CN116531603A - 生理葡萄糖的闭环控制 - Google Patents

生理葡萄糖的闭环控制 Download PDF

Info

Publication number
CN116531603A
CN116531603A CN202310492420.5A CN202310492420A CN116531603A CN 116531603 A CN116531603 A CN 116531603A CN 202310492420 A CN202310492420 A CN 202310492420A CN 116531603 A CN116531603 A CN 116531603A
Authority
CN
China
Prior art keywords
insulin
glucose
meal
patient
state vector
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310492420.5A
Other languages
English (en)
Inventor
A.M.海达
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yishou Pharmaceutical Treatment Co ltd
Original Assignee
Eli Lilly and Co
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Eli Lilly and Co filed Critical Eli Lilly and Co
Publication of CN116531603A publication Critical patent/CN116531603A/zh
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
    • A61M5/14—Infusion devices, e.g. infusing by gravity; Blood infusion; Accessories therefor
    • A61M5/142—Pressure infusion, e.g. using pumps
    • A61M5/14244—Pressure infusion, e.g. using pumps adapted to be carried by the patient, e.g. portable on the body
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14503—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 invasive, e.g. introduced into the body by a catheter or needle or using implanted sensors
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4836—Diagnosis combined with treatment in closed-loop systems or methods
    • A61B5/4839—Diagnosis combined with treatment in closed-loop systems or methods combined with drug delivery
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
    • A61M5/14—Infusion devices, e.g. infusing by gravity; Blood infusion; Accessories therefor
    • A61M5/168—Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body
    • A61M5/172—Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body electrical or electronic
    • A61M5/1723—Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body electrical or electronic using feedback of body parameters, e.g. blood-sugar, pressure
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • G16H20/17—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients delivered via infusion or injection
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • 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
    • A61M2202/00—Special media to be introduced, removed or treated
    • A61M2202/04—Liquids
    • A61M2202/0468—Liquids non-physiological
    • A61M2202/0486—Glucose

Abstract

本公开涉及生理葡萄糖的闭环控制。本公开涉及使用闭环人工胰腺来控制患者中的生理葡萄糖浓度的系统和方法。所述系统和方法可以利用具有控制逻辑的控制器，所述控制逻辑操作成执行多模型预测控制器算法，以确定对患者的药物剂量。

Description

生理葡萄糖的闭环控制
相关申请
本申请要求享有2017年5月5日提交的临时申请号62/501,976(其以其整体通过引用并入本文)以及2017年7月25日提交的临时申请号62/536,541(其以其整体通过引用并入本文)的优先权。
公开领域
本公开涉及生理葡萄糖浓度的控制。更具体地，本公开涉及用于控制患者中的生理葡萄糖浓度的闭环系统和方法。
背景
皮下胰岛素替代疗法已被证明是控制糖尿病的首选方案。胰岛素是通过每天多次注射或输液泵施用的，且剂量由血糖仪一天几次进行的毛细血管葡萄糖测量告知。众所周知，这种常规方法是不完善的，因为每天之间(实际上是每一时刻之间)的可变性可以很大。此外，这种方法可能会给患者带来负担，因为它需要反复针刺手指，严格监控食物摄入，并注意控制胰岛素递送。
诸如连续葡萄糖监测器(CGM)的葡萄糖测量设备的问世创造了开发闭环人工胰腺(AP)系统的潜力。AP系统将CGM提供的葡萄糖数据用于在给输液泵提供方向的控制器上执行的给药/控制算法中，并且该泵将药物施用给患者。这样的系统具有彻底改变糖尿病护理的潜力，因为它提供了更好的血糖控制的可能性。另外，这样的系统减少了患者对警惕性的需求，并因此促成了提高的生活质量。
对于人工胰腺系统，一些现有的控制算法要么被限制在很小的变化范围内运行(对于非适应控制器)，要么被限制为对葡萄糖动力学的突然变化反应缓慢。一些现有的控制算法通常不包括人体中的胰岛素模型，而一些控制算法包括作为单个、固定模型或缓慢适应模型的模型。这些有限的控制算法只有当葡萄糖动力学恒定或缓慢改变时才能合适地控制葡萄糖浓度。当前的AP系统缺乏被设计为专门处理葡萄糖动力学的突然以及缓慢变化的控制方法。
概述
根据本公开的说明性实施方案，提供了控制患者中的糖血的系统，该系统包括配置为向患者递送药物剂量的药物递送装置和配置为基于至少一个用户输入生成用户数据的用户接口。该系统还包括与药物递送装置和用户接口通信的控制器。控制器包括控制逻辑，所述控制逻辑操作成以预选间隔从葡萄糖测量装置接收葡萄糖信号。葡萄糖信号代表患者中的葡萄糖水平。控制逻辑进一步操作成执行多模型预测控制器算法，以确定药物剂量请求并将药物剂量请求传输至药物递送装置。
附图简述
通过参照本发明实施方案的以下描述连同附图，本公开的上述和其他特征和优点以及获得它们的方式将变得更明显，并且会更好地理解，其中：
图1、1A和2描绘了用于控制生理葡萄糖的系统的代表性框图；
图3描绘了示例性模型预测控制算法的示例框图，该示例性模型预测控制算法经配置为在图1和图2的系统的电子控制器上执行；
图4描绘了计算最佳基础胰岛素偏差的示例框图；
图5描绘了示例性区室模型的框图；
图6描绘了使用其相关联的模型和协方差矩阵传播和滤波状态向量的框图；
图7描绘了协方差矩阵的实例；
图8描绘了流程图，其详细描述了可以被执行以确定最佳基础偏差是否需要改变的多个示例行动；
图9描绘了详细描述可以被执行以确定胰高血糖素剂量的多个示例行动的流程图；
图10描绘了详细描述各种示例逻辑的流程图，当确定进餐大剂量中要递送的药物(例如，胰岛素)的量时可以应用所述示例逻辑；和
图11-28示出了可以用系统执行以控制患者的葡萄糖的方法的示例性流程图。
对应的参考标记表示遍及几个视图中的相应部分。本文中所述的范例示例说明了本发明的示例性实施方案，并且此类范例不应理解为以任何方式限制本发明的范围。
详述
系统硬件
如本文使用的术语“逻辑”或“控制逻辑”可包括在一个或多个可编程处理器、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、硬连线逻辑或其组合上执行的软件和/或固件。因此，根据实施方案，可以按照任何适当的方式来实现各种逻辑，并且将根据本文所公开的实施方案保持各种逻辑。
术语“药物(drug)”或“药物(medication)”是指一种或多种治疗剂，其包括但不限于胰岛素、胰岛素类似物例如赖脯胰岛素或甘精胰岛素、胰岛素衍生物、GLP-1受体激动剂例如杜拉鲁肽或利拉鲁肽、胰高血糖素、胰高血糖素类似物、胰高血糖素衍生物、肠抑胃肽(GIP)、GIP类似物、GIP衍生物、泌酸调节肽类似物、泌酸调节肽衍生物、治疗性抗体和任何能够通过输液器转运或递送的治疗剂。如药物递送装置中使用的药物可以与一种或多种赋形剂一起配制。药物递送装置以大体上如本文所述的方式操作以将药物递送给人。
本文公开了提供生理葡萄糖的闭环控制的系统。该系统的示例性硬件元件包括：传感器，其用于测量体内的生理葡萄糖浓度；用户接口，其用于接收用户数据；泵，其用于递送胰岛素；以及电子控制器，其包括操作成对数据进行整合，执行算法并控制泵的控制逻辑。另外，各种元件可以彼此通信。图1、1A和2描绘了用于控制生理葡萄糖的系统10的示例性代表性框图。系统10包括药物递送装置12、用户接口20、用于测量葡萄糖的装置22和电子控制器24。
药物递送装置12示例性地是输液泵12。示例性的泵12包括便携式输液泵，例如在2013年3月7日提交的Lanigan等人的名称为“Infusion Pump Assembly”的美国专利申请号13/788,280中描述的那些。泵12可包括至少一个含有第一药物的药物储存器16。第一药物可以是参与生理葡萄糖控制的激素。在一些具体的实施方案中，第一药物可以是降低生理葡萄糖浓度的激素，例如胰岛素。在其他实施方案中，药物递送装置可以与口服药物诸如SGLT-1或SGLT-2结合使用。其他实施方案可以包括用于第二药物的附加储存器16，所述第二药物可以是与第一药物拮抗的激素。例如，存储在附加储存器16中的第二药物可以是提高生理葡萄糖浓度的药物或激素，例如胰高血糖素。在另一个实例中，第二药物可以是另一种合适的葡萄糖管理药物，例如GLP-1、普兰林肽、糊精或另一种糊精类似物。本文中词语糊精的使用应理解为意指可以使用糊精或其任何类似物。药物递送装置12可以经由输液器18将至少一种药物递送到患者14，所述输液器18提供从泵12到患者14的流体路径。输液器18可以例如提供从泵12到患者14内的皮下目的地的流体路径。在一些实施方案中，泵12提供到患者14内的皮下目的地的流体路径。泵12或输液器18可以包括用于插入患者的皮下组织中的针或套管。
系统10包括分析物传感器，例如葡萄糖测量装置22。葡萄糖测量装置22可以是独立装置，或可以是非固定装置。葡萄糖测量装置的一个实例是连续葡萄糖监测器(CGM)22。在具体的实施方案中，CGM 22可以是葡萄糖传感器，例如Dexcom G4或G5系列连续葡萄糖监测器，尽管可以使用任何合适的连续葡萄糖监测器。CGM 22示例性地由患者14佩戴并且包括一个或多个传感器，所述一个或多个传感器与患者14内的生理空间(例如，间质或皮下空间)通信或监测该生理空间，并且能够感测到患者14的分析物(例如，葡萄糖)浓度。在一些实施方案中，CGM 22报告与间质液中的葡萄糖例如间质葡萄糖(IG)的浓度相关的值。CGM22可以将代表IG值的信号传输到用户接口20、泵12、控制器24或另一接收器。
系统10包括用户接口(UI)设备20，其可以用于将用户数据输入到系统10，修改值以及接收由系统10生成的信息、提示、数据等。UI 20可包括用于向控制器24提供字母数字数据的输入设备，诸如键盘或小键盘。键盘或小键盘可以包括触觉指示器以在没有良好视力的情况下方便使用，或包括背光键用于在没有照明的情况下使用。UI 20可以包括用于与设备通信的按钮或开关。在一个实例中，UI 20具有用于通知事件的按钮或开关，所述事件例如进餐、运动开始、运动结束、紧急停止等。在一些实施方案中，UI是具有显示器的图形用户接口(GUI)，在图形用户接口(GUI)中用户与所呈现的信息、菜单、按钮等进行交互，以从系统10接收信息并向系统10提供信息。UI 20可以包括指针、滚动球和按钮以与UI 20交互。另外，UI 20可以在能够显示图像和文本并且能够检测经由触摸的输入的触摸屏上实现。UI20可以是专用设备，或者可以经由个人智能设备诸如电话、平板电脑等上运行的应用程序或应用来实现。UI 20可以与泵12和CGM 22通信。泵12和CGM 22也可以彼此通信。
控制器24可以被包括在药物递送装置12中(参见图2)或在泵12外部，例如在UI 20中(参见图1)。可选地，UI 20和泵12可各自包括控制器24，并且系统10的控制可在两个控制器24之间划分。控制器24可以包括至少一个处理器(例如，微处理器)，所述处理器执行存储在控制器24的存储器中的软件和/或固件。软件/固件代码包含指令，所述指令在由处理器执行时使控制器24执行本文所述的控制算法的函数。控制器24可选地包括一个或多个专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、硬连线逻辑或其组合。控制器24可以从多个系统10组件接收信息，并将该信息(例如，泵数据、葡萄糖数据、药物递送数据、用户数据)提供到确定至少一个药物递送控制参数的控制算法中，所述药物递送控制参数可以部分地控制泵12的操作。在一些具体实施方案中，控制器24可以接收来自泵12的泵数据、来自CGM 22的葡萄糖数据以及来自UI 20的用户数据。接收的泵数据可以包括与由泵12递送给患者14的药物剂量相对应的药物递送数据。泵数据可以在剂量递送时或按预定时间表由泵12提供。由控制器24接收的葡萄糖数据可以包括来自CGM 22的葡萄糖浓度数据。葡萄糖数据可以以连续速率、偶尔地或以预定义的间隔(例如，每5或10分钟)提供。
图1A示出了系统10的示例性实施方式。尽管控制器24被示为与药物递送装置12和UI 20分开，但是控制器24可以物理地整合到药物递送装置12或UI 20中。不管其在系统10中的物理位置如何，控制器24都显示为直接或间接通信耦合到药物递送装置12、UI 20和CGM 22。控制器24可包括或通信耦合到一个或多个接口26，以经由一个或多个通信链路28通信耦合到药物递送装置12、UI 20和CGM 22。示例接口26包括有线和无线信号传输器和接收器。示例通信链路28包括有线通信链路(例如，串行通信)、无线通信链路(例如诸如短程无线电链路，诸如蓝牙、IEEE 802.11)、专有无线协议等等。术语“通信链路”可以指在至少两个装置之间在至少一个方向上通信某种类型的信息的能力。通信链路28可以是持续通信链路、间歇通信链路、专用通信链路等。信息(例如，泵数据、葡萄糖数据、药物递送数据、用户数据)可以经由通信链路28传输。药物递送装置12、UI 20和CGM 22还可包括一个或多个接口，以经由一个或多个通信链路28通信耦合到系统10中的其他装置。
图1A示出了控制器24，其包括通信耦合到一个或多个接口26和彼此通信耦合的存储器30和处理器32。存储器30可以包括易失性和/或非易失性存储器形式的计算机可读存储介质，并且可以是可移动的、不可移动的或其组合。在实施方案中，存储器30存储可执行指令34(例如，计算机代码、机器可用指令等)，以使处理器32实现本文讨论的系统组件的实施方案的方面和/或执行本文讨论的方法和程序的实施方案的方面，包括下面更详细描述的控制逻辑。存储器30、处理器32和接口26可以通过一个或多个总线通信耦合。
如上所述，UI 20可以是专用设备(例如，专门为系统10编程的手持式用户装置)，或者可以经由在个人智能设备诸如电话、平板电脑等上运行的应用或应用程序来实现。UI20可以包括输入设备36(例如，按钮、开关)和显示GUI的显示器38。用户可以与输入设备36和显示器38进行交互以向系统10提供信息。
泵数据、葡萄糖数据、药物递送数据和用户数据可以在获取时、按预定时间表提供给控制器24，或者在存储器中排队并在被请求时提供给控制器24。用户数据可以响应于由UI 20产生和/或由患者14在训练期间随指示声明的用户/患者提示而被输入到UI 20。在一些实施方案中，泵数据、葡萄糖数据和/或用户数据中的至少一些可从与控制器24相关联的存储器中检索，并且该数据中的一些可从泵12中的存储器中检索。在一些实施方案中，与UI20的用户交互可以是最低的，其中提示患者14开始执行由控制器24实施的算法并提供进餐和/或运动通知。在其他实施方案中，可以提示用户以提供各种附加数据以便初始化由控制器24实现的算法。
控制器24的存储器是处理器可访问的任何合适的计算机可读介质。存储器可以是单个存储设备或多个存储设备，可以位于控制器24的内部或外部，并且可以包括易失性和非易失性介质。示例性存储器包括随机存取存储器(RAM)、只读存储器(ROM)、电可擦写可编程ROM(EEPROM)、闪存、CD-ROM、数字通用光盘(DVD)或其他光盘存储器、磁存储设备或配置为存储数据并且可由控制器24访问的任何其他合适的介质。
用户数据可以包括但不限于胰岛素/碳水化合物的比率、进餐大小、进餐的碳水化合物比率和运动。用户数据还可以包括一组数据，其在此称为胰岛素需求数据。胰岛素需求数据可以包括但不限于总每日胰岛素剂量(TDD)、总每日基础剂量(TDB)、基础剂量和基础概况。在说明性实施方案中，TDD是在24小时周期内递送的所有胰岛素的总和，而TDB是在24小时周期内递送的所有基础胰岛素的总和。在一个实施方案中，TDB大约等于TDD减去进餐大剂量的总和。在说明性实施方案中，基础剂量是用户对于预定时间段所需的开环或标称胰岛素剂量。在一个实例中，基础剂量是在控制器从CGM接收的葡萄糖测量之间的每个时间段或间隔的持续时间的用户所需的胰岛素量。在另一实例中，在时间t的基础剂量是在时间t的基础概况。在说明性实施方案中，基础概况是在24小时的过程中预定义的随时间变化的胰岛素流速。在一个实例中，基础概况可以表示为胰岛素流速的列表或流速和时间的成对列表。在另一个实例中，基础概况可以被表达为方程式。可以根据需要从UI更新这些用户数据值中的一个或多个。在一些实施方案中，TDD和TDB由控制器定期更新，其中，值基于在一天内或多天内提供给用户的总胰岛素和基础胰岛素的记录的量。在一些实施方案中，TDD和/或TDB可以由临床医师或用户在用户接口上输入或存储在控制器可读的存储器中。
由控制器24确定的至少一个药物递送参数可以是一种或多种药物剂量，其可以至少部分地控制经由泵12向患者14的药物施用。对于胰岛素递送，可以将药物递送参数用于计算基础速率或微大剂量(micro-bolus dose)、进餐大剂量剂量或进餐大剂量剂量。在双激素系统中，数据可以告知胰岛素和第二药物(例如胰高血糖素或糊精)的一种或两种的递送。在一个实例中，提供给泵12的药物递送参数是控制信号，其请求泵递送特定量或体积的药物。在一个实施方案中，药物递送参数是泵12将其转换成药物的量或体积或多个泵冲程的模拟或数字信号。在一些实施方案中，药物递送参数是与基础胰岛素剂量或基础胰岛素概况的当前值的偏差。偏差可以是胰岛素的量或体积或基础胰岛素剂量的百分比。因此，系统10可以在闭环设定中操作，所述设定在初始启动之后需要最低的或不需要来自患者14的交互以实现血糖控制。
本文中的术语生理葡萄糖是指体内测量的葡萄糖浓度。在一些实施方案中，生理葡萄糖可以是血液中葡萄糖的浓度，其也可以称为血糖。在其他实施方案中，生理葡萄糖可以是血浆中葡萄糖的浓度，其可以称为血浆葡萄糖。血浆葡萄糖的测量值通常比血糖高10至12％，因为在血浆葡萄糖测定中已经去除了血液中的血细胞。血浆葡萄糖和血糖之间的关系取决于血细胞比容，并且可以随患者和时间的不同而变化。生理葡萄糖，在本文中简称为PG，可以通过测量间质液中的葡萄糖浓度(其称为间质葡萄糖并简称为IG)来间接测量。
在说明性实施方案中，系统10可以将胰岛素作为基础递送或大剂量递送提供给身体。基础递送是以患者所需的基础速率连续递送胰岛素，以将患者血液中的葡萄糖水平维持在期望水平。胰岛素递送装置12可以微大剂量或基础剂量随后是零流量的时间段提供基础递送，其平均为基础速率。在一个实例中，胰岛素递送装置以固定间隔提供基础剂量，并且基础剂量等于所需基础率乘以间隔的持续时间。偶尔，由于活动的改变诸如进餐或影响用户新陈代谢的其他活动，用户可能需要更大量的胰岛素。这种更大量的胰岛素在本文中称为进餐大剂量(meal bolus)。进餐大剂量是特定数量的胰岛素，其通常在短时间段内提供。胰岛素递送装置的性质可能要求作为连续的胰岛素流持续一段时间或作为随时间段提供的一系列较小的、离散的胰岛素体积来递送大剂量。进餐大剂量有助于维持葡萄糖水平，因为消化系统向血流提供了大量的葡萄糖。
MMPC算法
多模型预测控制器(MMPC)包括执行人工胰腺算法的控制器24的控制逻辑，所述人工胰腺算法将多个状态向量及其模型与模型预测控制算法相结合。MMPC通过传播多个状态向量并选择与过去数据最匹配的状态向量及其模型，从而提高了模型预测控制器对机体和环境变化的适应性。然后，在模型预测控制器中使用选择的状态向量及其模型来确定要递送给患者的胰岛素的下一个基础速率或基础剂量，以达到所需的生理葡萄糖水平。多个状态向量及其模型的使用提高了算法对新陈代谢、消化、活动中的变化或其他变化的响应能力。
MMPC使用模型、葡萄糖数据和带有卡尔曼滤波器的协方差矩阵在每个时间间隔传播每个状态向量。在一些实施方案中，MMPC将每个状态向量的先前值保留一段时间，并且随着每个状态向量的传播生成每个状态向量的最新值，每个状态向量的最旧值被覆盖。在一些实施方案中，仅每个状态向量的最新值被存储在存储器中。每个状态向量都与唯一的模型和唯一的协方差矩阵相关联。MMPC根据间质葡萄糖(IG)的状态变量在过去一段时间内与IG的测量值匹配的程度来选择最佳状态向量及其模型。然后，MMPC在模型预测控制器中在选择的状态向量及其模型使用，在该模型预测控制器中，MMPC将选择的状态向量传播到预测范围，随时间生成一组预测的生理葡萄糖值。在相应时间的预测葡萄糖值的组在本文中称为预测轨迹。MMPC使用生理葡萄糖轨迹和目标函数来确定具有对胰岛素值的一个或多个限制的最佳胰岛素轨迹。
在一些实施方案中，最佳胰岛素轨迹是与基础胰岛素或基础概况的偏差的轨迹，在本文中称为基础偏差轨迹。在这些实施方案中，递送到身体的胰岛素的量是预定义的基础胰岛素加上从胰岛素轨迹确定的最佳基础偏差。在这些实施方案中，模型不包括基础胰岛素输入或内源性葡萄糖产生。相反，模型和目标函数考虑身体对进餐和胰岛素水平高于或低于预定义的基础胰岛素速率的反应。
对于第一间隔，从胰岛素轨迹的值获取初步胰岛素速率、剂量或最佳基础偏差。在将速率或剂量请求传递至递送装置之前，MMPC可以限制该初始胰岛素速率、剂量或最佳基础偏差。在最佳胰岛素轨迹是与基础概况的偏差的实施方案中，剂量请求是受限制的基础偏差加基础概况的总和。然后将受限制的胰岛素速率、受限制的剂量或受限制的基础偏差反馈到在框110A中的多个状态向量中作为胰岛素输入，用于在下一个间隔确定胰岛素速率或剂量。实例MMPC从UI 20接收用户数据并且从CGM 22接收葡萄糖浓度数据，并确定用于泵12以递送给患者14的药物量。
图3、4描绘了MMPC算法100的代表性框图，所述MMPC算法100定期接收IG数据，使用一个或多个状态模型来确定最佳胰岛素剂量，并且在重复该过程之前将相应的剂量请求传输至胰岛素泵12。MMPC算法100在框105A中从放置在患者身体的连续葡萄糖监测器(CGM)或其他葡萄糖测量装置上接收间质葡萄糖(IG)的测量。在框110A中，MMPC算法传播每个状态向量，其包括使用其相关联的模型传播每个状态向量，使用来自框105A的IG数据用卡尔曼滤波器对状态向量进行滤波，并将进餐碳水化合物和进餐大剂量添加到状态向量中，以生成更新的状态向量。
在一些实施方案中，在框120中，MMPC算法100遵循以下步骤：接收葡萄糖数据105A并通过确定最佳基础偏差来传播状态向量110A。在其它实施方案中，接收葡萄糖数据和传播所述状态向量的步骤在框120中计算的最佳基础偏差之前在框105B和110B中重复。IG数据或葡萄糖数据被接收105A、105B和更新的状态向量以等于模型更新周期(τUPD)102的规则间隔计算110A、110B。更新时间段的长度可以等于来自葡萄糖传感器22的输出之间的时间段。
注射周期(τINJ)包括至少一组接收葡萄糖数据和传播状态向量，随后确定最佳基础偏差120，检查胰岛素限制130和请求剂量135。在每个注射周期传播状态向量一次120的实施方案中，注射周期等于更新周期。在实施方案中，在每个注射周期接收葡萄糖数据两次(例如，框105A和105B)的情况下，重复接收葡萄糖数据和传播状态向量的步骤，并且注射周期等于更新周期的两倍。在一些实施方案中，注射时间是固定的，并且更新时间可以基于CGM 22的输出而变化，使得如果接收葡萄糖数据之间的时间短于注射时间，胰岛素递送或注射之间的状态向量可以传播多于一次。在一些实施方案中，如果来自葡萄糖传感器22的葡萄糖数据不可用或葡萄糖数据不可靠，则在进行到方框120中确定最佳基础偏差之前，将在没有卡尔曼滤波器步骤的情况下传播状态向量110。
框120确定与基础概况的最佳偏差以控制患者的生理葡萄糖，并且框135基于最佳偏差和基础概况请求泵12向患者递送新的胰岛素基础速率或剂量。在框120中，MMPC算法100选择状态向量和模型，所述状态向量和模型具有过去在给定时间段内估计葡萄糖数据的确定的最佳记录。此外，在框120中，MMPC算法100使用模型预测算法中的选择状态向量和模型来确定下一个最佳基础偏差。下一个最佳基础偏差的确定可以包括来自框115的用户数据。可以将与基础概况的最佳偏差传递到框130，在框130中，可以通过一个或多个规则来限制最佳偏差，即，如果最佳基础偏差超过该胰岛素阈值，则将偏差的值改变为胰岛素阈值的值。框130中的胰岛素阈值或限制可以是由选择状态向量估计的生理葡萄糖的预定值或预定函数。然后将框130的受限制的基础偏差传递到框135，在框135中，从受限制的基础偏差和基础概况的总和确定胰岛素剂量请求。在框135，MMPC算法100将胰岛素剂量请求传输至泵12，并将胰岛素剂量值传递至框110A，以包括在下一状态向量的传播中。泵12通过输液器18将所需的胰岛素剂量递送给患者。
图4进一步举例说明了确定最佳基础偏差的示例性框120。在框126中，评估传播的状态向量和相应的状态向量，以鉴定与前一时间段内测量的IG数据最匹配的状态向量和模型。在一些实施方案中，在固定的历史时期内将测量的IG数据与状态向量的对应IG值进行比较，以确定状态向量与葡萄糖数据之间的最佳匹配。在一些实施方案中，状态向量与葡萄糖数据之间的最佳匹配是基于所测量的IG数据与状态向量的对应IG值之间的平方差的和。在该实施方案中，平方差随时间以指数衰减的权重相加。在此，IG的对应估计值是指IG数据的时间处的状态向量中的IG值。
在一些实施方案中，当接收到葡萄糖数据时，在每个更新间隔对于每个状态向量计算鉴定误差(τUPD)。针对每个状态向量存储每个更新间隔处的鉴定误差。在框126中，对每个状态向量的所有鉴定误差进行加权并在历史时段内加和以确定每个状态向量的性能指标。可以将具有最低性能指标的状态向量连同至少其模型一起选择用于模型预测控制算法的下一步骤127-124。
在框127中，MMPC算法100确定生理葡萄糖相对于时间的当前导数(dPG/dt)。在MMPC算法100的一些实施方案中，使用生理葡萄糖的变化率来设定胰岛素递送的限制，确定进餐大剂量，确定胰高血糖素大剂量等。生理葡萄糖的变化率(dPG/dt)可以是通过几种方法确定。在一些实施方案中，dPG/dt基于生理葡萄糖的最新的几个(例如三个)估计值(PGj-2,PGj-1,PGj)，其中将二次方程式拟合至三个估计值和dPG/dt设定为等于方程在j处的斜率。生理葡萄糖浓度的三个最新估计值可能来自不同的状态向量，这取决于选择了哪个状态向量模型。在一些实施方案中，dPG/dt是与最近的生理葡萄糖值(PGj,PGj-1,PGj-2,…PGj-n)的直线拟合的斜率。在一些实施方案中，dPG/dt是PGJ-1与PGJ之间的差，其是斜率，因为PGJ的连续值之间的时间差是恒定的。在一些实施方案中，dPG/dt是连续值(PGj-1–PGj)之间的差除以时间间隔(τUPD)。
在框128中，使用选择状态向量及其模型来预测从当前时间到预测范围的PG水平(PGj+1,PGj+2,PGj+3,…PGj+m)。从当前时间到预测范围的时间段在本文中称为预测时间段。预测时间段可以是一个或多个小时。在一些实施方案中，预测时间是四个半小时。预测未来的PG值是通过在没有卡尔曼滤波器且不对进餐进行校正的情况下将状态向量与模型一起传播来进行。假定基础胰岛素剂量、无胰岛素进餐大剂量和无食物的情况下预测PG值。在此实例中，未使用卡尔曼滤波器，因为未来的葡萄糖数据未知。
在框122中，生理葡萄糖目标(PGTGT)是预定的生理葡萄糖浓度，其具有针对进餐、运动、所测量的间质葡萄糖浓度和/或选择的状态向量的生理葡萄糖浓度的校正。尽管可以使用其他合适的目标，但是示例性的预定生理葡萄糖浓度为6毫摩尔/升(mmol/L)。在某些实施方案中，生理葡萄糖目标随时间变化。例如，生理葡萄糖目标可以逐渐增加或减少至预定的恒定生理葡萄糖目标。
在框124中，确定从当前时间到预测范围的未来时间段的最佳基础偏差。在一些实施方案中，最佳基础偏差是相对于基础概况的最佳胰岛素轨迹。在其他实施方案中，最佳基础偏差仅仅是最佳胰岛素轨迹。最佳基础偏差或最佳胰岛素轨迹是在可能的胰岛素或偏差值上具有一个或多个限制的情况下使一个或多个目标函数最小化的轨迹。在一些实施方案中，目标函数将未来时间段内预测的生理葡萄糖值和目标葡萄糖值之间的差求和。在一些实施方案中，目标函数还可以对未来时间段的基础偏差或胰岛素剂量求和。在一些实施方案中，可以基于自进餐的时间对加和的值进行不同地加权。成本函数和权重取决于一个或多个以下值，包括但不限于自进餐的时间、进餐大小和运动水平。可以将第一注射时段104的基础胰岛素或胰岛素轨迹作为速率或量传递至框130，其中可以基于估计的生理葡萄糖、生理葡萄糖的变化率和/或通过泵12递送的过去的胰岛素来限制速率或量。
模型
模型包括由控制逻辑执行的线性差分方程组，所述方程组计算患者体内生理或血清葡萄糖(PG)和间质葡萄糖(IG)的水平。在一些实施方案中，模型包括八个区室，其追踪胰岛素、碳水化合物和葡萄糖在体内运动和持久性。在一些实施方案中，模型考虑了葡萄糖(碳水化合物)的外部来源和不同于基础概况的胰岛素水平。在这些实施方案中，在框124的优化步骤中模型的输出是距基础胰岛素概况的最佳基础偏差(δI)。在从泵12请求胰岛素剂量之前，MMPC算法100在框135中将基础胰岛素概况值添加到胰岛素偏差。
胰岛素、碳水化合物和葡萄糖的运动和持久性可以由几个模型参数来驱动。所计算的PG值可以用于确定可以递送给患者的下一个微大剂量的胰岛素、大剂量的胰高血糖素和/或进餐大剂量。可以将计算的IG与测量的IG进行比较。MMPC算法100可以包括状态向量的大集合，所述状态向量每个具有含有模型参数的唯一组合的模型。
模型参数可以包括但不限于胰岛素敏感性(SI)、胰岛素时间常数(kI)、进餐动作时间常数(kC)、传感器时间常数(k传感器)、胰岛素与碳水化合物的比率(ICR)。在一些实施方案中，胰岛素敏感性(SI)是估计的基础胰岛素需求的函数，SI＝SP/(IEBN/60)，其中SP是模型参数，其至少部分控制胰岛素对生理葡萄糖的作用。估计的基础胰岛素需求(IEBN)是TDD和TDB的函数。吸收时间常数(kI)是一个模型参数，其至少控制模型中胰岛素区室的转运速率。在一些实施方案中，吸收时间常数(kI)包括范围为约30分钟至90分钟的值。进餐动作时间常数(kC)是一个模型参数，其至少会影响模型中区室之间碳水化合物的运输速率。在一些实施方案中，进餐动作时间常数的值范围可以在约30分钟至90分钟。传感器时间常数(k传感器)是模型参数，其部分影响葡萄糖在生理区室和间质区室之间的运输速率。传感器时间常数也可能影响间质葡萄糖和生理葡萄糖之间的关系。胰岛素与碳水化合物的比率(ICR)反映了从血液中去除给定量的葡萄糖所需的胰岛素量。进餐与进餐之间的胰岛素对碳水化合物的值可以变化，即，可以具有早餐的第一值，午餐的第二值和晚餐的第三值。模型参数可以包括UI 20处的输入值、算法中的编程值、或控制器可读的存储器中存储的值或这些选项的组合。
如图5所示，示例性模型200可以表示为彼此相互作用的八个区室。胰岛素在体内的存储和在从皮下输注部位到血流中的运动可以被建模为连接到所述血液区室220的2个皮下区室210，215。可以将胰岛素微大剂量添加到第一皮下腔室或区室210中，然后在运输到血液腔室或区室220之前将其运输到第二皮下腔室或区室215。胰岛素的区室之间的建模运输可能部分地由胰岛素时间常数(kI)和在两个区室210，215之间的胰岛素浓度的差来进行控制。
仍然参考图5，可以将碳水化合物通过胃向血流的运输建模为与第二碳水化合物区室235相连的第一碳水化合物区室230，所述第二碳水化合物区室235与血液区室220相连。本文描述了向第一和第二碳水化合物区室中添加碳水化合物。区室230，235之间的碳水化合物的建模运输可以部分地由进餐动作时间(kC)和在两个区室230，235之间碳水化合物浓度的差来控制。
仍然参考图5，进餐大剂量胰岛素的存储和从皮下输注部位到血流的运动可以被建模为连接到血液区室220的两个进餐大剂量区室240，245。进餐大剂量可以被添加到第一和第二进餐大剂量腔室或区室240，245，从第一大剂量腔室240运输到第二大剂量腔室245，然后运输到血液区室220。区室之间的胰岛素的建模运输可以部分地由胰岛素时间常数(kI)和在两个区室240，245之间的胰岛素浓度的差来控制。
仍然参考图5，血液腔室或区室220对微大剂量胰岛素、碳水化合物和向血流中的进餐大剂量胰岛素的运输以及胰岛素和碳水化合物对生理葡萄糖浓度的作用进行建模。建模的生理葡萄糖浓度可以通过以下来控制：先前的生理葡萄糖值、胰岛素敏感性(SI)、在第二皮下腔室中的胰岛素浓度(IS2)、在第二碳水化合物腔室中的碳水化合物浓度(C2)、所述第二大剂量腔室内的胰岛素浓度(IB,2)、胰岛素时间常数(kI)和进餐动作时间(kC)。
当连续葡萄糖监测器(CGM)测量葡萄糖浓度时，皮下葡萄糖区室225对葡萄糖从血流区室220到皮肤下的间质组织的运输建模。血液区室220和皮下区室225之间的葡萄糖的建模运输可部分地由传感器常数(k传感器)和在两个区室220，225之间的葡萄糖浓度的差来控制。
图5中描述的实例模型还可以通过以下线性差分方程组来描述：
每个状态向量都与唯一的模型相关联，所述模型包括这些方程式，但具有一组唯一的常数。
继续参考图5，可以将八个区室中的胰岛素、碳水化合物和葡萄糖的浓度描述为状态向量x(t)，其中x(t)具有以下成分：x1(t)＝IG，x2(t)＝PG，x3(t)＝Is2，x4(t)＝Is1，x5(t)＝C2，x6(t)＝C1，x7(t)＝IB2，和x8(t)＝IB1。状态向量描述了身体的状况，包括时间(t)时的重要PG和IG值。下一个状态向量(x(t+τ))由当前状态向量(x(t))和图5中描述的关系确定。
上面的状态空间方程式可以写成矩阵方程式：
其中x(t)是时间t的状态向量，而x(t+τ)是τ分钟后的状态向量，Adt是系统矩阵，其表示模型方程式(方程式1)，其中bs为零。在一个实施方案中，B是输入向量，所述输入向量在第一胰岛素区室的行中包含bs，而u(t)是最佳基础偏差(δI)。为了在更新周期(τUPD)随时间向前传播状态向量，Adt·x(t)的乘法可以重复N次，其中N＝τUPD/dt，且B·u(t)的乘法可以执行。运行方程式2以推进每个状态向量，其中每个状态向量具有唯一的模型矩阵Adt和干扰矩阵B。
在图5和方程式1中描述的模型描述了MMPC算法中的模型的示例性实施方案。在其他实施方案中，模型区室的数量可以小于或大于八个。在一个实施方案中，使用最小模型，所述模型包括一个胰岛素区室和一个碳水化合物区室，其中每个区室都连接到生理葡萄糖腔室。可以用标记为方程式1A的一组更简单的方程式来描述该最小模型：
在其他实施方案中，可以添加用于与基础胰岛素分开建模的大剂量胰岛素的另一区室，并且大剂量胰岛素区室连接至生理葡萄糖区室。在仍其他实施方式中，可以添加区室以建模间质液中的胰岛素，其中该区室连接至生理葡萄糖区室。
传播状态向量
图6示出了在MMPC算法100中将每个状态向量x(t)传播到状态向量x(t+τ)的示例性示意图。将每个状态向量x(t)传播到状态向量x(t+τ)通过在框145中使用与状态向量和方程式2相关联的状态模型将每个状态向量xP(t)推进到其初步状态向量xP(t+τ)来开始。每个初步状态向量xP(t+τ)是对当前状态的初步估算。如果当前葡萄糖数据可从CGM获得，则在框160中，每个初步状态向量xP(t+τ)可使用卡尔曼滤波器进行滤波，以产生经滤波的状态向量xF(t+τ)。如果葡萄糖数据不可用或未调用卡尔曼滤波器，则将初步状态向量传递通过框145。在框165中，每个初步状态向量xP(t+τ)或每个经滤波的状态向量xF(t+τ)的大剂量胰岛素和碳水化合物状态的值可以针对最近更新周期期间发生的进餐进行进一步校正，以确定传播的状态向量x(t+τ)。如果在最近的更新周期期间未进餐，则初步状态向量xP(t+τ)或经滤波的状态向量xF(t+τ)不变地通过框165，以成为传播状态向量x(t+τ)。说明性地，当j＝1至J且J为状态向量的数目时，对状态向量x(t)的引用隐含所有状态向量xj(t)。因此，参考状态向量x(t)，模型常数例如kI,SI，协方差矩阵P，Q，协方差矩阵中的元素和性能指标Pj(t)。这些变量中的每一个都引用多个值，例如状态向量xj(t)。
在说明性实施方案中，MMPC算法100使用以下参数列表中的一个或多个来初始化多个状态向量，所述参数包括但不限于当前时间、IG的估计值、胰岛素的总每日剂量(TDD)、总每日基础剂量(TBD)、基础模式、过去4小时内的进餐史、过去4小时内的胰岛素大剂量史以及胰岛素与碳水化合物的比率(ICR)。MMPC算法100利用间质葡萄糖值和生理葡萄糖值的IG的估计值来初始化状态向量。碳水化合物和大剂量胰岛素的值由进餐史和胰岛素大剂量史以及与下文描述的方程式3-6类似的方程式确定。
参考图6，初步状态向量xP(t+τ)在框160中使用卡尔曼滤波器进行滤波，以基于来自葡萄糖传感器22的测量的葡萄糖数据和协方差矩阵P(t)、Q(t)和R(t)来更新每个初步状态向量xP(t)中的状态变量。协方差矩阵R(t)是葡萄糖测量的不确定性，且可以在框150中进行更新。每个状态向量的不确定性承载在协方差矩阵P(t)和Q(t)中。每个状态向量都与唯一的协方差矩阵P和Q相关联。每个协方差矩阵P(t)在框155中以每个更新间隔(τUPD)更新。可以基于进餐的大小和/或时间在框155中进一步修改协方差矩阵P(t)中的值。
协方差矩阵P(t)的实例在图7中表示为矩阵300。对角项310列出在时间t的状态向量中的状态变量的不确定性。非对角项在本文中称为互相关项或交叉项。交叉项列出了一个状态变量的不确定性对其他状态变量的影响。在一个实例中，第一区室中碳水化合物的不确定性(第一碳水化合物状态变量)是在第四行和列的要素σC1，和第二个区室中的碳水化合物的不确定性(第二个碳水化合物状态变量)是在第五行和列的要素σC2。第四和第五行320和第四和第五列330中的非对角元素是碳水化合物不确定性对其他身体向量值的不确定性(包括IG、PG、皮下区室1和2中的胰岛素以及大剂量区室1和2中的胰岛素)的作用。Q(t)协方差矩阵是对角矩阵，且每个状态变量的初始不确定性沿对角线310并且对于所有交叉项为零。当MMPC算法100可以如下所解释改变一个或多个值时，除了响应于进餐的改变之外，Q(t)矩阵是恒定的。
在框155中，将每个协方差矩阵P(t)根据方程式3对于更新间隔推进：
其中Adt是上述系统矩阵。在将卡尔曼滤波器应用于方程式4中的状态向量之前，更新P矩阵。在框160中，当可从葡萄糖传感器获得葡萄糖数据(IG数据)时，可以将来自框145的初步状态向量xP(t+τ)用卡尔曼滤波器进行滤波。卡尔曼滤波器处理来自葡萄糖传感器的信息以及数据和状态变量的不确定性(如卡尔曼矩阵中所述)，以改善初步状态向量中状态变量的估计值。每个状态向量的卡尔曼矩阵K(t)用来自方程式3的最新协方差矩阵P(t)更新，随后对初步状态向量进行滤波。卡尔曼矩阵K(t)根据方程式4更新：
其中C是单位转换矩阵，R是葡萄糖测量值IG数据变量的不确定性。根据方程式5计算经滤波的状态向量xF(t)：
xF(t)＝xP(t)+K·(IG数据-IG(t)) (方程式5)。
其中IG(t)是初步状态向量xp(t)中间质葡萄糖的当前估计值且K是卡尔曼矩阵。最后，在根据方程式6计算卡尔曼矩阵K之后，进一步修改协方差矩阵P，
P(t)＝P(t)-K(t)·C·P(t) (方程式6)。
在一些实施方案中，对称对角协方差矩阵Q(t)具有对角葡萄糖项σIG，σPG和皮下胰岛素项σI1，σI2的葡萄糖和皮下胰岛素中的误差的标准差的估计值。如果平均进餐时间大于预定时间，则碳水化合物(σC1，σC2)和大剂量胰岛素(σIB1，σIB2)的协方差矩阵Q(t)中的对角项为零。平均进餐时间是过去预定时间内进餐的加权平均值，其中每次进餐时间均按该进餐时消耗的碳水化合物量加权。在另一个实施方案中，如果在最近的预定时间段内没有进餐，则Q(t)协方差矩阵中的碳水化合物和大剂量胰岛素项为零。在另一个实施方案中，如果在最后的预定分钟数内未发生大于预定义量的碳水化合物的进餐，则Q协方差矩阵中的碳水化合物和大剂量胰岛素项为零。碳水化合物的示例性预定义量为5克，且示例性预定义时间为120分钟，尽管可以实施其他合适的阈值。
在设定Q(t)矩阵的对角线值的一个实例中，状态变量中估计的误差的标准差是估计的胰岛素需求(IEBN)的百分比。
在一个实施方案中，当预定大小的一餐已经在过去预定的时间段内食用，将在碳水化合物(σC1,σC2)和大剂量胰岛素(σIB1σIB2)的Q(t)矩阵中的对角项设定为在碳水化合物(C1,C2)和大剂量胰岛素(IB1,IB2)值中误差的标准差的估计值。在一个实例中，碳水化合物(σC1,σC2)中误差的估计的标准差是基于碳水化合物区室1和2中碳水化合物总和的百分比(例如10％)，并且大剂量胰岛素值(σIB1σIB2)中误差的估计的标准差是基于IEBN的百分比。
在一个实例中，当碳水化合物区室中的碳水化合物的总和超过阈值(例如5克)并且平均进餐时间在低阈值(例如40分钟)和高阈值(例如210分钟)之间时，碳水化合物和大剂量胰岛素的不确定性的对角项被设定为非零值。在一个实施例中，平均进餐时间是过去210分钟内的进餐的加权平均值，其中每次进餐时间由该进餐时消耗的碳水化合物的量加权。
在一个实施方案中，当在预定时间量内没有进餐时，协方差矩阵P和Q中的所有碳水化合物和大剂量胰岛素项都变为零。现在参考图7，碳水化合物项是指P矩阵300中与项σC1,σC2和项σC1,σC2(320,330)对齐的要素。类似地，协方差矩阵P中的大剂量胰岛素项是与大剂量胰岛素项σIB1,σIB2和项σIB1,σIB2对齐的项。Q矩阵中的碳水化合物和大剂量胰岛素项是碳水化合物和大剂量胰岛素状态变量的不确定性的对角项。在一个实施方案中，当在预定义时间段内未进餐时，在P和Q矩阵中所有碳水化合物和大剂量胰岛素项均被设定为零。在一个实施方案中，预定义时间段是210分钟。当在预定义的时间窗口内消耗了少于预定量的碳水化合物时，将协方差矩阵P，Q中的进餐和大剂量胰岛素值设定为零可以提高改进的模型稳定性的可能性。
经滤波的状态变量的限制
再次参考图6，框160可包括限制或缩短在经滤波的状态向量xF(t)中的变量中的一个或多个校正，所述变量是将卡尔曼滤波器和葡萄糖数据应用于初步状态向量而产生的。在一些实施方案中，MMPC算法100将经滤波的状态向量xF(t)中的皮下胰岛素状态变量的总和限制为高于预定最小胰岛素浓度的值。在一个实例中，如果所有皮下区室中的胰岛素总和小于基础胰岛素的预定因子，则增加每个区室中的胰岛素，以使新胰岛素值的总和等于预定胰岛素值。在一些实施方案中，改变胰岛素状态变量的值，以使同一状态向量中一个胰岛素状态变量与另一胰岛素状态变量的比率不变。在一个实施方案中，可以通过将胰岛素值乘以一个因子来增加胰岛素的值。在一些实施方案中，基础胰岛素乘以预定胰岛素因子等于预定胰岛素值。在一个实例中，预定因子约为估计的基础需求(IEBN)的一半。
在一些实施方案中，MMPC算法100限制了碳水化合物和大剂量胰岛素的初步或未滤波的状态变量与卡尔曼滤波的状态变量之间的差异。在一些实例中，如果经滤波的状态向量中的碳水化合物的总和大于未滤波的状态向量中的碳水化合物的总和的第一预定因子，则碳水化合物的滤波值减小，因此它们的总和等于第二预定因子和未滤波的碳水化合物的总和的乘积。在一个实例中，第一和第二预定因子相等。
在一些实施方案中，如果经滤波的状态向量值中的大剂量胰岛素的总和小于未滤波状态向量中的大剂量胰岛素的总和的第一预定分数，则大剂量胰岛素的经滤波的值将增加，因此它们的总和等于未滤波的大剂量胰岛素值的总和的第二预定分数。在一个实例中，第一和第二预定分数相等。
将已经如上所述用卡尔曼滤波器校正过的多个经滤波的状态向量xF(t+τ)然后传递到框165，在框165中，更新经滤波的状态向量以包括进餐和相关胰岛素大剂量的作用。将进餐和之前τUPD分钟期间发生的进餐大剂量的作用加到经滤波的状态向量xF(t+τ)，在方块165中产生传播状态向量x(t+τ)。将餐中的碳水化合物直接添加到每个状态向量中的碳水化合物状态变量中。在一些实施方案中，在模型包括碳水化合物的两个区室的情况下，根据方程式7、8更新碳水化合物状态变量：
其中CarboRatio是单位转换因子，其可将碳水化合物的克数转换为碳水化合物/升的浓度，例如mmols/L或μmol/L，Δt是进餐与当前计算时间之间的时间，且MealCarbo是进餐中碳水化合物的量。
可以根据以下将进餐大剂量的胰岛素的作用直接添加到校正后的更新状态向量的胰岛素大剂量值(IB,1,IB,2,)中：
/>
其中Δt是大剂量输注与当前计算时间之间的时间，而Bolus是确定用来补偿方程式7、9的变量MealCarbo中添加的碳水化合物的胰岛素量。在一些实施方案中，Bolus的值可以不等于由泵递送的大剂量，而是从添加到模型的碳水化合物区室中的碳水化合物的量来计算的。在一些实施方案中，使用从添加到模型中的碳水化合物计算出的Bolus可以改善模型的稳定性并改善将来的生理葡萄糖值的预测。在一些实施方案中，基于MealCarbo和估计的胰岛素基础需求来计算Bolus值，如Bolus＝MealCarbo/IEBN·Fc，其中Fc是单位转换常数。
在一些实施方案中，框165通过增加生理葡萄糖(PG)的值来进一步校正状态向量x(t+τ)以反映由于胰高血糖素大剂量的递送的葡萄糖的出现。PG值的校正通过以下定义：
其中N是之前的胰高血糖素大剂量的数量，ug(i)是胰高血糖素大剂量的大小，to(i)是胰高血糖素大剂量施用的时间，且kGLN是表示皮下胰高血糖素递送及其作用之间滞后时间的转移速率参数。多个经传播、滤波和校正的状态向量x(t+τ)然后从框110传递出去。在一些实施方案中，多个状态向量x(t+τ)被传递到框120，在框120中确定最佳基础胰岛素偏差。
确定最佳基础胰岛素偏差
现在参考图4，在框120中，MMPC算法100可以通过以下确定最佳基础胰岛素偏差：从CGM数据中选择与过去的间质葡萄糖数据(IG数据)最佳匹配的状态向量及其模型(框126)，使用选择的状态向量及其模型来预测在整个随后的预测期内到预测范围的葡萄糖浓度(框128)，和在框124中基于目标函数、在122中确定的葡萄糖目标、来自115的基础概况以及本文所述的胰岛素递送速率的一个或多个限制确定经预测时间段与基准概况的最佳偏差。将等于第一输液周期的胰岛素轨迹的胰岛素体积作为与基础概况的最佳基础偏差传递到框130。
在框126中，MMPC算法100选择状态向量及其模型，所述状态向量及其模型在历史时段内最佳匹配葡萄糖数据或IG数据值。在一些实施方案中，通过放置在用户身体上的CGM22来测量IG数据值。在其他实施方案中，用葡萄糖传感器测量葡萄糖数据。在一个实施方案中，在每个更新间隔对于每个状态向量计算鉴定误差ej(t)作为每个状态变量IGj(t)与时间t处的IG数据之间的差。性能指标Pj(t)然后对于每个状态向量j进行计算，所述状态向量j在一段时间内将鉴定误差ej(t)加和。在一些实施方案中，性能值Pj(t)是经时间上的活动窗口(例如2小时或其他合适的窗口)的加权和求平方的鉴定误差的总和。在一些实施方案中，对于最近的鉴定误差，权重增加。
在一个实施方案中，性能值是平方误差的加权和，其中加权是指数衰减函数，所述指数衰减函数将更多权重赋予更新的数据。在一个实施方案中，每个模型j的性能值定义为：
其中a和b是确定瞬时和长期精度对指标的贡献的常数，误差ej(t)是模型j在当前时间t的测量的和确定的IG值之间的差，并且ej(i)是第j个模型的之前误差值的向量ej(i)＝{ej(1),ej(2),…ej(M)}。M是每个状态向量和模型j的在活动窗口中误差向量ej(i)的存储误差值的数量，c是一个常数，其定义用于对误差Ej(i)加权的指数衰减函数。在一些实施方案中，使用性能指标来选择状态模型增加了MMPC算法100中的稳定性的可能性。
在框126中，MMPC算法100可以选择具有最低当前值性能值Pj(t)的状态向量和模型，并将所选择的状态向量和模型传递到框128。
在一些实施方案中，在进餐时间之后，在框126中考虑状态向量的子集以鉴定与过去IG数据的最佳匹配。在一些实施方案中，所考虑的状态向量的子集仅包含其模型具有相对较快的胰岛素吸收值的那些状态向量。与具有相对较慢的胰岛素吸收时间的模型相关联的状态向量被排除在考虑范围之外，以确定与过去IG数据最佳匹配的状态向量。在一些实施方案中，MMPC算法100将框126中考虑的状态向量限制为与具有小于第一胰岛素吸收阈值的胰岛素吸收时间的模型相关联的状态向量。示例性的第一胰岛素吸收阈值是约一个小时或其他合适的阈值。
框128中的MMPC算法100使用与所选状态向量相关联的模型推进(advances)在框126中选择的状态向量，以将生理葡萄糖浓度PG(t)预测到预测范围。从当前时间到预测范围的时间段在本文中称为预测时间段。在一些实施方案中，在没有进餐输入和没有进餐胰岛素大剂量发生的稳态条件下推进选择的状态向量。在一些实施方案中，假定基础胰岛素剂量，使选择的状态向量推进。基础胰岛素剂量可以是零基础偏差、基础概况或恒定基础剂量。在一个优选实施例中，假设在预测时间段期间零基础偏差、无进餐和无胰岛素大剂量的情况下使选择的状态向量推进。框128传递所得的预测生理葡萄糖浓度值PGP,I到框124，在框124中，确定与基础概况值的最佳胰岛素偏差。
在框124中，实例MMPC算法100在假设预测时间段内没有进餐的情况下，确定与基础概况的最佳偏差。与基础概况的最佳偏差可以是在预测时间段使目标函数最小化的一系列胰岛素剂量偏差。在一些实施方案中，目标函数包括在预测时间段内的每个时间步长处的加权平方的葡萄糖差。葡萄糖差是目标葡萄糖值和预测的生理葡萄糖状态变量的值之间的差。目标函数可以进一步包括经预测时间段在每一个时间步长处的加权平方的胰岛素基础偏差(δI)之和。在一些实施方案中，目标函数可以进一步包括每个时间步长的加权胰岛素剂量之和。每个时间步长可以等于更新周期(τUPD)或注射周期(τINJ)。葡萄糖差或胰岛素剂量的加权可以是时间的函数，或者可以随餐后的时间而变化。在一个实施方案中，目标函数包括根据方程式13的葡萄糖差和基础偏差：
其中，K胰岛素是与基础胰岛素剂量偏差的加权因子，ph是预测时间段包含的样本或预测数量，和加权函数wG(i)在预测时间段内可以变化。在一些实施方案中，加权函数可以给予预测的生理葡萄糖PG(ph)和目标葡萄糖PGTGT(ph)之间的最终差值明显更多的权重。此外，在一些实施方案中，最终加权wG(ph)大于之前权重值wG(1)至wG(ph-1)之和。在一些实施方案中，可以对于餐后时间段减小加权函数wG(i)。此外，在一些实施方案中，权重函数wG(i)对于大于进餐时间的间隔可以是标称值，而对于小于进餐时间的间隔可以远小于标称值。在一些实施方案中，加权函数可以在进餐后的前半段进餐时间小于标称值的1％，并且在进餐后的后半段进餐时间从小于标称值的1％增加到标称值。在一些实施方案中，进餐时间段大于3小时。目标葡萄糖数PGTGT(i)可以是规定的目标葡萄糖值、运动、进餐后时间(但不限于此)中的一些的函数。
优化过程中胰岛素偏差的限制
上述成本函数的最小化进一步受胰岛素偏差值δI(i)上的限制的约束。胰岛素偏差δI(i)上的限制例如可以基于开环胰岛素速率IOL。可以限制胰岛素偏差，从而使得胰岛素剂量保持在0至IMAx之间。因此，胰岛素偏差δI(i)限于以下范围：
-IOL≤δI(i)≤IMAx(i)-IOL (方程式14)
其中IOL在下面定义，IMAx(i)是最大基础剂量。在一个实施方案中，最大基础剂量可以是由用户或临床医师预定义的固定值。在另一个实施方案中，最大基础剂量可以取决于估计的生理葡萄糖值PG、总每日基础胰岛素TDB和/或开环胰岛素IOL。
在一些实施方案中，最大基础剂量IMAX(i)是开环胰岛素和估计的生理葡萄糖值PG的函数。在该实施方案中，对于小于第一预定葡萄糖阈值的生理葡萄糖值，最大基础剂量可以等于第一因子和开环基础剂量的乘积。类似地，对于大于预定的第二葡萄糖阈值的生理葡萄糖值，最大基础剂量可以等于第二因子乘以开环基础剂量的乘积，其中第二因子大于第一因子。对于第一和第二葡萄糖阈值之间的生理葡萄糖值，最大基础剂量可以等于第一和第二因子之间的插值乘以基于生理葡萄糖值的开环基础剂量。在一些实施方案中，第一因子约为3，并且第一葡萄糖阈值约为7mMol/L。在一些实施方案中，第二因子约为5，并且第二葡萄糖阈值约为12mMol/L。
在一些实施方案中，上述成本函数的最小化还受到胰岛素偏差值δI(i)上的限制的约束，所述胰岛素偏差值δI(i)的限制在标有胰岛素限制的章节中列出。通过在预测时间段的相应时间点应用预测的生理葡萄糖值和生理葡萄糖值的变化率，可以将下面列出的胰岛素限制应用于预测时间段期间每个时间点处框124中的优化过程(例如，δI(i)＝fcn(PG(i),dPG(i)/dt))。
有大量的数值算法来发现最佳的胰岛素偏差命令集{δI(1),δI(2)…δI(ph)}，其最小化方程式13的成本函数。当在框120中数值算法发现最佳的胰岛素偏差命令集时，MMPC算法100将第一更新间隔(δI(1))的最佳基础偏差传递给至框135，其中，最佳偏差与基础概况相加，以等于下一个剂量请求。
胰岛素项
MMPC算法100使用可以在项胰岛素需求下分组的多个胰岛素值。在一些实施方案中，胰岛素需求是患者或临床医师在UI 20处输入的数据。在另一个实施方案中，胰岛素需求数据可以存储在UI 20、控制器24或泵12上的存储器中。胰岛素需求可以包括单一值或基础概况。在一些实施方案中，胰岛素需求数据包括以下胰岛素值中的一个或多个：胰岛素的总每日剂量(TDD)；总基础剂量(TBD)；基础剂量(IBD)，其是单剂量速率，通常是单位/小时；和基础概况(IBP(i))，其是定义一天中基础胰岛素剂量的列表或方程式。基础剂量可以是用户在UI 20处的值输入，或者其可以被计算为TDD的分数。在一些实施方案中，基础剂量是基础因子乘以TDD除以二十四，其中基础因子小于1。在一些实施方案中，该因子为0.55或另一合适的分数。在其他实施方案中，基础剂量是基础胰岛素是TDB除以二十四。
开环基础速率IOL(t)是输入基础概况IBP(t)，其受上限和下限的限制。IOL(t)等于IBP(t)，除了IBP(t)小于下限时，其中IBP(t)等于下限。IOL(t)等于IBP(t)，除了IBP(t)大于上限时，其中IBP(t)等于上限。在一个实施方案中，下限是TDB/24的一半，且上限是TDB/24的1.5倍。
估计的胰岛素基础需求IEBN是用于设定胰岛素敏感性的胰岛素总每日剂量(TDD)和总每日基础胰岛素(TDB)、经滤波的胰岛素值的协方差限制的初始值和计算胰岛素大剂量的函数。在一个实例中，IEBN的值是TDD/24的分数。在另一个实例中，IEBN受上下界限的限制，其中上下界限基于TDD和TDB。
胰岛素的总每日剂量(TDD)和总每日基础胰岛素(TDB)可以是恒定的或可以在使用过程中进行更新。在一个实施方案中，TDD和TDB是预定值。在另一个实施方案中，TDD和TDB由用户或临床医师在用户接口上输入或直接通信给控制器。在另一个实施方案中，TDD由控制器更新为过去2周中每天递送的平均胰岛素。在另一个实施方案中，TDB可以由控制器更新为递送的每日基础胰岛素的两周平均值。在另一个实施方案中，TDD和TDB分别代表过去3天的总每日胰岛素和总基础胰岛素的平均值。在另一个实施方案中，TDD和TDB分别代表过去24小时内总每日胰岛素和总基础胰岛素的平均值。
目标葡萄糖
如上所述，由控制器实施的在框124中的说明性的MMPC算法100(图4)在确定与基础概况的最佳偏差时，使用目标生理葡萄糖值(PGTGT)。在一些实施方案中，PGTGT是固定值。在其他实施方案中，当存在各种条件或发生各种事件时，PGTGT从标称值或预设值(PGNOM)进行修改。可以基于经由UI 20的输入与系统10通信的用户数据来确定目标生理葡萄糖值。目标生理葡萄糖值的这种调节可以例如响应于通知进餐和/或运动而发生。目标葡萄糖值的调整可以至少部分地由目标修改公式来控制，或者可以基于在存在某些情况时待使用的预定义值。此外，目标值调整可能会在条件或事件发生后持续一段时间。该调整可以是在该时间段上的静态或固定调整，或者可以随着时间的流逝而在量级上改变(例如，量级线性减小)。
现在参考图4中描绘的框120，可以在框122中确定葡萄糖目标，并将其提供给框124，然后框124可以如上所述确定与基础概况的最佳偏差。框122从框115接收进餐和运动输入数据，并且可以改变目标生理葡萄糖值。作为在框120中确定基础概况中的最佳偏差的一部分，可以从其标称值调整标称目标葡萄糖值。示例性的标称目标葡萄糖值是6mmol/L，但是可以实现其他合适的值。在一些实施方案中，如果患者已经宣布运动并且尚未结束运动，同时在框120中MMPC算法100确定基础概况的最佳偏差，则可以调节目标葡萄糖值。在其他实施方案中，如果运动时段已经在当前时间的预定义时间内发生持续预定时段，则可以对于运动修改目标葡萄糖值。在一些实施方案中，如果患者14在确定最佳基础偏差的预定义时间段内已经宣布进餐，则进餐数据可以改变目标生理葡萄糖值。
运动通知可以将生理葡萄糖目标值从预设或标称值修改为运动目标值。在一些实施方案中，运动目标值可以处于预设或标称目标值或比预设或标称目标值大大约3mmol/L。在一些实施方案中，预设或标称目标值可以为或约为6mmol/L，并且运动目标值可以为或约为9mmol/L。
可以将进餐通知或进餐数据输入到基于与进餐的接近度来增加目标值的公式中。可以安排公式使得进餐随时间与进餐紧密接近对目标值具有更大的影响。随着距进餐的时间的增加，目标值可能会更改更小的程度。在某个预定义时间段过去之后，进餐输入数据可能不再具有确定任何目标值调整的作用，并且可以使用预设或标称目标值。进餐事件对目标生理葡萄糖值的影响可以随时间以线性方式变化(例如降低)。
在设定了生理葡萄糖目标值之后，可以基于生理葡萄糖目标来执行许多检查。在一些情况下，这些检查可能导致将葡萄糖目标值(PGTGT)修改为更改的最终值。
胰岛素限制检查
在状态向量已经传播并且在框120中已经确定了与基础概况的最佳偏差之后，控制器24可以在图3的框130中针对一个或多个胰岛素限制来比较或检查与基础概况的最佳偏差。在一些实施方案中，可以使用多个标准。与基础概况的最佳偏差(δI)可以基于选择的状态向量的生理葡萄糖或生理葡萄糖的变化率来改变以将递送的胰岛素保持在限制内。最佳偏差的改变还可基于胰岛素的总每日剂量(TDD)和/或总每日基础胰岛素(TDB)。在一些实施方案中，与基础概况的最佳偏差可以随着与基础概况的最佳偏差经过多个限制检查而被更新一次或多次。所得的限制检查的最佳基础偏差(δI)然后可以传递到剂量请求框135，在此将基础剂量或基础概况添加到检查的基础偏差以产生传输到泵12的请求的胰岛素剂量。
图8描绘了实例流程图1200，其详细描述了可以被执行以确定与基础概况的最佳偏差是否需要改变的多个实例动作。通过控制器24将与基础概况的最佳基础偏差与框1206中的第一标准或第一限制检查进行比较。如果在框1208中，比较指示基于第一胰岛素限制检查不需要修改，则在框1212中可以将最佳基础偏差与下一次胰岛素限制检查进行比较。如果在框1208中，比较指示最佳基础偏差需要改变，则在框1210中可以将最佳基础偏差改变为更新后的基础偏差。然后，可以通过控制器24将更新后的基础偏差与框1212中的下一次胰岛素限制检查进行比较。
如果在框1214中，比较指示最佳或更新的基础偏差需要改变，则在框1216中可以将基础偏差更新为更新的基础偏差。在框1216中修改之后，或者如果在框1214中比较指示基于胰岛素限制检查不需要修改，则可以在框1218中确定是否已经完成了所有胰岛素限制检查。如果在框1220中尚未完成所有胰岛素限制检查，则控制器24可以返回到框1212并执行下一次胰岛素限制检查。这可以重复，直到控制器24已经进行了“n”次胰岛素限制检查。在一些实施方案中，“n”可以高达或等于六。如果在框1220中全部胰岛素限制检查已经完成，则最佳基础偏差或更新的基础偏差可以作为检查的基础偏差提供给泵12，并且泵12可以向患者14施用微大剂量的药物。
方程式15-17说明了可以在图3的框130中应用的示例性胰岛素限制检查。在一个实施方案中，方程式15-17依次应用于由框120产生的最佳基础偏差。其他实施方案可以包括以下对基础胰岛素偏差的限制中的一些或全部。这些胰岛素限制适用于在图3、4中的框120中产生的胰岛素基础概况的最佳偏差或最佳基础偏差(δI)，以产生更新的基础偏差，所述更新的基础偏差被提供给框135，在框135中，从泵12请求递送剂量。
为了使MMPC算法100非对称地响应以不同于基础速率的速率递送胰岛素的请求，在一个实施方案中，胰岛素限制模块130通过增加负基础偏差的量级并使正基础偏差保持不变，可以将基础胰岛素或基础概况的变化偏向较低剂量。例如，如果来自框120的最佳基础偏差为负，则最佳基础偏差的量级可以根据方程式15进一步增加：
δI(i)＝δI(i)*F1如果δI(i)＜0 (方程式15)
其中F1是大于1的值。如果最佳基础偏差为正，则最佳基础偏差不变。在增加最佳基础偏差的量级之后，如果需要，控制器24执行下一次胰岛素限制检查。
在一些实施方案中，MMPC算法100确保当生理葡萄糖高时最小的胰岛素递送。在一些实施方案中，当选择的状态向量的估计的生理葡萄糖超过预定的高葡萄糖阈值时，控制器24将最佳基础偏差限制为大于或等于零。将最佳基础偏差保持为零或以上导致递送的胰岛素大于或等于基础概况。在一个实例中，基于高葡萄糖阈值根据方程式16来限制基础偏差：
δ1＝max(0，δ1)如果PG＞PGMAX (方程式16)
其中PGMAx是高生理葡萄糖阈值。在一个实例中，高生理阈值为或约为13.7mmol/L。其中A＝max(B，C)的方程式形式表示将A设定为等于B或C中的较大值。
在一些实施方案中，当生理葡萄糖低时，MMPC算法100限制胰岛素递送。在一些实施方案中，当选择的状态向量的生理葡萄糖小于预定的低生理葡萄糖阈值时，控制器24将最佳基础偏差限制为小于或等于第一预定的低值。
在一些实施方案中，当生理葡萄糖低并且下降时，MMPC算法100进一步限制了胰岛素的递送。在一些实施方案中，当选择的状态向量的生理葡萄糖小于预定的低生理葡萄糖阈值并且随时间减小时，控制器24将最佳基础偏差限制为小于或等于第二预定的低值。第二预定的低值可以小于第一预定的低值。
在一些实施方案中，当生理葡萄糖非常低时，MMPC算法100进一步限制了胰岛素递送。在一些实施方案中，当选择的状态向量的生理葡萄糖小于第二预定的低生理葡萄糖阈值时，控制器24将最佳基础偏差限制为小于或等于第三预定的低值。
在一些实施方案中，MMPC算法100通过在预定时间段内低胰岛素剂量之后供应最小水平的胰岛素来确保在相对长的时间尺度上最小的胰岛素递送。在一些实施方案中，当在预定时间段内的平均胰岛素剂量低于预定义的剂量阈值时，控制器24将胰岛素剂量限制为等于或大于最小剂量。平均递送的胰岛素剂量可以由控制器24通过平均在预定义的时间段内由图3的框135中的MMPC算法100请求的胰岛素剂量来确定。在一些实施方案中，预定义的时间段是约两个小时。递送的胰岛素阈值可以是小的正值。在一些实施方案中，递送的胰岛素阈值设定为或约为每小时0.05单位的胰岛素。
在一些实施方案中，当在预定义的时间段内的平均递送的胰岛素剂量小于递送的胰岛素阈值时，可以通过将最佳基础偏差限制为等于或大于第一预定阈值来确保最小的长期递送。在一个实施方案中，第一预定阈值为零，因此所递送的胰岛素将至少等于基础概况。在一个实施方案中，该胰岛素限制在方程式17中描述：
其中ID(i)是过去请求的胰岛素剂量，IMIN是递送的胰岛素阈值。
胰高血糖素的闭环控制
在一些实施方案中，系统10可以包括多个药物储存器16。例如，一个药物储存器16可以包括胰岛素，而另一药物储存器可以包括胰高血糖素。使用来自CGM 22的数据，可以将胰高血糖素与胰岛素一起以闭环方式递送至患者14。在一些系统中，除胰岛素外，胰高血糖素的施用可能有助于进一步增加患者14在血糖正常状态下度过的时间量。
向患者14递送胰高血糖素可以通过许多预定义的胰高血糖素规则来控制，所述规则可以根据实施方案而变化。在一些实施方案中，在给定的一天中分配用于递送给患者14的胰高血糖素大剂量的大小可以是以下因素中的一个或多个的函数，所述因素包括但不限于：最近进餐、运动、生理葡萄糖浓度、葡萄糖浓度变化率、基础胰岛素数据和机载胰岛素(insulin on board,IOB)的估计值。在一些实施方案中，如果用户指示运动，则可以增加胰高血糖素大剂量。在一些实施方案中，胰高血糖素剂量可以在运动期间增加。在一些实施方案中，可以在餐后一段时间内将胰高血糖素大剂量设定为零或取消。在一个实施方案中，在餐后120分钟内将胰高血糖素大剂量设定为零。
在一些实施方案中，仅当生理葡萄糖的变化率(dPG/dt)小于葡萄糖速率阈值(RPG)时，才可以递送胰高血糖素大剂量。葡萄糖速率阈值可以是估计的生理葡萄糖(PG)的函数。葡萄糖速率阈值(RPG)可以与估计的生理葡萄糖(PG)成相反地增加，使得葡萄糖速率阈值将随着较低的生理葡萄糖(PG)值而增加。随着PG水平降低，控制器以更高的dPG/dt值递送胰高血糖素。在一些实施方案中，葡萄糖速率阈值小于零，使得胰高血糖素仅在PG下降快于葡萄糖速率阈值时才被递送。在这些实施方案中，葡萄糖速率阈值增加，并且随着生理葡萄糖增加而具有较小的量级。在一些实施方案中，葡萄糖速率阈值可以大于零，使得仅当PG的升高慢于葡萄糖速率阈值时才递送胰高血糖素。在这些实施方案中，葡萄糖速率阈值增加，并且随着生理葡萄糖增加而具有更大的量级。在一些实施方案中，对于高生理葡萄糖值，葡萄糖速率阈值小于零，而对于低生理葡萄糖值，葡萄糖速率阈值大于零。在这些实施方案中，仅当在较高的生理葡萄糖水平和较低的生理葡萄糖值下PG比葡萄糖速率阈值下降更快时才递送胰高血糖素，仅当PG的升高慢于葡萄糖速率阈值时才递送胰高血糖素。
胰高血糖素大剂量(GlnB)的大小或体积可以与生理葡萄糖的变化率(dPG/dt)和生理葡萄糖(PG)的估计值两者成比例。在一些实施方案中，胰高血糖素大剂量随着生理葡萄糖的变化率而增加。在一些实施方案中，胰高血糖素大剂量的量可随着生理葡萄糖浓度的降低水平而增加。在一些实施方案中，胰高血糖素大剂量可以随着模型中活性胰岛素的量而增加。
在一些实施方案中，胰高血糖素可以基于图9的流程图1440中所示的示例性方法由控制器24进一步或可选地控制。框170中的控制器24可基于从框115接收关于进餐和运动的用户数据、选择的状态向量126中的生理葡萄糖的当前估计值(图4)以及来自框127的生理葡萄糖的变化率(dPG/dt)来确定所请求的胰高血糖素的大剂量体积。在框1420，控制器24检查是否已在预定义的时间段(τM)内进餐。在一个实施方案中，τM是120分钟。如果已经在小于τM的时段内进餐，则控制器在框1435中设定胰高血糖素大剂量为零并退出框170。如果在过去的τM时段内尚未进餐，则控制器在框1425中确定葡萄糖输入(GI)。葡萄糖输入等于选择的状态向量126的生理葡萄糖(PG)。在一些实施方案中，如果用户在框115中指示运动，则葡萄糖输入可以等于生理葡萄糖浓度减去运动因子。在一个实施方案中，运动因子为3mmol/L。然后，将葡萄糖输入值(GI)传递到一系列的条件(if-then-else)逻辑决策(框1430–1468)，所述条件逻辑决策基于葡萄糖输入值和框127中确定的生理葡萄糖浓度的变化率来设定胰高血糖素大剂量的大小。可以在框1470中更新所得的胰高血糖素大剂量作为选择的状态向量中的胰岛素和估计的基础胰岛素需求(IEBN)的总和的函数。
条件逻辑(框1430-1468)和胰高血糖素大剂量修改1470在下面描述。在框1430中，将葡萄糖输入(GI)与初级葡萄糖阈值(G0)进行比较。如果输入葡萄糖大于初级葡萄糖阈值(G0)，则在框1435中，控制器将胰高血糖素大剂量设定为零，并退出框170。如果输入葡萄糖(GI)小于初级葡萄糖阈值(G0)，则控制器行进至框1448和随后的条件逻辑步骤，其基于生理葡萄糖的估计值和变化率设定胰高血糖素大剂量。
在框1448中，如果葡萄糖输入(GI)大于第一葡萄糖阈值(G1)，则在框1450中基于生理葡萄糖浓度的变化率(dPG/dt)或连续生理葡萄糖值之差(dy1,dy2)由第一函数确定胰高血糖素大剂量。如果以固定间隔获取生理葡萄糖的连续值，则连续生理葡萄糖值[PG(i)-PG(i-1)或PG(i)–PG(i-2)]之间的差可以视为生理葡萄糖的变化率(dPG/dt)。如果葡萄糖输入小于第一葡萄糖阈值，则逻辑进行到框1452。
在框1450的第一函数中，基于葡萄糖的变化率(dPG/dt)确定胰高血糖素大剂量。如果葡萄糖的变化率大于第一速率阈值(RPG1)，则将胰高血糖素大剂量设定为零(GlnB＝0)。在框1450中设定胰高血糖素大剂量之后，控制器24进行到框1470。
在框1452中，如果葡萄糖输入(GI)大于第二葡萄糖阈值(G2)，则在框1454中基于生理葡萄糖的变化率(dPG/dt)由第二函数确定胰高血糖素大剂量。如果葡萄糖输入小于第二葡萄糖阈值，则逻辑进行到框1456。
在框1454的第二函数中，基于葡萄糖的变化率(dPG/dt)确定胰高血糖素大剂量。如果葡萄糖的变化率大于第二速率阈值(RPG2)，则将胰高血糖素大剂量设定为零(GlnB＝0)。在框1454中设定胰高血糖素大剂量之后，控制器24进行到框1470。
在框1456中，如果葡萄糖输入(GI)大于第三葡萄糖阈值(G3)，则胰高血糖素大剂量通过框1458中的第三函数基于生理葡萄糖的变化率(dPG/dt)来确定。如果葡萄糖输入小于第三葡萄糖阈值，则逻辑进行到框1460。
在框1458的第三函数中，基于葡萄糖的变化率(dPG/dt)确定胰高血糖素大剂量。如果葡萄糖的变化率大于第三速率阈值(RPG3)，则将胰高血糖素大剂量设定为零(GlnB＝0)。在框1458中设定胰高血糖素大剂量之后，控制器24进行到框1470。
在框1460中，如果葡萄糖输入(GI)大于第四葡萄糖阈值(G4)，则在框1462中基于生理葡萄糖的变化率(dPG/dt)由第四函数确定胰高血糖素大剂量。如果葡萄糖输入小于第四葡萄糖阈值，则逻辑进行到框1464。
在框1462的第四函数中，基于葡萄糖的变化率(dPG/dt)确定胰高血糖素大剂量。如果葡萄糖的变化率大于第四速率阈值(RPG4)，则胰高血糖素大剂量设定为零(GlnB＝0)。在框1462中设定胰高血糖素大剂量之后，控制器24进行到框1470。
在框1464中，如果葡萄糖输入(GI)大于第五葡萄糖阈值(G45)时，则胰高血糖素大剂量基于生理葡萄糖的变化率(dPG/dt)由框1466中的第五函数确定。如果葡萄糖输入小于第五葡萄糖阈值，则逻辑进行到框1468。
在框1466的第五函数中，基于葡萄糖的变化率(dPG/dt)确定胰高血糖素大剂量。如果葡萄糖的变化率大于第五速率阈值(RPG5)，则将胰高血糖素大剂量设定为零(GlnB＝0)。在框1466中设定胰高血糖素大剂量之后，控制器24进行到框1470。
在框1468的第六函数中，基于葡萄糖的变化率(dPG/dt)确定胰高血糖素大剂量。如果葡萄糖的变化率大于第六速率阈值(RPG6)，则胰高血糖素大剂量设定为零(GlnB＝0)。在框1468中设定胰高血糖素大剂量之后，控制器进行到框1470。
在所示的实施方案中，初级葡萄糖阈值大于第一葡萄糖阈值，第一葡萄糖阈值大于第二葡萄糖阈值，第二葡萄糖阈值大于第三葡萄糖阈值，第三葡萄糖阈值大于第四葡萄糖阈值，并且第四葡萄糖阈值大于第五葡萄糖阈值。
在框1470中，可以基于体内的活性胰岛素和估计的基础胰岛素需求(IEBN)来更新由第一函数至第六函数之一在框1450-1468的一个中确定的胰高血糖素大剂量。体内的活性胰岛素或机载胰岛素(IOB)是选择的状态向量的胰岛素区室中胰岛素的总和。在图5和方程式1中所示的一个实施方案中，胰岛素区室包括两个皮下区室(IS1,IS1)和两个大剂量区室(IB1,IB1)。IOB基于由图4中的框120、130请求的随时间的基础偏差。然后，来自框1470的胰高血糖素大剂量请求或来自1435的零请求进行到胰高血糖素大剂量框180。
进餐大剂量
现在参考图10中所示的流程图700，当确定待以进餐大剂量递送给患者14的药物(例如，胰岛素)的量以将生理葡萄糖浓度在进餐期间和之后维持在期望的水平或范围时，可以应用各种逻辑规则。在框702中，接收当前的生理葡萄糖浓度(PG)浓度和进餐数据。在框704中，控制器24可以至少确定生理葡萄糖浓度的变化率(dPG/dt)。dPG/dt可以通过任何合适的方法来确定，其包括本文所述的至少一种方法。进餐大剂量由进餐中碳水化合物的量(CHO)、胰岛素与碳水化合物的比率(ICR)和大剂量衰减因子(PCHO)确定，其中当生理葡萄糖的值相对低和/或下降时，大剂量衰减因子降低进餐大剂量。由MMPC算法100提供的对生理葡萄糖的闭环控制提供了一种方法以提供额外的胰岛素，从而弥补如过需要维持正常血糖的减少的进餐大剂量。
在一个实施方案中，生理葡萄糖浓度值直接从CGM 22提供。在一些实施方案中，生理葡萄糖浓度是与图4中的框126相关联的如上所述的选择的状态向量的当前生理葡萄糖浓度。在另一个实施方案中，进餐大剂量算法使用通过CGM 22从葡萄糖测量值估计的生理葡萄糖值。
现在参考图1、2，当确定进餐大剂量时，系统10可以从葡萄糖传感器22和UI 20的至少一个确定具有输入的进餐大剂量量。进餐大剂量的初步值可以是进餐的碳水化合物含量除以胰岛素与碳水化合物的比率。可以基于由控制器24确定的生理葡萄糖值来衰减进餐大剂量的初步值。进餐的碳水化合物含量可以在UI 20处明确输入，或者可以由控制器24从UI 20处提供的进餐数据中推断出来。胰岛素与碳水化合物的比率可以在UI 20处输入和/或存储在控制器24可读的存储器中。进餐的碳水化合物含量可以由用户输入，作为用户的定性判断。例如，用户可以通过系统10的UI 20指示进餐大小。在一些实施方案中，进餐大小可以从多个类别中选择，例如但不限于：小、中、大或零食。
再次参考图10中的流程图700，可以从进餐的碳水化合物含量(CHO)、胰岛素与碳水化合物的比率(ICR)和衰减因子来计算进餐大剂量(BOLM)。衰减因子取决于生理葡萄糖浓度和生理葡萄糖变化率并且从在框706中的预定义的公式确定。在框708中确定进餐大剂量。在框712中，进餐大剂量被限制在小于在框712中的总每日胰岛素(TDD)的预定义分数。所得的进餐大剂量作为递送请求进行到泵12，并且泵12可将胰岛素进餐大剂量递送给用户。
进餐大剂量算法可以使小进餐的进餐大剂量衰减不同于更大的进餐。例如，如果估计进餐中的碳水化合物含量高于碳水化合物阈值(CTHD)，则可以将进餐大剂量计算为碳水化合物值(CHO)与衰减因子(ACHO)的乘积除以胰岛素与碳水化合物的比率(ICR)：
继续该实例，如果估计碳水化合物含量小于相同的碳水化合物阈值，则可将进餐大剂量计算更改为：
进餐大剂量的方程式(方程式19)通过衰减因子(ACHO)修改小进餐的进餐大剂量的减少，使得给定ACHO的大剂量衰减的幅度恒定低于碳水化合物阈值。在方程式19中，大剂量衰减的幅度与高于碳水化合物阈值的进餐的碳水化合物含量成比例，并且与低于相同碳水化合物阈值的较小进餐的碳水化合物阈值成比例。在一些实施方案中，碳水化合物阈值是70克，但是可以提供其他合适的阈值。
衰减因子ACHO是生理葡萄糖和生理葡萄糖变化率的函数。衰减因子随着生理葡萄糖的增加和生理葡萄糖的变化率的增加而增加。衰减因子可以由下限值和上限值限制。在一些实施方案中，衰减因子的下限是0.8。在一些实施方案中，衰减因子的上限是1.0。在一些实施方案中，可以从PG和dPG/dt与表I中的值的样条拟合确定衰减因子。
表I：衰减因子值
dPG/dt＝-3mmol/L hr dPG/dt＝0mmol/L hr dPG/dt＝3mmol/L hr
PG＝4.0mmol/L 0.8 0.9 0.9
PG＝6.5mmol/L 0.8 1.0 1.0
PG＝9.0mmol/L 1.0 1.0 1.0
。
在一些实施方案中，控制器24可以从生理葡萄糖(PG)值和生理葡萄糖的变化率(dPG/dt)值的一组线性插值来确定衰减因子。生理葡萄糖可以是由CGM和/或从选择的状态向量确定的估计的生理葡萄糖(PG)(图3中的框126)。生理葡萄糖的变化率(dPG/dt)可以几种方式确定。在一些实施方案中，PG的变化率为60*(PG(t)-PG(t-dt))/dt，其中dt为20分钟，并且dPG/dt具有mMol/L/hr的单位。
在实例中，进餐衰减(ACHO)在1.0至0.8的范围内，其中较低的衰减值是在生理葡萄糖浓度低(例如，低于6.5mmol/L)并且随时间降低时产生。
现在参考图10，来自框708的衰减进餐大剂量(BOLM)可以在框712中基于胰岛素的总每日剂量(TDD)来限制。在一些实施方案中，进餐大剂量被限制为等于或小于预定上限。如果进餐大剂量大于预定上限，则进餐大剂量设定为等于预定上限。在一些实施方案中，上限是TDD的分数。在一个实施方案中，上限是TDD的五分之一。然后，将来自框712的所得的受限制的进餐大剂量进行到框714。
除了在框708中确定的进餐大剂量(BOLM)之外，在框710中还基于如上所述的在框704中确定的估计的生理葡萄糖来确定校正大剂量(BOLC)。在一些实施方案中，校正大剂量也基于模型中的机载胰岛素(IOB)或活性胰岛素。IOB是在当前时间选择的状态向量的胰岛素状态变量的总和。胰岛素状态变量代表模型的胰岛素区室中的胰岛素量或浓度。在图5和方程式1中所示的一些实施方案中，胰岛素区室包括两个皮下区室(IS1，IS1)和大剂量区室(IB1，IB1)。在一些实施方案中，模型的各个区室中的胰岛素代表随时间的胰岛素大剂量的总和加上随时间的基础偏差减去在血液区室220中运输或转化的胰岛素。在一个实施方案中，当假定这些模型和1OB补偿内源性葡萄糖产生时，该模型和IOB不包括基础概况胰岛素或基础剂量胰岛素，在该实施方案中，所述内源性葡萄糖产生也不包括在模型中。在一些实施方案中，在框714中将校正大剂量添加到受限制的进餐大剂量，并且从胰岛素递送装置12请求所得的大剂量。在其他实施方案中，与校正大剂量的请求无关，将对受限制的进餐大剂量的请求进行到泵12。
校正大剂量(BolC)基于估计的生理葡萄糖值(PG)和估计的机载胰岛素(IOB)进行变化。说明性地，对于低于低PG阈值的PG值，校正大剂量为零，并且随着PG高于低PG阈值而增加。伴随PG的大剂量校正值的增加率降低到高PG阈值以上。
图11-28示出了可以用系统10执行以控制患者中的葡萄糖的方法的示例性流程图。
图11的方法2100包括：使用一个或多个控制器通过执行多个模型来执行多模型预测控制器算法，每个所述模型包括具有值集的多个模型参数(步骤2102)；使用一个或多个控制器选择多个执行模型之一(步骤2104)；和使用一个或多个控制器，至少部分地基于所选择的执行模型来确定第一药物剂量(步骤2106)。
图12的方法2200包括：使用一个或多个控制器通过随时间传播多个状态向量来执行多模型预测控制器算法(步骤2202)；使用一个或多个控制器选择多个传播状态向量之一(步骤2204)；和使用一个或多个控制器，至少部分地基于所选择的传播状态矢量来确定第一药物剂量(步骤2206)。
图13的方法2300包括：定义多个状态向量，每个状态向量与不同的模型相关联，每个状态向量包括生理葡萄糖水平(步骤2302)和以预先选择的间隔执行以下：测量患者中当前的葡萄糖浓度，将当前葡萄糖浓度传输至控制器，接收当前葡萄糖浓度，基于相关联的模型随时间传播多个状态向量，基于当前葡萄糖浓度滤波传播的状态向量，选择传播的状态向量之一和相关联的模型，使用选择的状态向量和相关联的模型在预测时间段内预测生理葡萄糖轨迹，使用生理葡萄糖轨迹求解预测时间段内最佳胰岛素轨迹的目标函数，和从最佳胰岛素轨迹确定胰岛素剂量(步骤2304)。
图14的方法2400包括：在控制器处接收葡萄糖浓度和包括基础胰岛素剂量的患者数据(步骤2402)；至少部分地基于葡萄糖浓度来估计患者的生理葡萄糖(步骤2404)；从基础胰岛素剂量确定最佳胰岛素偏差(步骤2406)；确定最佳胰岛素偏差小于预定阈值(步骤2408)；响应于确定最佳胰岛素偏差小于预定阈值而将因子设定为大于一的值(步骤2410)；和通过将基础胰岛素剂量加到最佳胰岛素偏差乘以该因子的值来确定胰岛素剂量(步骤2412)。
图15的方法2500包括：在控制器处接收葡萄糖浓度和患者数据(步骤2502)；至少部分地基于葡萄糖浓度来估计患者的生理葡萄糖(步骤2504)；响应于所估计的生理葡萄糖确定胰岛素剂量(步骤2506)；确定过去第二时间段的平均胰岛素剂量小于预定义的胰岛素阈值(步骤2508)；和响应于确定过去第二时间段内的平均胰岛素剂量小于预定义的胰岛素阈值，将胰岛素剂量限制为等于或大于第一时间段内的基础胰岛素剂量(步骤2510)。
图16的方法2600包括：在控制器处接收葡萄糖浓度、胰岛素的总每日剂量和进餐数据(步骤2602)；定义状态向量和模型，所述状态向量包括一个或多个胰岛素状态变量、一个或多个碳水化合物状态变量和生理葡萄糖状态变量(步骤2604)；基于所述模型随时间传播状态向量(步骤2606)；基于葡萄糖浓度滤波传播的状态向量(步骤2608)；将胰岛素的量添加到至少一个胰岛素状态变量，添加的胰岛素的量基于进餐数据和胰岛素的总每日剂量(步骤2610)；和基于状态向量和相关联的模型确定胰岛素剂量(步骤2612)。
图17的方法2700包括：在控制器处接收基础胰岛素剂量、进餐数据以及胰岛素与碳水化合物的比率(步骤2702)；估计患者中的活性胰岛素，患者中的活性胰岛素不包括基础胰岛素剂量(步骤2704)；部分地基于葡萄糖浓度估计患者的生理葡萄糖和生理葡萄糖的变化率(步骤2706)；从进餐数据确定进餐碳水化合物值(步骤2708)；基于估计的生理葡萄糖和生理葡萄糖的变化率确定衰减因子(步骤2710)；基于进餐数据、胰岛素与碳水化合物的比率以及衰减因子确定进餐大剂量(步骤2712)；和基于患者中的活性胰岛素修改进餐大剂量(步骤2714)。
图18的方法2800包括：将葡萄糖浓度、基础胰岛素剂量和进餐数据传输至控制器(步骤2802)；估计患者中的活性胰岛素，患者中的活性胰岛素不包括基础胰岛素剂量(步骤2804)；部分地基于葡萄糖浓度来估计患者的生理葡萄糖和生理葡萄糖的变化率(步骤2806)；从进餐数据确定进餐碳水化合物值(步骤2808)；基于估计的生理葡萄糖和生理葡萄糖的变化率确定衰减因子(步骤2810)；基于进餐数据、胰岛素与碳水化合物的比率以及衰减因子来确定进餐大剂量(步骤2812)，其中，当进餐碳水化合物值高于预定的进餐碳水化合物阈值时，进餐大剂量与进餐碳水化合物值成比例地衰减，其中对于等于或小于预定的进餐碳水化合物阈值的进餐碳水化合物值，进餐大剂量与预定的进餐碳水化合物阈值成比例地衰减。
图19的方法2900包括：将葡萄糖浓度传输至控制器(步骤2902)；估计患者的生理葡萄糖和生理葡萄糖的变化率(步骤2904)；基于估计的生理葡萄糖确定葡萄糖速率阈值(步骤2906)；当生理葡萄糖的变化率大于葡萄糖速率阈值时，将用药剂量请求设定为零(步骤2908)；和当生理葡萄糖的变化率大于葡萄糖速率阈值时，基于生理葡萄糖和生理葡萄糖的变化率的预定函数来确定药物剂量请求(步骤2910)。
图20的方法3000包括：将葡萄糖浓度、基础胰岛素剂量和进餐数据传输到控制器(步骤3002)；确定生理葡萄糖值、生理葡萄糖值的变化率和患者中活性胰岛素的量，患者中的活性胰岛素不包括基础胰岛素概况(步骤3004)；基于所确定的生理葡萄糖值和生理葡萄糖值的变化率来确定药物剂量(步骤3006)；和基于患者中活性胰岛素的量修改药物剂量(步骤3008)。
图21的方法3100包括：将葡萄糖浓度和进餐数据传输至控制器(步骤3102)；部分地基于葡萄糖浓度来估计患者的生理葡萄糖和生理葡萄糖的变化率(步骤3104)；当在预定义的时间段内已经进餐时将药物剂量设定为零(步骤3106)；和当在预定义的时间段内没有进餐时，基于生理葡萄糖确定药物剂量(步骤3108)。
图22的方法3200包括：定义多个状态向量，每个状态向量与不同的模型和不同的协方差矩阵相关联，所述多个状态向量包括一个或多个胰岛素状态变量、一个或多个碳水化合物状态变量和生理葡萄糖状态变量(步骤3202)；基于相关联的模型随时间传播多个状态向量(步骤3204)；使用关联的协方差矩阵和葡萄糖浓度用卡尔曼滤波器对传播的多个状态向量进行滤波(步骤3206)；修改至少一个经滤波的状态向量中的胰岛素状态变量之一，以限制至少一个经滤波的状态向量和至少一个未滤波的状态向量之间的状态变量之差(步骤3208)；选择经滤波的状态向量之一和相关联的模型(步骤3210)；用所选择的经滤波的状态向量和相关联的模型来预测在预测时间段期间的生理葡萄糖轨迹(步骤3212)；使用生理葡萄糖轨迹求解预测时间段期间的最佳胰岛素轨迹的目标函数(步骤3214)；和从最佳胰岛素轨迹确定胰岛素剂量请求(步骤3216)。
图23的方法3300包括：定义状态向量、模型和协方差矩阵，所述状态向量包括胰岛素状态变量、碳水化合物状态变量和生理葡萄糖状态变量(步骤3302)；基于模型随时间传播状态向量(步骤3304)；使用协方差矩阵和葡萄糖浓度用卡尔曼滤波器对传播的状态向量进行滤波(步骤3306)；修改经滤波的状态向量中的一个状态变量以限制经滤波的状态向量与未滤波的状态向量之间的状态变量之差(步骤3308)；和基于修改和经滤波的状态向量确定胰岛素剂量请求(步骤3310)。
图24的方法3400包括：定义状态向量、模型和协方差矩阵，所述状态向量包括胰岛素状态变量、碳水化合物状态变量和生理葡萄糖状态变量(步骤3402)；基于模型随时间传播状态向量(步骤3404)；使用协方差矩阵和葡萄糖浓度用卡尔曼滤波器对传播的状态向量进行滤波(步骤3406)；修改经滤波的状态向量中的一个状态变量以限制经滤波的状态变量与预定值之间的差(步骤3408)；和基于修改和经滤波的状态向量确定胰岛素剂量请求(步骤3410)。
图25的方法3500包括：定义状态向量、模型和协方差矩阵，所述状态向量包括胰岛素状态变量、碳水化合物状态变量和生理葡萄糖状态变量，所述协方差矩阵包括与每个状态变量相关联的对角元素和与每个对角元素相关联的交叉项(步骤3502)；当在过去的预定时间段内没有进餐时，通过将碳水化合物对角元素和相关联的交叉项设定为零来修改协方差矩阵；基于模型随时间传播状态向量(步骤3504)；使用修改后的协方差矩阵和葡萄糖浓度用卡尔曼滤波器对传播的状态向量进行滤波(步骤3506)；和基于经滤波的状态向量确定胰岛素剂量请求(步骤3508)。
图26的方法3600包括：定义状态向量、模型和协方差矩阵，所述状态向量包括胰岛素状态变量、碳水化合物状态变量和生理葡萄糖状态变量，所述协方差矩阵包括与每个状态变量相关联的对角元素和与每个对角元素相关联的交叉项(步骤3602)；当碳水化合物的总和超过阈值并且平均进餐时间在低阈值和高阈值之间时，通过将碳水化合物对角元素设定为非零值来修改协方差矩阵(步骤3604)；当碳水化合物的总和超过阈值并且平均进餐时间在低阈值和高阈值之间时，通过将大剂量胰岛素对角元素设定为非零值来修改协方差矩阵(步骤3606)；基于模型随时间传播状态向量(步骤3608)；使用修改后的协方差矩阵和葡萄糖浓度用卡尔曼滤波器对传播的状态向量进行滤波(步骤3610)；和基于经滤波的状态向量确定胰岛素剂量请求(步骤3612)。
图27的方法3700包括：定义多个状态向量、每个状态向量与不同的模型相关联，每个状态向量包括生理葡萄糖水平(步骤3702)；以预定义的间隔测量患者中当前的葡萄糖浓度(步骤3704)；以所述预定义的间隔接收葡萄糖浓度(步骤3706)；以所述预定义的间隔的分数基于相关联的模型随时间传播每个状态向量(步骤3708)；以所述预定义的间隔基于相关联的模型随时间传播状态向量(步骤3710)；以所述预定义的间隔基于当前葡萄糖浓度滤波每个传播的状态向量(步骤3712)；部分地基于以所述预定义的间隔的每个状态向量的生理葡萄糖值和当前葡萄糖浓度，选择经滤波和传播的状态向量之一和相关联的模型(步骤3714)；用以所述预定义的间隔的选择的状态向量和相关联的模型预测在预测时间段期间的生理葡萄糖轨迹(步骤3716)；使用以所述预定义的间隔的生理葡萄糖轨迹求解预测时间段期间的最佳胰岛素轨迹的目标函数(步骤3718)；和从以所述预定义的间隔最佳胰岛素轨迹确定胰岛素剂量请求(步骤3720)。
图28的方法3800包括：定义多个状态向量，每个状态向量与不同的模型相关联并且包括生理葡萄糖值(步骤3802)；以第一预定义的间隔测量患者中的当前葡萄糖浓度(步骤3804)；以第一预定义的间隔接收葡萄糖浓度(步骤3806)；以第一预定义的间隔基于相关联的模型随时间传播每个状态向量(步骤3808)；以第一预定义的间隔基于当前葡萄糖浓度对每个状态向量进行滤波(步骤3810)；部分地基于以第二预定义的间隔的每个状态向量的生理葡萄糖值和当前葡萄糖浓度选择状态向量之一及相关联的模型，其中第二预定义的间隔长于第一预定义的间隔(步骤3812)；用以所述第二预定义的间隔的所选择的状态向量和相关联的模型预测在预测时间段期间的生理葡萄糖轨迹(步骤3814)；使用以所述第二预定义的间隔的生理葡萄糖轨迹求解预测时间段期间的最佳胰岛素轨迹的目标函数(步骤3816)；和从以所述第二预定义的间隔的最佳胰岛素轨迹确定胰岛素剂量请求(步骤3818)。
本公开的示例性方面包括以下内容：
1.控制患者中的葡萄糖的系统，所述系统包括：
药物递送装置，其经配置以将药物剂量递送给所述患者；和
控制器，其可操作地耦合到所述药物递送装置并且包括控制逻辑，所述控制逻辑操作成：
至少部分地通过执行多个模型来执行多模型预测控制器算法，所述多个模型的每一个包括具有值集的多个模型参数，
选择多个经执行的模型之一，和
至少部分地基于所选择的经执行模型来确定第一药物剂量。
2.方面1的系统，其中所述控制逻辑进一步操作成：
至少部分地基于所选择的经执行模型来预测患者的未来葡萄糖水平，其中所述第一药物剂量的确定至少部分地基于所预测的未来葡萄糖水平。
3.方面2的系统，其中所述控制逻辑进一步操作成：
确定所预测的未来葡萄糖水平和标称目标葡萄糖值之间的差，其中所述第一药物剂量的确定至少部分地基于所预测的未来葡萄糖水平和标称目标葡萄糖值之间的差。
4.方面2和3中任一项的系统，其中预测未来葡萄糖水平至少部分地基于基础胰岛素概况。
5.方面2和3中任一项的系统，其中预测未来葡萄糖水平至少部分地基于基础胰岛素概况并且没有进餐大剂量。
6.方面1的系统，其中操作成选择所述多个经执行的模型之一的所述控制逻辑包括操作成以下的控制逻辑：
响应于比较间质葡萄糖的计算水平和间质葡萄糖的测量水平，选择所述多个经执行的模型之一。
7.方面6的系统，其中间质葡萄糖的测量水平包括多个过去测量的间质葡萄糖水平。
8.方面1的系统，其中操作成选择所述多个经执行的模型之一的所述控制逻辑包括操作成以下的控制逻辑：
至少部分地基于标称目标葡萄糖值选择所述多个经执行的模型之一。
9.方面8的系统，其中所述标称目标葡萄糖值响应于运动通知而增加。
10.方面8的系统，其中所述标称目标葡萄糖值响应于进餐通知而增加。
11.方面1的系统，其中所述控制逻辑进一步操作成：
重新执行所述多模型预测控制器算法，
选择所述多个经执行的模型中不同的一个，和
至少部分地基于所选择的经执行模型来确定第二药物剂量。
12.方面1的系统，其中所述控制逻辑进一步操作成：
重新执行所述多模型预测控制器算法，其包括使用多个模型参数和值集重新执行多个模型，选择所述多个经执行的模型中不同的一个，和
至少部分地基于所选择的经执行模型来确定第二药物剂量。
13.方面1的系统，其中所述多个模型参数包括以下中的至少一种：胰岛素敏感性、胰岛素时间常数、进餐动作时间常数、传感器时间常数、胰岛素与碳水化合物的比率、来自用户接口的输入和控制器增益值。
14.方面1的系统，其中所述多个模型参数包括胰岛素敏感性、胰岛素时间常数、进餐动作时间常数、传感器时间常数和胰岛素与碳水化合物的比率。
15.方面1的系统，其中所述多个模型各自包括线性微分方程组，其计算生理葡萄糖和间质葡萄糖的水平。
16.方面15的系统，其中所述线性微分方程组对患者中胰岛素的存储和运输进行建模。
17.方面1-16中任一项的系统，其中所述药物递送装置包括胰岛素，并且所述药物递送装置经配置以至少部分地基于所确定的第一和/或第二药物剂量向患者递送胰岛素。
18.方面1-17中任一项的系统，其进一步包括：
用户接口，其可操作地耦合到所述控制器并经配置以接收来自患者的输入。
19.方面1-18中任一项的系统，其进一步包括：
葡萄糖测量装置，其可操作地耦合到所述控制器并且经配置以测量与患者相关联的葡萄糖数据，其中所述第一药物剂量的确定至少部分地基于所测量的葡萄糖数据。
20.控制患者中的葡萄糖的方法，所述方法包括：
使用一个或多个控制器，通过执行多个模型来执行多模型预测控制器算法，所述多个模型的每一个包括具有值集的多个模型参数；
使用所述一个或多个控制器选择所述多个经执行的模型之一；和
使用所述一个或多个控制器，至少部分地基于所选择的经执行模型来确定第一药物剂量。
21.方面20的方法，其进一步包括：
使用所述一个或多个控制器，至少部分地基于所选择的经执行模型来预测患者的未来葡萄糖水平，其中所述第一药物剂量的确定至少部分地基于所预测的未来葡萄糖水平。
22.方面21的方法，其进一步包括：
使用所述一个或多个控制器，确定所预测的未来葡萄糖水平和标称目标葡萄糖值之间的差，其中所述第一药物剂量的确定至少部分地基于所预测的未来葡萄糖水平和标称目标葡萄糖值之间的差。
23.方面21和22中任一项的方法，其中预测未来葡萄糖水平至少部分地基于基础胰岛素概况。
24.方面21和22中任一项的方法，其中预测未来葡萄糖水平至少部分地基于基础胰岛素概况并且没有进餐大剂量。
25.方面20的方法，其进一步包括：
重新执行所述多模型预测控制器算法；
选择所述多个经执行的模型中不同的一个；和
至少部分地基于所选择的经执行模型来确定第二药物剂量。
26.方面20的方法，其进一步包括：
重新执行所述多模型预测控制器算法，其包括使用多个模型参数和值集重新执行多个模型；选择所述多个经执行的模型中不同的一个；和
至少部分地基于所选择的经执行模型来确定第二药物剂量。
27.方面20的方法，其中所述多个模型参数包括以下中的至少一种：胰岛素敏感性、胰岛素时间常数、进餐动作时间常数、传感器时间常数、胰岛素与碳水化合物的比率、来自用户接口的输入和控制器增益值。
28.方面20的方法，其中所述多个模型参数包括胰岛素敏感性、胰岛素时间常数、进餐动作时间常数、传感器时间常数和胰岛素与碳水化合物的比率。
29.方面20的方法，其中执行多个模型包括执行线性微分方程组以计算生理葡萄糖和间质葡萄糖的水平。
30.方面29的方法，其中所述线性微分方程组对患者中胰岛素的存储和运输进行建模。
31.方面20的方法，其中选择所述多个经执行的模型之一响应于比较间质葡萄糖的计算水平和间质葡萄糖的测量水平。
32.方面31的方法，其中间质葡萄糖的测量水平包括多个过去测量的间质葡萄糖水平。
33.方面20的方法，其中选择所述多个经执行的模型之一至少部分地基于标称目标葡萄糖值。
34.方面33的方法，其中所述标称目标葡萄糖值响应于运动通知而增加。
35.方面33的方法，其中所述标称目标葡萄糖值响应于进餐通知而增加。
36.方面20-35中任一项的方法，其进一步包括：
使用药物递送装置，响应于所确定的第一和/或第二药物剂量，将胰岛素递送给患者。
37.方面20-36中任一项的方法，其进一步包括：
使用可操作地耦合到所述控制器的葡萄糖测量装置来测量与患者相关联的葡萄糖数据，其中所述第一药物剂量的确定至少部分地基于所测量的葡萄糖数据。
38.控制患者中的葡萄糖的系统，所述系统包括：
药物递送装置，其经配置以将药物剂量递送给所述患者；和
控制器，其可操作地耦合到所述药物递送装置并且包括控制逻辑，所述控制逻辑操作成：
通过随时间传播多个状态向量来执行多模型预测控制器算法，
选择多个经传播的状态向量之一，和
至少部分地基于所选择的经传播状态向量来确定第一药物剂量。
39.方面38的系统，其中所述控制逻辑进一步操作成：
至少部分地基于所选择的经传播状态向量来预测患者的未来葡萄糖水平，其中所述第一药物剂量的确定至少部分地基于所预测的未来葡萄糖水平。
40.方面39的系统，其中所述控制逻辑进一步操作成：
确定所预测的未来葡萄糖水平和标称目标葡萄糖值之间的差，其中所述第一药物剂量的确定至少部分地基于所预测的未来葡萄糖水平和标称目标葡萄糖值之间的差。
41.方面39和40中任一项的系统，其中预测未来葡萄糖水平至少部分地基于基础胰岛素概况。
42.方面39和40中任一项的系统，其中预测未来葡萄糖水平至少部分地基于基础胰岛素概况并且没有进餐大剂量。
43.方面38的系统，其中所述控制逻辑操作成：
进一步随时间传播经传播的选择状态向量，其中所述第一药物剂量至少部分地基于进一步传播的选择状态向量来确定。
44.方面38的系统，其中所述控制逻辑操作成：
重新执行所述多模型预测控制器算法，
选择多个经传播的状态向量中不同的一个，和
至少部分地基于所选择的经传播状态向量来确定第二药物剂量。
45.方面38的系统，其中所述多个模型参数包括以下中的至少一种：胰岛素敏感性、胰岛素时间常数、进餐动作时间常数、传感器时间常数、胰岛素与碳水化合物的比率、来自用户接口的输入和控制器增益值。
46.方面38的系统，其中所述多个模型参数包括胰岛素敏感性、胰岛素时间常数、进餐动作时间常数、传感器时间常数和胰岛素与碳水化合物的比率。
47.方面38的系统，其中所述多个模型包括线性微分方程组，其计算生理葡萄糖和间质葡萄糖的水平。
48.方面47的系统，其中所述线性微分方程组对患者中胰岛素的存储和运输进行建模。
49.方面38的系统，其中操作成选择所述多个经传播的状态向量之一的所述控制逻辑包括操作成以下的控制逻辑：
响应于比较间质葡萄糖的计算水平和间质葡萄糖的测量水平，选择所述多个经传播的状态向量之一。
50.方面49的系统，其中间质葡萄糖的测量水平包括多个过去测量的间质葡萄糖水平。
51.方面38的系统，其中操作成选择所述多个经传播的状态向量之一的所述控制逻辑包括操作成以下的控制逻辑：
至少部分地基于标称目标葡萄糖值选择所述多个状态向量之一。
52.方面51的系统，其中所述标称目标葡萄糖值响应于运动通知而增加。
53.方面51的系统，其中所述标称目标葡萄糖值响应于进餐通知而增加。
54.方面38-53中任一项的系统，其中所述药物递送装置经配置以响应于所确定的第一和/或第二药物剂量向患者递送胰岛素。
55.方面38-54中任一项的系统，其进一步包括：
用户接口，其可操作地耦合到所述控制器并经配置以接收来自患者的输入。
56.方面38-55中任一项的系统，其进一步包括：
葡萄糖测量装置，其可操作地耦合到所述控制器并且经配置以测量与患者相关联的葡萄糖数据，其中所述第一药物剂量的确定至少部分地基于所测量的葡萄糖数据。
57.控制患者中的葡萄糖的方法，所述方法包括：
使用一个或多个控制器，通过随时间传播多个状态向量来执行多模型预测控制器算法；
使用所述一个或多个控制器选择所述多个经传播的状态向量之一；和
使用所述一个或多个控制器，至少部分地基于所选择的传播状态向量来确定第一药物剂量。
58.方面57的方法，其进一步包括：
使用所述一个或多个控制器，至少部分地基于所选择的传播状态向量来预测患者的未来葡萄糖水平，其中所述第一药物剂量的确定至少部分地基于所预测的未来葡萄糖水平。
59.方面58的方法，其进一步包括：
使用所述一个或多个控制器，确定所预测的未来葡萄糖水平和标称目标葡萄糖值之间的差，其中所述第一药物剂量的确定至少部分地基于所预测的未来葡萄糖水平和标称目标葡萄糖值之间的差。
60.方面58和59中任一项的方法，其中预测未来葡萄糖水平至少部分地基于基础胰岛素概况。
61.方面58和59中任一项的方法，其中预测未来葡萄糖水平至少部分地基于基础胰岛素概况并且没有进餐大剂量。
62.方面57的方法，其进一步包括：
重新执行所述多模型预测控制器算法；
选择所述多个经传播的状态向量中不同的一个及其相关联的模型；和
至少部分地基于所选择的经传播状态向量及其相关联的模型来确定第二药物剂量。
63.方面57的方法，其中所述多个经传播的状态向量各自包括表示间质葡萄糖的计算水平的状态变量，并且其中选择所述多个经传播的状态向量之一及其相关联的模型包括：响应于比较间质葡萄糖的计算水平和间质葡萄糖的测量水平，选择所述多个经传播的状态向量之一及其相关联的模型。
64.方面63的方法，其中间质葡萄糖的测量水平包括多个过去测量的间质葡萄糖水平。
65.方面57的方法，其中选择多个经传播的状态向量之一及其相关联的模型包括：
至少部分地基于标称目标葡萄糖值选择所述多个状态向量之一。
66.方面65的方法，其中所述标称目标葡萄糖值响应于运动通知而增加。
67.方面65的方法，其中所述标称目标葡萄糖值响应于进餐通知而增加。
68.方面57-67中任一项的方法，其进一步包括：
使用药物递送装置，响应于所确定的第一和/或第二药物剂量，将胰岛素递送给患者。
69.方面57-68中任一项的方法，其进一步包括：
使用可操作地耦合到所述控制器的葡萄糖测量装置来测量与患者相关联的葡萄糖数据，其中所述第一药物剂量的确定至少部分地基于所测量的葡萄糖数据。
70.控制患者中的糖血的系统，所述系统包括：
胰岛素递送装置，其经配置以将胰岛素剂量递送给所述患者；和
包括控制逻辑的控制器，所述控制逻辑操作成：
以预先选择的间隔接收当前的葡萄糖数据，
定义多个状态向量，每个状态向量与不同的模型相关联，每个状态向量包括体内葡萄糖水平，
基于相关联的模型随时间传播多个状态向量，
基于当前的葡萄糖数据滤波经传播的状态向量，
选择经传播的状态向量之一及其相关联的模型，
在预测时间段期间用选择的状态向量及相关联的模型预测体内葡萄糖水平，
在预测时间段期间求解最佳胰岛素轨迹的目标函数，
从所述最佳胰岛素轨迹确定胰岛素剂量，和
传输请求以将确定的胰岛素剂量递送到所述胰岛素递送装置。
71.方面70的系统，其进一步包括用于存储体内葡萄糖水平的存储器，其中所述控制逻辑进一步操作成：
在存储器中存储每个状态向量的体内葡萄糖水平和葡萄糖数据，
从存储器中调出多个过去间隔的每个状态向量的体内葡萄糖水平和葡萄糖数据，和基于从存储器中调出的体内葡萄糖水平和葡萄糖数据，选择状态向量之一和相关联的模型。
72.方面70的系统，其进一步包括用于存储体内葡萄糖水平的存储器，其中所述控制逻辑进一步操作成：
确定每个状态向量的体内葡萄糖水平相对于葡萄糖数据的误差，
将体内葡萄糖误差存储在存储器中，
从存储器中调出多个过去间隔的每个状态向量的体内葡萄糖误差，和基于每个状态向量的体内葡萄糖误差总和，选择状态向量之一和相关联的模型。
73.方面70的系统，其中每个状态向量与不同的协方差矩阵相关联，并且其中使用相关联的协方差矩阵用卡尔曼滤波器将经传播的状态向量进行滤波。
74.方面70的系统，其中所述控制器经配置以基于性能函数来选择与所述测量的葡萄糖数据最紧密匹配的状态向量及其相关联的模型，并且其中所述性能函数是生理葡萄糖与测量的葡萄糖之间的加权差分之和。
75.方面70-74中任一项的系统，其还包括用于接收进餐数据的用户接口，其中所述控制器经配置以从用户接口接收进餐数据，并且其中所述控制器经配置以从进餐后的预定义的时间段的状态向量及其相关联的模型的缩减集中选择状态向量及其相关联的模型。
76.方面75的系统，其中所述状态向量及其相关联的模型的缩减集具有小于预定义阈值的胰岛素吸收时间。
77.方面70-74中任一项的系统，其还包括用于接收代表进餐数据的用户输入的用户接口，其中所述控制器经配置以在接收进餐数据并且传播和滤波状态向量之后，通过以下校正状态向量：在每个状态向量中将胰岛素的量增加到胰岛素状态变量，所添加的胰岛素的量基于进餐数据和胰岛素需求。
78.方面70-77中任一项的系统，其中所述控制器经配置以定义目标葡萄糖，并且所述目标函数包括预测的生理葡萄糖和目标葡萄糖之间的加权差分之和。
79.方面70-78中任一项的系统，其还包括用户接口，所述用户接口用于基于用户输入来生成进餐数据并将所生成的进餐数据传输至控制器，其中，加权值在进餐之后随时间增加直至在长于进餐后的预定时间段的时间处达到恒定值。
80.方面70-79中任一项的系统，其中所述目标函数包括最佳胰岛素轨迹与预定义的基础胰岛素概况的加权偏差之和。
81.方面70-80中任一项的系统，其中所述控制器经配置以：在确定给定点的最佳胰岛素轨迹中，限制胰岛素的最大值，所述最大值是基础剂量和给定点处患者的估计的生理葡萄糖的函数。
82.方面81的系统，其中所述控制器经配置以将最佳胰岛素轨迹中的胰岛素的最小值限制为预定值，所述预定值小于所述基础剂量。
83.方面70-80中任一项的系统，其中所述控制器经配置以：在确定给定点的最佳胰岛素轨迹中，当所述给定点处预测的生理葡萄糖大于预定义的葡萄糖阈值时，将胰岛素值限制为等于或大于给定点的基础胰岛素概况。
84.方面83的系统，其中所述预定义的葡萄糖阈值为13.7mg/dL。
85.方面70-80中任一项的系统，其中所述控制器经配置以：在确定最佳胰岛素轨迹中，当平均预测的生理葡萄糖小于预定义的葡萄糖阈值时，将胰岛素值限制为等于或大于给定点的基础概况，所述平均预测的生理葡萄糖值从给定点之前的预定数量的点上的最佳胰岛素轨迹确定。
86.方面70-80中的任一项的系统，其中控制器经配置以：如果在给定点处最佳胰岛素轨迹的值小于给定时间的基础概况，则修改所述值，并且其中所述控制器经配置以通过将最佳胰岛素值减去基础概况乘以一个因子的数量添加到基础概况中来计算在所述给定点处的新的最佳胰岛素值，所述因子大于1。
87.方面70-80中任一项的系统，其中所述控制器经配置以当患者的估计的生理葡萄糖大于预定义的葡萄糖阈值时，将胰岛素剂量请求限制为等于或大于基础概况剂量。
88.方面87的系统，其中所述预定义的葡萄糖阈值为13.7mg/dL。
89.方面70-80中任一项的系统，其中所述控制器经配置以在平均生理葡萄糖小于预定义的葡萄糖阈值之后，将胰岛素剂量请求限制为等于或大于第一预定义时间段的基础概况，平均预测生理葡萄糖是过去第二预定义时间段内所选择的状态向量的估计的生理葡萄糖的平均值。
90.方面70-80中任一项的系统，其中所述控制器经配置以当胰岛素剂量请求小于基础剂量时修改胰岛素剂量请求的值，并且其中所述控制器经配置以通过将胰岛素剂量请求减去基础剂量乘以一个因子的数量添加到基础剂量中来计算新的胰岛素剂量请求，所述因子大于1。
91.方面70的系统，其还包括用于接收进餐数据的用户接口，所述进餐数据被通信至控制器，其中每个状态向量及其关联的模型与协方差矩阵相关联，其中所述协方差矩阵的对角元素被初始化为葡萄糖数据和胰岛素需求数据的函数，并且其中传播状态向量还包括使用协方差矩阵和葡萄糖数据的卡尔曼滤波器以产生经滤波的状态变量的经滤波的状态向量。
92.方面91的系统，其中所述控制器经配置以：当在预定义的时间段内没有进餐时，将对角碳水化合物项设定为基于葡萄糖数据和胰岛素的总每日剂量的预定函数的值并将与碳水化合物对角线值对齐的行和列元素设定为零。
93.方面91的系统，其中所述控制器经配置以：响应于确定在预定义时间段内没有进餐，将大剂量胰岛素对角线项设定为基于葡萄糖数据和胰岛素的总每日剂量的预定函数的值，并将与大剂量胰岛素对角线值对齐的行和列元素设定为零。
94.方面70的系统，其中每个状态向量及其模型与协方差矩阵相关联，并且传播状态向量还包括使用协方差矩阵和葡萄糖数据的卡尔曼滤波器以产生经滤波的状态变量的经滤波的状态向量，并且其中所述制器经配置以基于该经滤波的状态变量的值来修改经滤波的状态变量之一。
95.方面94的系统，其中所述控制器经配置以将经滤波的状态变量修改为大于或等于预定量。
96.方面94的系统，其中所述控制器经配置以将胰岛素的经滤波的状态变量修改为大于或等于基础剂量的预定分数。
97.方面94的系统，其中所述控制器经配置以将碳水化合物的经滤波的状态变量修改为大于或等于预定值，所述预定值小于碳水化合物的未滤波的状态变量。
98.方面94的系统，其中所述控制器经配置以将胰岛素的经滤波的状态变量修改为小于或等于预定量，所述预定量大于胰岛素的未滤波的状态变量。
99.方面70-98中任一项的系统，其进一步包括：
葡萄糖测量装置，其与控制器通信并用于测量患者中的葡萄糖数据。
100.控制患者中的糖血的系统，所述系统包括：
控制器，其经配置以：
接收包括基础剂量的患者数据，
定期接收葡萄糖数据，
执行模型预测控制器算法以部分地基于所接收的葡萄糖数据估计生理葡萄糖，和
当生理葡萄糖超过预定葡萄糖阈值时，将剂量请求限制为等于或大于基础剂量。
101.方面100的系统，其中所述预定葡萄糖阈值为13.7mg/dL。
102.方面100的系统，其进一步包括：
胰岛素递送装置，其用于响应剂量请求将胰岛素递送给患者；和
用于输入患者数据的用户接口。
103.方面100-102中任一项的系统，其进一步包括：
葡萄糖测量装置，其与控制器通信并用于测量患者中的葡萄糖数据包括葡萄糖浓度。
104.控制患者中的糖血的系统，所述系统包括：
控制器，其经配置以：
接收包括基础剂量的患者数据，
接收葡萄糖数据，
执行模型预测控制器算法以部分地基于所接收的葡萄糖数据估计生理葡萄糖，
确定与基础剂量的最佳偏差，
将所述最佳偏差乘以一个因子，
当所述最佳偏差小于预定阈值时，将剂量请求设定为等于乘以因子的最佳偏差和基础剂量之和，和
当所述最佳偏差大于或等于预定阈值时，将剂量请求设定为等于最佳偏差和基础剂量之和。
105.方面104的系统，其中所述预定阈值为0。
106.方面104的系统，其中所述因子大于1。
107.方面104的系统，其中所述因子大于1.3。
108.方面104-107中任一项的系统，其进一步包括：
胰岛素递送装置，其用于响应剂量请求将胰岛素递送给患者；和
用于输入患者数据的用户接口。
109.方面104-108中任一项的系统，其进一步包括：
葡萄糖测量装置，其与控制器通信并用于测量患者中的葡萄糖数据包括葡萄糖浓度。
110.控制患者中的糖血的系统，所述系统包括：
控制器，其经配置以：
接收包括基础剂量的患者数据，
定期接收葡萄糖数据，
计算平均胰岛素剂量，和
当过去第二时间段的平均胰岛素剂量小于预定义的胰岛素阈值时，将剂量请求限制为等于或大于第一时间段的基础剂量。
111.方面110的系统，其中所述第一时间段小于第二时间段的一半。
112.方面111的系统，其中所述过去第二时间段大于1小时。
113.方面110的系统，其中所述预定义的胰岛素阈值小于0.1胰岛素单位/小时。
114.方面110-113中任一项的系统，其进一步包括：
胰岛素递送装置，其用于响应剂量请求将胰岛素递送给患者；和
用于输入患者数据的用户接口。
115.方面110-114中任一项的系统，其进一步包括：
葡萄糖测量装置，其与控制器通信并用于测量患者中的葡萄糖数据包括葡萄糖浓度。
116.控制患者中的糖血的系统，所述系统包括：
用于将胰岛素递送给患者的胰岛素递送装置；
用于输入患者数据的用户接口，所述患者数据包括胰岛素的总每日剂量和进餐数据；和控制器，其经配置以：
从所述用户接口接收患者数据，
定义状态向量和相关联的模型，所述状态向量包括状态变量，所述状态变量包括患者中胰岛素、碳水化合物和生理葡萄糖的估计值，
传播所述状态向量，
通过将胰岛素的量添加到胰岛素状态变量中来校正经传播的状态向量，所添加的胰岛素的量基于进餐数据和胰岛素的总每日剂量，
确定具有经校正的状态向量的剂量请求，和
将所述剂量请求传输至胰岛素递送装置。
117.方面116的系统，其中所述控制器进一步经配置以通过将碳水化合物的量与基于进餐数据的状态向量的碳水化合物值相加来校正经传播的状态向量。
118.方面116和117中任一项的系统，其中所述进餐数据是进餐通知。
119.方面116和117中任一项的系统，其中所述进餐数据是选自两个或更多选择的进餐大小。
120.方面116和117中任一项的系统，其中所述进餐数据包括碳水化合物含量的估计值。
121.提供患者中的糖血的闭环控制的系统，所述系统包括：
用于将胰岛素递送给患者的胰岛素递送装置；
用于输入患者数据的用户接口，所述患者数据包括基础胰岛素概况、胰岛素与碳水化合物的比率和进餐数据；和
控制器，其与用户接口和胰岛素递送装置通信并经配置以接收葡萄糖数据，所述控制器进一步经配置以执行：
估计患者中活性胰岛素的量，所述活性胰岛素不包括基础胰岛素概况，
从进餐数据确定进餐碳水化合物值，
部分地基于所述葡萄糖数据估计患者的生理葡萄糖和生理葡萄糖的变化率，
基于所述生理葡萄糖和所述生理葡萄糖的变化率确定衰减因子，
基于进餐数据、胰岛素与碳水化合物的比率以及确定的衰减因子确定进餐大剂量，基于患者中活性胰岛素的估计量修改确定的进餐大剂量，和
传输请求以将修改的进餐大剂量递送到胰岛素递送装置。
122.方面121的系统，其中所述控制器经配置以：
通过定义多个状态向量和相关联的模型来控制进餐大剂量后患者的糖血，每个状态向量包括状态变量，所述状态变量包括患者中胰岛素、碳水化合物和生理葡萄糖的估计值，每个模型包括定义状态向量的传播的方程式和参数，
传播所述多个状态向量，
用卡尔曼滤波器和葡萄糖数据将经传播的状态向量滤波，
基于当前和过去的葡萄糖数据选择状态向量及其相关联的模型，
使用选择的状态向量及其相关联的模型来预测生理葡萄糖并求解最佳胰岛素轨迹的目标函数，
从所述最佳胰岛素轨迹确定胰岛素剂量请求，和
将所述剂量请求传输至胰岛素递送装置。
123.方面122的系统，其中所述控制器经配置以基于最近选择的状态向量的估计的生理葡萄糖的值来确定生理葡萄糖的变化率。
124.方面121的系统，其中所述患者数据进一步包括胰岛素需求，并且其中所述控制器经配置以将所述衰减的进餐大剂量限制为小于胰岛素需求的分数。
125.方面124的系统，其中所述胰岛素需求是胰岛素的总每日剂量。
126.方面124的系统，其中所述分数小于四分之一。
127.方面121的系统，其中所述控制器进一步经配置以：
估计体内的胰岛素量，和
基于估计的生理葡萄糖确定校正大剂量，
其中当估计的生理葡萄糖低于第一葡萄糖阈值时所述校正大剂量为0，和其中当估计的生理葡萄糖高于第一葡萄糖阈值时所述校正大剂量基于患者中的生理葡萄糖和胰岛素量。
128.方面127的系统，其中当生理葡萄糖高于低生理葡萄糖阈值时，所述校正大剂量随估计的生理葡萄糖的增加成比例地增加，并且所述校正大剂量随患者中的估计的胰岛素的增加成比例地减少。
129.方面127的系统，其中当估计的生理葡萄糖高于第一生理葡萄糖阈值时，所述校正大剂量以第一速率随估计的生理葡萄糖的增加成比例地增加，其中当所述生理葡萄糖高于第二葡萄糖阈值时，所述校正大剂量以第二速率随估计的生理葡萄糖的增加成比例地增加，其中所述第二葡萄糖阈值高于所述第一阈值，并且其中所述第一速率大于所述第二速率。
130.方面121-129中任一项的系统，其进一步包括：
葡萄糖测量装置，其与控制器通信并用于测量患者中的葡萄糖数据包括葡萄糖浓度。
131.提供患者中的糖血的闭环控制的系统，所述系统包括：
控制器，其经配置以：
接收患者数据包括胰岛素与碳水化合物的比率和进餐数据，
接收葡萄糖数据，
从所述进餐数据确定进餐碳水化合物值，
部分地基于所述葡萄糖数据估计患者的生理葡萄糖和生理葡萄糖的变化率，
基于所述进餐数据和胰岛素与碳水化合物的比率确定初步进餐大剂量，
基于所述估计的生理葡萄糖和所述生理葡萄糖的变化率确定衰减因子，
如果进餐碳水化合物值高于预定的进餐碳水化合物阈值，则将所述初步进餐大剂量随进餐碳水化合物值成比例地衰减，
如果进餐碳水化合物值等于或小于预定的进餐碳水化合物阈值，则将所述初步进餐大剂量随进餐碳水化合物阈值成比例地衰减，和
将剂量请求设定为等于经衰减的初步进餐大剂量。
132.方面131的系统，其进一步包括：
胰岛素递送装置，其用于响应剂量请求将胰岛素递送给患者；和
用于输入患者数据的用户接口。
133.方面131和132中任一项的系统，其进一步包括：
葡萄糖测量装置，其与控制器通信并用于测量患者中的葡萄糖数据包括葡萄糖浓度。
134.提供患者中的糖血的闭环控制的系统，所述系统包括：
控制器，其经配置以执行控制逻辑用于：
接收患者数据包括进餐数据，
接收葡萄糖数据，
部分地基于葡萄糖数据确定生理葡萄糖值和生理葡萄糖的变化率，
当所述生理葡萄糖的变化率大于葡萄糖速率阈值时，将药物剂量请求设定为零，所述葡萄糖速率阈值是所述生理葡萄糖值的预定函数，
当所述生理葡萄糖值的变化率大于所述葡萄糖速率阈值时，基于所述生理葡萄糖值的预定函数和所述生理葡萄糖的变化率来确定所述药物剂量请求，和
将所述药物剂量请求传输至药物递送装置。
135.方面134的系统，其中所述控制器经配置以接收运动数据并减少用于确定药物剂量请求的生理葡萄糖值。
136.方面134的系统，其中所述控制器经配置以确定患者内的活性胰岛素的量并部分地基于所述活性胰岛素的量来修改药物剂量请求。
137.方面134的系统，其中所述控制器经配置以在血浆葡萄糖水平高于预定值时将药物剂量请求设定为零。
138.方面134的系统，其中所述控制器经配置以接收胰岛素需求数据并部分地基于所述胰岛素需求数据来修改药物剂量请求。
139.方面134的系统，其中所述控制器经配置以利用已经从多个状态向量及其相关联的模型中选择出的状态向量及其相关联的模型来确定生理葡萄糖值，其中选择状态向量及其相关联的模型基于由每个状态向量及其相关联的模型估计的当前和过去生理葡萄糖值与过去和当前葡萄糖数据的比较。
140.方面134-139中任一项的系统，其中所述药物剂量包含胰高血糖素。
141.方面134-140中任一项的系统，其进一步包括：
药物递送装置，其用于响应于药物剂量请求将药物剂量递送给患者；和
用于输入患者数据的用户接口。
142.方面136-141中任一项的系统，其进一步包括：
葡萄糖测量装置，其与控制器通信并用于测量患者中的葡萄糖数据包括葡萄糖浓度。
143.提供患者中的糖血的闭环控制的系统，所述系统包括：
控制器，其经配置以：
接收葡萄糖数据，
接收基础胰岛素概况，
使用多区室模型和葡萄糖数据来确定患者中的生理葡萄糖值、生理葡萄糖值的变化率和活性胰岛素的量，所述活性胰岛素不包括基础胰岛素概况，
基于生理葡萄糖值和生理葡萄糖值的变化率确定初始药物剂量，
基于患者中活性胰岛素的量修改初始药物剂量，以确定药物剂量请求，和
传输药物剂量请求。
144.方面143的系统，其中所述控制器经配置以接收进餐通知，并且当在预定时间段内已经进餐时，将药物剂量请求设定为零。
145.方面143的系统，其中当所述生理葡萄糖值高于第一预定水平时，所述控制器经配置以：当所述生理葡萄糖的变化率大于预定速率时，将所述药物剂量请求设定为第一预定值，和当生理葡萄糖的变化率小于或等于预定速率时，将药物剂量请求设定为第二预定值。
146.方面143-145中任一项的系统，其进一步包括：
药物递送装置，其用于响应于药物剂量请求将药物递送给患者；和
用于输入基础胰岛素概况的用户接口。
147.方面143-146中任一项的系统，其进一步包括：
葡萄糖测量装置，其与控制器通信并用于测量患者中的葡萄糖数据包括葡萄糖浓度。
148.提供患者中的糖血的闭环控制的系统，所述系统包括：
控制器，其经配置以：
接收患者数据包括进餐数据，
接收葡萄糖数据，
部分地基于所述葡萄糖数据确定生理葡萄糖值和生理葡萄糖值的变化率，
当在预定时间段内进餐时，将药物剂量请求设定为零，
当在预定时间段内未进餐时，将药物剂量请求设定为基于生理葡萄糖值的值，和
传输药物剂量请求。
149.方面148的系统，其进一步包括：
药物递送装置，其用于响应于药物剂量请求将药物递送给患者，所述药物为胰岛素的反向调节剂；和
用于输入患者数据的用户接口。
150.方面148和149中任一项的系统，其进一步包括：
葡萄糖测量装置，其与控制器通信并用于测量患者中的葡萄糖数据包括葡萄糖浓度。
151.控制患者中的糖血的系统，所述系统包括：
控制器，其经配置以：
定期接收葡萄糖数据，
定义模型、状态变量和协方差矩阵，其中所述模型控制状态变量的传播；所述状态变量包括患者中的估计的胰岛素、估计的碳水化合物和估计的生理葡萄糖；且所述协方差矩阵包括与每个状态变量相关联的对角元素；
在每个间隔处，随时间传播状态变量，并使用应用于卡尔曼滤波器的协方差矩阵对经传播的状态变量进行滤波，以产生经滤波的状态变量，
根据需要修改经滤波的状态变量之一，以限制经修改的状态变量和经传播的状态变量之间的差，
使用经修改的状态变量确定剂量请求，和
传输所述剂量请求。
152.方面151的系统，其中所述控制器经配置以将碳水化合物的经滤波的状态变量修改为大于或等于预定值，所述预定值小于碳水化合物的未滤波的状态变量。
153.方面151的系统，其中所述控制器经配置以将胰岛素的经滤波的状态变量修改至小于或等于预定量的值，所述预定量大于胰岛素的未滤波的状态变量。
154.方面151-153中任一项的系统，其进一步包括：
胰岛素递送装置，其用于响应剂量请求将胰岛素递送给患者。
155.方面151-154中任一项的系统，其进一步包括：
葡萄糖测量装置，其与控制器通信并用于测量患者中的葡萄糖数据包括葡萄糖浓度。
156.控制患者中的糖血的系统，所述系统包括：
控制器，其经配置以：
定期接收葡萄糖数据，
定义模型、状态变量和协方差矩阵，其中所述模型控制状态变量的传播；所述状态变量包括患者中的估计的胰岛素、估计的碳水化合物和估计的生理葡萄糖；且所述协方差矩阵包括与每个状态变量相关联的对角元素，
在每个间隔处，随时间传播状态变量，并使用应用于卡尔曼滤波器的协方差矩阵对经传播的状态变量进行滤波，以产生经滤波的状态变量，
修改经滤波的状态变量以限制经修改的状态变量和预定义值之间的差，
使用经修改的状态变量确定剂量请求，和
传输所述剂量请求。
157.方面156的系统，其中所述控制器经配置以将胰岛素的经滤波的状态变量修改为大于或等于基础剂量的预定分数。
158.方面156和157中任一项的系统，其进一步包括：
胰岛素递送装置，其用于响应剂量请求将胰岛素递送给患者。
159.方面156-158中任一项的系统，其进一步包括：
葡萄糖测量装置，其与控制器通信并用于测量患者中的葡萄糖数据包括葡萄糖浓度。
160.控制患者中的糖血的系统，所述系统包括：
控制器，其经配置以：
定期从葡萄糖测量装置接收葡萄糖数据，
定义模型、状态变量和协方差矩阵，其中所述模型控制状态变量的传播；所述状态变量包括患者中的估计的胰岛素、估计的碳水化合物和估计的生理葡萄糖；且所述协方差矩阵包括与每个状态变量相关联的对角元素，
如果在预定义量的时间内没有进餐，则将碳水化合物对角元素设定为基于葡萄糖数据和胰岛素需求数据的预定函数的值，并将碳水化合物对角线值的交叉项设定为零，
在每个间隔处，随时间传播状态变量，并使用应用于卡尔曼滤波器的协方差矩阵对经传播的状态变量进行滤波，以产生经滤波的状态变量，
使用经滤波的状态变量确定剂量请求，和
将所述剂量请求传输至胰岛素递送装置。
161.方面160的系统，其进一步包括：
胰岛素递送装置，其用于响应剂量请求将胰岛素递送给患者。
162.方面160和161中任一项的系统，其进一步包括：
葡萄糖测量装置，其与控制器通信并用于测量患者中的葡萄糖数据包括葡萄糖浓度。
163.控制患者中的糖血的系统，所述系统包括：
控制器，其经配置以：
定期接收葡萄糖数据，
定义模型、状态变量和协方差矩阵，其中所述模型控制状态变量的传播；所述状态变量包括患者中的估计的胰岛素、估计的碳水化合物和估计的生理葡萄糖；且所述协方差矩阵包括与每个状态变量相关联的对角元素，所述生理葡萄糖和基础胰岛素对角元素被初始化为葡萄糖数据和胰岛素需求数据的函数，
当碳水化合物的总和超过阈值并且平均进餐时间在低阈值和高阈值之间时，将碳水化合物对角元素设定为基于葡萄糖数据的预定函数的非零值，并将大剂量胰岛素对角元素设定为基于胰岛素需求的预定函数的值，
随时间传播状态变量，
使用应用于卡尔曼滤波器的协方差矩阵对经传播的状态变量进行滤波，以产生经滤波的状态变量，
使用经滤波的状态变量确定剂量请求，和
传输所述剂量请求。
164.方面163的系统，其进一步包括：
胰岛素递送装置，其用于响应剂量请求将胰岛素递送给患者。
165.方面163和164中任一项的系统，其进一步包括：
葡萄糖测量装置，其与控制器通信并用于测量患者中的葡萄糖数据包括葡萄糖浓度。
166.控制患者中的糖血的系统，所述系统包括：
控制器，其经配置以：
定期接收葡萄糖数据，
确定葡萄糖目标，
执行模型预测控制器算法以预测生理葡萄糖值并求解最佳胰岛素轨迹的目标函数，所述目标函数包括预测的生理葡萄糖和葡萄糖目标之间的加权差分之和，其中权重随进餐后时间增加直至在进餐后预定时间段达到恒定权重，
从所述最佳胰岛素轨迹确定剂量请求，和
传输所述剂量请求。
167.方面166的系统，其进一步包括：
胰岛素递送装置，其用于响应剂量请求将胰岛素递送给患者。
168.方面166和167中任一项的系统，其进一步包括：
葡萄糖测量装置，其与控制器通信并用于测量患者中的葡萄糖数据包括葡萄糖浓度。
169.控制患者中的糖血的系统，所述系统包括：
控制器，其经配置以：
以恒定间隔接收葡萄糖数据，
定义模型、状态变量和协方差矩阵，其中所述模型控制状态变量的传播；所述状态变量包括患者中的估计的胰岛素、估计的碳水化合物和估计的生理葡萄糖；且所述协方差矩阵包括与每个状态变量相关联的对角元素，
在间隔的每一分数处，随时间传播状态变量，
在每个完整间隔处，随时间传播状态变量，并使用应用于卡尔曼滤波器的协方差矩阵对经传播的状态变量进行滤波，以产生经滤波的状态变量；和
使用经滤波的状态变量确定剂量请求，和
传输所述剂量请求。
170.方面169的系统，其进一步包括：
胰岛素递送装置，其用于响应剂量请求将胰岛素递送给患者。
171.方面169和170中任一项的系统，其进一步包括：
葡萄糖测量装置，其与控制器通信并用于测量患者中的葡萄糖数据包括葡萄糖浓度。
172.控制患者中的糖血的系统，所述系统包括：
控制器，其经配置以：
定期接收葡萄糖数据，
在模型预测控制算法中使用多个状态向量及其模型，其中所述状态向量包括患者中估计的胰岛素、估计的碳水化合物和估计的生理葡萄糖，并且所述模型控制状态向量的传播，
在每个间隔处，随时间传播状态向量，基于葡萄糖数据将状态向量滤波，且然后基于当前和过去的葡萄糖数据选择状态向量及其模型，
使用模型预测控制算法中选择的模型来确定剂量请求，和
传输所述剂量请求。
173.方面172的系统，其进一步包括：
胰岛素递送装置，其用于响应剂量请求将胰岛素递送给患者。
174.方面172和173中任一项的系统，其进一步包括：
葡萄糖测量装置，其与控制器通信并用于测量患者中的葡萄糖数据包括葡萄糖浓度。
175.控制患者中的糖血的系统，所述系统包括：
药物递送装置，其经配置以将药物剂量递送给所述患者；和
控制器，其包括经配置以执行以下的处理器：
以预先选择的间隔接收当前的葡萄糖数据，
定义多个状态向量，每个状态向量与不同的模型相关联，每个状态向量包括体内葡萄糖水平，
基于相关联的模型随时间传播多个状态向量，
基于当前的葡萄糖数据滤波经传播的状态向量，
选择经传播的状态向量之一及其相关联的模型，
在预测时间段期间用选择的状态向量及其相关联的模型预测体内葡萄糖水平，
在预测时间段期间求解最佳药物轨迹的目标函数，
从所述最佳药物轨迹确定药物剂量；和
传输请求以将所述药物剂量递送到所述药物递送装置。
176.方面175的系统，其中所述药物选自胰岛素、GLP-1、普兰林肽、糊精和糊精类似物。
177.方面175和176中任一项的系统，其进一步包括：
葡萄糖测量装置，其与控制器通信并用于测量患者中的葡萄糖数据。
178.控制患者中的糖血的方法，所述方法包括：
定义多个状态向量，每个状态向量与不同的模型相关联，每个状态向量包括生理葡萄糖水平；和
以预先选择的间隔执行以下：
测量患者中的当前葡萄糖浓度，
将所述当前葡萄糖浓度传输至控制器，
接收所述当前葡萄糖浓度，
基于相关联的模型随时间传播多个状态向量，
基于所述当前葡萄糖浓度将经传播的状态向量滤波，
选择经传播的状态向量之一及相关联的模型，
利用选择的状态向量和相关联的模型预测在预测时间段期间的生理葡萄糖轨迹，
使用所述生理葡萄糖轨迹在预测时间段期间求解最佳胰岛素轨迹的目标函数，和
从所述最佳胰岛素轨迹确定胰岛素剂量。
179.方面178的方法，其进一步包括：
进一步以预先选择的间隔执行以下步骤：
在存储器中存储每个状态向量的体内葡萄糖水平和葡萄糖浓度，
从所述存储器中调出多个过去间隔的每个状态向量的生理葡萄糖水平和葡萄糖浓度，和基于从所述存储器中调出的生理葡萄糖水平和葡萄糖浓度，选择经传播的状态向量之一和相关联的模型。
180.方面179的方法，其进一步包括：
进一步以预先选择的间隔执行以下步骤：
确定每个状态向量的生理葡萄糖水平相对于葡萄糖浓度的误差，
将生理葡萄糖误差存储在存储器中，
从所述存储器中调出多个过去间隔的每个状态向量的生理葡萄糖误差，和基于每个状态向量的生理葡萄糖误差总和，选择状态向量之一和相关联的模型。
181.方面178-180中任一项的方法，其进一步包括：
提供用于测量当前葡萄糖浓度的葡萄糖测量装置、胰岛素递送装置以及与所述葡萄糖测量装置和胰岛素递送装置通信的控制器。
182.方面181的方法，其进一步包括：
向所述胰岛素递送装置传输递送胰岛素剂量的请求；和
用所述胰岛素递送装置将胰岛素剂量递送给患者。
183.控制患者中的糖血的方法，所述方法包括：
在控制器处接收葡萄糖浓度和包括基础胰岛素剂量的患者数据；
至少部分地基于所述葡萄糖浓度来估计患者的生理葡萄糖；
确定与所述基础胰岛素剂量的最佳胰岛素偏差；
确定最佳胰岛素偏差小于预定阈值；
响应于确定最佳胰岛素偏差小于预定阈值，将因子设定为大于1的值；和
通过将基础胰岛素剂量加上所述最佳胰岛素偏差乘以所述因子的值来确定胰岛素剂量。
184.方面183的方法，其中所述预定阈值为0。
185.方面183的方法，其中所述因子大于1.3。
186.方面183-185中任一项的方法，其进一步包括：
提供用于测量患者中的葡萄糖浓度的葡萄糖测量装置、胰岛素递送装置、用户接口以及与所述葡萄糖测量装置、胰岛素递送装置和用户接口通信的控制器；和
输入所述患者数据至所述用户接口。
187.方面186的方法，其进一步包括：
向所述胰岛素递送装置传输递送胰岛素剂量的请求；和
用所述胰岛素递送装置将胰岛素剂量递送给患者。
188.控制患者中的糖血的方法，所述方法包括：
在控制器处接收葡萄糖浓度和患者数据；
至少部分地基于所述葡萄糖浓度来估计患者的生理葡萄糖；
响应于估计的生理葡萄糖确定胰岛素剂量；
确定过去第二时间段的平均胰岛素剂量小于预定义的胰岛素阈值；和
响应于确定过去第二时间段的平均胰岛素剂量小于预定义的胰岛素阈值，限制胰岛素剂量等于或大于第一时间段的基础胰岛素剂量。
189.方面188的方法，其中所述第一时间段小于过去第二时间段的一半。
190.方面189的方法，其中所述过去第二时间段大于1小时。
191.方面188的方法，其中所述预定义的胰岛素阈值小于0.1胰岛素单位/小时。
192.方面188-191中任一项的方法，其进一步包括：
提供用于测量患者中的葡萄糖浓度的葡萄糖测量装置、胰岛素递送装置、用户接口以及与所述葡萄糖测量装置、胰岛素递送装置和用户接口通信的控制器；和
将包括基础胰岛素剂量的患者数据输入到所述用户接口。
193.方面192的方法，其进一步包括：
向所述胰岛素递送装置传输递送胰岛素剂量的请求；和
用所述胰岛素递送装置将胰岛素剂量递送给患者。
194.控制患者中的糖血的方法，所述方法包括：
在控制器处接收葡萄糖浓度、胰岛素的总每日剂量和进餐数据；
定义状态向量和模型，所述状态向量包括一个或多个胰岛素状态变量、一个或多个碳水化合物状态变量和生理葡萄糖状态变量；
基于所述模型随时间传播所述状态向量，
基于所述葡萄糖浓度将经传播的状态向量滤波，将胰岛素的量添加到至少一个胰岛素状态变量中，所添加的胰岛素的量基于所述进餐数据和胰岛素的总每日剂量；和
基于所述状态向量和相关联的模型确定胰岛素剂量。
195.方面194的方法，其进一步包括：
基于所述进餐数据将碳水化合物的量添加到至少一个碳水化合物状态变量中。
196.方面194和195中任一项的方法，其进一步包括：
提供用于测量患者中的葡萄糖浓度的葡萄糖测量装置、胰岛素递送装置、用户接口以及与所述葡萄糖测量装置、胰岛素递送装置和用户接口通信的控制器；和
将患者数据输入到用户接口，所述患者数据包括进餐数据和胰岛素的总每日剂量。
197.方面196的方法，其进一步包括：
向所述胰岛素递送装置传输递送胰岛素剂量的请求；和
用所述胰岛素递送装置将胰岛素剂量递送给患者。
198.提供患者中的糖血的闭环控制的方法，所述方法包括：
在控制器处接收基础胰岛素剂量、进餐数据和胰岛素与碳水化合物的比率；
估计患者中的活性胰岛素，所述患者中的活性胰岛素不包括基础胰岛素剂量；
部分地基于葡萄糖浓度估计患者的生理葡萄糖和生理葡萄糖的变化率；
从所述进餐数据确定进餐碳水化合物值；
基于所述估计的生理葡萄糖和所述生理葡萄糖的变化率确定衰减因子；
基于所述进餐数据、胰岛素与碳水化合物的比率以及衰减因子确定进餐大剂量；和
基于患者中的活性胰岛素修改进餐大剂量。
199.方面198的方法，其进一步包括：
提供用于测量患者中的葡萄糖浓度的葡萄糖测量装置、胰岛素递送装置、用户接口以及与所述葡萄糖测量装置、胰岛素递送装置和用户接口通信的控制器。
200.方面199的方法，其进一步包括：
向所述胰岛素递送装置传输递送经修改的进餐大剂量的请求；和
用所述胰岛素递送装置将经修改的进餐大剂量递送给患者。
201.提供患者中的糖血的闭环控制的方法，所述方法包括以下步骤：
将葡萄糖浓度、基础胰岛素剂量和进餐数据传输至控制器；
估计患者中的活性胰岛素，所述患者中的活性胰岛素不包括基础胰岛素剂量；
部分地基于所述葡萄糖浓度估计患者的生理葡萄糖和生理葡萄糖的变化率；
从所述进餐数据确定进餐碳水化合物值；
基于所述估计的生理葡萄糖和生理葡萄糖的变化率确定衰减因子；
基于所述进餐数据、胰岛素与碳水化合物的比率和衰减因子确定进餐大剂量，
其中当进餐碳水化合物值高于预定进餐碳水化合物阈值时，所述进餐大剂量随所述进餐碳水化合物值成比例地衰减，和其中对于进餐碳水化合物值等于或小于预定进餐碳水化合物阈值，所述进餐大剂量随所述预定进餐碳水化合物阈值成比例地衰减。
202.方面201的方法，其进一步包括：
提供用于测量患者中的葡萄糖浓度的葡萄糖测量装置、胰岛素递送装置、用户接口以及与所述葡萄糖测量装置、胰岛素递送装置和用户接口通信的控制器；和
将患者数据输入到用户接口，所述患者数据包括进餐数据和基础胰岛素剂量。
203.方面202的方法，其进一步包括：
向所述胰岛素递送装置传输递送进餐大剂量的请求；和
用所述胰岛素递送装置将所述进餐大剂量递送给患者。
204.提供患者中的糖血的闭环控制的方法，所述方法包括以下步骤：
将葡萄糖浓度传输至控制器；
估计患者的生理葡萄糖和生理葡萄糖的变化率；
基于估计的生理葡萄糖确定葡萄糖速率阈值；
当生理葡萄糖的变化率大于葡萄糖速率阈值时，将药物剂量请求设定为零；和
当所述生理葡萄糖的变化率大于所述葡萄糖率阈值时，基于所述生理葡萄糖的预定函数和所述生理葡萄糖的变化率来确定所述药物剂量请求。
205.方面204的方法，其进一步包括：
提供用于测量患者中的葡萄糖浓度的葡萄糖测量装置、药物递送装置、和用户接口、与所述葡萄糖测量装置、药物递送装置和用户接口通信的控制器。
206.方面205的方法，其进一步包括：
向所述药物递送装置传输所述药物剂量请求；和
用所述药物递送装置将药物剂量递送给患者。
207.提供患者中的糖血的闭环控制的方法，所述方法包括以下步骤：
将葡萄糖浓度、基础胰岛素剂量和进餐数据传输至控制器；
确定患者中的生理葡萄糖值、生理葡萄糖值的变化率和活性胰岛素的量，所述患者中的活性胰岛素不包括基础胰岛素概况；
基于确定的生理葡萄糖值和生理葡萄糖值的变化率确定药物剂量；和
基于患者中活性胰岛素的量修改药物剂量。
208.方面207的方法，其进一步包括：
提供用于测量患者中的葡萄糖浓度的葡萄糖测量装置、药物递送装置、用户接口以及与所述葡萄糖测量装置、药物递送装置和用户接口通信的控制器；和
将患者数据输入到所述用户接口，所述患者数据包括进餐数据和基础胰岛素剂量。
209.方面208的方法，其进一步包括：
向所述药物递送装置传输经修改的药物剂量；和
用所述药物递送装置将所述经修改的药物剂量递送给患者。
210.提供患者中的糖血的闭环控制的方法，所述方法包括以下步骤：
将葡萄糖浓度和进餐数据传输至控制器；
部分地基于所述葡萄糖浓度估计患者的生理葡萄糖和生理葡萄糖的变化率；
当在预定时间段内进餐时，将药物剂量设定为零；和
当在预定时间段内没有进餐时，基于所述生理葡萄糖确定药物剂量。
211.方面210的方法，其进一步包括：
提供用于测量患者中的葡萄糖浓度的葡萄糖测量装置、药物递送装置、用户接口以及与所述葡萄糖测量装置、药物递送装置和用户接口通信的控制器；和
将患者数据输入到所述用户接口，所述患者数据包括进餐数据。
212.方面211的方法，其进一步包括：
向所述药物递送装置传输所述药物剂量；和
用所述药物递送装置将所述药物剂量递送给患者。
213.控制患者中的糖血的方法，所述方法包括：
定义多个状态向量，每个状态向量与不同的模型和不同的协方差矩阵相关联，所述多个状态向量包括一个或多个胰岛素状态变量、一个或多个碳水化合物状态变量和生理葡萄糖状态变量；
基于相关联的模型随时间传播多个状态向量；
使用相关联的协方差矩阵和葡萄糖浓度用卡尔曼滤波器对经传播的多个状态向量进行滤波；修改至少一个经滤波的状态向量中的胰岛素状态变量之一，以限制至少一个经滤波的状态向量与至少一个未滤波的状态向量之间的状态变量之差；
选择经滤波的状态向量之一及相关联的模型；
在预测时间段期间用选择的经滤波的状态向量及相关联的模型预测生理葡萄糖轨迹；
使用所述生理葡萄糖轨迹在预测时间段期间求解最佳胰岛素轨迹的目标函数；和
从所述最佳胰岛素轨迹确定胰岛素剂量请求。
214.方面213的方法，其进一步包括：
提供用于测量患者中的葡萄糖浓度的葡萄糖测量装置、胰岛素递送装置以及与所述葡萄糖测量装置和胰岛素递送装置通信的控制器。
215.方面214的方法，其进一步包括：
向所述胰岛素递送装置传输所述胰岛素剂量请求；和
用所述胰岛素递送装置将胰岛素剂量递送给患者。
216.控制患者中的糖血的方法，所述方法包括：
定义状态向量、模型和协方差矩阵，所述状态向量包括胰岛素状态变量、碳水化合物状态变量和生理葡萄糖状态变量；
基于所述模型随时间传播所述状态向量，
使用协方差矩阵和葡萄糖浓度用卡尔曼滤波器对经传播的状态向量进行滤波；
修改经滤波的状态向量中的一个状态变量，以限制经滤波的状态向量与未滤波的状态向量之间的状态变量之差；和
基于经修改和滤波的状态向量确定胰岛素剂量请求。
217.方面216的方法，其中所述一个状态变量是碳水化合物状态变量，并且被修改以将碳水化合物状态变量限制为不小于低于碳水化合物的未滤波的状态变量的预定值。
218.方面216的方法，其中所述一个状态变量是胰岛素状态变量，并且被修改以将胰岛素状态变量限制为不大于高于胰岛素的未滤波的状态变量的预定量。
219.方面216-218中任一项的方法，其进一步包括：
提供用于测量患者中的葡萄糖浓度的葡萄糖测量装置、胰岛素递送装置以及与所述葡萄糖测量装置和胰岛素递送装置通信的控制器。
220.方面219的方法，其进一步包括：
向所述胰岛素递送装置传输所述胰岛素剂量请求；和
用所述胰岛素递送装置将胰岛素剂量递送给患者。
221.控制患者中的糖血的方法，所述方法包括：
定义状态向量、模型和协方差矩阵，所述状态向量包括胰岛素状态变量、碳水化合物状态变量和生理葡萄糖状态变量；
基于所述模型随时间传播所述状态向量，
使用协方差矩阵和葡萄糖浓度用卡尔曼滤波器对经传播的状态向量进行滤波；
修改经滤波的状态向量中的一个状态变量以限制经滤波的状态变量与预定义值之间的差；和基于经修改和滤波的状态向量确定胰岛素剂量请求。
222.方面221的方法，其进一步包括：
提供用于测量患者中的葡萄糖浓度的葡萄糖测量装置、胰岛素递送装置以及与所述葡萄糖测量装置和胰岛素递送装置通信的控制器。
223.方面222的方法，其进一步包括：
向所述胰岛素递送装置传输所述胰岛素剂量请求；和
用所述胰岛素递送装置将胰岛素剂量递送给患者。
224.控制患者中的糖血的方法，所述方法包括：
定义状态向量、模型和协方差矩阵，所述状态向量包括胰岛素状态变量、碳水化合物状态变量和生理葡萄糖状态变量，所述协方差矩阵包括与每个状态变量相关联的对角元素和与每个对角元素相关联的交叉项；
当在过去的预定时间段内没有进餐时，通过将碳水化合物对角元素和相关联的交叉项设定为零来修改所述协方差矩阵；
基于所述模型随时间传播所述状态向量，
使用经修改的协方差矩阵和葡萄糖浓度用卡尔曼滤波器对经传播的状态向量进行滤波；和基于经滤波的状态向量确定胰岛素剂量请求。
225.方面224的方法，其进一步包括：
提供用于测量患者中的葡萄糖浓度的葡萄糖测量装置、胰岛素递送装置以及与所述葡萄糖测量装置和胰岛素递送装置通信的控制器。
226.方面225的方法，其进一步包括：
向所述胰岛素递送装置传输所述胰岛素剂量请求；和
用所述胰岛素递送装置将胰岛素剂量递送给患者。
227.控制患者中的糖血的方法，所述方法包括：
定义状态向量、模型和协方差矩阵，所述状态向量包括胰岛素状态变量、碳水化合物状态变量和生理葡萄糖状态变量，所述协方差矩阵包括与每个状态变量相关联的对角元素和与每个对角元素相关联的交叉项；
当碳水化合物的总和超过阈值并且平均进餐时间在低阈值和高阈值之间时，通过将碳水化合物对角元素设定为非零值来修改协方差矩阵；
当碳水化合物的总和超过阈值并且平均进餐时间在低阈值和高阈值之间时，通过将大剂量胰岛素对角元素设定为非零值来修改协方差矩阵；
基于所述模型随时间传播所述状态向量，
使用经修改的协方差矩阵和葡萄糖浓度用卡尔曼滤波器对经传播的状态向量进行滤波；和基于经滤波的状态向量确定胰岛素剂量请求。
228.方面227的方法，其进一步包括：
提供用于测量患者中的葡萄糖浓度的葡萄糖测量装置、胰岛素递送装置以及与所述葡萄糖测量装置和胰岛素递送装置通信的控制器。
229.方面228的方法，其进一步包括：
向所述胰岛素递送装置传输所述胰岛素剂量请求；和
用所述胰岛素递送装置将胰岛素剂量递送给患者。
230.控制患者中的糖血的方法，所述方法包括：
定义多个状态向量，每个状态向量与不同的模型相关联，每个状态向量包括生理葡萄糖水平；
以预定义的间隔测量患者中的当前葡萄糖浓度；
以所述预定义的间隔接收葡萄糖浓度；
以所述预定义的间隔的分数基于相关联的模型随时间传播每个状态向量；
以所述预定义的间隔基于相关联的模型随时间传播状态向量；
以所述预定义的间隔基于当前葡萄糖浓度将每个经传播的状态向量滤波；
部分地基于以所述预定义的间隔的每个状态向量的生理葡萄糖值和的当前葡萄糖浓度，选择经滤波和传播的状态向量之一和相关联的模型；
用以所述预定义的间隔的选择的状态向量和相关联的模型在预测时间段期间预测生理葡萄糖轨迹；
使用以所述预定义的间隔的所述生理葡萄糖轨迹在预测时间段期间求解最佳胰岛素轨迹的目标函数；和
从以所述预定义的间隔的最佳胰岛素轨迹确定胰岛素剂量请求。
231.方面230的方法，其进一步包括：
提供用于测量患者中的当前葡萄糖浓度的葡萄糖测量装置、胰岛素递送装置以及与所述葡萄糖测量装置和胰岛素递送装置通信的控制器。
232.方面231的方法，其进一步包括：
向所述胰岛素递送装置传输所述胰岛素剂量请求；和
用所述胰岛素递送装置将胰岛素剂量递送给患者。
233.控制患者中的糖血的方法，所述方法包括：
定义多个状态向量，每个状态向量与不同的模型相关联且包括生理葡萄糖值；
以第一预定义的间隔测量患者中的当前葡萄糖浓度；
以所述第一预定义的间隔接收葡萄糖浓度；
以所述第一预定义的间隔基于相关联的模型随时间传播每个状态向量；
以所述第一预定义的间隔基于当前葡萄糖浓度将每个状态向量滤波；
部分地基于以第二预定义的间隔的每个状态向量的生理葡萄糖值和当前葡萄糖浓度选择状态向量之一和相关联的模型，其中所述第二预定义的间隔长于所述第一预定义的间隔；
用以所述第二预定义的间隔的选择的状态向量和相关联的模型在预测时间段期间预测生理葡萄糖轨迹；
使用以所述第二预定义的间隔的所述生理葡萄糖轨迹在预测时间段期间求解最佳胰岛素轨迹的目标函数；和
从以所述第二预定义的间隔的最佳胰岛素轨迹确定胰岛素剂量请求。
234.方面233的方法，其进一步包括：
提供用于测量患者中的当前葡萄糖浓度的葡萄糖测量装置、胰岛素递送装置以及与所述葡萄糖测量装置和胰岛素递送装置通信的控制器。
235.方面234的方法，其进一步包括：
向所述胰岛素递送装置传输所述胰岛素剂量请求；和
用所述胰岛素递送装置将胰岛素剂量递送给患者。
236.控制患者中的糖血的系统，所述系统包括：
药物递送装置，其经配置以将药物剂量递送给所述患者；
用户接口，其经配置以基于至少一个用户输入生成用户数据；和
用于响应于葡萄糖测量和用户数据确定药物剂量的构件。
本领域技术人员可以在不背离本公开的情况下设想各种替代和修改。因此，本公开旨在涵盖所有这样的替代、修改和变化。另外，尽管已经在附图中示出和/或在此讨论了本公开的若干个实施方案，但是并不意在将本公开限制于此，因为意在本公开的范围在本领域将允许的范围内，并且说明书也应同样阅读。因此，以上描述不应被解释为限制性的，而仅仅是具体实施方案的示例描述。
此外，术语“第一”、“第二”、“第三”等，无论用于说明书还是权利要求书中，均提供用于在相似要素之间进行区分并不一定描述相继次序或时间次序。应理解所用的如此使用的术语在合适情况下(除非另有明确公开)可互换并且本文描述的本公开的实施方案能够以不同于本文描述或举例说明的其他顺序和/或安排进行。

Claims (15)

1.控制患者中的糖血的系统，所述系统包括：
用于将胰岛素递送给患者的胰岛素递送装置；
用于输入患者数据的用户接口，所述患者数据包括进餐数据；和
电子控制器，其通信耦合到所述用户接口并且经配置以：
从所述用户接口接收患者数据，
定义状态向量和相关联的模型，所述状态向量包括状态变量，所述状态变量包括患者中胰岛素、碳水化合物和生理葡萄糖的估计值，
传播所述状态向量，
通过将胰岛素的量添加到胰岛素状态变量中来校正经传播的状态向量，所添加的胰岛素的量至少部分基于进餐数据，
至少部分基于经校正的状态向量确定剂量请求，和
将所述剂量请求传输至胰岛素递送装置。
2.权利要求1的系统，其中所述电子控制器进一步经配置以通过将碳水化合物的量与至少部分基于进餐数据的状态向量的碳水化合物值相加来校正经传播的状态向量。
3.权利要求1或2中任一项的系统，其中所述电子控制器进一步经配置以用卡尔曼滤波器将经传播的状态向量进行滤波。
4.权利要求1-3中任一项的系统，其中碳水化合物的估计值至少部分基于进餐史。
5.权利要求1-3中任一项的系统，其中碳水化合物的估计值至少部分基于平均进餐时间。
6.权利要求5的系统，其中平均进餐时间是一段时间内进餐的加权平均值，其中每次进餐时间均按该进餐时消耗的碳水化合物量加权。
7.权利要求1-6中任一项的系统，其中如果在最近的预定时间内没有进餐，则碳水化合物的估计值是0。
8.权利要求1-6中任一项的系统，其中如果在一段时间内没有大于预定量的碳水化合物的进餐，则碳水化合物的估计值是0。
9.权利要求1-8中任一项的系统，其中所述进餐数据是进餐通知。
10.权利要求1-8中任一项的系统，其中所述进餐数据是选自两个或更多选择的进餐大小。
11.权利要求1-8中任一项的系统，其中所述进餐数据包括碳水化合物含量的估计值。
12.权利要求1-11中任一项的系统，其中添加到胰岛素状态变量的胰岛素的量至少部分基于胰岛素的总每日剂量。
13.权利要求12的系统，其中胰岛素的总每日剂量通过用户接口输入或者基于过去递送至患者的胰岛素计算。
14.权利要求1-13中任一项的系统，其进一步包括：
葡萄糖测量装置，其通信耦合到所述电子控制器并且经配置以传输患者的葡萄糖数据，其中
剂量请求至少部分地基于葡萄糖数据。
15.权利要求1-14中任一项的系统，其进一步包括：
其中胰岛素递送装置通信耦合到所述电子控制器并且经配置以基于传输的剂量请求递送药物。
CN202310492420.5A 2017-05-05 2018-05-03 生理葡萄糖的闭环控制 Pending CN116531603A (zh)

Applications Claiming Priority (6)

Application Number Priority Date Filing Date Title
US201762501976P 2017-05-05 2017-05-05
US62/501976 2017-05-05
US201762536541P 2017-07-25 2017-07-25
US62/536541 2017-07-25
PCT/US2018/030771 WO2018204568A1 (en) 2017-05-05 2018-05-03 Closed loop control of physiological glucose
CN201880029847.9A CN110582231B (zh) 2017-05-05 2018-05-03 生理葡萄糖的闭环控制

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN201880029847.9A Division CN110582231B (zh) 2017-05-05 2018-05-03 生理葡萄糖的闭环控制

Publications (1)

Publication Number Publication Date
CN116531603A true CN116531603A (zh) 2023-08-04

Family

ID=62528829

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201880029847.9A Active CN110582231B (zh) 2017-05-05 2018-05-03 生理葡萄糖的闭环控制
CN202310492420.5A Pending CN116531603A (zh) 2017-05-05 2018-05-03 生理葡萄糖的闭环控制

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN201880029847.9A Active CN110582231B (zh) 2017-05-05 2018-05-03 生理葡萄糖的闭环控制

Country Status (9)

Country Link
US (2) US11878145B2 (zh)
EP (3) EP3970611B1 (zh)
JP (2) JP6874155B2 (zh)
CN (2) CN110582231B (zh)
AU (3) AU2018261124B2 (zh)
CA (2) CA3198598A1 (zh)
DK (1) DK3618713T3 (zh)
ES (1) ES2903174T3 (zh)
WO (1) WO2018204568A1 (zh)

Families Citing this family (42)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7959598B2 (en) 2008-08-20 2011-06-14 Asante Solutions, Inc. Infusion pump systems and methods
GB2523989B (en) 2014-01-30 2020-07-29 Insulet Netherlands B V Therapeutic product delivery system and method of pairing
CN111905188B (zh) 2015-02-18 2022-07-22 英赛罗公司 流体输送和输注装置及其使用方法
EP3374905A1 (en) 2016-01-13 2018-09-19 Bigfoot Biomedical, Inc. User interface for diabetes management system
CN112933333B (zh) 2016-01-14 2023-03-28 比格福特生物医药公司 调整胰岛素输送速率
US20170348479A1 (en) 2016-06-03 2017-12-07 Bryan Choate Adhesive system for drug delivery device
US10765807B2 (en) 2016-09-23 2020-09-08 Insulet Corporation Fluid delivery device with sensor
USD872734S1 (en) 2017-03-14 2020-01-14 Insulet Corporation Display screen with a graphical user interface
USD872733S1 (en) 2017-03-14 2020-01-14 Insulet Corporation Display screen with a graphical user interface
USD928199S1 (en) 2018-04-02 2021-08-17 Bigfoot Biomedical, Inc. Medication delivery device with icons
AU2019263490A1 (en) 2018-05-04 2020-11-26 Insulet Corporation Safety constraints for a control algorithm-based drug delivery system
AU2019308251B2 (en) 2018-07-17 2023-05-18 Insulet Corporation Low force valves for drug delivery pumps
CN112789070A (zh) 2018-09-28 2021-05-11 英赛罗公司 人造胰腺系统的活动模式
WO2020077223A1 (en) 2018-10-11 2020-04-16 Insulet Corporation Event detection for drug delivery system
WO2020127936A1 (en) * 2018-12-21 2020-06-25 Université de Nantes Method for estimating glycemia and/or controlling an insulin injection device
USD920343S1 (en) 2019-01-09 2021-05-25 Bigfoot Biomedical, Inc. Display screen or portion thereof with graphical user interface associated with insulin delivery
CA3146060A1 (en) * 2019-07-09 2021-01-14 Eli Lilly And Company Method and system for determining glucose change in a subject
EP3999144A4 (en) * 2019-07-19 2023-03-29 Medtrum Technologies Inc. INTEGRATED MEDICATION INFUSION DEVICE
US11801344B2 (en) 2019-09-13 2023-10-31 Insulet Corporation Blood glucose rate of change modulation of meal and correction insulin bolus quantity
US11935637B2 (en) 2019-09-27 2024-03-19 Insulet Corporation Onboarding and total daily insulin adaptivity
US11957875B2 (en) 2019-12-06 2024-04-16 Insulet Corporation Techniques and devices providing adaptivity and personalization in diabetes treatment
US11833329B2 (en) 2019-12-20 2023-12-05 Insulet Corporation Techniques for improved automatic drug delivery performance using delivery tendencies from past delivery history and use patterns
CN111261256A (zh) * 2020-01-19 2020-06-09 湖南盈赛缇思人工智能公共数据平台有限公司 一种基于大数据的胰岛素给药方法、存储介质及系统
EP4094264A1 (en) * 2020-01-23 2022-11-30 Insulet Corporation Meal insulin determination for improved post prandial response
US11796465B2 (en) * 2020-02-06 2023-10-24 Samsung Electronics Co., Ltd. Method and system for predicting blood compound concentration of a target
US11551802B2 (en) 2020-02-11 2023-01-10 Insulet Corporation Early meal detection and calorie intake detection
US11547800B2 (en) * 2020-02-12 2023-01-10 Insulet Corporation User parameter dependent cost function for personalized reduction of hypoglycemia and/or hyperglycemia in a closed loop artificial pancreas system
US11324889B2 (en) 2020-02-14 2022-05-10 Insulet Corporation Compensation for missing readings from a glucose monitor in an automated insulin delivery system
US11305333B2 (en) 2020-03-31 2022-04-19 Insulet Corporation Methods for forming low stress component for medical devices
US11607493B2 (en) 2020-04-06 2023-03-21 Insulet Corporation Initial total daily insulin setting for user onboarding
WO2021236864A1 (en) * 2020-05-22 2021-11-25 Eli Lilly And Company Insulin delivery systems, methods, and devices
US11684716B2 (en) 2020-07-31 2023-06-27 Insulet Corporation Techniques to reduce risk of occlusions in drug delivery systems
CN114099846A (zh) * 2020-08-26 2022-03-01 上海移宇科技股份有限公司 闭环人工胰腺胰岛素输注控制系统
US20230263430A1 (en) * 2020-08-26 2023-08-24 Medtrum Technologies Inc. Closed-loop artificial pancreas insulin infusion control system
US11160925B1 (en) * 2021-01-29 2021-11-02 Insulet Corporation Automatic drug delivery system for delivery of a GLP-1 therapeutic
US20220293234A1 (en) * 2021-03-10 2022-09-15 Insulet Corporation Medicament delivery device with an adjustable and piecewise analyte level cost component to address persistent positive analyte level excursions
US11904140B2 (en) 2021-03-10 2024-02-20 Insulet Corporation Adaptable asymmetric medicament cost component in a control system for medicament delivery
US11738144B2 (en) 2021-09-27 2023-08-29 Insulet Corporation Techniques enabling adaptation of parameters in aid systems by user input
US20230165490A1 (en) 2021-12-01 2023-06-01 Medtronic Minimed, Inc. Real-time meal detection based on sensor glucose and estimated plasma insulin levels
US11439754B1 (en) 2021-12-01 2022-09-13 Insulet Corporation Optimizing embedded formulations for drug delivery
WO2023117164A1 (de) * 2021-12-22 2023-06-29 Hochschule Fulda Verfahren, vorrichtung und system zum ermitteln eines gesundheitszustands eines patienten
ES2932844B2 (es) * 2022-07-28 2023-04-18 Univ Valencia Politecnica Metodo para mejorar el control de la glucemia con un controlador hibrido, modulo complementario para su incorporacion a un sistema de pancreas artificial para realizar el metodo y sistema de pancreas artificial que incorpora el modulo complementario

Family Cites Families (279)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU546785B2 (en) 1980-07-23 1985-09-19 Commonwealth Of Australia, The Open-loop controlled infusion of diabetics
US5956501A (en) 1997-01-10 1999-09-21 Health Hero Network, Inc. Disease simulation system and method
US5853364A (en) 1995-08-07 1998-12-29 Nellcor Puritan Bennett, Inc. Method and apparatus for estimating physiological parameters using model-based adaptive filtering
US5792062A (en) 1996-05-14 1998-08-11 Massachusetts Institute Of Technology Method and apparatus for detecting nonlinearity in an electrocardiographic signal
US5954643A (en) 1997-06-09 1999-09-21 Minimid Inc. Insertion set for a transcutaneous sensor
US6558351B1 (en) 1999-06-03 2003-05-06 Medtronic Minimed, Inc. Closed loop system for controlling insulin infusion
US7267665B2 (en) 1999-06-03 2007-09-11 Medtronic Minimed, Inc. Closed loop system for controlling insulin infusion
US6269314B1 (en) 1997-08-19 2001-07-31 Omron Corporation Blood sugar measuring device
JPH11296598A (ja) 1998-04-07 1999-10-29 Seizaburo Arita 血糖値の予測システム及び予測方法並びにこの方法を記録した記録媒体
US6175752B1 (en) 1998-04-30 2001-01-16 Therasense, Inc. Analyte monitoring device and methods of use
US8480580B2 (en) 1998-04-30 2013-07-09 Abbott Diabetes Care Inc. Analyte monitoring device and methods of use
US6554798B1 (en) 1998-08-18 2003-04-29 Medtronic Minimed, Inc. External infusion device with remote programming, bolus estimator and/or vibration alarm capabilities
DK1144028T3 (da) 1998-11-30 2004-10-18 Novo Nordisk As System til at hjælpe en bruger under medicinsk selvbehandling, hvor nævnte selvbehandling omfatter en flerhed af handlinger
US7806886B2 (en) 1999-06-03 2010-10-05 Medtronic Minimed, Inc. Apparatus and method for controlling insulin infusion with state variable feedback
US7395216B2 (en) 1999-06-23 2008-07-01 Visicu, Inc. Using predictive models to continuously update a treatment plan for a patient in a health care location
US6459939B1 (en) 1999-06-29 2002-10-01 Alan J. Hugo Performance assessment of model predictive controllers
US6923763B1 (en) 1999-08-23 2005-08-02 University Of Virginia Patent Foundation Method and apparatus for predicting the risk of hypoglycemia
US7890295B2 (en) 2000-02-23 2011-02-15 Medtronic Minimed, Inc. Real time self-adjusting calibration algorithm
WO2001088534A2 (en) 2000-05-16 2001-11-22 Cygnus, Inc. Methods for improving performance and reliability of biosensors
GB0014855D0 (en) 2000-06-16 2000-08-09 Isis Innovation Combining measurements from different sensors
WO2002024065A1 (en) 2000-09-22 2002-03-28 Knobbe, Lim & Buckingham Method and apparatus for real-time estimation and control of pysiological parameters
WO2002027659A2 (en) 2000-09-26 2002-04-04 Advantage 3D Llc Method and system for generation, storage and distribution of omni-directional object views
MXPA02009916A (es) 2001-02-08 2004-09-06 Inverness Medical Ltd Un sistema de manejo de condicion personal.
US6544212B2 (en) 2001-07-31 2003-04-08 Roche Diagnostics Corporation Diabetes management system
US6691043B2 (en) 2001-08-28 2004-02-10 Maxi-Med, Llc Bolus calculator
US6740072B2 (en) 2001-09-07 2004-05-25 Medtronic Minimed, Inc. System and method for providing closed loop infusion formulation delivery
US8152789B2 (en) 2001-10-23 2012-04-10 Medtronic Minimed, Inc. System and method for providing closed loop infusion formulation delivery
US6827702B2 (en) 2001-09-07 2004-12-07 Medtronic Minimed, Inc. Safety limits for closed-loop infusion pump control
US20050027182A1 (en) 2001-12-27 2005-02-03 Uzair Siddiqui System for monitoring physiological characteristics
US7399277B2 (en) 2001-12-27 2008-07-15 Medtronic Minimed, Inc. System for monitoring physiological characteristics
US10080529B2 (en) 2001-12-27 2018-09-25 Medtronic Minimed, Inc. System for monitoring physiological characteristics
US7022072B2 (en) 2001-12-27 2006-04-04 Medtronic Minimed, Inc. System for monitoring physiological characteristics
US9247901B2 (en) 2003-08-22 2016-02-02 Dexcom, Inc. Systems and methods for replacing signal artifacts in a glucose sensor data stream
US6852104B2 (en) 2002-02-28 2005-02-08 Smiths Medical Md, Inc. Programmable insulin pump
US8504179B2 (en) 2002-02-28 2013-08-06 Smiths Medical Asd, Inc. Programmable medical infusion pump
US20080172026A1 (en) 2006-10-17 2008-07-17 Blomquist Michael L Insulin pump having a suspension bolus
GB0206792D0 (en) 2002-03-22 2002-05-01 Leuven K U Res & Dev Normoglycemia
WO2003094995A1 (en) 2002-05-06 2003-11-20 Becton, Dickinson And Company Method and device for controlling drug pharmacokinetics
US7278983B2 (en) 2002-07-24 2007-10-09 Medtronic Minimed, Inc. Physiological monitoring device for controlling a medication infusion device
US20040068230A1 (en) 2002-07-24 2004-04-08 Medtronic Minimed, Inc. System for providing blood glucose measurements to an infusion device
US7404796B2 (en) * 2004-03-01 2008-07-29 Becton Dickinson And Company System for determining insulin dose using carbohydrate to insulin ratio and insulin sensitivity factor
WO2004023972A2 (en) 2002-09-11 2004-03-25 Becton, Dickinson And Company Monitoring blood glucose including convenient display of measurement values ________________________________________________________
KR101226540B1 (ko) 2002-10-11 2013-01-25 벡톤 디킨슨 앤드 컴퍼니 단일 바늘 또는 다수의 바늘을 갖는 피내 전달 장치에결합된 피드백 또는 모델 기초 제어장치를 이용하여 환자의성분 농도의 연속적이고 장기적인 조절을 개시하고유지하기 위한 시스템 및 방법
WO2004084820A2 (en) 2003-03-19 2004-10-07 Harry Hebblewhite Method and system for determining insulin dosing schedules and carbohydrate-to-insulin ratios in diabetic patients
US20040248204A1 (en) 2003-04-01 2004-12-09 Piet Moerman Method and device for utilizing analyte levels to assist in the treatment of diabetes, insulin resistance and metabolic syndrome
US8718943B2 (en) 2003-04-01 2014-05-06 Abbott Diabetes Care Inc. Method and device for utilizing analyte levels to assist in the treatment of diabetes
US8622905B2 (en) 2003-08-01 2014-01-07 Dexcom, Inc. System and methods for processing analyte sensor data
US7591801B2 (en) 2004-02-26 2009-09-22 Dexcom, Inc. Integrated delivery device for continuous glucose sensor
US8060173B2 (en) 2003-08-01 2011-11-15 Dexcom, Inc. System and methods for processing analyte sensor data
US7933639B2 (en) 2003-08-01 2011-04-26 Dexcom, Inc. System and methods for processing analyte sensor data
DE10343863A1 (de) 2003-09-23 2005-04-14 Roche Diagnostics Gmbh Verfahren und Gerät zur laufenden Überwachung der Konzentration eines Analyten
DE10345836A1 (de) 2003-10-02 2005-04-21 Bayer Technology Services Gmbh Verfahren zur Simulation der Wechselwirkung von chemischen Substanzen mit lebenden Organismen
EP1683058A2 (en) 2003-10-29 2006-07-26 Novo Nordisk A/S Medical advisory system
US7565194B2 (en) 2004-05-12 2009-07-21 Zoll Medical Corporation ECG rhythm advisory method
WO2005113036A1 (en) 2004-05-13 2005-12-01 The Regents Of The University Of California Method and apparatus for glucose control and insulin dosing for diabetics
US7727147B1 (en) 2004-05-14 2010-06-01 Flint Hills Scientific Llc Method and system for implantable glucose monitoring and control of a glycemic state of a subject
US8788044B2 (en) 2005-01-21 2014-07-22 Michael Sasha John Systems and methods for tissue stimulation in medical treatment
US8825166B2 (en) 2005-01-21 2014-09-02 John Sasha John Multiple-symptom medical treatment with roving-based neurostimulation
US7547281B2 (en) 2005-02-01 2009-06-16 Medtronic Minimed, Inc. Algorithm sensor augmented bolus estimator for semi-closed loop infusion system
US8956291B2 (en) 2005-02-22 2015-02-17 Admetsys Corporation Balanced physiological monitoring and treatment system
US7590443B2 (en) 2005-04-27 2009-09-15 Pacesetter, Inc System and method for detecting hypoglycemia based on a paced depolarization integral using an implantable medical device
JP5037496B2 (ja) 2005-05-13 2012-09-26 トラスティーズ オブ ボストン ユニバーシティ １型糖尿病用の完全自動制御システム
EP1728468A1 (de) 2005-06-04 2006-12-06 Roche Diagnostics GmbH Bewertung von Werten der Blutglucosekonzentration zur Einstellung der Insulindosierung
US9089713B2 (en) 2005-08-31 2015-07-28 Michael Sasha John Methods and systems for semi-automatic adjustment of medical monitoring and treatment
EP1921980A4 (en) 2005-08-31 2010-03-10 Univ Virginia IMPROVING THE PRECISION OF CONTINUOUS GLUCOSE SENSORS
US8965509B2 (en) 2005-08-31 2015-02-24 Michael Sasha John Methods and systems for semi-automatic adjustment of medical monitoring and treatment
WO2007028271A2 (en) 2005-09-09 2007-03-15 F. Hoffmann-La Roche Ag A system, tools, devices and a program for diabetes care
US7766829B2 (en) 2005-11-04 2010-08-03 Abbott Diabetes Care Inc. Method and system for providing basal profile modification in analyte monitoring and management systems
US7704226B2 (en) 2005-11-17 2010-04-27 Medtronic Minimed, Inc. External infusion device with programmable capabilities to time-shift basal insulin and method of using the same
US7963917B2 (en) 2005-12-05 2011-06-21 Echo Therapeutics, Inc. System and method for continuous non-invasive glucose monitoring
US7941200B2 (en) 2005-12-08 2011-05-10 Roche Diagnostics Operations, Inc. System and method for determining drug administration information
EP2529784B1 (en) 2006-03-23 2019-05-01 Becton, Dickinson and Company Method for improved diabetes data management and use employing wireless connectivity between patients and healthcare providers and repository of diabetes management information
JP4943728B2 (ja) 2006-03-30 2012-05-30 テルモ株式会社 血糖計
US8478557B2 (en) 2009-07-31 2013-07-02 Abbott Diabetes Care Inc. Method and apparatus for providing analyte monitoring system calibration accuracy
US8140312B2 (en) 2007-05-14 2012-03-20 Abbott Diabetes Care Inc. Method and system for determining analyte levels
GB2436873A (en) 2006-04-07 2007-10-10 Univ Cambridge Tech Blood glucose monitoring systems
WO2007149533A2 (en) 2006-06-19 2007-12-27 Dose Safety System, method and article for controlling the dispensing of insulin
EP2037983A1 (en) 2006-06-30 2009-03-25 Novo Nordisk A/S Perfusion device with compensation of medical infusion during wear-time
US8114023B2 (en) 2006-07-28 2012-02-14 Legacy Emanuel Hospital & Health Center Analyte sensing and response system
US8932216B2 (en) 2006-08-07 2015-01-13 Abbott Diabetes Care Inc. Method and system for providing data management in integrated analyte monitoring and infusion system
CA2665121C (en) 2006-09-16 2013-11-26 Terence Gilhuly Modeling and control for highly variable and nonlinear processes
WO2008067284A2 (en) 2006-11-27 2008-06-05 University Of Virginia Patent Foundation Method, system, and computer program for detection of conditions of a patient having diabetes
US7734323B2 (en) 2007-01-24 2010-06-08 Smiths Medical Asd, Inc. Correction factor testing using frequent blood glucose input
US10154804B2 (en) * 2007-01-31 2018-12-18 Medtronic Minimed, Inc. Model predictive method and system for controlling and supervising insulin infusion
US8930203B2 (en) 2007-02-18 2015-01-06 Abbott Diabetes Care Inc. Multi-function analyte test device and methods therefor
US8732188B2 (en) 2007-02-18 2014-05-20 Abbott Diabetes Care Inc. Method and system for providing contextual based medication dosage determination
US20080206799A1 (en) 2007-02-27 2008-08-28 Michael Blomquist Carbohydrate ratio testing using frequent blood glucose input
US20080228056A1 (en) 2007-03-13 2008-09-18 Michael Blomquist Basal rate testing using frequent blood glucose input
WO2009081262A1 (en) 2007-12-18 2009-07-02 Insuline Medical Ltd. Drug delivery device with sensor for closed-loop operation
US20080269714A1 (en) 2007-04-25 2008-10-30 Medtronic Minimed, Inc. Closed loop/semi-closed loop therapy modification system
US20100145262A1 (en) 2007-05-03 2010-06-10 Novo Nordisk A/S Safety system for insulin delivery advisory algorithms
US8417311B2 (en) 2008-09-12 2013-04-09 Optiscan Biomedical Corporation Fluid component analysis system and method for glucose monitoring and control
US8221345B2 (en) 2007-05-30 2012-07-17 Smiths Medical Asd, Inc. Insulin pump based expert system
EP4276851A3 (en) 2007-06-21 2024-01-24 University Of Virginia Patent Foundation Lqg artificial pancreas control system and related method
EP3130367B1 (en) 2007-06-25 2019-07-24 Roche Diabetes Care GmbH A system for assessing insulin sensitivity
DK2167168T3 (en) 2007-06-25 2017-06-06 Hoffmann La Roche INDIVIDUALIZED BASAL INSULIN ADMINISTRATION SYSTEM
EP2201490A2 (en) 2007-09-04 2010-06-30 Koninklijke Philips Electronics N.V. Multi-treatment planning apparatus and method
US7717903B2 (en) 2007-09-06 2010-05-18 M2 Group Holdings, Inc. Operating an infusion pump system
US7879026B2 (en) 2007-09-07 2011-02-01 Asante Solutions, Inc. Controlled adjustment of medicine dispensation from an infusion pump device
US7935076B2 (en) 2007-09-07 2011-05-03 Asante Solutions, Inc. Activity sensing techniques for an infusion pump system
EP2205147A1 (en) 2007-10-10 2010-07-14 Optiscan Biomedical Corporation Fluid component analysis system and method for glucose monitoring and control
GB0719969D0 (en) * 2007-10-12 2007-11-21 Cambridge Entpr Ltd Substance monitoring and control in human or animal bodies
US8377031B2 (en) 2007-10-23 2013-02-19 Abbott Diabetes Care Inc. Closed loop control system with safety parameters and methods
US20100262117A1 (en) 2007-11-02 2010-10-14 University Of Virginia Patent Foundation Predictive control based system and method for control of insulin delivery in diabetes using glucose sensing
US20090163402A1 (en) 2007-12-19 2009-06-25 Eastman Chemical Company Fabric softener
WO2009081403A2 (en) 2007-12-26 2009-07-02 Medingo Ltd. Maintaining glycemic control during exercise
US20090177147A1 (en) 2008-01-07 2009-07-09 Michael Blomquist Insulin pump with insulin therapy coaching
US20090177142A1 (en) 2008-01-09 2009-07-09 Smiths Medical Md, Inc Insulin pump with add-on modules
US8112375B2 (en) 2008-03-31 2012-02-07 Nellcor Puritan Bennett Llc Wavelength selection and outlier detection in reduced rank linear models
US9220456B2 (en) 2008-04-04 2015-12-29 Hygieia, Inc. Systems, methods and devices for achieving glycemic balance
TWI394580B (zh) 2008-04-28 2013-05-01 Halozyme Inc 超快起作用胰島素組成物
US8480649B2 (en) 2008-04-29 2013-07-09 Ofer Yodfat Method for selecting bolus doses and bolus delivery patterns in a drug delivery device
WO2010009172A1 (en) 2008-07-14 2010-01-21 Abbott Diabetes Care Inc. Closed loop control system interface and methods
US20100057040A1 (en) 2008-08-31 2010-03-04 Abbott Diabetes Care, Inc. Robust Closed Loop Control And Methods
US8622988B2 (en) 2008-08-31 2014-01-07 Abbott Diabetes Care Inc. Variable rate closed loop control and methods
US9943644B2 (en) 2008-08-31 2018-04-17 Abbott Diabetes Care Inc. Closed loop control with reference measurement and methods thereof
US8734422B2 (en) 2008-08-31 2014-05-27 Abbott Diabetes Care Inc. Closed loop control with improved alarm functions
US8287487B2 (en) 2008-10-15 2012-10-16 Asante Solutions, Inc. Infusion pump system and methods
US20100174228A1 (en) 2008-10-24 2010-07-08 Bruce Buckingham Hypoglycemia prediction and control
US8527208B2 (en) 2008-11-17 2013-09-03 Roche Diagnostics International Ag Prandial blood glucose excursion optimization method via computation of time-varying optimal insulin profiles and system thereof
US9918635B2 (en) 2008-12-23 2018-03-20 Roche Diabetes Care, Inc. Systems and methods for optimizing insulin dosage
US20100160740A1 (en) 2008-12-24 2010-06-24 Gary Cohen Use of Patterns in a Therapy Management System
US9330237B2 (en) 2008-12-24 2016-05-03 Medtronic Minimed, Inc. Pattern recognition and filtering in a therapy management system
US8974439B2 (en) 2009-01-02 2015-03-10 Asante Solutions, Inc. Infusion pump system and methods
US8560082B2 (en) 2009-01-30 2013-10-15 Abbott Diabetes Care Inc. Computerized determination of insulin pump therapy parameters using real time and retrospective data processing
EP2393412B1 (en) 2009-02-04 2017-08-30 Sanofi-Aventis Deutschland GmbH Medical device and method for providing information for glycemic control
US9597451B2 (en) 2009-02-13 2017-03-21 Roche Diagnostic Operations, Inc. Insulin delivery safety
EP4243032A3 (en) 2009-02-25 2023-12-06 University Of Virginia Patent Foundation Method, system and computer program product for cgm-based prevention of hypoglycemia via hypoglycemia risk assessment and smooth reduction insulin delivery
EP2413781B1 (en) 2009-03-31 2019-07-24 Abbott Diabetes Care Inc. Overnight closed-loop insulin delivery with model predictive control and glucose measurement error model
US8467972B2 (en) 2009-04-28 2013-06-18 Abbott Diabetes Care Inc. Closed loop blood glucose control algorithm analysis
WO2010135670A2 (en) 2009-05-22 2010-11-25 Abbott Diabetes Care Inc. Safety layer for integrated insulin delivery system
US8257300B2 (en) 2009-05-22 2012-09-04 Abbott Diabetes Care Inc. Safety features for integrated insulin delivery system
US9579456B2 (en) 2009-05-22 2017-02-28 Abbott Diabetes Care Inc. Methods for reducing false hypoglycemia alarm occurrence
EP2432377A1 (en) 2009-05-22 2012-03-28 Abbott Diabetes Care, Inc. Usability features for integrated insulin delivery system
WO2010138848A1 (en) 2009-05-29 2010-12-02 University Of Virginia Patent Foundation System coordinator and modular architecture for open-loop and closed-loop control of diabetes
US9687194B2 (en) 2009-06-17 2017-06-27 Medtronic Minimed, Inc. Closed-loop glucose and/or insulin control system
JP5654587B2 (ja) 2009-06-30 2015-01-14 ライフスキャン・インコーポレイテッドＬｉｆｅｓｃａｎ，Ｉｎｃ． 基礎インスリン療法を算出する分析物試験方法及び装置
CN102630159A (zh) 2009-09-18 2012-08-08 梅丁格有限公司 用于根据用户参数对单次剂量进行量化的装置、系统和方法
DK2483824T3 (da) 2009-09-30 2017-11-27 Dreamed Diabetes Ltd Monitoreringsanordning til styring af insulinindgivelse
US8690820B2 (en) 2009-10-06 2014-04-08 Illinois Institute Of Technology Automatic insulin pumps using recursive multivariable models and adaptive control algorithms
US20110098548A1 (en) 2009-10-22 2011-04-28 Abbott Diabetes Care Inc. Methods for modeling insulin therapy requirements
EP2335755A1 (en) 2009-12-17 2011-06-22 Sanofi-Aventis Deutschland GmbH Device and method for delivery of two or more drug agents
DK2338552T3 (en) 2009-12-28 2017-10-30 Hoffmann La Roche Ambulatory infusion device with bolus administration delay
DK2525863T3 (en) 2010-01-20 2019-01-21 Hoffmann La Roche METHOD AND DEVICE FOR IMPROVING Glycemic Control
US8843321B2 (en) 2010-01-26 2014-09-23 Roche Diagnostics Operations, Inc. Methods and systems for processing glucose data measured from a person having diabetes
EP2521483B1 (en) 2010-02-11 2016-08-17 The Regents of The University of California System to deliver insulin to a subject
US9089292B2 (en) 2010-03-26 2015-07-28 Medtronic Minimed, Inc. Calibration of glucose monitoring sensor and/or insulin delivery system
EP3841968B1 (en) 2010-03-26 2022-11-30 University Of Virginia Patent Foundation Method, system, and computer program product for improving the accuracy of glucose sensors using insulin delivery observation in diabetes
US8532933B2 (en) 2010-06-18 2013-09-10 Roche Diagnostics Operations, Inc. Insulin optimization systems and testing methods with adjusted exit criterion accounting for system noise associated with biomarkers
US10561785B2 (en) 2010-06-22 2020-02-18 Medtronic Minimed, Inc. Method and/or system for closed-loop control of glucose to a treatment range
US20110313680A1 (en) 2010-06-22 2011-12-22 Doyle Iii Francis J Health Monitoring System
US20120006100A1 (en) 2010-07-06 2012-01-12 Medtronic Minimed, Inc. Method and/or system for determining blood glucose reference sample times
US8945094B2 (en) 2010-09-08 2015-02-03 Honeywell International Inc. Apparatus and method for medication delivery using single input-single output (SISO) model predictive control
WO2012051344A2 (en) 2010-10-12 2012-04-19 Regents Of The University Of California, The Maintaining multiple defined physiological zones using model predictive control
US8615366B2 (en) 2010-10-15 2013-12-24 Roche Diagnostics Operations, Inc. Handheld diabetes management device with bolus calculator
EP3594961A1 (en) 2010-10-31 2020-01-15 Trustees of Boston University Blood glucose control system
EP2463795A1 (en) 2010-12-09 2012-06-13 Fresenius Medical Care Deutschland GmbH A method for calculating or approximating one or more values representing parameters of a patient and devices
US9445757B2 (en) 2010-12-29 2016-09-20 Medtronic Minimed, Inc. Glycemic health metric determination and application
WO2012108938A1 (en) 2011-02-11 2012-08-16 Abbott Diabetes Care Inc. Software applications residing on handheld analyte determining devices
US10010273B2 (en) 2011-03-10 2018-07-03 Abbott Diabetes Care, Inc. Multi-function analyte monitor device and methods of use
JP6175049B2 (ja) 2011-03-30 2017-08-02 ノボ・ノルデイスク・エー／エス 患者の長期薬剤投与計画の最適化システム
JP6407715B2 (ja) 2011-05-06 2018-10-17 ノボ・ノルデイスク・エー／エス 薬剤用量レジメンを経時的に最適化するためのシステム
US9808577B2 (en) 2011-05-10 2017-11-07 Insuline Medical Ltd. Device, system and method for facilitating syringe based drug delivery and management thereof
RU2013156970A (ru) 2011-06-23 2015-07-27 Университи Оф Вирджиния Патент Фоундэйшион Унифицированная платформа для мониторинга и контроля уровней глюкозы в крови у больных сахарным диабетом
GB2493712B (en) 2011-08-12 2014-07-02 Gene Onyx Ltd Insulin pump
AU2012300331B2 (en) * 2011-08-26 2016-04-14 University Of Virginia Patent Foundation Method, system and computer readable medium for adaptive advisory control of diabetes
WO2013037754A2 (en) 2011-09-13 2013-03-21 Novo Nordisk A/S Adaptive system for optimizing a drug dosage regimen over time
CA3101645A1 (en) 2011-09-28 2013-04-04 Abbott Diabetes Care, Inc. Methods, devices and systems for analyte monitoring management
CN103874459B (zh) 2011-10-11 2016-07-13 诺沃—诺迪斯克有限公司 双用途咨询设备
US9138479B2 (en) 2011-10-31 2015-09-22 Xeris Pharmaceuticals, Inc. Formulations for the treatment of diabetes
WO2013066849A1 (en) 2011-10-31 2013-05-10 Abbott Diabetes Care Inc. Model based variable risk false glucose threshold alarm prevention mechanism
US20140309511A1 (en) 2011-12-06 2014-10-16 Dianovator Ab Medical arrangements and a method for prediction of a value related to a medical condition
US10022498B2 (en) 2011-12-16 2018-07-17 Icu Medical, Inc. System for monitoring and delivering medication to a patient and method of using the same to minimize the risks associated with automated therapy
TW201333870A (zh) 2011-12-21 2013-08-16 艾登工具股份有限公司 決定病人胰島素療法的系統及方法
US10694983B2 (en) 2012-01-19 2020-06-30 Medtronic Minimed, Inc. Method and/or system for assessing a patient's glycemic response
WO2013110118A1 (en) 2012-01-27 2013-08-01 The University Of Sydney Estimating arousal states
US20130231543A1 (en) 2012-03-05 2013-09-05 Andrea Facchinetti Method to improve safety monitoring in type-1 diabetic patients by detecting in real-time failures of the glucose
US9883834B2 (en) 2012-04-16 2018-02-06 Farid Amirouche Medication delivery device with multi-reservoir cartridge system and related methods of use
KR101945341B1 (ko) 2012-04-17 2019-02-08 삼성전자주식회사 운동량을 고려한 인슐린 자동 공급장치 및 그 방법
US20130338630A1 (en) 2012-06-07 2013-12-19 Medtronic Minimed, Inc. Diabetes therapy management system for recommending adjustments to an insulin infusion device
US9861744B2 (en) 2012-06-25 2018-01-09 International Business Machines Corporation Managing blood glucose levels
US9757510B2 (en) 2012-06-29 2017-09-12 Animas Corporation Method and system to handle manual boluses or meal events for closed-loop controllers
EP2869763B1 (en) 2012-07-03 2019-05-08 Edwards Lifesciences Corporation Glucose consumption monitor
US9990581B2 (en) 2012-07-11 2018-06-05 Roche Diabetes Care, Inc. Insulin dosage assessment and recommendation system
US8756043B2 (en) 2012-07-26 2014-06-17 Rimidi Diabetes, Inc. Blood glucose meter and computer-implemented method for improving glucose management through modeling of circadian profiles
US10130767B2 (en) 2012-08-30 2018-11-20 Medtronic Minimed, Inc. Sensor model supervisor for a closed-loop insulin infusion system
US9364609B2 (en) 2012-08-30 2016-06-14 Medtronic Minimed, Inc. Insulin on board compensation for a closed-loop insulin infusion system
US10496797B2 (en) 2012-08-30 2019-12-03 Medtronic Minimed, Inc. Blood glucose validation for a closed-loop operating mode of an insulin infusion system
US9662445B2 (en) 2012-08-30 2017-05-30 Medtronic Minimed, Inc. Regulating entry into a closed-loop operating mode of an insulin infusion system
US9878096B2 (en) 2012-08-30 2018-01-30 Medtronic Minimed, Inc. Generation of target glucose values for a closed-loop operating mode of an insulin infusion system
US9849239B2 (en) 2012-08-30 2017-12-26 Medtronic Minimed, Inc. Generation and application of an insulin limit for a closed-loop operating mode of an insulin infusion system
US9623179B2 (en) 2012-08-30 2017-04-18 Medtronic Minimed, Inc. Safeguarding techniques for a closed-loop insulin infusion system
US9171343B1 (en) 2012-09-11 2015-10-27 Aseko, Inc. Means and method for improved glycemic control for diabetic patients
US9901677B2 (en) 2012-10-16 2018-02-27 Bigfoot Biomedical, Inc. Infusion pump system and methods
US9119528B2 (en) 2012-10-30 2015-09-01 Dexcom, Inc. Systems and methods for providing sensitive and specific alarms
US9833191B2 (en) 2012-11-07 2017-12-05 Bigfoot Biomedical, Inc. Computer-based diabetes management
US9486578B2 (en) * 2012-12-07 2016-11-08 Animas Corporation Method and system for tuning a closed-loop controller for an artificial pancreas
US9907909B2 (en) 2012-12-20 2018-03-06 Animas Corporation Method and system for a hybrid control-to-target and control-to-range model predictive control of an artificial pancreas
WO2014109898A1 (en) 2013-01-14 2014-07-17 The Regents Of University Of California Model-based personalization scheme of an artificial pancreas for type i diabetes applications
KR102212020B1 (ko) 2013-01-14 2021-02-05 더 리전트 오브 더 유니버시티 오브 캘리포니아 제1형 당뇨병 응용을 위한 인공 췌장에 대한 모델 예측 제어 문제에서의 일주기 목표-구역 조절
US9227014B2 (en) 2013-02-07 2016-01-05 The Board Of Trustees Of The Laland Stanford Junior University Kalman filter based on-off switch for insulin pump
EP3662833A1 (en) 2013-02-20 2020-06-10 Dexcom, Inc. Retrospective retrofitting method to generate a continuous glucose concentration profile
US20150045641A1 (en) 2013-03-13 2015-02-12 Optiscan Biomedical Corporation Method and apparatus for analyte measurement, display, and annotation
US10016561B2 (en) 2013-03-15 2018-07-10 Tandem Diabetes Care, Inc. Clinical variable determination
US9517306B2 (en) 2013-03-15 2016-12-13 Animas Corporation Method and system for closed-loop control of an artificial pancreas
US9795737B2 (en) 2013-03-15 2017-10-24 Animas Corporation Method and system for closed-loop control of an artificial pancreas
US9492608B2 (en) 2013-03-15 2016-11-15 Tandem Diabetes Care, Inc. Method and device utilizing insulin delivery protocols
US9486171B2 (en) 2013-03-15 2016-11-08 Tandem Diabetes Care, Inc. Predictive calibration
ES2671001T3 (es) 2013-03-15 2018-06-04 Animas Corporation Modelo de tiempo-acción de insulina
US20140309615A1 (en) 2013-04-16 2014-10-16 Bryan Mazlish Discretionary insulin delivery systems and methods
JP6446030B2 (ja) 2013-04-24 2018-12-26 フレゼニウス カービ ドイチュラント ゲーエムベーハー 薬剤注入装置を制御する制御装置を操作する方法
US9047089B2 (en) 2013-05-20 2015-06-02 Rovi Guides, Inc. Energy-saving systems and methods for updating media information
EP3786968A1 (en) 2013-07-19 2021-03-03 Dexcom, Inc. Time averaged basal rate optimizer
US9474855B2 (en) 2013-10-04 2016-10-25 Animas Corporation Method and system for controlling a tuning factor due to sensor replacement for closed-loop controller in an artificial pancreas
WO2015073211A1 (en) 2013-11-14 2015-05-21 Regents Of The University Of California Glucose rate increase detector: a meal detection module for the health monitoring system
US9861747B2 (en) 2013-12-05 2018-01-09 Lifescan, Inc. Method and system for management of diabetes with a glucose monitor and infusion pump to provide feedback on bolus dosing
US20150157273A1 (en) 2013-12-06 2015-06-11 Cardiac Pacemakers, Inc. Heart failure event prediction using classifier fusion
US20150164414A1 (en) 2013-12-10 2015-06-18 Grant Matthews Recursive Real-time Determination of Glucose Forcing in a Diabetic patient for use in a Closed Loop Insulin Delivery system
US9750878B2 (en) 2013-12-11 2017-09-05 Medtronic Minimed, Inc. Closed-loop control of glucose according to a predicted blood glucose trajectory
US9750877B2 (en) 2013-12-11 2017-09-05 Medtronic Minimed, Inc. Predicted time to assess and/or control a glycemic state
US9849240B2 (en) 2013-12-12 2017-12-26 Medtronic Minimed, Inc. Data modification for predictive operations and devices incorporating same
US10925536B2 (en) 2014-01-03 2021-02-23 University Of Virginia Patent Foundation Systems of centralized data exchange for monitoring and control of blood glucose
JP6243546B2 (ja) 2014-01-31 2017-12-06 トラスティーズ オブ ボストン ユニバーシティ 先行する期間に基づくオフライングルコースレベル制御
US9399096B2 (en) 2014-02-06 2016-07-26 Medtronic Minimed, Inc. Automatic closed-loop control adjustments and infusion systems incorporating same
US9861748B2 (en) 2014-02-06 2018-01-09 Medtronic Minimed, Inc. User-configurable closed-loop notifications and infusion systems incorporating same
EP3128913B1 (en) 2014-04-10 2019-05-08 Dexcom, Inc. Determining a user's urgency index associated with a physiological condition
US10232113B2 (en) 2014-04-24 2019-03-19 Medtronic Minimed, Inc. Infusion devices and related methods and systems for regulating insulin on board
US10274349B2 (en) 2014-05-19 2019-04-30 Medtronic Minimed, Inc. Calibration factor adjustments for infusion devices and related methods and systems
US10152049B2 (en) 2014-05-19 2018-12-11 Medtronic Minimed, Inc. Glucose sensor health monitoring and related methods and systems
US10007765B2 (en) 2014-05-19 2018-06-26 Medtronic Minimed, Inc. Adaptive signal processing for infusion devices and related methods and systems
AU2015274894B2 (en) 2014-06-10 2018-11-15 Bigfoot Biomedical, Inc. Insulin delivery systems and methods
US9724470B2 (en) 2014-06-16 2017-08-08 Icu Medical, Inc. System for monitoring and delivering medication to a patient and method of using the same to minimize the risks associated with automated therapy
EP2966582A1 (en) 2014-07-11 2016-01-13 Sanofi-Aventis Deutschland GmbH Titration of basal insulin with two modes
EP3180065A4 (en) 2014-07-24 2018-04-11 Thomas Jefferson University Long-term implantable monitoring system & methods of use
WO2016019133A1 (en) 2014-07-30 2016-02-04 Tandem Diabetes Care, Inc. Temporary suspension for closed-loop medicament therapy
US20160029966A1 (en) 2014-07-31 2016-02-04 Sano Intelligence, Inc. Method and system for processing and analyzing analyte sensor signals
EP3177344B1 (en) 2014-08-06 2023-06-28 The Regents of The University of California Moving-horizon state-initializer for control applications
CA2958067C (en) 2014-08-14 2023-03-14 University Of Virginia Patent Foundation Improved accuracy continuous glucose monitoring method, system, and device
HUE053370T2 (hu) 2014-09-22 2021-06-28 Dexcom Inc Eljárás üzemmód átkapcsolásra
WO2016061550A1 (en) 2014-10-17 2016-04-21 Exerscrip, LLC Algorithms for diabetes exercise therapy
WO2016061308A1 (en) 2014-10-17 2016-04-21 Kahlbaugh Bradley E Human metabolic condition management
CN105688308A (zh) 2014-11-13 2016-06-22 上海泽生科技开发有限公司 注射泵控制方法、控制单元及注射泵
US10456090B2 (en) 2014-11-22 2019-10-29 Bigfoot Biomedical, Inc. Method to determine individualized insulin sensitivity and optimal insulin dose by linear regression, and related systems
US9943645B2 (en) 2014-12-04 2018-04-17 Medtronic Minimed, Inc. Methods for operating mode transitions and related infusion devices and systems
US10265031B2 (en) 2014-12-19 2019-04-23 Medtronic Minimed, Inc. Infusion devices and related methods and systems for automatic alert clearing
US10307535B2 (en) 2014-12-19 2019-06-04 Medtronic Minimed, Inc. Infusion devices and related methods and systems for preemptive alerting
US9717848B2 (en) 2015-01-22 2017-08-01 Medtronic Minimed, Inc. Data derived pre-bolus delivery
CN104667379B (zh) 2015-03-06 2017-08-15 上海交通大学 动态闭环控制的胰岛素泵
JP2016167152A (ja) 2015-03-09 2016-09-15 セイコーエプソン株式会社 状態提示装置、状態提示システム、状態提示方法及び状態提示プログラム
US10617363B2 (en) 2015-04-02 2020-04-14 Roche Diabetes Care, Inc. Methods and systems for analyzing glucose data measured from a person having diabetes
US9878097B2 (en) 2015-04-29 2018-01-30 Bigfoot Biomedical, Inc. Operating an infusion pump system
CN107592931A (zh) 2015-05-13 2018-01-16 安晟信医疗科技控股公司 剂量计算器
US10646650B2 (en) 2015-06-02 2020-05-12 Illinois Institute Of Technology Multivariable artificial pancreas method and system
JP6853198B2 (ja) 2015-06-28 2021-03-31 ザ リージェンツ オブ ザ ユニバーシティ オブ カリフォルニアＴｈｅ Ｒｅｇｅｎｔｓ Ｏｆ Ｔｈｅ Ｕｎｉｖｅｒｓｉｔｙ Ｏｆ Ｃａｌｉｆｏｒｎｉａ １型糖尿病に適用するための人工膵臓の速度重み付けモデル予測制御
EP3957233A3 (en) 2015-08-07 2022-05-11 Trustees of Boston University Glucose control system with automatic adaptation of glucose target
WO2017031440A1 (en) 2015-08-20 2017-02-23 Aseko, Inc. Diabetes management therapy advisor
US20170053552A1 (en) 2015-08-21 2017-02-23 Medtronic Minimed, Inc. Management and prioritization of the delivery of glycemic insight messages
US10463297B2 (en) 2015-08-21 2019-11-05 Medtronic Minimed, Inc. Personalized event detection methods and related devices and systems
US10657224B2 (en) 2015-09-25 2020-05-19 Accenture Global Solutions Limited Monitoring and treatment dosage prediction system
US10878964B2 (en) 2016-01-12 2020-12-29 President And Fellows Of Harvard College Predictive control model for the artificial pancreas using past predictions
CN112933333B (zh) 2016-01-14 2023-03-28 比格福特生物医药公司 调整胰岛素输送速率
WO2017123703A2 (en) 2016-01-14 2017-07-20 Bigfoot Biomedical, Inc. Occlusion resolution in medication delivery devices, systems, and methods
US20170332952A1 (en) 2016-05-23 2017-11-23 Bigfoot Biomedical, Inc. Insulin delivery system and methods with risk based set points
US10297350B2 (en) 2016-06-01 2019-05-21 Roche Diabetes Care, Inc. Risk-based control-to-range
US10332633B2 (en) 2016-06-01 2019-06-25 Roche Diabetes Care, Inc. Control-to-range aggressiveness
US10332632B2 (en) 2016-06-01 2019-06-25 Roche Diabetes Care, Inc. Control-to-range failsafes
US10456086B2 (en) 2016-08-31 2019-10-29 University Of Virginia Patent Foundation Method, system and computer readable medium for predictive hypoglycemia detection for mild to moderate exercise
US10561788B2 (en) 2016-10-06 2020-02-18 Medtronic Minimed, Inc. Infusion systems and methods for automated exercise mitigation
US11097051B2 (en) 2016-11-04 2021-08-24 Medtronic Minimed, Inc. Methods and apparatus for detecting and reacting to insufficient hypoglycemia response
US10854324B2 (en) 2016-12-21 2020-12-01 Medtronic Minimed, Inc. Infusion systems and methods for prospective closed-loop adjustments
US10709834B2 (en) 2016-12-21 2020-07-14 Medtronic Minimed, Inc. Medication fluid infusion set component with integrated physiological analyte sensor, and corresponding fluid infusion device
WO2018132765A1 (en) 2017-01-13 2018-07-19 Mazlish Bryan Insulin delivery methods, systems and devices
WO2018132723A1 (en) 2017-01-13 2018-07-19 Mazlish Bryan Insulin delivery methods, systems and devices
WO2018132754A1 (en) 2017-01-13 2018-07-19 Mazlish Bryan System and method for adjusting insulin delivery
WO2018156584A1 (en) 2017-02-21 2018-08-30 Abbott Diabetes Care Inc. Methods, devices, and systems for physiological parameter analysis
US11229406B2 (en) 2017-03-24 2022-01-25 Medtronic Minimed, Inc. Patient-specific glucose prediction systems and methods
US10729849B2 (en) 2017-04-07 2020-08-04 LifeSpan IP Holdings, LLC Insulin-on-board accounting in an artificial pancreas system
US11147920B2 (en) 2017-04-18 2021-10-19 Lifescan Ip Holdings, Llc Diabetes management system with automatic basal and manual bolus insulin control
US10755392B2 (en) 2017-07-13 2020-08-25 Mediatek Inc. High-dynamic-range video tone mapping

Also Published As

Publication number Publication date
CN110582231A (zh) 2019-12-17
AU2021202523A1 (en) 2021-05-27
US20200197605A1 (en) 2020-06-25
AU2018261124B2 (en) 2021-01-28
AU2021202523B2 (en) 2023-05-11
AU2023214330A1 (en) 2023-08-31
JP2021106947A (ja) 2021-07-29
DK3618713T3 (da) 2022-01-24
EP4290320A2 (en) 2023-12-13
EP3970611B1 (en) 2023-12-06
AU2018261124A1 (en) 2019-10-17
CA3059985C (en) 2023-08-08
EP3618713B1 (en) 2021-12-15
JP7431773B2 (ja) 2024-02-15
EP3618713A1 (en) 2020-03-11
ES2903174T3 (es) 2022-03-31
CA3059985A1 (en) 2018-11-08
EP3970611A1 (en) 2022-03-23
JP6874155B2 (ja) 2021-05-19
CN110582231B (zh) 2023-05-16
US20240108806A1 (en) 2024-04-04
WO2018204568A1 (en) 2018-11-08
US11878145B2 (en) 2024-01-23
CA3198598A1 (en) 2018-11-08
EP4290320A3 (en) 2024-02-21
JP2020518340A (ja) 2020-06-25

Similar Documents

Publication Publication Date Title
CN110582231B (zh) 生理葡萄糖的闭环控制
AU2022268306A1 (en) Insulin and pramlintide delivery systems, methods, and devices
JP7457072B2 (ja) 生理的グルコースの閉ループ制御
US8762070B2 (en) Systems, devices and methods to deliver biological factors or drugs to a subject
US20230238104A1 (en) Insulin delivery systems, methods, and devices
US20230218821A1 (en) Tdd tracking approaches for insulin delivery systems, methods, and devices

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
TA01 Transfer of patent application right

Effective date of registration: 20231121

Address after: Swiss Bugge Dov

Applicant after: Yishou pharmaceutical treatment Co.,Ltd.

Address before: Indiana, USA

Applicant before: Eli Lilly and Co.

TA01 Transfer of patent application right