JP2023529547A - 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 - Google Patents

Abstract

機械学習（ＭＬ）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について記載される。グルコースモニタリングデバイスを着用している人の数を考えると、いくつかのウェアラブルグルコースモニタリングデバイスは、連続的に測定値を生成することができるため、このようなデバイスを提供するプラットフォームは、膨大な量のデータを有する可能性がある。この量のデータは、人間が処理することは、実際にはそうでないにしても事実上不可能であり、膨大な量のデータなしではカバーされない可能性のある堅牢な数の状態空間をカバーしている。実装態様において、グルコースモニタリングプラットフォームは、ユーザ母集団の履歴時系列グルコース測定値を使用して訓練されたＭＬモデルを含む。ＭＬモデルは、ある時点までのグルコース測定値の時系列を受信することと、履歴時系列グルコース測定値から学習したパターンに基づいて、その時点に続く間隔にわたって、特定のユーザの今後のグルコース測定値を決定することと、により、特定のユーザの今後のグルコース測定値を予測する。

Description

［関連出願の参照による組み込み］
本出願は、２０２０年５月２７日に出願された「Ｇｌｕｃｏｓｅ Ｐｒｅｄｉｃｔｉｏｎ Ｕｓｉｎｇ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ ａｎｄ Ｔｉｍｅ Ｓｅｒｉｅｓ Ｇｌｕｃｏｓｅ Ｍｅａｓｕｒｅｍｅｎｔｓ」というタイトルの米国仮特許出願第６３／０３０４９２号の利益を主張する。前述の出願は、参照によりその全体が本明細書に組み込まれ、これにより、明示的に本明細書の一部をなす。

糖尿病は、何億人もの人々に影響を与える代謝状態であり、世界中の主要な死因の１つである。糖尿病を抱える人々にとって、治療へのアクセスは彼らの生存にとって重要である。適切な治療により、糖尿病による心臓、血管、目、腎臓、及び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、グル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、今後のグルコースレベルを予測するための従来の技術は、観察されたグルコースレベルを将来のグルコースレベルに相関させる方法により、様々な場合に不正確になる可能性がある。また、従来の技術では、将来の正確な時点でグルコースレベルを予測できない可能性がある。

例として、従来のグルコース予測技術を使用するシステムは、現在時刻から３０分先の人のグルコース測定値を示すことを意図した予測を出力し得る。しかし、その人の観察されたグルコースは、わずか５分先の予測された測定値に対応している可能性がある。この目的のために、予測は、２５分遅れており、システムの予測範囲は、人の実際のグルコースと一致しない。予測範囲が実際のグルコースに一致しないこと及び不正確な予測により、従来のシステムによって生成されたグルコース予測が、危険なほどに（及び急速に）変化するグルコースレベルを緩和するための行動を処方するなど、様々な用途に適さなくなる可能性がある。

これらの問題を克服するために、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が活用される。連続グルコースモニタリング（ＣＧＭ）システムなどのグルコースモニタリングデバイスを着用している人々の数を考えると、これらのウェアラブルデバイスは連続的に測定値を生成するため、グルコースモニタリングデバイスに、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グルコースモニタリングプラットフォームは、膨大な量のデータ、例えば、数千万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、グルコースモニタリングプラットフォームは、ユーザ母集団の履歴時系列グルコース測定値を使用して訓練された機械学習モデル（例えば、非線形機械学習モデル）を含み、グルコース測定値は、ユーザ母集団のユーザによって着用されたウェアラブルグルコースモニタリングデバイスによって提供される。訓練が完了すると、機械学習モデルは、ユーザの今後のグルコース測定値を予測する。ユーザの今後のグルコース測定値を予測する場合、ある時点までのグルコース測定値の時系列が受信される。この時系列グルコース測定値は、ユーザによって着用されたウェアラブルグルコースモニタリングデバイスによって提供される。機械学習モデルは、その時点に続くある時間間隔にわたってユーザの今後のグルコース測定値を予測する。特に、機械学習モデルは、ユーザ母集団の履歴時系列グルコース測定値を用いた訓練に基づいて、この予測を生成する。次いで、今後のグルコース測定値に関する通知の通信及び／又は表示などを介して、今後のグルコース測定値が出力される。

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式で紹介している。したがって、この概要は、特許請求の範囲の主題の本質的な特徴を識別することを意図しておらず、特許請求の範囲の主題の範囲を決定する際の補助として使用されることも意図していない。

詳細な説明は、添付の図を参照して記載されている。

本明細書に記載の技術を用いるように動作可能な例示的な実装態様における環境の図示である。 図１のウェアラブルグルコースモニタリングデバイスの例をより詳細に描写する。 グルコース測定値を含むグルコースモニタリングデバイスのデータが、グルコース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を描写する。 今後のグルコース測定値が、機械学習を使用して予測される、図３の予測システムの例示的な実装態様をより詳細に描写する。 機械学習モデルが、反復予測で今後のグルコース測定値を予測する例示的な実装態様を描写する。 観察及び予測されたグルコーストレースの例示的な視覚化を描写する。 追加の予測されたグルコーストレースの例示的な視覚化を描写する。 機械学習モデルを訓練して、今後のグルコース測定値を予測する、図３の予測システムの例示的な実装態様をより詳細に描写する。 予測されたグルコース測定値及び予測における信頼性を備えたグルコーストレースの例示的な視覚化を描写する。 今後のグルコース測定値の予測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を描写する。 非線形機械学習モデルが、時系列グルコース測定値に基づいて、今後のグルコース測定値を予測する例示的な実装態様の手順を描写する。 測定値のある時間間隔が予測されるまで、非線形機械学習モデルが、今後のグルコース測定値を反復的に予測する例示的な実装態様の手順を描写する。 非線形機械学習モデルを訓練して、ユーザ母集団の履歴時系列グルコース測定値に基づいて、今後のグルコース測定値を予測する例示的な実装態様の手順を描写する。 本明細書に記載の技術の実施形態を実装するために、図１～１３を参照して記載及び／又は利用される任意のタイプのコンピューティングデバイスとして実装され得る例示的なデバイスの様々な構成要素を含む例示的なシステムを示す。

［概要］
人のグルコースレベルをモニタリングすることは、糖尿病を治療する方法を決定するのに有用である。ただし、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（例えば、高血糖又は低血糖）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。

グルコース予測への従来のアプローチは、自己回帰線形モデルを使用するなど、線形モデルを使用してグルコースをモデル化する場合がある。このような線形モデルは時変プロセスを記述することが可能である場合があるが、それらのモデルの出力は、以前の値に線形に依存する。これにより、実際の観察されたグルコース測定値と比較して、かなりの時間遅延を有するグルコース予測が得られる可能性がある。言い換えれば、これらのモデルの予測範囲は、人の実際のグルコースと一致しない可能性がある。更に、線形モデルは、今後のグルコース測定値の不正確な予測を生成する可能性があり、これは、これらのモデルの線形依存性により、数千万の患者入院日数分のグルコース測定値の基礎となる状態空間を確実にカバーすることができない可能性があるためである。簡単に言えば、線形モデルは、そのような履歴データで観察されたパターンのいくつかを説明できない場合がある。予測範囲が実際のグルコースに一致しないこと、及び不正確な予測（又は限られた精度の予測）により、従来のシステムによって生成されたグルコース予測が、危険なほどに（及び急速に）変化するグルコースレベルを緩和するための行動を処方するなど、様々な用途に適さなくなる可能性がある。

これらの問題を克服するために、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が活用される。１つ以上の実装態様では、グルコースモニタリングプラットフォームは、個々のユーザの今後のグルコース測定値を予測するために、ユーザ母集団の履歴時系列グルコース測定値を使用して訓練された機械学習モデルを含む。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ウェアラブルグルコースモニタリングデバイスによって提供され得る。これらのウェアラブルグルコースモニタリングデバイスによって生成された測定値を取得し、測定値を維持することにより、グルコースモニタリングプラットフォームは、膨大な量のデータ、例えば数千万の患者入院日数分の測定値を有し得る。従来の線形モデルでは、この豊富な履歴データで観察されるパターンのいくつかをモデル化することができない場合がある。

従来のアプローチとは対照的に、本明細書で説明する機械学習モデルは、非線形モデルとして、又は１つ以上の非線形モデルを含むモデルの集合として構成され得る。このような非線形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）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、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。このようなモデルは、線形手法では容易にモデル化できない状態空間のパターンをキャプチャすることが可能である場合がある。

機械学習モデルは、訓練されると、ユーザの今後のグルコース測定値を予測するために使用される。特定のユーザの今後のグルコース測定値を予測する場合、ある時点までのグルコース測定値の時系列、例えば過去１２時間のグルコース測定値が受信される。この時系列グルコース測定値は、ユーザによって着用されたウェアラブルグルコースモニタリングデバイスによって提供される。時系列を入力として受信することに応答して、機械学習モデルは、その時点に続くある時間間隔、例えば次の３０分間の今後のグルコース測定値を予測する。機械学習モデルは、ユーザ母集団の履歴時系列グルコース測定値を用いた訓練に基づいて、この予測を生成する。次いで、今後のグルコース測定値に関する通知を生成するなどのために、今後のグルコース測定値が出力される。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、グルコースモニタリング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。

今後のグルコース測定値を予測し、今後のグルコース測定値についてユーザ、ヘルスケア提供者、及び／又は遠隔医療サービスに通知することにより、記載さ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軽減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、記載さ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により、ユーザ及び他の様々な関係者は、糖尿病を治療する方法について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が可能になる。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。

更に、糖尿病患者の場合、治療の決定は、差し迫った、又は予測された今後のグルコース測定値によって影響を受ける可能性がある。例えば、グルコースモニタリングプラットフォームの意思決定支援サービス（例えば、アプリケーション、通知などを介して）は、差し迫った、又は予測された今後のグルコース測定値を使用して、治療中のユーザに通知及び支援し得る。例として、そのような通知及び支援は、患者がグルコースを自己モニタリングできない場合、例えば、患者が睡眠中に発生すると予測される差し迫った又は起こりうる事象の検出に応答することができる。短期予測警報及び閾値警告などの通知は、差し迫ったイベントについて患者に警告する必要性に対処することができる可能性があるが、従来の予測技術では、現在時刻から更に先の時間範囲、例えば、数時間以上のスケールでのグルコース測定値を正確に予測することは可能ではない。したがって、従来の技術は、患者が夜間に低血糖を経験するかどうかを正確に予測するには適していない。前述及び後述の機械学習モデルは、従来の手法よりも更に将来の時間範囲について人のグルコースレベルをより正確に予測する。したがって、記載された機械学習モデルは、患者が夜間に低血糖を経験するかどうかなど、より長期的なグルコース結果の予測に関連して活用することができる。

以下の考察では、最初に、本明細書に記載の技法を使用し得る例示的な環境を記載する。次いで、例示的な環境及び他の環境で実行され得る例示的な実装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、機械学習及び時系列グルコース測定値を使用してグルコース予測を用い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の図示である。図示の環境１００は、ウェアラブルグルコースモニタリングデバイス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。図示された環境１００はまた、ウェアラブルグルコースモニタリングデバイスを着用するユーザ母集団１１０の他のユーザ、グルコースモニタリングプラットフォーム１１２、及びモノのインターネット１１４（ＩｏＴ１１４）を含む。ウェアラブルグルコースモニタリングデバイス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、グルコースモニタリングプラットフォーム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、ウェアラブルグルコースモニタリングデバイス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のうちの１つ以上は、１つ以上の無線通信プロトコル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、ウェアラブルグルコースモニタリングデバイス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。ウェアラブルグルコースモニタリングデバイス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、これらの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ウェアラブルグルコースモニタリングデバイス１０４によって取得されるため、及び将来のグルコース測定値が予測されるため、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、ウェアラブルグルコースモニタリングデバイス１０４は、ヒト１０２のグルコースを、例えば、連続的に、モニタリングするように構成されている。１つ以上の実装態様では、ウェアラブルグルコースモニタリングデバイス１０４は、連続グルコースモニタリング（ＣＧＭ）システムである。本明細書で使用される場合、「連続」という用語は、グルコースモニタリングに関連して使用される場合、デバイスが、時間間隔（例えば、毎時、３０分ごと、５分ごとなど）で、異なるデバイスとの通信結合の確立に応答して（例えば、コンピューティングデバイスがウェアラブルグルコースモニタリングデバイス１０４との無線接続を確立して、測定値のうちの１つ以上を検索する場合）など、グルコース測定値１１８を生成するように構成され得るように、デバイスが、測定値を実質的に連続して生成する能力を指す。ウェアラブルグルコースモニタリングデバイス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、かつグルコース測定値の生成を可能にするグルコースセンサを有して構成され得る。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。この機能性は、ウェアラブルグルコースモニタリングデバイス１０４の構成の更なる態様とともに、図２に関連してより詳細に考察される。

１つ以上の実装態様では、ウェアラブルグルコースモニタリングデバイス１０４は、無線接続を介するなどして、コンピューティングデバイス１０８にグルコース測定値１１８を伝送する。ウェアラブルグルコースモニタリングデバイス１０４は、例えばこれらの測定値がグルコースセンサを使用して生成されるため、これらの測定値をリアルタイムで通信し得る。代替的又は追加的に、ウェアラブルグルコースモニタリングデバイス１０４は、設定された時間間隔、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。更にまた、ウェアラブルグルコースモニタリングデバイス１０４は、例えば、コンピューティングデバイス１０８が、ヒト１０２の今後のグルコースレベルを予測し、ヒト１０２のグルコースレベルに関する情報を有するユーザインターフェースの表示を引き起こし、そのような表示を更新するなどのときに、例えば、ウェアラブルグルコースモニタリングデバイス１０４に通信される、コンピューティングデバイス１０８からの要求に応答して、これらの測定値を通信し得る。したがって、コンピューティングデバイス１０８は、例えば、コンピューティングデバイス１０８のコンピュータ可読記憶媒体において、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、グルコースモニタリングプラットフォーム１１２に関連付けられた専用デバイスとして構成され得、例えば、ウェアラブルグルコースモニタリングデバイス１０４からグルコース測定値１１８を取得し、グルコース測定値１１８に関連する様々な計算を実行し、グルコース測定値１１８及びグルコースモニタリングプラットフォーム１１２に関連する情報を表示し、グルコース測定値１１８をグルコースモニタリングプラットフォーム１１２に通信するなどを行う機能性を有する。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、電話をかける能力、カメラ機能性、ソーシャルネットワーキングアプリケーションを利用する能力などのような、専用のグルコースモニタリング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いくつかの機能性を含まなくてもよい。

追加的に、コンピューティングデバイス１０８は、記載の技法により、２つ以上のデバイスを表し得る。１つ以上のシナリオでは、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に対応し得る。そのようなシナリオでは、これらのデバイスの両方は、例えば、ウェアラブルグルコースモニタリングデバイス１０４からグルコース測定値１１８を受信し、ネットワーク１１６を介してそれらをグルコースモニタリングプラットフォーム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、異なるデバイスは、他のデバイスが有していないか、又は特定のデバイスへのコンピューティング命令を通じて制限される異なる能力を有し得る。

コンピューティングデバイス１０８が別個のスマートウォッチ及び携帯電話に対応するシナリオでは、例えば、スマートウォッチは、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）及びヒト１０２の活動（例えば、ステップ）を測定する様々なセンサ及び機能性を備えて構成され得る。このシナリオでは、携帯電話がこれらのセンサ及び機能性を備えて構成されていないか、又は制限された量のその機能性を含むことがあるが、他のシナリオでは、携帯電話が同じ機能性を提供可能であり得る。この特定のシナリオを続けると、携帯電話は、今後のグルコースレベルを予測するために使用される食事の画像を捕捉するためのカメラ、携帯電話がグルコース測定値１１８に関連する計算をより効率的に実行することを可能にする量のコンピューティングリソース（例えば、電池及び処理速度）などの、スマートウォッチが有していない能力を有し得る。スマートウォッチがそのような計算を実行可能であるシナリオでも、コンピューティング命令は、両方のデバイスに負担をかけず、利用可能なリソースを効率的に利用するために、携帯電話に対するそれらの計算のパフォーマンスを制限することがある。この範囲で、コンピューティングデバイス１０８は、記載の技法の趣旨及び範囲から逸脱することなく、異なる方法で構成され、本明細書で考察されるものとは異なる数のデバイスを表し得る。

上記に述べたように、コンピューティングデバイス１０８は、グルコースモニタリングプラットフォーム１１２にグルコース測定値１１８を通信する。図示の環境１００では、グルコース測定値１１８は、グルコースモニタリングプラットフォーム１１２の記憶デバイス１２０に記憶されているように示されている。記憶デバイス１２０は、１つ以上のデータベースと、更にはグルコース測定値１１８を記憶することが可能な他のタイプのストレージとを表し得る。記憶デバイス１２０はまた、多様な他のデータを記憶する。記載の技法に従って、例えば、ヒト１０２は、少なくともグルコースモニタリングプラットフォーム１１２のユーザに対応しており、１つ以上の他のサードパーティサービスプロバイダのユーザであり得る。この目的のために、ヒト１０２は、ユーザ名に関連付けられ、かつある時点で、ユーザ名を使用してグルコースモニタリングプラットフォーム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、遠隔医療サービスなど）を提供することを必要とされ得る。この情報は、例えば、ヒト１０２を記述するデモグラフィック情報、ヘルスケア提供者に関する情報、支払い情報、処方情報、判定された健康指標、ユーザ選好、他のサービスプロバイダシステム（例えば、ウェアラブル、ソーシャルネットワーキングシステムなどに関連付けられたサービスプロバイダ）のアカウント情報などを含む、ユーザに関する様々な他の情報とともに、記憶デバイス１２０に維持され得る。

記憶デバイス１２０はまた、ユーザ母集団１１０中の他のユーザのデータを維持する。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ウェアラブルグルコースモニタリングデバイス１０４のグルコース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中の他のユーザに対応するヒトによって着用されたウェアラブルグルコースモニタリングデバイスのグルコースセンサからのグルコース測定値を含む。これによりまた、これらの他のユーザのグルコース測定値１１８は、ネットワーク１１６を介してそれぞれのデバイスによってグルコースモニタリングプラットフォーム１１２に通信され、かつこれらの他のユーザは、グルコースモニタリングプラットフォーム１１２を用いたそれぞれのユーザプロファイルを有することになる。

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、グルコースモニタリングプラットフォーム１１２は、警告、推奨、又は予測に基づく他の情報など、予測に関する通知を提供し得る。例えば、グルコースモニタリングプラットフォーム１１２は、通知を、ユーザに、ユーザに関連付けられた医療専門家などに提供し得る。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のデータを使用して、これらの予測を生成し得る。

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説明するデータを提供することができる様々なソースを表すことを理解されたい。例として、ＩｏＴ１１４は、例えば、カメラ、携帯電話、ラップトップなど、ユーザの様々なデバイスを含み得る。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医療データ及び製造データを提供することができる医療提供者（例えば、ヒト１０２の医療提供者）及び製造業者（例えば、ウェアラブルグルコースモニタリングデバイス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、グルコースモニタリングプラットフォーム１１２に対するサードパーティを含み得る。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、機械学習及び時系列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コンテキストにおいて、図２の以下の考察を検討する。

図２は、図１のウェアラブルグルコースモニタリングデバイス１０４の例示的な実装態様２００をより詳細に描写する。特に、図示の例２００は、ウェアラブルグルコースモニタリングデバイス１０４の上面図及び対応する側面図を含む。

ウェアラブルグルコースモニタリングデバイス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、側面図で描写されており、例えば、ヒト１０２の皮膚２０６に皮下挿入されている。センサモジュール２０４は、上面図において破線の長方形として描写されている。ウェアラブルグルコースモニタリングデバイス１０４はまた、図示の例２００において送信機２０８を含む。センサモジュール２０４のために破線の長方形を使用して、それが送信機２０８のハウジング内に収容されるか、さもなければ実装され得ることを示している。この例２００では、ウェアラブルグルコースモニタリングデバイス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）が全て一度に皮膚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、この適用アセンブリは、別個のアプリケータ（図示せず）を使用して皮膚２０６に適用される。この適用アセンブリは、接着パッド２１０を皮膚２０６から剥がすことによっても取り外すことができる。図示のウェアラブルグルコースモニタリングデバイス１０４及びその様々な構成要素は、単なる１つの例示的なフォームファクタであり、ウェアラブルグルコースモニタリングデバイス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ことが理解されよう。

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）とすることができる。

センサ２０２は、センサ２０２から少なくとも部分的に独立している事象に応答して変化するか、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反応して、電極を含み得るセンサモジュール２０４によって電気化学的に検出可能な過酸化水素を形成する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ている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（又はウェアラブルグルコースモニタリングデバイス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、ウェアラブルグルコースモニタリングデバイス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、センサモジュール２０４は、プロセッサ及びメモリ（図示せず）を含み得る。センサモジュール２０４は、プロセッサを活用することにより、上で考察される変化を示すセンサ２０２との通信に基づいてグルコース測定値１１８を生成し得る。センサ２０２からのこれらの通信に基づいて、センサモジュール２０４は、グルコースモニタリングデバイスデータ２１４を生成するように更に構成されている。グルコースモニタリングデバイスデータ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である。代替的又は追加的に、グルコースモニタリングデバイスデータ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などの他のデータを含む。１つ以上の実装態様では、グルコースモニタリングデバイスデータ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。グルコースモニタリングデバイスデータ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ことを理解されたい。

動作中、送信機２０８は、グルコースモニタリングデバイスデータ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に無線で伝送し得る。代替的又は追加的に、センサモジュール２０４は、グルコースモニタリングデバイスデータ２１４を（例えば、センサモジュール２０４のメモリに）バッファし、送信機２０８に、バッファされたグルコースモニタリングデバイスデータ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（バッファされたグルコースモニタリングデバイスデータ２１４が、データの閾値量、又はグルコースモニタリングデバイスデータ２１４の事例の数値に達したとき）などで、伝送させ得る。

グルコースモニタリングデバイスデータ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、記載の技法による追加機能性を含み得る。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と、例えば、ヒト１０２のグルコースのレベルが近い将来に危険なほどに低くなる可能性が高いことを予測が示すときに警告を通信することによって、予測に基づいて通知を通信することとを含み得る。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り得る。このようにして、ヒトは、インターネットなどへの接続性に依存することなく、危険な状態について警告を受けることができる。センサモジュール２０４のこの追加の機能性はまた、センサ２０２を、最初に又は継続的に較正すること、並びにウェアラブルグルコースモニタリングデバイス１０４の任意の他のセンサを較正することを含み得る。

グルコースモニタリングデバイスデータ２１４に関して、センサ識別２１６は、他のウェアラブルグルコースモニタリングシステム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の、他のセンサから、センサ２０２を一意に識別する情報を表す。センサ２０２を一意に識別することにより、センサ識別２１６はまた、センサ２０２に関する他の態様、例えば、センサ２０２の製造ロット、センサ２０２の包装の詳細、センサ２０２の出荷の詳細などを識別するために使用され得る。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、機械加工の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。一般的に言えば、センサステータス２１８は、センサ２０２の動作状態を記載する。１つ以上の実装態様では、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、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がウェアラブルグルコースモニタリングデバイス１０４上に転がった（例えば、ベッドで）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及びウェアラブルグルコースモニタリングデバイス１０４に関する多様な態様を示し得る。

例示的な環境、及び例示的なウェアラブルグルコースモニタリングデバイスを検討したところで、次に、１つ以上の実装態様によるデジタル媒体環境での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の技法のいくつかの例示的な詳細の考察を検討する。

［グルコース予測］
図３は、グルコース測定値を含むグルコースモニタリングデバイスのデータが、グルコース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から、グルコースモニタリングデバイス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、上で考察されるように、グルコース測定値１１８を記憶する。この例３００では、ウェアラブルグルコースモニタリングデバイス１０４は、グルコースモニタリングデバイスデータ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に関連して上で考察されるように、グルコースモニタリングデバイスデータ２１４は、他のデータとともにグルコース測定値１１８を含む。グルコースモニタリングデバイス１０４は、様々な方法で、グルコースモニタリングデバイスデータ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、データパッケージ３０２を含む。データパッケージ３０２は、グルコースモニタリングデバイスデータ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、又はその一部を含み得る。この例３００では、データパッケージ３０２は、コンピューティングデバイス１０８からグルコースモニタリングプラットフォーム１１２の記憶デバイス１２０にルーティングされて描写されている。大まかに言えば、コンピューティングデバイス１０８は、グルコースモニタリングデバイスデータ２１４に少なくとも部分的に基づいて、補足データ３０４を生成する機能を含む。コンピューティングデバイス１０８はまた、補足データ３０４をグルコースモニタリングデバイスデータ２１４と一緒にパッケージ化して、データパッケージ３０２を形成し、例えば、ネットワーク１１６を介して、データパッケージ３０２をグルコースモニタリングプラットフォーム１１２に通信して、記憶デバイス１２０に記憶する機能も含む。したがって、データパッケージ３０２は、ウェアラブルグルコースモニタリングデバイス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、ウェアラブルグルコースモニタリングデバイス１０４とグルコースモニタリングプラットフォーム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を含み得ると理解されよう。

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、データパッケージ３０２に含まれるグルコースモニタリングデバイスデータ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グルコースモニタリングデバイスデータ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、ウェアラブルグルコースモニタリングデバイス１０４と同じ態様のいくつかを検出するか、さもなければ測定する機能性を含み得る限り、これらの２つのソースからのデータは、例えば、精度、障害検出などのために比較され得る。上で考察されるタイプの補足データ３０４は例にすぎず、補足データ３０４は、本明細書に記載の技術の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述するかに関係なく、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、グルコースモニタリングデバイスデータ２１４及び補足データ３０４を含むデータパッケージ３０２をグルコースモニタリングプラットフォーム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、ウェアラブルグルコースモニタリングデバイス１０４がグルコースモニタリングデバイスデータ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データパッケージ３０２をグルコースモニタリングプラットフォーム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、データパッケージ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、グルコースモニタリングプラットフォーム１１２に通信し得る。

図示の例３００には描写されていないが、グルコースモニタリングプラットフォーム１１２は、これらのデータパッケージ３０２を処理し、グルコースモニタリングデバイスデータ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。以下でより詳細に記載するように、記憶デバイス１２０から、このデータは、例えば、今後のグルコースレベルの予測するために、データ分析プラットフォーム１２２に提供されるか、そうでなければアクセスされ得る。

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はまた、今後のグルコースレベル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こともできる。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、ウェアラブルデバイスを介するなどして、独自の追加データを生成し得る。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に伝達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、さもなければサードパーティから伝達されるこの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、そうでなければ取得されたサードパーティデータ３０８を受信し得る。

データ分析プラットフォーム１２２は、予測システム３１０を備えて示されている。記載のシステムに従って、予測システム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、今後の時間間隔のグルコーストレースなど、今後の時間間隔にわたってグルコース測定値の予測３１２を生成するように構成されている。以下でより詳細に考察されるように、これらの予測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に基づいている。１つ以上の実装態様では、例えば、予測システム３１０は、グルコース測定値１１８及び追加データの両方に基づいて予測３１２を生成し、追加データは、グルコース測定値１１８に加えて、グルコースモニタリングデバイスデータ２１４、補足データ３０４、サードパーティデータ３０８、ＩｏＴ１１４からのデータなどのうちの１つ以上の部分を含み得る。以下で考察されるように、予測システム３１０は、１つ以上の機械学習モデルを使用することによって、そのような予測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、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、通知３１４を生成し得る。予測システム３１０がコンピューティングデバイス１０８で少なくとも部分的に実装されるシナリオでは、コンピューティングデバイス上のグルコースモニタリングプラットフォーム１１２のアプリケーションは、生成された予測３１２に基づいて、通知３１４を生成し得る。通知３１４は、例えば、緩和挙動（例えば、食事、インスリンの服用、運動など）がなければ、ユーザがグルコース異常（すなわち、高血糖又は低血糖）を経験する可能性が高いことなど、今後の有害な健康状態についてユーザに警告し得る。通知３１４はまた、例えば、ユーザに、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。

そのようなシナリオでは、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（図示せず）は、コンピューティングデバイス１０８を介して、例えば、グルコースモニタリングプラットフォーム１１２のアプリケーションを介して、出力のために予測３１２及び／又は通知３１４を通信する。通信インターフェースは、ネットワークを介してデータを通信することができる様々な通信結合（有線及び／又は無線）で構成され得る。この通信インターフェースはまた、様々なソフトウェア、ファームウェア、及びハードウェアを使用して実装され、そのようなデータの送受信を引き起こすこともできる。予測３１２及び通知３１４のうちのいずれか又は両方がコンピューティングデバイス１０８に通信され得ることが理解されるべきである。追加的又は代替的に、予測３１２及び／又は通知３１４は、例えば、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に送達されることが許可される前に、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。１つ以上の予測を生成するコンテキストでは、図４の以下の考察を検討する。

図４は、今後のグルコース測定値が、機械学習を使用して予測される、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、例えば記憶デバイス１２０からグルコース測定値１１８及びタイムスタンプ４０２を取得することが示されている。ここで、グルコース測定値１１８は、ヒト１０２に対応し得る。更に、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。言い換えると、個々のグルコース測定値１１８ごと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、グルコースモニタリングデバイスデータ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、ウェアラブルグルコースモニタリングデバイス１０４レベルでグルコース測定値１１８と関連付けられ得る。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と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、グルコース測定値１１８及びタイムスタンプ４０２に基づいて、予測された今後のグルコース測定値４０８を生成するように構成されている、順序付けマネージャ４０４及び機械学習モデル４０６を含むように描写されている。予測システム３１０は、これらの２つの構成要素を含むように描写されているが、予測システム３１０は、記載された技術の趣旨又は範囲から逸脱することなく、グルコース測定値１１８及びタイムスタンプ４０２に基づいて、予測された今後のグルコース測定値４０８を生成するための、より多い、より少ない、及び／又は異なる構成要素を有し得ることが理解されるべきである。

大まかに言えば、順序付けマネージャ４０４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を生成するように構成されている。グルコース測定値１１８は一般に、例えば、ウェアラブルグルコースモニタリングデバイス１０４及び／又はコンピューティングデバイス１０８からグルコースモニタリングプラットフォーム１１２によって順番に受信され得るが、場合によっては、グルコース測定値１１８のうちの１つ以上が、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、順不同で受信される可能性がある。したがって、受信の順序は、グルコース測定値１１８がウェアラブルグルコースモニタリングデバイス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。加えて、又は代わりに、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。実際、予測システム３１０によって得られたグルコース測定値１１８が完全に時間順にならない理由は様々であり得る。

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４０４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。破損及び通信エラーにより、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は、時間順から外れているだけでなく、１つ以上の測定値が欠落している可能性があり、１つ以上の測定値が予想される時間順シーケンスにギャップが存在する可能性がある。これらの例では、順序付けマネージャ４０４は、欠落したグルコース測定値を補間し、それらを時間順シーケンスに組み込む。

順序付けマネージャ４０４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、「グルコーストレース」として構成され得るか、そうでなければ「グルコーストレース」と称され得る。予測された今後のグルコース測定値４０８とは対照的に、時系列グルコース測定値４１０は、ヒト１０２によって着用されたウェアラブルグルコースモニタリングデバイス１０４などのウェアラブルグルコースモニタリングデバイスによって観察されたグルコース測定値のトレースである。このようにして観察されたグルコース測定値は、例えば機械学習モデル４０６によって予測されたグルコース測定値と対照的である。

例えば、時系列グルコース測定値４１０は、予測が開始される時点から過去１２時間にわたってヒト１０２について観察されたグルコース測定値１１８のトレースであり得る。対照的に、予測された今後のグルコース測定値４０８は、予測が開始される時点から３０分先の時点までにわたるグルコース測定値の追加のトレースとして構成され得る。時系列グルコース測定値４１０及び予測された今後のグルコース測定値４０８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、それぞれ、１２時間及び３０分以外の異なる時間間隔に対応し得ることが理解されるべきである。

記載された技法に従って、時系列グルコース測定値４１０は、機械学習モデル４０６への入力として提供される。時系列グルコース測定値４１０を入力として受信することに応答して、機械学習モデル４０６は、予測された今後のグルコース測定値４０８を生成及び出力するように構成されている。機械学習モデル４０６は一般に、時系列グルコース測定値４１０の入力から、予測された今後のグルコース測定値４０８を生成するものとして説明されるが、１つ以上の実装態様では、機械学習モデル４０６は、予測された今後のグルコース測定値４０８を生成するために、追加の入力を受信し得る。例として、機械学習モデル４０６は、時系列グルコース測定値４１０とともに、患者固有の（例えば、ヒト１０２に固有の）補正係数を入力として受信し得る。予測システム３１０は、ほんの数例を挙げると、ヒト１０２の履歴グルコース測定値１１８、ウェアラブルグルコースモニタリングデバイス１０４及び他の以前に着用されたグルコースモニタリングデバイスのデバイスデータ、ウェアラブルグルコースモニタリングデバイス１０４及びグルコースモニタリングプラットフォーム１１２のアプリケーションを有するヒト１０２の対話を記述する対話データ、並びにヒト１０２のウェアラブルグルコースモニタリングデバイス１０４の健康状態（又はステータス）に基づいて、ヒト１０２の患者固有の補正係数を決定し得る。機械学習モデル４０６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、他のデータを入力として受信し得る。

入力として受信された特定のデータに関係なく、機械学習モデル４０６は、予測された今後のグルコース測定値４０８を出力するように訓練される。例として、１つ以上の訓練アプローチに基づいて、及び、ユーザ母集団１１０のグルコース測定値１１８から生成された時系列グルコース測定値などの履歴時系列グルコース測定値を使用して、機械学習モデル４０６が訓練され得るか、又は基礎となるモデルが学習され得る。そのような訓練は、記憶デバイス１２０に維持されているユーザ母集団１１０データから、一定の時間間隔（例えば、時間、日、又は週）にわたるユーザの個々のグルコース測定値１１８のベクトルを含む訓練データを形成することなどによって、ユーザ母集団１１０のグルコース測定値１１８から生成された大量の訓練データを利用し得る。このデータは、部分的に、機械学習モデル４０６のテスト及び検証に使用される場合がある。機械学習モデル４０６の訓練は、図８に関してより詳細に考察される。

従来のグルコース予測アプローチとは対照的に、機械学習モデル４０６は、非線形モデルとして構成されている。グルコース予測への従来のアプローチは、自己回帰線形モデルなどの線形モデルを用いてグルコースをモデル化する場合がある。このような線形モデルは時変プロセスを記述することが可能である場合があるが、モデルの出力は、以前の値に線形に依存する。これにより、実際の観察されたグルコース測定値と比較して、かなりの時間遅延を有するグルコース予測が得られる可能性がある。

例として、従来通りに構成された線形モデルは、現在時刻から３０分先の人のグルコース測定値を示すことを意図した予測を出力し得る。しかし、その人の観察されたグルコースは、わずか５分先の予測された測定値に対応している可能性がある。この目的のために、従来通りに構成された線形モデルの予測は２５分遅れており、従来のモデルの予測範囲は、人の実際のグルコースと一致しない。更に、線形モデルは、本明細書に記載の非線形モデルよりも、今後のグルコース測定値の予測の精度の低い予測を生成する可能性がある。これは、線形モデルでは、非線形アプローチを使用して捕捉することができる履歴データで観察されたいくつかのパターンを説明することができない場合があるためである。予測範囲が実際のグルコースに一致しないこと及び精度の低い予測により、従来のシステムによって生成されたグルコース予測が、危険なほどに（及び急速に）変化するグルコースレベルを緩和するための行動を処方するなど、様々な用途に適さなくなる可能性がある。

代わりに、機械学習モデル４０６は、非線形モデルとして、又は１つ以上の非線形モデルを含むモデルの集合として構成され得る。機械学習モデル４０６は、生成モデルとして構成され得、これは、一連のグルコース測定値、例えば、数時間先を推定する。非線形及び生成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）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、マルコフ連鎖（例えば、隠れマルコフモデル）、モンテカルロ法、及び粒子フィルタが含まれ得る。一般的に言えば、これらのタイプのモデルは、長期的な傾向に対応するデータのパターンを学習するように構成され得、シーケンス認識を通じてグルコース測定値のダイナミクスを学習することを可能にする。機械学習モデル４０６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、１つ以上の異なるタイプの非線形機械学習モデルとして構成され得るか、そうでなければそれを含み得ることが理解されるべきである。非線形機械学習モデルの一例として、図５を検討する。

図５は、機械学習モデルが反復予測で今後のグルコース測定値を予測する例示的な実装態様５００を描写する。

図示の例５００は、時系列グルコース測定値４１０及び予測された今後のグルコース測定値４０８を含む。ここで、時系列グルコース測定値４１０及び予測された今後のグルコース測定値４０８は、それぞれ、機械学習モデル４０６のステップへの入力及びステップからの出力として描写される。特に、図示の例５００は、機械学習モデルの複数のステップ４０６（１）～（５）を含む。これは、機械学習モデル４０６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すことができる。例えば、機械学習モデル４０６がＬＳＴＭネットワークとして構成されているシナリオでは、機械学習モデルのステップ４０６（１）～（５）は、ネットワークの繰り返しモジュールを表す。

図示の例５００はまた、第１のグルコーストレース５０２、第２のグルコーストレース５０４、第３のグルコーストレース５０６、第（ｎ－１）のグルコーストレース５０８、及び第ｎのグルコーストレース５１０を含むグルコーストレース５０２～５１０、並びにそれらのグルコーストレースの視覚化及び時系列グルコース測定値４１０の視覚化を含む。時系列グルコース測定値４１０及びグルコーストレース５０２～５１０の視覚化は、図６及び７により詳細に描写されている。図示の例５００の考察は、図６及び７に描写される視覚化の詳細を参照する。

具体的には、図６は、時系列グルコース測定値４１０、第１のグルコーストレース５０２、及び第２のグルコーストレース５０４の視覚化を含む、観察及び予測されたグルコーストレースの例示的な視覚化６００を描写する。図７は、第３のグルコーストレース５０６、第（ｎ－１）のグルコーストレース５０８、及び第ｎのグルコーストレース５１０の視覚化を含む、予測されたグルコーストレースの例示的な視覚化７００を描写する。

図示の例５００では、時系列グルコース測定値４１０を入力として受信する機械学習モデルのステップ４０６（１）が示されている。例示的な視覚化６００を参照すると、時系列グルコース測定値４１０の視覚化は、観察されたグルコース測定値を表し、入力ウィンドウ６０２内に配置される複数の点を含む。これは、それらの点によって表されるグルコース測定値が、機械学習モデル４０６のステップ（１）に入力されることを表す。

図示の例６００、７００では、視覚化の各々が入力ウィンドウ６０２を含む。大まかに言えば、入力ウィンドウは、どのグルコース測定値が予測され、どの測定値が次のステップへの入力として使用されるかを識別する。これらの例６００、７００では、例えば、入力ウィンドウ６０２内のグルコース測定値は、機械学習モデル４０６のステップに入力される。１つ以上の実装態様では、入力ウィンドウ６０２内にないグルコース測定値は、次のステップへの入力として使用されない。例えば、第１のグルコーストレース５０２のバツ印を付けられた点６０４は、機械学習モデルのステップ４０６（２）に入力され得ない。

入力ウィンドウ６０２のサイズは、例示的な視覚化６００、７００にわたって同じままで描写されているが、これは、時系列グルコース測定値の同じ時間量が、各ステップで機械学習モデル４０６に入力されることを表しており（例えば、１２時間分の測定値）、１つ以上の実装態様では、入力ウィンドウ６０２が同じサイズのままではない可能性があることを理解されたい。代わりに、入力ウィンドウは、各ステップにおいて拡張されて、ステップの予測の時間ステップに対応する時間量を追加し得る。例えば、時系列グルコース測定値４１０が１２時間分のデータに対応し、機械学習モデル４０６が各ステップで５分間分のグルコース測定値を予測する場合、第１のグルコーストレース５０２は、１２時間５分分のデータに対応し、この１２時間５分分のデータが、第２のステップで機械学習モデルに入力される。この例を続けると、そのような入力は、１２時間１０分分のデータとして第２のグルコーストレース５０４を生成し得る。

これ及び様々な実装態様における同様のアプローチにもかかわらず、以下の考察では、入力ウィンドウ６０２が同じサイズのままである（例えば、時系列グルコース測定値の時間分の量に関して）実装態様について説明する。また、入力ウィンドウ６０２のサイズは異なるステップにわたって同じままであり得るが、異なる実装態様では、以下で考察されるものとは異なるサイズ、すなわち異なる時間量の入力ウィンドウを活用し得ることを理解されたい。１つ以上の実装態様では、入力ウィンドウ６０２は、１２時間分のグルコース測定値に対応し得、例えば、時系列グルコース測定値４１０は、予想される今後のグルコース測定値４０８の生成が開始される時点からさかのぼる、１２時間のグルコース測定値１１８に対応し得る。他の実装態様では、入力ウィンドウ６０２は、時系列グルコース測定値４１０が、例えば、ほんの数例を挙げると、最後の１日分のグルコース測定値、最後の２日間分のグルコース測定値、最後の６時間分のグルコース測定値、又は最後の１時間分の測定値に対応するように、異なるサイズを有し得る。

ここで、図示の例５００の段階的な考察に移る。この例５００では、機械学習モデルの第１のステップ４０６（１）は、時系列グルコース測定値４１０を入力として受信することを描写している。機械学習モデルの第１のステップ４０６（１）は、第１のグルコーストレース５０２を出力するように描写されている。図示の例６００に描写されるように、第１のグルコーストレース５０２は、グルコース測定値の第１の時間ステップ６０６を含む。一般的に言えば、機械学習モデル４０６の各ステップは、グルコース測定値の入力ウィンドウが与えられると、グルコース測定値の時間ステップを予測するように構成されている。したがって、第１のステップ機械学習モデル４０６（１）は、モデルの訓練、及び時系列グルコース測定値４１０における１つ以上のパターンに基づいて、グルコース測定値の第１の時間ステップ６０６を予測する。グルコース測定値の第１の時間ステップ６０６は、予測の開始から時間ステップの時間量に対応する次の時点までにわたる時間ステップについて予測されたグルコース測定値を含む。第１のステップ機械学習モデル４０６（１）は、グルコース測定値の第１の時間ステップ６０６を時系列グルコース測定値４１０の終端に付加し、また、時系列の開始からグルコース測定値、例えば、時間ステップ分のグルコース測定値を削除し得る。代替的に又は追加的に、第１のステップ機械学習モデル４０６は、グルコース測定値の第１の時間ステップ６０６を容易に予測し得、追加ロジック（図示せず）は、付加及び削除を実行し得る。グルコース測定値の第１の時間ステップ６０６を予測し、付加及び削除を実行することによって、予測システム３１０は、第１のグルコーストレース５０２を形成する。

入力ウィンドウが１２時間に対応し、時間ステップが５分に対応する予測、追加、及び削除の例を検討する。ここで、機械学習モデルの第１のステップ４０６（１）は、今後のグルコース測定値の５分間の予測として、グルコース測定値の第１の時間ステップ６０６を生成する。この５分間の予測は、１２時間のグルコース測定値である時系列グルコース測定値４１０の終端に付加され、それによって１２時間５分のグルコース測定値を形成する。次いで、このトレースの開始から５分間のグルコース測定値が削除され、グルコース測定値の１２時間トレースとして第１のグルコーストレース５０２が形成される。したがって、第１のグルコーストレース５０２は、観察されたグルコース測定値及び予測されたグルコース測定値の両方を含む。次いで、第１のグルコーストレース５０２は、機械学習モデルの第２のステップ４０６（２）に入力される。

この例５００では、機械学習モデルの第２のステップ４０６（２）は、第２のグルコーストレース５０４を出力することを描写している。図示の例６００に描写されるように、第２のグルコーストレース５０４は、グルコース測定値の第１の時間ステップ６０６及びグルコース測定値の第２の時間ステップ６０８を含む。ここで、機械学習モデルの第２のステップ４０６（２）は、モデルの訓練、及び第１のグルコーストレース５０２における１つ以上のパターンに基づいて、グルコース測定値の第２の時間ステップ６０８を予測する。グルコース測定値の第２の時間ステップ６０８は、１つの時間ステップ分の時間に対応する時点から２つの時間ステップ分の時間に対応する次の時点までの時間ステップについて予測されたグルコース測定値、例えば、５～１０分先のグルコース測定値を含む。

前のステップと同様に、機械学習モデルの第２のステップ４０６（２）は、グルコース測定値６０８の第２の時間ステップを第１のグルコーストレース５０２の終端に付加し、また、トレースの開始から、グルコース測定値、例えば、時間ステップ分のグルコース測定値を削除し得る。代替的又は追加的に、上述の追加ロジック（図示せず）は、付加及び削除を実行し得る。グルコース測定値の第２の時間ステップ６０８を予測し、付加及び削除を実行することによって、予測システム３１０は、第２のグルコーストレース５０４を形成する。次いで、第２のグルコーストレース５０４は、機械学習モデルの第３のステップ４０６（３）に入力される。

この例５００では、機械学習モデルの第３のステップ４０６（３）は、第３のグルコーストレース５０６を出力することを描写している。図示の例７００に描写されるように、第３のグルコーストレース５０６は、グルコース測定値の第１の時間ステップ６０６、グルコース測定値の第２の時間ステップ６０８、及びグルコース測定値の第３の時間ステップ７０２を含む。ここで、機械学習モデルの第３のステップ４０６（３）は、モデルの訓練、及び第２のグルコーストレース５０４における１つ以上のパターンに基づいて、グルコース測定値の第３の時間ステップ７０２を予測する。グルコース測定値の第３の時間ステップ７０２は、２つの時間ステップ分の時間に対応する時点から３つの時間ステップ分の時間に対応する次の時点までの時間ステップについて予測されたグルコース測定値、例えば、１０～１５分先のグルコース測定値を含む。

前の時間ステップと同様に、機械学習モデルの第３のステップ４０６（３）は、グルコース測定値の第３の時間ステップ７０２を第２のグルコーストレース５０４の終端に付加し、また、トレースの開始から、グルコース測定値、例えば、時間ステップ分のグルコース測定値を削除し得る。代替的又は追加的に、上述の追加ロジック（図示せず）は、付加及び削除を実行し得る。グルコース測定値の第３の時間ステップ７０２を予測し、付加及び削除を実行することによって、予測システム３１０は、第３のグルコーストレース５０６を形成する。次いで、第３のグルコーストレース５０６は、機械学習モデル４０６の次のステップに入力される。

図示の例５００は、機械学習モデルの第３のステップ４０６（３）と機械学習モデルの図示の第４のステップ４０６（４）との間に１つ以上のステップがあり得ることを示す楕円を含む。機械学習モデル４０６が３０分間隔で、予測された今後のグルコース測定値４０８を生成し、各ステップでの予測の時間ステップが５分である場合、機械学習モデル４０６の６つのステップがある（及び、機械学習モデルの第３のステップと第４のステップ４０６（３）、（４）との間に１つのステップのみ示されていない）。ただし、１時間間隔で５分の時間ステップ、３０分間隔で３分の時間ステップなど、１つ以上の実装態様においてより多くのステップが存在する場合がある。技法の趣旨又は範囲から逸脱することなく、この例５００に図示されるよりも多い又は少ないステップがあり得ることを理解されたい。

いずれにせよ、機械学習モデルの第４のステップ４０６（４）は、入力として、機械学習モデル４０６の直前のステップからのグルコーストレースを受信する。例えば、ｎ個のステップがある場合、機械学習モデルの第４のステップ４０６（４）は、第（ｎ－２）のグルコーストレースを入力として受信する。ここで、機械学習モデルの第４のステップ４０６（４）は、第（ｎ－１）のグルコーストレース５０８を出力するように描写されている。図示の例７００に描写されるように、第（ｎ－１）のグルコーストレース５０８は、グルコース測定値の第１の時間ステップ６０６、グルコース測定値の第２の時間ステップ６０８、グルコース測定値の第３の時間ステップ７０２、及びグルコース測定値の第（ｎ－１）の時間ステップ７０４を含む。ここで、機械学習モデルの第４のステップ４０６（４）は、モデルの訓練及び機械学習モデル４０６の直前のステップからのグルコーストレースにおける１つ以上のパターンに基づいて、グルコース測定値の第（ｎ－１）の時間ステップ７０４を予測する。

例示的な視覚化７００には図示されていないが、機械学習モデルの第３のステップと第４のステップ４０６（３）、（４）との間に追加のステップがある場合、グルコース測定値の第３の時間ステップ７０２とグルコース測定値の第（ｎ－１）の時間ステップ７０４との間に、対応する数の追加の時間ステップも存在することが理解されるべきである。グルコース測定値の第（ｎ－１）の時間ステップ７０４は、（ｎ－２）個の時間ステップ分の時間に対応する時点から（ｎ－１）個の時間ステップ分の時間に対応する次の時点までの時間ステップについて予測されたグルコース測定値、例えば、２０～２５分先のグルコース測定値を含む。

前の時間ステップと同様に、機械学習モデルの第４のステップ４０６（４）は、グルコース測定値の第（ｎ－１）の時間ステップ７０４を直前のグルコーストレースの終端に付加し、また、トレースの開始からグルコース測定値、例えば、時間ステップ分のグルコース測定値を削除し得る。代替的又は追加的に、上述の追加ロジック（図示せず）は、付加及び削除を実行し得る。グルコース測定値の第（ｎ－１）の時間ステップ７０４を予測し、付加及び削除を実行することによって、予測システム３１０は、第（ｎ－１）のグルコーストレース５０８を形成する。次いで、第（ｎ－１）のグルコーストレース５０８は、機械学習モデル４０６の次のステップ、例えば機械学習モデルの図示の第５のステップ４０６（５）に入力される。

この例５００では、機械学習モデルの第５のステップ４０６（５）は、第ｎのグルコーストレース５１０を出力することを描写している。図示の例７００に描写されるように、第ｎのグルコーストレース５１０は、グルコース測定値の第１の時間ステップ６０６、グルコース測定値の第２の時間ステップ６０８、グルコース測定値の第３の時間ステップ７０２、グルコース測定値の第（ｎ－１）の時間ステップ７０４、及びグルコース測定値の第ｎの時間ステップ７０６を含む。ここで、機械学習モデルの第５のステップ４０６（５）は、モデルの訓練、及び第（ｎ－１）のグルコーストレース５０８における１つ以上のパターンに基づいて、グルコース測定値の第ｎの時間ステップ７０６を予測する。グルコース測定値の第ｎの時間ステップ７０６は、（ｎ－１）個の時間ステップ分の時間に対応する時点からｎ個の時間ステップ分の時間に対応する次の時点までの時間ステップについて予測されたグルコース測定値、例えば、２５～３０分先のグルコース測定値を含む。

前の時間ステップと同様に、機械学習モデルの第５のステップ４０６（５）は、グルコース測定値の第ｎの時間ステップ７０６を第（ｎ－１）のグルコーストレース５０８の終端に付加し、また、トレースの開始から、グルコース測定値、例えば、時間ステップ分のグルコース測定値を削除し得る。代替的又は追加的に、上述の追加ロジック（図示せず）が追加及び削除を実行し得る。グルコース測定値７０６の第ｎの時間ステップを予測し、付加及び削除を実行することによって、予測システム３１０は、第ｎのグルコーストレース５１０を形成する。

図示の例５００は、予測された今後のグルコース測定値４０８から延びる破線と、第ｎのグルコーストレース５１０の一部分の周りの破線ボックスと、を含む。特に、破線ボックスは、グルコース測定値の第１の時間ステップ６０６、グルコース測定値の第２の時間ステップ６０８、グルコース測定値の第３の時間ステップ７０２、グルコース測定値の第（ｎ－１）の時間ステップ７０４、及びグルコース測定値の第ｎの時間ステップ７０６の周りに示されている。これは、予測された今後のグルコース測定値４０８が、それらの時間ステップ６０６、６０８、７０２、７０４、７０６で予測されたグルコース測定値の組み合わせに対応する可能性があることを表する。時間ステップ６０６、６０８、７０２、７０４、７０６で予測されたグルコース測定値は、時系列グルコース測定値４１０のグルコース測定値とは区別されるが、時系列グルコース測定値４１０が、予測されるのではなく、実際に観察される（例えば、ヒト１０２によって着用されている間、ウェアラブルグルコースモニタリングデバイス１０４によって生成される）ためである。

機械学習モデル４０６は、図６及び７に関連して説明した時間ステップで、予測された今後のグルコース測定値４０８を反復的に生成するように構成され得るが、１つ以上の実装態様において、機械学習モデル４０６は、代わりに、複数の反復を使用せずに、単一のステップで、予測された今後のグルコース測定値４０８を生成し得る。換言すれば、機械学習モデル４０６は、３０分分の予測された今後のグルコース測定値４０８を予測するために、６つの５分間の時間ステップの予測を生成するのではなく、代わりに、予測された今後のグルコース測定値４０８の３０分の予測を、単一のステップで生成し得る。例えば、機械学習モデル４０６は、予測し、付加し、次いで、拡張されたトレースを機械学習モデル４０６に入力することを含む反復においてそのようにするよりもむしろ、１２時間分のグルコース測定値１１８を入力として受信し、３０分分の予測された今後のグルコース測定値４０８を１つのステップで生成し得る。

図示の例４００、５００では、機械学習モデル４０６は、時系列グルコース測定値４１０を入力のみとして受信するように描写されており、投与されたインスリン、摂取した炭水化物、運動、ストレスなど、将来、人のグルコースに影響を与える可能性がある他の側面を記述するデータを受信することは描写されていない。いくつかの実装態様では、機械学習モデル４０６は、時系列グルコース測定値４１０（及び信頼性などの時系列グルコース測定値４１０に関する情報）の受信に限定され得るが、１つ以上の実装態様では、機械学習モデル４０６はまた、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述するデータを、入力として受信し得る。

インスリン投与、炭水化物摂取、運動、及びストレスを超えて、将来、人のグルコースを示す可能性のある側面の更なる例には、ほんの数例を挙げると、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見て、グルコース測定値に関連した警告又は情報を見たことを示す）、アプリケーションデータ（例えば、表示されるユーザインターフェースと、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とを記述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）の存在又不在が含まれる。

機械学習モデル４０６を訓練して、観察されたグルコース測定値の時系列に基づいて、今後のグルコース測定値を予測する状況において、図８の以下の考察を検討する。

図８は、機械学習モデルが訓練されて、今後のグルコース測定値を予測する、予測システム３１０の例示的な実装態様８００をより詳細に描写する。図３のように、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はまた、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８００では、予測システム３１０は、モデルマネージャ８０２を含み、モデルマネージャ８０２は、機械学習モデル４０６を管理し、モデルマネージャ８０２は、上述のように、１つ以上の非線形モデル、例えば、ＬＳＴＭ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ているか、又はそれを含む。機械学習モデル４０６は、説明された技法の趣旨又は範囲から逸脱することなく、他のタイプの非線形モデルとして構成され得るか、又は非線形モデルを含み得ることが理解されるべきである。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する（又はそうでなければモデルが学習される）ことができる。したがって、モデルマネージャ８０２の機能性の以下の考察は、様々な非線形機械学習モデルに適用可能であることが理解されよう。しかし、説明のために、モデルマネージャ８０２の機能性は、一般的にニューラルネットワークの訓練に関連して説明される。

大まかに言えば、モデルマネージャ８０２は、機械学習モデル４０６を含む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４０６を構築すること、機械学習モデル４０６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、このモデルを更新することは、機械学習モデル４０６をパーソナライズする、すなわち、機械学習モデル４０６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１０２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８０２は、グルコースモニタリングプラットフォーム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及びタイムスタンプ４０２を含む。別の言い方をすれば、モデルマネージャ８０２は、機械学習モデル４０６を構築し、機械学習モデル４０６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）、ユーザ母集団１１０のグルコース測定値１１８及びタイムスタンプ４０２を使用してこのモデルを更新する。機械学習モデル４０６が、入力として時系列グルコース測定値に加えてデータを受信する実装態様では、モデルマネージャ８０２はまた、ユーザ母集団１１０のこの他のデータも使用して、機械学習モデル４０６を構築、訓練、及び更新する。

従来のシステムとは異なり、グルコースモニタリングプラットフォーム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）についてウェアラブルグルコースモニタリングデバイス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、グルコースモニタリングデバイス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、グルコース測定値１１８は、数百万、あるい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８０２に利用可能である。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８０２は、機械学習モデル４０６を構築及び訓練して、観察されたグルコース測定値のパターンに基づいて、人の今後のグルコースを正確に予測することができる。

グルコースモニタリングプラットフォーム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、グルコースレベルにおけるパターンが、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、不正確なグルコース予測が生じる可能性があり（例えば、人の血液中に実際に存在するグルコースの量に関して、又は予測のタイミングに関して）、安全でない行動又は死に至る可能性のある挙動を推奨する可能性がある。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４０６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８０２は、機械学習モデル４０６を訓練するための訓練データを生成する。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からグルコース測定値の訓練時系列を形成することを含む。モデルマネージャ８０２は、順序付けマネージャ４０４の機能性を活用して、例えば、時系列グルコース測定値４１０の形成に関して考察されるものと同様の方法で、これらの訓練時系列を形成し得る。

次いで、訓練時系列の各々について、モデルマネージャ８０２は、訓練時系列の入力部分及び訓練時系列の予想される出力部分、すなわち、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を生成し得る。したがって、訓練データの各インスタンスは、訓練入力部分と、訓練時系列から抽出された予想される出力部分とを含み得る。モデルマネージャ８０２は、入力部分に対して入力ウィンドウに相当する訓練時系列を選択すること、及びまた、予想される出力部分として、時間的に、選択された部分の後に続く、訓練時系列の一部分を使用することなど、訓練時系列をセグメント化することによって、これらの部分を生成し得る。図５に関して考察されるように、機械学習モデル４０６が段階的に予測を生成するシナリオでは、予想される出力部分は、選択された部分に続く訓練時系列の時間ステップ分に対応し得る。

実証するために、機械学習モデル４０６が１２時間の時系列グルコース測定値を入力として受信するように設計されており、機械学習モデル４０６のステップが今後のグルコース測定値の５分間の予測を生成するように訓練される例を再度検討する。この例では、訓練時系列が２４時間の時系列グルコース測定値（２４時間グルコーストレース）であることも仮定し、確実に、モデルマネージャ８０２は、記載されている技法の趣旨又は範囲から逸脱することなく、異なる時間の長さの訓練時系列を使用し得る。例として、特定の訓練時系列は、２０２０年４月８日の午後１２：００：００～２０２０年４月９日の午後１２：００：００に及ぶ場合がある。この特定の訓練時系列の入力部分として、モデルマネージャ８０２は、２０２０年４月８日の午後１：５９：００～２０２０年４月９日の午前１：５９：００など、１２時間の部分を選択し得る。したがって、この特定の訓練時系列の予想される出力部分は、２０２０年４月９日の午前１：５９：００～２０２０年４月９日の午前２：０４：００に及ぶという結果となる。機械学習モデル４０６が、予測された今後のグルコース測定値４０８を段階的に生成するように構成されておらず、むしろモデルを１回通過するシナリオでは、モデルマネージャ８０２は、予想される出力部分として、これは、予測された今後のグルコース測定値４０８の全時間、例えば、入力部分に続く３０分に対応する訓練時系列の一部分を使用し得る。したがって、構築されると、機械学習モデル４０６は、訓練時系列の予想される出力部分に時間量が対応するグルコース測定値のトレースを予測するように構成されている。

モデルマネージャ８０２は、訓練入力部分を、それぞれの予想される出力部分と共に使用して、機械学習モデル４０６を訓練する。訓練の状況において、モデルマネージャ８０２は、機械学習モデル４０６に、訓練入力部分のセットからのデータのインスタンスを提供することによって、機械学習モデル４０６を訓練し得る。これに応答して、機械学習モデル４０６は、段階的な実装態様（例えば、ＬＳＴＭ）において、今後のグルコース測定値の時間ステップを予測するか、又は非段階的な実装態様（例えば、他のタイプのニューラルネットワーク）において、間隔全体を予測することによって、今後のグルコース測定値の予測を生成する。モデルマネージャ８０２は、出力として機械学習モデル４０６からこの訓練予測を取得し、訓練予測を、訓練入力部分に対応する予想される出力部分と比較する。この比較に基づいて、モデルマネージャは、機械学習モデル４０６の内部重みを調整して、それぞれの訓練入力部分が、将来入力として提供されるときに、機械学習モデルが、予想される出力部分を実質的に再現できるようにする。

訓練入力部分のインスタンスを機械学習モデル４０６に入力し、機械学習モデル４０６から訓練予測を受信し、（例えば、平均二乗誤差などの損失関数を使用して）訓練予測を、入力インスタンスに対応する（観察された）予想される出力部分と比較し、これらの比較に基づいて、機械学習モデル４０６の内部重みを調整するこのプロセスは、数百、数千、又は更には数百万の反復にわたって、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、繰り返すことができる。

モデルマネージャ８０２は、機械学習モデル４０６が、予想される出力部分に一貫して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８０２は、機械学習モデル４０６を、解に「収束」するまで、例えば、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。

上述のように、機械学習モデル４０６は、１つ以上の実装態様において、時系列グルコース測定値のある間隔（例えば、入力ウィンドウ）に加えて入力を受信するように構成され得る。そのような実装態様では、モデルマネージャ８０２は、訓練入力部分、それぞれの予想される出力部分、及び更に、今後のグルコース測定値、例えばインスリン投与、炭水化物摂取、運動、及び／又はストレスを予測するために使用されるユーザ母集団１１０の他の側面を記述する追加の入力データを含む訓練インスタンスを形成し得る。この追加データ及び訓練入力部分は、１つ以上の既知の技法に従ってモデルマネージャ８０２によって処理されて、入力ベクトルを生成し得る。次いで、訓練入力部分並びに他の側面を記述するこの入力ベクトルは、機械学習モデル４０６に提供され得る。これに応答して、機械学習モデル４０６は、予測を訓練インスタンスの予想される出力部分と比較し、モデルの重みを、比較に基づいて調整することができるように、上で考察されるものと同様の方法で、今後のグルコース測定値の予測を生成し得る。

やはり上述したように、機械学習モデル４０６の管理は、転移学習を使用して、機械学習モデル４０６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８０２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４０６を訓練し得る。転移学習シナリオでは、モデルマネージャ８０２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のために生成され、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のために生成されるように、特定のユーザのために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）し得る。例えば、モデルマネージャ８０２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４０６に提供し、今後のグルコース測定値の訓練予測を受信し、それらの予測を、訓練データのそれぞれの出力部分と比較し、機械学習モデル４０６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４０６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４０６が作成される。

１つ以上の実装態様では、パーソナライズは、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８０２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４０６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４０６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８０２は、機械学習モデル４０６をサーバレベルで、例えば、グルコースモニタリングプラットフォーム１１２のサーバでパーソナライズし得る。次いで、このモデルは、例えば、コンピューティングデバイス１０８におけるグルコースモニタリングプラットフォーム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８０２の少なくとも一部分は、機械学習モデル４０６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で考察される更なる訓練）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、他のシナリオでは、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４０６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ことを理解されたい。

また、上記のように、機械学習モデル４０６は、１つ以上の実装態様において、ＬＳＴＭネットワークとして構成され得る。図５を参照すると、機械学習モデルのステップ４０６（１）～（５）の各々は、ＬＳＴＭネットワークのセルに対応し得る。この状況において、訓練中のモデルマネージャ８０２は、「忘却ゲート層」と称されるシグモイド層の重み、「入力ゲート層」と称される第２のシグモイド層の重み、候補値のベクトルを作成するｔａｎｈ層の重み、及び「出力層」と称される第３のシグモイド層の重みを含む、ＬＳＴＭネットワークの異なる層の重みを調整し得る。これらの重みを調整するために、モデルマネージャ８０２は、エラーがＬＳＴＭのセルに残るように、出力層からエラー値を逆伝播し得る。そうすることによって、モデルマネージャ８０２は、層が、訓練中に値をカットオフすることを学習するまで、ＬＳＴＭセルの層の各々に、エラーを連続的にフィードバックする。

図９は、予測されたグルコース測定値及び予測における信頼性を備えたグルコーストレースの例示的な視覚化９００を描写する。

図示の例９００は、観察されたグルコース測定値９０４及び予測されたグルコース測定値９０６、例えば、「拡張された」グルコーストレースを形成する組み合わせを有するグルコーストレース９０２を描写する。更に、図示の例は、信頼性９０８の視覚化を含む。特に、信頼性９０８の各視覚化は、それぞれの予測されたグルコース測定値９０６の信頼性、例えば、予測が正しいという信頼性を表す。この例９００では、信頼性９０８の視覚化は、予測されたグルコース測定値９０６が、観察されたグルコース測定値９０４から（時間的に）離れるほど、サイズが大きくなる。これは、予測されたグルコース測定値９０６が、観察されたグルコース測定値９０４から離れているほど、機械学習モデル４０６が、それらの予測において信頼性が低くなることを反映している。信頼性９０８の視覚化は、例えば、機械学習モデル４０６が、観察されたグルコース測定値が、それぞれの時点で生成されることを７０％確信している、グルコースの範囲を表すことができる。

１つ以上の実装態様では、機械学習モデル４０６は、段階的グルコーストレース５０２～５１０及び／又は予測された今後のグルコース測定値４０８とともに、１つ以上の信頼度を出力し得る。機械学習モデル４０６が、段階的グルコーストレースとともに、信頼度を出力する実装態様に関連して、機械学習モデル４０６はまた、各ステップで入力としてこれらの信頼度を受信するように構成され得る。機械学習モデル４０６は、入力された信頼度を使用して、次のステップのための信頼度を計算し得る。加えて、又は代わりに、機械学習モデル４０６は、信頼度が閾値を満たす限り、次のステップでグルコーストレースを生成するように構成され得る。しかし、前のステップで生成されたグルコーストレースが、閾値を満たさない信頼度に関連付けられている場合、機械学習モデル４０６は、それ以上のグルコーストレースを生成しない場合がある。

このように信頼度を使用することにより、予測された今後のグルコース測定値４０８の長さは、所定の時間間隔ではなく、段階的予測における信頼性に基づき得る。それにもかかわらず、１つ以上の実装態様では、一定の時間間隔にわたって、上で考察される段階的な方法でグルコーストレースを生成し得る。

図３に関連して上で考察されるように、データ分析プラットフォーム１２２は、予測された今後のグルコース測定値４０８に基づくなど、予測３１２に基づいて、通知３１４を生成及び送達し得る。上述のように、機械学習モデル４０６は、従来の技術よりも、現在の時点から更なる予測範囲について、グルコースを正確に予測することが可能である。これらのより正確なグルコースの予測は、次に、患者が、夜間の低血糖などの今後のグルコースイベントを経験するかどうかを予測するために使用することができる。この目的のために、機械学習モデル４０６によって生成されたグルコース予測は、１つ以上の意思決定支援モデルへの入力として機能し得、今後のグルコースイベントについて、ユーザに警告又はそうでなければ通知することができる。例えば、データ分析プラットフォーム１２２は、糖尿病を治療する方法を決定するための警告又は支援を送達し得る。この状況において、例示的な通知を描写する図１０を検討する。

図１０は、今後のグルコース測定値の予測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１０００を描写する。特に、例示的な実装態様１０００は、警告シナリオ１００２及び意思決定支援シナリオ１００４に描写されるコンピューティングデバイス１０８を含む。

警告及び意思決定支援シナリオ１００２、１００４の両方において、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１００６を表示する。ユーザインターフェース１００６は、アプリケーションのインターフェース、例えば、グルコースモニタリングプラットフォーム１１２のアプリケーション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１００６は、ロック画面又は他の操作レベル画面などの通知「センター」に対応し得る。

警告シナリオ１００２では、ユーザインターフェース１００６は、コンピューティングデバイス１０８のディスプレイデバイスを介して警告通知３１４を表示する。この通知３１４は、例えば、緩和挙動（例えば、食事、インスリンの服用、運動など）がなければ、ユーザがグルコース異常（すなわち、高血糖又は低血糖）を経験する可能性が高いことなど、今後の有害な健康状態についてユーザに警告するように構成し得る。記載された技法によれば、この通知３１４は、予測された今後のグルコース測定値４０８に基づいており、この例では、２２分後に、予測された低血糖エピソードを識別するために処理され得る。通知が、コンピューティングデバイスに、情報を表示することに加えて、例えば、スピーカーを介したオーディオ信号、触覚システムを介した振動又は他の触覚などを含む様々な信号を出力させ得ることを理解されたい。

意思決定支援シナリオ１００４では、ユーザインターフェース１００６は、コンピューティングデバイス１０８のディスプレイデバイスを介して支援通知３１４を表示する。この通知３１４は、例えば、ユーザに、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するように構成し得る。記載された技法によれば、この通知３１４はまた、予測された今後のグルコース測定値４０８に基づいている。

ユーザへの通知が示されているが、１つ以上の実装態様では、予測された今後のグルコース測定値４０８に基づいて生成された通知が、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）、遠隔医療サービスなどの他のエンティティに通信され得ることを理解されたい。更に、記載された技法の趣旨又は範囲から逸脱することなく、通知サービスに加えて、又は通知サービスに代わる様々な他のサービスが、予測された今後のグルコース測定値４０８に基づいて提供され得ることが理解されるべきである。

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の手法の例示的な例について考察したが、手法の追加の側面を図示するための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、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４０４、機械学習モデル４０６、及びモデルマネージャ８０２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１１は、非線形機械学習モデルが、時系列グルコース測定値に基づいて、今後のグルコース測定値を予測する例示的な実施における手順１１００を描写する。

ある時点までのグルコース測定値の時系列が受信される（ブロック１１０２）。本明細書で考察される原理に従って、グルコース測定値は、ユーザによって着用されたウェアラブルグルコースモニタリングデバイスによって提供される。例として、機械学習モデル４０６は、時系列グルコース測定値４１０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ウェアラブルグルコースモニタリングデバイス１０４によって提供される。特に、ウェアラブルグルコースモニタリングデバイス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。上で考察されるように、ウェアラブルグルコースモニタリングデバイス１０４は、連続グルコースモニタリング（ＣＧＭ）システムとして構成され得る。

今後のグルコース測定値は、その時点に続くある時間間隔について予測される（ブロック１１０４）。本明細書で考察される原理に従って、今後のグルコース測定値は、ユーザ母集団のグルコース測定値の履歴時系列に基づいて生成された非線形機械学習モデルを使用して、時系列グルコース測定値を処理することによって予測される。例として、機械学習モデル４０６は、予測された今後のグルコース測定値４０８を生成する。機械学習モデル４０６は、訓練中に学習された、ユーザ母集団１１０のグルコース測定値１１８の時系列のパターンに基づいて、時系列グルコース測定値４１０を処理することによって、この予測を生成する。上記のように、ユーザ母集団１１０は、ウェアラブルグルコースモニタリングデバイス１０４などのウェアラブルグルコースモニタリングデバイスを着用するユーザを含む。

今後のグルコース測定値が出力される（ブロック１１０６）。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、予測された今後のグルコース測定値４０８を出力する。

今後のグルコース測定値に基づいて、通知が生成される（ブロック１１０８）。例として、データ分析プラットフォーム１２２は、予測された今後のグルコース測定値４０８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、インスリンの服用、運動など）がなければ、ユーザがグルコース異常（すなわち、高血糖又は低血糖）を経験する可能性が高いことなど、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。加えて、又は代わりに、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１１１０）。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、グルコースモニタリングプラットフォーム１１２のアプリケーションを介した出力のために、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。代替的又は追加的に、データ分析プラットフォーム１２２は、例えば、プロバイダーポータルを介する出力のために、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）に通信する。

図１２は、測定値のある時間間隔が予測されるまで、非線形機械学習モデルが、今後のグルコース測定値を反復的に予測する例示的な実施における手順１２００を描写する。

ユーザによって着用されたウェアラブルグルコースモニタリングデバイスによって提供されたグルコース測定値が取得される（ブロック１２０２）。例として、順序付けマネージャ４０４は、ヒト１０２のグルコース測定値１１８及びそれらの測定値のタイムスタンプ４０２を取得する。

ある時点までのグルコース測定値の時系列が形成される（ブロック１２０４）。本明細書で考察される原理に従って、グルコース測定値の時系列は、それぞれのタイムスタンプに従ってグルコース測定値を順序付け、及び欠落した測定値を補間することによって形成される。例として、順序付けマネージャ４０４は、タイムスタンプ４０２に従ってグルコース測定値１１８を順序付けることによって、時系列グルコース測定値４１０（例えば、ウェアラブルグルコースモニタリングデバイス１０４から最後に受信された測定値まで）を形成する。順序付けマネージャ４０４はまた、データ破損又は通信エラーによる測定値欠落など、欠落した測定値を補間する。

非線形機械学習モデルを使用して、グルコース測定値の時系列に基づいて、今後のグルコース測定値の時間ステップが予測される（ブロック１２０６）。例として、機械学習モデル４０６（１）は、時系列グルコース測定値４１０に基づいて、グルコース測定値６０６の第１の時間ステップを生成する。

今後のグルコース測定値の時間ステップは、グルコース測定値の時系列の終端に付加されて、グルコース測定値の拡張された時系列を形成する（ブロック１２０８）。例として、機械学習モデル４０６（１）（又は追加のロジック）は、グルコース測定値６０６の第１の時間ステップを時系列グルコース測定値４１０の終端に付加して、第１のグルコーストレース５０２、すなわちグルコース測定値の拡張されたトレースを形成する。

任意選択的に、時間ステップ分のグルコース測定値は、拡張されたトレースの開始から削除される（ブロック１２１０）。例として、機械学習モデル４０６（１）（又は追加のロジック）は、第１のグルコーストレース５０２から、バツ印を付けられた点６０４に対応する測定値を削除する。

拡張されたトレースの、今後のグルコース測定値に対応する時間量が、少なくとも所定の間隔時間を含まない限り、今後のグルコース測定値の次の時間ステップは、非線形機械学習モデルを使用して、拡張されたトレースに基づいて予測される（ブロック１２１２）。例として、機械学習モデル４０６（２）は、第１のグルコーストレース５０２に基づいて、グルコース測定値６０８の第２の時間ステップを生成する。

ブロック１２０８～１２１２は、組み合わされた、拡張されたトレースの今後のグルコース測定値の時間ステップが、少なくとも所定の時間間隔に及ぶまで、繰り返される。例として、機械学習モデル４０６の後続のステップは、組み合わされた時間ステップが、少なくとも所定の時間間隔に及ぶまで、例えば、組み合わされた６つの５分間の時間ステップが所定の３０分の時間間隔に及ぶまで、ブロック１２０８～１２１２のステップを繰り返す。

図１３は、非線形機械学習モデルを訓練して、ユーザ母集団の履歴時系列グルコース測定値に基づいて、今後のグルコース測定値を予測する例示的な実装態様の手順１３００を描写する。

ユーザ母集団のユーザによって着用されたウェアラブルグルコースモニタリングデバイスによって提供されるグルコース測定値が取得される（ブロック１３０２）。例として、順序付けマネージャ４０４は、ユーザ母集団１１０のユーザのグルコース測定値１１８及びそれらの測定値のタイムスタンプ４０２を取得する。

グルコース測定値の時系列が形成される（ブロック１３０４）。本明細書で考察される原理に従って、グルコース測定値の時系列は、それぞれのタイムスタンプに従ってグルコース測定値を順序付け、欠落した測定値を補間することによって形成される。例として、順序付けマネージャ４０４は、それぞれのタイムスタンプ４０２に従って、ユーザ母集団１１０のグルコース測定値１１８を順序付けることによって、ユーザ母集団１１０のグルコース測定値１１８の時系列を形成する。順序付けマネージャ４０４はまた、データ破損又は通信エラーによる測定値欠落など、欠落した測定値を補間する。

訓練データのインスタンスは、各時系列を、訓練入力部分及び予想される出力部分にセグメント化することによって生成される（ブロック１３０６）。本明細書で考察される原理によれば、訓練入力部分は、時系列のある時点まで及び、予想される出力部分は、実質的にその時点で始まり、時系列の次の時点まで及ぶ。例として、モデルマネージャは、ブロック１３０４で形成された時系列の各々を、訓練入力部分及び予想される出力部分にセグメント化することによって、訓練データのインスタンスを生成する。

ここで、ブロック１３０８～１３１４は、非線形機械学習モデルが解に「収束」するまで、例えば、予想される出力部分と実質的に一致する予測をモデルが一貫して生成するように、モデルの内部重みが、訓練の反復により好適に調整されるなど、非線形機械学習モデルが好適に訓練されるまで繰り返され得る。代替的又は追加的に、ブロック１３０８～１３１４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の訓練入力部分は、非線形機械学習モデルへの入力として提供される（ブロック１３０８）。例として、モデルマネージャ８０２は、機械学習モデル４０６への入力として、ブロック１３０６で生成された訓練データのインスタンスの訓練入力部分を提供する。

グルコース測定値の予測は、非線形機械学習モデルからの出力として受信される（ブロック１３１０）。本明細書で考察される原理に従って、グルコース測定値の予測は、実質的にある時点から次の時点まで及ぶ時間間隔について予測される。例として、機械学習モデル４０６は、ブロック１３０８で提供された訓練入力部分に基づいて、今後のグルコース測定値の時間ステップを予測し、モデルマネージャ８０２は、機械学習モデル４０６の出力として、今後のグルコース測定値の時間ステップを受信する。

グルコース測定値の予測は、訓練データのインスタンスの予想される出力部分と比較される（ブロック１３１２）。例として、モデルマネージャは、ブロック１３１０で予測された今後のグルコース測定値の時間ステップを、ブロック１３０６で生成された訓練インスタンスの予想される出力部分と、例えば平均二乗誤差（ＭＳＥ）などの損失関数を使用して比較する。モデルマネージャ８０２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、機械学習モデル４０６の予測を、予想される出力と比較し得ることを理解されたい。

非線形機械学習モデルの重みは、比較に基づいて調整される（ブロック１３１４）。例として、モデルマネージャ８０２は、比較に基づいて、機械学習モデル４０６の内部重みを調整し得る。１つ以上の実装態様では、モデルマネージャ８０２は、訓練中に、１つ以上のハイパーパラメータ最適化技法（例えば、ベイズ最適化グリッドサーチ）を任意選択的に活用して、利用される学習アルゴリズムのハイパーパラメータを調整し得る。

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たため、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考える。

［例示的なシステム及びデバイス］
図１４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１４０２を含む、概して１４００における例示的なシステムを示す。これは、グルコースモニタリングプラットフォーム１１２を含めることを通じて図示されている。コンピューティングデバイス１４０２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１４０２は、処理システム１４０４、１つ以上のコンピュータ可読媒体１４０６、及び互いに通信可能に結合された１つ以上のＩ／Ｏインターフェース１４０８を含む。図示されていないが、コンピューティングデバイス１４０２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／又は様々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１４０４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１４０４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１４１０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を含み得る。ハードウェア要素１４１０は、それらが形成される材料又はそこで使用される処理メカニズムによって制限されない。例えば、プロセッサは、半導体及び／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１４０６は、メモリ／ストレージ１４１２を含むものとして示されている。メモリ／ストレージ１４１２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／ストレージ容量を表す。メモリ／ストレージ構成要素１４１２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１４１２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、光ディスクなど）を含み得る。コンピュータ可読媒体１４０６は、以下で更に説明するように、他の様々な方法で構成され得る。

入力／出力インターフェース１４０８は、ユーザがコンピューティングデバイス１４０２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／又は他の構成要素又はデバイスに情報を提示することを可能にする機能を表す。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、動きを、タッチを伴わないジェスチャーとして認識するために、可視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１４０２は、ユーザの対話を支援するために、以下で更に記載されるように、様々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型を実装するルーチン、プログラム、オブジェクト、要素、構成要素、データ構造などを含む。本明細書で使用される「モジュール」、「機能性」、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、何らかの形式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１４０２によってアクセスされ得る様々な媒体を含み得る。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、及び／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、ネットワークを介するなどして、コンピューティングデバイス１４０２のハードウェアに命令を送信するように構成されている信号伝達媒体を指し得る。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、若しくは他の輸送メカニズムなどの変調されたデータ信号における他のデータを具体化し得る。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。

上記のように、ハードウェア要素１４１０及びコンピュータ可読媒体１４０６は、１つ以上の命令を実行するなどのために、本明細書に記載の技術の少なくともいくつかの態様を実装するためにいくつかの実施形態で用いられ得るハードウェア形式で実装されるモジュール、プログラマブルデバイスロジック及び／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コンポーネント、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、何らかの形式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１４１０によって具体化される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１４０２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１４０２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１４０４のハードウェア要素１４１０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術、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１４０２及び／又は処理システム１４０４）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術は、コンピューティングデバイス１４０２の様々な構成によって支援され得、本明細書に記載の技術の特定の例に限定されない。この機能性は、以下に記載のように、プラットフォーム１４１６を介した「クラウド」１４１４上など、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１４１４は、リソース１４１８のためのプラットフォーム１４１６を含み、及び／又は表す。プラットフォーム１４１６は、クラウド１４１４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１４１８は、コンピューティングデバイス１４０２から離れたサーバ上でコンピュータ処理が実行されている間に利用することができるアプリケーション及び／又はデータを含み得る。リソース１４１８はまた、インターネットを介して、及び／又はセルラー又は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１４１６は、コンピューティングデバイス１４０２を他のコンピューティングデバイスと接続するためにリソース及び機能を抽象化し得る。プラットフォーム１４１６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１４１６を介して実装されるリソース１４１８の遭遇した需要に対応するレベルのスケールを提供するのに機能し得る。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の実装は、システム１４００全体に分散され得る。例えば、機能性は、部分的にコンピューティング１４０２上、及びクラウド１４１４の機能性を抽象化するプラットフォーム１４１６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。

１００ 環境
１０２ ヒト
１０４ グルコースモニタリングデバイス
１０４ ウェアラブルグルコースモニタリングデバイス
１０４ ウェアラブルグルコースモニタリングシステム
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 グルコースモニタリングプラットフォーム
１１４ 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 機構
２１４ グルコースモニタリングデバイスデータ
２１６ センサ識別
２１８ センサステータス

Claims (60)

1. 方法であって、
   ある時点までのグルコース測定値の時系列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ウェアラブルグルコースモニタリングデバイスによって提供される、受信することと、
   非線形機械学習モデルを使用して、前記グルコース測定値の時系列を処理することにより、前記時点に続くある時間間隔にわたって、今後のグルコース測定値を予測することであって、前記非線形機械学習モデルが、ユーザ母集団のグルコース測定値の履歴時系列に基づいて生成される、予測することと、
   前記今後のグルコース測定値を出力することと、を含む、方法。
2. 前記今後のグルコース測定値に基づいて通知を生成することと、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ことと、を更に含む、請求項１に記載の方法。
3. 前記１つ以上のコンピューティングデバイスが、前記ユーザに関連付けられたコンピューティングデバイスを含む、請求項２に記載の方法。
4. 前記１つ以上のコンピューティングデバイスが、前記ユーザのヘルスケア提供者又は遠隔医療サービスのうちの少なくとも１つに関連付けられたコンピューティングデバイスを含む、請求項２又は３に記載の方法。
5. 前記通知が、今後の有害な健康状態についての警告である、請求項２～４のいずれか一項に記載の方法。
6. 前記通知が、健康状態の治療に関する意思決定支援のための情報を含む、請求項２～５のいずれか一項に記載の方法。
7. 前記健康状態が、糖尿病である、請求項６に記載の方法。
8. 前記グルコース測定値のタイムスタンプに基づいて、前記ウェアラブルグルコースモニタリングデバイスによって提供される前記グルコース測定値を順序付けて、前記グルコース測定値の時系列を形成することを更に含む、請求項１～７のいずれか一項に記載の方法。
9. 前記グルコース測定値及び前記タイムスタンプに基づいて、欠落したグルコース測定値を補間することを更に含む、請求項８に記載の方法。
10. 前記グルコース測定値の履歴時系列が、前記ユーザ母集団のユーザによって着用されたウェアラブルグルコースモニタリングデバイスによって提供される測定値を含む、請求項１～９のいずれか一項に記載の方法。
11. システムであって、
    １つ以上のプロセッサと、
    コンピュータ可読命令が記憶されたメモリであって、前記命令が、前記１つ以上のプロセッサによって動作を実行するように実行可能であり、前記動作が、
    ある時点までのグルコース測定値の時系列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ウェアラブルグルコースモニタリングデバイスによって提供される、受信することと、
    非線形機械学習モデルを使用して、前記グルコース測定値の時系列を処理することにより、前記時点に続くある時間間隔にわたって、今後のグルコース測定値を予測することであって、前記非線形機械学習モデルが、ユーザ母集団のグルコース測定値の履歴時系列に基づいて生成される、予測することと、
    前記今後のグルコース測定値を出力することと、を含む、メモリと、を備える、システム。
12. 前記動作が、前記今後のグルコース測定値に基づいて通知を生成することと、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ことと、を更に含む、請求項１１に記載のシステム。
13. 前記通知が、今後の有害な健康状態についての警告である、請求項１２のいずれか一項に記載のシステム。
14. 前記通知が、健康状態の治療に関する意思決定支援のための情報を含む、請求項１２又は１３に記載のシステム。
15. 前記健康状態が、糖尿病である、請求項１４に記載のシステム。
16. 前記非線形機械学習モデルが、前記今後のグルコース測定値を反復的に予測するニューラルネットワークであり、各反復が、前記時間間隔の一部分に対する測定値を予測する、請求項１１～１５のいずれか一項に記載のシステム。
17. 前記非線形機械学習モデルが、前記今後のグルコース測定値を反復的に予測する長短期記憶（ＬＳＴＭ）ネットワークであり、各反復が、前記時間間隔の一部分に対する測定値を予測する、請求項１１～１６のいずれか一項に記載のシステム。
18. 前記動作が、前記グルコース測定値のタイムスタンプに基づいて、前記ウェアラブルグルコースモニタリングデバイスによって提供される前記グルコース測定値を順序付けて、前記グルコース測定値の時系列を形成することを更に含む、請求項１１～１７のいずれか一項に記載のシステム。
19. 前記動作が、前記グルコース測定値及び前記タイムスタンプに基づいて、欠落したグルコース測定値を補間することを更に含む、請求項１８に記載のシステム。
20. 命令が記憶された１つ以上のコンピュータ可読記憶媒体であって、前記命令が、１つ以上のプロセッサによって動作を実行するように実行可能であり、前記動作が、
    ある時点までのグルコース測定値の時系列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ウェアラブルグルコースモニタリングデバイスによって提供される、受信することと、
    非線形機械学習モデルを使用して、前記グルコース測定値の時系列を処理することにより、前記時点に続くある時間間隔にわたって、今後のグルコース測定値を予測することであって、前記非線形機械学習モデルが、ユーザ母集団のグルコース測定値の履歴時系列に基づいて生成される、予測することと、
    前記今後のグルコース測定値を出力することと、を含む、１つ以上のコンピュータ可読記憶媒体。
21. システムであって、
    ユーザによって着用されたウェアラブルグルコースモニタリングデバイスによって提供されるグルコース測定値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、今後のグルコース測定値の予測を生成するためのニューラルネットワークであって、前記予測が、入力としての、前記ニューラルネットワークによる前記時点までの前記グルコース測定値の時系列の受信に応答して生成され、前記ニューラルネットワークが、ユーザ母集団のグルコース測定値の履歴時系列に基づいて訓練される、ニューラルネットワークと、を備える、システム。
22. 前記ニューラルネットワークが、前記今後のグルコース測定値を反復的に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、前記時間間隔の一部分に対する測定値を予測する、請求項２１に記載のシステム。
23. 前記ニューラルネットワークが、前記今後のグルコース測定値を反復的に予測するように構成された長短期記憶（ＬＳＴＭ）ネットワークであり、各反復が、前記時間間隔の一部分に対する測定値を予測する、請求項２１又は２２に記載のシステム。
24. 前記グルコース測定値のそれぞれのタイムスタンプに基づいて、前記グルコース測定値の時系列を形成するための順序付けマネージャを更に備える、請求項２１～２３のいずれか一項に記載のシステム。
25. 前記今後のグルコース測定値に基づいて、１つ以上の通知を生成及び出力するためのグルコースモニタリングプラットフォームのアプリケーションを更に備える、請求項２１～２４のいずれか一項に記載のシステム。
26. 前記今後のグルコース測定値に基づいて通知を生成することと、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ことと、を行う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２１～２５のいずれか一項に記載のシステム。
27. 前記記憶デバイスが、前記ユーザ母集団のグルコース測定値を維持するように更に構成されている、請求項２１～２６のいずれか一項に記載のシステム。
28. 前記ユーザ母集団の前記グルコース測定値の履歴時系列を使用して、前記ニューラルネットワーク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２１～２７のいずれか一項に記載のシステム。
29. 方法であって、
    ユーザによって着用されたウェアラブルグルコースモニタリングデバイスによって提供されるグルコース測定値を記憶することと、
    ニューラルネットワークを使用して、ある時点に続くある時間間隔にわたって、今後のグルコース測定値の予測を生成することであって、前記生成することが、前記ニューラルネットワークへの入力として、前記時点までの前記グルコース測定値の時系列を提供することに応答しており、前記ニューラルネットワークが、ユーザ母集団のグルコース測定値の履歴時系列に基づいて訓練される、生成することと、を含む、方法。
30. 前記ニューラルネットワークが、前記時間間隔の一部分に対する各反復において、測定値を予測することによって、前記今後のグルコース測定値の前記予測を反復的に生成する、リカレントニューラルネットワークである、請求項２９に記載の方法。
31. 前記ニューラルネットワークが、前記時間間隔の一部分に対する各反復において、測定値を予測することによって、前記今後のグルコース測定値の前記予測を反復的に生成する、長短期記憶（ＬＳＴＭ）ネットワークである、請求項２９又は３０に記載の方法。
32. 前記グルコース測定値のそれぞれのタイムスタンプに基づいて、前記グルコース測定値の時系列を形成することを更に含む、請求項２９～３１のいずれか一項に記載の方法。
33. グルコースモニタリングプラットフォームのアプリケーションを介して、かつ前記今後のグルコース測定値に基づいて、１つ以上の通知を生成及び出力することを更に含む、請求項２９～３２のいずれか一項記載の方法。
34. 前記今後のグルコース測定値に基づいて通知を生成することと、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ことと、を更に含む、請求項２９～３３のいずれか一項に記載の方法。
35. 前記ユーザ母集団のグルコース測定値を維持することを更に含む、請求項２９～３４のいずれか一項に記載の方法。
36. 前記ユーザ母集団の前記グルコース測定値に基づいて、かつ１つ以上の補間技法を使用して、訓練のために、前記ユーザ母集団の前記グルコース測定値の履歴時系列を形成することを更に含む、請求項３５に記載の方法。
37. 前記ユーザ母集団の前記グルコース測定値の履歴時系列を使用して、前記ニューラルネットワークを訓練することを更に含む、請求項２９～３６のいずれか一項に記載の方法。
38. 命令が記憶された１つ以上のコンピュータ可読記憶媒体であって、前記命令が、１つ以上のプロセッサによって動作を実行するように実行可能であり、前記動作が、
    ユーザによって着用されたウェアラブルグルコースモニタリングデバイスによって提供されるグルコース測定値を記憶することと、
    ある時点に続くある時間間隔にわたって、かつニューラルネットワークを使用して、今後のグルコース測定値の予測を生成することであって、前記生成することが、前記ニューラルネットワークへの入力として、前記時点までの前記グルコース測定値の時系列を提供することに応答しており、前記ニューラルネットワークが、ユーザ母集団のグルコース測定値の履歴時系列に基づいて訓練される、生成することと、を含む、１つ以上のコンピュータ可読記憶媒体。
39. 前記ニューラルネットワークが、前記時間間隔の一部分に対する各反復において、測定値を予測することによって、前記今後のグルコース測定値の前記予測を反復的に生成する、リカレントニューラルネットワークである、請求項３８に記載の１つ以上のコンピュータ可読記憶媒体。
40. 前記ニューラルネットワークが、前記時間間隔の一部分に対する各反復において、測定値を予測することによって、前記今後のグルコース測定値の前記予測を反復的に生成する、長短期記憶（ＬＳＴＭ）ネットワークである、請求項３８又は３９に記載の１つ以上のコンピュータ可読記憶媒体。
41. 方法であって、
    ユーザ母集団の時系列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、前記ユーザ母集団のユーザによって着用されたウェアラブルグルコースモニタリングデバイスによって提供される、受信することと、
    各時系列について、訓練入力部分及び予想される出力部分を決定することにより、訓練データのインスタンスを生成することと、
    非線形機械学習モデルを訓練して、反復的に今後のグルコース測定値を予測することと、
    訓練データのインスタンスの前記訓練入力部分を、前記非線形機械学習モデルに提供することと、
    前記非線形機械学習モデルから、前記今後のグルコース測定値の予測を受信することと、
    前記今後のグルコース測定値の前記予測を、前記訓練データのインスタンスの前記予想される出力部分と比較することと、
    前記比較することに基づいて、前記非線形機械学習モデルの内部重みを調整することと、を含む、方法。
42. それぞれの時系列の前記訓練入力部分が、ある時点までの前記それぞれの時系列の第１の複数の前記グルコース測定値を含み、
    前記それぞれの時系列の前記予想される出力部分が、前記時点に続く前記それぞれの時系列の第２の複数の前記グルコース測定値を含む、請求項４１に記載の方法。
43. 前記予測が、損失関数を使用して、前記訓練データの前記インスタンスの前記予想される出力部分と比較される、請求項４１又は４２に記載の方法。
44. 前記損失関数が、平均二乗誤差である、請求項４３に記載の方法。
45. 前記ユーザ母集団の個々のユーザのグルコース測定値を順序付けることと、一連の前記グルコース測定値において欠落したグルコース測定値を補間することと、によって、前記ユーザ母集団の前記時系列グルコース測定値を形成することを更に含む、請求項４１～４４のいずれか一項に記載の方法。
46. 前記非線形機械学習モデルを使用して、ユーザの今後のグルコース測定値の予測を、前記ユーザのグルコース測定値がウェアラブルグルコースモニタリングデバイスを介して取得されるときに、リアルタイムで生成することを更に含む、請求項４１～４５のいずれか一項に記載の方法。
47. 前記非線形機械学習モデルが、リカレントニューラルネットワークである、請求項４１～４６のいずれか一項に記載の方法。
48. 前記非線形機械学習モデルが、長短期記憶（ＬＳＴＭ）ネットワークである、請求項４１～４７のいずれか一項に記載の方法。
49. 前記非線形機械学習モデルが、隠れマルコフモデルである、請求項４１～４８のいずれか一項に記載の方法。
50. システムであって、
    １つ以上のプロセッサと、
    命令が記憶されたメモリであって、前記命令が、マネジャモジュールを実装するための前記１つ以上のプロセッサによって、動作を実行するように実行可能であり、前記動作が、
    ユーザ母集団の時系列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、前記ユーザ母集団のユーザによって着用されたウェアラブルグルコースモニタリングデバイスによって提供される、受信することと、
    各時系列について、訓練入力部分及び予想される出力部分を決定することにより、訓練データのインスタンスを生成することと、
    非線形機械学習モデルを訓練して、反復的に今後のグルコース測定値を予測することと、
    訓練データのインスタンスの前記訓練入力部分を、前記非線形機械学習モデルに提供することと、
    前記非線形機械学習モデルから、前記今後のグルコース測定値の予測を受信することと、
    前記今後のグルコース測定値の前記予測を、前記訓練データのインスタンスの前記予想される出力部分と比較することと、
    前記比較することに基づいて、前記非線形機械学習モデルの内部重みを調整することと、を含む、メモリと、を備える、システム。
51. それぞれの時系列の前記訓練入力部分が、ある時点までの前記それぞれの時系列の第１の複数の前記グルコース測定値を含み、
    前記それぞれの時系列の前記予想される出力部分が、前記時点に続く前記それぞれの時系列の第２の複数の前記グルコース測定値を含む、請求項５０に記載のシステム。
52. 前記予測が、損失関数を使用して、前記訓練データの前記インスタンスの前記予想される出力部分と比較される、請求項５０又は５１に記載のシステム。
53. 前記損失関数が、平均二乗誤差である、請求項５２に記載のシステム。
54. 前記動作が、前記ユーザ母集団の個々のユーザのグルコース測定値を順序付けることと、一連の前記グルコース測定値において欠落したグルコース測定値を補間することと、によって、前記ユーザ母集団の前記時系列グルコース測定値を形成することを更に含む、請求項５０～５３のいずれか一項に記載のシステム。
55. 前記動作が、前記非線形機械学習モデルを使用して、ユーザの今後のグルコース測定値の予測を、前記ユーザのグルコース測定値がウェアラブルグルコースモニタリングデバイスを介して取得されるときに、リアルタイムで生成することを更に含む、請求項５０～５４のいずれか一項に記載のシステム。
56. 命令が記憶された１つ以上のコンピュータ可読記憶媒体であって、前記命令が、１つ以上のプロセッサによって動作を実行するように実行可能であり、前記動作が、
    ユーザ母集団の時系列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、前記ユーザ母集団のユーザによって着用されたウェアラブルグルコースモニタリングデバイスによって提供される、受信することと、
    各時系列について、訓練入力部分及び予想される出力部分を決定することにより、訓練データのインスタンスを生成することと、
    非線形機械学習モデルを訓練して、反復的に今後のグルコース測定値を予測することと、
    訓練データのインスタンスの前記訓練入力部分を、前記非線形機械学習モデルに提供することと、
    前記非線形機械学習モデルから、前記今後のグルコース測定値の予測を受信することと、
    前記今後のグルコース測定値の前記予測を、訓練データの前記インスタンスの前記予想される出力部分と比較することと、
    前記比較することに基づいて、前記非線形機械学習モデルの内部重みを調整することと、を含む、１つ以上のコンピュータ可読記憶媒体。
57. 前記予測が、損失関数を使用して、前記訓練データの前記インスタンスの前記予想される出力部分と比較される、請求項５６に記載の１つ以上のコンピュータ可読記憶媒体。
58. 前記損失関数が、平均二乗誤差である、請求項５７に記載の１つ以上のコンピュータ可読記憶媒体。
59. 前記動作が、前記ユーザ母集団の個々のユーザのグルコース測定値を順序付けることと、一連の前記グルコース測定値において欠落したグルコース測定値を補間することと、によって、前記ユーザ母集団の前記時系列グルコース測定値を形成することを更に含む、請求項５６～５８のいずれか一項に記載の１つ以上のコンピュータ可読記憶媒体。
60. 前記動作が、前記非線形機械学習モデルを使用して、ユーザの今後のグルコース測定値の予測を、前記ユーザのグルコース測定値がウェアラブルグルコースモニタリングデバイスを介して取得されるときに、リアルタイムで生成することを更に含む、請求項５６～５９のいずれか一項に記載の１つ以上のコンピュータ可読記憶媒体。

Images