟的确定，至少基于第一剂量指导和时间延迟来确定是否存在低血糖风险；以及响应于确定存在低血糖风险而输出第二剂量指导，其中第二剂量指导与比第一剂量指导更低的低血糖风险相关联。
在一些实施方式中，程序的执行使得一个或多个处理器参考包括风险图的数据空间通过处理电路来确定低血糖风险。
在一些实施方式中，风险图是基于人群的。
在一些实施方式中，风险图是基于用户的。
在一些实施方式中，风险图包括从低血糖度量导出的多维表面图。在一些实施方式中，低血糖度量是多个变量的函数，多个变量选自剂量时间延迟、建议剂量指导、推荐剂量指导，给药的剂量、以及给药后预定时间段的葡萄糖时间序列。在一些实施方式中，低血糖度量是低于70mg/dL的时间、低于54mg/dL的时间、或低血糖指数。在一些实施方式中，程序的执行使得一个或多个处理器根据多维表面图的D剂量/低血糖风险等水平确定第二剂量指导。
在多种实施方式中，描述了一种在膳食开始之后提供迟到剂量指导给药的方法，所述方法包括以下步骤：从用户接收对具有开始时间的膳食的剂量指导的询问；通过处理电路确定在膳食开始之后是否接收到剂量指导询问；通过处理电路确定与开始时间相关联的用户的分析物水平；基于所确定的分析物水平而确定校正剂量指导；以及输出包括膳食剂量指导和校正剂量指导的迟到剂量指导。
在一些实施方式中，所述方法还包括向用户通知错过剂量的步骤。
在一些实施方式中，膳食的开始时间是估计的开始时间。
在一些实施方式中，迟到剂量指导是膳食剂量指导和校正剂量指导的总和。
在一些实施方式中，校正剂量指导是所确定的分析物水平与目标分析物之间的差除以校正因子。
在一些实施方式中，膳食剂量指导是固定膳食剂量。
在一些实施方式中，至少基于膳食的碳水化合物含量来确定膳食剂量指导。
在一些实施方式中，药物是胰岛素，分析物是葡萄糖。
在多种实施方式中，描述了一种用于在膳食开始后向受试者提供剂量指导的装置，所述装置包括：输入端，被配置为接收所测量的分析物数据、膳食数据和药物配药数据，以及来自用户的对具有开始时间的膳食的剂量指导的询问；显示器，被配置为可视地呈现信息；以及与输入端、显示器以及存储指令的存储器耦接的一个或多个处理器，其中当一个或多个处理器执行所述指令时，使一个或多个处理器：确定在膳食开始之后是否接收到剂量指导询问；确定与开始时间相关联的用户的分析物水平；基于所确定的分析物水平而确定校正剂量指导；以及输出包括膳食剂量指导和校正剂量指导的迟到剂量指导。
在一些实施方式中，程序的执行使得一个或多个处理器向用户通知错过的剂量。
在一些实施方式中，膳食的开始时间是估计的开始时间。
在一些实施方式中，迟到剂量指导是膳食剂量指导和校正剂量指导的总和。
在一些实施方式中，校正剂量指导是所确定的分析物水平与目标分析物之间的差除以校正因子。
在一些实施方式中，膳食剂量指导是固定膳食剂量。
在一些实施方式中，至少基于膳食的碳水化合物含量来确定膳食剂量指导。
在一些实施方式中，药物是胰岛素，分析物是葡萄糖。
在多种实施方式中，描述了一种在膳食开始之后提供剂量指导以给药的方法，所述方法包括以下步骤：响应于来自受试者的询问，通过处理电路确定膳食的第一剂量指导；通过处理电路计算膳食的开始和来自受试者的询问之间的时间延迟；响应于确定时间延迟大于0，通过处理电路，确定对应于估计的内源性胰岛素量和时间延迟的因子；输出第二剂量指导，其中第二剂量指导与第一剂量指导和因子相关。
在一些实施方式中，第二剂量指导是第一剂量指导和因子的乘积。
在一些实施方式中，因子是分数。
在一些实施方式中，从通用查找表中确定因子。
在一些实施方式中，确定第一剂量指导以在膳食开始时向受试者给药。
在一些实施方式中，第一剂量指导是固定膳食剂量。
在一些实施方式中，至少基于膳食的碳水化合物含量来确定第一剂量指导。
在多种实施方式中，描述了一种用于在膳食开始后向受试者提供剂量指导的装置，所述装置包括：输入端，被配置为接收所测量的分析物数据、膳食数据和药物配药数据；显示器，被配置为可视地呈现信息；以及与输入端、显示器以及存储指令的存储器耦接的一个或多个处理器，其中当一个或多个处理器执行所述指令时，使一个或多个处理器：响应于来自受试者的询问，确定膳食的第一剂量指导；计算膳食的开始和来自受试者的询问之间的时间延迟；响应于确定时间延迟大于0，确定对应于估计的内源性胰岛素量和时间延迟的因子；输出第二剂量指导，其中第二剂量指导与第一剂量指导和因子相关。
在一些实施方式中，第二剂量指导是第一剂量指导和因子的乘积。
在一些实施方式中，因子是分数。
在一些实施方式中，程序的执行使处理器从通用查找表中确定因子。
在一些实施方式中，程序的执行使一个或多个处理器确定第一剂量指导以在膳食开始时向受试者给药。
在一些实施方式中，第一剂量指导是固定膳食剂量。
在一些实施方式中，至少基于膳食的碳水化合物含量来确定第一剂量指导。
在多种实施方式中，描述了一种为复合膳食提供剂量指导的方法，所述方法包括以下步骤：响应于对剂量指导的用户询问，通过处理电路来确定用户询问是否在第一发作的时间段内进行，第一发作包括具有开始时间的膳食；响应于确定用户询问是在该时间段内进行的，通过处理电路请求来自用户的输入以确认是否已经用附加食物延长了膳食；通过处理电路从膳食的开始时间确定低血糖风险；响应于低血糖风险的确定，通过处理电路输出不能提供剂量指导的通知；以及响应于确定没有低血糖风险，通过处理电路输出剂量指导。
在一些实施方式中，所述方法还包括以下步骤：在用户食用了附加食物之后，确定第二低血糖风险。
在一些实施方式中，所述方法还包括以下步骤：在用户询问以检查低血糖的时间后至少约2小时向用户输出检查葡萄糖水平的通知。
在一些实施方式中，时间段的开始是膳食的开始时间。
在一些实施方式中，时间段的开始是向用户输出最后一次剂量指导的时间。
在一些实施方式中，时间段的开始是提供最后胰岛素剂量的时间。
在一些实施方式中，预定时间选自约30分钟、约60分钟、约90分钟和约120分钟。
在一些实施方式中，其中确定低血糖风险包括以下步骤：通过处理电路确定用户处于当前血糖偏移的点；以及通过处理电路计算葡萄糖水平的投影，以确定葡萄糖水平是增加还是减少。
在一些实施方式中，其中响应于确定没有低血糖风险而输出的剂量指导是根据HCP推荐的用于附加食物的剂量指导。
在多种实施方式中，描述了一种用于为复合膳食提供剂量指导的装置，所述装置包括：输入端，被配置为接收所测量的分析物数据、膳食数据和药物配药数据，以及用户询问剂量指导；显示器，被配置为可视地呈现信息；以及与输入端、显示器以及存储指令的存储器耦接的一个或多个处理器，其中当一个或多个处理器执行所述指令时，使一个或多个处理器：响应于对剂量指导的用户询问，确定用户询问是否在第一发作的时间段内进行，第一发作包括具有开始时间的膳食；响应于确定用户询问是在该时间段内进行的，请求来自用户的输入以确认是否已经用附加食物延长了膳食；从膳食的开始时间确定低血糖风险；响应于低血糖风险的确定，输出不能提供剂量指导的通知；以及响应于确定没有低血糖风险，通过处理电路输出剂量指导。
在一些实施方式中，程序的执行还使一个或多个处理器在用户已经食用了附加食物之后确定第二低血糖风险。
在一些实施方式中，程序的执行还使一个或多个处理器在用户询问以检查低血糖的时间后至少约2小时向用户输出检查葡萄糖水平的通知。
在一些实施方式中，时间段的开始是膳食的开始时间。
在一些实施方式中，时间段的开始是最后一次剂量指导被输出给用户的时间。
在一些实施方式中，时间段的开始是提供最后胰岛素剂量的时间。
在一些实施方式中，预定时间选自约30分钟、约60分钟、约90分钟和约120分钟。
在一些实施方式中，其中程序的执行使一个或多个处理器：确定用户处于当前血糖偏移的点来确定低血糖风险；以及计算葡萄糖水平的投影以确定葡萄糖水平是增加还是减少。
在一些实施方式中，响应于确定没有低血糖风险而输出的剂量指导是根据HCP推荐的用于附加食物的剂量指导。
在多种实施方式中，描述了一种用于提供剂量指导的方法，所述方法包括以下步骤：响应于第一用户询问输出第一剂量指导；通过处理电路确定所给药的第一剂量中的药物量是否低于第一剂量指导中的药物量；通过处理电路确定在第一剂量的给药时间段内是否接收到对第二剂量指导的第二用户询问；请求来自用户的输入以确定第二用户询问是否是在餐后调整高葡萄糖水平；通过处理电路，至少通过确定用户的血糖是否增加来确定低血糖风险；响应于低血糖风险的确定，通过处理电路输出不能提供第二剂量指导的通知；以及响应于确定没有低血糖风险，通过处理电路输出第二剂量指导。
在一些实施方式中，第一剂量指导是在膳食开始时给药的膳食剂量。
在一些实施方式中，该所述方法还包括通过处理电路记录在所给药的第一剂量中的药物量与第一剂量指导中的药物量之间确定的差值的步骤。
在一些实施方式中，时间段为约120分钟。
在一些实施方式中，确定低血糖风险包括确定用户的葡萄糖水平是否正在升高。
在一些实施方式中，确定低血糖风险包括以下步骤：计算用户当前葡萄糖水平的正向预测；以及确定前向投影中可能的低血糖发作。
在一些实施方式中，第二剂量指导包括校正剂量指导。在一些实施方式中，校正剂量指导是当前葡萄糖水平与目标葡萄糖之间的差除以校正因子，减去剩余的活性的胰岛素。在一些实施方式中，校正因子是用户的胰岛素敏感性因子。
在多种实施方式中，描述了一种用于提供剂量指导的装置，所述装置包括：输入端，被配置为接收所测量的分析物数据、膳食数据和药物配药数据，以及多个用户询问剂量指导；显示器，被配置为可视地呈现信息；以及与输入端、显示器以及存储指令的存储器耦接的一个或多个处理器，其中当一个或多个处理器执行所述指令时，使一个或多个处理器：响应于第一用户询问输出第一剂量指导；确定所给药的第一剂量中的药物量是否低于第一剂量指导中的药物量；确定在第一剂量的给药时间段内是否接收到对第二剂量指导的第二用户询问；请求来自用户的输入，以确定第二用户询问是否是在餐后调整高葡萄糖水平；至少通过确定用户的血糖是否增加来确定低血糖风险；响应于低血糖风险的确定，输出不能提供第二剂量指导的通知；以及响应于确定没有低血糖风险，输出第二剂量指导。
在一些实施方式中，第一剂量指导是在膳食开始时给药的膳食剂量。
在一些实施方式中，程序的执行还使一个或多个处理器记录在所给药的第一剂量中的药物量与在第一剂量指导中的药物量之间确定的差值。
在一些实施方式中，时间段为约120分钟。
在一些实施方式中，确定低血糖风险包括确定用户的葡萄糖水平是否正在升高。
在一些实施方式中，程序的执行使一个或多个处理器通过使处理器：计算用户的当前葡萄糖水平的正向投影来确定低血糖风险；以及确定前向投影中可能的低血糖发作。
在一些实施方式中，第二剂量指导包括校正剂量指导。在一些实施方式中，校正剂量指导是当前葡萄糖水平与目标葡萄糖之间的差除以校正因子，减去剩余的活性的胰岛素。在一些实施方式中，校正因子是用户的胰岛素敏感性因子。
在多种实施方式中，描述了一种用于警告受试者的方法，所述方法包括以下步骤：接收包括分析物时间序列数据和事件数据的多个数据；处理多个数据的至少一部分，以确定未来低血糖或高血糖发作的发生概率、预测定时和预测严重程度；以及向受试者警告所预测的未来低血糖或高血糖发作。
在一些实施方式中，事件数据包括膳食数据、点心数据、锻炼数据和药物配药数据中的至少一种。在一些实施方式中，药物配药数据包括胰岛素推注剂量时间和给药量。在一些实施方式中，药物配药数据包括基础胰岛素剂量时间和给药量。
在一些实施方式中，事件数据包括每个事件的相关时间戳。
在一些实施方式中，多个数据还包括位置数据、日历日期数据、日期时间数据和压力水平数据中的至少一个。
在一些实施方式中，分析物时间序列数据包括分析物时间序列数据的高阶导数和积分。
在一些实施方式中，警告受试者包括输出包括预测的未来低血糖或高血糖发作的预测类型和预测时间的通知。
在一些实施方式中，当出现概率、预测定时和预测严重程度均高于阈值时，警告受试者发生。
在一些实施方式中，警告受试者包括输出通知，该通知包括事件与预测的未来低血糖或高血糖发作之间的关联。
在一些实施方式中，预测的未来低血糖或高血糖发作基于：基于人群的数据、基于受试者的数据或其组合。
在一些实施方式中，警告受试者包括显示多个预测的未来低血糖或高血糖发作的列表。
在多种实施方式中，描述了一种用于警告受试者的装置，所述装置包括：输入端，被配置为接收包括分析物时间序列数据和事件数据的多个数据；显示器，被配置为可视地呈现剂量指导；以及与输入端、显示器以及存储指令的存储器耦接的一个或多个处理器，其中当一个或多个处理器执行所述指令时，使所述一个或多个处理器：处理多个数据的至少一部分以确定未来低血糖或高血糖发作的发生概率、预测定时和预测严重程度；以及向受试者警告所预测的未来低血糖或高血糖发作。
在一些实施方式中，事件数据包括膳食数据、点心数据、锻炼数据和药物配药数据中的至少一种。在一些实施方式中，药物配药数据包括胰岛素推注剂量时间和给药量。在一些实施方式中，药物配药数据包括基础胰岛素剂量时间和给药量。
在一些实施方式中，事件数据包括每个事件的相关时间戳。
在一些实施方式中，多个数据还包括位置数据、日历日期数据、日期时间数据和压力水平数据中的至少一个。
在一些实施方式中，分析物时间序列数据包括分析物时间序列数据的高阶导数和积分。
在一些实施方式中，程序的执行还使得一个或多个处理器通过使处理器输出包括预测的未来低血糖或高血糖发作的预测类型和预测时间的通知来提醒受试者。
在一些实施方式中，当出现概率、预测定时和预测严重程度均高于阈值时，程序的执行还使一个或多个处理器警告受试者。
在一些实施方式中，程序的执行还使得一个或多个处理器通过使处理器输出包括事件与预测的未来低血糖或高血糖发作之间的关联的通知来提醒受试者。
在一些实施方式中，预测的未来低血糖或高血糖发作基于：基于人群的数据、基于受试者的数据或其组合。
在一些实施方式中，程序的执行还使得一个或多个处理器通过使处理器显示多个预测的未来低血糖或高血糖发作的列表来提醒受试者。
在多种实施方式中，描述了一种用于调整药物剂量推荐的方法，所述方法包括：由健康护理专业人员调整至少一个参数，该参数用于在剂量指导应用程序中为受试者提供药物剂量指导，以创建新的药物剂量指导；通过处理电路向受试者通知新的药物剂量指导；通过处理电路确定在至少一个参数被调整之后的时间段期间受试者是否经历低血糖发作；以及通过处理电路提示健康护理专业人员确认在该时间段结束之后新的药物剂量指导是否应当保持不变。
在一些实施方式中，其中时间段为约14天。
在一些实施方式中，至少一个参数选自固定剂量、目标葡萄糖、校正因子和药物作用持续时间中的至少一个。
在一些实施方式中，所述方法还包括在调整步骤之前向健康护理专业人员显示葡萄糖浓度曲线和药物剂量统计的步骤。
在一些实施方式中，所述方法还包括通过处理电路提示受试者、健康护理专业人员或两者批准新的药物剂量指导的步骤。
在一些实施方式中，其中所述药物是胰岛素。
在多种实施方式中，描述了一种用于调整药物剂量推荐的装置，所述装置包括：输入端，被配置为接收所测量的分析物数据、膳食数据和药物配药数据；显示器，被配置为可视地呈现剂量指导；以及与输入端、显示器以及存储指令的存储器耦接的一个或多个处理器，其中当一个或多个处理器执行所述指令时，使一个或多个处理器：调整至少一个参数，该参数用于在剂量指导应用程序中为受试者提供药物剂量指导，以创建新的药物剂量指导；向受试者通知新的药物剂量指导；确定在至少一个参数被调整之后的时间段期间受试者是否经历低血糖发作；以及提示健康护理专业人员确认在该时间段结束之后新的药物剂量指导是否应当保持不变。
在一些实施方式中，时间段为约14天。
在一些实施方式中，至少一个参数选自固定剂量、目标葡萄糖、校正因子和药物作用持续时间中的至少一个。
在一些实施方式中，程序的执行还使得一个或多个处理器在程序的执行使得处理器调整至少一个参数之前向健康护理专业人员显示葡萄糖浓度曲线和药物剂量统计。
在一些实施方式中，所述方法还包括通过处理电路提示受试者、健康护理专业人员或两者批准新的药物剂量指导的步骤。
在一些实施方式中，药物是胰岛素。
在多种实施方式中，描述了一种用于检测传感器中的缺陷的方法，所述方法包括：通过电子装置从药物输送装置接收受试者的药物配药数据；通过处理电路确定多个药物剂量指导与在一段时间内给药的多个先前药物剂量是否不同，其中多个药物剂量指导中的每一个和所给药的多个先前药物剂量中的每一个与一天中的时间段相关联，并且其中将多个药物剂量指导中的每一个与一天中的同一时间段相关联的多个先前给药的药物剂量中的一个进行比较，以确定差异；通过处理电路确定在紧邻时间段的开始的时间内是否有新的传感器连接到传感器控制装置；以及响应于确定在紧邻时间段的开始的时间内连接新传感器，通过处理电路推荐替换新传感器。
在一些实施方式中，与在一天中的至少一个时间段内给药的多个先前药物剂量相比，多个药物剂量指导更高。
在一些实施方式中，与在一天中的至少一个时间段内给药的多个先前药物剂量相比，多个药物剂量指导更低。
在一些实施方式中，时间段为约2天。
在一些实施方式中，药物是胰岛素。
在多种实施方式中，一种用于检测传感器中的缺陷的装置，所述装置包括：输入端，被配置为接收药物配药数据；显示器，被配置为可视地呈现剂量指导；以及与输入端、显示器以及存储指令的存储器耦接的一个或多个处理器，其中当一个或多个处理器执行所述指令时，使一个或多个处理器：确定多个药物剂量指导与在一段时间内给药的多个先前药物剂量是否不同，其中多个药物剂量指导中的每一个和所给药的多个先前药物剂量中的每一个与一天中的时间段相关联，并且其中将多个药物剂量指导中的每一个与一天中的同一时间段相关联的多个先前给药的药物剂量中的一个进行比较，以确定差异；通过处理电路确定在紧邻时间段的开始的时间内是否有新的传感器连接到传感器控制装置；以及响应于确定在紧邻时间段的开始的时间内连接新传感器，通过处理电路推荐替换新传感器。
在一些实施方式中，与在一天中的至少一个时间段内给药的多个先前药物剂量相比，多个药物剂量指导更高。
在一些实施方式中，与在一天中的至少一个时间段内给药的多个先前药物剂量相比，多个药物剂量指导更低。
在一些实施方式中，时间段为约2天。
在一些实施方式中，药物是胰岛素。
在多种实施方式中，描述了一种用于检测配药策略变化的方法，所述方法包括：通过电子装置从药物输送装置接收受试者的药物配药数据；通过处理电路检测与在一段时间内在一天中的第一时间段内给药的多个药物剂量相关的差异趋势；以及通过处理电路向健康护理提供者、用户或两者通知差异趋势。
在一些实施方式中，差异趋势包括与在一天中的第一时间段内给药的先前药物剂量相比，在一天中的第一时间段内以多个药物剂量给药的药物量的差异。
在一些实施方式中，差异趋势包括与在一天中的第一时间段内给药的先前药物剂量相比，在一天中的第一时间段内给药的多种药物剂量的功效的差异。在一些实施方式中，所给药的多种药物剂量的功效差异包括与在一天中的第一时间段内给药的先前药物剂量相关联的餐后葡萄糖水平相比，在一天中的第一时间段内的餐后葡萄糖水平的差异。在一些实施方式中，功效的差异是辅助治疗改变的结果。在一些实施方式中，功效的差异是由于所给药的药物类似物的改变而产生的。
在一些实施方式中，时间段为约3天。
在一些实施方式中，所述方法还包括通过处理电路输出新剂量指导的步骤，其中所述新剂量指导在一天的第一时间小于先前的剂量。
在一些实施方式中，药物是胰岛素。
在多种实施方式中，描述了一种用于检测配药策略变化的装置，所述装置包括：输入端，被配置为接收药物给药数据；显示器，被配置为可视地呈现剂量指导；以及与输入端、显示器以及存储指令的存储器耦接的一个或多个处理器，其中当一个或多个处理器执行所述指令时，使一个或多个处理器：检测与在一段时间内在一天中的第一时间段内给药的多个药物剂量相关的差异趋势；并向健康护理提供者、用户或两者通知差异趋势。
在一些实施方式中，差异趋势包括与在一天中的第一时间段内给药的先前药物剂量相比，在一天中的第一时间段内以多个药物剂量给药的药物量的差异。
在一些实施方式中，差异趋势包括与在一天中的第一时间段内给药的先前药物剂量相比，在一天中的第一时间段内给药的多种药物剂量的功效的差异。
在一些实施方式中，所给药的多种药物剂量的功效差异包括与在一天中的第一时间段内给药的先前药物剂量相关联的餐后葡萄糖水平相比，在一天中的第一时间段内的餐后葡萄糖水平的差异。在一些实施方式中，功效的差异是辅助治疗改变的结果。在一些实施方式中，功效的差异是由于所给药的药物类似物的改变而产生的。
在一些实施方式中，时间段为约3天。
在一些实施方式中，程序的执行还使一个或多个处理器输出新的剂量指导，其中新的剂量指导小于一天中第一时间段的先前剂量。
在一些实施方式中，药物是胰岛素。
在多种实施方式中，描述了一种用于检测配药策略改变的方法，所述方法包括：通过处理电路检测与在第一时间段内向受试者施药物物剂量相关的差异与为第一时间段提供的剂量指导的比较；通过处理电路检测与在第一时间段内给药的药物剂量相关的任何低血糖发作；以及通过处理电路将检测到的与在第一时间段内给药的药物剂量相关的HCP或两种任何低血糖发作通知给受试者。
在一些实施方式中，检测任何低血糖发作包括检测与第一时间段内给药的药物剂量与为第一时间段提供的剂量指导相比的差异相关的低血糖发作趋势。在一些实施方式中，低血糖发作的趋势包括至少三种低血糖发作。
在一些实施方式中，通知受试者或HCP包括在葡萄糖模式报告或药物日志中提供注释。
在一些实施方式中，其中通知受试者或HCP包括警告HCP。
在一些实施方式中，所述方法还包括将检测到的差异通知给受试者的步骤。在一些实施方式中，检测到的差异是不同药物类型的给药。在一些实施方式中，通知还可以包括可能即将发生的低血糖发作的警告。在一些实施方式中，所检测的差异是与为第一时间段提供的剂量指导相比，在第一时间段内给药的药物剂量的量的差异。
在一些实施方式中，药物是胰岛素。
在多种实施方式中，描述了一种用于检测配药策略改变的装置，所述装置包括：输入端，被配置为接收分析物时间序列数据和药物给药数据；显示器，被配置为可视地呈现剂量指导；以及与所述输入端、显示器以及存储指令的存储器耦接的一个或多个处理器，其中当一个或多个处理器执行所述指令时，使一个或多个处理器：检测与在第一时间段内向受试者施药物物剂量相关的差异与为第一时间段提供的剂量指导的比较；检测与在第一时间段内给药的药物剂量相关的任何低血糖发作；以及将检测到的与在第一时间段内给药的药物剂量相关的HCP或两种任何低血糖发作通知给受试者。
在一些实施方式中，程序的执行使得一个或多个处理器通过使处理器检测与在第一时间段内给药的药物剂量与在第一时间段内提供的剂量指导相比的差异相关的低血糖发作的趋势来检测任何低血糖发作时段。在一些实施方式中，低血糖发作的趋势包括至少三种低血糖发作。
在一些实施方式中，程序的执行使一个或多个处理器通过使处理器在葡萄糖模式报告或药物日志中提供注释来通知受试者、HCP或两者。
在一些实施方式中，程序的执行使一个或多个处理器通过使处理器用警报通知HCP来通知受试者、HCP或两者。
在一些实施方式中，程序的执行使一个或多个处理器通过使处理器将检测到的差异通知给受试者来通知受试者、HCP或两者。在一些实施方式中，检测到的差异是不同药物类型的给药。在一些实施方式中，通知还可以包括可能即将发生的低血糖发作的警告。在一些实施方式中，所检测的差异是与为第一时间段提供的剂量指导相比，在第一时间段内给药的药物剂量的量的差异。
在一些实施方式中，药物是胰岛素，分析物是葡萄糖。
在多种实施方式中，描述了一种用于管理多剂量给药的方法，所述方法包括：通过电子装置从药物输送装置接收受试者的药物配药数据；通过处理电路检测包括至少第一剂量和最后剂量的多个药物剂量的给药，其中在第一剂量的时间段内给药最后剂量；如果满足第一标准，则通过处理电路记录最后剂量作为所给药的剂量；以及如果满足第二标准，则通过处理电路记录第一剂量和最后剂量的总量，作为所给药的剂量。
在一些实施方式中，第一标准包括第一剂量的量小于最后剂量的量。
在一些实施方式中，第一标准包括第一剂量的量在约1U至约3U之间。
在一些实施方式中，第一标准包括给药第一剂量和给药最后剂量之间的时间间隔小于约3分钟。
在一些实施方式中，第一标准包括给药第一剂量和给药最后剂量之间的时间段低于约1分钟。
在一些实施方式中，第二标准包括给药第一剂量和给药最后剂量之间的时间段在约4分钟到约35分钟之间。
在一些实施方式中，第二标准包括第给药一剂量和给药最后剂量之间的时间段在约4分钟至约30分钟之间。
在一些实施方式中，第二标准包括第一剂量大于约2U的量。
在一些实施方式中，所述多个药物剂量还包括在第一剂量和最后剂量之间给药的中间剂量。在一些实施方式中，如果第一剂量和中间剂量的量近似相等，则满足第一标准。在一些实施方式中，如果中间剂量的量在约1U至约3U之间，则满足第一标准。在一些实施方式中，如果第一剂量给药和最后剂量给药之间的时间段在约5分钟到约35分钟之间，则满足第二标准。
在一些实施方式中，药物是胰岛素。
在多种实施方式中，描述了一种用于管理多剂量给药的装置，所述装置包括：输入端，被配置为接收药物配药数据；显示器，被配置为可视地呈现剂量指导；以及与所述输入端、显示器以及存储指令的存储器耦接的一个或多个处理器，其中当一个或多个处理器执行所述指令时，使一个或多个处理器：检测包括至少第一剂量和最后剂量的多个药物剂量的给药，其中在第一剂量的时间段内给药最后剂量；如果满足第一标准，则记录最后剂量作为所给药的剂量；以及如果满足第二标准，则记录第一剂量和最后剂量的总量，作为所给药的剂量。
在一些实施方式中，第一标准包括第一剂量的量小于最后剂量的量。
在一些实施方式中，第一标准包括第一剂量的量在约1U至约3U之间。
在一些实施方式中，第一标准包括给药第一剂量和给药最后剂量之间的时间间隔小于约3分钟。
在一些实施方式中，第一标准包括给药第一剂量和给药最后剂量之间的时间间隔在约1分钟以下。
在一些实施方式中，第二标准包括给药第一剂量和给药最后剂量之间的时间段在约4分钟到约35分钟之间。
在一些实施方式中，第二标准包括第一剂量给药和最后剂量给药之间的时间段在约4分钟到约30分钟之间。
在一些实施方式中，第二标准包括第一剂量大于约2U的量。
在一些实施方式中，所述多个药物剂量还包括在第一剂量和最后剂量之间给药的中间剂量。在一些实施方式中，如果第一剂量和中间剂量的量近似相等，则满足第一标准。在一些实施方式中，如果中间剂量的量在约1U至约3U之间，则满足第一标准。在一些实施方式中，如果第一剂量给药和最后剂量给药之间的时间段在约5分钟到约35分钟之间，则满足第二标准。
在一些实施方式中，药物是胰岛素。
在许多方法中，描述了一种用于确定药物剂量指导的方法，所述方法包括：通过电子装置从药物输送装置接收受试者的药物配药数据；通过处理电路检测药物剂量的错过，其中药物剂量具有与作用持续时间相关联的时间段；通过处理电路忽略与确定对药物剂量指导的调整的时间段相关联的分析物数据。
在一些实施方式中，通过检测由电子装置接收的药物配药数据中的间隙来检测推荐药物剂量的错过。
在一些实施方式中，该方法还包括通过处理电路从分析物数据中检测膳食事件的步骤，其中通过在检测到膳食事件的时间附近检测药物配药数据中的间隙来检测药物剂量的错过。
在一些实施方式中，时间段为约4小时。
在一些实施方式中，时间段为约24小时。
在一些实施方式中，分析物是葡萄糖，药物是胰岛素。
在多种实施方式中，描述了一种用于确定剂量指导的装置，所述装置包括：输入端，被配置为接收药物配药数据；显示器，被配置为可视地呈现剂量指导；以及与输入端、显示器以及存储指令的存储器耦接的一个或多个处理器，其中当一个或多个处理器执行所述指令时，使一个或多个处理器：检测药物剂量的错过，其中药物剂量具有与作用持续时间相关联的时间段；以及忽略与确定对药物剂量指导的调整的时间段相关联的分析物数据。
在一些实施方式中，通过检测由电子装置接收的药物配药数据中的间隙来检测推荐药物剂量的错过。
在一些实施方式中，当一个或多个处理器执行指令时，使一个或多个处理器从分析物数据中检测膳食事件，其中通过在检测到膳食事件的时间附近检测药物配药数据中的间隙来检测药物剂量的错过。
在一些实施方式中，时间段为约4小时。
在一些实施方式中，时间段为约24小时。
在一些实施方式中，分析物是葡萄糖，药物是胰岛素。
在多种实施方式中，描述了一种用于管理配药策略的方法，所述方法包括：通过电子装置从药物输送装置接收受试者的药物配药数据；通过处理电路检测药物剂量的错过；通过处理电路确定受试者的分析物水平在目标范围内保持第一时间段和第二时间段的时间量，其中第一时间段和第二时间段是相同的时间量，其中第一时间段不含有药物剂量的错过，并且其中第二时间段含有药物剂量的错过；以及通过处理电路向用户通知在第一时间段和第二时间段的范围内所确定的时间。
在一些实施方式中，通知步骤还包括关于遵守推荐药物剂量的给药计划的好处的肯定消息。
在一些实施方式中，分析物是葡萄糖，药物是胰岛素。
在多种实施方式中，描述了一种用于管理配药策略的装置，所述装置包括：输入端，被配置为接收药物配药数据；显示器，被配置为可视地呈现剂量指导；以及与输入端、显示器以及存储指令的存储器耦接的一个或多个处理器，其中当一个或多个处理器执行所述指令时，使一个或多个处理器：检测药物剂量的错过；确定受试者的分析物水平在目标范围内保持第一时间段和第二时间段的时间量，其中第一时间段和第二时间段是相同的时间量，其中第一时间段不含有药物剂量的错过，并且其中第二时间段含有药物剂量的错过；以及向用户通知在第一时间段和第二时间段的范围内所确定的时间。
在一些实施方式中，当一个或多个处理器执行指令时，使一个或多个处理器提供关于遵守推荐药物剂量的给药计划的好处的肯定消息。
在一些实施方式中，分析物是葡萄糖，药物是胰岛素。
在多种实施方式中，描述了一种推荐药物剂量调整的方法，所述方法包括：响应于在受试者的分析物数据中检测到在至少第一时间段内的低分析物模式，通过处理电路，输出第一剂量指导，其中第一剂量指导小于至少第一时间段的先前剂量；响应于在受试者的分析物数据中检测到过夜时段的高分析物模式，通过处理电路，输出第二剂量指导，其中第二剂量指导小于过夜时段的先前剂量；以及响应于在受试者的分析物数据中检测到至少在餐后一段时间内的高分析物模式，通过处理电路，输出第三剂量指导，其中第三剂量指导对于至少一个餐后时段小于先前剂量，其中如果确定在多于一个餐后时段中存在高分析物模式，则第三剂量指导与在当天最早出现的具有高分析物模式的餐后时段相关联。
在一些实施方式中，第二剂量指导是高于现有基础药物剂量的新基础药物剂量。
在一些实施方式中，响应于在过夜时段检测到高分析物模式，对于与低分析物模式相关的一个或多个一天中的时段，第二剂量指导是低于先前药物剂量的新药物剂量。
在一些实施方式中，第三剂量指导响应于晚餐后时段的高分析物模式，并且其中第三剂量指导是高于与晚餐后时段相关联的先前药物剂量的新药物剂量。
在一些实施方式中，第三剂量指导响应于晚餐后时段的高分析物模式，并且其中第三剂量指导是低于先前基础剂量的新基础剂量。
在一些实施方式中，药物是胰岛素，分析物是葡萄糖。
在多种实施方式中，描述了一种用于推荐药物剂量调整的装置，所述装置包括：输入端，被配置为接收药物配药数据和分析物数据；显示器，被配置为可视地呈现剂量指导；以及与输入端、显示器以及存储指令的存储器耦接的一个或多个处理器，其中当一个或多个处理器执行所述指令时，使一个或多个处理器：响应于在受试者的分析物数据中检测到在至少第一时间段内的低分析物模式，通过处理电路，输出第一剂量指导，其中第一剂量指导小于至少第一时间段的先前剂量；响应于在受试者的分析物数据中检测到过夜时段的高分析物模式，通过处理电路，输出第二剂量指导，其中第二剂量指导小于过夜时段的先前剂量；以及响应于在受试者的分析物数据中检测到至少在餐后一段时间内的高分析物模式，通过处理电路，输出第三剂量指导，其中第三剂量指导对于至少一个餐后时段小于先前剂量，其中如果确定在多于一个餐后时段中存在高分析物模式，则第三剂量指导与在当天最早出现的具有高分析物模式的餐后时段相关联。
在一些实施方式中，第二剂量指导是高于现有基础药物剂量的新基础药物剂量。
在一些实施方式中，响应于在过夜时段检测到高分析物模式，对于与低分析物模式相关的一个或多个一天中的时段，第二剂量指导是低于先前药物剂量的新药物剂量。
在一些实施方式中，第三剂量指导响应于晚餐后时段的高分析物模式，并且其中第三剂量指导是高于与晚餐后时段相关联的先前药物剂量的新药物剂量。
在一些实施方式中，第三剂量指导响应于晚餐后时段的高分析物模式，并且其中第三剂量指导是低于先前基础剂量的新基础剂量。
在一些实施方式中，药物是胰岛素，分析物是葡萄糖。
在多种实施方式中，描述了一种推荐药物剂量的方法，所述方法包括：通过电子装置从药物输送装置接收受试者的药物配药数据；通过处理电路确定电子装置是否已接收到与对受试者给药的最后剂量相关联的数据；响应于电子装置未接收到与对受试者给药的最后剂量相关联的数据的确定，通知受试者不能做出剂量指导；以及响应于电子装置接收到与对受试者给药的最后剂量相关联的数据的确定，输出剂量指导。
在一些实施方式中，确定步骤包括确定电子装置是否在至少一个时间段内接收到药物配药数据。在一些实施方式中，时间段为约6小时。
在一些实施方式中，确定步骤包括确定药物输送装置是否连接到电子装置。
在一些实施方式中，所述确定步骤包括确定电子装置是否能够与药物输送装置通信。
在一些实施方式中，确定步骤包括确定是否需要更换与药物输送装置相关联的电源。
在一些实施方式中，所述通知步骤还包括将电子装置最后接收的药物剂量的时间戳通知给受试者。
在一些实施方式中，药物是胰岛素。
在多种实施方式中，描述了一种用于推荐药物剂量的装置，所述装置包括：输入端，被配置为接收药物配药数据；显示器，被配置为可视地呈现剂量指导；以及与输入端、显示器以及存储指令的存储器耦接的一个或多个处理器，其中当一个或多个处理器执行所述指令时，使一个或多个处理器：确定电子装置是否已接收到与对受试者给药的最后剂量相关联的数据；响应于电子装置未接收到与对受试者给药的最后剂量相关联的数据的确定，通知受试者不能做出剂量指导；以及响应于电子装置接收到与对受试者给药的最后剂量相关联的数据的确定，输出剂量指导。
在一些实施方式中，其中在一个或多个处理器执行所述指令时，使一个或多个处理器确定在至少一个时间段内是否已经由电子装置接收到药物配药数据。在一些实施方式中，时间段为约6小时。
在一些实施方式中，其中在一个或多个处理器执行所述指令时，使一个或多个处理器确定药物输送装置是否连接到电子装置。
在一些实施方式中，其中在一个或多个处理器执行所述指令时，使一个或多个处理器确定是否启用电子装置与药物输送装置通信。
在一些实施方式中，其中在一个或多个处理器执行所述指令时，使一个或多个处理器确定是否需要更换与药物输送装置相关联的电源。
在一些实施方式中，其中在一个或多个处理器执行所述指令时，使一个或多个处理器将最后由电子装置接收的药物剂量的时间戳通知给受试者。
在一些实施方式中，药物是胰岛素。
在多种实施方式中，描述了一种用于确定剂量指导系统中的异常的方法，所述方法包括：通过处理电路，根据从药物输送装置接收的胰岛素剂量数据，确定与第一时间相关联的第一滚动胰岛素度量；通过处理电路从接收自传感器控制装置的葡萄糖数据确定与第一时间相关联的第一滚动葡萄糖度量；参考包括第一区域、第二区域和第三区域的数据空间，通过处理电路，确定第一区域、第二区域和第三区域中的哪一个含有包括第一滚动胰岛素度量和第一滚动葡萄糖度量的互补对，其中数据空间由多个互补对定义，每个互补对包括与同一时间相关联的滚动胰岛素度量和滚动葡萄糖度量；响应于确定第二区域和第三区域中含有包括第一滚动胰岛素度量和第一滚动葡萄糖度量的互补对，输出关于检查传感器控制装置或药物输送装置中的至少一个的通知。
在一些实施方式中，滚动胰岛素度量是一段时间内胰岛素的总剂量。在一些实施方式中，时间段选自约24、约48和约72小时。在一些实施方式中，胰岛素的总剂量是该时间段内长效和速效胰岛素的总剂量。
在一些实施方式中，滚动胰岛素度量是自膳食开始经过的时间内的活性的胰岛素。
在一些实施方式中，滚动葡萄糖度量选自滚动平均葡萄糖、滚动中值葡萄糖和滚动模式葡萄糖。
在一些实施方式中，滚动葡萄糖度量是膳食开始标准化葡萄糖AUC或膳食葡萄糖的变化。
在一些实施方式中，以规则的时间间隔收集来自互补对的数据。
在一些实施方式中，第二区域和第三区域与异常胰岛素剂量或葡萄糖测量相关联。
在一些实施方式中，数据空间中的多个互补对被相关以形成标称期望关系的曲线。在一些实施方式中，下安全边界和上安全边界位于标称预期关系曲线的下方和上方。在一些实施方式中，数据空间的第一区域、第二区域和第三区域由下安全边界和上安全边界限定，其中第二区域在上安全边界的上方，第三区域在下安全边界的下方。
在多种实施方式中，描述了一种用于确定剂量指导系统中的异常的装置，所述装置包括：输入端，被配置为接收药物配药数据和分析物数据；显示器，被配置为可视地呈现剂量指导；以及与输入端、显示器以及存储指令的存储器耦接的一个或多个处理器，其中当一个或多个处理器执行所述指令时，使一个或多个处理器：根据从药物输送装置接收的胰岛素剂量数据，确定与第一时间相关联的第一滚动胰岛素度量；从接收自传感器控制装置的葡萄糖数据确定与第一时间相关联的第一滚动葡萄糖度量；参考包括第一区域、第二区域和第三区域的数据空间，确定第一区域、第二区域和第三区域中的哪一个含有包括第一滚动胰岛素度量和第一滚动葡萄糖度量的互补对，其中数据空间由多个互补对定义，每个互补对包括与同一时间相关联的滚动胰岛素度量和滚动葡萄糖度量；响应于确定第二区域和第三区域中含有包括第一滚动胰岛素度量和第一滚动葡萄糖度量的互补对，输出关于检查传感器控制装置或药物输送装置中的至少一个的通知。
在一些实施方式中，滚动胰岛素度量是一段时间内胰岛素的总剂量。在一些实施方式中，时间段选自约24、约48和约72小时。在一些实施方式中，胰岛素的总剂量是该时间段内长效和速效胰岛素的总剂量。
在一些实施方式中，滚动胰岛素度量是自膳食开始经过的时间时的活性的胰岛素。
在一些实施方式中，滚动葡萄糖度量选自滚动平均葡萄糖、滚动中值葡萄糖和滚动模式葡萄糖。
在一些实施方式中，滚动葡萄糖度量是膳食开始标准化葡萄糖AUC或膳食葡萄糖的变化。
在一些实施方式中，以规则的时间间隔收集来自互补对的数据。
在一些实施方式中，第二和第三区与异常胰岛素剂量或葡萄糖测量相关联。
在一些实施方式中，数据空间中的多个互补对被相关以形成标称期望关系的曲线。在一些实施方式中，下安全边界和上安全边界位于标称预期关系曲线的下方和上方。在一些实施方式中，数据空间的第一区域、第二区域和第三区域由下安全边界和上安全边界限定，其中第二区域在上安全边界之上的上方，第三区域在下安全边界的下方。
在多种实施方式中，描述了一种用于监测注射位点的方法；所述方法包括：确定电子装置和传感器控制装置之间的第一距离以及电子装置和药物输送装置之间的第二距离；计算SCD与MDD之间的第三距离，其中SCD位于受试者身上的固定位置；确定计算出的SCD和MDD之间的第三距离是否与先前计算出的第三距离基本相似；以及输出将MDD移动到受试者身上的新注射位点的推荐。
在一些实施方式中，通过电子装置和传感器控制装置之间以及电子装置和药物输送装置之间的蓝牙通信来确定第一距离和第二距离。
在一些实施方式中，通过电子装置和传感器控制装置之间的第一信号的强度确定第一距离，并且其中通过电子装置和药物输送装置之间的第二信号的强度确定第二距离。在一些实施方式中，通过三角法测量第一信号和第二信号来计算第三距离。
在一些实施方式中，第一信号和第二信号是BLE信号。
在一些实施方式中，如果确定所计算的第三距离基本上类似于两个先前计算的第三距离，则输出推荐。在一些实施方式中，第一距离和第二距离是响应于剂量指导请求而确定的，并且其中两个先前计算的第三距离是针对紧接在当前剂量指导请求之前给药的第一注射和第二注射而计算的。
在一些实施方式中，推荐包括提议的新注射位点。
在多种实施方式中，描述了一种用于监测注射部位位置的装置，所述装置包括：输入端，被配置为接收药物配药数据和分析物数据；显示器，被配置为可视地呈现剂量指导；以及与输入端、显示器以及存储指令的存储器耦接的一个或多个处理器，其中当一个或多个处理器执行所述指令时，使一个或多个处理器：确定电子装置和传感器控制装置之间的第一距离以及电子装置和药物输送装置之间的第二距离；计算SCD与MDD之间的第三距离，其中SCD位于受试者身上的固定位置；确定计算出的SCD和MDD之间的第三距离是否与先前计算出的第三距离基本相似；以及输出将MDD移动到受试者身上的新注射位点的推荐。
在一些实施方式中，通过电子装置和传感器控制装置之间以及电子装置和药物输送装置之间的蓝牙通信来确定第一距离和第二距离。
在一些实施方式中，通过电子装置和传感器控制装置之间的第一信号的强度确定第一距离，并且其中通过电子装置和药物输送装置之间的第二信号的强度确定第二距离。在一些实施方式中，通过三角法测量第一信号和第二信号来计算第三距离。
在一些实施方式中，第一信号和第二信号是BLE信号。
在一些实施方式中，如果确定所计算的第三距离基本上类似于两个先前计算的第三距离，则输出推荐。在一些实施方式中，第一距离和第二距离是响应于剂量指导请求而确定的，并且其中两个先前计算的第三距离是针对紧接在当前剂量指导请求之前给药的第一注射和第二注射而计算的。
在一些实施方式中，推荐包括提议的新注射位点。
对于本文所述的任何方法，所述方法可以在远程装置的至少一个处理器上执行，所述远程装置例如是服务器、电话/接收器，位于药物输送装置上或葡萄糖监测装置上。
应当注意，本文提供的任何实施方式所描述的所有特征、元件、部件、功能和步骤都是可以自由组合的，并且可以用来自任何其它实施方式的特征、元件、部件、功能和步骤替换。如果仅针对一种实施方式描述了某些特征、元件、部件、功能或步骤，则应当理解，除非另有明确说明，否则该特征、元件、部件、功能或步骤可以与本文所述的每一个其它实施方式一起使用。因此，此段落用作引入权利要求书的前提基础和书面支持，在任何时候，组合来自不同实施方式的特征、元件、部件、功能和步骤，或者用另一种实施方式的特征、元件、部件、功能和步骤替换来自一种实施方式的特征、元件、部件、功能和步骤，即使下面的描述没有明确说明，在特定情况下，这样的组合或替换是可能的。明确地认识到，表达对每种可能的组合和替换的列举是过重的负担，尤其是考虑到本领域的普通技术人员将容易认识到允许每种和每一种这样的组合和替换。
本文公开的实施方式的范围包括存储器(memory)、存储(storage)和/或计算机可读介质、或者与存储器、存储和/或计算机可读介质相关联地操作，则存储器、存储和/或计算机可读介质是非暂时性的。因此，在一个或多个权利要求所覆盖的存储器、存储和/或计算机可读介质范围内，该存储器、存储和/或计算机可读介质仅仅是非暂时性的。
虽然很容易对实施方式进行各种修改和替换，但是其具体实例已经在附图中示出，并在本文详细描述。然而，应当理解，这些实施方式并不限于所公开的特定形式，相反，这些实施方式将覆盖落在本发明的精神之内的所有修改、等同物和替代方案。此外，实施方式的任何特征、功能、步骤或元件可被列举在权利要求中或被添加到权利要求中，以及通过不在该范围内的特征、功能、步骤或元件限定权利要求的创造性范围的负面限制。

Claims (132)

1.一种用于参数化患者的药物配药实践以配置剂量指导设置的方法，所述方法包括：
由至少一个处理器基于表征在分析时段内所述患者的分析物和所述患者所接收的药物的剂量的时间相关数据进行分类，其中，所述药物的剂量中的每一者被分类为药物类别；
由所述至少一个处理器将一组餐时群之一中的每个剂量进行分组；
由所述至少一个处理器至少部分地通过将每个餐时群的数据应用于模型来生成所述患者的剂量参数；以及
由所述至少一个处理器将剂量参数存储在计算机存储器中用于配置剂量指导设置。
2.根据权利要求1所述的方法，其中，所述分类还包括：生成将一组分类特征与每种所述剂量相关联的特征矩阵。
3.根据权利要求2所述的方法，其中，所述分类特征选自包括以下的组：每个剂量的药物时间，时间过滤的分析物值，最接近于药物时间的分析物值的变化率，表示在药物时间之前的一段时间内分析物值与最接近药物时间的分析物值之间的积分差的左曲线下面积(AUC)，表示在药物时间之后的一段时间内分析物值与最接近药物时间的分析物值之间的积分差的右AUC；在药物时间之间经过的时间，膳食在药物时间之前的限定时间间隔内开始的概率，从最近的膳食开始经过的最可能的时间间隔，膳食在药物时间之后的限定时间间隔内开始的概率，以及直到下一次膳食的最可能的时间间隔。
4.根据权利要求2所述的方法，其中，所述分类还包括估计所述患者在所述分析期间所吃的每顿膳食的时间。
5.根据权利要求4所述的方法，其中，估计每顿膳食的时间进一步包括：基于时间相关的分析物数据生成特征矩阵，其中所述特征矩阵将一组分析物数据特征与被分类为上升、前面下降、下降的每个不同区域相关联。
6.根据权利要求5所述的方法，其中，估计每顿膳食的时间还包括：使用算法基于所述特征矩阵生成估计的餐时。
7.根据权利要求5所述的方法，其中，所述一组分析物数据特征选自包括以下的组：最大分析物变化率、最大分析物加速度、最大分析物加速度点处的分析物值、区域的持续时间、区域的高度、最大减速度、区域中的平均变化率、最大分析物加速度的时间。
8.根据权利要求1所述的方法，其中，所述餐时群包括：早餐、午餐、晚餐。
9.根据权利要求8所述的方法，其中，所述分组还包括：通过聚类分析进行分组。
10.根据权利要求1所述的方法，其中，用于拟合数据对的模型选自：具有零斜率的线性模型、具有非零斜率的线性模型、在单点处具有接点的分段模型、或近似分段模型的非线性模型。
11.根据权利要求1所述的方法，其中，拟合数据对还包括：使残差平方和最小化。
12.根据权利要求1所述的方法，其中，拟合数据对还包括：用Akaike信息准则(AIC)评估每个模型，并选择具有最小AIC值的模型。
13.根据权利要求12所述的方法，其中，所述剂量参数包括：固定剂量药物量、分析物水平、来自针对每个群的所选模型的校正因子。
14.根据权利要求13所述的方法，其中，还包括：由所述至少一个处理器组合来自多个餐时群的数据以形成组合的群，以及为所述组合的群选择模型的最佳拟合模型和校正因子。
15.根据权利要求12所述的方法，还包括：由所述至少一个处理器将所选择的模型的AIC值与阈值进行比较，以及如果AIC值超过阈值，则请求用户输入。
16.根据权利要求1所述的方法，其中，所述分析物包括葡萄糖水平的指示符，所述药物包括胰岛素。
17.根据权利要求1所述的方法，其中，还包括：将所述将剂量指导设置提供给用户接口装置以输出给用户。
18.根据权利要求1所述的方法，其中，还包括：由所述至少一个处理器接收表征在分析时段内所述患者的分析物以及所述患者接收的药物的剂量的时间相关数据。
19.根据权利要求1所述的方法，其中，所述至少一个处理器基于所述时间相关数据从膳食剂量、非膳食剂量和模糊剂量中为每个药物的剂量选择药物类别。
20.根据权利要求1所述的方法，其中，将每个餐时群的数据应用于模型包括：将数据对拟合到所述模型。
21.一种用于参数化患者的药物配药实践以配置剂量指导设置的装置，所述装置包括：
输入端，被配置为接收所测量的分析物数据、膳食数据和药品配药数据；
显示器，被配置为可视地呈现信息；以及
与所述输入端、所述显示器以及存储指令和时间相关数据的存储器耦接的一个或多个处理器，所述时间相关数据表征在分析时段内所述患者的分析物以及患者接收的药物的剂量，其中所述指令在由所述一个或多个处理器执行时使得所述装置：
基于时间相关数据将药物的剂量中的每一者分类为药物类别；
将一组餐时群之一中的每个剂量进行分组；
至少部分地通过将每个餐时群的数据应用于模型来生成所述患者的剂量参数；以及
存储用于配置剂量指导设置的所述剂量参数。
22.根据权利要求21所述的装置，其中，所述存储器保存用于以下操作的进一步指令：至少部分地通过生成将一组分类特征与每个剂量相关联的特征矩阵来分类药物剂量。
23.根据权利要求22所述的装置，其中，所述存储器保存用于以下操作的进一步指令：关联来自群的分类特征，其中，所述分类特征包括：每个剂量的药物时间，时间过滤的分析物值，最接近于药物时间的分析物值的变化率，表示在药物时间之前的一段时间内分析物值与最接近药物时间的分析物值之间的积分差的左曲线下面积(AUC)，表示在药物时间之后的一段时间内分析物值与最接近药物时间的分析物值之间的积分差的右AUC；在药物时间之间经过的时间，膳食在药物时间之前的限定时间间隔内开始的概率，从最近的膳食开始经过的最可能的时间间隔，膳食在药物时间之后的限定时间间隔内开始的概率，以及直到下一次膳食的最可能的时间间隔。
24.根据权利要求22所述的装置，其中，所述存储器保存用于以下操作的进一步指令：至少部分地通过估计患者在所述分析期间所吃的每顿膳食的时间来分类药物剂量。
25.根据权利要求21所述的装置，其中，所述存储器保存用于以下操作的进一步指令：分组为包括早餐、午餐和晚餐的餐时群。
26.根据权利要求25所述的装置，其中，所述存储器保存用于以下操作的进一步指令：至少部分地通过聚类分析进行分组。
27.根据权利要求21所述的装置，其中，所述存储器保存用于以下操作的进一步指令：从具有零斜率的线性模型、具有非零斜率的线性模型、在单点处具有接点的分段模型、或近似分段模型的非线性模型选择模型用于拟合数据对。
28.根据权利要求21所述的装置，其中，所述存储器保存用于以下操作的进一步指令：至少部分地通过使残差平方和最小化来拟合数据对。
29.根据权利要求21所述的装置，其中，所述存储器保存用于以下操作的进一步指令：至少部分地通过用Akaike信息准则(AIC)评估每个模型并选择具有最小AIC值的模型来拟合数据对。
30.根据权利要求29所述的装置，其中，所述存储器保存所述剂量参数，所述剂量参数包括：固定剂量药物量、分析物水平、来自针对每个群的所选模型的校正因子。
31.根据权利要求21所述的装置，其中，所述存储器保存所述时间相关数据，所述时间相关数据表征所述患者的分析物和药物，所述分析物包括葡萄糖水平的指示符，所述药物包括胰岛素。
32.根据权利要求21所述的装置，其中，所述存储器保存用于以下操作的进一步指令：将剂量指导设置提供给用户接口装置以输出给用户。
33.根据权利要求21所述的装置，其中，所述存储器保存用于以下操作的进一步指令：接收所述时间相关数据，所述时间相关数据表征在分析时段内所述患者的分析物和所述患者所接收的药物的剂量。
34.根据权利要求21所述的装置，其中，所述存储器保存用于以下操作的进一步指令：基于所述时间相关数据从膳食剂量、非膳食剂量和模糊剂量中为每个药物的剂量选择药物类别。
35.根据权利要求21所述的装置，其中，存储器保存用于以下操作的进一步指令：至少部分地通过将数据对拟合到模型，将每个餐时群的数据应用于所述模型。
36.一种用于响应于分析物数据提供餐前校正因子的方法，所述方法包括：
由至少一个处理器通过执行模式分析算法来确定至少一个一天中的时间(TOD)时段的分析物模式类型，所述模式分析算法接收在分析时段内取得的患者的与时间相关的分析物数据作为输入；
由执行算法的所述至少一个处理器基于所述分析物模式类型以及在所述分析时段的所述患者的所定义的配药策略来确定餐前校正因子；以及
由所述至少一个处理器将餐前校正的指示符存储在计算机存储器中，以输出到用户或药物配药装置中的至少一者。
37.根据权利要求36所述的方法，其中，所述模式分析算法是葡萄糖模式分析(GPA)算法。
38.根据权利要求37所述的方法，其中，所述GPA输出低葡萄糖模式的指示，并且还包括由所述至少一个处理器确定所定义的配药策略的膳食剂量是否包括餐前校正。
39.根据权利要求38所述的方法，其中，所述方法还包括：由所述至少一个处理器包括仅针对具有膳食剂量并且没有错过的推注剂量或餐前校正的天的分析物数据的部分。
40.根据权利要求39所述的方法，其中，还包括由所述至少一个处理器测试是否剩余足够的数据以达到最小置信度水平。
41.根据权利要求40所述的方法，其中，所述方法还包括：如果剩余足够的数据，则由所述至少一个处理器以仅针对具有膳食剂量并且没有错过的推注剂量或餐前校正的天的分析物数据的部分作为输入，执行GPA。
42.根据权利要求41所述的方法，其中，还包括：由所述至少一个处理器确定来自GPA的葡萄糖模式是否是低的，如果葡萄糖模式是低的，则减少对相关TOD时段的每个剂量的膳食部分的推荐。
43.根据权利要求42所述的方法，还包括：如果葡萄糖模式不是低的，则由所述至少一个处理器减少餐前校正因子。
44.根据权利要求40所述的方法，所述方法还包括：如果剩余的数据不够，则由所述至少一个处理器包括具有餐前校正的天的数据。
45.根据权利要求44所述的方法，所述方法还包括：在包括具有餐前校正的天的数据的情况下，由所述至少一个处理器测试是否存在足够的数据以达到最小置信度水平。
46.根据权利要求45所述的方法，所述方法还包括：由所述至少一个处理器以包括针对具有一个或多个餐前校正的天的数据作为输入，执行第二GPA。
47.根据权利要求46所述的方法，还包括：由所述至少一个处理器确定来自所述第二GPA的葡萄糖模式是否不为低，如果葡萄糖模式不为低，则减少对相关TOD时段的每个剂量的膳食部分的推荐。
48.根据权利要求47所述的方法，还包括：如果来自第二GPA的葡萄糖模式是低的，则由所述至少一个处理器以包括仅具有膳食剂量的数据的分析物数据作为输入，执行第三GPA。
49.根据权利要求48所述的方法，还包括：由所述至少一个处理器确定来自所述第三GPA的葡萄糖模式是否不为低，如果所述葡萄糖模式不为低，则减少对餐前校正的推荐。
50.根据权利要求49所述的方法，还包括：由所述至少一个处理器确定来自所述第三GPA的葡萄糖模式是否是低的，如果葡萄糖模式是低的，则减少对相关TOD时段内的每个剂量的膳食部分的推荐。
51.根据权利要求36所述的方法，其中，GPA输出高葡萄糖模式的指示，以及进一步包括：由所述至少一个处理器确定所述分析物数据是否包括具有餐前校正的膳食剂量，如果所述分析物数据不包括具有餐前校正的膳食剂量，从原始数据组中排除具有错过推注的天的数据和具有餐前校正的天的数据，并基于从原始数据组中排除具有错过推注的天的数据和具有餐前校正的天的数据执行GPA。
52.根据权利要求51所述的方法，还包括：由所述至少一个处理器确定由GPA确定的葡萄糖模式是否为高，如果葡萄糖模式不为高，则增加餐前校正因子。
53.根据权利要求51所述的方法，还包括：由所述至少一个处理器确定由GPA确定的葡萄糖模式是否为高，如果葡萄糖模式为高，则增加对相关TOD时段的每个剂量的膳食部分的推荐。
54.根据权利要求36所述的方法，其中GPA输出高葡萄糖模式的指示，以及进一步包括：由所述至少一个处理器确定所述分析物数据是否包括具有餐前校正的膳食剂量，如果所述分析物数据包括具有餐前校正的膳食剂量，则包括针对具有膳食剂量和餐前校正的天的数据，并从原始数据组中排除针对具有错过推注的天的数据，并基于此执行GPA。
55.根据权利要求5453所述的方法，还包括：由所述至少一个处理器，确定由GPA确定的葡萄糖模式是否为高，如果葡萄糖模式为高，则从原始数据组中排除针对具有餐前校正剂量的天的数据以及针对具有错过推注剂量的天的数据，并基于此执行GPA。
56.根据权利要求55所述的方法，还包括：由所述至少一个处理器确定由GPA确定的葡萄糖模式是否为高，如果葡萄糖模式为高，则增加餐前校正因子。
57.根据权利要求55所述的方法，还包括：由所述至少一个处理器确定由GPA确定的葡萄糖模式是否为高，如果葡萄糖模式为高，则增加对相关TOD时段的每个剂量的膳食部分的推荐。
58.根据权利要求36所述的方法，其中，GPA输出高葡萄糖模式的指示，以及进一步包括：由所述至少一个处理器确定所述分析物数据是否包括针对具有餐前校正的膳食剂量，如果所述分析物数据未包括针对具有餐前校正的膳食剂量，则从原始数据组中排除针对具有餐前校正的天以及针对具有错过推注的天的数据，以及基于此执行GPA。
59.根据权利要求58所述的方法，还包括：由所述至少一个处理器确定由GPA确定的葡萄糖模式是否为高，如果葡萄糖模式为高，则增加对相关TOD时段的每个剂量的膳食部分的推荐。
60.根据权利要求58所述的方法，还包括：由所述至少一个处理器确定由GPA确定的葡萄糖模式是否为高，如果葡萄糖模式不为高，则增加餐前校正因子。
61.根据权利要求36所述的方法，其中，所述分析物包括葡萄糖水平的指示符，所述药物包括胰岛素。
62.根据权利要求36所述的方法，其中，所述模式分析是TIR算法。
63.根据权利要求62所述的方法，其中执行所述TIR算法包括：由所述至少一个处理器确定至少一个TOD时段的低于目标的时间(tBT)和高于目标的时间(tAT)。
64.根据权利要求63所述的方法，其中，执行所述TIR算法还包括：由所述至少一个处理器至少基于所述低于目标的时间(tBT)和所述高于目标的时间(tAT)来评估低血糖风险度量或高血糖风险中的至少一者。
65.一种用于响应于分析物数据提供餐前校正因子的装置，所述装置包括：
输入端，被配置为接收测量的分析物数据、膳食数据和药品配药数据；
显示器，被配置为可视地呈现信息；以及
与所述输入端、所述显示器以及存储指令的存储器耦接的一个或多个处理器，当所述一个或多个处理器执行所述指令时，使所述装置执行：
通过执行模式分析算法来确定至少一个一天中的时间(TOD)时段的分析物模式类型，所述模式分析算法接收在分析时段内取得的患者的与时间相关的分析物数据作为输入；
通过执行算法基于所述分析物模式类型以及在所述分析时段的所述患者的所定义的配药策略来确定餐前校正因子；以及
将餐前校正的指示符存储在计算机存储器中，以输出到用户或药物配药装置中的至少一者。
66.根据权利要求65所述的装置，其中，所述存储器保存所述模式分析算法，所述模式分析算法是葡萄糖模式分析(GPA)算法。
67.根据权利要求66所述的装置，其中，所述GPA输出低葡萄糖模式的指示，并且还包括由所述至少一个处理器确定所定义的配药策略的膳食剂量是否包括餐前校正。
68.根据权利要求65所述的装置，其中，所述GPA输出高葡萄糖模式的指示，并且所述存储器保存用于以下操作的进一步指令：确定所述分析物数据是否包括具有餐前校正的膳食剂量，如果所述分析物数据未包括具有餐前校正的膳食剂量，则从原始数据组中排除针对具有错过推注的天的数据和针对具有餐前校正的天的数据，并基于其执行所述GPA。
69.根据权利要求68所述的装置，其中，所述存储器还保存用于以下操作的进一步指令：确定由所述GPA确定的葡萄糖模式是否为高，如果由所述GPA确定的葡萄糖模式不为高，则增加餐前校正因子。
70.根据权利要求68所述的装置，其中，所述存储器保存用于以下操作的进一步指令：确定由所述GPA确定的葡萄糖模式是否为高，如果葡萄糖模式为高，则增加对相关TOD时段的每个剂量的膳食部分的推荐。
71.根据权利要求65所述的装置，其中GPA输出高葡萄糖模式的指示，并且所述存储器保存用于以下操作的进一步指令：由所述至少一个处理器确定所述分析物数据是否包括具有餐前校正的膳食剂量，如果所述分析物数据包括具有餐前校正的膳食剂量，则包括针对具有膳食剂量和餐前校正的天的数据，并从原始数据组中排除针对具有错过推注的天的数据，并基于此执行所述GPA。
72.根据权利要求71所述的装置，其中所述存储器保存用于以下操作的进一步指令：确定由所述GPA确定的葡萄糖模式是否为高，如果由所述GPA确定的葡萄糖模式为高，则从原始数据组中排除针对具有餐前校正剂量的天的数据以及针对具有错过推注剂量的天的数据，并基于此执行所述GPA。
73.根据权利要求65所述的装置，其中，所述分析物包括葡萄糖水平的指示符，所述药物包括胰岛素。
74.根据权利要求65所述的装置，其中，所述模式分析是TIR算法。
75.一种用于确定药品剂量指导的方法，所述方法包括：
由电子装置从药物输送装置接收受试者的药品剂量数据；
由处理电路检测药品剂量的错过给药，其中，所述药品剂量具有与作用持续时间相关联的时间段；
当确定对药品剂量指导的调整时，由处理电路忽略与所述时间段相关联的分析物数据。
76.根据权利要求75所述的方法，其中，通过检测由所述电子装置接收的药品剂量数据中的间隙来检测所推荐的药品剂量的错过给药。
77.根据权利要求75所述的方法，还包括：通过处理电路从分析物数据中检测膳食事件的步骤，其中，通过在检测到膳食事件的时间附近检测药品剂量数据中的间隙来检测药品剂量的错过给药。
78.根据权利要求75所述的方法，其中，所述时间段为约4小时。
79.根据权利要求75所述的方法，其中，所述时间段为约24小时。
80.根据权利要求75所述的方法，其中所述分析物是葡萄糖，所述药品是胰岛素。
81.一种用于确定剂量指导的装置，所述装置包括：
输入端，被配置为接收药品剂量数据；
显示器，被配置为可视地呈现剂量指导；以及
与所述输入端、所述显示器以及存储指令的存储器耦接的一个或多个处理器，其中当所述指令被所述一个或多个处理器执行时，使所述一个或多个处理器：
检测药品剂量的错过给药，其中，所述药品剂量具有与作用持续时间相关联的时间段；
当确定对药品剂量指导的调整时，忽略与所述时间段相关联的分析物数据。
82.根据权利要求81所述的装置，其中，通过检测由电子装置接收的药品剂量数据中的间隙来检测所推荐的药品剂量的错过给药。
83.根据权利要求81所述的装置，其中，当所述一个或多个处理器执行所述指令时，使所述一个或多个处理器从分析物数据中检测膳食事件，其中，通过在检测到膳食事件的时间附近检测药品剂量数据中的间隙来检测药品剂量的错过给药。
84.根据权利要求81所述的装置，其中，所述时间段约为4小时。
85.根据权利要求81所述的装置，其中，所述时间段约为24小时。
86.根据权利要求81所述的装置，其中，所述分析物是葡萄糖，所述药品是胰岛素。
87.一种提供用于在膳食开始后给药的剂量指导的方法，所述方法包括以下步骤：
响应于来自受试者的询问，由处理电路确定针对膳食的第一剂量指导，其中，所述第一剂量指导被确定用于在所述膳食开始时向所述受试者的给药；
由处理电路确定在所述膳食的开始和来自所述受试者的询问之间是否存在时间延迟；
响应于所述时间延迟的确定，由处理电路至少基于所述第一剂量指导和所述时间延迟来确定是否存在低血糖风险；以及
响应于确定存在所述低血糖风险，输出第二剂量指导，其中，与所述第一剂量指导相比，所述第二剂量指导与更低的低血糖风险相关联。
88.根据权利要求87所述的方法，其中，参考包括风险图的数据空间，由处理电路确定所述低血糖风险。
89.根据权利要求87所述的方法，其中，所述风险图是基于人群的。
90.根据权利要求87所述的方法，其中，所述风险图是基于用户的。
91.根据权利要求87所述的方法，其中，所述风险图包括从低血糖度量导出的多维表面图。
92.根据权利要求91所述的方法，其中，所述低血糖度量是多个变量的函数，所述多个变量选自以下各项组成的组：剂量时间延迟、建议剂量指导、推荐剂量指导，给药剂量、剂量给药后预定时间段的葡萄糖时间序列。
93.根据权利要求91所述的方法，其中，所述低血糖度量是低于70mg/dL的时间、低于54mg/dL的时间、或低血糖指数。
94.根据权利要求91所述的方法，其中，所述第二剂量指导由所述多维表面图的Δ剂量/低血糖风险等势线确定。
95.一种用于在膳食开始之后向受试者提供剂量指导的装置，所述装置包括：
输入端，被配置为接收所测量的分析物数据、膳食数据和药品配药数据；
显示器，被配置为可视地呈现剂量指导；以及
与所述输入端、所述显示器以及存储指令的存储器耦接的一个或多个处理器，其中当所述指令被所述一个或多个处理器执行时，使所述一个或多个处理器：
响应于来自受试者的询问，确定针对膳食的第一剂量指导，其中，所述第一剂量指导被确定用于在所述膳食开始时向所述受试者的给药；
确定在所述膳食的开始和来自所述受试者的询问之间是否存在时间延迟；
响应于所述时间延迟的确定，至少基于所述第一剂量指导和所述时间延迟来确定是否存在低血糖风险；以及
响应于确定存在所述低血糖风险，输出第二剂量指导，其中，与所述第一剂量指导相比，所述第二剂量指导与更低的低血糖风险相关联。
96.根据权利要求95所述的装置，其中，执行程序，使得所述一个或多个处理器参考包括风险图的数据空间来确定所述低血糖风险。
97.根据权利要求95所述的装置，其中，所述风险图是基于人群的。
98.根据权利要求95所述的装置，其中，所述风险图是基于用户的。
99.根据权利要求95所述的装置，其中，所述风险图包括从低血糖度量导出的多维表面图。
100.根据权利要求99所述的装置，其中，所述低血糖度量是多个变量的函数，所述多个变量选自以下各项组成的组：剂量时间延迟、建议剂量指导、推荐剂量指导，给药剂量、剂量给药后预定时间段的葡萄糖时间序列。
101.根据权利要求99所述的装置，其中，所述低血糖度量是低于70mg/dL的时间、低于54mg/dL的时间、或低血糖指数。
102.根据权利要求99所述的装置，其中，执行程序，使得所述一个或多个处理器根据所述多维表面图的Δ剂量/低血糖风险等势线确定所述第二剂量指导。
103.一种提供在膳食开始之后给药的迟到剂量指导的方法，所述方法包括以下步骤：
从用户接收针对具有开始时间的膳食的剂量指导的询问；
由处理电路确定是否在所述膳食开始之后接收到针对剂量指导的所述询问；
由所述处理电路确定与所述开始时间相关联的所述用户的分析物水平；
基于所确定的分析物水平确定校正剂量指导；以及
输出包括膳食剂量指导和所述校正剂量指导的迟到剂量指导。
104.根据权利要求103所述的方法，其中，还包括向所述用户通知错过剂量的步骤。
105.根据权利要求103所述的方法，其中，所述膳食的所述开始时间是估计的开始时间。
106.根据权利要求103所述的方法，其中，所述迟到剂量指导是所述膳食剂量指导和所述校正剂量指导的总和。
107.根据权利要求103所述的方法，其中，所述校正剂量指导是所确定的分析物水平与目标分析物之间的差除以校正因子。
108.根据权利要求103所述的方法，其中，所述膳食剂量指导是固定膳食剂量。
109.根据权利要求103所述的方法，其中，至少基于所述膳食的碳水化合物含量来确定所述膳食剂量指导。
110.根据权利要求103所述的方法，其中，药品是胰岛素，所述分析物是葡萄糖。
111.一种用于在膳食开始之后向受试者提供剂量指导的装置，所述装置包括：
输入端，被配置为接收所测量的分析物数据、膳食数据和药品配药数据、以及来自用户的针对具有开始时间的膳食的剂量指导的询问；
显示器，被配置为可视地呈现剂量指导；以及
与所述输入端、所述显示器以及存储指令的存储器耦接的一个或多个处理器，其中，当所述指令被所述一个或多个处理器执行时，使所述一个或多个处理器：
确定是否在所述膳食开始之后接收到针对剂量指导的所述询问；
确定与所述开始时间相关联的所述用户的分析物水平；
基于所确定的分析物水平确定校正剂量指导；以及
输出包括膳食剂量指导和所述校正剂量指导的迟到剂量指导。
112.根据权利要求111所述的装置，其中，执行程序使得所述一个或多个处理器向用户通知错过的剂量。
113.根据权利要求111所述的装置，其中，所述膳食的开始时间是估计的开始时间。
114.根据权利要求111所述的装置，其中，所述迟到剂量指导是所述膳食剂量指导和所述校正剂量指导的总和。
115.根据权利要求111所述的装置，其中，所述校正剂量指导是所确定的分析物水平与目标分析物之间的差除以校正因子。
116.根据权利要求111所述的装置，其中，所述膳食剂量指导是固定膳食剂量。
117.根据权利要求111所述的装置，其中，至少基于所述膳食的碳水化合物含量来确定所述膳食剂量指导。
118.根据权利要求111所述的装置，其中，药品是胰岛素，所述分析物是葡萄糖。
119.一种提供在膳食开始之后给药的剂量指导的方法，所述方法包括以下步骤：
响应于来自受试者的询问，由处理电路确定针对膳食的第一剂量指导；
由处理电路计算所述膳食的开始与来自所述受试者的所述询问之间的时间延迟；
响应于确定所述时间延迟大于0，由处理电路确定与估计的内源性胰岛素量和所述时间延迟对应的因子；以及
输出第二剂量指导，其中，所述第二剂量指导与所述第一剂量指导以及所述因子有关。
120.根据权利要求119所述的方法，其中，所述第二剂量指导是所述第一剂量指导和所述因子的乘积。
121.根据权利要求119所述的方法，其中所述因子是分数。
122.根据权利要求119所述的方法，其中，从通用查找表中确定所述因子。
123.根据权利要求119所述的方法，其中，针对在所述膳食开始时向所述受试者给药，确定所述第一剂量指导。
124.根据权利要求119所述的方法，其中，所述第一剂量指导是固定膳食剂量。
125.根据权利要求119所述的方法，其中，至少基于所述膳食的碳水化合物含量确定所述第一剂量指导。
126.一种用于在膳食开始之后向受试者提供剂量指导的装置，所述装置包括：
输入端，被配置为接收所测量的分析物数据、膳食数据和药品配药数据；
显示器，被配置为可视地呈现剂量指导；以及
与所述输入端、所述显示器以及存储指令的存储器耦接的一个或多个处理器，其中，当所述指令被所述一个或多个处理器执行时，使所述一个或多个处理器：
响应于来自受试者的询问，确定针对膳食的第一剂量指导；
计算所述膳食的开始与来自所述受试者的所述询问之间的时间延迟；
响应于确定所述时间延迟大于0，确定与估计的内源性胰岛素量和所述时间延迟对应的因子；以及
输出第二剂量指导，其中，所述第二剂量指导与所述第一剂量指导以及所述因子有关。
127.根据权利要求126所述的装置，其中，所述第二剂量指导是所述第一剂量指导和所述因子的乘积。
128.根据权利要求126所述的装置，其中，所述因子是分数。
129.根据权利要求126所述的装置，其中，执行程序使得所述处理器从通用查找表中确定所述因子。
130.根据权利要求126所述的装置，其中，执行程序，使所述一个或多个处理器针对在所述膳食开始时向所述受试者给药，确定所述第一剂量指导。
131.根据权利要求126所述的装置，其中，所述第一剂量指导是固定膳食剂量。
132.根据权利要求126所述的装置，其中，至少基于所述膳食的碳水化合物含量确定所述第一剂量指导。
CN202080055853.9A 2019-08-02 2020-07-31 与药物剂量指导相关的系统、装置和方法 Pending CN114206207A (zh)

Applications Claiming Priority (11)

Application Number Priority Date Filing Date Title
US201962882249P 2019-08-02 2019-08-02
US62/882,249 2019-08-02
US202062979594P 2020-02-21 2020-02-21
US202062979618P 2020-02-21 2020-02-21
US202062979578P 2020-02-21 2020-02-21
US62/979,594 2020-02-21
US62/979,618 2020-02-21
US62/979,578 2020-02-21
US202063058799P 2020-07-30 2020-07-30
US63/058,799 2020-07-30
PCT/US2020/044528 WO2021026004A1 (en) 2019-08-02 2020-07-31 Systems, devices, and methods relating to medication dose guidance

Publications (1)

Publication Number Publication Date
CN114206207A true CN114206207A (zh) 2022-03-18

Family

ID=74503990

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080055853.9A Pending CN114206207A (zh) 2019-08-02 2020-07-31 与药物剂量指导相关的系统、装置和方法

Country Status (8)

Country Link
US (1) US20210050085A1 (zh)
EP (1) EP4007523A4 (zh)
JP (1) JP2022543239A (zh)
CN (1) CN114206207A (zh)
AU (1) AU2020324387A1 (zh)
CA (1) CA3147267A1 (zh)
MX (1) MX2022001442A (zh)
WO (1) WO2021026004A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115054776A (zh) * 2022-06-15 2022-09-16 广州医科大学附属第三医院（广州重症孕产妇救治中心、广州柔济医院） 一种胰岛素注射预警系统及方法

Families Citing this family (65)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7959598B2 (en) 2008-08-20 2011-06-14 Asante Solutions, Inc. Infusion pump systems and methods
US9561324B2 (en) 2013-07-19 2017-02-07 Bigfoot Biomedical, Inc. Infusion pump system and method
GB2523989B (en) 2014-01-30 2020-07-29 Insulet Netherlands B V Therapeutic product delivery system and method of pairing
EP4400130A3 (en) 2015-02-18 2024-10-16 Insulet Corporation Fluid delivery and infusion devices
EP3374905A1 (en) 2016-01-13 2018-09-19 Bigfoot Biomedical, Inc. User interface for diabetes management system
WO2017123703A2 (en) 2016-01-14 2017-07-20 Bigfoot Biomedical, Inc. Occlusion resolution in medication delivery devices, systems, and methods
EP3443998A1 (en) 2016-01-14 2019-02-20 Bigfoot Biomedical, Inc. Adjusting insulin delivery rates
EP3515535A1 (en) 2016-09-23 2019-07-31 Insulet Corporation Fluid delivery device with sensor
CA3037432A1 (en) 2016-12-12 2018-06-21 Bigfoot Biomedical, Inc. Alarms and alerts for medication delivery devices and related systems and methods
US10881792B2 (en) 2017-01-13 2021-01-05 Bigfoot Biomedical, Inc. System and method for adjusting insulin delivery
EP3568859A1 (en) 2017-01-13 2019-11-20 Bigfoot Biomedical, Inc. Insulin delivery methods, systems and devices
USD928199S1 (en) 2018-04-02 2021-08-17 Bigfoot Biomedical, Inc. Medication delivery device with icons
AU2019263490A1 (en) 2018-05-04 2020-11-26 Insulet Corporation Safety constraints for a control algorithm-based drug delivery system
US11628251B2 (en) 2018-09-28 2023-04-18 Insulet Corporation Activity mode for artificial pancreas system
US11565039B2 (en) 2018-10-11 2023-01-31 Insulet Corporation Event detection for drug delivery system
USD920343S1 (en) 2019-01-09 2021-05-25 Bigfoot Biomedical, Inc. Display screen or portion thereof with graphical user interface associated with insulin delivery
US11801344B2 (en) 2019-09-13 2023-10-31 Insulet Corporation Blood glucose rate of change modulation of meal and correction insulin bolus quantity
US11935637B2 (en) 2019-09-27 2024-03-19 Insulet Corporation Onboarding and total daily insulin adaptivity
EP4069082B1 (en) 2019-12-06 2024-06-05 Insulet Corporation Techniques and devices providing adaptivity and personalization in diabetes treatment
US11488700B2 (en) * 2019-12-13 2022-11-01 Medtronic Minimed, Inc. Medical device configuration procedure guidance responsive to detected gestures
CA3162916A1 (en) * 2019-12-18 2021-06-24 Dexcom, Inc. Therapeutic zone assessor
US11833329B2 (en) 2019-12-20 2023-12-05 Insulet Corporation Techniques for improved automatic drug delivery performance using delivery tendencies from past delivery history and use patterns
JP7512395B2 (ja) 2020-01-06 2024-07-08 インスレット コーポレイション 持続する残差に基づく食事および／または運動行為の予測
US11551802B2 (en) 2020-02-11 2023-01-10 Insulet Corporation Early meal detection and calorie intake detection
US11547800B2 (en) 2020-02-12 2023-01-10 Insulet Corporation User parameter dependent cost function for personalized reduction of hypoglycemia and/or hyperglycemia in a closed loop artificial pancreas system
US11986630B2 (en) 2020-02-12 2024-05-21 Insulet Corporation Dual hormone delivery system for reducing impending hypoglycemia and/or hyperglycemia risk
US11324889B2 (en) 2020-02-14 2022-05-10 Insulet Corporation Compensation for missing readings from a glucose monitor in an automated insulin delivery system
CN115135359A (zh) * 2020-02-20 2022-09-30 德克斯康公司 人工胰腺中的机器学习
US11607493B2 (en) 2020-04-06 2023-03-21 Insulet Corporation Initial total daily insulin setting for user onboarding
US20210345952A1 (en) * 2020-05-06 2021-11-11 Janssen Pharmaceuticals, Inc. Controlling operation of drug administration devices using surgical hubs
US20230207090A1 (en) 2020-05-29 2023-06-29 Abbott Diabetes Care Inc. Systems, devices, and methods for dosing pattern management
US11684716B2 (en) 2020-07-31 2023-06-27 Insulet Corporation Techniques to reduce risk of occlusions in drug delivery systems
AU2021337529A1 (en) * 2020-09-05 2023-05-18 Icu Medical, Inc. Identity-based secure medical device communications
US12115351B2 (en) 2020-09-30 2024-10-15 Insulet Corporation Secure wireless communications between a glucose monitor and other devices
US11671406B2 (en) * 2020-11-03 2023-06-06 International Business Machines Corporation Patterned and correlated electrical activity
EP4288970A1 (en) 2021-02-03 2023-12-13 Abbott Diabetes Care Inc. Systems, devices, and methods relating to medication dose guidance
US11904140B2 (en) 2021-03-10 2024-02-20 Insulet Corporation Adaptable asymmetric medicament cost component in a control system for medicament delivery
EP4305636A1 (en) * 2021-03-10 2024-01-17 Insulet Corporation A medicament delivery device with an adjustable and piecewise analyte level cost component to address persistent positive analyte level excursions
EP4075440B1 (en) * 2021-04-15 2024-10-16 Insulet Corporation Meal bolus subcategories in model based insulin therapy
EP4074256A1 (en) * 2021-04-16 2022-10-19 Jean Neol Gouze Detection of prolonged postprandial hyperglycemia, glycemic peak linear prediction and insulin delivery adjustment
US20220331520A1 (en) * 2021-04-20 2022-10-20 Insulet Corporation Automatic drug delivery system for individuals with type-2 diabetes
WO2022226077A1 (en) 2021-04-21 2022-10-27 Abbott Diabetes Care Inc. Systems and methods for diabetes management
KR102571045B1 (ko) * 2021-06-21 2023-08-29 이오플로우(주) 최적의 인슐린 주입량을 산출하는 방법, 장치 및 컴퓨터 프로그램 제품
US20230011699A1 (en) * 2021-07-12 2023-01-12 Insulet Corporation Techniques for recommending rescue carbohydrate ingestion in automatic medication delivery systems
US20230018355A1 (en) * 2021-07-16 2023-01-19 Insulet Corporation Method for modification of insulin delivery during pregnancy in automatic insulin delivery systems
IL310206A (en) * 2021-07-19 2024-03-01 Sanofi Sa Systems and methods for titration of basal and bolus insulin
US20230061867A1 (en) * 2021-08-26 2023-03-02 Nxp B.V. System, Device and Method for Multi-Device Authentication
WO2023046794A1 (en) * 2021-09-24 2023-03-30 Sanofi Determining data related to the approach of end of life of a drug delivery device
EP4409581A1 (en) 2021-09-27 2024-08-07 Insulet Corporation Techniques enabling adaptation of parameters in aid systems by user input
WO2023102498A1 (en) * 2021-12-01 2023-06-08 Medtronic Minimed, Inc. Real-time meal detection based on sensor glucose and estimated plasma insulin levels
US20230166036A1 (en) 2021-12-01 2023-06-01 Medtronic Minimed, Inc. Mealtime delivery of correction boluses
US11439754B1 (en) 2021-12-01 2022-09-13 Insulet Corporation Optimizing embedded formulations for drug delivery
WO2023102114A1 (en) * 2021-12-01 2023-06-08 Insulet Corporation Optimizing embedded formulations for drug delivery
WO2023111670A1 (zh) * 2021-12-17 2023-06-22 Evyd研究私人有限公司 周期行为报告的生成方法及装置、存储介质、电子设备
WO2023129534A1 (en) * 2021-12-30 2023-07-06 Abbott Diabetes Care Inc. Systems, devices, and methods for wellness monitoring with physiological sensors
FR3133478A1 (fr) * 2022-03-11 2023-09-15 Diabeloop Système informatisé de communication d’informations de traitement à un utilisateur
EP4261835A1 (en) * 2022-04-14 2023-10-18 Insulet Corporation System and method for creating or adjusting manual basal profiles
USD1038141S1 (en) * 2022-04-21 2024-08-06 Abbott Diabetes Care Inc. Display screen or portion thereof with graphical user interface
US20230377699A1 (en) * 2022-05-17 2023-11-23 Insulet Corporation Techniques to determine patterns in blood glucose measurement data and a user interface for presentation thereof
US20240033427A1 (en) 2022-07-27 2024-02-01 Abbott Diabetes Care Inc. Systems and methods for diabetes management
WO2024059046A1 (en) 2022-09-14 2024-03-21 Abbott Diabetes Care Inc. Systems and methods for diabetes management
FR3140549A1 (fr) * 2022-10-11 2024-04-12 Diabeloop Dispositif de régulation pour la détermination d’une valeur de recommandation d’un paramètre de régulation d’un dispositif d'infusion de fluide.
WO2024107954A1 (en) 2022-11-17 2024-05-23 Abbott Diabetes Care Inc. Systems, devices, and methods relating to medication dose guidance
WO2024119078A1 (en) * 2022-12-01 2024-06-06 Tandem Diabetes Care, Inc. Devices, systems, and methods for closed- and semi-closed-loop operation of infusion pumps
US12097355B2 (en) 2023-01-06 2024-09-24 Insulet Corporation Automatically or manually initiated meal bolus delivery with subsequent automatic safety constraint relaxation

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5860917A (en) * 1997-01-15 1999-01-19 Chiron Corporation Method and apparatus for predicting therapeutic outcomes
US6024699A (en) * 1998-03-13 2000-02-15 Healthware Corporation Systems, methods and computer program products for monitoring, diagnosing and treating medical conditions of remotely located patients
US6650951B1 (en) * 2000-06-19 2003-11-18 International Business Machines Corporation Method and insulin pump for providing a forgotten bolus warning
US6544212B2 (en) * 2001-07-31 2003-04-08 Roche Diagnostics Corporation Diabetes management system
US7651845B2 (en) * 2004-05-13 2010-01-26 The Regents Of The University Of California Method and apparatus for glucose control and insulin dosing for diabetics
US8732188B2 (en) * 2007-02-18 2014-05-20 Abbott Diabetes Care Inc. Method and system for providing contextual based medication dosage determination
US8930203B2 (en) * 2007-02-18 2015-01-06 Abbott Diabetes Care Inc. Multi-function analyte test device and methods therefor
WO2009075866A1 (en) * 2007-12-11 2009-06-18 Codadose Incorporated Medication dosing system based upon patient classification codes
WO2010091102A1 (en) 2009-02-04 2010-08-12 Abbott Diabetes Care Inc. Multi-function analyte test device and methods therefor
US20110098548A1 (en) * 2009-10-22 2011-04-28 Abbott Diabetes Care Inc. Methods for modeling insulin therapy requirements
WO2011100624A1 (en) * 2010-02-11 2011-08-18 The Regents Of The University Of California Systems, devices and methods to deliver biological factors or drugs to a subject
CA2816314C (en) * 2010-10-31 2018-03-06 Trustees Of Boston University Blood glucose control system
US10022053B2 (en) * 2013-02-22 2018-07-17 Cloud Dx, Inc. Simultaneous multi-parameter physiological monitoring device with local and remote analytical capability
CN104665840B (zh) * 2015-03-02 2017-11-21 桂林麦迪胜电子科技有限公司 无创血糖测量方法及指端测量探头
US20170185730A1 (en) * 2015-12-29 2017-06-29 Case Western Reserve University Machine learning approach to selecting candidates
CN109863560B (zh) * 2016-08-25 2023-11-17 诺和诺德股份有限公司 基础胰岛素滴定的起始工具包
WO2018132315A1 (en) * 2017-01-11 2018-07-19 Abbott Diabetes Care Inc. Systems, devices, and methods for experiential medication dosage calculations
US20180248768A1 (en) * 2017-02-28 2018-08-30 Intel Corporation Identification of mutual influence between cloud network entities
US11278668B2 (en) * 2017-12-22 2022-03-22 Glysens Incorporated Analyte sensor and medicant delivery data evaluation and error reduction apparatus and methods
US11672446B2 (en) * 2018-03-23 2023-06-13 Medtronic Minimed, Inc. Insulin delivery recommendations based on nutritional information
WO2019229528A2 (en) * 2018-05-30 2019-12-05 Alexander Meyer Using machine learning to predict health conditions

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115054776A (zh) * 2022-06-15 2022-09-16 广州医科大学附属第三医院（广州重症孕产妇救治中心、广州柔济医院） 一种胰岛素注射预警系统及方法
CN115054776B (zh) * 2022-06-15 2023-09-08 广州医科大学附属第三医院（广州重症孕产妇救治中心、广州柔济医院） 一种胰岛素注射预警系统及方法

Also Published As

Publication number Publication date
MX2022001442A (es) 2022-02-22
EP4007523A4 (en) 2023-09-27
US20210050085A1 (en) 2021-02-18
WO2021026004A1 (en) 2021-02-11
JP2022543239A (ja) 2022-10-11
CA3147267A1 (en) 2021-02-11
EP4007523A1 (en) 2022-06-08
AU2020324387A1 (en) 2022-02-10

Similar Documents

Publication Publication Date Title
US20210050085A1 (en) Systems, devices, and methods relating to medication dose guidance
EP3749183B1 (en) System for decision support
EP3724891B1 (en) Medicine injection and disease management systems, devices, and methods
US20240000348A1 (en) Multi-function analyte monitor device and methods of use
US20240307617A1 (en) User interface for diabetes management systems and devices
JP6461885B2 (ja) 糖尿病管理のための分析物試験方法及びデバイス
EP2170158B1 (en) Patient information input interface for a therapy system
JP2018502341A (ja) 皮下外来患者管理
US20220249779A1 (en) Systems, devices, and methods relating to medication dose guidance
CN116134531A (zh) 分析物监测系统、设备和方法
Lee et al. Continuous glucose monitoring for the internist
KR101981836B1 (ko) 정정 식사 상승 값을 결정하는 방법
US20230298754A1 (en) Methods and apparatus for diabetes and glycemic management having a database and handheld management system
JP2024505285A (ja) 薬剤用量ガイダンスに関連するシステム、デバイスおよび方法
US20230338652A1 (en) Insulin adaptation and safety monitoring for sick day management
US20240350720A1 (en) Pen cap for insulin injection pens and associated methods and systems
CN117099165A (zh) 与药物剂量指导相关的系统、设备及方法
CN116456898A (zh) 用于区分预注笔事件和治疗笔事件的药物注射笔
WO2024107954A1 (en) Systems, devices, and methods relating to medication dose guidance

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