TW200813880A - Method and device for monitoring a physiological parameter - Google Patents
Method and device for monitoring a physiological parameter Download PDFInfo
- Publication number
- TW200813880A TW200813880A TW096128684A TW96128684A TW200813880A TW 200813880 A TW200813880 A TW 200813880A TW 096128684 A TW096128684 A TW 096128684A TW 96128684 A TW96128684 A TW 96128684A TW 200813880 A TW200813880 A TW 200813880A
- Authority
- TW
- Taiwan
- Prior art keywords
- parameter
- rti
- development
- measurement
- physiological
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012544 monitoring process Methods 0.000 title claims abstract description 11
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims abstract description 45
- 239000008103 glucose Substances 0.000 claims abstract description 45
- 239000008280 blood Substances 0.000 claims abstract description 24
- 210000004369 blood Anatomy 0.000 claims abstract description 24
- 238000011161 development Methods 0.000 claims description 84
- 238000005259 measurement Methods 0.000 claims description 62
- NOESYZHRGYRDHS-UHFFFAOYSA-N insulin Chemical compound N1C(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(NC(=O)CN)C(C)CC)CSSCC(C(NC(CO)C(=O)NC(CC(C)C)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CCC(N)=O)C(=O)NC(CC(C)C)C(=O)NC(CCC(O)=O)C(=O)NC(CC(N)=O)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CSSCC(NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2C=CC(O)=CC=2)NC(=O)C(CC(C)C)NC(=O)C(C)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2NC=NC=2)NC(=O)C(CO)NC(=O)CNC2=O)C(=O)NCC(=O)NC(CCC(O)=O)C(=O)NC(CCCNC(N)=N)C(=O)NCC(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC(O)=CC=3)C(=O)NC(C(C)O)C(=O)N3C(CCC3)C(=O)NC(CCCCN)C(=O)NC(C)C(O)=O)C(=O)NC(CC(N)=O)C(O)=O)=O)NC(=O)C(C(C)CC)NC(=O)C(CO)NC(=O)C(C(C)O)NC(=O)C1CSSCC2NC(=O)C(CC(C)C)NC(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CC(N)=O)NC(=O)C(NC(=O)C(N)CC=1C=CC=CC=1)C(C)C)CC1=CN=CN1 NOESYZHRGYRDHS-UHFFFAOYSA-N 0.000 claims description 38
- 238000012360 testing method Methods 0.000 claims description 20
- 102000004877 Insulin Human genes 0.000 claims description 19
- 108090001061 Insulin Proteins 0.000 claims description 19
- 229940125396 insulin Drugs 0.000 claims description 19
- 230000037081 physical activity Effects 0.000 claims description 16
- 238000012806 monitoring device Methods 0.000 claims description 13
- 238000013500 data storage Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 5
- 230000002996 emotional effect Effects 0.000 claims description 3
- 239000003795 chemical substances by application Substances 0.000 claims description 2
- 241001122767 Theaceae Species 0.000 claims 1
- 239000002023 wood Substances 0.000 claims 1
- 206010012601 diabetes mellitus Diseases 0.000 abstract description 10
- 230000018109 developmental process Effects 0.000 description 66
- 230000000694 effects Effects 0.000 description 14
- 230000037406 food intake Effects 0.000 description 7
- 238000002347 injection Methods 0.000 description 7
- 239000007924 injection Substances 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 235000013305 food Nutrition 0.000 description 5
- 235000012631 food intake Nutrition 0.000 description 5
- 235000012054 meals Nutrition 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 230000002218 hypoglycaemic effect Effects 0.000 description 4
- 208000013016 Hypoglycemia Diseases 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 206010011469 Crying Diseases 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000005242 forging Methods 0.000 description 2
- 201000001421 hyperglycemia Diseases 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 235000013616 tea Nutrition 0.000 description 2
- 241000255925 Diptera Species 0.000 description 1
- 102000016261 Long-Acting Insulin Human genes 0.000 description 1
- 108010092217 Long-Acting Insulin Proteins 0.000 description 1
- 229940100066 Long-acting insulin Drugs 0.000 description 1
- 244000269722 Thea sinensis Species 0.000 description 1
- 206010067584 Type 1 diabetes mellitus Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000007630 basic procedure Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010241 blood sampling Methods 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 235000021152 breakfast Nutrition 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000011437 continuous method Methods 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 150000002013 dioxins Chemical class 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 150000002303 glucose derivatives Chemical class 0.000 description 1
- 230000004153 glucose metabolism Effects 0.000 description 1
- 230000002641 glycemic effect Effects 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 230000003345 hyperglycaemic effect Effects 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 230000003914 insulin secretion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 239000006187 pill Substances 0.000 description 1
- 244000062645 predators Species 0.000 description 1
- 230000035935 pregnancy Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000028327 secretion Effects 0.000 description 1
- 235000015096 spirit Nutrition 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
- 239000010902 straw Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 208000014001 urinary system disease Diseases 0.000 description 1
Classifications
-
- 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
-
- 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
-
- 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
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Epidemiology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Emergency Medicine (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Optics & Photonics (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medicinal Chemistry (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Electrotherapy Devices (AREA)
Description
200813880 九、發明說明: 【發明所屬之技術領域】 本發明係關於一種用來監視生理參數之裝置及方法。 【先前技術】 約有二億人患有糖尿病。糖尿病係人體不正確調節或使 2胰島素之一慢性症狀,其導致血液中的葡萄糖位準不正 吊Γ7 /過低)。而要對此等病人進行嚴格的血糖監視。近 馨來,用來觀察葡萄糖位準之方法需要(例如)指尖血液取 樣,其係進一步藉由一葡萄糖儀來處理。但是單獨的觀察 不足以進行血糖控制。任何糖尿病決策支援系統應能夠盡 可能精確地預測在30至6〇分鐘之一時程内該血糖之未來 值。因此,在所預測的時間内,病人可以採取適當的行 動,例如食物射入或胰島素注射,以使得此等行動在時間 上變得有效。 有數個問題必須藉由預測方法來解決。首先,葡萄糖 φ 肖騰島素相互作用的動態狀況相當複雜。即便連續測量血 糖’亦僅提供關於該系統狀態的實 血糖位準之波動本質上並非固定而係由諸二物及二辛 注射之類外部因素決定。第三,即便對於同一病人,給定 相同的R物攝入及騰島素注射,葡萄糖的動態狀況亦可能 因大量參數的變化而不同,例如體溫或身體活動,吾等習 知此等苓數會影響葡萄糖代謝率。 例如,在m 6 923 763 B1+,依據一包括測量所得葡萄 糖值、心率及心率可變性之複雜的動態模型建議一預測方 123249.doc 200813880 法來嘗試估計未來之血糖位準及估計低血糖之風險。該方 法係依據對葡萄糖調節之動態 Μ叙能π⑴ 猎由針對葡萄糖發展 的動恶核型進行預測之-缺點係該等模型係非線性、複雜 而且包含大量無法測量的生理參數。 【發明内容】 因此纟务明之一目的係提供_種用來藉由對該生理袁 數的!δ展之-更可靠的預測來監視_生理參數的方法。/ 以上目的係藉由一用來監顏 g.乡數,特定言之係用來 i視血糖位準的方法來實現,其包含: • 藉由重複測量來記錄該生理參數,以及 預測該生理參數之發展, 生=藉Γ參數模型來預測在一自治發展間隔期間該 生理麥數之發展。 該記錄較佳地包含測量該生 生理苓數(例如,用於葡萄糖 測置)之一非侵入式連續方法。就此意義而言’「連诗 表示在需要的情況下約每隔5至10分鐘執行測量,較二 係自動執行。 就此發明之意義而言,"自治發展間隔"表示一伴有★亥生 理參數(例如’血糖位準)之—相對較簡單發展的時„ 隔。此類間隔之主要特徵係不存在諸如食物攝入、胰島素 注射、身體鍛鍊等劇烈的外部影響。在一自治發展間隔 二’人能夠使用針對該生理參數(如葡萄糖濃度)之一參= 模型。熟習此項技術者瞭解該參數模型可以係依據對該生 理參數發展的連續跡線之統計分析而導出,可將其說=為 123249.doc 200813880 在一有限的時間間隔期間極為近似。本發明方法之一優點 係可以使用複雜性減小之有限數目的參數及模型而與基本 程序之複雜性無關。 在一自治間隔内,可以藉由以下參數模型來預測該生理 參數之發展: 其中G(t)係在時間t之生理參數位準,其係藉由在時間f Φ 亚結合參數Pl5...,Pk的值Q來預測。該參數模型係用於外推 (即預測)忒生理苓數之未來值,特定言之係血糖濃度。 對於包含複數個先前測量(在時間一“,針對卜l. m)的自 口么展門隔車乂佳的係藉由最小平方法來決定依據該參數 模型之一最佳參數集或參數向量》k l ·· 爲—〜fn办一卯“约2 y i-i 依據本發明方法之預測包含以下步驟 向°亥自/13發展間隔之先前測量添加該生理參數之一新 _ 測量, —、貫施一測試,即該新測量與該先前測量一起是否仍形 成自/α發展間隔,並依據此測試, 。L /自/〇發展間隔及/或調適該參數模型,以及 •猎由使用針對經調適的自治發展間隔之參數模型,來 預測該生理參數之發展。 新測$(tk5 G(tk))與該自治發展間隔之許多個先前測量 υ)}(其中丨係從卜直到叫一起形成一實施該測 斤針對之新間隔。熟習此項技術者瞭解,在此測試中將 123249.doc 200813880 該新測量與該生理參數之先前預測的發展相比較。接著對 該自治發展間隔作相應調適。例如,將該自治發展間隔縮 成使得該參數模型能夠預測該生理參數之發展,即預測 该新測量。熟習此項技術者還瞭解經修改的自治發展間隔 至少包含該新測量。當調適該自治發展間隔時,較佳的係 還調適該參數模型。接著將經調適的參數模型用來預測該 生理參數之未來發展。 • 制最佳參數集’藉由以下參數模型來制該未來發 展: G(tk + M) = Q(tk + 其令Δΐ係30至60分鐘之所需時程。 有利的係’本發明之參數模型在原理上並非實體模型, ㈣參數模型主要係依據對㈣糖跡線之充分說明來選擇 而不一^使用說明整個㈣糖調節系統之複雜模型。然 而,本發明不排除併入實體模型的至少部分。有益的係使 ·=體模型,因為其更簡單而且包含更少未知參數或不 ^未知參數。對於不容許—解析解決方式之-複雜的非 線性動態系統,正確估計該未知參數即便並非不可行亦合 難的多。此可以係針對1型糖尿病實行,其比2型或3型: 尿病更易於模擬。本發明# 〇 方法般可有利地適用於葡萄糖 "視及預測,而不假定一特定類型的糖尿病。 較佳的係藉由移除該自治發展間隔的複數個測量之至少 測里來调適遠自治發展間隔。熟習此項技術者瞭解 佳的係首先移除該自治發展間隔之最舊的測量。此方 123249.doc 200813880 優點係,一旦該測試係否定,則不會終止一自治發展間 隔’而會以一經修改的更小自治發展間隔來繼續預測。 在本發明之一較佳具體實施例中,再次實施該測試,現 在係測試該新測量與經調適間隔之測量一起是否形成一自 治發展間隔。此外較佳的係,重複移除至少一測量及實施 X、〗乂之步驟直至經調適的間隔係一自治發展間隔。 #獲冑自治發展間隔之—較佳方式係重複移除僅該最 舊測量而接著實施該測試’從而可以蚊盡可能最長的、 新自>口發展間隔。^曰县 ^ 2z\ y-y- ^ ,W仁疋右一直到僅留下該新測量時該複 數個測量仍未通過該測試’則益 一 〜…、/天疋任何自治發展間 隔。依據本發明方法’最早 、目! θ μ 干j Λ在下一測$後決定一新自 治發展間隔。 可以使用若干數量特徵來輝 所^ AA 汗估忒新自治發展間隔之品 貝。較仏的,係在該測試中藉 由將4新測Ϊ的生理參數與 -先則迭广預測的生理參數 叫陶—卵H)| + T开錯决· 若該錯誤不超過一預定義 . 顴疚俏炎;…“ 我㈣界值,則藉由添加-新的 觀察值來延伸該自治發展間隔。 在另一較佳具體實施例中 的參數集,其中具有該新參數集對該參數模型之-新 測量的自治發展間隔期 :數杈型對在包括該新 明。 参數之發展作出最佳說 較佳的係在該最小平方 /、产該新參數集: 123249.doc 200813880 接著,計算以下兩個向量 係藉由該新參數集來定義; 代之參數集來定義·· 之間的^一距離· 一新向量,复 一先前向量,其係藉由先前送 ί^=ϊ 、再次,若該距離不超過一預定義的臨界值,則添加該新 測量而延伸當前的自治發展間隔。
4在σ亥測忒中拒絕該測試,則調適當前的自治發展間 =更有利的,係可以向形成右側自治發展間隔之複數個 測量添加該新測量,並可以從左側移除該等最舊的測量直 至較小複數_量達到自治發展之準則。 本I月方法之一較佳具體實施例中,在該生理參數之 斤預測舍展低於或高於_危險位準之情況下警示—病人之 ν W有利的,係可以儘早警示一患有糖尿病之病人以 防止低血糖或高血糖。 代或頟外的係,提供針對該病人之一建議,建議給藥 -藥劑或一定量之一藥劑,特定言之係一定量的胰島素: 本發明系統有利地向病人提供一 &策支援。 在另一較佳具體實施财,將-概似值與該生理參數之 斤預貝k展相關聯’若該概似值低於—特定的預定義臨界 值1捨棄該生理參數發展之預測。該概似值有利地反映 對:亥預測知確度之信任。例如,I用於預測葡萄糖濃度之 自二^展間過小(過短)或者剛調適過該間㉟,則此會減 i U似值。5 _方面’若該自治發展間隔相對較長而該 最4 /數集在J數最後迭代中未顯著改變,則該概似值較 123249.doc 200813880 高。該具體實施例之一優點係在該概似值過小之情況下— 全避免預測。本發明對(例如)葡萄糖濃度之監視及預測: 主要目的係防止低血糖與高血糖事件,即葡萄糖位準變成 危險性的低位準或危險性的高位準之事件。此等事件—般 在較長自治發展間隔結束時發生。因&,依據本發明,: 類預測將具有較高的概似值。有利的’係極低或極 萄糖預測引起針對該病人之一警示並要求採取一適當行 而且防止大量錯誤警示。 吕亥預測之.重要方面參έ士要夕4* + 1 受万甶係果之%、疋性。應避免比葡萄糖 濃度之典型變化更快的所預測發展之變化。在本發明之一 較佳具體實施例中’針對經調適的自治發展間賤料少 個參數模型並以許多個參數模型的預測之—加權和來獲: 該預測,從而實施預^該生理參數發展之步驟: 于
Predictionfi -f Δ£) = £ ^Pred.Model,{i - Δί) j=:l 其中職性地選擇該等參數模型之權,較佳的係依 據在先w迭代中各參數模型的預測之—品f及/或依據已 使用各參數模型的迭代數目來選擇。例如,針對第』個參 數模型之權重%反映至此所示範的第】個模型之預測之品質 及/或已使用該模型經歷的時間週期。若—特定參數:二 之權重下降低於-特定的财義臨界值,則較佳的係捨棄 該參數模型(或將其權重設定為零)並向許多個參數模型添 加-替代的參數模型。此項具體實施例的優點之一係辦加 該預測之穩定性。機器學習理論提供用來㈣來自一^級 I23249.doc 200813880 模型r,超級專家")中的數個模型("專家,,)之預測之方法,該 ’’超級專家,,可能勝過個別"專家"中的每一者。 =佳的係調適若干臨界值,特定言之係針對該等參數模 型的權重之臨界值及/或針對該概似 〈^界值。有利的 糸,此項具體實施例適應不同人之間的可變性。此外,可 以有利地使用機器學習技術來調適該等臨界值。 旦^另^較佳具體實施例中,本發明方法包含依據習知會 & a ”亥生理參數的外部參數來 該參數模型之步驟。該等外部夫數,:、展間隔及/或 食、胰島素給藥、身體 $體活動及/或情感昼力相μ n 要:τ葡萄糖動態狀況中的自治發展間隔之此等主 二:謂該參數模型作適當調適。例如,此有 =預測發展之精確度,因為可以更早更新該等自治發展 :另-較佳具體實施例中,由病人或藉由一輔助 :動:;t該等外部參數。例如,-裳置可配備有”食物:、 隔、、、”鍛鍊"按-,其將有利地提供關於 生的變化之資訊。或者,可以使用卡路里輪入表 秸、辰物列表及/或資料庫。 等==佳具體實施例’藉由至少-感測器來偵測該 寻7卜。p茶數中的至少一 至^荼數。感測器可以係心率感測哭、 :=性感測器、姨島素栗感測器或食物攝入感測;。 广靠性得到有利提高’因為其與病人輸入的精確 而病人可能會忘記作出或錯誤地作出關於食物攝 123249.doc 200813880 八、艰蜾或胰島素注射數量之輸入。 在一較佳具體實施例中,藉由—加速計,更較佳的係藉 由加總在空間中三個方向上的加速度之-加速計,來決定 身體活動。在另一較佳具體實施例中,藉由一心率感測器 來为析-病人之-心率,從而決定該身體活動。與鍛鍊相 關,此等具體實施例有利地提供難以針對一病人而量化的 參數之相對精確讀數。 —亡發明之另一方面係一種用來監視病人的生理參數,特 疋口之係用來監視一血糖位準之監視裝置,其包含 參數測量構件與一計算構件, 測量之資料儲存器與一用來,由=具有一用來儲存 曾 ▲ 采猎由使用依據本發明之方法計 :二’里參數發展之—預測的處理單元。該監視裝置有 利地提供對該生理參數發展之可靠預測。 胃⑼㈠較佳㈣包含用來輸人外 件丄該等外部參數係習知會影響該生理參數’例如^: :食、胰島素給藥、身體活動及/或情感 二 件較佳的係包含用來+ ”亥輸入構 在此項具體實施例中數之至少,。 徒呵所預測發展之品質,田炎兮产 人提供關於在該自治、α為该病 較佳的#,r 中將發生的變化之資訊。 的m視裝置包含用 或建議訊息之輸出椹钍 闲人翰出警不訊息及/ 之翰出構件。因此,本發明 (糖尿病)決策支援系統 彳置kt、- 去口允#丄 八具有預测在30至60分鐘夕眭 転内该生理參數(特定言 刀釦之一時 力。 係该血糖位準)的未來發展之能 123249.doc -14- 200813880 特定係—種用來監視病人的生理參數, 特…係用來監視—血糖位 二數 .^ ^ 。十开構件,該計算構件具有一用央儲 存血糖測量之資料儲存哭 頁用來儲 ._ σσ人一用來計算對該生理來數展 之-預測的處理單元r Hi 以现4置係連接至一用來偵測該 ^ 身體活動的偵測器,較一 吾等習知食物攝入、胰u二二軸加速計。 塑 、 匈*攝取及鍛鍊對血糖位準的影
曰 。^監視裝置之預測之可靠性一 , 精確性決宏。*甘亡』 般由使用者輸入的 、 右/、心、'己作出或作出錯誤的關於食物攝入、 鍛鍊或騰島辛注紛盤旦 ”、數里之輸入,則該模型/裝置將作出錯 誤的預測。對於锻鍊,無論如何皆難以確定輸入之數量。 康本么月之L視裝置藉由提供包含一用來偵測該病人之 H舌動的偵測器之監視裝置來克服上述缺點。此活動 感測的感測身體之運動並隨此提供與一患有糖尿病的人的
身體活動相關之—X 連,輸入。以此方式,關於該鍛鍊位準 之輸入有利地具有可靠性。 β m較佳的係可由病人佩戴,更佳的係將該搞測器 配置於腰帶、手錶或行動電話之中或之處。由此使得容易 整日佩戴該偵測器,從而有利地提供關於該病人活動(睡 眠、休息、坐下、鍛鍊)的持續時間及強度之目的及詳細 資訊。 較佳的,係對與該偵測器組合的監視裝置作一次初始 化,以瞭解病人活動在其血糖位準上的特定反應(還與餐 w與騰島素攝入前相關)。較·佳的,係首次使用需要該模 123249.doc 200813880 型之一個別初始化。例如,該使用者將該偵測器與該監視 裝置-起佩戴並執行—組不同強度的標準化活動。在此初 始化期間個別地依據不同活動位準在該對生理參數(特定 言之係該血糖位準)上的回應來調適該生理參數發展之預 測。此資訊係用於更新該參數預測模型。可以藉由該谓測 器而延伸-現有的域位準預測裝置以&良該i糖位準發 展預測之可靠性。 x
【實施方式】 本發明將針對特定具體實施例並參考特定圖式予μ 明,但本發明並不受限於此,而僅由中請專利範圍來限 定。所說明圖式僅為示意性而非限制性。各圖式中,某些 元件之大小出於說明性目的可能加以誇大,且未按比:: 製。
當指一早數名詞時 或”一個”、”該/該等” 有明確規定。 使用不定冠詞或定冠詞,例如”一, 此包括該名詞的複數形式,除非另 此汁’在說明及申請專利 三”及類似術語,係用於區分類似的元件〜第 說明-依序或按時間先後之次序。應瞭解,在二= 下,如此使用之該等術語可互換,而本 田月况 之具體實施例能夠以除本文所說明或所解說:外的::明 序進行操作。 卜的其他順 此外’說明及申請專利範圍中 之類術語係用於說明之目的, "頂部"、”底部,,、” 而不一定係用於說 上下η 明相對位 123249.doc ~ 16 *> 200813880 置。應明白,如此使用的該等術語在適當情況下可互換, 而且本文所說明之本發明之具體實施例能夠以除本文所★兒 明或所解說外的其他方位進行操作。 應注意,本說明及申請專利範圍中所用之術語"包含 應解釋為限於下文所列之構件;其不排除其他元件或步 驟。因此,一裝置包括構件"之用辭範疇不應限制於 僅由組件組成的裝置。其意謂著針對本發明,該裝 置唯一相關的組件係A與B。 乂 對葡萄糖調節系統的基礎研究無疑顯示血糖位準i之可 志動恶發展之一較大變彳卜 》 文化圖1乾例性繪示該等可能動能 發展之―。橫座標U顯示以分鐘計之犯動心 刀楚。丁 t 日f間間隔,而縱座 =12係每1/1G公升以毫克計之血糖濃度。連續的葡萄糖跡 線丄之統計分析允許無論基本程序之複雜程度皆可以藉由
使用複雜性減小之有限盤θ A 數目的麥數及模型來說明時間受限 的葡萄糖跡線1並使发搞盔< 7 从、 桎為近似。猎由檢查葡萄糖跡線1, 可以識別伴有一相對較简留 了孕乂間早的匍萄糖發展之時間間隔2。 此類時間間隔2在此係稱為白、、二 马自,口务展間隔2。此類間隔之主 要特徵係不存在諸如食物棬Α 陆#主 物攝入、胰島素注射、身體鍛鍊等 劇烈的外部影響。在一自心 自’口兔展間隔2内,可以針對該葡 萄糖濃度使用一相對較簡單的參數模型。 圖2中,示意性繪示依摅 據本务明之方法。藉由分析多個 測量,建立一參數模型1 甘& μ 、 ,/、取*夠以足夠的精確度產生在 一自治發展間隔2期間針對兮 τ對忒生理參數之一所預測發展7。 除一新測量4及所儲存的生兑曰 存的先刖測篁20外,本發明方法無須 123249.doc 200813880 任何只體 > 數。為了提高預測7 ’該參數模型可以併入外 部參數^吾等f知此等外部參數會影響該生理參數。例 如攝艮胰島素給藥、身體活動或精神壓力對血糖位準 產生激烈影響。可以手動方式或藉由-感測器或偵測器 6(例如:針對該身體活動之一偵測器,如一心率感測器或 一加速計)自動地輪入一外部參數5 ^ 圖3中,示意性緣示本發明方法之—具體實施例,其進 步頌不本發明之監視裝置之適當部分。-測量裝置40係 用於進:新測量4,向儲存於一資料儲存器”上的複數個 量添加該新測量4。該複數個先前測量表示在一先 :測量之時的先前自治發展間隔2。該新測量4與該複數個 先前測量-起形成新的複數個測量2〇。實施一測幻 新的複數個測詈9 Ο Β π ^ , 疋否形成一自治發展間隔。對於該測試 該翏數模型3對未來發展的先前預測與該新測量4相 其係顯示為回授線23。若未達到一自治發展間隔之 〇 ’❹佳的係移除該複數個測量2G之至少_(較佳 =舊_量22,並重複該測試21。若達到一自(治= 間隔之準則,則名兩並 外 、]在而要的炀況下調適該參數模型3,並古十 异針對該生理參數的夫丈 值23 ^ 的^發展之—制7。還計算-概似 其表示所預測發展7之可靠性。若該概似值23低於 疋義径品界值,則捨棄該預測7,即步驟24。否則,葬 由-輸出構件70輸出所預測 、θ ^ 序再次開始於 、里。所有上述計算皆係藉由—處理ϋ單it 32來執 仃,该處理器單元32如同資料儲存器”係—計算構件3〇之 123249.doc 200813880 部分。 依據本發明之-具體實^ 調適該參數模型3,該外部表數5 j外。卩參數5來額外地 從一摘夠器6導屮。 乡 系從輸入構件5 0及/或 以輪入構件S 〇較 51、52、53’病人在特定活動時按下二的係配備有按紐 視裝置提供關於該自治發展間隔將要;以便向該監 例如,按紐51係用於攝食,按紐:的交化之貢訊。 ㈣係用於身體锻鍊。谓 ;;、用於胰島素給藥而按 之身體活動,^ ^ 的係自動偵測該病人 身體活動’例如稭由該病人 圖4顯示針對-24小時佩戴該 :轴加速心 !=一:式。橫座標11上顯示時間。例如,-三軸 係續-母刀知付出二個方向上的加速度之和。此等加速度 數二^縱座標上。可以將其轉換成一卡路里值,但該參 數杈型遇可以直接使用任意單元。 圖5顯示針對已消耗三頓標準餐(早餐b、中餐l及晚餐d) 之健康人之-理想化的騰島素分泌圖案。再次將時間顯 ㈣該橫座標U上。在縱座標上,從質量上顯示騰島素效 果HS‘ „己就版時間。糖尿病病人可以使用兩類騰島素: ,效胰島素或基本胰島素9與短效騰島素1〇(大丸藥)。大丸 藥類型的胰島素9大多係在開始進餐前注射。可以藉由本 發明方法及監視裝置來更精確地預測長效膜$素1〇之效 果。比正規情況下更少活動或更多活動之一日會影響胰島 素位準,從而可能導致低血糖或高血糖。用來偵測身體活 動之偵測器測量加總該加速度,將其與一正規活動曰相 123249.doc -19- 200813880 比’而該監視系統可以警告該病人其活動過多/過少而應 調適其胰島素設定擋。 狀本發明係關於—㈣來監視如血糖位準之類生理參數的 裝置及方法’其使用依據連續跡線對該生理參數的未來發 展之預測。本裝置及方法可用作一用於糖尿病病人之決策 支援系統。 【圖式簡單說明】
根據以下坪細說明’結合藉由範例解說本發明之原理的 附圖,可以明白本發明的此等 ^ hr ^ 哥汉具他特徵、特點及優點。 次月僅針對範例而提供,並 艾不限制本發明之範疇。下文引 用的茶考圖式指附圖。 圖1範例性繪示在一時間間 _ ]衲J間之一血糖發展。 圖2示意性解說依據本發明之一方法。 圖3示意性解說依據本發 施例。 Η之皿視裝置之方法及具體實 圖4範例性繪示在一年 式。 時間間隔期間的身體活動之一圖 案 1 2 3 4 圖5解說在-時間間隔期間的胰島素分 泌之一理想化圖 【主要元件符號說明】 生理翏數/葡萄糖跡線/血糖位準 自治發展間隔/時間間隔 參數模型 新測量 123249.doc -20. 200813880 5 6 7 8
9 10 11 12 20 21 22 23 30 31 32 40 50 外部參數 偵測器 預測(發展) 所偵測活動圖案 長效胰島素或基本胰島素 短效騰島素 橫座標 縱座標 所儲存的先前測量 測試 至少一測量 回授線/概似值 計算構件 資料儲存器 處理器單元 測量裝置/生理參數測量構件 輸入構件 51 按鈕 52 按鈕 53 按鈕 70 輸出構件 123249.doc -21 -
Claims (1)
- 200813880 十、申請專利範圍: L -種用來監視一生理參數⑴,特定言之係用來監視 糖位準的方法,其包含 一藉由重複測量(4)來記錄該生理參數(1),以及 -預測該生理參數(1)之發展, /、中可藉由一筝數模型(3)來預測該生理參數在一自仏 Λ 1隔(2)期間之该發展,該預測包含以下步驟 肖$自治發展_隔(2)之先前測量(20)添加該生理參 之一新測量(4), 少 只靶一測試(21),即新測量與該先前測量一起是否仍 形成一自治發展間隔,並依據此測試, :調適該自治發展間隔及/或調適該參數模型(3),以及 猎由使用針對該經調適的自治發展間隔之該參數模型 (3),來預測(7)該生理參數之該發展。 2·如明求項1之方法,其中藉由移除該自治發展間隔之複 • 數=測量之至少一測量(22)來調適該自治發展間隔(2)。 士明求項2之方法,其中實施該測試,即該新測量與該 丄二適間隔之該等測量—起是否形成—自治發展間隔。 1明求項3之方法,重複移除至少一測量及實施該測 忒之步驟直至該經調適間隔係一自治發展間隔。 月长項1或3中之-項之方法,其中實施該測試之步驟 包含 -藉由將該新測量的該生理參數與一先前迭代之一預測 的生理參數相比較來計算一錯誤,或者 123249.doc 200813880 疋隹t對該參數 /现市 /、T丹虿该新參 數木之該參數模型對在包括該新測量之該自治發 期間該生理參數之該發展作出最㈣明;以及計算以; 兩個向量之間的一距離:-新向量’其係藉由該:參數 集來定義;-先前向量,其係藉由一先前迭代之 集來定義。 ,数 6·如請求項〗之方法,其進一步包含 ^ • _纟該生理參數⑴之該所預測.發展⑺低於或高於一危 險位準之情況下警示一病人之步驟,及/或 輸出-建議之步驟,特定言之係建議給藥一藥劑或一 數量之-藥劑,特定言之係一數量的胰島素。 7·如二&項1之方法’其進—步將-概似值與該生理參數 之-亥所預測發展相關聯,若該概似值低於一特定的臨界 值li捨棄對該生理參數的該發展之該預測(23)。 8·如4求項1之方法’藉由以下操作來實施預測該生理參 • 數的該發展之步驟:針對該經調適的自治發展間隔使用 :午夕個翏數模型;以及’以該許多個參數模型之該等預 測,-加權*來獲得該賴,其巾調適性喊義該等參 婁:核3L之權重,較佳的係依據該等先前迭代中各參數模 里之忒預測之一品質及/或依據已使用各參數模型的迭代 之該數目。 、吻求項8之方法,其中各參數模型係在其權重下降低 ; 界值日守捨茶’而向該許多個參數模型添加一替代 的參數模型。 123249.doc 200813880 士明求項8或9中之一項之方法,其中調適若干臨界值, 特疋δ之係針對該等參數模型的該權重之該臨界值及/或 針對該概似值之該 臨界值。 士明求項1之方法,其進一步包含依據習知會影響該生 理麥數(1)的外部參數(5)來調適該自治發展間隔(2)及/或 該參數模型(3)之步驟。 ^明求項u之方法,其中該等外部參數⑺係與病人的攝 食、胰島素給藥、身體活動及/或情感壓力相關聯。 13· ^種用來監視一病人的一生理參數⑴,肖定言之係用來 視血糖位準之監視裝置,其包含一生理參數測量構 件(4〇)與一計算構件(3〇),如請求項1之方法,該計算構 2具有一用來儲存測量(4)之資料儲存器(31)與一用來計 算對該生理參數的該發展之一預測的處理單元(32)。 14·如請求項13之監視裝置,其進—步包含用來輸人外部參 數^之輸人構件(5G),該等外部參數(5)係習知會影響該生理參數⑴,例如該病人的攝食、胰島素給藥、身體活 動及/或情感壓力。 15.如請求項14之監視裝置,其中該輸人構件包含用來手動 輸入各外部參數之至少一按鈕(51、52、53)。 17. 16·=求項13之監視裝置,其進—步包含用來向該病人輸 出警不訊息及/或建議訊息之輸出構件(7〇)。 一種用來監視一病人的一生理參數(1), 監視一血糖位準之監視裝置,其包含一 件(40)與一計算構件(3〇),該計算構件 特定言之係用來 生理參數測量構 具有一用來儲存 123249.doc 200813880 該等測量(4)之資料儲存器(31)與一用來計算對該生理參 數的該發展之一預測的處理單元(32),該監視裝置係連 接至一用來偵測該病人之一身體活動的偵測器(6),較佳 的係一三軸加速計。 123249.doc
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP06118605 | 2006-08-08 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW200813880A true TW200813880A (en) | 2008-03-16 |
Family
ID=38917728
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW096128684A TW200813880A (en) | 2006-08-08 | 2007-08-03 | Method and device for monitoring a physiological parameter |
Country Status (8)
Country | Link |
---|---|
US (1) | US20090312621A1 (zh) |
EP (1) | EP2051620B1 (zh) |
JP (1) | JP5266221B2 (zh) |
CN (1) | CN101500475B (zh) |
AT (1) | ATE465674T1 (zh) |
DE (1) | DE602007006202D1 (zh) |
TW (1) | TW200813880A (zh) |
WO (1) | WO2008017981A2 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI807312B (zh) * | 2017-12-04 | 2023-07-01 | 德商休斯微科光罩儀器股份有限公司 | 處理頭、處理系統以及處理基板之局部表面區域的方法 |
Families Citing this family (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2470256A4 (en) * | 2009-09-01 | 2015-05-27 | Univ Virginia Patent Found | SYSTEM, METHOD AND COMPUTER PROGRAM PRODUCT FOR ADJUSTING INSULIN DELIVERY (AID) IN THE TREATMENT OF DIABETES USING OPEN LOOP NOMINAL PROFILES |
US8690820B2 (en) * | 2009-10-06 | 2014-04-08 | Illinois Institute Of Technology | Automatic insulin pumps using recursive multivariable models and adaptive control algorithms |
JP5083297B2 (ja) * | 2009-11-18 | 2012-11-28 | セイコーエプソン株式会社 | 予測血糖値算出装置、予測血糖値算出方法およびプログラム |
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 |
JP5636859B2 (ja) * | 2010-10-14 | 2014-12-10 | セイコーエプソン株式会社 | 血糖値予測システム |
US20120197622A1 (en) * | 2011-01-31 | 2012-08-02 | Fujitsu Limited | Monitoring Insulin Resistance |
US20120197621A1 (en) * | 2011-01-31 | 2012-08-02 | Fujitsu Limited | Diagnosing Insulin Resistance |
PL2793785T3 (pl) * | 2011-12-21 | 2020-04-30 | Essity Hygiene And Health Aktiebolag | Sposób i program komputerowy do monitorowania stosowania wyrobu chłonnego |
US10327714B2 (en) | 2012-03-29 | 2019-06-25 | Senseonics, Incorporated | Analyte concentration alert function for analyte sensor system |
JP5187450B2 (ja) * | 2012-03-29 | 2013-04-24 | セイコーエプソン株式会社 | 予測血糖値算出装置、予測血糖値算出方法 |
US10111588B2 (en) | 2012-03-29 | 2018-10-30 | Senseonics, Incorporated | Analyte sensor transceiver configured to provide tactile, visual, and/or aural feedback |
US9119529B2 (en) | 2012-10-30 | 2015-09-01 | Dexcom, Inc. | Systems and methods for dynamically and intelligently monitoring a host's glycemic condition after an alert is triggered |
TWI476715B (zh) * | 2013-01-28 | 2015-03-11 | Taipei Veterans General Hospital | 健康管理系統 |
US10149617B2 (en) * | 2013-03-15 | 2018-12-11 | i4c Innovations Inc. | Multiple sensors for monitoring health and wellness of an animal |
CN103455961A (zh) * | 2013-09-09 | 2013-12-18 | 丁玉兰 | 一种病人高危因素护理评估系统 |
FR3011963B1 (fr) * | 2013-10-11 | 2015-12-11 | Novacyt | Procede, module et programme d'ordinateur, de depistage de maladie(s) par prelevement sur un individu |
EP3068290B1 (en) * | 2013-11-14 | 2020-08-26 | The Regents of The University of California | Glucose rate increase detector: a meal detection module for the health monitoring system |
EP3078013A4 (en) * | 2013-12-05 | 2017-08-09 | Senseonics, Incorporated | Analyte concentration alert function for analyte sensor system |
JP2015142665A (ja) * | 2014-01-31 | 2015-08-06 | セイコーエプソン株式会社 | 血糖値測定装置及び血糖値測定方法 |
JP6291875B2 (ja) * | 2014-01-31 | 2018-03-14 | セイコーエプソン株式会社 | 血糖値計測装置及び血糖値計測方法 |
CN104899816A (zh) * | 2015-05-23 | 2015-09-09 | 深圳市前海安测信息技术有限公司 | 基层医疗平台以及基于基层医疗平台的糖尿病人监控方法 |
US10646650B2 (en) | 2015-06-02 | 2020-05-12 | Illinois Institute Of Technology | Multivariable artificial pancreas method and system |
WO2017011346A1 (en) * | 2015-07-10 | 2017-01-19 | Abbott Diabetes Care Inc. | System, device and method of dynamic glucose profile response to physiological parameters |
CN107292079B (zh) * | 2016-04-11 | 2021-03-12 | 深圳市理邦精密仪器股份有限公司 | 一种多病人监护方法及装置 |
US11229406B2 (en) | 2017-03-24 | 2022-01-25 | Medtronic Minimed, Inc. | Patient-specific glucose prediction systems and methods |
EP3522173B1 (de) * | 2018-02-01 | 2024-04-03 | Vorwerk & Co. Interholding GmbH | System mit vitaldatensensor und auswertungseinheit |
CN112826474B (zh) * | 2019-11-05 | 2023-05-02 | 深圳市大富智慧健康科技有限公司 | 血压检测装置、血压检测系统及血压监测方法 |
CN111341451B (zh) * | 2020-03-06 | 2022-09-20 | 南京理工大学 | 用于血糖控制的具有干扰补偿的无模型自适应预测控制方法 |
CN111383758A (zh) * | 2020-03-06 | 2020-07-07 | 三七二二(北京)健康咨询有限公司 | 基于多维数据预测餐后血糖的方法和装置 |
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 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FI118509B (fi) * | 1996-02-12 | 2007-12-14 | Nokia Oyj | Menetelmä ja laitteisto potilaan veren glukoosipitoisuuden ennustamiseksi |
ATE246356T1 (de) * | 1998-05-13 | 2003-08-15 | Cygnus Therapeutic Systems | Vorrichtung zum vorhersagen von physiologischen messwerten |
US6157041A (en) * | 1998-10-13 | 2000-12-05 | Rio Grande Medical Technologies, Inc. | Methods and apparatus for tailoring spectroscopic calibration models |
US6923763B1 (en) * | 1999-08-23 | 2005-08-02 | University Of Virginia Patent Foundation | Method and apparatus for predicting the risk of hypoglycemia |
DE60133653T2 (de) * | 2000-08-18 | 2009-06-04 | Animas Technologies Llc | Vorrichtung zum vorhersagen von hypoglyecemiefällen |
US6544212B2 (en) * | 2001-07-31 | 2003-04-08 | Roche Diagnostics Corporation | Diabetes management system |
US7022072B2 (en) * | 2001-12-27 | 2006-04-04 | Medtronic Minimed, Inc. | System for monitoring physiological characteristics |
CA2481981C (en) * | 2002-03-25 | 2012-02-07 | Ken-Ichi Yamakoshi | A non-invasive blood constituent measuring instrument and measuring method |
JP3746729B2 (ja) * | 2002-04-17 | 2006-02-15 | 東京瓦斯株式会社 | 機器の劣化を検出する方法 |
JP2005043991A (ja) * | 2003-07-23 | 2005-02-17 | Canon Inc | サーバ及びサーバの制御方法、プログラム及び記憶媒体 |
DE102004020160A1 (de) * | 2004-04-24 | 2005-11-10 | Roche Diagnostics Gmbh | Verfahren und Vorrichtung zum Überwachen einer Konzentration eines Analyten im lebenden Körper eines Menschen oder Tieres |
JP2005328924A (ja) * | 2004-05-18 | 2005-12-02 | Toyama Univ | 血糖値予測装置、血糖値予測モデル作成装置、およびプログラム |
US7567887B2 (en) * | 2004-09-10 | 2009-07-28 | Exxonmobil Research And Engineering Company | Application of abnormal event detection technology to fluidized catalytic cracking unit |
JP4318221B2 (ja) * | 2004-12-02 | 2009-08-19 | 富士通株式会社 | 医療情報分析装置、方法及びプログラム |
-
2007
- 2007-07-26 JP JP2009523387A patent/JP5266221B2/ja active Active
- 2007-07-26 US US12/376,137 patent/US20090312621A1/en not_active Abandoned
- 2007-07-26 CN CN2007800293617A patent/CN101500475B/zh active Active
- 2007-07-26 DE DE602007006202T patent/DE602007006202D1/de active Active
- 2007-07-26 AT AT07825964T patent/ATE465674T1/de not_active IP Right Cessation
- 2007-07-26 WO PCT/IB2007/052971 patent/WO2008017981A2/en active Application Filing
- 2007-07-26 EP EP07825964A patent/EP2051620B1/en active Active
- 2007-08-03 TW TW096128684A patent/TW200813880A/zh unknown
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI807312B (zh) * | 2017-12-04 | 2023-07-01 | 德商休斯微科光罩儀器股份有限公司 | 處理頭、處理系統以及處理基板之局部表面區域的方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2008017981A3 (en) | 2008-04-17 |
ATE465674T1 (de) | 2010-05-15 |
EP2051620A2 (en) | 2009-04-29 |
EP2051620B1 (en) | 2010-04-28 |
CN101500475B (zh) | 2011-09-07 |
DE602007006202D1 (de) | 2010-06-10 |
WO2008017981A2 (en) | 2008-02-14 |
JP2010500078A (ja) | 2010-01-07 |
CN101500475A (zh) | 2009-08-05 |
JP5266221B2 (ja) | 2013-08-21 |
US20090312621A1 (en) | 2009-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TW200813880A (en) | Method and device for monitoring a physiological parameter | |
Heinemann et al. | Benefits and limitations of MARD as a performance parameter for continuous glucose monitoring in the interstitial space | |
Lane et al. | Continuous glucose monitors: current status and future developments | |
JP2020078648A5 (zh) | ||
TW201402059A (zh) | 健康狀態判定方法及健康狀態判定系統 | |
MXPA02009487A (es) | Metodo, sistema y producto de programa de computadora para la evaluacion del control glucemico en la diabetes a partir de datos de auto-monitoreo. | |
EP3076868B1 (en) | Processor for processing skin conductance data and device for detecting at least one stage of burnout and/or chronic fatigue syndrome of a living being | |
Peyser et al. | Hypoglycemic accuracy and improved low glucose alerts of the latest Dexcom G4 Platinum continuous glucose monitoring system | |
Staal et al. | Kalman smoothing for objective and automatic preprocessing of glucose data | |
Sivananthan et al. | Assessment of blood glucose predictors: the prediction-error grid analysis | |
US20150038816A1 (en) | Diabetes treatment support apparatus, diabetes treatment support method, diabetes treatment support program | |
Tracy et al. | Separating bedtime rest from activity using waist or wrist-worn accelerometers in youth | |
Kovatchev | Hypoglycemia reduction and accuracy of continuous glucose monitoring | |
KR20200066204A (ko) | 실시간으로 자동 추적되는 사용자의 일상적인 활동 파라미터 및 상응하는 시스템에 기초하여 건강한 라이프 스타일을 유지하기 위한 권장 사항을 제공하는 방법 | |
Vettoretti et al. | A model of self-monitoring blood glucose measurement error | |
Kesavadev et al. | Glucose monitoring technologies-complementary or competitive? Role of continuous glucose monitoring versus flash glucose monitoring versus self-monitoring of blood glucose | |
US20240033419A1 (en) | Method and means for postprandial blood glucose level prediction | |
Harvey et al. | Clinically relevant hypoglycemia prediction metrics for event mitigation | |
Breton et al. | Analysis of the accuracy and performance of a continuous glucose monitoring sensor prototype: an in-silico study using the UVA/PADOVA type 1 diabetes simulator | |
Cisuelo et al. | Development of an artificial intelligence system to identify hypoglycaemia via ECG in adults with type 1 diabetes: protocol for data collection under controlled and free-living conditions | |
Xie et al. | A data-driven personalized model of glucose dynamics taking account of the effects of physical activity for type 1 diabetes: an in silico study | |
Pandit | Continuous glucose monitoring | |
Winkler et al. | Patient-specific performance evaluation for insulin control systems | |
Alghothani et al. | The effect of glycemic variability on counterregulatory hormone responses to hypoglycemia in young children and adolescents with type 1 diabetes | |
US10378972B2 (en) | Physiological input to determine validity of data |