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

Abstract

システム、方法、およびコンピュータ製品により、患者の低血糖の率を予測することができる。方法のうちの１つは、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を含む。この方法は、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を含み、その機械は、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。この方法はまた、患者についての予測率を生成することも含む。
【選択図】図１

Description

優先権の主張
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。

機械学習は、コンピュータ科学の分野における人工知能のサブセットであり、明示的にプログラムされなくてもデータによって「学習する」（すなわち、特定のタスクに対するパフォーマンスを漸進的に改善する）能力をコンピュータに与えるために統計的技法を用いることが多い。

一般に、本明細書に記載の主題である１つの発明の態様は、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動作を含む方法として具現化される。この方法は、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動作を含み、その機械は、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。この方法はまた、患者についての予測率を生成する動作も含む。

上記および他の実施形態は、それぞれ場合により、以下の機能のうちの１つまたはそれ以上を単独で、または組み合わせて含み得る。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し得る。方法は、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動作を含むことができ、その第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、この第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っており、方法はさらに、第１の予測率を第２の予測率と比較する動作を含み得る。方法は、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動作を含み得る。方法は、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動作と、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、そのデータおよび低血糖事象の複数の予測率に基づいて、特定する動作と、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動作とを含み得る。方法は、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動作を含むことができ、第２の複数の患者のそれぞれは同じ共変量を有し、方法はさらに、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動作を含み得る。

本開示はまた、１つまたはそれ以上のプロセッサに接続され命令が記憶されているコンピュータ可読記憶媒体を提供し、この命令は、１つまたはそれ以上のプロセッサによって実行されると、その１つまたはそれ以上のプロセッサに、本明細書で提供されている方法を実施することによって諸動作を実行させる。

本開示はさらに、本明細書で提供されている方法を実施するためのシステムを提供する。システムは、１つまたはそれ以上のプロセッサと、１つまたはそれ以上のプロセッサに接続され命令が記憶されているコンピュータ可読記憶媒体とを含み、この命令は、１つまたはそれ以上のプロセッサによって実行されると、その１つまたはそれ以上のプロセッサに、本明細書で提供されている方法を実施することによって諸動作を実行させる。

本開示による諸実施態様は、本明細書に記載の態様および機能の任意の組み合わせを含み得ることを理解されたい。すなわち、本開示による諸実施態様は、態様の組み合わせ、および本明細書に特に記載の機能に限定されないだけでなく、提供された態様および機能の他の任意の適切な組み合わせも含む。

本明細書に記載の主題の１つまたはそれ以上の実施形態の詳細については、添付の図面および以下の、発明を実施するための形態において略述する。主題の他の機能、態様および利点は、発明を実施するための形態、図面、および特許請求の範囲から明らかになろう。

低血糖事象の予想率を予測するように機械学習モデルが訓練される環境を示す図である。 １つの事象をＥＤ／外来患者、入院患者（二次）、または入院患者（一次）として分類するための処理の一例を示すフローチャートである。 様々な共変量に対して低血糖率を決定するための例示的な処理を示す図である。 様々な共変量に対して低血糖率を決定する一例を示す図である。 患者データを用いて訓練済み機械学習モデルを生成する処理の一例のフローチャートである。

様々な図面中の同じ参照番号および名称は、同じ要素を示す。

真性糖尿病は、死亡率の７番目の主な要因であり、また合衆国（米国）における罹患率の主な要因である。真性糖尿病には米国人口のうち推定２９１０万人が冒されており、１４０万人が新たに毎年診断されている。冒される患者の数は、２０３０年までに５４９０万人を超えるまで増加すると予想されている。２０１２年では、米国における診断された糖尿病のための総費用は２４５０億ドルであった（直接の医療費が１７６０億ドル、生産性の低下が６９０億ドル）。

疾患のための重大かつ増大する負担を考えると、糖尿病に伴う合併症が、効果的な予防および管理のためにますます重要になってきている。低血糖は、糖尿病患者におけるインスリンおよび経口抗糖尿病薬物（ＯＡＤ）の頻繁な、かつ場合により致命的な有害作用である。低血糖症がもたらす目下のリスクに加えて、再発エピソードが将来のエピソードに対する不安を招くことになり、患者主導と医師主導の両方のバリアを最適な血糖管理に対して構成することが示されている。結果として生じるヘモグロビンＡ１ｃ（ＨｂＡ１ｃ）レベルの上昇が、微小血管（および場合により大血管）合併症のリスクの増大にリンクしてきた。

１型糖尿病患者（Ｔ１ＤＭ）は平均で、１週間当たり２回の軽度の低血糖事象および１年当たり１回の重度の事象を経験すると推定される。しかし、１型患者に対するランダム化臨床試験による事象率は、患者１人当たりの１年当たりとして表すと、重度の事象の０．１５から非重度の事象の８８．３の範囲にわたる。２型糖尿病患者（Ｔ２ＤＭ）の事象率は、研究間で変動がかなり大きく、重度および非重度の事象それぞれで、患者１人当たりの１年当たりで０．０５〜２６．６事象の範囲にわたる。しかし、諸研究は、これらの研究が実世界における低血糖症の真の事象率を特に重度の事象に関して著しく過小評価していることを示唆している。

低血糖事象のための平均費用もまた、研究間で不均一であり、低血糖症の定義および費用見積もり方法の違いによりプールすることが困難である。入院患者低血糖事象のための平均費用の現在の見積もりは、２，２０５〜１７，５６４ドルの範囲にわたる。１低血糖事象当たりの平均外来患者費用は、１４８〜５０１ドルの範囲にわたる。

異なる基礎インスリンが低血糖差分率を示している。たとえば、多数の研究が、重度の低血糖事象に関して、インスリングラルギン１００単位／ｍＬ（Ｌａｎｔｕｓ）の優位性をプロタミンインスリンと比較して示している。インスリングラルギン３００単位／ｍＬ（Ｔｏｕｊｅｏ）などの一部の基礎インスリンは、２４時間を超える持続性血糖管理によって、他のものと比べて平坦な、より長期の薬物動態学的および薬力学的プロファイルを示す。

したがって、米国における低血糖症の負担は大きく、患者ごとに適切なタイプの基礎インスリンを特定することによって大幅な利益が得られる。結果として生じる、これらの患者の医療費の低減による支払者の費用節減の見積もりが、支払者の処方集決定および薬物価格設定交渉を案内する助けになり得る。

図１は、低血糖事象の予想率を予測するように機械学習モデルが訓練される環境１００を示す。本明細書に記載のシステムは、機械学習システムを訓練するために電子医療記録データ（ＥＭＲ）１０２を使用する（ＥＭＲは、病院記録および医師記録をこれだけには限らないが含む、多数の異なる情報源から得られる）。いくつかの実施態様では、ＥＭＲは、人口統計および社会経済のカテゴリと、コード化された診断および手順と、処方および投与された医薬品と、検査室結果と、臨床管理データとについての情報を含み得る。いくつかの実施態様では、ＥＭＲはプロセッサ１０４によって処理される。たとえば、ＥＭＲは、構造化データと非構造化データの両方を含み得る。構造化データは、来診の日付、患者名などの情報を含み得る。非構造化データは、医師によって加えられた自由形式テキスト（医者の覚え書き、来診要約など）を含み得る。ＥＭＲプロセッサは、自然言語処理などの技法を使用してＥＭＲの非構造化データから事実を抽出し、非構造化データを構造化ＥＭＲデータ１０６に変えることができる。

いくつかの実施態様では、ＥＭＲプロセッサ１０４は、医療記録の一部をフィルタリングすることができる。たとえば、ＥＭＲプロセッサ１０４は、値、特定の変数（共変量と呼ばれる）を共有する患者の医療記録だけを選択することができる。共変量の例としては、たとえば、性別、地理的領域、率、年齢層、保険会社、診断以来の年数、ＨｂＡ１ｃ範囲、ボディマス指数、血圧範囲、糖尿病合併症、アルコールおよび／または薬物の使用、ならびに他の任意の生理学的または人口統計学的特性を挙げることができる。ＥＭＲプロセッサ１０４は、たとえば、以下で説明するような１つまたはそれ以上のコンピュータシステムとすることができる。

いくつかの実施態様では、同じ手作業作成共変量が、記述的分析、低血糖率の予測モデリング、および費用見積もりの分析のために使用される。所定の共変量は、低血糖事象および費用予測因子の周辺の文献のエキスパート臨床レビューに基づく場合がある。所定の共変量は、ＩＣＤ−９およびＩＣＤ−１０診断コード、検査室値、ならびに薬物名および／または全米医薬品コード（ＮＤＣ）コードを用いて定義される。ＥＨＲデータセット（保険金請求ではない）は、共変量が費用関連ではない限り共変量を特定するために使用され、共変量が費用関連の場合には保険金請求データが使用される。

治療開始前の１年のデフォルト振り返り期間が用いられるが、この期間はまた、共変量がどれだけ持続すると仮定されるかによって変わり得る。たとえば、癌の振り返り期間は５年とすることができる。その理由は、５年よりも前に患者に癌の診断がされ、その後に診断がなければ、指標日付において患者には活動的な癌がありそうにないからである。病歴の長さがデータセット中で患者が捕捉される可能性に影響を及ぼさない共変量、たとえば性別および人種については、振り返り期間は８年とすることができ、あるいは利用可能なデータ量によってだけ制限される。不可逆的および慢性的な状態でも、最大振り返り期間は８年とすることができ、あるいは利用可能なデータ量によってだけ制限される。

低血糖率モデルおよび費用見積もり分析の両方に使用される共変量のカテゴリと、これらの振り返り期間との一例は以下であり得る：
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。

追加の共変量は、これらの共変量が（低血糖率ではなく）低血糖関連費用のドライバになると予測されるので、（低血糖率予測ではなく）費用見積もり分析だけの部分として含まれる：
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。

共変量の別のセットが決定される。共変量のこのセットは事前指定されないが、すべての併存症、手順を包含し、患者の指標日付の１年前に存在した処方（以下では一括して「マーカ」と呼ばれる）が予測モデリングに含まれる。

いくつかの実施態様では、教師なし共変量作成のための以下の手法が使用される。
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。

いくつかの実施態様では、ＥＭＲ記録は、訓練データ１０８を生成する前ではあるが構造化医療記録１０６を生成した後に、たとえばフィルタ１１６によってフィルタリングされる。

構造化ＥＭＲデータ１０６は、訓練記録１０８（一括して訓練セット）を生成するために使用される。この訓練記録は、構造化ＥＭＲデータ中の利用可能なデータを表し得る。たとえば、いくつかの実施態様では、構造化ＥＭＲ記録の一部分が機械学習システムを訓練するために使用され、残りの記録が、訓練済み機械学習システムを有効にするために使用される。いくつかの実施態様では、訓練記録は、患者が基礎インスリン治療中である「患者治療」のレベルにおいて作成される。したがって、個々の患者に対して多数の訓練記録が作成される。分析の単位は、患者がデータセット中で基礎インスリン治療について観察されている期間（治療指標と治療観察終了の間の期間）として定義された、「患者治療」である。低血糖事象は、この患者治療期間内だけの目標エンドポイントである。

治療指標日付は、次のどちらかの日付として定義される：任意の基礎インスリンの処方のまさに最初の開始；または１つの基礎インスリンから別のものへの処方の変更。ベースラインの基礎インスリンには：Ｇｌａ−３００、Ｇｌａ−１００、ＩＤｅｔ、ＩＤｅｇ、およびＮＰＨが含まれる。研究の対象の指標基礎インスリンは：Ｇｌａ−３００、Ｇｌａ−１００、ＩＤｅｔ、およびＩＤｅｇであった。

率計算のために、「期間」は、前述した患者治療期間から、この期間中の全入院患者滞在の期間を引いた期間と解釈される。

いくつかの実施態様では、指標日付は、ＢＩの最初の処方の日付、または１つの基礎インスリンから別のものへの処方の変更の日付である。治療終了は、データセット中のフォローアップ期間の終了、指標基礎インスリンから別のＢＩへの処方の変更、または治療指標日付の１年後として定義される（いずれか最も早かったもの）。

１つの実施態様では、患者治療は、以下の基準のいずれかを患者治療が満たす場合に訓練データから除外される：
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。

別に、入院患者滞在は、入院時に病院プロバイダ処方集に従って標準的な基礎インスリンに切り替えられることが多いので、患者治療の期間から除外される。そのため、入院患者滞在中の低血糖事象は、指標基礎インスリンに起因するとは考えられない。

訓練記録は、低血糖事象についての情報を含み得る。いくつかの実施態様では、低血糖事象が患者治療期間内で数えられる。低血糖率を決定するための期間は、患者治療期間から、この期間中の全入院患者滞在の期間を引いた期間と解釈された。低血糖事象は、訓練セットの予想出力であり得る。たとえば、訓練セットは、ある固定期間内（たとえば、１ヶ月、６ヶ月、１年、５年など）の低血糖事象の予想数の見込みを決定するように機械学習システムを訓練することができる。あるいは、訓練セットは、ある期間内（たとえば、１ヶ月、６ヶ月、１年、５年など）の低血糖事象の予想数を決定するように機械学習システムを訓練することができる。

低血糖事象率は、重度と非重度の両方の事象を含み得る。図２は、低血糖事象を重度または非重度として分類するための処理の一例のフローチャートである。「重度の」低血糖の定義は、たとえば、本質的に重度であるＩＣＤ−９／１０コード、筋肉内グルカゴンの投与を含み得る。さらに、ＥＭＲの自然言語処理が、低血糖を識別するために使用される。重症度に関しては、重度ではなかったいずれの低血糖事象も「非重度」として定義される。

いくつかの実施態様では、１つの事象が、下記の基準のいずれかが満たされたならば低血糖として定義される：
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

いくつかの実施態様では、ＮＬＰ認識低血糖事象は、陰性感情または履歴的な出来事の標示があるものを除いて、低血糖についての何らかの言及として定義される。たとえば、低血糖についての「言及」は、用語が「低血糖自覚」、「低血糖無自覚」、または「新生児低血糖」のうちのまさに１つでない限り、通常の表現「＊低血糖＊」に関してのどんな出来事でもよい。「陰性感情」は、たとえば低血糖が起きなかったことを示す、低血糖への言及が否定的であったどんな標示でもよい。履歴的な出来事は、言及が過去の事象についてであることを示す記録である（たとえば、「患者には低血糖の病歴がある」）。いくつかの実施態様では、陰性感情および履歴的なキーワードのリストが、付随する低血糖の言及を除外するために使用される。

いくつかの実施態様では、１つの低血糖事象の最大数が暦日ごとに数えられる。たとえば、１つの低血糖事象が治療の複数の場所で、または複数の定義基準で記録された場合、１つだけの事象が数えられる。

いくつかの実施態様では、低血糖事象は、以下の状態のいずれかが満たされる場合に重度として定義される：
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。

機械学習環境１１０は、機械学習トレーナ１１２を含み得る。機械学習トレーナ１１２は、異なる患者についての低血糖事象の予想率を予測するように機械学習モデル１１４を訓練することができる。訓練済み機械学習システムは、患者の低血糖の結果に関連した最も適切な基礎インスリンを特定することを含めて、様々な異なる方法で使用され、それによってその患者の健康が改善する。

一般に、機械学習は、特定のタスクを、これらのタスクを実行するために機械が特にプログラムされなくても、実行するように機械を訓練するために使用される、多種多様な異なる技法を包含し得る。機械は、たとえば、教師あり学習、教師なし学習、および強化学習を含む、異なる機械学習技法を使用して訓練される。教師あり学習では、対象の入力および対応する出力が機械に提供される。機械は、入力が提供されたときに所望の出力を提供するように、その関数を調整する。教師あり学習は一般に、たとえば結果が確定的である問題を解決するようにコンピュータに教えるのに使用され、訓練セット１０８が、訓練済み機械学習モデル１１４を、所与の患者または患者のグループの低血糖事象の可能性を予測するように訓練するのに使用される。対照的に、教師なし学習では入力が提供されるが、対応する所望の出力は提供されない。教師なし学習は一般に、顧客セグメント化（たとえば、低血糖事象に関連する特性に基づいて患者を異なるグループにセグメント化すること）などの分類問題に使用される。強化学習は、機械が試行錯誤法を用いて決定するアルゴリズムを記述する。フィードバックが機械に、良い選択または悪い選択が行われたときに通知する。次に、機械は、それに応じてそのアルゴリズムを調整する。

訓練処理の間、一般化線形回帰（ＧＬＭ）をとりわけ含む、異なるアルゴリズムが使用される。ポアソンＧＬＭは、個別の入力に基づいて離散的なカウントをモデル化するために使用されるアルゴリズムである。

低血糖事象の率を正確に予測することができる、訓練済み機械学習システムを開発するために、機械学習モデル１１４は、誤解を招かないような情報で訓練されるものとすることができる。しかし、糖尿病（および他の病状）の患者治療は流動的であり得る。たとえば、患者が、あるタイプの基礎インスリンから別のものに切り替えることがある。したがって、いくつかの実施態様では、一部の患者のＥＭＲ１０２（したがって、対応する訓練データ１０８）が訓練データから除外される。

図２は、１つの事象をＥＤ／外来患者（結果２１０）、入院患者（二次）（結果２１２）、または入院患者（一次）（結果２１４）として分類するための処理の一例を示すフローチャートである。

１つの事象が、以下の基準すべてを満たす場合に、一次入院患者（結果２１４）として定義される：
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つの事象が、以下の基準すべてを満たす場合に、二次入院患者として定義される：
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）。

いくつかの実施態様では、上述のように、二次入院患者事象は、患者が別の基礎インスリンに切り替えられること、および患者の用量が患者の入院患者滞在の間に変更されることが多いので、除外される。そのため、この期間のどの低血糖事象も患者の通常のインスリンに起因するとは考えられない。

たとえば、１つの事象は、以下のいずれかを満たす場合に、外来患者／ＥＤ（結果２１０）として定義される：
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）。

訓練記録は、それが作成されると機械学習システムを訓練するために使用される。異なるタイプの機械学習モデルが訓練される。

たとえば、訓練済み学習モデルは、一般化線形モデルとして具現化される。異なるタイプの一般化線形モデルが、様々なシナリオにおいて適切であり得る。ゼロ過剰負の２項分布ＧＬＭ（ｚＮＢＧＬＭ）が使用された。その理由は、ｚＮＢＧＬＭが、所与の期間に起きる事象の離散的なカウントを、データ中に見られた低血糖カウントが生じた可能性が最もある患者１人当たりの低血糖事象率を推定することによってモデル化するからである。ｚＮＢＧＬＭの１つの不利な面は、そのモデルが非常に多くの自由度を許容し、小さいセグメントに対してデータを合わせ過ぎる傾向があり、それによって一般化パフォーマンスが低下することである。別のタイプの一般化線形モデルはポアソンＧＬＭである。ポアソンＧＬＭは、離散的なカウントをモデル化するのによく適しているが「過度の分散」を許容しない（すなわち、分散を平均に等しくなるように抑制する）。ポアソンＧＬＭでは、低血糖事象の数を目標変数（結果）として、また観察の長さをオフセット変数として使用した。

別の例では、訓練済み学習モデルは、人工ニューラルネットワークとして具現化される。人工ニューラルネットワーク（ＡＮＮ）またはコネクショニストシステムは、動物の脳を構成する生物ニューラルネットワークから着想を得たコンピューティングシステムである。ＡＮＮは、人工と呼ばれる連結されたユニットまたはノードの集合したものに基づく。各連結部は、生物の脳のシナプスのように、１つの人工ニューロンから別の人工ニューロンへ信号を伝送することができる。信号を受ける人工ニューロンは、信号を処理し、次に、その人工ニューロンに連結されたさらなる人工ニューロンに信号を送ることができる。

一般的なＡＮＮ実施態様では、人工ニューロン間の連結部の信号は実数であり、各人工ニューロンの出力は、その入力の合計の何らかの非線形関数によって計算される。人工ニューロン間の連結部は「エッジ」と呼ばれる。人工ニューロンおよびエッジは、学習が進むにつれて調整される重みを有し得る（たとえば、人工ニューロンへの各入力は別々に重み付けされる）。重みは、連結部の信号の強さを増大または低減させる。人工ニューロンはある閾値を、集合信号がその閾値を横切った場合にだけ信号が送出されるように、有することができる。エッジに沿った伝達関数は通常Ｓ字形を有するが、他の非線形関数、区分線形関数または階段関数の形を取ることもできる。一般に、人工ニューロンは集められて複数の層になる。異なる層が、異なる種類の変換をその入力に対して実行することができる。信号は、場合によって各層を複数回横切った後に、第１の層（入力層）から最後の層（出力層）まで移動する。

いくつかの実施態様では、機械学習システムは、低血糖事象率および低血糖費用を特定するために使用される。ラッソ回帰（ＬＡＳＳＯ）正則化が、変数を選択するために用いられる。モデルを検証するために、モデルは、治療に特有なそれぞれのコホート（「訓練セット」と呼ばれる）の８０％について開発される（「訓練される」）。１０−分割交差検証が、モデル選択およびモデルパラメータ最適化を通知するために用いられる。次に、モデルは、治療に特有なそれぞれのコホートの残り２０％について検証される（内部検証）。ブートストラップが、モデル推定値のばらつきを評価するために使用される（すなわち、信頼区間を生成するために）。

機械学習システムが訓練されると、システムは、ある種類の基礎インスリンで治療された場合に、別のものと比較して低血糖事象の数が少ない可能性のある患者を識別するために使用される。たとえば、モデルが基礎インスリンのタイプごとに、また重度および非重度低血糖事象の数について訓練されると。次に、各モデルが基礎インスリン治療された母集団全体に適用されて、インスリンに特有な低血糖率予測（すなわち、全患者が特定の基礎インスリンを使用しているとした場合の、総母集団中の低血糖率の推定値）が得られる。

次に、システムは、患者の低血糖率を別の変数に基づいて比較することができる。

図３は、訓練済み機械学習モデルを使用する一例を示す。患者ＥＭＲ３１０が処理されて入力３１２が生成される。入力３１２は、訓練済み機械学習モデルのそれぞれ、この例ではＧｌａ―３００訓練済み機械学習モデル、Ｇｌａ−１００訓練済み機械学習モデル３０４、ＩＤｅｔ訓練済み機械学習モデル３０６、およびＩＤｅｇ訓練済み機械学習モデル３０８、に提供される。各モデルが１つの出力を生成することができる。たとえば、Ｇｌａ−３００訓練済み機械学習モデル３０２はＧｌａ−３００出力３１４を生成し、Ｇｌａ−１００訓練済み機械学習モデル３０４はＧｌａ−１００出力３１６を生成し、ＩＤｅｔ訓練済み機械学習モデル３０６はＩＤｅｔ出力３１８を生成し、ＩＤｅｇ訓練済み機械学習モデル３０８はＩＤｅｇ出力３２０を生成する。

いくつかの実施態様では、上述のように、２つの訓練済み機械学習モデルが基礎インスリンのタイプごとに生成される。第１の訓練済み機械学習モデルは、重度の低血糖事象の予想率を決定するように訓練される。第２の訓練済み機械学習モデルは、非重度の低血糖事象の予想率を決定するように訓練される。

機械学習システムを使用してこれらの共変量を処理した結果が分析されて、異なるタイプの基礎インスリンについて、異なる共変量と異なる低血糖率と間の相関が特定される。たとえば、線形回帰モデルが使用されて、異なる共変量とこのモデルによって予測された結果との間の相関が特定される。

いくつかの実施態様では、対象の共変量もまた、機械学習システムによって決定される。たとえば、機械学習は、たとえば、複数の変数にわたる低血糖事象の率および重症度に基づいて個人をクラスタ化するように訓練される。この方法では、機械学習システムは、別の方法では気付かれなかった可能性がある共変量を特定することができる。

いくつかの実施態様では、ＥＭＲおよび訓練データセットを使用して、Ｔ２ＤＭ母集団の低血糖事象の費用を予測するための費用モデルが構築される。いくつかの実施態様では、治療費用モデリングのために使用されたデータセットは、事象の時点で少なくとも１８歳でありリンクされた請求データを有していたＴ２ＤＭ患者についてのＥＨＲ中の全低血糖事象を含んでいた。費用が０ドルの重度の低血糖事象は除外された。研究期間および共変量は、データ制限により共変量が作成できなかった場合を除いて、低血糖予測モデルについて説明したものと同じであった。

以前に費用予測において成功した、勾配ブースト木（前の決定木からの予測エラーを用いて後続の木のパフォーマンスを改善する）が、費用見積もりのために利用され；この勾配ブースト木により、低血糖費用の根底にある非線形の複雑な関係を捕捉することが可能になった。費用推定器が低血糖差分率のドライバとして特定されたサブグループに適用されて、低血糖事象ごとの費用が各サブグループについて見積もられた。重要な定義変数がデータ制限の故にサブグループに欠けている場合には、１つの低血糖事象の総モデル費用見積もりがそのサブグループに対して用いられた。サブグループレベルでの費用節減が、低血糖事象のサブグループに特有な費用見積もりを比較基準と参照ＢＩの間のデルタ低血糖事象率に適用することによって計算された。

図４は、低血糖率を様々な共変量について決定する一例を示す。機械学習システムに提供される入力データ４０２と、上述の機械学習システムからの対応する出力データ４０４とが統計分析システム４０６に提供される。統計分析システムは、出力データ中の異なる変数間の相関および関係を、様々な統計技法を用いて特定することができる。相関および関係は、報告４０８として提示される。

訓練済み機械学習モデルの別の用途には、特定の患者に適切な基礎インスリンのタイプを特定することが含まれる。たとえば、訓練済み機械学習システムは、患者の医療記録を取得し入力することができる。

医療記録は、訓練済み機械学習モデルのそれぞれに提供される。上述のように、各モデルが使用されて、重度または非重度の低血糖インシデントの数（または、低血糖インシデントが起きる確率）が予測された。

システムは、モデルの結果に基づいて基礎インスリンを提案することができる。いくつかの実施態様では、システムは、重度の低血糖事象（または非重度の低血糖事象）のリスクが低い基礎インスリンを提案することができる。いくつかの実施態様では、システムは、低血糖事象に関連した別のものと比較して特定の基礎インスリンレジームを使用することによる費用削減を決定し、低血糖関連費用を低減する解決策を提案することができる。いくつかの実施態様では、システムは、低血糖事象率を低減する基礎インスリンを提案することができるが、２つの異なる基礎インスリンが閾値以内にある結果（たとえば、１％、５％、または１０％以内の効果）をもたらす場合には、システムは費用が少ない方の基礎インスリンを提案することができる。

別の実施態様では、訓練済み学習機械モデルは、低血糖事象の可能性がより高い患者を特定するために使用される。たとえば、システムは、ある患者の医療記録にアクセスし、その患者が使用している基礎インスリンのタイプを特定し、対応する訓練済み機械学習モデルによって医療記録を処理することができる。訓練済み機械学習モデルは、低血糖事象の可能性または予想頻度および／もしくは重症度の標示を生成する。標示が閾値を超えるならば（たとえば、１週間当たり１事象よりも多い、または重度低血糖事象の可能性が２０％よりも多い）、患者および／または患者の医師が通知される。

図５は、患者データを用いて訓練済み機械学習モデルを生成する処理５００の一例のフローチャートである。処理５００は、以下で説明するような１つまたはそれ以上のコンピュータシステムによって実行される。

処理５００は５０２で、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。

処理５００は５０４で、機械学習システムを使用して低血糖事象の予想率を決定し、その機械は、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。いくつかの実施態様では、複数の患者の教示は、同じタイプの基礎インスリンを使用する。

処理５００は５０６で、患者についての予想率を生成する。

いくつかの実施態様では、処理５００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の予想率を決定することを含むことができ、その第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、この第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っており；処理５００はさらに、第１の予想率を第２の予想率と比較することを含むことができる。

いくつかの実施態様では、処理５００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含み得る。

いくつかの実施態様では、処理５００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想率を決定することと、低血糖事象の予想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、そのデータおよび低血糖事象の複数の予想率に基づいて、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想率を特定する報告を生成することとを含み得る。

いくつかの実施態様では、処理５００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想率を決定することを含み、第２の複数の患者のそれぞれは同じ共変量を有し、処理５００はさらに、共変量および対応する低血糖事象の予想率を特定する報告を生成することを含み得る。

本明細書に記載の主題の諸実施形態および機能的動作は、デジタル電子回路、有形に具現化されたコンピュータソフトウェアもしくはファームウェア、コンピュータハードウェア（本明細書に開示された構造およびその構造的等価物を含む）として、またはこれらの１つまたはそれ以上の組み合わせとして実施される。本明細書に記載の主題の諸実施形態は、１つまたはそれ以上のコンピュータプログラム（すなわち、データ処理装置によって実行するための、またはデータ処理装置の動作を制御するための、有形の非一時的プログラム担体に符号化されたコンピュータプログラム命令からなる１つまたはそれ以上のモジュール）として実施される。コンピュータ記憶媒体は、機械可読記憶デバイス、機械可読記憶基板、ランダムもしくはシリアルアクセスメモリデバイス、またはこれらの１つもしくはそれ以上の組み合わせとすることができる。

用語の「データ処理装置」は、データ処理ハードウェアを指し、データを処理するためのすべての種類の装置、デバイス、および機械を包含し、例としては、プログラマブルプロセッサ、コンピュータ、または複数のプロセッサもしくはコンピュータが挙げられる。装置はまた、専用論理回路（たとえば、ＦＰＧＡ（フィールドプログラマブルゲートアレイ）またはＡＳＩＣ（特定用途向け集積回路））とすること、または別に含むこともできる。ハードウェアに加えて、装置は場合により、コンピュータプログラムの実行環境を生み出すコードを含み得る（たとえば、プロセッサファームウェア、プロトコルスタック、データベース管理システム、オペレーティングシステム、またはこれらの１つもしくはそれ以上の組み合わせを構成するコード）。

プログラム、ソフトウェア、ソフトウェアアプリケーション、モジュール、ソフトウェアモジュール、スクリプト、またはコードと呼ばれたり記述されたりするコンピュータプログラムは、コンパイル型もしくはインタプリタ型言語、または宣言型もしくは手続き型言語を含むプログラミング言語の任意の形で書かれ、またコンピュータプログラムは、スタンドアロンプログラムとしての、またはモジュール、構成要素、サブルーチン、またはコンピュータ環境での使用に適している他のユニットとしての形を含む、任意の形で配置される。コンピュータプログラムは、ファイルシステム中のファイルに対応し得るが、対応しなくてもよい。プログラムが、他のプログラムまたはデータを保持するファイルの一部分（たとえば、マークアップ言語ドキュメント、問題のプログラム専用の単一のファイル、または複数の協調ファイル（たとえば、１つまたはそれ以上のモジュール、サブプログラム、もしくはコードの一部分を記憶するファイル）に記憶された１つまたはそれ以上のスクリプト）に記憶される。コンピュータプログラムは、１つのコンピュータ上で、または１つの場所に配置されている、もしくは複数の場所にわたって分布している、かつデータ通信ネットワークによって相互接続されている、複数のコンピュータ上で、そのプログラムが実行されるように配置される。

本明細書に記載の処理および論理の流れは、入力データに対して動作し出力を生成することによって諸機能を実行するための１つまたはそれ以上のコンピュータプログラムを実行する、１つまたはそれ以上のプログラマブルコンピュータによって実行される。処理および論理の流れはまた、専用論理回路（たとえば、ＦＰＧＡ（フィールドプログラマブルゲートアレイ）またはＡＳＩＣ（特定用途向け集積回路））によって実行され、装置もまた、この専用論理回路として実施される。

コンピュータプログラムを実行するのに適しているコンピュータは、汎用もしくは専用のマイクロプロセッサまたは両方のマイクロプロセッサ、あるいは他の任意の種類の中央処理ユニットをベースとすることができる。一般に、中央処理ユニットは、読取専用メモリもしくはランダムアクセスメモリから、または両方から命令およびデータを受ける。コンピュータの不可欠な要素は、命令を実施または実行するための中央処理ユニットと、命令およびデータを記憶するための１つまたはそれ以上のメモリデバイスである。一般に、コンピュータはまた、データを記憶するための１つまたはそれ以上の大容量記憶デバイス（たとえば、磁気ディスク、光磁気ディスク、または光ディスク）を含み、あるいは大容量記憶デバイスとの間でデータを受ける、または転送する、または両方をするように動作可能に接続されるが、コンピュータにこのようなデバイスがなくてもよい。さらに、コンピュータが、別のデバイス（たとえば、ほんのいくつか挙げると、モバイル電話、デジタル情報端末（ＰＤＡ）、モバイル音声もしくはビデオプレーヤ、ゲーム機、全地球測位システム（ＧＰＳ）受信機、または携帯記憶デバイス（たとえば、ユニバーサルシリアルバス（ＵＳＢ）フラッシュドライブ）に埋め込まれる。

コンピュータプログラム命令およびデータを記憶するのに適しているコンピュータ可読媒体には、例として半導体メモリデバイス（たとえばＥＰＲＯＭ、ＥＥＰＲＯＭ、およびフラッシュメモリデバイス）を含む、媒体およびメモリデバイス上のあらゆる形の不揮発性メモリ、磁気ディスク（たとえば、内蔵ハードディスクまたは着脱可能なディスク）、光磁気ディスク、ならびにＣＤ−ＲＯＭディスクおよびＤＶＤ−ＲＯＭディスクが含まれる。プロセッサおよびメモリは、専用論理回路によって補完されるか専用論理回路に組み込まれる。

ユーザとのインタラクションを提供するために、本明細書に記載の主題の諸実施形態は、情報をユーザに表示するための表示デバイス（たとえば、ＣＲＴ（陰極線管）またはＬＣＤ（液晶ディスプレイ）モニタ）と、ユーザがコンピュータに入力を提供できるようにするキーボードおよびポインティングデバイス（たとえば、マウスまたはトラックボール）とを有するコンピュータ上で実施される。他の種類のデバイスが、ユーザとのインタラクションを提供するために同様に使用される；たとえば、ユーザに提供されるフィードバックは、感覚フィードバックの任意の形（たとえば、視覚フィードバック、聴覚フィードバック、または触覚フィードバック）とすることができ、ユーザからの入力は、音響、音声または触覚入力を含む任意の形で受けることができる。加えて、ユーザが使用する１つのデバイスへドキュメントを送り、またそのデバイスからドキュメントを受けることによって、たとえば、ユーザのデバイス上のウェブブラウザから受けた要求に応答してそのウェブブラウザにウェブページを送ることによって、コンピュータはユーザとインタラクションすることができる。

本明細書に記載の主題の諸実施形態は、バックエンド構成要素（たとえば、データサーバとして）、またはミドルウェア構成要素（たとえば、アプリケーションサーバ）、またはフロントエンド構成要素（たとえば、ユーザが本明細書に記載の主題の一実施態様とインタラクションできるようにするグラフィックユーザインターフェースまたはウェブブラウザを有するクライアントコンピュータ）、または１つもしくはそれ以上のこのようなバックエンド、ミドルウェアもしくはフロントエンドの構成要素の任意の組み合わせを含む１つのコンピュータシステムにおいて実施される。このシステムの構成要素は、デジタルデータ通信の任意の形または媒体（たとえば、通信ネットワーク）によって相互接続される。通信ネットワークの例としては、ローカルエリアネットワーク（ＬＡＮ）および広域ネットワーク（ＷＡＮ）（たとえば、インターネット）が挙げられる。

コンピューティングシステムは、クライアントおよびサーバを含み得る。クライアントおよびサーバは、一般に互いに離れており、通常では通信ネットワークを介してインタラクションする。クライアントとサーバの関係は、それぞれのコンピュータ上で稼働している、また互いにクライアント−サーバの関係がある、コンピュータプログラムにより生じる。いくつかの実施形態では、サーバがデータ（たとえば、ＨＴＭＬページ）をユーザデバイスへ伝送し（たとえば、ユーザデバイスとインタラクションするユーザにデータを表示し、またそのユーザからユーザ入力を受けるために）、このユーザデバイスはクライアントとして機能する。ユーザデバイスにおいて生成されたデータ（たとえば、ユーザインタラクションの結果）は、サーバにおいてユーザデバイスから受けられる。

本明細書は多くの特定の実施態様の詳細を含むが、これらは、任意の発明の範囲に対する、または特許請求することができる範囲に対する制限事項としてではなく、むしろ特定の発明の特定の実施形態に特定的であり得る機能の説明として解釈されるべきである。別々の実施形態の文脈で本明細書に記載されているいくつかの機能が、単一の実施形態として組み合わせても実施される。逆に、単一の実施形態の文脈で記載されている様々な機能が、複数の実施形態として別々にも、または任意の適切なサブ組み合わせとしても実施される。さらに、諸機能は、いくつかの組み合わせで働くものとして上述されており、またそのように最初に特許請求されてもいるが、特許請求された組み合わせによる１つまたはそれ以上の機能は、場合によっては組み合わせから削除され、特許請求された組み合わせは、サブ組み合わせ、またはサブ組み合わせの変形形態が対象となる。

同様に、諸動作が特定の順序で図面に描かれているが、このことが、望ましい結果を得るために、そのような動作が図示の特定の順序で、もしくは順番に実行されること、または図示の動作すべてが実行されることを要求していると理解されるべきではない。特定の状況では、マルチタスクおよび並列処理が有利であり得る。さらに、上述の実施形態中の様々なシステムモジュールおよび構成要素を分離することは、すべての実施形態においてそのような分離を要求するものと理解されるべきではなく、説明したプログラム構成要素およびシステムは一般に、単一のソフトウェア製品として一体化され、または複数のソフトウェア製品にパッケージされると理解されたい。

主題の特定の実施形態について説明した。他の実施形態は、添付の特許請求の範囲内にある。たとえば、特許請求の範囲に列挙された動作は、異なる順序で実行されても所望の結果を得ることができる。１つの例として、添付の図に描かれた処理は、望ましい結果を得るために必ずしも図示の特定の順序、または順番である必要がない。場合によっては、マルチタスクおよび並列処理が有利であり得る。

Claims (15)

1. 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。
2. 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。
3. 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。
4. 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。
5. 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。
6. 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。
7. 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。
8. 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。
9. 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。
10. 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。
11. 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。
12. 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。
13. 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。
14. 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。
15. 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。

Images