CN115662617A - 基于cgm的结果病情预测系统及其预测方法 - Google Patents

Abstract

本发明公开了基于CGM的结果病情预测系统，其包括：病历统计数据库，所述病历统计数据库对高血糖患者发病的病历信息进行采集，生成病历统计表；病情发展分析模块，所述病情发展分析模块通过病历统计表进行深度学习训练，对被检测患者在预设天数内的高血糖发病信息数据进行分析，建立病情发展基础模型并持续更新，通过收集预设天数内患者基础信息对病情发展基础模型进行延展预测，生成病情发展预测模型；调整模块，所述调整模块根据持续收集被检测患者的高血糖发病信息数据及持续更新的患者基础信息，对病情发展预测模型进行预测逻辑调整，及其预测方案，能够提前调节医疗资源以及判断病情走向，针对影响因素针对性的进行治疗，提升治疗效率。

Description

基于CGM的结果病情预测系统及其预测方法

技术领域

本发明涉血糖监控技术及领域，尤其涉及基于CGM的结果病情预测系统及其预测方法。

背景技术

血中的葡萄糖称为血糖，葡萄糖是人体的重要组成成分，也是能量的重要来源。正常人体每天需要糖质来提高能量，为各种组织、脏器的正常运作提供动力，但如果糖尿病患者摄入较多的糖质后会发生血糖参数值居高，从而导致高血糖引起的器质性并发症的出现，所以血糖必须保持一定的水平才能维持体内各器官和组织的需要。

患者的在治疗期间，其发病率通常以单纯的数据记录形式，对每位患者的身体状况进行表达，在患者发病注入胰岛素时的剂量也是随着患者当时的血糖值而定，患者发病频率、血糖值、胰岛素需要注入的剂量，始终都是根据患者发病时进行的检测结果而定，对患者病情发展，加重还是减轻，后续发病率的变化以及每次需要注入的胰岛素剂量也是根据医师的经验进行大约估值，导致了对患者病情发展的预判全是出自人为经验，非常不稳定，且对于有病情恶化趋势的患者，通过单纯的查看病历数据，也难以进行有效预判。

而CGM技术能够较为有效的解决上述问题。CGM在医学上指连续血糖监测(具体的CGM是动态血糖监测，指通过葡萄糖传感器监测皮下组织间液的葡萄糖浓度变化的技术，可提供连续、全面、可靠的全天血糖信息，了解血糖波动情况，弥补了指血监测的局限性)，是全球市场新型的血糖监测手段，主要是通过皮下传感器(具体的，探头可置入腹部的皮肤，通过与患者皮下细胞间液中的葡萄糖发生化学反应，生成电信号)，保持24小时连续监测葡萄糖水平的系统。CGM相比传统血糖仪有较多的优势，从日常使用角度看，CGM可避免频繁指尖采血带来的疼痛和不便，同时CGM具有高/低血糖报警功能，提高对实时葡萄糖监测数据的利用，可以及时对患者的急剧血糖波动及高、低血糖水平进行预警，以帮助患者维持血糖稳定，实现血糖目标范围内时间控制目标，降低糖尿病相关并发症的概率。

但是，目前的CGM技术，针对的对象是当前的血糖参数，在制定具体的调节方案时，胰岛素(主要干预手段)具有较强的滞后性。如何根据CGM的结果对患者的病情发展，胰岛素需求量做出合理预判，对于预先调动医疗资源，判断病情走向具有重要意义。

发明内容

针对上述现有技术无法对患者的病情发展做出合理预测的问题，本发明提供基于CGM的结果病情预测系统及其预测方法，能够对患者的病情发展做出合理预判，预先调动医疗资源，判断病情走向。

基于CGM的结果病情预测系统，包括：

病历统计数据库，所述病历统计数据库对高血糖患者发病的病历信息进行采集，生成病历统计表；

病情发展分析模块，所述病情发展分析模块通过病历统计表进行深度学习训练，对被检测患者在预设天数内的高血糖发病信息数据进行分析，建立病情发展基础模型并持续更新，通过收集预设天数内患者基础信息对病情发展基础模型进行延展预测，生成病情发展预测模型；

调整模块，所述调整模块根据持续收集被检测患者的高血糖发病信息数据及持续更新的患者基础信息，对病情发展预测模型进行预测逻辑调整。

本发明通过病历统计数据库采集发病的病历信息对病情发展分析模块进行深度学习训练。持续收集被检测患者的高血糖发病信息数据是基于CGM检测模块实时获取达到的。

针对不同血糖值下的胰岛素注入剂量以及发病频率与血糖值的关系，对被检测患者病情发展基础模型建立，并根据患者的基础信息生成病情发展预测模型，通过调整模块对病情发展分析模块基于患者对于血糖影响较大的因素对被检测患者进行个性化的预测逻辑调整，更加接近被检测患者的实际病情发展，检测时间越长，该病情发展预测模型中的信息也就越准确。

进一步的，还包括智能随身终端，所述智能随身终端用于获取调整模块接收到持续收集被检测患者的高血糖发病信息数据、持续更新的患者基础信息以及进行预测逻辑调整后的病情发展预测模型；智能随身终端还用于采集患者的进食时的图片信息，并且根据图片信息判断患者进食时的食品的种类，并根据食品的种类生成对血糖的第一预测结果，然后采集进食过程声音信息判断用户进食顺序信息，根据进食顺序信息对第一预测结果修正预测逻辑，并根据修正后的预测逻辑得到患者本次进食后血糖预测结果。

本方案中，通过智能随身终端采集进食的图片，能够获知到患者进食的种类。食物的种类会对血糖的变化有较大的影响，因此结合食物的种类能够较好的对血糖的变化范围进行预测。但是除了食物的种类会对血糖有较大的影响外，进食的顺序也会对血糖的结果由较大的影响。如在普遍的碳水化合物(主食)+菜肴的搭配中，碳水化合物(主食)的摄入时机不同也会对血糖有较大的影响。先摄入菜肴后摄入主食的方式能够有效降低吸收过程中的血糖峰值。本方案通过进食声音的采集，能够有效的判断进食的顺序，从而有更准确的血糖预测结果。

进一步的，病历信息包括：预设天数范围内患者的高血糖发病次数、血糖检测值及胰岛素注入量，所述病历信息为医院病历数据库中保持的患者治疗期间的病历数据。

进一步的，高血糖发病信息数据包括：预设天数范围内患者注入胰岛素后的发病时间间隔、发病时的血糖值、注入胰岛素剂量值；

其中，所述高血糖发病信息数据为基于检测患者前一天的发病情况进行总结获得。

进一步的，病情发展基础模型基于被检测患者在过去预设天数范围内获取的高血糖发病信息数据建立，

其中所述高血糖发病信息数据以天为单位进行更新，所述病情发展分析模块根据最新的病情发展分析模块在预设天数范围内的数据对病情发展基础模型数据进行更新。

进一步的，患者基础信息包括：患者每日BMI系数、每日糖分摄入量、每日酒精摄入量、每日运动总量、每日情绪波动情况及每日睡眠时长，

其中，所述患者基础信息基于被检测患者前一天的数据的采集获取。

进一步的，病情发展分析模块对被检测患者预设天数内的病情发展进行预测，生成预测参数，

其中，所述预测参数包括：发病时间间隔预测量、发病时的血糖预测值、注入胰岛素剂量预测值，病情发展预测模型根据预测参数生成病情发展预测模型。

进一步的，在预设天数内的被检测患者高血糖发病信息数据与患者基础信息一一对应。

进一步的，调整模块对病情发展预测模型进行预测逻辑调整包括：

对预设天数内，患者基础信息中波动大的元素与当日出现高血糖发病信息数据中某一项或数项有大波动的元素关联；

分析患者基础信息中影响高血糖发病信息的元素发展曲线；

对患者基础信息中影响高血糖发病信息的元素上调预测参考比例预测逻辑；

根据持续更新的建立病情发展基础模型对与原病情发展预测模型的差值对预测逻辑进行调整。

基于CGM的结果病情预测系统的预测方法，包括以下步骤：

S1、对高血糖患者发病的病历信息进行采集，生成病历统计表；

S2、对被检测患者在预设天数内的高血糖发病信息数据进行分析，建立病情发展基础模型并持续更新；

S3、通过收集预设天数内患者基础信息对病情发展基础模型进行延展预测，生成病情发展预测模型；

S4、根据持续收集被检测患者的高血糖发病信息数据及持续更新的患者基础信息，对病情发展预测模型进行预测逻辑调整。

进一步的，所述步骤S4包括：

S401、对预设天数内，患者基础信息中波动大的元素与当日出现高血糖发病信息数据中某一项或数项有大波动的元素关联；

S402、分析患者基础信息中影响高血糖发病信息的元素发展曲线；

S403、对患者基础信息中影响高血糖发病信息的元素上调预测参考比例；

S404、根据持续更新的建立病情发展基础模型对与原病情发展预测模型的差值对预测逻辑进行调整。

相比于现有技术，本发明的优点及有益效果在于：通过本发明的方案，对被检测患者的高血糖发病信息与患者基础信息采集，判断患者血糖发病受到的影响因素，进而对患者的病情发展，及未来所需的治疗资源进行合理需求，能够提前调节医疗资源以及判断病情走向，并针对影响因素针对性的进行治疗，提升治疗效率。

附图说明

图1为本发明系统的结构框图；

图2为本发明方法的流程示意图；

图3为本发明方法中步骤S4的流程示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，下面通过具体实施方式结合附图对本发明做具体详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

实施例1

基于CGM的结果病情预测系统，包括：

病历统计数据库，病历统计数据库对高血糖患者发病的病历信息进行采集，生成病历统计表；

病情发展分析模块，病情发展分析模块通过病历统计表进行深度学习训练，对被检测患者在预设天数内的高血糖发病信息数据进行分析，建立病情发展基础模型并持续更新，通过收集预设天数内患者基础信息对病情发展基础模型进行延展预测，生成病情发展预测模型；

调整模块，调整模块根据持续收集被检测患者的高血糖发病信息数据及持续更新的患者基础信息，对病情发展预测模型进行预测逻辑调整。

本发明通过病历统计数据库采集发病的病历信息对病情发展分析模块进行深度学习训练，针对不同血糖值下的胰岛素注入剂量以及发病频率与血糖值的关系，对被检测患者病情发展基础模型建立，并根据患者的基础信息生成病情发展预测模型，通过调整模块对病情发展分析模块基于患者对于血糖影响较大的因素对被检测患者进行个性化的预测逻辑调整，更加接近被检测患者的实际病情发展，检测时间越长，该病情发展预测模型中的信息也就越准确。

具体的，病历信息包括：预设天数范围内患者的高血糖发病次数、血糖检测值及胰岛素注入量。

通过病历信息的统计实现对病情发展分析模块的深度学习训练，实际应用中，需要实现对病情发展分析模块生成的病情发展基础模型精度度提高，通过增加病历信息的数量能够实现，为了保证病情发展基础模型的最低可应用，病历信息的数量不能低于300份。

具体的，高血糖发病信息数据包括：预设天数范围内患者注入胰岛素后的发病时间间隔、发病时的血糖值、注入胰岛素剂量值，

病历信息为医院病历数据库中保持的患者治疗期间的病历数据。

通过高血糖发病信息数据建立的病情发展基础模型能够反应被检测患者当前的病情程度，以及需要的医疗资源，同时作为病情预测的基础；

其中，高血糖发病信息数据为基于检测患者前一天的发病情况进行总结获得。

具体的，病情发展基础模型基于被检测患者在过去预设天数范围内获取的高血糖发病信息数据建立，

其中高血糖发病信息数据以天为单位进行更新，病情发展分析模块根据最新的病情发展分析模块在预设天数范围内的数据对病情发展基础模型数据进行更新。

病情发展基础模型根据每天更新的高血糖发病信息数据进行调整，能够反应预设天数范围内的病情实际发展情况的差异，对预测的逻辑进行调整。

具体的，患者基础信息包括：患者每日BMI系数、每日糖分摄入量、每日酒精摄入量、每日运动总量、每日情绪波动情况及每日睡眠时长，

其中，患者基础信息基于被检测患者前一天的数据的采集获取。

患者基础信息为日常生活中对患者血糖影响较大的几个元素，但每个患者受到不同元素对血糖的影响都不同，对患者基础信息进行持续获取，了解被检测患者的日常生活中对发病发现较大的元素，有利于对病情发展的预测，以及针对性改良，提高治疗的效率。

具体的，病情发展分析模块对被检测患者预设天数内的病情发展进行预测，生成预测参数，

其中，预测参数包括：发病时间间隔预测量、发病时的血糖预测值、注入胰岛素剂量预测值，病情发展预测模型根据预测参数生成病情发展预测模型。

预测参数通过病情发展预测模型生成，且预测参数均为预估区间值，也就是说预测值并不都是精确值，通过区间值，能够更好的对后续病情发展进行预测。

具体的，在预设天数内的被检测患者高血糖发病信息数据与患者基础信息一一对应。

具体的，调整模块对病情发展预测模型进行预测逻辑调整包括：

对预设天数内，患者基础信息中波动大的元素与当日出现高血糖发病信息数据中某一项或数项有大波动的元素关联；

分析患者基础信息中影响高血糖发病信息的元素发展曲线；

对患者基础信息中影响高血糖发病信息的元素上调预测参考比例；

根据持续更新的建立病情发展基础模型对与原病情发展预测模型的差值对预测逻辑进行调整。

例如基于被检测患者1-10日的高血糖发病信息数据及患者基础信息，在11日生成12-15日的病情发展预测模型，12日根据2-11日的高血糖发病信息数据及患者基础信息生成13-16日的病情发展预测模型，以此类推，根据不断更新的高血糖发病信息数据及患者基础信息对病情发展预测模型进行预测逻辑调整。

基于CGM的结果病情预测系统的预测方法，包括以下步骤：

S1、对高血糖患者发病的病历信息进行采集，生成病历统计表；

S2、对被检测患者在预设天数内的高血糖发病信息数据进行分析，建立病情发展基础模型并持续更新；

S3、通过收集预设天数内患者基础信息对病情发展基础模型进行延展预测，生成病情发展预测模型；

S4、根据持续收集被检测患者的高血糖发病信息数据及持续更新的患者基础信息，对病情发展预测模型进行预测逻辑调整。

进一步的，步骤S4包括：

S401、对预设天数内，患者基础信息中波动大的元素与当日出现高血糖发病信息数据中某一项或数项有大波动的元素关联；

S402、分析患者基础信息中影响高血糖发病信息的元素发展曲线；

S403、对患者基础信息中影响高血糖发病信息的元素上调预测参考比例；

S404、根据持续更新的建立病情发展基础模型对与原病情发展预测模型的差值对预测逻辑进行调整。

短时间、一次性的高血糖对人体无严重损害。比如在应激状态下或情绪激动、高度紧张时，可出现短暂的高血糖；一次进食大量的糖类，也可出现短暂高血糖；随后，血糖水平逐渐恢复正常。然而长期的高血糖会使全身各个组织器官发生病变，导致急慢性并发症的发生。如失水、电解质紊乱、营养缺乏、抵抗力下降、肾功能受损、神经病变、眼底病变、心脑血管疾病、糖尿病足等。

实施例2

与实施例1相比，不同之处处仅在于，还包括智能随身终端以及和智能随身终端通过信号连接的重量采集装置，所述智能随身终端用于获取调整模块接收到持续收集被检测患者的高血糖发病信息数据、持续更新的患者基础信息以及进行预测逻辑调整后的病情发展预测模型；重量采集装置用于采集当前食品的重量信息和当前的称重时间信息；智能随身终端还用于采集患者的进食时的图片信息，并且根据图片信息、重量信息和称重时间信息判断患者进食时的食品的种类和摄入量，并根据食品的种类和摄入量生成对血糖的第一预测结果，然后采集进食过程声音信息判断用户进食顺序信息，根据进食顺序信息(即根据先存储的进食顺序对血糖的影响系数)对第一预测结果修正预测逻辑，并根据修正后的预测逻辑得到患者本次进食后血糖预测结果。

具体使用时，智能随身终端是患者的智能手机，通过智能手机拍摄要进食的食物的画面，然后上传网络，通过已经训练好的神经网络模型对图片中的食物的种类进行识别(已经是成熟技术，不再赘述，类似拍照识物的功能，下段会进行具体举例说明)，以此作为依据(当然也要结合前面的患者本身的特点)，得到第一预测结果。

在实际使用过程中，也考虑过通过图片识别食物种类的准确率比较低的情况。但是结合使用者(多为糖尿病人)的实际饮食注意事项中，多为绿色蔬菜、玉米等烹饪后形态较为容易识别的。对使用者血糖影响比较大的食物为淀粉、糖类含量比较高的食物。识别范围是较为有限的，实际上可以粗暴的分为：肉、蛋、米饭、面条、蔬菜这几类，这样的话整体的识别准确率也能够得到保证。

然后根据采集到的进食过程的声音信息判断用户的进食顺序，此项技术的采集可以通过与智能手机信号连通的蓝牙耳机(在取得用户权限许可的前提下进行，在其他实施例中可采用通过用户许可的麦克风的权限实现)的音频采集模块直接实现。采集这样的声音信息能够作为进食顺序的判断依据。这样的依据是，使用者在咀嚼时的声音的区别。当然为保证准确率和使用体验，实际上可在重量采集装置上的重量信息发生变化时，弹窗出食物种类方便使用者进行选择。上述的重量采集装置为与智能手机信号连接的蓝牙秤。

具体的手段依然可以参考前述神经网络模型的方式根据声音信息中的音色与不同的食品在进食时的声音特点进行匹配，从而实现对正在进食时的食品种类的识别。进而实现根据进食顺序信息对第一预测结果修正预测逻辑，并根据修正后的预测逻辑得到患者本次进食后血糖预测结果。并且通过显示屏向患者展示。当然后续也可以发送到并且发展分析模块，为病情分析模块中的病情发展基础模型提供依据。

本实施例的核心点在于，在普通的根据摄入食物种类预测对血糖进行预测的基础上，

需要说明的是，在对患者的治疗期间，需要保持患者的日常饮食作息等因素严格按照医师的指导进行，若患者在治疗期间肆意饮食或是每日睡眠严重不足的，本发明的方法无法对患者的发病进行正确的预估，同时不良的生活习惯也不利于患者的病情恢复。

通常血糖水平过高是由胰岛素部分或绝对缺乏所导致的，这时如果不进行积极的治疗会导致糖分不能被利用，进而分解脂肪产生酮体可诱发糖尿病酮症，甚至有导致糖尿病酮症酸中毒的可能。一些老年同志甚至可以诱发高血糖高渗状态，可以危及生命。在本发明方案实际应用中，可以设置预设发病频率、预设平均血糖值，当在指定时间范围内，若患者的相关数据能够同时达到预设发病频率、预设平均血糖值，就表示患者的病情得到有效的控制，患者自身的胰岛功能能够修复一部分，这时可以逐渐减少胰岛素的用量及使用频率，最终停用胰岛素。

实施例3

与实施例1相比，不同之处处仅在于，智能随身终端还用于采集患者的进食时的图片信息，并且根据图片信息判断患者进食时的食品的种类，并生成输入框采集用户对食品的种类的修正意见，并在进食过程中通过重量采集装置的重量信息的变化速度，生成用户进食顺序信息输入框，然后根据进食顺序信息对第一预测结果修正预测逻辑，并根据修正后的预测逻辑得到患者本次进食后血糖预测结果。

在具体使用时，如果仅通过智能手机拍照进行食物识别，一般只能针对具体的食物，要识别所以的，就需要对所有食物进行建模，而且烹饪方法不一样，在现有算法的阶段，识别的成功率存在一定的偏差。如故意做成西瓜样子的面包，这样的食品难以进行准确的识别。在拍照之后，将想要摄入的食品放置到重量采集装置上进行称重，在进食时将重量采集装置上的食品取出食用，此时重量采集装置上的重量信息会发生变化，通过这个变化速度能够识别出用户食品的摄入速度。即用户可以一次称重后，分为多次食用；也可是每次称重后，全部食用。重量采集装置既采集每次的减少量，也采集产生每次减少量的时间及时间间隔，这样就能够较为准确的获知到用户食品的摄入速度。

上实施例2中通过蓝牙耳机去判断食物类别存在一定的识别难度，主要原因在于，蓝牙耳机能够采集到的是空气中传递过来的咀嚼信息以及骨传导的声音信息，因进食习惯的问题，部分人员在进食过程中发出的声音较小并且也存在环境干扰，采集到的种类信息可能较为困难。因此，在本实施例中是通过用户输入的修正意见进行的较为准确的识别，保证识别的准确率。

而且最重要的，食物是需要配套摄入量的，因此本实施例中简而言之，是通过重量采集装置+自己填写食物内容方式来实现，降低了技术实现的难度。

除了摄入量以外，食品的摄入速度也会对血糖的变化产生影响，因此在本实施例中，通过采集进食过程中通过重量采集装置的重量信息的变化速度，来表征摄入速度，能够更为准确的对血糖的变化进行预测。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上内容是结合具体的实施方式对本发明所做的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人们来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (10)

1.基于CGM的结果病情预测系统，其特征在于，包括：

病历统计数据库，所述病历统计数据库对高血糖患者发病的病历信息进行采集，生成病历统计表；

病情发展分析模块，所述病情发展分析模块通过病历统计表进行深度学习训练，对被检测患者在预设天数内的高血糖发病信息数据进行分析，建立病情发展基础模型并持续更新，通过收集预设天数内患者基础信息对病情发展基础模型进行延展预测，生成病情发展预测模型；

调整模块，所述调整模块根据持续收集被检测患者的高血糖发病信息数据及持续更新的患者基础信息，对病情发展预测模型进行预测逻辑调整。

2.根据权利要求1所述的基于CGM的结果病情预测系统，其特征在于，还包括智能随身终端，所述智能随身终端用于获取调整模块接收到持续收集被检测患者的高血糖发病信息数据、持续更新的患者基础信息以及进行预测逻辑调整后的病情发展预测模型；智能随身终端还用于采集患者的进食时的图片信息，并且根据图片信息判断患者进食时的食品的种类，并根据食品的种类生成对血糖的第一预测结果，然后采集进食过程声音信息判断用户进食顺序信息，根据进食顺序信息对第一预测结果修正预测逻辑，并根据修正后的预测逻辑得到患者本次进食后血糖预测结果。

3.根据权利要求1所述的基于CGM的结果病情预测系统，其特征在于，所述病历信息包括：预设天数范围内患者的高血糖发病次数、血糖检测值及胰岛素注入量，所述病历信息为医院病历数据库中保持的患者治疗期间的病历数据；

所述高血糖发病信息数据包括：预设天数范围内患者注入胰岛素后的发病时间间隔、发病时的血糖值、注入胰岛素剂量值；

其中，所述高血糖发病信息数据为基于检测患者前一天的发病情况进行总结获得。

4.根据权利要求1所述的基于CGM的结果病情预测系统，其特征在于，所述病情发展基础模型基于被检测患者在过去预设天数范围内获取的高血糖发病信息数据建立，

其中所述高血糖发病信息数据以天为单位进行更新，所述病情发展分析模块根据最新的病情发展分析模块在预设天数范围内的数据对病情发展基础模型数据进行更新。

5.根据权利要求1所述的基于CGM的结果病情预测系统，其特征在于，所述患者基础信息包括：患者每日BMI系数、每日糖分摄入量、每日酒精摄入量、每日运动总量、每日情绪波动情况及每日睡眠时长，

其中，所述患者基础信息基于被检测患者前一天的数据的采集获取。

6.根据权利要求1所述的基于CGM的结果病情预测系统，其特征在于，所述病情发展分析模块对被检测患者预设天数内的病情发展进行预测，生成预测参数，

其中，所述预测参数包括：发病时间间隔预测量、发病时的血糖预测值、注入胰岛素剂量预测值，病情发展预测模型根据预测参数生成病情发展预测模型。

7.根据权利要求1所述的基于CGM的结果病情预测系统，其特征在于，所述在预设天数内的被检测患者高血糖发病信息数据与患者基础信息一一对应。

8.根据权利要求1所述的基于CGM的结果病情预测系统，其特征在于，所述调整模块对病情发展预测模型进行预测逻辑调整包括：

对预设天数内，患者基础信息中波动大的元素与当日出现高血糖发病信息数据中某一项或数项有大波动的元素关联；

分析患者基础信息中影响高血糖发病信息的元素发展曲线；

对患者基础信息中影响高血糖发病信息的元素上调预测参考比例；

根据持续更新的建立病情发展基础模型对与原病情发展预测模型的差值对预测逻辑进行调整。

9.如权利要求1-8所述的基于CGM的结果病情预测系统的预测方法，其特征在于，包括以下步骤：

S1、对高血糖患者发病的病历信息进行采集，生成病历统计表；

S2、对被检测患者在预设天数内的高血糖发病信息数据进行分析，建立病情发展基础模型并持续更新；

S3、通过收集预设天数内患者基础信息对病情发展基础模型进行延展预测，生成病情发展预测模型；

S4、根据持续收集被检测患者的高血糖发病信息数据及持续更新的患者基础信息，对病情发展预测模型进行预测逻辑调整。

10.根据权利要求9所述的方法，其特征在于，所述步骤S4包括：

S401、对预设天数内，患者基础信息中波动大的元素与当日出现高血糖发病信息数据中某一项或数项有大波动的元素关联；

S402、分析患者基础信息中影响高血糖发病信息的元素发展曲线；

S403、对患者基础信息中影响高血糖发病信息的元素上调预测参考比例；

S404、根据持续更新的建立病情发展基础模型对与原病情发展预测模型的差值对预测逻辑进行调整。

Images