JP2021527899A - 機械学習システムによって低血糖の率を予測すること - Google Patents
機械学習システムによって低血糖の率を予測すること Download PDFInfo
- Publication number
- JP2021527899A JP2021527899A JP2020571553A JP2020571553A JP2021527899A JP 2021527899 A JP2021527899 A JP 2021527899A JP 2020571553 A JP2020571553 A JP 2020571553A JP 2020571553 A JP2020571553 A JP 2020571553A JP 2021527899 A JP2021527899 A JP 2021527899A
- Authority
- JP
- Japan
- Prior art keywords
- patients
- rate
- hypoglycemic events
- machine learning
- hypoglycemic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000002218 hypoglycaemic effect Effects 0.000 title claims abstract description 148
- 238000010801 machine learning Methods 0.000 title claims abstract description 68
- 208000013016 Hypoglycemia Diseases 0.000 title abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 47
- 206010012601 diabetes mellitus Diseases 0.000 claims abstract description 15
- NOESYZHRGYRDHS-UHFFFAOYSA-N insulin Chemical compound N1C(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(NC(=O)CN)C(C)CC)CSSCC(C(NC(CO)C(=O)NC(CC(C)C)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CCC(N)=O)C(=O)NC(CC(C)C)C(=O)NC(CCC(O)=O)C(=O)NC(CC(N)=O)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CSSCC(NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2C=CC(O)=CC=2)NC(=O)C(CC(C)C)NC(=O)C(C)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2NC=NC=2)NC(=O)C(CO)NC(=O)CNC2=O)C(=O)NCC(=O)NC(CCC(O)=O)C(=O)NC(CCCNC(N)=N)C(=O)NCC(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC(O)=CC=3)C(=O)NC(C(C)O)C(=O)N3C(CCC3)C(=O)NC(CCCCN)C(=O)NC(C)C(O)=O)C(=O)NC(CC(N)=O)C(O)=O)=O)NC(=O)C(C(C)CC)NC(=O)C(CO)NC(=O)C(C(C)O)NC(=O)C1CSSCC2NC(=O)C(CC(C)C)NC(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CC(N)=O)NC(=O)C(NC(=O)C(N)CC=1C=CC=CC=1)C(C)C)CC1=CN=CN1 NOESYZHRGYRDHS-UHFFFAOYSA-N 0.000 claims description 106
- 102000004877 Insulin Human genes 0.000 claims description 57
- 108090001061 Insulin Proteins 0.000 claims description 57
- 229940125396 insulin Drugs 0.000 claims description 53
- 230000009471 action Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 230000000052 comparative effect Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 abstract 1
- 238000011282 treatment Methods 0.000 description 34
- 238000012549 training Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 14
- 230000006870 function Effects 0.000 description 13
- 238000003745 diagnosis Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 12
- 210000002569 neuron Anatomy 0.000 description 11
- 238000003058 natural language processing Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 5
- 208000002249 Diabetes Complications Diseases 0.000 description 4
- 206010012655 Diabetic complications Diseases 0.000 description 4
- COCFEDIXXNGUNL-RFKWWTKHSA-N Insulin glargine Chemical compound C([C@@H](C(=O)N[C@@H](CC(C)C)C(=O)N[C@H]1CSSC[C@H]2C(=O)N[C@H](C(=O)N[C@@H](CO)C(=O)N[C@H](C(=O)N[C@H](C(N[C@@H](CO)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CC=3C=CC(O)=CC=3)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CC(N)=O)C(=O)N[C@@H](CC=3C=CC(O)=CC=3)C(=O)N[C@@H](CSSC[C@H](NC(=O)[C@H](C(C)C)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CC=3C=CC(O)=CC=3)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](C)NC(=O)[C@H](CCC(O)=O)NC(=O)[C@H](C(C)C)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CC=3NC=NC=3)NC(=O)[C@H](CO)NC(=O)CNC1=O)C(=O)NCC(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CCCNC(N)=N)C(=O)NCC(=O)N[C@@H](CC=1C=CC=CC=1)C(=O)N[C@@H](CC=1C=CC=CC=1)C(=O)N[C@@H](CC=1C=CC(O)=CC=1)C(=O)N[C@@H]([C@@H](C)O)C(=O)N1[C@@H](CCC1)C(=O)N[C@@H](CCCCN)C(=O)N[C@@H]([C@@H](C)O)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CCCNC(N)=N)C(O)=O)C(=O)NCC(O)=O)=O)CSSC[C@@H](C(N2)=O)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@H](CCC(O)=O)NC(=O)[C@H](C(C)C)NC(=O)[C@@H](NC(=O)CN)[C@@H](C)CC)[C@@H](C)CC)[C@@H](C)O)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@H](CC(N)=O)NC(=O)[C@@H](NC(=O)[C@@H](N)CC=1C=CC=CC=1)C(C)C)C1=CN=CN1 COCFEDIXXNGUNL-RFKWWTKHSA-N 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 208000028659 discharge Diseases 0.000 description 4
- 229940079593 drug Drugs 0.000 description 4
- 239000003814 drug Substances 0.000 description 4
- 230000002641 glycemic effect Effects 0.000 description 4
- 239000004026 insulin derivative Substances 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 108010057186 Insulin Glargine Proteins 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 201000011510 cancer Diseases 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000008451 emotion Effects 0.000 description 3
- 238000007918 intramuscular administration Methods 0.000 description 3
- 238000012886 linear function Methods 0.000 description 3
- 208000001072 type 2 diabetes mellitus Diseases 0.000 description 3
- 208000017667 Chronic Disease Diseases 0.000 description 2
- 102000051325 Glucagon Human genes 0.000 description 2
- 108060003199 Glucagon Proteins 0.000 description 2
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- MASNOZXLGMXCHN-ZLPAWPGGSA-N glucagon Chemical compound C([C@@H](C(=O)N[C@H](C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CC=1C2=CC=CC=C2NC=1)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCSC)C(=O)N[C@@H](CC(N)=O)C(=O)N[C@@H]([C@@H](C)O)C(O)=O)C(C)C)NC(=O)[C@H](CC(O)=O)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@H](C)NC(=O)[C@H](CCCNC(N)=N)NC(=O)[C@H](CCCNC(N)=N)NC(=O)[C@H](CO)NC(=O)[C@H](CC(O)=O)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CC=1C=CC(O)=CC=1)NC(=O)[C@H](CCCCN)NC(=O)[C@H](CO)NC(=O)[C@H](CC=1C=CC(O)=CC=1)NC(=O)[C@H](CC(O)=O)NC(=O)[C@H](CO)NC(=O)[C@@H](NC(=O)[C@H](CC=1C=CC=CC=1)NC(=O)[C@@H](NC(=O)CNC(=O)[C@H](CCC(N)=O)NC(=O)[C@H](CO)NC(=O)[C@@H](N)CC=1NC=NC=1)[C@@H](C)O)[C@@H](C)O)C1=CC=CC=C1 MASNOZXLGMXCHN-ZLPAWPGGSA-N 0.000 description 2
- 229960004666 glucagon Drugs 0.000 description 2
- 239000008103 glucose Substances 0.000 description 2
- 229960002869 insulin glargine Drugs 0.000 description 2
- 230000002427 irreversible effect Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 229940127017 oral antidiabetic Drugs 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 101710173668 Glucagon-4 Proteins 0.000 description 1
- 102000001554 Hemoglobins Human genes 0.000 description 1
- 108010054147 Hemoglobins Proteins 0.000 description 1
- 206010020994 Hypoglycaemia neonatal Diseases 0.000 description 1
- 206010020997 Hypoglycaemia unawareness Diseases 0.000 description 1
- 102000007327 Protamines Human genes 0.000 description 1
- 108010007568 Protamines Proteins 0.000 description 1
- 206010067584 Type 1 diabetes mellitus Diseases 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229940060975 lantus Drugs 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000002483 medication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003285 pharmacodynamic effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 229940048914 protamine Drugs 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000013515 script Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 231100001274 therapeutic index Toxicity 0.000 description 1
- 229940110253 toujeo Drugs 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Abstract
【選択図】図1
Description
本出願は、2018年6月22日に出願された米国特許仮出願第62/689,005号の利益を主張し、同出願の内容全体が参照により本明細書に組み入れられる。
1.人口統計学
a.これらの共変量の振り返り期間は8年である。
2.社会経済学
b.これらの共変量の振り返り期間は8年である。
3.併存症
c.これらの共変量の振り返り期間は、(可逆的/急性的な状態では)1年から(不可逆的/慢性的な状態では)8年の範囲にわたる。
d.併存症カテゴリ内の別個の共変量としてのチャールソン併存疾患指数(CCI)スコア。CCIは、指標前期間と関連付けられた、糖尿病合併症を含む、患者の併存症状態の尺度である(糖尿病合併症カテゴリを含む)。
4.糖尿病合併症
e.これらの共変量の振り返り期間は8年である。
5.糖尿病疾病状態
a.これらの共変量の振り返り期間は、前低血糖事象では1年、データセット中の既知の期間の糖尿病では8年である。
6.医薬品使用
a.これらの共変量の振り返り期間は1年である。
1.医師専門性:
f.振り返り期間は、「医師専門性」共変量についてのすべての利用可能なデータであり、「医師の最も一般に処方されるインスリン」では2年である。
2.前の平均低血糖事象費用
g.この共変量の振り返り期間は1年である。
1.マーカ間の距離が定義される:
a.各マーカは、マーカが真または偽である患者のセットを含むベクトルと関連付けられる。
b.この場合、マーカ間の距離はベクトル間のジャッカード距離になる。
2.次に、これらの距離に基づいたクラスタが生成された:
a.距離行列に基づいた階層クラスタリングが実行されて、クラスタ階層が得られた。クラスタ間の平均距離が、クラスタを階層的にリンクするために使用された。
3.クラスタを抽出するための階層のレベルが定義される:
a.「不一致」法が、階層のどのレベルでクラスタを抽出したいのかを決定するために使用された。「不一致」は、リンクされているクラスタにおける平均距離の不一致を指す:大きい値は、クラスタがリンクされるべきではないことを示唆する。
4.多くの患者治療が「示す」クラスタが選択される:
a.形成された1500個のクラスタのうち、ほとんどの患者治療によって示された100個が選択された。
b.患者治療は、指標日付の前の1年間に患者に、クラスタを構成した診断、手順、または処方(たとえば、マーカ)のいずれがあった場合に、クラスタを「示す」と言われた。
5.クラスタの医学的合理化:
a.臨床エキスパートがその後、得られたクラスタを医学的論理に関して検査して、教師なしクラスタ生成に使用されるパラメータを有効にする。
1.複数のタイプの基礎インスリンを用いた治療:すなわち、同じ患者に対して別の治療開始の(前または後の)1週間以内に開始する患者治療。
2.指標日付前の365日のうち270日よりも長い任意の非活動の期間がある患者治療(非活動は、データセット中の関連テーブルにタイムスタンプ付きデータがないこととして定義される)。
3.治療期間が1日未満である患者治療。
1.ICD−9および10低血糖診断コード
2.検査室血漿グルコースレベルが≦70mg/dL
3.筋肉内グルカゴンの投与
4.NLP出力
1.低血糖ICD−9または10診断コードがデフォルトで重度である(ICD−9 249.30;250.30;250.31;251.0;ICD−10 E08.641;E09.641;E10.641;E11.641;E13.641;E15)。
2.低血糖のICDコードに、入院時診断、退院時治療の主な理由、または入院時に存在、としてフラグが立てられている。
3.低血糖開始日が救急部(ED)訪問または入院患者入院と同じ日に生じている。
4.血漿グルコース測定値が<54mg/dLである。
5.筋肉内グルカゴンが投与された。
6.低血糖のNLP言及に、重症度用語(たとえば「重度の」)および属性(たとえば、「緊急」)を含む、重症度の記述子が付随している。
7.NLP低血糖事象が(ED)訪問または入院患者入院と同じ日に起きている。
1.事象が訪問表とリンクされ、訪問タイプがEDではない場合(工程202)。
2.低血糖事象が自然言語処理によって識別されるだけではない(工程204)。
3.事象は診断表を使用して見つけられる(工程206)。
4.診断は「退院診断」、「入院診断」、または「入院時に存在」として印付けられる。
1.低血糖事象がNLPによって識別されるだけではない(工程204)。
2.事象が診断表を使用して見つけられた場合、診断は「退院診断」、「入院診断」、または「入院時に存在」として印付けられない(工程206)。
3.事象がPTIDを使用して訪問表とリンクされ、訪問タイプが入院患者であり、低血糖事象日が訪問開始日マイナス1日と訪問終了日プラス1日の間にある(これは、データセットに正確な日付一致がないことが多いことを考慮して、低血糖事象を訪問とリンクするための緩衝域を与えるものである)(工程208)。
1.事象がPTIDを使用して訪問表とリンクされ、訪問タイプはEDであり、低血糖事象日は、訪問開始日マイナス1日と訪問終了日プラス1日の間にある(工程202)。
2.事象は、自然言語処理だけを用いて識別される(工程204)。
3.事象は、診断表を使用して識別される場合にはNLPだけを用いて識別されず、診断は、退院診断、入院診断、または入院時に存在、として印付けされず、訪問表とのリンクが行われない(工程206)。
Claims (15)
- コンピューティングデバイスで実行される方法であって:
真性糖尿病と診断された患者の医療記録を示すデータを受けることと;
機械学習システムを使用して低血糖事象の予測率を決定することであって、機械は、複数の患者の医療記録と、それぞれの患者についての対応する低血糖事象の率とを示すデータを用いて訓練される、決定することと;
患者についての予測率を生成することと
を含む、前記コンピューティングデバイスで実行される方法。 - 複数の患者のそれぞれは同じタイプの基礎インスリンを使用する、請求項1に記載のコンピューティングデバイスで実行される方法。
- 第2の機械学習システムを使用して低血糖事象の第2の予測率を決定することであって、第2の機械は、第2の複数の患者の医療記録と、それぞれの第2の患者についての対応する低血糖事象の率とを示すデータを用いて訓練され、第2の複数の患者のそれぞれは第2のタイプの基礎インスリンを使用し、該第2のタイプの基礎インスリンは第1のタイプの基礎インスリンと異なる、決定することと;
第1の予測率を第2の予測率と比較することと
をさらに含む、請求項1または2に記載のコンピューティングデバイスで実行される方法。 - 患者のための基礎インスリンを比較に基づいて推奨することをさらに含む、請求項3に記載のコンピューティングデバイスで実行される方法。
- 第2の複数の患者のそれぞれの医療記録に対応するデータを機械学習システムに提供することによって第2の複数の患者についての低血糖事象の複数の予測率を決定することと;
低血糖事象の予測率に相関されるデータ中の1つまたはそれ以上の共変量を、該データおよび低血糖事象の複数の予測率に基づいて、特定することと;
1つまたはそれ以上の共変量および対応する低血糖事象の予測率を特定する報告を生成することと
をさらに含む、請求項1に記載のコンピューティングデバイスで実行される方法。 - 第2の複数の患者のそれぞれの医療記録に対応するデータを機械学習システムに提供することによって第2の複数の患者についての低血糖事象の複数の予測率を決定することであって、第2の複数の患者のそれぞれは同じ共変量を有する、決定することと;
共変量および対応する低血糖事象の予測率を特定する報告を生成することと
をさらに含む、請求項1に記載のコンピューティングデバイスで実行される方法。 - コンピュータプログラム命令が符号化された非一時的なコンピュータ可読媒体であって、命令は、1つまたはそれ以上のコンピュータによって実行されると該1つまたはそれ以上のコンピュータに:
真性糖尿病と診断された患者の医療記録を示すデータを受けることと;
機械学習システムを使用して低血糖事象の予測率を決定することであって、機械は、複数の患者の医療記録と、それぞれの患者についての対応する低血糖事象の率とを示すデータを用いて訓練される、決定することと;
患者についての予測率を生成することと
を含む動作を実行させる、前記非一時的なコンピュータ可読媒体。 - 複数の患者のそれぞれが同じタイプの基礎インスリンを使用する、請求項7に記載の非一時的なコンピュータ可読媒体。
- 動作は:
第2の機械学習システムを使用して低血糖事象の第2の予測率を決定することであって、第2の機械は、第2の複数の患者の医療記録と、それぞれの第2の患者についての対応する低血糖事象の率とを示すデータを用いて訓練され、第2の複数の患者のそれぞれは第2のタイプの基礎インスリンを使用し、該第2のタイプの基礎インスリンは第1のタイプの基礎インスリンと異なる、決定することと;
第1の予測率を第2の予測率と比較することと
をさらに含む、請求項7または8に記載の非一時的なコンピュータ可読媒体。 - 動作は、患者のための基礎インスリンを比較に基づいて推奨することをさらに含む、請求項7〜9のいずれか1項に記載の非一時的なコンピュータ可読媒体。
- 動作は:
第2の複数の患者のそれぞれの医療記録に対応するデータを機械学習システムに提供することによって第2の複数の患者についての低血糖事象の複数の予測率を決定することと;
低血糖事象の予測率に相関されるデータ中の1つまたはそれ以上の共変量を、該データおよび低血糖事象の複数の予測率に基づいて、特定することと;
1つまたはそれ以上の共変量および対応する低血糖事象の予測率を特定する報告を生成することと
をさらに含む、請求項7に記載の非一時的なコンピュータ可読媒体。 - 動作は:
第2の複数の患者のそれぞれの医療記録に対応するデータを機械学習システムに提供することによって第2の複数の患者についての低血糖事象の複数の予測率を決定することであって、第2の複数の患者のそれぞれは同じ共変量を有する、決定することと;
共変量および対応する低血糖事象の予測率を特定する報告を生成することと
をさらに含む、請求項7に記載の非一時的なコンピュータ可読媒体。 - システムであって:
1つまたはそれ以上のコンピュータと、命令を記憶する1つまたはそれ以上の記憶デバイスとを含み、命令は、1つまたはそれ以上のコンピュータによって実行されると該1つまたはそれ以上のコンピュータに:
真性糖尿病と診断された患者の医療記録を示すデータを受けることと;
機械学習システムを使用して低血糖事象の予測率を決定することであって、機械は、複数の患者の医療記録と、それぞれの患者についての対応する低血糖事象の率とを示すデータを用いて訓練される、決定することと;
患者についての予測率を生成することと
を含む動作を実行させるように動作可能である、前記システム。 - 複数の患者のそれぞれは同じタイプの基礎インスリンを使用する、請求項13に記載のシステム。
- 動作は:
第2の複数の患者のそれぞれの医療記録に対応するデータを機械学習システムに提供することによって第2の複数の患者についての低血糖事象の複数の予測率を決定することと;
低血糖事象の予測率に相関されるデータ中の1つまたはそれ以上の共変量を、該データおよび低血糖事象の複数の予測率に基づいて特定することと;
1つまたはそれ以上の共変量および対応する低血糖事象の予測率を特定する報告を生成することと
をさらに含む、請求項13に記載のシステム。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862689005P | 2018-06-22 | 2018-06-22 | |
US62/689,005 | 2018-06-22 | ||
EP19305609 | 2019-05-13 | ||
EP19305609.0 | 2019-05-13 | ||
PCT/US2019/038454 WO2019246511A1 (en) | 2018-06-22 | 2019-06-21 | Predicting rates of hypoglycemia by a machine learning system |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021527899A true JP2021527899A (ja) | 2021-10-14 |
JPWO2019246511A5 JPWO2019246511A5 (ja) | 2022-05-10 |
Family
ID=68984345
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020571553A Pending JP2021527899A (ja) | 2018-06-22 | 2019-06-21 | 機械学習システムによって低血糖の率を予測すること |
Country Status (5)
Country | Link |
---|---|
US (1) | US20210216894A1 (ja) |
EP (1) | EP3811375A1 (ja) |
JP (1) | JP2021527899A (ja) |
CN (1) | CN112567473A (ja) |
WO (1) | WO2019246511A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI770591B (zh) * | 2020-08-24 | 2022-07-11 | 臺北醫學大學 | 用於預測癌症之電腦實施方法及計算裝置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007149533A2 (en) * | 2006-06-19 | 2007-12-27 | Dose Safety | System, method and article for controlling the dispensing of insulin |
RU2012112589A (ru) * | 2009-09-02 | 2013-10-10 | Юниверсити Оф Вирджиния Пэйтент Фаундейшн | Отслеживание вероятности приближающейся гипогликемии при диабете на основе данных самостоятельного контроля глюкозы в крови |
US8410049B2 (en) * | 2009-10-28 | 2013-04-02 | Cebix | Methods and kits for preventing hypoglycemia |
AU2015244291B2 (en) * | 2014-04-10 | 2017-06-22 | Dexcom, Inc. | Glycemic urgency assessment and alerts interface |
US10748658B2 (en) * | 2016-05-13 | 2020-08-18 | WellDoc, Inc. | Database management and graphical user interfaces for measurements collected by analyzing blood |
US10956821B2 (en) * | 2016-11-29 | 2021-03-23 | International Business Machines Corporation | Accurate temporal event predictive modeling |
-
2019
- 2019-06-21 CN CN201980053031.4A patent/CN112567473A/zh active Pending
- 2019-06-21 WO PCT/US2019/038454 patent/WO2019246511A1/en unknown
- 2019-06-21 JP JP2020571553A patent/JP2021527899A/ja active Pending
- 2019-06-21 EP EP19737391.3A patent/EP3811375A1/en active Pending
- 2019-06-21 US US17/251,091 patent/US20210216894A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US20210216894A1 (en) | 2021-07-15 |
WO2019246511A1 (en) | 2019-12-26 |
CN112567473A (zh) | 2021-03-26 |
EP3811375A1 (en) | 2021-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Supervised reinforcement learning with recurrent neural network for dynamic treatment recommendation | |
US20200221990A1 (en) | Systems and methods for assessing and evaluating renal health diagnosis, staging, and therapy recommendation | |
WO2011056757A2 (en) | Using data imputation to determine and rank of risks of health outcomes | |
Getzen et al. | Mining for equitable health: Assessing the impact of missing data in electronic health records | |
US11361854B2 (en) | Digital therapeutic systems and methods | |
Gowsalya et al. | Predicting the risk of readmission of diabetic patients using MapReduce | |
Bjarnadóttir et al. | Machine learning in healthcare: Fairness, issues, and challenges | |
Kanyongo et al. | Feature selection and importance of predictors of non-communicable diseases medication adherence from machine learning research perspectives | |
Belthangady et al. | Causal deep learning reveals the comparative effectiveness of antihyperglycemic treatments in poorly controlled diabetes | |
US20230360754A1 (en) | Digital therapeutic systems and methods | |
Sarthak et al. | EmbPred30: Assessing 30-days readmission for diabetic patients using categorical embeddings | |
JP2021527899A (ja) | 機械学習システムによって低血糖の率を予測すること | |
US20190198174A1 (en) | Patient assistant for chronic diseases and co-morbidities | |
Ozery-Flato et al. | Identifying and investigating unexpected response to treatment: a diabetes case study | |
Tahir et al. | Exploring the progress of artificial intelligence in managing type 2 diabetes mellitus: a comprehensive review of present innovations and anticipated challenges ahead | |
Zhang et al. | Optimizing sepsis treatment strategies via a reinforcement learning model | |
US20230083562A1 (en) | Ai based methods and systems for tracking chronic conditions | |
US20230105348A1 (en) | System for adaptive hospital discharge | |
Nilan et al. | A Clinical Decision Support System for Drug Conflict Identification | |
Khanam et al. | From data to insights: Leveraging machine learning for diabetes management | |
Eghbali-Zarch et al. | Application of machine learning in affordable and accessible insulin management for type 1 and 2 diabetes: A comprehensive review | |
Echajei et al. | Exploring the Intersection of Machine Learning and Causality in Advanced Diabetes Management: New Insight and Opportunities | |
Zhang et al. | A goal-oriented reinforcement learning for optimal drug dosage control | |
Jain | ARTIFICIAL INTELLIGENCE AND MACHINE LEARNING IN DIABETES CARE: A SYSTEMATIC REVIEW | |
Ghosh et al. | Fundamentals and Technicalities of Big Data and Analytics |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220426 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220426 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230510 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230704 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231003 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240109 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240409 |