CN114945993A - 基于连续葡萄糖监测的建议 - Google Patents

Abstract

描述了基于连续葡萄糖监测(CGM)的建议。鉴于佩戴CGM系统的人数众多，并且由于CGM系统不断产生测量值结果，提供CGM系统的平台可能拥有大量数据。实际上，即使不是，人类也无法处理如此多的数据。在实施方式中，CGM平台包括获取由CGM系统提供的葡萄糖测量值并且还获取与用户相关联的附加数据的数据分析平台。数据分析平台处理这些测量值和附加数据，以使用模型预测健康指标。此预测用作生成建议的基础，例如，建议用户采取行动或采取行为以减轻预测的消极健康状况的消息。

Description

基于连续葡萄糖监测的建议

相关应用

本申请要求2019年11月26日提交的美国临时专利申请号62/940715的权益。上述申请的全部内容通过引用并入本文，并在此明确构成本说明书的一部分。

背景技术

糖尿病是一种影响数亿人的代谢疾病，是全球主要的死亡原因之一。对于糖尿病患者来说，获得治疗对他们的生存至关重要。通过适当的治疗，可以在很大程度上避免因糖尿病而对心脏、血管、眼睛、肾脏和神经造成的严重损害。对I型糖尿病患者的适当治疗通常包括全天监测葡萄糖水平并调节这些水平-结合胰岛素、饮食和运动-使葡萄糖水平保持在所需范围内。随着医疗技术的进步，已经开发了多种用于监测葡萄糖水平的系统。

这些系统中包括用于刺穿人的身体部分(例如，在许多情况下是人的手指)以抽取血液的组件，以及用于检测抽取的血液中指示葡萄糖水平的分析物的传感器。其他系统使用传感器基本实时检测指示葡萄糖水平的分析物，并在一段时间内产生这些葡萄糖水平的测量值-称为连续葡萄糖监测(CGM)。两种类型的系统都被配置为输出(例如，显示)这些测量值结果，以便用户可以决定如何调节他们的葡萄糖水平，如果有必要，可基于合格的看护人制定计划。CGM系统产生和输出的大量葡萄糖测量值向用户展示了他们的葡萄糖水平的趋势，并使他们能够就治疗做出更明智的决策。

发明内容

本文描述了基于连续葡萄糖监测(CGM)的建议。鉴于佩戴CGM系统的人数以及由于CGM系统连续产生测量值，为CGM系统提供用于检测葡萄糖水平的传感器并保留由这种系统产生的测量值的CGM平台可能具有大量数据，例如，数千万患者每日的测量值。然而，这种数据量实际上，即使不是，人类不可能以可靠地识别不仅在葡萄糖测量值中而且与大量附加数据相关的模式，这些附加数据可以与葡萄糖测量值相关联以准确预测各种状况，例如健康指标。

在一种或多种实施方式中，CGM平台包括数据分析平台，其获取由用户佩戴的CGM系统提供的葡萄糖测量值。数据分析平台还获取与用户相关的附加数据。然而，数据分析平台从不同于CGM系统的传感器的一个或多个来源获取附加数据，例如，从在与CGM平台通信之前处理葡萄糖测量值的计算设备或由第三方提供的设备或能够产生健康相关信息的服务，例如胰岛素数据、运动数据、饮食数据等。

数据分析平台通过使用一个或多个模型，例如，统计模型、配置为神经网络的机器学习模型或其他机器学习模型，处理这些葡萄糖测量值和附加数据以预测用户的健康指标。数据分析平台基于用户群的历史葡萄糖测量值和历史附加数据生成这些模型，例如，多个用户也佩戴或已经佩戴CGM系统的多数用户。基于预测的健康指标，数据分析平台生成建议，例如，建议用户采取行动或采取行为以减轻预测的健康消极状况。数据分析平台然后通过网络将预测或建议中的至少一个通信到一个或多个计算设备以供输出，例如，与用户相关联的计算设备(例如，移动电话或智能手表)、计算设备与用户的监护人(例如，父母)相关联、与验证服务相关联的计算设备(被授权验证建议的医疗保健专业人员可访问)等。

本概要以简化形式介绍了一些概念，这些概念将在下面的具体实施方式中进一步描述。因此，本发明内容不旨在识别所要求保护的主题的基本特征，也不旨在用作帮助确定所要求保护的主题的范围。

附图说明

参考附图来详细描述具体实施方式。

图1是示例性实施方式环境的示意图，其可操作地采用本文描述的技术。

图2更详细地描述了图1的连续葡萄糖监测(CGM)系统的实施例。

图3描述了一个示例性实施方式，其中CGM设备数据，包括葡萄糖测量值，被路由到不同系统以实现CGM相关服务的提供。

图4更详细地描述了图1的数据分析平台的示例性实施方式。

图5描述了其中由数据分析平台产生的预测或建议中的至少一个被路由到验证服务或决策支持平台中的至少一个的实施方式的实施例。

图6描述了在连接到CGM系统的计算设备上显示的CGM平台的用户界面的示例性实施方式。

图7描述了输出更新的预测和更新的建议的用户界面的示例性实施方式。

图8描述了输出用于支持糖尿病治疗决策的预测和建议的用户界面的另一个示例性实施方式。

图9描述了输出关于健康趋势信息的用户界面的示例性实施方式。

图10描述了验证服务的用户界面的示例性实施方式，经批准的用户可以通过交互以验证由CGM平台生成的建议。

图11描述了输出关于检测到的故障和与CGM平台的使用相关联的系统配置问题的信息的用户界面的示例性实施方式。

图12描述了示例性实施方式中的一个过程，其基于葡萄糖测量值和用户的附加数据生成预测和建议。

图13描述了示例性实施方式中的一个过程，其使用特定应用的建议通信送到相似用户的一个或多个设备。

图14示出了包括实施例设备的各种组件的实施例系统，其实施例设备可以被实现为任何类型的计算设备，如参考图1-13所描述和/或利用来实现本文所描述的技术的实施方式。

具体实施方式

概述

本文描述了基于连续葡萄糖监测(CGM)的建议。鉴于佩戴CGM系统的人数以及由于CGM系统连续产生测量值，为CGM系统提供用于检测葡萄糖水平的传感器并保留由这种系统产生的测量值的CGM平台可能具有大量数据，例如，数千万患者每日的测量值。然而，这种数据量实际上，即使不是，人类不可能以可靠地识别不仅在葡萄糖测量值中而且与大量附加数据相关的模式，这些附加数据可以与葡萄糖测量值相关联以准确预测各种状况，例如健康指标。

为了克服这些问题，利用了CGM的预测生成。CGM平台从用户群中用户的各种CGM系统和计算设备获取葡萄糖测量值。根据所描述的技术，CGM系统被配置为连续监测个人的血糖。CGM系统可以配置为具有，例如，CGM传感器，其被皮下插入到个人的皮肤中并检测指示个人的血糖的分析物。CGM系统可以根据检测到的分析物连续生成葡萄糖测量值。如本文所用，术语“连续地”是指近乎连续地，使得连续葡萄糖监测以由CGM系统的资源(例如，电池寿命、处理能力、通信能力等)支持的时间间隔产生测量值，并且不需要用户的手动交互，例如，用手指戳。通过持续监测葡萄糖水平，CGM系统不仅允许用户就他们的治疗做出更明智的决定，而且还继续监测葡萄糖水平，而允许他们参与手动刺破手指的活动可能是危险的，例如，驾驶汽车。

CGM系统将葡萄糖测量值传输到通信连接到CGM系统的计算设备，例如，个人佩戴的智能手表、个人的智能手机或与CGM系统相关联的专用设备。CGM系统可以实时地、以设定的时间间隔或响应于来自计算设备的请求来通信葡萄糖测量值。然后，计算设备将葡萄糖测量值提供给CGM平台，例如，通过网络将葡萄糖测量值通信到托管CGM平台的基于云的服务。

CGM平台还可以获取用户群中用户的附加数据，这些数据源自各种设备、传感器、应用或服务。作为实施例而非限制，附加数据可以包括健康相关数据、应用交互数据、环境数据、人口统计数据、除了葡萄糖测量值之外的设备数据(例如，传感器识别数据、事件报告)、由计算设备添加的补充数据、第三方数据等。健康相关数据可能包括活动数据(例如，步数、运动频率、睡眠数据)、生物特征数据(例如，胰岛素水平、酮水平、心率、温度、压力)、营养数据(例如，饮食记录、扫描餐厅收据、碳水化合物消耗、禁食)、医疗记录(例如，A1C、胆固醇、心电图结果以及与其他医学检查或病史相关的数据)等，仅举几个例子。应用交互数据可以包括从描述用户与特定应用交互的应用日志中提取的数据，点击流数据描述用户在计算设备的输入/输出界面相关的点击、轻敲和按压操作，凝视数据描述用户正在观看的位置(例如，相对于与计算设备相关联的显示设备，或者当用户正在远离设备观看时)，语音数据描述用户或其他用户的音频命令和其他口语短语(例如，包括被动收听用户)等。环境数据可以包括描述与用户相关联的各种环境方面的数据，例如，用户的位置、用户位置的温度和/或天气、用户的海拔高度、气压等。人口统计数据可以包括描述用户的数据，例如，年龄、性别、身高、体重等。上述讨论类型的附加数据仅仅是实施例，并且附加数据可以包括更多、更少或不同类型的数据，而不背离所描述的技术的精神或范围。

CGM平台存储和汇总从用户群的各个用户收集的葡萄糖测量值和附加数据。在一些情况下，葡萄糖测量值和附加数据可以被加时间戳，这使得各个用户的葡萄糖测量值和附加数据能够以保留各种数据片段之间的基于时间的关系或顺序的方式被存储。这使得CGM平台能够基于不同的数据集做出各种不同的预测和推断，这些数据集根本没有被传统系统以如此大规模的方式一起分析过。

为了使用汇总数据生成预测和推论，CGM平台利用CGM平台保留的大量汇总数据来构建各种模型，例如，统计模型、配置为神经网络的机器学习模型和/或其他统计模型。例如，系统可以构建统计模型、构建其他机器学习模型、训练其他机器学习模型(或以其他方式学习由此类机器学习模型部署的策略)，并使用葡萄糖测量值和用户群的附加数据更新这些模型。

值得注意的是，与传统系统不同，CGM平台可以访问使用CGM系统为用户群的数十万用户(例如，500,000或更多)获取的葡萄糖测量值。此外，这些测量值是由CGM系统的传感器以连续速率进行的。因此，系统可用于模型构建和训练的葡萄糖测量值可能达到数百万甚至数十亿。凭借如此的大量的数据量，系统可以构建和训练模型，以准确模拟不同行为对葡萄糖水平的真实影响。如果缺乏这种汇总数据的大量性，传统系统无法简单的构建或训练模型以适当地代表各种用户行为和行为如何影响葡萄糖水平的方式覆盖状态空间。未能适当地覆盖这些状态空间可能会导致葡萄糖预测或其他健康指标的预测不准确，这可能导致建议可能导致死亡的不安全行动或行为。鉴于产生不准确预测的严重性，重要的是使用对罕见事件具有大量的葡萄糖测量值来构建模型。

CGM平台使用汇总数据构建和/或训练的模型，以便为佩戴CGM系统的用户生成各种预测，以及改善预测健康状况的建议。预测可对应于或以其他方式包括健康指标。如本文所用，术语“健康指标”可以指预测的健康状况，其可以是“消极的”或“积极的”。例如，“消极”健康状况的例子包括糖尿病前期、I型糖尿病、II型糖尿病、神经病、阿尔茨海默病和心脏病，仅举几个例子。相比之下，“积极”健康状况的例子可能包括改善血栓、身体成分、心血管功能等。

此外，系统生成的预测可能包括对整个用户群的一般预测或趋势(例如，喝苏打水会导致高血糖峰值，从而导致长期神经病变，或者吃低碳水化合物饮食会降低A1C)，以及针对个人用户的具体预测。例如，系统可以将经过训练的机器学习模型应用于特定时间段内单个用户的葡萄糖测量值和附加数据，以便为用户生成健康指标或事件的用户特定预测，例如，通过预测用户将来会患上II型糖尿病或心脏病。所述系统可以生成与预测相关联的准确度或概率，以及与预测相关联的时间段(例如，在40个月内发生II型糖尿病的75％的机会)。在某些情况下，系统还可以根据实时数据为个人用户生成预测，以生成短期预测。例如，训练的模型可以在捕获数据时实时应用于葡萄糖测量值、心率、胰岛素水平等，以便在不久的将来生成用户的预测血糖水平(例如，在接下来的三十分钟)。

基于这些预测，CGM平台生成各种建议。在一些情况下，基于将预测的消极健康状况与减轻预测的消极健康状况(例如，降低消极健康状况的发生概率)的一个或多个动作或行为相关联的逻辑生成建议。因此，建议可以包括旨在减轻预测的消极健康状况的一个或多个动作或行为。例如，所述建议可以指示用户执行动作(例如，将应用下载到计算设备、立即就医、服用胰岛素、散步、食用特定的食物或饮料)、继续做一种行为(例如，继续以某种方式进食或以某种方式运动)，改变一种行为(例如，改变饮食习惯或运动习惯)等。

例如，基于用户的血糖水平将在接下来的30分钟内上升到高血糖水平的预测，CGM平台可以生成包括旨在降低用户血糖水平的动作的建议，例如，通过建议用户服用胰岛素或快走。相反，基于用户的葡萄糖将在一夜之间下降到低血糖水平的预测，CGM平台可能会生成用户睡前吃香蕉的建议，以使用户的血糖水平保持在低血糖水平以上。作为另一个实施例，基于用户将在40个月内患上II型糖尿病的预测，CGM平台可以生成建议以调整用户的饮食或增加活动水平。

CGM平台生成的预测和建议可以直接提供给用户，或者提供给与用户相关的其他方或平台，例如，医疗保健提供者、家庭成员、第三方服务等。例如，此类预测和建议可以作为电子通信(例如，电子邮件或文本消息)、通知(例如，应用内或设备上的通知)通信给用户或其他方，或上传到安全平台或可通过资质访问的网站。

根据各种实施方式，CGM平台包括一个或多个应用编程接口(API)，以使得能够在CGM平台与一个或多个第三方之间来回通信葡萄糖测量值和附加数据。这样的API可以包括“输出”API，其使得葡萄糖测量值能够从CGM平台通信到提供利用由CGM系统收集的葡萄糖测量值的应用和服务的各种第三方。例如，用户可能能够下载此类第三方应用，并授权这些第三方应用访问用户的葡萄糖测量值。这样做使第三方应用能够以各种不同的方式利用葡萄糖测量值来改善用户的健康状况。这样，第三方服务提供商可能能够提供使用葡萄糖测量值的各种服务，即使这样的第三方服务提供商可能不制造和部署他们自己的CGM系统。

CGM平台还可以包括“输入”API，使CGM平台能够从第三方服务提供商接收“第三方”数据。这样的第三方数据可以包括描述用户与第三方服务或应用交互的应用交互数据。CGM平台可以汇总应用交互数据以及用户的葡萄糖测量值和其他数据，以确定与特定应用的交互是否正在改善用户的健康。基于此，CGM平台可以推荐用户群的其他用户也利用特定应用。

作为其中的一部分，系统可以收集特定用户的人口统计数据，例如，年龄、性别、位置等。从用户收集的葡萄糖测量值可以与人口统计数据和附加数据相结合，以便生成与用户群中其他用户的相似性分数。例如，一个22岁的女性用户，其平均葡萄糖值为162mg/dL，并且经历过夜间低葡萄糖测量值模式，可能与此年龄、性别、平均葡萄糖测量值的其他用户具有较高的相似性分数和模式经验。在这种情况下，使用特定应用的建议可以基于用户与群体中其他用户的相似性。例如，如果特定应用的使用改善了用户群中用户子集的血糖，则CGM平台可以向用户群中的相似用户推荐特定应用的使用。

在以下讨论中，首先描述可采用本文所述技术的实施例环境。然后描述可以在实施例环境以及其他环境中执行的示例性实施方式细节和过程。实施例过程的执行不限于实施例环境，实施例环境不限于实施例过程的执行。

实施例环境

图1是示例性实施方式的环境100的示意图，其可操作以采用基于如本文所述的连续葡萄糖监测(CGM)的建议。所示环境100包括个人102，其被描述为佩戴CGM系统104、胰岛素输送系统106和计算设备108。所示环境100还包括CGM系统、CGM平台112和物联网114(IoT114)的用户群110中的其他用户。CGM系统104、胰岛素输送系统106、计算设备108、用户群110、CGM平台112和IoT114通过网络116彼此通信连接。

替代地或附加地，CGM系统104、胰岛素输送系统106和计算装置108中的一个或多个可以以其他方式通信连接，例如，使用一种或多种短程通信协议或技术。例如，CGM系统104、胰岛素输送系统106和计算设备108可以使用蓝牙、近场通信(NFC)、5G等中的一种或多种相互通信。CGM系统104、胰岛素输送系统106和计算设备108可以利用这些类型的通信来在彼此之间形成闭环系统。以这种方式，胰岛素输送系统106可以在CGM系统104获取葡萄糖测量值时基于实时(例如，由计算设备108)计算的葡萄糖预测来输送胰岛素。

根据所描述的技术，CGM系统104被配置成连续监测个人102的葡萄糖。CGM系统104可以被配置有，例如，CGM传感器，其连续检测指示个人102的葡萄糖的分析物并且能够生成葡萄糖测量值。在所示环境100中，这些测量值被表示为葡萄糖测量值118。此功能连同CGM系统104的配置的其他方面将结合图2更详细地讨论。

在一种或多种实施方式中，CGM系统104，例如，通过蓝牙将葡萄糖测量值118传输到计算设备108。CGM系统104可以实时通信这些测量值，例如，当它们使用CGM传感器生成时。替代地或附加地，CGM系统104可以以设定的时间间隔将葡萄糖测量值118通信到计算设备108，例如，每30秒、每分钟、每小时、每6小时、每天等。此外，CGM系统104可以响应于来自计算设备108的请求通信这些测量值，例如，当计算设备108导致显示具有关于个人102的葡萄糖水平的信息的用户界面时通信到CGM系统104，更新这样的显示，预测个人102即将达到的的葡萄糖水平以用于输送胰岛素等。因此，计算设备108可以至少暂时地保留个人102的葡萄糖测量值118，例如，在计算设备108的计算机可读存储介质中。

尽管被示为可穿戴设备(例如，智能手表)，计算设备108可以以多种方式配置，而不背离所描述技术的精神或范围。作为实施例而非限制，计算设备108可以被配置为不同类型的移动设备(例如，移动电话或平板设备)。在一种或多种实施方式中，计算设备108可以被配置为与CGM平台112相关联的专用设备，例如，具有从CGM系统104获取葡萄糖测量值118、执行与葡萄糖测量值118相关的各种计算，显示与葡萄糖测量值118和CGM平台112有关的信息，将葡萄糖测量值118通信到CGM平台112等。然而，与计算设备108被配置为移动电话的实施方式相比，计算设备108可能不包括当被配置为专用CGM设备时移动电话或可穿戴配置可用的一些功能，例如，拨打电话的能力、相机功能、使用社交网络应用的能力等。

另外，根据所描述的技术，计算设备108可以代表一个以上的设备。例如，在一个或多个场景中，计算设备108可对应于可穿戴设备(例如，智能手表)和移动电话两者。在这样的场景中，这两个设备可能能够执行至少一些相同的操作，例如，从CGM系统104接收葡萄糖测量值118，通过网络116将它们通信到CGM平台112，显示相关葡萄糖测量值118信息等。替代地或附加地，不同的设备可能具有其他设备不具有或通过对指定设备的计算指令而受到限制的不同能力。例如，在计算设备108对应于单独的智能手表和移动电话的情况下，智能手表可以被配置有各种传感器和功能以测量值各种生理标志(例如，心率、呼吸、血流量率等)和个人102的活动(例如，脚步)。在这种情况下，移动电话可能没有被配置有这些传感器和功能或者可能包括有限数量的功能-尽管在其他情况下，移动电话可能能够提供相同的功能。继续此特定场景，移动电话可能具有智能手表不具备的功能，例如，使移动电话能够更有效地执行与葡萄糖测量118相关的计算的计算资源量(例如，电池和处理速度)。即使在智能手表能够执行此类计算的场景中，计算指令也可能将这些计算的性能限制在手机上，以免给两个设备带来负担并有效地利用可用资源。就此而言，计算设备108可以以不同的方式配置并且表示与本文讨论的不同数量的设备，而不背离所描述的技术的精神和范围。

如上所述，计算设备108将葡萄糖测量值118通信到CGM平台112。在所示环境100中，葡萄糖测量值118显示为存储在CGM平台112的存储设备120中作为CGM数据122的一部分。存储设备120可以代表一个或多个数据库以及能够存储CGM数据122的其他类型的存储方式。CGM数据122还包括用户档案124。根据所描述的技术，个人102对应于至少CGM平台112的用户并且还可以是一个或多个其他第三方服务提供商的用户。为此，个人102可以与用户名相关联并且在某些时候被要求提供认证信息(例如，密码、生物特征数据等)使用用户名访问CGM平台112。所述信息可以在用户档案124中被获取。用户档案124还可以包括关于用户的各种其他信息，例如，描述个人102的人口统计信息、关于医疗保健提供者的信息、支付信息、处方信息、确定的健康指标、用户偏好、其他服务提供商系统的账户信息(例如，与可穿戴设备、社交网络系统等相关的服务提供商)等。用户档案124可以包括关于用户的不同信息，而在所描述的技术的精神和范围内。

此外，CGM数据122不仅表示与个人102对应的用户的数据，还表示用户群110中的其他用户的数据。鉴于此，存储设备120中的葡萄糖测量值118包括来自个人102佩戴的CGM系统104的CGM传感器的葡萄糖测量值，并且还包括来自CGM系统的CGM传感器的葡萄糖测量值，CGM系统由与用户群110中的其他用户相对应的人佩戴。其还遵循这些其他用户的葡萄糖测量值118由他们各自的设备通过网络116通信到CGM平台112，并且这些其他用户在CGM平台112上具有各自的用户档案124。

数据分析平台126代表处理CGM数据122以生成各种预测的功能，例如，通过使用各种机器学习模型。基于这些预测，CGM平台112可以提供关于预测的建议和/或其他信息。例如，CGM平台112可以将建议或其他信息直接提供给用户、提供给与用户相关联的医学专家等。下面更详细地描述了特定类型的预测、建议和其他信息。尽管被描述为与计算设备108分离，数据分析平台126的部分或全部可以替代地或附加地在计算设备108处实现。数据分析平台126还被配置为使用除了葡萄糖测量值118之外的数据来生成这些预测，例如，通过IoT114获取的附加数据。

应当理解，IoT114代表能够提供描述个人102和个人102作为一个或多个服务提供商的用户的活动以及与实际的活动的数据的各种来源。作为实施例，IoT114可以包括用户的各种设备，例如，相机、移动电话、笔记本电脑等。为此，IoT114可以提供关于用户与各种设备的交互的信息，例如，与基于网络应用的交互、拍摄的照片、与其他用户的通信等。IoT114还可以包括被配置有传感器的各种实际物品(例如，鞋子、衣服、运动器材、电器、汽车等)，以提供描述行为的信息，例如，所走的步数、脚踩地的力、步幅、用户的温度(和其他生理测量值)、用户周围的温度、冰箱中储存的食物类型、从冰箱中取出的食物类型、驾驶习惯等。IoT114还可以包括CGM平台112的第三方，例如，医疗提供者(例如，个人102的医疗提供者)和制造商(例如，CGM系统104、胰岛素输送系统106或计算设备108)能够分别提供可由数据分析平台126利用的医疗和制造数据。当然，IoT114可以包括能够提供与基于CGM的建议相关联的大量数据的设备和传感器，而不背离所描述技术的精神或范围。在例如，连续测量葡萄糖并获取描述这种测量值的数据的情况下，考虑以下图2的讨论。

图2更详细地描述了图1的CGM系统104的示例性实施方式200。尤其，所示实施例200包括CGM系统104的顶视图和对应的侧视图。

CGM系统104被示为包括传感器202和传感器模块204。在所示实施例200中，传感器202在侧视图中被描述为已被皮下插入到，例如，个人102的皮肤206中。传感器模块204在顶视图中被描述为虚线矩形。CGM系统104还包括所示实施例200中的传输器208。传感器模块204的虚线矩形的使用表明它可以被容纳或以其他方式实现在传输器208的外壳内。在此实施例200中，CGM系统104还包括粘合垫210和附接机构212。

在操作中，传感器202、粘合垫210和附接机构212可以组装以形成应用组件，其中应用组件被配置为应用到皮肤206，使得传感器202如图描述被皮下插入。在这种情况下，传输器208可以在应用到皮肤206之后并通过附接机构212连接到组件上。附加地或替代地，传输器208可以作为应用组件的一部分并入，使得传感器202、粘合垫210、附接机构212和传输器208(带有传感器模块204)都可以同时应用到皮肤206。在一种或多种实施方式中，使用单独的涂抹器(未示出)将所述涂抹组件应用于皮肤206。所述应用组件也可以通过从皮肤206上剥离粘合垫210来移除。应当理解，所示出的CGM系统104及其各种组件仅仅是一种实施例形式因素，并且CGM系统104及其组件可以具有不同的形式因素，而不背离所描述技术的精神或范围。

在操作中，传感器202通过可以是“无线”连接或“有线”连接的至少一个通信通道连接到传感器模块204。从传感器202到传感器模块204或从传感器模块204到传感器202的通信可以主动或被动地实现，并且这些通信可以是连续的(例如，模拟的)非连续的(例如，数字的)。

传感器202可以是响应于至少部分独立于传感器202的事件而改变或引起改变的装置、分子和/或化学品。传感器模块204被实现为接收对传感器202的变化或由传感器202引起的变化的指示。例如，传感器202可以包括葡萄糖氧化酶，其与葡萄糖和氧气反应形成过氧化氢，其可由可以包括电极的传感器模块204电化学检测。在此实施例中，传感器202可以被配置为或包括葡萄糖传感器，其被配置为使用一种或多种测量值技术检测血液或间质液中指示葡萄糖水平的分析物。

在另一个实施例中，传感器202(或CGM系统104的附加传感器-未示出)可以包括第一和第二电导体，并且传感器模块204可以电检测跨过传感器202的第一和第二电导体的电势变化。在此实施例中，传感器模块204和传感器202被配置为热电偶，使得电势变化对应于温度变化。在一些实施例中，传感器模块204和传感器202被配置为检测单一分析物，例如，葡萄糖。在其他实施例中，传感器模块204和传感器202被配置为检测多种分析物，例如，钠、钾、二氧化碳和葡萄糖。替代地或附加地，CGM系统104包括多个传感器以不仅检测一种或多种分析物(例如，钠、钾、二氧化碳和葡萄糖)而且检测一种或多种环境条件(例如，温度)。因此，传感器模块204和传感器202(以及任何附加传感器)可以检测一种或多种分析物的存在、一种或多种分析物的不存在和/或一种或多种环境条件的变化。

在一种或多种实施方式中，传感器模块204可以包括处理器和存储器(未示出)。通过利用处理器，传感器模块204可以基于与传感器202的通信来生成葡萄糖测量值118，其指示上述变化。基于来自传感器202的这些通信，传感器模块204还被配置为生成CGM设备数据214。CGM设备数据214是包括至少一个葡萄糖测量值118的可通信数据包。替代地或附加地，CGM设备数据214包括其他数据，例如，多个葡萄糖测量值118、传感器识别216、传感器状态218等。在一种或多种实施方式中，CGM装置数据214可包括其他信息，例如，对应于葡萄糖测量值118和其他分析物的测量值的温度中的一种或多种。应当理解，CGM设备数据214可以包括除了至少一个葡萄糖测量值118之外的多种数据，而不脱离所描述技术的精神或范围。

在操作中，传输器208可以将CGM设备数据214作为数据流无线地传输到计算设备108。替代地或附加地，传感器模块204可以缓冲CGM设备数据214(例如，在传感器模块204的存储器中)并且使传输器208以各种间隔传输经缓冲的CGM设备数据214，例如，时间间隔(每秒、每三十秒、每分钟、每小时等)，存储间隔(当缓冲的CGM设备数据214达到阈值数据量或CGM设备数据214的实例数时)等。

除了生成CGM设备数据214并使其被通信到计算设备108之外，传感器模块204可以包括根据所描述的技术的附加功能。此附加功能可以包括生成个人102未来的葡萄糖水平的预测并基于预测通信通知，例如，通过在预测指示个人102的葡萄糖水平在不久的将来可能处于危险低水平时通信警告。传感器模块204的这种计算能力可能是有利的，尤其是在经由网络116到服务的连接受到限制或不存在的情况下。以这种方式，个人可以被警告危险状况，而不必依赖连接，例如，连接到互联网。传感器模块204的附加功能还可以包括最初或持续地校准传感器202以及校准CGM系统104的任何其他传感器。

关于CGM设备数据214，传感器识别216表示唯一识别传感器202与其他传感器的信息，例如，其他CGM系统104的其他传感器，先前或随后植入皮肤206中的其他传感器等。通过唯一地识别传感器202，传感器识别216还可用于识别关于传感器202的其他方面，例如，传感器202的制造批次、传感器202的包装细节、传感器202的运输细节等。以此方式，以与传感器202相似的方式识别并以不同方式适用于传感器制造、包装和/或运输检测到的各种问题，例如，校准葡萄糖测量值118，以通知用户改变有缺陷的传感器或处理它们，以通知制造设施加工问题等。

传感器状态218表示传感器202在给定时间的状态，例如，在产生葡萄糖测量值118之一的时候传感器的状态。为此，传感器状态218可以包括每个葡萄糖测量值118的条目，使得葡萄糖测量值118和传感器状态218信息中捕获的状态之间存在一对一的关系。一般而言，传感器状态218描述传感器202的操作状态。在一种或多种实施方式中，传感器模块204可以识别给定葡萄糖测量值118的多个预定操作状态之一。识别的操作状态可以基于来自传感器202的通信和/或那些通信的特性。

作为实施例，传感器模块204可以包括(例如，在存储器或其他存储方式中)查找表，其具有预定数量的操作状态和用于从另一个状态中选择一个状态的基础。例如，预定状态可以包括“正常”操作状态，其中选择此状态的基础可以是来自传感器202的通信落在指示正常操作的阈值内，例如，在预期时间的阈值内，在预期信号强度的阈值内，环境温度在合适温度的阈值内以按预期继续操作等。预定状态还可以包括表明传感器202的通信的一个或多个特性超出正常活动并且可能导致葡萄糖测量值118中的潜在错误的操作状态。

例如，这些非正常操作状态的基础可以包括在阈值预期时间之外接收来自传感器202的通信，在预期信号强度阈值之外检测传感器202的信号强度，在适当温度之外检测环境温度以按预期继续操作，检测到个人102已经在CGM系统104上滚动(例如，在床上)等。传感器状态218可以表明关于传感器202和CGM系统104的多个方面，而不背离所描述技术的精神或范围。

在考虑了示例性环境和示例性CGM系统之后，现考虑根据一个或多个实现方式在数字媒体环境中基于CGM的建议技术的一些实施例细节的讨论。

基于CGM的建议

图3描述了示例性实施方式300，其中CGM设备数据，包括葡萄糖测量值，被路由到不同系统以实现CGM相关服务的提供。

所示实施例300包括来自图1的CGM系统104和计算设备108的实施例。所示实施例300还包括数据分析平台126和存储设备120，如上所述，存储设备120存储CGM数据122，包括葡萄糖测量值118。在所述实施例300中，CGM系统104被描述为将CGM设备数据214传输到计算设备108。如上面关于图2所讨论的，CGM设备数据214包括葡萄糖测量值118以及其他数据。CGM系统104可以以多种方式将CGM设备数据214传输到计算设备108。

所示实施例300还包括CGM包302，其包括CGM设备数据214和补充数据304。在此实施例300中，CGM包302被描述为从计算设备108路由到CGM平台112的存储设备120。广义地说，计算设备108包括至少部分地基于CGM设备数据214生成的补充数据304、其数据被一起打包在CGM包302中以及将CGM包302通信到CGM平台112以存储在存储设备120中，例如，通过网络116。

关于补充数据304，计算设备108可以生成各种补充数据以补充CGM设备数据214。根据所描述的技术，补充数据304可以描述用户上下文的一个或多个方面，从而可以识别用户上下文与CGM设备数据214(例如，葡萄糖测量值118)的对应关系。作为实施例，补充数据304可以描述用户与计算设备108的交互，并且包括，例如，从描述特定应用的交互(例如，做出的选择、执行的操作)的应用日志中提取的数据。补充数据304还可以包括描述与计算设备108的输入/输出界面相关的点击、轻敲和按压的点击流数据。作为另一个实施例，补充数据304可以包括描述用户正在注视的位置的凝视数据(例如，与计算设备108相关联的显示设备或当用户从设备移开视线时)、描述可听命令和用户或其他用户的其他口语短语的语音数据(例如，包括被动收听用户)、描述设备的设备数据(例如，品牌、型号、操作系统和版本、相机类型、计算设备108正在运行的应用)等。补充数据304还可以描述用户上下文的其他方面，例如，环境方面，包括，例如，用户的位置、此位置的温度(例如，通常在室外，使用温度感应功能靠近用户)、此位置的天气、用户的海拔高度、气压、通过IoT114获取的与用户相关的上下文信息(例如，用户正在吃的食物、用户使用运动器材的方式、用户穿着的衣服)等。补充数据304还可以描述检测到的关于用户的健康相关方面，包括，例如，步数、心率、出汗、用户的温度(例如，由计算设备108检测到的)等。就计算设备108而言可以包括检测或以其他方式测量值与CGM系统104相同方面中的一些方面的功能，可以比较来自这两个来源的数据，例如，用于准确性、故障检测等。补充数据304的上述类型仅仅是实施例，并且补充数据304可以包括更多、更少或不同类型的数据，而不背离本文描述的技术的精神或范围。

不管补充数据304如何大量描述用户的上下文，计算设备108都可以将CGM包302通信到CGM平台112以便以各种间隔进行处理。在一种或多种实施方式中，计算设备108可以基本上实时地将CGM包302流式传输到CGM平台112，例如，当CGM系统104连续地向计算设备108提供CGM设备数据214时。计算设备108可以以预定间隔(例如，每秒、每30秒、每小时等)交替地或附加地将一个或多个CGM包302通信到CGM平台112。

尽管未在所示实施例300中描述，但CGM平台112可以处理这些CGM包302并且使得CGM设备数据214和补充数据304中的至少一些被存储在存储设备120中。来自存储设备120的，此数据可以被提供给数据分析平台126，或者由数据分析平台126访问，例如，以生成各种预测并提供建议，如下面更详细描述的。替代地或附加地，可以将数据提供给第三方306，例如，第三方服务提供商。以此方式，第三方服务提供者可能能够提供使用葡萄糖测量值118的各种服务，即使这样的第三方服务提供者可能不制造和部署他们自己的CGM系统。

在所示实施例300中，葡萄糖测量值118被描述为通过网络116从CGM平台112的存储设备120通信到第三方306的存储设备308(或其他类型的存储方式)。尤其，葡萄糖测量值118被描述为跨CGM平台应用编程接口(API)310通信。在这种类型的场景中，CGM平台API310可以被认为是数据的“输出”，例如，葡萄糖测量值118。“输出”意味着数据流通常从CGM平台112向外流向第三方306。

在一种或多种实施方式中，CGM平台112通过CGM平台API310提供对来自存储设备120的数据的访问。在数据提供的上下文中，CGM平台API310可以向第三方306公开一个或多个“调用”(例如，数据请求的特定格式)。作为实施例，CGM平台API310可以在第三方306与对应于CGM平台112的业务签订协议之后向第三方306公开调用，此协议允许第三方306通过CGM平台API310从存储设备120获取数据。作为此协议的一部分，第三方306可以同意交换支付以便从CGM平台112获取数据。替代地或附加地，第三方306可以同意交换其产生的数据，例如，通过相关联的设备，以便从CGM平台112获取数据。签订协议以通过CGM平台API310从CGM平台112获取数据(例如，葡萄糖测量值118)的各方可称为“数据合作伙伴”。

广义上讲，CGM平台API310允许第三方306以特定请求格式对数据(例如，葡萄糖测量值118)进行请求，并且如果请求以特定格式进行，则CGM平台API310提供以特定响应格式请求的数据。换言之，CGM平台API310被配置为从第三方306以特定请求格式接收对葡萄糖测量值118的请求，从存储设备120获取所请求的葡萄糖测量值118，并以格式化响应向第三方306提供所请求的葡萄糖测量值118。CGM平台API310可以公开调用使第三方306能够请求一个或多个时间段的葡萄糖测量值118(例如，过去10天)、特定用户或部分用户的葡萄糖测量值118，针对多个用户(例如，10000个用户)的以及在指定时间段(例如，最近10天)内的葡萄糖测量118等。CGM平台310可以公开多种调用，使第三方能够以多种方式请求满足指定标准的葡萄糖测量值118，而不背离所描述技术的精神或范围。在操作中，CGM平台API310可以根据相应协议的条款来限制不同第三方可以访问哪些数据，例如，限制可以获取葡萄糖测量值118的频率，从CGM系统104和计算设备108等获取这些测量值之后引入延迟来提供葡萄糖测量值118等。

一旦第三方306获取葡萄糖测量值118，第三方306可以基于获取的葡萄糖测量值118生成一个或多个第三方建议312。作为实施例，第三方306可以向用户提供生活方式应用并且使用葡萄糖测量值118来提供与通过这种应用跟踪的一个或多个生活方式行为相关的第三方建议312，例如，锻炼更多的建议、减少运动的建议、继续某些行为(例如，步数、吃某些食物、睡觉)的建议、减少或消除某些行为(例如，吃某些食物、饮酒、睡觉)的建议等。生活方式应用的实施例可以包括锻炼应用、健康测量值应用、食物跟踪应用、运动特定应用等。

如上所述，第三方306可以产生其自己的附加数据，例如，通过第三方306制造和/或部署的设备，例如，可穿戴设备。鉴于此，第三方306可以不仅基于葡萄糖测量值118而且基于第三方306产生的附加数据来生成第三方建议312。例如，第三方306可以提供获取的葡萄糖测量值118和此附加数据作为输入到使用历史葡萄糖测量值118和历史附加数据训练的一个或多个机器学习模型。响应于此输入，第三方306获取由一个或多个模型生成的至少一个预测作为输出。第三方306可以使用这样的预测作为第三方建议312的基础。第三方建议312被示为由第三方306输出。这表示第三方306可以通过网络116将第三方建议312通信给计算设备108或其他计算设备，例如，用户群110的计算设备。第三方建议312之后可以由接收计算设备输出，例如，通过显示建议、以可听方式输出建议等。

所示实施例300还包括第三方数据314，其被示为从第三方通信到数据分析平台126。如上所述，第三方306可以制造和/或部署相关设备。附加地或替代地，第三方306可以通过其他来源获取数据，例如，相应的应用。此数据因此可以包括通过相应的第三方应用(例如，社交网络应用、生活方式应用等)输入的用户输入数据。鉴于此，第三方306产生的数据可以以各种方式配置，包括专有数据结构、文本文件、通过用户的移动设备获取的图像、指示输入到公开字段或对话框的文本的格式、指示选项选择格式等。第三方数据314可以描述与由第三方提供的一个或多个服务相关的各个方面，而不背离所描述技术的精神或范围。第三方数据314可以包括，例如，描述用户与第三方306提供的特定应用的使用或交互的应用交互数据。通常，应用交互数据使数据分析平台126能够确定用户群110的用户对特定应用的使用或使用量。例如，这样的数据可以包括从描述用户与特定应用的交互的应用日志中提取的数据、描述与应用的输入/输出界面相关的点击、轻敲和按压的点击流数据等。在一种或多种实施方式中，数据分析平台126因此可以接收由第三方306产生或以其他方式获取的第三方数据314。

在所示实施例300中，第三方数据314被描述为通过CGM平台API310进行通信。在这种类型的场景中，CGM平台API310可以被认为是第三方数据314的“输入”。“输入”意味着数据流通常从第三方306向内进入CGM平台112。尽管CGM平台API310被示为支持输出和输入数据流，但在一种或多种实施方式中，允许数据从CGM平台112出口和输入数据到CGM平台112的功能可以由不同的API处理.例如，输入功能可以由对应于第三方306的API而不是CGM平台112的API来处理。无论如何，除了CGM平台112的数据-葡萄糖测量值118和补充数据304-数据分析平台126可以在一个或多个场景中使用第三方数据314。

数据分析平台126用预测系统316来示出。根据所描述的系统，预测系统316被配置为基于至少葡萄糖测量值118来生成预测318。例如，在一种或多种实施方式中，预测系统316基于葡萄糖测量值118和附加数据两者生成预测318，其附加数据可以包括除了葡萄糖测量值118之外的CGM设备数据214的一个或多个部分，补充数据304、第三方数据314、来自IoT114的数据等。如下所述，预测系统316可以通过使用一个或多个机器学习模型来生成这样的预测318。可以使用葡萄糖测量值118和从用户群110获取的附加数据来训练或以其他方式构建这些模型。

在一种或多种实施方式中，预测318可以对应于或以其他方式包括健康指标。如本文所用，术语“健康指标”可以指预测的健康状况，其可以是“消极的”或“积极的”。例如，“消极”健康状况的例子包括糖尿病前期、I型糖尿病、II型糖尿病、神经病、阿尔茨海默病和心脏病，仅举几个例子。相反，“积极”健康状况的例子可能包括预测发展为消极健康状况或与体脂、心血管功能等相关的积极健康状况的风险降低。在某些情况下，健康指标可以指预测的医疗状态，例如，预测的A1C。值得注意的是，预测318基于葡萄糖测量值118和在特定时间段期间收集的附加数据。因此，在一些情况下，预测318基于汇总数据预测用户近期预测的健康状况。或者，预测的健康状况可以对应于在收集汇总数据的特定时间段之后发生的时间段(例如，预测40个月内的II型糖尿病)。一些其他类型的预测和用于生成这些预测的特定类型的信息也在下文更详细地讨论。

基于生成的预测318，数据分析平台126生成建议320。例如，建议320可以指示用户执行动作(例如，将应用下载到计算设备108、立即就医、服用胰岛素、散步、食用特定的食物或饮料)、继续做一种行为(例如，继续以某种方式进食或以某种方式锻炼)、改变一种行为(例如，改变饮食习惯或锻炼习惯)等。在这样的场景中，预测318和/或建议320从数据分析平台126通信并经由计算设备108输出。在所示的实施例300中，预测318也被示为被通信到计算设备108。应当理解，可以将预测318和建议320中的任一个或两者通信到计算设备108。附加地或替代地，预测318和/或建议320可以被路由到决策支持平台和/或验证平台，例如，在允许将预测和/或建议通信到计算设备108之前。在生成一个或多个预测作为建议320的基础的情况下，考虑图4中的以下讨论。

图4更详细地描述了数据分析平台126的示例性实施方式400。如图3所示，数据分析平台126包括预测系统316。

在所示实施例400中，预测系统316包括模型管理器402，其管理模型404，包括统计模型406和附加机器学习模型408，例如，神经网络。应当理解，模型404可以包括不同的模型，而不背离所描述的技术的精神或范围，例如，多个不同的统计模型、配置为神经网络的多个机器学习模型和/或多个其他类型的机器学习模型。这些不同的机器学习模型可以分别使用不同的数据、根据不同的统计建模技术、具有不同的架构、根据不同的算法等来构建或训练(或以其他方式学习的模型)。因此，应当理解，模型管理器402的功能的以下讨论适用于各种机器学习模型。然而，出于解释的目的，模型管理器402的功能将结合统计模型406和附加机器学习模型408进行一般性描述。

通常，模型管理器402被配置为管理模型404。此模型管理包括，例如，构建统计模型406、构建机器学习模型408、训练机器学习模型408、更新这些模型等。具体地，模型管理器402被配置为至少部分地使用在CGM平台112的存储设备120中保留的大量数据来执行此模型管理。如所示，此数据包括用户群110的葡萄糖测量值118和附加数据410。换句话说，模型管理器402构建统计模型406，构建机器学习模型408，训练机器学习模型408(或以其他方式学习由它部署的策略)，并使用用户群110的葡萄糖测量值118和附加数据410更新这些模型。

通常，CGM平台112从各种设备、传感器、应用或服务获取用户群的附加数据410。因此，可以从与检测葡萄糖测量值118的CGM系统104不同的一个或多个“来源”获取附加数据。在一种或多种实施方式中，附加数据410可以包括CGM设备数据214的至少一个或多个部分，除了葡萄糖测量值118(例如，传感器识别216和传感器状态218数据)、补充数据304、第三方数据314、来自IoT114的数据等。

作为实施例而非限制，附加数据410可以包括健康相关数据、应用交互数据、环境数据、人口统计数据、除了葡萄糖测量值之外的设备数据(例如，传感器识别数据、事件报告)、计算设备添加的补充数据、第三方数据等。健康相关数据可能包括活动数据(例如，步数、锻炼频率、睡眠数据)、生物特征数据(例如，胰岛素水平、酮水平、心率、温度、压力、体温)、营养数据(例如，饮食记录、扫描的餐厅收据、碳水化合物消耗、禁食)、医疗记录(例如，A1C、胆固醇、心电图结果以及与其他医疗测试或历史相关的数据)等。应用交互数据可以包括从描述用户与特定应用交互的应用日志中提取的数据、描述与计算设备的输入/输出界面相关的点击、轻敲和按压的点击流数据，凝视数据描述用户正在观看的位置(例如，相对于与计算设备相关联的显示设备，或者当用户正在远离设备观看时)，语音数据描述用户或其他用户的音频命令和其他口语短语(例如，包括被动收听用户)等。环境数据可以包括描述与用户相关联的各种环境方面的数据，例如，用户的位置、用户位置的温度和/或天气、用户的海拔高度、气压等。人口统计数据可以包括描述用户的数据，例如，年龄、性别、身高、体重等。上述类型的附加数据仅仅是实施例，并且附加数据可以包括更多、更少或不同类型的数据，而不背离这里描述的技术的精神或范围。

与传统系统不同，CGM平台112存储(例如，在存储设备120中)或以其他方式访问使用CGM系统104为用户群110的数十万用户(例如，500000或更多)获取的葡萄糖测量值118。此外，这些测量值由CGM系统104的传感器以连续速率进行。结果，模型管理器402可获得用于模型构建和训练的数百万甚至数十亿的葡萄糖测量值118。有了这样大量的数据，模型管理器402可以建立和训练模型404以准确地模拟不同行为对葡萄糖水平的真实影响。缺少CGM平台112的葡萄糖测量值118的大量性，传统系统根本无法建立或训练模型以适当地表示各种行为如何影响葡萄糖水平的方式覆盖状态空间。未能适当地覆盖这些状态空间可能会导致葡萄糖预测或其他健康指标的预测不准确，这可能导致建议可能导致死亡的不安全行动或行为。鉴于产生不准确预测的严重性，重要的是使用对罕见事件具有大量的葡萄糖测量值118来构建模型404。

在一种或多种实施方式中，模型管理器402通过从葡萄糖测量值118和附加数据410中提取对应于至少一个属性的观察值来构建统计模型406。一旦建立，统计模型406被配置为预测此至少一个属性的值并将它们输出-至少一个属性的值不用作模型的输入。例如，在统计模型406是回归模型的情况下，这些值可以对应于统计模型406的一个或多个因变量。这些属性的值-对应于统计模型406的因变量-在以下讨论中可以被称为第一组值。此外，模型管理器402从葡萄糖测量值118和附加数据410中提取对应于至少一个其他属性的观察值。一旦建立，其至少一个其他属性的值将用作统计模型406的输入，例如，作为这些值的向量。在统计模型406是回归模型的场景中，至少一个其他属性可以对应于一个或多个解释性(或独立)变量。这些自变量的提取值在以下讨论中可以称为第二组值。

给定第一组值和第二组值，模型管理器402使用一种或多种已知方法将这些值“拟合”到等式，以便它在一定公差范围内从第二组的值产生第一组的值宽容。这种拟合方法的实施例包括使用最小二乘法、使用最小绝对偏差回归、最小化最小二乘成本函数的惩罚版本(例如，岭回归或套索)等。“拟合”意味着模型管理器402使用一种或多种方法和这些数据集来估计方程的模型参数。估计的参数包括，例如，在操作期间将值输入到统计模型406时应用于自变量值的权重。模型管理器402将从观测值估计的这些参数合并到方程中以生成统计模型406。在操作中，预测系统316将自变量的值输入到统计模型406中(例如，作为一个或多个向量或矩阵)，统计模型406将估计的权重应用于这些输入值，之后输出用于一个或多个因变量的值。此输出表示为预测318。

在一种统计模型构建场景中，模型管理器402使用具有在特定时间戳之前的时间戳的用户群110的葡萄糖测量值118并且还使用对应的附加数据410(例如，具有对应于葡萄糖测量值118并且与对应于葡萄糖测量的用户相关联的时间戳)作为统计模型406的自变量的值。在这种情况下，模型管理器402可以使用具有在特定时间戳之后的时间戳的用户群110的葡萄糖测量值118作为统计模型406的因变量的值。这里，模型管理器402使用一种或多种已知方法来将方程拟合到前时间戳数据和后时间戳数据。这样做时，模型管理器402估计方程的参数，从而通过输入前时间戳数据值，输出后时间戳葡萄糖测量值118(或在这些测量值的某个公差范围内的值)。

模型管理器402然后将估计的参数并入方程并将此并入作为统计模型406保留，使得统计模型406将估计的参数与方程一起保存。以这种方式，模型管理器402构建统计模型406，当它接收特定时间之前的葡萄糖测量值和相应的附加数据作为输入时，其统计模型406能够生成特定时间之后的葡萄糖测量值的预测318。执行操作并继续此场景，预测系统316可以因此获取个人102在特定时间(例如，当前时间)之前的葡萄糖测量值118的子集以及对应于个人102的附加数据410用于训练统计模型的自变量406。预测系统316然后可以将个人102的此数据提供给统计模型406作为输入。在接下来的场景中，统计模型406生成预测318作为个人102在特定时间(例如，当前时间)之后的葡萄糖测量值。

尽管关于构建和实际使用统计模型406讨论了在特定时间(例如，当前时间)之后的葡萄糖测量值的预测，但是模型管理器402可以构建统计模型406以根据观察到的葡萄糖测量值118和附加数据410中的模式预测不同方面。作为实施例，模型管理器402可以建立统计模型406来预测个人102的健康指标的上升或下降趋势、个人102在某个时间段内保留的健康指标等-并且使用葡萄糖测量值118和用户群110的附加数据410来构建模型以保持与用户群110之间的这些健康指标和趋势的相关性。

现在回到根据所描述的技术对附加机器学习模型408(例如，被配置为神经网络)的讨论。以与统计模型406相似的方式，模型管理器402提取对应于至少一个属性的第一组观察值和对应于至少一个其他属性的第二组值-这两组都从葡萄糖测量值118和用户群110的附加数据410中提取。模型管理器402使用这些值集来训练机器学习模型408或向机器学习模型408提供关于其预测的反馈，以便它学习用于生成预测的策略。

还相似于统计模型406，一旦附加机器学习模型408被训练或学习至少要部署的初始策略，机器学习模型408被配置成预测对应于第一组的至少一个属性的值并输出那些值。此外，机器学习模型408一旦被训练或用于部署至少一个初始策略，就被配置成接收第二组的至少一个其他属性的值作为输入，例如，作为这些值的向量。例如，在机器学习模型408是神经网络的场景中，机器学习模型408在操作期间可以因此接收表示至少一个其他属性的值的一个或多个向量(例如，特征向量)作为输入。在这样的场景中，机器学习模型408在操作期间还可以输出一个或多个向量(例如，特征向量)，其表示至少一个属性的值。

在训练的上下文中，模型管理器402可以通过提供来自第二组值的数据实例作为机器学习模型408的输入来训练机器学习模型408。响应于此，机器学习模型生成预测318，例如，对应于第一组的至少一个属性的值的预测。模型管理器402从机器学习模型408获取此训练预测作为输出，并将训练预测与对应于数据输入实例的第一组的实际提取值进行比较。作为实施例，模型管理器402使用成本函数将训练预测与实际提取的值进行比较。基于此比较，模型管理器402调整机器学习模型408的内部权重，使得机器学习模型可以在将来提供数据实例作为输入时基本再现实际提取的值。

将观察到的数据实例输入机器学习模型408、从机器学习模型408接收训练预测、将训练预测与对应于输入实例的预期输出值(观察到的)进行比较(例如，使用成本函数)的过程，并且基于这些比较调整机器学习模型408的内部权重，可重复数百、数千甚至数百万次迭代-每次迭代使用训练数据的实例。

模型管理器402可以执行这样的迭代，直到机器学习模型408能够生成一致且基本匹配预期输出的预测318，例如，基本匹配第一组值的观察值。机器学习模型始终如一地生成与预期输出基本匹配的预测的能力可以称为“收敛”。鉴于此，可以说模型管理器402训练机器学习模型408直到它“收敛”在一个解决方案上，例如，由于训练迭代，模型的内部权重已经被适当地调整，使得模型一致地产生预测与预期输出基本相符。

应当理解，这只是机器学习模型408以及它可以如何被训练的一个附加实施例。实际上，机器学习模型可以根据各种范式(例如，监督学习、无监督学习、强化学习等)进行配置，并使用不同的方法进行训练，而不背离所描述技术的精神或范围。作为实施例，机器学习模型408可以最初在葡萄糖测量值118和用户群的附加数据410上进行训练，然后可以使用来自葡萄糖测量值118的训练实例和个人102的附加数据410来进一步更新训练，例如，进一步调整机器学习模型408的各种参数。

无论如何，一旦机器学习模型408至少部分地使用葡萄糖测量值118和用户群110的附加数据410来训练，机器学习模型408可以在操作中用于生成对应于个人102的用户预测318。考虑以下实施方式的实施例，其与上面讨论的统计模型构建场景和使用类似，但不是利用统计模型406而是利用机器学习模型408。

在此机器学习实施例中，模型管理器402使用用户群110的葡萄糖测量值118，其具有在特定时间戳之前的时间戳并且还使用对应的附加数据410(例如，具有对应于葡萄糖测量值118并且与对应于葡萄糖测量值的用户相关联的时间戳)作为机器学习模型408的训练输入。在这种情况下，模型管理器402可以使用用户群110的葡萄糖测量值118，其具有在特定时间戳之后的时间戳作为机器学习模型408的预期输出(目标或标签)。在此，模型管理器402使用一种或多种已知的方法来调整模型的参数以在给定前时间戳数据作为输入的情况下预测后时间戳数据。这些方法的实施例包括监督学习方法，例如，梯度下降、随机梯度下降等。当然，可以使用其他方法而不背离所描述技术的精神或范围。

通过使用这些方法，模型管理器402调整机器学习模型408的内部权重，从而通过输入前时间戳数据值，输出后时间戳葡萄糖测量值118(或在这些测量值在一定公差范围内的值)。此外，机器学习模型408保留这些内部权重，例如，结合模型的特定节点。以这种方式，模型管理器402构建机器学习模型408，当它接收到作为输入的特定时间之前的葡萄糖测量值以及相应的附加数据时，此模型管理器能够在特定时间之后生成葡萄糖测量值的预测318。

执行操作并继续此场景，预测系统316可以因此获取个人102在特定时间(例如，当前时间)之前的葡萄糖测量值118的子集以及对应于个人102的附加数据410用于训练机器学习模型408的输入数据。预测系统316之后可以将个人102的此数据提供给机器学习模型408作为输入。在接下来的场景中，机器学习模型408生成预测318作为个人102在特定时间之后的葡萄糖测量值，例如，当前时间。在一个或多个实施方式中，机器学习模型408以向量的形式输出此预测。

尽管关于训练和实际使用机器学习模型408讨论了在特定时间(例如，当前时间)之后的葡萄糖测量值的预测，但是模型管理器402可以构建机器学习模型408以根据观察到的葡萄糖测量值118和附加数据410中的模式预测不同方面。作为实施例，模型管理器402可以建立机器学习模型408来预测个人102的健康指标的上升或下降趋势、个人102在某个时间段内保留的健康指标等-并且使用葡萄糖测量值118和用户群110的附加数据410以建立模型以保持与用户群110之间的这些健康指标和趋势的相关性。部分由于使用大量训练数据来训练机器学习模型408，机器学习模型408能够捕获数据中的潜在特征，其可能包括数据内的隐藏关系和虚假相关性，这实际上不可能让人类分析师发现他们在关系中随机发生的缺失。

无论是使用统计模型406、附加机器学习模型408还是统计和/或附加机器学习模型的某种组合(整体)来生成预测318，其可以由建议系统412获取。建议系统412被配置成基于预测318生成建议320。建议系统412可以使用或以其他方式访问逻辑来实现，其逻辑根据预测配置建议320。作为实施例，如果预测318指示个人102的积极健康趋势(例如，她的A1C较低)，则建议系统412可以生成建议320以建议继续各种行为。

建议系统412用于生成建议320的逻辑可以在复杂性上变化，而不背离所描述技术的精神或范围，例如，从启发式手动编码到一个或多个附加机器学习模型，用于基于接收预测318作为输入来配置建议。下面更详细地讨论可以分别由模型404和建议系统412产生的预测和建议类型的进一步实施方式实施例。然而，现在，考虑根据所描述的技术关于验证服务和决策支持平台的图5的以下讨论。

图5描述了实施方式的实施例500，其中由数据分析平台产生的预测或建议中的至少一个被路由到验证服务或决策支持平台中的至少一个。

所示实施例500包括计算设备108和具有预测系统316的数据分析平台126。在此实施例500中，数据分析平台被描述为传达预测318和建议320。这里，建议320涉及计算设备108的用户，例如，个人102。作为实施例，预测318包括关于个人的信息(例如，在即将到来的时间段内预测的葡萄糖水平、在即将到来的时间段内预测的健康趋势等)，并且建议320包括针对用户的一个或多个建议(例如，要执行或消除的一个或多个动作、采用或消除的行为等)。

与图3所示的实施例300相反，所示实施例500包括验证服务502和决策支持平台504作为数据分析平台126和计算设备108之间的中介。因此，可以将预测318和/或建议320路由到验证服务502或决策支持平台504之一或两者。尽管验证服务502和决策支持平台504未在图3中描述，应当理解，在关于图3讨论的场景中生成的预测318和建议320可以通过验证服务502和/或决策支持平台504进行路由。

根据所描述的技术，验证服务502被配置成验证建议320。这意味着确定建议是否有效(例如，安全)并且可以进一步通信到决策支持平台504和/或直接通信到计算设备108。验证服务502可以将建议320公开给已经被验证服务502认证为被授权验证建议的用户，例如，临床医生。作为实施例，验证服务502可以将建议320通过电子邮件发送给临床医生，通过临床医生门户提供建议320(例如，临床医生可以查看多个建议并验证它们或不验证它们)，提供建议320的通知在移动设备的屏幕上-允许临床医生通过手势来批准、拒绝或获取其他信息，仅举几个例子。验证服务502可以向被允许以各种方式验证建议的用户(例如，临床医生)提出建议，而不背离本文描述的技术的精神或范围。

响应于正在被验证的建议(例如，由临床医生或验证服务502的逻辑)，此建议可以进一步路由到决策支持平台504或直接路由到计算设备108。当建议未被验证(即，它被拒绝)时，此建议可能不会被进一步路由到决策支持平台504或计算设备108。相反，验证服务502可以修改建议(例如，根据临床医生输入)和/或向数据分析平台126提供此建议未被验证的通知。在这种情况下，数据分析平台126可能能够将未验证的指示添加为预测系统的输入，并启动不同预测318和/或建议320的生成。

实际上，模型404可以基于从验证服务502接收到的验证和非验证来更新。在验证服务502验证建议320并因此允许建议320被直接转发到计算设备108的场景中，计算设备108可以输出建议320，例如，通过显示设备，通过音频设备(例如、扬声器、耳机、耳塞)，通过触觉反馈等，如上下文所述。下面结合图10更详细地讨论验证服务502如何向被允许验证建议的用户(例如，临床医生)提出建议的实施例。

如上所述，预测318和/或建议320可以通过验证服务502通信到决策支持平台504，或者可以直接从数据分析平台126通信到决策支持平台504，避开验证服务502。决策支持平台504被配置成向CGM平台112的用户提供支持以管理一种或多种健康状况，例如，糖尿病。响应于接收到建议320，例如，决策支持平台504可以将建议提供给客户支持专家，例如，通过电子邮件、支持专家门户等。

基于建议320，以及基于可访问的关于相应用户的其他信息，客户服务专家可以确定如何支持用户。作为实施例，客户服务专家可以确定在电话呼叫期间呼叫用户以提供语音支持，以选择(例如，通过支持专家门户)一个或多个预先配置的消息发送给用户(例如、文本消息、移动电话通知、电子邮件消息等)，构建一条或多条消息以从预先配置的消息组件发送给用户，简单地将建议320转发到计算设备108，联系临床医生或与用户相关联的其他医疗专业人员、联系紧急服务、联系用户的看护人或其他监护人(例如，父母)等。决策支持平台504可以以多种方式提供用于支持用户基于预测318和建议320的管理他们的健康状况的工具、内容和服务，而不背离所描述技术的精神或范围。

已经讨论了CGM系统104以及从各种来源收集的数据如何与葡萄糖测量值一起使用以生成与用户健康相关的预测并提供建议，将考虑基于CGM的建议的以下实施方式的实施例。

使用模型生成预测和建议

图6描述了在连接到CGM系统的计算设备上显示的CGM平台的用户界面的实施例600。

所示实施例600包括由计算设备108显示的CGM用户界面602。在此实施例中，CGM界面602被描述为显示预测604以及建议606。如通篇所述，预测604由预测系统316生成以通过使用诸如统计模型406或附加机器学习模型408的之类的一个或多个模型处理用户的葡萄糖测量值118和附加数据410来预测用户的健康指标。

出于此实施例的目的，假设用户在收到指示用户患有“糖尿病前期”的A1C和空腹葡萄糖测试结果后开始使用CGM系统104测量葡萄糖水平，这使用户在不远的将来面临患II型糖尿病的风险中。鉴于此，用户开始佩戴CGM系统104，其自动将葡萄糖测量值118提供给预测系统316。CGM平台112处理为用户收集的葡萄糖测量值118以确定用户的血糖越来越处于“高”范围内(例如，>250mg/dl)。

与葡萄糖测量值118一起，预测系统316获取用户的营养数据，例如，由各种第三方306(例如，杂货店、餐馆、酒类商店)提供的食品和饮料购买数据和/或用户提供的营养数据(例如，食物日志、捕获的食物和饮料消费图像、扫描的餐厅或杂货店收据)。此营养数据表明，用户平均每周消费一升瓶装苏打水，每周在快餐店吃三次饭，大多数周末喝啤酒和吃薯片。预测系统316还可以基于用户没有消费的食物或饮料做出各种推断。在这种情况下，预测系统316分析营养数据以确定用户很少购买“全食物”，例如，水果、蔬菜或肉类。此外，预测系统316获取用户的活动数据，其中包括指示用户每天步行很少超过5000步并且不锻炼的步数数据，还包括指示用户每晚平均睡五小时的睡眠数据。

预测系统将模型404应用于葡萄糖测量值118和附加数据410，在此实施例中，包括上述用户的营养数据和活动数据。鉴于用户上升的血糖测量值、不良的饮食选择和活动缺乏，预测系统316生成预测604，其指示用户在40个月内有76％的机率患上II型糖尿病。

连同预测604，CGM用户界面602显示由数据分析平台126的建议系统412生成的建议606。建议606包括用户可以采取以改善用户的预测的消极健康状况的一个或多个动作或行为。在这种情况下，建议606包括针对定制饮食计划的建议、针对定制锻炼计划的建议以及请可以帮助用户遵循建议的营养和锻炼计划的教练的建议。参考图6，所示用户选择定制的锻炼计划建议以便获取关于建议锻炼计划的更详细信息。

继续这个实施例，假设用户遵循预测系统316推荐的动作和行为，例如，通过切换到全食物饮食并使用在线食物日志跟踪饮食、每天步行10000步并使用带计步器的智能手表，每周锻炼三次并通过在线锻炼日志记录每次锻炼。在这种情况下，预测系统316为用户连续收集葡萄糖测量值118、营养数据和活动数据，并确定用户改进的营养选择和锻炼频率与用户平均血糖测量值118的降低相关。

基于对来自CGM传感器和附加数据410的用户更新的葡萄糖测量值118的连续分析以及指示用户正在做的更好的食物选择(如用户的营养日志所示)和更频繁地锻炼(如步数数据和锻炼日志所示)，预测系统316生成更新的预测，其被通信到计算设备108以显示为如图7所示的通知702。在此实施例中，通知702的更新预测指示用户现在“不太可能”在未来40个月内患上II型糖尿病。值得注意的是，通知702的更新预测向用户提供了积极的反馈，这可以进一步激励用户继续健康饮食和锻炼。相反，在更新的预测表明健康状况恶化的情况下，更新的预测可能有助于促使用户回到正轨。

为相似用户生成应用建议

如通篇所述，CGM平台112利用一个或多个CGM平台API310来实现葡萄糖测量值118从CGM平台112到各个第三方306的通信，以及第三方数据314从第三方306的通信到CGM平台112。因此，由利用葡萄糖测量值118的此类第三方306提供的应用和服务越来越多并且通常可以通过“应用商店”下载。一旦下载到计算设备108，用户可以授权第三方306通过API310访问用户的葡萄糖测量值118。这样做使第三方306能够利用葡萄糖测量值118以多种不同的方式改善用户的健康。这样，第三方306可能能够提供使用葡萄糖测量值118的各种应用和服务，即使这样的第三方306可能不制造和部署他们自己的CGM系统。随着第三方“应用”和服务数量的增加，普通用户越来越难以发现最适合他们个人情况的应用和服务。

CGM平台112可以包括“输入”API310，其使得CGM平台112能够从各种第三方306(例如，通过第三方306的第三方服务器)接收第三方数据314。第三方数据314可以包括描述用户与第三方服务或应用的交互的应用交互数据。例如，这样的数据可以包括从描述用户与特定应用的交互的应用日志中提取的数据、描述与计算设备的输入/输出界面相关的点击、轻敲和按压的点击流数据等。

CGM平台112可以汇总应用交互数据以及葡萄糖测量值118和附加数据，以便确定用户与特定应用或服务的交互是否与用户健康的改善相关。例如，基于葡萄糖测量值118，CGM平台112可以客观地确定用户健康状况的改善。CGM平台112在确定应用使用是否改善了用户的健康时，可以基于葡萄糖测量值考虑各种不同的因素，包括平均血糖的改善、时间范围内的改善、特定不期望模式的缓解或任何组合。此外，CGM平台112可以提供各种控制以解决葡萄糖测量值118中的差异，例如，传感器利用率和校准频率。CGM平台112还可以在确定用户健康改善时考虑由第三方306提供的数据。CGM平台112然后可以基于应用交互数据将用户健康的改善或衰退与特定应用的使用相关联。例如，如果CGM平台112检测到用户健康状况的改善与特定应用的大量使用相一致，则CGM平台112可以确定特定应用与改善相关。基于CGM平台112可用的数据量，可以为用户群110的用户子集确定特定应用与健康状况改善的相关性。

建议系统412然后可以识别具有相似健康状况的用户，并且生成对相似用户的建议以利用有助于改善相似用户子集的健康状况的特定应用。为此，建议系统412可以通过用户群中的其他用户对特定应用的使用来预测相似健康状况的改善的概率，并且向其他目标用户建议具有高概率改善健康的应用。这样的应用建议可以针对具有与特定应用的使用相关的改善健康状况的用户子集相似的个人用户。例如，如果特定应用的使用与改善用户群中用户子集的血糖相关，则CGM平台112可以向用户群110中的相似用户推荐特定应用的使用。

相似用户的识别可以基于相似用户的葡萄糖测量值中的人口统计或观察到的模式中的至少一个。例如，可以部分地基于由用户佩戴的CGM系统104提供的葡萄糖测量值118，将相似用户识别为具有相同的健康状况。CGM平台112可以首先为开始佩戴CGM系统104的新用户生成用户档案，其包括人口统计数据，例如年龄、性别、位置、现有医疗记录等。随着CGM平台112从用户收集葡萄糖测量值118和附加数据410，CGM平台112提炼用户与其他用户的相似性分数。例如，一个22岁的女性用户，其平均葡萄糖值为162mg/dL，并且经历过夜间低葡萄糖测量值模式，可能与此年龄、性别、平均葡萄糖测量值的其他用户具有较高的相似性分数和模式经验。

然后，为了确定应用建议，将相似性分数与相似用户的先前应用成功率相结合。例如，如果与目标用户相似的用户下载并使用了特定应用，然后看到他们的血糖有所改善(例如，平均血糖降低和夜间低点降低所证明的那样)，那么建议系统412可以被配置成生成针对目标用户的特定应用的高建议分数。相反，如果其他应用没有表现出这种改善，这些应用对目标用户的建议分数就会较低。应用建议可以被通信到计算设备108以供输出。

在生成应用建议的上下文中，现在参考图8，其描述了在连接到CGM系统的计算设备上显示的CGM平台的用户界面的附加实施例800。所示实施例800包括由计算设备108显示的CGM用户界面802。在此实施例中，CGM用户界面802被描述为显示建议的应用804。如通篇所讨论的，建议系统412可以确定建议应用804，以基于目标用户与用户群体110中的其他用户的相似性来改善目标用户的健康状况，其用户群体中的其他用户的健康状况基于推荐应用804中的至少一个的使用而得到改善。在这种情况下，建议的应用804对应于各种第三方应用。在图8中，用户被描述为选择应用“Nutrition by Neha”以便将此应用下载到用户的智能手机。

值得注意的是，建议系统412可以在目标用户下载和使用应用时进一步加强应用建议，从而加强或否定先前的建议并导致未来改进的后续建议。例如，如果建议系统412从相似用户获取指示相似用户的健康状况改善的葡萄糖测量值118，则此反馈将积极加强用户子集健康状况的改善与特定应用的使用之间的相关性。相反，如果来自相似用户的葡萄糖测量值118表明相似用户的健康状况没有改善(或健康状况恶化)，那么此反馈将消极地加强用户子集健康状况的改善与特定应用的使用之间的相关性。

例如，如图8所示，当用户开始与“Nutrition by Neha”应用交互时，应用交互数据可以通过API310通信到CGM平台112并与用户的葡萄糖测量值118和附加数据相关联。以此方式，CGM平台112可以基于从用户群110的应用使用接收到的反馈不断更新用于建议的应用的模型404。例如，在基于反馈更新机器学习模型408的配置中，模型可以被配置为强化学习模型。然后使用更新的模型404来生成改进的应用建议。

此外，如果CGM平台112基于更新的葡萄糖测量值118检测到特定应用的使用正在改善用户的健康状况，则CGM平台112可以将改善的通知通信给计算设备108以供输出。参考图9，例如，通知902由计算设备108显示并且指示“Nutrition by Neha”应用的使用已经使用户的神经病得到改善。应当理解，此积极的通知可以激励用户继续使用此应用。

验证服务

图10描述了验证服务的用户界面的示例性实施方式1000，授权用户可以与之交互以验证由CGM平台生成的建议。

在所示实施例1000中，显示设备1002被描述为显示验证服务502的用户界面1004。广义地说，用户界面1004的界面元件使授权用户能够与那些元件交互以验证或拒绝由数据分析平台126提供并旨在传递给用户(例如，个人102)的建议。响应于经由验证建议(例如，建议320)的用户界面元件接收输入，验证服务502可以将建议路由到相应用户的计算设备108。如上所述，验证服务502还可以将建议路由到决策支持平台504。响应于通过用户界面1004的用户界面元件接收到拒绝建议的输入，验证服务502不将此建议通信给计算设备108。相反，验证服务可以向数据分析平台126通信指示建议被拒绝的通知。附加地或替代地，验证服务502的经批准的用户可以修改建议，然后将修改后的建议发送到用户的计算设备108。如上所述，被授权验证由数据分析平台126提供的建议的用户可以包括有资格向患者提供健康指令的临床医生或其他医疗保健专业人员。

在所示实施例1000中，用户界面1004显示由数据分析平台126提供给验证服务502的建议的存根1006。这些存根1006被配置为交互元件，用户可以与之交互以查看、验证、拒绝和/或采取与相应建议相关的一些其他行动过程(例如，修改)。尽管在此实施例中描述了建议存根，但可以使用其他用户界面元件，使授权用户能够查看、验证、拒绝和/或采取与相应建议相关的一些其他行动过程(例如，修改)，而不偏离所描述技术的精神或范围。

在此实施例1000中，每个存根1006包括用户或患者姓名、相应建议320所基于的预测318的指示以及建议320的指示。用户1008被描述为执行与存根1006之一相关的手势-在这种情况下为从右到左的滑动手势-以公开可选择的进一步的界面元件以验证相应的建议320或拒绝它。应当理解，验证或拒绝相应建议的元件可以以其他方式公开，例如，显示为每个存根的一部分，而不需要交互，例如，滑动手势，显示为响应于某些交互而启动的菜单的一部分(例如，用鼠标右键单击)在存根上等。尽管未示出，但也可以选择存根1006以显示特定于建议的用户界面，此界面输出整个预测和整个建议以供审查以及用于处理建议的多个选项-包括验证和拒绝建议的选项和其他选项。

故障检测和系统配置问题

图11描述了用户界面的示例性实施方式1100，其输出关于检测到的故障和与CGM平台的使用相关联的系统配置问题的信息。

在所示实施例中，显示设备1102被描述为显示故障检测和系统配置服务的用户界面1104。在一种或多种实施方式中，故障检测和系统配置服务可以被包括为CGM平台112的一部分或以其他方式可供CGM平台112访问。还应当理解，用户界面1102的部分可以通过相应的门户提供和显示给其他实体，例如，分别提供可关联CGM系统104使用的设备或服务的制造商或服务提供商。这些设备可以包括计算设备108、胰岛素输送系统106、无数生理标记测量值设备、CGM系统104的各种组件等中的一个或多个。

用户界面1104显示多个检测到的故障和系统配置问题的存根1106。尽管在用户界面1104中显示了各种故障和问题，但显示给给定实体(例如，特定制造商或监管机构，例如，美国食品和药物管理局(FDA))的故障和/或问题可能是有限的(例如，涉及特定制造商设备的故障或问题，或法律要求向监管机构公开的信息)。作为对比，向CGM平台112认证为雇员或相似用户(例如，工程师、质量保证、开发合作伙伴等)的用户可以授权显示所有与CGM平台112相关的故障和/或问题。

在此实施例1100中，存根1106包括由可通信地连接或以其他方式与CGM平台112相关的一个或多个设备报告的事件(例如，故障)的存根，例如，由CGM系统104报告的关于传感器202、计算设备108、胰岛素输送系统106、第三方306，仅举几个例子。存根1106还包括与特定系统配置相关联的问题相关的存根，此特定系统配置包括CGM系统104但与其他设备的不同组合，例如，具有特定计算设备108(例如，特定制造商)、特定集合的计算设备108(例如，对应于第一制造商的移动电话和对应于第二制造商的智能手表)、特定胰岛素输送系统(例如，来自不同制造商的胰岛素笔与胰岛素泵)、特定固件和软件版本等。

存根1106还包括传递一个或多个置信度的存根，例如，由各种组件(例如，传感器202的制造批次)获取的数据的置信度、系统配置、以及与具有不同人口统计数据相关联的用户的置信度等。在一种或多种实施方式中，置信度度量是置信区间。此外，存根1106包括指示平台特征(例如，对应于CGM平台112的应用的功能和/或用户界面元件)的使用的存根。系统开发人员可以使用此信息来确定是否继续开发和/或提供与不同特征相关的支持。

关于描述由一个或多个设备报告的事件的存根，对应于CGM平台112的开发人员即使不是不可能也很难在部署之前测试可与CGM系统104相关联使用的所有设备组合CGM平台112的应用，例如，手机和智能手表应用。相反，那些开发人员可以将测试限制在最有可能使用的设备的组合(例如，最流行的移动设备或胰岛素输送系统106)和/或由CGM平台112传播的内容中建议的组合，例如，通过出版物、网页、包装、电子邮件、广告等。在这种情况下，开发人员可能只知道经过测试的设备组合的一部分问题，并已修复它们，而未测试组合的问题则没有。

通过在存储设备120中收集和保留大量的葡萄糖测量值118、CGM设备数据214和补充数据304，数据分析平台126可以训练然后利用模型404来识别用户群110使用的设备的不同组合的问题(例如，故障)，例如，在实际使用期间经测试和未经测试的组合观察到的问题。实际上，所测试的设备组合可能尚未以实际用户群110实际使用它们的各种方式进行测试。因此，通过使用模型404来识别这些问题，数据分析平台126可以通知开发人员这些问题，以便开发人员可以开发针对这些问题的修复，将它们部署为，例如，固件或软件更新，作为对模型404的更新等。

替代地或附加地，数据分析平台126可以使用这些问题的识别来调整对遇到问题的组合的预测和建议。作为实施例，如果用户群的小子集(例如，1％)使用的设备组合向CGM平台112提供的葡萄糖测量值118始终(并且可预测地)低于由其他组合提供的葡萄糖测量值118，此信息可用于更新通过用户的计算设备108呈现给用户的实时葡萄糖测量值118。

模型404也可以使用此信息来预测具有设备组合的用户将遇到与人口子集相同的问题。值得注意的是，这些信息可用于确保生成有效(例如，安全)的建议并提供给这些用户。数据分析平台126可以以各种方式使用设备的不同组合来识别例如故障之类的问题的能力，而不背离所描述技术的精神或范围。

关于描述平台特征使用的存根，此信息可用于确定是否继续开发和/或提供与不同特征相关的支持，如上所述。在一种或多种实施方式中，数据分析平台126可以分析保留在存储设备120中的数据以确定对应于CGM平台112的公司支持CGM平台112的各种特征的成本，例如，由CGM系统104和应用提供的各种功能。作为其中的一部分，数据分析平台126被配置为测量由CGM平台112部署的每个功能之间的变化、共变和统计依赖性，例如，CGM系统104的功能之间的变化、共变和统计依赖性用于测量个人102的温度、CGM平台112的移动电话应用的功能以识别夜间可能发生的低血糖症、CGM平台112的智能手表应用的功能以使用与输出相关的触觉反馈(例如，振动)通知等。

在一个或多个实施方式中，数据分析平台126通过生成矩阵来确定变化和共变，此矩阵具有对应于从用户群110(例如，50000个用户)中采样的预定用户数量和特征数量的维数(例如，功能)由CGM平台112部署-或考虑可能停止开发或支持的特征的数量。在一下讨论中，预定用户数量由术语m表示，特征数量由术语n表示。为此，数据分析平台126构建了一个m×n矩阵，其每个单元格表示采样的用户是否使用相应的特征。数据分析平台126可以确定用户以多种方式使用特征，并且可以针对不同特征不同地定义使用。例如，如果来自存储设备120的数据指示用户曾经使用过某个功能，使用此功能的时间超过阈值，或者此功能处于活动状态，使用该功能的次数超过阈值，则数据分析平台126可以确定用户已经使用了此功能，允许此功能处于活动状态(例如，允许通知)等。

使用m×n矩阵，数据分析平台126计算给定特征i的变化分数，作为从采样用户数量m中“使用”给定特征i的用户数量a的函数。在一个实施例中，数据分析平台126根据以下计算变化：

在这里，术语

表示变异分数。数据分析平台126还被配置为计算给定特征i和另一特征j的共变分数作为使用给定特征i的用户数量a的函数以及作为使用来自采样用户数量m的另一个给定特征j的第二用户数量b的函数。数据分析平台126还计算作为同时使用给定特征i和其他特征j的第三数量的用户c的函数的共变。在一个实施例中，数据分析平台126根据以下计算共变分数：

在这里，术语

表示共变分数以及术语

表示另一个给定特征j的变化分数。

数据分析平台126通过为每对特征构建列联表来测量不同特征之间的统计独立性，使得每一特征m-1为每一对生成特征和列联表。数据分析平台126对每个表执行已知的独立性测试。在一种或多种实施方式中，已知的独立性测试包括独立性卡方测试，其输出是P值，例如，观察样本统计与测试统计样本一样极端的概率。数据分析平台126然后将每个表的已知独立性测试的输出(例如，P值)与显著性水平阈值进行比较。如果输出满足显著性水平阈值，则数据分析平台将这对特征识别为依赖特征。

数据分析平台126然后根据给定特征的变化

加上与给定特征i统计相关的其他特征的成对分数

来确定给定特征i的成本。数据分析平台126然后可以将这些分数呈现给对应于CGM平台112的授权用户(例如，工程师、营销人员等)，例如，通过由用户界面1104或一些其他界面显示。应当理解，CGM平台112的特征的成本也可以以其他方式确定。

实施例过程

本节介绍基于连续葡萄糖监测(CGM)的建议的实施例过程。过程可以以硬件、固件或软件或其组合来实现。这些过程被显示为一组框，这些框指定由一个或多个设备执行的操作，并且不必限于所示的用于执行各个框的操作的顺序。在至少一些实施方式中，过程由数据分析平台执行，例如，利用预测系统316和建议系统412的CGM平台112的数据分析平台126。

图12描述了实施例过程1200，其基于葡萄糖测量值和用户的附加数据生成预测和建议。

获取由用户佩戴的CGM系统提供的葡萄糖测量值(框1202)。作为实施例，CGM平台112获取由个人102佩戴的CGM系统104检测到的葡萄糖测量值118。如通篇所讨论的，CGM系统104被配置为连续监测个人102的葡萄糖。例如，CGM系统104可以被配置有传感器202，其皮下插入到个人102的皮肤206中，并且连续测量指示个人102的葡萄糖的分析物以产生葡萄糖测量值。在一种或多种实施方式中，CGM平台112从通信连接到CGM系统104的计算设备108，例如，用户的移动电话或可穿戴设备，获取葡萄糖测量值118。

获取与用户相关联的附加数据(框1204)。作为实施例，CGM平台112从各种设备、传感器、应用或服务获取附加数据410。因此，根据本文讨论的原理，可以从一个或多个“来源”获取附加数据，这些“来源”不同于提供葡萄糖测量值118的CGM系统104。附加数据410可以包括CGM设备数据214的除葡萄糖测量值118之外的至少一个或多个部分、补充数据304、第三方数据314、来自IoT114的数据等。

通过使用一个或多个模型处理葡萄糖测量值和附加数据来预测用户的健康指标(框1206)。根据本文讨论的原理，一个或多个模型是基于用户群的历史葡萄糖测量值和历史附加数据生成的。作为实施例，数据分析平台126的预测系统316通过使用一个或多个模型404处理个人102的葡萄糖测量值118和附加数据410来生成包括健康指标的预测318。基于葡萄糖测量值118和用户群110的附加数据410生成一个或多个模型404。作为实施例而非限制，一个或多个模型404可以包括统计模型406和/或附加机器学习模型408。

基于用户的健康指标生成建议(框1208)。作为实施例，无论是使用统计模型406、机器学习模型408还是统计模型和/或机器学习模型的某种组合来生成预测318，预测318都是由数据分析平台126的建议系统412获取的。建议系统412被配置成基于预测318生成建议320。在某些情况下，健康指标对应于预测的消极健康状况，例如，预测用户将在未来40个月内患上II型糖尿病。在这种情况下，建议系统412可以基于将预测的消极健康状况与减轻预测的消极健康状况的一个或多个动作或行为相关联的逻辑来生成建议320。这样，建议320可以包括旨在减轻预测的消极健康状况的一个或多个动作或行为。

预测或建议中的至少一个通过网络通信到一个或多个计算设备以供输出(框1210)。作为实施例，数据分析平台126将预测318和/或建议320通信到计算设备108以供输出。计算设备108然后可以在CGM界面中显示预测318和/或建议320。例如，如图6所示，CGM用户界面602显示预测604以及建议606。在此实施例中，预测604指示用户在40个月内有76％的机率患上II型糖尿病。建议606包括用户可以采取以改善用户的预测的消极健康状况的一个或多个动作或行为。例如，如图6所示，建议606包括对定制饮食计划的建议、针对定制锻炼计划的建议以及请可以帮助用户遵循建议的营养和锻炼计划的教练的建议。

在一种或多种实施方式中，预测或建议可以在被通信到用户的计算设备108之前或替代地被通信到验证服务502和/或决策支持平台504。这样，验证服务502和决策支持平台504可以充当数据分析平台126和计算设备108之间的中介。在预测或建议被通信到验证服务502的场景中，验证服务502可以验证建议320。这意味着确定建议是否有效(例如，安全)并且可以进一步通信到决策支持平台504和/或直接通信到计算设备108。验证服务502可以将建议320公开给已经被服务502授权的用户，例如，临床医生以验证建议。

响应于正在被验证的建议(例如，由临床医生或验证服务502的逻辑)，此建议可以进一步路由到决策支持平台504或直接路由到计算设备108。当建议未被验证(即，它被拒绝)时，此建议可能不会被进一步路由到决策支持平台504或直接路由到计算设备108。相反，验证服务502可以修改建议(例如，根据临床医生输入)和/或返回向数据分析平台126提供拒绝建议的通知。在这种情况下，数据分析平台126可能能够将拒绝的指示添加为预测系统的输入，并开始生成不同的预测318和/或建议320。实际上，可以基于从验证服务502接收到的验证和拒绝来更新模型404。在验证服务502验证建议320并因此允许将建议320直接转发到计算设备108的场景中，计算设备108可以输出建议320，例如，通过显示器、通过扬声器、通过触觉反馈等，如上下文所述。

如上所述，建议320也可以通过验证服务502通信到决策支持平台504，或者可替代地可以直接从数据分析平台126通信到决策支持平台504，避开验证服务。基于建议320，以及基于可访问的关于相应用户的其他信息，客户服务专家可以确定如何支持用户。作为实施例，客户服务专家可以确定在电话呼叫期间呼叫用户以提供语音支持。

通过使用一个或多个模型处理更新的葡萄糖测量值和用户的附加数据来预测更新的健康指标，并且基于更新的健康指标的通知通过网络通信到一个或多个计算设备以供输出(框1212)。作为实施例，数据分析平台126为用户连续地收集葡萄糖测量值118和附加数据410。因此，预测系统316可以通过使用一个或多个模型404处理更新的葡萄糖测量值和附加数据来预测更新的健康指标。例如，如图7所示，基于对来自CGM系统104的用户更新的葡萄糖测量值118的连续分析以及指示用户正在做出更好的食物选择(如用户的营养日志所示)和更频繁地锻炼的附加数据410(如步数和锻炼日志所示)，预测系统316生成更新的预测，其被通信到计算设备108用于显示为通知702。

图13描述了实施例过程1300，其使用特定应用的建议被通信到相似用户的一个或多个设备。

用户群的葡萄糖测量值和与用户群的用户相关联的应用交互数据被保留在一个或多个存储设备中(框1302)。根据本文讨论的原理，应用交互数据描述应用的使用(例如，用户群的各个用户对“应用”的使用)。作为实施例，CGM平台112获取由个人102佩戴的CGM系统104检测到的葡萄糖测量值118，并将葡萄糖测量值118保留在存储设备120中。此外，CGM平台从各种应用中获取应用交互数据，例如，由第三方306提供的应用。

至少部分地基于葡萄糖测量值来识别用户群的用户子集的健康状况的改善(框1304)，并且用户子集的健康状况的改善与使用基于应用交互数据的特定应用相关联(框1306)。作为实施例，CGM平台112可以汇总应用交互数据以及葡萄糖测量值118和附加数据，以便确定用户与特定应用或服务的交互是否与用户健康的改善相关。例如，基于葡萄糖测量值118，CGM平台112可以客观地确定用户健康状况的改善。CGM平台112然后可以基于应用交互数据将用户健康的改善或衰退与特定应用的使用相关联。例如，如果CGM平台检测到用户健康状况的改善与特定应用的大量使用一致，则CGM平台可以确定特定应用与此改善相关。

识别出具有此健康状况的相似用户(框1308)，并且将建议使用特定应用通信给与此相似用户相关联的一个或多个设备(框1310)。作为实施例，建议系统412可以识别具有此健康状况的相似用户，并且生成对相似用户的建议以利用有助于改善相似用户子集的健康状况的特定应用。为此，建议系统412可以通过用户群中的其他用户对特定应用的使用来预测健康状况的相似改善的概率，并且向其他相似用户建议具有高概率改善健康的应用。

应用建议可以被通信到计算设备108以供输出。作为实施例，如图8所示，CGM用户界面802被描述为显示推荐应用804。在这种情况下，建议的应用804对应于各种第三方应用。在图8中，用户被描述为选择应用“Nutrition by Neha”以便将此应用下载到用户的智能手机。

已经描述了根据一个或多个实施方式的实施例过程，现在考虑可以用于实现这里描述的各种技术的实施例系统和设备。

实施例系统和设备

图14总体上在1400处示出了实施例系统，其包括实施例计算设备1402，其代表可以实现本文描述的各种技术的一个或多个计算系统和/或设备。这通过包括CGM平台112来示出。计算设备1402可以是，例如，服务提供商的服务器、与客户端相关联的设备(例如，客户端设备)、片上系统和/或任何其他合适的计算设备或计算系统。

所示实施例计算设备1402包括处理系统1404、一个或多个计算机可读介质1406、以及一个或多个相互通信连接的I/O界面1408。尽管未示出，但计算设备1402还可以包括系统总线或将各种组件彼此连接的其他数据和命令传输系统。系统总线可以包括不同总线结构中的任何一种或组合，例如，存储器总线或存储器控制器、外围总线、通用串行总线和/或利用多种总线架构中的任一种的处理器或本地总线。还设想了多种其他实施例，例如，控制线和数据线。

处理系统1404代表使用硬件执行一个或多个操作的功能。因此，处理系统1404被示为包括可以被配置为处理器、功能块等的硬件元件1410。这可以包括作为应用在硬件中实现为，使用一个或多个半导体形成的专用集成电路或其他逻辑设备。硬件元件1410不受形成它们的材料或其中采用的处理机制的限制。例如，处理器可以包括半导体和/或晶体管(例如，电子集成电路(ICs))。在这样的上下文中，处理器可执行指令可以是电子可执行指令。

计算机可读介质1406被示为包括存储器/存储1412。存储器/存储1412代表与一个或多个计算机可读介质相关联的存储器/存储容量。存储器/存储组件1412可以包括易失性介质(例如，随机存储器(RAM))和/或非易失性介质(例如，只读存储器(ROM)、闪存、光盘、磁盘等)。存储器/存储组件1412可以包括固定介质(例如，RAM、ROM、固定硬盘驱动器等)以及可移动介质(例如，闪存、可移动硬盘驱动器、光盘等)。计算机可读介质1406可以以进一步描述的多种其他方式来配置。

输入/输出界面1408代表允许用户向计算设备1402输入命令和信息并且还允许使用各种输入/输出设备将信息呈现给用户和/或其他组件或设备的功能。输入设备的实施例包括键盘、光标控制设备(例如，鼠标)、麦克风、扫描仪、触摸功能(例如，被配置为检测物理触摸的电容或其他传感器)、摄像头(例如，可以使用可见或不可见波长，例如，红外线频率来识别不涉及触摸的手势动作)等。输出设备的实施例包括显示设备(例如，显示器或投影仪)、扬声器、打印机、网卡、触觉响应设备等。因此，计算设备1402可以以进一步描述的多种方式配置以支持用户交互。

可以在软件、硬件元件或程序模块的整体上下文中描述各种技术。通常，此类模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、元件、组件、数据结构等。如本文所用，术语“模块”、“功能”和“组件”通常表示软件、固件、硬件或其组合。这里描述的技术的特征是与平台无关的，这意味着这些技术可以在具有各种处理器的各种商业计算平台上实现。

所描述的模块和技术的实现可以存储在某种形式的计算机可读介质上或通过某种形式的计算机可读介质传输。计算机可读介质可包以括可由计算设备1402访问的多种介质。作为实施例而非限制，计算机可读介质可以包括“计算机可读存储介质”和“计算机可读信号介质。”

“计算机可读存储介质”可以指与仅仅信号传输、载波或信号本身相比能够实现信息的持久性和/或非暂时性存储的介质和/或设备。因此，计算机可读存储介质是指非信号承载介质。计算机可读存储介质包括诸如易失性和非易失性、可移动和不可移动介质之类的硬件和/或以适合于存储例如计算机可读指令、数据结构、程序模块、逻辑元件/电路或其他数据的存储设备。计算机可读存储介质的实施例可以包括但不限于RAM、ROM、EEPROM、闪存或其他存储技术、CD-ROM、数字通用磁盘(DVD)或其他光学存储、硬盘、磁带盒、磁带、磁盘存储或其他磁性存储设备，或其他存储设备、有形介质或适合存储所需信息且可由计算机访问的制品。

“计算机可读信号介质”可以指代被配置为，例如，通过网络向计算设备1402的硬件传输指令的信号承载介质。信号介质通常可以在，例如，载波、数据信号或其他传输机制的调制数据信号中包含计算机可读指令、数据结构、程序模块或其他数据。信号媒体还包括任何信息传递介质。术语“调制数据信号”是指具有一个或多个其特征的信号，此信号以这样一种方式设置或改变，以便对信号中的信息进行编码。作为实施例而非限制，通信介质包括，例如，有线网络或直接有线连接的有线介质，以及例如声学、RF、红外线和其他无线介质的无线介质。

如上所述，硬件元件1410和计算机可读介质1406代表以硬件形式实现的模块、可编程设备逻辑和/或固定设备逻辑，其可以在一些实施方式中实现用于本文描述的技术的至少一些方面，例如，执行一个或多个指令。硬件可以包括集成电路或片上系统的组件、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、复杂可编程逻辑器件(CPLD)和硅或其他实现硬件。在此上下文中，硬件可以作为执行由指令定义的程序任务的处理设备和/或由硬件以及用于存储用于执行的指令的硬件所体现的逻辑，例如，上文描述的计算机可读存储介质。

上述的组合也可用于实现本文所述的各种技术。因此，软件、硬件或可执行模块可以实现为包含在某种形式的计算机可读存储介质上和/或由一个或多个硬件元件1410实现的一个或多个指令和/或逻辑。计算设备1402可以被配置为实现与软件和/或硬件模块相对应的特定指令和/或功能。因此，可由计算设备1402作为软件执行的模块的实现可以至少部分地在硬件中实现，例如，通过使用处理系统1404的计算机可读存储介质和/或硬件元件1410。指令和/或功能可以由一种或多种制品(例如，一种或多种计算设备1402和/或处理系统1404)执行/操作以实现本文描述的技术、模块和实施例。

这里描述的技术可以由计算设备1402的各种配置支持并且不限于这里描述的技术的具体实施例。此功能还可以全部或部分地通过使用分布式系统来实现，例如，通过如下所述的“云”1414通过平台1416实现。

云1414包括和/或代表资源1418的平台1416。平台1416抽象了云1414的硬件(例如，服务器)和软件资源的底层功能。资源1418可以包括在远离计算设备1402的服务器上执行计算机处理时可以使用的应用和/或数据。资源1418还可以包括通过因特网和/或通过例如蜂窝或Wi-Fi网络的用户网络提供的服务。

平台1416可以抽象资源和功能以将计算设备1402与其他计算设备连接。平台1416还可以用于抽象资源的缩放以提供对应的缩放级别来满足通过平台1416实现的对资源1418的需求。因此，在互连的设备实施例中，这里描述的功能的实施方式可以分布在整个系统1400中。例如，此功能可以部分地在计算设备1402上以及通过抽象云1414的功能的平台1416来实现。

结论

尽管系统和技术已经以特定于结构特征和/或方法行为的语言进行了描述，但是应当理解，在所附权利要求中定义的系统和技术不一定限于所描述的特定特征或行为。相反，具体特征和行为被公开为实现要求保护的主题的实施例形式。

Claims (50)

1.一种方法，其包括：

获取由用户佩戴的连续葡萄糖监测(CGM)系统提供的葡萄糖测量值；

获取与所述用户相关的附加数据，从一个或多个不同于所述CGM系统的来源获取的所述附加数据；

通过使用一个或多个模型处理所述葡萄糖测量值和所述附加数据来预测所述用户的健康指标，所述一个或多个模型基于用户群的历史葡萄糖测量值和历史附加数据生成；

基于所述用户的所述健康指标生成建议；以及

通过网络将所述预测或所述建议中的至少一个通信到一个或多个计算设备以供输出。

2.根据权利要求1所述的方法，其中，所述健康指标包括预测的消极健康状况。

3.根据权利要求2所述的方法，其中，所述建议是基于将所述预测的消极健康状况与减轻所述预测的消极健康状况的一个或多个动作或行为相关联的逻辑生成的，所述建议包括所述一个或多个动作或行为。

4.根据权利要求1至3中任一项所述的方法，还包括，通过使用所述一个或多个模型处理更新的葡萄糖测量值和所述用户的附加数据来预测更新的健康指标，并通过所述网络通信基于所述更新的健康指标通知到所述一个或多个计算设备以供输出。

5.根据权利要求1至4中任一项所述的方法，其中，与所述用户相关联的所述附加数据包括活动数据、营养数据、第三方数据、应用交互数据、设备使用数据或环境数据中的至少一种。

6.根据权利要求1至5中任一项所述的方法，其中，所述一个或多个模型包括机器学习模型，所述方法还包括：

获取所述用户群的用户佩戴的CGM系统提供的所述用户群所述历史葡萄糖测量值；

从不同于所述CGM系统的所述一个或多个来源获取所述用户群的所述历史附加数据；和

使用所述历史葡萄糖测量值和所述用户群的所述历史附加数据训练所述机器学习模型。

7.根据权利要求1至6中任一项所述的方法，其中，所述CGM系统通过皮下插入到所述用户皮肤中的传感器检测所述葡萄糖测量值。

8.一种系统，其包括：

存储设备，用于保留用户群的葡萄糖测量值和与所述用户群的用户相关联的附加数据；

使用所述葡萄糖测量值和所述用户群的所述附加数据训练的一个或多个机器学习模型；

一种数据分析平台关于：

通过使用所述一个或多个机器学习模型处理所述葡萄糖测量值和所述个人用户的所述附加数据来预测所述用户群的个人用户的健康指标；

根据所述个人用户的所述健康指标生成建议；和

通过网络将所述预测或所述建议中的至少一个通信到一个或多个计算设备以供输出。

9.根据权利要求8所述的系统，其中，所述一个或多个计算设备与所述个人用户相关联，并且所述建议被配置为经由与所述一个或多个计算设备相关联的显示设备或音频设备中的至少一个输出。

10.根据权利要求9所述的系统，其中，所述存储设备从与所述个人用户相关联的所述一个或多个计算设备获取所述个人用户的所述葡萄糖测量值和至少一些所述附加数据。

11.根据权利要求8至10中任一项所述的系统，其中，所述一个或多个计算设备与所述个人用户的看护人相关联。

12.根据权利要求8至11中任一项所述的系统，其中，所述一个或多个计算设备被配置为包括验证服务，所述验证服务被配置为：

从所述数据分析平台获取所述建议；

通过用户界面向一个或多个被授权验证建议的用户公开所述建议；

响应于接收到授权用户对所述建议的验证，将所述建议通信给个人用户的计算设备；或

响应于接收到所述授权用户对所述建议的拒绝，将所述建议被拒绝的通知通信给所述数据分析平台。

13.根据权利要求8至12中任一项所述的系统，其中，所述一个或多个计算设备被配置为包括决策支持平台，所述决策支持平台被配置为：

从所述数据分析平台获取所述预测和所述建议；和

通过用户界面向一个或多个被授权支持管理所述个人用户健康的用户公开所述建议。

14.根据权利要求8至13中任一项所述的系统，还包括，至少一个应用编程接口(API)，所述API被配置为向第三方公开调用，其使得所述第三方能够从所述存储设备请求所述葡萄糖测量值。

15.根据权利要求8至14中任一项所述的系统，还包括至少一个应用编程接口(API)，所述API被配置为从第三方获取至少一些所述附加数据。

16.一种或多种计算机可读存储介质，其上存储的指令，可由一个或多个处理器执行操作，包括：

获取由用户工作的可穿戴葡萄糖监测系统提供的葡萄糖测量值；

获取与所述用户相关的附加数据，所述附加数据从不同于所述可穿戴葡萄糖监测系统的一个或多个来源获取；

通过使用一个或多个模型处理所述葡萄糖测量值和所述附加数据来预测所述用户的健康指标，所述一个或多个模型基于用户群的历史葡萄糖测量值和历史附加数据生成；

基于所述用户的所述健康指标生成建议；以及

通过网络将所述预测或所述建议中的至少一个通信到一个或多个计算设备以供输出。

17.根据权利要求16所述的一种或多种计算机可读存储介质，其中，所述健康指标包括预测的消极健康状况。

18.根据权利要求17所述的一种或多种计算机可读存储介质，其中，所述建议是基于将所述预测的消极健康状况与减轻所述预测的消极健康状况的一种或多种动作或行为相关联的逻辑生成的，所述建议包括所述一种或多种动作或行为。

19.根据权利要求16至18中任一项所述的一种或多种计算机可读存储介质，还包括，通过使用所述一种或多种模型处理更新的葡萄糖测量值和所述用户的附加数据来预测更新的健康指标，并通过所述网络通信基于所述更新的健康指标通知到所述一个或多个计算设备以供输出。

20.根据权利要求16至19中任一项所述的一种或多种计算机可读存储介质，其中，与所述用户相关联的所述附加数据包括活动数据、营养数据、第三方数据、应用交互数据、设备使用数据、或环境数据。

21.根据权利要求16至20中任一项所述的一种或多种计算机可读存储介质，其中，所述一种或多种模型包括机器学习模型，所述方法还包括：

获取所述用户群用户佩戴的可穿戴葡萄糖监测系统提供的所述用户群的所述历史葡萄糖测量值；

从不同于所述可穿戴葡萄糖监测系统的所述一个或多个来源获取所述用户群的所述历史附加数据；和

使用所述历史葡萄糖测量值和所述用户群的所述历史附加数据训练所述机器学习模型。

22.根据权利要求16至21中任一项所述的一种或多种计算机可读存储介质，其中，所述可穿戴葡萄糖监测系统包括由所述用户穿戴的连续葡萄糖监测(CGM)系统。

23.根据权利要求22所述的一种或多种计算机可读存储介质，其中，所述CGM系统通过皮下插入到所述用户皮肤中的传感器检测所述葡萄糖测量值。

24.一种仪器，其包括：

获取装置，用于获取由用户佩戴的连续葡萄糖监测(CGM)系统提供的葡萄糖测量值以及与所述用户相关联的附加数据；

预测装置，用于通过使用一个或多个模型处理所述葡萄糖测量值和所述附加数据来预测所述用户的健康指标；

建议装置，用于基于所述用户的所述健康指标生成建议；和

一种通信装置，用于通过网络将所述预测或所述建议中的至少一个通信到一个或多个计算设备以供输出。

25.根据权利要求24所述的仪器，其中，所述获取装置从不同于所述CGM系统的一个或多个来源获取所述附加数据。

26.一种方法，其包括：

在一个或多个存储设备中保留用户群的葡萄糖测量值和与所述用户群的用户相关联的应用交互数据，所述应用交互数据描述应用的使用；

至少部分地基于所述葡萄糖测量值来识别所述用户群的所述用户子集的健康状况的改善；

基于所述应用交互数据将所述用户子集的所述健康状况的所述改善与特定应用的使用相关联；

识别具有所述健康状况的相似用户；和

向与所述相似用户相关联的一个或多个设备通信使用所述特定应用的建议。

27.根据权利要求26所述的方法，其中，识别所述相似用户是基于所述相似用户的人口统计。

28.根据权利要求26或27所述的方法，其中，识别所述相似用户是基于在所述相似用户的葡萄糖测量值中观察到的模式。

29.根据权利要求26至28中任一项所述的方法，还包括，基于由所述用户佩戴的连续葡萄糖监测(CGM)系统提供的葡萄糖测量值，将所述相似用户识别为具有所述健康状况。

30.根据权利要求26至29中任一项所述的方法，还包括：

接收指示所述相似用户的所述使用所述特定应用的应用数据；

在所述相似用户开始所述使用所述特定应用之后从所述相似用户接收葡萄糖测量值；和

将来自所述相似用户的所述葡萄糖测量值作为反馈提供给将所述健康状况的所述改善与所述特定应用的所述使用相关联的模型。

31.根据权利要求30所述的方法，其中，如果来自所述相似用户的所述葡萄糖测量值表明所述相似用户的所述健康状况得到所述改善，则所述反馈积极地加强所述用户子集的所述健康状况所述改善与所述特定应用的所述使用之间的所述相关性。

32.根据权利要求30或31所述的方法，其中，如果来自所述相似用户的所述葡萄糖测量值表明所述相似用户中用户的所述健康状况没有改善，则所述反馈消极地加强了所述用户子集的所述健康状况的所述改善与所述特定应用的所述使用之间的所述相关性。

33.根据权利要求26至32中任一项所述的方法，其中，所述用户群的所述葡萄糖测量值是从可穿戴葡萄糖监测设备获取的。

34.根据权利要求26至33中任一项所述的方法，其中，所述用户群的所述葡萄糖测量值是从连续葡萄糖监测(CGM)系统获取的。

35.一种系统，包括：

一个或多个存储设备，用于保留用户群的葡萄糖测量值和与所述用户群的用户相关联的应用交互数据，所述应用交互数据描述应用的使用；

一种建议系统用于：

至少部分地基于所述葡萄糖测量值来识别所述用户群中的一个或多个用户的健康状况的改善；

基于所述应用交互数据将一个或多个用户的所述健康状况的所述改善与特定应用的使用相关联；

识别具有所述健康状况的相似用户；和

为所述相似用户生成使用特定应用的建议。

36.根据权利要求35所述的系统，其中，所述建议系统至少部分地基于所述相似用户的人口统计来识别所述相似用户。

37.根据权利要求35或36所述的系统，其中，所述建议系统至少部分地基于在所述相似用户的葡萄糖测量值中观察到的模式来识别所述相似用户。

38.根据权利要求35至37中任一项所述的系统，其中，所述建议系统基于所述用户佩戴的连续葡萄糖监测(CGM)系统提供的葡萄糖测量值将所述相似用户识别为具有所述健康状况。

39.根据权利要求35至38中任一项所述的系统，其中，建议系统还用于：

接收指示所述相似用户所述使用所述特定应用的应用数据；

在所述相似用户开始所述使用所述特定应用后接收来自所述相似用户的葡萄糖测量值；和

提供来自所述相似用户的所述葡萄糖测量值作为对模型的反馈，其模型将所述健康状况的所述改善与所述特定应用的所述使用相关联。

40.根据权利要求39所述的系统，其中，如果来自所述相似用户的所述葡萄糖测量值表明所述相似用户中用户的所述健康状况有所述改善，则所述反馈积极地加强了所述一个或多个用户的所述健康状况的所述改善与所述特定应用的所述使用之间的所述相关性。

41.根据权利要求39或40所述的系统，其中，如果来自所述相似用户的所述葡萄糖测量值表明所述相似用户的所述健康状况没有改善，则所述反馈消极地加强了所述一个或多个用户的所述健康状况的所述改善与所述特定应用的所述使用之间的所述相关性。

42.根据权利要求35至41中任一项所述的系统，其中，所述用户群的所述葡萄糖测量值是从可穿戴葡萄糖监测设备获取的。

43.根据权利要求35至42中任一项所述的系统，其中，所述用户群的所述葡萄糖测量值是从连续葡萄糖监测(CGM)系统获取的。

44.一种或多种计算机可读存储介质，其上存储的指令，可由一个或多个处理器执行操作，包括：

在一个或多个存储设备中保留用户群的葡萄糖测量值和与所述用户群的用户相关联的应用交互数据，所述应用交互数据描述应用的使用；

至少部分地基于所述葡萄糖测量值来识别所述用户群的所述用户子集的健康状况的改善；

基于所述应用交互数据将所述用户子集的所述健康状况的所述改善与特定应用的使用相关联；

识别具有所述健康状况的相似用户；和

向与所述相似用户相关联的一个或多个设备通信使用所述特定应用的建议。

45.根据权利要求44所述的一种或多种计算机可读存储介质，其中，识别所述相似用户是基于所述相似用户的人口统计。

46.根据权利要求44或45所述的一种或多种计算机可读存储介质，其中，识别所述相似用户是基于在所述相似用户的葡萄糖测量值中观察到的模式。

47.根据权利要求44至46中任一项所述的一种或多种计算机可读存储介质，其中，所述操作还包括基于所述用户佩戴的连续葡萄糖监测(CGM)系统提供的葡萄糖测量值将所述相似用户识别为具有所述健康状况。

48.根据权利要求44至47中任一项所述的一种或多种计算机可读存储介质，还包括：

接收指示所述相似用户的所述使用所述特定应用的应用数据；

在所述相似用户开始所述使用所述特定应用之后从所述相似用户接收葡萄糖测量值；和

将来自所述相似用户的所述葡萄糖测量值作为反馈提供给将所述健康状况的所述改善与所述特定应用的所述使用相关联的模型。

49.根据权利要求48所述的一种或多种计算机可读存储介质，其中，如果来自所述相似用户的所述葡萄糖测量值表明所述相似用户的所述健康状况得到所述改善，则所述反馈积极地加强所述用户子集的所述健康状况所述改善与所述特定应用的所述使用之间的所述相关性。

50.根据权利要求48或49所述的一种或多种计算机可读存储介质，其中，如果来自所述相似用户的所述葡萄糖测量值表明所述相似用户的所述健康状况没有改善，则所述反馈消极地加强了所述用户子集的所述健康状况的所述改善与所述特定应用的所述使用之间的所述相关性。

Images