CN116829062A - 自校准葡萄糖监测器 - Google Patents

自校准葡萄糖监测器 Download PDF

Info

Publication number
CN116829062A
CN116829062A CN202280013594.2A CN202280013594A CN116829062A CN 116829062 A CN116829062 A CN 116829062A CN 202280013594 A CN202280013594 A CN 202280013594A CN 116829062 A CN116829062 A CN 116829062A
Authority
CN
China
Prior art keywords
glucose
processing circuitry
signal
cardiac
patient
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
CN202280013594.2A
Other languages
English (en)
Inventor
R·J·奥布莱恩
L·科内特
R·科内卢森
A·爱兰达埃尔南德斯
R·施奈德
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.)
Medtronic Inc
Original Assignee
Medtronic Inc
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 Medtronic Inc filed Critical Medtronic Inc
Publication of CN116829062A publication Critical patent/CN116829062A/zh
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • 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
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • 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
    • A61B5/1455—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 using optical sensors, e.g. spectral photometrical oximeters
    • 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
    • A61B5/1495—Calibrating or testing of in-vivo probes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/355—Detecting T-waves
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/358—Detecting ST segments
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/36—Detecting PQ interval, PR interval or QT interval
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802—Sensor mounted on worn items
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/40—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management of medical equipment or devices, e.g. scheduling maintenance or upgrades
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • 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
    • G16H50/70—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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
    • A61B2560/02—Operational features
    • A61B2560/0223—Operational features of calibration, e.g. protocols for calibrating sensors
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02405—Determining heart rate variability
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6846—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be brought in contact with an internal body part, i.e. invasive
    • A61B5/6847—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be brought in contact with an internal body part, i.e. invasive mounted on an invasive device
    • A61B5/686—Permanently implanted devices, e.g. pacemakers, other stimulators, biochips

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Cardiology (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Optics & Photonics (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Physiology (AREA)
  • Emergency Medicine (AREA)
  • Pulmonology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medicinal Chemistry (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

一种医疗系统，该医疗系统包括处理电路系统，该处理电路系统被配置为从感测电路系统接收指示患者的心脏特性的心脏信号并且被配置为接收指示该患者的葡萄糖水平的葡萄糖信号。该处理电路系统被配置为制定训练数据集，该训练数据集包括使用该心脏信号的一个或多个训练输入向量和使用该葡萄糖信号的一个或多个训练输出向量。该处理电路系统被配置为使用所制定的训练数据集来训练机器学习算法。该处理电路系统被配置为接收来自该患者的当前心脏信号并且使用该当前心脏信号和经训练的机器学习算法来确定代表性葡萄糖水平。

Description

自校准葡萄糖监测器
技术领域
本公开涉及一种用于评估患者的葡萄糖水平的医疗系统。
背景技术
生理特性传感器可以用于多种专门应用中。例如，植入式传感器可以用于葡萄糖监测系统中以促进糖尿病治疗，诸如监测随时间推移的葡萄糖水平以调整治疗方案，该治疗方案包括向患者定期施用胰岛素。由于胰岛素产生不足和/或由于胰岛素抵抗，天然产生的胰岛素可能无法控制糖尿病患者的血流中的葡萄糖水平。为了控制葡萄糖水平，患者的疗法例行程序可以包括基于所监测的葡萄糖水平的基础胰岛素剂量和团注胰岛素剂量。
发明内容
本文公开的医疗系统的示例包括处理电路系统，该处理电路系统被配置为从感测电路系统接收心脏信号并且从葡萄糖传感器接收葡萄糖信号。该心脏信号指示患者的心脏特性。该葡萄糖信号指示该患者的葡萄糖水平。该处理电路系统被配置为制定训练数据集，该训练数据集包括使用该心脏信号的一个或多个训练输入向量和使用该葡萄糖信号的一个或多个训练输出向量。该处理电路系统被配置为使用所制定的训练数据集来训练机器学习算法。使用经训练的机器学习算法，该处理电路系统被配置为使用来自该患者的当前心脏信号确定代表性葡萄糖水平。该处理电路系统可以被配置为一旦该机器学习算法被充分训练以提供该代表性葡萄糖水平就使该葡萄糖传感器去激活，从而潜在地延长该葡萄糖传感器的寿命。
在一个示例中，医疗系统包括：葡萄糖传感器，该葡萄糖传感器被配置为确定患者的葡萄糖水平；和处理电路系统，该处理电路系统可操作地耦合到该葡萄糖传感器，该处理电路系统被配置为：从该葡萄糖传感器接收指示该葡萄糖水平的葡萄糖信号；接收指示该患者的心脏特性的心脏信号；将该葡萄糖信号与该心脏信号相关联；制定包括训练输入向量和训练输出向量的一个或多个训练数据集，其中该训练输入向量表示该心脏信号并且该训练输出向量表示与该心脏信号相关联的该葡萄糖信号；使用该一个或多个训练数据集来训练机器学习算法；以及使用经训练的机器学习算法和当前心脏信号来确定代表性葡萄糖水平，其中该当前心脏信号指示该患者的心脏的当前心脏特性。
在一个示例中，一种医疗系统包括：葡萄糖传感器，该葡萄糖传感器被配置为确定患者的葡萄糖水平；感测电路系统，该感测电路系统被配置为感测该患者的心脏的心脏特性；处理电路系统，该处理电路系统可操作地耦合到该葡萄糖传感器和该感测电路系统，该处理电路系统被配置为：从该感测电路系统接收指示该心脏特性的心脏信号；使用该心脏信号识别心脏标记；从该葡萄糖传感器接收指示该葡萄糖水平的葡萄糖信号；将该心脏标记与该葡萄糖信号相关联；制定包括训练输入向量和训练输出向量的一个或多个训练数据集，其中该训练输入向量表示该心脏信号并且该训练输出向量表示与该葡萄糖信号相关联的该葡萄糖信号；使用该一个或多个训练数据集来训练机器学习算法；以及使用经训练的机器学习算法和从该感测电路系统接收的当前心脏信号来确定代表性葡萄糖水平，其中该当前心脏信号指示该患者的该心脏的当前心脏特性；和壳体，该壳体机械地支撑该葡萄糖传感器和该处理电路系统。
在一个示例中，一种方法包括：使用处理电路系统从被配置为感测患者的心脏的心电图的感测电路系统接收指示该心电图的ECG信号；使用该处理电路系统从被配置为确定该患者的葡萄糖水平的葡萄糖传感器接收指示该患者的该葡萄糖水平的葡萄糖信号；使用该处理电路系统将该ECG信号与该葡萄糖水平相关联；使用该处理电路系统制定包括训练输入向量和训练输出向量的一个或多个训练数据集，其中该训练输入向量表示该ECG信号并且该训练输出向量表示与该ECG信号相关联的该葡萄糖信号；使用该处理电路系统，使用该一个或多个训练数据集来训练机器学习算法；以及使用该处理电路系统，使用经训练的机器学习算法和当前心脏信号来确定代表性葡萄糖水平，其中该当前心脏信号指示该患者的该心脏的当前心脏特性。
在附图和以下描述中阐述了一个或多个示例的细节。根据说明书和附图以及权利要求，其他特征、目标和优点将是显而易见的。
附图说明
图1是示出包括葡萄糖传感器的示例性医疗系统的概念图。
图2是用于医疗系统的处理电路系统的示例性流程图。
图3是包括感测电路系统的医疗系统的概念图。
图4是葡萄糖传感器的电极的概念图。
图5是多个葡萄糖传感器的概念图。
图6是用于示例性医疗系统的处理电路系统的流程图。
图7是包括网络的医疗系统的概念图。
图8示出了用于使用医疗系统来确定代表性葡萄糖水平的示例性技术。
具体实施方式
本公开描述了一种医疗系统，该医疗系统包括处理电路系统，该处理电路系统被配置为使用心脏的心脏特性和患者的葡萄糖水平来训练机器学习算法。心脏特性可以表示患者心脏的心脏电活动，诸如心电图(ECG)、电描记图(EGM)或另一度量。医疗系统可以包括用于提供患者的心脏特性的感测电路系统和用于提供患者的葡萄糖水平的葡萄糖传感器。处理电路系统被配置为将心脏特性的某个部分与接收到的葡萄糖水平相关联，并且制定训练数据集以训练机器学习算法。在训练之后，医疗系统被配置为基于反映患者的当前心脏活动的当前心脏特性来确定患者的代表性葡萄糖水平。因此，通过制定训练集并且使用患者个体的生理指示来训练机器学习算法，医疗系统可以基本上针对患者的心脏特性对机器学习算法进行个性化。在示例中，处理电路系统被配置为通过将所指示的代表性葡萄糖水平与患者的当前葡萄糖水平进行比较并且基于该比较进一步训练或重新训练机器学习算法来执行经训练的机器学习算法的校准检查。
医疗系统可以包括可穿戴的植入式和/或便携式装置，该装置包括被配置为接触患者的身体(例如，躯干)的壳体。壳体可以机械地支撑一个或多个处理器，该一个或多个处理器被配置为接收指示患者的心脏特性的心脏信号和指示患者的葡萄糖水平的葡萄糖信号。处理电路系统被配置为使用心脏信号和葡萄糖信号来制定一个或多个训练数据集。在示例中，该一个或多个训练数据集包括表示心脏信号的多个训练输入向量和表示葡萄糖信号的多个训练输出向量，其中每个训练输入向量与对应的训练输出向量相关联。该一个或多个处理器被配置为利用该训练数据集来训练机器学习算法，使得处理电路系统可以随后接收指示患者的心脏活动的当前心脏信号并且使用当前心脏信号来确定代表性葡萄糖水平。在示例中，该一个或多个处理器包括存储器和被配置为执行机器学习算法的一个或多个处理电路。
在示例中，壳体包括葡萄糖传感器，该葡萄糖传感器被配置为向一个或多个处理器提供指示葡萄糖水平的葡萄糖信号。处理电路系统可以被配置为使葡萄糖传感器激活以提供葡萄糖信号(例如，在制定训练数据集的同时)，并且可以被配置为使葡萄糖传感器在不再主动需要葡萄糖信号时(例如，一旦制定了训练数据集，和/或一旦训练了机器学习算法)去激活。因此，医疗系统可以被配置为显著地减少和/或最小化板载葡萄糖传感器的激活时间，从而潜在地延长葡萄糖传感器的寿命并且减少定期更换的需要。
在一些示例中，可穿戴的植入式和/或便携式装置的壳体机械地支撑多个单独的葡萄糖传感器。处理电路系统可以被配置为在需要时(例如，在制定训练数据和/或进行校准检查时)选择性地将多个单独的葡萄糖传感器中的第一单独的葡萄糖传感器暴露于例如患者的间质液或血液以生成葡萄糖信号。处理电路系统可以被配置为当满足用于第一单独的葡萄糖传感器的更换标准时(例如，当处理电路系统检测到劣化的信号时、在按时间顺序排列的使用时间段流逝之后和/或由于另一原因)使第一单独的葡萄糖传感器去激活并且激活多个单独的葡萄糖传感器中的第二单独的葡萄糖传感器。
处理电路系统可以被配置为通过使用葡萄糖传感器确定患者的当前葡萄糖水平并且将当前葡萄糖水平与由经训练的机器学习算法针对患者确定的代表性葡萄糖水平进行比较来周期性地执行经训练的机器学习算法的校准检查。基于该比较，处理电路系统可以被配置为制定附加训练数据并且使用该附加训练数据进一步训练或重新训练机器学习算法。因此，处理电路系统可以被配置为基于患者的生理参数的个体变化来基本上调整机器学习算法的响应。
在示例中，处理电路系统被配置为使用心脏信号来识别心脏标记并且将心脏标记与由葡萄糖传感器提供的葡萄糖信号相关联。心脏标记可以是例如以下中的至少一者：心率变异性(HRV)、QT内部变异性(QTV)、经校正的QT间期(QTc)、ST间期、ST段抬高、T波振幅、T波峰至T末端间期、T斜率、T波面积、T波不对称性、R波振幅、T波振幅和/或患者的心脏信号的另一可识别特性。处理电路系统可以被配置为识别在一定时间间隔内接收的心脏信号的区段(例如，ECG区段和/或EGM区段)内的心脏标记的值，并且可以被配置为将从葡萄糖传感器接收的葡萄糖信号与心脏标记的值相关联。处理电路系统可以制定表示心脏标记的值的训练输入向量和表示接收到的葡萄糖信号的对应训练输出向量。在示例中，处理电路系统识别心脏信号的多个区段的心脏标记的值和相关联的葡萄糖信号，并且制定每个区段的训练输入向量和对应的训练输出向量。
医疗系统可以包括感测电路系统，该感测电路系统被配置为感测患者的心脏特性并且生成心脏信号和/或心脏标记。感测电路系统可以被配置为将心脏信号和/或心脏标记传送到处理电路系统。例如，医疗系统可以至少部分地结合到包括机械地支撑处理电路系统和感测电路系统的壳体的医疗装置中。在一些示例中，医疗装置包括一个或多个电极，该一个或多个电极被配置为接触患者并且感测心脏的心脏特性。医疗装置的壳体可以机械地支撑电极。在其他示例中，处理电路系统可以被配置为从被配置为检测和传送心脏信号和/或心脏标记的另一系统或装置接收心脏信号和/或心脏标记。例如，处理电路系统可以被配置为从植入式和/或可穿戴心动描记术系统接收心脏信号和/或心脏标记，该植入式和/或可穿戴心动描记术系统被配置为感测患者的心脏信号和/或心脏标记并且将心脏信号和/或心脏标记传送到处理电路系统。
在一些示例中，医疗系统包括被配置为向患者提供治疗流体(例如，胰岛素)的输注装置。例如，医疗系统可以包括被配置为向患者递送流体(例如，胰岛素)的流体递送套管。医疗系统可以包括流体泵(例如，胰岛素泵)，该流体泵被配置用于与流体递送套管流体连通。流体泵可以被配置为将流体从医疗系统的流体贮存器递送到流体递送套管。流体贮存器可以是例如由可拆卸流体筒限定的容积，该可拆卸流体筒被配置为机械地接合医疗系统的壳体并且建立与流体泵的流体连接。在示例中，处理电路系统被配置为控制流体泵的操作。例如，处理电路系统可以被配置为基于由经训练的机器学习算法确定的代表性葡萄糖水平使流体泵开始、继续和/或停止使流体从流体贮存器通过流体递送套管进行输送。在一些示例中，当医疗系统至少部分地结合到包括壳体的医疗装置中时，壳体可以机械地支撑流体递送套管、流体泵、流体贮存器和/或输注装置的其他部件。
医疗系统可以包括用于向患者呈现信息和从患者接收输入的用户接口。例如，用户接口可以被配置为生成可由患者看到并且提供信息的视觉显示，该信息诸如在离散的按时间顺序排列的时间或在一定时间间隔内确定的代表性葡萄糖水平、代表性葡萄糖水平的图、自最近训练和/或校准检查以来的使用时间段、单独的葡萄糖传感器的状态、基于校准检查的准确性或警报、和/或通过医疗系统的操作产生的其他信息。用户接口可以被配置为使处理电路系统基于来自患者的输入执行某些功能。例如，用户接口可以使处理电路系统制定训练数据集、训练机器学习算法、执行经训练的机器学习算法的校准检查、使葡萄糖传感器生成当前葡萄糖信号和/或其他功能。
在示例中，可以使用在可编程计算机上实施的一个或多个计算机程序来实施医疗系统，该可编程计算机诸如包括例如处理能力、数据存储(例如，易失性或非易失性存储器和/或存储元件)、输入装置和输出装置的计算机。本文描述的程序代码和/或逻辑可以应用于输入数据以执行本文描述的功能并生成期望的输出信息。程序可以存储在任何合适的装置上，例如存储介质，其可由在计算机系统(例如，包括处理设备)上运行并配置计算机系统以执行本文描述的功能的通用或专用程序读取。在本技术的各方面下的计算机实施的指令、数据结构、屏幕显示和其他数据可以存储或分布在计算机可读存储介质上，包括磁或光可读计算机盘，作为半导体存储器、纳米技术存储器、有机或光存储器或其他便携式和/或非瞬态数据存储介质上的微码。在一些实施方案中，本技术的各方面可以在一段时间内在传播介质(例如，电磁波、声波)上的传播信号上分布在因特网或其他网络(例如，蓝牙网络)上，或者可以在任何模拟或数字网络上提供(分组交换、电路交换或其他方案)。
图1是被配置为基于指示患者104的心脏102的心脏活动的心脏信号来确定代表性葡萄糖水平的示例性医疗系统100的概念图。医疗系统100包括机械地支撑在壳体108内的处理电路系统106和支撑在传感器壳体112内的葡萄糖传感器110。在示例中，壳体108机械地支撑处理电路系统106和葡萄糖传感器110两者。
处理电路系统106被配置为接收指示患者104的心脏102的心脏特性的心脏信号(例如，ECG或EGM信号)。在示例中，处理电路系统106被配置为经由通信链路115从心动描记术系统114的感测电路系统116接收心脏信号。心动描记术系统114可以被配置为从心脏102外部的位置和/或使用定位成更接近心脏102的附加装置诸如传感器118感测和传送心脏信号。感测电路系统116可以被配置为感测心脏102的心脏特性并且将心脏信号传送到处理电路系统106(例如，经由通信链路115)。处理电路系统106被进一步配置为从葡萄糖传感器110接收指示患者104的葡萄糖水平的葡萄糖信号。例如，处理电路系统106可以被配置为经由通信链路120接收葡萄糖信号。
处理电路系统106被配置为使用机器学习算法来指示代表性葡萄糖水平，该代表性葡萄糖水平指示患者104的使用当前心脏信号的葡萄糖水平。处理电路系统106被配置为训练机器学习算法以使用当前心脏信号来指示代表性葡萄糖水平。处理电路系统106被配置为使用从患者104的生理特性生成的心脏信号和葡萄糖信号来制定一个或多个训练数据集，然后使用训练数据集来训练机器学习算法。因此使用针对患者104个性化的训练数据而不是从多个患者聚集的训练数据来训练经训练的机器学习算法。此类个性化训练数据可以提高当经训练的机器学习算法接收指示患者104的心脏活动的当前心脏信号和/或心脏标记并且将心脏信号和/或心脏标记映射到输出葡萄糖水平以获得代表性葡萄糖水平时获得的代表性葡萄糖水平的准确度。
处理电路系统106由此被配置为使用患者104的当前心脏信号和/或心脏标记来确定患者104的代表性葡萄糖水平，而不需要来自葡萄糖传感器110的伴随的当前葡萄糖信号。确定患者104的代表性葡萄糖水平而不需要伴随的当前葡萄糖信号可以延长葡萄糖传感器110的操作寿命。在示例中，处理电路系统106被配置为基于由处理电路系统106生成的命令信号使葡萄糖传感器110激活和/或去激活。例如，在制定用于机器学习算法的训练数据集的同时，处理电路系统可以发出使葡萄糖传感器110激活(例如，建立激活配置)并开始感测患者104的血液或间质液内的葡萄糖水平的命令信号。葡萄糖传感器110可以被配置为在被激活时周期性地和/或基本上连续地向处理电路系统106传送指示葡萄糖水平的葡萄糖信号。处理电路系统106可以利用从葡萄糖传感器110接收的葡萄糖信号连同从心动描记术系统114(例如，感测电路系统116)接收的心脏信号来制定包括多个训练输入向量和相关联的训练输出向量的训练数据集。当获得足够的训练数据集时，处理电路系统106然后可以发出使葡萄糖传感器110去激活(例如，建立去激活配置)并且基本上停止生成葡萄糖信号的命令，从而潜在地延长葡萄糖传感器110的寿命。葡萄糖传感器110可以被配置为以任何方式生成指示葡萄糖水平的葡萄糖信号，该方式包括电化学电位的感测、近红外光谱、阻抗光谱、拉曼光谱、断层摄影术、光声学和/或其他方法。可以采用多种葡萄糖感测方法，诸如基于监测固有荧光或标记的酶、它们的辅酶和共底物的光学性质、测量葡萄糖氧化酶对葡萄糖进行酶促氧化的产物、使用合成硼酸、使用伴刀豆球蛋白A、应用其他葡萄糖结合蛋白的方法和/或其他方法。
例如，葡萄糖传感器110可以包括电极(例如，电氧化阳极)，该电极被配置为使用包括在葡萄糖传感器110中的催化剂(诸如葡萄糖氧化酶)引起葡萄糖的氧化。葡萄糖传感器110可以包括电极(例如，电氧化阳极)，该电极被配置为从医疗系统100内的电池接收电力以引起氧化。处理电路系统106可以被配置为通过使电极接收电力来激活葡萄糖传感器110。处理电路系统106可以被配置为使葡萄糖传感器110去激活以防止和/或最小化由电极接收的电力。使葡萄糖传感器110去激活以减少和/或基本上防止葡萄糖的氧化可以通过减少所包含的催化剂或葡萄糖传感器110的其他部分的劣化来延长电极的寿命。例如，处理电路系统106可以被配置为当需要一个或多个葡萄糖信号来制定训练数据集和/或执行经训练的机器学习算法的校准检查时激活葡萄糖传感器110，并且可以被配置为当处理电路系统106利用经训练的机器学习算法和来自心动描记术系统114(例如，感测电路系统116)的当前心脏信号来确定代表性葡萄糖水平时使葡萄糖传感器110去激活。这种选择性激活和去激活可以延长葡萄糖传感器110的使用寿命。
处理电路系统106被配置为最初使用(例如，从心动描记术系统114接收的)心脏信号和从葡萄糖传感器110接收的葡萄糖信号来训练机器学习算法。为了训练机器学习算法，处理电路系统106可以被配置为使用指示患者104的生理特性的心脏信号和葡萄糖信号来制定训练数据集。在示例中，制定的训练数据集包括表示针对患者104感测到的心脏信号的多个训练输入向量和表示针对患者104感测到的葡萄糖信号的多个训练输出向量，其中每个训练输入向量与对应的训练输出向量相关联。因此针对患者104的生理对多个训练输入向量和多个训练输出向量进行了个性化。处理电路系统106被配置为使用个性化训练数据集训练机器学习算法，使得经训练的机器学习算法被训练为当被提供有表示针对患者104感测到的(例如，由心动描记术系统114感测到的)当前心脏信号的输入向量时输出患者104的代表性葡萄糖水平。
图2示出了示例性技术的流程图，该示例性技术可以被处理电路系统106用来基于指示心脏102的生理特性的心脏信号来确定患者104的代表性葡萄糖水平。处理电路系统106可以利用图2所示的技术的全部或任何部分。如图2所示，处理电路系统106从心动描记术系统114(例如，感测电路系统116)接收指示心脏102的心脏特性的心脏信号(152)。处理电路系统106可以激活葡萄糖传感器110(154)，并且从葡萄糖传感器110接收指示患者104的葡萄糖水平的葡萄糖信号(156)。一旦不再主动需要葡萄糖信号(例如，一旦制定了训练数据集)，处理电路系统106就可以使葡萄糖传感器110去激活(158)，以便例如延长葡萄糖传感器110和/或医疗系统100的另一部件的操作寿命。
处理电路系统106利用接收到的心脏信号和葡萄糖信号来制定训练数据集(160)。在示例中，训练数据集包括指示来自心动描记术系统114(例如，感测电路系统116)的心脏信号的多个训练输入向量，其中每个训练输入向量与指示来自葡萄糖传感器110的葡萄糖信号的训练输出向量相关联。在示例中，处理电路系统106被配置为通过从心动描记术系统114接收心脏信号并将心脏信号划分为区段来制定构成训练数据集的给定训练输入向量，其中心脏区段是在一定时间间隔内接收到的心脏信号。在示例中，心动描记术系统114可以被配置为将心脏信号划分为区段并且将该区段提供给处理电路系统106。处理电路系统106可以被配置为识别指示心脏信号和/或心脏区段和/或从心脏信号和/或心脏区段获得的心脏标记。心脏标记可以是由心脏102的心脏信号指示的心脏102的一个或多个可识别生理特性。处理电路系统106可以通过定义给定输入向量的一个或多个元素来制定给定输入向量，其中该一个或多个元素指示在时间间隔内识别的心脏信号、心脏区段和/或心脏标记。
处理电路系统106可以被配置为通过从葡萄糖传感器110接收葡萄糖信号和/或对该葡萄糖信号进行采样来制定与给定输入向量相关联的训练输出向量。处理电路系统106可以通过定义相关联的训练输出向量的一个或多个元素来制定相关联的训练输出向量，其中该一个或多个元素指示所接收和/或所采样的葡萄糖信号。在一些示例中，处理电路系统106被配置为基本上在用于制定给定输入向量的心脏区段的时间间隔内接收用于制定相关联的输出向量的葡萄糖信号和/或对该葡萄糖信号进行采样。在一些示例中，处理电路系统106被配置为在用于制定给定输入向量的心脏区段的时间间隔之外接收用于制定相关联的训练输出向量的葡萄糖信号和/或对该葡萄糖信号进行采样。例如，处理电路系统106可以被配置为在用于制定给定输入向量的心脏区段的时间间隔已经流逝之后接收用于制定相关联的训练输出向量的葡萄糖信号和/或对该葡萄糖信号进行采样，以便考虑例如当感测患者104的间质液中的葡萄糖水平时葡萄糖运输中的时间延迟，和/或由于由医疗系统100监测的生理和/或环境参数(诸如心率、血压、姿势、白天或夜晚的时间、呼吸率、与饮食有关的手动输入和/或其他生理和/或环境参数)而预期的时间延迟。
处理电路系统106可以被配置为将给定训练输入向量和相关联的训练输出向量分组为数据对。在示例中，处理电路系统106制定指示从心动描记术系统114接收的患者104的心脏信号、心脏区段和/或心脏标记的多个训练输入向量，并且针对每个训练输入向量关联指示从葡萄糖传感器110接收的葡萄糖信号的训练输出向量。处理电路系统106可以将每个训练输入向量和相关联的训练输出向量分组为数据对，使得处理电路系统106制定多个数据对。处理电路系统106可以使用多个数据对来定义训练数据集。因此，处理电路系统106可以被配置为使用基本上针对患者104的生理个性化的数据对来定义训练数据集。
处理电路系统106使用所制定的训练数据集来训练机器学习算法(162)。处理电路系统106可以包括被配置为实施机器学习算法的一个或多个处理电路，诸如神经网络、深度学习系统或另一类型的机器学习系统。在示例中，处理电路系统106被配置为使用一个或多个神经网络系统、深度学习系统或其他类型的监督或无监督机器学习系统来实施机器学习算法。例如，机器学习算法可以通过前馈神经网络诸如卷积神经网络、径向基函数神经网络、递归神经网络、模块化或联想神经网络来实施。处理电路系统106使用针对患者104个性化的训练数据集来训练机器学习算法。在一些示例中，可以使用从患者群组采集的指示生理特性的数据在某种程度上预训练机器学习算法，并且处理电路系统106可以被配置为使用针对患者104个性化的训练数据集来进一步训练机器学习算法。
在示例中，处理电路系统106所利用的神经网络包括多个人工神经元。人工神经元可以存在于神经网络的一层或多层中。例如，人工神经元可以存在于神经网络的输入层、神经网络的输出层以及输入层与输出层之间的一个或多个隐藏层内。输入层可以包括一个或多个输入人工神经元。输出层可以包括一个或多个输出人工神经元。人工神经元可以被配置为在人工神经元的输入处接收信号并且在人工神经元的输出处处理该信号(例如，使用人工神经元的参数处理该信号)。人工神经元可以包括多个输入和多个输出。人工神经元可以被配置为从单独的人工神经元的输出接收输入，并且可以被配置为将经处理的信号从其输出传递到另一人工神经元的输入。当机器学习算法的训练进行时，人工神经元可以调整由人工神经元进行的信号的处理。
处理电路系统106被配置为使用所制定的训练数据集来训练机器学习算法。在示例中，处理电路系统106被配置为将所制定的训练数据集的训练输入向量的一个或多个元素提供给一个或多个输入人工神经元的输入。机器学习算法可以被配置为在处理电路系统106向输入提供训练输入向量之后在一个或多个输出人工神经元的输出处提供所得输出向量。处理电路系统可以被配置为提供与训练输入向量相关联的训练输出向量的一个或多个元素作为期望输出。在示例中，机器学习算法被配置为确定使用训练输入向量产生的所得输出向量与相关联的训练输出向量的期望输出之间的误差。机器学习算法可以被配置为在人工神经元处理在其输入处接收到的信号以在其输出处生成经处理信号时调整人工神经元所采用的处理(例如，调整参数)。在示例中，机器学习算法可以被配置为调整由多个人工神经元采用的处理。在示例中，处理电路系统106被配置为训练机器学习算法，使得当处理电路系统106提供指示患者104的心脏信号的输入向量时，经训练的机器学习算法将输入向量映射到指示患者104的代表性葡萄糖水平的输出向量。
处理电路系统106可以被配置为以任何方式使用训练数据集来训练机器学习算法，使得机器学习算法随着训练进行而收敛。在示例中，处理电路系统106被配置为使用训练数据集的第一部分来使机器学习算法收敛，并且使用训练数据集的第二部分来验证测试和/或盲测试利用第一部分进行的训练。
处理电路系统106被配置为利用经训练的机器学习算法以基于从心动描记术系统114接收的当前心脏信号来提供患者104的代表性葡萄糖水平(164)。例如，使用经训练的机器学习算法，处理电路系统106可以从心动描记术系统114接收患者104的心脏信号并且制定具有指示心脏信号的一个或多个元素的输入向量。处理电路系统106可以被配置为将输入向量提供给经训练的机器学习算法并且利用经训练的机器学习算法来将输入向量映射到代表性葡萄糖水平。处理电路系统106可以被配置为将代表性葡萄糖水平作为输出提供给用户接口。用户接口可以被配置为以患者104可查看的格式显示代表性葡萄糖水平。在示例中，处理电路系统可以被配置为将代表性葡萄糖水平存储在包括在医疗系统100内的存储器中，和/或将代表性葡萄糖水平传送到服务器和/或一个或多个其他计算装置。
在示例中，处理电路系统106被配置为通过使用葡萄糖传感器110确定患者104的当前葡萄糖水平并且将当前葡萄糖水平与使用经训练的机器学习算法针对患者104确定的代表性葡萄糖水平进行比较来周期性地执行经训练的机器学习算法的校准检查。在示例中，处理电路系统106从心动描记术系统114接收患者104的当前心脏信号，并且制定具有指示当前心脏信号的一个或多个元素的输入向量。处理电路系统106向经训练的机器学习算法提供输入向量，并且利用经训练的机器学习算法将输入向量映射到代表性葡萄糖水平。处理电路系统106进一步从葡萄糖传感器110接收指示患者104的当前葡萄糖水平的葡萄糖信号。处理电路系统106可以被配置为将由葡萄糖传感器110指示的患者104的当前葡萄糖水平与由经训练的机器学习算法使用当前心脏信号确定的代表性葡萄糖水平进行比较。基于该比较，处理电路系统106可以被配置为制定附加训练数据并且使用该附加训练数据来进一步训练或重新训练机器学习算法。例如，处理电路系统106可以被配置为通过执行以下中的一者或多者来制定附加训练数据：从心动描记术系统114接收指示心脏102的心脏特性的心脏信号(152)、激活葡萄糖传感器110(154)、从葡萄糖传感器110接收葡萄糖信号(156)、使葡萄糖传感器110去激活(158)、制定附加训练数据(160)以及使用附加训练数据重新训练和/或进一步训练机器学习算法(162)。
可以通过任何标准提示处理电路系统106执行校准检查。在示例中，处理电路系统被配置为按时间顺序排列的调度，诸如在校准检查之间经过了一定量的时间之后执行校准检查。在示例中，处理电路系统106被配置为基于心脏信号的变化(诸如特定心脏标记之间的非预期变化)执行校准检查。例如，如果正常地与葡萄糖水平一致地移动的两个或更多个独立心脏标记开始表现出在相对于彼此的相反和/或非预期方向上的移动，则处理电路系统106可以被配置为执行校准检查。处理电路系统106可以被配置为基于由葡萄糖传感器110感测到的葡萄糖水平相对于根据来自心动描记术系统114的心脏信号确定的一个或多个心脏标记的变化的变化来执行校准检查。处理电路系统106可以被配置为在可以使用来自葡萄糖传感器110的葡萄糖信号、来自心动描记术系统114的心脏信号和/或患者104的其他生理参数定义的任何标准下执行校准检查。处理电路系统106可以被配置为当需要校准检查时，和/或当校准检查指示机器学习算法的进一步训练和/或重新训练可能是必要时，激活葡萄糖传感器110。
因此，医疗系统100被配置为从心动描记术系统114(例如，感测电路系统116)收集指示患者104的心脏特性的一个或多个心脏信号，并且从葡萄糖传感器110收集指示患者104的葡萄糖水平的一个或多个葡萄糖信号。处理电路系统106被配置为使用由患者104产生的心脏信号和葡萄糖信号来制定训练数据集。处理电路系统106被配置为使用训练数据集来训练机器学习算法。在示例中，训练数据集包括指示心脏信号的多个训练输入向量和指示葡萄糖信号的相关联的训练输出向量。在训练之后，医疗系统100被配置为从心动描记术系统114接收当前心脏信号，并且使用经训练的机器学习算法来将当前心脏信号映射到患者104的代表性葡萄糖水平。当不再主动需要葡萄糖信号时(例如，一旦制定了训练数据集，和/或一旦训练了机器学习算法)，医疗系统可以使葡萄糖传感器110去激活。因此，医疗系统100可以被配置为显著地减少和/或最小化板载葡萄糖传感器的激活时间，从而潜在地延长葡萄糖传感器的寿命并且减少定期更换的需要。
处理电路系统106可以被配置为使葡萄糖传感器110去激活以防止和/或最小化由电极接收的电力。使葡萄糖传感器110去激活以减少和/或基本上防止葡萄糖的氧化可以通过减少所包含的催化剂或葡萄糖传感器110的其他部分的劣化来延长电极的寿命。例如，处理电路系统106可以被配置为当需要一个或多个葡萄糖信号来制定训练数据集和/或执行经训练的机器学习算法的校准检查时激活葡萄糖传感器110，并且可以被配置为当处理电路系统106利用经训练的机器学习算法和来自心动描记术系统114(例如，感测电路系统116)的当前心脏信号来确定代表性葡萄糖水平时使葡萄糖传感器110去激活。
在示例中，医疗系统100的壳体108机械地支撑处理电路系统106、葡萄糖传感器110和/或感测电路系统116中的一者或多者。例如，图3示出了包括壳体208的示例性医疗系统200。医疗系统200是医疗系统100的示例。壳体208机械地支撑处理电路系统206和葡萄糖传感器210。在示例中，壳体208机械地支撑感测电路系统216。壳体208可以被配置为可穿戴的植入式和/或便携式装置，该装置被配置为接触患者104(图1)的身体(例如，躯干)。在一些示例中，医疗系统200包括被配置为接触患者104并且感测心脏102的心脏特性的一个或多个电极222。电极222可以被配置为经由例如通信链路224向感测电路系统216传送心脏特性。壳体208可以机械地支撑电极222。在一些示例中，壳体208机械地支撑电极222和/或葡萄糖传感器210，使得当壳体208接触患者104的身体时，电极222和/或葡萄糖传感器210可以基本上接触患者104的身体。壳体208、处理电路系统206、葡萄糖传感器210和感测电路系统216分别是壳体108、处理电路系统106、葡萄糖传感器210和感测电路系统116的示例。
壳体208可以机械地支撑用户输入装置226，该用户输入装置被配置为根据需要由患者104和/或另一用户致动。用户输入装置226可以是例如壳体108上的手动操作按钮；和/或被配置为从智能手机、平板电脑、另一外部装置接收通信(例如，无线通信)的电路系统；和/或被配置为接收用户输入的某一其他装置。在示例中，用户输入装置226是被配置为启动医疗系统200的多个操作的多用途用户接口。例如，用户输入装置226可以被配置为引起以下功能中的一个或多个功能，但不限于：唤醒处理电路系统206、感测电路系统216和/或医疗系统200的其他部件；触发感测电路系统216和/或电极222以向处理电路系统206提供一个或多个心脏信号；激活葡萄糖传感器210以使葡萄糖传感器210向处理电路系统206提供一个或多个葡萄糖信号；使葡萄糖传感器210去激活以使葡萄糖传感器210停止向处理电路系统206提供葡萄糖信号；触发处理电路系统206以制定训练数据集和/或训练机器学习算法；触发处理电路系统执行经训练的机器学习算法的校准检查等。
用户输入装置226可以采用从患者104和/或另一用户接收输入的任何装置，包括按钮、滑块机构、销、杠杆、开关、触敏元件等中的一者或多者。用户输入装置226可以被配置为从远离壳体208的装置接收通信(例如，无线通信)以启动上述功能中的一个或多个或其他功能的执行。在一些示例中，医疗系统200包括多于一个用户输入装置226以启动上述各种功能。
在示例中，医疗系统200是便携式装置。医疗系统200可以是被配置为由患者104穿戴的可穿戴和/或植入式装置。医疗系统200可以包括基底表面228，该基底表面被配置为当医疗系统200由患者104穿戴时面向和/或接触患者104的皮肤。壳体208可以被配置为机械地支撑葡萄糖传感器210和/或电极222，使得当基底表面228面向和/或接触患者104的皮肤时，葡萄糖传感器210和/或电极222的至少一些部分接触患者104。在一些示例中，医疗系统200包括粘合元件230，该粘合元件被配置为将壳体208基本上固定(例如，暂时地粘附)到患者104的身体。粘合元件230可以是例如切割成期望的形状和尺寸的一片双面粘合带，以及覆盖基底表面228的某一部分的粘合衬里，或一些其他类型的粘合元件。在一些示例中，医疗系统200包括一个或多个带和/或其他机械装置，以将壳体208基本上固定到患者104的身体。
如所讨论的，处理电路系统106、206可以被配置为使用从感测电路系统116、216接收的心脏信号来识别一个或多个心脏标记。处理电路系统可以被配置为识别一个或多个心脏标记中的变异性。在示例中，由处理电路系统106、206使用心脏信号识别的心脏标记指示心脏102的自主状态的变化，诸如心率变异性、加速和减速能力和/或心率震荡。心脏标记可以指示心脏102的心律失常。在示例中，可以选择心脏标记以反映心脏102的交感神经驱动和/或副交感神经驱动的变化，诸如增加的交感神经驱动和/或减少的副交感神经驱动。在一些示例中，心脏标记指示心率变异性的低频带和/或加速能力(例如，以反映心脏102的交感神经驱动)。在一些示例中，心脏标记指示心率变异性和/或减速能力的高频带(例如，以反映心脏102的副交感神经驱动)。心脏标记可以指示心脏102的心率震荡(HRT)(例如，震荡开始(TO)和/或震荡斜率(TS))，其使用例如在早搏之后的心率来确定以评估加速和减速。在示例中，心脏标记指示减速能力(DC)和/或减速运行(DR)。
在示例中，由处理电路系统106使用心脏信号识别的心脏标记指示心肌病。心肌病可以以例如左心室肥大和/或心脏102的其他生理特性为特征。在示例中，心脏标记是以下中的至少一者：心率变异性(HRV)、QT内部变异性(QTV)、经校正的QT间期(QTc和/或QTt)、ST间期、ST段抬高、T波振幅、T波峰至T末端间期、T斜率、T波面积、T波不对称性、R波振幅、T波振幅、R波/T波振幅和/或患者104的心脏信号的另一可识别生理特性。所识别的心脏标记可以包括基于两个或更多个T波的T波交替(例如，通过搏动至搏动包络分析)。在一些示例中，由处理电路系统106、206使用心脏信号识别的心脏标记包括T波面积变异性，包括开始结束、高度斜率和/或对称性的维度。
由处理电路系统106、206使用心脏信号识别的心脏标记可以是HRV时域间期度量和/或HRV频域度量。例如，心脏标记可以是基于心脏信号的R峰之间的正常至正常(NN)间期的HRV时域间期度量，诸如SDNN(例如，NN间期的标准偏差)、SDANN(例如，NN间期在时间段(例如，5分钟)内的平均值的标准偏差)、RMSSD(例如，NN间期之间的差的平方和的平均值的平方根)、NN50(例如，相差超过50毫秒的相邻NN间期对的数量)、pNN50(例如，NN50计数除以NN间期的数量)、mNN(例如，NN间期的平均值)、SDNNindex(例如，NN间期在时间段(例如，5分钟)内的标准偏差的平均值)、SD1(例如，短期变异性的庞加莱图)、SD22(例如，长期变异性的庞加莱图)和/或其他时域间期度量。心脏标记可以是在从约0.15Hz到约0.04Hz的LF带、从约0.04Hz到约0.003Hz的VLF带、小于约0.003Hz的ULF带和/或从约0.4Hz到约0.15Hz的HF带中反映心脏102的生理参数的HRV频率时域度量。
处理电路系统106、206可以被配置为使用例如一个或多个心脏标记和/或一个或多个心脏标记的变异性来确定代表性葡萄糖水平。在示例中，处理电路系统106、206被配置为使用心脏信号来识别多个心脏标记并且向每个心脏标记分配权重。机器学习算法可以被配置为当处理电路系统106、206训练机器学习算法时调整分配给心脏标记的权重。处理电路系统106、206和/或机器学习算法可以被配置为基于特定于患者104的特性来调整和/或校正该一个或多个心脏标记，这些特性诸如活动水平、药物、呼吸水平、心率、年龄、性别、体重、ST区段变化、一天中的时间(例如，夜间和/或日间)、共病和/或疾病进展、1型糖尿病、2型糖尿病和/或其他特定特性。
如所讨论的，医疗系统100、200包括一个或多个葡萄糖传感器110、210，该一个或多个葡萄糖传感器被配置为周期性地和/或基本上连续地将指示患者104的葡萄糖水平的葡萄糖信号传送到处理电路系统106。葡萄糖传感器110、210可以被配置为以任何方式生成指示葡萄糖水平的葡萄糖信号，该方式包括电化学电位的感测、近红外光谱、阻抗光谱、拉曼光谱、断层摄影术、光声学和其他方法。
处理电路系统106可以被配置为使葡萄糖传感器110、210激活和去激活，以便例如延长葡萄糖传感器110、210的操作寿命。例如，葡萄糖传感器110、210可以被配置为使用诸如葡萄糖氧化酶等催化剂引起葡萄糖的氧化。由于单独的葡萄糖传感器的正常感测操作引起的催化剂的劣化可能显著地限制可用的单独的葡萄糖传感器的操作寿命。使葡萄糖传感器110、210去激活以减少和/或基本上防止葡萄糖的氧化可以通过减少所包含的催化剂或葡萄糖传感器110、210的其他部分的劣化来延长电极的寿命。这种选择性激活和去激活可以延长葡萄糖传感器110、210的使用寿命。
在一个示例中，葡萄糖传感器110、210包括感测患者104的血液和/或间质液中的葡萄糖所必需的一个或多个电极。一个或多个电极可以包括工作电极、参考电极和/或反电极。工作电极可以包括电化学感测堆叠，该电化学感测堆叠包括分析物感测层，诸如酶层，例如葡萄糖氧化酶层。例如，酶层可以沉积在工作电极上。在某些实施方案中，电化学感测堆叠可以包括附加层，诸如包括诸如人血清白蛋白、牛血清白蛋白等蛋白质的蛋白质层。电化学感测堆叠50还可以包括在酶层上的分析物调节层，诸如葡萄糖限制膜(GLM)，以调节分析物与分析物感测层或酶层的接触。例如，分析物调节膜层可以被配置为基本上调节与存在于分析物感测层中的酶诸如葡萄糖氧化酶接触的葡萄糖的量。
作为示例，图4示出了示例性传感器电极240的横截面，该传感器电极可以被包括在用于检测患者104的血液和/或间质液中的葡萄糖的葡萄糖传感器110、210中。传感器电极240可以由多个部件形成，该多个部件通常为根据接受的方法设置在彼此上的各种导电和非导电成分的层的形式，但可以利用葡萄糖传感器110、210中所包括的传感器电极的其他配置。
在图4所示的示例中，传感器电极240包括基底层242以支撑传感器电极240的一个或多个部分。基底层242可以包括例如诸如聚合物基质等材料，该材料可以自支撑或进一步由另一种材料支撑。基底层242可以是无毒的生物相容性聚合物，诸如硅酮化合物、聚酰亚胺、生物相容性阻焊剂、环氧丙烯酸酯共聚物等。示例性基底层242为聚对苯二甲酸乙二醇酯(PET)、聚酰亚胺(PI)或它们的复合物。传感器电极240可以包括设置在基底层242上和/或直接设置在该基底层上和/或与该基底层组合的导电层244。示例性导电层244是铂。基底层242和/或导电层244可以使用许多已知的技术和材料来生成。在某些实施方案中，葡萄糖传感器110、210的电路通过将所设置的导电层244蚀刻成期望的导电路径图案来限定。电绝缘层可以形成在导电层244的一些部分周围和/或其上。例如，电绝缘层可以是聚合物涂层，诸如无毒的生物相容性聚合物，诸如硅酮化合物、聚酰亚胺、生物相容性阻焊剂、环氧丙烯酸酯共聚物等。
传感器电极240可以被配置为使得导电层244暴露于外部环境。在示例中，分析物感测层246形成在暴露的电极表面248上和/或设置在该暴露的电极表面上。感测层246可以是传感器化学层，该传感器化学层包括经历化学反应和/或参与一系列化学反应的材料，这些化学反应产生由导电层244感测的信号。感测层246可以形成传感器表面250，诸如葡萄糖等分析物可以结合在该传感器表面上。在一些示例中，感测层246包括催化化学反应和/或一系列化学反应的一些部分的酶252。酶252可以被包埋在感测层246的聚合物基质(例如，热固化聚合物基质和/或UV固化聚合物基质)内。酶252可以是能够产生和/或利用氧和/或过氧化氢的材料，诸如葡萄糖氧化酶。在示例中，传感器电极240包括被配置为限制到达感测层246和/或酶252的葡萄糖的量的葡萄糖限制膜。葡萄糖限制膜可以被配置为限制到达传感器表面250的葡萄糖的量。在示例中，葡萄糖限制膜被配置为限制和/或调节由葡萄糖传感器(诸如葡萄糖传感器110、210)提供的葡萄糖信号。
在示例中，感测层246中的酶252诸如葡萄糖氧化酶与葡萄糖反应以产生过氧化氢(一种随后调节电极表面248处的电流的化合物)。由于电流的这种调节取决于过氧化氢的浓度，并且过氧化氢的浓度与葡萄糖的浓度相关，所以可通过监测电流的这种调节来确定葡萄糖的浓度。在具体实施方案中，过氧化氢在作为阳极的电极表面248(本文也称为阳极电极)处被氧化，其中产生的电流与过氧化氢浓度成比例。通过改变过氧化氢浓度引起的电流的这种调节可以通过多种传感器检测器设备中的任何一种来监测，诸如通用传感器安培检测型生物传感器检测器。
葡萄糖传感器110、210可以被配置为使用电极240感测患者104的血液和/或间质液中的葡萄糖水平。葡萄糖传感器110、210可以被配置为使用电极240结合一个或多个其他电极(诸如工作电极和/或参考电极)来感测葡萄糖水平。葡萄糖传感器110、210可以被配置为使患者104的血液和/或间质液与感测层246接触，以引起生成信号(例如，电极表面250处的电流)的化学反应和/或一系列化学反应。
在继续使用葡萄糖传感器110、210的情况下，用于检测患者104的血液和/或间质液中的葡萄糖的葡萄糖传感器110、210的准确度和/或灵敏度可能由于暴露于各种电分析物质(诸如氧自由基)而引起的劣化而漂移。进一步地，诸如生物淤积和异物反应等植入后效应也会促进构成葡萄糖传感器110、210的电极中的一个或多个电极的电催化活性的钝化。因此，葡萄糖传感器110、210的使用寿命可能会限制医疗系统100、200可以持续使用的寿命。在示例中，并且如所讨论的，医疗系统100、200被配置为通过以下方式来延长葡萄糖传感器110、210的操作寿命：当需要葡萄糖信号时(例如，当制定训练数据集和/或执行校准检查时)激活葡萄糖传感器110、210，并且当不再需要葡萄糖信号时(例如，当使用经训练的机器学习算法来确定代表性葡萄糖水平时)使葡萄糖传感器110、210去激活。
在一些示例中，葡萄糖传感器110、210包括多个单独的葡萄糖传感器，并且处理电路系统106被配置为选择性地激活单独的葡萄糖传感器中的第一部分(例如，第一单独的葡萄糖传感器)以生成葡萄糖信号。处理电路系统106、206可以被配置为当该第一部分生成葡萄糖信号时将该多个单独的葡萄糖传感器中的第二部分保持在去激活状态，使得医疗系统100、200可以接收葡萄糖信号而不会潜在地使该多个单独的葡萄糖传感器中的第二部分劣化。例如，处理电路系统106、206可以被配置为通过在需要时(例如，在制定训练数据和/或进行校准检查时)将第一单独的葡萄糖传感器暴露于患者104的间质液或血液以生成葡萄糖信号来激活第一单独的葡萄糖传感器。处理电路系统106、206可以被配置为当满足第一单独的葡萄糖传感器的更换标准时(例如，当处理电路系统106、206检测到来自第一单独的葡萄糖传感器的劣化信号时、在第一单独的葡萄糖信号的按时间顺序排列的使用时间段流逝之后、和/或由于另一原因)使第一单独的葡萄糖传感器去激活并且激活多个单独的葡萄糖传感器中的第二单独的葡萄糖传感器。包括多个单独的葡萄糖传感器可以延长医疗系统100、200的操作寿命，从而允许例如患者104在更换之前利用医疗系统100、200持续更长的时间段。
作为示例，图5是包括多个单独的葡萄糖传感器312的葡萄糖传感器310的平面图。葡萄糖传感器310是葡萄糖传感器110、210的示例。葡萄糖传感器310可以包括适合用于制造多个葡萄糖传感器装置的基础基板318。每个单独的葡萄糖传感器可以包括一个或多个传感器电极，诸如传感器电极240(图3)。每个单独的葡萄糖传感器可以包括与单独的葡萄糖传感器的导电层(例如，导电层244(图3))电连通的一个或多个导电插塞，诸如第一单独的葡萄糖传感器314的导电插塞320。在一些示例中，基础基板318是由适应晶圆级制造的适当材料，诸如半导体材料(诸如硅)、玻璃材料、陶瓷材料、蓝宝石材料、聚合物材料、塑性材料或复合材料形成的晶圆。基础基板318可以具有任何合适的尺寸和/或厚度以容纳多个单独的葡萄糖传感器312。
在示例中，葡萄糖传感器310可以被配置为使得第一单独的葡萄糖传感器(例如，第一单独的葡萄糖传感器314)可以暴露于患者104的血液和/或间质液，而其他单独的葡萄糖传感器保持被隔离。例如，每个单独的葡萄糖传感器可以基本上被空腔或井，诸如基本上包围第一葡萄糖传感器310的空腔322包围。空腔322可以被配置为封闭一定体积的流体(例如，患者104的血液和/或间质液)并且在该体积的流体与第一单独的葡萄糖传感器314的一个或多个传感器电极之间建立流体连通，使得第一单独的葡萄糖传感器314生成指示该体积的流体内的葡萄糖水平的葡萄糖信号。空腔322可以被配置为维持该体积的流体与该多个单独的葡萄糖传感器312内的其他单独的葡萄糖传感器之间的流体隔离，使得其他单独的葡萄糖传感器(以及任何酶，例如葡萄糖氧化酶)不暴露于该体积的流体。处理电路系统106、206可以被配置为激活空腔322内的第一单独的葡萄糖传感器314以生成葡萄糖信号，直到满足第一单独的葡萄糖传感器314的更换标准，然后激活空腔324内的单独的葡萄糖传感器316以提供葡萄糖信号。处理电路系统106、206可以被配置为以这种方式针对该多个葡萄糖传感器312内的基本上所有单独的葡萄糖传感器选择性地激活单独的葡萄糖传感器，以便例如延长葡萄糖传感器110、210的工作寿命。
图6示出了可以由处理电路系统106、206基于使用心脏102的心脏信号确定的患者104的代表性葡萄糖水平利用的示例性技术的流程图。处理电路系统106、206可以被配置为利用图6所示的技术的全部或任何部分。
处理电路系统106、206可以被配置为确定代表性葡萄糖水平(402)。处理电路系统106、206可以评估代表性葡萄糖水平以确定代表性葡萄糖水平是否低于低阈值(404)和/或确定代表性葡萄糖水平是否高于高阈值和/或趋向于高阈值(406)。低阈值和/或高阈值可以是广义水平，或者可以是特定于患者104和/或患者子集(诸如患者104)的。
处理电路系统106、206可以被配置为如果代表性葡萄糖水平不低于低阈值(404处的“否”)则确定另一代表性葡萄糖水平。如果代表性葡萄糖水平低于低阈值(404处的“是”)，则处理电路系统106、206可以被配置为采取附加动作。例如，处理电路系统106、206可以被配置为向患者104(例如，使用用户接口)和/或临床医生发送低阈值警报(408)。处理电路系统106、206可以被配置为经由便携式和/或可穿戴医疗装置、智能电话、平板电脑、另一处理器或计算系统、或另一外部装置来发送低阈值警报。处理电路系统106、206可以被配置为推荐患者104要采取的动作(410)，诸如摄取橙汁或采取某一其他补救动作。
处理电路系统106、206可以被配置为如果代表性葡萄糖水平不高于高阈值(406处的“否”)则确定另一代表性葡萄糖水平。如果代表性葡萄糖水平高于高阈值(406处的“是”)，则处理电路系统106、206可以被配置为采取附加动作。在示例中，处理电路系统106、206被配置为评估患者104是否是已知的糖尿病患者或前驱糖尿病患者(412)。如果患者104不是已知的糖尿病患者或前驱糖尿病患者(412处的“否”)，则处理电路系统106、206可以被配置为将患者104检测和/或识别为糖尿病患者或前驱糖尿病患者(414)。处理电路系统106、206可以被配置为经由例如便携式和/或可穿戴医疗装置、智能电话、平板电脑、另一处理器或计算系统、或另一外部装置向患者104和/或另一用户或临床医生发送警报消息(416)。
如果患者104是已知的糖尿病患者或前驱糖尿病患者(412处的“是”)，则处理电路系统106、206可以被配置为通过例如制定附加训练数据并使用该附加训练数据进一步训练或重新训练机器学习算法来校准机器学习算法(418)。在校准之后，处理电路系统106、206可以被配置为确定患者104的代表性葡萄糖水平是指示非常高的葡萄糖水平(例如，高于8.3mmol/l)(420)还是指示高的葡萄糖水平(例如，高于7.2mmol/l)(422)。处理电路系统106、206可以被配置为基于确定非常高的葡萄糖水平(420)或高的葡萄糖水平(422)向患者104和/或另一用户或临床医生发送警报消息(416)。
处理电路系统106、206可以被配置为基于针对患者104确定的代表性葡萄糖水平来建议一个或多个治疗途径。例如，建议的治疗途径可以是使患者104适应药物和/或针对该患者调整药物(424)。建议的治疗途径可以是注射胰岛素(例如，手动地或自动地)的推荐(426)。建议的治疗途径可以是使用诸如手指血液测试等附加测试来确认处理电路系统106、206的结果(428)。建议的治疗途径可以是咨询医师(430)。
在示例中，处理电路系统106、206被配置为评估和/或分析由患者104的代表性葡萄糖水平指示的高阈值和低阈值。处理电路系统106、206可以被配置为评估和/或分析特定时间窗口上的高阈值和低阈值。例如，时间窗口可以是浮动时间窗口(例如，具有随着按时间顺序排列的时间进程而调整的开始时间和/或停止时间的时间窗口)。在示例中，处理电路系统106、206被配置为存储检测到的高阈值的值和低阈值的值。可以使用代表性葡萄糖水平来确定高阈值的值和低阈值的值。
图7是示出被配置为与一个或多个外部系统通信的示例性医疗系统500的框图。医疗系统500包括处理电路系统506、通信电路系统558、存储装置560和用户接口562。医疗系统500是医疗系统100、200的示例，并且处理电路系统506是处理电路系统106、206的示例。处理电路系统506可以包括一个或多个处理器，该一个或多个处理器被配置为实施用于在医疗系统500内执行的功能性和/或处理指令。例如，处理电路系统506能够处理存储在存储装置560中的指令。处理电路系统506可以包括例如微处理器、DSP、ASIC、FPGA或等效离散或集成逻辑电路系统或前述装置或电路系统中的任一者的组合。因此，处理电路系统506可以包括任何合适的结构，无论是硬件、软件、固件还是它们的任何组合，以执行本文中归于处理电路系统506的功能。
通信电路系统558可以包括用于在医疗系统500内通信或与医疗系统500外部的另一装置和/或系统通信的任何合适的硬件、固件、软件或它们的任何组合。通信电路系统558可以被配置为在处理电路系统506的控制下接收和/或发送通信。在示例中，通信电路系统558被配置为经由通信链路115、120、224以及医疗系统500内的其他通信链路来发送和接收通信。在示例中，通信电路系统558被配置为向医疗系统500外部的装置和/或系统发送通信和/或从这些装置和/或系统接收通信，包括下行链路和上行链路遥测。通信电路系统558可以被配置为通过感应耦合、电磁耦合、近场通信(NFC)、射频(RF)通信、蓝牙、Wi-Fi或其他专有或非专有无线通信方案来发送或接收信号。通信电路系统558可以被配置为经由各种形式的有线和/或无线通信和/或网络协议中的任一种进行通信。
存储装置560可以被配置为在操作期间将信息存储在医疗系统500内。存储装置560可以包括计算机可读存储介质或计算机可读存储装置。在一些示例中，存储装置560包括短期存储器或长期存储器中的一者或多者。存储装置560可以包括例如RAM、DRAM、SRAM、磁盘、光盘、闪存存储器或各种形式的EPROM或EEPROM。存储装置560可以用于存储由感测电路系统116、216生成的心脏信号和/或由葡萄糖传感器110、210生成的葡萄糖信号的至少一部分。在示例中，存储装置560用于存储指示由处理电路系统506执行的指令的数据。存储装置560可以由在医疗系统500内运行的软件或应用程序使用，以在程序执行期间临时存储信息。
诸如患者104或临床医生等用户可以通过用户接口562与医疗系统500交互。用户接口562可以包括视觉显示器，处理电路系统506可以利用该视觉显示器呈现与针对患者104确定的代表性葡萄糖水平、从感测电路系统116、216接收的心脏信号、从葡萄糖传感器110、210接收的葡萄糖信号、与患者104相关的其他生理特性(诸如心率、血压、当前葡萄糖水平(例如，使用葡萄糖传感器110、210)以及其他)相关的信息。另外，用户接口562可以包括被配置为接收来自患者104和/或临床医生的输入的输入机构。输入机构可以包括例如按钮、小键盘(例如，字母数字小键盘)、外围定点装置、触摸屏或允许用户浏览由处理电路系统506呈现的用户接口并且提供输入的另一输入机构中的任一者或多者。在其他示例中，用户接口562还包括用于向用户提供听觉通知、指令或其他声音，接收来自用户的语音命令或两者的音频电路系统。
根据本文所述的一种或多种技术，医疗系统500可以被配置为配置为耦合到网络566(例如，经由接入点564)。例如，医疗系统500可以使用通信电路系统558经由硬线路或无线连接与接入点564通信。在图7的示例中，医疗系统500、接入点564、服务器568和/或计算装置570A-570N可以互连并且可以通过网络566彼此通信。接入点564可以包括经由多种连接(诸如电话拨号、数字用户线(DSL)或电缆调制解调器连接)中的任何连接而连接到网络566的装置。在其他示例中，接入点564可以通过不同形式的连接(包括有线连接或无线连接)耦合到网络566。
服务器568可以被配置为提供用于已经由医疗系统500收集的数据的安全存储站点。在一些情况下，服务器568可以通过计算装置570A-570N将数据汇编在网页或其它文档中以供受过训练的专业人员，诸如临床医生查看。在示例中，服务器568可以包括一个或多个服务器、云、一个或多个数据库和/或数据中心。服务器568可以包括存储装置572(例如，存储器装置)，以例如存储从医疗系统500检索的信息。服务器568可以包括处理电路系统574，该处理电路系统包括被配置为实施用于在服务器568内执行的功能和/或处理指令的一个或多个处理器。例如，处理电路系统574能够处理存储在存储装置572中的指令。处理电路系统574可以包括例如微处理器、DSP、ASIC、FPGA或等效离散或集成逻辑电路系统或前述装置或电路系统中的任一者的组合。存储装置572可以包括计算机可读存储介质或计算机可读存储装置。在一些示例中，存储装置572包括短期存储器或长期存储器中的一个或多个，诸如RAM、DRAM、SRAM、磁盘、光盘、闪存存储器或各种形式的EPROM或EEPROM。
在示例中，处理电路系统574包括或是处理电路系统506的一部分。处理电路系统574可以被配置为执行关于处理电路系统506描述的功能的一些部分的全部。医疗系统500可以被配置为向服务器568提供数据，以使得处理电路系统574能够执行关于处理电路系统506描述的功能的任何部分。
图8中示出了用于确定患者的代表性葡萄糖水平的技术。尽管主要参考图1至图7的医疗系统100、200、500描述了该技术，但在其他示例中，该技术可以应用于其他医疗系统。
该技术包括使用处理电路系统106、206、506来制定包括一个或多个训练输入向量和一个或多个训练输出向量的训练数据集(602)。该技术可以包括使用处理电路系统106、206、506从感测电路系统116、216接收指示患者104的心脏102的心脏特性的心脏信号。该技术可以包括使用处理电路系统106、206、506接收使用葡萄糖传感器110、210、310测得的指示患者104的葡萄糖水平的葡萄糖信号。处理电路系统106、206、506可以被配置为制定包括表示所接收的心脏信号的一个或多个元素的训练输入向量以及包括表示所接收的葡萄糖信号的一个或多个元素的对应训练输出向量。
该技术可以包括使用处理电路系统106、206、506将给定训练输入向量和相关联的训练输出向量分组成数据对。在示例中，处理电路系统106、206、506被配置为制定指示从感测电路系统116、216接收的心脏信号、心脏区段和/或心脏标记的多个训练输入向量，并且针对每个训练输入向量关联指示从葡萄糖传感器110、210、310接收的葡萄糖信号的训练输出向量。处理电路系统106、206、506可以将每个训练输入向量和相关联的训练输出向量分组为数据对，使得处理电路系统106、206、506制定多个数据对。
该技术包括使用处理电路系统106、206、506，使用一个或多个训练数据集来训练机器学习算法(604)。处理电路系统106、206、506可以使用一个或多个神经网络系统、深度学习系统或其他类型的监督或非监督机器学习系统来训练机器学习算法。该技术可以包括处理电路系统106、206、506使用所制定的训练数据集来训练机器学习算法。在示例中，处理电路系统106、206、506将所制定的训练数据集的训练输入向量的一个或多个元素提供给机器学习算法的输入(例如，提供给人工神经网络中的一个或多个输入人工神经元的一个或多个输入)。该技术可以包括在处理电路系统106、206、506提供训练输入向量之后使用机器学习算法来提供所得输出向量(例如，在人工神经网络中的一个或多个输出人工神经元的输出处的输出向量)。
该技术可以包括使用处理电路系统106、206、506将与训练输入向量相关联的训练输出向量与所得输出向量进行比较以确定误差，并基于该误差调整机器学习算法所采用的处理。该技术可以包括使用处理电路系统106、206、506训练机器学习算法，使得当处理电路系统106、206、506提供指示患者104的心脏信号的输入向量时，经训练的机器学习算法将输入向量映射到指示患者104的代表性葡萄糖水平的输出向量。在示例中，处理电路系统106、206、506被配置为使用训练数据集的第一部分来使机器学习算法收敛，并且使用训练数据集的第二部分来验证测试和/或盲测试利用第一部分进行的训练。
该技术包括使用处理电路系统106、206、506，使用经训练的机器学习算法来确定患者104的代表性葡萄糖水平(606)。该技术可以包括基于从感测电路系统116、216接收的当前心脏信号来确定患者104的代表性葡萄糖水平。在示例中，该技术包括使用处理电路系统106、206、506从感测电路系统116、216接收患者104的当前心脏信号，并且使用处理电路系统106、206、506制定具有指示当前心脏信号的一个或多个元素的输入向量。处理电路系统106、206、506可以将输入向量提供给经训练的机器学习算法并且利用经训练的机器学习算法来将输入向量映射到代表性葡萄糖水平。在示例中，处理电路系统106、206、506将代表性葡萄糖水平作为输出提供给用户接口562。在示例中，处理电路系统106、206、506将代表性葡萄糖水平存储在存储装置560中和/或将代表性葡萄糖水平传送到医疗系统100、200外部的装置和/或系统，诸如服务器568。
该技术可以包括使用处理电路系统106、206、506执行经训练的机器学习算法的校准检查。处理电路系统106、206、506可以使用葡萄糖传感器110、210、310确定患者104的当前葡萄糖水平，并且将当前葡萄糖水平与使用经训练的机器学习算法针对患者104确定的代表性葡萄糖水平进行比较。处理电路系统106可以从感测电路系统116、216接收患者104的当前心脏信号，并且使用当前心脏信号和经训练的机器学习算法来生成代表性葡萄糖水平。处理电路系统106、206、506可以将由葡萄糖传感器110、210、310指示的患者104的当前葡萄糖水平与由经训练的机器学习算法确定的代表性葡萄糖水平进行比较。基于该比较，处理电路系统106可以制定附加训练数据并且使用该附加训练数据来进一步训练或重新训练机器学习算法。例如，处理电路系统106、206、506可以被配置为通过执行制定训练数据集(602)和使用训练数据集训练机器学习算法(604)中的一者或多者来制定附加训练数据。
本公开包括以下实施例。
实施例1：一种医疗系统，所述医疗系统包括：葡萄糖传感器，所述葡萄糖传感器被配置为确定患者的葡萄糖水平；和处理电路系统，所述处理电路系统可操作地耦合到所述葡萄糖传感器，所述处理电路系统被配置为：从所述葡萄糖传感器接收指示所述葡萄糖水平的葡萄糖信号；接收指示所述患者的心脏特性的心脏信号；将所述葡萄糖信号与所述心脏信号相关联；制定包括训练输入向量和训练输出向量的一个或多个训练数据集，其中所述训练输入向量表示所述心脏信号并且所述训练输出向量表示与所述心脏信号相关联的所述葡萄糖信号；使用所述一个或多个训练数据集来训练机器学习算法；以及使用经训练的机器学习算法和当前心脏信号来确定代表性葡萄糖水平，其中所述当前心脏信号指示所述患者的心脏的当前心脏特性。
实施例2：根据实施例1所述的医疗系统，所述医疗系统还包括可操作地连接到所述处理电路系统的感测电路系统，其中所述感测电路系统被配置为感测所述心脏特性并且基于所感测的心脏特性生成所述心脏信号，并且其中所述处理电路系统被配置为从所述感测电路系统接收所述心脏信号。
实施例3：根据实施例1或2所述的医疗系统，所述医疗系统还包括被配置为由所述患者穿戴的便携式装置，其中便携式装置包括被配置为至少支撑所述葡萄糖传感器和所述处理电路系统的壳体。
实施例4：根据实施例1至3中任一项所述的医疗系统，所述医疗系统还包括多个单独的葡萄糖传感器，其中所述葡萄糖传感器是所述多个单独的葡萄糖传感器中的一个单独的葡萄糖传感器，并且其中所述处理电路系统被配置为选择所述单独的葡萄糖传感器中的所述一个单独的葡萄糖传感器。
实施例5：根据实施例1至4中任一项所述的医疗系统，所述葡萄糖传感器被配置为在激活配置中向所述处理电路系统提供所述葡萄糖信号并且在去激活配置中不向所述处理电路系统提供所述葡萄糖信号，所述葡萄糖传感器被配置为使用酶生成所述葡萄糖信号，并且所述处理电路系统被配置为使所述葡萄糖传感器建立所述激活配置或所述去激活配置。
实施例6：根据实施例5所述的医疗系统，其中所述葡萄糖传感器包括一个或多个电极，所述一个或多个电极被配置为检测使用所述酶对葡萄糖进行催化而生成的反应产物。
实施例7：根据实施例5或6所述的医疗系统，其中所述处理电路系统被配置为当所述处理电路系统使用经训练的机器学习算法和所述当前心脏信号来确定所述代表性葡萄糖水平时，使所述葡萄糖传感器建立所述去激活配置。
实施例8：根据实施例1至7中任一项所述的医疗系统，其中所述葡萄糖传感器被配置为使用近红外光谱、阻抗光谱、拉曼光谱、断层摄影术或光声学中的至少一者来确定所述患者的所述葡萄糖水平。
实施例9：根据实施例1至8中任一项所述的医疗系统，其中所述葡萄糖传感器被配置为使用以下中的至少一者来确定所述患者的所述葡萄糖水平：监测荧光酶的光学性质；监测标记酶的光学性质；监测辅酶的光学性质；监测共底物的光学性质；测量葡萄糖氧化酶对葡萄糖进行酶促氧化的产物；使用合成硼酸；使用伴刀豆球蛋白A或应用葡萄糖结合蛋白。
实施例10：根据实施例1至9中任一项所述的医疗系统，其中所述处理电路系统被配置为通过以下方式来执行校准检查：从所述葡萄糖传感器接收当前葡萄糖信号，其中所述当前葡萄糖信号指示所述患者的当前葡萄糖水平；接收所述当前心脏信号；以及将所述代表性葡萄糖水平与由所述当前葡萄糖信号指示的所述当前葡萄糖水平进行比较。
实施例11：根据实施例1至10中任一项所述的医疗系统，其中所述处理电路系统被配置为基于以下中的一者或多者来执行校准检查：按时间顺序排列的时间段的流逝；所述患者的代表性葡萄糖水平与当前葡萄糖水平的比较；使用所述心脏信号确定的心脏标记的变化的评估；使用所述心脏标记确定的两个或更多个心脏标记的相对变化的评估；葡萄糖信号相对于使用所述心脏信号确定的所述心脏标记的变化的评估；或所述患者的生理参数的评估。
实施例12：根据实施例1至11中任一项所述的医疗系统，其中所述处理电路系统被配置为：执行所述医疗系统的校准检查；基于所述校准检查的评估来制定一个或多个附加训练数据集；以及使用所述一个或多个附加训练数据集来进行对经训练的机器学习算法的附加训练。
实施例13：根据实施例1至12中任一项所述的医疗系统，所述医疗系统还包括用户输入装置，所述用户输入装置可操作地耦合到所述处理电路系统并且被配置为使所述处理电路系统接收所述心脏信号，接收所述葡萄糖信号，将所述心脏信号与所述葡萄糖水平相关联，制定所述一个或多个训练数据集，训练所述机器学习算法并且确定所述代表性葡萄糖水平。
实施例14：根据实施例1至13中任一项所述的医疗系统，其中所述处理电路系统被配置为将所述心脏信号划分为区段，其中所述区段是在一定时间间隔内接收的所述心脏信号的一部分，并且其中与所述心脏信号相关联的所述葡萄糖信号是与所述时间间隔相关联的所述葡萄糖信号的一部分。
实施例15：根据实施例1至14中任一项所述的医疗系统，其中所述机器学习算法是包括一个或多个输入人工神经元的人工神经网络，并且其中所述处理电路系统被配置为通过向所述一个或多个输入人工神经元提供所述训练输入向量来训练所述机器学习算法。
实施例16：根据实施例15所述的医疗系统，其中：所述处理电路系统被配置为向所述机器学习算法提供所述训练输入向量，所述机器学习算法被配置为当所述处理电路系统提供所述训练输入向量时生成所得输出向量，并且所述机器学习算法被配置为基于所述所得输出向量与所述训练输出向量的比较来调整所述机器学习算法内的一个或多个人工神经元的参数。
实施例17：根据实施例1至16中任一项所述的医疗系统，其中：所述处理电路系统被配置为使用所述心脏信号来识别心脏标记并且将所述心脏标记与所述葡萄糖水平相关联，所述训练输入向量表示所述心脏标记，并且所述处理电路系统被配置为使用经训练的机器学习算法和所述心脏标记来确定所述代表性葡萄糖水平。
实施例18：根据实施例1至17中任一项所述的医疗系统，其中：所述处理电路系统被配置为使用所述心脏信号识别心脏标记并且将所述心脏标记与所述葡萄糖水平相关联，并且所述心脏标记是以下中的至少一者：心率变异性(HRV)、QT内部变异性(QTV)、经校正的QT间期(QTc和/或QTt)、ST间期、ST段抬高、T波振幅、T波峰至T末端间期、T斜率、T波面积、T波不对称性、R波振幅、T波振幅、R波/T波振幅、T波交替、T波面积变异性、时域和频域中的心率变异性、心率震荡开始(TO)、震荡斜率(TS)、减速能力(DC)或减速运行(DR)。
实施例19：根据实施例1至18中任一项所述的医疗系统，其中：所述处理电路系统被配置为使用所述心脏信号来识别多个心脏标记并且向所述心脏标记中的每个心脏标记分配权重，并且所述处理电路系统被配置为当所述处理电路系统训练所述机器学习算法时调整所分配的权重。
实施例20：根据实施例1至19中任一项所述的医疗系统，其中：所述处理电路系统被配置为使用所述心脏信号识别心脏标记并且将所述心脏标记与所述葡萄糖水平相关联，并且所述处理电路系统被配置为基于所述患者的活动水平、所述患者服用的药物、所述患者的呼吸水平、所述患者的心率、所述患者的年龄、所述患者的性别、所述患者的体重、所述患者的ST区段的变化、一天中的时间、所述患者的共病、所述患者的疾病、所述患者的1型糖尿病或所述患者的2型糖尿病来校正所述心脏标记。
实施例21：一种医疗系统，所述医疗系统包括：葡萄糖传感器，所述葡萄糖传感器被配置为确定患者的葡萄糖水平；感测电路系统，所述感测电路系统被配置为感测所述患者的心脏的心脏特性；处理电路系统，所述处理电路系统可操作地耦合到所述葡萄糖传感器和所述感测电路系统，所述处理电路系统被配置为：从所述感测电路系统接收指示所述心脏特性的心脏信号；使用所述心脏信号识别心脏标记；从所述葡萄糖传感器接收指示所述葡萄糖水平的葡萄糖信号；将所述心脏标记与所述葡萄糖信号相关联；制定包括训练输入向量和训练输出向量的一个或多个训练数据集，其中所述训练输入向量表示所述心脏信号并且所述训练输出向量表示与所述葡萄糖信号相关联的所述葡萄糖信号；使用所述一个或多个训练数据集来训练机器学习算法；以及使用经训练的机器学习算法和从所述感测电路系统接收的当前心脏信号来确定代表性葡萄糖水平，其中所述当前心脏信号指示所述患者的所述心脏的当前心脏特性；和壳体，所述壳体机械地支撑所述葡萄糖传感器和所述处理电路系统。
实施例22：根据实施例21所述的医疗系统，其中：所述葡萄糖传感器被配置为在激活配置中向所述处理电路系统提供所述葡萄糖信号并且在去激活配置中不向所述处理电路系统提供所述葡萄糖信号，所述葡萄糖传感器被配置为使用酶生成所述葡萄糖信号，并且所述处理电路系统被配置为使所述葡萄糖传感器建立所述激活配置或所述去激活配置。
实施例23：根据实施例21或22所述的医疗系统，其中所述处理电路系统被配置为通过以下方式来执行校准检查：从所述葡萄糖传感器接收当前葡萄糖信号，其中所述当前葡萄糖信号指示所述患者的当前葡萄糖水平；接收所述当前心脏信号；将所述代表性葡萄糖水平与由所述当前葡萄糖信号指示的所述当前葡萄糖水平进行比较；基于所述代表性葡萄糖水平与由所述当前葡萄糖信号指示的所述当前葡萄糖水平的所述比较来制定一个或多个附加训练数据集；以及使用所述一个或多个附加训练数据集来进行对经训练的机器学习算法的附加训练。
实施例24：一种方法，所述方法包括：使用处理电路系统从被配置为感测患者的心脏的心电图的感测电路系统接收指示所述心电图的ECG信号；使用所述处理电路系统从被配置为确定所述患者的葡萄糖水平的葡萄糖传感器接收指示所述患者的所述葡萄糖水平的葡萄糖信号；使用所述处理电路系统将所述ECG信号与所述葡萄糖水平相关联；使用所述处理电路系统制定包括训练输入向量和训练输出向量的一个或多个训练数据集，其中所述训练输入向量表示所述ECG信号并且所述训练输出向量表示与所述ECG信号相关联的所述葡萄糖信号；使用所述处理电路系统，使用所述一个或多个训练数据集来训练机器学习算法；以及使用所述处理电路系统，使用经训练的机器学习算法和当前心脏信号来确定代表性葡萄糖水平，其中所述当前心脏信号指示所述患者的所述心脏的当前心脏特性。
实施例25：根据实施例24所述的方法，所述方法还包括：使用所述处理电路系统将所述葡萄糖传感器建立成处于激活配置，其中所述葡萄糖传感器被配置为在所述激活配置中生成所述葡萄糖信号；在所述葡萄糖传感器处于所述激活配置的情况下接收所述葡萄糖信号；使用所述处理电路系统将所述葡萄糖传感器建立成处于去激活配置，其中所述葡萄糖传感器被配置为在所述去激活配置中不生成所述葡萄糖信号；以及在所述葡萄糖传感器处于所述去激活配置的情况下确定所述代表性葡萄糖水平。
已经描述了本公开的各种示例。设想了所描述的系统、操作或功能的任何组合。这些和其他示例在所附权利要求书的范围内。

Claims (15)

1.一种医疗系统，包括：
葡萄糖传感器，所述葡萄糖传感器被配置为确定患者的葡萄糖水平；和
处理电路系统，所述处理电路系统可操作地耦合到所述葡萄糖传感器，所述处理电路系统被配置为：
从所述葡萄糖传感器接收指示所述葡萄糖水平的葡萄糖信号，
接收指示所述患者的心脏特性的心脏信号，
将所述葡萄糖信号与所述心脏信号相关联，
制定包括训练输入向量和训练输出向量的一个或多个训练数据集，其中所述训练输入向量表示所述心脏信号并且所述训练输出向量表示与所述心脏信号相关联的所述葡萄糖信号，
使用所述一个或多个训练数据集来训练机器学习算法，以及
使用经训练的机器学习算法和当前心脏信号来确定代表性葡萄糖水平，其中所述当前心脏信号指示所述患者的所述心脏的当前心脏特性。
2.根据权利要求1所述的医疗系统，所述医疗系统还包括可操作地连接到所述处理电路系统的感测电路系统，其中所述感测电路系统被配置为感测所述心脏特性并且基于所感测的心脏特性生成所述心脏信号，并且其中所述处理电路系统被配置为从所述感测电路系统接收所述心脏信号。
3.根据权利要求1所述的医疗系统，所述医疗系统还包括被配置为由所述患者穿戴的便携式装置，其中便携式装置包括被配置为至少支撑所述葡萄糖传感器和所述处理电路系统的壳体。
4.根据权利要求1所述的医疗系统，所述医疗系统还包括多个单独的葡萄糖传感器，其中所述葡萄糖传感器是所述多个单独的葡萄糖传感器中的一个单独的葡萄糖传感器，并且其中所述处理电路系统被配置为选择所述单独的葡萄糖传感器中的所述一个单独的葡萄糖传感器。
5.根据权利要求1所述的医疗系统，其中：
所述葡萄糖传感器被配置为在激活配置中向所述处理电路系统提供所述葡萄糖信号并且在去激活配置中不向所述处理电路系统提供所述葡萄糖信号，
所述葡萄糖传感器被配置为使用酶生成所述葡萄糖信号，并且所述处理电路系统被配置为使所述葡萄糖传感器建立所述激活配置或所述去激活配置。
6.根据权利要求5所述的医疗系统，其中所述葡萄糖传感器包括一个或多个电极，所述一个或多个电极被配置为检测使用所述酶对葡萄糖进行催化而生成的反应产物。
7.根据权利要求5所述的医疗系统，其中所述处理电路系统被配置为当所述处理电路系统使用经训练的机器学习算法和所述当前心脏信号来确定所述代表性葡萄糖水平时，使所述葡萄糖传感器建立所述去激活配置。
8.根据权利要求1所述的医疗系统，其中所述葡萄糖传感器被配置为使用近红外光谱、阻抗光谱、拉曼光谱、断层摄影术或光声学中的至少一者来确定所述患者的所述葡萄糖水平。
9.根据权利要求1所述的医疗系统，其中所述葡萄糖传感器被配置为使用以下中的至少一者来确定所述患者的所述葡萄糖水平：监测荧光酶的光学性质；监测标记酶的光学性质；监测辅酶的光学性质；监测共底物的光学性质；测量葡萄糖氧化酶对葡萄糖进行酶促氧化的产物；使用合成硼酸；使用伴刀豆球蛋白A或应用葡萄糖结合蛋白。
10.根据权利要求1所述的医疗系统，其中所述处理电路系统被配置为通过以下方式来执行校准检查：
从所述葡萄糖传感器接收当前葡萄糖信号，其中所述当前葡萄糖信号指示所述患者的当前葡萄糖水平，
接收所述当前心脏信号，以及
将所述代表性葡萄糖水平与由所述当前葡萄糖信号指示的所述当前葡萄糖水平进行比较。
11.根据权利要求1所述的医疗系统，其中所述处理电路系统被配置为基于以下中的一者或多者来执行校准检查：按时间顺序排列的时间段的流逝；所述患者的代表性葡萄糖水平与当前葡萄糖水平的比较；使用所述心脏信号确定的心脏标记的变化的评估；使用所述心脏标记确定的两个或更多个心脏标记的相对变化的评估；葡萄糖信号相对于使用所述心脏信号确定的所述心脏标记的变化的评估；或
所述患者的生理参数的评估。
12.根据权利要求1所述的医疗系统，其中所述处理电路系统被配置为：
执行所述医疗系统的校准检查，
基于所述校准检查的评估来制定一个或多个附加训练数据集，以及
使用所述一个或多个附加训练数据集来进行对经训练的机器学习算法的附加训练。
13.根据权利要求1所述的医疗系统，所述医疗系统还包括用户输入装置，所述用户输入装置可操作地耦合到所述处理电路系统并且被配置为使所述处理电路系统接收所述心脏信号，接收所述葡萄糖信号，将所述心脏信号与所述葡萄糖水平相关联，制定所述一个或多个训练数据集，训练所述机器学习算法并且确定所述代表性葡萄糖水平。
14.一种医疗系统，包括：
葡萄糖传感器，所述葡萄糖传感器被配置为确定患者的葡萄糖水平；
感测电路系统，所述感测电路系统被配置为感测所述患者的心脏的心脏特性；
处理电路系统，所述处理电路系统可操作地耦合到所述葡萄糖传感器和所述感测电路系统，所述处理电路系统被配置为：
从所述感测电路系统接收指示所述心脏特性的心脏信号，
使用所述心脏信号识别心脏标记，
从所述葡萄糖传感器接收指示所述葡萄糖水平的葡萄糖信号，
将所述心脏标记与所述葡萄糖信号相关联，
制定包括训练输入向量和训练输出向量的一个或多个训练数据集，其中所述训练输入向量表示所述心脏信号并且所述训练输出向量表示与所述葡萄糖信号相关联的所述葡萄糖信号，
使用所述一个或多个训练数据集来训练机器学习算法，以及
使用经训练的机器学习算法和从所述感测电路系统接收的当前心脏信号来确定代表性葡萄糖水平，其中所述当前心脏信号指示所述患者的所述心脏的当前心脏特性；和
壳体，所述壳体机械地支撑所述葡萄糖传感器和所述处理电路系统。
15.一种方法，包括：
使用处理电路系统从被配置为感测患者的心脏的心电图的感测电路系统接收指示所述心电图的ECG信号，
使用所述处理电路系统从被配置为确定所述患者的葡萄糖水平的葡萄糖传感器接收指示所述患者的所述葡萄糖水平的葡萄糖信号，
使用所述处理电路系统将所述ECG信号与所述葡萄糖水平相关联，
使用所述处理电路系统制定包括训练输入向量和训练输出向量的一个或多个训练数据集，其中所述训练输入向量表示所述ECG信号并且所述训练输出向量表示与所述ECG信号相关联的所述葡萄糖信号，
使用所述处理电路系统，使用所述一个或多个训练数据集来训练机器学习算法，以及
使用所述处理电路系统，使用经训练的机器学习算法和当前心脏信号来确定代表性葡萄糖水平，其中所述当前心脏信号指示所述患者的所述心脏的当前心脏特性。
CN202280013594.2A 2021-02-05 2022-02-01 自校准葡萄糖监测器 Pending CN116829062A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US17/168,761 2021-02-05
US17/168,761 US11607140B2 (en) 2021-02-05 2021-02-05 Self-calibrating glucose monitor
PCT/US2022/014646 WO2022169721A1 (en) 2021-02-05 2022-02-01 Self-calibrating glucose monitor

Publications (1)

Publication Number Publication Date
CN116829062A true CN116829062A (zh) 2023-09-29

Family

ID=82703400

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202280013594.2A Pending CN116829062A (zh) 2021-02-05 2022-02-01 自校准葡萄糖监测器

Country Status (4)

Country Link
US (3) US11607140B2 (zh)
EP (1) EP4287939A1 (zh)
CN (1) CN116829062A (zh)
WO (1) WO2022169721A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11607140B2 (en) 2021-02-05 2023-03-21 Medtronic, Inc. Self-calibrating glucose monitor

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102006036920B3 (de) 2006-08-04 2007-11-29 Nirlus Engineering Ag Verfahren zur Messung der Glukosekonzentration in pulsierendem Blut
US20090137890A1 (en) 2007-11-27 2009-05-28 Burnes John E Devices to monitor glucose levels and ischemia
JP5676432B2 (ja) 2008-05-22 2015-02-25 ザ・キュレーターズ・オブ・ザ・ユニバーシティ・オブ・ミズーリＴｈｅ Ｃｕｒａｔｏｒｓ Ｏｆ Ｔｈｅ Ｕｎｉｖｅｒｓｉｔｙ Ｏｆ Ｍｉｓｓｏｕｒｉ スペクトルデータ分析を利用して血糖を非侵襲で光学的に検出するための方法およびシステム
US8630692B2 (en) 2009-04-30 2014-01-14 Pacesetter, Inc. Method and implantable system for blood-glucose concentration monitoring using parallel methodologies
GB2586788A (en) * 2019-08-30 2021-03-10 Univ Warwick Electrocardiogram-based blood glucose level monitoring
WO2021154936A1 (en) * 2020-01-29 2021-08-05 Anexa Labs Llc Simultaneous monitoring of ecg & bioimpedance via shared electrodes
US20210375447A1 (en) * 2020-05-27 2021-12-02 Dexcom, Inc. Glucose prediction using machine learning and time series glucose measurements
US11426102B2 (en) * 2020-06-30 2022-08-30 Dexcom, Inc. Diabetes prediction using glucose measurements and machine learning
US11607140B2 (en) 2021-02-05 2023-03-21 Medtronic, Inc. Self-calibrating glucose monitor

Also Published As

Publication number Publication date
WO2022169721A1 (en) 2022-08-11
US20220248965A1 (en) 2022-08-11
US20240148259A1 (en) 2024-05-09
US11890080B2 (en) 2024-02-06
US11607140B2 (en) 2023-03-21
US20230190116A1 (en) 2023-06-22
EP4287939A1 (en) 2023-12-13

Similar Documents

Publication Publication Date Title
US20210321942A1 (en) Systems and methods for biomonitoring and providing personalized healthcare
JP7427048B2 (ja) 検体センサに関連するノートおよびイベントログ情報
JP5654586B2 (ja) 分析物モニタリング装置および使用方法
JP5674777B2 (ja) 分析物モニタリング装置および使用方法
JP5788874B2 (ja) 分析物モニタリング装置および使用方法
CN107847191A (zh) 绷带型分析传感器的校准方法
US20240148259A1 (en) Self-calibrating glucose monitor
US20190021659A1 (en) Wireless Medical Evaluation Device
US20220225901A1 (en) Systems and methods for tracking and calibrating biosensors
US20230075014A1 (en) System and method for disease risk assessment and treatment
Darwish et al. The impact of implantable sensors in biomedical technology on the future of healthcare systems
US20200000386A1 (en) Apparatus and methods for analyte sensor spatial mismatch mitigation and correction
US20210386331A1 (en) Methods, systems, and devices for improved sensors for continuous glucose monitoring
US20230255527A1 (en) Wearable electronic biosensors and manufacturing methods
US20220249002A1 (en) Biosensor excitation methods, and associated systems, devices, and methods
KR20210015045A (ko) 혈당측정장치 및 이를 이용하는 혈당측정시스템
CN110881984A (zh) 一种单电极植入式血糖传感器
CN211460231U (zh) 一种单电极植入式血糖传感器
US20230064744A1 (en) Augmented Analyte Monitoring System
US20220369961A1 (en) Detection of changes in patient health based on glucose data
CN115553767A (zh) 使用电参数的葡萄糖传感器识别
BR102022004984A2 (pt) Medidor de glicemia sem perfuração por iontoforese reversa
WO2022245804A1 (en) Detection of changes in patient health based on glucose data
CN117425426A (zh) 基于葡萄糖数据的对患者健康状况变化的检测

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