JP2023507175A - 連続血糖モニタリングシステムによる多状態エンゲージメント - Google Patents
連続血糖モニタリングシステムによる多状態エンゲージメント Download PDFInfo
- Publication number
- JP2023507175A JP2023507175A JP2022537157A JP2022537157A JP2023507175A JP 2023507175 A JP2023507175 A JP 2023507175A JP 2022537157 A JP2022537157 A JP 2022537157A JP 2022537157 A JP2022537157 A JP 2022537157A JP 2023507175 A JP2023507175 A JP 2023507175A
- Authority
- JP
- Japan
- Prior art keywords
- user
- cgm
- data
- state
- health
- 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
- 210000004369 blood Anatomy 0.000 title claims abstract description 296
- 239000008280 blood Substances 0.000 title claims abstract description 296
- 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 title claims abstract description 272
- 239000008103 glucose Substances 0.000 title claims abstract description 272
- 238000012544 monitoring process Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 126
- 238000005259 measurement Methods 0.000 claims abstract description 114
- 238000004891 communication Methods 0.000 claims abstract description 56
- 230000036541 health Effects 0.000 claims description 174
- 230000007704 transition Effects 0.000 claims description 109
- 238000010801 machine learning Methods 0.000 claims description 91
- 238000003860 storage Methods 0.000 claims description 76
- 230000003993 interaction Effects 0.000 claims description 56
- 206010012601 diabetes mellitus Diseases 0.000 claims description 43
- 230000000694 effects Effects 0.000 claims description 39
- 230000006399 behavior Effects 0.000 claims description 38
- 238000012545 processing Methods 0.000 claims description 36
- 230000001788 irregular Effects 0.000 claims description 19
- 230000002411 adverse Effects 0.000 claims description 9
- 230000000977 initiatory effect Effects 0.000 claims description 9
- 206010011878 Deafness Diseases 0.000 claims 1
- 231100000895 deafness Toxicity 0.000 claims 1
- 208000016354 hearing loss disease Diseases 0.000 claims 1
- 238000007405 data analysis Methods 0.000 abstract description 42
- 230000008569 process Effects 0.000 abstract description 8
- 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 description 46
- 230000000875 corresponding effect Effects 0.000 description 38
- 238000013179 statistical model Methods 0.000 description 38
- 238000012549 training Methods 0.000 description 33
- 238000012517 data analytics Methods 0.000 description 29
- 238000010200 validation analysis Methods 0.000 description 24
- 102000004877 Insulin Human genes 0.000 description 23
- 108090001061 Insulin Proteins 0.000 description 23
- 229940125396 insulin Drugs 0.000 description 23
- 230000000153 supplemental effect Effects 0.000 description 23
- 235000013305 food Nutrition 0.000 description 20
- 230000004044 response Effects 0.000 description 20
- 230000009471 action Effects 0.000 description 19
- 238000013459 approach Methods 0.000 description 19
- 230000006872 improvement Effects 0.000 description 19
- 235000016709 nutrition Nutrition 0.000 description 19
- 238000012795 verification Methods 0.000 description 17
- 238000005516 engineering process Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 15
- 230000035764 nutrition Effects 0.000 description 15
- 238000012384 transportation and delivery Methods 0.000 description 15
- 239000013598 vector Substances 0.000 description 15
- 230000001976 improved effect Effects 0.000 description 12
- 230000007613 environmental effect Effects 0.000 description 11
- 208000001072 type 2 diabetes mellitus Diseases 0.000 description 11
- 230000003862 health status Effects 0.000 description 9
- 238000011282 treatment Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000001419 dependent effect Effects 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 8
- 239000012491 analyte Substances 0.000 description 7
- 235000005686 eating Nutrition 0.000 description 7
- 210000002216 heart Anatomy 0.000 description 7
- 230000006855 networking Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 235000005911 diet Nutrition 0.000 description 6
- 230000002787 reinforcement Effects 0.000 description 6
- 238000012552 review Methods 0.000 description 6
- 230000003247 decreasing effect Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 230000037213 diet Effects 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 230000027939 micturition Effects 0.000 description 5
- 230000007958 sleep Effects 0.000 description 5
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 206010018429 Glucose tolerance impaired Diseases 0.000 description 4
- 208000001280 Prediabetic State Diseases 0.000 description 4
- 239000000853 adhesive Substances 0.000 description 4
- 230000001070 adhesive effect Effects 0.000 description 4
- 230000003542 behavioural effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 4
- 201000001421 hyperglycemia Diseases 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 235000012054 meals Nutrition 0.000 description 4
- 201000001119 neuropathy Diseases 0.000 description 4
- 230000007823 neuropathy Effects 0.000 description 4
- 208000033808 peripheral neuropathy Diseases 0.000 description 4
- 201000009104 prediabetes syndrome Diseases 0.000 description 4
- 206010067584 Type 1 diabetes mellitus Diseases 0.000 description 3
- 230000000712 assembly Effects 0.000 description 3
- 238000000429 assembly Methods 0.000 description 3
- 239000004020 conductor Substances 0.000 description 3
- 230000006866 deterioration Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000002641 glycemic effect Effects 0.000 description 3
- 208000019622 heart disease Diseases 0.000 description 3
- 230000002218 hypoglycaemic effect Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005195 poor health Effects 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 230000008093 supporting effect Effects 0.000 description 3
- 230000035922 thirst Effects 0.000 description 3
- 238000011269 treatment regimen Methods 0.000 description 3
- 208000024827 Alzheimer disease Diseases 0.000 description 2
- 206010019233 Headaches Diseases 0.000 description 2
- MHAJPDPJQMAIIY-UHFFFAOYSA-N Hydrogen peroxide Chemical compound OO MHAJPDPJQMAIIY-UHFFFAOYSA-N 0.000 description 2
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 2
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 2
- CDBYLPFSWZWCQE-UHFFFAOYSA-L Sodium Carbonate Chemical compound [Na+].[Na+].[O-]C([O-])=O CDBYLPFSWZWCQE-UHFFFAOYSA-L 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000001994 activation Methods 0.000 description 2
- 230000037147 athletic performance Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 235000021074 carbohydrate intake Nutrition 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 235000012000 cholesterol Nutrition 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 235000006694 eating habits Nutrition 0.000 description 2
- 230000002526 effect on cardiovascular system Effects 0.000 description 2
- 231100000869 headache Toxicity 0.000 description 2
- 238000010348 incorporation Methods 0.000 description 2
- 150000002576 ketones Chemical class 0.000 description 2
- 238000010339 medical test Methods 0.000 description 2
- 230000036997 mental performance Effects 0.000 description 2
- 230000003278 mimic effect Effects 0.000 description 2
- 230000000116 mitigating effect Effects 0.000 description 2
- 230000000422 nocturnal effect Effects 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 229910052700 potassium Inorganic materials 0.000 description 2
- 239000011591 potassium Substances 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 229910052708 sodium Inorganic materials 0.000 description 2
- 239000011734 sodium Substances 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 238000002560 therapeutic procedure Methods 0.000 description 2
- 210000003462 vein Anatomy 0.000 description 2
- 235000020795 whole food diet Nutrition 0.000 description 2
- 240000002627 Cordeauxia edulis Species 0.000 description 1
- 108010015776 Glucose oxidase Proteins 0.000 description 1
- 239000004366 Glucose oxidase Substances 0.000 description 1
- 208000013016 Hypoglycemia Diseases 0.000 description 1
- 241000699666 Mus <mouse, genus> Species 0.000 description 1
- 241000699670 Mus sp. Species 0.000 description 1
- 240000008790 Musa x paradisiaca Species 0.000 description 1
- 235000018290 Musa x paradisiaca Nutrition 0.000 description 1
- 210000000577 adipose tissue Anatomy 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 235000013405 beer Nutrition 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- WQZGKKKJIJFFOK-VFUOTHLCSA-N beta-D-glucose Chemical compound OC[C@H]1O[C@@H](O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-VFUOTHLCSA-N 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000009534 blood test Methods 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000000546 chi-square test Methods 0.000 description 1
- 238000010411 cooking Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000002542 deteriorative effect Effects 0.000 description 1
- 230000000378 dietary effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 235000019441 ethanol Nutrition 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 210000003722 extracellular fluid Anatomy 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 210000001508 eye Anatomy 0.000 description 1
- 235000013410 fast food Nutrition 0.000 description 1
- 229940116332 glucose oxidase Drugs 0.000 description 1
- 235000019420 glucose oxidase Nutrition 0.000 description 1
- 230000036449 good health Effects 0.000 description 1
- 229940088597 hormone Drugs 0.000 description 1
- 239000005556 hormone Substances 0.000 description 1
- 235000013666 improved nutrition Nutrition 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 230000005585 lifestyle behavior Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 235000020855 low-carbohydrate diet Nutrition 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 235000013606 potato chips Nutrition 0.000 description 1
- 238000000275 quality assurance Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000009528 severe injury Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0004—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by the type of physiological signal transmitted
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
- A61B5/0022—Monitoring a patient using a global network, e.g. telephone networks, internet
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/167—Personality evaluation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4833—Assessment of subject's compliance to treatment
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4842—Monitoring progression or stage of a disease
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/7475—User input or interface means, e.g. keyboard, pointing device, joystick
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT 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
- G16H20/17—ICT 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
-
- 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
- G16H40/00—ICT 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
- G16H40/60—ICT 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
- G16H40/67—ICT 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 remote operation
-
- 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
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- G16H50/50—ICT 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
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Psychology (AREA)
- Emergency Medicine (AREA)
- Optics & Photonics (AREA)
Abstract
連続グルコースモニタリング（ＣＧＭ）システムとの多状態エンゲージメントが記載されている。ＣＧＭシステムを着用する人の数を考えると、ＣＧＭシステムは連続的に測定値を生成するため、ＣＧＭシステムを提供するプラットフォームは、膨大な量のデータを有することがある。この量のデータは、実際にはそうではないにしても、人間が処理することは事実上不可能である。実装形態では、ＣＧＭプラットフォームは、ＣＧＭシステムによって提供された血糖測定値を取得し、ユーザに関連付けられた追加データも取得するデータ分析プラットフォームを含む。データ分析プラットフォームは、これらのＣＧＭパッケージと追加データを、１つ以上のモデルを少なくとも部分的に使用して処理することにより、ユーザの状態情報を生成する。この状態情報に基づいて、データ分析プラットフォームはユーザとの通信を制御し、通信は、ユーザがＣＧＭシステムの使用を中止するなどの悪い状態に遷移するのを防ぐために介入戦略を生成することを含んでもよい。
Description
（関連出願の参照による組み込み）
この出願は、「Ｒｅｃｏｍｍｅｎｄａｔｉｏｎｓ Ｂａｓｅｄ ｏｎ Ｃｏｎｔｉｎｕｏｕｓ Ｇｌｕｃｏｓｅ Ｍｏｎｉｔｏｒｉｎｇ」と題する、２０１９年１２月１６日に出願された米国仮特許出願第６２／９４８７２４号の利点を主張する。前述の出願は、参照によりその全体が本明細書に組み込まれ、これにより、明示的に本明細書の一部をなす。
この出願は、「Ｒｅｃｏｍｍｅｎｄａｔｉｏｎｓ Ｂａｓｅｄ ｏｎ Ｃｏｎｔｉｎｕｏｕｓ Ｇｌｕｃｏｓｅ Ｍｏｎｉｔｏｒｉｎｇ」と題する、２０１９年１２月１６日に出願された米国仮特許出願第６２／９４８７２４号の利点を主張する。前述の出願は、参照によりその全体が本明細書に組み込まれ、これにより、明示的に本明細書の一部をなす。
糖尿病は、何億人もの人々に影響を与える代謝状態であり、世界中の主要な死因の１つである。糖尿病を抱える人々にとって、治療へのアクセスは彼らの生存にとって重要である。適切な治療により、糖尿病による心臓、血管、目、腎臓、神経への深刻な損傷を大幅に回避することができる。Ｉ型糖尿病の人の適切な治療には、多くの場合、１日を通して血糖レベルをモニタリングし、インスリン、食事、および運動を組み合わせて血糖レベルを調整し、そのレベルが望ましい範囲内に収まるようにする。
糖尿病を抱える人の治療計画を立てる上での課題の１つは、糖尿病を有する異なる人々が、食べる食品やストレスなど、さまざまな因子によって異なった影響を受ける可能性があることである。例えば、同じ食事をした場合に、異なる人々の血糖レベルが、同じ食事を食べたときにどのように影響を受けるかには、大きなばらつきがある可能性がある。ストレスはまた、血糖の制御に影響を与えるホルモンレベルを異なる方法で上昇させることにより、人々に異なる影響を与える可能性がある。したがって、糖尿病を抱える人に作用する治療計画は、別の人には作用しないことがある。それゆえ、医療専門家や糖尿病を抱える人々は、治療計画の反復を行って、治療への反応が観察されたときにそれらの計画のさまざまな態様を調整することがある。したがって、血糖値の規制は、ある程度のカスタマイズを伴うことが多い。ただし、治療計画に共通するのは、血糖レベルをモニタリングすることである。医療技術の進歩により、血糖レベルをモニタリングするためのさまざまなシステムが開発されている。
これらのシステムのいくつかは、血液を採取するために人の体の部分（例えば、多くの場合、人の指）を刺すためのアセンブリ、および血糖レベルを示す採取された血液中の分析物を検出するためのセンサを含む。他のシステムは、実質的にリアルタイムでセンサを使用して血糖レベルを示す分析物を検出し、一定期間にわたるそれらの血糖レベルの測定値を生成し、これは、連続血糖モニタリング（ＣＧＭ）と呼ばれる。どちらのタイプのシステムも、これらの測定値を出力（例えば、表示）するように構成されているため、ユーザおよび医療専門家が、ユーザの血糖レベルを最適に規制する方法を決定することができる。ＣＧＭシステムによって生成および出力される膨大な量の血糖測定値は、ユーザに血糖レベルがどのようなトレンドであるかを示し、ユーザが治療に関してより適切な情報を踏まえた決定を行うことを可能にする。
連続血糖モニタリング（ＣＧＭ）による多状態エンゲージメントが本明細書に記載されている。ＣＧＭシステムを着用する多くの人がいると考えると、ＣＧＭシステムは連続的に測定値を生成するため、ＣＧＭシステムに血糖レベルを検出するためのセンサを提供し、かつそれらの血糖レベルの検出を記述するデータを維持するＣＧＭプラットフォームは、膨大な量のデータ、例えば、数千万患者日分の測定値を有することがある。ただし、この量のデータは、実際には、人間が処理して、血糖測定値を含むデータパッケージだけでなく、ＣＧＭシステムとのエンゲージメントの状態、例えば、ユーザがＣＧＭシステムの使用を中止するかどうかを正確に予測するためのパッケージに関連し得る豊富な追加データに関連するパターンを確実に識別することは、実際にはそうではないにしても、事実上不可能である。
１つ以上の実装形態では、ＣＧＭプラットフォームは、ユーザによって着用されるＣＧＭシステムによって提供される血糖測定値のパッケージを取得するデータ分析プラットフォームを含む。データ分析プラットフォームはまた、ユーザに関連付けられた追加データを取得する。ただし、データ分析プラットフォームは、ＣＧＭシステムまたはその構成要素（センサーアプリケーションアセンブリなど）の購入、ＣＧＭプラットフォームからのサービスの購入、医薬品の購入などを記述するユーザの購入履歴を維持するユーザプロファイルなど、ＣＧＭシステムとは異なる１つ以上のソースから追加データを取得する。追加のデータは、ほんの数例を挙げると、血糖測定値に追加の生理学的データ、社会経済的データ、態度データ、挙動データ、および苦情データも含んでもよい。
データ分析プラットフォームは、これらのＣＧＭパッケージと追加データを、教師なし学習モデル、教師あり学習モデル、強化学習モデルなどの１つ以上のモデルを少なくとも部分的に使用して処理することにより、ユーザの状態情報を生成する。この状態情報は、ＣＧＭシステムおよびＣＧＭプラットフォームとのユーザのエンゲージメントの現在の状態を示すか、または異なる新しい状態への遷移を予測してもよい。データ分析プラットフォームは、ユーザ母集団、例えば、ＣＧＭシステムを着用しているまたは着用していた複数のユーザの過去のＣＧＭパッケージおよび過去の追加データに基づいてこれらのモデルを生成する。この状態情報に基づいて、データ分析プラットフォームはユーザとの通信を制御し、通信は、ユーザがＣＧＭシステムの使用を中止するなどの悪い状態に遷移するのを防ぐために介入戦略を生成することを含んでもよい。
この概要は、以下の発明を実施するための形態でさらに記載される概念の選択を簡略化された形式で紹介している。したがって、この概要は、特許請求の範囲の主題の本質的な特徴を識別することを意図しておらず、特許請求の範囲の主題の範囲を決定する際の補助として使用されることも意図していない。
詳細な説明は、添付の図を参照して記載されている。
概要
連続血糖モニタリング（ＣＧＭ）による多状態エンゲージメントが本明細書に記載されている。ＣＧＭシステムを着用する多くの人がいると考えると、ＣＧＭシステムは連続的に測定値を生成するため、ＣＧＭシステムに血糖レベルを検出するためのセンサを提供し、かつそれらの血糖レベルの検出を記述するデータを維持するＣＧＭプラットフォームは、膨大な量のデータ、例えば、数千万患者日分の測定値を有することがある。ただし、この量のデータは、実際には、人間が処理して、血糖測定値を含むデータパッケージだけでなく、ＣＧＭシステムとのエンゲージメントの状態、例えば、ユーザがＣＧＭシステムの使用を中止するかどうかを正確に予測するためのパッケージに関連し得る豊富な追加データに関連するパターンを確実に識別することは、実際にはそうではないにしても、事実上不可能である。
連続血糖モニタリング（ＣＧＭ）による多状態エンゲージメントが本明細書に記載されている。ＣＧＭシステムを着用する多くの人がいると考えると、ＣＧＭシステムは連続的に測定値を生成するため、ＣＧＭシステムに血糖レベルを検出するためのセンサを提供し、かつそれらの血糖レベルの検出を記述するデータを維持するＣＧＭプラットフォームは、膨大な量のデータ、例えば、数千万患者日分の測定値を有することがある。ただし、この量のデータは、実際には、人間が処理して、血糖測定値を含むデータパッケージだけでなく、ＣＧＭシステムとのエンゲージメントの状態、例えば、ユーザがＣＧＭシステムの使用を中止するかどうかを正確に予測するためのパッケージに関連し得る豊富な追加データに関連するパターンを確実に識別することは、実際にはそうではないにしても、事実上不可能である。
これらの問題を克服するために、ＣＧＭシステムによる多状態エンゲージメントが活用される。１つ以上の実装形態では、ＣＧＭプラットフォームは、ユーザ母集団におけるユーザのさまざまなＣＧＭシステムおよび計算デバイスから血糖測定値を取得する。記載の技術により、ＣＧＭシステムは、人の血糖を連続的にモニタリングするように構成されている。ＣＧＭシステムは、例えば、人の皮膚の皮下に挿入され、人の血糖を示す分析物を検出するＣＧＭセンサを備えて構成されてもよい。ＣＧＭシステムは、検出された分析物に基づいて血糖測定値を連続的に生成することができる。本明細書で使用される場合、「連続的に」という用語は、ほぼ連続的にを意味し、連続的な血糖モニタリングは、ＣＧＭシステムのリソース（例えば、バッテリ寿命、処理能力、通信能力など）によって支援される時間間隔であって、指を刺すなどのユーザの手動対話を必要とせずに測定値を生成するようにする。血糖レベルを連続的にモニタリングすることにより、ＣＧＭシステムは、ユーザがユーザの治療に関してより多くの情報に基づいた決定を行うことを可能にするだけではなく、手動で指を刺すことが危険である可能性のある活動、例えば車の運転に参加することを可能にしながら、血糖レベルのモニタリングも継続する。
ＣＧＭシステムは、人によって着用されるスマートウォッチ、人のスマートフォン、またはＣＧＭシステムに関連付けられた専用デバイスなど、ＣＧＭシステムに通信可能に結合された計算デバイスに血糖測定値を送信する。ＣＧＭシステムは、リアルタイムで、設定された時間間隔で、または計算デバイスからの要求に応答して、血糖測定値を通信してもよい。次いで、計算デバイスは、ネットワークを介してＣＧＭプラットフォームをホストするクラウドベースのサービスに血糖測定値を通信することなどによって、ＣＧＭプラットフォームに血糖測定値を提供する。
ＣＧＭプラットフォームは、さまざまなデバイス、センサ、アプリケーション、またはサービスに由来するユーザ母集団におけるユーザの追加データを取得してもよい。追加データは、限定ではなく例として、健康関連データ、アプリケーション対話データ、環境データ、人口統計データ、血糖測定に加えて、デバイスデータ（例えば、センサ識別データ、インシデントレポート）、計算デバイスによって追加された捕捉データ、サードパーティデータなどを含んでもよい。健康関連データは、ほんの数例を挙げると、活動データ（例えば、歩数、運動頻度、睡眠データ）、生体測定データ（例えば、インスリンレベル、ケトンレベル、心拍数、温度、ストレス）、栄養データ（例えば、飲食ログ、スキャンされたレストランの領収書、炭水化物消費量、絶食）、医療記録（Ａ１Ｃ、コレステロール、心電図の結果、他の医療検査や病歴に関連するデータなど）を含んでもよい。アプリケーション対話データは、特定のアプリケーションとのユーザ対話を記載するアプリケーションログから抽出されたデータ、計算デバイスの入力／出力インターフェースに関連して実行されるクリック、タップ、およびプレスを記載するクリックストリームデータ、ユーザが見ている場所を記載する注視データ（例えば、計算デバイスに関連付けられたディスプレイデバイスに関連して、またはユーザがデバイスから目をそらしているとき）、ユーザまたは他のユーザの可聴コマンドおよび他の話されたフレーズを記載する音声データ（例えば、ユーザが受動的ｆに聞くことを含む）などを含んでもよい。環境データは、例えば、ユーザの位置、ユーザの位置の温度および／または天気、ユーザの高度、気圧など、ユーザに関連付けられたさまざまな環境的態様を記載するデータを含んでもよい。人口統計データは、例えば、年齢、性別、身長、体重など、ユーザを説明するデータを含んでもよい。上記に説明したタイプの追加データは単なる例であり、追加データには、本明細書に記載の技法の精神または範囲から逸脱することなく、より多くの、より少ない、または異なるタイプのデータを含んでもよい。
ＣＧＭプラットフォームは、ユーザ母集団のさまざまなそれぞれのユーザから収集された血糖測定値および追加データを記憶および集約する。場合によっては、血糖測定値および追加データにタイムスタンプを付けることができ、これにより、それぞれのユーザの血糖測定値および追加データを、さまざまなデータ間の時間ベースの関係または順序を維持する方法で記憶することが可能となる。これにより、ＣＧＭプラットフォームは、従来のシステムによってこのような大規模な分析が単純に行われていなかった個別のデータセットに基づいて、さまざまな予測や推論を行うことが可能となる。
集約データを使用して予測と推論を生成するために、ＣＧＭプラットフォームは、ＣＧＭプラットフォームによって維持される豊富な集約データを活用して、統計モデル、ニューラルネットワークとして構成された機械学習モデル、および／または他の機械学習モデルなどのさまざまなモデルを構築する。例えば、システムは統計モデルを構築し、他の機械学習モデルを構築し、他の機械学習モデルを訓練し（そうでなければそのような機械学習モデルによって展開されたポリシーを学習し）、ユーザ母集団の血糖測定値および追加データを使用してこれらのモデルを更新することができる。
特に、従来のシステムとは異なり、ＣＧＭプラットフォームは、ユーザ母集団の数十万人のユーザ（例えば、５００，０００人以上）に対してＣＧＭシステムを使用して取得された血糖測定値へのアクセスを有してもよい。さらに、これらの測定値は、ＣＧＭシステムのセンサによって連続的な速度で取られる。その結果、モデルの構築および訓練のためにシステムで利用できる血糖測定値は、数百万、さらには数十億になることがある。このような堅牢な量のデータで、システムはモデルを構築および訓練して、血糖レベルに対するさまざまな挙動の実際の影響を正確に模倣することができる。この集約データの堅牢性がなければ、従来のシステムは単にモデルを構築または訓練して、さまざまなユーザの挙動や行動が血糖値にどのように影響するかを好適に表す方式で状態空間をカバーすることができない。これらの状態空間を適切にカバーできないと、不正確な血糖予測または他の健康指標の予測をもたらす可能性があり、死を引き起こす可能性のある危険な行動または挙動を提案することにつながる可能性がある。不正確な予測を生成することの重要性を考えると、まれなイベントに対して堅牢な量の血糖測定値を使用してモデルを構築することが重要である。
ＣＧＭプラットフォームは、ＣＧＭシステムを着用しているユーザのさまざまな予測と、予測される健康状態を改善するための提案を生成するために、集約されたデータを使用して構築および／または訓練されたモデルを使用する。予測は、健康指標に対応するか、そうでなければそれを含んでもよい。本明細書で使用される場合、「健康指標」という用語は、「悪い（ｎｅｇａｔｉｖｅ）」または「良い（ｐｏｓｉｔｉｖｅ）」であり得る予測される健康状態を指してもよい。悪い健康状態の例は、例えば、ほんの数例を挙げると、前糖尿病、Ｉ型糖尿病、ＩＩ型糖尿病、ニューロパシー、アルツハイマー病、および心臓病を含む。対照的に、「良い」健康状態の例は、改善された血液検査、体組成、心臓血管能力などを含む。
さらに、システムによって生成される予測は、個々のユーザの特定の予測、およびユーザ母集団全体の一般化された予測または傾向を含んでもよい（例えば、ソーダを飲むと血糖値が急上昇し、長期的なニューロパシーを引き起こす、または低炭水化物の食事によりＡ１Ｃが低下する）。例えば、システムは、ユーザが将来、ＩＩ型糖尿病または心臓病を発症するであろうことを予測するなどによって、ユーザの健康指標またはイベントのユーザ固有の予測を生成するために、訓練された機械学習モデルを特定の期間にわたる個々のユーザの血糖測定値および追加データに適用する。システムは、予測に関連付けられた精度または確率、および予測に関連付けられた期間（例えば、４０か月以内にＩＩ型糖尿病を発症する可能性が７５％）を生成してもよい。場合によっては、システムは、リアルタイムデータに基づいて個々のユーザの予測を生成してもよい。例えば、訓練されたモデルは、近い将来（例えば、次の３０分）のユーザの予測される血糖レベルを生成するために、データがキャプチャされているときにリアルタイムで血糖測定、心拍数、インスリンレベルなどに適用されて、近い将来にユーザの予測血糖レベルを生成することができる。
これらの予測に基づいて、ＣＧＭプラットフォームはさまざまな提案を生成する。場合によっては、提案が、予測される悪い健康状態を、予測される悪い健康状態を緩和する（例えば、負の健康状態の発生確率を減らす）１つ以上の行動または挙動と関連付ける論理に基づいて生成される。そのため、提案は、予測される悪い健康状態を緩和することを意図する１つ以上の行動または挙動を含んでもよい。提案は、例えば、ユーザに行動を実行すること（例えば、計算デバイスにアプリケーションをダウンロードし、すぐに病院に駆け付け、インスリンを投与し、散歩に出かけ、特定の食品または飲料を消費する）、挙動を継続すること（例えば、特定の方法での食事、または特定の方法での運動を継続する）、挙動を変更することを（例えば、食習慣または運動習慣を変更する）などを指示してもよい。
例えば、ユーザの血糖値が次の３０分で高血糖レベルに上昇するという予測に基づいて、ＣＧＭプラットフォームは、ユーザがインスリンを投与するか、または活発な散歩に出かけることを提案するなどにより、ユーザの血糖レベルを下げることを意図する行動を含む提案を生成してもよい。逆に、ユーザの血糖値が一晩で低血糖レベルに低下するという予測に基づいて、ＣＧＭプラットフォームは、ユーザの血糖値を低血糖レベルより上に保つために、ユーザが就寝前にバナナを食べることを提案してもよい。別の例として、ユーザが４０か月以内にＩＩ型糖尿病を発症するという予測に基づいて、ＣＧＭプラットフォームは、ユーザの食事を調整するか、または活動レベルを上げたりするための提案を生成してもよい。
ＣＧＭプラットフォームによって生成された予測と提案は、ユーザに直接提供されてもよいし、例えば、医療提供者、家族、サードパーティサービスなど、ユーザに関連付けられた他の関係者またはプラットフォームに提供されてもよい。そのような予測および提案は、例えば、電子通信（例えば、電子メールメッセージまたはテキストメッセージ）、通知（例えば、アプリケーション内またはデバイス上の通知）としてユーザまたは他の関係者に通信されてもよいし、資格情報を介してアクセス可能な安全なプラットフォームまたはウェブサイトにアップロードされてもよい。
さまざまな実装に従って、ＣＧＭプラットフォームは、１つ以上のアプリケーションプログラミングインターフェース（ＡＰＩ）を含み、ＣＧＭプラットフォームと１つ以上のサードパーティとの間で、血糖測定値および追加データの往復通信を可能にする。このようなＡＰＩには、ＣＧＭシステムによって収集された血糖測定値を利用するアプリケーションおよびサービスを提供するさまざまなサードパーティに血糖測定値をＣＧＭプラットフォームから通信できるようにする「出力」ＡＰＩを含んでもよい。例えば、ユーザはそのようなサードパーティのアプリケーションをダウンロードし、これらのサードパーティのアプリケーションがユーザの血糖測定値にアクセスすることを許可してもよい。そうすることにより、サードパーティのアプリケーションがさまざまな方法で血糖測定値を活用して、ユーザの健康を改善することが可能となる。このようにして、サードパーティサービスプロバイダは、サードパーティサービスプロバイダが独自のＣＧＭシステムを製造および展開しなくても、血糖測定値を使用するさまざまなサービスを提供することができてもよい。
ＣＧＭプラットフォームはまた、ＣＧＭプラットフォームがサードパーティのサービスプロバイダから「サードパーティ」のデータを受信することを可能にする「入力」ＡＰＩを含んでもよい。このようなサードパーティデータは、サードパーティのサービスまたはアプリケーションとのユーザ対話を記載するアプリケーション対話データを含んでもよい。ＣＧＭプラットフォームは、特定のアプリケーションとの対話がユーザの健康を改善しているかどうかを決定するために、ユーザの血糖測定値および他のデータとともに、アプリケーション対話データを集約することができる。これに基づいて、ＣＧＭプラットフォームは、ユーザ母集団の他のユーザも特定のアプリケーションを利用することを提案してもよい。
この一部として、システムは、例えば、年齢、性別、場所など、特定のユーザの人口統計データを収集してもよい。ユーザから収集された血糖測定値は、ユーザ母集団における他のユーザとの類似性スコアを生成するために、人口統計データおよび追加データと組み合わせることができる。例えば、２２歳の女性で、平均血糖が１６２ｍｇ／ｄＬで、夜間の低血糖測定のパターンを経験しているユーザは、その年齢、性別、平均血糖測定値、およびパターン経験の他のユーザとの類似性スコアを有することがある。このシナリオでは、特定のアプリケーションを利用するための提案は、母集団内の他のユーザとのユーザの類似性に基づいてもよい。例えば、特定のアプリケーションを使用すると、ユーザ母集団におけるユーザのサブセットの糖血症が改善される場合、ＣＧＭプラットフォームは、ユーザ母集団における同様のユーザに特定のアプリケーションの使用を提案することができる。
１つ以上の実装形態では、ＣＧＭプラットフォームは、ＣＧＭシステム、例えば、ユーザ母集団のＣＧＭシステムによる複数の異なるエンゲージメント状態を識別する状態情報を生成する多状態エンゲージメントシステムを含む。これらの状態は、ＣＧＭプラットフォームに関連する、例えば、患者、介護者、ヘルスケアプロバイダ、顧客サービス担当者、サードパーティサービスプロバイダ、商用ユーザ（たとえば、アスリート、ライフハッカーなど）、パフォーマンスコーチなどのユーザの役割に対応してもよい。これらの状態はまた、ＣＧＭシステムとの１つ以上のエンゲージメントシーケンスの段階に対応してもよい。患者のコンテキストでは、エンゲージメントシーケンスは、例えば、問い合わせ段階（例えば、ユーザがＣＧＭシステムに関して問い合わせるか、そうでなければ興味を示すか、または糖尿病に関連する病状に関して問い合わせる場合）、選択段階（例えば、ユーザが血糖モニタリングソリューションの中から積極的に選択している場合）、所定の段階、アクティブな使用段階（例えば、ユーザがＣＧＭプラットフォームの機能性とともにＣＧＭシステムをアクティブに使用する場合）、不規則な使用段階（例えば、ユーザの活動レベルが以前のアクティブな使用レベルからいくらか低下する、および／または使用のしきい値を下回る場合）、中止された使用段階（例えば、ユーザがＣＧＭシステムおよび／またはＣＧＭプラットフォームの使用を中止する場合）、後続のソリューション段階（例えば、ユーザがＣＧＭプラットフォームとは異なるエンティティによって展開された異なるＣＧＭシステムを使用する場合）などを含んでもよい。
一般に、多状態エンゲージメントシステムは、１つ以上のモデル（機械学習モデルなど）を使用して、そのような状態を識別する状態情報を生成する。多状態エンゲージメントシステムは、ＣＧＭパッケージ、追加データなど、ユーザ母集団に関してキャプチャされたデータを使用して、このようなモデルでこれらの状態を識別してもよい。一般に、ＣＧＭパッケージは、ＣＧＭシステムによって収集されたデータ（たとえば、センサによって検知された血糖測定値およびセンサの識別子）、およびＣＧＭシステムとＣＧＭプラットフォームの間の仲介者として行動するデバイスによって生成された補足データを含んでもよい。たとえば、ユーザの携帯電話、スマートウォッチなどの仲介者デバイスは、ＣＧＭパッケージに含まれるＣＧＭデバイスデータを補足するために、さまざまな補足データを生成してもよい。全体を通して説明されているように、追加データは、ほんの数例を挙げると、サードパーティデータ、ＩｏＴからのデータ、生理学的データ、社会経済的データ、態度データ、挙動データ、購入履歴データ、苦情データ、および支払いデータを含んでもよい。ユーザ母集団を記述するこのデータから異なる状態を識別することに加えて、多状態エンゲージメントシステムはまた、ユーザの現在の状態が、現在、ＣＧＭシステムで不規則な使用段階にいる患者としての役割を含むと決定するなど、これらの識別された状態のどれが所与の時間における特定のユーザに対応するかを決定するように構成されている。多状態エンゲージメントシステムは、機械学習モデルへの入力としてユーザを記述するデータ（例えば、特徴ベクトル）を提供することによってそのような状態を決定し、現在の状態を示す状態情報を示すこれらのモデルからの出力を受信してもよい。
多段階エンゲージメントシステムによって生成される状態情報は、ＣＧＭプラットフォームのユーザとの通信を制御するために使用され得る。例えば、状態情報が、しきい値確率よりも高い（例えば、ユーザが現在の時点において不規則な使用段階にある）確率を含むときに、介入プラットフォームは、１つ以上の通信をユーザに送達する、および／またはそれらを顧客サービス担当者する、たとえば、例えば、不規則な使用を担当者に警告する通知を送達してもよい。このようにして、介入プラットフォームは、ユーザと通信（例えば、介入）して、ＣＧＭシステムの使用が実際に不規則になった（または使用が不規則に見える原因となる何らかのエラーがある）かどうかを決定し、なぜ使用が不規則になったのかを決定し、および使用を「アクティブ」レベルに戻すための情報を提供してもよい。
場合によっては、多状態エンゲージメントシステムは、遷移が実際に発生する前に、悪い状態（例えば、中止された使用段階）への遷移を予測することができ、介入システムが悪い状態への遷移を防ぐことを試みることができるようする。そうするために、多状態エンゲージメントシステムによって生成される状態情報は、ユーザが近い将来に現在の状態から異なる状態に遷移する確率、例えば、ユーザがアクティブな使用段階から不規則な使用段階へ、または不規則な使用段階から中止された使用段階へ移行するであろう確率を示す遷移確率を含んでもよい。状態情報はまた、新しい状態への遷移を助長する可能性が高いと多状態エンゲージメントシステムによって予測された因子を助長することを含んでもよい。遷移確率と助長因子に基づいて、介入プラットフォームは遷移を防ぐためのさまざまな介入戦略を生成する。場合によっては、そのような介入戦略は、顧客サービス担当者、臨床医など、ユーザと通信することによって特定のシナリオに介入することを許可されたユーザに状態情報を公開することを含んでもよい。例として、介入プラットフォームは、例えば、顧客サービス担当者が複数のユーザの状態情報をレビューすることができる場合、介入ポータルを介して状態情報（または状態情報に基づいて導出された通知）を提供してもよい。公開された状態情報により、介入プラットフォームの許可されたユーザは、例えば、ユーザに電話をかけるかどうか、ユーザに電子メールを送信するかどうか、ユーザへのＳＭＳメッセージを送信するかどうかなど、状態情報に関連付けられたユーザと通信するかどうかを決定することが可能となってもよい。代替的または追加的に、介入プラットフォームは、状態情報に応じた特定の方法で介入プラットフォームに通信するように指示する論理に応じるなどして、状態情報に基づく通信を自動的に生成および通信するように構成されてもよい。
介入戦略が人間に遷移情報を公開することを含むか、自動化されるかに関係なく、介入プラットフォームは、現在の状態から新しい状態への予測される遷移を助長する決定された因子に基づいて介入戦略をカスタマイズすることができる。例として、故障した機器（たとえば、故障したセンサ）が使用されており、故障した機器の使用を開始してから使用量が低下したことを状態情報が示す場合、顧客サービス担当者は、故障した機器に特有の戦略を展開する、例えば、新しく適切に動作する機器を送信してもよい。別の例として、異常に高い血糖値がユーザのフラストレーションを引き起こし、これが中止される使用につながる可能性が高いことを状態情報が示す場合、介入システムは、食事および運動を通してＣＧＭシステムを着用している間に血糖値レベルが減少した、ユーザ母集団における他のユーザのサクセスストーリーを含むメッセージをユーザに通信してもよい。
従来のシステムとは異なり、ＣＧＭプラットフォームは、ユーザ母集団の数十万人のユーザ（例えば、５０万人以上）のＣＧＭパッケージへのアクセスを有することが理解されよう。さらに、ＣＧＭパッケージに含まれるＣＧＭ測定値は、ＣＧＭシステムのセンサによって連続的な速度で取られる。その結果、機械学習モデルを構築および訓練するためにエンゲージメント状態モデルマネージャーに利用可能な、血糖測定値、およびこれらの測定値を記述するデータ（例えば、ＣＧＭパッケージ）は、数百万、さらには数十億のデータポイントになる。このような堅牢な量のデータにより、システムはさまざまなモデルを構築および訓練して、ＣＧＭシステムおよびＣＧＭプラットフォームでユーザ母集団による複数の異なるエンゲージメント状態を正確に識別することができる。
ＣＧＭプラットフォームの血糖測定値の堅牢性、およびこれらの測定値の特性およびＣＧＭパッケージのＣＧＭプラットフォームによる受信を記述するデータがないため、従来のシステムでは、ユーザが実世界においてＣＧＭシステムおよびＣＧＭプラットフォームと実際にはどのようにエンゲージしているかを好適に表す方式で状態空間をカバーするモデルを構築または訓練することができない。これらの状態空間を好適にカバーできないと、ＣＧＭシステムおよびＣＧＭプラットフォームでユーザの使用状態が不正確になる予測をもたらす可能性があり、これは、ＣＧＭシステムでの潜在的に危険な状態を防ぐか、またはＣＧＭシステムとＣＧＭプラットフォームの中止される使用を防ぐには遅すぎる（または決して実行されない）介入につながる可能性がある。ユーザが実際にＣＧＭシステムとどのように対話するかを示す状態を不正確に識別する重要性を考えると、データにおける疑似相関または隠れた関係のパターンをキャプチャするのに十分に堅牢な量のＣＧＭパッケージを使用してエンゲージメント状態モデルを構築することが重要である。
以下の説明では、最初に、本明細書に記載の技法を使用し得る例示的な環境を記載する。次いで、例示的な環境および他の環境で実行され得る例示的な実装の詳細および手順が記載される。例示的な手順のパフォーマンスは、サンプル環境に限定されず、サンプル環境は、例示的な手順のパフォーマンスに限定されない。
例示的な環境
図１は、本明細書に記載のような連続血糖モニタリング（ＣＧＭ）による多状態エンゲージメントを用いるように動作可能な例示的な実装形態における環境１００の図示である。図示の環境１００は、ＣＧＭシステム１０４、インスリン送達システム１０６、および計算デバイス１０８を着用して描かれている人１０２を含む。図示された環境１００はまた、ＣＧＭシステムのユーザ母集団１１０における他のユーザ、ＣＧＭプラットフォーム１１２、およびモノのインターネット１１４（ＩｏＴ１１４）を含む。ＣＧＭシステム１０４、インスリン送達システム１０６、計算デバイス１０８、ユーザ母集団１１０、ＣＧＭプラットフォーム１１２、およびＩｏＴ１１４は、ネットワーク１１６を介して互いに通信可能に結合されている。
図１は、本明細書に記載のような連続血糖モニタリング（ＣＧＭ）による多状態エンゲージメントを用いるように動作可能な例示的な実装形態における環境１００の図示である。図示の環境１００は、ＣＧＭシステム１０４、インスリン送達システム１０６、および計算デバイス１０８を着用して描かれている人１０２を含む。図示された環境１００はまた、ＣＧＭシステムのユーザ母集団１１０における他のユーザ、ＣＧＭプラットフォーム１１２、およびモノのインターネット１１４（ＩｏＴ１１４）を含む。ＣＧＭシステム１０４、インスリン送達システム１０６、計算デバイス１０８、ユーザ母集団１１０、ＣＧＭプラットフォーム１１２、およびＩｏＴ１１４は、ネットワーク１１６を介して互いに通信可能に結合されている。
代替的または追加的に、ＣＧＭシステム１０４、インスリン送達システム１０６、および計算デバイス１０８のうちの１つ以上は、１つ以上の短距離通信プロトコルまたは技法を使用するなどして、他の方法で通信可能に結合されてもよい。例えば、ＣＧＭシステム１０４、インスリン送達システム１０６、および計算デバイス１０８は、Ｂｌｕｅｔｏｏｔｈ、近距離無線通信（ＮＦＣ）、５Ｇなどのうちの１つ以上を使用して互いに通信してもよい。ＣＧＭシステム１０４、インスリン送達システム１０６、および計算デバイス１０８は、これらのタイプの通信を利用して、互いの間に閉ループシステムを形成してもよい。このようにして、インスリン送達システム１０６は、血糖測定値がＣＧＭシステム１０４によって取得されるため、（例えば、計算デバイス１０８によって）リアルタイムで計算された血糖予測に基づいてインスリンを送達してもよい。
記載の技術により、ＣＧＭシステム１０４は、人１０２の血糖を連続的にモニタリングするように構成されている。ＣＧＭシステム１０４は、例えば、人１０２の血糖を示す分析物を連続的に検出し、血糖測定値の生成を可能にするＣＧＭセンサを備えて構成されてもよい。図示の環境１００では、これらの測定値は、血糖測定値１１８として表されている。この機能性は、ＣＧＭシステム１０４の構成のさらなる態様とともに、図２に関連してより詳細に説明されている。
１つ以上の実装形態では、ＣＧＭシステム１０４は、Ｂｌｕｅｔｏｏｔｈを介するなどして、血糖測定値１１８を計算デバイス１０８に送信する。ＣＧＭシステム１０４は、例えば、これらの測定値がＣＧＭセンサを使用して生成されるため、これらの測定値をリアルタイムで通信してもよい。代替的または追加的に、ＣＧＭシステム１０４は、設定された時間間隔、例えば、３０秒ごと、毎分、毎時、６時間ごと、毎日などで、血糖測定値１１８を計算デバイス１０８に通信してもよい。またさらに、ＣＧＭシステム１０４は、例えば、計算デバイス１０８が、人１０２の血糖レベルに関する情報を有するユーザインターフェースの表示を引き起こし、そのような表示を更新し、インスリンを送達する目的で人１０２の次の血糖レベルを予測するなどするときに、例えば、ＣＧＭシステム１０４に通信される計算デバイス１０８からの要求に応答してこれらの測定値を通信してもよい。したがって、計算デバイス１０８は、例えば、計算デバイス１０８のコンピュータ可読記憶媒体において、人１０２の血糖測定値１１８を少なくとも一時的に維持してもよい。
ウェアラブルデバイス（例えば、スマートウォッチ）として図示されているが、計算デバイス１０８は、記載の技術の精神または範囲から逸脱することなく、さまざまな方法で構成されてもよい。限定ではなく例として、計算デバイス１０８は、異なるタイプのモバイルデバイス（例えば、携帯電話またはタブレットデバイス）として構成されてもよい。１つ以上の実装形態では、計算デバイス１０８は、ＣＧＭプラットフォーム１１２に関連付けられた専用デバイスとして構成されてもよく、例えば、ＣＧＭシステム１０４から血糖測定値１１８を取得し、血糖測定値１１８に関連するさまざまな計算を実行し、血糖測定値１１８およびＣＧＭプラットフォーム１１２に関連する情報を表示し、血糖測定値１１８をＣＧＭプラットフォーム１１２に通信するなどを行う機能性を備える。しかしながら、計算デバイス１０８が携帯電話として構成される実装とは対照的に、計算デバイス１０８は、電話をかける能力、カメラ機能性、ソーシャルネットワーキングアプリケーションを利用する能力など、専用のＣＧＭデバイスとして構成されるときに、携帯電話またはウェアラブル構成で利用可能ないくつかの機能性を含まないことがある。
追加的に、計算デバイス１０８は、記載の技法により、複数のデバイスを代表するものであってもよい。１つ以上のシナリオでは、例えば、計算デバイス１０８は、ウェアラブルデバイス（例えば、スマートウォッチ）と携帯電話の両方に対応してもよい。そのようなシナリオでは、これらのデバイスの両方は、例えば、ＣＧＭシステム１０４から血糖測定値１１８を受信し、ネットワーク１１６を介してそれらをＣＧＭプラットフォーム１１２に通信し、血統測定値１１８に関連する情報を表示するなど、同じ動作の少なくとも一部を実行することが可能であってもよい。代替的または追加的に、異なるデバイスは、他のデバイスが有していないか、または特定のデバイスへの命令を計算することを通じて制限される異なる能力を有してもよい。計算デバイス１０８が別個のスマートウォッチおよび携帯電話に対応するシナリオでは、例えば、スマートウォッチは、さまざまな生理学的マーカー（例えば、心拍数、呼吸、血液速度など）および人１０２の活動（例えば、ステップ）を測定するさまざまなセンサおよび機能性を備えて構成されてもよい。このシナリオでは、携帯電話がこれらのセンサおよび機能性を備えて構成されていないか、または制限された量のその機能性を含むことがあるが、他のシナリオでは、携帯電話が同じ機能性を提供可能であってもよい。この特定のシナリオを続けると、携帯電話は、携帯電話が血統測定値１１８に関連する計算をより効率的に実行することを可能にする量の計算リソース（例えば、バッテリーおよび処理速度）など、スマートウォッチが有さない能力を有してもよい。スマートウォッチがそのような計算を実行可能であるシナリオでも、計算命令は、両方のデバイスに負担をかけず、利用可能なリソースを効率的に利用するために、携帯電話に対するそれらの計算のパフォーマンスを制限することがある。この範囲で、計算デバイス１０８は、記載の技法の精神および範囲から逸脱することなく、異なる方法で構成され、本明細書で説明されるものとは異なる数のデバイスを表してもよい。
上述のように、計算デバイス１０８は、血糖測定値１１８をＣＧＭプラットフォーム１１２に通信する。図示の環境１００では、血糖測定値１１８は、ＣＧＭデータ１２２の一部として、ＣＧＭプラットフォーム１１２の記憶デバイス１２０に記憶されて示されている。記憶デバイス１２０は、１つ以上のデータベース、またＣＧＭデータ１２２を格納することが可能な他のタイプのストレージを表すことができる。ＣＧＭデータ１２２はまた、ユーザプロファイル１２４を含む。記載の技法によれば、人１０２は、少なくともＣＧＭプラットフォーム１１２のユーザに対応し、１つ以上の他のサードパーティサービスプロバイダのユーザであってもよい。この目的のために、人１０２は、ユーザ名に関連付けられ、ある時点で、ユーザ名を使用してＣＧＭプラットフォーム１１２にアクセスするための認証情報（例えば、パスワード、生体認証データなど）を提供することが要求されてもよい。この情報は、ユーザプロファイル１２４で捕捉されてもよい。ユーザプロファイル１２４はまた、ユーザに関するさまざまな他の情報、例えば、人１０２を記載する人口統計情報、医療提供者に関する情報、支払い情報、処方情報、決定された健康指標、ユーザ選好、他のサービスプロバイダシステム（例えば、ウェアラブル、ソーシャルネットワーキングシステムなどに関連付けられたサービスプロバイダ）のアカウント情報などを含んでもよい。ユーザプロファイル１２４は、記載の技法の精神および範囲内のユーザに関する異なる情報を含んでもよい。
さらに、ＣＧＭデータ１２２は、人１０２に対応するユーザのデータを表すだけでなく、ユーザ母集団１１０における他のユーザのデータも表す。これを考えると、記憶装置１２０内の血糖測定値１１８は、人１０２によって着用されたＣＧＭシステム１０４のＣＧＭセンサからの血糖測定値を含み、ユーザ母集団１１０における他のユーザに対応する人によって着用されたＣＧＭシステムのＣＧＭセンサからの血糖測定値も含む。これらの他のユーザの血糖測定値１１８は、ネットワーク１１６を介してそれぞれのデバイスによってＣＧＭプラットフォーム１１２に通信され、これらの他のユーザは、ＣＧＭプラットフォーム１１２でそれぞれのユーザプロファイル１２４を有することにもなる。
データ分析プラットフォーム１２６は、ＣＧＭデータ１２２を処理して、さまざまな機械学習モデルを使用することなどにより、さまざまな予測を生成する機能を表す。これらの予測に基づいて、ＣＧＭプラットフォーム１１２は、予測に関する提案および／または他の情報を提供してもよい。例えば、ＣＧＭプラットフォーム１１２は、提案または他の情報を、ユーザに直接、ユーザに関連付けられた医療専門家などに提供してもよい。特定のタイプの予測、提案、およびその他の情報については、以下で詳細に記載する。計算デバイス１０８とは別個に描かれているが、データ分析プラットフォーム１２６の一部または全体が、計算デバイス１０８において代替的または追加的に実装されてもよい。データ分析プラットフォーム１２６はまた、血糖測定値１１８に加えてデータ、例えばＩｏＴ１１４を介して取得された追加データを使用してこれらの予測を生成するように構成されてもよい。
ＩｏＴ１１４は、人１０２および１つ以上のサービスプロバイダのユーザとしての人１０２の活動および実世界での活動を説明するデータを提供することができるさまざまなソースを表すことを理解されたい。例として、ＩｏＴ １１４は、例えば、カメラ、携帯電話、ラップトップなど、ユーザのさまざまなデバイスを含んでもよい。この目的のために、ＩｏＴ １１４は、ユーザとさまざまなデバイスとの対話、例えば、ウェブベースのアプリケーションとの対話、撮影された写真、他のユーザとの通信などに関する情報を提供してもよい。ＩｏＴ１１４はまた、例えば、歩数、地面に当たる足の力、歩幅、ユーザの体温（および他の生理学的測定値）、ユーザの周囲の温度、冷蔵庫に保管されている食品のタイプ、冷蔵庫から取り出された食品のタイプ、運転習慣など、挙動を記載する情報を提供するセンサで構成されているさまざまな実世界の物品（例えば、靴、衣類、スポーツ用品、電化製品、自動車など）を含んでもよい。ＩｏＴ１１４はまた、データ分析プラットフォーム１２６によって活用され得る医療および製造データを提供することができる医療提供者（例えば、人１０２の医療提供者）および製造業者（例えば、ＣＧＭシステム１０４、インスリン送達システム１０６、または計算デバイス１０８の製造業者）などのサードパーティをＧＧＭプラットフォーム１１２に含めることもできる。確かに、ＩｏＴ１１４は、記載の技法の精神や範囲から逸脱することなく、ＣＧＭに基づく提案に関連して豊富なデータを提供できるデバイスおよびセンサが含んでもよい。血糖を、例えば、連続的に測定し、そのような測定値を記載するデータを取得するコンテキストにおいて、図２の以下の説明を検討する。
図２は、図１のＣＧＭシステム１０４の例示的な実装２００をより詳細に描いている。特に、図示の例２００は、ＣＧＭシステム１０４の上面図および対応する側面図を含む。
ＣＧＭシステム１０４は、センサ２０２およびセンサモジュール２０４を含むように図示されている。図示の例２００では、センサ２０２は、側面図で描かれており、例えば、人１０２の皮膚２０６に皮下挿入されている。センサモジュール２０４は、上面図において破線の長方形として描かれている。ＣＧＭシステム１０４はまた、図示の例２００において送信機２０８を含む。センサモジュール２０４のために破線の長方形を使用して、それが送信機２０８のハウジング内に収容されるか、さもなければ実装され得ることを示している。この例２００では、ＣＧＭシステム１０４は、接着パッド２１０および取り付け機構２１２をさらに含む。
動作中、センサ２０２、接着パッド２１０、および取り付け機構２１２は、適用アセンブリを形成するように組み立てられてもよく、適用アセンブリは、描かれているようにセンサ２０２が皮下挿入されるように皮膚２０６に適用されるように構成されている。そのようなシナリオでは、送信機２０８は、皮膚２０６に適用された後、取り付け機構２１２を介してアセンブリに取り付けられてもよい。追加的または代替的に、送信機２０８は、適用アセンブリの一部として組み込まれてもよく、センサ２０２、接着パッド２１０、取り付け機構２１２、および送信機２０８（センサモジュール２０４を有する）がすべて一度に皮膚２０６適用され得るようにしてもよい。１つ以上の実装形態では、この適用アセンブリは、別個のアプリケータ（図示せず）を使用して皮膚２０６に適用される。この適用アセンブリは、接着パッド２１０を皮膚２０６から剥がすことによっても取り外すことができる。図示のＣＧＭシステム１０４およびそのさまざまな構成要素は、単なる一例の形式ファクタであり、ＣＧＭシステム１０４およびその構成要素は、記載の技法の精神または範囲から逸脱することなく、異なるフォーム形式を有し得ることが理解されよう。
動作中、センサ２０２は、「無線」接続または「有線」接続であり得る少なくとも１つの通信チャネルを介してセンサモジュール２０４に通信可能に結合される。センサ２０２からセンサモジュール２０４への、またはセンサモジュール２０４からセンサ２０２への通信は、能動的または受動的に実装することができ、これらの通信は、連続的（例えば、アナログ）または離散的（例えば、デジタル）とすることができる。
センサ２０２は、センサ２０２から少なくとも部分的に独立している事象に応答して変化するか、または変化を引き起こすデバイス、分子、および／または化学物質であってもよい。センサモジュール２０４は、センサ２０２への変化またはセンサ２０２によって引き起こされた変化の表示を受信するように実装されている。例えば、センサ２０２は、血糖および酸素と反応して、電極を含み得るセンサモジュール２０４によって電気化学的に検出可能な過酸化水素を形成する血糖オキシダーゼを含むことができる。この例では、センサ２０２は、１つ以上の測定技術を使用して血糖レベルを示す血液または間質液中の分析物を検出するように構成されている血糖センサとして構成され得るか、または血糖センサを含んでもよい。
別の例では、センサ２０２（またはＣＧＭシステム１０４の追加のセンサ（図示せず））は、第１および第２の導電体を含むことができ、センサモジュール２０４は、センサ２０２の第１の導電体および第２の導電体間の電位の変化を電気的に検出することができる。この例では、センサモジュール２０４およびセンサ２０２は、電位の変化が温度変化に対応するように熱電対として構成されている。いくつかの例では、センサモジュール２０４およびセンサ２０２は、単一の分析物、例えば、血糖を検出するように構成されている。他の例では、センサモジュール２０４およびセンサ２０２は、複数の分析物、例えば、ナトリウム、カリウム、二酸化炭素、および血糖を検出するように構成されている。代替的または追加的に、ＣＧＭシステム１０４は、１つ以上の分析物（例えば、ナトリウム、カリウム、二酸化炭素、および血糖）だけでなく、１つ以上の環境条件（例えば、温度）も検出する複数のセンサを含む。したがって、センサモジュール２０４およびセンサ２０２（および任意の追加のセンサ）は、１つ以上の分析物の存在、１つ以上の分析物の不在、および／または１つ以上の環境条件の変化を検出してもよい。
１つ以上の実装形態では、センサモジュール２０４は、プロセッサおよびメモリ（図示せず）を含んでもよい。センサモジュール２０４は、プロセッサを活用することにより、上記に説明した変化を示すセンサ２０２との通信に基づいて血糖測定値１１８を生成してもよい。センサ２０２からのこれらの通信に基づいて、センサモジュール２０４は、ＣＧＭデバイスデータ２１４を生成するようにさらに構成されている。ＣＧＭデバイスデータ２１４は、少なくとも１つの血糖測定値１１８を含む通信可能なデータのパッケージである。代替的または追加的に、ＣＧＭデバイスデータ２１４は、例えば、複数の血糖測定値１１８、センサ識別２１６、センサステータス２１８などの他のデータを含む。１つ以上の実装形態では、ＣＧＭデバイスデータ２１４は、血糖測定値１１８に対応する温度および他の分析物の測定値のうちの１つ以上のものなどの他の情報を含んでもよい。ＣＧＭデバイスデータ２１４は、記載の技術の精神または範囲から逸脱することなく、少なくとも１つの血糖測定値１１８に加えて、さまざまなデータを含んでもよいことが理解されるべきである。
動作中、送信機２０８は、ＣＧＭデバイスデータ２１４をデータのストリームとして計算デバイス１０８に無線で送信してもよい。代替的または追加的に、センサモジュール２０４は、ＣＧＭデバイスデータ２１４を（例えば、センサモジュール２０４のメモリに）バッファし、送信機２０８に、バッファされたＣＧＭデバイスデータ２１４をさまざまな間隔、例えば、時間間隔（毎秒、３０秒毎、１分毎、１時間ごとなど）、記憶間隔（バッファされたＣＧＭデバイスデータ２１４がデータのしきい値量またはＣＧＭデバイスデータ２１４のインスタンスの数に達したとき）などで送信させてもよい。
ＣＧＭデバイスデータ２１４を生成し、それを計算デバイス１０８に通信させることに加えて、センサモジュール２０４は、記載の技法による追加機能性を含んでもよい。この追加機能性は、将来の人１０２の血糖レベルの予測を生成することと、例えば、人１０２の血統レベルが近い将来に危険なほどに低くなる可能性が高いことを予測が示すときに警告を通信することによって、予測に基づいて通知を通信することと、を含んでもよい。センサモジュール２０４のこの計算能力は、特にネットワーク１１６を介したサービスへの接続が制限されているか、または存在しない場合に有利であり得る。このようにして、インターネットなどのへの接続性に依存することなく、危険な状態について警告を受けることができる。センサモジュール２０４のこの追加の機能性はまた、センサ２０２を最初にまたは継続的に較正すること、およびＣＧＭシステム１０４の他の任意のセンサを較正することを含んでもよい。
ＣＧＭデバイスデータ２１４に関して、センサ識別２１６は、他のセンサ、例えば、他のＣＧＭシステム１０４の他のセンサ、皮膚２０６に以前または後続で埋め込まれた他のセンサなどの他のセンサからセンサ２０２を一意に識別する情報を表す。センサ２０２を一意に識別することにより、センサ識別２１６はまた、センサ２０２に関する他の態様、例えば、センサ２０２の製造ロット、センサ２０２の包装の詳細、センサ２０２の出荷の詳細などを識別するために使用されてもよい。このようにして、センサ２０２と同様の方法で製造、包装、および／または出荷されたセンサについて検出されたさまざまな問題を識別し、例えば、血糖測定値１１８を較正し、欠陥のあるセンサを変更するように、またはそれらを廃棄するようにユーザに通知し、機械加工の問題を製造施設に通知するなどを行うために異なる方法でしてもよい。
センサ状態２１８は、所与の時点におけるセンサ２０２の状態、例えば、血糖測定値１１８の１つが生成されるのと同じ時点におけるセンサの状態を表す。この目的のために、センサステータス２１８は、血統測定値１１８の各々に対するエントリを含んでもよく、血糖測定値１１８とセンサステータス２１８情報に捕捉されたステータスとの間に１対１の関係があるようにする。一般的に言えば、センサステータス２１８は、センサ２０２の動作状態を記載する。１つ以上の実装形態では、センサモジュール２０４は、所与の血糖測定１１８対するいくつかの所定の動作状態のうちの１つを識別してもよい。識別された動作状態は、センサ２０２からの通信および／またはそれらの通信の特性に基づいてもよい。
例として、センサモジュール２０４は、ある状態を別の状態から選択するための所定の数の動作状態および基礎を有するルックアップテーブルを（例えば、メモリまたは他のストレージに）含んでもよい。例えば、所定の状態は、「通常の」動作状態を含んでもよく、この状態を選択するための基礎は、センサ２０２からの通信が、通常の動作を示すしきい値内、例えば、予想される時間のしきい値内、予想される信号強度のしきい値、環境温度が予想どおりに動作を継続するのに適した温度のしきい値内にあるなどに収まることであってもよい。所定の状態はまた、センサ２０２の通信の特性のうちの１つ以上が通常の活動の範囲外であることを示し、血糖測定１１８における潜在的なエラーをもたらす可能性がある動作状態を含んでもよい。
例えば、これらの通常ではない動作状態の基礎は、しきい値予想時間外でセンサ２０２からの通信を受信すること、予想信号強度のしきい値外でセンサ２０２の信号強度を検出すること、予想通りに動作を継続するための好適な温度外で環境温度を検出すること、人１０２がＣＧＭシステム１０４上で転がった（例えば、ベッドにいる）ことを検出することなどを含んでもよい。センサステータス２１８は、記載の技術の精神または範囲から逸脱することなく、センサ２０２およびＣＧＭシステム１０４に関するさまざまな態様を示してもよい。
例示的な環境および例示的なＣＧＭシステムを検討したので、次に、１つ以上の実装形態によるデジタル媒体環境におけるＣＧＭによる多状態エンゲージメントのための技法のいくつかの例示的な詳細の説明を検討する。
ＣＧＭシステムによる多状態エンゲージメント
血糖測定値を含むＣＧＭデバイスデータが異なるシステムにルーティングされ、ＣＧＭ関連サービスの提供を可能にする例示的な図示３００を描く。
血糖測定値を含むＣＧＭデバイスデータが異なるシステムにルーティングされ、ＣＧＭ関連サービスの提供を可能にする例示的な図示３００を描く。
図示の例３００は、図１から、ＣＧＭシステム１０４および計算デバイス１０８の例を含む。図示の例３００はまた、データ分析プラットフォーム１２６および記憶デバイス１２０を含み、これらは、上で論じたように、血糖測定値１１８を含むＣＧＭデータ１２２を記憶する。この例３００では、ＣＧＭシステム１０４は、ＣＧＭデバイスデータ２１４を計算デバイス１０８に送信するように描かれている。図２に関連して上で論じたように、ＣＧＭデバイスデータ２１４は、他のデータとともに血糖測定値１１８を含む。ＣＧＭシステム１０４は、さまざまな方法で、ＣＧＭデバイスデータ２１４を計算デバイス１０８に送信してもよい。
図示の例３００はまた、ＣＧＭパッケージ３０２を含む。ＣＧＭパッケージ３０２は、ＣＧＭデバイスデータ２１４（例えば、血糖測定値１１８、センサ識別２１６、およびセンサステータス２１８）、補足データ３０４、またはそれらの一部分を含んでもよい。この例３００では、ＣＧＭパッケージ３０２は、計算デバイス１０８からＣＧＭプラットフォーム１１２の記憶デバイス１２０にルーティングされて描かれている。大まかに言えば、計算デバイス１０８は、ＣＧＭデバイスデータ２１４に少なくとも部分的に基づいて補足データ３０４を生成し、捕捉データ３０４をデバイスデータ２１４と一緒にパッケージしてＣＧＭパッケージ３０２を形成し、ＣＧＭパッケージ３０２を、例えばネットワーク１１６を介して記憶デバイス１２０に記憶するためにＣＧＭプラットフォーム１１２に通信する機能性を含む。したがって、ＣＧＭパッケージ３０２は、ＣＧＭシステム１０４によって収集されたデータ（例えば、センサ２０２によって検知された血糖測定値１１８）、およびユーザの携帯電話、スマートウォッチなど、ＣＧＭシステム１０４とＣＧＭプラットフォーム１１２との間の仲介者として行動するコンピューティングデバイス１０８によって生成された補足データ３０４を含んでもよいと理解されよう。
補足データ３０４に関して、計算デバイス１０８は、ＣＧＭパッケージ３０２に含まれるＣＧＭデバイスデータ２１４を補足するためのさまざまな補足データを生成してもよい。記載の技術によれば、補足データ３０４は、ユーザのコンテキストとＣＧＭデバイスデータ２１４（例えば、血糖測定値１１８）との対応を識別できるように、ユーザのコンテキストの１つ以上の態様を記載してもよい。例として、補足データ３０４は、計算デバイス１０８とのユーザの対話を記載してもよく、例えば、特定のアプリケーションの対話（例えば、行われた選択、実行された動作）を記載するアプリケーションログから抽出されたデータを含んでもよい。補足データ３０４はまた、計算デバイス１０８の入力／出力インターフェースに関連して実行されたクリック、タップ、およびプレスを記載するクリックストリームデータを含んでもよい。別の例として、補足データ３０４は、ユーザが見ている場所を記載する注視データ（例えば、計算デバイス１０８に関連付けられたディスプレイデバイスに関して、またはユーザがデバイスから目をそらしているとき）、ユーザまたは他のユーザの可聴コマンドおよび他の話されたフレーズを記載する音声データ（例えば、ユーザを受動的に聞くことを含む）、デバイスを記載するデバイスデータ（例えば、製造、モデル、オペレーティングシステムおよびバージョン、カメラタイプ、計算デバイス１０８が実行しているアプリ）などを含んでもよい。補足データ３０４はまた、ユーザのコンテキストの他の態様、例えば、ユーザの場所、（例えば、屋外で、温度感知機能性を使用してユーザに近接する）その場所における温度、その場所における天気、ユーザの高度、気圧、ＩｏＴ１１４（例えば、ユーザが食べている食品、ユーザがスポーツ用品を使用している方式、ユーザが着用している服）を介してユーザに関連して取得されたコンテキスト情報などの環境態様などを記載してもよい。補足データ３０４はまた、例えば、歩数、心拍数、発汗、ユーザの温度（例えば、計算デバイス１０８によって検出される）などを含む、ユーザに関して検出された健康関連の態様を記載してもよい。計算デバイス１０８が、ＣＧＭシステム１０４と同じ態様のいくつかを検出するか、さもなければ測定する機能性を含み得る限り、これらの２つのソースからのデータは、例えば、精度、障害検出などのために比較されてもよい。上記に説明したタイプの補足データ３０４は例にすぎず、補足データ３０４は、本明細書に記載の技術の精神または範囲から逸脱することなく、より多くの、より少ない、または異なるタイプのデータを含んでもよい。
補足データ３０４がユーザのコンテキストをどれほどロバストに記述するかに関係なく、計算デバイス１０８は、さまざまな間隔で処理するために、ＣＧＭデバイスデータ２１４および補足データ３０４を含むＣＧＭパッケージ３０２をＣＧＭプラットフォーム１１２に通信してもよい。１つ以上の実装形態では、計算デバイス１０８は、例えば、ＣＧＭシステム１０４がＣＧＭデバイスデータ２１４を計算デバイス１０８に連続的に提供するため、実質的にリアルタイムでＣＧＭパッケージ３０２をＣＧＭプラットフォーム１１２にストリーミングしてもよい。計算デバイス１０８は、代替的または追加的に、ＣＧＭパッケージ３０２のうちの１つ以上を、所定の間隔、例えば、毎秒、３０秒ごと、毎時などで、ＣＧＭプラットフォーム１１２に通信してもよい。
図示の例３００には描かれていないが、ＣＧＭプラットフォーム１１２は、これらのＣＧＭパッケージ３０２を処理し、ＣＧＭデバイスデータ２１４および補足データ３０４のうちの少なくとも一部を記憶デバイス１２０に記憶してもよい。以下でより詳細に記載するように、記憶デバイス１２０から、このデータは、例えば、さまざまな予測を生成し、提案を提供するために、データ分析プラットフォーム１２６に提供されるか、そうでなければアクセスされてもよい。代替的または追加的に、データは、サードパーティサービスプロバイダなどのサードパーティ３０６に提供されてもよい。このようにして、サードパーティサービスプロバイダは、独自のＣＧＭシステムを製造および展開しなくても、血糖測定値１１８を使用するさまざまなサービスを提供することができる可能性がある。
図示の例３００では、血糖測定値１１８が、ＣＧＭプラットフォーム１１２の記憶デバイス１２０からネットワーク１１６を介してサードパーティ３０６の記憶デバイス３０８（または他のタイプのストレージ）に通信されるように描かれている。特に、血糖測定値１１８は、ＣＧＭプラットフォームアプリケーションプログラミングインターフェース（ＡＰＩ）３１０を介して通信されるように描かれている。このタイプのシナリオでは、ＣＧＭプラットフォームＡＰＩ ３１０は、血糖測定値１１８などのデータの「出力」と考えられてもよい。「出力」によって、データの流れが一般にＣＧＭプラットフォーム１１２からサードパーティ３０６への外向きであることを意味する。
１つ以上の実装形態では、ＣＧＭプラットフォーム１１２は、ＣＧＭプラットフォームＡＰＩ３１０を介して記憶デバイス１２０からのデータへのアクセスを提供する。データ提供のコンテキストでは、ＣＧＭプラットフォームＡＰＩ３１０は、１つ以上の「呼び出し」（例えば、データ要求のための特定のフォーマット）をサードパーティ３０６に公開してもよい。例として、ＣＧＭプラットフォームＡＰＩ３１０は、サードパーティ３０６が、例えば、ＣＧＭプラットフォーム１１２に対応するビジネスと合意した後、サードパーティ３０６への呼び出しを公開してもよく、これにより、サードパーティ３０６は、ＣＧＭプラットフォームＡＰＩ３１０を介して記憶デバイス１２０からデータを取得することが可能である。この合意の一部として、サードパーティ３０６は、ＣＧＭプラットフォーム１１２からデータを取得するために支払いを交換することに同意してもよい。代替的または追加的に、サードパーティ３０６は、ＣＧＭプラットフォーム１１２からデータを取得するために、例えば、関連付けられたデバイスを介して、それが生成するデータを交換することに同意してもよい。ＣＧＭプラットフォームＡＰＩ３１０を介してＣＧＭプラットフォーム１１２からデータ（例えば、血糖測定値１１８）を取得するための合意をする当事者は、「データパートナー」と呼ばれることがある。
大まかに言えば、ＣＧＭプラットフォームＡＰＩ３１０は、サードパーティ３０６が特定の要求フォーマットでデータ（例えば、血糖測定値１１８）を要求することを可能にし、要求が特定のフォーマットで行われる場合、ＣＧＭプラットフォームＡＰＩ３１０は、特定の応答形式で要求されたデータを提供する。言い換えれば、ＣＧＭプラットフォームＡＰＩ３１０は、サードパーティ３０６からの特定の要求フォーマットで血糖測定値１１８の要求を受信し、要求された血糖測定値１１８を記憶デバイス１２０から取得し、要求された血糖測定値１１８をフォーマットされた応答でサードパーティへ３０６に提供するように構成されている。ＣＧＭプラットフォームＡＰＩ３１０は、サードパーティ３０６が、血糖測定値１１８の１つ以上の期間（例えば、過去１０日間）、特定のユーザまたはユーザのセグメントの血糖測定値１１８、多数のユーザ（例えば、１０，０００ユーザ）の特定の期間（例えば、過去１０日間）にわたる血糖測定値１１８を要求することを可能にする呼び出しを公開してもよい。ＣＧＭプラットフォーム３１０は、記載の技術の精神または範囲から逸脱することなく、サードパーティがさまざまな方法で特定の基準を満たす血糖測定値１１８を要求することを可能にするさまざまな呼び出しを公開してもよい。動作中、ＣＧＭプラットフォームＡＰＩ３１０は、例えば、血糖測定値１１８を取得できる頻度を制限すること、血糖測定値がＣＧＭシステム１０４および計算デバイス１０８などから取得された後にグルコース測定値１１８の提供に待ち時間を導入することなど、対応する合意の条件に応じて、異なるサードパーティがどのデータにアクセスできるかを制限してもよい。
サードパーティ３０６が血糖測定値１１８を取得すると、サードパーティ３０６は、取得された血糖測定値１１８に基づいて、１つ以上のサードパーティ提案３１２を生成してもよい。例として、サードパーティ３０６は、ユーザにライフスタイルアプリケーションを提供し、血糖測定値１１８を使用して、そのようなアプリケーションを介して追跡される１つ以上のライフスタイル挙動に関連するサードパーティ提案３１２、例えば、運動を増やすための提案、運動を減らすための提案、所定の挙動（例えば、歩数、特定の食品を食べる、睡眠）を継続するための提案、特定の挙動（例えば、特定の食品を食べる、アルコールを飲む、睡眠）を減らすまたは排除するための提案などを提供してもよい。ライフスタイルアプリケーションの例は、運動アプリケーション、健康測定アプリケーション、食品追跡アプリケーション、スポーツ固有のアプリケーションなどを含む。
上記のように、サードパーティ３０６は、サードパーティ３０６が、製造および／または展開するデバイス、例えば、ウェアラブルデバイスを介するなどして、独自の追加データを生成してもよい。これを考えると、サードパーティ３０６は、血糖測定値１１８だけでなく、サードパーティ３０６が生成する追加データにも基づいて、サードパーティ提案３１２を生成してもよい。例えば、サードパーティ３０６は、取得された血糖測定値１１８およびこの追加データを、過去の血糖測定値１１８および過去の追加データを使用して訓練された１つ以上の機械学習モデルへの入力として提供してもよい。この入力に応答して、サードパーティ３０６は、１つ以上のモデルによって生成された少なくとも１つの予測を出力として取得する。サードパーティ３０６は、そのような予測をサードパーティ提案３１２の基礎として使用してもよい。サードパーティ提案３１２は、サードパーティ３０６によって出力されて示されている。これは、サードパーティ３０６が、サードパーティ提案３１２を、ネットワーク１１６を介して計算デバイス１０８または他の計算デバイス、例えば、ユーザ母集団１１０の計算デバイスにそれを通信することによって送達してもよいことを表す。次いで、サードパーティの提案３１２は、例えば、提案を表示すること、提案を音声で出力することなどによって、受信側計算デバイスによって出力されてもよい。
図示の例３００はまた、サードパーティからデータ分析プラットフォーム１２６に通信されて示されているサードパーティデータ３１４を含む。前述のように、サードパーティ３０６は、関連付けられたデバイスを製造および／または展開してもよい。追加的または代替的に、サードパーティ３０６は、対応するアプリケーションなどの他のソースを介してデータを取得してもよい。したがって、このデータは、対応するサードパーティアプリケーション、例えば、ソーシャルネットワーキングアプリケーション、ライフスタイルアプリケーションなどを介して入力されたユーザ入力データを含んでもよい。これを考えると、サードパーティ３０６によって生成されたデータは、専用データ構造、テキストファイル、ユーザのモバイルデバイスを介して取得された画像、公開フィールドまたはダイアログボックスに入力されたテキストを示すフォーマット、オプション選択を示すフォーマットなどを含むさまざまな方法で構成されてもよい。サードパーティデータ３１４は、記載の技術の精神または範囲から逸脱することなく、サードパーティによって提供される１つ以上のサービスに関連するさまざまな態様を記載してもよい。サードパーティデータ３１４は、例えば、サードパーティ３０６によって提供される特定のアプリケーションとのユーザによる使用または対話を記載するアプリケーション対話データを含んでもよい。一般に、アプリケーション対話データは、データ分析プラットフォーム１２６が、ユーザ母集団１１０のユーザによる特定のアプリケーションの使用または使用量を決定することを可能にする。このようなデータは、例えば、特定のアプリケーションとのユーザの対話を記載するアプリケーションログから抽出されたデータ、アプリケーションの入力／出力インターフェースに関連して実行されるクリック、タップ、およびプレスを記載するクリックストリームデータなどを含んでもよい。したがって、１つ以上の実装形態では、データ分析プラットフォーム１２６は、サードパーティ３０６によって生成されたか、そうでなければ取得されたサードパーティデータ３１４を受信してもよい。
図示の例３００では、サードパーティデータ３１４が、ＣＧＭプラットフォームＡＰＩ３１０を介して通信されるように描かれている。このタイプのシナリオでは、ＣＧＭプラットフォームＡＰＩ３１０は、サードパーティデータ３１４の「入力（ｉｎｇｒｅｓｓ）」と考えられてもよい。「入力」によって、データの流れが、一般にサードパーティ３０６からＣＧＭプラットフォーム１１２に内向きであることを意味する。ＣＧＭプラットフォームＡＰＩ３１０は、出力および入力データフローの両方を支援するものとして示されているが、１つ以上の実装形態では、ＣＧＭプラットフォーム１１２からのデータの出力およびＣＧＭプラットフォーム１１２へのデータの入力を可能にする機能性は、異なるＡＰＩによって処理されてもよい。例えば、入力機能性は、ＣＧＭプラットフォーム１１２のＡＰＩではなく、サードパーティ３０６に対応するＡＰＩによって処理されてもよい。とにかく、ＣＧＭプラットフォーム１１２のデータ（血糖測定値１１８および補足データ３０４）に加えて、データ分析プラットフォーム１２６は、１つ以上のシナリオでサードパーティデータ３１４を利用してもよい。
データ分析プラットフォーム１２６は、予測システム３１６および多状態エンゲージメントシステム３１８を備えて示されている。記載のシステムに従って、予測システム３１６は、少なくとも血糖測定値１１８に基づいて予測３２０を生成するように構成されている。１つ以上の実装形態では、例えば、予測システム３１６は、血糖測定値１１８と追加データの両方に基づいて予測３２０を生成し、追加データは、血糖測定値１１８に加えて、ＣＧＭデバイスデータ２１４、補足データ３０４、サードパーティデータ３１４、ＩｏＴ１１４からのデータなどの１つ以上の部分を含んでもよい。以下で説明するように、予測システム３１６は、１つ以上の機械学習モデルを使用することによって、そのような予測３２０を生成してもよい。これらのモデルは、血糖測定値１１８およびユーザ母集団１１０から取得された追加データを使用して訓練されるか、そうでなければ構築されてもよい。
１つ以上の実装形態では、予測３２０は、健康指標に対応するか、そうでなければそれを含んでもよい。本明細書で使用される場合、「健康指標」という用語は、「悪い（ｎｅｇａｔｉｖｅ）」または「良い（ｐｏｓｉｔｉｖｅ）」であり得る予測される健康状態を指してもよい。悪い健康状態の例は、例えば、ほんの数例を挙げると、前糖尿病、Ｉ型糖尿病、ＩＩ型糖尿病、ニューロパシー、アルツハイマー病、および心臓病を含む。対照的に、「良い」健康状態の例には、悪い健康状態を発症させるリスク、または体脂肪、心臓血管能力などに関連する良い健康状態を含んでもよい。場合によっては、健康指標は、予測されるＡ１Ｃなどの予測される病状を指してもよい。特に、予測３２０は、特定の期間中に収集された血糖測定値１１８および追加データに基づく。したがって、場合によっては、予測３２０は、集約されたデータに基づいて、ユーザが現在予測される健康状態を有していることを予測する。代替的に、予測される健康状態は、集約されたデータが収集される特定の期間の後に発生する期間に対応してもよい（例えば、４０か月以内のＩＩ型糖尿病の予測）。いくつかの追加のタイプの予測、およびこれらの予測を生成するために使用される特定のタイプの情報についても、以下でさらに詳細に説明する。
生成された予測３２０に基づいて、データ分析プラットフォーム１２６は、提案３２２を生成する。提案３２２は、例えば、ユーザに行動を実行すること（例えば、計算デバイス１０８にアプリケーションをダウンロードし、すぐに病院に駆け付け、インスリンを投与し、散歩に出かけ、特定の食品または飲料を消費する）、挙動を継続すること（例えば、特定の方法での食事、または特定の方法での運動を継続する）、挙動を変更することを（例えば、食習慣または運動習慣を変更する）などを指示してもよい。そのようなシナリオでは、予測３２０および／または提案３２２は、データ分析プラットフォーム１２６から通信され、計算デバイス１０８を介して出力される。図示の例３００では、予測３２０もまた、計算デバイス１０８に通信されて図示されている。予測３２０および提案３２２のいずれかまたは両方が計算デバイス１０８通信され得ることが理解されるべきである。追加的または代替的に、予測３２０および／または提案３２２は、例えば、予測３２０および／または提案３２２が計算デバイス１０８に送達されることが許可される前に、意思決定支援プラットフォームおよび／または検証プラットフォームにルーティングされてもよい。
ここで、記載の技法による、多状態エンゲージメントシステム３１８の説明に移る。大まかに言えば、多状態エンゲージメントシステム３１８は、ＣＧＭシステム、例えば、ユーザ母集団１１０のＣＧＭシステム１０４による複数の異なるエンゲージメント状態を識別するように構成されている。これらの状態は、ＣＧＭプラットフォーム１１２に関連するユーザの役割に対応してもよい。本明細書で使用される場合、「役割」は、ＣＧＭプラットフォーム１１２のどの機能がユーザにアクセス可能および／またはユーザによって使用されるかを含む、ユーザがＣＧＭプラットフォーム１１２と対話する方式を指してもよい。言い換えれば、役割は、ユーザがＣＧＭプラットフォーム１１２によって展開された特定のシステムを着用するかどうか、ＣＧＭプラットフォーム１１２によって展開された特定のアプリケーションを使用するかどうか、それらのアプリケーションの特定の機能性を使用するかどうかなどに少なくとも部分的に対応してもよい。いくつかの例示的な役割は、ほんの数例を挙げると、例えば、患者、介護者（例えば、親または保護者）、医療提供者、顧客サービス担当者、サードパーティサービス提供者、商用ユーザ（例えば、アスリート、ライフハッカーなど）、およびパフォーマンスコーチを含んでもよい。したがって、「現在の役割」は、現在の期間におけるユーザの役割に対応する。この点で、ユーザの役割は時間の経過とともに変化することがあり、その結果、ユーザは異なる時間に異なる役割を持ち、また、ユーザは１つ以上の前の役割と１つ以上の後続の役割を持ってもよい。
これらの状態はまた、ＣＧＭシステムとの１つ以上のエンゲージメントシーケンスの段階に対応してもよい。患者のコンテキストでは、エンゲージメントシーケンスは、例えば、問い合わせ段階（例えば、ユーザがＣＧＭシステム１０４に関して問い合わせるか、そうでなければ興味を示すか、または糖尿病に関連する病状に関して問い合わせる場合）、選択段階（例えば、ユーザが血糖モニタリングソリューションの中から積極的に選択している場合）、所定の段階、アクティブな使用段階（例えば、ユーザがＣＧＭプラットフォーム１１２の機能性とともにＣＧＭシステム１０４をアクティブに使用する場合）、不規則な使用段階（例えば、ユーザの活動レベルが以前のアクティブな使用レベルからいくらか低下する、および／または使用のしきい値を下回る場合）、中止された使用段階（例えば、ユーザがＣＧＭシステム１０４および／またはＣＧＭプラットフォーム１１２の使用を中止する場合）、後続のソリューション段階（例えば、ユーザがＣＧＭプラットフォーム１１２とは異なるエンティティによって展開された異なるＣＧＭシステムを使用する場合）などを含んでもよい。
以下でより詳細に説明するように、多状態エンゲージメントシステム３１８は、１つ以上の機械学習モデルを使用してそのような状態を識別してもよい。多状態エンゲージメントシステム３１８は、ＣＧＭパッケージ３０２、追加データなどのユーザ母集団１１０に関してキャプチャされたデータを使用して、これらの状態をそのようなモデルで識別してもよく、追加データは、サードパーティデータ３１４、ＩｏＴ１１４からのデータなどを含んでもよい。１つ以上の実装形態では、この追加データはまた、生理学的データ（例えば、心拍数、呼吸速度などの身体に関連するデータ）、環境データ、社会経済的データ、態度データ（例えば、ＣＧＭシステムのブランドまたは製造業者に対するユーザの認識を示すデータ）、挙動データ（例えば、ＣＧＭシステムに関するユーザの行動）、購入履歴データ（例えば、ＣＧＭシステムの構成要素のユーザ購入）、苦情データ（例えば、ＣＧＭシステムに関する悪いユーザ通信）、および支払いデータ（ＣＧＭシステムの構成要素に対するユーザ支払い）を含んでもよい。したがって、追加データは、さまざまな異なるソースから収集されたさまざまな異なるデータタイプを含んでもよいと理解されよう。さらに、追加データは、場合によっては、ユーザ母集団における複数のユーザを記述するデータ（例えば、特定の国、州、都市、または郵便番号のユーザに適用可能な社会経済データまたは環境データ）、ならびに特定のユーザにパーソナライズされたデータ（たとえば、特定のユーザの生理学的データや挙動データ）の両方を含んでもよい。
ユーザ母集団１１０を記述するこのデータから異なる状態を識別することに加えて、多状態エンゲージメントシステム３１８はまた、ユーザが患者であり、現在、ＣＧＭシステムで不規則な使用段階にいると決定するなど、これらの識別された状態のどれが所与の時間における特定のユーザに対応するかを決定するように構成されている。多状態エンゲージメントシステム３１８は、機械学習モデルへの入力としてユーザを説明するデータ（例えば、特徴ベクトル）を提供することによってそのような状態を決定し、１つ以上の状態を示すこれらのモデルから出力を受信してもよい。
多状態エンゲージメントシステム３１８は、所与の時間においてどの状態がユーザに対応するかを決定してもよいだけではなく、ユーザが状態間を遷移するとき、例えば、ユーザがアクティブな使用段階から不規則な使用段階に遷移するときを検出してもよい。どの状態がユーザに対応するかを決定すること、および／または状態間の遷移を検出することに基づいて、多状態エンゲージメントシステム３１８は、状態および／または状態変化を示す通知を生成し、所定の受信者、例えば、患者、介護者、医療提供者、介入のための顧客サービス担当者などに通知を通信することができる。決定されたユーザ状態および／または状態遷移を使用して、予測３２０または提案３２２のうちの少なくとも１つの送達をカスタマイズすることもできる。提案３２２の基礎として機能し得る１つ以上の予測を生成するコンテキストでは、図４の以下の説明を考える。
図２は、図１のＣＧＭシステム３１６の例示的な実装４００をより詳細に描いている。図３のように、予測システム３１６は、データ分析プラットフォーム１２６の一部として含まれるが、他のシナリオでは、予測システム３１６は追加的または代替的に、部分的または全体的に、コンピューティングデバイス１０８などの他のデバイスに含まれてもよい。
図示の例４００では、予測システム３１６は、統計モデル４０６および追加の機械学習モデル４０８、例えばニューラルネットワークを含むモデル４０４を管理するモデルマネージャ４０２を含む。モデル４０４は、複数の異なる統計モデル、ニューラルネットワークとして構成されている複数の機械学習モデル、および／または複数の他のタイプの機械学習モデルなど、記載の技法の精神または範囲から逸脱することなく、異なるモデルを含み得ることを理解されよう。これらの異なる機械学習モデルは、異なるデータを使用して、異なる統計モデリング手法に従って、異なるアーキテクチャを有して、異なるアルゴリズムに従うなどして、それぞれ構築もしくは訓練されてもよい（またはモデルは、それ以外の方法で学習される）。したがって、モデルマネージャ４０２の機能性の以下の説明は、さまざまな機械学習モデルに適用可能であることが理解されよう。しかしながら、説明の目的で、モデルマネージャ４０２の機能は、統計モデル４０６および追加の機械学習モデル４０８に関連して一般的に記載される。
一般に、モデルマネージャ４０２は、モデル４０４を管理するように構成されている。このモデル管理は、例えば、統計モデル４０６の構築すること、機械学習モデル４０８の構築すること、機械学習モデル４０８を訓練すること、これらのモデルを更新することなどを含む。具体的には、モデルマネージャ４０２は、ＣＧＭプラットフォーム１１２の記憶デバイス１２０に維持されている豊富なデータを少なくとも部分的に使用して、このモデル管理を実行するように構成されている。図示のように、このデータは、ユーザ母集団１１０の血糖測定値１１８および追加データ４１０を含む。別の言い方をすれば、モデルマネージャ４０２は、統計モデル４０６を構築し、機械学習モデル４０８を構築し、機械学習モデル４０８を訓練し（そうでなければ、それによって展開されるポリシーを学習し）、ユーザ母集団１１０の血糖測定値１１８および追加のユーザデータ４１０を更新する。
一般に、ＣＧＭプラットフォーム１１２は、さまざまなデバイス、センサ、アプリケーション、またはサービスからユーザ母集団の追加データ４１０を取得する。したがって、追加データは、血糖測定値１１８が検出されるＣＧＭシステム１０４とは異なる１つ以上の「ソース」から取得されてもよい。１つ以上の実装形態では、この追加データ４１０は、血糖測定値１１８（例えば、センサ識別２１６およびセンサステータス２１８データ）に加えて、ＣＧＭデバイスデータ２１４、補足データ３０４、サードパーティデータ３１４、ＩｏＴ１１４からのデータなどのうちの少なくとも１つ以上の部分を含んでもよい。
追加データ４１０は、限定ではなく例として、健康関連データ、アプリケーション対話データ、環境データ、人口統計データ、血糖測定に加えて、デバイスデータ（例えば、センサ識別データ、インシデントレポート）、計算デバイスによって追加された捕捉データ、サードパーティデータなどを含んでもよい。健康関連データは、ほんの数例を挙げると、活動データ（例えば、歩数、運動頻度、睡眠データ）、生体測定データ（例えば、インスリンレベル、ケトンレベル、心拍数、温度、ストレス、温度）、栄養データ（例えば、飲食ログ、スキャンされたレストランの領収書、炭水化物消費量、絶食）、医療記録（Ａ１Ｃ、コレステロール、心電図の結果、他の医療検査や病歴に関連するデータなど）を含んでもよい。アプリケーション対話データは、特定のアプリケーションとのユーザ対話を記載するアプリケーションログから抽出されたデータ、計算デバイスの入力／出力インターフェースに関連して実行されるクリック、タップ、およびプレスを記載するクリックストリームデータ、ユーザが見ている場所を記載する注視データ（例えば、計算デバイスに関連付けられたディスプレイデバイスに関連して、またはユーザがデバイスから目をそらしているとき）、ユーザまたは他のユーザの可聴コマンドおよび他の話されたフレーズを記載する音声データ（例えば、ユーザが受動的ｆに聞くことを含む）などを含んでもよい。環境データは、例えば、ユーザの位置、ユーザの位置の温度および／または天気、ユーザの高度、気圧など、ユーザに関連付けられたさまざまな環境的態様を記載するデータを含んでもよい。人口統計データは、例えば、年齢、性別、身長、体重など、ユーザを説明するデータを含んでもよい。上記に説明したタイプの追加データは単なる例であり、追加データには、本明細書に記載の技法の精神または範囲から逸脱することなく、より多くの、より少ない、または異なるタイプのデータを含んでもよい。
従来のシステムとは異なり、ＣＧＭプラットフォーム１１２は、ユーザ母集団１１０の数十万人のユーザ（例えば、５００，０００以上）についてＣＧＭシステム１０４を使用して取得された血糖測定値１１８を（例えば、記憶デバイス１２０に）記憶するか、そうでなければアクセスを有する。さらに、これらの測定値は、ＣＧＭシステム１０４のセンサによって連続的な速度で取られる。結果として、血統測定値１１８は、数百万、あるいは数十億のモデル構築および訓練数のためにモデルマネージャ４０２に利用可能である。このような堅牢な量のデータで、モデルマネージャ４０２はモデル４０４を構築および訓練して、血糖レベルに対するさまざまな挙動の実際の影響を正確に模倣することができる。ＣＧＭプラットフォーム１１２の血糖測定値１１８の堅牢性がなければ、従来のシステムは単にモデルを構築または訓練して、さまざまな挙動が血糖値にどのように影響するかを好適に表す方式で状態空間をカバーすることができない。これらの状態空間を適切にカバーできないと、不正確な血糖予測または他の健康指標の予測をもたらす可能性があり、死を引き起こす可能性のある危険な行動または挙動を提案することにつながる可能性がある。不正確な予測を生成することの重要性を考えると、まれなイベントに対して堅牢な量の血糖測定値１１８を使用してモデル４０４を構築することが重要である。
１つ以上の実装形態では、モデルマネージャ４０２は、血糖測定値１１８および追加データ４１０から少なくとも１つの属性に対応する観測値を抽出することによって統計モデル４０６を構築する。構築されると、統計モデル４０６は、この少なくとも１つの属性の値を予測し、それらを出力するように構成されており、少なくとも１つの属性の値は、モデルへの入力として機能しない。例えば、統計モデル４０６が回帰モデルであるシナリオでは、これらの値は、統計モデル４０６の１つ以上の従属変数に対応し得る。これらの属性の値（統計モデル４０６の従属変数に対応する）は、以下の説明では第１の値セットと呼ばれることがある。また、モデルマネージャ４０２は、血糖測定値１１８および追加データ４１０から少なくとも１つの他の属性に対応する観測値を抽出する。構築されると、この少なくとも１つの他の属性の値は、例えば、そのような値のベクトルとして、統計モデル４０６への入力として機能するものである。統計モデル４０６が回帰モデルであるシナリオでは、少なくとも１つの他の属性は、１つ以上の説明的（または独立）変数に対応してもよい。これらの独立変数の抽出された値は、以下の説明では第２の値セットと呼ばれることがある。
第１の値セットおよび第２の値セットを考えると、モデルマネージャ４０２は、これらの値を方程式に「フィッティング」させるための１つ以上の既知のアプローチを使用して、いくつかの許容範囲内で第２の値セットから第１の値セットを生成するようにする。このようなフィッティングアプローチの例は、最小二乗アプローチを使用すること、最小絶対偏差回帰を使用すること、最小二乗コスト関数のペナルティ付きバージョンを最小化すること（リッジ回帰やラッソなど）などを含む。「フィッティング」により、モデルマネージャ４０２が、１つ以上のアプローチおよびこれらのデータセットを使用して、方程式のモデルパラメータを推定することを意味する。推定されるパラメータは、例えば、動作中に値が統計モデル４０６に入力されるときに独立変数の値に適用される重みを含む。モデルマネージャ４０２は、観測値から推定されたこれらのパラメータを方程式に組み込んで、統計モデル４０６を生成する。動作中、予測システム３１６は、独立変数の値を統計モデル４０６に（例えば、１つ以上のベクトルまたは行列として）入力し、統計モデル４０６は、推定された重みをこれらの入力値に適用し、次いで、１つ以上の従属変数に対する値を出力する。この出力は、予測３２０として表される。
１つの統計モデル構築シナリオでは、モデルマネージャ４０２は、特定のタイムスタンプの前のタイムスタンプを有するユーザ母集団１１０の血糖測定値１１８を使用し、また、対応する追加データ４１０（例えば、血糖測定値１１８に対応し、血統測定値１１８に対応するユーザに関連付けられたタイムスタンプを有する）も統計モデル４０６に対する独立変数の値として使用する。このシナリオでは、モデルマネージャ４０２は、統計モデル４０６の従属変数の値として、特定のタイムスタンプの後のタイムスタンプを有するユーザ母集団１１０の血糖測定値１１８を使用してもよい。ここで、モデルマネージャ４０２は、タイムスタンプ前後のデータに方程式をフィッティングさせるために１つ以上の既知のアプローチを使用する。そうすることで、モデルマネージャ４０２は、タイムスタンプ前のデータ値を入力することによって、タイムスタンプ後の血糖測定値１１８（またはそれらの測定値のいくらかの許容範囲内の値）が出力されるように、方程式のパラメータを推定する。
次いで、モデルマネージャ４０２は、推定されたパラメータを方程式に組み込み、統計モデル４０６が推定されたパラメータを方程式とともに保持するように、この組み込みを統計モデル４０６として持続させる。このようにして、モデルマネージャ４０２は、特定の時間前の入力血糖測定値および対応する追加データを受信するときに、特定の時間後の血糖測定値の予測３２０を生成することが可能な統計モデル４０６を構築する。したがって、動作中およびこのシナリオに継続して、予測システム３１６は、特定の時間（例えば、現在の時間）の前の人１０２の血糖測定値１１８のサブセットを、統計モデル４０６を訓練するために使用される独立変数に対応する人１０２の追加データとともに取得してもよい。次いで、予測システム３１６は、人１０２のこのデータを入力として統計モデル４０６に提供してもよい。継続シナリオでは、統計モデル４０６は、特定の時間、例えば、現在の時間の後の人１０２の血糖測定値として予測３２０を生成する。
特定の時間（例えば、現在の時間）後の血糖測定値の予測は、統計モデル４０６の構築および実際の使用に関連して説明されるが、モデルマネージャ４０２は、観察された血糖測定値１１８および追加データ４１０におけるパターンとは異なる態様を予測する統計モデル４０６を構築してもよい。例として、モデルマネージャ４０２は、ある期間にわたって人１０２の健康指標を維持するなどして、人１０２の健康指標の上昇または下降傾向を予測する統計モデル４０６を構築してもよい。つまり、ユーザ母集団１１０の血糖測定値１１８および追加データ４１０を使用して、これらの健康指標およびユーザ母集団１１０間の傾向との相関を保持するモデルを構築する。
ここで、記載の技法に従って、（例えば、ニューラルネットワークとして構成されている）追加の機械学習モデル４０８の説明に戻る。統計モデル４０６と同様の方法で、モデルマネージャ４０２は、少なくとも１つの属性に対応する第１の観測値セットおよび少なくとも１つの他の属性に対応する第２の値セット、すなわち、ユーザ母集団１１０の血統測定値１１９および追加データ４１０から抽出された両方のセットを抽出する。モデルマネージャ４０２は、これらの値セットを使用して、機械学習モデル４０８を訓練するか、またはその予測について機械学習モデル４０８にフィードバックを提供して、それが予測を生成するためのポリシーを学習するようにする。
また、統計モデル４０６と同様に、追加の機械学習モデル４０８が訓練されるか、または展開するための少なくとも初期ポリシーを学習すると、機械学習モデル４０８は、第１のセットに対応する少なくとも１つの属性の値を予測し、それらの値を出力するように構成されている。さらに、機械学習モデル４０８は、少なくとも初期ポリシーを展開するために訓練または使用されると、入力として、例えば、そのような値のベクトルとして、第２の値セットの少なくとも１つの他の属性の値を受信するように構成されている。したがって、機械学習モデル４０８がニューラルネットワークであるシナリオでは、例えば、動作中の機械学習モデル４０８は、少なくとも１つの他の属性の値を表す１つ以上のベクトル（例えば、特徴ベクトル）を入力として受信してもよい。そのようなシナリオでは、動作中の機械学習モデル４０８はまた、少なくとも１つの属性の値を表す１つ以上のベクトル（例えば、特徴ベクトル）を出力してもよい。
訓練のコンテキストでは、モデルマネージャ４０２は、機械学習モデル４０８への入力として第２の値セットからのデータのインスタンスを提供することによって、機械学習モデル４０８を訓練してもよい。これに応答して、機械学習モデルは、予測３２０、例えば、第１のセットに対応する少なくとも１つの属性の値の予測を生成する。モデルマネージャ４０２は、出力として機械学習モデル４０８からこの訓練予測を取得し、訓練予測を、データ入力のインスタンスに対応する実際に抽出された第１の値セットと比較する。例として、モデルマネージャ４０２は、コスト関数を使用して、訓練予測を実際に抽出された値と比較する。この比較に基づいて、モデルマネージャ４０２は、機械学習モデル４０８の内部重みを調整して、データのインスタンスが将来入力として提供されるときに、機械学習モデルが実際に抽出された値を実質的に再現できるようにする。
観測データのインスタンスを機械学習モデル４０８に入力し、機械学習モデル４０８から訓練予測を受信し、（例えば、コスト関数を使用して）訓練予測を入力インスタンスに対応する期待される出力値（観測値）と比較し、これらの比較に基づいて機械学習モデル４０８の内部重みを調整するこのプロセスは、数百、数千、さらには数百万にわたって、すなわち反復ごとに訓練データのインスタンスを使用して反復することができる。
モデルマネージャ４０２は、機械学習モデル４０８が、期待される出力に一貫して実質的に一致する、例えば、第１のデータセットの観測値に実質的に一致する予測３２０を生成できるまで、そのような反復を実行してもよい。期待される出力に実質的に一致する予測を一貫して生成する機械学習モデルの能力は、「収束」と呼ばれることがある。これを考えると、モデルマネージャ４０２は、機械学習モデル４０８を、解に「収束」するまで訓練する。例えば、モデルの内部重みが、訓練の反復によって好適に調整され、モデルが期待される出力に実質的に一致する予測を生成するようにする。
これは、機械学習モデル４０８およびそれがどのように訓練されるかの１つの追加の例にすぎないと理解されるべきである。実際、機械学習モデルは、さまざまなパラダイム（例えば、教師あり学習、教師なし学習、強化学習など）に従って構成され、記載の技法の精神や範囲から逸脱することなく、さまざまなアプローチを使用して訓練されてもよい。例として、機械学習モデル４０８は、最初に、ユーザ母集団の血糖測定値１１８および追加データ４１０について訓練されてもよく、次いで、訓練は、人１０２の血糖測定値１１８および追加データ４１０からの訓練インスタンスを使用してさらに更新されて、例えば、機械学習モデル４０８のさまざまなパラメータをさらに調整してもよい。
とにかく、機械学習モデル４０８が、ユーザ母集団１１０の血糖測定値１１８および追加データ４１０を少なくとも部分的に使用して訓練されると、機械学習モデル４０８は、動作中に、人１０２に対応するユーザの予測３２０を生成するために使用されてもよい。上記に説明した統計モデル構築シナリオおよび使用と類似しているが、統計モデル４０６を利用する代わりに、機械学習モデル４０８を利用する以下の実装形態の例を考える。
この機械学習の例では、モデルマネージャ４０２は、特定のタイムスタンプの前のタイムスタンプを有するユーザ母集団１１０の血糖測定値１１８を使用し、また対応する追加データ４１０（例えば、血糖測定値１１８に対応し、血糖測定値に対応するユーザに関連付けられたタイムスタンプを有する）も機械学習モデル４０８への訓練入力として使用する。このシナリオでは、モデルマネージャ４０２は、機械学習モデル４０８の期待される出力（ターゲットまたはラベル）として特定のタイムスタンプの後のタイムスタンプを有するユーザ母集団１１０の血糖測定値１１８を使用してもよい。ここで、モデルマネージャ４０２は、入力としてタイムスタンプ前のデータが与えられてタイムスタンプ後のデータを予測するモデルのパラメータを調整するために１つ以上の既知のアプローチを使用する。これらのアプローチの例は、最急降下法、確率的勾配降下法などの教師あり学習アプローチを含む。もっとも、記載の技法の精神または範囲から逸脱することなく、他のアプローチが使用されてもよい。
これらのアプローチを使用することにより、モデルマネージャ４０２は、タイムスタンプ前のデータ値を入力することによって、タイムスタンプ後の血糖測定値１１８（またはそれらの測定値のいくらかの許容範囲内の値）が出力されるように、機械学習モデル４０８の内部重みを調整する。さらに、機械学習モデル４０８は、例えば、モデルの特定のノードに関連して、これらの内部重みを保持する。このようにして、モデルマネージャ４０２は、特定の時間前の入力血糖測定値および対応する追加データを受信するときに、特定の時間後の血糖測定値の予測３２０を生成することが可能な機械学習モデル４０８を構築する。
したがって、動作中およびこのシナリオに継続して、予測システム３１６は、特定の時間（例えば、現在の時間）の前の人１０２の血糖測定値１１８のサブセットを、機械学習モデル４０８を訓練するために使用される入力データに対応する人１０２の追加データとともに取得してもよい。次いで、予測システム３１６は、人１０２のこのデータを入力として機械学習モデル４０８に提供してもよい。継続シナリオでは、機械学習モデル４０８は、特定の時間、例えば、現在の時間の後の人１０２の血糖測定値として予測３２０を生成する。１つ以上の実装形態では、機械学習モデル４０８は、この予測をベクトルの形態で出力する。
特定の時間（例えば、現在の時間）後の血糖測定値の予測は、機械学習モデル４０８を訓練および実際に使用することに関連して説明されるが、モデルマネージャ４０２は、観測された血糖測定値１１８および追加データ４１０におけるパターンとは異なる態様を予測する機械学習モデル４０８を構築してもよい。例として、モデルマネージャ４０２は、ある期間にわたって人１０２の健康指標を維持するなどして、人１０２の健康指標の上昇または下降傾向を予測する機械学習モデル４０８を構築してもよい。つまり、ユーザ母集団１１０の血糖測定値１１８および追加データ４１０を使用して、これらの健康指標およびユーザ母集団１１０間の傾向との相関を保持するモデルを構築する。部分的には、大量の訓練データで機械学習モデル４０８を訓練するため、機械学習モデル４０８は、データ内の潜在的な特徴の捕捉が可能であり、これは、データ内の隠れた関係や偽の相関関係が含むことがあるが、人間の分析家が、関係にランダムに発生する不在を明らかにすることは事実上不可能である。
統計モデル４０６、追加の機械学習モデル４０８、または統計および／または追加の機械学習モデルの何らかの組み合わせ（アンサンブル）が予測３２０を生成するために使用されるかどうかに関係なく、それは提案システム４１２によって取得され得る。提案システム４１２は、予測３２０に基づいて提案３２２を生成するように構成されている。提案システム４１２は、予測に従って提案３２２を構成する論理を使用して実装するか、そうでなければアクセスを有してもよい。例として、予測３２０が人１０２の良い健康傾向を示す場合（例えば、彼女のＡ１Ｃがより低い）、提案システム４１２は、さまざまな行動を継続することを提案する提案３２２を生成することができる。
提案３２２を生成する提案システム４１２によって使用される論理は、入力として予測３２０を受信することに基づいて提案を構成するための１つ以上の追加の機械学習モデルに手動でコーディングされたヒューリスティックなど、記載の技法の精神または範囲から逸脱することなく、複雑性を変えてもよい。モデル４０４および提案システム４１２によってそれぞれ生成され得る予測および提案のタイプのさらなる実装形態例が、以下でさらに詳細に説明される。ここで、記載の技法に従った検証サービスおよび意思決定支援プラットフォームに関連する図５の以下の説明を考える。
図５は、データ分析プラットフォームによって生成された予測または提案の少なくとも１つが検証サービスまたは意思決定支援プラットフォームの少なくとも１つにルーティングされる実装の例５００を描いている。
図示の例５００は、計算デバイス１０８および予測システム３１６を有するデータ分析プラットフォーム１２６を含む。この例５００では、データ分析プラットフォームは、予測３２０および提案３２２を通信するように描かれている。ここで、提案３２２は、計算デバイス１０８のユーザ、例えば、人１０２に関連する。例として、予測３２０は、人に関する情報（例えば、次の期間にわたる予測される血糖レベル、次の期間にわたる予測される健康傾向など）を含み、提案３２２は、ユーザを対象とする１つ以上の提案（例えば、実行または排除する１つ以上の行動、採用または排除する挙動など）。
図３の図示の実施例３００とは対照的に、図示の実施例５００は、データ分析プラットフォーム１２６と計算デバイス１０８との間の仲介者として、検証サービス５０２および意思決定支援プラットフォーム５０４を含む。したがって、予測３２０および／または提案３２２は、検証サービス５０２または意思決定支援プラットフォーム５０４の一方または両方にルーティングされてもよい。検証サービス５０２および意思決定支援プラットフォーム５０４は図３には描かれていないが、図３に関連して説明したシナリオで生成された予測３２０および提案３２２もまた、検証サービス５０２および／または意思決定支援プラットフォーム５０４を介してルーティングされてもよいと理解するべきである。
記載の技術に従って、検証サービス５０２は、提案３２２を有効化するように構成されている。これは、提案が有効（例えば、安全）であり、意思決定支援プラットフォーム５０４に、および／または計算デバイス１０８に直接通信することができるかどうかを決定することを意味する。検証サービス５０２は、提案を有効化する権限を与えられたものとして検証サービス５０２によって許可されたユーザ、例えば、臨床医に提案３２２を公開してもよい。例として、検証サービス５０２は、提案３２２を臨床医に電子メールで送信し、臨床医ポータル（例えば、臨床医が複数の提案を検討し、それらを有効化できるかどうかにかかわらず）を通じて提案３２２を提供し、モバイルデバイスの画面上に提案３２２の通知を提供してもよい。すなわち、ほんの数例を挙げると、臨床医が単なるジェスチャーで追加情報を承認、拒否、または取得することを可能にする。検証サービス５０２は、本明細書に記載の技術の精神または範囲から逸脱することなく、さまざまな方法で提案を有効化することを許可されているユーザ（例えば、臨床医）に提案を表面化されてもよい。
（例えば、臨床医または検証サービス５０２の論理によって）有効化されている提案に応答して、提案は、さらに意思決定支援プラットフォーム５０４に、または直接計算デバイス１０８にルーティングされてもよい。提案が有効化されない（すなわち、拒否される）ときに、提案は、さらに意思決定支援プラットフォーム５０４に、または計算デバイス１０８にルーティングされなくてもよい。代わりに、検証サービス５０２は、（例えば、臨床医の入力に従って）提案を修正し、および／または提案が有効化されなかったことをデータ分析プラットフォーム１２６に戻すように通知を提供してもよい。このシナリオでは、データ分析プラットフォーム１２６は、予測システムへの入力として有効化されなかった表示を追加し、異なる予測３２０および／または提案３２２の生成を開始することが可能であってもよい。
実際、モデル４０４は、検証サービス５０２から受信した有効化および有効化さないことに基づいて更新されてもよい。検証サービス５０２が提案３２２を有効化し、その結果、提案３２２が計算デバイス１０８に直接転送されることを可能にするシナリオでは、計算デバイス１０８は、上記および下記に記載のように、ディスプレイデバイス、オーディオデバイス（例えば、スピーカー、ヘッドホン、イヤホン）、触覚フィードバックなどを介して、提案３２２を出力してもよい。提案を有効化することを許可されたユーザ（例えば、臨床医）に対して、検証サービス５０２によって提案がどのように表面化され得るかの例は、図１３に関連して以下でより詳細に説明される。
前述のように、提案３２０および／または提案３２２は、検証サービス５０２によって意思決定支援プラットフォーム５０４に通信されてもよいし、代替的には、検証サービス５０２をバイパスして、データ分析プラットフォーム１２６から直接意思決定支援プラットフォーム５０４に通信されてもよい。意思決定支援プラットフォーム５０４は、１つ以上の健康状態、例えば、糖尿病を管理するためのＣＧＭプラットフォーム１１２のユーザに支援を提供するように構成されている。提案３２２の受信に応答して、例えば、意思決定支援プラットフォーム５０４は、例えば、電子メール、支援スペシャリストポータルなどを介して、顧客支援スペシャリストに提案を提供してもよい。
提案３２２に基づいて、かつ対応するユーザに関してアクセス可能な他の情報に基づいて、顧客サービススペシャリストが、ユーザをどのように支援するかを決定してもよい。例として、顧客サービススペシャリストは、電話中に音声支援を提供するためにユーザに電話をかける、（例えば、支援スペシャリストポータルを介して）ユーザに送信する１つ以上の事前構成されたメッセージ（例えば、テキストメッセージ、携帯電話通知、電子メールメッセージなど）を選択する、事前構成されたメッセージ構成要素からユーザに送信する１つ以上のメッセージを構築する、単に提案３２２を計算デバイス１０８に転送する、ユーザに関連付けられた臨床医または他の医療専門家に連絡する、緊急サービスに連絡する、ユーザの介護者または他の保護者（親など）へ連絡するなどを決定してもよい。意思決定支援プラットフォーム５０４は、記載の技法の精神または範囲から逸脱することなく、さまざまな方法で、予測３２０および提案３２２に基づいて、ユーザの健康状態の管理を支援するためのツール、コンテンツ、およびサービスを提供してもよい。
図６は、多状態エンゲージメントシステム３１８の例示的な実装形態６００をより詳細に描いている。図３のように、多状態エンゲージメントシステム３１８は、データ分析プラットフォーム１２６の一部として含まれるが、他のシナリオでは、多状態エンゲージメントシステム３１８は追加的または代替的に、部分的または全体的に、コンピューティングデバイス１０８などの他のデバイスに含まれてもよい。
図示の例６００では、多状態エンゲージメントシステム３１８は、エンゲージメント状態モデルマネージャ６０２およびエンゲージメント状態モデル６０４を含み、これらは、さまざまな機械学習モデル、ほんの数例を挙げると、例えば、分類器、オートエンコーダ、ニューラルネットワーク、決定木、ロジスティック回帰モデル、マルコフモデル、強化学習モデルのうちの１つ以上を含んでもよい。これらの様々な機械学習モデルおよび／またはさまざまな機械学習モデルのアンサンブルは、異なるデータを使用して、異なる統計モデリング手法に従って、異なるアーキテクチャを有して、異なるアルゴリズムに従うなどして、構築もしくは訓練されてもよい（またはモデルは、それ以外の方法で学習される）。したがって、エンゲージメント状態モデルマネージャ６０２の機能性の以下の説明は、さまざまな機械学習モデルに適用可能であることが理解されよう。
一般に、エンゲージメント状態モデルマネージャ６０２は、モデル６０４を管理するように構成されている。このモデル管理は、例えば、１つ以上のモデル（例えば、ニューラルネットワーク）を訓練することによってエンゲージメント状態モデル６０４を生成すること、１つ以上のモデルにデータを提供して、それらが異なる状態を示すデータにおけるパターンを識別することを可能にすること、異なる状態を識別するための初期ポリシーを展開すること、次いで、１つ以上のモデル（例えば、強化学習モデル）の出力に関するフィードバックを受信するとポリシーを更新すること、これらのモデルを更新することなどを含む。具体的には、エンゲージメント状態モデルマネージャ６０２は、ＣＧＭプラットフォーム１１２の記憶デバイス１２０に維持されている豊富なデータを少なくとも部分的に使用して、このモデル管理を実行するように構成されている。図示のように、このデータは、ユーザ母集団１１０のＣＧＭパッケージ３０２（またはそれらの少なくとも一部分）および追加データ６０６を含む。別の言い方をすれば、エンゲージメント状態モデルマネージャ６０２は、エンゲージメント状態モデル６０４を構築し、エンゲージメント状態モデル６０４を訓練し（そうでなければ複数の異なるエンゲージメント状態を示すデータパターンを学習し）、ユーザ母集団１１０のＣＧＭパッケージ３０２および追加データ６０６を使用してこれらのモデルを更新する。追加データ６０６は、１つ以上の実装形態における追加データ５１０に対応し得ると理解されよう。代替的には、追加データ６０６は、追加データ５１０によって記述されたものとは完全にまたは部分的に異なるユーザ母集団１１０の態様を記述してもよい。
追加データ４１０と同様の方法で、ＣＧＭプラットフォームは、さまざまなデバイス、センサ、アプリケーション、またはサービスからユーザ母集団１１０の追加データ６０６を取得する。それゆえ、追加データ６０６は、ＣＧＭパッケージ３０２とは異なる１つ以上の「ソース」から取得されてもよい。この追加データ６０６は、限定ではなく例として、購入履歴データ（例えば、ＣＧＭシステム１０４、その一部分（例えば、使い捨てセンサーアプリケーションアセンブリ）、および／またはＣＧＭプラットフォーム１１２によって提供されるサービスの購入を記述する）、苦情データ、顧客サービスデータ（例えば、ユーザが顧客サービス担当者によるユーザへの連絡の試みに応答したかどうかなどの顧客サービス担当者とのユーザ対話を記述する）、生理学的データ、社会経済的データ、態度データ、挙動データ、購入履歴、苦情データ、および支払いデータを含んでもよい。
追加データ６０６はまた、例えば、健康状態に関連する検索問い合わせ（例えば、「排尿」、「高血糖」、「糖尿病」、「喉が乾いた」、血糖モニタリングシステムの名前などの検索問い合わせ）を記述するデータ、健康または糖尿病関連のウェブサイトへのナビゲーションを記述するデータ、健康関連のモバイルアプリケーションとの対話を記述するデータ、１つ以上のソーシャルネットワークでの健康関連のプロファイルとのソーシャルネットワーキングの対話（例えば、フォローするユーザ、ハッシュタグ、投稿のいいね、コメント）を記述するデータ、１つ以上のソーシャルネットワークでの健康関連のソーシャルネットワークの対話（例えば、投稿またはコメント）を記述するデータなど、ユーザ母集団１１０の健康関連のオンライン活動を記述するデータを含んでもよい。
従来のシステムとは異なり、ＣＧＭプラットフォーム１１２は、ユーザ母集団１１０の数十万人のユーザ（例えば、５００，０００以上）についてＣＧＭパッケージ３０２を（例えば、記憶デバイス１２０に）記憶するか、そうでなければそれに対するアクセスを有する。さらに、ＣＧＭパッケージ３０２に含まれるＣＧＭ測定値１１８は、ＣＧＭシステムのセンサによって連続的な速度で取られる。その結果、機械学習モデルを構築および訓練するためにエンゲージメント状態モデルマネージャ６０２に利用可能な、血糖測定値１１８、およびこれらの測定値を記述するデータ（例えば、ＣＧＭパッケージ３０２）は、数百万、さらには数十億のデータポイントになる。そのような堅牢な量のデータにより、モデルマネージャ４０２は、エンゲージメント状態モデル６０４を構築および訓練して、ＣＧＭシステム１０４およびＣＧＭプラットフォーム１１２でユーザ母集団１１０による複数の異なるエンゲージメント状態を正確に識別することができる。
ＣＧＭプラットフォーム１１２の血糖測定値１１８の堅牢性、およびこれらの測定値の特性およびＣＧＭパッケージ３０２のＣＧＭプラットフォーム１１２による受信を記述するデータがないため、従来のシステムでは、ユーザが実世界においてＣＧＭシステム１０４およびＣＧＭプラットフォーム１１２と実際にはどのようにエンゲージしているかを好適に表す方式で状態空間をカバーするモデルを構築または訓練することができない。これらの状態空間を好適にカバーできないと、ＣＧＭシステム１０４およびＣＧＭプラットフォーム１１２でユーザの使用状態が不正確になる予測をもたらす可能性があり、これは、ＣＧＭシステム１０４での潜在的に危険な状態を防ぐか、またはＣＧＭシステム１０４とＣＧＭプラットフォーム１１２の中止される使用を防ぐには遅すぎる（または決して実施されない）介入につながる可能性がある。ユーザが実際にＣＧＭシステム１０４とどのように対話するかを示す状態を不正確に識別する重要性を考えると、データにおける疑似相関または隠れた関係のパターンをキャプチャするのに十分に堅牢な量のＣＧＭパッケージ３０２を使用してエンゲージメント状態モデル６０４を構築することが重要である。
大まかに言えば、エンゲージメント状態モデルマネージャ６０２は、ＣＧＭパッケージ３０２および追加データ６０６を使用してエンゲージメント状態モデル６０４を生成する。エンゲージメント状態モデルマネージャ６０２は、動作中のエンゲージメント状態モデル６０４が、所与の時間に個々のユーザ（例えば、人１０２）が対応する１つ以上の状態を識別する状態情報６０８を生成および出力するように、様々な方法でそのようにしてもよい。例として、エンゲージメント状態モデルマネージャ６０２は、教師ありおよび／または教師なし学習アプローチを使用して、エンゲージメント状態モデル６０４を生成してもよい。
教師あり学習アプローチでは、例えば、エンゲージメント状態モデルマネージャ６０２は、ユーザ母集団のＣＧＭパッケージ３０２および追加データ６０６から訓練インスタンスを生成してもよい。これらのインスタンスの各々は、状態を示す１つ以上のラベルに関連付けられてもよく、所与のラベルは、データに共通のパターンを有するインスタンスに関連付けられる。ＣＧＭパッケージ３０２がユーザのために受信されているが、受信された量または受信の頻度が時間の経過とともに、あるしきい値未満である場合、例えば、それぞれの訓練インスタンスは「不規則な使用」ラベルに関連付けられてもよい。そのようなシナリオでは、エンゲージメント状態モデルマネージャ６０２は、エンゲージメント状態モデル６０４をインスタンスのデータに公開し、訓練中に出力された状態情報６０８を、（例えば、コスト関数または他の教師あり学習アルゴリズムを使用して）訓練インスタンスの各々に関連付けられたラベルと比較し、この例では、出力される状態情報６０８は、訓練インスタンスのデータが各利用可能なラベルに対応する確率に対応してもよい。次いで、エンゲージメント状態モデルマネージャ６０２は、比較に基づいて、例えば、コスト関数または他の教師あり学習アルゴリズムに従って、エンゲージメント状態モデル６０４の内部重みを調整する。
代替的または追加的に、訓練インスタンスは、特定の状態に対応する観察された挙動（例えば、ＣＧＭシステム１０４の中止された使用）に基づいて形成されてもよく、その結果、その挙動を記述するデータは、ＣＧＭパッケージ３０２および追加のデータ６０６から抽出され、また、他の観察された挙動を記述するデータ（例えば、観察された行動の前の時間内に発生する）が、ＣＧＭパッケージ３０２および追加のデータ６０６から抽出される。ここで、エンゲージメント状態モデルマネージャ６０２は、エンゲージメント状態モデル６０４を、他の観察された挙動を説明するデータを含むインスタンスに公開し、（例えば、コスト関数または他の教師あり学習アルゴリズムを使用して）訓練中に出力された状態情報６０８をそれぞれのインスタンスの観察された挙動を説明するデータと比較する。この例における出力状態情報６０８は、訓練インスタンスに関連付けられたユーザが一定時間内にＣＧＭシステム１０４の使用を中止する確率に対応してもよい。次いで、エンゲージメント状態モデルマネージャ６０２は、比較に基づいて、エンゲージメント状態モデル６０４の内部重みを調整する。教師あり学習のこれらの２つの例が記載されているが、エンゲージメント状態モデルマネージャ６０２は、エンゲージメント状態モデル６０４を生成するためにさまざまな教師あり学習技法を使用して、それらが、記載の技法の精神または範囲から逸脱することなく、ＣＧＭシステム１０４およびＣＧＭプラットフォーム１１２との複数の異なるエンゲージメント状態を識別することができるようにする。
教師なしアプローチでは、エンゲージメント状態モデルマネージャ６０２は、ユーザ母集団１１０のＣＧＭパッケージ３０２および追加データ６０６から訓練インスタンスを生成する。例として、エンゲージメント状態モデルマネージャ６０２は、ユーザ母集団１１０のＣＧＭパッケージ３０２および追加データ６０６からいくつかの特徴ベクトルを生成し、各特徴ベクトルは、ユーザ母集団１１０のユーザに対応する。ここで、特徴は、ＣＧＭパッケージ３０２および追加データ６０６によって記述される態様を表す。特定のモデルに対する訓練データの各インスタンスは、データの同じ態様セット（例えば、機能）を表すように構成されているが、あるインスタンスの特定の態様の値は、その態様が第１および第２のユーザのＣＧＭデータパッケージ３０２５および追加データ６０６によってどのように記述されるかに応じて、別のインスタンスにおける所与の態様の値から変わってもよい。
そのような教師なしアプローチでは、エンゲージメント状態モデルマネージャ６０２は、次いで、生成された訓練インスタンスをエンゲージメント状態モデル６０４に公開する。教師なしアプローチによる訓練中、エンゲージメント状態モデル６０４は、それぞれのアルゴリズムに従って、訓練インスタンス間の複数の異なる状態を示すパターンを識別する（例えば、インスタンスをグループ化するか、そうでなければセグメント化することによって）。別の言い方をすれば、教師なし学習モデルは、それが実装されているアルゴリズムにより、データから基礎となるモデルを学習し、基礎となるモデルを使用して、データにおいて観察されたパターンに基づいて訓練インスタンスをセグメント化する。いくつかの例示的な教師なし学習アプローチは、ほんの数例を挙げると、例えば、クラスタリング（ｋ－ｍｅａｎｓなど）、異常検出、ニューラルネットワーク（例えば、オートエンコーダ、ヘッブの学習、敵対的生成ネットワークなど）を含む。
動作中、教師あり、教師なし、または強化モデルとして構成されているかどうかにかかわらず、エンゲージメント状態モデル６０４は、入力として、人１０２のＣＧＭパッケージ３０２および追加データ６０６から導出されたデータを受信し、入力されたデータに基づいて１つ以上の状態のどれが人１０２に対応するかを識別し、識別された状態を示す状態情報６０８を出力する。例として、状態情報６０８は、人１０２が異なる状態に対応する確率（例えば、人１０２がアクティブな使用段階にいる第１の確率、人１０２が不規則な使用段階にいる第２の確率、人１０２が中止された使用段階にいる第３の確率など）、他の挙動を引き起こす可能性が高い挙動の表示（例えば、人１０２がＣＧＭシステム１０４の中止された使用を引き起こす可能性が高い挙動の表示）、人１０２が状態間を遷移している、または遷移したことの表示など、１つ以上の識別された状態を表す１つ以上のラベルとして構成されてもよい。１つ以上の実装形態では、状態情報６０８は、対応するマルコフモデルの性能を視覚的に伝達するマルコフ行列を含んでもよい。状態情報６０８は、記載の技術の精神または範囲から逸脱することなく、ＣＧＭシステム１０４との複数の異なるエンゲージメント状態に関する様々な態様を記述してもよいと理解されよう。
以下でより詳細に説明されるように、この状態情報６０８は、ＣＧＭプラットフォーム１１２のユーザとの通信を制御するために使用することができる。例えば、状態情報６０８が、しきい値確率よりも高い（例えば、人１０２が現在の時点において不規則な使用段階にある）確率を含むときに、介入プラットフォームは、１つ以上の通信を人１０２に送達する、および／またはそれらを顧客サービス担当者する、例えば、不規則な使用を担当者に警告する通知を送達してもよい。このようにして、介入プラットフォームは、人１０２と通信（例えば、介入）して、ＣＧＭシステム１０４の使用が実際に不規則になった（または使用が不規則に見える原因となる何らかのエラーがある）かどうかを決定し、なぜ使用が不規則になったのかを決定し、使用を「アクティブな」レベルに戻すための情報を提供してもよい。状態情報６０８はまた、コンピューティングデバイス１０８に通信される予測３２０および／または提案３２２を自動的にカスタマイズするために使用されてもよい。状態情報６０８によって識別されるように、複数の異なる状態は、本明細書に記載の技法の精神または範囲から逸脱することなく、さまざまな方法で使用されてもよい。エンゲージメント状態モデル６０４によってモデル化され得る状態の一例として、図７の以下の説明を検討する。
図７は、ＣＧＭシステムによる複数の異なるエンゲージメント状態の例示的な状態空間７００を描いている。
図示の例７００は、状態７０２、７０４、７０６、７０８、７１０、７１２、７１４を含む。これらの状態は、分類器として構成されたエンゲージメント状態モデル６０４を訓練および使用することに関連して使用される複数のラベルを表してもよく、その結果、分類器は、人１０２のＣＧＭパッケージ３０２および追加データ６０６の態様を記述する所与の入力データ（例えば、特徴ベクトル）が与えられたときに分類の１つを予測する。代替的または追加的に、図示の状態７０２、７０４、７０６、７０８、７１０、７１２、７１４は、教師なし学習技法を使用してエンゲージメント状態モデル６０４によって学習された複数の状態を表してもよい。
図示の例７００はまた、異なる状態７０２、７０４、７０６、７０８、７１０、７１２、７１４間の遷移を表す複数のエッジを含む。例７００は、各状態間の双方向エッジを含むが、１つ以上の実装形態では、特定の状態間の遷移がないことがある、および／または遷移が、双方向ではなく、特定の状態間では一方向にのみ発生することがあると理解されよう。エッジ７１６は、これらのエッジの一例である。状態空間７００はこれらのエッジで図示されているが、動作中のエンゲージメント状態モデル６０４は、ユーザが現在の状態から別の状態に遷移する確率またはユーザがすでに別の状態に遷移した確率として状態情報６０８を生成するように単に構成されていてもよい（以前に生成された状態情報との比較を通じて）。状態は、エッジを有する頂点としてではなく、分布としてモデル化されてもよい。
この例７００では、状態７０２、７０４、７０６、７０８、７１０、７１２、７１４は、患者であり、ＣＧＭシステム１０４を処方され得るユーザが、ＣＧＭシステムとエンゲージし得る段階の例示的なシーケンスを表す。ここで、状態７０２は、問い合わせ段階（例えば、ユーザがＣＧＭシステム１０４に関して問い合わせるか、そうでなければ興味を示すか、または糖尿病に関連する病状に関して問い合わせる場合）を表し、状態７０４は、選択段階（例えば、ユーザが血糖モニタリングソリューションの中から積極的に選択している場合）を表し、状態７０６は、所定の段階を表し、状態７０８は、アクティブな使用段階（例えば、ユーザがＣＧＭプラットフォーム１１２の機能性とともにＣＧＭシステム１０４をアクティブに使用する場合）を表し、状態７１０は、不規則な使用段階（例えば、ユーザの活動レベルが以前のアクティブな使用レベルからいくらか低下する、および／または使用のしきい値を下回る場合）を表し、状態７１２は、中止された使用段階（例えば、ユーザがＣＧＭシステム１０４および／またはＣＧＭプラットフォーム１１２の使用を中止する場合）を表し、状態７１４は、後続のソリューション段階（例えば、ユーザがＣＧＭプラットフォーム１１２とは異なるエンティティによって展開された異なるＣＧＭシステムを使用する場合）を表す。
これは、ユーザがＣＧＭシステム１０４とエンゲージし得ることに関連する複数の状態の一例にすぎない。確かに、他の状態が使用されてもよく、エンゲージメント状態モデル６０４は、特定のアルゴリズムを使用して、記載の技法の精神または範囲を逸脱することなく、異なるユーザがＣＧＭシステム１０４およびＣＧＭプラットフォーム１１２どのようにエンゲージするかを示すさまざまな状態（例えば、ユーザのセグメント）を識別してもよい。
図８は、ＣＧＭシステムとのエンゲージメントの状態に関する情報が介入プラットフォームにルーティングされる実装形態の例を描いている。
図示の例８００は、計算デバイス１０８および多状態エンゲージメントシステム３１８を有するデータ分析プラットフォーム１２６を含む。この例では、データ分析プラットフォーム１２６は、状態情報６０８を介入プラットフォーム８０２に通信するように描かれている。
記載の技法により、介入プラットフォーム８０２は、状態情報６０８に基づいて、コンピューティングデバイス１０８に関連付けられたユーザと通信するように構成されている。例として、状態情報６０８は、人１０２についてのＣＧＭシステム１０４とのエンゲージメントの段階の表示を含んでもよい。例えば、状態情報６０８は、ユーザがＣＧＭシステム１０４との対話の複数の段階の各々にいる確率を含んでもよく、現在の状態は、最も高い確率を有する段階として識別されてもよい。追加的または代替的に、状態情報６０８は、ユーザが現在の状態から新しい状態に遷移する確率と、多状態エンゲージメントシステム３１８によって新しい状態への遷移を助長する可能性が高いと予測される助長因子を含んでもよい。
介入プラットフォーム８０２は、介入プラットフォーム８０２に認証され、ユーザ、例えば、顧客サービス担当者、臨床医などと通信することによって特定のシナリオに介入することを許可されたユーザに状態情報６０８を公開してもよい。例として、介入プラットフォーム８０２は、例えば、顧客サービス担当者が複数のユーザの状態情報をレビューすることができる場合、介入ポータルを介して状態情報６０８（または状態情報６０８に基づいて導出された通知）を提供してもよい。
公開された状態情報６０８により、介入プラットフォーム８０２の許可されたユーザは、例えば、ユーザに電話をかけるかどうか、ユーザに電子メールを送信するかどうか、ユーザへのＳＭＳメッセージを送信するかどうかなど、状態情報６０８に関連付けられたユーザと通信するかどうかを決定することが可能となってもよい。現在の状態から新しい状態への予測される遷移を助長する可能性の高い因子を含めることも、介入の戦略をカスタマイズするために使用することができる。例として、故障した機器（たとえば、故障したセンサ２０２）が使用されており、故障した機器の使用を開始してから使用量が低下したことを状態情報６０８が示す場合、顧客サービス担当者は、故障した機器に特有の戦略を展開する、例えば、新しく適切に動作する機器を送信してもよい。介入プラットフォーム８０２はまた、その顧客サービス担当者がユーザと通信することを可能にするユーザインターフェースを介してツールを公開してもよい。通信８０４は、状態情報６０８に基づく介入プラットフォーム８０２からの通信を表す。通信８０４は、電話、電子メール、ＳＭＳメッセージ、インスタントメッセージ、モバイルアプリケーション通知などであってもよい。
顧客サービス担当者はすぐ上で説明されているが、いくつかの実装形態では、状態情報６０８は、介入プラットフォーム８０２のユーザに公開されないことがあり、ユーザは、コンピューティングデバイス１０８のユーザと通信するかどうか、および通信する方法を判定するようにする。分かりに、介入プラットフォーム８０２は、状態情報６０８に応じた特定の方法で介入プラットフォーム８０２に通信するように指示する論理に応じるなどして、状態情報６０８に基づく通信８０４を自動的に生成および通信するように構成されてもよい。状態情報６０８が、ユーザが不規則な使用段階からアクティブな使用段階に遷移することを示す場合、例えば、介入プラットフォーム８０２は、お祝いのＳＭＳメッセージをコンピューティングデバイス１０８に自動的に通信してもよい。状態情報６０８に応答して、介入プラットフォーム８０２は、パーソナライズされた通信８０４を生成し、計算デバイス１０８に送信することの両方を自動的に行い、また、ユーザインターフェースを介して状態情報６０８（またはそれから導出された情報）をユーザ（例えば、介入プラットフォーム８０２の顧客サービス担当者）に公開してもよいと理解されよう。介入プラットフォーム８０２は、記載の技法の精神または範囲から逸脱することなく、さまざまな方法で、ユーザの状態情報６０８に基づいて、行動を開始するためのツール、コンテンツ、およびサービスを提供してもよい。
ＣＧＭシステム１０４、および様々なソースから収集されたデータを使用して、ＣＧＭシステムによる複数の異なるエンゲージメント状態を識別および予測する方法について説明したため、以下の実装例を検討する。
モデルを使用した予測および提案の生成
図９は、ＣＧＭシステムに結合された計算デバイスに表示されるＣＧＭプラットフォームのユーザインターフェースの例９００を描いている。
図９は、ＣＧＭシステムに結合された計算デバイスに表示されるＣＧＭプラットフォームのユーザインターフェースの例９００を描いている。
図示の例９００は、計算デバイス１０８によって表示されるＣＧＭユーザインターフェース９０２を含む。この例では、ＣＧＭインターフェース９０２は、提案９０６とともに予測９０４を表示するように描かれている。全体を通して説明されるように、予測９０４は、予測システム３１６によって生成されて、統計モデル４０６または追加の機械学習モデル４０８などの１つ以上のモデルを使用して、ユーザの血糖測定値１１８および追加データ４１０を処理することによって、ユーザの健康指標を予測する。
この例の目的のために、Ａ１Ｃ、およびユーザが近い将来にＩＩ型糖尿病を発症するリスクをかかえている「前糖尿病」を持っていることを示す空腹時血糖テスト結果を受信した後、ＣＧＭシステム１０４を使用して血糖レベルの測定を始めると仮定する。これを考慮して、ユーザは、血糖測定値１１８を予測システム３１６に自動的に提供するＣＧＭシステム１０４の着用を始める。ＣＧＭプラットフォーム１１２は、ユーザのために収集された血糖測定値１１８を処理して、ユーザの血糖がますます「高い」範囲（例えば、＞２５０ｍｇ／ｄｌ）にあることを決定する。
血糖測定値１１８とともに、予測システム３１６は、さまざまなサードパーティ３０６（例えば、食料品店、レストラン、酒屋）によって提供される飲食物購入データおよび／またはユーザ提供の栄養データ（例えば、食品ログ、消費された飲食物の捕捉された画像、スキャンされたレストランまたは食料品店の領収書）など、ユーザの栄養データを取得する。この栄養データは、ユーザが平均して毎週１リットルのソーダを消費し、ファーストフードレストランで週に３回食事をし、ほとんどの週末にビールを飲み、ポテトチップを食べることを示す。予測システム３１６はまた、ユーザによって消費されていない食品または飲料に基づいてさまざまな推論を行ってもよい。この場合、予測システム３１６は、栄養データを分析して、ユーザが果物、野菜、または肉などの「ホールフード」をめったに購入しないと決定する。さらに、予測システム３１６は、ユーザが１日に５，０００歩を超えて歩くことはめったになく、運動しないことを示す歩数データを含み、また、ユーザが毎晩平均５時間しか睡眠しないことを示す睡眠データを含むユーザの活動データを取得する。
予測システムは、モデル４０４を血糖測定値１１８および追加データ４１０に適用し、この例では、追加データは、上記に説明したユーザの栄養データおよび活動データを含む。ユーザの血糖測定値の増加、良くない食事の選択、および活動の欠如を考慮して、予測システム３１６は、ユーザが４０か月以内にＩＩ型糖尿病を発症する可能性が７６％であることを示す予測９０４を生成する。
予測９０４とともに、ＣＧＭユーザインターフェース９０２は、データ分析プラットフォーム１２６の提案システム４１２によって生成された提案９０６を表示する。提案９０６は、ユーザの予測される悪い健康状態を改善するためにユーザがとることができる１つ以上の行動または挙動を含む。この場合に、提案９０６は、カスタマイズされた食事計画の提案、カスタマイズされた運動計画の提案、およびユーザが提案される栄養および運動計画を軌道に乗せるのを助けることができる指導を取得するための提案を含む。図９では、提案される運動計画に関するより詳細な情報を取得するために、ユーザがカスタマイズされた運動計画の提案を選択することが示されている。
この例を続けると、例えば、ホールフードの食事に切り替え、オンライン食品ログを使用して食事を追跡し、１日に１０，０００歩歩き、歩数計を備えたスマートウォッチで歩数を追跡し、週に３回ワークアウトをし、各ワークアウトをオンラインワークアウトログでログに記録することによって、ユーザが予測システム３１６によって提案された行動および挙動に従うと仮定する。この場合に、予測システム３１６は、ユーザの血糖測定値１１８、栄養データ、および活動データを連続的に収集し、ユーザの改善された栄養選択および運動頻度が、ユーザの平均血糖測定値１１８の減少と相関していると決定する。
ＣＧＭシステム１０４からのユーザの更新された血糖測定値１１８と、（ユーザの栄養ログによって示されるように）ユーザがより良い食品選択をしていることおよび（歩数データおよび運動ログによって示されるように）より頻繁に運動していることを示す追加データ４１０に基づいて、予測システム３１６は、更新された予測を生成し、これは、図１０に示されるように、通知１００２として表示するために計算デバイス１０８に通信される。この例では、通知１００２の更新された予測は、ユーザが次の４０か月以内にＩＩ型糖尿病を発症する可能性が「低い」ことを示す。特に、通知１００２の更新された予測は、ユーザに良いフィードバックを提供し、これは、ユーザが健康的な食事および運動を継続するようにさらに動機付けすることがある。逆に、更新された予測が悪化する健康状態を示す場合に、更新された予測は、ユーザを軌道に戻すための動機付けに役立つことがある。
同様のユーザ向けのアプリケーションの提案の生成
全体を通して説明されるように、ＣＧＭプラットフォーム１１２は、１つ以上のＣＧＭプラットフォームＡＰＩ３１０を活用して、ＣＧＭプラットフォーム１１２からさまざまなサードパーティ３０６への血糖測定値１１８の通信、およびサードパーティ３０６からＣＧＭプラットフォーム１１２へのサードパーティデータ３１４の通信を可能にする。このため、血糖測定値１１８を活用するそのようなサードパーティ３０６によって提供されるアプリケーションおよびサービスは、ますます利用可能になりつつあり、しばしば「アプリストア」を介してダウンロードすることができる。計算デバイス１０８にダウンロードされると、ユーザは、ＣＧＭプラットフォームＡＰＩ３１０を介してユーザの血糖測定値１１８にアクセスすることをサードパーティ３０６に許可することができる。そうすることにより、サードパーティ３０６がさまざまな異なる方法で血糖測定値１１８を活用して、ユーザの健康を改善することが可能となる。このようにして、サードパーティ３０６は、そのようなサードパーティ３０６が独自のＣＧＭシステムを製造および展開しなくても、血糖測定値１１８を使用するさまざまなアプリケーションおよびサービスを提供することができてもよい。サードパーティの「アプリ」およびサービスの数が増えるにつれて、母集団のユーザが個々の状況に最適に動作するであろうアプリおよびサービスを見つけることがますます困難になる。
全体を通して説明されるように、ＣＧＭプラットフォーム１１２は、１つ以上のＣＧＭプラットフォームＡＰＩ３１０を活用して、ＣＧＭプラットフォーム１１２からさまざまなサードパーティ３０６への血糖測定値１１８の通信、およびサードパーティ３０６からＣＧＭプラットフォーム１１２へのサードパーティデータ３１４の通信を可能にする。このため、血糖測定値１１８を活用するそのようなサードパーティ３０６によって提供されるアプリケーションおよびサービスは、ますます利用可能になりつつあり、しばしば「アプリストア」を介してダウンロードすることができる。計算デバイス１０８にダウンロードされると、ユーザは、ＣＧＭプラットフォームＡＰＩ３１０を介してユーザの血糖測定値１１８にアクセスすることをサードパーティ３０６に許可することができる。そうすることにより、サードパーティ３０６がさまざまな異なる方法で血糖測定値１１８を活用して、ユーザの健康を改善することが可能となる。このようにして、サードパーティ３０６は、そのようなサードパーティ３０６が独自のＣＧＭシステムを製造および展開しなくても、血糖測定値１１８を使用するさまざまなアプリケーションおよびサービスを提供することができてもよい。サードパーティの「アプリ」およびサービスの数が増えるにつれて、母集団のユーザが個々の状況に最適に動作するであろうアプリおよびサービスを見つけることがますます困難になる。
ＣＧＭプラットフォーム１１２は、ＣＧＭプラットフォーム１１２がさまざまなサードパーティ３０６から（例えば、サードパーティ３０６のサードパーティサーバを介して）サードパーティデータ３１４を受信することを可能にする「入力」ＡＰＩ３１０を含んでもよい。このようなサードパーティデータ３１４は、サードパーティのサービスまたはアプリケーションとのユーザ対話を記載するアプリケーション対話データを含んでもよい。このようなデータは、例えば、特定のアプリケーションとのユーザの対話を記載するアプリケーションログから抽出されたデータ、計算デバイスの入力／出力インターフェースに関連して実行されるクリック、タップ、およびプレスを記載するクリックストリームデータなどを含んでもよい。
ＣＧＭプラットフォーム１１２は、特定のアプリケーションまたはサービスとのユーザの対話がユーザの健康の改善と相関するかどうかを決定するために、血糖測定値１１８および追加データとともに、アプリケーション対話データを集約することができる。例えば、血糖測定値１１８に基づいて、ＣＧＭプラットフォーム１１２は、ユーザの健康状態における改善を客観的に決定することができる。ＣＧＭプラットフォーム１１２は、平均血糖レベル、範囲内時間、特定の望ましくないパターンの緩和、またはそれらの任意の組み合わせにおける改善を含め、アプリケーションの使用がユーザの健康を改善するかどうかを決定するときに、血糖測定値に基づいて、様々な異なるファクタを考えることができる。さらに、ＣＧＭプラットフォーム１１２は、センサ利用および較正頻度などの血糖測定値１１８の違いを説明するためのさまざまな制御を提供してもよい。ＣＧＭプラットフォーム１１２はまた、ユーザの健康の改善を決定するときに、サードパーティ３０６によって提供されたデータを考えてもよい。次いで、ＣＧＭプラットフォーム１１２は、アプリケーション対話データに基づいて、ユーザの健康の改善または低下を特定のアプリケーションの使用と相関させることができる。例えば、ＣＧＭプラットフォーム１１２が、特定のアプリケーションの頻繁な使用と一致するユーザの健康状態の改善を検出した場合、ＣＧＭプラットフォーム１１２は、特定のアプリケーションが改善と相関されると決定してもよい。ＣＧＭプラットフォーム１１２に利用可能なデータの量に基づいて、特定のアプリケーションと健康状態の改善との相関が、ユーザ母集団１１０のユーザのサブセットについて決定されてもよい。
次いで、提案システム４１２は、健康状態を有する同様のユーザを識別し、同様のユーザのサブセットの健康状態を改善するのに役立った特定のアプリケーションを利用するために同様のユーザへの提案を生成することができる。そうするために、提案システム４１２は、ユーザ母集団における他のユーザによる特定のアプリケーションの使用を通じて健康状態の同様の改善の確率を予測し、他のターゲットユーザに対する健康を改善する可能性が高いアプリケーションを提案することができる。このようなアプリケーションの提案は、特定のアプリケーションの使用に相関する改善された健康状態を有するユーザのサブセットに類似する個々のユーザをターゲットにしてもよい。例えば、特定のアプリケーションの使用がユーザ母集団におけるユーザのサブセットの糖血症の改善と相関している場合、ＣＧＭプラットフォーム１１２は、ユーザ母集団１１０における同様のユーザに特定のアプリケーションの使用を提案することができる。
類似のユーザの識別は、類似のユーザの血糖測定における人口統計または観察されたパターンのうちの少なくとも１つに基づいてもよい。例えば、類似のユーザは、ユーザによって着用されるＣＧＭシステム１０４によって提供される血糖測定値１１８に部分的に基づいて、同じ健康状態を有すると識別されてもよい。ＣＧＭプラットフォーム１１２は、最初に、年齢、性別、場所、既存の医療記録などの人口統計データを含む、ＣＧＭシステム１０４の着用を始める新規ユーザのためのユーザプロファイルを生成してもよい。ＣＧＭプラットフォーム１１２は、ユーザから血糖測定値１１８および追加データ４１０を収集するので、ＣＧＭプラットフォーム１１２は、他のユーザとのユーザの類似性スコアを洗練する。例えば、２２歳の女性で、平均血糖が１６２ｍｇ／ｄＬで、夜間の低血糖測定のパターンを経験しているユーザは、その年齢、性別、平均血糖測定値、およびパターン経験の他のユーザとの類似性スコアを有することがある。
次いで、アプリケーションの提案を決定するために、類似性スコアが炊事のユーザの以前のアプリケーションの成功と組み合わされる。例えば、ターゲットユーザに類似するユーザが特定のアプリケーションをダウンロードして使用し、次いで、糖血症の改善が見られた場合（例えば、平均血糖値の低下と夜間低下の低減によって証明されるように）、提案システム４１２は、ターゲットユーザの特定のアプリケーションに対する高い提案スコア生成するように構成され得る。逆に、他のアプリケーションでそのような改善が見られなかった場合、これらのアプリケーションは、ターゲットユーザに対してより低い提案スコアを有する。アプリケーションの提案は、出力のために計算デバイス１０８に通信することができる。
アプリケーションの提案を生成するコンテキストでは、ＣＧＭシステムに結合された計算デバイスに表示されるＣＧＭプラットフォームのユーザインターフェースの追加の例１１００を描いている図１１を検討する。図示の例１１００は、計算デバイス１０８によって表示されるＣＧＭユーザインターフェース１１０２を含む。この例では、ＣＧＭユーザインターフェース１１０２は、提案されるアプリケーション１１０４を表示するものとして描かれている。全体を通して説明されるように、提案されるアプリケーション１１０４は、ターゲットユーザの健康状態を、ユーザと、提案されるアプリケーション１１０４の少なくとも１つの使用に基づいて健康状態が改善したユーザ母集団１１０における他のユーザとの類似性に基づいて改善する提案システム４１２によって決定されてもよい。この場合、提案されるアプリケーション１１０４は、さまざまなサードパーティのアプリケーションに対応する。図１１では、ユーザは、このアプリケーションをユーザのスマートフォンにダウンロードするために、アプリケーション「Ｎｕｔｒｉｔｉｏｎ ｂｙ Ｎｅｈａ」を選択するように描かれている。
特に、提案システム４１２は、ターゲットユーザがアプリケーションをダウンロードして使用するときにアプリケーションの提案をさらに強化することができ、したがって、以前の提案を強化または否定し、将来の後続の提案の改善につなげる。例えば、提案システム４１２が同様の健康状態の改善を示す、同様のユーザからの血糖測定値１１８を取得する場合、このフィードバックは、ユーザのサブセットの健康状態の改善と特定のアプリケーションの使用との間の相関を良い方向に強化する。逆に、同様のユーザからの血糖測定値１１８が、同様のユーザの健康状態の改善を示さない（または健康状態の悪化を示す）場合、このフィードバックは、ユーザのサブセットの健康状態の改善とのと特定のアプリケーションの使用との間の相関を悪い方向に強化する。
図１１に関して、例えば、ユーザが「Ｎｕｔｒｉｔｉｏｎ ｂｙ Ｎｅｈａ」アプリケーションとの対話を始めると、アプリケーション対話データが、ＣＧＭプラットフォームＡＰＩ３１０を介してＣＧＭプラットフォーム１１２に通信され、ユーザの血糖測定値１１８および追加データと相関されてもよい。このようにして、ＣＧＭプラットフォーム１１２は、ユーザ母集団１１０によるアプリケーションの使用から受信したフィードバックに基づいて、アプリケーションを提案するために使用されるモデル４０４を連続的に更新してもよい。機械学習モデル４０８がフィードバックに基づいて更新される構成では、例えば、モデルが強化学習モデルとして構成されてもよい。次いで、更新されたモデル４０４を使用して、改善されたアプリケーションの提案を生成する。
さらに、ＣＧＭプラットフォーム１１２が、特定のアプリケーションの使用が、更新された血糖測定値１１８に基づいてユーザの健康状態を改善していることを検出した場合、ＣＧＭプラットフォーム１１２は、出力のために計算デバイス１０８に改善の通知を通信してもよい。図１２では、例えば、通知１２０２が、計算デバイス１０８によって表示され、「Ｎｕｔｒｉｔｉｏｎ ｂｙ Ｎｅｈａ」アプリケーションの使用がユーザのニューロパシーを改善させたことを示す。この良い通知は、ユーザがアプリケーションの使用を継続することを動機付けることがあると理解されるべきである。
検証サービス
図１３は、許可されたユーザがＣＧＭプラットフォームによって生成された提案を有効化するために対話することができる検証サービスのユーザインターフェースの例示的な実装形態１３００を描いている。
図１３は、許可されたユーザがＣＧＭプラットフォームによって生成された提案を有効化するために対話することができる検証サービスのユーザインターフェースの例示的な実装形態１３００を描いている。
図示の例１３００では、検証サービス５０２のユーザインターフェース１３０４を表示するディスプレイデバイス１３０２が描かれている。大まかに言えば、ユーザインターフェース１３０４のインターフェース要素は、許可されたユーザがそれらの要素と対話して、データ分析プラットフォーム１２６によって提供され、ユーザ、例えば、人１０２に送達することを意図する提案を有効化または拒否することを可能にする。提案（例えば、提案３２２）を有効化するユーザインターフェース要素を介して入力を受信することに応答して、検証サービス５０２は、提案をそれぞれのユーザの計算デバイス１０８にルーティングしてもよい。上記に説明したように、検証サービス５０２はまた、提案を意思決定支援プラットフォーム５０４にルーティングしてもよい。提案を拒否するユーザインターフェース１３０４のユーザインターフェース要素を介して入力を受信することに応答して、検証サービス５０２は、提案を計算デバイス１０８に通信しない。代わりに、検証サービスは、提案が拒否されたことを示す通知をデータ分析プラットフォーム１２６に通信してもよい。追加的または代替的に、検証サービス５０２の承認されたユーザは、提案を修正し、次いで、修正された提案をユーザの計算デバイス１０８に送信してもよい。前述のように、データ分析プラットフォーム１２６によって提供された提案を有効化することを許可されたユーザは、患者に健康指導を提供する資格のある臨床医または他の医療専門家を含んでもよい。
図示の例１３００では、ユーザインターフェース１３０４は、データ分析プラットフォーム１２６によって検証サービス５０２に提供される提案のスタブ１３０６を表示する。これらのスタブ１３０６は、ユーザが対話して、それぞれの提案に関連して検討、有効化、拒否、および／または他の何らかの行動方針を取る（例えば、修正する）ことができる対話型要素として構成されている。この例では提案スタブが描かれているが、許可されたユーザが記載の技法の精神または範囲から逸脱することなくそれぞれの提案に関連して検討、有効化、拒否、および／または他の何らかの行動方針を取る（例えば、修正する）ことを可能にする他のユーザインターフェース要素が使用されてもよい。
この例１３００では、スタブ１３０６の各々は、ユーザ名または患者名、それぞれの提案３２２が基づく予測３２０の表示、および提案３２２の表示も含む。ユーザ１３０８が、スタブ１３０６の１つ（この場合、右から左へのスワイプジェスチャー）に関連してジェスチャーを実行するように描かれており、それぞれの提案３２２を有効化またはそれを拒否するために選択可能なさらなるインターフェース要素を公開する。それぞれの提案を有効化または拒否する要素は、スワイプジェスチャーなどの対話を必要とせずに各スタブの一部として表示されたり、スタブ上の何らかの対話（例えば、マウスで右クリック）に応答して起動されるメニューの一部として表示されるなど、他の方法で公開されることがあると理解されるべきである。図示されていないが、スタブ１３０６はまた、提案および他のオプションを有効化および拒否するオプションを含む提案、すなわち、予測の全体およびレビューのための提案の全体、ならびに提案を処理するための複数のオプションを出力する固有のユーザインターフェースを公開するように選択可能であってもよい。
障害検出とシステム構成の問題
図１４は、ＣＧＭプラットフォームの使用に関連して検出された障害とシステム構成の問題に関する情報を出力するユーザインターフェースの例示的な実装形態１４００を描いている。
図１４は、ＣＧＭプラットフォームの使用に関連して検出された障害とシステム構成の問題に関する情報を出力するユーザインターフェースの例示的な実装形態１４００を描いている。
図示の例では、障害検出およびシステム構成サービスのユーザインターフェース１４０４を表示するディスプレイデバイス１４０２が描かれている。１つ以上の実装形態では、障害検出およびシステム構成サービスは、ＣＧＭプラットフォーム１１２の一部として含まれるか、そうでなければアクセス可能であってもよい。また、ユーザインターフェース１４０４の部分は、ＣＧＭシステム１０４に関連して使用することができるデバイスまたはサービスをそれぞれ提供する製造業者またはサービスプロバイダなど、それぞれのポータルを介して他のエンティティに提供および表示されてもよいと理解されるべきである。これらのデバイスは、計算デバイス１０８、インスリン送達システム１０６、無数の生理学的マーカー測定デバイス、ＣＧＭシステム１０４のさまざまな構成要素などのうちの１つ以上を含んでもよい。
ユーザインターフェース１４０４は、複数の検出された障害およびシステム構成の問題についてのスタブ１４０６を表示する。さまざまな障害および問題がユーザインターフェース１４０４に表示されるが、所与のエンティティ（例えば、特定の製造業者または米国食品医薬品局（ＦＤＡ）などの規制機関）に表示される障害および／または問題（例えば、特定の製造業者のデバイスに関連する障害や問題、または規制機関に公開するために法律で義務付けられている情報）は制限されてもよい。対照的に、従業員または同様のユーザとしてＣＧＭプラットフォーム１１２に許可するユーザ（例えば、エンジニア、品質保証、開発パートナーなど）は、ＣＧＭプラットフォーム１１２に関連するすべての障害および／または問題を表示するための許可を有してもよい。
この例１４００では、スタブ１４０６は、ほんの数例を挙げると、センサ２０２、計算デバイス１０８、インスリン送達システム１０６、サードパーティ３０６に関してＣＧＭシステム１０４によって報告されるような、ＣＧＭプラットフォーム１１２に通信可能に結合されたか、そうでなければ関連する１つ以上のデバイスによって報告されるイベント（例えば、障害）に対するスタブを含む。スタブ１４０６はまた、ＣＧＭシステム１０４を含むが、他のデバイスの異なる組み合わせ、例えば、特定の計算デバイス１０８（例えば、特定の製造業者）を有する構成、計算デバイス１０８の特定のアンサンブル（例えば、第１の製造業者に対応する携帯電話および第２の製造業者に対応するスマートウォッチ）、特定のインスリン送達システム（例えば、インスリンペン対インスリンポンプであって、異なる製造業者からのもの）、特定のファームウェアおよびソフトウェアバージョンなど特定のシステム構成に関連して生じる問題に関連するスタブを含む。
スタブ１４０６はまた、信頼性、例えば、様々な構成要素（例えば、センサ２０２の製造ロット）によって取得されるデータの信頼性、システム構成、さまざまな人口統計を有するユーザ関連など、１つ以上の信頼性の尺度を搬送するスタブを含む。１つ以上の実装では、信頼度の尺度は信頼区間である。追加的に、スタブ１４０６は、プラットフォームの特徴（例えば、ＣＧＭプラットフォーム１１２に対応するアプリケーションの機能性および／またはユーザインターフェース要素）の使用を示すスタブを含む。この情報は、システム開発者がさまざまな特徴に関連して開発および／または支援の提供を継続するかどうかを決定するために使用することができる。
１つ以上のデバイスによって報告されるイベントを記載するスタブに関して、ＣＧＭプラットフォーム１１２に対応する開発者が、展開前に、ＣＧＭシステム１０４に関連して使用され得るデバイスおよびＣＧＭプラットフォーム１１２のアプリケーション、例えば、携帯電話およびスマートウォッチアプリケーションのすべての組み合わせをテストすることは不可能ではないにしても難しい。代わりに、それらの開発者は、使用される可能性が最も高いデバイスの組み合わせ（例えば、最も人気のあるモバイルデバイスまたはインスリン送達システム１０６）および／またはＣＧＭプラットフォーム１１２によって、例えば、出版物、ウェブページ、パッケージング、電子メール、広告などを介して広められたコンテンツで提案される組み合わせにテストを制限してもよい。この範囲で、開発者は、テストされたデバイスの組み合わせに関する問題のサブセットのみを認識し、それらを修正していることがあるが、テストされていない組み合わせに関する問題は認識、修正していない。
膨大な量の血糖測定値１１８、ＣＧＭデバイスデータ２１４、および記憶デバイス１２０内の補足データ３０４を収集および維持することによって、データ分析プラットフォーム１２６は、モデル４０４を訓練し、次いで、ユーザ母集団１１０に使用されたデバイスの異なる組み合わせでの問題（例えば、障害）、例えば実世界での使用中、テストされた組み合わせおよびテストされていない組み合わせの両方で観測される問題を識別するためにモデル４０４を活用することができる。実際、デバイスのテストされた組み合わせは、実世界におけるユーザ母集団１１０によって実際に使用されるさまざまな方法でテストされていないことがある。したがって、モデル４０４を使用してこれらの問題を識別することにより、データ分析プラットフォーム１２６は、開発者に問題を通知することができ、開発者は、問題の修正を開発し、次いで、それらを、例えば、ファームウェアまたはソフトウェアの更新として、モデル４０４への更新としてなどでそれらを展開することができる。
代替的または追加的に、データ分析プラットフォーム１２６は、これらの問題の識別を使用して、問題を経験している組み合わせの予測および提案を調整してもよい。例として、ユーザ母集団の小さなサブセット（例えば、１％）によって使用されるデバイスの組み合わせが、他の組み合わせによって提供される血糖測定値１１８よりも一貫して（そして予測可能に）低い血糖測定値１１８をＣＧＭプラットフォーム１１２に提供する場合、この情報を使用して、計算デバイス１０８を介してユーザに提示されるリアルタイムの血糖測定値１１８を更新することができる。
この情報はまた、モデル４０４が、デバイスの組み合わせを有するユーザが母集団のサブセットと同じ問題を経験するであろうことを予測するために使用することができる。特に、この情報を使用して、有効な（例えば安全な）提案が生成され、これらのユーザに提供されるようにすることができる。データ分析プラットフォーム１２６は、記載の技法の精神または範囲から逸脱することなく、さまざまな方法でデバイスの異なる組み合わせに関する障害などの問題を識別するための能力を使用してもよい。
プラットフォームの機能の使用を記載するスタブに関連して、この情報を使用して、上記のように、さまざまな機能に関連して、開発および／または支援の提供を継続するかどうかを決定してもよい。１つ以上の実装形態では、データ分析プラットフォーム１２６は、記憶デバイス１２０に維持されるデータを分析して、ＣＧＭプラットフォーム１１２のさまざまな機能、例えば、そのＣＧＭシステム１０４およびアプリケーションによって提供されるさまざまな機能性を支援する、ＣＧＭプラットフォーム１１２に対応する会社へのコストを決定することができる。この一部として、データ分析プラットフォーム１２６は、ＣＧＭプラットフォーム１１２によって展開される各機能性間の変動、共変動、および統計的依存、例えば、人１０２の温度を測定するシステム１０４の機能性、夜間に低血糖の起こりそうな発生を識別するＣＧＭプラットフォーム１１２の携帯電話アプリケーションの機能性、出力通知に関連して触覚フィードバック（例えば、振動）を使用するためのＣＧＭプラットフォーム１１２のスマートウォッチアプリケーションの機能性などの間の変動、共変動、および統計的依存を測定するように構成されている。
１つ以上の実装形態では、データ分析プラットフォーム１２６は、ユーザ母集団１１０からサンプリングされた所定の数のユーザ（例えば、５０，０００人のユーザ）およびプラットフォーム１１２によって展開されたある数の特徴（例えば、機能性）、または開発または支援を潜在的に中止するために検討されているある数の特徴に対応する寸法を有する行列を生成することによって、変動および共変動を決定する。以下の説明では、所定のユーザ数は項ｍで表され、特徴の数は項ｎで表される。この目的のために、データ分析プラットフォーム１２６は、ｍ×ｎ行列を構築し、行列の各セルは、サンプリングされたユーザが対応する特徴を使用するかどうかを示す。データ分析プラットフォーム１２６は、ユーザがさまざまな方法で特徴を使用することを決定してもよく、使用は、異なる特徴に対して異なるように定義されてもよい。例えば、データ分析プラットフォーム１２６は、記憶デバイス１２０からのデータが、ユーザが特徴を使用したことがあること、その特徴を使用するかまたは機能がアクティブである状態でしきい値の時間を超えて消費したこと、しきい値の回数を超えてその特徴を使用したこと、その特徴をアクティブにするのを許容した（例えば、許容通知）ことなどを示す場合、ユーザがその特徴を使用したと決定してもよい。
ｍ×ｎ行列を使用して、データ分析プラットフォーム１２６は、サンプリングされたユーザ数ｍから所与の特徴ｉを「使用する」ユーザ数ａの関数として、所与の特徴ｉの変動スコアを計算する。一例では、データ分析プラットフォーム１２６は、以下に従って変動を計算する。
ここで、項φ（ｉ）は変動スコアを表す。データ分析プラットフォーム１２６はまた、サンプリングされたユーザ数ｍから、所与の特徴ｉを使用するユーザ数ａの関数として、および別の所与の特徴ｊを使用する第２のユーザ数ｂの関数として、所与の特徴ｉおよび別の特徴ｊの共変動スコアを計算するように構成されている。データ分析プラットフォーム１２６はまた、所与の特徴ｉおよび他の特徴ｊを同時に使用する第３のユーザ数ｃの関数として共変動を計算する。一例では、データ分析プラットフォーム１２６は、以下に従って共変動スコアを計算する。
ここで、項φ（ｉ，ｊ）は共変動スコアを表し、項φ（ｊ）は他の与えられた特徴ｊの変動スコアを表す。
データ分析プラットフォーム１２６は、各特徴がｍ－１特徴と対になり、各対に対して分割表が生成されるように、特徴の各対について分割表を構築することによって、異なる特徴間の統計的独立性を測定する。データ分析プラットフォーム１２６は、各テーブルに対して既知の独立性テストを実行する。１つ以上の実装形態では、既知の独立性テストは、独立性のカイ２乗検定を含み、その出力はＰ値、例えば、検定統計量と同じくらい極端なサンプル統計量を観測する確率である。次いで、データ分析プラットフォーム１２６は、各テーブルの既知の独立性テストの出力（例えば、Ｐ値）を有意レベルのしきい値と比較する。出力が有意レベルのしきい値を満たす場合、データ分析プラットフォームは特徴のペアを従属特徴として識別する。
次に、データ分析プラットフォーム１２６は、所与の特徴ｉに統計的に依存する他の特徴について、所与の特徴の変動φ（ｉ）に加えてペアワイズスコアφ（ｉ，ｊ）の関数として所与の特徴ｉのコストを決定する。次いで、データ分析プラットフォーム１２６は、ユーザインターフェース１４０４または他の何らかのインターフェースを介した表示などによって、ＣＧＭプラットフォーム１１２に対応する許可されたユーザ（例えば、エンジニア、マーケティング担当者など）にこれらのスコアを提示してもよい。ＣＧＭプラットフォーム１１２の特徴のコストはまた、他の方法で決定され得ることが理解されるべきである。
エンゲージメント状態の遷移予測
図１５は、現在の状態から新しい状態に遷移する確率および遷移の予測される助長因子を含む状態情報を生成する多ステップエンゲージメントシステムの例示的な実装形態を描いている。
図１５は、現在の状態から新しい状態に遷移する確率および遷移の予測される助長因子を含む状態情報を生成する多ステップエンゲージメントシステムの例示的な実装形態を描いている。
図示の例１５００では、エンゲージメント状態モデルマネージャ６０２は、人１０２のＣＧＭパッケージ３０２および追加データ６０６を取得するように描かれている。一般的に言えば、このデータは、エンゲージメント状態モデルマネージャ６０２およびエンゲージメント状態モデル６０４を使用して処理され、状態情報６０８を生成する。この例は、エンゲージメント状態モデルマネージャ６０２が人１０２のＣＧＭパッケージ３０２および追加データ６０６に基づいて生成し、エンゲージメント状態モデル６０４への入力として提供する処理されたデータ１５０２を含む。
例として、エンゲージメント状態モデルマネージャ６０２は、処理されたデータ１５０２を、ＣＧＭシステム１０４とのエンゲージメント状態を識別することに関連して決定され、それに基づいてモデルが生成される特徴を有する特徴ベクトルとして生成してもよい。特徴ベクトルとして構成されたときに、処理されたデータ１５０２は、人１０２のＣＧＭパッケージ３０２および追加データ６０６から導出された特徴の値を有する。遷移確率１５０４が、人１０２が中止された使用段階に遷移する確率となるような、人１０２がＣＧＭシステム１０４の使用を中止する確率をエンゲージメント状態モデル６０４が予測するシナリオでは、処理されたデータ１５０２は、人のＣＧＭデータ履歴を記述する特徴を有してもよく、ＣＧＭデータ履歴は、ＣＧＭパッケージ３０２の血糖測定値１１８、ＣＧＭプラットフォーム１１２によるそれらのパッケージの受信を示すデータ、ＣＧＭシステム１０４またはその一部分に関連する購入履歴、およびＣＧＭプラットフォーム１１２によって提供されるサービスの購入履歴から導出される。このシナリオでは、処理されたデータ１５０２はまた、人１０２の苦情履歴を記述する特徴、国勢調査局データ特徴、支払い情報特徴などを有してもよい。
この例１５００では、エンゲージメント状態モデル６０４は、処理されたデータ１５０２を入力として受信するように構成されている。動作中、所与のエンゲージメント状態モデル６０４は、特定のフォーマットにおいて処理されたデータ１５０２の状態情報６０８を生成するように構成されており、例えば、期待されるフォーマットの値を有する特定の数の特徴を有する。処理されたデータ１５０２と、上記に説明されたように機械学習アプローチを通じて学習された基礎となるモデル（例えば、教師あり学習、教師なし学習、強化学習）に基づいて、エンゲージメント状態モデル６０４は、状態情報６０８を出力する。ここで、エンゲージメント状態モデル６０４は、遷移確率１５０４および助長因子１５０６を生成する。遷移確率１５０４は、人１０２が現在の状態から新しい状態、例えば、中止された使用状態に遷移する確率を表してもよい。１つ以上の実装形態では、状態情報６０８は、複数の可能な状態の各々の遷移確率を含んでもよい。助長因子１５０６は、どの因子が現在の状態から新しい状態への遷移を助長する可能性が高いかを示してもよい。遷移確率１５０４が、人１０２が中止された使用段階に遷移する確率に対応する実装形態において、助長因子１５０６は、人を中止された使用段階に遷移させる可能性が高い因子を示す。１つ以上の実装形態では、エンゲージメント状態モデル６０４は、処理されたデータに表される各因子（例えば、特徴）の確率を計算して、次の状態への遷移を引き起こし、それらの確率に基づいて、助長するかどうかとしての特徴、例えば、上位ｋ個の特徴、またはあるしきい値を超える確率を持つものを指定する。
遷移確率１５０４が、人１０２が中止された使用段階に遷移する確率を表し、助長因子１５０６が、遷移を引き起こしている処理されたデータ１５０２によって記述される態様を示す連続した例では、状態情報６０８が介入プラットフォーム８０２へ通信されてもよい。介入プラットフォーム８０２は、遷移確率１５０４および助長因子１５０６に基づいて介入する（またはしない）ために異なる戦略を展開してもよい。
糖尿病検索問い合わせ
図１６は、糖尿病に関連する検索問い合わせを受信するユーザインターフェースの例示的な実装形態を描いている。
図１６は、糖尿病に関連する検索問い合わせを受信するユーザインターフェースの例示的な実装形態を描いている。
図示の例１６００は、ユーザインターフェース１６０２を含む。ユーザインターフェース１６０２は、ユーザが検索問い合わせを入力することを可能にする検索問い合わせ入力要素１６０４を含む。検索問い合わせ入力要素１６０４はテキスト入力フィールドとして図示されているが、検索問い合わせは、音声アシスタントデバイスを介して音声コマンドを受信することなどによって、記載の技法の精神または範囲から逸脱することなく、さまざまな方法で受信されてもよい。
図示の例１６００では、「高血糖」についての検索問い合わせ１６０６は、ユーザ１６０８からの入力に基づいて受信される。記載の技術によれば、この特定の検索問い合わせ１６０６は、健康関連、またはより具体的には、糖尿病関連の検索問い合わせと呼ばれてもよい。糖尿病関連の検索問い合わせの他の例は、ほんの数例を挙げると、「排尿」、「頭痛」、「静脈」、および「糖尿病」を含んでもよい。実際、健康および糖尿病関連の検索問い合わせは、栄養および運動に関連する用語を含む、さまざまな用語およびそれらの用語の組み合わせを含んでもよい。いずれの場合も、そのような検索問い合わせの受信は、ユーザのオンライン活動を追跡することによってキャプチャされてもよいし、これらの検索問い合わせの受信を記述するデータが生成されてもよい。この検索問い合わせデータは、追加データ６０６の１つのソースであってもよい。したがって、エンゲージメント状態モデル６０４は、例えば、ＣＧＭシステム１０４とのエンゲージメントの段階のための基礎となるモデルを学習するために、１つ以上の実装形態における検索問い合わせデータを部分的に使用して生成されてもよい。この特定の例では、健康および糖尿病関連の情報の検索は、ＣＧＭシステム１０４に関連するエンゲージメントの問い合わせまたは選択段階に対応してもよく、エンゲージメント状態モデル６０４は、そのような検索問い合わせを提出するユーザがそれらの段階のうちの少なくとも１つに対応することを予測するようにする。
しかしながら、実際には、そのような検索問い合わせを提出するユーザは、危険な健康状態を経験している可能性がある、および／または糖尿病のために近い将来危険な健康状態を経験する可能性が高いことがある。この目的のために、ユーザが血糖をモニタリングできるように、ユーザの予測された状態に基づいてこのユーザにサポートを提供することは、危険な健康状態を予防または軽減するために最も重要であることがある。したがって、記載のシステムは、検索問い合わせを使用して、血糖モニタリングについてユーザを教育してもよい。説明されたシステムはまた、検索問い合わせを使用して、ユーザに診断ソリューションまたはＣＧＭシステム１０４を取得させ、そうでなければユーザが従来のアプローチでそのようなサポートを受けるよりも早くＣＧＭプラットフォーム１１２を利用させてもよい。例えば、ユーザが医療提供者との約束をスケジュールするのを待つのではなく、検索問い合わせ情報を活用することにより、ＣＧＭプラットフォーム１１２は、送達されたデジタルコンテンツの形式でユーザに情報をより早く提供するか、そうでなければ健康状態、診断ソリューション、および潜在的な治療オプションに関してユーザとの通信を開始することができる。
図示の例１６００は、デジタルコンテンツ構成要素１６１０を含む。デジタルコンテンツ構成要素１６１０は、健康および糖尿病関連の検索問い合わせの受信に基づいて、ＣＧＭプラットフォーム１１２がユーザ１６０８と通信することができるただ１つの方式を表す。特に、デジタルコンテンツ構成要素１６１０は、ユーザインターフェース１６０２を介して表示されて描かれており、ディスプレイは、検索問い合わせ１６０６の受信に応答してもよい。デジタルコンテンツ構成要素１６１０は、ユーザインターフェース１６０２を介して表示されるデジタル広告、ユーザインターフェース１６０２を介して表示される検索結果、ユーザインターフェース１６０２を介して表示されるポップアップまたはトースト通知などに対応してもよい。確かに、デジタルコンテンツ構成要素１６１０は、音声アシスタントデバイスを介して出力される可聴情報、モバイル通知（例えば、携帯電話またはスマートウォッチを介して）、１つ以上のソーシャルネットワークを開始して提示される情報、ＳＭＳメッセージなど、技法の精神または範囲を逸脱することなく、さまざまな方法で構成されてもよい。代替的または追加的に、ＣＧＭプラットフォーム１１２は、ユーザにメールを送信する、ユーザに電話をかけるなどによって、健康および糖尿病関連の検索問い合わせに基づいて、ユーザとの他のタイプの通信を開始してもよい。他のタイプの通信は、ほんの数例を挙げると、ユーザの介護者（例えば、親または保護者）、またはユーザに関連付けられた医療専門家との通信を含んでもよい。
デジタルコンテンツ構成要素１６１０は、糖尿病に起因する健康状態、医療提供者への連絡方法、ＧＣＭプラットフォーム１１２の顧客サポート担当者への連絡方法などに関する情報、ＣＧＭシステム１０４の使いやすさに関する情報、ＣＧＭシステム１０４に関する情報、他の糖尿病患者および生活に関する情報などをさらに提供することによって、ユーザが血糖をモニタリングし、危険な健康状態を予防または軽減できるようにサポートを提供することができる。実際、デジタルコンテンツ構成要素１６１０は、記載の技法の精神または範囲から逸脱することなく、さまざまな情報を含んでもよい。これらの技法はまた、例えば、ユーザが「血糖値の追跡」、「血糖がどのようにパフォーマンスに影響するか」、「血糖値運動パフォーマンス」、「血糖値と精神的パフォーマンス」などのような検索問い合わせを入力するときなど、ＣＧＭシステム１０４およびＣＧＭプラットフォーム１１２の潜在的な「商用」ユーザと通信するためにも展開されてもよいとさらに理解されよう。そのようなユーザはまた、エンゲージメント状態モデル６０４を使用して、彼らの段階を問い合わせ段階または選択段階にあるものとしてキャプチャする段階にいると決定されてもよいが、「患者」の役割ではなく「商業的」ユーザの役割を有すると決定される。
介入戦略の実装形態
上記に説明したように、ユーザ母集団１１０のＣＧＭパッケージ３０２および追加データ６０６は、エンゲージメント状態モデルマネージャ６０２によって使用されて、エンゲージメント状態モデル６０４を生成し、これは、これらのモデルを生成するために使用される特定の機械学習技術に基づいて、ユーザ母集団１１０のデータをさまざまな状態（またはセグメント）、例えば、同様のパターンを呈示するデータのクラスタにセグメント化する。また、上記のように、異なる状態は、ＣＧＭシステム１０４とのエンゲージメントの過程に沿った段階だけでなく、ＣＧＭシステム１０４に関連するユーザ母集団１１０のユーザの役割をキャプチャしてもよい。したがって、エンゲージメント状態モデル６０４は、さまざまな他の役割の中でも、ＣＧＭシステム１０４を処方および使用している患者に対応する状態（例えば、第１の役割）およびＣＧＭシステム１０４が処方されていない商用ユーザに対応する状態（例えば、第２の役割）をモデル化してもよい。特に、ＣＧＭシステム１０４を処方および使用し、ＣＧＭプラットフォーム１１２の第１のアプリケーションも使用する患者は、ＣＧＭシステム１０４を処方および使用しているが、第１のアプリケーションを使用していない患者ではない係合状態モデル６０４によってモデル化された異なる状態に対応してもよい。
上記に説明したように、ユーザ母集団１１０のＣＧＭパッケージ３０２および追加データ６０６は、エンゲージメント状態モデルマネージャ６０２によって使用されて、エンゲージメント状態モデル６０４を生成し、これは、これらのモデルを生成するために使用される特定の機械学習技術に基づいて、ユーザ母集団１１０のデータをさまざまな状態（またはセグメント）、例えば、同様のパターンを呈示するデータのクラスタにセグメント化する。また、上記のように、異なる状態は、ＣＧＭシステム１０４とのエンゲージメントの過程に沿った段階だけでなく、ＣＧＭシステム１０４に関連するユーザ母集団１１０のユーザの役割をキャプチャしてもよい。したがって、エンゲージメント状態モデル６０４は、さまざまな他の役割の中でも、ＣＧＭシステム１０４を処方および使用している患者に対応する状態（例えば、第１の役割）およびＣＧＭシステム１０４が処方されていない商用ユーザに対応する状態（例えば、第２の役割）をモデル化してもよい。特に、ＣＧＭシステム１０４を処方および使用し、ＣＧＭプラットフォーム１１２の第１のアプリケーションも使用する患者は、ＣＧＭシステム１０４を処方および使用しているが、第１のアプリケーションを使用していない患者ではない係合状態モデル６０４によってモデル化された異なる状態に対応してもよい。
とにかく、これらの状態、具体的には、状態に対応する役割は、もしあれば展開されている介入戦略に影響を与えることがある。さらに、考えられているデータのさまざまなパターンは、さまざまな役割に対するさまざまな状態および状態遷移を示してもよい。第１のユーザが（例えば、糖尿病の治療に関連して）ＣＧＭシステム１０４を処方および使用する患者であり、第２のユーザが（例えば、運動能力を最適化しようと試みる）ＣＧＭシステム１０４の商用ユーザである例を検討する。
この例では、第１のユーザ（患者）のＣＧＭパッケージ３０２が（所望の範囲外で）大きく変わる血糖測定値１１８を含み、第２のユーザ（商用ユーザ）のＣＧＭパッケージ３０２がほとんど変わらない（そして一貫して望ましい範囲内にある）血糖測定値１１８を含むことも検討する。両方の場合に、エンゲージメント状態モデル６０４は、状態情報６０８、具体的にはエンゲージメント状態モデル６０４によって出力される遷移確率１５０４によって示されるように、ユーザが中止された使用状態に遷移する可能性が高いことを識別してもよい。実際には、これは、第１のユーザの治療計画が、彼または彼女の血糖レベルを「平準化」するのに効果がないか、またはこれに従わなかったことで、ユーザがＣＧＭシステム１０４に不満を抱かせることによることがある。対照的に、第２のユーザは、ある期間にわたってＣＧＭシステム１０４を使用することを通じて、彼または彼女の血糖値を急上昇させる挙動を特定し、特定の食品を食べる、運動をしないなどそれらの挙動を彼または彼女の生活から排除している。
いずれにせよ、第１および第２のユーザがＣＧＭシステム１０４の使用を中止する（中止された使用状態に遷移する）ことを防ぐための戦略は、大幅に異なることがある。上記のように、これらの戦略は、ユーザを異なる状態に遷移させる可能性が高い助長因子１５０６に基づいて生成されてもよい。実際、第１および第２のユーザの助長因子は大幅に異なる可能性がある（第１のユーザの助長因子１５０６は、例えば、一貫性のない血糖測定値１１８、高いストレスレベル、および一貫性のない栄養（ただし、第１のユーザには知られていない）を含むことがあるが、第２のユーザの助長因子１５０６は、一貫した血糖値測定値１１８、以前は血糖値測定値の急激な上昇を引き起こした食品１１８の排除、およびストレスをモニタリングするためのスマートウォッチの使用を含むことがある）。実際の助長因子１５０６に関係なく、それらは、介入戦略を生成するか、そうでなければ開発するために利用されてもよい。
例として、介入プラットフォーム８０２は、現在の状態からＣＧＭシステム１０４の使用を中止する新しい状態に遷移する遷移確率１５０４を示し、その遷移を助長する可能性が高い助長因子１５０６を示す、第１および第２のユーザの状態情報６０８を取得してもよい。この情報を考えて、介入プラットフォーム８０２は、異なるユーザに対して介入戦略をカスタマイズする。これは、過去の介入戦略（特定のユーザで作用したものと作用しなかったものの両方）を記述するデータから学習されたエンゲージメント状態モデル６０４または他のロジックを使用して実施される。
第１のユーザに関連して、介入プラットフォーム８０２は、ＣＧＭシステムでのサクセスストーリーに関する情報を提供し、コーチに第１のユーザに連絡するように通知し、一貫した栄養に関する情報を提供し、および／または第１のユーザと同じまたは類似の状態（および助長因子）を有するユーザに対して以前に作用した介入に基づいて、他の方法で通信してもよい。しかしながら、第２のユーザに関連して、介入プラットフォーム８０２は、購入のために（例えば、運動パフォーマンスをさらに最適化するために）ＣＧＭプラットフォーム１１２の他の製品またはサービスに関する情報を提供し、ＣＧＭの使用を中止するユーザがシステムの絶え間ないモニタリングなしに考えない挙動に関する情報を送達し、ＣＧＭシステム１０４を使用している間に行うことができるさらなる最適化に関する情報を提供し、および／または第２のユーザと同じまたは類似の状態（および助長因子）を有するユーザに対して以前に作用した介入に基づいて、他の方法で通信してもよい。実際、介入戦略は、ユーザに対して生成された状態情報６０８に応じて、および例えば機械学習モデルまたは他の論理によって示されるように、類似のユーザに対して以前に作用した戦略に基づいて、さまざまな方法でカスタマイズされてもよい。
例示的な手順
このセクションでは、連続血糖モニタリング（ＣＧＭ）に基づく提案の例示的な手順を記載する。手順の態様は、ハードウェア、ファームウェア、ソフトウェア、またはそれらの組み合わせで実装されてもよい。手順は、１つ以上のデバイスによって実行される動作を指定するブロックのセットとして示され、必ずしもそれぞれのブロックによって動作を実行するために示される順序に制限されない。少なくともいくつかの実装形態では、手順は、予測システム３１６および提案システム４１２を利用するＣＧＭプラットフォーム１１２のデータ分析プラットフォーム１２６などのデータ分析プラットフォームによって実行される。
このセクションでは、連続血糖モニタリング（ＣＧＭ）に基づく提案の例示的な手順を記載する。手順の態様は、ハードウェア、ファームウェア、ソフトウェア、またはそれらの組み合わせで実装されてもよい。手順は、１つ以上のデバイスによって実行される動作を指定するブロックのセットとして示され、必ずしもそれぞれのブロックによって動作を実行するために示される順序に制限されない。少なくともいくつかの実装形態では、手順は、予測システム３１６および提案システム４１２を利用するＣＧＭプラットフォーム１１２のデータ分析プラットフォーム１２６などのデータ分析プラットフォームによって実行される。
図１７は、ユーザの血糖測定値および追加データの両方に基づいて予測および提案が生成される例示的な手順１７００を描いている。
ユーザによって着用されるＣＧＭシステムによって提供される血糖測定値が取得される（ブロック１７０２）。例として、ＣＧＭプラットフォーム１１２は、人１０２によって着用されたＣＧＭシステム１０４によって検出された血糖測定値１１８を取得する。全体を通して説明されるように、ＣＧＭシステム１０４は、人１０２の血糖を連続的にモニタリングするように構成されている。例えば、ＣＧＭシステム１０４は、人１０２の皮膚２０６に皮下挿入されるセンサ２０２で構成されてもよく、血糖測定値を生成するために人１０２の血糖を示す分析物を連続的に測定する。１つ以上の実装形態では、ＣＧＭプラットフォーム１１２は、ユーザの携帯電話またはウェアラブルデバイスなど、ＣＧＭシステム１０４に通信可能に結合された計算デバイス１０８から血糖測定値１１８を取得する。
ユーザに関連付けられた追加データが取得される（ブロック１７０４）。例として、ＣＧＭプラットフォーム１１２は、さまざまなデバイス、センサ、アプリケーション、またはサービスから追加データ４１０を取得する。したがって、本明細書で説明される原理に従って、追加データは、血糖測定値１１８が提供されるＣＧＭシステム１０４とは異なる１つ以上の「ソース」から取得されてもよい。追加データ４１０は、血糖測定値１１８に加えて、ＣＧＭデバイスデータ、補足データ３０４、サードパーティデータ３１４、ＩｏＴ１１４からのデータなどのうちの少なくとも１つ以上の部分を含んでもよい。
ユーザの健康指標は、１つ以上のモデルを使用して血糖測定値および追加データを処理することによって予測される（ブロック１７０６）。本明細書で説明される原理に従って、１つ以上のモデルは、ユーザ母集団の過去の血糖測定値および過去の追加データに基づいて生成される。例として、データ分析プラットフォーム１２６の予測システム３１６は、１つ以上のモデル４０４を使用して、人１０２の血糖測定値１１８および追加データ４１０を処理することによって、健康指標を含む予測３２０を生成する。１つ以上のモデル４０４は、ユーザ母集団１１０の血糖測定値１１８および追加データ４１０に基づいて生成される。１つ以上のモデル４０４は、限定ではなく例として、統計モデル４０６および／または追加の機械学習モデル４０８を含んでもよい。
提案は、ユーザの健康指標に基づいて生成される（ブロック１７０８）。例として、統計モデル４０６、機械学習モデル４０８、または統計および／または機械学習モデルの何らかの組み合わせが予測３２０を生成するために使用されるかどうかに関係なく、予測３２０は、データ分析プラットフォーム１２６の提案システム４１２によって取得される。提案システム４１２は、予測３２０に基づいて提案３２２を生成するように構成されている。場合によっては、健康指標は、ユーザが次の４０か月以内にＩＩ型糖尿病を発症するという予測など、予測される悪い健康状態に対応する。このシナリオでは、提案システム４１２は、予測される悪い健康状態を、予測される悪い健康状態を緩和する１つ以上の行動または挙動に関連付ける論理に基づいて、提案３２２を生成することができる。そのため、提案３２２は、予測される悪い健康状態を緩和することを意図する１つ以上の行動または挙動を含んでもよい。
予測または提案の少なくとも１つを、ネットワークを介して出力のために１つ以上の計算デバイスに通信する（ブロック１７１０）。例として、データ分析プラットフォーム１２６は、出力のために、予測３２０および／または提案３２２を計算デバイス１０８に通信する。次いで、計算デバイス１０８は、ＣＧＭインターフェースにおいて予測３２０および／または提案３２２を表示することができる。図９に示されるように、例えば、ＣＧＭユーザインターフェース９０２は、提案９０６とともに予測９０４を表示する。この例では、予測９０４は、ユーザが４０か月でＩＩ型糖尿病を発症する可能性が７６％であることを示している。提案９０６は、ユーザの予測される悪い健康状態を改善するためにユーザがとることができる１つ以上の行動または挙動を含む。例えば、図９では、提案９０６は、カスタマイズされた食事計画の提案、カスタマイズされた運動計画の提案、およびユーザが提案される栄養および運動計画を軌道に乗せるのを助けることができる指導を取得するための提案を含む。
１つ以上の実装形態では、予測または提案は、ユーザの計算デバイス１０８に通信される前に、またはその代わりに、検証サービス５０２および／または意思決定支援プラットフォーム５０４に通信され得る。このようにして、検証サービス５０２および意思決定支援プラットフォーム５０４は、データ分析プラットフォーム１２６と計算デバイス１０８との間の仲介者として行動してもよい。予測または提案が検証サービス５０２に伝達されるシナリオでは、検証サービス５０２は、提案３２２を有効化することができる。これは、提案が有効（例えば、安全）であり、さらに意思決定支援プラットフォーム５０４に、および／または計算デバイス１０８に直接通信することができるかどうかを決定することを意味する。検証サービス５０２は、提案を有効化するために、臨床医など、サービス５０２によって許可されたユーザに提案３２２を公開してもよい。
（例えば、臨床医または検証サービス５０２の論理によって）有効化されている提案に応答して、提案は、さらに意思決定支援プラットフォーム５０４に、または直接計算デバイス１０８にルーティングされてもよい。提案が有効化されない（すなわち、拒否される）ときに、提案は、さらに意思決定支援プラットフォーム５０４に、または直接計算デバイス１０８にルーティングされなくてもよい。代わりに、検証サービス５０２は、（例えば、臨床医の入力に従って）提案を修正し、および／または提案が拒否されたことをデータ分析プラットフォーム１２６に戻すように通知を提供してもよい。このシナリオでは、データ分析プラットフォーム１２６は、予測システムへの入力として拒絶の表示を追加し、異なる予測３２０および／または提案３２２の生成を開始することが可能であってもよい。実際、モデル４０４は、検証サービス５０２から受信した有効化および拒否に基づいて更新されてもよい。検証サービス５０２が提案３２２を有効化し、その結果、提案３２２が計算デバイス１０８に直接転送されることを可能にするシナリオでは、計算デバイス１０８は、上記および下記に記載のように、ディスプレイ、スピーカー、触覚フィードバックなどを介して、提案３２２を出力してもよい。
前述のように、提案３２２はまた、検証サービス５０２によって意思決定支援プラットフォーム５０４に通信されてもよいし、代替的には、検証サービスをバイパスして、データ分析プラットフォーム１２６から直接意思決定支援プラットフォーム５０４に通信されてもよい。提案３２２に基づいて、かつ対応するユーザに関してアクセス可能な他の情報に基づいて、顧客サービススペシャリストが、ユーザをどのように支援するかを決定してもよい。例として、顧客サービススペシャリストは、電話中に音声支援を提供するためにユーザに電話をかけることを決定してもよい。
更新された健康指標は、１つ以上のモデルを使用してユーザの更新された血糖測定値および追加データを処理することによって予測され、更新された健康指標に基づいて、通知が、ネットワークを介して、出力のために１つ以上の計算デバイスに通信される（ブロック１７１２）。例として、データ分析プラットフォーム１２６は、ユーザのために血糖測定値１１８および追加データ４１０を連続的に収集する。したがって、予測システム３１６は、１つ以上のモデル４０４を使用して、更新された血糖測定値および追加データを処理することによって、更新された健康指標を予測することができる。図１０に示されるように、例えば、ＣＧＭシステム１０４からのユーザの更新された血糖測定値１１８と、（ユーザの栄養ログによって示されるように）ユーザがより良い食品選択をしていることおよび（歩数データおよび運動ログによって示されるように）より頻繁に運動していることを示す追加データ４１０に基づいて、予測システム３１６は、更新された予測を生成し、これは、通知１００２として表示するために計算デバイス１０８に通信される。
図１８は、特定のアプリケーションを使用するための提案が同様のユーザの１つ以上のデバイスに通信される例示的な手順１８００を描いている。
ユーザ母集団の血糖測定値およびユーザ母集団のユーザに関連付けられたアプリケーション対話データは、１つ以上の記憶デバイスに維持される（ブロック１８０２）。本明細書で説明される原理に従って、アプリケーション対話データは、アプリケーションの使用（例えば、ユーザ母集団のさまざまなユーザによる「アプリ」の使用）を記載する。例として、ＣＧＭプラットフォーム１１２は、人１０２によって着用されたＣＧＭシステム１０４によって検出された血糖測定値１１８を取得し、血糖測定値１１８を記憶デバイス１２０に維持する。追加的に、ＣＧＭプラットフォームは、さまざまなアプリケーション、例えばサードパーティ３０６によって提供されるアプリケーションからアプリケーション対話データを取得する。
ユーザ母集団のユーザのサブセットの健康状態の改善は、少なくとも部分的に血糖測定に基づいて識別され（ブロック１８０４）、ユーザのサブセットの健康状態の改善は、アプリケーション対話データに基づく特定のアプリケーションの使用と相関される（ブロック１８０６）。例として、ＣＧＭプラットフォーム１１２は、特定のアプリケーションまたはサービスとのユーザの対話がユーザの健康の改善と相関するかどうかを決定するために、血糖測定値１１８および追加データとともに、アプリケーション対話データを集約することができる。例えば、血糖測定値１１８に基づいて、ＣＧＭプラットフォーム１１２は、ユーザの健康状態における改善を客観的に決定することができる。次いで、ＣＧＭプラットフォーム１１２は、アプリケーション対話データに基づいて、ユーザの健康の改善または低下を特定のアプリケーションの使用と相関させることができる。例えば、ＣＧＭプラットフォームが、特定のアプリケーションの頻繁な使用と一致するユーザの健康状態の改善を検出した場合、ＣＧＭプラットフォームは、特定のアプリケーションが改善と相関されると決定してもよい。
健康状態を有する同様のユーザが識別され（ブロック１８０８）、特定のアプリケーションを使用するための提案が、同様のユーザに関連付けられた１つ以上のデバイスに通信される（ブロック１８１０）。例として、提案システム４１２は、健康状態を有する同様のユーザを識別し、同様のユーザのサブセットの健康状態を改善するのに役立った特定のアプリケーションを利用するために同様のユーザへの提案を生成することができる。そうするために、提案システム４１２は、ユーザ母集団における他のユーザによる特定のアプリケーションの使用を通じて健康状態の同様の改善の確率を予測し、他の同様のユーザに対する健康を改善する可能性が高いアプリケーションを提案することができる。
アプリケーションの提案は、出力のために計算デバイス１０８に通信することができる。例として、図１１に示されるように、ＣＧＭユーザインターフェース１１０２は、提案されるアプリケーション１１０４を表示するものとして描かれている。この場合、提案されるアプリケーション１１０４は、さまざまなサードパーティのアプリケーションに対応する。図８では、ユーザは、このアプリケーションをユーザの携帯電話にダウンロードするために、アプリケーション「Ｎｕｔｒｉｔｉｏｎ ｂｙ Ｎｅｈａ」を選択するように描かれている。
図１９は、ユーザとの通信を制御するために状態情報が生成される例示的な手順１９００を描いている。
ユーザによって着用されるＣＧＭシステムによって提供されるＣＧＭパッケージが取得される（ブロック１９０２）。例として、多状態エンゲージメントシステム３１８は、人１０２によって着用されたＣＧＭシステム１０４によって提供されたＣＧＭパッケージ３０２を取得する。ＣＧＭパッケージデータは、グルコース測定値、測定値の特性、またはＣＧＭパッケージデータのＣＧＭプラットフォームによる受信の特性のうちの１つ以上を含んでもよい。
ユーザに関連付けられた追加データが取得される（ブロック１９０４）。本明細書で説明される原理に従って、追加のデータは、ＣＧＭシステムとは異なる１つ以上のソースから取得されてもよい。例として、多状態エンゲージメントシステム３１８は、ユーザ母集団１１０の追加のデータ６０６を取得する。この追加データ６０６は、限定ではなく例として、購入履歴データ（例えば、ＣＧＭシステム１０４、その一部（例えば、使い捨てセンサーアプリケーションアセンブリ）の購入を説明する）、および／またはＣＧＭプラットフォーム１１２によって提供されるサービスを含み得る。）、苦情データ、顧客サービスデータ（たとえば、ユーザが顧客サービス担当者によるユーザへの連絡の試みに応答するかどうかなどの顧客サービス担当者とのユーザインタラクションの説明）、生理学的データ、社会経済的データ、態度データ、行動データ、購入履歴、苦情データ、および支払いデータ。
追加データ６０６はまた、例えば、健康状態に関連する検索問い合わせ（例えば、「排尿」、「高血糖」、「糖尿病」、「喉が乾いた」、血糖モニタリングシステムの名前などの検索問い合わせ）を記述するデータ、健康または糖尿病関連のウェブサイトへのナビゲーションを記述するデータ、健康関連のモバイルアプリケーションとの対話を記述するデータ、１つ以上のソーシャルネットワークでの健康関連のプロファイルとのソーシャルネットワーキングの対話（例えば、フォローするユーザ、ハッシュタグ、投稿のいいね、コメント）を記述するデータ、１つ以上のソーシャルネットワークでの健康関連のソーシャルネットワークの対話（例えば、投稿またはコメント）を記述するデータなど、ユーザ母集団１１０の健康関連のオンライン活動を記述するデータを含んでもよい。これらに加えて、追加データ６０６は、追加データ５１０の説明において列挙された態様のうちの任意の１つ以上を記述してもよい。
状態情報は、１つ以上のモデルを使用して、ＣＧＭパッケージおよび追加データを処理することによってユーザに対して生成される（ブロック１９０６）。例として、エンゲージメント状態モデルマネージャ６０２は、エンゲージメント状態モデル６０４（例えば、機械学習モデル）を使用して、人１０２のＣＧＭパッケージ３０２および追加データ６０６を処理することによって、状態情報６０８を生成する。本明細書で説明される原理によれば、状態情報は、ＣＧＭシステムに関するユーザの現在の状態を少なくとも含む。これらの状態は、ＣＧＭプラットフォームに関連する、例えば、患者、介護者、ヘルスケアプロバイダ、顧客サービス担当者、サードパーティサービスプロバイダ、商用ユーザ（たとえば、アスリート、ライフハッカーなど）、パフォーマンスコーチなどのユーザの現在の役割に対応してもよい。代替的または追加的に、現在の状態は、ＣＧＭシステムとの対話の複数の段階の現在の段階に対応してもよい。患者のコンテキストでは、対話のそのような段階は、問い合わせ段階（例えば、ユーザがＣＧＭシステムに関して問い合わせるか、そうでなければ興味を示すか、または糖尿病に関連する病状に関して問い合わせる場合）、選択段階（例えば、ユーザが血糖モニタリングソリューションの中から積極的に選択している場合）、所定の段階、アクティブな使用段階（例えば、ユーザがＣＧＭプラットフォームの機能性とともにＣＧＭシステムをアクティブに使用する場合）、不規則な使用段階（例えば、ユーザの活動レベルが以前のアクティブな使用レベルからいくらか低下する、および／または使用のしきい値を下回る場合）、中止された使用段階（例えば、ユーザがＣＧＭシステムおよび／またはＣＧＭプラットフォームの使用を中止する場合）、後続のソリューション段階（例えば、ユーザがＣＧＭプラットフォームとは異なるエンティティによって展開された異なるＣＧＭシステムを使用する場合）などを含んでもよい。
全体を通して説明されたように、状態情報はまた、１つ以上の遷移確率１５０４および助長因子１５０６を含んでもよい。遷移確率１５０４は、人１０２が現在の状態から新しい状態、例えば、中止された使用状態に遷移する確率を表してもよい。１つ以上の実装形態では、状態情報６０８は、複数の可能な状態の各々の遷移確率を含んでもよい。助長因子１５０６は、どの因子が現在の状態から新しい状態への遷移を助長する可能性が高いかを示してもよい。遷移確率１５０４が、人１０２が中止された使用段階に遷移する確率に対応する実装形態において、助長因子１５０６は、人を中止された使用段階に遷移させる可能性が高い因子を示す。
ユーザとの通信は、状態情報に基づいて制御される（ブロック１９０８）。例として、状態情報６０８は、ＣＧＭプラットフォーム１１２のユーザとの通信を制御するために使用することができる。どの状態がユーザに対応するかを決定すること、および／または状態間の遷移を検出することに基づいて、多状態エンゲージメントシステム３１８は、状態および／または状態変化を示す通知を生成し、所定の受信者、例えば、患者、医療提供者、介入のための顧客サービス担当者などに通知を通信することができる。場合によっては、ユーザとの通信は、ユーザがＣＧＭシステムの使用を中止するなどの悪い状態に遷移するのを防ぐために介入戦略を生成することによって制御される。
図２０は、ユーザが悪い状態に遷移するのを防ぐために介入戦略が生成される例示的な手順２０００を描いている。
ＣＧＭシステムのユーザのユーザ母集団のＣＧＭパッケージおよび追加データは、記憶デバイスに維持される（ブロック２００２）。例として、記憶デバイス１２０は、ユーザ母集団１１０のＣＧＭパッケージ３０２および追加データ６０６を維持する。
状態情報は、１つ以上のモデルをＣＧＭパッケージ使用してＣＧＭパッケージおよび追加データの一部分少なくとも処理することによってユーザ母集団のユーザに対して生成される（ブロック２００４）。例として、エンゲージメント状態モデルマネージャ６０２は、エンゲージメント状態モデル６０４（例えば、機械学習モデル）を使用して、ＣＧＭパッケージ３０２および追加データ６０６を処理することによって、状態情報６０８を生成する。本明細書で説明される原理に従って、状態情報６０８は、ユーザ母集団のそれぞれのユーザが現在の状態から悪い状態に遷移する遷移確率１５０４、およびそれぞれのユーザの現在の状態から悪い状態への遷移を助長する可能性が高い助長因子１５０６を含んでもよい。
遷移確率に基づいて、悪い状態に遷移する可能性が高いユーザ母集団のユーザが、識別される（ブロック２００６）。例として、遷移確率および助長因子に基づいて、介入プラットフォーム８０２は、識別されたユーザの遷移確率が所定のしきい値を超えていることに基づいて、悪い状態（例えば、中止された使用段階）に遷移する可能性が高いユーザ母集団１１０のユーザを識別することができる。
介入戦略は、遷移確率と助長因子に基づいて、ユーザが悪い状態に遷移するのを防ぐために生成される（ブロック２００８）。例として、介入プラットフォーム８０２は、遷移確率１５０４および助長因子１５０６に基づいて、ユーザが悪い状態に遷移するのを防ぐためのさまざまな介入戦略を生成する。そのような介入戦略は、顧客サービス担当者、臨床医など、ユーザと通信することによって特定のシナリオに介入することを許可されているユーザに状態情報を公開することを含んでもよい。介入プラットフォーム８０２は、例えば、顧客サービス担当者が複数のユーザの状態情報をレビューすることができる場合、介入ポータルを介して状態情報（または状態情報に基づいて導出された通知）を提供してもよい。公開された状態情報により、介入プラットフォームの許可されたユーザは、例えば、ユーザに電話をかけるかどうか、ユーザに電子メールを送信するかどうか、ユーザへのＳＭＳメッセージを送信するかどうかなど、状態情報に関連付けられたユーザと通信するかどうかを決定することが可能となってもよい。代替的または追加的に、介入プラットフォーム８０２は、状態情報に応じた特定の方法で介入プラットフォームに通信するように指示する論理に応じるなどして、状態情報に基づく通信を自動的に生成および通信するように構成されてもよい。
介入戦略が人間に遷移情報を公開することを含むか、自動化されるかに関係なく、介入プラットフォームは、現在の状態から新しい状態への予測される遷移を助長する決定された因子に基づいて介入戦略をカスタマイズすることができる。例として、故障した機器（たとえば、故障したセンサ）が使用されており、故障した機器の使用を開始してから使用量が低下したことを状態情報が示す場合、顧客サービス担当者は、故障した機器に特有の戦略を展開する、例えば、新しく適切に動作する機器を送信してもよい。別の例として、異常に高い血糖値がユーザのフラストレーションを引き起こし、これが中止される使用につながる可能性が高いことを状態情報が示す場合、介入システムは、食事および運動を通してＣＧＭシステムを着用している間に血糖値レベルが減少した、ユーザ母集団における他のユーザのサクセスストーリーを含むメッセージをユーザに通信してもよい。
図２１は、健康関連のオンライン活動から決定された状態情報に基づいて、健康関連のデジタルコンテンツの出力が制御される例示的な手順２１００を描いている。
１つ以上のウェブサイトまたはソーシャルネットワークプラットフォームでの健康関連のオンライン活動を記述するデータが取得される（ブロック２１００）。例として、ＣＧＭプラットフォーム１１２は、例えば、健康状態に関連する検索問い合わせ（例えば、「排尿」、「高血糖」、「糖尿病」、「喉が乾いた」、血糖モニタリングシステムの名前などの検索問い合わせ）を記述するデータ、健康または糖尿病関連のウェブサイトへのナビゲーションを記述するデータ、健康関連のモバイルアプリケーションとの対話を記述するデータ、１つ以上のソーシャルネットワークでの健康関連のプロファイルとのソーシャルネットワーキングの対話（例えば、フォローするユーザ、ハッシュタグ、投稿のいいね、コメント）を記述するデータ、１つ以上のソーシャルネットワークでの健康関連のソーシャルネットワークの対話（例えば、投稿またはコメント）を記述するデータなど、健康関連のオンライン活動を記述するデータを含み得る追加データ６０６を取得する。
健康関連のオンライン活動を記述するデータは、さまざまな方法で受信されてもよい。例えば、図１６に描かれているように、健康状態に関連する検索問い合わせは、ユーザインターフェース１６０２に実装された検索問い合わせ入力要素１６０４を介して受信することができる。ユーザインターフェース１６０２は、ソーシャルネットワーク内など１つ以上のウェブサイト（例えば、検索エンジンウェブサイト）に実装されてもよい。検索問い合わせ入力要素１６０４はテキスト入力フィールドとして図示されているが、検索問い合わせは、音声アシスタントデバイスを介して音声コマンドを受信することなどによって、記載の技法の精神または範囲から逸脱することなく、さまざまな方法で受信されてもよい。
記載の技術によれば、特定の検索問い合わせは、健康関連、またはより具体的には、糖尿病関連の検索問い合わせと呼ばれてもよい。糖尿病関連の検索問い合わせの他の例は、ほんの数例を挙げると、「排尿」、「頭痛」、「静脈」、および「糖尿病」を含んでもよい。実際、健康および糖尿病関連の検索問い合わせは、栄養および運動に関連する用語を含む、さまざまな用語およびそれらの用語の組み合わせを含んでもよい。いずれの場合も、そのような検索問い合わせの受信は、ユーザのオンライン活動を追跡することによってキャプチャされてもよいし、これらの検索問い合わせの受信を記述するデータが生成されてもよい。
ユーザの状態情報は、健康関連のオンライン活動を記述するデータを処理することによって生成される（ブロック２１０４）。本明細書で論じられる原理によれば、状態情報は、ユーザの現在の状態を少なくとも含む。例として、健康および糖尿病関連の情報の検索は、ＣＧＭシステム１０４に関連するエンゲージメントの問い合わせまたは選択段階に対応してもよく、エンゲージメント状態モデル６０４は、そのような検索問い合わせを提出するユーザがそれらの段階のうちの少なくとも１つに対応することを予測するようにする。
健康関連のデジタルコンテンツのユーザへの出力は、状態情報に基づいて制御される（ブロック２１０６）。例として、ＣＧＭプラットフォームは、検索問い合わせ１６０６の受信に応答してユーザインターフェース１６０２に表示されるように示されるデジタルコンテンツ構成要素１６１０を介するなどして、健康関連のデジタルコンテンツの出力を制御することができる。デジタルコンテンツ構成要素１６１０は、ユーザインターフェース１６０２を介して表示されるデジタル広告、ユーザインターフェース１６０２を介して表示される検索結果、ユーザインターフェース１６０２を介して表示されるポップアップまたはトースト通知などに対応してもよい。確かに、デジタルコンテンツ構成要素１６１０は、音声アシスタントデバイスを介して出力される可聴情報、モバイル通知（例えば、携帯電話またはスマートウォッチを介して）、１つ以上のソーシャルネットワークを開始して提示される情報、ＳＭＳメッセージなど、技法の精神または範囲を逸脱することなく、さまざまな方法で構成されてもよい。代替的または追加的に、ＣＧＭプラットフォーム１１２は、ユーザにメールを送信する、ユーザに電話をかけるなどによって、健康および糖尿病関連の検索問い合わせに基づいて、ユーザとの他のタイプの通信を開始してもよい。他のタイプの通信は、ほんの数例を挙げると、ユーザの介護者（例えば、親または保護者）、またはユーザに関連付けられた医療専門家との通信を含んでもよい。
デジタルコンテンツ構成要素１６１０は、糖尿病に起因する健康状態、医療提供者への連絡方法、ＧＣＭプラットフォーム１１２の顧客サポート担当者への連絡方法などに関する情報、ＣＧＭシステム１０４の使いやすさに関する情報、ＣＧＭシステム１０４に関する情報、他の糖尿病患者および生活に関する情報などをさらに提供することによって、ユーザが血糖をモニタリングし、危険な健康状態を予防または軽減できるようにサポートを提供することができる。実際、デジタルコンテンツ構成要素１６１０は、記載の技法の精神または範囲から逸脱することなく、さまざまな情報を含んでもよい。
これらの技法はまた、例えば、ユーザが「血糖値の追跡」、「血糖がどのようにパフォーマンスに影響するか」、「血糖値運動パフォーマンス」、「血糖値と精神的パフォーマンス」などのような検索問い合わせを入力するときなど、ＣＧＭシステム１０４およびＣＧＭプラットフォーム１１２の潜在的な「商用」ユーザと通信するためにも展開されてもよいとさらに理解されよう。そのようなユーザはまた、エンゲージメント状態モデル６０４を使用して、彼らの段階を問い合わせ段階または選択段階にあるものとしてキャプチャする段階にいると決定されてもよいが、「患者」の役割ではなく「商業的」ユーザの役割を有するとする。
健康関連のデジタルコンテンツの出力は、部分的には、ユーザの現在の状態に基づいて健康関連のデジタルコンテンツをカスタマイズすることによって部分的に制御されてもよい。言い換えれば、システムは、ユーザの現在の役割とＣＧＭシステムとのエンゲージメントの段階に関連する情報を含む健康関連のデジタルコンテンツをカスタマイズ、選択、または生成することができる。例えば、システムが、ユーザが商用ユーザの役割で問い合わせ段階または選択段階にあると決定する場合、ＣＧＭプラットフォームは、健康関連のデジタルコンテンツをカスタマイズして、ユーザの健康を改善するためのＣＧＭシステムの使用に関する情報を含めてもよい。対照的に、システムが、ユーザが問い合わせ段階または選択段階にあると決定するが、ユーザがユーザの健康関連の検索問い合わせに基づいて前糖尿病を患っている可能性が高いと決定する場合、システムは健康関連のデジタルコンテンツをカスタマイズして、糖尿病に起因する健康状態、医療提供者への連絡方法などに関するさらなる情報を含めてもよい。したがって、健康関連のデジタルコンテンツに含まれる情報、および送達方法は、ユーザの異なる状態を考慮して動的に変わることができる。
１つ以上の実装形態による例示的な手順について記載したため、本明細書に記載のさまざまな技術を実装するために利用することができる例示的なシステムおよびデバイスについて考える。
例示的なシステムおよびデバイス
図２２は、本明細書に記載のさまざまな技法を実装し得る１つ以上の計算システムおよび／またはデバイスを代表する例示的な計算デバイス２２０２を含む、概して２２００における例示的なシステムを示す。これは、ＣＧＭプラットフォーム１１２を含めることを通じて示されている。計算デバイス２２０２は、例えば、サービスプロバイダのサーバ、クライアントに関連付けられたデバイス（例えば、クライアントデバイス）、オンチップシステム、および／または任意の他の好適な計算デバイスまたは計算システムであり得る。
図２２は、本明細書に記載のさまざまな技法を実装し得る１つ以上の計算システムおよび／またはデバイスを代表する例示的な計算デバイス２２０２を含む、概して２２００における例示的なシステムを示す。これは、ＣＧＭプラットフォーム１１２を含めることを通じて示されている。計算デバイス２２０２は、例えば、サービスプロバイダのサーバ、クライアントに関連付けられたデバイス（例えば、クライアントデバイス）、オンチップシステム、および／または任意の他の好適な計算デバイスまたは計算システムであり得る。
図示の例示的な計算デバイス２２０２は、処理システム２２０４、１つ以上のコンピュータ可読媒体２２０６、および互いに通信可能に結合された１つ以上のＩ／Ｏインターフェース２２０８を含む。図示されていないが、計算デバイス２２０２は、さまざまな構成要素を互いに結合するシステムバスまたは他のデータおよびコマンド転送システムをさらに含んでもよい。システムバスは、メモリバスもしくはメモリコントローラ、ペリフェラルバス、ユニバーサルシリアルバス、および／またはさまざまなバスアーキテクチャのいずれかを利用するプロセッサもしくはローカルバスなどの異なるバス構造のうちの任意の１つまたは組み合わせを含むことができる。制御ラインおよびデータラインなど、さまざまな他の例も企図されている。
処理システム２２０４は、ハードウェアを使用して１つ以上の動作を実行するための機能性の代表的なものである。したがって、処理システム２２０４は、プロセッサ、機能ブロックなどとして構成され得るハードウェア要素２２１０を含むものとして図示されている。これは、１つ以上の半導体を使用して形成された特定用途向け集積回路または他の論理デバイスとしてのハードウェアでの実装を含んでもよい。ハードウェア要素２２１０は、それらが形成される材料またはそこで使用される処理メカニズムによって制限されない。例えば、プロセッサは、半導体および／またはトランジスタ（例えば、電子集積回路（ＩＣ））から構成されてもよい。このようなコンテキストでは、プロセッサ実行可能な命令は、電子的に実行可能な命令であってもよい。
コンピュータ可読媒体２２０６は、メモリ／記憶２２１２を含むものとして示されている。メモリ／記憶２２１２は、１つ以上のコンピュータ可読媒体に関連付けられたメモリ／記憶容量を表す。メモリ／記憶構成要素２２１２は、揮発性媒体（ランダムアクセスメモリ（ＲＡＭ）など）および／または不揮発性媒体（読み出し専用メモリ（ＲＯＭ）、フラッシュメモリ、光ディスク、磁気ディスクなど）を含んでもよい。メモリ／記憶構成要素２２１２は、固定メディア（例えば、ＲＡＭ、ＲＯＭ、固定ハードドライブなど）ならびにリムーバブルメディア（例えば、フラッシュメモリ、リムーバブルハードドライブ、光ディスクなど）を含んでもよい。コンピュータ可読媒体２２０６は、以下でさらに説明するように、他のさまざまな方法で構成され得る。
入力／出力インターフェース２２０８は、ユーザが計算デバイス２２０２にコマンドおよび情報を入力することを可能にし、また、さまざまな入力／出力デバイスを使用してユーザおよび／または他の構成要素またはデバイスに情報を提示することを可能にする機能の代表のものである。入力デバイスの例は、キーボード、カーソル制御デバイス（例えば、マウス）、マイク、スキャナー、タッチ機能性（例えば、物理的なタッチを検出するように構成されている容量性または他のセンサ）、カメラ（例えば、動きをタッチを伴わないジェスチャーとして認識するために、可視または赤外線周波数などの不可視の波長を用いてもよい）などを含む。出力デバイスの例は、ディスプレイデバイス（例えば、モニターまたはプロジェクター）、スピーカー、プリンター、ネットワークカード、触覚応答デバイスなどを含む。したがって、計算デバイス２２０２は、ユーザの対話を支援するために、以下でさらに記載されるように、さまざまな方法で構成されてもよい。
本明細書では、ソフトウェア、ハードウェア要素、またはプログラムモジュールの一般的なコンテキストでさまざまな技法が記載されてもよい。一般に、このようなモジュールは、特定のタスクを実行するか、または特定の抽象データ型を実装するルーチン、プログラム、オブジェクト、要素、構成要素、データ構造などを含む。本明細書で使用される「モジュール」、「機能性」、および「構成要素」という用語は、一般に、ソフトウェア、ファームウェア、ハードウェア、またはそれらの組み合わせを表す。本明細書に記載の技術の特徴は、プラットフォームに依存しない。つまり、この技法は、さまざまなプロセッサを有するさまざまな商用計算プラットフォームに実装され得ることを意味する。
記載のモジュールおよび技法の実装形態は、何らかの形式のコンピュータ可読媒体に記憶されるか、またはそれを介して送信され得る。コンピュータ可読媒体は、計算デバイス２２０２によってアクセスされ得るさまざまな媒体を含んでもよい。限定ではなく例として、コンピュータ可読媒体は、「コンピュータ可読記憶媒体」および「コンピュータ可読信号媒体」を含んでもよい。
「コンピュータ可読記憶媒体」は、単なる信号伝送、搬送波、または信号自体とは対照的に、情報の永続的および／または非一時的な記憶を可能にする媒体および／またはデバイスを指してもよい。したがって、コンピュータで可読記憶媒体は、非信号伝達媒体を指す。コンピュータ可読記憶媒体は、揮発性および非揮発性、リムーバブルおよび非リムーバブル媒体などのハードウェア、および／またはコンピュータ可読命令、データ構造、プログラムモジュール、論理要素／回路、または他のデータなどの情報の記憶に好適な方法または技術で実装された記憶デバイスを含む。コンピュータ可読記憶媒体の例は、ＲＡＭ、ＲＯＭ、ＥＥＰＲＯＭ、フラッシュメモリもしくは他のメモリ技術、ＣＤ－ＲＯＭ、デジタル多用途ディスク（ＤＶＤ）もしくは他の光記憶デバイス、ハードディスク、磁気カセット、磁気テープ、磁気ディスクストレージもしくは他の磁気記憶デバイス、もしくは他の記憶デバイス、有形媒体、または所望の情報を記憶するのに好適であり、コンピュータによってアクセスされ得る製品を含んでもよいが、これらに限定されない。
「コンピュータ可読信号媒体」は、ネットワークを介するなどして、計算デバイス２２０２のハードウェアに命令を送信するように構成されている信号伝達媒体を指してもよい。信号媒体は、通常、コンピュータ可読命令、データ構造、プログラムモジュール、または搬送波、データ信号、もしくは他の輸送メカニズムなどの変調されたデータ信号における他のデータを具体化してもよい。信号媒体は、任意の情報送達媒体も含む。「変調されたデータ信号」という用語は、信号における情報を符号化するような方式で設定または変更されたその特性のうちの１つ以上を有する信号を意味する。限定ではないが例として、通信媒体は、有線ネットワークまたは直接有線接続などの有線媒体、および音響、ＲＦ、赤外線、および他の無線媒体などの無線媒体を含む。
上記のように、ハードウェア要素２２１０およびコンピュータ可読媒体２２０６は、１つ以上の命令を実行するなどのために、本明細書に記載の技術の少なくともいくつかの態様を実装するためにいくつかの実施形態で用いられ得るハードウェア形式で実装されるモジュール、プログラマブルデバイスロジックおよび／または固定デバイスロジックの代表のものである。ハードウェアは、集積回路またはオンチップシステムの構成要素、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、複雑なプログラマブルロジックデバイス（ＣＰＬＤ）、およびシリコンまたは他のハードウェアにおける他の実装形態を含んでもよい。このコンテキストでは、ハードウェアは、ハードウェアによって具体化された命令および／または論理によって定義されるプログラムタスク、ならびに実行のための命令を記憶するために利用されるハードウェア、例えば、上記のコンピュータ可読記憶媒体を実行する処理デバイスとして動作してもよい。
前述の組み合わせを用いて、本明細書に記載のさまざまな技術を実装してもよい。したがって、ソフトウェア、ハードウェア、または実行可能モジュールは、何らかの形式のコンピュータ可読記憶媒体上に、および／または１つ以上のハードウェア要素２２１０によって具体化される１つ以上の命令および／または論理として実装されてもよい。計算デバイス２２０２は、ソフトウェアおよび／またはハードウェアモジュールに対応する特定の命令および／または機能を実装するように構成されてもよい。したがって、ソフトウェアとして計算デバイス２２０２によって実行可能であるモジュールの実装形態は、例えば、コンピュータ可読記憶媒体および／または処理システム２２０４のハードウェア要素２２１０の使用を通じて、少なくとも部分的にハードウェアで達成されてもよい。命令および／または機能は、本明細書に記載の技術、モジュール、および例を実装するために、１つ以上の製品（例えば、１つ以上の計算デバイス２２０２および／または処理システム２２０４）によって実行可能／動作可能であってもよい。
本明細書に記載の技術は、計算デバイス２２０２のさまざまな構成によって支援されてもよく、本明細書に記載の技術の特定の例に限定されない。この機能性は、以下に記載のように、プラットフォーム２２１６を介した「クラウド」２２１４上など、分散システムを使用することを通じて、全部または部分的に実装されてもよい。
クラウド２２１４は、リソース２２１８のためのプラットフォーム２２１６を含み、および／またはその代表のものである。プラットフォーム２２１６は、クラウド２２１４のハードウェア（例えば、サーバ）およびソフトウェアリソースの基礎となる機能性を抽象化する。リソース２２１８は、計算デバイス２２０２から離れたサーバ上でコンピュータ処理が実行されている間に利用することができるアプリケーションおよび／またはデータを含んでもよい。リソース２２１８はまた、インターネットを介して、および／またはセルラーまたはＷｉ－Ｆｉネットワークなどの加入者ネットワークを通じて提供されるサービスを含むことができる。
プラットフォーム２２１６は、計算デバイス２２０２を他の計算デバイスと接続するためにリソースおよび機能を抽象化してもよい。プラットフォーム２２１６はまた、リソースのスケーリングを抽象化して、プラットフォーム２２１６を介して実装されるリソース２２１８の遭遇した需要に対応するレベルのスケールを提供するのに機能してもよい。したがって、相互接続されたデバイスの実施形態では、本明細書に記載の機能の実装は、システム２２００全体に分散されてもよい。例えば、機能性は、部分的に計算デバイス２２０２上、およびクラウド２２１４の機能性を抽象化するプラットフォーム２２１６を介して実装されてもよい。
結論
システムおよび技術は、構造的特徴および／または方法論的行為に固有の言語で記載されているが、添付の特許請求の範囲で定義されるシステムおよび技術は、必ずしも記載の特定の特徴または行為に限定されないと理解するべきである。むしろ、特定の特徴および行為は、特許請求の範囲の主題を実装するための例示的な形態として開示されている。
システムおよび技術は、構造的特徴および／または方法論的行為に固有の言語で記載されているが、添付の特許請求の範囲で定義されるシステムおよび技術は、必ずしも記載の特定の特徴または行為に限定されないと理解するべきである。むしろ、特定の特徴および行為は、特許請求の範囲の主題を実装するための例示的な形態として開示されている。
１００ 環境
１０２ 人
１０４ ＣＧＭシステム
１０６ インスリン送達システム
１０８ 計算デバイス
１１０ ユーザ母集団
１１２ ＣＧＭプラットフォーム
１１４ モノのインターネット（ＩｏＴ）
１１６ ネットワーク
１１８ 血糖測定値
１０２ 人
１０４ ＣＧＭシステム
１０６ インスリン送達システム
１０８ 計算デバイス
１１０ ユーザ母集団
１１２ ＣＧＭプラットフォーム
１１４ モノのインターネット（ＩｏＴ）
１１６ ネットワーク
１１８ 血糖測定値
Claims (74)
- 方法であって、
ユーザによって着用された連続血糖モニタリング（ＣＧＭ）システムによって提供されるＣＧＭパッケージを取得することと、
前記ユーザに関連付けられた追加データを取得することであって、前記追加データが、前記ＣＧＭシステムとは異なる１つ以上のソースから取得される、取得することと、
部分的に１つ以上のモデルを使用して、前記ＣＧＭパッケージおよび前記追加データを処理することによって前記ユーザの状態情報を生成することであって、前記状態情報が、前記ＣＧＭシステムに関する前記ユーザの現在の状態を少なくとも含む、生成することと、
前記状態情報に基づいて前記ユーザとの通信を制御することと、を含む、方法。 - 前記１つ以上のモデルを使用して識別される前記ユーザの前記現在の状態が、前記ユーザの現在の役割と、前記ＣＧＭシステムとの対話の複数の段階のうちの現在の段階との両方を含む、請求項１に記載の方法。
- 前記ユーザの前記現在の状態が、アクティブな使用段階、不規則な使用段階、または中止された使用段階のうちの１つを含む、請求項２に記載の方法。
- 前記状態情報を前記生成することが、前記ユーザが前記ＣＧＭシステムとの対話の前記複数の段階の各々にいる確率を生成することをさらに含み、前記現在の状態が、最も高い確率を有する段階として識別される、請求項２または３に記載の方法。
- 前記状態情報を生成することが、前記１つ以上のモデルを使用して前記ＣＧＭパッケージおよび前記追加データを処理することによって、前記ユーザが前記現在の状態から新しい状態に遷移する遷移確率を生成することをさらに含む、請求項１～４のいずれか一項に記載の方法。
- 前記状態情報を生成することが、前記１つ以上のモデルを使用して前記ＣＧＭパッケージおよび前記追加データを処理することによって、前記現在の状態から前記新しい状態への前記ユーザの前記遷移を助長する可能性がある１つ以上の助長因子を決定することをさらに含む、請求項５に記載の方法。
- １つ以上の機械学習技法を使用して、ユーザ母集団の過去のＣＧＭパッケージおよび過去の追加データに基づいて前記１つ以上のモデルを生成することをさらに含む、請求項１～６のいずれか一項に記載の方法。
- 前記ＣＧＭパッケージが、血糖測定値および前記血糖測定値の特性を含み、前記追加データが、前記ＣＧＭパッケージデータのＣＧＭプラットフォームによる受信の特性を記述する、請求項１～７のいずれか一項に記載の方法。
- 前記追加データが、サードパーティデータ、生理学的データ、社会経済的データ、態度データ、挙動データ、購入履歴データ、苦情データ、または支払いデータのうちの１つ以上を含む、請求項１～８のいずれか一項に記載の方法。
- システムであって、
ユーザによって着用された連続血糖モニタリング（ＣＧＭ）システムによって取得されたＣＧＭパッケージと、前記ユーザに関連付けられた追加データを少なくとも維持する記憶デバイスと、
多状態エンゲージメントシステムであって、
部分的に１つ以上のモデルを使用して、前記ＣＧＭパッケージおよび前記追加データを処理することによって前記ユーザの状態情報を生成することであって、前記状態情報が、前記ＣＧＭシステムに関する前記ユーザの現在の状態を少なくとも含む、生成することと、
前記状態情報に基づいて前記ユーザとの通信を制御することと、を行う多状態エンゲージメントシステムと、を含む、システム。 - 前記１つ以上のモデルを使用して識別される前記ユーザの前記現在の状態が、前記ユーザの現在の役割と、前記ＣＧＭシステムとの対話の複数の段階のうちの現在の段階との両方を含む、請求項１０に記載のシステム。
- 前記ユーザの前記現在の状態が、アクティブな使用段階、不規則な使用段階、または中止された使用段階のうちの１つを含む、請求項１１に記載のシステム。
- 前記多状態エンゲージメントシステムが、前記ユーザが前記ＣＧＭシステムとの対話の前記複数の段階の各々にいる確率を生成することによって前記状態情報を生成するようにさらに構成されており、前記現在の状態が、最も高い確率を有する段階として識別される、請求項１１または１２に記載のシステム。
- 前記多状態エンゲージメントシステムが、前記１つ以上のモデルを使用して前記ＣＧＭパッケージおよび前記追加データを処理することによって、前記ユーザが前記現在の状態から新しい状態に遷移する遷移確率を生成することによって前記状態情報を生成するようにさらに構成されている、請求項１０～１３のいずれか一項に記載のシステム。
- 前記多状態エンゲージメントシステムが、前記１つ以上のモデルを使用して前記ＣＧＭパッケージおよび前記追加データを処理することによって、前記現在の状態から前記新しい状態への前記ユーザの前記遷移を助長するであろう１つ以上の助長因子を決定することによって、前記状態情報を生成するようにさらに構成されている、請求項１４に記載のシステム。
- 前記多状態エンゲージメントシステムが、１つ以上の機械学習技法を使用して、ユーザ母集団の過去のＣＧＭパッケージおよび過去の追加データに基づいて前記１つ以上のモデルを生成するようにさらに構成されている、請求項１０～１５のいずれか一項に記載のシステム。
- 前記ＣＧＭパッケージが、血糖測定値および血糖測定値の特性を含み、前記追加データが、前記ＣＧＭパッケージデータのＣＧＭプラットフォームによる受信の特性を記述する、請求項１０～１６のいずれか一項に記載のシステム。
- 前記追加データが、サードパーティデータ、生理学的データ、社会経済的データ、態度データ、挙動データ、購入履歴データ、苦情データ、または支払いデータのうちの１０つ以上を含む、請求項１０～１７のいずれか一項に記載のシステム。
- 命令が記憶された１つ以上のコンピュータ可読記憶媒体であって、前記命令が、１つ以上のプロセッサによって動作を実行するように実行可能であり、前記動作が、
ユーザによって着用された連続血糖モニタリング（ＣＧＭ）システムによって提供されるＣＧＭパッケージを取得することと、
前記ユーザに関連付けられた追加データを取得することであって、前記追加データが、前記ＣＧＭシステムとは異なる１つ以上のソースから取得される、取得することと、
部分的に１つ以上のモデルを使用して、前記ＣＧＭパッケージおよび前記追加データを処理することによって前記ユーザの状態情報を生成することであって、前記状態情報が、前記ＣＧＭシステムに関する前記ユーザの現在の状態を少なくとも含む、生成することと、
前記状態情報に基づいて前記ユーザとの通信を制御することと、を含む、１つ以上のコンピュータ可読記憶媒体。 - 前記１つ以上のモデルを使用して識別される前記ユーザの前記現在の状態が、前記ユーザの現在の役割と、前記ＣＧＭシステムとの対話の複数の段階のうちの現在の段階との両方を含む、請求項１９に記載の１つ以上のコンピュータ可読記憶媒体。
- 前記ユーザの前記現在の状態が、アクティブな使用段階、不規則な使用段階、または中止された使用段階のうちの１つを含む、請求項２０に記載の１つ以上のコンピュータ可読記憶媒体。
- 前記状態情報を生成することが、前記ユーザが前記ＣＧＭシステムとの対話の前記複数の段階の各々にいる確率を生成することをさらに含み、前記現在の状態が、最も高い確率を有する段階として識別される、請求項２０または２１に記載の１つ以上のコンピュータ可読記憶媒体。
- 前記状態情報を生成することが、前記１つ以上のモデルを使用して前記ＣＧＭパッケージおよび前記追加データを処理することによって、前記ユーザが前記現在の状態から新しい状態に遷移する遷移確率を生成することをさらに含む、請求項１９～２２のいずれか一項に記載の１つ以上のコンピュータ可読記憶媒体。
- 前記状態情報を生成することが、前記１つ以上のモデルを使用して前記ＣＧＭパッケージおよび前記追加データを処理することによって、前記現在の状態から前記新しい状態への前記ユーザの前記遷移を助長する可能性がある１つ以上の助長因子を決定することをさらに含む、請求項２３に記載の１つ以上のコンピュータ可読記憶媒体。
- 装置であって、
ユーザによって着用された連続血糖モニタリング（ＣＧＭ）システムによって提供されるＣＧＭパッケージと、前記ユーザに関連付けられた追加データを取得するための取得手段と、
部分的に１つ以上のモデルを使用して、前記ＣＧＭパッケージおよび前記追加データを処理することによって前記ユーザの状態情報を生成するための生成手段であって、前記状態情報が、前記ＣＧＭシステムに関する前記ユーザの現在の状態を少なくとも含む、生成手段と、
前記状態情報に基づいて前記ユーザとの通信を制御するための通信手段と、を含む、装置。 - 方法であって、
１つ以上の記憶デバイスに、連続血糖モニタリング（ＣＧＭ）システムのユーザのユーザ母集団のＣＧＭパッケージおよび追加データを維持することと、
１つ以上のモデルを使用して前記ＣＧＭパッケージおよび前記追加データの少なくとも一部分を処理することによって、前記ユーザ母集団のユーザの状態情報を生成することであって、前記状態情報が、前記ユーザ母集団のそれぞれのユーザが現在の状態から悪い状態に遷移するであろう遷移確率および前記遷移を助長する可能性が高い助長因子を含む、生成することと、
前記遷移確率に基づいて、前記悪い状態に遷移する可能性が高い、前記ユーザ母集団のユーザを識別することと、
前記遷移確率および前記助長因子に基づいて、前記ユーザが前記悪い状態に遷移するのを防ぐための介入戦略を生成することと、を含む、方法。 - 前記悪い状態が、中止された使用状態を含む、請求項２６に記載の方法。
- 前記識別することが、しきい値を超える前記遷移確率を有するユーザとして遷移する可能性が高いユーザを識別することを含む、請求項２６または２７に記載の方法。
- 介入戦略の一部として、ユーザに関連付けられた受信者への助長因子の通信を開始することをさらに含む、請求項２６～２８のいずれか一項に記載の方法。
- 前記介入戦略の一部として前記悪い状態への遷移を防ぐために、ユーザに関連付けられた受信者への１つ以上のメッセージの通信を開始することをさらに含む、請求項２６～２９のいずれか一項に記載の方法。
- 前記１つ以上の助長因子に基づいて前記１つ以上のメッセージを自動的にカスタマイズすることをさらに含む、請求項３０に記載の方法。
- 前記１つ以上のモデルが、１つ以上の機械学習技法を使用して、前記ユーザ母集団の過去のＣＧＭパッケージおよび過去の追加データの少なくとも一部分に基づいて生成される、請求項２６～３１のいずれか一項に記載の方法。
- システムであって、
連続血糖モニタリング（ＣＧＭ）システムのユーザのユーザ集団のＣＧＭパッケージおよび追加データを維持する記憶デバイスと、
１つ以上のモデルを使用して前記ＣＧＭパッケージおよび前記追加データの少なくとも一部分を処理することによって、ユーザ母集団のユーザの状態情報を生成する多状態エンゲージメントシステムであって、前記状態情報が、前記ユーザ母集団のそれぞれのユーザが現在の状態から悪い状態に遷移するであろう遷移確率および前記遷移を助長する可能性が高い助長因子を含む、多状態エンゲージメントシステムと、
前記遷移確率に基づいて、前記悪い状態に遷移する可能性が高い前記ユーザ母集団のユーザを識別し、前記遷移確率および前記助長因子に基づいて、前記ユーザが前記悪い状態に遷移するのを防ぐための介入戦略を生成する介入プラットフォームと、を含む、システム。 - 前記悪い状態が、中止された使用状態を含む、請求項３３に記載のシステム。
- 前記介入プラットフォームが、しきい値を超える前記遷移確率を有するユーザとして遷移する可能性が高いユーザを識別することを含む、請求項３３または３４に記載のシステム。
- 介入戦略は、前記介入プラットフォームが前記ユーザに関連付けられた受信者への助長因子の通信を開始することを含む、請求項３３～３５のいずれか一項に記載のシステム。
- 前記介入戦略は、前記介入プラットフォームが前記悪い状態への前記遷移を防ぐために前記ユーザへの１つ以上のメッセージの通信を開始することを含む、請求項３３～３６のいずれか一項に記載のシステム。
- 前記介入プラットフォームが、前記１つ以上の助長因子に基づいて前記１つ以上のメッセージを自動的にカスタマイズする、請求項３７に記載のシステム。
- 前記１つ以上のモデルが、１つ以上の機械学習技法を使用して、前記ユーザ母集団の過去のＣＧＭパッケージおよび過去の追加データの少なくとも一部分に基づいて生成される、請求項３３～３８のいずれか一項に記載のシステム。
- 命令が記憶された１つ以上のコンピュータ可読記憶媒体であって、前記命令が、１つ以上のプロセッサによって動作を実行するように実行可能であり、前記動作が、
１つ以上の記憶デバイスに、連続血糖モニタリング（ＣＧＭ）システムのユーザのユーザ母集団のＣＧＭパッケージおよび追加データを維持することと、
１つ以上のモデルを使用して前記ＣＧＭパッケージおよび前記追加データの少なくとも一部分を処理することによって、前記ユーザ母集団のユーザの状態情報を生成することであって、前記状態情報が、前記ユーザ母集団のそれぞれのユーザが現在の状態から悪い状態に遷移するであろう遷移確率および前記遷移を助長する可能性が高い助長因子を含む、生成することと、
前記遷移確率に基づいて、前記悪い状態に遷移する可能性が高い前記ユーザ母集団のユーザを識別することと、
前記遷移確率および前記助長因子に基づいて、前記ユーザが前記悪い状態に遷移するのを防ぐための介入戦略を生成することと、を含む、コンピュータ可読記憶媒体。 - 前記悪い状態が、中止された使用状態を含む、請求項４０に記載の１つ以上のコンピュータ可読記憶媒体。
- 前記識別することが、しきい値を超える前記遷移確率を有するユーザとして遷移する可能性が高いユーザを識別することを含む、請求項４０または４１に記載の１つ以上のコンピュータ可読記憶媒体。
- 介入戦略の一部として、ユーザに関連付けられた受信者への助長因子の通信を開始することをさらに含む、請求項４０～４２のいずれか一項に記載の１つ以上のコンピュータ可読記憶媒体。
- 前記介入戦略の一部として前記悪い状態への遷移を防ぐために、ユーザに関連付けられた受信者への１つ以上のメッセージの通信を開始することをさらに含む、請求項４０～４３のいずれか一項に記載の１つ以上のコンピュータ可読記憶媒体。
- 前記１つ以上の助長因子に基づいて前記１つ以上のメッセージを自動的にカスタマイズすることをさらに含む、請求項４４に記載の１つ以上のコンピュータ可読記憶媒体。
- 前記１つ以上のモデルが、１つ以上の機械学習技法を使用して、前記ユーザ母集団の過去のＣＧＭパッケージおよび過去の追加データの少なくとも一部分に基づいて生成される、請求項４０～４５のいずれか一項に記載の１つ以上のコンピュータ可読記憶媒体。
- 装置であって、
ＣＧＭシステムのユーザのユーザ集団の連続血糖モニタリング（ＣＧＭ）パッケージおよび追加データを取得するための取得手段と、
１つ以上のモデルを使用して前記ＣＧＭパッケージおよび前記追加データの少なくとも一部分を処理することによって、ユーザ母集団のユーザの状態情報を生成するための生成手段であって、前記状態情報が、前記ユーザ母集団のそれぞれのユーザが現在の状態から悪い状態に遷移するであろう遷移確率および前記遷移を助長する可能性が高い助長因子を含む、生成手段と、
前記遷移確率に基づいて、前記悪い状態に遷移する可能性が高い前記ユーザ母集団のユーザを識別するための識別手段と、
前記遷移確率および前記助長因子に基づいて、前記ユーザが前記悪い状態に遷移するのを防ぐための介入戦略を生成するための介入戦略手段と、を含む、装置。 - 前記悪い状態が、中止された使用状態を含む、請求項４７に記載の装置。
- 前記１つ以上のモデルが、１つ以上の機械学習技法を使用して、前記ユーザ母集団の過去のＣＧＭパッケージおよび過去の追加データの少なくとも一部分に基づいて生成される、請求項４７または４８に記載の装置。
- 方法であって、
ユーザによる１つ以上のウェブサイトまたはソーシャルネットワークでの健康関連のオンライン活動を記述するデータを取得することと、
健康関連のオンライン活動を記述するデータを処理することによって前記ユーザの状態情報を生成することであって、前記状態情報は、前記ユーザの現在の状態を含む、生成することと、
前記状態情報に基づいて、前記ユーザへの健康関連のデジタルコンテンツの出力を制御することと、を含む、方法。 - 健康関連のオンライン活動を記述する前記データが、健康状態に関連する１つ以上の検索問い合わせを含む、請求項５０に記載の方法。
- 健康関連のオンライン活動を記述する前記データが、糖尿病に関連する１つ以上の検索問い合わせを含む、請求項５０または５１に記載の方法。
- 前記ユーザの前記現在の状態が、血糖モニタリングシステムに関連する問い合わせ状態またはエンゲージメントの選択段階のうちの少なくとも１つに対応する、請求項５２に記載の方法。
- 前記健康関連のデジタルコンテンツの出力を制御することが、前記１つ以上のウェブサイトまたはソーシャルネットワークのユーザインターフェースに前記健康関連のデジタルコンテンツを表示させることを含む、請求項５０～５３のいずれか一項に記載の方法。
- 前記健康関連のデジタルコンテンツの出力を制御することが、前記ユーザの携帯電話またはスマートウォッチ上でモバイル通知として前記健康関連のデジタルコンテンツを表示させることを含む、請求項５０～５４のいずれか一項に記載の方法。
- 前記健康関連のデジタルコンテンツの出力を制御することが、前記ユーザへのテキストメッセージまたは電子メールメッセージとして前記健康関連のデジタルコンテンツを通信することを含む、請求項５０～５５のいずれか一項に記載の方法。
- 前記健康関連のデジタルコンテンツの出力を制御することが、前記ユーザの前記現在の状態に基づいて前記健康関連のデジタルコンテンツをカスタマイズすることを含む、請求項５０～５６のいずれか一項に記載の方法。
- 前記ユーザの前記現在の状態が、現在の役割および血糖モニタリングシステムとのエンゲージメントの段階を含む、請求項５７に記載の方法。
- 命令が記憶された１つ以上のコンピュータ可読記憶媒体であって、前記命令が、１つ以上のプロセッサによって動作を実行するように実行可能であり、前記動作が、
ユーザによる１つ以上のウェブサイトまたはソーシャルネットワークでの健康関連のオンライン活動を記述するデータを取得することと、
健康関連のオンライン活動を記述するデータを処理することによって前記ユーザの状態情報を生成することであって、前記状態情報は、前記ユーザの現在の状態を含む、生成することと、
前記状態情報に基づいて、前記ユーザへの健康関連のデジタルコンテンツの出力を制御することと、を含む、１つ以上のコンピュータ可読記憶媒体。 - 健康関連のオンライン活動を記述する前記データが、健康状態に関連する１つ以上の検索問い合わせを含む、請求項５９に記載の１つ以上のコンピュータ可読記憶媒体。
- 健康関連のオンライン活動を記述する前記データが、糖尿病に関連する１つ以上の検索問い合わせを含む、請求項５９または６０に記載の１つ以上のコンピュータ可読記憶媒体。
- 前記ユーザの前記現在の状態が、血糖モニタリングシステムに関連する問い合わせ状態またはエンゲージメントの選択段階のうちの少なくとも１つに対応する、請求項６１に記載の１つ以上のコンピュータ可読記憶媒体。
- 前記健康関連のデジタルコンテンツの出力を制御することが、前記１つ以上のウェブサイトまたはソーシャルネットワークのユーザインターフェースに前記健康関連のデジタルコンテンツを表示させることを含む、請求項５９～６２のいずれか一項に記載の１つ以上のコンピュータ可読記憶媒体。
- 前記健康関連のデジタルコンテンツの出力を制御することが、前記ユーザの携帯電話またはスマートウォッチ上でモバイル通知として前記健康関連のデジタルコンテンツを表示させることを含む、請求項５９～６３のいずれか一項に記載の１つ以上のコンピュータ可読記憶媒体。
- 前記健康関連のデジタルコンテンツの出力を制御することが、前記ユーザへのテキストメッセージまたは電子メールメッセージとして前記健康関連のデジタルコンテンツを通信することを含む、請求項５９～６４のいずれか一項に記載の１つ以上のコンピュータ可読記憶媒体。
- 前記健康関連のデジタルコンテンツの出力を制御することが、前記ユーザの前記現在の状態に基づいて前記健康関連のデジタルコンテンツをカスタマイズすることを含む、請求項５９～６５のいずれか一項に記載の１つ以上のコンピュータ可読記憶媒体。
- 前記ユーザの前記現在の状態が、現在の役割および血糖モニタリングシステムとのエンゲージメントの段階を含む、請求項６６に記載の１つ以上のコンピュータ可読記憶媒体。
- システムであって、
メモリおよび動作を実行するプロセッサを少なくとも含み、前記動作が、
ユーザによる１つ以上のウェブサイトまたはソーシャルネットワークでの健康関連のオンライン活動を記述するデータを取得することと、
健康関連のオンライン活動を記述するデータを処理することによって前記ユーザの状態情報を生成することであって、前記状態情報は、前記ユーザの現在の状態を含む、生成することと、
前記状態情報に基づいて、前記ユーザへの健康関連のデジタルコンテンツの出力を制御することと、を含む、システム。 - 健康関連のオンライン活動を記述する前記データが、健康状態に関連する１つ以上の検索問い合わせを含む、請求項６８に記載のシステム。
- 健康関連のオンライン活動を記述する前記データが、糖尿病に関連する１つ以上の検索問い合わせを含む、請求項６８または６９に記載のシステム。
- 前記ユーザの前記現在の状態が、血糖モニタリングシステムに関連する問い合わせ状態またはエンゲージメントの選択段階のうちの少なくとも１つに対応する、請求項７０に記載のシステム。
- 前記健康関連のデジタルコンテンツの出力を制御することが、
１つ以上のウェブサイトもしくはソーシャルネットワークのユーザインターフェイスに健康関連のデジタルコンテンツを表示させること、
前記ユーザの携帯電話もしくはユーザのスマートウォッチにモバイル通知として前記健康関連のデジタルコンテンツを表示させること、または
前記ユーザへのテキストメッセージまたは電子メールメッセージとして前記健康関連のデジタルコンテンツを通信することのうちの少なくとも１つを含む、請求項６８～７１のいずれか一項に記載のシステム。 - 前記健康関連のデジタルコンテンツの出力を制御することが、前記ユーザの前記現在の状態に基づいて前記健康関連のデジタルコンテンツをカスタマイズすることを含む、請求項６８～７２のいずれか一項に記載のシステム。
- 前記ユーザの前記現在の状態が、現在の役割および血糖モニタリングシステムとのエンゲージメントの段階を含む、請求項６８～７３のいずれか一項に記載のシステム。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201962948724P | 2019-12-16 | 2019-12-16 | |
| US62/948,724 | 2019-12-16 | ||
| PCT/US2020/063655 WO2021126583A1 (en) | 2019-12-16 | 2020-12-07 | Multi-state engagement with continuous glucose monitoring systems |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2023507175A true JP2023507175A (ja) | 2023-02-21 |
| JPWO2021126583A5 JPWO2021126583A5 (ja) | 2023-11-28 |
Family
ID=76316356
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2022537157A Pending JP2023507175A (ja) | 2019-12-16 | 2020-12-07 | 連続血糖モニタリングシステムによる多状態エンゲージメント |
Country Status (7)
| Country | Link |
|---|---|
| US (3) | US11696706B2 (ja) |
| EP (1) | EP4076157A4 (ja) |
| JP (1) | JP2023507175A (ja) |
| CN (1) | CN115038377A (ja) |
| AU (1) | AU2020407985A1 (ja) |
| CA (1) | CA3162911A1 (ja) |
| WO (1) | WO2021126583A1 (ja) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115038377A (zh) | 2019-12-16 | 2022-09-09 | 德克斯康公司 | 连续葡萄糖监测系统的多状态参与 |
| EP4107759A1 (en) * | 2020-02-17 | 2022-12-28 | Glucogear Tecnologia Ltda | Devices, systems, and methods for predicting blood glucose levels based on a personalized blood glucose regulation model |
| EP3923101A1 (en) * | 2020-06-08 | 2021-12-15 | ABB Power Grids Switzerland AG | Method and computing system for performing a prognostic health analysis for an asset |
| KR20230043779A (ko) | 2020-07-29 | 2023-03-31 | 바이오링크 인코포레이티드 | 미세 바늘 어레이를 갖는 지속 분석물 모니터링 시스템 |
| SE2330048A1 (en) | 2021-05-08 | 2023-01-25 | Biolinq Incorporated | Fault detection for microneedle array based continuous analyte monitoring device |
| CN118039139A (zh) * | 2022-11-14 | 2024-05-14 | 华为技术有限公司 | 一种健康管理的方法、装置、系统、电子设备及存储介质 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN202393731U (zh) * | 2011-08-16 | 2012-08-22 | 苏州悦安医疗电子有限公司 | 一种便携式无创血糖监测仪 |
| CN107209780A (zh) | 2015-01-16 | 2017-09-26 | 普华永道会计事务所 | 医疗数据交换系统和方法 |
| US20170216518A1 (en) | 2016-02-01 | 2017-08-03 | Dexcom, Inc. | System and method for decision support using lifestyle factors |
| EP3635591A4 (en) | 2017-06-09 | 2021-03-24 | Companion Medical, Inc. | SMART DRUG DELIVERY SYSTEMS AND PROCESSES |
| US20190209777A1 (en) | 2018-01-08 | 2019-07-11 | Fitscript Llc | Systems and methods for interactive exercise therapy |
| JP7443235B2 (ja) * | 2018-02-09 | 2024-03-05 | デックスコム・インコーポレーテッド | 意思決定支援のシステムおよび方法 |
| US11363953B2 (en) * | 2018-09-13 | 2022-06-21 | International Business Machines Corporation | Methods and systems for managing medical anomalies |
| CN115038377A (zh) | 2019-12-16 | 2022-09-09 | 德克斯康公司 | 连续葡萄糖监测系统的多状态参与 |
-
2020
- 2020-12-07 CN CN202080094460.9A patent/CN115038377A/zh active Pending
- 2020-12-07 EP EP20901052.9A patent/EP4076157A4/en active Pending
- 2020-12-07 US US17/114,211 patent/US11696706B2/en active Active
- 2020-12-07 JP JP2022537157A patent/JP2023507175A/ja active Pending
- 2020-12-07 CA CA3162911A patent/CA3162911A1/en active Pending
- 2020-12-07 US US17/114,204 patent/US11712182B2/en active Active
- 2020-12-07 WO PCT/US2020/063655 patent/WO2021126583A1/en unknown
- 2020-12-07 AU AU2020407985A patent/AU2020407985A1/en active Pending
- 2020-12-07 US US17/114,182 patent/US20210177316A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| US20210177317A1 (en) | 2021-06-17 |
| CA3162911A1 (en) | 2021-06-24 |
| US20210177316A1 (en) | 2021-06-17 |
| CN115038377A (zh) | 2022-09-09 |
| EP4076157A1 (en) | 2022-10-26 |
| US11712182B2 (en) | 2023-08-01 |
| AU2020407985A1 (en) | 2022-06-09 |
| EP4076157A4 (en) | 2024-01-10 |
| US20210183508A1 (en) | 2021-06-17 |
| US11696706B2 (en) | 2023-07-11 |
| WO2021126583A1 (en) | 2021-06-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11653860B2 (en) | Recommendations based on continuous glucose monitoring | |
| US11712182B2 (en) | Multi-state engagement with continuous glucose monitoring systems | |
| US20190005201A1 (en) | Cognitive diabetic regulator | |
| JP2023529261A (ja) | 積み重ねられた機械学習モデルを使用したグルコース測定値予測 | |
| JP2023536038A (ja) | ウェアラブルグルコースモニタリングデバイスを用いた集団疾病の識別 | |
| US20210369151A1 (en) | Glucose prediction using machine learning and time series glucose measurements | |
| WO2021247928A1 (en) | Systems for adaptive healthcare support, behavioral intervention, and associated methods | |
| US11615793B1 (en) | Voice assistant configured to leverage information from sensing devices | |
| US11969267B2 (en) | Glucose alert prediction horizon modification | |
| US20220378337A1 (en) | Adaptive Systems for Continuous Glucose Monitoring | |
| US20230134919A1 (en) | Glucose Level Deviation Detection | |
| CN118077014A (zh) | 葡萄糖水平偏差检测 | |
| CN117223065A (zh) | 用于确定葡萄糖值序列的相似性的系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231117 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20231117 |