ES2864586T3

ES2864586T3 - Reconocimiento automático de patrones conocidos en datos de medición fisiológicos

Info

Publication number: ES2864586T3
Application number: ES11796714T
Authority: ES
Inventors: David Duke; Abhishek Soni; Bernd Steiger; Jürgen Rasch-Menges; Michael Brossart
Original assignee: F Hoffmann La Roche AG
Current assignee: F Hoffmann La Roche AG
Priority date: 2010-12-22
Filing date: 2011-12-16
Publication date: 2021-10-14
Anticipated expiration: 2031-12-16
Also published as: EP2654563B1; HUE053828T2; CN103384495A; HK1187222A1; CN103384495B; WO2012084723A1; EP2654563A1

Abstract

Procedimiento para analizar valores de medición fisiológicos de un usuario, en particular para identificar la presencia de un estado corporal fisiológico del usuario, para identificar automáticamente patrones en una secuencia cronológica de los valores de medición fisiológicos, comprendiendo el procedimiento: a) al menos una etapa de adquisición de datos, en el que, durante la etapa de adquisición de datos, los valores de medición fisiológicos del usuario se adquieren en diferentes tiempos de medición y se almacenan en un registro de datos de medición (0144) usando al menos un dispositivo de adquisición de datos (0116); b) al menos una etapa de selección de patrones, en el que, durante la etapa de selección de patrones, los valores de medición adquiridos durante al menos un intervalo de tiempo de comparación (0161) se seleccionan como al menos un patrón de comparación (0163) usando al menos un dispositivo de selección de patrones (0118), en el que el patrón de comparación (0163) es una secuencia de valores de medición que se adquirieron durante el intervalo de tiempo de comparación (0161); c) al menos una etapa de reconocimiento de patrones, en el que, durante la etapa de reconocimiento de patrones, se buscan patrones correspondientes al patrón de comparación (0163) en el registro de datos de medición (0144) usando al menos un dispositivo de reconocimiento de patrones (0120), comprendiendo el procedimiento además al menos una etapa de reducción de datos que genera un registro de datos de medición reducido (0146) a partir del registro de datos de medición (0144), en el que el registro de datos de medición reducido (0146) se usa en al menos una de la etapa de selección de patrones b) y la etapa de reconocimiento de patrones c), caracterizado por que se prescriben una pluralidad de niveles de valor de medición (0142) en la etapa de reducción de datos, en el que se identifica cuando un nivel de valor de medición (0142) se cruza entre dos valores de medición contiguos en el tiempo, y en el que simplemente el valor de medición de los valores de medición contiguos que está más cercano al nivel de valor de medición (0142) se asigna al registro de datos de medición reducido (0146).

Description

DESCRIPCIÓN

Reconocimiento automático de patrones conocidos en datos de medición fisiológicos

Campo de la invención

La invención se refiere a un procedimiento y a un dispositivo para analizar valores de medición fisiológicos de un usuario. Además, la invención se refiere a un programa informático con código de programa para llevar a cabo un procedimiento de acuerdo con la invención. Dichos dispositivos, procedimientos y programas informáticos se pueden usar en general para adquirir y analizar datos de medición fisiológicos de un usuario, por ejemplo, en el monitoreo a largo plazo de usuarios humanos o animales dentro del alcance del llamado monitoreo domiciliario o durante estancias hospitalarias. El procedimiento, el dispositivo y el programa informático se pueden usar para identificar patrones automáticamente en una secuencia cronológica de valores de medición fisiológicos. En particular, el procedimiento, el dispositivo y el programa informático se pueden usar para llevar a cabo automáticamente una consideración retrospectiva de patrones actuales en datos de medición fisiológicos, por ejemplo, en valores de glucosa u otros tipos de concentraciones de analito, en comparación con datos históricos. En particular, en este caso se puede encontrar una situación histórica del usuario, que se corresponde mejor con la situación actual del usuario para, en consecuencia, tomar las medidas adecuadas.

Además, la siguiente divulgación se refiere en general al monitoreo de pacientes y, en particular, a un sistema de monitoreo continuo de glucosa con un algoritmo de coincidencia de patrones eficiente, un procedimiento y un producto informático del mismo.

Técnica anterior

En general, la diabetes se puede caracterizar por hiperglucemia y por una insuficiencia relativa de insulina. Existen dos tipos principales de diabetes, diabetes tipo I (diabetes mellitus dependiente de insulina) y diabetes tipo II (diabetes mellitus no dependiente de insulina). En algunos casos, la diabetes también se caracteriza por la resistencia a la insulina.

La secreción de insulina funciona para controlar el nivel de glucemia para mantener los niveles de glucosa en un nivel óptimo. La atención médica puede implicar tanto el establecimiento de un programa terapéutico como el monitoreo del progreso de la persona afectada. El monitoreo de los niveles de glucemia es un proceso importante que se usa para ayudar a los diabéticos a mantener los niveles de glucemia lo más normal posible durante el día. El monitoreo también puede permitir el tratamiento exitoso de un diabético alterando el tratamiento según sea necesario. El monitoreo puede permitir al diabético monitorear más de cerca su condición y, además, puede proporcionar información valiosa para el proveedor de atención médica para determinar tanto el progreso del paciente como para detectar cualquier necesidad de cambiar el programa de tratamiento del paciente.

Los avances en el campo de la electrónica en los últimos años han provocado cambios significativos en los equipos de diagnóstico y monitoreo médico, incluyendo el monitoreo de autocuidado. Para controlar y monitorear la diabetes, se encuentran disponibles sistemas de monitoreo de glucemia relativamente económicos y fáciles de usar que brindan información fiable que permite al diabético y a su profesional de atención médica establecer, monitorear y ajustar un plan de tratamiento.

Existen dos tipos principales de sistemas de monitoreo de glucemia usados por los pacientes: sistemas de un solo punto (o no continuos) y sistemas continuos. Los sistemas no continuos consisten en medidores y tiras reactivas y requieren que se extraigan muestras de sangre de las yemas de los dedos o de sitios alternativos, tal como antebrazos y piernas. Un ejemplo de un sistema no continuo puede requerir que un diabético aplique una muestra de sangre a la región impregnada de reactivo de una tira reactiva, limpie la muestra de sangre de la tira reactiva después de un período de tiempo predeterminado y, después de un segundo período de tiempo predeterminado, determine el nivel de glucemia comparando el color de las regiones impregnadas de reactivo de la tira reactiva con una tabla de colores proporcionada por el fabricante de la tira reactiva. Estos sistemas también pueden depender de la punción y la manipulación de los dedos o sitios alternativos de extracción de sangre, que pueden ser extremadamente dolorosos e inconvenientes, en particular para los niños.

Un ejemplo de un sistema continuo son los monitores de glucosa continuos ("MGC") que se pueden implantar por vía subcutánea y que miden los niveles de glucosa en el fluido intersticial en diversos períodos a lo largo del día, proporcionando datos que muestran tendencias en las mediciones de glucosa durante un período de tiempo. Los MGC pueden proporcionar grandes cantidades de datos que se deben procesar para encontrar patrones de datos similares. Los datos se pueden usar para identificar comportamientos dañinos del paciente o para ayudar a optimizar el tratamiento en base a experiencias pasadas similares. También se pueden usar para controlar la glucosa a lo largo del tiempo para determinar un patrón de azúcar en sangre. Debido a las grandes cantidades de datos involucrados, es posible que se necesite un algoritmo eficiente para permitir la coincidencia de patrones en dispositivos con capacidad de procesamiento limitada.

Además de las llamadas mediciones puntuales, que solo se llevan a cabo una o un par de veces, la técnica anterior también ha divulgado, entre otros, el monitoreo a largo plazo de uno o más parámetros fisiológicos. En el siguiente texto, la invención se describirá sustancialmente con referencia a parámetros fisiológicos en forma de concentraciones de analito de uno o más analitos en un fluido corporal del usuario, por ejemplo, un paciente humano o animal, independientemente de si una enfermedad está realmente presente o si debería haber hecho simplemente un monitoreo de usuarios sanos. Sin restringir otras posibles aplicaciones, la invención se describirá en el siguiente texto con referencia al monitoreo de la glucemia. Sin embargo, en principio, la invención también es transferible a otros tipos de analitos y/o al monitoreo de otros tipos de parámetros fisiológicos.

En los últimos tiempos, una llamada medición continua de glucosa, también denominada monitoreo continuo (MC), en el intersticio del usuario se está consolidando cada vez más. Este procedimiento es adecuado para gestionar, monitorear y controlar, por ejemplo, un estado de diabetes. Hasta la fecha, la técnica anterior ha divulgado en este caso sensores electroquímicos implantados directamente, que a menudo también se denominan sensores de tipo aguja (NTS). Aquí, la región del sensor activo se aplica directamente a una localización de medición, que en general está dispuesta en el tejido intersticial y convierte glucosa en carga eléctrica, por ejemplo, usando una enzima (por ejemplo, glucosa oxidasa, GOD), cuya carga es proporcional a la concentración de glucosa y se puede usar como variable de medición. Los ejemplos de dichos sistemas de medición transcutánea se describen en el documento US 6.360.888 B1 o en el documento US 2008/0242962 A1. Los sistemas de monitoreo continuo en general adquieren valores de medición, por ejemplo, valores de medición de glucosa, a intervalos de tiempo regulares o irregulares. A modo de ejemplo, los valores de medición de glucosa se pueden adquirir a intervalos de 5 minutos o menos en el caso de sensores implantados.

A diferencia de las llamadas mediciones puntuales, que simplemente adquieren un estado corporal instantáneo del usuario, los datos de medición registran una medición a largo plazo de parámetros fisiológicos, tal como, por ejemplo, una medición a largo plazo de una concentración de analito en el tejido corporal, y comprenden, por tanto, una multiplicidad de elementos de información adicionales, que, en principio, están disponibles para su evaluación. En particular, es posible seguir la evolución a lo largo del tiempo, seguir las influencias de efectos externos en el cuerpo del usuario y tal vez incluso proponer probables perfiles futuros de los valores de medición y derivar recomendaciones para el usuario a partir de esto. Sin embargo, un desafío técnico consiste en el hecho de que el registro de datos de medición alcanza una resolución de tiempo técnica que se enfrenta a un gran volumen de datos y, por lo tanto, requiere procedimientos novedosos de preparación de datos, agregación de datos y reutilización de datos. De otro modo, el incremento en el volumen de datos puede incluso dar lugar a una reducción en la facilidad de uso de los procedimientos y dispositivos para el usuario, y a una falta de visión general para el facultativo médico tratante.

El documento EP 1918837 A1 ha divulgado un procedimiento para procesar una secuencia cronológica de valores de medición de un parámetro dependiente del tiempo. Se describe un procedimiento de cómo un paciente puede seleccionar por sí mismo partes relevantes de un perfil de tiempo de valores de medición de la concentración de glucosa, qué partes representan la influencia aislada de eventos individuales y hacen que dicho perfil sea transparente, comprensible y predecible. El conocimiento con respecto al estado metabólico en general se puede mejorar basándose en una colección de dichas partes. Para ello, el perfil de una concentración de glucosa en el tiempo después de un evento aislado, por ejemplo, una comida específica, se almacena para comparaciones posteriores, por ejemplo, bajo una referencia correspondiente a esta comida. El paciente puede crear un archivo personal de dichos perfiles de Mc específicos de eventos para sí mismo y usarlo para comparaciones con respecto a una situación actual. Esta opción de comparación es valiosa para los pacientes y los facultativos médicos tratantes para incrementar la profundidad del conocimiento con respecto a los efectos personalizados de las comidas, el deporte, los viajes, el estrés o los estados hormonales. Aquí, se propone generar una parte de un perfil de curva fijando una hora de inicio y una hora de finalización. Esta parte se asigna a un evento específico, por ejemplo, una comida específica, y opcionalmente se almacena bajo una referencia específica que caracteriza el evento. Si el paciente se encuentra nuevamente en una situación comparable, puede buscar en su archivo los eventos previos correspondientes. Dicha búsqueda en general se orienta hacia los nombres, que fueron dados por el propio paciente. Los posibles hallazgos se pueden comparar con el perfil actual, y por tanto el paciente se puede preparar para la situación actual.

El documento WO 2006/066585 A2 también ha divulgado procedimientos y dispositivos para el reconocimiento de patrones en datos de medición fisiológicos. Aquí, los patrones se identifican en un registro de datos de medición, cuyos patrones corresponden al menos a un estado fisiológico del usuario. Los valores de medición se almacenan junto con las acciones del usuario y permiten una búsqueda dirigida de patrones en el registro de datos de medición junto con los umbrales para la acción del usuario.

Los procedimientos conocidos de la técnica anterior constituyen pasos importantes en el camino hacia una gestión más eficiente y un uso más eficiente y más cómodo de los extensos registros de datos de medición de mediciones continuas de parámetros fisiológicos. Sin embargo, todavía quedan numerosos desafíos. Por tanto, los procedimientos conocidos en principio consumen mucho tiempo y posiblemente son demasiado complicados para usuarios potenciales, en particular para niños, pacientes de edad avanzada o pacientes con demencia. Por ejemplo, la asignación de nombres a eventos particulares, tal como nombrar una comida específica, o una calificación y cuantificación de determinados eventos de usuario por parte del propio usuario, está sujeta a criterios muy subjetivos y, por lo tanto, posiblemente, encontrar un patrón correspondiente puede no ser posible o incluso puede ser engañoso como resultado de un nombre o almacenamiento inicial que no fue analizado detenidamente por pacientes sin experiencia o sobrecargados. Un procedimiento manual no es eficiente, en particular para grandes existencias de datos, como ya se espera para un período de medición que abarca un par de días. Además, muchos procedimientos presuponen suavizar los perfiles de valores de medición generalmente ruidosos. Además, existen desafíos técnicos para cuantificar la similitud de las partes. Además, los procedimientos manuales en principio requieren mucho tiempo y en general son ineficaces. Además, aún no ha habido una solución satisfactoria a los desafíos técnicos que se producen en el procesamiento de patrones encontrados, en particular si se han identificado varios patrones posibles.

Si bien puede existir una variedad de dispositivos y técnicas para monitorear continuamente a un paciente a lo largo del tiempo, se cree que nadie antes de los inventores ha realizado o usado los modos de realización según la invención como se describe en el presente documento.

Objetivo de la invención

En consecuencia, un objetivo de la presente invención es especificar un procedimiento, un programa informático y un dispositivo que eviten al menos en gran medida las desventajas de los procedimientos, programas informáticos y dispositivos conocidos. En particular, se debe especificar un procedimiento para analizar los valores de medición fisiológicos, que se pueda llevar a cabo fácilmente en línea y de manera automática, preferentemente en tiempo real, y que sea capaz de encontrar situaciones históricas del usuario lo más similares posible a la situación actual del usuario para proporcionarle la opción de reaccionar de manera ideal a la situación actual. Preferentemente, debería ser posible establecer un perfil futuro probable de los valores de medición fisiológicos y, preferentemente, debería ser posible especificar las condiciones determinantes que tuvieron un efecto positivo en situaciones similares en el pasado y que también podrían constituir medidas convenientes en una situación actual.

Divulgación de la invención

Este objetivo se logra mediante la invención con los rasgos característicos de las reivindicaciones de patente independientes. Desarrollos ventajosos de la invención, que se pueden implementar individualmente o en cualquier combinación, se ilustran en las reivindicaciones de patente dependientes.

En un primer aspecto de la presente invención, se propone un procedimiento para analizar valores de medición fisiológicos de un usuario. Los valores de medición fisiológicos y los datos fisiológicos son términos equivalentes para la misma materia objeto. Un usuario puede, en términos generales, ser un paciente o puede ser una o más personas y/o animales, independientemente de si está presente o no un estado de enfermedad. El usuario o, en el caso de un grupo de usuarios, al menos uno de los usuarios puede llevar a cabo el procedimiento él mismo, o el procedimiento se puede llevar a cabo por al menos una tercera persona, por ejemplo, un facultativo médico o personal sanitario. En el siguiente texto no se hace distinción entre ambas opciones, las cuales deberían estar comprendidas en la invención, por lo que, por ejemplo, también debería estar comprendido el caso en el que los valores de medición fisiológicos proceden de al menos un primer usuario, mientras que una o más etapas de procedimiento son llevadas a cabo por al menos un segundo usuario, por ejemplo, un facultativo médico o personal sanitario.

En este caso, el término "análisis" se puede tomar de manera muy amplia y, en principio, puede comprender cualquier tratamiento, adquisición, almacenamiento, procesamiento previo, procesamiento o transferencia de los valores de medición. Los valores de medición fisiológicos se entienden, en general, como cualquier parámetro que caracterice directamente uno o más estados corporales de un usuario. Los valores de medición fisiológicos pueden ser directamente valores de medición, que son adquiridos por al menos un dispositivo de medición, o, esto debería tener el mismo significado dentro del alcance de la presente invención, valores de medición derivados de estos valores de medición, por ejemplo, valores de medición que ya han sido sometidos al procesamiento previo, filtrado, amplificación, uniformidad o etapas de procesamiento previo similares. Dispositivo de medición y dispositivo de entrada fisiológico son términos equivalentes para la misma materia objeto. En particular, como se explicará con más detalle a continuación, los valores de medición fisiológicos pueden ser concentraciones de al menos un analito en un fluido corporal de un usuario. Sin embargo, en principio, el uso de otros tipos de valores de medición fisiológicos también es factible como alternativa o como complemento al mismo. En particular, el procedimiento se puede usar, en general, para identificar la presencia de un estado corporal fisiológico del usuario.

El procedimiento comprende las etapas de procedimiento ilustradas a continuación. Las etapas de procedimiento se pueden llevar a cabo en la secuencia ilustrada. Sin embargo, en principio, también es posible una secuencia diferente a la secuencia ilustrada. Por tanto, en particular, las etapas de procedimiento individuales o múltiples se pueden llevar a cabo en paralelo en el tiempo, superpuestas en el tiempo o repetidamente, ya sea por sí mismas o en grupos. Además, el procedimiento puede comprender etapas de procedimiento adicionales que no se ilustran en el siguiente texto. Independientemente del hecho de que el término etapa de procedimiento se use en el siguiente texto, la referencia "etapa" básicamente no dice nada sobre la duración de las etapas de procedimiento enumeradas en el texto siguiente. Por tanto, las etapas de procedimiento especificadas se pueden, individualmente o en grupos, llevar a cabo brevemente, pero también se pueden llevar a cabo durante un período de tiempo más largo, por ejemplo, en intervalos de tiempo de varios minutos, horas, días, semanas o incluso meses, por ejemplo, de forma continua o repetida.

El procedimiento comprende:

a) al menos una etapa de adquisición de datos, en el que, durante la etapa de adquisición de datos, los valores de medición fisiológicos del usuario se adquieren en diferentes momentos de medición y se almacenan en un registro de datos de medición.

Como se ilustra anteriormente, los valores de medición fisiológicos pueden ser, en particular, cualquier parámetro que de alguna manera caracterice el estado corporal del usuario. En particular, estos pueden ser parámetros que caracterizan al menos una concentración de al menos un analito, por ejemplo, al menos una concentración de al menos un analito en un fluido corporal, por ejemplo, al menos un metabolito, más en particular glucosa. En general, los valores de medición fisiológicos pueden ser valores de medición primarios, por ejemplo, directamente después de la adquisición, o bien pueden ser valores de medición que se derivan de estos valores de medición y, por ejemplo, ya se han procesado previamente. A modo de ejemplo, los tiempos de medición se pueden prescribir de forma fija o bien pueden ser variables. Los tiempos de medición se pueden suceder de forma continua, de modo que se cree un continuo de tiempo de medición, pero en principio también pueden ser discontinuos. Los tiempos de medición se pueden disponer de forma equidistante entre sí o se pueden seleccionar tiempos de medición a intervalos irregulares. Se prefieren en particular las etapas de adquisición de datos en las que se adquieren valores de medición fisiológicos a intervalos de tiempo regulares, por ejemplo, a intervalos de tiempo de 5 minutos. A modo de ejemplo, los tiempos de medición se pueden prescribir en términos absolutos, pero también se pueden prescribir de forma relativa, por ejemplo, definiendo un intervalo de tiempo a partir de un evento particular, por ejemplo, uno o más tiempos de medición anteriores. Los tiempos de medición corresponden preferentemente a un conjunto de datos de ventana de tiempo como se indica más adelante. En un modo de realización, un usuario introduce los valores de medición como una consulta. Los valores de medición fisiológicos y los datos fisiológicos adquiridos dentro de los intervalos de los tiempos de medición se pueden indicar como conjunto de datos de ventana de tiempo. Preferentemente, el intervalo de tiempo, el continuo de tiempo de medición o los puntos de tiempo corresponden al término "ventana de tiempo" como se usa en el presente documento.

Dentro del alcance de la presente invención, se debe entender que un registro de datos de medición significa un registro de datos que al menos comprende los valores de medición, pero que preferentemente también puede comprender uno o más parámetros adicionales. A modo de ejemplo, estos otros parámetros pueden comprender los tiempos de medición; sin embargo, esto no es obligatorio porque los tiempos de medición, por ejemplo, también se pueden establecer de otra manera. A modo de ejemplo, se pueden almacenar pares de datos en el registro de datos de medición, cada uno de los cuales comprende al menos un valor de medición y al menos un tiempo de medición asociado, especificado como un tiempo de medición absoluto o también como un tiempo de medición relativo, por ejemplo, especificado como un tiempo de un evento específico. Además, el registro de datos de medición, como se explicará con más detalle a continuación, puede comprender otros parámetros, tal como, por ejemplo, una o más condiciones determinantes. De forma alternativa, o además de esto, el registro de datos de medición también puede comprender los valores de medición fisiológicos en una secuencia cronológica, sin necesidad de almacenar los tiempos de medición para esto, por ejemplo, si los tiempos de medición se pueden calcular fácilmente para cada valor de medición, en particular, si se prescriben intervalos de tiempo fijos entre los tiempos de medición. La etapa de adquisición de datos se puede llevar a cabo de forma continua o discontinua durante, en particular, un período de tiempo relativamente largo, por ejemplo, dentro del alcance del monitoreo continuo, por ejemplo, como se explicará con más detalle a continuación, por medio de al menos un sensor que, de forma continua o discontinua, proporciona valores de medición fisiológicos durante un período de tiempo relativamente largo, por ejemplo, a intervalos de tiempo regulares o irregulares.

b) al menos una etapa de selección de patrones, en el que, durante la etapa de selección de patrones, los valores de medición adquiridos durante al menos un intervalo de tiempo de comparación se seleccionan como al menos un patrón de comparación.

Dentro del alcance de la presente invención, se entiende por intervalo de tiempo de comparación un intervalo de tiempo que es, o podría ser, de interés para el análisis de los valores de medición fisiológicos. A este respecto, este intervalo de tiempo de comparación puede ser, por ejemplo, una llamada "región de interés" en un eje de tiempo. Como otros intervalos de tiempo o intervalos dentro del alcance de la presente invención, el intervalo de tiempo de comparación también se puede especificar, por ejemplo, como un intervalo cerrado, un intervalo abierto o como un intervalo cerrado en un lado. El intervalo de tiempo y la ventana de tiempo son términos equivalentes para la misma materia objeto. Además, el intervalo de tiempo de comparación corresponde preferentemente al patrón de referencia.

Dentro del alcance de la presente invención, un patrón se entiende, en general, como una secuencia de valores de medición. En consecuencia, se debe entender que un patrón de comparación es la secuencia de valores de medición que se adquirieron durante el intervalo de tiempo de comparación.

El intervalo de tiempo de comparación, como se explicará con más detalle a continuación, en particular, puede ser o comprender un intervalo de tiempo actual. En este caso, el patrón de comparación, en particular, puede ser o comprender un patrón actual.

De forma alternativa, o además de esto, el intervalo de tiempo de comparación también puede ser o comprender un intervalo de tiempo seleccionable, por ejemplo, un intervalo de tiempo que puede ser seleccionado por el usuario. Si el intervalo de tiempo de comparación es un intervalo de tiempo seleccionable o si el primero comprende un intervalo de tiempo seleccionable, el patrón de comparación puede, en particular, ser o comprender un patrón de interés. En general, "de interés" o "interesante" se entiende, en el texto siguiente, como una propiedad, en la que a un elemento específico se le asigna un significado posible, ya sea subjetivamente o de acuerdo con criterios prescritos, cuyo significado todavía debe ser verificado. A modo de ejemplo, un patrón de interés puede ser un patrón que tiene características específicas que pueden ser relevantes de acuerdo con aspectos fisiológicos o aspectos médicos, o un patrón que está temporalmente ligado a una o más condiciones determinantes. En particular, patrón de interés y patrón de referencia son términos equivalentes para la misma materia objeto. Además, el patrón de referencia o el patrón de interés se pueden ingresar como una consulta por medio de una interfaz de usuario como se indica más adelante.

En principio, en el caso de un intervalo de tiempo seleccionable, el intervalo de tiempo de comparación se puede seleccionar de diversas formas. A modo de ejemplo, la selección se puede realizar introduciendo límites del intervalo de tiempo seleccionable, por ejemplo, un límite inferior y un límite superior. De forma alternativa, o además de esto, la selección también se puede realizar de una manera diferente, por ejemplo, mediante una selección gráfica, por ejemplo, seleccionando el usuario un intervalo de tiempo en un elemento de visualización, por ejemplo, por medio de un dispositivo de entrada apropiado y/o dispositivo de selección, por ejemplo, una o más teclas y/o un ratón y/o un cursor y/o una pantalla táctil. El intervalo de tiempo se puede seleccionar directamente, por ejemplo, si el usuario realiza una selección en un eje de tiempo, o indirectamente, por ejemplo, si el usuario selecciona el patrón de comparación, por ejemplo, marcando en una pantalla o de otra manera, y mediante la selección en consecuencia del intervalo de tiempo de comparación que pertenece a este patrón de comparación. También son factibles otros tipos de selección.

En términos generales, el término "actual" se usa dentro del alcance de la presente invención durante un tiempo, por ejemplo, un tiempo de medición, que en términos de tiempo se sitúa tan cerca del tiempo presente, es decir, el tiempo real en el que se lleva a cabo la etapa de procedimiento relevante y/o en el que se lleva a cabo una medición, que el intervalo de tiempo es insignificante dentro del alcance de los intervalos de tiempo convencionales que tienen lugar en cambios fisiológicos perceptibles macroscópicamente en el cuerpo del usuario. En particular, estos pueden ser intervalos de tiempo preferentemente no superiores a 1 hora, más en particular no superiores a 30 minutos y de forma particularmente preferente no superiores a 10 minutos o incluso no superiores a 5 minutos. En consecuencia, un tiempo actual, por ejemplo, un tiempo de medición actual, no necesita corresponder necesariamente al tiempo presente, pero en principio también puede estar en el pasado en una cantidad de tiempo que preferentemente no exceda los tiempos mencionados anteriormente. Si el término "actual" se usa junto con un número de tiempos continuos, por ejemplo, intervalos de tiempo, se entiende que es un intervalo de tiempo que comprende al menos un tiempo que se debe caracterizar como "actual" dentro del alcance de la definición mencionada anteriormente. Los términos actual y tiempo real son términos equivalentes para la misma materia objeto.

A modo de ejemplo, para llevar a cabo la etapa de selección de patrones, el intervalo de tiempo de comparación, por ejemplo, el intervalo de tiempo actual o el intervalo de tiempo seleccionable, puede ser prescrito y/o seleccionable por el usuario. A modo de ejemplo, el intervalo de tiempo de comparación puede ser un intervalo de tiempo con una duración prescrita o una duración seleccionable, que se dispone, por ejemplo, de manera prescrita en un tiempo de referencia, por ejemplo, en un tiempo actual. A modo de ejemplo, el intervalo de tiempo se puede definir o prescribir por uno o dos intervalos de tiempo desde límites de intervalo en una o dos direcciones desde el tiempo de referencia, por ejemplo, el tiempo actual. El intervalo de tiempo de comparación, más en particular, el intervalo de tiempo actual, puede ser, por ejemplo, un intervalo de tiempo que se extiende desde el tiempo presente al pasado en una cantidad prescrita, por ejemplo, al menos 1 hora, preferentemente de 1 hora a 10 horas y de forma particularmente preferente de 4 horas a 8 horas. También son factibles otras definiciones o prescripciones del intervalo de tiempo de comparación, que se pueden prescribir de forma fija o ajustable.

El patrón de comparación, por ejemplo, el patrón actual y/o el patrón de interés, comprende, por tanto, los valores de medición adquiridos durante el intervalo de tiempo de comparación, por ejemplo, durante el intervalo de tiempo actual y/o durante el intervalo de tiempo seleccionable, o al menos parte de estos valores de medición, por ejemplo, valores de medición seleccionados durante este intervalo de tiempo de comparación. Además, el patrón de comparación puede contener información adicional, por ejemplo, nuevamente, como se explica anteriormente junto con el registro de datos de medición, los tiempos de medición asociados de los valores de medición adquiridos durante el intervalo de tiempo de comparación, por ejemplo, nuevamente como pares de valores de medición, que comprende el valor de medición y el tiempo de medición asociado respectivamente. El simple almacenamiento de los valores de medición, sin los tiempos de medición asociados a los mismos, también es factible, por ejemplo, si los tiempos de medición asociados son conocidos o derivables de una manera simple, por ejemplo, teniendo tiempos de medición equidistantes. Además, el patrón de comparación puede comprender nuevamente información adicional, por ejemplo, nuevamente, como se explicará con más detalle a continuación, una o más condiciones determinantes. Por tanto, en particular, el patrón de comparación puede comprender una parte contigua en el tiempo, en particular una parte actual y/o una parte de interés, del registro de datos de medición, por ejemplo, las entradas más recientes del registro de datos de medición, que se extienden al pasado del tiempo presente en una cantidad prescrita. También son posibles otros modos de realización.

c) al menos una etapa de reconocimiento de patrones, en el que, durante la etapa de reconocimiento de patrones, se buscan patrones correspondientes al patrón de comparación en el registro de datos de medición.

En principio, se pueden usar uno o más procedimientos de reconocimiento de patrones en la etapa de reconocimiento de patrones, por ejemplo, procedimientos de reconocimiento de patrones conocidos de la técnica anterior. En particular, es posible usar procedimientos que llevan a cabo una comparación punto por punto entre el patrón de comparación, por ejemplo, el patrón actual y/o el patrón de interés, y los datos históricos en el registro de datos de medición. Aquí, una comparación punto por punto se entiende como una comparación en la que, respectivamente, un valor de medición en el patrón de comparación se compara con un valor de medición en el registro de datos de medición, registrándose este último, por ejemplo, en un tiempo de medición diferente, más en particular en un tiempo de medición anterior. La etapa de reconocimiento de patrones se puede llevar a cabo de modo que los patrones correspondientes se busquen simplemente fuera del intervalo de tiempo de comparación. Sin embargo, de forma alternativa, el propio intervalo de tiempo de comparación también se puede incluir en la búsqueda porque, por ejemplo, también se pueden producir patrones repetidos dentro del intervalo de tiempo de comparación. Sin embargo, los valores de medición adquiridos en diferentes tiempos de medición se deben comparar entre sí durante la etapa de reconocimiento de patrones en cualquier caso. El reconocimiento de patrones y la coincidencia de patrones son términos equivalentes para la misma materia objeto.

Preferentemente, también es posible cuantificar las desviaciones durante la etapa de reconocimiento de patrones, en particular durante la comparación de los valores de medición y, como todavía se explicará con más detalle a continuación, es posible prescribir tolerancias y/o realizar ponderaciones.

A modo de ejemplo, se puede llevar a cabo una comparación punto por punto en virtud del hecho de que al menos un punto candidato, más en particular al menos un tiempo candidato y/o valor candidato, se identifica en el registro de datos de medición, comenzando a partir de qué punto candidato se lleva a cabo la comparación punto por punto. En general, se entiende por "candidato" un elemento de un conjunto, cuyo elemento se tiene en cuenta para una comparación y que puede o debe ser sometido a un examen más detallado. A modo de ejemplo, se puede entender que un patrón candidato significa un patrón en el registro de datos de medición que puede corresponder al patrón de comparación, aunque esto se debería o se debe examinar más detalladamente. En consecuencia, se puede entender que un intervalo de tiempo candidato significa un intervalo de tiempo durante el cual se adquirieron los valores de medición del patrón candidato. Se puede entender que un tiempo candidato significa un tiempo posible que se tiene en cuenta como un punto de referencia para localizar el intervalo de tiempo candidato; sin embargo, esto se debería o se debe examinar más detalladamente, por ejemplo, un tiempo de medición en el que se adquiere un valor candidato, cuyo valor candidato puede corresponder a un valor de anclaje, que se adquirió en un tiempo de anclaje, que a su vez sirve como un tiempo de referencia para localizar el intervalo de tiempo de comparación.

A modo de ejemplo, es posible llevar a cabo una comparación de valores de medición paso a paso, comenzando a partir de un valor candidato, en el que, por ejemplo, también puede existir una terminación de una comparación continua si una comparación de valores anteriores no dio lugar a una correspondencia. A modo de ejemplo, se pueden llevar a cabo comparaciones en etapas de tiempo equidistantes. Sin embargo, en principio, también son posibles etapas no equidistantes.

A modo de ejemplo, se puede realizar una etapa de reconocimiento de patrones y una búsqueda de patrones correspondientes en virtud del hecho de que, comenzando a partir de un valor candidato y/o tiempo candidato, existe, paso a paso, una comparación entre otros valores de medición y valores de medición en el patrón de comparación, por ejemplo, en virtud del hecho de que existe una consulta después de cada etapa de comparación sobre si la comparación anterior proporcionó o no correspondencia. Si no se determinó ninguna correspondencia, se puede terminar otra comparación para acelerar el procedimiento. Si se determinó una correspondencia, es posible llevar a cabo otra etapa de comparación con el siguiente valor de medición. Esto se explicará todavía con más detalle a continuación, a modo de ejemplo.

Por tanto, dentro del alcance de la presente invención, se debe entender que correspondencia significa patrones idénticos o correspondencia dentro del alcance de uno o más umbrales de tolerancia prescritos. Aquí se pueden prescribir uno o más umbrales de tolerancia, por ejemplo, con respecto a los valores de medición. De forma alternativa, o además de esto, también se pueden prescribir umbrales de tolerancia con respecto a los tiempos de medición, en particular si se seleccionan tiempos de medición no equidistantes. A modo de ejemplo, con respecto a los puntos de medición, las vecindades de tolerancia se pueden trazar, por tanto, alrededor de los puntos de medición, que se representan respectivamente en un sistema de coordenadas con un eje de tiempo de medición y un eje de valor de medición, por ejemplo, vecindades de tolerancia circular y/o vecindades de tolerancia elíptica.

A modo de ejemplo, una correspondencia se puede cuantificar punto por punto o para el patrón completo, por ejemplo, como se explicará todavía con más detalle a continuación, mediante una o más correlaciones, para las cuales, a su vez, se pueden proporcionar umbrales. Sin embargo, se prefiere en particular si, como se describe anteriormente, existe una comparación punto por punto teniendo en cuenta uno o más umbrales de tolerancia predeterminados.

El procedimiento propuesto se puede desarrollar de forma ventajosa de diversas formas. Por tanto, como se describe anteriormente, se prefiere en particular si los valores de medición fisiológicos comprenden concentraciones de al menos un analito en un fluido corporal del usuario o al menos se derivan de valores de medición que cuantifican dichas concentraciones. En principio, el al menos un analito puede ser al menos un analito arbitrario, que preferentemente se detecta específicamente. En particular, este puede ser glucosa, por ejemplo, glucemia. Sin embargo, de forma alternativa o adicionalmente, también son detectables otros analitos, por ejemplo, colesterol, lactato u otros analitos. Sin embargo, en otra alternativa a la detección de un analito, o además de esto, también es posible usar otros valores de medición fisiológicos.

En particular, los valores de medición fisiológicos se pueden adquirir por medio de al menos un procedimiento de medición a largo plazo, es decir, un procedimiento de medición en el que los valores de medición se adquieren a intervalos regulares o irregulares durante un período de tiempo de preferentemente al menos 1 minuto, en particular al menos 10 minutos, preferentemente al menos 1 hora, en particular preferentemente al menos 10 horas, al menos 1 día, al menos 1 semana o incluso durante una pluralidad de meses o años. En particular, el procedimiento de medición a largo plazo se puede llevar a cabo por medio de al menos un elemento sensor, por ejemplo, un elemento sensor electroquímico para la detección de analitos, que se insertó en el tejido corporal del usuario. A modo de ejemplo, se puede hacer referencia a la técnica anterior mencionada anteriormente a este respecto. Por tanto, por ejemplo, el procedimiento se puede llevar a cabo usando al menos un sensor de monitoreo continuo, por ejemplo, un sensor que comprende un parche, que se aplica a la superficie de la piel del usuario y tiene electrónica de actuación y evaluación, y un sensor insertable conectado a este parche. Sin embargo, en principio, también son posibles otros tipos de adquisición de valores de medición.

En otro modo de realización ventajoso, el intervalo de tiempo de comparación puede, como ya se explica anteriormente, en particular ser o comprender un intervalo de tiempo actual, en el que el patrón de comparación comprende un patrón actual. En la etapa de reconocimiento de patrones, es posible buscar patrones que se correspondan con el patrón actual, por ejemplo, en el registro de datos de medición antes del intervalo de tiempo actual, en el cual, sin embargo, como se explica anteriormente, el intervalo de tiempo actual se puede incluir por sí mismo, en principio, también en la búsqueda.

De forma alternativa, o además de esto, el intervalo de tiempo de comparación puede comprender un intervalo de tiempo seleccionable, por ejemplo, un intervalo de tiempo que puede seleccionar un usuario de acuerdo con una o más de las opciones descritas anteriormente y también se puede denominar "región de interés". En particular, el patrón de comparación puede comprender, a continuación, un patrón de interés. El intervalo de tiempo seleccionable se puede situar completamente antes de, por ejemplo, el tiempo actual opcionalmente fijable y/o antes del intervalo de tiempo actual opcionalmente fijable; sin embargo, en principio también se puede superponer con el mismo. De forma alternativa, también es posible prescindir de fijar un tiempo actual y/o un intervalo de tiempo actual si se usa un intervalo de tiempo seleccionable. El intervalo de tiempo seleccionable puede, en particular, estar dispuesto en el pasado y, por ejemplo, se puede seleccionar en un análisis posterior del registro de datos de medición, en particular datos de medición históricos, por ejemplo, por parte del usuario, por ejemplo, usando un instrumento de procesamiento de datos tal como, por ejemplo, un ordenador. Esta fijación también la puede realizar, por ejemplo, un facultativo médico como usuario. Diversas otras opciones son factibles.

En el procedimiento de acuerdo con la invención, se lleva a cabo al menos una etapa de reducción de datos para generar al menos un registro de datos de medición reducido a partir del registro de datos de medición. Esta al menos una etapa de reducción de datos se puede llevar a cabo para todo el registro de datos de medición, preferentemente los datos sin procesar o el vector de datos sin procesar como se menciona más adelante, o simplemente para parte del mismo, por ejemplo, para el patrón actual. En particular, el registro de datos de medición reducido se puede usar en al menos una de las etapas b) y/o c), preferentemente en las etapas b) y c). En el proceso, en las etapas b) y c), se puede hacer uso del mismo al menos un registro de datos de medición reducido o bien se puede hacer uso de diferentes registros de datos de medición reducidos. Además, en las etapas b) y/o c) se puede hacer uso opcionalmente en cada caso de una pluralidad de registros de datos de medición reducidos diferentes, por ejemplo, en la etapa b), al menos un primer registro de datos de medición reducido y al menos un segundo registro de datos de medición reducido que difiere del primero y/o, en la etapa c), al menos un tercer registro de datos de medición reducido y al menos un cuarto registro de datos de medición reducido que difiere del tercer registro de datos de medición. Son posibles diversas combinaciones. Por lo tanto, el al menos un registro de datos de medición reducido puede comprender un único registro de datos de medición reducido; sin embargo, también puede comprender una pluralidad de registros de datos de medición reducidos. Por tanto, por ejemplo, como se ilustra anteriormente, se puede hacer uso de una pluralidad de diferentes registros de datos de medición reducidos en las etapas b) y c) y/o también dentro de las etapas b) y/o c). Preferentemente, la etapa de reducción de datos corresponde a la compresión de datos mencionada más adelante y viceversa. El registro de datos reducido y los datos comprimidos son términos equivalentes para la misma materia objeto.

En particular, es posible generar al menos un patrón de comparación reducido, por ejemplo, al menos un patrón actual reducido y/o al menos un patrón de interés reducido, a partir del patrón de comparación, por ejemplo, el patrón actual y/o el patrón de interés, en el que, durante la etapa de reconocimiento de patrones, el patrón de comparación reducido se puede usar para buscar uno o más patrones correspondientes al patrón de comparación. A modo de ejemplo, es posible, durante una etapa de reconocimiento de patrones aproximados, en primer lugar, usar un patrón de comparación reducido, por ejemplo, un patrón actual reducido y/o un patrón de interés reducido, para buscar posibles patrones candidatos, que corresponden al patrón de comparación, antes de, opcionalmente, llevar a cabo a continuación al menos una etapa de reconocimiento de patrones refinados, por ejemplo, usando al menos un patrón de comparación no reducido y/o usando al menos un patrón de comparación menos reducido. Esta transición a la al menos una etapa de reconocimiento de patrones refinados opcional se puede llevar a cabo de diferentes maneras y en diferentes gradaciones, y así, por ejemplo, es posible llevar a cabo una o más etapas de reconocimiento de patrones aproximados con diferentes grados de reducción de datos y/o una o más etapas de reconocimiento de patrones refinados con diferentes grados de reducción de datos. Por tanto, por ejemplo, al menos una etapa de reconocimiento de patrones aproximados puede pasar a al menos una etapa de reconocimiento de patrones refinados, en particular sin prácticamente ninguna transición perceptible, durante la cual se reduce un grado de reducción de datos, por ejemplo, mediante intervalos de anidamiento.

Como alternativa al uso de la etapa de reducción de datos para generar un patrón de comparación reducido, o además de esto, la etapa de reducción de datos también se puede usar para generar un patrón candidato reducido en el registro de datos de medición, por ejemplo, en los datos de medición históricos del registro de datos de medición. Son factibles diversas opciones de combinación.

En principio, la etapa de reducción de datos puede comprender en este caso cualquier reducción de datos y/o compresión de datos diseñada para generar una reserva de datos del registro de datos de medición o parte del mismo, por ejemplo, del patrón de comparación, en particular, el patrón actual y/o el patrón de interés y/o del patrón candidato. En particular, la reducción de datos se puede lograr seleccionando datos de medición representativos a partir de los datos del registro de datos de medición y sin considerar los datos de medición restantes. En otra alternativa o además de esto, una pluralidad de datos de medición también se pueden reemplazar durante la compresión de datos por datos de medición respectivamente representativos, que tienen una profundidad de datos menor y/o consisten en menos números. En principio, se conocen diversos procedimientos para la compresión de datos a partir de la técnica anterior y también se pueden utilizar dentro del alcance de la presente invención.

A modo de ejemplo, la reducción de datos se puede lograr fácilmente modificando una cuadrícula temporal, por ejemplo, asignando solo valores de medición al registro de datos de medición reducido en momentos específicos, por ejemplo, en intervalos de tiempo específicos.

Sin embargo, dentro del alcance de la presente invención, se usa un procedimiento de indexación; todavía se explicará con más detalle de manera ejemplar a continuación. Dentro del alcance de la presente invención, el registro de datos de medición reducido se puede almacenar, en particular, además del registro de datos de medición no reducido. Por tanto, por ejemplo, como se explica anteriormente, se puede generar al menos un patrón de comparación reducido a partir del patrón de comparación como resultado de la etapa de reducción de datos, por ejemplo, generando un patrón actual reducido a partir del patrón actual y/o al menos generando un patrón de interés reducido a partir del patrón de interés como resultado de la etapa de reducción de datos. Este patrón de comparación reducido se puede almacenar además del patrón de comparación y, por ejemplo, se puede usar antes en primer lugar para una búsqueda aproximada de patrones candidatos, si se identifican patrones candidatos adecuados, y el patrón de comparación no reducido se puede usar a continuación para una comparación refinada.

En particular, la reducción de datos se puede realizar de forma continua en la etapa de reducción de datos, por ejemplo, en segundo plano. A modo de ejemplo, puede existir una reducción de datos en línea y/o una reducción de datos en tiempo real, por ejemplo, verificando cada nuevo valor de medición agregado con respecto a la satisfacción de criterios específicos y a continuación, descartándolo o usándolo para el registro de datos de medición reducido u, opcionalmente, usándolo de una manera modificada.

Si se genera un registro de datos de medición reducido, con reducción de datos completa o parcial del registro de datos de medición o partes del mismo, este registro de datos de medición reducido se puede almacenar opcionalmente. A modo de ejemplo, se puede almacenar en una memoria intermedia de datos volátiles y/o en una memoria intermedia de datos no volátiles.

Preferentemente, puede existir una reducción de datos que, en el siguiente texto, también se denomina indexación. En este tipo de reducción de datos que se puede usar como alternativa a otras formas de reducción de datos, o además de las mismas, se prescriben una pluralidad de niveles de valor de medición en la etapa de reducción de datos. A modo de ejemplo, en el caso de una medición de glucemia, estos pueden ser niveles de concentración que se pueden producir normalmente, por ejemplo, una malla de glucemia en etapas de 10 mg/dl o 20 mg/dl. En principio, también son posibles otros tipos de mallas. Esto hace posible someter los datos del registro de datos de medición a una cuadrícula temporal y/o una cuadrícula de nivel de valor de medición.

Los niveles de valor de medición se pueden usar para la reducción de datos de diversas formas, que se pueden usar de forma alternativa o acumulativa. A modo de ejemplo, esos valores de medición más cercanos a los niveles de valor de medición se pueden asignar al registro de datos de medición reducido. Aquí, se puede hacer uso precisamente de estos valores de medición, o también se puede hacer uso de valores de medición modificados, que se generan en virtud del hecho de que los valores de medición que se encuentran más cerca de los niveles de los valores de medición se redondean por exceso o por defecto con respecto a los niveles de valor de medición.

El procedimiento de acuerdo con la invención comprende identificar en la etapa de reducción de datos cuando un nivel de valor de medición se cruza entre dos valores de medición contiguos en el tiempo. A modo de ejemplo, si un valor de medición en un tiempo t se encuentra por debajo de un nivel de valor de medición prescrito y un valor de medición posterior en un tiempo t At se encuentra por encima de un nivel de valor de medición, o viceversa, es posible identificar un cruce del nivel de valor de medición. En este caso, la etapa de reducción de datos se puede llevar a cabo de modo que, de los valores de medición temporalmente contiguos, simplemente se asigne al registro de datos de medición reducido el valor de medición más cercano al nivel del valor de medición. A modo de ejemplo, los valores de medición entre los que no se cruza ningún nivel de valor de medición y en los que tampoco se cruza un nivel de valor de medición durante la transición a otros valores de medición contiguos se pueden descartar y no asignarse al registro de datos de medición reducido.

Además, se prefiere en particular que los extremos locales se excluyan del registro de datos de medición reducido. En particular, esto se justifica en virtud del hecho de que los extremos pueden dar lugar más fácilmente a asignaciones erróneas durante el reconocimiento de patrones aproximados que los valores de medición que no constituyen extremos locales.

Como se describe anteriormente, la etapa de reducción de datos se puede referir a todo el registro de datos de medición o simplemente a una parte del mismo, y opcionalmente puede tener lugar además de una retención completa o parcial del registro de datos de medición no reducido. En particular, como se ilustra anteriormente, el patrón de comparación se puede, en la etapa de reducción de datos, reducir a al menos un patrón de comparación reducido, y al menos parte de la etapa de reconocimiento del patrón se puede llevar a cabo usando el patrón de comparación reducido. En particular, esto se puede llevar a cabo de tal manera que la etapa de reconocimiento de patrones comprenda al menos una etapa de reconocimiento de patrones aproximados llevada a cabo usando el patrón de comparación reducido. La etapa de reconocimiento de patrones aproximados se puede usar para identificar patrones candidatos que potencialmente corresponden al patrón de comparación. Como se describe anteriormente, la etapa de reconocimiento de patrones aproximados se puede llevar a cabo en particular punto por punto, por ejemplo, comenzando a partir de un punto inicial, en la que, punto por punto, existe una comparación de valores de medición entre el patrón de comparación reducido y los puntos del patrón candidato. Esta comparación de valores de medición punto por punto se puede opcionalmente terminar si no existe correspondencia en una o más comparaciones, por lo que no se llevan a cabo más comparaciones y el patrón candidato se puede, por ejemplo, descartar. Opcionalmente se puede llevar a cabo al menos una etapa de reconocimiento de patrones refinados si un patrón candidato se identifica con éxito en la etapa de reconocimiento de patrones aproximados, en la que el patrón candidato se puede comparar con el patrón de comparación, es decir, el patrón de comparación no reducido, en la etapa de reconocimiento de patrones refinados. Esta comparación, a su vez, también se puede realizar punto por punto. En lugar de una simple división en una etapa de reconocimiento de patrones aproximados y una etapa de reconocimiento de patrones refinados, también es posible insertar otras etapas intermedias de etapas de reconocimiento de patrones, por ejemplo, llevando a cabo sucesivamente más etapas de reconocimiento de patrones refinados con etapas de tiempos más pequeños y/o con registros de datos más grandes.

Como se explica anteriormente, la etapa de reconocimiento de patrones aproximados se puede llevar a cabo, en particular, paso a paso, en el que la etapa de reconocimiento de patrones aproximados se puede terminar si se determina una falta de correspondencia. También puede existir un procedimiento análogo durante la etapa de reconocimiento de patrones refinados y/o durante otras etapas de reconocimiento de patrones.

En particular, como se describe anteriormente, se puede prescribir al menos una tolerancia en la etapa de reconocimiento de patrones, en la que la correspondencia dentro del alcance de la tolerancia se identifica como suficiente. A modo de ejemplo, se puede prescribir la al menos una tolerancia con respecto a los tiempos de medición y/o con respecto a los valores de medición. Como se ilustra anteriormente, las tolerancias se pueden prescribir de forma fija o variable para valores de medición individuales o puntos de medición, y los valores de medición individuales también se pueden incluir en la verificación de la correspondencia de forma ponderada. A modo de ejemplo, las tolerancias se pueden prescribir punto por punto para los valores de medición en el patrón de comparación y/o el patrón de comparación reducido y/o el patrón candidato. A modo de ejemplo, las tolerancias pueden estar prescritas por uno o más umbrales de tolerancia y/o uno o más intervalos de confianza, que pueden estar dispuestos simétricamente o también asimétricamente alrededor de los valores de medición, o de otra manera. En particular, se pueden prescribir una pluralidad de tolerancias para diferentes valores de medición en diferentes tiempos de medición, en el que, preferentemente, los valores de medición del patrón de comparación, por ejemplo, el patrón actual y/o el patrón de interés, y/o el patrón de comparación reducido y/o el patrón candidato que se encuentra más atrás en el tiempo están provistos de mayores tolerancias que los valores de medición más recientes.

Otra ventaja y otro modo de realización posible del procedimiento propuesto consiste en que es posible almacenar una o más condiciones determinantes además de los valores de medición y, opcionalmente, de los tiempos de medición. A modo de ejemplo, estas condiciones determinantes se pueden almacenar en el registro de datos de medición y formar parte del registro de datos de medición; esto se supone en el siguiente texto sin restringir otros modos de realización posibles. Sin embargo, de forma alternativa, o además de esto, las una o más condiciones determinantes también se pueden almacenar independientemente del registro de datos de medición, por ejemplo, en una localización de memoria intermedia diferente o en una memoria intermedia diferente. En términos generales, se hace referencia al hecho de que el registro de datos de medición también se puede almacenar en una única memoria intermedia y/o de forma contigua; sin embargo, en principio, el almacenamiento también puede tener lugar en una pluralidad de partes, que, por ejemplo, se pueden almacenar en una pluralidad de memorias intermedias diferentes.

Las condiciones determinantes pueden, en particular, caracterizar eventos que tienen una influencia fisiológica potencial en el cuerpo del usuario. Los eventos pueden ser puntuales, es decir, tener una duración insignificante en comparación con la medición general, pero en principio también se pueden extender durante un período de tiempo relativamente largo. A modo de ejemplo, las condiciones determinantes también se pueden asignar a uno o más tiempos o períodos de tiempo específicos, que pueden corresponder a uno o más de los tiempos de medición, pero que también se pueden seleccionar independientemente de los tiempos de medición del registro de datos de medición. En particular, las condiciones determinantes pueden ser o comprender una o más de las siguientes condiciones determinantes: un tipo y/o cantidad de medicación, en particular un bolo de insulina; un tipo y/o cantidad de ingesta de alimentos; una enfermedad; una hora del día; una carga de estrés para el usuario; bienestar corporal del usuario; al menos otro parámetro fisiológico, por ejemplo, al menos una concentración hormonal y/o una presión sanguínea; una situación corporal específica, por ejemplo, un período mensual; un tipo y/o duración y/o intensidad de esfuerzo físico; al menos una situación corporal específica; fiebre; dolor de cabeza; dolor de espalda; una situación mental específica.

En particular, la al menos una condición determinante también se puede tener en cuenta en la etapa de reconocimiento de patrones. A modo de ejemplo, si el patrón actual contiene al menos una condición determinante, los patrones que corresponden al patrón actual y también comprenden la al menos una condición determinante, preferentemente en tiempos correspondientes, se pueden buscar por ejemplo en la etapa de reconocimiento de patrones. A modo de ejemplo, las una o más condiciones determinantes se pueden incluso tener en cuenta durante la etapa de reconocimiento de patrones aproximados, por ejemplo, buscando principalmente patrones candidatos que también tengan la al menos una condición determinante.

En particular, al menos un valor de medición adquirido en un tiempo de anclaje se puede especificar como un valor de anclaje durante la etapa de selección de patrones. A modo de ejemplo, el tiempo de anclaje puede ser un tiempo de medición actual y/o un tiempo de medición de interés. Si el tiempo de anclaje es un tiempo de medición actual, el valor de anclaje puede ser, por ejemplo, un valor de medición actual. A modo de ejemplo, el valor de medición actual puede ser un valor de medición actual que satisfaga al menos una condición de valor de anclaje. A modo de ejemplo, esta condición de valor de anclaje puede surgir de la etapa de reducción de datos. Por tanto, por ejemplo, el al menos un valor de anclaje puede ser el valor de medición actual más reciente que satisface la condición de reducción de datos opcional usada en la reducción de datos. A modo de ejemplo, la indexación descrita anteriormente se puede usar de modo que, cuando una curva de medición cruza uno o más niveles de valor de medición prescritos, el valor de medición más cercano a este nivel de valor de medición se asigna respectivamente al registro de datos de medición reducido. A modo de ejemplo, el valor de medición más reciente que satisface esta condición de indexación se puede, preferentemente, siempre que este valor de medición no forme un extremo local, seleccionar como punto de anclaje, en particular automáticamente y/o en línea, en particular en tiempo real. Sin embargo, en principio, también son posibles otros criterios de selección para un valor de anclaje. Por tanto, por ejemplo, el valor de anclaje puede ser un valor de medición de interés registrado en un tiempo de medición de interés. A modo de ejemplo, el usuario puede seleccionar el tiempo de medición de interés. También son posibles otros modos de realización.

En particular, el valor de anclaje puede ser un valor de medición del registro de datos de medición reducido, por ejemplo, el valor de medición más reciente en este registro de datos de medición reducido y/o un valor de medición, seleccionado por el usuario, en el registro de datos de medición reducido. A modo de ejemplo, el valor de medición más reciente en el que la curva de los valores de medición corta uno de los niveles de valor de medición se puede usar como valor de anclaje y el tiempo en el que esto ocurre se puede usar como tiempo actual. De forma alternativa, o además de esto, el usuario también puede seleccionar el tiempo de anclaje y/o el valor de anclaje, por ejemplo, según uno o más de los procedimientos de selección descritos anteriormente.

El al menos un valor de anclaje se puede usar en la etapa de selección de patrones y/o en la etapa de reconocimiento de patrones. Por tanto, el intervalo de tiempo de comparación en la etapa de selección de patrones puede ser, por ejemplo, un intervalo de tiempo que comprende el tiempo de anclaje, se une al tiempo de anclaje o se define con respecto al tiempo de anclaje de cualquier otra forma. A modo de ejemplo, el intervalo de tiempo de comparación se puede definir como un intervalo de tiempo que comienza en un intervalo de tiempo prescrito antes de que comience y/o finalice el tiempo de anclaje, de una manera prescrita, antes o después del tiempo de anclaje. En particular, el intervalo de tiempo de comparación puede comprender el tiempo de anclaje, unirse a este último o estar definido con respecto al mismo de cualquier otra manera. El patrón de comparación puede comprender los valores de medición, que se registraron durante el intervalo de tiempo de comparación y, opcionalmente, los tiempos de medición asignados a los mismos. En particular, el patrón de comparación puede comprender el propio valor de anclaje; sin embargo, esto no es obligatorio.

Además, el al menos un valor de anclaje se puede utilizar, de forma alternativa o adicionalmente, en la al menos una etapa de reconocimiento de patrones. En particular, los valores candidatos que corresponden al valor de anclaje y que se registran respectivamente en tiempos candidatos se pueden buscar en el registro de datos de medición durante la etapa de reconocimiento de patrones. Por tanto, por ejemplo, los valores candidatos que corresponden al valor de anclaje se pueden buscar después paso a paso en el pasado, o de otra manera. Nuevamente, se debe entender que correspondencia significa identidad o también correspondencia dentro del alcance de una o más tolerancias prescritas, y por tanto, por ejemplo, los valores candidatos también pueden ser valores de medición que se pueden encontrar dentro de un intervalo de tolerancia alrededor del valor de anclaje. Como se describe anteriormente, también se pueden tener en cuenta una o más condiciones determinantes durante esta búsqueda de posibles valores candidatos, por lo que, por ejemplo, puede existir principalmente una búsqueda de valores candidatos que, por ejemplo, también se almacenaron en el registro de datos de medición bajo una o más condiciones determinantes o junto con una o más condiciones determinantes. Aquí, por ejemplo, las una o más condiciones determinantes se pueden incluir en la búsqueda de modo que se busquen valores candidatos en los que, por ejemplo, se registraron una o más condiciones determinantes idénticas o similares dentro de un intervalo de tolerancia temporal como, por ejemplo, dentro de un intervalo de tolerancia temporal sobre el tiempo de anclaje.

En particular, la búsqueda de valores candidatos se puede realizar nuevamente paso a paso, por ejemplo, paso a paso en el pasado. Si se identificaron uno o más valores candidatos, con tiempos candidatos asignados respectivamente, es posible en particular definir un intervalo de tiempo candidato sobre estos valores candidatos, cuyo intervalo de tiempo candidato corresponde al intervalo de tiempo actual, por ejemplo, en términos de su duración y/o su alineación relativa con respecto al tiempo candidato. Por tanto, por ejemplo, el intervalo de tiempo candidato se puede definir de modo que este último comience al mismo tiempo desde el tiempo candidato como lo hace el intervalo de tiempo actual desde el tiempo de medición actual. De forma alternativa, o además de esto, el final del intervalo de tiempo candidato se puede fijar de modo que tenga el mismo tiempo desde el tiempo candidato que el final del intervalo de tiempo de comparación hasta el tiempo de anclaje. De esta y/u otra forma, es posible determinar al menos un intervalo de tiempo, más en particular respectivamente al menos un intervalo de tiempo, con respecto al al menos un tiempo candidato establecido, cuyo al menos un intervalo de tiempo es para el tiempo candidato establecido como el intervalo de tiempo de comparación es para el tiempo de anclaje. Los valores de medición adquiridos durante el intervalo de tiempo candidato y, opcionalmente, los tiempos de medición asociados, se pueden identificar como patrón candidato. El patrón candidato se puede comparar con el patrón de comparación durante la etapa de reconocimiento de patrones, por ejemplo, nuevamente en una sola etapa o de lo contrario en una pluralidad de etapas, por ejemplo, en primer lugar en una etapa de identificación de patrones aproximados y, opcionalmente, posteriormente en al menos una etapa de reconocimiento de patrones refinados. En particular, la comparación de patrones entre el patrón candidato y el patrón de comparación se puede, nuevamente, como se describe anteriormente, llevar a cabo punto por punto y/o se puede someter a criterios de terminación para, opcionalmente, poder acelerar la comparación de patrones y terminarla prematuramente. Una o más condiciones determinantes en el registro de datos de medición también se pueden tener en cuenta, nuevamente, durante la búsqueda de valores candidatos, como se describe anteriormente. En particular, la etapa de reconocimiento de patrones se puede llevar a cabo nuevamente, paso a paso, en el que, comenzando a partir del tiempo candidato, existe preferentemente en primer lugar una etapa de reconocimiento de patrones aproximados y, posteriormente, si la etapa de reconocimiento de patrones aproximados ha dado lugar a una correspondencia, al menos una etapa de reconocimiento de patrones refinados. En particular, la etapa de reconocimiento de patrones puede, comenzando a partir del tiempo candidato, retroceder paso a paso al pasado. Sin embargo, en principio, también son posibles otras direcciones de búsqueda o esquemas de búsqueda.

En particular, el procedimiento propuesto en uno o más de los modos de realización descritos anteriormente se puede llevar a cabo en línea, preferentemente en tiempo real. En particular, el registro de datos de medición se puede actualizar, por ejemplo, de forma continua o también discontinua, mediante valores de medición recién añadidos. Las etapas de procedimiento b) y/o c) se pueden repetir a continuación, respectivamente o juntas, con los valores de medición recién añadidos, preferentemente con cada valor de medición recién añadido. En particular, esta repetición puede tener lugar automáticamente, sin que esto requiera una acción del usuario; por ejemplo, se puede desencadenar mediante la adición de un nuevo valor de medición y/o mediante la adición de una nueva condición determinante.

Para evitar incrementos demasiado significativos en la reserva de datos del registro de datos de medición y, opcionalmente, un incremento en la duración del procedimiento requerida para el procedimiento conectado a esta, el registro de datos de medición también se puede modificar a intervalos regulares o irregulares borrando los datos individuales o una serie de entradas de datos y/o sobrescribiendo estos datos. Por tanto, por ejemplo, el procedimiento se puede llevar a cabo de modo que si se añaden nuevos valores de medición, los valores de medición más antiguos en el registro de datos se borran y/o se sobrescriben. A modo de ejemplo, se puede hacer uso de una memoria intermedia circular y/o una memoria intermedia de primera entrada-primera salida (FIFO) para este propósito. A modo de ejemplo, el registro de datos de medición siempre puede comprender valores de medición de un período de medición de igual duración, en particular una duración de entre 1 semana y 6 meses, preferentemente entre 1 mes y 5 meses, y en particular preferentemente 3 meses. Sin embargo, en principio, también son posibles otros períodos de medición. En particular, como se describe anteriormente, los valores de medición se pueden adquirir, durante la etapa de adquisición de datos, a intervalos de tiempo regulares o irregulares. En particular, es posible la adquisición de datos en la que los valores de medición se adquieren a intervalos de tiempo desde 1 minuto hasta 10 minutos, preferentemente a intervalos de tiempo de 5 minutos. El registro de datos puede ser proporcionado por una base de datos como se menciona más adelante.

En particular, la etapa de reconocimiento de patrones se puede llevar a cabo repetidamente. La etapa de reconocimiento de patrones se puede proporcionar mediante un algoritmo de coincidencia de patrones como se menciona más adelante. En particular, esto se puede lograr en virtud del hecho de que, en el caso de repeticiones, se tienen en cuenta valores de medición del registro de datos de medición que en cada caso retroceden más en el tiempo. Por tanto, por ejemplo, la etapa de reconocimiento de patrones se puede llevar a cabo punto por punto y paso a paso en el pasado, por ejemplo, comenzando a partir del tiempo de anclaje, por ejemplo, el tiempo actual y/o el tiempo candidato. Si se prevé una pluralidad de etapas de reconocimiento de patrones, por ejemplo, en forma de al menos una etapa de reconocimiento de patrones aproximados y al menos una etapa de reconocimiento de patrones refinados, estas etapas de reconocimiento de patrones se pueden llevar a cabo cada una punto por punto en el pasado, por ejemplo, con los criterios de terminación descritos anteriormente si se determina una no correspondencia de uno o más valores de medición.

Otros posibles modos de realización del procedimiento propuesto se refieren al caso en el que se establecen uno o más patrones que corresponden al patrón de comparación. Por tanto, en una posible variante de procedimiento, el procedimiento se puede llevar a cabo de modo que si se encuentra al menos un patrón correspondiente al patrón de comparación, se cuantifique una correspondencia, en particular por medio de al menos una correlación. A modo de ejemplo, se pueden aplicar funciones de correlación discretas o continuas para cuantificar la correspondencia entre el patrón de comparación, por ejemplo, el patrón actual y/o el patrón de interés, y el patrón correspondiente, por ejemplo, por medio de al menos un valor de correlación. Sin embargo, en principio, también se pueden usar otras cuantificaciones del grado de correspondencia como alternativa o además de esto, por ejemplo, un valor medio de las desviaciones de los valores de medición individuales o cuantificaciones similares. En particular, el resultado de esta cuantificación se puede indicar al usuario y/o al facultativo médico tratante o procesarse por otros medios, por ejemplo mediante transmisión a uno o más instrumentos o componentes de instrumento, por ejemplo, a al menos un ordenador de facultativo médico.

De acuerdo con una primera alternativa, la cuantificación de la correspondencia se refiere a los valores candidatos y al registro de datos de medición que incluye un sesgo. El sesgo representa el nivel absoluto de los valores candidatos y el registro de datos de medición. El sesgo es sustancialmente constante en el tiempo. En particular, el sesgo se refiere a un nivel base que es constante en el tiempo o varía lentamente, en el que la variación se refiere a variaciones sustancialmente más lentas definidas por el patrón. Además, el sesgo puede variar de acuerdo con las derivas que se produzcan en un sensor debido al envejecimiento. Un sesgo que es sustancialmente constante en el tiempo incluye tanto un sesgo que es constante en el tiempo como un sesgo que varía lentamente. Esta variación lenta es sustancialmente más lenta que las variaciones del patrón, es decir, las variaciones reflejadas por una representación dinámica de los valores candidatos y/o el registro de datos de medición.

De acuerdo con una segunda alternativa, la cuantificación de la correspondencia se refiere a una representación dinámica de los valores candidatos y/o del registro de datos de medición. La representación dinámica excluye el sesgo. La representación dinámica refleja variaciones debidas a los procesos de metabolismo del paciente y/o debidas a cambios en el metabolismo del paciente, por ejemplo, debido a las condiciones determinantes que se dan en el presente documento. Nuevamente, el sesgo no incluido por la representación dinámica refleja el nivel absoluto de los valores candidatos y el registro de datos de medición.

Por tanto, en la primera alternativa, el sesgo, también se aborda al proporcionar la correspondencia, además de la representación dinámica. En la segunda alternativa, solo se abordan los componentes que varían dinámicamente de los valores candidatos y el registro de datos de medición. La variación dinámica refleja la forma de un patrón y no incluye componentes constantes o de variación lenta reflejados por el sesgo. La segunda alternativa proporciona una correspondencia completa, si la variación dinámica, es decir, el desarrollo o progresión de los valores candidatos, corresponde al desarrollo o progresión del registro de datos de medición. En la primera alternativa, se da una correspondencia completa, si adicionalmente el sesgo o el nivel constante o que varía solo lentamente de los valores candidatos corresponde al sesgo o nivel del registro de datos de medición. El valor de anclaje que se da en el presente documento se puede ver como sesgo. Se puede predefinir un límite de tasa de variación o una frecuencia límite correspondiente para distinguir la representación dinámica del sesgo.

De acuerdo con la invención, la cuantificación de la correspondencia se refiere a los valores candidatos y al registro de datos de medición que incluye el sesgo. El sesgo es sustancialmente constante en el tiempo. De forma alternativa, la cuantificación de la correspondencia se refiere a una representación dinámica de los valores candidatos y a una representación dinámica del registro de datos de medición que excluyen el sesgo. En particular, el sesgo representa el nivel absoluto de los valores candidatos y el registro de datos de medición.

El procedimiento puede comprender las etapas de procedimiento descritas anteriormente en la secuencia ilustrada o también en otra secuencia. En particular, se puede llevar a cabo una o más etapas de procedimiento de forma iterativa o repetida. En particular, el procedimiento se puede llevar a cabo de tal manera que la etapa de selección de patrones y la etapa de reconocimiento de patrones se lleven a cabo de forma iterativa, por ejemplo, llevando a cabo la etapa de selección de patrones y, posteriormente, la etapa de reconocimiento de patrones con cada valor de medición recién añadido o, respectivamente, con los valores de medición recién añadidos seleccionados.

El procedimiento o parte del mismo, en particular las etapas de procedimiento b) y/o c), se pueden iniciar de diversas formas. A modo de ejemplo, puede existir un inicio automático como alternativa a un inicio manual o además de esto. A modo de ejemplo, el procedimiento y/o una o ambas etapas de procedimiento b) y c) se pueden iniciar automáticamente cuando se adquiere un nuevo valor de medición. En otra alternativa, o además de esto, puede existir, por ejemplo, un inicio automático del procedimiento y/o una o ambas etapas de procedimiento b) y c) cuando se registra una nueva condición determinante, por ejemplo, si una nueva entrada de diario electrónico se registra, por ejemplo, una ingesta de alimentos, y/o si se registra otro tipo de condición determinante mediante adquisición automática y/o entrada manual. En otra alternativa o además de esto, otros eventos pueden actuar como eventos desencadenantes de procedimiento.

Además, el procedimiento puede comprender en particular al menos una etapa de interacción, en el que, durante la etapa de interacción, al menos un resultado de la etapa de reconocimiento de patrones se procesa y/o indica al usuario. En este sentido, el término "procesamiento" se debe considerar bastante amplio y, en principio, comprende todas las posibles acciones automáticas, semiautomáticas o manuales que se pueden llevar a cabo usando el resultado de la etapa de reconocimiento de patrones. En particular, el procesamiento puede comprender almacenar, transmitir, mostrar, combinar con otros resultados u otras etapas de procedimiento.

Si el resultado de la etapa de reconocimiento de patrones se indica al usuario, esto se puede realizar de diferentes maneras, por ejemplo, de forma electrónica, visual, acústica, háptica o combinando las opciones mencionadas anteriormente y/u otras opciones. En particular, puede existir una pantalla en un elemento de visualización. En particular, al menos un patrón, identificado durante la etapa de reconocimiento de patrones y correspondiente al patrón de comparación, se puede mostrar por medio de al menos un elemento de visualización durante la etapa de interacción.

Además, al menos un posible perfil futuro de los valores de medición se puede establecer y/o mostrar de forma alternativa o adicionalmente en la etapa de interacción, por ejemplo, por medio de al menos un elemento de visualización. En general, el al menos un posible perfil futuro se puede, por ejemplo, mostrar, almacenar, transmitir o usar de cualquier otra forma.

A modo de ejemplo, el procedimiento se puede llevar a cabo de modo que el patrón de comparación, en particular el patrón actual y/o el patrón de interés, y al menos un patrón que se estableció en la etapa de reconocimiento de patrones y que corresponde al patrón de comparación, se muestren en la etapa de interacción. Opcionalmente, además, se puede mostrar al menos una ruta de errores en la etapa de interacción.

Además, al menos una condición determinante que se correlaciona en el tiempo con el patrón correspondiente, se puede mostrar de forma alternativa o adicionalmente en la etapa de interacción. A modo de ejemplo, una condición determinante que se correlaciona en el tiempo se puede entender como una condición determinante que se registró dentro del intervalo de tiempo dentro del cual se adquirió el patrón correspondiente o una condición determinante que está en un contexto temporal cercano con este intervalo de tiempo, por ejemplo, al ser registrado fuera de este intervalo de tiempo por no más de una tolerancia de tiempo prescrita. A modo de ejemplo, se pueden prescribir tolerancias de tiempo de unos pocos minutos hasta una hora como condición determinante en el caso de la ingesta de alimentos.

Además, en la etapa de interacción se puede mostrar al menos un posible perfil futuro del registro de datos de medición. En particular, un posible perfil futuro de los valores de medición, cuyo perfil se ha unido al patrón que corresponde al patrón de comparación, en particular, el patrón actual y/o el patrón de interés, se puede, durante la etapa de interacción, mostrar en forma de gráfico en el elemento de visualización, superpuesto al patrón actual. En lugar de mostrar un único patrón correspondiente establecido, o además de esto, también es posible crear un patrón general establecido a partir de una pluralidad de patrones correspondientes, por ejemplo, un patrón promediado. En términos generales, durante la etapa de interacción, es posible, por ejemplo, someter uno o más patrones, identificados en la etapa de reconocimiento de patrones y correspondientes al patrón de comparación, a un análisis, en particular, a un análisis estadístico, preferentemente bajo formación de un patrón promediado y/o una ruta de errores. En el proceso, se puede crear al menos un patrón promediado en particular y, opcionalmente, mostrarse.

A modo de ejemplo, se puede calcular un perfil futuro de los valores de medición en base a uno o más algoritmos prescritos. A modo de ejemplo, dichos algoritmos pueden comprender un promedio del perfil del patrón establecido en la etapa de reconocimiento de patrones y/u otro procedimiento para predecir el perfil futuro. A modo de ejemplo, el perfil futuro se puede establecer comenzando a partir del tiempo actual y/o el tiempo presente. A modo de ejemplo, el perfil futuro se puede, como se ilustra anteriormente, mostrar, almacenar, transmitir (por ejemplo, a otro dispositivo, por ejemplo a un ordenador u otro ordenador) o usar de cualquier otra forma. Además, el patrón de comparación correspondiente al patrón candidato se puede mostrar o se puede proporcionar como salida de otra manera. Preferentemente, se puede mostrar una condición determinante asociada al patrón de comparación o se puede proporcionar como salida de otra manera.

El al menos un algoritmo, que se puede utilizar para calcular un perfil futuro con antelación, puede, en principio, ser también total o parcialmente idéntico a al menos un algoritmo que también se usa en la al menos una etapa de identificación de patrones. En principio, el al menos un algoritmo se puede prescribir de forma fija o se puede realizar de forma variable, por ejemplo, se puede actualizar con nuevos descubrimientos. El al menos un algoritmo y/o el posible perfil futuro de los valores de medición predichos por medio de este algoritmo también pueden, por ejemplo, ser modificables dependiendo del comportamiento del usuario y/o del tratamiento. A modo de ejemplo, es posible establecer una pluralidad de probables perfiles futuros, dependientes de diferentes comportamientos y/o diferentes tratamientos. A modo de ejemplo, diferentes sugerencias de tratamiento pueden dar lugar a diferentes perfiles futuros predichos de los valores de medición. A modo de ejemplo, estos diferentes perfiles también se pueden mostrar durante la etapa de interacción o usarse de forma diferente.

De forma alternativa, o además de esto, se puede generar al menos una instrucción para el usuario en la etapa de interacción y, opcionalmente, emitir, por ejemplo, mediante una representación gráfica y/o acústica y/o háptica. En particular, esta instrucción se puede seleccionar de una o más de las siguientes instrucciones: una advertencia con respecto a la presencia de un estado corporal fisiológico crítico; una advertencia con respecto a un posible estado corporal fisiológico crítico que se avecina en un futuro próximo; una sugerencia para consultar a un experto médico, en particular a un facultativo médico, una sugerencia con respecto a la medicación; una sugerencia de comportamiento, en particular con respecto a la ingesta de alimentos y/o el esfuerzo físico.

Como se explica anteriormente, una, más o todas las etapas de procedimiento se pueden llevar a cabo, incluso repetidamente, por sí mismas o en grupos. Por tanto, por ejemplo, la selección repetida de un intervalo de tiempo de comparación puede finalmente cubrir todo el tiempo, o parte del tiempo, durante el cual se adquirieron valores de medición, y/o se puede seleccionar una pluralidad de intervalos de tiempo de comparación y/o una pluralidad de posibles patrones de comparación, por ejemplo, en sucesión, para buscar patrones correspondientes en las respectivas etapas de reconocimiento de patrones. Por tanto, en un modo de realización preferente del procedimiento, las etapas de procedimiento b), c) y, opcionalmente, d) mencionadas anteriormente se llevan a cabo repetidamente, en el que se selecciona una pluralidad de patrones de comparación del registro de datos de medición, preferentemente en sucesión, y en el que se lleva a cabo al menos una etapa de reconocimiento de patrones usando cada uno de los patrones de comparación seleccionados. El término "una pluralidad de patrones de comparación" en este caso comprende al menos dos patrones de comparación, preferentemente más de dos y, por ejemplo, al menos el 10 %, en particular al menos el 50 % o incluso al menos el 80 % o al menos el 90 % de todos los posibles patrones de comparación que se pueden seleccionar del registro de datos de medición, en el que incluso todos los patrones de comparación posibles son seleccionables, es decir, el 100 % de los patrones de comparación posibles. Sin embargo, existen procedimientos también factibles en los que no es el caso que se seleccionan todos los patrones de comparación posibles que se pueden seleccionar del registro de datos de medición, sino simplemente, por ejemplo, un subconjunto de estos patrones de comparación posibles, por ejemplo, los patrones de comparación posibles que se adquieren respectivamente un día particular de la semana o subconjuntos similares.

Las correspondencias, respectivamente, que resultan opcionalmente de las etapas de reconocimiento de patrones se pueden combinar opcionalmente en grupos. En un modo de realización preferente, el procedimiento se lleva a cabo, por tanto, de modo que los patrones correspondientes establecidos durante las etapas de reconocimiento de patrones se combinan en grupos de patrones correspondientes respectivamente. Por tanto, por ejemplo, se pueden formar uno o más grupos de patrones correspondientes, que pueden comprender respectivamente uno o más patrones que se corresponden entre sí. A modo de ejemplo, se puede formar un primer grupo, en el que un primer tipo de patrones está contenido en el primer grupo, en el que los patrones en el primer grupo se corresponden entre sí, en el que, preferentemente, se forma al menos un segundo grupo, en el que un segundo tipo de patrones está contenido en el segundo grupo, cuyos patrones se corresponden entre sí, en el que, preferentemente, se forman otros grupos con otros tipos de patrones, cuyos patrones se corresponden entre sí. A modo de ejemplo, los grupos se pueden formar de modo que se reconozca respectivamente durante la etapa de selección de patrones si el patrón de comparación seleccionado respectivamente ya se ha asignado a un grupo. Si este es el caso, también se asignan a este grupo aquellos patrones que corresponden al patrón de comparación y se establecen en la etapa de reconocimiento de patrones asociados. Si este no es el caso y si el patrón de comparación seleccionado respectivamente no pertenece aún a un grupo, se puede formar un nuevo grupo, se puede asignar el patrón de comparación a este nuevo grupo y aquellos patrones que corresponden al patrón de comparación y se establecen en la etapa de reconocimiento de patrones asociados se pueden asignar al nuevo grupo.

En general, es posible formar uno o más grupos de patrones correspondientes. Los grupos de patrones correspondientes se pueden someter a al menos un análisis, en particular un análisis estadístico, en particular comparando los grupos encontrados. Por tanto, por ejemplo, se pueden formar distribuciones de frecuencia de los grupos y/u otros análisis estadísticos. Además, es posible de forma alternativa o adicionalmente, por ejemplo, que al menos un resultado de esta formación de grupo también se use en al menos una etapa de interacción opcional. Por tanto, por ejemplo, los grupos establecidos pueden ser indicados a un usuario y/o a otro instrumento, por ejemplo, indicando los grupos y/o al menos un resultado de al menos un análisis a un usuario por medio de al menos un elemento de visualización.

En otro aspecto de la presente invención se propone un programa informático, cuyo programa informático tiene un código de programa para llevar a cabo el procedimiento según uno o más de los modos de realización descritos anteriormente cuando el programa se ejecuta en un ordenador y/o un procesador y/o una red informática. Aquí, en principio, se puede entender por ordenador cualquier dispositivo electrónico de procesamiento de datos que se pueda configurar para llevar a cabo un programa. El dispositivo de procesamiento de datos puede comprender uno o más procesadores y, opcionalmente, una o más memorias intermedias de datos volátiles y/o no volátiles. El dispositivo de procesamiento de datos también puede estar integrado, total o parcialmente, en al menos un instrumento que, además del procesamiento de datos, puede servir al menos para un propósito adicional, por ejemplo, un teléfono móvil como, por ejemplo, un teléfono inteligente. Aquí, una red informática se debe entender como una colección de al menos dos ordenadores que pueden interactuar y que pueden intercambiar datos o instrucciones, por ejemplo, por medio de una o más conexiones inalámbricas o alámbricas tal como Internet o una red de área local, por ejemplo. En particular, el programa informático se puede almacenar en un soporte legible por máquina.

El programa informático puede, en particular, comprender medios de código de programa para llevar a cabo una configuración del procedimiento de acuerdo con la invención. En particular, los medios de código de programa se pueden almacenar en un medio de datos legible por ordenador. Además, se propone un medio de datos, en el que se almacena una estructura de datos, que después de ser cargada en la memoria de acceso aleatorio y/o la memoria principal de un ordenador o red informática, puede ejecutar una configuración del procedimiento de acuerdo con la invención.

Además, se propone un producto de programa informático, con medios de código de programa, almacenados en un medio legible por máquina, para llevar a cabo una configuración del procedimiento de acuerdo con la invención cuando el programa se ejecuta en un ordenador o red informática. Aquí, dentro del alcance de un producto de programa informático, se entiende que el programa se refiere a un producto negociable. En principio, se puede presentar de cualquier forma, por ejemplo, en papel o en un medio de datos legible por ordenador, o en particular se puede distribuir a través de una red de transmisión de datos. Además, la invención también se puede implementar dentro del alcance de una señal de datos modulada, que contiene instrucciones que pueden ser ejecutadas por un sistema informático o una red informática para llevar a cabo el procedimiento según uno de los modos de realización descritos.

En otro aspecto de la presente invención se propone un dispositivo para analizar valores de medición fisiológicos de un usuario. En particular, el dispositivo se puede configurar para llevar a cabo un procedimiento según uno o más de los modos de realización descritos anteriormente. En consecuencia, con respecto a posibles modos de realización del dispositivo, se puede hacer referencia en gran medida a la descripción anterior de modos de realización opcionales del procedimiento. En particular, el dispositivo puede comprender al menos un dispositivo de procesamiento de datos, en particular un microcontrolador, que se puede configurar en términos de programación para llevar a cabo las etapas de procedimiento según uno o más de los modos de realización descritos anteriormente. El dispositivo para analizar los valores de medición fisiológicos de un usuario y el sistema de monitoreo de pacientes son términos equivalentes para la misma materia objeto.

El dispositivo comprende:

a) al menos un dispositivo de adquisición de datos para adquirir valores de medición fisiológicos del usuario y almacenarlos en al menos un registro de datos de medición.

Aquí, la adquisición de datos, como se describe anteriormente, se debe considerar en términos muy amplios y, en principio, puede comprender la medición real, pero también puede comprender la adopción de datos derivados, que se derivan de los datos de medición reales, y/o la adopción de datos desde otro dispositivo. En consecuencia, el dispositivo de adquisición de datos puede comprender, por ejemplo, un dispositivo de medición y/o una interfaz para adoptar valores de medición fisiológicos desde otro dispositivo, por ejemplo, un sensor externo. La función de adquisición de datos también puede ser proporcionada por un dispositivo de entrada de datos fisiológicos como se menciona más adelante.

b) al menos un dispositivo de selección de patrones, en el que el dispositivo de selección de patrones está diseñado para seleccionar valores de medición adquiridos durante al menos un intervalo de tiempo de comparación como al menos un patrón de comparación.

El dispositivo de selección de patrones puede, en particular, ser total o parcialmente un componente de un dispositivo de procesamiento de datos, por ejemplo, un ordenador, microordenador o dispositivos de procesamiento de datos similares. En particular, el dispositivo de selección de patrones puede comprender un dispositivo de procesamiento de datos, configurado en términos de programación para implementar la etapa de selección de patrones descrita anteriormente en uno o más de los modos de realización descritos anteriormente.

c) al menos un dispositivo de reconocimiento de patrones, en el que el dispositivo de reconocimiento de patrones está diseñado para buscar patrones correspondientes al patrón de comparación en el registro de datos de medición.

Este dispositivo de reconocimiento de patrones también se puede implementar total o parcialmente como un componente de un dispositivo de procesamiento de datos, en particular de un dispositivo de procesamiento de datos configurado en términos de programación para llevar a cabo una etapa de reconocimiento de patrones según uno o más de los modos de realización descritos anteriormente. Este dispositivo de procesamiento de datos puede ser total o parcialmente idéntico, en términos de componentes, al dispositivo de procesamiento de datos en que el dispositivo de selección de patrones puede estar total o parcialmente comprendido de modo que, por ejemplo, los componentes b) y c) se pueden implementar total o parcialmente como un componente idéntico. El dispositivo de reconocimiento de patrones puede ser implementado por el procesador mencionado más adelante.

El dispositivo puede comprender además al menos un dispositivo de medición para medir valores de medición fisiológicos, en particular al menos un sensor, por ejemplo, un sensor a largo plazo para la adquisición de analitos a largo plazo según uno o más de los modos de realización descritos anteriormente. Otros modos de realización también son factibles.

El dispositivo para el análisis de los valores de medición fisiológicos puede tener un diseño integral o de múltiples partes, es decir, puede estar configurado como un sistema central o también, por ejemplo, como un dispositivo descentralizado con una pluralidad de componentes individuales, que preferentemente se pueden comunicar entre sí. En consecuencia, el al menos un dispositivo de medición también se puede, por ejemplo, integrar en uno o más de otros componentes del dispositivo para analizar valores de medición fisiológicos; sin embargo, también se puede conectar a estos componentes para formar, por ejemplo, un sistema y comunicarse con uno o más de estos componentes, por ejemplo, por medio de una o más interfaces, que pueden tener, por ejemplo, un diseño cableado o inalámbrico.

En particular, el dispositivo para analizar valores de medición fisiológicos puede comprender al menos un instrumento portátil. A modo de ejemplo, este instrumento portátil se puede configurar de modo que un usuario pueda llevarlo en un bolsillo, por ejemplo en el bolsillo de una chaqueta o en el bolsillo de un pantalón. En consecuencia, el instrumento portátil puede comprender, por ejemplo, dimensiones que no superen los 20 cm en cualquier dimensión, en particular no más de 15 cm en cualquier dimensión. A modo de ejemplo, el instrumento portátil también se puede integrar total o parcialmente en otros tipos de instrumentos portátiles, por ejemplo, instrumentos de telecomunicaciones móviles tal como teléfonos móviles, en particular teléfonos inteligentes, en instrumentos de procesamiento de datos móviles tal como asistentes digitales personales (PDA) u otros instrumentos portátiles móviles. En particular, el dispositivo de adquisición de datos, el dispositivo de selección de patrones y el dispositivo de reconocimiento de patrones pueden ser cada uno un componente del instrumento portátil, al menos en parte.

El procedimiento propuesto, el programa informático y el dispositivo tienen una serie de ventajas sobre los procedimientos, programas informáticos y dispositivos conocidos del tipo mencionado anteriormente. En particular, la invención proporciona la opción de consideración automática, por ejemplo, retrospectiva, de valores de medición medidos, por ejemplo, valores de medición de glucosa actuales o valores de medición de glucosa de interés, y datos históricos y/u otros datos en un registro de datos de medición. Aquí, se puede prestar especial atención al perfil anterior de este valor de medición, por ejemplo, para encontrar una situación histórica del usuario que sea lo más idéntica posible a la situación actual del usuario, para, por ejemplo, proporcionar al usuario la opción de reaccionar de manera ideal a la situación actual. Con este fin, se puede hacer uso no solo de los valores de medición y sus perfiles, sino también de otros valores y/o condiciones determinantes tal como, por ejemplo, el bolo de insulina, la hora del día, los niveles de estrés u otros eventos tales como, por ejemplo, las comidas, actividades físicas o sensibilidades físicas, para poder encontrar y mostrar el tiempo de medición histórico ideal. El procedimiento de reducción de datos propuesto opcionalmente en particular permite someter los datos de medición a una cuadrícula temporal, que ofrece una opción rápida para comparar perfiles de medición entre sí. En consecuencia, también es fácil implementar el procedimiento propuesto en línea y preferentemente como un procedimiento en tiempo real, en pequeños instrumentos portátiles. Además, el procedimiento en general no requiere ninguna interacción del usuario, en contraste con los procedimientos descritos de la técnica anterior analizados anteriormente. En particular, el procedimiento se puede ejecutar en tiempo real, en línea y, preferentemente, completamente en segundo plano.

En particular, el procedimiento se puede llevar a cabo de modo que se establezca un posible perfil adicional a partir de uno o más de los patrones en el registro de datos de medición, cuyos patrones se establecieron para corresponder con el patrón de comparación. A modo de ejemplo, se puede mostrar un perfil actual y un perfil adicional posible o probable del registro de datos de medición. A modo de ejemplo, se puede hacer que el perfil adicional dependa de un grado de correspondencia entre el patrón de comparación y el patrón establecido. Además, opcionalmente también se pueden establecer una o más condiciones determinantes que, por ejemplo, han mostrado un efecto positivo en el pasado y también podrían constituir medidas convenientes dentro del alcance del perfil actual de los datos de medición fisiológicos.

El patrón de comparación, por ejemplo, el patrón actual, puede formar en particular una parte, más en particular una parte actual, a partir de datos de monitoreo continuo. La búsqueda de las partes que se ajustan a la parte, por ejemplo, las partes históricas que se ajustan a la parte actual, que a menudo también se denomina coincidencia de patrones, se puede llevar a cabo de forma automatizada y, en particular, de forma optimizada usando el procedimiento de indexación descrito anteriormente en la reserva de datos actual o en el archivo de datos históricos de un paciente que usa mediciones de monitoreo continuo. Si se realiza una solicitud de búsqueda, esta búsqueda puede analizar en ese momento la reserva de datos, en particular en base a la indexación mencionada anteriormente, que se puede realizar en segundo plano, en particular cuando se almacenan nuevos valores de medición.

Con respecto a las posibles condiciones determinantes, el conocimiento sobre el historial recopilado, por ejemplo, en las entradas del diario, que están disponibles en paralelo, se puede establecer en relación con el perfil actual y en ese momento de los datos de medición. En particular, al comparar actualmente el perfil actual, es decir, el patrón actual, con el perfil anterior, en particular patrones candidatos identificados, en particular en todos los momentos posibles, preferentemente teniendo en cuenta las condiciones determinantes anteriores (por ejemplo, información del diario con respecto a la hora del día, comidas, tratamiento, movimiento, factores individuales tales como enfermedad o estrés o condiciones determinantes similares) esto puede dar lugar a una comprensión profunda de la situación metabólica y de las regularidades y desviaciones observables. Además, un posible desarrollo incorrecto se puede indicar mediante un mensaje de advertencia de modo que el usuario tenga más tiempo para tomar las medidas correctivas adecuadas. Preferentemente, otros valores y/o condiciones determinantes como los enumerados a modo de ejemplo anteriormente por una parte y las etiquetas de datos o etiquetas de datos relevantes se refieren al mismo rasgo característico. En particular, los otros valores y/o condiciones determinantes se pueden usar como etiquetas de datos y las etiquetas de datos se pueden usar como otros valores y/o condiciones determinantes como se enumeran en el presente documento. Las etiquetas de datos, otros valores y/o condiciones determinantes se pueden asociar a valores de medición físicos, a un intervalo de tiempo en el que se adquieren los valores de medición físicos, a un conjunto de datos, en particular. Además, se puede obtener información adicional proporcionada al usuario sobre cómo puede influir en posibles desarrollos futuros. Este procedimiento puede ayudar a reaccionar en una situación actual como resultado de un tiempo de reacción rápido y, de forma alternativa, puede respaldar retrospectivamente la evaluación de datos históricos.

A continuación, la invención se divulga mediante ejemplos generales, que se pueden combinar con modos de realización o rasgos característicos dados a lo largo de la descripción, las reivindicaciones y las figuras y, en particular, dados en las figuras 4 - 20 y los pasajes de descripción que se refieren a las mismas.

En un ejemplo, se divulga un sistema de monitoreo de pacientes. El sistema puede comprender: un dispositivo de entrada de datos fisiológicos que adquiere una pluralidad de mediciones fisiológicas del paciente dentro de una ventana de tiempo, generando de este modo al menos un conjunto de datos de ventana de tiempo; una memoria que almacena un algoritmo de coincidencia de patrones; una base de datos para almacenar el al menos un conjunto de datos de ventana de tiempo; y un procesador en comunicación con dicho dispositivo de entrada para recibir dicho al menos un conjunto de datos de ventana de tiempo generado, y en comunicación con dicha memoria para ejecutar dicho algoritmo de coincidencia de patrones. El algoritmo de coincidencia de patrones cuando es ejecutado por dicho procesador hace que dicho procesador comprima el al menos un conjunto de datos de ventana de tiempo, almacene el al menos un conjunto de datos de ventana de tiempo comprimido y realice una coincidencia de patrones entre un patrón de referencia y el al menos un conjunto de datos de ventana de tiempo almacenado usando una métrica de distancia proporcionada por el algoritmo de coincidencia de patrones.

En otro ejemplo, se divulga un medio legible por ordenador no transitorio que almacena un programa que, cuando es ejecutado por un procesador, hace que el procesador realice al menos una coincidencia de patrones entre un patrón de referencia y al menos un conjunto de datos de ventana de tiempo almacenado recopilado por medio de un sistema de monitoreo de pacientes que usa una métrica de distancia.

En todavía otro ejemplo, se divulga un procedimiento para identificar un evento relacionado con la diabetes en un paciente usando un sistema de monitoreo de pacientes que comprende un dispositivo de entrada de datos fisiológicos y un procesador. El procedimiento comprende recibir automáticamente desde el dispositivo de entrada de datos fisiológicos al menos un conjunto de datos de ventana de tiempo indicativo de una medición fisiológica relacionada con el evento relacionado con la diabetes; asociar automáticamente usando el procesador el al menos un conjunto de datos de ventana de tiempo con una etiqueta de datos; transformar automáticamente usando el procesador el al menos un conjunto de datos de ventana de tiempo asociado en al menos un conjunto de datos de ventana de tiempo normalizado, en el que el al menos un conjunto de datos de ventana de tiempo normalizado tiene una media de cero y una desviación estándar de uno, comprimir automáticamente usando el procesador el al menos un conjunto de datos de ventana de tiempo normalizado en al menos un conjunto de datos de ventana de tiempo comprimido, y hacer coincidir patrones, usando automáticamente el procesador, entre un patrón de referencia y el al menos un conjunto de datos de ventana de tiempo comprimido usando una métrica de distancia.

En todavía otro ejemplo, se divulga un procedimiento para la identificación en tiempo real de un evento relacionado con la diabetes en un paciente que usa un sistema de monitoreo de pacientes que comprende un dispositivo de entrada de datos fisiológicos, un dispositivo de entrada de usuario y un procesador. El procedimiento comprende recibir automáticamente desde el dispositivo de entrada del usuario al menos un patrón de referencia y una señal de alerta asociada; recibir automáticamente desde el dispositivo de entrada de datos fisiológicos al menos un conjunto de datos de ventana de tiempo indicativo de una medición fisiológica relacionada con el evento relacionado con la diabetes; asociar automáticamente usando el procesador el al menos un conjunto de datos de ventana de tiempo con una etiqueta de datos; transformar automáticamente usando el procesador el al menos un conjunto de datos de ventana de tiempo asociado en al menos un conjunto de datos de ventana de tiempo normalizado, en el que el al menos un conjunto de datos de ventana de tiempo normalizado tiene una media de cero y una desviación estándar de uno; comprimir automáticamente usando el procesador el al menos un conjunto de datos de ventana de tiempo normalizado

en al menos un conjunto de datos de ventana de tiempo comprimido; almacenar automáticamente usando el

procesador el al menos un conjunto de datos de ventana de tiempo comprimido; y hacer coincidir patrones

automáticamente usando el procesador entre el patrón de referencia y el al menos un conjunto de datos de ventana de

tiempo almacenado usando una métrica de distancia, en el que cuando la métrica de distancia es menor que £, el

procesador desencadena automáticamente la alerta.

Breve descripción de las figuras

Aunque la memoria descriptiva concluye con las reivindicaciones, que señalan en particular y reivindican claramente la

invención, se cree que la presente invención se comprenderá mejor a partir de la siguiente descripción de

determinados ejemplos tomados junto con los dibujos adjuntos.

Otros detalles y rasgos característicos de la invención surgen de la siguiente descripción de modos de realización

ejemplares preferentes, en particular, junto con las reivindicaciones dependientes. Aquí, los rasgos característicos

respectivos se pueden implementar por sí mismos o varios de ellos se pueden implementar juntos en combinación. La

invención no está restringida a los modos de realización ejemplares. Los modos de realización ejemplares se ilustran

esquemáticamente en las figuras. En los dibujos, los mismos números representan los mismos elementos en las

distintas vistas. En particular, los mismos signos de referencia en las figuras individuales indican elementos

equivalentes o funcionalmente equivalentes, o elementos que se corresponden entre sí en términos de sus funciones.

En detalle:

La figura 1 muestra un modo de realización ejemplar de un dispositivo de acuerdo con la invención para analizar

valores de medición fisiológicos de un usuario;

la figura 2 muestra un procedimiento para la reducción de datos de un registro de datos de medición; y

las figuras 3A a 3G muestran etapas de procedimiento de un procedimiento de acuerdo con la invención para analizar

valores de medición fisiológicos de un usuario.

La FIG. 4 representa un diagrama de una versión ejemplar de un sistema de monitoreo de pacientes asociado con un

paciente diabético.

La FIG. 5 representa un diagrama de bloques de la versión ejemplar del sistema de monitoreo de pacientes de la FIG.

4.

Las FIGS. 6(a)-6(e) representan formas ejemplares de mostrar diversos datos de un proceso de coincidencia de

patrones.

La FIG. 7 representa un diagrama de bloques de una versión ejemplar de un sistema de monitoreo de pacientes. La FIG. 8 representa un diagrama de bloques de una versión ejemplar de un sistema de monitoreo de pacientes. La FIG. 9 representa un diagrama de bloques de una versión ejemplar de un sistema de monitoreo de pacientes. La FIG.10 representa un diagrama de flujo de un proceso de coincidencia de patrones ejemplar usando un sistema de

monitoreo de pacientes.

La FIG. 11 representa un diagrama de flujo de un proceso de coincidencia de patrones en tiempo real ejemplar usando

un sistema de monitoreo de pacientes.

La FIG. 12 representa un diagrama de flujo de un proceso de algoritmo de inicialización para comprimir datos.

La FIG. 13 representa un gráfico de suma acumulativo ejemplar de los valores propios más grandes.

La FIG. 14 representa una curva ejemplar de cuatro vectores propios.

La FIG. 15 representa un diagrama de flujo de la fase de coincidencia y almacenamiento del proceso de coincidencia

de patrones de la FIG. 10.

Las FIGS. 16(a) y 16(b) representan curvas de coincidencia de patrones ejemplares que tienen una tendencia

descendente.

Las FIGS. 17(a) y 17(b) representan curvas de coincidencia de patrones ejemplares que tienen un pico.

Las FIGS. 18(a) - 18(c) representan visualizaciones ejemplares de curvas de coincidencia de patrones durante un período de tiempo de 4 horas.

Las FIGS. 19(a) - 19(e) representan visualizaciones ejemplares de curvas de coincidencia de patrones durante un período de tiempo de 2 horas.

La FIG. 20 representa una curva ejemplar del tiempo medio de búsqueda en un proceso de coincidencia de patrones.

Los dibujos no pretenden ser limitantes en modo alguno, y se contempla que se pueden llevar a cabo diversos modos de realización de la invención en una variedad de otras formas, incluyendo las que no se representan necesariamente en los dibujos. Los dibujos adjuntos incorporados y que forman parte de la memoria descriptiva ilustran varios aspectos de la presente invención y conjuntamente con la descripción sirven para explicar los principios de la invención; entendiéndose, sin embargo, que la presente invención no se limita a las disposiciones precisas mostradas.

La siguiente descripción de determinados ejemplos no se debe usar para limitar el alcance de la presente invención. Otros rasgos característicos, aspectos y ventajas de las versiones divulgadas en el presente documento resultarán evidentes para los expertos en la técnica a partir de la siguiente descripción, que es a modo de ilustración, uno de los mejores modos contemplados para llevar a cabo la invención. Como se observará, las versiones descritas en el presente documento son capaces de otros aspectos diferentes y obvios, todo sin apartarse de la invención. En consecuencia, los dibujos y las descripciones se deben considerar de naturaleza ilustrativa y no restrictiva.

Modos de realización ejemplares y descripción detallada

La figura 1 ilustra, a modo de ejemplo, un modo de realización ejemplar de un dispositivo 0110, de acuerdo con la invención, para analizar valores de medición fisiológicos de un usuario. En el modo de realización ejemplar ilustrado, el dispositivo 0110 está configurado como un instrumento portátil 0112, que puede comprender, por ejemplo, al menos un dispositivo de procesamiento de datos 0114, que se indica simplemente en la figura 1. A modo de ejemplo, este dispositivo de procesamiento de datos también puede actuar como dispositivo de adquisición de datos 0116, como dispositivo de selección de patrones 0118 o como dispositivo de reconocimiento de patrones 0120 o como parte de uno o más de los dispositivos mencionados anteriormente. Además, el instrumento portátil 0112 puede comprender una o más interfaces 0122, igualmente indicadas simplemente en la figura 1, por ejemplo, una o más interfaces inalámbricas, que también pueden actuar como un componente del dispositivo de adquisición de datos 0116. A modo de ejemplo, el instrumento portátil 0112 se puede comunicar con un elemento sensor por medio de la interfaz 0122, que puede ser, por ejemplo, una interfaz inalámbrica y comprender valores de medición.

Además, el instrumento portátil 0112 puede comprender por sí mismo opcionalmente (esto no se ilustra en la figura 1) al menos un dispositivo de medición, por ejemplo, un dispositivo de medición puntual, por ejemplo, en forma de un dispositivo de medición de tira reactiva, en particular, para llevar a cabo mediciones de calibración.

El instrumento portátil 0112 puede comprender además una o más interfaces de usuario 0124. En particular, las interfaces de usuario 0124 pueden comprender uno o más elementos de visualización 0126, como se ilustra en la figura 1, en particular una o más pantallas y/o pantallas táctiles. La figura 1 ilustra además, en una ilustración ampliada 0128, posibles contenidos de pantalla del elemento de visualización 0126. Aquí se representan las concentraciones de glucemia, en un eje vertical en pasos de 50 mg/dl, en función del tiempo de medición, ilustrado en el eje horizontal. Aquí, la figura 1 muestra, a modo de ejemplo, un modo de realización ejemplar en el elemento de visualización 0126, en el que se ilustra una curva 0130 de un perfil actual de los valores de medición hasta un tiempo presente 0132. Además, esto también se muestra en la figura 1, se puede mostrar opcionalmente una posible curva 0134 que, por ejemplo, ilustra un perfil de referencia, que se puede establecer, por ejemplo, usando un procedimiento de acuerdo con la invención. A modo de ejemplo, este perfil de referencia 0134 también se puede ilustrar más allá del tiempo presente 0132 y, por ejemplo, también puede ilustrar, por tanto, un perfil futuro probable. Además, se pueden marcar uno o más eventos 0136; a modo de ejemplo, estos caracterizan las condiciones determinantes 0138, por ejemplo, la ingesta de alimentos. No se analizarán más detalles aquí con más detalle; más bien, se puede hacer referencia, por ejemplo, a los siguientes modos de realización ejemplares de un procedimiento de acuerdo con la invención.

Usando las figuras 2 y 3A a 3G, en el siguiente texto se debe explicar un ejemplo de un procedimiento, de acuerdo con la invención, para analizar valores de medición fisiológicos de un usuario, en particular para analizar los valores de medición de glucosa, cuyo procedimiento también se puede implementar como programa informático, por ejemplo, en el instrumento portátil 0112. El instrumento portátil 0112 puede, más allá del alcance del dispositivo de procesamiento de datos 0114 o como parte del mismo, comprender además una o más memorias intermedias de datos 0140 para almacenar un registro de datos de medición. Esto también se indica simbólicamente en la figura 1.

El ejemplo descrito en el siguiente texto se puede, en particular, basar en el uso de un sistema de monitoreo continuo móvil. La memoria intermedia de datos 0140 se puede configurar, en particular, como una memoria intermedia circular o memoria intermedia de FIFO, y se pueden registrar valores de medición en etapas de adquisición de datos que se llevan a cabo repetida o continuamente. Los valores de medición, por ejemplo, los valores de medición actuales respectivamente de los últimos períodos de medición, se pueden recopilar opcionalmente en la memoria intermedia de datos 0140, por ejemplo, durante un período de tres meses. En este caso, el procedimiento se puede realizar de modo que los nuevos datos siempre sobrescriban las entradas más antiguas. De forma alternativa o además de esto, la reserva de datos también se puede intercambiar total o parcialmente, por ejemplo, transfiriéndola a un ordenador, por ejemplo, un sistema de ordenador personal, y añadiéndola allí a una reserva de datos. En principio, dicha reserva de datos global en un instrumento externo también se puede procesar usando el procedimiento descrito aquí.

La figura 3A muestra una adquisición de datos de medición, que, de una manera ejemplar, se produce hasta un tiempo presente 0132 en este ejemplo. Sin embargo, en principio, también son posibles otras adquisiciones, por ejemplo, el procesamiento de datos de medición puramente históricos dentro del alcance del presente procedimiento. En la figura 3A, los valores de medición se trazan en el eje vertical, cuyos valores de medición en este caso son la concentración c, por ejemplo, en unidades de mg/dl, y el tiempo t se traza en el eje horizontal. Aquí, el origen del eje del tiempo t es, por ejemplo, un tiempo de 12:30 en la figura 3A. Se asume que los valores de medición, por ejemplo, los datos de Mc , están preferentemente calibrados. A modo de ejemplo, los valores de medición pueden estar disponibles con una resolución de tiempo At, por ejemplo, 5 minutos, para la posterior selección de patrones y reconocimiento de patrones (coincidencia de patrones). La curva ilustrada usando una línea continua en la figura 3A y que representa el registro de datos de medición 0144 es, a este respecto, no necesariamente una curva continua, sino que puede ser simplemente, por ejemplo, un conjunto de puntos de medición, respectivamente con un tiempo de medición y un valor de medición. Sin embargo, también se puede llevar a cabo una medición continua, o el procedimiento también puede hacer uso de, por ejemplo, curvas de interpolación o registros de datos de medición secundarios similares 0144, que se derivan de los datos de medición.

Además, la figura 3A ilustra una etapa de reducción de datos opcional, por medio de la cual se puede generar un registro de datos de medición reducido 0146 a partir del registro de datos mostrado en la figura 3A. La llamada indexación o indexación en línea se muestra aquí de manera ejemplar, en la que cada valor de medición actual se compara con una pluralidad de niveles de valores de medición en una etapa de reducción de datos. Preferentemente, la indexación se lleva a cabo en tiempo real. En la figura 3A, estos niveles de valores de medición se indican con el signo de referencia 0142 y se ilustran como líneas horizontales. A modo de ejemplo, estos niveles de valores de medición 0142 se pueden prescribir en este caso en una cuadrícula de glucemia en pasos de 10 mg/dl. La etapa de reducción de datos se explicará con más detalle a continuación a modo de ejemplo.

Como se explica anteriormente, los valores de medición se adquieren en diferentes tiempos de medición, o también de forma continua, en el procedimiento propuesto y se almacenan en un registro de datos de medición 0144. En las figuras 3A a 3G, este registro de datos de medición se ha trazado simbólicamente como una curva y se ha indicado simbólicamente con el signo de referencia 0144, en el que la concentración c, especificada en mg/dl, se ha trazado respectivamente en función del tiempo t. Un registro de datos de medición reducido 0146 o una parte de un registro de datos de medición reducido 0146 se puede usar opcionalmente en lugar del registro de datos de medición completo 0144 en una o más de las etapas de procedimiento descritas a continuación. Con este fin, es posible, como se describe anteriormente, llevar a cabo al menos una etapa de reducción de datos, que se debería describir a modo de ejemplo en base a las figuras 2 y 3A. Aquí se puede hacer uso, en principio, de al menos un procedimiento de reducción de datos arbitrario o un procedimiento de compresión de datos, sin que se haga distinción entre los dos términos en el texto siguiente. En particular, se puede hacer uso de un procedimiento de indexación en línea y/o en tiempo real, en el que cada valor de medición o punto recién añadido del registro de datos de medición se compara, en segundo plano, con la correspondencia con la cuadrícula de glucemia prescrita por los niveles de valor de medición 0142 y se marca en el caso de correspondencia, es decir, se asigna al registro de datos actual. Aquí, los puntos que se encuentran en la cuadrícula prescritos por los niveles de valor de medición 0142 se asignan a un registro de datos de medición reducido 0146. En el proceso, se pueden tolerar determinadas desviaciones prescritas de la cuadrícula. Si la desviación de la cuadrícula es demasiado grande, no se resalta ningún valor para este tiempo.

A modo de ejemplo, la adquisición de datos de medición y la reducción de datos se pueden lograr por medio de un procedimiento ilustrado en la tabla 1:

Registro de datos de medición Registro de datos de medición reducido m /dl hh:mm DD.MM.AA m /dl hh:mm DD.MM.AA

114 01.04.2010

107 01.04.2010 107 01.04.2010 101 01.04.2010 ---------- > 101 01.04.2010

96

01.04.2010

Tabla 1: Ejemplo de reducción de datos

En la Tabla 1, la tabla parcial izquierda titulada "registro de datos de medición" muestra el conjunto completo de valores de medición, que se registraron en un intervalo de At = 5 min y que forman parte del registro de datos de medición, opcionalmente conjuntamente con los tiempos de medición asignados. La tabla parcial derecha titulada "registro de datos de medición reducido" enumera los datos seleccionados del registro de datos de medición reducido, que se seleccionó de acuerdo con la superposición con la cuadrícula de los niveles de glucemia. Los valores de medición se enumeran respectivamente en las columnas subtituladas mg/dl, los tiempos de medición se enumeran en las columnas hh:mm y las fechas asociadas se enumeran en las columnas DD.MM.AA.

Como alternativa a este procedimiento de reducción de datos, o además de esto, también se puede hacer uso de otros procedimientos de reducción de datos. En la figura 2 se describe un ejemplo de otro procedimiento de reducción de datos que se puede usar de forma alternativa o adicionalmente. A modo de ejemplo, en este procedimiento de reducción de datos, los valores de medición se pueden volver a trazar en función del tiempo o, como es el caso en la figura 2 a modo de ejemplo, se pueden trazar en función de un número de indexación. En cada caso, se puede llevar a cabo una comprobación entre dos valores de medición contiguos del registro de datos de medición 0144 de si se ha superado un nivel de valor de medición 0142. Si este fuera el caso, el valor de medición situado respectivamente más cercano a este nivel de valor de medición se puede asignar al registro de datos de medición reducido 0146. Así es como surgen, en el ejemplo ilustrado en la figura 2, los puntos de malla 0148 del nivel de valor de medición de clase 2 (indicado como "cl2" en la figura 2), los puntos de malla 0150 de la clase 3 (indicado como "cl3" en la figura 2), los puntos de malla 0152 de la clase 4 (indicados como "cl4" en la figura 2), y los valores de medición 0154 que no están asignados al registro de datos de medición reducido 0146.

Como alternativa a los dos ejemplos de reducción de datos mencionados anteriormente, o además de esto, también se pueden usar uno o más de otros procedimientos de reducción de datos en el modo de realización ejemplar del procedimiento de acuerdo con la invención que se describe a continuación, o también en otros modos de realización del procedimiento de acuerdo con la invención.

En un procedimiento descrito en la figura 3A, se llevan a cabo además al menos una etapa de selección de patrones y al menos una etapa de reconocimiento de patrones. En el siguiente texto, la etapa de selección de patrones y la etapa de reconocimiento de patrones se pueden combinar bajo el término "coincidencia de patrones". Esta coincidencia de patrones se puede desencadenar de diferentes formas. Por una parte, la coincidencia de patrones se puede desencadenar, por ejemplo, en el caso de cada valor de medición recién añadido, en particular automáticamente, en tiempo real o "en línea". De forma alternativa, o además de esto, la etapa de selección de patrones y/o la etapa de reconocimiento de patrones también pueden ser activadas por determinados eventos en este o en otros modos de realización ejemplares, por ejemplo, por una acción consciente por parte del usuario y/o por el usuario que ingresa condiciones determinantes, por ejemplo, una entrada en un diario, por ejemplo, una entrada relacionada con la ingesta de alimentos. En la figura 3A, esto se ilustra simbólicamente mediante una entrada de una condición determinante 0138 en forma de una entrada de diario 0158 relacionada con la ingesta de alimentos, por ejemplo, una ingesta de alimentos de 3 unidades de pan (3 BE) en un tiempo t⁰= 13:47. En particular, los ejemplos de condiciones determinantes 0138, que se pueden contabilizar en el registro de datos de medición 0144 en forma de entradas de diario 0158, pueden incluir: ingesta de alimentos, una cantidad de carbohidratos, una dosis de insulina u otro tipo de medicación, actividad que incluya una especificación con respecto a la intensidad, enfermedad, fiebre, estrés, menstruación, embarazo, pero también la hora del día, el día de la semana, el fin de semana, las vacaciones, el trabajo por turnos o condiciones determinantes similares. También se pueden observar combinaciones de diferentes condiciones determinantes.

Como se describe anteriormente, la etapa de selección de patrones se puede realizar de diferentes formas, en particular se puede desencadenar y/o llevar a cabo de diferentes formas. En general, los valores de medición adquiridos durante al menos un intervalo de tiempo de comparación se seleccionan como patrón de comparación en la etapa de selección de patrones. En el texto siguiente, el intervalo de tiempo de comparación se indica, en términos generales, con el signo de referencia 0161, y el patrón de comparación se indica con el signo de referencia 0163 (véase, por ejemplo, la figura 3C).

Como se explica anteriormente, existe la posibilidad en este caso de que el intervalo de tiempo de comparación 0161 sea o comprenda un intervalo de tiempo actual 0162, en el que el patrón de comparación 0163 es un patrón actual 0164. Esta opción se explicará de manera ejemplar a continuación, sin restringir otras opciones.

Sin embargo, de forma alternativa o adicionalmente, el intervalo de tiempo de comparación 0161 podría comprender también, por ejemplo, un intervalo de tiempo seleccionable, por ejemplo, un intervalo de tiempo que puede ser seleccionado por un usuario, por ejemplo, un intervalo de tiempo en un registro de datos de medición histórico, preferentemente un intervalo de tiempo de libre selección. En este caso, el patrón de comparación 0163 sería, por ejemplo, un patrón de interés, por ejemplo, una parte del registro de datos de medición o los valores de medición, cuya parte muestra características fisiológicas particulares o que puede ser de particular interés como resultado de otras circunstancias, por ejemplo, condiciones determinantes. A modo de ejemplo, un usuario podría seleccionar una región de interés en el registro de datos de medición 0144 ilustrado en la figura 3A, por ejemplo en el elemento de visualización 0126 del instrumento portátil 0112 y/o en un monitor de un ordenador que tiene acceso al registro de datos de medición 0144. A modo de ejemplo, esto se podría realizar desplazando y/o modificando un rectángulo o un campo de selección con un modo de realización diferente dentro de una visualización del registro de datos de medición 0144, por ejemplo, por medio de un cursor. Los puntos de medición, que se encuentran dentro del campo de selección, se seleccionan en el proceso, los valores de medición de los mismos se asignan al patrón de interés o al patrón de comparación 0163 y los tiempos de medición de los mismos se asignan al intervalo de tiempo seleccionable o al intervalo de tiempo de comparación 0161. En principio, un experto en la técnica también conoce otras opciones para seleccionar una llamada "región de interés" y estas se pueden usar dentro del alcance de la presente invención.

Sin embargo, como se explica anteriormente, es simplemente la primera opción mencionada que se muestra en el siguiente texto, es decir, la opción de que el intervalo de tiempo de comparación 0161 es o comprende un intervalo de tiempo actual 0162 y que el patrón de comparación 0163 es un patrón actual 0164. A modo de ejemplo, la coincidencia de patrones se puede desencadenar directamente en el tiempo t⁰, o bien, por ejemplo, con un ligero desfase temporal, por ejemplo, prescrito, por ejemplo, hasta el tiempo presente 0132, por ejemplo, a las 13:49. Como se describe anteriormente, la coincidencia de patrones, como alternativa a ser desencadenada por una entrada de diario, o además de la misma, se puede también desencadenar por uno o más tipos de desencadenantes, preferentemente de forma automática.

Este desencadenamiento de la coincidencia de patrones puede, por ejemplo, desencadenar en primer lugar una etapa de selección de patrones. Esta etapa de selección de patrones se ilustra a modo de ejemplo en las figuras 3B y 3C. Como se explica anteriormente, las figuras muestran una variante de procedimiento en este caso en la que no existe selección por parte de un usuario de un intervalo de tiempo seleccionable y/o un patrón de interés, sino más bien una variante de procedimiento en la que el intervalo de tiempo de comparación 0161 es un intervalo de tiempo actual 0162, y el patrón de comparación 0163 es un patrón actual 0164. Sin embargo, en principio, también son posibles otros modos de realización.

En particular, la etapa de selección de patrones puede comprender en primer lugar una etapa, ilustrada en la figura 3B, en la que se determina un punto de inicio para la selección de patrones, cuyo punto de inicio se usa como un valor de anclaje 0178, adquirido en un tiempo de anclaje 0180, para los reconocimientos de patrones posteriores. En el modo de realización ejemplar ilustrado, el tiempo de anclaje 0180 es un tiempo de medición actual, que se indica con ta en la figura 3B y en el que se determina un valor de medición actual 0160 como valor de anclaje 0178, cuyo valor de medición se puede, en particular, seleccionar del registro de datos de medición reducido 0146. Por tanto, en particular, el valor de anclaje 0178 y, de forma particularmente preferente, el valor de medición actual 0160 puede ser un valor de medición más reciente que pertenezca al registro de datos de medición reducido 0146. A modo de ejemplo, el tiempo de medición actual ta puede ser el tiempo en el pasado más reciente en el que la curva del registro de datos de medición 0144 superó uno de los niveles de valor de medición 0142. En el ejemplo, este valor de medición actual 0160 o valor de anclaje 0178 se podría haber adquirido, por ejemplo, en un tiempo de anclaje 0180 o en un tiempo actual ta = 13:45.

En otra subetapa de la etapa de selección de patrones, ilustrada en la figura 3C, los valores de medición, adquiridos durante un intervalo de tiempo actual 0162, del registro de datos de medición 0144 se seleccionan como patrón actual 0164. Por tanto, el intervalo de tiempo actual 0162 constituye un ejemplo de un intervalo de tiempo de comparación 0161 en este modo de realización ejemplar. El intervalo de tiempo actual 0162, que también se puede denominar intervalo de tiempo base, se puede determinar de diferentes formas. Por tanto, el intervalo de tiempo actual 0162 se puede, en este o también en otros modos de realización ejemplares, definir con respecto al tiempo actual ta o al tiempo de anclaje 0180. De forma alternativa, o además de esto, este intervalo de tiempo actual 0162 también se puede definir como un intervalo de tiempo retroactivo desde el tiempo presente 0132, como se indica en la figura 3C. Por tanto, por ejemplo, el intervalo de tiempo actual 0162 desde el tiempo presente 0132 se puede calcular en el pasado por una cantidad de tiempo fija AT. Sin embargo, también son posibles otras opciones para determinar el intervalo de tiempo actual 0162. Como otra alternativa, o además de esto, también es posible, como se describe anteriormente, seleccionar el intervalo de tiempo de comparación 0161 de otra manera, por ejemplo, incorporándolo como intervalo de tiempo que puede seleccionar un usuario, por ejemplo, un usuario que selecciona una región de una curva de valor de medición por medio de un elemento de selección apropiado, por ejemplo, un cursor.

En el ejemplo ilustrado, el intervalo de tiempo actual 0162 se ilustra como un intervalo de tiempo de 45 minutos, que se extiende entre las 13:04 y las 13:49. Sin embargo, en la práctica, este intervalo de tiempo de comparación 0161 o el intervalo de tiempo actual 0162 también pueden ser en general mucho más largos, por ejemplo, con una duración de 4 horas durante el día y con una duración de, por ejemplo, 8 horas durante la noche. La parte de la curva situada en el intervalo de tiempo de comparación 0161, es decir, la parte de la curva situada en el intervalo de tiempo actual 0162 o los valores de medición del mismo en el modo de realización ejemplar actual, se define como patrón de comparación 0163, aquí como patrón actual 0164, y por tanto, como patrón de búsqueda. En las etapas de procedimiento posteriores, se puede hacer uso del patrón de comparación 0163 o del patrón actual 0164 y/o de un patrón de comparación reducido 0163 y/o de un patrón actual reducido 0166, que se componen de los valores de medición del registro de datos de medición reducido 0146 comprendido en el patrón de comparación 0163 o en el patrón actual 0164.

Como se explica anteriormente, también es posible opcionalmente que una o más condiciones determinantes 0138, en particular en forma de entradas de diario 0158, estén contenidas también en el registro de datos de medición 0144, así como, por ejemplo, en el patrón de comparación 0163 o en el patrón actual 0164. A modo de ejemplo, una ingesta de alimentos de entre 2,5 y 3,5 unidades de pan en los últimos 10 minutos con respecto al tiempo actual ta y/o al tiempo presente 0132, por ejemplo, espaciados 10 minutos desde el borde derecho del intervalo base, se puede especificar como otra condición determinante 0138.

La duración del intervalo de tiempo de comparación 0161, por ejemplo del intervalo de tiempo actual 0162, se puede seleccionar, como se explica anteriormente, para que sea mucho más larga en la práctica que los 45 minutos ilustrados en la figura 3C. La duración de tiempo AT se puede seleccionar típicamente como el intervalo de tiempo desde la última comida y por tanto, por ejemplo, ser de 4 horas durante el día y, por ejemplo, de 8 horas por la noche. Sin embargo, en principio, también son posibles otras duraciones del intervalo de tiempo actual. Sin embargo, las duraciones mencionadas anteriormente son en principio convenientes para alinear un posible candidato en el tiempo. Aquí, las condiciones determinantes adicionales se pueden vincular a la búsqueda posterior, por ejemplo, ingesta de alimentos comparable, esfuerzo físico comparable, una enfermedad, medicación o condiciones determinantes similares.

Se lleva a cabo una etapa de reconocimiento de patrones en las etapas siguientes de procedimiento, descritas con la ayuda de las figuras 3D a 3G. Aquí, el valor de anclaje 0178 se desplaza en primer lugar a lo largo del eje de tiempo de forma virtual. A modo de ejemplo, en el modo de realización ejemplar ilustrado, el valor de anclaje 0178, en este caso el valor de medición actual 0160, se desplaza hacia la izquierda en términos de tiempo de forma virtual, y se buscan los valores candidatos 0168 correspondientes al valor de medición actual 0160. Dentro del alcance de una búsqueda aproximada, esta búsqueda se puede producir en primer lugar en el registro de datos de medición reducido 0146 y/o en un registro de datos de medición reducido 0146 de otra manera, o también en el juego de datos de medición no reducido 0144.

Los valores candidatos 0168 se buscan preferentemente en el pasado, de modo que los tiempos más recientes se consideren en primer lugar y los tiempos que se remontan más atrás en el tiempo se consideren posteriormente.

La figura 3D muestra, a modo de ejemplo, cómo encontrar un posible valor candidato 0168 (en este caso no necesariamente el primer valor candidato 0168 atrás en el tiempo, que es contiguo al tiempo de anclaje 0180). El valor candidato 0168, que se adquirió en un tiempo candidato tk¹= 11:50, corresponde al valor de anclaje 0178 dentro del alcance de las tolerancias prescritas. Comenzando a partir de este posible valor candidato 0168, se determina un intervalo de tiempo candidato 0170 que, en el tiempo candidato tk¹, se comporta como el intervalo de tiempo de comparación 0161 en el tiempo de anclaje 0180, por ejemplo, como el intervalo de tiempo actual 0162 en el tiempo actual ta. A modo de ejemplo, el patrón actual 0164 es, para este fin, desplazado, en términos de tiempo, a tiempos anteriores de modo que el tiempo actual ta coincide con el tiempo candidato tk¹, y el patrón actual 0164 desplazado se compara, por tanto, con un patrón candidato 0172 durante el intervalo de tiempo candidato 0170. El patrón actual desplazado 0164 se ha ilustrado en la figura 3D usando una línea discontinua. El tiempo actual ta de 13:45 estaba en el proceso desplazado al tiempo candidato tk¹= 11:50, y todos los valores del patrón actual 0164 se desplazaron con este valor, de modo que los tiempos del mismo se movieron hacia atrás en 1 hora y 55 minutos.

Por tanto, posteriormente existe una comparación entre el patrón de comparación 0163 desplazado, en este caso el patrón actual 0164, y el patrón candidato 0172. Esto se ilustra en la figura 3E.

La correspondencia entre el patrón candidato 0172 y el patrón de comparación 0163 o el patrón actual 0164 en el intervalo de tiempo candidato 0170 se puede comprobar de diferentes formas y se puede conseguir en una sola etapa o en varias etapas. A modo de ejemplo, en primer lugar puede existir una comparación aproximada de los patrones 0164, 0172 en una etapa de identificación de patrones aproximados. Con este fin, se puede hacer uso, por ejemplo, de patrones reducidos. A modo de ejemplo, se puede llevar a cabo una comprobación de si existe una correspondencia punto por punto entre estos patrones, por ejemplo usando un patrón de comparación reducido 0167 o un patrón actual reducido 0166 y/o un patrón candidato reducido para una comparación. El caso en el que se compara un patrón de comparación reducido 0167 con el patrón candidato no reducido 0172, como también se ilustra en la figura 3E, se considera en el siguiente texto de forma ejemplar. Sin embargo, de forma alternativa o además de esto, también puede existir una reducción de datos o una reducción en las etapas de comparación en la medida en que, por ejemplo, exista una comparación punto por punto simplemente en intervalos de tiempo prescritos de forma fija, por ejemplo, a intervalos de tiempo de 30 minutos. Aquí puede existir una comparación punto por punto, por ejemplo, comenzando a partir del tiempo candidato tk¹, por ejemplo en las etapas mencionadas anteriormente con intervalos de tiempo equidistantes, por ejemplo, 30 minutos. A modo de ejemplo, esto permite llevar a cabo una correlación aproximada.

También se pueden prescribir una o más tolerancias en este o también en otros modos de realización ejemplares cuando se compara el patrón de comparación 0163, más en particular el patrón actual 0164, con el patrón candidato 0172. Esto se ilustra simbólicamente en la figura 3E mediante una tolerancia 0174. A modo de ejemplo, es posible prescribir un intervalo de tolerancia alrededor de uno, más o todos los puntos del patrón candidato 0172 y/o uno, más o todos los puntos del patrón de comparación 0163, en particular, el patrón actual 0164. A modo de ejemplo, se pueden prescribir tolerancias de ± 5 %, por ejemplo, como se ilustra en la figura 3E usando el ejemplo del valor de medición que se adquirió a las 11:40. Las tolerancias 0174 se pueden referir a los valores de medición o bien a los tiempos de medición, o incluso a ambas opciones, como se ilustra simbólicamente en la figura 3E mediante un círculo (o, en el caso general, mediante una curva preferentemente cerrada alrededor del punto de medición).

Si se lleva a cabo una correlación aproximada o una comparación de patrones aproximada, esto se puede complementar posteriormente mediante al menos una comparación de patrones refinada, en particular si se determina una correspondencia en la comparación de patrones aproximada, cuya comparación de patrones refinada, por ejemplo, tiene intervalos de tiempo más finos en un examen y/o usa todos los valores de medición del registro de datos de medición 0144 dentro del intervalo de tiempo candidato 0170. También son posibles otros procedimientos para comprobar la correspondencia de los patrones 0172, 0164.

Si la correlación aproximada o la comparación de patrones aproximada arroja un resultado negativo, por ejemplo, si existe una falta de correspondencia dentro del alcance de las tolerancias prescritas 0174 para al menos un punto en el intervalo de tiempo candidato 0170, entonces el intervalo de tiempo candidato 0170 y el valor candidato 0168 se descartan. Preferentemente, el al menos un punto en el intervalo de tiempo candidato es un punto predefinido o un conjunto predefinido de puntos o comprende un número predefinido de puntos. A modo de ejemplo, este es el caso de la figura 3E; esto es claramente visible. En este caso, es posible seleccionar un nuevo tiempo candidato y un nuevo valor candidato 0168, por ejemplo, avanzando más en el pasado. A modo de ejemplo, la búsqueda se puede realizar en el pasado o en una dirección de búsqueda diferente o con un perfil de búsqueda diferente. Durante la búsqueda en el pasado, un nuevo valor candidato 0168, que corresponde al valor de anclaje 0178 (en este caso el valor de medición actual 0160), se encuentra, a modo de ejemplo, a las 11:35 como próximo tiempo candidato posible tk². En consecuencia, el intervalo de tiempo de comparación, en este caso el intervalo de tiempo actual 0162 de la figura 3C, se desplaza al pasado en un valor de 13:45 - 11:35 = 2 h 10 min. Posteriormente, se vuelve a llevar a cabo una correspondencia punto por punto, análogamente a la figura 3E, entre el nuevo patrón candidato 0172 y el patrón actual desplazado 0164, por ejemplo, en una etapa o, nuevamente, en una pluralidad de etapas, por ejemplo, una etapa de reconocimiento de patrones aproximados y al menos una etapa de reconocimiento de patrones refinados.

En la figura 3F se lleva a cabo en primer lugar una etapa de reconocimiento de patrones aproximados en forma de una comparación aproximada entre los patrones 0164, 0172, por ejemplo, nuevamente en base a puntos equidistantes de los patrones 0172, 0164, por ejemplo, nuevamente partiendo del tiempo candidato tk²en el pasado. A modo de ejemplo, la comprobación se puede volver a llevar a cabo a intervalos de tiempo de 10 minutos. Una vez más, también se puede tener en cuenta una tolerancia en este o también en otros modos de realización ejemplares. Aquí, la figura 3F muestra que la tolerancia también se puede incorporar de manera variable, por ejemplo, colocando bandas de tolerancia 0176 alrededor de los puntos del patrón de comparación 0163, más en particular, el patrón actual 0164, y/o el patrón candidato 0172, cuyos puntos se deben usar en la comparación aproximada. A modo de ejemplo, estas bandas de tolerancia pueden tener en cuenta que los puntos de medición más lejanos en el pasado tienen una mayor incertidumbre de medición, por lo que las tolerancias 0174 pueden aumentar, por ejemplo, en puntos de medición situados más atrás en el pasado. Los puntos de medición pueden tener una mayor incertidumbre de medición, independientemente de su edad, es decir, sin importar si están más en el pasado o no. En particular, estas bandas de tolerancia pueden tener en cuenta que los puntos de medición más lejanos en el pasado tienen una relevancia menor, independientemente de su incertidumbre, por lo que las tolerancias pueden, por ejemplo, aumentar en puntos de medición situados más atrás en el pasado y un peso para el análisis de los puntos de medición puede disminuir con su relevancia. De forma alternativa o además de esto, otros criterios, por ejemplo, criterios médicos, criterios de calidad, aspectos de seguridad o criterios similares, también se pueden incluir en estas tolerancias 0174 y/o bandas de tolerancia 0176, que se pueden disponer simétricamente o asimétricamente alrededor de los valores de medición.

Si, como en la figura 3F, existe una correlación aproximada exitosa en la etapa de reconocimiento de patrones aproximados, es decir, si los patrones 0163, o 0164 y 0172 se corresponden dentro del alcance de la correlación aproximada, entonces al menos una correlación fina se puede llevar a cabo opcionalmente en una etapa de reconocimiento de patrones refinados. Aquí, por ejemplo, se puede hacer uso de un patrón más fino y/o cada punto de datos disponible del patrón actual 0164 se puede comparar con puntos de datos correspondientes del patrón candidato 0172, por ejemplo, nuevamente teniendo en cuenta las tolerancias 0174, por ejemplo, dentro del alcance de las bandas de tolerancia 0176. Esto se muestra en la figura 3G. Además, las condiciones determinantes 0138 se pueden tener en cuenta durante esta comparación, o ya también durante la comparación aproximada, por ejemplo, en base a reglas. A modo de ejemplo, si se estableció un posible patrón candidato correspondiente 0172 durante la etapa de reconocimiento de patrones, por ejemplo durante la correlación aproximada y/o la correlación refinada, sobre qué patrón candidato corresponde al patrón de comparación 0163, más en particular al patrón actual 0164, dentro del alcance de las tolerancias 0174, puede existir además una comprobación de la condición determinante o de las condiciones determinantes 0138. A modo de ejemplo, se determina en la figura 3G que hubo una ingesta de alimentos de 2,8 unidades de pan dentro de un intervalo de tiempo de aproximadamente 5 minutos desde el borde derecho del intervalo de tiempo candidato 0170. Dado que esta condición determinante 0138 corresponde sustancialmente a la condición determinante en la figura 3 A, la correspondencia con respecto a las condiciones determinantes también se puede determinar entre el patrón de comparación 0163, o el patrón actual 0164, y el patrón candidato 0172. De forma alternativa, o además de esto, también es posible comprobar la correspondencia entre las condiciones determinantes antes o durante una comparación de patrones, por ejemplo, buscando ya las condiciones determinantes correspondientes antes o durante la correlación aproximada y/o seleccionando ya el valor candidato 0168 teniendo en cuenta las condiciones determinantes.

Por el contrario, si no se satisface la correlación fina, pueden continuar buscándose posibles valores candidatos 0168, de forma análoga a la transición entre la figura 3E y 3F, por ejemplo, nuevamente con una dirección de búsqueda hacia el pasado o con otra dirección de búsqueda.

Si se identifican uno o más patrones candidatos 0172 en el registro de datos de medición 0144, estos se pueden utilizar además de diferentes formas. En particular, como se muestra en la figura 1, estos se pueden usar para mostrar un perfil de referencia 0134. A modo de ejemplo, este perfil de referencia 0134 puede comprender el patrón candidato 0172 que se estableció como correspondiente, y opcionalmente partes de tiempo antes y/o después del intervalo de tiempo candidato 0170, por lo que el perfil de referencia 0134 puede, por ejemplo, mostrar también un posible desarrollo futuro. Aquí, se puede mostrar la mejor coincidencia de patrones y/o se pueden mostrar todas las coincidencias de patrones. Además, también es posible mostrar un análisis estadístico de todas las coincidencias de patrones, es decir, de todos los patrones candidatos 0172 que se establecieron como correspondientes al patrón actual 0164. De forma alternativa, o además de esta simple ilustración y/o estadísticas, es posible llevar a cabo una o más etapas de interacción adicionales con el usuario y/u otro instrumento y/o personal médico capacitado en la técnica. Por tanto, por ejemplo, se pueden mostrar opciones de acción, en particular recomendaciones con respecto a la ingesta de medicación y/o alimentos y/o esfuerzo físico y/o la recomendación de consultar a un facultativo médico experto en la técnica.

Otros dispositivos y procedimientos ejemplares

La FIG. 4 representa una configuración ejemplar de un sistema de monitoreo de pacientes 100 en asociación con un paciente 102. El paciente 102 puede ser un paciente diabético o un paciente con una condición fisiológica que requiera un monitoreo rutinario o continuo. El sistema de monitoreo 100 comprende componentes de hardware y programa informático que se pueden utilizar para implementar un rasgo característico de coincidencia de patrones como se describe más adelante en el presente documento. Como se ilustra, el sistema de monitoreo 100 comprende un dispositivo 105. El dispositivo 105 puede ser un sistema portátil con una potencia de procesamiento limitada, tal como un PDA, un teléfono móvil, un medidor de glucosa, etc. El dispositivo 105 también puede ser un ordenador personal. Como se muestra además en la FIG. 5, el dispositivo 105 puede comprender un dispositivo o dispositivos de entrada de datos fisiológicos 110, una interfaz de datos 115, un procesador 120, una base de datos 130, una memoria 135 junto con la lógica de análisis 132 y una pantalla 140. Estos componentes están "operativamente conectados" entre sí, lo que puede incluir uno o más componentes conectados a uno o más de otros componentes, ya sea directamente o a través de uno o más componentes intermedios de modo que se puedan comunicar y pasar información según sea necesario para realizar al menos los procesos y funciones descritos a continuación en el presente documento. La conexión puede ser una conexión mecánica, eléctrica o una conexión que permita la transmisión de señales entre los componentes, por ejemplo, por cable o de forma inalámbrica. El dispositivo 105 puede incluir además un mecanismo de entrada o una interfaz de usuario 145 para introducir información y/o realizar solicitudes de datos/salida. Los mecanismos de entrada o interfaces de usuario ejemplares 145 pueden incluir una pantalla táctil, botones de entrada, un teclado, un ratón, un micrófono y combinaciones de los mismos. En un modo de realización, el sistema de monitoreo de pacientes 100 permite el monitoreo continuo de la glucosa en el que el dispositivo 105 es operable para tomar múltiples mediciones de una concentración de glucosa o una sustancia indicativa de la concentración o presencia de glucosa por medio del dispositivo de entrada de datos fisiológicos 110, y procesa ese conjunto de datos usando el procesador 120 para encontrar patrones similares. Como se usa en el presente documento, el monitor (o monitoreo) de glucosa continuo (o continuado) puede incluir el período en el que el monitoreo de la concentración de glucosa se realiza de forma continua, continuada y/o intermitente (por ejemplo, regularmente o irregularmente).

En referencia a la FIG. 5, el dispositivo de entrada de datos fisiológicos 110 puede ser, por ejemplo, en un modo de realización uno o más sensores que recopilan automáticamente datos fisiológicos específicos del paciente tales como, por ejemplo, glucemia, viscosidad de la sangre u otra información relativa a la química sanguínea del paciente 102, actividad física, temperatura, frecuencia cardíaca, tensión arterial, patrón de respiración, otros parámetros fisiológicos específicos del paciente y combinaciones de los mismos. En un modo de realización, el dispositivo de entrada de datos fisiológicos 110 puede ser un componente o región de un sistema de monitoreo de pacientes 100 mediante el cual la glucosa se puede cuantificar y configurar para producir una señal indicativa de una concentración de glucosa del paciente 102. En funcionamiento, el dispositivo de entrada de datos fisiológicos 110 puede funcionar mediante un sensor de glucosa que mide y adquiere una señal detectable (por ejemplo, una señal química, una señal electroquímica, etc.), ya sea directa o indirectamente, a partir de glucosa o derivados de la misma que son indicativos de la concentración o presencia de la glucosa y a continuación puede transmitir la señal al procesador 120 para su posterior procesamiento y/o almacenamiento en la base de datos 130. El dispositivo de entrada de datos fisiológicos 110 puede estar en comunicación con el procesador 120.

Como se usa en el presente documento, el dispositivo de entrada de datos fisiológicos 110 puede ser un dispositivo continuo, por ejemplo, un dispositivo subcutáneo, transdérmico (por ejemplo, transcutáneo) o intravascular. Sin embargo, se debe entender que los dispositivos y procedimientos descritos en el presente documento se pueden aplicar a cualquier dispositivo (incluyendo los dispositivos externos) capaz de detectar una concentración de glucosa y proporcionar una señal de salida que represente la concentración de glucosa. El dispositivo de entrada de datos fisiológicos 110 en otro modo de realización puede ser un hardware y/o programa informático que puede analizar una pluralidad de muestras biológicas intermitentes, por ejemplo, sangre, fluido intersticial, otro fluido biológico deseado, etc. El dispositivo de entrada de datos fisiológicos 110 puede usar cualquier procedimiento de detección de glucosa, incluyendo enzimático, químico, físico, electroquímico, espectrofotométrico, polarimétrico, calorimétrico, radiométrico, etc. El dispositivo de entrada de datos fisiológicos 110 puede usar cualquier procedimiento, incluyendo técnicas de detección invasivas, mínimamente invasivas y no invasivas para proporcionar una señal de salida indicativa de, por ejemplo, la concentración de glucosa u otros datos fisiológicos. La señal de salida puede ser una medición de datos sin procesar que se usa para proporcionar un valor útil de glucosa a un usuario, tal como un paciente o un médico, que puede estar usando el dispositivo. Se pueden aplicar procedimientos de uniformidad, evaluación, etc. a la medición de datos sin procesar para proporcionar al usuario mediciones de datos transformados.

Las mediciones de datos se pueden derivar de la recopilación intermitente de datos que comprenden mediciones realizadas por un dispositivo, tal como por ejemplo, el dispositivo de entrada de datos fisiológicos 110 (por ejemplo, una medición actual que en última instancia corresponde a una cantidad o concentración de glucosa). Las mediciones de datos se pueden asociar además con etiquetas de datos relevantes. Solo a modo de ejemplo, una etiqueta de datos puede incluir cuándo se comió una comida, se administró insulina, se realizó ejercicio, etc. Adicionalmente, una etiqueta de datos puede incluir la cantidad de contenido nutricional en una comida, insulina, medicación oral, ejercicio, etc. Las mediciones de datos pueden comprender además determinar mediciones de datos transformados a partir de una o más mediciones de datos sin procesar y asociar esas mediciones de datos transformados con etiquetas de datos relevantes.

Las mediciones de datos se obtienen de un sistema biológico particular (por ejemplo, sangre, fluido intersticial, etc.) usando un dispositivo, tal como por ejemplo, el dispositivo de entrada de datos fisiológicos 110, mantenido en contacto operativo con el sistema biológico durante una ventana de tiempo. La ventana de tiempo puede ser un período de tiempo definido (por ejemplo, hora(s), día(s), etc.) para obtener una serie de mediciones de datos (por ejemplo, segundo(s), minuto(s), hora(s), etc.) dando como resultado al menos un conjunto de datos de ventana de tiempo. El paciente diabético 102 también puede iniciar y detener la ventana de tiempo. Solo a modo de ejemplo, el paciente diabético 102 puede iniciar la ventana de tiempo al comienzo de una comida y detener la ventana de tiempo en una fecha posterior después de la comida. El al menos un conjunto de datos de ventana de tiempo (o mediciones de datos) se puede recopilar de un solo individuo. De forma alternativa, el al menos un conjunto de datos de ventana de tiempo (o mediciones de datos) se puede recopilar de múltiples individuos y compilarse en una base de datos, ya sea en el momento en que se recopiló al menos un conjunto de datos de ventana de tiempo (o mediciones de datos) o posteriormente. El al menos un conjunto de datos de ventana de tiempo puede incluir mediciones de datos sin procesar, mediciones de datos transformados, mediciones de datos sin procesar o transformados asociados con etiquetas de datos, o una combinación de los mismos desde el sensor.

El dispositivo de entrada de datos fisiológicos 110 puede ser capaz de medir solo glucosa en un modo de realización. De forma alternativa, en otros modos de realización, el dispositivo de entrada de datos fisiológicos 110 puede ser capaz de medir cualquier otro analito fisiológico de interés que sea una sustancia o componente específico que se esté detectando y/o midiendo mediante análisis químico, físico, enzimático u óptico. Las mediciones de datos para cada analito fisiológico se recopilan y compilan en una base de datos de múltiples analitos, tal como, por ejemplo, la base de datos 130. En otro ejemplo, la base de datos 130 también se puede formular compilando mediciones de datos recopiladas usando múltiples monitores, cada uno de los cuales mide una sola sustancia, dando como resultado la base de datos de múltiples analitos.

Los ejemplos de analitos fisiológicos pueden incluir cualquier sustancia, componente o combinaciones de los mismos que se desee detectar y/o medir en un análisis químico, físico, enzimático u óptico. Dichos analitos fisiológicos incluyen, pero no se limitan a, urato/ácido úrico, glucosa, urea (nitrógeno ureico en sangre), lactato y/o ácido láctico, hidroxibutirato, colesterol, triglicéridos, creatina, creatinina, insulina, hematocrito y hemoglobina), carbonato, calcio, potasio, sodio, cloruro, bicarbonato, gases en sangre (por ejemplo, dióxido de carbono, oxígeno, etc.), metales pesados (por ejemplo, plomo, cobre, etc.), lípidos, aminoácidos, sustratos enzimáticos o productos que indiquen un estado o condición de enfermedad, otros marcadores de estados o condiciones de enfermedad, etc. En el caso de bases de datos de datos de múltiples analitos, todos los analitos fisiológicos pueden estar relacionados con un solo estado o condición fisiológica; de forma alternativa, en otros modos de realización, cada analito fisiológico puede ser relevante para un estado o condición fisiológica diferente.

Todavía en otros modos de realización, el paciente 102 puede introducir manualmente uno o más de los datos/información fisiológicos descritos anteriormente, así como solicitarlos para su salida (por ejemplo, mostrados en la pantalla 140, enviados a otro dispositivo externo por medio de la interfaz de datos 115, etc.), por medio de la interfaz de usuario 145. Todavía en otros modos de realización, el dispositivo de entrada 110 también puede incluir, por ejemplo, un controlador, microcontrolador, procesador, microprocesador, etc. que está configurado para recibir y/o procesar señales, comunicarse con el procesador 120 y generar un patrón de referencia. El patrón de referencia puede ser el conjunto de datos más reciente (por ejemplo, el conjunto de datos más reciente de al menos una ventana de tiempo recopilado por el dispositivo de entrada 110, un conjunto de datos del día actual, hora(s), minuto(s), etc. proporcionado en la memoria 135 y/o la base de datos 130) y/o para cualquier otro conjunto de datos de interés, por ejemplo, datos históricos (día(s) anterior(es), semana(s), mes(es), año(s), etc.) del paciente 102. El conjunto de datos se puede proporcionar desde el dispositivo de entrada 110, la base de datos 130, la memoria 135, la interfaz de usuario 145 y/o desde cualquier otra fuente externa de datos del paciente con la que el dispositivo 105 se pueda comunicar por medio de la interfaz de datos 115. Se debe apreciar que, como tal, el patrón de referencia se puede generar a partir de cualquiera de los datos disponibles para el dispositivo 105, y mediante cualquier procedimiento realizado por el procesador 120, el dispositivo de entrada 110 (si está provisto de medios de procesamiento) o dispositivo(s) externo(s) que operan sobre los datos (y se proporcionan al dispositivo por medio de la interfaz de datos 115), en el que se proporciona un patrón de interés, tal como por ejemplo, una curva de glucosa. Los procedimientos ejemplares para generar una curva de glucosa pueden incluir: hacer que el procesador 120 dibuje una curva de glucosa usando mediciones de datos de glucosa proporcionadas por el dispositivo de entrada de datos fisiológicos 110, hacer que el procesador 120 dibuje una curva de glucosa usando mediciones de datos de glucosa leídas de la base de datos 130 y/o memoria 135 para la al menos una ventana de tiempo u otros períodos de tiempo, hacer que el procesador 120 dibuje una curva de glucosa usando la entrada recibida por medio de la interfaz de usuario 145, hacer que el procesador 120 seleccione una curva de glucosa que represente un comportamiento o condición común (por ejemplo, descenso de glucemia durante el ejercicio, aumento de glucemia después de una comida, etc.) que se puede detectar en los datos del paciente 102, y combinaciones de los mismos. En otros modos de realización, no es necesario seleccionar la curva de glucosa a partir de mediciones de datos de glucosa reales como se analiza anteriormente con respecto a datos históricos y/o externos. El patrón de referencia también se puede generar a partir de datos resultantes de una consulta ingresada por medio de la interfaz de usuario 145 y ejecutada por el procesador 120 en datos recientes recopilados por el dispositivo de entrada 110 o datos almacenados proporcionados en la base de datos 130, la memoria 135 y/o en otras fuentes externas que fueron consultadas por el procesador 120 por medio de la interfaz de datos 115. El patrón de referencia también puede incluir cualquier etiqueta de datos relevantes o datos de múltiples analitos, y el patrón de referencia generado y/o recibido se puede almacenar en la base de datos 130 y/o la memoria 135 hasta que sea requerido por el procesador 120 para un proceso de coincidencia de patrones analizado a continuación en el presente documento en una sección posterior.

La interfaz de datos 115 puede ser hardware y/o programa informático que proporciona al dispositivo 105 la capacidad de comunicarse por cable y/o de forma inalámbrica con otros dispositivos y componentes como se analiza a continuación en el presente documento en algunos modos de realización, así como para leer desde y escribir en un producto o medio de almacenamiento legible por ordenador no transitorio, tal como el medio legible por ordenador no transitorio 148, en otros modos de realización. A los efectos de esta descripción, un producto o medio de almacenamiento legible por ordenador no transitorio puede ser cualquier aparato que pueda contener o almacenar programas y/o códigos para su uso por o en conexión con un procesador, aparato o dispositivos. Ejemplos de un producto o medio de almacenamiento legible por ordenador no transitorio incluyen un semiconductor o memoria de estado sólido, cinta magnética, un disquete de ordenador extraíble, una memoria de acceso aleatorio (RAM), una memoria de solo lectura (ROM), un disco magnético rígido y un disco óptico. Los ejemplos actuales de discos ópticos incluyen disco compacto de memoria de solo lectura (CD-ROM), discos compactos de lectura/escritura (CD-R/W) y DVD.

Todavía en referencia a la FIG. 5, el procesador 120 puede incluir cualquier procesador de propósito general o cualquier componente de procesamiento configurado para proporcionar, recibir y ejecutar una secuencia de instrucciones (tal como desde la memoria 135). Por ejemplo, el procesador 120 puede realizar cálculos usando al menos un conjunto de datos de ventana de tiempo (o mediciones de datos) del dispositivo de entrada de datos fisiológicos 110 y/o el patrón de referencia del dispositivo de entrada 110 (cuando está provisto de medios de procesamiento), que también puede ser visto como un conjunto de datos de ventana de tiempo que es generado por el dispositivo de entrada 110. En otro ejemplo, el procesador 120 también puede comprimir el al menos un conjunto de datos de ventana de tiempo (o mediciones de datos) a una base de rango reducido como se describirá más adelante en el presente documento. En otro ejemplo, el procesador 120 puede realizar una coincidencia de patrones con al menos un conjunto de datos de ventana de tiempo (o mediciones de datos) en un espacio de rango reducido como se describirá más adelante en el presente documento. El procesador 120 se puede implementar como un solo dispositivo informático o una combinación de dispositivos informáticos, por ejemplo, una combinación de un procesador de señal digital y un microprocesador, una pluralidad de microprocesadores, uno o más microcontroladores, uno o más microprocesadores junto con un núcleo de procesador de señal digital, o cualquier otra configuración similar.

Todavía en referencia a la FIG. 5, la pantalla 140 puede comprender una pantalla de cristal líquido ("LCD"), una pantalla sensible al tacto, una interfaz web, etc. Una pantalla táctil o una interfaz web pueden proporcionar una forma conveniente de ingresar diversos comandos y/o seleccionar diversas opciones programables. En funcionamiento, la pantalla 140 puede mostrar información para, por ejemplo, al menos un conjunto de datos de ventana de tiempo (o mediciones de datos), resultados de coincidencia de patrones, regiones marcadas para identificar áreas de interés, información de etiquetas de datos, patrones de referencia, etc. A modo de ejemplo únicamente, la información mostrada puede comprender al menos un conjunto de datos de ventana de tiempo (o mediciones de datos) que pueden requerir o no ser procesados por el dispositivo de visualización antes de la visualización. El al menos un conjunto de datos de ventana de tiempo (o mediciones de datos) que se muestran pueden ser datos sin procesar, datos en tiempo real, datos transformados, etc. La pantalla 140 puede comprender hardware y/o programa informático que incluye instrucciones de visualización (por ejemplo, programación de programa informático que comprende instrucciones) configuradas para permitir la visualización de la información en la pantalla 140 y/o para obtener la información de la base de datos 130. Los datos de la base de datos 130 pueden ser consultados y/o mostrados por el procesador 120 en la pantalla 140.

Pantallas ejemplares 140 en las FIGS. 6(a)-6(e) representan diversas formas de mostrar los diferentes componentes y/o diversos datos de un proceso de coincidencia de patrones. La FIG. 6(a) representa una pantalla ejemplar 300 que tiene una curva de patrón de referencia 310. La curva de patrón de referencia 310 incluye un patrón de referencia trazado 312 generado y mostrado por el procesador 120 a partir de los datos del paciente 102 proporcionados desde el dispositivo de entrada 110, la memoria 135, la base de datos 130 y/o fuentes externas por medio de la interfaz de datos 115 como se analiza previamente anteriormente, que puede ser al menos un conjunto de datos de ventana de tiempo (o mediciones de datos) o resultados de una consulta como también se analiza previamente anteriormente. La curva de patrón de referencia 310 también puede incluir una región marcada para identificar la hipoglucemia 314, la hiperglucemia 316 u otras áreas de interés. También se pueden proporcionar etiquetas de datos 318, que se muestran y proporcionan datos adicionales relevantes para el patrón de referencia trazado 312, por ejemplo, información sobre las comidas, información sobre la insulina, información sobre el ejercicio, etc. A continuación se muestra la curva de patrón de referencia 310 que indica dos curvas de coincidencia de patrones 320, 330. Las curvas de coincidencia de patrones 320, 330 representan los patrones de coincidencia más cercanos trazados en curvas individuales contiguas a la curva de patrón de referencia 310. Las curvas de coincidencia de patrones 320, 330 se pueden mostrar desplazándose por las curvas o realizando una operación de arrastre 325 en una pantalla sensible al tacto. La operación de arrastre 325 se puede realizar tocando la pantalla con un dedo y a continuación, moviendo el dedo en la dirección deseada en la pantalla. Los datos adicionales 340 se pueden mostrar en formato tabular. Los datos adicionales 340 pueden ser relevantes para el patrón de referencia y la coincidencia, que pueden incluir información sobre las comidas, datos sobre carbohidratos, datos sobre la dosis de insulina, información sobre el ejercicio o cualquier otro dato que pueda ayudar a evaluar la coincidencia.

La FIG. 6(b) representa una pantalla ejemplar 300 que tiene una curva de patrón de referencia 310. La curva de patrón de referencia 310 incluye un patrón de referencia trazado 312 que puede ser para al menos un conjunto de datos de ventana de tiempo (o mediciones de datos) o para resultados de una consulta, y una curva de coincidencia de patrones más cercanos 350 trazada en el mismo eje que el patrón de referencia trazado 312. La anchura de la curva de coincidencia de patrones más cercanos 350 y el patrón de referencia trazado 312 se muestran idénticos. De forma similar a la FIG. 3(a), se muestra una región de hipoglucemia 314, una región de hiperglucemia 316, etiquetas de datos 318 y datos adicionales 340. También se representa el marcador 311, que identifica la clasificación de la coincidencia actual. La clasificación se basa en qué tan bien se compara con el patrón de referencia 312. La siguiente curva de coincidencia más cercana (no representada) se puede mostrar desplazándose por las curvas o realizando una operación de arrastre 327 en una pantalla sensible al tacto. La operación de arrastre 327 se puede realizar tocando la pantalla con un dedo y a continuación, moviendo el dedo en la dirección deseada en la pantalla.

La FIG. 6(c) representa una pantalla ejemplar 300 que tiene una curva de patrón de referencia 310. De forma similar a la FIG. 6(b), se muestra una región de hipoglucemia 314, una región de hiperglucemia 316, etiquetas de datos 318 y datos adicionales 340. Como se describe anteriormente, la curva de patrón de referencia 310 incluye un patrón de referencia trazado 312 que puede ser para al menos un conjunto de datos de ventana de tiempo (o mediciones de datos) o para resultados de una consulta, y una curva de coincidencia de patrones más cercanos 350 trazada en el mismo eje que el patrón de referencia trazado 312. La curva de coincidencia de patrones más cercanos 350 se puede extender para mostrar datos de coincidencia de glucosa 355 inmediatamente después del patrón de referencia trazado 312 o se puede extender de forma similar para mostrar datos de coincidencia de glucosa inmediatamente antes del patrón de referencia trazado 312 o ambos. La consulta se puede realizar como etapa de adquisición de datos como se menciona más arriba.

La FIG. 6(d) representa una pantalla ejemplar 300 que tiene una curva de datos sin procesar 360 y una curva uniforme 370. De forma similar a la FIG. 6(b), se muestra una región de hipoglucemia 314, una región de hiperglucemia 316 y etiquetas de datos 318. La curva de datos sin procesar 360 comprende datos sin procesar, ruidosos que pueden ser al menos un conjunto de datos de ventana de tiempo (o mediciones de datos) del sensor. La curva uniforme 370 muestra la versión comprimida de los datos sin procesar de la curva de datos sin procesar 360. Los datos comprimidos, que forman una curva uniforme 370, se pueden comprimir usando el algoritmo de inicialización o coincidencia de patrones descrito en el presente documento.

La FIG. 6(e) representa una pantalla ejemplar 300 que tiene una curva de patrón de referencia 310. La curva de patrón de referencia 310 incluye un patrón de referencia trazado 312 para datos que puede ser para al menos un conjunto de datos de ventana de tiempo (o mediciones de datos) o para resultados de una consulta, y curvas de coincidencia de múltiples patrones 380, 390 trazadas en el mismo eje que el patrón de referencia trazado 312. De forma similar a la FIG. 6(b), se muestra una región de hipoglucemia 314, una región de hiperglucemia 316 y etiquetas de datos 318. Por supuesto, otras formas adecuadas en las que se pueden representar diferentes componentes de una coincidencia de patrones serán evidentes para los expertos en la técnica a la vista de las enseñanzas en el presente documento.

En referencia de nuevo a la FIG. 5, la memoria 135 puede ser cualquier tipo de memoria conocida en la técnica, incluyendo, pero sin limitarse a, discos duros, cinta magnética, disco óptico, memoria de semiconductores, un disquete flexible, un CD-ROM, un DVD-ROM, memoria RAM, un sitio remoto accesible por cualquier protocolo conocido o cualquier otro dispositivo de memoria para almacenar algoritmos y/o datos. En funcionamiento, la memoria 135 puede incluir hardware y programa informático para comprimir datos del sensor a una base de rango reducido y/o para realizar coincidencias de patrones, tal como por ejemplo, por medio de la lógica de análisis incluida 132. La lógica de análisis 132 se puede configurar adecuadamente para almacenar, interpretar y procesar información entrante y/o para configurar el procesador 120 para realizar dicho almacenamiento, interpretación y procesamiento de la información entrante, que, por ejemplo, puede ser el al menos un conjunto de datos de ventana de tiempo, sin procesar o transformados, etc., recibidos desde el dispositivo de entrada 110, la interfaz de usuario 145 y/o como resultado de una consulta sobre los datos disponibles desde el dispositivo de entrada 110, la base de datos 130, la memoria 135 y/o fuentes externas por medio de la interfaz de datos 115. Como se analizará con mayor detalle a continuación, la lógica de análisis 132 puede incluir un algoritmo de coincidencia de patrones para realizar una coincidencia de patrones de un conjunto de datos comprimido con datos anteriores de pacientes en un espacio de rango reducido, uno o más algoritmos de almacenamiento, uno o más algoritmos de procesamiento previo de datos y/o un algoritmo de inicialización.

En referencia a la FIG. 5, la base de datos 130 puede comprender una memoria capaz de recibir y almacenar la información característica medida y/o detectada y/o identificada, por ejemplo, al menos un conjunto de datos de ventana de tiempo, mediciones de datos sin procesar (por ejemplo, valores numéricos que corresponden a una medición física), mediciones de datos comprimidos, mediciones de datos transformados y puede incluir información adicional relacionada, por ejemplo, etiquetas de datos, punteros, etc., como se describe anteriormente, y/o uno o más algoritmos de almacenamiento. Cuando el procesador 120 ejecuta uno o más algoritmos de almacenamiento, hace que el procesador 120 almacene al menos un conjunto de datos de ventana de tiempo, mediciones de datos sin procesar, mediciones de datos comprimidos, mediciones de datos transformados, un único resultado numérico calculado o derivado de uno o más puntos de datos sin procesar, etc., en la base de datos 130. También se puede hacer que el procesador 120 lea al menos un conjunto de datos de ventana de tiempo, mediciones de datos sin procesar, mediciones de datos comprimidos, mediciones de datos transformados, etc. de la base de datos 130. También se puede hacer que el procesador 120 indexe el al menos un conjunto de datos de ventana de tiempo, mediciones de datos sin procesar, mediciones de datos comprimidos, mediciones de datos transformados, etc. desde el dispositivo de entrada 110 en función de la hora y/o fecha. La base de datos 130 puede recopilar y recibir mediciones de datos automáticamente por medio del dispositivo de entrada 110 durante la ventana de tiempo, generando y almacenando de este modo el conjunto de datos de ventana de tiempo. Los datos se pueden almacenar en un formato de estructura de datos especializado para organizar y almacenar datos. Los tipos de estructura de datos ejemplares pueden incluir la matriz, el archivo, el registro, la tabla, el árbol, etc. La estructura de datos se puede diseñar para organizar datos para adaptarse a un propósito específico de modo que se pueda acceder a ellos y trabajar con ellos.

Como se indica anteriormente, la estructura de datos de la base de datos 130 puede adoptar varias formas diferentes o estructurarse de diversas formas. Por ejemplo, se puede usar un árbol Kd (árbol de dimensiones K). Un árbol Kd es una estructura de datos de partición de espacio similar a un árbol de búsqueda binaria que puede ser útil para la búsqueda y recuperación rápidas de datos multidimensionales. La estructura se examina en detalle en J. L. Bentley, "Multidimensional divide-and-conquer", Comm. of the ACM, 23(4), (abril 1980), 214-229 y J. L. Bentley, "Multidimensional Binary Search Trees Used For Associative Searching", Comm. of the ACM, 18(9), 1975.

El árbol Kd divide los datos que tienen K dimensiones en cada nodo usando un hiperplano perpendicular a una de las dimensiones. Cada nodo interno tiene dos hijos, que representan una partición a lo largo de una dimensión dada del hiperplano de dimensiones K. Los datos se pueden representar en el árbol Kd por su vector comprimido de dimensiones K y un parámetro de tiempo que vincula el vector comprimido a una localización en los datos sin procesar guardados. Esta estructura se puede usar para encontrar: el vecino más cercano a un punto o patrón de referencia, en, los d vecinos más cercanos, donde d es el número de vecinos de interés, al menos un punto de datos dentro de algún intervalo r del patrón de referencia, en, donde r es la distancia deseada desde el patrón de referencia. La estructura de datos incluye procedimientos estándar para realizar búsquedas de n vecinos más cercanos y búsquedas de datos similares dentro de un intervalo específico que se utilizaron en este algoritmo.

Los datos se pueden almacenar además en la base de datos 130 en una cola. En funcionamiento, al menos un conjunto de datos de ventana de tiempo (o mediciones de datos) recibido y recopilado desde el dispositivo de entrada 110 se puede comprimir usando el procesador 120 y añadirse a una cola. La cola contiene los vectores comprimidos más recientes que esperan ser añadidos al árbol Kd. Los vectores comprimidos se mueven de la cola al árbol kd cuando son más antiguos que N, donde N es la longitud de la ventana de tiempo actual. Por tanto, los vectores comprimidos se mueven al árbol kd cuando ya no se superponen con la ventana de tiempo actual. Las ventanas de tiempo se representan en el árbol Kd por su vector comprimido de dimensiones k, cualquier etiqueta de datos relevante y un parámetro de tiempo que vincula el vector comprimido a una localización en los datos de sensor sin procesar guardados.

La FIG. 7 representa otra configuración ejemplar de un sistema de monitoreo de pacientes 100, y que a continuación en el presente documento solo la diferencia con la configuración representada por la FIG. 5 se analiza a continuación en el presente documento por fines de brevedad. En este modo de realización, el sistema de monitoreo de pacientes 100 comprende el dispositivo 105, el dispositivo de entrada 110 como un componente separado del dispositivo 105 y una interfaz de red 150. El dispositivo 105 comprende la interfaz de datos 115, el procesador 120, la base de datos 130, la memoria 135 junto con la lógica de análisis 132, la pantalla 140 y la interfaz de usuario 145. El dispositivo de entrada 110 está acoplado al dispositivo 105 por medio de la interfaz de red 150. La interfaz de red 150 puede incluir una conexión alámbrica o inalámbrica y cualquier hardware de red alámbrica o inalámbrica, tal como un módem, puerto LAN, tarjeta de fidelidad inalámbrica (Wi-Fi), tarjeta WiMax, hardware de comunicaciones móviles y/u otro hardware para comunicarse con otras redes y/o dispositivos. El dispositivo 105 puede llevar a cabo el almacenamiento de datos, la coincidencia de patrones y la visualización de los resultados.

La FIG. 8 representa otra configuración ejemplar de un sistema de monitoreo de pacientes 100, y que a continuación en el presente documento solo la diferencia con la configuración representada por la FIG. 7 se analiza a continuación en el presente documento por fines de brevedad. En este modo de realización, el sistema de monitoreo de pacientes 100 comprende el dispositivo 105, el dispositivo de entrada 110 como un componente separado del dispositivo 105, una primera interfaz de red 155, una segunda interfaz de red 170 y un servidor 180. El dispositivo de entrada 110 puede proporcionar entrada al dispositivo 105 por medio de la primera interfaz de red 155. El dispositivo 105 se puede acoplar al servidor 180 por medio de una segunda interfaz de red 170. Como se indica anteriormente con la interfaz de red de la FIG. 7, la primera y segunda interfaz de red también pueden incluir una conexión por cable o inalámbrica, y cualquier hardware de red por cable o inalámbrico para comunicarse con redes y/o dispositivos. El dispositivo 105 comprende la interfaz de datos 115, el procesador 120, la pantalla 140 y la interfaz de usuario 145. El dispositivo 105 puede manejar el procesamiento previo de datos, la introducción de solicitudes de datos, la introducción de consultas de datos y la visualización de resultados de datos. El servidor 180 comprende la base de datos 130 y la memoria 135 junto con la lógica de análisis 132. En un ejemplo, el servidor 180 también puede comprender un procesador 185 que se puede configurar para almacenar mediciones de datos en la base de datos 130 y realizar una coincidencia de patrones por medio del uso de la lógica de análisis 132.

La FIG. 9 representa otra configuración ejemplar de un sistema de monitoreo de pacientes 100, y que a continuación en el presente documento solo la diferencia con la configuración representada por la FIG. 8 se analiza a continuación en el presente documento por fines de brevedad. En este modo de realización, el sistema de monitoreo de pacientes 100 comprende el dispositivo 105, el dispositivo de entrada 110 como un componente separado del dispositivo 105, una primera interfaz de red 155, una segunda interfaz de red 170 y un servidor 180. El dispositivo 105 comprende una pantalla 140 y una interfaz de usuario 145, y está configurado para enviar datos sin procesar al servidor 180. El servidor 180 comprende la interfaz de datos 115, el procesador 120, la base de datos 130 y la memoria 135 junto con la lógica de análisis 132. El servidor 180 está configurado para comprimir las mediciones de datos sin procesar, almacenar datos en la base de datos 130 y realizar la coincidencia de patrones.

Las FIGS. 10 y 11 representan diagramas de flujo que ilustran la lógica general de un algoritmo de coincidencia de patrones 200, 800 para encontrar eficazmente la mejor coincidencia con un patrón de referencia. La FIG. 11 representa la lógica general de un algoritmo de coincidencia de patrones en tiempo real 800 para identificar eficazmente un conjunto de datos de ventana de tiempo actual o más reciente que coincida sustancialmente con el patrón de referencia. Los algoritmos 200, 800 se almacenan en una memoria 135 y se ejecutan por el procesador 120 o 185 del sistema de monitoreo de pacientes 100.

En referencia a las FIGS. 10 y 11, los bloques 202, 802 representan el inicio del algoritmo 200, 800. El dispositivo de entrada 110 de un sistema de monitoreo de pacientes 100 toma una o más mediciones de glucosa. Como se indica anteriormente, también se pueden tomar otros analitos y/o mediciones fisiológicas. Los bloques 205, 805 representan el inicio de un período de ventana de tiempo para adquirir una o más mediciones de glucosa y/o fisiológicas. El inicio de un período de ventana de tiempo puede ser desencadenado por uno o más de los siguientes: una entrada de usuario recibida por medio de la interfaz de usuario 145, donde el usuario le dice al procesador 120 o 185 cuándo debe comenzar una nueva ventana; por un evento detectado o programado; o cuándo ha transcurrido un período de tiempo y un nuevo período de tiempo debe comenzar automáticamente.

Los bloques 210, 810 representan la adquisición de datos de medición fisiológicos donde la concentración de glucosa y/u otros datos fisiológicos son detectados por el dispositivo de entrada 110 del sistema de monitoreo de pacientes 100. Durante la ventana de tiempo se toma al menos una medición de glucosa, una medición fisiológica o una entrada del paciente, recibida por medio de la interfaz de usuario 145. De forma alternativa, se pueden tomar una pluralidad de dichas mediciones y entradas del paciente. Solo a modo de ejemplo, las mediciones se pueden tomar en incrementos de segundos, minutos, horas, días, etc. Cada medición de datos sin procesar se almacena en la base de datos 130. Además, el paciente 102 puede introducir datos usando la interfaz de usuario 145 para responder preguntas mostradas por el procesador 120 o 185 en la pantalla 140 durante el período de ventana de tiempo actual.

Los bloques 215, 815 representan la asociación de los datos de medición de glucosa y/o fisiológicos con una o más etiquetas de datos. Como se menciona anteriormente, las etiquetas de datos pueden incluir cuándo se ingirió una comida, cuándo se administró insulina, cuándo se realizó el ejercicio, la cantidad de contenido nutricional en una comida, la cantidad de insulina, la cantidad y/o el tipo de medicamento oral, qué tipo de ejercicio se realizó, etc. Por supuesto, otras etiquetas de datos que se pueden asociar con los datos de medición de glucosa y/o fisiológicos serán evidentes para los expertos en la técnica a la vista de las enseñanzas del presente documento.

Los bloques 220, 820 representan el final del período de ventana de tiempo en el que el procesador determina si se ha alcanzado el final. Los datos del período de la ventana de tiempo más reciente se pueden enviar a un procesador para su posterior procesamiento o, de forma alternativa, se pueden enviar a la base de datos y conservarse para su posterior procesamiento hasta que estén disponibles dos o más ventanas de tiempo de datos. A continuación, las dos o más ventanas de tiempo se pueden procesar juntas. Como se representa mediante la flecha, se puede iniciar una nueva ventana de tiempo al final del período de la ventana de tiempo anterior, donde se repite el proceso para adquirir datos de medición de glucosa y/o fisiológicos.

Los bloques 225, 825 representan el procesamiento de datos para normalizar y centrar los datos por el procesador a una escala donde la distribución de mediciones de glucosa y/o fisiológicas tiene una media de cero y una desviación estándar de uno. Los bloques 230, 825 representan la compresión de datos sin procesar a una base de rango reducido realizada por el procesador 120. En el procesamiento de rango reducido, los datos se pueden proyectar en un conjunto de vectores base. Cuando se correlacionan las mediciones de glucosa y/o fisiológicas, un pequeño conjunto de vectores base puede explicar la mayoría de las mediciones. Los datos de entrada se envían para su compresión donde se realiza una descomposición propia de los datos para determinar los valores propios y los vectores propios para la matriz XTX. El conjunto de vectores propios K se convierte en el conjunto base. Este conjunto de K vectores propios representa el equivalente comprimido de los datos de entrada. K se determina usando el algoritmo de inicialización, que se describe con más detalle en la FIG. 12.

Como conjunto base, se pueden usar funciones básicas de una transformación en el dominio de la frecuencia. En particular, dichas funciones básicas son funciones coseno o seno, ondículas o similares. En general, se pueden usar algoritmos de compresión de audio sin pérdida o con pérdida, preferentemente adaptados o escalados a un intervalo de frecuencia de las mediciones de glucosa y/o fisiológicas, con o sin implicación de una descomposición de valor propio. El algoritmo de compresión puede ser un algoritmo de compresión con pérdida que implica una transformación en el dominio de la frecuencia, en el que la reducción de datos se proporciona en la transformación o dentro de una representación de los datos transformados. Como compresión que implica la transformación en el dominio de la frecuencia, se puede usar un algoritmo MPEG, Audio Layer III. De forma alternativa o en combinación con esto, se puede llevar a cabo una optimización o maximización de la entropía, por ejemplo, usando un procedimiento de compresión Lempel-Ziv.

La FIG. 12 representa el algoritmo de inicialización 900, que es el proceso usado para encontrar una matriz de transformación para convertir vectores de datos sin procesar en vectores comprimidos de rango reducido. El algoritmo de iniciación se puede producir una vez para encontrar la matriz de transformación, y a continuación, la matriz de transformación se puede codificar de forma fija en el algoritmo de coincidencia de patrones 200, 800 que se ejecuta en el dispositivo 105 o el sistema 100. De forma alternativa, la matriz de transformación puede ser un algoritmo de compresión separado del algoritmo de coincidencia de patrones 200, 800. El algoritmo de iniciación se puede ejecutar en un dispositivo separado del dispositivo o sistema que ejecuta el algoritmo de coincidencia de patrones. Solo a modo de ejemplo, el algoritmo de inicio se puede ejecutar en un ordenador personal u otro tipo de ordenador. El algoritmo de inicialización es opcional y se lleva a cabo preferentemente en caso de que el procedimiento implique el uso de funciones de base propia. En caso de que intervengan otras funciones básicas, se puede omitir el algoritmo de inicialización.

Como se representa, el bloque 910 representa la etapa de recopilar una gran muestra representativa de conjuntos de datos de ventana de tiempo de una longitud deseada, N (longitud de un conjunto de datos de ventana de tiempo). Los conjuntos de datos de ventana de tiempo pueden ser de un solo paciente o de más de un paciente. En particular, esto se aplica al registro de datos de medición y a los datos de medición como se menciona más arriba. Los datos, X, pueden ser de pacientes diabéticos en condiciones de vida libre y pueden representar una amplia gama de comportamientos y resultados de pacientes, de modo que pueden ser representativos de una población de pacientes diabéticos. Los datos, X, pueden ser datos de un estudio previo o, en general, pueden provenir de cualquier fuente amplia de datos de medición de glucosa. Los datos, X, pueden estar centrados y normalizados, X, para tener una media de cero y una desviación estándar de uno y, por tanto, se pueden expresar de acuerdo con la ecuación (1) como sigue:

X=

Ox (1),

donde X es la matriz M x N de K conjuntos de datos de ventana de tiempo cada uno de longitud N, * es el vector de conjunto de datos de ventana de tiempo medio sobre todos los K conjuntos de datos de ventana de tiempo, y Ox es el vector de conjunto de datos de ventana de tiempo de desviación estándar sobre todos los K conjuntos de datos de ventana de tiempo, K es la longitud del vector de rango reducido comprimido y M es el número de conjuntos de datos de ventana de tiempo de muestra para el algoritmo de inicialización. Los datos de la ventana de tiempo se pueden aumentar con una o más etiquetas de datos como se analiza anteriormente.

El bloque 920 representa la etapa de descomposición propia, donde se determinan los valores propios y los vectores propios para la matriz XTX, que se pueden expresar de acuerdo con las ecuaciones (2) y (3) como sigue:

A = valores propios (XTX) (2),

V = valores propios (XTX) (3).

Los vectores propios se pueden usar como los nuevos vectores base con solo los primeros K vectores, donde K es la longitud del vector comprimido de rango reducido, que se usa para comprimir los datos. El valor de K se determina ordenando los valores propios de mayor a menor y a continuación, calculando la suma acumulada para la lista ordenada de valores propios. El valor propio se puede usar para mostrar la cantidad de información explicada por su vector propio correspondiente. Los vectores propios asociados con los valores propios más pequeños se eliminan para comprimir los datos.

[0010] El bloque 930 representa la etapa de seleccionar una base de rango reducido de los vectores propios. K se puede seleccionar para equilibrar la compresión de los datos (para fines de eficacia algorítmica) y la retención de información relevante (nivel de detalle necesario en los datos). El bloque 940 representa la etapa de comprimir datos en vectores base de rango reducido. Los primeros vectores propios K se usan para crear una matriz de transformación, B, que convierte los conjuntos de datos de ventana de tiempo a la base de rango reducido. Un vector se comprime de acuerdo con las ecuaciones (4)-(6) como sigue:

B = [Vi,V2, . ■Vk]

x ^— t= — ^(xt - --- ^x - ⁾- (5),

_{1 Ox}

at = Bt xt (6),

donde el vector at representa la versión de rango reducido de xt, xt es el conjunto de datos de ventana de tiempo de longitud N que comienza en el tiempo t, BT es la matriz de transformación que consiste en los primeros K vectores propios [v¹, v²,...vk], y vi es el i-ésimo vector propio que corresponde a Ai. El vector de rango reducido at se puede convertir de nuevo al espacio original xt multiplicando por B, que se puede expresar de acuerdo con la ecuación (7) como sigue:

xt = B at (7).

La compresión de datos puede proporcionar, y sin limitarse a ello, los siguientes dos beneficios señalados: reduce significativamente el tamaño de los datos para realizar comparaciones y funciona como un filtro para eliminar el ruido de la señal. Por tanto, el algoritmo de compresión puede hacer coincidir los conjuntos de datos de ventana de tiempo con una señal subyacente similar en lugar de hacer coincidir los patrones de ruido.

Ejemplo de iniciación de algoritmo

En algunos de los experimentos realizados, la duración de cada conjunto de datos de ventana de tiempo fue de cuatro horas. La concentración de glucosa se midió cada minuto, por lo que cada ventana contenía un vector de 240 valores de medición de glucosa. En otros experimentos realizados, la duración de cada conjunto de datos de ventana de tiempo fue de dos horas. Por supuesto, se pueden usar otras longitudes de ventana de tiempo para recopilar mediciones de glucosa. En la etapa 1, donde se recopiló una muestra grande de conjuntos de datos de ventana de tiempo, la longitud N de cada conjunto de datos de ventana de tiempo fue de 240 minutos, como se indica anteriormente, y se usaron más de 100.000 conjuntos de datos de ventana de tiempo. Los datos se centraron, normalizaron y se realizó una descomposición propia. Se calculó la suma acumulativa de los valores propios de la descomposición propia. La FIG. 13 representa una curva ejemplar de la suma acumulada de los valores propios más grandes dividida por la suma total de los valores propios. El valor propio se puede usar para mostrar la cantidad de información explicada por su vector propio correspondiente. Por tanto, como se muestra en el gráfico de la FIG. 13, la compresión de los conjuntos de datos de ventana de tiempo usando el primer vector propio retendría aproximadamente el 70 % de los datos originales (1010). El uso de dos vectores propios retendría aproximadamente el 85 % de los datos originales (1020). El uso de tres vectores propios retendría aproximadamente el 91 % de los datos originales (1030). El uso de cuatro vectores propios retendría aproximadamente el 94 % de los datos originales (1040), y así sucesivamente. En este ejemplo, K fue seleccionado para ser cuatro.

La FIG. 14 representa una curva de los primeros cuatro vectores propios (1010, 1020, 1030, 1040) calculados usando los datos de este ejemplo, que muestra que los vectores comprimidos son ortogonales. Cada vector captura un tipo importante de dinámica que se encuentra en los datos sin procesar. El primer vector propio 1010 es aproximadamente el valor medio del vector de datos sin procesar. El segundo vector propio 1020 mide la tendencia. El tercer vector propio 1030 captura picos. El cuarto vector propio 1040 responde a componentes de frecuencia más alta.

En referencia de nuevo a la FIG. 10, una vez que los datos sin procesar han sido comprimidos, los datos comprimidos se pueden hacer coincidir con patrones por el procesador 120 o 185, como se representa en el bloque 240, o almacenarse en la base de datos 130 (o de forma alternativa, en la memoria 135) por el procesador 120 o 185, como se representa en el bloque 235, ambos explicados con más detalle en la FIG. 15. El bloque 245 representa el final del algoritmo.

En referencia a la FIG. 11, una vez que los datos sin procesar han sido comprimidos, los datos comprimidos pueden hacerse coincidir con patrones por el procesador 120 o 185, como se representa en el bloque 830, 835 y 840, o almacenarse en la base de datos 130 (o de forma alternativa, en la memoria 135) por el procesador 120 o 185, ambos explicados con más detalle en la FIG. 15. El bloque 870 representa el final del algoritmo.

La FIG. 11 también representa los bloques 845, 850, 855, 860 y 865, que en general representan la entrada y el almacenamiento de un patrón de referencia y una alerta asociada que se usará durante la coincidencia de patrones en tiempo real. El bloque 845 representa la entrada de un patrón de referencia y/o alerta asociada en el dispositivo de entrada 110 usando la interfaz de usuario 145.

El patrón de referencia puede ser cualquier conjunto de datos de interés, por ejemplo, datos históricos (día(s) previo(s), semana(s), mes(es), año(s), etc.) del paciente 102. El conjunto de datos se puede proporcionar desde el dispositivo de entrada 110, la base de datos 130, la memoria 135, la interfaz de usuario 145 y/o desde cualquier otra fuente externa de datos del paciente con la que el dispositivo 105 se pueda comunicar por medio de la interfaz de datos 115. Se debe apreciar que, como tal, el patrón de referencia se puede generar a partir de cualquiera de los datos disponibles para el dispositivo 105, y mediante cualquier procedimiento realizado por el procesador 120, el dispositivo de entrada 110 (si está provisto de medios de procesamiento) o dispositivo(s) externo(s) que operan sobre los datos (y se proporcionan al dispositivo por medio de la interfaz de datos 115), en el que se proporciona un patrón de interés, tal como por ejemplo, una curva de glucosa. Los procedimientos ejemplares para generar una curva de glucosa pueden incluir: hacer que el procesador 120 dibuje una curva de glucosa usando mediciones de datos de glucosa proporcionadas por el dispositivo de entrada de datos fisiológicos 110, hacer que el procesador 120 dibuje una curva de glucosa usando mediciones de datos de glucosa leídas de la base de datos 130 y/o memoria 135 para la al menos una ventana de tiempo u otros períodos de tiempo, hacer que el procesador 120 dibuje una curva de glucosa usando la entrada recibida por medio de la interfaz de usuario 145, hacer que el procesador 120 seleccione una curva de glucosa que represente un comportamiento o condición común (por ejemplo, descenso de glucemia durante el ejercicio, aumento de glucemia después de una comida, etc.) que se puede detectar en los datos del paciente 102, y combinaciones de los mismos. En otros modos de realización, no es necesario seleccionar la curva de glucosa a partir de mediciones de datos de glucosa reales como se analiza anteriormente con respecto a datos históricos y/o externos. El patrón de referencia también se puede generar a partir de datos resultantes de una consulta ingresada por medio de la interfaz de usuario 145 y ejecutada por el procesador 120 en datos almacenados proporcionados en la base de datos 130, la memoria 135 y/o en otras fuentes externas que fueron consultadas por el procesador 120 por medio de la interfaz de datos 115. El patrón de referencia también puede incluir cualquier etiqueta de datos relevantes o datos de múltiples analitos, y el patrón de referencia generado y/o recibido se puede almacenar en la base de datos 130 y/o la memoria 135 hasta que sea requerido por el procesador 120 para un proceso de coincidencia de patrones analizado a continuación en el presente documento en una sección posterior.

La alerta es personalizable y puede ser una alerta visual, tal como un icono o mensaje mostrado, o una luz, una alerta sonora, tal como un pitido o música, o una alerta vibratoria, o una combinación de los mismos. La alerta puede tener modos de notificación únicos y/o múltiples. Por ejemplo, la alerta puede incluir simultáneamente una notificación sonora, visual y vibratoria. Cuando un evento desencadena la notificación de alerta, el usuario puede ser notificado del evento o condición sintiendo la vibración, escuchando la alerta sonora y/o viendo la alerta visual. La alerta se puede mostrar en la pantalla 140 del dispositivo 105.

En un ejemplo, el patrón de referencia y la alerta se pueden usar para alertar al paciente para que tome acciones específicas cuando se produzca un evento en particular. Por ejemplo, el patrón de referencia puede ser un evento posprandial, un evento hipoglucémico, ejercicio, comidas, etc. o cualquier otro patrón problemático que se exista producido en los datos fisiológicos pasados del paciente. Por tanto, cuando el evento se detecta de nuevo en tiempo real, el sistema de monitoreo de pacientes 100 alertará al paciente de ese hecho.

De forma similar al bloque 825, el bloque 850 representa el procesamiento del patrón de referencia para normalizar y centrar los datos por parte del procesador a una escala donde la distribución de las mediciones de glucosa y/o fisiológicas tiene una media de cero y una desviación estándar de uno. El bloque 855 representa la compresión del patrón de referencia a una base de rango reducido realizada por el procesador 120. El procesador 120 o 185 puede comprimir el patrón de referencia y almacenarlo para una comparación en tiempo real. El bloque 860 representa el almacenamiento del patrón de referencia comprimido y el bloque 865 representa el almacenamiento de la alerta en la base de datos 130 en una cola o en el procesador 120 o 185.

El bloque 830 representa las etapas de coincidencia de patrones que calculan la métrica de distancia entre el patrón de referencia y un conjunto de datos de ventana de tiempo en tiempo real (o el más actual). El procedimiento de coincidencia de patrones se describe a continuación con más detalle. El bloque 835 representa la etapa de determinar si la métrica de distancia es menor que un determinado valor £ que puede establecer el usuario. Si la métrica de distancia es menor que £, entonces la alerta se activa como se muestra en el bloque 840. Si la métrica de distancia es mayor que £, no se activa ninguna alerta y el algoritmo repite el proceso para el siguiente conjunto de datos de ventana de tiempo actual. El bloque 870 representa el final del algoritmo de coincidencia de patrones 800.

El algoritmo de coincidencia de patrones 200, 800 se puede ejecutar en cualquier dispositivo o sistema informático adecuado, tal como el dispositivo 105, el sistema 100, o proporcionar en un medio legible por ordenador no transitorio que almacena el algoritmo de coincidencia de patrones 200, 800 en forma de programa que proporciona instrucciones que cuando son ejecutadas por un procesador, tal como el procesador 120 o 185, hacen que el procesador realice los actos descritos anteriormente de los bloques 202-245 de la FIG. 10 y los bloques 802-870 de la FIG. 11. El algoritmo de coincidencia de patrones 200, 800 se puede usar para encontrar eficazmente la mejor coincidencia o coincidencias con un patrón de referencia. La FIG. 15 describe además la coincidencia de patrones (bloque 235 de la FIG. 10 y bloques 830, 835 y 840 de la FIG. 11) y la fase de almacenamiento del algoritmo (bloque 240 de la FIG. 10). Antes de la coincidencia de patrones 1230, el conjunto de datos de ventana de tiempo actual 1210 se centra y normaliza, a continuación, se transforma en el espacio de rango reducido 1220 usando la matriz de transformación, B, que se calculó previamente usando el algoritmo de iniciación, y que se puede expresar de acuerdo con las ecuaciones (8)-(9) como sigue:

/V (xt - x) _{xt = ——-} (8),

1 °x

at = Bt xt (9).

La coincidencia o coincidencias más cercanas se pueden determinar usando una métrica de distancia, ji. En un ejemplo, la métrica de distancia es la distancia euclidiana donde la diferencia en la posición de dos vectores se calcula dentro del espacio de rango reducido 1220. Por tanto, ai se encuentra calculando el valor que minimiza la ecuación (10) como sigue:

j j = ^ (a, - at) T (a, - at) (10),

donde ai es el vector de rango reducido de un conjunto de datos de ventana de tiempo almacenado seleccionado como coincidencia potencial, at es el vector de referencia de rango reducido y T es la función de transposición. Para la coincidencia de patrones en tiempo real que se muestra en la FIG. 8, la alerta se muestra si el valor de la métrica de distancia, ji, es menor que un valor de umbral, z. El valor de épsilon depende de la métrica de distancia seleccionada, la penalización por ruido, la longitud de la ventana de tiempo, etc. En un ejemplo, z se selecciona, pero puede ser sustancialmente cercano a cero. En un caso general, z se puede seleccionar usando pruebas estadísticas comunes, por ejemplo, análisis de regresión, de modo que la probabilidad de que las coincidencias sean mediciones de los mismos datos fisiológicos sea al menos 0,95 o en un caso más estricto 0,98.

j i í z (11),

En otro ejemplo, la métrica de distancia es la distancia de Mahalanobis, que también tiene en cuenta las correlaciones del conjunto de datos.

j, = J(a, - a ) T l -1 (a, - a ) (12),

donde l -1 es la inversa de la matriz de covarianza. Por supuesto, se pueden usar otras métricas de distancia para realizar la coincidencia de patrones y serán evidentes para los expertos en la técnica a la vista de las enseñanzas del presente documento.

Se puede usar una métrica de distancia euclidiana modificada, donde la distancia euclidiana se modifica con una función de penalización de error para penalizar los datos sin procesar que están demasiado distorsionados. En un ejemplo, la distorsión en una ventana de datos sin procesar se puede estimar calculando la suma del error absoluto entre los datos comprimidos y sus datos sin procesar, que se puede expresar de acuerdo con la ecuación (13) como sigue:

ei = £|g, - g, | , donde g , = B a, (13),

donde ei es la suma del error absoluto, gi es el error absoluto de los datos sin procesar y g¡ es el error absoluto de los datos comprimidos que se puede determinar para encontrar la coincidencia o coincidencias más cercanas que están cerca y tienen menos distorsión. La coincidencia o coincidencias más cercanas se pueden determinar usando la distancia euclidiana dentro del espacio de rango reducido, por ejemplo, calculando el valor que minimiza la ecuación (14) como sigue:

j j = V a - at)T (ai - at) + j e¡ (14),

donde y es un parámetro usado para ajustar el equilibrio entre minimizar la distancia y el error. Esta métrica de distancia tenderá a encontrar patrones que sean similares y con menor distorsión. El valor de j i se puede usar para evaluar la calidad de la coincidencia. Por ejemplo, si j i es menor que algún umbral, entonces la coincidencia se podría describir cualitativamente como "excelente", "buena" o "mala". La métrica de distancia puede incluir componentes que representen la diferencia entre las etiquetas asociadas con los datos.

Getiqueta — f (ki, kt) (15).

En funcionamiento, cuando el algoritmo de coincidencia de patrones 200 es ejecutado por un procesador, por ejemplo, el procesador 120 o 185, puede hacer que el procesador realice además la coincidencia de patrones determinando la métrica de distancia entre el vecino más cercano y el patrón de referencia. En otro ejemplo, cuando el procesador 120 o 185 ejecuta el algoritmo de coincidencia de patrones 200, puede hacer que el procesador realice además la coincidencia de patrones determinando la métrica de distancia entre los vecinos d más cercanos y el patrón de referencia. En otro ejemplo, cuando el algoritmo de coincidencia de patrones es ejecutado por un procesador, por ejemplo, el procesador 120 o 185, puede hacer que el procesador realice además la coincidencia de patrones determinando la métrica de distancia entre al menos un punto de datos dentro de algún intervalo r del patrón de referencia, donde r es la distancia deseada desde el patrón de referencia. El algoritmo de coincidencia de patrones 800, cuando es ejecutado por un procesador 120 o 185, puede hacer que el procesador coincida con el patrón usando el conjunto de datos de ventana de tiempo más reciente o actual y el patrón de referencia. Cuando el conjunto de datos de ventana de tiempo más reciente o actual coincide con el patrón de referencia, el dispositivo 105 desencadena una alerta, que puede incluir la visualización de un mensaje de alerta que contiene información sobre el tratamiento.

El algoritmo de coincidencia de patrones 200, 800 se puede ejecutar, por ejemplo, en un sistema de monitoreo continuo de glucosa u otros sistemas de monitoreo de pacientes como se describe anteriormente. El algoritmo de coincidencia de patrones 200, 800 también se puede ejecutar en otros monitores de glucosa continuos ejemplares fabricados por, por ejemplo, Medtronic, DexCom y Abbott Diabetes Care o cualquier otro sistema que se pueda usar para mostrar y/o analizar datos sin procesar de un sensor fisiológico y/o patrones de referencia a partir de datos reales o generados, para patrones.

En un ejemplo, un sistema de monitoreo de pacientes ejecuta un algoritmo de coincidencia de patrones. El sistema de monitoreo de pacientes comprende un dispositivo de entrada que recibe una muestra biológica y adquiere una pluralidad de mediciones fisiológicas de un paciente dentro de una ventana de tiempo generando de este modo al menos un conjunto de datos de ventana de tiempo, una memoria que almacena un algoritmo de coincidencia de patrones, una base de datos para almacenar el al menos un conjunto de datos de ventana de tiempo, y un procesador en comunicación con dicho dispositivo de entrada para recibir dicho al menos un conjunto de datos de ventana de tiempo generado y en comunicación con la memoria para ejecutar el algoritmo de coincidencia de patrones. Cuando el algoritmo de coincidencia de patrones es ejecutado por el procesador, hace que el procesador comprima el al menos un conjunto de datos de ventana de tiempo en un espacio de rango reducido y realice una coincidencia de patrones entre un patrón de referencia y el al menos un conjunto de datos de ventana de tiempo almacenado usando una métrica de distancia. La memoria puede almacenar además un algoritmo de procesamiento previo de datos. El programa de procesamiento previo de datos, cuando es ejecutado por dicho procesador, puede hacer que dicho procesador normalice y centre el al menos un conjunto de datos de ventana de tiempo en una escala donde la distribución de la pluralidad de mediciones fisiológicas tenga una media de cero y una desviación estándar de uno.

El al menos un conjunto de datos de ventana de tiempo generado se puede comprimir en un espacio de rango reducido usando una matriz de transformación. La matriz de transformación se puede determinar mediante un algoritmo de inicialización, que cuando es ejecutado por el procesador, hace que el procesador realice una descomposición propia en un conjunto de datos de medición fisiológicos amplio y representativo para determinar A valores propios y V vectores propios, calcule la suma acumulativa de los valores propios y seleccione un subconjunto K de los vectores propios más grandes. Solo a modo de ejemplo, K puede ser seis o menos. En otro ejemplo, K puede ser cinco o menos. En otro ejemplo, K puede ser cuatro o menos. Solo a modo de ejemplo, K también se puede preseleccionar para retener hasta aproximadamente el 90 % de los datos originales del al menos un conjunto de datos de ventana de tiempo. En otro ejemplo, K se puede preseleccionar para retener hasta aproximadamente el 95 % de los datos originales del al menos un conjunto de datos de ventana de tiempo. En otro ejemplo, K se puede preseleccionar para retener hasta aproximadamente el 98 % de los datos originales del al menos un conjunto de datos de ventana de tiempo.

Cuando el algoritmo de coincidencia de patrones es ejecutado por dicho procesador, puede hacer que el procesador haga coincidir los patrones determinando la métrica de distancia dentro del espacio de rango reducido. También puede hacer que el procesador realice una coincidencia de patrones al determinar la coincidencia más cercana que calcula el valor que minimiza la métrica de distancia dentro del espacio de rango reducido. El algoritmo de coincidencia de patrones, cuando es ejecutado por dicho procesador, puede hacer que el procesador determine además el error absoluto de una coincidencia de patrones usando la métrica de distancia dentro del espacio de rango reducido o de la coincidencia más cercana que minimiza la métrica de distancia dentro del espacio de rango reducido. El procesador puede realizar la coincidencia de patrones usando una búsqueda de árbol Kd o una búsqueda exhaustiva ingenua.

El sistema de monitoreo de pacientes puede comprender además una base de datos y uno o más algoritmos de almacenamiento. Cuando dicho procesador ejecuta uno o más algoritmos de almacenamiento, puede hacer que el procesador almacene un conjunto de datos comprimido en una estructura de árbol Kd en la base de datos. También puede hacer que el procesador añada el conjunto de datos comprimido a una cola y a continuación, añada el conjunto de datos comprimido de la cola a la estructura del árbol Kd. Solo a modo de ejemplo, los conjuntos de datos se pueden almacenar en la base de datos a intervalos regulares, en base a un evento, en base a una etiqueta de datos, en base al patrón de los datos o cuando lo solicite el usuario.

En otro ejemplo, el monitoreo de un paciente que comprende un sensor y un procesador puede usar el algoritmo de coincidencia de patrones para procesar al menos un conjunto de datos de ventana de tiempo. En funcionamiento, el monitoreo del paciente recibe automáticamente por medio del sensor una muestra biológica en el monitoreo del paciente, adquiere una pluralidad de mediciones fisiológicas que genera automáticamente al menos un conjunto de datos de ventana de tiempo y hace que el procesador procese automáticamente el al menos un conjunto de datos de ventana de tiempo generado para normalizar y centrar el al menos un conjunto de datos de ventana de tiempo en una escala en la que la distribución de las mediciones fisiológicas tiene una media de cero y una desviación estándar de uno, comprima el al menos un conjunto de datos de ventana de tiempo normalizado en un espacio de rango reducido, y realice una coincidencia de patrones entre un patrón de referencia y el al menos un conjunto de datos de ventana de tiempo comprimido usando una métrica de distancia dentro de un espacio de rango reducido.

Durante la coincidencia de patrones, el procesador puede encontrar automáticamente la coincidencia más cercana calculando el valor métrico de distancia más pequeño entre el patrón de referencia y uno de los conjuntos de datos de ventana de tiempo almacenados (es decir, coincidencia potencial) para encontrar la coincidencia más cercana dentro del espacio de rango reducido. Esto se puede hacer realizando una búsqueda de árbol Kd o realizando una búsqueda ingenua exhaustiva. El procesador también puede encontrar automáticamente el error absoluto de coincidencia de patrones o la coincidencia más cercana.

El procesador puede comprimir automáticamente el conjunto de datos generado o normalizado en un espacio de rango reducido realizando una descomposición propia por medio de la descomposición de una matriz X X en valores propios de A y vectores propios de V. A continuación, el procesador puede calcular automáticamente la suma acumulada de los valores propios, determinar el vector propio correspondiente para cada vector propio y seleccionar un subconjunto de vectores propios mediante el equilibrio entre la compresión de datos y la preservación de la información relevante, lo que se puede producir aplicando automáticamente una matriz de transformada ortogonal a dicho subconjunto de vectores propios para proporcionar un vector de rango reducido comprimido. El procesador también puede almacenar automáticamente el conjunto de datos comprimido en un árbol Kd.

En otro ejemplo, un medio legible por ordenador no transitorio puede almacenar el algoritmo de coincidencia de patrones en forma de programa. Cuando el programa es ejecutado por un procesador, hace que el procesador realice al menos una coincidencia de patrones de un patrón de referencia con un conjunto de datos de ventana de tiempo de datos almacenados recopilados por medio de un sistema de monitoreo de pacientes usando una métrica de distancia. El programa puede hacer que el procesador realice la coincidencia de patrones al encontrar el vecino más cercano al patrón de referencia. En otro ejemplo, el programa hace que el procesador realice la coincidencia de patrones encontrando los vecinos d más cercanos, donde d es el número de vecinos de interés. En otro ejemplo, el programa hace que el procesador realice la coincidencia de patrones encontrando al menos un punto de datos dentro de algún intervalo r del patrón de referencia, donde r es la distancia deseada desde el patrón de referencia. El programa puede hacer que el procesador realice además la coincidencia de patrones determinando el error absoluto entre el vecino más cercano y el patrón de referencia, entre los vecinos d más cercanos y el patrón de referencia, y/o entre el al menos un punto de datos dentro de algún intervalo r del patrón de referencia, donde r es la distancia deseada desde el patrón de referencia.

Como se indica anteriormente, cuando se ejecuta un algoritmo de coincidencia de patrones, el patrón de referencia puede ser el al menos un conjunto de datos de ventana de tiempo más reciente (excepto cuando se está ejecutando un algoritmo de coincidencia de patrones en tiempo real) y/o puede ser cualquier otro patrón de interés, por ejemplo, los datos anteriores de un paciente con diabetes, otra fuente de datos de glucosa, una curva de glucosa generada, etc. Los procedimientos ejemplares para generar una curva de glucosa pueden incluir: dibujar una curva de glucosa usando, por ejemplo, un ratón, un teclado, una pantalla táctil, etc., seleccionar una curva de glucosa que represente un comportamiento o condición común (por ejemplo, descenso de la glucemia durante el ejercicio, aumento de la glucemia después de una comida, etc.), etc. No es necesario seleccionar la curva de glucosa a partir de mediciones de datos de glucosa reales, sino que se puede seleccionar a partir de los datos de medición de glucosa reales. El patrón de referencia también puede incluir etiquetas de datos relevantes.

El algoritmo de coincidencia de patrones se puede usar de diversas formas. Por ejemplo, se puede realizar una coincidencia de patrones para identificar comidas problemáticas. En ocasiones, los pacientes diabéticos se enfrentan al desafío de controlar las excursiones hiperglucémicas posprandiales (es decir, después de una comida). Los pacientes diabéticos pueden monitorear su comportamiento de glucosa posprandial mediante pruebas de glucosa en un momento distinto después de un evento prandial. Sin embargo, esto puede descuidar la dinámica de la excursión de glucosa, es decir, el cambio en la glucosa u otros datos relevantes (por ejemplo, la ingesta de carbohidratos, otra información sobre las comidas, niveles de insulina, etc.) después de una comida. El algoritmo de coincidencia de patrones puede ser usado por un paciente diabético o un proveedor de atención médica para dibujar rápidamente un patrón de referencia del evento posprandial hiperglucémico que corresponde a la dinámica de las comidas que ha consumido un paciente. Encontrar patrones en el sistema del paciente que sean similares al patrón de referencia puede permitir la identificación de eventos de comidas problemáticas. Un proveedor de atención médica o un paciente diabético puede corregir estos eventos en el futuro estimando con mayor precisión el contenido de carbohidratos o modificando el tratamiento de manera apropiada. El algoritmo de coincidencia de patrones también se puede usar para identificar múltiples casos en los que la hiperglucemia fue más grave y determinar los patrones que pueden haber causado estas desviaciones. La coincidencia de patrones se puede usar para identificar comidas similares. Se puede realizar una búsqueda de datos pasados para patrones de glucosa y/o patrones de comportamiento similares para ayudar a un paciente diabético a recordar decisiones y resultados pasados. En funcionamiento, un usuario puede dibujar o seleccionar un patrón, y el sistema calcula el porcentaje de tiempo que los datos de coincidencia más cercanos de un paciente diabético son similares al patrón de referencia dentro de determinados límites.

En otro ejemplo, se puede realizar una coincidencia de patrones para identificar eventos hipoglucémicos. Los pacientes diabéticos también se enfrentan a veces a episodios hipoglucémicos nocturnos no detectados. Los episodios hipoglucémicos no detectados son posibles debido tanto a la dinámica glucosa-insulina influenciada por las comidas como a la actividad física. Un usuario puede usar un patrón de referencia para identificar períodos en los que el paciente experimentó hipoglucemia para analizar estos episodios y proporcionar un marco para identificar las causas de la hipoglucemia y proporcionar soluciones. Por ejemplo, la combinación de patrones de coincidencia más cercanos e información sobre comidas, insulina y actividad física puede servir como una herramienta útil para analizar el comportamiento hipoglucémico del paciente. También puede indicar estrategias para evitar la hipoglucemia. En funcionamiento, un usuario puede dibujar o seleccionar un patrón, y el sistema calcula el porcentaje de tiempo que los datos de coincidencia más cercanos del paciente diabético son similares al patrón de referencia dentro de determinados límites.

En otro ejemplo, la coincidencia de patrones se puede realizar para estimar proactivamente la ingesta de bolo o comida. Un usuario puede usar un patrón de referencia e información sobre las comidas para buscar en una base de datos de comidas y observar el comportamiento glucémico anterior. A continuación, el usuario puede analizar el comportamiento posprandial en base al evento pasado y realizar cambios en el bolo de insulina para evitar una excursión hiperglucémica posprandial. De forma similar, un usuario puede usar información sobre la actividad física, la insulina y las comidas anteriores para corregir episodios hipoglucémicos inminentes antes de hacer ejercicio u otra actividad física.

En otro ejemplo, la coincidencia de patrones se puede usar en un sistema de monitoreo de pacientes en tiempo real (que ejecuta el algoritmo de coincidencia de patrones en tiempo real) para notificar a un paciente si un conjunto de datos de ventana de tiempo más reciente o actual es sustancialmente similar a un patrón de referencia. El patrón de referencia se ingresa en el dispositivo junto con una alerta que se mostrará cuando el sistema de monitoreo identifique un conjunto de datos de ventana de tiempo más reciente o actual que es sustancialmente similar al patrón de referencia. Cuando el conjunto de datos de ventana de tiempo más reciente o actual coincide con el patrón de referencia, se desencadenará una alerta. El patrón de referencia puede ser cualquier patrón problemático en los datos fisiológicos del paciente (por ejemplo, comportamiento posprandial, eventos hipoglucémicos, eventos hiperglucémicos, ejercicio, etc.)

En referencia a la FIG. 15, durante la fase de almacenamiento, los datos que están disponibles y comprimidos se pueden añadir a una cola 1240. La cola contiene los vectores comprimidos más recientes que esperan ser añadidos al árbol kd. Los vectores comprimidos se mueven de la cola al árbol kd cuando son más antiguos que N, donde N es la longitud de la ventana de tiempo actual 1250. Por tanto, los vectores comprimidos se mueven al árbol kd cuando ya no se superponen con la ventana de tiempo actual. Las ventanas de tiempo se representan en el árbol kd por su vector comprimido de dimensiones k y un parámetro de tiempo que vincula el vector comprimido a una localización en los datos sin procesar guardados.

Ejemplos de coincidencia de patrones

Se generaron resultados ejemplares de coincidencia de patrones encontrando la coincidencia más cercana en una base de datos que contenía 138.489 ventanas de datos de cuatro horas almacenadas comprimidas en vectores de 4 dimensiones. Para cada ventana de tiempo, la coincidencia más cercana se encontró en el espacio de rango reducido. Las búsquedas se realizaron usando una búsqueda exhaustiva ingenua y la búsqueda eficiente del árbol kd. Los detalles de los resultados ejemplares de coincidencia de patrones se analizarán con más detalle a continuación usando las FIGS. 16(a) y 16(b), 17(a) y 17(b), 18(a) - 18(c), 19(a) - 19(e) y 20.

Las FIGS. 16(a), 16(b), 17(a) y 17(b) representan dos resultados de una búsqueda de coincidencia de patrones ejemplar para la coincidencia más cercana. Las FIGS. 16(a) y 17(a) muestran curvas ejemplares (1310, 1410) de los datos sin procesar de la ventana de tiempo usados para la búsqueda de coincidencia de patrones, su versión comprimida y los datos sin procesar de una coincidencia junto con su versión comprimida. Las FIGS. 16(b) y 17(b) muestran curvas ejemplares del valor de los vectores comprimidos con los datos de ventana de tiempo trazados como barras (1330, 1430) y la coincidencia como una línea (1320, 1420). Las curvas ejemplares de las FIGS. 16(a) y 16(b) muestran una tendencia descendente, por lo que el segundo vector propio 1020 contiene la respuesta más fuerte. Las curvas ejemplares de las FIGS. 17(a) y 17(b) muestran un pico, por lo que el tercer vector propio 1030 contiene la respuesta más fuerte. La capacidad de interpretar los valores en el espacio de rango reducido se podría usare para otros algoritmos, tal como la predicción de hipoglucemia, la clasificación de patrones de comidas y el filtrado de ruido.

La FIG. 18(a) representa una visualización ejemplar de una curva de patrón de referencia de la concentración de glucemia a lo largo del tiempo. En este ejemplo, se dibujó un patrón de referencia de cuatro horas 1510 (mostrado como una línea con puntos circulares) y el algoritmo de coincidencia de patrones devolvió los vectores de rango reducido de las 20 coincidencias 1520 principales mostradas como líneas uniformes. Las líneas ruidosas son las 20 coincidencias principales que se muestran como vectores de datos sin procesar. Las 20 coincidencias 1520 principales se determinaron usando la distancia euclidiana en el espacio de rango reducido y la suma del error absoluto entre el vector de datos sin procesar de la coincidencia potencial y su vector de rango reducido. Como se muestra, la curva contiene el patrón de referencia 1510 y las 20 coincidencias 1520. De forma alternativa, la curva puede contener el patrón de referencia y una o más coincidencias. La curva también puede contener límites de error 1530 que van desde aproximadamente /- 15 % a /- 50 %. Los límites de error 1530 pueden ser útiles para mostrar una comparación visual. Además, se muestra una barra de desplazamiento 1540 en la parte inferior de la pantalla que se puede usar para desplazarse a través de y/o seleccionar una coincidencia específica. La barra de desplazamiento 1540 puede ser una pantalla sensible al tacto, por lo que la barra de desplazamiento en la pantalla se toca con un dedo y a continuación, se mueve el dedo en la dirección deseada en la pantalla. Las flechas a la izquierda y la derecha de la barra de desplazamiento 1540 se pueden tocar con un dedo en la pantalla para desplazarse a través de y/o seleccionar una coincidencia específica. Además, también se puede usar un ratón para desplazarse usando la barra de desplazamiento 1540 o las flechas izquierda y derecha. Cuando se selecciona una coincidencia específica, la pantalla cambia para resaltar la coincidencia específica. Las coincidencias que no están seleccionadas se pueden atenuar y colocarse en segundo plano.

La FIG. 18(b) representa una visualización ejemplar de una curva de patrón de referencia de la concentración de glucemia a lo largo del tiempo. De forma similar a la FIG. 18(a), la curva contiene el patrón de referencia de cuatro horas 1510 (mostrado como una línea con puntos circulares), vectores de rango reducido de las 20 coincidencias 1520 (mostradas como líneas uniformes), vectores de datos sin procesar de las 20 coincidencias (mostradas como líneas ruidosas), límites de error 1530 y la barra de desplazamiento 1540. También se representan dos líneas resaltadas que muestran el vector de rango reducido de una coincidencia en particular y el vector de datos sin procesar correspondiente (que es la línea resaltada con ruido) para la coincidencia. La pantalla también incluye un rango de coincidencia, que clasifica las coincidencias en orden de la más cercana a la N-ésima coincidencia más cercana, donde N es el número de coincidencias. En este ejemplo en particular, el rango de coincidencia puede variar de 1 a 20. La FIG. 18(b) muestra un rango de coincidencia de 1 que indica que la coincidencia resaltada es la coincidencia más cercana al patrón de referencia. Las otras coincidencias se atenúan y se colocan en segundo plano. También se muestra un error de coincidencia, que muestra el error absoluto entre la coincidencia y el patrón de referencia. El marcador de evaluación de la calidad también se representa y se basa en los números de error de coincidencia. Una etiqueta de evaluación de la calidad puede comprender excelente, buena, regular, deficiente, mala, horrible, etc. O se puede usar otro marcador para indicar la calidad de una coincidencia. La pantalla incluye una línea cronológica 1550 en la parte superior del gráfico, que muestra la sección coincidente 1555 colocada en una línea cronológica que puede proporcionar el contexto de la coincidencia.

La FIG. 18(c) representa otra visualización ejemplar de una curva de patrón de referencia de la concentración de glucemia a lo largo del tiempo. De forma similar a las FIGS. 18(A) y 18(b), la curva contiene el patrón de referencia de cuatro horas 1510 (mostrado como una línea con puntos circulares), vectores de rango reducido de las 20 coincidencias 1520 (mostradas como líneas uniformes), vectores de datos sin procesar de las 20 coincidencias (mostradas como líneas ruidosas), límites de error 1530 y la barra de desplazamiento 1540. También se representan dos líneas resaltadas que muestran el vector de rango reducido de una coincidencia en particular 1512 y el vector de datos sin procesar correspondiente 1514 (que es la línea resaltada con ruido) para la coincidencia. La FIG. 18(c) representa un rango de coincidencia de 20 que indica que la coincidencia resaltada es la 20a coincidencia más cercana al patrón de referencia. Las otras coincidencias se atenúan y se colocan en segundo plano. También se representa el marcador de evaluación de calidad y error de coincidencia. La pantalla de este ejemplo muestra un error de coincidencia alto y, por lo tanto, el marcador de evaluación de calidad es deficiente. La pantalla también representa una línea cronológica 1550 en la parte superior del gráfico que muestra la sección correspondiente 1555.

La FIG. 19(a) representa una visualización ejemplar de una curva de patrón de referencia de la concentración de glucemia a lo largo del tiempo e incluye la coincidencia con una etiqueta de hora de comida. En este ejemplo, se determinaron coincidencias 1620 para las dos horas de datos justo antes de una comida para ayudar al usuario a evaluar los posibles resultados de una comida en base a comportamientos anteriores. En la FIG. 19(a) se muestra el valor de carbohidratos de la comida. Solo a modo de ejemplo, la coincidencia de patrones se puede realizar usando un patrón de referencia 1610, una etiqueta de hora de comida y/o un valor de carbohidratos 1630. La visualización puede incluir una línea cronológica 1640 en la parte superior de la curva de patrón de referencia, que representa la sección coincidente 1645 de 2 horas colocada en una línea cronológica con datos mostrados a ambos lados de la sección coincidente 1645 que pueden proporcionar el contexto de la coincidencia. En este ejemplo, se puede observar el resultado real de la comida. Se dibujó el patrón de referencia 1610 y el algoritmo de coincidencia de patrones devolvió las coincidencias principales 1620. Como se representa, la curva contiene el patrón de referencia 1610 y la 7a mejor coincidencia 1620. Por supuesto, la curva puede contener el patrón de referencia y una o más coincidencias. Además, se muestra una barra de desplazamiento 1650 en la parte inferior de la pantalla que se puede usar para desplazarse a través de y/o seleccionar una coincidencia específica. La barra de desplazamiento 1650 puede ser una pantalla sensible al tacto, por lo que la barra de desplazamiento en la pantalla se toca con un dedo y a continuación, se mueve el dedo en la dirección deseada en la pantalla. Las flechas a la izquierda y la derecha de la barra de desplazamiento 1650 se pueden tocar con un dedo en la pantalla para desplazarse a través de y/o seleccionar una coincidencia específica. Además, también se puede usar un ratón para desplazarse usando la barra de desplazamiento 1650 o las flechas izquierda y derecha. La calidad de una coincidencia se puede evaluar usando métricas de error (por ejemplo, el error absoluto entre la coincidencia y el patrón de referencia) y un marcador de evaluación de calidad, por ejemplo, excelente, buena, regular, deficiente, mala, horrible, etc., o cualquier otro marcador que se pueda usar para indicar la calidad de una coincidencia.

La FIG. 19(b) representa una visualización ejemplar de una curva de patrón de referencia de la concentración de glucemia a lo largo del tiempo e incluye la coincidencia con una etiqueta de hora de comida. En este ejemplo, el patrón de referencia 1610 se dibuja para encontrar casos en los que un usuario puede haber estado sufriendo hipoglucemia y/o haber ingerido carbohidratos para corregir la hipoglucemia. La visualización se puede usar para evaluar la capacidad de un paciente para recuperarse correctamente de una hipoglucemia sin ignorar la hiperglucemia. Se determinaron las coincidencias 1620 durante dos horas de datos. Se puede trazar el valor de carbohidratos (no mostrado) para la comida. Solo a modo de ejemplo, la coincidencia de patrones se puede realizar usando un patrón de referencia 1610, una etiqueta de hora de comida y/o un valor de carbohidratos 1630. La visualización puede incluir una línea cronológica 1640 en la parte superior de la curva de patrón de referencia, que representa la sección coincidente 1645 de 2 horas colocada en una línea cronológica con datos mostrados a ambos lados de la sección coincidente 1645 que pueden proporcionar el contexto de la coincidencia 1620. En este ejemplo, se puede observar el resultado real de la comida. Se dibujó el patrón de referencia 1610 y el algoritmo de coincidencia de patrones devolvió las coincidencias principales. Como se representa, la curva contiene el patrón de referencia 1610 y la mejor coincidencia 1620. Por supuesto, la curva puede contener el patrón de referencia 1610 y una o más coincidencias 1620. Además, se muestra una barra de desplazamiento 1650 en la parte inferior de la pantalla que se puede usar para desplazarse a través de y/o seleccionar una coincidencia específica 1620. La pantalla también incluye un rango de coincidencia, que clasifica las coincidencias en orden de la más cercana a la N-ésima coincidencia más cercana, donde N es el número de coincidencias. En este ejemplo particular, la FIG. 19(b) muestra un rango de coincidencia de 1 que indica que la coincidencia resaltada es la coincidencia más cercana al patrón de referencia. La calidad de una coincidencia se puede evaluar usando métricas de error (por ejemplo, el error absoluto entre la coincidencia y el patrón de referencia) y un marcador de evaluación de calidad, por ejemplo, excelente, buena, regular, deficiente, mala, horrible, etc., o cualquier otro marcador que se pueda usar para indicar la calidad de una coincidencia.

La FIG. 19(c) representa una visualización ejemplar de una curva de patrón de referencia de la concentración de glucemia a lo largo del tiempo e incluye la coincidencia con una etiqueta de tiempo de sueño. En este ejemplo, el patrón de referencia 1610 se selecciona para el período de dos horas antes de que un sujeto se vaya a dormir. La visualización se puede usar para evaluar la probabilidad de hipoglucemia nocturna en base al estado actual del paciente y sus datos históricos. Se determinaron las coincidencias 1620 durante dos horas de datos. Se puede trazar el valor de carbohidratos (no mostrado). Solo a modo de ejemplo, la coincidencia de patrones se puede realizar usando un patrón de referencia 1610, una etiqueta de tiempo de sueño y/o un valor de carbohidratos 1630. La visualización puede incluir una línea cronológica 1640 en la parte superior de la curva de patrón de referencia, que representa la sección coincidente 1645 de 2 horas colocada en una línea cronológica con datos mostrados a ambos lados de la sección coincidente 1645 que pueden proporcionar el contexto de la coincidencia 1620. Se seleccionó el patrón de referencia 1610 y el algoritmo de coincidencia de patrones devolvió las coincidencias principales. Como se representa, la curva contiene el patrón de referencia 1610 y una coincidencia 1620. Por supuesto, la curva puede contener el patrón de referencia 1610 y una o más coincidencias 1620. Además, se muestra una barra de desplazamiento 1650 en la parte inferior de la pantalla que se puede usar para desplazarse a través de y/o seleccionar una coincidencia específica 1620. La pantalla también incluye un rango de coincidencia, que clasifica las coincidencias en orden de la más cercana a la N-ésima coincidencia más cercana, donde N es el número de coincidencias. En este ejemplo particular, la FIG. 19(b) muestra un rango de coincidencia de 3 que indica que la coincidencia resaltada es la tercera coincidencia más cercana al patrón de referencia. La calidad de una coincidencia se puede evaluar usando métricas de error (por ejemplo, el error absoluto entre la coincidencia y el patrón de referencia) y un marcador de evaluación de calidad, por ejemplo, excelente, buena, regular, deficiente, mala, horrible, etc., o cualquier otro marcador que se pueda usar para indicar la calidad de una coincidencia.

Las FIGS. 19(d) y 19(e) representan visualizaciones ejemplares de una curva de patrón de referencia de la concentración de glucemia a lo largo del tiempo e incluye la coincidencia usando niveles de glucosa, etiquetas de horas de comida y valores de carbohidratos. Se pueden generar predicciones de concentraciones de glucosa futuras en base a los datos coincidentes. Las dos figuras representan un patrón de referencia 1610 con dos niveles de carbohidratos diferentes 1630 (mostrados solo en la FIG. 19(d)). El patrón de referencia 1610 y los niveles de carbohidratos 1630 se pueden usar para predecir los niveles futuros de glucemia 1660, que se representan en la línea cronológica 1640. En este ejemplo, el patrón de referencia 1610 se selecciona para el período de dos horas antes de una comida. Se determinaron las coincidencias de patrones de referencia 1620 y las coincidencias de carbohidratos 1625 y se trazaron usando el algoritmo de coincidencia de patrones. Solo a modo de ejemplo, la coincidencia de patrones se puede realizar usando un patrón de referencia 1610, niveles de glucosa, etiquetas de horas de comida y/o el valor actual de carbohidratos 1630 que se está mostrando. Las visualizaciones mostradas puede incluir una línea cronológica 1640 en la parte superior de la curva de patrón de referencia, que representa la sección coincidente 1645 de 2 horas colocada en una línea cronológica con datos mostrados a ambos lados de la sección coincidente 1645 que pueden proporcionar el contexto de la coincidencia 1620. Como se menciona anteriormente, la línea cronológica 1640 también puede representar predicciones futuras del nivel de glucemia 1660. Además, se muestra una barra de desplazamiento horizontal 1650 en la parte inferior de la pantalla que se puede usar para ver la curva completa y/o desplazarse a través de las coincidencias. Se puede usar una barra de desplazamiento vertical 1655 para desplazarse y seleccionar o establecer el valor de carbohidratos 1630 deseado para incluirlo en el patrón de referencia 1610. También se puede usar para seleccionar una coincidencia específica 1620. La barra de desplazamiento 1655 puede ser una pantalla sensible al tacto, por lo que la barra de desplazamiento en la pantalla se toca con un dedo y a continuación, se mueve el dedo en la dirección deseada en la pantalla. Las flechas sobre y debajo de la barra de desplazamiento 1655 se pueden tocar con un dedo en la pantalla para desplazarse a través de y/o seleccionar una coincidencia específica. Además, también se puede usar un ratón para desplazarse usando la barra de desplazamiento 1655 o las flechas hacia arriba y hacia abajo. La calidad de una coincidencia se puede evaluar usando métricas de error (por ejemplo, el error absoluto entre la coincidencia y el patrón de referencia) y un marcador de evaluación de calidad, por ejemplo, excelente, buena, regular, deficiente, mala, horrible, etc., o cualquier otro marcador que se pueda usar para indicar la calidad de una coincidencia.

La FIG. 20 representa una curva ejemplar del tiempo de búsqueda promedio para encontrar la coincidencia más cercana en el espacio de rango reducido cuando se usan dos algoritmos: una búsqueda ingenua exhaustiva 1710 y la búsqueda de árbol Kd 1720. Ambos algoritmos se pueden usar para búsquedas y pueden ser relativamente eficientes debido al algoritmo de compresión; sin embargo, en este ejemplo, la búsqueda del árbol kd 1720 redujo significativamente el tiempo de búsqueda desde un promedio de aproximadamente 0,038 segundos a menos de aproximadamente 0,005 segundos.

Aunque varios dispositivos y componentes de los mismos se han analizado en detalle anteriormente, se debe entender que los componentes, rasgos característicos, configuraciones y procedimientos de uso de los dispositivos analizados no se limitan a los contextos proporcionados anteriormente. En particular, los componentes, rasgos característicos, configuraciones y procedimientos de uso descritos en el contexto de uno de los dispositivos se pueden incorporar en cualquiera de los otros dispositivos. Además, sin limitarse a la descripción adicional proporcionada a continuación, los componentes, rasgos característicos, configuraciones y procedimientos de uso de los dispositivos adecuados adicionales y alternativos, así como diversas formas en las que las enseñanzas del presente documento se pueden combinar e intercambiar, serán evidentes para los expertos en la técnica a la vista de las enseñanzas del presente documento.

Habiendo mostrado y descrito diversas versiones en la presente divulgación, se pueden realizar otras adaptaciones de los procedimientos y sistemas descritos en el presente documento mediante modificaciones apropiadas por parte de un experto en la técnica sin apartarse del alcance de la presente invención, que se define en las reivindicaciones adjuntas.

Se han mencionado varias de dichas modificaciones potenciales y otras serán evidentes para los expertos en la técnica. Por ejemplo, los ejemplos, versiones, geometrías, materiales, dimensiones, proporciones, etapas y similares analizados anteriormente son ilustrativos y no son necesarios. En consecuencia, el alcance de la presente invención se debe considerar en términos de las siguientes reivindicaciones y modos de realización y se debe entender que no se limita a los detalles de estructura y funcionamiento mostrados y descritos en la memoria descriptiva y los dibujos.

Finalmente, los modos de realización particulares de la invención se podrían definir como sigue: Un sistema de monitoreo de pacientes con un algoritmo de coincidencia de patrones eficiente, un procedimiento y un producto informático del mismo, en particular como se divulga en el presente documento. El sistema puede incluir un dispositivo o sensor de entrada de datos fisiológicos que recibe una pluralidad de mediciones fisiológicas dentro de una ventana de tiempo generando de este modo al menos un conjunto de datos de ventana de tiempo, una memoria que almacena un programa y un procesador. El programa, cuando es ejecutado por el procesador, hace que el procesador comprima el al menos un conjunto de datos de ventana de tiempo a una base de rango reducido, y realice una coincidencia de patrones entre un patrón de referencia y el al menos un conjunto de datos de ventana de tiempo comprimido usando una distancia métrica.

Lista de números de referencia

0110 Dispositivo para analizar valores de medición fisiológicos 0112 Instrumento portátil

0114 Dispositivo de procesamiento de datos

0116 Dispositivo de adquisición de datos

0118 Dispositivo de selección de patrones

0120 Dispositivo de reconocimiento de patrones

0122 Interfaz

0124 Interfaces de usuario

0126 Elementos de visualización

0128 Ilustración ampliada

0130 Perfil actual

0132 Tiempo presente

0134 Perfil de referencia

0136 Eventos

0138 Condición determinante

0140 Memoria intermedia de datos

0142 Nivel de valor de medición

0144 Registro de datos de medición

0146 Registro de datos de medición reducido

0148 Puntos de malla clase 2

0150 Puntos de malla clase 3

0152 Puntos de malla clase 4

0154 Valores de medición sin asignación

0158 Entrada de diario

0160 Valor de medición actual

0161 Intervalo de tiempo de comparación

0162 Intervalo de tiempo actual

0163 Patrón de comparación

0164 Patrón actual

0166 Patrón actual reducido

0167 Patrón de comparación reducido

0168 Valor candidato

0170 Intervalo de tiempo candidato

0172 Patrón candidato

0174 Tolerancia

0176 Bandas de tolerancia

0178 Valor de anclaje

0180 Tiempo de anclaje

100 Sistema de monitoreo

102 Paciente

105 Dispositivo

110 Dispositivo de entrada de datos fisiológicos 115 Interfaz de datos

120 Procesador

130 Base de datos

132 Lógica de análisis

135 Memoria

140 Pantalla

145 Interfaz de usuario

150, 155 Interfaz de red

170 Segunda interfaz de red

180 Servidor

300 Pantalla

310 Curva de patrón de referencia

311 Marcador

312 Patrón de referencia trazado

314 Hipoglucemia

316 Hiperglucemia

318 Etiquetas de datos

320, 330 Curvas de coincidencia de patrones 325, 327 Operación de arrastre

340 Datos adicionales

350 Curva de coincidencia de patrones más cercanos 360 Curva de datos sin procesar

370 Curva uniforme

380, 390 Curvas de coincidencia de múltiples patrones 200, 800 Algoritmos

202, 802 Bloques (inicio)

205, 805 Bloques (inicio de ventana de tiempo) 210, 810 Bloques (adquisición de datos)

215, 815 Bloques (asociación de etiquetas de datos) 220, 820 Bloques (fin de ventana de tiempo)

225, 825 Bloques (normalización, centro)

230, 830 Bloques (compresión)

900 Algoritmo de inicialización

910 Bloque (muestra de recolección)

920 Bloque (descomposición propia)

930 Bloque (rango de selección reducido)

940 Bloque (datos de compresión a vectores base) 1010 - 1040 Vectores propios

845 - 865 Bloques (entrada y almacenamiento)

870 Bloque (fin de coincidencia de patrones)

1210 Conjunto de datos de ventana de tiempo

1220 Espacio de rango reducido

1230 Coincidencia de patrones

1240 Cola

1250 Ventana de tiempo actual

1310, 1410 Curvas ejemplares

1320, 1420 Línea

1330, 1430 Barras

1510 Patrón de referencia

1512 Coincidencia particular

1514 Vector de datos sin procesar

1520 20 coincidencias principales

1530 Límites de error

1540 Barra de desplazamiento

1550 Línea cronológica

1555 Sección de coincidencias

1610 Patrón de referencia

1620 Coincidencias principales 1630 Valor de carbohidratos 1640 Línea cronológica

1645 Sección coincidente

1650 Barra de desplazamiento 1710 Búsqueda ingenua exhaustiva 1720 Búsqueda de árbol Kd

Claims

REIVINDICACIONES

1. Procedimiento para analizar valores de medición fisiológicos de un usuario, en particular para identificar la presencia de un estado corporal fisiológico del usuario, para identificar automáticamente patrones en una secuencia cronológica de los valores de medición fisiológicos, comprendiendo el procedimiento:

a) al menos una etapa de adquisición de datos, en el que, durante la etapa de adquisición de datos, los valores de medición fisiológicos del usuario se adquieren en diferentes tiempos de medición y se almacenan en un registro de datos de medición (0144) usando al menos un dispositivo de adquisición de datos (0116);

b) al menos una etapa de selección de patrones, en el que, durante la etapa de selección de patrones, los valores de medición adquiridos durante al menos un intervalo de tiempo de comparación (0161) se seleccionan como al menos un patrón de comparación (0163) usando al menos un dispositivo de selección de patrones (0118), en el que el patrón de comparación (0163) es una secuencia de valores de medición que se adquirieron durante el intervalo de tiempo de comparación (0161);

c) al menos una etapa de reconocimiento de patrones, en el que, durante la etapa de reconocimiento de patrones, se buscan patrones correspondientes al patrón de comparación (0163) en el registro de datos de medición (0144) usando al menos un dispositivo de reconocimiento de patrones (0120),

comprendiendo el procedimiento además al menos una etapa de reducción de datos que genera un registro de datos de medición reducido (0146) a partir del registro de datos de medición (0144), en el que el registro de datos de medición reducido (0146) se usa en al menos una de la etapa de selección de patrones b) y la etapa de reconocimiento de patrones c), caracterizado por que se prescriben una pluralidad de niveles de valor de medición (0142) en la etapa de reducción de datos, en el que se identifica cuando un nivel de valor de medición (0142) se cruza entre dos valores de medición contiguos en el tiempo, y en el que simplemente el valor de medición de los valores de medición contiguos que está más cercano al nivel de valor de medición (0142) se asigna al registro de datos de medición reducido (0146).

2. Procedimiento de acuerdo con la reivindicación precedente, en el que el intervalo de tiempo de comparación (0161) comprende un intervalo de tiempo actual (0162), en el que el patrón de comparación (0163) comprende un patrón actual (0164), en el que, durante la etapa de reconocimiento de patrones, se buscan los patrones adquiridos antes del intervalo de tiempo de comparación (0161) y correspondientes al patrón actual (0164).

3. Procedimiento de acuerdo con una de las reivindicaciones precedentes, en el que el intervalo de tiempo de comparación (0161) comprende un intervalo de tiempo seleccionable, en el que el patrón de comparación (0163) comprende un patrón de interés.

4. Procedimiento de acuerdo con una cualquiera de las reivindicaciones precedentes, en el que el patrón de comparación (0163) se reduce a un patrón de comparación reducido (0167) en la etapa de reducción de datos y al menos parte de la etapa de reconocimiento de patrones se lleva a cabo usando el patrón de comparación reducido (0167).

5. Procedimiento de acuerdo con una cualquiera de las reivindicaciones precedentes, en el que se almacenan una o más condiciones determinantes (0138) además de los valores de medición, en el que las condiciones determinantes (0138) caracterizan eventos que tienen una influencia fisiológica potencial en el cuerpo del usuario, en el que las condiciones determinantes (0138) se tienen en cuenta preferentemente durante la etapa de reconocimiento de patrones.

6. Procedimiento de acuerdo con una cualquiera de las reivindicaciones precedentes, en el que durante la etapa de selección de patrones, al menos un valor de medición (0160), en particular un valor de medición actual y/o un valor de medición de interés, adquirido en un tiempo de anclaje, en particular un tiempo de medición actual y/o un tiempo de medición de interés, se especifica como un valor de anclaje.

7. Procedimiento de acuerdo con la reivindicación precedente, en el que los valores candidatos (0168) registrados en tiempos candidatos se buscan en el registro de datos de medición (0144) durante la etapa de reconocimiento de patrones, en el que los valores candidatos (0168) corresponden al valor de anclaje, en el que al menos un intervalo de tiempo, que, en un tiempo candidato establecido, se comporta como el intervalo de tiempo de comparación (0161) en el tiempo de anclaje, se determina preferentemente como intervalo de tiempo candidato (0170), en el que los valores de medición adquiridos durante el intervalo de tiempo candidato (0170) se identifican preferentemente como patrón candidato (0172) y en el que el patrón candidato (0172) se compara preferentemente con el patrón de comparación (0163).

8. Procedimiento de acuerdo con una cualquiera de las reivindicaciones precedentes, en el que se cuantifica una correspondencia, en particular por medio de al menos una correlación, si se encuentra al menos un patrón que corresponde al patrón de comparación (0163), en el que la cuantificación de la correspondencia se refiere a los valores candidatos y al registro de datos de medición que incluyen un sesgo que es sustancialmente constante en el tiempo, o en el que la cuantificación de la correspondencia se refiere a una representación dinámica de los valores candidatos y a una representación dinámica del registro de datos de medición que excluyen un sesgo, representando el sesgo el nivel absoluto de los valores candidatos y el registro de datos de medición.

9. Procedimiento de acuerdo con una cualquiera de las reivindicaciones precedentes, que comprende además:

d) al menos una etapa de interacción, en el que, durante la etapa de interacción, al menos un resultado de la etapa de reconocimiento de patrones se procesa y/o indica al usuario, en el que al menos un patrón, identificado durante la etapa de reconocimiento de patrones y correspondiente al patrón de comparación (0163), se muestra preferentemente por medio de al menos un elemento de visualización (0126) durante la etapa de interacción, en el que preferentemente se genera al menos una instrucción para el usuario.

10. Procedimiento de acuerdo con la reivindicación precedente, en el que durante la etapa de interacción se establece y/o muestra un posible perfil futuro de los valores de medición por medio de al menos un elemento de visualización (0126).

11. Procedimiento de acuerdo con una cualquiera de las dos reivindicaciones precedentes, en el que, durante la etapa de interacción, uno o más patrones, identificados durante la etapa de reconocimiento de patrones y correspondientes al patrón de comparación (0163), se someten a un análisis, en particular un análisis estadístico, en particular bajo la formación de un patrón promediado o una ruta de errores.

12. Procedimiento de acuerdo con una cualquiera de las reivindicaciones precedentes, en el que las etapas de procedimiento b), c) y, opcionalmente, d) se llevan a cabo repetidamente, en el que se selecciona una pluralidad de patrones de comparación (0163) del registro de datos de medición (0144), preferentemente en sucesión, y en el que al menos una etapa de reconocimiento de patrones se lleva a cabo respectivamente usando los patrones de comparación seleccionados (0163).

13. Procedimiento de acuerdo con la reivindicación precedente, en el que los patrones correspondientes establecidos durante las etapas de reconocimiento de patrones se combinan en grupos de patrones correspondientes respectivamente, en el que los grupos de patrones correspondientes se someten preferentemente a al menos un análisis, en particular a un análisis estadístico, en particular comparando los grupos encontrados.

14. Programa informático con código de programa para hacer que un dispositivo de acuerdo con la reivindicación 15 lleve a cabo el procedimiento de acuerdo con una cualquiera de las reivindicaciones de procedimiento precedentes cuando el programa se ejecuta en dicho dispositivo.

15. Dispositivo para analizar valores de medición fisiológicos de un usuario, que comprende:

a) al menos un dispositivo de adquisición de datos (0116) para adquirir valores de medición fisiológicos del usuario y almacenarlos en un registro de datos de medición (0144);

b) al menos un dispositivo de selección de patrones (0118), en el que el dispositivo de selección de patrones (0118) está diseñado para seleccionar valores de medición adquiridos durante al menos un intervalo de tiempo de comparación (0161) como al menos un patrón de comparación (0163);

c) al menos un dispositivo de reconocimiento de patrones (0120), en el que el dispositivo de reconocimiento de patrones (0120) está diseñado para buscar patrones correspondientes al patrón de comparación (0163) en el registro de datos de medición (0144),

en el que el dispositivo para analizar valores de medición fisiológicos de un usuario está adaptado para llevar a cabo al menos una etapa de reducción de datos generando un registro de datos de medición reducido (0146) a partir del registro de datos de medición (0144), en el que el registro de datos de medición reducido (0146) es usado por al menos uno del dispositivo de selección de patrones (0118) y el dispositivo de reconocimiento de patrones (0120), caracterizado por que se prescribe una pluralidad de niveles de valor de medición (0142) en la etapa de reducción de datos, en el que se identifica cuando un nivel de valor de medición (0142) se cruza entre dos valores de medición contiguos en el tiempo, y en el que simplemente el valor de medición de los valores de medición contiguos que está más cercano al nivel de valor de medición (0142) se asigna al registro de datos de medición reducido (0146).