CN116159208A - 人工胰腺控制方法、可读存储介质及血糖管理系统 - Google Patents
人工胰腺控制方法、可读存储介质及血糖管理系统 Download PDFInfo
- Publication number
- CN116159208A CN116159208A CN202111405245.9A CN202111405245A CN116159208A CN 116159208 A CN116159208 A CN 116159208A CN 202111405245 A CN202111405245 A CN 202111405245A CN 116159208 A CN116159208 A CN 116159208A
- Authority
- CN
- China
- Prior art keywords
- interval
- blood sugar
- risk
- patient
- age
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000008280 blood Substances 0.000 title claims abstract description 135
- 210000004369 blood Anatomy 0.000 title claims abstract description 135
- 238000000034 method Methods 0.000 title claims abstract description 56
- 210000000496 pancreas Anatomy 0.000 title claims abstract description 54
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 title claims description 54
- 239000008103 glucose Substances 0.000 title claims description 54
- NOESYZHRGYRDHS-UHFFFAOYSA-N insulin Chemical compound N1C(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(NC(=O)CN)C(C)CC)CSSCC(C(NC(CO)C(=O)NC(CC(C)C)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CCC(N)=O)C(=O)NC(CC(C)C)C(=O)NC(CCC(O)=O)C(=O)NC(CC(N)=O)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CSSCC(NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2C=CC(O)=CC=2)NC(=O)C(CC(C)C)NC(=O)C(C)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2NC=NC=2)NC(=O)C(CO)NC(=O)CNC2=O)C(=O)NCC(=O)NC(CCC(O)=O)C(=O)NC(CCCNC(N)=N)C(=O)NCC(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC(O)=CC=3)C(=O)NC(C(C)O)C(=O)N3C(CCC3)C(=O)NC(CCCCN)C(=O)NC(C)C(O)=O)C(=O)NC(CC(N)=O)C(O)=O)=O)NC(=O)C(C(C)CC)NC(=O)C(CO)NC(=O)C(C(C)O)NC(=O)C1CSSCC2NC(=O)C(CC(C)C)NC(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CC(N)=O)NC(=O)C(NC(=O)C(N)CC=1C=CC=CC=1)C(C)C)CC1=CN=CN1 NOESYZHRGYRDHS-UHFFFAOYSA-N 0.000 claims abstract description 150
- 102000004877 Insulin Human genes 0.000 claims abstract description 75
- 108090001061 Insulin Proteins 0.000 claims abstract description 75
- 229940125396 insulin Drugs 0.000 claims abstract description 75
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 52
- 238000001802 infusion Methods 0.000 claims abstract description 42
- 230000008859 change Effects 0.000 claims abstract description 29
- 230000001174 ascending effect Effects 0.000 claims abstract description 10
- 230000009467 reduction Effects 0.000 claims abstract description 9
- 235000012054 meals Nutrition 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 12
- 238000002347 injection Methods 0.000 claims description 11
- 239000007924 injection Substances 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 6
- 230000007423 decrease Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 description 24
- 208000013016 Hypoglycemia Diseases 0.000 description 14
- 230000001276 controlling effect Effects 0.000 description 13
- 230000002641 glycemic effect Effects 0.000 description 12
- 230000002218 hypoglycaemic effect Effects 0.000 description 12
- 201000001421 hyperglycemia Diseases 0.000 description 8
- 230000007246 mechanism Effects 0.000 description 7
- 238000004088 simulation Methods 0.000 description 6
- 150000001720 carbohydrates Chemical class 0.000 description 4
- 235000014633 carbohydrates Nutrition 0.000 description 4
- 206010012601 diabetes mellitus Diseases 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000028327 secretion Effects 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 206010022489 Insulin Resistance Diseases 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 230000037396 body weight Effects 0.000 description 2
- 235000021074 carbohydrate intake Nutrition 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- AXTGDCSMTYGJND-UHFFFAOYSA-N 1-dodecylazepan-2-one Chemical compound CCCCCCCCCCCCN1CCCCCC1=O AXTGDCSMTYGJND-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000000338 in vitro Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000004203 pancreatic function Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000007920 subcutaneous administration Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
- A61M5/14—Infusion devices, e.g. infusing by gravity; Blood infusion; Accessories therefor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
- A61M5/14—Infusion devices, e.g. infusing by gravity; Blood infusion; Accessories therefor
- A61M5/1413—Modular systems comprising interconnecting elements
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
- A61M5/14—Infusion devices, e.g. infusing by gravity; Blood infusion; Accessories therefor
- A61M5/142—Pressure infusion, e.g. using pumps
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
- A61M5/14—Infusion devices, e.g. infusing by gravity; Blood infusion; Accessories therefor
- A61M5/168—Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
- A61M5/14—Infusion devices, e.g. infusing by gravity; Blood infusion; Accessories therefor
- A61M5/142—Pressure infusion, e.g. using pumps
- A61M2005/14288—Infusion or injection simulation
- A61M2005/14292—Computer-based infusion planning or simulation of spatio-temporal infusate distribution
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M2230/00—Measuring parameters of the user
- A61M2230/20—Blood composition characteristics
- A61M2230/201—Glucose concentration
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Animal Behavior & Ethology (AREA)
- Hematology (AREA)
- Vascular Medicine (AREA)
- Anesthesiology (AREA)
- Physics & Mathematics (AREA)
- Optics & Photonics (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- External Artificial Organs (AREA)
Abstract
本发明提供一种人工胰腺控制方法，包括，根据采集的血糖数据判断血糖的变化情况：若血糖呈下降趋势，则判断在当前时间之前的第一设定时间内血糖降低量是否超过第一阈值，或者，判断当前时间的血糖量或沿血糖变化曲线线性预测在当前时间之后的第二设定时间内血糖量是否会低于第二阈值，若是，则控制停止胰岛素输注，直至血糖状态稳定；若血糖呈上升趋势，则判断当前时间的血糖量或沿血糖变化曲线线性预测在当前时间之后的第二设定时间内血糖量是否会大于第三阈值，若是，则利用模型预测控制算法控制进行胰岛素输注。相较于现有技术，提高了胰岛素输注安全性，最大限度的减少了模型预测控制算法的运算次数，优化了计算流程。
Description
技术领域
本发明涉及医疗技术领域，特别涉及人工胰腺控制方法、可读存储介质及血糖管理系统。
背景技术
糖尿病(T1D)患者由于胰腺功能的缺失与Alpha细胞活性的丧失，需要频繁进行体外胰岛素注射，以达到对血糖的控制。根据这一需求，胰岛素泵相应诞生：通过连续皮下注射胰岛素的方式，并在餐前通过输入碳水化合物摄入计算餐前量的方式进行额外的餐前量注入，模拟胰岛素的生理性分泌系统对血糖的控制。但这对患者的使用提出了较高的要求：患者不但需要对每一餐的摄入碳水进行精准计算，在计算出现误差时胰岛素输入量错误有可能会导致控糖效果较差甚至发生威胁生命安全的低血糖。
随着连续血糖监测(CGM)设备的快速发展，使得更高精度的控制变为了可能。由CGM与胰岛素泵联动组成的人工胰腺(AP)便是为了解决这一个问题：通过实时的CGM读数，人工胰腺对当前人体血糖状况进行分析，并模拟正常胰腺的分泌功能，利用胰岛素泵进行胰岛素的注入。除了对CGM读数的准确性(MARD)有一定的要求，人工胰腺的核心是联动CGM和胰岛素泵的闭环控制算法。
目前主要被研究的几种控制算法包括PID控制，Fuzzy Logic控制及MPC(ModelPredictive Control，模型预测控制)算法。其中PID为工业界运用较多较为低阶的控制算法，其优点为对运算力要求很低，但由于人体分泌结构复杂，且差异性较大，低阶固定系数的控制算法很难在较大群体中展现很好的鲁棒性(robustness)。Fuzzy Logic为根据实际数据(此处为胰岛素使用的相关临床数据)来在胰岛素控制中模拟临床经验的算法，但其要求大量的一致性较强的临床数据，需要较长时间的数据积累。相对而言，MPC算法综合鲁棒性、实现的难易度及临床使用的准确度而言表现最为稳定：通过建立关于胰岛素和历史血糖变化的血糖预测模型，MPC使用优化算法计算出最能优化下一时刻的胰岛素注入量。该算法其具有较强的自适应性，且在工业界(机器人控制、自动驾驶)均有广泛应用。其中MPC算法由于其预测的准确性及控制效果的稳定性开始越来越广泛的运用在人工胰腺闭环算法的开发。
目前学术及工业界提出的MPC算法已在预测上做到了较高的准确性。例如Dassau实验室提出的VP控制器便结合了MPC，搭建了针对血糖变化速率更改惩罚方程的控制器，达到了较好的效果。但鉴于糖尿病群体的个体化程度较强，且低血糖等带来的安全风险较高，以及硬件的运算符和限制，目前MPC在血糖控制的应用中仍存在缺少低血糖风险管控、运算次数较多、最优求解缺少个人化适应等问题。
发明内容
本发明的目的在于提供一种人工胰腺控制方法及控制器，以解决现有技术中的一个或多个问题。
为解决上述技术问题，本发明提供一种人工胰腺控制方法，包括：
根据采集的血糖数据判断血糖的变化情况；
若血糖呈下降趋势，则判断在当前时间之前的第一设定时间内血糖降低量是否超过第一阈值，或者，判断当前时间的血糖量或沿血糖变化曲线线性预测在当前时间之后的第二设定时间内血糖量是否会低于第二阈值，若是，则控制停止胰岛素输注，直至血糖状态稳定；
若血糖呈上升趋势，则判断当前时间的血糖量或沿血糖变化曲线线性预测在当前时间之后的第二设定时间内血糖量是否会大于第三阈值，若是，则利用模型预测控制算法控制进行胰岛素输注。
可选的，在所述的人工胰腺控制方法中，所述第一设定时间和所述第二设定时间均为30min；所述第一阈值的取值范围为40mg/dL～60mg/dL；所述第二阈值为70mg/dL；所述第三阈值为180mg/dL。
可选的，在所述的人工胰腺控制方法中，在利用所述模型预测控制算法控制进行胰岛素输注后，至少间隔第三设定时间再利用所述模型预测控制算法控制进行下一次胰岛素输注。
可选的，在所述的人工胰腺控制方法中，所述第三设定时间不小于1h。
可选的，在所述的人工胰腺控制方法中，利用模型预测控制算法控制进行胰岛素输注，所述模型预测控制算法基于历史血糖变化计算出下一时刻血糖的胰岛素注入量。
可选的，在所述的人工胰腺控制方法中，所述模型预测控制算法为关于Fs风险系数的算法：
其中，所述Fs风险系数随病人风险区间的增大而减小，Ki为根据胰岛素注射总量TDI计算出来的系数，c为用于转换单位的常数，p1＝0.98，p2＝0.965，u(t)表示t时刻的胰岛素输注量，y(t)标识t时刻的血糖值。
可选的，在所述的人工胰腺控制方法中，所述人工胰腺控制方法还包括：
根据病人胰岛素需注射的餐前总量判断病人风险区间，并得到相应的Fs风险系数。
可选的，在所述的人工胰腺控制方法中，所述人工胰腺控制方法还包括：
根据所述餐前总量及病人年龄判断病人风险区间，并得到相应的Fs风险系数。
可选的，在所述的人工胰腺控制方法中，所述根据所述餐前总量及病人年龄判断病人风险区间的方法包括：
若病人年龄在第一年龄区间，则根据所述餐前总量在第一设定分段区间内的位置判断病人风险区间；若病人年龄在第二年龄区间，则根据所述餐前总量在第二设定分段区间内的位置判断病人风险区间；若病人年龄在第三年龄区间，则判断病人风险区间为高风险区间；其中，所述第二年龄区间＞所述第一年龄区间＞第三年龄区间。
可选的，所述第一设定分段区间和所述第二设定分段区间均包括四个连续的风险区间，所述四个连续的风险区间分别对应低风险区间、中风险区间、较高风险区间和高风险区间。
可选的，所述中风险区间对应的所述第一年龄区间的病人餐前总量大于对应所述第二年龄区间的病人餐前总量；所述较高风险区间对应的所述第一年龄区间的病人餐前总量大于对应所述第二年龄区间的病人餐前总量。
可选的，在所述的人工胰腺控制方法中，所述第一年龄区间为12岁～20岁，所述第二年龄区间为20岁以上，所述第三年龄区间为12岁以下。
本发明还提供一种可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被执行时，实现前述的人工胰腺控制方法。
本发明还提供一种血糖管理系统，包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器用于执行所述计算机程序并实现前述的人工胰腺控制方法。
综上所述，本发明提供的人工胰腺控制方法、可读存储介质及血糖管理系统包括：根据采集的血糖数据判断血糖的变化情况；若血糖呈下降趋势，则判断在当前时间之前的第一时间内降低量是否超过第一变化率，或者，在当前时间或当前时间之后的第二设定时间内是否会低于第一阈值，若是，则控制停止胰岛素输注，直至血糖状态稳定；若血糖呈上升趋势，则判断上升率是否大于第二变化率，或者，在当前时间之后的第二设定时间内是否会大于第二阈值，若是，则利用模型预测控制算法控制进行胰岛素输注。与现有技术相比，本发明提供的人工胰腺控制方法及控制器、可读存储介质及血糖管理系统具有如下有益效果：
(1)在利用模型预测控制算法控制进行胰岛素输注之前，先对血糖变化情况进行判断，相当于引入紧急停泵机制和血糖控制启动条件，紧急停泵机制的引入，提高了胰岛素输注安全性，血糖控制启动条件的引入，最大限度的减少了模型预测控制算法的运算次数，优化了计算流程；
(2)进一步的，在利用模型预测控制算法控制进行胰岛素输注时，在利用所述模型预测控制算法控制进行胰岛素输注后，至少间隔第三设定时间再利用所述模型预测控制算法控制进行下一次胰岛素输注，如此便减少了胰岛素吸收延时所带来的重复控制风险；
(3)进一步的，在模型预测控制算法中增加Fs风险系数，对病人风险区间进行划分，基于病人风险区间的不同，得到相应的Fs风险系数，如此，便实现了模型预测控制算法的个体化，可提高不同胰岛素使用风险病人的血糖控制效果。
附图说明
图1为本发明实施例提供的人工胰腺控制方法的流程图；
图2为本发明实施例中示例的判断病人风险区间的流程图；
图3为本发明实施例中利用BB Controller进行血糖控制的效果图；
图4为本发明实施例中利用VP MPC QP Controller进行血糖控制的效果图；
图5为本发明实施例提供的人工胰腺控制方法在未引入Fs时的控制效果；
图6为本发明实施例提供的人工胰腺控制方法在引入Fs时的控制效果。
具体实施方式
为使本发明的目的、优点和特征更加清楚，以下结合附图和具体实施例对本发明作详细说明。需说明的是，附图均采用非常简化的形式且未按比例绘制，仅用以方便、明晰地辅助说明本发明实施例的目的。此外，附图所展示的结构往往是实际结构的一部分。特别的，各附图需要展示的侧重点不同，有时会采用不同的比例。还应当理解的是，除非特别说明或者指出，否则说明书中的术语“第一”、“第二”、“第三”等描述仅仅用于区分说明书中的各个组件、元素、步骤等，而不是用于表示各个组件、元素、步骤之间的逻辑关系或者顺序关系等。
如图1所示，本实施例提供一种人工胰腺控制方法，包括如下步骤：
S11，根据采集的血糖数据判断血糖的变化情况；若血糖呈平稳或下降趋势，则执行步骤S12，若血糖呈上升趋势，则执行步骤S13。
S12，判断在当前时间之前的第一设定时间内血糖降低量是否超过第一阈值，或者，判断当前时间的血糖量或沿血糖变化曲线线性预测在当前时间之后的第二设定时间内血糖量是否会低于第二阈值，若是，则控制停止胰岛素输注，直至血糖状态稳定。
S13，判断当前时间的血糖量或沿血糖变化曲线线性预测在当前时间之后的第二设定时间内血糖量是否会大于第三阈值，若是，则利用模型预测控制算法控制进行胰岛素输注。
在对血糖数据进行连续采集之后，实时血糖值关于时间的变化会形成血糖变化曲线，根据血糖变化曲线，可知晓在当前时间、当前时间之前的血糖变化情况及预测当前时间之后的血糖变化趋势，即，本实施例提供的所述人工胰腺控制方法，在利用模型预测控制算法控制进行胰岛素输注之前，先对血糖变化情况进行判断，相当于引入紧急停泵机制和血糖控制启动条件，紧急停泵机制的引入，提高了胰岛素输注安全性，血糖控制启动条件的引入，最大限度的减少了模型预测控制算法的运算次数，优化了计算流程。
在一具体实施方式中，所述第一设定时间例如可取30min，所述第二设定时间例如也可取30min，所述第一阈值的取值范围可为40mg/dL～60mg/dL；所述第二阈值可为70mg/dL；所述第三阈值可为180mg/dL。即，如图1所示，获取血糖采集数据之后，根据采集结果判断血糖变化情况，若30min内血糖降低量超过40mg/dL～60mg/dL，或者预测血糖量即将在30min分钟内低于70mg/dL，则认为已经出现低血糖或将出现低血糖，停止包括基础量的一切胰岛素的输注，直至血糖状态稳定。若30min内血糖上升量超过40mg/dL～60mg/dL时，或者预测血糖量即将在30min内超过180mg/dL，则认为将出现高血糖，利用模型预测控制算法控制进行胰岛素输注。较佳的，步骤S13中，在利用模型预测控制(MPC)算法控制进行胰岛素输注时，两次控制之间至少间隔第三设定时间，即，在利用MPC算法控制进行胰岛素输注后，至少间隔第三设定时间后，再进行下一次胰岛素输注，且进一步较佳的，所述第三设定时间不小于1h。即，利用模型预测控制算法控制进行一次胰岛素输注之后，至少要1h之后再能进行控制运算，如此，便可减少胰岛素吸收延时所带来的重复控制风险。
另外较佳的，本实施例中，所述MPC算法为关于Fs风险系数的算法，所述Fs风险系数随病人风险区间的增大而减小。即，相当于在现有MPC算法中加入Fs风险系数以对控制强度进行调整，从而实现了本实施例中的MPC算法的个体化，可提高不同胰岛素使用风险病人的血糖控制效果。即，本实施例中，所述MPC算法公式可为：
其中，Ki为根据胰岛素注射总量TDI计算出来的系数，Ki＝1800/TDI，c为用于转换单位的常数，c＝-60(1-p1)(1-p2)2，p1＝0.98，p2＝0.965，u(t)标识t时刻的胰岛素输注量，y(t)标识t时刻的血糖值。
以上MPC算法公式中，通过优化计算出公式中的胰岛素输注量u(t)，该u(t)可使得未来一个时间段的y(t+1)、y(t+2)等尽量处于正常血糖范围。
优选的，本实施例中，所述人工胰腺控制方法还包括：根据病人胰岛素需注射的餐前总量判断病人风险区间，并得到相应的Fs风险系数。
通常来说，人体的总胰岛素注射量(TDI)与体重BW(Body Weight)成正比关系，在临床进行诊断时，一般利用体重预估TDI，并结合临床病理，包括人体对碳水化合物的血糖转化率(Carbohydrate Ratio，CR)以及血糖对胰岛素敏感性(Correction Factor，CF)对TDI进行调整。TDI可进一步拆分为两个参数：基础总量(Overall_Basal)与餐前总量(Remain_Bolus)，这两个参数按照与TDI的比例关系进行计算，并根据稳态血糖进行调整。TDI及Overall_Basal的决定一般需要临床经验的指导，但由于其应用较为普遍，且病人一般知晓，并不涉及额外的数据积累。
发明人通过对虚拟病人的问卷数据(包括Overall_Basal、Remain_Bolus等)与在固定Fs风险系数下所得到的低血糖LBGI(Low Blood Glucose risk Index)及高血糖HBGI(High Blood Glucose risk Index)进行斯皮尔曼跌相关计算(Spearman RankCorrelation)，发现Remain_Bolus与综合血糖系数相关度最高。因此，本实施例中，当通过根据病人胰岛素需注射的餐前总量判断病人风险区间所得到的Fs风险系数更能满足个体化差异。
另外，根据病人胰岛素需注射的餐前总量判断病人风险区间，相较于利用夜间血糖平均值等方法对病人风险区间进行判断，一方面，不需要病人数据积累，因此不需要对病人血糖进行提前的检测，能够满足临床医疗设备需求，另一方面，因为考虑到了血糖转化率(CR)、胰岛素敏感性(CF)的影响，因此相较于利用夜间血糖对病人风险程充进行判断，准确度更高。
此外，进一步的，除了根据病人胰岛素需注射的餐前总量判断病人风险区间，还可根据病人年龄及病人胰岛素需注射的餐前总量判断病人风险区间，即，在对病人风险区间进行判断时，除了考虑胰岛素需注射的餐前总量的影响，还需考虑病人年龄的影响。
具体的，所述根据所述餐前总量及病人年龄判断病人风险区间的方法包括：
若病人年龄在第一年龄区间，则根据所述餐前总量在第一设定分段区间内的位置判断病人风险区间；
若病人年龄在第二年龄区间，则根据所述餐前总量在第二设定分段区间内的位置判断病人风险区间；
若病人年龄在第三年龄区间，则判断病人风险区间为高风险区间；
其中，所述第二年龄区间＞所述第一年龄区间＞第三年龄区间。
更为具体的，所述病人风险区间可包括：低风险区间、中风险区间、较高风险区间和高风险区间；所述第一设定分段区间和所述第二设定分段区间均包括四个连续的风险区间，对应于四个不同的风险区间，分别得到低风险区间、中风险区间、较高风险区间和高风险区间这四个风险类别。
可选的，所述中风险区间对应的所述第一年龄区间的病人餐前总量大于对应的所述第二年龄区间的病人餐前总量；所述较高风险区间对应的所述第一年龄区间的病人餐前总量大于对应的所述第二年龄区间的病人餐前总量。相应的，对于风险区间临界值的设置，所述第一年龄区间在低风险区间的最小值会大于所述第二年龄区间在低风险区间的最小值，所述第一年龄区间在高风险区间的最大值会大于所述第二年龄区间在高风险区间的最大值。
根据血糖浮动情况及对胰岛素的敏感度，可对病人年龄区间作如下划分：所述第一年龄区间为12岁～20岁，所述第二年龄区间为20岁以上，所述第三年龄区间为12岁以下。即，以于12岁儿童而言，由于血糖浮动及胰岛素敏感性极大，故全部采用高风险分类以杜绝低血糖风险。
请参见图2，在一具体实施方式中，判断病人风险区间的方法包括如下步骤：
S21，获取病人胰岛素需注射的餐前总量(Remain_Bolus)；
S22，判断病人年龄所在年龄区间，若病人年龄在12岁～20岁，则执行步骤S23，若病人年龄在20岁以上，则执行步骤S24，若病人年龄在12岁以下，则执行步骤S25；
S23，判断Remain_Bolus所属风险区间，若Remain_Bolus≥25，则判断为低风险区间，Fs＝8.0；若20≤Remain_Bolus＜25，则判断为中风险区间，Fs＝8.0；若15≤Remain_Bolus＜20，则判断为较高风险区间，Fs＝4.0；若Remain_Bolus＜15，则判断为高风险区间，Fs＝2.0；
S24，判断Remain_Bolus所属风险区间，若Remain_Bolus≥20，则判断为低风险区间，Fs＝12.0；若15≤Remain_Bolus＜20，则判断为中风险区间，Fs＝8.0；若10≤Remain_Bolus＜15，则判断为较高风险区间，Fs＝3.0；若Remain_Bolus＜10，则判断为高风险区间，Fs＝2.0；
S25，直接判断为高风险区间，Fs＝1.0。
本实施例还提供一种控制器(即下文所述Safety Factor Zone MPCController)，所述控制器上存储有计算机程序，所述计算机程序被执行时，实现本实施例提供的所述人工胰腺控制方法。
本发明还提供一种可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被执行时，实现前述的人工胰腺控制方法。
本发明还提供一种血糖管理系统(即下文所述Safety Factor Zone MPCController)，包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器用于执行所述计算机程序并实现前述的人工胰腺控制方法。
所述控制器能够实现的功能的具体说明可以参考上述人工胰腺控制方法的部分中图1所示的步骤S11-S13的相关描述，重复之处不再赘述。此外，所述控制器可以实现与上述人工胰腺控制方法的方法相似的技术效果，在此不再赘述。
由于人工胰腺控制算法具有较高的临床试验风险，很难在项目初期进行临床验证。以下采用具有FDA虚拟临床验证认证的UVA/PADOVA T1DMS一型糖尿病血糖数据模拟器进行算法效果模拟，并将几个不同的控制模型进行了对比。最终的血糖控制的评判标准以Mean_BG、TIR及Risk_Index的方式展现。Mean_BG为平均血糖，表示模拟时间内平均的血糖值，临床应用上将处于合理范围内(70-180mg/dL)的低Mean_BG理解为血糖综合控制效果较好。TIR(Time in Range)为评判血糖控制在合理范围(70-180mg/dL)内的时间比例，取值范围为0-100％，临床上通常将较高的TIR理解为血糖控制较好的表现；Risk_Index为T1DMS模拟器中所采用评价综合低血糖和高血糖风险的风险系数，其数值越高，表示综合血糖风险越大，临床应用上将低Risk_Index理解为极端血糖情况出现概率较低。
(1)BB Controller
BB Controller模拟了普通糖尿病患者的胰岛素泵使用情况：在保持基础量持续注射的同时，在进食前15-30分钟准确估算碳水化合物摄入量，并根据CR和CF计算出餐前量并进行输注。此控制以准确无任何误差的CR、CF及碳水化合物估算为前提，为进行胰岛素注入控制时的最优情况，也是自动进行胰岛素注入控制的最优标准。
BB Controller在三十三位虚拟病人三天中正常进食情况下的控制模拟效果如图3所示。图3所示坐标图，以血糖在第95％百分位的值(uper 95％confidence bound)为纵轴，以血糖在第5％百分位的值(lower 95％confidence bound)为横轴，对血糖控制效果进行了反映。其中A zone表示控制最优状况，B zone表示较好，UpperC表示高血糖风险较高，LowerC表示低血糖风险较高。C zone(包括UpperC、LowerC)、D zone(包括UpperD、LowerD)、E zone均表示血糖控制效果较差，并存在较高的低血糖、高血糖或同时存在两种极端情况的风险。UpperB zone对应血糖控制效果较好,但存在一定高血糖趋势；LowerB zone对应血糖控制效果较好，但存在一定低血糖趋势。从图中可看到达到控制效果较好及以上(B zone和A zone)的百分比达到87％，这归功于准确的碳水摄入量估计以及餐前量注入的提前(在血糖变化前提前注入以补偿碳水摄入)。
(2)VP MPC QP Controller
2017年VP MPC Controller作者Dassau实验室对一百个虚拟病人进行控制模拟，其Fs风险系数为根据经验设定的固定值，效果如图4所示。图4所示坐标图，横纵坐标及各个区域所表示的血糖情况与图3一致，下文中图5及图6亦同，在此不再赘述。从图4可以看出，虽然其模拟富含更复杂的病例人群，但整体结果来看控制效果仍欠佳。
(3)VP MPC QP Controller with initiate mechanism
图5所示为本实施例提供的控制方法在未引入Fs风险系数时的控制效果。从图4可以看出，虽引入了血糖控制启动条件，但由于没有进行参数的定制化，还是会存在低血糖风险。
(4)Safety Factor Zone MPC Controller
图6所示为本实施例提供的控制方法在引入后Fs风险系数后时的控制效果。从图5可以看出，加入Fs风险系数分类设置后，血糖控制效果明显改善，且低血糖风险下降，达到B区间的达到了85％，且只有一个数据点(某个病人的三天模拟中的其中一天)仍存在低血糖风险。
以上四种控制器的控制效果如表1所示，表1中，Mean BG表示平均血糖值，TIR表示血糖安全范围比例，Risk Index表示血糖风险指数，包括高血糖风险和低血糖风险，BB表示以上第(1)种控制器，VP表示以上第(2)种控制器，VP+表示以上第(3)种控制器，SF ZoneMPC表示以上第(4)种控制器。
表1
从表1可以看出，较Dassau原文提出的VP控制，加入血糖控制启动条件的VP+控制使得血糖安全范围比例升高了5.1％，血糖风险指数降低2.44％；在同时引入血糖控制启动条件和Fs风险系数后，血糖安全范围比例升高了11.2％，血糖风险指数降低了3.84％。虽然控制仍不及最理想情况下的BB控制器，但在实际应用中，碳水化合物估算误差、CR误差、CF误差等影响因素都会影响其控制效果，故相对来说，本实施例提出的人工胰腺控制方法在控制进行胰岛素输注时，更具鲁棒性。
综上所述，本发明提供的人工胰腺控制方法、可读存储介质及血糖管理系统包括：根据采集的血糖数据判断血糖的变化情况；若血糖呈下降趋势，则判断在当前时间之前的第一时间内降低量是否超过第一变化率，或者，在当前时间或当前时间之后的第二设定时间内是否会低于第一阈值，若是，则控制停止胰岛素输注，直至血糖状态稳定；若血糖呈上升趋势，则判断上升率是否大于第二变化率，或者，在当前时间之后的第二设定时间内是否会大于第二阈值，若是，则利用模型预测控制算法控制进行胰岛素输注。与现有技术相比，本发明提供的人工胰腺控制方法及控制器、可读存储介质及血糖管理系统，在利用模型预测控制算法控制进行胰岛素输注之前，先对血糖变化情况进行判断，相当于引入紧急停泵机制和血糖控制启动条件，紧急停泵机制的引入，提高了胰岛素输注安全性，血糖控制启动条件的引入，最大限度的减少了模型预测控制算法的运算次数，优化了计算流程。
此外还应该认识到，虽然本发明已以较佳实施例披露如上，然而上述实施例并非用以限定本发明。对于任何熟悉本领域的技术人员而言，在不脱离本发明技术方案范围情况下，都可利用上述揭示的技术内容对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围。
Claims (13)
1.一种人工胰腺控制方法，其特征在于，包括，
根据采集的血糖数据判断血糖的变化情况：
若血糖呈下降趋势，则判断在当前时间之前的第一设定时间内血糖降低量是否超过第一阈值，或者，判断当前时间的血糖量或沿血糖变化曲线线性预测在当前时间之后的第二设定时间内血糖量是否会低于第二阈值，若是，则控制停止胰岛素输注，直至血糖状态稳定；
若血糖呈上升趋势，则判断当前时间的血糖量或沿血糖变化曲线线性预测在当前时间之后的第二设定时间内血糖量是否会大于第三阈值，若是，则利用模型预测控制算法控制进行胰岛素输注。
2.如权利要求1所述的人工胰腺控制方法，其特征在于，所述第一设定时间和所述第二设定时间均为30min；所述第一阈值的取值范围为40mg/dL～60mg/dL；所述第二阈值为70mg/dL；所述第三阈值为180mg/dL。
3.如权利要求1所述的人工胰腺控制方法，其特征在于，在利用所述模型预测控制算法控制进行胰岛素输注后，至少间隔第三设定时间再利用所述模型预测控制算法控制进行下一次胰岛素输注。
4.如权利要求3所述的人工胰腺控制方法，其特征在于，所述第三设定时间不小于1h。
5.如权利要求1所述的人工胰腺控制方法，其特征在于，所述模型预测控制算法为关于Fs风险系数的算法：
其中，所述Fs风险系数随病人风险区间的增大而减小，Ki为根据胰岛素注射总量TDI计算出来的系数，c为用于转换单位的常数，p1＝0.98，p2＝0.965，u(t)表示t时刻的胰岛素输注量，y(t)标识t时刻的血糖值。
6.如权利要求5所述的人工胰腺控制方法，其特征在于，所述人工胰腺控制方法还包括：
根据病人胰岛素需注射的餐前总量判断病人风险区间，并得到相应的Fs风险系数。
7.如权利要求5所述的人工胰腺控制方法，其特征在于，所述人工胰腺控制方法还包括：
根据病人年龄及病人胰岛素需注射的餐前总量判断病人风险区间，并得到相应的Fs风险系数。
8.如权利要求7所述的人工胰腺控制方法，其特征在于，所述根据所述餐前总量及病人年龄判断病人风险区间的方法包括：
若病人年龄在第一年龄区间，则根据所述餐前总量在第一设定分段区间内的位置判断病人风险区间；
若病人年龄在第二年龄区间，则根据所述餐前总量在第二设定分段区间内的位置判断病人风险区间；
若病人年龄在第三年龄区间，则判断病人风险区间为高风险区间；
其中，所述第二年龄区间＞所述第一年龄区间＞第三年龄区间。
9.如权利要求8所述的人工胰腺控制方法，其特征在于，所述第一设定分段区间和所述第二设定分段区间均包括四个连续的风险区间，所述四个连续的风险区间分别对应低风险区间、中风险区间、较高风险区间和高风险区间。
10.如权利要求9所述的人工胰腺控制方法，其特征在于，所述中风险区间对应所述第一年龄区间的病人餐前总量大于对应所述第二年龄区间的病人餐前总量；所述较高风险区间对应所述第一年龄区间的病人餐前总量大于对应所述第二年龄区间的病人餐前总量。
11.如权利要求8所述的人工胰腺控制方法，其特征在于，所述第一年龄区间为12岁～20岁，所述第二年龄区间为20岁以上，所述第三年龄区间为12岁以下。
12.一种可读存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被执行时，实现如权利要求1～11任一项所述的人工胰腺控制方法。
13.一种血糖管理系统，其特征在于，包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器用于执行所述计算机程序并实现如权利要求1～11任一项所述的人工胰腺控制方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111405245.9A CN116159208B (zh) | 2021-11-24 | 2021-11-24 | 人工胰腺控制方法、可读存储介质及血糖管理系统 |
| PCT/CN2022/081841 WO2023092908A1 (zh) | 2021-11-24 | 2022-03-18 | 人工胰腺控制方法、可读存储介质及血糖管理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111405245.9A CN116159208B (zh) | 2021-11-24 | 2021-11-24 | 人工胰腺控制方法、可读存储介质及血糖管理系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116159208A true CN116159208A (zh) | 2023-05-26 |
| CN116159208B CN116159208B (zh) | 2024-03-15 |
Family
ID=86418676
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111405245.9A Active CN116159208B (zh) | 2021-11-24 | 2021-11-24 | 人工胰腺控制方法、可读存储介质及血糖管理系统 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN116159208B (zh) |
| WO (1) | WO2023092908A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116807464A (zh) * | 2023-08-30 | 2023-09-29 | 武汉联影智融医疗科技有限公司 | 基于人工胰腺系统的血糖控制方法、装置和电子设备 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080319384A1 (en) * | 2007-06-25 | 2008-12-25 | Medingo, Ltd. | Tailored Basal Insulin Delivery System and Method |
| CN102500013A (zh) * | 2011-11-22 | 2012-06-20 | 北京化工大学 | 基于模型预测控制的大剂量胰岛素全自动智能输注方法和装置 |
| US20140107607A1 (en) * | 2012-10-16 | 2014-04-17 | Asante Solutions, Inc. | Infusion Pump System and Methods |
| CN105813668A (zh) * | 2013-12-05 | 2016-07-27 | 生命扫描有限公司 | 用于糖尿病管理的推注给药反馈 |
| CN107292115A (zh) * | 2017-07-12 | 2017-10-24 | 冯培根 | 基于糖尿病的人工智能虚拟医生诊疗系统及方法 |
| CN109925569A (zh) * | 2019-04-30 | 2019-06-25 | 广东食品药品职业学院 | 一种基于自适应参考曲线策略的广义预测控制胰岛素输注量计算方法 |
| CN111540436A (zh) * | 2020-04-17 | 2020-08-14 | 北京航空航天大学 | 一种自适应葡萄糖和胰岛素的浓度预测系统及方法 |
| CN111643771A (zh) * | 2019-04-30 | 2020-09-11 | 广东食品药品职业学院 | 一种基于自适应广义预测控制的闭环胰岛素输注系统 |
| CN112017778A (zh) * | 2020-08-06 | 2020-12-01 | 东北大学 | 一种面向临床的多层级血糖异常预警方法 |
| CN112133439A (zh) * | 2020-09-07 | 2020-12-25 | 北京理工大学 | 一种基于高斯过程的餐前胰岛素剂量个体化决策系统 |
| CN113113142A (zh) * | 2021-04-09 | 2021-07-13 | 长沙理工大学 | 一种利用智能分析技术对糖尿病患病风险的预测方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011100624A1 (en) * | 2010-02-11 | 2011-08-18 | The Regents Of The University Of California | Systems, devices and methods to deliver biological factors or drugs to a subject |
| US9861744B2 (en) * | 2012-06-25 | 2018-01-09 | International Business Machines Corporation | Managing blood glucose levels |
| US10307535B2 (en) * | 2014-12-19 | 2019-06-04 | Medtronic Minimed, Inc. | Infusion devices and related methods and systems for preemptive alerting |
| AU2019263490A1 (en) * | 2018-05-04 | 2020-11-26 | Insulet Corporation | Safety constraints for a control algorithm-based drug delivery system |
| CN109999270B (zh) * | 2019-03-22 | 2020-09-04 | 北京理工大学 | 一种基于血糖变化趋势的人工胰腺自适应自抗扰控制器 |
-
2021
- 2021-11-24 CN CN202111405245.9A patent/CN116159208B/zh active Active
-
2022
- 2022-03-18 WO PCT/CN2022/081841 patent/WO2023092908A1/zh unknown
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080319384A1 (en) * | 2007-06-25 | 2008-12-25 | Medingo, Ltd. | Tailored Basal Insulin Delivery System and Method |
| CN102500013A (zh) * | 2011-11-22 | 2012-06-20 | 北京化工大学 | 基于模型预测控制的大剂量胰岛素全自动智能输注方法和装置 |
| US20140107607A1 (en) * | 2012-10-16 | 2014-04-17 | Asante Solutions, Inc. | Infusion Pump System and Methods |
| CN105813668A (zh) * | 2013-12-05 | 2016-07-27 | 生命扫描有限公司 | 用于糖尿病管理的推注给药反馈 |
| CN107292115A (zh) * | 2017-07-12 | 2017-10-24 | 冯培根 | 基于糖尿病的人工智能虚拟医生诊疗系统及方法 |
| CN109925569A (zh) * | 2019-04-30 | 2019-06-25 | 广东食品药品职业学院 | 一种基于自适应参考曲线策略的广义预测控制胰岛素输注量计算方法 |
| CN111643771A (zh) * | 2019-04-30 | 2020-09-11 | 广东食品药品职业学院 | 一种基于自适应广义预测控制的闭环胰岛素输注系统 |
| CN111540436A (zh) * | 2020-04-17 | 2020-08-14 | 北京航空航天大学 | 一种自适应葡萄糖和胰岛素的浓度预测系统及方法 |
| CN112017778A (zh) * | 2020-08-06 | 2020-12-01 | 东北大学 | 一种面向临床的多层级血糖异常预警方法 |
| CN112133439A (zh) * | 2020-09-07 | 2020-12-25 | 北京理工大学 | 一种基于高斯过程的餐前胰岛素剂量个体化决策系统 |
| CN113113142A (zh) * | 2021-04-09 | 2021-07-13 | 长沙理工大学 | 一种利用智能分析技术对糖尿病患病风险的预测方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116807464A (zh) * | 2023-08-30 | 2023-09-29 | 武汉联影智融医疗科技有限公司 | 基于人工胰腺系统的血糖控制方法、装置和电子设备 |
| CN116807464B (zh) * | 2023-08-30 | 2024-01-26 | 武汉联影智融医疗科技有限公司 | 基于人工胰腺系统的血糖控制装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116159208B (zh) | 2024-03-15 |
| WO2023092908A1 (zh) | 2023-06-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20240161900A1 (en) | Closed loop control of physiological glucose | |
| US20220105270A1 (en) | Model-Based Personalization Scheme of an Artificial Pancreas for Type I Diabetes Applications | |
| Messori et al. | Model individualization for artificial pancreas | |
| JP6338553B2 (ja) | インスリン注入デバイスを制御するシステム及び方法 | |
| Turksoy et al. | Multivariable adaptive closed-loop control of an artificial pancreas without meal and activity announcement | |
| JP6073478B2 (ja) | インスリン注入デバイスを制御するシステム及び方法 | |
| CN112133439B (zh) | 一种基于高斯过程的餐前胰岛素剂量个体化决策系统 | |
| JP2012519018A (ja) | 糖尿病に関連した治療を自動モニタリングする方法およびシステム | |
| US20100057043A1 (en) | Method, System, and Computer Program Product for the Detection of Physical Activity by Changes in Heart Rate, Assessment of Fast Changing Metabolic States, and Applications of Closed and Open Control Loop in Diabetes | |
| CN109999270B (zh) | 一种基于血糖变化趋势的人工胰腺自适应自抗扰控制器 | |
| CN112927802B (zh) | 一种专家经验辅助的餐前胰岛素剂量学习优化决策系统 | |
| JP2019534066A (ja) | 患者の血糖値を制御するための自動システム | |
| JP2019528913A (ja) | 患者の血糖値を制御するための自動システム | |
| CN116159208B (zh) | 人工胰腺控制方法、可读存储介质及血糖管理系统 | |
| Boiroux et al. | An ensemble nonlinear model predictive control algorithm in an artificial pancreas for people with type 1 diabetes | |
| Prud'Homme et al. | Preclinically assessed optimal control of postprandial glucose excursions for type 1 patients with diabetes | |
| Van Herpe et al. | The application of model predictive control to normalize glycemia of critically ill patients | |
| CN114613509B (zh) | 基于贝叶斯优化的人工胰腺长期适应的个体化学习系统 | |
| El Hachimi et al. | Overcoming control challenges in the artificial pancreas | |
| Vilkhovoy et al. | A control-relevant model of subcutaneous insulin absorption | |
| Mustaffa et al. | Progression of Artificial Pancreas Device System Development with Preliminary Comparison between Two Models for Type 1 Diabetes Mellitus (T1DM) Patients | |
| EP4338666A1 (en) | System for compensating an unannounced meal ingested | |
| US20240082492A1 (en) | Method for estimating an unannounced meal ingested | |
| Van Herpe et al. | Adaptive modeling for control of glycemia in critically ill patients | |
| Lee et al. | Simulation-Based Optimal Insulin Infusion Control with Reinforcement Learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |