CN115697186A - 使用葡萄糖测量值和机器学习进行糖尿病预测 - Google Patents

Abstract

描述了使用葡萄糖测量值和机器学习进行糖尿病预测。在一个或更多个实施方式中，观察分析平台包括使用历史葡萄糖测量值和用户群体的历史结果数据训练的机器学习模型，以预测个体用户的糖尿病分类。用户群体的历史葡萄糖测量值可以由用户群体的用户佩戴的葡萄糖监测设备提供，而历史结果数据包括从独立于葡萄糖监测设备的来源获得的一个或更多个诊断测量值。训练完成后，机器学习模型会根据可穿戴式葡萄糖监测设备在跨越多天的观察期间采集的葡萄糖测量值为用户预测糖尿病分类。然后可以输出预测的糖尿病分类，例如通过基于分类生成一个或更多个通知或用户界面。

Description

使用葡萄糖测量值和机器学习进行糖尿病预测

技术领域

描述了使用葡萄糖测量值和机器学习进行糖尿病预测。在一个或更多个实施方式中，观察分析平台包括使用历史葡萄糖测量值和用户群体的历史结果数据训练的机器学习模型，以预测个体用户的糖尿病分类。用户群体的历史葡萄糖测量值可以由用户群体的用户佩戴的葡萄糖监测设备提供，而历史结果数据包括从独立于葡萄糖监测设备的来源获得的一个或更多个诊断测量值。训练完成后，机器学习模型会根据可穿戴式葡萄糖监测设备在跨越多天的观察期间采集的葡萄糖测量值为用户预测糖尿病分类。然后可以输出预测的糖尿病分类，例如通过基于分类生成一个或更多个通知或用户界面。

背景技术

糖尿病是一种影响数亿人的代谢疾病，并且是全球主要的死亡原因之一。然而，只要早期发现并通过适当的治疗就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。临床和监管机构接受的糖尿病常规检测包括糖化血红蛋白(HbA1c)、空腹血糖(FPG)和2小时血糖(2Hr-PG)——FPG和2Hr-PG都是口服葡萄糖耐量试验(OGTT)的一部分，但FPG可以与OGTT分开检测。对于FPG检测，采集血液样本并将结果用于将人分类为“正常”(例如，没有糖尿病)或具有糖尿病前期或糖尿病。一般而言，如果一个人的空腹葡萄糖水平低于100mg/dL，则认为该人正常，而如果该人的空腹葡萄糖水平在100至125mg/dL之间，则该人被归类为糖尿病前期，如果该人的空腹血糖水平在两次单独的检测中高于126mg/dL，则患有糖尿病。

在为FPG检测测量人的空腹葡萄糖后，OGTT要求人饮用含糖液体以使人的血糖水平达到峰值。许多人难以忍受这种含糖饮液，尤其是孕妇。然后在接下来的两个小时内，使用额外的血液样本定期检测该人的葡萄糖水平，以进行2Hr-PG。血糖水平低于140mg/dL被认为是“正常”，而饮用含糖饮液两小时后血糖水平超过200mg/dL则表明患有糖尿病。读数在140和199mg/dL之间表明糖尿病前期。

与OGTT的FPG和2Hr-PG检测不同，它们都在单个时间点测量一个人的葡萄糖水平，而HbA1c检测则测量用户在过去两到三个月内的平均葡萄糖水平。然而，HbA1c检测不是直接测量葡萄糖，而是测量附着在血红蛋白上的葡萄糖的百分比。请注意，当葡萄糖在人的血液中积聚时，它会附着在血红蛋白上，血红蛋白是红细胞中的携氧蛋白。红细胞在一个人体内的寿命大约为两到三个月，因此HbA1c检测显示了过去两到三个月血液中的平均葡萄糖水平。与FPG和2Hr-PG检测不同，在进行HbA1c检测时，该人不需要处于禁食状态。然而，与FPG和2Hr-PG检测类似，为了测量一个人的HbA1c水平，必须从该人身上采集血液样本并用于产生读数。在两次单独的检测中，HbA1c水平为6.5％或更高的表明该人患有糖尿病，而HbA1c水平在5.7％至6.4％之间通常表明该人患有糖尿病前期。HbA1c水平低于5.7％被认为是正常的。

每一种用于筛查或诊断糖尿病的常规检测都具有各种缺陷，这些缺陷常常导致不正确的诊断。常规的糖尿病检测通常不准确，因为在不同日期对个体进行的给定检测可以导致诊断不一致，因为各种外部因素可以导致葡萄糖水平波动，例如疾病、压力、运动增加或怀孕。相比之下，即使HbA1c检测测量的是前两到三个月的平均葡萄糖水平，但HbA1c检测结果也会受到用户在检测前几周的葡萄糖水平的极大影响。因此，HbA1c检测结果可能会受到三个月期间血液特性变化的极大影响，例如由于怀孕或疾病。此外，由于HbA1c检测不是葡萄糖的直接测量值，因此此类检测可以对于患有各种血液状况(例如贫血或具有血红蛋白异常)的人不准确。

此外，此类常规检测通常具有较差的一致性。换句话说，这些检测不一定能检测出同一个人的糖尿病。检测类型之间缺乏一致性可以导致诊断不准确或无法确定适当的治疗计划。例如，用户可以有高空腹葡萄糖，但HbA1c分数在正常范围内。在这种情况下，不同的医生可以得出不同的结论，即用户是否患有糖尿病以及用户的治疗计划类型。

最后，对不同的人(例如孕妇)进行这些检测也存在各种限制和缺点。例如，这些传统的糖尿病检测要求用户去医生办公室或实验室采集血液样本，这对于一些用户来说可能是耗时、昂贵和痛苦的。这些因素中的每一个结合起来可以造成心理障碍，阻止用户接受糖尿病检测，从而降低早期检测可能带来的好处。此外，许多这些常规检测要求用户处于禁食状态，这对于包括孕妇在内的一些用户来说可能是困难的，甚至是危险的。

发明内容

为了克服这些问题，利用葡萄糖测量值和机器学习进行糖尿病预测。在一个或更多个实施方式中，观察分析平台包括机器学习模型，该模型使用用户群体的历史葡萄糖测量值和历史结果数据进行训练，以预测单个用户的糖尿病分类。用户群体的历史葡萄糖测量值可以由用户群体的用户佩戴的葡萄糖监测设备提供，而历史结果数据包括从独立于葡萄糖监测设备的来源获得的一个或更多个诊断测量值。例如，历史结果数据可以表明，基于一种或更多种诊断测量，例如HbA1c、FPG或2Hr-PG，用户群体中的相应用户是否被临床诊断为糖尿病。

训练完成后，机器学习模型会根据可穿戴式葡萄糖监测设备在跨越多天的观察期间采集的葡萄糖测量值为用户预测糖尿病分类。特别是，机器学习模型基于用户群体的历史时葡萄糖测量值和历史结果数据的训练生成此预测。糖尿病分类可以描述用户在观察期间的状态(例如，患有糖尿病、糖尿病前期或无糖尿病中的一种)或者用户是否被预测会经历糖尿病的不利影响。然后可以输出预测的糖尿病分类，例如通过基于分类生成一个或更多个通知或用户界面，例如针对包括糖尿病分类的医疗保健提供者的报告(例如，该人被预测患有糖尿病)或针对该人的通知，指示该人联系其医疗保健提供者。

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，本发明内容并非旨在识别所要求保护的主题的基本特征，也不旨在用作确定所要求保护的主题的范围的帮助。

附图说明

参考附图来描述详细说明书。

图1是一个实施方式的实施例中的环境图，该实施例可操作地采用本文所述技术。

图2更详细地描绘了图1的可穿戴式葡萄糖监测设备的实施例。

图3描绘了一个实施方式的实施例，其中糖尿病相关数据，包括葡萄糖测量值，被发送到与糖尿病预测相关的不同系统。

图4更详细地描绘了图1的预测系统的实施方式的实施例，其中使用机器学习预测糖尿病分类。

图5更详细地描绘了图1的预测系统的实施方式的实施例，其中训练机器学习模型以预测糖尿病分类。

图6描绘了为通知用户糖尿病预测而显示的用户界面的实施方式的实施例，该糖尿病预测是基于在观察期间采集的葡萄糖测量值而产生的。

图7描绘了为报告用户的糖尿病预测以及与糖尿病预测有关的其他信息而显示的用户界面的实施方式的实施例。

图8描绘了显示的用户界面的一个实施方式的实施例，该界面用于采集附加数据，这些数据可作为生成糖尿病预测的机器学习模型的输入。

图9描绘了实施方式的实施例中的过程，其中机器学习模型基于在观察期间由可穿戴式葡萄糖监测设备采集的用户的葡萄糖测量值来预测糖尿病分类。

图10描绘了实施方式的实施例中的过程，其中机器学习模型被训练来预测基于用户群体的历史葡萄糖测量值和结果数据的糖尿病分类。

图11示出了包括设备的实施例的各种组件的系统实施例，该设备可以被实现为任何类型的计算设备，如图1-10所描述和/或用于实现本文所述的技术的实施方式。

具体实施方式

概述

临床和监管机构接受的糖尿病常规检测包括糖化血红蛋白(HbA1c)、空腹血糖(FPG)和2小时血糖(2Hr-PG)——FPG和2Hr-PG都是口服葡萄糖耐量试验(OGTT)的一部分，但FPG可以与OGTT分开检测。然而，这种常规检测通常缺乏一致性。换句话说，这些检测不一定能检测出同一个人的糖尿病。由于影响葡萄糖水平的各种因素，在不同日期对个体进行的给定检测可以还导致诊断不一致。对不同的人(例如孕妇)进行这些检测也存在各种限制和缺点。

为了克服这些问题，利用葡萄糖测量值和机器学习进行糖尿病预测。为了将人们分类为患有糖尿病，使用用户群体的历史葡萄糖测量值和历史结果数据生成一个或更多个机器学习模型(例如，回归模型、神经网络、强化学习代理)以预测个体用户的糖尿病分类。用户群体的历史葡萄糖测量值可以由用户群体的用户佩戴的葡萄糖监测设备提供。相反，用于训练的历史结果数据可以因机器学习模型被配置为输出的分类而异。通常，历史结果数据包括从独立于葡萄糖监测设备的来源获得的一种或更多种诊断测量。例如，历史结果数据可以表明，基于一种或更多种诊断测量，例如HbA1c、FPG或2Hr-PG(或OGTT作为FPG的组合)和2Hr-PG)，用户群体的相应用户是否被临床诊断为糖尿病。

无论使用何种特定结果数据，训练都使机器学习模型能够基于在观察期间采集的个体葡萄糖测量值来预测糖尿病分类。换句话说，机器学习模型学习识别葡萄糖测量值中与患有糖尿病或未患有糖尿病相关的模式。例如，机器学习模型可以学习与患有糖尿病或未患有糖尿病高度相关的葡萄糖数据的特定特征。机器学习模型可以学习与糖尿病分类相关的特征的实施例包括，作为实施例而非限制，超过阈值的时间测量、变化率测量、观察期异常以及观察期间的平均或中位数葡萄糖值。值得注意的是，机器学习模型学习到的与糖尿病分类相关的许多特征，例如超过阈值的时间测量和变化率测量，是无法使用传统的诊断检测来确定的特征，这些诊断检测根据单个时间点测量的血液样本输出结果。

一旦机器学习模型经过训练，它就会用于根据用户在跨越多天的观察期间佩戴的可穿戴式葡萄糖监测设备采集的葡萄糖测量值来预测用户的糖尿病分类。这种“糖尿病分类”在一些实施方式中可以表明用户是否患有糖尿病或有患糖尿病的风险和/或表明用户预计将经历的不利影响。举例来说，用户可以监测他或她的葡萄糖，以预测他或她是否患有糖尿病(例如，1型糖尿病、2型糖尿病、妊娠期糖尿病(GDM)、囊性纤维化糖尿病等)或处于患糖尿病的风险之中(例如，糖尿病前期)，和/或她是否预计会经历与糖尿病相关的不利影响(例如，视网膜病变、神经病变、合并症、血糖异常、需要剖宫产的巨大儿和新生儿低血糖等，仅举几例)。以与预测指示糖尿病类型(例如，2型、GDM等)的糖尿病分类类似的方式，在一个或更多个实施方式中，机器学习模型可以附加地或替代地被配置为预测糖尿病前期的类型(例如，空腹血糖受损(IFG)或葡萄糖耐量异常(IGT))。替代地或另外地，糖尿病分类可以对应于患有或发展为糖尿病的风险水平，例如高风险、低风险或无风险。在操作中，可以使用机器学习模型预测的糖尿病分类(例如，由医疗保健专业人员)治疗该人或制定治疗计划，类似于如果使用常规检测临床诊断该人时的治疗方式(例如，患有某种类型的糖尿病和/或容易出现不利影响)。

然而，与传统上在实验室或医生办公室进行的常规检测不同，使用可穿戴式葡萄糖监测设备可以远程采集葡萄糖测量值。例如，可穿戴式葡萄糖监测设备可以邮寄或以其他方式提供给用户，例如可穿戴式葡萄糖监测设备的提供者、药房、医学检测实验室、远程医疗服务等。然后，用户可以在观察期间佩戴可穿戴式葡萄糖监测设备，例如在家中或工作中持续佩戴该设备。

一旦获得，用户可以将可穿戴式葡萄糖监测设备的传感器插入用户体内，例如通过使用自动传感器施加器。与HbA1c、FPG和2Hr-PG等常规检测所需的抽血不同，用户启动的葡萄糖监测设备的应用几乎是无痛的，不需要抽血、饮用含糖饮液或禁食。此外，自动传感器施加器可以使用户能够将传感器嵌入到用户的皮肤中，而无需临床医生或医疗保健提供者的帮助。尽管讨论了自动传感器施加器，但可穿戴式葡萄糖监测设备可以以其他方式应用于人或由人以其他方式佩戴而不背离本文所述技术的精神或范围，例如在没有自动传感器施加器的情况下，在医疗保健专业人员的帮助下(或医疗保健专业人员可以简单的将可穿戴式设备应用到人身上)，或者通过剥离粘合剂的保护层并将粘合剂固定在人身上，仅举几例。一旦将传感器插入用户的皮肤，可穿戴式葡萄糖监测设备就会在多天的观察期内监测人的葡萄糖。还应当理解，在一些实施方式中，传感器可以不插入人的皮肤中。相反，在这种实施方式中，传感器可以简单地贴在人的皮肤上，就像贴片一样。无论如何，可穿戴式葡萄糖监测设备的传感器可以连续检测表明人的葡萄糖的分析物并且能够生成葡萄糖测量值。

在观察期间采集的葡萄糖测量值和/或通过预处理葡萄糖测量值得到的数据作为输入提供给经过训练的机器学习模型。经过训练的机器学习模型处理葡萄糖测量值，以预测用户的糖尿病分类。从广义上讲，糖尿病分类描述了用户在观察期间的状态，例如患有糖尿病(或特定类型的糖尿病，如GDM或2型糖尿病)、糖尿病前期(或特定类型的糖尿病前期，如IFG或IGT)，或没有糖尿病，仅举几例。值得注意的是，与常规检测不同，机器学习模型预测的糖尿病分类是基于多天观察到的葡萄糖值。因此，预测比依赖于在单个时间点采集的血液样本的检测更准确。此外，与HbA1c检测不同，HbA1c检测是间接测量葡萄糖的方法，可能会受到疾病或外部因素或条件引起的近期血糖水平变化的影响，机器学习模型预测的糖尿病分类是基于当前观察时间段内直接获得的葡萄糖测量值。

然后呈现糖尿病分类预测，例如通过经由用户界面向用户、医生或用户的监护人显示糖尿病分类的表示。可以还呈现其他信息，例如葡萄糖测量的可视化以及从葡萄糖测量值得出的其他统计数据。在一些情况下，糖尿病分类预测呈现在葡萄糖观察报告中，该报告可以还包括用户的一个或更多个治疗选项、葡萄糖监测设备在观察期间采集的葡萄糖测量值的视觉表示、用户的葡萄糖统计数据基于采集的葡萄糖测量值、严重程度、后续步骤(例如，对于医生、医疗保健专业人员或用户)、跟进请求、为可穿戴式葡萄糖监测设备订购更多传感器的请求、活动生成水平、葡萄糖或其他标记物的趋势、葡萄糖或其他标记物的模式、运动模式、葡萄糖测量值的解释或与血糖相关的活动。因此，与常规的血糖检测结果不同，由一个或更多个机器学习模型生成的葡萄糖观察报告可以包括对预测的详细分析以及各种治疗方案。应当理解，糖尿病分类和与此类分类相关联的信息可以以多种方式提供，包括例如通过扬声器或数字助理作为音频信号输出。

有利地，利用可穿戴式葡萄糖监测设备和机器学习来生成预测，将人们分类为患有糖尿病，消除了上述诊断检测的许多不适方面，并且不限制可以检测的人员。例如，与HbA1c不同，孕妇可以在观察期间安全地佩戴可穿戴式葡萄糖监测设备。此外，由于机器学习模型应用于多天采集的葡萄糖轨迹，与基于单个血液样本的常规检测相比，减少了与常规检测相关的不一致性，从而提高了预测的准确性。通过准确预测糖尿病分类并通知用户、医疗保健提供者和/或远程医疗服务，所述机器学习模型允许对糖尿病进行早期检测，并识别在用户的糖尿病恶化之前可以采取的治疗方案，以减轻潜在的不利健康状况。这样做可以在很大程度上避免心脏、血管、眼睛、肾脏和神经的严重损伤以及糖尿病引起的死亡。

在以下讨论中，首先描述了一个可以采用本文所述技术的环境的实施例。然后描述可以在讨论的环境以及其他环境中执行的实施方式的实施例的细节和过程。这些过程的执行不限于环境的实施例，且环境的实施例不限于这些过程的执行。

环境的实施例

图1是实施方式的实施例中的环境100的示意图，其可操作地采用本文所述的葡萄糖测量值和机器学习来进行的糖尿病预测。所示环境100包括人102，其被描绘为佩戴可穿戴式葡萄糖监测设备104。所示环境还包括观察套件提供者106和观察分析平台108。

在所示实施例100中，可穿戴式葡萄糖监测设备104被描绘为由观察套件提供者106提供给人102，例如，作为观察套件的一部分。可穿戴式葡萄糖监测设备104可以作为观察套件的一部分提供，例如，用于在持续多天的观察期间监测人102的葡萄糖。举例来说，人102可以监测他或她的葡萄糖以预测他或她是否患有糖尿病(例如，1型糖尿病、2型糖尿病、妊娠期糖尿病(GDM)、囊性纤维化糖尿病等)或是否有患糖尿病的风险(例如，糖尿病前期)，和/或他或她是否预计会经历与糖尿病相关的不利影响(例如，合并症、血糖异常、需要剖宫产(C-section)的巨大儿和新生儿低血糖，仅举几例)。结合观察期，可以向人102提供操作指南，指示人102在观察期间执行一项或多项活动，例如指示人102饮用饮料或特定膳食(例如，与OGTT相关的相同的饮料)，避免一种或更多种特定食物、锻炼和休息，仅举几例。在一个或更多个实施方式中，操作指南可以作为观察套件的一部分提供，例如书面说明。替代地或另外地，观察分析平台108可以使指令通过与人102相关联的计算设备被传送和输出(例如，用于显示或音频输出)。观察分析平台108可以在观察期的预定时间量已经过去(例如，两天)之后和/或基于所获得的葡萄糖测量值中的模式来提供这些指令用于输出。结合提供这样的指令，可穿戴式葡萄糖监测设备104在执行指示的活动之后自动监测人102的葡萄糖水平，例如通过监测人102在食用指示的膳食、执行指示的锻炼等后葡萄糖的变化量。

尽管在一个或更多个实施方式中，虽然自始至终讨论的是持续多天，但观察期可以是可变的，例如，使得当已经采集到足够的葡萄糖测量值以准确地预测人102的糖尿病分类时，观察期可以结束。例如，在某些情况下，人102在仅仅几个小时内的葡萄糖测量值可以被处理，以预测人102患有糖尿病，具有统计确定性。在这种情况下，观察期的持续时间可以是几个小时而不是几天。然而，一般而言，观察期持续多天以获取数据，从而可以提取特征来描述葡萄糖的逐日变化，并防止错误预测导致或无法解释异常测量值或观察。

为此，观察套件提供者106可以表示与获取关于人102是否患有糖尿病或被预测将经历糖尿病的不利影响的预测相关联的多种实体中的一个或更多个。例如，观察套件提供者106可以表示可穿戴式葡萄糖监测设备104和监测和分析从其获得的葡萄糖测量值的平台的提供者，例如，观察分析平台108，当其也对应于可穿戴式葡萄糖监测设备104的提供商时。替代地或另外地，观察套件提供者106可以对应于医疗保健提供者(例如，初级保健医师、妇产科医生(OB/GYN)、内分泌学家)、医生办公室、医院、保险提供者、医学检测实验室或远程医疗服务，仅举几例。替代地或另外地，观察套件提供者106可以对应于药剂师或药房，药剂师或药房可以具有线下实体店和/或在线提供服务。应当理解，这些只是几个实施例，并且观察套件提供者106可以表示不同的实体而不背离所述技术的精神或范围。

鉴于此，根据所述技术，可以通过各种方式向人102提供可穿戴式葡萄糖监测设备104。例如，可穿戴式葡萄糖监测设备104可以在医生办公室、医院、医学检测实验室或实体药房(例如，作为观察套件的一部分)交给人102。或者，可穿戴式葡萄糖监测设备104可以例如从可穿戴式葡萄糖监测设备104的提供者、药房、医学检测实验室、远程医疗服务等邮寄给人102。当然，人102可以通过一个或更多个实施方式以其他方式获得用于观察期的可穿戴式葡萄糖监测设备104。

不管人102如何获得可穿戴式葡萄糖监测设备104，该设备被配置为在观察期期间监测人102的葡萄糖，该观察期持续跨越多天的时间段。可穿戴式葡萄糖监测设备104可以被配置有葡萄糖传感器，例如，其连续地检测表明人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110。在一个或更多个实施方式中，可穿戴式葡萄糖监测设备104为连续葡萄糖监测("CGM")系统。如本文所用，术语“连续”在与葡萄糖监测结合使用时可以指设备基本上连续地产生测量值的能力，使得设备可以被配置为以时间间隔(例如，每小时、每30分钟、每5分钟等)，响应于与不同设备建立通信耦合(例如，当计算设备与可穿戴式葡萄糖监测设备104建立无线连接以检索一个或更多个测量值时)等等，产生葡萄糖测量值110。将结合图2，更详细地讨论可穿戴式葡萄糖监测设备104产生葡萄糖测量值110的功能以及设备配置的其他方面。

尽管可穿戴式葡萄糖监测设备104可以与用于治疗糖尿病的可穿戴式葡萄糖监测设备类似的方式配置，但在一个或更多个实施方式中，可穿戴式葡萄糖监测设备104可以不同于用于治疗的设备。这些不同的配置可以用来控制观察期的混杂因素，以便获得准确反映用户正常的日常行为对其葡萄糖影响的测量值。例如，这可以包括限制和/或完全阻止用户在观察期间检查这些测量值。通过防止用户在观察期间检查葡萄糖测量值110，观察配置进一步防止用户看到或以其他方式观察葡萄糖测量事件(例如，葡萄糖的峰值)并改变他们的行为以抵消这些事件。

在一些情况下，可穿戴式葡萄糖监测设备104可以是专门设计用于在跨越多天的观察期期间为用户采集葡萄糖测量值的专用设备，从而可以生成糖尿病分类，该分类可以在一个或更多个方式上与用户为治疗糖尿病而穿戴的可穿戴式血糖监测设备区分开来。在其他情况下，此类可穿戴式葡萄糖监测设备104可以具有与用于治疗糖尿病的可穿戴式葡萄糖监测设备具有相同的硬件特性，但可以包括禁用或启用不同功能的软件，例如在观察期间阻止用户检查葡萄糖测量值110的软件。在这些情况下，可以在观察期结束后启用在观察期禁用的功能，以便用户可以访问先前禁用的功能，例如能够实时查看葡萄糖测量值。

不同的配置也可以基于葡萄糖测量值110在糖尿病预测的观察期有关的使用方式和与在糖尿病治疗有关的使用方式之间的差异。在治疗过程中，葡萄糖测量值连续或几乎连续地接收和输出，基本上随着这些测量值的产生，可以用于告知治疗决策，例如，帮助一个人或其看护人决定吃什么、如何施用胰岛素、是否联系医疗保健提供者等。在这些情况中，及时(例如，基本上实时)了解测量值和/或测量值趋势对于有效减轻潜在的严重不利影响可以是关键的。相比之下，在这些情况下，对被观察者(或看护者)进行葡萄糖测量值的接收和输出，可以与糖尿病预测无关。相反，为糖尿病预测产生的葡萄糖测量值被处理，以便在观察期结束时，或在某个其他范围之后(例如，当已经产生足够的测量值以实现统计确定性时)，可以产生关于糖尿病的准确预测。

基于关于如何使用葡萄糖测量值的这种差异，可穿戴式葡萄糖监测设备104可以具有比用于糖尿病治疗的可穿戴式葡萄糖测量设备更多的本地存储，例如用于观察而配置的葡萄糖测量存储量为10-15天，而用于治疗而配置的葡萄糖测量存储量为3小时。可穿戴式葡萄糖监测设备104的较大存储容量可以适合于在观察期的持续时间内存储葡萄糖测量值110。相比之下，用于治疗的可穿戴式葡萄糖测量设备可以被配置为卸载葡萄糖测量值，使得一旦测量值被适当卸载，它们就不再本地存储在那些设备上。举例来说，用于治疗的可穿戴式葡萄糖设备可以通过无线连接将葡萄糖测量值传输到外部计算设备，从而卸载葡萄糖测量值，例如，以预定时间间隔和/或响应于建立或重新建立与计算设备的连接。

就可穿戴式葡萄糖监测设备104可以被配置为在整个观察期存储葡萄糖测量值110而言，在一个或更多个实施方式中，可穿戴式葡萄糖监测设备104可以被配置为没有无线传输装置，例如，没有任何天线以无线方式传输葡萄糖测量值110，并且无需硬件或固件来为这种无线传输生成数据包。相反，可穿戴式葡萄糖监测设备104可以配置有硬件以通过物理、有线耦合来传送葡萄糖测量值110。在这样的情况中，可穿戴式葡萄糖监测设备104可以被“插入”以从设备的存储中提取葡萄糖测量值110。

因此，可穿戴式葡萄糖监测设备104可以配置有一个或更多个端口，以便能够将葡萄糖测量值有线传输到外部计算设备。这种物理耦合的实施例可以包括微型通用串行总线(USB)连接、迷你USB连接和USB-C连接，仅举几例。尽管可穿戴式葡萄糖监测设备104可以配置为通过如上述的有线连接提取葡萄糖测量值110，但在不同的情况中，可穿戴式葡萄糖监测设备104可以替代地或附加地被配置成通过一个或更多个无线连接卸载葡萄糖测量值110。下面将进一步讨论涉及葡萄糖测量值的有线和/或无线通信的实施方式。

除了存储和通信差异之外，可穿戴式葡萄糖监测设备104可以还包括一个或更多个传感器或传感器电路，其配置不同于为糖尿病治疗设计的设备。例如，用于治疗糖尿病的可穿戴式葡萄糖监测设备的传感器和电路(例如，包括测量值算法)可以针对范围从40mg/dL到400mg/dL的测量值进行优化。这是因为糖尿病的治疗通常涉及决定采取什么行动来减轻可能发生在范围末端的严重血糖事件，例如低血糖和高血糖。然而，为了预测糖尿病，可以不需要在这么宽的范围内进行保真度测量。相反，糖尿病预测可以适当地生成与较小的范围相关的预测，例如从120mg/dL到240mg/dL的葡萄糖测量值范围。因此，可穿戴式葡萄糖监测设备104可以包括一个或更多个传感器或传感器电路，该传感器或传感器电路被优化以在这种较小范围内产生测量。应当理解，上述差异仅仅是可穿戴式葡萄糖监测设备104如何与配置用于治疗糖尿病的可穿戴式葡萄糖监测设备不同的实施例，并且可穿戴式葡萄糖监测设备104可以在不背离所述技术的精神或范围的情况下，以不同方式与那些设备不同。

一旦可穿戴式葡萄糖监测设备104产生葡萄糖测量值110，就将测量值提供给观察分析平台108。如上所述，葡萄糖测量值110可以通过有线和/或无线连接传送到观察分析平台108。在观察分析平台108部分或完全地在可穿戴式葡萄糖监测设备104上实现的情况中，例如，葡萄糖测量值110可以通过总线从设备的本地存储传输到设备的处理系统。在可穿戴式葡萄糖监测设备104被配置为通过处理葡萄糖测量值110来生成糖尿病分类预测的情况中，可穿戴式葡萄糖监测设备104可以还被配置为提供预测的糖尿病分类作为输出，例如，通过传送糖尿病分类到外部计算设备。在其他情况下，葡萄糖测量值110可以由配置为预测糖尿病分类的外部计算设备处理。

在一个或更多个实施方式中，可穿戴式葡萄糖监测设备104被配置为通过与外部设备的有线连接(例如，经由USB-C或一些其他物理、通信耦合)将葡萄糖测量值110传输到外部设备。这里，连接器可以插入可穿戴式葡萄糖监测设备104，或者可穿戴式葡萄糖监测设备104可以插入一个具有插座的仪器中，该插座与该设备的相应触点对接。葡萄糖测量值110可以然后通过该有线连接从可穿戴式葡萄糖监测设备104的存储中获得，例如，通过有线连接传输到外部设备。这样的连接可以用在观察期结束后由人102邮寄可穿戴式葡萄糖监测设备104的情况中，例如邮寄给医疗保健提供者、远程医疗服务、可穿戴式葡萄糖监测设备104的提供者或医学检测实验室。为此，观察套件(未示出)可以包括包装(例如，信封或盒子)，以在观察之后将可穿戴式葡萄糖监测设备104邮寄到这样的实体。这样的连接可以还用在观察期结束之后，人102将可穿戴式葡萄糖监测设备104放下的情况中，例如在医生办公室或医院(或医疗保健提供者的其他机构)、药房或医学检测实验室。替代地或另外地，涉及有线连接的情况可以涉及人102在检测期之后将可穿戴式葡萄糖监测设备104插入外部计算设备，例如，使用作为观察套件的一部分提供的电线。在这些情况中，外部计算设备可以通过网络(未示出)，例如互联网，将葡萄糖测量值110传送到观察分析平台108。

替代地或另外地，将葡萄糖测量值110提供给观察分析平台108可以涉及可穿戴式葡萄糖监测设备104通过一个或更多个无线连接传送葡萄糖测量值110。例如，可穿戴式葡萄糖监测设备104可以将葡萄糖测量值110无线传送到外部计算设备，例如移动电话、平板设备、膝平板电脑、智能手表、其他可穿戴健康跟踪器等。因此，可穿戴式葡萄糖监测设备104可以被配置为使用一个或更多个无线通信协议或技术与外部设备通信。举例来说，可穿戴式葡萄糖监测设备104可以使用蓝牙(例如，蓝牙低能量链路)、近场通信(NFC)、诸如5G的长期演进(LTE)标准等的一个或更多个与外部设备通信。在葡萄糖测量值110被传送到外部设备以进行处理的情况下，可穿戴式葡萄糖监测设备104可以配置有相应的天线和其他无线传输装置。在那些情况中，葡萄糖测量值110可以各种方式传送到观察分析平台108，例如以预定的时间间隔(例如，每天、每小时或每五分钟)，相应于某些事件的发生(例如，填充可穿戴式葡萄糖监测设备104的存储缓冲区)，或响应观察期的结束，仅举几例。

因此，无论在何处实现观察分析平台108，观察分析平台108都获得由可穿戴式葡萄糖监测设备104产生的葡萄糖测量值110。在一个或更多个实施方式中，观察分析平台108可以全部或部分地在可穿戴式葡萄糖监测设备104处实现。替代地或另外地，观察分析平台108可以全部或部分地使用可穿戴式葡萄糖监测设备104外部的一个或更多个计算设备来实现，例如与人102相关联的一个或更多个计算设备(例如，移动电话、平板设备、笔记本电脑、台式机或智能手表)或与服务提供者(例如，医疗保健提供者、远程医疗服务、对应于可穿戴式葡萄糖监测设备104的提供者的服务、医学检测实验室服务等)。在后一种情况下，观察分析平台108可以至少部分地在一个或更多个服务器设备上实现。

在所示实施例100中，观察分析平台包括存储设备112。根据所述技术，存储设备112被配置为维持葡萄糖测量值110。存储设备112可以表示一个或更多个数据库和能够存储葡萄糖测量值110的其他类型的存储器。存储设备112可以还存储各种其他数据，例如描述人102的人口统计信息、关于医疗保健提供者的信息、关于保险提供者的信息、支付信息、处方信息、确定的健康指标、账户信息(例如，用户名和密码)等等。如以下更详细讨论的，存储设备112可以还维持用户群体的其他用户的数据。

在所示实施例100中，观察分析平台108还包括预测系统114。预测系统114表示处理葡萄糖测量值110以产生糖尿病预测的功能，例如预测人102是否患有糖尿病(例如，2型糖尿病、GDM、囊性纤维化糖尿病等)或是否有患上糖尿病的风险(例如，糖尿病前期)，和/或人102是否被预测会经历与糖尿病相关的不利影响(例如，合并症、血糖异常、需要剖腹产的巨大儿和新生儿低血糖症等，仅举几例)。如以下更详细讨论的，预测系统114使用机器学习来预测糖尿病分类。机器学习的使用可以包括，例如，利用使用机器学习技术以及使用用户群体的历史葡萄糖测量值和历史结果数据生成的一个或更多个模型。

所示实施例100还包括糖尿病分类116，其可以由预测系统114输出。根据所述技术，糖尿病分类116可以表明是否预测该人患有糖尿病或是否预测会经历与糖尿病相关的不利影响。糖尿病分类116可以还用于生成基于分类的一个或更多个通知或用户界面，例如针对医疗保健提供者的报告，其中包括糖尿病分类(例如，该人被预测患有糖尿病)或指示该人102联系他或她的医疗保健提供者的人的通知。可以基于糖尿病分类116生成的用户界面的实施例将结合图6和图7进行更详细的描述。例如，以连续测量葡萄糖值和获取描述这种测量值的数据为背景，考虑以下图2的讨论。

图2更详细地描绘了图1的可穿戴式葡萄糖监测设备104的实施方式的实施例200。特别地，所示实施例200包括可穿戴式葡萄糖监测设备104的俯视图和对应的侧视图。应当理解，可穿戴式葡萄糖监测设备104在实施方式中可以以一种或更多种方式和出于一种或更多种原因而与下面讨论的图1有所不同。

在该实施例200中，可穿戴式葡萄糖监测设备104被示出为包括传感器202和传感器模块204。此处，传感器202在侧视图中被描绘为已被插入皮下的皮肤206，例如，人102。传感器模块204在俯视图中被描绘为虚线矩形。可穿戴式葡萄糖监测设备104还包括所示实施例200中的发射器208。传感器模块204使用虚线矩形表明它可以被容纳或以其他方式实现在发射器208的外壳内。在该实施例200中，可穿戴式葡萄糖监测设备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如图所示被皮下插入。在这种情况下，发射器208可以在应用到皮肤206之后通过附接机构212附接到组件上。另外地或替代地，发射器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和发射器208(带有传感器模块204)都可以同时用于到皮肤206。在一个或更多个实施方式中，使用单独的传感器施加器(未示出)将该应用组件应用到皮肤206上。与HbA1c、FPG和2Hr-PG等常规检测所需的抽血不同，用户启动的可穿戴式葡萄糖监测设备104的应用几乎是无痛的，并且不需要抽血、饮用含糖饮液或禁食数小时。此外，自动传感器施加器使人102能够将传感器202皮下嵌入皮肤206而无需临床医生或医疗保健提供者的帮助。

该应用组件可以还通过从皮肤206上剥离粘合垫210来移除。应当理解，在不背离所述技术的精神或范围的情况下，所示出的可穿戴式葡萄糖监测设备104及其各种组成部分仅仅是一种实施例形式因素，并且可穿戴式葡萄糖监测设备104及其组成部分可以具有不同的形式因素。

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信道通信地耦接到传感器模块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)或离散的(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的事件而改变或导致改变的设备、分子和/或化学品。传感器模块204被实现以接收对传感器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，该过氧化氢可由可包括电极的传感器模块204来电化学检测。在该实施例中，传感器202可以被配置为或包括葡萄糖传感器，该葡萄糖传感器被配置为使用一种或更多种测量技术检测血液或组织液中表明葡萄糖水平的分析物。在一个或更多个实施方式中，传感器202可以还被配置为检测血液或间质液中表明其他标记物的分析物，例如乳酸水平，这可以提高预测糖尿病分类的准确性。另外地或替代地，可穿戴式葡萄糖监测设备202可以包括传感器202的附加传感器以检测表明其他标记物的那些分析物。

在另一个实施例中，传感器202(或可穿戴式葡萄糖监测设备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。在该实施例中，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。替代地或另外地，可穿戴式葡萄糖监测设备104包括多个传感器以不仅检测一种或更多种分析物(例如，钠、钾、二氧化碳、葡萄糖和胰岛素)而且检测一种或更多种环境条件(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)可以检测一种或更多种分析物的存在、一种或更多种分析物的缺少和/或一种或更多种环境条件的变化。

在一个或更多个实施方式中，传感器模块204可以包括处理器和内存(memory)(未示出)。通过最大限度利用处理器，传感器模块204可以基于与表明上述变化的传感器202的通信来生成葡萄糖测量值110。基于来自传感器202的这些通信，传感器模块204还被配置为生成观察设备数据214。观察设备数据214是包括至少一个葡萄糖测量值110的可通信数据包。替代地或另外地，观察设备数据214包括其他数据，诸如多个葡萄糖测量值110、传感器识别216、传感器状态218等。在一个或更多个实施方式中，观察设备数据214可以包括其他信息，诸如一种或更多种对应于葡萄糖测量值110和其他分析物的测量值的温度。应当理解，在不脱离所述技术的精神或范围的情况下，观察设备数据214可以包括除了至少一个葡萄糖测量值110之外的多种数据。

在可穿戴式葡萄糖监测设备104被配置为无线传输的实施方式中，发射器208可以将观察设备数据214作为数据流无线传输到计算设备。替代地或另外地，传感器模块204可以缓冲观察设备数据214(例如，在传感器模块204的内存中)并且使发射器208以各种间隔，例如，时间间隔(每秒、每三十秒、每分钟、每五分钟、每小时等)、存储间隔(当缓冲的C观察设备数据214达到数据的阈值量或观察设备数据214的实例数时)等，传输缓冲的观察设备数据214。

关于观察设备数据214，传感器识别216表示从其他传感器(诸如其他可穿戴式葡萄糖监测设备104的其他传感器、之前或随后植入皮肤206中的其他传感器等)唯一地识别传感器202的信息。通过唯一识别传感器202，传感器识别216可以还用于识别关于传感器202的其他方面，诸如传感器202的制造批次、传感器202的包装细节、传感器202的运输细节等等。以此方式，以与传感器202类似的方式制造、包装和/或运输的传感器的检测到的各种问题可以以不同方式识别和使用(例如，以校准葡萄糖测量值110，以通知用户有缺陷的传感器，以通知制造工厂加工问题等)。

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110之一的同时传感器的状态。为此，传感器状态218可以包括每个葡萄糖测量值110的条目，使得葡萄糖测量值110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。在一个或更多个实施方式中，传感器模块204可以识别给定葡萄糖测量值110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。

举例来说，传感器模块204可以包括(例如，在内存或其他存储器中)查询表，该查询表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，其中选择该状态的基础可以是来自传感器202的通信落在表明正常操作的阈值内，例如，在预期时间的阈值内，在预期信号强度的阈值、环境温度在合适温度的阈值内以按预期继续操作，等等。预定状态可以还包括表明传感器202的通信的一个或更多个特性超出正常活动并且可能导致葡萄糖测量值110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，检测传感器202在预期信号强度阈值之外的信号强度，检测在合适的温度范围之外的环境温度以按预期继续操作，检测到人102已经滚压到(例如，在床上)到可穿戴式葡萄糖监测设备104上，等等。在不背离所述技术的精神或范围的情况下，传感器状态218可以表明关于传感器202和可穿戴式葡萄糖监测设备104的多个方面。

在考虑了环境实施例和可穿戴式葡萄糖监测设备的实施例之后，现在考虑根据一个或更多个实施方式，讨论在数字媒体环境中使用葡萄糖测量值和机器学习的糖尿病预测技术的一些细节的实施例。

糖尿病预测

图3描绘了实施方式的实施例300，其中糖尿病相关数据，包括葡萄糖测量值，被路由到与糖尿病预测相关的不同系统。

所示实施例300包括来自图1的观察分析平台108和人102。所示实施例300还描绘了与人102相关联的设备302，该设备可以将葡萄糖测量值110提供给与糖尿病预测相关的观察分析平台108和/或存储设备112。所描绘的设备302包括人102在观察期间佩戴以产生葡萄糖测量值110的可穿戴式葡萄糖监测设备104，以及可穿戴式葡萄糖监测设备104外部的附加设备。具体地，所描绘的附加外部设备包括移动电话和智能手表，尽管在一个或更多个实施方式中，各种其他设备可以被配置为向观察分析平台108和/或存储设备112提供葡萄糖测量值110，例如，笔记本电脑、平板设备、可穿戴式健康追踪器等。

如上所述，葡萄糖测量值110可以通过有线或无线连接传送或以其他方式提供到观察分析平台108和/或存储设备112。例如，可穿戴式葡萄糖监测设备104可以通过如上所述的有线或无线连接将葡萄糖测量值110提供给观察分析平台108和/或存储设备112。在附加的外部设备302之一提供葡萄糖测量值110的情况下，葡萄糖测量值110可以首先从可穿戴式葡萄糖监测设备104提供给附加的外部设备，使得附加的外部设备将葡萄糖测量值110通信或以其他方式提供到观察分析平台108和/或存储设备112。

在这些情况下，附加的外部设备302可以充当可穿戴式葡萄糖监测设备104与观察分析平台108和存储设备112之间的中介，使得外部设备302被用来将葡萄糖测量值110从可穿戴式葡萄糖监测设备104“路由”到观察分析平台108和/或存储设备112。替代地或另外地，其他设备可以将葡萄糖测量值110从可穿戴式葡萄糖监测设备104路由到观察分析平台108和/或存储设备112。那些其他设备可以包括被配置为从可穿戴式葡萄糖监测设备104提取数据并且与参与糖尿病预测的实体相关联的专用设备，例如医疗保健提供者、医院、药房、远程医疗服务、医学检测实验室等。

所示实施例300还包括用户群体304。用户群体304表示对应于佩戴葡萄糖监测设备(例如可穿戴式葡萄糖监测设备104)的人的多个用户。然后，这些其他用户的葡萄糖测量值110由他们各自的监测设备和/或由外部计算设备提供给观察分析平台108和/或存储设备112。在一个或更多个实施方式中，用户群体304包括作为一项或多项“研究”的一部分而被选择的用户，该研究至少部分是为了采集数据(包括葡萄糖测量值110)，使得数据可以用于使用机器学习生成一个或更多个模型，例如使用监督学习、无监督学习、强化学习等。

替代地或附加地，用户群体304可以包括先前基于在涉及可穿戴式葡萄糖监测设备104的观察期间产生的他或她的葡萄糖测量值而为其生成糖尿病预测的用户—其方式与为人102生成糖尿病预测类似。在对人102进行糖尿病预测之前产生的并且与为采集数据而进行的研究相关的数据被称为“历史”数据，因为它是在产生人102的葡萄糖测量值110之前的某个时间点产生的。类似地，在人102的糖尿病预测之前产生的数据以及与其他用户的糖尿病预测相关的数据也是历史数据。根据所述技术，历史数据包括例如历史葡萄糖测量值和历史结果数据。该历史数据与机器学习一起用于训练或以其他方式学习基础模型，关于图5更详细地描述。

举例来说，采集与糖尿病预测相关的数据的研究，可以需要参与者在多天的时间段内佩戴葡萄糖监测设备，以便产生这些参与者的葡萄糖测量值110。在不背离所述技术的精神或范围的情况下，该时间段可以具有与用于产生人102的葡萄糖测量值110的观察期相同或不同的持续时间。除了采集葡萄糖测量值110之外，可以利用这些研究来获得关于参与者的其他数据。结果数据306对应于这些其他数据中的至少一些，并且可以描述关于用户群体304的用户的各种方面。

与一项研究有关，例如，参与者除了佩戴葡萄糖监测设备外，还可以使用产生一种或更多种诊断测量的常规技术进行检测，例如HbA1c、FPG和/或2Hr-PG。独立诊断测量308表示描述与用户群体304的用户相关的一个或更多个这样的检测的结果的数据。例如，独立诊断测量308可以描述与用户群体304的用户相关的HbA1c、FPG、2Hr-PG(或作为FPG和2Hr-PG的组合的OGTT)和/或随机血浆葡萄糖(RPG)的结果。鉴于此，研究参与者的葡萄糖测量值110可以与相应参与者的独立诊断测量308相关联，例如，通过标记测量值。如以下更详细讨论的，机器学习可以通过训练过程，学习葡萄糖测量值110中指示独立诊断测量308的特定值的模式，例如葡萄糖测量值110的模式，表明相应的人的HbA1c可能为10.0。

如图所示，结果数据306还包括观察到的不利影响310和临床诊断312。观察到的不利影响310表示描述用户群体304的用户所经历的不利影响的数据。举例来说，观察到的不利影响310可以描述用户是否经历过与2型糖尿病相关的一种或更多种不利影响中，例如糖尿病性视网膜病、白内障、青光眼、失明、严重的高血糖症或低血糖症、心脏和血管疾病、神经病变、勃起功能障碍、肾衰竭或终末期肾病、愈合缓慢、听力障碍、皮肤病(例如细菌和真菌感染)、睡眠呼吸暂停和阿尔茨海默病等等，仅举几例。

另外地或替代地，观察到的不利影响310可以描述用户是否经历过与GDM相关的一种或更多种不利影响中的任何一种，例如她的婴儿出生体重过重(需要剖腹产)、早产(早产儿)、她的婴儿患有呼吸窘迫综合征、新生儿低血糖、她的婴儿在以后的生活中变得肥胖或发展为2型糖尿病、死产等。

另外地或替代地，观察到的不利影响310可以描述用户是否经历过与其他类型的糖尿病相关的一种或更多种不利影响，例如与1型糖尿病、囊性纤维化糖尿病、胰腺糖尿病等相关的影响。鉴于此，研究参与者的葡萄糖测量值110可以与各个参与者被观察到的不利影响310相关联，例如，通过标记测量值。如下文更详细讨论的，机器学习可以通过训练过程，学习葡萄糖测量值110中表明所观察到的不利影响310的发生和未发生的模式，例如葡萄糖测量值110中的模式表明相应的人有一个出生体重超重需要剖腹产的婴儿的概率。

临床诊断312表示描述用户群体304中的用户是否已经被临床医生诊断(或未)患有糖尿病或者他们是否已经被暂时或初步诊断患有糖尿病的数据。举例来说，诊断可以由临床医生基于独立诊断测量308和/或观察到的不利影响310中的一个或更多个来做出。附加地或替代地，临床诊断312可以被配置为表示基于诊断检测的标记，这些检测未被例如食品和药物管理局(FDA)或整个临床社区(例如A1CNOW+)批准用于诊断。临床诊断312的值可以表示相应用户被临床诊断患有糖尿病(或某种类型的糖尿病)、被临床诊断患有糖尿病前期(或任何不同类型的糖尿病前期)、被暂时或初步诊断患有糖尿病、没有糖尿病(即被筛查)，被使用未经批准的检测诊断为糖尿病，或被使用未经批准的检测诊断为糖尿病前期，仅举几例。鉴于此和独立诊断测量308，例如，葡萄糖测量值110可以与相应研究参与者的独立诊断测量308和相应参与者的临床诊断312相关联。机器学习可以通过训练，学习葡萄糖测量值110的模式，这些模式表明独立诊断测量308的特定值，并且还表明不同的糖尿病诊断，例如葡萄糖测量值110中的模式表明一个人的HbA1c可能是6.0(例如，“预估A1c”)，并还表明临床医生的分析可能导致糖尿病前期的诊断。虽然该实施例是结合人的HbA1c进行讨论的，但应该理解的是，可以基于不同的测量值(例如FPG)和/或观察(例如体重增加、神经病变和睡眠呼吸暂停)来进行临床诊断而不背离所述技术的精神或范围。

在一个或更多个实施方式中，结果数据306可以包括或可用作标记。例如，独立诊断测量308的值可以用于标记用户群体304的相应用户的葡萄糖测量值110。替代地或附加地，表明相应用户经历的观察到的不利影响310的标记可以用于标记相应用户的葡萄糖测量值110。替代地或附加地，表明临床诊断312的标记可以用于标记相应用户的葡萄糖测量值110，例如临床诊断为糖尿病前期的用户的葡萄糖测量值110可以与“糖尿病前期”标记相关联，而临床诊断为糖尿病的不同用户的葡萄糖测量值110可以与“糖尿病”标记相关联。尽管独立的诊断测量308、观察到的不利影响310和临床诊断312在实施例300中被描述出来，但是应该理解，结果数据306可以包括描述用户群体304的用户的不同、额外或更少方面的数据，在不背离所述技术的精神或范围。

如所示实施例300中所描绘的，用户群体304的用户的葡萄糖测量值110和结果数据306被传送或以其他方式提供给观察分析平台108和/或存储设备112。除了葡萄糖测量值110和结果数据306之外，描述用户群体306的用户的其他方面的附加数据可以通过观察分析平台108和/或存储设备112获得。举例来说，这种附加数据可以包括人口统计学数据(例如，年龄、性别、种族)、病史数据(例如，身高、体重、体重指数(BMI)、体脂百分比、各种状况的存在或不存在)、压力数据、营养数据、运动数据、处方数据、身高体重数据、职业数据等。在不背离所述技术的精神或范围的情况下，这些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。在一个或更多个实施方式中，观察分析平台108和/或存储设备112可以获得关于人102以及关于用户群体304的用户的这样的附加数据(或至少一些附加数据)。

值得注意的是，所示实施例300分别描绘了观察分析平台108和存储设备112，并且还描绘了存储设备112和观察分析平台108之间的虚线箭头。一般而言，该箭头表示存储设备112中所维持的数据可以由观察分析平台108从存储设备112中获取。换句话说，由存储设备112维持的数据可以提供给观察分析平台108。如上所述，存储设备112可以存储人102的葡萄糖测量值110，以及用户群体304的葡萄糖测量值110和结果数据306。

在一个或更多个实施方式中，观察分析平台108和存储设备112可以对应于相同的实体，例如葡萄糖监测设备(例如，可穿戴式葡萄糖监测设备104)和与葡萄糖监测相关的服务的提供者。在这样的实施方式中，观察分析平台108和存储设备112可以在“云端”中实现，跨越多个计算设备(例如，服务器)和分配给实体或以其他方式与实体相关联的存储资源(例如，通过订阅或所有权)。为此，人102的葡萄糖测量值110以及用户群体304的葡萄糖测量值110和结果数据306可以由观察分析平台108从存储设备112获得，其方式是与服务提供者相关的服务器从与该服务提供者相关的存储中获得数据。

在其他实施方式中，观察分析平台108和存储设备112可以对应于不同的实体。举例来说，存储设备112可以对应于第一实体，例如人102的计算设备(例如，移动电话或平板设备)，观察分析平台108可以对应于第二实体，例如与葡萄糖监测相关的葡萄糖监测设备和服务提供商。在该实施例中，观察分析平台108可以至少部分地实现，作为在人102的计算设备上运行的第二实体的应用。替代地或另外地，观察分析平台108可以使用第二实体的服务器设备来实现。在应用的实施方式中，第二实体的应用可以从计算机设备上本地实现的存储设备112(例如，通过总线或计算设备的其他本地传输装置)获得一个或更多个人102的葡萄糖测量值110、用户群体304的葡萄糖测量值110或用户群体304的结果数据中。在服务器的实施方式中，第二实体的服务器可以通过一个或更多个网络，例如因特网，从在计算设备上实现的存储设备112获得数据。

在另一个实施例中，观察分析平台108和存储设备112对应于不同的实体，存储设备112可以对应于第一实体，例如葡萄糖监测设备和与葡萄糖监测相关的服务的提供者(或与葡萄糖监测相关的有限服务)。在再一个实施例中，观察分析平台108可以对应于第二不同实体，例如服务提供商，例如第一实体的数据伙伴。在该实施例中，第二实体可以被认为是与对应于存储设备112(和可穿戴式葡萄糖监测设备104)的实体相关的“第三方”。当对应于数据伙伴时，观察分析平台108可以根据第一和第二实体之间的一个或更多个法律协议从第一实体(即，存储设备112)获取数据。将维持在存储设备112中的数据提供给观察分析平台108可以由应用编程接口(API)控制。

在这种类型的情况中，这样的API可以被认为是数据的“出口”，例如葡萄糖测量值110和结果数据306。“出口”是指数据流通常从第一实体向外流向第三方(例如，第二实体)。以数据提供为背景，API可以向第三方公开一个或更多个“调用”(例如，数据请求的特定格式)。举例来说，API可以在第三方(例如，与对应于第一实体的企业)签订协议后将这些调用公开给第三方，本协议允许第三方通过API从存储设备112获取数据。作为本协议的一部分，第三方可以同意交换支付(exchange payment)以便从第一实体获得数据。替代地或另外地，第三方可以同意交换其产生的数据(例如，通过相关联的设备)，以便从第一实体获得数据。签订协议以通过API从第一实体获取数据(例如，葡萄糖测量值110)的各方可以称为“数据合作伙伴”。在操作中，API允许第三方请求以特定请求格式保存对存储设备112中维持的数据(例如，葡萄糖测量值110和/或结果数据306)提出请求，如果以特定格式进行请求，则第一实体以特定的响应格式提供所请求的数据。所请求的数据可以在网络(例如，因特网)上的一个或更多个通信(例如，数据包)中以特定响应格式提供。可以被视为“第三方”的第二实体的实施例包括各种服务提供商，例如提供一个或更多个健康监测/跟踪服务、健身相关服务、远程医疗服务、医学检测实验室服务等的服务提供商。实际上，存储设备112和观察分析平台108可以使用各种设备和/或资源(例如，计算、通信、存储等)来实现，并且对应于各种设备和/或资源的实体之间的划分(或不划分)可以不同于上述的划分，而不背离本文所述技术的精神或范围。

无论如何，观察分析平台108被配置为获得人102的葡萄糖测量值110以及用户群体304的葡萄糖测量值110和结果数据306并且根据所述技术处理它们。例如，使用葡萄糖测量值110和用户群体304的结果数据306，预测系统114被配置为生成一个或更多个机器学习模型，例如回归模型、神经网络、强化学习代理。一旦生成了一个或更多个这样的模型，预测系统114就被配置为使用那些一个或更多个模型来处理人102的葡萄糖测量值以预测人102的糖尿病分类116。

在所示实施例300中，预测系统114被显示为输出通知314。通知314可以基于糖尿病分类116或包括糖尿病分类116。考虑一个实施例，其中预测系统114的一个或更多个机器学习模型输出的糖尿病分类116是表明人102被预测患有糖尿病的标记，例如“1”(其中“0”表示没有糖尿病)或文本标记，例如“糖尿病”。在这种情况下，简单地向人102提供糖尿病分类116可以是不合需要的。如果这些信息没有与相关的教育材料一起提供，或者没有在适当的环境中以个性化的方式提供，那么这些信息的提供可以会以各种负面的方式影响人102，例如造成混乱、愤怒、抑郁等等。因此，通知314可以简单地基于糖尿病分类116，例如通过通知人102观察期的结果是可用的，并指示他们安排与他或她的相关医疗保健提供者的预约。

作为对比，向人102的医疗保健提供者提供糖尿病分类116可以不是不可取的。相反，可以优选向医疗保健提供者提供糖尿病分类116(与不提供分类相反)，使得医疗保健提供者可以适当地通知人102并且还为人102制定治疗计划。在这样的情况中，通知314可以简单地对应于糖尿病分类116。或者，传送给医疗保健提供者(或其他人)的通知可以被配置为包括糖尿病分类116以及其他信息的报告，例如在观察期间的人102的葡萄糖测量值110的轨迹，从那些葡萄糖测量值110得出的测量值、治疗建议(例如，从用户群体304的历史数据中得知)等等。这些通知的实施例将结合图6和图7进行更详细的讨论。在根据人102的葡萄糖测量值110预测人102的葡萄糖分类116的背景下，考虑图4的以下讨论。

图4更详细地描绘了图1的预测系统的实施方式的实施例400，其中使用机器学习预测糖尿病分类。

在所示实施例400中，预测系统114被示为例如从存储设备112获取葡萄糖测量值110。这里，葡萄糖测量值110可以对应于人102。在该实施例400中，预测系统114被描绘为包括预处理管理器402和机器学习模型404，它们被配置为基于人102的葡萄糖测量值110来生成糖尿病分类116的预测。尽管预测系统114被描绘为包括这两个组件，但是应当理解，预测系统114可以具有更多、更少和/或不同的组件，以基于葡萄糖测量值110生成糖尿病分类116，而不背离所述技术的精神或范围。

在一个或更多个实施方式中，葡萄糖测量值110被配置为时序数据，使得每个葡萄糖测量值110对应于时间戳。例如，葡萄糖测量值110可以被配置为一个或更多个葡萄糖“轨迹”。尽管葡萄糖测量值110通常可以按顺序接收或维持，例如，通过观察分析平台108从可穿戴式葡萄糖监测设备104和/或外部设备接收或维持葡萄糖测量值110，但在一些情况下，一个或更多个葡萄糖测量值110的接收或维持顺序可以不与生成葡萄糖测量值110相同。例如，具有葡萄糖测量值110的数据包可以不按顺序接收。因此，接收顺序可以不在时间上与可穿戴式葡萄糖监测设备104产生葡萄糖测量值110的顺序匹配。此外或替代地，包括一个或更多个葡萄糖测量值110的传输可以被破坏。实际上，由预测系统114获得的葡萄糖测量值110不完全按时间顺序可以有多种原因。

为此，预处理管理器402可以被配置为根据各自的时间戳来确定葡萄糖测量值110的时序序列。由于损坏和通信错误，由预测系统114获得的葡萄糖测量值110可以不仅不按时间顺序排列，而且可以还丢失一个或更多个测量值——在预测一个或更多个测量值的按时间排序的序列中可以存在间隙。在这些情况下，预处理管理器402可以还配置为对缺失的葡萄糖测量值进行插值，并将其合并到时序序列中。尽管对该功能进行了讨论，但在一种或更多种实施方式中，由预测系统114获得的葡萄糖测量值110可以已经处于时间顺序(例如，葡萄糖测量值110的一个或更多个时间序列)，使得预处理管理器402不执行对那些测量值进行排序和对缺失测量值进行内插。

通常，预处理管理器402被配置为对葡萄糖测量值110进行预处理，以生成可以作为机器学习模型404的输入提供的数据(例如，一个或更多个特征向量)以及可以与糖尿病分类116(例如，作为通知314的一部分包括在内)相关报告的数据。在所示实施例400中，预处理管理器402被描绘为输出提取的葡萄糖特征406。预处理管理器402可以通过根据一种或更多种预定算法或函数处理葡萄糖测量值110来确定提取的葡萄糖特征406。不同提取的葡萄糖特征406中的每一个可以对应于预处理管理器402处理葡萄糖测量值110所用的不同算法或功能。

这里，提取的葡萄糖特征406包括超过阈值的时间测量408、变化率测量410和观察期异常412。应当理解，所提取的葡萄糖特征406可以不同于所示的组合而不背离所述技术的精神或范围。例如，提取的葡萄糖特征406可以还或交替地包括一项或多项平均葡萄糖(例如，在观察期的持续时间或每天)、葡萄糖中值、葡萄糖测量值110的四分位数范围、葡萄糖测量值110的方差、夜间高血糖、清醒时间的平均葡萄糖与睡眠时间的平均血糖之间的差异、葡萄糖的日间变异性、葡萄糖的昼夜变异性、葡萄糖的统计分布、葡萄糖的阈值百分位数(例如，统计学显着的阈值百分位数，例如94^th百分位数或更大)、10至90百分位数的葡萄糖范围、葡萄糖的标准差、每日平均差(MODD)和平均葡萄糖波动幅度(MAGE)，仅举几例。

值得注意的是，超过阈值的时间测量408和变化率测量410是使用常规诊断检测根本无法确定的测量。相反，超过阈值的时间测量408和变化率测量410必须是基于时间的，要求数据点(即，葡萄糖测量值110)各自都与时间点相关联并且根据它们的时间排序。通常，超过阈值的时间测量408对应于在观察期期间人102的葡萄糖测量值110高于葡萄糖阈值的时间量。例如，为了计算超过阈值的时间测量408，预处理管理器402可以识别超过葡萄糖阈值的顺序连续的葡萄糖测量值110(例如，基于测量值与阈值的比较)，并确定超过阈值的第一测量值与超过阈值的最后测量值之间的时间差。在没有与每个测量值相关的时间，也没有以适当的粒度的时间增量来产生测量值以捕捉这些特征，那么简单地确定超过葡萄糖阈值的时间量是不可能的。应当理解，超过阈值的时间量与超过阈值的测量数量或超过阈值的测量值的百分比形成对比，预处理管理器402可以还被配置为确定这些测量值。

通常，变化率测量410对应于用户在单位时间内的葡萄糖测量值110的差异。为了确定变化率测量值410，预处理管理器402可以在至少两次测量之间确定测量的葡萄糖量的差异和时间的差异，使得可以确定葡萄糖量在某个时间单位内的变化，例如每分钟的mg/dL变化。应当理解，这样的变化率可以使用多于两个的葡萄糖测量值110来确定。无论如何，如果没有葡萄糖测量值110的时间排序，就无法确定变化率测量410。这些变化率测量410可以表明人102的身体在因食用碳水化合物而导致葡萄糖峰值时的反应速度——这可以进一步表明人102的胰岛素反应。总之，葡萄糖测量值110的时序使得能够确定使用来自其他诊断检测的数据无法确定的多种测量。

超过阈值的时间测量408的实施例可以包括，作为实施例而非限制，超过130mg/dL(对应于观察期内人102葡萄糖水平超过130mg/dL的时间量)的时间和超过140mg/dL的时间(对应于观察期内人102葡萄糖水平超过140mg/dL的时间量)。在一个或更多个实施方式中，超过阈值的时间测量408可以对应于超过阈值的时间量，该阈值的范围可以从120mg/dL到240mg/dL。此外，超过阈值的时间测量408可以仅包括单个超过阈值的测量，例如超过140mg/dL的时间量，或多个测量，例如超过130mg/dL的时间量、超过140mg/dL的时间量以及超过150mg/dL的时间量。

作为提取的葡萄糖特征406的一部分或除了提取的葡萄糖特征406之外，预处理管理器402可以确定的其他基于时间的阈值测量包括范围内的时间测量，其对应于人102的观察期过程中的时间量。葡萄糖在第一葡萄糖水平和低于第一葡萄糖水平的第二葡萄糖水平之间，分别对应于范围的上限和下限。相反，预处理管理器402可以确定超出范围的时间测量值，其对应于在观察期的过程中人102的葡萄糖测量值110在这样的范围之外的时间量。变化率测量410的实施例可以包括，例如，高葡萄糖测量后的平均变化率、碳水化合物消耗测量后的平均变化率、一天中不同时间的变化率(例如，在晚上)等等。

预处理管理器402可以使用多种已知的统计异常检测技术中的任何一种来确定观察期异常412，包括例如无监督异常检测技术、监督异常检测技术和半监督异常检测技术。此外，预处理管理器402可以确定与一天中的时间相关的一个或更多个统计测量，例如夜间平均和中位数葡萄糖测量值。同样，如果葡萄糖测量值110没有对应的时间，则无法确定这些测量值。

除了确定葡萄糖的这些不同特征之外，预处理管理器402可以确定哪些葡萄糖测量值110将用作输入到机器学习模型404的基础。换言之，预处理管理器402可以通过将葡萄糖测量值110的至少一部分从输入到机器学习模型404中去除来过滤葡萄糖测量值110。预处理管理器402可以然后从过滤的葡萄糖测量值中确定提取的葡萄糖特征406。

举例来说，预处理管理器402可以选择葡萄糖测量值110的测量值子集(例如，来自三个“最差”天的测量值)，为该测量值子集生成提取的葡萄糖特征406，然后基于该测量值子集的提取的葡萄糖特征406生成输入数据以输入机器学习模型404。或者，预处理管理器可以选择天数的子集，其中x个最差的天被删除(或未选中以包含在子集中)。无论如何，在一种或更多种实施方式中，未选择的测量值和/或对应于未选择的测量值的数据可以不输入到机器学习模型404。预处理管理器402可以以多种方式选择哪些葡萄糖测量值110将用作输入数据的基础，例如基于葡萄糖测量值的每日平均值(例如，其中最坏的日子是与基于可穿戴式葡萄糖监测设备104的性能的最高平均葡萄糖，例如具有最高平均葡萄糖的三天)(例如，可以消除第一天和最后一天，或者由于接收到设备或传感器错误而消除几天)，等等。除了数据删除之外，预处理管理器402可以替代地或附加地用更高保真度的测量值替换或添加一个或更多个葡萄糖测量值110，例如在预处理期间内插的测量值。

不管提取的特定葡萄糖特征如何，预处理管理器402被配置为生成输入数据以输入到机器学习模型404。在一个或更多个实施方式中，该输入数据可以被配置为表示一个或更多个特征的特征向量。在一个实施例中，输入数据可以对应于单个特征，例如超过阈值的时间测量408，例如超过140mg/dL的时间量。在该实施例中，预处理管理器402可以生成特征向量，该特征向量表示在观察期间人102的葡萄糖超过阈值的时间量(或时间百分比)。在其他实施例中，输入数据可以对应于多个特征，例如超过阈值的时间测量408和平均葡萄糖。因此，预处理管理器402可以生成特征向量，该特征向量表示在观察期间人102的葡萄糖超过阈值的时间量(或时间百分比)以及人102在观察期间的平均葡萄糖。应当理解，上述提取的葡萄糖特征406(或其他确定)中的任何一个都可以用于单特征的实施方式中，并且这些特征(或确定)的任何组合可以用于多特征的实施方式中。

除了从葡萄糖测量值110提取的特征之外，预处理管理器402可以还合并来自附加数据的特征，描述人102的不同方面。如上所述，该附加数据可以包括附加分析物数据(例如，乳酸测量值)、环境数据(例如，人的体温)、已经观察到的不利影响数据(例如，描述与糖尿病相关的多种不利影响中的任何一种的数据已被观察)、通过问卷调查或以其他方式获得的人口统计学数据(例如，描述年龄、性别、种族)、病史数据、压力数据、营养数据、运动数据、处方数据、身高和体重数据、职业数据等等。换言之，作为输入提供给机器学习模型404或机器学习模型404的集合的数据可以在一个或更多个实施方式中描述关于人102的多个方面(例如，作为输入特征向量的特征)除了基于葡萄糖的特征之外，不背离所述技术的精神或范围。在这样的情况中，机器学习模型404是使用用户群体304的类似历史数据进行训练。

尽管所示实施例400描绘了预处理管理器402对葡萄糖测量值110进行预处理以产生提取的葡萄糖特征406，并将这些特征作为机器学习模型的输入(例如，表明提取的特征的特征向量)，在一个或更多个实施方式中，预处理管理器402可以产生表示(单独或与其他特征)葡萄糖测量值110的一个或更多个时间序列(例如，轨迹)的特征向量。因此，机器学习模型404的输入数据可以对应于或以其他方式包括葡萄糖测量110的向量化时间序列或葡萄糖测量值110的多个向量化时间序列。在时间序列葡萄糖测量值被向量化的实施方式中，机器学习模型404可以例如对应于神经网络。在提取的葡萄糖特征406(例如超过阈值的时间测量408)和统计特征(例如，四分位数范围)被向量化的实施方式中，机器学习模型可以例如对应于回归模型，例如线性或逻辑回归模型。

响应于从预处理管理器402接收输入数据，机器学习模型404被配置为生成和输出糖尿病分类116。具体地，可以训练机器学习模型404以输出糖尿病分类116。举例来说，机器学习模型404基于一种或更多种训练方法并使用历史葡萄糖测量值和可从中导出糖尿病分类的结果数据(例如，使用用户群体304的葡萄糖测量值110和结果数据306)来可以训练，或者可以学习基础表示。根据所述技术，机器学习模型404可以表示一个或更多个模型，包括例如被训练来预测该人是否患有糖尿病的模型，以及在一个或更多个实施方式中，用于预测该人是否患有糖尿病而训练的附加的模型(即，可用于在一定程度上筛选该人没有糖尿病的糖尿病分类)。多模型配置的每个模型可以接收描述不同方面的不同配置的输入数据，例如，具有表示与糖尿病相关的不同方面的特征的特征向量。应当理解，在其他实施方式中，单个模型可以被配置为生成两种类型的预测。在一个或更多个实施方式中，机器学习模型404可以被配置为模型的集合，每个模型产生的与糖尿病相关的预测与其他模型不同。

糖尿病分类116可以根据一个或更多个结果对人102进行分类，这些结果对应于用于训练机器学习模型404的结果数据306所述的结果。在机器学习模型404使用用户群体304的临床诊断312进行训练或学习模型的实施方式中，机器学习模型404可以将人102的葡萄糖测量值110分类到对应于其中一个的类别中，例如，糖尿病、糖尿病前期或无糖尿病。为此，医疗保健提供者可以使用糖尿病分类116来治疗人102或制定类似于医疗保健提供者102在根据常规技术(例如HbA1c、FPG和/或2Hr-PG)诊断出患有糖尿病时将如何进行治疗的治疗计划。

类似地，在使用用户群体的观察到的不利影响310来训练或学习机器学习模型的情况下，那么机器学习模型404可以输出人102的葡萄糖测量值110表明人正在经历不同的不利影响的概率，例如，从零到一的概率，该人将经历与不同类型糖尿病相关的各种不利影响。在一些实施方式中，可以存在针对每种效应训练或构建的机器学习模型，使得机器学习模型404表示模型的集合，能够生成关于人102是否会经历每种效应或人体验每个效应的概率的预测。

在机器学习模型被训练或模型被学习的实施方式中，使用用户群体的独立诊断测量308，那么机器学习模型404可以输出对特定诊断测量的值的预测，例如HbA1c值、FPG值、2Hr-PG值或OGTT值。输出的糖尿病分类116很大程度上取决于机器学习模型404的训练方式和信息，具体而言，糖尿病分类116表示——例如表明该人是否患有糖尿病或是否有患糖尿病风险的标记(例如，糖尿病标记、糖尿病前期标记或非糖尿病标记)、表明该人是否患有特定类型糖尿病(例如，1型糖尿病、2型糖尿病和GDM)的标记，概率或测量值——取决于训练。此外，不同类型的机器学习模型可能更适合于生成与不同类型的结果相关的预测，这些结果可以由糖尿病分类116表示。在训练机器学习模式的背景下，现在考虑图5的以下讨论。

图5更详细地描绘了预测系统114的实施方式的实施例500，其中对机器学习模型进行训练以预测糖尿病分类。

在所示实施例500中，预测系统114包括模型管理器502，其管理机器学习模型404。根据所述技术，机器学习模型404可以表示单个机器学习模型或多个模型的集合。机器学习模型404可以对应于不同类型的机器学习模型，其中使用不同的方法来学习底层模型，例如使用监督学习、无监督学习和/或强化学习。举例来说，这些模型可以包括回归模型(例如，线性、多项式和/或逻辑回归模型)、分类器、神经网络和基于强化学习的模型，仅举几例。

在不脱离所述技术的精神或范围的情况下，机器学习模型404可以被配置为或包括其它类型的模型。这些不同的机器学习模型可以分别使用不同的算法来构建或训练(或以其他方式学习的模型)，至少部分的原因是由于不同的结构和/或学习范式。因此，应当理解的是，模型管理器502的功能的以下讨论适用于各种机器学习模型。然而，为了解释的目的，模型管理器502的功能将与统计模型和神经网络相关地进行一般性描述。

广义地说，模型管理器502被配置为管理机器学习模型，包括机器学习模型404。例如，该模型管理包括建立机器学习模型404、训练机器学习模型404、更新该模型等等。具体地，模型管理器502被配置为至少部分地使用在存储设备112中维持的大量数据来执行该模型管理。如图所示，该数据包括用户群体304的葡萄糖测量值110和结果数据306。换言之，模型管理器502使用用户群体304的葡萄糖测量值110和结果数据306来建立机器学习模型404，训练机器学习模型404(或以其他方式学习基础模型)，并更新该模型。在机器学习模型404除了接收葡萄糖测量值或这些测量值的提取特征作为输入之外的数据作为输入的实施方式中，模型管理器502还使用用户群体304的这种附加数据来建立、训练和更新机器学习模型404。

在一个或更多个实施方式中，模型管理器502生成训练数据以训练机器学习模型404或以其他方式学习模型的参数。从广义上讲，训练数据的生成取决于机器学习模型设计输出的糖尿病分类。该训练数据将是不同的，例如，如果机器学习模型404被配置为生成对人的诊断测量、预测该人将经历的不利影响或该人的临床诊断的预测。不管要预测的结果如何，生成训练数据可以包括对用户群体304的葡萄糖测量值110进行时间排序(如果葡萄糖测量值110尚未进行时间排序)以及从那些时间排序的葡萄糖测量值110中提取葡萄糖特征。模型管理器502可以利用预处理管理器402的功能来形成时序葡萄糖测量值110并提取葡萄糖特征，例如，以生成提取的葡萄糖特征406的类似方式。

生成训练数据还包括将葡萄糖测量值110的轨迹或从葡萄糖测量值110提取的特征(例如，类似于提取的葡萄糖特征，但用于葡萄糖测量值110，用户群体304)与用户群体304的相应用户的结果数据306相关联。鉴于此，对应于特定用户的葡萄糖轨迹或提取的葡萄糖特征与特定用户的结果数据306相关联。举例来说，特定用户可以已经被临床诊断为患有糖尿病，并且他或她的葡萄糖可以在相当于观察期27％的时间量内一直高于阈值。鉴于此，模型管理器502可以形成包括输入部分的训练实例，输入部分的值表明用户的高于阈值的时间为27％，并且具有关联输出部分的值表明患者患有糖尿病，例如“1”或其他一些对应的值。

在一个或更多个实施方式中，模型管理器502可以通过从结果数据306中提取与至少一种结果类型相对应的观察值或标记，例如临床诊断312的值，例如“糖尿病”，“糖尿病前期”和“无糖尿病”或表明这些标记的值来建立统计模型。一旦建立，统计模型被配置为预测该至少一种结果类型的值或标记并将其输出为糖尿病分类116——表明该至少一种结果类型的值或标记不用作模型的输入。例如，在统计模型是回归模型的情况下，结果值或标记可以对应于一个或更多个因变量。相反，从葡萄糖测量值110中提取的一个或更多个葡萄糖特征可以用作模型的输入。因此，在机器学习模型404被配置为统计模型的情况中，一个或更多个葡萄糖特征可以对应于一个或更多个解释(或独立)变量。

鉴于结果数据306中的一组结果值或标记以及从葡萄糖测量值110提取的一组特征值，模型管理器502使用一种或更多种已知方法将这些值组“拟合”到方程，使得在一定公差范围内产生响应于提取的葡萄糖特征值的输入的结果值或标记。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、最小化最小二乘代价函数的惩罚版本(apenalized version of the least squares cost function)(例如，岭回归或lasso回归)等等。所谓“拟合”是指模型管理器502使用一种或更多种方法和训练数据的这些值集来估计方程的模型参数。

估计的参数包括，例如，当自变量(例如，提取的葡萄糖特征406)在操作期间被输入到机器学习模型时应用于它们的值的权重。模型管理器502将通过拟合用户群体304的观察值而估计的这些参数并入方程以生成机器学习模型404作为统计模型。在操作中，预测系统114将自变量的值(例如，一个或更多个提取的葡萄糖特征406的值)输入到统计模型(例如，作为一个或更多个向量或矩阵)，统计模型将估计的权重应用于这些输入值，然后输出用于一个或更多个因变量的值或标记。该输出对应于糖尿病分类116。

在以下讨论中，模型管理器502建立和训练机器学习模型的能力是关于对应于或包括至少一个神经网络的机器学习模型404的配置来讨论的。

关于所使用的训练数据，如上所述，模型管理器502可以生成训练数据的实例，包括输入部分和预期输出部分，即，用于在训练期间与模型的输出进行比较的基本事实。训练数据实例的输入部分可以对应于葡萄糖测量值110的一个或更多个轨迹和/或特定用户的葡萄糖测量值110的一个或更多个提取特征。输出部分可以对应于特定用户的结果数据306的一个或更多个值，例如表明糖尿病临床诊断的值或用户观察到的HbA1c的值。同样，轨迹是否用于训练以及哪些提取的特征用于训练以及哪些结果数据用于训练，取决于机器学习模型404设计(和训练)接收作为输入的数据以及设计(和训练)输出的数据。

模型管理器502使用训练输入部分连同相应的预期输出部分来训练机器学习模型404。以训练为背景，模型管理器502可以通过提供来自训练输入部分组的数据实例至机器学习模型404来训练机器学习模型404。响应于此，机器学习模型404生成糖尿病分类的预测，例如通过预测表明糖尿病临床诊断的值或用户观察到的HbA1c的值。模型管理器502从机器学习模型404获得该训练预测作为输出，并将训练预测与对应于训练输入部分的预测输出部分进行比较。例如，如果机器学习模型404输出表明用户患有糖尿病的糖尿病分类，则将该预测与输出数据(例如，将用户分类为患有糖尿病或没有糖尿病)进行比较以确定预测是否正确。基于该比较，模型管理器调整机器学习模型404的内部权重，使得机器学习模型在将来提供响应的训练输入部分作为输入时可以基本上再现预测输出部分。

将训练输入部分的实例输入机器学习模型404、从机器学习模型404接收训练预测、将训练预测与对应于输入实例的预期输出部分(观察到的)进行比较(例如，使用损失函数，诸如均方根误差)以及基于这些比较来调整机器学习模型404的内部权重的这一过程可以重复数百次、数千次或者甚至数百万次迭代——每次迭代使用训练数据的实例。

模型管理器502可以执行这样的迭代，直到机器学习模型404能够生成与预期输出一致且基本匹配的预测。机器学习模型持续生成与预期输出基本部分匹配的预测的能力可以被称为“收敛”。鉴于此，可以说模型管理器502训练机器学习模型404，直到它“收敛”于一个解，例如，由于训练迭代，模型的内部权重已经被适当地调整，使得模型一致地生成基本上匹配预期输出部分的预测。

如上所述，机器学习模型404可以被配置为在一个或更多个实施方式中，除了接收葡萄糖测量值的轨迹和/或从这些测量值中提取的特征之外，还接收输入。在这样的实施方式中，模型管理器502可以形成训练实例，其包括训练输入部分、相应的预期输出部分以及描述用于预测糖尿病分类的用户群体304的任何其他方面的附加输入数据，例如人口统计数据、病史、锻炼和/或压力。该附加数据以及训练输入部分可以由模型管理器502根据一种或更多种已知技术处理以产生输入向量。然后可以将描述训练输入部分以及其他方面的这个输入向量提供给机器学习模型404。作为响应，机器学习模型404可以以与如上所述的类似方式生成糖尿病分类预测，使得可以将预测与训练实例的预期输出部分进行比较，并且基于该比较调整模型的权重。

一旦机器学习模型404被训练，它就被用来预测糖尿病分类，如上文和下文所讨论的。还注意到，机器学习模型404输出的糖尿病分类可以用作提供给与生成预测相关的人102以及与该人相关联的其他人的各种信息的基础，例如该人102的医疗保健提供者、护理人员、远程医疗或健康跟踪服务等。在基于预测可以输出的信息的背景下，考虑图6-8的以下讨论。

图6描绘了为通知用户糖尿病预测而显示的用户界面的实施方式的实施例600，该糖尿病预测基于在观察期间的葡萄糖测量值而产生。

所示实施例600包括显示用户界面604的计算设备602。在该实施例600中，用户界面604可以对应于通知314。该实施例600表示基于糖尿病分类116生成通知314(即，用户界面604)的情况，但不包括糖尿病分类116。在此，计算设备602可以与在观察期间采集其葡萄糖测量值的人102相关联，并且与之相关的糖尿病分类116被生成(或者计算设备604可以与与人102相关联的另一个人如看护人相关联)。

为此，可以显示用户界面604以通知人102(或相关人员)关于糖尿病分类116而不透露预测的分类。这是因为将糖尿病分类116对分类对应的实际人102的输出可以以各种负面方式影响人102，例如造成混乱、愤怒、抑郁等等。在该实施例600中，用户界面604包括关于人102的葡萄糖测量值的处理的总结。用户界面604还包括基于糖尿病分类的可操作行为的建议——在这种情况下推荐人102跟进他或她的医疗保健提供者。此外，用户界面604包括可选择以执行推荐行为的图形用户界面元素606。用户界面元素606中的每一个都可以选择，以安排与人102的医疗保健提供者的后续预约，例如在医疗保健提供者所在的物理位置预约或通过电话或视频会议预约，例如与远程医疗和/或远程医疗服务有关的会议。应当理解，基于糖尿病分类116但不包括该分类的通知可以以不同方式配置而不背离所述技术的精神或范围。

图7描绘了为报告用户的糖尿病预测以及与糖尿病预测有关的其他信息而显示的用户界面的实施方式的实施例700。

所示实施例700包括显示配置为报告的用户界面704的显示设备702。在该实施例中，用户界面704可以对应于通知314。与图6所示的实施例相反，该实施例700表示通知包括糖尿病分类116的情况。在该所示实施例700中，图形诊断元素706表示或以其他方式表明糖尿病分类116。这里，显示设备702可以与在观察期间采集其葡萄糖测量值并生成糖尿病分类116的人102相关联的医疗保健提供者相关联。

为此，可以显示用户界面704以将糖尿病分类116报告给医疗保健提供者，并报告可能与该分类有关的附加的信息。在操作中，医疗保健提供者可以独立地分析报告的附加信息并提供与糖尿病分类116所表明的诊断不同的诊断。在该实施例700中，附加的信息包括葡萄糖轨迹708、710。那些轨迹表示在观察期间采集的102人两天的葡萄糖测量值110。用户界面704还描绘了可以允许用户导航到所采集的其他葡萄糖测量值110的控件，例如对应于观察期的前几天或后几天的轨迹。

用户界面704还包括图形葡萄糖特征元素712，其表示或以其他方式表明预处理管理器402基于人102的葡萄糖测量值110确定的一个或更多个提取的葡萄糖特征406。除了预测的临床诊断外，如图形诊断元素706所示，用户界面704还包括预测的不利影响元素714和概率元素716。包含这些元素表示机器学习模型404可以被配置(例如，通过配置为模型的集合和/或基于架构和训练)以生成多于一种类型的糖尿病分类的预测。举例来说，机器学习模型404可以被配置为预测人102的临床诊断、多个独立诊断测量(例如HbA1c、FPG、2Hr-PG和OGTT)中的一个或更多个的值，以及人102将经历糖尿病的多种不利影响中的一种或更多种的概率。

特别地，预测的不利影响元素714对应于糖尿病分类表明人102更有可能经历而不是没有经历的不利影响，例如，基于机器学习模型输出的经历这些影响的概率大于50％。应当理解，机器学习模型404预测任何概率发生的不利影响可以还在一个或更多个情况中连同相应的概率一起输出。概率元素716包括由元素714表明的不利影响将发生的概率。由这些概率元素716表明的概率可以由机器学习模型404在一个或更多个实施方式中输出。应当理解，包括糖尿病分类116的报告可以以不同方式配置而不背离所述技术的精神或范围，例如适合打印的文档。

图8描绘了显示的用户界面的一个实施方式的实施例800，该界面用于采集附加数据，这些数据可作为生成糖尿病预测的机器学习模型的输入。

所示实施例800包括显示用户界面804的计算设备802。在该实施例800中，除了在观察期间采集的葡萄糖测量值110之外，还可以显示用户界面804以采集关于人102的数据。该附加数据，连同葡萄糖测量值110的轨迹和/或一个或更多个提取的葡萄糖特征406，可以作为输入提供给机器学习模型404，即，附加数据可以用输入到模型的特征向量的特征表示。为了训练机器学习模型404，这些附加数据可以还从用户群体304的用户处采集。因此，可以向用户群体304的用户显示用户界面804，以从那些用户采集该附加数据，例如，描述人口统计、病史、锻炼和/或压力的数据。

在所示实施例800中，用户界面800包括多种图形元素，用户可以与之交互(例如，选择或输入值)以提供关于他或她自己的附加数据。然而，应当理解，所包括的图形元素仅仅是实施例，用于采集此类附加数据的用户界面可以以不同的方式配置为包括更多、更少或不同的元素，使得这些元素能够采集各种附加数据而不背离所述技术的精神或范围。

已经讨论了使用葡萄糖测量值和机器学习进行糖尿病预测技术的详细实施例之后，现在考虑一些程序的实施例，来说明该技术的其他方面。

程序的实施例

本节介绍了使用葡萄糖测量值和机器学习进行糖尿病预测的程序的实施例。程序的方面可以以硬件、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更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，这些程序由预测系统执行，例如预测系统114，其利用预处理管理器402、机器学习模型404和模型管理器502。

图9描绘了实施方式的实施例中的过程900，其中机器学习模型基于在观察期间由可穿戴式葡萄糖监测设备采集的用户的葡萄糖测量值来预测糖尿病分类。

获得用户的葡萄糖测量值(框902)。根据本文讨论的原理，葡萄糖测量值在观察期由可穿戴式葡萄糖监测设备采集。举例来说，机器学习模型404获得用户的葡萄糖测量值110，这些测量值由人102在观察期间佩戴的可穿戴式葡萄糖监测设备104采集。可穿戴式葡萄糖监测设备104可以作为观察套件的一部分提供，例如，用于监测人102的葡萄糖。不管人102如何获得可穿戴式葡萄糖监测设备104，该设备被配置为在观察期期间监测人102的葡萄糖，该观察期通常持续跨越多天的时间段。例如，可穿戴式葡萄糖监测设备104可以配置传感器202，该传感器可以插入人102的皮肤中并且用于测量人102的血液中的葡萄糖。

尽管自始至终讨论将传感器202插入人102的皮下，但是在一个或更多个实施方式中，传感器202可以不插入皮下。在这样的实施方式中，传感器202可以替代地布置在人102的皮肤或肌肉上。例如，传感器202可以是贴在人102的皮肤上一段时间的贴片。然后可以剥离该贴片。替代地或另外地，非侵入式葡萄糖传感器可以是基于光学的，例如使用光电体积描记术(PPG)。传感器202可以以多种方式配置以获得表明人102的葡萄糖的测量值而不背离所述技术的精神或范围。

通过使用一个或更多个机器学习模型处理葡萄糖测量值来预测用户的糖尿病分类(框904)。根据本文讨论的原理，一个或更多个机器学习模型是基于用户群体的历史葡萄糖测量值和历史结果数据生成的。举例来说，机器学习模型404预测糖尿病分类116。机器学习模型404通过基于在训练期间学习的葡萄糖测量值110和用户群体304的结果数据306的模式，通过处理葡萄糖测量值110来产生这种预测。如上所述，用户群体304包括佩戴可穿戴式葡萄糖监测设备的用户，例如可穿戴式葡萄糖监测设备104。

输出糖尿病分类(框906)。举例来说，机器学习模型404输出糖尿病分类116。如通篇所讨论的，糖尿病分类116可以表明是否预测该人患有糖尿病或是否预测会经历与糖尿病相关的不利影响。糖尿病分类116可以还用于生成基于分类的一个或更多个通知或用户界面，例如针对医疗保健提供者的报告，其中包括糖尿病分类(例如，该人被预测患有糖尿病)或指示该人102联系他或她的医疗保健提供者的人的通知。

图10描绘了实施方式的实施例中的过程1000，其中机器学习模型被训练来预测基于用户群体的历史葡萄糖测量值和结果数据的糖尿病分类。

获得由用户群体的用户佩戴的可穿戴式葡萄糖监测设备采集的葡萄糖测量值(框1002)。举例来说，模型管理器502获得用户群体304的用户的葡萄糖测量值110。获得的结果数据描述了与糖尿病相关的用户群体的一个或更多个方面(框1004)。举例来说，模型管理器502获得结果数据306。在上述的实施例中，结果数据描述了实施例方面，例如用户群体304的用户的一个或更多个独立诊断测量308、用户群体304的用户的观察到的不利影响310以及用户群体304中用户的临床诊断312。

生成包括训练输入部分和预期输出部分的训练数据实例(框1006)。根据本文讨论的原理，训练输入部分包括用户的葡萄糖测量值的轨迹或用户的葡萄糖测量值的特征中的至少一个。此外，预期输出部分包括与用户对应的一个或更多个结果数据的值。举例来说，模型管理器502通过将在框1002获得的葡萄糖测量值的轨迹或用户的葡萄糖测量值的特征与在框1004获得的用户的结果数据的一个或更多个值相关联来生成训练数据的实例。在一个或更多个实施方式中，模型管理器502使用一个或更多个表示与用户对应的结果数据的值的标记来“标记”葡萄糖测量值的轨迹或用户的葡萄糖测量值的特征。

这里，框1008-1014可以重复，直到机器学习模型被适当地训练，诸如直到机器学习模型“收敛”在解上，例如，由于训练迭代，模型的内部权重已经被适当地调整，使得该模型始终生成与预期输出部分基本匹配的预测。替代地或附加地，框1008-1014可以针对训练数据的多个实例(例如，所有实例)重复。

提供训练数据实例的训练输入部分作为机器学习模型的输入(框1008)。举例来说，模型管理器502提供在框1006生成的训练数据实例的训练输入部分作为机器学习模型404的输入。

糖尿病分类的预测作为机器学习模型的输出被接收(框1010)。根据本文讨论的原理，糖尿病分类的预测与培训实例中包含的用户结果数据的一个或更多个值对应于与糖尿病相关的相同方面。举例来说，机器学习模型404基于在框1008提供的训练输入部分预测糖尿病分类(例如，用户在“糖尿病”类别、“糖尿病前期”类别或“非糖尿病类别”中的分类或表明其中之一的值)，并且模型管理器502接收糖尿病分类作为机器学习模型404的输出。

将糖尿病分类的预测与训练数据实例的预期输出部分进行比较(框1012)。举例来说，模型管理器502通过使用损失函数，如均方误差(MSE)，将框1010中预测的糖尿病分类与框1006中生成的训练实例的预期输出部分进行比较。应当理解，在不背离所述技术的精神或范围的情况下，模型管理器502可以在训练期间使用其他损失函数，以将机器学习模型404的预测与预期输出进行比较。

基于上述比较来调整机器学习模型的权重(框1014)。举例来说，模型管理器502可以基于该比较调整机器学习模型404的内部权重。在一个或更多个实施方式中，模型管理器502可以可选地在训练期间利用一种或更多种超参数优化技术来调整所使用的学习算法的超参数。

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

系统和设备的实施例

图11示出了通常位于1100的系统的实施例，该系统的实施例包括计算设备1102的实施例，该计算设备表示可以实现本文描述的各种技术的一种或更多种计算系统和/或设备。这一点可以通过在平台级别和单个计算设备级别包含预测系统114来说明。预测系统114可以在一个级别或另一个级别或至少部分地在两个级别上实现。例如，计算设备1102可以是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。

如图所示的计算设备1102的实施例包括处理系统1104、一个或更多个计算机可读介质1106、以及一个或更多个相互通信耦接的I/O接口1108。尽管未示出，但计算设备1102还可以包括将各种组件相互耦接的系统总线或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，诸如内存总线或内存控制器、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，诸如控制线和数据线等。

处理系统1104表示通过使用硬件执行一个或更多个操作的功能。因此，处理系统1104被示为包括可以被配置为处理器、功能块等的硬件元件1110。这可以包括在硬件中实现为使用一个或更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1110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(IC))。在这样情况下，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1106被示为包括内存/存储器1112。内存/存储器1112表示与一个或更多个计算机可读介质相关联的内存/存储容量。内存/存储器构件1112可以包括易失性介质(诸如随机存取存储器(RAM))和/或非易失性介质(诸如只读存储器(ROM)、闪存、光盘、磁盘等)。内存/存储器构件1112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1106可以以如下文进一步描述的多种其他方式来配置。

输入/输出接口1108表示允许用户向计算设备1102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/或其他构件或设备的功能。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)、相机(例如，可以使用可见或不可见波长(诸如红外频率)将锻炼识别为不涉及触摸的手势)等等。输出设备的实施例包括显示设备(例如，监控器或投影仪)、扬声器、打印机、网卡、触觉响应设备等。因此，计算设备1102可以如下文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一般情况中描述各种技术。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、元素、构件、数据结构等。如本文所用，术语“模块”、“功能”和“构件”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。

所述的模块和技术的实施方式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。计算机可读介质可以包括可由计算设备1102访问的多种介质。举例说明而非限制，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”可以指与单纯的信号传输、载波或信号本身相比，能够实现信息的持久性和/或非暂时性存储器的介质和/或设备。因此，计算机可读存储介质是指非信号承载介质(non-signal bearing media)。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/或以适用于存储信息的方法或技术实现的存储设备，所述信息诸如是计算机可读指令、数据结构、程序模块、逻辑元件/电路或其他数据。计算机可读存储介质的实施例可以包括但不限于RAM、ROM、EEPROM、闪存或其他内存技术、CD-ROM、数字通用磁盘(DVD)或其他光学存储器、硬盘、盒式磁带、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”可以指代被配置为诸如经网络向计算设备1102的硬件传输指令的信号承载介质。信号介质通常可以包含计算机可读指令、数据结构、程序模块或调制数据信号中的其他数据，例如载波、数据信号或其他传输机制。信号介质还包括任何信息递送介质。术语“调制数据信号”是指以对信号中的信息进行编码的方式设置或改变其一个或更多个特性的信号。举例说明而非限制，通信介质包括诸如有线网络或直连的有线介质，以及诸如声学、RF、红外线和其他无线介质的无线介质。

如前所述，硬件元件1110和计算机可读介质1106表示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用于实现本文描述的技术的至少一些方面，例如执行一个或更多个指令。硬件可以包括集成电路或片上系统的构件、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)和以及硅或其他硬件中的其他实施方式。在这种情况下，硬件可以作为执行由硬件所包含的指令和/或逻辑所定义的程序任务的处理设备，以及用于存储用于执行的指令的硬件，例如前面描述的计算机可读存储介质。

前述的组合可以还用于实施本文所述的各种技术。因此，软件、硬件或可执行模块可以被实现为包含在某种形式的计算机可读存储介质上和/或由一个或更多个硬件元件1110实现的一个或更多个指令和/或逻辑。计算设备1102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，可以至少部分地在硬件中实现可由计算设备1102执行作为软件的模块的实施方式，例如，通过使用处理系统1104的计算机可读存储介质和/或硬件元件1110。指令和/或功能可以由一种或更多种制品(例如，一种或更多种计算设备1102和/或处理系统1104)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1102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。该功能可以还全部或部分地通过使用分布式系统来实现，诸如通过如下所述的平台1116在“云端”1114上实现。

云端1114包括和/或表示资源1118的平台1116。平台1116抽取云端1114的硬件(例如，服务器)和软件资源的底层功能。资源1118可以包括在远程于计算设备1102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1118还可以包括通过因特网和/或通过诸如蜂窝或Wi-Fi网络的订户网络提供的服务。

平台1116可以抽取资源和功能以将计算设备1102与其他计算设备连接。平台1116可以还用于抽取资源的缩放，以向所遇到的对经由平台1116实现的资源1118的需求提供相应级别的缩放。因此，在互连设备实施方式中，这里描述的功能的实现方式可以分布在整个系统1100中。例如，该功能可以部分地在计算设备1102上以及通过抽取云端1114的功能的平台1116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述的特定特征或行为。相反，具体特征和动作被公开为实现要求保护的主题的形式的实施例。

Claims (37)

1.一种方法，其包括：

获取用户的葡萄糖测量值，由可穿戴式葡萄糖监测设备在观察期间采集的所述葡萄糖测量值；

通过使用一个或更多个机器学习模型处理所述葡萄糖测量值来预测所述用户的糖尿病分类，基于用户群体的历史葡萄糖测量值和历史结果数据生成所述一个或更多个机器学习模型；和

输出糖尿病分类。

2.根据权利要求1所述的方法，其中所述糖尿病分类是表示将所述用户在所述观察期间的状态描述为患有糖尿病、糖尿病前期或无糖尿病中之一。

3.根据权利要求1所述的方法，其中所述糖尿病分类是表示在所述观察期间所述用户的状态为患有妊娠期糖尿病或无妊娠期糖尿病。

4.根据权利要求1所述的方法，其中：

所述糖尿病分类是表示预测所述用户预计将经历的糖尿病的一种或更多种不利影响；和

所述历史结果数据描述了在所述用户群体的用户中观察到的糖尿病的不利影响。

5.根据权利要求1所述的方法，其中所述可穿戴式葡萄糖监测设备包括传感器，所述传感器在所述观察期间被皮下插入所述用户的皮肤中以采集所述葡萄糖测量值。

6.根据权利要求5所述的方法，其中所述葡萄糖测量值包括由所述可穿戴式葡萄糖监测设备在所述观察期间采集的时序葡萄糖测量值。

7.根据权利要求6所述的方法，其中所述时序葡萄糖测量值由所述可穿戴式葡萄糖监测设备在所述观察期间以预定间隔连续地采集。

8.根据权利要求1所述的方法，其中所述观察期跨越多天。

9.根据权利要求1所述的方法，还包括：

获取所述用户群体的所述历史葡萄糖测量值和所述历史结果数据，所述用户群体中用户佩戴的葡萄糖监测设备提供的所述历史葡萄糖测量值；和

通过向所述一个或更多个机器学习模型提供所述历史葡萄糖测量值来生成所述一个或更多个机器学习模型，将从所述一个或更多个机器学习模型接收到的训练的糖尿病的分类与所述历史结果数据表明的糖尿病分类进行比较，以及基于所述比较调整所述一个或更多个机器学习模型的权重。

10.根据权利要求9所述的方法，还包括用表明基于所述历史结果数据的相应用户的糖尿病分类的标记来标记所述历史葡萄糖测量值的轨迹。

11.根据权利要求9所述的方法，其中所述历史结果数据与一个或更多个独立于所述用户群体的用户所配戴的葡萄糖监测设备提供的所述历史葡萄糖测量值的诊断测量有关。

12.根据权利要求1所述的方法，其中所述历史结果数据包括所述历史葡萄糖测量值的轨迹的标记，所述标记表明所述用户群体的相应用户是否基于一个或更多个诊断测量被临床诊断为糖尿病。

13.根据权利要求12所述的方法，其中所述一个或更多个诊断测量包括糖化血红蛋白(HbA1c)、口服葡萄糖耐量试验(OGTT)或空腹血糖(FPG)中的至少一种。

14.根据权利要求1所述的方法，还包括：

预处理所述用户的所述葡萄糖测量值以提取一个或更多个葡萄糖特征；和

向所述机器学习模型提供所述一个或更多个提取的葡萄糖特征作为输入以使所述机器学习模型能够预测所述用户的所述糖尿病分类。

15.根据权利要求14所述的方法，其中所述一个或更多个提取的葡萄糖特征包括以下至少一个：

超过阈值的时间测量对应于在所述观察期间所述用户的所述葡萄糖测量值高于葡萄糖阈值的时间量；

范围内的时间测量值对应于在所述观察期间所述用户的葡萄糖测量值在第一葡萄糖水平和小于所述第一葡萄糖水平的第二葡萄糖水平之间的时间量；

对应于单位时间内葡萄糖测量值差异的变化率测量值；

平均葡萄糖测量值；或

葡萄糖中位数测量。

16.根据权利要求14所述的方法，其中所述机器学习模型使用至少两个提取的葡萄糖特征来预测所述用户的所述糖尿病分类。

17.根据权利要求14所述的方法，其中所述预处理还包括通过去除所述葡萄糖测量值的至少一部分并从所述过滤后的葡萄糖测量值中提取所述一个或更多个葡萄糖特征来过滤所述葡萄糖测量值。

18.根据权利要求1所述的方法，其中所述输出包括所述糖尿病分类和以下至少一项的葡萄糖观察报告；

基于所述糖尿病分类为所述用户提供一项或更多项治疗建议；

在所述观察期间由所述葡萄糖监测设备采集的所述葡萄糖测量值的视觉表示；或

基于在所述观察期间由所述葡萄糖监测设备采集的所述葡萄糖测量值生成的所述用户的一个或更多个葡萄糖统计数据。

19.根据权利要求18所述的方法，其中所述一个或更多个葡萄糖统计数据包括以下至少一项：

超过阈值的时间测量对应于在所述观察期间所述用户的所述葡萄糖测量值高于葡萄糖阈值的时间量；

范围内的时间测量值对应于在所述观察期间所述用户的葡萄糖测量值在第一葡萄糖水平和小于所述第一葡萄糖水平的第二葡萄糖水平之间的时间量；

对应于单位时间内葡萄糖测量值差异的变化率测量值；

平均葡萄糖测量值；或

葡萄糖中位数测量。

20.根据权利要求1所述的方法，其中所述葡萄糖测量值是从所述葡萄糖监测设备的存储器或从包含从所述葡萄糖监测设备通过网络传送的所述葡萄糖测量值的一个或更多个数据包获得的。

21.一个设备，其包括：

一个或更多个处理器；和

存储器，其上存储有计算机可读指令，该指令可由所述一个或更多个处理器执行以执行包括以下的操作：

获取用户的葡萄糖测量值，由可穿戴式葡萄糖监测设备在观察期间采集的所述葡萄糖测量值；

通过使用一个或更多个机器学习模型处理所述葡萄糖测量值来预测所述用户的糖尿病分类，基于用户群体的历史葡萄糖测量值和历史结果数据生成所述一个或更多个机器学习模型；和

输出糖尿病分类。

22.根据权利要求21所述的设备，其中所述糖尿病分类是表示将所述用户在所述观察期间的状态描述为患有糖尿病、糖尿病前期或无糖尿病中之一。

23.根据权利要求21所述的设备，其中：

所述糖尿病分类是表示预测所述用户预计将经历的糖尿病的一种或更多种不利影响；和

所述历史结果数据描述了在所述用户群体的用户中观察到的糖尿病的不利影响。

24.一种或更多种计算机可读存储介质，其上存储有指令，可由一个或更多个处理器执行以进行包括以下的操作：

获取用户的葡萄糖测量值，由可穿戴式葡萄糖监测设备在观察期间采集的所述葡萄糖测量值；

通过使用一个或更多个机器学习模型处理所述葡萄糖测量值来预测所述用户的糖尿病分类，基于用户群体的历史葡萄糖测量值和历史结果数据生成所述一个或更多个机器学习模型；和

输出糖尿病分类。

25.根据权利要求24所述的计算机可读存储介质，其中所述糖尿病分类是表示将所述用户在所述观察期间的状态描述为患有糖尿病、糖尿病前期或无糖尿病中之一。

26.根据权利要求24所述的计算机可读存储介质，其中：

所述糖尿病分类是表示预测所述用户预计将经历的糖尿病的一种或更多种不利影响；和

所述历史结果数据描述了在所述用户群体的用户中观察到的糖尿病的不利影响。

27.一种仪器，其包括：

获取装置，用于获取用户的葡萄糖测量值，所述葡萄糖测量值由可穿戴式葡萄糖监测设备在观察期间采集；

预测装置，用于通过使用一个或更多个机器学习模型处理所述葡萄糖测量值来预测所述用户的糖尿病分类，基于用户群体的历史葡萄糖测量值和历史结果数据生成所述一个或更多个机器学习模型；和

输出装置，用于输出糖尿病分类。

28.一种系统，其包括：

一种包括传感器的可穿戴式葡萄糖监测设备，其用于使用皮下插入用户皮肤中的传感器在跨越多天的观察期间采集所述用户的葡萄糖测量值；

存储设备，用于维持在所述观察期间采集的所述用户的所述葡萄糖测量值；和

预测系统，用于获得在所述观察期间采集的所述用户的所述葡萄糖测量值，并通过使用一个或更多个机器学习模型处理所述葡萄糖测量值来预测所述用户的糖尿病分类。

29.根据权利要求28所述的系统，其中所述一个或更多个机器学习模型是基于用户群体的历史葡萄糖测量值和历史结果数据生成的。

30.根据权利要求28所述的系统，还包括模型管理器用于：

获取所述用户群体的所述历史葡萄糖测量值和所述历史结果数据，所述用户群体中用户佩戴的葡萄糖监测设备提供的所述历史葡萄糖测量值；和

通过向所述一个或更多个机器学习模型提供所述历史葡萄糖测量值来生成所述一个或更多个机器学习模型，将从所述一个或更多个机器学习模型接收到的训练的糖尿病的分类与所述历史结果数据表明的糖尿病分类进行比较，以及基于所述比较调整所述一个或更多个机器学习模型的权重。

31.根据权利要求30所述的系统，其中所述历史结果数据与一个或更多个独立于所述用户群体的用户所配戴的葡萄糖监测设备提供的所述历史葡萄糖测量值的诊断测量有关。

32.根据权利要求30所述的系统，其中所述葡萄糖监测设备被配置为不同于提供所述历史葡萄糖测量值的所述用户群体的所述用户所配戴的所述葡萄糖监测设备。

33.根据权利要求32所述的系统，其中所述可穿戴式葡萄糖监测设备被配置为防止所述用户在所述观察期间查看所述采集的葡萄糖测量值。

34.根据权利要求32所述的系统，其中所述存储设备被实现在所述可穿戴式葡萄糖监测设备处，并且其中所述存储设备被配置为维持比所述用户群体的所述用户所穿戴的所述葡萄糖监测设备的存储更多数量的葡萄糖测量值。

35.根据权利要求28所述的系统，其中所述预测系统在远离所述葡萄糖监测设备的一个或更多个计算设备处实现。

36.根据权利要求28所述的系统，其中所述预测系统至少部分地在所述可穿戴式葡萄糖监测设备处实现。

37.一种方法，其包括：

获取由用户群体中的用户佩戴的可穿戴式葡萄糖监测设备所采集的葡萄糖测量值；

获取描述所述用户群体的用户与糖尿病相关的一个或更多个方面的所述用户群体的结果数据；

生成包括训练输入部分和预期输出部分的训练数据的实例，所述训练输入部分包括用户的葡萄糖测量值轨迹或所述用户葡萄糖测量值的特征中的至少一个，并且所述预期输出部分包括一个或更多个与所述用户对应的结果数据；

通过以下方法训练机器学习模型来预测糖尿病分类：

提供训练数据实例的训练输入部分作为机器学习模型的输入；

接收糖尿病分类的预测作为来自所述机器学习模型的输出，所述预测与糖尿病相关的相同方面对应的所述糖尿病分类作为所述用户的结果数据的所述一个或更多个值；

将所述糖尿病分类的预测与所述训练数据的实例的所述预期输出部分进行比较；和

根据所述比较调整所述机器学习模型的权重。

Images