JP7019127B2 - 強化学習に基づくインスリンの評価 - Google Patents
強化学習に基づくインスリンの評価 Download PDFInfo
- Publication number
- JP7019127B2 JP7019127B2 JP2019523199A JP2019523199A JP7019127B2 JP 7019127 B2 JP7019127 B2 JP 7019127B2 JP 2019523199 A JP2019523199 A JP 2019523199A JP 2019523199 A JP2019523199 A JP 2019523199A JP 7019127 B2 JP7019127 B2 JP 7019127B2
- Authority
- JP
- Japan
- Prior art keywords
- insulin
- policy
- glucose
- control action
- patient
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
- G16H20/17—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients delivered via infusion or injection
-
- 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
-
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Evolutionary Computation (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medicinal Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Optics & Photonics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Emergency Medicine (AREA)
- Computational Mathematics (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
Description
i)個人化されたAPとの関連でRLの適用性を調査すること。
ii)一般化して医療経験に直接翻訳することができるAC設計を達成すること。
・Daskalaki E、Diem P、Mougiakakou S. 1型糖尿病におけるブドウ糖調節のためのActor-Criticベースのコントローラ、計算方法プログラム 2013; 109(2): 116-25.
・Daskalaki E、Diem P、Mougiakakou S。グルコース調節のための強化学習制御アルゴリズムの個別調整、第35回IEEE Eng Med Biol Soc Conferenceの議事録、 2013年7月3~7日。大阪、日本。
・アルゴリズムの探索スペースを増やすために、制御ポリシーが探索的ポリシーによって強化された。
・アルゴリズムの安全性を高めるために監視制御ポリシーが組み込まれた。
・ACコントローラは、医療経験から引き出された生理学的パラメータ及び/又はアクションに直接リンクされている。
・自動調整方法が拡張され、患者固有の特性に関連付けられた。
・リアルタイム適応学習アルゴリズムを使用した、患者間/患者内のばらつきとインスリン治療の個別設定
・不確実性下での最適化に適した制御アルゴリズムの使用に対する堅牢性
・以下による、病院でそして家で練習への容易な移行
-患者間のばらつきが大きいことを相殺する、限られた先験的な仮定に基づくこと、
-生理学的パラメータに基づいた初期化
・適応型コントローラを動作させるために強化学習アルゴリズムを使用すること。強化学習アルゴリズムは、以下を含む。
a)インスリン注入レートおよびインスリン対炭水化物比の少なくとも一方を含むインスリン制御ポリシー(S)を評価する評価主体(Critic)、
b)インスリン管理方針を改善する行動主体(Actor)、
・所定の期間(k-1)にわたって所定のインスリン制御ポリシー(Sk-1)を適用すること。
・所定の期間(k-1)にわたって、患者の血糖データまたはプロファイルを収集すること。
・例えば収集された血糖データに基づいて、グルコース調節システムの状態を決定すること。
・例えばグルコース調節システムの状態に基づいて、評価主体により所定のインスリン制御ポリシー(Sk-1)を評価すること。
・例えば決定された制御アクションに基づいて、行動主体によりインスリン制御ポリシー(S)を更新すること。ここで、更新されたインスリン制御ポリシー(Sk)は、次の期間(k)にわたって適用されることを意図している。
-線形決定論的制御アクション(Pa)
-監視制御アクション(Ps)
-探索的制御アクション(Pe)
本発明は独立請求項に記載され特徴付けられているが、従属請求項は本発明の他の特徴を説明している。本出願は、2016年7月15日にベルン大学の名義で出願されたPCT/IB2016/054242の優先権の利益を主張するものであり、その全開示は参照により本明細書に組み込まれる。
ACアルゴリズムは、RLのクラスに属し、図2に示す2つの補完的部分へのエージェントの分離によって特徴付けられる。
評価主体:制御ポリシーを評価することを担当する。
行動主体:制御ポリシーを改善することを担当する。
RLファミリー内では、ACアルゴリズムは、より優れた収束特性を持つという点で、評価主体専用または行動主体専用の方法とは異なる。さらに、それらは連続時間最適化を可能にするために、低分散勾配およびパラメータ化方針を本質的に推定するので、それらの計算コストはより低い。
評価主体のエージェントは、関連する予想コストの概算に基づいて現在の制御ポリシーを評価する責任がある。この目的のために使用される最も強力な方法の1つは、時間差(TD)学習であり、これは、状態xから始まるプロセスの総予測コストが、最初の行動uとして取り、それぞれ、値関数Ve(x)とアクション値関数Qθ(x,u)を通して定義されるポリシーμ(u│x、θ)に従うものである。
基底関数の一般的に使用される選択は、φθ(x、u)=Ψθ(x、u)であり、ここでΨθ(x、u)=∇θlnμ(u│x、θ)が制御ポリシーの尤度比導関数である。
行動主体の目的は、
ここで、βkは学習率の正のシーケンスである。様々なバージョンの行動主体が提案され、主に勾配
ACアルゴリズムは、各T1D患者のためのインスリン療法を最適化するように設計されている。インスリン療法は、インスリンベーサルレート(BR)と、インスリン-炭水化物(IC)比との組み合わせとして定義することができる(図3)。この選択は医療行為と一致するようになされた。しかしながら、他のインスリン療法プロファイルを使用することができる。IC比は、次の食事として既知の炭水化物(CHO)の大きさに応じた、ボーラス投与量(Ibolus)の計算のために、以下の式に従って使用される。
i)アルゴリズムの更新レートに対応する学習ウィンドウ、
ii)システムの状態
を定義する必要がある。双方については、次の段落で説明する。
学習ウィンドウは、インスリンプロファイルの更新前にデータ収集のために提供される期間としてここに定義される。この決定に影響を与える考慮事項がいくつかある。学習ウィンドウは、CGMによって導入されるループ遅延および皮下インスリン吸収に相当することはあり得ない。さらに、速い学習と遅い学習の間のトレードオフを考慮する必要がある。頻繁な更新は効果的に急速なグルコースダイナミクスに従うかもしれないが、患者の特徴についてのより基本的で一般的な情報を運ぶ「全体像」を見失う。これらを考慮して、この明細書では、最適化ウィンドウが1日(24時間)である例を説明する。「1日」とは、昼夜を問わずに開始することができる24時間の期間を指し、優先的にはその期間は所与の日の真夜中に開始することができ、そしてこの所与の日の終わりに終了することができる。この期間はもっと長くても短くてもよい。この「1日」の選択では、患者の一般的な血糖状態に関する適切な情報が含まれている人体の24時間サークルも考慮される。結果として、インスリンポリシーは、それぞれの毎日のグルコースプロファイルに基づいて、1日に1回評価され更新される(図3および4)。
グルコース調節システムのダイナミクスは、マルコフ決定プロセスとして表され、ここで状態xkは、第k日の低血糖および高血糖に関するシステムの状態である。各時間tにおけるグルコース誤差EGは、以下のように定義されることができる。
ここで、G(t)は時間tにおけるグルコース値であり、そしてGh=180mg/dl、Gl=70mg/dlは、それぞれ高血糖と低血糖の限界である。第k日の血糖プロファイルは、その日の高血糖および低血糖状態、より具体的には1日平均低血糖および高血糖誤差に関連する2つの特徴によって説明することができる(図4)。
評価主体の数学的定式化は上述した。CGMはある期間(例えば24時間)にわたって患者の血糖を測定し、これらの測定はその期間のグルコースプロファイルを定義する。これらのデータの全部または一部は、メモリ装置に記録されていてもよい。第k日の終わりに(一日は期間の一例であることが理解される)、その日のグルコースプロファイルが収集され(メモリ装置から取得されてもよい)、例えば血糖または血糖プロファイルの測定値を考慮に入れることにより状態xkが計算される。この状態に基づいて、以下のように定義されるローカルコストc(xk)を割り当てることができる(図4)。
行動主体は、初期のBR(IC比)値から出発して毎日のBRおよびIC比を最適化するために、二重の確率論的な制御ポリシーμ(uk│xk、θk)を実行する(図4)。現在のインスリン療法の絶対レベルからアクションを解離させるために、制御アクションukは、第(k-1)日から第k日までのBR(IC比)の変化率として定義することができる。この選択の利点は後で明らかにされる。したがって、BR(IC比)は以下のように更新されてもよい。
i)線形決定論
ii)監督および
iii)探索的アクション。
線形決定論的制御アクションPaは、現在の状態とポリシーパラメータベクトルの線形結合として定義される。
監視制御アクションPsは、アルゴリズムに対する控えめなルールベースのアドバイスであり、主に従うべき変化の方向のガイダンスとして、およびアルゴリズムによる極端なインスリン変化に対する安全モジュールとしての役割を果たす。監督アクションは次のように定義される。
以下のように、探索的制御アクションPeは、ホワイトノイズを最終決定論的ポリシーに追加することによって発生する。
前のセクションで説明したように、ACアルゴリズムの設計は調整する必要がある様々なパラメータを含む(図5)。患者のばらつきを考慮して、いくつかのパラメータについては個別の調整が必要になるかもしれない。各患者のために手動で調整することは実行不可能であるか、または患者の安全性を危うくする可能性があるので、自動方法を探す必要がある。
・Rクラスに含まれるパラメータは、患者バラツキに対する低い感受性と関連し、そして前のセクションで与えられたすべての患者に共通の値で、経験的な方法によって手動で調整されうる。
・Sクラスには、患者固有の特性に敏感であることが判明したパラメータが含まれていた。このクラスで識別されるパラメータは、BRとIC比の初期値と行動主体の初期ポリシーパラメータベクトルθ0である。最初の2つのパラメータについては、インスリン要求量は当然別々の糖尿病患者間では異なるため、ユニバーサル調整は不可能である。ポリシーパラメータベクトルθが患者固有の特性と密接に関連している可能性があり、その初期調整がアルゴリズムのパフォーマンスと収束率の両方に影響を与えることが示される。したがって、Sクラスパラメータについては、自動個別調整手順に従うことができる。表1に、ACアルゴリズムのパラメータの例とその説明、値、および調整クラスをまとめている。
安全性を保証するために、BRとICの比率の初期値は各患者に固有で適切であるべきである。糖尿病の治療における臨床経験により、体重、SIおよび生活習慣の要因に基づいて、CSIIポンプ療法下の患者のBRプロファイルおよびIC比を推定するための多数の経験則が開発された。これらの規則は、最適ではないかもしれないが最初のグルコース調節を確実にする開ループインスリン療法を提供する。したがって、臨床診療に適用されるとき、ACアルゴリズムのBRおよびIC比は、彼/彼女の医師によって最適化された患者の個々の値を使用して初期化することができる(図5)。この実施は、CSIIからAPへの患者の移行が、彼/彼女自身および医師の両方にとってより円滑になり得るというさらなる利点を有する。
ポリシーパラメータベクトルθの初期化は、設計されたインスリン注入制御アルゴリズム内のその自然表現の調査に基づいてもよい(図5)。ポリシーパラメータベクトルθの最適値は、次の質問に答える。
「観察された毎日の高/低血糖に基づいてBRとICの比率をどれだけ変えるべきか?」
その答えは患者のSIに関連している可能性があり、彼/彼女の肥満度指数(BMI)、1日の総インスリン(TDI)のニーズ、ライフスタイルおよび遺伝的要因に左右される。
インスリンからグルコースへのTEは、各患者から収集された(例えば)4日間のCGMおよびインスリンポンプデータに基づいて推定することができる。適切なデータサイズを選択するために、異なる期間のデータセットが使用され、それぞれのTE値間の相関が連続するデータ長について計算された。4日以上のデータが高度に相関したTE値(>99%)を与えることが観察された。
上記の一態様によれば、本発明は、以下の項目のうちの1つに基づいて患者に適応させる、インスリン注入率(ベーサル)およびインスリン対炭水化物比(ボーラス投与量=今後の食事に含まれる炭水化物×インスリン対炭水化物比)の少なくとも一方を含むインスリン療法を推定する方法を提供する。
・AC学習を使用する適応コントローラ、
・過去24時間のグルコース/インスリンプロファイルを使用して、1日1回評価され(評価主体)および更新(行動主体)されるインスリンコントロールポリシー、
・その日の高血糖および低血糖の状態に関連する2つの特徴によって、より具体的には1日の平均低血糖および/または高血糖の誤差によって示されるグルコース調節システムの状態、
・優先的に時差学習を使用して、グルコース規制システムの状態および対応する割り当てられたローカルコストの計算に基づいて、毎日の終わりにおける制御ポリシー(評価主体)の評価、そして、
・制御ポリシー(行動主体)の更新、最初の期間(この例では一日)から次の期間への、以下の1、2または3の異なるタイプの制御アクションの効果に基づくインスリン変化率、
1) 毎日の低血糖および高血糖状態を翌日に必要なベーサルレートおよびインスリン対炭水化物比の変化の割合に関連付ける決定論的アクション、
2) 制御ポリシーの控えめな提案に対応し、システムに対する安全性およびガイダンスとしての役割を果たす監督的アクション、そして、
3) システムの状態の探索スペースを広げ、より速くより良い収束をサポートする探索的アクション、
・行動主体の範囲は、システムの状態あたりの平均予想コストを最小限に抑えること(管理方針の最適化)。
・方法が初期化される初期化段階、
・適応方法が患者から学習する学習段階(患者固有の管理方針)。
Claims (18)
- 患者のためのインスリン療法を決定するための方法であって、前記方法は、
データプロセシングシステムに含まれるプロセッサが適応型コントローラを動作させるために強化学習アルゴリズムを実行し、前記強化学習アルゴリズムは、
a.インスリン注入レートおよびインスリン対炭水化物比の少なくとも一方を含むインスリン制御ポリシー(S)を患者のグルコース調節システムの状態との関連で計算されるコストによって評価する評価主体、および
b.インスリン制御ポリシー(S)を前記グルコース調節システムの以後の状態との関連で予想される前記コストを最小化するように改善する行動主体を含み、
所定の期間(k-1)にわたって所定のインスリン制御ポリシー(Sk-1)を適用し、
血糖値測定装置を用いて前記所定の期間(k-1)にわたって前記患者の血糖データを収集し、
前記収集された前記血糖データに基づいて前記プロセッサによってグルコース調節システムの状態を決定し、
前記グルコース調節システムの状態に基づいて、前記プロセッサによって前記強化学習アルゴリズムの前記評価主体を用いて前記所定のインスリン制御ポリシー(Sk-1)を評価し、
前記プロセッサによって前記強化学習アルゴリズムの前記行動主体を用いて、制御アクションに基づいて前記インスリン制御ポリシー(S)を更新し、前記更新されたインスリン制御ポリシー(Sk)は、その後の期間(k)にわたって適用されることが意図されており、前記制御アクションは、
前記グルコース調節システムの状態と、前記グルコース調節システムの状態を以後の期間において必要とされる変化に関連づけるように決定されたポリシーパラメータベクトルとの線形結合を計算する数学的モデルを用いて前記インスリン制御ポリシー(S)を更新する線形決定論的制御アクション(Pa)、
前記インスリン制御ポリシー(S)が前記アルゴリズムによって極端に変更されることに対する安全モジュール及び/又は前記更新の方向のガイダンスとしての役割を果たすように、以前のインスリン制御ポリシーの控えめな提案を計算する数学的モデルを用いて前記インスリン制御ポリシー(S)を更新する監視制御アクション(Ps)、及び
前記グルコース調節システムの状態の探索スペースを広げ、及び/又はより速い収束をサポートするように白色雑音を計算する数学的モデルを用いて前記インスリン制御ポリシーを更新する探索的制御アクション(Pe)、
の少なくとも一つを含む、
前記患者のためのインスリン療法を決定するための方法。
- 前記制御アクションが、前記所定の期間(k-1)から次の期間(k)までの前記インスリン制御ポリシー(S)の変化率として定義される、請求項1に記載の方法。
- 前記制御アクションが、前記線形決定論的制御アクション(Pa)、前記監視制御アクション(Ps)および前記探索的制御アクション(Pe)のうちの少なくとも2つを計算するものである、請求項1に記載の方法。
- 前記制御アクションが、前記線形決定論的制御アクション(Pa)および前記監視制御アクション(Ps)を計算する数学的モデルによって決定される総合決定論的制御アクション(Pd)を計算するものである、請求項1に記載の方法。
- 前記探索的制御アクション(Pe)が、少なくとも前記総合決定論的制御アクション(Pd)を計算する数学的モデルを用いて決定される、請求項4に記載の方法。
- 前記評価主体は、前記所定期間(k-1)中に発生した高血糖および低血糖状態に関連する2つの特徴によって前記グルコース調節システムの状態を評価する、請求項1~5のいずれか1項に記載の方法。
- 前記評価主体は、前記所定期間(k-1)中に発生した1日の平均低血糖および高血糖の誤差によって前記グルコース調節システムの状態を評価する、請求項1~6のいずれか1項に記載の方法。
- 前記評価主体は、前記所定期間における前記グルコース調節システムの状態のローカルコストをさらに計算する、請求項1~7のいずれか1項に記載の方法。
- 前記行動主体は、状態当たりの平均予想コストを最小化するように構成される、請求項8に記載の方法。
- 評価ステップが各期間の終わりに実行される、請求項1~9のいずれか1項に記載の方法。
- 前記ポリシーパラメータベクトルは、総合決定論的制御アクションPdと、探索的制御アクションPeとの間の差に依存する、請求項4または5に記載の方法。
- 前記ポリシーパラメータベクトルが、予め決定された期間の終わりに更新される、請求項1~11のいずれか1項に記載の方法。
- 前記ポリシーパラメータベクトルの値または初期値が、インスリンからグルコースへの移行エントロピー計算を使用することによって決定される、請求項1~12のいずれか1項に記載の方法。
- インスリンからグルコースへの移行エントロピーが、1から7日の間の期間にわたる血糖データおよびインスリン配給データに基づいて推定される、請求項13に記載の方法。
- 初期インスリン制御ポリシーおよび/またはポリシーパラメータベクトルの初期値が決定されて患者に適合される初期化段階をさらに含む、請求項1~14のいずれか1項に記載の方法。
- 前記初期化段階の期間が、1~7日の間である、請求項15に記載の方法。
- 前記所定の期間および/または後続の期間の持続時間が、1時間~36時間の間である、請求項1~16のいずれか1項に記載の方法。
- 前記初期インスリン制御ポリシーが、患者の医師および/またはコンピュータシミュレータによって最適化された患者の個々の値を計算することによって決定される、請求項15又は16に記載の方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
IB2016054242 | 2016-07-15 | ||
IBPCT/IB2016/054242 | 2016-07-15 | ||
PCT/IB2017/054283 WO2018011766A1 (en) | 2016-07-15 | 2017-07-14 | Estimation of insulin based on reinforcement learning |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019525367A JP2019525367A (ja) | 2019-09-05 |
JP7019127B2 true JP7019127B2 (ja) | 2022-02-15 |
Family
ID=59677263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019523199A Active JP7019127B2 (ja) | 2016-07-15 | 2017-07-14 | 強化学習に基づくインスリンの評価 |
Country Status (4)
Country | Link |
---|---|
US (1) | US10937536B2 (ja) |
EP (1) | EP3485409A1 (ja) |
JP (1) | JP7019127B2 (ja) |
WO (1) | WO2018011766A1 (ja) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3319511B1 (en) | 2015-08-07 | 2021-10-06 | Trustees of Boston University | Glucose control system with automatic adaptation of glucose target |
WO2018167543A1 (en) | 2017-03-17 | 2018-09-20 | Universität Bern | System and method for drug therapy management |
US11457863B1 (en) * | 2017-10-27 | 2022-10-04 | Verily Life Sciences Llc | Virtual health coach based insulin titration platform |
EP3731233A1 (en) | 2019-04-24 | 2020-10-28 | Digital Diabetes Analytics Sweden AB | Decision support system, and method in relation thereto |
US11957876B2 (en) | 2019-07-16 | 2024-04-16 | Beta Bionics, Inc. | Glucose control system with automated backup therapy protocol generation |
AU2020314752A1 (en) | 2019-07-16 | 2022-02-24 | Beta Bionics, Inc. | Blood glucose control system |
DE112020003392T5 (de) | 2019-07-16 | 2022-05-19 | Beta Bionics, Inc. | Blutzuckerkontrollsystem |
EP4042436A4 (en) * | 2019-10-04 | 2023-10-04 | Beta Bionics, Inc. | BLOOD SUGAR CONTROL SYSTEM |
US11931548B2 (en) | 2020-08-26 | 2024-03-19 | Anas EL FATHI | Method and system for determining optimal and recommended therapy parameters for diabetic subject |
US11594314B2 (en) | 2020-12-07 | 2023-02-28 | Beta Bionics, Inc. | Modular blood glucose control systems |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014204998A (ja) | 2007-01-31 | 2014-10-30 | メドトロニック・ミニメッド・インコーポレーテッド | インスリン注入を制御および監視するモデル予測の方法およびシステム |
US20150100038A1 (en) | 2013-10-04 | 2015-04-09 | Animas Corporation | Method and system for controlling a tuning factor due to sensor replacement for closed-loop controller in an artificial pancreas |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005113036A1 (en) * | 2004-05-13 | 2005-12-01 | The Regents Of The University Of California | Method and apparatus for glucose control and insulin dosing for diabetics |
GB201319681D0 (en) * | 2013-11-07 | 2013-12-25 | Imp Innovations Ltd | System and method for drug delivery |
US20170277841A1 (en) * | 2016-03-23 | 2017-09-28 | HealthPals, Inc. | Self-learning clinical intelligence system based on biological information and medical data metrics |
-
2017
- 2017-07-14 EP EP17754790.8A patent/EP3485409A1/en active Pending
- 2017-07-14 US US16/318,015 patent/US10937536B2/en active Active
- 2017-07-14 JP JP2019523199A patent/JP7019127B2/ja active Active
- 2017-07-14 WO PCT/IB2017/054283 patent/WO2018011766A1/en unknown
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014204998A (ja) | 2007-01-31 | 2014-10-30 | メドトロニック・ミニメッド・インコーポレーテッド | インスリン注入を制御および監視するモデル予測の方法およびシステム |
US20150100038A1 (en) | 2013-10-04 | 2015-04-09 | Animas Corporation | Method and system for controlling a tuning factor due to sensor replacement for closed-loop controller in an artificial pancreas |
Non-Patent Citations (1)
Title |
---|
Elena Daskalaki, 外2名,"Personalized Tuning of a Reinforcement Learning Control Algorithm for Glucose Regulation",35th Annual International Conference of the IEEE EMBS,2013年07月03日,pp.3487-3490 |
Also Published As
Publication number | Publication date |
---|---|
EP3485409A1 (en) | 2019-05-22 |
WO2018011766A1 (en) | 2018-01-18 |
JP2019525367A (ja) | 2019-09-05 |
US20190214124A1 (en) | 2019-07-11 |
US10937536B2 (en) | 2021-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7019127B2 (ja) | 強化学習に基づくインスリンの評価 | |
US20220054748A1 (en) | Control model for artificial pancreas | |
US8690820B2 (en) | Automatic insulin pumps using recursive multivariable models and adaptive control algorithms | |
DK2400882T3 (en) | METHOD AND SYSTEM FOR AUTOMATIC MONITORING OF DIABETES-RELATED TREATMENTS | |
US9507917B2 (en) | Monitoring device for management of insulin delivery | |
US20160354543A1 (en) | Multivariable artificial pancreas method and system | |
Daskalaki et al. | An Actor–Critic based controller for glucose regulation in type 1 diabetes | |
Daskalaki et al. | Real-time adaptive models for the personalized prediction of glycemic profile in type 1 diabetes patients | |
Hajizadeh et al. | Plasma-insulin-cognizant adaptive model predictive control for artificial pancreas systems | |
Emerson et al. | Offline reinforcement learning for safer blood glucose control in people with type 1 diabetes | |
De Paula et al. | On-line policy learning and adaptation for real-time personalization of an artificial pancreas | |
Allam et al. | Evaluation of using a recurrent neural network (RNN) and a fuzzy logic controller (FLC) in closed loop system to regulate blood glucose for type-1 diabetic patients | |
Shi et al. | Feedback control algorithms for automated glucose management in T1DM: the state of the art | |
CN111048178A (zh) | 胰岛素控制方法、装置和设备 | |
Zhao et al. | Multiple order model migration and optimal model selection for online glucose prediction in type 1 diabetes | |
JP2004033673A (ja) | 脳内発作発現を予測し検出する統合確率フレームワークおよび多重治療デバイス | |
Baucum et al. | Adapting reinforcement learning treatment policies using limited data to personalize critical care | |
Sun et al. | Adaptive personalized prior-knowledge-informed model predictive control for type 1 diabetes | |
Dénes-Fazakas et al. | Control of type 1 diabetes mellitus using direct reinforcement learning based controller | |
Cai et al. | Data-enabled learning and control algorithms for intelligent glucose management: The state of the art | |
Sevil et al. | Automated insulin delivery systems for people with type 1 diabetes | |
Allam et al. | Blood glucose regulation using a neural network predictor with a fuzzy logic controller | |
Yu et al. | ARLPE: A meta reinforcement learning framework for glucose regulation in type 1 diabetics | |
Eren et al. | Adaptive control strategy for glucose regulation using recursive linear models | |
Sinzinger et al. | Sedation of simulated ICU patients using reinforcement learning based control |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200526 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20201120 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210108 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20210331 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20210604 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210706 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210805 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211022 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20211220 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220113 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7019127 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |