JP2023529261A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- JP2023529261A JP2023529261A JP2022562550A JP2022562550A JP2023529261A JP 2023529261 A JP2023529261 A JP 2023529261A JP 2022562550 A JP2022562550 A JP 2022562550A JP 2022562550 A JP2022562550 A JP 2022562550A JP 2023529261 A JP2023529261 A JP 2023529261A
- Authority
- JP
- Japan
- Prior art keywords
- glucose
- prediction
- machine learning
- event
- learning models
- 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
- 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 607
- 239000008103 glucose Substances 0.000 title claims abstract description 607
- 238000010801 machine learning Methods 0.000 title claims abstract description 298
- 238000005259 measurement Methods 0.000 claims abstract description 196
- 230000006399 behavior Effects 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims description 86
- 230000004044 response Effects 0.000 claims description 84
- 238000012549 training Methods 0.000 claims description 63
- 238000003860 storage Methods 0.000 claims description 45
- 230000000875 corresponding effect Effects 0.000 claims description 39
- 238000012545 processing Methods 0.000 claims description 15
- 238000012544 monitoring process Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000007405 data analysis Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 230000013016 learning Effects 0.000 claims description 6
- 230000000306 recurrent effect Effects 0.000 claims description 5
- 230000002596 correlated effect Effects 0.000 claims description 2
- 230000001747 exhibiting effect Effects 0.000 claims description 2
- 230000002787 reinforcement Effects 0.000 claims description 2
- 238000004891 communication Methods 0.000 abstract description 23
- 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 224
- 102000004877 Insulin Human genes 0.000 description 112
- 108090001061 Insulin Proteins 0.000 description 112
- 229940125396 insulin Drugs 0.000 description 112
- 235000012054 meals Nutrition 0.000 description 51
- 230000000153 supplemental effect Effects 0.000 description 20
- 230000000694 effects Effects 0.000 description 17
- 230000015654 memory Effects 0.000 description 16
- 238000012517 data analytics Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 15
- 230000036541 health Effects 0.000 description 14
- 235000013305 food Nutrition 0.000 description 12
- 230000003993 interaction Effects 0.000 description 12
- 230000007958 sleep Effects 0.000 description 12
- 230000009471 action Effects 0.000 description 8
- 206010012601 diabetes mellitus Diseases 0.000 description 8
- 241000282412 Homo Species 0.000 description 6
- 238000013459 approach Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 210000002216 heart Anatomy 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 239000000853 adhesive Substances 0.000 description 5
- 230000001070 adhesive effect Effects 0.000 description 5
- 230000002411 adverse Effects 0.000 description 5
- 230000000386 athletic effect Effects 0.000 description 5
- 230000007423 decrease Effects 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 5
- 230000002218 hypoglycaemic effect Effects 0.000 description 5
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 239000012491 analyte Substances 0.000 description 4
- 210000004369 blood Anatomy 0.000 description 4
- 239000008280 blood Substances 0.000 description 4
- 235000021152 breakfast Nutrition 0.000 description 4
- 235000019577 caloric intake Nutrition 0.000 description 4
- 238000013526 transfer learning Methods 0.000 description 4
- 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 3
- 230000036760 body temperature Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 239000004020 conductor Substances 0.000 description 3
- 230000037213 diet Effects 0.000 description 3
- 235000005911 diet Nutrition 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- MHAJPDPJQMAIIY-UHFFFAOYSA-N Hydrogen peroxide Chemical compound OO MHAJPDPJQMAIIY-UHFFFAOYSA-N 0.000 description 2
- 208000013016 Hypoglycemia Diseases 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
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 150000001720 carbohydrates Chemical class 0.000 description 2
- 235000014633 carbohydrates Nutrition 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 210000001508 eye Anatomy 0.000 description 2
- 230000037406 food intake Effects 0.000 description 2
- 235000012631 food intake Nutrition 0.000 description 2
- 150000002303 glucose derivatives Chemical class 0.000 description 2
- 210000003734 kidney Anatomy 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000000116 mitigating effect Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 229910052700 potassium Inorganic materials 0.000 description 2
- 239000011591 potassium Substances 0.000 description 2
- 230000035935 pregnancy Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000024977 response to activity Effects 0.000 description 2
- 230000003938 response to stress Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000009528 severe injury Effects 0.000 description 2
- 230000006403 short-term memory Effects 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
- 238000012546 transfer Methods 0.000 description 2
- 108010015776 Glucose oxidase Proteins 0.000 description 1
- 239000004366 Glucose oxidase Substances 0.000 description 1
- 241000699670 Mus sp. Species 0.000 description 1
- 206010062519 Poor quality sleep Diseases 0.000 description 1
- 206010067584 Type 1 diabetes mellitus Diseases 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 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
- 235000013361 beverage Nutrition 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 235000021074 carbohydrate intake Nutrition 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network 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
- 230000002950 deficient Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 210000003722 extracellular fluid Anatomy 0.000 description 1
- 229940116332 glucose oxidase Drugs 0.000 description 1
- 235000019420 glucose oxidase Nutrition 0.000 description 1
- 230000008821 health effect Effects 0.000 description 1
- 201000001421 hyperglycemia Diseases 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000000422 nocturnal effect Effects 0.000 description 1
- 230000008452 non REM sleep Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000036385 rapid eye movement (rem) sleep Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000035945 sensitivity 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
- 230000003860 sleep quality Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000035900 sweating Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 230000036642 wellbeing Effects 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
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
-
- 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
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- 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
- G16H50/70—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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/683—Means for maintaining contact with the body
- A61B5/6832—Means for maintaining contact with the body using adhesives
- A61B5/6833—Adhesive patches
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Data Mining & Analysis (AREA)
- Computer Networks & Wireless Communication (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Emergency Medicine (AREA)
- Optics & Photonics (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Power Engineering (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
ＣＧＭプラットフォームは、機械学習モデルのうちの１つによって生成された出力が、機械学習モデルのうちの別の１つへの入力として提供することができるように、積み重ねられた機械学習モデルを含む。複数の機械学習モデルには、グルコース測定値予測を生成するように訓練された少なくとも１つのモデルと、今後の時間間隔に対して、イベント予測を生成するように訓練された別のモデルが含まれる。積み重ねられた機械学習モデルの各々は、ユーザによって着用されたＣＧＭシステムによって提供されるグルコース測定値、又はユーザ挙動若しくは将来、人のグルコースに影響を与える他の側面を記載する追加データのうちの少なくとも１つが、入力として提供されるときに、それぞれの出力を生成するように構成されている。次いで、予測は、対応する予測に関する通知の通信及び／又は表示などを介して、出力され得る。
Description
関連出願への参照による組み込み
本出願は、２０２０年６月３日に出願された米国仮特許出願第６３／０３４２５７号の利益を主張する。前述の出願の各々は、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、各々が、本明細書の一部として明示的に作成される。
本出願は、２０２０年６月３日に出願された米国仮特許出願第６３／０３４２５７号の利益を主張する。前述の出願の各々は、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、各々が、本明細書の一部として明示的に作成される。
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型糖尿病を抱える人の適切な治療は、一般に、１日の全体を通してグルコースレベルをモニタリングし、かつレベルが所望の範囲内にとどまるように、インスリン、食事、及び運動のいくつかの組み合わせで、それらのレベルを調節することを伴う。医療技術の進歩により、グリコースレベルをモニタリングするための様々なシステムが開発されている。人の現在のグルコースレベルをモニタリングすることは、糖尿病の治療方法を決定するのに有用であるが、人のグルコースレベルが将来どうなるかを知ることは、より有用である。これは、そのような健康状態が発生する前に、人又は介護者が、グルコースレベルの変化に関連する潜在的に有害な健康状態を軽減するための行動を取ることが可能であるためである。しかしながら、グルコースレベル予測を生成するための従来の技法及びシステムは、そのようなグルコースレベル予測を生成する際に考慮される情報が限られているため、不正確さに悩まされている。
例えば、従来のグルコース予測技法を採用するシステムは、入力として履歴グルコース測定値のみを説明するグルコースレベル予測を生成し得る。しかしながら、ユーザの履歴グルコースレベル（例えば、過去１２時間にわたるグルコーストレース）だけでは、特にユーザが、今後の間隔で、グルコースレベルに影響を与えるイベント（例えば、食事、運動、インスリン投与など）に参加する場合、又はそうでなければ、その影響を受ける場合に、今後の時間間隔にわたってユーザのグルコースレベルに影響を与える様々な要因を正確に表すことはできない。従来のシステムでは、単独で、これらのイベント及び履歴グルコースレベルを超えた追加情報を説明することができないため、不正確なグルコースレベル予測が生成され、ユーザにグルコース応答について誤った情報を伝え、危険な健康状態を引き起こす可能性がある。
これらの問題を克服するために、複数の機械学習モデルの積み重ねを使用したグルコース測定値予測及びグルコースに影響を与えるイベント予測が活用される。連続グルコースモニタリング（ＣＧＭ）システムを着用している人々の数を考えると、ＣＧＭシステムは連続的に測定値を生成するため、ＣＧＭシステムにグルコースレベルを検出するためのセンサを提供し、そのようなシステムによって生成された測定値を維持するＣＧＭプラットフォームは、膨大な量のデータ、例えば、数億人の患者入院日数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、実際にはそうでないにしても、事実上人間が処理して、堅牢な数の状態空間のパターンを確実に識別することは不可能である。
１つ以上の実装態様では、ＣＧＭプラットフォームは、機械学習モデルのうちの１つによって生成された出力が、その出力を生成する際に使用するために、機械学習モデルのうちの別の１つへの入力として提供することができるように、積み重ねられた構成で配置された複数の機械学習モデルを含む。いくつかの実装態様では、複数の機械学習モデルには、グルコース測定値予測を生成するように訓練された少なくとも１つのモデルと、今後の時間間隔に対して、イベント予測を生成するように訓練された別のモデルと、が含まれる。積み重ねられた機械学習モデルのうちの１つ以上は、ユーザによって着用されたＣＧＭシステムから取得された入力グルコース測定値として提供されると、そのそれぞれの出力を生成するように構成され得る。代替的又は追加的に、積み重ねられた機械学習モデルは、例えば、アプリケーション使用活動、投与されたインスリン、運動など、将来、人のグルコースに影響を与える１つ以上の他の側面を記載する追加データを、入力として提供されると、それぞれの出力を生成するように構成され得る。
積み重ねられた構成の複数の機械学習モデルを活用することにより、この追加データは、いくつかの実装態様では、それらの複数の機械学習モデルのうちの１つの出力から取得し得る。複数の機械学習モデルのうちの様々なモデルの出力は、出力に関連付けられた信頼性値に基づいて、モデルのうちの他のモデルへの入力として選択的に提供され、信頼できる予測のみが使用されて、積み重ねられたモデル構成によって生成された他の予測に影響を与えることが保証される。次いで、グルコース測定値予測及びイベント予測は、通信及び／又は対応する予測に関する通知の表示などを介して出力され得る。
この概要は、以下の発明を実施するための形態で更に記載される概念の選択を簡略化された形態で紹介している。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
グルコースレベルのモニタリングは、糖尿病の治療、例えば、個人が、問題のあるグルコースレベルに関連付けられた潜在的に有害な健康状態（例えば、高血糖又は低血糖）にいつさらされるかを特定するのに有用である。このように、個人の将来のグルコースレベルを予測する能力は、個人又は介護者が、そのような有害な健康状態が発生する前に軽減するための是正措置を取ることを可能にするため、特に有利である。
グルコースレベルのモニタリングは、糖尿病の治療、例えば、個人が、問題のあるグルコースレベルに関連付けられた潜在的に有害な健康状態（例えば、高血糖又は低血糖）にいつさらされるかを特定するのに有用である。このように、個人の将来のグルコースレベルを予測する能力は、個人又は介護者が、そのような有害な健康状態が発生する前に軽減するための是正措置を取ることを可能にするため、特に有利である。
将来のグルコースレベルを予測する従来のアプローチは、履歴グルコース情報のみを考慮するという点で制限がある（例えば、将来のグルコースレベル予測を外挿するために、履歴グルコース情報に回帰モデルを適用する）。その結果、このような従来のアプローチは、履歴グルコース情報でラベル付けされていないイベントの発生など、個人のグルコースレベルに影響を与えるイベント及び他の要因の発生を説明することができず、したがって将来のグルコースレベルを予測することが説明されない。
例えば、履歴グルコース情報に示されるように、グルコースレベルの低下は、様々な異なるイベント（例えば、運動、インスリン投与など）に対応し得る。各イベントは、一般にグルコースレベルの低下によって特徴付けられる場合があるが、これらのイベントのうちの異なるイベントに対する人の応答は、大きく異なる可能性がある。例えば、人のグルコースレベルは、インスリン投与後のある応答、及びワークアウト後の著しく異なる応答を示す場合がある。異なる応答を区別せずに将来のグルコースレベルを予測する（例えば、インスリン投与及び運動に対する人の異なる応答を考慮せずに、グルコース測定値の低下のみを考慮する）と、重大な誤算が生じる可能性があり、次に、それが劇的な結果を有する可能性がある。
この例を続けると、人のグルコースレベルは、運動後のグルコースレベルの過去の低下とは対照的に、インスリンの標準用量の後、より長い期間にわたって歴史的に低下する可能性がある。したがって、異なるイベント応答を説明することができず、又はグルコースレベル低下を特定のイベントと誤って関連付ける従来のアプローチは、不正確なグルコースレベル予測を生成する。その結果、不正確なグルコースレベル予測は、誤ったインスリン用量（例えば、グルコースレベル予測によって表されない将来のグルコースレベルスパイクをカバーするには不十分である低用量のインスリン）を推奨する結果となる可能性がある。同様に、これらの従来のアプローチに関連付けられた精度は、予測されたグルコースレベルに関連付けられた時間が、現在の時間に対して先へ先へと未来に移動するにつれて、低下する。
これらの問題を克服するために、積み重ねられた構成で配置された複数の機械学習モデルを使用したグルコース予測が活用される。積み重ねられた機械学習モデルの各々は、ほんの数例を挙げると、ニューラルネットワーク（例えば、長短期記憶（ＬＳＴＭ）ネットワークなどのリカレントニューラルネットワーク）、状態機械、モンテカルロ法、粒子フィルタ、強化学習アルゴリズム（例えば、マルコフ決定プロセス）、及び回帰モデルなど、多様な機械学習モデルに従って、構成され得る。
１つ以上の実装態様において、連続グルコースモニタリング（ＣＧＭ）プラットフォームは、機械学習モデルのこの積み重ねを含み、積み重ねのうちの少なくとも１つのモデルは、ユーザ母集団の履歴グルコース測定値を含む訓練に基づいて、個々のユーザのグルコース測定値予測を生成するように構成されている。いくつかの実装態様では、このモデルは、以下でより詳細に説明するように、ストレージから、又は積み重ね内の１つ以上の他の機械学習モデルから受信され得る、個々のユーザのグルコースレベルに影響を与える可能性がある１つ以上の要因を記載する追加データを入力として受信するように更に構成され得る。ユーザ母集団及び個々のユーザのグルコース測定値は、ユーザ母集団のユーザ及び個々のユーザによって着用されたＣＧＭシステムによって提供され得る。これらのＣＧＭシステムによって生成された測定値を取得し、その測定値を維持することによって、ＣＧＭプラットフォームは、従来のシステムでは処理できない膨大な量のデータ（例えば、数億の患者入院日数分の測定値）を有し得る。
これらの実装態様によれば、積み重ねは、履歴グルコース測定値、グルコース測定値予測、又は追加データのうちの１つ以上が入力として与えられた場合に、特定のイベントが将来発生する可能性があるかどうかを記載するイベント予測を生成するように構成された少なくとも１つの機械学習モデルを更に含む。例えば、積み重ねは、個人が、指定された期間中に食事をするかどうかを予測するように構成された１つの機械学習モデル、個人が、指定された期間中に運動するかどうかを予測するように構成された別のモデル、個人が、指定された期間中にインスリンを投与するかどうかを予測するように構成された別のモデル、個人が、指定された期間中に睡眠又は休息するかどうかを予測するための別のモデル、個人が、将来の期間中にストレスを受けるかどうかを予測するための別のモデル、指定された期間中の個人のグルコースを予測するための別のモデルなどを含み得る。いくつかの実装態様では、イベント予測が、特定のイベントが現在発生しているかどうかの予測に対応するように、指定された期間は、現在の時間に対応し得る。
特定のイベントが、現在発生しているかどうか、及び／又は将来発生する可能性が高いかどうかを予測することに加えて、積み重ねられた機械学習モデルの各々は、特定の個人がイベントにどのように応答するかを予測する（例えば、イベントの結果として個人のグルコースレベルがどのように変化するかを予測する）ために使用可能である、それぞれのイベントの特定の特性及び／又は属性を記載する１つ以上の値を予測するように更に構成され得る。例えば、個人が食事を取るかどうかを予測することに加えて、又は代替的に、機械学習モデルは、食事に関連付けられたカロリー摂取量及び／又はカロリー摂取量に対する個人の予期されるグルコース応答を予測するように構成され得る。別の例として、個人が睡眠するかどうかを予測することに加えて、又は代替的に、機械学習モデルは、睡眠の質を示す睡眠スコア（例えば、持続時間、レム（ＲＥＭ）睡眠とノンレム睡眠の比率など）及び／又はスコアに対応するそのような睡眠に対する個人の予期されるグルコース応答を予測するように構成され得る。更なる例では、運動イベントが発生するかどうかを予測することに加えて、又は代替的に、機械学習モデルは、イベント中及びイベント後の個人の生命に関わる特性（例えば、心拍数、体温など）、及び／又はこれらの生命に関わる特性に基づく、対応するグルコースレベル変化を記載する情報を予測するように構成され得る。このように、本明細書に記載の機械学習モデルは、将来の時間間隔中にイベントが発生するかどうか、及び、又は、代替的に、個人のグルコースレベルに影響を与える可能性のあるイベントの特性及び／若しくは属性を予測するように構成され得る。
積み重ねられた構成での配置により、積み重ねの１つの機械学習モデルによって出力された予測は、積み重ねの１つ以上の他の機械学習モデル（例えば、グルコース測定値予測を生成するように構成された機械学習モデル）への入力として提供され得、それにより、履歴グルコース測定値を超える、グルコースレベルに影響を与える様々な要因の考慮を可能にする。
したがって、積み重ねの機械学習モデルのうちの１つ以上は、ユーザ母集団の履歴グルコース測定値のうちの１つ以上、又は様々なイベントに関連するユーザ挙動を記載する追加データを使用して訓練された後に、それぞれの予測を生成するように構成され得る。１つ以上の実装態様では、積み重ねられた機械学習モデルのうちのこれらのモデル又は異なるモデルは、予測に関連付けられた信頼性値を示す情報を備えるそれぞれの予測を生成するように構成され得る。次いで、予測が、信頼性閾値を満たす信頼性値に関連付けられている場合にのみ、積み重ね内の下流のモデルに、予測が入力として提供されるように、関連付けられた信頼性値に基づいて、積み重ねの機械学習モデルへの入力として、予測を選択的に提供することができる。このように、積み重ねられた構成は、機械学習モデルが、実際の観察されたイベントを正確に反映しない入力情報を考慮することを排除することによって、生成された予測に関連付けられた精度を改善する。
積み重ねられた機械学習モデルによって生成された、グルコース測定値予測及びイベント予測は、次いで、今後のグルコース測定値又はイベントに関する通知を生成するなどのために、出力することができる。この通知は、ほんの数例を挙げると、ユーザに関連付けられたコンピューティングデバイス（例えば、ＣＧＭプラットフォームのアプリケーションを介した出力用）、ヘルスケア提供者に関連付けられたコンピューティングデバイス、又は遠隔医療サービスに関連付けられたコンピューティングデバイスを含む、１つ以上のコンピューティングデバイスに、ネットワークを介して通信され得る。いくつかの実装態様では、通知には、ＣＧＭシステムによって、モデルパラメータを改良し、イベントプロファイルを改良し、及び個々のモデル出力に関連付けられた精度を改善するために使用可能である、関連付けられた予測に関するフィードバックのプロンプトが付随する。
グルコース及び今後のグルコース測定値に影響を与える今後のイベントを予測し、ユーザ、ヘルスケア提供者、及び／又は遠隔医療サービスに、今後のグルコース測定値について通知することにより、説明された積み重ねられた機械学習モデルは、潜在的に有害な健康状態を、これらの健康状態が発生する前に緩和するための行動が実行されることを可能にする。有利なことに、積み重ねられた機械学習モデルによって提供される今後のグルコースのより正確かつタイムリーな予測は、ユーザ及び他の様々な関係者が、糖尿病を治療する方法に関する、情報に基づいたより良い決定を下し、かつ治療を通じてより良い結果を達成することを可能にする。その際に、糖尿病による、心臓、血管、目、腎臓、及び神経、並びに死への深刻な損傷を大幅に回避することができる。
以下の記載では、最初に、本明細書に記載の技法を採用し得る例示的な環境を記載する。次いで、例示的な環境及び他の環境で実行され得る例示的な実装態様の詳細及び手順が記載される。例示的な手順のパフォーマンスは、例示的な環境に限定されず、例示的な環境は、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、本明細書に記載の積み重ねられた機械学習モデルを使用して、グルコース測定値予測及びイベント予測を採用するように動作可能である、例示的な実装態様における環境１００を示す。図示の環境１００は、連続グルコースモニタリング（ＣＧＭ）システム１０４、インスリン送達システム１０６、及びコンピューティングデバイス１０８を着用したように描写されているヒト１０２を含む。図示の環境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、及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、コンピューティングデバイス１０８、ユーザ母集団１１０、ＣＧＭプラットフォーム１１２、及びＩｏＴ１１４は、ネットワーク１１６を介して含み、通信可能に結合されている。
図１は、本明細書に記載の積み重ねられた機械学習モデルを使用して、グルコース測定値予測及びイベント予測を採用するように動作可能である、例示的な実装態様における環境１００を示す。図示の環境１００は、連続グルコースモニタリング（ＣＧＭ）システム１０４、インスリン送達システム１０６、及びコンピューティングデバイス１０８を着用したように描写されているヒト１０２を含む。図示の環境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、及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、コンピューティングデバイス１０８、ユーザ母集団１１０、ＣＧＭプラットフォーム１１２、及びＩｏＴ１１４は、ネットワーク１１６を介して含み、通信可能に結合されている。
代替的又は追加的に、ＣＧＭシステム１０４、インスリン送達システム１０６、又はコンピューティングデバイス１０８のうちの１つ以上は、１つ以上の無線通信プロトコル及び／又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得る。例として、ＣＧＭシステム１０４、インスリン送達システム１０６、及びコンピューティングデバイス１０８は、Ｂｌｕｅｔｏｏｔｈ（例えば、Ｂｌｕｅｔｏｏｔｈ Ｌｏｗ Ｅｎｅｒｇｙリンク）、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得る。ＣＧＭシステム１０４、インスリン送達システム１０６、及びコンピューティングデバイス１０８は、様々なタイプの通信を活用して、互いの間の閉ループシステムを形成し得る。このようにして、インスリン送達システム１０６は、グルコース測定値がＣＧＭシステム１０４によって取得されるため、及びグルコース測定値予測が生成されるため、リアルタイムで一連のグルコース測定値に基づいて、インスリンを送達し得る。
記載の技法に従って、ＣＧＭシステム１０４は、ヒト１０２のグルコース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、ヒト１０２のグルコースを示す分析物を連続的に検出し、グルコース測定値の生成を可能にするＣＧＭセンサを備えて構成され得る。図示の環境１００では、これらの測定値は、グルコース測定値１１８として表されている。この機能性及びＣＧＭシステム１０４の構成の更なる態様は、図２に関して以下で更に詳細に記載される。
１つ以上の実装態様では、ＣＧＭシステム１０４は、無線通信を介するなど、本明細書に記載の通信プロトコルのうちの１つ以上を介して、グルコース測定値１１８をコンピューティングデバイス１０８に送信する。ＣＧＭシステム１０４は、ＣＧＭセンサを使用して、これらの測定値をリアルタイムで（例えば、グルコース測定値１１８が生成されるときに）通信し得る。代替的又は追加的に、ＣＧＭシステム１０４は、指定された時間間隔（例えば、３０秒ごとに、１分ごとに、５分ごとに、１時間ごとに、６時間ごとに、毎日など）で、グルコース測定値１１８をコンピューティングデバイス１０８に通信し得る。いくつかの実装態様では、ＣＧＭシステム１０４は、コンピューティングデバイス１０８からの要求（例えば、コンピューティングデバイス１０８が、ヒト１０２に対するグルコース測定値予測を生成するときに開始される要求、ヒト１０２のグルコース測定値に関する情報など）に応答して、グルコース測定値を通信し得る。したがって、コンピューティングデバイス１０８は、（例えば、図１６に関して以下に更に詳細に記載されるように、コンピュータ可読記憶媒体において、グルコース測定値１１８を記憶することによって）ヒト１０２のグルコース測定値１１８を少なくとも一時的に維持し得る。
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、コンピューティングデバイス１０８は、記載の技法の趣旨又は範囲から逸脱することなく、多様な方法で構成され得る。限定ではなく例として、コンピューティングデバイス１０８は、異なるタイプのモバイルデバイス（例えば、携帯電話又はタブレットデバイス）として構成され得る。１つ以上の実装態様では、コンピューティングデバイス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（例えば、ＣＧＭシステム１０４からグルコース測定値１１８を取得する、グルコース測定値１１８に関連する様々な計算を実行する、グルコース測定値１１８及びＣＧＭプラットフォーム１１２に関連する情報を表示する、グルコース測定値１１８をＣＧＭプラットフォーム１１２に通信する、それらの組み合わせなどを行うための機能性を支援するデバイス）として構成され得る。しかしながら、コンピューティングデバイス１０８が携帯電話として構成されている実装態様とは対照的に、コンピューティングデバイス１０８は、そうでなければ、電話をかける、画像を撮像する、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などを行うための機能性など、専用のＣＧＭデバイスとして構成されているときに、携帯電話又はウェアラブル構成で利用可能な機能性を除外し得る。
いくつかの実装態様では、コンピューティングデバイス１０８は、２つ以上のデバイスを表す。例えば、コンピューティングデバイス１０８は、ウェアラブルデバイス（例えば、スマートウォッチ）及び携帯電話の両方を表し得る。そのような複数のデバイス実装態様では、複数のデバイスの異なるデバイスは、例えば、ＣＧＭシステム１０４からグルコース測定値１１８を受信し、ネットワーク１１６を介してグルコース測定値１１８をＣＧＭプラットフォーム１１２に通信し、グルコース測定値１１８に関連する情報を表示するなど、同じ動作のうちの少なくともいくつかを実行することが可能であり得る。代替的又は追加的に、複数のデバイス実装態様における異なるデバイスは、特定のデバイスへの命令を計算することによって制限される機能など、互いに対して異なる機能を支援し得る。
コンピューティングデバイス１０８が別個のデバイス（例えば、スマートウォッチ及び携帯電話）を表す例示的な実装態様では、１つのデバイスは、ヒト１０２の多様な生理学的マーカー（例えば、心拍数、呼吸、血液速度など）及び活動（例えば、ステップ、高度の変化など）を測定するための様々なセンサ及び機能性を備えて構成され得る。この例示的な複数デバイス実装態様では、別のデバイスは、そのようなセンサ又は機能性を備えて構成されない場合があり、又は限られた量のそのようなセンサ又は機能性を含む場合がある。例えば、複数のデバイスのうちの１つが、複数のデバイスのうちの別の１つでは支援されていない機能性、例えば、将来のグルコースレベルを予測するために使用可能な食事の画像を捕捉するためのカメラ、デバイスがグルコース測定値１１８に関連する計算を効率的に実行することを可能にするコンピューティングリソースの量（例えば、バッテリ寿命、処理速度など）などを有する場合がある。複数のデバイスのうちの１つ（例えば、スマートウォッチ）が、そのような計算を実行することが可能であるシナリオでも、コンピューティング命令は、複数のデバイスに負担をかけず、かつ利用可能なリソースを更に効率的に利用するために、複数のデバイスのうちの１つ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、コンピューティングデバイス１０８は、異なる方法で構成され、本明細書に記載される特定の例示的な実装態様を超えて異なる数のデバイスを表すことができる。
上述のように、コンピューティングデバイス１０８は、グルコース測定値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、グルコース測定値１１８は、ＣＧＭプラットフォーム１１２の記憶デバイス１２０に記憶されているように描写されている。記憶デバイス１２０は、グルコース測定値１１８を記憶することが可能である１つ以上のタイプのストレージ（例えば、データベース）を表す。このようにして、記憶デバイス１２０は、グルコース測定値１１８に加えて、様々な他のデータを記憶するように構成され得る。例えば、１つ以上の実装態様によれば、ヒト１０２は、少なくともＣＧＭプラットフォーム１１２及び１つ以上の他のサービス（例えば、１つ以上のサードパーティサービスプロバイダによって提供されるサービス）のユーザを表す。このように、ヒト１０２は、個人的な帰属情報（例えば、ユーザ名）に関連付けられ得、かつある時点で、個人的な帰属情報を使用して、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、遠隔医療サービス情報など）を提供することを必要とされ得る。この個人的に帰属する情報、認証情報、及びヒト１０２に関する他の情報（例えば、人口統計情報、ヘルスケア提供者情報、支払い情報、処方箋情報、健康指標、ユーザの好み、ウェアラブルデバイスに関連付けられたアカウント情報、ソーシャルネットワークアカウント情報、他のサービスプロバイダ情報など）は、記憶デバイス１２０に維持され得る。
記憶デバイス１２０は、ユーザ母集団１１０中の他のユーザに関するデータを維持するように更に構成されている。このことを考慮すると、記憶デバイス１２０のグルコース測定値１１８は、ヒト１０２によって着用されたＣＧＭシステム１０４のＣＧＭセンサからのグルコース測定値を含み、また、ユーザ母集団１１０中に表された他の人によって着用されたＣＧＭシステムのＣＧＭセンサからのグルコース測定値を含み得る。同様に、ユーザ母集団１１０のこれらの他の人のグルコース測定値１１８は、他の人が、ＣＧＭプラットフォーム１１２内のそれぞれのユーザプロファイルに関連付けられるように、ネットワーク１１６を介して、ＣＧＭプラットフォーム１１２に、それぞれのデバイスによって通信され得る。
データ分析プラットフォーム１２２は、グルコース測定値１１８を、単独で、及び／又は記憶デバイス１２０に維持されている他のデータとともに処理して、様々な機械学習モデルの積み重ねられた構成を使用するなどによって、多様な予測を生成するための機能性を表す。これらの予測に基づいて、ＣＧＭプラットフォーム１１２は、予測に関連する通知（例えば、警告、推奨、又は予測に基づいて生成された他の情報）を提供し得る。例えば、ＣＧＭプラットフォーム１１２は、ヒト１０２に、ヒト１０２に関連付けられた医療専門家に、それらの組み合わせなどに、通知を提供し得る。コンピューティングデバイス１０８とは別個に描写されているが、データ分析プラットフォーム１２２の部分又は全体が、コンピューティングデバイス１０８において代替的又は追加的に実装され得る。データ分析プラットフォーム１２２はまた、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し得る。
例えば、１つ以上の実装態様によれば、データ分析プラットフォーム１２２は、ＩｏＴ１１４から受信した情報など、グルコース測定値１１８及び追加情報に基づいて、ヒト１０２に関するイベントのイベント予測とともに、ヒト１０２に対するグルコース測定値予測を生成するように構成されている。例えば、データ分析プラットフォーム１２２は、積み重ねられた構成の複数の機械学習モデルを実装することができ、各機械学習モデルは、異なる予測（例えば、グルコース測定値予測、インスリン投与イベント予測、運動予測、食事予測など）を出力するように構成されている。このような機械学習モデルの積み重ねられた構成を活用することにより、データ分析プラットフォーム１２２は、ヒト１０２のグルコースレベルに影響を与える様々な要因を考慮するように構成されており、それによって、グルコース測定値のみを入力として考慮する従来のアプローチと比較して、より正確なグルコース測定値予測を提供する。積み重ねられた機械学習モデルの個々のモデルによって生成された予測は、他のモデルのうちの少なくとも１つへの入力として（例えば、積み重ねられた構成の下流にある機械学習モデルへの入力として）選択的に提供されて、グルコース測定値予測の精度を改善することができる。
例えば、積み重ねられた構成が、異なる予測（例えば、今後のインスリン投与に対する人のグルコース応答、今後の運動に対する人のグルコース応答、今後の食事に対する人のグルコース応答、及び人の今後のグルコース測定値）を生成するように個別に構成されている複数の機械学習モデルを含む例示的なシナリオでは、予測情報は、それぞれの予測に関連付けられた信頼性レベルなどの様々な基準に基づいて、機械学習モデルの積み重ねへの入力として選択的に提供することができる。この予測情報を、グルコース測定値１１８及び個人の挙動を記載する追加データとともに入力として提供することにより、機械学習モデルの積み重ねられた構成は、グルコース測定値予測、及びグルコースレベルに影響を与える可能性のある今後のイベントの予測を確実に出力することができる。
例えば、積み重ねられた構成の１つのそのようなモデルは、グルコース測定値１１８及びヒト１０２に関連する追加データを処理して、ヒト１０２が、所与の時間ステップに対して、かつ特定の方法で、グルコース測定値予測の値に影響を与える可能性がある今後のインスリン投与イベントを有するかどうかを予測し得る。別のそのようなモデルは、ヒト１０２が、今後の運動イベントを有するかどうかを予測し得、別のそのようなモデルは、ヒト１０２が、時間ステップに対するグルコース測定値予測の値に影響を与える今後の食事イベントを有するかどうか、及び各特定のイベントが、値にどのように影響するかを予測し得る。積み重ねられた構成での配置により、１つのモデルの出力された予測を使用して、他のモデルの予測に影響を与えることができる。
例えば、１つのモデルが、ヒト１０２が今後の期間にわたって運動することを高い信頼性で予測する場合、その予測は、ヒト１０２が今後の期間にわたってインスリンを投与するかどうかを予測するように構成された第２のモデル、及びヒト１０２が今後の期間にわたって食事を取るかどうかを予測するように構成された第３のモデルへの入力として提供され得る。この例示的なシナリオでは、第２及び第３のモデルの出力された予測は、第１のモデルの運動イベント予測、及び、ヒト１０２が、運動しているが、食事をしているか、又はインスリンを投与している可能性が低いことを示す、ヒト１０２に対する履歴挙動を記載する追加データによって影響を受ける可能性がある。
１つの積み重ねられた機械学習モデルによって出力された予測は、予測に関連付けられた信頼性値に基づいて、積み重ねられた機械学習モデルのうちの他のモデルへの入力として、選択的に提供され得、したがって、低信頼性（例えば、９０％未満の信頼性）出力された予測は、積み重ねられた構成の他の機械学習モデルによって生成された予測に悪影響を与えない。いくつかの実装態様では、予測に関連付けられた信頼性レベル又は値は、予測が関係するヒト１０２からの明示的なユーザフィードバックによって影響を受ける可能性がある。例えば、データ分析プラットフォーム１２２は、ヒト１０２が、今後のインスリン投与イベントを有する可能性があると予測する場合、その予測は、インスリン投与イベントが発生することが予定されていることの確認のプロンプトとともに、（例えば、コンピューティングデバイス１０８を介して）ヒト１０２に出力することができる。
ヒト１０２の応答が、インスリン投与イベントが近づいていることを確認する場合、予測されたインスリン投与イベントに関連付けられた信頼性レベルを１００％に設定することができ、予測されたインスリン投与イベントに関連付けられた予測されたグルコースレベル応答を、積み重ねられた構成の異なる機械学習モデルへの入力として提供することができる。対照的に、ヒト１０２の応答が、インスリン投与イベントが近づいていないことを示している場合、異なる機械学習モデルによって生成された、出力された予測に不適切な影響を与えることを避けるために、今後のインスリン投与イベントの予測を破棄することができる。このようにして、データ分析プラットフォーム１２２は、ヒト１０２の以前のグルコースレベルに加えて様々な要因を活用して、グルコース測定値予測をより正確に生成するように構成されている。
以前のグルコース測定値を超えるこの追加情報のうちのいくつかを供給するために、ＩｏＴ１１４は、ヒト１０２及び１つ以上のサービスプロバイダのユーザとしてのヒト１０２の活動及び実世界での活動を記載するデータを提供することが可能である様々なソースを表す。例として、ＩｏＴ１１４は、ユーザの様々なデバイス（例えば、カメラ、携帯電話、ラップトップ、運動器具など）を含み得る。この目的のために、ＩｏＴ１１４は、ユーザと様々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得る。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（及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様々な実世界の物品（例えば、靴、衣類、スポーツ用品、電化製品、自動車など）を含み得る。ＩｏＴ１１４はまた、データ分析プラットフォーム１２２によって活用され得る、それぞれ医療及び製造データを提供することが可能である医療提供者（例えば、ヒト１０２の医療提供者）及び製造業者（例えば、ＣＧＭシステム１０４、インスリン送達システム１０６、又はコンピューティングデバイス１０８の製造業者）などのサードパーティをＣＧＭプラットフォーム１１２に含めることもできる。確かに、ＩｏＴ１１４は、記載の技法の趣旨又は範囲から逸脱することなく、機械学習及びグルコース測定値を使用して、グルコース予測に関連して使用するための豊富なデータを提供することが可能であるデバイス及びセンサを含み得る。グルコースを、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状況において、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の例示的な実装態様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の上面図及び対応する側面図を含む。
ＣＧＭシステム１０４は、センサ２０２及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、皮膚２０６（例えば、ヒト１０２の皮膚）に皮下挿入されているように描写されている。センサモジュール２０４は、上面図において、破線の輪郭を有する長方形として描写されている。ＣＧＭシステム１０４は、送信機２０８を含むものとして更に図示されている。センサモジュール２０４を表す長方形の破線を使用して、センサモジュール２０４が、送信機２０８に収容されるか、さもなければ送信機２０８のハウジング内に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及び取り付け機構２１２を更に含む。
動作中、センサ２０２、接着パッド２１０、及び取り付け機構２１２は、適用アセンブリを形成するように組み立てられ得、適用アセンブリは、描写さ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、取り付け機構２１２を介してなど、皮膚２０６に適用された後のアセンブリに取り付けられ得る。追加的又は代替的に、送信機２０８は、適用アセンブリの一部として組み込まれ得、センサ２０２、接着パッド２１０、取り付け機構２１２、及び送信機２０８（センサモジュール２０４を有する）が全て同時に皮膚２０６に適用され得るようにし得る。１つ以上の実装態様では、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。このように、ＣＧＭシステム１０４、及び図２に図示された様々な構成要素は、１つの例示的なフォームファクタであり、ＣＧＭシステム１０４及びその構成要素は、記載の技法の趣旨又は範囲から逸脱することなく、異なるフォームファクタを有し得る。
動作中、センサ２０２は、「無線」接続又は「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、又はセンサモジュール２０４からセンサ２０２への通信は、能動的又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）又は離散的（例えば、デジタル）とし得る。
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イベントに応答して、変化するか、又は変化を引き起こすデバイス、分子、及び／又は化学物質であり得る。センサモジュール２０４は、センサ２０２への変化又はセンサ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、グルコース及び酸素と応答して、センサモジュール２０４の電極によって電気化学的に検出可能である過酸化水素を形成するグルコース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つ以上の測定技法を使用してグルコースレベルを示す血液又は間質液中の分析物を検出するように構成されたグルコースセンサとして構成され得るか、又はグルコースセンサを含み得る。
別の例では、センサ２０２（又はＣＧＭシステム１０４の追加のセンサ、図示せず）は、第１及び第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及び第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及びセンサ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及びセンサ２０２は、単一の分析物（例えば、グルコース）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及びセンサ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、及びグルコース）を検出するように構成されている。代替的又は追加的に、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、グルコース、及びインスリン）だけでなく、１つ以上の環境条件（例えば、温度）も検出するための複数のセンサを含む。したがって、センサモジュール２０４及びセンサ２０２（及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、及び／又は１つ以上の環境条件の変化を検出し得る。
１つ以上の実装態様では、図２の図示の例には描写されていないが、センサモジュール２０４は、プロセッサ及びメモリを含み得る。そのようなプロセッサを活用することにより、センサモジュール２０４は、センサ２０２との通信に基づいて、１つ以上の変化（例えば、検体の変化、環境条件の変化など）を示すグルコース測定値１１８を生成し得る。センサ２０２との通信に基づいて、センサモジュール２０４は、ＣＧＭデバイスデータ２１４を生成するように更に構成されている。ＣＧＭデバイスデータ２１４は、少なくとも１つのグルコース測定値１１８を含む通信可能なデータのパッケージを表す。代替的又は追加的に、ＣＧＭデバイスデータ２１４は、複数のグルコース測定値１１８、センサ識別２１６、センサステータス２１８、それらの組み合わせなどの他のデータを含む。１つ以上の実装態様では、ＣＧＭデバイスデータ２１４は、グルコース測定値１１８に対応する温度、及び他の分析物の測定値のうちの１つ以上などの他の情報を含み得る。このように、ＣＧＭデバイスデータ２１４は、記載の技法の趣旨又は範囲から逸脱することなく、少なくとも１つのグルコース測定値１１８に加えて、多様なデータを含み得る。
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コンピューティングデバイス１０８に無線で送信し得る。代替的又は追加的に、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）バッファすること、送信機２０８に、バッファされたＣＧＭデバイスデータ２１４を様々な間隔、例えば、時間間隔（１秒ごと、３０秒ごと、１分ごと、５分ごと、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、データの閾値量、又はＣＧＭデバイスデータ２１４のインスタンスの数値に達したとき）で、伝送させること、それらの組み合わせなどを行い得る。
ＣＧＭデバイスデータ２１４を生成し、かつそれをコンピューティングデバイス１０８に通信させることに加えて、センサモジュール２０４は、１つ以上の実装態様による追加機能性を実行するように構成されている。この追加機能性は、将来のヒト１０２のグルコースレベルの予測を生成すること、及び予測に基づいて通知（例えば、予期される今後のイベントの通知、ヒト１０２のグルコースレベルが危険である可能性が高いことを予測が示すときの警告など）を通信することを含み得る。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、又は存在しない場合に有利である。このようにして、人は、接続性（例えば、インターネット接続性）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を最初に又は継続的に較正すること、及びＣＧＭシステム１０４の他の任意のセンサを較正することを含み得る。
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に事前又は事後に埋め込まれた他のセンサなど）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得る。このようにして、センサ２０２と同様の様式で製造、包装、及び／又は出荷されたセンサについて検出された様々な問題は、（例えば、グルコース測定値１１８を較正し、欠陥のあるセンサを変更するように、又はそれらを廃棄するようにユーザに通知し、機械加工問題を製造施設に通知するなどを行うための）異なる方法で識別及び使用され得る。
センサステータス２１８は、所与の時点におけるセンサ２０２の状態（例えば、グルコース測定値１１８のうちの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、グルコース測定値１１８の各々に対するエントリを含み得、グルコース測定値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。一般に、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つ以上の実装態様では、センサモジュール２０４は、所与のグルコース測定値１１８に対するいくつかの所定の動作状態のうちの１つを識別し得る。識別された動作状態は、センサ２０２からの通信及び／又はそれらの通信の特性に基づき得る。
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及び基礎を有するルックアップテーブルを（例えば、メモリ又は他のストレージに）含み得る。例えば、所定の状態は、「通常の」動作状態を含み得、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、通常の動作を示す閾値内（例えば、予想される時間の閾値内、予想される信号強度の閾値内、環境温度が予想どおりに動作を継続するのに好適な温度の閾値内にある場合、それらの組み合わせなど）に収まることであり得る。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、グルコース測定値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み得る。
例えば、これらの非通常動作状態の基礎は、閾値予想時間外でセンサ２０２からの通信を受信すること、予想信号強度の閾値外でセンサ２０２の信号強度を検出すること、予想どおりに動作を継続するための好適な温度外の環境温度を検出すること、ヒト１０２がＣＧＭシステム１０４に対する配向を変えた（例えば、ベッドで転がった）ことを検出することなどを含み得る。センサステータス２１８は、記載の技法の趣旨又は範囲から逸脱することなく、センサ２０２及びＣＧＭシステム１０４に関する多様な態様を示し得る。
例示的な環境及び例示的なＣＧＭシステムを検討してきたが、ここで、１つ以上の実装態様に従って、積み重ねられた機械学習モデルを使用して、イベント予測及びグルコース測定値予測を生成する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。
グルコース測定値及びイベント予測
図３は、グルコース測定値を含むＣＧＭデバイスデータが、機械学習を使用して、グルコース測定値予測及びイベント予測に関連して異なるシステムにルーティングされる、例示的な実装態様３００を描写する。
図３は、グルコース測定値を含むＣＧＭデバイスデータが、機械学習を使用して、グルコース測定値予測及びイベント予測に関連して異なるシステムにルーティングされる、例示的な実装態様３００を描写する。
図示の例３００は、図１に関連して紹介された、ＣＧＭシステム１０４及びコンピューティングデバイス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１２２及び記憶デバイス１２０を含み、これらは、上記のように、グルコース測定値１１８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をコンピューティングデバイス１０８に送信するように描写されている。図２に関連して記載したように、ＣＧＭデバイスデータ２１４は、他のデータとともにグルコース測定値１１８を含む。ＣＧＭシステム１０４は、様々な方法で、ＣＧＭデバイスデータ２１４をコンピューティングデバイス１０８に送信し得る。
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、グルコース測定値１１８、センサ識別２１６、及びセンサステータス２１８）及び補足データ３０４、又はその一部分を含み得る。この例３００では、ＣＧＭパッケージ３０２は、コンピューティングデバイス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。一般に、コンピューティングデバイス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を生成するための機能性を含む。コンピューティングデバイス１０８はまた、補足データ３０４をＣＧＭデバイスデータ２１４と一緒にパッケージ化して、ＣＧＭパッケージ３０２を形成し、（例えば、ネットワーク１１６を介して）ＣＧＭパッケージ３０２をＣＧＭプラットフォーム１１２に通信して、記憶デバイス１２０に記憶するための機能性も含む。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グルコース測定値１１８）、及びユーザの携帯電話、又は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との間の仲介役として機能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を含み得る。
補足データ３０４に関して、コンピューティングデバイス１０８は、ＣＧＭパッケージ３０２に含まれるＣＧＭデバイスデータ２１４を補足するための様々な補足データを生成し得る。記載の技法によれば、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、グルコース測定値１１８）との対応を識別することができるように、ユーザのコンテキストの１つ以上の態様を記載し得る。例として、補足データ３０４は、コンピューティングデバイス１０８とのユーザの対話を記載し得、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み得る。補足データ３０４はまた、コンピューティングデバイス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、及びプレスを記載するクリックストリームデータを含み得る。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、コンピューティングデバイス１０８に関連付けられたディスプレイデバイスに関して、又はユーザがデバイスから目をそらしているとき）、ユーザ又は他のユーザの可聴コマンド及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及びバージョン、カメラタイプ、コンピューティングデバイス１０８が実行しているアプリ）などを含み得る。
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得る。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、コンピューティングデバイス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得る。コンピューティングデバイス１０８が、ＣＧＭシステム１０４と同じ態様のいくつかを検出するか、又はそうでなければ測定するための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、精度、障害検出などのために比較され得る。上記に記載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法の趣旨又は範囲から逸脱することなく、より多くの、より少ない、又は異なるタイプのデータを含み得る。
補足データ３０４が、ユーザのコンテキストをどれほど確実に記載するかに関係なく、コンピューティングデバイス１０８は、様々な間隔で処理するために、ＣＧＭパッケージ３０２（例えば、ＣＧＭデバイスデータ２１４及び補足データ３０４を含む）をＣＧＭプラットフォーム１１２に通信し得る。１つ以上の実装態様では、コンピューティングデバイス１０８は、（例えば、ＣＧＭシステム１０４が、ＣＧＭデバイスデータ２１４をコンピューティングデバイス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得る。コンピューティングデバイス１０８は、代替的又は追加的に、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に通信し得る。
図示の例３００には描写されていないが、ＣＧＭプラットフォーム１１２は、ＣＧＭパッケージ３０２を処理し、ＣＧＭデバイスデータ２１４及び補足データ３０４のうちの少なくともいくつかを、記憶デバイス１２０に記憶し得る。更に以下で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、データ分析プラットフォーム１２２に提供されるか、又はそうでなければアクセスされ得、それによって、データ分析プラットフォームが、今後のイベントの予測とともに、グルコース測定値予測を生成することを可能にする。
１つ以上の実装態様では、データ分析プラットフォーム１２２は、今後のグルコースレベル及び今後のイベントの予測の生成に関連して使用するために、サードパーティ３０６（例えば、サードパーティサービスプロバイダ）からデータを取り込むように構成されている。例として、サードパーティ３０６は、サードパーティ３０６が、製造及び／又は展開するデバイス（例えば、運動器具、ウェアラブルデバイスなど）を介するなどして、独自の追加データを生成し得る。図示の例３００は、サードパーティ３０６からデータ分析プラットフォーム１２２に通信されることが示され、サードパーティ３０６によって生成されるか、又はそうでなければサードパーティから通信される追加データを表すサードパーティデータ３０８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及び／又は展開し得る。追加的又は代替的に、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得る。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み得る。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、公開フィールド又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、それらの組み合わせなどを含む様々な方法で構成され得る。
サードパーティデータ３０８は、記載された技法の趣旨又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様々な態様を記載し得る。サードパーティデータ３０８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又は対話を記載するアプリケーション対話データを含み得る。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１２２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又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、及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み得る。したがって、１つ以上の実装態様では、データ分析プラットフォーム１２２は、サードパーティ３０６によって生成されたか、又はそうでなければ取得されたサードパーティデータ３０８を受信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１２２は、予測システム３１０を含んで図示されている。記載のシステムに従って、予測システム３１０は、グルコース測定値１１８に基づいて、予測３１２を生成するように構成されている。具体的には、予測システム３１０は、前の時間間隔中に取得されたグルコース測定値１１８、及び様々な予測３１２に関連付けられた信頼性レベルに基づいて、将来の時間間隔にわたって、今後のグルコース測定値及び今後のイベントの予測３１２を生成するように構成されている。例えば、予測システム３１０は、前の時間間隔中に取得されたグルコース測定値１１８、履歴ユーザ情報、及びそれらの組み合わせに基づいて、ある時間間隔にわたって、今後のイベントの発生（又はその欠如）を予測するように構成されている。以下で更に詳細に記載するように、予測３１２は、時系列グルコース測定値（例えば、グルコーストレース）を形成するために、タイムスタンプに従って順序付けられたグルコース測定値１１８に基づき得る。１つ以上の実装態様では、例えば、予測３１２を生成するために予測システム３１０によって使用される追加データは、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３０８、ＩｏＴ１１４からのデータ、これらの組み合わせなどのうちの１つ以上の部分を含み得る。以下に記載するように、予測システム３１０は、積み重ねられた構成で配置された複数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３１２を生成し得る。これらのモデルは、グルコース測定値１１８及びユーザ母集団１１０から取得された追加データを使用して訓練されるか、又はそうでなければ構築され得る。
生成された予測３１２に基づいて、データ分析プラットフォーム１２２はまた、通知３１４を生成し得る。例えば、通知３１４は、ユーザが食事を取り、食事を取ること（例えば、特定の食べ物又は飲み物を取ること）に応答して、グルコースレベルの変化を受ける可能性が高いように、今後のイベント予測についてユーザに警告し得る。代替的又は追加的に、通知３１４は、ユーザが、インスリンを投与し、ストレス、運動、睡眠などを受けることが予期されることをユーザに通知し得、各イベントは、グルコースレベルで表される異なる予期される応答に関連付けられ得る。通知３１４はまた、ユーザに、行動を実行する（例えば、特定の食品又は飲料を消費する、コンピューティングデバイス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、インスリン投与量を減らす、運動挙動を修正する）、挙動を継続する（例えば、特定の方法で食事を摂取し続ける、又は特定の方法で運動し続ける）、挙動を変える（例えば、食習慣又は運動習慣を変える、基礎又はボーラスインスリン投与量を変更する）、それらの組み合わせなどを行うように推奨することなどによって、問題のあるグルコースレベルに関連付けられた健康への有害な影響を軽減する方法を決定するための支援を提供し得る。
そのようなシナリオでは、予測３１２及び／又は通知３１４は、データ分析プラットフォーム１２２から通信され、コンピューティングデバイス１０８を介して出力される。図示の例３００では、予測３１２及び通知３１４は、コンピューティングデバイス１０８に通信されるものとして更に図示されている。追加的又は代替的に、予測３１２及び／又は通知３１４は、予測３１２及び／又は通知３１４がコンピューティングデバイス１０８に送達される前に、意思決定支援プラットフォーム及び／又は検証プラットフォームにルーティングされ得る。予測３１２を生成する状況において、図４の以下の説明を検討する。
図４は、積み重ねられた構成で配置された複数の機械学習モデルを使用して、今後の時間間隔に対するグルコース測定値、及びイベントが、今後の時間間隔中に発生するかどうかを予測するための、図３の予測システム３１０の例示的な実装態様４００をより詳細に描写する。
図示の例４００では、予測システム３１０は、グルコース測定値１１８（例えば、ストレージ１２０からの）、タイムスタンプ４０２、及び追加データ４０４を受信するように構成されている。１つ以上の実装態様によれば、グルコース測定値１１８及び追加データ４０４は、ヒト１０２に対応し得る。グルコース測定値１１８の各々は、タイムスタンプ４０２のうちの１つに対応する。このようにして、各個々のグルコース測定値１１８に、対応するタイムスタンプ４０２が存在するように、グルコース測定値１１８とタイムスタンプ４０２との間に１対１の関係があり得る。１つ以上の実装態様では、ＣＧＭデバイスデータ２１４は、グルコース測定値１１８及び対応するタイムスタンプ４０２を含み得る。したがって、対応するタイムスタンプ４０２は、（例えば、グルコース測定値１１８を生成することに関連して）ＣＧＭシステム１０４レベルでグルコース測定値１１８に関連付けられ得る。タイムスタンプ４０２がグルコース測定値１１８とどのように関連付けられているか、又はどのデバイスがタイムスタンプ４０２をグルコース測定値１１８に関連付けているかに関係なく、グルコース測定値１１８の各々は、対応するタイムスタンプ４０２を有する。
この例４００では、予測システム３１０は、シーケンスマネージャ４０６及び予測マネージャ４０８を含むものとして描写され、予測マネージャ４０８は、グルコース測定値１１８、タイムスタンプ４０２、及び追加データ４０４のうちの１つ以上に基づいて、予測３１２を生成するように構成されている。予測システム３１０は、順序付けマネージャ４０６及び予測マネージャ４０８のみを含むように描写されているが、予測システム３１０は、予測３１２を生成するための、より多くの、より少ない、及び／又は異なる構成要素を有し得、その例は、以下で更に詳細に説明される。
順序付けマネージャ４０６は、グルコース測定値１１８及びタイムスタンプ４０２に基づいて、時系列グルコース測定値４１０（例えば、時系列データ）を生成するための、予測システム３１０の機能を表す。グルコース測定値１１８は、一般に（例えば、グルコース測定値１１８が生成されると、ＣＧＭシステム１０４及び／又はコンピューティングデバイス１０８からＣＧＭプラットフォーム１１２によって）順次受信され得るが、場合によっては、グルコース測定値１１８のうちの１つ以上は、グルコース測定値１１８が生成されるのと同じ順序で受信されない場合がある（例えば、グルコース測定値１１８を有するパケットは、順不同で送信又は受信される場合がある）。したがって、受信の順序は、グルコース測定値１１８がＣＧＭシステム１０４によって生成される順序と時系列的に一致しない場合がある。代替的又は追加的に、グルコース測定値１１８のうちの１つ以上を含む通信が破損する可能性がある。このように、予測システム３１０によって取得されたグルコース測定値１１８が完全に時間順にならない様々な理由があり得る。
時系列グルコース測定値４１０を生成するために、順序付けマネージャ４０６は、それぞれのタイムスタンプ４０２に従って、グルコース測定値１１８の時間順シーケンスを決定する。順序付けマネージャ４０６は、グルコース測定値１１８の時間順シーケンスを時系列グルコース測定値４１０として出力する。時系列グルコース測定値４１０は、個別に構成され得、又はそうでなければ「グルコーストレース」と称され得る。
本明細書に記載の技法に従って、順序付けマネージャ４０６は、特定の時間間隔に対する時系列グルコース測定値４１０を生成する。１つ以上の実装態様では、時系列グルコース測定値４１０は、前日に対応するある時間間隔に対応し、機械予測マネージャ４０８によって利用されて、現在又は今後の日に、１つ以上のイベントが発生するかどうかを予測するだけでなく、現在又は今後の日にわたるグルコース測定値を予測する。したがって、予測を生成するために、グルコース測定値から特徴を抽出する従来のシステムとは異なり、時系列グルコース測定値４１０は、任意の好適な範囲の以前の期間（例えば、過去１日以上前、過去１２時間、過去６時間、過去１時間、過去３０分など）にわたる、特定のヒト１０２に対する推定されるグルコース値の全体のセットに対応する。特に、時系列グルコース測定値４１０が対応する時間間隔の持続時間及びタイミングは、本明細書に記載の技法の趣旨又は範囲から逸脱することなく、様々な要因に基づいて変化し得る。例えば、場合によっては、（例えば、ヒト１０２の睡眠スケジュールに対応するように、１つの時間間隔を使用して、ヒト１０２の活動的な（すなわち、覚醒）スケジュールに対応するように、別の時間間隔を使用して）ヒト１０２の活動スケジュールに対応するように時間間隔をカスタマイズし得る。このようにして、順序付けマネージャ４０６は、複数日（例えば、過去７日間）に及び得る、複数日のうちの特定の時間（例えば、過去１４日間の、午前５時～午後１０時）に及び得る任意の好適な時間間隔に対する時系列グルコース測定値４１０を生成するように構成されている。
グルコース測定値及び／又はユーザ挙動情報が入力として提供されると、予測マネージャ４０８は、予測３１２を生成するように構成されている。１つ以上の実装態様によれば、予測マネージャ４０８は、グルコース測定値１１８の入力（例えば、時系列グルコース測定値４１０のフォーマットの）を追加データ４０４で補うことによって、予測３１２を生成するように更に構成されている。追加データ４０４は、ヒト１０２の将来のグルコースレベルに影響を与え得る様々な側面を記載するために使用可能な情報を表す。追加データ４０４は、（例えば、追加データ４０４に関連付けられたタイムスタンプに基づいて）グルコース測定値１１８と時間的に関連付け得る。そのような追加データ４０４は、限定ではなく例として、アプリケーション使用データ（例えば、表示されるユーザインターフェース及びユーザインターフェースを介したアプリケーションとのユーザ対話を記載するクリックストリームデータ）、モバイルデバイス又はスマートウォッチの加速度計データ（例えば、ヒトがデバイスのユーザインターフェースを表示したため、予測されたイベントに関連する警告又は情報を見た可能性が高いことを示す）、ユーザの現在又は計画されている活動に関する入力を要求する通知プロンプトへの明示的なフィードバック、投与されたインスリンを記載するデータ（例えば、タイミング及びインスリン用量）、摂取された食物を記載するデータ（例えば、食物摂取のタイミング、食物のタイプ、及び／又は摂取された炭水化物の量）、様々なセンサからの活動データ（例えば、歩数データ、実行されたワークアウト、又はユーザの活動又は運動を表す他のデータ）、ストレスに対するグルコースレベルの応答、それらの組み合わせなどを含み得る。
このように、追加データ４０４は、将来のグルコース測定値予測に影響を与え得る実際の履歴イベントの発生を記載する情報を含み得る。例えば、追加データ４０４が、ヒト１０２が木曜日の午後４時に運動したことを特定する情報を含む例示的なシナリオでは、追加データ４０４は、次の土曜日の午後１２時～午後１時に及ぶ時間間隔などある将来の時間間隔に関する予測を生成するための基礎として使用され得る。運動後の何時間にもわたって（例えば、４８時間以上）インスリンに対するヒト１０２の感受性に影響を与える筋肉の変化が起こるため、ヒト１０２が以前に運動した時期を確認する情報は、将来のインスリン投与イベントに関する正確な予測３１２を生成する上で重要である。したがって、運動イベントの発生を確認する追加データ４０４を考慮することにより、その後生成される予測３１２を使用して、潜在的な健康結果（例えば、遅発性運動後低血糖）を軽減する方法で、投与される正確な用量及び／又はタイプのインスリンを推奨することができる。
人の将来のグルコースレベルを示し得る側面の更なる例は、ヒト１０２の体温、環境温度、気圧、及び様々な健康状態（例えば、妊娠、病気など）の存在又は不在を含み得る。更に、人の将来のグルコースレベルを示し得る側面には、ほんの数例を挙げると、運動の側面（例えば、運動の頻度、持続時間、強度など）、睡眠（例えば、持続時間、質など）、ストレス（例えば、血圧、心拍数など）が含まれ得る。このように、追加データ４０４は、図３を参照して上で記載した補足データ３０４及び／又はサードパーティデータ３０８を含み得る。いくつかの実装態様では、追加データ４０４は、予測３１２を生成する際に、予測マネージャ４０８によって実装される１つ以上の機械学習モデルによって出力される情報を表し得る。
予測３１２を生成するために、予測マネージャは、図５に関して以下で更に詳細に図示され、説明されるように、機械学習モデル４１２のうちの１つからの出力を、機械学習モデル４１２のうちの他の機械学習モデルへの入力として提供することができるように、互いに対して積み重ねられた構成で配置された複数の機械学習モデル４１２を活用する。３つの異なる機械学習モデル４１２（１）、４１２（２）、及び４１２（ｎ）だけを含むように図示されているが、予測マネージャ４０８は、任意の数のｎ個の異なる機械学習モデル４１２を実装するように構成されており、ｎは、２以上の整数を表す。各機械学習モデル４１２は、入力データを処理し、入力データ内のパターンを認識し、認識されたパターンに基づいて予測された出力を生成するように訓練された機械学習モデルを表す。機械学習モデル４１２のうちの異なるものは、異なるタスク又は目的に従って訓練された機械学習モデルを表し得る。例えば、機械学習モデル４１２（１）は、追加データ４０４、グルコース測定値１１８、又は予測マネージャ４０８によって実装される１つ以上の他の機械学習モデル４１２からの出力のうちの１つ以上が提供される場合、ヒト１０２に対するグルコース測定値予測目標で訓練され得る。機械学習モデル４１２（２）及び４１２（ｎ）などの、機械学習モデルのうちの他のものは、インスリン投与イベント、運動イベント、食事イベント、睡眠又は他の回復イベント、ストレスイベントなどのうちの１つを個別に予測するなど、異なるイベント予測目的で訓練され得る。
複数の機械学習モデル４１２の各々は、ヒト１０２に特有である情報で訓練されることに加えて、ユーザ母集団の履歴追加データを使用して更に訓練され得る。このように、機械学習モデル４１２の各々によって生成される予測に関連付けられた精度及び信頼性は、グルコース測定値１１８、追加データ４０４、及び積み重ねられた構成の他の機械学習モデル４１２によって生成される予測を利用して、機械学習モデル４１２が訓練された予測を生成することによって、増加する。
１つ以上の実装態様では、予測マネージャ４０８によって入力として受信された追加データ４０４は、ＣＧＭプラットフォーム１１２のアプリケーションに関連付けられる。例えば、ＣＧＭプラットフォーム１１２のアプリケーションは、ユーザのコンピューティングデバイス（例えば、スマートフォン又はスマートウォッチ）で実行されて、グルコース測定値１１８をユーザに表示し得る（例えば、ＣＧＭプラットフォームのアプリケーションのユーザインターフェースにおいて）。このように、追加データ４０４は、ＣＧＭアプリケーションの異なる制御の画面ビュー又はユーザ選択に対応し得る。このようなアプリケーション使用データは、予測マネージャ４０８が、予測３１２の一部として含まれるイベント予測４１４が正確であるかどうか（例えば、イベント予測４１４によって示されるイベントが近づいているか、積極的に進行中であるか、又は正しくないかどうか）に関するフィードバックをユーザから受信することを可能にする。このフィードバックは、イベント予測４１４に関連付けられた信頼性レベルを割り当てるために使用し得、予測システム３１０によって更に使用されて、機械学習モデル４１２のうちの１つによって出力された予測情報を、積み重ねられた構成で配置された１つ以上の他の機械学習モデルに選択的に提供し得る。したがって、予測マネージャ４０８の個々の機械学習モデル４１２は、ヒト１０２に関連する様々なイベント応答（例えば、グルコースレベルの変化）に関連付けられたパターンを学習し、それに応じてそれぞれの予測を調整することができる。
一般に、予測マネージャ４０８によって出力されるイベント予測４１４は、グルコース測定値予測４１６が、生成される、ある時間間隔（例えば、時系列グルコース測定値４１０によって定義されるある時間間隔に続くある時間間隔）で、人に対する特定のタイプのイベントが発生するかどうかの予測を表す。グルコース測定値予測４１６は、予測マネージャ４０８の積み重ねられた機械学習モデル４１２のうちの１つによって生成された、出力された予測を表し得、１つ以上の訓練アプローチに基づいて、かつ履歴グルコース測定値１１８、追加データ４０４、又は積み重ねられた機械学習モデル４１２のうちの他のモデルによって生成された、出力された予測のうちの１つ以上を使用して、このモデルは次に訓練され得るか、又は基礎となるモデルが学習され得る。
機械学習モデル４１２のうちの１つによって出力されるグルコース測定値予測４１６は、他の機械学習モデル４１２のうちの１つ以上への入力として提供されて、イベント予測４１４を生成し得る。例えば、イベント予測４１２を生成するように訓練された機械学習モデル４１２は、ヒト１０２の運動への応答、食事を摂取することへの応答、ストレスへの応答、インスリン投与への応答、睡眠への応答、それらの組み合わせなどに関連付けられた、グルコースレベル変化に対応する、グルコースレベルのパターンなど、ヒト１０２に対する履歴情報に相関するグルコース測定値予測４１６のパターンを識別するように構成され得る。予測マネージャ４０８によって実装される機械学習モデル４１２の積み重ねられた構成を活用することによって、イベント予測４１４及びグルコース測定値予測４１６は各々、様々な機械学習モデル４１２を訓練し、予測３１２を生成する際に、予測システム３１０に提供される追加データ４０４を表し得る。機械学習モデル４１２の個々のモデルの訓練については、図１２に関して以下で更に詳細に説明する。
予測マネージャ４０８によって積み重ねられた構成で実装される各機械学習モデル４１２は、記載された技法の趣旨又は範囲から逸脱することなく、様々な異なる方法で実装され得る。各機械学習モデル４１２は、例えば、ある時間間隔にわたって収集された観察されたグルコースレベルのラベル付けされたストリームを入力として受信し、予期される出力を生成し得る。推定されたグルコース値のストリームは、特定のイベントの開始及び終了を定義するタイムスタンプ、並びに、特定のイベントに先行する、特定のイベントの間、及び特定のイベントの後のグルコースレベル及びその変化とともに、特定のイベントが特定の時間間隔中に発生したかどうかを示すためにラベル付けされる。このように、各機械学習モデルは、単一のモデル、又は複数のモデルを含むモデルの集合体として構成され得る。例示的な機械学習モデルには、ほんの数例を挙げると、例えば、ニューラルネットワーク（例えば、長短期記憶（ＬＳＴＭ）などのリカレントニューラルネットワーク）、状態機械、マルコフ連鎖、モンテカルロ法、及び粒子フィルタなどが含まれ得る。したがって、機械学習モデル４１２の積み重ねは、グルコース測定値予測及びそれに関連付けられたイベントを生成するために、観察されたグルコース値、及び観察されたグルコース値に対する様々な影響を記載するコンテキストデータの入力ストリームを分類するように構成されている。
例えば、１つ以上の実装態様に従って、イベント予測又はグルコース測定値予測のうちの１つ以上を生成するための、予測マネージャによって実装され得る、積み重ねられた構成で配置された複数の機械学習モデルの例示的な実装態様５００を描写する、図５を検討する。図示の例５００では、予測マネージャ４０８は、図４に関して図示及び紹介されたように、機械学習モデル４１２（１）、４１２（２）、及び４１２（ｎ）を含む。図示の例５００では、機械学習モデル４１２（１）は、グルコース測定値１１８又は追加データ４０４のうちの１つ以上が入力として提供されると、グルコース測定値予測４１６を出力するように構成された、グルコース予測モデル５０２として構成されている。機械学習モデル４１２（２）は、グルコース測定値１１８又は追加データ４０４のうちの１つ以上が入力として提供されると、イベント予測４１４（１）（例えば、今後の運動イベント）を出力するように構成された、運動予測モデル５０４として構成されている。機械学習モデル４１２（ｎ）は、グルコース測定値１１８又は追加データ４０４のうちの１つ以上が入力として提供されると、イベント予測４１４（２）（例えば、今後のインスリン投与イベント）を出力するように構成された、インスリン投与モデル５０６として構成されている。３つの異なる機械学習モデルを実装するものとしてのみ図示されているが、モデル４１２（２）及び４１２（ｎ）、並びにそれらの対応する予測４１４（１）及び４１４（２）を分離する楕円によって示されるように、予測マネージャ４０８は、任意の数の複数の機械学習モデルを実装して予測３１２を生成するように構成されている。また、積み重ねが３つのモデルを含む場合、積み重ねの３つのモデルは、以下に図示され、考察されるものとは異なるモデルの組み合わせであり得る。
いずれの場合でも、機械学習モデル４１２（１）、４１２（２）、及び４１２（ｎ）によって生成された各出力は、出力された予測の信頼性に更に関連付けられ得る。機械学習モデル４１２によって生成された予測された出力が、イベント予測４１４に対応する場合、イベント予測４１４は、イベント予測に関連付けられた信頼性値、及び特定のイベントの前、最中、及び後に、ヒト１０２に対する予期されるグルコースレベルの変化など、特定のイベントに関連付けられた予期される応答の両方を指定し得る。例えば、グルコース測定値予測４１６は、グルコース測定値予測４１６が、特定のユーザに対する将来の実際のグルコース測定値（例えば、ヒト１０２に対する将来のグルコース測定値１１８）と一致する可能性を示す、スコア又は値を表す、関連付けられた信頼性５０８を有するように描写されている。同様に、イベント予測４１４（１）及び４１４（２）はそれぞれ、グルコース測定値予測４１６が生成される時間ステップ中に対応するイベントが発生するかどうかを示す、関連する信頼性値５１２及び５１６を有するものとして出力される。
出力された予測に関連付けられた信頼性値は、０及び１を含む０～１の値として表され得、０は、出力された予測が不正確であることを示し、１は、予測が正確であることを示す。信頼性値５１２及び５１６を指定することに加えて、機械学習モデル４１２（２）及び４１２（ｎ）は、イベント予測４１４（１）及び４１４（２）にそれぞれ関連付けられた予期される応答５１０及び５１４を記載するように構成され得る。各予期される応答５１０及び５１４は、対応するイベントに関連付けられた応答（例えば、グルコースレベルの変化）を記載するために使用可能な情報を含む。
例えば、図示の例５００では、応答５１０は、運動活動の結果として生じる予期されるグルコースレベルの低下を示し得る。同様に、応答５１４は、インスリン投与イベントの結果として生じる予期されるグルコースレベルの上昇を示し得る。応答５１０及び５１４は、ユーザ母集団１１０などのユーザ母集団の様々な異なるユーザに関する集約された情報に基づき得、ヒト１０２などの特定のユーザに合わせて調整し得、又はそれらの組み合わせであり得る。このように、応答５１０及び５１４は、１つ以上の特定のイベントの発生又はその欠如を説明する、ヒト１０２に対して生成されたグルコース測定値予測４１６に対する予期される影響を記載する特定の値を含み得る。
応答５１０及び５１４は、将来のグルコース測定値に対するそれぞれのイベント効果に関連付けられた予期されるタイミングを更に指定し得る。例えば、応答５１０は、ヒト１０２のグルコースレベルが、運動活動が開始されてから１０分後に最初のレベルまで低下し始め、運動活動の完了後１１時間の間、最初のレベル付近（例えば、５％の差以内）にとどまることを指定する情報を含み得る。この例を続けると、応答５１４は、ヒト１０２のグルコースレベルが、インスリン投与イベントの発生から５分後に第１の速度で低下し始め、インスリン投与イベントの完了の約２時間後に、グルコースレベルが第２のレベルに達することを指定する情報を含み得る。応答５１４は、グルコースレベルが、インスリン投与イベントの約４時間後まで第２のレベルに留まる可能性が高いことを更に指定し得、その時点において、グルコースレベルは、インスリン投与イベントの完了から約５時間～８時間後に第３のレベルに達するまで、第２の速度で増加する可能性がある。したがって、イベント予測４１４に関連付けられた応答（例えば、応答５１０及び５１４）は、個人のグルコースレベルが、対応するイベントによって、いつ及びどのように影響を受けると予期されるかを記載する任意の範囲の情報を表す。
イベント予測４１４の関連付けられた応答が、様々な機械学習モデル４１２によって出力されるグルコース測定値予測４１６及び他のイベント予測４１４に影響を与え得ること、及びグルコース測定値予測４１６が、イベント予測４１４に影響を与え得ることを認識し、予測マネージャは、機械学習モデル４１２のうちの１つ以上の出力を、機械学習モデル４１２のうちの異なるモデルに（例えば、追加データ４０４として）選択的に提供するように構成されている。予測マネージャ４０８によって実装される１つの機械学習モデル４１２の出力を他の機械学習モデル４１２に提供するこの能力は、それらの積み重ねられた構成によって可能になり、図５の図示される例において破線の矢印として図示されるフィードバックループ５１８によって表される。
１つ以上の実装態様によれば、予測マネージャ４０８は、様々な機械学習モデル４１２（１）、４１２（２）、及び４１２（ｎ）のどの出力が、機械学習モデルへの入力として提供されるかを選択的にフィルタリングする。この選択的フィルタリングは、機械学習モデル４１２のうちの１つ以上の出力された精度に悪影響を与えることを回避するために、特定の出力に関連付けられた信頼性レベル（例えば、信頼性レベル５０８、５１２、又は５１６）に少なくとも部分的に基づき得る。例えば、予測マネージャ４０８は、対応する出力された予測が、起こる可能性が高い場合にのみ（例えば、９０％以上の信頼性などの信頼性閾値を満たす関連付けられた信頼性５０８、５１２、又は５１６を有する）、機械学習モデル４１２への入力として、グルコース測定値４１６又はイベント予測４１４（１）及び４１４（２）のうちの１つ以上を提供し得る。代替的又は追加的に、信頼性５０８、５１２、５１６を使用して、下流のモデルへの入力時に、グルコース測定値予測４１６又はイベント予測４１４（１）及び４１４（２）の影響を重み付けし得る。特定の時間ステップに対して選択的な出力された予測を提供するか、又は（信頼性に従って）精度の低い予測への依存を減らすことによって、予測マネージャ４０８は、積み重ねられた機械学習モデル４１２のうちの１つ以上に対する、出力された予測の精度を改善するように構成されている。
例えば、グルコース予測モデル５０２が、高い信頼性５０８（例えば、９５％の信頼性）を有するグルコース測定値予測４１６を生成する例示的なシナリオを検討する。信頼性５０８が信頼性閾値（例えば、９０％の信頼性）を満たすと決定することに応答して、予測マネージャ４０８は、運動予測モデル５０４及びインスリン投与予測モデル５０６に、特定の時間ステップに対するグルコース測定値予測４１６を提供するように構成されている。グルコース測定値予測４１６を入力として使用して、運動予測モデル５０４は、グルコース測定値予測４１６が、ユーザが時間ステップ中に運動する可能性が高いことを示すイベントプロファイル（例えば、グルコース測定値のパターン）に対応することを認識し、ユーザが時間ステップ中に運動イベントを受けることを示すイベント予測４１４（１）を出力し得る。したがって、応答５１０は、運動イベントから生じると予想されるグルコースレベルの予期される変化、又は他のタイプの応答を示し得る。
信頼性５１２は、グルコース測定値予測４１６が生成された時間ステップ中に、運動イベントが発生する確実性の程度を表し、１つ以上の追加要因とともにグルコース測定値予測４１６によって影響を受け得る。例えば、運動予測モデル５０４への入力として提供される追加データ４０４は、特定のユーザが、平日の午後４時～午後５時に運動することを示し、グルコース測定値予測４１６が生成される時間ステップが、水曜日の午後４時に始まることを示し得る。更に、運動予測モデル５０４は、グルコース測定値予測４１６の１つ以上の値が、特定のユーザの運動イベントプロファイルのグルコースレベルと相関することを識別し得る。この例示的な情報に基づいて、信頼性５１２は、特定のユーザが、グルコース測定値予測４１６が生成された時間ステップ中に運動している可能性が高い（例えば、９６％の可能性がある）ことを示し得る。
次に、運動イベント予測４１４（１）に対する信頼性５１２が、信頼性閾値を満たすと決定することに応答して、応答５１０は、積み重ねられた機械学習モデル４１２のうちの１つ以上へのフィードバックとして、それぞれの予測４１６、４１４（１）、及び４１４（２）を生成する際に使用するために提供され得る。例えば、応答５１０は、ワークアウト後の特定のユーザのグルコースレベルを記載する履歴情報を活用し得る、後続のグルコース測定値予測４１６を生成するために、グルコース予測モデル５０２への入力として提供され得る。同様に、応答５１０は、インスリン投与予測モデル５０６によって活用されて、特定のユーザが、運動中にインスリンを投与する可能性が低いことを識別し、それによって、そうしないと、ユーザが、イベント予測４１４（２）が生成される時間ステップ中に運動している可能性が高いことを知らずに生じる可能性がある、インスリン投与イベント予測に対する信頼性５１６を軽減し得る。
機械学習モデルの例示的な積み重ねられた構成を検討してきたが、ここで、本明細書に記載する技法に従って、予測マネージャ４０８によって実装される積み重ねられた機械学習モデルのパイプラインに提供される特定の入力、及びパイプラインによって生成される出力の例示的な実装態様を検討する。
図６は、イベント予測又はグルコース測定値予測のうちの少なくとも１つを生成するための、予測マネージャ４０８によって実装され得る、積み重ねられた構成で配置された複数の機械学習モデル４１２（１）～４１２（ｎ）の例示的な実装態様６００を描写する。図示の例６００では、予測マネージャ４０８は、機械学習モデル４１２（１）、４１２（２）、４１２（３）、及び４１２（ｎ）を含み、これらは、図４に関して上で紹介され説明されている、予測マネージャ４０８によって実装され得る様々な機械学習モデルを表す。具体的には、図示の例６００では、機械学習モデル４１２（１）は、グルコース予測モデル６０２として構成されており、機械学習モデル４１２（２）は、食事予測モデル６０４として構成されており、機械学習モデル４１２（３）は、インスリン投与予測モデル６０６として構成されており、機械学習モデル４１２（ｎ）は、グルコース予測モデル６０８として構成されている。
グルコース予測モデル６０２は、グルコース測定値１１８に基づくなど、１つ以上の入力に基づいて、グルコース測定値予測６１０を生成及び出力する予測マネージャ４０８の機能性を表す。代替的又は追加的に、実施例６００には図示されていないが、グルコース予測モデル６０２は、追加データ４０４に基づくなど、グルコース測定値１１８以外の入力データに基づいて、グルコース測定値予測６１０を生成するように構成され得る。したがって、グルコース測定値予測６１０は、図４に関して紹介されたグルコース測定値４１６のインスタンスを表し、グルコース測定値予測６１０が、グルコース予測モデル６０２によって生成され得る特定の方法は、図８に関して以下で更に詳細に説明される。
積み重ねられた構成で構成されるため、グルコース予測モデル６０２によって出力されるグルコース測定値予測６１０は、それぞれの出力を生成する際に使用するために、食事予測モデル６０４への入力として提供され得る。グルコース測定値予測６１０を入力として受信することに加えて、食事予測モデル６０４は、例６００においてユーザ挙動情報６１２として図示される追加情報４０４を受信するように更に構成されている。したがって、ユーザ挙動情報６１２は、食事予測モデル６０４が訓練されて、その出力された食事イベント予測６１４を生成する際に処理する情報の任意の好適なタイプ及び／又はフォーマットを表し、食事イベント予測６１４は、イベント予測４１４のインスタンスを表す。
例えば、ユーザ挙動情報６１２は、予測３１２が生成される特定のユーザの履歴食事スケジュールを特定し得る（例えば、ヒト１０２が通常、平日は午前１１時３０分、週末は午後１時に昼食を摂取することを指定する情報、１日の様々な時間におけるヒト１０２に対する平均カロリー摂取値を特定する情報など）。代替的又は追加的に、ユーザ挙動情報６１２は、食事予測モデル６０４によって識別可能なパターンに相関する特定のユーザに対する位置情報を指定して、特定のユーザが、今後の時間間隔中に食事をする可能性が高いこと（例えば、ヒト１０２が、現在レストランにいることを示す情報、ヒト１０２が、食料品店から出発したことを示す情報など）を示し得る。代替的又は追加的に、ユーザ挙動情報６１２は、１つ以上のサードパーティアプリケーションに関連付けられたデータ（例えば、ヒト１０２のソーシャルメディアアカウントにアップロードされた食事の画像、食品配達サービスによる注文の発注、カレンダーに保存されたレストラン予約情報など）を含み得る。このように、ユーザ挙動情報６１２は、上記の例に限定されるものではなく、食事予測モデル６０４によって入力として処理されて、それぞれのイベント予測４１４（例えば、食事イベント予測６１４）を生成し得る任意の好適なタイプ及び／又はフォーマットの情報を表す。
グルコース測定値予測６１０及び／又はユーザ挙動情報６１２は、予測マネージャ４０８によって生成された多特徴ベクトルを介した入力など、任意の好適な方法での食事予測モデル６０４による入力として受信され得、少なくとも１つのベクトル特徴は、グルコース測定値予測６１０を表し、少なくとも１つのベクトル特徴は、ユーザ挙動情報６１２を表す。実装態様では、グルコース測定値予測６１０又はユーザ挙動情報６１２のうちの１つ以上は、食事予測モデル６０４が訓練されたデータタイプ／フォーマットとは異なるデータタイプ／フォーマットとして、予測マネージャ４０８によって受信され得る。そのような実装態様では、予測マネージャ４０８は、食事予測モデル６０４が、信頼できる出力を生成するように訓練されたデータタイプ／フォーマットにデータを構成するなど、食事予測モデル６０４への入力として提供されるデータを処理するように更に構成されている。このように、食事予測モデル６０４は、グルコース測定値予測６１０及びユーザ挙動情報６１２の両方を活用して、ユーザが、食事イベントを経験する可能性があるかどうか（例えば、ユーザが、今後の時間間隔中、食事をする可能性があるかどうか、食事に関連付けられた予想されるカロリー摂取量、食事イベントに関連付けられた予期されるグルコースレベル応答、それらの組み合わせなど）に関する、情報に基づいた予測を行うように構成されている。
食事イベント予測６１４及びその関連付けられた情報（例えば、信頼性スコア、予期されるグルコースレベル応答など）は、その後、それぞれの出力を生成する際に使用するために、インスリン投与予測モデル６０６への入力として提供され得る。食事イベント予測６１４を入力として受信することに加えて、インスリン投与予測モデル６０６は、追加データ４０４のインスタンスを表すユーザ挙動情報６１６を受信するように構成され得る。したがって、ユーザ挙動情報６１６は、インスリン投与予測モデル６０６が、訓練されて、イベント予測４１４のインスタンスを表すインスリン投与イベント予測６１８を生成及び出力する際に処理する、任意の好適なタイプ及び／又はフォーマットの情報を表す。
例えば、ユーザ挙動情報６１６は、予測３１２が生成される特定のユーザに対するインスリン投与スケジュールを記載し得る（例えば、ヒト１０２によって一般的に投与されるインスリンのタイプを特定する情報、ヒト１０２がインスリンを投与する、食事前の通常の時間を特定する情報など）。代替的又は追加的に、ユーザ挙動情報６１６は、インスリン送達システム１０６によって提供される情報（例えば、過去の期間にわたるインスリン投与イベントを記載する情報、インスリンの特定の用量を記載する情報など）を表し得る。代替的又は追加的に、ユーザ挙動情報６１６は、インスリンの特定の用量が、ヒト１０２のグルコースレベルにどのように影響するか（例えば、異なるインスリンタイプ及び／又は投与量に基づくグルコースレベル応答を記載する情報）を記載し得る。このように、ユーザ挙動情報６１６は、上記の例に限定されるものではなく、インスリン投与予測モデル６０６による入力として処理されて、それぞれのインスリン投与予測モデル６０６を生成し、インスリン投与イベント予測６１８を生成し得る任意の好適な情報を表す。
食事イベント予測６１４及びユーザ挙動情報６１６のうちの一方又は両方は、予測マネージャ４０８によって生成された多特徴ベクトルを介した入力など、任意の好適な方法でのインスリン投与予測モデル６０６による入力として受信され得、少なくとも１つのベクトル特徴は、食事イベント予測６１４を表し、少なくとも１つのベクトル特徴は、ユーザ挙動情報６１６を表す。実装態様では、食事イベント予測６１４又はユーザ挙動情報６１６のうちの１つ以上は、インスリン投与予測モデル６０６が、信頼できる出力を生成するように訓練されたデータタイプ／フォーマットとは異なるデータタイプ／フォーマットとして、予測マネージャ４０８によって受信され得る。そのような実装態様では、予測マネージャ４０８は、インスリン投与予測モデル６０６の適切なデータタイプ／フォーマットに情報を構成するなど、インスリン投与予測モデル６０６への入力として提供されるデータを処理するように更に構成されている。このように、インスリン投与予測モデル６０６は、他の機械学習モデルとの積み重ねられた構成での配置によって、グルコース測定値１１８、グルコース測定値予測６１０、ユーザ挙動情報６１２、食事イベント予測６１４、又はユーザ挙動情報６１６のうちの１つ以上に記載された情報を、インスリン投与イベントが次の時間間隔中に発生するかどうかを予測する際に活用するように構成されている。したがって、インスリン投与イベント予測６１８は、インスリン投与が発生するかどうか、インスリン投与に関連付けられた信頼性、インスリン投与に関連付けられた予期されるグルコース応答、それらの組み合わせなどに関する指標を表す。
次いで、インスリン投与モデル６０６によって出力されたインスリン投与イベント予測６１８は、積み重ねられた機械学習モデル４１２（１）～（ｎ）を使用して予測３１２を生成する計算フローにおける最も遠い「下流」モデルを表す、グルコース予測モデル６０８への入力として提供することができる。図示の例６００では、グルコース予測モデル６０８は、グルコース測定値予測４１６を含み得る予測３１２を生成するための予測マネージャ４０８の機能性を表す。このように、予測３１２によって指定されたグルコース測定値予測は、グルコース測定値１１８を超えたコンテキスト情報を考慮することによって（例えば、ユーザ挙動情報６１２、６１６、並びに食事及びインスリン投与予測６１４及び６１８によって指定される情報を考慮することによって）精度が向上したグルコース測定値予測６１０のインスタンスを表す。したがって、予測３１２は、将来の時間ステップ中に発生する１つ以上のイベントの可能性を考慮することによって、将来の時間ステップにわたる特定のユーザのグルコースレベルをより正確に反映するグルコース測定値４１６を表し得る。
予測マネージャ４０８の機能性は、最初にグルコース測定値を受信すること、グルコース測定値を使用して、グルコース測定値予測を生成すること、及びグルコース測定値予測を、積み重ねられた構成で配置された１つ以上の下流の機械学習モデルへの入力として使用することに関してこれまで説明されてきたが、本明細書に記載する技法はこれに限定されない。例えば、いくつかの実装態様では、積み重ねられた機械学習モデル４１２（１）～（ｎ）への初期入力は、追加データ４０４として本明細書で表されるユーザ挙動情報など、グルコース測定値１１８によって明示的に記載されていない情報であり得る。いくつかの実装態様では、積み重ねられた機械学習モデル４１２（１）～（ｎ）は、積み重ねられた機械学習モデル４１２（１）～（ｎ）によって実行される動作の流れが、グルコース測定値予測を生成することで開始しないように、グルコース予測モデル６０２を除外し得る。例えば、図７に図示した例を検討する。
図７は、イベント予測又はグルコース測定値予測のうちの少なくとも１つを生成するための、予測マネージャ４０８によって実装され得る、積み重ねられた構成で配置された複数の機械学習モデル４１２（１）～４１２（ｎ）の例示的な実装態様７００を描写する。図示の例７００では、予測マネージャ４０８は、機械学習モデル４１２（１）、４１２（２）、４１２（３）、及び４１２（ｎ）を含み、これらは、図４に関して上で紹介され説明されている、予測マネージャ４０８によって実装され得る様々な機械学習モデルを表す。具体的には、図示の例７００では、機械学習モデル４１２（１）は、運動予測モデル７０２として構成されており、機械学習モデル４１２（２）は、インスリン投与予測モデル７０４として構成されており、機械学習モデル４１２（３）は、食事予測モデル７０６として構成されており、機械学習モデル４１２（ｎ）は、グルコース予測モデル７０８として構成されている。
運動予測モデル７０２は、追加データ４０４及び／又はグルコース測定値１１８のうちの１つ以上のインスタンスを表し得るモデル固有データ７１０を処理し、イベント予測４１４（１）を生成するための、予測マネージャ４０８の機能性を表す。図示の例７００の状況において、イベント予測４１４（１）は、特定のユーザが、将来の時間間隔中に運動するかどうかの予測に対応し得、予測に関連付けられた信頼性レベルを指定する情報、運動への特定のユーザの予期される応答などを更に含み得る。
インスリン投与予測モデル７０４は、追加データ４０４及び／又はグルコース測定値１１８のうちの１つ以上のインスタンスを表し得るモデル固有データ７１２を処理し、イベント予測４１４（２）を生成する予測マネージャ４０８の機能を表す。例７００の文脈では、イベント予測４１４（２）は、特定のユーザが、将来の時間間隔中にインスリンを投与するかどうか（及び場合によっては、インスリンが投与されるタイプ、量、及び時間）、インスリン投与予測に関連する信頼性レベルを指定するかどうか、インスリン投与に対する特定のユーザの予期されるグルコースレベル応答を指定するかどうか、などの予測に対応し得る。
食事予測モデル７０６は、グルコース測定値１１８及び／又は追加データ４０４の１つ以上のインスタンスを表し得るモデル固有データ７１４を処理し、イベント予測４１４（３）を生成するための、予測マネージャ４０８の機能性を表す。例７００の状況では、イベント予測４１４（３）は、特定のユーザが、将来の時間間隔中に食事をするかどうか、食事イベント予測に関連付けられた信頼性レベルを指定するかどうか、食事することへの特定のユーザの予期されるグルコースレベル応答を指定するかどうか、などの予測に対応し得る。
このように、モデル固有データ７１０、７１２、及び７１４のインスタンスは、グルコース測定値１１８に明示的に反映され得ないユーザの挙動を記載する任意の情報を表す。したがって、モデル固有データ７１０、７１２、及び７１４の様々なインスタンスの特定の属性又は特性は、対応する機械学習モデル４１２（１）、４１２（２）、又は４１２（３）が、それぞれのイベント予測４１４（１）、４１４（２）、又は４１４（３）を生成するように訓練されるデータタイプ及び／又はデータフォーマットに依存する。
次いで、イベント予測４１４（１）、４１４（２）、又は４１４（３）のうちの１つ以上を、予測３１２を生成する際に使用するために、グルコース予測モデル７０８に提供し得る。イベント予測４１４（１）、４１４（２）、及び４１４（３）をグルコース予測モデル７０８への入力として提供するかどうかの決定は、イベント予想に関連付けられたそれぞれの信頼性スコア及びそれぞれの信頼性閾値に依存し得る。このように、グルコース予測モデル７０８には、情報が信頼できるとみなされる場合にのみ、積み重ねられた構成で配置された少なくとも１つの他の機械学習モデルによって出力された情報が提供される。予測３１２がグルコース測定値予測４１６を表す実装態様では、グルコース予測モデル７０８は、予測３１２が、グルコース測定値１１８を超えるコンテキスト情報を考慮せずに生成された予測と比較して、より正確なグルコース測定値予測を表すように、イベント予測４１４（１）、４１４（２）、又は４１４（３）のうちの１つ以上の入力を、グルコース測定値１１８で補足し得る。
代替的又は追加的に、予測３１２は、イベント予測４１４（１）を予測３１２に接続する矢印によって示されるように、運動予測モデル７０２、インスリン投与予測モデル７０４、又は食事予測モデル７０６によって出力されるイベント予測４１４（１）、４１４（２）、又は４１４（３）のうちの１つ以上などのイベント予測を表し得る。このように、予測３１２は、履歴グルコース測定値を超える情報を無視するか、又は追加データ４０４の考慮によって本明細書で表されるように、使用者の将来のグルコースレベルに影響を与え得るイベントの発生を説明できない従来のシステムとは対照的に、予測システム３１０によって使用可能な情報を表し、ユーザの健康及び幸福についてよりよく知らされる。
機械学習モデル４１２が、グルコース測定値１１８及び／又は追加データ４０４に基づいて予測を生成する方法のより詳細な例について、ここで図８を検討する。
図８は、図３の予測システムによって実装される積み重ねられた機械学習モデルのうちの１つが、グルコース測定値１１８に基づいて、グルコース測定値予測４１６を生成する、例示的な実装態様８００を描写する。
図示の例８００は、グルコース測定値１１８及びグルコース測定値予測４１６を含む。グルコース測定値１１８は、グルコース予測モデル５０２など、モデルマネージャ４０８によって実装される機械学習モデル４１２のうちの１つのステップへの入力として示され、グルコース測定値予測４１６は、ステップからの出力として描写される。グルコース予測モデル５０２の様々なステップは、５０２（１）～（５）として表され、これは、グルコース予測モデル５０２が、ＬＳＴＭネットワークなどのリカレントニューラルネットワークとして構成されるシナリオを表し得る。ＬＳＴＭネットワークとして構成される場合、機械学習モデルのステップ５０２（１）～（５）は、ネットワークの反復モジュールを表し得る。
図示の例８００は、第１のグルコーストレース８０２、第２のグルコーストレース８０４、第３のグルコーストレース８０６、第（ｍ－１）のグルコーストレース８０８、及び第ｍのグルコーストレース８１０を含む、グルコーストレース８０２～８１０を更に描写する。各グルコーストレース８０２～８１０は、それぞれのトレースによって表されるグルコース情報の視覚化を含み、機械学習モデル５０２の連続ステップが、グルコース測定値予測４１６が生成される今後の時間ステップの離散セグメントを予測するためにどのように使用されるかを表す。このように、グルコース測定値１１８は、ヒト１０２に対する観察されたグルコース測定値１１８など、観察されたグルコース測定値を表す複数の点を含む。グルコース測定値１１８又は時系列グルコース測定値４１０が入力として提供されると、機械学習モデル５０２（１）は、グルコース測定値１１８に関連付けられた終了タイムスタンプ４０２の後に発生する、ヒト１０２に対する１つ以上の予測されたグルコース測定値を生成する。
次いで、グルコース測定値１１８を、１つ以上の予測されたグルコース測定値とともに、組み合わせて、第１のグルコーストレース８０２を形成し、これを機械学習モデル５０２（５）への入力として提供して、その予測された出力（例えば、第２のグルコーストレース８０４）を生成する。このプロセスは、グルコース測定値１１８によって記載された、観察されたグルコース測定値と、第１のグルコーストレース８０２によって記載された、予測されたグルコース測定値を維持する第２のグルコーストレース８０４に続き、機械学習モデル５０２（３）への入力として提供されて、第３のグルコーストレース８０６を生成する。このようにして、機械学習モデルの最終（第ｍ）の段階が、グルコース測定値１１８及びグルコース測定値予測４１６の両方を記載する情報を含む、第ｍのグルコーストレース８１０を出力するまで、追加の予測されたグルコース測定情報が、機械学習モデル５０２の後続段階に提供される。
５つの段階を含むように描写されるが、予測マネージャ４０８によって実装される機械学習モデル４１２は、任意のｍ個の段階を含み得、ｍは、３以上の整数を表す。更に、予測マネージャ４０８によって実装される様々な機械学習モデル４１２のうちの異なるモデルは、互いに比較して、異なる数の段階を含み得る。機械学習モデル５０２（１）～５０２（５）の各段階は、それぞれの出力された予測（例えば、グルコーストレース８０２、８０４、…８１０のうちの１つ）を、モデル５０２の訓練、及びモデル段階に提供された対応する入力（例えば、グルコース測定値１１８又はグルコーストレース８０２、８０４、…８０８のうちの１つ）における認識されたパターンに基づいて、生成するように構成されている。
機械学習モデル５０２は、予測マネージャ４０８によって、少なくとも１つの他の機械学習モデルとともに、積み重ねられた構成で実装されるため、機械学習モデル５０２の段階のうちの１つ以上への入力は、機械学習モデル５０２（１）～５０２（５）の各段階への入力を描写する灰色の影付き矢印によって表される、追加データ４０４で補足され得る。このように、追加データ４０４は、それぞれ、運動予測モデル５０４及びインスリン投与５０６によって生成されるイベント予測４１４（１）又は４１４（２）のうちの１つ以上など、積み重ねられた構成の別の機械学習モデルによって生成される、出力された予測を表し得る。次に、機械学習モデル５０２の段階のうちの１つ以上によって生成された予測に基づいたそれぞれのイベント予測４１４（１）及び４１４（２）。
例えば、第２のグルコーストレース８０４が、グルコース測定値予測４１６が生成される実行される時間ステップ中に、運動イベントが発生する可能性が高いかどうかの決定を行うために、運動予測モデル５０４への入力として提供される、例示的なシナリオを検討する。このシナリオでは、第２のグルコーストレース８０４で特定された訓練及びパターンに基づいて、運動予測モデル５０４は、グルコーストレース８０６、８０８、及び８１０にまたがる将来の時間など、将来の時間ステップで、運動イベントが発生する可能性が高いことを示す、イベント予測４１４（１）を生成し得る。そのようなシナリオでは、運動予測モデル５０４は、第２のグルコーストレース８０４から、ヒト１０２が、高い信頼度５１２で運動応答５１０（例えば、運動イベントによるグルコースレベルの変化）を経験する可能性が高いことを特定し得る。次いで、この運動応答５１０は、グルコース測定値予測４１６を生成する際に使用される後続の出力が、運動することに対するヒト１０２のグルコースレベル応答を記載する履歴情報によって影響されるように、機械学習モデル５０２の後続の段階（例えば、５０２（３）～（５））への入力として提供され得る。
したがって、図５に描写されるフィードバックループ５１８は、予測マネージャ４０８が、機械学習モデル４１２のうちの異なるモデルの中間出力を、積み重ねられた構成で配置された機械学習モデル４１２のうちの他のモデルへの入力として提供して、積み重ねられたモデル構成を活用しない、又はモデル入力として履歴グルコース測定値のみを提供する従来のシステムと比較して、全体的なイベント予測４１４及びグルコース測定値予測４１６に関連付けられた精度を向上するための能力を表す。図５のフィードバックループ５１８は、追加データ４０４が、必ずしも、影付きの灰色の矢印の各々を介して入力として提供されないように、１つ以上の機械学習モデル段階５０２（１）～（５）への入力として選択的に提供され得る追加データ４０４を更に表す。
本明細書に記載するように、追加データ４０４は、予測マネージャ４０８によって実装される様々な積み重ねられた機械学習モデル４１２の出力以外のソースから取得される情報を更に表す。このように、追加データ４０４は、インスリン投与、炭水化物摂取、運動、ストレス、モバイルデバイス又はスマートウォッチの加速度計データ（例えば、人がデバイスのユーザインターフェースを表示したため、グルコース測定値に関連する警告又はグルコース測定値に関連する情報を見た可能性が高いことを示す）、アプリケーションデータ（例えば、表示されたユーザインターフェース及びユーザインターフェースを介したアプリケーションとのユーザ対話を記載するクリックストリームデータ）、環境温度、気圧、及び様々な健康状態（例えば、妊娠、病気など）の存在又は不在など、人の将来のグルコースレベルを示す任意のデータを表し得る。
予測マネージャ４０８によって実装される機械学習モデル４１２が、どのように、グルコース測定値１１８及び追加データ４０４を含む１つ以上の入力から、グルコース測定値予測４１６を出力するように構成されているかについての例示的な実装態様を検討してきたが、図９に関して、別の機械学習モデル４１２が、どのようにイベント予測４１４を出力するように構成されているかについての以下の説明を検討する。
図９は、時系列グルコース測定値４１０、グルコース測定値予測４１６、及び追加データ４０４を使用してイベント予測４１４を生成するための予測システム３１０の例示的な実装態様９００をより詳細に描写する。
図示の例９００では、データ９０２は、タイムスタンプ４０２を開始する午前１２時からタイムスタンプ４０２を終了する午後４時までの、ヒト１０２に対して観察されたグルコース測定値１１８を表し得る、例示的な時系列グルコース測定値４１０を記載する情報を含む。データ９０２は、グルコース予測モデル５０２による出力として、午後４時以降に生じるヒト１０２に対する予測されたグルコースレベルを表す、グルコース測定値予測４１６を更に含む。積み重ねられた機械学習モデル構成によって、データ９０２は、フィードバックループ５１８を介して、図５に図示するような、運動予測モデル５０４又はインスリン投与予測モデル５０６などのイベント予測４１４を生成するように構成された機械学習モデル４１２のうちの１つ以上に入力として提供される追加データ４０４を表し得る。
データ９０４は、イベントプロファイル９０６及び９０８を含むデータ９０２のインスタンスを表し、これらは各々、所与のユーザ又はユーザのコミュニティに対するグルコースレベルの履歴パターンを表し得、イベントの発生に対するグルコースレベルの予期される応答を示す。例えば、イベントプロファイル９０６は、運動イベントに対する予期されるグルコースレベル応答を表すことができ、各楕円は、運動イベントに対応するパターンを定義するグルコースレベルの範囲を表す。このようにして、グルコース測定値予測４１６が入力として提供されると、運動予測モデル５０４は、グルコース測定値予測４１６で示されるようなグルコースレベルのパターンが、運動イベント予測４１４（１）に対する予期される応答５１０に対応することを認識するように訓練され得る。そのような運動イベント予測４１４（１）に関連付けられた信頼性５１２は、運動イベントプロファイル９０６の楕円によって囲まれた値に対して、グルコース測定値予測４１６の様々なドットによって示される値に少なくとも部分的に基づき得る。
いくつかの実装態様では、運動イベント予測４１４（１）に対する信頼性５１２は、グルコース測定値予測４１６に対する追加のコンテキストを提供する追加データ４０４に基づいて影響を受け得る。例えば、イベントプロファイル９０８は、グルコース測定値予測４１６に先行する時系列グルコース測定値４１０の値に影響を与えた食事イベントに対応し得る。そのようなシナリオでは、食事イベントが実際に発生し、イベントプロファイル９０８の楕円によって囲まれた対応するグルコース値に影響を与えたかどうかを示す信頼性値は、様々な要因に基づいて決定され得る。例えば、信頼性値は、食事イベントが午前９時１５分に開始されたことを確認する明示的なユーザフィードバックによって影響を受け得、グルコース測定値予測４１６が生成される特定のユーザが、通常午前９時１５分に朝食を食べることを示す履歴データによって影響を受け得、その組み合わせなどであり得る。いくつかの実装態様では、予測マネージャ４０８によって実装される機械学習モデル４１２（１）～（ｎ）のうちの１つ以上は、履歴情報（例えば、履歴グルコース測定値１１８）を分析し、かつ予測に対する信頼性値とともに、履歴情報に含まれる期間にわたって、１つ以上のグルコースレベルに影響を与えるイベントが発生したかどうかについての予測を生成するように構成され得る。このようにして、明示的なユーザフィードバックを活用することに加えて、予測マネージャ４０８は、履歴ユーザデータを分析及びラベル付けして、予測システム３１０によって出力された予測３１２に関連付けられた予測精度を改善するように構成されている。
関連付けられた信頼性値に基づいて、イベントプロファイル９０８によって記載される食事イベントの発生に関する情報は、運動イベント予測出力４１４（１）を生成する際に、運動予測モデル５０４への入力として追加データ４０４の形態で提供され得る。図１２に関して以下で更に詳細に説明する、運動予測モデル５０４を訓練することにより、運動予測モデル５０４は、この以前のイベント情報を利用して、運動イベント予測４１４（１）に関連付けられた信頼性５１２のレベルに影響を与え得る。例えば、運動予測モデル５０４は、イベントプロファイル９０６及び９０８に対応するイベント間の時間間隔が、特定のユーザに対する朝食の食事イベントと午後のワークアウトイベントとの間の履歴時間間隔と相関することを識別するために、様々なイベント応答間の相関関係を識別するように訓練され得る。
このように、イベントプロファイル９０８は、機械学習モデル４１２のうちの１つによって出力される、関連付けられた高い信頼性を有するイベント予測４１４に対応し得る。したがって、イベント予測４１４は、追加データ４０４の形態で運動予測モデル５０４への入力として提供されて、イベントプロファイル９０６と一致するグルコース測定値予測４１６の値に対応する運動イベント予測４１４（１）を生成し得る。積み重ねられた構成の他の機械学習モデル４１２の出力に悪影響を与えることを回避するために、特定の機械学習モデル４１２の出力を、積み重ねの他の機械学習モデルに提供される追加データ４０４に含めるべきかどうかについての決定が、図１０に関して以下で更に詳細に説明するように、予測に関連付けられた信頼性に基づいて実行される。
図１０は、予測システム３１０の例示的な実装態様１０００を、１つ以上の実装態様に従って、イベント予測４１４及びグルコース測定値予測４１６をフィルタリングし、フィルタリングされたイベント予測４１４及びグルコース測定値予測４１６に対する通知３１４を生成するものとして描写する。
図示の例１０００では、予測システム３１０は、予測マネージャ４０８によって実装された機械学習モデル４１２（１）～（ｎ）の積み重ねられた構成によって出力されるイベント予測４１４及びグルコース測定値予測４１６を受信するように構成されている、信頼性フィルタリングマネージャ１００２を含む。フィルタリングマネージャ１００２は、予測マネージャ４０８によって出力されるイベント予測４１４及びグルコース測定値予測４１６に含まれる情報の全て又はサブセット（例えば、適切なサブセット）を表す、フィルタリングされたデータ１００４を生成するための、予測システム３１０の機能性を表す。例えば、フィルタリングされたデータ１００４は、特定の時間ステップにわたる特定のユーザに対する将来のグルコース測定値予測４１６、並びに、将来の時間ステップ中に発生する、それぞれ、運動イベント及びインスリン投与イベントによる特定のユーザに対する予期された応答５１０及び５１４を表し得る。
フィルタ処理されたデータ１００４内のそれぞれの運動及びインスリン投与イベントに対する、特定のユーザの予期される応答５１０及び５１４を記載する情報が、運動イベント及びインスリン投与イベントに関連付けられたそれぞれの信頼性レベル５１２及び５１６に基づいて、実行され得るかどうかに関する決定。例えば、応答５１０は、信頼性５１２が、信頼性閾値（例えば、運動イベント予測４１４（１）が起こる可能性が高いことを示す閾値）を満たす場合にのみ、フィルタリングされたデータ１００４に含まれ得る。同様に、応答５１４は、信頼性５１６が、信頼性閾値（例えば、インスリン投与イベント予測４１４（２）が起こる可能性が高いことを示す閾値）を満たさないことを決定することに応答して、フィルタリングされたデータ１００４から除外され得る。
フィルタリングされたデータ１００４に含まれる情報は、フィルタリングされたデータ１００４が、図５に描写するように、モデル入力を表す影付きの矢印と同様に、機械学習モデル４１２の１つ以上の段階に提供される追加データ４０４を表し得ることを示すための、影付の矢印１００６によって示されるように、積み重ねられた機械学習モデル４１２（１）～（ｎ）のうちの１つ以上への入力として選択的に提供され得る。いくつかの実装態様では、フィルタリングされたデータ１００４は、通知３１４のうちの１つ以上を生成するために、予測システム１０１０によって更に活用され得る。通知３１４を生成するための予測システム３１０の機能性は、通知マネージャ１００８を含めることによって表される。
通知マネージャ１００８は、予測マネージャ４０８によって出力された、様々なイベント予測４１４及びグルコース測定値予測４１６に基づいて、通知３１４を生成及び送達するように構成されている。いくつかの実装態様では、通知３１４は、イベント予測４１４及びグルコース測定値予測４１６に関する特定のユーザからのフィードバックを要求する１つ以上のプロンプト１０１０を含み得る。例えば、通知３１４は、ユーザが、今後の時間ステップ中にインスリン投与イベントを経験すると予測されることを示し得、プロンプト１０１０は、今後の時間ステップ中にインスリン投与イベントが発生するかどうかをユーザが確認することを要求し得る。同様に、通知３１４は、ユーザが、グルコース測定値に含まれる情報に基づいて現在運動していると識別されたことを示し得、プロンプト１０１０は、ユーザが、現在運動イベントに関与しているかどうかを確認すること、及びユーザが、運動イベントに関する更なる詳細を提供することを要求し得る。
１つ以上のプロンプト１０１０に加えて、通知は、１つ以上のイベント予測４１４又は１つ以上のグルコース測定値予測４１６に関する他の情報を含み得る。例えば、通知３１４は、通知３１４が、グルコース測定値予測４１６が、危険なグルコースレベルを含むという警告に関係する場合、軽減措置を取るための推奨を含み得る。代替的又は追加的に、通知３１４は、図５に図示するように、信頼性５０８、５１２、及び５１６によって表される信頼性スコアなど、予測に関連付けられた信頼性スコアを記載する情報を含み得る。
１つ以上の実装態様では、通知マネージャ１００８によって生成される通知３１４は、少なくとも部分的に、通知３１４が関係する、イベント予測４１４及び／又はグルコース測定値予測４１６に関係する信頼性スコアに基づき得る。通知マネージャ１００８は、例えば、予測に関連付けられた信頼性レベルに部分的に基づいて、異なるプロンプト１０１０、警告、推奨、又は他のメッセージを提供し得る。
通知３１４をユーザに出力する状況において、イベント予測４１４又はグルコース測定値予測４１６のうちの１つ以上に基づいてユーザに通知するために表示されるユーザインターフェースの例示的な実装態様１１００を描写する図１１を検討する。
図１１の図示されている例では、コンピューティングデバイス１０８は、イベント予測４１４及び／又はグルコース測定値予測４１６のうちの１つ以上に関連するユーザフィードバックを要求する１つ以上のプロンプト１０１０を含む通知３１４を出力する様々なシナリオ１１０２及び１１０４で描写されている。予測システム３１０は、自動的に、又はユーザ要求に応答して、通知３１４を生成し、ユーザに出力するように構成されている。いくつかのユーザは、これらの予測を自動的に（例えば、予測システム３１０によって生成されるときに）受信することを好み得るが、他のユーザは、要求されたときだけこれらの予測を受信することのみを好み得るので、この決定は、ユーザ構成可能であり得る。
シナリオ１１０２では、コンピューティングデバイス１０８は、ユーザインターフェース１１０６を表示する。ユーザインターフェース１１０６は、アプリケーションのインターフェース（例えば、ＣＧＭプラットフォーム１１２のインターフェース）に対応し得る。代替的又は追加的に、ユーザインターフェース１１０６は、ロック画面又は他の操作レベル表示など、コンピューティングデバイス１０８によって実装される「通知センター」に対応し得る。シナリオ１１０２では、ユーザインターフェース１１０６は、予測システム３１０によって実装される機械学習モデル４１２が、コンピューティングデバイス１０８のユーザが、運動イベントを経験しようとしている（例えば、ワークアウトを始めようとしている）ことを決定することを伝達する、通知３１４を含む。シナリオ１１０２のユーザインターフェース１１０６では、通知３１４は、通知３１４が関係するイベント予測４１４に関するユーザフィードバックを要求するプロンプト１０１０を含む。
具体的には、シナリオ１１０２では、プロンプト１０１０は、イベント予測４１４が正しいことを確認するための選択可能なオプション１１０８と、通知３１４によって識別されたイベント予測４１４が正しくないことを示すための選択可能なオプション１１１０と、を含む。予測システム３１０は、プロンプト１０１０で受信したフィードバックが、更なるイベント予測４１４及び／又はグルコース測定値予測４１６を生成する際に使用するために、予測システム３１０に自動的に返信される（例えば、プロンプト１０１０フィードバックは、追加データ４０４の形態で予測システム３１０に通信される）ように、ユーザインターフェース１１０６を更に構成し得る。
いくつかの実装態様では、通知３１４の１つ以上のプロンプト１０１０でフィードバックを受信したことに応答して、通知マネージャ１００８は、元の通知３１４が関係する、イベント予測４１４及び／又はグルコース測定値予測４１６に関する追加情報を要求するプロンプト１０１０を含む別の通知３１４を生成及び送信するように構成されている。例えば、選択可能なオプション１１０８で入力を受信することに応答して、通知マネージャ１００８は、シナリオ１１０４のユーザインターフェース１１１２上に描写される通知３１４の出力を引き起こし得る。ユーザインターフェース１１０６と同様に、ユーザインターフェース１１１２は、アプリケーションのインターフェース（例えば、ＣＧＭプラットフォーム１１２のインターフェース）に対応し得る。代替的又は追加的に、ユーザインターフェース１１１２は、ロック画面又は他の操作レベル表示など、コンピューティングデバイス１０８によって実装される「通知センター」に対応し得る。
シナリオ１１０４では、ユーザインターフェース１１１２は、シナリオ１１０２の通知３１４によって識別された予測に関する更なる詳細（例えば、運動イベント予測に関する追加情報）をユーザが提供することを要求する通知３１４を含む。具体的には、シナリオ１１０４の通知３１４は、選択可能なアイコン１１１４、１１１６、１１１８、及び１１２０の形態のプロンプト１０１０を含む。したがって、各プロンプト１０１０は、対応する運動イベント予測４１４に関する更なる情報を指定するために使用可能であり得る。例えば、アイコン１１１４への入力は、運動イベント予測４１４の予測された開始時間が正確であるかどうかを指定し得る。アイコン１１１６への入力は、運動イベント４１４に関連付けられた強度のレベルを指定し得、アイコン１１１８への入力は、運動イベント４１４のタイプを指定し得、アイコン１１２０への入力は、運動イベント４１４の予期される持続時間を指定し得る。このように、予測システム３１０によって出力される通知３１４は、通知が関係する、イベント予測４１４及び／又はグルコース測定値予測４１６を説明する任意のタイプの情報に対してフィードバックを要求するプロンプト１０１０を含み得る。通知３１４が、将来のイベント予測４１４に関係する例示的なコンテキストに関係するものとして説明及び図示されているが、通知マネージャ１００８によって生成される通知３１４は、同様に現在のイベント予測４１４（例えば、「最後の３０分間のグルコース応答に基づくと、現在運動しているようです。これは正しいですか？」）又は過去のイベント予測４１４（例えば、「データに基づくと、午前７時～午前８時に朝食を食べたようです。これは正しいですか？」）に対応し得る。
プロンプト１０１０に対するユーザ提供のフィードバックは、様々な方法で予測システム３１０によって活用され得る。例えば、追加データ４０４の形態で１つ以上のプロンプト１０１０から受信されたフィードバックは、予測マネージャ４０８によって実装される積み重ねられた機械学習モデル４１２のうちの１つ以上への入力として提供され得る。代替的又は追加的に、プロンプト１０１０フィードバックは、通知３１４が関係する予測に関連付けられた信頼性値を調整するために使用可能であり得る。例えば、シナリオ１１０２の通知が、運動予測モデル５０４によって生成されたイベント予測４１４（１）に対応する例示的な実装態様では、イベント予測４１４（１）の正確さを確認するプロンプト１０１０へのフィードバックは、関連付けられた信頼性５１２を、高い値に（例えば、１００％の信頼性値）調整させ得る。代替的又は追加的に、プロンプト１０１０フィードバックは、予測システム３１０によって使用されて、予測マネージャ４０８によって実装される１つ以上の機械学習モデル４１２を訓練及び／又は生成し得る。
通知３１４は、特定のユーザに通信されるものとして図示及び説明されているが、１つ以上の実装態様では、少なくとも１つの通知３１４が、代替的又は追加的に、例えば、ヒト１０２のヘルスケア提供者（例えば、医師）、ヒト１０２の介護者（例えば、親又は子供）などの他のエンティティに通信され得る。更に、様々な他のサービスが、記載された技法の趣旨又は範囲から逸脱することなく、通知３１４のうちの１つ以上とともに、追加的又は代替的に提供され得る。
図１２は、グルコース測定値１１８及び／又は追加データ４０４が入力として提供された場合に、イベント予測４１４又はグルコース測定値予測４１６を生成するように、機械学習モデルが訓練される、予測システム３１０の例示的な実装態様１２００をより詳細に描写する。図３に図示されるように、予測システム３１０は、データ分析プラットフォーム１２２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３１０は、追加的又は代替的に、部分的又は全体的に、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得る。
図示の例１２００では、予測システム３１０は、複数の機械学習モデル４１２など、予測マネージャ４０８によって実装される機械学習モデルの積み重ねを管理するモデルマネージャ１２０２を含む。上記のように、各機械学習モデル４１２は、リカレントニューラルネットワーク、畳み込みニューラルネットワークなどとして構成され得る。代替的に、機械学習モデル４１２は、記載された技法の趣旨又は範囲から逸脱することなく、他の機械学習モデルとして構成され得るか、又は他機械学習モデルのタイプを含み得る。これらの異なる機械学習モデルは、少なくとも部分的に異なるアーキテクチャに起因する異なるアルゴリズムを使用して、それぞれ構築又は訓練され（又はそうでなければモデルが学習され）得る。したがって、モデルマネージャ１２０２の機能性は、様々な異なる機械学習モデルタイプ及び構成に適用可能である。しかし、説明のために、モデルマネージャ１２０２の機能性は、一般的にニューラルネットワークを訓練することに関連して説明される。
一般に、モデルマネージャ１２０２は、機械学習モデル４１２を含む、予測マネージャ４０８によって実装される積み重ねられた機械学習モデル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、機械学習モデル４１２を構築すること、機械学習モデル４１２を訓練すること、このモデルを更新することなどを含む。１つ以上の実装態様では、機械学習モデル４１２を更新することは、機械学習モデル４１２をパーソナライズする、すなわち、機械学習モデルを、ユーザ母集団１１０の訓練データで訓練された状態から、追加の訓練データ、又はヒト１０２の１つ以上の側面を記述し、及び／若しくはヒトとの類似で決定されたユーザ母集団１１０のサブセットの１つ以上の側面を記述する（更新データ）で訓練される更新された状態にパーソナライズするための転移学習を含み得る。具体的には、モデルマネージャ１２０２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、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のグルコース測定値１１８、タイプスタンプ４０２、及び追加データ４０４を含む。別の言い方をすれば、モデルマネージャ１２０２は、機械学習モデル４１２を構築し、機械学習モデル４１２を訓練し（又はそうでなければ、基礎となるモデルを学習し）、グルコース測定値１１８、タイムスタンプ４０２、及びユーザ母集団１１０の追加データ４０４を使用して、このモデルを更新する。
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グルコース測定値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。更に、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、数百万又は数十億のモデル構築及び訓練数のために、モデルマネージャ１２０２に利用可能なグルコース測定値１１８。そのような堅牢な量のデータを使用して、モデルマネージャ１２０２は、機械学習モデル４１２を構築及び訓練して、観測されたグルコース測定値のパターンに基づいて、ある人の低血糖のイベントが発生するかどうかを正確に予測することができる。
ＣＧＭプラットフォーム１１２のグルコース測定値１１８の堅牢性がなければ、従来のシステムは、単にモデルを構築又は訓練して、パターンが、将来のグルコースレベルをどのように示す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好適にカバーしないと、ユーザの煩わしさ（例えば、実際には発生しない予測された低血糖イベントが発生することを示す通知を提供する）から死ぬか生きるかという状況（例えば、何も予測されない夜間の低血糖イベントの発生から生じる危険な状態）まで、様々な結果につながる可能性がある、不正確である低血糖イベント予測が発生する可能性がある。不正確かつ時期を逃した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グルコース測定値１１８を使用して機械学習モデル４１２を構築することが重要である。
１つ以上の実装態様では、モデルマネージャ１２０２は、訓練データを生成することによって、機械学習モデル４１２を構築する。最初に、訓練データを生成することは、グルコース測定値１１８及びユーザ母集団１１０の対応するタイムスタンプ４０２から訓練グルコース測定値を形成することを含む。モデルマネージャ１２０２は、順序付けマネージャ４０６の機能性を活用して、例えば、時系列グルコース測定値４１０を形成することに関して上で詳細に説明したのと同様の方法で、これらの訓練グルコース測定値を形成し得る。モデルマネージャ１２０２は、特定の時間間隔に対する訓練グルコース測定値を生成するように更に実装され得る。
１つ以上の実装態様では、モデルマネージャ１２０２は、対応するイベント（例えば、運動イベント、インスリン投与イベント、睡眠又は休息イベント、ストレスイベント、食事イベント、それらの組み合わせなど）に関連して発生する、イベントプロファイル１２０４を含むように、ヒト１０２、又はユーザ母集団１１０のユーザのグループに対する履歴グルコース測定値及びパターンを記載する、訓練データを生成する。イベントプロファイル１２０４は、図９に図示されるように、イベントプロファイル９０６及び９０８などの１つ以上のイベントプロファイルを表し、予測システムの１つ以上の機械学習モデル４１２によって使用可能であり、今後のイベントに対する予期される応答（例えば、グルコースレベルの変化）をより正確に決定する。
例えば、訓練データの例は、グルコース測定値のラベル付けされたセクションを含み得、ラベルが、グルコース測定値に対応するイベントのタイプを識別し、タイムスタンプ４０２と同期して、グルコース測定値に関してイベントがいつ開始し、いつイベントが終了するかを表す。したがって、このような訓練データのイベントラベルは、訓練中のモデルの出力と比較するためのグラウンドトゥルースとして機能する。このようにして、１つ以上の通知プロンプト１０１０へのフィードバックを、更に、グラウンドトゥルース訓練データとして使用して、特定のタイプのイベントに関連付けられたイベントプロファイル１２０４を改良し得る。例えば、図１１に図示されるプロンプト１０１０のうちの１つ以上へのフィードバックを使用して、（例えば、ヒト１０２によって提供される明示的なフィードバックに基づいて決定された）ヒト１０２に固有であり得る様々なタイプの運動イベントに対するイベントプロファイル１２０４を改良し得る。
１つ以上の実装態様では、モデルマネージャ１２０２は、機械学習モデル４１２を訓練して、そのようなラベル付けされた訓練データを使用して、イベントプロファイル１２０４に対応するイベント予測４１４を生成する。この場合、機械学習モデル４１２は、グルコース測定値４１０又は追加データ４０４のうちの１つ以上の入力に基づいて、イベント予測４１４を生成することを学習する。同様に、機械学習モデルは、グルコース測定値４１０及び／又は追加データ４０４の入力に基づいて、グルコース測定値予測４１６を生成することを学習し、追加データ４０４は、積み重ねられた機械学習モデル４１２のうちの１つ以上によって生成された、出力された予測を表す。
訓練データのインスタンスを機械学習モデル４１２に入力し、機械学習モデル４１２から訓練予測を受信し、訓練予測を、生成された予測３１２に対応するグラウンドトゥルース情報（観察された）と比較し、これらの比較に基づいて、機械学習モデル４１２の内部重みを調整するこのプロセスは、数百、数千、又は更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１２０２は、機械学習モデル４１２が、予想される出力部分に一貫して、かつ実質的に一致する予測を生成することができるまで、そのような反復を実行し得る。予想される出力部分に実質的に一致する予測を一貫して生成するための機械学習モデルの能力は、「収束」と称され得る。これを考えると、モデルマネージャ１２０２は、機械学習モデル４１２を、解に「収束」する（例えば、モデルが、対応するグラウンドトゥルースデータに実質的に一致する予測を生成するように、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る）まで、訓練すると言われ得る。
やはり上述したように、機械学習モデル４１２の管理は、転移学習を使用して、機械学習モデル４１２をパーソナライズすることを含み得る。そのようなシナリオでは、モデルマネージャ１２０２は、最初に、ユーザ母集団１１０のデータから生成された訓練データのインスタンスを使用して、上で詳細に説明したように、グローバルレベルで機械学習モデル４１２を訓練し得る。次いで、転移学習シナリオでは、モデルマネージャ１２０２は、グローバルに訓練されたモデルのあるコピーが、ヒト１０２に対して生成され、グローバルに訓練されたモデルの他のコピーが、ユーザごとに他のユーザに対して生成されるように、特定のユーザに対してこのグローバルに訓練されたモデルのインスタンスを作成し得る。
次いで、このグローバルに訓練されたモデルは、ヒト１０２に固有のデータを使用して、更新（又は更に訓練）され得る。例えば、モデルマネージャ１２０２は、ヒト１０２のグルコース測定値１１８を使用して、訓練データのインスタンスを作成し、（例えば、ヒト１０２の訓練データの訓練入力部分を機械学習モデル４１２に提供し、訓練予測３１２を受信し、それらの予測を、それぞれのグラウンドトゥルース訓練データと比較し、機械学習モデル４１２の内部重みを調整することによって）上記と同様の方法で、モデルのグローバルに訓練されたバージョンを更に訓練し得る。この更なる訓練に基づいて、機械学習モデル４１２は、個人レベルで訓練され、個人的に訓練された機械学習モデル４１２が作成される。
そのようなパーソナライズは、１つ以上の実装態様では、ユーザ単位よりも粒度が低くてもよいことを理解されたい。例えば、グローバルに訓練されたモデルは、ユーザセグメントレベル、すなわち、ユーザ母集団１１０の全体よりも少ないユーザ母集団１１０の類似ユーザのセットでパーソナライズされ得る。このようにして、モデルマネージャ１２０２は、セグメントごとにグローバルに訓練された機械学習モデル４１２のコピーを作成し、セグメントレベルでグローバルバージョンを訓練して、セグメント固有の機械学習モデル４１２を作成し得る。
１つ以上の実装態様では、モデルマネージャ１２０２は、機械学習モデル４１２をサーバレベルで（例えば、ＣＧＭプラットフォーム１１２のサーバで）、パーソナライズし得る。次いで、機械学習モデル４１２は、例えば、コンピューティングデバイス１０８におけるＣＧＭプラットフォーム１１２のアプリケーションとの統合のために、サーバレベルで維持され、及び／又はコンピューティングデバイス１０８に通信され得る。代替的又は追加的に、モデルマネージャ１２０２の少なくとも一部分は、機械学習モデル４１２のグローバルに訓練されたバージョンが、コンピューティングデバイス１０８に通信され、転移学習（すなわち、モデルをパーソナライズするための上記の更なる訓練）が、コンピューティングデバイス１０８で実行されるように、コンピューティングデバイス１０８において実装され得る。転移学習は、１つ以上のシナリオで活用される可能性があるが、そのようなパーソナライズが利用されない可能性があり、記載された手法は、機械学習モデル４１２のグローバルに訓練されたバージョンを使用して実装され得る。
積み重ねられた機械学習モデルを使用して、イベント予測及びグルコース測定値予測を生成するための手法の例示的な詳細を説明したが、ここで、手法の追加の側面を図示するためにいくつかの例示的な手順を検討する。
例示的な手順
このセクションでは、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及びイベント予測の例示的な手順について説明する。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、又はそれらの組み合わせで実装され得る。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限定されない。少なくともいくつかの実装態様では、手順は、順序付けマネージャ４０６、予測マネージャ４０８、通知マネージャ１００８、及びモデルマネージャ１２０２を利用する予測システム３１０などの予測システムによって実行される。
このセクションでは、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及びイベント予測の例示的な手順について説明する。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、又はそれらの組み合わせで実装され得る。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限定されない。少なくともいくつかの実装態様では、手順は、順序付けマネージャ４０６、予測マネージャ４０８、通知マネージャ１００８、及びモデルマネージャ１２０２を利用する予測システム３１０などの予測システムによって実行される。
図１３は、機械学習モデルの積み重ねが、グルコース測定値及び追加データに基づいて、グルコース測定値予測を生成する、例示的な実装態様における手順１３００を描写する。
ある時点までのグルコース測定値が受信される（ブロック１３０２）。本明細書に記載の原理に従って、グルコース測定値は、ユーザによって着用された連続グルコースモニタリング（ＣＧＭ）システムによって提供される。例として、予測マネージャ４０８は、グルコース測定値１１８を受信し、グルコース測定値は、ヒト１０２によって着用されたＣＧＭシステム１０４から取得される。特に、ＣＧＭシステム１０４は、ヒト１０２の皮膚に皮下挿入され、ヒト１０２の血液中のグルコースを測定するために使用されるセンサ２０２を含む。
グルコース測定値は、少なくとも２つの機械学習モデルの積み重ねを使用して処理されて、その時点に続くある時間間隔に対するグルコース測定値予測を生成する（ブロック１３０４）。本明細書に記載の原理に従って、複数の機械学習モデルの積み重ねの個々のモデルは、ユーザ母集団のグルコース測定値の履歴、及び又はユーザ母集団の１つ以上の挙動を記載する追加データに基づいて生成される。例として、複数の機械学習モデル４１２（１）～（ｎ）の積み重ねは、グルコース測定値１１８を処理して、グルコース測定値予測４１６を生成する。複数の機械学習モデル４１２（１）～（ｎ）の積み重ねは、グルコース測定値１１８及び／又は追加データ４０４を、訓練中に学習された、グルコース測定値予測４１６が生成される、ヒト１０２又はユーザ母集団１１０に関するパターンに基づいて、処理することによって、グルコース測定値予測を生成する。上述のように、ユーザ母集団１１０は、ＣＧＭシステム１０４などのＣＧＭシステムを着用するユーザを含む。
次いで、グルコース測定値予測が出力される（ブロック１３０６）。例として、予測システム３１０は、ほんの数例を挙げると、追加のロジックによる処理（例えば、推奨又は通知を生成するため）、記憶デバイス１２０への記憶、１つ以上のコンピューティングデバイスへの通信、又は表示などのために、グルコース測定値予測４１６を出力する。
グルコース測定値予測に基づいて、通知が生成される（ブロック１３０８）。例として、データ分析プラットフォーム１２２は、グルコース測定値予測４１６に基づいて、通知３１４を生成する。例えば、通知３１４は、緩和挙動（例えば、食事、運動など）がなければ、予測されたグルコースレベルに対する誤った用量のインスリンをユーザが投与する可能性が高いなど、今後の有害な健康状態について、ユーザ（又はヘルスケア提供者又は遠隔医療サービス）に警告し得る。追加的又は代替的に、通知３１４は、例えば、ユーザ（又はヘルスケア提供者若しくは遠隔医療サービス）に、行動を実行すること（例えば、コンピューティングデバイス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、特定の食品又は飲料を消費すること）、挙動を継続すること（例えば、特定の方法での食事、又は特定の方法での運動を継続すること）、挙動を変更すること（例えば、食習慣又は運動習慣を変更すること）などを推奨することによって、糖尿病を治療する方法を決定するための支援を提供し得る。通知は、ユーザ（例えば、ヒト１０２）が、グルコース測定値予測４１６に関連するフィードバックを提供することを要求する、１つ以上のプロンプト１０１０を更に含み得る。
通知を、ネットワークを介して、出力のために、１つ以上のコンピューティングデバイスに通信する（ブロック１３１０）。例として、データ分析プラットフォーム１２２の通信インターフェースは、（例えば、ＣＧＭプラットフォーム１１２のアプリケーションを介したコンピューティングデバイス１０８への出力のために）ネットワーク１１６を介して、ヒト１０２のコンピューティングデバイス１０８に通知３１４を通信する。追加的又は代替的に、データ分析プラットフォーム１２２は、ネットワーク１１６を介して、通知３１４を、ヘルスケア提供者に関連付けられたコンピューティングデバイス（図示せず）及び／又は遠隔医療サービスに関連付けられたコンピューティングデバイス（図示せず）に（例えば、プロバイダーポータルを介する出力のために、遠隔治療サービスに）通信する。
図１４は、複数の機械学習モデルの積み重ねが、ユーザ母集団の履歴グルコース測定値、及び複数の機械学習モデルの積み重ねからの１つ以上の出力を含む追加データに基づいて、イベント予測又はグルコース測定値予測のうちの１つ以上を指定する予測を出力するように訓練される、例示的な実装態様における手順１４００を描写する。
ある時間間隔に対するグルコース測定値が受信される（ブロック１４０２）。本明細書に記載の原理に従って、グルコース測定値は、ユーザ母集団１１０のヒト１０２など、ユーザ母集団の少なくとも１人のユーザによって着用された連続グルコースモニタリング（ＣＧＭ）システムによって提供される。例として、予測マネージャ４０８は、時系列グルコース測定値４１０の形態など、予測システム３１０の順序付けマネージャ４０６からグルコース測定値１１８を受信する。このように、時系列のグルコース測定値４１０は、ヒト１０２によって着用されたＣＧＭシステム１０４によって取得される、グルコース測定値１１８及びタイムスタンプ１０２の集約及び順序付けに対応し得る。特に、ＣＧＭシステム１０４は、ヒト１０２の皮膚に皮下挿入され、ヒト１０２の血液中のグルコースを測定するために使用されるセンサ２０２を含む。
機械学習モデルの積み重ねのうちの少なくとも１つの機械学習モデルを使用して、時系列のグルコース測定値及び追加データを処理することによって、時間間隔に続くある時点に対するグルコース測定値予測が生成される（ブロック１４０４）。予測マネージャ４０８は、例えば、グルコース測定値１１８及び追加データ４０４を、グルコース測定値予測４１６を生成するように訓練された、積み重ねられた機械学習モデル４１２（１）～（ｎ）のうちの１つへの入力として提供する。１つ以上の実装態様によれば、積み重ねられた機械学習モデル４１２は、グルコース測定値１１８及び／又は追加データ４０４のパターンを識別して、時間間隔に続く時間中のヒト１０２に対するグルコースレベルの予測を生成するように訓練され得る。実装態様において、グルコース測定値予測４１６は、予測マネージャ４０８による出力としてのグルコース測定値予測４１６の精度に関する信頼度を示す信頼性値５０８とともに出力され得る。
次いで、機械学習モデルの積み重ねを使用して、グルコース測定値及びグルコース測定値予測に基づいて、その時点に対するイベント予測が生成される（ブロック１４０６）。予測マネージャ４０８は、例えば、グルコース予測モデル５０２によって生成されたグルコース測定値予測４１６を、図５に図示するように、運動予測モデル５０４又はインスリン投与予測モデル５０６のうちの１つ以上など、機械学習モデル４１２（１）～（ｎ）の積み重ねの１つ以上の機械学習モデルに、提供する。グルコース測定値予測４１６は、フィードバックループ５１８を介して、積み重ねられた機械学習モデル４１２のうちの少なくとも１つの他のモデルへの入力として提供され、したがって、積み重ねられた機械学習モデル４１２（１）～（ｎ）への入力として提供され得る追加データ４０４を表す。
予測マネージャ４０８は、例えば、時系列グルコース測定値４１０及び追加データ４０４（例えば、グルコース測定値予測４１６）を、イベント予測４１４を生成するように訓練される積み重ねられた機械学習モデル４１２（１）～（ｎ）のうちの１つへの入力として提供する。１つ以上の実装態様によれば、そのような機械学習モデル４１２は、追加データ４０４とともに時系列グルコース測定値４１０のパターンを識別して、指定されたイベント（例えば、食事、インスリン投与、睡眠／休憩、運動、ストレスなど）が、時間間隔に続く時間中に発生するとの予測を生成するように訓練され得る。運動予測モデル５０４は、例えば、時系列グルコース測定値４１０、グルコース測定値予測４１６、及び／又は追加データ４０４に含まれるパターンに基づいて、時間間隔に続く時間中に運動イベントが発生する可能性が高いことを識別し得る。そのような識別に応答して、運動予測モデル５０４は、運動イベントが発生する可能性が高いことを示すイベント予測４１４（１）を出力し得る。
次いで、イベント予測によって識別されたイベントに対する予期される応答、及びイベント予測に関連付けられた信頼性値が決定される（ブロック１４０８）。運動予測モデル５０４は、例えば、モデルマネージャ１２０２によって、イベント予測４１４（１）を、対応するイベントに対する予期される応答５１０、及び対応するイベントが、時間間隔に続く時間中に発生するという信頼度５１２とともに出力するように訓練され得る。応答５１０は、１つ以上のグルコースレベル、及びイベント予測４１４（１）によって記載されるイベント（例えば、運動イベント）に応答して生じるヒト１０２のグルコースレベルの変化を示し得る。実装態様において、信頼度５１２は、０及び１を含む０～１の数値として表され得、０は、イベントが発生するという信頼性がないことを表し、１は、イベントが発生するという最高の信頼度を表す。
次いで、信頼性値が信頼性閾値を満たすかどうかについての決定が行われる（ブロック１４１０）。予測システム３１０の信頼性フィルタリングマネージャ１００２は、例えば、イベント予測４１４（１）に対する信頼性５１２を、１つの積み重ねられた機械学習モデル４１２の出力を、機械学習モデル４１２（１）～（ｎ）の積み重ねへの入力として提供するかどうかを決定するための許容できる信頼度を指定する信頼性閾値と比較し得る。信頼性閾値は、任意の好適な値（例えば、９０％の信頼性）であり得、積み重ねられた機械学習モデル４１２（１）～（ｎ）のうちの異なるモデルが、異なる信頼性閾値に関連付けられるように、対応するイベント予測を生成した機械学習モデル４１２の特定のタイプに依存し得る。いくつかの実装態様では、信頼性閾値は、予測システム３１０を実装するコンピューティングデバイスのユーザ（例えば、ヒト１０２）によって指定され得る。代替的又は追加的に、信頼性閾値は、ユーザ母集団１１０の異なるユーザに、異なる信頼性閾値が割り当てられるように、ユーザ固有のベースで予測システム３１０によって決定され得る。
信頼性値が信頼性閾値を満たしていると決定することに応答して、複数の機械学習モデルの積み重ねのうちの少なくとも１つの機械学習モデルへの入力として、イベント予測に対する予期される応答（ブロック１４１２）。例えば、応答５１０は、グルコース測定値予測４１６を生成するためのグルコース予測モデルへの入力、又はイベント予測４１４（２）を生成するためのインスリン投与予測モデル５０６への入力など、機械学習モデル４１２のうちの１つ以上への入力として提供され得る。予期される応答の通信は、フィードバックループ５１８を介して実行され得、これは、フィードバックループは、予測マネージャ４０８によって実装される機械学習モデル４１２（１）～（ｎ）の積み重ねられた構成によって有効にされる。次いで、動作は、複数の機械学習モデル４１２（１）～（ｎ）の積み重ねが、イベント予測４１４及びグルコース測定値予測４１６を生成し続け、予測マネージャ４０８によって生成された１つ以上の予測３１２によって記載された情報の利点が追加されることができるように、ブロック１４０４に戻る。
ブロック１４０４～１４１２で説明された動作のこのサイクルは、イベント予測４１４及び／又はグルコース測定値予測４１６に関連付けられた信頼性値が、対応する信頼性閾値を満たさないとの決定がなされるまで続き得、その時点で動作が停止する（ブロック１４１４）。代替的に、ブロック１４０４～１４１２で説明した動作の実行を停止するのではなく、イベント予測４１４又はグルコース測定値予測４１６に関連付けられた１つの信頼性値が、対応する信頼性閾値を満たさないと決定したことに応答して、１つの信頼性値が破棄され、積み重ねられた機械学習モデル４１２（１）～（ｎ）への入力として提供されることが防止され得る。したがって、ブロック１４０４～１４１２で説明される動作は、信頼性フィルタリングマネージャ１００２によって生成されたフィルタリングされたデータ１００４のみを使用し続け得、それによって、積み重ねられた機械学習モデル４１２（１）～（ｎ）のうちの異なるモデルによって出力されるそれぞれの予測３１２が、実際の状態（例えば、ヒト１０２の将来の実際のグルコースレベル、又はヒト１０２が経験する将来の実際のイベント）を表さない入力データを処理することによって、悪影響を及ぼされないことを確実にする。
図１５は、機械学習モデルの積み重ねが、ユーザ母集団に対するイベント予測を生成するように訓練される、例示的な実装態様における手順１５００を描写する。
１つ以上のイベントに関連するユーザ母集団のユーザに対するユーザ挙動を記載する挙動データが受信される（ブロック１５０２）。本明細書に記載の原理に従って、挙動データは、ユーザ母集団１１０のユーザによって着用されたＣＧＭシステムによって提供されるグルコース測定値、及び／又はＣＧＭシステム以外の１つ以上のソースから受信される追加データ４０４を含み得る。例として、予測システム３１０は、ユーザ母集団１１０のユーザのグルコース測定値１１８を取得する。いくつかの実装態様では、予測システムは更に、グルコース測定値１１８のタイムスタンプ４０２を取得し、時系列グルコース測定値４１０を形成する。
予測システム３１０は更に、１つ以上のソースから追加データ４０４を取得する。追加データ４０４は、グルコースに影響を与え得る様々な側面を記載するために使用可能な情報を表し、グルコース測定値１１８と時間的に関連付けられ得る（例えば、追加データ４０４に関連付けられたタイムスタンプに基づいて）。そのような追加データ４０４は、限定ではなく例として、アプリケーション使用データ（例えば、表示されるユーザインターフェース及びユーザインターフェースを介したアプリケーションとのユーザ対話を記載するクリックストリームデータ）、モバイルデバイス又はスマートウォッチの加速度計データ（例えば、ヒトがデバイスのユーザインターフェースを表示したため、予測されたイベントに関連する警告又は情報を見た可能性が高いことを示す）、ユーザの現在又は計画されている活動に関する入力を要求する通知プロンプトへの明示的なフィードバック、投与されたインスリンを記載するデータ（例えば、タイミング及びインスリン用量）、摂取された食物を記載するデータ（例えば、食物摂取のタイミング、食物のタイプ、及び／又は摂取された炭水化物の量、様々なセンサからの活動データ（例えば、歩数データ、実行されたワークアウト、又はユーザの活動又は運動を表す他のデータ）、ストレスに対するグルコースレベルの応答、それらの組み合わせなどを含み得る。
訓練データのインスタンスは、特定のイベントに対する少なくとも１人のユーザの応答を記載するために使用可能な１つ以上の共通パターンを示す挙動データを選択することによって生成される（ブロック１５０４）。本明細書に記載の原理に従って、共通パターンは、特定のイベント（例えば、食事、インスリン投与、睡眠／休息、運動、ストレスなど）に至るまで、その最中、及びその後に発生するグルコースレベルの変化を表し得る。いくつかの実装態様では、共通パターンは、グルコースレベルの変化を、時系列グルコース測定値４１０を生成するために使用されるタイムスタンプ４０２と相関させることによって識別され、更に追加データ４０４に含まれる情報と相関され得る。
各訓練データのインスタンスに対して、イベントプロファイルが生成される（ブロック１５０６）。本明細書に記載する原則に従って、各イベントプロファイルは、訓練データのそれぞれのインスタンスを、イベントに関連する特定のユーザ又はユーザのグループに対する予期される応答（例えば、特定のタイプのイベントに参加している、又はそうでなければ、イベントを受ける特定の人に対するグルコースレベルの予期される変化）とともに、特定のタイプのイベントに対応するものとして定義する。例として、モデルマネージャ１２０２は、各訓練データのインスタンスに対して、グルコース測定値１１８及び／又は追加データ４０４で識別された１つ以上のパターンに関連して、対応するイベントに対する少なくとも開始タイムスタンプ及び終了タイムスタンプを定義するイベントプロファイル１２０４を生成する。例えば、モデルマネージャ１２０２は、朝食に対するヒト１０２の予期されるグルコース応答を表すための、ヒト１０２に対するイベントプロファイル９０８を生成し得、午後のワークアウトに対するヒト１０２の応答に対するイベントプロファイル９０６を生成し得る。したがって、イベントプロファイルは、訓練中の積み重ねられた機械学習モデル４１２（１）～（ｎ）の出力との比較のためのグラウンドトゥルースとして機能する。
図示の手順１５００で、ブロック１５０８～１５１４は、積み重ねられた構成の機械学習モデルの各々が、解に「収束」するまでなど（例えば、モデルの内部重みが、モデルが、予想される出力部分に実質的に一致する予測を一貫して生成するように、訓練反復によって好適に調整されるまで）、複数の機械学習モデルの積み重ねが、好適に訓練されるまで繰り返され得る。追加的又は代替的に、ブロック１５０８～１５１４は、訓練データの多数のインスタンス（例えば、全てのインスタンス）に対して繰り返され得る。
訓練データのインスタンス及びそれぞれのイベントプロファイルは、グルコース測定値予測を生成するように訓練された少なくとも１つのモデル、及びイベント予測を生成するように訓練された少なくとも１つのモデルを含む複数の機械学習モデルの積み重ねへの入力として提供される（ブロック１５０８）。例として、モデルマネージャ１２０２は、ブロック１５０４で生成された訓練データのインスタンス、及びブロック１５０６で生成されたそれぞれのイベントプロファイルを、積み重ねられた機械学習モデル４１２（１）～（ｎ）への入力として提供する。
イベント予測は、機械学習モデルの積み重ねからの出力として受信される（ブロック１５１０）。例として、機械学習モデル４１２（ｎ）は、インスリン投与イベントが、今後の時間ステップで発生するという予測などのイベント予測４１４（２）を生成する。
イベント予測は、訓練データのインスタンスのそれぞれのイベントプロファイルと比較される（ブロック１５１２）。例として、モデルマネージャ１２０２は、ブロック１５１０で生成されたイベント予測を、ブロック１５０６で生成された訓練インスタンスのそれぞれのイベントプロファイルと比較する（例えば、平均二乗誤差（ＭＳＥ）などの損失関数を使用することによって）。ＭＳＥに関して説明したが、モデルマネージャ１２０２は、記載された技法の趣旨又は範囲から逸脱することなく、訓練中に他の損失関数を使用して、積み重ねられた機械学習モデル４１２（１）～（ｎ）によって出力された予測３１２を、出力のために、グラウンドトゥルースと比較し得る。
積み重ねられた機械学習モデルのうちの１つ以上の重みが、比較に基づいて調整される（ブロック１５１４）。例として、モデルマネージャ１２０２は、グルコース測定値１１８、追加データ４０４、イベント予測４１４、又はグルコース測定値予測４１６のうちの１つ以上が入力として将来提供されるとき、機械学習モデル４１２が、予想されるイベントプロファイル（例えば、インスリン投与イベントが発生するかどうか）を実質的に再現することができるように、比較に基づいて少なくとも１つの機械学習モデル４１２の内部重みを調整し得る。
１つ以上の実装態様による例示的な手順について記載してきたが、ここで、本明細書に記載の様々な技法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及びデバイスについて検討する。
例示的なシステム及びデバイス
図１６は、本明細書に記載の様々な技法を実装し得る１つ以上のコンピューティングシステム及び／又はデバイスを表す例示的なコンピューティングデバイス１６０２を含む、全体を１６００とする例示的なシステムを図示するものである。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。コンピューティングデバイス１６０２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、及び／又は任意の他の好適なコンピューティングデバイス又はコンピューティングシステムであり得る。
図１６は、本明細書に記載の様々な技法を実装し得る１つ以上のコンピューティングシステム及び／又はデバイスを表す例示的なコンピューティングデバイス１６０２を含む、全体を１６００とする例示的なシステムを図示するものである。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。コンピューティングデバイス１６０２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、及び／又は任意の他の好適なコンピューティングデバイス又はコンピューティングシステムであり得る。
図示の例示的なコンピューティングデバイス１６０２は、処理システム１６０４、１つ以上のコンピュータ可読媒体１６０６、及び互いに通信可能に結合されている１つ以上のＩ／Ｏインターフェース１６０８を含む。示されていないが、コンピューティングデバイス１６０２は、様々な構成要素を互いに結合するシステムバス又は他のデータ及びコマンド転送システムを更に含み得る。システムバスは、メモリバス若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、及び／又は多様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若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つ又は組み合わせを含むことができる。制御ライン及びデータラインなど、多様な他の例も企図されている。
処理システム１６０４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を表す。したがって、処理システム１６０４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１６１０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又は他のロジックデバイスとしてのハードウェアでの実装態様を含み得る。ハードウェア要素１６１０は、それらが形成される材料、又はそれらに使用される処理機構によって限定されない。例えば、プロセッサは、半導体及び／又はトランジスタ（例えば、電子集積回路（ＩＣ））から構成され得る。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り得る。
コンピュータ可読媒体１６０６は、メモリ／ストレージ１６１２を含むものとして示されている。メモリ／ストレージ１６１２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／ストレージ構成要素１６１２は、揮発性媒体（ランダムアクセスメモリ（ＲＡＭ）など）及び／又は不揮発性媒体（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）を含み得る。メモリ／ストレージ構成要素１６１２は、固定メディア（例えば、ＲＡＭ、ＲＯＭ、固定ハードドライブなど）並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、それらの組み合わせなど）を含み得る。コンピュータ可読媒体１６０６は、以下に更に記載される多様な他の方法で構成され得る。
入力／出力インターフェース１６０８は、ユーザがコンピューティングデバイス１６０２にコマンド及び情報を入力することを可能にし、また、様々な入力／出力デバイスを使用してユーザ及び／又は他の構成要素若しくはデバイスに情報を提示することを可能にする機能性を表す。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又は他のセンサ）、カメラ（例えば、タッチを伴わないジェスチャーとして動きを認識するために、可視又は赤外線周波数などの不可視の波長を用い得る）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、モニター又はプロジェクター）、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、コンピューティングデバイス１６０２は、ユーザ対話を支援するために、以下に更に記載される多様な方法で構成され得る。
本明細書では、ソフトウェア、ハードウェア要素、又はプログラムモジュールの一般的なコンテキストで様々な技法が記載され得る。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、又は特定の抽象データタイプを実装するルーチン、プログラム、目的、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」、及び「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、又はそれらの組み合わせを表す。本明細書に記載の技法の特徴は、プラットフォームに依存しない。つまり、この技法は、多様なプロセッサを有する多様な商用コンピューティングプラットフォームに実装され得ることを意味する。
記載のモジュール及び技法の実装態様は、何らかの形態のコンピュータ可読媒体に記憶されるか、又はそれを介して伝送され得る。コンピュータ可読媒体は、コンピューティングデバイス１６０２によってアクセスされ得る多様な媒体を含み得る。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」及び「コンピュータ可読信号媒体」を含み得る。
「コンピュータ可読記憶媒体」は、単なる信号伝送、搬送波、又は信号自体とは対照的に、情報の永続的及び／又は非一時的な記憶を可能にする媒体及び／又はデバイスを指し得る。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、揮発性及び非揮発性、リムーバブル及び非リムーバブル媒体などのハードウェア、並びに／又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、ロジック要素／回路、又は他のデータなどの情報の記憶に好適な方法又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、フラッシュメモリ若しくは他のメモリ技術、ＣＤ－ＲＯＭ、デジタル多用途ディスク（ＤＶＤ）若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若しくは他の磁気記憶デバイス、若しくは他の記憶デバイス、有形媒体、又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み得るが、これらに限定されない。
「コンピュータ可読信号媒体」は、ネットワークなどを介して、コンピューティングデバイス１６０２のハードウェアに命令を伝送するように構成されている信号担持媒体を指し得る。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、又は搬送波、データ信号、若しくは他の輸送機構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得る。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又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、有線ネットワーク又は直接有線接続などの有線媒体、及び音響、ＲＦ、赤外線、及び他の無線媒体などの無線媒体を含む。
前述したように、ハードウェア要素１６１０及びコンピュータ可読媒体１６０６は、１つ以上の命令を実行するためなどの、本明細書に記載の技法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使用され得るハードウェア形態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、及び／又は固定デバイスロジックを表す。ハードウェアは、集積回路又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）、及びシリコン又は他のハードウェアにおける他の実装態様を含み得る。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及び／又はロジックによって定義されるプログラムタスク、並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得る。
前述の組み合わせを用いて、本明細書に記載の様々な技法を実装し得る。したがって、ソフトウェア、ハードウェア、又は実行可能モジュールは、何らかの形態のコンピュータ可読記憶媒体上に、並びに／又は１つ以上のハードウェア要素１６１０によって具現化される１つ以上の命令及び／若しくはロジックとして実装され得る。コンピューティングデバイス１６０２は、ソフトウェア及び／又はハードウェアモジュールに対応する特定の命令及び／又は機能を実装するように構成され得る。したがって、ソフトウェアとしてコンピューティングデバイス１６０２によって実行可能であるモジュールの実装態様は、例えばコンピュータ可読記憶媒体及び／又は処理システム１６０４のハードウェア要素１６１０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得る。命令及び／又は機能は、本明細書に記載の技法、モジュール、及び例を実装するために、１つ以上の製品（例えば、１つ以上のコンピューティングデバイス１６０２及び／又は処理システム１６０４）によって実行可能／動作可能であり得る。
本明細書に記載の技法は、コンピューティングデバイス１６０２の様々な構成によって支援され得、本明細書に記載の技法の特定の例に限定されない。この機能性はまた、以下に記載されるように、プラットフォーム１６１６を介した「クラウド」１６１４などを介して、分散システムを使用することを通じて、全部又は部分的に実装され得る。
クラウド１６１４は、リソース１６１８のためのプラットフォーム１６１６を含み、及び／又はそれを表す。プラットフォーム１６１６は、クラウド１６１４のハードウェア（例えば、サーバ）及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１６１８は、コンピューティングデバイス１６０２からリモートにある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及び／又はデータを含み得る。リソース１６１８はまた、インターネットを介して、及び／又はセルラ若しくは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１６１６は、コンピューティングデバイス１６０２を他のコンピューティングデバイスと接続するためのリソース及び機能を抽象化し得る。プラットフォーム１６１６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１６１６を介して実装されているリソース１６１８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ように機能し得る。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性の実装態様は、システム１６００の全体にわたって分散され得る。例えば、機能性は、部分的にコンピューティングデバイス１６０２上に、及びクラウド１６１４の機能性を抽象化するプラットフォーム１６１６を介して、実装され得る。
結論
システム及び技法は、構造的特徴及び／又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及び技法は、必ずしも記載の特定の特徴又は行為に限定されないと理解するべきである。むしろ、特定の特徴及び行為は、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。
システム及び技法は、構造的特徴及び／又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及び技法は、必ずしも記載の特定の特徴又は行為に限定されないと理解するべきである。むしろ、特定の特徴及び行為は、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。
１０２ ヒト
１０４ システム
１０６ インスリン送達システム
１０８ コンピューティングデバイス
１１０ ユーザ母集団
１１２ プラットフォーム
１１４ モノのインターネット
１１６ ネットワーク
１１８ グルコース測定値
１２０ 記憶デバイス
１２２ データ分析プラットフォーム
２０２ センサ
２０４ センサモジュール
２０６ 皮膚
２０８ 送信機
２１０ 接着パッド
２１２ 取り付け機構
２１４ デバイスデータ
２１６ センサ識別
２１８ センサステータス
３０２ パッケージ
３０４ 補足データ
３０６ サードパーティ
３０８ サードパーティデータ
３１０ 予測システム
３１２ 予測
３１４ 通知
４０２ タイムスタンプ
４０４ 追加データ
４０６ 順序付けマネージャ
４０８ モデルマネージャ
４１０ グルコース測定値
４１２ 機械学習モデル
４１４ イベント予測
４１６ グルコース測定値予測
５０２ グルコース予測モデル
５０４ 運動予測モデル
５０６ インスリン投与予測モデル
５０８ 信頼性
５１０ 応答
５１２ 信頼性
５１４ 応答
５１６ 信頼性
５１８ フィードバックループ
６０２ グルコース予測モデル
６０４ 食事予測モデル
６０６ インスリン投与予測モデル
６０８ グルコース予測モデル
６１０ グルコース測定値予測
６１２ ユーザ挙動情報
６１４ 食事イベント予測
６１６ ユーザ挙動情報
６１８ インスリン投与イベント予測
７０２ 運動予測モデル
７０４ インスリン投与予測モデル
７０６ 食事予測モデル
７０８ グルコース予測モデル
７１０ モデル固有データ
７１２ モデル固有データ
７１４ モデル固有データ
８０２ 第１のグルコーストレース
８０３ グルコーストレース
８０４ グルコーストレース
８０５ グルコーストレース
８０６ グルコーストレース
８０７ グルコーストレース
８０８ グルコーストレース
８０９ グルコーストレース
８１０ グルコーストレース
９０２ データ
９０４ データ
９０６ イベントプロファイル
１００２ 信頼性フィルタリングマネージャ
１００４ フィルタリングされたデータ
１００８ 通知マネージャ
１０１０ プロンプト
１１０２ シナリオ
１１０４ シナリオ
１１０６ ユーザインターフェース
１１０８ オプション
１１１２ ユーザインターフェース
１１１４ アイコン
１１１６ アイコン
１１１８ アイコン
１１２０ アイコン
１２０２ モデルマネージャ
１２０４ イベントプロファイル
１６００ システム
１６０２ コンピューティングデバイス
１６０４ 処理システム
１６０６ コンピュータ可読媒体
１６０８ Ｉ／Ｏインターフェース
１６１０ ハードウェア要素
１６１２ ストレージ構成要素
１６１２ メモリ／ストレージ
１６１４ クラウド
１６１６ プラットフォーム
１６１８ リソース
１０４ システム
１０６ インスリン送達システム
１０８ コンピューティングデバイス
１１０ ユーザ母集団
１１２ プラットフォーム
１１４ モノのインターネット
１１６ ネットワーク
１１８ グルコース測定値
１２０ 記憶デバイス
１２２ データ分析プラットフォーム
２０２ センサ
２０４ センサモジュール
２０６ 皮膚
２０８ 送信機
２１０ 接着パッド
２１２ 取り付け機構
２１４ デバイスデータ
２１６ センサ識別
２１８ センサステータス
３０２ パッケージ
３０４ 補足データ
３０６ サードパーティ
３０８ サードパーティデータ
３１０ 予測システム
３１２ 予測
３１４ 通知
４０２ タイムスタンプ
４０４ 追加データ
４０６ 順序付けマネージャ
４０８ モデルマネージャ
４１０ グルコース測定値
４１２ 機械学習モデル
４１４ イベント予測
４１６ グルコース測定値予測
５０２ グルコース予測モデル
５０４ 運動予測モデル
５０６ インスリン投与予測モデル
５０８ 信頼性
５１０ 応答
５１２ 信頼性
５１４ 応答
５１６ 信頼性
５１８ フィードバックループ
６０２ グルコース予測モデル
６０４ 食事予測モデル
６０６ インスリン投与予測モデル
６０８ グルコース予測モデル
６１０ グルコース測定値予測
６１２ ユーザ挙動情報
６１４ 食事イベント予測
６１６ ユーザ挙動情報
６１８ インスリン投与イベント予測
７０２ 運動予測モデル
７０４ インスリン投与予測モデル
７０６ 食事予測モデル
７０８ グルコース予測モデル
７１０ モデル固有データ
７１２ モデル固有データ
７１４ モデル固有データ
８０２ 第１のグルコーストレース
８０３ グルコーストレース
８０４ グルコーストレース
８０５ グルコーストレース
８０６ グルコーストレース
８０７ グルコーストレース
８０８ グルコーストレース
８０９ グルコーストレース
８１０ グルコーストレース
９０２ データ
９０４ データ
９０６ イベントプロファイル
１００２ 信頼性フィルタリングマネージャ
１００４ フィルタリングされたデータ
１００８ 通知マネージャ
１０１０ プロンプト
１１０２ シナリオ
１１０４ シナリオ
１１０６ ユーザインターフェース
１１０８ オプション
１１１２ ユーザインターフェース
１１１４ アイコン
１１１６ アイコン
１１１８ アイコン
１１２０ アイコン
１２０２ モデルマネージャ
１２０４ イベントプロファイル
１６００ システム
１６０２ コンピューティングデバイス
１６０４ 処理システム
１６０６ コンピュータ可読媒体
１６０８ Ｉ／Ｏインターフェース
１６１０ ハードウェア要素
１６１２ ストレージ構成要素
１６１２ メモリ／ストレージ
１６１４ クラウド
１６１６ プラットフォーム
１６１８ リソース
Claims (20)
- 方法であって、
ある時点までのグルコース測定値を受信することであって、前記グルコース測定値が、ユーザによって着用された連続グルコースモニタリング（ＣＧＭ）システムによって提供される、受信することと、
複数の機械学習モデルの積み重ねられた構成を使用して、前記グルコース測定値を処理することにより、前記時点に続くある時間間隔に対するグルコース測定値予測を生成することであって、前記複数の機械学習モデルのうちの少なくとも１つが、ユーザ母集団のグルコース測定値に基づいて生成され、前記複数の機械学習モデルのうちの少なくとも１つが、前記ユーザ母集団の追加データに基づいて生成される、生成することと、
前記グルコース測定値予測を出力することと、を含む、方法。 - 前記グルコース予測を生成することが、
前記ユーザ母集団のグルコース測定値に基づいて生成された前記複数の機械学習モデルのうちの前記少なくとも１つに、初期グルコース測定値予測を出力させることと、
前記ユーザ母集団の追加データに基づいて生成された前記複数の機械学習モデルのうちの前記少なくとも１つへの入力として、前記初期グルコース測定値予測を提供することと、を含む、請求項１に記載の方法。 - 前記グルコース予測を生成することが、
前記ユーザ母集団の追加データに基づいて生成された前記複数の機械学習モデルのうちの前記少なくとも１つに、イベント予測を生成させることと、
前記ユーザ母集団のグルコース測定値に基づいて生成された前記複数の機械学習モデルのうちの前記少なくとも１つへの入力として、前記イベント予測を提供することと、を含む、請求項１に記載の方法。 - 前記イベント予測が、信頼性閾値に対する関連付けられた信頼性スコアの比較に基づいて、フィルタリングされ、前記イベント予測が、前記信頼性閾値を満たす前記信頼性スコアに応答して、前記グルコース測定値に基づいて生成された前記少なくとも１つの複数の機械学習への入力として提供され、そうでなければ、前記イベント予測が、入力として差し控えられる、請求項３に記載の方法。
- 前記追加データが、前記グルコース測定値と時間的に相関する、請求項１に記載の方法。
- 前記ユーザ母集団の追加データに基づいて生成された前記複数の機械学習モデルのうちの前記少なくとも１つを使用して、前記時点に続く前記時間間隔に対するイベント予測を生成することと、
前記イベント予測を出力することと、を更に含む、請求項１に記載の方法。 - 前記複数の機械学習モデルの積み重ねられた構成が、前記複数の機械学習モデルのうちの１つによって生成された出力が、前記複数の機械学習モデルのうちの少なくとも１つの他のモデルへの入力として提供されることを可能にする、請求項１に記載の方法。
- 前記複数の機械学習モデルのうちの少なくとも１つが、ニューラルネットワークとして構成されている、請求項１に記載の方法。
- 前記グルコース測定値が、前記ユーザ母集団のユーザによって着用されたＣＧＭシステムによって提供される測定値を含む、請求項１に記載の方法。
- 前記複数の機械学習モデルのうちの１つを、
前記ユーザ母集団の履歴グルコース測定値を受信することであって、前記履歴グルコース測定値が、前記ユーザ母集団のユーザによって着用された連続グルコースモニタリング（ＣＧＭ）システムによって提供される、受信することと、
訓練データのインスタンスを、訓練データの各インスタンスに対して、前記履歴グルコース測定値からグルコース測定値を選択することと、前記訓練データのインスタンスを、イベント及び前記イベントに対するグルコースレベル変化を含むものとして定義するイベントプロファイルを生成することと、によって、生成することと、
前記複数の機械学習モデルのうちの前記１つを、前記訓練データのインスタンス及び前記対応するイベントプロファイルを使用して、前記イベントの発生を予測するように、訓練することと、によって、生成することを更に含む、請求項１に記載の方法。 - 前記複数の機械学習モデルのうちの前記１つを訓練することは、
前記訓練データのインスタンス及び前記それぞれのイベントプロファイルを、前記複数の機械学習モデルのうちの前記１つに提供することと、
各訓練データのインスタンスに対して、前記イベントが、前記訓練データのインスタンスの時間ステップにわたって発生するかどうかを示すイベント予測を、前記複数の機械学習モデルのうちの前記１つから受信することと、
前記イベント予測を前記イベントプロファイルと比較することと、
前記比較することに基づいて、前記複数の機械学習モデルのうちの前記１つの少なくとも１つの重みを調整することと、を更に含む、請求項１０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グルコースモニタリング（ＣＧＭ）システムによって提供されたグルコース測定値、及び前記ユーザに関連付けられた追加データを維持するための記憶デバイスと、
ある時間に続くある時間間隔にわたって、グルコース測定値予測を生成するための複数の機械学習モデルの積み重ねであって、前記グルコース測定値予測が、前記複数の機械学習モデルのうちの少なくとも１つへの入力として、前記時点までの前記グルコース測定値のうちの少なくとも一部分、及び前記複数の機械学習モデルのうちの少なくとも１つによって生成された出力を提供することによって生成される、複数の機械学習モデルの積み重ねと、を備える、システム。 - 前記複数の機械学習モデルのうちの１つが、前記グルコース測定値予測を反復的に生成することを予測するように構成された、リカレントニューラルネットワークであり、各反復が、前記グルコース測定値予測の一部分に対する測定値を生成する、請求項１２に記載のシステム。
- 前記複数の機械学習モデルのうちの別の１つが、イベント予測に関するフィードバックで更新される、強化学習モデルである、請求項１３に記載のシステム。
- 前記グルコース測定値予測に基づいて通知を生成し、かつネットワークを介して、出力のために、１つ以上のコンピューティングデバイスに前記通知を通信するためのデータ分析プラットフォームを更に備える、請求項１２に記載のシステム。
- ユーザ母集団のグルコース測定値又は前記ユーザ母集団に関連付けられた追加データのうちの少なくとも１つを使用して、前記複数のニューラルネットワークの各々を訓練するように構成されたモデルマネージャを更に備える、請求項１２に記載のシステム。
- 前記複数のニューラルネットワークのうちの前記少なくとも１つによって生成された前記出力を識別し、かつ前記出力に関連付けられた信頼性レベルに基づいて、前記複数のニューラルネットワークのうちの前記少なくとも１つへの入力として、前記出力を提供するように構成された信頼性フィルタリングマネージャを更に備える、請求項１２に記載のシステム。
- 方法であって、
ある時点までのユーザの挙動を記載するデータを受信することと、
積み重ねられた構成で配置された複数の機械学習モデルのうちの１つへの入力として、前記ユーザの挙動を記載する前記データを提供することによって、イベントが、前記時点に続くある時間間隔中に発生するかどうかを記載するイベント予測を生成することと、
前記時点までの前記ユーザに対するグルコース測定値を受信することであって、前記グルコース測定値が、前記ユーザによって着用された連続グルコースモニタリングシステムによって提供される、受信することと、
前記積み重ねられた構成で配置された前記複数の機械学習モデルのうちの１つへの入力として、前記イベント予測及び前記グルコース測定値を提供することによって、前記時点に続く前記時間間隔に対するグルコース測定値予測を生成することと、
前記グルコース測定値予測を出力することと、を含む、方法。 - 前記グルコース測定値予測を生成するために使用される前記機械学習モデルへの入力として、前記イベント予測を提供することが、前記イベント予測を生成するために使用される前記機械学習モデルに関連付けられた信頼性閾値に基づいて、前記イベント予測に関連付けられた情報をフィルタリングすることを含む、請求項１８に記載の方法。
- 前記イベント予測を生成するように構成された前記機械学習モデルを、
ユーザ母集団のユーザに対するユーザ挙動を記載するデータを受信することと、
訓練データのインスタンスを、
イベントに対する、前記ユーザ母集団のうちの少なくとも１人のユーザの応答を記載するために使用可能な共通パターンを示す挙動データを選択することと、
前記イベントに対するイベントプロファイルを定義することであって、前記イベントプロファイルが、前記イベントのタイプ及び前記イベントへの前記応答を指定する、定義することと、によって、生成することと、
前記イベント予測を生成するために使用される前記機械学習モデルを訓練して、前記訓練データのインスタンスを使用して、前記イベントの発生を、
前記訓練データのインスタンスを前記機械学習モデルに提供することと、
各訓練データのインスタンスに対して、前記イベントが、前記訓練データのインスタンスに含まれる時間にわたって発生するかどうかを示すイベント予測を、前記機械学習モデルから受信することと、
各訓練データのインスタンスに対して、前記イベント予測を前記イベントプロファイルと比較することと、
前記比較することに基づいて、前記機械学習モデルの少なくとも１つの重みを調整することと、によって、予測することと、によって訓練することを更に含む、請求項１８に記載の方法。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US202063034257P | 2020-06-03 | 2020-06-03 | |
| US63/034,257 | 2020-06-03 | ||
| PCT/US2021/035233 WO2021247561A1 (en) | 2020-06-03 | 2021-06-01 | Glucose measurement predictions using stacked machine learning models |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2023529261A true JP2023529261A (ja) | 2023-07-10 |
Family
ID=78816633
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2022562550A Pending JP2023529261A (ja) | 2020-06-03 | 2021-06-01 | 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 |
Country Status (7)
| Country | Link |
|---|---|
| US (1) | US20210378563A1 (ja) |
| EP (1) | EP4162507A4 (ja) |
| JP (1) | JP2023529261A (ja) |
| CN (1) | CN115668399A (ja) |
| AU (1) | AU2021284267A1 (ja) |
| CA (1) | CA3175484A1 (ja) |
| WO (1) | WO2021247561A1 (ja) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7458937B2 (ja) * | 2020-08-27 | 2024-04-01 | 富士フイルム株式会社 | 検査支援装置、方法およびプログラム |
| US20220207430A1 (en) * | 2020-12-31 | 2022-06-30 | The Toronto-Dominion Bank | Prediction of future occurrences of events using adaptively trained artificial-intelligence processes and contextual data |
| WO2023235573A1 (en) * | 2022-06-02 | 2023-12-07 | University Of Virginia Patent Foundation | System, method, and computer readable medium for cgm-based ogtt replacement diagnosis test |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2400882B8 (en) * | 2009-02-26 | 2017-08-30 | DreaMed Diabetes Ltd | Method and system for automatic monitoring of diabetes related treatments |
| US10854322B2 (en) * | 2016-12-21 | 2020-12-01 | Medtronic Minimed, Inc. | Infusion systems and methods for patient activity adjustments |
| US20180272065A1 (en) * | 2017-03-24 | 2018-09-27 | Medtronic Minimed, Inc. | Patient management systems and uplift recommendation methods |
| JP2022534422A (ja) * | 2019-05-31 | 2022-07-29 | インフォームド データ システムズ インコーポレイテッド ディー／ビー／エー ワン ドロップ | 生体監視および血糖予測のためのシステムならびに関連付けられる方法 |
| US11883208B2 (en) * | 2019-08-06 | 2024-01-30 | Medtronic Minimed, Inc. | Machine learning-based system for estimating glucose values based on blood glucose measurements and contextual activity data |
| US11596359B2 (en) * | 2020-04-09 | 2023-03-07 | Medtronic Minimed, Inc. | Methods and systems for mitigating sensor error propagation |
-
2021
- 2021-05-28 US US17/334,448 patent/US20210378563A1/en active Pending
- 2021-06-01 AU AU2021284267A patent/AU2021284267A1/en active Pending
- 2021-06-01 WO PCT/US2021/035233 patent/WO2021247561A1/en unknown
- 2021-06-01 JP JP2022562550A patent/JP2023529261A/ja active Pending
- 2021-06-01 CA CA3175484A patent/CA3175484A1/en active Pending
- 2021-06-01 EP EP21817371.4A patent/EP4162507A4/en active Pending
- 2021-06-01 CN CN202180026646.5A patent/CN115668399A/zh active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| CN115668399A (zh) | 2023-01-31 |
| WO2021247561A1 (en) | 2021-12-09 |
| US20210378563A1 (en) | 2021-12-09 |
| CA3175484A1 (en) | 2021-12-09 |
| AU2021284267A1 (en) | 2022-09-22 |
| EP4162507A4 (en) | 2024-06-26 |
| EP4162507A1 (en) | 2023-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11653860B2 (en) | Recommendations based on continuous glucose monitoring | |
| US11712182B2 (en) | Multi-state engagement with continuous glucose monitoring systems | |
| 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 | |
| JP2023529547A (ja) | 機械学習及び時系列グルコース測定値を使用したグルコース予測 | |
| US11969267B2 (en) | Glucose alert prediction horizon modification | |
| US20210343402A1 (en) | Hypoglycemic event prediction using machine learning | |
| US20220378337A1 (en) | Adaptive Systems for Continuous Glucose Monitoring |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20240515 |