JP7463491B2 - 被験者のグルコース変化を判定するための方法およびシステム - Google Patents

Description

関連出願の相互参照
本出願は、２０１９年７月９日に出願された米国仮特許出願第６２／８７１，９３１号の利益を主張し、これは参照によりその全体が本明細書に組み込まれる。

本技術は、概して、薬物モニタリングシステムに関連し、より具体的には、糖尿病の被験者のグルコース変化が異常であるか、または問題を示すかどうか、例えば、人工膵臓システムの被験者によって消費された食事が記録されていないかどうかを判定するための方法およびシステムに関連する。

健康な個人では、血漿グルコース濃度は、内分泌膵臓から分泌されるホルモン、主にインスリンとグルカゴンの作用によって厳密に調節されている。インスリンは膵臓ベータ細胞から分泌されて臓器にグルコースを吸収するように信号伝達し、グルカゴンは膵臓アルファ細胞から分泌されて肝臓にグルコースを生成するように信号伝達する。１型糖尿病では、ベータ細胞の自己免疫破壊によりインスリン分泌が失われる。

１型糖尿病は、現在、頻回注射療法（ＭＤＩ）を使用して実施される生涯にわたるインスリン補充療法、またはポータブルポンプを介した継続的な皮下（皮膚組織下）インスリン注入（ＣＳＩＩ）によって治療されている。両治療法とも、健康な個人に見られる生理学的血漿インスリン分泌を模倣することを目的とした基礎－ボーラスインスリン注射パターンに従う。基礎インスリンは、空腹状態で一定の血糖値を維持するのに必要なインスリンを表し、インスリンボーラスは、消費された食事から予想されるグルコースの増加をカバーするために通常与えられるインスリンの用量である。

厳格なグルコースコントロールは１型糖尿病患者にとって重要である。血糖値の持続的な上昇（高血糖）は、心臓病、失明、腎不全、下肢切断などの長期的な合併症を引き起こす。非重度の低血糖症は、不安、吐き気、錯乱、視界のぼやけ、発話困難などにつながることがあり、一方、重度の低血糖症は、昏睡または発作を引き起こし、支援を必要とするため、低血糖値（低血糖症）は、血糖コントロールの制限要因である。１型糖尿病のほとんどの患者には、７．０％未満のＨｂＡ１ｃ（３か月間の平均血糖値と相関するバイオマーカ）の目標が推奨される。

インスリンアナログ、インスリンポンプ、および連続グルコースセンサの進歩にもかかわらず、ほとんどの患者は許容可能なグルコース目標を達成していない。グルコースセンサの進歩により、１型糖尿病患者の血糖値を自動的に調節する閉ループインスリン送達システムである人工膵臓（ＡＰ）の開発が促進された。人工膵臓では、コントロール手順は、継続的なグルコースセンサの読み取り値に基づいてポンプインスリン注入速度を調整する。人工膵臓システムは、１型糖尿病の最も有望な治療法と考えられている。完全に自動化された閉ループインスリン送達システムの試みが調査されたが、最も普及している人工膵臓システムは、食事を伴うインスリンボーラスを提供するためのユーザプロンプトに依然として依存している。

従来のインスリン療法では、青年期のグルコースコントロール不良の主な要因は、食事時のインスリンボーラス送達の省略である。青年の６５％において、週に１回以上、食事時のボーラスの不履行が観察され、これは、週に１回未満のボーラスの不履行があった青年と比較して、かなり高いＨｂＡ１ｃに関連付けられた（それぞれ８．８％と８．０％）。別の研究では、青年の３分の１以上が、必要なボーラスの１５％以上が不履行であったことが観察された。従来のインスリン療法と同様に、閉ループ（ＣＬ）インスリン送達のパフォーマンスも、ボーラスの不履行後に影響を受けることがある。不明な食事を検出する食事検出モジュールを人工膵臓システムに追加し、より多くのインスリンの注入を信号伝達すると、人工膵臓のパフォーマンスが向上し得る。

人工膵臓システムでは、不明な食事が消費されると、閉ループフィードバックメカニズムが、ポンプのインスリン基礎速度を変更することによって血糖値の変化に反応する。一般に、食事からのグルコースの増加をカバーするためにかなりの量のインスリンが必要であり、場合によっては患者の１日の総インスリン投与量の最大２０％が必要である。その結果、インスリンボーラスを送達しないと、人工膵臓は必要な量のインスリンを短期間で提供することができない。したがって、望ましくない高血糖値を伴う高血糖の事象は避けられなくなる。さらに、グルコースがさらに増加するのを防ぐために大量のインスリンを注入することによってフィードバックが積極的に反応する場合、インスリン送達の吸収が遅いために食後、遅れて低血糖が発生することがある（送達されたインスリンは食事の吸収を超えて作用し続けるため）。ボーラスの不履行後の高血糖症と低血糖症を軽減するには、明確な戦略が必要である。

先行技術に存在する不便の少なくともいくつかを改善することが本技術の目的である。本技術の１つ以上の実施形態は、本技術の目的および目的を達成するためのアプローチおよび／または方法の範囲を提供および／または拡大することができる。

本技術の１つ以上の実施形態は、食事のボーラス不履行後、グルコースコントロールが著しく低下するという本発明者らの評価に基づいて開発された。コントロールアルゴリズムが食事検出技術で強化された場合、ボーラスの不履行後の閉ループ送達システムのパフォーマンスを改善することができる。

発明者らは、（ボーラスが送達されなかった）食事を自動的に検出し、糖尿病の被験者に通知することで、糖尿病ユーザの生活の質および健康を改善できることを評価している。１つの非限定的な例では、システムは、ユーザに通知することができ、ユーザは、忘れられたインスリンを自分自身に送達するなどの行動を取ることができる。別の非限定的な例では、従来のポンプ療法または頻回注射療法のユーザは、食事を摂ってボーラスを提供することを忘れた場合に思い出すことができる。

このようなシステムは、注入セットの故障や食事を抜くなどのような、グルコース値を上昇させる障害を検出するために使用できる。

発明者らはまた、そのような技術をオンラインまたはオフラインで使用して、データを分析およびモデル化し、アルゴリズムの性能を検証し、非限定的な例として、予告なしの食事および低血糖治療を特定できることも評価している。

したがって、本技術の１つ以上の実施形態は、被験者におけるグルコース変化を検出するための方法およびシステムを目的としている。

本技術の広範な態様によれば、被験者におけるグルコース変化を判定するためのコンピュータ実装の方法が提供され、この方法は、電子デバイスによって実行可能である。この方法は、被験者の状態ベースのモデルの被験者モデルパラメータを受信することと、被験者モデルパラメータおよび被験者の以前の状態に基づいて、カルマンフィルタを使用して、イノベーションパラメータおよびイノベーション共分散パラメータを判定することと、判定されたイノベーションパラメータおよびイノベーション共分散パラメータに基づくテスト統計を計算することと、計算されたテスト統計を所与の閾値と比較することと、計算されたテスト統計が所与の閾値を超えることに応答して、グルコース変化の指標を出力することと、を含む。

この方法の１つ以上の実施形態では、この方法は、前述の、被験者モデルパラメータを受信することに先立って、電子デバイスによって、被験者の実際のグルコース測定値を受信することと、過去の被験者モデルパラメータを受信することと、をさらに含み、前述の、被験者の状態ベースのモデルの被験者モデルパラメータを受信することは、実際のグルコース測定値、および過去の被験者モデルパラメータに基づいて被験者モデルパラメータを推定することを含む。

この方法の１つ以上の実施形態では、この方法は、指標を、電子デバイスのディスプレイインターフェースおよび被験者の人工膵臓システムのうちの少なくとも１つに送信することをさらに含む。

この方法の１つ以上の実施形態では、テスト統計が所与の閾値を上回っていることは、カルマンフィルタが一貫していないことを示す。

この方法の１つ以上の実施形態では、前述の被験者モデルパラメータを推定することは、最大事後確率（ＭＡＰ）推定を使用することを含む。

この方法の１つ以上の実施形態では、前述の被験者モデルパラメータを推定することは、以前のグルコース測定値、以前のインスリン測定値、および以前に消費された食事にさらに基づく。

この方法の１つ以上の実施形態では、テスト統計が所与の閾値を上回っていることは、イノベーションパラメータが独立していず、イノベーションパラメータの共分散に対応する共分散を有するゼロ平均ガウス分布と同一に分布していないことを示す。

この方法の１つ以上の実施形態では、グルコース変化は、不明な食事を示し、不明な食事は、被験者によって記録されていない。

この方法の１つ以上の実施形態では、所与の閾値は、所定の数の偽陽性に基づいている。

この方法の１つ以上の実施形態では、この方法は、前述の過去の被験者モデルパラメータを受信することに先立って、被験者の１日総用量、基礎インスリン、および炭水化物比に基づいて過去の被験者モデルパラメータを初期化することをさらに含む。

この方法の１つ以上の実施形態では、実際のグルコース測定値は、電子デバイスに接続されたグルコースセンサから受信する。

この方法の１つ以上の実施形態では、この方法は、前述の、電子デバイスのディスプレイインターフェースおよび被験者の人工膵臓システムのうちの少なくとも１つに指標を送信することに先立って、残りの食事、患者の炭水化物比、および血糖値に基づいて、所与のユーザによって記録されていない不明な食事のインスリンボーラスを判定することをさらに含み、前述の指標を送信することはインスリンボーラスを送信することを含む。

この方法の１つ以上の実施形態では、この方法は、前述のインスリンボーラスを判定することに先立って、イノベーションパラメータおよびイノベーション共分散パラメータに基づいて、不明な食事量および不明な食事時間を判定することをさらに含む。

この方法の１つ以上の実施形態では、計算されたテスト統計は、イノベーション共分散パラメータによって重み付けされた不明な食事量および不明な食事時間に基づくイノベーションパラメータとグルコース変化との間の相関の累積合計を表す。

この方法の１つ以上の実施形態では、所与の閾値は、ゼロ平均ガウス分布およびイノベーション共分散パラメータによって重み付けされた最も可能性が高い食事量と食事時間による最も可能性の高いグルコースの増加の二乗に比例する共分散を有する確率変数の所与の偽陽性率に基づいて判定される。

本技術の広範な態様によれば、患者が消費した食事を検出するためのコンピュータ実装の方法が提供され、この方法は、プロセッサによって実行され、この方法は、実際のグルコース測定値と予測グルコース測定値との間の不一致を判定することと、判定された不一致に少なくとも部分的に基づいて食事が消費された確率を判定することと、判定された確率に応答して、投薬ボーラスを判定することと、を含む。

この方法の１つ以上の実施形態では、前述の食事が消費された確率を判定することは、少なくとも部分的に、実際の血糖値、目標血糖値、および残存インスリンに基づく。

この方法の１つ以上の実施形態では、この方法は、食事のサイズおよび食事の消費時間を推定することをさらに含む。

この方法の１つ以上の実施形態では、前述の投薬ボーラスを判定することは、少なくとも部分的に、推定される食事のサイズおよび推定される食事の消費時間のうちの少なくとも１つに基づく。

この方法の１つ以上の実施形態では、前述の食事が消費されたと判定することは、判定された確率が閾値を超えたことに応答する。

本技術の広範な態様によれば、被験者におけるグルコース変化を判定するためのシステムが提供される。このシステムは、プロセッサと、プロセッサに動作可能に接続された非一時的記憶媒体と、を含み、記憶媒体はコンピュータ可読命令を含み、プロセッサは、コンピュータ可読命令を実行すると、被験者の状態ベースのモデルの被験者モデルパラメータを受信することと、カルマンフィルタを使用して、被験者モデルパラメータおよび被験者の以前の状態に基づいて、イノベーションパラメータおよびイノベーション共分散パラメータを判定することと、判定されたイノベーションパラメータおよびイノベーション共分散パラメータに基づいて、テスト統計を計算することと、計算されたテスト統計を所与の閾値と比較することと、計算されたテスト統計が所与の閾値を上回ることに応答して、グルコース変化の指標を出力することとを行うように構成されている。

このシステムの１つ以上の実施形態では、プロセッサは、前述の被験者モデルパラメータを受信する前に、被験者の実際のグルコース測定値を受信し、過去の被験者モデルパラメータを受信するようにさらに構成され、前述の被験者の状態ベースモデルの被験者モデルパラメータを受信することは、実際のグルコース測定値と過去の被験者モデルパラメータに基づいて被験者モデルパラメータを推定することを含む。

このシステムの１つ以上の実施形態では、プロセッサは、プロセッサに動作可能に接続されたディスプレイインターフェース、および被験者の人工膵臓システムのうちの少なくとも１つに指示を送信するようにさらに構成される。

このシステムの１つ以上の実施形態では、テスト統計が所与の閾値を上回っていることは、カルマンフィルタに一貫性がないことを示す。

このシステムの１つ以上の実施形態では、前述の被験者モデルパラメータを推定することは、最大事後確率（ＭＡＰ）推定を使用することを含む。

このシステムの１つ以上の実施形態では、前述の推定はさらに、以前のグルコース測定値、以前のインスリン測定値、および以前に消費された食事に基づく。

このシステムの１つ以上の実施形態では、テスト統計が所与の閾値を上回っていることは、イノベーションパラメータが独立していず、イノベーションパラメータの共分散に対応する共分散を有するゼロ平均ガウス分布と同一に分布していないことを示す。

このシステムの１つ以上の実施形態では、グルコース変化は、不明な食事を示し、不明な食事は、被験者によって記録されていない。

このシステムの１つ以上の実施形態では、所与の閾値は、所定の数の偽陽性に基づいている。

このシステムの１つ以上の実施形態では、プロセッサは、前述の過去の被験者モデルパラメータを受信することに先立って、被験者の１日総用量、基礎インスリン、および炭水化物比に基づいて過去の被験者モデルパラメータを初期化することをさらに行うように構成される。

このシステムの１つ以上の実施形態では、実際のグルコース測定値は、プロセッサに接続されたグルコースセンサから受信する。

このシステムの１つ以上の実施形態では、プロセッサは、前述の、プロセッサに動作可能に接続されたディスプレイインターフェースおよび被験者の人工膵臓システムのうちの少なくとも１つに指標を送信することに先立って、残りの食事、患者の炭水化物比、および血糖値に基づいて、所与のユーザによって記録されていない不明な食事のインスリンボーラスを判定することをさらに行うように構成され、前述の指標を送信することはインスリンボーラスを送信することを含む。

このシステムの１つ以上の実施形態では、プロセッサは、前述のインスリンボーラスを判定することに先立って、イノベーションパラメータおよびイノベーション共分散パラメータに基づいて、不明な食事量および不明な食事時間を判定することをさらに行うように構成される。

このシステムの１つ以上の実施形態では、テスト統計は、イノベーション共分散パラメータによって重み付けされた不明な食事量および不明な食事時間に基づく、イノベーションパラメータとグルコース変化との間の相関の累積合計を表す。

このシステムの１つ以上の実施形態では、所与の閾値は、ゼロ平均ガウス分布およびイノベーション共分散パラメータで重み付けされた最も可能性の高い食事量および食事時間による最も可能性の高いグルコースの増加の二乗に比例する共分散を有する確率変数の所与の偽陽性率に基づいて判定される。

別の広範な態様によれば、患者が消費した食事を検出するためのコンピュータ実装の方法が提供される。この方法は、実際のグルコース測定値と予測グルコース測定値との間の不一致を判定することを含む。判定された不一致に少なくとも部分的に基づいて、この方法は、食事が消費された確率を判定することを含む。判定された確率に応答して、この方法は、投薬ボーラスを判定することを含む。

この方法の１つの実施形態では、食事が消費された確率は、少なくとも部分的に、実際の血糖値、目標血糖値、および残存インスリンに基づく。

この方法の１つの実施形態では、この方法は、食事のサイズおよび食事の消費時間を推定することをさらに含む。

この方法の１つの実施形態では、投薬ボーラスの量は、少なくとも部分的に、推定される食事のサイズおよび／または食事の推定される消費時間に基づく。

この方法の１つの実施形態では、この方法は、判定された確率が閾値を超えたことに応答して食事が消費されたことを判定することをさらに含む。

別の広範な態様によれば、患者が消費した食事を検出するためのシステムが提供される。システムは、プロセッサおよびプロセッサに動作可能に接続された非一時的記憶媒体を含み、記憶媒体はコンピュータ可読命令を含み、プロセッサは、コンピュータ可読命令を実行すると、実際のグルコース測定値と、予測グルコース測定値の間の不一致を判定することと、判定された不一致に少なくとも部分的に基づいて食事が消費された確率を判定することと、判定された確率に応答して、投薬ボーラスを判定することと、を行うように構成される。

このシステムの１つ以上の実施形態では、前述の食事が消費された確率を判定することは、少なくとも部分的に、実際の血糖値、目標血糖値、および残存インスリンに基づく。

このシステムの１つ以上の実施形態では、この方法は、食事のサイズおよび食事の消費時間を推定することをさらに含む。

このシステムの１つ以上の実施形態では、前述の投薬ボーラスを判定することは、少なくとも部分的に、推定される食事のサイズおよび推定される食事の消費時間のうちの少なくとも１つに基づく。
このシステムの１つ以上の実施形態では、前述の食事が消費されたと判定することは、判定された確率が閾値を超えたことに応答する。

本明細書の文脈において、「電子デバイス」は、目前の関連するタスクに適切なソフトウェアを実行することができる任意のコンピューティング装置またはコンピュータハードウェアである。したがって、電子デバイスのいくつかの（非限定的な）例には、汎用パーソナルコンピュータ（デスクトップ、ラップトップ、ネットブックなど）、モバイルコンピューティングデバイス、スマートフォン、タブレット、およびルーター、スイッチ、ゲートウェイなどのネットワーク機器が含まれる。本文脈における電子デバイスは、他の電子デバイスに対するサーバとして機能することを排除するものではないことに留意されたい。「電子デバイス」という表現の使用は、複数の電子デバイスが、タスクや要求、またはタスクや要求の結果、または本明細書に記載されている方法のステップを受信／送信したり、実行したり、実行させたりするために使用されることを排除するものではない。本明細書の文脈において、「クライアントデバイス」は、パーソナルコンピュータ、タブレット、スマートフォンなどの、ユーザに関連付けられた、エンドユーザのクライアント電子デバイスの範囲のいずれかを指す。

本明細書の文脈において、「コンピュータ可読記憶媒体」（「記憶媒体」および「記憶装置」とも称される）という表現は、ＲＡＭ、ＲＯＭ、ディスク（ＣＤ－ＲＯＭ、ＤＶＤ、フロッピーディスク、ハードドライバなど）、ＵＳＢキー、ソリッドステートドライブ、テープドライブなどを含むがこれらに限定されない、あらゆる性質および種類の非一時的媒体を含むことを意図する。複数のコンポーネントを組み合わせて、同じタイプの２つ以上のメディアコンポーネントおよび／または異なるタイプの２つ以上のメディアコンポーネントを含むコンピュータ情報記憶媒体を形成し得る。

本明細書の文脈において、「データベース」は、その特定の構造、データベース管理ソフトウェア、またはデータが格納、実装、または他の方法で使用可能にされるコンピュータハードウェアに関係なく、データの構造化されたコレクションである。データベースは、データベースに格納された情報を格納または利用するプロセスと同じハードウェア上に存在する場合もあれば、専用サーバや複数のサーバなどの別個のハードウェア上に存在する場合もある。

本明細書の文脈において、「情報」という表現は、データベースに格納することができるあらゆる性質または種類の情報を含む。情報には、視聴覚作品（画像、動画、サウンドレコード、プレゼンテーションなど）、データ（位置データ、数値データなど）、テキスト（意見、コメント、質問、メッセージなど）ドキュメント、スプレッドシート、単語のリストなどが含まれるが、これらに限定されない。

本明細書の文脈において、特に明記しない限り、情報要素の「指標」は、情報要素自体、または指標の受信者が情報要素が取得され得る、ネットワーク、メモリ、データベース、または他のコンピュータ可読媒体の場所を見つけることを可能にするポインタ、参照、リンク、または他の間接的なメカニズムであり得る。例えば、ドキュメントの指標には、ドキュメント自体（すなわち、そのコンテンツ）が含まれることもあれば、特定のファイルシステムに関してファイルを識別する一意のドキュメント記述子、または、指標の受信者に、ファイルにアクセスできるネットワークロケーション、メモリアドレス、データベーステーブル、または他の場所を指示する何らかの他の手段であることもある。当業者が認識するように、そのような指標に必要な精度の程度は、指標の送信者と受信者との間で交換される情報に与えられる解釈についての事前の理解の程度に依存する。例えば、送信者と受信者の間の通信の前に、情報要素の指標が、情報要素を含む所定のデータベースの特定のテーブルのエントリのデータベースキーの形式を採ることが理解されている場合、情報要素自体が指標の送信者と受信者の間で送信されなかったとしても、データベースキーを送信することは、情報要素を受信者に効果的に伝達するために必要なすべてである。

本明細書の文脈において、「通信ネットワーク」という表現は、コンピュータネットワーク、インターネット、電話ネットワーク、テレックスネットワーク、ＴＣＰ／ＩＰデータネットワーク（例えば、ＷＡＮネットワーク、ＬＡＮネットワークなど）などの電気通信ネットワークを含むことを意図している。「通信ネットワーク」という用語は、有線ネットワークまたは直接有線接続、ならびに音響、無線周波数（ＲＦ）、赤外線および他の無線媒体などの無線媒体、ならびに上記のいずれかの組み合わせを含む。

本明細書の文脈において、「第１」、「第２」、「第３」などの単語は、それらが互いに修飾する名詞を区別できるようにする目的でのみ形容詞として使用されており、それらの名詞間の特定の関係を説明する目的のためではない。したがって、例えば、「第１のサーバ」および「第３のサーバ」という用語の使用は、サーバの／サーバ間の（例えば）特定の順序、タイプ、時系列、階層、またはランク付けを意味することを意図するものではなく、また、それらの使用（それ自体）は、「第２のサーバ」が所与の状況で必ず存在する必要があることを意味することを意図するものでもないことを理解されたい。さらに、他の文脈において、本明細書で考察されるように、「第１の」要素および「第２の」要素への言及は、２つの要素が同じ実際の実世界の要素であることを排除しない。したがって、例えば、場合によっては、「第１の」サーバおよび「第２の」サーバは、同じソフトウェアおよび／またはハードウェアであり得、他の場合には、それらは、異なるソフトウェアおよび／またはハードウェアであり得る。

本技術の実装はそれぞれ、上記の目的および／または態様のうちの少なくとも１つを有するが、必ずしもそれらのすべてを有するとは限らない。上記の目的を達成しようとすることから生じた本技術のいくつかの態様は、この目的を満たさない場合もあり、および／または本明細書に具体的に記載されていない他の目的を満たす場合もあることを理解されたい。

本技術の実装の追加のおよび／または代替の特徴、態様、および利点は、以下の説明、添付の図面、および添付の特許請求の範囲から明らかになるであろう。

本技術、ならびに他の態様およびそのさらなる特徴をより良好に理解するために、添付の図面と併せて使用される以下の説明を参照する。

本技術の非限定的な実施形態による電子デバイスの概略図を示す。 本技術の非限定的な実施形態によるシステムの概略図を示す。 本技術の非限定的な実施形態による不明な食事検出手順の概略図を示す。 被験者におけるグルコース変化を判定する方法のフローチャートのブロック図を示し、この方法は、本技術の非限定的な実施形態に従って実行される。 サンプルシミュレーションの結果の例示的なプロットを示し、食事検出手順は、予告された食事を検出し、２Ｕのボーラスを提供する。モデルの変動性により、明らかな理由なしに血糖値が増減することが多く、食事検出手順が困難になる。 偽陽性（ＦＰ）が発生し、昼食を食べてから３．５時間後の１５：３０に食事にフラグが付けられ、アルゴリズムが１．８Ｕのボーラスを提供し、次の４．５時間低血糖が観察されないというシミュレーションの例示的なプロットを示す。 ３つの実施された実験（ｎ＝１５３６）について、低血糖症と高血糖症に費やされた時間の割合（昼食後８時間と比較して）の例示的なプロットを示しており、図中、ＣＬ＋Ｂは、食事検出なしに対応し、昼食が予告され、ブラウスされていて、ＣＬ＋ＭＤは、昼食が予告されていない食事検出手順の使用に対応し、ＣＬは、昼食が予告されていない食事検出なしに対応する。 食事検出手順のパフォーマンスを示す臨床データの例示的なプロットを示しており、図中、６０ｇの不明な食事が１３：００に消費され、食事は１３：４０に検出され、０．９Ｕのボーラスが送達された。 従来のポンプ療法、閉ループまたは食事検出を伴う閉ループを使用して、４人の患者の、ボーラスなしで食事を消費した後の増分グルコースの例示的なプロットを示しており、図中、ひし形は、安全のため、または食事検出手順によって自動的に補正ボーラスが送達されたときを示す。

本明細書に記載されている例および条件付き言語は、主に、読者が本技術の原理を理解するのを助けることを意図しており、その範囲をそのような具体的に記載されている例および条件に限定することを意図するものではない。当業者であれば、本明細書で明示的に説明または示されていないが、それにもかかわらず、本技術の原理を具体化し、その趣旨および範囲に含まれる様々な配置を考案することができることが理解されよう。

さらに、理解を助けるために、以下の説明は、本技術の比較的単純化された実装を説明し得る。当業者が理解するように、本技術の様々な実装は、より複雑になる場合がある。

場合によっては、本技術への変更の有用な例であると考えられるものも述べられる場合がある。これは単に理解を助けるために行うに過ぎず、やはり、本技術の範囲を定義したり、限度を述べたりするためではない。これらの変更は包括的なリストではなく、当業者は、それにもかかわらず本技術の範囲内に留まりながら、他の変更を行うことができる。さらに、変更の例が述べられていない場合、変更が不可能である、および／または説明されていることが本技術のその要素を実装する唯一の方法であると解釈されるべきではない。

さらに、本技術の原理、態様、および実装、ならびにそれらの特定の例を記載する本明細書のすべての発言は、それらが現在既知であるか、または将来開発されるかにかかわらず、その構造的および機能的同等物の両方を包含することを意図している。したがって、例えば、本明細書の任意のブロック図が、本技術の原理を具体化する例示的な回路の概念図を表すことは、当業者には理解されよう。同様に、任意のフローチャート、フロー図、状態遷移図、擬似コードなどは、コンピュータまたはプロセッサが明示的に示されているか否かにかかわらず、コンピュータ可読媒体で実質的に表現され、そのようなコンピュータまたはプロセッサによってそのように実行され得る様々なプロセスを表していることが理解されよう。

「プロセッサ」または「グラフィックス処理装置」とラベル付けされた機能ブロックを含む、図に示されている様々な要素の機能は、専用ハードウェアおよび適切なソフトウェアに関連付けてソフトウェアを実行できるハードウェアを使用して提供できる。プロセッサによって提供される場合、機能は、単一の専用プロセッサ、単一の共有プロセッサ、または複数の個々のプロセッサによって提供され得、それらの一部は共有され得る。本技術のいくつかの非限定的な実施形態では、プロセッサは、中央処理装置（ＣＰＵ）などの汎用プロセッサ、またはグラフィックス処理装置（ＧＰＵ）などの特定の目的専用のプロセッサであり得る。さらに、「プロセッサ」または「コントローラ」という用語の明示的な使用は、ソフトウェアを実行できるハードウェアのみを指すと解釈されるべきではなく、デジタル信号プロセッサ（ＤＳＰ）ハードウェア、ネットワークプロセッサ、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）、ソフトウェアを格納するための読み取り専用メモリ（ＲＯＭ）、ランダムアクセスメモリ（ＲＡＭ）、および不揮発性ストレージを暗黙的に含む場合があるが、これらに限定されない。従来型および／またはカスタムの他のハードウェアも含まれる場合がある。

ソフトウェアモジュール、または単にソフトウェアであることが暗示されるモジュールは、本明細書では、プロセスステップおよび／またはテキスト表現の実行を示すフローチャート要素または他の要素の任意の組み合わせとして表すことができる。このようなモジュールは、明示的または暗黙的に示されているハードウェアによって実行される場合がある。

これらの基礎が整った状態で、本技術の態様の様々な実装を説明するためのいくつかの非限定的な例が検討される。

電子デバイス
図１を参照すると、本技術のいくつかの実装形態とともに使用するために好適な電子デバイス１００が示され、電子デバイス１００は、プロセッサ１１０によって集合的に表される１つ以上のシングルコアまたはマルチコアプロセッサを含む様々なハードウェアコンポーネント、グラフィックス処理装置（ＧＰＵ）１１１、ソリッドステートドライブ１２０、ランダムアクセスメモリ１３０、ディスプレイインターフェース１４０、および入力／出力インターフェース１５０を含む。

電子デバイス１００の様々なコンポーネント間の通信は、様々なハードウェアコンポーネントが電子的に結合されている、１つ以上の内部および／または外部バス１６０（例えば、ＰＣＩバス、ユニバーサルシリアルバス、ＩＥＥＥ１３９４「ファイアワイヤ」バス、ＳＣＳＩバス、シリアルＡＴＡバスなど）によって可能になり得る。

入力／出力インターフェース１５０は、タッチスクリーン１９０および／または１つ以上の内部および／または外部バス１６０に結合され得る。タッチスクリーン１９０は、ディスプレイの一部であり得る。いくつかの実施形態では、タッチスクリーン１９０は、ディスプレイである。タッチスクリーン１９０は、同様にスクリーン１９０と称され得る。図１に示される実施形態では、タッチスクリーン１９０は、タッチハードウェア１９４（例えば、ユーザとディスプレイとの間の物理的対話の検出を可能にするディスプレイの層に埋め込まれた感圧セル）およびタッチ入力／出力コントローラ１９２を備え、ディスプレイインターフェース１４０ならびに／または１つ以上の内部および／もしくは外部バス１６０との通信を可能にする。いくつかの実施形態では、入力／出力インターフェース１５０は、キーボード（図示せず）、マウス（図示せず）、またはトラックパッド（図示せず）に接続され得、タッチスクリーン１９０に加えてまたはその代わりにユーザが電子デバイス１００と対話することを可能にする。

本技術の実施によれば、ソリッドステートドライブ１２０は、ランダムアクセスメモリ１３０にロードされ、かつ糖尿病の被験者が食事を消費したかどうかを判定するためにプロセッサ１１０および／またはＧＰＵ１１１によって実行されるのに好適なプログラム命令を格納する。例えば、プログラム命令はライブラリまたはアプリケーションの一部である場合がある。

電子デバイス１００は、当業者によって理解され得るように、サーバ、デスクトップコンピュータ、ラップトップコンピュータ、タブレット、スマートフォン、携帯情報端末、または本技術を実装するように構成され得る任意のデバイスであり得る。

システム
図２を参照すると、システム２００の概略図が示され、システム２００は、本技術の非限定的な実施形態を実装するのに好適である。図示のシステム２００は、本技術の単なる例示的な実装であることが明確に理解されるべきである。したがって、以下のその説明は、本技術の用例の説明のみを意図している。この説明は、本技術の範囲を定義したり、限度を述べたりすることを意図したものではない。場合によっては、システム２００への変更の有用な例であると考えられるものも以下に述べられる場合がある。これは単に理解を助けるために行うに過ぎず、やはり、本技術の範囲を定義したり、限度を述べたりするためではない。これらの変更は包括的なリストではなく、当業者が理解するように、他の変更が可能であり得る。さらに、これが行われていない場合（つまり、変更の例が述べられていない場合）、変更が不可能である、および／または説明されていることが本技術のその要素を実装する唯一の方法であると解釈されるべきではない。当業者が理解するように、このようなことはない。さらに、システム２００は、ある場合には、本技術の単純な実装を提供することができ、そのような場合、それらは、理解を助けるためにこのように提示されていることを理解されたい。当業者が理解するように、本技術の様々な実装は、より複雑になる場合がある。

システム２００は、とりわけ、電子デバイス１００、データベース２５０、および人工膵臓システム２２０を含む。

システム２００は、糖尿病の被験者２０５または糖尿病ユーザ２０５に関連付けられている。

電子デバイス１００は、糖尿病ユーザ２０５に関連付けられている。非限定的な例として、電子デバイス１００は、糖尿病ユーザ２０５のスマートフォンであり得る。糖尿病ユーザ２０５は、自分自身の健康および糖尿病に関連する情報を電子デバイス１００に入力することができ、電子デバイス１００は、その情報をデータベース２５０に格納する。一実施形態では、電子デバイス１００は、人工膵臓システムの一部であり得る（例えば、人工膵臓システム２２０のコンポーネント）。代替の実施形態では、電子デバイス１００は、糖尿病ユーザ２０５のデスクトップコンピュータであり得る。

電子デバイス１００は、とりわけ、以下のように構成される。（ｉ）糖尿病ユーザ２０５の糖調節システムをモデル化する。（ｉｉ）グルコース測定値を予測する。（ｉｉｉ）事前に選別された測定値に基づいて、ユーザ２０５によって消費された食事が電子デバイス１００に記録されていないためにインスリンボーラスが不履行であったかどうかを判定する。（ｉｖ）ユーザ２０５へのインスリン送達のために、情報を人工膵臓システム２２０に送信する。その目的を達成するために電子デバイス１００がどのように構成されるかは、以下でより詳細に説明する。

閉ループシステム、自動インスリン送達システム、または血糖コントロールのための自律システムとしても既知である人工膵臓システム２２０は、健康な膵臓のグルコース調節機能を模倣するように構成される。人工膵臓システム２２０は、糖尿病ユーザ２０５に動作可能に接続され、関連付けられている。

人工膵臓システム２２０は、連続グルコースモニタリングシステム（ＣＧＭ）２３０、インスリン注入ポンプ２４０、およびコントロール手順２４５を備える。

ＣＧＭシステム２３０は、ユーザ２０５の血糖値を反映する情報の安定した流れを提供する。ＣＧＭ２３０は、血糖値に関連付けられた細胞の周りの流体（間質液）中のグルコースを測定する、患者の皮膚（図示せず）の下に皮下配置されたセンサを含む。ＣＧＭシステム２３０は、スクリーンもしくはタッチスクリーン（図示せず）などのユーザインターフェースを有してい得、および／または通信ネットワーク（図示せず）を介して通信リンク（付番せず）を介してユーザ２０５の電子デバイス１００または別の電子デバイス（図示せず）にグルコース関連情報を送信し得る。

一実施形態では、グルコース監視システム２３０は、データベース２５０に記憶するために、ユーザ２０５の血糖値を反映する情報を送信する。

一実施形態では、電子デバイス１００は、ＣＧＭ２３０から情報を受信し、かつ一連の数学的計算を行うコントロール手順２４５を実行する。これらの計算に基づいて、電子デバイス１００は、投薬指示を注入ポンプに送信する。代替の実施形態では、コントロール手順２４５は、デスクトップコンピュータ、リモートサーバ、およびスマートフォンなどであるがこれらに限定されない、インスリン注入ポンプ２４０を含む任意の数のデバイスで実行することができる。

コントロール手順２４５は、食事検出手順３００を含み、これは、以下でより詳細に説明する。

インスリン注入ポンプ２４０は、コントロール手順２４５から受信した指示に基づいてインスリン送達を調整する。

一実施形態では、データベース２５０は、ユーザ２０５について、ユーザ固有のパラメータのセット２６０を格納するように構成される。ユーザ固有のパラメータのセット２６０は、ユーザ２０５の糖調節システムをモデル化するために使用され得る。ユーザ固有のパラメータのセット２６０には、患者の年齢、患者の体重、内因性グルコース産生、インスリン非依存性グルコースフラックス、インスリン遠隔作用の活性化率、患者のインスリン感受性（例えば、グルコース輸送のインスリン感受性、グルコース処理のインスリン感受性、ＥＧＰの抑制のインスリン感受性）、インスリン吸収率、インスリン除去率、最大ＣＨＯ吸収までの時間、インスリン分布量、患者の１日の総投与量、患者の基礎インスリン、患者の炭水化物比、患者の食事およびグルコース分布量のうちの１つ以上を含む。

データベース２５０は、ユーザ２０５について、グルコース測定値２６２を格納するように構成される。一実施形態では、グルコース測定値２６２は、ＣＧＭ２３０から受信される。グルコース測定値２６２は、非限定的な例として、間質性グルコース濃度を含む。非限定的な例として、食事からのグルコース出現率は、グルコース測定値２６２に基づいて計算することができる。

データベース２５０は、ユーザ２０５について、インスリン測定値２６４を格納するように構成される。一実施形態では、送達されたインスリン測定値２６４は、インスリン注入ポンプ２４０から受信される。送達されたインスリン測定値２６４は、送達された皮下インスリンの量、および送達されるのを保留している（すなわち、要求により保留されているがまだ送達されていない）インスリンの量、送達されなかった皮下インスリンの量、残存インスリン、インスリンポンプの故障またはエラーのうちの１つ以上を含む。

データベース２５０は、ユーザ２０５について、消費された食事情報２６６を格納するように構成される。ユーザ２０５は、消費された食事の指標をユーザの電子デバイス１００に記録することができ、このデバイスは、消費された食事の指標をデータベース２５０に送信し得る。消費された食事情報２６６は、食事の組成、食事の重量、食事の組成、食事のタイプ、食事中のタンパク質の量、食事中の繊維量、食事中の炭水化物量、またはその推定値のうちの１つ以上を含み得る。

データベース２５０は、ユーザ２０５について、所与の期間、モデルパラメータのセット２７０を格納するように構成される。一般的に言えば、モデルパラメータのセット２７０は、ユーザ２０５の糖調節システムを表すパラメータである。モデルパラメータのセット２７０は、一般に、ユーザ２０５に適応するために時間とともに変化する。モデルパラメータのセット２７０がどのように判定されるかは、以下でより詳細に説明する。

データベース２５０は、ユーザ２０５について、状態推定値２８０を格納するように構成される。一般的に言えば、状態推定値２８０は、所与の瞬間における糖尿病ユーザ２０５の状態を表す。状態推定値２８０の判定は、以下でより詳細に説明する。

食事検出手順
ここで図３に目を向けると、本技術の非限定的な実施形態による不明な食事検出手順３００の概略図が示されている。

不明な食事検出手順３００は、電子デバイス１００などのプロセッサを含む電子デバイスによって実行される。一実施形態では、不明な食事検出手順３００は、人工膵臓システム２２０によって、または別の電子デバイス（図示せず）によって実行し得る。不明な食事検出手順３００は、分散様態において、異なるデバイスによって実行され得ることが企図されている。

一実施形態では、不明な食事検出手順３００は、コントロール手順２４５の一部である。

不明な食事検出手順３００は、ユーザ２０５の履歴データに基づいてユーザ２０５の糖調節システムモデルを生成し、ユーザ２０５の糖調節システムモデルを使用してグルコース測定値を予測し、予測されたグルコース測定値を現在のグルコース測定値と比較して、ユーザ２０５が食事を記録していないどうかを判定するように適応される。一実施形態では、不明な食事検出手順３００は、ボーラスの不履行の指標を人工膵臓システム２２０に送信し、これにより、人工膵臓システム２２０にインスリンボーラスを送達させることができる。一実施形態では、ボーラスの不履行の指標は、送達されるべきボーラスの推奨を含む。不明な食事検出手順３００は、ユーザ２０５の糖調節システムの状態空間表現を使用する。

不明な食事検出手順３００は、状態空間モデリング手順３２０、確率的検出手順３６０、およびインスリンボーラス判定手順３８０を含む。

状態空間モデリング手順
状態空間モデリング手順３２０の目的は、ユーザ２０５の糖調節システムをモデル化することである。状態空間モデリング手順３２０は、皮下組織からのインスリンの吸収、消費された食事からの炭水化物の吸収、インスリン作用によるグルコースの変化、および吸収された炭水化物によるグルコースの変化のうちの１つ以上を記述する数学モデルを生成する。状態空間モデリング手順３２０は、カルマンフィルタリングを使用してグルコース測定値を予測する。

一実施形態では、ユーザの糖調節システム２０５のモデルは、一組の微分方程式によって表すことができる。一実施形態では、ユーザ２０５の糖調節システムは、線形時不変モデルを使用して説明される。非限定的な例として、バーグマンモデルは、ユーザ２０５の糖調節システムを記述するために線形化され得る。

一実施形態では、モデルの内部状態は、以下によって表すことができる。
・送達された皮下インスリンの量；
・血漿インスリンの濃度；
・消化された食事の量；
・食事からのグルコース出現率；
・グルコース血漿濃度；および
・間質性グルコース濃度

一実施形態では、状態空間モデリング手順３２０は、変数ｐ_ｎによって表されるモデルパラメータのセット２７０を有するモデルを生成する。モデルパラメータのセット２７０は、観察されたグルコース測定値２６２を表すことを可能にする。状態空間モデリング手順３２０は、状態空間表現を使用して、状態推定値２８０を判定する。状態空間表現の状態推定値２８０は、任意の時点で有する値に依存し、また入力変数の外部から課せられた値にも依存する方法で、時間の経過とともに変化する値である。出力変数の値は、状態推定の値によって異なる。

次に、カルマンフィルタリングを使用して、グルコース測定値がモデルパラメータのセット２７０、および送達されたインスリン測定値２６４および消費された食事情報２６６によって説明されるかどうかを判定する。

線形二次推定（ＬＱＥ）としても既知であるカルマンフィルタは、時間の経過に伴う一連の測定値を使用するアルゴリズムであり、ノイズおよび／または不正確さを含むことがあり、単一の測定に基づくものより正確であり得る不明な変数の推定値を生成する。換言すれば、それは、条件が尊重されるときに推定共分散を最小化するために予測子修正型推定量を実装する方程式のセットであり、方程式は、電子デバイス１００などの電子デバイスによって再帰的に実行される。

状態空間モデリング手順３２０は、実際のグルコース測定値を受信するように構成される。一実施形態では、状態空間モデリング手順３２０は、人工膵臓システム２２０から実際のグルコース測定値を受信する。

状態空間モデリング手順３２０は、ＣＧＭ２３０および／またはデータベース２５０からグルコース測定値２６２を受信するように構成される。グルコース測定値２６２は、Ｎ個の以前のグルコース測定値を含む、ｚ_ｎ＝｛ｚ_{ｎ－Ｎ＋１}，…，ｚ_ｎ｝，

状態空間モデリング手順３２０は、インスリン注入ポンプ２４０および／またはデータベース２５０から、送達されたインスリン量２６４を受信するように構成される。送達されたインスリン量２６４は、時間ｎ－Ｎの間のインスリン量を含む。

状態空間モデリング手順３２０は、データベース２５０から、消費された食事情報２６６を受信するように構成される。消費された食事情報２６６は、時間ｎ－Ｎの間にユーザが記録した、消費された食事を含む。

送達されたインスリン量２６４および消費された食事情報２６６は、共にＵ_ｎ＝｛Ｕ_ｎ－Ｎ，…，Ｕ_ｎ－１｝として表すことができる。運動や心拍数（ただしこれらに限定されないが）など、ユーザ２０５の血糖値に影響を与える可能性のある他の入力を追加できることに留意されたい。

一実施形態では、時間ｎにおけるユーザ２０５の状態Ｘ_ｎについて、ｐ_ｎで表されるモデルパラメータのセット２７０は、状態が、状態空間モデルに従って変化する。

Ｘ_ｎ＝Ａ（ｐ_ｎ）Ｘ_ｎ－１＋Ｂ（ｐ_ｎ）Ｕ_ｎ、 （１ａ）

ｙ_ｎ＝Ｃ（ｐ_ｎ）Ｘ_ｎ、 （１ｂ）

ここで、Ｕ_ｎはシステムへのすべての入力である、時間ｎで送達されたインスリン量２６４と消費された食事情報２６６、ならびに（Ａ（ｐ_ｎ），Ｂ（ｐ_ｎ），Ｃ（ｐ_ｎ））はパラメータのセット２７０ｐ_ｎの状態行列、入力行列、および出力行列のセットである。

一実施形態では、標準的な線形カルマンフィルタは、以下の方程式によって表される。

、 （２ａ）

Ｐ_{ｎ｜ｎ－１}＝ＡＰ_ｎ－１Ａ^Ｔ＋Ｑ、 （２ｂ）

Ｓ_ｎ＝ＣＰ_{ｎ｜ｎ－１}Ｃ^Ｔ＋Ｒ、 （２ｃ）

、 （２ｄ）

、 （２ｅ）

Ｐ_ｎ＝Ｐ_{ｎ｜ｎ－１}－Ｋ_ｎＣＰ_{ｎ｜ｎ－１}、 （２ｆ）

式中、

は、状態推定値である。Ｐは、状態推定値の共分散行列である。

Ｑはプロセスノイズ共分散行列であり、Ｒは測定ノイズ共分散行列であり、Ｋ_Ｎはカルマンゲインである。

ｖ_ｎ＝ｚ_ｎ－ｙ_ｎは、実際のグルコース測定値Ｚ_ｎと状態空間モデリング手順３２０による予測測定値との不一致を示すイノベーションパラメータである

。

一実施形態では、イノベーションパラメータは、イノベーション共分散パラメータであるか、またはそれを含むと見なすことができる。一実施形態では、イノベーションパラメータは、テスト統計であるか、またはそれを含むと見なすことができる。

イノベーションパラメータは、実際のグルコース測定値ｚ_ｎと、予測測定値ｙ_ｎがどれだけ異なるかを定量化する。一実施形態では、イノベーションパラメータは、実際のグルコース測定値ｚ_ｎと、予測測定値ｙ_ｎとの間の差に比例する。したがって、イノベーションパラメータ値が高いほど、実際のグルコース測定値ｚ_ｎと、予測測定値ｙ_ｎとの間の不一致が大きくなる。逆に、イノベーションパラメータ値が低いほど、実際のグルコース測定値Ｚ_ｎと、予測測定値Ｙ_Ｎとの間の不一致が小さくなる。

実際のグルコース測定値Ｚ_ｎと、予測測定値ｙ_ｎとの不一致（またはその欠如）を示すイノベーションパラメータは様々な方法で判定することができ、補正因子または閾値が、イノベーションパラメータを判定するために使用され得ることは理解されよう。一実施形態では、実際のグルコース測定値ｚ_ｎと予測測定値ｙ_ｎとの間の不一致を示すイノベーションパラメータの値は、閾値に基づいて判定し得、すなわち、実際のグルコース測定値ｚ_ｎと予測測定値ｙ_ｎとの間の差が、閾値より上（または下）である場合、イノベーションパラメータの値は、別の値に丸められ得る。したがって、実際のグルコース測定値ｚ_ｎおよび予測測定値ｙ_ｎは、所与の範囲内にある場合は、「等しい」と見なすことができる。

Ｓ_ｎは、イノベーションパラメータｖ_ｎの共分散である。

カルマンフィルタは、真の状態Ｘ_ｎの確率分布関数が、平均

と共分散Ｐ_ｎを有するガウス型であるとき、一貫性があると言われる。したがって，カルマンフィルタは，イノベーションパラメータのシーケンス｛ｖ_１，．．．，ｖ_ｎ｝が独立していて、同一に分布しており（ｉ．ｉ．ｄ．）、イノベーションパラメータの共分散Ｓ_ｎを有するゼロ平均ガウス分布に従う場合に一貫性がある。カルマンフィルタの一貫性は、プロセスノイズと測定ノイズが既知の共分散行列Ｑ、およびＲを有するｉ．ｉ．ｄ．ゼロ平均ガウスであるという仮説に従う。例えば、外乱などのプロセスノイズの変化により、カルマンフィルタに矛盾が生じることがある。

状態空間モデリング手順３２０は、患者の特定の特性、例えば、ユーザ固有のパラメータのセット２６０、および１日の総インスリン投与量、例えば、１日あたりに送達されるインスリン量２６４のような一般的な知識に基づいて、モデルパラメータのセット２７０のｐ（ｐ_ｎ）の事前分布を判定または受信し得る。

本技術の文脈では、状態空間モデリング手順３２０は、最新のグルコーストレンド、すなわちＣＧＭ２３０および／またはデータベース２５０から受信したグルコース測定値２６２、インスリン注入ポンプ２４０および／またはデータベース２５０から受信したインスリン測定値２６４、およびユーザ２０５から受信した食事情報２６６に適合するように、モデルパラメータのセット２７０を調整または更新する。

一実施形態では、Ｘ_ｎ－Ｎが時間ｎ－Ｎにおいて既知の状態である場合、状態空間モデリング手順３２０は、モデルパラメータのセット２７０ｐ_ｎ、状態行列

、および既知のインスリン測定値２６４を有するモデルと消費された食事情報２６６

を使用して、状態伝播

のシーケンスを決定する。

一実施形態では、最後のＮ個のグルコース測定値を記述するパラメータのセット２７０ｐ_ｎの最尤推定量

は、尤度関数を最大化することによって得られる。

。 （３）

例えば、再帰的最小二乗などの他の方法を使用することができると企図される。

パラメータのセット２７０ｐ_ｎの最大事後確率推定量（ＭＡＰ）は、によって得られる。

。 （４）

対応する状態および入力に条件付けられたときに測定値が相互に条件付きで独立していると仮定すると、状態、送達されたインスリン量２６４、およびパラメータのセット２７０が与えられた場合のグルコース測定値２６２の分布は、次のように表すことができる。

、 （５）

一定の共分散ｒ^２を有するゼロ平均のガウス測定ノイズを仮定すると、ｋ∈［ｎ－Ｎ，ｎ］に対して、分布は次のように表される。

、 （６）

状態空間モデリング手順３２０は、最大事後推定を使用して、モデルパラメータのセット２７０を調整する。次に、グルコース測定値２６２

、既知のインスリン測定値２６４および消費された食事情報２６６

および時間ｎ－Ｎ（Ｘ_ｎ－Ｎ）での状態を使用してカルマンフィルタが実行される。モデルパラメータのセット２７０は、最新の観察されたグルコース傾向に適合するように調整される。

一実施形態では、状態空間モデリング手順３２０は、以下を実行するように構成される。
・時間ｋにおいて、状態空間モデリング手順３２０は、ｐ_ｎによって表される患者パラメータのセット２７０に基づいてグルコース測定値Ｚ_ｎに対応するカルマン状態推定値

を判定する。
・Ｍエポックごとに、状態空間モデリング手順３２０は、グルコース測定値２６２からのＮ個のグルコース測定値、送達されたインスリン量２６４、および時間ｎ－Ｎにおける消費された食事情報２６６、および時間ｎ－Ｎでの状態推定に基づいてユーザパラメータのセット２７０を推定する。一実施形態では、状態空間モデリング手順３２０は、最大事後法によってユーザパラメータのセット２７０を推定する。
・

（７）
・

、（８）
・ここで、ｐ_ＭＥＡＮ、Ｐ_ｃｏｖは、ユーザパラメータのセット２７０ｐの分布の事前平均と共分散であり、Ｒ_ＭＡＰは、測定値の共分散であり、Ｐ_ｎ－Ｎは、状態推定値Ｘ_ｎ－Ｎの共分散であり、

は、時間ｋにおける

とモデルパラメータｐ_ｋから得られる状態である。
・Ｍエポックごとに、ユーザパラメータ２７０Ｐ_ｎの新しいセットに基づいて、状態空間モデリング手順３２０は時間ｎ－Ｎから現在時刻ｎまでカルマンフィルタを実行する。
・状態空間モデリング手順３２０は、食事検出手順がモデルパラメータのセット２７０を推定しない場合（すなわち、カルマンフィルタの反復がＭエポックに対応しない場合）、モデルパラメータのセット２７０、すなわちｐｎ＝ｐｎ－１を伝搬し、ワンステップカルマンフィルタを適用する。

状態空間モデリング手順３２０は、データベース２５０に、モデルパラメータのセット２７０を格納し、反復ごとに状態推定値２８０を格納する。

状態空間モデリング手順３２０は、データベース２５０に、実際のグルコース測定値ｚ_ｎと予測グルコース測定値ｙ_ｎとの間の不一致を示すイノベーションパラメータｖ_ｎ、予測グルコース測定値ｙ_ｎ、イノベーションパラメータｖ_ｎの共分散Ｓ_ｎ、およびカルマンゲインＫ_ｎを格納する。一実施形態では、値は、人工膵臓システム２００から取得することができる。

一実施形態では、状態空間モデリング手順は、人工膵臓２２０で実行され得、出力は、電子デバイス１００によって実行される不明な食事検出手順３２０に転送され得る。

確率的検出手順
確率的検出手順３６０は、状態空間モデリング手順３２０に基づいて、ユーザ２０５が電子デバイス１００を介して食事を記録していないかどうかを判定するために実行され、これがグルコース測定値の変化を引き起こす。

グルコース測定値と予測グルコース測定値との間の不一致を示すイノベーションパラメータは、システムへの外乱によって引き起こされ得る大きな値（すなわち、状態パラメータの他の値と比較して）を有することがある。

外乱は他の要因に起因することがあるため、確率的食事検出手順３６０は、仮説検定を使用して、ユーザ２０５によって記録されていない食事によって外乱が引き起こされるかどうかを判定し得る。２つの仮説が考えられる。
Ｈ_０：最後のＭ回の反復で不明な食事は消費されなかった（カルマンフィルタは一貫している）。
Ｈ_１：時間ｐ∈［ｎ－Ｍ、ｎ］でシステムに通知せずに、サイズｍの食事が消費された（カルマンフィルタに矛盾がある）。

不明なパラメータθに依存する複雑な仮説の場合（この場合、θ＝（ｐ、ｍ）ユーザ２０５による不明な食事の時間とサイズ）一般化尤度比検定（ＧＬＲＴ）を使用できる。Θがθのパラメータ空間である場合、２つの仮説は次の条件を満たす必要がある。

。 （９）

ここで、Θは離散集合Θ＝｛（ｐ，ｍ）｜ｐ∈［ｎ－Ｍ，ｎ］，ｍ∈［ｍ_ｍｉｎ，ｍ_ｍｉｎ＋Δｍ，…，ｍ_ｍａｘ］｝であり、ここで、ｍ_ｍｉｎ、ｍ_ｍａｘは検出可能な最小および最大の不明な食事であり、Δｍは不明な食事における検出可能な最小の差である。それらの定義で

およびΘ_１＝Θである。一実施形態では、ｍは最後の６０分に等しく、Δｍ＝６０分、ｍ_ｍｉｎ＝１５ｇ、およびｍ_ｍａｘ＝９０ｇである。

一般化尤度比検定（ＧＬＲＴ）が使用される。ＧＬＲＴ統計は次のように記述される。

（１０）

ここで、Ｖ_θはθに依存する確率分布関数を有する確率変数である。この場合、Ｖ_θはカルマンフィルタイノベーション｛ｖ_ｎ－Ｍ，…，ｖ_ｎ｝のプロセスを表す確率変数である。

カルマンフィルタが一貫している帰無仮説Ｐ（Ｖθ｜Ｈ_θ）は、次のように表すことができる。

（１１）

対立仮説の下で、Ｐ（Ｖ_θ｜Ｈ１）は、θ＝（ｐ、ｍ）に対して次のように記述される。

（１２）

そしてｋ∈［ｐ＋１，ｎ］の場合、

（１３）

ここで、Ｕ_ｍはゼロと食事入力チャネルの値ｍを有する列ベクトルであり、Ｉは単位行列である。

サイズｍの食事が時間ｐで消費された場合、カルマンフィルタの仮説の正しい状態予測

（計算されたカルマンフィルタの状態

とは異なる）

になるであろう。

したがって、

、

、

、

、

、

、 （１４）

再帰によって、ｋ∈［ｐ＋１，ｎ］の場合、

。 （１５）

したがって、真のイノベーションパラメータが

、ｋ∈［ｐ＋１、ｎ］の場合、以下を満たす。

。 （１６）

は、共分散Ｓ_ｋを有するゼロ平均ガウス分布に従うため、ｖ_ｋは、同じ共分散を有するガウス分布、およびｋ∈［ｎ－Ｍ，ｐ］である場合、ゼロ平均、または、ｋ∈［ｐ＋１，ｎ］である場合、

の平均のいずれかに従う。

したがって：

。（１７）

一実施形態では、θ^＊＝（ｐ^＊，ｍ^＊）∈ａｒｇ ｍａｘ Ｐ（Ｖ_{θ＝（ｐ，ｍ）}｜Ｈ_１）は、確率的検出手順３６０で、仮想の不明な食事の最も可能性の高い時間とサイズとして定義されている。

のサンプリング分布は、自明ではないので、別のテスト統計が、次のような

から導出される。

、 （１８）

帰無仮説の下では、λは、共分散を有するゼロ平均ガウス分布に従う

。

したがって、確率的検出手順３６０は、λがＰ（λ＞η｜Ｈ_０）＜αを満たす基準閾値ηよりも小さい場合に、パラメータθ^＊を有する食事を検出する。一実施形態では、α＝０．０５である。αは、他の値も可能であると考えられる。

確率的検出手順３６０は、情報をインスリンボーラス判定手順３８０に送信する。

インスリンボーラス判定手順
インスリンボーラス判定手順３８０は、確率的検出手順３６０から、食事の不履行の可能性があるという指標を受信する。

確率的食事検出手順３６０によって食事が検出されると、インスリンボーラス判定手順３８０は、食事サイズｍ^＊および時間ｐ^＊を
θ^＊＝（ｐ^＊，ｍ^＊）∈ａｒｇ ｍａｘ Ｐ（Ｖ_{θ＝（ｐ，ｍ）}｜Ｈ_１）．
のように判定する。

インスリンボーラス判定手順３８は、食事ｍ^＊に関する新しい情報を用いて別のカルマンフィルタルーチンを実行するように構成される。患者の状態についてのより良好な推定を含む新しい状態が取得される。一実施形態では、

が、新しい患者の状態における残りの消化されていない食事の推定値である場合、患者の安全

は、２０ｇなどの所与のｎ値に制限される場合がある。

インスリンボーラス判定手順３８０は、インスリンボーラスを判定し、ここで、インスリンボーラスｕは、残りの食事、患者の炭水化物比ＣＲ、血糖値Ｇ、グルコース目標Ｇ_{ｔａｒｇｅｔ}、患者固有の補正係数ＣＦ、および残りの残存インスリン（ＩＯＢ）に比例する。インスリンボーラスは、のように表され得る。

（１９）

インスリンボーラス判定手順３８０は、インスリンボーラスの指標をインスリン注入ポンプ２４０に送信し、これにより、インスリン注入ポンプ２４０がインスリンボーラスｕを注入する。一実施形態では、インスリンボーラス判定手順３８０は、適切な行動を取ることができるユーザに（例として、電子デバイス１００上の通知として）表示するためのインスリンボーラスの指標を送信する。

方法の説明
図４は、本技術の非限定的な実施形態による、被験者におけるグルコース変化を判定するための方法４００のフローチャートを示す。

一実施形態では、方法４００は、電子デバイス１００などの非一時的記憶媒体に動作可能に接続されたプロセッサを含む電子デバイスによって実行される。

一実施形態では、ソリッドステートドライブ１２０は、ランダムアクセスメモリ１３０にロードされ、かつ電子デバイス１００のプロセッサ１１０および／またはＧＰＵ１１１によって実行されるのに好適なコンピュータ可読命令を格納する。プロセッサ１１０は、コンピュータ可読命令を実行すると、方法４００を実行するように構成されるか、または動作可能である。

方法４００は、ステップ４０２で始まる。

ステップ４０２において、電子デバイス１００は、被験者、すなわち糖尿病ユーザ２０５の実際のグルコース測定値を受信する。一実施形態では、実際のグルコース測定値は、ＣＧＭ２３０から受信される。他の実施形態では、実際のグルコース測定値は、別の非一時的記憶媒体に格納され得るか、または別の電子デバイス（図示せず）から受信され得る。

ステップ４０４において、プロセッサ１１０は、過去の被験者モデルパラメータを受信する。一実施形態では、過去の被験者モデルパラメータは、ユーザ２０５の糖調節システムを表すパラメータであるモデルパラメータのセット２７０である。

ステップ４０６において、プロセッサ１１０は、実際のグルコース測定値、および過去の被験者モデルパラメータに基づいて、被験者の状態ベースのモデルの被験者モデルパラメータを推定する。一実施形態では、電子デバイス１００は、推定された被験者モデルパラメータに基づいて予測グルコース測定値を判定する。別の実施形態では、ステップ４０２から４０６は、被験者モデルパラメータを受信する単一のステップに置き換えることができ、被験者モデルパラメータは、別の電子デバイス（図示せず）によって判定されている場合がある。

ステップ４０８において、プロセッサ１１０は、カルマンフィルタを使用して、被験者モデルパラメータおよび被験者の以前の状態に基づいて、イノベーションパラメータおよびイノベーション共分散パラメータを判定する。一実施形態では、イノベーションパラメータは、実際のグルコース測定値ｚ_ｎと予測測定値

との間の不一致を、状態ベースのモデルによって示す。

ステップ４１０において、プロセッサ１１０は、判定されたイノベーションパラメータおよびイノベーション共分散パラメータに基づいてテスト統計を計算する。一実施形態では、テスト統計は、式（１８）を使用して計算される。

ステップ４１２において、プロセッサ１１０は、計算されたテスト統計を所与の閾値と比較する。一実施形態では、所与の閾値は、いくつかの偽陽性に基づいて事前に判定されている。

ステップ４１４において、プロセッサ１１０は、計算されたテスト統計が所与の閾値を超えていることに応答して、食事が被験者によって消費されたことの指標を出力する。一実施形態では、電子デバイス１００は、計算されたテスト統計に基づいてボーラスの値を計算し、ボーラスの値を人工膵臓システムに送信する。

方法４００は終了する。

ここで図５から図８に目を向けると、シミュレーションと臨床データ実験の複数のプロットが示されている。

シミュレーションの検証
シミュレーション実験は、次の目的で実施された。
・食事検出手順の感度、つまり、不明な食事の総数に対する検出された不明な食事の数を計算する。
・誤警報率、つまり食事が消費されていないときにアルゴリズムが食事を検出した回数を計算する。
・従来の閉ループインスリン投与アルゴリズムと一緒に食事検出手順を導入することによる、全体的な血糖コントロールへの影響の評価。

シミュレーションのセットアップ
Ｔ１Ｄ患者の糖調節システムは非線形であり、時変である。患者内の変動および患者間の変動をシミュレートするために、Ｗｉｌｉｎｓｋａらによって提示された、時変パラメータを有するシミュレーションモデルが実装された。患者間のばらつきを考慮するために、モデルパラメータは事前分布からランダムにサンプリングされる。さらに、個人内変動は、いくつかのパラメータを周期的に（ランダムな周波数と位相で）変動させることによって考慮される（表Ｉ）。シミュレーションは、グルコース測定値の相関ノイズ（変動係数７％および相関８０％）で強化されている。

（表Ｉ）の分布からランダムにサンプリングされた５１２人の仮想の患者を使用して、「ＣＬ＋ＭＤ」と称されるシミュレーション実験が実施される。食事検出手順は、モデル予測コントローラー（ＭＰＣ）を使用して閉ループとともに実装される。シミュレーション実験（図５Ａ）は、仮想の患者が午前７時に４０ｇの炭水化物（ＣＨＯ）の朝食と、４０ｇ、６０ｇ、または８０ｇのＣＨＯのいずれかで構成される正午の昼食を消費する１３時間のシミュレーションで構成されている。

朝の朝食は、投与アルゴリズムに入力され、朝食時に食事を伴うボーラスが与えられる。昼食は、仮想の患者に与えられるが、インスリン投与アルゴリズムには予告されない。不明な食事と食事検出手順による所与のボーラスの影響が調査されるため、昼食後の食事は消費されない。血漿グルコースが２．７ｍｍｏｌ／Ｌ未満の場合、１５ｇのレスキューＣＨＯが仮想の患者に与えられる。

昼食の食事が投与アルゴリズムに予告されない１５３６のシミュレーション（３つの食事サイズｘ５１２人の仮想の患者）が実施された。真陽性（ＴＰ）は、食事検出手順が昼食の食事から１２０分以内に食事に正常にフラグを付けたときにカウントされる。偽陰性（ＦＮ）は、昼食の食事から１２０分以内にアルゴリズムによって食事がフラグ付けされなかったときにカウントされる。感度は、不明な食事の総数に対するＴＰの比率である。すべての食事（４０ｇ、６０ｇ、および８０ｇ）を組み合わせた場合の食事検出手順の感度は、９３．２３％である。他の統計は、表ＩＩに見出すことができる。検出手順はグルコースの増加によって駆動されるため、アルゴリズムの感度は食事のサイズとともに低下することが観察されることが予想される（最小の感度は４０ｇの食事の場合である）。６０ｇ ＣＨＯの不明な中程度の食事の場合、９６．２９％の確率で検出される。平均して、アルゴリズムは、２．６±１．２ｍｍｏｌ／Ｌの閾値を超えるグルコース値のジャンプ後に食事を検出し、不明な食事の検出時間は約４０分である。これらの値は、グルコースの増加から食事の影響を確認するのに合理的であるように思われる。他の研究でも、検出時間の同様の値が観察された。

偽陽性（ＦＰ）とは、不明な食事がない状態で食事が検出された場合である。１９９６８時間のシミュレーション（１３時間ｘ１５３６シミュレーション）で、６４ ＦＰが発生し、これは、シミュレーションあたり４．１７％のＦＰ率を表する。４０ｇの食事後のＦＰの比較的高い率（６４の偽陽性のうち３４）は、ほとんどの場合、グルコースのわずかな増加のために、不明な食事の検出が遅れたためである（１２０分の閾値の後）。代わりに１８０分を考慮した場合、ＦＰカウントは（３４ではなく）１８になる。図５Ｂは、遅いグルコースの増加後にＦＰ検出が発生した場合を示す。送達されたボーラスは安全であり、低血糖症を引き起こさなかった。

血糖コントロールへの影響
分類アルゴリズムはＦＰにフラグを付けやすいため、そのような事象の影響を評価することが重要である。また、閉ループシステムに食事検出手順を追加することによる、グルコースコントロールへの利点を調査する必要がある。したがって、これら２つの質問に答えるために、他の２つのシミュレーション実験が行われた。どちらの実験もＣＬ＋ＭＤ実験と同じ構造であった。仮想の患者が閉ループアルゴリズムを使用し、朝食および昼食の２つの食事を消費する、１５３６のシミュレーション（３つの食事サイズ×５１２人の仮想の患者）が実施された。ただし、どちらの実験でも、閉ループアルゴリズムは、食事検出手順のないＭＰＣのみで構成されていた。

「ＣＬ＋Ｂ」と称される最初の実験は、昼食が予告されてボーラスされたシナリオをシミュレートする。「ＣＬ」と称される２番目の実験は、昼食が予告されず、ＭＰＣが血糖値の変化にのみ反応したシナリオをシミュレートする。２つの実験は、低血糖に費やされる予想時間と高血糖に費やされる時間の基本値を設定するのに役立つ。

図６は、提案された食事検出手順の有効性を検証する閉ループアルゴリズムに食事検出手順を追加すると、高血糖に費やされる時間が３４．９％から３０．４％に大幅に改善されたことを示す。表ＩＩＩは、様々な食事の３つの実験における曲線下面積（ＡＵＣ）の増分をより詳細に比較している。平均して、ＡＵＣはＣＬからＣＬ＋ＭＤに１９％改善される（ベースラインはＣＬ＋Ｂである）。

正確なボーラスが送達されたとき（ＣＬ＋Ｂ）と比較して、低血糖の増加が観察されなかったため（図６）、食事検出手順（ＣＬ＋ＭＤ）は安全である。ＦＰにフラグが付けられ、不要なボーラスが送達された場合の食事検出手順の安全性をさらに調査するために、ＦＰにフラグが付けられたシミュレーション（ｎ＝６４）の間で高血糖に費やされた時間が比較され、ＦＰがないシミュレーション（ｎ＝１４７２）。ＦＰにフラグ付けされたときに低血糖に費やされた時間（１．１±０．３５％）は、ＦＰがなかったときに低血糖に費やされた時間（０．７６±０．０８％）とは大きく異ならない（ｐ＝０．３８）ことがわかった。これは、ＦＰの検出と、開発されたアルゴリズムによる低血糖の原因との間に明らかな相関関係がないことを示唆している。ＦＰ後のアルゴリズムの安全性は、食事にフラグが付けられた後に送達されたインスリンボーラスが計算された方法に起因する。計算されたボーラスは、血糖値を目標値に戻す項（（Ｇ_－Ｇ_{ｔａｒｇｅｔ}）／ＣＦ－ＩＯＢ）、および検出された消費された食事をカバーする項の組み合わせである

。残りの食事サイズ

が、少ないＣＨＯ値（この場合は２０ｇ）に制限されているため、インスリンの過剰摂取のリスクが最小限に抑えられる。この投与戦略は、追加の低血糖事象を誘発しないことと、高血糖に費やされる時間を減らすこととの間の最良の妥協点であることが見出された。

臨床の検証
実験の説明
入院中のＴ１Ｄの青年を対象に、ボーラス不履行後の食事検出モジュールの有無による閉ループインスリン送達と従来のポンプ療法との安全性と有効性を評価した現在進行中の臨床研究の予備研究結果が提示される。この研究は、患者ごとに３つのランダム化された治療介入で構成されていた。各患者はインスリンボーラスとともに朝食を消費した。朝食の４時間後、ボーラスなしで６０ｇの昼食が患者に与えられた。治療介入に応じて、インスリン投与量は、閉ループアルゴリズム、食事検出モジュールを備えた閉ループアルゴリズム、または患者の従来のポンプ療法のいずれかに基づいていた。治療介入は昼食の６時間後に終了した。図７は、食事検出手順が使用された治療介入からのデータを示す。

患者の安全のために、血糖値が１８ｍｍｏｌ／Ｌを超えて維持された場合、補正ボーラスが送達された。これが発生した場合、血糖値は治療介入が終了するまで一定に保たれていると見なされる。図８は、すべての治療介入を完了した４人の患者の増分ＡＵＣを示す。食事検出手順により、ボーラスの不履行後、ＡＵＣの増加が減少する場合があることを示す傾向が見られた。実際、ＡＵＣは、食事検出なしの１６％と比較して、食事検出手順ありでは３９％減少した（ベースラインは従来のインスリン療法である）。

食事検出手順をさらに調査するために、１０８時間（４人の患者ｘ３回の訪問ｘ９時間）の臨床データを使用して、食事検出手順をオフラインで実行した。１２回の不明な食事すべてが正常に検出され、ＦＰにフラグが付けられることはなかった。食事の検出時間は３５分である。食事検出時のグルコースの増加は２．８９±１．７２ｍｍｏｌ／Ｌであり、食事検出の１０分前のグルコースの増加は０．４５±０．７３ｍｍｏｌ／Ｌである。

本技術は、人工膵臓システムに関連して説明されてきたが、本技術を使用して、投与し忘れたインスリンをユーザに通知し、特定の投与量を推奨することができると考えられる。その後、ユーザは、投与し忘れたインスリンを自分自身に送達するなどの行動を取ることができる。別の用途では、従来のポンプ療法または頻回注射療法のユーザは、食事をしてボーラスを提供するのを忘れた場合に思い出させることができる。

本技術はまた、注入セットの故障または食事を抜くなど、グルコース値を上昇させる障害を検出するために使用され得る。本技術は、オンラインまたはオフラインで、データの分析とモデル化、アルゴリズムのパフォーマンスの検証、および不明な食事と低血糖治療を特定するための非限定的な例として使用できる。

本明細書で言及されるすべての技術的効果が、本技術のあらゆる実施形態において享受される必要があるわけではないことを明確に理解されたい。例えば、本技術の実施形態は、ユーザがこれらの技術的効果のいくつかを享受することなく実装され得るが、他の非限定的な実施形態は、ユーザが他の技術的効果を享受するか、または全く享受せずに実装され得る。

これらのステップのいくつかおよび信号送受信は、当技術分野において周知であり、したがって、簡単にするために、この説明の特定の部分では省略されている。信号は、光学的手段（光ファイバ接続など）、電子的手段（有線または無線接続など）、および機械的手段（圧力ベース、温度ベース、または他の好適な物理的パラメータベースなど）を使用して送受信できる。

本技術の上記の実装に対する修正および改善は、当業者には明らかになり得る。前述の説明は、限定的ではなく例示的であることを意図している。

Claims (30)

1. 被験者によって予告なしの食事が消費されたかを判定するためのコンピュータ実装方法であって、前記方法が、電子デバイスによって実行可能であり、前記方法が、
   前記被験者の状態ベースのモデルの被験者モデルパラメータを受信することと、
   カルマンフィルタを使用して、前記被験者モデルパラメータおよび前記被験者の以前の状態に基づいて、イノベーションパラメータおよびイノベーション共分散パラメータを判定することと、
   前記判定されたイノベーションパラメータおよび前記イノベーション共分散パラメータに基づいて、テスト統計を計算することと、
   前記計算されたテスト統計を所与の閾値と比較することと、
   前記計算されたテスト統計が前記所与の閾値を超えていることに応答して、被験者によって前記予告なしの食事が消費されたかを判定し、前記予告なしの食事の指標を出力することと、を含む、方法。
2. 前記被験者モデルパラメータを受信することに先立って、
   前記電子デバイスによって、前記被験者の実際のグルコース測定値を受信することと、
   前記電子デバイスによって、過去の被験者モデルパラメータを受信することと、をさらに含み、
   前記被験者の前記状態ベースのモデルの前記被験者モデルパラメータを受信することが、前記実際のグルコース測定値、および前記過去の被験者モデルパラメータに基づいて、前記被験者モデルパラメータを推定することを含む、請求項１に記載の方法。
3. 予告なしの食事の指標を出力することは、インスリンボーラスの指標を、前記電子デバイスのディスプレイインターフェースおよび前記被験者のインスリン送達システムのうちの少なくとも１つに送信することを含む、請求項１～２のいずれか一項に記載の方法。
4. 前記所与の閾値を超える前記テスト統計が、前記カルマンフィルタが矛盾していることを示す、請求項１～３のいずれか一項に記載の方法。
5. 前記被験者モデルパラメータを推定することが、最大事後確率（ＭＡＰ）推定を使用することを含む、請求項２に記載の方法。
6. 前記被験者モデルパラメータを推定することが、以前のグルコース測定値、以前のインスリン測定値、および以前に消費された食事にさらに基づく、請求項２または５のいずれか一項に記載の方法。
7. 前記所与の閾値を超える前記テスト統計が、前記イノベーションパラメータが独立しておらず、前記イノベーションパラメータの前記共分散に対応する共分散を有するゼロ平均ガウス分布と同様に分布していないことを示す、請求項１～６のいずれか一項に記載の方法。
8. 前記被験者モデルパラメータは、前記被験者の糖調節システムを表す、請求項１～７のいずれか一項に記載の方法。
9. 前記所与の閾値が、所定の数の偽陽性に基づく、請求項１～８のいずれか一項に記載の方法。
10. 前記過去の被験者モデルパラメータを受信することに先立って、
    前記過去の被験者モデルパラメータを、前記被験者の１日の総投与量、基礎インスリン、および炭水化物比に基づいて、初期化することさらに含む、請求項２、５または６のいずれか一項に記載の方法。
11. 前記実際のグルコース測定値が、前記電子デバイスに接続されたグルコースセンサから受信される、請求項２、５、６または１０のいずれか一項に記載の方法。
12. 前記電子デバイスの前記ディスプレイインターフェースおよび前記被験者の前記インスリン送達システムのうちの前記少なくとも１つに前記指標を送信することに先立って、
    残りの食事、患者の炭水化物比、および血糖値に基づいて、前記予告なしの食事のためのインスリンボーラスを判定することをさらに含む、請求項３に記載の方法。
13. 前記インスリンボーラスを判定することに先立って、
    前記イノベーションパラメータおよび前記イノベーション共分散パラメータに基づいて、前記予告なしの食事の食事量および食事時間を判定することをさらに含む、請求項１２に記載の方法。
14. 前記計算されたテスト統計が、前記イノベーション共分散パラメータによって重み付けされた前記食事量および前記食事時間に基づく、前記イノベーションパラメータとグルコース変化との間の相関の累積合計を表す、請求項１３に記載の方法。
15. 前記所与の閾値が、ゼロ平均ガウス分布および前記イノベーション共分散パラメータによって重み付けされた最も可能性の高い食事量および食事時間による最も可能性の高いグルコースの増加の二乗に比例する共分散を有する確率変数の所与の偽陽性率に基づいて判定される、請求項１４に記載の方法。
16. 被験者によって予告なしの食事が消費されたかを判定するためのシステムであって、
    プロセッサと、
    前記プロセッサに動作可能に接続された非一時的記憶媒体であって、コンピュータ可読命令を含む記憶媒体と、を備え、
    前記プロセッサが、前記コンピュータで可読命令を実行すると、
    前記被験者の状態ベースのモデルの被験者モデルパラメータを受信することと、
    カルマンフィルタを使用して、前記被験者モデルパラメータおよび前記被験者の以前の状態に基づいて、イノベーションパラメータおよびイノベーション共分散パラメータを判定することと、
    前記判定されたイノベーションパラメータおよび前記イノベーション共分散パラメータに基づいて、テスト統計を計算することと、
    前記計算されたテスト統計を所与の閾値と比較することと、
    前記計算されたテスト統計が前記所与の閾値を超えていることに応答して、被験者によって前記予告なしの食事が消費されたかを判定し、前記予告なしの食事の指標を出力することと、を行うように構成されている、システム。
17. 前記プロセッサが、前記被験者モデルパラメータを受信することに先立って、
    前記被験者の実際のグルコース測定値を受信することと、
    過去の被験者モデルパラメータを受信することと、を行うようにさらに構成され、
    前記被験者の前記状態ベースのモデルの前記被験者モデルパラメータを受信することが、前記実際のグルコース測定値、および前記過去の被験者モデルパラメータに基づいて前記被験者モデルパラメータを推定することを含む、請求項１６に記載のシステム。
18. プロセッサに動作可能に接続されたディスプレイインターフェースと、
    プロセッサに動作可能に接続されたインスリン送達システムと、をさらに備え、
    前記プロセッサが、前記ディスプレイインターフェースおよび前記被験者の前記インスリン送達システムのうちの少なくとも１つに、前記予告なしの食事の推定される食事のサイズに基づくインスリンボーラスの指標を送信するようにさらに構成されている、請求項１６～１７のいずれか一項に記載のシステム。
19. 前記所与の閾値を超える前記テスト統計が、前記カルマンフィルタが矛盾していることを示す、請求項１６～１８のいずれか一項に記載のシステム。
20. 前記被験者モデルパラメータを推定することが、最大事後確率（ＭＡＰ）推定を使用することを含む、請求項１７に記載のシステム。
21. 前記推定することが、以前のグルコース測定値、以前のインスリン測定値、および以前に消費された食事にさらに基づく、請求項１７または２０のいずれか一項に記載のシステム。
22. 前記所与の閾値を超える前記テスト統計が、前記イノベーションパラメータが独立しておらず、前記イノベーションパラメータの前記共分散に対応する共分散を有するゼロ平均ガウス分布と同様に分布していないことを示す、請求項１６～２１のいずれか一項に記載のシステム。
23. 前記被験者モデルパラメータは、前記被験者の糖調節システムを表す、請求項１６～２２のいずれか一項に記載のシステム。
24. 前記所与の閾値が、所定の数の偽陽性に基づく、請求項１６～２３のいずれか一項に記載のシステム。
25. 前記プロセッサが、前記過去の被験者モデルパラメータを受信することに先立って、
    前記過去の被験者モデルパラメータを、前記被験者の１日の総投与量、基礎インスリン、および炭水化物比に基づいて初期化することを行うようにさらに構成されている、請求項１７、２０または２１のいずれか一項に記載のシステム。
26. 前記プロセッサに接続されたグルコースセンサをさらに備え、
    前記実際のグルコース測定値が、前記グルコースセンサから受信される、請求項１７に記載のシステム。
27. 前記プロセッサが、前記プロセッサに動作可能に接続された前記ディスプレイインターフェースおよび前記被験者の前記インスリン送達システムのうちの少なくとも１つに前記指標を送信することに先立って、
    残りの食事サイズ、患者の炭水化物比、および血糖値に基づいて、前記予告なしの食事のためのインスリンボーラスを判定することを行うようにさらに構成される、請求項１８に記載のシステム。
28. 前記プロセッサが、前記インスリンボーラスを判定することに先立って、
    前記イノベーションパラメータおよび前記イノベーション共分散パラメータに基づいて、前記予告なしの食事の食事量および食事時間を判定するようにさらに構成されている、請求項２７に記載のシステム。
29. 前記テスト統計が、前記イノベーション共分散パラメータによって重み付けされた前記食事量および前記食事時間に基づく、前記イノベーションパラメータとグルコース変化との間の相関の累積合計を表す、請求項２８に記載のシステム。
30. 前記所与の閾値が、ゼロ平均ガウス分布および前記イノベーション共分散パラメータによって重み付けされた最も可能性の高い食事量および食事時間による最も可能性の高いグルコースの増加の二乗に比例する共分散を有する確率変数の所与の偽陽性率に基づいて判定される、請求項２９に記載のシステム。

Images