CN117153326A - 基于数字孪生的应激性高血糖患者血糖调整的模型及方法 - Google Patents
基于数字孪生的应激性高血糖患者血糖调整的模型及方法 Download PDFInfo
- Publication number
- CN117153326A CN117153326A CN202310930002.XA CN202310930002A CN117153326A CN 117153326 A CN117153326 A CN 117153326A CN 202310930002 A CN202310930002 A CN 202310930002A CN 117153326 A CN117153326 A CN 117153326A
- Authority
- CN
- China
- Prior art keywords
- patient
- blood sugar
- insulin
- model
- digital twin
- 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
Links
- 210000004369 blood Anatomy 0.000 title claims abstract description 163
- 239000008280 blood Substances 0.000 title claims abstract description 163
- 201000001421 hyperglycemia Diseases 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 27
- 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 312
- 108090001061 Insulin Proteins 0.000 claims abstract description 156
- 102000004877 Insulin Human genes 0.000 claims abstract description 156
- 229940125396 insulin Drugs 0.000 claims abstract description 156
- 201000010099 disease Diseases 0.000 claims abstract description 27
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 27
- 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 26
- 239000008103 glucose Substances 0.000 claims abstract description 26
- 238000010276 construction Methods 0.000 claims abstract description 10
- 230000001105 regulatory effect Effects 0.000 claims abstract description 10
- 230000003068 static effect Effects 0.000 claims abstract description 7
- 239000003814 drug Substances 0.000 claims description 45
- 230000008859 change Effects 0.000 claims description 38
- 238000001802 infusion Methods 0.000 claims description 30
- 108010026951 Short-Acting Insulin Proteins 0.000 claims description 24
- 229940123958 Short-acting insulin Drugs 0.000 claims description 24
- 238000002360 preparation method Methods 0.000 claims description 24
- 229940079593 drug Drugs 0.000 claims description 22
- 230000002641 glycemic effect Effects 0.000 claims description 9
- 235000016236 parenteral nutrition Nutrition 0.000 claims description 8
- 230000001276 controlling effect Effects 0.000 claims description 6
- 238000002347 injection Methods 0.000 claims description 4
- 239000007924 injection Substances 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 7
- 230000010354 integration Effects 0.000 description 4
- JVTAAEKCZFNVCJ-UHFFFAOYSA-N lactic acid Chemical compound CC(O)C(O)=O JVTAAEKCZFNVCJ-UHFFFAOYSA-N 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 2
- 206010040047 Sepsis Diseases 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 230000036760 body temperature Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000004310 lactic acid Substances 0.000 description 2
- 235000014655 lactic acid Nutrition 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010239 partial least squares discriminant analysis Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 230000036387 respiratory rate Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 229910052710 silicon Inorganic materials 0.000 description 2
- 239000010703 silicon Substances 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- SFLSHLFXELFNJZ-QMMMGPOBSA-N (-)-norepinephrine Chemical compound NC[C@H](O)C1=CC=C(O)C(O)=C1 SFLSHLFXELFNJZ-QMMMGPOBSA-N 0.000 description 1
- PGOHTUIFYSHAQG-LJSDBVFPSA-N (2S)-6-amino-2-[[(2S)-5-amino-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-4-amino-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-5-amino-2-[[(2S)-5-amino-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S,3R)-2-[[(2S)-5-amino-2-[[(2S)-2-[[(2S)-2-[[(2S,3R)-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-5-amino-2-[[(2S)-1-[(2S,3R)-2-[[(2S)-2-[[(2S)-2-[[(2R)-2-[[(2S)-2-[[(2S)-2-[[2-[[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-1-[(2S)-2-[[(2S)-2-[[(2S)-2-[[(2S)-2-amino-4-methylsulfanylbutanoyl]amino]-3-(1H-indol-3-yl)propanoyl]amino]-5-carbamimidamidopentanoyl]amino]propanoyl]pyrrolidine-2-carbonyl]amino]-3-methylbutanoyl]amino]-4-methylpentanoyl]amino]-4-methylpentanoyl]amino]acetyl]amino]-3-hydroxypropanoyl]amino]-4-methylpentanoyl]amino]-3-sulfanylpropanoyl]amino]-4-methylsulfanylbutanoyl]amino]-5-carbamimidamidopentanoyl]amino]-3-hydroxybutanoyl]pyrrolidine-2-carbonyl]amino]-5-oxopentanoyl]amino]-3-hydroxypropanoyl]amino]-3-hydroxypropanoyl]amino]-3-(1H-imidazol-5-yl)propanoyl]amino]-4-methylpentanoyl]amino]-3-hydroxybutanoyl]amino]-3-(1H-indol-3-yl)propanoyl]amino]-5-carbamimidamidopentanoyl]amino]-5-oxopentanoyl]amino]-3-hydroxybutanoyl]amino]-3-hydroxypropanoyl]amino]-3-carboxypropanoyl]amino]-3-hydroxypropanoyl]amino]-5-oxopentanoyl]amino]-5-oxopentanoyl]amino]-3-phenylpropanoyl]amino]-5-carbamimidamidopentanoyl]amino]-3-methylbutanoyl]amino]-4-methylpentanoyl]amino]-4-oxobutanoyl]amino]-5-carbamimidamidopentanoyl]amino]-3-(1H-indol-3-yl)propanoyl]amino]-4-carboxybutanoyl]amino]-5-oxopentanoyl]amino]hexanoic acid Chemical compound CSCC[C@H](N)C(=O)N[C@@H](Cc1c[nH]c2ccccc12)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](C)C(=O)N1CCC[C@H]1C(=O)N[C@@H](C(C)C)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CC(C)C)C(=O)NCC(=O)N[C@@H](CO)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CS)C(=O)N[C@@H](CCSC)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H]([C@@H](C)O)C(=O)N1CCC[C@H]1C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CO)C(=O)N[C@@H](CO)C(=O)N[C@@H](Cc1cnc[nH]1)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H]([C@@H](C)O)C(=O)N[C@@H](Cc1c[nH]c2ccccc12)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H]([C@@H](C)O)C(=O)N[C@@H](CO)C(=O)N[C@@H](CC(O)=O)C(=O)N[C@@H](CO)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](Cc1ccccc1)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](C(C)C)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CC(N)=O)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](Cc1c[nH]c2ccccc12)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CCCCN)C(O)=O PGOHTUIFYSHAQG-LJSDBVFPSA-N 0.000 description 1
- UCTWMZQNUQWSLP-VIFPVBQESA-N (R)-adrenaline Chemical compound CNC[C@H](O)C1=CC=C(O)C(O)=C1 UCTWMZQNUQWSLP-VIFPVBQESA-N 0.000 description 1
- 229930182837 (R)-adrenaline Natural products 0.000 description 1
- VVJYUAYZJAKGRQ-UHFFFAOYSA-N 1-[4,5-dihydroxy-6-(hydroxymethyl)oxan-2-yl]-5-methylpyrimidine-2,4-dione Chemical compound O=C1NC(=O)C(C)=CN1C1OC(CO)C(O)C(O)C1 VVJYUAYZJAKGRQ-UHFFFAOYSA-N 0.000 description 1
- 102100036475 Alanine aminotransferase 1 Human genes 0.000 description 1
- 108010082126 Alanine transaminase Proteins 0.000 description 1
- 108010088751 Albumins Proteins 0.000 description 1
- 102000009027 Albumins Human genes 0.000 description 1
- 108010003415 Aspartate Aminotransferases Proteins 0.000 description 1
- 102000004625 Aspartate Aminotransferases Human genes 0.000 description 1
- 108010074051 C-Reactive Protein Proteins 0.000 description 1
- 102100032752 C-reactive protein Human genes 0.000 description 1
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 108010049003 Fibrinogen Proteins 0.000 description 1
- 102000008946 Fibrinogen Human genes 0.000 description 1
- 102000051325 Glucagon Human genes 0.000 description 1
- 108060003199 Glucagon Proteins 0.000 description 1
- 206010020751 Hypersensitivity Diseases 0.000 description 1
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 1
- 102000003855 L-lactate dehydrogenase Human genes 0.000 description 1
- 108700023483 L-lactate dehydrogenases Proteins 0.000 description 1
- 102100028524 Lysosomal protective protein Human genes 0.000 description 1
- 101710162021 Lysosomal protective protein Proteins 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- 108010048233 Procalcitonin Proteins 0.000 description 1
- 108010094028 Prothrombin Proteins 0.000 description 1
- 102100027378 Prothrombin Human genes 0.000 description 1
- 102100029212 Putative tetratricopeptide repeat protein 41 Human genes 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 108090000190 Thrombin Proteins 0.000 description 1
- 108010000499 Thromboplastin Proteins 0.000 description 1
- 102000002262 Thromboplastin Human genes 0.000 description 1
- 238000008050 Total Bilirubin Reagent Methods 0.000 description 1
- LEHOTFFKMJEONL-UHFFFAOYSA-N Uric Acid Chemical compound N1C(=O)NC(=O)C2=C1NC(=O)N2 LEHOTFFKMJEONL-UHFFFAOYSA-N 0.000 description 1
- TVWHNULVHGKJHS-UHFFFAOYSA-N Uric acid Natural products N1C(=O)NC(=O)C2NC(=O)NC21 TVWHNULVHGKJHS-UHFFFAOYSA-N 0.000 description 1
- 206010052428 Wound Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- PNNCWTXUWKENPE-UHFFFAOYSA-N [N].NC(N)=O Chemical compound [N].NC(N)=O PNNCWTXUWKENPE-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 206010000891 acute myocardial infarction Diseases 0.000 description 1
- 239000003513 alkali Substances 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000035487 diastolic blood pressure Effects 0.000 description 1
- 239000002934 diuretic Substances 0.000 description 1
- 230000001882 diuretic effect Effects 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 229960005139 epinephrine Drugs 0.000 description 1
- 210000003743 erythrocyte Anatomy 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000002618 extracorporeal membrane oxygenation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 229940012952 fibrinogen Drugs 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000004868 gas analysis Methods 0.000 description 1
- 230000024924 glomerular filtration Effects 0.000 description 1
- 229960004666 glucagon Drugs 0.000 description 1
- MASNOZXLGMXCHN-ZLPAWPGGSA-N glucagon Chemical compound C([C@@H](C(=O)N[C@H](C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CC=1C2=CC=CC=C2NC=1)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCSC)C(=O)N[C@@H](CC(N)=O)C(=O)N[C@@H]([C@@H](C)O)C(O)=O)C(C)C)NC(=O)[C@H](CC(O)=O)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@H](C)NC(=O)[C@H](CCCNC(N)=N)NC(=O)[C@H](CCCNC(N)=N)NC(=O)[C@H](CO)NC(=O)[C@H](CC(O)=O)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CC=1C=CC(O)=CC=1)NC(=O)[C@H](CCCCN)NC(=O)[C@H](CO)NC(=O)[C@H](CC=1C=CC(O)=CC=1)NC(=O)[C@H](CC(O)=O)NC(=O)[C@H](CO)NC(=O)[C@@H](NC(=O)[C@H](CC=1C=CC=CC=1)NC(=O)[C@@H](NC(=O)CNC(=O)[C@H](CCC(N)=O)NC(=O)[C@H](CO)NC(=O)[C@@H](N)CC=1NC=NC=1)[C@@H](C)O)[C@@H](C)O)C1=CC=CC=C1 MASNOZXLGMXCHN-ZLPAWPGGSA-N 0.000 description 1
- 239000003862 glucocorticoid Substances 0.000 description 1
- 229940088597 hormone Drugs 0.000 description 1
- 239000005556 hormone Substances 0.000 description 1
- GPRLSGONYQIRFK-UHFFFAOYSA-N hydron Chemical compound [H+] GPRLSGONYQIRFK-UHFFFAOYSA-N 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000002458 infectious effect Effects 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 230000003907 kidney function Effects 0.000 description 1
- 210000000265 leukocyte Anatomy 0.000 description 1
- 230000003908 liver function Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005399 mechanical ventilation Methods 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000440 neutrophil Anatomy 0.000 description 1
- 229960002748 norepinephrine Drugs 0.000 description 1
- SFLSHLFXELFNJZ-UHFFFAOYSA-N norepinephrine Natural products NCC(O)C1=CC=C(O)C(O)=C1 SFLSHLFXELFNJZ-UHFFFAOYSA-N 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- CWCXERYKLSEGEZ-KDKHKZEGSA-N procalcitonin Chemical compound C([C@@H](C(=O)N1CCC[C@H]1C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@H](C(=O)N[C@@H](C)C(=O)N[C@@H]([C@@H](C)CC)C(=O)NCC(=O)N[C@@H](C(C)C)C(=O)NCC(=O)N[C@@H](C)C(=O)N1[C@@H](CCC1)C(=O)NCC(O)=O)[C@@H](C)O)NC(=O)[C@@H](NC(=O)[C@H](CC=1NC=NC=1)NC(=O)[C@H](CC=1C=CC=CC=1)NC(=O)[C@H](CCCCN)NC(=O)[C@H](CC(N)=O)NC(=O)[C@H](CC=1C=CC=CC=1)NC(=O)[C@H](CC(O)=O)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@@H](NC(=O)[C@H](CC=1C=CC(O)=CC=1)NC(=O)[C@@H](NC(=O)CNC(=O)[C@H](CC(C)C)NC(=O)[C@H](CCSC)NC(=O)[C@H]1NC(=O)[C@H]([C@@H](C)O)NC(=O)[C@H](CO)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CC(N)=O)NC(=O)CNC(=O)[C@@H](N)CSSC1)[C@@H](C)O)[C@@H](C)O)[C@@H](C)O)C1=CC=CC=C1 CWCXERYKLSEGEZ-KDKHKZEGSA-N 0.000 description 1
- 229940039716 prothrombin Drugs 0.000 description 1
- 238000009256 replacement therapy Methods 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 230000028327 secretion Effects 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 229910052708 sodium Inorganic materials 0.000 description 1
- 239000011734 sodium Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000013106 supervised machine learning method Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000035488 systolic blood pressure Effects 0.000 description 1
- 229960004072 thrombin Drugs 0.000 description 1
- 238000013107 unsupervised machine learning method Methods 0.000 description 1
- 229940116269 uric acid Drugs 0.000 description 1
- 238000010200 validation analysis Methods 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
- 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
-
- 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
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Medicinal Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- Infusion, Injection, And Reservoir Apparatuses (AREA)
Abstract
本发明公开了血糖调整技术领域的基于数字孪生的应激性高血糖患者血糖调整的模型及方法,该模型包括模型构建模块用于采集应激血糖患者的患病数据,并基于应激血糖患者的患病数据构建数字孪生模型;静态信息采集模块用于对患者的基础患病信息进行采集;动态信息采集模块用于对患者的生命体征进行采集;血糖采集模块用于对患者血糖浓度进行实时采集生成实时血糖数据,并将实时血糖数据输入至数字孪生模型内;数字孪生模型用于根据实时血糖数据输出是否需要使用胰岛素以及第一胰岛素用量。本发明,基于数字孪生模型输出胰岛素用量对患者的血糖进行调节,在多次迭代更新后,能够精确的输出适宜患者的胰岛素用量,实现对患者血糖的精准调节。
Description
技术领域
本发明属于血糖调整技术领域,具体是基于数字孪生的应激性高血糖患者血糖调整的模型及方法。
背景技术
应激性高血糖是指患者在严重创伤、脑血管意外、急性心肌梗死、感染性休克等强烈刺激因素作用下,因人体处于应激状态,体内胰高血糖素、肾上腺素、去甲肾上腺素等激素分泌增加,拮抗胰岛素而出现的血糖升高现象。
且研究发现应激性高血糖与病死率升高密切相关,有效控制应激性高血糖对于改善ICU患者的治疗效果及远期预后具有积极意义。
现有技术中主要依靠血糖值的采集数据以及医护人员经验对患者的血糖浓度进行调节,但是该方式受医生主观因素影响较大,对患者的血糖调节精准度有限。
综上所述,亟需一种实用、高效、准确的血糖调整方法,以实现对患者血糖的精准调节。
发明内容
本发明的目的是提供基于数字孪生的应激性高血糖患者血糖调整的模型及方法,能够基于数字孪生的算法给出建议使用的胰岛素用量,根据医护人员的临床经验,并根据实时反馈的血糖值,随时更改药物用量,从而实现对患者血糖的精准调节。
为了实现上述目的,本发明的技术方案如下:基于数字孪生的应激性高血糖患者血糖调整的模型,包括模型构建模块、静态信息采集模块、动态信息采集模块、血糖采集模块和控制模块;
模型构建模块用于采集应激血糖患者的患病数据,患病数据至少包括基础情况、相关生理生化指标、血糖波动情况、胰岛素用量和肠内肠外营养用量,并基于应激血糖患者的患病数据构建数字孪生模型;
静态信息采集模块用于对患者的基础患病信息进行采集;
动态信息采集模块用于对患者的生命体征进行采集;
血糖采集模块用于对患者血糖浓度进行实时采集生成实时血糖数据,并将实时血糖数据输入至数字孪生模型内;
数字孪生模型用于根据实时血糖数据输出是否需要使用胰岛素以及第一胰岛素用量;
控制模块包括胰岛素供给单元、胰岛素输液泵和控制器,胰岛素供给单元用于提供配比好的短效胰岛素制剂,胰岛素输液泵用于为患者输送配比好的短效胰岛素制剂,控制器用于获取数字孪生模型输出的第一胰岛素用量,并控制胰岛素输液泵根据第一胰岛素用量为患者输送配比好的短效胰岛素制剂;
还包括用药信息采集模块,用药信息采集模块用于采集用户的即将用药信息,并输出即将用药信息内药物是否会引起患者血糖变化以及血糖变化量;数字孪生模型还用于获取即将用药信息内药物引起的血糖变化量,并输出第二胰岛素用量,控制器还用于获取数字孪生模型输出的第二胰岛素用量,并控制胰岛素输液泵根据第二胰岛素用量为患者输送配比好的短效胰岛素制剂。
进一步,胰岛素输液泵还用于获取单位时间内胰岛素的注入量生成胰岛素输入量,血糖采集模块还用于获取自胰岛素输液泵运行起单位时间内患者血糖浓度的变化量生成血糖浓度变化量,控制器用于根据胰岛素输入量和血糖浓度变化量进行预估并对胰岛素用量进行实时调节。
进一步,基础患病信息至少包括医院信息系统、临床信息系统、实验室信息系统和电子病历系统内与患者有关的信息。
进一步,控制模块还包括选择单元,选择单元用于获取第一胰岛素用量或第二胰岛素用量,并为医护人员展示第一胰岛素用量或第二胰岛素用量,并接收医护人员的决策信号。
进一步,决策信号包括执行、拒绝和自定义;决策信号为执行时,控制器直接控制胰岛素输液泵按照第一胰岛素用量或第二胰岛素用量为患者输送配比好的短效胰岛素制剂;决策信号为拒绝时,控制器不控制胰岛素输液泵为患者输送配比好的短效胰岛素制剂;决策信号为自定义时,控制器根据自定义胰岛素用量控制胰岛素输液泵为患者输送配比好的短效胰岛素制剂。
进一步,控制模块还包括报警单元,报警单元用于获取血糖采集模块生成的实时血糖数据,并在实时血糖数据超出正常波动值时发送报警信号。
进一步,用药信息采集模块还用于对药物已用量进行实时采集,并自药物开始使用起记录患者实际血糖变化量,并根据药物已用量和实际血糖变化量对血糖变化量进行更新。
基于数字孪生的应激性高血糖患者血糖调整的方法,包括如下步骤:
步骤一:采集应激血糖患者的患病数据,患病数据至少包括基础情况、相关生理生化指标、血糖波动情况、胰岛素用量和肠内肠外营养用量,并基于应激血糖患者的患病数据构建数字孪生模型;
步骤二:对患者的基础患病信息和生命体征进行采集;
步骤三:对患者血糖浓度进行实时采集生成实时血糖数据,并将实时血糖数据输入至数字孪生模型内;
步骤四:根据实时血糖数据输出是否需要使用胰岛素以及第一胰岛素用量;
步骤五:采集用户的即将用药信息,并输出即将用药信息内药物是否会引起患者血糖变化以及血糖变化量;数字孪生模型获取即将用药信息内药物引起的血糖变化量,并输出第二胰岛素用量;
步骤六:获取数字孪生模型输出的第一胰岛素用量或第二胰岛素用量,并根据第一胰岛素用量或第二胰岛素用量为患者输送配比好的短效胰岛素制剂。
本发明的技术原理如下:
首先,通过采集应激血糖患者的患病数据构建数字孪生模型,在对患者的基础患病信息和生命体征进行采集的情况下,当血糖浓度出现较大波动时发出报警信号;一方面,通过血糖采集模块对患者血糖浓度进行实时采集生成实时血糖数据,将实时血糖数据输送至数字孪生模型输出是否需要注入胰岛素以及第一胰岛素用量;另一方面,通过对患者即将使用的药物信息进行采集,若使用的药物会引起患者血糖产生较大波动,则引起的血糖变化量输入数字孪生模型输出第二胰岛素用量;第一胰岛素用量和第二胰岛素用量均会通过选择模块为医护人员展示,医护人员根据经验和患者实际病情,判断是否按照第一胰岛素用量或者第二胰岛素用量为患者注入胰岛素,也可将第一胰岛素用量和第二胰岛素用量作为参考值,输入实际为患者注入胰岛素的需求量。当第一胰岛素用量和第二胰岛素用量同时出现时需要将两者进行叠加以求得最终的胰岛素需求量。
后续,控制器会控制胰岛素输液泵按照最终的胰岛素需求量为患者注入胰岛素,在注入胰岛素过程中根据实际注入胰岛素后患者的血糖变化,对胰岛素用量进行实时调整控制。数字孪生模型根据多次对血糖的调节结果会不断进行迭代更新,并逐渐输出更加精确的胰岛素用量,最终实现对患者血糖快速精确的调节。
采用本发明的技术方案有以下有益效果:
1、与现有技术相比,本发明,通过采集ICU中应激性高血糖患者的基础情况、相关生理生化指标、血糖波动情况、胰岛素用量、肠内肠外营养用量等数据构建数字孪生模型,并在在患者血糖出现异常波动时,即将患者的血糖波动情况输入数字孪生模型内,通过数字孪生模型输出的胰岛素用量,并结合医护人员的临床经验,准确的为患者注入胰岛素对其血糖进行调节,使患者的血糖快速恢复正常水平。
此外,随着对患者的血糖多次调节数字孪生模型不断迭代更新,后续输出的胰岛素用量逐渐精确和适宜患者,到最终可减少医护人员负担,系统自动化的对患者的胰岛素用量进行调节,减少医护人员判断分析过程,快速精确的使患者的血糖恢复正常值。
2、与现有技术相比,本发明,通过对患者即将使用的药物信息进行采集,对于一些会引起患者血糖变化的药物进行获取,并估算出可能引起的血糖变化量,若在现有血糖浓度的基础上加上预估的血糖变化量会使患者血糖超出正常范围,则提前为患者注入适量胰岛素,实现对患者血糖的预先调节,避免患者血糖脱离正常范围。
此外,对患者使用药物后实际引起的患者血糖变化量进行获取,对胰岛素用量进行实时更新,实现对患者血糖更高精度的调节。
综上所述,本发明能够实用、高效、准确的对血糖进行调整,以实现对患者血糖的精准调节。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
图1为本发明基于数字孪生的应激性高血糖患者血糖调整的模型和方法实施例的模型结构框图;
图2为本发明基于数字孪生的应激性高血糖患者血糖调整的模型和方法实施例的方法基本流程图;
图3为本发明基于数字孪生的应激性高血糖患者血糖调整的模型和方法实施例的方法详细流程图;
图4为本发明基于数字孪生的应激性高血糖患者血糖调整的模型和方法实施例的模型主界面显示图;
图5为本发明基于数字孪生的应激性高血糖患者血糖调整的模型和方法实施例的模型提示界面显示图;
图6为本发明基于数字孪生的应激性高血糖患者血糖调整的模型和方法实施例的数字孪生模型构建流程图。
具体实施方式
下面详细描述本发明的实施例,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。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,术语“纵向”、“横向”、“竖向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“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,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,除非另有规定和限定,需要说明的是,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是机械连接或电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
下面通过具体实施方式进一步详细说明:
实施例基本如附图1~6所示:基于数字孪生的应激性高血糖患者血糖调整的模型及方法,该模型包括模型构建模块、静态信息采集模块、动态信息采集模块、血糖采集模块和控制模块。
模型构建模块用于采集应激血糖患者的患病数据,患病数据包括基础情况、相关生理生化指标、血糖波动情况、胰岛素用量和肠内肠外营养用量,并基于基础情况、相关生理生化指标、血糖波动情况、胰岛素用量和肠内肠外营养用量构建数字孪生模型。数字孪生模型能够充分利用物理模型、传感器更新、运行历史等数据,集成多学科、多物理量、多尺度、多概率的仿真过程,在虚拟空间中完成映射,从而反映相对应的实体装备的全生命周期过程。
具体的,收集ICU中应激性高血糖患者相关数据,并对数据进行处理及清洗,删除重复信息、纠正存在的错误,使数据一致,再通过处理和清洗后的应激性高血糖患者相关数据构建数字孪生模型。数字孪生模型的构建具体包括如下步骤:
1、纳入排除标准:将医院急诊ICU与外科ICU收治的APACHEⅡ≥10分的成年脓毒症患者纳入研究,排除在治疗中使用过ECMO或肾脏替代疗法的患者、怀孕或哺乳期的妇女及参加其他临床试验的患者。
2、数据收集:从EMRS系统中收集患者的入院情况,如性别、年龄、最初诊断、精神状态、机械通气、身高、体重、体重指数(BMI)、APAHCEⅡ评分、SOFA评分;从HIS中收集患者的基础生命体征,如体温、心率(HR)、呼吸率(RR)、收缩压(SBP)、舒张压(DBP);从LIS系统中收集动态生化指标,呼吸系统相关的包括血气分析中的动脉氢离子浓度、动脉氧分压、动脉二氧化碳分压、剩余碱、实际碳酸根、标准碳酸根、乳酸及电解质(K+、Na+、Cl-、AG)等,循环系统的包括红细胞沉降率、凝血酶原时间、活化部分凝血活酶时间、纤维蛋白原、血浆凝血酶时间、血小板计数等,肝脏功能相关指标包括天冬氨酸转氨酶、丙氨酸转氨酶、白蛋白、乳酸脱氢酶、总胆红素、乳酸等,肾脏功能指标包括尿素氮、尿酸、钾、钠、磷、预计肾小球滤过率等,代谢及感染等其他相关指标包括白细胞计数、中性粒细胞计数、超敏c反应蛋白、降钙素原等;采用EICU临床研究单元实时自动采集数据装置,收集呼吸机、输液工作站、心电监护仪上的连续性数据;
3、数据整合:数据整合是把在不同数据源的数据收集、整理、清洗,转换后加载到一个新的数据源,为数据消费者提供统一数据视图的数据集成方式。本实施例采用一下几种方式进行数据整合:
①数据清洗:采用常规统计方法对数据进行重新审查和校验,目的在于删除重复信息、纠正存在的错误,并提供数据一致性。
②缺失值处理与数据连续性恢复:采用PPCA在内的缺失值处理技术,处理缺失值并实现数据连续性恢复。
③数据归一化:数据归一化的目的,就是将数据的所有特征都映射到同一尺度上,这样可以避免由于量纲的不同使数据的某些特征形成主导作用。本实施例将采用均值方差归一化方法(standardization)对数据进行归一化。
④特征工程:将原始数据转化成更好的表达问题本质的特征的过程,使得将这些特征运用到预测模型中能提高对不可见数据的模型预测精度。本实施例采用显著性分析(discriminant analysis,DA)、偏最小二乘法-判别分析(Partial Least Squares-Discriminant Analysis)、主成分分析(principal component analysis,PCA)等有监督及无监督机器学习方法对数据进行特征提取及特征选择。
4、模型建立:本实施例将通过一下几种途径完成数据建立:
①压缩感知:压缩感知采用随机欠Nyquist采样的方式直接获得医学监护仪器中信号的压缩样本,用非线性信号估计算法从压缩样本重建信号。它具有采样率低、低功耗、所需存储量小等优点。
②深度学习:是机器学习领域中一个新的研究方向,它被引入机器学习使其更接近于最初的目标——人工智能(AI,Artificial Intelligence)。本实施例将采用该技术,探索提取特征间的内在联系,再利用数字孪生的技术,建立脓毒症患者预后的预测模型。
③集成学习:集成学习就是组合这里的多个弱监督模型以期得到一个更好更全面的强监督模型,集成学习潜在的思想是即便某一个弱分类器得到了错误的预测,其他的弱分类器也可以将错误纠正回来。
④图神经网络(GNN):图神经网络是一种直接作用于图结构上的神经网络。GNN的一个典型应用是节点分类。本质上,图中的每个节点都与一个标签(Label)相关联。把图(Graph)中的每一个节点V当作个体对象,而每一条边E当作个体与个体间的某种联系,所有节点组成的关系网就是最后的图U。这里的V,E,U都可以编码成一个特征向量。沿着某条路线,依次对树(或图)中每个节点均做一次访问,就是所谓的遍历(Traversal)。访问结点所做的操作依赖于具体的应用问题,具体的访问操作可能是检查节点的值、更新节点的值等。不同的遍历方式,其访问节点的顺序是不一样的。遍历是二叉树上最重要的运算之一,是二叉树上进行其它运算之基础。所谓遍历是指对树中所有结点的信息的访问,即依次对树中每个结点访问一次且仅访问一次。与那些基本上都有标准遍历方式(通常是按线性顺序)的线性数据结构(如链表、一维数组)所不同的是,树结构有多种不同的遍历方式。按照这样的逻辑,我们便可以利用GNN提取出每个节点V的特征向量,来预测每个节点的标签。同样的,也可以通过节点与节点间的特征,来预测出对应边E的标签。当然,也可以利用所有节点提取出的特征,来预测整个图V的标签。
5、交叉验证(Cross Validation,CV)模型稳健性:交叉验证是用来验证分类器的性能一种统计分析方法,基本思想是在某种意义下将原始数据(dataset)进行分组,一部分作为训练集(train set),另一部分作为验证集(validation set),首先用训练集对分类器进行训练,在利用验证集来测试训练得到的模型(model),以此作为评价分类器的性能指标。
静态信息采集模块用于对患者的基础患病信息进行采集,基础患病信息包括但不限于医院信息系统、临床信息系统、实验室信息系统和电子病历系统内与患者有关的信息,通过对上述信息能够有效获取到患者的入院信息、临床病症以及过往病史等信息,有助于后续数字孪生模型输出更加适宜患者的胰岛素用量。
动态信息采集模块用于对患者的生命体征进行采集,动态信息采集模块为生命体征监护仪,主要对患者的体温(T)、呼吸(R)、脉搏(P)和血压(BP)进行实时采集,监测患者用药过程和血糖变化过程中是否存在异常。
血糖采集模块为硅基动感动态血糖测试仪用于对患者血糖浓度进行实时采集生成实时血糖数据,并将实时血糖数据输入至数字孪生模型内,硅基动感动态血糖测试仪能够迅速的检测到患者血糖出现的波动,从而快速的进行反应。
数字孪生模型用于根据实时血糖数据输出是否需要使用胰岛素以及第一胰岛素用量,数字孪生模型输出的第一胰岛素用量会随着迭代更新逐渐精确。
控制模块包括胰岛素供给单元、胰岛素输液泵、控制器和选择单元,胰岛素供给单元用于提供配比好的短效胰岛素制剂,胰岛素输液泵用于为患者输送配比好的短效胰岛素制剂,控制器用于获取数字孪生模型输出的第一胰岛素用量,并控制胰岛素输液泵根据第一胰岛素用量为患者输送配比好的短效胰岛素制剂,其中控制器可直接采用单片机。
结合附图4和附图5所示,其中选择单元用于获取第一胰岛素用量或第二胰岛素用量,并为医护人员展示第一胰岛素用量或第二胰岛素用量,并接收医护人员的决策信号;决策信号包括执行、拒绝和自定义;决策信号为执行时,控制器直接控制胰岛素输液泵按照第一胰岛素用量或第二胰岛素用量为患者输送配比好的短效胰岛素制剂;决策信号为拒绝时,控制器不控制胰岛素输液泵为患者输送配比好的短效胰岛素制剂;决策信号为自定义时,控制器根据自定义胰岛素用量控制胰岛素输液泵为患者输送配比好的短效胰岛素制剂,通过选择单元可以便于医护人员根据经验结合数字孪生模型进行对患者胰岛素用量的控制,使对患者的血糖控制更加准确。选择单元可采用触控显示器便于医护人员进行操作。
胰岛素输液泵还用于获取单位时间内胰岛素的注入量生成胰岛素输入量,血糖采集模块还用于获取自胰岛素输液泵运行起单位时间内患者血糖浓度的变化量生成血糖浓度变化量,控制器用于根据胰岛素输入量和血糖浓度变化量进行预估并对胰岛素用量进行实时调节。
此外,还包括用药信息采集模块,用药信息采集模块用于采集用户的即将用药信息,并输出即将用药信息内药物是否会引起患者血糖变化以及血糖变化量;数字孪生模型还用于获取即将用药信息内药物引起的血糖变化量,并输出第二胰岛素用量,控制器还用于获取数字孪生模型输出的第二胰岛素用量,并控制胰岛素输液泵根据第二胰岛素用量为患者输送配比好的短效胰岛素制剂。用药信息采集模块还用于对药物已用量进行实时采集,并自药物开始使用起记录患者实际血糖变化量,并根据药物已用量和实际血糖变化量对血糖变化量进行更新。
具体的,例如患者使用糖皮质激素或者利尿剂等均可能引起患者的血糖有较大波动,为了避免患者的血糖超出正常范围,通过对药物引起的血糖变化量进行预估,并根据预估量输出第二胰岛素用量。上述第一胰岛素用量用于在患者血糖变化时进行血糖调节,第二胰岛素用量用在患者用药前或者用药同时对患者血糖进行预先调节降低患者因为用药导致血糖超出正常范围的几率。
为了便于医护人员技术获取到患者的血糖波动信息,还在控制模块内添加了报警单元,报警单元用于获取血糖采集模块生成的实时血糖数据,并在实时血糖数据超出正常波动值时发送报警信号。
结合附图2和附图3所示,该方法包括如下步骤:
步骤一:采集应激血糖患者的患病数据,患病数据至少包括基础情况、相关生理生化指标、血糖波动情况、胰岛素用量和肠内肠外营养用量,并基于应激血糖患者的患病数据构建数字孪生模型。
步骤二:对患者的基础患病信息和生命体征进行采集。
步骤三:对患者血糖浓度进行实时采集生成实时血糖数据,并将实时血糖数据输入至数字孪生模型内。
步骤四:根据实时血糖数据输出是否需要使用胰岛素以及第一胰岛素用量。
步骤五:采集用户的即将用药信息,并输出即将用药信息内药物是否会引起患者血糖变化以及血糖变化量;数字孪生模型获取即将用药信息内药物引起的血糖变化量,并输出第二胰岛素用量。
步骤六:获取数字孪生模型输出的第一胰岛素用量或第二胰岛素用量,并根据第一胰岛素用量或第二胰岛素用量为患者输送配比好的短效胰岛素制剂。
以上所述的仅是本发明的实施例,方案中公知的具体结构和/或特性等常识在此未作过多描述。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (8)
1.基于数字孪生的应激性高血糖患者血糖调整的模型,其特征在于包括模型构建模块、静态信息采集模块、动态信息采集模块、血糖采集模块和控制模块;
模型构建模块用于采集应激血糖患者的患病数据,患病数据至少包括基础情况、相关生理生化指标、血糖波动情况、胰岛素用量和肠内肠外营养用量,并基于应激血糖患者的患病数据构建数字孪生模型;
静态信息采集模块用于对患者的基础患病信息进行采集;
动态信息采集模块用于对患者的生命体征进行采集;
血糖采集模块用于对患者血糖浓度进行实时采集生成实时血糖数据,并将实时血糖数据输入至数字孪生模型内;
数字孪生模型用于根据实时血糖数据输出是否需要使用胰岛素以及第一胰岛素用量;
控制模块包括胰岛素供给单元、胰岛素输液泵和控制器,胰岛素供给单元用于提供配比好的短效胰岛素制剂,胰岛素输液泵用于为患者输送配比好的短效胰岛素制剂,控制器用于获取数字孪生模型输出的第一胰岛素用量,并控制胰岛素输液泵根据第一胰岛素用量为患者输送配比好的短效胰岛素制剂;
还包括用药信息采集模块,用药信息采集模块用于采集用户的即将用药信息,并输出即将用药信息内药物是否会引起患者血糖变化以及血糖变化量;数字孪生模型还用于获取即将用药信息内药物引起的血糖变化量,并输出第二胰岛素用量,控制器还用于获取数字孪生模型输出的第二胰岛素用量,并控制胰岛素输液泵根据第二胰岛素用量为患者输送配比好的短效胰岛素制剂。
2.根据权利要求1所述的基于数字孪生的应激性高血糖患者血糖调整的模型,其特征在于:胰岛素输液泵还用于获取单位时间内胰岛素的注入量生成胰岛素输入量,血糖采集模块还用于获取自胰岛素输液泵运行起单位时间内患者血糖浓度的变化量生成血糖浓度变化量,控制器用于根据胰岛素输入量和血糖浓度变化量进行预估并对胰岛素用量进行实时调节。
3.根据权利要求2所述的基于数字孪生的应激性高血糖患者血糖调整的模型,其特征在于:基础患病信息至少包括医院信息系统、临床信息系统、实验室信息系统和电子病历系统内与患者有关的信息。
4.根据权利要求3所述的基于数字孪生的应激性高血糖患者血糖调整的模型,其特征在于:控制模块还包括选择单元,选择单元用于获取第一胰岛素用量或第二胰岛素用量,并为医护人员展示第一胰岛素用量或第二胰岛素用量,并接收医护人员的决策信号。
5.根据权利要求4所述的基于数字孪生的应激性高血糖患者血糖调整的模型,其特征在于:决策信号包括执行、拒绝和自定义;决策信号为执行时,控制器直接控制胰岛素输液泵按照第一胰岛素用量或第二胰岛素用量为患者输送配比好的短效胰岛素制剂;决策信号为拒绝时,控制器不控制胰岛素输液泵为患者输送配比好的短效胰岛素制剂;决策信号为自定义时,控制器根据自定义胰岛素用量控制胰岛素输液泵为患者输送配比好的短效胰岛素制剂。
6.根据权利要求5所述的基于数字孪生的应激性高血糖患者血糖调整的模型,其特征在于:控制模块还包括报警单元,报警单元用于获取血糖采集模块生成的实时血糖数据,并在实时血糖数据超出正常波动值时发送报警信号。
7.根据权利要求6所述的基于数字孪生的应激性高血糖患者血糖调整的模型,其特征在于:用药信息采集模块还用于对药物已用量进行实时采集,并自药物开始使用起记录患者实际血糖变化量,并根据药物已用量和实际血糖变化量对血糖变化量进行更新。
8.基于数字孪生的应激性高血糖患者血糖调整的方法,其特征在于:包括如下步骤:
步骤一:采集应激血糖患者的患病数据,患病数据至少包括基础情况、相关生理生化指标、血糖波动情况、胰岛素用量和肠内肠外营养用量,并基于应激血糖患者的患病数据构建数字孪生模型;
步骤二:对患者的基础患病信息和生命体征进行采集;
步骤三:对患者血糖浓度进行实时采集生成实时血糖数据,并将实时血糖数据输入至数字孪生模型内;
步骤四:根据实时血糖数据输出是否需要使用胰岛素以及第一胰岛素用量;
步骤五:采集用户的即将用药信息,并输出即将用药信息内药物是否会引起患者血糖变化以及血糖变化量;数字孪生模型获取即将用药信息内药物引起的血糖变化量,并输出第二胰岛素用量;
步骤六:获取数字孪生模型输出的第一胰岛素用量或第二胰岛素用量,并根据第一胰岛素用量或第二胰岛素用量为患者输送配比好的短效胰岛素制剂。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310930002.XA CN117153326A (zh) | 2023-07-26 | 2023-07-26 | 基于数字孪生的应激性高血糖患者血糖调整的模型及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310930002.XA CN117153326A (zh) | 2023-07-26 | 2023-07-26 | 基于数字孪生的应激性高血糖患者血糖调整的模型及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117153326A true CN117153326A (zh) | 2023-12-01 |
Family
ID=88906973
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310930002.XA Pending CN117153326A (zh) | 2023-07-26 | 2023-07-26 | 基于数字孪生的应激性高血糖患者血糖调整的模型及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117153326A (zh) |
-
2023
- 2023-07-26 CN CN202310930002.XA patent/CN117153326A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Farrar et al. | Continuous subcutaneous insulin infusion versus multiple daily injections of insulin for pregnant women with diabetes | |
Dossett et al. | Blood glucose variability is associated with mortality in the surgical intensive care unit | |
EP3883460B1 (en) | Vascular access devices, systems, and methods for monitoring patient health | |
CN110289094B (zh) | 一种基于专家规则的胰岛素精准给药决策方法 | |
CN111297329B (zh) | 预测糖尿病患者心血管并发症动态发病风险的方法及系统 | |
CN114420231B (zh) | 一种可解释的急性肾损伤持续预警方法、系统、存储介质及电子设备 | |
CN114420301B (zh) | 基于分段域rf建模预测血糖的方法、系统及存储介质 | |
Mandyam et al. | COP-E-CAT: cleaning and organization pipeline for EHR computational and analytic tasks | |
EP3971905A1 (en) | System and method for blood glucose control | |
Estrada et al. | Innovative approach for online prediction of blood glucose profile in type 1 diabetes patients | |
CN117153326A (zh) | 基于数字孪生的应激性高血糖患者血糖调整的模型及方法 | |
EP3225263A1 (en) | Injection pump control method, control unit, and injection pump | |
CN114356911B (zh) | 基于集合划分信息量最大化的数据缺失处理方法及系统 | |
US20230010826A1 (en) | Control of a therapeutic delivery system | |
CN117116462A (zh) | 一种糖化血红蛋白值的预测方法、系统及装置 | |
Ståhl et al. | Post-prandial plasma glucose prediction in type I diabetes based on Impulse Response Models | |
CN111883258B (zh) | 一种构建ohss分度分型预测模型的方法 | |
Dudde et al. | Advanced insulin infusion using a control loop (ADICOL) concept and realization of a control-loop application for the automated delivery of insulin | |
CN116936107B (zh) | 基于卷积神经网络的心脏数据风险分析方法、系统及介质 | |
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 | |
Venugopalan | Electronic health records (EHR) quality control and temporal data analysis for clinical decision support | |
Suhaimi et al. | ARMAX Modeling of Glucose-Insulin System With Time-Delay on Patients Receiving Insulin Therapy | |
Priyadarshini et al. | A Cloud-Connected Digital System for Type-1 Diabetes Prediction using Time Series LSTM Model | |
Furst | Cardiovascular technology | |
Kladov et al. | Cluster Analysis of Glucose Fluctuations in the Pre-Morning and Early Morning Hours in Patients with Type 1 Diabetes |
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 |