CN117256032A - 用于连续葡萄糖监测的自适应系统 - Google Patents
用于连续葡萄糖监测的自适应系统 Download PDFInfo
- Publication number
- CN117256032A CN117256032A CN202280026361.6A CN202280026361A CN117256032A CN 117256032 A CN117256032 A CN 117256032A CN 202280026361 A CN202280026361 A CN 202280026361A CN 117256032 A CN117256032 A CN 117256032A
- Authority
- CN
- China
- Prior art keywords
- glucose
- data
- user
- cgm
- person
- 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
- 239000008103 glucose Substances 0.000 title claims abstract description 835
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 title claims abstract description 832
- 238000012544 monitoring process Methods 0.000 title claims abstract description 40
- 230000003044 adaptive effect Effects 0.000 title abstract description 76
- 238000003780 insertion Methods 0.000 claims abstract description 169
- 230000037431 insertion Effects 0.000 claims abstract description 169
- 150000002303 glucose derivatives Chemical class 0.000 claims abstract description 72
- 238000000034 method Methods 0.000 claims description 118
- 238000010801 machine learning Methods 0.000 claims description 33
- 210000004243 sweat Anatomy 0.000 claims description 31
- 239000003607 modifier Substances 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 22
- 238000012790 confirmation Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 17
- 210000001015 abdomen Anatomy 0.000 claims description 16
- 230000005856 abnormality Effects 0.000 claims description 16
- 210000001217 buttock Anatomy 0.000 claims description 11
- 206010040880 Skin irritation Diseases 0.000 claims description 3
- 231100000241 scar Toxicity 0.000 claims description 3
- 230000036556 skin irritation Effects 0.000 claims description 3
- 231100000475 skin irritation Toxicity 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 abstract description 236
- 238000005259 measurement Methods 0.000 description 108
- 210000004369 blood Anatomy 0.000 description 44
- 239000008280 blood Substances 0.000 description 44
- 230000000694 effects Effects 0.000 description 41
- 235000013305 food Nutrition 0.000 description 41
- 230000008569 process Effects 0.000 description 37
- 238000004891 communication Methods 0.000 description 29
- 210000000689 upper leg Anatomy 0.000 description 28
- 235000012054 meals Nutrition 0.000 description 22
- 230000008859 change Effects 0.000 description 19
- 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 description 18
- 230000004044 response Effects 0.000 description 18
- 238000012986 modification Methods 0.000 description 16
- 230000004048 modification Effects 0.000 description 16
- 150000001720 carbohydrates Chemical class 0.000 description 15
- 235000014633 carbohydrates Nutrition 0.000 description 15
- 235000021074 carbohydrate intake Nutrition 0.000 description 14
- 230000006870 function Effects 0.000 description 14
- 230000007423 decrease Effects 0.000 description 12
- 238000007405 data analysis Methods 0.000 description 11
- 230000036651 mood Effects 0.000 description 11
- 102000004877 Insulin Human genes 0.000 description 9
- 108090001061 Insulin Proteins 0.000 description 9
- 230000009471 action Effects 0.000 description 9
- 229940125396 insulin Drugs 0.000 description 9
- 239000012491 analyte Substances 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 238000012216 screening Methods 0.000 description 8
- 230000003993 interaction Effects 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000008451 emotion Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 5
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 206010067584 Type 1 diabetes mellitus Diseases 0.000 description 4
- 239000004020 conductor Substances 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 4
- 210000003722 extracellular fluid Anatomy 0.000 description 4
- 208000001072 type 2 diabetes mellitus Diseases 0.000 description 4
- 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 3
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 3
- 208000027418 Wounds and injury Diseases 0.000 description 3
- 239000000853 adhesive Substances 0.000 description 3
- 230000001070 adhesive effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 3
- WQZGKKKJIJFFOK-VFUOTHLCSA-N beta-D-glucose Chemical compound OC[C@H]1O[C@@H](O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-VFUOTHLCSA-N 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 230000002950 deficient Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 125000002791 glucosyl group Chemical group C1([C@H](O)[C@@H](O)[C@H](O)[C@H](O1)CO)* 0.000 description 3
- 208000014674 injury Diseases 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 230000037081 physical activity Effects 0.000 description 3
- 229910052700 potassium Inorganic materials 0.000 description 3
- 239000011591 potassium Substances 0.000 description 3
- 229910052708 sodium Inorganic materials 0.000 description 3
- 239000011734 sodium Substances 0.000 description 3
- MHAJPDPJQMAIIY-UHFFFAOYSA-N Hydrogen peroxide Chemical compound OO MHAJPDPJQMAIIY-UHFFFAOYSA-N 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 210000000617 arm Anatomy 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 235000021152 breakfast Nutrition 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 235000013410 fast food Nutrition 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 description 1
- 108010015776 Glucose oxidase Proteins 0.000 description 1
- 239000004366 Glucose oxidase Substances 0.000 description 1
- 102000017011 Glycated Hemoglobin A Human genes 0.000 description 1
- 108010014663 Glycated Hemoglobin A Proteins 0.000 description 1
- 208000013016 Hypoglycemia Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 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
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000000386 athletic effect Effects 0.000 description 1
- 238000010009 beating Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 239000004202 carbamide Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 208000016097 disease of metabolism Diseases 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 229940116332 glucose oxidase Drugs 0.000 description 1
- 235000019420 glucose oxidase Nutrition 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 201000001421 hyperglycemia Diseases 0.000 description 1
- 230000002218 hypoglycaemic effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 150000002576 ketones Chemical class 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 208000030159 metabolic disease Diseases 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 235000006286 nutrient intake Nutrition 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 235000011888 snacks Nutrition 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 229940116269 uric acid Drugs 0.000 description 1
- 208000029257 vision disease Diseases 0.000 description 1
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
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0004—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by the type of physiological signal transmitted
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
- A61B5/743—Displaying an image simultaneously with additional graphical information, e.g. symbols, charts, function plots
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
-
- 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
Abstract
在用于连续葡萄糖监测(CGM)的自适应系统的具体实施中,一种计算装置实现自适应系统以接收描述由CGM系统的传感器测量的用户葡萄糖值的葡萄糖数据,该传感器被插入在插入部位处。该自适应系统访问描述由该CGM系统的加速度计测量的力的取向数据,并且该自适应系统基于该取向数据识别该插入部位的位置。通过基于该插入部位的该位置修改这些用户葡萄糖值生成经修改的葡萄糖数据。该自适应系统生成经修改的葡萄糖数据的指示用于显示在显示装置的用户界面中。
Description
相关申请
本申请要求2021年5月17日提交的并且名称为“用于连续葡萄糖监测的自适应系统(Adaptive Systems for Continuous Glucose Monitoring)”的美国临时专利申请号63/189,460的权益,该美国临时专利申请的全部公开内容据此以引用方式并入。
背景技术
糖尿病是一种影响数亿人的代谢性疾病。对于这些人来说,监测血液葡萄糖水平并将这些水平调节到在可接受范围内不仅对于缓解诸如心脏病和视力障碍的长期问题非常重要,而且对于避免高血糖和低血糖的影响也非常重要。将血液葡萄糖水平保持在可接受范围内可能是具有挑战性的,因为这一水平几乎会随着时间的推移以及对诸如进食或锻炼的日常事件的反应而不断变化。
医疗技术的进步已促进开发用于监测血液葡萄糖水平的各种系统,包括基本上实时地测量和记录葡萄糖浓度的连续葡萄糖监测(CGM)系统。CGM系统的用户在插入部位处(例如,在用户的腹部、手臂或臀部上)皮下插入葡萄糖传感器,并且用户佩戴葡萄糖传感器可以是几天或更长的时间段。CGM系统与计算装置交互,并且计算装置从CGM系统的发射器接收描述在插入部位处测得的葡萄糖浓度的数据。
当葡萄糖传感器被插入时,CGM系统的用户(或诸如医生或父母的另一用户)可与计算装置的用户界面交互以查看由葡萄糖传感器测量的葡萄糖浓度。在佩戴该葡萄糖传感器该时间段之后,用户将该传感器更换为新的葡萄糖传感器,用户将佩戴该新的葡萄糖传感器另一个时间段。根据设计,这种更换导致CGM系统被修改(例如,使用不同葡萄糖传感器操作)和/或其部署的一个或多个方面被修改(例如,在不同位置操作)。然而,常规CGM系统不能识别或量化此类修改对所测量的并传送到计算装置以供查看的葡萄糖浓度的影响。这是常规CGM系统的缺点,尤其是在这些修改显著地影响或不利地影响系统性能的情况下,例如新的传感器有缺陷。
发明内容
为了克服常规系统的限制,描述了用于自适应连续葡萄糖监测(CGM)的技术和系统。在一个示例中,接收描述由CGM系统的葡萄糖传感器测量的用户葡萄糖值的葡萄糖数据。例如,葡萄糖传感器由CGM系统的用户插入在插入部位处以测量用户的葡萄糖值。
CGM系统还可包括加速度计,其测量力并生成描述所测量的力的取向数据。例如,加速度计可测量当葡萄糖传感器被插入在插入部位处时由CGM系统的用户的移动引起的力。插入部位的位置基于由取向数据描述的那些力的特性和/或模式来确定。
实现自适应系统以通过基于插入部位的位置修改用户葡萄糖值生成经修改的葡萄糖数据。在一个示例中,葡萄糖数据包括误差分量,诸如由于插入部位的位置而导致的不正确用户葡萄糖值,例如,该位置不是用于插入葡萄糖传感器的预期位置并且导致产生错误葡萄糖值。然而,通过修改葡萄糖值,经修改的葡萄糖数据不包括误差分量。例如,经修改的葡萄糖数据不包括不正确的用户葡萄糖值。生成经修改的葡萄糖数据的指示以经由显示装置显示在用户界面中。
这一发明内容以简化的形式介绍一些概念,这些概念将在下面的具体实施方式中进一步描述。因此,这一发明内容不旨在识别要求保护的主题的必要特征,也不旨在用于帮助确定要求保护的主题的范围。
附图说明
参考附图描述具体实施方式。
图1是可操作以采用本文所述的技术的示例性具体实施中的环境的图示。
图2更详细地描绘了图1的连续葡萄糖监测(CGM)系统的示例。
图3描绘了示例性具体实现,其中计算装置将取向数据传送到虚拟容器的存储装置并且自适应系统访问存储在与生成经修改的数据相关联的虚拟容器中的非葡萄糖数据。
图4更详细地描绘了图3的自适应系统的示例性具体实施。
图5示出了描述由于一次性葡萄糖传感器安装在连续葡萄糖监测(CGM)系统中而由一次性葡萄糖传感器测量的历史用户葡萄糖值的会话数据的表示。
图6示出了可用于生成葡萄糖值报告的经修改的会话数据的表示。
图7示出了显示在计算装置的用户界面中的葡萄糖值报告的表示。
图8示出了葡萄糖数据和经修改的葡萄糖数据的表示。
图9示出了用于确认葡萄糖传感器插入部位的确定位置的用户界面的表示。
图10示出了用于识别连续葡萄糖监测(CGM)系统的用户食用多种所购买食物中的哪种食物的用户界面的表示。
图11示出了用于膳食计划中的决策支持的用户界面的表示。
图12示出了用于设置连续葡萄糖监测(CGM)系统的用户界面的表示。
图13示出了用于连续葡萄糖监测(CGM)系统的测试预警的用户界面的表示。
图14是描绘示例性具体实施中的程序的流程图,其中接收描述用户葡萄糖值的葡萄糖数据,基于葡萄糖传感器的插入部位的位置生成经修改的葡萄糖数据,并且生成经修改的葡萄糖数据的指示用于显示在用户界面中。
图15是描绘示例性具体实施中的程序的流程图,其中接收描述用户葡萄糖值的葡萄糖数据,基于葡萄糖传感器的插入部位的异常生成经修改的葡萄糖数据,并且生成经修改的葡萄糖数据的指示用于显示在用户界面中。
图16是描绘示例性具体实施中程序的流程图,其中接收描述用户葡萄糖值的葡萄糖数据,基于非葡萄糖数据来确定修改量,并且通过基于修改量修改用户葡萄糖值生成经修改的葡萄糖数据。
图17是描绘示例性具体实施中的程序的流程图,其中接收描述历史用户葡萄糖值的会话数据,通过从由葡萄糖传感器在时间窗口期间测量的会话数据中移除历史用户葡萄糖值生成经修改的会话数据,并且基于经修改的会话数据生成葡萄糖值报告。
图18是描绘示例性具体实施中的程序的流程图,其中接收描述用户葡萄糖值的葡萄糖数据,基于描述CGM系统的用户的历史出汗值的非葡萄糖数据来确定修改量,并且通过基于修改量修改用户葡萄糖值生成经修改的葡萄糖数据。
图19是描绘示例性具体实施中的程序的流程图,其中接收描述用户葡萄糖值的葡萄糖数据,预测葡萄糖值事件,并且因为没有发生葡萄糖值事件而生成经修改的葡萄糖数据。
图20是描绘示例性具体实施中的程序的流程图,其中接收描述用户葡萄糖值的葡萄糖数据,识别葡萄糖传感器的插入部位的位置,并且基于插入部位的位置生成葡萄糖数据中包括的误差分量的指示用于显示在用户界面中。
图21示出了包括示例性计算装置的示例性系统,该示例性计算装置代表可实现本文所述的各种技术的一个或多个计算系统和/或装置。
具体实施方式
概述
连续葡萄糖监测(CGM)系统经由传感器测量葡萄糖浓度,该传感器被皮下插入并且由CGM系统的用户佩戴由该传感器指示的时间段。在该时间段之后,用作为对CGM系统的修改的新传感器更换该传感器。用户佩戴新传感器的不同位置也是对CGM系统的修改。这些修改通常是微小的,但有时可能显著影响系统的操作,例如,如果新传感器有缺陷或损坏。常规CGM系统不能识别和量化这些修改的影响或基于所量化的影响进行调整。为了克服常规系统的限制,描述了用于自适应连续葡萄糖监测的技术和系统。
根据所描述的技术,接收描述由CGM系统的葡萄糖传感器测量的用户葡萄糖值的葡萄糖数据。葡萄糖传感器由CGM系统的用户插入在插入部位处,并且计算装置经由CGM系统的发射器从葡萄糖传感器接收葡萄糖数据。一旦接收到葡萄糖数据,用户可与计算装置的用户界面交互以查看用葡萄糖数据描述的用户葡萄糖值。
CGM系统的自适应系统接收或访问由CGM系统的加速度计生成的取向数据。该取向数据描述在将葡萄糖传感器插入在插入部位处时由于用户的移动而由加速度计测量的力。自适应系统基于如取向数据所描述的由加速度计测量的力来确定插入部位的位置。在一个示例中,通过将所测量的力与和位置相关联的特征力模式进行比较来确定位置。
自适应系统还可确定插入部位的位置不是用于插入葡萄糖传感器的预期位置,诸如当插入部位的位置不在用户的腹部、手臂或臀部上时。在确定插入部位的位置不是用于插入葡萄糖传感器的预期位置的情况下,葡萄糖数据可能包括误差分量,例如,导致不正确的用户葡萄糖值。
自适应系统通过基于插入部位的位置修改用户葡萄糖值生成经修改的葡萄糖数据。根据所描述的技术,自适应系统修改葡萄糖值,使得经修改的葡萄糖数据不包括葡萄糖数据中包括的误差分量(例如,不正确的用户葡萄糖值)。生成经修改的葡萄糖数据的指示用于显示在计算装置的用户界面中。通过生成经修改的葡萄糖数据使得其不包括由插入部位的位置导致的误差分量,所描述的系统相对于不能确定插入部位的位置并根据所确定的位置修改用户的葡萄糖值的常规系统改进了CGM技术。另外,这种修改使得所描述的系统呈现的值比常规技术呈现的值更准确地反映用户的葡萄糖水平,常规技术不能基于插入部位位置来校正葡萄糖值。
在以下描述中,首先描述被配置成采用本文所述的技术的示例性环境。然后描述可在示例性环境以及其他环境中执行的示例性具体实施细节和程序。示例性程序的执行不限于示例性环境,并且示例性环境不限于示例性程序的执行。
示例性环境
图1是可操作以采用本文所述的技术的示例性具体实施中的环境100的图示。所示环境100包括人102(例如,用户),此人被描绘为佩戴连续葡萄糖监测(CGM)系统104、胰岛素递送系统106和计算装置108。所示环境100还包括用户群体110中的其他用户、CGM平台112和物联网114(IoT114)。CGM系统104、胰岛素递送系统106、计算装置108、用户群体110、CGM平台112和IoT 114通信地联接(包括经由网络116联接)。
另选地或附加地,CGM系统104、胰岛素递送系统106或计算装置108中的一者或多者以其他方式(诸如使用一个或多个无线通信协议和/或技术)通信地联接。以举例的方式,CGM系统104、胰岛素递送系统106和计算装置108被配置成使用蓝牙(例如,蓝牙低功耗链路)、近场通信(NFC)、5G等中的一者或多者来彼此通信。在一些示例中,CGM系统104、胰岛素递送系统106和/或计算装置108能够进行射频(RF)通信并且包括RF发射器和RF接收器。在这些示例中,一个或多个RFID可用于识别和/或跟踪环境100内的CGM系统104、胰岛素递送系统106和/或计算装置108。例如,CGM系统104、胰岛素递送系统106和计算装置108被配置成利用各种类型的通信以在彼此之间形成闭环系统。
根据所描述的技术,CGM系统104被配置成连续地监测人102的葡萄糖水平。例如,在一些具体实施中,CGM系统104配置有CGM传感器,该CGM传感器连续地检测指示人102的葡萄糖水平的分析物并使得能够生成葡萄糖测量结果。在所示环境100中,这些测量结果被表示为葡萄糖测量结果118。下文关于图2进一步详细地描述CGM系统104的配置的这一功能和另外的方面。
在一个或多个具体实施中,CGM系统104经由本文所述的通信协议中的一个或多个通信协议(诸如经由无线通信)将葡萄糖测量结果118传输到计算装置108。CGM系统104被配置成使用CGM传感器实时地传达这些测量结果(例如,当产生葡萄糖测量结果118时)。另选地或附加地,CGM系统104被配置成以指定间隔(例如,每30秒、每分钟、每五分钟、每小时、每六小时、每天等)将葡萄糖测量结果118传达到计算装置108。在一些具体实施中,CGM系统104被配置成响应于来自计算装置108的请求(例如,当计算装置108针对人102生成葡萄糖测量结果预测时发起的请求、当显示传送关于人102的葡萄糖测量结果的信息的用户界面时发起的请求、其组合等)来传达葡萄糖测量结果。因此,计算装置108被配置成至少暂时地保持人102的葡萄糖测量结果118(例如,通过将葡萄糖测量结果118存储在计算机可读存储介质中,如下文关于图21进一步详细描述的)。
尽管示为可穿戴装置(例如,智能手表),但计算装置108可在不脱离所描述技术的精神或范围的情况下以多种配置来实现。以举例而非限制的方式,在一些具体实施中,计算装置108被配置为不同类型的移动装置(例如,移动电话或平板装置)。在其他具体实施中,计算装置108被配置为与CGM平台112相关联的专用装置(例如,支持从CGM系统104获得葡萄糖测量结果118、执行与葡萄糖测量结果118有关的各种计算、显示与葡萄糖测量结果118和CGM平台112有关的信息、将葡萄糖测量结果118传达到CGM平台112、其组合等的功能的装置)。在计算装置108被配置为移动电话的一些示例中,计算装置108排除当在专用CGM装置配置中实现时移动电话或可佩戴配置以其他方式可用的功能,诸如拨打电话、捕获图像、利用社交网络应用程序等的功能。在计算装置被配置为移动电话的其他示例中,计算装置108不排除当在专用CGM装置配置中实现时经由移动电话配置以其他方式可用的功能。
在一些具体实施中,计算装置108代表多于一个装置。例如,计算装置108代表可穿戴装置(例如,智能手表)和移动电话两者。在此类多装置具体实施中,多个装置中的不同装置能够执行相同操作中的至少一些操作,诸如从CGM系统104接收葡萄糖测量结果118、经由网络116将葡萄糖测量结果118传达到CGM平台112、显示与葡萄糖测量结果118有关的信息等。另选地或附加地,多装置具体实施中的不同装置支持相对于彼此的不同能力,诸如受特定装置的计算指令限制的能力。
在计算装置108表示单独装置(例如,智能手表和移动电话)的一些示例性具体实施中,一个装置配置有各种传感器和功能,以测量人102的各种生理标志(例如,出汗、心率、心率变异性、呼吸、血流速率等)和活动(例如,步数、海拔变化、吃、喝、锻炼等)。继续此示例性多装置具体实施,另一装置未配置有此类传感器或功能,或者包括有限量的此类传感器或功能。例如,多个装置中的一个装置包括多个装置中的另一装置不支持的能力,诸如用以捕获可用于预测未来葡萄糖水平的膳食图像的相机、使得装置能够有效地执行关于葡萄糖测量结果118的计算的计算资源量(例如,电池寿命、处理速度等)。即使在多个装置中的一个装置(例如,智能电话)能够执行此类计算的情况下,计算指令也可将这些计算的执行限制到多个装置中的一个装置,以便不使多个装置负担冗余计算,并且更有效地利用可用资源。以这种方式,计算装置108代表多种不同的配置,并且代表除本文所述的特定示例性具体实施之外的不同数量的装置。
如上所述,计算装置108将葡萄糖测量结果118传达到CGM平台112。在所示环境100中,葡萄糖测量结果118被描绘为存储在CGM平台112的存储装置120中。在一些示例中,存储装置120包括或被包括在虚拟容器中,该虚拟容器限制对存储在存储装置120中的数据的访问,如关于图3所详述。存储装置120代表能够存储葡萄糖测量结果118的一种或多种类型的存储设备(例如,数据库)。以这种方式,存储装置120被配置成存储除葡萄糖测量结果118之外的多种其他数据。
例如,根据一个或多个具体实施,人102表示至少CGM平台112和一个或多个其他服务(例如,由一个或多个第三方服务提供方提供的服务)的用户。例如,人102能够与个人可归属信息(例如,用户名)相关联,并且可能在某个时间被要求提供认证信息(例如,密码、生物计量数据、远程医疗服务信息等),以使用个人可归属信息来访问CGM平台112。存储装置120被配置成保持此个人可归属信息、认证信息以及有关人102的其他信息(例如,人口统计信息、卫生保健提供方信息、支付信息、处方信息、健康指标、用户偏好、与可穿戴装置相关联的账户信息、社交网络账户信息、其他服务提供方信息等)。
存储装置120被进一步配置成保持有关用户群体110中的其他用户的数据。因此,存储装置120中的葡萄糖测量结果118既代表来自人102所佩戴的CGM系统104的CGM传感器的葡萄糖测量结果,也代表来自用户群体110中所表示的其他人所佩戴的CGM系统的葡萄糖测量结果。以类似的方式,用户群体110的这些其他人的葡萄糖测量结果118可由相应装置经由网络116传达到CGM平台112,使得其他人与CGM平台112中的相应用户配置文件相关联。
数据分析平台122表示单独和/或与存储装置120中保持的其他数据一起处理葡萄糖测量结果118的功能。基于该处理,CGM平台112被配置成提供与葡萄糖测量结果118相关的通知(例如,警报、预警、建议或基于处理生成的其他信息)。例如,CGM平台112被配置成向人102、与人102相关联的医疗服务提供方、其组合等提供通知。尽管被描绘为与计算装置108分开,但数据分析平台122的部分或全部被另选地或附加地被配置用于在计算装置108处实现。数据分析平台122被进一步配置成处理经由IoT 114获得的附加数据。
为了供应除先前葡萄糖测量结果之外的这些附加信息中的一些附加信息,IoT114代表能够提供将人102和人102的活动描述为一个或多个服务提供方的用户以及与真实世界的活动的数据的各种来源。以举例的方式,IoT 114包括用户的各种装置(例如,相机、移动电话、膝上型计算机、锻炼装备等)。以这种方式,IoT 114被配置成提供关于用户与各种装置的交互的信息(例如,与基于web的应用程序的交互、拍摄的照片、与其他用户的通信等)。另选地或附加地,IoT 114可包括各种真实世界制品(例如,鞋、衣服、运动装备、器具、汽车等),这些真实世界制品配置有传感器以提供描述行为的信息,诸如迈出的步数、脚撞击地面的力、步伐的长度、用户的体温(以及其他生理测量结果)、用户周围的温度、存储在冰箱中的食物类型、从冰箱移除的食物类型、驾驶习惯等。
另选地或附加地,IoT 114包括CGM平台112的第三方,诸如能够将医疗数据和制造数据分别提供给跟踪人102的锻炼和营养摄取的平台的医疗提供方(例如,人102的医疗提供方)和制造商(例如,CGM系统104、胰岛素递送系统106或计算装置108的制造商),这些平台可由数据分析平台122利用。因此,IoT 114代表能够在不脱离所描述技术的精神或范围的情况下提供大量数据的装置和传感器。
如关于图2所详述,人102将CGM系统104附接到人102的身体,使得CGM系统104的葡萄糖传感器被插入在插入部位处(例如,在人102的皮肤下面)。葡萄糖传感器插入部位预期位于所指示的位置(例如,人102的腹部或臀部)。在葡萄糖传感器插入部位不位于指示位置的一些情况下,由CGM系统104进行的葡萄糖测量结果118可能不准确。在这些情况下,CGM系统104能够确定葡萄糖传感器插入部位何时不位于指示位置。响应于此类确定,CGM系统104适于校正葡萄糖测量结果118中的潜在不准确。
考虑CGM系统104包括至少一个加速度计的示例,该加速度计在CGM系统104的葡萄糖传感器被插入在人102的插入部位处时测量来自人102的移动(例如,加速度)的力。在这些示例中的一些中,CGM系统104包括压电加速度计、压阻加速度计、电容加速度计等。在其他示例中,CGM系统104包括使用微机电系统(MEMS)实现的加速度计。
CGM系统104将描述由加速度计测量的力的数据传送到计算装置108,并且计算装置108处理该数据以确定葡萄糖传感器插入部位的位置124。为此,在一个示例中,计算装置108将由加速度计测量的力与各自与人102身上的特定插入部位位置相关联的多个特征力模式进行比较。在该示例中,计算装置108基于该比较来识别位置124。如图所示,位置124在人102的腹部上,这是葡萄糖传感器插入部位的指示位置。关于图9更详细地描述位置124不是指示位置并且CGM系统104校正从非指示位置取得的葡萄糖测量结果118的示例。
考虑CGM系统104包括测量可由CGM系统104的发光二极管发射的反射光的光电二极管传感器的示例。在该示例中,光电二极管传感器被设置成紧邻葡萄糖传感器插入部位(例如,位置124),使得描述由光电二极管传感器测量的反射光的光数据可被处理以确定插入部位的异常。例如,插入部位的异常是纹身、疤痕组织、皮肤刺激等。
在位置124不是人102的腹部或臀部和/或存在葡萄糖传感器的插入部位的异常的示例中,描述由CGM系统104获取的人102的葡萄糖测量结果118的数据可包括误差分量。误差分量是与葡萄糖测量结果118中的至少一者有关的误差,诸如至少一个葡萄糖测量结果118具有太高、太低、不可确定等的值。计算装置108(例如,和/或CGM系统104)能够利用来自各种传感器和/或输入装置的各种不同类型数据来处理描述人102的葡萄糖测量结果118的数据并且生成不包括误差分量的经修改的葡萄糖测量结果数据。
在一些示例中,CGM系统104和/或计算装置108包括心率监测器,诸如能够测量人102的心率、心率变异性、氧饱和度等的光学心率监测器。在一个示例中,计算装置108从电子心率监测器接收心率数据(例如,描述人102的心率和/或心率变异性)。在另一个示例中,计算装置108从CGM系统104接收心率数据。心率数据可用于预测人102的葡萄糖水平的变化、确认葡萄糖测量结果118的准确性等。
例如,CGM系统104和/或计算装置108包括检测人102的出汗的增加和减少的出汗传感器。在一些示例中,出汗传感器通过检测与出汗相关联的分析物的增加和减少来检测人102的出汗。与出汗相关联的分析物的示例包括尿素、尿酸、离子钾、离子钠、离子氯化物等。
在一些示例中,出汗传感器被配置为检测对人102的葡萄糖调节具有重要意义的分析物,诸如糖化血红蛋白和/或酮。例如,计算装置108从出汗传感器接收描述人102的出汗的增加和减少的出汗数据。在另一个示例中,计算装置108从CGM系统104接收出汗数据。在一个示例中,计算装置108处理出汗数据以推荐人102可执行的动作来延长人102的范围内时间。
在一个示例中,计算装置108包括诸如相机的图像捕获装置,并且计算装置108使用图像捕获装置来捕获人102的图像。例如,计算装置108使用图像捕获装置来捕获描绘人102的面部的图像。计算装置108能够处理人102的这些捕获图像以确定人102的情绪和/或人102正经历的压力水平。例如,计算装置108包括基于训练数据训练的机器学习模型,以基于描绘人102的面部的输入图像来生成人102的情绪和/或压力水平的指示。如本文所用,术语“机器学习模型”是指可基于输入进行调整(例如,训练)以近似未知函数的计算机表示。以举例的方式,术语“机器学习模型”包括一种模型,该模型利用算法通过分析已知数据来学习已知数据并对已知数据进行预测,以学习生成反映已知数据的模式和属性的输出。根据各种具体实施,这种机器学习模型使用监督学习、半监督学习、无监督学习、强化学习和/或转移学习。例如,机器学习模型能够包括但不限于聚类、决策树、支持向量机、线性回归、逻辑回归、贝叶斯网络、随机森林学习、降维算法、增强算法、人工神经网络(例如,全连接神经网络、深度卷积神经网络或递归神经网络)、深度学习等。
以举例的方式,机器学习模型通过根据已知输入数据生成数据驱动的预测或决策来对数据进行高级抽象。在一个示例中,基于描述人102的图像的训练数据来训练机器学习模型。在另一个示例中,基于描述用户群体110的图像的训练数据来训练机器学习模型。计算装置108通过处理人102的面部的捕获图像来生成情绪和/或压力数据。例如,计算装置108还能够限制人102的捕获图像的使用以确定人102的情绪和/或压力水平。例如,在处理人102的图像以确定人102的情绪和/或压力水平之后,计算装置108删除人102的图像。
在各种示例中,情绪数据、压力数据、出汗数据、心率数据、光数据和/或位置124可用于补充葡萄糖测量结果118并且指导人102的决策过程作为管理I型或II型糖尿病的一部分。关于图9至图13更详细地描述了使用情绪数据、压力数据、出汗数据、心率数据和/或位置124来向人102提供临床和生活方式洞察的具体示例。尽管关于葡萄糖测量结果118描述了示例,但应当理解,葡萄糖是一个示例性分析物并且所描述的系统和技术对于其他分析物和/或其他分析物监测装置也是有用的。在例如连续地测量葡萄糖并获得描述此类测量结果的数据的上下文中,考虑下文对图2的描述。
图2更详细地描绘了图1的CGM系统104的示例性具体实施200。具体地,所示示例200包括CGM系统104的顶视图和对应的侧视图。CGM系统104示为包括传感器202和传感器模块204。在所示示例200中,传感器202在侧视图中被描绘为皮下插入皮肤206(例如,人102的皮肤)中。传感器模块204在顶视图中被描绘为具有虚线轮廓的矩形。CGM系统104还被示为包括发射器208。表示传感器模块204的矩形的虚线轮廓的使用指示传感器模块204可被容纳在发射器208中或以其他方式在该发射器的壳体内实现。在该示例200中,CGM系统104还包括粘结垫210和附接机构212。
在操作中,传感器202、粘结垫210和附接机构212可被组装以形成施加组件,其中施加组件被配置成施加至皮肤206,使得传感器202如所描绘的皮下插入。在此类情况下,发射器208可在该组件施加至皮肤206之后诸如经由附接机构212附接到该组件。附加地或另选地,发射器208可作为施加组件的一部分并入,使得传感器202、粘结垫210、附接机构212和发射器208(与传感器模块204一起)可全部同时施加至皮肤206。在一个或多个具体实施中,使用单独的施加器(未示出)将施用组件施加至皮肤206。也可通过将粘结垫210从皮肤206上剥离来移除此施用组件。以这种方式,CGM系统104及其如图2所示的各种部件表示一个示例性形状因数,并且CGM系统104及其部件可具有不同的形状因数而不脱离所描述技术的精神或范围。在一些示例中,传感器202是CGM系统104的一次性葡萄糖传感器。在其他示例中,传感器202是CGM系统104的可重用葡萄糖传感器。
在操作中,传感器202经由至少一个通信信道通信地联接到传感器模块204,该至少一个通信信道可以是“无线”连接或“有线”连接。从传感器202到传感器模块204、或从传感器模块204到传感器202的通信可主动地或被动地实现,并且可为连续的(例如,模拟的)或离散的(例如,数字的)。传感器202可以是响应于至少部分地独立于传感器202的事件而变化或导致发生变化的装置、分子和/或化学物质。传感器模块204被实现以接收对传感器202的变化或由传感器202引起的变化的指示。例如,传感器202可包括葡萄糖氧化酶,该葡萄糖氧化酶与葡萄糖和氧反应以形成过氧化氢,该过氧化氢可由传感器模块204的电极电化学检测到。在该示例中,传感器202可被配置为或包括葡萄糖传感器,该葡萄糖传感器被配置成使用一种或多种测量技术来检测血液或间质液中指示葡萄糖水平的分析物。
在另一示例中,传感器202(或CGM系统104的附加的、未描绘的传感器)可包括第一电导体和第二电导体,并且传感器模块204可电检测跨传感器202的第一电导体和第二电导体的电位的变化。在该示例中,传感器模块204和传感器202被配置为热电偶,使得电位的变化对应于温度变化。在一些示例中,传感器模块204和传感器202被配置成检测单一分析物(例如,葡萄糖)。在其他示例中,传感器模块204和传感器202被配置成检测多种分析物(例如,钠、钾、二氧化碳和葡萄糖)。另选地或附加地,CGM系统104包括多个传感器以不仅检测一种或多种分析物(例如,钠、钾、二氧化碳、葡萄糖和胰岛素),而且检测一种或多种环境条件(例如,温度)。因此,传感器模块204和传感器202(以及任何附加传感器)可检测一种或多种分析物的存在、一种或多种分析物的不存在和/或一种或多种环境条件的变化。
在一个或多个具体实施中,尽管在图2的所示示例中未描绘,但传感器模块204可包括处理器和存储器。通过利用这种处理器,传感器模块204可基于与传感器202的指示一个或多个变化(例如,分析物变化、环境条件变化等)的通信来生成葡萄糖测量结果118。基于与传感器202的通信,传感器模块204被进一步配置成生成CGM装置数据214。CGM装置数据214代表包括至少一个葡萄糖测量结果118的可传达数据包。另选地或附加地,CGM装置数据214包括其他数据,诸如多个葡萄糖测量结果118、传感器识别216、传感器状态218、其组合等。在一个或多个具体实施中,CGM装置数据214可包括其他信息,诸如对应于葡萄糖测量结果118和其他分析物的测量结果的温度中的一个或多个温度。以这种方式,CGM装置数据214可包括除至少一个葡萄糖测量结果118之外的各种数据,而不脱离所描述的技术的精神或范围。
附加传感器
如图2所示,CGM系统104包括相对于粘结垫210示出的附加传感器220,但附加传感器可包括在CGM系统104的任何部件中。例如,附加传感器220也可独立于CGM系统104并且与其分离。在一些示例中,附加传感器220包括单个附加传感器,并且在其他示例中,附加传感器220表示多个附加传感器。附加传感器220经由至少一个通信信道通信地联接到传感器模块204。从附加传感器220到传感器模块204或从传感器模块204到附加传感器220的通信是主动的或被动的、连续的或离散的、有线的或无线的等。在各种示例中,包括在附加传感器220中的传感器至少部分地皮下设置在皮肤206中或之下,至少部分地设置成与皮肤206(例如,皮肤206的表面)接触,不与人102的一部分物理接触,等等。
在一个示例中,附加传感器220中包括加速度计,并且加速度计测量来自人102的移动的力。传感器模块204从加速度计接收描述所测量的力的通信。例如,传感器模块204包括描述由加速度计测量的力的力数据作为CGM装置数据214的一部分。在一些示例中,传感器模块204处理力数据以确定传感器202的插入部位的位置。在其他示例中,传感器模块204处理力数据以生成描述人102迈出的步数的步数数据,并且传感器模块204包括步数数据作为CGM装置数据214的一部分。
考虑光电二极管传感器包括在附加传感器220中并且光电二极管传感器测量由附加传感器220的发光二极管(LED)传输的反射光的示例。附加传感器220可包括光电二极管传感器和LED和/或其他光源的阵列,并且传感器模块204包括用于传感器模块204的处理器(例如,微处理器)的处理和存储器资源,以控制光子经由LED或其他光源的传输并将反射的光子转换(例如,经由光电二极管传感器)为电子。以这种方式,对应于电子的电信号中的模式可用于识别传感器202的插入部位的异常。
在一些示例中,心率监测器包括在附加传感器220中,用于测量人102的心率和人102的心率变异性。在心率监测器是电子式的示例中,传感器模块204从心率监测器接收描述对应于人102的心脏跳动的电位变化的通信。在该示例中,传感器模块204包括描述电势变化的心率数据作为CGM装置数据214的一部分。在心率监测器是光学式的示例中,传感器模块204从心率监测器接收描述对应于人102的心脏跳动的血容量变化的通信。在该示例中,传感器模块204将描述血容量变化的心率数据包括在CGM装置数据214内。在一个示例中,心率监测器利用光电二极管传感器和LED来测量人102的血容量的变化。
例如,附加传感器220中包括出汗传感器,有用测量人102的出汗的增加和减少。在该示例中,传感器模块204从出汗传感器接收描述所测量的分析物浓度的增加和减少的通信,并且传感器模块204包括描述所测量的分析物浓度的增加和减少的出汗数据作为CGM装置数据214的一部分。该出汗数据可用于推断人102正经历的压力量、确定人102正从事体力活动等。
在操作中,发射器208可将CGM装置数据214作为数据流无线地传输到计算装置108。另选地或附加地,传感器模块204可缓冲CGM装置数据214(例如,在传感器模块204的存储器中)并导致发射器208以各种间隔传输缓冲的CGM装置数据214,这些间隔例如时间间隔(每秒钟、每三十秒、每分钟、每五分钟、每小时等)、存储间隔(当缓冲的CGM装置数据214达到阈值数据量或CGM装置214的实例数量时)、其组合等。
除了生成CGM装置数据214并导致其被传达到计算装置108之外,传感器模块204被配置成根据一个或多个具体实施来执行附加功能。传感器模块204的此附加功能还可包括初始地或在持续的基础上校准传感器202,以及校准CGM系统104的任何其他传感器,诸如附加传感器220。在经由网络116到服务的连接受限或不存在的情况下,传感器模块204的这种计算能力特别有利。
关于CGM装置数据214,传感器识别216表示从其他传感器(例如,其他CGM系统104的其他传感器、先前或随后植入皮肤206中的其他传感器、包括在附加传感器220中的传感器等)中唯一地识别传感器202的信息。通过唯一地识别传感器202,传感器识别216还可用于识别关于传感器202的其他方面,诸如传感器202的制造批次、传感器202的包装细节、传感器202的装运细节等。以这种方式,可以不同的方式识别和使用针对以与传感器202类似的方式制造、包装和/或装运的传感器检测到的各种问题(例如,以校准葡萄糖测量结果118、通知用户更换或处置有缺陷的传感器、通知制造设施加工问题等)。
传感器状态218表示传感器202在给定时间的状态(例如,在产生葡萄糖测量结果118中的一个葡萄糖测量结果的同时传感器的状态)。为此,传感器状态218可包括针对葡萄糖测量结果118中的每个葡萄糖测量结果的条目,使得在葡萄糖测量结果118与传感器状态218信息中捕获的状态之间存在一对一关系。一般来讲,传感器状态218描述传感器202的操作状态。在一个或多个具体实施中,传感器模块204可识别给定葡萄糖测量结果118的多个预定操作状态中的一个预定操作状态。所识别的操作状态可基于来自传感器202的通信和/或这些通信的特性。
以举例的方式,传感器模块204可包括(例如,在存储器或其他存储设备中)具有预定数量的操作状态和用于从另一状态选择一个状态的基础的查找表。例如,预定状态可包括“正常”操作状态,其中选择此状态的基础可以是来自传感器202的通信落入指示正常操作的阈值内(例如,在预期时间的阈值内、在预期信号强度的阈值内、当环境温度在适当温度的阈值内以按预期继续操作时、其组合等)。预定状态还可包括指示传感器202通信的一个或多个特性在正常活动之外并且可能导致葡萄糖测量结果118中的潜在误差的操作状态。
这些非正常操作状态的基础可包括在阈值预期时间之外接收来自传感器202的通信、在预期信号强度阈值之外检测传感器202的信号强度、在适当温度之外检测环境温度以按预期继续操作、检测到人102已相对于CGM系统104改变了取向(例如,在床上翻身)等。传感器状态218可指示关于传感器202和CGM系统104的多种方面,而不脱离本文所述的技术的精神或范围。
考虑了示例性环境和示例性CGM系统后,现在考虑根据一个或多个具体实施的用于连续葡萄糖监测的自适应系统的一些示例性细节的描述。
用于连续葡萄糖监测的自适应系统
图3描绘了示例300实具体实施,其中计算装置将连续葡萄糖监测(CGM)装置数据传送到存储装置,并且自适应系统接收葡萄糖数据和非葡萄糖数据。
所示示例300包括CGM系统104和关于图1介绍的计算装置108的示例。所示示例300还包括数据分析平台122和存储装置120,该存储装置如上所述存储葡萄糖测量结果118。在示例300中,CGM系统104被描绘为将CGM装置数据214传输到计算装置108。如关于图2所描述的,CGM装置数据214包括葡萄糖测量结果118以及其他数据。CGM系统104被配置成以多种方式将CGM装置数据214传输到计算装置108。
所示示例300还包括CGM包302。CGM包302代表包括CGM装置数据214(例如,葡萄糖测量结果118、传感器识别216和传感器状态218)、取向数据304或其部分的数据。取向数据304描述了由CGM系统104的加速度计测量的力。如图所示,CGM包302(其包括取向数据304)存储在存储装置120中并且对于受制于限制对存储在存储装置120中的数据的访问的虚拟容器306的数据分析平台122是可用的。
虚拟容器
例如,虚拟容器306基于与对取向数据304的访问相关联的风险分类来限制对取向数据304的访问。在一个示例中,用于访问虚拟容器306内的特定数据的风险分类可基于用于生成该特定数据的医疗装置的风险分类。在该示例中,基于对应的医疗装置分类,风险分类可为低、中或高。在生成特定数据涉及多个医疗装置的示例中,基于包括在多个医疗装置中的医疗装置的最高风险分类来分配风险分类。
考虑虚拟容器306通过对包括在CGM包302中的数据的访问强加限制和条件来促进第三方(例如,第三方应用程序开发者)对包括在CGM包302中的数据的访问的示例。在该示例中,虚拟容器306对包括在CGM包302中的数据强加使用限制,以便遵守联邦和各州法规。在一个示例中,虚拟容器306允许第三方访问包括在CGM包302中的数据的已被处理成移除了可用于识别人102的所有数据的版本。
例如,第三方访问该版本数据并处理该版本数据以在不暴露人102的身份的情况下获得对该版本数据的洞察。在一些示例中,虚拟容器306是针对快速写入和/或基于API的访问而优化的数据存储库。在其他示例中,虚拟容器306以安全和隐私合规方式将CGM装置数据214和取向数据304协同定位。
如图3所示,允许数据分析平台122通过虚拟容器306访问存储在存储装置120中的数据。因此,数据分析平台122被示为具有、接收和/或传送葡萄糖数据308和非葡萄糖数据310。在一个示例中,葡萄糖数据308描述由传感器202测量的用户葡萄糖值。在该示例中,葡萄糖数据308描述来自人102的葡萄糖测量结果118的序列。
在一些示例中,数据分析平台122还接收被示为描述用户群体110的其他数据312。例如,其他数据312描述来自用户群体110的葡萄糖测量结果118的序列。其他数据312可包括来自各种源的各种类型数据。类似地,非葡萄糖数据310包括来自各种不同数据源的各种不同类型数据。如图所示,数据分析平台122接收葡萄糖数据308、非葡萄糖数据310和/或其他数据312,并且实现自适应系统314以处理葡萄糖数据308、非葡萄糖数据310和/或其他数据312,从而生成经修改的数据316。
葡萄糖传感器插入部位
考虑葡萄糖数据308描述对应于来自佩戴CGM系统104的人102的葡萄糖测量结果118的用户葡萄糖值的序列的示例。在该示例中,非葡萄糖数据310包括描述由CGM系统104的加速度计测量的力的取向数据304。在自适应系统314包括处理器和存储器资源的示例中,自适应系统314处理非葡萄糖数据310以确定传感器202在人102身上的插入部位的位置。在另一个示例中,自适应系统314使计算装置108处理非葡萄糖数据310以确定传感器202的插入部位的位置。
为此,在一个示例中,自适应系统314使计算装置108将由取向数据304描述的由加速度计测量的力与特征力模式进行比较。在一个示例中,其他数据312描述了特征力模式。例如,这些特征力模式中的每一者与传感器202的插入部位位置相关联,并且自适应系统314使计算装置108基于由取向数据304描述的力和与特定插入部位位置相关联的特征力模式之间的相似性来确定传感器202的特定插入部位位置。该特定插入部位位置对应于人102身上的位置,诸如位置124。
继续前一示例,自适应系统314(和/或计算装置108)利用传感器202的特定插入部位位置通过修改葡萄糖数据308生成经修改的数据316。例如,人102身上的特定插入部位位置不是人102插入传感器202和佩戴CGM系统104的预期或推荐位置。因此,自适应系统314(和/或计算装置108)确定由CGM系统104生成的葡萄糖测量结果118应增大或减小以抵消由于人102将传感器202插入特定插入部位位置而导致的葡萄糖数据308的不准确性。自适应系统314生成描述经校正的用户葡萄糖值的经修改的数据316。例如,如果传感器202被插入在推荐插入部位位置(诸如人102的腹部)而不是特定插入部位位置,则经修改的数据316描述的用户葡萄糖值原本将由传感器202测量。
自适应系统314还生成用于显示在计算装置108的用户界面中的(例如,经修改的数据316的)指示318。在一个示例中,指示318指示如何修改葡萄糖数据308以生成经修改的数据316。在另一个示例中,指示318是请求确认传感器202被插入在特定插入部位位置处的提示。在又一个示例中,指示318是基于经修改的数据316的警报或预警。在另一个示例中,指示318指示在更换传感器202时,用于在下一CGM会话中插入传感器202的一个或多个其他位置。在这些示例中,数据分析平台122实现自适应系统314以基于取向数据304生成经修改的数据316。
考虑基于传感器202的插入部位的异常来生成修改的数据316的示例。在该示例中,CGM系统104生成描述由光电二极管传感器测量的反射光的光数据。例如,CGM系统104包括被实现为发射指向围绕传感器202的插入部位布置的皮肤206的光的发光二极管(LED)。由LED发射的光从围绕传感器202的插入部位布置的皮肤206反射,并且该反射光被光电二极管传感器接收。CGM系统104生成描述从围绕传感器202的插入部位布置的皮肤206反射的光的光数据。
自适应系统314(和/或计算装置108)处理光数据以识别异常。为此,计算装置108将由光数据描述的反射光图案与指示传感器202的插入部位的异常的特征光图案进行比较。例如,插入部位的异常是纹身、疤痕组织、皮肤刺激等。计算装置108将异常识别为对应于与由光数据描述的光图案最相似的特征光图案。一旦被识别,计算装置108基于插入部位的异常来确定葡萄糖测量结果118应增加或减少的量。自适应系统314生成描述增加或减少所确定量的葡萄糖测量结果118的经修改的数据316。
考虑自适应系统314(和/或计算装置108)被实现为基于心率数据生成经修改的数据316的示例。在该示例中,心率数据描述人102的心率、心率变异性、氧饱和度等。如本文所用,术语“心率变异性”指心跳之间的时间间隔的变化,并且这些变化可指示人102的血液葡萄糖水平的对应变化。例如,非葡萄糖数据310包括心率数据,并且自适应系统314(和/或计算装置108)处理葡萄糖数据308、非葡萄糖数据310和/或其他数据312以生成经修改的数据316。在一个示例中,自适应系统314(和/或计算装置108)使用心率数据来确定修改量,葡萄糖数据308描述的特定用户葡萄糖值应增加或减少该修改量以改善特定用户葡萄糖值的准确性。
考虑自适应系统314(和/或计算装置108)利用历史心率数据和历史葡萄糖数据来形成至少一个模型以改善特定用户葡萄糖值的准确性的示例。由于用户葡萄糖值表示人102的局部血液葡萄糖浓度并且由于人102的心脏在随时间跳动时使人102的血液循环,因此用户葡萄糖值至少部分地取决于人102的心跳。例如,在特定时间来自人102的间质液的葡萄糖测量结果118可对应于在该特定时间之前约10分钟时人102的血液中的局部葡萄糖浓度。
概率模型
在一个示例中,自适应系统314(和/或计算装置108)使用历史心率数据和历史葡萄糖数据形成概率模型,使得对于在第一时间的任何特定观测心率值,该概率模型基于历史数据输出在第二时间观测到特定用户葡萄糖值的概率。第一时间在第二时间之前。在一个示例中,历史心率数据是人102的历史心率数据并且历史葡萄糖数据是人102的历史葡萄糖数据。在另一个示例中,历史心率数据是用户群体110的历史心率数据,并且历史葡萄糖数据是用户群体110的历史葡萄糖数据。在一些示例中,自适应系统314(和/或计算装置108)形成概率模型,使得该模型基于在第一时间对多个心率值的观测来输出在第二时间观测到特定用户葡萄糖值的概率(例如,和置信水平)。
在第一示例中,自适应系统314接收包括描述人102的心率的心率数据的非葡萄糖数据310,并且自适应系统314在第一时间从心率数据提取用户心率值(例如,每分钟70次心跳)。在该示例中,自适应系统314(和/或计算装置108)使用用户心率值作为概率模型的输入,该概率模型输出将在第二时间观测到的最可能的用户葡萄糖值(例如,125mg/dL)。例如,第一时间是上午9:00,并且第二时间是上午9:15。在一些示例中,概率模型还基于历史心率数据和历史葡萄糖数据来输出置信水平,诸如在第二时间观测到的等于125mg/dL的用户葡萄糖值的95%置信度。
继续第一示例,自适应系统314接收描述由CGM系统104测量的用户葡萄糖值的葡萄糖数据308。自适应系统314(和/或计算装置108)识别由具有对应于上午9:15的时间戳的葡萄糖数据308描述的特定用户葡萄糖值。例如,特定用户葡萄糖值是166mg/dL,其显著不同于所预测的用户葡萄糖值125mg/dL。在一个示例中,自适应系统314(和/或计算装置108)利用使用用户心率值和特定用户葡萄糖值作为输入的概率模型,基于历史心率数据和历史葡萄糖数据来确定在第二时间观测到特定用户葡萄糖值的概率。在该示例中,概率模型以95%的置信水平输出在第二时间观测到166mg/dL的概率小于百分之一。
在第一示例中,自适应系统314基于历史心率数据和历史葡萄糖数据确定等于41mg/dL的修改量,该修改量对应于特定用户葡萄糖值应被减小的量。自适应系统314将特定用户葡萄糖值修改该修改量并生成描述经修改的特定用户葡萄糖值的经修改的数据316。在一个示例中,自适应系统314生成指示经修改的特定用户葡萄糖值的指示318。在另一个示例中,自适应系统314生成指示如何修改葡萄糖数据308以生成经修改的数据316的指示318。
在第二示例中,自适应系统314基于由历史心率数据描述的多个测量值形成概率模型。例如,基于历史心率数据和历史葡萄糖数据,自适应系统314(和/或计算装置108)形成概率模型,使得对于在第一时间的心率值和心率变异性值的输入,该模型输出在第二时间观测到用户葡萄糖值的概率。在该第二示例中,基于由历史心率数据描述的多个测量值形成概率模型增加了模型的准确性。
在第三示例中,自适应系统314(和/或计算装置108)基于由历史心率数据描述的值和由历史葡萄糖数据描述的值来形成概率模型。在该示例中,自适应系统314(和/或计算装置108)形成概率模型,使得对于在第一时间的心率值和用户葡萄糖值的输入,概率模型输出在第二时间观测到用户葡萄糖值的概率。类似于第二示例,基于由历史心率数据描述的值和由历史葡萄糖数据描述的值形成概率模型也增加了模型的准确性。
考虑除了包括心率数据之外,非葡萄糖数据310还包括描述人102的出汗量随时间推移增加或减少的出汗数据。在一个示例中,自适应系统314(和/或计算装置108)以独立于心率数据的方式利用出汗数据。例如,出汗数据描述所测量的随时间推移的人102的汗液葡萄糖值,并且自适应系统314将汗液葡萄糖值转换成等效的血液葡萄糖值。在该示例中,自适应系统314将对应于特定时间的等效血液葡萄糖值与对应于该特定时间的用户葡萄糖值进行比较。
如果等效血液葡萄糖值与用户葡萄糖值之间的差异小于阈值差异,则自适应系统314将由出汗数据描述的下一所测量的汗液葡萄糖值转换成另外等效血液葡萄糖值,自适应系统314将该另外等效血液葡萄糖值与下一用户葡萄糖值进行比较。在等效血液葡萄糖值与用户葡萄糖值之间的差异大于差异阈值的第一示例中,自适应系统314生成指示等效血液葡萄糖值和用户葡萄糖值显著不同的指示318。在等效血液葡萄糖值与用户葡萄糖值之间的差异大于差异阈值的第二示例中,自适应系统314(和/或计算装置108)利用概率模型和心率数据来确定在特定时间观测到用户葡萄糖值的概率(例如,和置信水平)。
如果在特定时间观测到血液葡萄糖值的概率低并且概率中的对应置信水平高,则自适应系统314(和/或计算装置108)利用概率模型基于历史心率数据和历史葡萄糖数据来确定在特定时间最可能观测到的特定用户葡萄糖值。例如,自适应系统314确定特定用户葡萄糖值与用户葡萄糖值之间的差异并将该所确定的差异与第二阈值进行比较。如果所确定的差异小于第二阈值,则自适应系统生成指示等效血液葡萄糖值和用户葡萄糖值显著不同的指示318。如果所确定的差异大于第二阈值,则自适应系统314(和/或计算装置108)实现概率模型以确定在特定时间观测到特定用户葡萄糖值的概率(例如,和置信水平)。
如果在特定时间观测到特定用户葡萄糖值的概率相对低并且与相对高的置信水平相关联,则自适应系统314生成指示等效血液葡萄糖值和用户葡萄糖值显著不同的指示318。如果在特定时间观测到特定用户葡萄糖值的概率相对高并且与相对高的置信水平相关联,则自适应系统314(和/或计算装置108)基于历史心率数据和历史葡萄糖数据来确定修改用户葡萄糖值的修改量。自适应系统314将用户葡萄糖值修改所确定的修改量并生成描述经修改的用户葡萄糖值的经修改的数据316。例如,自适应系统314生成通知如何修改葡萄糖数据308以生成经修改的数据316的指示318。
在一些示例中,出汗数据描述了人102的出汗量随时间推移的增加和减少,而不是描述人102随时间推移的所测量的汗液葡萄糖值。在这些示例中,自适应系统314(和/或计算装置108)利用出汗数据作为筛选工具来确定是否实现概率模型。例如,概率模型在一些具体实施中在计算方面是昂贵的,并且自适应系统314(和/或计算装置108)使用由出汗数据描述的趋势来针对潜在的不准确性筛选葡萄糖数据308,这相对于概率模型的具体实施在计算方面是便宜的。
在一个示例中,自适应系统314(和/或计算装置108)处理出汗数据并识别对应于人102的出汗量的出汗值正在增加的时间窗口。一般来讲,增加的出汗值可对应于由葡萄糖数据308描述的增加的用户葡萄糖值。自适应系统314基于该时间窗口来确定用于筛选葡萄糖数据308的经修改的时间窗口。例如,在人102的增加的出汗值与由葡萄糖数据308描述的对应增加的用户葡萄糖值之间可能存在时间延迟,并且自适应系统314(和/或计算装置108)基于该时间延迟来确定经修改的时间窗口。
自适应系统314(和/或计算装置108)使用经修改的时间窗口来确定由葡萄糖数据308描述的用户葡萄糖值的子集,并且然后确定该子集中包括的用户葡萄糖值是否通常在增加。如果自适应系统314(和/或计算装置108)确定该子集中包括的用户葡萄糖值通常正在增加,则自适应系统314推断该子集中包括的用户葡萄糖值可能是准确的并处理出汗数据以识别另外时间窗口,在该另外时间窗口中,对应于人102的出汗量的出汗值正在增加。如果自适应系统314(和/或计算装置108)确定该子集中包括的用户葡萄糖值通常不增加(例如,该子集中包括的用户葡萄糖值正在减少),则自适应系统314确定该子集中包括的用户葡萄糖值可能不准确。基于确定该子集中包括的用户葡萄糖值可能不准确,自适应系统314(和/或计算装置108)实现概率模型以基于如先前所述的历史心率数据和历史葡萄糖数据来确定观测到该子集中包括的用户葡萄糖值的概率。
考虑自适应系统314利用非葡萄糖数据310作为葡萄糖数据作为用于筛选葡萄糖数据308的工具的一部分和/或作为用于形成概率模型的基础的另外示例。在该另外示例中,非葡萄糖数据310描述人102的体力活动。例如,人102与计算装置108的用户界面交互以指定由人102在过去完成的和/或计划由人102在将来完成的特定活动。计算装置108生成描述完成的和/或计划完成的特定活动的活动数据,该活动数据包括在CGM装置数据214中和/或包括在非葡萄糖数据310中。
在另一个示例中,CGM系统104例如使用附加传感器220中包括的加速度计来生成活动数据。在该另一个示例中,加速度计测量例如由于人102的移动而引起的力。传感器模块204从加速度计接收描述所测量的力的通信,并且传感器模块204生成描述人102随时间推移迈出的步数的活动数据。
考虑计算装置108包括测量由人102的移动引起的力的加速度计的示例。例如,计算装置108的活动模块从加速度计接收描述所测量的力的通信,并且活动模块处理该通信以生成描述人102随时间推移迈出的步数的活动数据。在该示例中,活动数据包括在CGM装置数据214中和/或包括在非葡萄糖数据310中。
在一个示例中,自适应系统314(和/或计算装置108)处理描述人102随时间推移迈出的步数的活动数据以识别时间窗口,在该时间窗口内,人102迈出的步数(或人102没有步数)对应于可能影响人102的血液葡萄糖水平的场景。例如,在短时间段内迈出许多步可能指示锻炼活动。锻炼通常降低人102的血液葡萄糖水平;然而,较短时间段内的非常强烈的体力活动可导致人102的血液葡萄糖水平飙升,然后降低,这可能在人102完成锻炼活动之后持续几个小时。
人102在较长时间段内没有步数可能指示睡眠周期。睡眠通常降低人102的血液葡萄糖水平或导致稳定的葡萄糖水平;然而,人102的血液葡萄糖水平通常在接近睡眠周期结束时增加。在一些示例中,自适应系统314利用包括在活动数据中的时间戳来确定人102是否可能在睡眠中和/或人102的血液葡萄糖水平在接近睡眠周期结束时的增加何时可能发生。
在自适应系统314(和/或计算装置108)识别活动数据指示可能影响人102的血液葡萄糖水平的场景的时间窗口之后,自适应系统314(和/或计算装置108)近似对应于时间窗口的结束的时间与葡萄糖测量结果118开始反映人102在时间窗口内的活动的时间之间的时间延迟。自适应系统314(和/或计算装置108)基于该时间延迟来确定用于筛选葡萄糖数据308的经修改的时间窗口。例如,自适应系统314(和/或计算装置108)使用经修改的时间窗口来确定由葡萄糖数据308描述的用户葡萄糖值的子集,并且然后确定该子集中包括的用户葡萄糖值是否对应于该时间窗口中包括的人102的步数或没有步数。
如果自适应系统314(和/或计算装置108)确定该子集中包括的用户葡萄糖值对应于该时间窗口中包括的人102的步数或没有步数,则自适应系统314确定该子集中包括的用户葡萄糖值可能是准确的。当断定该子集中包括的用户葡萄糖值可能是准确的时,自适应系统314继续处理活动数据以识别另外时间窗口,在该另外时间窗口内,人102迈出的步数(或人102没有步数)对应于可能影响人102的血液葡萄糖水平的场景。如果自适应系统314(和/或计算装置108)确定该子集中包括的用户葡萄糖值不对应于该时间窗口中包括的人102的步数或没有步数,则自适应系统314确定该子集中包括的用户葡萄糖值可能不准确。响应于确定该子集中包括的用户葡萄糖值可能不准确,自适应系统314(和/或计算装置108)实现概率模型以基于如先前所述的历史心率数据和历史葡萄糖数据来确定观测到该子集中包括的用户葡萄糖值的概率。
在一个示例中,自适应系统314(和/或计算装置108)基于历史活动数据、历史心率数据和历史葡萄糖数据来形成概率模型。在该示例中,将在第一时间观测到的心率值和包括人102在第一时间迈出的步数的观测到的时间窗口组合作为对概率模型的输入,该概率模型基于历史数据输出在第二时间观测到特定用户葡萄糖值的概率。通过从由历史心率数据之外的历史活动数据形成概率模型,自适应系统314增加了概率模型的准确性。
机器学习模型
在一些示例中,自适应系统314(和/或计算装置108)利用描述人102随时间推移经历的压力水平的压力数据和/或描述人102随时间推移的情绪的情绪数据作为筛选葡萄糖数据308的筛选工具的一部分。例如,计算装置108包括捕获人102的数字图像(例如,描绘人102的面部)的图像捕获装置。计算装置108实现使用训练数据训练的机器学习模型以根据描绘人102的面部的输入数字图像对人102的情绪进行分类。在该示例中,还使用训练数据来训练机器学习模型以根据描绘人102的面部的输入数字图像来量化人102经历的压力水平,并且计算装置108实现机器学习模型以量化人102经历的压力水平。例如,训练数据包括面部的数字图像,并且机器学习模型基于在面部的数字图像中描绘的特征来学习对情绪进行分类和量化压力水平。
计算装置108基于来自机器学习模型的输出生成压力数据和/或情绪数据,并且计算装置108将压力数据和/或情绪数据包括在CGM包302和/或非葡萄糖数据310中。自适应系统314接收包括压力数据和/或情绪数据的非葡萄糖数据310,并且自适应系统314处理压力数据和/或情绪数据以针对如前所述的准确性筛选葡萄糖数据308。例如,自适应系统314(和/或计算装置108)识别压力数据和/或情绪数据的对应于可能影响人102的血液葡萄糖水平的场景的子集。自适应系统314(和/或计算装置108)使用压力数据和/或情绪数据的该子集连同对应的时间延迟来筛选葡萄糖数据308。基于该筛选,自适应系统314确定是否实现概率模型。
考虑计算装置108实现机器学习模型以识别传感器202的插入部位的位置124的示例。在该示例中,基于描述各自与传感器202的插入部位的可能位置相关联的特征力模式的训练数据来训练机器学习模型。因此,机器学习模型基于训练数据和训练来学习对插入部位位置进行分类。例如,计算装置108以被配置用于由机器学习模型处理的格式来格式化取向数据304。机器学习模型接收该格式的取向数据304并处理经格式化的取向数据304以生成位置124的指示。
在一个示例中,自适应系统314利用描述人102随时间推移获取的食物的获取数据和/或描述人102随时间推移消耗的食物的消耗数据作为葡萄糖数据308的筛选工具。例如,消耗数据包括描述由CGM系统104的用户消耗的碳水化合物的事件数据。在该示例中,计算装置108生成获取数据和/或消耗数据。
例如,计算装置108接收来自人102的描述获取的食物和消耗的食物的输入,并且计算装置108基于这些输入生成获取数据和/或消耗数据。在一个示例中,计算装置108将获取数据和/或消耗数据包括在CGM包302和/或非葡萄糖数据310中。自适应系统314接收非葡萄糖数据310并处理获取数据和/或消耗数据以筛选葡萄糖数据308,如上所述。
图4更详细地描绘了图3的自适应系统314的示例性具体实施400。自适应系统314被示为包括时间管理器402和显示管理器404。如图所示,自适应系统314接收葡萄糖数据308和非葡萄糖数据310作为输入。自适应系统314还被示为接收包括葡萄糖测量结果118的CGM装置数据214。在一些示例中,自适应系统314基于CGM装置数据214生成葡萄糖数据308和非葡萄糖数据310。
时间窗口
时间管理器402接收葡萄糖数据308和非葡萄糖数据310并处理葡萄糖数据308和/或非葡萄糖数据310以生成时间窗口406。时间窗口406各自定义由葡萄糖数据308和/或非葡萄糖数据310描述的值的时间序列的开始和结束。自适应系统314实现时间管理器402以生成时间窗口406作为展示各种功能的一部分。
考虑自适应系统314实现时间管理器402以生成时间窗口406作为准备葡萄糖值报告的一部分的示例。在该示例中,葡萄糖值报告包括在从人102在CGM系统104中安装一次性葡萄糖传感器时开始并且在人102从CGM系统104卸载一次性葡萄糖传感器以便在CGM系统104中安装新的一次性葡萄糖传感器时结束的时间段内的人102的葡萄糖测量结果118的总结。例如,自适应系统314实现时间管理器402以生成第一时间窗口,该第一时间窗口在一次性葡萄糖传感器安装在CGM系统104中时开始并且在对应于由葡萄糖数据308描述的最近用户葡萄糖值的时间戳的时间处结束。该第一时间窗口定义一个会话,并且时间管理器402生成第二时间窗口,该第二时间窗口在一次性葡萄糖传感器安装在CGM系统104中时开始并且在一次性葡萄糖传感器安装在CGM系统104中之后一天(例如,24小时)结束。
该第二时间窗口定义了会话期间的不期望时间段,在该时间段,与会话的剩余部分期间相比,更可能发生葡萄糖数据308的不准确,诸如压缩伪像。葡萄糖数据308中的这些不准确部分地是由于不期望时间段的“冷启动”性质。例如,在葡萄糖值报告中包括不期望时间段导致会话期间人102的葡萄糖测量结果118的汇总由于不期望时间段的不准确而不准确。
在一个示例中,自适应系统314利用第二时间窗口从会话中移除不期望时间段。在此示例中,自适应系统314接着实现时间管理器402以生成在第二时间窗口结束时开始的第三时间窗口。该第三时间窗口在第一时间窗口结束时或对应于由葡萄糖数据308描述的最近用户葡萄糖值的时间戳的时间处结束。例如,自适应系统314使用包括在第三时间窗口中的葡萄糖测量结果来准备葡萄糖值报告,该葡萄糖值报告由于省略了不期望时间段而具有提高的准确性。
考虑自适应系统314实现时间管理器402以生成时间窗口406作为针对不准确性筛选葡萄糖数据308的一部分的示例。在该示例中,时间管理器402生成时间窗口406以使包括在非葡萄糖数据310中的时间序列数据与包括在葡萄糖数据308中的时间序列数据相关。例如,非葡萄糖数据310包括描述人102随时间推移迈出的步数的活动数据。自适应系统314处理活动数据以识别可能影响人102的血液葡萄糖水平的场景。
在一个示例中,自适应系统314(和/或计算装置108)识别由活动数据描述的具有开始和结束的时间段。活动数据描述了人102在该时间段期间迈出许多步,并且自适应系统314确定人102在该时间段期间迈出的大量步数对应于锻炼活动。自适应系统314实现时间管理器402以生成在该时间段的开始处开始并且在该时间段的结束处结束的时间窗口。
例如,自适应系统314(和/或计算装置108)确定时间延迟,该时间延迟对应于锻炼活动的发生与葡萄糖测量结果118反映作为锻炼活动的结果的人102的血液葡萄糖水平的变化的时间之间的时间段。在一些示例中,时间延迟可包括多个分量。在该示例中,在人102完成锻炼活动之后数小时(这是时间延迟的第一分量),人102的血液葡萄糖水平可能由于锻炼活动而降低。在传感器202从人102的间质液提取葡萄糖测量结果118的示例中,在人102的血液葡萄糖浓度变化之后并且在人102的间质液葡萄糖浓度的对应变化之前可能存在约10分钟的延迟,这是时间延迟的第二分量。
在确定时间延迟之后,自适应系统314实现时间管理器402以基于时间延迟生成经修改的时间窗口。例如,时间管理器402通过将时间窗口在时间上偏移时间延迟生成经修改的时间窗口。自适应系统314将经修改的时间窗口应用于葡萄糖数据308并确定由葡萄糖数据308描述的用户葡萄糖值的子集。例如,该子集中包括的用户葡萄糖值包括在经修改的时间窗口内。
如图4所示,显示管理器404接收时间窗口406,该时间窗口包括定义由葡萄糖数据308描述的用户葡萄糖值的子集的经修改的时间窗口。显示管理器404处理子集中包括的用户葡萄糖值以确定这些值是否反映锻炼活动。如果显示管理器404确定子集中包括的用户葡萄糖值确实反映锻炼活动,则显示管理器404处理由时间窗口406中包括的另一时间窗口定义的数据。
如果显示管理器404确定子集中包括的用户葡萄糖值不反映锻炼活动,则显示管理器404可执行各种不同的过程来评估子集中包括的用户葡萄糖值的准确性。例如,显示管理器404(和/或计算装置108)实现概率模型以基于非葡萄糖数据310和历史葡萄糖数据来确定观测到子集中包括的用户葡萄糖值的概率、基于非葡萄糖数据310和历史葡萄糖数据最可能观测到的用户葡萄糖值等等。在显示管理器404确定子集中包括的用户葡萄糖值不准确并且应被修改的示例中,显示管理器404实现修改模块408以生成经修改的数据316和/或指示318。
例如,修改模块408通过生成相对于用户葡萄糖值具有提高准确性的经修改的用户葡萄糖值来修改包括在不准确的子集中的用户葡萄糖值。修改模块408生成描述经修改的用户葡萄糖值的经修改的数据316。在一个示例中,修改模块408生成描述如何修改葡萄糖数据308以生成经修改的数据316的指示318。计算装置108接收经修改的数据316和指示318,并且计算装置108处理经修改的数据316和/或指示318以在计算装置108的用户界面中显示指示318。
图5示出了描述由于一次性葡萄糖传感器安装在连续葡萄糖监测(CGM)系统中而由一次性葡萄糖传感器测量的历史用户葡萄糖值的会话数据的表示500。如图所示,表示500包括由人102佩戴的CGM系统104的一次性葡萄糖传感器测量的用户葡萄糖值502至540。例如,由于人102的血液葡萄糖水平随时间推移而变化,因此用户葡萄糖值502至540也随时间推移而变化。表示500还包括对应于一次性葡萄糖传感器在CGM系统104中的安装的指示542。
如图所示,葡萄糖值502对应于在一次性葡萄糖传感器安装在CGM系统104中之后的第一葡萄糖测量结果118。如前所述,由于安装一次性葡萄糖传感器时的“冷启动”场景,葡萄糖值502具有比例如葡萄糖值522更高的不准确概率。此外,“冷启动”在指示542之后产生持续约一天的不期望时间段。在该不期望时间段期间,葡萄糖测量结果118具有对应于葡萄糖值502至508中的不准确葡萄糖值的更高概率。
第一时间窗口544定义不期望时间段。如图所示,第一时间窗口544具有开始546和结束548。开始546对应于指示542,并且结束548对应于从开始546起约24小时的时间。应当理解,不期望时间段可小于24小时的时间段。在一些示例中,不期望时间段是3小时、6小时、9小时、12小时、15小时、18小时等。还应当理解,不期望时间段也可大于24小时,诸如30小时、36小时、42小时、48小时等。在一个示例中,不期望时间段表示为会话的百分比,诸如会话的前10%。
表示500还包括具有开始552和结束554的第二时间窗口550。第二时间窗口550包括为由葡萄糖数据308描述的最近用户葡萄糖值的用户葡萄糖值540。例如,第二时间窗口550包括用户葡萄糖值528至540,并且第二时间窗口550没有与第一时间窗口544的一部分重叠的部分。因此,用户葡萄糖值528至540不会遭受与包括在第一时间窗544中的用户葡萄糖值502至508相关联的不准确的增加概率。
图6示出了可用于生成葡萄糖值报告的经修改的会话数据的表示600。如图所示,表示600包括用户葡萄糖值510至540,并且表示600不包括用户葡萄糖值502至508。例如,人102的卫生保健提供方接收葡萄糖值报告并使用葡萄糖值报告中包括的信息作为用于管理人102的血液葡萄糖水平的决策制定指导。
由于葡萄糖值报告的临床意义,自适应系统314(和/或计算装置108)从会话窗口602中排除用户葡萄糖值502至508。会话窗口602具有开始604和结束606。在所示示例中,开始604对应于定义不期望时间段的第一时间窗544的结束548。结束606对应于第二时间窗550的结束554。例如,自适应系统314使用会话窗口602中包括的用户葡萄糖值510至540来生成葡萄糖值报告。
图7示出了显示在计算装置的用户界面中的葡萄糖值报告的表示700。如图所示,表示700包括被示为智能电话的计算装置108,人102使用该智能电话来显示针对卫生保健提供方的葡萄糖值报告。在一些示例中,计算装置108是卫生保健提供方的计算装置108并且卫生保健提供方经由网络116接收葡萄糖值报告。在所示示例中,自适应系统314利用会话窗口602中包括的用户葡萄糖值510至540生成葡萄糖值报告。
葡萄糖值报告指示人102的血液葡萄糖水平在会话窗口602的开始604与结束606之间的时间的72.1%范围内。葡萄糖值报告还指示人102的血液葡萄糖水平在会话期间的21.7%的时间高并且在6.2%的时间低。用户葡萄糖值510至540的平均值是121mg/dL,并且基于会话窗口602中包括的数据,人102的估计A1C是5.5%。
图8示出了葡萄糖数据和经修改的葡萄糖数据的表示800。例如,葡萄糖数据308包括在表示500中描绘的葡萄糖值502至540。如图所示,表示800包括葡萄糖值502至526,这是由葡萄糖数据308描述的葡萄糖值502至540的子集。表示800还包括由经修改的葡萄糖数据描述的葡萄糖值802至814。例如,表示800中包括的葡萄糖值528至540分别被表示500中的葡萄糖值802至814替换。在所示示例中,自适应系统314(和/或计算装置108)通过将葡萄糖值528至540替换为葡萄糖值802至814生成经修改的葡萄糖数据。
考虑人102在由指示542指示的时间安装CGM系统104的第一示例。在该示例中,人102将CGM系统104附接到人102的大腿,这不是用于佩戴CGM系统104的指示位置。因此,传感器202插入部位的位置是人102的大腿。因此,在该示例中,人102以与用于使用CGM系统104的指令冲突的方式使用CGM系统104。因此,传感器202被布置在人102的皮肤206下方的与对应于CGM系统104的预期用途的解剖位置不同的解剖位置中。在一些示例中,这些差异可不利地影响葡萄糖测量结果118的准确性。
当传感器202插入在人102的大腿上时,传感器202在CGM系统104的佩戴位置得到葡萄糖测量结果118。葡萄糖数据308描述对应于由传感器202得到的葡萄糖测量结果118的葡萄糖值502至526。例如,附加传感器220的加速度计测量人102佩戴CGM系统104时的力。这些力由人102的移动引起,并且CGM系统104生成描述由加速度计测量的力的取向数据304。
自适应系统314(和/或计算装置108)接收葡萄糖数据308以及包括在该示例中的取向数据304的非葡萄糖数据310。在一个示例中,自适应系统314处理取向数据304以识别传感器202的插入部位的位置。为此,自适应系统314将由取向数据304描述的力与各自对应于人102身上的可以插入传感器202的位置的特征力模式进行比较。
例如,当传感器202插入在人102身上的不同位置时,CGM系统104的加速度计经受不同的力。由于这些差异,可以将传感器202插入在人102身上的每个位置可基于其对应的特征力模式被唯一地识别。通过以此方式利用特征力模式,自适应系统314(和/或计算装置108)基于由取向数据304描述的力与对应于传感器202在人102的大腿上的插入部位的位置的特征力模式之间的相似性来识别传感器202的插入部位的位置。
例如,自适应系统314初始将由取向数据304描述的力与对应于用于插入传感器202的预期位置(诸如人102的臀部或腹部)的特征力模式进行比较。基于该初始比较,自适应系统314(和/或计算装置108)确定传感器202的插入部位的位置不在人102的手臂或人102的腹部上。在一个示例中,自适应系统314生成用于显示在计算装置108的用户界面中的警报,从而向人102指示传感器202的插入部位位置不是用于插入传感器202的预期位置。例如,该警报还指示人102的误用可能影响由CGM系统104得到的葡萄糖测量结果118的准确性。
在另一个示例中,自适应系统314(和/或计算装置108)将由取向数据304描述的力与传感器202的可能插入部位位置(除了人102的腹部或手臂之外)的特征力模式进行比较。自适应系统314将对应于传感器202在人102的大腿上的插入部位位置的特征力模式识别为特征力模式中与取向数据304描述的力最相似的特征力模式。因此,自适应系统314将传感器202的插入部位位置识别为人102的大腿。在一些示例中,自适应系统314生成人102用以确认CGM系统104是否佩戴在人102的大腿上的确认请求。关于图9更详细地描述了这种情况的示例。
在其他示例中,自适应系统314(和/或计算装置108)确定当传感器202的插入部位位置在人102的大腿上时,人102佩戴CGM系统104的风险。在一些示例中,可以插入传感器202的人102身上的每个位置(例如,除了预期位置之外)基于风险进行分类。例如,这些分类包括低风险、中风险和高风险。一般来讲,如果人102以传感器202的插入部位位置是高风险位置的方式佩戴CGM系统104,则对人102造成伤害的风险比如果人102佩戴CGM系统104使得传感器202的插入部位位置处于中风险位置的情况更大。类似地,如果人102在传感器202的插入部位位置处于中风险位置的情况下佩戴CGM系统104,则对人102造成伤害的风险比如果人102在传感器202的插入部位位置处于低风险位置的情况下佩戴CGM系统104更大。
对于被分类为低风险的传感器202插入部位位置,自适应系统314执行最小干预。例如,自适应系统314生成针对低风险传感器202插入部位位置的确认请求。对于被分类为中风险的传感器202插入部位位置,自适应系统314执行中等干预,诸如生成针对人102的用以通知风险的预警。
在一些示例中,自适应系统314(和/或计算装置108)对于中风险传感器202插入部位位置生成针对人102的卫生保健提供方的警报。在一个示例中,自适应系统314对被分类为高风险的传感器202插入部位位置执行实质性干预,诸如生成针对人102的多个预警和/或生成针对人102的用以确认传感器202的插入部位不再处于高风险位置的确认请求。该实质干预可包括基于传感器202的插入部位位置为生成针对人102的卫生保健提供方的指示对人102存在高风险的预警。
在所示示例中,自适应系统314(和/或计算装置108)确定传感器202在人102的大腿上的插入部位位置对应于对人102的低伤害风险。因此,自适应系统生成针对人102的用以确认传感器202的插入部位位置是否在人102的大腿上的确认请求。在自适应系统314接收描述人102与计算装置108的用户界面的交互的数据的示例中,其中人102指示传感器202的插入部位位置不在人102的大腿上,则自适应系统314可以不生成经修改的葡萄糖数据。
然而,在自适应系统314接收描述人102与计算装置108的用户界面的交互的数据的示例中,其中人102确认传感器202的插入部位的位置在人102的大腿上,则自适应系统314(和/或计算装置108)可以生成经修改的葡萄糖数据。例如,自适应系统314通过估计传感器202的插入部位位置对葡萄糖值502至540的影响来确定是否生成经修改的葡萄糖数据。在一个示例中,自适应系统314确定葡萄糖值502至540与理想葡萄糖值之间的差异,以估计传感器202的插入部位位置的影响。
考虑自适应系统314确定葡萄糖值502至540与理想葡萄糖值之间的差异的示例,如果传感器202的插入部位位置在人102的腹部或臀部上,理想葡萄糖值原本将由CGM系统104测量。例如,自适应系统314访问传感器202插入部位位置转换数据,该数据描述可用于将从传感器202插入部位的第一位置取得的葡萄糖测量结果118的葡萄糖值转换为从传感器202插入部位的第二位置取得的葡萄糖测量结果118的葡萄糖值的修改值。在一些示例中,修改值是理论上确定的,例如,修改值基于传感器202在人102身上的每个可能插入部位位置之间的差异计算得出。差异可包括生物电差异、尺寸差异、流体差异等。
在其他示例中,修改值诸如由人102或同时佩戴多个CGM系统104的类似人(其中传感器202被插入在不同插入部位位置处)以分析方式确定。然后将在同一时间但用传感器202在人102的不同插入部位位置取得的葡萄糖测量结果进行比较118以确定修改值。例如,来自人102身上的不同插入部位位置中的传感器202的葡萄糖测量结果118之间的差异被用作机器学习模型的训练数据。
在该示例中,训练机器学习模型以基于训练数据生成理想的葡萄糖测量结果。在一个示例中,经训练的机器学习模型接收描述第一传感器202插入部位位置的输入数据以及由传感器202在第一插入部位位置取得的葡萄糖测量结果118。经训练的机器学习模型基于输入数据生成描述第一传感器202插入部位位置的理想葡萄糖值的输出数据。
在一个示例中,自适应系统314(和/或计算装置108)计算葡萄糖值502至540中的每一者与其对应的理想葡萄糖值之间的差异,并将计算出的差异与差异阈值进行比较。例如,自适应系统314计算葡萄糖值502与理想葡萄糖值之间的差异,如果人102已将传感器202插入在人102的腹部或臀部上而不是人102的大腿上的插入部位位置处,则原本将测量理想葡萄糖值而不是葡萄糖值502。自适应系统314随后将葡萄糖值502与理想葡萄糖值之间的差异与差异阈值进行比较。在一个示例中,如果该差异小于差异阈值,则自适应系统314不修改葡萄糖数据308。如果差异大于差异阈值,则在另一个示例中,自适应系统314(和/或计算装置108)通过将葡萄糖值502替换为其对应的理想葡萄糖值来修改葡萄糖数据308。
在所示示例中,自适应系统314确定葡萄糖值502至526中的每一者与对应理想葡萄糖值之间的差异小于差异阈值。因此,自适应系统314不修改葡萄糖值502至526。例如,自适应系统314确定葡萄糖值528至540中的每一者与对应理想葡萄糖值之间的差异大于差异阈值。基于该确定,自适应系统314将葡萄糖值528至540分别替换为葡萄糖值802至814(它们在该示例中是对应于葡萄糖值528至540的理想葡萄糖值)。如图所示,自适应系统314(和/或计算装置108)通过将葡萄糖值528至540替换为葡萄糖值802至814来生成经修改的葡萄糖数据。
考虑自适应系统314利用概率模型来估计传感器202在人102的大腿的插入部位位置相对于葡萄糖值502至540的影响的示例。在该示例中,自适应系统314(和/或计算装置108)至少部分地基于来自概率模型的输出来确定是否生成经修改的葡萄糖数据。在一个示例中,自适应系统314使用概率模型基于历史心率数据和历史葡萄糖数据来生成理想葡萄糖值。例如,自适应系统314基于由历史心率数据描述的心率值和由历史葡萄糖数据描述的对应葡萄糖值来形成概率模型。
因为概率模型以这种方式形成,所以该模型在基于历史心率和葡萄糖数据观测到心率值的情况下输出最可能观测到的葡萄糖值。因此,在由历史心率数据和历史葡萄糖数据描述的所有心率值和葡萄糖值对中,概率模型识别出具有给定输入心率值的最频繁配对的葡萄糖值,并且模型输出所识别的葡萄糖值。在一个示例中,自适应系统314将由概率模型输出的葡萄糖值用作理想葡萄糖值。
为此,在一个示例中,自适应系统314接收葡萄糖数据308和包括描述人102的测量的心率值的心率数据的非葡萄糖数据310。例如,自适应系统314(和/或计算装置108)识别与葡萄糖值502至540中的每一者具有相同时间戳的心率值。对于葡萄糖值502至540中的每一者,自适应系统314使用所识别的心率值和概率模型来确定对应的理想葡萄糖值。
因此,对于葡萄糖值502,自适应系统314首先识别与葡萄糖值502具有相同时间戳的心率值。自适应系统314(和/或计算装置108)随后将所识别的心率值用作概率模型的输入,该概率模型接收该输入,然后输出对应于葡萄糖值502的理想葡萄糖值。例如,自适应系统314确定葡萄糖值502与理想葡萄糖值之间的差异并将该差异与差异阈值进行比较。如图所示,自适应系统314确定该差异小于差异阈值,因此自适应系统314不修改葡萄糖值502。
自适应系统314(和/或计算装置108)确定剩余葡萄糖值504至540中的每一者的理想葡萄糖值并将葡萄糖值504至540中的每一者与其对应理想葡萄糖值之间的差异与差异阈值进行比较。如图所示,葡萄糖值502至526与对应理想葡萄糖值之间的差异小于差异阈值。然而,葡萄糖值528至540与对应理想葡萄糖值之间的差异大于差异阈值。因此,自适应系统314(和/或计算装置108)通过将葡萄糖值528至540替换为葡萄糖值802至814(它们是由概率模型针对对应于葡萄糖值528至540中的每一者的时间戳的输入心率值输出的理想葡萄糖值)来生成经修改的葡萄糖数据。
考虑自适应系统314利用概率模型来估计传感器202在人102的大腿的插入部位位置相对于葡萄糖值502至540的影响的另一个示例。在该示例中,自适应系统314使用历史心率数据和历史葡萄糖数据形成概率模型,使得对于输入心率值和输入葡萄糖值,该模型在基于历史心率和葡萄糖数据观测到输入心率值的情况下输出观测到输入葡萄糖值的概率。例如,自适应系统314在观测到具有相同时间戳的心率值的情况下确定观测到葡萄糖值502至540中的每一者的概率。
继续该示例,自适应系统314接收葡萄糖数据308和包括描述人102的测量的心率值的心率数据的非葡萄糖数据310。自适应系统314处理心率数据以识别与葡萄糖值502至540中的每一者具有相同时间戳的心率值。例如,自适应系统314将葡萄糖值502和与葡萄糖值502具有相同时间戳的对应心率值输入到概率模型,该概率模型在观测到与葡萄糖值502具有相同时间戳的心率值的情况下输出观测到葡萄糖值502的概率。
自适应系统314(和/或计算装置108)将观测到葡萄糖值502的概率与观测阈值进行比较。如果概率小于观测阈值,则自适应系统314将葡萄糖值502替换为其对应的理想葡萄糖值。如果概率大于观测阈值,则自适应系统314不将葡萄糖值502替换为其对应的理想葡萄糖值。
自适应系统314(和/或计算装置108)针对葡萄糖值504至540中的每一者重复该过程。如图8所描绘的示例所示,观测到葡萄糖值502至526的概率各自大于观测阈值,并且自适应系统314不替换葡萄糖值502至526。如进一步所示,观测到葡萄糖值528至540的概率各自小于观测阈值,并且自适应系统314替换葡萄糖值528至540中的每一者。例如,自适应系统314(和/或计算装置108)将葡萄糖值528至540分别替换为葡萄糖值802至814,如果人102佩戴CGM系统104使得传感器202插入部位位置在人102的腹部上而不是在人102的大腿上,则葡萄糖值802至814(而非葡萄糖值528至540)是原本将被测量或原本将可能被测量的理想葡萄糖值。
在一些示例中,自适应系统314使用传感器202插入部位位置转换数据来确定葡萄糖值802至814。在其他示例中,自适应系统314使用机器学习模型来确定葡萄糖值802至814,该机器学习模型被训练成基于描述在人102身上的不同传感器202插入部位位置处的葡萄糖测量结果118之间的差异的训练数据来生成理想葡萄糖测量结果。例如,在基于由历史心率数据描述的心率值和由历史葡萄糖数据描述的对应葡萄糖值来形成概率模型的示例中,自适应系统314可使用概率模型来确定葡萄糖值802至814。
在一些示例中,通过葡萄糖值528至540将替换为葡萄糖值802至814,自适应系统314改善了CGM系统104在其被佩戴且传感器202插入部位在人102的大腿上时的准确度。例如,这至少部分减小了与人102将CGM系统104佩戴在不是CGM系统104的预期佩戴位置的人102的大腿上相关联的风险。在传感器202在人102的大腿上的插入部位位置对应于中风险类别的示例中,将葡萄糖值528至540替换为葡萄糖值802至814足以将风险类别从中降低至低。
图9示出了用于确认葡萄糖传感器插入部位的确定位置的用户界面的表示900。如上所述,自适应系统314接收描述人102的用户葡萄糖值的葡萄糖数据308,并且自适应系统314还接收包括描述由CGM系统104的加速度计测量的力的取向数据304的非葡萄糖数据310。例如,自适应系统314将由取向数据304描述的力和与人102身上的位置相关联的表示可能的传感器202插入部位位置的特征力模式进行比较。通过该比较,自适应系统314将人102的大腿识别为传感器202插入部位位置。
在一个示例中,自适应系统314将传感器202插入部位位置的风险类别确定为低风险。因此,自适应系统314执行最小干预以校正传感器202插入部位位置。如图所示,自适应系统314生成用于显示在计算装置108的用户界面中的指示318。在所示示例中,指示318是针对人102的用以确认CGM系统104正佩戴在人102的大腿上的请求。
计算装置108接收指示318并在计算装置108的用户界面中将指示318显示为“您将CGM系统佩戴在您的大腿上吗?”。尽管指示318没有具体提及传感器202插入部位位置,但如果CGM系统104正佩戴在人102的大腿上,则传感器202插入部位位置是人102的大腿。计算装置108的用户界面还包括用户界面元素902、904。例如,人102与用户界面元素902交互以指示CGM系统104正佩戴在人102的大腿上。另选地,人102与用户界面元素904交互以指示CGM系统104没有佩戴在人102的大腿上。
计算装置108经由网络116向存储装置120发送描述人102对指示318的响应的数据。在一些示例中,存储装置120包括在虚拟容器306中。例如,虚拟容器306限制对描述人102的响应的数据的访问。在一个示例中,指示318还通知人102对描述人102的响应的数据的访问将被虚拟容器306限制。以这种方式,即使人102意识到在人102的大腿上佩戴CGM系统104不是佩戴CGM系统104的指示位置,人102也更可能与用户界面元素902交互。
自适应系统314接收描述人102的响应的数据。例如,描述人102的反应的数据包括在非葡萄糖数据310中,并且自适应系统314处理描述人102的响应的数据以确定是否修改葡萄糖数据308。在描述人102的响应的数据描述与用户界面元素904的交互的示例中,自适应系统314可以不修改葡萄糖数据308。在该示例中,自适应系统314生成用于显示在计算装置108的用户界面中的另外指示318,这是对人102的提示,指示CGM系统104的佩戴位置。CGM系统104的该指示佩戴位置对应于传感器202插入部位。
在描述人102的响应的数据描述与用户界面元素902的交互的示例中,自适应系统314可如前所述地修改葡萄糖数据308。在该示例中,自适应系统314通过基于传感器202在人102大腿上的插入部位位置修改葡萄糖数据308生成经修改的数据316。例如,自适应系统314生成用于显示在计算装置108的用户界面中的另外指示318,指示如何基于传感器202插入部位位置来修改葡萄糖数据308。
在另一个示例中,自适应系统314以不一定通知人102的方式修改葡萄糖数据308。在一些示例中,自适应系统314基于葡萄糖数据308与经修改的数据316之间的差异来确定是否生成另外指示318(例如,指示如何修改葡萄糖数据308)。如果该差异相对小,则人102可以认为另外指示318是滋扰。因此,自适应系统314可以不响应于确定葡萄糖数据308与经修改的数据316之间的差异相对小而生成另外指示318。
考虑自适应系统314确定不通知人102如何修改葡萄糖数据308的另一个示例。在该示例中,自适应系统314确定葡萄糖数据308与经修改数据316之间的差异不对应于人102采取的动作或干预将是有益的场景。例如,自适应系统314不通知人102如何修改葡萄糖数据308,因为这对于人102处理该信息没有益处。在一个示例中,自适应系统314不通知人102如何修改葡萄糖数据308以避免人102基于相信此类动作或干预是必要的而采取行动或进行干预的风险。
在自适应系统314确定不通知人102如何修改葡萄糖数据308的一些示例中,自适应系统314改为生成针对人102的卫生保健提供方的另外指示318。在这些示例中,自适应系统314将另外指示318传送到卫生保健提供方的计算装置。以这种方式,卫生保健提供方的计算装置将另外指示318显示在卫生保健提供方的用户界面中。卫生保健提供方将葡萄糖数据308的修改的重要性传达给人102。因此,自适应系统314避免将人102感知为滋扰的信息传达给人102。
如果自适应系统314确定葡萄糖数据308与经修改的数据316之间的差异较大或以其他方式显著,则自适应系统314生成指示如何修改葡萄糖数据308的另外指示318,并且计算装置108针对人102显示另外指示318。例如,自适应系统314基于确定葡萄糖数据308与经修改的数据316之间的差异对应于人102采取的动作或干预将是有益的场景而生成另外指示318。在一些示例中,人102采取的动作或干预是当前动作或干预。在其他示例中,人102采取的动作或干预是未来动作或干预。
图10示出了用于识别连续葡萄糖监测(CGM)系统的用户食用多种所购买食物中的哪种食物的用户界面的表示1000。例如,CGM系统104的用户是人102,并且自适应系统314(和/或计算装置108)监测人102消耗的碳水化合物。为此,在一个示例中,自适应系统314利用描述人102消耗的食物的消耗数据和描述人102获取的食物的获取数据。在该示例中,非葡萄糖数据310包括消耗数据和获取数据。
在一些示例中,人102通过与计算装置108的用户界面交互来生成消耗数据,以指示人102已消耗的食物(例如,膳食、零食、补充剂等)。在一个示例中,计算装置108经由IoT114接收获取数据。例如,自适应系统314接收包括消耗数据和获取数据的非葡萄糖数据310。自适应系统314(和/或计算装置108)处理消耗数据和获取数据以监测人102消耗的与葡萄糖测量结果118相关的碳水化合物。
为此,在一个示例中,自适应系统314(和/或计算装置108)将由获取数据描述的所获取食物与由消耗数据描述的所消耗食物进行交叉参考。例如,获取数据描述人102获取的各种类型的食物,诸如在杂货店购买和在餐厅购买。自适应系统314(和/或计算装置108)识别由获取数据描述的可能被人102消耗的食物。
在一个示例中,自适应系统314确定经由在餐厅购买获取的食物比经由在杂货店购买获取的食物更可能被人102消耗。在另一个示例中,自适应系统314(和/或计算装置108)可推断一个时间段,在该时间段内经由在餐厅购买获取的食物将可能被人102消耗。在一些示例中,获取数据描述描绘食物的数字图像(例如,经由计算装置108的图像捕获装置捕获的)。在这些示例中,数字图像由计算装置108和/或自适应系统314的机器学习模型来处理以确定哪种所获取的食物可能被人102消耗。例如,基于描述描绘由获取食物的人消耗的食物的第一组数字图像和描绘不由获取食物的人消耗的食物的第二组数字图像的训练数据来训练机器学习模型。
不论自适应系统314(和/或计算装置108)识别由获取数据描述的可能被人102消耗的食物的方式如何,这些识别与由消耗数据描述的消耗食物是相当的。在一个示例中,自适应系统314将所识别的可能由人102消耗的食物与由消耗数据描述的由人102消耗的被消耗食物进行交叉参考。例如,如果自适应系统314(和/或计算装置108)确定被识别为可能被消耗的特定食物当前被消耗数据描述为被消耗食物,则自适应系统314继续处理消耗数据和获取数据以监测由人102消耗的碳水化合物。
如果自适应系统314确定被识别为可能被消耗的特定食物没有被消耗数据描述为被消耗食物(例如,在获取特定食物之后的阈值时间段内),则自适应系统314(和/或计算装置108)处理消耗数据以识别间隙。例如,消耗数据中的间隙是由人102消耗但未被与计算装置108的用户界面交互的人102记录或生成为消耗数据的食物。在一个示例中,自适应系统314(和/或计算装置108)确定消耗数据描述包括两餐(例如,早餐和午餐)的被消耗食物的第一天以及包括三餐(例如,早餐、午餐和晚餐)的被消耗食物的第二天。在该示例中,自适应系统314将消耗数据中的间隙识别为第一天的第三餐,该第三餐可能被人102消耗但未被记录或生成为人102的消耗数据。
继续前一示例,自适应系统314(和/或计算装置108)确定消耗数据中的间隙是否对应于被识别为可能被消耗的未被消耗数据描述为被消耗食物的特定食物。例如,自适应系统314将对应于被识别为可能被消耗的特定食物的获取的时间戳与第一天的第三餐的近似时间进行比较。如果自适应系统314(和/或计算装置108)确定消耗数据中的间隙对应于被识别为可能被消耗的未被消耗数据描述为被消耗食物的特定食物,则自适应系统314可生成指示318作为确认被识别为可能被消耗的特定食物已被人102作为第一天的第三餐而消耗的请求。在该示例中,计算装置108接收指示318并在计算装置108的用户界面中呈现确认请求。
考虑自适应系统314(和/或计算装置108)生成指示318以澄清附加信息作为监测人102消耗的碳水化合物的一部分的示例。在该示例中,获取数据描述从快餐店获取的食物。具体地,获取数据描述人102从快餐店获取两个组合餐。自适应系统314(和/或计算装置108)处理获取数据并确定人102不太可能食用两个组合餐。响应于该确定,自适应系统314生成指示318。计算装置108接收指示318并在计算装置108的用户界面中显示指示318。
如图10所示,在该示例中,指示318是“您食用了两个组合餐中的哪一个?”。例如,计算装置108的用户界面包括用户界面元素1002、1004。人102与用户界面元素1002交互以指示人102食用了“1号”,和/或人102与用户界面元素1004交互以指示人102食用了“4号”。在人102与两个用户界面元素1002、1004交互的示例中,自适应系统314将两个组合餐分类为获取并可能被人102消耗的食物。
自适应系统314(和/或计算装置108)利用消耗数据来支持各种不同功能,诸如估计人102的碳水化合物消耗以及使用所估计的碳水化合物消耗来预测人102的将来葡萄糖水平。如果人102预测的将来葡萄糖水平高于高阈值或低于低阈值,则自适应系统314可生成指示318作为警报,这为人102提供了增加人102的范围内时间(TIR)的机会。在一个示例中,自适应系统314使用人102的估计碳水化合物消耗来识别人102的血液葡萄糖水平与碳水化合物的消耗之间的关系,该关系可在人102与用户群体110之间不同。
例如,人102对碳水化合物消耗的血液葡萄糖水平响应可能不被用户群体110中的另一人分享。在其他示例中,自适应系统314在形成概率模型时利用人102的估计碳水化合物消耗,以便通过将观测到的用户葡萄糖值与碳水化合物消耗事件相关联来改善模型的准确性。在一个示例中,自适应系统314(和/或计算装置108)使用人102的估计碳水化合物消耗作为对人102的膳食和锻炼计划的决策支持的一部分以最大化人102的TIR。
图11示出了用于膳食计划中的决策支持的用户界面的表示1100。在表示1100中,CGM系统104包括加速度计和心率监测器,例如,附加传感器220包括加速度计和心率监测器。加速度计测量由人102的移动引起的力,并且传感器模块204从加速度计接收描述所测量的力的通信。传感器模块204处理来自加速度计的这些通信以生成描述人102迈出的步数的步数数据。例如,计算装置108接收包括描述人102迈出的步数的步数数据的CGM装置数据214。
心率监测器测量对应于人102的心脏跳动的血容量变化。传感器模块204从心率监测器接收描述对应于人102的心脏跳动的血容量变化的通信。在一个示例中,传感器模块204生成描述对应于人102的心脏跳动的血容量变化的心率数据。在该示例中,计算装置108接收包括描述对应于人102的心脏跳动的血容量变化的心率数据的CGM装置数据214。
考虑自适应系统314使用如上所述的人102的估计碳水化合物消耗连同步数数据和心率数据来形成膳食计划模型的示例,该膳食计划模型可以是概率模型、经训练的机器学习模型等等。例如,虚拟容器306限制对描述人102的历史估计碳水化合物消耗的历史碳水化合物数据、描述人102的历史迈步步数的历史步数数据、描述人102的历史测量心率值的历史心率数据和/或描述人102的历史葡萄糖值的历史葡萄糖数据的访问。在膳食计划模型被实现为概率模型的示例中,自适应系统314将膳食计划模型形成为三个单独的概率模型。
继续前一示例,第一概率模型基于历史碳水化合物数据和历史葡萄糖数据形成,使得第一概率模型接收碳水化合物消耗值和用户葡萄糖值作为输入,并且第一概率模型在基于历史数据观测到碳水化合物消耗值的情况下输出观测到用户葡萄糖值的概率。第二概率模型基于历史心率数据和历史葡萄糖数据形成,使得第二概率模型接收心率变异性值和用户葡萄糖值作为输入,并且第二概率模型在基于历史数据观测到心率变异性值的情况下输出观测到用户葡萄糖值的概率。第三概率模型基于历史步数数据和历史葡萄糖数据形成,使得第三率模型接收步数计数值和用户葡萄糖值作为输入,并且第三概率模型在基于历史数据观测到步数计数值的情况下输出观测到用户葡萄糖值的概率。
在膳食计划模型被实现为机器学习模型的示例中,历史碳水化合物数据、历史步数数据、历史心率数据和/或历史葡萄糖数据被用作训练机器学习模型的训练数据。通过使用观测到的碳水化合物消耗值、观测到的步数计数值、观测到的心率变异性值和观测到的用户葡萄糖值的实例作为训练数据,机器学习模型学习学习在给定观测到的碳水化合物消耗值、观测到的步数计数值和/或观测到的心率变异性值的情况下预测用户葡萄糖值。在一些示例中,训练数据包括成对的以下值:观测到的碳水化合物消耗值和对应的观测到的用户葡萄糖值;观测到的步数计数值和对应的观测到的用户葡萄糖值;以及观测到的心率变异性值和对应的观测到的用户葡萄糖值。
如图11所示,自适应系统314(和/或计算装置108)利用膳食计划模型为膳食计划提供决策支持。例如,使用膳食计划模型,自适应系统314确定在人102的下一餐消耗最少量的碳水化合物将增大增加人102的TIR的可能性。基于该确定,自适应系统314生成指示318以通知人102应避免碳水化合物含量高的下一餐。如图所示,计算装置108接收在计算装置的用户界面中显示为“基于您的步数计数和您的HRV,今天的午餐最好是低卡路里的。您想要从本地餐厅了解一些菜单选项吗?”的指示318。用户界面还包括用户界面元素1102、1104。人102与用户界面元素1102交互以查看菜单选项,或人102与用户界面元素1104交互以清除指示318。
考虑自适应系统314使用历史碳水化合物数据、历史步数数据、历史心率数据和/或历史葡萄糖数据来减少针对人102生成和/或显示的多条滋扰警报或预警的示例。在该示例中,自适应系统314(和/或计算装置108)使用在对应于由葡萄糖数据308描述的最近用户葡萄糖值的时间戳的时间处结束的时间窗口来处理葡萄糖数据308。如果由葡萄糖数据308描述的最近用户葡萄糖值高于高葡萄糖水平阈值或低于低葡萄糖水平阈值,则自适应系统314生成作为预警的指示318。如果由葡萄糖数据308描述的用户葡萄糖值的趋势指示人102的葡萄糖水平将很快太高或太低,则自适应系统314生成作为警报的指示318。
然而,在一些示例中,自适应系统314基于人102的葡萄糖水平的表现为人102的葡萄糖水平很快将太高或太低的假阳性趋势的正常波动生成作为警报的指示318。在这些示例中,指示318是滋扰警报。例如,自适应系统314使用历史碳水化合物数据、历史步数数据、历史心率数据和/或历史葡萄糖数据来降低生成滋扰警报的可能性。
为此,自适应系统314(和/或计算装置108)首先识别由葡萄糖数据308描述的用户葡萄糖值的趋势,该趋势指示人102的葡萄糖水平将很快太高或太低。在基于葡萄糖数据308中所识别的趋势生成作为警报的指示318之前,自适应系统314从历史碳水化合物数据、历史步数数据和/或历史心率数据识别也指示人102的葡萄糖水平将很快太高或太低的至少一个支持趋势。例如,如果自适应系统314(和/或计算装置108)识别由葡萄糖数据308描述的用户葡萄糖值的趋势,并且如果自适应系统314从历史碳水化合物数据、历史步数数据和/或历史心率数据识别至少一个支持趋势,则自适应系统314生成作为警报的指示318。另选地,如果自适应系统314识别出由葡萄糖数据308描述的用户葡萄糖值的趋势,并且如果自适应系统314没有识别出至少一个支持趋势,则自适应系统314不生成作为警报的指示318。通过以这种方式利用至少一个支持趋势,自适应系统314显著地减少了针对人102生成和显示的滋扰警报的数量。
图12示出了用于设置连续葡萄糖监测(CGM)系统的用户界面的表示1200。在一个示例中,计算装置108基于CGM装置数据214的源来改变用户界面中的显示。例如,CGM装置数据214来自指示人102应设置用于监测人102的葡萄糖值的新应用程序的源。如图所示,计算装置108基于CGM装置数据214的源显示用户界面元素1202、1204、1206。在一个示例中,人102与用户界面元素1202交互以设置账户。例如,人102与用户界面元素1204交互以下载数据。在一个示例中,人102与用户界面元素1206交互以上传数据。
异步显示速率
例如,计算装置108基于CGM装置数据214的源来改变用户界面的显示速率。在一些示例中,用户界面的显示速率是异步的,而在其他示例中,用户界面的显示速率基于CGM装置数据214的源是同步的。在一个示例中,CGM系统104每隔30秒将CGM装置数据214传输到计算装置108,并且计算装置108使用CGM装置数据214的源和CGM装置数据214的传输速率来改变用户界面的显示速率。
考虑计算装置108基于计算装置108的装置类型来修改用于显示葡萄糖测量结果118的显示速率以最小化计算装置108的功耗的示例。例如,计算装置108异步地显示葡萄糖测量结果118以最小化计算装置108的功耗。在该示例中,CGM系统104每隔30秒将CGM装置数据214传输到计算装置108。在计算装置108是智能电话的示例中,计算装置108每分钟显示一次葡萄糖测量结果118以最大化计算装置108的电池寿命。在计算装置108是智能手表的示例中,计算装置108每五分钟显示一次葡萄糖测量结果118以最大化计算装置108的电池寿命。
例如,如果计算装置108是低资源装置,则计算装置108降低葡萄糖测量结果118的显示速率,而如果计算装置108不是低资源装置,则计算装置108提高葡萄糖测量结果118的显示速率。在一些示例中,计算装置108基于人102的分类来改变葡萄糖测量结果118的显示速率。在一个示例中,如果人102是作为付费订阅的一部分的高级用户,则计算装置108在从CGM系统104接收到葡萄糖测量结果118时每30秒显示一次葡萄糖测量结果。如果人102不是作为付费订阅的一部分的高级用户,则计算装置108每两分钟显示一次葡萄糖测量结果118。
考虑计算装置108基于人102是患有1型还是2型糖尿病来改变葡萄糖测量结果118的显示速率的示例。在该示例中,如果人102患有1型糖尿病,则计算装置108在从CGM系统104接收到葡萄糖测量结果118时每30秒显示一次葡萄糖测量结果。如果人102患有2型糖尿病,则计算装置108每分钟显示一次葡萄糖测量结果118。例如,如果人102不患有1型或2型糖尿病,则计算装置108每五分钟显示一次葡萄糖测量结果118。
在一些示例中,计算装置108基于向计算装置108供电的电源(例如,电池)的电荷剩余量来改变葡萄糖测量结果118的显示速率。在一个示例中,如果电源的电荷剩余量大于第一电荷阈值(例如,50%),则计算装置108在计算装置108接收CGM装置数据214时每30秒显示一次葡萄糖测量结果118。例如,如果电源的电荷剩余量低于第一电荷阈值并且高于第二电荷阈值(例如,10%),则计算装置108每分钟显示一次葡萄糖测量结果118。在一个示例中,如果电源的电荷剩余量低于第二电荷阈值,则计算装置108每五分钟显示一次葡萄糖测量结果118。
图13示出了用于连续葡萄糖监测(CGM)系统的测试预警的用户界面的表示1300。在一些示例中,计算装置108是由美国食品和药品管理局(USFDA)定义的医疗装置。在这些示例中,计算装置108遵循医疗装置法规和要求。在计算装置108是医疗装置的一个示例中,计算装置108遵循上市前清关或批准、医疗装置设计和制造标准、医疗装置报告标准等。
例如,如果计算装置108是医疗装置,则医疗装置指令和国际标准规定了对计算装置108生成的预警的要求。此类要求的示例包括音量要求、可读性要求、持续时间要求等。在一个示例中,计算装置108的用户不能调整由计算装置108生成的预警的设置。在该示例中,当计算装置108是医疗装置时,计算装置108的用户可能不能将针对预警的音量减小到低于特定音量水平。
在其他示例中,计算装置108不是由USFDA定义的医疗装置。在这些示例中,计算装置108可从不被定义为医疗装置的医疗装置(例如,CGM系统104)接收数据。在计算装置108不是医疗装置的示例中,计算装置108不遵循对医疗装置生成的预警的要求。在一个示例中,计算装置108的用户能够调整由计算装置108生成的预警的设置。
预警测试
如表示1300所示,计算装置108的用户界面正显示预警测试界面。预警测试界面显示“这将生成对应于可基于您的设置而输出的最高风险预警的预警”。用户界面还包括用户界面元素1302、1304。例如,不论计算装置108是或不是医疗装置,人102都与用户界面元素1302交互以生成最高风险预警(例如,最响亮、最长、最亮等)。这使得人102查看和/或听到最高风险预警,从而防止在自适应系统314生成作为最高风险预警的指示318的情况下使人102产生不必要的焦虑。
例如,人102与用户界面元素1304交互以清除预警测试界面。在一个示例中并且响应于人员102与用户界面元素1304交互,计算装置108显示能够由人员102调整的针对预警的设置的指示。通过使人102经历最高风险预警而不论计算装置108是否是医疗装置,人102理解在自适应系统314生成作为最高风险预警的指示318的情况下应期望什么。在一些示例中,这避免了在自适应系统314生成作为最高风险预警的指示318并且人102之前没有看到和/或听到最高风险预警的情况下使人102迷惑和/或受到惊吓。
示例性程序
本部分描述了用于确定葡萄糖值的序列相似性的示例性程序。程序的各方面可在硬件、固件、或软件、或其组合中实现。程序被示为指定由一个或多个装置执行的操作的一组块并且不一定限于所示的用于由各个块执行操作的次序。图14是描绘示例性具体实施中的程序1400的流程图,其中接收描述用户葡萄糖值的葡萄糖数据,基于葡萄糖传感器的插入部位的位置生成经修改的葡萄糖数据,并且生成经修改的葡萄糖数据的指示用于显示在用户界面中。接收描述由连续葡萄糖监测(CGM)系统的葡萄糖传感器测量的用户葡萄糖值的葡萄糖数据(框1402),葡萄糖传感器被插入在插入部位处。例如,自适应系统314接收描述由CGM系统104的葡萄糖传感器测量的用户葡萄糖值的葡萄糖数据308。
访问描述由CGM系统的加速度计测量的力的取向数据(框1404)。在一个示例中,自适应系统314访问非葡萄糖数据310中包括的取向数据304。基于取向数据来确定插入部位的位置(框1406)。在一些示例中,自适应系统314基于取向数据304来确定插入部位的位置。通过基于插入部位的位置修改用户葡萄糖值生成经修改的葡萄糖数据(框1408)。例如,自适应系统314基于插入部位的位置生成经修改的葡萄糖数据。生成经修改的葡萄糖数据的指示用于显示在显示装置的用户界面中(框1410)。在一个示例中,自适应系统314生成经修改的葡萄糖数据的指示。
图15是描绘示例性具体实施中的程序1500的流程图,其中接收描述用户葡萄糖值的葡萄糖数据,基于葡萄糖传感器的插入部位的异常生成经修改的葡萄糖数据,并且生成经修改的葡萄糖数据的指示用于显示在用户界面中。接收描述由连续葡萄糖监测(CGM)系统的葡萄糖传感器测量的用户葡萄糖值的葡萄糖数据(框1502),葡萄糖传感器被插入在插入部位处。例如,自适应系统314接收描述由CGM系统104的葡萄糖传感器测量的用户葡萄糖值的葡萄糖数据308。访问描述由CGM系统的光电二极管测量的反射光的光数据(框1504)。在一些示例中,自适应系统314访问光数据。
基于光数据来确定插入部位的异常(框1506)。例如,自适应系统314基于光数据来确定插入部位的异常。通过基于插入部位的异常修改用户葡萄糖值生成经修改的葡萄糖数据(框1508)。在一个示例中,自适应系统314基于插入部位的异常生成经修改的葡萄糖数据。生成经修改的葡萄糖数据的指示用于显示在显示装置的用户界面中(框1510)。在一个示例中,自适应系统314生成经修改的葡萄糖数据的指示。
图16是描绘示例性具体实施中程序1600的流程图,其中接收描述用户葡萄糖值的葡萄糖数据,基于非葡萄糖数据来确定修改量,并且通过基于修改量修改用户葡萄糖值生成经修改的葡萄糖数据。接收描述由连续葡萄糖监测(CGM)系统的葡萄糖传感器测量的用户葡萄糖值的葡萄糖数据(框1602)。在一个示例中,自适应系统314接收描述用户葡萄糖值的葡萄糖数据308。访问描述CGM系统的用户的历史心率变异性值的非葡萄糖数据(框1604)。例如,自适应系统314访问非葡萄糖数据310。
基于非葡萄糖数据来确定修改量(框1606)。在一个示例中,自适应系统314确定修改量。通过基于修改量修改用户葡萄糖值生成经修改的葡萄糖数据(框1608)。在一个示例中,自适应系统314生成经修改的葡萄糖数据。生成经修改的葡萄糖数据的指示用于显示在显示装置的用户界面中(框1610)。例如,自适应系统314生成经修改的葡萄糖数据的指示。
图17是描绘示例性具体实施中的程序1700的流程图,其中接收描述历史用户葡萄糖值的会话数据,通过从由葡萄糖传感器在时间窗口期间测量的会话数据中移除历史用户葡萄糖值生成经修改的会话数据,并且基于经修改的会话数据生成葡萄糖值报告。接收描述由连续葡萄糖监测(CGM)系统的葡萄糖传感器测量的历史用户葡萄糖值的历史会话信息(框1702)。例如,自适应系统314接收历史会话数据。
通过从由葡萄糖传感器在时间窗口期间测量的会话数据中移除历史用户葡萄糖值生成经修改的会话数据,该时间窗口在对应于由会话数据描述的最老历史用户葡萄糖值的时间戳的时间处开始(框1704)。在一个示例中,自适应系统314生成经修改的会话数据。基于经修改的会话数据生成葡萄糖值报告(框1706)。例如,自适应系统314基于经修改的会话数据生成葡萄糖值报告。生成葡萄糖值报告的指示用于显示在显示装置的用户界面中(框1708)。在一些示例中,自适应系统314生成葡萄糖值报告的指示。
图18是描绘示例性具体实施中的程序1800的流程图,其中接收描述用户葡萄糖值的葡萄糖数据,基于描述CGM系统的用户的历史出汗值的非葡萄糖数据来确定修改量,并且通过基于修改量修改用户葡萄糖值生成经修改的葡萄糖数据。接收描述由连续葡萄糖监测(CGM)系统的葡萄糖传感器测量的用户葡萄糖值的葡萄糖数据(框1802)。例如,自适应系统314接收葡萄糖数据。访问描述CGM系统的用户的历史出汗值的非葡萄糖数据(框1804)。在一个示例中,自适应系统314访问非葡萄糖数据。
基于非葡萄糖数据来确定修改量(框1806)。在一些示例中,自适应系统314确定修改量。通过基于修改量修改用户葡萄糖值生成经修改的葡萄糖数据(框1808)。在一些示例中,自适应系统314生成经修改的葡萄糖数据。生成经修改的葡萄糖数据的指示用于显示在显示装置的用户界面中(框1810)。例如,自适应系统314生成经修改的葡萄糖数据的指示。
图19是描绘示例性具体实施中的程序1900的流程图,其中接收描述用户葡萄糖值的葡萄糖数据,预测葡萄糖值事件,并且因为没有发生葡萄糖值事件而生成经修改的葡萄糖数据。接收描述由连续葡萄糖监测(CGM)系统的葡萄糖传感器测量的用户葡萄糖值的葡萄糖数据(框1902)。在一个示例中,自适应系统314接收葡萄糖数据。访问描述CGM系统的用户迈出的历史步数的非葡萄糖数据(框1904)。例如,自适应系统314访问描述CGM系统的用户迈出的历史步数的非葡萄糖数据。
基于CGM系统的用户迈出的历史步数来预测针对用户葡萄糖值的葡萄糖值事件(框1906)。在一个示例中,自适应系统314预测针对用户葡萄糖值的葡萄糖值事件。基于葡萄糖数据来确定没有发生葡萄糖值事件(框1908)。在一个示例中,自适应系统314基于葡萄糖数据来确定没有发生葡萄糖值事件。因为没有发生葡萄糖值事件,所以通过修改用户葡萄糖值生成经修改的葡萄糖数据(框1910)。在一个示例中,自适应系统314生成经修改的葡萄糖数据。生成经修改的葡萄糖数据的指示用于显示在显示装置的用户界面中(框1912)。例如,自适应系统314生成经修改的葡萄糖数据的指示。
图20是描绘示例性具体实施中的程序2000的流程图,其中接收描述用户葡萄糖值的葡萄糖数据,识别葡萄糖传感器的插入部位的位置,并且基于插入部位的位置生成葡萄糖数据中包括的误差分量的指示用于显示在用户界面中。接收描述由连续葡萄糖监测(CGM)系统的葡萄糖传感器测量的用户葡萄糖值的葡萄糖数据,葡萄糖传感器被插入在插入部位处(框2002)。在一个示例中,自适应系统314接收葡萄糖数据。访问描述由CGM系统的加速度计测量的力的取向数据(框2004)。例如,自适应系统314访问取向数据。
基于取向数据识别插入部位的位置(框2006)。在一个示例中,自适应系统314识别插入部位的位置。确定插入部位的位置不是CGM系统的用户的腹部或臀部(框2008)。在一个示例中,自适应系统314确定插入部位的位置不是CGM系统的用户的腹部或臀部。基于插入部位的位置生成葡萄糖数据中包括的误差分量的指示用于显示在显示装置的用户界面中(框2010)。在一些示例中,自适应系统314生成误差分量的指示。
示例性系统和装置
图21示出了总体上以2100表示的示例性系统,该示例性系统包括示例性计算装置2102,该示例性计算装置代表可实现本文所述的各种技术的一个或多个计算系统和/或装置。这通过将CGM平台112包含在内来示出。计算装置2102可以是例如服务提供方的服务器、与客户端相关联的装置(例如,客户端装置)、片上系统和/或任何其他合适的计算装置或计算系统。
如图所示,示例性计算装置2102包括处理系统2104、一个或多个计算机可读介质2106以及彼此通信地联接的一个或多个I/O接口2108。尽管未示出,但计算装置2102还可包括将各种部件彼此联接的系统总线或其他数据和命令转移系统。系统总线可包括不同总线结构中的任一总线结构或它们的组合,诸如存储器总线或存储器控制器、外围总线、通用串行总线和/或利用多种总线架构中的任一总线架构的处理器或本地总线。还可以设想多种其他示例,诸如控制线和数据线。
处理系统2104代表使用硬件执行一个或多个操作的功能。因此,处理系统2104示为包括可被配置成处理器、功能块等的硬件元件2110。这可包括在硬件中实现为专用集成电路或使用一个或多个半导体形成的其他逻辑装置。硬件元件2110不受形成它们的材料或其中采用的处理机制的限制。例如,处理器可包括半导体和/或晶体管(例如,电子集成电路(IC))。在这种上下文中,处理器可执行指令可以是电子可执行指令。
计算机可读介质2106示为包括存储器/存储设备2112。存储器/存储设备2112表示与一个或多个计算机可读介质相关联的存储器/存储容量。存储器/存储部件2112可包括易失性介质(诸如随机存取存储器(RAM))和/或非易失性介质(诸如只读存储器(ROM)、闪存存储器、光盘、磁盘等)。存储器/存储部件2112可包括固定介质(例如,RAM、ROM、固定硬盘驱动器、其组合等)以及可移动介质(例如,闪存存储器、可移动硬盘驱动器、光盘、其组合等)。计算机可读介质2106可以多种其他方式配置,如下文进一步详细描述的。
输入/输出接口2108代表使用户能够向计算装置2102输入命令和/或信息,并且能够使用各种输入/输出装置向用户和/或其他部件或装置呈现信息的功能。输入装置的示例包括键盘、光标控制装置(例如,鼠标)、麦克风、扫描仪、触摸功能(例如,电容传感器或被配置成检测物理触摸的其他传感器)、相机(例如,被配置成采用可见波长或不可见波长(诸如红外频率)来将移动识别为不涉及触摸的手势的装置)等。输出装置的示例包括显示装置(例如,监测器或投影仪)、扬声器、打印机、网卡、触觉响应装置等。因此,计算装置2102可以如下文进一步描述的各种方式来配置以支持用户交互。
本文可在软件、硬件元件或程序模块的一般上下文中描述各种技术。一般来讲,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、元件、部件、数据结构等。本文使用的术语“模块”、“功能”和“部件”通常表示软件、固件、硬件或其组合。本文所述的技术的特征是平台无关的,这意味着这些技术可在具有多种处理器的多种商业计算平台上实现。
所描述的模块和技术的具体实施可存储在某种形式的计算机可读介质上或跨某种形式的计算机可读介质传输。计算机可读介质可包括可由计算装置2102访问的多种介质。以举例而非限制的方式,计算机可读介质可包括“计算机可读存储介质”和“计算机可读信号介质”。
“计算机可读存储介质”可指能够持久地和/或非暂态地存储信息的介质和/或装置,而不仅仅是信号传输、载波或信号本身。因此,计算机可读存储介质是指非信号承载介质。计算机可读存储介质包括诸如易失性和非易失性、可移动和不可移动介质和/或存储装置的硬件,该硬件以适合于存储诸如计算机可读指令、数据结构、程序模块、逻辑元件/电路或其他数据的信息的方法或技术实现。计算机可读存储介质的示例可包括但不限于RAM、ROM、EEPROM、闪存存储器或其他存储技术、CD-ROM、数字多功能盘(DVD)或其他光学存储设备、硬盘、盒式磁带、磁带、磁盘存储设备或其他磁存储装置、或其他存储装置、有形介质、或适于存储所需信息并可由计算机访问的制品。
“计算机可读信号介质”可指被配置成诸如经由网络向计算装置2102的硬件传输指令的信号承载介质。信号介质通常可在调制数据信号(诸如载波、数据信号或其他传送机制)中体现计算机可读指令、数据结构、程序模块或其他数据。信号介质还包括任何信息递送介质。术语“调制数据信号”是指其特性中的一个或多个特性以编码信号中信息的方式设置或改变的信号。以举例而非限制的方式,通信介质包括诸如有线网络或直接有线连接的有线介质,以及诸如声介质、RF介质、红外介质和其他无线介质的无线介质。
如先前所描述,硬件元件2110和计算机可读介质2106代表以硬件形式实现的模块、可编程装置逻辑和/或固定装置逻辑,其可在一些实施方案中用于实现本文所述技术的至少一些方面,以执行一个或多个指令。硬件可包括集成电路或片上系统、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、复杂可编程逻辑器件(CPLD)以及硅或其他硬件中的其他具体实施的部件。在此上下文中,硬件可作为执行由硬件体现的指令和/或逻辑定义的程序任务的处理装置,以及用于存储用于执行的指令的硬件(例如,本文所述的计算机可读存储介质)来操作。
也可采用前述的组合来实现本文所述的各种技术。因此,软件、硬件或可执行模块可被实现为在某种形式的计算机可读存储介质上体现和/或由一个或多个硬件元件2110体现的一个或多个指令和/或逻辑。计算装置2102可被配置成实现对应于软件和/或硬件模块的特定指令和/或功能。因此,例如,通过使用计算机可读存储介质和/或处理系统2104的硬件元件2110,可至少部分地以硬件实现可由计算装置2102作为软件执行的模块的具体实施。指令和/或功能可由一个或多个制品(例如,一个或多个计算装置2102和/或处理系统2104)执行/操作,以实现本文所述的技术、模块和示例。
本文所述的技术可由计算装置2102的各种配置支持,并且不限于本文所述的技术的具体示例。此功能还可全部或部分地通过使用分布式系统来实现,诸如经由平台2116在“云”2114上实现,如下所述。
云2114包括和/或代表用于资源2118的平台2116。平台2116抽象云2114的硬件(例如,服务器)和软件资源的底层功能。资源2118可包括当在远离计算装置2102的服务器上执行计算机处理时可以利用的应用程序和/或数据。资源2118还可包括通过互联网和/或通过诸如蜂窝或Wi-Fi网络的订户网络提供的服务。
平台2116可抽象化资源和功能以将计算装置2102与其他计算装置连接。平台2116还可用于抽象化资源的缩放以提供对应的缩放级别,以满足对经由平台2116实现的资源2118的需求。因此,在互连的装置实施方案中,本文所述的功能的具体实施可分布在整个系统2100中。例如,该功能可部分地在计算装置2102上实现以及经由抽象化云2114的功能的平台2116来实现。
结论
尽管已经以结构特征和/或方法动作专用的语言描述了系统和技术,但应当理解,所附权利要求中定义的系统和技术不一定限于所描述的特定特征或动作。相反,特定特征或动作被公开为实现要求保护的主题的示例性形式。
Claims (33)
1.一种由计算装置实现的方法,所述方法包括:
接收描述由连续葡萄糖监测(CGM)系统的葡萄糖传感器测量的用户葡萄糖值的葡萄糖数据,所述葡萄糖传感器被插入在插入部位处;
访问描述由所述CGM系统的加速度计测量的力的取向数据;
基于所述取向数据来确定所述插入部位的位置;
通过基于所述插入部位的所述位置修改所述用户葡萄糖值生成经修改的葡萄糖数据;以及
生成所述经修改的葡萄糖数据的指示用于显示在显示装置的用户界面中。
2.根据权利要求1所述的方法,还包括:
访问描述各自与所述插入部位的可能位置相关联的特征力模式的特征数据;
将由所述加速度计测量的所述力与所述特征力模式进行比较;以及
将特定特征力模式识别为对应于由所述加速度计测量的所述力,所述特定特征力模式与所述插入部位的所述位置相关联。
3.根据权利要求1所述的方法,还包括:
以被配置用于由机器学习模型处理的格式来格式化所述取向数据,所述机器学习模型被训练成使用描述各自与插入部位的可能位置相关联的特征力模式的训练数据对所述插入部位的位置进行分类;
由所述机器学习模型处理所述格式的所述取向数据;以及
基于处理所述格式的所述取向数据由所述机器学习模型生成所述插入部位的所述位置的指示。
4.根据权利要求1所述的方法,其中所述插入部位的所述位置不是所述CGM系统的用户的腹部或臀部。
5.根据权利要求4所述的方法,其中所述葡萄糖数据包括基于所述插入部位的所述位置的误差分量并且所述经修改的葡萄糖数据不包括所述误差分量。
6.根据权利要求1所述的方法,还包括:
确定所述插入部位的所述位置的风险分类;以及
生成所述风险分类的指示用于显示在所述显示装置的所述用户界面中。
7.根据权利要求1所述的方法,还包括生成用于显示在所述显示装置的所述用户界面中的用以从所述CGM系统的用户接收确认指示的确认提示,所述确认指示确认所述插入部位的所述位置。
8.一种由计算装置实现的方法,所述方法包括:
接收描述由连续葡萄糖监测(CGM)系统的葡萄糖传感器测量的用户葡萄糖值的葡萄糖数据,所述葡萄糖传感器被插入在插入部位处;
访问描述由所述CGM系统的光电二极管传感器测量的反射光的光数据;
基于所述光数据来确定所述插入部位的异常;
通过基于所述插入部位的所述异常修改所述用户葡萄糖值生成经修改的葡萄糖数据;以及
生成所述经修改的葡萄糖数据的指示用于显示在显示装置的用户界面中。
9.根据权利要求8所述的方法,其中所述插入部位的所述异常是纹身、疤痕组织或皮肤刺激。
10.根据权利要求8所述的方法,其中所述反射光由所述CGM系统的发光二极管传输。
11.根据权利要求8所述的方法,还包括:
确定所述插入部位的所述异常的风险分类;以及
生成所述风险分类的指示用于显示在所述显示装置的所述用户界面中。
12.根据权利要求8所述的方法,其中所述葡萄糖数据包括基于所述插入部位的所述异常的误差分量并且所述经修改的葡萄糖数据不包括所述误差分量。
13.根据权利要求8所述的方法,还包括生成用于显示在所述显示装置的所述用户界面中的用以从所述CGM系统的用户接收确认指示的确认提示,所述确认指示确认所述插入部位的所述异常。
14.一种由计算装置实现的方法,所述方法包括:
接收描述由连续葡萄糖监测(CGM)系统的葡萄糖传感器测量的用户葡萄糖值的葡萄糖数据;
访问描述所述CGM系统的用户的历史心率变异性值的非葡萄糖数据;
基于所述非葡萄糖数据来确定修改量;
通过基于所述修改量修改所述用户葡萄糖值生成经修改的葡萄糖数据;以及
生成所述经修改的葡萄糖数据的指示用于显示在显示装置的用户界面中。
15.根据权利要求14所述的方法,还包括:
基于所述用户的所述历史心率变异性值来识别所述葡萄糖数据中包括的误差分量;以及
基于所述误差分量来确定所述修改量。
16.根据权利要求15所述的方法,其中所述经修改的葡萄糖数据不包括所述误差分量。
17.根据权利要求15所述的方法,还包括:
确定所述误差分量的风险分类;以及
生成所述风险分类的指示用于显示在所述显示装置的所述用户界面中。
18.根据权利要求14所述的方法,其中通过所述CGM系统的心率监测器测量历史心率变异性值。
19.一种由计算装置实现的方法,所述方法包括:
接收描述由连续葡萄糖监测(CGM)系统的葡萄糖传感器测量的历史用户葡萄糖值的会话数据;
通过从由所述葡萄糖传感器在时间窗口期间测量的所述会话数据中移除历史用户葡萄糖值生成经修改的会话数据,所述时间窗口在对应于由所述会话数据描述的最老历史用户葡萄糖值的时间戳的时间处开始;
基于所述经修改的会话数据生成葡萄糖值报告;以及
生成所述葡萄糖值报告的指示用于显示在显示装置的用户界面中。
20.根据权利要求19所述的方法,其中从虚拟容器接收所述会话数据,所述虚拟容器基于与对所述会话数据的访问相关联的风险分类来限制对所述会话数据的所述访问。
21.根据权利要求19所述的方法,其中所述时间窗口在对应于所述时间戳的所述时间之后24小时的时间处结束。
22.一种由计算装置实现的方法,所述方法包括:
接收描述由连续葡萄糖监测(CGM)系统的葡萄糖传感器测量的用户葡萄糖值的葡萄糖数据;
访问描述所述CGM系统的用户的历史出汗值的非葡萄糖数据;
基于所述非葡萄糖数据来确定修改量;
通过基于所述修改量修改所述用户葡萄糖值生成经修改的葡萄糖数据;以及
生成所述经修改的葡萄糖数据的指示用于显示在显示装置的用户界面中。
23.根据权利要求22所述的方法,还包括:
基于所述用户的所述历史出汗值来识别所述葡萄糖数据中包括的误差分量;以及
基于所述误差分量来确定所述修改量。
24.根据权利要求23所述的方法,其中所述经修改的葡萄糖数据不包括所述误差分量。
25.根据权利要求23所述的方法,还包括:
确定所述误差分量的风险分类;以及
生成所述风险分类的指示用于显示在所述显示装置的所述用户界面中。
26.一种由计算装置实现的方法,所述方法包括:
接收描述由连续葡萄糖监测(CGM)系统的葡萄糖传感器测量的用户葡萄糖值的葡萄糖数据;
访问描述所述CGM系统的用户迈出的历史步数的非葡萄糖数据;
基于所述CGM系统的所述用户迈出的所述历史步数来预测针对所述用户葡萄糖值的葡萄糖值事件;
基于所述葡萄糖数据来确定没有发生所述葡萄糖值事件;
因为没有发生所述葡萄糖值事件,所以通过修改所述用户葡萄糖值生成经修改的葡萄糖数据;以及
生成所述经修改的葡萄糖数据的指示用于显示在显示装置的用户界面中。
27.根据权利要求26所述的方法,其中所述非葡萄糖数据至少部分地根据由所述CGM系统的加速度计测量的力生成。
28.根据权利要求26所述的方法,其中所述葡萄糖数据因为没有发生所述葡萄糖值事件而包括误差分量,并且其中所述经修改的葡萄糖数据不包括所述误差分量。
29.根据权利要求26所述的方法,还包括生成用于显示在所述显示装置的所述用户界面中的用以从所述CGM系统的用户接收确认指示的确认提示,所述确认指示确认没有发生所述葡萄糖值事件。
30.一种由计算装置实现的方法,所述方法包括:
接收描述由连续葡萄糖监测(CGM)系统的葡萄糖传感器测量的用户葡萄糖值的葡萄糖数据,所述葡萄糖传感器被插入在插入部位处;
访问描述由所述CGM系统的加速度计测量的力的取向数据;
基于所述取向数据识别所述插入部位的位置;
确定所述插入部位的所述位置不是所述CGM系统的用户的腹部或臀部;以及
基于所述插入部位的所述位置生成所述葡萄糖数据中包括的误差分量的指示用于显示在显示装置的用户界面中。
31.根据权利要求30所述的方法,还包括通过基于所述插入部位的所述位置修改所述用户葡萄糖值生成经修改的葡萄糖数据,所述经修改的葡萄糖数据不包括所述误差分量。
32.根据权利要求30所述的方法,还包括:
确定所述插入部位的所述位置的风险分类;以及
生成所述风险分类的指示用于显示在所述显示装置的所述用户界面中。
33.根据权利要求30所述的方法,还包括生成用于显示在所述显示装置的所述用户界面中的用以从所述CGM系统的用户接收确认指示的确认提示,所述确认指示确认所述插入部位的所述位置。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202163189460P | 2021-05-17 | 2021-05-17 | |
US63/189,460 | 2021-05-17 | ||
PCT/US2022/029683 WO2022245860A1 (en) | 2021-05-17 | 2022-05-17 | Adaptive systems for continuous glucose monitoring |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117256032A true CN117256032A (zh) | 2023-12-19 |
Family
ID=82492524
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280026361.6A Pending CN117256032A (zh) | 2021-05-17 | 2022-05-17 | 用于连续葡萄糖监测的自适应系统 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20220378337A1 (zh) |
EP (1) | EP4341954A1 (zh) |
CN (1) | CN117256032A (zh) |
AU (1) | AU2022279144A1 (zh) |
CA (1) | CA3204069A1 (zh) |
WO (1) | WO2022245860A1 (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140012118A1 (en) * | 2012-07-09 | 2014-01-09 | Dexcom, Inc. | Systems and methods for leveraging smartphone features in continuous glucose monitoring |
US10335075B2 (en) * | 2013-03-14 | 2019-07-02 | Dexcom, Inc. | Advanced calibration for analyte sensors |
CA3017255C (en) * | 2016-05-02 | 2023-10-24 | Dexcom, Inc. | System and method for providing alerts optimized for a user |
-
2022
- 2022-05-17 EP EP22741024.8A patent/EP4341954A1/en active Pending
- 2022-05-17 WO PCT/US2022/029683 patent/WO2022245860A1/en active Application Filing
- 2022-05-17 CA CA3204069A patent/CA3204069A1/en active Pending
- 2022-05-17 CN CN202280026361.6A patent/CN117256032A/zh active Pending
- 2022-05-17 US US17/746,743 patent/US20220378337A1/en active Pending
- 2022-05-17 AU AU2022279144A patent/AU2022279144A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
EP4341954A1 (en) | 2024-03-27 |
AU2022279144A1 (en) | 2023-11-30 |
WO2022245860A1 (en) | 2022-11-24 |
CA3204069A1 (en) | 2022-11-24 |
US20220378337A1 (en) | 2022-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11653860B2 (en) | Recommendations based on continuous glucose monitoring | |
US11712182B2 (en) | Multi-state engagement with continuous glucose monitoring systems | |
JP2023529261A (ja) | 積み重ねられた機械学習モデルを使用したグルコース測定値予測 | |
CN115552242A (zh) | 使用机器学习和时间序列葡萄糖测量值的葡萄糖预测 | |
US20210343402A1 (en) | Hypoglycemic event prediction using machine learning | |
US20220378337A1 (en) | Adaptive Systems for Continuous Glucose Monitoring | |
US11969267B2 (en) | Glucose alert prediction horizon modification | |
US20230140143A1 (en) | Behavior Modification Feedback For Improving Diabetes Management | |
US20230135175A1 (en) | Feedback For Improving Diabetes Management | |
CN117223065A (zh) | 用于确定葡萄糖值序列的相似性的系统 | |
CA3234302A1 (en) | Glucose level deviation detection | |
CA3234304A1 (en) | Glycemic impact prediction for improving diabetes management |
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 |