RU2012105948A - Устройство и способ генерирования индикации состояния - Google Patents

Устройство и способ генерирования индикации состояния Download PDF

Info

Publication number
RU2012105948A
RU2012105948A RU2012105948/14A RU2012105948A RU2012105948A RU 2012105948 A RU2012105948 A RU 2012105948A RU 2012105948/14 A RU2012105948/14 A RU 2012105948/14A RU 2012105948 A RU2012105948 A RU 2012105948A RU 2012105948 A RU2012105948 A RU 2012105948A
Authority
RU
Russia
Prior art keywords
function
data values
change
values
time
Prior art date
Application number
RU2012105948/14A
Other languages
English (en)
Inventor
Якоб Фредрик РИБАК
Микаель Кйелл ЛЬЮС
Ларс Густаф ЛИЛЙЕРИД
Original Assignee
Диабетес Толлс Сведен АБ
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 Диабетес Толлс Сведен АБ filed Critical Диабетес Толлс Сведен АБ
Publication of RU2012105948A publication Critical patent/RU2012105948A/ru

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4836—Diagnosis combined with treatment in closed-loop systems or methods
    • A61B5/4839—Diagnosis combined with treatment in closed-loop systems or methods combined with drug delivery
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
    • 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
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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
    • 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
    • A61M2230/00—Measuring parameters of the user
    • A61M2230/005—Parameter used as control input for the apparatus
    • 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
    • A61M2230/00—Measuring parameters of the user
    • A61M2230/20—Blood composition characteristics
    • A61M2230/201—Glucose concentration
    • 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
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Physics & Mathematics (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Medicinal Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Physiology (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Emergency Medicine (AREA)
  • Optics & Photonics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • General Business, Economics & Management (AREA)
  • Business, Economics & Management (AREA)
  • Vascular Medicine (AREA)
  • Diabetes (AREA)
  • Anesthesiology (AREA)
  • Hematology (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Complex Calculations (AREA)

Abstract

1. Генератор индикации состояния, использующий временную последовательность значений данных, каждое из которых представляет физиологический параметр состояния субъекта в момент времени, характеризующийся тем, что он содержит преобразователь (132) последовательных во времени значений данных в трансформированную последовательность значений данных в соответствии с алгоритмом преобразования, согласно которому определенная характеристика физиологического показателя в динамике имеет большую линейность, чем поведение соответствующей характеристики до преобразования; вычислитель (135) прогнозируемой скорости изменения трансформированной последовательности значений данных; и процессор (137) ожидаемой скорости изменения переменной, генерирующий на выходе индикацию состояния.2. Генератор по п.1, характеризующийся тем, что процессор (137) предназначен для генерирования графической, звуковой или тактильной сигнализации прогнозируемой скорости изменения переменной величины или для генерации электрического, магнитного или электромагнитного сигнала, оповещающего о прогнозируемой скорости изменения такой переменной.3. Генератор по п.1, характеризующийся тем, что он выполнен с возможностью преобразования последовательности значений данных таким образом, что преобразованная последовательность содержит трансформированное значение для текущего момента времени, при этом процессор (137) в составе устройства предусматривает возможность расчета предсказания (137d) значения данных в один из последующих моментов времени, исходя из оцененной скорости изменения переменной, при этом процессор (137) реализован с возможностью

Claims (19)

1. Генератор индикации состояния, использующий временную последовательность значений данных, каждое из которых представляет физиологический параметр состояния субъекта в момент времени, характеризующийся тем, что он содержит преобразователь (132) последовательных во времени значений данных в трансформированную последовательность значений данных в соответствии с алгоритмом преобразования, согласно которому определенная характеристика физиологического показателя в динамике имеет большую линейность, чем поведение соответствующей характеристики до преобразования; вычислитель (135) прогнозируемой скорости изменения трансформированной последовательности значений данных; и процессор (137) ожидаемой скорости изменения переменной, генерирующий на выходе индикацию состояния.
2. Генератор по п.1, характеризующийся тем, что процессор (137) предназначен для генерирования графической, звуковой или тактильной сигнализации прогнозируемой скорости изменения переменной величины или для генерации электрического, магнитного или электромагнитного сигнала, оповещающего о прогнозируемой скорости изменения такой переменной.
3. Генератор по п.1, характеризующийся тем, что он выполнен с возможностью преобразования последовательности значений данных таким образом, что преобразованная последовательность содержит трансформированное значение для текущего момента времени, при этом процессор (137) в составе устройства предусматривает возможность расчета предсказания (137d) значения данных в один из последующих моментов времени, исходя из оцененной скорости изменения переменной, при этом процессор (137) реализован с возможностью определения (137е), превышает ли предсказанное значение данных верхний порог срабатывания сигнализации, или находится ниже нижнего порога срабатывания сигнализации, и при этом процессор (137) выполнен с возможностью генерировать визуальную, аудио, тактильную, механическую, электрическую или магнитную индикацию.
4. Генератор по п.1, характеризующийся тем, что преобразователь (132) оснащен памятью (84) для хранения алгоритма преобразования в виде параметров для параметрической функции или в виде подстановочной таблицы, в которой нетрансформированным показателям соответствуют преобразованные значения данных.
5. Генератор по п.1, характеризующийся тем, что преобразователь (132) включает в себя вычислитель функции прогнозируемой вероятности для набора значений данных; и вычислитель алгоритма преобразования на основе целевой функции заданного распределения вероятности, которая отличается от функции оцененной вероятности таким образом, что вероятностная функция набора преобразованных значений данных находится ближе к функции задаваемой вероятности, чем к функции оцененной вероятности.
6. Генератор по п.5, характеризующийся тем, что в нем предусмотрен расчет функции ожидаемой вероятности, как функции распределения кумулятивных вероятностей для набора значений данных, и в котором целевая функция заданной вероятности рассчитана как интегральная функция распределения.
7. Генератор по п.6, характеризующийся тем, что целевая кумулятивная функция распределения является линейно возрастающей интегральной функцией распределения, соответствующей постоянной плотности распределения вероятности, означающей такую же вероятность для определенного значения данных в рамках определенной характеристики.
8. Генератор по п.1, характеризующийся тем, что он выполнен с возможностью представления временной последовательности значений данных в виде показателей гликемии, отражающих состояние гликемии у наблюдаемого субъекта в каждый отдельный момент времени.
9. Генератор по п.1, характеризующийся тем, что он выполнен с возможностью записи определенной характеристики в виде протокола показателей такой характеристики (фиг.13а), состоящего из перечня значений, выведенных из средних скоростей изменения такой характеристики в разных интервалах значений диапазона измерений, где каждому численному значению соответствует момент времени, и включающее в свой состав вычислитель скорости изменения переменной величины (135), находящий разность двух трансформированных значений в последовательности трансформированных значений (135а) и частное от деления такой разности на разность времени, рассчитанную (135с) между моментами времени, соответствующие указанным двум трансформированным значениям.
10. Генератор по п.3, характеризующийся тем, что процессор выполнен также с возможностью предсказания значения данных с применением линейной функции, построенной, исходя из одного из значений данных во временной последовательности значений данных и расчетной скорости изменения производной.
11. Генератор по п.10, характеризующийся тем, что в составе которого процессор (137) может вычислять, используя линейную функцию, значение данных, стоящее на заданный интервал времени позже значения данных, определяющего эту линейную функцию (137d), или в составе которого процессор (137) предусматривает возможность вычисления значения более позднего момента времени, когда линейная функции пересечет верхний или нижний порог срабатывания тревожной сигнализации, и предусматривает возможность индикации приближения состояния субъекта к уровню подачи предупреждающего сигнала, исходя из более позднего значения времени (137f).
12. Генератор по п.5, характеризующийся тем, что вычислитель функции ожидаемой вероятности (3а) предусматривает обновление ожидаемой вероятности путем усреднения - для множества областей уровней данных - величин скорости изменения производной, представленных временной последовательностью показателей данных, с целью обновления показателя средней скорости изменения переменной для каждой области значений данных, и в составе которого вычислитель алгоритма преобразования (3b) рассчитывает алгоритм нелинейного преобразования, используя обновленные средние величины скорости изменения производной для областей значений данных, где используется такая же целевая функция вероятности.
13. Генератор по п.12, характеризующийся тем, что вычислитель функции ожидаемой вероятности рассчитывает множество из к нормальных распределений для множества из к областей, где каждая область представляет диапазон значений, и где смежные области перекрывают друг друга таким образом, что для каждой области оценивается гауссово нормальное распределение вероятностей с использованием значений в соответствующих областях; и в составе которого вычислитель функции ожидаемой вероятности рассчитывает веса для каждой области таким образом, что интегральная сумма к взвешенных нормальных плотностей распределения вероятности равна единице.
14. Генератор по п.1, характеризующийся тем, что вычислитель алгоритма преобразования (3b) предназначен для расчета динамики наблюдаемой характеристики в качестве исходного ожидания или в качестве пересчета в ответ на некое событие, обусловившее пересчет, путем выбора (121) из массива измеренных данных по индивиду или по группе индивидов подмножеств данных, содержащих анализируемую характеристику, путем членения (122) всего диапазона значений на множество областей, путем вычисления (123) средней скорости изменения для каждой области, и путем построения (125) кривой динамики поведения наблюдаемой характеристики (140) по средним значениям скорости изменения в соответствующих областях, при этом изменение наблюдаемой характеристики во времени базируется на кривой динамики поведения этой характеристики.
15. Генератор по п.1, характеризующийся тем, что преобразователь (132) включает в себя вычислитель ожидаемой функции характеристики, рассчитывающий прогноз динамики выбранной характеристики (140) и вычислитель целевой функции, выполняющий расчет "эталонной" функции (141) как линейной функции, построенной по двум точкам (142а, 142b) в пределах продолжительности выбранной характеристики (140); а также вычислитель алгоритма преобразования (3b), выполняющий расчет правила трансформации, используя целевую функцию (141) и оценочную (ожидаемую) функцию (140) характеристики таким образом, что трансформированные данные приближены к целевой функции (141) больше, чем к оценочной функции характеристики (140).
16. Генератор по п.1, характеризующийся тем, что наблюдаемой характеристикой является снижение или повышение физиологического показателя.
17. Генератор по п.16, характеризующийся тем, что наблюдаемой характеристикой является повышение или понижение содержания глюкозы в крови (уровня гликемии).
18. Способ генерирования индикации состояния с использованием временной последовательности значений данных, из которых каждое значение данных отражает физиологический показатель состояния субъекта в момент времени, характеризующийся тем, что преобразуют (132) временную последовательность значений данных в трансформированную последовательность значений данных с использованием алгоритма преобразования, в соответствии с которым выбранная характеристика отражает динамику развития физиологического показателя в виде трансформированной последовательности значений данных, имеющей более линейную форму, чем динамика выбранной характеристики до начала выполнения преобразования; вычисляют (135) ожидаемую скорость изменения для трансформированной последовательности значений данных; и обрабатывают (137) оцененную ожидаемую скорость изменения переменной для генерации на выходе индикации состояния.
19. Компьютерная программа, имеющая код программы, для осуществления способа по п.18 при условии выполнения программы на компьютере или с использованием процессора.
RU2012105948/14A 2009-08-10 2010-08-10 Устройство и способ генерирования индикации состояния RU2012105948A (ru)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US23269709P 2009-08-10 2009-08-10
US61/232,697 2009-08-10
PCT/EP2010/061638 WO2011018464A1 (en) 2009-08-10 2010-08-10 Apparatus and method for generating a condition indication

Publications (1)

Publication Number Publication Date
RU2012105948A true RU2012105948A (ru) 2013-09-20

Family

ID=42830374

Family Applications (3)

Application Number Title Priority Date Filing Date
RU2012105948/14A RU2012105948A (ru) 2009-08-10 2010-08-10 Устройство и способ генерирования индикации состояния
RU2012105949/08A RU2012105949A (ru) 2009-08-10 2010-08-10 Устройство и способ обработки набора значений данных
RU2012105952/10A RU2012105952A (ru) 2009-08-10 2010-08-10 Устройство и способ обработки данных гликемии

Family Applications After (2)

Application Number Title Priority Date Filing Date
RU2012105949/08A RU2012105949A (ru) 2009-08-10 2010-08-10 Устройство и способ обработки набора значений данных
RU2012105952/10A RU2012105952A (ru) 2009-08-10 2010-08-10 Устройство и способ обработки данных гликемии

Country Status (7)

Country Link
US (5) US20120203166A1 (ru)
EP (3) EP2465060A1 (ru)
JP (3) JP2013501558A (ru)
CN (3) CN102576381A (ru)
CA (3) CA2770564A1 (ru)
RU (3) RU2012105948A (ru)
WO (3) WO2011018460A1 (ru)

Families Citing this family (44)

* 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
US8224415B2 (en) 2009-01-29 2012-07-17 Abbott Diabetes Care Inc. Method and device for providing offset model based calibration for analyte sensor
US8219173B2 (en) 2008-09-30 2012-07-10 Abbott Diabetes Care Inc. Optimizing analyte sensor calibration
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
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
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
US9801575B2 (en) 2011-04-15 2017-10-31 Dexcom, Inc. Advanced analyte sensor calibration and error detection
US9326707B2 (en) 2008-11-10 2016-05-03 Abbott Diabetes Care Inc. Alarm characterization for analyte monitoring devices and systems
WO2011053881A1 (en) 2009-10-30 2011-05-05 Abbott Diabetes Care Inc. Method and apparatus for detecting false hypoglycemic conditions
US10092229B2 (en) 2010-06-29 2018-10-09 Abbott Diabetes Care Inc. Calibration of analyte measurement system
EP2491859A1 (en) * 2011-02-23 2012-08-29 F. Hoffmann-La Roche AG Method and system for determining blood glucose characteristics from a discontinuous mode of measurement and computer program product
US9622691B2 (en) 2011-10-31 2017-04-18 Abbott Diabetes Care Inc. Model based variable risk false glucose threshold alarm prevention mechanism
US8870783B2 (en) * 2011-11-30 2014-10-28 Covidien Lp Pulse rate determination using Gaussian kernel smoothing of multiple inter-fiducial pulse periods
WO2014052136A1 (en) 2012-09-26 2014-04-03 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
EP2967453B1 (en) * 2013-03-14 2020-05-13 Becton, Dickinson and Company Continuous glucose monitoring on-body sensor having a visual display
US9474475B1 (en) 2013-03-15 2016-10-25 Abbott Diabetes Care Inc. Multi-rate analyte sensor data collection with sample rate configurable signal processing
US10433773B1 (en) 2013-03-15 2019-10-08 Abbott Diabetes Care Inc. Noise rejection methods and apparatus for sparsely sampled analyte sensor data
WO2014152034A1 (en) 2013-03-15 2014-09-25 Abbott Diabetes Care Inc. Sensor fault detection using analyte sensor data pattern comparison
CA2935945A1 (en) * 2014-01-10 2015-07-16 Ascensia Diabetes Care Holdings Ag Methods and apparatus for representing blood glucose variation graphically
EP3125761B1 (en) 2014-03-30 2020-09-30 Abbott Diabetes Care Inc. Method and apparatus for determining meal start and peak events in analyte monitoring systems
EP3210137B1 (en) * 2014-10-22 2021-03-10 Dexcom, Inc. User interfaces for continuous glucose monitoring
CN107408149B (zh) * 2015-03-06 2020-09-15 心脏起搏器股份公司 用于显示医疗数据的系统和方法
US10448898B2 (en) * 2015-07-14 2019-10-22 Conduent Business Services, Llc Methods and systems for predicting a health condition of a human subject
JP5900912B1 (ja) * 2015-07-24 2016-04-06 メドケア株式会社 生体モニタ装置及び生体モニタ用プログラム
KR101746799B1 (ko) 2015-11-04 2017-06-14 주식회사 쏠리드 분산 안테나 시스템
US10575790B2 (en) * 2016-03-02 2020-03-03 Roche Diabetes Care, Inc. Patient diabetes monitoring system with clustering of unsupervised daily CGM profiles (or insulin profiles) and method thereof
US10460074B2 (en) * 2016-04-05 2019-10-29 Conduent Business Services, Llc Methods and systems for predicting a health condition of a human subject
US10929281B1 (en) * 2016-05-20 2021-02-23 Jpmorgan Chase Bank, N.A. Systems and methods for testing of data transformations
WO2018033514A1 (en) 2016-08-17 2018-02-22 Novo Nordisk A/S Systems and methods for adjusting a basal/bolus ratio in an insulin regimen
WO2019014594A1 (en) * 2017-07-13 2019-01-17 Desborough Lane MULTI-SCALE DISPLAY OF GLYCEMIA INFORMATION
EP3438858A1 (en) 2017-08-02 2019-02-06 Diabeloop Closed-loop blood glucose control systems and methods
US11331022B2 (en) 2017-10-24 2022-05-17 Dexcom, Inc. Pre-connected analyte sensors
WO2019083939A1 (en) 2017-10-24 2019-05-02 Dexcom, Inc. PRECONNECTED ANALYTE SENSORS
EP3520686A1 (de) * 2018-02-01 2019-08-07 Vorwerk & Co. Interholding GmbH System mit vitaldatensensor
EP3522173B1 (de) * 2018-02-01 2024-04-03 Vorwerk & Co. Interholding GmbH System mit vitaldatensensor und auswertungseinheit
US10977336B2 (en) * 2018-06-11 2021-04-13 Andre J. UNGER System and method of pre-processing discrete datasets for use in machine learning
US20200043606A1 (en) * 2018-08-02 2020-02-06 Cnoga Medical Ltd. System and method for controlling blood glucose using personalized histograms
JP7282298B2 (ja) * 2019-07-31 2023-05-29 アークレイ株式会社 推定方法及び平均血糖値推定システム
CN116670774A (zh) * 2020-10-14 2023-08-29 弗吉尼亚大学专利基金会 改善未通知源血糖波动后血糖反应的闭环控制方法和系统
US20220142521A1 (en) * 2020-11-10 2022-05-12 Ascensia Diabetes Care Holdings Ag Methods and apparatus for predicting whether and when a hypo/hyper analyte concentration event will occur
CN113951879B (zh) * 2021-12-21 2022-04-05 苏州百孝医疗科技有限公司 血糖预测方法和装置、监测血糖水平的系统
WO2023249668A1 (en) * 2022-06-22 2023-12-28 Laxmi Therapeutic Devices, Inc. System and method for processing glucose data

Family Cites Families (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
BR9405702A (pt) 1993-11-01 1995-11-28 Ericsson Telefon Ab L M Processos para obter um relatório sobre o estado de quadros compreendendo uma mensagem transmitida para determinar a propriedade de quadros para comunicação em um sistema de radiocomunicação e para identificar para qual estaçao móvel uma pluralidade de quadros encadeados está sendo emitida estação base e estação móvel
US5638816A (en) 1995-06-07 1997-06-17 Masimo Corporation Active pulse blood constituent monitoring
US5743262A (en) 1995-06-07 1998-04-28 Masimo Corporation Blood glucose monitoring system
US7039446B2 (en) 2001-01-26 2006-05-02 Sensys Medical, Inc. Indirect measurement of tissue analytes through tissue properties
US6135966A (en) 1998-05-01 2000-10-24 Ko; Gary Kam-Yuen Method and apparatus for non-invasive diagnosis of cardiovascular and related disorders
US6424847B1 (en) * 1999-02-25 2002-07-23 Medtronic Minimed, Inc. Glucose monitor calibration methods
US6923763B1 (en) * 1999-08-23 2005-08-02 University Of Virginia Patent Foundation Method and apparatus for predicting the risk of hypoglycemia
DE10014348B4 (de) 2000-03-24 2009-03-12 Immobiliengesellschaft Helmut Fischer Gmbh & Co. Kg Vorrichtung zur zerstörungsfreien Messung der Dicke dünner Schichten
EP1267708A4 (en) 2000-03-29 2006-04-12 Univ Virginia METHOD, SYSTEM AND COMPUTER PRODUCT IMPROVING THE EXPLOITATION OF GLYCEMIC DATA OBTAINED BY SELF-CONTROL
JP2004501380A (ja) * 2000-06-26 2004-01-15 ボストン　メディカル　テクノロジーズ　インコーポレイテッド グルコース計測システム
US6594512B2 (en) 2000-11-21 2003-07-15 Siemens Medical Solutions Usa, Inc. Method and apparatus for estimating a physiological parameter from a physiological signal
IL156844A0 (en) 2001-01-26 2004-02-08 Sensys Medical Inc Noninvasive measurement of glucose through the optical properties of tissue
US8260393B2 (en) * 2003-07-25 2012-09-04 Dexcom, Inc. Systems and methods for replacing signal data artifacts in a glucose sensor data stream
AU2003259741B2 (en) 2002-08-13 2008-10-23 University Of Virginia Patent Foundation Managing and processing self-monitoring blood glucose
CN100466965C (zh) * 2002-08-13 2009-03-11 弗吉尼亚大学专利基金会 用于处理自我监测血糖(smbg)数据从而提高糖尿病患者自我管理的方法、系统和计算机程序产品
US8060173B2 (en) * 2003-08-01 2011-11-15 Dexcom, Inc. System and methods for processing analyte sensor data
EP1728468A1 (de) 2005-06-04 2006-12-06 Roche Diagnostics GmbH Bewertung von Werten der Blutglucosekonzentration zur Einstellung der Insulindosierung
CN100515335C (zh) * 2005-12-23 2009-07-22 深圳迈瑞生物医疗电子股份有限公司 能消除运动干扰的血氧测量方法及其装置
CA2667639A1 (en) * 2006-10-26 2008-05-02 Abbott Diabetes Care Inc. Method, system and computer program product for real-time detection of sensitivity decline in analyte sensors
US20080154513A1 (en) * 2006-12-21 2008-06-26 University Of Virginia Patent Foundation Systems, Methods and Computer Program Codes for Recognition of Patterns of Hyperglycemia and Hypoglycemia, Increased Glucose Variability, and Ineffective Self-Monitoring in Diabetes
US7629889B2 (en) * 2006-12-27 2009-12-08 Cardiac Pacemakers, Inc. Within-patient algorithm to predict heart failure decompensation
EP2152895A2 (en) * 2007-05-11 2010-02-17 Sigmed, Inc. Non-invasive characterization of a physiological parameter
CN101488162B (zh) * 2008-01-17 2012-03-21 复旦大学 一种用于脑电信号自动评估的脑电信号特征提取方法

Also Published As

Publication number Publication date
WO2011018460A1 (en) 2011-02-17
EP2465059A1 (en) 2012-06-20
US20170128023A1 (en) 2017-05-11
US20160193411A1 (en) 2016-07-07
US9533097B2 (en) 2017-01-03
RU2012105952A (ru) 2013-09-20
JP5658252B2 (ja) 2015-01-21
JP2013501557A (ja) 2013-01-17
EP2465057A1 (en) 2012-06-20
EP2465060A1 (en) 2012-06-20
US20120203166A1 (en) 2012-08-09
US9336355B2 (en) 2016-05-10
US20120209091A1 (en) 2012-08-16
JP5427951B2 (ja) 2014-02-26
WO2011018464A1 (en) 2011-02-17
CN102549588A (zh) 2012-07-04
CA2770564A1 (en) 2011-02-17
WO2011018465A1 (en) 2011-02-17
CA2770591A1 (en) 2011-02-17
CA2770581A1 (en) 2011-02-17
US20120209099A1 (en) 2012-08-16
CN102549587B (zh) 2016-08-03
RU2012105949A (ru) 2013-09-20
JP2013501558A (ja) 2013-01-17
CN102549587A (zh) 2012-07-04
JP2013501989A (ja) 2013-01-17
CN102576381A (zh) 2012-07-11

Similar Documents

Publication Publication Date Title
RU2012105948A (ru) Устройство и способ генерирования индикации состояния
Rosier et al. The tipping points and early warning indicators for Pine Island Glacier, West Antarctica
US20160239592A1 (en) Data-driven battery aging model using statistical analysis and artificial intelligence
Vanhoucke et al. An evaluation of the adequacy of project network generators with systematically sampled networks
Petković et al. An appraisal of wind speed distribution prediction by soft computing methodologies: a comparative study
Li et al. Applications of Bayesian methods in wind energy conversion systems
CN109800139A (zh) 服务器健康度分析方法，装置，存储介质及电子设备
CN104950186B (zh) 雷电预测的方法和装置
Petković Adaptive neuro-fuzzy approach for estimation of wind speed distribution
JP2020527786A (ja) 感染症クラス分け予測方法および装置、コンピューター装置および可読記憶媒体
JP7052429B2 (ja) 算出プログラム、算出方法、算出装置、及び表示プログラム
Souza et al. Thermal modeling of power transformers using evolving fuzzy systems
US20210048811A1 (en) Model generation device for life prediction, model generation method for life prediction, and recording medium storing model generation program for life prediction
CN113009077A (zh) 气体检测方法、装置、电子设备和存储介质
CN112036051A (zh) 磁悬浮系统剩余使用寿命预测方法、装置、设备及介质
Moghadam et al. Studying the performance of critical slowing down indicators in a biological system with a period-doubling route to chaos
Laslett et al. The effect of aggregation on city sustainability rankings
KR20100136021A (ko) 퍼지 알비에프 신경회로망 알고리즘을 이용한 저압선로의 탄화도전로 신호검출 방법
Su et al. Local prediction of chaotic time series based on polynomial coefficient autoregressive model
KR20220083284A (ko) 발전소 운전 건전성을 예측하기 위한 계통별 발전량 및 잔여 유효 수명 예측 방법 및 이를 수행하는 시스템
CN116777121A (zh) 基于大数据的非法用电的稽查方法、存储介质及电子设备
CN109884548B (zh) 一种基于gasvm-aukf算法的锂电池剩余寿命预测方法
Borys Long term Hurst memory that does not die at long observation times—deterministic map to describe ion channel activity
CN116777281A (zh) 一种基于arima模型的电力设备质量趋势预测方法及装置
Batabyal et al. Exploring stationarity and fractality in stock market time-series

Legal Events

Date Code Title Description
FA92 Acknowledgement of application withdrawn (lack of supplementary materials submitted)

Effective date: 20140203