JP2017523852A - 制御への応用のための移動ホライズン状態イニシャライザ - Google Patents

制御への応用のための移動ホライズン状態イニシャライザ Download PDF

Info

Publication number
JP2017523852A
JP2017523852A JP2017506924A JP2017506924A JP2017523852A JP 2017523852 A JP2017523852 A JP 2017523852A JP 2017506924 A JP2017506924 A JP 2017506924A JP 2017506924 A JP2017506924 A JP 2017506924A JP 2017523852 A JP2017523852 A JP 2017523852A
Authority
JP
Japan
Prior art keywords
state
model
cgm
sensor
time
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP2017506924A
Other languages
English (en)
Other versions
JP6810991B2 (ja
JP2017523852A5 (ja
Inventor
ドイル,フランシス・ジェイ・ザ・サード
ゴンダレカール,ラビ・エル
ダッソウ,イーヤル
Original Assignee
リージェンツ オブ ザ ユニバーシティー オブ カリフォルニア
リージェンツ オブ ザ ユニバーシティー オブ カリフォルニア
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by リージェンツ オブ ザ ユニバーシティー オブ カリフォルニア, リージェンツ オブ ザ ユニバーシティー オブ カリフォルニア filed Critical リージェンツ オブ ザ ユニバーシティー オブ カリフォルニア
Publication of JP2017523852A publication Critical patent/JP2017523852A/ja
Publication of JP2017523852A5 publication Critical patent/JP2017523852A5/ja
Application granted granted Critical
Publication of JP6810991B2 publication Critical patent/JP6810991B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16ZINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00Subject matter not provided for in other main groups of this subclass
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61MDEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M5/00Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
    • A61M5/14Infusion devices, e.g. infusing by gravity; Blood infusion; Accessories therefor
    • A61M5/168Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body
    • A61M5/172Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body electrical or electronic
    • A61M5/1723Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body electrical or electronic using feedback of body parameters, e.g. blood-sugar, pressure
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • G16H20/17ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients delivered via infusion or injection
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61MDEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M5/00Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
    • A61M5/14Infusion devices, e.g. infusing by gravity; Blood infusion; Accessories therefor
    • A61M5/142Pressure infusion, e.g. using pumps
    • A61M2005/14208Pressure infusion, e.g. using pumps with a programmable infusion control system, characterised by the infusion program
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61MDEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2205/00General characteristics of the apparatus
    • A61M2205/18General characteristics of the apparatus with alarm
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61MDEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2205/00General characteristics of the apparatus
    • A61M2205/50General characteristics of the apparatus with microprocessors or computers
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61MDEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2230/00Measuring parameters of the user
    • A61M2230/20Blood composition characteristics
    • A61M2230/201Glucose concentration

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Hematology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Anesthesiology (AREA)
  • Vascular Medicine (AREA)
  • Diabetes (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medicinal Chemistry (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Infusion, Injection, And Reservoir Apparatuses (AREA)
  • External Artificial Organs (AREA)
  • Feedback Control In General (AREA)

Abstract

モデルの出力のセンサー測定に基づく、離散時間状態空間動的モデルの状態の推定または初期化のための状態推定器であって、連続時間関数を、各モデル出力の得られたセンサー測定データポイントにフィッティングさせるステップ、および続いて、合成された出力軌跡によりモデル状態を構築するために、状態が推定または初期化されている状態空間動的モデルのサンプリング期間と同時に、連続時間関数をサンプリングするステップ、を含む状態推定器。【選択図】図1

Description

本発明は、国立衛生研究所(National Institutes of Health)(NIH)により拠出された政府支援の助成金第DP3DK094331号および第ROIDK085628号によりなされたものである。政府は本発明に一定の権利を有する。
本発明者らの研究および開発の全体目的は、1型糖尿病(T1DM)を有する人々に自動的にインスリンを送達するための人工膵臓(AP)である(例えば、Cobelli et al.[2009]、Harvey et al.[2010]、Cobelli et al.[2011]、Zisser[2011]、Doyle III et al.[2014]を参照されたい)。特に、持続血糖モニター(CGM)による血糖値感知(glucose sensing))(フィードバックのための測定)を用いたAP(Hovorka[2006])を検討している。APの重要な要素は、有効で安全なアルゴリズム的インスリン投与を実行するフィードバック制御法則である。例えば、モデル予測制御(MPC)に基づく糖血症コントローラが提唱されてきた(Parker et al.[1999]、Hovorka et al.[2004]、Magni et al.[2009]、Breton et al.[2012]、Turksoy et al.[2013])。本発明者らのグループは、いわゆるゾーン−MPC戦略(Grosman et al.[2010、2011]、van Heusden et al.[2012]、Gondhalekar et al.[2013、2014])の開発に次第に焦点を合わせている。
各MPC実装の重要な構成要素は、予測を実行する初期状態を特徴付ける機構である。2つの主要なアプローチが存在する。一般的状態空間モデルに基づくMPCでは、状態推定器、例えば、ルーエンバーガー観測器(Luenberger−observer)またはカルマンフィルター(Kalman−filter)(例えば、Levine[2011]を参照されたい)が通常用いられる。または、入出力モデル、例えば、外部入力付き自己回帰モデル(Auto−Regressive model with eXogenous inputs)(ARX)を使用する場合、初期状態は、(システムの状態空間表現を使用する場合であっても)単純に過去の入出力値から構成される。状態推定器によるアプローチは、ノイズ除去性能のチューニングのための操作が単純なので、ARXモデルに基づく予測制御に対してであっても本発明者らには好ましい。入出力アプローチは、例えば、Magni et al.[2007]において用いられ、「この入出力MPCスキームの主な有利性は、観測器が必要ないということである」と述べられている。再帰的線形状態推定器(ルーエンバーガー観測器および標準的カルマンフィルターを包含するクラス)および入出力初期化は両方とも実装が簡単であるが、欠点を有する。本研究は、これらの欠点のうち少なくとも3つに対処する。MPC予測を初期化するデバイスは、モデルクラスに関係なくこれ以降単純に状態推定器と呼ばれる。ここで提供される状態推定器は、一般的状態空間モデルおよび入出力モデルの両方に適用可能である。
本明細書において対処する第1の欠点は、現在の状態推定器においてはセンサーの再較正が十分調整できないことである。CGM信号は(少なくとも)2種のノイズの影響を受ける。まず、高頻度の確率的ノイズが存在し、その影響は、再帰的状態推定器の増幅をチューニングすることによってある程度改善することができる(Bequette[2004])。次いで、CGMセンサーの増幅およびセンサー部位の生理機能の変化がゆっくりとうねるという特徴によって引き起こされる、センサーバイアスとも呼ばれる低周波のドリフトが存在する。これらの低周波の乱れは、CGMより正確なセンサー、例えば、ポイントオブケア血糖測定デバイスによって散発的に血糖測定を行うことにより補正される。その後、CGMは基準測定に対して「再較正される」。再較正されたデータポイントの受け取りにおいて、再帰的状態推定器は、その状態推定値を平常通りにアップデートできる、またはCGMデータを使用してアップデートした場合より高い増幅を用いて、より高い信頼性を反映することができる。カルマンフィルタリングに基づく血糖推定のための関連するアプローチがKuure−Kinsey et al.[2006]において提唱され、このようなアプローチは血糖推定の目的にうまく機能すると思われる。しかし、再較正後に状態推定器は活発な動的期間を経るので、MPCにおける状態初期化の目的にとってこの戦略は理想的ではない。これらの活動的応答は、深刻な過剰送達を導き得る、無意味な予測をもたらす恐れがある。したがって、本発明者らのコントローラにおいて、大きな再較正の後には、インスリン注入速度を患者の基底速度に抑制する期間が続く。再較正は忠実度の高いデータをシステムへ導入するものであるから、このことは無駄であると思われる。システムは意図的な一時的な機能損失を減ることなく、このデータを利用して、再較正後により優れた作動を行い得ることが好ましい。
第2の欠点は、非同期性CGMデータは現在の再帰的状態推定器に適応できないことであり、ここで、「非同期性」は、CGMのサンプリング期間が一定でないこと、およびさらにCGMおよびコントローラがアップデートを実行する時刻が同じとは限らないことの両方を意味する。本発明者らのコントローラ(物理的コントローラおよび離散時間予測モデルの両方)は、T=5分のサンプリング期間に基づく。通常CGMは大抵同じサンプリング期間を有する。しかし、CGMは非常に不確実な時間の間出力が遅くなることがある。さらに、センサーとメーターとの間の通信断絶が、測定のアップデートの遅れを引き起こし、アップデートは、データ転送の復元後に1回のみ行われる。実際のサンプリング期間が延長された場合、固定サンプリング期間に基づく状態推定器はデータ速度変化を過大評価することがあり、コントローラのアップデート時間と最新のCGM測定との間の遅れを埋め合わせることはしない。両方の問題は、そのような方法で初期化されたMPC予想がCGM軌跡から逸れる原因となり、不適切なインスリン送達をもたらす可能性がある。
第3の欠点は、プラント−モデルのミスマッチにより、状態が、モデル、入力および測定された出力に関して許容されない場合、モデルに基づく再帰的状態推定器は、定常状態であっても、必ずしもオフセットが発生しない推定を達成できるとは限らないことである。オフセットは、推定器の増幅を増加することによって部分的に改善されるが、このことは、高周波ノイズに対する応答性の増加をもたらし、望ましくない。
本発明者らは、前述の3つの欠点に取り組む状態推定戦略を提供する。本発明者らの解決法は、移動ホライズン最適化に基づき、再帰的推定器ではない。移動ホライズン推定(Rawlings and Mayne[2009])の一般的概念により着想を与えられたが、同じではない。開示される方法は、連続時間関数をCGMデータにフィッティングさせるように最適化を実行する。センサーの再較正は単純に、関数定義内に血糖出力値の不連続性を含めるが、その微分係数の不連続性を含めないことによって適応させる。重要なことには、不連続性の大きさは規定する必要はないが、最適化により特定される。データフィッティングは、CGMのタイムスタンプおよびコントローラの呼び出し時間を利用し、したがって、非同期性データのサンプリングを自然に取り扱う。最適化の後で、フィッティングさせた関数をコントローラモデルのサンプリング期間Tと同時にサンプリングし、再較正の不連続性は無視して、出力軌跡を合成する。過去の入力データと組み合わせ、可観測性を仮定し、現在のモデル状態が、オフセットを含まないフィッティングされた出力軌跡を反映するように構築される。開示される戦略は、CGMデータを予備処理するために、カルマンフィルターまたは他の信号処理技術と組み合わせることができるが、簡潔に表現するために、例示は生のCGMデータの使用に基づく。
Cobelli et al.[2009] Harvey et al.[2010] Cobelli et al.[2011] Zisser[2011] Doyle III et al.[2014] Hovorka[2006] Parker et al.[1999] Hovorka et al.[2004] Magni et al.[2009] Breton et al.[2012] Turksoy et al.[2013] Grosman et al.[2010] Grosman et al.[2011] van Heusden et al.[2012] Gondhalekar et al.[2013] Gondhalekar et al.[2014] Levine[2011] Magni et al.[2007] Bequette[2004] Kuure−Kinsey et al.[2006] Rawlings and Mayne[2009]
1型糖尿病を有する人々の血糖濃度を正常血糖ゾーン(80−140mg/dL)内に維持するように設計された人工膵臓システムの成功の重要な構成要素は、1型糖尿病を有する対象に投与されるインスリンの送達を自動的に指示する制御アルゴリズムである。制御アルゴリズムには数多くの種類が存在し、本発明は、「モデル予測制御」アルゴリズムに重点を置いた「状態フィードバック」または「自己回帰」構成要素を有するモデルのいずれかに基づく制御戦略のクラスに適用可能である。本発明者らの人工膵臓研究グループは、1型糖尿病を処置するための人工膵臓に使用するための、さまざまな状態フィードバックモデル予測制御戦略を設計および試験してきた。
一態様において、本発明は、血糖レベルの優れた制御を容易にするために、血糖値測定に基づいて、コントローラがその計算の基礎とする、(状態フィードバックコントローラのための)モデル状態または(自己回帰モデルに基づくコントローラのための)モデルの出力軌跡のいずれかを特徴付ける。モデル状態を特徴付けるための現在の機構に対して、現在利用可能な血糖センサーから得られる血糖測定は、劣化した、または不適切な制御動作を引き起こす特性を有する。本発明の一実施形態は、1)血糖センサーの再較正を適応させて、センサーが再較正されたときに優れた制御を容易にすること;2)センサーの測定のタイムスタンプを利用して、センサーの測定が不規則なサンプリング間隔に悩まされたときに、優れた制御を容易にすること;3)測定のタイムスタンプに加えて、コントローラのタイムスタンプを利用して、コントローラおよびセンサーのアップデート時間が同期されない場合に優れた制御を容易にすること;である。さらに、既存の技術とは対照的に、本発明はモデルに頼らず、したがって、必然的なプラント−モデルのミスマッチによる望ましくない影響を改善する。
本発明は、状態フィードバックまたは自己回帰モデルのいずれかに基づく任意のフィードバック制御戦略とともに用いることができる。モデル予測制御アルゴリズムとのその特定の関係性の理由は、予測コントローラの動作が、現在のモデル状態だけとは対照的に予測軌跡全体に基づくので、モデル状態を適切に初期化する必要性の優先度が増すということである。端的に言えば、予測制御では、正しい方向へ予測を始動させる必要性がある。
ある態様において、本発明は、得られた血糖センサー測定に連続時間関数フィッティングを当てはめ、次いで、モデルの出力軌跡を合成するために、フィッティングさせた連続時間関数をモデルのサンプリング期間にサンプリングすることによって機能する。このような方法により、非同期性の一致しないセンサータイミングの影響が除去される。センサーの再較正を、再較正を行う時刻においてフィッティングさせた関数の値の不連続性を含むが、その微分係数の不連続性は含まないことによって適応させる。重要なことには、この不連続性は、サンプリング手順の間無視される。状態フィードバック制御のために、制御の入力軌跡の保存された過去の値と併せて、現在のモデル状態が合成された出力軌跡から構築される。自己回帰モデルに基づくコントローラのために、合成されたモデル出力軌跡を、現在の標準的手順の実際の出力軌跡の代わりに直接用いることもできる。
本発明は、1型糖尿病の人々へのインスリン送達を最適化するための、血糖測定フィードバックに基づく、状態フィードバックモデル予測制御を実行するデバイスまたはアルゴリズム、例えば、インスリンポンプ、連続血糖モニタリングシステムまたは人工膵臓に組み込むことができる状態初期化アルゴリズムを提供する。
本発明は、Univ.Padova/Virginia FDAにより認可された代謝シミュレーターおよび無関係の研究の臨床データにおいて評価され、インシリコおよび臨床検査、人工膵臓、CGMデバイスまたはインスリンポンプの一部としての実装にまで及んだ。本発明は、フィードバックとしての血糖測定に基づくモデル予測制御を使用する人工膵臓の、1型糖尿病を有する人々の血糖濃度を正常血糖範囲(80−140mg/dL)内に維持する性能を改良する。
本発明は、人工膵臓のための制御アルゴリズムが、正確な過去のデータポイントを使用して今後の計算を確実に行い、任意のMPC制御アルゴリズムを用いて作動し、オープンループ連続血糖モニタリングにアラームシステムを提供することができる。
本発明は、さまざまなさらなる態様を包含する。
一態様において、本発明は、モデルの出力のセンサー測定に基づく、離散時間状態空間動的モデルの状態の推定または初期化のための状態推定器の方法であって、
連続時間関数を、各モデル出力の得られたセンサー測定データポイントにフィッティングさせるステップ、および続いて、合成された出力軌跡によりモデル状態を構築するために、状態が推定または初期化されている状態空間動的モデルのサンプリング期間と同時に、連続時間関数をサンプリングするステップ、を含み、
(a)フィッティングさせた関数が再較正のポイントにおいてその値が不連続であることを容認されるが、その微分係数が不連続であることは容認されないことによってセンサーの再較正が組み込まれ、不連続性の大きさは最適化により特定され、ならびにフィッティングさせた関数のサンプリングは再較正の不連続性を無視して実行される;
(b)関数のフィッティングが、センサー測定のタイムスタンプおよび状態推定器の呼び出し時間を用い:
(i)センサーと状態推定器との間の遅れは、推定器の呼び出し時間と同時に始まる時間に遡ってフィッティングされた関数をサンプリングすることによって、少なくとも部分的に軽減される;および
(ii)不規則な時間間隔、または状態が推定または初期化されているモデルのサンプリング期間ではない時間間隔で収集されたセンサーデータに対応可能である;
(c)状態が推定または初期化されているモデルが入力を有することができ、入力が存在する場合、過去の入力データは状態の構築に用いられる;
(d)モデルの状態が観測可能または再構築可能である;
(e)状態が推定または初期化されているモデルが単一の出力を有する場合、オフセットを含まない合成された出力軌跡を反映して現在のモデル状態が構築され、状態が推定または初期化されているモデルが複数の出力を有する場合、出力のミスマッチを調整するためにトレードオフ戦略が用いられる、
方法を提供する。
この態様および他の態様は、さまざまな特定の実施形態、例えば、
センサー測定データが、カルマンフィルターまたは他の信号処理技術を用いて予備処理される;
本方法が、1型糖尿病などの生体医学的応用における自動薬物送達または工程制御の実装において展開される;
センサーが連続血糖モニター(CGM)であり、離散時間状態空間動的モデルが血糖濃度の予測のために用いられる;
本方法が、状態フィードバックモデル予測制御(MPC)法則などの状態フィードバック制御法則と動作可能に組み合わされ、アルゴリズム的インスリン投与を実行する;
本方法が、状態フィードバックモデル予測制御(MPC)システムなどの状態フィードバック制御システムと動作可能に組み合わされ、インスリンを送達する;
本方法が、アラームおよび/または通知システムと動作可能に組み合わされ、該アラームおよび/または通知判定実施アルゴリズムが血糖予測などの予測を用い、そのアラームおよび/または通知判定実施アルゴリズムにおいてモデルの状態を使用する離散時間状態空間動的モデルにより実施される;および/または
本方法が、薬物送達の医療用デバイス、例えば、血圧管理、血液透析制御、麻酔(例えばその深さ)の制御、パーキンソン病の処置、白血病の処置、癌の処置、HIVの処置などの慢性の病態または処置に適したデバイスの制御に適合される;
によってさらに規定される。
別の態様において、本発明は、1型糖尿病を処置するためのインスリン送達を制御する方法であって、移動ホライズン最適化を使用して、連続時間関数を連続血糖モニタリング(CGM)データにフィッティングさせるステップを含み:
(a)センサーの再較正が血糖出力値の不連続性を含むが、その微分係数の不連続性を含まないことによって関数定義内に適応され、不連続性の大きさが最適化によって特定される、
(b)データフィッティングが、CGMのタイムスタンプとコントローラの呼び出し時間とを用い、したがって、非同期性データのサンプリングが自然に取り扱われる;
(c)最適化の後で、フィッティングさせた関数がコントローラモデルのサンプリング期間Tにおいてサンプリングされ、再較正の不連続性を無視して、出力軌跡が合成される;ならびに
(d)過去の入力データと組み合わせ、可観測性を仮定し、オフセットを含まないフィッティングさせた出力軌跡を反映するように、現在のモデル状態が構築される;
方法を提供する。
別の態様において、本発明は、1型糖尿病応用のための人工膵臓のインスリン送達コントローラを制御する移動ホライズン状態イニシャライザのための方法であって、
まず、関数を得られた連続血糖モニタリング(CGM)データポイントにフィッティングさせ、その後、状態が推定されているモデルのサンプリング期間と同時に関数をサンプリングすることによってモデルの状態を構築するステップ、を含み、
(a)CGMセンサーの再較正が、フィッティングさせた関数が不連続であることを容認することによって組み込まれ;
(b)センサーとコントローラとの間の遅れは、少なくとも部分的に軽減される;
(c)不規則な時間間隔、または状態が推定されているモデルのサンプリング期間ではない時間間隔で収集されたデータに対応可能である;ならびに
(d)モデルが推定工程の間またはその中に用いられるのではなく、むしろ状態がモデルのために推定され、最終結果に対する任意のプラント−モデルのミスマッチの影響が制限される、
方法を提供する。
別の態様において、本発明は、1型糖尿病を処置するための人工膵臓のモデル予測制御(MPC)のための方法であって、センサーの再較正および非同期性測定による状態推定を用いるステップを含み、状態が、連続時間関数をサンプリングすることによって合成された出力データによって構築され、測定された連続血糖モニタリング(CGM)センサーのデータにフィッティングさせること、およびセンサーの再較正時刻において値の不連続性を含むが、その微分係数の不連続性は含まないことによって関数が特徴付けられる方法を提供する。
さまざまな態様が、下記を含むさらなる実施形態において実践または実装可能である:
本方法を、カルマンフィルターまたは他の信号処理技術と組み合わせ、CGMデータを予備処理する;
本方法を、モデル予測制御(MPC)の制御アルゴリズムと動作可能に組み合わせ、インスリンなどの薬物を送達する;および/または
本方法を、オープンループCGMなどのためのアラームシステムと動作可能に組み合わせる。
本発明は、本発明の方法を実装するようにプログラムされたコントローラならびに本発明の方法を実装するようにプログラムされたコントローラを含み、状態モニタリングシステム、薬物用ポンプもしくは計量システムおよび/または送達される薬物を含んでもよい薬物送達システムもまた提供する。
本発明は、基本的に本明細書に記載のアルゴリズムおよび薬物指示システムならびに列挙された特定の実施形態のすべての組み合わせを含む。本明細書に引用されたすべての刊行物および特許出願は、個々の個別の刊行物または特許出願が具体的かつ個別に参照により組み込まれることが示されたかのように、参照により本明細書に組み込まれる。前述の発明を明確な理解の目的で例示および実施例としていくぶん詳細に記載してきたが、当業者には、本発明の教示を考慮してその特定の変形および改良が添付の特許請求の範囲の精神および範囲から逸脱することなくなし得ることが容易に明白であると思われる。
プラント−モデルのミスマッチを表す図である。血糖[mg/dL]対時刻[時]。CGM=280mg/dL(大きな点)。低利得線形推定器(三角)。高利得線形推定器(四角)。開示の推定器(黒点)。 サンプリング期間延長を表す図である。血糖[mg/dL]対時刻[時]。GCMおよびMPCは同期している。CGM(大きな点)の増加速度:1mg/dL/分。線形推定器に基づくMPC予測(三角)。開示の推定器に基づくMPC予測(黒点)。 MPCのアップデートとCGMとの間の4分の遅れ表す図である。血糖[mg/dL]対時刻[時]。CGM(大きな点)の増加速度:1mg/dL/分。線形推定器に基づくMPC予測(三角)。開示の推定器に基づくMPC予測(黒点)。 MPCとCGMとの非同期性を表す図である。血糖[mg/dL]対時刻[時]。MPCサンプリング期間:5分。CGMサンプリング期間7分。CGM(大きな点)の増加速度1mg/dL/分。上:線形推定器のMPC予測(四角)。下:開示の推定器のMPC予測(黒点)。 線形状態推定器を用いた安全機能のない再較正の応答を表す図である。血糖[mg/dL]またはインスリン[U/5分]対時刻[時]。MPCとCGMとの同期:T=5分。CGM(大きい点)。MPC予測(三角)。推定血糖値(灰色の実線)。 開示の状態推定器を用いた安全機能のない再較正の応答を表す図である。血糖[mg/dL]またはインスリン[U/5分]対時刻[時MCPとCGMとの同期:T=5分。CGM(大きい点)。MPC予測(三角)。推定血糖値(灰色の実線)。
T1DMを処置するための人工膵臓のMPCのための、センサーの再較正および非同期性測定を用いた状態推定。
1型糖尿病を処置するための、連続血糖モニター(CGM)フィードバックに基づく人工膵臓のモデル予測制御(MPC)に使用するための新規な状態推定スキームを提供する。MPC戦略の性能は、通常状態推定器により特徴付けられる初期状態の予測に大きく左右される。一般に用いられるルーエンバーガー観測器およびカルマンフィルターは大抵有効であるが、限界を有する。3つの特定の限界が本発明者らのアプローチにより対処される。第1に、再帰的状態推定器における非常に動的な応答を発生させるステップ変化であるCGM再較正が、巧みに適応される。第2に、開示される戦略は、非同期性のCGM測定、すなわち、サンプリング期間が一定でないCGM測定にも、コントローラのサンプリング期間と異なるサンプリング期間のCGM測定にも影響を受けない。第3に、この対策はプラント−モデルのミスマッチによるオフセットの影響を受けない。提供されるアプローチは、移動ホライズン最適化に基づく。
設計;線形時不変インスリン−血糖モデル
van Heusden et al.[2012]のインスリン−血糖モデルを用い、これを下記に要約する。このモデルは、サンプリング期間T=5分[分]を用いた離散時間、線形時不変(LTI)システムである。時間ステップインデックスはiにより表される。プラント入力のスカラー量はサンプリング期間ごとに送達される投与されたインスリンボーラス注入量uIN,i[U]であり、プラント出力のスカラー量は対象の血糖値yBG,i[mg/dL]である。このプラントは定常状態の周辺で線形化され、対象特有の時間依存性基底入力速度uBASAL,i[U/h]を適用することによって達成されると仮定され、定常状態血糖出力y=110[mg/dL]をもたらすと仮定される。
LTIモデルの入力uおよび出力yは、
Figure 2017523852
のように定義される。
本発明者らは、z−1により後退シフト作用素を表し、Y(z−1)およびU(z−1)によりそれぞれ入力uおよび出力yの時間領域信号のz変換を表す。uからyへの伝達特性は
Figure 2017523852
で表され、
式中、極(poles)p=0.98、p=0.965、いわゆる安全係数F=1.5(単位なし、個別化可能であるが、この論文を通して1.5に固定される)、対象特有の1日全インスリン量
Figure 2017523852
であり、ここで定数
Figure 2017523852
を正しい増幅の設定および単位換算のために用いる。1800という数値は、即効型インスリンの送達に対する血糖値の下降を推定するための「1800ルール」に由来する(Walsh & Roberts[2006])。
制御合成のための(1)の状態空間表記は、
Figure 2017523852
であり、
Figure 2017523852
とし、
Figure 2017523852
が上から下に反転された恒等行列に等しいことに留意されたい。
注1:
Figure 2017523852
すなわち、(A,C)は観測可能である。
ノミナルモデル予測制御の概要
MPCについての背景については、Rawlings and Mayne[2009]を参照されたい。
Figure 2017523852
は整数のセットを表すとし、
Figure 2017523852
は正整数のセット、および
Figure 2017523852
はaからbへの連続する整数のセット{a,…,b}を表すとする。
Figure 2017523852
は予測ホライズンを表すとし、uおよびxは入力uおよび状態xの予測値を表すとする。次いで、MPCは、各ステップiにおいて、適切なコスト関数J(・,・)(簡潔にするために詳細は省く)の最小化
Figure 2017523852
が、適切な制約を条件とし、さらに予測がモデル(2):
Figure 2017523852
を用いた実行を条件として行われることにより特徴付けられる、第1制御入力
Figure 2017523852
の予測された最適な制御入力軌跡
Figure 2017523852
を当てはめることによってクローズループ制御を実行する。
予測された状態軌跡は、推定されたモデル状態に(4)において初期化され、その値は、得られたMPC制御法則の性能に大きく影響を与える。(2)の状態xは推定することしかできないので、実際の状態と推定された状態との間の標記の区別はしない。
コントローラのタイミングおよび入力履歴。(2)のサンプリング期間と制御入力uのコントローラアップデートの間の時間間隔とは同じであり、Tに等しいと仮定される。単純にするために、本発明者らは、モデル(2)を用いる任意のコントローラは、前の制御入力uがTと同じ時間間隔で当てはめられた正確な制御入力履歴へのアクセスを有する事を仮定した。本発明者らは、コントローラ呼び出しの実際の時刻を、
Figure 2017523852
で表す。
センサーのタイミング、センサーの再較正および出力履歴。各測定は、3数の組
Figure 2017523852
により定義され、ここで
Figure 2017523852
は新しい測定毎に増加する測定インデックスを表し、
Figure 2017523852
は(2b)のyと類似した(すなわち、定置yを差し引いた)、時刻tにおいてCGMにより提供されるCGM出力を表す。変数
Figure 2017523852
は、再較正カウンタを表し、センサーが再較正されるごとに増加する(r:=0)。
連続する測定の間の時間間隔は、正確にTでなくてもよい。しかし、本発明者らは、すべてのjに対してt−tj−1<2Tを前提とする。同様に、本発明者らは、τにおけるコントローラ呼び出しと、tにおける最も新しい測定との間の時間間隔が2T未満であることを仮定する。この間隔が2つのサンプリング期間を超える場合、サンプリング期間の数倍の間隔に対しては、モデル(2)のオープンループ予測を用いる戦略が「ギャップを埋める」ために有用であると思われる。簡潔にするために、このような設定は本明細書において考察しないが、これらは臨床的コントローラの実行においては考察される。
における個々の出力測定
Figure 2017523852
は、工程ノイズおよび測定ノイズによる誤差の影響を受ける。しかし、CGMノイズを正確にモデル化することは困難である事が証明されており(Hovorka[2006])、したがって、本研究において、本発明者らは測定誤差については何も仮定せず、状態推定スキームにおいて、ノイズ特性について理解された知識を利用する戦略を含まない。しかし、本発明者らは、センサーが再較正された場合rは増加するので、
Figure 2017523852
のような測定
Figure 2017523852
は正しいと仮定する。開示される状態推定戦略は、高周波の外乱をある(チューニング可能な)程度に除去できるものの、直近のセンサー再較正がなくとも、開示される戦略は、低周波の測定バイアスがゼロであるという仮定の下で状態を推定する。
正確な出力および入力に基づく状態再構築。本発明者らは、Iによりa×a恒等行列を表し、0{a,b}によりa×b零行列を表し、
Figure 2017523852
によりクロネッカー積を表す。
各ステップiにおいて、コントローラのタイミングτ=τi−1+Tと同期させた過去(および現在)の出力の完全系列(exact sequence)を
Figure 2017523852
とし、さらに過去の制御入力の完全系列を
Figure 2017523852
とすると、モデル(2)の現在の状態xを、例えば下記のように再構築することができる。
Figure 2017523852
として、
Figure 2017523852
Figure 2017523852
Figure 2017523852
であり、ここでステップiにおいてXを除いてすべてが既知である。(5)および(6)から:
Figure 2017523852
である。
現在の状態xは(5)および(7)により特徴付けられる。
Figure 2017523852
なので、注1により(8)に逆行列が存在する。
出力軌跡フィッティングによる状態推定。各ステップiにおいて、連続時間関数
Figure 2017523852
を定義するパラメータ
Figure 2017523852
は、新しいデータポイントに密接にフィッティングするように定義される。次いで、連続時間関数f(t,θ)を時刻τ
Figure 2017523852
においてサンプリングして、同期性の過去(および現在の)出力値の軌跡
Figure 2017523852
を合成する。この作製された出力軌跡を、過去の制御入力の完全系列
Figure 2017523852
と併せて用い、本明細書に記載の機構により現在状態xの推定を構築する。
関数フィッティングは、多項式の制約のない最小二乗フィッティングを使用して実行する。より一般的なコスト関数、より一般な関数f(・)およびさらに制約が考察されるが、これらの複雑さはここでは省き、タイミングおよびセンサーの再較正に関する有利性に集中する。CGMデータポイントのタイミングおよび非同期性に関する利益は、関数フィッティングが任意の方法で時間的に分布したデータポイントを用いて実行可能なことである。センサーの再較正に関する重要な新規な機能性は、(再帰的推定器とは対照的に)最適化に基づく特性により、再較正が起きたときの不連続性に適応できることである。不連続性のサイズを知る必要はないが、最適化によってデータから特定される。直近の履歴に最大1回の再較正が起こったと仮定して、再較正前のデータポイントをフィッティングする場合に不連続性は含まれるが、より新しいデータポイントをフィッティングする場合は含まれない。重要なことには、不連続性は、f(・)をサンプリングして
Figure 2017523852
値について作製された出力軌跡を合成するときには含まれない。
最適化は、1つのステップから次のステップへのパラメータの偏差θ−θi−1にペナルティを与え、したがって、高周波の外乱を除去するための「粘性(viscosity)」を導入する。
関数の不連続性を用いたデータフィッティング
iの進行に伴うパラメータθiの値の矛盾のない解釈のために、関数f(・)は現在時間τから原点にシフトしてフィッティングされる。フィッティングのために考察される連続時間関数のクラスは、p次の多項式である
Figure 2017523852
Figure 2017523852
式中、pは設計パラメータである。設計パラメータ
Figure 2017523852
は考察される測定履歴の長さを表すとする。各ステップiに対して、
Figure 2017523852
は最も新しい測定のインデックスを表すとし、
Figure 2017523852
はセンサーの再較正の後に続く最も新しい測定のインデックスを表すとする。dに指定された範囲は、再較正がMの長さの履歴ホライズン内に起こったことを意味する。最新の再較正がMの長さの履歴ホライズンの前に起こった場合は単純であり、これ以上は述べない。簡潔にするために、本発明者らは、履歴ホライズンM内に複数の再較正を有する場合については述べないが、このような場合は適応可能である。
ステップiにおいて、状態推定に用いられる測定は
Figure 2017523852
である。
Figure 2017523852
が成り立つ。
Figure 2017523852
は再較正からもたらされる測定の不連続性の(未知の)サイズを表すとし、拡大(augmented)パラメータ
Figure 2017523852
を定義する。不連続にフィッティングされた関数とデータとの間の誤差は、下記のように表す:
Figure 2017523852
Figure 2017523852
は、誤差e(i,j)をペナルティ付きにするためのコストを表すとし、測定にかかった相対的時間に関して時間依存性であるが、実際の時間に関しては時間依存性ではない。さらに、
Figure 2017523852
は、パラメータの偏差θ−θi−1をペナルティ付きにするためのコストを表すとする。最適な拡大(augmented)パラメータ
Figure 2017523852
は、下記の二次プログラムの解によって特徴付けられる:
Figure 2017523852
概して、コストRは、R≧Rk+1、すなわち、測定が新しいほど、古い測定より最適パラメータの推定値
Figure 2017523852
に影響を与えるように選択されなければならない。コスト行列Qは(9)のパラメータa(i,k)をペナルティ付きにするように選択され、一般に対角行列でなければならない。コストが高いほど、例えば、Q(1,1)による値またはQ(2,2)による速度などの変化度についての「粘性(viscosity)」の設定が可能になる。再較正のあとでは、再較正ステップの変化に応じた即時応答を容易にするために、Q(1,1)=0を選択することが望ましいことに留意されたい。
出力軌跡の作製
最適化されたパラメータ
Figure 2017523852
を前提として、本明細書に記載の方法により推定状態を構築するために用いられる合成出力軌跡は、時間
Figure 2017523852
において関数
Figure 2017523852
をサンプリングすることによって定義される。
[実施例]
この項において、開示の状態推定戦略の挙動および利益を、単純な数値例によって実証する。パラメータの選択は、理にかなった範囲内で、開示される戦略の実例の最も単純なものを生み出すように行った。(9)の多項式の次数はp=1を用いた、すなわち、本発明者らは、直線フィッティングを実行した。用いたデータポイントMの数は、関数フィッティングの自由度以上でなければならないことに留意されたい。したがって、本発明者らは、履歴ホライズンM=3を選択し、1回の再較正による直線フィッティングを容易にした。本発明者らは、R=R=1およびR=0.1として、最も古いデータポイントに関する誤差に対して、最も新しい2つのデータポイントに伴う誤差より小さいペナルティを付けた。最後に、本発明者らは、Q=0{2,2}を選択し、すなわち、最適パラメータ
Figure 2017523852
は前のステップの
Figure 2017523852
とは独立している。
本発明者らは、開示の状態推定器の応答をモデル(2)に基づく線形状態推定器の応答と比較した:
Figure 2017523852
Figure 2017523852
プラント−モデルミスマッチの除去
図1は、線形状態推定器の増幅Lが、プラント−モデルのミスマッチを除去する能力にどのように影響を与えるかを表している。CGMは280mg/dLにおいて一定であり、インスリン注入は基底速度で実行する。増幅Lが高いほどミスマッチの除去は有効であるが、ノイズに対する応答性も上昇する。この実施例において、線形状態推定器の状態は、定常状態におけるCGM値が得られるように初期化されことに留意されたい。この最適な初期化にもかかわらず、線形状態推定器の状態推定値はドリフトし、推定器の出力CxとCGM信号との定常状態のミスマッチを引き起こしている。この理由は、モデル(2)がy=110mg/dLの周辺の線形化に基づいていること、および上昇した、定常状態のCGM値は、基底インスリン送達には適合しないことである。対照的に、開示される状態推定器はこのようなミスマッチの影響を受けない。なぜなら、合成出力軌跡はモデル(2)ではなく、CGMデータのみに基づいて作製されており、また、可観測性によって、この機構が、この作製された出力軌跡に正確に対応する状態を構築するためである。
MPCおよびCGMの同期化−不正確なサンプリング期間
この実施例において、本発明者らは、CGMデータがT=5分ではなく9分ごとに送信された場合、コントローラが9分ごとに同時にアップデートされるという仮定の下に、何が起こるかを示す。これはMPCが実際に(本明細書において)どのように実装されるかではないが、この実施例は有益である。
本発明者らは、9分ごとにサンプリングされた、1mg/dL/分で上昇しているCGM軌跡を考察する。このCGMデータは推定器(10)に再帰的に入力され、モデル(2)はT=5分のサンプリング期間に基づいているので、推定器(10)はデータのタイムスタンプを利用することはできない。増幅Lは高く選択される、すなわち、推定器は応答性であり、出力誤差は十分除去される。結果を図2に表す。出力Cxに対する正確な出発値が得られたにもかかわらず、速度変化は、過大評価された値に明確に誤って初期化され、MPC予測はCGM軌跡からそれている。対照的に、開示される推定器は、コントローラの呼び出し時間およびさらにCGMタイムスタンプの両方を利用し、適切な様式で任意のタイミングを考慮している。開示される推定器の状態に基づくと、MPC予測はCGM軌跡の延長となる。
MPCおよびCGMのサンプリング時刻のオフセット
この実施例において、本発明者らは開示される推定器の、コントローラのアップデート時刻とCGMとの間の遅れを適応させる能力を実証する。本発明者らは、速度変化が1mg/dL/分であり、データポイントがT=5分ごとであるCGM軌跡について考察する。コントローラはT=5分ごとにアップデートされ、最新のCGM値に関して4分遅れた。結果を図3にプロットしている。遅れにも関わらず、線形推定器はMPC予測を最も新しいCGM値から開始させている。対照的に、開示される推定器は、MPC予測をCGMデータ軌跡の延長上に外挿された値から始めている。
開示される推定器が遅れを補償することによる利点は、CGMの速度変化が低い場合は大抵無視することができる。しかし、例えば、食事摂取の後または運動開始の後でCGM信号は急速に変化する。まさしくこのような困難な場合において、コントローラの応答性が重要となる。
MPCおよびCGMの非同期性
この実施例において、本発明者らは、コントローラが制御入力を、意図したようにサンプリング期間T=5分でアップデートする事例について考察する。CGM値は1mg/dL/分で上昇するが、その値は、7分ごとにしかアップデートされない。サンプリング期間のこのミスマッチにより、MPCおよびCGMは時として同時にアップデートされるが、多くの場合これらの間には遅れがあり、別の時には、前のMPCがアップデートした後に、CGMアップデートは行われていない状況にある。
本発明者らは、各コントローラ呼び出しにおいて最も新しいCGMによりアップデートされる、増幅の大きい線形状態推定器を考察する。得られたMPC予測を図4の上のサブプロットに表す。この予測は、CGM軌跡の周りに羽根のような広がりを生じ、この広がりは、血糖値のオフセットおよび速度変化の誤った初期化の両方の結果である。対照的に、図4の下のサブプロットは、開示される推定器により初期化されたMPC予測である。この予測は緊密に重なっている。この予測は、コントローラのチューニングにより完全には重なっておらず、この予測は、インスリンの予測送達のためわずかに下にそれている。
再較正
開示されるアプローチのはじめの動機は、センサーの再較正を巧みに適応させることであり、これを次に示す。コントローラおよびCGMは、正しいサンプリング期間;T=5分に同期させる。CGMは14:25まで200mg/dLを示し、14:30に250mg/dLに再較正され、この値をその後も保持している。
線形状態推定器による応答を図5に表す。推定血糖レベル(灰色の線)を見ると、線形推定器が急速な収束を見事に実行していることを見ることができる。線形状態推定器は高い増幅を有し、推定器の状態xの「強力な」補正をもたらし、CGM値に等しい出力Cxを生み出している。しかし、このような高増幅の推定は、再較正の後の長期にわたって予測が非常に動的に応答するため、MPC予測の初期化には不適切である。状態推定におけるこのような応答は、インスリン送達において大幅な、望ましくないオーバーシュートを引き起こす。MPC状態初期化には低増幅の線形状態推定器がより望ましいと思われ、勾配が小さく、結果としてより控えめなインスリン送達を有する予測をもたらす。しかし、低増幅推定器は、正しい血糖レベルへの収束が遅く、また、血糖値に依存して、プラント−モデルのミスマッチによるオフセットをもたらす。
図6は開示される推定器による応答を示す。推定血糖値は、14:30に再較正された値まで即座に変化し、状態推定値は、第一に新しいCGM値を反映し、第2に直近の履歴におけるCGM軌跡の速度変化を反映した新しい値に即座に切り替わる。したがって再較正を超えるMPC予測は、ほとんど見ることができない。結果的にインスリン送達は、再較正時刻に単一の上向きの変化を受ける。定常状態の送達からの2回の短期偏差は、ポンプの離散化および持ち越しスキームによるものである。インスリンステップの変化の前後両方では、血糖値上昇のため、基底速度を超過した送達が望ましい。したがって、状態推定器の急速な変化の間に基底送達を強制する安全機構は、有効な血糖制御に対する障害をもたらすものである。
結論
CGMデータに基づくMPCの最適化を初期化するための、再帰的状態推定器に伴う問題を解決する、移動ホライズン最適化に基づく新規な状態推定スキームが開示される。開示される戦略の機構および利益を、簡単な、模式的実施例を使用して実証した。開示される方法は、University of Padova/Virginia FDAにより認可された代謝シミュレーター(Kovatchev et al.[2009])により試験され、「通常」の状況において、すなわち、本開示を着想させた問題となる事例を扱わない場合において、反応性高くチューニングされた線形状態推定器と同等に機能する。より困難性の高い状況をシミュレーションする場合、臨床試験で得られるものにより密接に類似したCGMデータを用いて、開示される推定器の性能を検証する。
開示されるスキームは、拡張のための柔軟な基礎を提供する。(a)開示される方法は、再較正から遠い場合に高頻度のノイズに対処するために、例えばカルマンフィルターと組み合わせることができる。(b)開示される方法は、フィッティング関数として多項式を使用して記載したが、Miller and Strange[2007]は、フーリエ級数がCGMデータへのフィッティングに有効であることを報告している。(c)さらなるCGMは、例えば信頼限界の推定値を伴うことにより、血糖推定値のみよりも豊富なデータを提供できる。最適化に基づくアプローチは、このような補助情報を利用する手段を提供する。(d)バイアス制御の概念−さらなるセンサーまたはユーザー入力に基づく十分に規定された様式で状態推定値を巧みに扱う能力−が容易になり、例えば食事、運動、ポンプ不全またはCGM感度の突然の損害を検出した後の安全性の改良を提供する。
参考文献
Bequette,B.W.,Optimal Estimation Applications to Continuous Glucose Monitoring,In Proc.AACC American Control Conf.,pages 958−962,Boston,MA,USA,June 2004.
Breton,M,Farret,A,Bruttomesso,D,Anderson,S,Magni,L,Patek,S,Dalla Man,C,Place,J,Demartini,S,Del Favero,S,Toffanin,C,Hughes−Karvetski,C,Dassau,E,Zisser,H,Doyle III,F.J,De Nicolao,G,Avogaro,A,Cobelli,C,Renard,E,& Kovatchev,B.,Fully Integrated Artificial Pancreas in Type 1 Diabetes:Modular Closed−Loop Glucose Control Maintains Near Normoglycemia,Diabetes,61(9):2230−2237,June 2012.
Cobelli,C,Dalla Man,C,Sparacino,G,Magni,L,De Nicolao,G,& Kovatchev,B.P.,Diabetes:Models,Signals and Control,IEEE Rev.Biomed.Eng.,2:54−96,2009.
Cobelli,C,Renard,E,& Kovatchev,B.,Artificial Pancreas:Past,Present,Future,Diabetes,60(11):2672−2682,Nov.2011.
Doyle III,F.J,Huyett,L.M,Lee,J.B,Zisser,H.C,& Dassau,E.,Bench to Clinic Symposia−Closed Loop Artificial Pancreas Systems:Engineering the Algorithms,Diabetes Care,37:1191−1197,2014.
Gondhalekar,R,Dassau,E,Zisser,H.C,& Doyle III,F.J.,Periodic−Zone Model Predictive Control for Diurnal Closed−loop Operation of an Artificial Pancreas,J.Diabetes Sci.Technol.,7(6):1446−1460,Nov.2013.
Gondhalekar,R,Dassau,E,& Doyle III,F.J.,MPC Design for Rapid Pump−Attenuation and Expedited Hyperglycemia Response to Treat T1DM with an Artificial Pancreas,In Proc.AACC American Control Conf.,Portland,OR,USA,pp.4224−4230,June 2014.
Grosman,B,Dassau,E,Zisser,H.C,Jovanovic,L,& Doyle III,F.J.,Zone Model Predictive Control:A Strategy to Minimize Hyper−and Hypoglycemic Events,J.Diabetes Sci.Technol.,4(4):961−975,July 2010.
Grosman,B,Dassau,E,Zisser,H,Jovanovic,L,& Doyle III,F.J.,Multi−Zone−MPC:Clinical Inspired Control Algorithm for the Artificial Pancreas,In Proc.18th IFAC World Congress,pages 7120−7125,Milan,Italy,Aug.2011.
Harvey,R.A,Wang,Y,Grosman,B,Percival,M.W,Bevier,W,Finan,D.A,Zisser,H,Seborg,D.E,Jovanovic,L,Doyle III,F.J,& Dassau,E.,Quest for the Artificial Pancreas:Combining Technology with Treatment,IEEE Eng.Med.Biol.Mag.,29(2):53−62,2010.
Hovorka,R.,Continuous glucose monitoring and closed−loop systems,Diabetic Med.,23(1):1−12,Jan.2006.
Hovorka,R,Canonico,V,Chassin,L.J,Haueter,U,Massi−Benedetti,M,Federici,M.O,Pieber,T.R,Schaller,H.C,Schaupp,L,Vering,T,& Wilinska,M.E.,Nonlinear model predictive control of glucose concentration in subjects with type 1 diabetes.Physiol.Meas.,25:905−920,July 2004.
Kovatchev,B.P,Breton,M,Dalla Man,C,& Cobelli,C.,In Silico Preclinical Trials:A Proof of Concept in Closed−Loop Control of Type 1 Diabetes,J.Diabetes Sci.Technol.,3(1):44−55,Jan.2009.
Kuure−Kinsey,M,Palerm,C.C,& Bequette,B.W.,A Dual−Rate Kalman Filter for Continuous Glucose Monitoring,In Proc.EMBS Annual Int.Conf.,pages 63−66,New York City,NY,USA,Aug.2006.
Levine,W.S,editor.,The Control Handbook,CRC Press,Boca Raton,FL,USA,2 edition,2011.
Magni,L,Raimondo,D.M,Dalla Man,C,De Nicolao,G,Kovatchev,B,& Cobelli,C.,Model predictive control of glucose concentration in type 1 diabetic patients:An in silico trial,Biomed.Signal Process.Control,4(4):338−346,2009.
Magni,L,Raimondo,D.M,Bossi,L,Dalla Man,C,De Nicolao,G,Kovatchev,B,& Cobelli,C.,Model Predictive Control of Type 1 Diabetes:An in Silico Trial,J.Diabetes Sci.Technol.,1(6):804−812,Nov.2007.
Miller,M & Strange,P.,Use of Fourier Models for Analysis and Interpretation of Continuous Glucose Monitoring Glucose Profiles,J.Diabetes Sci.Technol.,1(5):630−638,Sep.2007.
Parker,R.S,Doyle III,F.J,& Peppas,N.A.,A Model−Based Algorithm for Blood Glucose Control in Type I Diabetic Patients,IEEE Trans.Biomed.Eng.,46(2):148−157,Feb.1999.
Rawlings,J.B & Mayne,D.Q.,Model Predictive Control:Theory and Design,Nob Hill Publishing,Madison,WI,USA,Aug.2009.
Turksoy,K,Bayrak,E.S,Quinn,L,Littlejohn,E,& Cinar,A.,Multivariable Adaptive Closed−Loop Control of an Artificial Pancreas Without Meal and Activity Announcement,Diabetes Technol.Ther.,15(5):386−400,May 2013.
van Heusden,K,Dassau,E,Zisser,H.C,Seborg,D.E,& Doyle III,F.J.,Control−Relevant Models for Glucose Control Using A Priori,Patient Characteristics,IEEE Trans.Biomed.Eng.,59(7):1839−1849,July 2012.
Walsh,J & Roberts,R.,Pumping Insulin,Torrey Pines Press,San Diego,CA,USA,4 edition,2006.
Zisser,H.,Clinical Hurdles and Possible Solutions in the Implementation of Closed−Loop Control in Type 1 Diabetes Mellitus,J.Diabetes Sci.Technol.,5(5):1283−1286,Sep.2011.

Claims (14)

  1. モデルの出力のセンサー測定に基づく、離散時間状態空間動的モデルの状態の推定または初期化のための状態推定器の方法であって、連続時間関数を、各モデル出力の得られたセンサー測定データポイントにフィッティングさせるステップ、および続いて、合成された出力軌跡によりモデル状態を構築するために、前記状態が推定または初期化されている前記状態空間動的モデルのサンプリング期間と同時に、前記連続時間関数をサンプリングするステップ、を含み、
    (a)前記フィッティングさせた関数が再較正のポイントにおいてその値が不連続であることを容認されるが、その微分係数が不連続であることは容認されないことによる、センサーの再較正が組み込まれ、前記不連続性の大きさが最適化により特定され、ならびに前記フィッティングさせた関数の前記サンプリングが前記再較正の不連続性を無視して実行され;
    (b)前記関数のフィッティングが、センサー測定のタイムスタンプおよび前記状態推定器の呼び出し時間を用い、ここで:
    (i)前記センサーと状態推定器との間の遅れが、前記推定器の呼び出し時間と同時に始まる時間に遡って前記フィッティングさせた関数をサンプリングすることによって、少なくとも部分的に軽減され;および
    (ii)不規則な時間間隔、または前記状態が推定または初期化されている前記モデルの前記サンプリング期間ではない時間間隔で収集されたセンサーデータに対応可能であり;
    (c)前記状態が推定または初期化されている前記モデルが入力を有することができ、入力が存在する場合、過去の入力データが前記状態の構築に用いられ;
    (d)前記モデルの前記状態が観測可能または再構築可能であり;
    (e)前記状態が推定または初期化されている前記モデルが単一の出力を有する場合、現在のモデル状態は、オフセットを含まない前記合成された出力軌跡を反映して構築され、前記状態が推定または初期化されている前記モデルが複数の出力を有する場合、出力のミスマッチを調整するためにトレードオフ戦略が用いられる、
    方法。
  2. 1型糖尿病を処置するためのインスリン送達を制御する方法であって、移動ホライズン最適化を使用して、連続時間関数を連続血糖モニタリング(CGM)データにフィッティングさせるステップを含み:
    (a)前記関数定義内において、前記血糖出力値の不連続性を含むが、その微分係数の不連続性を含まないことによって、センサーの再較正が適応され、前記不連続性の大きさが前記最適化によって特定され;
    (b)データフィッティングが、前記CGMのタイムスタンプとコントローラの呼び出し時間とを用い、したがって、非同期性データのサンプリングが自然に取り扱われ;
    (c)最適化の後で、前記フィッティングさせた関数が前記コントローラモデルのサンプリング期間Tにおいてサンプリングされ、前記再較正の不連続性を無視して、出力軌跡が合成され;ならびに
    (d)過去の入力データと組み合わせ、可観測性を仮定し、オフセットを含まない前記フィッティングさせた出力軌跡を反映するように、現在のモデル状態が構築される;
    方法。
  3. 1型糖尿病に適用するための人工膵臓のインスリン送達コントローラを制御する移動ホライズン状態イニシャライザのための方法であって、
    まず得られた連続血糖モニタリング(CGM)データポイントに関数をフィッティングさせ、その後、状態が推定されているモデルのサンプリング期間と同時に前記関数をサンプリングすることによって前記モデルの状態を構築するステップ、を含み、
    (a)CGMセンサーの再較正が、前記フィッティングさせた関数が不連続であることを容認することによって組み込まれ;
    (b)前記センサーとコントローラとの間の遅れが、少なくとも部分的に軽減され;
    (c)不規則な時間間隔、または前記状態が推定されている前記モデルの前記サンプリング期間ではない時間間隔で収集されたデータに対応可能であり;ならびに
    (d)前記モデルが前記推定工程の間またはその中に用いられるのではなく、むしろ前記状態が前記モデルのために推定され、最終結果に対する任意のプラント−モデルのミスマッチの影響が制限される、
    方法。
  4. 1型糖尿病を処置するための人工膵臓のモデル予測制御(MPC)のための方法であって、センサーの再較正および非同期性測定による状態推定を用いるステップを含み、状態が、連続時間関数をサンプリングすることによって合成された予言的な出力データによって構築され、前記関数は、測定された連続血糖モニタリング(CGM)センサーのデータにフィッティングさせること、およびセンサーの再較正時刻において値の不連続性を含むが、その微分係数の不連続性は含まないことによって特徴付けられる方法。
  5. 前記センサー測定データが、カルマンフィルターまたは他の信号処理技術を用いて予備処理される、請求項1、2、3または4に記載の方法。
  6. 1型糖尿病などの生体医学的応用における自動薬物送達または工程制御の実装において活用される、請求項1、2、3または4に記載の方法。
  7. 前記センサーが連続血糖モニター(CGM)であり、血糖濃度の予測のために前記離散時間状態空間動的モデルが用いられる、請求項1、2、3または4に記載の方法。
  8. 状態フィードバックモデル予測制御(MPC)法則などの状態フィードバック制御法則と動作可能に組み合わされ、アルゴリズム的インスリン投与を実行する、請求項1、2、3または4に記載の方法。
  9. 状態フィードバックモデル予測制御(MPC)システムなどの状態フィードバック制御システムと動作可能に組み合わされ、インスリンを送達する、請求項1、2、3または4に記載の方法。
  10. アラームおよび/または通知システムと動作可能に組み合わされ、前記アラームおよび/または通知判定実施アルゴリズムが血糖予測などの予測を用い、そのアラームおよび/または通知判定実施アルゴリズムにおいてモデルの状態を使用する離散時間状態空間動的モデルにより実施される、請求項1、2、3または4に記載の方法。
  11. 薬物送達の医療用デバイス、例えば、血圧管理、血液透析制御、麻酔(例えばその深さ)の制御、パーキンソン病の処置、白血病の処置、癌腫瘍の処置、HIVの処置などの慢性の病態または処置に適したデバイスに適合される、請求項1、2、3または4に記載の方法。
  12. (i)連続モニタリングデータの予備処理などのためのカルマンフィルターまたは他の信号処理技術、
    (ii)インスリンなどの薬物を送達するためのモデル予測制御(MPC)制御アルゴリズム、および/または
    (iii)GMなどのオープンループ連続モニタリングのためのアラームシステム
    と動作可能に組み合わされた、請求項1、2、3または4に記載の方法。
  13. 請求項1、2、3または4に記載の方法を実装するようにプログラムされたコントローラ。
  14. 請求項1、9、10または11に記載の方法を実装するようにプログラムされたコントローラを含み、状態モニタリングシステム、薬物用ポンプもしくは計量システムおよび/または送達される薬物を含んでもよい薬物送達システム。
JP2017506924A 2014-08-06 2015-08-05 離散時間状態空間動的モデルに基づく状態推定器と組み合わされたコントローラを使用する薬物送達システムの作動方法、該コントローラおよび該システム Active JP6810991B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201462034132P 2014-08-06 2014-08-06
US62/034,132 2014-08-06
PCT/US2015/043763 WO2016022650A1 (en) 2014-08-06 2015-08-05 Moving-horizon state-initializer for control applications

Publications (3)

Publication Number Publication Date
JP2017523852A true JP2017523852A (ja) 2017-08-24
JP2017523852A5 JP2017523852A5 (ja) 2018-08-23
JP6810991B2 JP6810991B2 (ja) 2021-01-13

Family

ID=55264479

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2017506924A Active JP6810991B2 (ja) 2014-08-06 2015-08-05 離散時間状態空間動的モデルに基づく状態推定器と組み合わされたコントローラを使用する薬物送達システムの作動方法、該コントローラおよび該システム

Country Status (7)

Country Link
US (2) US9984773B2 (ja)
EP (1) EP3177344B1 (ja)
JP (1) JP6810991B2 (ja)
CN (1) CN106714874B (ja)
AU (1) AU2015301146B2 (ja)
CA (1) CA2957432C (ja)
WO (1) WO2016022650A1 (ja)

Families Citing this family (37)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7959598B2 (en) 2008-08-20 2011-06-14 Asante Solutions, Inc. Infusion pump systems and methods
US9561324B2 (en) 2013-07-19 2017-02-07 Bigfoot Biomedical, Inc. Infusion pump system and method
GB2523989B (en) 2014-01-30 2020-07-29 Insulet Netherlands B V Therapeutic product delivery system and method of pairing
DE102015000845A1 (de) * 2015-01-27 2016-07-28 W.O.M. World Of Medicine Gmbh Verfahren und Vorrichtung zur Regelung der Temperatur des Gasstroms bei medizintechnischen Vorrichtungen
CN111905188B (zh) 2015-02-18 2022-07-22 英赛罗公司 流体输送和输注装置及其使用方法
US10275573B2 (en) 2016-01-13 2019-04-30 Bigfoot Biomedical, Inc. User interface for diabetes management system
EP3374004B1 (en) 2016-01-14 2023-06-28 Bigfoot Biomedical, Inc. Adjusting insulin delivery rates
WO2018058041A1 (en) 2016-09-23 2018-03-29 Insulet Corporation Fluid delivery device with sensor
EP3500161A4 (en) 2016-12-12 2020-01-08 Bigfoot Biomedical, Inc. ALARMS AND WARNINGS FOR MEDICINE DELIVERY DEVICES AND RELATED SYSTEMS AND METHODS
EP3568859A1 (en) 2017-01-13 2019-11-20 Bigfoot Biomedical, Inc. Insulin delivery methods, systems and devices
WO2018132754A1 (en) 2017-01-13 2018-07-19 Mazlish Bryan System and method for adjusting insulin delivery
EP3618713B1 (en) 2017-05-05 2021-12-15 Eli Lilly and Company Closed loop control of physiological glucose
EP3438858A1 (en) 2017-08-02 2019-02-06 Diabeloop Closed-loop blood glucose control systems and methods
EP3729446A1 (en) 2017-12-21 2020-10-28 Eli Lilly and Company Closed loop control of physiological glucose
USD928199S1 (en) 2018-04-02 2021-08-17 Bigfoot Biomedical, Inc. Medication delivery device with icons
EP3788628A1 (en) 2018-05-04 2021-03-10 Insulet Corporation Safety constraints for a control algorithm-based drug delivery system
EP3811373A1 (en) 2018-06-22 2021-04-28 Eli Lilly and Company Insulin and pramlintide delivery systems, methods, and devices
AU2019347755B2 (en) 2018-09-28 2023-02-02 Insulet Corporation Activity mode for artificial pancreas system
EP3864668A1 (en) 2018-10-11 2021-08-18 Insulet Corporation Event detection for drug delivery system
USD920343S1 (en) 2019-01-09 2021-05-25 Bigfoot Biomedical, Inc. Display screen or portion thereof with graphical user interface associated with insulin delivery
US11801344B2 (en) 2019-09-13 2023-10-31 Insulet Corporation Blood glucose rate of change modulation of meal and correction insulin bolus quantity
US11935637B2 (en) 2019-09-27 2024-03-19 Insulet Corporation Onboarding and total daily insulin adaptivity
WO2021113647A1 (en) 2019-12-06 2021-06-10 Insulet Corporation Techniques and devices providing adaptivity and personalization in diabetes treatment
US11833329B2 (en) 2019-12-20 2023-12-05 Insulet Corporation Techniques for improved automatic drug delivery performance using delivery tendencies from past delivery history and use patterns
JP7512395B2 (ja) 2020-01-06 2024-07-08 インスレット コーポレイション 持続する残差に基づく食事および/または運動行為の予測
US11551802B2 (en) 2020-02-11 2023-01-10 Insulet Corporation Early meal detection and calorie intake detection
US11547800B2 (en) 2020-02-12 2023-01-10 Insulet Corporation User parameter dependent cost function for personalized reduction of hypoglycemia and/or hyperglycemia in a closed loop artificial pancreas system
US11986630B2 (en) 2020-02-12 2024-05-21 Insulet Corporation Dual hormone delivery system for reducing impending hypoglycemia and/or hyperglycemia risk
US11324889B2 (en) 2020-02-14 2022-05-10 Insulet Corporation Compensation for missing readings from a glucose monitor in an automated insulin delivery system
US11607493B2 (en) 2020-04-06 2023-03-21 Insulet Corporation Initial total daily insulin setting for user onboarding
US11132352B1 (en) 2020-05-13 2021-09-28 International Business Machines Corporation Utilizing local IoT devices to reconcile data mismatches
US11684716B2 (en) 2020-07-31 2023-06-27 Insulet Corporation Techniques to reduce risk of occlusions in drug delivery systems
US11904140B2 (en) 2021-03-10 2024-02-20 Insulet Corporation Adaptable asymmetric medicament cost component in a control system for medicament delivery
CN113223721B (zh) * 2021-03-23 2022-07-12 杭州电子科技大学 一种新型冠状病毒肺炎的预测控制模型
WO2023049900A1 (en) 2021-09-27 2023-03-30 Insulet Corporation Techniques enabling adaptation of parameters in aid systems by user input
US11439754B1 (en) 2021-12-01 2022-09-13 Insulet Corporation Optimizing embedded formulations for drug delivery
CN117170238B (zh) * 2023-09-15 2024-04-16 四川大学 基于协作分布式mpc的异构无人机集群搜索算法

Family Cites Families (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8774886B2 (en) * 2006-10-04 2014-07-08 Dexcom, Inc. Analyte sensor
US8364231B2 (en) * 2006-10-04 2013-01-29 Dexcom, Inc. Analyte sensor
US8478557B2 (en) * 2009-07-31 2013-07-02 Abbott Diabetes Care Inc. Method and apparatus for providing analyte monitoring system calibration accuracy
US20080269714A1 (en) * 2007-04-25 2008-10-30 Medtronic Minimed, Inc. Closed loop/semi-closed loop therapy modification system
US7717903B2 (en) * 2007-09-06 2010-05-18 M2 Group Holdings, Inc. Operating an infusion pump system
US7695434B2 (en) * 2007-10-19 2010-04-13 Lifescan Scotland, Ltd. Medical device for predicting a user's future glycemic state
US20100262117A1 (en) * 2007-11-02 2010-10-14 University Of Virginia Patent Foundation Predictive control based system and method for control of insulin delivery in diabetes using glucose sensing
JP5504175B2 (ja) * 2008-01-31 2014-05-28 フィッシャー−ローズマウント システムズ,インコーポレイテッド モデル不一致を補償するためのチューニングを有する頑健な適応モデル予測コントローラ
US20100057040A1 (en) * 2008-08-31 2010-03-04 Abbott Diabetes Care, Inc. Robust Closed Loop Control And Methods
US8734422B2 (en) * 2008-08-31 2014-05-27 Abbott Diabetes Care Inc. Closed loop control with improved alarm functions
US8062249B2 (en) * 2009-03-31 2011-11-22 Abbott Diabetes Care Inc. Overnight closed-loop insulin delivery with model predictive control and glucose measurement error model
US9579456B2 (en) * 2009-05-22 2017-02-28 Abbott Diabetes Care Inc. Methods for reducing false hypoglycemia alarm occurrence
US8257300B2 (en) * 2009-05-22 2012-09-04 Abbott Diabetes Care Inc. Safety features for integrated insulin delivery system
WO2010135646A1 (en) * 2009-05-22 2010-11-25 Abbott Diabetes Care Inc. Usability features for integrated insulin delivery system
US9858386B2 (en) * 2009-11-02 2018-01-02 Universita Degli Studi Di Padova Method to recalibrate continuous glucose monitoring data on-line
US20110313680A1 (en) * 2010-06-22 2011-12-22 Doyle Iii Francis J Health Monitoring System
DK2628115T3 (en) * 2010-10-12 2015-08-24 Univ California Insulin Delivery Device
WO2013049372A1 (en) * 2011-09-28 2013-04-04 Abbott Diabetes Care Inc. Methods, devices and systems for analyte monitoring management
US9316513B2 (en) * 2012-01-08 2016-04-19 Sensor Platforms, Inc. System and method for calibrating sensors for different operating environments
US9907909B2 (en) * 2012-12-20 2018-03-06 Animas Corporation Method and system for a hybrid control-to-target and control-to-range model predictive control of an artificial pancreas
CA2897925C (en) * 2013-01-14 2017-05-30 The Regents Of The University Of California Daily periodic target-zone modulation in the model predictive control problem for artificial pancreas for type 1 diabetes applications
US9486171B2 (en) * 2013-03-15 2016-11-08 Tandem Diabetes Care, Inc. Predictive calibration
CN103605878B (zh) * 2013-08-19 2016-03-30 浙江大学 一种基于数据建模和模型移植的通用血糖预测方法
CN103793594A (zh) * 2013-12-30 2014-05-14 上海交通大学医学院附属瑞金医院 一种构建肠道-胰岛调控轴相关功能评估模型的方法与应用
US10314547B2 (en) * 2014-04-09 2019-06-11 Halo Wearables LLC Calibration of a wearable medical device
US9949673B2 (en) * 2014-08-26 2018-04-24 MAXIM lNTEGRATED PRODUCTS, INC. System, method and apparatus with multiple reservoirs for in situ calibration of implantable sensors

Also Published As

Publication number Publication date
CA2957432C (en) 2017-07-25
CN106714874A (zh) 2017-05-24
WO2016022650A1 (en) 2016-02-11
AU2015301146B2 (en) 2020-06-25
US11189381B2 (en) 2021-11-30
US20170147781A1 (en) 2017-05-25
EP3177344A1 (en) 2017-06-14
JP6810991B2 (ja) 2021-01-13
US20180277253A1 (en) 2018-09-27
EP3177344A4 (en) 2017-08-09
CA2957432A1 (en) 2016-02-11
AU2015301146A1 (en) 2017-03-16
CN106714874B (zh) 2019-10-08
US9984773B2 (en) 2018-05-29
EP3177344B1 (en) 2023-06-28

Similar Documents

Publication Publication Date Title
JP2017523852A (ja) 制御への応用のための移動ホライズン状態イニシャライザ
CA2979886C (en) Methods and systems for analyzing glucose data measured from a person having diabetes
JP6073478B2 (ja) インスリン注入デバイスを制御するシステム及び方法
Messori et al. Model individualization for artificial pancreas
CN107771056B (zh) 经皮分析物传感器和监视器、其校准以及相关联方法
Facchinetti et al. An online self-tunable method to denoise CGM sensor data
US20100262117A1 (en) Predictive control based system and method for control of insulin delivery in diabetes using glucose sensing
JP2015526242A (ja) インスリン注入デバイスを制御するシステム及び方法
US20150164414A1 (en) Recursive Real-time Determination of Glucose Forcing in a Diabetic patient for use in a Closed Loop Insulin Delivery system
US20210076994A1 (en) Multi-rate analyte sensor data collection with sample rate configurable signal processing
US20240274300A1 (en) Method, system, and computer readable medium for virtualization of a continuous glucose monitoring trace
WO2002024065A1 (en) Method and apparatus for real-time estimation and control of pysiological parameters
JP2010521222A (ja) 血糖入力を使用する基礎速度試験
MohammadRidha et al. A variable reference trajectory for model-free glycemia regulation
Facchinetti et al. Detecting failures of the glucose sensor-insulin pump system: improved overnight safety monitoring for type-1 diabetes
Chandrasekhar et al. An android phone based artificial pancreas system for type-1 diabetic patients
Messori et al. A nonparametric approach for model individualization in an artificial pancreas
Gondhalekar et al. State Estimation with Sensor Recalibrations and Asynchronous Measurements for MPC of an Artificial Pancreas to Treat T1DM
EP4039293A1 (en) Techniques and devices for adaptation of maximum drug delivery limits
Kovács et al. Physiological modeling and control at Obuda University
Angelova et al. Delay-differential equations for glucose-insulin regulation
Reiterer et al. Algorithm for offline recalibration of recorded CGM traces
CA2884999C (en) Safeguarding measures for a closed-loop insulin infusion system
Ollerton et al. Robust approximation to adaptive control by use of representative parameter sets with particular reference to type 1 diabetes

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20180710

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20180710

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20180710

A975 Report on accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A971005

Effective date: 20180731

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20180807

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20181102

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20190108

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20190208

C60 Trial request (containing other claim documents, opposition documents)

Free format text: JAPANESE INTERMEDIATE CODE: C60

Effective date: 20190208

C11 Written invitation by the commissioner to file amendments

Free format text: JAPANESE INTERMEDIATE CODE: C11

Effective date: 20190226

A911 Transfer to examiner for re-examination before appeal (zenchi)

Free format text: JAPANESE INTERMEDIATE CODE: A911

Effective date: 20190320

C21 Notice of transfer of a case for reconsideration by examiners before appeal proceedings

Free format text: JAPANESE INTERMEDIATE CODE: C21

Effective date: 20190326

A912 Re-examination (zenchi) completed and case transferred to appeal board

Free format text: JAPANESE INTERMEDIATE CODE: A912

Effective date: 20190426

C211 Notice of termination of reconsideration by examiners before appeal proceedings

Free format text: JAPANESE INTERMEDIATE CODE: C211

Effective date: 20190514

C22 Notice of designation (change) of administrative judge

Free format text: JAPANESE INTERMEDIATE CODE: C22

Effective date: 20191224

C13 Notice of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: C13

Effective date: 20200303

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20200407

C22 Notice of designation (change) of administrative judge

Free format text: JAPANESE INTERMEDIATE CODE: C22

Effective date: 20200414

RD13 Notification of appointment of power of sub attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7433

Effective date: 20200616

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A821

Effective date: 20200616

C22 Notice of designation (change) of administrative judge

Free format text: JAPANESE INTERMEDIATE CODE: C22

Effective date: 20200721

C30 Protocol of an oral hearing

Free format text: JAPANESE INTERMEDIATE CODE: C30

Effective date: 20200827

C30 Protocol of an oral hearing

Free format text: JAPANESE INTERMEDIATE CODE: C30

Effective date: 20200923

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200928

C302 Record of communication

Free format text: JAPANESE INTERMEDIATE CODE: C302

Effective date: 20200928

C23 Notice of termination of proceedings

Free format text: JAPANESE INTERMEDIATE CODE: C23

Effective date: 20201027

C03 Trial/appeal decision taken

Free format text: JAPANESE INTERMEDIATE CODE: C03

Effective date: 20201204

C30A Notification sent

Free format text: JAPANESE INTERMEDIATE CODE: C3012

Effective date: 20201209

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20201210

R150 Certificate of patent or registration of utility model

Ref document number: 6810991

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250