CN117413319A - 基于感测的生物标志物数据的个性化食物推荐 - Google Patents

Abstract

在本公开中描述了用于支持具有食物项推荐的患者糖尿病管理的装置、系统和技术。该装置、系统和技术可被配置为针对模型执行训练过程，以基于患者在一时间段内消耗的预定食物项来预测该患者的患者营养状况。该训练过程被进一步配置为：基于具有该食物项的一组营养属性的该预定食物项概况和该模型来确定估计的生物标志物水平；在该患者在该时间段内消耗该食物项之后接收该患者的实际生物标志物水平；以及基于将估计的生物标志物水平与该实际生物标志物水平进行比较来校准该模型；针对一组预定食物项中的一个或多个食物项重复该训练过程；以及输出经过训练的模型。

Description

基于感测的生物标志物数据的个性化食物推荐

技术领域

本公开涉及医疗系统，并且更具体地涉及用于针对糖尿病的疗法的医疗系统。

背景技术

患有糖尿病的患者通常从胰岛素递送装置(例如，泵或注射装置)接收胰岛素以控制他或她的血流中的葡萄糖水平。由于胰岛素产生不足和/或由于胰岛素抗性，天然产生的胰岛素可能无法充分控制糖尿病患者的血流中的葡萄糖水平。为了控制葡萄糖水平，患者的疗法例行程序可包括基础剂量和团注剂量的胰岛素。在空腹时间段期间，基础剂量倾向于将葡萄糖水平保持在一致的水平。可在进餐时间或接近进餐时间或葡萄糖水平可能有相对快速变化的其他时间将团注剂量特异性地递送给患者。

发明内容

描述了用于管理患者的生物标志物水平的装置、系统和技术。一些示例性装置、系统和技术为患者提供个性化生物标志物(例如，葡萄糖)水平管理。这可涉及一套预定(例如，基线)食物，以准备用于预测该患者对其他食物项的特定生理反应的示例性装置、系统和技术。该患者在类似的情况下(例如，在醒来之后或在禁食之后)消耗一种或多种预定食物，并且示例性装置、系统和技术校准疗法递送装置(例如，葡萄糖递送装置)以提供适当量和/或类型的疗法(例如，胰岛素)和/或按照正确的治疗时间表。

该预定食物可具有精确的标准化营养概况，使得能够在相同或类似生物标志物传感器(例如，连续葡萄糖监测器(CGM))的使用者之间进行直接比较，该使用者在类似的情况下消耗相同的食物项。具有食物项的预定义营养分解使得能够解耦不同成分如何影响一般人(例如，在生物学上)，然后将该食物项映射到每个使用者对消耗该食物项的个体生理反应。通过将该套件中的预定食物映射到每个使用者的生物标志物(例如，葡萄糖)水平变化，一些示例性装置、系统和技术可使用那些映射来推断每个使用者对其他食物项的个体生理反应。一些示例性装置、系统和技术利用上述映射到特定成分和个性化生物标志物水平预测(即，“FoodPrint”)之间的更细粒度映射。

一些示例性装置、系统和技术依赖于此类映射来训练机器学习模型以准确地预测具有已知和/或预定营养成分的任何给定食物项的个性化生物标志物(例如，葡萄糖)水平。即使该营养成分是未知的或不明确的，一些示例调用各种机制来确定至少一些营养信息(例如，一个或多个营养标示，诸如卡路里计数)。一旦经过训练，经过训练的机器学习模型可基于该食物项对该患者的生理状况的影响，为该患者提供个性化食物项推荐。给定至少一些候选食物项的营养成分，一些示例利用该经过训练的机器学习模型来将该候选食物项评估为潜在推荐。一些示例提供有该患者容易获得的食物项的清单，并且在将该机器学习模型应用于这些食物项的营养信息之后，至少一个食物项可被推荐供该患者在不久的将来消耗。

在一个示例中，本公开描述了一种系统，该系统包括：存储器，该存储器被配置为存储模型；和处理电路，该处理电路通信地耦接到该存储器，其中该处理电路被配置为：执行用于该模型的训练过程，以基于患者在一时间段内消耗的预定食物项来预测该患者的患者营养状况，其中为了执行该训练过程，该处理电路被进一步配置为：基于具有该食物项的一组营养属性的该预定食物项概况和该模型来确定估计的生物标志物水平；在该患者在该时间段内消耗该食物项之后接收该患者的实际生物标志物水平；以及基于将所估计的生物标志物水平与该实际生物标志物水平进行比较来校准该模型；针对一组预定食物项中的一个或多个食物项重复该训练过程；以及输出经过训练的模型。

在一个示例中，本公开描述了一种系统，该系统包括：存储器，该存储器被配置为存储经过训练的模型；和处理电路，该处理电路通信地耦接到递送装置，其中该处理电路被配置为：将该经过训练的模型应用于一个或多个食物项概况以生成该一个或多个食物项概况中的每个食物项概况的预测患者营养状况，其中该经过训练的模型基于对应食物项的一组营养属性来生成患者的每个预测患者营养状况；在没有患者输入的情况下，至少基于与该一个或多个食物项概况对应的该患者的预测患者营养状况来选择与该一个或多个食物项概况相关联的一个或多个食物项以推荐供该患者消耗，其中该预测患者营养状况包括至少一个估计的生物标志物水平，在该患者消耗所选择的食物项的情况下，该至少一个估计的生物标志物水平预期在至少一个期望范围内；以及生成用于显示的输出数据，该输出数据指示所选择的一个或多个食物项。

在一个示例中，本公开描述了一种由具有用于存储经过训练的模型的存储器的医疗系统执行的方法，该方法包括：该医疗系统的处理电路将经过训练的模型应用于一个或多个食物项概况，以针对该一个或多个食物项概况中的每个食物项概况生成患者的预测患者营养状况；在该患者消耗所选择的一个或多个食物项中的每个食物项之后，该处理电路至少基于该预测患者营养状况来选择一个或多个食物项以推荐供该患者消耗，其中该预测患者营养状况包括至少一个估计的生物标志物水平，在该患者消耗所选择的一个或多个食物项的情况下，该至少一个估计的生物标志物水平预期在至少一个期望范围内；以及由该处理电路生成用于显示的输出数据，该输出数据指示所选择的一个或多个食物项。

本公开的一个或多个方面的细节在以下附图和说明书中示出。本公开的其他特征、目的和优点将从描述和附图以及从权利要求书显而易见。

附图说明

图1是示出根据本公开中描述的一个或多个示例的用于递送或引导疗法剂量的示例性系统的框图。

图2是示出根据本公开中描述的一个或多个示例的用于递送或引导疗法剂量的另一示例性系统的框图。

图3是示出根据本公开中描述的一个或多个示例的用于递送或引导疗法剂量的另一示例性系统的框图。

图4是示出根据本公开中描述的一个或多个示例的患者装置的示例的框图。

图5是示出根据本公开中描述的一个或多个示例的可穿戴装置的示例的框图。

图6A和图6B是根据本公开中描述的一个或多个示例的套件的包装结构的图示。

图7A至图7C各自是组合地示出根据本公开中描述的一个或多个示例的示例性方法的流程图。

具体实施方式

在本公开中描述了用于支持具有食物项推荐的患者糖尿病管理的装置、系统和技术。本公开描述了针对患者个性化的食物项推荐。一些示例性装置、系统和技术利用机器学习技术来识别适当的食物项以推荐给患者。例如，如果确定食物项对于患者来说是健康的和/或安全的，则该食物项可适于推荐给患者。又如，推荐给患者的适当食物项也可有益于患者当前的疗法，例如，通过不干扰任何预定的治疗。如本文所述，患者当前的疗法可考虑患者的典型饮食。因此，食物项是不适当的，并且因此在食物项偏离患者的饮食并且可能导致下一个预定治疗(例如，胰岛素剂量)无效或不太有效的请下不予推荐。

由于患者从存在于患者所进食食物项中的碳水化合物、脂肪和蛋白质以及有机酸、多元醇和乙醇获得食物能量，因此每个食物项的营养成分会影响患者的生物标志物。生物标志物的示例包括葡萄糖水平、酮水平、乳酸水平等。然而，特定食物对生物标志物的影响在个体之间可能不同，并且对于同一个体也可能不同。例如，由于进食苹果而引起的葡萄糖水平的变化在个体之间可能不同，尤其是患有糖尿病的个体。另外，在一些情况下，由于进食苹果而引起的葡萄糖水平的变化因时间、压力、体力活动、睡眠不足等各种因素而对同一个体可能不同。

将如本文所述的个性化机器学习模型应用于食物项信息以确定消耗该食物项是否可能引起相关生物标志物水平增加或减少。为了方便起见，本公开描述了管理葡萄糖水平的示例性技术。然而，该技术不限于此，并且可适用于管理各种生物标志物(例如，将生物标志物保持在范围内)，例如以优化健康和营养。例如，示例性技术可适用于为试图将酮水平保持在特定范围内的个体生成个性化食物推荐。又如，示例性技术可适用于试图将乳酸保持在特定范围内的运动员。

本公开还描述了为患者的益处而充分训练个性化模型的示例性技术。一旦完全训练，个性化模型可准确地估计患者的生物标志物水平的变化(例如，增加或减少)。在一些示例中，通过将患者对食物项的营养成分的特定生理反应建模，个性化模型可预测某些生物标志物水平，以确定生物标志物水平是否预期在健康范围内。

为了举例说明上述技术，该训练技术可应用上述个性化模型来输入与示例性食物项的营养成分对应的特征，并且基于该营养信息来估计相关生物标志物水平。一个或多个传感器提供测量值，该测量值包括在患者消耗示例性食物项之后的时间点患者的实际生物标志物水平。该训练技术可将所估计的生物标志物水平和实际生物标志物水平进行比较，并且基于该比较，校准个性化模型以更好地估计患者的生物标志物水平，例如，通过调整模型数据(例如，模型参数或超参数)。该训练技术还可通过在输出经过训练的个性化机器学习模型前针对多个食物项重复上述比较来校准个性化模型。

在一个或多个示例中，由于食物对生物标志物的影响对于每个个体可能是不同的，因此可指导个体消耗一组预先选择的食物中的特定食物项，以确定食物对该个体的生物标志物的影响。例如，当训练个性化机器学习模型时，可向患者提供几个食物套件(例如，7个套件)，每个套件包括具有特定营养成分的可食用消耗品(例如，棒或饮料)。每天，例如在由于睡眠而禁食期后的早晨，个体可消耗这些消耗品中的一个消耗品。连接到患者的葡萄糖传感器可测量由于每个消耗品的消耗而引起的葡萄糖水平的变化。由于每个消耗品具有独特的营养成分，因此通常可通过许多不同类型的食物来确定食物对个体的生物标志物的影响。在一些示例中，个性化机器学习模型的训练可包括患者在24小时内消耗两个或更多个食物套件(例如，相同或不同的食物套件)。例如，个性化机器学习模型的训练可包括患者消耗“早餐”套件、一个或多个“快餐”套件、“午餐”套件和/或晚餐套件的组合。以这种方式，可训练个性化机器学习模型以确定食物项的组合可如何随时间影响患者的生物标志物水平。

也就是说，套件中的可食用消耗品可被视为基线食物，在患者消耗不同的食物之后，计算装置可根据该基线食物来确定对患者的生物标志物的影响。基于食物对生物标志物的影响以及个体的目标(例如，减重、肌肉增加、将葡萄糖水平保持在期望范围内等)，可确定实现这些目标的个性化食物推荐。

例如，计算装置可利用预定基线食物的营养成分和所得到的生物标志物信息来训练机器学习模型并生成用于部署到患者装置的经过训练的模型。经过训练的模型的输入可以是个体可能想要消耗的各种食物项或食物类型，并且如果个体要消耗这些食物，则输出可以是一个或多个生物标志物(例如，包括加班)的值的预测。基于对个体是否消耗特定食物的生物标志物的预测以及个体的目标，计算装置可生成个性化膳食推荐。

计算装置可存储每个基线食物项的体积测量值，然后使用该体积测量值来估计基线食物项的营养含量和/或份量大小(例如，食用份量)。为了确定患者体内的葡萄糖水平在给定估计的营养含量和/或份量大小的情况下由于消耗特定食物项将可能改变的程度，患者装置和/或云可采用数学函数或概率模型，该数学函数或该概率模型被配置为接受与估计的营养含量和/或份量大小对应的因素作为输入变量并且生成患者体内的葡萄糖水平的预期升高量或预期降低量作为输出数据。在一些示例中，数学函数或概率模型可以是静态的并且是由健康专业人士预定的。在其他示例中，患者装置和/或云可采用机器学习技术来响应于反馈(例如，“学习”)以提高数学函数或概率模型的准确度的方式动态调整数学函数或概率模型。

图1是示出根据本公开中描述的一个或多个示例的用于递送或引导疗法剂量的示例性系统的框图。图1示出了系统10A，该系统包括患者12、胰岛素泵14、管道16、输注器18、连续葡萄糖监测器(CGM)20、可穿戴装置22、患者装置24和云26。云26表示包括一个或多个处理器28A-28N(“一个或多个处理器28”)的本地、广域或全球计算网络。

如图1所示，系统10A包括云26，该云包括一个或多个处理器28。例如，云26包含多个网络装置(例如，服务器)，并且所述多个装置各自包含一个或多个处理器。一个或多个处理器28可以是多个网络装置的处理器，并且可以定位于网络装置中的单个网络装置内，或者可以跨网络装置中的两个或更多个网络装置分布。云26表示支持一个或多个用户所请求的应用程序或操作在其上运行的一个或多个处理器28的云基础架构。例如，云26提供云计算以使用一个或多个处理器28而不是通过患者装置24或可穿戴装置22来存储、管理和处理网络装置上的数据。一个或多个处理器28可以共享用于执行计算的数据或资源，并且可以是计算服务器、网络服务器、数据库服务器等的一部分。一个或多个处理器28可以在数据中心内的网络装置(例如，服务器)中，或者可以跨多个数据中心分布。在一些情况下，数据中心可以在不同的地理位置中。

一个或多个处理器28以及本文所描述的其他处理电路可以包含任何一个或多个微处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或任何其他等效的集成或离散逻辑电路以及此类组件的任何组合。归属于一个或多个处理器28以及本文所描述的其他处理电路的功能在本文中可以体现为硬件、固件、软件或其任何组合。

一个或多个处理器28可以被实施为固定功能电路、可编程电路或其组合。固定功能电路是指提供特定功能的电路，并且被预置在可执行的操作上。可编程电路是指可被编程以执行各种任务的电路，并且在可执行的操作中提供灵活的功能。例如，可编程电路可执行软件或固件，该软件或固件使得可编程电路以软件或固件的指令所定义的方式操作。固定功能电路可执行软件指令(例如，接收参数或输出参数)，但是固定功能电路执行的操作类型通常是不可变的。在一些示例中，单元中的一个或多个单元可以是不同的电路块(固定功能或可编程)，并且在一些示例中，该一个或多个单元可以是集成电路。一个或多个处理器28可以包括由可编程电路形成的算术逻辑单元(ALU)、基本功能单元(EFU)、数字电路、模拟电路和/或可编程核。在使用由可编程电路执行的软件来执行一个或多个处理器28的操作的示例中，一个或多个处理器28可访问的存储器(例如，在服务器上)可以存储一个或多个处理器28接收并执行的软件的目标代码。

患者12可能患有糖尿病(例如，1型糖尿病或2型糖尿病)，并且因此，患者12体内的葡萄糖水平在没有递送补充胰岛素的情况下可能不受控制。例如，患者12可能无法产生足够的胰岛素来控制葡萄糖水平，或者由于患者12可能已经发展出的胰岛素抗性，患者12产生的胰岛素的量可能不足。

为了接受补充胰岛素，患者12可以携带耦接到用于将胰岛素递送到患者12中的管道16的胰岛素泵14。输注器18可连接到患者12的皮肤并包括将胰岛素递送到患者12中的套管。CGM 20还可耦接到患者12以测量患者12体内的葡萄糖水平。胰岛素泵14、管道16、输注器18和CGM 20可一起形成胰岛素泵系统。胰岛素泵系统的一个示例是美敦力公司的MINIMED^TM670G胰岛素泵系统。然而，可使用胰岛素泵系统的其他示例，并且示例性技术不应被视为限于MINIMED^TM670G胰岛素泵系统。

胰岛素泵14可以是患者12可以放置在不同位置中的相对较小的装置。例如，患者12可以将胰岛素泵14夹到患者12所穿戴的裤子的腰带。在一些示例中，为谨慎起见，患者12可以将胰岛素泵14放置在口袋中。通常，胰岛素泵14可以被穿戴在不同的地方，并且患者12可以基于患者12正在穿戴的特定衣服将胰岛素泵14放置在某个位置中。

为了递送胰岛素，胰岛素泵14包括一个或多个储器(例如，两个储器)。储器可以是保持至多N个单位的胰岛素(例如，至多300个单位的胰岛素)并锁定到胰岛素泵14中的塑料筒。胰岛素泵14可以是由可更换和/或可充电电池供电的电池供电装置。

管道16有时被称为导管，其在第一端部上连接到胰岛素泵14中的储器并且在第二端部上连接到输注器18。管道16可以将胰岛素从胰岛素泵14的储器携带到患者12。管道16可以是柔性的，从而允许成环或弯曲以最小化管道16变得与胰岛素泵14或输注器18分离的担忧或管道16断裂的担忧。

输注器18可包括患者12将其插入到皮肤下脂肪层中(例如，皮下连接)的薄套管。输注器18可以搁置在患者12的胃附近。胰岛素从胰岛素泵14的储器行进穿过管道16，并穿过输注器18中的套管，并进入患者12体内。在一些示例中，患者12可以使用输注器插入装置。患者12可将输注器18放置到输注器插入装置中，并且在按下输注器插入装置上的按钮的情况下，输注器插入装置可将输注器18的套管插入到患者12的脂肪层中，并且在套管插入患者12的脂肪层中的情况下，输注器18可搁置在患者的皮肤的顶部上。

传感器20(在本文中可被称为连续葡萄糖监测器(CGM)20)可包括插入在患者12的皮肤下，如患者12的胃附近或患者12的手臂中(例如，皮下连接)的传感器。CGM 20的传感器可被配置为测量间质葡萄糖水平，该间质葡萄糖是存在于患者12的细胞之间的流体中的葡萄糖。CGM 20可被配置为持续或周期性地采样葡萄糖水平和葡萄糖水平随时间的变化速率。

在一个或多个示例中，胰岛素泵14、CGM 20和/或图1中示出的各个组件可一起形成闭环的疗法递送系统。例如，患者12可在胰岛素泵14上设置目标葡萄糖水平，通常以毫克/分升为单位进行测量。胰岛素泵14可从CGM 20接收当前葡萄糖水平，并且作为响应，可增加或减少递送到患者12的胰岛素量。例如，如果当前葡萄糖水平高于目标葡萄糖水平，则胰岛素泵14可增加胰岛素。如果当前葡萄糖水平低于目标葡萄糖水平，则胰岛素泵14可以暂时停止递送胰岛素。胰岛素泵14可被认为是自动胰岛素递送(AID)装置的示例。AID装置的其他示例也是可能的，并且本公开中所描述的技术可以适用于其他AID装置。

例如，胰岛素泵14和CGM 20可被配置为一起操作以模拟健康胰腺以其进行工作的方式中的一些方式。胰岛素泵14可以被配置成递送基础胰岛素，所述基础胰岛素是全天连续释放的少量胰岛素。可能存在葡萄糖水平升高的时间，诸如由于患者12进行的进食或一些其他活动。胰岛素泵14可被配置为与食物摄入相关联地按照需要递送胰岛素或校正血流中不令人期望的高葡萄糖水平。在一个或多个示例中，如果葡萄糖水平升高至目标水平以上，则胰岛素泵14可增加胰岛素剂量的量以解决葡萄糖水平的升高。胰岛素泵14可被配置为计算胰岛素递送，并且相应地递送胰岛素。例如，胰岛素泵14可确定要连续递送的胰岛素的基础剂量，并且然后响应于由于进食或一些其他事件引起的葡萄糖水平的升高而确定要递送以降低葡萄糖水平的胰岛素的团注剂量。

因此，在一些示例中，CGM 20可采样葡萄糖水平和葡萄糖水平随时间的变化速率。CGM 20可将葡萄糖水平输出到胰岛素泵14(例如，通过如蓝牙等无线链路连接)。胰岛素泵14可以将葡萄糖水平与目标葡萄糖水平(例如，由患者12或临床医生设置的)进行比较，并且基于比较调整胰岛素剂量。

如上文所描述，患者12或临床医生可以在胰岛素泵14上设置目标葡萄糖水平。患者12或临床医生可以以多种方式在胰岛素泵14上设置目标葡萄糖水平。举例来说，患者12或临床医生可利用患者装置24与胰岛素泵14通信。患者装置24的示例包含移动装置，如智能手机或平板计算机、膝上型计算机等。在一些示例中，患者装置24可以是用于胰岛素泵14的特殊编程器或控制器。尽管图1示出了一个患者装置24，但是在一些示例中，可以存在多个患者装置。例如，系统10A可以包含移动装置和控制器，其中的每一个都是患者装置24的示例。仅为了便于描述，示例性技术是关于患者装置24进行描述的，并且应理解为患者装置24可以是一个或多个患者装置。

患者装置24还可被配置为与CGM 20交互。作为一个示例，患者装置24可直接从CGM20(例如，通过无线链路)接收信息(例如，葡萄糖水平或葡萄糖水平变化的速率)。作为另一示例，患者装置24可通过胰岛素泵14从CGM 20接收信息，其中胰岛素泵14在患者装置24与CGM 20之间中继信息。

在一个或多个示例中，患者装置24可显示用户接口，患者12或临床医生可用该用户接口控制胰岛素泵14。例如，患者装置24可以显示允许患者12或临床医生输入目标葡萄糖水平的屏幕。作为另一示例，患者装置24可显示输出当前葡萄糖水平的屏幕。在一些示例中，患者装置24可向患者12输出通知，诸如葡萄糖水平过高或过低的通知以及关于患者12需要采取的任何动作的通知。例如，如果胰岛素泵14的电池的电量低，则胰岛素泵14可向患者装置24输出电池电量低指示，并且患者装置24可继而向患者12输出更换电池或对电池进行充电的通知。

通过患者装置24控制胰岛素泵14是一个示例，并且不应被认为是限制性的。例如，胰岛素泵14可以包含允许患者12或临床医生设置胰岛素泵14的各种葡萄糖水平的用户接口(例如，按钮)。而且，在一些示例中，胰岛素泵14本身或作为患者装置24的补充可被配置为向患者12输出通知。例如，如果葡萄糖水平过高或过低，则胰岛素泵14可以输出听觉或触觉输出。作为另一个示例，如果电池电量低，则胰岛素泵14可以在胰岛素泵14的显示器上输出电池电量低指示。

上文描述了胰岛素泵14可以其基于当前葡萄糖水平(例如，由CGM 20测量的)向患者12递送胰岛素的示例方式。在一些情况下，通过主动向患者12递送胰岛素，而不是在葡萄糖水平变得过高或过低时做出反应，可能会产生治疗增益。

患者12的葡萄糖水平可能由于特定的用户动作而增加。作为一个示例，患者12的葡萄糖水平可能会由于患者12参与如进食或锻炼等活动而升高。在一些示例中，如果可以确定患者12正在参与活动，并且基于患者12正在参与活动的确定而递送胰岛素，则可能存在治疗增益。

如所展示，患者12可以穿戴可穿戴装置22。可穿戴装置22的示例包括智能手表或健身追踪器，在一些示例中，其中的任一个可被配置为穿戴在患者的手腕或手臂上。在一个或多个示例中，可穿戴装置22包括一个或多个惯性测量单元，如六轴惯性测量单元。六轴惯性测量单元可以将3轴加速度计与3轴陀螺仪耦接。加速度计测量线性加速度，而陀螺仪测量旋转运动。可穿戴装置22可被配置成确定患者12的一个或多个移动特性。一个或多个移动特性的示例包括与移动瞬时或随时间的频率、振幅、轨迹、定位、速度、加速度和/或模式有关的值。患者的手臂的移动频率可以是指患者12在某个时间内重复移动多少次(例如，诸如在两个位置之间来回移动的频率)。

如图1所示，患者12可穿戴可穿戴装置22和/或其他可穿戴装置以利用他/她自己的各种功能，例如，以便输出识别患者12要进食的推荐食物项的信息和/或识别患者12要进食、正在进食或已经进食的特定食物项。在任一示例中，可穿戴装置22可生成指示(例如，确认)患者消耗特定食物项的数据。另一示例性可穿戴装置可包括增强现实(AR)手镯。

患者12可在他或她的手腕上穿戴可穿戴装置22。然而，示例性技术不限于此。患者12可以将可穿戴装置22佩戴在手指、前臂或二头肌上。通常，患者12可以将可穿戴装置22佩戴在可以用于确定指示进食的手势，如手臂的移动特性的任何地方。

患者12正在移动他或她的手臂的方式(即，移动特性)可以是指患者12的手臂的方向、角度和朝向，包括与移动瞬时或随时间的频率、振幅、轨迹、定位、速度、加速度和/或模式有关的值。作为示例，如果患者12正在进食，则患者12的手臂将以特定方式朝向(例如，拇指面向患者12的身体)，手臂的移动的角度将成大约90度移动(例如，从餐盘开始到嘴)，并且手臂的移动的方向将为按照从餐盘到嘴的路径。来自可穿戴装置22的向前/向后、向上/向下、俯仰、横滚、偏航测量可指示患者12正在移动他或她的手臂的方式。而且，患者12可以具有患者12移动他或她的手臂的某个频率或患者12移动他或她的手臂的模式，与如吸烟或电子烟等其中患者12可能将他或她的手臂抬起到他或她的嘴处的其他活动相比，该某个频率或模式更能指示进食。

尽管以上描述将可穿戴装置22描述为用于确定患者12是否在进食，但可穿戴装置22可以被配置成检测患者12的手臂的移动(例如，一个或多个移动特性)，并且移动特性可以用于确定患者12进行的活动。例如，由可穿戴装置22检测到的移动特性可以指示患者12是否正在锻炼、驾驶、睡觉等。作为另一示例，可穿戴装置22可以指示患者12的姿势，该姿势可以与锻炼、驾驶、睡觉、进食等的姿势相一致。移动特性的另一个术语可以是手势移动。因此，可穿戴装置22可被配置成检测姿势移动(即，患者12的手臂的移动特征)和/或姿态，其中姿势和/或姿态可为各种活动(例如，进食、锻炼、驾驶、睡觉等)的一部分。

在一些示例中，可穿戴装置22可被配置成基于检测到的姿势(例如，患者12的手臂的移动特征)和/或姿势来确定患者12正在进行的特定活动。例如，可穿戴装置22可以被配置成确定患者12是否正在进食、锻炼、驾驶、睡觉等。在一些示例中，可穿戴装置22可以向患者装置24输出指示患者12的手臂的移动特性和/或患者12的姿势的信息，并且患者装置24可以被配置成确定患者12正在进行的活动。

可穿戴装置22和/或患者装置24可以编程有可穿戴装置22和/或患者装置24用来确定患者12正在进行的特定活动的信息。例如，患者12可以在全天进行各种活动，其中患者12的手臂的移动特性可能类似于患者12的手臂的对于特定活动的移动特性，但是患者12未进行所述活动。作为一个示例，患者12打哈欠和窝起手掌托住他或她的嘴的移动可能与患者12进食的移动相似。患者12拿起杂货的移动可能与患者12锻炼的移动相似。同样，在一些示例中，患者12可能正在进行特定活动，但可穿戴装置22和/或患者装置24可能未确定患者12正在进行特定活动。

因此，在一个或多个示例中，可穿戴装置22和/或患者装置24可以“学习”以确定患者12是否正在进行特定活动。然而，可穿戴装置22和患者装置24的计算资源可能不足以执行确定患者12是否正在进行特定活动所需要的学习。可穿戴装置26和患者装置24的计算资源可能足以执行学习，但仅为了便于描述，以下是关于云26中的一个或多个处理器28进行描述的。

在一些实例中，一个或多个处理器28可以被配置成根据手势移动(例如，由可穿戴装置22确定的一个或多个移动特性)确定模式，并且被配置成确定患者12正在进行的特定活动。一个或多个处理器28可提供可以在实时响应基础上确定患者12正在进行的活动的实时响应云服务，并且在一些示例中，提供所推荐的疗法(例如，胰岛素剂量的量)。云26和患者装置24可通过Wi-Fi或通过承载网络进行通信。

例如，如上文所述，在一些示例中，可穿戴装置22和/或患者装置24可被配置为确定患者12正在进行活动。然而，在一些示例中，患者装置24可将指示患者12的手臂的移动的移动特性的信息输出到云26，并且可能具有其他情境信息，如位置或一天中的时间。云26的一个或多个处理器28然后可以确定患者12正在进行的活动。胰岛素泵14然后可以基于患者12的确定的活动来递送胰岛素。

上文将手臂运动描述为确定患者12是否参与活动的一个因素。然而，可能存在可单独使用或与手臂移动结合使用以确定患者12是否参与活动的各种其他因素。作为一个示例，患者12可以规则的时间间隔参与活动。作为另一个示例，患者12可在某些位置处参与活动。在初始学习阶段，当患者12(例如，通过患者装置24)输入他或她正在参与活动时，患者装置24可以输出关于一天中的时间和患者12的位置的信息。例如，患者装置24可以配备有定位装置，如全球定位系统(GPS)单元，并且患者装置24可以输出由GPS单元确定的位置信息。可能存在用于确定位置的其他方式，如基于Wi-Fi连接和/或接入4G/5G LTE，或某种其他接入形式，如基于患者装置24的电信数据库跟踪装置位置。当日时间和位置是可用于确定患者12是否正在参与活动的情境信息的两个示例。

然而，可以存在患者12的情境信息的其他示例，诸如睡眠模式、体温、应力水平(例如，基于脉搏和呼吸)、心率等。通常，可以存在各种生物计量学传感器(例如，用于测量温度、脉搏/心率、呼吸速率等)，该各种生物计量学传感器可以是可穿戴装置22的一部分或者可以是单独传感器。在一些示例中，生物计量学传感器可以是CGM 20的一部分。

患者12的情境信息的其他示例包括用于消耗的可能的或推荐的食物项(例如，固体肉或蔬菜和液体饮品)。进食(例如，在餐食时间期间)是患者12所参与的活动，并且标识在进食时正在消耗哪些食物项可能在所述患者12的糖尿病胰岛素递送中起重要作用。在包含营养和体积在内的各个方面，两种食物项可能会有或多或少的差异。例如，当将鸡腿与苹果进行比较时，鸡腿和苹果各自提供不同的营养物并且对患者12的体质量贡献的量不同。本文所描述的技术可以针对根据包含本文所描述的上下文信息在内的各种信息标识特定食物项，并且作为标识食物项的一部分，一些技术可以被配置成确定针对患者12的糖尿病胰岛素递送的支持信息(例如，患者的疗法信息和其他食物项信息，如营养物和体积信息)。

患者12的情境信息可包括条件信息。例如，患者12可以每3小时进食一次，但患者12进食的确切时间可以不同。在另一个实例中，患者12可以每当他在特定位置(例如，餐厅、美食广场、自助餐厅)处时进食餐食。在一些示例中，条件信息可以是确定患者12是否已经进食以及自患者12进食以来是否已经过一定量的时间(例如，3小时)。通常，可以使用建立行为模式的任何信息来确定患者12是否正在参与特定活动(例如，进食如牛排、苹果或番茄等特定食物项)。

一个或多个处理器28可以利用如机器学习或其他数据分析技术等人工智能基于由可穿戴装置22和患者装置24确定和/或收集的信息来确定患者12是否正在参与活动。作为一个示例，在初始学习阶段期间，一个或多个处理器28可利用神经网络技术。例如，一个或多个处理器28可以从患者12接收用于训练在一个或多个处理器28上执行的分类器模块的训练数据。如上文所描述的，当患者装置24和/或可穿戴装置22基于患者12的手臂的移动方式和频率确定患者12正在参与活动时(例如，与进食时手臂的移动一致的手势)，一个或多个处理器28可以基于患者确认接收训练数据。一个或多个处理器28可生成并存储带标记的数据记录，该带标记的数据记录包含与移动有关的特性以及如一天中的时间或位置等其他情境特性。一个或多个处理器28可在包含多个带标记的数据记录的带标记的数据集上训练分类器，并且一个或多个处理器28可使用经过训练的分类器模型来更准确地检测食物摄入事件的开始。

可用于神经网络的其他示例包括行为模式。例如，患者12可以仅在运动后进食特定食物，并且总是在运动后进食所述特定食物。患者12可以在特定时间和/或地点进食。尽管关于进食进行了描述，但是可以存在各种条件共同指示患者12针对不同活动的行为模式。

作为另一个实例，一个或多个处理器28可以利用k均值聚类技术来确定患者12是否正在参与活动。例如，在初始学习阶段期间，一个或多个处理器28可接收不同类型的情境信息并且形成聚类，其中每个聚类表示患者12的行为(例如，进食、睡眠、行走、运动等)。例如，患者12可以输入指示他或她正在行走的信息(例如，将所述信息输入到患者装置24中)。一个或多个处理器28可利用在患者12正在行走时接收到的所有情境信息来形成与行走相关联的第一簇。患者12可以输入指示他或她正在进食以及他或她正在进食哪个(哪些)食物项的信息(例如，将所述信息输入到患者装置24中)。一个或多个处理器28可利用在患者12正在进食时接收到的所有情境信息来形成与进食相关联的第二簇，以此类推。然后，基于接收到的情境信息，一个或多个处理器28可以确定哪个簇与情境信息对齐，并且确定患者12正在进行的活动。如更详细地描述的，活动的类型以及活动何时将发生的预测可以用于确定何时递送胰岛素疗法。可以存在机器学习的其他实例，并且示例技术限于任何特定机器学习技术。

可存在一个或多个处理器28可确定患者12正在进行的活动的各种其他方式。本公开提供了用于确定患者12正在进行的活动的一些示例性技术，但是示例性技术不应当被认为是限制性的。

在初始学习阶段期间，患者12还可以输入关于患者12正在进行的活动的信息。例如，在进食的情况下，患者12可以输入指示患者12正在进食什么和/或患者12正在进食的食物中有多少碳水化合物的信息。作为一个示例，在每天早晨9:00，患者12可以输入他或她正在吃百吉饼或输入患者12正在消耗48克碳水化合物。

在一些示例中，一个或多个处理器28可被配置为确定递送给患者12的胰岛素量(例如，团注剂量)。作为一个示例，一个或多个处理器28可访问的存储器可存储患者12的患者参数(例如，体重、身高等)。存储器还可存储查询表，该查询表指示针对不同患者参数和不同类型食物要递送的团注剂量的量。一个或多个处理器28可访问存储器并且可基于患者12正在进食的食物类型和患者参数来确定患者12要接受的团注剂量的量。

作为另一个示例，一个或多个处理器28可被配置为利用患者12的“数字孪生”来确定患者12要接受的胰岛素量。根据患者12计划接收所确定的胰岛素量的时间，胰岛素剂量可被视为基础剂量或团注剂量。数字孪生可以是患者12的数字复制品或模型。数字孪生可以是在一个或多个处理器28上执行的软件。数字孪生可接收关于患者12进食了和/或正在进食什么的信息作为输入。由于数字孪生是患者12的数字复制品，因此来自数字孪生的输出可以是关于患者12在进食后的葡萄糖水平可能是多少的信息以及向患者12递送多少团注剂量或基础剂量以控制葡萄糖水平的升高的建议。因此，患者12的数字孪生允许分析实时数据(例如，患者12正在吃什么)、对患者12的影响(例如，葡萄糖水平将有多少变化)和/或疗法建议(例如，提供多少胰岛素)。

例如，数字孪生可以指示针对患者12过去进食的餐食的正确剂量本应该是多少。在一个或多个实例中，患者12可以输入指示患者12进食的食物的信息，并且一个或多个处理器28可以接收关于葡萄糖水平的信息。利用指示患者12进食了的食物和葡萄糖水平的信息，一个或多个处理器28可以利用数字孪生来确定胰岛素剂量本应该是多少(例如，基于数字孪生如何建模食物将如何影响患者的葡萄糖水平)。然后，在预测患者12进食同一餐食的后续时间，一个或多个处理器28可基于数字孪生先前已经确定的胰岛素剂量来确定胰岛素剂量应该是多少。

如本文所述，固体或液体食物(或它们的某种组合)形式的一套基线可食用消耗品与数字孪生模型相结合，可用于根据患者12的生理状况来校准患者12的疗法。通过在数餐或数天内消耗基本上相同的营养物质，一个或多个处理器28可确定参数以编程到数字孪生模型中，以便准确地确定团注剂量或基础剂量的量和/或患者12要进行胰岛素治疗的时间表。在一些示例中，云26与一套基线可食用固体棒相结合，并且一个或多个处理器28被配置为在多次迭代中调整数字孪生模型的参数，直到数字孪生算法被充分训练。在一些示例中，一个或多个处理器28可在三天内调整参数。

因此，在一个或多个示例中，一个或多个处理器28可利用关于手臂移动的移动特性、进食速度、食物消耗量、食物含量等的信息，同时还跟踪其他情境信息。情境信息的示例包括位置信息、一天中的时间、起床时间、自最后一次进食以来的时间量、日历事件、关于患者12可能正在会见的人员的信息等。一个或多个处理器28可识别所有这些各种因素之间的模式和相关性以确定患者12进行的活动，如进食、行走、睡觉、驾驶等。

在初始学习阶段之后，一个或多个处理器28可自动地并且以来自患者12的最小输入确定患者12正在进行特定活动，并且基于该确定来确定要递送的团注胰岛素的量。一个或多个处理器28可将对要递送的胰岛素的量的推荐输出到患者装置24。患者装置24然后可以进而控制胰岛素泵14递送确定量的胰岛素。作为一个示例，患者装置24可将要递送的胰岛素的量输出到胰岛素泵14。作为另一个示例，患者装置24可输出目标葡萄糖水平，并且胰岛素泵14可递送胰岛素以实现目标葡萄糖水平。在一些示例中，一个或多个处理器28可向患者装置24输出指示目标葡萄糖水平的信息，并且患者装置24可将该信息输出到胰岛素泵16。所有这些示例都可被视为一个或多个处理器28确定要递送给患者12的胰岛素的量的示例。

以上描述了确定患者12是否正在进行活动、确定要递送的胰岛素量以及导致要递送的胰岛素量的示例方式。示例技术可能需要很少到不需要来自患者12的干预。以这种方式，患者12将在正确时间接受正确剂量的胰岛素的可能性提高，并且导致问题的人为错误(例如，患者12忘记记录餐食、忘记使用胰岛素或使用胰岛素但忘记已使用胰岛素)的可能性降低。

尽管上文描述了主动确定患者12进食并且相应地递送胰岛素，但示例技术不限于此。示例技术可以用于主动确定患者12正在进行的活动(例如，进食、运动、睡眠、驾驶等)。胰岛素泵14然后可以基于对患者12正在进行的活动类型的确定来递送胰岛素。

虽然上述示例性技术可能有益于患者12在正确的时间接受有效量的胰岛素，但是本公开描述了进一步主动控制向患者12递送胰岛素的示例性技术。

如图1所示，云26在包括各种类型的食物相关信息的数据存储库中维护结构化数据，诸如食物数据27。在特定食物项的食物相关信息中，可根据如本文所述的预定结构来排列多个信息属性。食物项通常是指人们为了某种生理益处而消耗的任何可食用体积。在本公开中，患者12是从各种食物项获得食物能量的糖尿病患者，其中每个食物项由碳水化合物、脂肪、蛋白质、有机酸、多元醇和/或乙醇的不同组合组成。任何给定食物项可由它们的营养成分表示。作为示例性表示，食物数据27可包括食物项概况，其中每个概况将对应的食物项定义为碳水化合物、脂肪、蛋白质、有机酸、多元醇和/或乙醇的组合。食物项概况通常有助于识别特定食物项和通过营养成分区分不同的食物项。

示例性食物项概况的结构被配置为将食物项的独特营养成分(包括常量营养素和/或微量营养素信息)排列成一组属性。特定食物项的一组属性可包括关于该特定食物项的碳水化合物、脂肪、蛋白质、有机酸、多元醇和/或乙醇的组成的营养标示。其他示例性属性还利用指示特定食物项的质量和/或体积的信息(例如，根据食用份量)并且包括描述特定食物项的形状和/或大小的信息来描述特定食物项。如本文所述，机器学习模型可使用食物项概况作为适于机器学习技术(例如，以及用于预测患者12的营养状况)的表示。

由于各种原因，一些食物项的营养成分可能不完整或不确定，其中一些营养标示是未知的或不确定的。对于某些食物项，营养标示可以是从类似食物项(例如，相同食物类型的食物项)得出的近似值，但是该近似值可能无法准确地描述食物项的实际营养成分(例如，按体积)。如果食物项的体积是未知的，则一些营养标示可能无法确定。这些不准确性中的任何一个不准确性都可能抑制机器学习模型的准确预测。一些示例性概况识别哪些属性可能是未知的(例如，在当前时间)。即使给定食物项由碳水化合物、脂肪、蛋白质、水、维生素和矿物质组成，大量食物项也主要由碳水化合物、脂肪、蛋白质和水组成；至少由于这个原因，它们的食物项概况可能不包括描述维生素和矿物质的量的属性。

如本文所述，关于诸如苹果的特定食物项或诸如水果的一般食物类型，一个或多个处理器28可从食物数据27检索相关信息，以确定例如单个嘎啦苹果的营养价值以及对患者12的健康影响(如果被消耗)。一个或多个处理器28可识别定义苹果的(例如，已知的或预定的)营养标示的属性。本公开所述的“营养标示”是指苹果的特定分子的化学组成，这些特定分子至少构成苹果的相当大部分。这些化学分子可以是已知的(例如，公开的)或预定的(例如，通过测试或使用器械进行测量)营养物。除识别苹果中存在哪些特定营养物(例如，通过它们的物质名称和/或配方)之外，一个或多个处理器28可从食物数据27检索描述这些特定营养物的其他信息，例如，在质量和/或数量方面。为了举例说明，上文所提到的苹果可包括碳水化合物(例如，糖、醇类和/或类似物)、脂类(例如，脂肪、甾醇和/或等等)、盐(例如，钠离子、电解质和/或等等)、蛋白质(例如，氨基酸的聚合物链)、水分子和/或其它分子类别。为了进一步举例说明，一个或多个处理器28可确定上文所提到的苹果以相应的非微小百分比包括糖分子(例如，果糖、蔗糖和/或葡萄糖)、脂肪分子(例如，ω-3、6和/或9脂肪酸)、甾醇分子(例如，胆固醇)、盐分子(例如，钠)等等。

基于描述患者12在(最近)时间段内要消耗、正在消耗或已经消耗的特定食物项的营养成分的信息，一个或多个处理器28可确定患者12的生物标志物(例如，葡萄糖)水平是否可能改变(例如，改变可预测的量)，并且如果可能改变，则确定所改变的生物标志物(例如，葡萄糖)水平是否影响患者12的当前或未来营养状况。在一些示例中，一个或多个处理器28可预测患者12的葡萄糖水平改变到可能对患者12的健康产生不利影响的程度(例如，通过中断疗法递送)。一个或多个处理器28可从模型29检索用于在患者12消耗特定食物项之后预测患者12的生物标志物水平的经过训练的机器学习模型。存储在模型29中的经过训练的机器学习模型可包括数学函数、预测/分类算法和/或概率分布，其中该函数、算法和/或分布中的每一者已经从训练过程学习到如何在患者12消耗特定食物项之后准确地预测患者12的生物标志物水平；此类预测是根据输入(特征)数据确定的，该输入(特征)数据可(部分地)基于与特定食物项的营养成分对应的信息。

需要说明的是，食物数据27可被配置为在多个粒度级别定义食物项的分子组成，使得在一个粒度级别，细粒度组成能够分离该食物项中的特定营养物；为了举例说明上文所提到的苹果，示例性细粒度组合可指定该苹果的不同糖分子类型(例如，果糖、蔗糖和/或葡萄糖)的量(例如，作为相应的百分比)。另一方面，食物数据27可指定苹果的整个糖分子组成的近似量(例如，作为累积百分比或小计)。对于食物数据27中的该粒度级别，任何给定分子类别的累积百分比可被描述为近似值，该近似值的准确性取决于多个因素。如果给定苹果(或就此而言的任何食物项)的精确体积估计值，则一个或多个处理器28可确定该分子类别或特定分子类型的准确百分比。

利用已知的科学原理和/或公布的材料，一个或多个处理器28可根据标准化数量/质量(例如，以卡路里含量)利用已知的或预定的测量来定义上述苹果。在营养背景下，食物数据27可使用科学单位的能量(例如，营养或食物能量)来描述上文所提到的苹果的至少一个属性(例如，在质量或数量方面)。卡路里(能量的一种示例性单位)被定义为将一定量的水升高一度所需的热量。卡路里(例如，千卡(kcal))和千焦耳(kJ)(能量(例如，营养或食物能量)的另一种示例性SI单位)是人类从其食物(例如，上述苹果)获得的化学能的常用度量。食物数据27不限于卡路里的量(例如，计数)(例如，每克或食用份量)，并且可包括附加的或另选的科学测量。

对于上述单个苹果，食物数据27可定义标准化卡路里计数，其中假设某一质量使得每个苹果的卡路里计数是相同的，并且提取单个苹果之间的实际卡路里差异以对卡路里计数产生细微影响。附加地或另选地，食物数据27可定义上述单个苹果的每特定质量单位的卡路里比率(例如，每克或食用份量的平均卡路里计数)。对于特定营养物，食物数据27可定义每特定质量单位的卡路里比率，例如具有9千卡/克(kcal/g)的脂类(例如，脂肪)，碳水化合物(例如，糖和纤维)和蛋白质(例如，氨基酸聚合物)两者包含大约4kcal/g，并且食物/饮料中的酒精(例如，乙醇)包含7kcal/g。

一般来讲，模型29表示用于存储信息以便于实现、训练、然后应用经过训练的机器学习模型来确定各种类型信息的专用存储空间。在云26中，一个或多个处理器28提供用于将机器学习模型表示为用于存储在模型29中的计算机数据(例如，数据结构)的多种机制。经由到云26的接口，诸如患者装置24之类的外部装置可访问与特定经过训练的机器学习模型对应的资源和服务。例如，患者装置24可提交访问经过训练的模型的可下载副本的请求；一个或多个处理器28继而可返回对患者12的请求的响应，该响应具有一个或多个文件，该一个或多个文件存储用于所请求的经过训练的模型的表示的数据。又如，患者装置24可经由云服务提交访问经过训练的模型的请求；一个或多个处理器28继而可返回响应，该响应确认发起进程间会话。在其他示例中，患者装置24可直接访问存储在模型29中的模型表示，并控制专用软件程序以读取模型的体系结构、识别模型的数据组件(例如，输入特征、参数、超参数、包括内核的过滤器和/或等等)以及执行一些计算机化任务。

一般来讲，对于每个机器学习模型，模型29包括实施示例性机器学习技术(例如，被配置为分析输入特征数据，然后生成预测数据作为输出的评估技术)的信息(例如，软件代码)。需要说明的是，本文所述的评估技术可以是其中至少一个变量可被建模的任何数学函数或概率分布，并且还包括诸如在计算机算法(例如，预测算法)中的数学函数和/或概率分布的不同组合。

另一示例性机器学习技术(例如，训练技术)可被配置为生成经过训练的机器学习模型和用于该模型的适用评估技术。如本文所述，训练技术可涉及用于找到模型组件(例如，值)的至少一个组合的算法(例如，学习算法)，该至少一个组合产生可接受的(例如，最低准确性的)评估技术。对于一种示例性经过训练的模型，训练技术可产生评估技术，该评估技术被配置为以高精度生成患者12的预测营养状况的数据，该数据包括在当前时间点或在短时间段内的患者12的生物标志物水平的(准确或甚至最优)估计值。该评估技术可被配置为在一个或多个过去时间点生成可能的生物标志物水平估计值。

上述机器学习技术中的任何一种机器学习技术可被编码为例如软件代码，该软件代码在用于患者装置24的专用软件程序或用于云计算服务的计算节点中，并且当该软件代码被执行时，患者装置24或云26中的处理电路可通过运行进程(例如，在用户空间或内核空间中运行的操作系统进程)来应用该技术。例如，一个或多个处理器28可

为了准备食物数据27以供经过训练的机器学习模型评估，根据一个示例，一个或多个处理器28可将各种食物项信息排列成输入特征的数据集。如本文针对至少一个示例性特征数据集所描述的，一个或多个处理器28可利用食物项信息的一个或多个属性来定义每个唯一食物项，其中每组属性可被格式化成结构，该结构在本文中可被称为食物项概况。另一示例性特征数据集可定义具有一组相同属性的每个食物项，并且还包括一个或多个附加特征。一个或多个处理器28将经过训练的机器学习模型应用于一个或多个特征数据集，然后呈现关于患者12的营养状况、食物数据27的预测。

一般来讲，云26可被配置为向云客户端(诸如患者12和患者装置24)提供对各种数据和计算服务的访问，这些数据和计算服务涉及模型29中的一个或多个机器学习模型。云26可操作示例性环境，在该示例性环境上，一个或多个处理器28可将存储在模型29中的经过训练的机器学习模型实例化为软件对象，然后经由一个或多个处理器28执行可执行指令，该可执行指令被配置为代表云客户端运行机器学习技术。

例如，通过向患者12提供描述患者12在特定时间段的营养状况的信息(例如，预测)，云26可托管示例性计算服务，该示例性计算服务具有对患者12有益的机器学习能力。为了运行示例性计算服务，一个或多个处理器28可采用经过训练的机器学习模型来预测当前营养状况以响应于患者12最近消耗特定食物项，和/或在该患者消耗特定食物项的情况下预测患者12的未来营养状况。上述示例性计算服务可调用适当的机器学习技术(例如，评估技术)，以将经过训练的机器学习模型应用于特定食物项概况中的一组属性，然后生成预测患者营养状况。

本文所述的人的“营养状况”通常是指人的生理状况，该生理状况通过一个或多个生物标志物(例如，一个或多个生物标志物水平)定义。本公开内容可用另选的短语来指代“营养状况”，例如“生物标志物状况”或“生理”状况。患者12的营养状况可基于他或她的营养摄入量相对于每种营养物的质量/数量而改变。云26和计算服务可将任何给定人的营养状况定义为不同生物标志物估计值和/或测量值以及(可能)其他信息的组合。一个或多个传感器装置可感测生物标志物，然后测量生物标志物的(当前)水平。基于该生物标志物测量值和患者12(当前)正在消耗、(最近)已经消耗或(推测)即将消耗的一个或多个食物项的营养组成，一个或多个处理器28可确定患者12的当前生物标志物水平是否可能在消耗一个或多个食物项后改变，如果改变，则确定该人的当前生物标志物水平可能增加或减少的量。

当配置有被配置为预测糖尿病患者(诸如患者12)的生物标志物水平的机器学习模型时，一个或多个处理器28可生成该患者的预测营养状况，以指示在不久的将来该患者的一个或多个估计的和/或感测的生物标志物水平。对于上述营养状况，一个或多个处理器28可存储每个生物标志物水平的估计值和/或测量值，并将每个估计的生物标志物水平和/或测量的生物标志物与至少一个特定时间点相关联。一个或多个处理器28可生成营养状况，以指示当前或可能即将处于不健康水平(一般)或危险水平(针对特定疾病)的任何生物标志物水平。如果任何生物标志物水平是不健康水平或危险水平，则一个或多个处理器28生成用于输出的信息(例如，警报)，该信息指示可能由不健康生物标志物水平或危险生物标志物水平引起的一个或多个潜在健康问题。为了举例说明一个示例性生物标志物，一个或多个处理器28可生成患者12的营养状况，该营养状况指示患者12在消耗特定食物项之后在不久的将来最有可能具有的葡萄糖水平。一个或多个处理器28可估计在消耗之后患者12的葡萄糖水平可能增加或减少，这是由于摄入特定食物项的营养成分可导致患者12的生理反应，该生理反应可能改变患者12的葡萄糖水平。

上述机器学习模型可经历训练过程，以在患者12消耗一个或多个食物项之后将患者12的生物标志物水平的估计值校准到患者的实际生物标志物水平。如本文所述，该训练过程通常是指本文所述的训练技术，以及可操作以在上述模型上执行训练技术的计算过程。为了实现患者12的生物标志物水平的准确估计，该训练过程可修改模型组件(例如，权重和其他参数)，以针对患者12对食物项的生理反应迭代地校准模型。根据目标，一个或多个处理器28可运行该训练过程，直到模型经过充分训练，以估计特定人口统计群体或子群体(例如，糖尿病患者)的生物标志物水平。在一些示例中，一个或多个处理器28可运行该训练过程，并且仅针对患者12的生理状况来校准上述模型。

在任何迭代中，为了评估上述机器学习模型到目前为止的训练，一个或多个处理器28可将至少一个估计的生物标志物水平与相同时间段的至少一个实际的(例如，测量的)生物标志物水平进行比较。基于此类比较，一个或多个处理器28可确定模型在基于食物项的营养成分来估计患者的生物标志物水平方面的准确性。一个或多个处理器28可应用合适的准确性度量，该准确性度量被配置为评估模型的准确性(例如，被定义为模型的估计误差)，并且如果准确性度量值超过阈值(例如，95％)，则一个或多个处理器28可将模型视为经过充分训练，并且因此准备经由云26中的计算服务和/或患者的装置(诸如患者装置24)部署。当度量值在训练期间稳定时，对模型的进一步改进可能不是高效的。另一方面，如果度量值不超过阈值，则一个或多个处理器28可使模型经历进一步训练。因此，该度量允许一个或多个处理器28区分需要校准的模型和经过充分训练且不需要进一步校准的模型。

如本文所述，训练上述模型直到满足至少一个标准(例如，度量阈值)可确保该模型在管理患者的生物标志物水平方面的有效性。校准上述模型以专门针对患者12进行预测可能需要进一步训练，但是即使进行额外的迭代，上述模型也可能达不到预定义的期望准确性水平。为了能够进行此类校准，多个预定基线食物项(例如，在诸如图6A和图6B所示的套件中)可便于训练上述模型，以对患者12进行个性化预测。一个或多个处理器28可利用基线食物项的预定营养信息来准确地估计患者12的生物标志物水平，以响应于患者12消耗其他食物项(例如，根据特定时间表)。

当给定经过训练的机器学习模型被配置为准确地预测一般人、尤其是糖尿病患者或者尤其是患者12的生物标志物水平时，一个或多个处理器28可将该经过训练的机器学习模型应用于一个或多个食物项概况中的输入特征，并生成一个或多个食物项概况中的每个食物项概况的预测患者营养状况。一个或多个食物项可表示患者12可获得供消耗的食物项的清单；不同于用于促进模型的训练/校准的预定基线食物项，一些清单食物项可具有一个或多个未知的营养标示，但是可以是已知的食物类型和/或具有已知的成分。虽然食物数据27可存储具有已知营养标示作为一个示例性食物项的属性的预定义概况，但是食物数据27可存储确定的或标准化的营养标示作为另一示例性食物项的属性。食物生产商通常公布其食物项产品的营养标示，并且食物数据27可将这些营养标示并入食物项概况中。如果特定食物项具有未知的营养属性或尚未确定的营养属性，则存在以高精度确定营养属性值的多种方式(例如，公式)。除使用诸如外推/内插之类的数学技术之外，还可存在用于组合特定食物项的成分的营养标示的特定公式。在其他示例中，特定食物项可与相同食物类型的其他食物项类似(例如，在质量和/或体积方面)，并且食物数据27可存储该食物类型的食物项的一组标准化的营养属性。一个或多个处理器28还可采用多个装置来计算特定食物项的营养属性的值。

基于每个食物项的预测患者营养状况，一个或多个处理器28可选择至少一个食物项以推荐供患者12消耗。一个或多个处理器28可基于预测患者营养状况和一般人、尤其是糖尿病患者或者尤其是患者12的期望患者营养状况之间的比较，从一个或多个食物项中识别所选择的至少一个食物项以供推荐。如本文所述，预测患者营养状况是指在患者12消耗对应食物项之后的时间点；例如，预测患者营养状况可指示至少一个估计的生物标志物水平，在患者12消耗所选择的一个或多个食物项的情况下，该至少一个估计的生物标志物水平预期在至少一个期望范围内。根据推荐标准，一个或多个处理器28可针对患者12的推荐选择可能导致上述预测患者营养状况的任何食物项。在另一个示例中，一个或多个处理器28可针对患者12的推荐选择可能导致预测患者营养状况的任何食物项，该预测患者营养状况具有至少一个估计的生物标志物水平，例如，假设诸如胰岛素泵14的递送装置执行疗法信息并且患者消耗所选择的食物项，该至少一个估计的生物标志物水平预期在至少一个期望范围内。如本文所述的递送装置被配置为执行疗法信息，以例如根据用于在疗法时间段内施用特定治疗量的治疗时间表，来将疗法递送引导到患者。一个或多个处理器28可生成用于显示的输出数据，该输出数据指示所选择的食物项以推荐给患者12。

云26的一个或多个处理器28可部署客户端应用程序，以在患者装置24中运行以支持上文所提到的疗法递送，或者另选地，以作为能够运行机器学习技术(例如，评估技术)的独立应用程序运行。云26可配置通信链路，以便一个或多个处理器28和在患者装置24中运行的客户端应用程序之间进行通信。在一些示例中，一个或多个处理器28用于传送各种数据和指令，该各种数据从食物数据27和/或模型29的各部分检索，该指令用于实施评估技术。如本文所述，评估技术可涉及将从模型29检索的经过训练的模型应用于从食物数据27检索的食物项概况。基于从此类应用程序得到的预测患者12营养状况，一个或多个处理器28可指导客户端应用程序向患者12推荐他/她消耗特定食物项或者阻止消耗特定食物项。

在有或没有来自云26的协助的情况下，上述客户端应用程序可以向患者12提供至少一些益处的方式来执行机器学习技术。患者装置24内运行的操作系统(例如，内核)进程可执行用于客户端应用程序的软件程序，这(继而)实例化运行进程，以实施本文所述的评估技术、训练技术或另一机器学习技术。为了实现训练技术，客户端应用程序可执行训练过程以(充分)训练机器学习模型，该机器学习模型用于：在给定患者12的过去(例如，最近)饮食的情况下，准确地预测患者12的当前营养状况；或者，在给定患者12同时或即将消耗一个或多个食物项的情况下，准确地预测患者12的未来营养状况；并且如果运行的训练过程确定模型的预测足够准确(例如，满足准确性度量阈值)，则客户端应用程序可部署现在经过训练的模型以用于控制患者12的饮食。如本文所述，控制饮食可使患者12受益，因为该患者的糖尿病管理得到改善，整体健康状况更好。为了实现评估技术，客户端应用程序可执行评估过程，该评估过程被配置为(最终)将经过训练的模型应用于根据食物数据27或本地数据提供的输入特征，并且呈现向患者12提供某个益处或优点的预测。

为了举例说明，患者12可向云26或上文所提到的客户端应用程序提交请求(例如，服务请求)，其中每个请求是关于患者12的食物摄入的查询。云26和/或客户端应用程序继而根据该请求执行任务，然后在完成由患者12提交的每个查询时提供响应数据。作为一个示例，患者12可提交请求，以寻求推荐作为下一次或不久的将来推荐给每一个的食物项。此类请求并不假设患者12计划消耗任何特定食物项。如果患者12记住特定食物项作为下一个要消耗的食物项，则患者12可提交请求，该请求期望对特定食物项进行评估以供可能消耗。此类请求可提示一个或多个处理器28或客户端应用程序生成预测患者营养状况，如果患者12实际上消耗了该食物项，则可能导致该预测患者营养状况。响应于上述请求，一个或多个处理器28和/或客户端应用程序可生成(用于显示的)输出，该输出指示患者12要利用的适当响应。患者12可根据预测营养状况来决定是否消耗特定食物项，从而利用云26和/或客户端应用程序的机器学习能力来做出良好的(例如，健康的)饮食选择，尤其是考虑到患者12患有糖尿病。

在示例性请求中，患者12(或患者12的医生或护理者)可提交关于患者12的当前/未来营养状况(例如，包括任何一个或多个生物标志物水平)的特定查询；并且如本文所述，一个示例性查询从经过训练的机器学习模型请求推荐，在给定患者12的当前/未来营养状况和(可能)要考虑的其他附加因素的情况下，该推荐针对(例如，在特定时间段内)要消耗的适当食物项。在云26中运行的应用程序进程可基于特定食物项将患者12的当前/未来营养状况(例如，生物标志物水平)置于期望营养状况(例如，期望生物标志物水平)或接近期望营养状况(例如，期望生物标志物水平)的可能性(例如，概率)，来选择该食物项以供推荐。患者12可根据建立的阈值生物标志物水平来定义期望营养状况。患者12可将期望生物标志物水平设定为静态值。一个示例性期望生物标志物水平可以是针对患者12的生理状况的最佳或接近最佳生物标志物水平。又如，患者12可根据患者12的医师指导来配置期望生物标志物水平。患者12的医生可开出治疗(例如，糖尿病治疗)和用于应用该治疗的疗法的处方，并向患者12提出需要遵循的指令，包括维持的期望生物标志物水平，以便患者12实现健康的营养状况。或者，患者12可将阈值生物标志物水平配置为动态的，例如，考虑到患者12的不一致生活方式(例如，饮食和体力活动，诸如锻炼)和/或患者12的整体健康状况进行调整。如本文所述，患者12的医生可被动地调整患者12的期望生物标志物水平。

需要说明的是，不要求患者12发出任何上述请求，并且例如，一个或多个处理器28和/或客户端应用程序可假定患者12对健康饮食推荐的期望。本公开可假设此类期望，并且被动地(例如，当患者12进食时)和/或周期性地提供此类推荐。本公开描述了可并入本文所述的机器学习评估和推荐技术中的一个或多个附加因素。

如本文所述，可向患者12提供用于训练个性化机器学习模型的基线食物项。图6A和图6B是用于套件的包装结构的图示，该套件由作为基线食物项的示例的棒组成；在其他套件中，基线食物项可包括饮料或棒和饮料的组合。示例性套件可伴随患者装置24，并且经由与云26的通信链路可通信地耦接到一个或多个处理器28。在一些示例中，一组基线食物可包括在该套件中。食物数据27通过云26为每个基线食物项存储各种信息，该各种信息包括每个基线食物项的预定营养标示/信息。当患者12消耗基线食物项(例如，根据预定时间表)，并且将个性化机器学习模型应用于基线食物项的营养标示时，云26中的一个或多个处理器28和/或患者装置24中的客户端应用程序可生成预测患者营养状况，该预测患者营养状况(部分地)指示一个或多个估计的生物标志物水平。基于此类预测，一个或多个处理器28和/或客户端应用程序通过将一个或多个估计的生物标志物水平与实际生物标志物水平测量值进行比较，来继续个性化模型的训练。此类比较可指示个性化模型准确地预测患者12的生物标志物水平的程度。患者装置24中的一个或多个处理器28和/或客户端应用程序可采用多个适用的度量来确定个性化模型的准确性或准确性水平，并且如果该确定不满足一个或多个标准，则恢复个性化模型的训练。例如，如果示例性度量生成指示个性化模型的准确性的值，并且所生成的值低于阈值，则患者装置24中的一个或多个处理器28和/或客户端应用程序恢复训练个性化模型用于该套件中的下一个基线食物项。在另一个示例中，该套件可包括适当数量的基线食物项，以充分训练个性化模型，并且因此患者12消耗最后一个基线食物项会发信号通知训练技术结束。

一旦经过充分训练，患者装置24中的一个或多个处理器28和/或客户端应用程序可为患者12输出经过训练的个性化机器学习模型，以使他们受益。此类模型可被专门配置用于患者12的生理状况，并且因此适于管理患者12的糖尿病。如本文所述，(经过训练的)个性化机器学习模型可用于支持患者12的糖尿病治疗，即通过响应于患者12消耗特定食物项而准确地预测患者12的预期营养状况。基于估计的生物标志物水平(其可能因消耗特定食物项而产生)，可调整患者12的当前疗法以有效地说明特定食物项的营养成分。以上描述假设患者12已经消耗了特定食物项；然而，如果患者12尚未消耗该特定食物项，则上述准确预测可促使一个或多个处理器28或患者装置24警告患者12的预期生物标志物水平增加或减少，以努力防止消耗，从而防止患者12摄入该特定食物项的营养成分可能导致的估计的生物标志物水平。

耦接到患者装置24的递送装置(例如，胰岛素泵14)可将此类预测并入患者12的疗法递送中，例如，通过确定用于患者12的糖尿病疗法的适当治疗量、治疗类型和/或治疗时间表。患者装置24中的一个或多个处理器28和/或客户端应用程序可应用上述经过训练的个性化机器学习模型，来确定特定食物项的营养成分是否可能将患者12的葡萄糖水平增加或减少非微小量。例如，对于相当大百分比的患者但并非所有患者，橙汁会显著地增加葡萄糖水平，而红酒会降低葡萄糖水平。上述经过训练的个性化机器学习模型说明了患者12关于红葡萄酒和/或橙汁的个人生理反应。上述经过训练的个性化机器学习模型还可根据红葡萄酒和白葡萄酒对患者12的葡萄糖水平的相应影响，来区分红葡萄酒和白葡萄酒。

在一个示例中，如果患者12的预测营养状况指示预期患者12的当前(例如，测量的)葡萄糖水平增加显著量，导致对患者12的健康风险，则患者装置24(和/或诸如递送装置本身的另一装置)中的一个或多个处理器28和/或客户端应用程序可确定(或修改)规定特定治疗(例如，胰岛素)的疗法信息以及向患者12递送的适当量、类型和/或时间表，以便充分地克服患者12的葡萄糖水平的预期增加。患者12或患者12的护理者根据上述适当量、类型和/或时间表施用特定治疗，并且通过这样做，有效地将患者12的葡萄糖水平维持在健康范围内。还需要注意的是，类似于疗法信息的上述确定(和/或修改)，个性化模型可被配置为预测其他生物标志物水平的变化，并且此类预测可被并入患者12的疗法递送中，使得可向患者12施用特定治疗的适当量、类型和/或时间表，以适当地考虑其他生物标志物水平的变化。需要说明的是，上述疗法特定于患者12，并且对其他患者可能不是有效的。

一些示例技术针对在被消耗的情况下有可能扰乱患者12的葡萄糖水平的任何食物项主动监测患者12的食物消耗，其中所述扰乱有可能对患者12的糖尿病疗法的有效性产生负面影响(例如，降低有效性)。这些示例技术可以有益于患者12接受有效或“正确”剂量的胰岛素。即使患者12具有针对他/她的糖尿病疗法的治疗时间表，患者12也可能会进食使患者12的葡萄糖水平升高超过下一个安排的剂量可以降低回到健康水平的点的食物项，从而使下一个安排的剂量无效。一些示例技术动态地改变当前治疗时间表的一个或多个参数，例如以修改治疗类型、量或时间以便对升高的葡萄糖水平有效。

为了准备用于患者12的下一次注射的有效剂量，一些示例性技术推荐食物项并且假设患者12遵循这些推荐。在一些示例中，一个或多个处理器28可简化机器学习模型以包括特定食物项和对应的食物项信息和/或疗法信息之间的映射集。对于每个特定食物项，一些映射可以进一步指示与消耗所述特定食物项相关的患者12的葡萄糖水平的可能的升高/降低。例如，食物数据27可包括特定类型肉(例如，后腰牛排、鸡胸肉、鸡腿和/或等等)的特定体积(例如，份量大小)和该特定食物项的对应的营养信息之间的映射。虽然存在多种不同的度量用于测量食物项对患者12的营养价值，但是一个或多个处理器28可以利用特定的营养数据属性(例如，碳水化合物计数)来估计患者12的葡萄糖水平的可能的升高/降低。又如，食物数据27可包括特定类型肉的份量大小和对应的疗法信息之间的第二映射。虽然患者12可以利用不同递送系统(例如，智能注射笔、注射器或泵14)中的任何一种递送系统进行糖尿病疗法，但是一个或多个处理器28可以生成要与患者12的递送系统兼容的疗法信息。与患者12的递送系统协作的一个或多个处理器28可以利用疗法信息来应用引导患者的疗法的参数，例如通过设置治疗类型、治疗量、用于递送疗法的建议时间、患者12上用于注射治疗的部位和/或等等。

如本文所述，患者装置24和/或云26可通过维护(例如，在食物数据27中)多个食物项中的每个食物项的食物项信息来支持上文所提到的确定。在一些示例中，食物数据27可被配置为存储每个食物项的营养信息、体积信息和任何其他食物项信息，以用于确定患者12的葡萄糖水平由于消耗该食物项可能升高或降低的程度。食物数据27可被配置为区分不同的食物项(例如，通过类型，诸如肉与水果)。食物数据27可被配置为区分特定类型的类似食物项(例如，从青苹果到嘎啦苹果、从农场养殖鲑到野生鲑、从脱脂乳到全脂乳、从非有机菠菜到有机菠菜、从玉米喂养的牛肉到牧草喂养的牛肉、生蛋家禽和传统家禽等)。为了举例说明，食物数据27可存储不同类型的苹果(例如，富士苹果、青苹果、嘎啦苹果和/或等等)的食物项信息，包括具有类似体积测量值的每种类型苹果中的体积和预期碳水化合物计数之间的映射。一个或多个处理器28可根据单个苹果的网格模型来确定体积测量，访问食物数据27以查找上述示例性映射，并且然后使用预期碳水化合物计数来确定可能患者12的葡萄糖水平的可能升高或降低。在一些示例中，食物数据27可指定患者12的葡萄糖水平的升高或降低的一个或多个因素和其他标记。此类因素的实例包含食物项信息要满足的阈值、条件和其他标准。对于单个特定类型的食物项，食物数据27可定义关于卡路里、碳水化合物、脂肪克数和/或其他营养标示的计数的一个或多个阈值/条件，该一个或多个阈值/条件如果得到满足则指示葡萄糖水平的升高或降低。例如，如果特定类型苹果的营养含量(例如，碳水化合物计数)超过相应阈值计数(例如，每日建议量)，则消耗该苹果可能会使患者12的葡萄糖水平升高。在其他示例中，食物数据27可定义关于食物项的份量大小或总体积的一个或多个阈值/条件，该一个或多个阈值/条件如果得到满足则可能会使葡萄糖水平升高或降低。例如，通过向患者12提供过量的卡路里、碳水化合物、脂肪克数和/或等等，消耗所述苹果可能会使患者12的葡萄糖水平升高。

在一些示例中，各个组件可基于至少一个生物标志物水平(例如，来自传感器20的葡萄糖水平)的确定来确定预先建立的疗法递送的改变。本公开可以将“疗法”描述为对患者12的安排的糖尿病治疗的引用，其中示例系统在某个(某些)时间时递送一定量的特定治疗类型。患者12可以在一天中的固定时间(例如，中午)时或在事件(例如，餐食事件)之前/期间/之后接受这种治疗。如本文所描述，患者12的饮食可以在疗法中起重要作用，并且取决于患者12所消耗的食物项，各个组件可以确定合适的治疗类型和/或要递送的量(这可以与安排的治疗类型和/或量有所区别或可以与安排的治疗类型和/或量没有区别)。

如本文所述，针对患者12的疗法信息可包括胰岛素泵14和/或传感器20要执行的治疗时间表，并且此种时间表的示例可指示特定量的胰岛素类型的计划的疗法递送。基于经过训练的机器学习模型和/或患者12的饮食以其他方式生成的饮食建议，一个或多个处理器28可通过修改计划的治疗的类型或量来调整治疗时间表。例如，如果患者12决定进食卡路里、碳水化合物、脂肪克数和/或等等过量的一个或多个食物项，从而导致患者12的葡萄糖水平不健康地升高，则一个或多个处理器28可修改疗法信息以考虑到患者12的食物消耗。在一些实例中，通过根据下一个计划的注射增加胰岛素量、改变胰岛素类型和/或调整要递送胰岛素的时间，一个或多个处理器28可以使患者12恢复回到健康的葡萄糖水平。类似地，如果患者12决定不进食(例如，禁食)或将他/她的饮食限制为卡路里、碳水化合物、脂肪克数和/或等等较低的食物项，从而导致患者12的葡萄糖水平不健康地减低，则一个或多个处理器28可修改疗法信息以考虑到患者12的食物消耗。在一些实例中，通过根据下一个计划的注射减少胰岛素量、改变胰岛素类型和/或调整要递送胰岛素的时间，一个或多个处理器28可以使患者12恢复回到健康的葡萄糖水平。

例如，患者12可能忘记在进食后使胰岛素泵14递送胰岛素，从而导致胰岛素不足。可替代地，患者12可能在进食后使胰岛素泵14递送胰岛素，但其可能已经忘记针对同一餐食事件患者12先前已使胰岛素泵14递送胰岛素，从而导致过量的胰岛素剂量。而且，在使用CGM 20的示例中，胰岛素泵14可能直到葡萄糖水平大于目标水平之后才会采取任何动作。通过主动确定患者12正在参与活动，胰岛素泵14能够以使得葡萄糖水平不会上升至目标水平以上或上升至仅略高于目标水平(即，与在不主动递送胰岛素的情况下葡萄糖水平会升高的程度相比，上升较少)的方式递送胰岛素。在一些情况下，通过主动确定患者12正在参与活动并且相应地递送胰岛素，患者12的葡萄糖水平可以更加缓慢地升高。

在一些示例中，食物数据27存储在患者装置24上，而不是存储在云26上或者除了存储在云上之外。尽管图1将示例性系统描绘为在患者12的手腕上具有可穿戴装置22，并且可穿戴装置22可被配置在患者12(例如，患者12的头部上)其他部位，但是其他示例性系统可能可以具有更少、更多和/或不同的可穿戴装置22。

图2是示出根据本公开中描述的一个或多个示例的用于递送或引导疗法剂量的另一示例性系统的框图。图2说明了类似于图1的系统10A的系统10B。然而，在系统10B中，患者12可以没有胰岛素泵14。而是，患者12可利用手动注射装置(例如，注射器)来递送胰岛素(未示出)。例如，患者12(或可能是患者12的护理者)可以用胰岛素填充注射器并给自己注射，而不是胰岛素泵14自动递送胰岛素。

患者12利用患者装置24以多种方式管理他们的疗法递送。患者装置24可运行患者12可使用的各种应用程序，以确保有效量的正确胰岛素类型在一天的正确时间被装载到注射器中。一个示例性应用程序可以是如本文所述的用于云计算服务的客户端应用程序，该应用程序可向患者12支持关于患者12正在进行或将要进行的活动(例如，进食)的推荐。患者12具有对多个食物项的访问，并且如果该多个(或其一部分)的清单是已知的，则客户端应用程序可应用经过训练的个性化机器学习模型，来确定每个特定食物项的营养成分是否可能增加或减少患者12的生物标志物水平(例如，诸如葡萄糖水平、酮水平等的生理生物测定)；如果是，则客户端应用程序使用经过训练的个性化机器学习模型，来估计生物标志物水平将增加或减少的量。

客户端应用程序考虑每个食物项，以(部分地)基于该食物项的机器学习模型的输出向患者12推荐。客户端应用程序不考虑其消耗可能导致相关生物标志物水平增加或减少显著量的任何食物项，该显著量可由预定阈值定义。在所考虑的剩余食物项中，客户端应用程序选择每个食物项，该每个食物项在消耗之后估计的生物标志物水平满足至少一个标准。例如，如果特定食物项的估计的生物标志物水平等于或超过期望的生物标志物水平，则客户端应用程序选择该特定食物项以供推荐。在另一个示例中，客户端应用程序从剩余食物项中选择具有最低估计的生物标志物响应的食物项(例如，最可能以最小限度降低或升高生物标志物水平的食物项)。客户端应用程序可以多种方式向患者12通知所推荐的食物项，包括生成用于在患者装置24的显示设备上显示的内容。内容可被定义为供计算设备呈现的任何视觉元素，并且包括每种媒体形式，包括多媒体(例如，图形、文本、音频、视频、触觉等)。患者装置24可提供图形用户接口(GUI)，客户端应用程序可在该图形用户接口上呈现内容(例如，富因特网内容(RIC))，其中GUI元素的组合传达描述所推荐的食物项的信息。

患者12受益于查看内容和理解所传送的信息，例如，通过遵循该信息并消耗所推荐的食物项(例如，代替另一个不太健康的选项)。如果患者12消耗所推荐的食物项，则相关生物标志物水平预计在健康范围内。患者12可使用该推荐来在多个候选之间进行决定，而不必选择所推荐的食物项。在不久的将来，患者12可依赖于客户应用程序来规定他们的饮食。客户端应用程序可采用各种内容来提供附加功能。患者装置12可使用客户端应用程序的推荐来执行各种不同的任务。本公开预想了包括推荐的商业用途的附加示例。作为一个示例，各种电子商务或移动商务解决方案(例如，普通技术人员已知的电子商务或移动商务解决方案)可促进代表患者12订购食物，并且可在没有人工干预的情况下(例如，自主地)这样做。

为了帮助指导患者12使用其手动注射装置治疗他/她的糖尿病，一个或多个处理器28可生成指示推荐和(修改的)疗法信息的至少一部分的内容(例如，以在患者装置24的电子显示器上输出)。例如，一个或多个处理器28可将手动注射时间的初始治疗时间表传送给患者装置24以供患者12参考。患者装置24可以显示治疗时间表和/或突出显示下一个安排的胰岛素注射(或另一种治疗)。患者装置24还可显示针对每个计划的注射所推荐的治疗量和类型。如本文所描述，患者装置24可以针对指示手动注射的姿态监测患者12的移动(例如，手臂移动)，特别是在下一个安排的注射的时间时或左右，以便确定患者12是否进行了他/她的安排的糖尿病治疗。一旦在下一次计划的注射时或在其前后检测到注射，在患者装置24和/或一个或多个处理器28中运行的客户端应用程序可确认消耗所推荐的食物项。当最终将估计的生物标志物水平与传感器测量值进行比较时，该传感器测量值指示一时间段内的实际生物标志物水平，确认患者12消耗该食物项会消除疑问。

一旦在下一次计划的注射时或在其前后没有检测到注射，患者装置24和/或一个或多个处理器28可确定患者12忘记和/或错过他们的下一次计划的注射；为了通过不遵循他们的治疗时间表来警告患者12对他们健康的可能风险，患者装置24可输出内容，该内容警告患者12尚未检测到下一次计划的注射。

图3是示出根据本公开中描述的一个或多个示例的用于递送或引导疗法剂量的另一示例性系统的框图。图3说明了类似于图1的系统10A和图2的系统10B的系统10C。在系统10C中，患者12可以没有胰岛素泵14。而是，患者12可以利用注射装置30来递送胰岛素。例如，不是胰岛素泵14自动递送胰岛素，而是患者12(或可能是患者12的护理者)可以利用注射装置30对他自己或她自己进行注射。

注射装置30可以不同于注射器，因为注射装置30可以是能够与患者装置24和/或系统10C中的其他装置通信的装置。而且，注射装置30可以包含储器，并且可以能够基于指示要递送多少疗法剂量的信息用量那么多胰岛素用于递送。在一些示例中，注射装置30可以类似于胰岛素泵14，但不是由患者12穿戴。注射装置30的一个示例是胰岛素笔(有时也称为智能胰岛素笔)，诸如美敦力公司的InPen^TM智能胰岛素笔。注射装置30的另一个示例可以是具有附接到其上的智能帽的胰岛素笔，其中智能帽可用于确定特定胰岛素剂量的量和/或递送。

在一些实例中，注射装置30可以根据由示例系统的一个或多个处理器(如云26的一个或多个处理器28)生成的疗法信息预设用于递送胰岛素剂量的安排的注射的参数。如本文所述，云26可将机器学习模型(一旦充分经过训练)部署到客户端应用程序，该客户端应用程序在患者装置24中运行并且使用注射装置30来管理患者的糖尿病和/或其他疾病。

与系统10A和/或系统10B相比，在确定向患者12推荐哪个(哪些)食物项时，一个或多个处理器28可遵循用于系统10C的类似方法。如本文所述，在患者装置12中运行的一个或多个处理器28和/或客户端应用程序可基于特定食物项对患者12的影响来推荐该特定食物项，例如，患者12的营养状况，该营养状况可被定义为一组相关生物标志物水平。在一个示例中，在患者装置12中运行的一个或多个处理器28和/或客户端应用程序可推荐对患者12的营养状况具有最低影响的食物项。如果食物项是供推荐的候选，则在患者装置12中运行的一个或多个处理器28和/或客户端应用程序可使用经过训练的模型，来确定食物项的营养成分是否可能导致患者12的生物标志物水平增加或减少。通过比较多个食物项，在患者装置12中运行的一个或多个处理器28和/或客户端应用程序可推荐引起患者12的生物标志物水平发生最小变化的食物项。在另一个示例中，在患者装置12中运行的一个或多个处理器28和/或客户端应用程序推荐最可能将患者12的生物标志物水平移动到健康范围内的食物项。在另一个示例中，所推荐的食物项可导致预期在期望范围内的生物标志物水平。

需要说明的是，患者12的葡萄糖水平是一种示例性生物标志物水平，并且表示在任何给定时间点患者12的营养状况的部分/组件；因此，根据特定食物项的营养成分，消耗该特定食物项最可能影响患者12体内除葡萄糖之外的一个或多个其他生物标志物。

云26的一个或多个处理器28可生成疗法信息，该信息例如指定利用注射装置30的疗法递送的时间、量和/或类型。在一些示例中，云26利用食物数据27中的资源来识别特定食物项信息，该特定食物项信息描述每个特定食物项(例如，按名称(例如，后腰肉排、肋眼牛排、烤鸡胸肉、烤鸡排)和/或按类型(例如，牛排、鸡胸肉、鲑))。在另一个示例中，云26的一个或多个处理器28可确定其他食物项信息，该其他食物项信息包括每个特定食物项的营养标示(和其他营养信息)和份量大小(和其他体积信息)。云26可维护经过训练的个性化模型，以确定来自消耗一个或多个食物项的患者12的预期生物标志物水平。在一些示例中，一个或多个处理器28可基于特定食物项的碳水化合物计数估计患者12的葡萄糖水平的升高并且确定(很可能)要施用的糖尿病治疗(例如，胰岛素)的量和/或类型，例如以便抵消预期的升高。

如果患者12忘记安排的注射，则患者装置24和/或注射装置30可以输出通知患者12错过剂量的警报，并且一个或多个处理器28可以确定是否响应于错过的剂量而修改疗法信息中的参数中的任何参数。在一些实例中，为了解决错过的剂量，一个或多个处理器28可以指示注射装置30调整储器中可用的当前胰岛素水平，以准备更强的剂量。一个或多个处理器28可以指示注射装置30改变胰岛素类型。如果计划的注射是在进餐时间期间，则错过的剂量可能仅适于进餐时间；至少由于这个原因，可引导注射装置30，以用基础剂量的胰岛素替换团注剂量的胰岛素，或者反之亦然。

上述示例将胰岛素泵14、注射器和注射装置30描述为递送胰岛素的示例性方式。在本公开中，术语“胰岛素递送装置”通常可以指用于递送胰岛素的装置。胰岛素递送装置的示例包括胰岛素泵14、注射器和注射装置30。如所描述的，注射器可以是用于注射胰岛素、但不一定能够通信或给药特定量的胰岛素的装置。然而，注射装置30可以是用于注射胰岛素、且可以能够与其他装置通信或可以能够给药特定量的胰岛素的装置。注射装置30可以是供电(例如，电池供电)装置，并且注射器可以是不需要电力的装置。

图4是示出根据本公开中描述的一个或多个示例的患者装置的示例的框图。虽然患者装置24通常可被描述为手持计算装置，但是患者装置24可以是例如笔记本电脑、蜂窝电话或工作站。在一些示例中，患者装置24可以是诸如智能手机或平板计算机等移动装置。在此类示例中，患者装置24可执行允许患者装置24执行本公开所述的示例性技术的应用程序。在一些示例中，患者装置24可以是用于与胰岛素泵14通信的专用控制器。

尽管用一个患者装置24来描述示例，但是在一些示例中，患者装置24可以是不同装置(例如，移动装置和控制器)的组合。例如，移动装置可以通过Wi-Fi或运营商网络提供对云26的一个或多个处理器28的访问，并且控制器可以提供对胰岛素泵14的访问。在此类示例中，移动装置和控制器可通过蓝牙(BLE)彼此通信。一起形成患者装置24的移动装置和控制器的各种组合是可能的，并且示例技术不应被认为限于任何一种特定配置。

如图4所示，患者装置24可包括处理电路31、存储器32、用户接口34、遥测电路36和电源38。存储器32可存储程序指令，这些程序指令当由处理电路31执行时使处理电路31提供贯穿本公开归属于患者装置24的功能。

在一些示例中，患者装置24的存储器32可存储食物项信息，该食物项信息包括从云26检索的食物数据27的一部分。如本文所述，患者装置24可存储具有每个食物项的一组属性(例如，食物项类型、碳水化合物计数、食用份数、份量大小、卡路里计数等)的概况作为食物项信息。对于已经进食或将要进食的每个食物项，示例属性通常可以标识所述食物项(例如，按名称或类型)并且提供营养信息或体积信息中的至少一个。处理电路31(例如，通过用户接口34)可输出指示存储器32中存储的属性中的至少一个属性的各种内容。处理电路31(例如，通过用户接口34)可接收指定上文所提到的属性中的任何属性和/或存储器32中存储的多个属性中的其他属性的输入。

在一些示例中，客户端应用程序33可包括软件程序，该软件程序被配置为生成图形用户接口(GUI)并且执行逻辑，该逻辑提供与例如通过支持以对食物数据27的访问主动监测患者12的食物消耗以及动态调整患者12的治疗类型、量和/或递送时间来指导患者12的疗法对应的功能。客户端应用程序33可以是被配置为在移动装置(例如，智能手机)上运行并且帮助患者12捕获食物项的表示并访问由云26提供的服务的移动应用程序。在一些示例中，代表患者12的客户端应用程序33可提交一个或多个食物项，并且请求一个或多个处理器28分析对应的食物项概况，推荐至少一个以供消耗并且(如果需要的话)按照疗法信息35中编码的修改患者12的当前糖尿病疗法。

在一些示例中，患者装置24的存储器32可在疗法信息35中存储多个参数，诸如递送的胰岛素量、目标葡萄糖水平、递送时间等。处理电路31(例如，通过遥测电路36)可将存储在存储器32中的参数输出到胰岛素泵14或注射装置30，以将胰岛素递送给患者12。在一些示例中，处理电路31可执行支持患者12的疗法的一个或多个支持应用程序，诸如通过用户接口34向患者12输出通知的通知应用程序，诸如服用胰岛素、胰岛素量和服用胰岛素的时间的通知。

客户端应用程序33可将类似的通知传送到由患者12的护理者操作、电子显示器可向其呈现这些通知的装置。在其他例中，该通知应用程序通过用户接口36向患者12输出指示通知，诸如使用胰岛素、胰岛素量和使用胰岛素的时间的通知的内容。

在一些示例中，一个或多个处理器28可简化(例如，修剪)食物数据27以包括特定食物项和对应的食物项信息和/或疗法信息之间的映射集。在一些实例中，每个映射可以提供用于确定下一个胰岛素剂量何时使用的信息。对于每个特定食物项，一些映射可以进一步指示与消耗所述特定食物项相关的患者12的葡萄糖水平的可能的升高/降低。在一些示例中，一个或多个处理器28可基于胰岛素泵14和/或传感器20提供的信息和/或食物数据27提供的信息确定特定食物项使患者的葡萄糖水平降低/升高的速率。对于特定食物项或特定食物类型的任何食物项，一个或多个处理器28可以将感测到的测量(例如，葡萄糖水平读数)与对应的体积信息(例如，离散的份量大小或连续的体积函数)以数学方式组合，以确定例如患者12的葡萄糖水平预期改变的一个或多个近似速率。众所周知，含有碳水化合物、脂肪和蛋白质的共混物的食物使血糖升高的速率比以碳水化合物为主的食物使血糖升高的速率慢。为了以示例方式展示，大多数形式的比萨，无论有多少片(例如，份量大小)，都富含碳水化合物和脂肪(例如，不饱和脂肪)，并且其所含有的每种碳水化合物和脂肪都显著高于正常量。考虑到每个片是离散的份量大小，一些实例可以计算患者12的葡萄糖水平变化的速率作为预期升高或降低(例如，以mg/dL或mmol/L为单位，其中mmol表示毫摩尔)与片数量之间的比率。由于单个比萨片中以及尤其是大份量大小(例如，相当大数量的片或整个馅饼)中的脂肪含量较高，患者12可能会缓慢消化一个或多个比萨片，从而导致患者12的葡萄糖水平稳定且最终显著升高。为了克服或减轻此种升高，一个或多个处理器28可修改患者12的疗法信息35以在下一个安排的治疗时在开始餐食事件之前递送部分胰岛素团注剂量并且然后在结束餐食时间之后至少一小时递送胰岛素团注剂量的其余部分。通过这样做，一个或多个处理器28可以提高患者12的糖尿病治疗(例如，治疗时间表)的有效性。这可能是因为患者12的下一个治疗(按照修改)考虑了碳水化合物和/或延长的消化过程，由此改善了患者12的糖尿病管理和健康。

在一些示例中，食物数据27可包括肉(例如，牛排)的特定体积(例如，份量大小)和特定食物项的对应的营养信息之间的映射。虽然存在多种不同的度量用于测量食物项对患者12的营养价值，但是一个或多个处理器28可以利用特定的营养数据属性(例如，碳水化合物计数)来估计患者12的葡萄糖水平的可能的变化(例如，升高或降低)。又如，食物数据27可包括牛排的份量大小和对应的疗法信息之间的第二映射。虽然患者12可以利用不同递送系统(例如，智能注射笔、注射器或泵14)中的任何一种递送系统进行糖尿病疗法，但是一个或多个处理器28可以生成要与患者12的递送系统兼容的疗法信息。与患者12的递送系统协作的一个或多个处理器28可以利用疗法信息来应用引导患者的疗法的参数，例如通过设置治疗类型、治疗量、用于递送疗法的建议时间、患者12上用于注射治疗的部位和/或等等。

存储器32可包括任何易失性、非易失性、固定、可移除、磁性、光学或电介质，诸如RAM、ROM、硬盘、可移除磁盘、存储器卡或棒、NVRAM、EEPROM、闪存存储器等。处理电路30可采用一个或多个微处理器、DSP、ASIC、FPGA、可编程逻辑电路等形式，并且在本文中归属于处理电路30的功能可以体现为硬件、固件、软件或它们的任何组合。

用户接口34可包括按钮或键盘、灯、用于语音命令的扬声器和显示器，诸如液晶(LCD)。在一些示例中，显示器可以是触摸屏。如本公开中所讨论的，处理电路30可通过用户接口34呈现和接收与疗法有关的信息。例如，处理电路30可通过用户接口34接收患者输入。患者输入可以例如通过按压键盘上的按钮、输入文本或从触摸屏选择图标来输入。患者输入可以是指示患者12进食的食物的信息，诸如对于初始学习阶段，患者12是否使用了胰岛素(例如，通过注射器或注射装置30)，以及其他此类信息。

遥测电路36包括用于与如云26、胰岛素泵16或注射装置30(如果适用的话)、可穿戴装置22和CGM 20等另一装置通信的任何适合的硬件、固件、软件或它们的任何组合。遥测电路36可在天线的帮助下接收通信，该天线可在患者装置24的内部和/或外部。遥测电路36也可被配置为通过无线通信技术与另一个计算装置通信，或者通过有线连接进行直接通信。可用于促进患者装置24与另一计算装置之间的通信的本地无线通信技术的示例包括根据IEEE 802.11或蓝牙规范集的RF通信、例如根据IrDA标准的红外通信或其他标准或专有遥测协议。遥测电路36还可提供与运营商网络的连接以访问云26。以这种方式，其他装置可能够与患者装置24通信。

电源38向患者装置24的组件递送操作功率。在一些示例中，电源38可包括电池，诸如可再充电或不可再充电电池。不可再充电电池可以被选择为持续数年，而可再充电电池可以例如在每天或每周的基础上从外部装置感应地充电。可再充电电池的再充电可通过使用交流电(AC)插座或通过外部充电器与患者装置24内的感应充电线圈之间的近侧感应相互作用来完成。

图5是示出根据本公开中描述的一个或多个示例的可穿戴装置的示例的框图。如图所示，可穿戴装置22包括处理电路40、存储器42、用户接口44、遥测电路46、电源48和一个或多个惯性测量单元。处理电路40、存储器42、用户接口44、遥测电路46和电源48可分别类似于图3的处理电路30、存储器32、用户接口34、遥测电路36和电源38。

加速度计和陀螺仪是惯性测量单元50的示例，并且可包括用于确定可穿戴装置22的俯仰-滚动-偏航和x-y-z坐标的各个组件。在一些示例中，惯性测量单元50可被视为六轴惯性测量单元。例如，惯性测量单元可以将3轴加速度计与3轴陀螺仪耦接。加速度计可测量线性加速度，而陀螺仪可测量旋转移动。惯性测量单元50可以将患者12的手臂的此信息(例如，俯仰-滚转-偏航和x-y-z坐标)输出到处理电路40。遥测电路46然后可将来自处理电路40的信息输出到患者装置24。患者装置24可将该信息转发到一个或多个处理器28，该一个或多个处理器可使用该信息来确定患者12是否正在进食(例如，餐食事件是否正在发生)。

处理电路40可以被配置成基于来自惯性测量单元的值确定一个或多个移动特性。例如，处理电路40可以基于来自惯性测量单元的值确定患者12是否正在向上、向下、向左、向右、向前、向后或某种组合移动他或她的手臂，所述值包含与频率、振幅、轨迹、定位、速度、加速度和/或移动模式有关的值。处理电路40可以基于来自惯性测量单元50的值来确定患者12的手臂的朝向，如手的背面或手的正面是否面向患者12或者手的侧面是否面向患者12，使得拇指面向患者12并且食指的侧面可见。

作为一个实例，当患者12拿着筷子进食时，患者12可以以特定方式定向他或她的手腕，如果患者12拿着三明治，则方式可能有所不同。对于不同类型的食物，患者12将他或她的手臂从他或她拿到食物的定位移动到他或她将食物放入嘴中的定位的频率可能有所不同。例如，用餐叉进食的频率和移动模式可能与用勺子或刀叉进食的频率和移动模式不同，用勺子或刀叉进食可能与用手进食(如三明治或比萨)不同。对于所有这些不同的食物项，移动特性可能有所不同，并且来自惯性测量单元的输出值也可能不同。然而，对于所有移动特性，一个或多个处理器(在一些实例中包含处理电路40)可以被配置成确定患者12正在进食。在一些实例中，一个或多个处理器可以使用上下文信息(例如，一天中的时间、位置、餐食前团注的检测)来确定患者12正在进食，如上文所描述的。

可穿戴装置22表示本文所描述的或鉴于本公开可设想的任何可穿戴装置。图1至图3将可穿戴装置22描绘为智能手表，但是可穿戴装置22不限于此。可穿戴装置22的另一示例可以是智能眼镜。

可穿戴装置22可包括任何可用的(图像)感测技术，如能够提供二维数据的相机和/或能够提供包含点云在内的任何格式的三维数据的LiDAR传感器，该点云可以可替代地在本公开中被称为“点云数据”或“点云数据集”。LiDAR传感器可以产生包含呈(x,y,z,r)格式的点云数据的LiDAR传感器数据，其中x、y和z是3D坐标并且r是反射率(反射的激光的强度)。LiDAR传感器可以生成点云来表示三维空间中的区域，其中每个三维数据立方(例如，体素)映射到上文所提到的图像数据的相机图像中的二维区域。

云26的一个或多个处理器28可利用可穿戴装置22来生成作为可疑食物项的对象的图像数据。通过将对象的图像数据与食物数据27中的预定图像数据进行比较，一个或多个处理器28可识别哪个食物项正由该对象表示。在一些示例中，一个或多个处理器28可识别该对象的食物类型，或者另选地，识别由该对象表示的特定食物项。食物项的图像数据可用于确定一个或多个营养标示。

图6A和图6B是套件60的包装结构的图示。如本文所述，糖尿病患者(诸如患者12)可使用套件60来生成经过训练的个性化机器学习模型。套件60可包括疗法递送装置，或者与疗法递送装置一起操作，诸如在图1至图3中描绘的疗法递送装置。

如图6A所示，套件60包括具有机上材料的感测盒61和一组基线食物项，在本文中称为基线棒62或简称棒62。感测盒61可用作生物标志物传感器(包括传感器插入器)的外壳。如本文所述，生物标志物传感器被配置为测量相关生物标志物的当前水平。图1至图3中示出的传感器20是葡萄糖传感器的一个示例。其他类型的装置可作为生物标志物传感器安装。图6A描绘了作为本文所述的基线食物项的示例的基线棒62。需要说明的是，套件60的替代示例可包括作为本文所述的基线食物项的示例的饮料或棒和饮料的混合物。

如本文所述，例如，关于图1的云26的食物数据27中的基线食物项，棒62表示供患者消耗的预定基线食物项的清单；每个棒62可促进训练/校准机器学习模型。经历上述训练/校准的示例性模型从具有每个棒62的已知营养标示中受益(例如，在准确性方面)。一旦经过充分训练/校准，经过训练/校准的模型可用于准确地预测患者12的相关生物标志物水平。类似于食物数据27，该食物数据以已知营养标示作为一个示例性基线食物项的属性来维护预定义概况，棒62对应于使用已知或预定营养标示的数据集(例如，元组)按类型定义每个棒的属性。本公开所述的“营养标示”是指每个棒62的营养成分；在可能潜在地用于棒62的“营养标示”的相当多的示例中，卡路里、碳水化合物、蛋白质和其他营养物的计数就是其中的一些示例。

在一些示例中，当套件60包括多个棒62时，套件60还可包括打印形式和/或经由计算机化文档的关于如何消耗棒62的说明。可指导患者12根据进餐时间的时间表和进餐时间之间的一个或多个时间间隔来消耗棒62。在每个进餐时间，引导患者12例如以特定顺序消耗单个棒62或多对棒62。还可指导患者12在进餐时间期间或在进餐时间之间避免某些食物并消耗其他食物。

特定类型的单个棒62可类似于(例如，在质量和/或体积方面)相同棒类型的其他棒62，并且因此每个棒具有一组标准化营养属性。在一些示例中，棒62可被划分为各餐(例如，早餐、午餐、小吃和晚餐)，并且各餐的对应棒62可以是相同的或几乎相同的(例如，具有等同的食物类型和/或具有已知的成分)。通过中和大多数变量并侧重于患者12的生理状况，可减少典型的训练/校准时间。这是因为当对生物标志物响应进行建模时，其他模型必须考虑典型的食物和膳食差异。当已知患者12的生物标志物响应基本上由消耗示例性棒62并通过分解示例性棒62的营养物而获得食物能量时，患者12很可能在每次消耗特定棒62的营养物时具有类似或成比例的响应，并且该关系可以有益于患者12的方式来利用，例如，通过提高患者12的胰岛素治疗的疗效。由于上述模型校准/训练可侧重于患者12的生理状况，因此被配置为预测患者的生物标志物响应的经过训练的模型可被视为个性化模型。

为了使患者12受益，临床医生可利用经过训练的模型，使患者12的糖尿病疗法总体上更有效，例如，通过一种装置来确定(但不施用)精确的团注剂量或基础剂量，以支持患者12在代谢示例性棒62的营养物方面的生理机制。该装置可以是胰岛素递送装置，或者可将精确的团注剂量或基础剂量传达到患者12的胰岛素递送装置(例如，胰岛素泵)。患者12可从将此类信息编程到他们的个人胰岛素递送装置中受益，例如，从避免与不准确的胰岛素治疗相关联的常见问题中受益。

图6B描绘了套件60的附加组件，包括欢迎包63、传感器盒插件64、基线棒插件65和发现盒66。欢迎包63可包括欢迎手册、贴纸、传感器用户指南和一次性包。基线棒插件64将基线棒62固定在套件60中。如本文所述，基线棒62可用于训练个性化机器学习模型。当患者12消耗一个或多个基线棒62时，一个或多个生物标志物传感器可记录包括一个或多个生物标志物水平的传感器数据。一个或多个处理器和/或客户端应用程序可将未经训练的模型应用于所消耗的基线棒的营养标示，估计可能导致响应于患者消耗而产生的一个或多个生物标志物水平，并将一个或多个估计的生物标志物水平与记录的传感器数据进行比较。基于该比较，一个或多个处理器和/或客户端应用程序可调整未经训练的模型，以提高一个或多个生物标志物的准确性。

基线棒插件67可被设计成与套件60提供的多个基线棒62配合。基线棒插件67被描绘为包括三个棒，这些棒可以是基线棒62的一部分或基线棒62的整体。在一些示例中，当患者消耗基线棒62中的最后一个基线棒时，个性化模型可被视为经过充分训练。在其他示例中，无论基线棒62的数量如何，都可继续进行训练。如图所示，传感器盒插件65用于将传感器盒61固定在发现盒66中。传感器盒61可重复使用。发现盒66可配置有托盘磁力活盖封闭，并且也可以是可重复使用的。

图7A至图7C各自是流程图并且依次示出了根据本公开中描述的一个或多个示例的用于递送或引导疗法剂量的示例性方法。如本文所述，患者(例如，患者12)可受益于装置(例如，可穿戴装置22、患者装置24和/或云26)例如通过主动监测患者的食物消耗并且(如果需要的话)调整患者的糖尿病疗法递送来执行示例性方法。

图7A是示出根据本公开中描述的一个或多个示例的用于机器学习模型的示例性训练技术的流程图。可对模型执行示例性训练技术，以使用患者(例如，患者12)的装置为该患者个性化该模型，该装置包括如图1至图5中所述的可穿戴装置22、患者装置24和/或云26中的一者或多者。示例性训练技术可利用如关于图6A至图6B所述的套件60来执行。图7A至图7C是关于一个或多个处理器描述的。一个或多个处理器可以是云26的一个或多个处理器28、患者装置24的一个或多个处理器(例如，处理电路31)、可穿戴装置22的一个或多个处理器(例如，处理电路40)、胰岛素泵14(如果适用的话)的一个或多个处理器、注射装置30(如果适用的话)的一个或多个处理器或它们的任何组合。

如本文所述，患者(例如，患者12)可从执行示例性训练技术的可穿戴装置22、患者装置24和/或云26中受益，例如，通过具有经过训练的个性化机器学习模型。此类模型可基于患者的当前生物标志物水平和患者消耗特定食物项，来估计适于患者的生理状况的生物标志物水平。至少由于该原因，个性化模型(一旦经过训练)实现比通用模型更高水平的准确性，并且可帮助患者更好地控制他或她的营养状况。虽然患者可访问装置的任何组合，但是图7是结合类似于可穿戴装置22、患者装置24和/或云26的装置描述的。

例如，通过向患者的装置提供对食物数据27、由一个或多个处理器28提供的计算服务以及存储在模型29中的机器学习模型的访问，云26可支持示例性训练技术。例如，通过控制患者的饮食(例如，与云26协作)，患者装置24的客户端应用程序33支持示例性训练技术。例如，通过提供服务，云26还可支持示例性技术，该服务被配置为基于特定食物项的营养含量和/或份量大小或体积准确地预测特定食物项对患者的生物标志物水平(例如，葡萄糖水平)的影响。如果食物项的身份(例如，名称或类型)未知或未提供(例如，由患者)，则示例性训练技术可充分利用能够准确标识患者正在进食或将要进食的任何食物项的服务。一些服务充分利用机器学习技术，这些机器学习技术使用不同食物项的网格模型来训练机器学习模型以准确标识网格模型中可能或可能声称是任何特定食物项的一个或多个食物项。

一般来讲，诸如可在一个或多个处理器被提供有将用于训练模型的食物项的清单时，开始示例性训练技术。在开始如上所述的训练技术之前，可被称为基线食物项的这些食物项的营养信息可以是已知的和/或预定的。

患者可通过消耗食物项来启动示例性训练技术，该食物项可以是也可以不是如本文所述的基线食物项。上述清单可识别哪些食物项具有预定的和/或已知的营养信息，哪些食物项不具有预定的和/或已知的营养信息。基于确定(70)食物项具有在示例性训练技术中使用的预定的和/或已知的营养信息，该食物项可被视为基线食物项。基于确定食物项不具有关于食物项的预定的营养信息(在70处为“否”)，一个或多个处理器可继续确定(72)关于食物项的一个或多个营养标示。如本文所述，营养标示可用作上述机器学习模型的输入特征。存在多种机制，该多种机制可用于确定例如特定食物项的卡路里计数、碳水化合物量和/或任何其他常量营养素或微量营养素信息。

当足够的营养信息可用时(在70处为“是”)，一个或多个处理器可继续将机器学习模型应用(74)于营养信息。一个或多个处理器可响应于患者消耗食物项来确定和评估(76)预测患者营养状况。基于预测患者营养状况，作为示例性训练技术的一部分，一个或多个处理器可确定(78)是否更新模型。基于确定更新模型(在78处为“是”)，一个或多个处理器可生成(80)更新模型，例如，通过调整模型数据以改进模型的预测准确性。基于确定不更新模型(在78处为“否”)，一个或多个处理器可继续确定是否对清单中的另一食物项重复(82)训练技术。基于确定恢复训练模型，并对下一个食物项重复示例性训练技术(在82处为“是”)，一个或多个处理器返回确定下一个食物项是否为基线食物项并等待患者消耗下一个食物项。基于确定不重复示例性训练技术(在82处为“否”)，例如，因为模型经过充分训练，一个或多个处理器输出(84)经过训练的模型。在一些示例中，一个或多个处理器可将经过训练的模型部署到患者装置，以供客户端应用程序用于推荐健康的食物项以供患者消耗。

图7B是示出根据本公开中描述的一个或多个示例的用于机器学习模型的示例性评估技术的流程图。

类似于图7A，图7B是关于一个或多个处理器和患者描述的。一个或多个处理器可以是一个或多个处理器28、患者装置24的一个或多个处理器(例如，处理电路32)、可穿戴装置22的一个或多个处理器(例如，处理电路40)、胰岛素泵14(如果适用的话)的一个或多个处理器或其任何组合。患者可以是类似于患者12的糖尿病患者，并且患者的装置包括可穿戴装置22、患者装置24和/或云26中的一者或多者以及可能的一个或多个另外的装置。患者可是云26的客户端，并且患者装置可运行客户端应用程序33。在一些示例中，一个或多个处理器可将经过训练的模型部署到服务器或云，该服务器或云可由客户端应用程序访问，以推荐健康的食物项以供患者消耗。

虽然图7B被描绘为遵循图7A，但是在一些示例中，示例性评估技术可采用经过训练的训机器学习模型，该经过训练的训机器学习模型未针对患者的生理状况进行个性化。

如图7B所示，一个或多个处理器可通过从云26请求(86)计算服务来推荐食物项以供患者消耗，以开始示例性评估技术。在一些示例中，该请求可包含关于一个或多个食物项(例如，用户正在考虑消耗的一个或多个食物项)的信息。一个或多个处理器可请求云服务将经过训练的机器学习模型应用(88)于输入特征，该输入特征在考虑推荐的一个或多个食物项中的每个食物项的食物项概况中。在云26中，根据一个示例，一个或多个处理器28可将经过训练的机器学习模型直接应用于食物数据27，并评估模型的输出数据。在一些示例中，云26可将(经过充分训练的)个性化模型部署到患者的装置(例如，患者装置24)，并且一旦部署，该装置中的客户端应用程序可将经过训练的个性化机器学习模型应用于食物项概况，该食物项概况存储要用作输入特征的信息。上述模型的应用可产生输出数据，该输出数据描述患者的预测营养状况。患者的营养状况可被定义为生物标志物水平或多个生物标志物水平的组合，并且经过训练的机器学习模型可被配置为输出每个生物标志物的估计水平。如本文所述，患者的预测营养状况还可包括一种可能性，即在患者消耗食物项之后食物项的营养成分引起患者的当前生物标志物水平增加或减少的可能性。作为一个示例，如果患者正在进食香蕉，则经过训练的机器学习模型可被配置为输出信息，该信息指示在患者结束消耗香蕉的情况下患者的可能营养状况。以这种方式，经过训练的机器学习模型确定患者对消耗食物项的可能生理反应。

给定用于确定推荐的候选食物项的数量，一个或多个处理器可使用对应的食物项概况和经过训练的机器学习模型，来确定这些食物项中的任何食物项是否应当被推荐(90)供患者消耗。一个或多个处理器可通过以下方式实现这一点：将经过训练的模型应用于每个食物项概况；响应于消耗每个食物项，评估该模型对当前生物标志物水平的估计变化；以及确定每个食物项对于患者消耗是否安全和/或健康。如果患者在预定的和/或可配置的时间段内实际上消耗了对应食物项，则预测将发生对患者的当前生物标志物水平的这些估计变化。一个或多个处理器可将模型的预测彼此比较，并且基于该比较，识别要推荐的至少一个食物项(例如，该推荐可包括多于一个食物项供患者选择)。如本文所述，食物项概况根据营养信息(例如，营养标示)来描述食物项，并且可在作为推荐候选的多个食物项中区分该食物项。

基于由机器学习模型产生的上述输出数据，一个或多个处理器确定不推荐任何特定食物项(在90处为“否”)。在一些示例中，一个或多个处理器可请求计算服务找到另一食物项以评估可能的推荐(例如，可能未被包括在请求中的食物项)。该计算服务可访问食物项的清单，并选择新的(例如，下一个)食物项来评估。在一些示例中，该计算服务可访问类似类别食物的清单(例如，评估不同类型的肉类(例如，后腰肉排、肋眼牛排、鸡腿、鸡胸肉、羊肉)、蔬菜、水果、蔬菜、谷物和/或与该请求中相同但以不同方式制备的食物类别/类型(例如，烤鸡排而不是烤鸡胸肉))。

基于确定推荐特定食物项以供消耗(在90处为“是”)，一个或多个处理器可继续选择该食物项，并输出(92)推荐，该推荐描述该特定食物项。在一些示例中，一个或多个处理器可继续选择两个或更多个食物项，并输出推荐，该推荐描述这些所选择的食物项。根据一个示例，一个或多个处理器可识别特定食物项以推荐和输出各种GUI内容，以便以通知患者的方式呈现给患者。一个或多个处理器可基于对应的预测营养状况来选择该特定食物项，该预测营养状况是在患者实际上消耗了食物项的情况下由经过训练的机器学习模型生成的。

一个或多个处理器可确定(94)患者是否实际上消耗了所推荐的食物项。如本文所述，存在多种机制，该多种机制的功能性可操作以检测/识别患者正在进行的活动。一个或多个处理器可采用这些机制中的一个或多个机制来监测患者(例如，患者移动)。这些机制中的一个机制可确定患者正在进食特定食物项，检测患者何时最终完成消耗该食物项，然后以某种方式通知一个或多个处理器。一个或多个处理器可将此类通知登记为确认患者的实际消耗。以这种方式，示例性方法可使得修改患者的糖尿病疗法，而不考虑患者可能实际上没有消耗食物项，并且因此患者的生物标志物水平的任何估计值将是不准确的。

基于确定患者尚未消耗所推荐的食物项(在94处为“否”)，一个或多个处理器可等待(96)患者确认。如果一个或多个处理器在一定时间量内没有登记此类确认，则一个或多个处理器可等待上述机制中的一个机制，以检测患者的消耗情况并发送通知消息。基于登记确认患者消耗了所推荐的食物项(在94处为“是”)，一个或多个处理器就患者消耗所推荐的食物项而言继续评估并且可能将患者的疗法递送改变为更有效。在一个示例中，一个或多个处理器可鉴于患者对所推荐的食物项的营养成分的生理反应来确定和/或修改疗法信息。

图7C是示出根据本公开中描述的一个或多个示例的用于引导患者疗法的示例性操作的流程图。示例性操作可以是继续进行评估技术，诸如图7B的示例性评估技术。

类似于图7A和图7B，图7C是关于一个或多个处理器和患者描述的。一个或多个处理器可以是一个或多个处理器28、患者装置24的一个或多个处理器(例如，处理电路32)、可穿戴装置22的一个或多个处理器(例如，处理电路40)、胰岛素泵14(如果适用的话)的一个或多个处理器或其任何组合。患者可以是类似于患者12的糖尿病患者，并且患者的装置包括可穿戴装置22、患者装置24和/或云26中的一者或多者以及可能的一个或多个另外的装置。患者可是云26的客户端，并且患者装置可运行客户端应用程序33。

示例性操作可通过首先确定经过训练的机器学习模型是否足够准确或需要校准来开始。该模型应当经过充分训练，以不仅预测患者的营养状况而且影响患者的疗法递送。如果否，则该模型可经历进一步训练。在一个或多个处理器登记(98)确认患者消耗之后，一个或多个处理器可访问传感器数据，并确定(100)实际生物标志物水平。一个或多个处理器可将实际生物标志物水平与由上述机器学习模型确定的估计的生物标志物水平进行比较(102)。

一个或多个处理器可将度量应用于比较结果，并确定(104)模型的准确性水平。然后，一个或多个处理器可确定(106)是否要校准机器学习模型。一个示例性度量可被配置为分析在消耗特定食物项之后的实际生物标志物水平与由机器学习模型产生的估计的生物标志物水平之间的差异，以便适当地评估模型的准确性水平。根据模型的准确性水平，一个或多个处理器可确定模型的准确性水平是不充分的并且因此该模型需要校准(在106处为“是”)，并返回(108)该模型进行进一步训练。如图所示，一个或多个处理器可返回图7A中所描绘的示例性训练技术。

另一方面，一个或多个处理器可确定模型的准确性水平是充分的并且不需要校准(在106处为“否”)。一个或多个处理器可继续(110)评估患者的疗法递送。如本文所述，患者和患者装置可利用某些疗法信息来引导患者的疗法递送。在一个示例中，一个或多个处理器可评估疗法信息在患者的治疗(例如，糖尿病管理)中的有效性。

一个或多个处理器可通过修改(112)患者装置处的疗法信息来确定是否改变患者的疗法。一个或多个处理器可根据患者最近消耗所推荐的食物项来改变患者的疗法(在112处为“是”)。这是因为患者的下一次治疗在维持健康的生物标志物水平方面相对于患者的生物标志物水平的预测增加/降低应该是有效的。一个或多个处理器可响应于患者的当前饮食确定患者的当前疗法规定无效治疗，并且继续修改(114)上述疗法信息。一个或多个处理器可修改下一个治疗以更有效地维持健康的生物标志物水平。

另一方面，一个或多个处理器可确定如在疗法信息中概述的患者的当前疗法对于患者的糖尿病管理是适当的，并且至少出于该原因不被改变(在112处为“否”)。尽管患者的最近食物项消耗，患者的生物标志物水平预期在健康范围内，并且至少出于该原因，一个或多个处理器不改变患者的当前疗法。一个或多个处理器可继续评估更多食物项以可能地向患者推荐以供消耗。如图所示，一或多个处理器可返回图7B中所描绘的示例性评估技术。

为了举例说明，患者消耗的每个食物项都对患者的总碳水化合物计数有贡献。在确定每个食物项对碳水化合物(如果有的话)的贡献并且例如通过基于所述碳水化合物确定滴定下一个胰岛素剂量适当地修改所述患者的糖尿病疗法之后。如果患者具有手动注射装置(例如，注射器)，则一个或多个处理器可向患者输出指示下一个剂量的量和/或时间表的数据(例如，通过如患者装置24等移动装置)。如果患者具有胰岛素智能笔装置、带智能帽的胰岛素笔或注射装置30的另一个示例，则一个或多个处理器可向注射装置30输出指示下一个剂量的数据，并且进而，注射装置30可自动准备下一个剂量(如果可能)。如果患者具有胰岛素递送装置，如胰岛素泵14的示例，则一个或多个处理器可向该胰岛素递送装置输出指示下一个剂量的量和/或时间表的数据，该胰岛素递送装置可能会也可能不会自动向患者施用。

这些技术的各个方面可在一个或多个处理器(包括一个或多个微处理器、DSP、ASIC、FPGA或任何其他等效集成或离散逻辑电路)以及此类部件的任何组合内实施，其体现在编程器诸如医生或患者编程器、电刺激器或其他装置中。术语“处理器”或“处理电路”通常可指单独的或与其他逻辑电路组合的任何前述逻辑电路或任何其他等效电路。

在一个或多个示例中，本公开中所描述的功能可以硬件、软件、固件或其任何组合来实施。如果在软件中实现，则功能可作为一个或多个指令或代码存储在计算机可读介质上并且由基于硬件的处理单元执行。计算机可读介质可包括形成有形非暂态介质的计算机可读存储介质。指令可由一个或多个处理器执行，诸如一个或多个DSP、ASIC、FPGA、通用微处理器或其他等效集成或离散逻辑电路。因此，如本文所用，术语“处理器”可以是指前述结构中的任何结构或适于实施本文所描述的技术的任何其他结构。

除此之外，在一些方面，本文所述的功能可以设置在专用硬件和/或软件模块内。将不同特征描述为模块或单元旨在突出不同的功能方面，并且不一定暗示此类模块或单元必须由单独的硬件或软件部件来实现。相反，与一个或多个模块或单元相关联的功能可由单独的硬件或软件部件执行，或者集成在公共或单独的硬件或软件部件内。另外，本技术可在一个或多个电路或逻辑元件中完全实施。本公开的技术可在各种各样的装置或设备中实施，包括云26的一个或多个处理器28、患者装置24的一个或多个处理器、可穿戴装置22的一个或多个处理器、胰岛素泵14的一个或多个处理器或它们的某种组合。一个或多个处理器可以是一个或多个集成电路(IC)和/或驻留在本公开中所描述的示例性系统中的各个位置的离散电路。

用于例如本公开中所描述的示例技术的一个或多个处理器或处理电路可以实施为固定功能电路、可编程电路或其组合。固定功能电路是指提供特定功能的电路，并且被预置在可执行的操作上。可编程电路是指可被编程以执行各种任务的电路，并且在可执行的操作中提供灵活的功能。例如，可编程电路可执行软件或固件，该软件或固件使得可编程电路以软件或固件的指令所定义的方式操作。固定功能电路可执行软件指令(例如，接收参数或输出参数)，但是固定功能电路执行的操作类型通常是不可变的。在一些示例中，单元中的一个或多个单元可以是不同的电路块(固定功能或可编程)，并且在一些示例中，该一个或多个单元可以是集成电路。处理器或处理电路可以包括由可编程电路形成的算术逻辑单元(ALU)、基本功能单元(EFU)、数字电路、模拟电路和/或可编程核。在使用由可编程电路执行的软件来执行处理器或处理电路的操作的示例中，该处理器或处理电路可访问的存储器可以存储该处理器或处理电路接收并执行的软件的目标代码。

已描述本公开的各个方面。这些和其他方面在以下权利要求书的范围内。

Claims (20)

1.一种系统，所述系统包括：

存储器，所述存储器被配置为存储模型；和

处理电路，所述处理电路通信地耦接到所述存储器，其中所述处理电路被配置为：

执行用于所述模型的训练过程，以基于患者在一时间段内消耗的预定食物项来预测所述患者的患者营养状况，其中为了执行所述训练过程，所述处理电路被进一步配置为：

基于具有所述食物项的一组营养属性的所述预定食物项概况和所述模型来确定估计的生物标志物水平；

在所述患者在所述时间段内消耗所述食物项之后接收所述患者的实际生物标志物水平；以及

基于将所述估计的生物标志物水平与所述实际生物标志物水平进行比较来校准所述模型；

针对一组预定食物项中的一个或多个食物项重复所述训练过程；以及

输出经过训练的模型。

2.根据权利要求1所述的系统，其中为了校准所述模型，所述处理电路被进一步配置为：记录所述患者在所述时间段内消耗了所述预定食物项的确认。

3.根据权利要求1所述的系统，所述系统还包括处理电路，所述处理电路被配置为：将所述模型或所述经过训练的模型应用于具有已知食物类型和未知营养属性的食物项。

4.根据权利要求1所述的系统，其中为了针对所述一个或多个食物项重复所述训练过程，所述处理电路被进一步配置为：重复所述训练过程，直到所述模型的准确性度量在阈值内。

5.根据权利要求1所述的系统，所述系统还包括处理电路，所述处理电路被配置为：输出用于显示的针对所述患者的指令，所述指令包括用于消耗所述一组食物项中的每个食物项的时间表。

6.根据权利要求1所述的系统，所述系统还包括处理电路，所述处理电路被配置为：

部分地基于将所述经过训练的模型应用于与第一食物项对应的第一食物项概况来确定所述患者的第一预测患者营养状况，其中所对应的食物项概况包括所选择的食物项的一组营养属性，并且其中所述经过训练的模型针对所述一组营养属性确定至少一个估计的生物标志物水平，在所述患者消耗所述第一食物项的情况下，所述至少一个估计的生物标志物水平预期在至少一个期望范围内；

基于所述第一预测患者营养状况来选择所述第一食物项以推荐给所述患者；以及

生成用于显示的输出数据，所述输出数据指示所选择的食物项。

7.根据权利要求1所述的系统，所述系统还包括处理电路，所述处理电路被配置为：

将所述模型应用于第二组食物项概况中的每个食物项概况以确定第二组食物项中的每个食物项的预测患者营养状况，其中所述患者的每个预测患者营养状况包括至少一个估计的生物标志物水平，所述至少一个估计的生物标志物水平基于引导疗法递送的递送装置和所述患者在所述时间段内消耗特定食物项；以及

基于对应的预测患者营养状况和所述患者的期望患者营养状况之间的比较，从所述第二组食物项中识别食物项以推荐给所述患者。

8.一种系统，所述系统包括：

存储器，所述存储器被配置为存储经过训练的模型；和

处理电路，所述处理电路通信地耦接到递送装置，其中所述处理电路被配置为：

将所述经过训练的模型应用于一个或多个食物项概况以生成所述一个或多个食物项概况中的每个食物项概况的预测患者营养状况，其中所述经过训练的模型基于对应食物项的一组营养属性来生成患者的每个预测患者营养状况；

在没有患者输入的情况下，至少基于与所述一个或多个食物项概况对应的所述患者的预测患者营养状况来选择与所述一个或多个食物项概况相关联的一个或多个食物项以推荐供所述患者消耗，其中所述预测患者营养状况包括至少一个估计的生物标志物水平，在所述患者消耗所选择的食物项的情况下，所述至少一个估计的生物标志物水平预期在至少一个期望范围内；以及

生成用于显示的输出数据，所述输出数据指示所选择的一个或多个食物项。

9.根据权利要求8所述的系统，其中为了选择所述食物项，所述处理电路被进一步配置为：

基于所述预测患者营养状况和期望患者营养状况之间的比较，从所述一组食物项中识别所选择的一个或多个食物项以供推荐。

10.根据权利要求8所述的系统，所述系统还包括处理电路，所述处理电路被配置为：

通过以下方式训练所述经过训练的模型：针对一组预定基线食物项中的基线食物项，将模型应用于具有所述基线食物项的一组预定营养属性的对应基线食物项概况，

其中所述处理电路被进一步配置为：针对所述一组预定基线食物项中的每个基线食物项训练所述模型，或者直到准确性度量在阈值内。

11.根据权利要求10所述的系统，所述系统还包括处理电路，所述处理电路被配置为：

基于所述患者消耗所述一组预定基线食物项中的特定基线食物项来确定估计的生物标志物水平；以及

基于将所述估计的生物标志物水平与所述患者在一时间段内消耗所述特定基线食物项之后的实际生物标志物水平进行比较来校准所述模型。

12.根据权利要求8所述的系统，所述系统还包括：

递送装置，所述递送装置被配置为执行用于针对所述患者引导疗法递送的疗法信息；并且

其中所述处理电路被配置为：在没有患者输入的情况下，基于与所述一个或多个食物项概况对应的所述患者的一个或多个预测患者营养状况来选择所述一个或多个食物项以推荐供所述患者消耗，其中所述预测患者营养状况包括至少一个估计的生物标志物水平，在所述递送装置执行所述疗法信息并且所述患者消耗所选择的食物项的情况下，所述至少一个估计的生物标志物水平预期在至少一个期望范围内。

13.一种由具有用于存储经过训练的模型的存储器的医疗系统执行的方法，所述方法包括：

由所述医疗系统的处理电路将经过训练的模型应用于一个或多个食物项概况，以针对所述一个或多个食物项概况中的每个食物项概况生成患者的预测患者营养状况；

在所述患者消耗所选择的一个或多个食物项中的每个食物项之后，由所述处理电路至少基于所述预测患者营养状况来选择一个或多个食物项以推荐供所述患者消耗，其中所述预测患者营养状况包括至少一个估计的生物标志物水平，在所述患者消耗所选择的一个或多个食物项的情况下，所述至少一个估计的生物标志物水平预期在至少一个期望范围内；以及

由所述处理电路生成用于显示的输出数据，所述输出数据指示所选择的一个或多个食物项。

14.根据权利要求14所述的方法，其中由所述处理电路选择所述一个或多个食物项以供推荐还包括：由所述处理电路基于与一个或多个食物项概况对应的所述预测患者营养状况来选择所述一个或多个食物项以推荐供所述患者消耗，其中所述患者的对应的预测患者营养状况包括至少一个估计的生物标志物水平，在递送装置执行疗法剂量并且所述患者消耗所选择的食物项的情况下，所述至少一个估计的生物标志物水平预期在至少一个期望范围内。

15.根据权利要求15所述的方法，所述方法还包括：由所述处理电路至少部分地基于所选择的一个或多个食物项来确定所述疗法剂量。

16.根据权利要求15所述的方法，其中所述递送装置执行所述疗法信息以将疗法递送引导到所述患者。

17.根据权利要求14所述的方法，其中由所述处理电路选择所述一个或多个食物项还包括：基于所述预测患者营养状况和期望患者营养状况之间的比较，从一组食物项中识别所选择的一个或多个食物项以供推荐。

18.根据权利要求14所述的方法，所述方法还包括：由所述处理电路通过以下方式训练所述经过训练的模型：针对一组预定基线食物项中的每个基线食物项，将模型应用于具有所述基线食物项的一组预定营养属性的对应基线食物项概况，直到满足准确性度量。

19.根据权利要求17所述的方法，其中由所述处理电路训练所述模型还包括：

基于所述患者消耗特定基线食物项来确定估计的生物标志物水平；以及

基于将所估计的生物标志物水平与所述患者在一时间段内消耗所述特定基线食物项之后所述患者的实际生物标志物水平进行比较来校准所述模型。

20.根据权利要求14所述的方法，其中由所述处理电路选择所述一个或多个食物项以供推荐还包括：针对特定食物项，基于所述经过训练的模型和所述特定食物项的一组营养属性来生成对应的预测患者营养状况。