WO2023092908A1 - 人工胰腺控制方法、可读存储介质及血糖管理系统 - Google Patents

人工胰腺控制方法、可读存储介质及血糖管理系统 Download PDF

Info

Publication number
WO2023092908A1
WO2023092908A1 PCT/CN2022/081841 CN2022081841W WO2023092908A1 WO 2023092908 A1 WO2023092908 A1 WO 2023092908A1 CN 2022081841 W CN2022081841 W CN 2022081841W WO 2023092908 A1 WO2023092908 A1 WO 2023092908A1
Authority
WO
WIPO (PCT)
Prior art keywords
risk
blood sugar
interval
patient
artificial pancreas
Prior art date
Application number
PCT/CN2022/081841
Other languages
English (en)
French (fr)
Inventor
刘小凡
吴之夏
陈勋
裘丹
Original Assignee
上海微创生命科技有限公司
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 上海微创生命科技有限公司 filed Critical 上海微创生命科技有限公司
Publication of WO2023092908A1 publication Critical patent/WO2023092908A1/zh

Links

Images

Classifications

    • 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
    • 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
    • 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
    • A61M5/1413—Modular systems comprising interconnecting elements
    • 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
    • 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
    • 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
    • A61M2005/14292—Computer-based infusion planning or simulation of spatio-temporal infusate distribution
    • 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

Abstract

一种人工胰腺控制方法，包括：根据采集的血糖数据判断血糖的变化情况；若血糖呈下降趋势，则判断在当前时间之前的第一设定时间内血糖降低量是否超过第一阈值，或者判断当前时间的血糖量或沿血糖变化曲线线性预测在当前时间之后的第二设定时间内血糖量是否会低于第二阈值，若是，则控制停止胰岛素输注，直至血糖状态稳定；若血糖呈上升趋势，则判断当前时间的血糖量或沿血糖变化曲线线性预测在当前时间之后的第二设定时间内的血糖量是否会大于第三阈值，若是，则利用模型预测控制算法控制进行胰岛素输注。该人工胰腺控制方法提高了胰岛素输注安全性，最大限度的减少了模型预测控制算法的运算次数，优化了计算流程。

Description

人工胰腺控制方法、可读存储介质及血糖管理系统 技术领域
本发明涉及医疗技术领域，特别涉及人工胰腺控制方法、可读存储介质及血糖管理系统。
背景技术
糖尿病(T1D)患者由于胰腺功能的缺失与Alpha细胞活性的丧失，需要频繁进行体外胰岛素注射，以达到对血糖的控制。根据这一需求，胰岛素泵相应诞生：通过连续皮下注射胰岛素的方式，并在餐前通过输入碳水化合物摄入计算餐前量的方式进行额外的餐前量注入，模拟胰岛素的生理性分泌系统对血糖的控制。但这对患者的使用提出了较高的要求：患者不但需要对每一餐的摄入碳水进行精准计算，在计算出现误差时胰岛素输入量错误有可能会导致控糖效果较差甚至发生威胁生命安全的低血糖。
随着连续血糖监测(CGM)设备的快速发展，使得更高精度的控制变为了可能。由CGM与胰岛素泵联动组成的人工胰腺(AP)便是为了解决这一个问题：通过实时的CGM读数，人工胰腺对当前人体血糖状况进行分析，并模拟正常胰腺的分泌功能，利用胰岛素泵进行胰岛素的注入。除了对CGM读数的准确性(MARD)有一定的要求，人工胰腺的核心是联动CGM和胰岛素泵的闭环控制算法。
目前主要被研究的几种控制算法包括PID控制，Fuzzy Logic控制及MPC(Model Predictive Control，模型预测控制)算法。其中PID为工业界运用较多较为低阶的控制算法，其优点为对运算力要求很低，但由于人体分泌结构复杂，且差异性较大，低阶固定系数的控制算法很难在较大群体中展现很好的鲁棒性(robustness)。Fuzzy Logic为根据实际数据(此处为胰岛素使用的相关临床数据)来在胰岛素控制中模拟临床经验的算法，但其要求大量的一致性较强的临床数据，需要较长时间的数据积累。相对而言，MPC算法综合鲁棒性、实现的难易度及临床使用的准确度而言表现最为稳定：通过建立关于胰岛素和历史血糖变化的血糖预测模型，MPC使用优化算法计算出最能优 化下一时刻的胰岛素注入量。该算法其具有较强的自适应性，且在工业界(机器人控制、自动驾驶)均有广泛应用。其中MPC算法由于其预测的准确性及控制效果的稳定性开始越来越广泛的运用在人工胰腺闭环算法的开发。
目前学术及工业界提出的MPC算法已在预测上做到了较高的准确性。例如Dassau实验室提出的VP控制器便结合了MPC，搭建了针对血糖变化速率更改惩罚方程的控制器，达到了较好的效果。但鉴于糖尿病群体的个体化程度较强，且低血糖等带来的安全风险较高，以及硬件的运算符和限制，目前MPC在血糖控制的应用中仍存在缺少低血糖风险管控、运算次数较多、最优求解缺少个人化适应等问题。
发明内容
本发明的目的在于提供一种人工胰腺控制方法及控制器，以解决现有技术中的一个或多个问题。
为解决上述技术问题，本发明提供一种人工胰腺控制方法，包括：
根据采集的血糖数据判断血糖的变化情况；
若血糖呈下降趋势，则判断在当前时间之前的第一设定时间内血糖降低量是否超过第一阈值，或者，判断当前时间的血糖量或沿血糖变化曲线线性预测在当前时间之后的第二设定时间内血糖量是否会低于第二阈值，若是，则控制停止胰岛素输注，直至血糖状态稳定；
若血糖呈上升趋势，则判断当前时间的血糖量或沿血糖变化曲线线性预测在当前时间之后的第二设定时间内血糖量是否会大于第三阈值，若是，则利用模型预测控制算法控制进行胰岛素输注。
可选的，在所述的人工胰腺控制方法中，所述第一设定时间和所述第二设定时间均为30min；所述第一阈值的取值范围为40mg/dL～60mg/dL；所述第二阈值为70mg/dL；所述第三阈值为180mg/dL。
可选的，在所述的人工胰腺控制方法中，在利用所述模型预测控制算法控制进行胰岛素输注后，至少间隔第三设定时间再利用所述模型预测控制算法控制进行下一次胰岛素输注。
可选的，在所述的人工胰腺控制方法中，所述第三设定时间不小于1h。
可选的，在所述的人工胰腺控制方法中，利用模型预测控制算法控制进行胰岛素输注，所述模型预测控制算法基于历史血糖变化计算出下一时刻血糖的胰岛素注入量。
可选的，在所述的人工胰腺控制方法中，所述模型预测控制算法为关于Fs风险系数的算法：
Figure PCTCN2022081841-appb-000001
其中，所述Fs风险系数随病人风险区间的增大而减小，Ki为根据胰岛素注射总量TDI计算出来的系数，c为用于转换单位的常数，p 1＝0.98，p 2＝0.965，u(t)表示t时刻的胰岛素输注量，y(t)标识t时刻的血糖值。
可选的，在所述的人工胰腺控制方法中，所述人工胰腺控制方法还包括：
根据病人胰岛素需注射的餐前总量判断病人风险区间，并得到相应的Fs风险系数。
可选的，在所述的人工胰腺控制方法中，所述人工胰腺控制方法还包括：
根据所述餐前总量及病人年龄判断病人风险区间，并得到相应的Fs风险系数。
可选的，在所述的人工胰腺控制方法中，所述根据所述餐前总量及病人年龄判断病人风险区间的方法包括：
若病人年龄在第一年龄区间，则根据所述餐前总量在第一设定分段区间内的位置判断病人风险区间；若病人年龄在第二年龄区间，则根据所述餐前总量在第二设定分段区间内的位置判断病人风险区间；若病人年龄在第三年龄区间，则判断病人风险区间为高风险区间；其中，所述第二年龄区间＞所述第一年龄区间＞第三年龄区间。
可选的，所述第一设定分段区间和所述第二设定分段区间均包括四个连续的风险区间，所述四个连续的风险区间分别对应低风险区间、中风险区间、较高风险区间和高风险区间。
可选的，所述中风险区间对应的所述第一年龄区间的病人餐前总量大于对应所述第二年龄区间的病人餐前总量；所述较高风险区间对应的所述第一年龄区间的病人餐前总量大于对应所述第二年龄区间的病人餐前总量。
可选的，在所述的人工胰腺控制方法中，所述第一年龄区间为12岁～20岁，所述第二年龄区间为20岁以上，所述第三年龄区间为12岁以下。
本发明还提供一种可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被执行时，实现前述的人工胰腺控制方法。
本发明还提供一种血糖管理系统，包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器用于执行所述计算机程序并实现前述的人工胰腺控制方法。
综上所述，本发明提供的人工胰腺控制方法、可读存储介质及血糖管理系统包括：根据采集的血糖数据判断血糖的变化情况；若血糖呈下降趋势，则判断在当前时间之前的第一时间内降低量是否超过第一变化率，或者，在当前时间或当前时间之后的第二设定时间内是否会低于第一阈值，若是，则控制停止胰岛素输注，直至血糖状态稳定；若血糖呈上升趋势，则判断上升率是否大于第二变化率，或者，在当前时间之后的第二设定时间内是否会大于第二阈值，若是，则利用模型预测控制算法控制进行胰岛素输注。与现有技术相比，本发明提供的人工胰腺控制方法及控制器、可读存储介质及血糖管理系统具有如下有益效果：
(1)在利用模型预测控制算法控制进行胰岛素输注之前，先对血糖变化情况进行判断，相当于引入紧急停泵机制和血糖控制启动条件，紧急停泵机制的引入，提高了胰岛素输注安全性，血糖控制启动条件的引入，最大限度的减少了模型预测控制算法的运算次数，优化了计算流程；
(2)进一步的，在利用模型预测控制算法控制进行胰岛素输注时，在利用所述模型预测控制算法控制进行胰岛素输注后，至少间隔第三设定时间再利用所述模型预测控制算法控制进行下一次胰岛素输注，如此便减少了胰岛素吸收延时所带来的重复控制风险；
(3)进一步的，在模型预测控制算法中增加Fs风险系数，对病人风险区间进行划分，基于病人风险区间的不同，得到相应的Fs风险系数，如此，便实现了模型预测控制算法的个体化，可提高不同胰岛素使用风险病人的血糖控制效果。
附图说明
图1为本发明实施例提供的人工胰腺控制方法的流程图；
图2为本发明实施例中示例的判断病人风险区间的流程图；
图3为本发明实施例中利用BB Controller进行血糖控制的效果图；
图4为本发明实施例中利用VP MPC QP Controller进行血糖控制的效果图；
图5为本发明实施例提供的人工胰腺控制方法在未引入Fs时的控制效果；
图6为本发明实施例提供的人工胰腺控制方法在引入Fs时的控制效果。
具体实施方式
为使本发明的目的、优点和特征更加清楚，以下结合附图和具体实施例对本发明作详细说明。需说明的是，附图均采用非常简化的形式且未按比例绘制，仅用以方便、明晰地辅助说明本发明实施例的目的。此外，附图所展示的结构往往是实际结构的一部分。特别的，各附图需要展示的侧重点不同，有时会采用不同的比例。还应当理解的是，除非特别说明或者指出，否则说明书中的术语“第一”、“第二”、“第三”等描述仅仅用于区分说明书中的各个组件、元素、步骤等，而不是用于表示各个组件、元素、步骤之间的逻辑关系或者顺序关系等。
如图1所示，本实施例提供一种人工胰腺控制方法，包括如下步骤：
S11，根据采集的血糖数据判断血糖的变化情况；若血糖呈平稳或下降趋势，则执行步骤S12，若血糖呈上升趋势，则执行步骤S13。
S12，判断在当前时间之前的第一设定时间内血糖降低量是否超过第一阈值，或者，判断当前时间的血糖量或沿血糖变化曲线线性预测在当前时间之后的第二设定时间内血糖量是否会低于第二阈值，若是，则控制停止胰岛素输注，直至血糖状态稳定。
S13，判断当前时间的血糖量或沿血糖变化曲线线性预测在当前时间之后的第二设定时间内血糖量是否会大于第三阈值，若是，则利用模型预测控制算法控制进行胰岛素输注。
在对血糖数据进行连续采集之后，实时血糖值关于时间的变化会形成血糖变化曲线，根据血糖变化曲线，可知晓在当前时间、当前时间之前的血糖变化情况及预测当前时间之后的血糖变化趋势，即，本实施例提供的所述人工胰腺控制方法，在利用模型预测控制算法控制进行胰岛素输注之前，先对血糖变化情况进行判断，相当于引入紧急停泵机制和血糖控制启动条件，紧急停泵机制的引入，提高了胰岛素输注安全性，血糖控制启动条件的引入，最大限度的减少了模型预测控制算法的运算次数，优化了计算流程。
在一具体实施方式中，所述第一设定时间例如可取30min，所述第二设定时间例如也可取30min，所述第一阈值的取值范围可为40mg/dL～60mg/dL；所述第二阈值可为70mg/dL；所述第三阈值可为180mg/dL。即，如图1所示，获取血糖采集数据之后，根据采集结果判断血糖变化情况，若30min内血糖降低量超过40mg/dL～60mg/dL，或者当前血糖量低于70mg/dL或预测血糖量即将在30min分钟内低于70mg/dL，则认为已经出现低血糖或将出现低血糖，停止包括基础量的一切胰岛素的输注，直至血糖状态稳定。若30min内血糖上升量超过40mg/dL～60mg/dL时，或者预测血糖量即将在30min内超过180mg/dL，则认为将出现高血糖，利用模型预测控制算法控制进行胰岛素输注。较佳的，步骤S13中，在利用模型预测控制(MPC)算法控制进行胰岛素输注时，两次控制之间至少间隔第三设定时间，即，在利用MPC算法控制进行胰岛素输注后，至少间隔第三设定时间后，再进行下一次胰岛素输注，且进一步较佳的，所述第三设定时间不小于1h。即，利用模型预测控制算法控制进行一次胰岛素输注之后，至少要1h之后再能进行控制运算，如此，便可减少胰岛素吸收延时所带来的重复控制风险。
另外较佳的，本实施例中，所述MPC算法为关于Fs风险系数的算法，所述Fs风险系数随病人风险区间的增大而减小。即，相当于在现有MPC算法中加入Fs风险系数以对控制强度进行调整，从而实现了本实施例中的MPC算法的个体化，可提高不同胰岛素使用风险病人的血糖控制效果。即，本实施例中，所述MPC算法公式可为：
Figure PCTCN2022081841-appb-000002
；其中，K i为根据胰岛素注射总量TDI计算出来的系数，K i＝1800/TDI，c为 用于转换单位的常数，c＝-60(1-p 1)(1-p 2) 2，p 1＝0.98，p 2＝0.965，u(t)标识t时刻的胰岛素输注量，y(t)标识t时刻的血糖值。
以上MPC算法公式中，通过优化计算出公式中的胰岛素输注量u(t)，该u(t)可使得未来一个时间段的y(t+1)、y(t+2)等尽量处于正常血糖范围。
优选的，本实施例中，所述人工胰腺控制方法还包括：根据病人胰岛素需注射的餐前总量判断病人风险区间，并得到相应的Fs风险系数。
通常来说，人体的总胰岛素注射量(TDI)与体重BW(Body Weight)成正比关系，在临床进行诊断时，一般利用体重预估TDI，并结合临床病理，包括人体对碳水化合物的血糖转化率(Carbohydrate Ratio，CR)以及血糖对胰岛素敏感性(Correction Factor，CF)对TDI进行调整。TDI可进一步拆分为两个参数：基础总量(Overall_Basal)与餐前总量(Remain_Bolus)，这两个参数按照与TDI的比例关系进行计算，并根据稳态血糖进行调整。TDI及Overall_Basal的决定一般需要临床经验的指导，但由于其应用较为普遍，且病人一般知晓，并不涉及额外的数据积累。
发明人通过对虚拟病人的问卷数据(包括Overall_Basal、Remain_Bolus等)与在固定Fs风险系数下所得到的低血糖LBGI(Low Blood Glucose risk Index)及高血糖HBGI(High Blood Glucose risk Index)进行斯皮尔曼跌相关计算(Spearman Rank Correlation)，发现Remain_Bolus与综合血糖系数相关度最高。因此，本实施例中，当通过根据病人胰岛素需注射的餐前总量判断病人风险区间所得到的Fs风险系数更能满足个体化差异。
另外，根据病人胰岛素需注射的餐前总量判断病人风险区间，相较于利用夜间血糖平均值等方法对病人风险区间进行判断，一方面，不需要病人数据积累，因此不需要对病人血糖进行提前的检测，能够满足临床医疗设备需求，另一方面，因为考虑到了血糖转化率(CR)、胰岛素敏感性(CF)的影响，因此相较于利用夜间血糖对病人风险程充进行判断，准确度更高。
此外，进一步的，除了根据病人胰岛素需注射的餐前总量判断病人风险区间，还可根据病人年龄及病人胰岛素需注射的餐前总量判断病人风险区间， 即，在对病人风险区间进行判断时，除了考虑胰岛素需注射的餐前总量的影响，还需考虑病人年龄的影响。
具体的，所述根据所述餐前总量及病人年龄判断病人风险区间的方法包括：
若病人年龄在第一年龄区间，则根据所述餐前总量在第一设定分段区间内的位置判断病人风险区间；
若病人年龄在第二年龄区间，则根据所述餐前总量在第二设定分段区间内的位置判断病人风险区间；
若病人年龄在第三年龄区间，则判断病人风险区间为高风险区间；
其中，所述第二年龄区间＞所述第一年龄区间＞第三年龄区间。
更为具体的，所述病人风险区间可包括：低风险区间、中风险区间、较高风险区间和高风险区间；所述第一设定分段区间和所述第二设定分段区间均包括四个连续的风险区间，对应于四个不同的风险区间，分别得到低风险区间、中风险区间、较高风险区间和高风险区间这四个风险类别。
可选的，所述中风险区间对应的所述第一年龄区间的病人餐前总量大于对应的所述第二年龄区间的病人餐前总量；所述较高风险区间对应的所述第一年龄区间的病人餐前总量大于对应的所述第二年龄区间的病人餐前总量。相应的，对于风险区间临界值的设置，所述第一年龄区间在低风险区间的最小值会大于所述第二年龄区间在低风险区间的最小值，所述第一年龄区间在高风险区间的最大值会大于所述第二年龄区间在高风险区间的最大值。
根据血糖浮动情况及对胰岛素的敏感度，可对病人年龄区间作如下划分：所述第一年龄区间为12岁～20岁，所述第二年龄区间为20岁以上，所述第三年龄区间为12岁以下。即，以于12岁儿童而言，由于血糖浮动及胰岛素敏感性极大，故全部采用高风险分类以杜绝低血糖风险。
请参见图2，在一具体实施方式中，判断病人风险区间的方法包括如下步骤：
S21，获取病人胰岛素需注射的餐前总量(Remain_Bolus)；
S22，判断病人年龄所在年龄区间，若病人年龄在12岁～20岁，则执行步骤S23，若病人年龄在20岁以上，则执行步骤S24，若病人年龄在12岁以下，则执行步骤S25；
S23，判断Remain_Bolus所属风险区间，若Remain_Bolus≥25，则判断为低风险区间，Fs＝8.0；若20≤Remain_Bolus＜25，则判断为中风险区间，Fs＝8.0；若15≤Remain_Bolus＜20，则判断为较高风险区间，Fs＝4.0；若Remain_Bolus＜15，则判断为高风险区间，Fs＝2.0；
S24，判断Remain_Bolus所属风险区间，若Remain_Bolus≥20，则判断为低风险区间，Fs＝12.0；若15≤Remain_Bolus＜20，则判断为中风险区间，Fs＝8.0；若10≤Remain_Bolus＜15，则判断为较高风险区间，Fs＝3.0；若Remain_Bolus＜10，则判断为高风险区间，Fs＝2.0；
S25，直接判断为高风险区间，Fs＝1.0。
本实施例还提供一种控制器(即下文所述Safety Factor Zone MPC Controller)，所述控制器上存储有计算机程序，所述计算机程序被执行时，实现本实施例提供的所述人工胰腺控制方法。
本发明还提供一种可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被执行时，实现前述的人工胰腺控制方法。
本发明还提供一种血糖管理系统(即下文所述Safety Factor Zone MPC Controller)，包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器用于执行所述计算机程序并实现前述的人工胰腺控制方法。
所述控制器能够实现的功能的具体说明可以参考上述人工胰腺控制方法的部分中图1所示的步骤S11-S13的相关描述，重复之处不再赘述。此外，所述控制器可以实现与上述人工胰腺控制方法的方法相似的技术效果，在此不再赘述。
由于人工胰腺控制算法具有较高的临床试验风险，很难在项目初期进行临床验证。以下采用具有FDA虚拟临床验证认证的UVA/PADOVA T1DMS一型糖尿病血糖数据模拟器进行算法效果模拟，并将几个不同的控制模型进行了对比。最终的血糖控制的评判标准以Mean_BG、TIR及Risk_Index的方式 展现。Mean_BG为平均血糖，表示模拟时间内平均的血糖值，临床应用上将处于合理范围内(70-180mg/dL)的低Mean_BG理解为血糖综合控制效果较好。TIR(Time in Range)为评判血糖控制在合理范围(70-180mg/dL)内的时间比例，取值范围为0-100％，临床上通常将较高的TIR理解为血糖控制较好的表现；Risk_Index为T1DMS模拟器中所采用评价综合低血糖和高血糖风险的风险系数，其数值越高，表示综合血糖风险越大，临床应用上将低Risk_Index理解为极端血糖情况出现概率较低。
(1)BB Controller
BB Controller模拟了普通糖尿病患者的胰岛素泵使用情况：在保持基础量持续注射的同时，在进食前15-30分钟准确估算碳水化合物摄入量，并根据CR和CF计算出餐前量并进行输注。此控制以准确无任何误差的CR、CF及碳水化合物估算为前提，为进行胰岛素注入控制时的最优情况，也是自动进行胰岛素注入控制的最优标准。
BB Controller在三十三位虚拟病人三天中正常进食情况下的控制模拟效果如图3所示。图3所示坐标图，以血糖在第95％百分位的值(uper 95％confidence bound)为纵轴，以血糖在第5％百分位的值(lower 95％confidence bound)为横轴，对血糖控制效果进行了反映。其中A zone表示控制最优状况，B zone表示较好，UpperC表示高血糖风险较高，LowerC表示低血糖风险较高。C zone(包括UpperC、LowerC)、D zone(包括UpperD、LowerD)、E zone均表示血糖控制效果较差，并存在较高的低血糖、高血糖或同时存在两种极端情况的风险。UpperB zone对应血糖控制效果较好,但存在一定高血糖趋势；LowerB zone对应血糖控制效果较好，但存在一定低血糖趋势。从图中可看到达到控制效果较好及以上(B zone和A zone)的百分比达到87％，这归功于准确的碳水摄入量估计以及餐前量注入的提前(在血糖变化前提前注入以补偿碳水摄入)。
(2)VP MPC QP Controller
2017年VP MPC Controller作者Dassau实验室对一百个虚拟病人进行控制模拟，其Fs风险系数为根据经验设定的固定值，效果如图4所示。图4所示坐标图，横纵坐标及各个区域所表示的血糖情况与图3一致，下文中图5 及图6亦同，在此不再赘述。从图4可以看出，虽然其模拟富含更复杂的病例人群，但整体结果来看控制效果仍欠佳。
(3)VP MPC QP Controller with initiate mechanism
图5所示为本实施例提供的控制方法在未引入Fs风险系数时的控制效果。从图4可以看出，虽引入了血糖控制启动条件，但由于没有进行参数的定制化，还是会存在低血糖风险。
(4)Safety Factor Zone MPC Controller
图6所示为本实施例提供的控制方法在引入后Fs风险系数后时的控制效果。从图5可以看出，加入Fs风险系数分类设置后，血糖控制效果明显改善，且低血糖风险下降，达到B区间的达到了85％，且只有一个数据点(某个病人的三天模拟中的其中一天)仍存在低血糖风险。
以上四种控制器的控制效果如表1所示，表1中，Mean BG表示平均血糖值，TIR表示血糖安全范围比例，Risk Index表示血糖风险指数，包括高血糖风险和低血糖风险，BB表示以上第(1)种控制器，VP表示以上第(2)种控制器，VP+表示以上第(3)种控制器，SF Zone MPC表示以上第(4)种控制器。
表1
Figure PCTCN2022081841-appb-000003
从表1可以看出，较Dassau原文提出的VP控制，加入血糖控制启动条件的VP+控制使得血糖安全范围比例升高了5.1％，血糖风险指数降低2.44％；在同时引入血糖控制启动条件和Fs风险系数后，血糖安全范围比例升高了11.2％，血糖风险指数降低了3.84％。虽然控制仍不及最理想情况下的BB控制器，但在实际应用中，碳水化合物估算误差、CR误差、CF误差等影响因素都会影响其控制效果，故相对来说，本实施例提出的人工胰腺控制方法在 控制进行胰岛素输注时，更具鲁棒性。
综上所述，本发明提供的人工胰腺控制方法、可读存储介质及血糖管理系统包括：根据采集的血糖数据判断血糖的变化情况；若血糖呈下降趋势，则判断在当前时间之前的第一时间内降低量是否超过第一变化率，或者，在当前时间或当前时间之后的第二设定时间内是否会低于第一阈值，若是，则控制停止胰岛素输注，直至血糖状态稳定；若血糖呈上升趋势，则判断上升率是否大于第二变化率，或者，在当前时间之后的第二设定时间内是否会大于第二阈值，若是，则利用模型预测控制算法控制进行胰岛素输注。与现有技术相比，本发明提供的人工胰腺控制方法及控制器、可读存储介质及血糖管理系统，在利用模型预测控制算法控制进行胰岛素输注之前，先对血糖变化情况进行判断，相当于引入紧急停泵机制和血糖控制启动条件，紧急停泵机制的引入，提高了胰岛素输注安全性，血糖控制启动条件的引入，最大限度的减少了模型预测控制算法的运算次数，优化了计算流程。
此外还应该认识到，虽然本发明已以较佳实施例披露如上，然而上述实施例并非用以限定本发明。对于任何熟悉本领域的技术人员而言，在不脱离本发明技术方案范围情况下，都可利用上述揭示的技术内容对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围。

Claims (13)

  1. 一种人工胰腺控制方法，其特征在于，包括，
    根据采集的血糖数据判断血糖的变化情况：
    若血糖呈下降趋势，则判断在当前时间之前的第一设定时间内血糖降低量是否超过第一阈值，或者，判断当前时间的血糖量或沿血糖变化曲线线性预测在当前时间之后的第二设定时间内血糖量是否会低于第二阈值，若是，则控制停止胰岛素输注，直至血糖状态稳定；
    若血糖呈上升趋势，则判断当前时间的血糖量或沿血糖变化曲线线性预测在当前时间之后的第二设定时间内血糖量是否会大于第三阈值，若是，则利用模型预测控制算法控制进行胰岛素输注。
  2. 如权利要求1所述的人工胰腺控制方法，其特征在于，所述第一设定时间和所述第二设定时间均为30min；所述第一阈值的取值范围为40mg/dL～60mg/dL；所述第二阈值为70mg/dL；所述第三阈值为180mg/dL。
  3. 如权利要求1所述的人工胰腺控制方法，其特征在于，在利用所述模型预测控制算法控制进行胰岛素输注后，至少间隔第三设定时间再利用所述模型预测控制算法控制进行下一次胰岛素输注。
  4. 如权利要求3所述的人工胰腺控制方法，其特征在于，所述第三设定时间不小于1h。
  5. 如权利要求1所述的人工胰腺控制方法，其特征在于，所述模型预测控制算法为关于Fs风险系数的算法：
    Figure PCTCN2022081841-appb-100001
    其中，所述Fs风险系数随病人风险区间的增大而减小，K i为根据胰岛素注射总量TDI计算出来的系数，c为用于转换单位的常数，p1＝0.98，p2＝0.965，u(t)表示t时刻的胰岛素输注量，y(t)标识t时刻的血糖值。
  6. 如权利要求5所述的人工胰腺控制方法，其特征在于，所述人工胰腺控制方法还包括：
    根据病人胰岛素需注射的餐前总量判断病人风险区间，并得到相应的Fs风险系数。
  7. 如权利要求5所述的人工胰腺控制方法，其特征在于，所述人工胰腺控制方法还包括：
    根据病人年龄及病人胰岛素需注射的餐前总量判断病人风险区间，并得到相应的Fs风险系数。
  8. 如权利要求7所述的人工胰腺控制方法，其特征在于，所述根据所述餐前总量及病人年龄判断病人风险区间的方法包括：
    若病人年龄在第一年龄区间，则根据所述餐前总量在第一设定分段区间内的位置判断病人风险区间；
    若病人年龄在第二年龄区间，则根据所述餐前总量在第二设定分段区间内的位置判断病人风险区间；
    若病人年龄在第三年龄区间，则判断病人风险区间为高风险区间；
    其中，所述第二年龄区间＞所述第一年龄区间＞第三年龄区间。
  9. 如权利要求8所述的人工胰腺控制方法，其特征在于，所述第一设定分段区间和所述第二设定分段区间均包括四个连续的风险区间，所述四个连续的风险区间分别对应低风险区间、中风险区间、较高风险区间和高风险区间。
  10. 如权利要求9所述的人工胰腺控制方法，其特征在于，所述中风险区间对应所述第一年龄区间的病人餐前总量大于对应所述第二年龄区间的病人餐前总量；所述较高风险区间对应所述第一年龄区间的病人餐前总量大于对应所述第二年龄区间的病人餐前总量。
  11. 如权利要求8所述的人工胰腺控制方法，其特征在于，所述第一年龄区间为12岁～20岁，所述第二年龄区间为20岁以上，所述第三年龄区间为12岁以下。
  12. 一种可读存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被执行时，实现如权利要求1～11任一项所述的人工胰腺控制方法。
  13. 一种血糖管理系统，其特征在于，包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器用于执行所述计算机程序并实现如权利要求1～11任一项所述的人工胰腺控制方法。
PCT/CN2022/081841 2021-11-24 2022-03-18 人工胰腺控制方法、可读存储介质及血糖管理系统 WO2023092908A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202111405245.9A CN116159208B (zh) 2021-11-24 2021-11-24 人工胰腺控制方法、可读存储介质及血糖管理系统
CN202111405245.9 2021-11-24

Publications (1)

Publication Number Publication Date
WO2023092908A1 true WO2023092908A1 (zh) 2023-06-01

Family

ID=86418676

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2022/081841 WO2023092908A1 (zh) 2021-11-24 2022-03-18 人工胰腺控制方法、可读存储介质及血糖管理系统

Country Status (2)

Country Link
CN (1) CN116159208B (zh)
WO (1) WO2023092908A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116807464A (zh) * 2023-08-30 2023-09-29 武汉联影智融医疗科技有限公司 基于人工胰腺系统的血糖控制方法、装置和电子设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110208156A1 (en) * 2010-02-11 2011-08-25 The Regents Of The University Of California Systems, devices and methods to deliver biological factors or drugs to a subject
CN102500013A (zh) * 2011-11-22 2012-06-20 北京化工大学 基于模型预测控制的大剂量胰岛素全自动智能输注方法和装置
US20130345664A1 (en) * 2012-06-25 2013-12-26 International Business Machines Corporation Managing blood glucose levels
US20160175520A1 (en) * 2014-12-19 2016-06-23 Medtronic Minimed, Inc. Infusion devices and related methods and systems for preemptive alerting
CN109925569A (zh) * 2019-04-30 2019-06-25 广东食品药品职业学院 一种基于自适应参考曲线策略的广义预测控制胰岛素输注量计算方法
CN109999270A (zh) * 2019-03-22 2019-07-12 北京理工大学 一种基于血糖变化趋势的人工胰腺自适应自抗扰控制器
CN112236826A (zh) * 2018-05-04 2021-01-15 英赛罗公司 基于控制算法的药物输送系统的安全约束

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009001349A1 (en) * 2007-06-25 2008-12-31 Medingo Ltd. Tailored basal insulin delivery system
US9901677B2 (en) * 2012-10-16 2018-02-27 Bigfoot Biomedical, Inc. Infusion pump system and methods
US9861747B2 (en) * 2013-12-05 2018-01-09 Lifescan, Inc. Method and system for management of diabetes with a glucose monitor and infusion pump to provide feedback on bolus dosing
CN107292115A (zh) * 2017-07-12 2017-10-24 冯培根 基于糖尿病的人工智能虚拟医生诊疗系统及方法
CN111643771B (zh) * 2019-04-30 2020-12-29 广东食品药品职业学院 一种基于自适应广义预测控制的闭环胰岛素输注系统
CN111540436B (zh) * 2020-04-17 2022-06-03 北京航空航天大学 一种自适应葡萄糖和胰岛素的浓度预测系统及方法
CN112017778B (zh) * 2020-08-06 2024-04-05 东北大学 一种面向临床的多层级血糖异常预警方法
CN112133439B (zh) * 2020-09-07 2022-06-03 北京理工大学 一种基于高斯过程的餐前胰岛素剂量个体化决策系统
CN113113142A (zh) * 2021-04-09 2021-07-13 长沙理工大学 一种利用智能分析技术对糖尿病患病风险的预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110208156A1 (en) * 2010-02-11 2011-08-25 The Regents Of The University Of California Systems, devices and methods to deliver biological factors or drugs to a subject
CN102500013A (zh) * 2011-11-22 2012-06-20 北京化工大学 基于模型预测控制的大剂量胰岛素全自动智能输注方法和装置
US20130345664A1 (en) * 2012-06-25 2013-12-26 International Business Machines Corporation Managing blood glucose levels
US20160175520A1 (en) * 2014-12-19 2016-06-23 Medtronic Minimed, Inc. Infusion devices and related methods and systems for preemptive alerting
CN112236826A (zh) * 2018-05-04 2021-01-15 英赛罗公司 基于控制算法的药物输送系统的安全约束
CN109999270A (zh) * 2019-03-22 2019-07-12 北京理工大学 一种基于血糖变化趋势的人工胰腺自适应自抗扰控制器
CN109925569A (zh) * 2019-04-30 2019-06-25 广东食品药品职业学院 一种基于自适应参考曲线策略的广义预测控制胰岛素输注量计算方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116807464A (zh) * 2023-08-30 2023-09-29 武汉联影智融医疗科技有限公司 基于人工胰腺系统的血糖控制方法、装置和电子设备
CN116807464B (zh) * 2023-08-30 2024-01-26 武汉联影智融医疗科技有限公司 基于人工胰腺系统的血糖控制装置

Also Published As

Publication number Publication date
CN116159208A (zh) 2023-05-26
CN116159208B (zh) 2024-03-15

Similar Documents

Publication Publication Date Title
US11901060B2 (en) Closed loop control of physiological glucose
US20200060624A1 (en) Method and system for automatic monitoring of diabetes related treatment
Messori et al. Model individualization for artificial pancreas
US9507917B2 (en) Monitoring device for management of insulin delivery
WO2015056259A1 (en) System and method for improved artificial pancreas management
CN105339943A (zh) 用于对患者的胰岛素施用进行控制的方法及控制设备
CN110289094B (zh) 一种基于专家规则的胰岛素精准给药决策方法
CN112133439A (zh) 一种基于高斯过程的餐前胰岛素剂量个体化决策系统
JP6957509B2 (ja) 過去の予測を使用する人工膵臓のための予測制御モデル
WO2023092908A1 (zh) 人工胰腺控制方法、可读存储介质及血糖管理系统
Boiroux et al. An ensemble nonlinear model predictive control algorithm in an artificial pancreas for people with type 1 diabetes
Prud'Homme et al. Preclinically assessed optimal control of postprandial glucose excursions for type 1 patients with diabetes
Ata et al. Model based control of artificial pancreas under meal disturbances
CN109935333B (zh) 基于ovmd-se-pso-bp的在线血糖预测方法
Tašić et al. Review of algorithms for improving control of blood glucose levels
Kirchsteiger et al. Robustness properties of optimal insulin bolus administrations for type 1 diabetes
US20240161900A1 (en) Closed loop control of physiological glucose
CN114613509B (zh) 基于贝叶斯优化的人工胰腺长期适应的个体化学习系统
Lim et al. A practical approach based on learning-based model predictive control with minimal prior knowledge of patients for artificial pancreas
El Hachimi et al. Overcoming control challenges in the artificial pancreas
Mustaffa et al. Progression of Artificial Pancreas Device System Development with Preliminary Comparison between Two Models for Type 1 Diabetes Mellitus (T1DM) Patients
Diamond Modeling efforts for improved meal prediction with application to blood glucose control
Priyadarshini et al. A Cloud-Connected Digital System for Type-1 Diabetes Prediction using Time Series LSTM Model
Peiró Automatic Insulin Delivery: Artificial Pancreas Controlled by Machine Learning Trained Algorithm Compared to other Therapies for Diabetes Treatment
Beolet et al. End-to-end Offline Reinforcement Learning for Glycemia Control

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22897009

Country of ref document: EP

Kind code of ref document: A1