CN116705230B - 具有胰岛素灵敏度自适应估计的mdi决策系统及方法 - Google Patents
具有胰岛素灵敏度自适应估计的mdi决策系统及方法 Download PDFInfo
- Publication number
- CN116705230B CN116705230B CN202310709116.1A CN202310709116A CN116705230B CN 116705230 B CN116705230 B CN 116705230B CN 202310709116 A CN202310709116 A CN 202310709116A CN 116705230 B CN116705230 B CN 116705230B
- Authority
- CN
- China
- Prior art keywords
- insulin
- blood glucose
- patient
- module
- insulin sensitivity
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 84
- 206010022489 Insulin Resistance Diseases 0.000 title claims abstract description 58
- 230000003044 adaptive effect Effects 0.000 title claims description 20
- NOESYZHRGYRDHS-UHFFFAOYSA-N insulin Chemical compound N1C(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(NC(=O)CN)C(C)CC)CSSCC(C(NC(CO)C(=O)NC(CC(C)C)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CCC(N)=O)C(=O)NC(CC(C)C)C(=O)NC(CCC(O)=O)C(=O)NC(CC(N)=O)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CSSCC(NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2C=CC(O)=CC=2)NC(=O)C(CC(C)C)NC(=O)C(C)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2NC=NC=2)NC(=O)C(CO)NC(=O)CNC2=O)C(=O)NCC(=O)NC(CCC(O)=O)C(=O)NC(CCCNC(N)=N)C(=O)NCC(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC(O)=CC=3)C(=O)NC(C(C)O)C(=O)N3C(CCC3)C(=O)NC(CCCCN)C(=O)NC(C)C(O)=O)C(=O)NC(CC(N)=O)C(O)=O)=O)NC(=O)C(C(C)CC)NC(=O)C(CO)NC(=O)C(C(C)O)NC(=O)C1CSSCC2NC(=O)C(CC(C)C)NC(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CC(N)=O)NC(=O)C(NC(=O)C(N)CC=1C=CC=CC=1)C(C)C)CC1=CN=CN1 NOESYZHRGYRDHS-UHFFFAOYSA-N 0.000 claims abstract description 238
- 239000008280 blood Substances 0.000 claims abstract description 157
- 210000004369 blood Anatomy 0.000 claims abstract description 157
- 102000004877 Insulin Human genes 0.000 claims abstract description 119
- 108090001061 Insulin Proteins 0.000 claims abstract description 119
- 229940125396 insulin Drugs 0.000 claims abstract description 119
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims abstract description 107
- 239000008103 glucose Substances 0.000 claims abstract description 107
- 238000002347 injection Methods 0.000 claims abstract description 49
- 239000007924 injection Substances 0.000 claims abstract description 49
- 235000012054 meals Nutrition 0.000 claims abstract description 41
- 238000004891 communication Methods 0.000 claims abstract description 19
- 238000013079 data visualisation Methods 0.000 claims abstract description 19
- 238000012544 monitoring process Methods 0.000 claims abstract description 19
- 230000005540 biological transmission Effects 0.000 claims abstract description 15
- 238000013500 data storage Methods 0.000 claims abstract description 15
- 238000013461 design Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims description 46
- 238000005259 measurement Methods 0.000 claims description 15
- 206010012601 diabetes mellitus Diseases 0.000 claims description 12
- 230000004153 glucose metabolism Effects 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 9
- 235000021152 breakfast Nutrition 0.000 claims description 7
- 230000004060 metabolic process Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 150000001720 carbohydrates Chemical class 0.000 claims description 6
- 235000014633 carbohydrates Nutrition 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 201000001421 hyperglycemia Diseases 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 230000033001 locomotion Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000036651 mood Effects 0.000 claims description 4
- 208000013016 Hypoglycemia Diseases 0.000 claims description 3
- 206010023379 Ketoacidosis Diseases 0.000 claims description 3
- 208000007976 Ketosis Diseases 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims description 3
- 230000014509 gene expression Effects 0.000 claims description 3
- 230000002641 glycemic effect Effects 0.000 claims description 3
- 230000002218 hypoglycaemic effect Effects 0.000 claims description 3
- 230000000291 postprandial effect Effects 0.000 claims description 3
- 230000000452 restraining effect Effects 0.000 claims description 3
- 229940126585 therapeutic drug Drugs 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 36
- 229940127560 insulin pen Drugs 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 239000000243 solution Substances 0.000 description 5
- 230000002354 daily effect Effects 0.000 description 3
- 238000002560 therapeutic procedure Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 210000000496 pancreas Anatomy 0.000 description 2
- 206010067584 Type 1 diabetes mellitus Diseases 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000002552 dosage form Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 150000002576 ketones Chemical class 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 231100000572 poisoning Toxicity 0.000 description 1
- 230000000607 poisoning effect Effects 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007929 subcutaneous injection Substances 0.000 description 1
- 238000010254 subcutaneous injection Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Medicinal Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了具有胰岛素灵敏度自适应估计的MDI决策系统及方法，包括胰岛素灵敏度自适应估计及血糖预测模块、剂量决策模块、通信与传输模块、数据存储及可视化模块、患者信息录入模块；胰岛素灵敏度自适应估计及血糖预测模块、剂量决策模块、数据存储及可视化模块、患者信息录入模块均搭载于移动设备上，移动设备经通信传输模块分别与用于持续监测患者血糖的血糖持续监测设备和胰岛素注射设备相通讯。本发明采用上述具有胰岛素灵敏度自适应估计的MDI决策系统及方法，通过具有胰岛素灵敏度估计的血糖控制算法完成餐前和基础胰岛素剂量推荐，建立本地数据库实现数据存储和数据可视化，收集患者的必要信息以辅助决策，实现面向患者需求的系统集成设计。
Description
技术领域
本发明涉及胰岛素剂量调控技术领域，尤其涉及具有胰岛素灵敏度自适应估计的MDI决策系统及方法。
背景技术
糖尿病已成为影响我国和世界各国人民生活质量的重大公共健康问题。2021年国际糖尿病联盟(IDF)发布的统计数据显示，全球估计有5.37亿糖尿病患者，其中我国患者数量1.41亿，居全球首位；2021年全球糖尿病相关医疗开销达9660亿美元，我国糖尿病患者治疗开销高达10924亿元人民币。
而作为治疗糖尿病的胰岛素需要根据医生处方建议剂量，再利用胰岛素笔注射胰岛素。然而，现有胰岛素治疗达标率不足25％，更有近10％的1型糖尿病患者死于过量胰岛素注射。即胰岛素使用剂量和方式的不合理是导致控糖效果不佳和并发症发生发展的主要原因，注射剂量的准确性直接决定着糖尿病患者的生命安危。
目前胰岛素剂量智能决策前沿技术是人工胰腺系统，实际上是将自动化技术赋能到胰岛素泵上；但是实际上，这类系统主要适用于少数的1型糖尿病，适用范围窄，而且需要配合价格昂贵的胰岛素泵，目前胰岛素泵价格是传统胰岛素笔的近100倍。使得人工胰腺技术难以满足糖尿病胰岛素治疗的广泛需求。
为解决上述问题，部分学者研究将人工智能赋能价格便宜的胰岛素笔，实现符合患者实际需求的胰岛素用药剂量个体化安全有效决策系统。
基于胰岛素笔的治疗常采用每日多次胰岛素皮下注射(Multiple dailyinjection，MDI)的方式，随着血糖持续监测设备的普及与更新迭代，连续血糖监测数据的应用改进了MDI治疗，并发展出数据驱动的血糖控制方法。数据驱动方法无需建立人体血糖代谢模型，仅需要系统的输入输出数据即能实现模型建立与血糖控制。例如，史大威等在《面向智能血糖管理的餐前胰岛素剂量贝叶斯学习优化方法》中公开了基于高斯过程回归建立血糖预测模型，提出临床经验辅助的餐前剂量贝叶斯学习优化方法，能够有效地利用患者血糖历史管理数据辅助餐前胰岛素用药决策。
然而，临床试验结果表明患者的胰岛素灵敏度，即胰岛素降低血糖的能力，会受多种因素影响，例如运动、情绪等。但是公开的现有技术未充分考虑胰岛素灵敏度的变化对于血糖控制的影响，使得胰岛素智能决策算法的科学性难以保证。例如，申请公开号为CN110289094A的发明专利提出一种基于专家规则的胰岛素精准给药决策方法，其通过体重、年龄、性别等数据利用经验公式计算时不变的胰岛素灵敏度，故缺乏对于胰岛素灵敏度时变性的考虑。申请公开号为CN111833985A的发明专利提出了一种基于先进人工智能深度学习技术的胰岛素智能辅助决策系统，其构建具有多个特征性字段的糖尿病患者临床数据集以训练机器学习模型从而实现胰岛素剂型和剂量的决策，但所用数据集中缺少显式的胰岛素灵敏度信息。
发明内容
为解决上述问题，本发明提供具有胰岛素灵敏度自适应估计的MDI决策系统及方法，通过具有胰岛素灵敏度估计的血糖控制算法完成餐前和基础胰岛素剂量推荐，建立本地数据库实现数据存储和数据可视化，收集患者的必要信息以辅助决策，实现面向患者需求的系统集成设计。
为实现上述目的，本发明提供了具有胰岛素灵敏度自适应估计的MDI决策系统，包括胰岛素灵敏度自适应估计及血糖预测模块、剂量决策模块、通信与传输模块、数据存储及可视化模块、患者信息录入模块；
胰岛素灵敏度自适应估计及血糖预测模块，用于基于患者信息训练的反映个体化血糖代谢过程的高斯过程模型结合基于对生理场景分类的分类器预测血糖态势；
剂量决策模块，用于利用血糖态势预测信息，计算胰岛素推荐剂量；
通信传输模块，用于实现连续血糖监测信息、胰岛素注射剂量反馈与移动设备的传输；
数据存储及可视化模块，用于通过对连续血糖数据、胰岛素剂量数据以及用餐信息的存储和回调实现数据可视化功能，展示血糖控制效果和潜在的高低血糖风险；
患者信息录入模块，用于录入患者的个人信息；
胰岛素灵敏度自适应估计及血糖预测模块、剂量决策模块、数据存储及可视化模块、患者信息录入模块均搭载于移动设备上，移动设备经通信传输模块分别与用于持续监测患者血糖的血糖持续监测设备和胰岛素注射设备相通讯。
优选的，患者信息包括患者的实际血糖数据、用餐信息、胰岛素剂量；
生理场景为对胰岛素降低血糖的能力有影响的场景，其包括运动、情绪、酮中毒解除；
患者的个人信息包括患者的年龄、性别、糖尿病类型、拟采用的治疗药物。
具有胰岛素灵敏度自适应估计的MDI决策系统的方法，包括以下步骤：
S1、利用胰岛素灵敏度自适应估计及血糖预测模块预测血糖态势；
S2、剂量决策模块根据预测的血糖态势计算胰岛素推荐剂量；
S3、将计算的胰岛素推荐剂量发送至胰岛素注射设备。
优选的，步骤S1具体包括以下步骤：
S11、利用回顾性临床数据对患者对胰岛素降低血糖的能力有影响的生理场景进行分类，并利用分类结果构建分类器；
S12、基于患者实际血糖数据、用餐信息、胰岛素剂量训练出反映患者化血糖代谢过程的高斯过程模型；
S13、利用分类器辨识出患者实际所处的生理场景；
S14、基于患者所处的生理场景估计高斯过程核函数的自适应时变部分，通过高斯过程预测方法，预测血糖态势。
优选的，步骤S12具体包括以下步骤：
S121、针对餐前胰岛素和基础胰岛素的使用情景建立不同的血糖代谢模型，基础胰岛素用于患者夜间时的血糖控制，而餐前胰岛素则用于遏制患者在用餐后血糖浓度的快速上升，且餐前包括早餐、午餐和晚餐；
S122、采用自回归的形式构建高斯过程模型：
根据餐型，利用高斯过程对餐后每一时刻的血糖动力学进行建模：
Gt+i＝ft+i-1(Dt+i-1)+ωt+i-1 (1)
式中，t表示为基准时刻，其对应早餐、中餐、晚餐的血糖代谢建模的餐前胰岛素注射时刻，对应夜间睡眠时的血糖代谢建模的基础胰岛素注射时间；ω为白噪声，G为血糖值，l为自回归模型阶数，u表示胰岛素注射剂量，m表示患者摄入的碳水化合物含量，i＝{1,2,…,n}代表高斯过程的预测步长；Dt+i-1为l+1步血糖测量值、胰岛素注射剂量和摄入碳水化合物含量构成的向量，其作为i时刻高斯过程回归预测模型的输入；
其中，高斯过程中的均值函数考虑为线性形式：
m(Dt)＝aTDt+b (3)
式中，Dt为i＝1时刻对应的高斯过程模型的输入；a、b为高斯过程均值的线性形式下的超参数；
在协方差函数中，考虑胰岛素灵敏度的影响，设计如下的协方差函数：
k(Dt,D't)＝Γ(Dt,D't)+λ(Dt,D’t) (4)
式中，Γ为协方差函数中时不变部分，其选用径向基形式或者根据患者信息和个人信息设计不变高斯核；λ为时变部分，其根据能影响胰岛素灵敏度的生理场景估计，随着患者所处的生理场景自适应变化；式中k为协方差函数；k(Dt,D't)表示对同一餐型下相同餐后时刻的不同天数的数据求协方差。
优选的，步骤S13具体包括以下步骤：
S131、基于欧式距离度量每日回顾性血糖数据之间的差异，根据度量值实现对血糖数据的聚类；
S132、利用不同聚类的判定条件建立场景分类器并用于实际血糖分类，实现生理场景的分类和辨识。
优选的，步骤S131具体包括以下步骤：
S1311、为度量值的临床分别率，对血糖数据进行空间变换：
f(Gt)＝ln(Gt)p-q (5)
式中，p、q均为设置参数；Gt为t时刻的血糖值；
S1312、分别建立用于实现长作用时间场景辨识的长时窗度量函数和用于实现短作用时间场景辨识的短时窗度量函数，长时窗度量函数和短时窗度量函数的表达式均如下所示：
式中，dj和dk分别表示第j,k天的血糖数据，M(.,.)表示不同天数的数据之间的度量值；h为设置的度量增益；N为采样值个数；hjk为权重变量，且当j,k之差的绝对值越小时hjk越大。
优选的，在步骤S14中通过利用上一阶段的数据Dt，代入到高斯过程模型中，逐时刻预测出血糖变化轨迹。
优选的，步骤S2具体包括以下步骤：
S21、针对餐前胰岛素和基础胰岛素分别设计餐前胰岛素控制模块和基础胰岛素控制模块；
S22、采用构建代价函数求解最优剂量。
优选的，步骤S22具体包括以下步骤：
S221、设计代价函数为：
J＝E[(P-Pc)Q(P-Pc)T] (7)
式中，E为数学期望，P为n步血糖预测值向量，向量中的元素分别为 Pc为血糖控制目标向量；Q为权值矩阵，用于在预测值接近高低血糖阈值时施加惩罚；
S222、设计优化问题为：
式中，u为待求解的胰岛素注射剂量；J表示设计的代价函数；
S223、设计约束条件如下：
L1≤u-up≤L2 (9)
0≤u≤umax (10)
式中，up为前一天相同时段的胰岛素注射剂量，umax为最大注射剂量，L1和L2为均基于临床经验的注射剂量增量约束；
S224、根据优化问题和约束条件求解最优胰岛素注射剂量取值区间，采用穷举法对取值区间内的剂量进行遍历，代入到代价函数中，通过比较函数值求解出实际使用条件下的最优剂量。
本发明具有以下有益效果：
1、可针对时变的胰岛素灵敏度进行有效估计，在血糖态势预测和胰岛素剂量决策算法中自适应地利用胰岛素灵敏度信息。
2、为实现以胰岛素灵敏度自适应估计为核心技术的血糖控制算法能够更好地应用于实际治疗中，还可将胰岛素灵敏度自适应估算法嵌入到基于移动设备的胰岛素剂量推荐程序中，设计适合胰岛素笔用户的软件界面，实现与连续血糖监测(continuous glucosemonitoring，CGM)设备和胰岛素笔的稳定蓝牙通信。
3、利用连续血糖持续监测设备提供的连续血糖数据，通过具有胰岛素灵敏度估计的血糖控制算法完成餐前和基础胰岛素剂量推荐，建立本地数据库实现数据存储和数据可视化，收集患者的必要信息以辅助决策，实现面向患者需求的系统集成设计。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的具有胰岛素灵敏度自适应估计的MDI决策系统的结构框图；
图2为本发明的实施例的胰岛素及用餐信息时序统计图；
图3为本发明的实施例的血糖监测数据时序统计图；
图4为本发明的具有胰岛素灵敏度自适应估计的MDI决策系统的方法的流程图。
具体实施方式
为了使本发明实施例公开的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明实施例进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本发明实施例，并不用于限定本发明实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。
需要说明的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中，需要说明的是，术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
如图1所示，具有胰岛素灵敏度自适应估计的MDI决策系统，包括胰岛素灵敏度自适应估计及血糖预测模块、剂量决策模块、通信与传输模块、数据存储及可视化模块、患者信息录入模块；
胰岛素灵敏度自适应估计及血糖预测模块，用于基于患者信息训练的反映个体化血糖代谢过程的高斯过程模型结合基于对生理场景分类的分类器预测血糖态势；其中，患者信息包括患者的实际血糖数据、用餐信息(早餐、午餐、晚餐)、胰岛素剂量；生理场景为对胰岛素降低血糖的能力有影响的场景，其包括运动、情绪、酮中毒解除；通过充分考虑胰岛素灵敏度的影响，能显著提升血糖预测的准确度，为后续精准剂量决策提供支撑。
剂量决策模块，用于利用血糖态势预测信息，计算胰岛素推荐剂量；
通信传输模块，用于实现连续血糖监测信息、胰岛素注射剂量反馈与移动设备的传输；本实施例中，由于应用场景要求长时间通讯，且以短距离通信为主，因此选用蓝牙无线通信技术实现数据传输。同时，蓝牙通信具有高兼容性和多链接性，能够切合患者的实际使用需求。实际使用时通过按钮控件实现对连续血糖持续监测设备和胰岛素注射设备的蓝牙连接，通过设计蓝牙无线通讯API建立与连续血糖持续监测设备、胰岛素注射设备(胰岛素笔)的通信，获取患者的必要信息以实现个体化智能血糖控制。
数据存储及可视化模块，用于通过对连续血糖数据、胰岛素剂量数据以及用餐信息的存储和回调实现数据可视化功能，展示血糖控制效果和潜在的高低血糖风险；通过构建本地数据库，实现对于患者的血糖信息、胰岛素剂量注射信息、用餐信息的存储，并保护患者的隐私。其中，血糖信息来源于连续血糖持续监测设备，胰岛素剂量注射信息来源于胰岛素笔的注射反馈，用餐信息来源于患者的手动输入。存储的数据用来实现具有胰岛素灵敏度估计的血糖态势预测及胰岛素剂量决策，并作为可视化的数据来源。
如图2和图3所示，数据可视化模块能够将患者的生理数据以时序统计图的形式展示。具体地，用散点图描述患者的血糖数据，用虚线描述患者的用餐信息。横轴代表时间，纵轴代表血糖浓度/剂量值。同时，为更加直观地展示关键数据和信息，对当前血糖值、高低血糖报警以及体内剩余胰岛素设计独立的显示区域，辅助患者实施胰岛素注射。
患者信息录入模块，用于录入患者的个人信息；为实现精准的个体化血糖控制，患者需要录入必要的个人信息，包括患者的年龄、性别、糖尿病类型、并发症状况、患病时长等信息，以及患者自定义的唯一ID血糖态势预测和胰岛素剂量决策算法会参考上述信息。同时为保证患者信息不被误触后修改，设计密码保护机制，使得患者在修改信息前需输入密码，否则信息录入会处于锁定的状态。密码保护机制能够提升本发明使用时的安全性。
患者的个人信息包括患者的年龄、性别、糖尿病类型、拟采用的治疗药物。
胰岛素灵敏度自适应估计及血糖预测模块、剂量决策模块、数据存储及可视化模块、患者信息录入模块均搭载于移动设备上，移动设备经通信传输模块分别与用于持续监测患者血糖的血糖持续监测设备和胰岛素注射设备相通讯。
如图4所示，具有胰岛素灵敏度自适应估计的MDI决策系统的方法，包括以下步骤：
S1、利用胰岛素灵敏度自适应估计及血糖预测模块预测血糖态势；
优选的，步骤S1具体包括以下步骤：
S11、利用回顾性临床数据对患者对胰岛素降低血糖的能力有影响的生理场景进行分类，并利用分类结果构建分类器；
S12、基于患者实际血糖数据、用餐信息、胰岛素剂量训练出反映患者化血糖代谢过程的高斯过程模型；由于人体的生理代谢过程受多种因素影响，含参动力学方程难以充分描述代谢过程，因此采用非参数化建模策略(高斯过程模型)，高斯过程由其数学期望和核函数完全定义，具有可解释性，并且高斯过程具有边缘分布的性质，使得高斯过程可以被用于函数值的预测。
优选的，步骤S12具体包括以下步骤：
S121、针对餐前胰岛素和基础胰岛素的使用情景建立不同的血糖代谢模型，基础胰岛素用于患者夜间时的血糖控制，而餐前胰岛素则用于遏制患者在用餐后血糖浓度的快速上升，且餐前包括早餐、午餐和晚餐；
S122、根据血糖代谢的特点，即若已知过去血糖值、胰岛素注射剂量和用餐量等信息则当前的血糖值必处于特定的区间下，故采用自回归的形式构建高斯过程模型：具体地，根据餐型，利用高斯过程对餐后每一时刻的血糖动力学进行建模(各时刻的建模方式类似)：
Gt+i＝ft+i-1(Dt+i-1)+ωt+i-1 (1)
式中，t表示为基准时刻，其对应早餐、中餐、晚餐的血糖代谢建模的餐前胰岛素注射时刻，对应夜间睡眠时的血糖代谢建模的基础胰岛素注射时间；ω为白噪声，G为血糖值，l为自回归模型阶数，u表示胰岛素注射剂量，m表示患者摄入的碳水化合物含量，i＝{1,2,…,n}代表高斯过程的预测步长；Dt+i-1为l+1步血糖测量值、胰岛素注射剂量和摄入碳水化合物含量构成的向量，其作为i时刻高斯过程回归预测模型的输入；
本实施例中采用如下参数：采样时间T＝15分钟；模型阶数l＝7；对于餐时模型n＝8，对应餐后两小时的血糖预测，对于夜间模型n＝24，对应夜间六小时的血糖预测
其中，高斯过程中的均值函数考虑为线性形式：
m(Dt)＝aTDt+b (3)
式中，Dt为i＝1时刻对应的高斯过程模型的输入；a、b为高斯过程均值的线性形式下的超参数；
在协方差函数中，考虑胰岛素灵敏度的影响，设计如下的协方差函数：
k(Dt,D't)＝Γ(Dt,D't)+λ(Dt,D't) (4)
式中，Γ为协方差函数中时不变部分，其选用径向基形式或者根据患者信息和个人信息(患者糖尿病类型、年龄、性别、患病时长)设计不变高斯核；λ为时变部分，其根据能影响胰岛素灵敏度的生理场景估计，随着患者所处的生理场景自适应变化；式中k为协方差函数；k(Dt,D't)表示对同一餐型下相同餐后时刻的不同天数的数据求协方差。
S13、利用分类器辨识出患者实际所处的生理场景；
优选的，步骤S13具体包括以下步骤：
S131、基于欧式距离度量每日回顾性血糖数据之间的差异，根据度量值实现对血糖数据的聚类；
优选的，步骤S131具体包括以下步骤：
S1311、为度量值的临床分别率，对血糖数据进行空间变换：
f(Gt)＝ln(Gt)p-q (5)
式中，p、q均为设置参数，本实施例中p＝1.08，q＝5.38；Gt为t时刻的血糖值；
S1312、分别建立用于实现长作用时间场景(酮中毒解除)辨识的长时窗度量函数和用于实现短作用时间场景(运动、情绪等)辨识的短时窗度量函数，长时窗度量函数和短时窗度量函数的表达式均如下所示：
式中，dj和dk分别表示第j,k天的血糖数据(局部或全天)，M(.,.)表示不同天数的数据之间的度量值；h为设置的度量增益，本实施例中h＝10；N为采样值个数，本实施例中若设定采样时间T＝15分钟，在长时窗下可取N＝96(表示全天)，在短时窗下可取N＝4(表示1小时)；hjk为权重变量，且当j,k之差的绝对值越小时hjk越大，使得相邻每日血糖值发生显著变化的情况更容易被视为生理场景。
S132、利用不同聚类的判定条件建立场景分类器并用于实际血糖分类，实现生理场景的分类和辨识。本实施例中的，聚类判定条件与血糖数据之间的欧式距离相关，通过数据间的度量值设定聚类判定阈值，实际的判定条件根据数据聚类的效果调整。
S14、基于患者所处的生理场景估计高斯过程核函数的自适应时变部分，通过高斯过程预测方法，预测血糖态势。
优选的，在步骤S14中通过利用上一阶段的数据Dt，代入到高斯过程模型中，逐时刻预测出血糖变化轨迹。
S2、剂量决策模块根据预测的血糖态势计算胰岛素推荐剂量；
优选的，步骤S2具体包括以下步骤：
S21、针对餐前胰岛素和基础胰岛素分别设计餐前胰岛素控制模块和基础胰岛素控制模块；
S22、采用构建代价函数求解最优剂量。
优选的，步骤S22具体包括以下步骤：
S221、为保证良好的血糖控制效果，设计代价函数为：
J＝E[(P-Pc)Q(P-Pc)T] (7)
式中，E为数学期望，P为n步血糖预测值向量，本实施例中n＝8，向量中的元素分别为Pc为血糖控制目标向量；Q为权值矩阵，用于在预测值接近高低血糖阈值时施加惩罚；
S222、设计优化问题为：
式中，u为待求解的胰岛素注射剂量；J表示设计的代价函数；
S223、设计约束条件如下：
L1≤u-up≤L2 (9)
0≤u≤umax (10)
式中，up为前一天相同时段的胰岛素注射剂量，umax为最大注射剂量，L1和L2为均基于临床经验的注射剂量增量约束，本实施例中L1＝-2，L2＝2；
S224、随机变量的性质和权值矩阵设计使得计算代价函数对u的梯度比较困难，因此难以求出代价函数的解析解。尽管可以用贝叶斯优化等方法求解出近似解，但是求解速度慢，并不符合患者的实际使用需求。同时，胰岛素笔的注射剂量精度并不高，通常以0.5U作为分度值，在约束条件下，胰岛素注射剂量的可能取值为个位数。基于计算复杂度和临床实际两方面的考虑，采用根据优化问题和约束条件求解最优胰岛素注射剂量取值取件，采用穷举法对取值区间内的剂量进行遍历，代入到代价函数中，通过比较函数值求解出实际使用条件下的最优剂量。
S3、将计算的胰岛素推荐剂量发送至胰岛素注射设备。
因此，本发明采用上述具有胰岛素灵敏度自适应估计的MDI决策系统及方法，通过具有胰岛素灵敏度估计的血糖控制算法完成餐前和基础胰岛素剂量推荐，建立本地数据库实现数据存储和数据可视化，收集患者的必要信息以辅助决策，实现面向患者需求的系统集成设计。
最后应说明的是：以上实施例仅用以说明本发明的技术方案而非对其进行限制，尽管参照较佳实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。
Claims (10)
1.具有胰岛素灵敏度自适应估计的MDI决策系统，其特征在于：包括胰岛素灵敏度自适应估计及血糖预测模块、剂量决策模块、通信与传输模块、数据存储及可视化模块、患者信息录入模块；
胰岛素灵敏度自适应估计及血糖预测模块，用于基于患者所处的生理场景估计高斯过程核函数的自适应时变部分，通过高斯过程预测方法，预测血糖态势；
剂量决策模块，用于利用血糖态势预测信息，计算胰岛素推荐剂量；
通信传输模块，用于实现连续血糖监测信息、胰岛素注射剂量反馈与移动设备的传输；
数据存储及可视化模块，用于通过对连续血糖数据、胰岛素剂量数据以及用餐信息的存储和回调实现数据可视化功能，展示血糖控制效果和潜在的高低血糖风险；
患者信息录入模块，用于录入患者的个人信息；
胰岛素灵敏度自适应估计及血糖预测模块、剂量决策模块、数据存储及可视化模块、患者信息录入模块均搭载于移动设备上，移动设备经通信传输模块分别与用于持续监测患者血糖的血糖持续监测设备和胰岛素注射设备相通讯。
2.根据权利要求1所述的具有胰岛素灵敏度自适应估计的MDI决策系统，其特征在于：患者信息包括患者的实际血糖数据、用餐信息、胰岛素剂量；
生理场景为对胰岛素降低血糖的能力有影响的场景，其包括运动、情绪、酮中毒解除；
患者的个人信息包括患者的年龄、性别、糖尿病类型、拟采用的治疗药物。
3.使用如权利要求1或2任一项所述的具有胰岛素灵敏度自适应估计的MDI决策系统实现的MDI决策方法，其特征在于：包括以下步骤：
S1、利用胰岛素灵敏度自适应估计及血糖预测模块预测血糖态势；
S2、剂量决策模块根据预测的血糖态势计算胰岛素推荐剂量；
S3、将计算的胰岛素推荐剂量发送至胰岛素注射设备。
4.根据权利要求3所述的具有胰岛素灵敏度自适应估计的MDI决策系统的方法，其特征在于：步骤S1具体包括以下步骤：
S11、利用回顾性临床数据对患者对胰岛素降低血糖的能力有影响的生理场景进行分类，并利用分类结果构建分类器；
S12、基于患者实际血糖数据、用餐信息、胰岛素剂量训练出反映患者化血糖代谢过程的高斯过程模型；
S13、利用分类器辨识出患者实际所处的生理场景；
S14、基于患者所处的生理场景估计高斯过程核函数的自适应时变部分，通过高斯过程预测方法，预测血糖态势。
5.根据权利要求4所述的具有胰岛素灵敏度自适应估计的MDI决策系统的方法，其特征在于：步骤S12具体包括以下步骤：
S121、针对餐前胰岛素和基础胰岛素的使用情景建立不同的血糖代谢模型，基础胰岛素用于患者夜间时的血糖控制，而餐前胰岛素则用于遏制患者在用餐后血糖浓度的快速上升，且餐前包括早餐、午餐和晚餐；
S122、采用自回归的形式构建高斯过程模型：
根据餐型，利用高斯过程对餐后每一时刻的血糖动力学进行建模：
Gt+i＝ft+i-1(Dt+i-1)+ωt+i-1 (1)
式中，t表示为基准时刻，其对应早餐、中餐、晚餐的血糖代谢建模的餐前胰岛素注射时刻，对应夜间睡眠时的血糖代谢建模的基础胰岛素注射时间；ω为白噪声，G为血糖测量值，l为自回归模型阶数，u表示胰岛素注射剂量，m表示患者摄入的碳水化合物含量，i＝{1,2,…,n}代表高斯过程的预测步长；Dt+i-1为l+1步血糖测量值、胰岛素注射剂量和摄入碳水化合物含量构成的向量，其作为i时刻高斯过程回归预测模型的输入；
其中，高斯过程中的均值函数考虑为线性形式：
m(Dt)＝aTDt+b (3)
式中，Dt为i＝1时刻对应的高斯过程模型的输入；a、b为高斯过程均值的线性形式下的超参数；
在协方差函数中，考虑胰岛素灵敏度的影响，设计如下的协方差函数：
k(Dt,D’t)＝Γ(Dt,D’t)+λ(Dt,D’t) (4)
式中，Γ为协方差函数中时不变部分，其选用径向基形式或者根据患者信息和个人信息设计不变高斯核；λ为时变部分，其根据能影响胰岛素灵敏度的生理场景估计，随着患者所处的生理场景自适应变化；式中k为协方差函数；k(Dt,D’t)表示对同一餐型下相同餐后时刻的不同天数的数据求协方差。
6.根据权利要求4所述的具有胰岛素灵敏度自适应估计的MDI决策系统的方法，其特征在于：步骤S13具体包括以下步骤：
S131、基于欧式距离度量每日回顾性血糖数据之间的差异，根据度量值实现对血糖数据的聚类；
S132、利用不同聚类的判定条件建立场景分类器并用于实际血糖分类，实现生理场景的分类和辨识。
7.根据权利要求6所述的具有胰岛素灵敏度自适应估计的MDI决策系统的方法，其特征在于：步骤S131具体包括以下步骤：
S1311、为度量值的临床分别率，对血糖数据进行空间变换：
f(Gt)＝ln(Gt)p-q (5)
式中，p、q均为设置参数；Gt为t时刻的血糖值；
S1312、分别建立用于实现长作用时间场景辨识的长时窗度量函数和用于实现短作用时间场景辨识的短时窗度量函数，长时窗度量函数和短时窗度量函数的表达式均如下所示：
式中，dj和dk分别表示第j,k天的血糖数据，M(.,.)表示不同天数的数据之间的度量值；h为设置的度量增益；N为采样值个数；hjk为权重变量，且当j,k之差的绝对值越小时hjk越大。
8.根据权利要求7所述的具有胰岛素灵敏度自适应估计的MDI决策系统的方法，其特征在于：在步骤S14中通过利用上一阶段的数据Dt，代入到高斯过程模型中，逐时刻预测出血糖变化轨迹。
9.根据权利要求8所述的具有胰岛素灵敏度自适应估计的MDI决策系统的方法，其特征在于：步骤S2具体包括以下步骤：
S21、针对餐前胰岛素和基础胰岛素分别设计餐前胰岛素控制模块和基础胰岛素控制模块；
S22、采用构建代价函数求解最优剂量。
10.根据权利要求9所述的具有胰岛素灵敏度自适应估计的MDI决策系统的方法，其特征在于：步骤S22具体包括以下步骤：
S221、设计代价函数为：
J＝E[(P-Pc)Q(P-Pc)T] (7)
式中，E为数学期望，P为n步血糖预测值向量，向量中的元素分别为 Pc为血糖控制目标向量；Q为权值矩阵，用于在预测值接近高低血糖阈值时施加惩罚；
S222、设计优化问题为：
式中，u为待求解的胰岛素注射剂量；J表示设计的代价函数；
S223、设计约束条件如下：
L1≤u-up≤L2 (9)
0≤u≤umax (10)
式中，up为前一天相同时段的胰岛素注射剂量，umax为最大注射剂量，L1和L2为均基于临床经验的注射剂量增量约束；
S224、根据优化问题和约束条件求解最优胰岛素注射剂量取值区间，采用穷举法对取值区间内的剂量进行遍历，代入到代价函数中，通过比较函数值求解出实际使用条件下的最优剂量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310709116.1A CN116705230B (zh) | 2023-06-15 | 2023-06-15 | 具有胰岛素灵敏度自适应估计的mdi决策系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310709116.1A CN116705230B (zh) | 2023-06-15 | 2023-06-15 | 具有胰岛素灵敏度自适应估计的mdi决策系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116705230A CN116705230A (zh) | 2023-09-05 |
| CN116705230B true CN116705230B (zh) | 2023-12-19 |
Family
ID=87830843
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310709116.1A Active CN116705230B (zh) | 2023-06-15 | 2023-06-15 | 具有胰岛素灵敏度自适应估计的mdi决策系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116705230B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN103959291A (zh) * | 2011-04-20 | 2014-07-30 | 诺沃—诺迪斯克有限公司 | 基于具有自适应选择的核和正则化参数的正则化网络的葡萄糖预测器 |
| CN104520862A (zh) * | 2012-06-07 | 2015-04-15 | 美敦力迷你迈德公司 | 用于建议调整胰岛素输注设备的糖尿病治疗管理系统 |
| CN108697880A (zh) * | 2016-02-05 | 2018-10-23 | 安尼马斯公司 | 用于药物递送系统的可视化和分析工具 |
| CN110289094A (zh) * | 2019-05-31 | 2019-09-27 | 东北大学 | 一种基于专家规则的胰岛素精准给药决策方法 |
| CN112133439A (zh) * | 2020-09-07 | 2020-12-25 | 北京理工大学 | 一种基于高斯过程的餐前胰岛素剂量个体化决策系统 |
| KR20210052319A (ko) * | 2019-10-29 | 2021-05-10 | 고려대학교 산학협력단 | 인슐린 투여량 조절 방법 |
| CN113270204A (zh) * | 2021-06-04 | 2021-08-17 | 荣曦 | 一种胰岛素泵初始剂量的预测方法 |
-
2023
- 2023-06-15 CN CN202310709116.1A patent/CN116705230B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN103959291A (zh) * | 2011-04-20 | 2014-07-30 | 诺沃—诺迪斯克有限公司 | 基于具有自适应选择的核和正则化参数的正则化网络的葡萄糖预测器 |
| CN104520862A (zh) * | 2012-06-07 | 2015-04-15 | 美敦力迷你迈德公司 | 用于建议调整胰岛素输注设备的糖尿病治疗管理系统 |
| CN108697880A (zh) * | 2016-02-05 | 2018-10-23 | 安尼马斯公司 | 用于药物递送系统的可视化和分析工具 |
| CN110289094A (zh) * | 2019-05-31 | 2019-09-27 | 东北大学 | 一种基于专家规则的胰岛素精准给药决策方法 |
| KR20210052319A (ko) * | 2019-10-29 | 2021-05-10 | 고려대학교 산학협력단 | 인슐린 투여량 조절 방법 |
| CN112133439A (zh) * | 2020-09-07 | 2020-12-25 | 北京理工大学 | 一种基于高斯过程的餐前胰岛素剂量个体化决策系统 |
| CN113270204A (zh) * | 2021-06-04 | 2021-08-17 | 荣曦 | 一种胰岛素泵初始剂量的预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116705230A (zh) | 2023-09-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210391081A1 (en) | Predictive guidance systems for personalized health and self-care, and associated methods | |
| Donsa et al. | Towards personalization of diabetes therapy using computerized decision support and machine learning: some open problems and challenges | |
| CN109887568B (zh) | 基于医嘱的健康管理系统 | |
| Afsaneh et al. | Recent applications of machine learning and deep learning models in the prediction, diagnosis, and management of diabetes: a comprehensive review | |
| US10937536B2 (en) | Estimation of insulin based on reinforcement learning | |
| Zhu et al. | Enhancing self-management in type 1 diabetes with wearables and deep learning | |
| WO2007149533A9 (en) | System, method and article for controlling the dispensing of insulin | |
| JP2023524473A (ja) | 適合型意思決定支援システム | |
| CN117894424B (zh) | 基于深度学习与强化学习构建t2dm患者药物方案的推荐系统 | |
| Marling et al. | The 4 diabetes support system: A case study in CBR research and development | |
| CN114732402B (zh) | 一种基于大数据的糖尿病数字化健康管理系统 | |
| Ahmed et al. | Recent trends and techniques of blood glucose level prediction for diabetes control | |
| Hettiarachchi et al. | A reinforcement learning based system for blood glucose control without carbohydrate estimation in type 1 diabetes: In silico validation | |
| Takahashi et al. | A Survey of Insulin‐Dependent Diabetes—Part II: Control Methods | |
| Sun et al. | Personalized vital signs control based on continuous action-space reinforcement learning with supervised experience | |
| CN118366604A (zh) | 一种基于在线强化学习的血糖调控方法 | |
| Georga et al. | Short-term vs. long-term analysis of diabetes data: Application of machine learning and data mining techniques | |
| CN118213074A (zh) | 一种健康体检管理终端系统 | |
| CN116705230B (zh) | 具有胰岛素灵敏度自适应估计的mdi决策系统及方法 | |
| Alvarado et al. | Blood Glucose Prediction Using a Two Phase TSK Fuzzy Rule Based System | |
| Ramachandran et al. | Deep Learning based Time Series Modelling for Glucose level prediction of Type-1 diabetes | |
| García-Sáez et al. | Mealtime blood glucose classifier based on fuzzy logic for the diabtel telemedicine system | |
| Prendin | Prediction of blood glucose concentrations and hypoglycemic events in Type 1 Diabetes by linear and nonlinear algorithms | |
| Askari | Developing Adaptive and Predictive Modules for the Second Generation of Multivariable Insulin Delivery System for People with Type-1 Diabetes | |
| Shuvo et al. | Long-Term Predictive Analytics of Continuous Glucose Sensing for Enhanced Glycemic Control |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |