CN117321697A - 吸入器系统 - Google Patents
吸入器系统 Download PDFInfo
- Publication number
- CN117321697A CN117321697A CN202280032173.4A CN202280032173A CN117321697A CN 117321697 A CN117321697 A CN 117321697A CN 202280032173 A CN202280032173 A CN 202280032173A CN 117321697 A CN117321697 A CN 117321697A
- Authority
- CN
- China
- Prior art keywords
- inhaler
- baseline
- period
- current
- subject
- 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
- 238000000034 method Methods 0.000 claims abstract description 208
- 208000023504 respiratory system disease Diseases 0.000 claims abstract description 152
- 229940127558 rescue medication Drugs 0.000 claims abstract description 28
- 238000010801 machine learning Methods 0.000 claims description 122
- 238000012549 training Methods 0.000 claims description 111
- 230000005713 exacerbation Effects 0.000 claims description 46
- 238000011156 evaluation Methods 0.000 claims description 30
- 239000003550 marker Substances 0.000 claims description 29
- NDAUXUAQIAJITI-UHFFFAOYSA-N albuterol Chemical compound CC(C)(C)NCC(O)C1=CC=C(O)C(CO)=C1 NDAUXUAQIAJITI-UHFFFAOYSA-N 0.000 claims description 14
- 229960002052 salbutamol Drugs 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 12
- VOVIALXJUBGFJZ-KWVAZRHASA-N Budesonide Chemical compound C1CC2=CC(=O)C=C[C@]2(C)[C@@H]2[C@@H]1[C@@H]1C[C@H]3OC(CCC)O[C@@]3(C(=O)CO)[C@@]1(C)C[C@@H]2O VOVIALXJUBGFJZ-KWVAZRHASA-N 0.000 claims description 7
- 229940092705 beclomethasone Drugs 0.000 claims description 7
- NBMKJKDGKREAPL-DVTGEIKXSA-N beclomethasone Chemical compound C1CC2=CC(=O)C=C[C@]2(C)[C@]2(Cl)[C@@H]1[C@@H]1C[C@H](C)[C@@](C(=O)CO)(O)[C@@]1(C)C[C@@H]2O NBMKJKDGKREAPL-DVTGEIKXSA-N 0.000 claims description 7
- 229960004436 budesonide Drugs 0.000 claims description 7
- 229960002714 fluticasone Drugs 0.000 claims description 7
- MGNNYOODZCAHBA-GQKYHHCASA-N fluticasone Chemical compound C1([C@@H](F)C2)=CC(=O)C=C[C@]1(C)[C@]1(F)[C@@H]2[C@@H]2C[C@@H](C)[C@@](C(=O)SCF)(O)[C@@]2(C)C[C@@H]1O MGNNYOODZCAHBA-GQKYHHCASA-N 0.000 claims description 7
- 229960002848 formoterol Drugs 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 claims description 5
- BPZSYCZIITTYBL-UHFFFAOYSA-N formoterol Chemical compound C1=CC(OC)=CC=C1CC(C)NCC(O)C1=CC=C(O)C(NC=O)=C1 BPZSYCZIITTYBL-UHFFFAOYSA-N 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 239000003814 drug Substances 0.000 description 65
- 230000000670 limiting effect Effects 0.000 description 51
- 229940079593 drug Drugs 0.000 description 49
- 229940125390 short-acting beta agonist Drugs 0.000 description 35
- 230000006866 deterioration Effects 0.000 description 18
- 208000024891 symptom Diseases 0.000 description 18
- 208000006673 asthma Diseases 0.000 description 17
- 208000006545 Chronic Obstructive Pulmonary Disease Diseases 0.000 description 16
- 238000004891 communication Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 14
- 238000011282 treatment Methods 0.000 description 14
- 238000009530 blood pressure measurement Methods 0.000 description 13
- 238000011269 treatment regimen Methods 0.000 description 13
- 230000000241 respiratory effect Effects 0.000 description 12
- 230000008859 change Effects 0.000 description 11
- 230000004199 lung function Effects 0.000 description 11
- 238000012423 maintenance Methods 0.000 description 11
- 208000000059 Dyspnea Diseases 0.000 description 10
- 206010013975 Dyspnoeas Diseases 0.000 description 10
- 230000004044 response Effects 0.000 description 10
- 239000000556 agonist Substances 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 208000013220 shortness of breath Diseases 0.000 description 9
- GWOWBISZHLPYEK-UHFFFAOYSA-N 1,2,3-trichloro-5-(2,3-dichlorophenyl)benzene Chemical compound ClC1=CC=CC(C=2C=C(Cl)C(Cl)=C(Cl)C=2)=C1Cl GWOWBISZHLPYEK-UHFFFAOYSA-N 0.000 description 8
- 206010011224 Cough Diseases 0.000 description 8
- 206010047924 Wheezing Diseases 0.000 description 8
- OBRNDARFFFHCGE-QDSVTUBZSA-N arformoterol fumarate Chemical compound OC(=O)\C=C\C(O)=O.C1=CC(OC)=CC=C1C[C@@H](C)NC[C@H](O)C1=CC=C(O)C(NC=O)=C1.C1=CC(OC)=CC=C1C[C@@H](C)NC[C@H](O)C1=CC=C(O)C(NC=O)=C1 OBRNDARFFFHCGE-QDSVTUBZSA-N 0.000 description 8
- 210000004072 lung Anatomy 0.000 description 8
- 229940110339 Long-acting muscarinic antagonist Drugs 0.000 description 7
- QAOWNCQODCNURD-UHFFFAOYSA-L Sulfate Chemical compound [O-]S([O-])(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-L 0.000 description 7
- 208000037656 Respiratory Sounds Diseases 0.000 description 6
- 230000007423 decrease Effects 0.000 description 6
- 201000010099 disease Diseases 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 230000003434 inspiratory effect Effects 0.000 description 6
- 238000000528 statistical test Methods 0.000 description 6
- 238000012384 transportation and delivery Methods 0.000 description 6
- SMNDYUVBFMFKNZ-UHFFFAOYSA-N 2-furoic acid Chemical compound OC(=O)C1=CC=CO1 SMNDYUVBFMFKNZ-UHFFFAOYSA-N 0.000 description 5
- 206010008479 Chest Pain Diseases 0.000 description 5
- 229940121948 Muscarinic receptor antagonist Drugs 0.000 description 5
- GIIZNNXWQWCKIB-UHFFFAOYSA-N Serevent Chemical compound C1=C(O)C(CO)=CC(C(O)CNCCCCCCOCCCCC=2C=CC=CC=2)=C1 GIIZNNXWQWCKIB-UHFFFAOYSA-N 0.000 description 5
- ASMXXROZKSBQIH-VITNCHFBSA-N aclidinium Chemical compound C([C@@H](C(CC1)CC2)OC(=O)C(O)(C=3SC=CC=3)C=3SC=CC=3)[N+]21CCCOC1=CC=CC=C1 ASMXXROZKSBQIH-VITNCHFBSA-N 0.000 description 5
- 230000001154 acute effect Effects 0.000 description 5
- 239000003795 chemical substances by application Substances 0.000 description 5
- 239000000812 cholinergic antagonist Substances 0.000 description 5
- 238000012790 confirmation Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012377 drug delivery Methods 0.000 description 5
- 230000007774 longterm Effects 0.000 description 5
- 238000013178 mathematical model Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 5
- 150000003431 steroids Chemical class 0.000 description 5
- 229910021653 sulphate ion Inorganic materials 0.000 description 5
- LERNTVKEWCAPOY-VOGVJGKGSA-N C[N+]1(C)[C@H]2C[C@H](C[C@@H]1[C@H]1O[C@@H]21)OC(=O)C(O)(c1cccs1)c1cccs1 Chemical compound C[N+]1(C)[C@H]2C[C@H](C[C@@H]1[C@H]1O[C@@H]21)OC(=O)C(O)(c1cccs1)c1cccs1 LERNTVKEWCAPOY-VOGVJGKGSA-N 0.000 description 4
- XBDQKXXYIPTUBI-UHFFFAOYSA-M Propionate Chemical compound CCC([O-])=O XBDQKXXYIPTUBI-UHFFFAOYSA-M 0.000 description 4
- 229960005012 aclidinium bromide Drugs 0.000 description 4
- 229940124630 bronchodilator Drugs 0.000 description 4
- SSOLNOMRVKKSON-UHFFFAOYSA-N proguanil Chemical compound CC(C)\N=C(/N)N=C(N)NC1=CC=C(Cl)C=C1 SSOLNOMRVKKSON-UHFFFAOYSA-N 0.000 description 4
- 229960000257 tiotropium bromide Drugs 0.000 description 4
- 206010006482 Bronchospasm Diseases 0.000 description 3
- VPNYRYCIDCJBOM-UHFFFAOYSA-M Glycopyrronium bromide Chemical compound [Br-].C1[N+](C)(C)CCC1OC(=O)C(O)(C=1C=CC=CC=1)C1CCCC1 VPNYRYCIDCJBOM-UHFFFAOYSA-M 0.000 description 3
- 238000011374 additional therapy Methods 0.000 description 3
- BNPSSFBOAGDEEL-UHFFFAOYSA-N albuterol sulfate Chemical compound OS(O)(=O)=O.CC(C)(C)NCC(O)C1=CC=C(O)C(CO)=C1.CC(C)(C)NCC(O)C1=CC=C(O)C(CO)=C1 BNPSSFBOAGDEEL-UHFFFAOYSA-N 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 239000003124 biologic agent Substances 0.000 description 3
- 229940125385 biologic drug Drugs 0.000 description 3
- 206010006451 bronchitis Diseases 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 229960004078 indacaterol Drugs 0.000 description 3
- QZZUEBNBZAPZLX-QFIPXVFZSA-N indacaterol Chemical compound N1C(=O)C=CC2=C1C(O)=CC=C2[C@@H](O)CNC1CC(C=C(C(=C2)CC)CC)=C2C1 QZZUEBNBZAPZLX-QFIPXVFZSA-N 0.000 description 3
- 229940125369 inhaled corticosteroids Drugs 0.000 description 3
- 229960001361 ipratropium bromide Drugs 0.000 description 3
- KEWHKYJURDBRMN-ZEODDXGYSA-M ipratropium bromide hydrate Chemical compound O.[Br-].O([C@H]1C[C@H]2CC[C@@H](C1)[N@@+]2(C)C(C)C)C(=O)C(CO)C1=CC=CC=C1 KEWHKYJURDBRMN-ZEODDXGYSA-M 0.000 description 3
- 229940125386 long-acting bronchodilator Drugs 0.000 description 3
- 238000009115 maintenance therapy Methods 0.000 description 3
- 229940124624 oral corticosteroid Drugs 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 229960004017 salmeterol Drugs 0.000 description 3
- 238000002560 therapeutic procedure Methods 0.000 description 3
- DCYGAPKNVCQNOE-UHFFFAOYSA-N 2,2,2-triphenylacetic acid Chemical compound C=1C=CC=CC=1C(C=1C=CC=CC=1)(C(=O)O)C1=CC=CC=C1 DCYGAPKNVCQNOE-UHFFFAOYSA-N 0.000 description 2
- IHOXNOQMRZISPV-YJYMSZOUSA-N 5-[(1r)-1-hydroxy-2-[[(2r)-1-(4-methoxyphenyl)propan-2-yl]azaniumyl]ethyl]-2-oxo-1h-quinolin-8-olate Chemical compound C1=CC(OC)=CC=C1C[C@@H](C)NC[C@H](O)C1=CC=C(O)C2=C1C=CC(=O)N2 IHOXNOQMRZISPV-YJYMSZOUSA-N 0.000 description 2
- 208000037874 Asthma exacerbation Diseases 0.000 description 2
- KUVIULQEHSCUHY-XYWKZLDCSA-N Beclometasone Chemical compound C1CC2=CC(=O)C=C[C@]2(C)[C@]2(Cl)[C@@H]1[C@@H]1C[C@H](C)[C@@](C(=O)COC(=O)CC)(OC(=O)CC)[C@@]1(C)C[C@@H]2O KUVIULQEHSCUHY-XYWKZLDCSA-N 0.000 description 2
- CPELXLSAUQHCOX-UHFFFAOYSA-M Bromide Chemical compound [Br-] CPELXLSAUQHCOX-UHFFFAOYSA-M 0.000 description 2
- LUKZNWIVRBCLON-GXOBDPJESA-N Ciclesonide Chemical compound C1([C@H]2O[C@@]3([C@H](O2)C[C@@H]2[C@@]3(C[C@H](O)[C@@H]3[C@@]4(C)C=CC(=O)C=C4CC[C@H]32)C)C(=O)COC(=O)C(C)C)CCCCC1 LUKZNWIVRBCLON-GXOBDPJESA-N 0.000 description 2
- 206010014561 Emphysema Diseases 0.000 description 2
- 241000282326 Felis catus Species 0.000 description 2
- CSNNHWWHGAXBCP-UHFFFAOYSA-L Magnesium sulfate Chemical compound [Mg+2].[O-][S+2]([O-])([O-])[O-] CSNNHWWHGAXBCP-UHFFFAOYSA-L 0.000 description 2
- 229940122605 Short-acting muscarinic antagonist Drugs 0.000 description 2
- 230000009798 acute exacerbation Effects 0.000 description 2
- 208000037883 airway inflammation Diseases 0.000 description 2
- 239000013566 allergen Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 239000003242 anti bacterial agent Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 229950000210 beclometasone dipropionate Drugs 0.000 description 2
- 229950000321 benralizumab Drugs 0.000 description 2
- 230000007885 bronchoconstriction Effects 0.000 description 2
- 239000000168 bronchodilator agent Substances 0.000 description 2
- 229950010713 carmoterol Drugs 0.000 description 2
- 229960003728 ciclesonide Drugs 0.000 description 2
- 229960001117 clenbuterol Drugs 0.000 description 2
- STJMRWALKKWQGH-UHFFFAOYSA-N clenbuterol Chemical compound CC(C)(C)NCC(O)C1=CC(Cl)=C(N)C(Cl)=C1 STJMRWALKKWQGH-UHFFFAOYSA-N 0.000 description 2
- 239000013066 combination product Substances 0.000 description 2
- 229940127555 combination product Drugs 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 239000003246 corticosteroid Substances 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000001647 drug administration Methods 0.000 description 2
- 229950003468 dupilumab Drugs 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 229960001469 fluticasone furoate Drugs 0.000 description 2
- XTULMSXFIHGYFS-VLSRWLAYSA-N fluticasone furoate Chemical compound O([C@]1([C@@]2(C)C[C@H](O)[C@]3(F)[C@@]4(C)C=CC(=O)C=C4[C@@H](F)C[C@H]3[C@@H]2C[C@H]1C)C(=O)SCF)C(=O)C1=CC=CO1 XTULMSXFIHGYFS-VLSRWLAYSA-N 0.000 description 2
- 229960000289 fluticasone propionate Drugs 0.000 description 2
- WMWTYOKRWGGJOA-CENSZEJFSA-N fluticasone propionate Chemical compound C1([C@@H](F)C2)=CC(=O)C=C[C@]1(C)[C@]1(F)[C@@H]2[C@@H]2C[C@@H](C)[C@@](C(=O)SCF)(OC(=O)CC)[C@@]2(C)C[C@@H]1O WMWTYOKRWGGJOA-CENSZEJFSA-N 0.000 description 2
- 229960000193 formoterol fumarate Drugs 0.000 description 2
- 229940015042 glycopyrrolate Drugs 0.000 description 2
- 229960004735 indacaterol maleate Drugs 0.000 description 2
- IREJFXIHXRZFER-PCBAQXHCSA-N indacaterol maleate Chemical compound OC(=O)\C=C/C(O)=O.N1C(=O)C=CC2=C1C(O)=CC=C2[C@@H](O)CNC1CC(C=C(C(=C2)CC)CC)=C2C1 IREJFXIHXRZFER-PCBAQXHCSA-N 0.000 description 2
- 239000003149 muscarinic antagonist Substances 0.000 description 2
- 229960000470 omalizumab Drugs 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 239000000843 powder Substances 0.000 description 2
- 229960004618 prednisone Drugs 0.000 description 2
- XOFYZVNMUHMLCC-ZPOLXVRWSA-N prednisone Chemical compound O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 XOFYZVNMUHMLCC-ZPOLXVRWSA-N 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 230000002685 pulmonary effect Effects 0.000 description 2
- 102000005962 receptors Human genes 0.000 description 2
- 108020003175 receptors Proteins 0.000 description 2
- 230000004648 relaxation of smooth muscle Effects 0.000 description 2
- 229960005018 salmeterol xinafoate Drugs 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000002459 sustained effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000001225 therapeutic effect Effects 0.000 description 2
- 210000000115 thoracic cavity Anatomy 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 229960004541 umeclidinium bromide Drugs 0.000 description 2
- PEJHHXHHNGORMP-AVADPIKZSA-M umeclidinium bromide Chemical compound [Br-].C=1C=CC=CC=1C([C@@]12CC[N@@+](CCOCC=3C=CC=CC=3)(CC1)CC2)(O)C1=CC=CC=C1 PEJHHXHHNGORMP-AVADPIKZSA-M 0.000 description 2
- TWHNMSJGYKMTRB-KXYUELECSA-N (2r,3r)-2,3-dihydroxybutanedioic acid;2-[(1r)-3-[di(propan-2-yl)amino]-1-phenylpropyl]-4-methylphenol Chemical compound OC(=O)[C@H](O)[C@@H](O)C(O)=O.C1([C@@H](CCN(C(C)C)C(C)C)C=2C(=CC=C(C)C=2)O)=CC=CC=C1 TWHNMSJGYKMTRB-KXYUELECSA-N 0.000 description 1
- MWHXMIASLKXGBU-RNCYCKTQSA-N (e)-but-2-enedioic acid;[2-[(1r)-3-[di(propan-2-yl)amino]-1-phenylpropyl]-4-(hydroxymethyl)phenyl] 2-methylpropanoate Chemical compound OC(=O)\C=C\C(O)=O.C1([C@@H](CCN(C(C)C)C(C)C)C=2C(=CC=C(CO)C=2)OC(=O)C(C)C)=CC=CC=C1 MWHXMIASLKXGBU-RNCYCKTQSA-N 0.000 description 1
- YREYLAVBNPACJM-UHFFFAOYSA-N 2-(tert-butylamino)-1-(2-chlorophenyl)ethanol Chemical compound CC(C)(C)NCC(O)C1=CC=CC=C1Cl YREYLAVBNPACJM-UHFFFAOYSA-N 0.000 description 1
- MUPQZWGSBCWCAV-UHFFFAOYSA-N 5-[2-(tert-butylamino)-1-hydroxyethyl]benzene-1,3-diol;sulfuric acid Chemical compound OS(O)(=O)=O.CC(C)(C)NCC(O)C1=CC(O)=CC(O)=C1 MUPQZWGSBCWCAV-UHFFFAOYSA-N 0.000 description 1
- 108060003345 Adrenergic Receptor Proteins 0.000 description 1
- 102000017910 Adrenergic receptor Human genes 0.000 description 1
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 208000009079 Bronchial Spasm Diseases 0.000 description 1
- 208000014181 Bronchial disease Diseases 0.000 description 1
- 206010006458 Bronchitis chronic Diseases 0.000 description 1
- 206010008469 Chest discomfort Diseases 0.000 description 1
- 201000003883 Cystic fibrosis Diseases 0.000 description 1
- XIQVNETUBQGFHX-UHFFFAOYSA-N Ditropan Chemical compound C=1C=CC=CC=1C(O)(C(=O)OCC#CCN(CC)CC)C1CCCCC1 XIQVNETUBQGFHX-UHFFFAOYSA-N 0.000 description 1
- 206010021143 Hypoxia 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
- 206010061218 Inflammation Diseases 0.000 description 1
- GUBGYTABKSRVRQ-QKKXKWKRSA-N Lactose Natural products OC[C@H]1O[C@@H](O[C@H]2[C@H](O)[C@@H](O)C(O)O[C@@H]2CO)[C@H](O)[C@@H](O)[C@H]1O GUBGYTABKSRVRQ-QKKXKWKRSA-N 0.000 description 1
- 102000014415 Muscarinic acetylcholine receptor Human genes 0.000 description 1
- 108050003473 Muscarinic acetylcholine receptor Proteins 0.000 description 1
- 241001602876 Nata Species 0.000 description 1
- 206010036790 Productive cough Diseases 0.000 description 1
- 208000018569 Respiratory Tract disease Diseases 0.000 description 1
- XTZNCVSCVHTPAI-UHFFFAOYSA-N Salmeterol xinafoate Chemical compound C1=CC=CC2=C(O)C(C(=O)O)=CC=C21.C1=C(O)C(CO)=CC(C(O)CNCCCCCCOCCCCC=2C=CC=CC=2)=C1 XTZNCVSCVHTPAI-UHFFFAOYSA-N 0.000 description 1
- RXZMMZZRUPYENV-VROPFNGYSA-N Solifenacin succinate Chemical compound OC(=O)CCC(O)=O.C1([C@H]2C3=CC=CC=C3CCN2C(O[C@@H]2C3CCN(CC3)C2)=O)=CC=CC=C1 RXZMMZZRUPYENV-VROPFNGYSA-N 0.000 description 1
- RVCSYOQWLPPAOA-CVPHZBIISA-M [(5s)-spiro[8-azoniabicyclo[3.2.1]octane-8,1'-azolidin-1-ium]-3-yl] 2-hydroxy-2,2-diphenylacetate;chloride Chemical compound [Cl-].[N+]12([C@H]3CCC2CC(C3)OC(=O)C(O)(C=2C=CC=CC=2)C=2C=CC=CC=2)CCCC1 RVCSYOQWLPPAOA-CVPHZBIISA-M 0.000 description 1
- OIPILFWXSMYKGL-UHFFFAOYSA-N acetylcholine Chemical compound CC(=O)OCC[N+](C)(C)C OIPILFWXSMYKGL-UHFFFAOYSA-N 0.000 description 1
- 229960004373 acetylcholine Drugs 0.000 description 1
- 229940019903 aclidinium Drugs 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000010391 action planning Effects 0.000 description 1
- 239000013543 active substance Substances 0.000 description 1
- 239000000048 adrenergic agonist Substances 0.000 description 1
- 229940057282 albuterol sulfate Drugs 0.000 description 1
- 230000001078 anti-cholinergic effect Effects 0.000 description 1
- 230000001022 anti-muscarinic effect Effects 0.000 description 1
- 229940088710 antibiotic agent Drugs 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- LBARATORRVNNQM-UHFFFAOYSA-N bambuterol hydrochloride Chemical compound Cl.CN(C)C(=O)OC1=CC(OC(=O)N(C)C)=CC(C(O)CNC(C)(C)C)=C1 LBARATORRVNNQM-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000000621 bronchi Anatomy 0.000 description 1
- 230000003182 bronchodilatating effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 208000007451 chronic bronchitis Diseases 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 208000037976 chronic inflammation Diseases 0.000 description 1
- 208000037893 chronic inflammatory disorder Diseases 0.000 description 1
- 238000002648 combination therapy Methods 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 229940124446 critical care medicine Drugs 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- UQAVIASOPREUIT-VQIWEWKSSA-N darifenacin hydrobromide Chemical compound Br.C=1C=CC=CC=1C([C@H]1CN(CCC=2C=C3CCOC3=CC=2)CC1)(C(=O)N)C1=CC=CC=C1 UQAVIASOPREUIT-VQIWEWKSSA-N 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002542 deteriorative effect Effects 0.000 description 1
- 229960003957 dexamethasone Drugs 0.000 description 1
- UREBDLICKHMUKA-CXSFZGCWSA-N dexamethasone Chemical compound C1CC2=CC(=O)C=C[C@]2(C)[C@]2(F)[C@@H]1[C@@H]1C[C@@H](C)[C@@](C(=O)CO)(O)[C@@]1(C)C[C@@H]2O UREBDLICKHMUKA-CXSFZGCWSA-N 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 150000002148 esters Chemical group 0.000 description 1
- 210000003811 finger Anatomy 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 229960002462 glycopyrronium bromide Drugs 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- -1 hydrobromic acid Salts Chemical class 0.000 description 1
- 230000001969 hypertrophic effect Effects 0.000 description 1
- 230000007954 hypoxia Effects 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 230000028709 inflammatory response Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 239000008101 lactose Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 229910052943 magnesium sulfate Inorganic materials 0.000 description 1
- 235000019341 magnesium sulphate Nutrition 0.000 description 1
- VZCYOOQTPOCHFL-UPHRSURJSA-N maleic acid Chemical compound OC(=O)\C=C/C(O)=O VZCYOOQTPOCHFL-UPHRSURJSA-N 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229960005108 mepolizumab Drugs 0.000 description 1
- 229960001664 mometasone Drugs 0.000 description 1
- QLIIKPVHVRXHRI-CXSFZGCWSA-N mometasone Chemical compound C1CC2=CC(=O)C=C[C@]2(C)[C@]2(Cl)[C@@H]1[C@@H]1C[C@@H](C)[C@@](C(=O)CCl)(O)[C@@]1(C)C[C@@H]2O QLIIKPVHVRXHRI-CXSFZGCWSA-N 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000002858 neurotransmitter agent Substances 0.000 description 1
- 229940127249 oral antibiotic Drugs 0.000 description 1
- 229960005434 oxybutynin Drugs 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000037081 physical activity Effects 0.000 description 1
- 230000000069 prophylactic effect Effects 0.000 description 1
- 238000011321 prophylaxis Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000009118 salvage therapy Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 229940125387 short-acting bronchodilator Drugs 0.000 description 1
- 238000009097 single-agent therapy Methods 0.000 description 1
- 239000011734 sodium Substances 0.000 description 1
- 229910052708 sodium Inorganic materials 0.000 description 1
- 239000003270 steroid hormone Substances 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 238000011285 therapeutic regimen Methods 0.000 description 1
- 210000003813 thumb Anatomy 0.000 description 1
- 238000011200 topical administration Methods 0.000 description 1
- VZCYOOQTPOCHFL-UHFFFAOYSA-N trans-butenedioic acid Natural products OC(=O)C=CC(O)=O VZCYOOQTPOCHFL-UHFFFAOYSA-N 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 229960001491 trospium Drugs 0.000 description 1
- OYYDSUSKLWTMMQ-JKHIJQBDSA-N trospium Chemical compound [N+]12([C@@H]3CC[C@H]2C[C@H](C3)OC(=O)C(O)(C=2C=CC=CC=2)C=2C=CC=CC=2)CCCC1 OYYDSUSKLWTMMQ-JKHIJQBDSA-N 0.000 description 1
- 229960001530 trospium chloride Drugs 0.000 description 1
- 229960000859 tulobuterol Drugs 0.000 description 1
- KLOLZALDXGTNQE-JIDHJSLPSA-N vilanterol trifenate Chemical compound C=1C=CC=CC=1C(C=1C=CC=CC=1)(C(=O)O)C1=CC=CC=C1.C1=C(O)C(CO)=CC([C@@H](O)CNCCCCCCOCCOCC=2C(=CC=CC=2Cl)Cl)=C1 KLOLZALDXGTNQE-JIDHJSLPSA-N 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
- 229950000339 xinafoate Drugs 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
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/082—Evaluation by breath analysis, e.g. determination of the chemical composition of exhaled breath
-
- 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
- G16H20/13—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 from dispensers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Medicinal Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Pulmonology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Physiology (AREA)
- Computational Linguistics (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Medicinal Preparation (AREA)
- External Artificial Organs (AREA)
Abstract
提供了一种用于在当前时间点生成对受试者的呼吸道疾病的评估的方法。所述方法包括确定与吸入器在基线时段的使用有关的基线统计数据。所述吸入器被配置成将挽救药物递送到所述受试者,并且具有被配置成确定所述受试者对所述吸入器的使用的使用确定系统。所述方法还包括确定与所述吸入器在当前时段的使用有关的当前统计数据,所述当前时段含有所述当前时间点。所述方法进一步包括生成比较器变量。生成所述比较器变量包括将所述当前统计数据和所述基线统计数据进行比较。对所述呼吸道疾病的所述评估是基于所述比较器变量的。
Description
技术领域
本公开涉及一种吸入器系统,并且具体地是用于生成对受试者的呼吸道疾病的评估的系统和方法。
背景技术
许多呼吸道疾病,如哮喘或慢性阻塞性肺疾病(COPD),都是终身病状,其中治疗涉及长期施用药物以控制患者的症状并且降低不可逆变化的风险。目前还没有治愈如哮喘和COPD等疾病的方法。治疗采用两种形式。首先,治疗的维持方面旨在减少气道炎症,并且因此控制未来的症状。维持疗法通常由吸入的皮质类固醇单独提供,或与长效支气管扩张剂和/或毒蕈碱拮抗剂组合提供。其次,所述疗法存在挽救(或缓解剂)方面,其中给予患者速效支气管扩张剂,以缓解喘息、咳嗽、胸闷和呼吸短促的急性发作。患有呼吸道疾病如哮喘或COPD的患者也可能会经历其呼吸道疾病的急性发作或恶化,其中症状会迅速恶化。在最坏的情况下,恶化可能危及生命。
鉴定即将发生的呼吸道疾病恶化的能力将改善行动计划,并且为在患者的病状需要例如非计划的医生就诊、入院和施用全身性类固醇之前进行预防性治疗提供机会。
因此,本领域需要用于评估患者的呼吸道疾病的改进方法。
发明内容
因此,本公开提供了一种用于在当前时间点生成对受试者的呼吸道疾病的评估的方法。
示例性方法包括确定与吸入器在基线时段的使用有关的基线统计数据。所述吸入器被配置成将挽救药物递送到所述受试者,并且具有被配置成确定所述受试者对所述吸入器的使用的使用确定系统。所述方法还包括确定与所述吸入器在当前时段的使用有关的当前统计数据,所述当前时段含有所述当前时间点。
所述示例性方法进一步包括生成比较器变量。生成所述比较器变量包括将所述当前统计数据和所述基线统计数据进行比较。对所述呼吸道疾病的所述评估是基于所述比较器变量的。
在此实例中,所述方法包括将所述比较器变量作为输入应用于经训练的机器学习模型。在此类实施例中,生成对所述受试者的所述呼吸道疾病的所述评估作为所述机器学习模型的输出。
中间时段可以将所述当前时段与所述基线时段分离。在此类实施例中,所述当前时段和所述基线时段可以被视为是不连续的。由此定义的所述当前时段与所述基线时段之间的分离可以帮助所述比较器变量充当与基线的任何偏差的更清楚的信号,例如,相对于此类时段是连续或重叠的情况。
因此,所述比较器变量与所述中间时段组合可以提供特别有用的输入,根据所述输入可以评估所述受试者的呼吸道疾病。
附图说明
现在将参考附图更详细地描述本发明,所述附图不旨在是限制性的:
图1示出了根据一个实例的系统的框图;
图2示出了根据另一个实例的系统;
图3示出了根据第一实例的用于生成呼吸道疾病评估的方法;
图4示出了根据第二实例的用于生成呼吸道疾病评估的方法;
图5示出了根据第三实例的用于生成呼吸道疾病评估的方法;
图6示出了根据第四实例的用于生成呼吸道疾病评估的方法;
图7示出了根据第五实例的用于生成呼吸道疾病评估的方法;
图8示出了根据第六实例的用于生成呼吸道疾病评估的方法;
图9示出了根据第七实例的用于生成呼吸道疾病评估的方法;
图10示出了根据第八实例的用于生成呼吸道疾病评估的方法;
图11示出了根据第九实例的用于生成呼吸道疾病评估的方法;
图12示出了根据第十实例的用于生成呼吸道疾病评估的方法;
图13示出了根据第十一实例的用于生成呼吸道疾病评估的方法;
图14示出了根据第十二实例的用于生成呼吸道疾病评估的方法;
图15示出了根据第十三实例的用于生成呼吸道疾病评估的方法;
图16示出了根据第十四实例的用于生成呼吸道疾病评估的方法;
图17示出了根据第十五实例的用于生成呼吸道疾病评估的方法;
图18示出了根据第十六实例的用于生成呼吸道疾病评估的方法;
图19示出了根据第十七实例的用于生成呼吸道疾病评估的方法;
图20示出了根据第十八实例的用于生成呼吸道疾病评估的方法;
图21示出了根据第十九实例的用于生成呼吸道疾病评估的方法;
图22示出了根据第二十实例的用于生成呼吸道疾病评估的方法;
图23示出了根据第二十一实例的用于生成呼吸道疾病评估的方法;
图24示出了根据第二十二实例的用于生成呼吸道疾病评估的方法;
图25示出了根据第二十三实例的用于生成呼吸道疾病评估的方法;
图26示出了根据第二十四实例的用于生成呼吸道疾病评估的方法;
图27示出了根据第二十五实例的用于生成呼吸道疾病评估的方法;
图28示意性地描绘了根据一个实例的包括机器学习模型的过程;
图29示意性地描绘了根据另一个实例的包括机器学习模型的过程;
图30示出了根据一个实例的用于训练机器学习模型的方法;
图31示出了根据另一个实例的用于训练机器学习模型的方法;
图32至38示出了不同受试者在使用吸入器期间的吸入次数与时间的曲线图;
图39提供了示出了一组受试者的挽救吸入器使用的图表;
图40示出了吸入器的前部透视图;
图41示出了图40所示的吸入器的内部横截面透视图;
图42提供了图40所示的示例吸入器的分解透视图;
图43提供了图40所示的吸入器的顶盖和电子模块的分解透视图;并且
图44示出了通过图40所示的示例吸入器的气流速率与压力的曲线图。
具体实施方式
应当理解,虽然详细描述和具体实例指示了设备、系统和方法的示例性实施例,但是仅旨在用于说明的目的,并非旨在限制本发明的范围。根据以下描述、所附权利要求和附图,本发明的设备、系统和方法的这些和其它特征、方面和优点将变得更好理解。应当理解,附图仅是示意性的,并且未按比例绘制。还应理解,相同的附图标记在所有附图中用于指示相同或者类似的部件。
哮喘和COPD是气道的慢性炎性疾病。它们的特征均在于气流阻塞和支气管痉挛的可变和反复出现的症状。所述症状包含喘息、咳嗽、胸闷和呼吸短促的发作。
所述症状通过避免触发和通过使用药物,具体地吸入性药物来控制。所述药物包含吸入性皮质类固醇(ICS)和支气管扩张剂。
吸入性皮质类固醇(ICS)是用于长期控制呼吸道病症的类固醇激素。它们通过减少气道炎症发挥作用。实例包含布地奈德(budesonide)、倍氯米松(beclomethasone)(二丙酸盐)、氟替卡松(fluticasone)(丙酸盐或糠酸盐)、莫米松(mometasone)(糠酸盐)、环索奈德(ciclesonide)和地塞米松(dexamethasone)(钠)。括号指示优选的盐或酯形式。应特别提及布地奈德、倍氯米松和氟替卡松,尤其是布地奈德、二丙酸倍氯米松(beclomethasonedipropionate)、丙酸氟替卡松(fluticasone propionate)和糠酸氟替卡森(fluticasonefuroate)。
不同类别的支气管扩张剂靶向气道中的不同受体。两个常用类别是β2-激动剂和抗胆碱能药。
β2-肾上腺素能激动剂(或“β2-激动剂”)作用于β2-肾上腺素受体,这诱导平滑肌松弛,从而导致支气管通道扩张。所述激动剂倾向于按照作用持续时间来分类。长效β2-激动剂(LABA)的实例包含福莫特罗(formoterol)(富马酸盐)、沙美特罗(salmeterol)(昔萘酸盐)、茚达特罗(indacaterol)(马来酸盐)、班布特罗(bambuterol)(盐酸盐)、克仑特罗(clenbuterol)(盐酸盐)、奥达特罗(olodaterol)(盐酸盐)、卡莫特罗(carmoterol)(盐酸盐)、妥洛特罗(tulobuterol)(盐酸盐)和维兰特罗(vilanterol)(三苯基乙酸盐)。短效β2-激动剂(SABA)的实例是沙丁胺醇(albuterol)(硫酸盐)和特布他林(terbutaline)(硫酸盐)。应特别提及福莫特罗、沙美特罗、茚达特罗和维兰特罗,尤其是富马酸福莫特罗(formoterol fumarate)、昔萘酸沙美特罗(salmeterol xinafoate)、马来酸茚达特罗(indacaterol maleate)和三苯基乙酸维兰特罗(vilanterol triphenylacetate)。
通常,短效支气管扩张剂对急性支气管收缩提供快速缓解(并且通常被称为“挽救”或“缓解”药),而长效支气管扩张剂有助于控制和预防长期症状。然而,一些快速起效的长效支气管扩张剂可以用作挽救药,如福莫特罗(富马酸盐)。因此,挽救药对急性支气管收缩提供缓解。挽救药根据需要/prn(必要时(pro re nata))服用。挽救药也可以呈组合产品的形式,例如ICS-福莫特罗(富马酸盐),通常是布地奈德-福莫特罗(富马酸盐)或倍氯米松(二丙酸盐)-福莫特罗(富马酸盐)。因此,挽救药优选地为SABA或速效LABA,更优选地为沙丁胺醇(硫酸盐)或福莫特罗(富马酸盐),并且最优选地为沙丁胺醇(硫酸盐)。
抗胆碱能药(或“抗毒蕈碱”)通过选择性地阻断神经细胞中的其受体来阻断神经递质乙酰胆碱。在局部施用中,抗胆碱能药主要作用于位于气道中的M3毒蕈碱受体上,以产生平滑肌松弛,从而产生支气管扩张作用。长效毒蕈碱拮抗剂(LAMA)的实例包含噻托溴铵(tiotropium)(溴化物)、氧托铵(oxytropium)(溴化物)、阿地铵(aclidinium)(溴化物)、芜地铵(umeclidinium)(溴化物)、异丙托铵(ipratopium)(溴化物)、格隆铵(glycopyrronium)(溴化物)、奥昔布宁(oxybutynin)(盐酸盐或氢溴酸盐)、托特罗定(tolterodine)(酒石酸盐)、曲司氯铵(trospium)(氯化物)、索非那新(solifenacin)(琥珀酸盐)、弗斯特罗定(fesoterodine)(富马酸盐)和达非那新(darifenacin)(氢溴酸盐)。应特别提及噻托溴铵、阿地铵、芜地铵和格隆铵,尤其是噻托溴铵(tiotropium bromide)、阿地溴铵(aclidinium bromide)、芜地溴铵(umeclidinium bromide)和格隆溴铵(glycopyrronium bromide)。
在制备和调配这些药物用于通过吸入递送时,已经采取了许多方法,如通过干粉吸入器(DPI)、加压计量剂量吸入器(pMDI)或雾化器。
根据GINA(全球哮喘防治创议(Global Initiative for Asthma))指南,对哮喘的治疗采用逐步法。在表示轻度形式的哮喘的步骤1处,根据需要给予患者SABA,如硫酸沙丁胺醇。患者也可以根据需要被给予低剂量ICS-福莫特罗,或无论何时在服用SABA时给予低剂量ICS。在步骤2处,常规低剂量ICS与SABA一起给予,或根据需要给予低剂量ICS-福莫特罗。在步骤3处,添加LABA。在步骤4处,增加了剂量,并且在步骤5处,包含了另外的附加治疗,如抗胆碱能药或低剂量的口服皮质类固醇。因此,相应的步骤可以被视为治疗方案,所述方案各自根据呼吸道疾病的急性严重程度来配置。
COPD是世界范围内死亡的主要原因。它是一种包括慢性支气管炎、肺气肿并且还涉及小气道的异质性长期疾病。患有COPD的患者中发生的病理变化主要局限于气道、肺实质和肺血管。在表型上,这些变化会降低肺部吸收和排出气体的健康能力。
支气管炎的特征在于支气管的长期炎症。常见症状可以包含喘息、呼吸短促、咳嗽和咳痰,所有这些均非常不适,并且损害患者的生活质量。肺气肿还与长期支气管炎症相关,其中炎症应答导致肺部组织破坏和气道的进行性变窄。逐渐地,肺部组织失去其天然弹性,并且变得肥大。因此,气体交换的功效降低,并且呼吸的空气经常滞留在肺部。这会导致局部缺氧,并且会减少每次吸入时递送到患者的血流中的氧气体积。因此,患者会经历呼吸短促和呼吸困难的情况。
患有COPD的患者每天会经历各种(如果不是全部)这些症状。这些症状的严重程度将由一系列因素确定,但最常见的是与疾病的进展相关。这些症状(与其严重程度无关)指示了COPD稳定,并且通过施用多种药品来维持和管理这种疾病状态。治疗是可变的,但通常包含吸入性支气管扩张剂、抗胆碱能剂、长效和短效β2-激动剂以及皮质类固醇。药物通常作为单一疗法或组合治疗来施用。
使用GOLD指南(慢性阻塞性肺疾病全球创议股份有限公司(Global Initiativefor Chronic Obstructive Lung Disease,Inc.))中定义的类别通过患者的COPD的严重程度对所述患者进行分类。这些类别被标记为A-D,并且推荐的首选治疗因类别而异。A组患者根据需要被推荐短效毒蕈碱拮抗剂(SAMA)或根据需要被推荐短效β2-激动剂(SABA)。B组患者根据需要被推荐长效毒蕈碱拮抗剂(LAMA)或根据需要被推荐长效β2-激动剂(β2-agonist)(LABA)。C组患者被推荐吸入性皮质类固醇(ICS)+LABA或LAMA。D组患者被推荐ICS+LABA和/或LAMA。
患有如哮喘或COPD等呼吸道疾病的患者会遭受周期性恶化,超过其病状的基线每日变化。恶化是需要另外的疗法的呼吸道症状的急性加重,即超出其维持疗法的疗法。
对于哮喘,用于中度恶化的另外的疗法是重复剂量的SABA、口服皮质类固醇和/或受控的流量氧气(其中后者需要住院治疗)。重度恶化时添加抗胆碱能药(通常为异丙托溴铵(ipratropium bromide))、雾化SABA或IV硫酸镁。
对于COPD,用于中度恶化的另外的疗法是重复剂量的SABA、口服皮质类固醇和/或抗生素。重度恶化时添加受控的流量氧气和/或呼吸支持(其中两者均需要住院治疗)。
本公开的意义内的恶化包含中度恶化和重度恶化两者。
提供了一种用于在当前时间点生成对受试者的呼吸道疾病的评估的方法。所述方法包括确定与吸入器在基线时段的使用有关的基线统计数据。所述吸入器被配置成将挽救药物递送到所述受试者,并且具有被配置成确定所述受试者对所述吸入器的使用的使用确定系统。所述方法进一步包括确定与所述吸入器在当前时段的使用有关的当前统计数据,所述当前时段含有所述当前时间点。
例如,呼吸道疾病可能是哮喘、COPD或囊性纤维化。
挽救药物如上文所定义,并且通常是SABA或快速起效的LABA,如福莫特罗(富马酸盐)。挽救药也可以呈组合产品的形式,例如ICS-福莫特罗(富马酸盐),通常是布地奈德-福莫特罗(富马酸盐)。此类方法被称为“MART”(维持与挽救疗法(maintenance and rescuetherapy))。然而,挽救药的存在指示它是被配置成递送本公开的意义内的挽救药物的吸入器。因此,它涵盖了挽救药物和挽救与维持药物组合两者。相比之下,当存在下文所描述的另外的吸入器时,仅用于疗法的维持方面,并且不用于挽救目的。关键区别在于,吸入器可以根据需要使用,而另外的吸入器旨在定期、预定义的时间使用。
在一些实施例中,吸入器被配置成递送选自以下的挽救药物:沙丁胺醇(硫酸盐)、福莫特罗(富马酸盐)、布地奈德与福莫特罗(富马酸盐)的组合、倍氯米松倍氯米松(二丙酸盐)与沙丁胺醇(硫酸盐)的组合以及氟替卡松(丙酸盐或糠酸盐)与沙丁胺醇(硫酸盐)的组合。
例如,使用确定系统可以包括用于检测由受试者进行挽救药物的吸入的传感器和/或被配置成在使用吸入器之前、期间或之后致动的开关。以此方式,使用确定系统能够记录吸入器的每次使用或尝试使用。
例如,传感器可以包括压力传感器,如绝对压力传感器或差压传感器。
例如,吸入器可以包括使用者通过其进行吸入的吸嘴,以及吸嘴盖。在此类实例中,开关可以被配置成当吸嘴盖被移动以暴露吸嘴时致动。
在非限制性实例中,吸入器包括药物储器和剂量计量组合件,所述剂量计量组合件被配置成计量来自储器的挽救药物的剂量。在此特定实例中,使用确定系统被配置成通过剂量计量组合件记录剂量的计量。由此,每个计量指示由受试者使用吸入器进行的挽救吸入。
在某些实例中,使用确定系统将传感器与开关组合使用。例如,可以使用来自传感器的信号来验证通过开关检测到的吸入器的使用(如剂量计量)是否伴随挽救药物的吸入。在此类非限制性实例中,在所述方法中使用的吸入器的所确定的使用可以包括以下或由以下组成:通过开关确定的使用和/或通过开关和传感器确定和验证的使用。
在至少一些实施例中,所述方法包括生成比较器变量,所述生成比较器变量包括将所述当前统计数据和所述基线统计数据进行比较。对所述受试者的呼吸道疾病的所述评估然后可以是基于所述比较器变量进行的。
中间时段可以将所述当前时段与所述基线时段分离。在此类实施例中,所述当前时段和所述基线时段可以被视为是不连续的。由此定义的所述当前时段与所述基线时段之间的分离可以帮助所述比较器变量充当与基线的任何偏差的更清楚的信号,例如,相对于此类时段是连续或重叠的情况。
所述中间时段可以具有固定的持续时间。在一些实施例中,所述中间时段的持续时间为3天至15天,优选地约7天。所述中间时段的此类持续时间可以允许基线统计数据与当前统计数据保持足够的独立性,同时也有助于确保基线统计数据受到足够新的使用数据的影响,以便保持受试者基线/“普通”挽救吸入器使用的相关指标。
在至少一些实施例中,所述方法随时间推移重复地迭代。随时间推移重复地迭代所述方法可以使得每个连续迭代的基线统计数据更新,前提是连续迭代之间的时段至少与为了进行基线统计数据的新确定所需的增量/时间单位(例如1天)一样长。因此,所述基线统计数据可以被视为提供了挽救吸入器使用的动态基线。
所述基线时段可以具有固定的持续时间。在一些实施例中,所述基线时段的持续时间为10天至30天,优选地12天至20天,最优选地约20天。此类基线时段可以平衡为足够长以建立受试者的基线/“普通”挽救吸入器使用,同时不会太延长以至于基线统计数据中的潜在诊断偏差有变得不太明显的风险。
所述基线时段可以被定义为如排除受试者的呼吸道疾病的恶化发生的时段。此类经排除的时段可以从恶化之前(例如,在观察到受试者的病状在恶化前开始日益恶化的时刻)延伸到受试者被认为已经从恶化中恢复的时刻。换言之,受试者在基线时段内可能不会经历其呼吸道疾病的恶化。这反映了基线统计数据在追踪受试者基线/“普通”挽救吸入器使用中的作用。
如果发生恶化,可以例如从基线统计数据的确定中去除恶化前和恶化后适当时间段的使用数据,以便不影响基线统计数据以及相应地对受试者的呼吸道疾病的评估。
在一些实施例中,所述当前时段的持续时间为24小时至120小时,优选地约48小时。此类当前时段可以平衡为足够长以能够收集合适量的吸入器使用数据,同时不会太延长以至于当前统计数据有变得不太能代表当前时间点的吸入器使用状态的风险。
更通常地,应注意,术语“当前时段”可以指从当前时间点向后延伸到刚过去的时间段。因此,在此时间段内对吸入器使用数据进行采样能够确定当前统计数据。由于确定当前统计数据所需的吸入器使用数据尚不可用,因此当前时段可能不会超过当前时间点延伸到未来。
基于所述比较器变量生成对所述受试者的呼吸道疾病的评估可以以任何合适的方式实施。在至少一些实施例中,将所述比较器变量作为输入应用于经训练的机器学习模型。
可以考虑任何合适的机器学习模型,如监督式机器学习模型。在非限制性实例中,所述模型是使用决策树技术构建的。也可以设想其它合适的技术,如构建神经网络或深度学习模型。下文更详细地描述了机器学习模型的构建和训练。
只要基线统计数据指示在基线时段期间受试者对吸入器的使用,则可以考虑任何合适的基线统计数据。
在一些实施例中,所述基线统计数据包括以下中的一项或多项:在所述基线时段内计算的每单位时间使用所述吸入器进行的挽救吸入的基线平均次数、每单位时间使用所述吸入器进行的挽救吸入的次数的基线标准偏差和每单位时间进行的挽救吸入的次数的基线方差系数。
可以考虑每单位时间的任何合适的挽救吸入的基线平均次数,如在所述基线时段内计算的每单位时间使用所述吸入器进行的挽救吸入的次数的平均数、中位数和/或众数。特别提到了基线时段期间的挽救吸入的每日平均次数。
应注意,如本文所使用的,术语“方差系数”可以由每单位时间使用吸入器进行的挽救吸入次数的标准偏差除以每单位时间进行的挽救吸入的平均次数来定义。
更通常地,例如,可以将超过一个输入应用于机器学习模型。换言之,多个输入可以应用于机器学习模型,包含比较器变量。在一些实施例中,将基线统计数据本身作为输入应用于经训练的机器学习模型。
只要当前统计数据指示在当前时段期间受试者对吸入器的使用,则可以考虑任何合适的当前统计数据。
在一些实施例中,确定所述当前统计数据包括确定在所述当前时段内总计的挽救吸入的当前总次数。
可替代地或另外地,所述当前统计数据包括以下中的一项或多项:在所述当前时段内计算的每单位时间使用所述吸入器进行的挽救吸入的当前平均次数、每单位时间使用所述吸入器进行的挽救吸入的次数的当前标准偏差和每单位时间进行的挽救吸入的次数的当前方差系数。
可以考虑每单位时间的任何合适的挽救吸入的当前平均次数,如在所述当前时段内计算的每单位时间使用所述吸入器进行的挽救吸入的次数的平均数、中位数和/或众数。特别提到了当前时段期间的挽救吸入的每日平均次数。
在一些实施例中,将当前统计数据本身作为输入应用于经训练的机器学习模型(以及比较器变量),例如作为基线统计数据的替代方案的或补充。例如,对受试者的呼吸道疾病的评估可以部分地基于当前时段期间的挽救吸入的每日平均次数是否达到或超过定义的阈值,如≥3。
应注意,如本文所使用的,术语“对受试者的呼吸道疾病的评估可以部分地基于”可以意指评估部分地基于的相关特征或参数可以例如作为输入应用于经训练的机器学习模型。
在一些实施例中,所述方法包括确定与所述吸入器在所述中间时段的使用有关的中期统计数据。
在一些实施例中,所述方法进一步包括将所述中期统计数据和/或从所述中期统计数据得到的数据作为一个或多个输入应用于所述经训练的机器学习模型。可替代地或另外地,生成所述比较器变量进一步包括将所述中期统计数据与所述当前统计数据和/或所述基线统计数据进行比较。与通过基线统计数据提供相比,对受试者的呼吸道疾病的评估因此可以另外地由吸入器使用的最新趋势来指导。
只要中期统计数据指示在中间时段期间受试者对吸入器的使用,则可以考虑任何合适的中期统计数据。
在一些实施例中,确定所述中期统计数据包括确定在所述中间时段内总计的挽救吸入的中间总次数。
在非限制性实例中,确定所述中期统计数据包括将所述中间时段内的所述挽救吸入的中间总次数与挽救吸入的给定阈值次数进行比较。
例如,对受试者的呼吸道疾病的评估可以部分地基于小于或等于给定阈值的挽救吸入的中间总次数。
例如,对受试者的呼吸道疾病的评估可以部分地基于对在中间时段,例如持续时间为7天的中间时段内挽救吸入的总次数是否等于零的评估。
可替代地或另外地,所述中期统计数据包括以下中的一项或多项:在所述中间时段内计算的每单位时间使用所述吸入器进行的挽救吸入的中期平均次数、每单位时间使用所述吸入器进行的挽救吸入的次数的中期标准偏差和每单位时间进行的挽救吸入的次数的中期方差系数。
可以考虑每单位时间的任何合适的挽救吸入的中期平均次数,如在所述中间时段内计算的每单位时间使用所述吸入器进行的挽救吸入的次数的平均数、中位数和/或众数。特别提到了中间时段期间的挽救吸入的每日平均次数。
在一些实施例中,将所述当前统计数据和所述基线统计数据进行比较包括将所述基线平均值和所述当前平均值进行比较,例如通过将在所述基线时段内计算的每单位时间进行的挽救吸入的基线平均次数和在所述当前时段内计算的每单位时间进行的挽救吸入的当前平均次数进行比较。
例如,用于计算基线统计数据的单位时间可以与用于计算当前统计数据和(在适用的情况下)中期统计数据的单元时间相同,以便于在相应的统计数据之间进行比较。
具体地,用于计算所述挽救吸入的基线平均次数、所述挽救吸入次数的所述基线标准偏差和/或所述挽救吸入次数的所述基线方差系数的所述单位时间与用于对应计算所述挽救吸入的当前平均次数、所述挽救吸入次数的所述当前标准偏差和/或所述挽救吸入次数的所述当前方差系数的所述单位时间相同。
在所述方法随时间推移重复地迭代的实施例中,所述方法的连续迭代可以通过用于计算基线统计数据的一个或多个时间单位彼此分离。
在一些实施例中,将所述当前统计数据和所述基线统计数据进行比较包括计算所述基线平均值与所述当前平均值之间的差,例如通过计算所述基线平均数与所述当前平均数之间的差。
在非限制性实例中,将所述当前统计数据和所述基线统计数据进行比较包括将所述基线平均值与所述当前平均值之间的所述差与预定差阈值进行比较。
预定阈值可以以任何合适的方式来定义,如使用特定数字,或者使用统计测试,如有效/通用的统计测试,例如使用基线时段内挽救吸入器使用的标准偏差。
例如,对受试者的呼吸道疾病的评估可以基于当前平均值比基线平均值大达到或超过预定差阈值的差。
例如,对受试者的呼吸道疾病的评估可以部分地基于对当前时段内的挽救吸入的每日平均次数是否比基线时段内的挽救吸入的每日平均次数多至少3次的评估。
可替代地或另外地,将所述当前统计数据和所述基线统计数据进行比较包括计算所述当前平均值与所述基线平均值的比率,例如通过计算当前时段内的挽救吸入的每日平均次数与基线时段内的挽救吸入的每日平均次数的比率。
在非限制性实例中,将所述当前统计数据和所述基线统计数据进行比较包括将所述当前平均值与所述基线平均值的所述比率与预定比率阈值进行比较。
预定比率阈值可以以任何合适的方式来定义,如使用特定数字,或者使用统计测试,如有效/通用的统计测试。
例如,对受试者的呼吸道疾病的评估可以部分地基于对当前时段内的挽救吸入的每日平均次数是否是基线时段内的挽救吸入的每日平均次数的至少两倍的评估。
例如,生成所述比较器变量可以包括上文所描述的差和比率确定两者。这可能比使用没有比率的差或没有差的比率提供某些益处。
对于在基线时段内每日平均挽救吸入器使用相对较高的使用者来说,当前时段内挽救吸入器使用的增加从当前平均值与基线平均值之间的差来看可能比从当前平均值与基线平均值的比率来看更明显。相反,对于在基线时段内每日平均挽救吸入器使用相对较低的使用者来说,挽救吸入器使用的增加从当前平均值与基线平均值的比率来看可能比从差来看更明显。因此,利用比率和差可以解释这两种不同类型的受试者。
在非限制性实例中,对受试者的呼吸道疾病的评估部分地基于对当前时段内的挽救吸入的每日平均次数是否是基线时段内的挽救吸入的每日平均次数的至少两倍的评估;并且基于对当前时段内的挽救吸入的每日平均次数是否比基线时段内的挽救吸入的每日平均次数多至少3次的评估。
过度挽救吸入器使用量度可以被称为“SABA爆发”,并且可以由以下中的一项或多项来定义:当前平均值达到或超过预定阈值;当前平均值与基线平均值的比率达到或超过预定比率阈值;当前平均值比基线平均值大达到或超过预定差阈值的差;以及在挽救吸入的中间总次数上小于或等于给定阈值。
在非限制性实例中,过度挽救吸入器使用量度,例如SABA爆发,通过以下各项来定义:
最近2天(当前时段)内的每日平均吸入次数为至少3次,并且
每日平均吸入次数增加–以下各项中任一项:
-最近2天(当前时段)内的每日平均吸入次数是上周至前2周(第(-8)天至第(-20)天;基线时段)的每日平均吸入次数的2倍或更多倍
-最近2天(当前时段)内的每日平均吸入次数比上周至前2周(第(-8)天至第(-20)天;基线时段)的每日平均吸入次数多3次或更多次
-最近2天(当前时段)内的每日平均吸入次数为至少3次,并且最近7天(第(-2)天至(-8)天;中间时段)吸入为0次。
应重申的是,过度挽救吸入器使用的定义可以包含任何合适的统计测试,例如有效或常见类型的统计测试。因此,作为上文所定义的SABA爆发标准/准则中的任何一个或全部的替代方案或补充,例如,可以定义一个规则,即如果受试者具有每天X次吸入的基线使用,例如,具有标准偏差S的每天X次吸入的基线平均每日挽救吸入器使用,并且如果受试者在当前时段内每天具有超过X+1.5*S次吸入,则定义了SABA爆发。
更通常地,评估可以基于当前统计数据、基线统计数据和/或比较器变量的任何组合。
在一些实施例中,所述方法包括根据与所述受试者在所述当前时段期间使用吸入器进行的吸入期间的气流有关的所确定的参数来确定当前吸入参数统计数据。
从中确定的与气流有关的参数的吸入器可以是任何合适的吸入器,如被配置成递送挽救药物的上文所描述的吸入器。
可替代地或另外地,所述与气流有关的参数可以根据由受试者使用另外的吸入器进行的吸入来确定,所述另外的吸入器被配置成在常规吸入期间将维持药物递送到受试者。
例如,所述另外的吸入器可以被配置成递送选自以下的维持药物:布地奈德、倍氯米松(二丙酸盐)、氟替卡松(丙酸盐或糠酸盐)以及沙美特罗(昔萘酸盐)与氟替卡松(丙酸盐或糠酸盐)的组合。
传感器系统可以包含在吸入器中,例如吸入器和/或另外的吸入器,并且被配置成测量与气流有关的参数。
因此,传感器系统可以被配置成在由受试者使用吸入器进行挽救药物的挽救吸入期间和/或在由受试者使用另外的吸入器进行维持药物的常规吸入期间感测所述参数。
与吸入期间的气流有关的参数可以充当受试者的肺部病状的代替物。可以考虑与气流有关的任何合适的参数。在非限制性实例中,参数包括以下中的至少一项或由其组成:峰值吸入流量、吸入体积、达到峰值吸入流量的时间和吸入持续时间。
传感器系统可以包括用于感测与气流有关的参数的任何合适的传感器,如绝对压力传感器或差压传感器。
在使用确定系统包含用于检测吸入的传感器(例如,为了验证通过上文描述的开关检测到的尝试使用事件)的实例中,所述传感器可以与包含在用于感测与气流有关的参数的传感器系统中的传感器相同或不同。
在一些实施例中,当前吸入参数统计数据和/或从当前吸入参数统计数据得到的数据可以例如用于生成对受试者的呼吸道疾病的评估,例如通过被作为一个或多个输入应用于经训练的机器学习模型。
可替代地或另外地,生成所述比较器变量可以进一步包括使用所述当前吸入参数统计数据修改所述基线统计数据、所述当前统计数据和/或所述基线统计数据与所述当前统计数据的所述比较。
在一些实施例中,所述方法包括根据与所述受试者在所述基线时段期间使用吸入器进行的吸入期间的气流有关的所确定的参数来确定基线吸入参数统计数据。
例如,可以将此类基线吸入参数统计数据和/或从基线吸入参数统计数据得到的数据作为一个或多个输入应用于经训练的机器学习模型。
在非限制性实例中,生成所述比较器变量进一步包括将所述当前吸入参数统计数据和所述基线吸入参数统计数据进行比较。
更通常地,所述方法包括生成对所述受试者的所述呼吸道疾病的所述评估,作为所述经训练的机器学习模型的输出。
机器学习模型的构建可能涉及解决分类问题。此类分类问题可以基于一个或多个标记(换言之,响应变量的已知值)来定义。响应变量的值可以是,例如,对在即将到来的定义时间段内发生的受试者的呼吸道疾病的恶化(例如通过临床评估诊断的)的肯定/否定,和/或受试者实现在即将到来的定义时间段内指示过度挽救吸入器使用的过度挽救吸入器使用量度等。下文提供了对可能的标记(以及机器学习模型的输出)的另外的解释。
比较器变量,以及在一些实施例中,上文所描述的当前统计数据、基线统计数据、中期统计数据、当前吸入参数统计数据和/或基线吸入参数统计数据,被用作输入(换言之,特征)应用于机器学习模型。用于训练机器学习模型的训练数据可以包括多个正在训练的受试者中的每个正在训练的受试者的输入和标记。
然后,优化算法可以使用训练数据来最小化合适的损失函数,所述损失函数可以是响应变量的估计值与真值之间的差的函数。优化算法可以使用响应变量的已知值和输入的对应值来最小化损失函数的期望值。
在非限制性示例中,使用监督式机器学习技术梯度提升树(Gradient BoostingTree)来构建机器学习模型。此类梯度提升树技术可以使用任何合适的软件来实施。特别提到了XGBoost开源软件库。
梯度提升树技术在本领域中是熟知的。参见:J.H.Friedman,《计算统计和数据分析(Computational Statistics&Data Analysis)》2002,38(4),367-378;以及J.H.Friedman等人,《统计学年鉴(The Annals of Statistics)》2000,28(2),337–407。它可以以基础预测模型的集成(多个学习算法)的形式产生预测模型,所述基础预测模型是决策树(决策和其可能后果的树状模型)。上文所描述的优化算法最小化合适的损失函数,以便以迭代方式构建单个强大的学习器模型。响应变量的已知值的训练集(例如,在即将到来的时间段内是/否恶化)和输入的对应值(例如,包含比较器变量)用于最小化损失函数的期望值。学习过程连续地适应新模型,以提供对响应变量的更准确估计。
在第一组实施例中,对所述呼吸道疾病的所述评估包括对所述受试者对所述吸入器的未来使用的预测。
此类预测可以是受试者在从当前时间点逐渐向前延伸的预测时段内对吸入器的未来使用。例如,预测时段可以是紧跟在当前时间点之后的一段时间。预测时段的持续时间可以是例如1天至14天,优选地3天至10天,最优选地约5天。
预测时段可以基于模型预测受试者在此类时段内对吸入器的未来使用的能力来选择,同时还确保预测时段足够长,用于在必要时采取适当的治疗步骤。
例如,对受试者对吸入器的未来使用的预测可以包括对一个或多个与所述受试者使用所述吸入器进行吸入期间的气流有关的参数的预测。
所述一个或多个与气流有关的参数可以包括以下中的至少一项或由其组成:峰值吸入流量、吸入体积、达到峰值吸入流量的时间和吸入持续时间。
在非限制性实例中,对所述呼吸道疾病的所述评估包括对受试者的峰值吸入流量(PIF)的预测,或在一些情况下对峰值呼气流量(PEF和/或呼气流量的某个其它量度)的预测。与吸入期间的气流有关的参数,如PIF,或与呼出期间的气流有关的参数,如PEF,可以提供对使用者肺功能的量度。
在某些情况下,如当受试者的吸入器不包含用于确定与气流有关的参数的合适的传感器系统时,获得此类量度可能是不实际的。所确定的吸入器使用仍然可以用于预测参数,并且因此预测使用者的肺功能。
在具体的非限制性实例中,响应变量的值可以包括以下或由以下组成:对吸入体积是否减少到或低于预定阈值(例如,相对于基线吸入体积减少20%)的肯定/否定;和/或对峰值吸入流量是否减少(例如,相对于基线峰值吸入流量减少5%,并且所述减少是统计学上显著的,例如,参考峰值吸入流量的标准偏差)的肯定/否定。
可替代地或另外地,所述对所述受试者对所述吸入器的未来使用的预测包括对所述受试者随后实现指示过度挽救吸入器使用的过度挽救吸入器使用量度的预测。例如,此类过度挽救吸入器使用量度可以对应于本文所提供的“SABA爆发”的定义。
在作为上文所描述的第一组实施例的替代方案或补充的第二组实施例中,对所述呼吸道疾病的所述评估包括对所述受试者的呼吸道疾病的状态的临床确定的指示的近似。
术语“对临床确定的指示的近似”与“临床确定的指示”的区别在于,前者是由经训练的机器学习模型而非临床医生所确定的输出。换言之,所述模型被训练以近似所述临床评估。
对所述呼吸道疾病的所述评估可以包括对所述受试者随后遭受其呼吸道疾病的恶化的预测。
此类预测可以是受试者在从当前时间点逐渐向前延伸的恶化预测时段内遭受其呼吸道疾病的恶化。例如,恶化预测时段可以是紧跟在当前时间点之后的一段时间。恶化预测时段的持续时间可以是例如1天至14天,优选地3天至10天,最优选地约5天。
恶化预测时段可以基于模型预测此类时段内的恶化的能力来选择,同时还确保预测时段足够长,用于在必要时采取适当的治疗步骤。
在一些实施例中,所述机器学习模型是经训练的,和/或是根据初始机器学习模型调整的,所述初始机器学习模型是用训练数据进行训练,对于多个正在训练的受试者中的每个正在训练的受试者,所述训练数据包括历史比较器变量和标记数据。
所述历史比较器变量可以是通过比较与所述吸入器在历史基线时段的使用有关的历史基线统计数据和与所述吸入器在后续时段的使用有关的后续统计数据而生成的,其中所述后续时段在所述历史基线时段之后。
例如,所述标记数据可以包括对在所述后续时段后确定的所述正在训练的受试者中的每个正在训练的受试者对所述吸入器的使用的量度。
在此类非限制性实例中,所述对在所述后续时段后确定的所述正在训练的受试者中的每个正在训练的受试者对所述吸入器的使用的量度可以例如包括对每个正在训练的受试者是否实现上文所描述的指示过度挽救吸入器使用的过度挽救吸入器使用量度(例如,经历SABA爆发)的评估。
在另一个具体非限制性实例中,响应变量的值可以包括以下中的至少一项或由其组成:
对在7天时段没有任何使用后的连续2天是否有任何挽救吸入器使用的肯定/否定;
对挽救吸入器使用的平均每日次数是否等于或超过绝对阈值(例如,每天1.5次使用)并且等于或超过参考挽救吸入器使用的基线平均每日次数定义的阈值(例如,是挽救吸入器使用的基线平均每日次数的至少2倍)的肯定/否定;
对挽救吸入器的使用是否随时间推移而增加(所述增加可以通过统计学上显著的线性回归进行建模)并且斜率等于或大于斜率阈值(例如,每天1次挽救吸入)的肯定/否定;以及
对在一定天数(例如,0天至3天)内没有进行夜间挽救吸入器使用之后是否有夜间挽救吸入器使用(例如,在00:00与05:00之间)的肯定/否定。
在一些实施例中,所述机器学习模型是根据所述初始机器学习模型使用另外的标记数据调整的,所述另外的标记数据包括多个临床评估受试者中的每个临床评估受试者的所述呼吸道疾病的状态的临床确定的指示。
在此类实施例中,对于所述多个临床评估受试者中的每个临床评估受试者,所述另外的标记数据可以例如包括对所述相应临床评估受试者是否遭受其呼吸道疾病的恶化的指示。
下文将更详细地描述此类两步机器学习模型训练过程的实例。
更通常地,所述方法还可以包括控制用户界面以基于所生成的对受试者的呼吸道疾病的评估来传送通知。
例如,所述通知可以包括警告和/或建议,例如建议受试者寻求医疗护理和/或采取某种其它预防性步骤。例如,如果所生成的对受试者的呼吸道疾病的评估指示受试者的呼吸道疾病加重,如指示即将恶化的急性加重,则可以通过用户界面来传送此类警告和/或建议。
可替代地或另外地,所述通知可以呈用于提示受试者提供其呼吸道疾病状态的指示的提示的形式。
以此方式,吸入器使用数据可以通过来自受试者的另外的状态输入来补充。使用者输入的指示可以提供信息,所述信息确认或验证所生成的评估。
此外,这种基于所生成的评估来提示使用者输入指示的方法,与例如常规提示使用者输入指示而不考虑其吸入器使用的情况相比,可以减轻受试者的负担。这进而可以使受试者更有可能在被提示时输入指示。因此,可以实现对受试者的呼吸道疾病的改善的监测。
进一步提供了一种用于治疗受试者的呼吸道疾病恶化的方法,所述方法包括:执行如上所定义的方法;以及基于所生成的评估来治疗呼吸道疾病。
治疗可以包括修改现有的治疗。现有的治疗可以包括第一治疗方案,并且修改呼吸道疾病的现有的治疗可以包括基于所生成的评估从第一治疗方案改变为第二治疗方案,其中所述第二治疗方案被配置用于受试者的呼吸道疾病的更差状况,例如与所述第一治疗方案相比具有更高的呼吸道疾病恶化的风险。
因此,所生成的评估可以有可能指导对呼吸道疾病可以得到更好治疗和/或管理的受试者进行干预。例如,实施第二治疗方案可能涉及使受试者进行GINA或GOLD指南中规定的更高步骤。例如,此类预防性干预可能意味着受试者不需要继续遭受恶化,并且也不需要承受相关的风险,以便有理由推进到第二治疗方案。
在一实施例中,第二治疗方案包括向受试者施用生物制剂药物。生物制剂的相对较高的成本意味着,加强受试者的治疗来包含施用生物制剂药物倾向于需要仔细考虑和合理性。所生成的评估可以提供可靠的度量来证明施用生物制剂药物的合理性。
术语“生物制剂药物”可以指含有一种或多种由生物来源制成或源自生物来源的活性物质的药物。
生物制剂药物可以包括奥马珠单抗(omalizumab)、美泊利单抗(mepolizumab)、瑞替珠单抗(reslizumab)、贝那利珠单抗(benralizumab)和度匹鲁单抗(dupilumab)中的一种或多种。
修改呼吸道疾病的现有治疗可以包括基于所生成的评估从第一治疗方案改变为第三治疗方案。第三治疗方案可以被配置成与第一治疗方案相比呼吸道疾病恶化的风险更低。
在此非限制性实例中,所生成的评估可以用作指导,以证明降级或甚至移除现有治疗方案的合理性。例如,这可能涉及将受试者推进到GINA或GOLD指南中指定的较低步骤。
因此,所生成的评估可以用于监测受试者恢复,并且例如,可以用于证明停止口服类固醇或其它药物的合理性。这可能有助于降低医院/医疗机构再次入院的风险。
进一步提供了一种用于训练机器学习模型以用于生成对受试者的呼吸道疾病的评估的方法。因此经训练的机器学习模型可以例如在上文所描述的方法中用于生成对受试者的呼吸道疾病的评估。
用于训练机器学习模型的方法包括,对于多个正在训练的受试者中的每个正在训练的受试者,确定与吸入器在基线时段的使用有关的基线统计数据。如先前所描述,所述吸入器被配置成将挽救药物递送到所述正在训练的受试者,并且具有被配置成确定所述正在训练的受试者对所述吸入器的使用的使用确定系统。
用于训练机器学习模型的方法还包括,对于多个正在训练的受试者中的每个正在训练的受试者,确定与所述吸入器在后续时段的使用有关的后续统计数据。
类似于在用于生成对受试者的呼吸道疾病的评估的方法的上文所描述的实施例,其中基线时段通过中间时段与当前时段分离,中间时段可以将后续时段与基线时段分离。
在此训练方法中,为多个正在训练的受试者中的每个正在训练的受试者生成比较器变量。生成所述比较器变量包括将所述后续统计数据和所述基线统计数据进行比较。
对于正在训练的受试者中的每个正在训练的受试者,获得标记数据,所述标记数据包括对相应的正在训练的受试者的呼吸道疾病的评估。
所述方法进一步包括生成包括所述比较器变量和所述标记数据的训练数据,并且使用所述训练数据训练所述机器学习模型。当将所述训练数据作为输入数据应用于所述机器学习模型时,所述机器学习模型被训练以近似所述标记数据。
如先前所描述,机器学习模型的训练可以以任何合适的方式来实施,如通过采用优化算法,所述优化算法使用训练数据以最小化合适的损失函数,所述损失函数可以是响应变量(换言之,标记数据)的估计值与真值之间的差的函数。
关于标记数据,在一些实施例中,对呼吸道疾病的评估包括对在后续时段后,换言之,在后续时段之后的时段中确定的相应的正在训练的受试者对吸入器的使用的量度。
在非限制性实例中,对在后续时段后确定的相应的正在训练的受试者对吸入器的使用的量度可以例如包括对在后续时段后对相应的正在训练的受试者是否实现上文所描述的指示过度挽救吸入器使用的过度挽救吸入器使用量度的评估。
因此,经训练的机器学习模型可以用于基于将基线和当前/后续挽救吸入器使用(例如,分别在不连续的基线时段和当前时段内的基线和当前/后续挽救吸入器使用)进行比较来预测未来挽救吸入器使用。
例如,过度挽救吸入器使用可以指示受试者的呼吸道疾病的加重。预测未来挽救吸入器使用的能力可以相应地提供例如即将恶化的警告。在至少一些实施例中,可以不需要临床评估来训练机器学习模型,因为基于挽救吸入器使用的标记数据可以包括对在后续时段后确定的正在训练的受试者中的每个正在训练的受试者对吸入器的使用的量度。
可替代地或另外地,对相应的正在训练的受试者对吸入器的使用的量度可以包括一个或多个与相应的正在训练的受试者使用所述吸入器进行吸入期间的气流有关的参数。所述一个或多个与气流有关的参数可以包括以下中的至少一项或由其组成:峰值吸入流量、吸入体积、达到峰值吸入流量的时间和吸入持续时间。如先前所描述,所确定的吸入器使用可以用于预测参数,并且因此预测使用者的肺功能。
可替代地或另外地,对呼吸道疾病的评估可以包括对受试者的呼吸道疾病状态的临床确定的指示的近似,例如,如本文所定义的“中度”或“重度”恶化。术语“临床确定的指示”可以指独立于吸入器使用数据对受试者进行的临床评估,例如由医疗保健提供者进行的评估。
用于训练机器学习模型的方法的一些实施例包括,对于多个临床评估受试者中的每个临床评估受试者,确定所述基线统计数据;确定所述后续统计数据;生成所述比较器变量,包括将所述后续统计数据和所述基线统计数据进行比较。所述方法进一步包括获得另外的标记数据,所述另外的标记数据包括对相应临床评估受试者的呼吸道疾病的状态的临床确定的指示。然后生成包括比较器变量和另外的标记数据的另外的训练数据,并且使用另外的训练数据来训练经调整的机器学习模型。
在非限制性实例中,包含在用于训练机器学习模型的训练数据中的标记数据包括对在后续时段后确定的、但没有任何临床确定的指示的正在训练的受试者中的每个正在训练的受试者对吸入器的使用的量度。
在已经使用此标记数据训练了机器学习模型之后,可以使用包括另外的标记数据的上文所描述的另外的训练数据来调整,例如验证因此训练的模型。由于另外的标记数据包括对相应的临床评估受试者的呼吸道疾病的状态的临床确定的指示,因此训练经调整的模型可以提供经调整的机器学习模型,所述经调整的机器学习模型被配置成预测受试者的呼吸道疾病的恶化。
经调整的机器学习模型可以包括输入,包含比较器变量,所述输入对应于例如与用于训练(初始)机器学习模型的至少一些输入相同。
应注意,在多个正在训练的受试者与多个临床评估受试者之间可能存在至少某个重叠,取决于是否对前者中的任何一个进行了临床评估。在此类重叠的情况下,不需要重复确定基线统计数据、确定后续统计数据以及生成所述比较器变量。
在替代性非限制性实例中,一种用于训练机器学习模型的方法包括,对于多个临床评估受试者中的每个临床评估受试者,提供一个或多个过度挽救吸入器使用量度,例如,如在上文所描述的实例中的任何实例中所定义的一个或多个过度挽救吸入器使用量度,如SABA爆发。所述方法进一步包括获得另外的标记数据,所述另外的标记数据包括对相应临床评估受试者的呼吸道疾病的状态的临床确定的指示。然后生成包括一个或多个过度挽救吸入器使用量度和另外的标记数据的另外的训练数据,并且使用另外的训练数据来训练另外的机器学习模型。当将另外的训练数据作为输入数据应用于机器学习模型时,另外的机器学习模型被训练以近似另外的标记数据。
在此类实例中,临床确定的指示可以包括临床确认的受试者呼吸道疾病的恶化或由其组成。因此,过度挽救吸入器使用量度可以应用于另外的机器学习模型,以便例如预测恶化(由于另外的机器学模型被训练以近似此类临床确定的恶化)。如先前所描述,此类预测可以是受试者在恶化预测时段内遭受其呼吸道疾病的恶化。
在一些实施例中,一种用于在当前时间点生成对受试者的呼吸道疾病的评估的方法包括:确定上文所描述的与吸入器在基线时段的使用有关的基线统计数据,所述吸入器被配置成将挽救药物递送到所述受试者,并且具有被配置成确定所述受试者对所述吸入器的使用的使用确定系统。所述方法还包括确定上文所描述的与所述吸入器在当前时段的使用有关的当前统计数据,所述当前时段含有所述当前时间点,其中中间时段将所述当前时段与所述基线时段分离。生成比较器变量包括将所述当前统计数据和所述基线统计数据进行比较。所述方法进一步包括基于所述比较器变量生成所述评估。
在此类实施例中,可以使用模型,例如合适的线性或非线性模型来生成评估,但是所述模型不需要是机器学习模型。例如,此类模型可以基于或源自上文所描述的一个或多个机器学习模型,而不是其本身通过机器学习技术构建。
进一步提供了一种用于训练机器学习模型以用于生成对受试者的呼吸道疾病的评估的方法。此方法包括,对于多个正在训练的受试者中的每个正在训练的受试者,获得测量数据,所述测量数据包括与正在训练的受试者对吸入器的使用有关的数据。如先前所描述,所述吸入器被配置成将挽救药物递送到所述正在训练的受试者,并且具有被配置成确定所述正在训练的受试者对所述吸入器的使用的使用确定系统。
确定与所述吸入器在基线时段的使用有关的基线统计数据。还确定了与所述吸入器在后续时段的使用有关的后续统计数据。类似于在用于生成对受试者的呼吸道疾病的评估的方法的上文所描述的实施例,其中基线时段通过中间时段与当前时段分离,中间时段可以将后续时段与基线时段分离。
为多个正在训练的受试者中的每个正在训练的受试者生成比较器变量。生成所述比较器变量包括将所述后续统计数据和所述基线统计数据进行比较。
所述方法进一步包括根据所述比较器变量是否超过预定阈值来标记所述测量数据;以及使用所述多个正在训练的受试者的所标记的测量数据来训练所述机器学习模型。所述机器学习模型由此被训练以生成对所述呼吸道疾病的评估。
本公开还提供了一种计算机程序,其包括计算机程序代码,所述计算机程序代码被配置成当所述程序在一个或多个物理计算装置上运行时使所述一个或多个物理计算装置执行一种或多种上文所描述的方法。
类似地,本公开提供了一种或多种非暂时性计算机可读介质,所述一种或多种非暂时性计算机可读介质在其上存储有计算机程序,所述计算机程序包括计算机程序代码,所述计算机程序代码被配置成当所述计算机程序在一个或多个物理计算装置上运行时使所述一个或多个物理计算装置实施一种或多种上文所描述的方法。
还提供了一种用于在当前时间点生成对受试者的呼吸道疾病的评估的系统。所述系统包括吸入器,所述吸入器用于将挽救药物递送到所述受试者,所述吸入器具有使用确定系统,所述使用确定系统被配置成确定由所述受试者使用所述吸入器进行的挽救吸入。所述系统进一步包括一个或多个处理器,所述一个或多个处理器被配置成确定与所述吸入器在基线时段的使用有关的基线统计数据;并且确定与所述吸入器在当前时段的使用有关的当前统计数据,所述当前时段含有所述当前时间点。所述一个或多个处理器还被配置成生成比较器变量。如先前所描述,生成所述比较器变量包括将所述当前统计数据和所述基线统计数据进行比较。
如上文关于所述方法的至少一些实施例所描述,中间时段可以将所述当前时段与所述基线时段分离。
所述一个或多个处理器被配置成基于所述比较器变量生成所述评估。
所述一个或多个处理器可以以任何合适的方式来实施,并且可以例如包含通用处理器、专用处理器、DSP、微控制器、集成电路等,所述处理器可以使用硬件和/或软件来配置以执行本文所描述的用于一个或多个处理器的功能。所述一个或多个处理器可以部分地或全部地包含在吸入器、使用者装置和/或服务器中。
例如,所述一个或多个处理器可以与例如如电源(例如电池)和存储器等另外的电子组件一起提供在系统中。
在非限制性实例中,所述一个或多个处理器至少部分地包含在使用者装置中包含的第一处理模块中,所述使用者装置如个人计算机、平板计算机和/或智能手机。在其它非限制性实例中,所述一个或多个处理器被包含或不被包含在使用者装置中。所述一个或多个处理器(或其至少一部分)可以例如被提供在服务器中,例如远程服务器。例如,所述一个或多个处理器可以在吸入器、使用者装置和/或远程服务器的任何组合上实施。因此,参考所述一个或多个处理器描述的功能或处理的任何组合可以由位于吸入器、使用者装置和/或服务器上的处理器执行。
在至少一些实施例中,所述一个或多个处理器被配置成将比较器变量作为输入应用于经训练的机器学习模型。上文已经关于方法描述了此类经训练的机器学习模型和此类机器学习模型的训练的实例。所述一个或多个处理器被配置成生成对所述受试者的所述呼吸道疾病的所述评估,作为所述经训练的机器学习模型的输出。
在一些实施例中,所述系统包括用户界面,并且所述一个或多个处理器被配置成控制所述用户界面以基于所生成的评估来传送通知。
例如,所述通知可以包括警告和/或建议,例如建议受试者寻求医疗护理和/或采取某种其它预防性步骤。可替代地或另外地,如先前所描述,所述通知可以呈用于提示受试者提供其呼吸道疾病状态的指示的提示的形式。
例如,所述用户界面可以被配置成使得使用者输入所述指示,以及传送所述通知。
例如,所述用户界面可以包括第一用户界面和第二用户界面,所述第一用户界面被配置成使得使用输入所述指示,所述第二用户界面被配置成在由所述一个或多个处理器控制时输出所述通知,例如警告和/或提示。
例如,第一用户界面和第二用户界面可以被包含在同一使用者装置中。
在非限制性实例中,用户界面包括触摸屏。在此类实例中,第二用户界面包括触摸屏的显示器,并且第一用户界面包括触摸屏的触摸输入系统。此类触摸屏使得能够方便地进行使用者输入和提示,并且因此在受试者的呼吸道疾病恶化的情况下特别有益,如所生成的评估所指示。
作为通过触摸屏发出的提示的替代方案或补充,第二用户界面可以包括扬声器,用于在由所述一个或多个处理器控制时发出音频通知,例如提示和/或警告。
在一实施例中,用户界面,例如第一用户界面,被配置成提供多个使用者可选择的呼吸道疾病状态选项。在此情况下,所述指示通过使用者选择所述状态选项中的至少一个状态选项来定义。
例如,用户界面可以提示使用者或受试者通过弹出通知链接来提供指示以完成简短问卷。
在非限制性实例中,用户界面显示问卷,所述问卷包括其答案对应于指示的问题。使用者,例如受试者或他/她的医疗保健提供者,可以使用用户界面输入问题的答案。
在一些实施例中,所述系统包括存储器,例如用于存储通过用户界面输入的每个指示的存储器。所述指示后续可以被检索例如以支持受试者与他/她的医疗保健提供者之间的对话。以此方式,出于对话的目的,不需要依赖受试者对其呼吸道疾病的先前状态的回忆。
问卷可能相对较短,即问题相对较少,以便最小化受试者的负担。然而,问题的数量和性质可以确保指示使得能够可靠地评估受试者的临床病状,例如包含受试者经历恶化的可能性。
特别提到了以六点/六个问题问卷的形式输入指示,因为对足够的临床信息的要求与避免给受试者带来太多负担相平衡,特别是当他/她可能患有加重的症状时,如所生成的评估所指示。
更通常地,问卷的目的是确定同时期或相对近期(例如在过去24小时内)的指示,以便通过一些及时的问题获得对受试者健康状况(就其呼吸道疾病而言)的“即时”了解,所述及时的问题相对较快地得到了回答。问卷可以翻译成受试者的当地语言。
常规的控制问卷,并且尤其是最确立的是哮喘的ACQ/T(哮喘控制问卷/测试)或COPD的CAT(COPD评估测试),倾向于关注患者对过去症状的回忆。出于预测分析的目的,回忆偏倚和关注过去而不是现在可能会对其价值产生负面影响。
以下内容是通过此类问卷的非限制性实例的方式提供的。对于每个问题,受试者可以从以下状态选项中进行选择:所有时间(5);大多数时间(4);一些时间(3);一点(2);无(1)。
1.您‘多久经历一次’呼吸短促,或者‘评价一下’您的呼吸短促程度?
2.您‘多久经历一次’咳嗽,或者‘评价一下’您的咳嗽程度?
3.您‘多久经历一次’喘息,或者‘评价一下’您的喘息程度?
4.您‘多久经历一次’胸闷,或者‘评价一下’您的胸闷程度?
5.您‘多久经历一次’夜间症状/影响睡眠,或者‘评价一下’您的夜间症状/影响睡眠程度?
6.您‘多久经历一次’工作/学校/在家受限,或者‘评价一下’您的工作/学校/在家受限程度?
还提供了替代性示例问卷:
1.您的呼吸道症状比平时更多吗(Y/N)?如果是:
2.更多胸闷或呼吸短促(Y/N)?
3.更多咳嗽(Y/N)?
4.更多喘息(Y/N)?
5.这影响您的睡眠吗(Y/N)?
6.这限制您在家/工作/学校的活动吗(Y/N)?
还提供了仍另一个示例问卷:
1.您是否有更多:
胸闷或呼吸短促?(Y/N)
咳嗽?(Y/N)
喘息?(Y/N)
2.您的睡眠好吗?(Y/N)
3.您是否以任何方式限制了您的日常活动?(Y/N)
4.您是否感染或接触过过敏原(例如,猫、花粉)?(Y/N)
还提供了又另一个示例问卷:
1.您是否有:
更多胸闷或呼吸短促?(Y/N)
更多咳嗽?(Y/N)
更多喘息?(Y/N)
2.您的睡眠好吗?(Y/N)
3.您限制您在家/工作/学校的活动吗?(Y/N)
4.您已经受到感染?(Y/N)
如果是,您服用了抗生素和/或类固醇吗?(Y/N)
5.您最近是否接触过过敏原(例如,猫、花粉)?(Y/N)
6.(任选)您最近的医院焦虑和抑郁量表(HADS)评分是多少?
例如,问题的答案可以用于计算评分,所述评分被包含在受试者正在经历的呼吸道疾病的状态的指示中或对应于所述指示。
在一些实施例中,用户界面被配置成以可选择图标(例如表情类型图标、复选框、滑块和/或拨号盘)的形式提供状态选项。以此方式,用户界面可以提供输入受试者正在经历的呼吸道疾病的状态的指示的直接和直观的方式。当受试者自己正在输入指示时,此类直观的输入可能是特别有利的,因为相对简便的使用者输入可能受到受试者的呼吸道疾病的任何加重的最小阻碍。
可以采用任何合适的用户界面来实现使用者输入受试者(例如,主观上)正在经历的呼吸道疾病的状态的指示的目的。例如,用户界面可以包括使用者装置的用户界面或由其组成。使用者装置可以是,例如,个人计算机、平板计算机和/或智能手机。如先前所描述,当使用者装置是智能手机时,用户界面可以例如对应于智能手机的触摸屏。
在一些非限制性实例中,所述系统可以被进一步配置成使得当实使用者选择这样输入指示时,可以通过用户界面输入指示。因此,使用者,例如受试者,不需要等待提示来输入指示。
可替代地或另外地,所述一个或多个处理器可以被配置成基于在预定时间段(例如7天)期间没有触发指示受试者病状加重的标记来发出提示。
这可以有助于:a)确保患者没有出现使用确定系统(使用和/或吸入参数)所缺失的症状;和/或b)捕获患者是否健康(例如,对上文所描述的问卷的所有‘否’的答案),并且指示以及挽救吸入器使用和吸入参数数据因此彼此一致;和/或c)作为捕获患者是否以及何时正在康复的方式。
更通常地,本文所描述的关于方法、计算机程序和非暂时性计算机可读介质的任何实施例可应用于本文所描述的系统,并且关于系统所描述的任何实施例可以应用于方法、计算机程序和非暂时计算机可读介质。
图1示出了根据一个实施例的系统10的框图。系统10包括吸入器100和一个或多个处理器14。吸入器100可以用于向受试者递送挽救药物,如SABA。SABA可以包含例如沙丁胺醇。吸入器100可以包含使用确定系统12B和任选地传感器系统12A。
例如,系统10可以被可替代地称为“吸入器组合件”。
传感器系统12A可以被配置成通过受试者使用吸入器100进行的吸入来测量吸入参数的值。传感器系统12A例如可以包括一个或多个传感器,如一个或多个压力传感器、温度传感器、湿度传感器、定向传感器、声学传感器和/或光学传感器。压力传感器可以包含气压传感器(例如,大气压力传感器)、差压传感器和/或绝对压力传感器等。传感器可以采用微机电系统(MEMS)和/或纳米机电系统(NEMS)技术。
压力传感器可能特别适合于测量参数,因为受试者在吸入期间的气流可以通过测量相关的压力变化来监测。如将参考图40至44进行更详细的解释,例如,压力传感器可以位于流动路径内或与流动路径流体连通,受试者在吸入期间通过所述流动路径吸入空气和药物。测量参数的替代性方式,如通过合适的流量传感器,对本领域技术人员来说也将是显而易见的。
可替代地或另外地,传感器系统12A可以包括差压传感器。例如,差压传感器可以包括双端口型传感器,用于测量穿过受试者吸入的空气通道的区段的压力差。可以可替代地使用单端口计型传感器。后者通过测量吸入期间和当无流量时空气通道中的压力差来进行操作。读数的差对应于与吸入相关的压降。
虽然图1中未示出,但系统10可以进一步包括用于将维持药物递送到受试者的另外的吸入器。另外的吸入器可以包含传感器系统12A和任选地使用确定系统12B,所述传感器系统和所述使用确定系统分别不同于吸入器100的任选的传感器系统12A和使用确定系统12B。另外的吸入器的传感器系统12A可以被配置成通过受试者使用另外的吸入器进行的吸入来测量吸入参数的值。例如,另外的吸入器的传感器系统12A可以包含另外的压力传感器,如另外的微机电系统压力传感器或另外的纳米机电系统压力传感器,以便在吸入维持药物期间测量吸入参数。
相对于当没有发生吸入时,每次吸入可以与气流通道中的压力降低相关。压力处于其最低处的点可以对应于峰值吸入流量。传感器系统12A可以检测到吸入中的此点。峰值吸入流量可能因吸入而异,并且可能取决于受试者的临床病状。随时间推移而下降的峰值吸入流量可以指向受试者的呼吸道疾病的加重。
与每次吸入相关的压力变化可以可替代地或另外地用于确定吸入体积。这可以通过例如使用由传感器系统12A测量的吸入期间的压力变化来实现,以首先确定在吸入时间内的流速,由此可以得到总吸入体积。随时间推移而降低的吸入体积可以指向受试者的呼吸道疾病的加重。
与每次吸入相关的压力变化可以可替代地或另外地用于确定吸入持续时间。例如,可以记录从由传感器系统12A测量的压力的第一次减少(与吸入的开始一致)到压力返回到对应于没有发生吸入的压力的时间。随时间推移吸入持续时间越短可以指向肺功能减弱,并且因此的受试者呼吸道疾病的加重。
在一实施例中,参数包含达到峰值吸入流量的时间,例如作为峰值吸入流量、吸入体积和/或吸入持续时间的替代方案或补充。此达到峰值吸入流量的时间参数可以被记录,例如,从由传感器系统12A测量的压力的第一次减少(与吸入的开始一致)到达到对应于峰值流量的最小值的压力。病状下降的患者可能倾向于花费更多的时间才能达到峰值吸入流量。
在非限制性实例中,吸入器和/或另外的吸入器可以被配置成使得对于正常吸入,在吸入开始后的大约0.5秒期间分配相应的药物。受试者的吸入仅在0.5秒过去后(如大约1.5秒后)达到峰值吸入流量,可能部分地指示受试者肺部状况受损。
在图1所示的非限制性实例中,使用确定系统12B被配置成记录由受试者进行的吸入。对于被配置成将挽救药物递送到受试者的吸入器100,使用确定系统被配置成确定受试者使用吸入器100进行的每次挽救吸入。
在非限制性实例中,吸入器100可以包括药物储器(图1中未示出)和剂量计量组合件(图1中未示出),所述剂量计量组合件被配置成计量来自储器的挽救药物的剂量。使用确定系统12B可以被配置成记录由剂量计量组合件进行的剂量的计量,由此每个计量指示受试者使用吸入器100进行的挽救吸入。因此,吸入器100可以被配置成监测药物的挽救吸入次数,因为剂量在被受试者吸入之前必须通过剂量计量组合件进行计量。计量布置的一个非限制性实例将参考图40至图43进行更详细的解释。
可替代地或另外地,使用确定系统12B可以以不同的方式和/或基于对本领域技术人员显而易见的另外的或替代性反馈来记录每次吸入。例如,使用确定系统12B可以被配置成当来自传感器的反馈指示使用者的吸入已经发生时(例如,当压力测量值或流速超过与成功吸入相关的预定阈值时)记录受试者的吸入。进一步,在一些实例中,使用确定系统12B可以被配置成当吸入器的开关或外部装置(例如,智能手机的触摸屏)的使用者输入在吸入之前、期间或之后被受试者手动致动时记录吸入。
例如,传感器(例如,压力传感器)可以被包含在使用确定系统12B中,以便记录每次吸入。在此类实例中,使用确定系统12B和传感器系统12A可以采用相应的传感器(例如,压力传感器),或者被配置成实现使用检测和吸入参数感测功能的公共传感器(例如,公共压力传感器)。
当传感器被包含在使用确定系统12B中时,所述传感器可以例如用于确认通过剂量计量组合件计量的剂量被使用者吸入或者评估通过剂量计量组合件计量的剂量被使用者吸入的程度,如将参考图40至图43进行更详细的描述。
在一实施例中,传感器系统12A和/或使用确定系统12B包含声学传感器。此实施例中的声学传感器被配置成感测当受试者通过吸入器100吸入时生成的噪声。声学传感器可以包含例如麦克风。
在非限制性实例中,吸入器100可以包括舱,所述舱被布置成当受试者通过所述装置吸入时旋转;所述舱的旋转生成用于由声学传感器进行检测的噪声。因此,所述舱的旋转可以提供合适地可解释的噪声,例如咔嗒声,用于得到使用和/或吸入参数数据。
例如,可以使用算法来解释声学数据,以便确定使用数据(当声学传感器被包含在使用确定系统12B中时)和/或与吸入期间的气流有关的吸入参数(当声学传感器被包含在传感器系统12A中时)。
例如,可以使用P.Colthorpe等人,“将电子产品添加到满足患者和监管机构的需求(Adding Electronics to the />Satisfying the Needs ofPatients and Regulators)”,《呼吸道药物递送(Respiratory Drug Delivery)》2018,1,71-80中描述的算法。一旦检测到所生成的声音,算法就可以处理原始声学数据以生成使用和/或吸入参数数据。
包含在系统10中的一个或多个处理器14可以以各种方式进行配置。如图1中传感器系统12A与处理器14之间的箭头示意性所示,处理器14可以从任选的传感器系统12A接收吸入参数数据。以类似的方式,一个或多个处理器14可以从使用确定系统12B接收使用数据。
在一实施例中,一个或多个处理器14被配置成确定与吸入器100在基线时段的使用有关的基线统计数据;并且确定与吸入器100在当前时段的使用有关的当前统计数据,所述当前时段含有所述当前时间点。一个或多个处理器14还被配置成生成比较器变量。生成所述比较器变量包括将所述当前统计数据和所述基线统计数据进行比较。如先前所描述,一个或多个处理器14被配置成基于所述比较器变量生成评估。
如上文关于所述方法的至少一些实施例所描述,中间时段可以将所述当前时段与所述基线时段分离。
在至少一些实施例中,一个或多个处理器14被配置成将比较器变量作为输入应用于经训练的机器学习模型。上文已经关于方法描述了此类经训练的机器学习模型和此类机器学习模型的训练的实例。所述一个或多个处理器被配置成生成对所述受试者的所述呼吸道疾病的所述评估,作为所述经训练的机器学习模型的输出。
虽然图1中不可见,但是系统10可以包含用户界面,并且一个或多个处理器14被配置成控制用户界面以基于所生成的评估来传送通知。
例如,所述通知可以包括警告和/或建议,例如建议受试者寻求医疗护理和/或采取某种其它预防性步骤。可替代地或另外地,如先前所描述,所述通知可以呈用于提示受试者提供其呼吸道疾病状态的指示的提示的形式。
更通常地,系统10的一个或多个处理器14可以以任何合适的方式提供和实施。在非限制性实例中,一个或多个处理器14可以与相应的吸入器分开提供,在这种情况下,一个或者多个处理器14接收从使用确定系统12B向其发射的挽救吸入的次数,以及任选地接受从传感器系统12A向其发射的吸入参数数据。通过在此类外部处理单元中,如在外部装置的处理单元中,或者在服务器(例如,远程服务器)中处理数据,可以有利地保持吸入器的电池寿命。
在替代性非限制性实例中,一个或多个处理器14可以是吸入器100的整体部分,例如包含在吸入器100主壳体或顶盖(图1中未示出)内。在此类实例中,不需要依赖到外部装置的连接。
还可以设想,一个或多个处理器14的一些功能可以由包含在吸入器100中的内部处理单元来执行,并且一个或多个处理器14的其它功能可以由外部处理单元执行。
更通常地,系统10可以包含例如通信模块(图1中未示出),所述通信模块被配置成将所生成的评估传送到受试者和/或医疗保健提供者,如临床医生。受试者和/或临床医生然后可以基于所生成的评估采取适当的步骤。例如,当处理器中包含智能手机处理单元时,可以采用智能手机的通信功能,如SMS、电子邮件、等,将所生成的评估传送到医疗保健提供者。
图2示出了系统10的非限制性实例。系统10包含吸入器100、外部装置15(例如,移动装置)、公共和/或专用网络16(例如,互联网、云网络等)以及个人数据存储装置17。外部装置15可以例如包含智能手机、个人计算机、膝上型计算机、具有无线功能的媒体装置、媒体流装置、平板装置、可穿戴装置、具有Wi-Fi或无线通信功能的电视或任何其它合适的具有互联网协议的装置。例如,外部装置15可以被配置成通过Wi-Fi通信链路、Wi-MAX通信链路、或/>智能通信链路、近场通信(NFC)链路、蜂窝通信链路、电视空白空间(TVWS)通信链路或其任何组合来发射和/或接收RF信号。外部装置15可以通过公共和/或专用网络16将数据传输到个人数据存储装置17。
吸入器100可以包含通信电路,如无线电,用于将数据传输到外部装置15。
吸入器100还可以例如从外部装置15接收数据,如例如程序指令、操作系统改变、剂量信息、警报或通知、确认等。
外部装置15可以包含一个或多个处理器14的至少一部分,并且由此处理、分析和/或传送由使用确定系统12B确定的对吸入器100的使用,以及任选地来自传感器系统12A的吸入参数数据。例如,外部装置15可以处理使用数据,如确定当前和/或基线统计数据,生成比较器变量,并且生成评估量度,如框18A所表示。此类信息可以提供给个人数据存储装置17,以在其上进行远程存储。
在一些非限制性实例中,外部装置15还可以处理数据以鉴定无吸入事件、低吸入事件、良好吸入事件、过度吸入事件和/或呼气事件,如框18B所表示。外部装置15还可以处理数据以鉴定未充分使用事件、过度使用事件和最佳使用事件,如框18C所表示。例如,外部装置15可以处理数据以估计已递送和/或剩余的剂量次数,并且鉴定错误状况,如与指示受试者未能吸入已由剂量计量组合件计量的药物剂量的时间戳错误标记相关的错误状况。外部装置15可以包含显示器和用于通过图形用户界面可视地呈现使用参数的软件。
尽管被展示为存储在个人数据存储装置17上,但是在一些实例中,如框18A所表示的所生成的评估、如框18B所表示的无吸入事件、低吸入事件、良好吸入事件、过度吸入事件和/或呼气事件和/或如框18C所表示的未充分使用事件、过度使用事件和最佳使用事件中的至少一些可以被存储在外部装置15上。
图3提供了根据实例的方法20的流程图。方法20用于在当前时间点生成对受试者的呼吸道疾病的评估。方法20包括确定22与吸入器在基线时段的使用有关的基线统计数据。如先前所描述,所述吸入器被配置成将挽救药物递送到所述受试者,并且具有被配置成确定所述受试者对所述吸入器的使用的使用确定系统。
方法20还包括确定24与所述吸入器在当前时段的使用有关的当前统计数据,所述当前时段含有所述当前时间点。
如先前所描述,中间时段可以将所述当前时段与所述基线时段分离,使得所述基线时段和所述当前时段是不连续的。所述中间时段可以具有固定的持续时间。在一些实施例中,所述中间时段的持续时间为3天至15天,优选地约7天。
方法20进一步包括生成26比较器变量。在此实例中,生成26所述比较器变量包括将所述当前统计数据和所述基线统计数据进行比较。在步骤28中生成对所述呼吸道疾病的所述评估。对所述呼吸道疾病的所述评估是基于所述比较器变量的。
应注意,图3中所描绘的操作顺序并非旨在是限制性的,并且方法20可以以任何合适的顺序实施,如通过在确定22基线统计数据之前进行确定24当前统计数据。同样适用于本公开中提供的其它流程图。流程图中描绘了各种任选的步骤,在一些情况下如通过虚线框和/或箭头所指示。
生成28对呼吸道疾病的评估可以以任何合适的方式来实施。在至少一些实施例中,可以使用模型,例如合适的线性或非线性模型来生成评估,但是所述模型本身不需要是机器学习模型。例如,此类模型可以基于或源自上文所描述的一个或多个机器学习模型,而不是其本身通过机器学习技术构建。
然而,图4中所示的方法20进一步包括将比较器变量应用30于经训练的机器学习模型。在此情况下,生成28对呼吸道疾病的评估涉及生成所述评估作为经训练的机器学习模型的输出。
如先前所描述,所述基线统计数据可以包括以下中的一项或多项或由其组成:在所述基线时段内计算的每单位时间使用所述吸入器进行的挽救吸入的基线平均次数、每单位时间使用所述吸入器进行的挽救吸入的次数的基线标准偏差和每单位时间进行的挽救吸入的次数的基线方差系数。
图5描绘了一种示例性方法20,其中确定22基线统计数据包括对基线时段内的挽救吸入求和22A,并且将所述总和除以22B基线时段的长度。例如,基线时段的长度可以是一定数量的天数,如10天至30天、优选地约10天、或约11天、或约12天、或约13天、或约14天、或约15天、或约16天、或约17天、或约18天、或约19天、或约20天、或约21天、或约22天、或约23天、或约24天或约25天,最优选地约13天或约20天。因此,在此非限制性实例中,确定22基线统计数据包括确定22A、22B基线时段内的每日挽救吸入的平均次数。
在方法20中可以使用多个输入,以便能够生成28所述评估。图6中所描绘的示例性方法20包括将当前统计数据应用32于经训练的机器学习模型,以及将比较器变量应用30于经训练的机器学习模式。因此,生成28所述评估是基于当前统计数据和比较器变量进行的。
图7描绘了另一个实例,其中生成28所述评估是基于多个输入进行的。在此非限制性实例中,方法20包括将当前统计数据应用32于经训练的机器学习模型,将基线统计数据应用34于经训练的机器学习模型,以及将比较器变量应用30于经训练的机器学习模型。因此,除了通过将当前统计数据和基线统计数据进行比较所生成的26比较器变量之外,经训练的机器学习模型应用当前统计数据和基线统计数据自身作为输入。
当提供中间时段以分离基线时段和当前时段时,如图8所示,方法20可以包括确定36与吸入器在中间时段的使用有关的中期统计数据。
例如,可以将中期统计数据和/或从中期统计数据得到的数据作为38输入应用于机器学习模型,如图9所示。可替代地或另外地,生成26比较器变量可以进一步包括将中期统计数据与当前统计数据和/或基线统计数据进行比较26A,如图10所示。因此,可以以各种方式在评估的生成28中使用中期统计数据。通过在方法20中包含中期统计数据,与通过基线统计数据提供相比,评估可以另外地由吸入器使用的最新趋势来指导。
只要中期统计数据指示在受试者在中间时段期间对吸入器的使用,则可以以任何合适的方式确定36中期统计数据。在图11所描绘的示例性方法20中,确定36所述中期统计数据包括确定36A在所述中间时段内总计的挽救吸入的中间总次数。
在中间时段内总计的挽救吸入的中间总次数本身可以用于生成28评估,例如用上文关于图9和10描述的各种方式。可替代地,确定36所述中期统计数据可以包括确定36A在中间时段内总计的挽救吸入的中间总次数,并且将总和与给定阈值进行比较36B,如图12所示。在此类实例中,所述中期统计数据可以包括指示总和是否达到、超过或低于此类给定阈值的值。
可替代地或另外地,如先前所描述,所述中期统计数据可以包括以下中的一项或多项或由其组成:在所述中间时段内计算的每单位时间使用所述吸入器进行的挽救吸入的中期平均次数、每单位时间使用所述吸入器进行的挽救吸入的次数的中期标准偏差和每单位时间进行的挽救吸入的次数的中期方差系数。
在图13所示的非限制性实例中,确定36所述中期统计数据包括确定36A在中间时段内总计的挽救吸入的中间总次数,并且将总和除以36C中间时段的长度。例如,中间时段的长度可以是一定数量的天数,如3天至15天,优选地约7天。因此,在此非限制性实例中,确定36所述中期统计数据包括确定36A、36C中间时段内的每日挽救吸入的平均次数。
例如,确定24所述当前统计数据可以包括确定24A在当前时段内总计的挽救吸入的当前总次数,如图14所描绘。例如,挽救吸入的当前总次数本身可以32作为输入应用于机器学习模型,例如,如图7所示。
如先前所描述,所述当前统计数据可以包括以下中的一项或多项或由其组成:在所述当前时段内计算的每单位时间使用所述吸入器进行的挽救吸入的当前平均次数、每单位时间使用所述吸入器进行的挽救吸入的次数的当前标准偏差和每单位时间进行的挽救吸入的次数的当前方差系数。
在图15所示的非限制性实例中,确定24所述当前统计数据包括确定24A在当前时段内总计的挽救吸入的当前总次数,并且将总和除以24B当前时段的长度。例如,当前时段的长度可以是一定数量的天数,如1天至5天,优选地约2天。因此,在此非限制性实例中,确定24所述当前统计数据包括确定24A、24B当前时段内的每日挽救吸入的平均次数。
在图16所描绘的示例性方法20中,确定24所述当前统计数据包括确定24A、24B当前时段内的每日挽救吸入的平均次数,并且确定36所述中期统计数据包括确定36A在中间时段内总计的挽救吸入的中间总次数。
转到图17中所描绘的非限制性实例,确定22所述基线统计数据包括对基线时段内的挽救吸入进行总计22A,并且将总和除以22B基线时段的长度;并且确定24所述当前统计数据包括确定24A在当前时段内总计的挽救吸入的当前总次数,并且将总和除以24B当前时段的长度。
在此情况下,生成26所述比较器变量可以包括将26A基线平均值(在此实例中为基线平均数)和当前平均值(在此实例中为当前平均数)进行比较。
基线时段和当前时段的天数可以例如用于划分步骤22B、24B,使得比较26A步骤包括将基线每日平均吸入次数和当前每日平均吸入次数进行比较。
转到图18,将所述基线平均值和所述当前平均值进行比较26A包括计算26B基线时段内的每日平均吸入次数与当前时段内的每日平均吸入次数之间的差。例如,可以将此差与预定差阈值进行比较26C,如图19所示。
可替代地或另外地,将所述基线平均值(在此实例中为基线平均数)和所述当前平均值(在此实例中为当前平均数)进行比较26A包括计算26D所述当前平均值与所述基线平均值的比率,如图20所示。例如,可以在步骤26E处将此比率与预定比率阈值进行比较,如图21所示。
如图22所示,方法20可以包括控制38用户界面以基于所生成的对受试者的呼吸道疾病的评估来传送通知。例如,所述通知可以包括警告和/或建议,例如建议受试者寻求医疗护理和/或采取某种其它预防性步骤。可替代地或另外地,如先前所描述,所述通知可以呈用于提示受试者提供其呼吸道疾病状态的指示的提示的形式。
图23所描绘的示例性方法20包括根据与所述受试者在所述当前时段期间进行的吸入期间的气流有关的所确定40的参数来确定42当前吸入参数统计数据。例如,可以将当前吸入参数统计数据和/或从当前吸入参数统计数据得到的数据作为一个或多个输入应用44于经训练的机器学习模型,如图24所示。
可替代地或另外地,生成26所述比较器变量可以包括用当前吸入参数统计数据修改步骤26E中的基线统计数据、步骤26F中的当前统计数据和/或步骤26G中的基线统计数据与当前统计数据的比较,如图25所示。
因此,所述评估可以根据当前吸入参数统计数据生成28,其中所述当前吸入参数统计数据添加关于受试者当前肺功能的另外的信息。
转到图26,所描绘的示例性方法20包括根据与所述受试者在所述基线时段期间使用吸入器进行的吸入期间的气流有关的所确定46的参数来确定48基线吸入参数统计数据。在此非限制性实例中,方法20进一步包括将当前和/或基线吸入参数统计数据和/或从当前和/或基线吸入参数统计数据得到的数据作为一个或多个输入应用50于机器学习模型。因此,所述评估可以部分地基于受试者的基线吸入数据,所述基线吸入数据指示所述受试者的基线肺功能。
可替代地或另外地,生成26所述比较器变量进一步包括将当前吸入参数统计数据和基线吸入参数统计数据进行比较26H,如图27所示。因此,所述评估的生成28可以部分地基于受试者的当前吸入数据与其基线吸入数据之间的比较。
图28提供了包括机器学习模型的过程60的框图。框62和64分别对应于当前统计数据和基线统计数据。框66表示生成比较器变量,所述生成比较器变量包括将当前统计数据和基线统计数据进行比较。将比较器变量作为输入提供给经训练的机器学习模型68。模型的输入在图28中由框70表示。机器学习模型68提供框72处的输出。框74表示所生成的对受试者的呼吸道疾病的评估。
图29提供了包括机器学习模型的过程60的更精细的框图,其中比较器变量66和各种另外的统计数据和/或数据被作为输入70提供给经训练的机器学习模型68。具体地,以下中的一项或多项可以被作为另外的输入提供给经训练的机器学习模型68:上文所描述的当前统计数据、基线统计数据、中期统计数据和/或从中期统计数据得到的数据、当前吸入参数统计数据和/或从当前吸入参数统计数据得到的数据以及基线吸入参数统计数据和/或从基线吸入参数统计数据得到的数据。
图30示出了用于训练机器学习模型的方法200。因此训练的机器学习模型可以例如用于上文所描述的方法20中的任何方法中,所述方法采用此类经训练的机器学习模型来生成对受试者的呼吸道疾病的评估。
用于训练机器学习模型的方法200包括,对于多个正在训练的受试者202中的每个正在训练的受试者,确定204与吸入器在基线时段的使用有关的基线统计数据。如先前所描述,所述吸入器被配置成将挽救药物递送到所述正在训练的受试者,并且具有被配置成确定所述正在训练的受试者对所述吸入器的使用的使用确定系统。
方法200还包括,对于多个正在训练的受试者202中的每个正在训练的受试者,确定206与吸入器在后续时段的使用有关的后续统计数据。
类似于在用于生成对受试者的呼吸道疾病的评估的方法的上文所描述的实施例,其中基线时段通过中间时段与当前时段分离,中间时段可以将后续时段与基线时段分离。
在训练方法200中,为多个正在训练的受试者中的每个正在训练的受试者生成208比较器变量。生成208所述比较器变量包括将所述后续统计数据和所述基线统计数据进行比较。
对于正在训练的受试者中的每个正在训练的受试者,在步骤210处获得标记数据,所述标记数据包括对相应的正在训练的受试者的呼吸道疾病的评估。应强调的是,图30中所示的方法200的步骤可以以任何合适的顺序实施,例如通过在确定204基线统计数据之前实施的标记数据的获得210等等。此外,不同正在训练的受试者之间的操作顺序不需要相同。
方法200进一步包括生成212包括比较器变量和标记数据的训练数据,并且使用训练数据训练214机器学习模型。
如先前所描述,机器学习模型的训练214可以以任何合适的方式来实施,如通过采用优化算法,所述优化算法使用训练数据以最小化合适的损失函数,所述损失函数可以是响应变量(换言之,标记数据)的估计值与真值之间的差的函数。
关于标记数据的获得210,在一些实施例中,对呼吸道疾病的评估包括对在后续时段后,换言之,在后续时段之后的时段中确定的相应的正在训练的受试者对吸入器的使用的量度。
在非限制性实例中,对在后续时段后确定的相应的正在训练的受试者对吸入器的使用的量度可以例如包括对在后续时段后对相应的正在训练的受试者是否实现上文所描述的指示过度挽救吸入器使用的过度挽救吸入器使用量度的评估。
因此,经训练的机器学习模型可以用于基于将基线和当前/后续挽救吸入器使用(例如,分别在不连续的基线时段和当前时段内的基线和当前/后续挽救吸入器使用)进行比较来预测未来挽救吸入器使用。例如,过度挽救吸入器使用可以指示受试者的呼吸道疾病的加重。预测未来挽救吸入器使用的能力可以相应地提供例如即将恶化的警告。在至少一些实施例中,可以不需要临床评估来训练机器学习模型,因为标记数据可以包括对在后续时段后确定的正在训练的受试者中的每个正在训练的受试者对吸入器的使用的量度。
可替代地或另外地,对相应的正在训练的受试者对吸入器的使用的量度可以包括一个或多个与相应的正在训练的受试者使用所述吸入器进行吸入期间的气流有关的参数。如先前所描述,所述一个或多个与气流有关的参数可以包括以下中的至少一项或由其组成:峰值吸入流量、吸入体积、达到峰值吸入流量的时间和吸入持续时间。
可替代地或另外地,如先前所描述,对呼吸道疾病的评估可以包括对受试者的呼吸道疾病状态的临床确定的指示的近似,例如,如本文所定义的“中度”或“重度”恶化。
图31示出了根据另一个实例的用于训练机器学习模型以用于生成对受试者的呼吸道疾病的评估的方法300。此方法300包括,对于多个正在训练的受试者302中的每个正在训练的受试者,获得304测量数据,所述测量数据包括与正在训练的受试者对吸入器的使用有关的数据。如先前所描述,所述吸入器被配置成将挽救药物递送到所述正在训练的受试者,并且具有被配置成确定所述正在训练的受试者对所述吸入器的使用的使用确定系统。
在步骤306处确定与吸入器在基线时段的使用有关的基线统计数据。还在步骤308处确定与吸入器在后续时段的使用有关的后续统计数据。类似于在用于生成对受试者的呼吸道疾病的评估的方法的上文所描述的实施例,其中基线时段通过中间时段与当前时段分离,中间时段可以将后续时段与基线时段分离。
在步骤310处为多个正在训练的受试者中的每个正在训练的受试者生成比较器变量。生成310所述比较器变量包括将所述后续统计数据和所述基线统计数据进行比较。
方法300进一步包括根据比较器变量是否超过预定阈值来标记312测量数据,生成314包括所标记的测量数据的训练数据,并且使用多个正在训练的受试者的所标记的测量数据来训练316机器学习模型。所述机器学习模型由此被训练以生成对所述呼吸道疾病的评估。
进行了一项临床研究,以评估影响哮喘恶化概率的因素。以下应被视为解释性和非限制性实例。
使用梯瓦制药公司(Teva Pharmaceutical Industries)销售的ProAirDigihaler施用的沙丁胺醇被用于这项为期12周的开放标记研究,尽管所述研究的结果更普遍地适用于使用其它装置类型递送的其它挽救药物。
本研究招募了哮喘易加重/控制不佳的患者(≥18岁)。患者的哮喘控制问卷-5(ACQ-5)评分≥1.5;在研究前12个月内经历了≥1次恶化的发作;在研究前至少有3个月的稳定维持药物给药;以及正在服用中度剂量的ICS和/或另一种维持药物。
患者根据需要使用ProAir Digihaler(沙丁胺醇90mcg作为含乳糖载体的硫酸盐,每4小时1-2次吸入)。ProAir Digihaler替代了患者的其它挽救药物。
ProAir Digihaler的电子模块记录了每次使用,即每次吸入,以及与每次吸入期间的气流有关的参数:峰值吸气流量、吸入体积、达到峰值流量的时间和吸入持续时间。从吸入器下载数据,并且与临床数据一起经历机器学习算法,以开发预测即将发生的恶化的模型。
此实例中临床哮喘恶化(CAE)的诊断基于美国胸科学会/欧洲呼吸学会声明(American Thoracic Society/European Respiratory Society statement)(H.K.Reddel等人,《美国呼吸与危症监护医学杂志(Am J Respir Crit Care Med.)》2009,180(1),59-99)。所述诊断包含“重度CAE”和“中度CAE”两者。
重度CAE被定义为涉及哮喘加重的CAE,需要口服类固醇(泼尼松(prednisone)或等效物)至少三天并住院治疗。中度CAE需要口服类固醇(泼尼松或等效物)至少三天或住院治疗。
所述研究的目的和主要终点是探索由Digihaler单独以及结合其它研究数据,如CAE前与吸入期间的气流、身体活动、睡眠等有关的参数获取的沙丁胺醇使用的模式和量。此研究表示首次成功尝试开发一种预测CAE的模型,所述模型源自使用配备有集成传感器并能够测量吸入参数的挽救药物吸入器装置。
研究发现,360名患者从Digihaler表现出≥1次的有效吸入。这360名患者被包含在分析中。其中,64名患者经历了总共78次CAE。记录了总共32970次挽救吸入。
平均年龄为50.0岁,并且80.6%的患者为女性。
在整个研究时段内,平均(SD)峰值吸入流量和吸入体积分别为71.8(23.2)L/min和1.44(0.77)L。
“SABA爆发”在此研究中被用作可能未经证实的恶化的替代物。图32至38提供了显示出未经临床诊断的可能恶化的患者的研究实例。
使用此研究的结果定义了“SABA爆发”:
在最近两天内每日平均至少三次吸入;以及
与前两周相比,最近两天的每日平均吸入增加。
与前两周相比,最近两天的每日平均吸入增加可以通过以下确定:
-最近2天(当前时段)内的每日平均吸入次数是前2周的每日平均吸入次数的2倍或更多倍;以及
-最近2天(当前时段)内的每日平均吸入次数比前2周的每日平均吸入次数多3次或更多次。
7天时段内的多个SABA爆发被算作一次爆发。换言之,连续SABA爆发之间不超过7天的一系列SABA爆发被算作一次爆发。
参考图38中提供的患者实例,在第34天至第47天(第400行至第402行)的时段内,每日平均吸入次数为3.5次。第48天至第49天(第402行至第404)的每日平均吸入次数为14次。每日平均吸入次数的增加为10.5次。这种增加与每日平均吸入的绝对次数组合≥3,构成了如针对此研究定义的SABA爆发。因此,未经证实/未经诊断的恶化被认为可能在此实例中发生。
图39提供了示出了一组受试者的挽救吸入器的使用的图表。具体地,所述图表示出了,在所有患者中,28.9%的患者示出了持续SABA过度使用;与SABA非过度使用者(62.5%)相比,更大比例的SABA过度使用者有SABA爆发(96.2%)。SABA过度使用者的每位患者的平均SABA爆发次数也高于SABA非过度使用者(2.07次对1.02次)。
因此,挽救吸入器模式的改变,并且具体地短效β-激动剂(SABA)的使用,可以表明疾病加重或恶化发展。鉴定和应对挽救吸入器使用增加的时段可能有助于阻止恶化的进展并且改善临床结果。
这些数据证实了Digihaler能够提供有关SABA使用的模式的有价值信息,包含持续过度使用和吸入参数。此类信息可以揭示疾病控制的加重或临床恶化的发作。更好地了解这些事件可能会改善哮喘管理并且改善临床结果。
图40至43提供了可以包含在系统10中的吸入器100的非限制性实例。
图40提供了根据非限制性实例的吸入器100的前部透视图。吸入器100例如可以是呼吸致动的吸入器。吸入器100可以包含顶盖102、主壳体104、吸嘴106、吸嘴盖108、电子模块120和/或通风口126。吸嘴盖108可以与主壳体104铰接,使得其可以打开和关闭以暴露吸嘴106。尽管展示为铰接连接,但是吸嘴盖106可以通过其它类型的连接与吸入器100连接。此外,虽然电子模块120被展示为容纳在主壳体104的顶部处的顶盖102内,但是电子模块120可以集成和/或容纳在吸入器100的主体104内。
图41提供了示例吸入器100的内部横截面透视图。在主壳体104内部,吸入器100可以包含药物储器110(例如料斗)、波纹管112、波纹管弹簧114、轭(不可见)、给药杯116、给药室117、解聚器121和流动路径119。药物储器110可以包含用于递送到受试者的药物,如干粉药物。当吸嘴盖108从关闭位置移动到打开位置时,波纹管112可以压缩以将药物剂量从药物储器110递送到给药杯116。此后,受试者可以通过吸嘴106吸入以努力接受所述药物剂量。
由受试者的吸入生成的气流可以通过分解给药杯116中的药物的团聚物而使解聚器121雾化药物剂量。解聚器121可以被配置成当通过流动路径119的气流达到或超过特定速率时,或者在特定范围内时,使药物雾化。当被雾化时,药物剂量可以从给药杯116行进,进入给药室117,通过流动路径119,并且从吸嘴106行进到受试者。如果通过流动路径119的气流没有达到或超过特定速率,或者不在特定范围内,则药物可以保留在给药杯116中。在给药杯116中的药物尚未被解聚器121雾化的情况下,当后续打开吸嘴盖108时,另一个药物剂量可能不会从药物储器110递送。因此,单个药物剂量可以保留在给药杯中,直到所述剂量已经被解聚器121雾化。当递送一定药物剂量时,剂量确认可以作为剂量确认信息存储在吸入器100的存储器中。
当受试者通过吸嘴106吸入时,空气可以进入通风口以提供用于将药物递送到受试者的气流。流动路径119可以从给药室117延伸到吸嘴106的端部,并且包含给药室117和吸嘴106的内部部分。给药杯116可以位于给药室117内或与其邻接。进一步,吸入器100可以包含剂量计数器111,所述剂量计数器被配置成初始设置为药物储器110内的药物的总剂量数,并且每当吸嘴盖108从关闭位置移动到打开位置时减少一个剂量。
顶盖102可以与主壳体104连接。例如,顶盖102可以通过使用一个或多个与主壳体104上的凹槽接合的夹子而与主壳体104连接。例如,当连接时,顶盖102可以与主壳体104的一部分重叠,使得在顶盖102与主壳体104之间存在基本上气动的密封件。
图42是示例吸入器100的分解透视图,其中顶盖102被移除以暴露电子模块120。如图42所示,主壳体104的顶表面可以包含一个或多个(例如,两个)孔口146。孔口146中的一个孔口可以被配置成接纳滑块140。例如,当顶盖102与主壳体104连接时,滑块140可以通过孔口146中的一个孔口突出穿过主壳体104的顶表面。
图43是示例吸入器100的顶盖102和电子模块120的分解透视图。如图43所示,滑块140可以限定臂142、止动器144和远侧端145。远侧端145可以是滑块140的底部部分。滑块140的远侧端145可以被配置成抵接位于主壳体104内的轭(例如,当吸嘴盖108处于关闭或部分打开位置时)。远侧端145可以被配置成当轭处于任何径向定向时抵接轭的顶表面。例如,轭的顶表面可以包含多个孔隙(未示出),并且滑块140的远侧端145可以被配置成抵接轭的顶表面,例如,无论这些孔隙中的一个孔隙是否与滑块140对准。
顶盖102可以包含滑块引导件148,所述滑块引导器被配置成收纳滑块弹簧146和滑块140。滑块弹簧146可以位于滑块引导件148内。滑块弹簧146可以接合顶盖102的内表面,并且滑块弹簧146可以接合(例如,抵接)滑块140的上部(例如,近侧端)。当滑块140安装在滑块引导件148内时,滑块弹簧146可以在滑块140的顶部与顶盖102的内表面之间被部分压缩。例如,滑块弹簧146可以被配置成使得当吸嘴盖108关闭时,滑块140的远侧端145保持与轭接触。滑块145的远侧端145也可以在吸嘴盖108被打开或关闭时保持与轭接触。滑块140的止动器144可以接合滑块引导件148的止动器,例如,使得滑块140通过吸嘴盖108的打开和关闭而保持在滑块引导器148内,并且反之亦然。止动器144和滑块引导件148可以被配置成限制滑块140的竖直(例如,轴向)行进。此限制可以小于轭的竖直行进。因此,随着吸嘴盖108移动到完全打开位置时,轭可以继续在竖直方向上朝向吸嘴106移动,但是止动器144可以停止滑块140的竖直行进,使得滑块140的远侧端145可以不再与轭接触。
更通常地,轭可以与吸嘴盖108机械连接并且被配置成当吸嘴盖108从关闭位置打开时移动以压缩波纹管弹簧114,并且然后当吸嘴盖到达完全打开位置时释放经压缩的波纹管弹簧114,由此使波纹管112将剂量从药物储器110递送到给药杯116。当吸嘴盖108处于关闭位置时,轭可以与滑块140接触。滑块140可以被布置成当吸嘴盖108从关闭位置打开时由轭移动,并且当吸嘴盖108到达完全打开位置时与轭分离。这种布置可以被视为先前所描述的剂量计量组合件的非限制性实例,因为打开吸嘴盖108使得进行药物剂量的计量。
在剂量计量期间滑块140的移动可以使滑块140接合并致动开关130。开关130可以触发电子模块120以记录剂量计量。滑块140和开关130以及电子模块120因此可以对应于上文所描述的使用确定系统12B的非限制性实例。在此实例中,滑块140可以被视为使用确定系统12B被配置成记录剂量计量组合件对剂量的计量的装置,由此每个计量指示受试者使用吸入器100进行的吸入。
滑块140对开关130的致动也可以例如使电子模块120从第一电源状态转换到第二电源状态,并且感测受试者从吸嘴106进行的吸入。
电子模块120可以包含印刷电路板(PCB)组合件122、开关130、电源(例如,电池126)和/或电池支架124。PCB组合件122可以包含表面安装的组件,如传感器系统128、无线通信电路129、开关130和/或一个或多个指示器(未示出),如一个或多个发光二极管(LED)。电子模块120可以包含控制器(例如,处理器)和/或存储器。控制器和/或存储器可以是PCB122的物理上不同的组件。可替代地,控制器和存储器可以是安装在PCB 122上的另一个芯片组的一部分,例如,无线通信电路129可以包含用于电子模块120的控制器和/或存储器。电子模块120的控制器可以包含微控制器、可编程逻辑装置(PLD)、微处理器、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或任何合适的处理装置或控制电路。
控制器可以从存储器访问信息,并且将数据存储在存储器中。存储器可以包含任何类型的合适的存储器,如不可移动存储器和/或可移动存储器。不可移动存储器可以包含随机存取存储器(RAM)、只读存储器(ROM)或任何其它类型的存储器存储装置。可移动存储器可以包含用户身份模块(SIM)卡、记忆棒、安全数字(SD)存储卡等。存储器可以处于控制器内部。控制器还可以从物理上不位于电子模块120内的存储器(如在服务器或智能手机上)访问数据,并且将数据存储在存储器中。
传感器系统128可以包含一个或多个传感器。传感器系统128可以是传感器系统12A的实例。传感器系统128可以包含例如不同类型的一个或多个传感器,如但不限于一个或多个压力传感器、温度传感器、湿度传感器、定向传感器、声学传感器和/或光学传感器。所述一个或多个压力传感器可以包含气压传感器(例如,大气压力传感器)、差压传感器和/或绝对压力传感器等。传感器可以采用微机电系统(MEMS)和/或纳米机电系统(NEMS)技术。传感器系统128可以被配置成向电子模块120的控制器提供瞬时读数(例如,压力读数)和/或随时间推移的累计读数(例如,压力读数)。如图41和42所展示,传感器系统128可以位于吸入器100的流动路径119之外,但可以与流动路径119气动联接。
电子模块120的控制器可以接收与来自传感器系统128的测量值相对应的信号。控制器可以使用从传感器系统128接收到的信号来计算或确定一个或多个气流度量。气流度量可以指示通过吸入器100的流动路径119的气流的曲线。例如,如果传感器系统128记录0.3千帕(kPa)的压力变化,则电子模块120可以确定所述变化对应于通过流动路径119的大约45升/分钟(Lpm)的气流速率。
图44示出了气流速率与压力的曲线图。图44中所示的气流速率和曲线图仅为实例,并且所确定的速率可以取决于吸入装置100和其组件的大小、形状和设计。
一个或多个处理器14可以通过将从传感器系统128接收到的信号和/或所确定的气流度量与一个或多个阈值或范围进行比较来实时生成个性化数据,例如,作为对如何使用吸入器100和/或所述使用是否有可能导致全药物剂量的递送的评估的一部分。例如,在所确定的气流度量与气流速率低于特定阈值的吸入相对应的情况下,一个或多个处理器14可以确定没有来自吸入器100的吸嘴106的吸入或来自所述吸嘴的吸入不足。如果所确定的气流度量与气流速率高于特定阈值的吸入相对应,则一个或多个处理器14可以确定已经存在来自吸嘴106的过度吸入。如果所确定的气流度量与气流速率处于特定范围内的吸入相对应,则一个或多个处理器14可以确定所述吸入是“良好的”,或者有可能导致递送全药物剂量。
压力测量读数和/或计算出的气流度量可以指示从吸入器100吸入的质量或强度。例如,当与特定阈值或值范围相比较时,读数和/或度量可以用于将吸入分类为某个类型的事件,如良好吸入事件、低吸入事件、无吸入事件或过度吸入事件。吸入的分类可以是作为受试者的个性化数据存储的使用参数。
无吸入事件可以与低于特定阈值的压力测量读数和/或气流度量(如小于30Lpm的气流速率)相关。当受试者在打开吸嘴盖108之后并且在测量周期期间没有从吸嘴106吸入时,可以发生无吸入事件。当受试者的吸气努力不足以确保通过流动路径119正确递送药物时,如当吸气努力生成不足以激活解聚器121的气流并且从而使给药杯116中的药物雾化时,也可以发生无吸入事件。
低吸入事件可以与特定范围内的压力测量读数和/或气流度量(如介于30Lpm与45Lpm之间的气流速率)相关。当受试者在打开吸嘴盖108之后从吸嘴盖106吸入并且受试者的吸气努力使通过流动路径119递送至少部分剂量的药物时,可以发生低吸入事件。也就是说,吸入可以足以激活解聚器121,使得药物的至少一部分从给药杯116雾化。
良好吸入事件可以与高于低吸入事件的压力测量读数和/或气流度量(如介于45Lpm与200Lpm之间的气流速率)相关。当受试者在打开吸嘴盖108之后从吸嘴106吸入并且受试者的吸气努力足以确保通过流动路径119正确递送药物时,如当吸气努力生成足够的气流以激活解聚器121并雾化给药杯116中的全药物剂量时,可以发生良好吸入事件。
过度吸入事件可以与高于良好吸入事件的压力测量读数和/或气流度量(如高于200Lpm的气流速率)相关。当受试者的吸气努力超过吸入器100的正常操作参数时,可能发生过度吸入事件。如果装置100在使用期间没有正确定位或保持,即使受试者的吸气努力在正常范围内,也可能发生过度吸入事件。例如,如果在受试者从吸嘴106吸入时通风口被阻挡或阻塞(例如,被手指或拇指),则计算出的气流速率可以超过200Lpm。
任何合适的阈值或范围都可以用于对特定事件进行分类。可以使用一些或全部事件。例如,无吸入事件可以与低于45Lpm的气流速率相关,并且良好吸入事件可以与介于45Lpm与200Lpm之间的气流速率相关。因此,在一些情况下可能根本不使用低吸入事件。
压力测量读数和/或计算出的气流度量也可以指示通过吸入器100的流动路径119的流动方向。例如,如果压力测量读数反映了压力的负变化,则所述读数可以指示空气通过流动路径119流出吸嘴106。如果压力测量读数反映压力的正变化,则所述读数可以指示空气通过流动路径119流入吸嘴106。因此,压力测量读数和/或气流度量可以用于确定受试者是否正在向吸嘴106呼气,这可以发出受试者未正确使用装置100的信号。
从吸入器100的使用收集的或基于所述吸入器的使用计算的个性化数据(例如,压力度量、气流度量、肺功能度量、剂量确认信息等)也可以通过外部装置(例如,部分或全部)来计算和/或评估。更具体地,电子模块120中的无线通信电路129可以包含发射器和/或接收器(例如,收发器)以及另外的电路系统。例如,无线通信电路129可以包含蓝牙芯片组(例如,蓝牙低能量芯片组)、ZigBee芯片组、Thread芯片组等。因此,电子模块120可以将个性化数据,如压力测量值、气流度量、肺功能度量、剂量确认信息和/或与吸入器100的使用有关的其它条件,无线地提供给包含智能手机的外部装置。个性化数据可以实时提供给外部装置,以使得能够基于来自吸入器100的指示使用时间、吸入器100如何被使用的实时数据和关于吸入器使用者的个性化数据(如与受试者的肺功能和/或医疗有关的实时数据)来生成上文所描述的评估。外部装置可以包含用于处理接收到的信息并且用于通过图形用户界面(GUI)向吸入器100的使用者提供合规性和依从性反馈的软件。
气流度量可以包含从吸入器100实时收集的个性化数据,如吸入/呼出的平均流量、吸入/呼入峰值流量(例如,接收到的最大吸入)、吸入/呼出的体积、达到吸入/呼出峰值的时间和/或吸入/呼出的持续时间中的一项或多项。气流度量也可以指示通过流动路径119的流动方向。也就是说,压力的负变化可以对应于来自吸嘴106的吸入,而压力的正变化可以对应于向吸嘴106的呼出。当计算气流度量时,电子模块120可以被配置成消除或最小化由环境条件引起的任何失真。例如,电子模块120可以在计算气流度量之前或之后重新归零以考虑大气压力的变化。一个或多个压力测量值和/或气流度量可以被加上时间戳并存储在电子模块120的存储器中。
除了气流度量之外,吸入器100或另一个计算装置可以使用气流度量来生成另外的个性化数据。例如,吸入器100的电子模块120的控制器可以将气流度量翻译为指示受试者的肺功能和/或医疗从业者所理解的肺健康的其它度量,如峰值吸气流量度量、峰值呼气流量度量和/或1秒用力呼气体积(FEV1)。吸入器的电子模块120可以使用如回归模型等数学模型来确定受试者的肺功能和/或肺健康的量度。所述数学模型可以鉴定吸入的总体积与FEV1之间的相关性。所述数学模型可以鉴定峰值吸气流量与FEV1之间的相关性。所述数学模型可以鉴定吸入的总体积与峰值呼气流量之间的相关性。所述数学模型可以鉴定峰值吸气流量与峰值呼气流量之间的相关性。
电池126可以向PCB 122的组件提供电力。电池126可以是用于向电子模块120供电的任何合适的源,例如纽扣电池。电池126可以是可充电的或不可充电的。电池126可以由电池支架124容纳。电池支架124可以固定到PCB 122,使得电池126与PCB 122保持连续接触和/或与PCB 122的组件电连接。电池126可以具有可能影响电池126的寿命的特定电池容量。如下文将进一步讨论的,可以管理从电池126到PCB 122的一个或多个组件的电力分配,以确保电池126可以在吸入器100和/或其中所含的药物的使用寿命期间为电子模块120供电。
在连接状态下,通信电路和存储器可以通电,并且电子模块120可以与外部装置如智能手机“配对”。控制器可以从存储器取得数据并将数据无线地发射到外部装置。控制器可以取得并发射当前存储在存储器中的数据。控制器还可以取得并发射当前存储在存储器中的数据的一部分。例如,控制器可以确定哪些部分已经被发射到外部装置,并且然后发射先前没有被发射的部分。可替代地,外部装置可以向控制器请求特定数据,如在特定时间后或者在最后一次发射到外部装置后由电子模块120收集的任何数据。控制器可以从存储器取得特定数据(如果有的话),并且将特定数据发射到外部装置。
存储在电子模块120的存储器中的数据(例如,由开关130生成的信号、由传感器系统128获取的压力测量读数和/或由PCB 122的控制器计算出的气流度量)可以被发射到外部装置,所述外部装置可以处理和分析所述数据以确定与吸入器100相关的使用参数。此外,位于移动装置上的移动应用程序可以基于从电子模块120接收到的数据为使用者生成反馈。例如,移动应用程序可以生成每日、每周或每月报告,提供错误事件或通知的确认和/或向受试者提供指导性反馈等。
在实践所要求保护的发明时,本领域的技术人员可以通过研究附图、公开内容以及所附权利要求书来理解和实现所公开实施例的其它变型。在权利要求书中,词语“包括”不排除其它要素或步骤,并且不定冠词“一个/一种(a或an)”不排除复数。仅有的事实是在相互不同的从属权利要求中叙述的某些措施并不表明这些措施的组合不能用来产生优点。在权利要求中的任何参考符号不应被解释为限制范围。
Claims (64)
1.一种用于在当前时间点生成对受试者的呼吸道疾病的评估的方法,所述方法包括:
确定与吸入器在基线时段的使用有关的基线统计数据,其中所述吸入器被配置成将挽救药物递送到所述受试者,并且具有被配置成确定所述受试者对所述吸入器的使用的使用确定系统;
确定与所述吸入器在当前时段的使用有关的当前统计数据,所述当前时段含有所述当前时间点,其中中间时段将所述当前时段与所述基线时段分离;
生成比较器变量,包括将所述当前统计数据和所述基线统计数据进行比较;
将所述比较器变量作为输入应用于经训练的机器学习模型;以及
生成对所述受试者的所述呼吸道疾病的所述评估,作为所述经训练的机器学习模型的输出。
2.根据权利要求1所述的方法,其中对所述呼吸道疾病的所述评估包括对所述受试者对所述吸入器的未来使用的预测。
3.根据权利要求2所述的方法,其中所述对所述受试者对所述吸入器的未来使用的预测包括对一个或多个与所述受试者使用所述吸入器进行吸入期间的气流有关的参数的预测。
4.根据权利要求3所述的方法,其中所述一个或多个与气流有关的参数是以下中的至少一项:峰值吸入流量、吸入体积、达到峰值吸入流量的时间和吸入持续时间。
5.根据权利要求2至4中任一项所述的方法,其中所述对所述受试者对所述吸入器的未来使用的预测包括对所述受试者随后实现指示过度挽救吸入器使用的过度挽救吸入器使用量度的预测。
6.根据权利要求1至5中任一项所述的方法,其中对所述呼吸道疾病的所述评估包括对所述受试者的呼吸道疾病的状态的临床确定的指示的近似。
7.根据权利要求1至6中任一项所述的方法,其中对所述呼吸道疾病的所述评估包括对所述受试者随后遭受其呼吸道疾病的恶化的预测。
8.根据权利要求1至7中任一项所述的方法,其中所述机器学习模型是经训练的,和/或是根据初始机器学习模型调整的,所述初始机器学习模型是用训练数据进行训练,对于多个正在训练的受试者中的每个正在训练的受试者,所述训练数据包括历史比较器变量和标记数据。
9.根据权利要求8所述的方法,其中所述历史比较器变量是通过比较与所述吸入器在历史基线时段的使用有关的历史基线统计数据和与所述吸入器在后续时段的使用有关的后续统计数据而生成的,所述后续时段在所述历史基线时段之后。
10.根据权利要求9所述的方法,其中所述标记数据包括对在所述后续时段后确定的所述正在训练的受试者中的每个正在训练的受试者对所述吸入器的使用的量度。
11.根据权利要求10所述的方法,当根据权利要求5时,其中所述对在所述后续时段后确定的所述正在训练的受试者中的每个正在训练的受试者对所述吸入器的使用的量度包括对每个正在训练的受试者是否实现指示过度挽救吸入器使用的过度挽救吸入器使用量度的评估。
12.根据权利要求8至11中任一项所述的方法,其中所述机器学习模型是根据所述初始机器学习模型使用另外的标记数据调整的,所述另外的标记数据包括多个临床评估受试者中的每个临床评估受试者的所述呼吸道疾病的状态的临床确定的指示。
13.根据权利要求12所述的方法,当根据权利要求7时,其中对于所述多个临床评估受试者中的每个临床评估受试者,所述另外的标记数据包括对相应临床评估受试者是否遭受其呼吸道疾病的所述恶化的指示。
14.根据权利要求1至13中任一项所述的方法,其包括控制用户界面以基于所生成的对所述呼吸道疾病的所述评估来传送通知。
15.根据权利要求1至14中任一项所述的方法,其中所述基线统计数据包括以下中的一项或多项:在所述基线时段内计算的每单位时间使用所述吸入器进行的挽救吸入的基线平均次数、每单位时间使用所述吸入器进行的挽救吸入的次数的基线标准偏差和每单位时间进行的挽救吸入的次数的基线方差系数。
16.根据权利要求15所述的方法,其中所述每单位时间进行的挽救吸入的基线平均次数包括在所述基线时段内计算的每单位时间使用所述吸入器进行的挽救吸入的次数的平均数、中位数和/或众数。
17.根据权利要求1至16中任一项所述的方法,其包括将所述当前统计数据作为输入应用于所述经训练的机器学习模型。
18.根据权利要求1至17中任一项所述的方法,其包括将所述基线统计数据作为输入应用于所述经训练的机器学习模型。
19.根据权利要求1至18中任一项所述的方法,其中所述基线时段的持续时间为10天至30天。
20.根据权利要求1至19中任一项所述的方法,其中所述基线时段的持续时间为12天至20天。
21.根据权利要求1至20中任一项所述的方法,其中所述受试者在所述基线时段内没有经历其呼吸道疾病的恶化。
22.根据权利要求1至21中任一项所述的方法,其包括确定与所述吸入器在所述中间时段的使用有关的中期统计数据。
23.根据权利要求22所述的方法,其包括将所述中期统计数据和/或从所述中期统计数据得到的数据作为一个或多个输入应用于所述经训练的机器学习模型。
24.根据权利要求22或权利要求23所述的方法,其中生成所述比较器变量进一步包括将所述中期统计数据与所述当前统计数据和/或所述基线统计数据进行比较。
25.根据权利要求22至24中任一项所述的方法,其中确定所述中期统计数据包括确定在所述中间时段内总计的挽救吸入的中间总次数。
26.根据权利要求25所述的方法,其中确定所述中期统计数据包括将所述中间时段内的所述挽救吸入的中间总次数与挽救吸入的给定阈值次数进行比较。
27.根据权利要求22至26中任一项所述的方法,其中所述中期统计数据包括以下中的一项或多项:在所述中间时段内计算的每单位时间使用所述吸入器进行的挽救吸入的中期平均次数、每单位时间使用所述吸入器进行的挽救吸入的次数的中期标准偏差和每单位时间进行的挽救吸入的次数的中期方差系数。
28.根据权利要求27所述的方法,其中所述每单位时间进行的挽救吸入的中期平均次数包括在所述中间时段内计算的每单位时间使用所述吸入器进行的挽救吸入的次数的平均数、中位数和/或众数。
29.根据权利要求1至28中任一项所述的方法,其中所述中间时段的持续时间为3天至15天。
30.根据权利要求1至29中任一项所述的方法,其中所述中间时段的持续时间为约7天。
31.根据权利要求1至30中任一项所述的方法,其中确定所述当前统计数据包括确定在所述当前时段内总计的挽救吸入的当前总次数。
32.根据权利要求1至31中任一项所述的方法,其中所述当前统计数据包括以下中的一项或多项:在所述当前时段内计算的每单位时间使用所述吸入器进行的挽救吸入的当前平均次数、每单位时间使用所述吸入器进行的挽救吸入的次数的当前标准偏差和每单位时间进行的挽救吸入的次数的当前方差系数。
33.根据权利要求32所述的方法,其中所述每单位时间进行的挽救吸入的当前平均次数包括在所述当前时段内计算的每单位时间使用所述吸入器进行的挽救吸入的次数的平均数、中位数和/或众数。
34.根据权利要求32或权利要求33所述的方法,当根据权利要求15或权利要求16时,其中所述将所述当前统计数据和所述基线统计数据进行比较包括将所述基线平均值和所述当前平均值进行比较。
35.根据权利要求34所述的方法,其中所述将所述当前统计数据和所述基线统计数据进行比较包括计算所述基线平均值与所述当前平均值之间的差。
36.根据权利要求35所述的方法,其中所述将所述当前统计数据和所述基线统计数据进行比较包括将所述基线平均值与所述当前平均值之间的所述差与预定差阈值进行比较。
37.根据权利要求34至36中任一项所述的方法,其中所述将所述当前统计数据和所述基线统计数据进行比较包括计算所述当前平均值与所述基线平均值的比率。
38.根据权利要求37所述的方法,其中所述将所述当前统计数据和所述基线统计数据进行比较包括将所述比率与预定比率阈值进行比较。
39.根据权利要求34至38中任一项所述的方法,其中用于计算所述挽救吸入的基线平均次数、所述挽救吸入次数的所述基线标准偏差和/或所述挽救吸入次数的所述基线方差系数的所述单位时间与用于对应计算所述挽救吸入的当前平均次数、所述挽救吸入次数的所述当前标准偏差和/或所述挽救吸入次数的所述当前方差系数的所述单位时间相同。
40.根据权利要求1至39中任一项所述的方法,其中所述当前时段的持续时间为24小时至120小时。
41.根据权利要求1至40中任一项所述的方法,其中所述当前时段的持续时间为约48小时。
42.根据权利要求1至41中任一项所述的方法,其中所述方法随时间推移重复地迭代。
43.根据权利要求42所述的方法,其中,对于每次迭代,所述中间时段具有固定的持续时间。
44.根据权利要求42或权利要求43所述的方法,当根据权利要求15或权利要求16时,其中所述方法的连续迭代通过用于计算所述挽救吸入的基线平均次数、所述挽救吸入次数的所述基线标准偏差和/或所述挽救吸入次数的所述基线方差系数的一项或多项时间单位彼此分离。
45.根据权利要求1至44中任一项所述的方法,其包括根据与所述受试者在所述当前时段期间使用吸入器进行的吸入期间的气流有关的所确定的参数来确定当前吸入参数统计数据。
46.根据权利要求45所述的方法,其包括将所述当前吸入参数统计数据和/或从所述当前吸入参数统计数据得到的数据作为一个或多个输入应用于所述经训练的机器学习模型。
47.根据权利要求45或权利要求46所述的方法,其中所述生成所述比较器变量进一步包括使用所述当前吸入参数统计数据修改所述基线统计数据、所述当前统计数据和/或所述基线统计数据与所述当前统计数据的所述比较。
48.根据权利要求45至47中任一项所述的方法,其包括根据与所述受试者在所述基线时段期间使用吸入器进行的吸入期间的气流有关的所确定的参数来确定基线吸入参数统计数据;任选地其中所述方法进一步包括将所述基线吸入参数统计数据和/或从所述基线吸入参数统计数据得到的数据作为一个或多个输入应用于所述经训练的机器学习模型。
49.根据权利要求48所述的方法,其中生成所述比较器变量进一步包括将所述当前吸入参数统计数据和所述基线吸入参数统计数据进行比较。
50.根据权利要求45至49中任一项所述的方法,其中所述与气流有关的参数是以下中的至少一项:峰值吸入流量、吸入体积、达到峰值吸入流量的时间和吸入持续时间。
51.根据权利要求1至50中任一项所述的方法,其中所述挽救药物选自沙丁胺醇(albuterol)、福莫特罗(formoterol)、布地奈德(budesonide)与福莫特罗的组合、倍氯米松(beclomethasone)与沙丁胺醇的组合以及氟替卡松(fluticasone)与沙丁胺醇的组合。
52.一种用于训练机器学习模型以用于生成对受试者的呼吸道疾病的评估的方法,所述方法包括:
对于多个正在训练的受试者中的每个正在训练的受试者,
确定与吸入器在基线时段的使用有关的基线统计数据,其中所述吸入器被配置成将挽救药物递送到所述正在训练的受试者,并且具有被配置成确定所述正在训练的受试者对所述吸入器的使用的使用确定系统;
确定与所述吸入器在后续时段的使用有关的后续统计数据,其中中间时段将所述后续时段与所述基线时段分离;
生成比较器变量,包括将所述后续统计数据和所述基线统计数据进行比较;
获得标记数据,所述标记数据包括对所述正在训练的受试者的所述呼吸道疾病的评估;以及
生成包括所述比较器变量和所述标记数据的训练数据;以及
使用所述训练数据和所述标记数据来训练所述机器学习模型,其中当所述训练数据作为输入数据应用于所述机器学习模型时,所述机器学习模型被训练以近似所述标记数据。
53.根据权利要求52所述的方法,其中对所述呼吸道疾病的所述评估包括对在所述后续时段后确定的相应的正在训练的受试者对所述吸入器的使用的量度。
54.根据权利要求53所述的方法,其中对所述相应受试者对所述吸入器的使用的所述量度包括一个或多个与所述受试者使用所述吸入器进行吸入期间的气流有关的参数;任选地其中所述一个或多个与气流有关的参数是以下中的至少一项:峰值吸入流量、吸入体积、达到峰值吸入流量的时间和吸入持续时间。
55.根据权利要求53或权利要求54所述的方法,其中对所述相应的正在训练的受试者对所述吸入器的使用的所述量度包括对指示过度挽救吸入器使用的过度挽救吸入器使用量度是否被实现的指示。
56.根据权利要求52至55中任一项所述的方法,其中对所述呼吸道疾病的所述评估包括对所述受试者的所述呼吸道疾病的状态的临床确定的指示;任选地其中所述临床确定的指示是在所述后续时段后确定的所述相应受试者的呼吸道疾病的恶化。
57.根据权利要求52至56中任一项所述的方法,其包括:
对于多个临床评估受试者中的每个临床评估受试者,
确定所述基线统计数据;
确定所述后续统计数据;
生成所述比较器变量,包括将所述后续统计数据和所述基线统计数据进行比较;
所述方法进一步包括:
获得另外的标记数据,所述另外的标记数据包括对相应临床评估受试者的呼吸道疾病的状态的临床确定的指示;以及
生成另外的训练数据,所述另外的训练数据包括所述比较器变量和所述另外的标记数据;以及
使用所述另外的训练数据来训练经调整的机器学习模型。
58.根据权利要求57所述的方法,其中对于所述多个临床评估受试者中的每个临床评估受试者,所述另外的标记数据包括对所述相应临床评估受试者是否遭受其呼吸道疾病的恶化的指示。
59.一种用于在当前时间点生成对受试者的呼吸道疾病的评估的方法,所述方法包括:
确定与吸入器在基线时段的使用有关的基线统计数据,其中所述吸入器被配置成将挽救药物递送到所述受试者,并且具有被配置成确定所述受试者对所述吸入器的使用的使用确定系统;
确定与所述吸入器在当前时段的使用有关的当前统计数据,所述当前时段含有所述当前时间点,其中中间时段将所述当前时段与所述基线时段分离;
生成比较器变量,包括将所述当前统计数据和所述基线统计数据进行比较;以及
基于所述比较器变量生成所述评估。
60.一种用于训练机器学习模型以用于生成对受试者的呼吸道疾病的评估的方法,所述方法包括:
对于多个正在训练的受试者中的每个正在训练的受试者,
获得测量数据,所述测量数据包括与所述正在训练的受试者对吸入器的使用有关的数据,其中所述吸入器被配置成将挽救药物递送到所述正在训练的受试者,并且具有被配置成确定所述正在训练的受试者对所述吸入器的使用的使用确定系统;
确定与所述吸入器在基线时段的使用有关的基线统计数据;
确定与所述吸入器在后续时段的使用有关的后续统计数据,其中中间时段将所述后续时段与所述基线时段分离;
生成比较器变量,包括将所述后续统计数据和所述基线统计数据进行比较;以及
根据所述比较器变量是否超过预定阈值来标记所述测量数据;以及
使用所述多个正在训练的受试者的所标记的测量数据来训练所述机器学习模型,其中所述机器学习模型由此被训练以生成对所述呼吸道疾病的评估。
61.一种计算机程序,其包括计算机程序代码,所述计算机程序代码被配置成当所述程序在一个或多个物理计算装置上运行时使所述一个或多个物理计算装置实施根据权利要求1至60中任一项所述的方法。
62.一种或多种非暂时性计算机可读介质,其上存储有计算机程序,所述计算机程序包括计算机程序代码,所述计算机程序代码被配置成当所述计算机程序在一个或多个物理计算装置上运行时使所述一个或多个物理计算装置实施根据权利要求1至60中任一项所述的方法。
63.一种用于在当前时间点生成对受试者的呼吸道疾病的评估的系统,所述系统包括:
吸入器,所述吸入器用于将挽救药物递送到所述受试者,所述吸入器具有使用确定系统,所述使用确定系统被配置成确定由所述受试者使用所述吸入器进行的挽救吸入;以及
一个或多个处理器,所述一个或多个处理器被配置成:
确定与所述吸入器在基线时段的使用有关的基线统计数据;
确定与所述吸入器在当前时段的使用有关的当前统计数据,所述当前时段含有所述当前时间点,其中中间时段将所述当前时段与所述基线时段分离;
生成比较器变量,其中所述生成所述比较器变量包括将所述当前统计数据和所述基线统计数据进行比较;
将所述比较器变量作为输入应用于经训练的机器学习模型;并且
生成对所述受试者的所述呼吸道疾病的所述评估,作为所述经训练的机器学习模型的输出。
64.一种用于在当前时间点生成对受试者的呼吸道疾病的评估的系统,所述系统包括:
吸入器,所述吸入器用于将挽救药物递送到所述受试者,所述吸入器具有使用确定系统,所述使用确定系统被配置成确定由所述受试者使用所述吸入器进行的挽救吸入;以及
一个或多个处理器,所述一个或多个处理器被配置成:
确定与所述吸入器在基线时段的使用有关的基线统计数据;
确定与所述吸入器在当前时段的使用有关的当前统计数据,所述当前时段含有所述当前时间点,其中中间时段将所述当前时段与所述基线时段分离;
生成比较器变量,其中所述生成所述比较器变量包括将所述当前统计数据和所述基线统计数据进行比较;并且
基于所述比较器变量生成所述评估。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
GB2106312.8 | 2021-05-03 | ||
GBGB2106312.8A GB202106312D0 (en) | 2021-05-03 | 2021-05-03 | Inhaler system |
PCT/EP2022/061541 WO2022233738A1 (en) | 2021-05-03 | 2022-04-29 | Inhaler system |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117321697A true CN117321697A (zh) | 2023-12-29 |
Family
ID=76301160
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280032173.4A Pending CN117321697A (zh) | 2021-05-03 | 2022-04-29 | 吸入器系统 |
Country Status (8)
Country | Link |
---|---|
EP (1) | EP4334954A1 (zh) |
JP (1) | JP2024517797A (zh) |
KR (1) | KR20240004809A (zh) |
CN (1) | CN117321697A (zh) |
AU (1) | AU2022270884A1 (zh) |
CA (1) | CA3230764A1 (zh) |
GB (1) | GB202106312D0 (zh) |
WO (1) | WO2022233738A1 (zh) |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11195622B2 (en) * | 2017-10-04 | 2021-12-07 | Reciprocal Labs Corporation | Pre-emptive asthma risk notifications based on medicament device monitoring |
-
2021
- 2021-05-03 GB GBGB2106312.8A patent/GB202106312D0/en not_active Ceased
-
2022
- 2022-04-29 AU AU2022270884A patent/AU2022270884A1/en active Pending
- 2022-04-29 CN CN202280032173.4A patent/CN117321697A/zh active Pending
- 2022-04-29 KR KR1020237041405A patent/KR20240004809A/ko unknown
- 2022-04-29 EP EP22724793.9A patent/EP4334954A1/en active Pending
- 2022-04-29 WO PCT/EP2022/061541 patent/WO2022233738A1/en active Application Filing
- 2022-04-29 CA CA3230764A patent/CA3230764A1/en active Pending
- 2022-04-29 JP JP2023567143A patent/JP2024517797A/ja active Pending
Also Published As
Publication number | Publication date |
---|---|
CA3230764A1 (en) | 2022-11-10 |
JP2024517797A (ja) | 2024-04-23 |
KR20240004809A (ko) | 2024-01-11 |
GB202106312D0 (en) | 2021-06-16 |
AU2022270884A1 (en) | 2023-11-16 |
EP4334954A1 (en) | 2024-03-13 |
WO2022233738A1 (en) | 2022-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114007673B (zh) | 吸入器系统 | |
US11419995B2 (en) | Inhaler system | |
AU2024203812A1 (en) | Inhaler system | |
US20230302238A1 (en) | Inhaler system | |
US20240225479A1 (en) | Inhaler system | |
CN117321697A (zh) | 吸入器系统 |
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 |