JP2023518762A - 持続血糖モニタリングデータを分析し、解釈し、対処するためのシステム及び方法 - Google Patents

Abstract

方法及びデバイスは、持続血糖モニタリング（ＣＧＭ）デバイスを使用して、ユーザの血糖値を受信することと、範囲内時間（ＴＩＲ）値を判定することと、ＴＩＲ状態を判定することと、血糖変動（ＧＶ）値を受信することと、ＧＶ状態を判定することと、ＴＩＲ状態及びＧＶ状態に基づいて開始状態を判定することと、開始状態が非理想的状態に対応することを判定することと、食事、活動及び薬の使用を含む自己管理行動に対処することなどの、１つ又は複数のアカウントベクトルに基づいて理想的状態に到達するために、最適化経路を生成することとによって、グルコース状態の管理のための自動コーチングを含む。さらに、最適化経路は、経時的に関心のある重要な事象のコンピュータ検出及び分類に基づき得る。【選択図】図５Ａ

Description

（関連出願）
本願は、１）２０２１年１月１１日に出願された米国仮出願第６３／１３５，８１８号、２）２０２０年３月２０日に出願された米国仮出願第６２／９９２，３８５号、及び３）２０２０年３月２０日に出願された米国仮出願第６２／９９２，４０９号の継続出願であり、且つ優先権の利益を主張し、これらの各々は、その全体を参照により本明細書に援用する。

本開示は、概して、最適化経路を生成し、ユーザの健康を改善するために、データを取得し、処理することに関し、いくつかの実施形態では、特に、モバイルアプリケーションを介してユーザのグルコース状態を最適化することに関する。

増加した医療費は、適切なケアへのユーザのアクセスを制限している。同時に、ヘルスケア企業は、提供者の仕事量を増加させ、医師とユーザとの相互作用を制限している。糖尿病の治療はしばしば、治療の選択肢を効果的に提供するための十分なデータを提供しない散発的な測定値（例えば、グルコース測定値）に依存する。そのような測定値はしばしば、変化が、ごくわずかの測定値に基づいて推奨されるように、単独で使用される。したがって、所定の測定値の結果として推奨される任意の医療、食事、及び／又はライフスタイルの変化は、散発的な測定値を介して受信される疎なデータを考慮すると、制限されている。

本開示は、１つ又は複数の上記の課題に対処することを対象とする。本明細書で提供される導入部は、本開示のコンテキストを一般的に示すためのものである。本明細書に別段に示されない限り、本セクションに記載された資料は、本願の請求項の先行技術ではなく、本セクションに含めることによって、先行技術であること、又は先行技術の示唆であることを認めるものでもない。

本開示は、ユーザのグルコース状態を管理するためのコンピュータ実装方法を対象とし、持続血糖モニタリング（ＣＧＭ）デバイスを使用して、ユーザの血糖値を受信することと、ユーザの血糖値の範囲内時間（ＴＩＲ）値を判定することであって、ＴＩＲ値は、ユーザの血糖値が基準期間にわたって閾値帯内にある時間の量に基づいている、判定することと、ＴＩＲ値に基づいてＴＩＲ状態を判定することと、少なくともユーザの血糖値に基づく血糖変動（ＧＶ）値を受信することであって、ＧＶ値は、標準偏差又は変動係数（ＣＶ）のうちの１つであり、ＣＶは、基準期間にわたる血糖値の標準偏差を考慮して、ユーザの血糖値の変動を示す、受信することと、ＧＶ値に基づいてＧＶ状態を判定することと、ＴＩＲ状態及びＧＶ状態に基づいて開始状態を判定することと、開始状態が非理想的状態に対応することを判定することと、１つ又は複数のアカウントベクトルに基づいて理想的状態に到達するために、最適化経路を生成することであって、最適化経路は、１つ又は複数のアカウントベクトルの１つ又は複数の調整を含む、生成することと、最適化経路をユーザに提供することとを含む。

閾値帯は、およそ７０ｍｇ／ｄＬと１８０ｍｇ／ｄＬとの間であってもよく、基準期間は、２４時間であってもよい。ＣＶ値は、血糖値の標準偏差を基準期間の血糖値の平均値で割ることによって判定されてもよい。ＴＩＲ状態は、良好なＴＩＲ状態又は不良なＴＩＲ状態のうちの１つから選択される２値状態であってもよい。良好なＴＩＲ状態は、ＴＩＲ閾値よりも大きいＴＩＲ値に対応してもよい。ＧＶ状態は、良好なＧＶ状態又は不良なＧＶ状態のうちの１つから選択される２値状態であってもよい。良好なＧＶ状態は、ＧＶ閾値よりも大きいＧＶ値に対応してもよい。アカウントベクトルは、血糖値、薬、食品摂取、運動値、心理社会的パラメータ、又は社会的決定要因パラメータのうちの１つ又は複数を含んでもよい。アカウントベクトルは、重症度スコアに基づいて分類された１つ又は複数のＣＧＭ事象に基づく血糖値を含んでもよい。最適化経路は、ユーザ属性にさらに基づいており、ユーザ属性は、社会的属性、医療的属性、ユーザの嗜好、代謝属性、又はユーザの人口統計のうちの１つ又は複数から選択される。最適化経路は、１つ又は複数の状態改善習慣の増加、及び／又は、１つ又は複数の状態悪化習慣の減少を含んでもよい。

本開示は、ユーザのグルコース状態を管理するためのコンピュータ実装方法を対象とし、非理想的状態から理想的状態に到達するための複数の最適化プロファイルを生成することであって、理想的状態は、良好な範囲内時間（ＴＩＲ）状態及び良好な血糖変動（ＧＶ）状態に対応し、非理想的状態は、不良なＴＩＲ状態又は不良なＧＶ状態のうちの少なくとも１つを含む、生成することと、ユーザの血糖値のＴＩＲ値に基づいて現在のＴＩＲ状態を判定することであって、ＴＩＲ値は、ユーザの血糖値が基準期間にわたって閾値帯内にある時間の量に基づいており、現在のＴＩＲ状態は、良好なＴＩＲ状態又は不良なＴＩＲ状態のうちの１つである、判定することと、ユーザの血糖値に関連付けられたＧＶ値に基づいている現在のＧＶ状態を判定することであって、ＧＶ値は、血糖値の標準偏差（ＳＤ）又は変動係数（ＣＶ）を示し、ＣＶは、基準期間にわたる血糖値の標準偏差を考慮して、ユーザの血糖値の変動を示す、判定することと、ユーザの１つ又は複数のアカウントベクトルを受信することと、１つ又は複数のアカウントベクトル、ＴＩＲ状態、及びＣＶ状態に基づいて、最適化プロファイルのうちの１つを特定することと、特定された最適化プロファイルに基づいて最適化経路を特定することであって、最適化経路は、１つ又は複数のアカウントベクトルの１つ又は複数の調整を含む、特定することと、最適化経路をユーザに提供することとを含む。

複数の最適化プロファイルは、入力として、アカウントベクトルを受信し、受信したアカウントベクトルの１つ又は複数の調整を出力するように構成されている機械学習モデルによって生成されてもよい。複数の最適化プロファイルは、受信したアカウントベクトルの１つ又は複数の調整を、１つ又は複数のＴＩＲ状態又はＧＶ状態に関連付けることによってさらに生成されてもよい。複数の最適化プロファイルの各々は、潜在的なＴＩＲ状態、潜在的なＧＶ状態、及び１つ又は複数の潜在的なアカウントベクトルに対応してもよい。１つ又は複数のユーザ属性は、受信されてもよく、最適化プロファイルの１つは、１つ又は複数のユーザ属性にさらに基づいて特定されてもよい。ＣＶ値は、血糖値の標準偏差を基準期間にわたる血糖値の平均値で割ることによって判定されてもよい。

本開示はまた、ユーザの血糖値を管理するためのシステムを対象とし、システムは、プロセッサ可読命令を格納するメモリと、メモリにアクセスし、プロセッサ可読命令を実行するように構成されているプロセッサとを含む。プロセッサ可読命令は、プロセッサによって実行されると、ユーザの皮膚に貫通するコンポーネントを使用してグルコース値を取得するように構成されている持続血糖モニタリング（ＣＧＭ）デバイスを使用して、ユーザの血糖値を電子的に受信することと、ユーザの血糖値の範囲内時間（ＴＩＲ）値を判定することであって、ＴＩＲ値は、ユーザの血糖値が基準期間にわたって閾値帯内にある時間の量に基づいており、閾値帯は、およそ７０ｍｇ／ｄＬと１８０ｍｇ／ｄＬとの間であり、基準期間は、２４時間である、判定することと、ＴＩＲ値に基づいてＴＩＲ状態を判定することであって、ＴＩＲ状態は、良好なＴＩＲ状態又は不良なＴＩＲ状態から選択される、判定することと、少なくともユーザの血糖値に基づく血糖変動（ＧＶ）値を受信することであって、ＧＶ値は、標準偏差又は変動係数（ＣＶ）のうちの１つであり、ＣＶは、基準期間にわたる血糖値の標準偏差を考慮して、ユーザの血糖値の変動を示す、受信することと、ＧＶ値に基づいてＧＶ状態を判定することであって、ＧＶ状態は、良好なＧＶ状態又は不良なＧＶ状態のうちの１つである、判定することと、ＴＩＲ状態及びＧＶ状態に基づいて開始状態を判定することと、開始状態が非理想的状態に対応することを判定することと、ユーザの血糖値に基づいてＣＧＭ事象を検出することと、マルチパラメータＣＧＭ分類又は重症度及びＣＧＭ事象トレース形状の特徴付けのうちの１つ又は複数に基づいて、ＣＧＭ事象を特徴付けることであって、マルチパラメータＣＧＭ分類は、ＣＧＭ事象の開始時の血糖値、重症度、及びＣＧＭ事象の終了時の血糖値を含む、特徴付けることと、１つ又は複数のアカウントベクトルと、ＣＧＭ事象を特徴付けることとに基づいて理想的状態に到達するために、最適化経路を生成することであって、最適化経路は、１つ又は複数のアカウントベクトルの１つ又は複数の調整を含む、生成することと、最適化経路をユーザに提供することとを含む。最適化経路をユーザに提供することは、最適化経路に基づいて、コンテキストベースの指示をユーザに提供することを含む方法を実行するように、プロセッサを構成してもよい。

本明細書に援用され、本明細書の一部を構成する添付の図面は、本開示の実施例を示し、詳細な説明と共に、本開示の原理を説明するために用いられる。
図１は、本開示の一実施例による、健康管理システムの概略図である。 図２は、図１の健康管理システムの一部分の概略図である。 図３Ａは、図１の健康管理システムの別の部分の概略図である。 図３Ｂは、本開示の一実施例による、例示的な機械学習モデルを訓練する概略図である。 図４Ａは、本開示の一実施例による、持続血糖モニタリング（ＣＧＭ）チャートである。 図４Ｂは、本開示の一実施例による、持続血糖モニタリング（ＣＧＭ）レポートである。 図５Ａは、本開示の一実施例による、健康管理方法のフローチャートである。 図５Ｂは、本開示の別の実施例による、例示的な健康管理方法のフローチャートである。 図６Ａは、本開示の別の実施例による、患者状態のグラフである。 図６Ｂは、本開示の別の実施例による、患者状態変化のグラフと相関がある経時的な患者状態である。 図６Ｃは、本開示の別の実施例による、経時的な患者状態の３つのグラフを示す。 図６Ｄは、本開示の別の実施例による、標準偏差のグラフ及び変動係数のグラフを示す。 図６Ｅは、本開示の別の実施例による、複数の患者の状態分布を示す。 図６Ｆは、本開示の別の実施例による、複数の患者の状態分布の変化を示す。 図６Ｇは、本開示の別の実施例による、経時的なグルコース値の変化と、対応する一次導関数グラフとを示す。 図７Ａは、本開示の別の実施例による、平均グルコースと、範囲チャートと、グルコース及び範囲チャートの変動とを示す。 図７Ｂは、本開示の別の実施例による、持続血糖モニタリング活性化時間及び変動チャートを示す。 図８Ａは、本開示の別の実施例による、持続血糖モニタリングチャートを示す。 図８Ｂは、本開示の別の実施例による、別の持続血糖モニタリングチャートを示す。 図８Ｃは、本開示の別の実施例による、別の持続血糖モニタリングチャートを示す。 図８Ｄは、本開示の別の実施例による、別の持続血糖モニタリングチャートを示す。 図９は、本開示の一実施例による、健康管理方法の別のフローチャートである。 図１０Ａは、本開示の一実施例による、持続血糖モニタリング事象の可視化である。 図１０Ｂは、本開示の一実施例による、食事モニタリング事象の可視化である。 図１１は、本開示の一実施例による、重症度カウントの可視化である。 図１２は、本開示の一実施例による、自動警告生成チャートである。 図１３Ａは、本開示の一実施例による、例示的なメッセージのスクリーンショットである。 図１３Ｂは、本開示の一実施例による、例示的なメッセージの別のスクリーンショットである。 図１３Ｃは、本開示の実施例による、例示的なメッセージの別のスクリーンショットである。 図１３Ｄは、本開示の一実施例による、グルコースコンピュータである。 図１４は、本開示の実施例による、医療提供者の意思決定サーバとして機能するために、例えば、ホストサーバとして構成され得るコンピュータの簡略化された機能ブロックダイアグラムである。

付録は、本明細書と共に提供され、実験結果を含む本開示の実施例を用いた説明を含む。

次に、添付の図面に示されている、本開示の実施例を詳細に参照する。可能な限り、同じ参照番号は、同じ或いは同様の部品を参照するために、図面全体にわたって使用される。

下の議論では、「約」、「実質的に」、「およそ」などのような相対的な用語は、記載された数値における±１０％の可能な変動を示すために使用される。本明細書に記載された説明は、本質的に単なる一例であり、本対象の実施例、又はそのような実施例の適用及び使用を制限することを意図していないことに留意されたい。例示的なものとして本明細書に記載された任意の実装形態は、他の実装形態よりも好ましい或いは有利であると解釈されるべきではない。むしろ、上記で言及されたように、用語「例示的な」は、「理想的な」ではなく、例又は「一例である」という意味で使用される。用語「含む（comprise）」、「含む（include）」、「有する」、「と共に」、及びそれらの任意の変形は、非排他的な包含を示すために、或いは記載するために同義的に使用される。そのため、そのような用語を使用するプロセス、方法、物品、又は装置は、それらのステップ、構造、又は要素のみを含まないが、明示的に記載されていない、或いはそのようなプロセス、方法、物品、又は装置に固有の、他のステップ、構造、又は要素を含み得る。さらに、本明細書における用語「第１」、「第２」などは、任意の順序、量、又は重要度を示すものではなく、１つの要素を別の要素と区別するために使用されるものである。さらに、本明細書における用語「ａ」及び「ａｎ」などの単数形表記は、量の制限を示すものではなく、参照される項目のうちの少なくとも１つの存在を示すものである。

（ヘルスケア及びコンピューティング環境）
図１は、本開示の一実施例による、健康管理システム１００のブロックダイアグラムである。モバイルデバイス、コンピュータ、医療機器、又はインターネットなどの電子ネットワーク３２にアクセスするように構成されている任意の他の電子デバイスなどの、電子デバイス１９を有するユーザ８（例えば、患者、消費者など）は、モバイルヘルス（ｍＨｅａｌｔｈ）アプリケーション１と通信することができ、或いはその他の方法でアクセスすることができる。いくつかの実施例では、ネットワーク３２は、携帯電話ネットワーク、Ｗｉ－Ｆｉ、ＬＡＮ、ＷＡＮ、Ｂｌｕｅｔｏｏｔｈ（登録商標）、近距離無線通信（ＮＦＣ）、又はネットワーク通信の他の適切な形態などの、無線又は有線リンクを含んでもよい。複数の電子デバイス１９は、電子ネットワーク３２にアクセスするように構成されていてもよい。ユーザ８は、（例えば、携帯電話、タブレット、及びラップトップコンピュータのうちの１つ又は複数を介して）複数の電子デバイス１９にリンクされた単一のアカウントでｍＨｅａｌｔｈアプリケーション１にアクセスしてもよい。電子デバイス１９はまた、モバイルヘルスデバイス、デスクトップコンピュータ又はワークステーション、ラップトップコンピュータ、モバイルハンドセット、パーソナルデジタルアシスタント（ＰＤＡ）、携帯電話、ネットワーク機器、カメラ、スマートフォン、スマートウォッチ、拡張一般パケット無線サービス（ＥＧＰＲＳ）の携帯電話、メディアプレーヤ、ナビゲーションデバイス、ゲーム機、セットトップボックス、通信機能付き生体センシングデバイス、スマートテレビ、又はそれらの任意の組み合わせ、或いは、少なくとも１つのプロセッサ、ローカルメモリ、ディスプレイ（例えば、モニタ又はタッチスクリーンディスプレイ）、１つ又は複数のユーザ入力デバイス、及びネットワーク通信インタフェースを有する他のタイプのコンピューティングデバイスを含んでもよいが、それらに限定されない。電子デバイス１９は、ディスプレイモニタ、キーボード、タッチパッド、加速度計、ジャイロスコープ、マウス、タッチスクリーン、カメラ、プロジェクタ、タッチパネル、ポインティングデバイス、スクローリングデバイス、ボタン、スイッチ、モーションセンサ、オーディオセンサ、圧力センサ、熱センサ、及び／又はマイクなどの、入力／出力デバイスの任意のタイプ又は組み合わせを含んでもよい。電子デバイス１９はまた、情報を送受信するために、（例えば、Ｗｉ－Ｆｉ、無線周波数（ＲＦ）、赤外線（ＩＲ）、Ｂｌｕｅｔｏｏｔｈ、近距離通信、又は任意の他の適切な手段を介して）任意の適切な有線又は無線手段によって互いに通信してもよい。

ｍＨｅａｌｔｈアプリケーション１は、情報を送受信するために他のエンティティ又はネットワークと通信し得る。いくつかの実施例では、ｍＨｅａｌｔｈアプリケーション１は、例えば、運動トラッキング（例えば、歩数トラッキング）アプリケーション及び／又は他のヘルス関連アプリケーションなどの、ユーザ８に関連付けられた１つ又は複数のアプリケーションと通信してもよい。ｍＨｅａｌｔｈアプリケーション１は、他のアプリケーションからデータをインポートすることができ、ユーザ８のための治療計画を作成するときに分析し、使用し得る。例えば、ｍＨｅａｌｔｈアプリケーション１は、別のアプリケーションから活動トラッキングデータをインポートしてもよく、そのデータを使用し、ユーザ８の運動と、ｍＨｅａｌｔｈアプリケーション１の使用前に収集されたグルコース値との間のパターンを特定してもよい。ｍＨｅａｌｔｈアプリケーション１はまた、他のモバイルヘルスアプリケーションから、例えば、血圧、ＢＭＩ、Ａ１Ｃ、運動タイプ、運動時間、運動距離、消費カロリー、総歩数、運動日、運動開始及び終了時刻、及び睡眠などの、任意の他の適切なデータをインポートしてもよい。ｍＨｅａｌｔｈアプリケーション１はまた、例えば、社会的な或いはインタラクティブな特徴を有する他のモバイルヘルスアプリケーションを含む、他のモバイルアプリケーションにデータをエクスポートしてもよい。医師などの医療提供者７は、本アプリケーションを処方し得る。しかしながら、ｍＨｅａｌｔｈアプリケーション１は、処方箋を必要としなくてもよく、例えば、コンピュータソフトウェアのためのデジタル配信プラットフォームから処方箋なしでアクセス可能な市販の消費者アプリケーションであることも考えられる。ｍＨｅａｌｔｈアプリケーション１は、特定のユーザ８に調整されてもよく、薬局９又は他の承認されたエンティティを訪れることによって、ユーザ８により直接アクティベートされてもよい。例えば、ユーザ８は、ｍＨｅａｌｔｈアプリケーション１へのアクセスを承認するアクセスコードを薬局から受け取ってもよい。ユーザ８は、ｍＨｅａｌｔｈサポートシステム２５及び／又はアプリケーショントレーナ２４によって、ｍＨｅａｌｔｈアプリケーション１を使用することに関するトレーニングを受けてもよい。ｍＨｅａｌｔｈアプリケーション１は、機械学習プログラミングアルゴリズム２６などの様々な形態のプログラミング２８を含み得る。ユーザの治療計画は、薬局９によって調剤され得る、（例えば、薬物、デバイス、及び／又は治療に対する）処方箋を含み得る。薬局９は、ユーザ８のヘルスケア治療計画の順守に基づく承認を受けた後、処方された製品／治療の再処方を可能にし得る。承認は、例えば、ネットワーク３２及び様々なサーバ２９を介して、アプリケーション１からの通信によって、薬局９により受信されてもよい。薬物又は他の医療製品／治療の使用はまた、ネットワーク３２を介して製造業者３７に送信され、ユーザ８によって使用されている医療製品又は治療の量を製造業者３７に通知され得る。この情報は、製造業者３７が医療製品又は治療の需要を評価し、供給を計画するのに役立ち得る。医療提供者７はまた、アプリケーション１によって受信されたユーザ情報に基づくレポートを受信してもよく、この情報に基づいてユーザの治療計画を更新してもよい。ユーザの電子医療記録（ＥＭＲ）１４はまた、ｍＨｅａｌｔｈアプリケーション１によって受信された、アプリケーションに関する電子的に送信されたユーザ８のフィードバックを含み得る、ユーザ情報に基づいて、ネットワーク３２を介して自動的に更新され得る。医療提供者７は、例えば、医師、専門家、看護師、教育者、ソーシャルワーカー、ＭＡ、ＰＡなどを含む任意の適切な医療提供者であってもよい。

図２は、システム１００の追加の態様の概略ダイアグラムである。例えば、システム１００は、ネットワーク３２を介して、意思決定モデルデータベース２７０に格納された意思決定モデルにアクセスしてもよい。検索された意思決定モデルは、モバイルデバイス２１５、タブレットデバイス２２０、コンピュータ２２５（例えば、ラップトップ又はデスクトップ）、キオスク２３０（例えば、医療及び／又は処方箋情報を有するキオスク、薬局、クリニック、又は病院において）、及び／又はネットワーク３２に接続された任意のデバイスなどの、１つ又は複数の電子デバイス１９による表示及び／又は処理のために使用され得る。

図２に示される実施例では、モバイルデバイス２１５、タブレット２２０、及びコンピュータ２２５は各々、任意のサーバ２９及び／又は１つ又は複数のＧＰＳ衛星２５５との間で、ネットワーク３２を介して、位置情報、例えばＧＰＳデータを取得し、レポートするための、例えばＧＰＳ受信機を備えてもよく、或いはＧＰＳ受信機を含んでもよい。

モバイルデバイス２１５、タブレットデバイス２２０、コンピュータ２２５、及び／又はキオスク２３０を含む、電子デバイス１９の各々は、ネットワーク３２を介してサーバ２９のシステムとの間でデータ（例えば、臨床情報）を送受信するように構成され得る。デバイス１９の各々は、サーバ２９からネットワーク３２を介して臨床データなどの情報を受信し得る。サーバ２９は、臨床データサーバ２４０、アルゴリズムサーバ２４５、ユーザインタフェース（ＵＩ）サーバ２５０、及び／又は任意の他の適切なサーバを含み得る。電子デバイス１９は、ネットワーク３２を介してＵＩサーバ２５０とデータ通信しているユーザインタフェースを含み得る。各サーバは、意思決定モデルデータベース２７０にアクセスし、意思決定モデルを検索し得る。各サーバは、メモリ、プロセッサ、及び／又はデータベースを含み得る。例えば、臨床データサーバ２４０は、提供者のデータベース及び／又は患者の電子医療記録から臨床データを検索するように構成されているプロセッサを有し得る。アルゴリズムサーバ２４５は、様々なアルゴリズムを含むデータベースと、臨床データを処理するように構成されているプロセッサとを有し得る。ＵＩサーバ２５０は、臨床的意思決定の嗜好などのユーザ８の入力を受信し、処理するように構成され得る。衛星２５５は、サーバ２９とデバイス１９との間で情報を送受信するように構成され得る。

臨床データサーバ２４０は、ネットワーク３２を介して、或いは間接的にＵＩサーバ２５０を介して、電子デバイス１９からユーザに関するデータなどの臨床データを受信し得る。臨床データサーバ２４０は、コンピュータ可読メモリなどのメモリに情報を格納し得る。

臨床データサーバ２４０はまた、アルゴリズムサーバ２４５及び／又は外部サーバなどの、１つ又は複数の他のサーバと通信していてもよい。サーバ２９は、提供者の嗜好についてのデータ、及び／又はユーザ８の健康履歴を含んでもよい。さらに、臨床データサーバ２４０は、他のユーザからのデータを含んでもよい。アルゴリズムサーバ２４５は、機械学習、及び／又は他の適切なアルゴリズムを含み得る。アルゴリズムサーバ２４５はまた、他の外部サーバと通信していてもよく、所望に応じて更新されてもよい。例えば、アルゴリズムサーバ２４５は、新しいアルゴリズム、より強力なプログラミング、及び／又は、より多くのデータで更新されてもよい。臨床データサーバ２４０及び／又はアルゴリズムサーバ２４５は、情報を処理し、処理のためにモデルデータベース２７０にデータを送信してもよい。一実施例では、（１つ又は複数の）アルゴリズムサーバ２４５は、単純なフォーマットでパターン定義を取得し、モデル、例えば、マルコフモデル、ガウシアン、ベイズ、ＰＣＡ（主成分分析）、多変量線形若しくは非線形回帰、及び／又は線形判別関数、非線形判別関数、合成判別関数、ランダムフォレストアルゴリズムなどの、分類モデルを使用することによって、将来のいくつかの時間ステップを予測し、その予測に基づいて結果を最適化し、パターン間の遷移を検出し、抽象データを取得し、情報を抽出し、より高いレベルの知識を推論し、高いレベルと低いレベルとの情報を組み合わせ、ユーザ８及び臨床行動について理解し、多時間（例えば、異なる時間スケール）データ及び関連情報から推論し、可変次数マルコフモデルを使用し、且つ／或いは勾配ベース及び曲線平滑化アルゴリズム、ｋ－ｍｅａｎｓクラスタリングなどのクラスタリングアルゴリズムを使用することによって、経時的にノイズを低減し得る。

臨床データサーバ２４０、アルゴリズムサーバ２４５、及びＵＩサーバ２５０を含む、サーバ２９のシステムにおける各サーバは、ウェブサーバ、アプリケーションサーバ、プロキシサーバ、ネットワークサーバ、又はサーバファームを含むが、それらに限定されない、任意の様々なタイプのサーバを表してもよい。サーバ２９のシステムにおける各サーバは、例えば、ネットワーク３２を介してデバイス１９又は任意の他のコンピューティングデバイス（図示せず）を含むが、それらに限定されない、他のコンピューティングデバイスにデータを提供することができる任意の汎用コンピュータを使用して実装されてもよい。そのような汎用コンピュータは、命令を実行し、格納するための、プロセッサとメモリとを有するサーバデバイスを含み得るが、それらに限定されない。メモリは、フロッピーディスク、ハードディスク、若しくは磁気テープを含む磁気ストレージ、ソリッドステートディスク（ＳＳＤ）若しくはフラッシュメモリなどの、半導体ストレージ、光ディスクストレージ、又は光磁気ディスクストレージなどの、物理記憶媒体で具体化された任意のタイプのランダムアクセスメモリ（ＲＡＭ）又はリードオンリーメモリ（ＲＯＭ）を含んでもよい。ソフトウェアは、１つ又は複数のアプリケーション及びオペレーティングシステムを含んでもよい。ハードウェアは、プロセッサ、メモリ、及びグラフィカルＵＩディスプレイを含み得るが、それらに限定されない。各サーバはまた、例えば、クラスタ化されたコンピューティング環境又はサーバファーム内で共に機能するように構成されている、複数のプロセッサ、及び複数の共有された或いは個別のメモリコンポーネントを有してもよい。

図３Ａは、電子デバイス１９及びサーバ２９の追加の詳細を示す、システム１００の一部分の別の表現である。電子デバイス１９及びサーバ２９は各々、プロセッサ３０１－１及び３０４－１などの、１つ又は複数のプロセッサを含み得る。プロセッサ３０１－１及び３０４－１は各々、中央処理装置、マイクロプロセッサ、汎用プロセッサ、特定用途プロセッサ、又は命令を実行する任意のデバイスであってもよい。電子デバイス１９及びサーバ２９はまた、１つ又は複数のソフトウェアモジュールを格納する、メモリ３０１－２及び３０４－２などの１つ又は複数のメモリを含み得る。メモリ３０１－２及び３０４－２は、ハードドライブ、ＣＤ、ＤＶＤ、フラッシュメモリ、ＲＡＭ、ＲＯＭなどの、任意のコンピュータ可読記憶媒体を使用して実装されてもよい。メモリ３０１－２は、プロセッサ３０１－１によって実行され得る、モジュール３０１－３を格納し得る。同様に、メモリ３０４－２は、プロセッサ３０４－１によって実行され得る、モジュール３０４－３を格納し得る。

電子デバイス１９は、１つ又は複数のＵＩをさらに含んでもよい。ＵＩは、計画又は介入などの情報をユーザ８に提示するための１つ又は複数のインタフェースを可能にし得る。ＵＩは、ウェブページなどのウェブベースであってもよく、或いはスタンドアロンアプリケーションであってもよい。ＵＩはまた、データ入力及びユーザフィードバックなどのユーザ８についての情報を受け入れるように構成されていてもよい。ユーザ８が情報を手動で入力してもよく、或いは情報は自動的に入力されてもよい。一実施例では、ユーザ８（又はユーザの世話人）は、いつ薬が服用されたのか、或いはユーザ８がどのような飲食物を摂取したのかといった情報を入力してもよい。電子デバイス１９はまた、検査機器（図示せず）又は検査機器から情報を受信するためのインタフェースを含んでもよい。検査機器は、例えば、血糖値測定器、心拍計、体重計、血圧計カフなどを含んでもよい。電子デバイス１９はまた、ユーザ８からのフィードバックを収集するための、カメラ、マイクロフォン、又は加速度計などの、１つ又は複数のセンサ（図示せず）を含んでもよい。一実施例では、デバイスは、ユーザの血糖値を読み取り、自動的にレポートするための血糖値測定器を含んでもよい。

電子デバイス１９はまた、プレゼンテーション層を含んでもよい。プレゼンテーション層は、ウェブブラウザ、アプリケーション、メッセージングインタフェース（例えば、電子メール、インスタントメッセージ、ＳＭＳなど）であってもよい。電子デバイス１９は、プレゼンテーション層を介して、通知、警告、読み物、参考文献、ガイド、リマインダ、又は提案をユーザ８に提示してもよい。例えば、プレゼンテーション層は、ユーザ８に関連すると判定される記事、薬を購入するためのリマインダ、トピックに関するチュートリアル（例えば、炭水化物に関するチュートリアル）、同様の症状を有する他人の証言、及び／又は、１つ又は複数の目標（例えば、カーボカウント目標）を提示してもよい。プレゼンテーション層はまた、チュートリアル（例えば、ユーザーガイド又は説明ビデオ）などの情報を提示してもよく、且つ／或いは、医療提供者と、ユーザ８、例えば患者との間の通信を可能にしてもよい。医療提供者と、ユーザ８、例えば患者との間の通信は、電子メッセージ（例えば、電子メール又はＳＭＳ）、音声、又はリアルタイムビデオを介してであってもよい。１つ又は複数のこれらの項目は、後述されるように、治療計画又は更新された治療計画に基づいて提示されてもよい。プレゼンテーション層はまた、ユーザからフィードバックを受信するために使用されてもよい。

システム１００はまた、データベース３０２などの１つ又は複数のデータベースを含み得る。データベース３０２は、関連データベース技術又はオブジェクト指向データベース技術などの、当業者に知られている任意のデータベース技術を使用して実装されてもよい。データベース３０２は、データ３０２－１を格納し得る。データ３０２－１は、推論を行うためのナレッジベース、統計モデル、及び／又はユーザ情報を含み得る。データ３０２－１、又はその一部分は、代替的に或いは同時に、サーバ２９又は電子デバイス１９に格納されてもよい。

システム１００は、例えば、ユーザのヘルスケアに対処すること、ユーザの財政を維持すること、及びユーザの栄養及び／又は睡眠を監視し、追跡することを含む、幅広い用途のために使用され得る。システム１００のいくつかの実装形態では、任意の受信データは、不正アクセスに対するデータのセキュリティを高め、ＨＩＰＡＡプライバシー、及び／又は他の法的、ヘルスケア、財政、又は他の規制を順守するために、暗号化された形式でデータベースに格納されてもよい。

システム１００に描写された任意のサーバ又はサーバシステム２９に関して、サーバ又はサーバシステムは、１つ又は複数のデータベースを含んでもよい。一実施例では、データベースは、任意のタイプのデータを格納するために使用され得る任意のタイプのデータストア又は記録媒体であってもよい。例えば、データベース３０２は、治療計画の各処方薬に関連付けられたタイミング及び投与量を含む、ユーザの治療計画に関連する情報を含むサーバ２９によって受信された、或いはサーバ２９によって処理されたデータを格納してもよい。データベース３０２はまた、複数の処方薬の各々に関連するユーザ８の識字レベルを含む、ユーザ８に関連する情報を格納してもよい。

本明細書にさらに開示されるように、開示される対象の１つ又は複数のコンポーネントは、機械学習モデルを使用して実装されてもよい。図３Ｂは、本明細書に開示される１つ又は複数の機械学習モデルを訓練するための例示的な訓練モジュール３１０を示す。訓練モジュールは、本明細書に開示される機械学習モデルの各々を訓練するために使用されてもよく、且つ／或いは単一の訓練モジュール３１０は、２つ以上の機械学習モデルを訓練するために使用されてもよいことを理解されよう。

図３Ｂに示されるように、訓練データ３１２は、訓練される機械学習モデルに関連するステージ入力３１４及び既知の結果３１８のうちの１つ又は複数を含んでもよい。ステージ入力３１４は、医療提供者７、１つ又は複数のサーバ２９、電子デバイス１９、ＥＭＲ１４、ステップからの出力（例えば、図５Ａのフローチャート５００又は図９のフローチャート９００からのステップからの１つ又は複数の出力、範囲内時間（ＴＩＲ）値、高血糖域（ＴＡＲ）値、低血糖域（ＴＢＲ）値、重症度スコア、持続血糖モニタリング（ＣＧＭ）分類など）を含む任意の適用可能なソースからであってもよい。既知の結果３１８は、教師あり又は半教師ありの訓練に基づいて生成された機械学習モデルに対して含まれてもよい。教師なし機械学習モデルは、既知の結果３１８を使用して訓練されないことがある。既知の出力３１８は、対応する既知の出力を有しないステージ入力３１４と同様の或いは同じカテゴリにある将来の入力に対する既知の或いは所望の出力を含んでもよい。

訓練データ３１２及び訓練アルゴリズム３２０は、訓練データ３１２を訓練アルゴリズム３２０に適用し、機械学習モデルを生成し得る訓練コンポーネント３３０に提供されてもよい。一実装形態によれば、訓練コンポーネント３３０は、対応する機械学習モデルの以前の出力を比較する比較結果３１６を提供され、以前の結果を適用し、機械学習モデルを再訓練させてもよい。比較結果３１６は、対応する機械学習モデルを更新するために、訓練コンポーネント３３０によって使用されてもよい。訓練アルゴリズム３２０は、ディープニューラルネットワーク（ＤＮＮ）、畳み込みニューラルネットワーク（ＣＮＮ）、完全畳み込みネットワーク（ＦＣＮ）、及びリカレントニューラルネットワーク（ＲＣＮ）などの、ディープラーニングネットワーク、ベイズネットワーク及びグラフィカルモデルなどの確率モデル、及び／又は、決定木及び最大マージン法などの、識別モデルなどを含むが、それらに限定されない、機械学習ネットワーク及び／又はモデルを利用してもよい。

（健康状態）
（一般的に糖尿病と呼ばれる）真性糖尿病は、患者の体がインスリンを全く又は十分に生成することができない、或いは生成したインスリンを使用することができない（インスリン抵抗性）、慢性、持続性代謝疾患（又は状態）であり、患者の血液中のグルコースの上昇値を引き起こす。糖尿病の３つの特定可能なタイプは、糖尿病予備軍、１型糖尿病、及び２型糖尿病を含む。糖尿病予備軍は、血糖が高いが、２型糖尿病であるというほど十分に高くはない状態である。２型糖尿病は、体が血糖を処理する方法に影響を与える慢性的な状態である。最後に、１型糖尿病は、膵臓がインスリンをほとんど又は全く生産しない慢性的な状態である。

概して、糖尿病は、いくつかの方法で診断される。糖尿病を診断することは、糖尿病のタイプの肯定的な診断を確認するために複数の日に検査を繰り返す必要があり得る。糖尿病の診断を確認するときに医師又は他の適切な医療提供者が使用するいくつかの健康パラメータは、血液中の糖化ヘモグロビン（Ａ１Ｃ）値、空腹時血糖（ＦＰＧ）値、経口糖負荷試験、及び／又はランダム血糖値検査を含む。一般的に、医療提供者は、糖尿病の診断を支援するために患者のＡ１Ｃ値に関心を持つ。糖化ヘモグロビンは、３ヶ月間の平均血漿グルコース濃度を特定するために主に測定されるヘモグロビンの一形態であり、医師及び／又は他の適切な医療提供者によって使用され得る。健康パラメータは、体重、年齢、栄養摂取、運動活動、コレステロール値、中性脂肪値、肥満、タバコ使用、及び家族歴を含む。

糖尿病のタイプの診断が医師又は他の適切な医療提供者によって確認されると、患者は、糖尿病を管理するために治療を受け得る。医師又は他の医療提供者によって糖尿病を追跡され、或いは監視されている患者は、食事、運動、経口薬、及び／又はインスリン治療を通して血糖をコントロールすることを組み合わせることによって治療され得る。合併症の定期的な検査はまた、患者によっては必要とされる。患者が糖尿病と診断されてからの期間に応じて、ｍＨｅａｌｔｈアプリケーション１は、患者の状態を管理するために特定の治療計画を提案し得る。経口薬は典型的には、肝臓によるグルコースの生産を減少させ、筋肉をインスリンに対して、より敏感にするために口から服用される錠剤を含む。他の例では、糖尿病がより深刻である場合、患者の糖尿病を治療するために、注射を含む、追加の薬が必要とされ得る。ベーサル（基礎）インスリンの注射は、バックグラウンドインスリンとしても知られており、空腹時の血糖値を一定値に保つために医療提供者によって使用され得る。空腹時、患者の体は、細胞にエネルギーを供給するために、血液中にグルコースを安定的に放出する。したがって、血糖値をコントロールし、細胞がエネルギーとしてグルコースを取り込むことを可能にするために、ベーサルインスリンの注射が必要とされる。ベーサルインスリンは、インスリンのタイプに応じて、通常１日１回又は２回投与される。ベーサルインスリンは比較的長い期間作用するので、持続性インスリン又は中間型インスリンと考えられている。対照的に、ボーラス（追加）インスリンは、速やかに作用するために使用され得る。例えば、ボーラスインスリンは、食事後に血糖値をコントロールするために食事時に特に投与され得る。いくつかの例では、医師又は医療提供者が患者の糖尿病を管理するために治療計画を作成するとき、医師は、例えば、１日を通していくつかの注射をすることを含む、ベーサル・ボーラス（ｂａｓａｌ－ｂｏｌｕｓ）投薬レジメンを作成する。ベーサル・ボーラスレジメンは、食事のたびの注射を含んでもよく、非糖尿病患者の体がどのようにインスリンを放出するかをほぼ模倣しようとするものである。ベーサル・ボーラスレジメンは、１型糖尿病及び２型糖尿病を有する人々に適用可能であり得る。インスリンの注射を必要とするベーサル・ボーラスレジメンに加えて、治療計画は、処方された経口薬の使用で補強され得る。治療計画への患者の順守は、患者の疾患状態を管理する上で重要であり得る。例えば、患者が糖尿病と診断されて６ヶ月を超えた場合、例えば、健康な、或いは好ましい血糖値を得るために、非常に具体的な治療レジメンが、患者によって順守されるべきである。最終的には、それらの薬タイプの治療の週ごとのパターンが、糖尿病を管理する上で重要であり得る。ｍＨｅａｌｔｈアプリケーション１は、患者が糖尿病を管理するのを支援するために治療計画を推奨し得る。

（例示的な方法）
糖尿病は、患者がグルコースを正常な或いは推奨される目標範囲内に保つことができなくなる慢性疾患である。そのような変動する血糖値（すなわち、正常な或いは推奨される目標範囲外）は、重大な健康上の合併症につながり得る。散発的な血糖モニタリング（ＢＧＭ）では、有意義な洞察を深めることは難しく、１週間にほんの数回の断続的な測定値は、パターン、及びこれらのパターンの任意の根本原因（例えば、食事タイプに基づくＢＧＭ上昇を判定すること）を理解する基礎とならないことがある。

持続血糖モニタリング（ＣＧＭ）は、定期的なグルコース値（例えば、ユーザ８の血糖値）を提供するウェアラブルセンサ（例えば、皮下センサ）を通じて自動的に収集される高密度データ（例えば、５分以下ごとの収集頻度に基づくデータ）の可能性を提供する。ＣＧＭは、ユーザ８又は他のエンティティ（例えば、医療提供者７）が１日のあらゆる時刻にユーザ８の血糖値を、より認識し得るように、グルコースデータの連続（例えば、５分以下ごと）又は半連続（例えば、５分ごとよりも長い）の読み出しをユーザ８又は他のエンティティに提供することによって、糖尿病ケアを改善し得る。そのようなデータは、医療提供者７がユーザ８のための治療計画を、より最適に調整することを可能にし得る。

ＣＧＭモニタは、分析物の濃度を示す出力信号を提供する任意のセンサ構成を含む連続分析物センサシステムであり得る。ＣＧＭモニタは、体液（例えば、間質液）に基づいて、例えば、グルコース値を判定するために分析物の濃度を感知してもよい。体液は、ユーザの皮膚を通じてアクセスされてもよい。例えば、生データストリーム、フィルタリングされたデータ、平滑化されたデータ、及び／又はその他の方法で変換されたセンサデータなどの、センサデータの形態であり得る出力信号は、有線又は無線接続を介してＣＧＭモニタに接続され、ローカル又はセンサからリモートであり得る受信機に送信されてもよい。実装形態によれば、ＣＧＭモニタは、経皮グルコースセンサ、皮下グルコースセンサ、持続レフィラブル（refillable）皮下グルコースセンサ、持続血管内グルコースセンサなどを含んでもよい。ＣＧＭモニタは、ユーザ８の腹部上に挿入され、ユーザ８の皮膚を貫通する小さなカニューレを含む、１つ又は複数のセンサを有するコンパクトな医療システムであってもよい。接着パッチは、モニタを所定の位置に保持してもよい。センサは、連続的に或いは半連続的に、間質液中のグルコース測定値を感知してもよい。

送信機は、ＣＧＭモニタがグルコース測定値をモニタリングデバイスに無線で送信することを可能にするために、センサに接続されてもよい。モニタリングデバイスは、ＣＧＭモニタ専用のモニタリングデバイスであってもよく、第三者のデバイスであってもよく、電子デバイス１９であってもよく、或いは任意の他の適用可能なデバイスであってもよい。モニタリングデバイスは、ＣＧＭモニタリングに加えて１つ又は複数の機能を提供する専用のモニタリングデバイス又は電子デバイス１９であってもよい。アプリケーション又は他のソフトウェアは、モニタリングデバイスを介して、グルコース測定値及び関連データの分析及び／又は表示を促進するために使用されてもよい。モニタリングデバイスは、グルコース測定値に関連付けられたデータを分析し、且つ／或いは見るために使用されてもよい。代替的に或いは追加的に、ＣＧＭモニタは、グルコース測定値及び／又は関連データを見るためのディスプレイを含んでもよい。ＣＧＭモニタ及び／又は外部デバイスは、グルコースデータに基づいて（例えば、血糖値が高すぎる若しくは低すぎる場合、或いは好ましくない傾向を示す場合）、警告を生成し、且つ／或いは提供するように構成されていてもよい。

ＣＧＭデータを使用することによって、範囲内時間（ＴＩＲ）値は、ＴＩＲ値が、ユーザ８の血糖値が基準期間にわたって閾値帯内にある時間の量に基づいていると判定され得る。閾値帯は、予め判定されてもよく、ユーザ固有であってもよく、或いは動的に判定されてもよい。

閾値帯は、例えば、患者のコホートに基づいて予め判定された値であってもよい。コホート内の患者の各々のライフスタイル、習慣、医学的検査結果は、予め判定された値を判定するために使用されてもよい。例えば、１つ又は複数の患者のコホートは、患者のライフスタイル、習慣、人口統計などに基づいて判定されてもよく、閾値帯は、１つ又は複数のコホートの各々に関して生成されてもよい。閾値帯は、一定期間にわたる血糖値の分析に基づく最適な結果（例えば、好ましいＡ１Ｃ値）に基づいて判定されてもよい。例えば、機械学習モデルは、訓練モジュール３１０を使用して生成されてもよい。機械学習モデルは、ステージ入力３１４として患者のコホートの血糖値を使用して訓練されてもよく、既知の結果３１８として対応するＡ１Ｃ値を受信してもよい。訓練用機械学習モデルは、入力として、患者のコホートのデータ（例えば、Ａ１Ｃ値）を受信してもよく、その患者のコホートの血糖値の閾値帯（すなわち、グルコース上限値及びグルコース下限値を有する）を出力してもよい。代替的に、閾値帯は、コホート固有ではないように、一般集団の予め判定された値であってもよい。実装形態によれば、ＴＩＲ閾値帯は、およそ７０ｍｇ／ｄＬとおよそ１８０ｍｇ／ｄＬとの間である。ＴＩＲ値は、ユーザ８の血糖値が基準期間のＴＩＲ閾値帯内にある時間の量であってもよい。開示される対象の実装形態によれば、基準期間は、２４時間であってもよいが、ＴＩＲ値の、より粒度の細かい変化は、２４時間未満である基準期間を減らすことに基づいて判定されてもよく、より広い変化は、２４時間よりも長い基準期間を増やすことに基づいて判定されてもよいことを理解されよう。

ユーザ固有の閾値帯は、ユーザ８についての属性に基づいて判定され得る。属性は、病歴、身体歴、人口統計などであってもよい。一実装形態によれば、ユーザ固有の閾値は、訓練モジュール３１０を使用して訓練された機械学習モデルを使用して生成されてもよい。機械学習モデルは、ユーザ８に基づいて、更新された属性を受信してもよく、比較結果３１６コンポーネントを通じて、更新された属性を使用することにより、それ自体を再訓練してもよい。一実施例として、ユーザ８の体重の変化は、機械学習モデルが、更新された体重に基づいて以前に提供された閾値帯を更新するように、比較結果３１６コンポーネントに提供される属性の変化であってもよい。したがって、ユーザ固有の閾値帯は、ユーザ８の１つ又は複数の属性に基づいて、時々変更してもよい。同様に、動的に判定される閾値帯は、ユーザ８、ユーザのコホート、外部条件、環境条件、更新された推奨などに関連する１つ又は複数の属性の変化に基づいて判定されてもよい。

本明細書に適用されるように、ユーザベクトル（例えば、患者ベクトル）は、所定の患者に関連付けられ、或いは関連付けられることがあり、変更されることがある、任意の行動、活動、物品（例えば、消耗品）、サービス、パラメータ、又は値であってもよい。患者ベクトルは、本明細書にさらに開示されるように、ユーザ８のＴＩＲ状態又はＧＶ状態を改善するために変更されてもよい。実施例として、患者ベクトルは、薬、食品摂取特性、運動値、心理社会的パラメータ、社会的決定要因パラメータなどのうちの１つ又は複数を含んでもよい。

本明細書に適用されるように、ユーザ属性（例えば、患者属性）は、患者に関連付けられた属性又は特性であってもよい。患者ベクトルと比較されるように、患者属性は、容易に修正され、或いは変更されることができないものであってもよい。実施例として、患者属性は、社会的属性、病歴又は状態、患者の嗜好、代謝属性、患者の人口統計などを含んでもよい。

図４Ａは、ユーザ８の例示的なＣＧＭベースの血糖値トレース４０２を示す。図４Ａを介して示される期間は、丸１日（すなわち、２４時間）であり得る。示されるように、ユーザ８の血糖値は、ＴＡＲ期間４０２Ａ及びＴＢＲ期間４０２Ｂ中を除く１日の一部分に関して、上側閾値４０４Ａ及び下側閾値４０４Ｂによって表される閾値範囲内にあることによって、ＴＩＲを有し得る。ユーザ８は、日中又は１日の終了後に、そのようなグラフ表示を提供されてもよい。したがって、ＣＧＭデータは、ユーザ８に提供されてもよく、ユーザ８に、ユーザ８の現在の血糖値及び／又はユーザ８の現在の血糖値に関連付けられた傾向を通知してもよい。

図４Ｂは、ユーザ８又は医療提供者７に提供され得る例示的なＣＧＭベースのレポート４０６を示す。レポートは、Ａｍｂｕｌａｔｏｒｙ Ｇｌｕｃｏｓｅ Ｐｒｏｆｉｌｅ（ＡＧＰ）形式であってもよく、グラフデータだけでなく、多数のメトリクス（例えば、１０個のメトリクス）を含んでもよい。レポートは、グルコース統計値及び目標４０８、ＡＧＰプロファイル４１０、毎日のグルコースプロファイル４１２、時間範囲４１４などを含んでもよい。しかしながら、ほとんどの糖尿病の患者は、血糖値の変化に影響を与えるそのようなＣＧＭデータ及び／又はＡＧＰ情報を解釈することができないことがある。同様に、医療提供者７は、複数の患者との話し合いを必要とし、ＣＧＭモニタリング及び／又はＡＧＰ情報を介して提供されるデータを解釈し、血糖値を一時的にでも最適化し得る。本明細書に開示される技術は、必須パラメータの追跡を提供し、ユーザ８の健康を管理する。

本明細書に開示される実装形態によれば、ＣＧＭデータは、本明細書にさらに開示されるように、１つ又は複数の患者ベクトルに基づく変更を推奨するために使用されてもよい。ＣＧＭ事象（例えば、ＣＧＭ状態の変化、ＣＧＭトレースの一部分など）は、糖尿病自己管理活動（ＤＳＭＡ）と相関があるＣＧＭトレースの識別可能な領域として定義されてもよい。本明細書にさらに適用されるように、ＣＧＭトレースは、ＣＧＭトレンドを特定するために使用されてもよく、或いはＣＧＭトレンドであってもよい。ＤＳＭＡは、薬の変更又は追加、食品の変更又は追加、運動の変更又は追加などであってもよい。ＣＧＭは、ユーザ８に自動コーチングを駆動してもよい。同様に、ＣＧＭベースの結果（例えば、自動コーチング及び／又はＤＳＭＡに基づくグルコース特性の結果）は、将来のＤＳＭＡのためのコーチングを駆動し、且つ／或いは調整された特定の意思決定サポートを医療提供者７に提供してもよい。

実装形態によれば、検出、通知、分類、及び関与（ＤＩＣＥ）フレームワークは、ＣＧＭトレースから様々な糖尿病関連事象を検出し、１つ又は複数の可視化を介して最適化経路に沿った進行について医療提供者７及び／又はユーザ８に通知し、追加の介入のための１つ又は複数の分類及び／又は二次元のＣＧＭ象限開始状態に、検出された事象を分類し、且つ／或いは改善された結果に向けて患者に関与し、指導するための技術の概要であり得る。ＤＩＣＥフレームワークに関連付けられた技術は、代謝データ、ライフスタイルデータ、社会経済データ、臨床データなどの、複数の分野からデータを統合し、患者のケアを高める。本明細書に開示される自動ＣＧＭ事象の検出及び分類の技術は、精度を高め、エラーを減らすことによって、ケアの質を高めることを可能にする。様々な定量的方法論に基づく自動コーチングは、ケア及び／又はサポートを必要とするあらゆる患者のスケーラビリティと到達度の向上とを可能にする。本明細書で提供される可視化は、高密度ＣＧＭデータ及び他の適用可能なデータを使いやすいチャート、グラフ、及び／又は他の可視化に絞り込むことによって、ユーザ８及び／又は医療提供者７のデータ負担を軽減する。図５Ａは、ユーザ８のグルコース状態を改善するための最適化経路を提供するための方法５００を示す。５０２において、ユーザ８の血糖値が受信され得る。本明細書に開示されるように、血糖値は、ＣＧＭモニタによって連続的に或いは半連続的に提供されてもよい。血糖値は、ＣＧＭモニタ自体のコンポーネントで受信されてもよく、或いは電子デバイス１９、ｍＨｅａｌｔｈアプリケーション１、１つ又は複数のサーバ２９などのローカル又はリモートコンポーネントで受信されてもよい。血糖値は、ＣＧＭモニタから１つ又は複数のコンポーネントに自動的に提供されてもよく、血糖値の収集時にプッシュされてもよく、或いはＣＧＭモニタは、１つ又は複数の収集された血糖値を送信するためにピングされてもよい。

一実施例として、ユーザ８は、ＣＧＭモニタを身体に取り付けてもよく、ＣＧＭモニタは、５分ごとに血糖値の測定値を収集してもよい。ＣＧＭモニタは、（例えば、ネットワーク接続、ローカルエリアネットワーク接続、ワイドエリアネットワーク接続、ＷｉＦｉ接続、Ｂｌｕｅｔｏｏｔｈ接続などを介して）ユーザ８のモバイルデバイスに接続されてもよい。第１の例示的な実装形態によれば、ＣＧＭモニタは、測定値が収集されるたびに（例えば、５分ごとに）、血糖値の測定値をユーザ８のモバイルデバイスに自動的に送信してもよい。代替的に或いは追加的に、１つ又は複数の血糖値の測定値が、複数の測定値のグループとしてユーザ８のモバイルデバイスに送信されるように、且つ／或いは、ユーザ８のモバイルデバイス又は別のコンポーネントが、１つ又は複数の血糖値の測定値が送信されることを要求するとき、ＣＧＭモニタは、１つ又は複数の血糖値の測定値を格納してもよい。

図５Ａの５０４において、血糖値の測定値に関連付けられた範囲内時間（ＴＩＲ）値が判定される。範囲内グルコース値は、血糖値の測定値が所定の範囲内にある時間の量、範囲外に対する範囲内の血糖値の測定値の比、範囲内と範囲外との血糖値の測定値のカウントなどに対応してもよい。ＴＩＲ値は、ユーザ８の血糖値が範囲内にあるときと、ユーザ８の血糖値が範囲外にあるときを区別し得る。図４Ａに示されるように、血糖値は、上側閾値４０４Ａ及び下側閾値４０４Ｂの範囲内にあるとき、範囲内と考えられ得る。所定の患者のＴＩＲ値が、患者の血糖値が７０ｍｇ／ｄＬと１８０ｍｇ／ｄＬとの間にある時間の量に対応し得るように、上側閾値４０４Ａは、１８０ｍｇ／ｄＬであってもよく、下側閾値４０４Ｂは、７０ｍｇ／ｄＬであってもよい。

図５Ａの５０４において判定されるＴＩＲ値は、ユーザ８の血糖値が基準期間にわたって閾値帯内にある時間の量に基づいていてもよい。基準期間は、単一の２４時間の日であってもよく、或いは異なる基準期間であってもよい。基準期間は、（例えば、ユーザ８によって、医療提供者７によって、予めプログラムされているなど）予め判定されてもよく、或いは、１つ又は複数の要因に基づいて動的に判定されてもよい。１つ又は複数の要因は、患者ベクトル、患者属性、現在又は以前のＴＩＲ状態などであってもよい。

一実装形態によれば、ＴＩＲ値は、基準期間のものであってもよく、或いは多数の基準期間にわたって患者に関連付けられたＴＩＲ値であってもよい。例えば、ユーザ８のＴＩＲ値は、合計１０日間の各日に関して判定されてもよい。１０日間の各日からのＴＩＲ値は、１０日間にわたってユーザ８に関連付けられたＴＩＲが、組み合わされたＴＩＲ値であるように、任意の適用可能な技術（例えば、平均値）を使用して組み合わされてもよい。

一実装形態によれば、ＴＩＲ値は、血糖値の異常値が排除され、或いは異常値としてフラグが立てられない血糖値の測定値よりも低く重み付けされるようにフィルタリングされてもよい。一実施例として、１回目の測定中に６５ｍｇ／ｄＬという血糖値の測定値が、１回目の測定から５分後の次の２回目の測定で２００ｍｇ／ｄＬに増加することがある。２回目の測定から５分後の３回目の測定は、６８ｍｇ／ｄＬという血糖値を示すことがある。密度ベースの技術（例えば、ｋ近傍法、局所外れ値因子法、分離フォレストなど）を使用するフィルタ、部分空間、相関ベース、及び／又はテンソルベースの高次元データの外れ値検出を使用するフィルタ、１クラスサポートベクターマシンを使用するフィルタ、レプリケータニューラルネットワーク、オートエンコーダ、変分オートエンコーダ、長・短期記憶ニューラルネットワークを使用するフィルタ、ベイズネットワークを使用するフィルタ、隠れマルコフモデル（ＨＭＭ）を使用するフィルタ、クラスタ分析ベースの外れ値検出を使用するフィルタ、関連規則及び頻出項目セットからの偏差を使用するフィルタ、ファジィ論理ベースの外れ値検出を使用するフィルタ、アンサンブル技術を使用するフィルタ、特徴バギング、スコア正規化及び多様性の異なるソースを使用するフィルタ、確率的主成分分析器の混合物を用いる畳み込みＬＳＴＭを使用するフィルタなどの、フィルタは、誤って読み取られ、重要ではない外れ値であり得るといった、異常値及び／又は血糖値の測定値を特定するために使用されてもよい。そのようなフィルタリング技術の１つ又は複数はまた、本明細書に開示される機械学習モデルと共に使用していてもよい。本実装形態によれば、ユーザ８に関連付けられたＴＩＲ値は、そのような１つ又は複数のフィルタを通じてフィルタリングされる血糖値の測定値を考慮し得る。さらに開示されるように、そのようなフィルタリングは、異常値、外れ値データ、及び／又は不規則な測定値に起因して損なわれる、最適化経路を提供することを防止し得る。

図５Ａの５０６において、ユーザ８のＴＩＲ状態は、ユーザ８に関連付けられた１つ又は複数のＴＩＲ値に基づいて判定され得る。ＴＩＲ状態は、ＴＩＲ値のみに関連付けられた状態であってもよく、或いは１つ又は複数の他の要因（例えば、グルコース測定値の頻度、グルコース測定値の質、別の感知された測定値、患者ベースの要因など）に基づいていてもよい。簡略化のために、本開示では、ＴＩＲ値のみに基づくＴＩＲの２値状態（すなわち、良好なＴＩＲ状態及び不良なＴＩＲ状態）を議論するだろう。しかしながら、ＴＩＲ状態は、ＴＩＲ値と、１つ又は複数の他の要因とに基づく多次元状態であってもよいことを理解されよう。本明細書に適用されるように、良好なＴＩＲ状態（例えば、第１のＴＩＲ状態）は、ＴＩＲカットオフよりも大きいＴＩＲ比に対応し、不良なＴＩＲ状態（例えば、第２のＴＩＲ状態）は、ＴＩＲカットオフよりも小さいＴＩＲ比に対応する。

図６Ａは、複数の異なる患者のＴＩＲ状態のチャート６００を示す。本明細書にさらに開示されるように、チャートは、ＴＩＲ比及びＧＶ比に基づく４つの象限を含む。ＴＩＲ状態は、チャート６００におけるＹ軸に対応するＴＩＲ軸に基づいている。ＴＩＲ比は、患者の血糖値が閾値帯内にある基準期間にわたる時間の割合である。代替的に、ＴＩＲ比は、ＴＩＲ比が複数の基準期間にわたって、計算された（例えば、平均化された）値であるように、患者の血糖値が複数の基準期間の閾値帯内にある基準期間にわたる時間の割合であってもよい。

ＴＩＲ比の値は、良好なＴＩＲ状態対不良なＴＩＲ状態のカットオフとして指定されてもよい。図６Ａのチャート６００は、０．５を上回るＴＩＲ比が、（例えば、ユーザ８の血糖値が、時間の５０％を超えることに関して、或いは計算された測定値に関して閾値帯内にある場合には）良好なＴＩＲ状態と考えられ、０．５を下回るＴＩＲ比が、（例えば、ユーザ８の血糖値が、時間の５０％を超えることに関して、或いは計算された測定値に関して閾値帯外にある場合には）不良なＴＩＲ状態と考えられるように、０．５というカットオフ値を含む。カットオフは、予め判定されてもよく、或いは動的に判定されもよい。予め判定されたカットオフは、医療基準に基づいていてもよく、或いはコホート又はユーザ８に対して医療提供者７によって指定されてもよい。動的に判定されたカットオフは、コホート又は所定のユーザ８に基づいていてもよく、或いは機械学習モデルによって判定されてもよい。機械学習モデルは、入力として、患者ベクトル、患者属性、過去の患者ＴＩＲ値又はＧＶ値又は変更などを受信してもよく、入力が関連付けられるユーザ８又はコホートに関して特にカットオフを出力してもよい。したがって、カットオフは、入力データが基づいていた対応するユーザ８又はコホートに関して最適であると考えられる値に調整されてもよい。

チャート６００に示されるように、０．５というカットオフを上回るＴＩＲ値を有する患者は、良好なＴＩＲ状態を有すると考えられ、０．５というカットオフを下回るＴＩＲ値を有する患者は、不良なＴＩＲ状態であると考えられる。カットオフがシフトされた場合、それに応じて、良好な或いは不良なＴＩＲ状態を有する患者の数が変化することを理解されよう。例えば、ＴＩＲ比が０．５の代わりに０．９に調整された場合、ほとんどの患者は、不良なＴＩＲ状態になるであろう。

図５Ａの５０８において、所定のユーザ８の血糖値の測定値に関連付けられた血糖変動（ＧＶ）値が判定される。血糖変動値は、一定期間にわたってグルコースの変化量を測定し、グルコース値の変動を利用し、糖尿病管理を改善し得る。ＧＶ値は、標準偏差（ＳＤ）値、変動係数（ＣＶ）、又は任意の他の適用可能な変動測定値であってもよい。

ＳＤは、（例えば、１時間、１日、又は任意の他の適用可能な期間にわたって収集された）グルコース値のセットの変動又はばらつきの量の尺度であり得る。低いＳＤは、グルコース値が、グルコース値のセットの平均値に近い傾向があることを示し得る。高いＳＤは、値が、より広い範囲に広がっていることを示し得る。グルコース値のＳＤは、グルコース値の分散の平方根であり得る。グルコース値のＳＤは、式１に示されるように計算され得る。

ここで、ｘは、患者に関連付けられたグルコース値のセットにおけるグルコース値の各々であり、μは、患者に関連付けられたグルコース値のセットにおけるグルコース値の平均値であり、Ｎは、患者に関連付けられたグルコース値のセットにおけるデータポイントの数である。

ＣＶは、確率分布又は度数分布のばらつきの標準化された尺度であり得る。患者の血糖値のＣＶは、血糖値の平均値に対する血糖値の標準偏差の比を判定することによって計算され得る。ＣＶは、一定期間にわたる血糖値の平均値に関連する変動の程度を示し得る。ＣＶは、式２に示されるように計算され得る。

前述のように、ＧＶ値は、ＳＤ値又はＣＶ値であってもよい。一実装形態によれば、ＧＶ値のタイプ（例えば、ＳＤ値、ＣＶ値など）は、ユーザ８に基づいていてもよく、或いは、現在若しくは過去の患者ベクトル、患者属性、又はユーザ８に関連する他の情報に基づいていてもよい。別の実装形態によれば、ＧＶ値のタイプは、医療提供者７によって、或いは患者ベクトル、患者属性、過去の分析などの、１つ又は複数の入力に基づいて、ＧＶ値の最適なタイプを出力するように構成されている機械学習モデルによって判定されてもよい。

図５Ａの５１０において、ユーザ８のＧＶ状態は、ユーザ８に関連付けられた１つ又は複数のＧＶ値に基づいて判定され得る。ＧＶ状態は、ＧＶ値のみに関連付けられた状態であってもよく、或いは１つ又は複数の他の要因（例えば、グルコース測定値の頻度、グルコース測定値の質、別の感知された測定値、患者ベースの要因など）に基づいていてもよい。簡略化のために、本開示は、ＧＶ値のみに基づくＧＶの２値状態（すなわち、良好なＧＶ状態及び不良なＧＶ状態）を議論するだろう。しかしながら、ＧＶ状態は、ＧＶ値と、１つ又は複数の他の要因とに基づく多次元状態であってもよいことを理解されよう。本明細書に適用されるように、良好なＧＶ状態（例えば、第１のＧＶ状態）は、ＧＶカットオフよりも大きいＧＶ値に対応し、不良なＧＶ状態（例えば、第２のＧＶ状態）は、ＧＶカットオフよりも小さいＧＶ値に対応する。

図６Ａは、複数の異なる患者のＧＶ状態のチャート６００を示す。本明細書に開示されるように、チャートは、ＴＩＲ比及びＧＶ比に基づく４つの象限を含む。ＧＶ状態は、チャート６００におけるＸ軸に対応するＧＶ軸に基づいている。ＧＶは、一定期間にわたって、患者の血糖値に関連付けられたＳＤ又はＣＶであってもよい。代替的に、ＧＶは、ＧＶが複数の期間にわたって、計算された（例えば、平均化された）値であるように、複数の期間にわたる患者の血糖値に関連付けられたＳＤ又はＣＶであってもよい。

ＧＶ値は、良好なＧＶ状態対不良なＧＶ状態のカットオフとして指定されてもよい。図６Ａのチャート６００は、０．８を上回るＧＶ値が良好なＧＶ状態と考えられ、０．８を下回るＧＶ値が不良なＧＶ状態と考えられるように、０．８というカットオフを含む。カットオフは、予め判定されてもよく、或いは動的に判定されてもよい。予め判定されたカットオフは、医療基準に基づいていてもよく、或いは、コホート又はユーザ８の医療提供者７によって指定されてもよい。動的に判定されたカットオフは、コホート又は所定のユーザ８に基づいていてもよく、機械学習モデルによって判定されてもよい。機械学習モデルは、入力として、患者ベクトル、患者属性、過去の患者のＴＩＲ値又はＧＶ値又は変更などを受信してもよく、入力が関連付けられるユーザ８又はコホートに関して特にカットオフを出力してもよい。したがって、カットオフは、入力データが基づいていた対応するユーザ８又はコホートに関して最適であると考えられる値に調整されてもよい。

チャート６００に示されるように、０．８というカットオフを上回るＧＶ値を有する患者は、良好なＧＶ状態を有すると考えられ、０．８というカットオフを下回るＧＶ値を有する患者は、不良なＧＶ状態であると考えられる。カットオフがシフトされた場合、それに応じて、良好な或いは不良なＧＶ状態を有する患者の数が変化することを理解されよう。例えば、ＧＶ値が０．８の代わりに０．９に調整された場合、カットオフが０．８であるときと比較されると、より多くの患者が不良なＧＶ状態になるであろう。一実装形態によれば、良好な状態と不良な状態とを区別するための最適なカットオフ値は、０．７であってもよい。

図６Ａに示されるように、ＴＩＲカットオフ値（すなわち、図６Ａに示される実施例では、０．５）及びＧＶカットオフ値（すなわち、図６Ａに示される実装例では、０．８）に基づいて分けられたＹ軸（ＴＩＲ比）及びＸ軸（ＧＶ値）に基づいて、４つの象限が作成される。左上の象限６０２の患者は、良好なＴＩＲ状態（すなわち、ＴＩＲカットオフ値を上回る）及び不良なＧＶ状態（すなわち、カットオフＧＶよりも低い）内の患者に対応する。この状態は、第１の特徴付け（すなわち、良好）がＴＩＲ状態に対応し、第２の特徴付け（すなわち、不良）がＧＶ状態に対応する良好－不良（Ｇ－Ｂ）状態と考えられ得る。左下の象限６０４の患者は、不良なＴＩＲ状態（すなわち、ＴＩＲカットオフを下回る）及び不良なＧＶ状態（すなわち、カットオフＧＶよりも低い）内の患者に対応する。この状態は、不良－不良（Ｂ－Ｂ）状態と考えられ得る。右下の象限６０６の患者は、不良なＴＩＲ状態（すなわち、ＴＩＲカットオフを下回る）及び良好なＧＶ状態（すなわち、カットオフＧＶよりも高い）内にある患者に対応する。この状態は、不良－良好（Ｂ－Ｇ）状態と考えられ得る。左下の象限６０４の患者は、不良なＴＩＲ状態（すなわち、ＴＩＲカットオフを下回る）及び不良なＧＶ状態（すなわち、カットオフＧＶよりも低い）内の患者に対応する。この状態は、不良－不良（Ｂ－Ｂ）状態と考えられ得る。象限６０２、６０４、及び６０６の各々の患者は、ＴＩＲ状態又はＧＶ状態のうちの少なくとも１つが非最適状態（例えば、「不良な」状態）であるように非理想的状態を有する患者と考えられてもよい。右上の象限６０６の患者は、良好なＴＩＲ状態（すなわち、ＴＩＲカットオフを上回る）及び良好なＧＶ状態（すなわち、カットオフＧＶよりも高い）内の患者に対応する。この状態は、良好－良好（Ｇ－Ｇ）状態と考えられ得る。象限６０８の患者は、ＴＩＲ状態とＧＶ状態との両方が最適状態（例えば、「良好な」状態）であるように理想的状態の患者と考えられ得る。

図５Ａの５１２において示されるように、所定の患者の開始状態は、患者のＴＩＲ状態及びＧＶ状態に基づき得る。図６Ａに示されるように、ユーザ８の開始状態は、ユーザ８のＴＩＲ状態及びＧＶ状態が分類される象限に対応し得る。例えば、図６Ａに示されるように、ユーザ６１０は、ＴＩＲカットオフを満たさないＴＩＲ比を有し、したがって、不良なＴＩＲ状態にあり、ＧＶカットオフよりも高いＧＶであり、したがって、良好なＧＶ状態にあり得る。したがって、図５Ａの５１４において判定されたように、図６Ａに示される実施例では、右下の象限６０６によって表される、非理想的開始の不良－良好状態であってもよい。本明細書にさらに開示されるように、ユーザ６１０の非理想的開始の不良－良好の全体的な状態は、一時点におけるユーザ６１０の状態であってもよく、経時的に変化してもよい。

図５Ａの５１４において判定されるように、非理想的開始状態は、ユーザ８の糖尿病管理が最適でないことを示し得る。例えば、非理想的開始状態は、低いＴＩＲ及び／又は最適でないＧＶを示してもよい。したがって、非理想的開始状態は、ユーザ８の状態が非理想的状態から理想的状態に変化し得るように、対応するユーザ８の糖尿病管理の調整を必要としてもよい。

一実装形態によれば、本明細書で説明され、図６Ａに示されるように、二次元フレームワークは、新規のデータ統合の抽出、変換、書き出し（ＥＴＬ）プロセスを介して、生産システムに実装されてもよい。プロセスは、ＣＧＭモニタによって取得され、ＣＧＭモニタ、電子デバイス１９、及び／又は任意の他の適用可能なコンポーネントのいずれかによって分析されたＣＧＭデータを抽出してもよい。抽出されたデータは、１つ又は複数の機械学習モデルを含み、（例えば、図５Ａの５１２において）開始状態を判定し得る生産データベースに変換され、且つ／或いは書き出されてもよい。

したがって、ユーザ８の状態ベースのデータ（例えば、開始状態）のマクロビューは、ＴＩＲ状態及びＧＶ状態という２つの直交するパラメータによって表され得る。本明細書に開示されるように、（例えば、図６Ａに示されるように）対応する状態は、全体的なグルコース健康状態を評価するために可視化され、ユーザ８、医療提供者７などにレポートされ得る。状態ベースのデータは、（例えば、本明細書にさらに開示されるように、最適化経路を介して）全体的なグルコースの健康上の推奨を提供するために使用されてもよい。

図５Ａの５１６において、理想的状態に到達するために、最適化経路が生成され得る。最適化経路は、１つ又は複数の患者ベクトルの、１つ又は複数の調整であってもよく、非理想的状態（すなわち、良好－不良、不良－不良、又は不良－良好状態）、患者ベクトル、及び／又は患者属性に基づいて判定されてもよい。最適化経路は、薬、食品摂取特性、運動値、心理社会的パラメータ、及び／又は社会的決定要因パラメータを含むが、それらに限定されない、１つ又は複数の患者ベクトルの調整であってもよい。

薬の調整は、ユーザ８の現在の薬に基づいて提供されてもよく、或いはユーザ８が提供され得る新しい薬に基づいて提供されてもよい。調整は、薬の投与量を調整することによって、薬を追加し、或いは排除することによって、薬が摂取される時刻又は頻度を変更することによって、薬に関連付けられた環境（例えば、薬と共に摂取される食品タイプ）を変更することなどによって行われてもよい。例えば、ユーザ８が現在摂取している特定の薬の摂取量は、より高い投与量に調整されてもよい。

食品摂取特性の調整は、１つ又は複数の食品、食品群、食品タイプ、食品摂取時刻、食品ペアリング、食品及び薬物ペアリングなどを変更し、排除し、追加し、或いはその他の方法で修正することを含んでもよい。例えば、食品を摂取した後に、患者の血糖値が閾値帯を超えて増加することを示す患者属性に基づいて、患者は、現在の血糖値が低い時間中に食品を摂取するように警告を提供されてもよい。

運動値の調整は、１つ又は複数の運動、運動タイプ、運動持続時間、運動時間などを変更し、排除し、追加し、或いはその他の方法で修正することを含んでもよい。例えば、患者が１日の始めに運動する場合、所定の患者のＧＶは、より安定することがあり、したがって、午前中に運動することを優先するように調整が行われてもよい。

心理社会的パラメータ及び／又は社会的決定要因パラメータはまた、調整され、或いは修正されてもよく、瞑想スケジュール又はタイプ、社会活動、相互作用、及び／又は同じ持続時間若しくは頻度を変更し、排除し、追加し、或いはその他の方法で修正することを含んでもよい。

５１６において、最適化経路は、機械学習モデルを使用して生成され得る。図３Ｂに示されるように、機械学習モデルは、訓練されてもよい。機械学習モデルは、入力として、患者ベクトル、開始状態（例えば、ＴＩＲ状態、ＧＶ状態、良好－不良状態、不良－不良状態、不良－良好状態など）、患者属性、及びＣＧＭ特性のうちの１つ又は複数を受信してもよい。機械学習モデルは、そのような入力に基づいて最適化経路の出力を生成してもよい。本明細書に開示されるように、最適化経路は、１つ又は複数の患者ベクトルの調整であってもよい。

図５Ａの５１８において、最適化経路は、直接患者に（例えば、ｍＨｅａｌｔｈアプリケーション１を介して、電子デバイス１９を使用してなどでユーザ８に）提供され、医療提供者７に提供され、或いはその両方に提供され得る。最適化経路は、１つ又は複数の患者ベクトルへの変更の概要であってもよく、１つ又は複数の患者ベクトルの自動調整であってもよく、或いは、１つ又は複数の動作、タイミング、レベル、値などに基づいて徐々に提供されてもよい。徐々に提供される最適化経路は、対応する１つ又は複数の患者ベクトルに基づいて提供され、１つ又は複数の患者ベクトルへの変更をもたらしてもよい。一実施例として、患者の血糖値が閾値帯の下端にあるときに、患者ベクトルへの変更が食品を摂取することを含む場合、患者のＣＧＭモニタがそのような血糖値を記録するときに、モバイルデバイスの警告が提供されてもよい。モバイルデバイスの警告は、ユーザが、警告に基づいて所定の期間内に食品を摂取するべきであるというユーザへの指示を提供してもよい。

最適化経路はまた、定期的に（例えば、毎日、毎時、毎週など）或いはトリガーに基づいて提供されてもよく、予め判定された時間は、最適化経路に基づく変更に基づいている。例えば、患者の食事スケジュールに修正を加える最適化経路は、食事時間中に警告を使用して提供されてもよい。別の実施例として、患者の薬に変更を加える最適化経路は、投薬時間中に警告を使用して提供されてもよい。

最適化経路を提供する頻度、方法、及び／又は様式は、最適化経路の成功裏の実装形態に関連付けられた主要な動作又は変数に基づいていてもよい。習慣指数は、１つ又は複数の同様の属性を有する患者又は患者のコホートに関して判定されてもよい。習慣指数は、患者の行動の分類であってもよく、習慣の指定（例えば、頻繁なコミュニケーション、頻繁でないコミュニケーション、技術的コミュニケーション、電話のコミュニケーション、人間のコミュニケーション、グラフィックコミュニケーション、時間のコミュニケーションなど）であってもよく、値又はスコアであってもよく、或いは最適化経路を適切に調整するために患者の行動の指示を提供する任意の他の任適用可能な指定であってもよい。

習慣指数は、頻度ベースの要因、時間キューベースの要因、コンテキストキューベースの要因などを含む、習慣又は嗜好に基づいて判定されてもよい。習慣指数は、最適化経路が習慣指数により、提供され得るように、患者の最適化経路を患者に提供するために使用されてもよい。一実施例として、習慣指数は、ユーザ８が最小限のコミュニケーションを好み、ｍＨｅａｌｔｈアプリケーションを介して行われる任意のコミュニケーションを好むことを示してもよい。したがって、最適化経路を介した患者ベクトルの変更は、１日に１回、ｍＨｅａｌｔｈアプリケーションを介してユーザ８に提供されてもよい。したがって、習慣指数は、患者の個々の行動の嗜好に基づいて、個別の方法で最適化経路を患者に提供するために使用されてもよい。

図５Ｂは、ＣＧＭに基づく例示的な一実装形態のフローチャート５４０を示す。図５Ｂのステップ５１２は、図５Ａのステップ５１２に対応し、本明細書に開示されるように、患者のＴＩＲ状態及びＧＶ状態に基づいて、所定の患者の開始状態を判定することを含む。５２０において、５１２において判定された開始状態が理想的状態であるかどうかに関する判定が行われる。開始状態が理想的状態である場合、５２２において、ＣＧＭモニタは、ＣＧＭを実行することを持続し得る。開始状態が理想的状態でない場合（すなわち、良好－不良、不良－不良、又は不良－良好状態などの、非理想的状態）、５２４において、１つ又は複数の非理想的状態の属性が判定され得る。非理想的状態の属性は、ＴＩＲ又はＧＶの値、ＴＩＲ又はＧＶの変化などであってもよい。５２６において、患者に関連付けられた患者ベクトルが特定され得る。患者ベクトルは、ユーザ８によって、医療提供者７によって、提供されてもよく、電子デバイス１９を介して、サーバ２９を介して、或いは任意の他の適用可能な方法を介して取得されてもよい。

５２８において、患者を非理想的状態から理想的状態に遷移するために、最適化経路が生成され得る。中間の非理想的状態に到達することは、理想的状態に到達することの一部であり得ることを理解されよう。例えば、不良－不良（すなわち、不良なＴＩＲ状態及び不良なＧＶ状態）の開始非理想的状態を有する患者は、良好－良好状態に到達する前に、まず患者を良好－不良状態又は不良－良好状態に遷移する最適化経路を提供されてもよい。機械学習モデルは、ＴＩＲ状態又は値、ＧＶ状態又は値、１つ又は複数の患者ベクトル、１つ又は複数の患者特性、ＣＧＭ事象などのうちの１つ又は複数を含む入力に基づいて、１つ又は複数の患者ベクトルの変化を含む最適化経路を出力してもよい。５３０において、最適化経路は、患者に提供され得る。最適化経路は、患者が最適化経路に従う確率を高めるために、患者に関連付けられた習慣指数に基づいて提供されてもよい。５３０において最適化経路を提供することに加えて、且つ／或いは５３０において最適化経路を提供した後に、５２２において、ＣＧＭモニタは、ＣＧＭを持続し、フローチャート５４０は、５２２におけるＣＧＭを持続することに基づいて、５１２において開始することによって、それ自体を反復して繰り返し得る。フローチャート５４０は、所定の患者又は患者のコホートに関して、予め判定され、或いは動的に判定される任意の適用可能な期間で発生してもよい。

図６Ｂは、チャート６１２及びチャート６１４を示す。第１のチャート６１２は、数ヶ月の間の所定の患者の複数の状態を示す。例えば、６１３Ａによって示される患者の初期状態は、良好－良好状態（すなわち、良好なＴＩＲ状態及び良好なＧＶ状態）であり、６１３Ｂによって示される初期状態後の後続状態は、不良－良好状態（すなわち、不良なＴＩＲ状態及び良好なＧＶ状態）である。チャート６１２は、数ヶ月の間の患者の様々な状態を示す。各状態（例えば、６１３Ａ、６１３Ｂなど）は、その期間の代表的な状態であり得る。例えば、６１３Ａによって示される初期状態は、最初の月の間の全ての状態の平均値であってもよく、或いは月の同じ日がチャート６１２に示される各月に使用されるように、所定の日の状態であってもよい。図６Ｂのチャート６１４は、チャート６１２と同じ状態を示す。しかしながら、二次元状態ベースの象限が対応するＴＩＲ状態及びＧＶ状態に関連するとき、チャート６１４は、閲覧者が状態の分布を見ることを可能にする二次元状態ベースの象限を示す。チャート６１２及び／又はチャート６１４は、閲覧者がユーザ８の状態ステータスをより良く理解することを可能にするために、ユーザ８又は医療提供者７に提供されてもよい。

図６Ｃは、各々、様々な量のデータを有するチャート６１６、６１８、及び６２０を示す。チャート６１６は、１５ヶ月のＣＧＭベースの状態情報を有する最も多くのデータを含む。チャート６１８は、８ヶ月のＣＧＭベースの状態情報を示し、チャート６２０は、３ヶ月のＣＧＭベースの状態情報を示す。より多くのデータポイントは、閲覧者が、より少ないデータポイントよりも、より全体的に患者の血糖値ベースの履歴を理解することを可能にし得る。

図６Ｄは、１５ヶ月にわたる所定の患者のＧＶ値を示すチャート６２１Ａ及び６２１Ｂの各々を示す。チャート６２１Ａは、血糖値の測定値の標準偏差（ＳＤ）を示し、チャート６２１Ｂは、血糖値の測定値の変動係数（ＣＶ）を示す。示されるように、適用されるＧＶのタイプ（例えば、ＳＤ、ＣＶなど）は、所定の時刻におけるＧＶ状態を変化し得る。例えば、チャート６２１Ａの６２１Ｃは、９回目の測定値のＳＤベースのＧＶ値を示す。示されるように、６２１Ｃは、不良なＧＶ状態に対応する。しかしながら、チャート６２１Ｂの６２１Ｄによって表される、同じ対応する９回目の測定値のＣＶベースのＧＶ値は、良好なＧＶ状態に対応する。適用されるＧＶのタイプ（例えば、ＳＤ、ＣＶなど）は、患者ベクトル、過去のグルコース情報、患者特性などの、１つ又は複数の要因に基づいて選択されてもよいが、それらに限定されない。

図６Ｅは、匿名化された患者ＩＤによって表される複数の患者の各々の様々な状態のチャート６２２を示す。例えば、患者６２４（すなわち、患者ＩＤ４２７９９）は、バー６２６Ａによって表される（例えば、欠損するＣＧＭデータに起因した）多数の欠損状態、バー６２６Ｂによって表される多数の良好－良好状態（すなわち、良好なＴＩＲ状態及び良好なＧＶ状態）、バー６２６Ｃによって表される多数の不良－良好状態、及びバー６２６Ｄによって表される多数の不良－不良状態を有してもよい。所定の患者のコホートを監視する医療機関又は医療提供者７は、定期的にチャート６２２を提供されてもよい。チャート６２２に示される状態の視覚的な変化をレビューすることによって、閲覧者は、本明細書に開示される技術を実装するユーザの全ての或いはサブセットのための状態変化の傾向を容易に判定することができ得る。

医療機関又は医療提供者７はまた、図６Ｆのチャート６２８及び／又はダイアグラム６３０を提供され得る。医療機関又は医療提供者７は、チャート６２８を使用し、患者集団のステータスの変化の傾向をレビューし得る。例えば、チャート６２８を提供された閲覧者は、良好－不良から不良－良好に変化する患者のステータスのカウント（すなわち、１１）が、反対方向（すなわち、９）よりも多いことを判定することができ得る。そのようなデータは、（例えば、ネットワーク層、重みなどを改善し、改善された最適化経路を提供するために）更新された機械学習アルゴリズムに使用され、（例えば、習慣指数に加えられた変更に基づいてなど）最適化経路が提供／実装される方法を改善するなどのために使用されてもよい。

同様に、ダイアグラム６３０は、医療機関又は医療提供者７によって利用され、患者集団のステータスの変化の傾向をレビューし得る。ダイアグラム６３０を使用することによって、閲覧者は、ステータスの変化の傾向を速やかに見ることができ、複数の期間にわたってそのような傾向を比較してもよい。例えば、ダイアグラム６３０を提供された閲覧者は、不良－良好から良好－良好に変化したステータス変化の数（すなわち、２０）を容易に比較し、それを前月の変化と比較してもよい。チャート６２８及びダイアグラム６３０は、ステータス変化の数で示されるが、ステータス変化は、変化の割合を使用するなどの任意の適用可能な方法で表されてもよいことが理解されよう。

本明細書に開示されるように、図５Ａの５１６において生成された最適化経路は、１つ又は複数の患者ベクトルに基づいて生成されてもよい。図６Ｇは、１日の間に（例えば、ＣＧＭモニタを使用して収集された）患者の血糖値の測定値６３４のチャート６３２を示す。フィルタ又は他の平滑化機構は、対応する傾向線６３６を生成するために使用されてもよい。チャート６３８は、血糖値の測定値６３４又はチャート６３２の平滑化された傾向線６３６の変化率を表すチャートの一次導関数６４０を示す。チャート６３２と６３８との両方は、機械学習モデルがそのようなベクトル及びそれらの関連付けられた属性（例えば、各所定のベクトルの時刻、運動の持続時間、食品タイプ、薬タイプ及び／又は投与量などの、ベクトルの特性）を受信し得るように、運動ベクトル６４２、食品ベクトル６４４、薬ベクトル６４６及び別の食品ベクトル６４８を含む患者ベクトルを含む。患者の血糖値の測定値６３４は、患者の血糖値の測定値６３４の一次導関数６４０と共に機械学習モデルへの入力として使用されてもよく、或いは患者の血糖値の測定値６３４又は一次導関数６４０のいずれかが個別に使用されてもよい。したがって、機械学習モデルによって提供される出力最適化経路は、患者の血糖値の測定値６３４、患者ベクトル（例えば、運動ベクトル６４２、食品ベクトル６４４、薬ベクトル６４６、及び別の食品ベクトル６４８）、及び／又は一次導関数６４０に基づいていてもよい。

図４Ｂに示されるように、ＡＧＰレポートは、グラフデータだけでなく、多数のメトリクス（例えば、１０個のメトリクス）を含み得る。これらのメトリックは、患者と医療提供者７との両方にとって、多数であり、理解することが困難であり得る。１０個全ての尺度が、固有で、独立した情報を与えないので必要ではないように、ＡＧＰレポートの１つのメトリックのコンポーネントは、他の尺度によって判定されるので、本明細書に開示される技術は、メトリクスの数を最小化することに部分的に基づいている。図７Ａ及び図７Ｂは、平均グルコース７０４、高血糖域（ＴＡＲ）及びＴＩＲ７０６、グルコースの変動７１０、低血糖域（ＴＢＲ）、ＣＧＭ活性化時間７２２の割合、及び／又はグルコースの標準偏差及び主成分値（ＰＣＶ）の変動７２４を使用して、本明細書に開示される技術が実装され得ることを示す。平均グルコース７０４は、平均グルコース及びグルコース管理指標（ＧＭＩ）に基づいていてもよく、ＧＭＩは、血糖値の予測される表示である。ＴＡＲ及びＴＩＲ７０６は、非常に高いＴＡＲの表示（ＴＡＲ＿ＶＨ）、高いＴＡＲの表示（ＴＡＲ＿Ｈ）、及び／又はＴＩＲの表示に基づき得る。グルコースの変動７１０は、グルコースの標準偏差及びＰＣＶに基づき得る。ＴＢＲ７１２は、低いＴＢＲ（ＴＢＲ＿Ｌ）、非常に低いＴＢＲ（ＴＢＲ＿ＶＬ）、及びＴＢＲの表示に基づき得る。

開示される対象の一実装形態によれば、１つ又は複数のＣＧＭ事象は、患者の血糖値に基づいて分類されてもよい。分類は、１つ又は複数のＣＧＭ事象の各々に関連付けられた重症度スコアに少なくとも基づいていてもよく、且つ／或いは患者の血糖値に関連付けられた曲線の１つ又は複数の特性に基づいていてもよい。図８Ａ、図８Ｂ、及び図８Ｃは、ＣＧＭ事象の例示的な分類を示す。図５Ａの５１６において生成される最適化経路は、１つ又は複数の分類されたＣＧＭ事象に部分的に基づいていてもよい。例えば、ＣＧＭ事象の重症度又は他の特性は、機械学習モデルに提供されてもよく、最適化経路は、１つ又は複数の分類されたＣＧＭ事象に少なくとも部分的に基づいて出力されてもよい。一実施例として、重症度スコアは、鋭いピークの存在を示してもよく、或いは高い重症度スコアの頻度は、患者の血糖値の高い量の変動を示してもよい。そのようなＣＧＭベースの事象情報は、例えば、ＴＩＲが患者の血糖値の不健康な量の変動を示さないので、患者が高いＴＩＲを有する場合、特に有用であり得る。

最適化経路を判定するためにＣＧＭ事象を適用することは、ＣＧＭトレース（例えば、一連のグルコース値の測定値）からの事象の検出、及び事象を１つ又は複数のクラスに分類することを含んでもよい。分類は、重症度スコアベースの分類及び／又はグルコースカテゴリを含んでもよい。重症度スコアは、ＣＧＭトレースの時刻及び形状特性を使用して判定されてもよい。

重症度スコア及び／又はＣＧＭ事象は、ＣＧＭデータの個別の変動に関して判定されてもよく、ＣＧＭのマイクロビューの一部であってもよい。重症度スコア及び／又はＣＧＭ事象は、リアルタイムのコーチング又は行動出力（例えば、薬、食事、運動などに関する目下のコーチング）のために使用されてもよい。したがって、本明細書に開示される技術は、ＣＧＭデータのマクロビュー（例えば、図５Ａで説明されるように、状態データを使用すること）と、ＣＧＭデータのミクロビュー（例えば、重症度スコア及び／又はＣＧＭ事象を使用すること）との両方を提供し、リアルタイムフィードバックと、総合的な健康改善フィードバックとの両方を提供する。

図８Ａは、ＣＧＭ事象８０２Ａを含むＣＧＭトレース８０２を有するチャート８００を示す。図８Ｂは、ＣＧＭ事象８０６Ａを含むＣＧＭトレース８０６を有するチャート８０４を示す。ＣＧＭ事象８０２Ａは、１つ又は複数の数学的方法に基づいて検出されてもよい。図８Ａに提供される実施例では、ＣＧＭ事象８０２Ａは、３つのパラメータである、開始時のグルコース、重症度、終了時のグルコース（ｂ、ｓ、ｄ）などの、臨床的な意義のあるマルチパラメータＣＧＭ分類に基づいて分類され得る。

パラメータｂは、所定のＣＧＭ事象の開始時或いは開始時付近のグルコースカテゴリに対応し得る。グルコースカテゴリｂは、非常に高い（例えば、＋２）、高い（例えば、＋１）、範囲内（例えば、０）、低い（例えば、－１）、或いは非常に低い（例えば、－２）などの、スケールであってもよい。ＣＧＭ事象８０２Ａの実施例では、トレース８０２がＣＧＭ事象８０２Ａのピークに向かって曲がるとき、ＣＧＭトレース８０２の開始時に８０３によって示される閾値範囲内にあるトレース８０２を介して示されるように、トレース８０２によって示される血糖値が、ＣＧＭ事象８０２Ａの開始時に閾値範囲８０３内にあるので、ｂは、０に対応する。図８ＢのＣＧＭ事象８０６Ａの実施例では、トレース８０６がＣＧＭ事象８０６Ａのピークに向かって曲がるとき、ＣＧＭ事象８０６Ａの開始時に閾値範囲８０５内にあるトレース８０６を介して示されるように、トレース８０６によって示される血糖値が、ＣＧＭ事象８０６Ａの開始時に閾値範囲８０５内にあるので、ｂは、０に対応する。

パラメータｓは、ＣＧＭ事象の曲線の高さと、曲線が目標よりも上方に留まる時間との両方を包含する重症度スコアに対応し得る。重症度スコアｓは、ＣＧＭ事象の曲線の高さと、曲線が目標よりも上方に留まる持続時間とを示す値（例えば、０から９）として表されてもよい。重症度スコアは、ＣＧＭ曲線の高さと、閾値範囲外にある対応するトレースの持続時間との組み合わせに基づいて、重症度スコアを提供する任意の適用可能な技術を介して計算されてもよい。簡略化された一実施例として、曲線の高さに関連付けられた値は、閾値範囲外にあるトレースの持続時間に関連付けられた値を乗じてもよい。高さ及び持続時間の値のうちの１つ又は両方は、１よりも大きくてもよい。一実装形態によれば、高さ及び持続時間は、重症度スコアが高さ又は持続時間のうちの１つに、より大きく基づいているように、異なる重みを割り当てられてもよい。より高い重症度スコアは、目標を上回る高さと持続時間との、より高い組み合わせを示してもよい。より低い重症度スコアは、目標を上回る高さと持続時間との、より低い組み合わせを示してもよい。したがって、より低い重症度スコアは、より高い重症度スコアよりも望ましいことがある。

ＣＧＭ事象８０２Ａの実施例では、パラメータｓは、ＣＧＭ事象８０２Ａに関連付けられた曲線の高さと、トレース８０２が閾値範囲８０３外にある持続時間とに基づいて判定される、６という重症度スコアに対応する。ＣＧＭ事象８０６Ａの実施例では、パラメータｓは、ＣＧＭ事象８０６Ａに関連付けられた曲線の高さと、トレース８０６が閾値範囲８０５外にある持続時間とに基づいて判定される、２という重症度スコアに対応する。図８Ａ及び図８Ｂに示されるように、ＣＧＭ事象８０２Ａの曲線の高さ及び目標閾値範囲外の時間の持続時間は、ＣＧＭ事象８０６Ａの曲線の高さ及び目標閾値範囲外の時間の持続時間よりも大きい。したがって、ＣＧＭ事象８０６Ａ（すなわち、２）と比較されるとき、ＣＧＭ事象８０２Ａの重症度スコアは、より高い（すなわち、６）。

パラメータｅは、所定のＣＧＭ事象の終了時或いは終了時付近のグルコースカテゴリに対応し得る。グルコースカテゴリｂは、非常に高い（例えば、＋２）、高い（例えば、＋１）、範囲内（例えば、０）、低い（例えば、－１）、或いは非常に低い（例えば、－２）などの、スケールであってもよい。ＣＧＭ事象８０２Ａの実施例では、トレース８０２がＣＧＭ事象８０２Ａのピーク後に平坦化するとき、ＣＧＭトレース８０２の終了時に８０３によって示されるおよそ閾値範囲外にあるトレース８０２を介して示されるように、トレース８０２によって示される血糖値が、ＣＧＭトレース８０２Ａの終了時に範囲８０３よりも高いので、ｅは、１に対応する。図８ＢのＣＧＭ事象８０６Ａの実施例では、トレース８０６が閾値範囲８０５の下方で平坦化し、方向を変えるとき、ＣＧＭ事象８０６Ａの終了時に閾値範囲８０５内にあるトレース８０６を介して示されるように、トレース８０６によって示される血糖値が、ＣＧＭ事象８０６Ａの終了時に閾値範囲８０５の下方にあるので、ｅは、－１に対応する。

別の実装形態によれば、ＣＧＭ事象は、１つ又は複数の他の技術を使用して特徴付けられてもよい。例えば、ＣＧＭ事象は、ＣＧＭ事象の重症度スコア及び形状に基づいて特徴付けられてもよい。図８Ｃ及び図８Ｄは、重症度スコア及びＣＧＭ事象トレース形状によって特徴付けられる例示的なＣＧＭ事象を示す。本明細書に開示されるように、重症度スコアは、閾値グルコース範囲外にあるＣＧＭトレースの高さ及びトレースの持続時間に基づいて計算されてもよい。ＣＧＭ事象の形状は、例えば、広いカテゴリ、高いカテゴリ、及び正常なカテゴリなどの、任意の適用可能な方法で分類されてもよい。そのようなカテゴリは、所定のＣＧＭ事象の開始、ピーク、及び終了に基づいてもいてもよく、ＣＧＭトレースを所定のカテゴリとして分類することに関連付けられたパラメータは、予め判定されてもよく、或いは所定の患者、複数のＣＧＭトレースなどに基づいて判定されてもよい。例えば、所定のＣＧＭトレースによって輪郭が描かれた領域とトレースの高さとの比は、ＣＧＭトレースを分類するために使用されてもよい。

図８Ｃは、ＣＧＭトレース８１２と、閾値範囲８０３と、３つのＣＧＭ事象８１２Ａ、８１２Ｂ、及び８１２Ｃとを有するチャート８１０を示す。第１のＣＧＭ事象８１２Ａは、８という重症度スコアと、広いとして特徴付けられるＣＧＭトレース形状とを有する。第２のＣＧＭ事象８１２Ｂは、５という重症度スコアと、高いとして特徴付けられるＣＧＭトレース形状とを有する。第３のＣＧＭ事象８１２Ｃは、０という重症度スコアと、普通として特徴付けられるＣＧＭトレース形状とを有する。第３のＣＧＭ事象８１２Ｃの重症度スコアは、ＣＧＭ事象８１２Ｃのピークにおけるトレース８１２が閾値範囲８１３内にあるので、０である。

実装形態によれば、ＣＧＭトレース形状はまた、短いとして特徴付けられてもよい。さらに、機械学習モデルは、例えば、過去のＣＧＭトレース形状に基づいてＣＧＭトレース形状を特定するために使用されてもよい。機械学習モデルは、更新されたＣＧＭトレースに基づいて更新されてもよい。例えば、更新されたグルコース値は、最適化経路が重症度スコア、ＣＧＭトレース形状などに基づいて提供される後、ＣＧＭモニタによって計算されてもよい。更新されたグルコース値は、最適化経路がユーザに与える影響を包含してもよい。更新されたグルコース値は、モデルを更新するために機械学習モデルに提供される更新されたＣＧＭトレースを生成するために使用されてもよい。例えば、最適化経路がユーザの状態を改善しなかった場合、機械学習モデルは、後続の或いは将来の反復中にその出力を改善するために更新されてもよい。

図８Ｄは、ＣＧＭトレース８２２と、閾値範囲８２３と、２つのＣＧＭ事象８２２Ａ及び８２２Ｂとを有するチャート８２０を示す。第１のＣＧＭ事象８２２Ａは、９という重症度スコアと、高いとして特徴付けられるＣＧＭトレース形状とを有する。第２のＣＧＭ事象８２２Ｂは、８という重症度スコアと、普通として特徴付けられるＣＧＭトレース形状とを有する。

所定のユーザ８に関する１つ又は複数の臨床的に重要なＣＧＭ事象は、ＣＧＭ分類（例えば、図８Ａ及び図８Ｂのｂ、ｓ、ｅ、又は図８Ｃ及び図８Ｄの重症度スコア及び形状の特徴付け、又は任意の他の適用可能な特徴付け）を使用して分類されてもよい。次いで、最適化経路（例えば、自動コーチングメッセージ、ＤＳＭＡなどを介して）は、ＣＧＭ事象の特徴付けにさらに基づいて、ユーザ８に送信されてもよい。

図９は、開示される対象の一実装形態のためのフローチャート９００を含む。９０２において、非理想的状態から理想的状態に到達するための複数の最適化プロファイルが生成され得る。複数の最適化プロファイルは、患者固有ではないことがあるが、複数の患者ベクトルと患者属性との組み合わせに関して各々生成されてもよい。本明細書に開示されるように、複数の最適化プロファイルは、図５Ｂに提供されるように訓練された機械学習モデルを使用して生成され得る。複数の最適化プロファイルは、機械学習モデルへの出力として提供されてもよく、過去の患者のコホートに基づいていてもよく、非理想的状態から理想的状態に到達するために成功裏の試み又は失敗の試みにさらに基づいていてもよい。

複数の最適化プロファイルは、各々、１つ又は複数の患者属性、及び／又は患者ベクトルに関連付けられてもよい。例えば、患者ベクトル及び患者属性の所定のセットに関して、特定の最適化プロファイルは、可能な非理想的状態（例えば、良好－不良、不良－不良、不良－良好など）ごとに生成されてもよい。

９０４において、所定の患者のＴＩＲ状態が判定され、９０６において、本明細書に開示される技術により、所定の患者のＧＶ状態が判定され得る。９０８において、所定の患者の１つ又は複数の患者ベクトルと、１つ又は複数の患者属性とが受信され得る。患者ベクトル及び／又は患者属性は、所定の患者によって、医療提供者７によって提供されてもよく、電子デバイス１９を介して、サーバ２９を介して、或いは任意の他の適用可能な手段を介して取得されてもよい。

９１０において、患者ベクトル及び患者属性に基づいて最適化プロファイルが特定され得る。最適化プロファイルは、限られた数の最適化経路を含んでもよく、各最適化経路は、ＴＩＲ状態とＧＶ状態との所定の組み合わせに対応してもよい。例えば、最適化プロファイルは、良好－不良の開始状態、不良－不良の開始状態、及び不良－良好の開始状態に関する最適化経路を含んでもよい。したがって、所定の最適化プロファイルは、患者属性及びベクトルに基づいて特定されてもよく、患者の開始状態に基づく限られた数の最適化プロファイルを含んでもよい。

９１２において、最適化経路は、最適化プロファイルから、所定の患者のＴＩＲ状態及びＧＶ状態に基づいて特定され得る。最適化経路は、全ての患者のベクトル及び属性が同じままであるとしても、同じ患者によって異なってもよい。例えば、第１の反復中、所定の患者の最適化プロファイルは、第１の反復の時における患者の属性及びベクトルに基づいて特定されてもよい。第１の反復中の患者のＴＩＲ状態及びＧＶ状態（例えば、良好－不良状態）に基づいて、第１の最適化経路が特定されてもよい。しかしながら、第２の反復中、所定の患者ベクトルが同じである（すなわち、同じ最適化プロファイルが特定される）としても、状態の変化（例えば、不良－良好状態）に基づいて、異なる最適化経路が特定されてもよい。９１４において、本明細書に開示される技術により、特定された最適化経路が、所定の患者及び／又は医療提供者７に提供され得る。

図５Ａのステップ５０２－５１７、図５Ｂの５１２－５３０、及び図９の９０２－９１４は特定の順序で描かれているが、本開示の原理はそこに描かれた順序に限定されない。

図１０Ａは、時刻及び日によるＣＧＭ事象のチャート１００２を含むダイアグラム１０００を示す。そのようなダイアグラム又は他の視覚的出力は、所定の期間のＣＧＭジャーニーをより容易に理解するために、アプリケーション（例えば、ｍＨｅａｌｔｈアプリケーション１）を介して医療提供者７又はユーザ８に提供され得る。ダイアグラム１０００は、Ｙ軸としてジャーニー日数と、Ｘ軸として時刻とを含む。閲覧者は、ダイアグラム１０００を受信し、所定の日、時刻、及び／又は日数若しくは回数にわたるパターンを容易に判定してもよい。

図１０Ｂは、時刻及び食事タイプによって摂取された総炭水化物のチャート１０１２を含むダイアグラム１０１０を示す。そのようなダイアグラム又は他の視覚的出力は、所定の期間の食習慣をより容易に理解するために、アプリケーション（例えば、ｍＨｅａｌｔｈアプリケーション１）を介して医療提供者７又はユーザ８に提供され得る。ダイアグラム１０１０は、Ｙ軸として総炭水化物数と、Ｘ軸として時刻とを含む。閲覧者は、ダイアグラム１０１０を受信し、所定の日、時刻、及び／又は日数若しくは回数にわたるパターンを容易に判定してもよい。例えば、ユーザは、１日の間に摂取された食事タイプ、及び食事タイプに関連付けられたカロリーを容易に見ることができる。

図１１は、チャート１１０２を介して示されるように、第１の患者と、チャート１１０４を介して示されるように、第２の患者との重症度スコアのカウントを示す。チャート１１０２及びチャート１１０４の各バーは、所定の重症度スコアがそれぞれの第１の患者及び第２の患者のＣＧＭデータにおいて示された回数を表す。概して、そのような分布は、より良い糖尿病管理を示し得るので、より低い重症度スコアの、より高いカウントが好ましいことがある。医療機関又は医療提供者７は、１つ又は複数の期間にわたって、１人又は複数の患者の分布図（例えば、チャート１１０２及びチャート１１０４）を受信してもよく、分布図を使用し、患者群全体の進行を監視してもよい。代替的に或いは追加的に、分布図は、特定の患者群に関して（例えば、治療の時間に基づいて、医療チームに基づいて、患者属性、患者ベクトルなど）生成されてもよく、特定の患者群の傾向を分析してもよく、或いは複数の患者群間の傾向を比較してもよい。

図１２は、ＣＧＭデータに基づいて、患者にコーチングを提供するためのＣＧＭベースの実装形態のダイアグラム１２００を示す。示されるように、１つ又は複数の属性は、ＣＧＭメッセージ生成器１２１２に提供され得る。属性は、グルコース値１２０２、グルコーストレンド１２０４（例えば、ＣＧＭトレンド、ＣＧＭ事象データなど）、炭水化物情報１２０６、活動情報１２０８、インスリン情報１２１０など、又はそれらの組み合わせを含み得るが、それらに限定されない。属性に基づいて、メッセージレベルが判定され得る。例えば、メッセージレベルは、緊急の行動が必要とされる行動レベル１２２２（例えば、ユーザは、害を避けるためにインスリンを投与し、或いは炭水化物を摂取すべきである）、行動がすぐに必要とされ得るが緊急ではない警告レベル１２２４（例えば、ユーザは、グルコースを慎重に監視すべきである）、又は情報メッセージが提供されるアドバイスレベル１２２６（例えば、ユーザによる行動は、必要とされない）であり得る。

ＣＧＭメッセージ生成器１２１２は、患者ベクトル（例えば、属性１２０２－１２１０）に基づいて最適化経路を提供するために使用されてもよいので、図５Ａの５１８又は図９の９１４において適用されてもよい。例えば、最適化経路は、属性１２０２－１２１０に少なくとも部分的に基づいて判定されてもよく、ＣＧＭメッセージ生成器１２１２を介して対応する患者に提供されてもよい。

図１３Ａは、ＣＧＭメッセージ生成器１２１２を使用して提供される例示的なメッセージ１３０２を示す。メッセージ１３０２は、ユーザ８の電子デバイス１９を介して提供され得る。図１３Ａで提供される実施例では、メッセージは、行動レベル１２２２のメッセージであり、必要とされる行動を含み得る。示されるように、例示的なメッセージ１３０２は、「要行動：やあ、チャーリー、あなたのグルコースは高く、急速に上昇しています。範囲内に戻ることができるように、インスリンコンピュータに行き、インスリン投与を受けに行きなさい。」である。メッセージ１３０２は、高い重要性と共に送信されるように、携帯電話１３００を介してユーザ８に提供され得る。高い重要性は、電子デバイス１９が、メッセージ１３０２に加えて、可聴警告、触覚警告、視覚警告などを提供することをもたらしてもよい。

図１３Ｂは、携帯電話１３００を介してＣＧＭメッセージ生成器１２１２を使用して提供される別の例示的なメッセージ１３１４を示す。メッセージ１３１４は、警告レベル１２２４のメッセージであり、緊急の行動を含まないことがある。示されるように、例示的なメッセージ１３１４は、「行動不要：チャーリー、あなたのグルコースは目標内ですが、少し上昇しています。現時点では何も行動する必要はありません。」である。さらに、血糖値１３１２などの追加情報はまた、携帯電話１３００を介して提供され、関連メッセージ１３１４の近くで提供され得る。

図１３Ｃは、携帯電話１３００を介してＣＧＭメッセージ生成器１２１２を使用して提供される別の例示的なメッセージ１３２２を示す。メッセージ１３２２は、アドバイスレベル１２２６のメッセージであり、患者への一般的なアドバイスを含む。図１３Ｃに示されるように、メッセージ１３２２はまた、炭水化物情報、血糖値、インスリン投与量などの、他の患者ベクトルを含み得る。

したがって、図１３Ａ－図１３Ｃの実施例を介して示されるように、機械学習駆動型自動ユーザコーチング又はＣＧＭフィードバックは、ユーザ８に提供され得る。例えば、システム及び方法は、低血糖又は極端な高血糖の場合など、極めて重要な行動が必要であるとき、警告を提供するために使用され得る。それほど重大ではないグルコース測定値の通知メッセージはまた、提供されてもよい。インスリン投与サポートは、最適化経路を介して、患者ベクトル補正の１つとして、グルコーストレンドに基づいて補正インスリンを提供し得る。一実装形態によれば、インスリン投与量は、グルコーストレンド（例えば、ＣＧＭ事象）に基づいて調整され得る患者ベクトルであってもよい。現在の血糖値はまた、インスリン調整量を判定するときの要因であってもよい。例えば、ボーラスインスリンは、意図した結果を提供するために期間（例えば、３０分）を必要としてもよく、それに応じて、その期間の終了時のトレンド予測は、現在の血糖値のみよりも有用であり得るので、トレンドは重要なコンポーネントであり得る。

開示される対象の一実装形態によれば、インスリンコンピュータが提供されてもよい。インスリンコンピュータは、例えば、所定の時刻に投与するインスリンの量を含む行動出力を提供するために、入力として、１つ又は複数の要因を受信するコンテキストコンピュータであってもよい。インスリンコンピュータは、ＣＧＭモニタの一部であってもよく、或いはＣＧＭモニタの外部であってもよい（例えば、１つ又は複数の電子デバイス１９の一部であってもよい）。外部のインスリンコンピュータは、電子ネットワーク３２などの有線又は無線接続を介してＣＧＭモニタに接続されてもよい。

インスリンコンピュータは、ＣＧＭモニタ又は外部デバイス上で動作するソフトウェア又はアプリケーションであってもよい。例えば、インスリンコンピュータは、ｍＨｅａｌｔｈアプリケーション１の一部であってもよい。インスリンコンピュータは、１つ又は複数の複雑な入力を受信してもよく、行動出力を提供してもよい。行動出力は、インスリンが必要とされるかどうか、どのくらいのインスリンが必要とされるか、グルコースが必要とされるかどうか、どのくらいのグルコースが必要とされるか、食品摂取が必要とされるかどうか、どのくらいの食品摂取が必要とされるか、運動が必要とされるかどうか、どのくらいの運動が必要とされるかなどを含むが、それらに限定されない、１つ又は複数の行動出力カテゴリを有する指示又は数値であってもよい。インスリンコンピュータの機能は、ユーザの状態に基づいて変化してもよい。例えば、行動出力は、ユーザの血糖値を最適な範囲に、安全に且つ効果的に保つために変化してもよい。この実施例では、ＣＧＭトレンドは、最適な血糖値を判定するための入力として使用され得る。

インスリンコンピュータは、入力としてＣＧＭトレンドを受信してもよい。本明細書に詳細に開示されるように、ＣＧＭトレンドは、ＣＧＭトレース、ＣＧＭ事象などを含んでもよく、或いはＣＧＭトレース、ＣＧＭ事象などに基づいていてもよい。ＣＧＭは、一定期間にわたる２つ以上のグルコース測定値の変化に基づいていてもよい。ＣＧＭトレンドは、ＣＧＭデバイスによって提供されるグルコース測定値に基づいていてもよい。ＣＧＭトレンドは、追加のグルコース測定値が修正され、或いは更新されたトレンドをもたらし得るように、経時的に変化してもよい。過去のＣＧＭトレンドはまた、入力として使用されてもよい。

インスリンコンピュータは、入力として食事情報を受信してもよい。食事情報は、ユーザ入力によって、摂取される前の食品のコンテンツ（例えば、画像、ビデオなど）又は例示的な食品（例えば、食べた食品を表すためにオンラインで見つかったピザの画像）などを入力することによってなどの、任意の適用可能な方法でインスリンコンピュータに提供されてもよい。コンテンツは、電子デバイス１９を使用して入力されてもよく、或いはユーザ８の食品摂取を追跡するアプリケーションなどのリソースから受信されてもよい。食事情報は、ある時点（例えば、コンピュータが行動出力を判定するために使用されるとき）におけるユーザ８に関して、インスリン炭水化物比を含んでもよく、或いはインスリンコンピュータがインスリン炭水化物比を計算してもよい。インスリンコンピュータは、ユーザ８に関する食事情報に基づく行動出力が、所定の日に同じ食事情報を有する別のユーザによって異なり得るように、ユーザ８に関する食品摂取の影響を個別化してもよい。インスリンコンピュータは、食事情報及び／又はインスリン炭水化物比に基づいて、１つ又は複数の行動出力を調整してもよい。過去の食事情報はまた、入力として使用されてもよい。

インスリンコンピュータは、入力として運動（例えば、任意の活動）情報を受信してもよい。運動情報は、ユーザ入力（例えば、過去の或いは計画された運動）によって、（例えば、電子デバイス１９からの）運動又は健康トラッカによって、ＣＧＭモニタの１つ又は複数のコンポーネント、１つ又は複数のセンサによってなどの、任意の適用可能な方法でインスリンコンピュータに提供されてもよい。運動情報は、カロリー情報、心拍数情報、運動の持続時間、運動強度、身体への負担などを含んでもよい。インスリンコンピュータは、ユーザ８の運動情報に基づく行動出力が、所定の日に同じ運動情報を有する別のユーザによって異なり得るように、ユーザ８に関する運動の影響を個別化してもよい。インスリンコンピュータは、運動情報に基づいて、１つ又は複数の行動出力を調整してもよい。過去の運動情報はまた、入力として使用されてもよい。

インスリンコンピュータは、入力として以前のインスリン投与量に関する情報を受信してもよい。図１３Ｄを参照して本明細書でさらに議論されるように、インスリンコンピュータは、ユーザ８に関連付けられた１つ又は複数の要因（例えば、食事、運動、個々の身体特性、ＣＧＭトレンド、過去のデータなど）などを考慮して、以前の投与量、以前の投与時刻に基づいて行動出力を判定し得る。例えば、ユーザ８が追加のインスリンを投与すべきかどうかを判定するとき、投与されたインスリンの半減期に基づいて、インスリンコンピュータは、以前の投与量からどのくらいインスリンがユーザ８の体内に未だに存在しているかを判定してもよい。

インスリンコンピュータは、入力として現在の血糖値に関する情報を受信してもよい。さらに、インスリンコンピュータは、入力としてＣＧＭトレンド（例えば、ユーザ８の体内のグルコースの変化率）に関する情報を受信してもよい。現在の血糖値及び／又はＣＧＭトレンドは、インスリンコンピュータが、ユーザ８の体内の血糖値の傾向（例えば、増加、減少、安定など）及び変化の速度を判定することを可能にし得る。そのような情報に基づいて、インスリンコンピュータは、１つ又は複数の行動出力を調整してもよい。過去の血糖値はまた、入力として使用されてもよい。

インスリンコンピュータは、入力としてインスリンに対するユーザ８の感度を受信してもよい。インスリンに対する感度は、予め判定された値に基づいていてもよく、或いはインスリンコンピュータ、ＣＧＭモニタなどで受信された過去のデータに基づいていてもよい。一実装形態によれば、感度は、ユーザ８のインスリンの使用に基づいて経時的に調整されてもよい。したがって、インスリンコンピュータは、インスリンに対する感度を定期的に、或いはユーザの行動出力が計算されるたびに更新してもよい。

インスリンコンピュータは、入力としてユーザ８の低血糖の履歴を受信してもよい。インスリンコンピュータは、行動出力を提供するとき、低血糖事象と行動出力の計算との間の期間を考慮してもよい。インスリンコンピュータはまた、行動出力を提供するとき、低血糖事象の重症度を考慮してもよい。実施例として、ユーザ８の履歴が、行動出力の計算から過去２日以内に低血糖事象を示す場合、或いはユーザ８が、３日間連続して４％を超える低血糖を経験する場合、インスリンコンピュータによる推奨は、低血糖事象がなかった場合よりも保守的であってもよい。

図１３Ｄは、開示される対象の一実装形態による、例示的なインスリンコンピュータ１３３０を提供する。示されるように、図１３Ｄに提供される４つのタイムゾーンのうちの１つのタイムゾーンは、インスリンコンピュータ１３３０によって提供される行動出力が、行動出力を提供する時におけるタイムゾーンに基づいて修正され得るように、インスリンコンピュータ１３３０への入力として提供され得る。各タイムゾーンは、ユーザ８がインスリン（例えば、ボーラス注射）を受けた前回の時刻に基づいて判定され得る。第１のゾーン１３３４は、インスリンの食事時ボーラス投与１３３２の時刻からの食事時ボーラスであり得る。第２のゾーン１３３６は、食事時ボーラス投与１３３２から２時間以内であり得る。第３ゾーン１３３８は、食事時ボーラス投与１３３２から２時間から４時間までであり得る。第４のゾーン１３４０は、食事時ボーラス投与１３３２から４時間を上回ることがある。４つのゾーンの各ゾーンは、図１３Ｄに提供されるように、インスリンオンボード（ＩＯＢ）、補正係数（ＣＦ）、インスリン炭水化物比（ＩＣＲ）などを含む、関連付けられた属性を有し得る。第１のゾーン１３３４内である場合、ＩＯＢ、ＣＧＭトレンドに基づいて調整されたＣＦ、及びＩＣＲ投与が全て考慮され得る。第２のゾーン１３３６内である場合、ＩＯＢ及びＣＦは考慮されないことがあるが、ＩＣＲ投与は考慮され得る。第３のダイムゾーン１３３８内である場合、ＩＯＢ、ＣＧＭ調整を伴わないＣＦ、及びＩＣＲ投与が考慮され得る。第４のゾーン１３４０内である場合、ＩＯＢ、ＣＧＭトレンドに基づいて調整されたＣＦ、及びＩＣＲ投与が全て考慮され得る。

したがって、本明細書で議論された要因に基づいて、インスリンコンピュータは、インスリンが必要とされるかどうか、どのくらいのインスリンが必要とされるか、グルコースが必要とされるかどうか、どのくらいのグルコースが必要とされるか、食品摂取が必要とされるかどうか、どのくらいの食品摂取が必要とされるか、運動が必要とされるかどうか、どのくらいの運動が必要とされるかなど、或いはそれらの組み合わせであってもよいが、それらに限定されない、行動出力を提供してもよい。インスリンコンピュータは、それぞれの患者の異なる履歴などの１つ又は複数の要因の結果として、入力を有する第１のユーザが、同様の入力を有する第２のユーザと異なる行動出力を受信し得るように、個別化されたコンテキスト行動出力を提供してもよい。

一実装形態によれば、１つ又は複数の行動出力は、インスリンコンピュータの一部であり、或いはインスリンコンピュータに関連付けられた機械学習モデルを使用して判定されてもよい。機械学習モデルは、既知の良好な出力に基づいて、且つ／或いは機械学習モデルによって提供された過去の行動出力と、過去の行動出力を提供した後の過去のＣＧＭトレンドの対応する変化とに基づいて、行動出力を提供するように訓練された教師ありモデルであってもよい。例えば、機械学習モデルは、本明細書で議論されるように、１つ又は複数の入力に基づいて行動出力を提供するように構成されていてもよい。機械学習モードは、行動出力を提供した後に、更新されたＣＧＭトレンドを受信してもよい。機械学習モデルは、ＣＧＭトレンドを分析し、ＣＧＭトレンドに基づいてモデルを更新（例えば、重み、ニューラルネットワーク、層などを更新）し、機械学習モデルによって提供される将来の行動出力を改善してもよい。機械学習モデルは、（例えば、ユーザに提供される行動出力及びその後のユーザのＣＧＭトレンドに基づいて）個人に関して、或いは１人又は複数のユーザからのフィードバック（すなわち、ＣＧＭトレンド）に基づいて複数のユーザに関して、そのモデルを更新してもよい。

図１４は、例えば、医療提供者の意思決定サーバとして機能するようにホストサーバとして構成され得るコンピュータの簡略化された機能ブロックダイアグラムである。図１４は、ネットワーク又はホストコンピュータプラットフォーム１４００を示す。当業者は、そのようなコンピュータ機器の構造、プログラミング、及び一般的な操作に精通していると考えられ、結果として、図面は、自明であるものとする。

例えば、サーバ１４００などのプラットフォームは、パケットデータ通信のためのデータ通信インタフェース１４６０を含み得る。プラットフォームはまた、プログラム命令を実行するための、１つ又は複数のプロセッサの形態の中央処理装置（ＣＰＵ）１４２０を含み得る。プラットフォームは典型的には、内部通信バス１４１０、プログラムストレージ、及び、ＲＯＭ１４３０及びＲＡＭ１４４０などの、プラットフォームによって処理され、且つ／或いは通信される様々なデータファイルのためのデータストレージを含む。そのような機器のハードウェア要素、オペレーティングシステム、及びプログラミング言語は、実際は従来のものであり、当業者は、それについて十分に精通していると推定される。サーバ１４００はまた、キーボード、マウス、タッチスクリーン、モニタ、ディスプレイなどの、入出力デバイスと接続するために入出力ポート１４５０、及び通信ポート１４６０を含み得る。もちろん、様々なサーバ機能は、処理負荷を分散するために、多数の同様のプラットフォーム上に分散させる方法で実装されてもよい。代替的に、サーバは、１つのコンピュータハードウェアプラットフォームの適切なプログラミングによって実装されてもよい。

本明細書で説明されたように、本開示は、ソフトウェア、ハードウェア、ファームウェア、及び／又は図に示されるエンティティの多くの異なる実施例で実装され得ることが、関連する技術分野の当業者にとって明らかであろう。実施例を実装するためのハードウェアの専門的な制御を伴う任意の実際のソフトウェアコードは、詳細な説明を限定しない。したがって、実施例は、本明細書に提示された詳細レベルを考慮すると、実施例の変更及び変形が可能であることを理解した上で説明される。説明された対象の態様は、機械可読媒体の一種で実行され、或いは具現化される実行可能なコード及び／又は関連データの形態の「製品」又は「製造品」として考えられ得る。「ストレージ」タイプの媒体は、コンピュータ、プロセッサなどの、有形メモリのうちの任意又は全て、或いは、様々な半導体メモリ、テープドライブ、ディスクドライブなどの、それらの関連モジュールを含み、ソフトウェアプログラミングのためにいつでも非一時的なストレージを提供し得る。全て又は一部分のソフトウェアは、時に、インターネット又は様々な他の電気通信ネットワークを通じて通信されてもよい。例えば、そのような通信は、例えば、移動通信ネットワークの管理サーバ又はホストコンピュータからサーバのコンピュータプラットフォームへの、且つ／或いはサーバからモバイルデバイスへの、１つのコンピュータ又はプロセッサから別のコンピュータ又はプロセッサへのソフトウェアのロードを可能にしてもよい。したがって、ソフトウェア要素を伴い得る別のタイプの媒体は、ローカルデバイス間の物理的インタフェースを介して、有線及び光固定回線ネットワークを介して、及び様々なエアリンクを介して使用されるなどの、光波、電波及び電磁波を含む。そのような波を運ぶ、有線又は無線リンク、光リンクなどの、物理的要素はまた、ソフトウェアを伴う媒体として考慮され得る。本明細書で使用されるように、非一時的な、有形の「ストレージ」媒体に限定されない限り、コンピュータ又は機械「可読媒体」などの用語は、実行のためにプロセッサへの命令を提供することに関与する任意の媒体を指す。

前述の一般的な説明と以下の詳細な説明との両方は、例示的、且つ説明的にすぎず、請求項に記載の、開示された実施例に限定しないことを理解されたい。

本開示の他の実施例は、本明細書に開示された発明の明細書及び実施例の検討から当業者には明らかであろう。明細書及び実施例は、例示的なものでしかないと考えられ、本発明の真の範囲及び本旨は、以下の特許請求の範囲によって示されることが意図される。

上記に提示された図、文章、及び例から明らかなように、様々な実施形態が考えられ得るが、それらに限定されない。

１．ユーザのグルコース状態を管理するためのコンピュータ実装方法であって、
持続血糖モニタリング（ＣＧＭ）デバイスを使用して、前記ユーザの血糖値を受信することと、
前記ユーザの血糖値の範囲内時間（ＴＩＲ）値を判定することであって、前記ＴＩＲ値は、前記ユーザの血糖値が基準期間にわたって閾値帯内にある時間の量に基づいている、前記判定することと、
前記ＴＩＲ値に基づいてＴＩＲ状態を判定することと、
少なくとも前記ユーザの血糖値に基づく血糖変動（ＧＶ）値を受信することであって、前記ＧＶ値は、標準偏差又は変動係数（ＣＶ）のうちの１つであり、前記ＣＶは、前記基準期間にわたる前記血糖値の標準偏差を考慮して、前記ユーザの血糖値の変動を示す、前記受信することと、
前記ＧＶ値に基づいてＧＶ状態を判定することと、
前記ＴＩＲ状態及び前記ＧＶ状態に基づいて開始状態を判定することと、
前記開始状態が非理想的状態に対応することを判定することと、
１つ又は複数のユーザベクトルと前記開始状態とに基づいて理想的状態に到達するために、最適化経路を生成することであって、前記最適化経路は、前記１つ又は複数のユーザベクトルの１つ又は複数の調整を含む、前記生成することと、
前記最適化経路を前記ユーザに提供することと、
を含む、方法。

２．前記閾値帯は、およそ７０ｍｇ／ｄＬと１８０ｍｇ／ｄＬとの間である、実施形態１に記載の方法。

３．前記基準期間は、２４時間である、実施形態１に記載の方法。

４．前記ＣＶの値は、前記血糖値の前記標準偏差を前記基準期間にわたる前記血糖値の平均値で割ることによって判定される、実施形態１に記載の方法。

５．前記ＴＩＲ状態は、良好なＴＩＲ状態又は不良なＴＩＲ状態のうちの１つから選択される２値状態である、実施形態１に記載の方法。

６．前記良好なＴＩＲ状態は、ＴＩＲカットオフよりも大きいＴＩＲ値に対応する、実施形態５に記載の方法。

７．前記ＧＶ状態は、良好なＧＶ状態又は不良なＧＶ状態のうちの１つから選択される２値状態である、実施形態１に記載の方法。

８．前記良好なＧＶ状態は、ＧＶカットオフよりも大きいＧＶ値に対応する、実施形態７に記載の方法。

９．前記ユーザベクトルは、薬、食品摂取、運動値、心理社会的パラメータ、又は社会的決定要因パラメータのうちの１つ又は複数を含む、実施形態１に記載の方法。

１０．前記ユーザの血糖値に基づいて１つ又は複数のＣＧＭ事象を分類することであって、前記分類することは、前記１つ又は複数のＣＧＭ事象の各々に関連付けられた重症度スコアに少なくとも基づいている、前記分類することと、前記分類した１つ又は複数のＣＧＭ事象にさらに基づいて、前記最適化経路を生成することとをさらに含む、実施形態１に記載の方法。

１１．前記最適化経路は、ユーザ属性にさらに基づいており、前記ユーザ属性は、社会的属性、医療的属性、ユーザの嗜好、代謝属性、又はユーザの人口統計のうちの１つ又は複数から選択される、実施形態１に記載の方法。

１２．前記最適化経路は、１つ又は複数の状態改善習慣の増加、及び／又は、１つ又は複数の状態悪化習慣の減少を含む、実施形態１に記載の方法。

１３．ユーザのグルコース状態を管理するためのコンピュータ実装方法であって、
非理想的状態から理想的状態に到達するために、複数の最適化プロファイルを受信することであって、前記理想的状態は、良好な範囲内時間（ＴＩＲ）状態及び良好な血糖変動（ＧＶ）状態に対応し、前記非理想的状態は、不良なＴＩＲ状態又は不良なＧＶ状態のうちの少なくとも１つを含む、前記受信することと、
前記ユーザの血糖値のＴＩＲ値に基づいて現在のＴＩＲ状態を判定することであって、前記ＴＩＲ値は、前記ユーザの血糖値が基準期間にわたって閾値帯内にある時間の量に基づいており、前記現在のＴＩＲ状態は、良好なＴＩＲ状態又は不良なＴＩＲ状態のうちの１つである、前記判定することと、
前記ユーザの血糖値に関連付けられたＧＶ値に基づいている現在のＧＶ状態を判定することであって、前記ＧＶ値は、血糖値の標準偏差（ＳＤ）又は変動係数（ＣＶ）を示し、前記ＣＶは、前記基準期間にわたる前記血糖値の標準偏差を考慮して、前記ユーザの血糖値の変動を示す、前記判定することと、
前記ユーザの１つ又は複数のユーザベクトルを受信することと、
前記１つ又は複数のユーザベクトル及び１つ又は複数のユーザ属性に基づいて、前記最適化プロファイルのうちの１つを特定することと、
前記特定された最適化プロファイル、前記ＴＩＲ状態、及び前記ＧＶ状態に基づいて最適化経路を特定することであって、前記最適化経路は、前記１つ又は複数のユーザベクトルの１つ又は複数の調整を含む、前記特定することと、
前記最適化経路を前記ユーザに提供することと、
を含む、方法。

１４．前記複数の最適化プロファイルの各々は、複数のユーザベクトルと複数のユーザ属性との異なる組み合わせを含む、実施形態１３に記載の方法。

１５．前記複数の最適化プロファイルは、各々、複数の最適化経路に関連付けられており、前記複数の最適化経路の各々は、潜在的なＴＩＲ状態又は潜在的なＧＶ状態のうちの１つ又は複数に基づいて特定される、実施形態１４に記載の方法。

１６．機械学習モデルは、入力として、前記最適化プロファイル、前記ＴＩＲ状態、及び前記ＧＶ状態を受信し、前記最適化経路を出力する、実施形態１３に記載の方法。

１７．１つ又は複数のユーザ属性を受信することと、前記１つ又は複数のユーザ属性にさらに基づいて、前記最適化プロファイルのうちの１つを特定することとをさらに含む、実施形態１３に記載の方法。

１８．前記ＣＶの値は、前記血糖値の前記標準偏差を前記基準期間にわたる前記血糖値の平均値で割ることによって判定される、実施形態１３に記載の方法。

１９．ユーザの血糖値を管理するためのシステムであって、
プロセッサ可読命令を格納するメモリと、
前記メモリにアクセスし、前記プロセッサ可読命令を実行するように構成されているプロセッサと、
を含み、
前記プロセッサ可読命令は、前記プロセッサによって実行されると、
前記ユーザの皮膚に貫通するコンポーネントを使用してグルコース値を取得するように構成されている持続血糖モニタリング（ＣＧＭ）デバイスを使用して、前記ユーザの血糖値を電子的に受信することと、
前記ユーザの血糖値の範囲内時間（ＴＩＲ）値を判定することであって、前記ＴＩＲ値は、前記ユーザの血糖値が基準期間にわたって閾値帯内にある時間の量に基づいており、前記閾値帯は、およそ７０ｍｇ／ｄＬと１８０ｍｇ／ｄＬとの間であり、前記基準期間は、２４時間である、前記判定することと、
前記ＴＩＲ値に基づいてＴＩＲ状態を判定することであって、前記ＴＩＲ状態は、良好なＴＩＲ状態又は不良なＴＩＲ状態から選択される、前記判定することと、
少なくとも前記ユーザの血糖値に基づく血糖変動（ＧＶ）値を受信することであって、前記ＧＶ値は、標準偏差又は変動係数（ＣＶ）のうちの１つであり、前記ＣＶは、前記基準期間にわたる前記血糖値の標準偏差を考慮して、前記ユーザの血糖値の変動を示す、前記受信することと、
前記ＧＶ値に基づいてＧＶ状態を判定することであって、前記ＧＶ状態は、良好なＧＶ状態又は不良なＧＶ状態のうちの１つである、前記判定することと、
前記ＴＩＲ状態及び前記ＧＶ状態に基づいて開始状態を判定することと、
前記開始状態が非理想的状態に対応することを判定することと、
前記ユーザの血糖値に基づいてＣＧＭ事象を検出することと、
マルチパラメータＣＧＭ分類又は重症度及びＣＧＭ事象トレース形状の特徴付けのうちの１つ又は複数に基づいて、前記ＣＧＭ事象を特徴付けることであって、前記マルチパラメータＣＧＭ分類は、前記ＣＧＭ事象の開始時の血糖値、重症度、及び前記ＣＧＭ事象の終了時の血糖値を含む、前記特徴付けることと、
１つ又は複数のアカウントベクトルと、前記ＣＧＭ事象の前記特徴付けることとに基づいて理想的状態に到達するために、最適化経路を生成することであって、前記最適化経路は、前記１つ又は複数のアカウントベクトルの１つ又は複数の調整を含む、前記生成することと、
前記最適化経路を前記ユーザに提供することと、
を含む方法を実行するように、前記プロセッサを構成する、システム。

２０．前記最適化経路を前記ユーザに提供することは、前記最適化経路に基づいて、コンテキストベースの指示を前記ユーザに提供することを含む、実施形態１９に記載のシステム。

追加の実施形態は、以下を含む。

１．グルコーストレンドベースの行動出力を提供するためのシステムであって、
一定期間にわたって体液を分析することに基づいて複数のグルコース測定値を出力するように構成されている持続血糖モニタリング（ＣＧＭ）デバイスと、
前記複数のグルコース測定値を格納するように構成されているメモリと、
プロセッサであって、
前記ＣＧＭデバイスによって出力された、且つ／或いは前記メモリに格納された前記複数のグルコース測定値の変化に基づいて、ＣＧＭトレンドを判定し、
前記ＣＧＭトレンド及び少なくとも１つの追加要因に基づいて少なくとも１つの行動出力を判定し、
前記少なくとも１つの行動出力をユーザに提供するように構成されている、前記プロセッサと、
を含む、システム。

２．前記ＣＧＭデバイスは、前記一定期間後に、前記体液に基づいて、後続のグルコース測定値を出力するようにさらに構成されており、前記プロセッサは、前記後続のグルコース測定値に基づいて、更新されたＣＧＭトレンドを判定するようにさらに構成されている、実施形態１に記載のシステム。

３．前記少なくとも１つの行動出力は、インスリンが必要とされるどうか、どのくらいのインスリンが必要とされるか、グルコースが必要とされるかどうか、どのくらいのグルコースが必要とされるか、食品摂取が必要とされるかどうか、どのくらいの食品摂取が必要とされるか、運動が必要とされるかどうか、或いはどのくらいの運動が必要とされるかの中から選択される少なくとも１つの行動カテゴリに対応する、実施形態１に記載のシステム。

４．前記少なくとも１つの行動出力カテゴリは、前記１つの追加要因のタイプに基づいて選択される、実施形態３に記載のシステム。

５．前記少なくとも１つの追加要因は、食事情報を含む、実施形態１に記載のシステム。

６．前記食事情報は、インスリン炭水化物比を含む、実施形態５に記載のシステム。

７．前記少なくとも１つの追加要因は、運動情報を含む、実施形態１に記載のシステム。

８．前記運動情報は、カロリー情報、心拍数情報、運動の持続時間、運動強度、又は身体への負担のうちの少なくとも１つを含み得る、実施形態７に記載のシステム。

９．前記少なくとも１つの追加要因は、以前のインスリン投与量に関する情報を含む、実施形態１に記載のシステム。

１０．前記少なくとも１つの追加要因は、血糖値を含む、実施形態１に記載のシステム。

１１．前記少なくとも１つの追加要因は、低血糖の履歴に関する情報を含む、実施形態１に記載のシステム。

１２．閾値時間内の低血糖の出現は、インスリン推奨行動カテゴリの行動出力を、前記閾値時間内の前記低血糖の出現を伴わない前記インスリン推奨行動カテゴリの前記行動出力と比較して、より保守的にさせる、実施形態１１に記載のシステム。

１３．前記プロセッサは、１つ又は複数の過去の行動出力と、過去のＣＧＭトレンドの対応する変化とに基づいて、前記少なくとも１つの行動出力を出力するように構成されている機械学習モデルを含む、実施形態１に記載のシステム。

１４．前記少なくとも１つの行動出力は、前記ＣＧＭモニタ、電子デバイス、又はアプリケーションのうちの少なくとも１つを使用して前記ユーザに提供される、実施形態１に記載のシステム。

１５．グルコーストレンドベースの行動出力を提供するためのコンピュータ実装方法であって、
持続血糖モニタ（ＣＧＭ）デバイスから、一定期間にわたって体液を分析する前記ＣＧＭデバイスに基づいて複数のグルコース測定値を受信することと、
前記ＣＧＭデバイスによって出力された前記複数のグルコース測定値の変化に基づいて、ＣＧＭトレンドを判定することと、
前記ＣＧＭトレンドに基づいて少なくとも１つの行動出力を判定することと、
前記少なくとも１つの行動出力をユーザに提供することと、
を含む、方法。

１６．前記少なくとも１つの行動出力は、インスリンが必要とされるかどうか、どのくらいのインスリンが必要とされるか、グルコースが必要とされるかどうか、どのくらいのグルコースが必要とされるか、食品摂取が必要とされるかどうか、どのくらいの食品摂取が必要とされるか、運動が必要とされるかどうか、或いはどのくらいの運動が必要とされるかの中から選択される少なくとも１つの行動カテゴリに対応する、実施形態１５に記載の方法。

１７．前記ＣＧＭデバイスは、前記一定期間後に、前記体液に基づいて、後続のグルコース測定値を出力するようにさらに構成されており、前記後続のグルコース測定値に基づいて、更新されたＣＧＭトレンドを判定することをさらに含む、実施形態１５に記載の方法。

１８．前記プロセッサで前記更新されたＣＧＭトレンドを受信することと、前記更新されたＣＧＭトレンドに基づいて少なくとも１つの更新された行動出力を判定することと、前記少なくとも１つの更新された行動出力をユーザに提供することとをさらに含む、実施形態１７に記載の方法。

１９．グルコーストレンドベースの行動出力を提供するためのシステムであって、
一定期間にわたって体液を分析することに基づいて複数のグルコース測定値を出力するように構成されている持続血糖モニタリング（ＣＧＭ）デバイスであって、前記ＣＧＭデバイスは、前記ユーザの皮膚を介して前記体液にアクセスし、前記ＣＧＭデバイスは、５分以下単位でグルコース測定値を取得するように構成されている、前記持続血糖モニタリング（ＣＧＭ）デバイスと、
前記複数のグルコース測定値を格納するように構成されているメモリと、
プロセッサであって、
前記ＣＧＭデバイスによって出力された、且つ／或いは前記メモリに格納された前記複数のグルコース測定値の変化に基づいて、ＣＧＭトレンドを判定することであって、前記ＣＧＭトレンドは、一定期間にわたって前記グルコース測定値をマッピングするＣＧＭトレースを使用して判定され、前記ＣＧＭトレンドは、ＣＧＭ事象又は重症度スコアのうちの少なくとも１つにさらに基づいている、前記判定することと、
少なくとも１つの追加要因を受信することであって、前記少なくとも１つの追加要因は、食事情報、運動情報、炭水化物インスリン比、以前のインスリン投与量に関する情報、血糖値、及び低血糖の履歴に関する情報のうちの１つ又は複数を含む、前記受信することと、
前記ＣＧＭトレンド及び少なくとも１つの追加要因に基づいて、インスリンが必要とされるかどうか、どのくらいのインスリンが必要とされるか、グルコースが必要とされるかどうか、どのくらいのグルコースが必要とされるか、食品摂取が必要とされるかどうか、どのくらいの食品摂取が必要とされるか、運動が必要とされるかどうか、どのくらいの運動が必要とされるかから選択される少なくとも１つの行動カテゴリを特定することと、
前記ＣＧＭトレンド及び前記少なくとも１つの追加要因に基づいて、少なくとも１つの行動出力を判定することであって、前記少なくとも１つの行動出力は、前記少なくとも１つの特定された行動カテゴリからであり、前記少なくとも１つの行動出力は、１つ又は複数の過去の行動出力と、過去のＣＧＭトレンドの対応する変化とに基づいて、前記少なくとも１つの行動出力を出力するように構成されている機械学習モデルを使用して判定される、前記判定することと、
前記少なくとも１つの特定された行動カテゴリに基づいて、グラフィカルユーザインタフェース（ＧＵＩ）を生成することと、
前記生成されたＧＵＩを介して前記少なくとも１つの行動出力を前記ユーザに提供することと、
前記少なくとも１つの行動出力を前記ユーザに提供した後に、更新されたＣＧＭトレンドを受信することであって、前記更新されたＣＧＭトレンドは、前記少なくとも１つの行動出力を前記ユーザに提供した後のグルコース測定値に基づいている、前記受信することと、
前記更新されたＣＧＭトレンドに基づいて前記機械学習モデルを更新することと、
を含む、システム。

２０．前記更新されたＣＧＭトレンドを前記インスリンコンピュータへの入力として提供することと、前記インスリンコンピュータによって、前記更新されたＣＧＭトレンドに基づいて少なくとも１つの更新された行動出力を判定することと、前記少なくとも１つの更新された行動出力をユーザに提供することとをさらに含む、実施形態１９に記載のシステム。

追加の実施形態は、以下を含む。

１．ユーザのグルコース状態を管理するためのシステムであって、
一定期間にわたって体液を分析することに基づいて複数のグルコース測定値を出力するように構成されている持続血糖モニタリング（ＣＧＭ）デバイスと、
前記複数のグルコース測定値を格納するように構成されているメモリと、
プロセッサであって、
前記一定期間にわたる前記複数のグルコース測定値に基づいてＣＧＭトレースを生成することと、
前記ＣＧＭトレースの重症度スコアを特定することであって、前記重症度スコアは、前記ＣＧＭトレースの高さと、前記ＣＧＭトレースが目標値よりも上方に留まる時間の持続時間とに基づいている、前記特定することと、
前記重症度スコアに基づいて開始状態を特定することであって、前記開始状態は、前記ユーザのグルコース健康状態を示す、前記特定することと、
１つ又は複数のユーザベクトルと開始状態とに基づいて理想的状態に到達するために、最適化経路を生成することであって、前記最適化経路は、前記１つ又は複数のユーザベクトルの１つ又は複数の調整を含む、前記生成することと、
前記最適化経路を前記ユーザに提供することと、
を含む、システム。

２．開始パラメータを特定することであって、前記開始パラメータは、目標範囲と比較して、前記ＣＧＭトレースの開始点に基づいて判定されるスケーリングされた値である、前記特定することと、前記開始パラメータにさらに基づいて前記最適化経路を生成することとをさらに含む、実施形態１に記載のシステム。

３．前記開始パラメータは、非常に高いパラメータ、高いパラメータ、範囲内パラメータ、低いパラメータ、及び非常に低いパラメータのうちの１つから選択される、実施形態２に記載のシステム。

４．終了パラメータを特定することであって、前記終了パラメータは、目標範囲と比較して、前記ＣＧＭトレースの終了点に基づいて判定されるスケーリングされた値である、前記特定することと、前記終了パラメータにさらに基づいて前記最適化経路を生成することとをさらに含む、実施形態１に記載のシステム。

５．前記重症度スコアは、前記ＣＧＭトレースの高さに、前記ＣＧＭトレースが前記目標値を上回る持続時間を乗じることによって判定される、実施形態１に記載のシステム。

６．前記ＣＧＭトレースの前記高さは、第１の重みを与えられ、前記ＣＧＭトレースが前記目標値を上回る前記持続時間は、前記第１の重みとは異なる第２の重みを与えられる、実施形態５に記載のシステム。

７．より低い重症度スコアは、より高い重症度スコアと比較されるとき、前記理想的状態に、より近い開始状態に対応する、実施形態１に記載のシステム。

８．前記ユーザベクトルは、薬、食品摂取、運動値、心理社会的パラメータ、又は社会的決定要因パラメータのうちの１つ又は複数を含む、実施形態１に記載のシステム。

９．前記最適化経路は、最適化プロファイルから選択され、前記最適化プロファイルは、前記重症度スコアと、１つ又は複数のユーザ特性とに基づいて特定される、実施形態１に記載のシステム。

１０．前記ＣＧＭトレースの範囲内時間（ＴＩＲ）値を判定することであって、前記ＴＩＲ値は、前記ＣＧＭトレースが基準期間にわたって閾値帯内にある時間の量に基づいている、前記判定することと、
前記ＴＩＲ値に基づいてＴＩＲ状態を判定することと、
少なくとも前記ＣＧＭトレースに基づいて血糖変動（ＧＶ）値を受信することであって、前記ＧＶ値は、標準偏差又は変動係数（ＣＶ）のうちの１つであり、前記ＣＶは、前記基準期間にわたる前記グルコース測定値の標準偏差を考慮して、前記グルコース測定値の変動を示す、前記受信することと、
前記ＧＶ値に基づいてＧＶ状態を判定することと、
前記ＴＩＲ状態及び前記ＧＶ状態にさらに基づいて前記開始状態を判定することとをさらに含む、実施形態１に記載のシステム。

１１．ユーザのグルコース状態を管理するためのコンピュータ実装方法であって、
持続血糖モニタリング（ＣＧＭ）デバイスから、一定期間にわたって、前記ユーザのグルコース測定値を受信することと、
前記受信したグルコース測定値に基づいてＣＧＭトレースを生成することと、
前記ＣＧＭトレースの重症度スコアを特定することであって、前記重症度スコアは、前記ＣＧＭトレースの高さと、前記ＣＧＭトレースが目標値よりも上方に留まる時間の持続時間に基づいている、前記特定することと、
前記ＣＧＭトレースのＣＧＭトレース形状を特定することであって、前記ＣＧＭトレース形状は、ＣＧＭトレースの高さ又は幅のうちの少なくとも１つに基づいている、前記特定することと、
前記重症度スコア及び前記ＣＧＭトレース形状に基づいて開始状態を特定することであって、前記開始状態は、前記ユーザのグルコース健康状態を示す、前記特定することと、
１つ又は複数のユーザベクトルと前記開始状態とに基づいて理想的状態に到達するために、最適化経路を生成することであって、前記最適化経路は、前記１つ又は複数のユーザベクトルの１つ又は複数の調整を含む、前記生成することと、
前記最適化経路を前記ユーザに提供することと、
を含む、方法。

１２．前記ＣＧＭトレース形状は、広い形状、狭い形状、短い形状、及び高い形状のうちの１つである、実施形態１１に記載の方法。

１３．前記ＣＧＭトレース形状は、前記ＣＧＭトレースに基づいてＣＧＭトレース形状を出力するように構成されている機械学習モデルによって特定される、実施形態１２に記載の方法。

１４．前記機械学習モデルは、過去のＣＧＭトレース形状に基づいてＣＧＭトレース形状を出力するように構成され得る、実施形態１３に記載の方法。

１５．ユーザのグルコース状態を管理するためのシステムであって、
一定期間にわたって体液を分析することに基づいて複数のグルコース測定値を出力するように構成されている持続血糖モニタリング（ＣＧＭ）デバイスであって、前記ＣＧＭデバイスは、ユーザの皮膚を介して前記体液にアクセスし、前記ＣＧＭデバイスは、５分以下単位でグルコース測定値を取得するように構成されている、前記持続血糖モニタリング（ＣＧＭ）デバイスと、
前記複数のグルコース測定値を格納するように構成されているメモリと、
プロセッサであって、
一定期間にわたって前記グルコース測定値をマッピングするＣＧＭトレースを生成することと、
前記ＣＧＭトレースの重症度スコアを特定することであって、前記重症度スコアは、前記ＣＧＭトレースの高さと、前記ＣＧＭトレースが目標値よりも上方に留まる時間の持続時間とに基づいている、前記特定することと、
機械学習モデルを使用して、前記ＣＧＭトレースのＣＧＭトレース形状を特定することであって、前記ＣＧＭトレース形状は、ＣＧＭトレースの高さ又は幅のうちの少なくとも１つに基づいている、前記特定することと、
前記重症度スコア及び前記ＣＧＭトレース形状に基づいて開始状態を特定することであって、前記開始状態は、前記ユーザのグルコース健康状態を示す、前記特定することと、
１つ又は複数のユーザベクトルと前記開始状態とに基づいて理想的状態に到達するために、最適化経路を生成することであって、前記最適化経路は、前記１つ又は複数のユーザベクトルの１つ又は複数の調整を含む、前記生成することと、
前記最適化経路に基づいて、グラフィカルユーザインタフェース（ＧＵＩ）を生成することと、
前記生成されたＧＵＩを介して前記少なくとも１つの最適化経路をユーザに提供することと、
前記最適化経路を前記ユーザに提供した後に、更新されたＣＧＭトレースを受信することであって、前記更新されたＣＧＭトレースは、前記最適化経路を前記ユーザに提供した後のグルコース測定値に基づいている、前記受信することと、
前記更新されたＣＧＭトレースに基づいて前記機械学習モデルを更新することと、
を含む、システム。

１６．開始パラメータを特定することであって、前記開始パラメータは、目標範囲と比較して、前記ＣＧＭトレースの開始点に基づいて判定されるスケーリングされた値である、前記特定することと、前記開始パラメータにさらに基づいて、前記最適化経路を生成することとをさらに含む、実施形態１５に記載のシステム。

１７．前記開始パラメータは、非常に高いパラメータ、高いパラメータ、範囲内パラメータ、低いパラメータ、及び非常に低いパラメータのうちの１つから選択される、実施形態１６に記載のシステム。

１８．終了パラメータを特定することであって、前記終了パラメータは、目標範囲と比較して、前記ＣＧＭトレースの終了点に基づいて判定されるスケーリングされた値である、前記特定することと、前記終了パラメータにさらに基づいて、前記最適化経路を生成することとをさらに含む実施形態１５に記載のシステム。

１９．前記ＣＧＭトレース形状は、広い形状、狭い形状、短い形状、及び高い形状のうちの１つである、実施形態１５に記載のシステム。

２０．前記ユーザベクトルは、薬、食品摂取、運動値、心理社会的パラメータ、又は社会的決定要因パラメータのうちの１つ又は複数を含む、実施形態１５に記載のシステム。

Claims (20)

1. ユーザのグルコース状態を管理するためのコンピュータ実装方法であって、
   持続血糖モニタリング（ＣＧＭ）デバイスを使用して、前記ユーザの血糖値を受信することと、
   前記ユーザの血糖値の範囲内時間（ＴＩＲ）値を判定することであって、前記ＴＩＲ値は、前記ユーザの血糖値が基準期間にわたって閾値帯内にある時間の量に基づいている、前記判定することと、
   前記ＴＩＲ値に基づいてＴＩＲ状態を判定することと、
   少なくとも前記ユーザの血糖値に基づく血糖変動（ＧＶ）値を受信することであって、前記ＧＶ値は、標準偏差又は変動係数（ＣＶ）のうちの１つであり、前記ＣＶは、前記基準期間にわたる前記血糖値の標準偏差を考慮して、前記ユーザの血糖値の変動を示す、前記受信することと、
   前記ＧＶ値に基づいてＧＶ状態を判定することと、
   前記ＴＩＲ状態及び前記ＧＶ状態に基づいて開始状態を判定することと、
   前記開始状態が非理想的状態に対応することを判定することと、
   １つ又は複数のユーザベクトルと前記開始状態とに基づいて理想的状態に到達するために、最適化経路を生成することであって、前記最適化経路は、前記１つ又は複数のユーザベクトルの１つ又は複数の調整を含む、前記生成することと、
   前記最適化経路を前記ユーザに提供することと、
   を含む、方法。
2. 前記閾値帯は、およそ７０ｍｇ／ｄＬと１８０ｍｇ／ｄＬとの間である、請求項１に記載の方法。
3. 前記基準期間は、２４時間である、請求項１に記載の方法。
4. 前記ＣＶの値は、前記血糖値の前記標準偏差を前記基準期間にわたる前記血糖値の平均値で割ることによって判定される、請求項１に記載の方法。
5. 前記ＴＩＲ状態は、良好なＴＩＲ状態又は不良なＴＩＲ状態のうちの１つから選択される２値状態である、請求項１に記載の方法。
6. 前記良好なＴＩＲ状態は、ＴＩＲカットオフよりも大きいＴＩＲ値に対応する、請求項５に記載の方法。
7. 前記ＧＶ状態は、良好なＧＶ状態又は不良なＧＶ状態のうちの１つから選択される２値状態である、請求項１に記載の方法。
8. 前記良好なＧＶ状態は、ＧＶカットオフよりも大きいＧＶ値に対応する、請求項７に記載の方法。
9. 前記ユーザベクトルは、薬、食品摂取、運動値、心理社会的パラメータ、又は社会的決定要因パラメータのうちの１つ又は複数を含む、請求項１に記載の方法。
10. 前記ユーザの血糖値に基づいて１つ又は複数のＣＧＭ事象を分類することであって、前記分類することは、前記１つ又は複数のＣＧＭ事象の各々に関連付けられた重症度スコアに少なくとも基づいている、前記分類することと、
    前記分類した１つ又は複数のＣＧＭ事象にさらに基づいて、前記最適化経路を生成することとをさらに含む、請求項１に記載の方法。
11. 前記最適化経路は、ユーザ属性にさらに基づいており、前記ユーザ属性は、社会的属性、医療的属性、ユーザの嗜好、代謝属性、又はユーザの人口統計のうちの１つ又は複数から選択される、請求項１に記載の方法。
12. 前記最適化経路は、１つ又は複数の状態改善習慣の増加、及び／又は、１つ又は複数の状態悪化習慣の減少を含む、請求項１に記載の方法。
13. ユーザのグルコース状態を管理するためのコンピュータ実装方法であって、
    非理想的状態から理想的状態に到達するために、複数の最適化プロファイルを受信することであって、前記理想的状態は、良好な範囲内時間（ＴＩＲ）状態及び良好な血糖変動（ＧＶ）状態に対応し、前記非理想的状態は、不良なＴＩＲ状態又は不良なＧＶ状態のうちの少なくとも１つを含む、前記受信することと、
    前記ユーザの血糖値のＴＩＲ値に基づいて現在のＴＩＲ状態を判定することであって、前記ＴＩＲ値は、前記ユーザの血糖値が基準期間にわたって閾値帯内にある時間の量に基づいており、前記現在のＴＩＲ状態は、良好なＴＩＲ状態又は不良なＴＩＲ状態のうちの１つである、前記判定することと、
    前記ユーザの血糖値に関連付けられたＧＶ値に基づいている現在のＧＶ状態を判定することであって、前記ＧＶ値は、血糖値の標準偏差（ＳＤ）又は変動係数（ＣＶ）を示し、前記ＣＶは、前記基準期間にわたる前記血糖値の標準偏差を考慮して、前記ユーザの血糖値の変動を示す、前記判定することと、
    前記ユーザの１つ又は複数のユーザベクトルを受信することと、
    前記１つ又は複数のユーザベクトル及び１つ又は複数のユーザ属性に基づいて、前記最適化プロファイルのうちの１つを特定することと、
    前記特定された最適化プロファイル、前記ＴＩＲ状態、及び前記ＧＶ状態に基づいて最適化経路を特定することであって、前記最適化経路は、前記１つ又は複数のユーザベクトルの１つ又は複数の調整を含む、前記特定することと、
    前記最適化経路を前記ユーザに提供することと、
    を含む、方法。
14. 前記複数の最適化プロファイルの各々は、複数のユーザベクトルと複数のユーザ属性との異なる組み合わせを含む、請求項１３に記載の方法。
15. 前記複数の最適化プロファイルは、各々、複数の最適化経路に関連付けられており、前記複数の最適化経路の各々は、潜在的なＴＩＲ状態又は潜在的なＧＶ状態のうちの１つ又は複数に基づいて特定される、請求項１４に記載の方法。
16. 機械学習モデルは、入力として、前記最適化プロファイル、前記ＴＩＲ状態、及び前記ＧＶ状態を受信し、前記最適化経路を出力する、請求項１３に記載の方法。
17. １つ又は複数のユーザ属性を受信することと、前記１つ又は複数のユーザ属性にさらに基づいて、前記最適化プロファイルのうちの１つを特定することとをさらに含む、請求項１３に記載の方法。
18. 前記ＣＶの値は、前記血糖値の前記標準偏差を前記基準期間にわたる前記血糖値の平均値で割ることによって判定される、請求項１３に記載の方法。
19. ユーザの血糖値を管理するためのシステムであって、
    プロセッサ可読命令を格納するメモリと、
    前記メモリにアクセスし、前記プロセッサ可読命令を実行するように構成されているプロセッサと、
    を含み、
    前記プロセッサ可読命令は、前記プロセッサによって実行されると、
    前記ユーザの皮膚に貫通するコンポーネントを使用してグルコース値を取得するように構成されている持続血糖モニタリング（ＣＧＭ）デバイスを使用して、前記ユーザの血糖値を電子的に受信することと、
    前記ユーザの血糖値の範囲内時間（ＴＩＲ）値を判定することであって、前記ＴＩＲ値は、前記ユーザの血糖値が基準期間にわたって閾値帯内にある時間の量に基づいており、前記閾値帯は、およそ７０ｍｇ／ｄＬと１８０ｍｇ／ｄＬとの間であり、前記基準期間は、２４時間である、前記判定することと、
    前記ＴＩＲ値に基づいてＴＩＲ状態を判定することであって、前記ＴＩＲ状態は、良好なＴＩＲ状態又は不良なＴＩＲ状態から選択される、前記判定することと、
    少なくとも前記ユーザの血糖値に基づく血糖変動（ＧＶ）値を受信することであって、前記ＧＶ値は、標準偏差又は変動係数（ＣＶ）のうちの１つであり、前記ＣＶは、前記基準期間にわたる前記血糖値の標準偏差を考慮して、前記ユーザの血糖値の変動を示す、前記受信することと、
    前記ＧＶ値に基づいてＧＶ状態を判定することであって、前記ＧＶ状態は、良好なＧＶ状態又は不良なＧＶ状態のうちの１つである、前記判定することと、
    前記ＴＩＲ状態及び前記ＧＶ状態に基づいて開始状態を判定することと、
    前記開始状態が非理想的状態に対応することを判定することと、
    前記ユーザの血糖値に基づいてＣＧＭ事象を検出することと、
    マルチパラメータＣＧＭ分類又は重症度及びＣＧＭ事象トレース形状の特徴付けのうちの１つ又は複数に基づいて、前記ＣＧＭ事象を特徴付けることであって、前記マルチパラメータＣＧＭ分類は、前記ＣＧＭ事象の開始時の血糖値、重症度、及び前記ＣＧＭ事象の終了時の血糖値を含む、前記特徴付けることと、
    １つ又は複数のアカウントベクトルと、前記ＣＧＭ事象の前記特徴付けることとに基づいて理想的状態に到達するために、最適化経路を生成することであって、前記最適化経路は、前記１つ又は複数のアカウントベクトルの１つ又は複数の調整を含む、前記生成することと、
    前記最適化経路を前記ユーザに提供することと、
    を含む方法を実行するように、前記プロセッサを構成する、システム。
20. 前記最適化経路を前記ユーザに提供することは、前記最適化経路に基づいて、コンテキストベースの指示を前記ユーザに提供することを含む、請求項１９に記載のシステム。

Images