CN114222597A - 用于估计葡萄糖值的基于机器学习的系统 - Google Patents
用于估计葡萄糖值的基于机器学习的系统 Download PDFInfo
- Publication number
- CN114222597A CN114222597A CN202080055157.8A CN202080055157A CN114222597A CN 114222597 A CN114222597 A CN 114222597A CN 202080055157 A CN202080055157 A CN 202080055157A CN 114222597 A CN114222597 A CN 114222597A
- Authority
- CN
- China
- Prior art keywords
- user
- model
- data
- glucose
- patient
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 title claims abstract description 551
- 239000008103 glucose Substances 0.000 title claims abstract description 551
- 238000010801 machine learning Methods 0.000 title claims description 96
- NOESYZHRGYRDHS-UHFFFAOYSA-N insulin Chemical compound N1C(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(NC(=O)CN)C(C)CC)CSSCC(C(NC(CO)C(=O)NC(CC(C)C)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CCC(N)=O)C(=O)NC(CC(C)C)C(=O)NC(CCC(O)=O)C(=O)NC(CC(N)=O)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CSSCC(NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2C=CC(O)=CC=2)NC(=O)C(CC(C)C)NC(=O)C(C)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2NC=NC=2)NC(=O)C(CO)NC(=O)CNC2=O)C(=O)NCC(=O)NC(CCC(O)=O)C(=O)NC(CCCNC(N)=N)C(=O)NCC(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC(O)=CC=3)C(=O)NC(C(C)O)C(=O)N3C(CCC3)C(=O)NC(CCCCN)C(=O)NC(C)C(O)=O)C(=O)NC(CC(N)=O)C(O)=O)=O)NC(=O)C(C(C)CC)NC(=O)C(CO)NC(=O)C(C(C)O)NC(=O)C1CSSCC2NC(=O)C(CC(C)C)NC(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CC(N)=O)NC(=O)C(NC(=O)C(N)CC=1C=CC=CC=1)C(C)C)CC1=CN=CN1 NOESYZHRGYRDHS-UHFFFAOYSA-N 0.000 claims abstract description 308
- 238000001802 infusion Methods 0.000 claims abstract description 162
- 239000008280 blood Substances 0.000 claims abstract description 157
- 210000004369 blood Anatomy 0.000 claims abstract description 157
- 102000004877 Insulin Human genes 0.000 claims abstract description 153
- 108090001061 Insulin Proteins 0.000 claims abstract description 153
- 229940125396 insulin Drugs 0.000 claims abstract description 153
- 238000000034 method Methods 0.000 claims abstract description 132
- 230000000694 effects Effects 0.000 claims abstract description 116
- 238000004891 communication Methods 0.000 claims abstract description 52
- 238000005259 measurement Methods 0.000 claims description 125
- 238000012545 processing Methods 0.000 claims description 77
- 238000004422 calculation algorithm Methods 0.000 claims description 56
- 230000008569 process Effects 0.000 claims description 54
- 238000007726 management method Methods 0.000 claims description 17
- 238000013135 deep learning Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000003066 decision tree Methods 0.000 claims description 14
- 230000002503 metabolic effect Effects 0.000 claims description 9
- 238000012706 support-vector machine Methods 0.000 claims description 9
- 235000016709 nutrition Nutrition 0.000 claims description 8
- 230000037081 physical activity Effects 0.000 claims description 5
- 239000012530 fluid Substances 0.000 description 64
- 230000004044 response Effects 0.000 description 51
- 238000005457 optimization Methods 0.000 description 50
- 238000010586 diagram Methods 0.000 description 42
- 238000004458 analytical method Methods 0.000 description 38
- 230000000875 corresponding effect Effects 0.000 description 38
- 238000012549 training Methods 0.000 description 38
- 230000006870 function Effects 0.000 description 37
- 235000012054 meals Nutrition 0.000 description 35
- 230000010354 integration Effects 0.000 description 33
- 230000015654 memory Effects 0.000 description 33
- 238000012544 monitoring process Methods 0.000 description 18
- 230000009471 action Effects 0.000 description 15
- 206010012601 diabetes mellitus Diseases 0.000 description 14
- 239000003814 drug Substances 0.000 description 13
- 229940079593 drug Drugs 0.000 description 12
- 230000005856 abnormality Effects 0.000 description 11
- 238000012360 testing method Methods 0.000 description 10
- 230000001133 acceleration Effects 0.000 description 9
- 238000013500 data storage Methods 0.000 description 9
- 238000006073 displacement reaction Methods 0.000 description 9
- 210000003722 extracellular fluid Anatomy 0.000 description 9
- 230000004962 physiological condition Effects 0.000 description 9
- 230000006461 physiological response Effects 0.000 description 9
- 238000002560 therapeutic procedure Methods 0.000 description 9
- 238000009826 distribution Methods 0.000 description 8
- 238000005070 sampling Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- 238000004804 winding Methods 0.000 description 8
- 150000001720 carbohydrates Chemical class 0.000 description 7
- 230000008859 change Effects 0.000 description 7
- 230000002218 hypoglycaemic effect Effects 0.000 description 7
- 230000005291 magnetic effect Effects 0.000 description 7
- 230000001105 regulatory effect Effects 0.000 description 7
- 239000000243 solution Substances 0.000 description 7
- 208000013016 Hypoglycemia Diseases 0.000 description 6
- 235000014633 carbohydrates Nutrition 0.000 description 6
- 238000002790 cross-validation Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 239000000523 sample Substances 0.000 description 5
- 238000012935 Averaging Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 4
- 230000002641 glycemic effect Effects 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 229940127560 insulin pen Drugs 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 230000002787 reinforcement Effects 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 238000011282 treatment Methods 0.000 description 4
- 230000003442 weekly effect Effects 0.000 description 4
- 206010022489 Insulin Resistance Diseases 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 125000002791 glucosyl group Chemical group C1([C@H](O)[C@@H](O)[C@H](O)[C@H](O1)CO)* 0.000 description 3
- 230000003345 hyperglycaemic effect Effects 0.000 description 3
- 201000001421 hyperglycemia Diseases 0.000 description 3
- 238000002347 injection Methods 0.000 description 3
- 239000007924 injection Substances 0.000 description 3
- 230000006362 insulin response pathway Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 229940035676 analgesics Drugs 0.000 description 2
- 239000000730 antalgic agent Substances 0.000 description 2
- 229940124650 anti-cancer therapies Drugs 0.000 description 2
- 238000011319 anticancer therapy Methods 0.000 description 2
- 239000003472 antidiabetic agent Substances 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 235000012631 food intake Nutrition 0.000 description 2
- 230000037406 food intake Effects 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 150000002303 glucose derivatives Chemical class 0.000 description 2
- 238000009532 heart rate measurement Methods 0.000 description 2
- 229940088597 hormone Drugs 0.000 description 2
- 239000005556 hormone Substances 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 208000002815 pulmonary hypertension Diseases 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000007920 subcutaneous administration Methods 0.000 description 2
- 239000011782 vitamin Substances 0.000 description 2
- 229940088594 vitamin Drugs 0.000 description 2
- 235000013343 vitamin Nutrition 0.000 description 2
- 229930003231 vitamin Natural products 0.000 description 2
- 108090000790 Enzymes Proteins 0.000 description 1
- 102000004190 Enzymes Human genes 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- JVTAAEKCZFNVCJ-UHFFFAOYSA-M Lactate Chemical compound CC(O)C([O-])=O JVTAAEKCZFNVCJ-UHFFFAOYSA-M 0.000 description 1
- 238000012614 Monte-Carlo sampling Methods 0.000 description 1
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical compound [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 description 1
- 206010067584 Type 1 diabetes mellitus Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 239000012080 ambient air Substances 0.000 description 1
- 239000012491 analyte Substances 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- WQZGKKKJIJFFOK-VFUOTHLCSA-N beta-D-glucose Chemical compound OC[C@H]1O[C@@H](O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-VFUOTHLCSA-N 0.000 description 1
- 239000012472 biological sample Substances 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000036770 blood supply Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000001124 body fluid Anatomy 0.000 description 1
- 239000010839 body fluid Substances 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 235000021074 carbohydrate intake Nutrition 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000015872 dietary supplement Nutrition 0.000 description 1
- 238000001647 drug administration Methods 0.000 description 1
- 239000000975 dye Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000000499 gel Substances 0.000 description 1
- 230000036571 hydration Effects 0.000 description 1
- 238000006703 hydration reaction Methods 0.000 description 1
- 229940126904 hypoglycaemic agent Drugs 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 150000002576 ketones Chemical class 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 235000008528 macronutrient intake Nutrition 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 235000021049 nutrient content Nutrition 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 230000003285 pharmacodynamic effect Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 230000000291 postprandial effect Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003860 sleep quality Effects 0.000 description 1
- 230000004622 sleep time Effects 0.000 description 1
- 239000011780 sodium chloride Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 210000004243 sweat Anatomy 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000004448 titration Methods 0.000 description 1
- -1 tracking media Substances 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 208000001072 type 2 diabetes mellitus Diseases 0.000 description 1
Images
Classifications
-
- 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
- A61B5/4836—Diagnosis combined with treatment in closed-loop systems or methods
- A61B5/4839—Diagnosis combined with treatment in closed-loop systems or methods combined with drug delivery
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
- A61M5/14—Infusion devices, e.g. infusing by gravity; Blood infusion; Accessories therefor
- A61M5/142—Pressure infusion, e.g. using pumps
- A61M5/14244—Pressure infusion, e.g. using pumps adapted to be carried by the patient, e.g. portable on the body
- A61M5/14248—Pressure infusion, e.g. using pumps adapted to be carried by the patient, e.g. portable on the body of the skin patch type
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1118—Determining activity level
-
- 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
- A61B5/4866—Evaluating metabolism
-
- 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
- A61B5/7221—Determining signal validity, reliability or quality
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
- A61M5/14—Infusion devices, e.g. infusing by gravity; Blood infusion; Accessories therefor
- A61M5/142—Pressure infusion, e.g. using pumps
- A61M5/145—Pressure infusion, e.g. using pumps using pressurised reservoirs, e.g. pressurised by means of pistons
- A61M5/1452—Pressure infusion, e.g. using pumps using pressurised reservoirs, e.g. pressurised by means of pistons pressurised by means of pistons
- A61M5/14566—Pressure infusion, e.g. using pumps using pressurised reservoirs, e.g. pressurised by means of pistons pressurised by means of pistons with a replaceable reservoir for receiving a piston rod of the pump
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
- A61M5/14—Infusion devices, e.g. infusing by gravity; Blood infusion; Accessories therefor
- A61M5/168—Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body
- A61M5/172—Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body electrical or electronic
- A61M5/1723—Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body electrical or electronic using feedback of body parameters, e.g. blood-sugar, pressure
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
- G16H20/17—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients delivered via infusion or injection
-
- G—PHYSICS
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2505/00—Evaluating, monitoring or diagnosing in the context of a particular type of medical care
- A61B2505/07—Home care
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Hematology (AREA)
- Anesthesiology (AREA)
- Vascular Medicine (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Medicinal Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Obesity (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Pharmacology & Pharmacy (AREA)
- Emergency Medicine (AREA)
- Optics & Photonics (AREA)
- Dermatology (AREA)
Abstract
提供了一种用于估计使用者的葡萄糖值的方法以及胰岛素输注和管理系统。胰岛素输注和管理系统可以包括配置为向使用者输送胰岛素的胰岛素输注设备；血糖仪；使用者活动数据的来源；以及支持与胰岛素输注设备进行数据通信的基于处理器的计算设备。计算设备的处理器设备可执行用于估计使用者的葡萄糖值的方法。
Description
技术领域
本技术一般涉及胰岛素递送系统，并且更具体地涉及用于基于例如血糖测量值和有关(contextual)活动数据估计葡萄糖值的基于机器学习的系统。
背景技术
便携式医疗设备对必须连续或频繁监测病情的患者而言很有用。例如，糖尿病患者通常需要修改和监测其日常生活方式以保持其血糖(BG)平衡。患有1型糖尿病的个体和一些患有2型糖尿病的个体使用胰岛素(以及其他降血糖药物)来控制其BG水平。为了将葡萄糖水平维持在推荐范围内，建议糖尿病患者常规保持严格的时间表，包括及时摄取营养餐、参加锻炼、每天监测BG水平以及相应地调整和施用胰岛素剂量。
输住泵设备和胰岛素泵系统在医学领域相对众所周知。输住泵设备和胰岛素系统旨在通过输液器提供准确和测量剂量的胰岛素。输液器通过小直径管将胰岛素输送给患者，该管终止于例如插入患者皮肤下的套管。输住泵疗法的使用一直在增加，尤其是用于为糖尿病患者递送胰岛素。
在一种类型的系统中，可以对输住泵进行编程以按设定的时间表注射胰岛素。例如，医生或其他医疗保健管理员可以根据设定的时间表对胰岛素泵进行编程，以便它全天根据该时间表将胰岛素输送到患者的血液中。此外，患者也可以简单地启动胰岛素泵以根据需要施用胰岛素推注，例如响应于患者的高BG水平。这种方法的一个缺点是使用者缺乏对他们在任何给定点的血糖水平的了解，并且患者难以确定何时可能需要在预定施用之外施用胰岛素。
为了解决这个问题，患者可以使用BG仪或测量设备监测BG水平。例如，患者可以使用血糖仪通过“手指点刺测试”在任何给定时间间歇性地测量他们的瞬时血糖水平。来自该测量的信息可以被处理并用于确定是否应该施用胰岛素来调节患者的血糖水平。这种方法的一个问题是，使用者根据他们认为应该何时施用胰岛素而临时进行血糖水平的监测和胰岛素的施用。这在某些情况下可能出现问题，例如对于没有意识到低血糖症的患者，这种情况可能发生在患者无法感知可能表明其血糖低的症状的情况下。
为了解决这个问题，连续血糖监测(CGM)系统可用于帮助糖尿病患者持续监测他们的血糖水平。连续葡萄糖监测系统采用连续葡萄糖传感器以基本连续和自主的方式监测患者的血糖水平。在许多情况下，连续血糖监测传感器与胰岛素输注设备或胰岛素泵结合使用，作为数字糖尿病管理系统的一部分。数字糖尿病管理系统可以在任何给定时间确定患者血液中的葡萄糖含量，从而可以自动施用适量的胰岛素，以帮助调节患者血液中的葡萄糖含量。通过这种方式，胰岛素可以根据患者的具体需要自动施用，这样他们的血糖水平在任何特定时间都不会太高或太低。这样，可以在葡萄糖进入身体(例如，通过进餐引入患者血流的葡萄糖量)与患者消耗或利用多少葡萄糖之间实现平衡或均衡。
虽然采用连续葡萄糖传感器的现有连续葡萄糖监测系统工作良好，但这种连续葡萄糖监测系统对于潜在使用者而言通常太昂贵而无法承受。在某些情况下，患者的保险不涵盖此类治疗，或者如果患者不属于此类治疗所涵盖的足够高的风险类别，则患者的保险可能拒绝为患者使用此类解决方案付费。此外，出于生活方式的原因，一些患者可能只是选择不使用连续血糖监测系统。例如，特定使用者可选择不佩戴连续血糖监测器或传感器装置，因为它可能不舒服，或者他们出于其他原因选择不一直佩戴。这可能阻止了大量使用者使用数字糖尿病管理解决方案。
今天，糖尿病市场的很大一部分不使用CGM类型的治疗设备。这些使用者中的很大一部分包括，例如，每天数次依赖离散血糖测量来监测血糖的使用者(例如，使用血糖仪的使用者)，或在医疗保健提供者(HCP)的监督下间歇性佩戴CGM的使用者。如果不定期使用CGM设备，这些方法会使使用者在不积极进行有意义的行为调整以改善他们的个人管理的情况下难以管理血糖。
因此，希望提供更便宜的数字糖尿病管理解决方案并且因此可以成为无法负担更昂贵的连续葡萄糖监测系统的使用者的选择。期望为使用者提供替代解决方案，该解决方案可以实现与完整CGM类型治疗解决方案相同或相似的益处，而无需使用者定期佩戴CGM设备，并且无需使用者承担与定期佩戴CGM设备相关的成本。此外，结合附图和前述技术领域以及背景技术，其它期望特征和特性将从随后的具体实施方式和所附权利要求书变得显而易见。
发明内容
提供了一种用于估计使用者的葡萄糖值的方法以及胰岛素输注和管理系统。胰岛素输注和管理系统可以包括配置为向使用者输送胰岛素的胰岛素输注设备；血糖仪；使用者活动数据的来源；以及支持与胰岛素输注设备进行数据通信的基于处理器的计算设备。所述计算设备可以包括处理器设备和与该处理器设备可操作地相关联的非暂时性处理器可读介质。处理器可读介质包括可执行指令，其可配置为使处理器设备执行用于估计使用者的葡萄糖值的方法。在一个实施例中，处理器设备在后端服务器系统处实现，并且估计模型在后端服务器系统处作为网络应用程序的一部分来执行。后端服务器系统被配置为将处理估计的葡萄糖值的结果传送到客户端设备和胰岛素输注设备中的一个或多个。在另一个实施例中，处理器设备在客户端设备处实现，并且估计模型在客户端设备处作为移动应用程序的一部分来执行。在另一个实施例中，处理器设备在胰岛素输注设备处实现。根据该方法，第一组输入可以通过估计模型被接收和处理以供使用者生成跟踪实际葡萄糖值的一组估计葡萄糖值。第一组输入可以包括由使用者活动数据的来源收集的有关活动数据。例如，在一个实施例中，有关活动数据可以包括关于使用者的代谢数据和/或关于使用者的身体活动数据。
在一个实施例中，估计模型是包括一个或多个机器学习算法的集成模型；和生理模型。机器学习算法可以包含以下的一个或多个：一个或多个人工神经网络；一个或多个回归模型；一个或多个决策树模型；一个或多个支持向量机；一个或多个贝叶斯网络；一个或多个概率机器学习模型；一个或多个高斯处理模型；一个或多个隐马尔可夫模型；以及一个或多个深度学习网络。
根据其他实施例，除了第一组输入之外，估计模型还可以接收和处理其他信息以生成所述一组估计葡萄糖值。例如，根据另一个实施例，估计模型还可以接收和处理第二组输入，该第二组输入包括从血糖仪提供的间歇葡萄糖测量值，以生成所述一组估计葡萄糖值。在该实施例中，为使用者执行估计模型的处理器设备处理第一组输入和第二组使用者输入以生成所述一组估计葡萄糖值而不使用来自连续葡萄糖传感器装置的信息。根据另一个实施例，估计模型还可以接收和处理包括由使用者输入的营养信息的第三组输入和包括由使用者的胰岛素输注设备输送的胰岛素的第四组输入以生成所述一组估计葡萄糖值。在该实施例中，为使用者执行估计模型的处理器设备处理第一组输入、第二组输入、第三组输入和第四组输入以生成所述一组估计葡萄糖值。
在一个实施例中，处理系统可以定期确定估计葡萄糖值是否在可接受的准确度范围内。当估计葡萄糖值不在可接受的准确度范围内时，处理系统可以导致生成使用者可感知的第一通知。当估计葡萄糖值在可接受的准确度范围内时，处理系统可以将估计葡萄糖值用于糖尿病管理，包括基于估计葡萄糖值控制胰岛素输注设备的胰岛素输送。
提供该发明内容是为了以简化的形式介绍下文的具体实施方式中进一步描述的一系列概念。该发明内容不旨在识别所要求保护的主题的关键特征或基本特征，并且也不旨在用于辅助确定所要求保护的主题的范围。在下文的附图和描述中阐述本公开的一个或多个方面的细节。本公开中描述的技术的其它特征、目的和优点将从说明书和附图以及权利要求书中显而易见。
附图说明
图1是输注系统的示例性实施例；
图2是适用于图1的输注系统中的流体输注设备的示例性实施例的平面图；
图3是图2的流体输注设备的分解透视图；
图4是与插入输注设备中的储器组装时的如沿图3中的线4-4所观看的图2-3的流体输注设备的横截面视图；
图5是在一个或多个实施例中适于与流体输注设备一起使用的示例性输注系统的框图；
图6是在一个或多个实施例中适于在图5的输注系统中的输注设备使用的示例性泵控制系统的框图；
图7是在一个或多个示例性实施例中可以由图5-6的流体输注设备中的泵控制系统实施或以其它方式支持的闭环控制系统的框图；
图8是示例性患者监测系统的框图；
图9是适于在图1所示的系统中部署的计算机基或处理器基设备的示例性实施例的简化框图表示；
图10是根据所公开的实施例的用于估计特定使用者或患者的葡萄糖值的系统的框图；
图11是说明根据所公开的实施例的用于为特定患者生成估计模型的方法的流程图；
图12是根据所公开的实施例的方法的流程图；
图13是根据所公开的实施例的用于生成被优化用于估计特定使用者或患者的葡萄糖值的个性化模型的工作流程的框图；
图14是根据所公开的实施例的机器学习系统的框图，该系统用于生成优化的群体模型以估计使用者或患者群体的葡萄糖值；
图15是根据所公开的实施例的窗口化机器学习系统的框图，该系统用于生成优化的窗口群体模型以估计使用者或患者群体的葡萄糖值；
图16是根据所公开的实施例的另一窗口化机器学习系统的框图，该系统用于生成优化的窗口群体模型以估计使用者或患者群体的葡萄糖值；
图17是根据所公开的实施例的另一窗口化机器学习系统的框图，该系统用于生成优化的窗口群体模型以估计使用者或患者群体的葡萄糖值；
图18是根据所公开的实施例的另一窗口化机器学习系统的框图，该系统用于生成优化的窗口群体模型以估计使用者或患者群体的葡萄糖值；
图19是根据所公开的实施例的另一窗口化机器学习系统的框图，该系统用于生成优化的窗口群体模型以估计使用者或患者群体的葡萄糖值；
图20是根据所公开的实施例的用于选择用于估计使用者或患者群体的葡萄糖值的优化群体模型的模型可解释性分析处理器的框图；
图21是根据所公开的实施例的用于选择优化的校准模型的校准优化处理器的框图；
图22是根据所公开的实施例的用于选择要用于开发优化校准模型的最佳输入类型的校准优化处理器的框图；
图23是根据所公开的实施例的用于生成用于估计针对特定使用者或患者个性化的葡萄糖值的优化个人模型的机器学习系统的框图；
图24是根据所公开的实施例的用于生成用于估计针对特定使用者或患者个性化的葡萄糖值的优化个人模型的窗口化机器学习系统的框图；
图25是根据所公开的实施例的用于生成用于估计针对特定使用者或患者个性化的葡萄糖值的优化个人模型的另一个窗口化机器学习系统的框图；
图26是根据所公开的实施例的用于生成用于估计针对特定使用者或患者个性化的葡萄糖值的优化个人模型的另一个窗口化机器学习系统的框图；
图27是根据所公开的实施例的用于生成用于估计针对特定使用者或患者个性化的葡萄糖值的优化个人模型的另一个窗口化机器学习系统的框图；
图28是说明根据所公开的实施例的间歇CGM系统的框图；和
图29是说明根据所公开的实施例的另一间歇CGM系统的框图。
具体实施方式
以下具体实施方式在本质上仅仅是说明性的并且不旨在限制本主题或本申请的实施例或这类实施例的应用和使用。如本文所使用的，词语“示例性”意指“用作实例(example)、实例(instance)或说明”。本文中描述为示例性的任何实施方案不一定被解释为优于或胜过其它实施方案。此外，不旨在受前述技术领域、背景技术、发明内容或以下具体实施方式中存在的任何明确或暗示的理论束缚。
应当理解，本文中所公开的各个方面可以与描述和附图中具体呈现的组合不同的组合进行组合。还应理解，依据示例，本文所描述的过程或方法中的任一个的某些动作或事件可以以不同顺序执行，可以被添加、合并或完全省略(例如，所有描述的动作或事件对于执行技术可能不是必需的)。另外，尽管出于清楚的目的，将本公开的某些方面描述为由单个模块或单元来执行，但应理解，本公开的技术可以通过与，例如，医疗设备相关联的单元或模块的组合来执行。
在一个或多个示例中，所描述的技术可以在硬件、软件、固件或其任何组合中实施。如果以软件实施，则可以将函数以一个或多个指令或代码的形式存储在计算机可读介质上并且可以由基于硬件的处理单元执行。计算机可读介质可以包括非暂时性计算机可读介质，其对应于有形介质，诸如，数据存储介质(例如，RAM、ROM、EEPROM、闪存或可以用于存储呈指令或数据结构形式的期望程序代码并且可以由计算机访问的任何其它介质)。
指令可以配置为由一个或多个处理器执行，诸如，一个或多个数字信号处理器(DSP)、通用微处理器、专用集成电路(ASIC)、现场可编程逻辑阵列(FPGA)或其它等效的集成或离散逻辑电路系统。因此，如本文所使用的术语“处理器”可以指代任何前述结构或者适合于所描述的技术的实施方案的任何其它物理结构。而且，所述技术可完全实施于一个或多个电路或逻辑元件中。
本文所描述的主题的示例性实施例与医疗设备(如便携式电子医疗设备)结合实施。尽管许多不同的应用是可能的，但是以下描述集中于将胰岛素输注设备(或胰岛素泵)作为输注系统部署的一部分并入的实施例。为了简洁起见，与输注系统操作、胰岛素泵和/或输注器操作以及系统的其它功能方面(和系统的单独的操作组件)有关的常规技术在此可能不会详细描述。输注泵的实例可以属于但不限于以下美国专利中所描述的类型：第4,562,751号；第4,685,903号；第5,080,653号；第5,505,709号；第5,097,122号；第6,485,465号；第6,554,798号；第6,558,320号；第6,558,351号；第6,641,533号；第6,659,980号；第6,752,787号；第6,817,990号；第6,932,584号；和第7,621,893号；这些美国专利中的每个美国专利通过引用并入本文中。
一般来说，流体输注设备包含马达或其它致动布置，所述马达或其它致动布置可操作以使在流体输注设备中提供的流体储器的柱塞(或塞子)位移，以向使用者身体递送一定剂量的流体，如胰岛素。控管马达操作的剂量命令可根据与特定操作模式相关联的递送控制方案以自动方式生成，并且剂量命令可以受使用者身体的生理状况的当前(或最近)测量影响的方式生成。举例来说，在闭环或自动操作模式中，剂量命令可基于使用者身体中的间质液葡萄糖水平的当前(或最近)测量和目标(或参考)葡萄糖设定点值之间的差生成。在这方面，输注速率可随当前测量值和目标测量值之间的差波动而变化。出于解释的目的，本文在输注的流体为用于调节使用者(或患者)的葡萄糖水平的胰岛素的背景下描述主题；然而，应当理解许多其它流体可通过输注施用，并且本文所描述的主题不必限于与胰岛素一起使用。
在一个非限制性实施例中，提供了一种用于基于例如来自BG仪和活动跟踪器的数据来估计葡萄糖值的方法和系统。在其他实施例中，其他有关信息，例如食物(包括碳水化合物和常量营养素摄入量)也可用于估计葡萄糖值(例如，重建连续葡萄糖数据)。可以为每位患者离线开发基于机器学习的估计/预测模型，或在线更新以进行持续学习，尤其是在连续血糖监测仪(CGM)获取当前有关数据的保持期间。可以使用从与患者相似的群组收集的数据中的模式/实例来构建通用估计/预测模型，这提供了更大的数据池，从而提供了更大的患者表征范围。因为每个人都是不同的，所以估计/预测模型针对每个患者进行了独特的训练。
例如，定制的基于机器学习的估计/预测模型可以是在训练过程中使用CGM数据为每位患者构建。然后，除了步数、心率、锻炼、代谢当量以及从活动跟踪器收集的其他参数以及来自胰岛素泵(或胰岛素笔)或使用者条目的胰岛素和膳食信息等其他有关信息外，还可以基于使用者通过血糖仪输入的指尖测量值在运行时调用基于机器学习的定制估计/预测模型，同时还考虑他们的病史和人口统计信息，以便预测不仅基于个人的糖尿病情况和行为进行个性化，而且也有能力解释与患者定期程序的偏差。因此，定制的基于机器学习的估计/预测模型可以采用使用者通过血糖仪输入的指尖测量值实时提供对葡萄糖水平的连续当前和预测估计，包括上文提到的任何其他有关信息。此外，由于患者的有关数据会随时间变化，因此可以定期更新估计/预测模型。换句话说，由于患者的病情会随着时间的推移而发生变化，因此患者可以不时地佩戴连续葡萄糖传感器(例如，每月一次或两次)以获取可用于重新训练估计模型的数据，从而使其生成该特定患者的更准确的估计值。
例如，该功能可以驻留在基于网络的应用程序和移动应用程序中。估计模型可以在后端服务器上实施/部署，该后端服务器作为基于网络的应用程序的一部分运行估计模型并将信息传送回使用者的电话、胰岛素泵或其他终端设备，和/或也可以作为移动应用程序的一部分实施，该移动应用程序在使用者手机或其他终端设备上运行并将信息传送回胰岛素泵或其他终端设备。估计模型也可以在胰岛素泵上实施/部署。无论采用何种实施方式，应用程序都可以向患者发送推送通知，以在发生估计的低或高偏移事件时提醒他们，可以接收使用者的请求并提供准确、连贯的答案，还可以提供输入数据的途径，其可用于跟踪使用者历史记录以及改进预测估计。
可以使用连续葡萄糖传感器设备来训练估计模型，并且一旦它被训练，然后针对特定使用者/患者进行个性化/调整，则连续葡萄糖传感器不需要定期使用。这可以允许使用者/患者较少依赖连续葡萄糖传感器。他们只需要不时而不是定期使用CGM。
相反，血糖仪可以与活动跟踪器结合使用以生成估计模型的输入，然后估计模型可以生成估计葡萄糖值，该估计葡萄糖值近似于将由连续葡萄糖传感器测量的测量葡萄糖值。本质上，所公开的实施例可以允许患者使用活动跟踪器和来自血糖仪的间歇测量，而无需定期使用连续葡萄糖传感器(例如，患者可以不时使用连续葡萄糖传感器进行校准，但随后仅在其余时间使用血糖仪和活动跟踪器以及估计模型)。
在一些实施例中，估计模型可以处理附加类型的数据，这可以提高估计的准确性。例如，患者可以使用描述患者最近吃过的食物的膳食数据、来自血糖仪的间歇性血糖测量值(其由使用者获取，例如，通过指尖测量)以及从活动跟踪器或有关患者的其他活动信息源连续接收的有关活动数据来估计他们的血糖值。该其他有关活动数据可以包括诸如身体活动数据(例如，心率、步数或代谢当量等)、代谢数据(例如，燃烧的卡路里)等的数据。可以通过估计或预测模块使用该信息以高精度近似血糖测量值的方式估计葡萄糖值，该血糖测量值将由连续葡萄糖传感器测量，而无需承担连续葡萄糖传感器的成本或永久连接连续葡萄糖传感器。当估计葡萄糖值足够准确时，例如，它们可用于驱动胰岛素输注设备，以便为患者施用胰岛素，或向患者或医疗保健合作伙伴提供通知，以根据他们的估计葡萄糖值和其他信息，例如活动数据、膳食信息等在需要的基础上手动注射胰岛素推注，或者向医疗保健提供者提供信息以调整胰岛素输注设备的基础速率设置，以便它们适合特定患者以满足他们的需求。它还可以用作服用其他类型降血糖药物的个体的药物滴定顾问。当估计葡萄糖值不够准确时，此条件可用于触发通知、警告、警报或提醒，例如，在另一个设备(例如胰岛素泵、使用者的智能手机或其他智能设备等)上，以通知使用者他们不应该信任系统并建议使用者佩戴另一个传感器(例如，CGM)来重新训练估计模型。
因此，所提出的方法和系统可以提供更便宜且更负担得起的新的数字糖尿病管理解决方案；更有可能被无法负担数字糖尿病管理系统的使用者使用；更有可能获得保险等的批准。所提出的方法和系统还可以帮助使用者开始使用数字糖尿病管理解决方案，直到他们过渡到基于CGM的糖尿病管理系统。
现在转到图1，输注系统100的一个示例性实施例包含但不限于流体输注设备(或输注泵)102、感测布置104、命令控制设备(CCD)106和计算机108。输注系统100的组件可以使用不同的平台、设计和配置来实现，并且图1中所示出的实施例不是穷举或限制。在实践中，如图1中所展示的，输注设备102和感测布置104固定在使用者(或患者)的身体上的期望位置处。在这方面，图1中的输注设备102和感测布置104固定到使用者的身体的位置仅作为代表性的非限制性实例而提供。输注系统100的元件可以类似于美国专利第8,674,288号中所描述的元件，所述美国专利的主题通过引用以其全文在此并入。
在图1的所展示的实施例中，输注设备102被设计为适于将流体、液体、凝胶或其它药物输注到使用者的身体中的便携式医疗设备。在示例性实施例中，所输注的流体是胰岛素，尽管可以通过输注来施用许多其它流体，如但不限于HIV药物、治疗肺动脉高压的药物、铁螯合药物、止痛药物、抗癌治疗、药物、维生素、激素等。在一些实施例中，流体可包含营养补充剂、染料、追踪介质、盐水介质、水合介质等。
感测布置104通常表示被配置成感测、检测、测量或以其它方式定量使用者的状况的输注系统100的组件，并且可以包含用于提供指示由感测布置感测、检测、测量或以其它方式监测的状况的数据的传感器、监测器等。在这方面，感测布置104可以包含对使用者的生物状况(如血糖水平等)具有反应性的电子器件和酶，并且将指示血糖水平的数据提供给输注设备102、CCD 106和/或计算机108。例如，输注设备102、CCD 106和/或计算机108可以包含用于基于从感测布置104接收的传感器数据向使用者呈现信息或数据(例如，使用者的当前葡萄糖水平、使用者的葡萄糖水平对时间的绘图或图表、设备状态指示器、警报消息等)的显示器。在其它实施例中，输注设备102、CCD 106和/或计算机108可以包含被配置成分析传感器数据并且基于传感器数据和/或预编程的递送例程操作输注设备102以将流体递送到使用者的身体的电子器件和软件。因此，在示例性实施例中，输注设备102、感测布置104、CCD 106和/或计算机108中的一个或多个包含允许与输注系统100的其它组件通信的发射器、接收器和/或其它收发器电子器件，使得感测布置104可以将传感器数据或监测器数据传输到输注设备102、CCD 106和/或计算机108中的一个或多个。
仍然参考图1，在各个实施例中，感测布置104可以固定到使用者的身体或在远离输注设备102在其处固定到使用者的身体的位置的位置处嵌入使用者的身体。在各个其它实施例中，感测布置104可以并入输注设备102内。在其它实施例中，感测布置104可以与输注设备102分离并隔开并且可以例如作为CCD 106的一部分。在这类实施例中，感测布置104可以被配置成接收生物样品、分析物等以测量使用者的状况。
在一些实施例中，CCD 106和/或计算机108可包含被配置成执行处理、递送例程存储并且以受由感测布置104测量到的和/或从所述感测布置接收到的传感器数据影响的方式控制输注设备102的电子器件和其它组件。通过将控制功能包含在CCD 106和/或计算机108中，输注设备102可以用更简化的电子器件制成。然而，在其它实施例中，输注设备102可包含所有控制功能并且可以在没有CCD 106和/或计算机108的情况下进行操作。在各个实施例中，CCD 106可以是便携式电子设备。另外，在各个实施例中，输注设备102和/或感测布置104可以被配置成将数据传输到CCD 106和/或计算机108以由CCD 106和/或计算机108显示或处理数据。
在一些实施例中，CCD 106和/或计算机108可以向使用者提供促进使用者随后使用输注设备102的信息。例如，CCD 106可以向使用者提供信息以允许使用者确定要施用到使用者的身体中的药物的速率或剂量。在其它实施例中，CCD 106可以向输注设备102提供信息以自主控制施用到使用者的身体中的药物的速率或剂量。在一些实施例中，感测布置104可以集成到CCD 106中。这类实施例可以允许使用者通过将例如他或她的血液的样品提供给感测布置104以评估他或她的状况来监测状况。在一些实施例中，感测布置104和CCD106可以用于在不使用或不需要输注设备102与感测布置104和/或CCD 106之间的电线或电缆连接的情况下确定使用者的血液和/或体液中的葡萄糖水平。
在一些实施例中，感测布置104和/或输注设备102被协作地配置成利用闭环系统以将流体递送到使用者。利用闭环系统的感测设备和/或输注泵的实例可以在以下中发现但不限于以下：美国专利第6,088,608号、第6,119,028号、第6,589,229号、第6,740,072号、第6,827,702号、第7,323,142号和第7,402,153号或美国专利申请公开第2014/0066889号，所有这些专利通过引用以其全文并入本文中。在这类实施例中，感测布置104被配置成感测或测量使用者的状况，例如血糖水平等。输注设备102被配置成响应于由感测布置104感测的状况而递送流体。进而，感测布置104继续感测或以其它方式定量使用者的当前状况，由此允许输注设备102无限期地响应于由感测布置104当前(或最近)感测到的状况而连续地递送流体。在一些实施例中，感测布置104和/或输注设备102可以被配置成仅在一天中的一部分中(例如，仅在使用者睡着或醒着时)利用闭环系统。
图2-4描绘了适于在输注系统中使用(例如，作为图1的输注系统100中的输注设备102)的流体输注设备200(或可替代地，输注泵)的一个示例性实施例。流体输注设备200是被设计成由患者(或使用者)携带或佩戴的便携式医疗设备，并且流体输注设备200可以利用现有流体输注设备的任何数量的常规特征、组件、元件和特性，例如在美国专利第6,485,465号和第7,621,893号中所描述的特征、组件、元件和/或特性中的一些特征、组件、元件和/或特性。应当理解，图2-4以简化的方式描绘了输注设备200的一些方面；在实践中，输注设备200可以包含在此未示出或未详细描述的另外的元件、特征或组件。
如在图2-3中最佳展示的，流体输注设备200的所展示的实施例包含被适配成收纳含有流体的储器205的壳体202。壳体202中的开口220容纳用于储器205的配件223(或盖)，其中配件223被配置成与提供去往/来自使用者的身体的流体路径的输注器225的管221配合或以其它方式介接。以这种方式，通过管221建立从储器205的内部到使用者的流体连通。所展示的流体输注设备200包含人机接口(HMI)230(或使用者接口)，所述HMI包含可以由使用者操纵以施用流体(例如，胰岛素)的推注、改变疗法设置、改变使用者偏好、选择显示特征等的元件232、234。输注设备还包含显示元件226，如液晶显示器(LCD)或另一种适合的显示元件，所述显示元件可以用于向使用者呈现各种类型的信息或数据，如但不限于：患者的当前葡萄糖水平；时间；患者的葡萄糖水平对时间的绘图或图表；设备状态指示器；等等。
壳体202由具有被适配成除储器205之外还允许电子器件组合件204、滑动构件(或滑动件)206、驱动系统208、传感器组合件210和驱动系统封盖构件212安置于其中的中空内部214的基本上刚性的材料形成，其中壳体202的内容物由壳体封盖构件216包围。开口220、滑动件206和驱动系统208在轴向方向(由箭头218指示)上同轴对准，由此驱动系统208促进滑动件206在轴向方向218上的线性位移以从储器205分配流体(在将储器205已经插入开口220中之后)，其中传感器组合件210被配置成测量响应于对驱动系统208进行操作以使滑动件206位移而施加在传感器组合件210上的轴向力(例如，与轴向方向218对准的力)。在各个实施例中，传感器组合件210可以用于检测以下中的一个或多个：流体路径中减慢、阻止或其它方式降级从储器205到使用者的身体的流体递送；何时储器205为空；何时滑动件206与储器205适当地座置；何时流体尚未被递送；何时输注设备200经受冲击或振动；何时输注设备200需要维护。
取决于实施例，含有流体的储器205可以被实现为注射器、小瓶、灌流器、袋等。在某些实施例中，所输注的流体是胰岛素，尽管可以通过输注来施用许多其它流体，如但不限于HIV药物、治疗肺动脉高压的药物、铁螯合药物、止痛药物、抗癌治疗、药物、维生素、激素等。如在图3-4中最佳展示的，储器205通常包含储器桶219，所述储器桶含有流体并且在储器205插入输注设备200中时与滑动件206同心和/或同轴对准(例如，在轴向方向218上)。储器205的接近开口220的端部可以包含配件223或以其它方式与所述配件配合，所述配件将储器205固定在壳体202中并且防止储器205在储器205插入壳体202中之后相对于壳体202在轴向方向218上位移。如上文所描述的，配件223从(或通过)壳体202的开口220延伸并且与管221配合以通过管221和输注器225建立从储器205(例如，储器桶219)的内部到使用者的流体连通。储器205的接近滑动件206的相对端部包含柱塞217(或塞子)，所述柱塞被定位成将流体沿通过管221的流体路径从储器205的桶219的内部推动到使用者。滑动件206被配置成与柱塞217机械地联接或以其它方式接合，由此变成与柱塞217和/或储器205座置。当驱动系统208被操作以使滑动件206在轴向方向218上朝壳体202中的开口220位移时，迫使流体通过管221离开储器205。
在图3-4的所展示实施例中，驱动系统208包含马达组合件207和驱动螺钉209。马达组合件207包含马达，所述马达联接到驱动系统208的被配置成将旋转马达运动转换成滑动件206在轴向方向218上的平移位移并且由此在轴向方向218上接合并位移储器205的柱塞217的传动系组件。在一些实施例中，马达组合件207也可以被供电以使滑动件206在相反方向(例如，与方向218相反的方向)上平移以从储器205缩回和/或拆卸以允许更换储器205。在示例性实施例中，马达组合件207包含具有安装、附连或以其它方式安置在其转子上的一个或多个永磁体的无刷DC(BLDC)马达。然而，本文所描述的主题不必限于与BLDC马达一起使用，并且在替代性实施例中，马达可以被实现为螺线管马达、AC马达、步进马达、压电履带式驱动、形状记忆致动器驱动、电化学气体电池、热驱动气体电池、双金属致动器等。传动系组件可以包括一个或多个导螺杆、凸轮、棘轮、千斤顶、滑轮、棘爪、夹具、齿轮、螺母、滑动件、轴承、杠杆、横梁、阻挡器、柱塞、滑块、托架、引导件、轴承、支撑件、波纹管、盖、膜片、袋、加热器等。在这方面，尽管输注泵的所展示实施例利用同轴对准的传动系，但是马达可以相对于储器205的纵向轴线以偏移或其它非同轴方式布置。
如图4中最佳示出的，驱动螺钉209与滑动件206内部的螺纹402配合。当马达组合件207被供电并操作时，驱动螺钉209旋转，并且迫使滑动件206在轴向方向218上平移。在示例性实施例中，输注设备200包含套管211以防止滑动件206在驱动系统208的驱动螺钉209旋转时旋转。因此，驱动螺钉209的旋转使得滑动件206相对于驱动马达组合件207延伸或缩回。当流体输注设备组装好并且可操作时，滑动件206接触柱塞217以接合储器205并控制流体从输注设备200的递送。在示例性实施例中，滑动件206的肩部部分215接触或以其它方式接合柱塞217以使柱塞217在轴向方向218上位移。在替代性实施例中，滑动件206可以包含能够与储器205的柱塞217上的内部螺纹404可拆卸地接合的带螺纹的尖端213，如在美国专利第6,248,093号和第6,485,465号中详细描述的，所述美国专利通过引用并入本文中。
如图3中所展示的，电子器件组合件204包含耦接到显示元件226的控制电子器件224，其中壳体202包含与显示元件226对准的透明窗口部分228以允许显示元件226在电子器件组合件204安置在壳体202的内部214内时由使用者观看时。控制电子器件224通常表示被配置成控制马达组合件207和/或驱动系统208的操作的硬件、固件、处理逻辑和/或软件(或其组合)，如下文在图5的背景中更详细描述的。控制电子器件224还被适当地配置和设计成支持流体输注设备200的各种用户界面、输入/输出和显示特征。此功能被实施为硬件、固件、状态机还是软件取决于特定应用和强加于实施例的设计约束。熟悉此处所描述的概念的人员可以针对每个特定应用以适合的方式实施此功能，但是此类实施决策不应被解释为限制的或限制性的。在示例性实施例中，控制电子器件224包含可以被编程成控制输注设备200的操作的一个或多个可编程控制器。
马达组合件207包含被适配成电耦接到电子器件组合件204以在控制电子器件224与马达组合件207之间建立通信的一个或多个电引线236。响应于来自控制电子器件224的用于对马达驱动器(例如，功率转换器)进行操作以调节从电源供应给马达的电量的命令信号，马达致动驱动系统208的传动系组件以使滑动件206在轴向方向218上位移以迫使流体沿流体路径(包含管221和输注器)离开储器205，由此将储器205中所含有的流体的剂量施用于使用者的身体中。优选地，电源被实现为壳体202内所含有的一个或多个电池。可替代地，电源可以是太阳能电池板、电容器、通过电源线提供的AC或DC电源等。在一些实施例中，控制电子器件224可以以逐步的方式(通常，间歇地)对马达组合件207和/或驱动系统208的马达进行操作；以根据经过编程的递送分布向使用者施用离散的精确剂量的流体。
参考图2-4，如上文所描述的，使用者接口230包含形成在覆盖键盘组合件233的图形键盘覆盖231上的HMI元件，如按钮232和方向垫234，所述图形键盘覆盖包含与按钮232、方向垫234或图形键盘覆盖231所指示的其它使用者接口项相对应的特征。当组装时，键盘组合件233耦接到控制电子器件224，由此允许HMI元件232、234由使用者来操纵以与控制电子器件224交互并控制输注设备200的操作，例如以施用胰岛素推注、改变疗法设置、改变使用者偏好、选择显示功能、设置或禁用警报和提醒等。在这方面，控制电子器件224维护和/或向显示元件226提供关于程序参数、递送分布、泵操作、警报、警告、状态等的信息，这些信息可以使用HMI元件232、234进行调整。在各个实施例中，HMI元件232、234可以被实现为物理对象(例如，按钮、旋钮、操纵杆等)或虚拟对象(例如，使用触摸感测和/或接近感测技术)。例如，在一些实施例中，显示元件226可以被实现为触摸屏或触摸感应显示器，并且在此类实施例中，HMI元件232、234的特征和/或功能可以集成到显示元件226中并且HMI 230可以不存在。在一些实施例中，电子器件组合件204还可以包含警报生成元件，所述警报生成元件耦接到控制电子器件224并且被适合地配置成生成一种或多种类型的反馈，如但不限于：听觉反馈；视觉反馈；触觉(物理)反馈；等等。
参考图3-4，根据一个或多个实施例，传感器组合件210包含背板结构250和装载元件260。装载元件260安置在封盖构件212与包含具有安置在其上的受施加到传感器组合件210的使一个或多个横梁偏转的压缩力的影响的感测元件的一个或多个横梁的横梁结构270之间，如美国专利第8,474,332号中更详细描述的，所述美国专利通过引用并入本文中。在示例性实施例中，背板结构250附连、粘附、安装或以其它方式机械地联接到驱动系统208的底表面238，使得背板结构250驻留在驱动系统208的底表面238与壳体盖构件216之间。驱动系统封盖构件212的轮廓被设定成容纳并适形于传感器组合件210和驱动系统208的底部。驱动系统封盖构件212可以附连到壳体202的内部以防止传感器组合件210在与驱动系统208所提供的力的方向相反的方向(例如，与方向218相反的方向)上位移。因此，传感器组合件210定位于马达组合件207之间并由封盖构件212来固定，这防止传感器组合件210在与代表轴向方向218的箭头方向相反的向下方向上位移，使得传感器组合件210在驱动系统208和/或马达组合件207被操作以使滑动件206在与储器205中的流体压力相反的轴向方向218上位移时受到反作用压缩力。在正常操作状况下，施加到传感器组合件210的压缩力与储器205中的流体压力相关。如所示出的，电引线240被适配成将传感器组合件210的感测元件电耦接到电子器件组合件204，以建立与控制电子器件224的通信，其中控制电子器件224被配置成测量、接收或以其它方式获得来自传感器组合件210的感测元件的指示由驱动系统208在轴向方向218上施加的力的电信号。
图5描绘了适于与输注设备502(如上文所描述的输注设备102、200中的任何一个输注设备)一起使用的输注系统500的示例性实施例。控制系统500能够将患者的身体501中的生理状况控制或以其它方式调节到期望(或目标)值，或以其它方式以自动或自主的方式将状况维持在可接受值的范围内。在一个或多个示例性实施例中，所调节的状况由通信地联接到输注设备502的感测布置504(例如，血糖感测布置504)来感测、检测、测量或以其它方式定量。然而，应当注意，在替代性实施例中，由输注系统500调节的状况可以与由感测布置504获得的测量值相关。也就是说，出于清楚和解释的目的，本文可在感测布置504被实现为感测、检测、测量或以其它方式定量正在由输注系统500在患者的身体501中进行调节的患者的葡萄糖水平的葡萄糖感测布置的背景下描述主题。
在示例性实施例中，感测布置504包含一个或多个间质葡萄糖感测元件，所述一个或多个间质葡萄糖感测元件生成或以其它方式输出具有与患者的身体501中的相对间质液葡萄糖水平相关、受其影响或以其它方式指示其的信号特性的电信号(替代地在本文中被称为测量信号)。对输出的电信号进行滤波或以其它方式处理以获得指示患者的间质液葡萄糖水平的测量值。例如，在一个实施方式中，连续血糖监测仪(CGM)的传感器使用例如皮下传感器通过间质液间接测量葡萄糖。间质液是围绕患者皮肤下组织细胞的液体，并且通常葡萄糖首先从他们的血管和毛细血管中移动，然后进入他们的间质液。因此，传感器葡萄糖读数由感测布置504从患者的间质液中获取，而不是从他们的血液中获取，如指尖测量。出于解释的目的，基于由感测布置504的感测元件输出的电信号计算出的经过校准的血糖值在本文中可以可替代地被称为传感器葡萄糖(SG)值、感测到的葡萄糖值或其变体。间质SG值与血糖值的测量之间存在生理滞后。因此，在大多数情况下，感测布置504需要使用血糖仪530进行校准。为了进一步解释，血糖仪530直接从血流测量血糖值。因此，血糖值可以指直接从患者血液供应中测量的葡萄糖值。在这方面，术语“血糖测量”、“测量的血糖”、“血糖浓度”、“测量的血糖浓度”等可以指已经通过任何类型的葡萄糖传感器获得的葡萄糖水平、血糖水平、血糖浓度等。在示例性实施例中，血糖仪530(如指尖设备)用于直接感测、检测、测量或以其它方式定量使用者的身体501中的血糖。在这方面，血糖仪530输出或以其它方式提供可用作用于校准感测布置504并将指示患者的间质液葡萄糖水平的测量值转换成对应的经过校准的血糖值的参考测量的测得的血糖值。
在示例性实施例中，输注系统500还包含被配置成感测、检测、测量或以其它方式定量患者的身体501的指示患者的身体501中的状况的特性的一个或多个另外的感测布置506、508。在这方面，除了葡萄糖感测布置504之外，一个或多个辅助感测布置506(本文也称为活动数据源或“活动跟踪器”)可被佩戴、携带或以其它方式与患者的身体501相关联，以测量可影响患者的葡萄糖水平或胰岛素敏感性的患者的特性或状况(或患者的活动)。举例来说，心率感测布置506可被佩戴在患者的身体501上或以其它方式与其相关联，以感测、检测、测量或以其它方式定量患者的心率，这进而可指示可能影响患者在身体501中的葡萄糖水平或胰岛素响应的运动(和其强度)。在又另一个实施例中，另一种有创性、间质或皮下感测布置506可插入患者的身体501中以获得对可指示运动(和其强度)的另一个生理状况的测量，例如乳酸传感器、酮传感器等。取决于实施例，(一个或多个)辅助感测布置506可被实现为患者所佩戴的独立组件，或替代地，(一个或多个)辅助感测布置506可与输注设备502或葡萄糖感测布置504集成。
所说明的输注系统500还包含加速度感测布置508(或加速度计)，所述加速感测布置508可被佩戴在患者的身体501上或以其它方式与其相关联，以感测、检测、测量或以其它方式定量患者的身体501的加速度，这进而可指示身体501中的可能影响患者的胰岛素响应的运动或一些其它状况。虽然加速度感测布置508在图5中被描绘为集成到输注设备502中，但是在替代实施例中，加速度感测布置508可在患者的身体501上与另一种感测布置504、506集成，或加速度感测布置508可被实现为患者所佩戴的单独的独立组件。
在所说明的实施例中，泵控制系统520通常表示输注设备502的电子器件和其它组件，所述电子器件和其它组件根据期望的输注递送程序以受指示患者的身体501中的当前葡萄糖水平的感测到的葡萄糖值影响的方式来控制流体输注设备502的操作。举例来说，为了支持闭环操作模式，泵控制系统520维持、接收或以其它方式获得目标或命令葡萄糖值，并且自动生成或以其它方式确定用于操作致动布置(如马达532)的剂量命令以基于感测到的葡萄糖值和目标葡萄糖值之间的差来使柱塞517位移并将胰岛素递送到患者的身体501。在其它操作模式中，泵控制系统520可以生成或以其它方式确定被配置成将感测到的葡萄糖值维持低于葡萄糖上限、高于葡萄糖下限或以其它方式在葡萄糖值的期望范围内的剂量命令。在实践中，输注设备502可以将目标值、一个或多个葡萄糖上限和/或下限、一个或多个胰岛素递送限制和/或一个或多个其它葡萄糖阈值存储或以其它方式维持在泵控制系统520可访问的数据存储元件中。如更详细地描述，在一个或多个示例性实施例中，泵控制系统520以考虑由餐食、运动或其它活动导致的患者的葡萄糖水平或胰岛素响应的可能的变化的方式自动调节或适配用于生成操作马达532的命令的一个或多个参数或其它控制信息。
仍参考图5，泵控制系统520所利用的目标葡萄糖值和其它阈值葡萄糖值可从外部组件(例如，CCD 106和/或计算设备108)接收，或者由患者与输注设备502相关联的使用者接口元件540输入。在实践中，与输注设备502相关联的一个或多个使用者接口元件540通常包含至少一个输入使用者接口元件，例如按钮、小键盘、键盘、旋钮、操纵杆、鼠标、触摸面板、触摸屏、麦克风或另一种音频输入设备和/或等等。此外，一个或多个使用者接口元件540包含用于向患者提供通知或其它信息的至少一个输出使用者接口元件，例如显示元件(例如，发光二极管等)、显示设备(例如，液晶显示器等)、扬声器或另一种音频输出设备、触觉反馈设备等。应当注意，尽管图5将一个或多个使用者接口元件540描绘为与输注设备502分离，但是在实践中，一个或多个使用者接口元件540可以与输注设备502集成。此外，在一些实施例中，除一个或多个使用者接口元件540与输注设备502集成之外和/或作为其替代，一个或多个使用者接口元件540与感测布置504集成。(一个或多个)使用者接口元件540可由患者操纵以按需要操作输注设备502来递送校正推注、调节目标值和/或阈值、修改递送控制方案或操作模式等。
仍参考图5，在所展示实施例中，输注设备502包含马达控制模块512，所述马达控制模块联接到可操作以将柱塞517(例如，柱塞217)位移到储器(例如，储器205)中并向患者的身体501提供期望量的流体的马达532(例如，马达组合件207)。在这方面，柱塞517的位移导致能够影响患者的生理状况的流体(如胰岛素)经由流体递送路径(例如，经由输注器225的管221)递送到患者的身体501。马达驱动器模块514耦接在能量源518与马达532之间。马达控制模块512耦接到马达驱动器模块514，并且马达控制模块512生成或以其它方式提供命令信号，所述命令信号操作马达驱动器模块514以将电流(或功率)从能量源518提供到马达532以响应于从泵控制系统520接收到指示要递送的期望量的流体的剂量命令而使柱塞517位移。
在示例性实施例中，能量源518被实现为容纳在提供直流(DC)功率的输注设备502内(例如，在壳体202内)的电池。在这方面，马达驱动器模块514通常表示被配置成将能量源518所提供的DC功率转换或以其它方式转变成施加到马达532的定子绕组的导致电流流动通过定子绕组的相应相位的交流电信号的电路系统、硬件和/或其它电组件的组合，所述电流生成定子磁场并且使马达532的转子旋转。马达控制模块512被配置成从泵控制系统520接收或以其它方式获得命令剂量、将命令剂量转换成柱塞517的命令平移位移并且命令、发信号或以其它方式操作马达驱动器模块514以使马达532的转子旋转产生柱塞517的命令平移位移的一定量。例如，马达控制模块512可以确定产生柱塞517的实现从泵控制系统520接收的命令剂量的平移位移所需的转子的旋转量。基于由转子感测布置516的输出指示的转子相对于定子的当前旋转定位(或定向)，马达控制模块512确定要施加到定子绕组的应使转子从其当前定位(或定向)旋转确定的旋转量的相应相位的交流电信号的适当顺序。在马达532被实现为BLDC马达的实施例中，交流电信号以转子磁极相对于定子的适当定向并且以适当的顺序使定子绕组的相应相位转换方向以提供使转子在期望方向上旋转的旋转定子磁场。此后，马达控制模块512操作马达驱动器模块514以将确定的交流电信号(例如，命令信号)施加到马达532的定子绕组以实现向患者的期望的流体递送。
当马达控制模块512正在操作马达驱动器模块514时，电流从能量源518流动通过马达532的定子绕组以产生与转子磁场相互作用的定子磁场。在一些实施例中，在马达控制模块512操作马达驱动器模块514和/或马达532以实现命令剂量之后，马达控制模块512停止操作马达驱动器模块514和/或马达532，直到接收到随后的剂量命令为止。在这方面，马达驱动器模块514和马达532进入空闲状态，在此期间，马达驱动器模块514有效地使马达532的定子绕组与能量源518断开连接或分离。换句话说，当马达532空闲时电流不从能量源518流过马达532的定子绕组，并且因此，马达532在空闲状态下不消耗来自能量源518的功率，由此提高效率。
取决于实施例，马达控制模块512可以用被设计成执行本文所描述的功能的通用处理器、微处理器、控制器、微控制器、状态机、内容可寻址存储器、专用集成电路、现场可编程门阵列、任何适合的可编程逻辑设备、离散门或晶体管逻辑、离散硬件组件或其任何组合来实施或实现。在示例性实施例中，马达控制模块512包含或以其它方式访问能够存储由马达控制模块512执行的编程指令的数据存储元件或存储器，包含任何种类的随机存取存储器(RAM)、只读存储器(ROM)、闪存、寄存器、硬盘、可移动磁盘、磁性或光学大容量存储器或任何其它短期或长期存储介质或其它非暂时性计算机可读介质。当由马达控制模块512读取和执行时，计算机可执行编程指令使马达控制模块512执行或以其它方式支持本文所描述的任务、操作、功能和过程。
应当理解，出于解释的目的，图5是输注设备502的简化表示并且不旨在以任何方式限制本文所描述的主题。在这方面，取决于实施例，感测布置504的一些特征和/或功能可以由泵控制系统520实施或以其它方式集成到所述泵控制系统中或者反之亦然。类似地，在实践中，马达控制模块512的特征和/或功能可以由泵控制系统520实施或以其它方式集成到所述泵控制系统中或者反之亦然。此外，泵控制系统520的特征和/或功能可以由定位于流体输注设备502中的控制电子器件224来实施，而在替代性实施例中，泵控制系统520可以由与输注设备502(例如，CCD 106或计算设备108)在物理上不同和/或分离的远程计算设备来实施。
图6描绘了根据一个或多个实施例的适于用作图5中的泵控制系统520的泵控制系统600的示例性实施例。所展示的泵控制系统600包含但不限于泵控制模块602、通信接口604和数据存储元件(或存储器)606。泵控制模块602耦接到通信接口604和存储器606，并且泵控制模块602被适合地配置成支持本文所描述的操作、任务和/或过程。在各个实施例中，泵控制模块602还联接到一个或多个使用者接口元件(例如，使用者接口230、540)以接收使用者输入(例如，目标葡萄糖值或其它葡萄糖阈值)并向患者提供通知、警报或其它疗法信息。
通信接口604通常表示泵控制系统600的联接到泵控制模块602并且被配置成支持泵控制系统600和各个感测布置504、506、508之间的通信的硬件、电路系统、逻辑、固件和/或其它组件。在这方面，通信接口604可包含或以其它方式联接到能够支持泵控制系统520、600和感测布置504、506、508之间的无线通信的一个或多个收发器模块。举例来说，通信接口604可用于从输注系统500中的每个感测布置504、506、508接收传感器测量值或其它测量数据。在其它实施例中，通信接口604可被配置成支持去往/来自(一个或多个)感测布置504、506、508的有线通信。在各个实施例中，通信接口604还可支持与输注系统中的另一个电子设备(例如CCD 106和/或计算机108)通信(例如将传感器测量值上载到服务器或其它计算设备，从服务器或其它计算设备接收控制信息等)。
泵控制模块602通常表示泵控制系统600的联接到通信接口604并且被配置成基于从感测布置504、506、508接收的测量数据确定用于操作马达532以将流体递送到身体501的剂量命令并且执行本文所描述的各种附加任务、操作、功能和/或操作的硬件、电路系统、逻辑、固件和/或其它组件。举例来说，在示例性实施例中，泵控制模块602实施或以其它方式执行命令生成应用610，所述命令生成应用支持一个或多个自主操作模式并且至少部分地基于患者的身体501中的状况的当前测量值来计算或以其它方式确定用于以自主操作模式操作输注设备502的马达532的剂量命令。举例来说，在闭环操作模式中，命令生成应用610可至少部分地基于最近从感测布置504接收的当前葡萄糖测量值来确定用于操作马达532以将胰岛素递送到患者的身体501的剂量命令以将患者的血糖水平调节到目标参考葡萄糖值。此外，命令生成应用610可生成由患者经由使用者接口元件手动启动或以其它方式指示的用于推注的剂量命令。
在示例性实施例中，泵控制模块602还实施或以其它方式执行个性化应用608，所述个性化应用协作地被配置成与命令生成应用610相互作用，以支持决定其中剂量命令以个性化患者特定的方式生成的方式调节剂量命令或控制信息在这方面，在一些实施例中，基于当前或最近的测量数据和当前操作背景相对于与患者相关联的历史数据之间的相关性，个性化应用608可例如通过修改命令生成应用610所引用的寄存器或存储器606中的位置处的参数值时调节或以其它方式修改由命令生成应用610在确定剂量命令时所利用的一个或多个参数的值。在又其它实施例中，个性化应用608可预测患者可能参与的餐食或其它事件或活动，并且输出或以其它方式提供预测的患者行为的指示以由患者确认或修改，所述指示进而可然后用于以个性化方式调节其中生成剂量命令以考虑患者的行为的方式调节葡萄糖的方式。
仍参考图6，取决于实施例，泵控制模块602可以用被设计成执行本文所描述的功能的至少一个通用处理器设备、微处理器、控制器、微控制器、状态机、内容可寻址存储器、专用集成电路、现场可编程门阵列、任何适合的可编程逻辑设备、离散门或晶体管逻辑、离散硬件组件或其任何组合来实施或实现。在这方面，结合本文所公开的实施例描述的方法或算法的步骤可以直接体现在硬件、固件、由泵控制模块602执行的软件模块或其任何实践组合中。在示例性实施例中，泵控制模块602包含或以其它方式访问数据存储元件或存储器606，所述数据存储元件或存储器可以使用能够存储用于由泵控制模块602执行的编程指令的任何种类的非暂时性计算机可读介质来实现。当由泵控制模块602读取和执行时，计算机可执行编程指令使泵控制模块602实施或以其它方式生成应用608、610并且执行本文所描述的任务、操作、功能和过程。
应当理解，出于解释的目的，图6是泵控制系统600的简化表示并且不旨在以任何方式限制本文所描述的主题。例如，在一些实施例中，马达控制模块512的特征和/或功能可以例如通过命令生成应用610将剂量命令转换成对应的马达命令而由泵控制系统600和/或泵控制模块602来实施或以其它方式集成到所述泵控制系统和/或所述泵控制模块中，在这种情况下，单独的马达控制模块512可以不存在输注设备502的实施例中。
图7描绘示例性闭环控制系统700，其可由泵控制系统520、600实施以提供闭环操作模式，所述闭环操作模式自主地将患者的身体状况调控为参考(或目标)值。在这点上，控制系统700可用于在自动基础胰岛素输送操作期间调节向患者输送胰岛素。应当理解，出于解释的目的，图7是控制系统700的简化表示并且不旨在以任何方式限制本文所描述的主题。
在示例性实施例中，控制系统700在输入702处接收或以其它方式获得目标葡萄糖值。在一些实施例中，目标葡萄糖值可以由输注设备502存储或以其它方式维持(例如，在存储器606中)，然而，在一些替代性实施例中，目标值可以从外部组件(例如，CCD 106和/或计算机108)接收。在一个或多个实施例中，目标葡萄糖值可以基于一个或多个患者特异性控制参数在进入闭环操作模式之前计算或以其它方式确定。例如，目标血糖值可以至少部分地基于患者特异性参考基础速率和患者特异性每日胰岛素需求来计算，所述患者特异性参考基础速率和所述患者特异性每日胰岛素需求是基于先前的时间间隔内的历史递送信息(例如，前24小时内递送的胰岛素量)来确定的。控制系统700还在输入704处从感测布置504接收或以其它方式获得当前葡萄糖测量值(例如，最近获得的传感器葡萄糖值)。所展示的控制系统700实施或以其它方式提供比例积分微分(PID)控制以至少部分地基于目标葡萄糖值与当前葡萄糖测量值之间的差来确定或以其它方式生成用于操作马达532的递送命令。在这方面，PID控制试图使测量值与目标值之间的差最小化，并且由此将测量值调节到期望值。PID控制参数应用于输入702处的目标葡萄糖水平与输入704处的测量葡萄糖水平之间的差以生成或以其它方式确定在输出730处提供的剂量(或递送)命令。基于所述递送命令，马达控制模块512操作马达532以将胰岛素递送到患者身体以影响患者的血糖水平，并且由此减小随后测量到的血糖水平与目标血糖水平之间的差。
所展示的控制系统700包含或以其它方式实施被配置成例如通过从测量值中减去目标值来确定在输入702处获得的目标值与在输入704处从感测布置504获得的测量值之间的差的求和块706。求和块706的输出表示测量值与目标值之间的差，所述差然后被提供给比例项路径、积分项路径和导数项路径中的每一个。比例项路径包含将差乘以比例增益系数KP以获得比例项的增益块720。积分项路径包含对差求积分的积分块708以及将积分差乘以积分增益系数KI以获得积分项的增益块722。导数项路径包含确定差的导数的导数块710以及将差的导数乘以导数增益系数KD以获得导数项的增益块724。然后将比例项、积分项和导数项相加或以其它方式组合以在输出730处获得用于操作马达的递送命令。与闭环PID控制和确定增益系数有关的各个实施方案细节在美国专利第7,402,153号中进行了更详细的描述，所述美国专利通过引用并入。
在一个或多个示例性实施例中，PID增益系数是患者特异性的并且是基于历史胰岛素递送信息(例如，先前剂量的量和/或定时、历史校正推注信息等)、历史传感器测量值、历史参考血糖测量值、使用者报告或使用者输入的事件(例如，餐食、运动等)等在进入闭环操作模式之前动态计算或以其它方式确定的。在这方面，一个或多个患者特异性控制参数(例如，胰岛素敏感性因子、每日胰岛素需求、胰岛素极限、参考基础速率、参考空腹葡萄糖、有效胰岛素作用持续时间、药效时间常数等)可以用于补偿、校正或以其它方式调整PID增益系数以解释输注设备502所经历和/或展现出的各种操作状况。PID增益系数可以由泵控制模块602可访问的存储器606来维持。在这方面，存储器606可以包含与用于PID控制的控制参数相关联的多个寄存器。例如，第一参数寄存器可以存储目标葡萄糖值并在输入702处由求和块706访问或以其它方式耦接到所述求和块，并且类似地，由比例增益块720访问的第二参数寄存器可以存储比例增益系数，由积分增益块722访问的第三参数寄存器可以存储积分增益系数，并且由导数增益块724访问的第四参数寄存器可以存储导数增益系数。
在一个或多个示例性实施例中，闭环控制系统700的一个或多个参数以个性化的方式自动调整或适应，以说明由于进餐、锻炼或其他事件或活动导致的患者葡萄糖水平或胰岛素敏感性的潜在变化。例如，在一个或多个实施例中，可以在预测进餐事件之前降低目标葡萄糖值以实现胰岛素输注速率的增加以有效地预先推注进餐，从而降低餐后高血糖的可能性。附加地或替代地，与闭环控制系统700的一个或多个路径相关联的时间常数或增益系数可以被调整以调整对测量的葡萄糖值和目标葡萄糖值之间的偏差的响应。例如，基于正在消耗的膳食的特定类型或膳食被消耗的一天中的特定时间，可以调整与导数块710或导数项路径相关联的时间常数以使得闭环控制根据患者对特定类型膳食的历史血糖反应，对患者血糖水平升高的反应更积极或不那么积极。
图8描绘了患者监测系统800的示例性实施例。患者监测系统800包含通信地耦接到插入患者的身体中或以其它方式由患者穿戴以获得指示患者的身体中的生理状况的测量数据(如感测到的葡萄糖水平)的感测元件804的医疗设备802。医疗设备802通过通信网络810通信地耦接到客户端设备806，其中客户端设备806通过另一个通信网络812通信地耦接到远程设备814。在这方面，客户端设备806可以充当用于向远程设备814上载或以其它方式提供来自医疗设备802的测量数据。应当理解，出于解释的目的，图8描绘了患者监测系统800的简化表示并且不旨在以任何方式限制本文所描述的主题。
在示例性实施例中，客户端设备806被实现为移动电话、智能手机、平板计算机或其它类似的移动电子器件，然而，在其它实施例中，客户端设备806可以被实现为能够通过网络810与医疗设备802通信的任何种类的电子器件，如膝上型计算机或笔记本计算机、台式计算机等。在示例性实施例中，网络810被实现为蓝牙网络、ZigBee网络或另一种适合的个域网络。也就是说，在其它实施例中，网络810可以被实现为无线自组织网络、无线局域网(WLAN)或局域网(LAN)。客户端设备806包含或耦接到能够以图形方式呈现与患者的生理状况有关的数据和/或信息的显示设备，如监测器、屏幕或另一种常规的电子显示器。客户端设备806还包含能够接收来自客户端设备806的使用者的输入数据和/或其它信息的使用者输入设备(如键盘、鼠标、触摸屏等)或与所述使用者输入设备相关联。
在示例性实施例中，使用者(如患者、患者的医生或另一名医疗保健提供者等)操纵客户端设备806以执行支持通过网络810与医疗设备802通信的客户端应用808。在这方面，客户端应用808支持在网络810上与医疗设备802建立通信会话并通过通信会话接收来自医疗设备802的数据和/或信息。医疗设备802可以类似地执行或以其它方式实施支持与客户端应用808建立通信会话的对应的应用或过程。客户端应用808通常表示由客户端设备806生成或以其它方式实施以支持本文所描述的过程的软件模块或另一种特征。因此，客户端设备806通常包含能够存储由处理系统执行的编程指令的处理系统和数据存储元件(或存储器)，当被读取和执行时，所述编程指令使处理系统创建、生成或以其它方式促进客户端应用808并执行或以其它方式支持本文所描述的过程、任务、操作和/或功能。取决于实施例，处理系统可以使用被配置成支持本文所描述的处理系统的操作的任何适合的处理系统和/或设备(例如，一个或多个处理器设备、中央处理器(CPU)、控制器、微处理器、微控制器、处理核心和/或其它硬件计算资源)来实施。类似地，数据存储元件或存储器可以被实现为随机存取存储器(RAM)、只读存储器(ROM)、闪存、磁性或光学大容量存储或任何其它适合的非暂时性短期或长期数据存储器或其它计算机可读介质和/或其任何适合的组合。
在一个或多个实施例中，客户端设备806和医疗设备802通过网络810彼此建立关联(或配对)以支持随后通过网络810在医疗设备802与客户端设备806之间建立点对点或对等通信会话。举例来说，根据一些实施例，网络810被实现为蓝牙网络，其中医疗设备802和客户端设备806通过执行发现程序或其它适合的配对程序(例如，通过获得并存储彼此的网络标识信息)而彼此配对。在发现程序期间获得的配对信息允许医疗设备802或客户端设备806通过网络810启动安全通信会话的建立。
在一个或多个示例性实施例中，客户端应用808还被配置成存储或以其它方式维持第二网络812上的远程设备814的地址和/或其它标识信息。在这方面，第二网络812可以在物理和/或逻辑上与网络810不同，例如互联网、蜂窝网络、广域网(WAN)等。远程设备814通常表示被配置成接收和分析或以其它方式监测针对与医疗设备802相关联的患者获得的测量数据、事件日志数据以及潜在的其它信息的服务器或其它计算设备。在示例性实施例中，远程设备814耦接到被配置成存储或以其它方式维持与单独的患者相关联的数据的数据库816。在实践中，远程设备814可以驻留在与医疗设备802和客户端设备806在物理上不同和/或分离的位置处，例如在由医疗设备802的制造商拥有和/或操作或以其它方式附属于所述制造商的设施处。出于解释的目的但不限于，远程设备814在本文中可替代地被称为服务器。
仍参考图8，感测元件804通常表示患者监测系统800的被配置成生成、产生或以其它方式输出指示由感测元件804感测、测量或以其它方式定量的生理状况的一个或多个电信号的组件。就此而言，患者的生理状况影响由感测元件804输出的电信号的特性，使得输出信号的特性对应于感测元件804敏感的生理状况或以其它方式与所述生理状况相关。在示例性实施例中，感测元件804被实现为插入在患者的身体上的位置处的间质葡萄糖感测元件，所述间质葡萄糖感测元件生成具有与由感测元件804在患者的身体中感测到的或以其它方式测量到的间质液葡萄糖水平相关的与所述间质葡萄糖感测元件相关联的电流(或电压)的输出电信号。
医疗设备802通常表示患者监测系统800的通信地联接到感测元件804的输出以接收或以其它方式获得来自感测元件804的测量数据样品(例如，测得的血糖和特性阻抗值)、存储或以其它方式维持测量数据样品并且通过客户端设备806将测量数据上载或以其它方式传输到远程设备814或服务器的组件。在一个或多个实施例中，医疗设备802被实现为被配置成将流体(如胰岛素)递送到患者的身体的输注设备102、200、502。也就是说，在其它实施例中，医疗设备802可以是与输注设备分离和独立于其的独立感测或监测设备(例如，感测布置104、504)。应当注意，尽管图8将医疗设备802和感测元件804描绘为单独的组件，在实践中，医疗设备802和感测元件804可以集成或以其它方式组合以提供可以由患者穿戴的整体设备。
在示例性实施例中，医疗设备802包含控制模块822、数据存储元件824(或存储器)和通信接口826。控制模块822通常表示医疗设备802的耦接到感测元件804以接收由感测元件804输出的电信号并执行或以其它方式支持本文所描述的各种另外的任务、操作、功能和/或过程的硬件、电路系统、逻辑、固件和/或一个或多个其它组件。取决于实施例，控制模块822可以用被设计成执行本文所描述的功能的通用处理器设备、微处理器设备、控制器、微控制器、状态机、内容可寻址存储器、专用集成电路、现场可编程门阵列、任何适合的可编程逻辑设备、离散门或晶体管逻辑、离散硬件组件或其任何组合来实施或实现。在一些实施例中，控制模块822包含模数转换器(ADC)或将从感测元件804接收的输出电信号采样或以其它方式转换成对应的数字测量数据值的另一种类似的采样布置。在其它实施例中，感测元件804可以结合ADC并输出数字测量值。
通信接口826通常表示医疗设备802的耦接到控制模块822以将数据和/或信息从医疗设备802输出到客户端设备806/从所述客户端设备传输到所述医疗设备的硬件、电路系统、逻辑、固件和/或其它组件。例如，通信接口826可以包含或以其它方式耦接到能够支持医疗设备802与客户端设备806之间的无线通信的一个或多个收发器模块。在示例性实施例中，通信接口826被实现为被配置成支持蓝牙低功耗(BLE)通信的蓝牙收发器或适配器。
在示例性实施例中，远程设备814从客户端设备806接收使用感测元件804获得的与特定患者相关联的测量数据值(例如，传感器葡萄糖测量、加速度测量等)，并且远程设备814将历史测量数据与患者相关联地存储或以其它方式维持在数据库816中(例如，使用一个或多个唯一的患者标识符)。另外地，远程设备814还可以从客户端设备806或通过所述客户端设备接收可以由患者输入或以其它方式提供(例如，通过客户端应用808)的餐食数据或其它事件日志数据并且将与患者相关联的历史餐食数据和其它历史事件或活动数据存储或以其它方式维持在数据库816中。在这方面，餐食数据包含例如与特定餐食事件、餐食类型或指示餐食的含量或营养特性的其它信息相关联的时间或时间戳以及与餐食相关联的大小的指示。在示例性实施例中，远程设备814还接收对应于由输注设备102、200、502递送给患者的基础剂量或推注剂量的流体的历史流体递送数据。例如，客户端应用808可以与输注设备102、200、502通信以从输注设备102、200、502获得胰岛素递送剂量的量和对应的时间戳，并且然后将胰岛素递送数据上载到远程设备814以用于与特定患者相关联地存储。远程设备814还可以从客户端设备806和/或客户端应用808接收与设备802、806相关联的地理位置数据和潜在的其它有关数据，并且与特定患者相关联地存储或以其它方式维持历史操作背景数据。在这方面，设备802、806中的一个或多个可以包含能够输出或以其它方式提供实时表征相应设备802、806的地理位置的数据的全球定位系统(GPS)接收器或类似的模块、组件或电路系统。
可以通过远程设备814、客户端设备806和/或医疗设备802中的一个或多个来分析历史患者数据以改变或调整输注设备102、200、502的操作以采用个性化方式影响流体递送。例如，可以分析患者的历史餐食数据和对应的测量数据或其它有关数据以预测患者可能消耗下一个餐食的将来时间、特定时间段内的将来餐食事件的可能性、与将来餐食相关联的碳水化合物的可能大小或量、将来餐食的可能类型或营养含量和/或等等。此外，可以分析历史餐食事件之后的餐后时段的患者历史测量数据以建模或以其它方式表征患者对当前背景(例如，一天中的时间、一周中的一天、地理位置)的餐食的预测大小和类型的血糖响应。然后，可以修改或调整控制或调节胰岛素递送的输注设备102、200、502的一个或多个方面以主动解释患者可能的餐食活动和血糖响应。
在一个或多个示例性实施例中，远程设备814利用机器学习来确定历史传感器葡萄糖测量数据、历史递送数据、历史辅助测量数据(例如，历史加速度测量数据、历史心率测量数据和/或等等)、历史事件日志数据、历史地理位置数据和其它历史或有关数据的哪种组合与特定患者的特定事件、活动或度量的发生相关或预测所述发生，并且然后确定用于基于所述一组输入变量来计算所关注参数的值的对应的等式、函数或模型。因此，模型能够将当前(或最近)传感器葡萄糖测量数据、辅助测量数据、递送数据、地理位置、患者行为或活动等中的一个或多个的特定组合特征化或映射到表示特定事件或活动的当前概率或可能性的值或所关注参数的当前值。应当注意，由于每个患者的生理响应可能与群体中的其余患者有所不同，因此预测特定患者或与之相关的输入变量的子集可能与其它患者有所不同。另外，基于特定输入变量与所述特定患者的历史数据之间的不同相关性，应用于所述预测子集的相应变量的相对加权也可能与可以具有相同预测子集的其它患者有所不同。应当注意，远程设备814可以利用任何数量的不同机器学习技术来确定哪些输入变量对于当前所关注患者而言是预测性的，例如人工神经网络、遗传编程、支持向量机、贝叶斯网络(Bayesian network)、概率机器学习模型或其它贝叶斯技术、模糊逻辑、启发式推导的组合等。
胰岛素输注设备可以结合或利用美国专利号9,526,834和国际(PCT)专利公开号WO2014/035570中描述的类型的控制算法、处理方案和操作方法(或其适当修改、更新或定制的版本)；将这些公开文件的内容通过引用并入本文。
上面参考图1-8描述的每个设备或组件可以实现为基于计算机或基于处理器的组件。因此，将参考图9描述基于计算机或基于处理器的设备900的示例性实施例，其是适合部署在图1-8所示系统中的基于计算机或基于处理器的设备900的示例性实施例的简化框图表示。此外，将参考图9描述的基于计算机或基于处理器的设备900还可以用于执行包括用于估计葡萄糖值的估计模型1040的系统1000，如下面将参考图10-12描述的。
设备900的所示实施例旨在作为一个合适的平台的高级和概括表示。在这方面，系统100的计算机基或处理器基组件中的任何一个都可以利用设备900的体系结构。设备900的所示实施例一般包括但不限于：至少一个处理器902；适量的存储器904；设备专用硬件、软件、固件和/或特征906；使用者接口908；通信模块910；以及显示元件912。当然，设备900的实现可以包括配置成支持与这里所描述的主题无关的各种特征的附加元件、组件、模块和功能。例如，设备900可以包括某些特征和元件，以支持可能与设备900的特定实现和部署有关的常规功能。实际上，设备900的元件可以经由总线或任何合适的互连体系结构914耦合在一起。
处理器902可以用通用处理器、内容可寻址存储器、数字信号处理器、专用集成电路、现场可编程门阵列、任何适当的可编程逻辑器件、离散门或晶体管逻辑、离散硬件组件或设计成执行这里描述的功能的任何组合来实现或执行。此外，处理器902可以被实现为计算设备的组合，例如，数字信号处理器和微处理器的组合、多个微处理器、结合数字信号处理器核心的一个或多个微处理器或任何其它此类配置。
存储器904可以被实现为RAM存储器、闪存、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM或本领域已知的任何其它形式的存储介质。在这方面，存储器904可以耦合到处理器902，使得处理器902可以从存储器904读取信息和向存储器904写入信息。在替代方案中，存储器904可以与处理器902集成一体。作为实例，处理器902和存储器904可以驻留在ASIC中。存储器904的至少一部分可以被实现为计算机存储介质，例如，其上存储有计算机可执行指令的有形计算机可读介质。当被处理器902读取和执行时，计算机可执行指令使设备900执行特定于特定实施例的某些任务、操作、功能和过程。在这方面，存储器904可以表示此类计算机可读介质的一个合适的实施方式。可替代地或附加地，设备900可以接收计算机可读介质(未单独示出)并与之协作，该计算机可读介质被实现为便携式或移动组件或平台，例如便携式硬盘驱动器、USB闪存驱动器和光盘等。
从设备900的一些实施例到另一实施例，设备专用硬件、软件、固件和特征906可以变化。例如，设备专用硬件、软件、固件和特征906将支持：当设备900被实现为移动电话时的智能电话功能和特征；如果设备900被实现为膝上型计算机或平板计算机条件下的常规个人计算机功能和特征；当设备900被实现为胰岛素输注设备时的胰岛素泵操作等。在实践中，设备专用硬件、软件、固件和特征906的某些部分或方面可以在图9中所绘的一个或多个其它块中实现。
使用者接口908可以包括各种特征或与之协作，以允许使用者与设备900交互。因此，使用者接口908可以包括各种人机接口，例如小键盘、按键、键盘、按钮、开关、旋钮、触摸板、操纵杆、定点设备、虚拟写字板、触摸屏、麦克风或使使用者能够选择选项、输入信息或以其它方式控制设备900的运行的任何设备、组件或功能。使用者接口908可以包括一个或多个图形用户界面(GUI)控制元件，其使使用者能够经由显示元件912操控应用或以其它方式与应用交互。
通信模块910在设备900的运行期间根据需要促进设备900与其它组件之间的数据通信。在本说明书的背景中，通信模块910可以用于发送或流传送与设备有关的控制数据、与患者相关的数据、与设备有关的状态或操作数据、血糖了解消息和通知等。应当理解，通信模块910的特定配置和功能可以根据设备900的硬件平台和特定实施方式而变化。实际上，设备900的实施例可以使用各种数据通信协议来支持无线数据通信和/或有线数据通信。例如，通信模块910可以支持一个或多个无线数据通信协议、技术或方法，包括但不限于：RF；IrDA(红外)；蓝牙；ZigBee(以及IEEE 802.15协议的其它变化)；IEEE 802.11(任何变化)；IEEE 802.16(WiMAX或任何其它变化)；直接序列扩频；跳频扩频；蜂窝/无线/无绳电信协议；无线家庭网络通信协议；寻呼网络协议；磁感应；卫星数据通信协议；无线医院或医疗保健设施网络协议，例如在WMTS频带中运行的那些协议；GPRS；以及专有无线数据通信协议，例如无线USB的变化。此外，通信模块910可以支持一个或多个有线/电缆数据通信协议，包括但不限于：以太网；电力线；家庭网络通信协议；USB；IEEE 1394(火线)；医院网络通信协议；以及专有数据通信协议。
显示元件912适当地配置成使设备900能够呈现和显示各种屏幕、了解消息、通知、GUI、GUI控制元件、下拉菜单、自动填充字段、文本输入字段和消息字段等。当然，众所周知，显示元件912还可以用于在设备900的运行期间显示其它信息。值得注意的是，显示元件910的具体配置、操作特性、尺寸、分辨率和功能可以根据设备900的实际实施方式而变化。例如，如果设备900是膝上型计算机，则显示元件912可以是相对较大的监视器。可替代地，如果设备900是蜂窝式电话设备，则显示元件912可以是相对较小的集成显示屏，例如触敏屏。
图10是根据所公开的实施例的用于估计特定使用者或患者的葡萄糖值的系统1000的框图；系统1000包括被配置为接收各种输入1010、1020、1030的估计模型1040。估计模型1040可以在处理系统处执行。处理系统可以在本文描述的任何设备上实现，包括上面参考图1-8所示和描述的那些设备，并且更一般地在基于计算机或基于处理器的设备900处，例如上面参考图9所示和描述的设备。例如，处理系统可以在以下实施：在后端服务器系统处，例如图8的远程设备814，在图8的客户端设备806(例如，患者的智能电话)处，在图8的医疗设备802(例如，图5的胰岛素输注设备502)或其他终端设备处，例如辅助感测布置506(或活动跟踪设备、戒指、项链、背心等)和图5的血糖仪530。因此，在一些实施例中，处理系统可以在后端服务器系统处实施，例如图8的远程设备814。例如，估计模型可以作为后端服务器系统处的网络应用程序的一部分执行或运行，然后后端服务器系统可以将估计的葡萄糖值传送到客户端设备(例如，患者的智能手机)、胰岛素输注设备或其他终端设备。在另一个实施例中，处理系统可以在客户端设备处实现并且估计模型可以在客户端设备处作为移动应用程序的一部分来执行。在另一个实施例中，处理系统可以在胰岛素输注设备处实施并且估计模型可以作为胰岛素输注设备处的应用程序的一部分来执行。
在一个非限制性实施例中，输入包括来自血糖仪(BGM)的离散葡萄糖测量值1010、来自活动跟踪器或活动数据的等效源(例如智能手机或其他健康相关设备)的有关活动数据1020、以及任选的来自其他来源的有关数据1030。从活动跟踪器或活动数据的等效源(例如，智能手机或其他健康相关设备)收集的有关活动数据1020可以包括例如以下一项或多项：关于患者的代谢数据(例如，燃烧的卡路里)；关于使用者的身体活动数据(例如，患者的心率数据、患者的锻炼数据、活动类型、持续时间和强度数据、有关患者在一段时间内采取的步数、代谢当量和其他参数的数据)；来自向使用者提供健身/锻炼建议或推荐的健身或锻炼顾问设备或应用程序的数据；和其他原始有关数据，例如加速度计(x,y,z)数据、地理定位数据、iBeacon位置数据、皮肤温度数据、环境气温数据、生物阻抗心率数据、汗液数据(例如GSR电导)、血压数据、抖动检测数据、计步器数据、气压计数据、陀螺仪数据、膳食日志数据、方向(方位角、俯仰、滚动(度))数据；健康套件数据(例如来自
Healthkit、
Fit等的数据)、药物/处方信息数据、使用者手势数据、紫外线检测器数据、磁力计数据、呼吸数据、肌肉活动数据、脉搏血氧仪数据、血液+间质液pH数据、代谢当量(METS)数据、睡眠质量/时间数据、EMR和实验室数据等。来自其他来源的有关数据1030可以包括例如历史传感器葡萄糖测量数据、历史递送数据、诸如历史加速度测量数据、历史心率测量数据、皮肤电导率等的历史辅助测量数据、历史事件日志数据、历史地理定位数据和涉及或预测特定患者的特定事件、活动或指标的发生的其他历史或有关数据。估计模型1040处理各种输入中的至少一些以连续产生估计的葡萄糖值1080。
在一个或多个示例性实施例中，图8的远程设备814利用机器学习来基于来自血糖仪(例如图5的血糖仪530)的离散葡萄糖测量1010从辅助感测布置506(例如从“活动跟踪器”或活动数据的等效源)确定有关活动数据1020，以及任选地从其他源确定有关数据1030，以生成连续估计的葡萄糖值1080。根据实施方式，机器学习模型1060可以是用于基于输入变量集计算估计葡萄糖值1080的对应方程、函数或模型。因此，机器学习模型1060能够将输入的特定组合表征或映射到代表估计葡萄糖值1080的值。
人工智能属于计算机科学的领域，其强调创建像人类一样工作和作出反应的智能机器。具有人工智能的活动计算机中的一些活动计算机是为包含学习而设计的。人工智能算法的实例包含但不限于关键学习、演员-评论家方法(actor critic method)、强化、深度确定性策略梯度(DDPG)、多智能体深度确定性策略梯度(MADDPG)等。机器学习是指针对人类知识的技术发展而改变的人工智能学科。
机器学习通过暴露于新场景、测试和适应来促进计算的不断进步，同时采用模式和趋势检测来改进决策和随后的(尽管不完全相同)情形。机器学习(ML)算法和统计模型可以由计算机系统使用以在无需使用明确指令、而是依靠模式和推理的情况下有效地执行特定任务。机器学习算法基于样本数据(被称为“训练数据”)建立数学模型，以便在无需明确地被编程为执行任务的情况下进行预测或决策。当开发用于执行任务的特定指令的算法不可行时，可以使用机器学习算法。
例如，监督学习算法建立含有输入和期望的输出两者的一组数据的数学模型。所述数据被称为训练数据并且由一组训练实例组成。每个训练实例具有一个或多个输入和期望的输出(也被称为监督信号)。在半监督学习算法的情况下，训练实例中的一些训练实例缺少期望的输出。在数学模型中，每个训练实例由阵列或向量表示，并且训练数据由矩阵表示。通过目标函数的迭代优化，监督学习算法学习了可以用于预测与新输入相关联的输出的函数。优化函数将允许算法正确地确定不是训练数据的一部分的输入的输出。据说随时间提高其输出或预测的准确性的算法已经学会了执行所述任务。监督学习算法包含分类和回归。分类算法在输出被限制为一组有限值时使用，并且回归算法在输出可能具有在范围内的任何数值时使用。相似性学习属于与回归和分类密切相关的监督机器学习的领域，但是目标是使用测量两个对象的相似或相关程度的相似性函数来向实例学习。
强化学习属于机器学习的领域，其与软件智能体应当如何在环境中采取行动以最大化累积奖励的一些概念有关。由于其通用性，所述领域在许多其它学科中进行了研究，如博弈论、控制论、运筹学、信息论、基于仿真的优化、多智能体系统、群体智能、统计和基因算法。在机器学习中，环境通常表示为马尔可夫决策过程(MDP)。许多强化学习算法使用动态编程技术。强化学习算法不假设MDP的精确数学模型为常识，并且在精确模型不可行时使用。
根据一种非限制性实施方式，估计模型1040可以是集成模型1050。集成模型1050包括同时运行或执行的两个或更多个相关但不同的分析模型，其中每个生成的结果然后可以被合成为单个分数或散布以提高预测分析的准确性。为了进一步解释，在预测建模和其它类型的数据分析中，基于一个数据样本的单个模型可能会具有可能会影响其分析发现的可靠性的偏差、高可变性或完全不准确性。通过组合不同模型或分析多个样本，可以减少这些限制的影响以提供更好的信息。如此，集成方法可以使用多种机器学习算法来获得相较于仅从任何组成型学习算法获得的更好的预测性能。
集成是一种监督学习算法，因为可以对其进行训练并且然后将其用于进行预测。因此，经过训练的集成表示单个假设，所述单个假设不一定含有在根据所述单个假设建立的模型的假设空间内。因此，集成可以示出在其可以表示的函数中具有更大的灵活性。集成模型可以包含其预测合并的一组经过单独训练的分类器(如神经网络或决策树)。
例如，集成建模的一个常见实例是随机森林模型，所述随机森林模式是一种利用多个决策树的分析模型并且旨在基于不同的变量和规则来预测结果。随机森林模型将可以分析不同的样本数据、评估不同的因素或有区别地对共同变量进行加权的决策树融合。然后，将各个决策树的结果转换成简单的平均值或通过进一步的加权进行聚合。Hadoop和其它大数据工艺的出现允许存储和分析更大的数据量，这允许在不同的数据样本上运行分析模型。
在一些实施例中，集成模型1050可以包括至少一个机器学习模型1060和生理模型1070或使用它们来构建。生理模型1070可以是例如一个或多个方程(例如，一组微分方程)的基于人群的模型，这些方程通常适用于任何患者，但具有根据特定患者的个体参数进行加权的不同变量或参数以模拟该患者的生理机能。换句话说，因为每个患者的生理反应可能与群体的其余人不同，所以应用于生理模型1070的各个变量的相对权重也可能与其他患者不同。生理模型1070可以与机器学习模型1060结合以帮助将估计或预测限制在现实范围内。
取决于实施方案，可以将任何数量的机器学习模型组合以优化集成模型1050。可以在机器学习模型1060处实施的机器学习算法或模型的实例可以包含但不限于：回归模型，如线性回归、逻辑回归和K均值聚类；一个或多个决策树模型(例如，随机森林模型)；一个或多个支持向量机；一个或多个人工神经网络；一个或多个深度学习网络(例如，至少一个递归神经网络、使用深度学习的序列到序列映射、使用深度学习的序列编码等)；基于模糊逻辑的模型；基因编程模型；贝叶斯网络(Bayesian network)或其它贝叶斯技术；概率机器学习模型；高斯处理模型(Gaussian processing model)；隐马尔可夫模型(HiddenMarkov model)；时间序列方法，如自回归移动平均(ARMA)模型、自回归积分移动平均(ARIMA)模型、自回归条件异方差(ARCH)模型；广义自回归条件异方差(GARCH)模型；移动平均(MA)模型或其它模型；以及上述中的任何一种的启发式推导的组合等。机器学习算法的类型的差别在于其方法、其输入和输出的数据的类型以及其打算解决的任务或问题的类型。
隐马尔可夫模型(HMM)是统计马尔可夫模型，在所述统计马尔可夫模型中，被建模的系统被假设为具有未观察到的(隐藏)状态的马尔可夫过程。HMM可以被视为最简单的动态贝叶斯网络。贝叶斯网络、信念网络或有向非循环图模型是一种概率图形模型，其表示一组随机变量以及所述一组随机变量与有向非循环图(DAG)的条件独立性。建模变量序列的贝叶斯网络被称为动态贝叶斯网络。可以表示和解决不确定性下的决策问题的贝叶斯网络的泛化被称为影响图。
支持向量机(SVM)(也被称为支持向量网络)是用于进行分类和回归的一组相关监督学习方法。给定一组训练实例，每个训练实例标记为属于两个类别之一，SVM训练算法将建立预测新实例是否属于一个类别或另一个类别的模型。SVM训练算法是一种非概率的二进制线性分类器。除了执行线性分类外，SVM还可以使用所谓的核技巧高效地执行非线性分类，从而隐式地将其输入映射到高维特征空间中。
决策树学习使用决策树作为预测模型以从对项(在分支中表示)的观察行进到对项的目标值(在叶子中表示)的结论。其中目标变量可以采用一组离散值的树模型被称为分类树；在这些树形结构中，叶子表示类标签并且分支表示导致所述类标签的特征的结合。其中目标变量可以采用连续值(通常是实数)的决策树被称为回归树。在决策分析中，决策树可以用于可视化地和显式地表示决策和决策的做出。
深度学习算法可以是指机器学习中使用的算法的集合，所述算法用于通过使用由多个非线性变换构成的模型架构来对高级抽象和数据进行建模。深度学习是一种用于建立和训练神经网络的特定方法。深度学习由人工神经网络中的多个隐藏层组成。深度学习算法的实例可以包含例如孪生网络(Siamese network)、转移学习、递归神经网络(RNN)、长短期记忆(LSTM)网络、卷积神经网络(CNN)、变换器等。例如，深度学习方法可以利用自回归递归神经网络(RNN)，如长短期记忆(LSTM)和门控递归单元(GRU)。一种使用RNN(和变体)进行时间序列预测的神经网络架构是自回归seq2seq神经网络架构，其充当自动编码器。
在一些实施例中，集成模型1050可以包含一种或多种深度学习算法。应当注意，也可以使用任何数量的不同的机器学习技术。取决于实施方案，集成模型1050可以被实施为自举聚合集成算法(也被称为装袋分类器方法)、增强集成算法或分类器算法、堆叠集成算法或分类器算法、模型存储桶集成算法、贝叶斯优化分类器算法、贝叶斯参数平均算法、贝叶斯模型组合算法等。
自举聚合(通常被称为装袋)涉及使集成投票中的每个模型具有相等权重。为了提高模型方差，装袋使用训练集的随机绘制子集训练集成中的每个模型。作为实例，随机森林算法将随机决策树与装袋组合以实现非常高的分类准确性。装袋分类器或集成方法通过在训练集的随机再分布上训练每个分类器来为其集成创建个体。每个分类器的训练集可以通过随机绘制(在放回的条件下)N个实例(其中N是原始训练集的大小)来生成；许多原始实例可能会在所产生的训练集中重复，而其它实例可能会被排除在外。集成中的每个单独的分类器是在对训练集进行不同的随机采样的情况下生成的。装袋对其中训练集的小改变会导致预测的大改变的“不稳定的”学习算法(例如，神经网络和决策树)有效。
相比之下，增强涉及通过训练每个新模型实例以强调先前模型错误分类的训练实例来递增地建立集成。在一些情况下，增强已经示出产生相比于装袋更好的准确性，但是其也倾向于更有可能过度拟合训练数据。增强分类器可以是指可以用于产生一系列分类器的一系列方法。用于系列的每个成员的训练集基于系列中的一个或多个较早分类器的性能来挑选。在增强中，与正确地预测的实例相比，更多地挑选由系列中的先前分类器不正确地预测的实例。因此，增强尝试产生能够更好地预测当前集成的性能较差的实例的新分类器。尽管据报道一些较新的算法会实现更好的结果，但是增强的常见实施方案是Adaboost。
堆叠(有时称为堆叠泛化)涉及对学习算法进行训练以将几种其它学习算法的预测组合。堆叠工作分两个阶段进行：使用多个基础分类器对类进行预测，并且然后以减少泛化误差为目标使用新的学习器将其预测组合。首先，使用可用数据对所有其它算法进行训练，然后对组合器算法进行训练以使用其它算法的所有预测作为另外的输入进行最终预测。如果使用任意组合器算法，则在理论上，堆叠可以表示本文中所描述的集成技术中的任何集成技术，尽管在实践中，逻辑回归模型通常用作组合器。
“模型存储桶”是一种在其中使用模型选择算法为每个问题选择最佳模型的集成技术。当在仅一个问题的情况下进行测试时，模型存储桶可以产生的结果不会比集中的最佳模型产生的结果更好，但是当跨许多问题进行评估时，平均而言，其产生的结果通常会比集合中的任何模型产生的结果更好。用于模型选择的一种常见方法是交叉验证选择(有时被称为“烘烤竞赛(bake-off contest)”)。交叉验证选择可以被总结为在训练集中尝试所有模型并且然后挑选最有效的模型。门控是交叉验证选择的泛化。其涉及训练另一种学习模型以决定最适于解决问题的存储桶中的模型中的哪些模型。通常，感知器用于门控模型。其可以用于挑选“最佳”模型，或者其可以用于向来自存储桶中的每个模型的预测给予线性权重。当使用模型存储桶有很多问题时，避免训练一些花费很长时间进行训练的模型可能是令人期望的。特征点学习是一种力图解决这种问题的元学习方法。其涉及仅训练存储桶中的快速(但不精确)算法，并且然后使用这些算法的性能来帮助确定哪种慢速(但准确)算法最有可能做得最好。
贝叶斯优化分类器是一种分类技术。其是假设空间中的所有假设的集成。平均而言，其它任何集成都无法胜过所述贝叶斯优化分类器。朴素贝叶斯优化分类器是这种贝叶斯优化分类器的一个版本，其假设数据在条件上不依赖于类并且使计算更加可行。如果所述假设为真，则对每个假设进行投票，所述投票与将会从系统中采样训练数据集的可能性成比例。为了促进训练有限大小的数据，每个假设的投票也乘以所述假设的先验概率。然而，由贝叶斯优选分类器表示的假设是集成空间(所有可能的集成的空间)中的优化假设。
贝叶斯参数平均(BPA)是一种寻求通过从假设空间中采样假设并使用贝叶斯定律组合所述假设来近似贝叶斯优化分类器的集成技术。与贝叶斯优化分类器不同，贝叶斯模型平均(BMA)可以实际地实施。假设通常使用蒙特卡洛采样技术(Monte Carlo samplingtechnique，如MCMC)进行采样。例如，吉布斯采样(Gibbs sampling)可以用于得出表示分布的假设。已经示出，在某些情况下，当以这种方式得出假设并根据贝叶斯定律求平均时，这种技术的预期误差必然为贝叶斯优化分类器的预期误差的至多两倍。
贝叶斯模型组合(BMC)是对贝叶斯模型平均(BMA)的算法校正。其不是单独地对集成中的每个模型进行采样，而是从可能的集成的空间中采样(其中模型权重从具有均匀参数的狄利克雷分布(Dirichlet distribution)中随机得出)。这种修改克服了BMA向将所有权重给予单个模型汇集的倾向。尽管从计算方面上将，BMC比BMA稍微昂贵，但其倾向于产生显著更好的结果。已经示出，来自BMC的结果平均而言(具有统计显著性)比BMA和装袋更好。使用贝叶斯定律来计算模型权重需要计算给予每个模型的数据的概率。通常，集成中的所有模型都不精确地是从中生成训练数据的分布，因此所有模型都正确地接收到这个项的接近于零的值。如果集成足够大以对整个模型空间进行采样，则这将会有效，但是此种情况几乎不可能。因此，训练数据中的每个模式将会使集成权重朝最接近于训练数据的分布的集成中的模型移位。它在本质上减少了用于进行模型选择的不必要的复杂方法。集成的可能的权重可以可视化为取决于单纯形。在单纯形的每个顶点处，所有权重被给予集成中的单个模型。BMA向最接近于训练数据的分布的顶点汇集。相比之下，BMC向其中这种分布投影到单纯形上的点汇集。换句话说，其不是选择最接近于生成分布的一种模型，而是寻找最接近于生成分布的模型的组合。来自BMA的结果通常可以通过使用交叉验证从模型存储桶中选择最佳模型来估算。同样，来自BMC的结果可以通过使用交叉验证从可能的权重的随机采样中选择最佳集成组合来估算。
图11是说明根据所公开的实施例的用于为特定患者生成估计模型的方法1100的流程图。方法1100开始于1110，其中计算系统训练多个通用估计模型。每个通用估计模型都可以为特定的使用者组建模。在1120，计算系统测试通用估计模型，然后在1130，计算系统验证通用估计模型。例如，在一些实施例中，计算系统可以使用诸如年龄、性别、位置的人口统计学参数和糖尿病史诸如糖尿病发作、胰岛素治疗年数、使用现有BG的治疗类型、胰岛素、膳食信息、来自活动跟踪器的活动数据和CGM数据的不同组合训练1型和2型患者的多个基于人群的模型，以训练、测试和验证模型。
一旦验证了所有通用估计模型，方法1100进行到1140，其中计算系统基于特定使用者或患者的特征确定基于该特定患者的特征最适合该特定患者的适用通用估计模型。适用于特定患者的特定通用估计模型基于该特定患者的特征而变化。
在1150，计算系统然后可以基于为该特定患者收集的数据更新在1140部署的特定通用估计模型以生成该特定患者的估计模型。换言之，基于为该特定患者收集的数据，可以在150更新和微调在1140选择和部署的通用估计模型的参数，以便定制通用估计模型，从而使其成为该特定患者的估计模型。
在该特定患者的估计模型在1150生成后，可以在任何时候为该患者接收新数据时执行和更新该模型。例如，在一些实施例中，新数据可以来自血糖仪数据(例如，新血糖测量值)、从活动跟踪器接收到的针对该患者的新有关活动数据和/或从其他来源收到的该患者的新有关活动数据。在一种实现方式中，每当有来自BGM的新数据时，可以更新该特定患者的估计模型。在另一个实施例中，新数据可以来自连续葡萄糖监测器。例如，可以不时地使用CGM为特定患者收集特定时间段(例如两周)的CGM数据，然后可以使用该新收集的CGM数据来评估估计模型的性能和/或更新或重新训练该特定患者的估计模型。此外，CGM数据还可用于训练和更新上面参考步骤1110描述的通用估计模型。此外，在一些实施方式中，还可以在1140处使用CGM数据来为特定患者选择和部署不同的通用估计模型之一。
因此，在1160，计算系统定期确定是否接收到新数据，如果是，则该方法进行到1170，其中基于新数据更新该特定患者的估计模型以生成更新的估计模型，该更新的估计模型可在处理系统中执行(如下所述)。
在1170基于新数据更新该特定患者的估计模型之后，该方法循环到1160。随着特定患者的估计模型被更新，它变得更加微调并可用于为患者生成更好的估计葡萄糖值。在任何时候，估计模型都可用于估计患者的葡萄糖值。现在将关于图12描述一个非限制性实施例，其中估计模型用于估计患者的葡萄糖值。
图12是根据所公开的实施例的方法1200的流程图。在1210，处理系统可以从血糖仪接收间歇的葡萄糖测量值。在1220，处理系统还可以从活动跟踪器接收有关活动数据。在1230，处理系统还可以任选地从上述其他源接收其他有关数据。在一些实施例中，从校准的血糖仪接收包括一系列间歇血糖测量值的第一组输入，并且从活动跟踪器接收包括由活动跟踪器从使用者收集的有关活动数据的第二组使用者输入。任选地，来自其他来源的其他有关数据可以包括例如来自胰岛素输注设备的包括由胰岛素输注设备分配的胰岛素的第三组输入和/或包括描述膳食信息的使用者条目的第四组输入。
在1240，处理系统可为该患者执行基于机器学习的估计模型以处理来自步骤1210、1220、1230的各种输入以生成该特定患者的一系列或一组估计葡萄糖值。估计的葡萄糖值类似于可由葡萄糖传感器获取的葡萄糖测量值，因为估计的葡萄糖值估计连续的葡萄糖传感器测量值。然而，处理系统可以在不使用来自连续葡萄糖传感器布置的信息的情况下生成所述一组估计葡萄糖值。这可以消除对连续葡萄糖传感器的需要，连续葡萄糖传感器相对于血糖仪而言可能是相对昂贵的组件，因此为患者节省了大量成本。它还可以支持间歇性CGM使用者，他们由于各种原因(可能包括访问、不适、季节性需求等)而采用“传感器假期”。在一些实施例中，经由估计模型仅处理第一组输入和第二组使用者输入以生成估计葡萄糖值组。如本文所用，“估计葡萄糖值”和“估计葡萄糖浓度”等可以指已经通过基于机器学习的估计模型估计的葡萄糖水平。在一些实施例中，估计葡萄糖值估计并跟踪间质或传感器葡萄糖值(例如，由诸如已使用由血糖计测量的测量血糖值校准的CGM设备的感测布置生成的)。
步骤1250-1280是可选的并且涉及何时以及如何在用于糖尿病管理的胰岛素管理系统的背景中使用估计的葡萄糖值。例如，在一个实施方式中，在1250，计算系统可以监控估计的葡萄糖值组或序列(例如，血糖水平的离散估计)以确定估计的葡萄糖值的序列是否在可接受的准确度范围内，该范围允许它们被胰岛素管理系统使用。计算系统如何确定估计的葡萄糖值的序列是否在可接受的准确度范围内可以取决于实施方式而变化。例如，在一些实施例中，计算系统可以通过测量估计葡萄糖值和来自血糖仪(或等效设备)的间歇葡萄糖测量值之间的差异，然后将该差异与准确度阈值进行比较，确定估计葡萄糖值的序列是否在可接受的准确度范围内。在另一个实施例中，计算系统可以通过测量估计的葡萄糖值与由CGM设备进行的不时测量之间的差异，然后将该差异与准确度阈值进行比较，确定所估计的葡萄糖值的序列是否在可接受的准确度范围内。
当估计的葡萄糖值被确定(在1250)不在允许它们被胰岛素管理系统使用的可接受的准确度范围内时，方法1200进行到1260，在那里可以生成患者或正在监测患者的其他使用者可察觉的通知或警报。例如，在一些实施例中，当估计的葡萄糖值不在可接受的准确度范围内时，可以生成通知或警报以通知使用者他们不应该相信由估计模型生成的估计的葡萄糖值并建议使用者佩戴另一个传感器(例如，CGM)来重新训练估计模型。在步骤1260可以采用许多警报方法，包括但不限于呈现(通过显示设备)与葡萄糖控制系统的通知和警报相关联的图形元素和文本(参见附图标记100，图1)。在一些实施例中，通知和警报可由与计算设备相关联的胰岛素泵设备呈现和/或经由通信耦合的个人计算设备(例如膝上型计算机、平板计算机、智能电话)呈现。此类通知和警报可以包括但不限于：音频警报(例如，声音效果、清晰的语音警报、警告)、视觉警报(例如，通过胰岛素输送泵的用户界面或显示器呈现的图形元素和文本，文本效果、闪烁或以其他方式激活的灯、颜色变化)、文本警报(例如，通过短信服务(SMS)传输的基于文本的消息、通过互联网传输的电子邮件消息)和/或生成以吸引使用者的注意力的任何其他类型的警报。此外，在一些实施例中，当确定(在1250)估计的葡萄糖值不在可接受的准确度范围内(允许它们被胰岛素管理系统使用)时，可以控制一个或多个显示器以使得估计的葡萄糖值不会呈现给使用者。在1260之后，方法1200可以在1270处结束。
当估计的葡萄糖值被确定(在1250)在允许它们被胰岛素管理系统使用的可接受的准确度范围内时，方法1200进行到1280，其中估计的葡萄糖值可以用于胰岛素递送系统，并且可以继续近乎实时地生成估计值。可以基于估计的葡萄糖值在胰岛素输送系统上采取的行动因实施方式而异。例如，可以基于估计的葡萄糖值在胰岛素递送系统处采取的动作可以包括基于估计的葡萄糖值控制胰岛素输注设备，以便它向患者施用胰岛素，或者基于估计的葡萄糖值生成患者或正在监测患者的其他使用者可以察觉的通知或警报。如下所述，纠正动作和可生成的通知或警报取决于实施方式而变化。
例如，在步骤1280的一种实施方式中，计算系统与胰岛素递送系统和基于机器学习的估计模型协同操作以监测患者的估计葡萄糖水平，并识别估计葡萄糖水平的异常。例如，计算系统可以监控估计的葡萄糖值组或序列(例如，血糖水平的离散估计)以确定估计的葡萄糖值的序列是否在低范围、高范围或可接受范围内。例如，低血糖是患者或胰岛素输送泵使用者的血流中葡萄糖的缺乏。低血糖通常与低于70毫克/分升(mg/dL)的葡萄糖值有关，这取决于某些患者特定因素。高血糖是患者或胰岛素输送泵使用者的血流中葡萄糖过多，通常与高于180mg/dL的葡萄糖值有关，这取决于某些患者特定因素。在每24小时周期内的正常、健康的血糖水平通常在70到160mg/dL之间的范围内。一系列血糖水平的异常可以包括血糖水平低于预定义的低血糖阈值、血糖水平高于预定义的高血糖阈值、接近或低于预定义的低血糖阈值的降低的血糖趋势、接近或高于预定义的高血糖阈值的升高的血糖趋势，等等。
该异常表明需要采取纠正动作以将血糖稳定性维持在适当的水平。血糖水平的异常需要干预，以使患者的血糖水平进入安全和健康的范围。因此，当估计的葡萄糖值不在可接受的范围内时，方法1200可以进行到1280，其中可以在胰岛素输注设备处采取纠正动作以向患者输送充分治疗血糖异常所需的胰岛素量，使患者的血糖水平处于正常范围内和/或调节他们的血糖水平。例如，在一些实施例中，估计的葡萄糖值可用于控制和驱动胰岛素输注设备，以便其向患者施用胰岛素。
纠正动作的示例性实施例在例如于2018年9月12日提交的题为“SYSTEMS ANDMETHODS FOR ALERTING A USER TO DETECTED EFFECTS OF A RECENT THERAPYADJUSTMENT”并被转让本发明的受让人的美国专利申请序列号16/129,552中公开，其全部内容以引用方式并入本文。在步骤1280可以采用任何数量的纠正动作或干预方法，例如施用胰岛素推注(以降低血糖水平)或施用一定量的碳水化合物、葡萄糖或其他药物(以增加血糖水平)。换言之，纠正动作可包括施用胰岛素推注(以降低高血糖血糖水平)或施用一定剂量的碳水化合物(以增加低血糖血糖水平)。
此外，在一些实施例中，在步骤1280，计算系统与胰岛素输送系统(例如，胰岛素泵或手动胰岛素注射设备，例如胰岛素笔)和基于机器学习的估计模型协同操作，以监测患者的估计的葡萄糖水平并基于估计的葡萄糖值生成患者或正在监测患者的其他使用者可感知的通知或警报(例如，通知患者或使用者当估计的葡萄糖值在过低的低范围内或在过高的高范围内时检测到的任何异常)。例如，可以向使用者发送通知或警报以提醒他们估计的葡萄糖值异常并帮助推动对药物施用的决策支持。警报的示例性实施例在例如于2018年9月12日提交的题为“SYSTEMS AND METHODS FOR ALERTING A USER TO DETECTED EFFECTSOF A RECENT THERAPY ADJUSTMENT”并被转让本发明的受让人的美国专利申请序列号16/129,552中公开，其全部内容以引用方式并入本文。在步骤1280可以采用许多警报方法，包括但不限于呈现(通过显示设备)与葡萄糖控制系统的通知和警报相关联的图形元素和文本(参见附图标记100，图1)。在一些实施例中，通知和警报可由与计算设备相关联的胰岛素泵设备呈现和/或经由通信耦合的个人计算设备(例如膝上型计算机、平板计算机、智能电话)呈现。此类通知和警报可以包括但不限于：音频警报(例如，声音效果、清晰的语音警报、警告)、视觉警报(例如，通过胰岛素输送泵的用户界面或显示器呈现的图形元素和文本，文本效果、闪烁或以其他方式激活的灯、颜色变化)、文本警报(例如，通过短信服务(SMS)传输的基于文本的消息、通过互联网传输的电子邮件消息)和/或生成以吸引使用者的注意力的任何其他类型的警报。
例如，呈现模块可以识别适当的图形元素以通过显示设备进行呈现，这些元素识别当前估计的血糖水平(例如，与患者的估计血糖水平相关联的各种图标、文本和/或图形元素)，检测到的血糖水平序列方向变化的指示，与检测到的血糖水平序列方向变化指示相关的计时数据，使用者应采取纠正措施的指示，表明使用者已经完成了纠正动作使用者输入指示的确认，等等。
例如，显示设备可以在显示设备上显示、呈现或以其他方式传达与血糖水平、血糖趋势方向变化的指示和/或与血糖水平相关的通知或警报相关的一个或多个图形表示或图像。在一些实施例中，警报可以通知患者对异常过度纠正或纠正不足。例如，在一种实施方式中，可以通过胰岛素输送泵或手动胰岛素注射设备(例如，胰岛素笔)呈现警报，从而通知患者所实施的纠正动作并未以期望的方式影响患者的血糖水平(例如，纠正动作已对异常过度纠正或纠正不足)。
在一些实施例中，响应于检测到的异常(例如，过高或过低的血糖水平)，可以呈现警报以提示使用者执行纠正动作。例如，当异常包括过高的血糖水平时，可以提示使用者(患者或医疗保健伙伴)输入命令，使胰岛素输送泵通过胰岛素输送泵施用胰岛素推注，以治疗高血糖水平。或者，通知可为医疗保健提供者提供信息以调整胰岛素输注设备的基础速率设置，以便它们适合特定患者以满足他们的需要。在另一个实施例中，当异常包括过高的血糖水平时，可以提示使用者(患者或医疗保健伙伴)在手动胰岛素注射设备(例如胰岛素笔)处输入命令以施用胰岛素。相比之下，当异常包括过低的血糖水平时，警报可以提示使用者施用一定剂量的碳水化合物以治疗低血糖水平。
此外，估计的葡萄糖值可以被其他下游系统利用，例如向使用者提供健身/锻炼建议或推荐的健身或锻炼顾问设备或应用程序。例如，估计的葡萄糖值可以与短期内的预测运动水平结合使用(使用过去几分钟的类似运动模式)来告诉患者保持当前的活动水平是否会降低高血糖或导致低血糖。
在1280之后，方法1280可以循环到开始，然后进行到步骤1210、1220和1230以等待和接收关于来自血糖仪的血糖测量的新数据、来自活动跟踪器的有关活动数据和/或来自其他来源的其他有关数据，并且重新训练模型。
图13是根据所公开的实施例的用于生成被优化用于估计特定使用者或患者的葡萄糖值的个性化模型1350的工作流程1300的框图。工作流程1300开始于1310，其中收集了多个使用者的数据。下面将更详细地描述该数据的实例。在1320，可以执行群体模型学习过程以生成一组一个或多个群体模型。在一个非限制性实施例中，深度学习网络可用于开发通用估计模型，其基于使用者群体的已学习特征。下面将参考图14-22描述可以作为1320的一部分执行的各种过程的非限制性实例。
在1330，可以选择至少一种群体模型，并且在1340，可以执行个性化模型学习过程来为每个特定使用者个性化选定的群体模型。在一个非限制性实施例中，一旦开发了群体模型，就可以基于特定使用者(例如，患者)的学习特征来调整或训练通用估计模型，以生成针对估计该特定使用者的血糖进行优化的个性化估计模型。可以为任意数量的使用者执行个性化模型学习过程1340以个性化为每个使用者选择的群体模型1330以生成为每个使用者个性化的个性化模型1350。下面将参考图23-29描述可以作为1330的一部分执行的各种过程的非限制性实例。
一旦生成个性化模型，它就可以用于多种目的，包括向特定使用者提供胰岛素治疗，而无需葡萄糖传感器，例如连续葡萄糖监测器。
下面将参考图14-22描述可以执行的群体模型学习过程的各种实施例。在这些描述中，相同的附图标记在整个图中指代相似的元件。
图14是根据所公开的实施例的机器学习系统1400的框图，该系统用于生成优化的群体模型1470以估计使用者或患者群体的葡萄糖值。
在这部分工作流程中，收集多个使用者的数据进行处理。在该实例中，收集的数据可以包括但不限于来自血糖仪或提供离散葡萄糖测量的其他传感器布置的离散葡萄糖测量数据1410、来自使用者活动数据源(例如，来自活动跟踪器、皮肤电活动传感器、温度传感器、氧气监测器等)的有关数据1420，以及来自其他来源例如关于使用者消耗的膳食的营养信息、通过使用者的胰岛素输注设备输送给使用者的胰岛素的有关数据1430。
可以在一段时间内为任意数量的使用者收集每个输入的数据。换句话说，对于群体中的每个使用者，可以为不同的输入渠道收集数据。每个不同的输入通道可以代表为每个使用者测量的不同变量。在一些实施例中，不同的输入通道可以包括(1)一天中的时间，(2)血糖水平，(3)来自诸如血糖仪的传感器的血糖(BG)测量，活动数据包括机载的(4)心率(每分钟心跳次数)、(5)MET和(6)步数、(7)活性胰岛素、(8)碳水化合物等。活性胰岛素是指已经输送至使用者的身体但尚未使用的推注胰岛素。在根据使用者先前的推注确定仍在使用者体内的任何活性胰岛素时，可以考虑活性胰岛素设置，这可以继续降低他们的血糖。
在一些实施例中，离散葡萄糖测量数据1410、来自使用者活动数据源的有关数据1420和来自其他源的有关数据1430然后可以在群体学习处理器1440处被处理以生成优化的群体模型1470。在该实例中，作为学习过程的一部分，群体学习处理器1440可以执行关于来自血糖仪的离散葡萄糖测量数据1410、来自使用者活动数据源的有关数据1420和来自其他来源的有关数据1430的各种处理任务以生成优化的群体模型1470。例如，群体学习处理器1440可以将包括本文描述的任何模型的各种机器学习模型1450，例如深度学习模型，包括但不限于CNN和RNN，应用于来自血糖仪的离散葡萄糖测量数据1410、来自使用者活动数据源的有关数据1420和来自其他来源的有关数据1430。例如，在一些实施例中，深度学习网络可以执行深度学习过程来处理特征矩阵以生成估计的血糖值序列。
群体学习处理器1440还可以基于来自血糖仪的离散葡萄糖测量数据1410、来自使用者活动数据源的有关数据1420和来自其他来源的有关数据1430进行各种参数优化。例如，一个或多个机器学习或深度学习模型可以从一系列输入(例如，来自血糖仪的离散葡萄糖测量数据1410、来自使用者活动数据源的有关数据1420和来自其他来源的有关数据1430)中学习传递函数或映射到来自葡萄糖传感器的葡萄糖测量值。该映射可以在任何时间间隔上进行，以便模型估计从单个葡萄糖值到时间上连续的一系列葡萄糖值的任何位置。每个机器学习或深度学习模型可具有一个或多个需要识别以指定数学传递函数的参数。参数优化通常包括最小化的目标函数。目标函数衡量模型的估计输出与实际测量数据之间的数学一致性。参数通常是交互调整的，直到目标函数被优化。一旦一致性水平达到期望阈值或不再提高，优化过程就终止。
图15是根据所公开的实施例的窗口化机器学习系统1500的框图，该系统用于生成优化的群体模型1570以估计使用者或患者群体的葡萄糖值。窗口化机器学习系统1500的结构类似于上面参考图14描述的机器学习系统1400的结构。因此，图14中所示的组件或方框将不再结合图15再次详细描述。
如在图14中，收集多个使用者的数据用于处理，其可以包括但不限于来自血糖仪的离散葡萄糖测量数据1510、来自使用者活动数据源的有关数据1520和来自其他源的有关数据1530。然而，在该实施例中，在将数据提供给群体学习处理器1540进行处理之前，将数据提供给窗口过滤器1535。窗口过滤器1535可以将数据分至不同的时间窗口。换句话说，可以将收集到的数据依次拆分或划分为一系列时间窗口。每个时间窗口的时间段可以小于收集数据的总时间段。每个时间窗口都包含为不同输入通道或变量(针对总体中的每个使用者)收集的数据。
在该实施例中，每个时间窗口可以包括离散葡萄糖测量数据1510、来自使用者活动数据源的有关数据1520和有关数据1530的离散段。然后可以在群体学习处理器1540处处理每个时间窗口以生成对应于特定时间窗口的优化窗口群体模型1570。作为学习过程的一部分，群体学习处理器1540可以执行上面参考图14描述的各种处理任务，除了在特定时间窗口上获取的数据上执行任务以生成优化的窗口群体模型1570之外。优化窗口群体模型1570的每个实例对输入数据的离散指定时间段执行推理。例如，在一些实施例中，如果考虑两个小时的窗口期，则优化的窗口群体模型将是对于分割为两个小时的输入数据执行最佳(例如最低误差)的模型。
图16是根据所公开的实施例的另一窗口化机器学习系统1600的框图，该系统用于生成优化的群体模型1670以估计使用者或患者群体的葡萄糖值。窗口化机器学习系统1600的结构类似于以上参照图14和图15描述的窗口化机器学习系统1400、1500的结构。因此，图14和15中所示的组件或方框将不再结合图16再次详细描述。
如在图14和15中，收集多个使用者的数据，其可以包括但不限于来自血糖仪的离散葡萄糖测量数据1610、来自使用者活动数据源的有关数据1620和来自其他源的有关数据1630。在将数据提供给群体学习处理器1640进行处理之前，将数据提供给窗口过滤器1635，该窗口过滤器可以将数据分至不同的时间窗口。每个时间窗口可以包括离散葡萄糖测量数据1610、来自使用者活动数据源的有关数据1620和有关数据1630的离散段。然后可以在群体学习处理器1640处处理来自每个时间窗口的数据以生成对应于特定时间窗口的输出(例如，估计的葡萄糖值组)，如上文参考图15描述的。作为学习过程的一部分，群体学习处理器1640可以执行上面参考图14描述的各种处理任务，除了在特定时间窗口上获取的数据上执行任务以生成优化的窗口群体模型1570之外。
在该实施例中，提供了窗口连接处理器1665，其可以连接与任意数量的时间窗口相对应的估计葡萄糖值组，以在任意数量的时间窗口上生成一组连接的估计葡萄糖值。例如，在一些实施例中，可以存储在每个时间窗口上估计的血糖序列，然后在稍后的时间将其顺序地链接在一起(例如，组装/级联)。例如，在一些实施例中，可以存储每个时间窗上估计的血糖序列，并且在构建模型时，然后可以将对应于每个时间窗口的存储的输出顺序链接在一起(例如，组装/级联)以创建使用者群体的估计模型。例如，在一些实施例中，如果考虑两小时窗口过滤器，则群体模型的输出(估计的葡萄糖值)将被限制为两小时，因此为了生成更长时期的输出，可以将来自多个窗口的多个输出连接。例如，可以将三个两小时输出连接起来以生成六小时模型输出。在一些实施例中，窗口连接步骤采用先前窗口的估计葡萄糖响应的输出来初始化后续窗口。这可以通过替换或修改输入之一以包含应用于先前窗口的估计葡萄糖响应输出个性化学习步骤的片段或全部来完成。
图17是根据所公开的实施例的另一窗口化机器学习系统1700的框图，该系统用于生成优化的群体模型1770以估计使用者或患者群体的葡萄糖值。窗口化机器学习系统1700的结构类似于以上参照图14-16描述的窗口化机器学习系统1400、1500、1600的结构。因此，图14-16中所示的组件或方框将不再结合图17再次详细描述。
如在图14-16中，收集多个使用者的数据，其可以包括但不限于来自血糖仪的离散葡萄糖测量数据1710、来自使用者活动数据源的有关数据1720和来自其他源的有关数据1730。在将数据提供给群体学习处理器1740进行处理之前，将数据提供给窗口过滤器1735，该窗口过滤器可以将数据分至不同的时间窗口。每个时间窗口可以包括离散葡萄糖测量数据1710、来自使用者活动数据源的有关数据1720和有关数据1730的离散段。然后可以在群体学习处理器1740处处理来自每个时间窗口的数据以生成对应于特定时间窗口的优化窗口群体模型1570，如上面参考图15所述。作为学习过程的一部分，群体学习处理器1740可以执行上面参考图14描述的各种处理任务，除了如参考图15所描述的对在特定时间窗口上获取的数据执行任务以生成输出(例如，估计的葡萄糖值组)之外。如参考图16所述的，窗口连接处理器1765可以连接与任意数量的时间窗口相对应的估计葡萄糖值组，以在任意数量的时间窗口上生成一组连接的估计葡萄糖值。例如，在一些实施例中，可以存储在每个时间窗口上估计的血糖序列，然后在稍后的时间输出将其顺序地链接在一起(例如，组装/级联)。在一些实施例中，窗口连接步骤采用先前窗口的估计葡萄糖响应的输出来初始化后续窗口。这可以通过替换或修改输入之一以包含应用于先前窗口的估计葡萄糖响应输出个性化学习步骤的片段或全部来完成。
在该非限制性实施例中，优化的窗口群体模型1670(在图16中生成)可以由校准优化处理器1766使用离散葡萄糖测量数据1710进一步处理以生成优化的窗口群体模型1770，该模型具有优化的校准间隔和/或校准误差(例如，更长的校准之间间隔和/或减小的校准误差)。校准优化处理器1766可以通过确定哪个校准群体模型将提供低校准误差和长校准间隔之间的最佳折衷来优化校准特性，例如校准间隔和校准误差。一般来说，间隔越长越好，因为不希望经常校准。可以通过使用离散葡萄糖测量数据1710来优化已优化窗口群体模型1770的校准间隔以调整群体模型输出以产生更准确的估计葡萄糖。例如，可以以几分钟、几小时、几周或几个月的间隔进行调整。可以通过测试每个校准间隔并选择提供最准确葡萄糖估计的群体和校准间隔来确定特定的调整间隔需求。在一些实施例中，校准间隔处理器不需要完全依赖血糖仪数据，而是可以替代地或另外地包括来自其他来源的数据。下面将参考图21和图22更详细地描述由校准优化处理器1766执行的处理。
图18是根据所公开的实施例的另一窗口化机器学习系统1800的框图，该系统用于生成优化的群体模型1870以估计使用者或患者群体的葡萄糖值。窗口化机器学习系统1800的结构类似于以上参照图14-17描述的窗口化机器学习系统1400、1500、1600、1700的结构。因此，图14-17中所示的组件或方框将不再结合图18再次详细描述。
如在图14-17中，收集多个使用者的数据，其可以包括但不限于来自血糖仪的离散葡萄糖测量数据1810、来自使用者活动数据源的有关数据1820和来自其他源的其他有关数据1830。在将数据提供给群体学习处理器1840进行处理之前，可以将数据提供给窗口过滤器1835，该窗口过滤器可以将数据分至不同的时间窗口。每个时间窗口可以包括离散葡萄糖测量数据1810、来自使用者活动数据源的有关数据1820和其他有关数据1830的离散段。然后可以在群体学习处理器1840处处理来自每个时间窗口的数据以生成对应于特定时间窗口的输出(例如，估计的葡萄糖值组)，如上文参考图15描述的。作为学习过程的一部分，群体学习处理器1840可以执行上面参考图14描述的各种处理任务，除了对在特定时间窗口上获取的数据执行任务以生成输出(例如，估计的葡萄糖值组)之外。如参考图16所述的，窗口连接处理器1865可以连接与任意数量的时间窗口相对应的估计葡萄糖值组，以在任意数量的时间窗口上生成一组连接的估计葡萄糖值。例如，在一些实施例中，可以存储在每个时间窗口上估计的血糖序列，然后在稍后的时间将其顺序地链接在一起(例如，组装/级联)。在一些实施例中，窗口连接步骤采用先前窗口的估计葡萄糖响应的输出来初始化后续窗口。这可以通过替换或修改输入之一以包含应用于先前窗口的估计葡萄糖响应输出个性化学习步骤的片段或全部来完成。
在该实施例中，优化的窗口群体模型1670(在图16中生成)可以由校准优化处理器1866使用离散葡萄糖测量数据1810和/或其他数据1867进一步处理以生成优化的窗口群体模型1770(图17)，该模型具有优化的校准间隔和/或校准误差(例如，更长的校准之间间隔和/或减小的校准误差)。
在本实施例中，其他数据1867可以包括，例如，一个或多个过去的血糖仪读数、过去的葡萄糖传感器数据、具有最小每日、每周或每月变化的时间和血糖值、来自任一模型输入的过去数据等。单独或结合离散葡萄糖测量数据1810使用其他数据1867可以提高优化窗口群体模型的校准间隔的精度和/或校准间隔的精度，这是校准优化处理器1866的输出。如上文关于校准优化处理器1766所述，来自其他来源的其他数据1867可以与离散葡萄糖测量数据1810结合使用或代替其使用。例如，其他数据1867可以提供足够的信息来提供准确的校准方法，而无需侵袭性血糖仪读数。在另一个例子中，为了减少血糖仪读数的频率(延长间隔)，可以使用其他数据1867来帮助校准模型保持群体模型准确度的令人满意的性能。由校准优化处理器1866执行的处理，以及它可以用来代替历史和血糖仪数据的各种输入或数据，将在下面参考图21和22更详细地描述。
图19是根据所公开的实施例的另一窗口化机器学习系统1900的框图，该系统用于生成优化的群体模型1970以估计使用者或患者群体的葡萄糖值。窗口化机器学习系统1900的结构类似于以上参照图14-18描述的窗口化机器学习系统1400、1500、1600、1700、1800的结构。因此，图14-18中所示的组件或方框将不再结合图19再次详细描述。
如在图14-18中，收集多个使用者的数据，其可以包括但不限于来自血糖仪的离散葡萄糖测量数据1910、来自使用者活动数据源的有关数据1920和来自其他源的有关数据1930。在将数据提供给群体学习处理器1940进行处理之前，可以将数据提供给窗口过滤器1935，该窗口过滤器可以将数据分至不同的时间窗口。每个时间窗口可以包括离散葡萄糖测量数据1910、来自使用者活动数据源的有关数据1920和有关数据1930的离散段。然后可以在群体学习处理器1940处处理来自每个时间窗口的数据以生成对应于特定时间窗口的优化窗口群体模型1570，如上面参考图15所述。作为学习过程的一部分，群体学习处理器1940可以执行上面参考图14描述的各种处理任务，除了如参考图15所描述的对在特定时间窗口上获取的数据执行任务以生成输出(例如，估计的葡萄糖值组)之外。如参考图16所述的，窗口连接处理器1965可以连接与任意数量的时间窗口相对应的估计葡萄糖值组，以在任意数量的时间窗口上生成一组连接的估计葡萄糖值。例如，在一些实施例中，可以存储在每个时间窗口上估计的血糖序列，然后在稍后的时间将其顺序地链接在一起(例如，组装/级联)。在一些实施例中，窗口连接步骤采用先前窗口的估计葡萄糖响应的输出来初始化后续窗口。这可以通过替换或修改输入之一以包含应用于先前窗口的估计葡萄糖响应输出个性化学习步骤的片段或全部来完成。如参考图17和18说明的，优化的窗口群体模型1670(在图16中生成)可以由校准优化处理器1966使用离散葡萄糖测量数据1910和/或其他数据1967进一步处理以生成优化的窗口群体模型1770(图17)，该模型具有优化的校准间隔和/或校准误差(例如，更长的校准之间间隔和/或减小的校准误差)。
在该实施例中，由校准优化处理器1966输出的优化窗口群体模型1870(图18)可以由模型可解释性分析处理器1968进一步处理以生成优化窗口群体模型1970，其对一个或多个模型输入提供生理上一致的响应。例如，人对食物摄入的典型生理响应是血糖水平升高。因此，可以测试每个候选群体模型以确保该响应至少在方向上与在临床、医学或生理上观察到的相似，或在幅度上相似。如下文将更详细地描述的，模型可解释性分析处理器1968可以调制或模拟输入并将观察到的群体模型输出(或响应)与参考或标准进行比较。这种比较可能表明模型响应的合理性和可解释性。此过程可能排除所有无法以可理解方式做出响应的模型。模型可解释性分析处理器1868可以选择和输出或生成优化的窗口群体模型1970。下面将参考图20更详细地描述由模型可解释性分析处理器1968执行的处理。
图20是根据所公开的实施例的用于选择用于估计使用者或患者群体的葡萄糖值的优化群体模型的模型可解释性分析处理器2000的框图。模型可解释性分析处理器2000可以从候选群体模型的池2080中选择优化的群体模型。选定的优化群体模型然后可以用作进一步训练和个性化的基础，以生成用于估计特定使用者或患者的葡萄糖值的个性化模型。
在这部分工作流程中，可以收集多个使用者的数据进行处理。在该实例中，收集的数据可以包括但不限于来自血糖仪的离散葡萄糖测量数据2010、来自使用者活动数据源的有关数据2020和来自其他源的有关数据2030。
来自血糖仪的离散葡萄糖测量数据2010、来自使用者活动数据源的有关数据2020和来自其他源的有关数据2030然后可以在数据调制处理器2040处进行处理以生成数据的调制形式。例如，在一些实施例中，可以调制(修改)或模拟输入数据以产生一个或多个输入的内容的变化。调制数据由群体模型执行以生成估计的葡萄糖输出。在模型响应测试步骤中，将输出的估计葡萄糖输出与代表对类似输入数据调制的人类生理响应的典型方向性或幅度的参考或标准进行比较。所述参考或标准可以是，但不限于，记录在案或一般知道如何在临床、医学或生理学上典型地观察到的那些。例如，人对胰岛素的典型生理响应是血糖水平下降。在生理上准确的模型中，通过降低胰岛素水平的幅度来调节胰岛素输入应该导致较低的估计葡萄糖输出。
在2050到2060处，模型可解释性分析处理器2000然后可以执行处理以评估多个群体模型中的每个群体模型，以确定那些群体模型中的哪些应该被添加到候选群体模型的池2080中，然后从候选群体模型池2080选择(在2090)优化群体模型作为优化群体模型(例如，优化窗口群体模型、优化窗口群体模型等)。在2050，模型可解释性分析处理器2000选择要执行的群体模型并将数据的调制形式应用于所选群体模型以生成对数据调制形式的响应。在2055，模型可解释性分析处理器2000可以执行各种测试，其帮助评估或评价响应(在2050生成的)在生理上是否合理。在2060，模型可解释性分析处理器2000然后可以分析或评估在2055生成的测试结果以确定所选群体模型的响应是否是合理的生理响应。当模型可解释性分析处理器2000(在2060)确定在2055生成的测试结果表明所选群体模型的响应不是合理的生理响应时，则模型可解释性分析处理器2000不再考虑所选群体模型。
相比之下，当模型可解释性分析处理器2000(在2060)确定在2055生成的测试结果表明所选群体模型的响应是合理的生理响应时，则模型可解释性分析处理器2000在2070将所选群体模型添加到候选群体模型的池2080中。在2090，模型可解释性分析处理器2000可以从候选群体模型的池2080中选择优化的群体模型。选定的优化群体模型然后可以用作进一步训练和个性化的基础，以生成用于估计特定使用者或患者的葡萄糖值的个性化模型。
再次参考图17至19，校准优化处理器1766、1866、1966可以识别提供最佳性能的校准模型，并且还可以识别用于开发校准模型的最佳输入类型(例如，选择最佳校准方法)。下面将参考图21和22更详细地描述由校准优化处理器1766、1866、1966执行的处理。
图21是根据所公开的实施例的用于选择优化的校准模型2170的校准优化处理器2100的框图。校准优化处理器2100可以选择优化校准模型2170以用作校准用于估计使用者群体的葡萄糖值的群体模型的基础。
在工作流程过程的这部分期间，可以从不同的潜在校准源2110、2120、2130、2140收集数据用于处理和评估。在该实例中，收集的数据可以包括但不限于从血糖仪收集的离散葡萄糖测量数据2010、历史或传感器葡萄糖趋势数据2120、统计或启发式校准点预测数据2130和来自血糖读数稳定性分析的葡萄糖值数据2140。历史或传感器葡萄糖趋势可以包括但不限于来自过去的葡萄糖值、几天的葡萄糖传感器数据、一天中葡萄糖较少或最少变化的时间点。统计或启发式校准点预测可包括但不限于估计或预测给定时间点的葡萄糖值的统计、经验或基于规则的方法，其可用于校准群体模型。来自血糖读数稳定性分析的葡萄糖值可以包括但不限于每小时、每天、每周或每月的葡萄糖变异性分析。可以选择与其他时间段相比最稳定、变化较小或变化最小的葡萄糖值来校准群体模型。每个数据源2110、2120、2130、2140或它们的组合可以应用于校准群体模型处理器2150以生成应用于群体模型的校准模型，生成相应的校准群体模型响应。换句话说，虽然图21说明了每个数据源2110、2120、2130、2140和每个校准群体模型处理器2150之间的单个箭头，但应该理解，在其他实施方式中，每个数据源2110、2120、2130、2140可以链接到每个校准群体模型处理器2150。
误差和间隔分析处理器2160可以接收每个校准的其他模型响应。对于每个校准的群体模型响应，误差和间隔分析处理器2160可以(1)执行误差分析并生成误差结果，该误差结果指示与测量的葡萄糖值相比校准群体模型响应的性能，以及(2)执行间隔分析以生成间隔结果，该结果指示需要使用给定输入校准群体模型的频率。对于每个响应，误差和间隔分析处理器2160然后可以评估相应的误差结果和相应的间隔结果。
在2170，基于对每种类型的校准模型的所有误差结果/间隔结果组合的评估，校准优化处理器2100可以比较每种类型校准模型的任何给定群体模型的性能，以确定该给定群体模型的优化的校准模型。例如，可以选择优化的校准模型以最小化误差、最大化校准之间的时间和/或减少使用者或患者的负担。例如，每隔几分钟读取一次血糖仪可以最大限度地减少误差，但会给使用者带来负担，因此校准间隔过于频繁。血糖仪被认为是一种侵袭性测量，因此对患者来说是一种负担，因此基于替代输入源的侵袭性较小或非侵袭性的其他校准模型之一可能是优选的。误差、校准间隔和患者负担之间的权衡可能基于目标功能、临床标准或产品、法规或业务要求。
图22是根据所公开的实施例的用于选择要用于开发优化校准模型的最佳输入类型的校准优化处理器2200的框图。当校准用于估计使用者群体的葡萄糖值的任何给定群体模型时，校准优化处理器2200可以选择一个或多个输入以与优化校准模型一起使用。
在工作流程过程的这部分期间，可以从不同的潜在校准源2210、2220、2230、2240、2245收集数据用于处理和评估。在该实例中，收集的数据可以包括但不限于从血糖仪收集的离散葡萄糖测量数据2010、历史或传感器葡萄糖趋势数据2220、统计或启发式校准点预测数据2230、来自血糖读数稳定性分析的葡萄糖值数据2240，以及来自使用者活动数据源(例如，活动跟踪器)的有关数据2245，和/或来自其他来源的有关数据2245，其他来源例如关于使用者所消耗的膳食的营养信息、通过使用者的胰岛素输注设备向使用者递送的胰岛素等。历史或传感器葡萄糖趋势可以包括但不限于过去的葡萄糖值、几天的葡萄糖传感器数据、一天中葡萄糖较少或最少变化的时间点。统计或启发式校准点预测可包括但不限于估计或预测给定时间点的葡萄糖值的统计、经验或基于规则的方法，其可用于校准群体模型。来自血糖读数稳定性分析的葡萄糖值可以包括但不限于每小时、每天、每周或每月的葡萄糖变异性分析。可以选择与其他时间段相比最稳定、变化较小或变化最小的葡萄糖值来校准群体模型。每个数据源2210、2220、2230、2240、2245或它们的组合可以应用于校准群体模型处理器2250以生成应用于群体模型的校准模型，生成相应的校准群体模型响应。换句话说，虽然图22说明了每个数据源2210、2220、2230、2240和每个校准群体模型处理器2250之间的单个箭头，但应该理解，在其他实施方式中，每个数据源2210、2220、2230、2240可以链接到每个校准群体模型处理器2250。
误差和间隔分析处理器2260可以接收每个校准的其他模型响应。对于每个校准的群体模型响应，误差和间隔分析处理器2260可以(1)执行误差分析并生成误差结果，该误差结果指示与测量的葡萄糖值相比校准群体模型响应的性能，以及(2)执行间隔分析以生成间隔结果，该结果指示需要使用给定输入校准群体模型的频率。对于每个响应，误差和间隔分析处理器2260然后可以评估相应的误差结果和相应的间隔结果。
在2270，基于对每种类型的校准模型的所有误差结果/间隔结果组合的评估，校准优化处理器2200可以比较每种类型校准模型的任何给定群体模型的性能，以确定该给定群体模型的优化的校准模型。例如，可以选择优化的校准模型以最小化误差、最大化校准之间的时间和/或减少使用者或患者的负担。例如，每隔几分钟读取一次血糖仪可以最大限度地减少误差，但会给使用者带来负担，因此校准间隔过于频繁。血糖仪被认为是一种侵袭性测量，因此对患者来说是一种负担，因此基于替代输入源的侵袭性较小或非侵袭性的其他校准模型之一可能是优选的。误差、校准间隔和患者负担之间的权衡可能基于目标功能、临床标准或产品、法规或业务要求。
在该实施例中，一旦(在2270)确定了优化校准模型，校准优化处理器2200可以在2280基于对每种类型的输入的所有误差结果/间隔结果组合的评估，确定或选择最优类型的输入，以在用于校准任何给定总体模型时与(来自2270的)该优化校准模型一起使用。因此，一旦(在2270)确定了优化校准模型，校准优化处理器2200可以(在2280)选择输入2210、2220、2230、2240、2245中的一种或多种类型以与该优化校准模型一起使用。
如上所述，可以选择至少一种群体模型，并且可以执行个性化模型学习过程来为每个特定使用者个性化选定的群体模型。下面将参考图23-29描述可以执行的个性化模型学习过程的各种实施例。在这些描述中，相同的附图标记在整个图中指代相似的元件。
图23是根据所公开的实施例的用于生成用于估计针对特定使用者或患者个性化的葡萄糖值的优化个人模型2370的机器学习系统2300的框图。在这部分工作流程中，收集特定使用者的数据进行处理。在该实例中，收集的数据可以包括但不限于来自血糖仪或提供来自使用者的离散葡萄糖测量的其他传感器布置的离散葡萄糖测量数据2310、来自使用者活动数据源(例如，活动跟踪器)的关于使用者的有关数据2320和来自其他来源的关于使用者的有关数据2330，其他来源例如关于使用者消耗的膳食的营养信息、由使用者的胰岛素输注设备输送给使用者的胰岛素。
可以在一段时间内为特定使用者收集每个输入的数据。换句话说，可以为不同的输入通道收集特定使用者的数据。每个不同的输入通道可以代表为该使用者测量的不同变量。在一些实施例中，不同的输入通道可以包括(1)一天中的时间，(2)血糖水平，(3)来自诸如CGM设备的传感器的血糖(BG)测量，活动数据包括机载的(4)心率(每分钟心跳次数)、(5)MET和(6)步数、(7)活性胰岛素、(8)碳水化合物等。
在一些实施例中，离散葡萄糖测量数据2310、来自使用者活动数据源的有关数据2320和来自其他源的有关数据2330然后可以在个性化学习处理器2340处连同特定群体模型2305一起处理以训练或调整特定群体模型2305并且从而产生针对特定使用者或患者量身定制的优化个人模型2370。在一些实施例中，特定群体模型2305用作机器学习模型2350并基于输入2310、2320、2330进行学习，使得特定群体模型2305被转换(例如，被重新训练和优化/针对使用者个性化)成为优化的用于估计针对特定使用者或患者个性化的葡萄糖值的个人模型2370。在其他实施例中，特定群体模型2305是机器学习模型2350的集成的一个模型，并且机器学习模型2350的集成基于输入2310、2320、2330进行学习，使得集成被转换为优化的用于估计针对特定使用者或患者个性化的葡萄糖值的个人模型2370。在该实例中，作为个性化学习过程的一部分，个性化学习处理器2340可以执行关于来自血糖仪的离散葡萄糖测量数据2310、来自使用者活动数据源的有关数据2320和来自其他来源的有关数据2330的各种处理任务，以训练或调整特定群体模型2305以生成优化的个人模型2370。例如，个性化学习处理器2340可以将各种机器学习模型2350(包括特定群体模型2305)应用到离散葡萄糖测量数据2310、来自使用者活动数据源的有关数据2320和来自其他源的其他有关数据2330以训练或调整特定群体模型2305。在另一个实施例中，特定群体模型2305与单独的个性化模型组合以创建构成单个优化的个人模型的群体和个性化模型的集成。在另一个实施例中，特定群体模型2305可以被忽略和跳过(例如，给定零或接近零的权重)，在这种情况下，个性化学习处理器2340可以应用其他各种机器学习模型2350来生成优化的为特定使用者或患者量身定制的个人模型2370。
个性化学习处理器2340还可以基于来自血糖仪的离散葡萄糖测量数据2310、来自使用者活动数据源的有关数据2320和来自其他源的有关数据2330来执行各种参数优化以进一步训练特定群体模型2305。例如，一个或多个机器学习或深度学习模型可以学习从一系列输入到来自葡萄糖传感器的葡萄糖测量的传递函数或映射。该映射可以在任何时间间隔上进行，以便模型估计从单个葡萄糖值到时间上连续的一系列葡萄糖值的任何位置。每个机器学习或深度学习模型可具有一个或多个需要识别以指定数学传递函数的参数。参数优化通常包括必须被最小化的目标函数。目标函数衡量模型的估计输出与实际测量葡萄糖值之间的数学一致性。参数通常是交互调整的，直到目标函数被优化。一旦一致性水平达到期望阈值或不再提高，优化过程就终止。
图24是根据所公开的实施例的用于生成用于估计针对特定使用者或患者个性化的葡萄糖值的优化个人模型2470的窗口化机器学习系统2400的框图。窗口化机器学习系统2400的结构类似于上面参考图23描述的机器学习系统2300的结构。因此，图23中所示的组件或方框将不再结合图24再次详细描述。
如上参考图23所述，收集特定使用者的数据用于处理，其可以包括但不限于来自血糖仪的离散葡萄糖测量数据2410、来自使用者活动数据源的有关数据2420和来自其他源的有关数据2430。然而，在该实施例中，在将数据提供给个性化学习处理器2440进行处理之前，将数据提供给窗口过滤器2435。窗口过滤器2435可以将数据分至不同的时间窗口。换句话说，可以将收集到的数据依次拆分或划分为一系列时间窗口。每个时间窗口的时间段可以小于收集数据的总时间段。每个时间窗口都包含为不同输入通道或变量(针对个性化的每个使用者)收集的数据。
在该实施例中，每个时间窗口可以包括离散葡萄糖测量数据2410、来自使用者活动数据源的有关数据2420和特定使用者的有关数据2430的离散段。然后可以在个性化学习处理器2440处处理每个时间窗口以生成对应于特定时间窗口的优化的个人模型2470。作为学习过程的一部分，个性化学习处理器2440可以执行上面参考图23描述的各种处理任务，除了在特定时间窗口上获取的数据上执行任务以生成优化的个人模型2470之外。优化的个人模型2470的每个实例对输入数据的离散指定时间段执行推理。例如，在一些实施例中，如果考虑两个小时的窗口期，则优化的个性化模型可以是对于分割为两个小时的输入数据执行最佳(例如最低误差)的模型。
图25是根据所公开的实施例的用于生成用于估计针对特定使用者或患者个性化的葡萄糖值的优化个人模型2570的另一个窗口化机器学习系统2500的框图。窗口化机器学习系统2500的结构类似于以上参照图23和图24描述的窗口化机器学习系统2400的结构。因此，图23和24中所示的组件或方框将不再结合图25再次详细描述。
如在图23和24中，收集特定使用者的数据，其可以包括但不限于来自血糖仪的离散葡萄糖测量数据2510、来自使用者活动数据源的有关数据2520和来自其他源的有关数据2530。在将数据提供给个性化学习处理器2540进行处理之前，将数据提供给窗口过滤器2535，该窗口过滤器可以将数据分至不同的时间窗口。每个时间窗口可以包括离散葡萄糖测量数据2510、来自使用者活动数据源的有关数据2520和有关数据2530的离散段。然后可以在个性化学习处理器2540处处理来自每个时间窗口的数据以生成对应于特定时间窗口的输出(例如，估计的葡萄糖值组)，如上面参考图24描述的。作为学习过程的一部分，个性化学习处理器2540可以执行上面参考图23描述的各种处理任务，除了在特定时间窗口上获取的数据上执行任务以生成优化的个人模型2470之外。
在该实施例中，提供了窗口连接处理器2565，其可以连接与任意数量的时间窗口相对应的估计葡萄糖值组，以在任意数量的时间窗口上生成一组连接的估计葡萄糖值。例如，在一些实施例中，可以存储在每个时间窗口上估计的血糖序列，然后在稍后的时间将其顺序地链接在一起(例如，组装/级联)。例如，在一些实施例中，可以存储每个时间窗口上估计的血糖序列，并且然后可以将对应于每个时间窗口的存储的输出顺序链接在一起(例如，组装/级联)。在一些实施例中，窗口连接步骤采用先前窗口的估计葡萄糖响应的输出来初始化后续窗口。这可以通过替换或修改一个或多个输入以包含应用于先前窗口的估计葡萄糖响应输出个性化学习步骤的片段或全部来完成。
图26是根据所公开的实施例的用于生成用于估计针对特定使用者或患者个性化的葡萄糖值的优化个人模型2670的另一个窗口化机器学习系统2600的框图。窗口化机器学习系统2600的结构类似于以上参照图23-25描述的窗口化机器学习系统2500的结构。因此，图23-25中所示的组件或方框将不再结合图26再次详细描述，除非它们在图26的实施例中不同地执行。
如在图23-25中，收集特定使用者的数据，其可以包括但不限于来自血糖仪的离散葡萄糖测量数据2610、来自使用者活动数据源的有关数据2620和来自其他源的有关数据2630。在将数据提供给个性化学习处理器2640进行处理之前，将数据提供给窗口过滤器2635，该窗口过滤器可以将数据分至不同的时间窗口。每个时间窗口可以包括离散葡萄糖测量数据2610、来自使用者活动数据源的有关数据2620和有关数据2630的离散段。然后可以在个性化学习处理器2640处处理来自每个时间窗口的数据以生成对应于特定时间窗口的优化个人模型2470，如上面参考图24所述。作为学习过程的一部分，个性化学习处理器2640可以执行上面参考图23描述的各种处理任务，除了如参考图24所描述的对在特定时间窗口上获取的数据执行任务以生成输出(例如，估计的葡萄糖值组)之外。如参考图25所述的，窗口连接处理器2665可以连接与任意数量的时间窗口相对应的估计葡萄糖值组，以在任意数量的时间窗口上生成一组连接的估计葡萄糖值。例如，在一些实施例中，可以存储在每个时间窗口上估计的血糖序列，然后在稍后的时间将其顺序地链接在一起(例如，组装/级联)。在一些实施例中，窗口连接步骤采用先前窗口的估计葡萄糖响应的输出来初始化后续窗口。这可以通过替换或修改输入之一以包含应用于先前窗口的估计葡萄糖响应输出个性化学习步骤的片段或全部来完成。
在该实施例中，(在图25中生成的)优化的个人模型2570可以由校准优化处理器2666使用离散葡萄糖测量数据2610和/或其他数据2667进一步处理以生成具有优化的校准间隔的优化的个人模型2670。可以通过使用离散葡萄糖测量数据2610来优化已优化的个人模型2670的校准间隔。在一些实施例中，(在图25中生成的)优化的个人模型2570可以由校准优化处理器2666使用离散葡萄糖测量数据2610进一步处理以生成优化的个人模型2670。在其他实施例中，校准优化处理器2666还可以处理其他数据，例如具有或不具有离散葡萄糖测量数据2610的其他数据2667以生成优化的个人模型2670。在一些实施例中，其他数据2767可以包括以下的一种或多种，例如，一个或多个过去的血糖仪读数、过去的葡萄糖传感器数据、具有最小每日、每周或每月变化的时间和血糖值、来自任一模型输入的过去数据等。结合离散葡萄糖测量数据2610使用其他数据2667可以提高优化个人模型的校准间隔的精度，这是校准优化处理器2666的输出。由校准优化处理器2666执行的处理可以如上文参考图21和22所描述的那样执行。
图27是根据所公开的实施例的用于生成用于估计针对特定使用者或患者个性化的葡萄糖值的优化个人模型2770的另一个窗口化机器学习系统2700的框图；窗口化机器学习系统2700的结构类似于以上参照图23-26描述的窗口化机器学习系统2600的结构。因此，图23-26中所示的组件或方框将不再结合图27再次详细描述，除非它们在图27的实施例中不同地执行。
如在图23-26中，收集特定使用者的数据，其可以包括但不限于来自血糖仪的离散葡萄糖测量数据2710、来自使用者活动数据源的有关数据2720和来自其他源的有关数据2730。在将数据提供给个性化学习处理器2740进行处理之前，可以将数据提供给窗口过滤器2735，该窗口过滤器可以将数据分至不同的时间窗口。每个时间窗口可以包括离散葡萄糖测量数据2710、来自使用者活动数据源的有关数据2720和有关数据2730的离散段。然后可以在个性化学习处理器2740处处理来自每个时间窗口的数据以生成对应于特定时间窗口的优化个人模型2470(图24)，如上面参考图24所述。作为学习过程的一部分，个性化学习处理器2740可以执行上面参考图23描述的各种处理任务，除了如参考图24所描述的对在特定时间窗口上获取的数据执行任务以生成输出(例如，估计的葡萄糖值组)之外。如参考图25所述的，窗口连接处理器2765可以连接与任意数量的时间窗口相对应的估计葡萄糖值组，以在任意数量的时间窗口上生成一组连接的估计葡萄糖值。例如，在一些实施例中，可以存储在每个时间窗口上估计的血糖序列，然后在稍后的时间将其顺序地链接在一起(例如，组装/级联)。在一些实施例中，窗口连接步骤采用先前窗口的估计葡萄糖响应的输出来初始化后续窗口。这可以通过替换或修改输入之一以包含应用于先前窗口的估计葡萄糖响应输出个性化学习步骤的片段或全部来完成。
如参考图26所解释的，在一些实施例中，(在图25中生成的)优化的个人模型2570可以由校准优化处理器2766进一步处理以生成优化的个人模型2670(图26)。
在该实施例中，由校准优化处理器2766输出的优化的个人模型然后可以由模型可解释性分析处理器2768进一步处理以生成优化的个人模型2770，其提供对一个或多个模型输入的生理上一致的响应。例如，人对食物摄入的典型生理响应是血糖水平升高。因此，可以测试每个候选群体模型以确保该响应至少在方向上与在临床、医学或生理上观察到的相似，或在幅度上相似。如参考图19和图20所描述的，模型可解释性分析处理器2768可以调制或模拟输入并将观察到的个体模型输出(或响应)与参考或标准进行比较。这种比较可能表明模型响应的合理性和可解释性。此过程可能排除所有无法以可理解方式做出响应的模型。模型可解释性分析处理器2768可以选择和输出或生成优化的窗口群体模型1970。
图28是说明根据所公开的实施例的间歇CGM系统2800的框图。系统2800包括个性化模型2840和校准模型2850。个性化模型2840可以指任何类型的个性化模型，包括上述优化和窗口化的个人模型。一旦个性化模型2840和校准模型2850已经被适当训练，它们就可以被特定使用者或患者部署和使用。部署后，可以连续接收特定使用者的输入数据。在该实施例中，该输入数据可以包括但不限于来自该特定使用者或患者的血糖仪的离散葡萄糖测量数据2810、来自该特定使用者或患者的使用者活动数据源的有关数据2820、和来自该特定使用者或患者的其他来源的有关数据2830。个性化模型2840可以接收并处理输入的数据以生成连续时间序列的估计的葡萄糖值2870。估计的葡萄糖值2870然后可以用于多种目的。例如，作为一个非限制性实例，估计的葡萄糖值2870可以与胰岛素输注系统结合使用以在不需要葡萄糖传感器的情况下向特定使用者或患者提供类似CGM的治疗。校准模型2850可用于校准个性化模型2840，以帮助提高模型的性能并确保其准确执行。
图29是说明根据所公开的实施例的另一间歇CGM系统2900的框图。间歇CGM系统2900的结构类似于上面参考图28描述的间歇CGM系统2800的结构。因此，图28中所示的组件或方框将不再结合图29再次详细描述，除非它们在图28的实施例中不同地执行。在该实施例中，在将输入数据提供给个性化模型2940进行处理之前，将数据提供给窗口过滤器2935，该窗口过滤器可以将输入数据分至不同的时间窗口。每个时间窗口可以包括该特定使用者或患者的离散葡萄糖测量数据2910、来自该特定使用者或患者的使用者活动数据源的有关数据2920以及该特定使用者或患者的有关数据2930的离散片段。然后可以在个性化模型2940处处理来自每个时间窗口的数据以生成对应于特定时间窗口的时间序列的估计的葡萄糖值2970。在一些实施例中，提供了窗口连接处理器2965，其可以连接与任意数量的时间窗口相对应的估计葡萄糖值2970组，以在任意数量的时间窗口上生成一组连接的估计葡萄糖值2970。例如，在一些实施例中，可以存储在每个时间窗口上估计的血糖序列，然后在稍后的时间将其顺序地链接在一起(例如，组装/级联)。在一些实施例中，窗口连接步骤采用先前窗口的估计葡萄糖响应的输出来初始化后续窗口。这可以通过替换或修改输入之一以包含应用于先前窗口的估计葡萄糖响应输出个性化学习步骤的片段或全部来完成。
虽然前述具体实施方式中已经呈现了至少一个示例性实施例，但是应当理解，存在大量变化。还应当理解，本文中描述的一个或多个示例性实施例并非旨在以任何方式限制所要求保护的主题的范围、适用性或配置。更准确地说，前述具体实施方式将向本领域的技术人员提供用于实施所描述的一个或多个实施例的方便的指南。应理解，可在不脱离由权利要求书所限定的范围的情况下对元件的功能和布置做出各种改变，权利要求书所限定的范围包括于提交本专利申请时的已知等效物和可预见的等效物。
Claims (16)
1.一种估计使用者的血糖值的方法，包括：
接收包括由使用者活动数据的来源收集的有关活动数据的第一组输入以及包括从血糖仪提供的间歇葡萄糖测量值的第二组输入；和
经由在处理器设备处执行的用于所述使用者的估计模型处理第一组输入和第二组使用者输入以生成一组估计的葡萄糖值，其中所述估计模型是集成模型，其包括：一种或多种机器学习算法，以及生理模型。
2.根据权利要求1所述的方法，其中所述一种或多种机器学习算法包括以下的至少一种：
一个或多个人工神经网络；
一个或多个回归模型；
一个或多个决策树模型；
一个或多个支持向量机；
一个或多个贝叶斯网络；
一个或多个概率机器学习模型；
一个或多个高斯处理模型；
一个或多个隐马尔可夫模型；以及
一个或多个深度学习网络。
3.根据权利要求1或2所述的方法，其中从所述使用者活动数据的来源收集的所述有关活动数据包括以下的一项或多项：
关于所述使用者的代谢数据；和
关于所述使用者的身体活动数据。
4.根据权利要求1、2或3所述的方法，其中处理包括：
经由在所述处理器设备处执行的用于所述使用者的所述估计模型，仅处理第一组输入和第二组使用者输入，以在不使用来自连续葡萄糖传感器布置的信息的情况下生成所述一组估计的葡萄糖值。
5.根据任一前述权利要求所述的方法，其中接收包括：
接收包括由所述使用者活动数据的来源收集的所述有关活动数据的第一组输入、包括从血糖仪提供的间歇葡萄糖测量的第二组输入、包括由使用者输入的营养信息的第三组输入以及包括由所述使用者的胰岛素输注设备输送的胰岛素的第四组输入；并且
其中处理包括：
经由在所述处理器设备处执行的用于所述使用者的所述估计模型处理第一组输入、第二组输入、第三组输入和第四组输入以生成所述一组估计的葡萄糖值，其中所述一组估计的葡萄糖值跟踪实际的葡萄糖值。
6.根据任一前述权利要求所述的方法，其中所述处理器设备在后端服务器系统处实施，其中所述估计模型在所述后端服务器系统处作为网络应用程序的一部分执行，并且其中所述后端服务器系统被配置为将处理所述估计的葡萄糖值的结果发送到客户端设备和胰岛素输注设备中的一个或多个。
7.根据任一前述权利要求所述的方法，其中所述处理器设备在客户端设备处实施，其中所述估计模型在所述客户端设备处作为移动应用程序的一部分执行，或者其中所述处理器设备在胰岛素输注设备处实施。
8.根据任一前述权利要求所述的方法，还包括：
确定所述估计的葡萄糖值是否在可接受的准确度范围内；
当所述估计的葡萄糖值不在可接受的准确度范围内时，生成所述使用者可察觉的第一通知；和
当所述估计的葡萄糖值在可接受的准确度范围内时，基于所述估计的葡萄糖值控制胰岛素输注设备的胰岛素输送。
9.一种基于处理器的计算设备，包括：
至少一个处理器设备；以及
可操作地与所述至少一个处理器设备相关联的非暂时性处理器可读介质，所述处理器可读介质包含可配置成使所述至少一个处理器设备执行一种方法的可执行指令，所述方法包含：
接收包括由使用者活动数据的来源收集的有关活动数据的第一组输入以及包括从血糖仪提供的间歇葡萄糖测量值的第二组输入；和
经由在处理器设备处执行的用于所述使用者的估计模型处理第一组输入和第二组使用者输入以生成一组估计的葡萄糖值，其中所述估计模型是集成模型，其包括：
一种或多种机器学习算法；以及生理模型。
10.根据权利要求9所述的计算设备，其中所述一种或多种机器学习算法包括以下的至少一种：
一个或多个人工神经网络；
一个或多个回归模型；
一个或多个决策树模型；
一个或多个支持向量机；
一个或多个贝叶斯网络；
一个或多个概率机器学习模型；
一个或多个高斯处理模型；
一个或多个隐马尔可夫模型；以及
一个或多个深度学习网络。
11.根据权利要求9或10所述的计算设备，其中从所述使用者活动数据的来源收集的所述有关活动数据包括以下的一项或多项：
关于所述使用者的代谢数据；和
关于所述使用者的身体活动数据。
12.根据权利要求9、10或11所述的计算设备，所述方法还包含：
确定所述估计的葡萄糖值是否在可接受的准确度范围内；
当所述估计的葡萄糖值不在可接受的准确度范围内时，生成所述使用者可察觉的第一通知；和
当所述估计的葡萄糖值在可接受的准确度范围内时，基于所述估计的葡萄糖值控制胰岛素输注设备的胰岛素输送。
13.根据权利要求9、10、11或12所述的计算设备，其中处理包括：
经由在所述处理器设备处执行的用于所述使用者的所述估计模型，仅处理第一组输入和第二组使用者输入，以在不使用来自连续葡萄糖传感器布置的信息的情况下生成所述一组估计的葡萄糖值。
14.根据权利要求9、10、11、12或13所述的计算设备，其中接收包括：
接收包括由所述使用者活动数据的来源收集的所述有关活动数据的第一组输入、包括从血糖仪提供的间歇葡萄糖测量的第二组输入、包括由使用者输入的营养信息的第三组输入以及包括由所述使用者的胰岛素输注设备输送的胰岛素的第四组输入；并且
其中处理包括：
经由在所述处理器设备处执行的用于所述使用者的所述估计模型处理第一组输入、第二组输入、第三组输入和第四组输入以生成所述一组估计的葡萄糖值，其中所述一组估计的葡萄糖值跟踪实际的葡萄糖值。
15.一种胰岛素输注和管理系统，其包括：
胰岛素输注设备，其被配置为向使用者输送胰岛素；
血糖仪；
使用者活动数据的来源；和
根据权利要求9至14中任一项所述的基于处理器的计算设备，其中
所述基于处理器的计算设备支持与所述胰岛素输注设备的数据通信，并且被配置为基于所述一组估计的葡萄糖值控制由所述胰岛素输注设备向所述使用者输送胰岛素。
16.一种估计特定使用者的葡萄糖值的方法，包括：
对于多个使用者中的每一个：接收包括由使用者活动数据的来源收集的有关活动数据的第一组输入以及包括从血糖仪提供的间歇葡萄糖测量值的第二组输入；
经由在处理器设备处执行的机器学习模型处理第一组输入中的每一个和第二组输入中的每一个以生成用于所述多个使用者的群体模型；
通过所述机器学习模型处理所述特定使用者的输入，以将所述群体模型转换为针对所述特定使用者优化的个性化模型；和
在另一处理器设备处经由所述个性化模型处理所述特定使用者的有关活动数据和所述使用者的至少一个葡萄糖测量值，以生成所述特定使用者的一组估计的葡萄糖值。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US16/533,470 | 2019-08-06 | ||
| US16/533,470 US11883208B2 (en) | 2019-08-06 | 2019-08-06 | Machine learning-based system for estimating glucose values based on blood glucose measurements and contextual activity data |
| PCT/US2020/045293 WO2021026399A1 (en) | 2019-08-06 | 2020-08-06 | Machine learning-based system for estimating glucose values |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114222597A true CN114222597A (zh) | 2022-03-22 |
Family
ID=74498283
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202080055157.8A Pending CN114222597A (zh) | 2019-08-06 | 2020-08-06 | 用于估计葡萄糖值的基于机器学习的系统 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US11883208B2 (zh) |
| EP (1) | EP4010906A1 (zh) |
| CN (1) | CN114222597A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023197426A1 (zh) * | 2022-04-12 | 2023-10-19 | 乐普（北京）医疗器械股份有限公司 | 一种结合大数据模型和个性化模型的血糖预测方法和装置 |
| US11883208B2 (en) | 2019-08-06 | 2024-01-30 | Medtronic Minimed, Inc. | Machine learning-based system for estimating glucose values based on blood glucose measurements and contextual activity data |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220039755A1 (en) | 2020-08-06 | 2022-02-10 | Medtronic Minimed, Inc. | Machine learning-based system for estimating glucose values |
| US11966840B2 (en) * | 2019-08-15 | 2024-04-23 | Noodle Analytics, Inc. | Deep probabilistic decision machines |
| US12027277B1 (en) * | 2019-12-05 | 2024-07-02 | Evidation Health, Inc. | Active learning for wearable health sensor |
| US20210173855A1 (en) * | 2019-12-10 | 2021-06-10 | Here Global B.V. | Method, apparatus, and computer program product for dynamic population estimation |
| US12033761B2 (en) | 2020-01-30 | 2024-07-09 | Evidation Health, Inc. | Sensor-based machine learning in a health prediction environment |
| AU2020450952A1 (en) * | 2020-05-27 | 2022-11-10 | Dexcom, Inc. | Glucose prediction using machine learning and time series glucose measurements |
| US20210378563A1 (en) * | 2020-06-03 | 2021-12-09 | Dexcom, Inc. | Glucose measurement predictions using stacked machine learning models |
| CN112820392B (zh) * | 2021-02-18 | 2024-06-18 | 江苏爱朋医疗科技股份有限公司 | 自调节的输液泵控制方法、系统及计算机介质 |
| CN113133762B (zh) * | 2021-03-03 | 2022-09-30 | 刘欣刚 | 一种无创血糖预测方法及装置 |
| CN113317783B (zh) * | 2021-04-20 | 2022-02-01 | 港湾之星健康生物(深圳)有限公司 | 多模个性化纵横校准的方法 |
| CN113940640B (zh) * | 2021-11-12 | 2023-04-18 | 清华大学 | 心血管疾病风险控制方法、系统及存储介质 |
| WO2023150428A1 (en) | 2022-02-03 | 2023-08-10 | Evidation Health, Inc. | Systems and methods for self-supervised learning based on naturally-occurring patterns of missing data |
| EP4283624A1 (en) * | 2022-05-27 | 2023-11-29 | Insulet Corporation | Assessment of past insulin delivery outcomes to automatically tune mda systems |
| WO2024194016A1 (en) * | 2023-03-17 | 2024-09-26 | Hedia Aps | Computational architecture to determine recommendations for modifying patient blood glucose levels |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050043598A1 (en) * | 2003-08-22 | 2005-02-24 | Dexcom, Inc. | Systems and methods for replacing signal artifacts in a glucose sensor data stream |
| CN104837517A (zh) * | 2012-12-07 | 2015-08-12 | 安尼马斯公司 | 用于调谐人工胰腺的闭环控制器的方法和系统 |
| US20160038673A1 (en) * | 2013-03-15 | 2016-02-11 | Animas Corporation | Insulin time-action model |
| US20160256629A1 (en) * | 2012-08-30 | 2016-09-08 | Medtronic Minimed, Inc. | Sensor model supervisor for a closed-loop insulin infusion system |
| US20180190375A1 (en) * | 2016-12-30 | 2018-07-05 | Suggestic, Inc. | Augmented Reality and Blockchain Technology for Decision Augmentation Systems and Methods Using Contextual Filtering and Personalized Program Generation |
Family Cites Families (116)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5338157B1 (en) | 1992-09-09 | 1999-11-02 | Sims Deltec Inc | Systems and methods for communicating with ambulat |
| US4562751A (en) | 1984-01-06 | 1986-01-07 | Nason Clyde K | Solenoid drive apparatus for an external infusion pump |
| US4685903A (en) | 1984-01-06 | 1987-08-11 | Pacesetter Infusion, Ltd. | External infusion pump apparatus |
| US4755173A (en) | 1986-02-25 | 1988-07-05 | Pacesetter Infusion, Ltd. | Soft cannula subcutaneous injection set |
| US5097122A (en) | 1990-04-16 | 1992-03-17 | Pacesetter Infusion, Ltd. | Medication infusion system having optical motion sensor to detect drive mechanism malfunction |
| US5080653A (en) | 1990-04-16 | 1992-01-14 | Pacesetter Infusion, Ltd. | Infusion pump with dual position syringe locator |
| US5956501A (en) | 1997-01-10 | 1999-09-21 | Health Hero Network, Inc. | Disease simulation system and method |
| US5307263A (en) | 1992-11-17 | 1994-04-26 | Raya Systems, Inc. | Modular microprocessor-based health monitoring system |
| US5832448A (en) | 1996-10-16 | 1998-11-03 | Health Hero Network | Multiple patient monitoring system for proactive health management |
| US5545143A (en) | 1993-01-21 | 1996-08-13 | T. S. I. Medical | Device for subcutaneous medication delivery |
| DK25793A (da) | 1993-03-09 | 1994-09-10 | Pharma Plast Int As | Infusionssæt til intermitterende eller kontinuerlig indgivelse af et terapeutisk middel |
| US5536249A (en) | 1994-03-09 | 1996-07-16 | Visionary Medical Products, Inc. | Pen-type injector with a microprocessor and blood characteristic monitor |
| US5391250A (en) | 1994-03-15 | 1995-02-21 | Minimed Inc. | Method of fabricating thin film sensors |
| US5505709A (en) | 1994-09-15 | 1996-04-09 | Minimed, Inc., A Delaware Corporation | Mated infusion pump and syringe |
| IE72524B1 (en) | 1994-11-04 | 1997-04-23 | Elan Med Tech | Analyte-controlled liquid delivery device and analyte monitor |
| US5665065A (en) | 1995-05-26 | 1997-09-09 | Minimed Inc. | Medication infusion device with blood glucose data input |
| US6766183B2 (en) | 1995-11-22 | 2004-07-20 | Medtronic Minimed, Inc. | Long wave fluorophore sensor compounds and other fluorescent sensor compounds in polymers |
| US6011984A (en) | 1995-11-22 | 2000-01-04 | Minimed Inc. | Detection of biological molecules using chemical amplification and optical sensors |
| US6607509B2 (en) | 1997-12-31 | 2003-08-19 | Medtronic Minimed, Inc. | Insertion device for an insertion set and method of using the same |
| DE19717107B4 (de) | 1997-04-23 | 2005-06-23 | Disetronic Licensing Ag | System aus Behältnis und Antriebsvorrichtung für einen Kolben, der in dem ein Medikamentfluid enthaltenden Behältnis gehalten ist |
| US6186982B1 (en) | 1998-05-05 | 2001-02-13 | Elan Corporation, Plc | Subcutaneous drug delivery device with improved filling system |
| US6558351B1 (en) | 1999-06-03 | 2003-05-06 | Medtronic Minimed, Inc. | Closed loop system for controlling insulin infusion |
| US5954643A (en) | 1997-06-09 | 1999-09-21 | Minimid Inc. | Insertion set for a transcutaneous sensor |
| US6088608A (en) | 1997-10-20 | 2000-07-11 | Alfred E. Mann Foundation | Electrochemical sensor and integrity tests therefor |
| US6119028A (en) | 1997-10-20 | 2000-09-12 | Alfred E. Mann Foundation | Implantable enzyme-based monitoring systems having improved longevity due to improved exterior surfaces |
| US7647237B2 (en) | 1998-04-29 | 2010-01-12 | Minimed, Inc. | Communication station and software for interfacing with an infusion pump, analyte monitor, analyte meter, or the like |
| US6175752B1 (en) | 1998-04-30 | 2001-01-16 | Therasense, Inc. | Analyte monitoring device and methods of use |
| US6736797B1 (en) | 1998-06-19 | 2004-05-18 | Unomedical A/S | Subcutaneous infusion set |
| US6355021B1 (en) | 1998-07-14 | 2002-03-12 | Maersk Medical A/S | Medical puncturing device |
| US6248067B1 (en) | 1999-02-05 | 2001-06-19 | Minimed Inc. | Analyte sensor and holter-type monitor system and method of using the same |
| US6554798B1 (en) | 1998-08-18 | 2003-04-29 | Medtronic Minimed, Inc. | External infusion device with remote programming, bolus estimator and/or vibration alarm capabilities |
| US6558320B1 (en) | 2000-01-20 | 2003-05-06 | Medtronic Minimed, Inc. | Handheld personal data assistant (PDA) with a medical device and method of using the same |
| EP2229879A1 (en) | 1998-10-08 | 2010-09-22 | Medtronic MiniMed, Inc. | Telemetered characteristic monitor system |
| CA2669175C (en) | 1998-10-29 | 2014-01-28 | Medtronic Minimed, Inc. | Reservoir connector |
| US6248093B1 (en) | 1998-10-29 | 2001-06-19 | Minimed Inc. | Compact pump drive system |
| US7621893B2 (en) | 1998-10-29 | 2009-11-24 | Medtronic Minimed, Inc. | Methods and apparatuses for detecting occlusions in an ambulatory infusion pump |
| US6817990B2 (en) | 1998-10-29 | 2004-11-16 | Medtronic Minimed, Inc. | Fluid reservoir piston |
| US7193521B2 (en) | 1998-10-29 | 2007-03-20 | Medtronic Minimed, Inc. | Method and apparatus for detecting errors, fluid pressure, and occlusions in an ambulatory infusion pump |
| US6360888B1 (en) | 1999-02-25 | 2002-03-26 | Minimed Inc. | Glucose sensor package system |
| US7806886B2 (en) | 1999-06-03 | 2010-10-05 | Medtronic Minimed, Inc. | Apparatus and method for controlling insulin infusion with state variable feedback |
| US6752787B1 (en) | 1999-06-08 | 2004-06-22 | Medtronic Minimed, Inc., | Cost-sensitive application infusion device |
| US6453956B2 (en) | 1999-11-05 | 2002-09-24 | Medtronic Minimed, Inc. | Needle safe transfer guard |
| US7003336B2 (en) | 2000-02-10 | 2006-02-21 | Medtronic Minimed, Inc. | Analyte sensor method of making the same |
| US6895263B2 (en) | 2000-02-23 | 2005-05-17 | Medtronic Minimed, Inc. | Real time self-adjusting calibration algorithm |
| US7890295B2 (en) | 2000-02-23 | 2011-02-15 | Medtronic Minimed, Inc. | Real time self-adjusting calibration algorithm |
| US20010041869A1 (en) | 2000-03-23 | 2001-11-15 | Causey James D. | Control tabs for infusion devices and methods of using the same |
| US6485465B2 (en) | 2000-03-29 | 2002-11-26 | Medtronic Minimed, Inc. | Methods, apparatuses, and uses for infusion pump fluid pressure and force detection |
| US6589229B1 (en) | 2000-07-31 | 2003-07-08 | Becton, Dickinson And Company | Wearable, self-contained drug infusion device |
| ES2287156T3 (es) | 2000-09-08 | 2007-12-16 | Insulet Corporation | Dispositivos y sistemas para la infusion de un paciente. |
| CA2434731C (en) | 2001-02-22 | 2010-01-26 | Insulet Corporation | Modular infusion device and method |
| DK3210637T3 (da) | 2001-04-06 | 2021-04-06 | Hoffmann La Roche | Infusionssæt |
| US20020071225A1 (en) | 2001-04-19 | 2002-06-13 | Minimed Inc. | Direct current motor safety circuits for fluid delivery systems |
| US6544212B2 (en) | 2001-07-31 | 2003-04-08 | Roche Diagnostics Corporation | Diabetes management system |
| US6740072B2 (en) | 2001-09-07 | 2004-05-25 | Medtronic Minimed, Inc. | System and method for providing closed loop infusion formulation delivery |
| US7323142B2 (en) | 2001-09-07 | 2008-01-29 | Medtronic Minimed, Inc. | Sensor substrate and method of fabricating same |
| US6827702B2 (en) | 2001-09-07 | 2004-12-07 | Medtronic Minimed, Inc. | Safety limits for closed-loop infusion pump control |
| US7399277B2 (en) | 2001-12-27 | 2008-07-15 | Medtronic Minimed, Inc. | System for monitoring physiological characteristics |
| US7041082B2 (en) | 2002-02-28 | 2006-05-09 | Smiths Medical Md, Inc. | Syringe pump control systems and methods |
| US6960192B1 (en) | 2002-04-23 | 2005-11-01 | Insulet Corporation | Transcutaneous fluid delivery system |
| US7278983B2 (en) | 2002-07-24 | 2007-10-09 | Medtronic Minimed, Inc. | Physiological monitoring device for controlling a medication infusion device |
| US20040068230A1 (en) | 2002-07-24 | 2004-04-08 | Medtronic Minimed, Inc. | System for providing blood glucose measurements to an infusion device |
| US6932584B2 (en) | 2002-12-26 | 2005-08-23 | Medtronic Minimed, Inc. | Infusion device and driving mechanism and process for same with actuator for multiple infusion uses |
| US7488601B2 (en) | 2003-06-20 | 2009-02-10 | Roche Diagnostic Operations, Inc. | System and method for determining an abused sensor during analyte measurement |
| US8275437B2 (en) | 2003-08-01 | 2012-09-25 | Dexcom, Inc. | Transcutaneous analyte sensor |
| US7699807B2 (en) | 2003-11-10 | 2010-04-20 | Smiths Medical Asd, Inc. | Device and method for insertion of a cannula of an infusion device |
| EP2316331B1 (en) | 2003-12-09 | 2016-06-29 | Dexcom, Inc. | Signal processing for continuous analyte sensor |
| GB0329161D0 (en) | 2003-12-16 | 2004-01-21 | Precisense As | Reagant for detecting an analyte |
| GB0329849D0 (en) | 2003-12-23 | 2004-01-28 | Precisense As | Fluorometers |
| US7344500B2 (en) | 2004-07-27 | 2008-03-18 | Medtronic Minimed, Inc. | Sensing system with auxiliary display |
| US8313433B2 (en) | 2004-08-06 | 2012-11-20 | Medtronic Minimed, Inc. | Medical data management system and process |
| US7468033B2 (en) | 2004-09-08 | 2008-12-23 | Medtronic Minimed, Inc. | Blood contacting sensor |
| US20060224141A1 (en) | 2005-03-21 | 2006-10-05 | Abbott Diabetes Care, Inc. | Method and system for providing integrated medication infusion and analyte monitoring system |
| EP1877116A1 (en) | 2005-04-13 | 2008-01-16 | Novo Nordisk A/S | Medical skin mountable device and system |
| US8277415B2 (en) | 2006-08-23 | 2012-10-02 | Medtronic Minimed, Inc. | Infusion medium delivery device and method with drive device for driving plunger in reservoir |
| US7699833B2 (en) | 2005-05-06 | 2010-04-20 | Moberg Sheldon B | Pump assembly and method for infusion device |
| US8137314B2 (en) | 2006-08-23 | 2012-03-20 | Medtronic Minimed, Inc. | Infusion medium delivery device and method with compressible or curved reservoir or conduit |
| US20080097291A1 (en) | 2006-08-23 | 2008-04-24 | Hanson Ian B | Infusion pumps and methods and delivery devices and methods with same |
| US7713240B2 (en) | 2005-09-13 | 2010-05-11 | Medtronic Minimed, Inc. | Modular external infusion device |
| US8475408B2 (en) | 2005-11-08 | 2013-07-02 | Asante Solutions, Inc. | Infusion pump system |
| US8114269B2 (en) | 2005-12-30 | 2012-02-14 | Medtronic Minimed, Inc. | System and method for determining the point of hydration and proper time to apply potential to a glucose sensor |
| US8114268B2 (en) | 2005-12-30 | 2012-02-14 | Medtronic Minimed, Inc. | Method and system for remedying sensor malfunctions detected by electrochemical impedance spectroscopy |
| US7985330B2 (en) | 2005-12-30 | 2011-07-26 | Medtronic Minimed, Inc. | Method and system for detecting age, hydration, and functional states of sensors using electrochemical impedance spectroscopy |
| US20070255125A1 (en) | 2006-04-28 | 2007-11-01 | Moberg Sheldon B | Monitor devices for networked fluid infusion systems |
| US7455663B2 (en) | 2006-08-23 | 2008-11-25 | Medtronic Minimed, Inc. | Infusion medium delivery system, device and method with needle inserter and needle inserter device and method |
| US7828764B2 (en) | 2006-08-23 | 2010-11-09 | Medtronic Minimed, Inc. | Systems and methods allowing for reservoir filling and infusion medium delivery |
| US20080125700A1 (en) | 2006-11-29 | 2008-05-29 | Moberg Sheldon B | Methods and apparatuses for detecting medical device acceleration, temperature, and humidity conditions |
| US7946985B2 (en) | 2006-12-29 | 2011-05-24 | Medtronic Minimed, Inc. | Method and system for providing sensor redundancy |
| US20080269714A1 (en) | 2007-04-25 | 2008-10-30 | Medtronic Minimed, Inc. | Closed loop/semi-closed loop therapy modification system |
| US8323250B2 (en) | 2007-04-30 | 2012-12-04 | Medtronic Minimed, Inc. | Adhesive patch systems and methods |
| US7963954B2 (en) | 2007-04-30 | 2011-06-21 | Medtronic Minimed, Inc. | Automated filling systems and methods |
| CN101801438B (zh) | 2007-07-20 | 2013-08-07 | 梅丁格有限公司 | 可手动操作的便携式输注设备 |
| US8207859B2 (en) | 2008-04-28 | 2012-06-26 | Medtronic Minimed, Inc. | Automobile physiological monitoring system and method for using the same |
| US9295786B2 (en) | 2008-05-28 | 2016-03-29 | Medtronic Minimed, Inc. | Needle protective device for subcutaneous sensors |
| US20110160555A1 (en) | 2008-07-31 | 2011-06-30 | Jacques Reifman | Universal Models for Predicting Glucose Concentration in Humans |
| US8762306B2 (en) | 2008-08-14 | 2014-06-24 | The University Of Toledo | Neural network for glucose therapy recommendation |
| US8181849B2 (en) | 2008-12-30 | 2012-05-22 | Medtronic Minimed, Inc. | Color detection system for detecting reservoir presence and content in device |
| US8308679B2 (en) | 2009-12-30 | 2012-11-13 | Medtronic Minimed, Inc. | Alignment systems and methods |
| US20110098548A1 (en) | 2009-10-22 | 2011-04-28 | Abbott Diabetes Care Inc. | Methods for modeling insulin therapy requirements |
| US8674288B2 (en) | 2010-03-24 | 2014-03-18 | Medtronic Minimed, Inc. | Motor assembly sensor capture systems and methods |
| US9089292B2 (en) | 2010-03-26 | 2015-07-28 | Medtronic Minimed, Inc. | Calibration of glucose monitoring sensor and/or insulin delivery system |
| US8474332B2 (en) | 2010-10-20 | 2013-07-02 | Medtronic Minimed, Inc. | Sensor assembly and medical device incorporating same |
| US10307109B2 (en) | 2011-04-20 | 2019-06-04 | Novo Nordisk A/S | Glucose predictor based on regularization networks with adaptively chosen kernels and regularization parameters |
| US9849239B2 (en) | 2012-08-30 | 2017-12-26 | Medtronic Minimed, Inc. | Generation and application of an insulin limit for a closed-loop operating mode of an insulin infusion system |
| WO2016038585A1 (en) | 2014-09-12 | 2016-03-17 | Blacktree Fitness Technologies Inc. | Portable devices and methods for measuring nutritional intake |
| WO2017132663A1 (en) | 2016-01-29 | 2017-08-03 | Patek Stephen D | Method, system, and computer readable medium for virtualization of a continuous glucose monitoring trace |
| US10478556B2 (en) | 2016-03-04 | 2019-11-19 | Roche Diabetes Care, Inc. | Probability based controller gain |
| US20170290535A1 (en) | 2016-04-08 | 2017-10-12 | Medtronic Minimed, Inc. | Analyte sensor with indicators |
| US10687739B2 (en) | 2017-09-05 | 2020-06-23 | Cnoga Medical Ltd. | Method and apparatus for non-invasive glucose measurement |
| KR20210110284A (ko) | 2018-09-07 | 2021-09-07 | 인포메드 데이터 시스템즈 아이엔씨 디/비/에이 원 드롭 | 혈당 농도 예보 |
| GB2596923B (en) | 2018-11-29 | 2022-12-14 | January Inc | Systems, methods, and devices for biophysical modeling and response prediction |
| US20200203012A1 (en) | 2018-12-19 | 2020-06-25 | Dexcom, Inc. | Intermittent monitoring |
| JP2022534422A (ja) | 2019-05-31 | 2022-07-29 | インフォームド データ システムズ インコーポレイテッド ディー／ビー／エー ワン ドロップ | 生体監視および血糖予測のためのシステムならびに関連付けられる方法 |
| US11883208B2 (en) | 2019-08-06 | 2024-01-30 | Medtronic Minimed, Inc. | Machine learning-based system for estimating glucose values based on blood glucose measurements and contextual activity data |
| US20220039755A1 (en) | 2020-08-06 | 2022-02-10 | Medtronic Minimed, Inc. | Machine learning-based system for estimating glucose values |
| US12119119B2 (en) | 2019-12-09 | 2024-10-15 | Medtronic Minimed, Inc. | Methods and systems for real-time sensor measurement simulation |
| US20210298648A1 (en) | 2020-03-24 | 2021-09-30 | Medtronic Minimed, Inc. | Calibration of a noninvasive physiological characteristic sensor based on data collected from a continuous analyte sensor |
-
2019
- 2019-08-06 US US16/533,470 patent/US11883208B2/en active Active
-
2020
- 2020-08-06 EP EP20760697.1A patent/EP4010906A1/en active Pending
- 2020-08-06 CN CN202080055157.8A patent/CN114222597A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050043598A1 (en) * | 2003-08-22 | 2005-02-24 | Dexcom, Inc. | Systems and methods for replacing signal artifacts in a glucose sensor data stream |
| US20160256629A1 (en) * | 2012-08-30 | 2016-09-08 | Medtronic Minimed, Inc. | Sensor model supervisor for a closed-loop insulin infusion system |
| CN104837517A (zh) * | 2012-12-07 | 2015-08-12 | 安尼马斯公司 | 用于调谐人工胰腺的闭环控制器的方法和系统 |
| US20160038673A1 (en) * | 2013-03-15 | 2016-02-11 | Animas Corporation | Insulin time-action model |
| US20180190375A1 (en) * | 2016-12-30 | 2018-07-05 | Suggestic, Inc. | Augmented Reality and Blockchain Technology for Decision Augmentation Systems and Methods Using Contextual Filtering and Personalized Program Generation |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11883208B2 (en) | 2019-08-06 | 2024-01-30 | Medtronic Minimed, Inc. | Machine learning-based system for estimating glucose values based on blood glucose measurements and contextual activity data |
| WO2023197426A1 (zh) * | 2022-04-12 | 2023-10-19 | 乐普（北京）医疗器械股份有限公司 | 一种结合大数据模型和个性化模型的血糖预测方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| EP4010906A1 (en) | 2022-06-15 |
| US20210038163A1 (en) | 2021-02-11 |
| US11883208B2 (en) | 2024-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11883208B2 (en) | Machine learning-based system for estimating glucose values based on blood glucose measurements and contextual activity data | |
| CN111246899B (zh) | 具有用于自动的基础胰岛素输送操作的可配置目标血糖值的胰岛素输注设备 | |
| US11974863B2 (en) | Glucose estimation without continuous glucose monitoring | |
| US11826548B2 (en) | Efficient confirmation of blood glucose measurements | |
| US11712520B2 (en) | Infusion devices and related meal bolus adjustment methods | |
| US11887712B2 (en) | Method and system for classifying detected events as labeled event combinations for processing at a client application | |
| WO2021026399A1 (en) | Machine learning-based system for estimating glucose values | |
| US20240261505A1 (en) | Personalized closed loop optimization systems and methods | |
| US11241537B2 (en) | Contextual personalized closed-loop adjustment methods and systems | |
| CN112714936A (zh) | 患者监测系统和相关推荐方法 | |
| US20220084649A1 (en) | Infusion systems and methods for patient predictions using association mining | |
| CN115426946A (zh) | 用于自动治疗物递送系统的分析物传感器质量量度和相关治疗动作 | |
| CN114502215B (zh) | 输注系统和相关个性化团注方法 | |
| US20240358920A1 (en) | Insulin infusion device with configurable target blood glucose value for automatic basal insulin delivery operation | |
| US20210142902A1 (en) | Medical device site monitoring methods and related devices and systems |
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 |