KR101423807B1 - 환자 생리학의 모델링에 기초하여 환자 맞춤형 치료를 개발하는 시스템 및 방법 - Google Patents

환자 생리학의 모델링에 기초하여 환자 맞춤형 치료를 개발하는 시스템 및 방법 Download PDF

Info

Publication number
KR101423807B1
KR101423807B1 KR1020097027114A KR20097027114A KR101423807B1 KR 101423807 B1 KR101423807 B1 KR 101423807B1 KR 1020097027114 A KR1020097027114 A KR 1020097027114A KR 20097027114 A KR20097027114 A KR 20097027114A KR 101423807 B1 KR101423807 B1 KR 101423807B1
Authority
KR
South Korea
Prior art keywords
patient
glucose
data
insulin
module
Prior art date
Application number
KR1020097027114A
Other languages
English (en)
Other versions
KR20100027165A (ko
Inventor
어제이 튜크랄
폴 갤리
시바 치타잘루
슈테판 바이네르트
Original Assignee
에프. 호프만-라 로슈 아게
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 에프. 호프만-라 로슈 아게 filed Critical 에프. 호프만-라 로슈 아게
Publication of KR20100027165A publication Critical patent/KR20100027165A/ko
Application granted granted Critical
Publication of KR101423807B1 publication Critical patent/KR101423807B1/ko

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
    • 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
    • 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
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
    • 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
    • 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
    • G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • 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
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/20—ICT specially adapted for the handling or processing of medical references relating to practices or guidelines
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
    • A61M5/14—Infusion devices, e.g. infusing by gravity; Blood infusion; Accessories therefor
    • A61M5/142—Pressure infusion, e.g. using pumps
    • A61M2005/14288—Infusion or injection simulation
    • A61M2005/14296—Pharmacokinetic models
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
    • A61M5/14—Infusion devices, e.g. infusing by gravity; Blood infusion; Accessories therefor
    • A61M5/168—Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body
    • A61M5/172—Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body electrical or electronic
    • A61M5/1723—Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body electrical or electronic using feedback of body parameters, e.g. blood-sugar, pressure

Abstract

환자 맞춤형 생리학의 동적 모델링에 기초하여 환자 맞춤형 치료를 개벌하는 시스템 및 그 방법이 개시되어 있다. 이 시스템은, 적어도, 수집된 환자 맞춤형 데이터의 타입 및 그 환자 맞춤형 데이터가 수집될 방식을 정의하는 데이터 수집 프로토콜, 및 환자의 생리학의 양태를 시뮬레이션하도록 구성된 환자 맞춤형 모델이 개발되는 정보로의 컴퓨터를 통한 액세스를 제공하도록 구성된 소프트웨어 모듈을 포함한다. 이 시스템의 다른 소프트웨어 모듈은 데이터 수집 프로토콜에 따라 수집된 환자 맞춤형 데이터를 환자 맞춤형 모델에 제공하여, 환자 맞춤형 치료를 결정하기 위해 컴퓨터를 통한 액세스를 제공하도록 구성된다.
Figure R1020097027114
환자 맞춤형 치료, 환자 맞춤형 모델, 소프트웨어 모듈

Description

환자 생리학의 모델링에 기초하여 환자 맞춤형 치료를 개발하는 시스템 및 방법{SYSTEM AND METHOD FOR DEVELOPING PATIENT SPECIFIC THERAPIES BASED ON MODELING OF PATIENT PHYSIOLOGY}
본 발명은 일반적으로 만성 질병 관리에 관한 것으로, 특히, 환자 생리학의 동적 모델링에 기초하여 만성 질병 관리를 위한 환자 맞춤형 치료를 개발하는 컴퓨터화된 시스템 및 그 방법에 관한 것이다.
종래에, 치료법/요법은, 질병 또는 질환을 진단하기 위해 단일의 임상 테스트 및 측정 디바이스에 기초한다. 대부분의 부분에서, 이러한 테스트 및 디바이스를 사용하는 의도는, 단일의 품질 측정치를 획득하는 것이다. 이러한 측정치는 스냅샷을 제공한다. 그러나, 질병의 기본적인 시스템 특징과 시스템 다이나믹스를 이해하기 위해서는 일련의 측정치가 요구된다.
일련의 측정치가 더 많은 데이터를 명확히 발생시킨다. 그러나, 이러한 데이터를 실행가능한 정보로 변환하는 것이 항상 쉬운 것은 아니다. 사실, 의약품의 실습에 유용한 연속적이거나 빈번한 측정치에 의해 제공된 더욱 풍부한 데이터를 작성하기 위해 어떤 문제점들이 태클될 수 있으며 어떤 전제조건이 요구되는지를 식별하는 것은 결코 사소한 작업이 아니다. 또한, 제약 회사들은, 약물의 신진대사 활동을 특징화하며, 약물 투여 스키마를 결정하는 작업을 수행한다. 일반적으로, 제약 회사는, 목표 집단에 대한 약물 효능과 약물 효험을 결정하기 위해 정밀한 임상 실험을 수행한다. 엄밀히 말해서, 약물에 대한 약물동태학과 약동학 모두는 환자 맞춤형이다. 집단 기반 접근법이, 이러한 만성 질병의 변이성으로 인해 인슐린 약물을 매일 사용하는 당뇨병 환자와 같은 병에 대한 약물치료를 결정하는데 이상적으로 적합하지는 않다. 이러한 경우에, 투약 스키마는 일반적으로 소정의 가이드라인으로부터 시작하는 건강관리 전문지식을 실행함으로써 미세조정된다. 통상적으로, 건강관리 제공자는 환자의 도움으로, 제어된 모니터링 및 인슐린 투여 조정 방식을 따른다.
가장 널리 퍼진 형태의 당뇨병은, 감소된 인슐린의 생산 (타입 1 진성 당뇨병, 제 1 인식 형태), 또는 인슐린에 대한 신체 조직의 감소된 반응성 (타입 2 진성 당뇨병, 더욱 일반적인 형태) 으로 인한 것이다. 전자의 치료는 인슐린 주입을 필요로 하는 반면에, 후자는 일반적으로, 경구용 약으로 관리되며, 경구용 약이 효과가 없는 경우에만 인슐린을 필요로 한다. 당뇨병의 손상 효과를 가속시키는 다른 건강 문제는, 흡연, 높은 콜레스테롤 수치, 비만, 고혈압, 및 통상의 운동 부족이다. 따라서, 혈당 레벨이 연속적으로 변화하기 때문에, 치료에 대한 환자의 이해와 참여가 매우 중요하다.
포도당을 제어하는 것이, 기관에 대한 포도당의 손상 효과를 늦추는 최상의 방법이다. 통상의 치료 (conventional therapy; CT), 집중적인 통상의 치료 (intensive conventional therapy; ICT), 및 펌프 사용자를 위한 집중적인 통상의 치료 (CSII) 가 포도당을 제어하기 위해 사용된 공통의 접근법이다. 이러한 치료 접근법의 한계는, 이들이 생리적 변이성, 대사성 차이, 및 스트레스, 운동, 병, 및 식사의 영향과 같은 환자-맞춤형 인자를 설명하는 툴을 사용하지 않는다는 것이다.
포도당 농도는 (예를 들어, 혈액에서의 포도당의 정상 레벨을 제공하기 위해) 정상혈당 제어를 위해 일반적으로 측정되는 주요 파라미터이다. 더 양호한 치료를 결정하는 다른 가용 정보는, 음식물 섭취, 물리적 활동의 수행, 일-관련 스트레스 등과 같은 다양한 활동으로부터 발생하는 대사성 부담에 관한 것이다. 인슐린 전달, 다른 약물치료 등은, 타겟된 생리학적 파라미터에 대한 더 조정하는 메카니즘이다. 치료 규칙은, 포도당 측정치, 인슐린 반응성, 인슐린-탄수화물 비율, 기초량의 인슐린 비율, 및 스트레스 레벨 및 운동의 효과와 같은 다른 인자와 관련하여 정의된다. 포도당 측정치를 제외하고는, 현재의 접근법은 경험 법칙, 실험 규칙, 및 포도당 측정치에 기초한 반복 평가에 기초하여 파라미터를 결정한다.
상기의 관점에서, 일상 생활에서 당뇨병 환자의 필요성을 다루는 현재의 임상 접근법에는 심각한 결점이 존재한다. 가용의 변화하는 접근법을 통합한 단일의 솔루션이 없다. 현재까지 제공된 방법들은, 환자-맞춤형 필요성을 직접적으로 평가하지 못하고, 오히려, 맞춤형이 시험과 오류를 통해 어떤 기간을 거쳐 다루어진다. 또한, 이 분야에서 가용의 다양한 접근법들을 간단히 통합한 것은 소망하는 효과를 달성하지 못한다. 소망하는 레벨의 안정성, 정확성, 및 강건성을 다루기 위해 전체 프로세스에 대해 개발되고 조정되어야 할 방법들 각각에 대한 맞춤형 엘리먼트들이 존재한다. 또한, 이러한 만성 질환 및/또는 질병에 대 한 치료를 설계할 때, 시간에 걸쳐 환자-맞춤형 정보를 수집하고 수집된 정보를 동적인 환자-맞춤형 모델에 적용하는 툴을 건강 관리 종사자에게 제공하는 것이 바람직하다.
본 발명은, 첨부된 청구범위에 기재된 특징들 중 하나 이상, 아래의 특징들 중 하나 이상 및 이들의 조합을 포함할 수도 있다.
일 실시형태에서, 환자의 만성 질병 관리를 위한 환자 맞춤형 치료를 개발하기 위해 사용자에 의해 사용된 컴퓨터화 시스템이 개시된다. 이 시스템은, 시스템이 데이터 수집 프로토콜에 따라 환자 맞춤형 데이터를 수집할 수 있게 하고 그 환자 맞춤형 데이터에 대한 무결성 및 품질 체크를 수행하는 데이터 수집 모듈; 사용자가 시스템에 의해 제공된 복수의 환자 모델로부터 환자 모델을 선택할 수 있게 하는 사용자 인터페이스; 선택된 환자 모델을 시스템이 검증할 수 있게 하는 모듈 검증 모듈; 시스템이 유용한 환자 맞춤형 생리학적 정보를 추출하기 위해 환자 맞춤형 데이터를 선택된 환자 모델에 적용할 수 있게 하며, 환자의 만성 질병을 치료하는 하나 이상의 환자 맞춤형 치료를 개발하기 위해 그 추출된 환자 맞춤형 생리학적 정보를 사용할 수 있게 하는 분석 모듈; 시스템이 하나 이상의 환자 맞춤형 치료를 검증할 수 있게 하며 그 하나 이상의 환자 맞춤형 치료 중 검증된 환자 맞춤형 치료들을 승인을 위해 사용자 인터페이스에 제공할 수 있게 하는 결과 검증 및 프리젠테이션 모듈을 포함한다.
다른 실시형태에서, 환자 맞춤형 생리학의 동적 모델링에 기초하여 환자-맞춤형 치료를 개발하는 컴퓨터화 시스템이 개시된다. 이 시스템은, 적어도 하나 의 데이터베이스 또는 다른 메모리 유닛에 저장된 다수의 소프트웨어 모듈로의 액세스를 제공하도록 구성된 컴퓨터를 포함한다. 다수의 소프트웨어 모듈은, 수집될 환자-맞춤형 데이터의 타입을 적어도 정의하는 하나 이상의 데이터 수집 프로토콜로의 컴퓨터를 통한 액세스를 제공하도록 구성된 제 1 소프트웨어 모듈, 환자의 생리학의 하나 이상의 양태를 시뮬레이션하도록 구성된 하나 이상의 환자-맞춤형 모델을 개발하는 정보로의 컴퓨터를 통한 액세스를 제공하도록 구성된 제 2 소프트웨어 모듈, 하나 이상의 데이터 수집 프로토콜에 따라 수집된 환자-맞춤형 데이터를 하나 이상의 개발된 환자 맞춤형 모델에 적용하여 거기로부터 하나 이상의 환자-맞춤형 치료를 결정하는 하나 이상의 소프트웨어 툴로의 컴퓨터를 통한 액세스를 제공하도록 구성된 제 3 소프트웨어 모듈, 및 환자-맞춤형 치료를 검증하는 하나 이상의 소프트웨어 검증 툴로의 컴퓨터를 통한 액세스를 제공하며 그 하나 이상의 환자-맞춤형 치료를 컴퓨터상에 제공하도록 구성된 제 4 소프트웨어 모듈을 포함한다.
또 다른 실시형태에서, 컴퓨터화 시스템상에서 환자의 만성 질병 관리를 위한 환자 맞춤형 치료를 개발하는 컴퓨터 구현 방법이 개시된다. 이 방법은, 시스템이 데이터 수집 프로토콜에 따라 환자 맞춤형 데이터를 수집할 수 있게 하고 그 환자 맞춤형 데이터에 대한 무결성 및 품질 체크를 수행하는 데이터 수집 모듈을 제공하는 단계; 사용자가 시스템에 의해 제공된 복수의 환자 모델로부터 환자 모델을 선택할 수 있게 하는 사용자 인터페이스를 제공하는 단계; 선택된 환자 모델을 시스템이 검증할 수 있게 하는 모듈 검증 모듈을 제공하는 단계; 시스템이 유 용한 환자 맞춤형 생리학 정보를 추출하기 위해 환자 맞춤형 데이터를 선택된 환자 모델에 적용할 수 있게 하며, 환자의 만성 질병을 치료하는 하나 이상의 환자 맞춤형 치료를 개발하기 위해 그 추출된 환자 맞춤형 생리학 정보를 사용할 수 있게 하는 분석 모듈을 제공하는 단계; 시스템이 하나 이상의 환자 맞춤형 치료를 검증할 수 있게 하며 그 하나 이상의 환자 맞춤형 치료 중 검증된 환자 맞춤형 치료들을 승인을 위해 사용자 인터페이스에 제공할 수 있게 하는 결과 검증 및 프리젠테이션 모듈을 제공하는 단계를 포함한다.
또 다른 실시형태에서, 컴퓨터상에서 환자-맞춤형 생리학의 동적 모델링에 기초하여 환자-맞춤형 치료를 개발하는 컴퓨터 구현 방법이 개시된다. 이 방법은, 적어도 하나의 데이터베이스 또는 다른 메모리 유닛에 저장된 다수의 소프트웨어 모듈로의 액세스를 제공하도록 컴퓨터를 구성하는 단계; 수집될 환자-맞춤형 데이터의 타입 및 환자-맞춤형 데이터가 수집될 방식을 적어도 정의하는 하나 이상의 데이터 수집 프로토콜로의 컴퓨터를 통한 액세스를 제공하도록 소프트웨어 모듈들 중 제 1 소프트웨어 모듈을 구성하는 단계; 환자의 생리학의 하나 이상의 양태를 시뮬레이션하도록 구성된 하나 이상의 환자-맞춤형 모델을 개발하는 정보로의 컴퓨터를 통한 액세스를 제공하도록 소프트웨어 모듈들 중 제 2 소프트웨어 모듈을 구성하는 단계; 하나 이상의 데이터 수집 프로토콜에 따라 수집된 환자-맞춤형 데이터를 하나 이상의 개발된 환자 맞춤형 모델에 적용하여 거기로부터 하나 이상의 환자-맞춤형 치료를 결정하는 하나 이상의 소프트웨어 툴로의 컴퓨터를 통한 액세스를 제공하도록 소프트웨어 모듈들 중 제 3 소프트웨어 모듈을 구성하는 단계; 및 환자-맞춤형 치료를 검증하는 하나 이상의 소프트웨어 검증 툴로의 컴퓨터를 통한 액세스를 제공하며 그 하나 이상의 환자-맞춤형 치료를 컴퓨터상에 제공하도록 소프트웨어 모듈들 중 제 4 소프트웨어 모듈을 구성하는 단계를 포함한다.
본 발명의 이들 및 다른 특징들과 이점들은, 첨부한 도면과 함께 본 발의 다양한 실시형태의 아래의 설명으로부터 더욱 완전하게 이해될 것이다.
본 발명의 실시형태들의 아래의 상세한 설명은, 동일한 구조가 동일한 참조 부호로 표시되는 아래의 도면과 함께 읽음으로써 최상으로 이해될 수 있다.
도 1 은, 정보를 통신할 수도 있는 인슐린 치료를 보조하고 환자 활동을 캡처하기 위해 사용된 다양한 당뇨병 관리 유틸리티 툴/디바이스의 블록도이다.
도 2 는, 본 발명에 따른 환자 생리학의 동적 모델링에 기초하여 환자-맞춤형 치료를 개발하는 진단, 치료 및 예후 시스템 (DTPS) 의 실시형태를 예시하는 블록도이다.
도 3 은, 본 발명에 따른 기능적 모듈 부분을 도시하며, 도 2 의 시스템에서 사용된 소프트웨어 실시형태의 블록도이다.
도 4 는, 본 발명에 따른 환자-맞춤형 치료를 개발하는 프로세스의 하나의 예시적인 실시형태의 플로우차트이다.
도 5 는, 본 발명의 실시형태에 따른 환자-맞춤형 치료를 개발하는 자동 췌장 시스템 (APS) 을 제공하기 위해 도 2 의 시스템에서 사용된 소프트웨어 컴포넌트의 블록도이다.
도 6 은, 포도당 측정을 사용하는 폐루프 시스템으로서 도 5 의 소프트웨어 가 본 발명의 실시형태에 따른 환자-맞춤형 치료에 기초하여 적합한 제어 동작을 제공할 수 있게 하기 위해 도 2 의 시스템에서 사용된 소프트웨어 컴포넌트, 디바이스, 및 상호작용의 블록도이다.
도 7 은, 개방루프 시스템으로 도 5 의 소프트웨어가 본 발명의 실시형태에 따른 환자-맞춤형 치료에 기초하여 적합한 제어 동작을 제공할 수 있게 하기 위해 도 2 의 시스템에서 사용된 소프트웨어 컴포넌트, 디바이스, 및 상호작용의 블록도이다.
도 8 및 도 9 는, 본 발명의 실험적 알고리즘 실시형태에 따른 모듈 실행의 시퀀스를 도시하는 프로세스 흐름도이다.
도 10 은, 하루의 상이한 시간에서 인슐린과 포도당 사이의 셋 포인트 관계를 도시하는 그래프이다.
도 11 및 도 12 는, 본 발명에 따른 제 1 및 제 2 프로세싱 기능들 각각에 대한 시간 간격의 선택을 그래프적으로 도시하는 도면이다.
도 13 은, 상이한 포도당 존 시나리오를 나타내는 한 쌍의 그래프이다.
도 14 는, 속효성 탄수화물 섭취에 대한 포도당 푸쉬를 도시하는 그래프이다.
도 15 는, 시간에 걸친 속효성 탄수화물 푸쉬에 대한 혈당 반응을 도시하는 그래프이다.
도 16 은, 본 발명에 따른 탄수화물 정류 모듈의 프로세싱의 도면이다.
도 17 은, 인슐린 잔류 약동학을 나타내는 그래프이다.
도 18 은, 시간에 걸친 단위 볼루스 (unit bolus) 의 인슐린에 대한 변화를 나타내는 그래프이다.
도 19 는, 인슐린 임펄스 예측을 나타내는 그래프이다.
도 20 은, 본 발명에 따른 알고리즘에 의해 사용된 타이밍 설명을 나타내는 그래프이다.
도 21 은, 본 발명에 따른 모델 파라미터 식별을 예시하기 위한 예로서 제공된 그래프이다.
도 22 는, 환자-맞춤형 치료를 개발하는 도 2 의 시스템에 대해 구현되며 본 발명에 따른 자동 췌장 제어 알고리즘 테스트 모음 (APCATS) 소프트웨어에 대한 그래프적인 사용자 인터페이스의 도면이다.
도 23 은, 본 발명에 따른, APCATS 소프트웨어의 모듈 블록들 사이의 접속, 및 그 블록들 사이의 정보의 흐름을 나타내는 도면이다.
도 24 는, 본 발명에 따른 시뮬레이션 환경에 대한 환자 모델 파라미터를 변경하기 위해 사용된 플랜트 메뉴 윈도우를 제공하는 그래픽적인 사용자 인터페이스의 도면이다.
도 25 는, 본 발명에 따른 시뮬레이션 환경에 대한 실패 메뉴 윈도우를 제공하는 그래픽적인 사용자 인터페이스의 도면이다.
도 26 은, 본 발명에 따른 시뮬레이션 환경에 대한 이벤트 입력 형태를 제공하는 그래픽적인 사용자 인터페이스의 도면이다.
도 27 은, 본 발명에 따른 시뮬레이션 환경에 대한 선택 다이어트/누적 운동 형태를 제공하는 그래픽적인 사용자 인터페이스의 도면이다.
도 28 은, 본 발명에 따른 시뮬레이션 환경에 대한 접속 포트 형태를 제공하는 그래픽적인 사용자 인터페이스의 도면이다.
도 29 는, 데이터를 로딩하고, 데이터를 세이빙하며, 시뮬레이션을 구동하는 기본 기능을 제공하는 도 22 의 그래픽적인 사용자 인터페이스의 구동/저장 페인부 (Run/Store pane portion) 의 도면이다.
도 30 은, 사용자가 시뮬레이션에 대한 시작 및 중지 시간을 설정하게 하고, 통합 루틴 및 스텝 사이즈를 선택하게 하며, 시뮬레이션을 구동하게 하는 본 발명에 따른 시뮬레이션 환경에 대한 시뮬레이션 파라미터 형태를 제공하는 그래픽적인 사용자 인터페이스의 도면이다.
도 31 은, 사용자가 실험 데이터를 스크린상에 또는 하드 카피로서 그래프로 도시할 수 있게 하는 도 22 의 그래픽적인 사용자 인터페이스의 플롯 페인부의 도면이다.
도 32 는, 본 발명에 따른 시뮬레이션 환경에 대한 시동 입력 형태를 제공하는 그래픽적인 사용자 인터페이스의 도면이다.
도 33 은, 본 발명의 실시형태에 따른 소프트웨어 컴포넌트의 구동 시퀀스를 나타내는 프로세스 흐름이다.
도 34 는, 본 발명의 실시형태에 따른 제어 주기를 나타내는 그래프이다.
도 35 는, 본 발명의 실시형태에 따른 알고리즘에 대한 변수의 업데이트를 도시한다.
일반적으로, 본 발명은, 동적 시스템에서 개인의 신진대사 활동 및 인체 생리학을 분석하며, 사용자가 프로토콜을 정의할 수 있게 하고, 수집된 데이터를 분석할 수 있게 하고, 치료 요건을 미세 조정할 수 있게 하며, 환자-맞춤형 진단, 치료 권고, 및 예후를 제공할 수 있게 함으로써, 사실상 만성인 당뇨병, 천식, 및 심장병과 같은 질병의 관리 및 분석 치료를 돕는 컴퓨터 아키텍처 및 프로세스에 관한 것이다. 일 환자를 돕는 것과 관련하여 본 발명을 여기에 논의하지만, 본 발명이 다중의 환장을 돕기 위해 사용될 수도 있다는 것이 이해될 것이다.
일 실시형태에서, 본 발명은 제안된 솔루션을 테스트하고 그 주위에 신뢰 간격을 제공함으로써 치료 결과를 강화시킨다. 일부 경우에서, 제안된 솔루션은, 특성화 및/또는 일 효과, 또는 어떤 경우에는 다중 효과의 제어를 구체적으로 다루기 위한 특수화된 프로토콜이다. 집단 기반 규칙을 사용하는 문제점 대신에, 본 발명의 방법은, 시작부터, 환자의 신진대사, 생리기능, 및 생활양식 고려사항에 대해 치료를 맞추기 위해 환자-맞춤형 질병 상태를 가정한다.
일 실시형태에서, 본 발명은 환자 맞춤형 인슐린 치료를 결정하기 위한 필요성을 직접적으로 다루는 시스템적인 툴을 제공한다. 본 발명의 프로세스가 개방 루프, 폐루프, 및 반-폐루프 시스템에 적용가능하며, 다양한 포도당 측정 방법 및 다양한 인슐린 전달 방법에 적합할 수 있다는 것이 이해될 것이다. 다른 실시형태에서, 본 발명은 지속적인 약물 치료를 요구하는 다른 만성 질환에 적용가능하다.
본 발명은, 약물과 관련 파라미터의 약물동태학과 약동학에 기초한 약물 투 여를 결정하는 생리학적 모델, 신진대사 모델, 및 수학적처리를 사용한다. 당업자는, 약물동태학이 약물의 흡수, 분배, 신진대사, 및 배출의 연구인 반면에, 약동학이 약물의 생화학적 및 생리학적 효과 및 이들의 작용의 메카니즘, 및 약물 효과에 대한 약물 농도의 상관작용의 연구이다는 것을 이해한다. 일 실시형태에서, 본 발명은 입력된 데이터에 대해 동작하도록 약동학의 방법을 컴퓨터화하며, 약물동태학과 약리학 효과 사이의 관계를 출력할 때 유해 또는 소망으로서 제공한다.
본 발명은 다양한 생리학적 상태의 약리학 효과를 사용자가 이해하는 것을 돕고, 질병의 진단, 치료의 정교화를 도우며, 환자 맞춤형인 치료 뿐만 아니라 기존의 치료 보다 더욱 엄격한 치료의 개발을 허용한다. 본 발명의 이러한 시스템 및 방법은, 개인의 만성 질병에 대한 예후를 제공하도록 더 확장된다.
일 실시형태에서, 본 발명은, (ⅰ) 디바이스, (ⅱ) 알고리즘 및 (ⅲ) 결과에 관한 사용자 정보/실행가능/경고의 통지를 수신/커맨드하는 일반 입력 엔트리 및/또는 일반 출력 엔트리의 관점으로부터 장치를 개시한다. 이벤트 정보는 연속 업데이트일 수 있거나 개별 방식으로 발생할 수 있다. 따라서, 이벤트는 트랜잭션이다. 이 방법은 또한, 치료 생성을 인에이블하기 위한 알고리즘 구조를 설명한다.
다른 실시형태에서, 본 발명은, 환자 맞춤형 모델을 통합하고 그것을 치료 파라미터를 결정하는데 사용하기 위해, 수집된 포도당 데이터 및 다른 가변 정보를 사용하는 방법을 개시한다. 이러한 프로세스는, (1) 환자-맞춤형 모델을 식별 하는 단계 및 (2) 다양한 생리학적 파라미터를 정의하는 단계를 수반할 수도 있다. 식별된 모델은 시뮬레이션되거나 맞춤형 분석 툴이 그 값들을 추정하도록 생리학적 파라미터의 정의를 충족시키기 위해 적용된다. 결정된 파라미터는, 이들이 환자-맞춤형 모델로부터 유도되기 때문에 환자 맞춤형이다.
다른 실시형태에서, 본 발명은 또한, 피험자의 소망하는 목표 범위내에 키 파라미터, 예를 들어, HaA1C 를 유지하고/하거나 ADA 가이드라인과 같은 요건을 충족하는 안정하고 강건한 솔루션을 보장하기 위해 사용자가 시뮬레이션을 통한 중요한 시나리오의 평가를 포함하는 다양한 분석을 수행할 수 있게 한다.
따라서, 본 발명은 환자의 특징 거동의 분석을 돕고 차례로 이러한 분석을 사용하는 툴로 개업의가 치료를 결정할 수 있게 하고, 치료 결과를 검사할 수 있게 하며, 환자의 특징을 이해할 수 있게 한다. 본 발명은 당뇨병을 가진 환자에 대한 진단, 치료 결정, 및 예후에 대한 우수한 접근법을 함께 제공하는 다양한 시스템 컴포넌트들 - 환자 데이터 저장부, 수학적 분석 툴, 데이터 프리젠테이션 방법, 외부 디바이스와의 통합, 데이터 컴플라이언스 기술, 치료 접근법을 하우징하는 집적 시스템이다. 이하에서, 그리고 예로서 당뇨병을 사용하여, 본 발명을 매우 상세히 설명한다. 특히, 본 발명에 의해 사용된 측정, 분석, 및 다른 정보에 대한 논의를 이제 제공한다.
측정 & 분석
알려진 바와 같이, 당뇨병은, 신체의 생리기능이 다양한 병인학적 이유로 혈당을 조절하기 위해 정상적으로 기능하지 못하는 신진대사 증후군이다. 이 질 병을 관리하기 위해, 환자 활동을 캡처하고 인슐린 치료를 보조하기 위해 사용된 다수의 당뇨병 관리 입력기, 유틸리티 툴, 및 디바이스가 있다. 예를 들어, 도 1 은 처방된 인슐린 치료의 효율성을 결정하고 평가하는 정보를 상호작용하고 교환하기 위해 필요한 당뇨병을 관리하기 위한 통상의 질병 관리 컴포넌트들의 도면이다. 질병 관리 컴포넌트들은, 개인 컴퓨터, 데이터 관리를 위한 중앙 데이터베이스, 사용자 입력, 포도당 측정 및 인슐린 전달량에 기초하여 펌프 주입을 관리하기 위한 알고리즘 제공 절차, 사용자 인터페이스, 측정, 테스트 등을 통한 사용자 입력부, 사용자 인터페이스, 측정, 테스트를 통한 건강관리 전문가 (HCP) 입력부, 스마트 인슐린 펌프, 스마트 혈당 (bG) 측정기, 및 독립적으로 기능하는 통합 또는 자립형 디바이스일 수도 있는 다른 핸드헬드 디바이스를 포함한다. 일반적으로, 이들 질병 관리 컴포넌트는 도 1 에서 화살표를 통해 도시된 서로와 정보를 교환하기 위해 상호작용한다. 이러한 정보 (데이터) 교환은, 기능 호출이 컴포넌트와 관련되고/컴포넌트에 의해 제공된 프로그램에 의해 이루어지며, 일반적으로 입/출력 아규먼트와 함께 호출될 때 정상적인 요건이다. 아규먼트는 조직화된 컨텐츠를 나타내며, 질병 관리 컴포넌트의 디바이스의 적어도 모두는 이러한 구조 및 그것의 잠재적/실제 컨텐츠를 이상적으로 이해해야 한다. 그러나, 이러한 시스템에서, 이벤트가 발생하였다는 것을 다양한 컴포넌트에 통지하는 것이 문제이다. 이벤트는, 다른 컴포넌트 (예를 들어, bG 측정, 저혈당 에피소드, 고혈당 에피소드값, 투여량의 조정, 프로토콜의 변화, 알고리즘의 변화 등) 에 의해 사용될 수 있는 일 컴포넌트에 의해 생성된 정보의 단위이다. 특히, 문제는, 이러 한 질병 관리 컴포넌트를 사용하는 다수의 세트의 사용 경우로부터 필요한 정보를 캡처하는 정보 구조를 제공하는데 있다. 추가의 문제는, 당뇨병과 같은 만성 질병을 관리할 때 정보의 교환은 시간 임계적일 뿐만 아니라 컨텐츠 임계적이다는 사실에 있다. 또한, 교환된 정보는 기계 해석을 위해 디바이스에 의해서 뿐만 아니라 사람의 해석을 위해 사람에 의해 이용가능해야 한다.
또한, 교환 정보의 특징이 다른 문제이다. 예를 들어, 만성 질병의 관리에서의 정보의 특징은 아래와 같이 언급되었다. 시간은 많은 변동, 예를 들어, 이벤트가 언제 발생하는지, 하나의 이벤트가 다른 이벤트에 대하여 언제 발생하는지, 및 이벤트가 얼마나 길게 발생할 수 있는지를 갖는다. 이벤트 자체는 특징 본질이고, 아래의 양태 - 무슨 이벤트가 트리거되고, 이벤트의 강도 또는 크기는 무엇인지가 요구된다. 이벤트는 특정된 시간에서의 방생 또는 특정된 동작의 대응하는 크기를 갖는 일련의 발생으로 이루어질 수 있다. 이벤트가 개시되었으면 이벤트가 턴 오프될 수 있는지 또는 더욱 일반적인 질문은 이전의 이벤트가 삭제된 특정한 경우에 대해 변경될 수 있는지이다. 또한, 이벤트의 빈도가 알려질 필요가 있다. 이벤트가 동기 호출 또는 비동기 호출의 컨텍스트에서 얼마나 트리거되는지이다. 본 발명은, 이하 제공되는 논의에서 명백해지는 바와 같이 이들 문제점을 다룬다.
생리학적 파라미터의 측정은 DTPS 의 백본을 형성한다. 예를 들어, 신체 온도, 혈압, 체중 등과 같은 쉽게 측정가능한 파라미터가 있다. 다른 파라미터들은, 특정한 구성성분을 식별하기 위해 사용된 혈액 샘플 테스팅, 소변 검사, 및 미생물 등을 식별하기 위해 수행된 배양과 같은 정밀한 실험실 테스트로부터 제공될 수도 있다. 그러나, 어떤 생리학적 파라미터를 측정하는데는 제한이 있다. 예를 들어, 복잡하고 고가인 셋-업은, HbA1C 또는 인슐린 평가분석과 같은 테스트로부터 제공된 정보의 가용성을 제한할 수 있다. 운동, 식사 섭취 (즉, 탄수화물의 섭취), 및 스트레스와 같은 인간의 생리기능에 영향을 미치는 활동에 관한 정량 및/또는 정량 정보가 빗나갈 수 있다. 또한, 이러한 파라미터는 정량화되기 보다는 온/오프로서 지정되는 효과로서 나타날 수도 있다. 또한, 정량화된 정보가 다양한 제한 인자에 대해 정확하게 얻어지지 않을 수도 있다는 것이 예상된다. 또한, 기술적인 제한, 예를 들어, 포도당생성 또는 소화관 포도당 흡수의 양과 같은 생리학적 파라미터에 액세스하는데 있어서 물리적 또는 윤리적 제한으로 인해 이용이 불가능한 측정이 존재한다. 또한, 생물학적 적용성 및 약물 효능과 같은 수학적으로 구성된 파라미터는 일반적으로 집단 기반이며, 특정한 개별 환자에 대해 충분히 맞춤형이 아닐 수도 있다.
당뇨병 관리를 위해, 포도당 측정기를 사용하여 통상 획득된 포도당 측정치가 치료 관리를 실시하는데 주요 (primary) 파라미터이다. HbA1C, 켑톤, 및 FFA 와 같은 당뇨병의 관리와 관련된 여러 부 (secondary) 파라미터가 있다. 그러나, 이러한 측정치는 정기적으로 필요하지 않다. 또한, 치료를 조정하고 정정하는데 중요한 (식사 소비 및 운동에 대한 양과 실행 레이트와 같은) 활동에 관한 정보가 있다. 환자-맞춤형 필요성을 분석하는 것을 도울 수 있는 본 발명은, 직접적으로 측정될 수 없는 생리학적 파라미터를 추정하고 환자의 기반 생리기 능과 신진대사를 나타내기 위해 사용되는 모델을 구축하기 위해 측정 및 분석에 이러한 데이터를 이용한다. 본 발명은 또한, 사용자가 만성 질병의 기반 동적 거동을 이해할 수도 있도록 생리학적 파라미터들이 지속적으로 이끌어낼 때 이러한 생리학적 파라미터의 시각화를 허용한다. 본 발명의 이러한 분석 및 시각화는, 시스템의 조작 (당뇨병 환자) 에 대한 더 큰 통찰을 제공하며, 건강관리 제공자의 진단, 치료 결정, 및 예후를 도울 수 있다. 따라서, 본 발명은 데이터를 분석하고, 질병을 진단하고, 치료를 결정하며, 치료에 대한 예후에 도달하는 건강관리 제공자의 능력을 강화시킨다. 이하, 본 발명의 유틸리티의 예시를 돕기 위해, 아래의 예가 제공된다.
개인에게서 당뇨병을 테스트하기 위해, 공통적으로 사용된 프로토콜은 개인에게 적어도 8 시간 동안의 공복을 요구한다. 공복 포도당이 측정되고, 그 후, 개인은 일반적으로 2 시간에 걸쳐 여러 포도당 측정이 후속되는 농축 포도당 드링크의 섭취를 필요로 하는 경구 포도당 내성 테스트를 받는다. 수집된 데이터에 기초하여, 당뇨병에 대한 진단이 결정된다. 빈번하거나 연속적인 데이터의 사용은 희박한 측정치의 사용에 대해 아래의 이점을 제공하고, 데이터가 패턴 및 트렌드를 시각화할 수 있도록 도시되고, 데이터가 측정치의 변화를 예측하거나 예상하기 위해 사용될 수 있으며, 데이터가 기반 약물동태학 및 약동학을 나타내고 모델을 구축하기 위해 사용될 수 있다. 일반적으로, 상기 언급된 데이터는 널리 정의된 프로토콜을 사용하여 수집된다. 본 발명의 방법은 아래의 양태들을 포함한다. 환자-맞춤형 데이터는 본 발명의 진단, 치료, 및 예후 툴을 지원하기 위해 수집된다. 프로토콜이 분석 맞춤형이고 각 프로토콜이 질병의 특정한 양태 (인과 관계) 를 식별하거나 결정하기 위해 특수화된다는 것을 인식하는 데이터 분석이 제안된다. 제안된 데이터 분석은 환자의 질병 시스템이 어떻게 작용하는지를 최상의 정량화하고 환자 맞춤형 파라미터를 식별하도록 의도된다. 다음으로, 환자의 질병 시스템 동적 거동은, 집단 기반 연구가 평균 효과를 나타내고, 환자-맞춤형 필요성을 반드시 다루지는 않는다는 것을 인식하는 본 발명에 의해 정의된다. 본 발명은 또한, 동적 시스템 거동이 특정한 상황에서 어떻게 클리어될 수 있는지를 이해하기 위해 원리가 필요하지만, 사람이 정신적으로 중요한 수학적 분석을 수행한다는 것을 예상하는 것은 비합리적이다는 것을 고려한다.
예를 들어, 투약, 특히 매일 사용되거나/되고 정기적으로 필요로 하는 투약은 운동, 스트레스, 다른 음식, 및 다른 투약과 같은 활동과 상호작용하고, 이들 모두는 투약의 효과에 대해 실질적인 영향을 가질 수 있다. 이러한 효과를 결정하는 수학적 양태들을 풀어내는 나중의 섹션에서 이하 설명되는 본 발명의 시스템적인 툴은 건강관리 제공자가 효과를 평가하고 정량화하는 것을 돕는다. 효과는 치료에 대응하는 소정의 효과가 선택되는 동안 투약 방식으로 더 전환될 수 있다. 효과는 효과의 영향을 예측하고 경고 및 경보의 생성을 돕기 위해 사용될 수 있다. 이하의 설명은, 본 발명의 시스템 (장치) 및 방법을 설명한다.
전체 시스템
상기 측정 및 분석을 고려하여, DTPS 는 PC 플랫폼상에서 구동하는 통상의 클라이언트-서버 환경에서 동작하는 하드웨어-소프트웨어 시스템이며, 도 2 에 의 해 블록도로 예시된다. 전체 시스템은 인트라넷 및/또는 인터넷 셋업을 통해 액세스가능하고 지리적으로 분배된 것으로 고려되고 있다. 하나의 예시된 실시형태에서, 시스템 (10) 은 서버 컴퓨터 (12) 및 클라이언트 컴퓨터 (14) 를 제공한다. 서버 컴퓨터 (12) 는 입력 디바이스 (18), 모니터 (20), 및 메모리 (22) (예를 들어, RAM, ROM, 및 하드 드라이브(들)) 에 동작가능하게 접속되는 종래의 프로세서 (16) 를 포함한다. 입력 디바이스 (18) 는 종래의 키보드, 종래의 포인트-클릭 디바이스, 마이크로폰 등 중 어느 하나 또는 이들의 조합일 수도 있으며, 모니터 (20) 는 임의의 종래의 컴퓨터 모니터일 수도 있다. 서버 컴퓨터 (12) 의 프로세서 (16) 는 또한, 컴퓨터 (12) 에 대해 내부이거나, 다르게는 컴퓨터 (12) 에 대해 외부일 수도 있는 데이터베이스 (24) 에 동작가능하게 접속된다. 서버 컴퓨터 (12) 의 프로세서 (16) 는 또한 종래의 통신 인터페이스 (26) 에 동작가능하게 접속된다.
유사하게, 클라이언트 컴퓨터 (14) 는, 종래의 모니터 (36), 종래의 메모리 (38) (예를 들어, RAM, ROM, 및 하드 드라이브(들)), 및 종래의 키보드, 종래의 포인트-클릭 디바이스, 마이크로폰 등 중 어느 하나 또는 이들의 조합일 수도 있는 종래의 입력 디바이스 (40) 에 동작가능하게 접속되는 종래의 프로세서 (34) 를 포함한다. 다르게는, 입력이 실시형태들에서 모니터 (36) 를 통해서 일 수도 있고, 여기서, 모니터는 하나 이상의 터치 스크린 버튼 또는 스위치를 포함한다. 클라이언트 컴퓨터 (14) 는 또한, 프로세서 (34) 에 동작가능하게 접속된 하나 이상의 종래의 스피커 (42) 를 포함할 수도 있다. 클라이언트 컴퓨터 (14) 의 프 로세서 (34) 는 또한, 무선으로 또는 유선 접속을 통해 하나 이상의 외부 디바이스에 동작가능하게 접속되도록 구성되는 디바이스 인터페이스 (46) 에 동작가능하게 접속된다.
일 실시형태에서, 예를 들어, 디바이스 인터페이스 (46) 는 외부 디바이스로의 유선 접속을 위해 구성된 종래의 입/출력 포트일 수도 있거나 이를 포함할 수도 있다. 이러한 입/출력 포트의 예들이 종래의 범용 직렬 버스 (USB) 포트, 종래의 RS-232 포트 등을 포함하지만 이에 제한되어서는 안된다. 다르게는 또는 추가로, 디바이스 인터페이스 (46) 는 외부 디바이스의 유사한 트랜시버와 무선으로 통신하도록 구성된 종래의 무선 트랜시버일 수도 있거나 이를 포함할 수도 있다. 이러한 무선 트랜시버의 예들은 적외선 (IR) 트랜시버, 무선 주파수 (RF) 트랜시버, 유도성 트랜시버, 음향 트랜시버 등을 포함하지만, 이에 제한되어서는 안된다.
클라이언트 컴퓨터 (14) 의 프로세서 (34) 는, 디바이스 인터페이스 (46) 를 통해 환자 데이터 측정 및/또는 수집 디바이스의 형태와 같은 정보를 외부 디바이스 (48) 에 제공하거나, 그 정보를 외부 디바이스 (48) 로부터 수신한다. 환자 데이터 측정 및/또는 수집 디바이스 (48) 의 예들은, 혈액 또는 조직 포도당 센서 또는 다른 포도당 측정 디바이스, 신체 온도 감지 또는 측정 디바이스, 체중 측정 디바이스, 혈압 모니터링 디바이스, HbA1C 모니터링 디바이스, 예를 들어, 인슐린 또는 하나 이상의 다른 혈당 강하 또는 상승 약물의 투여를 위한 매몰식 또는 외부 착용 약물 주입 펌프, 환자의 식사 섭취 데이터, 환자의 운동 데이터, 환자의 병 데이터 등을 모니터링하는 핸드헬드 또는 다른 데이터 수집 디바이스 등을 포함할 수도 있지만, 이에 제한되어서는 안된다.
클라이언트 컴퓨터 (14) 의 프로세서 (34) 는 또한, 종래의 통신 인터페이스 (32) 에 동작가능하게 접속된다. 통신 인터페이스 (26 및 32) 는, 서버 컴퓨터 (12) 와 클라이언트 컴퓨터 (14) 사이에 전자 통신을 제공하는 임의의 종래의 통신 인터페이스일 수도 있다. 예시된 실시형태에서, 예를 들어, 통신 인터페이스 (26 및 32) 는, 종래의 방식으로 월드 와이드 웹 (WWW), 인터넷 및/또는 인트라넷을 통해 서버 컴퓨터 (12) 와 클라이언트 컴퓨터 (14) 사이에 전자 통신을 제공하도록 구성된다. 다르게는 또는 추가로, 통신 인터페이스 (26 및 32) 는, 서버 컴퓨터 (12) 와 클라이언트 컴퓨터 (14) 가 전화를 통해 통신할 수도 있도록 전화 모뎀일 수도 있거나 전화 모뎀을 포함할 수도 있다. 본 개시물은, 서버 컴퓨터 (12) 와 클라이언트 컴퓨터 (14) 사이의 전자 통신이 다르게는 다른 종래의 유선 또는 무선 통신 링크를 통해 달성될 수도 있다는 것을 예상한다. 어떤 경우에서, 시스템 (10) 은 지리적으로 분포될 수도 있거나 분포되지 않을 수도 있는 다중의 네트워크된 서버 컴퓨터 (12) 를 포함할 수도 있으며, 각 서버 컴퓨터 (12) 가 지리적으로 분포될 수도 있는 다중 클라이언트 컴퓨터 (14) 를 서빙할 수도 있다는 것을 이해할 것이다. 또한, 본 발명의 프로세스 (즉, 소프트웨어 부분) 는 이하 논의되는 사용 경우 시나리오에 의존하여, 클라이언트측 또는 서버측상에 구성될 수도 있다.
소프트웨어 부분
도 3 을 참조하면, 도 2 의 시스템 (10) 에 의해 사용되고 본 발명에 따른 소프트웨어 (50) 의 일 예시적인 실시형태가 도시되어 있다. 소프트웨어 (50) 는, 사용자 인증을 수행하고, 데이터베이스에 데이터를 저장하고/하거나 획득하며, 데이터의 배경 프로세싱, 이벤트를 트리거링하는 자동화 등과 같은 보조 활동을 실시하는 클라이언트 컴퓨터 (14) 와 서버 컴퓨터 (12) 사이의 적합한 상호작용을 허용하기 위해 종래의 방식으로 구성되는 것으로 이해된다. 예시된 실시형태에서, 소프트웨어 (50) 는 운영 시스템 및 네트워크 프로토콜 부분 (52), 코어 애플리케이션 부분 (54), 및 기능 모듈 부분 (56) 을 포함한다. 운영 시스템 및 네트워크 프로토콜 부분 (52) 은 다양한 컴포넌트, 디바이스 및/또는 데이터베이스 사이의 상호작용을 허용하도록 종래의 방식으로 구성된다. 코어 애플리케이션 및 기능 모듈 부분 (54 및 56) 은 각각, 서버 컴퓨터 (12) 상에, 클라이언트 컴퓨터 (14) 상에, 또는 양자상에 적어도 부분적으로 상주할 수도 있다.
일반적으로, 코어 애플리케이션 부분 (54) 은 상업적으로 이용가능한 다수의 종래의 소프트웨어 알고리즘과 다른 종래의 데이터 관리 소프트웨어를 포함한다. 하나의 특정한 예로서, 코어 애플리케이션 부분 (54) 은 종래의 수학적 소프트웨어 패키지를 포함할 수도 있다. 일반적으로, 이러한 코어 수학적 툴은 하나 이상의 최적화 툴, 하나 이상의 통계 분석 툴, 하나 이상의 시뮬레이션 툴, 하나 이상의 민감도 툴, 하나 이상의 시각화 툴, 및 (종래의 패턴 인식 툴, 엔벨로프 인식 툴 등과 같은) 정보를 추출하는 하나 이상의 툴을 포함할 것이다. 특정 예들이, LAPACK, 선형 대수 패키지, IMSL (Independent Media Solutions Limited) 소프트웨어 툴 및 라이브러리, OPTIMA 클라이언트/서버 툴, STATS 통계 툴, 그래픽적 프리젠테이션 툴 등 중 어느 하나 이상을 포함하지만 이에 제한되지 않는다. 특히, 수집된 환자 데이터에 대한 데이터베이스 조직 및 보안 소프트웨어 알고리즘은 코어 애플리케이션 부분 (54) 에 포함될 수도 있는 종래의 소프트웨어 알고리즘 및 다른 종래의 데이터 관리 소프트웨어의 다른 특정한 예들이다. 일반적으로, 이러한 데이터베이스 조직 및 보안 소프트웨어 알고리즘은 예를 들어, HIPAA 컴플라이언스, 데이터 무결성, 보안 및 인증, 및 다른 시스템 애플리케이션과의 상호운용성을 보장할 것이다. 다양한 데이터베이스 활동을 지원하는 종래의 드라이버 및/또는 다양한 전자 데이터 측정/수집 디바이스 (48) (도 2 참조) 와 상호작용하는 드라이버는, 다양한 컴퓨터, 데이터베이스 및 적절한 웹 사이트와의 상호작용을 허용하기 위해 하나 이상의 종래의 웹 브라우저 뿐만 아니라 코어 애플리케이션 부분 (54) 에 포함될 수도 있는 종래의 소프트웨어 알고리즘 및 다른 종래의 데이터 관리 소프트웨어의 다른 특정한 예이다. 이러한 종래의 웹 브라우저의 예들은, 인터넷 익스플로러, 넷스케이프, 모질라 (Mozilla), 오페라 (Opera), 링크스 (Lynx) 등을 포함할 수도 있지만 이에 제한되어서는 안된다. 코어 애플리케이션 부분 (54) 이 다소의 소프트웨어 알고리즘 및/또는 데이터 관리 소프트웨어를 포함할 수도 있으며, 상기 예들이 오직 예시 목적으로만 제공되었으며 어떤 방식으로 제한되는 것으로 간주되어서는 안된다는 것을 이해할 것이다.
기능 모듈들
도 3 에 의해 도시된 바와 같이, 예시된 실시형태에서, 기능 모듈 부분 (56) 은, 데이터 수집 프로토콜 블록 (70), 환자 모델 모듈 (72), 모델 검증 모듈 (74) 및 분석 모듈 (76) 을 포함하고, 이들 모두는 규칙/가이드라인 세트 모듈 (78) 에 접속된다. 기능 모듈 부분 (56) 은, 디바이스 드라이버 관리 모듈과 결과 검증 및 프리젠테이션 모듈 (82) 을 더 포함한다. 예시적으로, 기능 모듈 부분 (56) 은, 데이터를 관리하고, 데이터를 문의하고, 데이터를 저장 및 검색하고, 호출 루틴을 코어 애플리케이션 부분 (54) 에 위치된 수학적 패키지 및 라이브러리에 제공하고, 텍스트 및 그래프의 형태로 데이터를 제공하는 그래프적 루틴 및 데이터를 분석하는 루틴을 제공하며, 다양한 외부 디바이스 (48) 와 통신하는 드라이버를 제공하도록 동작한다. 다르게는 또는 추가로, 기능 모듈 부분 (56) 은 다소의 기능을 수행하도록 구성될 수도 있다.
일반적으로 병, 구체적으로 만성 병에 대한 환자-맞춤형 치료를 개발하기 위해, 환자와 명확하게 관련되는 데이터가 수집된다. 일반적으로, 치료가 개발되고 있는 특정한 병, 병의 정도, 치료 솔루션의 타입과 가용성, 환자의 나이, 체중 및 성별, 환자의 성향과 같은 환자의 개인 습관 중 하나 이상을 포함하지만 이에 제한되지 않는 다수의 인자에 의존하여 환자-맞춤형 데이터가 수집될 방식 및 수집될 환자-맞춤형 데이터의 타입은, 엄격한 식이요법 스케줄 및/또는 정기적인 운동에 따르고, 따라서 하나 이상의 이용가능한 치료 스케줄 등이 후속한다. 데이터 수집 프로토콜 모듈 (70) 은, 각각이 특정한 방식으로 수집될 환자-맞춤형 데이터의 하나 이상의 특정한 타입의 수집을 제공하도록 설계되는, 다중의 상이한 데이터 수집 프로토콜을 포함한다. 더욱 구체적으로는, 데이터 수집 프로토콜 모듈 (70) 에 포함된 데이터 수집 프로토콜 각각은 수집될 데이터, 데이터가 수집될 방 식, 즉, 데이터 수집이 수행될 방식, 데이터 수집 프로토콜에 대한 임의의 제한, 임의의 특수한 툴 및/또는 디바이스, 데이터를 수집하는데 사용될 전자 또는 그 반대, 및 수집된 데이터의 품질을 보장하고/하거나 증가시키는 임의의 보호수단 및/또는 데이터 수집 기술을 특정한다. 예시적으로, 임의의 다양한 데이터 수집 프로토콜에 따라 수집되는 환자-맞춤형 데이터는, 이들 수집된 데이터의 일부 또는 모두가 다르게는 서버 컴퓨터 (12) 및/또는 클라이언트 컴퓨터 (14) 에 의해 액세스가능한 하나 이상의 다른 데이터베이스 및/또는 메모리 유닛에 저장될 수도 있지만, 데이터베이스 (24; 도 2) 에 저장된다.
데이터 수집 프로토콜 모듈 (70) 에 저장된 각 데이터 수집 프로토콜은 특정한 목적을 위해 정의되며, 종래의 데이터 컴플라이언스 및 무결성 체크가 충족되었으면, 적어도 하나의 특정한 목적을 달성하기 위해 테스트되고 평가된 데이터 수집 스키마를 포함한다. 이러한 목적을 위해, 각 데이터 수집 프로토콜은, 예를 들어, 수집된 데이터에서의 불일치를 체크하며, 수집된 특정한 데이터에 대해 정의된 요건을 체크하는 수학적 모델의 형태의 데이터 컴플라이언시 절차를 포함할 수도 있거나 거기에 액세스할 수도 있다. 이러한 요건의 예들은, 시간 스탬프 일치, 데이터 값 범위(들), 데이터 범위(들) 등을 포함하지만 이에 제한되지 않는다. 또한, 각 데이터 수집 프로토콜은, 성능 및/또는 통계적 특성에 관하여 수집된 데이터의 품질을 검사하는 수학적 모델의 형태의 데이터 품질 절차를 포함할 수도 있거나 거기에 액세스할 수도 있다.
규칙/가이드라인 세트 모듈 (78) 은 데이터 수집 프로토콜 모듈 (70) 에서 이용가능한 다양한 데이터 수집 프로토콜에 따라 환자-맞춤형 데이터의 수집을 관리하는 규칙 세트를 제공한다. 또한, 규칙/가이드라인 세트 모듈 (78) 은 다양한 데이터 수집 프로토콜에 따라 환자-맞춤형 데이터를 수집하는 가이드라인을 제공한다. 이러한 가이드라인은, 예를 들어, 다양한 데이터 수집 프로토콜의 컴퓨터 판독가능한 디스크립션, 어떤 환경하에서 특정한 프로토콜 또는 프로토콜들을 사용할 시기 또는 사용하지 않을 시기에 관한 가이던스, 프로토콜을 사용하는 이점 및/또는 단점, 프로토콜을 사용함으로써 달성가능할 수도 있거나 달성불가능할 수도 있는 목표, 프로토콜의 제한 또는 프로토콜의 적용성의 제한 등을 제공할 수도 있지만 이에 제한되지 않는다.
일반적으로, 데이터 수집 프로토콜 모듈 (70) 에서의 임의의 다양한 데이터 수집 프로토콜에 대해 수집되는 데이터는, 다양한 종래의 기술을 사용하는 다양한 방식으로 수집될 수도 있다. 예들은, 하나 이상의 종래의 측정 디바이스를 사용하는 환자-맞춤형 상태 또는 상태들의 측정, 환자가 영향을 받는 이벤트 또는 조건 등을 포함하지만 이에 제한되지 않는다. 판자-맞춤형 데이터의 측정은, 여기에 설명되는 전자 디바이스(48) 중 어느 하나 이상을 사용하여 클라이언트 컴퓨터 (14) 에 이용가능하게 수행될 수도 있다. 추가로 또는 다르게는, 환자-맞춤형 데이터의 측정은, 종래의 전자 또는 비전자 측정 디바이스 및/또는 시스템을 사용하여 수행될 수도 있고, 그 결과는 입력 디바이스 (40), 예를 들어, 키보드, 포인트-앤-클릭 디바이스, 마이크로폰 또는 다른 종래의 입력 디바이스 또는 메카니즘을 사용하여 클라이언트 컴퓨터 (14) 에 수동으로 기입 또는 입력될 수도 있다. 환자가 영향을 받는 이벤트 또는 조건은, 예를 들어, 식사 및 스낵의 섭취, 운동, 질병, 스트레스 등을 포함할 수도 있지만 이에 제한되어서는 안된다. 이러한 정보는 하나 이상의 전자 디바이스 (48) 를 통해 및/또는 종래의 입력 디바이스 중 하나를 사용하는 수동 입력을 통해 클라이언트 컴퓨터 (14) 에 이용가능해질 수도 있다.
데이터 수집 프로토콜 모듈 (70) 에서 이용가능할 수도 있는 데이터 수집 프로토콜의 예들은, 시간의 함수로서 환자의 혈액 또는 조직 포도당 측정, 시간의 함수로서 환자의 체온, 시간의 함수로서 (환자의 신체 주위의) 대기 온도 측정, 시간의 함수로서 환자의 심박수 및/또는 펄스 레이트, 시간의 함수로서 환자의 혈압, 시간의 함수로서 식사 또는 스낵, 즉, 탄수화물 섭취 정보의 중량, 월경, 스트레스, 질병 등과 같은 하나 이상의 다른 환자의 생리학적 조건 파라미터, 시간의 함수로서 환자의 물리적 활동, 시간에 걸친 인슐린 전달, 시간의 함수로서 개입 정보, 시간의 함수로서 클리닉 및/또는 병원에 대한 환자의 방문, 식사 섭취, 운동 등 중 하나 이상에 관한 맞춤 정보, 특수 장비 및/또는 디바이스의 사용, 정보를 교환 및/또는 기록하는 페이퍼 카피, 전화 통화, 인터넷 통신 중 하나 이상의 사용 등의 수집을 제공하는 하나 이상의 데이터 수집 프로토콜을 포함하지만 이에 제한되지 않는다.
다른 동물을 목표로 하는 시스템 (10) 의 실시형태들이 본 명세서에 의해 예상되지만, 도 2 의 시스템 (10) 은 인종을 목표로 하여 예시적으로 설계된다. 일반적으로, 인간이 나타내는 행동 특징 중 일부는 종 (species) 에 걸쳐 공통이지 만, 다른 개인적인 행동 특징은 성, 나이, 민족 등과 같은 다른 요인에 의존한다. 인간의 생리학적 행동의 모델은 인간 생리학의 수학적 표현으로서 구성될 수 있으며, 미분 방정식의 항으로 예시적으로 정의될 수도 있다. 이러한 환자 모델은 또한, 행동의 변이성을 예상하면서 모든 환자에 걸쳐 일반적으로 동일하도록 개발될 수도 있다. 이러한 경우에서, 모델 파라미터는 환자-맞춤형 값을 가질 것이다.
환자 모델 모듈 (72; 도 3) 은, 다른 생리학적 상태, 조건 및/또는 파라미터에 대한 매핑을 제공하는 인간 생리학의 하나 이상의 양태를 수학적으로 모델링하도록 구성되는 복수의 이러한 환자 모델을 이용가능하게 한다. 예를 들어, 환자 모델 모듈 (72) 은 인간에서의 포도당 흡수를 모델링할 수도 있으며, 하나 이상의 다른 모델은 인슐린 (또는 다른 포도당 상승 또는 강하 약물) 을 투여하는 하나 이상의 효과를 모델링할 수도 있다. 환자 모델 모듈 (72) 은, 동일한 생리학적 양태를 모델링하도록 구성되는 경쟁 모델을 포함할 수도 있고, 각각의 이러한 모델은 특정한 모델 파라미터를 정의하고, 환자-관련 데이터를 수집하고/하거나 특정한 데이터를 분석하는 특정한 이점들 또는 단점들을 가질 수도 있다. 이와 관련하여, 규칙/가이드라인 세트 모듈 (78) 은, 특정한 생리학적 양태, 특정한 환자의 타입 (예를 들어, 나이, 성, 인종 등) 및/또는 사용 시나리오에 대한 다른 모델을 통한 일 모델의 특정한 적용성 또는 비적용성, 임의의 특정한 모델의 사용에 대한 제한, 모델링 작업이 개발 등의 프로세스에 있을 수도 있는 소스에 대한 링크에 관한 규칙 및/또는 가이드라인들 포함할 수도 있다. 모델들 중 하나 이상은, 수반하 는 사용 케이스 정보를 더 포함할 수도 있다. 환자 모델 모듈 (72) 을 통해 이용가능한 복수의 다른 환자 모델은, 특정 생리학적 상태, 조건 또는 파라미터에 대한 모델 및/또는 모델 파라미터의 매핑을 허용한다.
환자 모델은, 휴대용 메모리 디바이스 (44), 컴퓨터 메모리 (38), 및/또는 예를 들어, 컴팩트 디스크, 디지털 비디오 디스크 등과 같은 컴퓨터 판독가능한 매체로부터 환자 모델 모듈 (72) 에 의해 직접 저장되고/되거나 액세스될 수도 있다. 환자 모델은, 서버 (12) 및/또는 인터넷 (30) 에 접속된 데이터베이스 (24) 또는 다른 메모리 유닛으로부터 환자 모델 모듈 (72) 에 의해 간접적으로 액세스되고/되거나 저장될 수도 있다. 예를 들어, 데이터베이스 (24) 또는 다른 메모리 유닛은 문헌 및/또는 다른 관련 기술 문서에 대한 관련 링크를 갖는 모델 타입 및/또는 구조의 데이터뱅크를 포함할 수도 있다. 다르게는 또는 추가로, 데이터베이스 (24) 또는 다른 메모리 유닛은 기반 모델이 획득될 수도 있는 임상 실험에 관한 정보에 대한 관련 링크 및/또는 임상 실험 결과, 예를 들어, 트레이서 연구의 데이터뱅크를 포함할 수도 있다. 어느 경우에서나, 하나 이상의 적합한 환자 모델이, 이러한 하나 이상의 모델의 구조, 파라미터 및/또는 개발에 관한 정보에 환자 모델 모듈 (72) 을 통해 액세스함으로써 직접적으로 또는 간접적으로 액세스될 수도 있다. 그 후, 일반적으로, 환자 모델 모듈 (72) 은 인간 생리학의 하나 이상의 양태에 특정되는 하나 이상의 개발된 환자 모델을 포함할 수도 있고/있거나, 하나 이상의 이러한 모델이 위치되고, 결정되고/되거나 개발될 수도 있는 정보를 포함할 수도 있다. 하나 이상의 개발된 환자 모델은, 특정한 사람 및/또는 엔터티에 의해 개발되고/되거나 그 사람 및/또는 엔터티에 의한 사용에 제한된 하나 이상의 독점 환자 모델, 및/또는 하나 이상의 상업적으로 또는 그렇지 않으면 공개적으로 입수가능한, 즉, 하나 이상의 제 3 자 로부터 입수가능한 환자 모델일 수도 있거나 이를 포함할 수도 있다.
특정한 모델이 환자 모델 모듈 (72) 을 사용하여 선택되었을 때, 그 후, 모델 파라미터의 값이 결정되어야 한다. 이를 달성하기 위해, 환자 모델 모듈 (72) 은, 이러한 모델 파라미터의 결정을 제공하는 하나 이상의 서브-모듈을 더 포함할 수도 있다. 이러한 하나 이상의 파라미터 결정 서브-모듈의 예들은, 모델 파라미터를 식별하는 하나 이상의 서브-모듈, 입력, 출력, 상태 및/또는 파라미터 디스크립션을 제공하는 하나 이상의 서브-모듈, 파라미터 범위를 결정하는 하나 이상의 서브-모듈, 모델 파라미터 민감도 (예를 들어, 모델 파라미터 이득 값) 를 결정하는 하나 이상의 서브-모듈, 이전에 개발되고, 유도되거나 정의된 모델 파라미터를 제공하는 하나 이상의 서브-모듈 등을 포함할 수도 있지만, 이에 제한되어서는 안된다.
모델 파라미터를 식별하는 서브-모듈 중의 하나 이상은, 파라미터 값을 암시적으로 또는 명시적으로 결정하는 데이터 피팅 (fitting) 기술을 이용할 수도 있다. 이러한 서브-모듈의 일반적인 예들이 초기 추측을 제공하고 파라미터 추정에 대한 이전의 분포를 제공하기 위한 베이지안 (Bayesian) 분석, 파라미터 추정 (사후 분포) 을 해결하기 위한 비용 함수, 통계 분석, 수치 분석, 범위 분석에 대한 반복/비반복 기술, 이득 값 분석, 테스트 시나리오 분석, 모델링, 및 사전에 알 려진 파라미터 디스크립션 (입력, 출력, 상태 등), 범위, 및 민감도 (예를 들어, 이득 값) 를 제공하는 것 등을 포함하지만, 이에 제한되지 않는다. 다르게는 또는 추가로, 모델 파라미터를 식별하는 서브-모듈 중 하나 이상은, 모델 파라미터를 식별하는 절차 또는 프레임워크를 특정할 수도 있다. 어떻게든 제한하는 것으로 고려되지 않아야 하는 하나의 이러한 모델 파라미터 식별 절차 또는 프레임워크의 예는, ⅰ)모델 파라미터 및 파라미터에 대한 초기 추측을 제공하고, ⅱ) 베이지안 접근방식에 따르면, 파라미터 추정에 대한 사전 (prior) 을 제공하고, ⅲ)특정한 비용 함수를 설정하고, 선택하거나 사용하고, ⅳ) 기술 또는 프레임워크를 해결하는 특정한 비용 함수를 선택하거나 사용하며, ⅴ) 모델 파라미터 추정에 대해 반복적으로 또는 비반복적으로 해결하는 것이다.
파라미터 범위를 결정하는 서브-모듈들 중 하나 이상은, 모델 파라미터 중 하나 이상에 대한 수용가능한 범위를 명시적으로 또는 암시적으로 결정하고/하거나 모델 파라미터 변이성을 결정하기 위해 통계, 수치, 반복 또는 비반복 기술 중 어느 하나 이상을 이용할 수도 있다. 하나 이상의 이러한 서브-모듈은 예를 들어, 모델이 테스트되고 평가될 수 있는 모델 파라미터 범위를 나타내는 테스트 시나리오를 생성하기 위해 종래의 기술을 사용할 수도 있다. 예를 들어, 일 실시형태에서, 본 발명은 권고된 환자-맞춤형 치료를 테스트하고 그 권고된 환자-맞춤형 치료를 사용하여 잠재적으로 달성가능한 치료의 품질을 정량화하는 것을 돕는 컴퓨터상에서 테스트 시나리오를 정의하고 구현하기 위해 사용될 수도 있다. 다른 실시형태에서, 치료가 특정될 때, 본 발명은 예를 들어, 생활양식에 대한 제 약, 예를 들어, 식사량의 제한, 속효성 흡수 식사의 한정 등을 이용하는 것과 같이, 시나리오를 평가하고 치료를 증대하기 위해 사용될 수도 있다.
모델 파라미터 민감도를 결정하는 서브-모듈들 중 하나 이상은, 모델 파라미터 이득 값을 암시적으로 또는 명시적으로 결정하기 위해 하나 이상의 통계, 수치, 반복 또는 비반복 기술을 이용할 수도 있다. 하나 이상의 이러한 서브-모듈은 예를 들어, 모델 파라미터 민감도를 분석하여 하나 이상의 모델 파라미터 범위에 걸쳐 모델의 안정도를 평가하고/하거나 모델 파라미터 결정에서의 에러에 응답하기 위해 종래의 기술을 사용할 수도 있다.
특히 당뇨병 관리를 위해, 다양한 알려진 혈액 및/또는 조직 포도당 측정 기술을 사용하여 획득된 포도당 측정은, 정상혈당 제어가 종래의 당뇨병 치료를 통해 달성되도록 추구되는 주요 파라미터를 제공한다. 본 개시물은, 다른 파라미터들이 또한 당뇨병의 관리에 관련이 있고, 이러한 파라미터들의 동적 또는 정적 결정이 정규적 또는 주기적으로 필요할 수도 있거나 필요하지 않을 수도 있다는 것을 인식한다. 이러한 파라미터들의 예들은, HbAiC (당화혈색소; glycosylated or glycated hemoglobin - 시간에 걸쳐 혈당 농도를 식별하기 위해 사용될 수도 있는 혈색소의 형태), FFA (자유 지방산), 케톤체 (지방산의 브레이크 다운의 부산물) 등을 포함하지만, 이에 제한되지 않는다. 일부의 이러한 파라미터가 파라미터 측정을 통해 모니터링되는 동안, 다른 파라미터들은 다른 파라미터들의 측정을 통한 추정 및 적절한 모델링, 즉, 가상 측정을 요구할 수도 있다. 환자 활동에 관한 추가의 정보는 당뇨병 치료를 변경하고, 조정하거나 정정하기 위해 또한 사용 될 수도 있다. 예들은, 식사량, 소비 빈도 및/또는 실행 비율, 운동 빈도, 지속기간 및/또는 로드, 질환 빈도, 지속기간 및/또는 심함정도 등을 포함하지만, 이에 제한되지 않는다. 상술한 환자 모델 모듈 (72) 을 통해 이용가능한 환자 모델 중 적어도 일부가 그 내부에 하나 이상의 이러한 생리학적 파라미터 및/또는 다른 정보를 포함하여서 하나 이상의 모델이 직접적으로 측정될 수 없거나 직접적으로 측정하기 곤란한 하나 이상의 생리학적 파라미터를 추정하는데 사용될 수 있다는 것이 고려된다. 결과적인 환자 모델은 환자의 신진대사와 같은 환자의 기반생리학을 동적으로 또는 정적으로 모니터링하기 위한 능력을 제공한다.
기능 모듈 부분 (56) 은, 환자 모델의 하나 이상의 양태를 분석하도록 구성된 하나 이상의 컴퓨터-기반 시뮬레이션 프로그램으로의 액세스를 제공하는 모듈 검증 모듈 (74) 을 더 포함한다. 하나 이상의 시뮬레이션 프로그램은 예를 들어, 데이터베이스 (24) 또는 다른 메모리 유닛에 저장될 수도 있으며, 이러한 경우에서, 모델 검증 모듈 (74) 은 이러한 프로그램에 액세스하는 인터페이스를 제공한다. 다르게는 또는 추가로, 모델 검증 모듈 (74) 은 모델 검증 프로그램의 문헌 또는 다른 소스에 대한 링크를 포함할 수도 있다. 어느 경우에서나, 하나 이상의 컴퓨터-기반 시뮬레이션 프로그램은 일반적으로, 하나 이상의 특정 테스트 시나리오하에서 선택된 환자 모델의 동작을 분석하며, 그 결과를, 공지된 표준, 넓은 데이터 집단, 이전에 분석된 모델의 결과, 통계적으로 예상되는 결과 등과 비교한다. 하나 이상의 컴퓨터-기반 시뮬레이션 프로그램은, 비교와의 불일치를 추가적으로 플래그 및/또는 보고할 수도 있다. 예시적으로, 모델 검증 모듈 (74) 은, ⅰ) 선택된 환자 모델에 관한 컴퓨터-기반 시뮬레이션을 실시하는 것, ⅱ) 하나 이상의 특정된 동작 범위에 걸쳐 그 선택된 환자 모델을 검증하는 것, ⅲ) 선택된 환자 모델에 대한 동작 공간, 제한, 및 에러 소스의 이해를 용이하게 하는 정보를 제공하는 것, ⅳ) 맞춤형 사용-케이스를 선택된 환자 모델에 적용하여 모델 결과를 분석하는 것, ⅴ) 이전에 수집된 임상 데이터로 선택된 환자 모델을 테스트하는 것 등 중 어느 하나 이상을 실행하는 하나 이상의 컴퓨터-기반 시뮬레이션 프로그램으로의 액세스를 제공한다.
모델 검증 모듈 (74) 은, 선택된 환자 모듈을 평가하는 특정한 분석 툴을 제공하는 하나 이상의 서브-모듈을 포함할 수도 있다. 이러한 하나 이상의 분석 툴 서브-모듈의 예들은, 특정한 사용-케이스 시나리오를 테스트하는 하나 이상의 서브-모듈, 하나 이상의 특정된 동적 범위에 걸쳐 환자 모델을 테스트하는 하나 이상의 서브-모듈, 선택된 환자 모델을 통계적으로 분석하는 하나 이상의 서브-모듈 등을 포함할 수도 있지만, 이에 제한되지 않는다. 특정한 사용-케이스 시나리오를 테스트하는 하나 이상의 서브-모듈은, 예시적으로, 상술한 바와 같이 하나 이상의 식별된 모델 특징을 소정의 표준과 비교하는 방식으로 환자 모델을 활용하는 하나 이상의 소프트웨어 프로그램으로의 액세스를 제공할 수도 있다. 하나 이상의 특정된 동작 범위에 걸쳐 환자 모델을 테스트하는 하나 이상의 서브-모듈은, 예시적으로, 환자 모델이 기저 질환 또는 질병을 얼마나 잘 시뮬레이션하고/하거나 환자 모델이 변화하는 동작 범위 및/또는 조건에 걸쳐 처방된 치료에 대한 기저 질환 또는 질병의 반응을 얼마나 잘 시뮬레이션하는지를 결정하기 위해 하나 이상의 특정된 동작 범위에 걸쳐 환자 모델을 분석하는 하나 이상의 소프트웨어 프로그램으로의 액세스를 제공할 수도 있다. 선택된 환자 모델을 통계적으로 분석하는 하나 이상의 서브-모듈은, 예시적으로, 솔루션(들)이 하나 이상의 예상된 통계적 특징을 나타내는지의 결정을 허용하는 방식으로 하나 이상의 솔루션의 모델을 생성하기 위해 환자 모델을 실행하는 하나 이상의 소프트웨어 프로그램으로의 액세스를 제공할 수도 있다.
규칙/가이드라인 세트 모듈 (78) 은, 예시적으로, 서브-모듈들 중 하나 이상의 동작을 관리하는 규칙 세트를 제공하고/하거나, 특정한 환자 모델, 모델 타입, 모델 동작 범위 및/또는 사용 시나리오에 대한 다른 컴퓨터-기반 시뮬레이션 프로그램에 우선하는 일 컴퓨터-기반 시뮬레이션 프로그램의 특정한 적용성 또는 비적용성에 관한 가이드라인, 임의의 특정한 시뮬레이션 프로그램의 사용에 대한 제한에 관한 가이드라인, 관련 컴퓨터-기반 시뮬레이션 프로그램이 발견될 수도 있는 소스에 대한 링크에 관한 가이드라인 및/또는 관련 컴퓨터-기반 시뮬레이션 프로그램 작업이 개발의 프로세스에 있을 수도 있는 소스에 대한 링크에 관한 가이드라인 등을 제공할 수도 있다.
소프트웨어 (50; 도 3) 의 기능 모듈 부분 (56) 은, 적어도 일부가 여기에서 상술한 바와 같은 코어 애플리케이션 부분 (54) 을 통해 액세스가능한 하나 이상의 종래의 수학적 소프트웨어 패키지의 형태의 다른 메모리 유닛 또는 데이터베이스 (24) 에 상주되는, 하나 이상의 분석 툴로의 액세스를 제공하는 분석 모듈 (76) 을 더 포함한다. 일반적인 예들은, 하나 이상의 최적화 툴, 하나 이상의 통계적 분석 툴, 하나 이상의 시뮬레이션 툴, 하나 이상의 민감도 툴, 하나 이상의 시각화 툴, 및 (종래의 패턴 인식 툴, 엔벨로프 인식 툴 등과 같은) 정보를 추출하는 하 이상의 툴을 포함하지만, 이에 제한되지 않는다. 특정 예들은, LAPACK, 선형 대수학 패키지, IMSL (Independent Media Solutions Limited) 소프트웨어 툴 및 라이브러리, OPTIMA 클라이언트/서버 툴, STATS 통계적 툴, GRAPHICAL 프리젠테이션 툴 등을 포함하지만, 이에 제한되지 않는다.
분석 모듈 (76) 은 다른 데이터 분석 및/또는 시각화 툴을 이용가능하게 할 수도 있고, 이들 중 하나 이상은 개발되도록 추구되는 치료에 특정될 수도 있다. 임의의 이러한 다른 분석 및/또는 시각화 툴이 데이터베이스 (24) 또는 다른 메모리 유닛에 저장될 수도 있으며, 분석 모듈 (76) 을 통해 직접적으로 액세스될 수도 있거나, 어떤 다른 곳에서 이용가능할 수도 있고 분석 모듈 (76) 을 통한 이러한 툴에 대한 관련 링크를 통해 간접적으로 액세스될 수도 있다. 예시적으로, 분석 모듈 (76) 을 통해 액세스가능할 수도 있는 코어 수학적 툴은, ⅰ) 하나 이상의 최적화 툴, ⅱ) 하나 이상의 통계적 분석 툴, ⅲ) 하나 이상의 시뮬레이션 툴, ⅳ) 하나 이상의 민감도 툴, ⅴ) 하나 이상의 시각화 툴, 및 ⅵ) 예를 들어, 패턴 인식 등을 통해 정보를 추출하는 하나 이상의 툴을 포함할 수도 있지만, 이에 제한되지 않는다. 일 실시형태에서, 분석 모듈 (76) 은 시스템이 시뮬레이션, 통계적 분석, 민감도 분석, 시각화, 정보 추출, 최적화 중 적어도 하나를 수행할 수 있게 하며, 투약, 운동, 및 식사에 대한 타입, 양, 및 타이밍 중 적어도 하나를 포함하는 권장을 제공할 수 있게 하는 분석 툴을 제공한다. 일 실시형태에서의 각 권장은, 현재 시간, 장래의 시간 또는 분석에 의해 결정된 시간 또는 최종 사용자에 의해 결정된 시간에서의 액션을 포함할 수도 있다.
예시적으로, 규칙/가이드라인 세트 모듈 (78) 은, 분석 모듈 (76) 을 통해 이용가능한 분석 및/또는 다른 툴 중 하나 이상의 동작을 관리하는 규칙 세트를 제공하고/하거나, 특정한 툴에 대한 다른 툴에 우선하는 하나의 이러한 툴, 툴 타입, 임의의 특정한 툴의 사용에 대한 제한의 특정한 적용성 또는 비적용성에 관한 가이드라인, 관련 분석, 시각화 또는 다른 툴이 발견될 수도 있는 소스에 대한 링크에 관한 가이드라인 및/또는 이러한 분석, 시각화 또는 다른 툴에 대한 관련 작업이 개발의 프로세스에 있을 수도 있는 소스에 대한 링크에 관한 가이드라인 등을 제공할 수도 있다.
분석 모듈 (76) 을 통해 이용가능한 툴을 사용하여, 데이터 수집 프로토콜 모듈 (70) 에서의 프로토콜 중 하나 이상에 따라 수집된 환자-맞춤형 데이터가, 유용한 환자-맞춤형 생리학적 정보를 추출하기 위해, 하나 이상의 선택된 환자 모델에 적용될 수도 있고, 환자 모델 모듈 (72) 을 통해 선택될 수도 있고, 모델 검증 모듈 (74) 을 통해 검증될 수도 있다. 그 후, 유용한 환자-맞춤형 생리학적 정보는 환자-맞춤형 질환 또는 질병을 치료하는 하나 이상의 치료를 개발하기 위해 사용될 수도 있다. 당뇨병 치료와 관련하여, 예를 들어, 분석 모듈 (76) 을 통해 이용가능한 툴은 모델 파라미터 값과 같은 정보의 추출을 제공하는 소프트웨어 툴, 당뇨병-관련 데이터의 분석을 제공하는 소프트웨어 툴, 최적화 소프트웨어 툴, 경향 분석 툴, 기초 및 일시 투여량의 결정 및/또는 권장을 제공하는 소프트웨어 툴, 저혈당 및 고혈당과 같은 조건에 대한 경고의 결정 및 애플리케이션을 제공하는 소프트웨어 툴, 환자 관련 데이터의 환자 입력을 허용하는 하나 이상의 그래프적 인터페이스의 개발을 제공하는 소프트웨어 툴 등을 포함할 수도 있지만, 이에 제한되지 않는다.
환자 관련 데이터의 환자 입력을 허용하는 하나 이상의 그래프적 인터페이스를 제공하는 예시적인 소프트웨어 툴이, 본 발명의 양수인에게 양도되고 그 개시내용이 참조로 여기에 통합되는, PATIENT INFORMATION INPUT INTERFACE FOR A THERAPY SYSTEM 이란 명칭의 대리인 사건 번호 제 ROP0014PA/제3627US 를 갖는 공동 계류중인 미국 출원 제 호에 기재되어 있다. 다른 예는, 본 발명의 양수인에게 양도되고 그 개시내용이 참조로 여기에 통합되는, SYSTEM AND METHOD FOR DETERMINING DRUG ADMINISTRATION INFORMATION 이란 명칭의 공동 계류중인 미국 출원 제 11/297,733 호에 기재된 것이다. 환자 관련 데이터의 환자 입력을 허용하는 하나 이상의 그래프적 인터페이스의 개발을 제공하는 다른 소프트웨어 툴을 당업자는 생각할 것이며, 임의의 이러한 다른 소프트웨어 툴은 본 개시물에 의해 예상된다.
소프트웨어 (50; 도 3) 의 기능 모듈 부분 (56) 은, 코어 애플리케이션 부분 (54) 에 대하여 여기에 상술한 바와 같이 하나 이상의 디바이스 드라이버로의 액세스를 제공하는 디바이스 드라이버 관리 모듈 (80) 을 더 포함한다. 환자-맞춤형 데이터를 하나 이상의 선택된 환자 모델에 적용한 결과의 분석 및 검증을 제공하며, 이러한 결과를 시각적으로 프리젠테이션하는 하나 이상의 툴을 제공하는 결 과 검증 및 프리젠테이션 모듈 (82) 이 또한 포함된다. 예를 들어, 모듈 (82) 은 치료 강건성에 대한 위기 상황을 테스트하고, 솔루션의 안정성을 평가하고, 파라미터 변동에 대한 치료의 민감성을 결정 및 평가하고/하거나 다수의 시뮬레이션을 수행함으로써 신뢰 구간을 생성하고/하거나, 치료 결과가 특정한 범위내에 있다는 표시를 제공하도록 선택되고 실행될 수도 있는 하나 이상의 시뮬레이션 툴로의 액세스를 제공할 수도 있다. 이 모듈은 다르게는 또는 추가로, 결과의 안전하고 강건한 사용을 보장하는 하나 이상의 안전 장치, 결과의 유효성의 분석, 예를 들어, 효험, 효능, 친화도의 분석, 치료 통합 및 안정성에 대한 결과의 분석, 하나 이상의 컴퓨터-기반 바이오마커, 예를 들어, HbA1C, 하나 이상의 환자 모니터링 스케줄, 하나 이상의 치료 제안 등을 제공하도록 선택되고 실행될 수도 있는 하나 이상의 툴로의 액세스를 제공할 수도 있다. 모듈 (82) 은 또한, 임의의 종래의 포맷, 예를 들어, 텍스트 보고, 차트, 플롯 등으로 결과를 그래프적으로 프리젠테이션하는 하나 이상의 시각 프리젠테이션 소프트웨어 툴로의 액세스를 제공할 수도 있다. 이하, 도 1 의 시스템 (10) 및 도 2 및 도 3 의 소프트웨어 (50) 를 사용하는 본 발명에 따른 프로세스를 예시하는 특정 예가 제공된다.
프로세스 구현 예
이제, 도 4 를 참조하면, 환자-맞춤형 치료를 개발하는 프로세스 (100) 의 하나의 예시적인 실시형태의 플로우차트가 도시된다. 프로세스 (100) 는, 치료에 대한 최소 규칙이 충족되고, 선택사항(들)의 선택이 치료 목적과 관련되며, 환자의 치료를 향상시키기 위한 특정한 문제점이 다루어지는 것을 보장하도록 돕는 다. 프로세스 (100) 는, 이하에서 매우 상세히 설명되는 바와 같이, 동시에 완전히 실행될 필요가 없으며, 대신에 임의의 수의 엔트리 포인트에서 액세스될 수도 있다.
프로세스 (100) 의 제 1 엔트리 포인트는, 환자-맞춤형 데이터가 데이터 수집 프로토콜 모듈 (70) 을 통해 액세스가능한 데이터 수집 프로토콜 중 하나 이상에 따라 수집되는 단계 (102) 로 진행한다. 일 실시형태에서의 수집 프로토콜은 ADA 또는 유사한 조직, 및 개업의, 의사 등과 같은 건강관리 전문가에 의해 설립된 의료 단체를 관리함으로써 특정되는 것들일 수도 있다. 단계 (102) 에서, 환자-맞춤형 데이터는 도 1 에 관하여 상술한 환자 데이터 측정/수집 디바이스 (48) 의 임의의 하나 이상의 실시형태를 사용하여 이러한 데이터를 클라이언트 컴퓨터 (14) 에 입력함으로써 수집될 수도 있다. 다르게는 또는 추가로, 환자-맞춤형 데이터는 종래의 방식으로 환자-맞춤형 데이터를 측정하거나 그렇지 않으면 결정하고, 그 후, 실시형태들에서의 입력 디바이스 (40) 또는 모니터 (36) 중 하나 이상을 통해 이러한 데이터를 클라이언트 컴퓨터 (14) 에 입력함으로써 단계 (102) 에서 수집될 수도 있고, 여기서, 모니터 (36) 는 하나 이상의 터치-스크린 버튼 또는 스위치를 포함한다.
단계 (102) 에 후속하여, 프로세스 (100) 는, 수집된 환자-맞춤형 데이터의 무결성 및 품질에 대한 체크가 수행되는 단계 (104) 로 진행한다. 일 실시형태에서, 예를 들어, 데이터 수집 프로토콜 모듈 (70) 은 수집된 데이터에서의 불일치를 체크하며, 수집된 특정한 데이터에 대해 정의된 요건을 체크하는 수학적 모듈의 형태의 데이터 컴플라이언시 절차를 포함하거나 그 데이터 컴플라이언시 절차에 액세스한다. 이러한 요건의 예들은, 시간 스탬프 일치성, 데이터 값 범위(들), 데이터 범위(들) 들을 포함하지만, 이에 제한되지 않는다. 일 실시형태에서, 데이터 컴플라이언시 절차는 최상의 결과에 대해 사전-평가된다. 추가로, 데이터 수집 프로토콜 모듈 (70) 은 예를 들어, 성능 및/또는 특성에 관하여 수집된 데이터의 품질을 검사하는 수학적 모듈의 형태의 데이터 품질 절차를 포함할 수도 있거나 그 데이터 품질 절차에 액세스할 수도 있다. 예를 들어, 데이터 품질이 불량한지를 결정하기 위해, 시스템은 수집된 데이터의 여러 양태를 검사한다. 이러한 실시형태에서, 일 양태는, 문의로 이루어지는 데이터베이스 모듈로부터 호출된 관련성 문의가 수집된 데이터로부터 데이터 컨텐츠를 추출하기 위해 이용되는 수집된 데이터의 관련성이다. 추출된 데이터 컨텐츠는, 소망하는 베이스라인에 대한 하루 당 측정 빈도, 식사 시간, 볼루스 (bolus), 식사 사이즈에 관한 볼루스 크기 등에 관한 추출된 데이터 컨텐츠를 수신하고 결과를 출력하는 적절한 통계 모듈을 통해 통계적으로 분석된다. 다른 양태는, 수집된 데이터의 타이밍이고, 여기서 단계 (104) 에서, 데이터 시간 시리즈는 수집된 데이터에 대한 신뢰 구간을 제공하기 위해 어떠한 환자가 수집되는지에 대한 요건 베이스라인의 비교에 관하여 검사된다. 예시적인 실시형태에서, 클라이언트 컴퓨터 (14) 또는 서버 컴퓨터 (12) 는, 데이터 컴플라이언시 및 데이터 품질 모듈 중 하나 또는 모두에 액세스하거나 이를 실행함으로써 단계 (104) 에서 이러한 체크를 수행하도록 동작가능하다.
단계 (104) 에 후속하여, 옵션으로, 프로세스 (100) 는 단계 (105) 에서 수 집된 데이터에서의 특정 데이터의 데이터 품질 및 가용성의 현재의 평가에 기초하여 데이터 가용성 상태 및 액션의 선택을 진행하는 권고를 모니터 (36) 상에서 사용자에게 제공하는 것을 포함할 수도 있다. 이러한 단계에 대한 더욱 상세함을 제공하는 논의가 후술하는 섹션에 제공된다. 그 후, 프로세스 (100) 는 단계 (106) 으로 진행하고, 여기서, 클라이언트 컴퓨터 (14) 또는 서버 컴퓨터 (12) 는 각 데이터 수집 프로토콜의 데이터 무결성 및/또는 데이터 품질 체크가 통과 (pass) 또는 실패 (fail) (또는 단계 (105) 에서의 선택된 권고 및 데이터 가용성 상태에 기초한 통과/실패) 인지를 결정하도록 동작가능하다. 하나 이상의 데이터 무결성 및/또는 품질 체크가 실패이면, 알고리즘 실행은 예시된 실시형태에서 단계 (102) 로 다시 진행하여서, 환자-맞춤형 데이터의 신규한 세트가 하나 이상의 실패 데이터 수집 프로토콜에 따라 수집될 수도 있다. 옵션으로, 도 4 에 도시된 바와 같이, 프로세스 (100) 는 단계 (106) 의 "실패 (FAIL)" 브랜치와 단계 (102) 사이에 추가의 단계 (108) 를 포함할 수도 있다. 이러한 실시형태에서, 클라이언트 컴퓨터 (14) 또는 서버 컴퓨터 (12) 는 재수집될 필요가 있는 데이터, 즉, 손상되거나 그렇지 않으면 데이터 무결성 및/또는 품질 체크를 통과하지 못한 임의의 하나 이상의 데이터 수집 프로토콜내의 데이터만을 식별하기 위해 단계 (108) 에서 동작가능하다. 이하, 단계 (102) 에서, 단계 (108) 에서 식별된 데이터만이 재수집될 필요가 있다. 다른 실시형태에서, 옵션 단계 (110) 가 제공되고, 여기서, 식별된 데이터가 이 때 재입력될 필요가 있는지 사용자에게 질문된다. 그 응답이 예이면, 프로세스 (100) 는 단계 (102) 로 다시 진행하고, 그렇 지 않으면, 프로세스 (100) 는 도 4 에서 식별된 제 2 엔트리 포인트에서 수집된 이용가능한 데이터를 사용하여 다른 분석을 계속한다.
프로세스 (100) 로의 제 2 엔트리 포인트는 단계 (106) 의 "통과 (PASS)" 브랜치와 후속 단계 (120) 사이에 존재한다. 제 2 엔트리 포인트가 단계들 (102-108) 의 실행으로부터의 종료 포인트로서 기능할 수도 있다. 임의의 경우에서, 단계 (106) 의 "통과" 브랜치 및/또는 엔트리 포인트 2가 단계 (120) 로 진행하고, 여기서, 하나 이상의 적절한 환자 모델(들)이 환자 모델 모듈 (72) 을 통해 이용가능한 하나 이상의 환자-맞춤형 모델로부터 선택된다. 단계 (120) 에서, 하나 이상의 환자 모델은 입력 디바이스 (40) (예를 들어, 키보드, 포인트 앤 클릭 디바이스, 마이크로폰 또는 다른 적합한 사용자 입력 디바이스) 와 같은 사용자 인터페이스를 통해 클라이언트 컴퓨터 (14) 및/또는 서버 컴퓨터 (12) 를 사용하여 선택될 수도 있다. 다르게는 또는 추가로, 단계 (120) 는 컴팩트 디스크 판독 전용 메모리 (CD-ROM), 플로피 디스크, USB-호환 메모리 디바이스 등과 같은 외부 메모리 저장 디바이스를 통해 하나 이상의 환자 모델에 액세스함으로써 클라이언트 컴퓨터 (14) 및/또는 서브 컴퓨터 (12) 를 사용하여 실행될 수도 있다. 다르게는 또는 추가로, 단계 (120) 는 데이터베이스 (24) 또는 다른 메모리 유닛에 저장된 적절한 링크에 액세스하고, 그 후, 코어 애플리케이션 (54) 의 종래의 웹 브라우저 형성 부분을 통해 링크의 대응하는 웹사이트 또는 다른 소스에 액세스함으로써 실행될 수도 있다. 한편, 저장된 링크가 하나 이상의 간행물 (publication) 에 대한 레퍼런스에 대응하면, 단계 (120) 는 수동으로 또는 클라이언트 컴퓨터 (14) 및/또는 서버 컴퓨터 (12) 를 통해 하나 이상의 간행물에 액세스함으로써 실행될 수도 있다. 임의의 경우에서, 하나 이상의 환자-모델이 선택되면, 단계 (120) 는 상술한 기술들 중 임의의 하나 이상을 사용하여 모델 파라미터 값을 식별하는 것을 더 포함한다. 일 실시형태에서 그리고 도 21 을 참조하여, 모델 파라미터 식별을 예시하기 위한 예가 이하에 제공되고 논의된다.
파라미터 결정을 예시하기 위해, 예를 들어, 환자 모델 (72; 도 3) 에 의해 단계 (120) 에서의 프로세싱을 약술하는 간단한 예들 설명한다. 디바이스 (48; 도 2) 와 같은 인슐린 펌프를 사용하여 예를 들어, 리스프로 (Lyspro) 와 같은 속효성 인슐린 타입으로 타입 Ⅰ 환자를 치료하는 임상 연구를 고려한다. 펌프는 수동으로 조절된 볼루스에 따라 기초 인슐린 프로파일을 주입할 수 있다. 임상 연구를 위해, 펌프에는 인프라-레드 제어가 제공되며, 예를 들어, 나중에 논의되는 ALGO (510; 도 5) 와 같은 제어 알고리즘에 의해 폐루프 방식으로 조절될 수도 있다. 임상 실험은 펌프를 사용하여 피하에 하는 작고 큰 볼루스의 시리즈로 이루어진다. 이와 같이, 수학식 (1) 에 기재되는 임펄스 응답 모델이 선택된다.
[수학식 1]
Figure 112009080329487-pct00001
수학식 (1) 의 임펄스 응답 모델은 3개의 메인 파라미터로 이루어진다. 이들 파라미터는, 필터로서 간접 작용하는 컴파트먼트 (compartment) 의 수를 개략적으로 나타내는
Figure 112009080329487-pct00002
, 단위 인슐린 분배 볼륨 당 피크 흡수 레이트의 시간인
Figure 112009080329487-pct00003
, 및 이득 팩터인 K 이다. 흡수된 인슐린은 몸의 인슐린 분배 볼륨내에 분배된다. 인슐린은 근육과 같은 조직, 간에 의해 이용되고, 또한 순환하는 혈액으로부터 클리어된다. 전체 프로세스를 개략적으로 설명하는 미분 방정식 (2) 은,
[수학식 2]
Figure 112009080329487-pct00004
이다.
제 1 항
Figure 112009080329487-pct00005
은 클리어런스 항이며, 인슐린 농도에 선형적으로 비례하는 것으로 단순히 가정된다 (1차 지수 감쇠). 그러나, 시간 상수
Figure 112009080329487-pct00006
(분) 는 미지이다. 수학식 (2) 의 우측에 대한 제 2 항은 인슐린 흡수 함수를 갖는 주입된 인슐린 볼루스들 사이의 콘볼루션 항이다. 이 항은 인슐린 볼루스들의 임의의 시퀀스에 의한 순환으로의 단위 볼륨 당 흡수된 순 (net) 인슐린을 제공한다. 입력 인슐린 볼루스들 (U/min 당 u(t)) = 0.278u'(t)이고, 여기서, u'(t) 는 U/hr 에 있다. 그 후, 환자 맞춤형 인슐린 카이네틱스 (kinetics) 를 결정하는 것이 문제점이다. 도 21 에 도시된 바와 같이, 입력 인슐린 볼루스들 (U/min 당 u'(t)) 및 출력 인슐린 농도 관측
Figure 112009080329487-pct00007
(서클) 이 필요하다.
이 문제점은 예를 들어,
[수학식 3]
Figure 112009080329487-pct00008
에 의해 설명된 기준을 최소화하는 파라미터들의 세트를 선택함으로써 해결되고, 여기서
Figure 112009080329487-pct00009
는 시간 윈도우에서 i번째 보간된 인슐린 농도이며,
Figure 112009080329487-pct00010
는 대응하는 i번째 시뮬레이션된 농도이다. 사용할 수도 있으며 문제점 요건에 의존하는 다른 최소화 기준이 존재한다. 수치적 솔루션 관점으로부터 이러한 스테이지에서의 문제점은 표준 문제점이다. 이 문제점은 애플리케이션의 바디에 의해 표시된 바와 같이 이용가능한 다수의 최적화 루틴들 중 하나를 사용함으로써 해결된다. 이러한 예에서, MATLAB® 로 불리는 소프트웨어 패키지로부터
Figure 112009080329487-pct00011
이라 불리는 최적화 루틴이 호출하는 것과 사용될 수 있고 코어 애플리케이션 (54; 도 3) 중 하나로부터 제공될 수 있다.
Figure 112009080329487-pct00012
함수는 여러 변수의 함수의 제약된 최소를 찾는다. 그 후, 제약된 최소화 함수는 아래의 파라미터 솔루션을 발생시키는 미지의 파라미터를 해결한다 (
Figure 112009080329487-pct00013
=1.28,
Figure 112009080329487-pct00014
=31.1 min,
Figure 112009080329487-pct00015
=56.7 min, 및 K=1.93).
단계 (120) 에 후속하여, 프로세스 (100) 는 단계 (122) 로 진행하고, 여기서, 모델 검증 프로세스가 단계 (120) 에서 선택된 하나 이상의 환자-모델에 대해 수행된다. 예시된 실시형태에서, 클라이언트 컴퓨터 (14) 및/또는 서버 컴퓨터 (12) 는 모델 검증 모듈 (74) 로부터의 하나 이상의 모델 검증 소프트웨어 패키지에 액세스함으로써 단계 (122) 를 수행하도록 동작가능하다. 검증 모듈 (74) 은 이러한 검증을 위해 선택된 환자 모델에 대해 사용된 프로토콜에 따라 단계 (122) 에서 제공된 전체 파라미터 솔루션을 사용한다.
단계 (122) 에 후속하여, 프로세스 (100) 는 단계 (124) 로 진행하고, 여기서, 클라이언트 컴퓨터 (14) 또는 서버 컴퓨터 (12) 는 단계 (120) 에서 선택된 하나 이상의 환자 모델이 모델 검증 단계 (122) 를 통과하였는지 및 따라서 유효한 환자 모델인지를 결정하도록 동작가능하다. 그렇지 않으면, 알고리즘 실행은 예시된 실시형태에서, 단계 (120) 로 다시 진행하여서, 하나 이상의 신규한 환자 모델이 선택될 수도 있다. 옵션으로, 도 4 에 도시된 바와 같이, 프로세스 (100) 는 단계 (124) 의 "아니오" 브랜치와 단계 (120) 사이에 추가의 단계 (126) 를 포함할 수도 있다. 이러한 실시형태에서, 클라이언트 컴퓨터 (14) 또는 서버 컴퓨터 (12) 는 변경을 요청하는 모델 (또는 모델들) 및/또는 모델 파라미터 값의 부분만을 식별하도록 단계 (126) 에서 동작가능하다. 그 후, 단계 (120) 에서, 환자 모델의 식별된 부분만이 단계 (120) 에서 선택될 필요가 있고/있거나 식별된 모델 파라미터만이 변경을 요청한다.
프로세스 (100) 로의 제 3 엔트리 포인트가 단계 (124) 의 "예" 브랜치와 후속 단계 (140) 사이에 존재한다. 또한, 제 3 엔트리 포인트가 단계들 (120-126) 의 실행으로부터의 종료 포인트로서 기능할 수도 있다. 임의의 경우에서, 단계 (124) 의 "예" 브랜치 및 엔트리 포인트 3 은, 단계들 (102-108) 에 따라 연 장된 시간 주기에 걸쳐 수집된 환자-맞춤형 데이터가 하나 이상의 환자 치료 또는 치료 액션을 결정하기 위해 단계들 (120-126) 로부터 발생하는 하나 이상의 검증된 환자 모델에 적용되는 단계 (140) 로 진행한다. 단계 (140) 는, 상술한 바와 같이 분석 모듈 (76) 을 통해 액세스가능한 분석 툴 중 임의의 하나 이상을 사용하여 클라이언트 컴퓨터 (14) 및/또는 서버 컴퓨터 (12) 를 통해 수행될 수도 있다. 하나 이상의 환자 치료 또는 치료 액션은 예를 들어, 하나 이상의 약물의 투여, 운동의 권고, 및/또는 상술한 바와 같은 다른 치료 및/또는 치료 액션일 수도 있거나 이를 포함할 수도 있지만 이에 제한되지 않는다.
단계 (140) 에 후속하여, 프로세스 (100) 는 단계 (142) 로 진행하고, 여기서, 검증 분석이 단계 (140) 으로부터 발생한 하나 이상의 환자 치료 및/또는 치료 액션에 대하여 수행된다. 예시된 실시형태에서, 클라이언트 컴퓨터 (14) 및/또는 서버 컴퓨터 (12) 는 상술한 바와 같이 결과 검증 및 프리젠테이션 모듈 (82) 로부터의 하나 이상의 결과 검증 소프트웨어 패키지에 액세스함으로써 단계 (142) 를 수행하도록 동작가능하다. 단계 (142) 에 후속하여, 프로세스 (100) 는 단계 (144) 로 진행하고, 여기서, 클라이언트 컴퓨터 (14) 또는 서버 컴퓨터 (12) 는 단계 (140) 에서 결정된 하나 이상의 환자 치료 및/또는 치료 액션이 치료 검증 단계 (142) 를 통과하였는지 및 따라서 유효 치료 및/또는 치료 액션인지를 결정하도록 동작가능하다. 그렇지 않으면, 알고리즘 실행은 예시된 실시형태에서 단계 (140) 로 다시 진행하여서, 하나 이상의 신규한 환자 치료 및/또는 치료 액션이 선택될 수도 있다. 옵션으로, 도 4 에 도시된 바와 같이, 프로세스 (100) 는 단 계 (144) 의 "아니오" 브랜치와 단계 (140) 사이에 추가의 단계 (146) 를 포함할 수도 있다. 이러한 실시형태에서, 클라이언트 컴퓨터 (14) 또는 서버 컴퓨터 (12) 는 단계 (146) 에서, 변경을 요청하는 하나 이상의 환자 치료 및/또는 치료 액션 중 하나 이상의 부분을 식별하도록 동작가능하다. 그 후, 단계 (140) 에서, 하나 이상의 환자 치료 및/또는 치료 액션의 식별된 부분 또는 부분들만이 단계 (140) 에서 변경될 필요가 있다.
프로세스 (100) 로의 제 4 엔트리 포인트가 단계 (144) 의 "예" 브랜치와 후속 단계 (160) 사이에 존재한다. 또한, 제 4 엔트리 포인트는 단계들 (140-146) 의 실행으로부터의 종료 포인트로서 기능할 수도 있다. 임의의 경우에서, 단계 (144) 의 "예" 브랜치 및/또는 엔트리 포인트 4 는 단계 (160) 으로 진행하고, 여기서, 하나 이상의 환자 치료 및/또는 치료 액션이 하나 이상의 프리젠테이션 디바이스를 통해 시스템 (10) 의 사용자에게 제공되고/되거나 상술한 바와 같이 포맷한다. 단계 (160) 는 상술한 바와 같은 결과 검증 및 프리젠테이션 모듈 (82) 을 통해 액세스가능한 프리젠테이션 소프트웨어 패키지 중 임의의 하나 이상을 사용하여 클라이언트 컴퓨터 (14) 및/또는 서버 컴퓨터 (12) 를 통해 수행될 수도 있다.
특정 사용 케이스 예들 - 예 A
다음은, 본 명세서에 설명하는 개념들 중 일부의 사용-케이스 예이다. 일반적으로, 이러한 예의 단계들은, 도 4 의 알고리즘 (100) 을 따르며, 종래의 위저드 (wizard), 즉, 사용자가 작업을 달성하기 위해 대화의 시퀀스를 통해 안내되 는 컴퓨터 사용자 인터페이스를 통해 구현될 수도 있다. 위저드는 도 4 의 플로우 차트에 나타낸 바와 같은 (ⅰ) 치료 결정의 최종 목적, 및/또는 (ⅱ) 중간 결과를 향해 건강관리 전문가를 네비게이션하기 위한 목적과 당뇨병 환자의 정보 수집 및 분류의 혼합이다. 이러한 예의 단계들이 종래의 레시피 또는 명령들의 세트를 통해 다르게 구현될 수도 있지만, 이러한 위저드에 의해 실행된 단계들의 프레임워크에서 아래의 예가 제공된다.
이러한 제 1 예에서, 환자의 케이스 이력 파일 및 현재의 상태는 다음과 같다. 건강관리 전문가에 대한 최종 방문이 4개월 전인 당뇨병 타입 Ⅰ 환자가 피험자이다. 피험자는 무게 80 kg (최종 방문 이후 변화 없음) 이며 리스프로 (최종 방문 이후 변화 없음) 와 같은 속효성 인슐린을 현재 사용하고 있는 40세의 남성이다. 피험자는 전하는 바에 의하면, 매일 평균 3회 bG 를 측정한다 (최종 방문 이후 변화 없음). 이전 방문에 있어서 평균 식사량 값은 35g, 70g, 85g, 및 25g 이며, 현재의 식사량은 알려지지 않았다. 피험자의 탄수화물-인슐린비 (carbohydrat-to-insulin ratio) 는 8 gm/U (변화없음) 이며, 인슐린 민감도는 40 mg/dL/U (변화없음) 이다. 피험자의 물리적 활동은 보통이다 (변화없음). 피험자의 이전 방문시에, 그의 HbA1C 는 7.5 이었고, 현재는 9.5 이다. 이러한 팩터 패턴하에서, 건강관리 전문가는 통상의 타입 Ⅰ 당뇨병에 대한 전형적인 데이터 수집 프로토콜을 따르도록 지시하였다.
단계 (102) 에서, 사용자는 환자의 당뇨병 타입을 선택하도록 위저드에 의해 촉구된다. 그 선택은 타입 Ⅰ 또는 타입 Ⅱ 이다. 이러한 예에서, 선택은 타입 Ⅰ 이다. 다음으로, 사용자는 방문의 이유를 선택하도록 위저드에 의해 촉구된다. 이용가능한 선택은, 신규 환자, 임상 실험, 통상적으로 2-3 개월 방문인 정기적 방문, 사후 입원 (post hospitalization) 또는 집중 모니터링 완료이다. 이러한 예에서, 선택은 정기적 방문이다. 그 후, 위저드는 다음의 입력들에 대해 사용자를 촉구하며, 이용가능하면, 표준 메시지/데이터 검색 프로토콜을 통해 다음의 액션들을 취하는데, 이 액션들은, 환자의 키, 몸무게, 성, 나이를 입력하는 것, 관련 랩 보고 (A1C, L이 HDL BP, 약물치료) 를 획득하는 것, 관련 디바이스로부터 데이터를 다운로드하는 것, 데이터, 펌프 데이터 (pump data), PDA 등을 계량하는 것, 예를 들어, 저혈당 이벤트의 수, 고혈당 이벤트의 수, 식사 타이밍 분포, 탄수화물 조성, 인슐린 분배, 물리적 활동, 수면 스케줄, 및 작업 스케줄과 같은 (수집된 데이터로부터의, 생활양식 캡처) 환자의 행위를 캡처하는 것, 기준 배제, 생리학적 상태 (질환, 무질환) 입력, 약물치료 입력, CSII, MDI, 현재의 치료, 및 현재의 치료 규칙이다. 이러한 예에서, 수집된 데이터는, 현재의 HbA1C=9.5 이고, 최종 HbA1C=7.5 이고, (최종 평균 값 35g, 70g, 85g, 25g) 이고, 현재의 식사 정보는 입력된 데이터의 부족으로 인해 알 수 없고, bG 측정치는 적고, bG 평균 및 SD 는 (150+/-70) 이다는 것과 나머지 데이터 값들 뿐만 아니라 야간 금식은 알 수 없다는 것을 반영한다.
상기 입력/수집된 데이터에 기초하여, 단계 (104) 에서, 시스템은 그 후, 데이터 무결성/데이터 품질을 체크한다. 이러한 예에서, 정기적 방문이기 때문에, 건강관리 전문가는 환자의 치료의 정기적 조정이 치료 목적으로서 필요하다는 것을 이미 결정하였다. 따라서, 이러한 단계 동안, 다양한 양태들이 검사된다. 예를 들어, 일부 선택된 치료 목적을 위해, 선택된 치료 목적의 달성을 위해 의미있는 결과를 제공하는데 필요한 필수의 데이터 수집이 존재한다. 따라서, 이러한 단계에서, 시스템은 데이터가 특정한 알고리즘에 대한 (예를 들어, 특정 값 이상/특정 값 이하/특정 값의 소정의 범위 등에서) 또한 지각할 수 있는 수집된 데이터에서 이용가능한지 알아보기 위해 체크한다. 또한, 단계 (104) 에서, 데이터 컨텐츠는 1일 측정 빈도, 식사 시간 범위, 식사 볼루스 범위, 식사량에 관한 평균 볼루스 크기 등을 결정하기 위해 통계적으로 분석된다. 수집된 데이터에서의 데이터 시간 시리즈가 또한 검사된다. 환자가 식사, 물리적 활동, 및 작업 스케줄을 포함하는 활동으로 구성된 일상의 패턴을 정상적으로 따르는 것이 아이디어이다. 환자에 의해 수집된 환자의 생활양식 물리적 활동 정보, 식사 정보, 측정 시퀀스 및 투약 정보대로, 상세한 이러한 정보는 임의의 소정의 날에 변화한다. 시간 주기에 걸쳐 분석될 때 변화된 정보는 치료 유효성의 표시를 제공한다. 일 실시형태에서, 환자에 의해 수집된 이러한 정보는 수집되어야 할 소망하는 환자의 생활양식 및 적어도 최소의 정보에 대하여 검사된다.
(a) 분석의 다음 세트의 관련성, (b) 결과에 대한 신뢰 구간, 및 (c) 임계값 기반 수용/거부 기준을 다루기 위한 데이터 분석 및 데이터 매핑 이후에 논리적 추리가 추론된다. 예를 들어, 일 실시형태에서, bG 에 대한 이벤트 약물치료 (event medication) 및 그 영향이 고려되는 경우에, 제 1 단계는 데이터가 프로토콜 마다 수집되었는지를 결정하는 것이다. bG 데이터가 측정 시간 뿐만 아니라 크기 모두에서 가변성을 갖는 것이 예상된다. 일 실시형태에서, 측정의 수, 측정의 시퀀스 및 측정에서의 가변성은 데이터의 수용성을 결정하기 위해 실험 규칙에 대해 체크된다. 다른 실시형태에서, 실험 규칙의 세트는, 소망하는 목적을 달성하는데 있어서 특정한 분석을 수행하기 위해 어느 수집된 데이터가 임계값 기반 수용성 기준 아래인지를 결정하기 위해 적용된다. 예를 들어, 상기 소정의 케이스 이력의 예에 대해, 이용가능한 데이터 및 예상된 제어의 품질로부터, 실험 규칙의 하나의 출력은, 식후 포도당 제어에 필요한 bG 측정치가 환자 치료를 조정하는 목적과 매우 관련이 있으며, 최소의 bG 측정치의 수집이 상기 목적을 달성하기 위한 유용한 권고를 제공하기 위해 필요하다는 것을 나타낸다. bG 측정치의 수집이 최소값 아래일 때, 단계 (106) 에서, 데이터 수집 품질은 이러한 예에서는 실패이다.
단계 (104) 에서 체크를 수행한 이후에, 환자에 대한 일련의 치료 평가/권고 (assessment/recommendation) 가 단계 (105) 에서 옵션으로 제공된다. 환자의 치료에 대한 변화를 생성할 수집된 데이터 품질에 기초한 이러한 치료 평가/권고의 유효한 선택에 기초하는 각 치료 평가/권고 다음에 관련성 등급 (relevance rating) 이 제공된다. 소정의 예에서, 이러한 치료 평가/권고 및 이들의 관련된 관련성은, (a) 환자 치료 수집이 불량하다 (관련성 95%) 는 것과, (b) 환자가 정기적인 치료 조정을 필요로 한다 (관련성 50%) 는 것과, (c) 환자 생활양식 변화 (관련성 15%) 를 포함할 수도 있다. 권고 (a) 에 대해, 실험 규칙의 출력은, 수집된 데이터로부터, A1C 가 불량하고, 환자가 불편함을 느끼고, 표시가 큰 포도 당 값을 나타내고, 많은 저혈당 및 고혈당 사고, 및 환자 치료를 효율적으로 조정하는데 불충분한 bG 측정치이다는 결론에 이른다. 따라서, 높은 관련성 등급은, 새로운 수집된 데이터가 제한되고 오래된 데이터는 약 4-5개월 이전이다는 고려사항에 기초한다. 권고 (b) 에 대해, 상기 언급한 바와 같이, 환자의 치료를 조정하기 위해, A1C 는 충분한 수의 식전 포도당 측정 및 식후 측정으로 가중될 필요가 있다. 이 방법은 또한 고혈당 및 저혈당 사고에서 A1C 를 가중한다. 그러나, 불충분한 bG 측정치가 수집된 데이터에 제공되며, A1C 가 불만족스럽기 때문에, 이러한 권고에 대한 관련성이 낮아서, 수집된 데이터의 범위가 주어진다면 아마 최상의 선택은 아니다. 환자가 더 많은 bG 측정치를 제공할 수 있을 때, 그 후, 이러한 권고의 관련성은 증가한다. 권고 (c) 에 대해, 평균 값을 비교하고/하거나 이동하는 윈도우를 사용하고 평균 값을 비교하고/하거나 데이터에서의 트렌드를 결정하여 이력 데이터를 주로 비교함으로써 환자의 생활양식에서의 변화 (예를 들어, 투약, 새로운 시간 존으로의 이동/여행, 물리적 활동의 변화, 스트레스 레벨의 변화, 또는 식사 섭취량의 변화) 를 찾는 것은, 이 시점에서 불량한 데이터 수집으로 인해, 환자의 치료에 대한 조정을 수행하는데 건강관리 전문가에게 값을 거의 제공하지 않는다.
치료 평가/권고의 전체 호스트가 다양한 수집된 데이터에 기초하여 제공될 수 있다. 예를 들어, 이러한 치료 평가/권고는, 환자가 신규 진단된 타입 Ⅰ 당뇨병이고 치료를 필요로 하거나, 그 타입 Ⅰ 환자가 폐루프 임상 실험을 위해 모집되었다는 것을 포함한다. 소정의 예에서, 이러한 권고는, 환자가 신규 타입 Ⅰ 도 아니고 폐루프 임상 실험을 위해 모집되지도 않기 때문에 0% 관련성을 갖는다. 그 후, 생성된 이들 평가/권고는 건강관리 전문가에 의한 선택을 위해 단계 (105) 에서 출력으로서 제공된다. 제공된 예에서, 건강관리 전문가는, 환자 치료 수집이 불량한 치료 평가/권고 (a) 를 선택한다. 치료 평가/권고 (b) 및 (c) 는 일부 레벨에 대해 건강관리 전문가에게 유용할 수도 있지만, 관련성 등급은, 전체 데이터가 수집된 데이터에서 부족하며 신규 치료를 생성하는데 충분히 양호하지 못하다는 것을 클리어한다.
다음으로, 리스트된 평가/권고 중 하나의 선택 이후에, 데이터 가용성 상태가 그 후 단계 (105) 에서의 선택을 위해 건강관리 전문가에게 또한 제공된다. 이러한 단계에서, 시스템은 또한, 선택된 평가/권고 (여기서, 이 예에서는, 치료 평가/권고 (a)) 에 대해, 취해진 경우에 어느 다른 타입의 액션이 선택된 치료 평가/권고의 처리/결정/개선 (addressing/resolving/improving) 과 관련되는지를 결정한다. 이러한 예에서, 아래의 데이터 가용성 상태들이 선택을 위해 제공되는데, 이 상태들은 (ⅰ) 식후 포도당 제어를 개선시키기 위해 데이터를 수집하고 (관련성 80%), (ⅱ) 금식 동안 목표 포도당을 개선시키기 위해 데이터를 수집하고 (관련성 75%), (ⅲ) 전체 초기 치료 파라미터를 얻기 위해 데이터를 수집하고 (관련성 70%), (ⅳ) 시간 존 변화로 인한 것과 같이 치료 타이밍을 변경하고 (관련성 25%), (ⅴ) 증가된 물리적 활동, 다른 상태를 조정하기 위해 치료를 변경하고 (관련성 15%), (ⅵ) 다른 생리학적 상태로 조정하도록 치료를 변경하고 (관련성 5%), 그리고 (ⅶ) 폐루프 알고리즘에 대한 파라미터를 식별하는 것 (관련성 0%) 이다. 이러한 예에서, 다른 실험 규칙은, 식후 포도당 제어를 최상의 개선시키고 치료를 변경하는데 돕기 위해 수집된 데이터 및 선택된 평가/권고로부터, 더 많은 이러한 데이터가 수집될 필요가 있으며 이러한 데이터가 그 목적을 달성하는 것과 가장 관련된다는 것을 결정한다. 그러나, 이러한 예에서, 건강관리 전문가는 표준 솔루션으로부터 시작하는 것이 더 양호하다는 것을 결정하는 전체 초기 치료 파라미터를 얻기 위해 데이터를 수집하는 옵션 (ⅲ) 을 고려하고 선택한다.
다양한 선택으로부터, 수집된 데이터는 따라서, 비-호환이며 단계 (106) 에서 실패이다. 예를 들어, 이러한 특정한 실시형태에서, 환자 치료를 조정하기 위해, HbA1C 가 식전 포도당 측정 및 식후 포도당 측정과 가중될 필요가 있다. 그러나, 효율적으로 사용하기에는 알고리즘에 대한 수집된 데이터에서 적은 포도당 측정치가 이용가능하기 때문에, 필요한 데이터의 이러한 부족은 단계 (106) 에서 데이터 품질 실패를 발생시킨다. 그 후, 위저드는, 실험 규칙의 다른 세트를 통해 시스템이 권고된 치료 계획 또는 처방으로서 환자 치료를 조정하기 위해 필요한 초기 치료 파라미터에 대한 충분한 데이터를 제공하기 위해 재수집될 필요가 있는 데이터를 식별한다. 처방은 (a) bG 측정의 수, (b) 탄수화물 계산, (c) 측정 타이밍, (d) 디바이스에 대한 통지, (e) 트레이닝 권고, (f) 컴플라이언시 만족 기준, (g) 프로토콜이 날짜 또는 기간을 지시할 수 있는 다음의 방문 시간, 및 (h) 다음 방문에서의 잠재적 엔트리 포인트 중 하나 이상을 다룰 수도 있다. 소정의 예에서, 처방 출력은 단계 (108) 에서, 하루 마다 3+ bG 식전 측정이 컴플라이언스를 충족시키기 위해 필요하고, 모든 섭취된 탄수화물의 계산이 상세히 기록되 어야 하고, 의사 주장 (doctor insistence) 마다 디바이스에 대해 통지하고, 권고된 탄수화물 계산이 가이드 (또는 트레이닝/리프레셔 클래스 (refresher class)) 를 돕고, 다음 방문이 현재 방문일로부터 3주이며, 엔트리 포인트 1 은, 환자가 다음 방문을 목적으로 오는 때이어야 한다는 것을 제공한다.
단계 (108) 이후에, 위저드는 옵션으로, 식별된 데이터가 단계 (110) 에서 재입력될지를 알아보기 위해 체크한다. 그러한 경우에, 위저드는 식별된 데이터에 대해 단계 (102) 를 반복한다. 그렇지 않은 경우에, 위저드는 이 포인트에서, 엔트리 포인트 2 에서 알고리즘 (100) 을 계속한다. 건강관리 전문가에 대한 이슈는 여전히, 환자가 결정되지 않은 양호한 치료 파라미터를 갖는지이다. 비록, 이전의 수집 단계들이 필요한 데이터의 부족을 표시하고 성능을 개선하기 위해 필요한 데이터 수집 요건을 환자에게 제공하였지만, 단계 (120) 에서 이러한 예시된 예에서의 사용자에게는 (a) 동일한 파라미터를 계속하고, (b) 이력 데이터를 사용하거나, (c) 현재의 치료 파라미터를 검사하는 데이터를 재초기화하기 위한 옵션들이 제공된다. 옵션 단계들 (105 및 110) 이 이러한 예에서 발생되는 소프트웨어의 셋업 동안 사용을 위해 (함께 또는 개별적으로) 선택될 수 있다.
단계 (120) 에서, 관련성 알고리즘은, 환자가 양호한 치료 파라미터를 갖는지의 의문을 결정하는데 유용한 각 옵션의 관련성을 제공한다. 이러한 예에서, 동일한 파라미터를 사용하는 옵션 (옵션 (a)) 은, 데이터 품질이 불량하고, 이력 데이터를 사용하는 (옵션 (b)) 및 데이터를 재초기화하는 (옵션 (c)) 옵션들이 각각 60% 및 80% 이다는 것을 이전의 단계들이 나타내기 때문에 0% 이다. 각 옵 션의 관련성을 제공하기 위해, 일 실시형태에서 단계 (120) 에서의 관련성 알고리즘은 다음의 정보 : 치료 파라미터를 개정하는데 충분하지 않은 환자 데이터, 환자의 이력 데이터가 이용가능한지, 및 치료 초기화 모델이 이용가능한지를 고려한다. 관련성 알고리즘은, 치료 파라미터 및 또한 환자가 시스템에 의해 먼저 분석될 때 환자가 치료 파라미터의 초기 추정치를 어떻게 처리하는지를 결정하기 위해 환자 혈당 제어를 계량한다. 그러나, 시스템은, 시스템이 때때로 현재의 환자에 대해 보존적으로 (conservative) 또는 적극적으로 (aggressive) 오버레이할 수도 있기 때문에 각 단계에서 건강관리 전문가가 자체 판정을 사용할 수 있게 한다. 이러한 예에서, 건강관리 전문가는 단계 (120) 에서 옵션 (c) "데이터 재초기화" 를 선택하고, 이것은 단계들 (122 및 124) 에서 유효한 모델의 분석 및 표시를 발생시킨다. 이들 단계는, 집단 기반 파라미터가 건강관리 전문가에 의해 선택된다는 것을 단순히 나타내고, 이것은 디폴트에 의해, 건강관리 전문가가 정보의 현재 상태를 고려하여 동의하는 평균 집단 행위를 나타낸다.
단계 (124) 이후에 위저드는 엔트리 포인트 3 에서 알고리즘 (100) 을 계속한다. 단계 (140) 에서, 이러한 실시형태에서 프로세스 (100) 는 환자 치료를 결정하기 위해 집단 기반 파라미터에 수집된 데이터를 적용하며, 이것은 표시에 도시된다.
표 1 - 모델로부터 생성된 치료 파라미터
Figure 112009080329487-pct00016
단계 (142) 에서, 위저드는 이제, 결정된 환자 치료에 대한 검증 분석을 수행하고, 결정된 환자 치료를 리뷰하고 치료 안정성 가이드라인을 제공하기 위해 가장 관련된 옵션들을 건강관리 전문가에게 제공한다. 소정의 예에서 건강관리 전문가에게는, 만성 질병의 환자의 관리에 대한 생활양식 영향을 평가하기 위한 옵션이 제공된다. 또한, 치료 안정성 가이드라인에 관하여, 수집된 데이터 및 생활양식 결과에 기초하여, 건강관리 전문가에게는 단계 (142) 에서, 환자가 x 저혈당 에피소드 및 y 고혈당 에피소드에 대한 잠재성을 갖는다는 것이 통지되고, 이에 의해, 고혈당 에피소드는 추가의 사후 측정 및 보정 인슐린에 의해 낮아질 수 있다. 또한, 시스템은 단계 (142) 에서, 선택된 모델로부터 생성된 파라미터에 기초하여 치료를 권고한다. 이러한 예에서, 권고된 치료는 소망하는 U/hr 로의 기초 레이트의 설정, 소망하는 gm/U 로의 탄수화물-인슐린 비율의 설정, 소망하는 mg/dl 로의 인슐린 민감도의 설정, bG 측정의 필요한 수의 표시, 섭취된 모든 식사의 탄수화물 계산의 요청, 및 적어도 매일 x 식전 측정 및 적어도 y 식후 측정이 치료 파라미터 추정을 개선하기 위해 필요하다는 것의 표시를 제공한다. 또한, 사용자에게는, 환자가 다음의 y 주 (week) 들에서 치료에 대한 데이터 수집을 완료 해야 하며 그 후, 건강관리 전문가를 방문해야 한다는 것이 권해진다. 단계 (144) 에서, 건강관리 전문가에게, 권고된 치료가 유효한지가 시스템에 의해 질문된다. 건강관리 전문가가 권고된 치료의 상기 양태들 중 어느 하나를 변경하기를 원하면, 단계 (144) 에서 "아니오" 를 표시하고 이것은 건강관리 전문가가 단계 (146) 에서 치료의 일부를 변경할 수 있게 한다. 단계 (146) 에서 원하는 변경을 수행한 이후에, 그 후 단계들 (140-144) 은 반복된다. 그렇지 않으면, 프로세스 (100) 는 또한 엔트리 포인트 4 인 단계 (160) 에서 처방으로서 권고 치료를 출력함으로써 권고 치료를 완료한다. 이러한 예에 대해, 환자가 건강관리 전문가를 다시 방문할 때, 위저드는 엔트리 포인트 1 에서 다시 이용되고, 도 4 의 알고리즘 (100) 을 통해 사용자를 네비게이션한다.
특정 사용 케이스 예들 - 예 B
제 2 사용 케이스 예에서, 피험자의 케이스 이력은 다음과 같다. 피험자는 상기 예 A 에서와 동일한 당뇨병 타입 Ⅰ 환자이고, 건강관리 전문가에 대한 그의 최종 방문은 24일 전이었다. 피험자는 무게 80 kg (최종 방문 이후 변화 없음) 이며 리스프로 (최종 방문 이후 변화 없음) 와 같은 속효성 인슐린을 현재 사용하고 있는 40세의 남성이다. 피험자는 매일 평균 6회 혈당 (bG) 을 측정한다 (최종 방문 때 매일 3회). 이전 방문에 있어서 평균 식사량 값은 25g, 85g, 85g, 및 25g 이며, 현재의 식사량 값은 알려지지 않았다. 피험자의 탄수화물-인슐린비 (carbohydrat-to-insulin ratio) 는 8 gm/U (변화없음) 이며, 인슐린 민감도는 40 mg/dL/U (변화없음) 이다. 피험자의 물리적 활동은 보통이다 (변화 없음). 피험자의 이전 방문시에, 그의 HbA1C 는 9.55 이었고, 현재는 9.5 이다. 이러한 팩터 패턴하에서, 건강관리 전문가는 통상의 타입 Ⅰ 당뇨병에 대한 집중 모니터링 데이터 수집 프로토콜을 따르도록 지시하였다.
이러한 예에서 단계 (102) 의 완료 이후에, 아래의 데이터 : 환자 타입 Ⅰ, 방문 이유가 완벽한 집중 모니터링이다는 것, 현재의 A1C = 9.5 이다는 것, 최종 A1C = 9.5 이다는 것, 현재의 식사 정보 (평균 35g±5, 70g±15, 85g±20, 25g±15), 데이터의 부족으로 인해 알려지지 않은 최종 식사 정보, bG 평균 및 SD 는 135±50 이다는 것, 야간 금식은 130±30 mg/dL 이다는 것, 데이터가 요청된 프로토콜에 대해 프로세싱된다는 것, 및 수집된 데이터가 프로토콜의 바운드내에서 통계적으로 행해진다는 것을 수집하였다. 단계 (104) 에서 수집된 데이터의 무결성 및 품질에 대한 체크를 수행한 이후에, 단계 (105) 에서 관련성 등급에 따라 제공된 (예를 들어, 디스플레이된) 권고의 시리즈는, (a) 환자가 정기적 치료 조정을 필요로 한다는 것 (관련성 90%), (b) 환자의 치료가 불량하다는 것, 예를 들어, A1C 가 불량하고, 환자가 불편을 느끼고, 표시가 큰 포도당 값을 나타내고, 많은 고혈당 사고 (관련성 95%), (c) 환자가 신규하게 진단된 타입 Ⅰ 당뇨병 환자이고 치료를 필요로 한다는 것 (관련성 0%), (d) 타입 Ⅰ 환자가 폐루프 임상 실험을 위해 모집되었다는 것 (관련성 0%), 및 (f) 예를 들어, 새로운 시간 존으로 이동하는 환자 생활양식 변화가 물리적 활동 등을 증가시킨다는 것 (관련성 65%) 이다.
상기 디스플레이된 권고들로부터, 건강관리 전문가는 권고 (a) 및 (b) 가 가장 관련된다는 것을 확인하고, 이 중 권고 (b) "환자 치료가 불량하다" 가 가장 높 은 관련성을 갖는다. 이러한 예에서, 건강관리 전문가는 단계 (105) 에서 권고 (b) 를 선택한다. 다음으로, 데이터 가용성 상태 및 관련된 관련성에 대한 아래의 선택가능한 옵션들이 단계 (105) 에서 건강관리 전문가에게 제공 (예를 들어, 디스플레이) 되고, 이러한 선택가능한 옵션들은, (ⅰ) 식후 포도당 제어를 개선시키기 위해 데이터를 수집하고 (관련성 15%), (ⅱ) 금식 동안 목표 포도당을 개선시키기 위해 데이터를 수집하고 (관련성 10%), (ⅲ) 전체 초기 치료 파라미터를 얻기 위해 데이터를 수집하고 (관련성 10%), (ⅳ) 환자 파라미터를 개정하고 치료 파라미터를 결정하고 (관련성 95%), (ⅴ) 시간 존 변화로 인한 것과 같이 치료 타이밍을 변경하고 (관련성 25%), (ⅵ) 증가된 물리적 활동을 조정하기 위해 치료를 변경하고 (관련성 0%), (ⅶ) 다른 생리학적 상태로 조정하도록 치료를 변경하고 (관련성 0%), 그리고 (ⅷ) 폐루프 알고리즘에 대한 파라미터를 식별하는 것 (관련성 0%) 이다. 이러한 단계에서, 건강관리 전문가는 액션의 관련 코스로서 옵션 (ⅳ) 환자 파라미터를 개정하고 치료 파라미터를 결정하는 것을 선택한다. 혈당 제어가 불량하다는 것을 과거 방문 초기화가 나타내는 것은 명백하다. 환자가 측정치를 얻고 탄수화물을 계산하는 일을 부지런히 행하더라도, 식전은 불량한 식사 제어 및/또는 금식 제어를 나타낸다. 이전의 방문과는 반대로 환자 맞춤형 조정이 필요하고, 여기서, 집단 기반 파라미터들이 제공된다. 따라서, 베이스라인에 따라서 데이터 수집이 컴플라이언트하고, 따라서 단계 (106) 에서 통과하기 때문에, 프로세스 (100) 는 모델 선택을 위해 엔트리 포인트 2 에서 계속된다.
단계 (120) 에서, 프로세스 (100) 는 수집된 데이터가 이용가능하고, 만족스 럽고, 이력 데이터가 또한 이용가능하며, 실험 초기화 모델이 또한 이용가능하다는 결정을 제공한다. 따라서, 건강관리 전문가에게는 단계 (120) 에서의 이러한 컨텍스트에서, 다음의 옵션들 및 그들의 관련된 관련성 : (a) 환자 파라미터의 사용 (관련성 95%), (b) 이력 데이터의 사용 (관련성 50%), 및 (c) 데이터의 재초기화 (관련성 50%) 가 제공된다. 이러한 예에서, 건강관리 전문가는 환자 파라미터를 식별하는 옵션 (a) 를 선택한다. 건강관리 전문가는 패턴 및 트렌드가 분석되고 제공되는 이력 데이터를 사용하는 접근방식을 선택할 수 있다. 그러나, 이용가능한 상세한 데이터를 갖는 이러한 예에서, 건강관리 전문가는 환자 특정 생리 특징을 검사하는 상세한 단계를 채택한다. 다음으로, 단계 (120) 에서, 다음의 식별된 모델 파라미터들, 즉 (a) 식사 관련 모델 + CSII + bG 미터 (관련성 90%), 식사 관련 모델 + MDI + bG 미터 (관련성 0%), 및 식사 관련 모델 + CSII + 지속 (관련성 0%) 이 건강관리 전문가에 의해 선택가능한 옵션들로서 그들의 평가된 관련성에 따라 디스플레이된다. 단계 (140) 에서, 건강관리 전문가는 위저드에 대한 식사 + CSII + bG 미터인 제 1 옵션 (a) 을 선택한다. 여기서, 관련성은 전반적인 치료가 필요하다는 것을 나타낸다. 식사는 환자에 대한 중대한 외인성 장애이다. 운동 또는 다른 스트레서가 부수적으로 이 포인트에서 가중되며, 치료 파라미터의 장래의 조정에 관련될 수도 있다.
마지막으로, 단계 (120) 에서, 위저드는 식사 모델 타입 : (a) 고속 (탄수화물 섭취 우세), (b) 중간 (노미널), (c) 느림 (높은 지방 함유량), 및 (d) 혼합 (이렇게 수집된 데이터는 이러한 정보를 가져야 함) 의 선택을 제공한다. 건강 관리 전문가는 중간 또는 노미널 식사 모델인 제 2 식사 모델 옵션 (b) 을 선택한다. 여기서, 옵션 (d) 하에서 혼합 케이스를 행하는데 데이터는 충분히 풍부하지 않거나 충분히 잘 문서화되지 않고, 환자의 데이터가 베이스라인 노미널 모델을 나타낸다. 특정한 식사 습관이 더욱 상세한 정보로 캡처될 수도 있다. 식사 모델 섹션은 더욱 상세한 프로세스일 수도 있거나 이를 포함할 수도 있고, 임의의 경우에서, 건강관리 전문가가 대안의 생리학적 모델을 선택하거나 정의할 수 있게 함으로써 생성되거나 표준일 수도 있는 기반 수학적 모델의 선택에 이른다. 상기 예는 단계 (120) 에서의 모델 선택을 다루는 일 방식만을 예시한다.
모델 선택 이후에, 단계 (122) 에서, 프로세스 (100) 는 모델에 대한 검증 및 분석을 수행한다. 이러한 단계에 대해, 환자 특정 사용 케이스 시나리오는 컴퓨터-기반 시뮬레이션을 통해 시스템 (10) 에 대해 인 실리코 (in silico) 시뮬레이션된다. 선택된 환자 모델의 이해에 충실하여, 수학적 모델이 결정될 때 마다, 그 정확성을 검사하기 위해 테스트되어야 한다. 단계 (122) 는, 개별 피험자에 대해 구성되었고, 그 후 결과적인 데이터가 공지된 표준 또는 더 넓은 데이터 집단과 비교되는 특수한 테스트 케이스를 테스트한 이후에 시스템 (10) 을 형성하는 체크 및 밸런스가 존재한다는 것을 보장한다. 단계 (122) 는, 특정한 선택된 환자 모델에 의존하여, 동작 공간을 이해하기 위해, 그리고 모델의 제한을 이해하기 위해 특정 동작 범위에 걸쳐 모델을 인 실리코 검증하는 것, 모델의 소정의 가정의 기초가 되는 에러의 적당한 아이디어를 제공하는 것, 식사 테스트, 인슐린 투약 테스트 등과 같은 다른 테스팅 모듈을 적용하는 것, 인슐린 입력 정보 및 이 벤트 입력 정보와 같은 수집된 임상 데이터로 모델을 테스트하는 것, 및 특정 프로파일, 파라미터 값 범위 또는 메트릭스와 같은 특정 모델 특징을 적용하는 것 중 적어도 하나를 수반한다. 임의의 이상징후 (abnormality) 또는 이상한 양태들이 액션을 위해 건강관리 전문가에게 플래그되고 제공된다.
소정의 예에서, 적합성 = 85%, 즉, 모델 및 파라미터의 세트가 관측된 특징 (bG 및 식사량의 측정) 의 가중된 결과인 모델 특징의 85% 를 설명하는 환자 모델 피팅 (fitting) 이 행해진다. 다른 실시형태에서, 파라미터에 대한 신뢰 구간이 이용가능할 수도 있다. 또한, 이러한 예에서, 모의 환자 모델 응답이 모델의 생리학적 특징 (검증) 을 검증하기 위해 행해진다. 이것은 또한, 관측된 환자 특징 중 하나 이상의 예상된 범위에 대해 비교되는 획득된 특징을 검사하기 위해 소정의 신호에 대한 모델의 표준 테스팅을 포함하는 환자 모델 특징으로 칭한다. 이러한 점에서 일 목적은, 허용가능한 환자 특징의 경계내에 있는 것이다. 결과 (예측의 품질) 를 반복하는 환자의 능력이 또한 다른 실시형태에서 행해질 수도 있다. 이것은 옵션적인 특징이며, 반복 데이터 세트가 이용가능할 때 실시될 수도 있다. 이러한 능력의 측정은 예를 들어, 정규화된 최소 제곱 피트일 수도 있다.
단계 (122) 에서의 선택된 모델에 대한 분석의 완료 이후에, 단계 (124) 에서, 모델이 유효한지에 관한 결정이 수행된다. 단계 (124) 에서, 건강관리 전문가는, 파라미터에 대한 신뢰 구간, 데이터를 피팅하는 능력, 신뢰 구간을 갖는 생리학 기반 파라미터의 추정을 제공하는 것 등 중 적어도 하나를 포함하는 결과에 기초하여 모델의 수용성을 리뷰하고 예상한다. 신뢰 구간은 파라미터들 각각에 대해 계산될 수도 있다. 이들 신뢰 구간은 기본적으로, 이들 파라미터들이 계산된 신뢰도를 결정한다. 과도하게 넓은 신뢰 구간은, 모델이 특정한 프로토콜에 대해 선택되었기 때문에 예상되지 않는다. 그러나, 이들이 넓게 오버레이한다는 것이 발생하면, 이러한 특정한 환자 및 이러한 특정한 식사에 대해, 이러한 방법을 이용하여 개선 가능성이 없다고 결론지을 수 있다. 또한, 적합도 (goodness of fit) 가 예측과 측정 사이의 제곱차와 같은 전형적인 기준을 사용하여 체크될 수도 있다. 적합도가 불량하면, 계산된 파라미터는 식사 제어를 개선시키기 위해 사용되지 않아야 한다. 이러한 단계는, 모델이 양호한 검증 작업을 행하지 않으면, 다시 행해질 수도 있다. 추가로, 더 양호한 결과를 제공하는 대안의 모델 또는 모델들이 있는지를 결정하기 위해 다른 모델 또는 모델들과의 비교의 수행을 원할 수도 있다. 단계 (122) 에서의 선택된 모델에 대해 수행된 검증 분석 (즉, 환자 파라미터를 식별) 의 결과로서, 건강관리 전문가는 단계 (124) 에서, 모델이 유효하다는 것을 결정한다. 이러한 점에서 위저드는 엔트리 포인트 3 에서 알고리즘 (100) 을 계속한다.
건강관리 전문가가 모델을 승인한 이후에, 위저드는 그 후 치료 분석/결정의 최종 단계로 건강관리 전문가를 인도한다. 단계 (140) 에서, 프로세스는 치료 강건성에 대한 중대한 케이스를 챌린지하고 모니터링 스케줄 및 안전 장치를 고려함으로써 솔루션의 안정성을 평가하기 위해 인 실리코 시뮬레이션을 수행하고, 파라미터 변동에 대한 치료의 민감도를 결정하고, 다수의 시뮬레이션을 수행함으로써 신뢰 구간을 생성하며, (치료의 안정성 및 내성을 포함하는) 권고된 치료 제안을 결정하기 위해 다양한 치료의 유효성 (효과, 효능, 친화도) 을 결정한다.
예를 들어, 단계 (140) 에서, 소정의 예에서의 프로세스 (100) 는 환자 생활양식 데이터를 추출/식별하고, 이러한 데이터에 기초하여, 신뢰 구간(들)을 갖는 치료 결과를 제공한다. 여기서, 환자 생활양식은 치료의 테스트 및 평가와 관된다. 이제, 수집된 정보 및 식별된 모델이, 치료 결과를 리뷰하기 위해 생활양식 옵션들을 갖는 위저드를 통해 건강관리 전문가에게 제공된다. 여기서, 치료 안정성 가이드라인을 제공하는 것이 일 목적이다. 건강관리 전문가에게는, 단계 (140) 에서 다음의 치료 계산 옵션들, 즉, (a) 특정된 알고리즘 A 에 대한 치료 파라미터 (예를 들어, CSII) 의 결정, (b) 특정된 알고리즘 B 에 대한 치료 파라미터 (예를 들어, ICT) 및 관측된 생활양식의 결정, (c) 고성능 치료 (CSII + 빈번한 측정 + 생활양식) 의 제안, 및 (d) 컴플라이언시 50% 대 90% 컴플라이언트를 갖는 생활 양식 영향 (95%) 의 평가가 제공될 수도 있다. 단계 (140) 에서, 건강관리 전문가는, 환자가 이전의 방문에서 넌-컴플라이언트 (non-compliant) 이었기 때문에 제 1 옵션 (a) 을 선택한다. 옵션으로, 건강관리 전문가에 의해 실시될 수도 있는 추가의 운동은 또한 제 4 옵션 (d) 을 선택하는 것이다.
여기서, 관측된 생활양식을 사용하지만 넌-컴플라이언트 시나리오 (즉, 환자가 치료 규칙을 관측하지 않고/않거나 측정 및 탄수화물 계산에 따르지 않음) 를 대충 조사하여, 확률적인 시뮬레이션이 단계 (142) 에서 수행되며, 잠재적 결과의 비교 리포트가 생성된다. 이러한 리포트는, 환자가 x 저혈당 에피소드 및/또는 y 고혈당 에피소드에 대한 잠재성을 갖는다는 것, 다음의 방문 (예를 들어, 지금으로부터 3개월) 에서의 예상된 HbA1C, 높고 낮은 bG 측정치, 잘못 관리된 당뇨병 치료로 인한 잠재적 시간 낭비 및 병으로 인한 휴일을 포함할 수도 있다. 추가로, 치료를 이용한 권고는, 환자 측정 생활양식이 적어도 x 측정이어야 하고, 고혈당 에피소드가 추가의 사후-측정 및 정정 인슐린에 의해 감소될 수 있고, 환자가 식전 및 식후 측정을 계속해야 하며, 환자가 식습관을 변화했을 때, 특수한 식사 타입에 대해 데이터를 수집하고 기록하여 다른 치료가 개선될 수 있다는 것일 수도 있다. 또한, 컴플라이언시 비율에 관하여, 이러한 시뮬레이션을 위해 컴플라이언시가 또한 제공될 수도 있고, 여기서, 컴플라이언시 비율은 이벤트가 실제로 기록된 횟수를 이벤트가 기록될 횟수로 나눈 것과 동일하다.
예를 들어, 환자는 103회 식전 아침 측정치의 기록을 가지고, 측정이 행해진 시간 주기는 120 일이다. 따라서, 아침에 대한 컴플라이언시 비율은 103/120, 또는 0.86 이다. 그 후, 예로서, 0.8 또는 더 양호한 요청된 아침 공복 컴플라이언시가 이러한 경우에서 충족된다. 건강관리 전문가는 단계 (144) 에서 이러한 리포트 및 치료를 리뷰하고, 변화가 없으면, 유효성을 찾는다. 이제, 프로세스 (100) 는 엔트리 포인트 4 에서, 160 에서의 리포트 및 치료 권고를 처방으로서 출력하고, 환자의 기록을 전자적으로 업데이트한다. 이하, 본 발명 및 본 발명의 사용에 따른 특정 시스템 구현을 도 2-도 9 를 참조하여 제공한다. 이하, 본 발명의 시스템 및 프로세스가 이벤트에 대해 어떻게 응답하는지를 논의한다.
이벤트를 통한 소프트웨어 응답의 인보킹
상술한 바와 같이, 이벤트는 시스템의 다른 컴포넌트에 의해 사용될 수 있는 일 컴포넌트에 의해 생성된 정보의 단위이다. 이벤트 단위에 대한 고유성은, 이벤트의 시간, 이벤트 특징화 디스크립터, 이벤트 액션 스키마, 및 이벤트 값이다. 다른 상세는 나중에 제공한다. 시스템에서 이벤트의 활성은 그 이벤트를 구성하는 엘리먼트에 대한 값들을 특정하는 것으로 행해져야 한다. 일 실시형태에서의 이벤트는 (ⅰ) 정보 입력, (ⅱ) 활동 정보, (ⅲ) 디바이스에게 무엇인가를 행하라고 명령하는 것, (ⅳ) 작업을 행하도록 환자에게 통지하는 것, (ⅴ) 잠재적인 생리학적 상태를 환자에게 통지하는 것 등일 수 있다. 일 실시형태에서의 이벤트의 구조는, 다음의 필드, 절대 이벤트 시간, 이벤트 타입, 이벤트의 지속시간/액션 시간/활동 시간, 패런트 (parent) 에 상대적인 이벤트 시간, 이벤트의 양 (강도), 및 권고 스트링을 갖는다. 절대 이벤트 시간은, 이벤트가 발행해야 할 시간을 제공하며, 다음의 값들, 즉, 소정의 값, 알고리즘에 의해 결정된 값, 또는 비동기적으로 트리거된 값을 갖는다. 이벤트 시간은 일반적으로 절대 레퍼런스로서 작용하는 절대 시간으로서 제공된다. 특수한 경우에서, 절대 이벤트 시간은 다른 이벤트의 절대 시간에 링크된다. 절대 UTC 시간이, 이벤트가 관련되는 "레퍼런스 시간" 으로서 사용된다. 레퍼런스 시간은 다른 이벤트들을 상관하는데 있어서 필수적이다. 그리고, 고유 시간 결정은 다중 시간 존 및 일광 절약 (day light saving) 을 고려하는 사소한 것이 아니다. 로컬 시간과 협정 세계 시간 (UTC) 사이의 차이가 관련된다. 로컬 시간은 디스플레이를 위해 사 용되며, UTC 는 로컬 시간에 매핑된다.
이벤트 타입은, 무슨 이벤트가 활성되었는지를 설명하며, 식사, 운동, 투약, 인슐린 측정, 다른 상태, 정정 이벤트와 같은 값들을 가지며, 이벤트를 캔슬한다. 지속기간은 인슐린 볼루스 활동, 식사 활동, 운동 활동 지속기간 및 다른 상태와 같은 활동의 유효 길이를 정의한다. 개시된 임의의 활동은 지속기간 이내이어야 한다. 디폴트에 의해, 활동은 무한 지속기간을 갖는다. 다른 디폴트 가능성은, 활동이 지속기간을 갖지 않는다는 것이다. 이것은 그 영향이 순간적이다는 것을 의미한다. 0 으로부터 무한까지의 넌제로 값은 모든 중간 경우를 캡처한다. 상대적 시간은 절대 레퍼런스 시간에 관한 것이고, 이벤트는 상대적 시간에 대해 조정된 절대 시간에서 개시된다. 이것은, 절대 이벤트 시간과 상대적 시간의 합과 동일한 시간에서 활성된 식사 관련 볼루스, 식사 이벤트에 대한 측정치, 또는 최종 bG 측정에 대한 측정치일 수 있다. 양은, 이벤트의 강도 또는 크기를 설명하며, 인슐린의 양, 식사의 사이즈, 및 식사의 속도에 대한 것일 수 있다. 최종으로, 권고 스트링은 정보의 간단명료하지만 서술하는 부분이다. 일 실시형태에서, 이러한 필드는 최종 사용자 및 데이터베이스 기록을 위해 구체적으로 조정된 더욱 상세하고 서술적인 정보를 제공하기 위해 XML 또는 RTF 또는 다른 마크-업 언어로 출력된다. 일반적으로, 권고 스트링은 과거, 현재 및 장래 작업에 대한 진행중인 활동의 코멘터리이다. 이러한 필드에서 태그된 언어를 이용하는 활용은, 오디오, 시각 그래픽스, 정적 및 동적 링크와 같은 상호작용을 위해 사용자에게 모든 잠재적 툴을 제공하도록 전체 능력을 향상시킨다. 동 적 링크가 프로그래스 바 (progress bar), 바 차트 등을 포함할 수 있다. 예를 들어, 활동에 대한 시간은 프로그래스 바에 의해 표현될 수 있고, 분배될 양으로부터 분배된 인슐린은 프로그래스 바 등으로서 도시될 수 있다.
상기 방식으로 이벤트 입력을 특징화하여, 시스템에서의 다음의 유틸리티들, 즉, 소정의 입력 특징으로 투약 (인슐린) 을 분배하도록 투약 분배 유닛 (인슐린 펌프) 에 명령하는 것, 소정의 입력 특징으로 측정 작업을 수행하도록 측정 유닛에 명령하는 것, 긴박한 이벤트 활동 입력 특징에 관한 환자로부터의 명령들의 세트를 수신하는 것, 및 이벤트 입력을 알고리즘 모듈 (즉, 혈당 제어 알고리즘을 포함하는 시스템의 소프트웨어 컴포넌트) 에 제공하고/하거나 출력 이벤트를 상승시키는 것이 제공될 수도 있다. 혈당 제어 알고리즘은 피험자의 포도당 레벨을 목표 범위내에서 유지하기 위해 수집된 피하 센서 데이터, 피험자의 소정의 기초 프로파일 및 사용자 입력에 기초하여 인슐린 권고를 형성하도록 사용된다. 프로토콜 특정 스케줄을 작업/이벤트를 수행하기 위해 (ⅰ) 디바이스, (ⅱ) 알고리즘 및 (ⅲ) 사용자에게 제공한다. 특징 입력을 저장하고 데이터베이스로부터 특징 입력을 검색한다. 상기 언급된 유틸리티들 각각은, 본 발명의 시스템 및 소프트웨어가 어떻게 기능하는지의 예들을 사용하여 더 설명한다.
소정의 입력 특징으로 투약을 분배하도록 투약 분배 유닛에 명령
이러한 실시형태에서, 환자 데이터 측정/수집 디바이스 (48; 도 2) 는, 단계 (160) 의 종단에서 건강관리 전문가에 의한 처방으로서 할당되고 클라이언트 컴퓨터 (14) 를 통해 업로드될 때 시스템의 권고된 치료에 대해 자동으로 동작하는 투 약 전달 유닛, 예를 들어, 프로그래머블 인슐린 펌프이다. 이벤트 자체는 다수의 방식, (ⅰ) 알고리즘, (ⅱ) 사용자, (ⅲ) 감시장치 (watch dog) (제 3 자 툴), (ⅳ) 안전 장치, (ⅴ) 데이터베이스 트리거된 이벤트, 및 (ⅵ) 프로토콜 기반 중 하나에서 생성된다. 다음의 통신 이전에 공지 또는 미공지 시간 길이를 커버하기 위해 필요하고 고유하게 필요한 특징이 발생할 수 있다. 투약의 타이밍은 당뇨병 치료에 중심이 된다 (모든 이벤트 타이밍은 바람직하게는 로컬 시간에 대한 적절한 조정으로 UTC 시간에서 유지된다). 이벤트 타입은, 이벤트의 컨텍스트를 설명하고/하거나 트리거된 이벤트 (예를 들어, 식사 볼루스, 커맨드된 볼루스, 식사 볼루스 프로파일) 를 설명한다. 개시된 임의의 활동은 일반적으로, 유한 지속기간에 의해 경계가 지어진다. 지속기간은 전달하기 위해 물리적으로 유한 시간 걸리는 커맨드된 볼루스를 분배하는 것 처럼 작용하는 이벤트의 실제 지속기간을 커버하는 것으로 이해되고, 이러한 지속기간은 다음의 볼루스 명령을 결정하거나 환자의 몸에서 인슐린 활동의 지속기간이도록 인슐린의 지속기간을 캡처할 수 있을 때를 고려하기 위해 알고리즘에 대해 관련될 수도 있다. 상대적 시간은 이벤트가 레퍼런스 포인트에 대하여 스태거 (stagger) 되게 한다. 예를 들어, 레퍼런스 시간이 식사 시간이면, 상대적 시간은 예를 들어, 네거티브 시간 (negative time) 을 분 (minutue) 에서 특정함으로써 식전 투약을 갖도록 이용된다. 이러한 번호의 시퀀스 (a sequence of number) 는, 단일 투약 스키마를 식사 시간에 상대적인 투약의 분배된 시퀀스로 더 연장한다. 그 양을 활동의 강도라 칭할 수 있거나 이것은 정량/양을 나타낸다. 예를 들어, 이러한 특정한 경우에서, 인슐린의 양의 분배된다. 지속기간과 유사하게, 이것은 또한 번호의 시퀀스이다. 시퀀스에서의 엘리먼트의 번호는 상대적 시간에서의 엘리먼트의 번호에 대한 것과 일반적으로 매칭한다. 권고 스트링은 (ⅰ) 그래픽, (ⅱ) 오디오 포맷에서 정보를 제공한다. 또한, 저장되면, 정보는 활동의 로그 (log) 를 제공한다.
소정의 입력 특징으로 측정 작업을 수행하도록 측정 유닛에 명령
측정은 양호한 성능을 달성하기 위해 수동 제어 또는 자동 피드백 제어에 대해 필요하다. 그 후, 기능적 관점으로부터, 측정은 다른 이벤트 유닛으로서 일반화된다. 물론, 측정은, 관련 비용, 얼마나 많은 측정이 현실적인 센스에서 이루어질 수 있는지의 제한, 측정이 어떻게 측정의 시퀀스를 지정하도록 사용되는지, 측정이 또한 작업을 달성하기 위해 프로토콜에 관련될 수 있는지, 측정이 성능을 개선시키기 위해 필요한지, 측정 권고가 사용자를 어시스트함으로써 값을 추가하는지, 건강관리 전문가 (HCP) (예를 들어, 의사, RN, LPN, 또는 의료보조자/EMT), 측정하는데 이상적 시간을 갖는 응급 지원 팀, 안정성을 측정하고 유지하는데 최상의 최소 시간과 같은 고려사항들을 갖는다. 다양한 가능성이 상기 언급한 이벤트 특징들에 의해 커버되고, bG 측정에 대해 재어드레스된다. 측정의 타이밍은 양호한 치료를 제공하는데 중심이 된다. 수행될 때 측정은 바람직하게는 UTC 에서 캡처되고, 알고리즘 및/또는 데이터베이스에 제출된다. 추가로, 측정 권고가 로컬 시간에서 제공된다. 예를 들어, 일 실시형태에서, 환자 데이터 측정/수집 디바이스 (48) 는 측정이 시스템에 의해 출력된 처방에 따라 로컬 시 간에서 행해져야 할 때를 절대적인 용어로 환자에게 말하도록 상술한 바와 같이 프로그램된다. 이러한 유틸리티에 대해, 이벤트 타입은 이벤트의 컨텍스트를 설명하고/하거나 트리거된 이벤트를 설명한다. 예를 들어, bG 스폿 측정은 측정을 위해 사용된 bG 미터를 나타내고, 혈액 채혈은 bG 측정치, 인슐린 혈장 농도 또는 A1C 측정치를 획득하는 것과 같은 분석을 위한 혈액 샘플을 나타낸다. 개시된 임의의 활동은 일반적으로 지속기간내에서 경계가 지어진다. 지속기간은 포도당 농도를 결정하기 위해 물리적으로 유한 시간 걸리는 측정과 같이 작용하는 이벤트의 실제 지속기간을 커버하는 것으로 이해되고, 이러한 지속기간은 연속 측정에서, 30 mts 지연 만큼 작은 측정 지연을 가질 수 있다는 것과 같은 고려를 위해 알고리즘에 대해 관련될 수도 있다. 지속기간이 의미가 없을 수도 있는 경우가 있고, 이러한 경우에서, 엔트리는 블랭크로 남는다. 측정을 위한 상대적 시간은 다수의 사용 케이스 시나리오를 커버하도록 이루어질 수 있으며, 문맥 (contextual) 일 수도 있다. 상대적 시간은 측정을 행하기 위한 카운트 다운 또는 나머지 시간으로서 동작할 수 있다. 이것은 최종 측정 이후로의 시간 경과를 나타낼 수 있다. 이것은 소망하는 측정 시간 이후로의 시간을 나타낼 수 있다. 이것은 특정된 시간 지속기간에서 측정의 시퀀스로 이루어질 수도 있는 프로토콜 기반 또는 이벤트 기반 측정 요건에 대한 측정을 위한 시간 시퀀스를 나타낼 수 있다. 양이 활동의 강도를 칭할 수 있거나 정량을 나타낸다. 예를 들어, 이러한 특정한 경우에서, 양은 측정 값을 나타낸다. 디바이스 (48) 에 bG 측정 유닛이 제공되면, 디바이스는 측정치를 디스플레이할 수 있으며, 측정 시 간이 특정되고 측정이 아직 발생하지 않은 경우에, 장래의 엔트리 및/또는 미싱 엔트리를 관리하기 위한 로직이 쉽게 제공될 수 있다. 마지막으로, 권고 스트링은 그래프적으로 및 오디오 포맷 모두로 정보를 제공할 수 있다. 추가로, 모든 정보는 이제 활동의 로그로서 저장된다.
긴박한 이벤트 활동 입력에 관한 환자로부터의 명령들의 세트를 수신
일반적으로, 이벤트는 더 양호한 성능을 얻기 위해 특징화될 필요가 있다. 현재, 식사, 예를 들어, 탄수화물 계산만이 이용된다. 이러한 경우에서, 이벤트의 양 필드는 식사의 순 강도 (net strength) 를 캡처한다. 그러나, 속도 또는 혈당 인덱스와 같은 풀러 특징 (fuller feature) 은 다루지 않는다. 이벤트의 지속기간 필드는 식사 속도의 양태들 중 하나를 캡처하기 위해 사용될 수 있다. 식사 이벤트는, 식사의 속도를 다시 캡처하기 위해 고속, 중간 또는 느림으로서 더 설명될 수도 있다. 다른 예는, 강도 및 지속기간이 활동 레벨을 캡처하는 것을 도울 수 있는 운동이다. 이들 및 다른 예들이, 권고된 치료를 제공하는데 있어서 지속형 인슐린 (background insulin) 이 어떻게 조정되어야 하는지를 정밀하게 조정하기 위해 프로세스 (100) 의 알고리즘을 사용할 수 있다. 운동의 경우에서 상대적 시간 필드는, 프로세스 (100) 의 알고리즘이 다가오는 이벤트와의 매칭에 앞서 인슐린을 정밀하게 조정하기 위해 사용할 수 있는 이벤트를 프로그램하게 할 수 있다. 이것은, 시스템 및 응답 지연이 존재하기 때문에, 치료의 성능을 개선하는데 매우 유용하다.
식사의 섭취 타이밍, 운동 또는 스트레스와 같은 다른 상태에서와 같은 물리 적 활동은 치료 조정을 필요로 한다. 이러한 활동의 식별은 수동일 수 있고, 이러한 경우에서, 이벤트는 수동 입력으로 트리거된다. 모든 이벤트 타이밍은 바람직하게는, 로컬 시간에 대한 적절한 조정으로 UTC 시간에서 유지된다. 이벤트의 타입은 이벤트의 컨텍스트를 설명하고/하거나 트리거된 이벤트를 설명한다. 예를 들어, 식사는 높거나 낮은 혈당 인덱스로서 설명될 수 있고, 고속, 중간 또는 느림 식사와 같은 디스크립터에 의해 또는 지방, 단백질, 탄수화물, 섬유와 같은 조성물에 의해 특징될 수 있다. 개시된 임의의 활동은 일반적으로 유한 지속기간내에서 경계가 지어진다. 지속기간은 트리거된 이벤트의 실제 지속기간을 커버하는 것으로 이해된다. 예를 들어, 식사 활동의 지속기간을 아는 것은 느린 흡수 식사와 관련된다. 지속기간을 아는 것은, 인슐린 분배를 결정하는데 도움이 된다. 유사하게는, 다른 이벤트 특징화 선택이 치료 필요성을 다루기 위해 알고리즘에 의해 사용되는 예상된 생리학적 로드의 지식을 강화한다.
상대적 시간 필드는 레퍼런스 포인트에 대해 이벤트가 스태거되게 한다. 임상 연구에서, 사전 지식이 제어기의 성능을 더욱 강화시킬 수 있다는 것이 명백하다. 예상된 액션 인슐린에 기초하는 인슐린 치료는 감소될 수 있거나 사전-투여될 수 있다. 일반적으로, 예상된 운동 기초 인슐린에 대해서는 감소되고, 추가로, 알고리즘은 정상혈당 범위내에서 포도당을 유지하기 위해 탄수화물 섭취 이벤트를 증가시킨다. 고속 흡수 식사에서, 사전 투여는 또한, 고속으로 상승하는 포도당을 억제하도록 돕는다. 양 필드는 활동의 강도 또는 정량/양을 칭할 수 있다. 예를 들어, 격렬한 운동의 경우에서는 운동의 강도를 칭하고, 식 사의 경우에서는 탄수화물의 양으로 설명될 수 있다. 지속기간과 유사하게, 이것은 또한 번호의 시퀀스일 수 있다. 시퀀스에서의 엘리먼트의 번호는 일반적으로 상대적 시간에서의 엘리먼트의 번호에 대한 것과 매칭한다. 권고 스트링은 (ⅰ) 그래픽, (ⅱ) 오디오 포맷으로 정보를 제공한다. 운동의 경우에서 권고 스트링은 물리적 로드를 보상하기 위해 고속 작용하는 탄수화물을 소모하도록 환자에게 권해져서, 환자는 탄수화물을 필요로 한다. 추가로, 저장되는 경우에, 상기 이벤트의 정보는 활동의 로그를 제공한다.
이벤트 입력을 알고리즘 모듈에 제공하고 출력 이벤트를 상승
알고리즘은 액션 또는 결과를 결정하기 위한 명령들의 세트이다. 알고리즘은 이벤트의 수신기이고, 내부 이벤트의 발생기이며, 외부 (출력) 이벤트의 생성기이다. 알고리즘 자체는, 조직화된 방식으로 복잡한 문제의 처리를 허용하도록 모듈식으로 구조된다. 이 구조는 소정의 작업에서 특수화하는 기능 유닛으로 문제를 분류하는데 집중한다. 이 모듈방식은 필요한 문제에 의존하여 효과를 포함하거나 배제하는 것을 더 허용한다. 최종 행위는 추가의 휴리스틱 (heuristics) 를 통해 필터링된다. 따라서, 더 높은 레벨에서, 각 모듈은 효과의 중첩으로서 보여질 수 있다. 그러나, 근저에서는, 모듈 각각이 어떻게 처리하는지는 제한되지 않는다. 따라서, 높은 레벨의 모듈 기능은, 관리 및 하우스키핑 (housekeeping), 모니터링 및 상태 통지, 주요 이벤트 처리, (혈당 제어를 제공하는데 중심이 되는) 코어 제어 액션, 정정 액션이다.
관리 및 하우스키핑
관리 및 하우스키핑 모듈은, 초기화/준비, 미싱된 사이클 처리, 이벤트 매핑, 인슐린 버킷 (bucket), 컴포넌트 무효화 (nullification), 데이터베이스, 및 구현 프로토콜이다. 초기화/준비는, 과거, 현재, 및 장래 정보를 관리하는 상태 벡터이다. 미싱된 사이클의 처리는, 안정 장치와 같은 임의의 이유로 스킵된 프로세스 (100) 또는 알고리즘 콜 (call) 의 재시작을 처리한다. 이벤트 매핑은 외부 이벤트 세트를 내부 이벤트 세트에 매핑한다. 인슐린 버킷은 버킷을 채우고 비우기 위한 컴포넌트와 같은 다양한 모듈로부터의 인슐린 권고를 관리한다. 컴포넌트 무효화는 아래와 같이 설명된다. 일반적으로, 현재의 솔루션으로서 생리학인 솔루션일 때, (ⅰ) 개별 컴포넌트 또는 (ⅱ) 그룹화된 모듈 효과로서 문제점을 해결할 때 입력 및 출력이 다양한 컴포넌트의 순 효과이더라도, 무효화 단계는 개별 컴포넌트 또는 그룹화된 모듈 효과의 고려 동안 요청되지 않는 효과의 제거를 허용한다. 따라서, 예를 들어, 인슐린 무효화는 최종 인슐린 전달로부터의 제어 액션의 피드 포워드 (feed-forward) 기간으로부터 오는 임의의 인슐린 컴포넌트를 무효로 한다. 내부 볼루스 관리는 식사 이벤트로부터 발생하는 피드-포워드 볼루스를 전달한다. 내부 볼루스 관리는 (ⅰ) 내부 이벤트의 생성 및 (ⅱ) 내부 이벤트의 그룹화를 허용한다. 치료 엘리먼트의 관리는 일반화된 치료이며, 신규 정보의 가용성 및 필요성의 변경에 의존하여 효과를 추가 또는 제거하는 플렉시빌리티를 허용한다. 데이터베이스는 데이터의 검색 및 저장을 위해 제공되며, 정보를 로깅한다. 구현 프로토콜은, 건강관리 제공자에 의해 소망되는 바와 같은 프로토콜 활동의 동적 생성을 허용하기 위해 일반 이벤트 구조에 따라 설계된 프로토콜 포맷이다. 프로토콜의 일 양태는, 환자 맞춤형 정보를 분석하고 생성하는 최소 정보를 생성하는 컴플라이언시를 지원하는 것이다.
모니터링 및 상태 통지
모니터링하고 상태를 통지하는 모듈은, 포도당 업데이트, 오래된 포도당, 셀프-볼루스, 식사 권고, 프로토콜 권고, 안전 장치, 및 주요 이벤트 핸들러와 같다. 포도당 업데이트는, 컴플라이언시 및 측정 필요에 관한 신규 포도당 측정 값의 가용성을 트래킹하며, 사용자에 대한 정보를 생성한다. 오래된 포도당은, 컴플라이언시 및 측정 필요와 다시 관련되는 신규한 측정 값에 대한 필요성이 존재하는지를 사용자에게 통지한다. 정보는 또한 사용자에 대해 생성된다. 셀프-볼루스는, 셀프-볼루스 커맨드 (내부 활동) 에 의해 임의의 인슐린 불일치를 설명한다. 식사 권고는 먹기의 시작을 사용자에게 통지한다. 컴플라이언시 이슈는 탄수화물 섭취를 커버하고, 다른 모니터링 및 통지로 확장할 수도 있다. 프로토콜 권고는 내부 이벤트를 생성함으로써 다가오는 또는 계류중인 활동을 사용자에게 통지한다. 안전 장치는, 사용자가 디바이스 또는 시스템을 턴 오프한 것을 응답기 (예를 들어, 부모 또는 감시장치 서비스) 에 시스템적으로 통지하며, 디바이스 및/또는 시스템이 업 (up) 되지 않거나 콜이 알람을 오버라이드하도록 이루어지지 않으면, 리치 아웃하는 (reaching out) 응급 디스패치 또는 대안의 형태가 도움을 위해 제공되는 알람 생성 시간 윈도우를 설정한다. 주요 이벤트 핸들러는, 준비 운동 (prep-exercise), 운동, 커맨드된 볼루스, 및 식사 보상기와 같은 주요 이벤트를 처리하는 모듈이다. 준비 운동은 운동 제어기의 예상하에서 기 초 요구를 재처리하고, 특정 운동의 개시에서 제어기에 통지한다. 운동은 운동의 지속기간 동안 상승된 포도당 셋 포인트를 유지하며, 그 후, 포도당 셋 포인트로 리턴한다. 커맨드된 볼루스는 추가된 인슐린 볼루스 (사용자 제어) 의 요청이며, 비동기 커맨드를 허용한다. 식사 보상기는 탄수화물 섭취를 제어기에 통지한다. 대안의 상태/트리거 이벤트가 대안의 상태 및 트리거 이벤트를 커버한다.
코어 제어 액션
코어 제어 액션은, 혈당 제어를 제공하는 것이 중심이 되는 코어 제어 액션을 형성하고, 프로세스 센서 데이터, 인슐린 셋 포인트, 포도당 예측, 인슐린 권고 모듈, 운동 보상기, 속효성 탄수화물 섭취, 식사 보상기, 모델 선택, 모델 파라미터 결정/업데이트, 환자 특징, 불일치 관리, 최종 전달된 인슐린, 및 최종 권고된 인슐린과 같다. 프로세스 센서 데이터는, 이용가능한 측정된 포도당 값, 예를 들어, 센서 유닛을 통해 획득된 간질액 (interstitial fluid; isf) 값 및/또는 외부 미터를 통해 획득된 혈당 (bG) 값으로부터 포도당 값을 결정한다. 인슐린 셋 포인트는, 목표 기초 포도당 (즉, 소정의 기초 인슐린 레이트에 대해 달성된 포도당 값) 을 유지하기 위해 사용된 인슐린 주입 레이트이다. 포도당 예측은, 과거의 포도당 측정 값, 과거의 인슐린 측정, 과거의 이벤트 및 장래 스케줄링된 이벤트를 이용하는 제어 사이클 동안 포도당 값을 예측한다. 미싱된 사이클은, 알고리즘이 제어 사이클 동안 콜되지 않을 때 마다이다. 포도당은 논의되는 컨텍스트에 의해 결정되는 바와 같이, 측정된 포도당 또는 예측된 포도당일 수 있다. 측정된 포도당은 포도당 센서로부터 획득된 포도당 값이다. 예측된 포도당은 모델을 사용하여 알려진 포도당 값으로부터 결정된 장래의 포도당 값이다. 치료 목표 포도당은 사용자가 달성하기를 원하는 포도당 값이다. 목표 포도당/포도당 셋 포인트는 제어기가 피드백을 통해 점근적으로 달성하도록 시도하는 포도당 값이다. 기초 제어 액션은, 기초 포도당을 유지하기 위해 인슐린 투약을 계산한다. 이 결정은 모델 및/또는 규칙 세트에 기초한다.
운동 보상기는 증가된 물리적 활동 레벨을 처리한다. 이 결정은 모델 및/또는 규칙 세트에 기초한다. 속효성 탄수화물 섭취는, 예상되는 포도당 강하를 보상하기 위해 속효성 탄수화물의 섭취를 처리한다. 이 결정은 모델 및/또는 규칙 세트에 기초한다. 식사 보상기는 식사 이벤트에 대한 인슐린 볼리 (insulin boli) 분배를 계산한다. 이 결정은 식사 및/또는 규칙 세트에 기초한다. 개방 루프 기초 구현은 개방 루프 제어기 동안 기초 인슐린을 구현한다. 이 결정은 규칙 세트에 기초한다. 모델 선택은, 도 4 에 관하여 상술한 프로세스 (100) 의 일부와 같은 환자 필요성을 최상으로 다루는 적절한 모델의 결정이다. 규칙은 생활양식 선택, 사용된 과거의 이벤트, 장래의 이벤트, 및 건강관리 전문가의 선택에 기초한 프로토콜 및/또는 단순성에 기초한다. 모델 파라미터 결정/업데이트는 선택된 모델에 대한 파라미터를 결정한다. 이 결정은 이전의 데이터, 디바이스에 의해 수집된 데이터, 파라미터 결정 세팅을 사용한다. 환자 특징은, 환자 맞춤형 파라미터의 선택 또는 평가된 집단 기반 모델을 사용할 때 이다. 결정된 모델 및 파라미터는 다수의 체크를 거치고, 그 결과가 특정한 공지된 예상을 충족하고 유지하면, 결정된 파라미터가 선택되며, 준 최적의 이러한 집단 기반 파라미터 세트는 포도당을 제어하는 치료 결정을 위해 이용된다. 또한, 치료 파라미터 결정/업데이트는 도 4 의 프로세스 (100) 에 관하여 상술한 바와 같다. 불일치의 관리는, 커맨드된 인슐린 대 전달된 인슐린 사이의 불일치가 식별될 때 인슐린 버킷을 관리한다. 최종 전달된 인슐린은 사이클 동안 분배된 인슐린의 양이다. 최종 권고된 인슐린은 권고로서 건강관리 전문가에게 패스되고 알고리즘에 의해 계산된 인슐린의 투약이다.
정정 액션들
정정 액션은, 탄수화물 정류, 고-포도당 조정, 저-포도당 조정, 및 식사 포도당 존과 같은 정정 액션들을 취하기 위해 사용될 수 있다. 탄수화물 정류는 이전에 입력된 식사 이벤트 (탄수화물 값) 를 재처리하며, 인슐린 전달이 이에 따라 정정된다. 고-포도당 조정은, 인슐린 전달에 의해 높은 포도당 레벨을 정정한다. 저-포도당 조정은 속효성 탄수화물의 섭취에 의해 낮은 포도당 레벨을 정정한다. 식사 포도당 존은 선 보다는 대역으로서 포도당 목표를 정의한다. 다른 실시형태들에서, 다른 적합한 정정 액션들의 사용될 수도 있다.
작업/이벤트를 수행하기 위해 (ⅰ) 디바이스, (ⅱ) 알고리즘 및 (ⅲ) 사용자에게 프로토콜 특정 스케줄을 제공
프로토콜은 이벤트의 시퀀스의 계획된 실행이다. 이 계획에 대한 충실도는 (ⅰ) 개선된 치료, (ⅱ) 특정한 분석에 대한 수집된 데이터의 사용 및 의료 액션의 결정의 가능성 및 (ⅲ) 다이어트 계획, 운동 계획, 식사 타이밍, 식사의 조성 과 같은 생활양식이 계획되는 일반 사용 케이스를 허용한다. 이것은, 건강관리 전문가를 지원하는데 있어서, 특정한 지방, 단백질 및 탄수화물 함량을 갖는 식사와 같은 관련 이벤트 및 정확한 타이밍으로 수집된 데이터이지만 정확한 데이터와 관련된다. 그 후, 프로토콜은 bG 측정치, 볼루스 커맨드, 식사 섭취, 및 운동으로 이루어진 이벤트 유닛의 특정 시퀀스이다. 이벤트는, 프로그래밍된 핸드헬드 디바이스, 환자가 따르는 단순한 페이퍼 기반 디스크립션, 환자를 보조하는 컴플라이언스 카운셀러와 같은 자동화 서비스와 같은 다수의 모드에서 트리거될 수 있다.
특징 입력을 저장 및 데이터베이스로부터 특징 입력을 검색
데이터베이스는 중심 정보 저장 유닛이다. 데이터베이스는 이벤트 및 사용자 특정 셋업을 저장 및 검색하기 위해 사용된다. 저장된 이벤트는 과거, 현재 및 스케줄링된 장래의 이벤트를 커버한다. 데이터베이스는 진행중인 현재 및 과거의 활동의 로그로서 이벤트 정보의 저장과 관련하여 사용되고, 과거 및 장래의 이벤트를 검색하는데 사용되며, 스케줄링된 이벤트를 트리거링하는데 사용된다. 이하, 상술한 시스템, 프로세스 및 소프트웨어 모듈의 특정한 구현을 본 발명의 이해를 더 촉진하기 위해 제공한다.
특정 구현 예들
상술한 장치 및 방법은 당뇨병과 같은 만성 질병을 다루는 치료를 수집, 분석 및 결정하기 위해 건강관리 제공자의 능력을 강화시키는 아래의 예시된 실시형태들에서 일체화된다. 제 1 예시적인 실시형태에서, DTPS 방법, APTS (Automated Pancreas Test Stand) 프로그램의 이용이 개시된다. APTS 는 임상 세팅에서 당뇨병 피험자를 제어하기 위해 사용되는 소프트웨어 프로그램이다. 또한, 제 2 예시적인 실시형태에서, DTPS 방법, APCATS 900 (Automated Pancreas-Control Algorithm Test Suite) 프로그램의 이용이 개시된다. APCATS 900 은 예를 들어, 클라이언트 컴퓨터 (14; 도 2) 상에 구동하는 에뮬레이트된 환경에서 당뇨병 피험자를 분석하는 소프트웨어 프로그램이다. 도 5 를 참조하여, APTS 프로그램이 먼저 논의되고, 그 후 다음 섹션에서 APCATS 900 프로그램에 대해 논의한다.
APTS (Automated Pancreas Test Stand) 프로그램
도 5 를 참조하면, APTS 프로그램 (500) 은 종래의 컴퓨터 (예를 들어, 랩탑, PDA, 스마트 폰 등) 상에서 구동하고, 2개의 독립적인 소프트웨어 컴포넌트, 즉, APS (automated pancreas software; 502) 및 APSCOM (automated pancreas software communication application; 504) 를 제공한다. 다음의 섹션에서 설명되는 바와 같이, APS (502) 는 인슐린 권고를 위해 포함된 알고리즘 쉘 (ALGOSHELL; 506) 에 대한 주기적 콜을 행하고, APSCOM (504) 과 상호작용한다. 이하, ALGOSHELL (506) 에 대한 논의가 다음 섹션에서 제공된다. APSCOM (504) 은 휴대용 유닛 (PU; 508) 으로부터 정보를 수집하고, APS (502) 와 상호작용하며 데이터베이스 (24; 도 2) 와 같은 데이터베이스로부터 정보를 저장하고 검색하는데 책임이 있다. 일 실시형태에서, PU (508) 는 디바이스 (48; 도 2) 이며, 다른 실시형태에서는, 예를 들어, 빈번한 포도당 측정을 행하기 위해 Roche Diagnostics Corporation 에 의해 개발된 마이크로-투석 기반 디바이스인 SCGM (Subcutaneous Continuous Glucose Monitor) 와 같은 포도당 농도를 측정하는 센서이다. 또 다른 실시형태에서, 휴대용 유닛 (508) 은 예를 들어, Roche Diagnostic 의 Accu-Chek® Spirit 인슐린 펌프 시스템과 같은 인슐린 펌프 또는 인슐린 펌프 시스템이다. 인슐린 펌프 시스템 실시형태에서, APSCOM (504) 은, 인슐린 펌프 시스템에 제공되는 PDA 상에 제공된 소프트웨어, 또는 동일한 PDA 상에서 APTS 를 구동하면, 인슐린 펌프 제어 소프트웨어와 통신할 수도 있다.
인슐린 전달 스키마를 결정하며, ALGOSHELL (506) 을 통해 APS (502) 에 투약을 통신하는 제어기 모듈 콜 ALGO (510) 에 제공된다. 여기서 스키마에 의해, 이것은 시간과 값 쌍을 의미한다. ALGOSHELL (506) 은 상태 관리, ALGO 콜 스크린닝, 유닛 컨버젼, 및 분배하기 위한 양의 결정과 같은 표준 시스템 기능의 일부를 수행한다. APS (502) 는 여기에서 제어 사이클이라 칭하는 시간의 주기적 간격에서 ALGOSHELL (506) 을 콜링하는데 책임이 있다. APS (502) 는 또한, APSCOM (504) 과 주기적으로 상호작용한다. 일 실시형태에서, APSCOM (504) 은, 일 실시형태에서
Figure 112009080329487-pct00017
액세스 데이터베이스로서 구현될 수도 있는 데이터베이스 (24; 도 2) 및 APS (502) 와 같은 프로그램과 통신하기 위해
Figure 112009080329487-pct00018
COM 기술을 사용한다. 다른 실시형태에서, .네트 프레임워크, 유닉스, 오라클, SQL, 자바 등과 같은 다른 통신 프레임워크 및 데이터베이스 애플리케이션이 본 발명을 구현하기 위해 사용될 수도 있다. APTS 프로그램 (500) 은 또한, APS (502) 가 데이터를 디스플레이하고 HCP 및/또는 환자로부터 이벤트 정보를 수신하기 위해 사용하는 사용 인터페이스 (512) 를 제공한다.
시스템 워크플로우
이 섹션은, 시스템의 작용 및 워크플로우, 및 제어기 ALGO (510) 에 직접적으로 속하는 다양한 고-레벨 APS-ALGO 콜 시퀀스를 예시한다. 제어 사이클 주기 (
Figure 112009080329487-pct00019
) 당 시스템에서의 이벤트의 시퀀스는 도 5 에서의 원문자 (circled letter) (A-J) 에 대응한다. APS (502) 는 시계장치 방식으로 시스템을 구동하고, 중요 시간 디스크립터 (key time descriptor) 의 일부가 도 5 에 상세히 설명된다. 이벤트 A (시간 -
Figure 112009080329487-pct00020
) 에서, APS (502) 는 APSCOM (504) 을 콜하고, 분배된 순 (net) 인슐린에 대한 데이터 및 신규 센서 데이터 세트를 획득한다. 이제, 제어 에지에 관한 시간이 제로로 설정되며, 이벤트 시퀀스 B 에서, APS (502) 는 ALGOSHELL (506) 을 콜한다. 그 후, ALGOSHELL (506) 은 상태 정보를 업데이트하고, 유닛 컨버전을 행하고, 모드를 체크하며, 인슐린 권고를 위해 ALGO (510) 를 콜한다. ALGO (510) 는 그 권고를 ALGOSHELL (506) 로 리턴한다. ALGOSHELL (506) 은 컨버전을 행하고, 그 후, 상태를 업데이트하며 APS (502) 로 리턴한다. 이벤트 시퀀스 B 의 완료 이후에, ALGOSHELL (506) 은 APS (502) 로 권고를 리턴하고, 이것이 이벤트 시퀀스 C 이다. 이것은 SYNC-1 콜이라 칭한다.
이벤트 시퀀스 C 의 완료 이후에, 이벤트 시퀀스 D 에서, APS (502) 는 사용 자 인터페이스 (512) 에서 권고 윈도우 (514) 를 개방하고, 디바이스 (40; 도 2) 와 같은 입력 디바이스의 사용을 통해 권고를 수용하거나 취소하기 위해 사용자를 대기한다. APS (502) 는 권고 윈도우가 타임아웃될 때 까지 입력을 대기한다. 이벤트 시퀀스 D 의 완료 이후에, 권고 윈도우는 이벤트 시퀀스 E 를 위해 APS (502) 로 리턴한다. 사용자가 권고를 확인하여서 이벤트 시퀀스 E 를 완료하면, 이벤트 시퀀스 F 에 대해, APS (502) 는 사용자 인터페이스 (512) 에서 확인 윈도우 (516) 를 개방하고, 입력 디바이스 (예를 들어, 디바이스 (40) 를 통해 그 확인을 수용하거나 취소하기 위해 사용자를 대기한다. APS (502) 는 확인 윈도우가 타임아웃될 때 까지 입력을 대기한다. 이벤트 시퀀스 F 의 완료 이후에, 이벤트 시퀀스 G 에 대해, 확인 윈도우는 APS (502) 로 리턴한다. 그 후, 이벤트 시퀀스 H 에 대해, APS (502) 는 (a) 사용자에 의해 확인되고, (b) 사용자에 의해 제로화되거나 (c) 타임아웃의 경우에, 임계 요건을 충족시키거나 양, 그렇지 않으면 0 인 투약량으로 ALGOSHELL (506) 을 콜한다. 제 2 ALGO 콜은 SYNC-2 콜이라 불린다. 임계 요건은, 건강관리 전문가에 의해 거부되지 않으면, 피험자에게 전달되는 합의된 권고 인슐린이다. 이벤트 시퀀스 H 의 완료 이후에, ALGOSHELL (506) 은 이벤트 시퀀스 I 를 위해 최종 커맨드 양을 APS (502) 로 리턴하고, 그 후, APS (502) 는 이벤트 시퀀스 J 를 위해 볼루스 커맨드를 APSCOM (504) 으로 이슈한다. 이것은 제어 사이클 주기를 종료한다.
ALGO
이 섹션은 ALGO (510) 의 중요 작업을 더욱 명확히 한다. 신뢰가능하고 적시의 방식으로 투약이 제공되는 것이 치료에 중요하다. 아래에 후속하는 섹션에서, ALGO (510) 의 다음의 양태들, 즉, 타이밍 양태 - 인덱스 기반 ALGO (510) 가 경과된 실시간을 어떻게 결정하는지, 메모리 지속기간 - 신규 권고를 결정하기 위해 요청된 과거 이력 (시스템 메모리) 의 길이, 미싱된 사이클 - ALGO (510) 가 미싱된 콜을 어떻게 처리하는지, 동작의 모드, 및 ALGO (510) 에 제공된 실험 알고리즘 모듈 (EA; 518) 에 대한 콜이 다루어진다. EA (518) 는 다수의 기능 모듈 (56; 도 3) 을 제공하고/하거나 콜하는 인슐린 투약을 권고하는 규칙 기반 집중 치료 전략의 수집이다. 인슐린 투약 권고는 최근의 포도당 정보 및 식사, 운동, 조정 등과 같은 이벤트 정보에 기초한다. 집중 치료는 메인 목적이 가능한한 정상 범위에 근접하게 혈당 레벨을 유지하는 인슐린 의존형 당뇨병에 대한 치료의 형태이다. 이 치료는 인슐린 펌프의 사용 또는 매일 3회 이상의 인슐린 주입, 매일 4회 이상의 혈당 테스트, 혈당 테스트 결과에 기초한 인슐린, 음식 섭취 및 활동 레벨의 조정, 식이요법 카운셀링, 및 당뇨병 팀에 의한 관리로 이루어진다. EA (518) 는 포도당을 지속적으로 모니터링하고 빈번한 정상 간격에서 집중 치료 규칙을 구현함으로써 이러한 원리를 확장한다. 인슐린 투약 권고는 최근의 포도당 측정치, 과거의 인슐린 전달 정보 및 식사, 운동, 조정 등과 같은 이벤트 정보를 사용하여 평가된다. 일 실시형태에서, EA (518) 에 대한 이러한 업데이트는 기존의 EA (518) 를 변경된 실험 알고리즘으로 대체/업데이트하게 하는 개방 아키텍처를 제공함으로써 수월하게 이루어진다. 본 발명내에서 구현될 수도 있는 하나의 이러한 적합한 개방 아키텍처가, 본 발명의 양수인에게 양도되고 참조로 여 기에 통합되는 대리인 사건 번호 제 ROP0015PA/WP US 를 갖는 명칭의 공동 계류중인 미국 출원 번호 제 에 기재되어 있다.
EA (518) 의 부분들 및 APTS (500) 의 다른 모듈들을 정의하는데 있어서 여기에서 사용되는 바와 같이, 표 2 에 리스트된 심볼은 아래의 용어체계를 갖는다.
표 2 - 용어체계
Figure 112009080329487-pct00021
Figure 112009080329487-pct00022
Figure 112009080329487-pct00023
타이밍 양태들
언급된 바와 같이, APTS 는 타이밍이 투약하는데 있어서 중요 양태인 실시간 시스템이다. EA (518) 는 적절한 제어 양을 결정하는 실시간과 독립적인 디지털 보상기를 사용한다. EA (518) 는 시간의 실감 (real sense) 을 갖지 않지만 가변 어레이의 인덱스에 존재하는 타이밍을 사용하도록 구성된다. 다시 말해서, EA (518) 의 액션은 센스 인덱스 기반 (sense index-based) 이고, 시간의 표기는 제어 사이클 주기 (
Figure 112009080329487-pct00024
) 의 선택에 의해 암시적으로 이루어진다. 예를 들어, 인슐린 약동학은 잔류하는 인슐린의 1차원 어레이
Figure 112009080329487-pct00025
로서 정의되며, 여기서, i 번째 엘리먼트는, 경과 시간
Figure 112009080329487-pct00026
에서 잔류하는 인슐린을 나타낸다. 따라서, i 번째 인덱스와 시간 t 사이에 대응이 존재한다.
도 20 에 의해 도시한 바와 같이, ALGO (510) 제어기의 타이밍 디스크립션은, 실험의 시작 (예를 들어, 처방으로서 구현된 치료 권고의 시작) 이후 경과된 시간에 의존할 뿐만 아니라 시각에 의존한다. 항
Figure 112009080329487-pct00027
는, 실험이 시작되고 APS (502) 에 의해 저장되는 시간을 표현한다. 이 시간은 분으로 변환되며, 자정 이후 분 단위로 시간을 표현한다. 항
Figure 112009080329487-pct00028
는 자정 이후 분 단위에서의 실제 시각이다. 항 t 는 실험의 시작에 대한 경과된 시간이고, 여기서, 상대적 시간 t=0 는 실험의 시작을 나타낸다. K=1 항은 제 1 제어 사이클을 칭한다. 후속 사이클 마다 1 씩 증분된다. 항 k 는 현재의 k 번째 사이클을 표기한다. 각 제어 사이클 주기 (
Figure 112009080329487-pct00029
) 는 한 쌍의 제어 에지, 시작 시간 (
Figure 112009080329487-pct00030
) 및 종료 시간 (
Figure 112009080329487-pct00031
) 을 갖는다. 임의의 소정의 상대적 시간 (t) 에서, ALGO (510) 는, 현재 시간 (T) 에 대해 현재의 콜이 있는 제어 사이클 주기 (
Figure 112009080329487-pct00032
) 를 결정한다. 구현된 실시간 제어 시스템이 소프트 시간 제어를 갖는다는 것이 중요하다. 이것은, ALGO (510) 에 대한 콜이 제어 사이클 주기 (
Figure 112009080329487-pct00033
) 의 시작 에지에 정확하게 있지 않고, 오히려 시작 시간 (
Figure 112009080329487-pct00034
) 의 제어 에지에 대해 어느 정도의 시간 정밀도내 에 있다는 것을 의미한다. 항
Figure 112009080329487-pct00035
는 제어 에지로부터 오프셋된 시간이며, 데이터 요청이 APS (502) 에 의해 전송되고 획득된 인스턴트이다. 예를 들어, 값은 다양한 디바이스로부터 수집된 데이터를 PU (508) 가 APSCOM (504) 을 통해 APS (502) 에 전달하는 시간을 표현할 수도 있다. 항
Figure 112009080329487-pct00036
는 APS (502) 가 커맨드된 인슐린을 PU (508) 에 전달하는 시간이다. 항
Figure 112009080329487-pct00037
는 권고에 대한 윈도우 및 확인 윈도우가 제어 사이클 주기 (
Figure 112009080329487-pct00038
) 의 시작 시간 (
Figure 112009080329487-pct00039
) 의 에지에 관하여 디스플레이되는 타임 아웃-최대 지속기간이다.
메모리 지속기간
EA (518) 는 ALGO (510) 에 대한 인슐린 권고를 계산하기 위해 과거의 정보 및 현재의 정보를 사용한다. 정보가 필요한 시간의 주기는, 입력의 효과를 클리어하는데 시스템이 얼마나 길게 취하는지에 의존한다. 인슐린 활동 지속기간이
Figure 112009080329487-pct00040
분이면, 수학식 (4) 에 의해 제공된 바와 같이,
[수학식 4]
Figure 112009080329487-pct00041
이고, 여기서, n 은 정보가 유지되는 사이클의 수이다. 미싱된 사이클의 경우를 커버하기 위해, 여러 여분의 제어 사이클이 버퍼로서 또한 필요하다. 이러한 경우에서,
Figure 112009080329487-pct00042
는 예상되는 미싱된 사이클의 최대 수와 n 의 합으로서 정의 된다. ALGO (510) 를 관리하기 위해 필요한 (그리고 충분한) 범위는
Figure 112009080329487-pct00043
사이클에 걸쳐 이력을 유지하는 것이다.
미싱된 사이클
ALGO (510) 는 모든 신규 정보 입력을 프로세싱하고 그 정보를 치료로 변환하는데 책임이 있다. 미싱된 사이클은 ALGO (510) 가 콜되지 않은 제어 사이클 주기이다. 전체 APTS (500) 가 퍼펙트하면, ALGO (510) 는 제어 사이클 주기 (
Figure 112009080329487-pct00044
) 마다 콜된다. 그러나, 콜은 미싱될 수 있다. 콜이 미싱되면, ALGO (510) 는 미싱된 사이클 각각에 대해 반복적으로 실행된다. 이것은, 미싱된 사이클이 발생할 때, 치료는 ALGO (510) 가 콜될 때 까지 보류된다는 것을 의미한다. ALGO (510) 는 미싱된 콜을 검출하고, 현재의 콜을 실행하기 이전에 미싱된 사이클 각각을 통해 스텝 (step) 한다. 이것은, 이벤트가 미싱되지 않거나 중복되지 않고 순차적으로 다루어지는 것을 보장한다. 미싱된 사이클은 다양한 이유로 발생할 수 있다. 동기화는, ALGO (510) 로 패스된 정보가 불일치를 갖지 않는 한 정확하다. 이러한 시나리오를 처리하는데 있어서, ALGO (510) 는 먼저, 콜이 미싱되었는지를 결정한다. 미싱된 콜을 발견하지 못하면, ALGO (510) 는 다양한 EA (518) 모듈을 실행한다. ALGO (510) 가 미싱된 콜을 검출할 때, ALGO (510) 는 먼저, 현재의 콜을 평가하기 이전에 미싱된 콜 모두를 실행한다.
동작의 모드
ALGO (510) 에 의해 지원되는 동작의 모드는, 순수-제어 (Pure-contro) 및 제어된-Obs (Controlled-Obs) 이다. 도 6 을 참조하면, EA (518) 에 대한 동작의 순수-제어 모드 (600) 는 적절한 제어 액션을 제공하기 위해 포도당 측정치를 사용하는 폐루프 시스템이다. ALGO (510) 의 작업은 소정의 목표 포도당 레벨 (601) 에서 포도당을 유지하는 것이다. 제어기 초기화 동안 또는 피험자가 방해될 때 마다, 포도당은 목표 포도당 레벨 (601) 로부터 벗어나는 것으로 예상된다. 순수-제어는 피험자의 상태를 "이해"하기 위해 포도당 측정치 및 전달된 인슐린 정보를 사용한다. 도 6 의 하부 우측에서, 피험자 블록 (602) 이 포도당 센서 (604) 및 인슐린 펌프 (606) 에 접속된다. 이들 디바이스는 점선으로 도시된 휴대용 유닛 (502; 도 5) 의 RF 링크 (608) 를 통해 APS (502) 와 간접적으로 접촉한다. 이벤트 블록 (612) 으로부터 기인하는 점선 (610) 은 공지된 이벤트의 발생을 나타낸다. 이들 이벤트의 정보는 ALGO (510) 에 이용가능하게 이루어진다. 이벤트 핸들러 (614) 는 외부 이벤트 디스크립션 사이의 적절한 매핑을 내부 이벤트 스키마에 제공한다. ALGO (510) 는 커맨드 인슐린 모듈 (616), 고 포도당 조정 모듈 (618), 식사 보상기 모듈 (620), 운동 보상기 (622), 또는 저 포도당 보상기 모듈 (624) 중 적어도 하나를 포함하는, 공지된 방해를 처리하기 위한 적절한 모듈을 트리거한다. 포도당 예측기 (626) 및 기초 제어기 (628) 는 미공지 방해 및 모델링 에러를 처리한다. 제어기의 초기화는 미공지 방해의 경우이다. 제어기는, 실험이 시작할 때, 및 모드가 제어된-Obs 모드 (700) 로부터 순수-제어 모드 (600) 로 스위치할 때 초기 포도당 값을 안정화시켜 야 한다. 이러한 경우에서, 순수-제어 모드 (600) 성능은, 일부 초기 포도당 값으로부터 목표 포도당 값으로 피험자를 평활하게 이르게 하기 위해 과거의 이벤트로부터의 정보의 가용성에 의존한다. 폐루프 버킷 관리 블록 (630) 은 순 인슐린 권고를 결정하고 관리한다. 전달된 인슐린 모듈 (632), 포도당 필터 (634), 및 인슐린 투약 무효화기 (nullifier) (636), 이 아래에 제공된 다음의 섹션에서 논의된다.
순수 제어 모드 (600) 는 혈당 제어를 유지하기 위해 포도당 측정치 및 내부/외부 입력 이벤트를 사용하는 인슐린 권고이다. 건강관리 전문가는 스위치 (638) 를 이러한 모드로 변경하는 인슐린 권고를 수용함으로써 루프를 활발하게 폐쇄한다. 동작의 모드는 개방 루프 HCP-관리된 인슐린 권고와 반 폐루프 ALGO-결정된 인슐린 권고 사이에 차이를 구성한다. 이들 2개의 모드가 건강관리 전문가에 의해 설정되더라도, ALGO (510) 가 제어된-Obs 모드 (700) 에 그 자체를 두는 상황이 존재한다. 이것은, 다음의 조건들, (예를 들어, 실험의 시작에서, 발생한다 해도) 측정 지연으로 인해 포도당 측정치의 비-가용성에 대해 발생하는 bG 조건 없음, 및 최종 이용가능한 포도당 측정 이후의 시간이 허용되는 포도당 소멸 시기 보다 오래된 것을 나타내는 오래된 bG 측정이 충족될 때 발생한다. 이제, 제어된-Obs 모드 (700) 를 도 7 을 참조하여 이하 논의한다.
제어된-Obs 모드 (700) 는 순수-제어 모드 (600) 의 특수한 경우이고, 도 7 에서의 블록도에 의해 도시된다. 사용자 치료는 피험자의 사전-프로그램된 펌프 기초 레이트의 사용을 통해 구현되며 커맨드된 볼루스 이벤트의 사용에 의해 증 대된다. 이것은 개방 루프 제어이며, 치료는 건강관리 전문가 또는 피험자에 의해 수동으로 관리된다. 디스크립션이 순수-제어 모드 (600) 에 대해 제공된 바와 유사하기 때문에, 동일한 엘리먼트는 동일한 심볼로 표시된다. 작용 방식, 포도당 측정치, 인슐린 전달 및 기록된 이벤트는 이력을 유지하고 상태 벡터를 업데이트하기 위해 ALGO (510) 에 의해 주로 사용된다. 그러나, 오직 2개의 이벤트 모듈, 커맨드된 볼루스 모듈 (616) 및 고 포도당 조정 모듈 (618) 만이 이용가능하다. 이들 모듈은 피험자 또는 건강관리 전문가가 치료 및 투여 인슐린 볼리를 관리할 수 있게 한다. 식사 보상기 이벤트 (620), 운동 보상기 이벤트 (622), 및 저 포도당 조정 이벤트 (624) 는 제어된-Obs 모드 (700) 에서 실행되지 않는다. 기초 레이트 제어 (628) 는 프로그램된 펌프 프로파일의 복제 (replication) 이다.
실험적 알고리즘 콜
실험적 알고리즘 (EA; 518) 은 모듈의 그룹으로서 구성된다. 각 모듈은 치료 권고의 양태를 처리한다. 도 8 및 도 9 는, 본 발명의 실시형태에 따른 실행의 순서 및 모든 모듈을 나타내는 EA (518) 의 플로우차트이다. 이것은 단지 예시를 위해 제공되며 적절한 실시형태에서 다수의 방식으로 순서화될 수 있다. 도 8 및 도 9 에서의 원에 도시된 포인트 (9X 및 9Y) 는 형상 사이의 링크이다. 각 모듈은 최종 치료 권고에 기여하는 독립적 행위로서 구성된다. 그래서, 각 모듈은 효과의 중첩으로서 보여질 수 있다. 모듈 각각을 코드화하는 문자 (A-E) 는 모델 그룹을 나타내고, 이들 각각의 범례에 따라 구성 정보를 제공한다. 모듈 그룹 및 관련 문자는 "A" - 코어 제어 액션 (혈당 제어를 제공하는 것이 중심), "B" - 관리 및 하우스키핑 (상위 레벨), "C" - 모니터링 및 상태 통지, "D" - 정정 액션, 및 "E" - 주요 이벤트 처리이다. 이들 모듈 그룹 각각에 대한 일반적 논의가 이하 제공된다.
코어 제어 액션
혈당 제어를 제공하는 것이 중심이 되는 코어 제어 액션을 위한 모듈은, 프로세스 센서 데이터 (806), 인슐린 셋 포인트 (804), 포도당 예측 (838), 인슐린 권고 모듈 (846), 운동 보상기 (822), 속효성 탄수화물 섭취 (824), 식사 보상기 (840), 및 개방 루프 기초 구현 로직 (850) 이다. 프로세스 센서 데이터 (806) 는 이용가능한 측정된 포도당 값으로부터 포도당 값을 결정하기 위한 전략을 포함한다. 인슐린 셋 포인트 (804) 는 목표 기초 포도당을 유지하기 위해 사용된 인슐린 주입 레이트이다. 포도당 예측 (838) 은 최종 아려진 포도당 측정 값으로부터 제어 사이클 동안 포도당 값을 예측한다. 인슐린 권고 모듈 (846) 은 기초 포도당을 유지하기 위해 인슐린 투약을 계산한다. 운동 보상기 (822) 는 증가된 물리적 활동 레벨을 처리한다. 속효성 탄수화물 섭취 (824) 는 예상되는 포도당 강하를 보상하기 위해 속효성 탄수화물의 섭취를 처리한다. 식사 보상기 (840) 는 식사 이벤트에 대한 인슐린 볼리 분배를 계산한다. 개방 루프 기초 구현 (850) 은 개방 루프 제어기 제어-obs (700; 도 7) 동안 기초 인슐린을 구현한다.
관리 및 하우스키핑 (상위 레벨)
ALGO (510) 의 상위 레벨에서, 작용은 관리 및 하우스키핑 관련 이슈이다. 관리 및 하우스키핑 모듈은, 초기화/준비 (800), 미싱된 사이클 처리 (801), 이벤트 매핑 (802), 인슐린 버킷 (848), 및 인슐린 무효화 (836) 이다. 초기화/준비 모듈 (800) 은 과거, 현재 및 장래 정보 (ALGO 메모리) 를 관리하는 ALGO 상태 벡터이다. 이전의 섹션에서 상술된 미싱된 사이클 처리 모듈 (801) 은 어떤 이유로 스킵된 ALGO 콜 또는 APTS 의 재시작을 처리한다. 이벤트 매핑 (802) 은 외부 이벤트 세트를 내부 이벤트 세트에 매핑한다. 인슐린 버킷 (848) 은 버킷을 채우고 비우기 위한 컴포넌트로서 다양한 모듈로부터의 인슐린 권고를 관리한다. 인슐린 무효화 (836) 는 최종 인슐린 전달로부터의 제어 액션의 피드-포워드 기간으로부터 오는 임의의 인슐린 컴포넌트를 취소한다. 내부 볼루스 관리 (844) 는 식사 이벤트로부터 발생하는 피드 포워드 볼루스를 전달한다.
모니터링 및 상태 통지
상태를 모니터링하고 통지하는 모듈은, 신규 포도당 측정 값의 가용성을 트랙킹하는 포도당 업데이트 (808) 이다. 오래된 포도당 (814) 은 새로운 포도당 값이 필요한지를 사용자에게 통지한다. 셀프-볼루스 (810) 는 셀프-볼루스 커맨드에 의해 임의의 인슐린 불일치를 설명한다. 포도당 없음 경고는, 이전의 섹션에서 상술한 바와 같이 PU (502; 도 5) 가 응답이 없고, 감시장치 회로가 타이머 카운트 다운을 시작해야 한다는 것을 사용자에게 권고하는 안전 장치이다. 식사 권고 (842) 는 사용자에게 먹기 시작할 것을 통지한다.
정정 액션
정정 액션을 위한 모듈은, 탄수화물 정류 (834), 고-포도당 조정 (832), 저-포도당 조정 (826), 식사 포도당 존 (820), 및 불일치 관리 (818) 이다. 탄수화물 정류 (834) 는 이전에 입력된 식사 이벤트 (탄수화물 값) 재처리하고, 인슐린 전달이 이에 따라 정정된다. 고-포도당 조정 (832) 은 인슐린 전달에 의해 고 포도당 레벨을 정정한다. 저-포도당 조정 (826) 은 속효성 탄수화물의 섭취에 의해 저 포도당 레벨을 정정한다. 식사 포도당 존 (820) 은 선 보다는 대역으로서 포도당 목표를 정의한다. 불일치 관리 (818) 는, 커맨드된 인슐린 대 전달된 인슐린 사이의 불일치가 식별될 때 인슐린 버킷을 관리한다.
주요 이벤트 핸들러
주요 이벤트를 처리하는 모듈은, 준비 운동 (828), 및 커맨드된 볼루스 (830) 이다. 준비 운동 (828) 은 운동 제어기의 예상하에서 기초 요구를 재처리하고, 특정 운동의 개시시에 제어기에 통지한다. 커맨드된 볼루스 (830) 는 추가의 인슐린 볼루스를 요청한다. EA (518) 의 상기 모듈 설명이 특정한 모듈에 대해 본질적으로 일반적이지만, 이러한 모듈에 대한 더욱 상세한 논의가 이하 제공된다.
이벤트 매핑
초기화 및 준비 모듈과 미싱된 사이클 처리 모듈 (800 및 801) 의 구동 이후에, ALGO (510) 는 APS (502) 에 의해 수신된 이벤트를 통해 외부 방해 정보를 획득하기 위해 이벤트 매핑 모듈 (802) 을 구동한다. 예를 들어, 일 실시형태에서, 외부 이벤트는 사용자 선택을 위해 APTS (500) 의 사용자 인터페이스 (512) 에 서의 드롭-다운(drop-down) 리스트에 디스플레이된다. ALGO (510) 는 ALGO 자체에 특정된 이벤트에 대해 동작한다. 이들은 내부 이벤트라 부른다. 사용자에 의해 선택된 각 외부 이벤트는 많아야 하나의 내부 이벤트에 매핑된다. 외부 이벤트에는 종단 사용자가 관련되는 디스크립터가 제공되고/되거나 이들은 선택될 때 ALGO 액션을 트리거한다. 이들 디스크립터는 사용자-특정일 수 있으며, 다중 언어를 지원할 수 있다.
일 실시형태에서, 동일한 내부 이벤트에 관한 다중 외부 이벤트 디스크립터가 존재할 수 있다. 예를 들어, "셀프-볼루스" 및 "프라이밍 (priming) 볼루스" 는 개별 외부 이벤트 디스크립터이지만, 이들 이벤트 모두는 내부적으로, 동일한 내부 이벤트 타입 (셀프-볼루스라 칭함) 을 포인트한다. 따라서, 동일한 내부 이벤트를 포인트하는 다중 외부 이벤트를 갖는 것이 가능하다 (다 대 일). 표 3 은 ALGO (510) 가 작용하는 기능적 내부 이벤트를 리스트한다.
표 3 : EA 에 대한 기능적 내부 이벤트
Figure 112009080329487-pct00045
Figure 112009080329487-pct00046
인슐린 셋 포인트
다음으로, EA (518) 는 인슐린 셋 포인트 모듈 (804) 을 구동한다. 이러한 모듈 (804) 에 대해, 기초 인슐린 레이트 (즉, 포도당 값을 유지하기 위해 사용된 인슐린 주입 레이트) 는 일상에 대해 일반적으로 정의되는 기초 프로파일이다. 그러나, 피험자의 생활양식에 의해 보여지고 ALGO (510) 를 구동하기 위해 사용되는 일상은 매우 다르다. 예를 들어, 그리고 여기에 사용되는 바와 같이, 개의 종류의 기초 인슐린 프로파일, (a) 펌프-프로파일, 및 (b) ALGO 정의된 프로파일이 있다. 펌프 프로파일에 대해, 기초 레이트는 하루에 걸쳐 변화한다. 사전-프로그램된 레이트는 식사 및 다른 통상의 이벤트의 일부를 커버하기 위한 인슐린을 포함할 수도 있다. 정의된 프로파일은 사용자-맞춤형이고 피험자의 매일의 스케줄 및 생활양식에 커스터마이징된다. ALGO 정의된 프로파일에 대해, 이 프로파일은 식사 및 운동과 같은 이벤트를 관리하기 위해 필요한 볼리를 분석하고 제거한 이후에 결정된다. ALGO 정의된 프로파일을 결정하기 위해, EA (518) 는 신규 피험자에 대한 집중 데이터 모니터링을 사용한다. 실험을 경험한 피험자에 대해, 이러한 임상 데이터는 ALGO 정의된 프로파일을 결정하기 위해 사용된다. 이들은 실험 프로토콜 및 라벨 (ravel) 및 언라벨 (unravel) 툴과 같은 지원 툴을 통해 결정된다. 이렇게 결정된 추출 기초 레이트는 이벤트 관련 인슐 린 투약에 독립적이다. 이러한 ALGO 정의된 프로파일은 기초 세트로서 세이브된다.
기초 세트는 피험자 초기화 파일 (즉, 피험자-ini 파일) 에 의해 정의되는 3-컬럼 어레이 매트릭스로서 나타난다. 이것은 시간, 기초 레이트, 및 기초 포도당을 포함한다. 표 4 는 피험자의 초기화 파일에서의 기초 세트의 예이다.
표 4 : 기초 세트 예
Figure 112009080329487-pct00047
기초 레이트는 목표 포도당 값 및 시각 모두의 함수이다. 매일의 기초 레이트 프로파일은 시간
Figure 112009080329487-pct00048
에 대해 U/hr 에서 인슐린의 고정된 흐름 레이트로서 정의된다. 시간
Figure 112009080329487-pct00049
은 자정으로부터 분 단위로 정의되며, 인슐린 프로파일은 시간에 따라 상승하는 순서로 배열된다. 고정된 흐름 레이트는, 인슐린 흐름 레이트의 다음 세트가 도달될 때 까지 구현된다. 기초 레이트 프로파일은 각 24 시간 시간 주기에 걸쳐 자체 반복한다. 기초 인슐린 레이트는 목표 포도당의 메인터넌스에 필수이다. 제공된 인슐린 레이트 및 대응하는 포도당 값은 소정의 목표 포도당 값을 유지하는데 필요한 인슐린 레이트를 결정한다. 인슐린 레이트가 목표 포도당의 선형 함수이고, 수학식 (5) 에 따른 바와 같이 제공된다는 것이 가정되고,
[수학식 5]
Figure 112009080329487-pct00050
여기서,
Figure 112009080329487-pct00051
는 목표 포도당 값이고,
Figure 112009080329487-pct00052
는
Figure 112009080329487-pct00053
의 포도당 값을 유지하기 위한 인슐린 레이트이고,
Figure 112009080329487-pct00054
은 소정의 시각에 대해 기초 세트에서 정의된 포도당 값이고,
Figure 112009080329487-pct00055
는
Figure 112009080329487-pct00056
의 포도당 값을 유지하기 위해 필요한 인슐린 레이트이며,
Figure 112009080329487-pct00057
는 포도당 변화 당 인슐린 레이트이다. 예를 들어, 도 10 은 상기 셋 포인트 관계를 그래프적으로 도시한다. 특히, 도 10 에서의 선 X 는
Figure 112009080329487-pct00058
가 상수로서 정의될 때 포도당 셋 포인트의 함수로서 정오에서의 기초 인슐린 레이트를 나타낸다. 라인 Y 는 자정이지만 더 낮은 셋 포인트 (0.8 대 1.3) 에서의 기초 인슐린 레이트에 대해 동일한 것을 유사하게 나타낸다. 그러나, 이러한 인슐린-포도당 관계를 나타내기 위해 경사는 과장되었으며, 단지 예시적인 예이다.
프로세스 센서 데이터
인슐린 셋 포인트 모듈 (804) 을 통해 구동한 이후에, EA (518) 는 이제 프로세스 센서 데이터 모듈 (806) 을 콜하기 위해 진행한다. 데이터는 프로세스 센서 데이터 모듈 (806) 에 의해 예를 들어, 포도당 센서 (604; 도 7) 와 같은 센서로부터 수집되며, 미가공 (raw) 데이터로서 분류된다. 센서 상태에 따라, 미 가공 데이터는 포도당 값 및 측정 시간을 결정하기 위해 프로세싱되고 분석된다. 예를 들어, 프로세스는 가장 신뢰가능하고 정확한 포도당 값을 결정하기 위해 센서 상태 및 제 2 센서와 같은 다른 정보, 및 과거 및 현재의 데이터 세트로부터 아웃라이어 (outlier) 를 제거해야 한다. 2개의 프로세싱 함수 중 하나는 미가공 데이터가 제공된 센서의 타입에 의존하여 사용한다.
제 1 프로세싱 함수는 가장 최근에 입력된 포도당 데이터 포인트를 찾고 사용한다. 이 함수는, 포도당 값(들)의 세트를 성공적으로 위치시키거나 포도당 데이터를 다 소모할 때 까지 각 제어 사이클을 통해 역방향으로 진행함으로써 제어 사이클 동안 이용가능한 임의의 포도당 데이터를 탐색한다. 포도당 데이터 세트가 비어있으면, 비어 있는 포도당 벡터가 리턴된다. 비어 있지 않는 포도당 세트를 결정할 때, 길이의 시간 윈도우 (
Figure 112009080329487-pct00059
) 는
Figure 112009080329487-pct00060
로서 정의된다. 포도당 값(들)의 평균,
Figure 112009080329487-pct00061
이 보고된다. K 번째 인덱스에서의 포도당 값은 k 번째 사이클에 대한 것이다. 할당된 포당 시간 스탬프
Figure 112009080329487-pct00062
는 선택된 제어 사이클에 대한 종료 시간이다. 도 11 은 상기 변수들을 사용하는 제 1 프로세싱 함수에 대한 시간 간격의 선택을 그래프적으로 도시한다.
제 2 프로세싱 함수는, 현재의 포도당 센서의 동작 특징이 예를 들어, 피하의 연속 포도당 모니터에 의해 데이터 범위를 제공할 때 사용된다. 이러한 예에서, 데이터 범위는 20 mg/dL 의 하한, 및 450 mg/dL 의 상한을 갖는다. 이러 한 예에서, 다른 가능한 포도당 레이트 제한이 특정되지 않는다. 일 실시형태에서, 센서는 데이터에 제로 값을 할당함으로써 범위 외부의 무효 포도당 데이터를 기록한다. 이와 같이, 이들 무효 포도당 값 (
Figure 112009080329487-pct00063
) 은 프로세스 센서 데이터 모듈 (806) 에 의해 미가공 데이터로부터 스트립되고, 임의의 정량 분석에 포함되지 않는다. 일 실시형태에서, 사용자에게 상한 및 하한을 경고하기 위해 팝업 메시지가 디스플레이된다.
EA 에 대한 포도당 값을 계산할 때, 프라이머리 센서 데이터만이 고려된다. 최근의 이용가능한 포도당 값(들)이 선택된다. 길이의 시간 윈도우 (
Figure 112009080329487-pct00064
) 는
Figure 112009080329487-pct00065
로서 정의된다. 선택된 윈도우에 걸쳐 이용가능한 포도당 값이 선택되고, 중앙값 (median) 이 선택된다 (
Figure 112009080329487-pct00066
). K 번째 인덱스에서의 포도당 값은 k 번째 사이클에 대한 것이다. 시간의 중앙값이 계산되고,
Figure 112009080329487-pct00067
으로서 리턴된다. 중앙값 시간
Figure 112009080329487-pct00068
은 필요한 위치에서 EA (518) 에 의해 가장 가까운 제어 사이클 에지에 라운드된다. 도 12 는 제 2 프로세싱 함수에 대한 시간 간격의 선택을 도시한다.
포도당 업데이트
미가공 데이터를 수집하고 프로세싱한 이후에, EA (518) 는 포도당 업데이트 모듈 (808) 의 콜을 진행한다. 포도당 업데이트는 포도당 가용성의 양태 및 ALGO (510) 의 내부 작용에 대한 암시를 설명한다. 이것은 ALGO (510) 외부의 종단-사용자와 직접적으로 관련되지 않는다. 최근의 포도당 값을 얻는 것은 혈당 제어를 유지하는데 매우 중요하다. 센서 지연 및/또는 센서 실패로 인해, 포도당 예측기는 현재의 포도당의 추정치를 얻을 필요가 있다. 센서가 신규한 포도당 값을 제공할 때, 인슐린 권고 모듈 (846) 은 최근의 측정된 포도당을 사용하여 포도당 예측을 재처리한다. 그러나, 신규한 포도당 정보의 부재시에, 제어 사이클 동안 결정된 예측 포도당이 현재 사이클 동안 포당을 예측하기 위해 대신 사용된다. 이러한 경우에서, 상태 정보가 최종 사이클로부터 포도당을 예측하는 현재의 신규 사이클로 순방향 스텝하도록 효율적으로 사용된다. 따라서, 포도당 업데이트 모듈 (808) 은, 포도당 측정치의 신규 세트가 이용가능한지 여부, 및 최종 예측된 포도당을 사용하고 계속할지를 식별한다.
셀프-볼루스
그 후, EA (518) 는 셀프-볼루스 커맨드에 관하여 펌프로부터의 정보에 액세스함으로써 임의의 인슐린 불일치를 설명하기 위해 셀프-볼루스 모듈 (810) 을 콜한다. 예를 들어, 배터리 교체, 인슐린 튜브의 교체, 또는 사용자가 볼루스의 수동 커맨드를 원하는 것과 같은 인슐린 펌프에 대한 물리적 액세스가 왜 필요한지의 여러 이유가 존재한다. 이것의 일 양태는, 임의의 수동 커맨드된 볼루스는 순 인슐린 전달된 기간에서의 각 제어 사이클의 시작에서 보여진다. ALGO (510) 가 수동으로 커맨드된 볼루스를 권고하지 않기 때문에, EA (518) 는 이러한 볼루스는 투약 과잉공급으로서 고려한다. 그 후, 결정된 인슐린의 과잉공급은 장래의 제어 액션 동안 피드백에 의해 조정되고 설명된다. 이러한 경우를 시스템적으로 처리하기 위해, 셀프-볼루스 이벤트는 수동 볼루스 액션 이전에 트리거되어야 한다. 그 후, ALGO (510) 는 입력된 셀프-볼루스 양과 동일한 과잉공급 양을 예상한다. 이러한 이벤트를 사용하는 것은 또한, 모든 수동 볼리가 적절하게 설명되는 것을 보장한다. 미정의 볼루스는 커맨드된 볼루스로부터의 나머지이다. 미정의 볼루스는 셀프-볼루스 양이 해결되어야 하는 유한 시간 윈도우를 갖는다. 이 양은 투약 과잉공급으로 해결되고, 그렇지 않으면 미정의 볼루스 (즉, 셀프-볼루스 양의 밸런스) 는 제로로 설정된다. 유한 지속기간으로 이벤트를 제한하는 다른 이유는, 사용자가 과잉공급의 테스트 스탠드 (test stand) 를 통지하지만 펌프로부터 볼루스를 커맨드하지 않는 경우에 안정성 경계로서 메모리를 클리어하는 것이다. 포도당 없음 경고 메시지가, 미정의 셀프-볼루스 양을 제로로 설정하기 이전에 포도당 없음 권고 모듈 (812) 에 의해 사용자에게 디스플레이된다.
오래된 포도당 측정
미가공 데이터를 수집하고 프로세싱하며, 해당된다면 경고를 전송한 이후에, EA (518) 는 오래된 포도당 모듈 (814) 의 콜을 진행한다. 포도당 예측기의 정확성 및 신뢰도는 예측의 길이가 증가할 때 열화된다. 수신된 최종 포도당 값이 특정한 지정 시간 윈도우 보다 오래되면, ALGO (510) 는 안전성 경계로서 개방 루프 제어된 Obs 모드 (700; 도 7) 를 실시하고 사전프로그램된 기초 제어를 구현한다. 제어된-Obs 모드 (700) 에서 작용함으로써, 치료는 인슐린 펌프의 기초 프로파일로 프로그램된 것에 제한되며, 필요하면, 노출된 기능의 서브세트에 의해 증대된다. 오래된 포도당 모듈 (814) 의 작업은 팝업 메시지에 의해 계류중인 오래된 포도당 상태에 관한 정보를 제공하는 것이다. 오래된 포도당 상태가 도달될 때, 오래된 포도당 모듈 (814) 은 제어된-Obs 모드 (700) 를 실시하기 위해 적절한 플래그를 스위치한다. 신규한 프라이머리 포도당 측정치를 제공하는 것은 시뮬레이션을 정정한다. 따라서, 오래된 포도당은 포도당 예측이 더 이상 유효하지 않고 제어기에게 제어된-Obs 모드 (700) 를 강제한다는 것을 나타낸다.
오래된 포도당 모듈 (814) 에 의해 아래의 경고, 오퍼레이터 사전-경고, 오퍼레이터 경고, 및 오래된 포도당 측정치가 제공된다. 오퍼레이터 사전-경고에 대해, 사용자에게는 로그 윈도우에 의해 계류중인 만료가 사전 경고된다. 만료 이전의 카운트 다운 경고 사이클에서, 사용자에게는 만료 기간 이전에 n 분이 남아 있다는 것이 반복적으로 통지된다. 또한, 아래의 메시지, "경고 : 포도당이 곧 오래될 것이다. 현재의 포도당을 입력하시오" 가 나타난다. 오퍼레이터 경고에 대해, 팝업 메시지가 최종 만료 기간에 대해 및 그 후, 신규한 포도당 측정치가 수신될 때 까지 사이클 마다에 대해 강제된다. 이러한 메시지, 즉, "경고 : 포도당이 다음 사이클에서 오래될 것이다. 현재의 포도당을 입력하시오" 가 나타난다. 오래된 포도당 측정을 위해, 오래된 포도당 조건 동안, ALGO (510) 는 ALGO (510) 가 폐루프 순수-제어 모드 (600) 에 있으면 그 자신을 개방 루프 제어된-Obs 모드 (700) 로 강제하며, 사용자의 기초 인슐린 프로파일을 구현한다. 또한, 이러한 메시지, 즉, "경고 : 포도당 오래됨. 제어 Obs 구동! 현재의 포도당을 입력 하시오" 가 나타난다. 다음으로, EA (518) 는, 프로세스 플로우 포인트 (816) 에서 계속하기 위해 수집되고 프로세싱된 데이터에 bG 측정이 충분히 존재하는지 알아보기 위해 체크한다. 그렇지 않으면, EA 는 나중의 섹션에서 논의하는 프로세스 플로우 포인트 (850) 로 진행한다. 그러한 경우에, EA (518) 는 불일치 관리 모듈 (818) 을 계속한다.
예상 결과와 실제 결과 사이의 불일치 관리
불일치 관리 모듈 (818) 은, EA (518) 에 의해 결정된 커맨드된 인슐린이 펌프로부터 분배된 인슐린과 다른지를 알아보기 위해 체크한다. 그러한 경우에, EA (518) 는 이것을 커맨드된 인슐린 불일치로서 플래그하고, 사용자 인터페이스 (512; 도 5) 상에서 사용자에게 통지를 제공한다. 그 후, 커맨드된 인슐린과 전달된 인슐린 사이의 불일치는, 불일치의 원인이 APTS (500) (예를 들어, 실패 인슐린 펌프) 와 독립적일 수도 있기 때문에 사용자 및/또는 건강관리 전문가에 의해 해결될 필요가 있다.
식사 포도당 존
그 후, EA (518) 는 식사 포도당 존 모듈 (820) 로 진행한다. 이러한 포인트에서, 식사 포도당 존 모듈 (820) 은 포도당 목표를 선 보다는 대역으로서 단순히 설정한다. 이러한 대역은 기초 제어기 (328; 도 6) 에 의해 사용되는 셋포인트 (603) 를 또한 제공하는 목표 (601) 로서 폐루프 순수-제어 모드 (600) 에서 ALGO (510) 에 의해 사용된다. 액션 입력으로서 기초 제어기 (628) 에 의해 사용된 포도당 예측기 (626) 는 식사로 인한 포도당 변화를 설명하지 않는다는 것 을 이해할 것이다. 대신에 식사는, 소정의 인슐린 투약 분배에 의해 커버된다. 이러한 인슐린 투약 분배는, 최소의 언더슈트 (undershoot) 로 가능한 한 빨리 목표 포도당 레벨에 포도당을 이르게 하고, 포도당 상승을 최상으로 최소화하도록 결정된다. 식사 섭취에 대한 포도당 상승은 완벽하게 제거되지 않는다. 이것은, 피크 인슐린 액션에서 약 30-60 분의 지연이 존재하기 때문에 예상된다. 획득된 인슐린 투약량은 식사로 인한 포도당 상승을 최소화하도록 최적화된다. 따라서, 식사 관련 목표 포도당 존의 대역은, 상위 및 하위 포도당 경계에 의해 바운드된 영역으로서 식사 이벤트 주위에 정의된다. 정의된 목표 존에 대하여, 도 13 은 4개의 다른 시나리오, (a) 포도당 존 내, (b) 포도당 존 초과, (c) 포도당 존 미만, 및 (d) 신규한 포도당 값 없음을 도시한다.
(a) 포도당 존 내
예측된 포도당 값이 포도당 존 경계내에 있으면, 피험자의 포도당은 허용가능한 한계내에서 고려된다. 이러한 경우에서 기초 제어기 (328) 는 혈당 제어를 유지하기 위해 기초 인슐린만을 필요로 한다.
(b) 포도당 존 초과
예측된 포도당 값이 상위 포도당 경계 위에 있으면, 피험자는 인슐린이 부족-전달된 것으로 고려된다. 기초 제어기 (628) 는 상위 포도당 경계에 대하여 포도당에서의 편차를 계산한다. 기초 제어기 (628) 의 액션은 이러한 편차를 설명하고, 이러한 원인불명의 상승을 억제한다.
(c) 포도당 존 미만
예측된 포도당이 하위 포도당 경계 아래 있으면, 피험자는 인슐린이 과잉-전달된 것으로서 고려된다. 기초 제어기 (628) 는 하위 포도당 경계에 대하여 포도당에서의 편차를 계산한다. 기초 제어기 (628) 의 액션은 이러한 편차를 설명하고, 이러한 원인불명의 하강을 억제한다.
(d) 포도당 업데이트 없음
목표 존이 예상된 식사 관련 반응의 상승 및 하강을 커버한다. 포도당이 업데이트되지 않을 때 특수한 경우가 발생한다. 포도당 측정에 대한 업데이트가 없으면, 현재의 제어 사이클 (
Figure 112009080329487-pct00069
) 에 대한 예측된 포도당은 포도당에서의 식사 관련 상승 또는 하강을 설명하지 않는 포도당 값이다. 그러나, 목표 존 경계는 시간의 함수이다. 이것은 일반적으로, 예측된 포도당은 식사를 거부할 때 더 낮고, 식사를 다 할 때 더 높다는 것을 의미한다. 이러한 효과는 식사 존 경계의 상승 및 하강으로 강조된다. EA (518) 는, 최종 수신된 포도당 측정치와 최종 사용된 경계 제한을 홀딩함으로써 이러한 경우를 처리한다. 이들 상위 및 하위 목표 값은, 신규한 측정치가 제공될 때 까지 모든 장래의 제어 사이클에 대해 홀딩되어 고정된다. 이것은 문제점을 어느 정도 경감시킨다.
준비 운동 및 운동
다음으로, EA (518) 는 환자가 운동 모듈 (822) 을 통해 운동에 관여되는지를 평가한다. 물리적 활동의 증가된 레벨로, 에너지를 서스테인하기 위한 요건이 또한 증가한다. 에너지의 소스인 포도당은 증가된 활동을 지원하기 위해 더 높은 레이트로 사용된다. 이와 같이, 생리학적 행위의 3개의 가정이 아래와 같 이 이루어진다. 제 1 가정은, 운동의 시작시에, 포도당 레벨에서의 강하가 존재한다는 것이다. 제 2 가정은, 물리적 운동의 시작과 종료 이후에 시작 및 종료의 대략 10 분에 포도당 강하가 급속하다는 것이다. 최종 가정은, 물리적 활동 레벨이 정상으로 떨어지면, 포도당이 근육과 간에 글리코겐으로서 저장되기 때문에 예상된 회복 단계가 존재한다는 것이다. 따라서, 운동은 운동 및 준비 운동 모듈 (822 및 828) 각각에 의한 스테이지에서 처리된다.
EA (518) 가 프로세스 플로우에서 나중에 콜하는 준비 운동 모듈 (828) 은, 포도당 레벨이 운동 동안 안전하게 강하할 수 있도록 포도당 셋 포인트를 증가시킴으로써 운동을 예상하고 포도당을 높인다. 이와 같이, 운동을 처리하기 위해 사전 결정된 통상의 치료는 운동을 예상하고 기초 인슐린을 줄이는 것이다. 포도당에 대한 인슐린을 낮추는 효과는 인슐린의 약동학에 의존한다. 그 후, 낮은 기초 인슐린 레벨이 운동의 지속기간 동안 유지된다. 또한, 포도당 레벨이 운동의 시작에서 충분히 상승되지 않으면, 피험자는 속효성 탄수화물을 소모함으로써 포도당 레벨을 관리할 수 있다. 이것은 포도당 레벨이 급속하게 상승하게 한다.
피험자는 사용자 인터페이스 (512; 도 5) 상에 제공된 리스트로부터 활동 및/또는 활동 레벨을 선택함으로써 준비 운동 이벤트를 트리거하여 운동을 준비한다. 선택된 활동 및/또는 활동 레벨은 대응하는 예상된 포도당 강하를 갖는다. 운동 이벤트가 트리거될 때 까지, 목표 포도당에서의 변화는,
[수학식 6]
Figure 112009080329487-pct00070
에 의해 제공되고, 여기서,
Figure 112009080329487-pct00071
는 목표 포도당 값에서의 변화이고,
Figure 112009080329487-pct00072
는 운동에 대해, 운동이 포도당에서의 강하를 초래하기 때문에 값이 네거티브인 포도당 농도에서의 예상된 푸쉬 (push) (상승) 이다. 따라서, 목표 포도당 (즉, 목표 (601)) 는,
[수학식 7]
Figure 112009080329487-pct00073
에 의해 제공된다.
다시, 운동 활동을 시작하면, 몸은 적은 인슐린을 필요로 하고, 운동의 지속기간 동안 낮은 기초 인슐린 요구를 유지할 수도 있다. 운동의 완료시에, 감소된 기초는 일부 소정의 점진적 방식으로 정상 기초 세팅으로 돌아간다.
운동이 개시된 이후에, 운동 주기 모듈 (822) 은 운동의 지속기간 동안 포도당 강하를 프로젝트한다. 운동 이벤트가 트리거될 때, 준비 운동은 턴 오프된다. 기초 상태는 운동 이벤트의 시작에서 재평가된다. 준비 운동이 포도당 레벨을 소망하는 양으로 상승시키지 않으면, 피험자는 속효성 탄수화물을 소모하여 그 상승을 보충하기 위해 사용자 인터페이스 (512; 도 5) 상에서 ALGO (510) 에 의해 프롬프트된다. 포도당 푸쉬 벡터는 (이하 "속효성 탄수화물" 이란 명칭의 섹션에서 설명하는 바와 같이) 속효성 탄수화물의 소모로 인해 컴포넌트를 얻는다. 물리적 활동으로 야기되는 예상된 포도당 강하는,
[수학식 8]
Figure 112009080329487-pct00074
과 같이 수학식 (8) 에 따라 표현되고, 여기서
Figure 112009080329487-pct00075
는 필요한 기초 인슐린 (즉, 포도당 푸쉬) 를 계산하기 위해 사용된다.
Figure 112009080329487-pct00076
는 운동에 대해 네거티브 값이다. 운동 및 속효성 탄수화물의 효과는 정규 포도당 상승 응답 커브에서 반대 방향으로 이동하는 포도당 푸쉬 벡터로서 모델링된다.
운동 이후에, 운동 모듈 (822) 은 기초 세트 요건에 따라 기초 레이트를 점진적으로 정규화하는 운동 회복 주기를 제공한다. 이러한 구현에서, 운동의 지속기간은 벡터
Figure 112009080329487-pct00077
에서 사전 정의된다. 운동이 오버되면, 운동으로 인한 포도당 푸쉬
Figure 112009080329487-pct00078
는 0 이 된다.
Figure 112009080329487-pct00079
= 회복 팩터, 및
Figure 112009080329487-pct00080
= 분 단위에서의 회복 지속기간을 사용함으로써 불연속이 평활화된다. 기초 세트로부터의 인슐린 기초 레이트가
Figure 112009080329487-pct00081
에 의해 제공되면,
[수학식 9]
Figure 112009080329487-pct00082
를 사용하여 결정될 수 있으며, 여기서,
Figure 112009080329487-pct00083
는 운동이 완료된 시간이며, t 는 현재의 시간이다.
속효성 탄수화물
운동 모듈 (822) 의 완료 이후에, EA (518) 는 사용자 인터페이스 (512; 도 5) 상에 환자에 의해 표시되면 속효성 탄수화물의 섭취로 인해 포도당 푸쉬 벡터에 대한 업데이트를 제공하기 위해 속효성 탄수화물 모듈 (824) 을 콜한다. 포도당 푸쉬 벡터
Figure 112009080329487-pct00084
는 예상된 포도당 푸쉬 프로파일 및 상대적 포도당 푸쉬 프로파일을 사용하여 분석된다. 예상된 포도당 푸쉬 프로파일은 사전 정의된 포도당 푸쉬 벡터이며, 탄수화물 섭취의 그램 마다 및 mg/dL 상승 마다 정규화된다. 상대적 포도당 푸쉬 벡터는 정규화된 푸쉬 벡터
Figure 112009080329487-pct00085
,
Figure 112009080329487-pct00086
에서 소모된 속효성 탄수화물의 양, 및 탄수화물의 그램 당 예상된 포도당 상승
Figure 112009080329487-pct00087
의 프로덕트이다. 따라서, 포도당 푸쉬 벡터는,
[수학식 10]
Figure 112009080329487-pct00088
에 의해 설명되고 결정될 수 있다.
저-포도당 조정
다음으로, EA (518) 는 포도당 값의 상승을 보증하는 조건을 정의함으로써 사용자 안전을 유지하는 저 포도당 조정 모듈 (826) 을 콜한다. ALGO (510) 가 적시의 방식으로 수용가능한 혈당 경계 이상으로 포도당 레벨의 유지를 실패할 때 와 같은 저 포도당 상태에서, EA (518) 는 이러한 모듈로부터 제공된 정보에 기초하여 조정할 것이다. 이러한 조정의 목적은, 속효성 탄수화물의 섭취에 의해 피험자를 정상 혈당 범위로 되돌리는 것이다. EA 가 여전히 활성이면, ALGO (510) 는 측정된 포도당에서의 증가를 확인하고, 추가의 인슐린을 권고함으로써 이러한 포도당 푸쉬를 잠재적으로 상쇄한다. 그러나, 저 포도당 조정 모듈 (826) 은 더욱 보전적인 인슐린 권고로 포도당이 상승하는 것을 허용한다.
일 실시형태에서,
Figure 112009080329487-pct00089
는 포도당 레벨을 낮추는데 필요한 속효성 탄수화물의 양으로서 정의된다. 그 후, 예상된 포도당 푸쉬는,
[수학식 11]
Figure 112009080329487-pct00090
에 의해 제공되고, 여기서,
Figure 112009080329487-pct00091
는 속효성 탄수화물의 섭취로 인한 포도당 푸쉬이고,
Figure 112009080329487-pct00092
는 저 포도당 조정을 위한 속효성 탄수화물의 양이고,
Figure 112009080329487-pct00093
는 탄수화물의 그램 당 포도당의 상승이다. 도 14 는 속효성 탄수화물 섭취에 대한 포도당 푸쉬를 그래프적으로 도시한다. 예상된 상승
Figure 112009080329487-pct00094
과 동일한 양 만큼 포도당 셋 포인트
Figure 112009080329487-pct00095
를 변경함으로써, ALGO (510) 는 속효성 탄수화물의 섭취로 기인되는 상승을 상쇄하지 않는다. 셋 포인트 푸쉬는
Figure 112009080329487-pct00096
와 선형적으 로 감소하는 이득 항
Figure 112009080329487-pct00097
의 프로덕트로서 정의되며,
[수학식 12]
Figure 112009080329487-pct00098
에 의해 제공된다.
따라서, 셋 포인트는,
[수학식 13]
Figure 112009080329487-pct00099
에 따라 제공된다.
도 15 는 시간에 걸친 상대적 셋 포인트 변화를 그래프적으로 도시한다. 포도당이 충분히 빠르게 상승하지 않을 때 다중 저-포도당 조정이 발생할 수 있다는 것이 가능하다. 이것은 또한, 다중의 저-포도당 조정 이벤트로 인해
Figure 112009080329487-pct00100
의 강화에 도달한다. 효과를 추가하는 대신에 저-포도당 조정은, 현재의 저-포도당 조정 이벤트에 대해
Figure 112009080329487-pct00101
를 가산하기 이전에 최종 저-포도당 이벤트의 나머지 트레일링 부분 (trailing part) 을 제거한다. 이러한 조정 이후에, EA (518) 는 "준비 운동 및 운동" 이란 명칭의 이전의 섹션에서 상술되었기 때문에, 다른 논의가 제공되지 않는 준비-운동 모듈 (828) 을 콜한다.
커맨드된 볼루스
EA (518) 는 사용자가 APS (500) 를 통해 인슐린의 추가 볼루스
Figure 112009080329487-pct00102
를 전달하도록 펌프에 커맨드할 때 커맨드된 볼루스 모듈 (830) 을 사용한다. 그러나, EA (518) 는 제어 모드 각각에 대해 상이하게 ALGO (510) 를 통해 커맨드된 볼루스 이벤트를 인식하고 구현한다. 폐루프 순수-제어 모드 (600; 도 6) 에 대해, 커맨드된 볼루스 이벤트는, 인슐린의 조기 전달을 강요할 수 있으며, 따라서, 인슐린 권고의 장래의 분배를 변경할 수 있다. 또한, 순수-제어 모드 (600) 에서, 커맨드된 볼루스
Figure 112009080329487-pct00103
는 목표 포도당을 달성하는데 필요한 요구된 인슐린 양 이상 및 초과일 것이다. 따라서, 장래의 제어 사이클에 걸쳐, EA (518) 는
Figure 112009080329487-pct00104
를 고려하며, 그에 따라 권고를 조정한다. 개방 루프 제어된 Obs 모드 (700; 도 7) 에 대해, 커맨드된 볼루스 모듈 (830) 은 예를 들어, 식사 섭취 및 상승된 포도당 레벨과 같은 이벤트를 커버하기 위해 볼루스를 사용자 인터페이스 (512; 도 5) 를 통해 입력함으로써 제어된 Obs 모드 (700) 동안 피험자가 그들의 개별 치료를 관리하게 할 수 있다.
고-포도당 조정
고 포도당 조정 모듈 (832) 은 EA (518) 가 고혈당의 상태를 정정할 수 있게 한다. 사용자는 고 포도당 조정 이벤트로서 정정 양
Figure 112009080329487-pct00105
을 사용자 인터페이스 (512; 도 5) 를 통해 입력한다. 2개의 제어 모드 (600 및 700) 는 각각의 모드에 의해 생성되는 권고에 따라 조정 양을 전달한다. 커맨드된 볼루스는 "ALGO 에 의해 확인된" 인슐린이고, 고 포도당 조정 이벤트를 커버하기 위해 전달 된 인슐린은 "ALGO 에 의해 확인되지 않는다". 폐루프 순수-제어 모드 (600) 에서, ALGO (510) 의 피드백 부분은 인슐린 조정의 양에 대해 블라인드된다. (나중의 섹션에서 이하 논의되는) 인슐린 무효화 모듈 (836) 는 고 포도당 조정에 관련 인슐린의 양을 제거한다. 이것은, 피드백이 장래의 제어 액션으로부터 인슐린의 양을 감소시키지 않는다는 것을 의미한다. 개방 루프 제어된 Obs 모드 (700) 에서, 고 포도당 레벨에 대한 조정의 양은 순 인슐린 권고를 제공하기 위해 개방 루프 권고와 합산된다.
탄수화물 정류 : 최종 식사 섭취의 재처리
피험자가 탄수화물의
Figure 112009080329487-pct00106
그램의 식사의 소모를 ALGO (510) 에 표시한 이후에, 입력된 양이 여러 잠재적 이유 중 하나로 인해 변경되어야 할 수도 있는 가능성이 존재한다. 이들 이유는, 오계산/잘못된 사전 입력, 피험자가 초기 예상 만큼 소모하지 못함 (또는 예상 보다 많이 소모), 음식의 소모가 장기간에 걸쳐 지속되어 치료가 재분배될 필요가 있음, 및 극단적인 경우에서는 식사의 취소를 포함한다. 상기 이유들을 고려하여, EA (518) 는 아래의 조건들을 실행하는 탄수화물 정류 모듈 (834) 을 콜한다. 먼저, 시간
Figure 112009080329487-pct00107
에서 양
Figure 112009080329487-pct00108
의 식사 이벤트가 존재해야 한다. 둘째로, 시간
Figure 112009080329487-pct00109
에서 양
Figure 112009080329487-pct00110
의 식사 정정 이벤트가 사용자에 의해 입력되었다. 다른 실시형태에서, 식사 이벤트는 나머지 식사
Figure 112009080329487-pct00111
로서 정의된다. 양 조건이 충족되는 경우에, 수학식 (14) 의 아래의 추가 조건,
[수학식 14]
Figure 112009080329487-pct00112
이 충족되면, 인슐린 양과 분배에 대한 정정이 행해지고, 여기서,
Figure 112009080329487-pct00113
는 분 단위에서의 시간이고 최종 식사 입력을 정정하는 허용된 시간 윈도우이며, (나머지 식사 경우에 대해서만)
Figure 112009080329487-pct00114
이다. 상기 최종 조건이 충족되면, 탄수화물 정류 모듈 (834) 은 더 실행되며, 그렇지 않으면, 이 모듈은 액션을 취하지 않고 EA (518) 로 리턴한다.
추가의 프로세싱에서, 모듈 (834) 은 신규한 식사량
Figure 112009080329487-pct00115
에 대해 계산된 신규한 인슐린 분배로 시간
Figure 112009080329487-pct00116
에서
Figure 112009080329487-pct00117
에 대해 획득된 인슐린 분배를 대체한다. 이 분배는
Figure 112009080329487-pct00118
에 대해서가 아닌 시간
Figure 112009080329487-pct00119
에 대해서 구현된다. 나머지 식사 경우
Figure 112009080329487-pct00120
에 대해,
Figure 112009080329487-pct00121
는
[수학식 15]
Figure 112009080329487-pct00122
에 의해 제공된다.
모듈 (834) 은 (a) 최종 식사 이벤트가 발생되는 시간 및 (b) 양에 대해 발생하는 최종 식사 이벤트를 식별한다. 가정 (1 및 2) 이 충족되면, 모듈 계산은,
Figure 112009080329487-pct00123
에 대해, 인슐린 분배를 찾는다. 시간은 최종 식사가 발생한 시간으로 분배를 시프트한다.
Figure 112009080329487-pct00124
에 대해, 인슐린 분배를 찾는다. 시간은 최종 식사가 발생한 시간으로 분배를 시프트한다. 대응하는 시간 슬롯으로부터, 즉 식사 관련 볼루스 (MEAL REALTED BOLUS) 벡터로부터
Figure 112009080329487-pct00125
관련 인슐린 분배를 감산하고,
Figure 112009080329487-pct00126
분배를 가산한다. 내부 볼루스 이벤트 (INTERNAL BOLUS EVENT) 벡터로부터,
Figure 112009080329487-pct00127
관련 인슐린 분배를 감산하고,
Figure 112009080329487-pct00128
분배를 가산한다. 이러한 탄수화물 정류 모듈 (834) 의 다른 프로세싱은 도 16 에 도시되고 이하 논의되는 예에 의해 더 명확해진다.
식사는 식사 이벤트이고, 식사 정정은 탄수화물 정류 모듈 (834) 에 의해 수행된 이벤트이다. 제공된 예에서, 인슐린 분배로서 [2 0 5 0 0 3 0 0 2] 를 필요로 하는 100 g 의 시간
Figure 112009080329487-pct00129
= 495 식사 이벤트가 입력된다. t=525 까지는 식사 관련 볼루스는 [3 1 5] 이며, 내부 볼루스 이벤트는 [0 0 3 0 0 2] 이다. 식사 관련 볼루스는, 예를 들어, 이전의 식사로부터 오는 추가의 인슐린 기여가 존재한다는 것을 나타낸다. 그 존재는 중요하고, 기여가 현재의 문제에 대하여 오는 것은 아니다.
Figure 112009080329487-pct00130
= 525 에서, 식사에 대한 정정이 입력된다. 이제 정보는,
Figure 112009080329487-pct00131
= 495 에서의 100g 식사 입력에 대해, 단계 (1 및 2) 를 완료한 60g 만이 실제로 소모되었다는 것이다. 그래서, 단계 (3) 에서, 모듈 (834) 은 먼저, 단계 (4) 에서 [1.5 0 3 0 0 2 0 0 0 1.5] 인 60g 에 대한 인슐린을 결정한다. 단계 (5) 에서 100g 에 대한 분배가 무엇이었는지 ALGO (510) 가 기억하지 않기 때문에, 단계 (6) 에서 [2 0 5 0 0 3 0 0 2] 로서 100g 에 대해 재계산된다. 벡터 (60g 및 100g) 모두는 (화살표로 표시된) 단계 (7) 에서 t=500 으로 시프트되고, 식사 관련 볼루스 및 내부 볼루스 이벤트 모두는 단계 (8 및 9) 에서 재계산된다.
탄수화물 정류가 적용가능하지 않으면, 다음의 팝업 메시지, 즉, "경고 : 식사 정정이 적용되지 않음" 이 사용자 인터페이스 (512; 도 5) 에 디스플레이된다. 탄수화물 정류가 적용가능하면, 다음의 팝업 메시지들, 즉, "경고 : (hh:mm) 에서 입력된 (수량 (number amount)) 그램의 식사가 이제 (수량) 그램으로 정정됨. 경고 : 나머지 식사가 (수량) 과 (수량) 그램 사이에 있어야 함" 중 하나가 (입력된 양에 의존하여) 디스플레이된다.
인슐린 무효화
탄수화물 정류 모듈 (834) 이후에, EA (518) 는 인슐린 무효화 모듈 (836) 을 콜한다. 상기 언급한 바와 같이, 인슐린 무효화 모듈 (836) 은 최종 전달된 인슐린, 즉 사이클 동안 분배된 인슐린의 양으로부터 피드-포워드 인슐린 컴포넌트를 취소한다. 최종 인슐린 전달은 예를 들어, 셀프-볼루스 커맨드, 식사 관련 볼루스, 및 피드-백 컴포넌트와 같은 EA 의 피드-포워드 모듈 모두로부터 오는 모든 인슐린 양이다. 인슐린 무효화는 최종 인슐린 전달로부터 임의의 피드-포워드 인슐린 양을 제거한다. EA (518) 현재 구현은 다양한 피드-포워드 인슐린 컴포넌트를 개별적으로 관리한다. 인슐린 무효화는, 피드-포워드 인슐린 양 모두가 제거되었다는 것을 실제로 암시한다. 정확한 인슐린 피드백 권고를 획득 하기 위해, 모든 피드-포워드 컴포넌트가 정확하게 제거되는 것이 의미적이다. 인슐린 무효화된 벡터
Figure 112009080329487-pct00132
는,
[수학식 16]
Figure 112009080329487-pct00133
에 의해 제공되고, 여기서,
Figure 112009080329487-pct00134
는 전달된 인슐린 벡터이고,
Figure 112009080329487-pct00135
는 식사 관련 및 고-포도당 조정 볼루스이고,
Figure 112009080329487-pct00136
는 셀프-볼루스, 프라이밍, 피드-포워드 컴포넌트와 관련된 볼리이다. 과거의 값이 펌프 전달 데이터에서 이용가능하지 않으면, 과거의 정보는 기초 인슐린 투약으로 채워진다.
포도당 예측 및 기초 제어 액션
다음으로, EA (518) 는 포도당 예측 모듈 (838) 을 콜한다. APTS 에 의해 수집된 포도당 측정치는, 센서가 물리적 및 프로세스 지연을 갖기 때문에 지연된 측정치이다. 장래에 대한 정확한 포도당 예측은 혈당 제어를 제공하는 키이다. 포도당 예측 모듈 (838) 은 과거의 인슐린 전달 정보, 포도당 측정치, 및 인슐린 약동학을 사용하여 예측을 수행한다. 도 17 은 인슐린 잔류 약동학을 도시한다. 구현하기 위해, 단위 볼루스에 대한 인슐린 잔류의 약동학은 subject.ini 파일에서 정의되며 여기에서
Figure 112009080329487-pct00137
에 의해 제공된다. 도시된 바와 같이, 단위 인슐린 임펄스 응답에 대한 약동학은
Figure 112009080329487-pct00138
에서 샘플링된다.
기초 제어기 (628) 의 기초 부분은 포도당 예측에서 사용된 부분과 유사한 원리에 기초한다. 포도당 레벨에서의 변화는 기초 제어기 (628; 도 6) 가 정정하는 모델링되지 않은 플랜트 방해로 인한 것 이다는 것이 기반 원리이다. 인슐린 볼루스에 대한 조정은 예측된 포도당을 고려한다. 기초 제어를 제공하는 포도당 예측기 (626) 및 셋포인트 (603) 로부터의 출력은 기초 제어기 (628) 의 피드백 부분을 함께 형성한다. 요약하면, 폐루프 권고의 계산은 (a) 최근의 예측된 포도당 값 및 (b) 전달된 인슐린의 이력을 요청한다.
현재의 시간에서 포도당을 예측하기 위해, 포도당 예측 모듈 (838) 은 아래의 정보를 사용한다. 프로세싱된 포도당 값
Figure 112009080329487-pct00139
및 대응하는 프로세싱된 시간
Figure 112009080329487-pct00140
. j 에 대한 최종
Figure 112009080329487-pct00141
분에 걸친 무효화된 인슐린의 정보
Figure 112009080329487-pct00142
, 여기서,
Figure 112009080329487-pct00143
는 인슐린 효과의 지속기간이다.
Figure 112009080329487-pct00144
가 제어 주기이면,
Figure 112009080329487-pct00145
이다. 인슐린 약동학
Figure 112009080329487-pct00146
을 얻는다. 포도당 강하는 활용된 인슐린에 직접적으로 비례하는 것으로서 가정되고,
Figure 112009080329487-pct00147
, 여기서, i=1,2,...,n 이다. 단위 볼루스에 대한 활용된 인슐린
Figure 112009080329487-pct00148
은 벡터
Figure 112009080329487-pct00149
에 대해 수행된 포워드 차이로서 획득된다. 벡터
Figure 112009080329487-pct00150
는,
[수학식 17]
Figure 112009080329487-pct00151
에 의해 제공된다.
도 18 은 시간에 걸친 단위 볼루스에 대한 활용된 인슐린
Figure 112009080329487-pct00152
에 대한 변화를 그래프적으로 도시한다. 비례 상수가
Figure 112009080329487-pct00153
, 인슐린 민감도 [mg/dL/U] 이면, 인슐린 활용으로 인한 포도당 강하는,
[수학식 18]
Figure 112009080329487-pct00154
에 의해 정의된다.
포도당 강하 벡터는,
[수학식 19]
Figure 112009080329487-pct00155
에 의해 정의된다.
시간 j 에서 포도당 강하를 예측하기 위해, 최근의 포도당 측정
Figure 112009080329487-pct00156
(K 는 포도당 값이 현재 이용가능한 시간) 이,
[수학식 20]
Figure 112009080329487-pct00157
에 의해 정의되는
Figure 112009080329487-pct00158
와 무효화된 인슐린 볼리 벡터
Figure 112009080329487-pct00159
의 콘볼루션에 의해 제공된다고 주어지면, 여기서,
Figure 112009080329487-pct00160
는 포인트 j 에 대한 최종 n 인슐린 전달된 양의 벡터이고,
Figure 112009080329487-pct00161
는 j 번째 인스턴트에서의 포도당 강하이고, 여 기서 j = K+1,..., k 사이클이다. 도 19 는 인슐린 임펄스 예측을 그래프적으로 도시한다. 포도당 예측 모듈 (838) 은 일부 인스턴스 j 에 대한 포도당을 예측하기 위해 수학식 (20) 을 사용한다. k 에서의 포도당에 대한 예측은 K+1 로부터 k 까지 j 를 스텝핑함으로써 행해진다. 포도당 예측은 3개의 부분, (a) 전달된 기초 인슐린, (b) 사전 정의된 기초 인슐린, 및 (c) 포도당 예측으로부터 계산된다.
(a) 전달된 기초 인슐린
벡터 전달된 기초 인슐린
Figure 112009080329487-pct00162
은 무효화된 인슐린 전달이다. 예상된 포도당 강하,
Figure 112009080329487-pct00163
는
[수학식 21]
Figure 112009080329487-pct00164
에 의해 정의된다.
(b) 사전 정의된 기초 인슐린
사전 정의된 기초 인슐린은 기초 세트로부터 정의되며, 방해 시나리오를 갖지 않는 "기초 인슐린" 값
Figure 112009080329487-pct00165
이다. 이것은 목표 포도당
Figure 112009080329487-pct00166
을 유지하도록 요청되는 기초 인슐린 컴포넌트이다. 예상된 포도당 강하
Figure 112009080329487-pct00167
는,
[수학식 22]
Figure 112009080329487-pct00168
에 의해 정의된 내적에 의해 제공된다.
(c) 포도당 예측
그 후, j 번째 스텝에서의 포도당 값
Figure 112009080329487-pct00169
가 주어지면, 예측된 포도당
Figure 112009080329487-pct00170
은,
[수학식 23]
Figure 112009080329487-pct00171
에 의해 제공되고, 여기서,
Figure 112009080329487-pct00172
는 알려진 방해로부터의 추정된 포도당 푸쉬이다. 그 후, 포도당 예측이, 시간
Figure 112009080329487-pct00173
에서의 최종 알려진 포도당 값으로부터 현재의 시간
Figure 112009080329487-pct00174
까지ㅣ 포워드 운반된다. 그 후, EA (518) 는 식사 보상기 모듈 (840) 로 진행한다.
식사 보상기
콜될 때 식사 보상기 모듈 (840) 은 탄수화물의 섭취와 관련된다. 단백질 및 지방은 등가의 탄수화물 양으로 변환된다. 식사 타입은 탄수화물 섭취의 사이즈 뿐만 아니라 시각과 관련된다. 다양한 식사 타입의 정의가 표 5 에 리스트된다.
표 5 : 식사 타입의 정의
Figure 112009080329487-pct00175
소화관 (gut) 포도당 흡수의 레이트 (즉, 식사 속도) 에 영향을 미치는 팩터 중 하나가 식사 조성이다는 것이 알려져 있다. 식사량 선택에 대해 암시적으로, 식사의 속도가 어카운트된다. 제어 사이클에서, 다중 식사 이벤트가 트리거되면, EA (518) 는 최종 식사 입력만을 고려한다. 식사를 커버하기 위해 분배된 인슐린 볼리는 구현 섹션에서 설명된다. 대량 식사가 여러 소량 식사의 합과 반드시 동등하지 않다. 이것은 식사 스키마, 예를 들어, 소량 식사 = 25 gm, 정상 식사 = 50 gm, 및 대량 식사 = 75 mg 에서 정의될 수 있다. 현재의 기초 인슐린 요구가 상대적이고 식사가 트리거되었으면, 셋 포인트는 FastCarb 프로파일을 사용하여 조정된다. 포도당은, 인슐린 약동학과 같이 느리게가 아니라, 속효성 탄수화물과 같이 동적인 식사 푸쉬로 인해 빠르게 상승하는 것으로 예상된다.
식사 권고
다음으로, EA (518) 는 피험자에게 먹기의 시작을 통지하는 팝업 다이얼로그 박스를 제공하는 것이 적합할 때 식사 권고 모듈 (842) 을 콜한다. 식사 권고 팝업이 디스플레이되는 경우에, 식사 권고 모듈 (842) 을 제어하는 플래그가 기초 제어기 (628) 에 의해 설정된다.
내부 볼루스 관리
추가로, 적합한 경우에, EA (518) 는 식사 이벤트로부터 발생하는 피드 포워드 볼루스를 전달하기 위해 내부 볼루스 관리 (844) 를 콜한다.
인슐린 권고
그 후, EA (518) 는 상술한 바와 같이 현재의 예측된 포도당 값을 사용하여 인슐린 투약을 계산하기 위해 인슐린 권고 모듈 (846) 을 콜한다. 특히, 인슐린 투약에 대한 인슐린 권고는 온 보드 (on board) 인슐린의 효과, 장래의 기초 입력 및 입력된 다른 이벤트의 효과를 프로젝트함으로써 계산된다. 아래의 단계들, 즉, (a) 현재의 포도당, (b) 전달된 기초 교란 인슐린, (c) 포도당 셋 포인트, (d) 사전 정의된 기초 인슐린, 및 (e) 포도당 푸쉬는 기초 인슐린 권고를 결정한다.
(a) 현재의 포도당
현재의 포도당은 예측 포도당 섹션으로부터 결정되고
Figure 112009080329487-pct00176
에 의해 제공된다.
(b) 전달된 기초 교란 인슐린
이러한
Figure 112009080329487-pct00177
벡터는 무효화된 인슐린 전달이다. 그 후, 추정된 잔류 인슐린은,
[수학식 24]
Figure 112009080329487-pct00178
에 의해 제공되는
Figure 112009080329487-pct00179
이다.
(c) 포도당 셋 포인트
이것은 목표 포도당이고
Figure 112009080329487-pct00180
에 의해 제공된다.
(d) 사전 정의된 기초 인슐린
이것은 기초 세트로부터 결정되며, "기초 인슐린" 값
Figure 112009080329487-pct00181
이다. 이것은 목표 포도당
Figure 112009080329487-pct00182
를 유지하기 위해 요청된 기초 인슐린 컴포넌트이다. 예상된 잔류 인슐린
Figure 112009080329487-pct00183
은,
[수학식 25]
Figure 112009080329487-pct00184
에 의한 내적 정의에 의해 제공된다.
(e) 포도당 푸쉬
포도당 푸쉬는
Figure 112009080329487-pct00185
에 의해 제공된다. 따라서, 인슐린 권고는 그 후,
[수학식 26]
Figure 112009080329487-pct00186
에 의해 정의된 바와 같이
Figure 112009080329487-pct00187
에 의해 제공되고, 여기서
Figure 112009080329487-pct00188
는,
[수학식 27]
Figure 112009080329487-pct00189
에 의해 제공되며, 단계 (a) 내지 (e) 를 고려함으로써 결정된다.
인슐린 권고를 변경하는 아래의 경우들은, 목표 존 및 최소 기초 요건을 충족시키는 포도당이다. 이전의 섹션에서 상기 언급한 바와 같이, 목표 존 (예를 들어, 목표 (601)) 은 단지 단일 포인트 보다는 하위 및 상위 셋 포인트 범위를 갖는 세트 범위로서 정의되고, 예를 들어,
Figure 112009080329487-pct00190
및
Figure 112009080329487-pct00191
는 상위 및 하위 셋 포인트 각각을 정의한다. 추정된 포도당
Figure 112009080329487-pct00192
이 목표 존 내에 있으면,
Figure 112009080329487-pct00193
는 단순한 기초 인슐린이다. 최소 기초 요건 경우에 대해,
Figure 112009080329487-pct00194
가 네거티브이면, EA (518) 는 피험자가 현재 인슐린 과-전달의 상태에 있다는 것을 예측한다. 최소의 기초 레이트 (통상적으로, 기초 레이트의 하프) 가 이러한 과-전달 환경 동안 ALGO (510) 에 의해 구현된다. 역조절 (counter regulation) 을 회피하기 위해 순환 인슐린 농도가 임계값 아래로 내려가지 않는 것이 중요하다. 최소의 기초를 적용하는 것은 최소의 순환 인슐린 레벨을 보장한다.
인슐린 버킷
EA (518) 가 인슐린 버킷 모듈 (848) 을 콜할 때, 최종 인슐린 권고가 트리거된 다양한 이벤트로 인해 기초 제어와 개방 루프 요건의 조합으로부터 이루어진 다. 또한, 예를 들어, 전달 최고치 제약이라 불리는 각 제어 사이클에 대한 인슐린 양에 대한 최고치와 같은 최종 인슐린 권고에 대해 부과된 제약이 존재한다. 마지막으로, 인슐린 권고는 구현되지 않을 수도 있다. 예를 들어, 건강관리 전문가는 권고를 수용하거나 거부하는 최종 권한자이다. 최종 인슐린 전달은 실제 전달이다. 따라서, 다양한 인슐린 버킷 내에 유지되는 인슐린 기록-키핑 컴포넌트는 권고 제약을 따라야 한다. 최종 인슐린 권고가 최종 인슐린 전달과 다르면, ALGO (510) 는 그에 따른 정정된 최종 인슐린 전달로 컴포넌트를 재평가하거나 다시 어카운트한다.
프로세스 포인트 (850) 에서, EA (518) 는 개방 루프 순수 제어 (600) 가 인에이블되는지, (프로세스 포인트 (816) 로부터의 재기입 포인트인) 불충분한 bG 측정 플래그가 설정되었는지, 또는 bG 구식 플래그가 설정되었는지를 결정한다. 임의의 이러한 조건이 거짓이면, EA (518) 는 이러한 제어 사이클로부터 값 및 조건을 세이브하기 위해 업데이트 저장 모듈 (854) 을 콜한다. 임의의 조건이 진실이면, EA (518) 는 불일치 관리 모듈 (818), 커맨드된 볼루스 모델 (830), 높은 bG 조정 모듈 (832), 및 최종 인슐린 권고에 대한 제약을 부과하는 전달 최고치 제약 모듈 (852) 을 콜한다. 이들 콜의 완료에서, EA (518) 는 이러한 제어 사이클로부터 값 및 조건을 세이브하기 위해 업데이트 저장 모듈 (854) 을 콜한다. 그 후, EA (518) 는 도 8 및 도 9 에 의해 도시되고 상술한 바와 같은 프로세스 플로우를 재시작하기 이전에 ALGO (510) 의 다음 제어 사이클의 시작 전까지 대기한다.
ALGOSHELL
ALGOSHELL (506) 은 시스템 폴더내에 위치되는 데이터 구조 관리 및 관련 매크로를 제공한다. 특히, ALGOSHELL (506) 은 APS (500) 로부터 콜된 소정의 입력에 대한 출력을 생성하는 함수이다. ALGOSHELL (506) 함수는 또한, 시뮬레이션 (Simulink) 환경에서 구동하는 APSe 와 작동한다. 상기 언급한 바와 같이, APS 테스트-스탠드 환경은 넌-Simulink 환경이고, 여기서, APSe 는 APS 테스트-스탠드 환경을 시뮬레이션하는 래퍼 (wrapper) 함수이다. ALGOSHELL (506) 는 시뮬레이션 환경에서 APS, 실시간 테스트-스탠드 및 APSe 와 인터페이스한다. 표준화된 ALGOSHELL (506) 콜은
Figure 112009080329487-pct00195
Figure 112009080329487-pct00196
과 같다. 도 33 은 변수들이 ALGO (510) 에 대하여 업데이트될 때를 도시한다. ALGOSHELL (506) 콜의 입력 변수들,
Figure 112009080329487-pct00197
Figure 112009080329487-pct00198
을 이하에 먼저 논의하고 후속하여 출력 변수들
Figure 112009080329487-pct00199
을 논의한다.
입력 변수들
항 t 는 경과되거나 시뮬레이션 시간에 대한 시간 스칼라이다. 시간 t 는 Sync1 콜에 대해 TContro +/- 델타 시간의 배수인 것으로 예상되고, 현재의 제어-사이클 에지로서 정의된다. Sync2 콜은 Sync1 에 후속하며, 다음의 제어-사이클 에지 이전에 발생한다. 항 xk 는 상태로서 칭하는 ALGOSHELL 에 의해 요 청된 변수들의 세트를 포함하는 상태 벡터이다. APSe 에서, 이들은 개별 상태를 업데이트하는 제어에 의해 유지된 개별 상태이다. APSe 가 콜될 때, xk 는 상태로서 이용가능하다. 한편, APS 는 항상 제어하에 있고 xk 를 유지하는데 책임이 있다. 벡터 xk 의 길이 및 상세 (specific) 는 ALGO-의존형이다. APS 는 xk 의 길이 및 상세를 알 필요가 없다. 변수 xk 는 APS 에 의해 매트릭스 [] 를 비우기 위해 초기화되어야 한다. 그 후, ALGOSHELL (506) 은 그것이 콜되는 첫번째에 그것의 정확한 길이를 결정한다. 그 후, 실험으로부터 xk 의 길이를 유지해야 한다. APS/APSe 는 xk 의 값 또는 길이를 변경하지 않아야 한다. 항 u 는 입력 벡터이고, 필드 디바이스, 즉, 펌프 및 센서에 의해 출력된 정보로 이루어진다. APS 및 APSe 양자는 입력 벡터 u 의 상세를 알 필요가 있다. 상세에 대해서는 표 6 을 참조. "순 분배된 인슐린" 은 펌프에 의해 분배된 인슐린의 총량에 대한 누적 카운터이다.
표 6 : 입력 벡터, u
Figure 112009080329487-pct00200
EventStruc - 이벤트 구조
이것은 사전정의된 트리거 스케줄을 포함하는 구조이다. 이것은 파라미터들 중 하나로서 APSe 에 대해 이용가능하다. 한편, APS 는 스케줄을 획득하고, APS 메인 윈도우 (902) 로부터 트리거된 이벤트로부터 EventStruc 를 업데이트한다. 이벤트 구조 필드들에 대해서는 표 7 을 참조.
표 7 : EventStruc 필드들
Figure 112009080329487-pct00201
표 7 에 제공된 필드 PatientIniStruc.events.units 는 APS GUI 에 의해 디스플레이되는 이벤트 유닛의 어레이이다. EventStruc 에서의 필드들 각각은 컬럼 어레이이다. 컬럼 어레이 모두는 동일한 길이이다. 특정한 로우가 정보를 갖지 않으면, NaN 이 입력될 것이고, 로우의 길이는 유지될 것이다. APS 에서, EventStruc 는 이벤트가 로그될 때 업데이트된다. APSe 에서, EventStruc 는 사전 존재한다. 이벤트 모두는 구동 이전에 스케줄링된다. 본질적으로, 구현에서 차이는 없다. ALGOSHELL (506) 은 현재의 시뮬레이션 시간 이하인 등록된 이벤트만을 확인한다. 트리거 시간 또는 제어기 응답 시간 중 적어도 하나는 의미있는 이벤트로서 이벤트를 수용하기 위해 ALGO (510) 에 대해 넌제로이어 야 한다. 시간들 중 어느 것도 입력되지 않으면, ALGO (510) 는, 그 특정한 이벤트가 발생한 때를 판정할 수 없고, 그것을 무시할 것이다. Event_type 엔트리는 "patientini.events" 구조에 의해 리스트된 것들이며 type, units 및 internalName 의 필드들을 갖는다. 이들은 실험에 따라 변화할 수 있다. 이벤트는 2개의 종류, 즉, 예를 들어, 채혈 이벤트에 대해서만 로깅 목적을 위해서만 사용되는 이벤트, 및 이벤트, 예를 들어, 조식에 대해 적절하게 반응하고 고려하기 위해 ALGO (510) 에 통지하는 이벤트이다.
ExperimentStruc - 실험 구조
이것은 APSe 파라미터를 통해 APSe 에 대해 이용가능하며 사전 정의되는 구조이다. APS 는 실험 구동을 위해 실험 구조를 로딩한다. 실험 구조 필드들에 대해서는 표 8 을 참조.
표 8 : 실험 구조 필드들
Figure 112009080329487-pct00202
Figure 112009080329487-pct00203
PumpStruc - 펌프 구조
데이터 필드들을 제외하고는, 이러한 구조의 모든 필드는 APCATS 900 의 사용자 인터페이스로부터 획득되며 사전 정의된다. 이러한 구조는 파라미터로서 초기에 패스된다. 초기화 단계에서, PumpStruc 는 mat 파일이 된다. APS 는 유사한 셋업을 갖는다. 여기에서 표 9 에서 사용되는 바와 같이, "오프라인 (Offline)" 은 펌프가 APSCOM (504) 으로부터의 최종 상태 정보 마다 이용가능하지 않을 때 발생하는 조건을 의미한다. 펌프 구조 필드들에 대해서는 표 9 를 참조.
표 9 : PumpStruc 필드들
Figure 112009080329487-pct00204
Figure 112009080329487-pct00205
Figure 112009080329487-pct00206
BGStruc - 혈당 구조
데이터 필드들 : bg1data 및 bg1timestamp 를 제외하고는, 이러한 구조의 모든 필드는 APCATS 900 의 사용자 인터페이스로부터 획득되고 사전 정의된다. 이러한 구조는 파라미터로서 초기에 패스된다. 센서들은 0, 1, 2, 3 ... 으로서 넘버링되고, 센서 1 은 가상 센서인 것으로 고려된다. 표 10 은 센서 1 에 대한 센서 구조를 제공한다. 다른 센서 번호에 대해, 필드들 각각에서의 "1" 은 그 센서 번호로 대체된다. 4개까지의 센서, 즉 2개의 SU, 1개의 외부 및 1개의 가상 센서가 지원된다. 그러나, APS-3 에 대해서는, 센서들에 대한 다음의 매핑 : "EXT" 에 대해 0; "SU 1" 에 대해 1; 및 "SU 2" 에 대해 2 를 갖는다.
표 10 : 센서 구조 필드들
Figure 112009080329487-pct00207
Figure 112009080329487-pct00208
ALGO 콜 직후에, APS/APSe 는 BGStruc 필드를 업데이트한다.
PatientIniStruc - 환자 초기화 구조
이러한 구조는 초기화 파일 (INI - 파일) 에서 정의되고 식사 섭취 및 인슐린 저하에 대한 환자-특정 응답 벡터를 포함한다. INI-파일은 연구-특정 및 피험자 특정 파라미터를 APTS (500) 및 ALGO (510) 에 제공한다. 알고리즘 파라미터, 단일 투약 자동-확인 및 3개의 투약 임계값 및 이벤트 타입을 포함하는 피험자 특정 데이터를 포함하는 피험자 INI 파일은 APS 가 론치될 때 로딩된다. 상술한 바와 같은 이벤트 타입은 드롭다운 (dropdown) 리스트를 통해 건강관리 전문가에 의해 실험 동안 수동으로 선택될 수 있는 활동이다. 공통 이벤트 타입은 식사 및 외부 혈당 (bG) 기 판독을 포함한다. 드롭다운 리스트 값은 피험자 INI 파일에 의해 결정된다. 피험자 INI 파일에서 지정된 바와 같은 연속-투약 임계값은 건강관리 전문가의 승인없이 3개의 연속 사이클에서 전달된 인슐린의 최대량이다. 피험자 INI 파일에서 지정된 바와 같은 자동-확인 임계값은 건강관리 전문가의 승인없이 단일 사이클에서 전달될 인슐린의 최대량이다. 실험은 APTS 의 시작으로부터 종료까지 수집된 데이터이며, INI 파일에서의 임의의 중간 재시작 및 변화를 포함한다. 피험자 INI 파일에 제공된 필드의 필드 설명에 대해서는 표 11 을 참조.
표 11 : PatientIniStruc 필드들
Figure 112009080329487-pct00209
Figure 112009080329487-pct00210
출력 변수들
항 yAMT 는 펌프 및 디스플레이 커맨드 벡터이며, 펌프에 대한 커맨드를 포함한다. 표 12 는 커맨드 벡터 yAMT 에 포함된 커맨드들에 대한 상세를 제공한다.
표 12 : yAMT 벡터
Figure 112009080329487-pct00211
항 yAdvice 는 ALGO 에 의해 플래그되지만 APS 에 의해 구현되는 경고 및 다른 가능한 안전장치 측정치를 제공하는 권고 스트링이다. yAdvisory 스트링은 두자리 권고 번호, 그 후, 공간, 그 후, 스테이트먼트로 이루어진다. 권고 번호들은 3개의 카테고리, (1) 공칭 (범위 : 00 내지 99), (2) 메시지 윈도우 팝업 (범위 : 10 내지 98), 및 (3) 종료/중지 (범위 99) 로 되어 있다. 항 yTrace 는 ALGO 실행의 단계들을 트랙킹하는 트레이스 스트링이다. ALGO 진행은 ExperimentStruc 파일에 정의된 DataPath 에 위치된 로그 파일에 기록되고, xk' 는 다음의 ALGO 콜에서 ALGO 의 개시를 위해 필요한 상태 벡터이다.
제어-사이클 분할 (Control-Cycle Breakup)
동기화된 콜, 사용자 확인 윈도우, 및 비동기화된 콜을 포함하는 권고 모드에 대해, 각 커맨드된 값은, 펌프가 제어 주기의 나머지 부분에서 분배할 수 있는 양으로 제약된다. 확인 윈도우는 커맨드된 인슐린의 최종 확인을 요청하는 다이얼로그 박스이고, 건강관리 전문가가 인슐린 권고를 수동으로 수용하거나 거부할 때 나타난다. 예시된 실시형태에서, 이러한 윈도우는 45 초 후에 타임 아웃된다. 이와 같이, 제어 주기는 도 34 에 도시된 바와 같이 3개의 영역으로 분할되며, ALGOSHELL 에서의 파라미터들은 표 13 에 리스트된다. 이상적인 경우에서의 각 제어 사이클은 ALGO 가 제어 사이클의 시작에서 콜되게 한다. ALGO 는 입력을 프로세싱하고, 제어 사이클의 나머지 부분에서 분배될 양을 권고한다. 그러나, (1) 각 액션이 유한 시간을 취하고, (2) 내부 시간 클록이 이산적이기 때문에 하드웨어 제한이 존재한다. 또한, 인간의 개입이 존재하고, 개방 루프 제어에 대해, 제어 액션을 위해 남겨진 실제 시간에서 가변성이 존재한다. 이들 고려사항들 모두에서 팩터링한 이후에, 커맨드의 전달을 전체적으로 허용하는 커맨드된 값이 결정된다.
표 13 : ALGOSHELL 에서의 파라미터들
Figure 112009080329487-pct00212
모든 화이트 블록은 포함된 변수가 업데이트된 것을 나타낸다. 도 33 은, APS 관점으로부터 보여진다. 입력 데이터는 "Sync1" 콜의 이전 및 이후에 도시된다.
순수 권고 시나리오 (Pure Recommendation Scenario)
m 이 제어하에서 ALGOSHELL (506) 의 최종 콜이면, m 번째와 (m+1) 번째 콜 사이에서, BGStruc 는 신규한 측정치로 업데이트된다. 이들 측정치는 데이터베이스로부터 획득된다. m+1 번째 이전에, ALGO (510) 는 (a) 벡터 u 에 할당되는 BGStruc 로부터 센서 상태 뿐만 아니라 최근 (최종) BG 측정 및 시간, (b) 데이터베이스로부터 획득되고 벡터 u 에 할당되는 최종 순 인슐린 분배 정보, (c) ALGOSHELL (506) 이 콜되는 시간으로 설정되는 시간 t, (d) 그대로 APS 에 의해 패스된 벡터 xk, 및 (e) 3 으로 설정된 실험 펌프 모드를 콜한다. ALGO (510) 는 다시 콜되고, n=m+1 이다. ALGOSHELL (506) 은 모드 = 3 으로, 즉, Sync1 콜로 서 콜된다.
Sync1 콜에 대해, 벡터 yAMT 및 다른 출력 인수가 리턴된다. APS 는 yAMT 를 사용하여 도 35 에 도시된 업데이트를 행한다. yAdvisory 가 분석되고 적절한 메시지가 디스플레이된다 (로그 윈도우에 전송, 메시지 박스를 팝핑, 및 중지). 권고된 양 yAMT(4) 는 APS 권고 윈도우 (514; 도 5) 에 의해 디스플레이된다. 권고 윈도우 (514) 는 ALGO (510) 에 의해 결정된 바와 같이, 현재의 사이클 동안 권고된 인슐린 투약을 디스플레이한다. 권고 윈도우 (514) 는 주입될 인슐린의 권고된 양으로 구동 사이클의 종단에서 나타난다. 이 양이 단일 또는 3개의 투약 임계치 내이면, 이것은 주입되는데 있어서 건강관리 전문가에 의해 확인될 필요가 없다. (a) 권고 거절, VALUE=0, INDX=0, (b) 권고 수용 (확인), VALUE=yAMT(4), indx=1, 또는 (c) 오버라이드, VALUE=EnterValue, indx=2 인 사용자 응답이 획득된다. Pumpdat 벡터가 업데이트된다. 도 35 에 의해 도시된 바와 같은 다음의 할당들, 즉, pumpdat 업데이트에 대해, 센서와 관련된 u 엘리먼트가 제로로 설정되고; u(1) 내지 u(6) 는 NaN 이고, u(7) 에는 VALUE 가 할당되고; u(8) 은 현재 시간 t 이고; u(9) 는 펌프 상태 플래그이다는 것이 이루어진다. 실험 모드는 (Sync2 콜에 대해) 4 로 설정된다. ALGO (510) 는 다시 콜되고, 즉, n=m+2 이다. 마지막으로, 콜이 Sync2 콜로서 ALGO (510) 에 대해 이루어진다. Sync2 에 대해, Pumpdat 벡터는 도 35 에 의해 도시된 바와 같이 업데이트된다. 그 후, 이 시퀀스는 다음의 제어 사이클 동안 반복된다.
ALGO - APS 플로우
ALGO 의 일 예 - APS 프로세스 플로우의 예가 아래의 표 14 에 또한 제공된다. 경과 시간은 실험의 시작 이후의 분 단위의 상대적 시간 t 이다. 재시작이 발생할 때, 시작 시간은 실험의 시작 시간이며, 재시작의 시작 시간은 아니다. 경과 기간은 여전히 "ExperimentStruc.t_zero" 를 참조하여 측정된 상대적 시간이다.
표 14 : ALGO - APS 플로우
Figure 112009080329487-pct00213
Figure 112009080329487-pct00214
Figure 112009080329487-pct00215
Figure 112009080329487-pct00216
Figure 112009080329487-pct00217
관심 양태들은, Sync2 가 ControlCyle 의 에지 이전에 발생하고, yAMT 의 재시작이 APS 에 의해 정확하게 기록되고 저장되는 경우에, Sync1 이 Sync2 에 후속한다는 것이다. 재시작은 그래프화하기 위한 APTS 및 사용하기 위한 ALGO 에 대해 수집된 이전의 데이터를 갖는 미완료 실험의 재개이다. 센서 및 펌프 데이터는 분 단위의 경과 시간을 사용하여 BGStruc 및 PumpStruc 에 할당된다. 벡터 u 는 시간 스탬프에 따라 최종으로 이용가능한 데이터를 항상 전송한다. 신규 데이터가 획득되지 않으면, 최종 알려진 데이터가 획득된다. 제 2 상세 구현 실시형태에 대한 논의가 이제 제공된다.
APCATS (Automated Pancreas - Control Algorithm Test Suite)
Automated Pancreas - Control Algorithm Test Suite (APCATS) 는 표준화된 시뮬레이션 툴, AP 테스트-스탠드 에뮬레이터, 검증 출, 및 평가 툴로서 기능하는 소프트웨어 프로그램이다. 표준화된 시뮬레이션 툴로서, APCATS 는 일반 폐루프 시스템을 시뮬레이션하기 위해 필요한 기본 기능을 제공한다. 이와 같이, 이러한 기능은 수학적 모델을 설계하는 누군가가 기본 셋업 및 커넥션 (connection) 의 검증 및 커넥션의 상세에 대해서 보다는 모델링 자체에 대해 집중할 수 있게 한다. AP 테스트-스탠드 에뮬레이터로서, 프로그램은 APTS (500) 에 의해 무엇이 요청되는지로부터 알고리즘 변화를 평가하고 검증하기 위해 요청되는 시간을 단축할 수 있다. 이것을 달성하기 위해, ALGO (510) 에 대해 동일한 시뮬레이션된 환경을 제공하면서 (실시간과 반대인) "시뮬레이션된" 시간을 사용한다. 또한, 파라메트릭 값의 범위에 걸쳐 시뮬레이션을 허용함으로써, APCATS 는 환자를 위태롭지 않게 하면서 평가의 범위를 넓힐 수 있다. 또한, APCATS 는 임계 시나리오를 시뮬레이션하고 평가하기 위해 사용될 수 있다. 예를 들어, 디바이스 고장은 시스템적으로 평가될 수 있거나 안전장치 모드가 구현되고 평 가된다.
검증 툴로서, APCATS 는 APTS (500) 를 에뮬레이션하기 위한 능력을 제공하여, ALGO (510) 에 대한 임의의 정정이 개발 및 사전 공개 시나리오하에서 먼저 검증될 수 있게 한다. 평가 툴로서, APCATS 는 수학적 모델, 제어기, 폐루프 응답 등을 시뮬레이션하기 위해 사용될 수 있어서, 시뮬레이션된 아이템의 (1) 품질 및 (2) 성능이 평가될 수 있게 한다. 예시된 실시형태에서, APCATS 가 개발되었고, MATLAB 기술 계산 환경에서 구동한다. 다른 실시형태에서, 비주얼 베이직 및 윈도우 운영 시스템과 같은 다른 언어 및 계산 환경이 사용될 수도 있다. 프런트-엔드 사용자 인터페이스는 약간의 표준화된 Automated-Pancreas System 에 대한 제어 법칙을 개발하고 분석하는 빠른 수단을 제공한다. 이것은 하드웨어가 제어 루프에 접속되면, 실제 시스템을 구동할 뿐만 아니라 분석 및 시뮬레이션을 수행하는 공통 플랫폼을 제공한다. APCATS 가 시스템 (10) 에서와 같이 APTS (500) 와 유사한 운영 환경에서 구현되고, 하드웨어상의 소프트웨어 프로그램의 구현이 당업자에 의해 충분히 이해되기 때문에, 이하의 섹션들은 본 발명의 이러한 제 2 상세 구현 실시형태의 소프트웨어 컴포넌트에 집중한다.
소프트웨어 컴포넌트
APCATS 애플리케이션은 3개의 카테고리, 즉, 사용자 인터페이스, 초기화 파일, 및 컴포넌트 모듈로 분할되는 여러 개별 소프트웨어 컴포넌트를 포함한다. APCATS 는 모든 프런트 엔드를 일체화된 애플리케이션이 되게 하는 백본을 형성하고 데이터를 홀딩하는 중심 코어를 갖는다. init 파일이라 또한 칭하는 초기화 파일은, 필요한 모듈이 어디에 있으며 어떤 모듈을 판독하고 구현할 필요가 있는지를 APCATS 코어에 통지한다. 이들 파일에서의 정보에 기초하여, APCATS 는 그 자체를 동적으로 생성한다. 컴포넌트 모듈은 컴포넌트들 각각이 어떻게 작용하는지를 수학적으로 설명한다. 시뮬레이션 동안, 이들은 외부 및 내부 자극에 동적으로 반응한다. 컴포넌트 모듈은 다음의 주요 타입, 즉, 액추에이터, 센서, 제어기, 및 외부 방해하에서 카테고리화된다. 이들 컴포넌트 모듈들 각각은 나중의 섹션에서 더욱 상세히 논의된다.
사용자 인터페이스 (UI) 는 옵션의 선택, 특정한 특징과의 상호작용, 및 값의 입력 또는 변경과 같은 사용자로부터의 입력을 허용하는 프런트 엔드이다. 이것은 또한 사용자가 출력을 관찰할 수 있게 한다. 코어가 문제점 자체와는 독립적이도록 설계되기 때문에, 문제점 정의는 컴포넌트 모듈에 있다. UI 와 컴포넌트 모듈 사이의 상호작용의 플렉시빌리티는 초기화 파일을 통해 관리된다. 사용자 인터페이스는 다음의 코어 양태들, 즉, APCATS 메인 윈도우, 각 컴포넌트에 대한 사용자 입력 형태, 컴포넌트에 대한 메뉴 형태, 시뮬레이션 구동 셋업 형태, 시뮬레이션 링크 (Simulink) 블록도의 생성, 데이터 파일과의 상호작용 및 관리, 결과를 디스플레이하기 위한 플롯, APCATS 셋업의 저장 및 검색, 및 접속 인터페이스를 커버한다.
도 22 를 참조하면, 심볼 900 으로 일반적으로 표시된 APCATS 는 사용자 인터페이스를 메인 윈도우 (902) 로서 제공한다. 메인 윈도우 (902) 는 3개의 페인 (pane), 즉, 구동/저장 페인 (904), 알고리즘 페인 (906), 및 플롯 페인 (908) 을 제공한다. 또한, 바닥에서의 상태 바 (910) 는 APCATS (900) 활동의 메시지를 중계한다.
알고리즘 페인 (906) 은, 모델 환자내에서 혈당 레벨을 조절하는 것이 중심이 되는 제어 알고리즘이다. 알고리즘 페인 (906) 은 입/출력 접속 라인 X 과 접속된 여러 블록으로 이루어진 자동 췌장 제어 알고리즘 (automated-pancreas control system) 을 디스플레이한다. 알고리즘 페인 (906) 은 전체 폐루프 시스템을 셋업하기 위해 사용된다. 이것은 모델이 선택될 수 있게 하고, 파라미터 값이 편집될 수 있게 하며, 접속이 변경될 수 있게 한다. 블록 및 접속 각각은 이들 파라미터를 디스플레이하고 설정하도록 선택될 수도 있다. 이용가능한 블록은, 외부 방해 블록 (912), 플랜트 블록 (914), 센서 블록 (916), 제어기 블록 (918), 및 액추에이터 블록 (920) 이다. 도시된 바와 같이, 블록 접속은, 외부 방해 블록/플랜트 블록 접속, 플랜트 블록/센서 블록 접속, 센서 블록/제어기 블록 접속, 제어기 블록/액추에이터 블록 접속, 액추에이터 블록/플랜트 블록 접속, 및 액추에이터 블록/제어기 블록 접속이다.
도 23 은, 블록도에서의 상호접속 화살표가 알고리즘 페인 (906) 의 블록들 사이의 인터페이스를 나타내는 일반 폐루프 구조를 도시하는 블록도이다. 상호접속 화살표는 또한, 블록들 사이의 정보의 흐름을 나타낸다. 알고리즘 페인 (906) 의 블록들 각각은, 최상위 층에서, 여러 옵션을 사용자에게 제공한다. 만약 있다면, 선택과 관련된 다른 옵션이 히든 서브-레이어로서 레이아웃된다. 이들 레이어는 사용자까지 개방하고, 사용자가 최상위 가시 레이어로부터 하위 레 이어로 진행할 때 활성화된다. 알고리즘 페인 (906) 상에서 다양한 블록 (912-920) 및 접속을 통해, 시뮬레이션을 위해 필요한 파라미터를 변경하는 것이 가능하다. 이들은 사용자가 여러 가능한 모델로부터 선택할 수 있게 하고, 선택된 모델들에 대응하는 파라미터를 설정할 수 있게 하며, 입/출력 접속을 통해 패스된 정보를 설정할 수 있게 한다. 알고리즘 페인 (906) 의 다양한 블록을 플랜트 블록을 먼저 참조하여 더욱 상세히 이하 설명한다.
플랜트 블록
플랜트 블록 (914) 은, 관련 생리학 및 신진대사 상호작용의 현재의 지식을 반영하는 선택가능한 환자 모델들 (예를 들어, 도 3 에서의 환자 모델 (73)) 의 번호의 리스트를 제공한다. 변화하는 정도의 복잡도 및 상세를 갖는 신규 환자 모델들이 플랜트 블록 (914) 에서의 사용을 위해 모델링되고 제공 (추가) 될 수 있다. 파라미터 바운드를 조절함으로써, 플랜트 블록 (914) 은 광범위한 행위를 연구하고 모델링하도록 사용될 수 있다. 플랜트 블록 (914) 은 다양한 음식 섭취에 의해 생성된 장애 및 액추에이터로부터의 입력을 수신한다. 센서는 플랜트 블록 (914) 에서 선택된 환자 모델로부터의 출력을 측정하기 위해 사용된다.
플랜트 선택 및 파라미터 세팅
환자 모델은 대응하는 무선 버튼 중 하나를 클릭함으로써 플랜트 블록 (914) 을 통해 선택된다. 오직 하나의 환자 모델만이 임의의 시간에 선택될 수 있다. 대응하는 무선 버튼은 하이라이트되게 되고, 플랜트 메뉴 윈도우 (922) 는 도 24 에 의해 도시된 바와 같이 제공된다. 또한, 이미 선택된 환자 모델에 대한 클릭이 플랜트 메뉴 윈도우 (922) 를 제공할 것이다. 신규 플랜트가 선택될 때 플랜트 메뉴 윈도우 (922) 가 이미 개방된다면, APCATS (900) 는 그것에 입력된 파라미터들이 세이브되었는지를 확인하기 위해 체크할 것이다. 파라미터들이 세이브되었다면, 현재의 플랜트 메뉴 윈도우 (922) 가 폐쇄될 것이고, 신규하게 선택된 모델에 대한 신규한 플랜트 메뉴 윈도우가 개방된다. 파라미터들이 세이브되지 않았다면, 그 효과에 대한 메시지가 메인 메뉴 (902) 의 바닥에서의 메시지 바에 디스플레이되고, 이미 활성인 플랜트 메뉴 윈도우 (922) 는 폐쇄되지 않을 것이다. 선택된 환자 모델에 대응하는 파라미터가 윈도우에 디스플레이되고 메모리에 저장되어 있는 세이브된 값으로 로딩된다. 파라미터 값은 편집될 수 있으며, 그들의 편집 상태를 나타내는 컬러, 즉, 블랙 - 디폴트 또는 편집되지 않은 값, 레드 -편집된 값, 블루 - 불변, 편집 불가능 값에서 디스플레이될 것이다.
환자 모델 선택이 변경되면, 플랜트 블록 (914) 과 링크된 블록들 사이의 이전에 존재하는 접속은 절단되며, 사용자는 이들을 재접속할 필요가 있다 (아래 제공되는 접속 섹션 참조). 플랜트 블록 (914) 과 관련된 입력 및 출력은 업데이트된다. 또한, 신규한 환자 모델의 선택은 플롯 셋업에서 독립 및 의존 변수의 업데이트된 리스트를 발생시킨다 (섹션 6 참조). 플랜트 메뉴 윈도우 (922) 에서의 각 파라미터는 그 자신의 로우에 리스트된다. 플랜트 메뉴 윈도우 (922) 에서의 컬럼은, 각 로우에 대한 "Nos." 컬럼 (924), 파라미터 명칭에 대한 "파라미터" 컬럼 (926), 및 파라미터 값에 입력을 위한 "편집 값" 컬럼 (928) 이다. 입력된 값은, 인접 슬라이더 (932) 에 또한 반영될 값에 대한 변경인, "슬라이드 값" 컬럼 (930) 이후에 제공된 2개의 컬럼에서의 파라미터에 대한 특정된 최소값과 최대값 사이이어야 한다.
"슬라이드 값" 컬럼 (930) 은 파라미터의 값을 설정하는 다른 방법을 제공하고, 슬라이더 (932) 의 좌우 단부는 파라미터에 대한 최소값과 최대값에 각각 대응한다. 슬라이더 (932) 가 이동될 때, 파라미터의 수치값은 편집 값 컬럼에서 슬라이더의 좌로 컬럼에서 업데이트된다. "Edit Min." 컬럼 (934) 은 최소의 허용가능한 파라미터 값을 제공한다. 이러한 값은 편집될 수도 있으며, 여기서, 변경이 슬라이더 (932) 에 또한 반영된다. "Edit Max" 컬럼 (936) 은 파라미터 값에 대한 상한을 제공한다. 상한을 갖지 않는 파라미터에 대해 큰 값이 사용되어야 한다. 이러한 값은 편집될 수도 있으며, 여기서, 변경이 슬라이더 (932) 에 또한 반영될 것이다.
"No. of Div" 컬럼 (938) 은 시뮬레이션 (예를 들어, 파라메트릭 연구) 이 수행되는 파라미터의 값의 번호를 나타내기 위해 사용된다. 넌-제로 포지티브 정수가 입력되어야 한다. 비정수 값은 가장 가까운 유효 정수로 반올림된다. Div 의 다음의 값에 대해, 실험 시뮬레이션에서 사용되는 파라미터 값은, 입력된 파라미터 값의 사용을 의미하는 0 또는 1; 최소 및 최대값의 사용을 의미하는 2; 최소, 평균, 및 최대 값의 사용을 의미하는 3; 최소, 최대, 및 n-2 동일하게 이격된 중간값의 사용을 의미하는 n (여기서, n 은 포지티브 정수) 이다. 파라메트릭 연구는 파라미터 값의 조합을 모두 포함하며, 여러 파라미터의 배수 값이 사용되면 과도한 수의 구동에 이를 수도 있다. 조합의 수를 결정하기 위해, 모든 파라미터에 대해 선택된 분할의 수를 승산한다. APCATS (900) 를 이용하여, 2개의 상이한 타입의 연구, 즉, (a) 파라미터 범위의 시스테매틱 스패닝, 및 (b) 파라미터 범위의 랜덤 스패닝이 수행될 수 있다.
(a) 파라메트릭 연구 (시스테매틱)
소정의 파라미터에 대해 파라메트릭 연구를 수행하기 위해, 사용자는 파라미터에 대한 분할의 수를 연구될 값의 수로 설정한다. 구동이 이루어질 파라미터의 값은 값의 일정한 수를 제공하기 위해 충분한 균등하게 이격된 중간값의 수 및 입력된 최소 및 최대값이다. 예를 들어, 파라미터에 대한 분할의 수가 5 로 설정되면, 구동은 최소값과 최대값 사이의 거리의 1/4, 1/2, 및 3/4 에서, 최소 및 최대값 및 3개의 다른 값에 대해 이루어진다. 2개 이상의 파라미터가 배수 값을 사용하기 위해 설정되면, 구동은 모든 파라미터의 값의 각 가능한 조합에 대해 이루어진다. 과도한 수의 조합/구동을 쉽게 생성할 수 있기 때문에, "Nos. of Div" 를 설정하는데 있어서 주의가 취해져야 한다.
(b) 파라메트릭 연구 (랜덤)
랜덤 파라미터 선택을 사용하기 위해, 사용자는 "Select parameter value@ random" 체크박스 (940) 를 체크한다. "Number of runs" 및 "SEED" 필드들 (942 및 944) 각각은 인이블되게 된다. "Number of runs" 필드 (942) 에서, 사용자는 실험의 시뮬레이션 동안 구동될 시뮬레이션의 수를 입력한다. "SEED" 필드 (944) 에서, 사용자는 난수 생성기에 대한 시드로서 포지티브 정수를 입력한다. SEED 값은 난수 시퀀스를 재생성하기 위해 사용되고, 랜덤값이 재생성될 수 있게 하기 위해 실험의 문서에 저장된다. 난수 생성은 파라미터 범위에 걸쳐 균일한 분포를 가정한다. 각 구동에 대해, 파라미터에 대해 사용된 랜덤값은 문서 파일에 저장된다. 플랜트 메뉴 윈도우 (922) 의 바닥에서의 커맨드 라인 메뉴 (946) 는 다음의 기능, 세이브, 소거, 도움, 및 폐쇄를 제공한다. "세이브" 는 임의의 파라미터 변화를 세이브하고, 세이브된 최종 시간 이후 적어도 하나의 값이 변화된 경우에만 활성이다. "소거" 는 최종 세이브된 값을 복구한다. 이러한 버튼은, 세이브된 최종 시간 이후 적어도 하나의 값이 변화된 경우에만 활성이다. "도움" 은 도움 창을 개방하고, "폐쇄" 는 만약 있다면 변화를 세이브하고, 윈도우 (922) 를 폐쇄한다.
센서 및 액추에이터
알고리즘 페인 (906) 에서의 그들의 사용자 인터페이스로 인해, 센서 및 액추에이터 블록들 (916 및 920) 각각의 공식화 (formulation) 가 유사하기 때문에, 이들은 여기에서 함께 논의되고 디바이스 블록들로서 총칭된다. 액추에이터 블록 (920; 도 22) 은 제어기 블록 (918) 으로부터 커맨드를 수신하는 펌프 유닛을 시뮬레이션한다. 이것은 액추에이터 블록 (920) 을 활성화시킨다. 액추에이터 블록 (920) 으로부터의 출력(들)은 플랜트 블록 (914) 으로 전송된다. 한편, 센서 블록 (916) 은 플랜트 블록 (914) 에서 선택된 환자 모델로부터의 신호를 측정하고, 정보를 제어기 블록 (918) 으로 전송한다. 디바이스 블록들 (916 및 920) 은 다음의 특징들, 즉, 수학적 관계에 의해 설명되는 디바이스 동역학, 디바이스 파라미터, 입력(들), 및 출력(들)을 갖는다. 센서 및 액추에이터 블록들 (916 및 920) 각각은 다음의 셋업 선택, 디바이스의 수, 디바이스의 타입/디바이스 모델, 및 디바이스 계수를 제공한다. 잡음 및 비선형이 함수에 형성되기 때문에, 이들 파라미터는 다른 디바이스 계수에 따라 리스트될 수 있다.
디바이스는 알고리즘 페인 (906) 의 디바이스 블록들 (906 및 920) 에서의 풀 다운 (pull down) 리스트 (948) 로부터 선택된다. 디바이스의 선택시에, 계수 (950) 라 또한 칭하는 디바이스에 특정된 파라미터가 각각의 디바이스 블록에 리스트된다. 디폴트 값이 계수 디스크립션 다음에 일반적으로 리스트된다. 계수 값은 편집가능하다. 임의의 값이 편집되면, 세이브 및 소거 버튼이 인에이블되게 된다. 최종 세이브된 값을 복귀시키기 위해, 소거 버튼을 클릭한다. 입력된 값을 세이브하기 위해, 세이브 버튼을 클릭한다. 이들 액션 중 어느 하나는, 다음의 편집이 이루어질 때 까지 버튼들을 디스에이블한다. 세이브 및 소거 버튼이 활성되면, 즉, 각각의 디바이스 블록에 임의의 세이브되지 않은 계수가 존재하면 신규한 시뮬레이션을 실행되지 않는다. 여러 디바이스 유닛을 병렬로 구동하게 할 수 있는 APCATS (900) 능력은 다중 센서 또는 펌프가 동시에 시뮬레이션될 수 있게 한다.
다중의 동시 유닛을 구현하기 위해, 사용자는 얼마나 많은 제어 채널이 동작중인지를 나타내는 디바이스 메뉴상의 상부-좌측 넘버 탭 (952) 에 유닛의 원하는 수를 입력해야 한다. 각 유닛은 상부-좌측상에서 넘버링된 탭 (954) 에 의해 선택가능한 자신의 디바이스 형태를 갖는다. 현재 선택된 디바이스의 넘버링된 탭 (954) 이 하이라이트된다. 사용자는 이들 형태 각각에 대한 계수 (950) 를 편집할 수 있다. 디바이스의 수에서의 증가는 드롭 다운 리스트 (948) 의 종단에 신규 디바이스를 추가한다. 유사하게, 감소는 리스트 (948) 의 종단으로부터 디바이스 (즉, 더 높은 넘버링된 디바이스) 를 제거한다. 사용자가 이 형태를 세이브하기 이전에 다른 탭으로의 스위칭을 결정하면, 형태를 세이브하도록 프롬프트되고 진행하기 이전에 변경을 세이브하거나 소거해야 한다. 사용자는 임의의 시간에 탭 및 디바이스의 수를 변경할 수 있다. 사전 정의된 최대 수의 디바이스를 초과하는 수를 입력하면, 이 수는 이전의 값으로 복귀된다. 디바이스가 변경되는 임의의 시간에, 그 디바이스에 대한 기존의 입력 및 출력 접속이 절단된다. 시뮬레이션을 구동하기 이전에, 사용자는 입력을 공급하고 출력을 수용하는 모듈과 디바이스 사이에 신규한 접속을 구성해야 한다. 유사하게는, 접속은 임의의 신규하게 추가된 디바이스에 대해서도 이루어져야 한다. 파라미터가 세이브되거나 폐기될 필요가 있는지를 체크하지 않고 디바이스를 스위칭하는 능력은 아직 완벽하지 않다. 현재, APCATS (900) 는 최종 세이브 이후 이루어진 임의의 변경을 폐기한다.
디바이스 블록들 (916 및 920) 은 2개의 모드, 즉, (1) 정상 연속 디바이스 동작인 비고장 모드 (non-failure mode), 및 (2) 고장 모드 (failure mode) 에서 동작할 수 있다. 고장 모드는 다른 서브-블록들이 정상 동작을 계속하는 동안 디바이스 중지, 즉, 고장 상태에 대한 디바이스 출력의 프리징의 시뮬레이션을 허용한다. 고장의 종단에서, 디바이스는 자체 재초기화함으로써 복귀한다. 고장은 어느 디바이스가 고장났는지, 경험된 고장의 타입, 및 고장의 지속기간을 특정함으로써 스케줄링될 수 있다. 안전장치/고정 모드를 인에이블하고 고장이 스케줄링되게 하기 위해, 사용자는 고장 모드 버튼 (958) 의 좌측에 대해 체크박스 (956) 를 체크한다. 제어기 블록 (918) 상의 테스트-스탠드 에뮬레이터 (APSe) 버튼 (962) 에 대한 체크박스 (960) 가 체크되었으면, 고장 모드 체크박스 (956) 는 변경될 수 없도록 자동으로 체크되고 디스에이블된다. 에뮬레이트된 (시뮬레이션된) APS 인 테스트-스탠드 에뮬레이터 버튼 (962) 에 대한 체크박스 (960) 가 제어기 블록 (918) 에 대해 체크되지 않았으면, 사용자는 안전장치/고장 모드를 선택하기 위해 고장 모드 체크박스 (956) 를 사용할 수도 있다. 고장 모드가 인에이블되면, 고장 타입을 나타내는 추가의 출력이 생성된다. 디폴트에 의해, 0 (제로) 의 값은 정상 디바이스 동작을 나타낸다.
고장을 스케줄링하기 위해, 사용자는 각각의 디바이스 블록 (916 또는 920) 상의 (고장 모드가 인에이블되면) 고장 모드 버튼 (958) 을 클릭한다. 도 25 에서, 센서 고장 메뉴 윈도우인 각각의 디바이스 고장 메뉴 (964) 윈도우가 개방될 것이다. 액추에이터 고장 메뉴 윈도우가 유사하기 때문에, 고장 메뉴 윈도우 (964) 만이 논의된다. 고장 메뉴 윈도우 (964) 는 상이한 사전 정의된 고장에 대한 버튼들 (966) 을 포함한다. 고장 스케줄 (968) 에 고장을 입력하기 위해 이들 버튼들 (966) 을 클릭한다. 스케줄은 그 일부가 편집가능한 선택된 고장 모드에 대한 다양한 파라미터를 리스트한다. 파라미터는 "번호 (Nos.)" (970), "고장 모드 (Failure Mode)" (972), "탭 번호 (Tab Nos.)" (974), "고장 시작 시간 (Failure Start Time)" (976), "고장 종료 시간 (Failure End Time)" (978), 및 " 관계 (Association)" (980) 이다. "번호" 파라미터 (970) 는 고장 엔트리의 일련 번호이다. "고장 모드" 파라미터 (972) 는 고장의 명칭이고, "탭 번호" 파라미터 (974) 는 고장이 할당된 디바이스의 탭 번호이다. 디바이스는 효과를 취하기 위해 고장에 대해 존재해야 한다. "고장 시작 시간" 파라미터 (976) 는 날짜, 시간, 및 분에서의 시작 시간이다. 임의의 비수치 문자가 번호들을 구별하기 위해 사용될 수도 있다. 단일의 번호만이 입력되면, 분을 표현하는 것으로 가정된다. 2개의 번호가 입력되면, 이들은 시간 및 분을 표현하는 것으로 가정된다. "고장 종료 시간" 파라미터 (978) 는 날짜, 시간, 및 분에서의 종료 시간이다. 입력된 번호의 해석은 시작 시간에 대해 사용된 동일한 패턴을 따른다.
"관계" 파라미터 (980) 는 코멘트를 캡처하기 위해 사용된다. 고장 번호 및 명칭은 고장 버튼이 클릭될 때 입력된다. 이들 필드는 편집불가능하다. 시작 시간이 입력되지 않으면, 고장이 결코 개시되지 않는다. 입력된 시작 시간이 종료 시간으로 진행하면, 고장은 시작 시간에서 시작하고 종료 시간에서 컷 오프한다. 시작 시간이 종료 시간 이상이면, 고장은 시작 시간에서 시작하고 시뮬레이션 시간의 종료까지 지속된다. 고장 메뉴 윈도우 (964) 는 또한, 상승하는 시작 시간의 순서로 고장을 재순서화하는 "재순서화 (Reorder)", 임의의 변경된 값을 유지하는 "세이브 (Save)", 최종 세이브된 값을 복원하는 "소거 (Cancel)", 도움 윈도우를 개방하는 "도움 (Help)", 및 임의의 변경을 세이브하고 윈도우를 폐쇄하는 "폐쇄 (Close)" 인, 바닥에서의 커맨드 라인 버튼들 (982) 을 갖는다. 세이브 및 소거 버튼은, 스케줄에 대한 임의의 정보가 최종 세이브된 이후에 변경되었을 경우에만 인에이블된다. 고장 메뉴 윈도우 (964) 상에 도시된 나머지 아이템들은 설명이 없어도 명백하다.
제어기
제어기 블록 (918) 은 플랜트 블록 (914) 과 유사하다. 이것은 동시에 선택될 하나만을 허용하는 무선 버튼 선택으로서 모든 이용가능한 제어기를 리스트한다. 제어기 모델을 선택하기 위해, 모델의 무선 버튼 (984) 을 클릭한다. 외부 자극의 변화하는 영향에 대해 환자를 안정시키는 자동 치료 (automatic care) 가 제어기 모듈에 의해 제어되고 정정된다. 이것은 연속적인 방식으로 약물을 정확하게 투여함으로써 행해진다. APCATS (900) 가, 시험될 표준 제어 알고리즘의 리스팅을 제공하지만, 이것은 또한 사용자 정의 제어기를 도입하기 위한 옵션을 갖는다. 기본적인 아이디어는, 플러그 인 및 구동 제어기 (plug-in-and-run-controller) 타입 상황을 제공하는 것이다. 이 옵션은, 제어기 1 (변경 파라미터), 및 제어기 2 (변경 파라미터)..., 및 제어기 n (변경 파라미터) 와 같이 보일 수도 있다. 제어기 모델의 선택 이후에, 제어기 파라미터 윈도우가 나타날 것이다. 제어기 파라미터 윈도우가 플랜트 메뉴 (922; 도 24) 와 유사하기 때문에, 제어기 파라미터 윈도우는 도시되지 않고 리스트된 제어기 파라미터를 어떻게 조절할지에 대한 논의가 제공되지 않는다. 제어기가 변경되는 임의의 시간에서, 기존의 입력 및 출력 접속이 절단된다. 시뮬레이션을 구동하기 이전에, 사용자는 입력을 공급하고 출력을 수용하는 제어기와 모듈 사이에 신규한 접속을 생성해야 한다.
테스트-스탠드 에뮬레이터
제어기 블록 (918; 도 22) 에서의 체크박스 (960) 를 체크하는 것은, 클릭될 때, 도 26 에 의해 도시된 바와 같은, 테스트-스탠드 에뮬레이터 윈도우 (986) 를 멈추는 테스트-스탠드 에뮬레이터 푸쉬버튼 (962) 을 인에이블한다. 테스트-스탠드 에뮬레이터 윈도우 (986) 는 장애를 이벤트 타입에 링크하기 위해 사용된다. 상부 절반에서 테스트-스탠드 에뮬레이터 (986) 는 4개의 컬럼으로 그룹화된 이벤트 타입 버튼 (990) 을 포함한다. 소정의 컬럼에서의 버튼 (990) 은 이벤트의 동일한 특정 양태에 관한 것이고, 트리거될 수 있는 이벤트 기능을 나타낸다. 각 버튼 (990) 은 장애 모듈을 통해 정의된 장애와 관련된다. 이들 버튼 (990) 중 하나를 클릭하는 것은 트리거된 이벤트라 불리는 대응하는 이벤트를 윈도우의 하위 섹션에 위치된 이벤트 스케줄 (992) 에 입력한다. 이벤트 스케줄 (992) 은 발생할 이벤트 (장애) 가 스케줄링되는 시간, 그들의 지속시간 및 크기의 타임테이블이다. 장애를 스케줄에서의 이벤트와 관련시키기 위해, 사용자는 먼저 그것을 선택하기 위해 장애에 대해 왼쪽 클릭한다. 로우는 옐로우로 하이라이트되게 된다. 다음으로, 그 로우에 입력될 이벤트 타입에 대해 버튼들 (990) 중 관련된 하나를 클릭한다. 그 후, 사용자는 그 로우에 나머지 값의 입력을 진행한다.
트리거될 때, 트리거된 이벤트는 환자 블록 (914; 도 22) 에서 체크된 선택된 환자 모델에 대해 단지 작용된다. 제어기 블록 (918) 은 그것을 적절한 트 리거된 이벤트와 관련시킴으로써 장애를 인식한다. "이벤트 리스트 (Event List)" 컬럼하에서 리스트된 트리거된 이벤트는 여러 특성, 즉, "이벤트 시작 시간" 으로서 도시된 트리거 시간, "이벤트 타입 (Event Type)", "ALGO 액션 시간" 으로서 도시된 상대적 시간, "액션 스팬 시간 (Action Span Time) 으로서 도시된 이벤트의 지속기간, 및 "양 (Amount)" 을 갖는다. 이벤트 타입은 알고리즘에 의해 사용된 이벤트 코드이다. 이것은 이벤트 타입 버튼들 중 하나를 클릭하거나 (버튼상에서 괄호에 제공된) 대응하는 코드를 입력함으로써 입력될 수 있다. 상대적 트리거 시간은, 제어기 블록 (즉, ALGO (500)) 가 트리거된 이벤트를 인식하게 되는 물리적으로 발생하는 이벤트의 시간에 관한 것이다. 제어기 블록 (918) 은 (a) 실제 이벤트가 발생하기 이전 (네거티브 수), (b) 이벤트의 발생과 동시에, (c) 실제 이벤트 이후의 어느 시간 (포지티브 수) 의 발생을 나타낼 수 있다. 이벤트의 지속기간은 이벤트가 트리거된 이후 활성을 지속하는 지속기간을 선택하기 위해 사용된다. 이벤트 양은 이벤트의 크기를 선택하기 위해 사용된다.
테스트-스탠드 에뮬레이터 윈도우 (986) 의 바닥은 커맨드 메뉴 버튼들 (994) 을 포함한다. 이 버튼들 (994) 및 이들의 기능은 다음과 같다. "Patient Ini" 는 초기화 파일 PatientIni 의 경로 및 명칭을 디스플레이한다. PatientInin 파일은 제어기 (예를 들어, APS (500)) 에 의해 사용되는 환자 파라미터를 포함한다. "실험 디렉토리 (Experiment Directory)" 는 데이터가 상주할 디렉토리의 위치를 디스플레이하며, "세이브 (Save)" 는 현재의 변화에 대한 값을 세이브하고 업데이트한다. "소거 (Cancel)" 는 변화를 거부하고 최종 세이브된 값을 재로딩하며, "도움 (Help)" 은 도움 스크린을 디스플레이한다. "폐쇄 (Close)" 는 임의의 업데이트된 값을 세이브하고 윈도우를 폐쇄한다. 원하는 경우에, 리프레쉬 버튼이 또한 제공될 수도 있다.
외부 장애
외부 장애 블록 (912; 도 22) 은 정상적이고 건강한 생활을 보내는 사람으로부터 예상되는 탄수화물 소모, 물리적 활동, 및 다른 활동에 대한 응답을 시뮬레이션하기 위한 수단을 제공한다. 정상적 생활을 보낼 수 있도록 당뇨병 환자에 대해서, 이들의 신체적 기능은 이러한 장애/자극에 대처하도록 조절해야 한다. 폐루프 시스템의 강건성, 효율성, 및 안정성은 (1) 동작 범위에 걸쳐 모델 파라미터 값에서의 변화 및 (2) 외부 장애/자극의 모든 가능한 시나리오를 조사함으로써 평가된다. APCATS 메인 윈도우 (902) 상의 외부 장애 블록 (912) 을 클릭하는 것은, 도 27 에 의해 도시된 바와 같이 외부-장애 메뉴 윈도우 (996) 를 디스플레이한다. 사전 정의된 자극 기능 버튼 (998) 의 세트가 도 27 에 의해 도시된 바와 같이 "SELECT DIET CUM EXERCISE OPTIONS" 로 지정된 제목하에서 제공된다. 추가의 자극 기능이 나중의 섹션에서 설명되는 바와 같이 신규한 기능을 기록하고 초기화 파일 DietInit 를 변경함으로써 리스트에 쉽게 도입된다. 옵션은 다양한 시나리오, 테스트-케이스의 표준 세트, 또는 임의의 사용자 케이스를 테스트하는데 이용가능하다. 이들은 장애 기능을 사용하고 이들의 발생을 스케줄링함으로써 구축된다.
버튼들 (998) 은 선택된 환자 (플랜트) 모델에 의존하여 선택을 위해 이용가능한 장애로서 인에이블되거나 디스에이블될 수도 있다. 따라서, 소정의 환자 모델에 대해, 그 환자 모델에 대해 정의된 장애만이 선택을 위해 인에이블되고 이용가능하다. 장애는 임의의 순서로 입력될 수도 있다. 외부-장애 메뉴 윈도우 (996) 는 또한, 시뮬레이션의 길이를 셋업하기 위한 외부-장애 스케줄 (1000) 을 제공한다. 외부-장애 스케줄 (1000) 은 컬럼 형태로, 장애의 수, 장애의 명칭, 스케일 강도, 시작 시작, 종료 시간, 및 관계를 리스트한다. 장애의 수 및 명칭은 편집불가능하지만, 장애를 테이블에 입력하기 위해 장애-선택 버튼이 사용될 때 설정된다. 스케일 강도 값은 사용자가 팩터에 의해 출력 값을 스케일할 수 있게 한다. 1 의 디폴트 스케일 값은 공칭 장애를 나타낸다. 스케줄 (1000) 의 나머지 컬럼이 시뮬레이션의 주기 동안 발생할 장애 (자극) 을 스케줄링하기 위한 이들의 사용에 있어서 테스트-스탠드 에뮬레이터 윈도우 (986; 도 26) 의 스케줄과 유사하기 때문에, 그것에 관한 추가의 논의가 제공되지 않는다. 또한, 외부-장애 메뉴 윈도우 (996) 의 바닥에서의 커맨드 메뉴 버튼들 (1002) 이 고장 메뉴 (952) 에 제공된 버튼들과 또한 유사하기 때문에, 추가의 논의가 또한 제공되지 않는다.
플랜트 파라미터와 장애 출력의 상호링크
일반적으로, 외부 자극은 플랜트에 대한 입력으로서 뿐만 아니라 플랜트 파라미터를 구동한다. 이러한 특별한 경우에서, 장애 함수 각각은 (1) 플랜트 블록 (914) 에 접속될 필요가 있는 출력 및 (2) 플랜트 파라미터와 일 대 일 대응을 하는 장애 파라미터로 구성된 출력을 갖는 모듈로 고려된다. 장애 출력(들)과 장애로부터의 파라미터 출력의 합은 플랜트 모델의 입력 및 파라미터가 되도록 패스된다. 그러나, 다중의 장애가 동시에 발생할 때 중요한 고려사항이 존재한다. 다중의 장애 함수의 효과는 모든 장애로부터의 출력을 합산함으로써 중첩되어서, 플랜트 블록 (914) 에 대한 입력이 되는 단일 벡터화된 출력을 형성한다. 장애 모델들 중에서 이러한 요청을 행할 수 있도록, 장애 출력 각각은 출력의 번호 및 그들의 순서로 다른 장애 출력에 따른다. 그러나, 장애 블록 (912) 관점으로부터, 출력의 번호 또는 그들의 수에 대한 제한이 존재하지 않는다. 한편, 파라미터-출력은 번호 뿐만 아니라 순서에서 선택된 플랜트에 일치해야 한다. 다중의 장애가 동시에 작용할 때, 상술한 출력과 다르게, 파라미터는 추가되지 않지만, 오히려 장애 각각으로부터의 파라미터 세트가 분석되고 파라미터 값의 단일 세트가 결정된다. 이러한 시나리오를 관리하는 함수가 필터 함수이다.
외부-장애 메뉴 윈도우 (996) 에 외부 장애를 입력한 이후에, 필터 함수는 선택된 환자 모델로부터 파라미터의 번호를 얻는다. 모든 식이요법의 동작 상태 (동작 = 1; 비동작 = 0) 가 식이요법으로부터 오는 파라미터 값과 멀티플렉싱된다. 식이요법의 번호는 다음의 로직 : Number of diets = length of input vector/(1+length of parameter) 를 사용함으로써 계산된다. 외부 장애의 입력된 시작 및 종료 시간은 함수가 활성되고 함수가 중지되는 시간이 된다. 식이요법을 설명하는 수학적 함수는 시작 시간과 독립적이다. 종료 시간에 관하여, 이 함수는 설정된 시간 코스를 가질 수도 있으며, 이러한 상황에서, 종료 시간을 다루기 위한 2개의 방식이 존재한다. 일반적으로, 이 함수는 그것의 초기 조건 및 파라미터가 함수내에서 설명되는, 미분 방정식이다. 함수 작용은 정규화된 응답이다. 출력은 "Scale Strength" 컬럼하에서 이벤트 스케줄 (1000) 에 제공된 입력된 스케일 값에 의해 스케일링된다. 포지티브 스케일 값이 일반적으로 예상되지만, 네거티브 값이 네거티브 효과를 시뮬레이션하기 위해 입력될 수도 있다.
접속 포트 형태
APCATS 메인 윈도우 (902) 에 도시된 접속 라인을 클릭하는 것은 도 28 에 의해 도시된 접속 포트를 가져온다. 그것의 좌측상에서, 접속 포트 형태 (1004) 가 가용 출력 (1006) 을 리스트하고 넘버링한다. 출력 (1006) 은 정보를 전송하는 블록에 의해 생성된다. 우측은 비어있는 편집 박스를 따라, 정보를 수신하는 블록의 입력 (1008) 을 디스플레이한다. 특정 출력 (1006) 과 특정 입력 (1008) 사이의 접속을 생성하기 위해, 사용자는 출력을 수신하려는 입력 필드에 인접한 편집 박스로의 출력에 대응하는 번호는 타입핑한다. 출력 (1006) 에 접속되지 않는, 즉, 블랭크 편집 박스를 갖는 임의의 입력 (1008) 은 0 으로 설정된다. 또한, 입력 (1008) 은 2개 이상의 출력 (1006) 에 접속될 수 없다. 모든 출력이 입력에 접속될 필요는 없다. 시뮬레이션은 모든 리스트된 출력에 대한 데이터를 생성하지만, 접속되지 않고 남아 있는 것들은 단순히 다음 모듈에 대한 입력으로서 사용되지 않는다. 출력은 2개 이상의 입력에 접속될 수 있다. 모든 원하는 접속의 완료시에, 접속을 세이브하기 위해 상부 우 측 코너에서의 "X" (윈도우 폐쇄) 를 클릭하고, 이 형태를 폐쇄한다.
구동/저장 페인
도 29 에 의해 확대되는 APCATS 메인 윈도우 (902) 의 구동/저장 페인 (904) 은 데이터를 로딩하고, 데이터를 세이빙하며, 시뮬레이션을 구동하는 기본 기능을 제공한다. 또한, 이것은 실험 세팅을 디스플레이하고, 사용자가 실험을 개요를 입력하게 하며, 마지막으로 사용자가 APCATS (900) 를 종료하게 한다. 구동/저장 페인 (904) 의 최좌측 컬럼은 Startup Entry form (1010; 도 32) 에서 이루어지고 변경된 엔트리를 디스플레이한다. 상부로부터 바닥까지 이것을 디스플레이하는 정보의 3개의 피스는, 사용자 이름, 실험 그룹과 실험 식별 번호, 및 사용중인 패러다임 (정맥주사-정맥주사, 피하주사-피하주사, 정맥주사-피하주사) 이다. 실험에 관한 상세 및 코멘트를 입력하기 위해, Enter Experiment Brief button (1012) 을 클릭한다. 이렇게 하는 것은 "APCATS 900 - Add Particulars about the Current Experiment" 윈도우 (미도시) 를 가져온다. 이러한 윈도우에 입력된 정보는 실험의 문서 (doc) 파일에 저장된다. 이러한 정보는 임의의 횟수 업데이트될 수 있다.
현재의 APCATS 900 세팅을 컴파일하고 이들을 세이빙하기 위해, 사용자는 View Status button (1014) 을 클릭한다. 이렇게 하는 동안, 상태 정보가 임시 위치 (작업 영역) 에 기록되며 편집자에 디스플레이된다. 파일에 대한 입력 변수의 현재의 세팅을 세이빙하기 위해, 사용자는 Save Cum Document Run button (1016) 을 클릭한다. View Status button (1014) 가 클릭될 때 디스플레이된 셋업 문서가 또한 세이빙된다. 실험을 재생성하기 위해 필요한 현재의 초기화 세팅이 작업 영역의 임시 파일에 기록된다. APCATS 900 이 실패하면, 이러한 파일에 세이빙된 세팅은 Startup Entry form (도 32) 상의 Old button (1015) 을 클릭하며, 리스트된 파일 디렉토리에서의 임시 파일링을 탐색함으로써 복원될 수 있다. 임의의 시간에 Startup Entry form (1010) 을 가져오기 위해, STARTUP FORM button (1018) 을 클릭한다. Startup Entry form (1010 (도 32) 은 실험의 범위를 정의하고 적합한 기록을 유지하도록 필요한 상세를 편집하기 위해 사용된다. APCATS 900 를 종료하기 위해, "EXIT APCATS" button (120) 을 클릭한다. 사용자가 APCATS 900 으로 리턴할 수 있게 하고 종료 커맨드를 취소할 수 있게 하는 "Exit from APCATS" 다이얼로그 박스 (미도시) 에 접근한다. 연속 버튼을 클릭하는 것은 애플리케이션의 폐쇄로 진행한다. 메인 APCATS 윈도우 900 를 폐쇄하기 전에, 모든 APCATS 생성된 윈도우를 폐쇄한다.
시뮬레이션을 시작하기 위해, 사용자는 Start Simulation Button (1022) 을 클릭한다. 이렇게 하는 것은 도 30 에 의해 도시된 시뮬레이션 파라미터 윈도우 (1024) 를 가져온다. 시뮬레이션 파라미터 윈도우 (1024) 는 사용자가 시뮬레이션에 대한 시작 및 중지 시간을 설정할 수 있게 하고, 통합 루틴 및 스텝 사이즈를 선택할 수 있게 하며, 시뮬레이션을 구동할 수 있게 한다. 대부분의 파일은 설명이 없어도 명백하다. 디폴트에 의해, 시뮬레이션 구동은 시간 0 에서 시작한다. 넌-제로 값을 입력하는 것은 시작 시간에 대한 오프셋을 제공한다. 시뮬레이션 구동에 대한 종료 시간을 설정하기 위해, 사용자는 Stop Time textbox 에 값을 입력한다. 중지 시간은 실행할 시뮬레이션에 대한 시작 시간 보다 커야한다. 시뮬레이션에서 사용될 통합 루틴을 설정하기 위해, 사용자는 솔버 드롭다운 메뉴 (1026) 로부터 이것을 선택한다. 통합 스텝 사이즈를 설정하기 위해, 사용자는 스텝 사이즈 드롭다운 메뉴 (1028) 로부터 이것을 선택한다. 데이터 세이브를 위한 시간 주기 동안, 사용자는 데이터 세이브 사이의 주기를 입력한다. 상대적 톨러런스 (tolerance) 는 통합 컨버전스 기준이다. 또한, 절대적 톨러런스는 통합 컨버전스 기준이다. 사용자는 시뮬레이션 동안 디스플레이될 시간 윈도우를 설정하기 위해 드롭다운 박스 (1030) 로부터 값을 선택한다. 이용가능한 선택은, 매시간, 1/4 일, 1/2 일 또는 매일, 및 전체 시뮬레이션이다. Simulink Model File Name 에 대해, init 파일에서 정의된 플래그는, 사용자가 시뮬레이션-모델 파일을 개명할 수 있는 여부를 제어한다. 인가되면, 사용자는 Simulink Model Name edit box 에 Simulink file 의 명칭을 입력할 수 있다. Build Model Only 에 대해, init 파일에서 정의된 플래그는 사용자가 모델을 구축하고 뷰할 수 있는지 여부를 제어한다. 인가되면, 사용자는 파일 명칭이 Simulink Model Name text box 에 입력되는 Simulink model 을 구축하기 위해 Build Model button (1032) 을 클릭할 수도 있다. 그 후, 사용자는 모델 (mdl) 파일을 개방함으로써 모델을 찾을 수도 있다.
시뮬레이션 구동
시뮬레이션을 구동하기 위해, 사용자는 Start button (1034) 을 클릭한다. 이러한 버튼을 클릭하는 것은, 다음의 액션, 즉, 문서 및 초기화 파일이 생성되 고 세이빙되는 것, 파라메트릭 연구 루프가 설정되는 것, Simulink 블록도가 생성되고 시뮬레이션되는 것, 및 결과 데이터가 세이빙되는 것을 트리거한다. 시스테매틱 (S) 및 탐색적 (E) 실험에 대해, 실험 식별 번호가 생성되고 적절하게 명칭된 데이터 파일이 시스템 디렉토리에 세이빙된다. 파일을 세이빙하는데 문제점이 있다면, 이들은 대신에, 사용자의 로컬 하드 드라이브상에 통상 위치되는 파킹된 데이터 디렉토리로 이동된다. 플레이 (P) 그룹에서 실험을 위해, 사용자에게는 실험 식별 번호를 공급하도록 요청된다. 시스테매틱 (S) 또는 탐색적 (E) 실험에 대해, 로깅 정보가 네트워크 드라이브상에 유지된 로그 파일에 추가된다. 연속 버튼 (1036) 을 클릭하는 것은, 이미 완료된 상태로부터 시뮬레이션을 계속하고, 이것은 시뮬레이션을 연장한다. 중지/재개 버튼 (1038) 을 클릭하는 것은, 구동하는 시뮬레이션을 중지시키거나 중지된 시뮬레이션을 재개시킨다. 진행중인 시뮬레이션을 중지하기 위해, 사용자는 Stop button (1040) 을 클릭한다. 시뮬레이션이 사용자에 의해 중지되면, 부분 시뮬레이션으로부터의 데이터가 세이브되지 않는다. 이것은 불완전한 데이터 세트의 생성을 방지한다. 시뮬레이션 클록은 시뮬레이션 클록 시간을 디스플레이한다. 이것은 사용자가 시뮬레이션의 진행을 모니터링할 수 있게 한다. Current/Total Run Nos. 는 16진수의 표기로, 실험의 총 구동 및 현재의 구동 번호를 디스플레이한다.
시뮬레이션 구동 이후에, APCATS 900 은 출력을 생성한다. 다음의 옵션들, 즉, 성능 측정을 생성하고; 시뮬레이션 이전에 무슨 출력이 생성되고 세이브되는지를 결정하고; 모든 가능한 출력을 생성하고, 무슨 출력이 세이브되는지를 나중 에 결정하고; 모든 출력을 생성 및 세이브하고; 출력을 시각화하며; ASCII, 2진 포맷, 또는 임의의 다른 수의 적합한 전자 포맷으로 파일하기 위해 출력을 세이브하는 것이 사용자에게 이용가능하다. 2진 형태로 데이터를 세이브하는 것은 간결한 이점을 갖지만, 데이터의 전달이 제한되게 된다. 한편, ASCII 데이터 파일을 유지하는 것은, 파일을 판독가능한 형태로 두고 또한 파일을 다른 데이터 분석을 위해 다른 소프트웨어로 쉽게 전달가능하게 한다.
플롯 페인
APCATS 메인 윈도우 (902) 의 플롯 페인 (908) 은, 사용자가 하드 카피로서 또는 스크린상에 실험 데이터를 그래프화하게 할 수 있고, 도 31 에 의해 확대된다. Run Number control (1042) 은 2개의 목적, (a) 시뮬레이션 동안 현재 시뮬레이션되고 있는 실험 구동의 번호를 디스플레이하는 것, 및 (b) 실험 외부에서, 데이터가 플롯되는 구동 번호(들)을 선택하기 위해 사용되는 것을 갖는다. 구동 번호는 16진수 형태로 디스플레이된다. 플롯될 데이터를 선택할 때 다중의 연속 구동을 선택하기 위해, 사용자는 플롯될 구동의 범위의 제 1 및 최종 번호를 선택하기 위해 좌측 마우스 버튼을 사용하면서 시프트 키 다운을 홀딩한다. 다중의 개별 구동을 선택하기 위해, 플롯될 구동의 개별 번호를 클릭하기 위해 좌측 마우스 버튼을 사용하면서 Ctrl 키 다운을 홀딩한다. Min 및 Max control (1044 및 1046) 각각은 16진수 형태로 최소 및 최대 구동 번호를 디스플레이한다. 슬라이더 (1048) 는 플롯될 구동 번호를 선택하는 대안의 방법을 제공한다. 슬라이더의 좌 및 우 단부 각각은 최소 및 최대 구동 번호를 나타낸다.
플롯 페인 (908) 은 로우 및 컬럼으로 정렬된 더 작은 서브플롯으로 분할될 수 있다. 로의 번호 또는 컬럼의 번호를 선택하기 위해, 사용자는 원하는 값을 Nos. of Rows 및 Nos. of Columns 에 입력한다. 예를 들어, 로우의 번호로서 2 및 컬럼의 번호로서 3을 입력하는 것은 2개의 로우에서 각각 3개인 6개의 서브플롯을 생성할 것이다. 서브플롯의 번호가 확립되면, 사용자는 각 서브플롯상에 디스플레이될 정보를 선택한다. 소정의 서브플롯을 설정하기 위해, 사용자는 Select Sub-Plot dropdown box (1050) 으로부터 서브플롯을 선택한다. 서브플롯은, 괄호에서의 제 1 번호가 서브플롯의 로우를 나타내고 제 2 번호가 컬럼을 나타내는, 매트릭스 표기를 사용하여 리스트된다. 각 서브플롯에 대해, 필요한 정보를 Select Sub-Plot dropdown box 아래의 control 에 입력한다.
x 축에 대한 라벨을 설정하기 위해, 사용자는 Label X-Axis textbox 에 라벨을 입력한다. 텍스트박스가 좌측이 비어있으면, 선택된 독립 (x) 변수의 명칭이 라벨로서 사용될 것이다. 사용자는 데이터가 Label X-Axis control 아래에 위치된 dropdown menu (1052) 로부터 플롯되는 독립 변수를 선택한다. 상이한 독립 변수가 서브플롯 각각에 대해 선택될 수도 있다. 디폴트 선택은 시간이다.
y 축에 대한 라벨을 설정하기 위해, 사용자는 Label Y-Axis textbox 에 라벨을 입력한다. 텍스트박스가 좌측이 비어있고 오직 하나의 독립 (y) 변수가 선택되면, 선택된 변수의 명칭이 라벨로서 사용될 것이다. 텍스트박스가 좌측이 비어있고, 2개의 이상의 독립 변수가 선택되면, y 축 라벨은 "***" 이다. 사용 자는 Plot It button 직상에 위치된 리스트 박스 (1054) 로부터 플롯하기 위해 의존형 변수를 선택한다. 다중의 연속 변수를 선택하기 위해, 사용자는 범위에서 제 1 및 최종 변수를 선택하기 위해 좌측 마우스 버튼을 사용하면서 시프트 키 다운을 홀딩한다. 다중의 개별 변수를 선택하기 위해, 사용자는 개별 변수를 클릭하기 위해 좌측 마우스 버튼을 사용하면서 Ctrl 키 다운을 홀딩한다. 5개까지 의존형 변수가 각 서브플롯에 대해 선택될 수도 있다. 선택된 변수는 선택 리스트상의 텍스트 박스에 리스트된다.
서브플롯 각각에 대한 파라미터가 입력되었으면, 플롯은 디스플레이되고 프린트될 수 있다. 플롯은, 시뮬레이션을 구동을 완료할 때까지 생성될 수 없다. 그러나, 이전의 시뮬레이션으로부터 데이터를 플롯하는 것을 가능하다. 스크린상에 플롯(들)을 디스플레이하기 위해, 사용자는 Plot It button (1056) 을 클릭한다. 그래프를 디스플레이하는 플롯 윈도우가 나타날 것이다. 플롯의 프린트된 (하드) 카피를 생성하기 위해, 사용자는 Print button (1058) 을 클릭한다. 사용자가 다양한 프린팅 옵션을 선택할 수 있게 하는 다이얼로그 박스 (미도시) 가 나타난다.
초기화 파일의 변경
APCATS 900 가 초기화될 때, 모든 가용 모델은 그들의 디폴트 값을 가지고 로딩된다. 이 값에 대한 연속 변경이 이들 오브젝트에 의해 유지된다. 디폴트 값은 APCATS 메인 윈도우 (902) 의 다양한 그래픽 오브젝트에 의해 홀딩된다. 각 그래픽 오브젝트는 각각 USerData 및 Value 인 2개의 가장 중요한 다양한 특 성을 갖는다. 후속하는 서브섹션은 블록 각각에 대한 특성에 의해 관리된 정보를 상세한다. 아래의 서브섹션은 임의의 사용자 특성 이전의 다양한 초기화 파일의 컨텐츠를 디스플레이한다.
Figure 112009080329487-pct00218
Figure 112009080329487-pct00219
Figure 112009080329487-pct00220
장애 모델의 정의
다음은 추가의 장애를 생성하기 위한 템플릿으로서 사용될 수 있는 외부 장애에 대한 부분 코드이다.
Figure 112009080329487-pct00221
Figure 112009080329487-pct00222
환자 모델의 정의
다음은 추가의 환자 모델을 개발하는 템플릿으로서 또한 사용될 수 있는 플랜트 모델에 대한 코드의 예이다.
Figure 112009080329487-pct00223
Figure 112009080329487-pct00224
디바이스 모델의 정의
다음은 추가 디바이스 모델을 개발하기 위해 또한 사용될 수도 있는 디바이스에 대한 부분 코드를 제공한다.
Figure 112009080329487-pct00225
Figure 112009080329487-pct00226
제어 모델의 정의
다음은 추가의 제어기 모델을 개발하기 위해 템플릿으로서 사용될 수 있는 제어기 모델에 대한 부분 코드를 제공한다.
Figure 112009080329487-pct00227
아래의 예는 상기 언급된 바와 같이 사용자가 원할 때 변경될 수도 있는 시뮬레이션 (mdl) 파일을 나타낸다.
Figure 112009080329487-pct00228
본 발명의 전술한 설명은 예시와 설명을 위해 제공되었다. 이것은 본 발명을 개시된 정밀한 형태로 제한하거나 포괄적인 것으로 의도되지 않으며, 다른 변형물 및 변경물이 상기 교시의 관점에서 가능할 수도 있다. 개시된 상기 실시형태들은 당업자가 본 발명을 최상으로 활용할 수 있게 하기 위해 본 발명 및 그것의 실제 애플리케이션의 원리를 설명하기 위해 선택되고 설명되었다. 첨부한 청구범위는 종래의 기술에 의해 제한되는 바를 제외하고는 본 발명의 다른 대안의 실시형태들을 포함하는 것으로 해석되는 것으로 의도된다.

Claims (24)

  1. 알려진 질병을 갖는 환자(들)의 만성 질병 관리를 위한 환자 맞춤형 치료들 (patient specific therapies) 을 개발하기 위해 사용자(들)에 의해 사용된 컴퓨터화된 시스템 (10) 으로서,
    수집 디바이스 (48);
    데이터베이스 (24) 를 갖는 서버 컴퓨터 (12);
    상기 수집 디바이스 (48) 및 상기 서버 컴퓨터 (12) 에 동작가능하게 접속된 클라이언트 컴퓨터 (14) 로서, 상기 클라이언트 컴퓨터 (14) 는 프로세서 (34), 모니터 (36), 메모리 (38), 및 입력 디바이스 (40) 를 갖는, 상기 클라이언트 컴퓨터 (14); 및
    소프트웨어 (50) 를 포함하고,
    상기 소프트웨어 (50) 는:
    상기 클라이언트 컴퓨터 (14) 의 상기 프로세서 (34) 로 하여금, 상기 데이터베이스 (24) 및 상기 메모리 (38) 중 적어도 하나에서 제공되는 복수의 상이한 데이터 수집 프로토콜들로부터 선택된 데이터 수집 프로토콜에 따라 상기 모니터 (36), 상기 입력 디바이스 (40), 또는 상기 수집 디바이스 (48) 를 통해 환자 맞춤형 데이터를 수집하게 하고, 수집된 환자 맞춤형 데이터를 상기 데이터베이스 (24) 또는 상기 메모리 (38) 에 저장하게 하고, 상기 환자 맞춤형 데이터의 상기 수집이 상기 선택된 데이터 수집 프로토콜에 따라 수집되어진 것임을 보장하기 위하여, 상기 데이터베이스 (24) 또는 상기 메모리 (38) 에 저장된 상기 수집된 환자 맞춤형 데이터에 대한 무결성 및 품질 체크들을 수행하게 하며, 상기 수집된 환자 맞춤형 데이터의 상기 무결성 및 품질에 기초하는 관련성 등급 (relevance rating) 을 각각 갖는 치료 평가들/권고들 (assessments/recommendations) 을 상기 모니터 (36) 상에서 선택을 위해 상기 사용자에게 제공하게 하는 데이터 수집 프로토콜들 모듈 (70) 로서, 상기 복수의 상이한 데이터 수집 프로토콜들의 각각은 상기 환자의 상기 알려진 질병의 특정 양태를 식별하거나 결정하도록 특수화되는, 상기 데이터 수집 프로토콜들 모듈 (70);
    상기 클라이언트 컴퓨터 (14) 의 상기 프로세서 (34) 로 하여금, 상기 사용자가 상기 서버 컴퓨터 (12) 및 상기 클라이언트 컴퓨터 (14) 중 적어도 하나에 의해 제공된 복수의 환자 모델로부터 환자 모델을 사용자 인터페이스 (36, 40) 를 통해 선택할 수 있게 하고, 상기 치료 평가들/권고들 중 선택된 하나에 기초한 치료 파라미터들의 관련성을 나타내는 관련성 등급을 각각 갖는 옵션들을 상기 모니터 (36) 상에서 선택을 위해 상기 사용자에게 제공하게 하는 환자 모델들 모듈 (72);
    상기 클라이언트 컴퓨터 (14) 의 상기 프로세서 (34) 로 하여금, 상기 선택된 환자 모델이 상기 알려진 질병을 얼마나 잘 시뮬레이션하는지 및 상기 선택된 환자 모델이 변화하는 동작 범위들 또는 조건들 또는 둘다에 걸쳐 처방된 치료에 대한 상기 알려진 질병의 반응을 얼마나 잘 시뮬레이션하는지 중 적어도 하나를 결정하도록, 상기 선택된 환자 모델을 검증하게 하고, 상기 선택된 환자 모델의 리뷰 (review) 및 수용 (acceptance) 을 위해 그 결과들을 상기 모니터 (36) 를 통해 상기 사용자에게 제공하게 하는 모델 검증 모듈 (74);
    상기 클라이언트 컴퓨터 (14) 의 상기 프로세서 (34) 로 하여금, 상기 선택되고 수용된 환자 모델에 상기 환자 맞춤형 데이터를 적용하여 환자 맞춤형 생리학적 정보를 추출하게 하고, 상기 선택된 환자 모델로부터 생성된 파라미터들에 기초하여 상기 환자의 만성 질병을 치료하는 하나 이상의 환자 맞춤형 치료들을 개발하기 위해 상기 추출된 환자 맞춤형 생리학적 정보를 사용하게 하는 분석 모듈 (76); 및
    상기 클라이언트 컴퓨터 (14) 의 상기 프로세서 (34) 로 하여금, 상기 하나 이상의 환자 맞춤형 치료들을 검증하게 하고, 상기 사용자에 의한 승인을 위해 상기 모니터 (36) 상에서 신뢰 구간을 각각 갖는 상기 하나 이상의 환자 맞춤형 치료들 중 검증된 치료들을 제공하게 하는 결과 검증 및 프리젠테이션 모듈 (82) 을 갖고,
    상기 컴퓨터화된 시스템은, 상기 무결성 및 품질 체크들을 위해, 상기 데이터 수집 프로토콜들 모듈 (70) 은, 상기 클라이언트 컴퓨터 (14) 가 상기 수집된 환자 맞춤형 데이터와 상기 데이터 수집 프로토콜과 시간 스탬프들 사이의 불일치들 (inconsistencies) 을 체크할 수 있게 하고, 수집이 요청된 시간 주기에 걸쳐 수행되었는지를 결정할 수 있게 하며, 상기 수집된 환자 맞춤형 데이터에 대해, 데이터 값들이 수용가능한 범위 내에 있고 특정한 시간 윈도우 내에서 소정의 수의 샘플들을 제공하는지를 결정할 수 있게 하는, 컴퓨터화된 시스템.
  2. 제 1 항에 있어서,
    상기 데이터 수집 프로토콜은, 수집될 맞춤형 데이터, 수집될 방식, 및 컴플라이언시 (compliancy) 절차를 지시하는, 컴퓨터화된 시스템.
  3. 삭제
  4. 제 1 항에 있어서,
    상기 서버 컴퓨터 (12) 와 상기 클라이언트 컴퓨터 (14) 중 적어도 하나는, 휴대용 메모리 디바이스 (44), 컴퓨터 저장부 (22, 24, 38), 및 컴퓨터 판독 매체 중 적어도 하나로부터 상기 복수의 환자 모델을 제공하는, 컴퓨터화된 시스템.
  5. 제 1 항에 있어서,
    상기 복수의 환자 모델은, 인간 생리학 (human physiology) 의 적어도 하나 의 양태를 각각 수학적으로 표현하고, 상이한 생리학적 상태들, 조건들 또는 파라미터들에 대한 매핑을 제공하는, 컴퓨터화된 시스템.
  6. 제 1 항에 있어서,
    상기 환자 모델들 모듈 (72) 은, 상기 클라이언트 컴퓨터 (14) 가 베이지안 (Bayesian) 분석, 비용 함수 분석, 파라미터 추정, 통계 분석, 수치 분석, 범위 분석, 이득 값 분석, 테스트 시나리오들 분석, 시뮬레이션들, 및 모델링 중 적어도 하나를 상기 선택된 환자 모델에 대해 수행할 수 있게 하는, 컴퓨터화된 시스템.
  7. 제 1 항에 있어서,
    상기 환자 모델들 모듈 (72) 은, 상기 클라이언트 컴퓨터 (14) 가 상기 선택된 환자 모델을 검증하기 위해 사용되는 모델 파라미터들을 결정할 수 있게 하는, 컴퓨터화된 시스템.
  8. 제 1 항에 있어서,
    상기 분석 모듈 (76) 은, 상기 클라이언트 컴퓨터 (14) 가 시뮬레이션들, 통계 분석, 민감도 분석, 시각화들, 정보 추출, 최적화들 중 적어도 하나를 수행할 수 있게 하는 분석 툴들을 제공하고,
    상기 분석 모듈 (76) 은, 상기 클라이언트 컴퓨터 (14) 가 투약 (dosing) 에 대한 타입, 투약에 대한 양, 투약에 대한 타이밍, 운동에 대한 타이밍, 및 식사에 대한 타이밍 중 적어도 하나를 포함하는 권고들 (recommendations) 을 제공할 수 있게 하는 분석 툴들을 제공하는, 컴퓨터화된 시스템.
  9. 제 1 항에 있어서,
    상기 데이터 수집 프로토콜에 따른 상기 환자 맞춤형 데이터의 수집에서 상기 클라이언트 컴퓨터 (14) 를 관리하는 규칙/가이드라인 (rule/guideline) 세트들 모듈 (78) 을 더 포함하는, 컴퓨터화된 시스템.
  10. 제 1 항에 있어서,
    상기 결과 검증 및 프리젠테이션 모듈 (82) 은, 상기 클라이언트 컴퓨터 (14) 가 강건성 (robustness), 안정성, 파라미터 변동에 대한 민감성, 및 효율성 중 적어도 하나에 대해 상기 하나 이상의 환자 맞춤형 치료들을 테스트할 수 있게 하며, 신뢰 구간들을 생성할 수 있게 하는 시뮬레이션 툴들을 제공하는, 컴퓨터화된 시스템.
  11. 삭제
  12. 삭제
  13. 삭제
  14. 삭제
  15. 삭제
  16. 삭제
  17. 삭제
  18. 삭제
  19. 삭제
  20. 삭제
  21. 삭제
  22. 삭제
  23. 삭제
  24. 삭제
KR1020097027114A 2007-06-27 2008-05-12 환자 생리학의 모델링에 기초하여 환자 맞춤형 치료를 개발하는 시스템 및 방법 KR101423807B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US94661507P 2007-06-27 2007-06-27
US60/946,615 2007-06-27
PCT/US2008/063394 WO2009002620A1 (en) 2007-06-27 2008-05-12 System and method for developing patient specific therapies based on modeling of patient physiology

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020137000066A Division KR101347008B1 (ko) 2007-06-27 2008-05-12 환자 생리학의 모델링에 기초하여 환자 맞춤형 치료를 개발하는 시스템 및 방법

Publications (2)

Publication Number Publication Date
KR20100027165A KR20100027165A (ko) 2010-03-10
KR101423807B1 true KR101423807B1 (ko) 2014-07-30

Family

ID=39682584

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020097027114A KR101423807B1 (ko) 2007-06-27 2008-05-12 환자 생리학의 모델링에 기초하여 환자 맞춤형 치료를 개발하는 시스템 및 방법
KR1020137000066A KR101347008B1 (ko) 2007-06-27 2008-05-12 환자 생리학의 모델링에 기초하여 환자 맞춤형 치료를 개발하는 시스템 및 방법

Family Applications After (1)

Application Number Title Priority Date Filing Date
KR1020137000066A KR101347008B1 (ko) 2007-06-27 2008-05-12 환자 생리학의 모델링에 기초하여 환자 맞춤형 치료를 개발하는 시스템 및 방법

Country Status (10)

Country Link
US (1) US8818782B2 (ko)
EP (2) EP2562664B1 (ko)
JP (2) JP5209714B2 (ko)
KR (2) KR101423807B1 (ko)
CN (1) CN101689224B (ko)
CA (1) CA2687562C (ko)
DK (1) DK2562664T3 (ko)
ES (1) ES2845400T3 (ko)
HK (1) HK1142421A1 (ko)
WO (1) WO2009002620A1 (ko)

Families Citing this family (290)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190357827A1 (en) 2003-08-01 2019-11-28 Dexcom, Inc. Analyte sensor
US8065161B2 (en) 2003-11-13 2011-11-22 Hospira, Inc. System for maintaining drug information and communicating with medication delivery devices
US9123077B2 (en) 2003-10-07 2015-09-01 Hospira, Inc. Medication management system
US7697967B2 (en) 2005-12-28 2010-04-13 Abbott Diabetes Care Inc. Method and apparatus for providing analyte sensor insertion
US7785258B2 (en) 2005-10-06 2010-08-31 Optiscan Biomedical Corporation System and method for determining a treatment dose for a patient
US8251907B2 (en) * 2005-02-14 2012-08-28 Optiscan Biomedical Corporation System and method for determining a treatment dose for a patient
US20080314395A1 (en) 2005-08-31 2008-12-25 Theuniversity Of Virginia Patent Foundation Accuracy of Continuous Glucose Sensors
US8543420B2 (en) 2007-09-19 2013-09-24 Fresenius Medical Care Holdings, Inc. Patient-specific content delivery methods and systems
US11298058B2 (en) 2005-12-28 2022-04-12 Abbott Diabetes Care Inc. Method and apparatus for providing analyte sensor insertion
US7736310B2 (en) 2006-01-30 2010-06-15 Abbott Diabetes Care Inc. On-body medical device securement
US10010669B2 (en) 2006-02-09 2018-07-03 Deka Products Limited Partnership Systems and methods for fluid delivery
US7885698B2 (en) 2006-02-28 2011-02-08 Abbott Diabetes Care Inc. Method and system for providing continuous calibration of implantable analyte sensors
US7630748B2 (en) 2006-10-25 2009-12-08 Abbott Diabetes Care Inc. Method and system for providing analyte monitoring
US9675290B2 (en) 2012-10-30 2017-06-13 Abbott Diabetes Care Inc. Sensitivity calibration of in vivo sensors used to measure analyte concentration
US8374668B1 (en) 2007-10-23 2013-02-12 Abbott Diabetes Care Inc. Analyte sensor with lag compensation
US7618369B2 (en) 2006-10-02 2009-11-17 Abbott Diabetes Care Inc. Method and system for dynamically updating calibration parameters for an analyte sensor
US8224415B2 (en) 2009-01-29 2012-07-17 Abbott Diabetes Care Inc. Method and device for providing offset model based calibration for analyte sensor
US9392969B2 (en) 2008-08-31 2016-07-19 Abbott Diabetes Care Inc. Closed loop control and signal attenuation detection
US7653425B2 (en) 2006-08-09 2010-01-26 Abbott Diabetes Care Inc. Method and system for providing calibration of an analyte sensor in an analyte monitoring system
US8473022B2 (en) 2008-01-31 2013-06-25 Abbott Diabetes Care Inc. Analyte sensor with time lag compensation
US8219173B2 (en) 2008-09-30 2012-07-10 Abbott Diabetes Care Inc. Optimizing analyte sensor calibration
US8346335B2 (en) 2008-03-28 2013-01-01 Abbott Diabetes Care Inc. Analyte sensor calibration management
US8140312B2 (en) 2007-05-14 2012-03-20 Abbott Diabetes Care Inc. Method and system for determining analyte levels
JP2010507176A (ja) 2006-10-16 2010-03-04 ホスピラ・インコーポレイテツド 複数のデバイス管理システムからの動態情報および構成情報を比較および利用するためのシステムおよび方法
BRPI0718119A2 (pt) 2006-10-26 2014-07-08 Abbott Diabetes Care Inc Métodos, sistemas e programas de computador para a detecção em tempo real do declínio de sensibilidade em sensores de analito
US8930203B2 (en) 2007-02-18 2015-01-06 Abbott Diabetes Care Inc. Multi-function analyte test device and methods therefor
US8732188B2 (en) * 2007-02-18 2014-05-20 Abbott Diabetes Care Inc. Method and system for providing contextual based medication dosage determination
US9204827B2 (en) 2007-04-14 2015-12-08 Abbott Diabetes Care Inc. Method and apparatus for providing data processing and control in medical communication system
US10111608B2 (en) 2007-04-14 2018-10-30 Abbott Diabetes Care Inc. Method and apparatus for providing data processing and control in medical communication system
CA2683962C (en) 2007-04-14 2017-06-06 Abbott Diabetes Care Inc. Method and apparatus for providing data processing and control in medical communication system
US9615780B2 (en) 2007-04-14 2017-04-11 Abbott Diabetes Care Inc. Method and apparatus for providing data processing and control in medical communication system
US8239166B2 (en) 2007-05-14 2012-08-07 Abbott Diabetes Care Inc. Method and apparatus for providing data processing and control in a medical communication system
US8560038B2 (en) 2007-05-14 2013-10-15 Abbott Diabetes Care Inc. Method and apparatus for providing data processing and control in a medical communication system
US8103471B2 (en) 2007-05-14 2012-01-24 Abbott Diabetes Care Inc. Method and apparatus for providing data processing and control in a medical communication system
US8444560B2 (en) 2007-05-14 2013-05-21 Abbott Diabetes Care Inc. Method and apparatus for providing data processing and control in a medical communication system
US8260558B2 (en) 2007-05-14 2012-09-04 Abbott Diabetes Care Inc. Method and apparatus for providing data processing and control in a medical communication system
US8600681B2 (en) 2007-05-14 2013-12-03 Abbott Diabetes Care Inc. Method and apparatus for providing data processing and control in a medical communication system
US9125548B2 (en) 2007-05-14 2015-09-08 Abbott Diabetes Care Inc. Method and apparatus for providing data processing and control in a medical communication system
US10002233B2 (en) 2007-05-14 2018-06-19 Abbott Diabetes Care Inc. Method and apparatus for providing data processing and control in a medical communication system
US8417311B2 (en) * 2008-09-12 2013-04-09 Optiscan Biomedical Corporation Fluid component analysis system and method for glucose monitoring and control
US7751907B2 (en) 2007-05-24 2010-07-06 Smiths Medical Asd, Inc. Expert system for insulin pump therapy
US8221345B2 (en) 2007-05-30 2012-07-17 Smiths Medical Asd, Inc. Insulin pump based expert system
US8160900B2 (en) 2007-06-29 2012-04-17 Abbott Diabetes Care Inc. Analyte monitoring and management device and method to analyze the frequency of user interaction with the device
US8834366B2 (en) 2007-07-31 2014-09-16 Abbott Diabetes Care Inc. Method and apparatus for providing analyte sensor calibration
US20090063402A1 (en) * 2007-08-31 2009-03-05 Abbott Diabetes Care, Inc. Method and System for Providing Medication Level Determination
WO2009049252A1 (en) 2007-10-10 2009-04-16 Optiscan Biomedical Corporation Fluid component analysis system and method for glucose monitoring and control
US8377031B2 (en) 2007-10-23 2013-02-19 Abbott Diabetes Care Inc. Closed loop control system with safety parameters and methods
US8409093B2 (en) 2007-10-23 2013-04-02 Abbott Diabetes Care Inc. Assessing measures of glycemic variability
US9026370B2 (en) 2007-12-18 2015-05-05 Hospira, Inc. User interface improvements for medical devices
US20090164239A1 (en) 2007-12-19 2009-06-25 Abbott Diabetes Care, Inc. Dynamic Display Of Glucose Information
US20090177142A1 (en) 2008-01-09 2009-07-09 Smiths Medical Md, Inc Insulin pump with add-on modules
US20100137786A1 (en) * 2008-02-12 2010-06-03 Alferness Clifton A System and method for actively managing type 1 diabetes mellitus on a personalized basis
US20100198021A1 (en) * 2008-02-12 2010-08-05 Alferness Clifton A Computer-implemented method for providing a tunable personalized tool for estimating glycated hemoglobin
US20100138203A1 (en) * 2008-02-12 2010-06-03 Alferness Clifton A System and method for actively managing type 2 diabetes mellitus on a personalized basis
US20100145670A1 (en) * 2008-02-12 2010-06-10 Alferness Clifton A System and method for managing type 2 diabetes mellitus through a personal predictive management tool
US20100145725A1 (en) * 2008-02-12 2010-06-10 Alferness Clifton A System and method for managing type 1 diabetes mellitus through a personal predictive management tool
US20100145173A1 (en) * 2008-02-12 2010-06-10 Alferness Clifton A System and method for creating a personalized tool predicting a time course of blood glucose affect in diabetes mellitus
US20110077930A1 (en) * 2008-02-12 2011-03-31 Alferness Clifton A Computer-implemented method for providing a personalized tool for estimating 1,5-anhydroglucitol
US20100138453A1 (en) * 2008-02-12 2010-06-03 Alferness Clifton A System and method for generating a personalized diabetes management tool for diabetes mellitus
US20100145174A1 (en) * 2008-02-12 2010-06-10 Alferness Clifton A System And Method For Providing A Personalized Tool For Estimating Glycated Hemoglobin
US20100198020A1 (en) * 2008-02-12 2010-08-05 Alferness Clifton A System And Method For Computer-Implemented Method For Actively Managing Increased Insulin Resistance In Type 2 Diabetes Mellitus
US8924159B2 (en) 2008-05-30 2014-12-30 Abbott Diabetes Care Inc. Method and apparatus for providing glycemic control
US8591410B2 (en) 2008-05-30 2013-11-26 Abbott Diabetes Care Inc. Method and apparatus for providing glycemic control
US8126228B2 (en) * 2008-06-18 2012-02-28 International Business Machines Corporation Determining efficacy of therapeutic intervention in neurosychiatric disease
US8199982B2 (en) * 2008-06-18 2012-06-12 International Business Machines Corporation Mapping of literature onto regions of interest on neurological images
US20090320092A1 (en) * 2008-06-24 2009-12-24 Microsoft Corporation User interface for managing access to a health-record
US8548823B2 (en) * 2008-07-08 2013-10-01 International Business Machines Corporation Automatically determining ideal treatment plans for complex neuropsychiatric conditions
US9198612B2 (en) 2008-07-08 2015-12-01 International Business Machines Corporation Determination of neuropsychiatric therapy mechanisms of action
US8057679B2 (en) * 2008-07-09 2011-11-15 Baxter International Inc. Dialysis system having trending and alert generation
US8062513B2 (en) * 2008-07-09 2011-11-22 Baxter International Inc. Dialysis system and machine having therapy prescription recall
US8168063B2 (en) * 2008-07-09 2012-05-01 Baxter International Inc. Dialysis system having filtering method for determining therapy prescriptions
US8876755B2 (en) * 2008-07-14 2014-11-04 Abbott Diabetes Care Inc. Closed loop control system interface and methods
US7959598B2 (en) 2008-08-20 2011-06-14 Asante Solutions, Inc. Infusion pump systems and methods
US9943644B2 (en) * 2008-08-31 2018-04-17 Abbott Diabetes Care Inc. Closed loop control with reference measurement and methods thereof
US20100057040A1 (en) 2008-08-31 2010-03-04 Abbott Diabetes Care, Inc. Robust Closed Loop Control And Methods
US8986208B2 (en) 2008-09-30 2015-03-24 Abbott Diabetes Care Inc. Analyte sensor sensitivity attenuation mitigation
US9326707B2 (en) 2008-11-10 2016-05-03 Abbott Diabetes Care Inc. Alarm characterization for analyte monitoring devices and systems
US10456036B2 (en) 2008-12-23 2019-10-29 Roche Diabetes Care, Inc. Structured tailoring
KR101285520B1 (ko) 2008-12-23 2013-07-17 에프. 호프만-라 로슈 아게 만성 질병을 가진 환자의 진단 또는 치료 지원을 위한 구조화된 테스팅 방법 및 그 디바이스
US8849458B2 (en) 2008-12-23 2014-09-30 Roche Diagnostics Operations, Inc. Collection device with selective display of test results, method and computer program product thereof
US9918635B2 (en) 2008-12-23 2018-03-20 Roche Diabetes Care, Inc. Systems and methods for optimizing insulin dosage
US20120011125A1 (en) 2008-12-23 2012-01-12 Roche Diagnostics Operations, Inc. Management method and system for implementation, execution, data collection, and data analysis of a structured collection procedure which runs on a collection device
US9117015B2 (en) 2008-12-23 2015-08-25 Roche Diagnostics Operations, Inc. Management method and system for implementation, execution, data collection, and data analysis of a structured collection procedure which runs on a collection device
US10437962B2 (en) * 2008-12-23 2019-10-08 Roche Diabetes Care Inc Status reporting of a structured collection procedure
US8698741B1 (en) 2009-01-16 2014-04-15 Fresenius Medical Care Holdings, Inc. Methods and apparatus for medical device cursor control and touchpad-based navigation
US20140363794A1 (en) * 2009-01-26 2014-12-11 EosHealth, Inc. Diabetic Patients Compliance and Outcomes by Publicizing that Increased Compliance Improves Blood Glucose Control and Outcomes
US8103456B2 (en) 2009-01-29 2012-01-24 Abbott Diabetes Care Inc. Method and device for early signal attenuation detection using blood glucose measurements
US20100198196A1 (en) * 2009-01-30 2010-08-05 Abbott Diabetes Care, Inc. Therapy Delivery Device Programming Tool
WO2010091129A1 (en) * 2009-02-04 2010-08-12 Abbott Diabetes Care Inc. Multi-function analyte test device and methods therefor
WO2010121084A1 (en) 2009-04-15 2010-10-21 Abbott Diabetes Care Inc. Analyte monitoring system having an alert
US8271106B2 (en) 2009-04-17 2012-09-18 Hospira, Inc. System and method for configuring a rule set for medical event management and responses
EP2425209A4 (en) 2009-04-29 2013-01-09 Abbott Diabetes Care Inc METHOD AND SYSTEM FOR REAL-TIME CALIBRATION OF AN ANALYTICAL SENSOR WITH RETROACTIVE FILLING
US10420489B2 (en) * 2009-05-29 2019-09-24 University Of Virginia Patent Foundation System coordinator and modular architecture for open-loop and closed-loop control of diabetes
US20100324932A1 (en) * 2009-06-19 2010-12-23 Roche Diagnostics Operations, Inc. Methods and systems for advising people with diabetes
US20110196213A1 (en) * 2009-06-26 2011-08-11 Roche Diagnostics Operations, Inc. Display For Biological Values
EP4289355A3 (en) 2009-07-23 2024-02-28 Abbott Diabetes Care Inc. Continuous analyte measurement system
DK3173014T3 (da) 2009-07-23 2021-09-13 Abbott Diabetes Care Inc Realtidsstyring af data vedrørende fysiologisk kontrol af glucoseniveauer
EP4147999A1 (en) 2009-08-31 2023-03-15 Abbott Diabetes Care, Inc. Displays for a medical device
CN102596307B (zh) * 2009-09-01 2015-09-09 弗吉尼亚大学专利基金会 利用名义开环特性在糖尿病中进行胰岛素输送调节(aid)的系统、方法和计算机程序产品
KR101632308B1 (ko) * 2009-09-23 2016-06-21 삼성전자주식회사 혈당 관리 정보를 제공하는 방법 및 장치
US9320461B2 (en) 2009-09-29 2016-04-26 Abbott Diabetes Care Inc. Method and apparatus for providing notification function in analyte monitoring systems
DK2483824T3 (da) * 2009-09-30 2017-11-27 Dreamed Diabetes Ltd Monitoreringsanordning til styring af insulinindgivelse
WO2011053881A1 (en) 2009-10-30 2011-05-05 Abbott Diabetes Care Inc. Method and apparatus for detecting false hypoglycemic conditions
US10799117B2 (en) 2009-11-05 2020-10-13 Fresenius Medical Care Holdings, Inc. Patient treatment and monitoring systems and methods with cause inferencing
US8632485B2 (en) 2009-11-05 2014-01-21 Fresenius Medical Care Holdings, Inc. Patient treatment and monitoring systems and methods
US8771251B2 (en) * 2009-12-17 2014-07-08 Hospira, Inc. Systems and methods for managing and delivering patient therapy through electronic drug delivery systems
US20110237918A1 (en) * 2010-02-23 2011-09-29 Robin Wagner Methods and systems for providing therapeutic guidelines to a person having diabetes
US20110208027A1 (en) * 2010-02-23 2011-08-25 Roche Diagnostics Operations, Inc. Methods And Systems For Providing Therapeutic Guidelines To A Person Having Diabetes
WO2011112753A1 (en) 2010-03-10 2011-09-15 Abbott Diabetes Care Inc. Systems, devices and methods for managing glucose levels
US20110230731A1 (en) * 2010-03-22 2011-09-22 General Electric Company Method, device and computer program product for determining an indicator of general clinical state
US8532933B2 (en) 2010-06-18 2013-09-10 Roche Diagnostics Operations, Inc. Insulin optimization systems and testing methods with adjusted exit criterion accounting for system noise associated with biomarkers
US8543354B2 (en) * 2010-06-23 2013-09-24 Medtronic Minimed, Inc. Glucose sensor signal stability analysis
US8635046B2 (en) 2010-06-23 2014-01-21 Abbott Diabetes Care Inc. Method and system for evaluating analyte sensor response characteristics
US10092229B2 (en) 2010-06-29 2018-10-09 Abbott Diabetes Care Inc. Calibration of analyte measurement system
JP5838557B2 (ja) 2010-07-05 2016-01-06 ソニー株式会社 生体情報処理方法および装置、並びに記録媒体
CN103003819A (zh) * 2010-07-23 2013-03-27 霍夫曼-拉罗奇有限公司 考虑到身体活动对葡萄糖调节系统的影响的系统和方法
EP2601633A4 (en) * 2010-08-06 2016-11-30 Cardiomems Inc SYSTEMS AND METHODS OF USE OF PHYSIOLOGICAL INFORMATION
US20120053437A1 (en) * 2010-08-25 2012-03-01 Hickle Randall S Monitored healthcare process for the treatment of specific health problems with medical foods and/or drugs
US8707392B2 (en) * 2010-10-15 2014-04-22 Roche Diagnostics Operations, Inc. Systems and methods for disease management
GB201020086D0 (en) * 2010-11-26 2011-01-12 Hypo Safe As Analysis of EEG signals to detect hypoglycaemia
US10136845B2 (en) 2011-02-28 2018-11-27 Abbott Diabetes Care Inc. Devices, systems, and methods associated with analyte monitoring devices and devices incorporating the same
ES2847578T3 (es) 2011-04-15 2021-08-03 Dexcom Inc Calibración avanzada de sensor de analito y detección de errores
JP2014512624A (ja) * 2011-04-20 2014-05-22 ザ クリーブランド クリニック ファウンデーション 予測モデリング
US8755938B2 (en) 2011-05-13 2014-06-17 Roche Diagnostics Operations, Inc. Systems and methods for handling unacceptable values in structured collection protocols
US8766803B2 (en) 2011-05-13 2014-07-01 Roche Diagnostics Operations, Inc. Dynamic data collection
JP6067008B2 (ja) * 2011-06-30 2017-01-25 ユニヴァーシティ オヴ ピッツバーグ オヴ ザ コモンウェルス システム オヴ ハイアー エデュケーション 心肺機能不全に対する易罹患性（ｓｕｓｃｅｐｔｉｂｉｌｉｔｙ）を判断するシステム及び方法
US9240002B2 (en) 2011-08-19 2016-01-19 Hospira, Inc. Systems and methods for a graphical interface including a graphical representation of medical data
US20130197938A1 (en) * 2011-08-26 2013-08-01 Wellpoint, Inc. System and method for creating and using health data record
RU2602040C2 (ru) * 2011-08-26 2016-11-10 Университи Оф Вирджиния Патент Фоундэйшион Способ, система и машиночитаемый носитель для адаптационного рекомендательного контроля сахарного диабета
US11087868B2 (en) 2011-09-28 2021-08-10 Abbott Diabetes Care Inc. Methods, devices and systems for analyte monitoring management
ES2959510T3 (es) 2011-10-21 2024-02-26 Icu Medical Inc Sistema de actualización de dispositivos médicos
US9622691B2 (en) 2011-10-31 2017-04-18 Abbott Diabetes Care Inc. Model based variable risk false glucose threshold alarm prevention mechanism
US8710993B2 (en) 2011-11-23 2014-04-29 Abbott Diabetes Care Inc. Mitigating single point failure of devices in an analyte monitoring system and methods thereof
US9317656B2 (en) 2011-11-23 2016-04-19 Abbott Diabetes Care Inc. Compatibility mechanisms for devices in a continuous analyte monitoring system and methods thereof
WO2013078426A2 (en) 2011-11-25 2013-05-30 Abbott Diabetes Care Inc. Analyte monitoring system and methods of use
US10022498B2 (en) 2011-12-16 2018-07-17 Icu Medical, Inc. System for monitoring and delivering medication to a patient and method of using the same to minimize the risks associated with automated therapy
TW201333870A (zh) * 2011-12-21 2013-08-16 艾登工具股份有限公司 決定病人胰島素療法的系統及方法
US9136939B2 (en) 2011-12-29 2015-09-15 Roche Diabetes Care, Inc. Graphical user interface pertaining to a bolus calculator residing on a handheld diabetes management device
JP5694206B2 (ja) * 2012-01-11 2015-04-01 日本電信電話株式会社 運動管理装置、運動管理方法及びプログラム
JP6306566B2 (ja) 2012-03-30 2018-04-04 アイシーユー・メディカル・インコーポレーテッド 注入システムのポンプ内の空気を検出するための空気検出システムおよび方法
US9238100B2 (en) * 2012-06-07 2016-01-19 Tandem Diabetes Care, Inc. Device and method for training users of ambulatory medical devices
US8756043B2 (en) 2012-07-26 2014-06-17 Rimidi Diabetes, Inc. Blood glucose meter and computer-implemented method for improving glucose management through modeling of circadian profiles
US8768673B2 (en) 2012-07-26 2014-07-01 Rimidi Diabetes, Inc. Computer-implemented system and method for improving glucose management through cloud-based modeling of circadian profiles
US8744828B2 (en) 2012-07-26 2014-06-03 Rimidi Diabetes, Inc. Computer-implemented system and method for improving glucose management through modeling of circadian profiles
WO2014022513A1 (en) 2012-07-31 2014-02-06 Hospira, Inc. Patient care system for critical medications
CN106169099A (zh) * 2012-08-01 2016-11-30 优菲米特有限责任公司 用于分析物监测系统的用户界面
US10132793B2 (en) 2012-08-30 2018-11-20 Abbott Diabetes Care Inc. Dropout detection in continuous analyte monitoring data during data excursions
US9907492B2 (en) 2012-09-26 2018-03-06 Abbott Diabetes Care Inc. Method and apparatus for improving lag correction during in vivo measurement of analyte concentration with analyte concentration variability and range data
KR101993716B1 (ko) 2012-09-28 2019-06-27 삼성전자주식회사 카테고리별 진단 모델을 이용한 병변 진단 장치 및 방법
EP4224482A1 (en) 2012-10-05 2023-08-09 Diane R. Mould System and method for providing patient-specific dosing as a function of mathematical models
US10827829B1 (en) 2012-10-10 2020-11-10 Steelcase Inc. Height adjustable support surface and system for encouraging human movement and promoting wellness
US9486070B2 (en) 2012-10-10 2016-11-08 Stirworks Inc. Height-adjustable support surface and system for encouraging human movement and promoting wellness
US10085562B1 (en) 2016-10-17 2018-10-02 Steelcase Inc. Ergonomic seating system, tilt-lock control and remote powering method and appartus
US10038952B2 (en) 2014-02-04 2018-07-31 Steelcase Inc. Sound management systems for improving workplace efficiency
EP2922465A4 (en) 2012-11-21 2016-07-06 Cardiomems Inc DEVICES, SYSTEMS AND METHODS FOR ASSESSING AND TREATING PULMONARY ARTERIAL HYPERTENSION (PAH)
JP5511033B1 (ja) 2012-12-04 2014-06-04 Ｎｅｃシステムテクノロジー株式会社 血糖値予測装置、測定装置、血糖値予測方法、及びプログラム
US20150317449A1 (en) * 2013-01-24 2015-11-05 Kantrack Llc Medication Delivery System
ES2908320T3 (es) 2013-03-06 2022-04-28 Icu Medical Inc Método de comunicación de dispositivos médicos
US20140257829A1 (en) * 2013-03-08 2014-09-11 Archimedes, Inc. Interactive healthcare modeling
US10357606B2 (en) 2013-03-13 2019-07-23 Tandem Diabetes Care, Inc. System and method for integration of insulin pumps and continuous glucose monitoring
US9198908B2 (en) 2013-03-15 2015-12-01 St. Jude Medical Luxembourg Holdings Ii S.A.R.L. (“Sjm Lux Ii”) Methods for the treatment of cardiovascular conditions
WO2014145705A2 (en) 2013-03-15 2014-09-18 Battelle Memorial Institute Progression analytics system
US9474475B1 (en) 2013-03-15 2016-10-25 Abbott Diabetes Care Inc. Multi-rate analyte sensor data collection with sample rate configurable signal processing
US9242043B2 (en) 2013-03-15 2016-01-26 Tandem Diabetes Care, Inc. Field update of an ambulatory infusion pump system
WO2014152034A1 (en) 2013-03-15 2014-09-25 Abbott Diabetes Care Inc. Sensor fault detection using analyte sensor data pattern comparison
US10433773B1 (en) 2013-03-15 2019-10-08 Abbott Diabetes Care Inc. Noise rejection methods and apparatus for sparsely sampled analyte sensor data
CA2913421C (en) 2013-05-24 2022-02-15 Hospira, Inc. Multi-sensor infusion system for detecting air or an occlusion in the infusion system
CA2913915C (en) 2013-05-29 2022-03-29 Hospira, Inc. Infusion system which utilizes one or more sensors and additional information to make an air determination regarding the infusion system
CA2913918C (en) 2013-05-29 2022-02-15 Hospira, Inc. Infusion system and method of use which prevents over-saturation of an analog-to-digital converter
EP3039596A4 (en) 2013-08-30 2017-04-12 Hospira, Inc. System and method of monitoring and managing a remote infusion regimen
CN104426899B (zh) * 2013-09-11 2020-11-24 上海联影医疗科技有限公司 一种诊断协议集合的动态设置方法
US9662436B2 (en) 2013-09-20 2017-05-30 Icu Medical, Inc. Fail-safe drug infusion therapy system
US10311972B2 (en) 2013-11-11 2019-06-04 Icu Medical, Inc. Medical device system performance index
TR201908852T4 (tr) 2013-11-19 2019-07-22 Icu Medical Inc İnfüzyon pompası otomasyon sistemi ve yöntemi.
US20150149235A1 (en) * 2013-11-27 2015-05-28 General Electric Company Methods and systems to improve a quality of data employed by a healthcare analytics system
CN103705247A (zh) * 2013-12-09 2014-04-09 杨荣 具有血糖变化记录功能的血糖检测仪
RU2683203C2 (ru) 2013-12-31 2019-03-26 Эбботт Дайабитиз Кэр Инк. Снабженный автономным питанием датчик аналита и использующие его устройства
EP3100189A1 (fr) * 2014-01-28 2016-12-07 Debiotech S.A. Dispositif de commande avec recommandation
GB2523989B (en) 2014-01-30 2020-07-29 Insulet Netherlands B V Therapeutic product delivery system and method of pairing
WO2015131108A2 (en) 2014-02-28 2015-09-03 Hospira, Inc. Infusion system and method which utilizes dual wavelength optical air-in-line detection
US20170185748A1 (en) 2014-03-30 2017-06-29 Abbott Diabetes Care Inc. Method and Apparatus for Determining Meal Start and Peak Events in Analyte Monitoring Systems
JP2015194967A (ja) * 2014-03-31 2015-11-05 富士通株式会社 投薬量出力制御プログラム、投薬量出力制御方法および投薬量出力制御装置
CA2945647C (en) 2014-04-30 2023-08-08 Hospira, Inc. Patient care system with conditional alarm forwarding
GB201407896D0 (en) * 2014-05-05 2014-06-18 Joanneum Res Forschungsgmbh Insulin dosage proposal system
WO2015184366A1 (en) 2014-05-29 2015-12-03 Hospira, Inc. Infusion system and pump with configurable closed loop delivery rate catch-up
US9724470B2 (en) 2014-06-16 2017-08-08 Icu Medical, Inc. System for monitoring and delivering medication to a patient and method of using the same to minimize the risks associated with automated therapy
US9539383B2 (en) 2014-09-15 2017-01-10 Hospira, Inc. System and method that matches delayed infusion auto-programs with manually entered infusion programs and analyzes differences therein
GB201420436D0 (en) * 2014-11-18 2014-12-31 Ixico Ltd Device
US11344668B2 (en) 2014-12-19 2022-05-31 Icu Medical, Inc. Infusion system with concurrent TPN/insulin infusion
US20160188788A1 (en) * 2014-12-27 2016-06-30 John C. Weast Technologies for tuning a bio-chemical system
CA2977053C (en) 2015-02-18 2023-08-01 Insulet Corporation Fluid delivery and infusion devices, and methods of use thereof
US10850024B2 (en) 2015-03-02 2020-12-01 Icu Medical, Inc. Infusion system, device, and method having advanced infusion features
CA2978968C (en) * 2015-03-09 2021-06-01 Michele MOSCA Quantum circuit synthesis using deterministic walks
CN104834989A (zh) * 2015-03-27 2015-08-12 首都医科大学附属北京世纪坛医院 一种多病种慢性病信息管理系统
US10188809B2 (en) * 2015-04-03 2019-01-29 Zyno Medical, Llc Therapy-specific medical pump
AU2016245862A1 (en) 2015-04-09 2018-02-22 Diane R. Mould Systems and methods for patient-specific dosing
US20160324481A1 (en) * 2015-05-08 2016-11-10 Pops! Diabetes Care, Inc. Blood glucose management system
EP3304370B1 (en) 2015-05-26 2020-12-30 ICU Medical, Inc. Infusion pump system and method with multiple drug library editor source capability
CA2991716A1 (en) 2015-07-10 2017-01-19 Abbott Diabetes Care Inc. System, device and method of dynamic glucose profile response to physiological parameters
DK3319511T3 (da) 2015-08-07 2021-11-01 Univ Boston Glucosestyringssystem med automatisk tilpasning af glucosemål
CA2993275C (en) 2015-08-20 2022-06-21 Aseko, Inc. Diabetes management therapy advisor
JP6532355B2 (ja) * 2015-08-28 2019-06-19 キヤノン株式会社 画像形成装置
US20180296142A1 (en) * 2015-10-09 2018-10-18 Dianovator Ab Medical arrangements and a method for determining parameters related to insulin therapy, predicting glucose values and for providing insulin dosing recommendations
EP3374905A1 (en) 2016-01-13 2018-09-19 Bigfoot Biomedical, Inc. User interface for diabetes management system
CN108495665B (zh) 2016-01-14 2021-04-09 比格福特生物医药公司 调整胰岛素输送速率
CA3012475A1 (en) * 2016-01-25 2017-08-03 Lifeq Global Limited Simplified instances of virtual physiological systems for internet of things processing
US11309088B2 (en) * 2016-01-29 2022-04-19 University Of Virginia Patent Foundation Method, system, and computer readable medium for virtualization of a continuous glucose monitoring trace
US10541987B2 (en) 2016-02-26 2020-01-21 Tandem Diabetes Care, Inc. Web browser-based device communication workflow
EA201892347A1 (ru) 2016-04-15 2019-04-30 Баксалта Инкорпорейтед Способ и устройство для предоставления фармакокинетической схемы дозирования лекарственных препаратов
CA3023658C (en) 2016-05-13 2023-03-07 Icu Medical, Inc. Infusion pump system and method with common line auto flush
US9921726B1 (en) 2016-06-03 2018-03-20 Steelcase Inc. Smart workstation method and system
US11062798B2 (en) * 2016-06-07 2021-07-13 Aseko, Inc. Managing insulin administration
CA3027176A1 (en) 2016-06-10 2017-12-14 Icu Medical, Inc. Acoustic flow sensor for continuous medication flow measurements and feedback control of infusion
CA3030786A1 (en) 2016-07-14 2018-01-18 Icu Medical, Inc. Multi-communication path selection and security system for a medical device
EP3504652B1 (en) * 2016-08-25 2024-02-28 Novo Nordisk A/S Starter kit for basal insulin titration
JP6629157B2 (ja) 2016-09-06 2020-01-15 株式会社東芝 システム
US10765807B2 (en) 2016-09-23 2020-09-08 Insulet Corporation Fluid delivery device with sensor
US10313422B2 (en) * 2016-10-17 2019-06-04 Hitachi, Ltd. Controlling a device based on log and sensor data
MA46993A (fr) 2016-11-29 2019-10-09 Novo Nordisk As Trousse de départ pour titrage de taux de base
US10896749B2 (en) 2017-01-27 2021-01-19 Shire Human Genetic Therapies, Inc. Drug monitoring tool
EP3600014A4 (en) 2017-03-21 2020-10-21 Abbott Diabetes Care Inc. METHODS, DEVICES AND SYSTEM FOR PROVIDING DIAGNOSIS AND THERAPY FOR DIABETIC CONDITION
WO2018222898A1 (en) * 2017-06-02 2018-12-06 Mayo Foundation For Medical Education And Research System and method for providing clinical outcomes driven expertise for disease treatment
WO2019055945A1 (en) * 2017-09-18 2019-03-21 Skellenger John Scott SYSTEM FOR RECOMMENDING A SERIES OF TREATMENTS
US11188527B2 (en) 2017-09-29 2021-11-30 Apple Inc. Index-based deidentification
US11587650B2 (en) * 2017-09-29 2023-02-21 Apple Inc. Techniques for managing access of user devices to third-party resources
US11636927B2 (en) 2017-09-29 2023-04-25 Apple Inc. Techniques for building medical provider databases
US10824684B2 (en) 2017-09-29 2020-11-03 Apple Inc. Techniques for anonymized searching of medical providers
JP7438938B2 (ja) * 2017-10-19 2024-02-27 サノフイ ボーラスを計算するためのボーラス計算機および方法
CN111246797A (zh) 2017-10-24 2020-06-05 德克斯康公司 预连接分析物传感器
US11331022B2 (en) 2017-10-24 2022-05-17 Dexcom, Inc. Pre-connected analyte sensors
US10426424B2 (en) 2017-11-21 2019-10-01 General Electric Company System and method for generating and performing imaging protocol simulations
US10089055B1 (en) 2017-12-27 2018-10-02 Icu Medical, Inc. Synchronized display of screen content on networked devices
CN108428477A (zh) * 2018-03-30 2018-08-21 北京航空航天大学 基于数字双胞胎的云医疗仿真平台的构建方法及云医疗系统
USD928199S1 (en) 2018-04-02 2021-08-17 Bigfoot Biomedical, Inc. Medication delivery device with icons
US11158413B2 (en) * 2018-04-23 2021-10-26 Medtronic Minimed, Inc. Personalized closed loop medication delivery system that utilizes a digital twin of the patient
EP3788628A1 (en) * 2018-05-04 2021-03-10 Insulet Corporation Safety constraints for a control algorithm-based drug delivery system
KR102166670B1 (ko) * 2018-05-30 2020-10-16 경희대학교 산학협력단 사용자 건강 상태 제공 방법 및 장치
US10741280B2 (en) 2018-07-17 2020-08-11 Icu Medical, Inc. Tagging pump messages with identifiers that facilitate restructuring
WO2020018389A1 (en) 2018-07-17 2020-01-23 Icu Medical, Inc. Systems and methods for facilitating clinical messaging in a network environment
US10861592B2 (en) 2018-07-17 2020-12-08 Icu Medical, Inc. Reducing infusion pump network congestion by staggering updates
WO2020018388A1 (en) 2018-07-17 2020-01-23 Icu Medical, Inc. Updating infusion pump drug libraries and operational software in a networked environment
US10692595B2 (en) 2018-07-26 2020-06-23 Icu Medical, Inc. Drug library dynamic version management
EP3827337A4 (en) 2018-07-26 2022-04-13 ICU Medical, Inc. MEDICATION LIBRARY MANAGEMENT SYSTEM
US11547799B2 (en) * 2018-09-20 2023-01-10 Medtronic Minimed, Inc. Patient day planning systems and methods
CA3112209C (en) 2018-09-28 2023-08-29 Insulet Corporation Activity mode for artificial pancreas system
US11139051B2 (en) 2018-10-02 2021-10-05 Origent Data Sciences, Inc. Systems and methods for designing clinical trials
CN113039607A (zh) * 2018-10-08 2021-06-25 豪夫迈·罗氏有限公司 个性化治疗工具
US11224693B2 (en) 2018-10-10 2022-01-18 Tandem Diabetes Care, Inc. System and method for switching between medicament delivery control algorithms
WO2020077223A1 (en) 2018-10-11 2020-04-16 Insulet Corporation Event detection for drug delivery system
JP7270207B2 (ja) * 2019-01-10 2023-05-10 合同会社Ｈ．Ｕ．グループ中央研究所 情報処理方法、プログラムおよび情報処理装置
CN109754858B (zh) * 2019-01-11 2021-09-21 余鹏 甲氨蝶呤给药方案确定装置、存储介质及设备
CN113826052B (zh) * 2019-04-25 2023-01-31 三菱电机株式会社 数据收集装置、数据收集方法及计算机可读取的非暂时性记录介质
US11657920B2 (en) 2019-07-08 2023-05-23 Koninklijke Philips N.V. Dynamic and locally-faithful explanation of machine learning models for precision medicine
MX2022000669A (es) 2019-07-16 2022-08-22 Beta Bionics Inc Sistema de control de glucosa en sangre.
AU2020314831A1 (en) 2019-07-16 2022-02-24 Beta Bionics, Inc. Blood glucose control system
US11553823B2 (en) * 2019-08-02 2023-01-17 International Business Machines Corporation Leveraging spatial scanning data of autonomous robotic devices
DE102019213000A1 (de) * 2019-08-29 2021-03-04 Siemens Healthcare Gmbh Durchführen von medizinischen Aufgaben basierend auf unvollständigen oder fehlerhaften Daten
US11801344B2 (en) 2019-09-13 2023-10-31 Insulet Corporation Blood glucose rate of change modulation of meal and correction insulin bolus quantity
US11935637B2 (en) * 2019-09-27 2024-03-19 Insulet Corporation Onboarding and total daily insulin adaptivity
JP2023503792A (ja) * 2019-10-04 2023-02-01 ベータ バイオニクス，インコーポレイテッド 血糖制御システム
CN114762061A (zh) * 2019-12-03 2022-07-15 墨尼克医疗用品有限公司 用于确定患者的风险评分的方法
US11278671B2 (en) 2019-12-04 2022-03-22 Icu Medical, Inc. Infusion pump with safety sequence keypad
US11833329B2 (en) 2019-12-20 2023-12-05 Insulet Corporation Techniques for improved automatic drug delivery performance using delivery tendencies from past delivery history and use patterns
US11551802B2 (en) 2020-02-11 2023-01-10 Insulet Corporation Early meal detection and calorie intake detection
US11547800B2 (en) 2020-02-12 2023-01-10 Insulet Corporation User parameter dependent cost function for personalized reduction of hypoglycemia and/or hyperglycemia in a closed loop artificial pancreas system
US11324889B2 (en) * 2020-02-14 2022-05-10 Insulet Corporation Compensation for missing readings from a glucose monitor in an automated insulin delivery system
US20210283332A1 (en) * 2020-03-10 2021-09-16 Trustees Of Boston University Integrated user-defined input into a closed-loop glucose control system
US11278661B2 (en) 2020-03-10 2022-03-22 Beta Bionics, Inc. Infusion system and components thereof
US11607493B2 (en) 2020-04-06 2023-03-21 Insulet Corporation Initial total daily insulin setting for user onboarding
CN111403040A (zh) * 2020-06-04 2020-07-10 成都泰盟软件有限公司 基于虚拟标准病人的治疗模拟系统
WO2022020277A1 (en) * 2020-07-19 2022-01-27 Jalli Inderpreet A system and method for developing an alternative drug therapy using characteristics of an existing drug therapy to produce a similar pathway behavior
CA3189781A1 (en) 2020-07-21 2022-01-27 Icu Medical, Inc. Fluid transfer devices and methods of use
US11684716B2 (en) 2020-07-31 2023-06-27 Insulet Corporation Techniques to reduce risk of occlusions in drug delivery systems
CN112216178A (zh) * 2020-10-21 2021-01-12 北京高途云集教育科技有限公司 实验现象模拟方法、装置、系统和电子设备
US20220208331A1 (en) * 2020-12-07 2022-06-30 Beta Bionics, Inc. Remote modification of therapy delivered by ambulatory medicament pump
US20220265143A1 (en) 2020-12-07 2022-08-25 Beta Bionics, Inc. Ambulatory medicament pumps with selective alarm muting
US20220199218A1 (en) 2020-12-07 2022-06-23 Beta Bionics, Inc. Ambulatory medicament pump with integrated medicament ordering interface
US11594314B2 (en) 2020-12-07 2023-02-28 Beta Bionics, Inc. Modular blood glucose control systems
US11135360B1 (en) 2020-12-07 2021-10-05 Icu Medical, Inc. Concurrent infusion with common line auto flush
US20220265177A1 (en) * 2021-02-19 2022-08-25 Medtronic Minimed, Inc. Glucose level management based on protein content of meals
US11904140B2 (en) 2021-03-10 2024-02-20 Insulet Corporation Adaptable asymmetric medicament cost component in a control system for medicament delivery
US11782771B2 (en) * 2021-05-20 2023-10-10 Vmware, Inc. Method and subsystem within a distributed log-analytics system that automatically determines and enforces log-retention periods for received log-event messages
WO2023049900A1 (en) 2021-09-27 2023-03-30 Insulet Corporation Techniques enabling adaptation of parameters in aid systems by user input
FR3129071A1 (fr) * 2021-11-18 2023-05-19 DiappyMed Dispositif de détermination dynamique de dose d’insuline basale à injecter
US11439754B1 (en) 2021-12-01 2022-09-13 Insulet Corporation Optimizing embedded formulations for drug delivery
EP4207210A1 (en) * 2021-12-29 2023-07-05 Diabeloop Computerized method to assess confidence in a main predictive output determined by a predictive model
US20230268045A1 (en) * 2022-02-24 2023-08-24 Insight RX, Inc. Generation of analytics
WO2023205325A1 (en) * 2022-04-21 2023-10-26 Insulet Corporation Medicament adaptation and safety monitoring in a closed-loop glucose monitoring environment
WO2023214777A1 (en) * 2022-05-02 2023-11-09 S-Alpha Therapeutics, Inc. Correlating health conditions with behaviors for treatment programs in neurohumoral behavioral therapy
WO2024026292A1 (en) * 2022-07-27 2024-02-01 Shiny New App, Llc Determining correlation strength of factors on symptom expression in health conditions using factor time

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20030014387A (ko) * 2001-02-08 2003-02-17 인버니스 메디칼 리미티드 개인 건강상태 관리 시스템
US20060272652A1 (en) * 2005-06-03 2006-12-07 Medtronic Minimed, Inc. Virtual patient software system for educating and treating individuals with diabetes
JP2007136009A (ja) * 2005-11-21 2007-06-07 Sysmex Corp 医療用シミュレーションシステム及びそのコンピュータプログラム

Family Cites Families (82)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4151845A (en) 1977-11-25 1979-05-01 Miles Laboratories, Inc. Blood glucose control apparatus
DD230730A3 (de) 1984-01-02 1985-12-11 Zentralinstitut Fuer Diabetes Einrichtung zur prospektiven automatischen bestimmung individualspezifischer glukoseregulationsparameter
US5193855A (en) 1989-01-25 1993-03-16 Shamos Morris H Patient and healthcare provider identification system
US5307263A (en) 1992-11-17 1994-04-26 Raya Systems, Inc. Modular microprocessor-based health monitoring system
US20030212579A1 (en) 2002-05-08 2003-11-13 Brown Stephen J. Remote health management system
US5956501A (en) 1997-01-10 1999-09-21 Health Hero Network, Inc. Disease simulation system and method
US5899855A (en) 1992-11-17 1999-05-04 Health Hero Network, Inc. Modular microprocessor-based health monitoring system
US5377258A (en) 1993-08-30 1994-12-27 National Medical Research Council Method and apparatus for an automated and interactive behavioral guidance system
US5660176A (en) 1993-12-29 1997-08-26 First Opinion Corporation Computerized medical diagnostic and treatment advice system
US5704366A (en) 1994-05-23 1998-01-06 Enact Health Management Systems System for monitoring and reporting medical measurements
US7574370B2 (en) 1994-10-28 2009-08-11 Cybear, L.L.C. Prescription management system
US5845255A (en) 1994-10-28 1998-12-01 Advanced Health Med-E-Systems Corporation Prescription management system
US7076436B1 (en) 1996-07-08 2006-07-11 Rlis, Inc. Medical records, documentation, tracking and order entry system
US5772585A (en) 1996-08-30 1998-06-30 Emc, Inc System and method for managing patient medical records
US6364834B1 (en) 1996-11-13 2002-04-02 Criticare Systems, Inc. Method and system for remotely monitoring multiple medical parameters in an integrated medical monitoring system
CN1604111A (zh) 1997-03-13 2005-04-06 第一咨询公司 疾病处理系统
US6470320B1 (en) 1997-03-17 2002-10-22 The Board Of Regents Of The University Of Oklahoma Digital disease management system
US6558351B1 (en) 1999-06-03 2003-05-06 Medtronic Minimed, Inc. Closed loop system for controlling insulin infusion
WO1999023597A2 (en) 1997-10-31 1999-05-14 Amira Medical Analyte concentration information collection and communication s ystem
US6024699A (en) 1998-03-13 2000-02-15 Healthware Corporation Systems, methods and computer program products for monitoring, diagnosing and treating medical conditions of remotely located patients
US6525670B1 (en) 1998-10-23 2003-02-25 Matsushita Electric Works, Ltd. In-home health care system
US6149585A (en) 1998-10-28 2000-11-21 Sage Health Management Solutions, Inc. Diagnostic enhancement method and apparatus
AU1608300A (en) 1998-11-13 2000-06-05 George Edward Kriese Jr. System and method of storing medical records and providing information based upon a user's medical records
IL143121A0 (en) 1998-11-30 2002-04-21 Novo Nordisk As A medical system and a method of controlling the system for use by a patient for medical self treatment
EP1146813A4 (en) 1998-12-01 2004-08-11 Health Hero Network Inc SYSTEM AND METHOD FOR IMPLEMENTING A PROCESSING SCHEME
KR20010040513A (ko) 1998-12-03 2001-05-15 요트.게.아. 롤페즈 적층체의 형성방법
US20040028720A1 (en) 1998-12-29 2004-02-12 Remedy Marketing, Inc. Article for debridement & detoxification of wounds
WO2004112883A2 (en) 2003-06-20 2004-12-29 Metacure N.V. Hepatic device for treatment or glucose detection
DE60038895D1 (de) 1999-03-29 2008-06-26 Beckman Coulter Inc Messgerät mit integrierter datenbank und vereinfachter telemedizinfähigkeit
EP1166222A2 (en) 1999-04-01 2002-01-02 ACIST Medical Systems, Inc. An integrated medical information management and medical device control system and method
WO2000069331A1 (en) 1999-05-17 2000-11-23 Pharmacon Global Enterprises, Llc Data processing system for patient outcome and risk benchmarking and healthcare data base management
US8175895B2 (en) 1999-06-23 2012-05-08 Koninklijke Philips Electronics N.V. Remote command center for patient monitoring
US6277071B1 (en) 1999-06-25 2001-08-21 Delphi Health Systems, Inc. Chronic disease monitor
US6923763B1 (en) 1999-08-23 2005-08-02 University Of Virginia Patent Foundation Method and apparatus for predicting the risk of hypoglycemia
US6688891B1 (en) 1999-08-27 2004-02-10 Inter-Tares, Llc Method and apparatus for an electronic collaborative education process model
DE10006044A1 (de) 2000-02-10 2001-08-16 Roche Diagnostics Gmbh Anordnung und Verfahren zur Dosierung eines die Blutglukose eines Patienten regulierenden Hormons
US20030036683A1 (en) 2000-05-01 2003-02-20 Kehr Bruce A. Method, system and computer program product for internet-enabled, patient monitoring system
US20020022975A1 (en) 2000-05-12 2002-02-21 Blasingame James P. Networked medical information system for clinical practices
GB0012840D0 (en) 2000-05-25 2000-07-19 Thirdphase Limited Method and system for collection and verification of data from plural sites
EP2363061A1 (en) 2000-06-16 2011-09-07 BodyMedia, Inc. System for monitoring and managing body weight and other physiological conditions including iterative and personalized planning, intervention and reporting capability
ATE392178T1 (de) 2000-08-18 2008-05-15 Animas Technologies Llc Vorrichtung zum vorhersagen von hypoglyecemiefällen
US20020026111A1 (en) 2000-08-28 2002-02-28 Neil Ackerman Methods of monitoring glucose levels in a subject and uses thereof
EP1718971A2 (en) 2000-11-08 2006-11-08 University Of Florida Research Foundation, Inc. System and method for real-time diagnosis, treatment, and therapeutic drug monitoring
US7756722B2 (en) 2001-02-01 2010-07-13 Georgetown University Clinical management system from chronic illnesses using telecommunication
US20030074248A1 (en) 2001-03-31 2003-04-17 Braud Kristopher P. Method and system for assimilating data from disparate, ancillary systems onto an enterprise system
US7353152B2 (en) 2001-05-02 2008-04-01 Entelos, Inc. Method and apparatus for computer modeling diabetes
US20020183965A1 (en) 2001-05-02 2002-12-05 Gogolak Victor V. Method for analyzing drug adverse effects employing multivariate statistical analysis
US20060235280A1 (en) 2001-05-29 2006-10-19 Glenn Vonk Health care management system and method
US20030028482A1 (en) 2001-07-05 2003-02-06 Burak Carl S. Method and apparatus for accounting and billing for telecommunicatively rendered services
US6544212B2 (en) 2001-07-31 2003-04-08 Roche Diagnostics Corporation Diabetes management system
US7001739B2 (en) 2001-08-24 2006-02-21 The Texas A&M University System Isolation of proteins involved in posttranscriptional gene silencing and methods of use
US7529685B2 (en) 2001-08-28 2009-05-05 Md Datacor, Inc. System, method, and apparatus for storing, retrieving, and integrating clinical, diagnostic, genomic, and therapeutic data
US6691043B2 (en) 2001-08-28 2004-02-10 Maxi-Med, Llc Bolus calculator
EP1436023B1 (en) 2001-09-07 2012-11-07 Medtronic MiniMed, Inc. Safety limits for closed-loop infusion pump control
US20030065669A1 (en) 2001-10-03 2003-04-03 Fasttrack Systems, Inc. Timeline forecasting for clinical trials
US20030093294A1 (en) 2001-11-09 2003-05-15 Passantino Philip J. System providing expanded expert and electronic consultations for clients
US20030115214A1 (en) 2001-12-17 2003-06-19 Nir Essar Medical reporting system and method
US7022072B2 (en) 2001-12-27 2006-04-04 Medtronic Minimed, Inc. System for monitoring physiological characteristics
US6744350B2 (en) 2002-02-28 2004-06-01 Smiths Medical Md, Inc. Insulin pump having missed meal bolus alarm
GB0206792D0 (en) 2002-03-22 2002-05-01 Leuven K U Res & Dev Normoglycemia
EP1382363A1 (en) 2002-07-15 2004-01-21 Novo Nordisk A/S Closed loop system for controlling blood glucose levels
ES2456068T3 (es) 2002-08-13 2014-04-21 University Of Virginia Patent Foundation Método, sistema y producto de programa informático para el procesamiento de datos de auto-supervisión de glucemia (SMBG) para mejorar la autogestión diabética
WO2004016156A2 (en) 2002-08-16 2004-02-26 The Regents Of The University Of California Dynamic hepatic recycling glucose tolerance test
US20050031094A1 (en) 2002-09-19 2005-02-10 Gilbert Quenton L. System and method for message delivery to a busy called party
US20040122530A1 (en) 2002-09-30 2004-06-24 Steffen Hansen Indicating device with estimating feature
JP4599296B2 (ja) 2002-10-11 2010-12-15 ベクトン・ディキンソン・アンド・カンパニー 単一針または多針皮内（ｉｄ）送達装置に結合されたフィードバックまたはモデルベースコントローラを使用して患者の体内の物質の濃度の連続長期制御を開始し維持するためのシステムおよび方法
US9872890B2 (en) 2003-03-19 2018-01-23 Paul C. Davidson Determining insulin dosing schedules and carbohydrate-to-insulin ratios in diabetic patients
WO2004111965A2 (en) 2003-05-30 2004-12-23 Michael Mathur System, device, and method for remote monitoring and servicing
US7627334B2 (en) 2003-07-21 2009-12-01 Contextual Information, Inc. Systems and methods for context relevant information management and display
DE602004009317T2 (de) 2003-08-15 2008-07-17 Research In Motion Ltd., Waterloo Bestimmung der Aktivierungszeit für eine Aufwärtsrichtungsverschlüsselung in einem UMTS Teilnehmergerät
US20050203001A1 (en) 2004-03-05 2005-09-15 Emisphere Technologies, Inc. Oral insulin therapies and protocol
EP1685512A2 (en) * 2003-10-07 2006-08-02 Entelos, Inc. Simulating patient-specific outcomes
US20050107318A1 (en) 2003-11-17 2005-05-19 Samuel Wadsworth Methods of treating diabetes and other blood sugar disorders
GB0329288D0 (en) 2003-12-18 2004-01-21 Inverness Medical Switzerland Monitoring method and apparatus
US20050137910A1 (en) 2003-12-19 2005-06-23 Rao R. B. Systems and methods for automated extraction and processing of billing information in patient records
EP1718196B1 (en) 2004-02-26 2009-04-08 Diabetes Tools Sweden AB Metabolic monitoring, a method and apparatus for indicating a health-related condition of a subject
WO2005102155A1 (en) 2004-04-22 2005-11-03 Medtronic Minimed, Inc. Infusion devices, glucose meters and/or monitors with smell sniffing technology
US7651845B2 (en) 2004-05-13 2010-01-26 The Regents Of The University Of California Method and apparatus for glucose control and insulin dosing for diabetics
JP4781710B2 (ja) * 2005-05-12 2011-09-28 シスメックス株式会社 治療効果予測システム及びそのプログラム
US20060276771A1 (en) * 2005-06-06 2006-12-07 Galley Paul J System and method providing for user intervention in a diabetes control arrangement
US7941200B2 (en) 2005-12-08 2011-05-10 Roche Diagnostics Operations, Inc. System and method for determining drug administration information
US20070288266A1 (en) 2006-06-02 2007-12-13 Suzanne Sysko System and methods for chronic disease management and health assessment

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20030014387A (ko) * 2001-02-08 2003-02-17 인버니스 메디칼 리미티드 개인 건강상태 관리 시스템
US20060272652A1 (en) * 2005-06-03 2006-12-07 Medtronic Minimed, Inc. Virtual patient software system for educating and treating individuals with diabetes
JP2007136009A (ja) * 2005-11-21 2007-06-07 Sysmex Corp 医療用シミュレーションシステム及びそのコンピュータプログラム

Also Published As

Publication number Publication date
JP5209714B2 (ja) 2013-06-12
KR101347008B1 (ko) 2014-01-02
CN101689224B (zh) 2015-06-17
EP2562664A3 (en) 2013-09-18
ES2845400T3 (es) 2021-07-26
CA2687562C (en) 2015-11-24
CA2687562A1 (en) 2008-12-31
EP2562664B1 (en) 2020-11-25
EP2562664A2 (en) 2013-02-27
DK2562664T3 (da) 2021-02-01
WO2009002620A1 (en) 2008-12-31
US8818782B2 (en) 2014-08-26
CN101689224A (zh) 2010-03-31
HK1142421A1 (en) 2010-12-03
JP2013122790A (ja) 2013-06-20
US20090006061A1 (en) 2009-01-01
KR20130010037A (ko) 2013-01-24
JP5529307B2 (ja) 2014-06-25
KR20100027165A (ko) 2010-03-10
EP2171630A1 (en) 2010-04-07
JP2010532044A (ja) 2010-09-30

Similar Documents

Publication Publication Date Title
KR101423807B1 (ko) 환자 생리학의 모델링에 기초하여 환자 맞춤형 치료를 개발하는 시스템 및 방법
US8712748B2 (en) Medical diagnosis, therapy, and prognosis system for invoked events and methods thereof
Tejedor et al. Reinforcement learning application in diabetes blood glucose control: A systematic review
Contreras et al. Artificial intelligence for diabetes management and decision support: literature review
Donsa et al. Towards personalization of diabetes therapy using computerized decision support and machine learning: some open problems and challenges
Lehmann et al. Application of computers in diabetes carea review. I. Computers for data collection and interpretation
Gómez et al. The INCA system: a further step towards a telemedical artificial pancreas
Lehmann et al. Computer assisted diabetes care: a 6-year retrospective
EP1358615A2 (en) A system and method for integrating data with guidelines to generate displays containing the guidelines and data
US20210256872A1 (en) Devices, systems, and methods for predicting blood glucose levels based on a personalized blood glucose regulation model
Zarkogianni et al. Personal health systems for diabetes management, early diagnosis and prevention
Bas STPA methodology in a socio-technical system of monitoring and tracking diabetes mellitus
Takahashi et al. A survey of insulin-dependent diabetes—part II: control methods
Caballero-Ruiz et al. Automatic classification of glycaemia measurements to enhance data interpretation in an expert system for gestational diabetes
Carson Decision support systems in diabetes: a systems perspective
Percival et al. Practical approach to design and implementation of a control algorithm in an artificial pancreatic beta cell
Contreras et al. Adaptive Workflows for Diabetes Management: Self-Management Assistant and Remote Treatment for Diabetes.
García-Jaramillo et al. Interval simulator of the glucose-insulin system
Maimone Data and knowledge acquisition in case-based reasoning for diabetes management
Gavrila et al. A Review on artificial pancreas mathematical models
Montani et al. Multi-modal reasoning in diabetic patient management
Diamanti How to address uncertainty in biomedical systems
Montani et al. Artificial Intelligence techniques for diabetes management: the T-IDDM project
Neumann et al. Artificial Intelligence Augmented Medtech: Toward Personalized Patient Treatment
Pesl A Personalised and Adaptive Insulin Dosing Decision Support System for Type 1 Diabetes

Legal Events

Date Code Title Description
A201 Request for examination
AMND Amendment
E601 Decision to refuse application
AMND Amendment
J201 Request for trial against refusal decision
A107 Divisional application of patent
B601 Maintenance of original decision after re-examination before a trial
J301 Trial decision

Free format text: TRIAL DECISION FOR APPEAL AGAINST DECISION TO DECLINE REFUSAL REQUESTED 20121203

Effective date: 20140410

S901 Examination by remand of revocation
GRNO Decision to grant (after opposition)
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20180628

Year of fee payment: 5