CN102395310A

CN102395310A - 用于自动监控糖尿病相关治疗的方法以及***

Info

Publication number: CN102395310A
Application number: CN2010800093345A
Authority: CN
Inventors: E·阿特拉斯; R·尼姆里; S·米勒; E·格伦伯格; M·菲利浦
Original assignee: MOR REEARCH APPLICATIONS Ltd
Current assignee: MOR REEARCH APPLICATIONS Ltd
Priority date: 2009-02-26
Filing date: 2010-02-25
Publication date: 2012-03-28
Also published as: CA2752637A1; WO2010097796A1; EP2400882A4; AU2010217221A1; EP2400882B1; DK2400882T3; KR20120047841A; EP2400882B8; US20120123234A1; JP2012519018A; US20200060624A1; EP2400882A1

Abstract

本发明公开了一种用于监控病人的糖尿病治疗的监控***。该***包括控制单元，该控制单元包括：第一处理器模块，用于处理反映血液葡萄糖水平的测量数据并且生成反映血液葡萄糖水平的第一处理数据；第二处理器模块，包括：至少一个模糊逻辑模块；所述模糊逻辑模块接收与该测量数据、该第一处理数据以及包括个体化病人概况相关数据、个体化病人治疗史相关数据的参考数据相对应的多个输入参数，处理接收到的数据以产生反映病人的治疗参数的至少一个定性输出参数；以使所述第二处理器模块确定是否要修改任何治疗参数。

Description

用于自动监控糖尿病相关治疗的方法以及***

技术领域

本发明关于监控糖尿病相关治疗的领域，并且涉及用于自动监控糖尿病相关治疗的方法以及***。

参考资料

下述参考资料被认为与理解本发明的背景技术的目的有关。

1.Steil G，Panteleon A，Rebrin K.Closed-loop insulin delivery-the path tophysiological glucose control.Adv Drug Deliv Rev 2004；56：125-144

2.Parker R，Doyle Fr，Peppas N.A model-based algorithm for blood glucose controlin type I diabetic patients.IEEE Trans Biomed Eng 1999；46：148-157

3.Hovorka R，Chassin L，Wilinska M，Canonico V，Akwi J，Federici M，Massi-Benedetti M，Hutzli I，Zaugg C，Kaufmann H，Both M，Vering T，Schaller H，Schaupp L，Bodenlenz M，Pieber T.Closing the loop：the adicol experience.DiabetesTechnol Ther 2004；6：307-318

4.Hovorka R，Canonico V，Chassin L，Haueter U，Massi-Benedetti M，Orsini FedericiM，Pieber T，Schaller H，Schaupp L，Vering T，Wilinska M.Nonlinear model predictivecontrol of glucose concentration in subj ects with type 1 diabetes.Physiol Meas 2004；25：905-920

5.Magni L，Raimondo D，Bossi L，Dalla Man C，De Nicolao G，Kovatchev B，Cobelli C.Model Predictive Control of Type 1 Diabetes：An In Silico Trai.J Diabetes SciTechnol 2007；1：804-812

6.Pedrycz W，Gomide F.Fuzzy Systems Engineering Towards Human-CentericComputing.Hoboken，New Jersy，John Wiley&Sons，Inc.，2007

7.Sincanandam SN，Sumathi S，Deepa SN.Introduction to Fuzzy Logic usingMATLAB.Verlag Berlin Heidelberg，Springer，2007

8.Sparacino G，Zanderigo F，Corazza S，Maran A，Facchinetti A，Cobelli C.Glucoseconcentration can be predicted ahead in time from continuous glucose monitoring sensortime-series.IEEE Trans Biomed Eng 2007；54：931-937

9.Magni L，Raimondo D，Dalla Man C，Breton M，Patek S，De Nicolao G，Cobelli C，Kovatchev B.Evaluating the Efficacy of Closed-Loop Glucose Regulation viaControl-Variability Grid Analysis.J Diabetes Sci Technol 2008；2：630-635

10.Standards of medical care in diabetes-2009.Diabetes Care 2009；32 Suppl1：S13-61

背景技术

尿糖，通常称为糖尿病，是一种疾病，其中，个人胰腺不能制造足够的胰岛素或者人体不能适当地使用正常的胰岛素量。胰岛素是一种由胰腺产生的激素，有助于维持正常的血糖水平。

1型糖尿病是一种慢性的、威胁生命的疾病，该疾病是由于胰腺输送激素胰岛素失败而引起的，该激素胰岛素原本由朗格汉斯胰岛的β细胞制造并且分泌。缺乏内生胰岛素的结果是，有1型糖尿病的人在没有施用外生胰岛素的情况下，无法将他们的血液葡萄糖调节至正常血糖范围。然而，提供准确的胰岛素用量，从而最小化并且尽量消除低血液葡萄糖水平或高血液葡萄糖水平是非常关键的。称作高血糖的高葡萄糖水平与称作低血糖的低葡萄糖水平二者都会有使人衰弱及对身心有害的后果。低血糖可导致昏迷并且能够引起包括脑损伤和瘫痪的急性并发症。而严重的高血糖也可导致昏迷；轻微慢性的高血糖潜在地导致长期的、有害的、甚至是威胁生命的并发症，比如血管病、肾并发症、视力问题、神经恶化和皮肤病等。

因此，对于有1型糖尿病的人而言，有必要一天数次地不懈努力地监控他们的血液葡萄糖并且施用外生胰岛素，以将他们的血液葡萄糖维持在正常血糖范围附近。这是一种苛刻的、艰苦的制度(regimen)。即使成功地坚持该制度的人也不同程度地受其拖累，并且常常还要同维持良好的血糖控制斗争。不能坚持该制度的人则面临严重并发症的风险。

1型病人通常使用两种输送体系来输送胰岛素。这些体系来自胰腺输送胰岛素的生理学方法：(1)用于维持恒定血液葡萄糖水平的恒定基础率-将少量胰岛素持续输送至血流，以维持正常的葡萄糖水平。这一水平可以为高、为低或者在正常范围内；(2)用于就餐补偿或者用于校正高血液葡萄糖水平的大剂量-大量胰岛素的快速输送(通常在几分钟内输送这种量)。

理想的人工胰腺(AP)***的核心是根据测量到的葡萄糖水平自动地调整胰岛素输送(可选地，其它激素)的控制算法。用于临床使用的本领域控制算法的当前状态或者聚焦在传统的控制理论上，或者依赖于描述葡萄糖-胰岛素动态的方程式的集合。

人工胰腺(AP)***通常或者基于传统的线性控制理论，或者依赖于葡萄糖-胰岛素动态的数学模型。最普遍的技术基于一种比例-积分-微分控制(PID)[1]和模型预测控制(MPC)[2-5]。然而，生物***的非线性、复杂性和不确定性连同测量设备的固有延迟与偏差一起，使得难于定义模型和正确地评估个体病人的生理行为[1-3，5]。另外，因为多数控制算法不能修改为多输入多输出，所以测量到的血液葡萄糖水平一般是所实现的唯一输入，而胰岛素输送是唯一实现的输出。

PID控制算法由三种要素推断而产生与由β细胞完成的分泌概况(profile)类似的胰岛素概况[1]。某些控制器包括这些要素的子集，例如，比例-微分(PD)控制器包括比例与微分要素以提高健壮性。PID与PD二者都使用测量到的BG水平作为唯一输入，而忽视其它参数(比如先前施用的胰岛素用量)。MPC基于描述葡萄糖水平对不同的胰岛素用量和碳水化合物消耗的响应的数学模型和方程式。由于这些方程式的集合暗含对不同的胰岛素治疗的响应，所以可找出最佳治疗并且相应地应用该最佳治疗。数学模型是受试者专用的，并且依赖***识别阶段来估计所需参数[3]。与葡萄糖控制相关的MPC的主要缺点是：需要一个好的、简明扼要的数学模型和一种用以估计它的参数的好方法，以便于描述病人的生理行为。然而，由于生物***的复杂性，这些模型会经历极度不确定性，这使得恰当地评估和定义该模型变得非常困难。过去用以发展皮下(S.C.)闭环***的大多数尝试都使用线性控制方法论来控制非线性生物***[2，5]，而忽略了生物***和测量设备的不确定性。另外，使用这些方法很难实施多输入和多输出。

发明内容

当前糖尿病治疗技术(比如皮下(S.C)胰岛素泵和S.C连续葡萄糖传感器(CGS))，已显示出在改进T1DM的控制方面是有帮助的。尽管这样，还没能发掘这些技术在帮助病人对其糖尿病管理的每日需求方面的潜力。因此，要求AP***在避免严重的低血糖事件的同时，模仿胰腺细胞的活性并且严格控制病人的BG水平。这种***也可提供一种将病人从对付其糖尿病的日常负担中摆脱出来的机会。

本发明提供了一种闭环人工胰腺***，该***提供模仿功能胰腺β细胞的活性并且严格控制病人的血液葡萄糖水平的机会。本发明的监控技术分析由静脉和/或皮下药物注射设备以及由葡萄糖传感器生成的数据，并且通过控制药物注射设备的操作决定治疗修改。

应注意，胰岛素吸收的延迟和组织间液体不总是正确表示葡萄糖水平这样的事实，使得结束循环的任务变成了一种挑战。糖尿病治疗的最终目标是开发一种模仿胰腺β细胞的活性的自主及自动的监控以及治疗***。这种***因而能够维持正常的生理性血液葡萄糖水平，因此避免了低血糖。该***是全自动的(病人不需要对用量方案进行核定)，并且持续地分析葡萄糖动态和胰岛素。

因而，根据本发明的一个广泛方面，提供了一种监控***，用于监控病人的糖尿病治疗，该***包括控制单元，该控制单元包括：第一处理器模块，用于处理反映血液葡萄糖水平的测量数据并且生成反映它的第一处理数据；第二处理器模块，包括至少一个模糊逻辑模块；该第二处理器模块接收与该测量数据、该第一处理数据以及包括个体化病人概况相关数据、个体化病人的治疗史相关数据的参考数据相对应的输入参数，处理接收到的数据以产生反映病人的治疗参数的至少一个定性输出参数，以使所述第二处理器模块确定是否要修改任何治疗参数。

本发明的监控***是一种计算机化***，能够实时地自动监控具有1型糖尿病的病人的治疗过程，该监控***提供了一种用于皮下或血管内感测和输送路径内自动葡萄糖调节的个体化(治疗对象专用)的控制方法。该监控技术根据测量出的葡萄糖水平和/或其它参数自动调整胰岛素输送(可选为其它激素)。为了考虑额外的胰岛素注入，该***持续地追踪葡萄糖水平，并且持续地评估存在于血液中的活性胰岛素(或其它激素)。通过考虑个体受治疗者的治疗史，本发明的***准确地调节控制参数并且克服病人间和病人内可变性。本发明的监控技术能够在防止低血糖的同时将高葡萄糖峰值最小化。

当与外部葡萄糖传感器和胰岛素泵相关联时，本发明的监控***便可操作为全闭环人工胰腺。该监控***包括比如存储器设备等的功能部分等以及控制单元。该***用于处理由任何已知的适于测量血液/组织葡萄糖水平的测量设备(如由植入式测量设备))生成的测量数据，并且用于控制任何适合的药物注射设备(如输送泵(比如皮下胰岛素泵))，因此，提供了测量数据的闭环分析。因此，控制单元可与药物注射设备相关联。控制单元配置为可操作来控制药物注射设备的操作。测量数据包括相对于一定时间的当前及过去葡萄糖水平。

依据测量的类型(连续与否)和所使用的注射设备(植入式与否；经有线或无线的信号传输操作)的类型，监控***可配备有适当的数据收发器(通信设备)，其在测量设备与注射设备之间通信并且接收参考数据和/或测量数据至少之一。该数据收发器还可操作为将控制单元的至少一个输出参数传输至药物注射设备。

应当理解，在本发明中，闭环分析基于一种针对进行治疗的具体病人作出决定的内科方法，并且适于控制进一步的相应治疗(反馈)。这与在型号具体的***中使用的、数学模型(比如MPC)用于根据测量的葡萄糖水平数据来评估药物输送设备的设置的传统的方法不同。

根据该发明，第二处理器模块可提供对范围(CRM)输出治疗方案的控制。第二处理器模块可包括控制到范围模块(CRM)。控制到范围模块或方法提供了用于将病人的葡萄糖水平带入至少一期望范围内的输出治疗参数。CRM输出治疗方案包括胰岛素基础率、胰岛素大剂量或葡萄糖大剂量至少之一。CRM模块可由至少一个模糊逻辑模块实现。在某些实施方式中，本发明的***以及方法采用两个或者更多个模糊逻辑模块(或者CRM模块)。在某些实施方式中，模糊逻辑模块(或CRM模块)被分配为、配置为或者修改为处理事件。根据该发明，第二处理器模块包括具有规则的经建模的结构(或者规则的集合)的至少一个模糊逻辑模块；该模糊逻辑模块利用为将输入参数转变成一个或者多个定性输出参数而建模的一个或更多个成员函数。在某些实施方式中，在采用两个或者更多个模糊逻辑模块的情况下，采用每一个都具有相同和/或不同的规则的经建模的结构、相同和/或不同的输入参数、相同和/或不同的定性输出参数的两个或者多个模糊逻辑模块。输入/输出参数和规则集合可指明为处理特定事件。

模糊逻辑模块的至少一个定性输出参数包括反映大剂量葡萄糖、大剂量胰岛素和基础胰岛素中至少一个治疗参数的数据。

在某些实施方式中，控制单元还包括第三处理器模块，其接收该模糊逻辑模块的该至少一个定性输出参数并且处理该至少一个输出参数，以确定是否将要修改任何治疗参数。

第三处理器模块可包括：对控制到目标模块(CTM)，或者应用进一步处理的“治疗陪审团(Treatment Jury)”，并且确定将要输送的胰岛素和/或抗胰岛素的用量，即确定是否将要修改任何治疗参数。控制到目标的方法能够将病人的葡萄糖水平带到期望范围内的具体的目标水平，或者不能。

在某些实施方式中，CTM对该模糊逻辑模块的输出(比如CRM模块的输出)进行进一步处理，并且确定将要输送的该胰岛素和/或抗胰岛素的用量。因此，第三处理器接收控制到范围CRM输出治疗方案，并且根据病人概况的葡萄糖目标确定用量。所述量按照病人的胰岛素或者葡萄糖药效学和所述测量数据至少之一来调节。

根据本发明的某些实施方式，本发明的***以及方法可选地配置为可操作执行控制到范围与控制到目标的方法的组合，以自动调节个体葡萄糖水平。***可选为具有个体化的预测工具(任何已知类型)，其基于在组织内测量的葡萄糖水平预测血液中的葡萄糖水平，并且克服感测和输送延迟。

CRM利用基于模糊逻辑的模型(“规则表”)，该模型被配置为接收(测量出的/计算出的)定量输入参数和定性输入参数并且对应于预定规则和规则的统计协议程度，将他们转换成定性参数。在某些实施方式中，基于医学知识来处理预定规则。一般而言，模糊逻辑模块的主要元素是多个输入与单个或多个输出的模糊集合，根据IF(输入)-THEN(输出)的形式来构造的模糊规则，以及基于输入来评估模糊规则输出的模糊化和去模糊化的方法[6、7]。在本发明中，模糊逻辑模块可持续使用以接收和/或响应于持续提供的输入参数。在某些实施方式中，本发明的模糊逻辑模块响应于特定事件。

在这方面，应当理解，本发明的***提供了一种使用模糊逻辑模块的持续控制器，以确定治疗参数的可能修改。模糊逻辑模块没有用作基于数学模型来预测下一个血液葡萄糖水平的预测值，也没有用作预测低血糖的预测工具。

由第二处理器模块接收的输入参数包括下述输入参数至少之一：过去血液葡萄糖水平走势、(如由皮下连续葡萄糖传感器(CGS)测量的)当前血液葡萄糖水平、将来血液葡萄糖水平走势、将来血液葡萄糖水平。

定量输入参数由处理模块进行预处理以产生至少一个定性输出参数，所述定性输出参数在预定义的预测范围内预测葡萄糖踪迹。在这方面，应当理解，对于自身具有包括几个参数的治疗史的每位病人，相对于治疗史的参数来计算葡萄糖踪迹的预测。模糊逻辑模块输出可为个体治疗史的百分比。

CTM旨在将病人的葡萄糖带到具体的目标水平。为了达到最终的用量建议，CTM考虑CRM的建议(用百分比表示)、预定义的葡萄糖目标水平和与个体化病人概况相关的数据。

该***使用处理器模块来分析测量的数据，并且利用这种定性输入作为具体病人的治疗史(如葡萄糖水平作为时间和胰岛素治疗史的函数)和个体化/私人化病人概况(如对胰岛素/葡萄糖注射的敏感度，如低血糖趋向)。

该个体化病人概况相关数据包括选自胰岛素敏感度、葡萄糖敏感度、基础计划、胰岛素/葡萄糖药效学相关数据、葡萄糖目标水平或目标范围水平和胰岛素/葡萄糖活跃度水平中的至少之一的参数。

该个体化病人概况相关数据包括在治疗期间或在监控过程期间先计算出的或更新/校准(实时学习)的一组参数。在某些实施方式中，个体化病人概况相关数据可以在操作之前和/或操作期间被更新和/或校准。

计算出的参数可以从预记录的数据(如从连续葡萄糖传感器(CGS)读数、葡萄糖测量、胰岛素治疗和比如进餐日记等活动日记)中提取。这些参数反映病人对于治疗的情况，比如对胰岛素吸收的响应时间、对进餐和葡萄糖水平以及优选地还有葡萄蛋白(glucagon)的胰岛素敏感度，全部优选为时间以及取决于病人的活动的病人的当前情况的函数。在这方面，应当注意，术语“胰岛素/抗胰岛素敏感度”是用于闭环监测的葡萄糖水平校正的指胰岛素/抗胰岛素校正因子。对于开环监测而言，术语“胰岛素敏感度”还包括碳水化合物的校正。

个体化病人治疗史相关数据包括：例如在一天的不同时间供给病人的病人胰岛素输送制度(胰岛素基础计划和胰岛素修正因子和/或胰岛素碳水化物比)、胰岛素药效学以及病人的身体特征。一旦在监控/治疗过程期间接收到关于病人动力学的测量数据，就连续更新病人治疗史。

病人治疗史与控制单元的性能二者都是可调节的、使得***能够处理病人间和病人内可变性。

由于本发明使用包括一组可校准/可更新的参数的病人概况，所以***基于所执行的治疗对被更新的病人概况应用自学方法。

在优选实施方式中，***输出的目的是通过胰岛素和抗胰岛素二者的注射来控制病人治疗。应当注意，抗胰岛素可以操作为计数器调节的装置。通过利用人体自身葡萄糖储量，抗胰岛素模仿葡萄糖调节中的生理***。此外，在1型糖尿病中，内生葡萄糖分泌有些妥协。抗胰岛素因而提高了葡萄糖调节能力，并且提供了有望比只依赖胰岛素的闭环控制***更加安全的操作。此外，通过添加抗胰岛素，本发明的***可以更大胆地利用在极短时间内达到目标水平的胰岛素用量，而不会在任意设置下产生低血糖事件。

在某些实施方式中，第二传感器模块包括：模糊逻辑模块，其可操作为响应于被检测器模块调用的事件，分析反映至少一个事件的葡萄糖水平的至少一个模式。

在某些实施方式中，监控***包括：事件监测模块，配置为可操作来确定作为时间的函数的病人处于特定事件中的出现或概率。所述特定事件包括睡眠、进餐、锻炼和疾病事件或休息至少之一。第二处理器模块(如CRM)包括每一个都与不同的特殊时间相关联的多个模糊逻辑模块。第二处理器模块可被配置为可操作为在至少两个模糊逻辑模块之间交替，各模糊逻辑模块处理不同的事件。

特别地，在某些实施方式中，第二处理器模块可操作为进餐检测与治疗模块，其被配置为可操作为生成分析、并且如果需要对受到进餐事件影响的病人条件在进行治疗修改，从而监控血液葡萄糖水平。

在此情形下，输入参数还包括下述输入参数至少之一：所检测到的特定事件之间经过的时间、相对于所述特定事件的血液葡萄糖水平。

根据本发明的另一个广泛方面，还提供了一种用于自动监控糖尿病相关治疗的方法。该方法包括：获得包括个体化病人概况相关数据、个体化病人治疗史相关数据的参考数据；分析由药物输送设备和葡萄糖测量设备这两者至少之一生成的测量数据；以及通过控制该药物注射设备的操作，按照所述参考数据来决定治疗修改，以能够对该治疗过程进行实时自动个体化监控。

在某些实施方式中，所述决定治疗修改包括按照所述个体化病人治疗史相关数据来确定所述治疗修改。

在某些实施方式中，所述分析数据包括：处理反映血液葡萄糖水平的测量数据并生成反映血液葡萄糖水平的第一处理数据，以及对与该测量数据、该第一处理数据和所述参考数据相对应的输入参数应用至少一个模糊逻辑模型，从而产生反映病人治疗的至少一个定性输出参数。

在某些实施方式中，所述对与该测量数据相对应的输入参数应用至少一个模糊逻辑模型包括：按不同的类别归类葡萄糖血液走势。

在某些实施方式中，该方法包括基于测量到的葡萄糖水平或过去葡萄糖水平走势来应用预测血液中的葡萄糖走势的预测模型。

在某些实施方式中，所述决定治疗修改包括下述至少之一：控制个体化基础计划；控制胰岛素/葡萄糖敏感度，其反映将当前血液葡萄糖水平至目标水平的校正、将要被输送的碳水化合物与该胰岛素和/或抗胰岛素的量的校正；控制该个体血液葡萄糖目标水平；控制该胰岛素和/或抗胰岛素药效学设置(pharmacokinetics setting)。

在某些实施方式中，所述控制个体化基础计划包括：获得作为时间的函数的一系列个体基础治疗率；获得所述测量数据(测量出的葡萄糖)；确定个体基础治疗率与葡萄糖水平改变之间的个体时间延迟，从而获得一系列基础治疗率以及时间延迟的相应葡萄糖水平的改变；实时选择具有使葡萄糖水平变化最小的基础率的基础计划。

在某些实施方式中，所述分析数据包括确定作为时间的函数的该病人在特定事件中的出现或概率。

根据本发明的另一个广泛方面，还提供了一种用于自动监控糖尿病相关治疗的方法。该方法包括：分析由药物输送设备和葡萄糖测量设备两者中至少之一生成的开环测量数据并且确定病人的初始治疗概况；连续地接收由药物输送设备和葡萄糖测量设备至少之一生成的测量数据；在闭环治疗期间应用用于更新所述病人的初始治疗概况的自学过程，从而监控该糖尿病相关治疗。

在某些实施方式中，所述病人的初始治疗概况包括：反映将当前血液葡萄糖水平至目标水平的校正、将要被输送的碳水化合物与该胰岛素和/或抗胰岛素的量的校正的胰岛素敏感度、基础计划、胰岛素/葡萄糖药效学相关数据、葡萄糖目标水平或目标范围水平至少之一。

在某些实施方式中，确定该胰岛素敏感度包括使用下述参数至少之一：该病人消耗的碳水化合物、测量数据、和病人的治疗。

在某些实施方式中，所述确定病人的初始治疗概况包括确定血液中的胰岛素活性量。

在某些实施方式中，所述确定血液中的胰岛素活性量包括确定作为特定事件的函数的所述量。

根据本发明的另一个广泛方面，也提供了一种用于确定胰岛素基础计划的方法。该方法包括：获得作为时间的函数基础治疗率的队列；获得作为时间的函数的病人体内的葡糖糖水平的测量数据；确定根据基础治疗率和葡萄糖水平变化测出的病人的私人时间延迟，从而获得一系列基础治疗率和病人的葡萄糖水平的相应变化；实时选择具有使葡萄糖水平变化最小的基础率的基础计划。

根据本发明的另一个广泛方面，还提供了一种用于确定胰岛素敏感度的方法，在需要它的病人的闭环治疗中使用。该方法包括：获得定义时间窗口的第一葡萄糖传感器读数和第二葡萄糖传感器读数；获得该第一和第二葡萄糖传感器读数之差；在该时间窗口内通过估计源自所消耗的碳水化合物的葡萄糖量来调节该第一和第二葡萄糖传感器读数之差，从而获得经调解的葡萄糖量；根据经调节的该葡萄糖量与该时间窗口期间提供的该胰岛素大剂量的关系来确定该胰岛素敏感度。

在某些实施方式中，所述时间窗口包括开环监测期。

在某些实施方式中，调节通过采用定义所消耗的碳水化合物与源自它的葡萄糖之间的比例的系数来实现。

胰岛素敏感度可以依照时间窗口期间的最小传感器读数与既没有记录在低血糖期间也没有记录在低血糖期间的最低血液葡萄糖读数之间的比例来修改。通过在获得最小传感器读数之前的时区内的最大传感器读数，可进一步修改时间窗口期间的最小传感器读数与既没有记录在低血糖期间也没有记录在低血糖期间的最低血液葡萄糖读数之间的比例。

附图说明

为了理解本发明并且领会本发明在实践中如何完成，现在将参照附图借助仅仅是非限制性的实施例来描述多个实施方式，其中：

图1是利用本发明的监控***的治疗***的示意图；

图2是用于监控病人的糖尿病治疗的本发明的方法的流程图；

图3是示出在大剂量注射之后血液中胰岛素活性百分比的曲线图；

图4是例示模糊逻辑模块的参数；

图5是根据本发明的一种实施方式利用本发明的监控***的治疗***的示意图；

图6是利用本发明的监控***的操作的实施例。

图7A-7D是对一治疗对象进行的24小时闭环会话结果。图7A示出了CGS读数(黑线)和参考测量(黑色菱形)。图7B示出由本发明的监控***输送的胰岛素治疗。图7C和图7D示出在24小时时间段期间(图7C)与晚间期间(图7D)家庭护理(圆圈)与借助本发明的监控***(矩形)(使用控制可变栅极分析(CVGA)[9])之间的控制性能比较的结果。

具体实施方式

参照图1，图1借助框图示出了利用本发明的监控***20进行糖尿病治疗(胰岛素和抗胰岛素的可控输送)的治疗***10。监控***20与葡萄糖测量设备22(连续葡萄糖传感器)和药物输送设备24(胰岛素泵)相关联。该药物输送设备也可以包括抗胰岛素输送泵。

监控***20包括：存储器设备(utility)32(在图中称作历史日志)，用于存储和/或更新参考数据，所述参考数据包括个体化病人概况相关数据、以及个体化病人治疗史相关数据。控制单元30包括：第一处理器模块34(在图中称为数据分析)，用于处理反映血液葡萄糖水平208的测量数据并且生成反映血液葡萄糖水平的第一处理数据；第二处理器模块(也可记为控制到范围模块(CRM)36)该第二处理器模块包括模糊逻辑模块；该模糊逻辑模块接收与测量数据208、第一处理数据和参考数据相对应的输入参数，并且处理所接收的参数，以产生反映病人的治疗参数的至少一个定性输出参数。控制单元30也包括用于最终确定是否要修改任何病人情况/治疗的控制到目标模块(CTM)38。

来自测量设备22的测出的血液葡萄糖(BG)水平(直接测出的或者根据测出的组织葡萄糖水平预测的，视情况而定)进入控制单元30。

第二处理器36接收与测量数据、第一处理数据和参考数据相对应的定量输入参数，并且处理所接收的定量参数，以产生反映病人情况的定性输出参数，并且能够确定是否要改变这些情况的任何一种。数据分析模块34(第一处理数据)的输出由第二处理器36的模糊模块处理。然后，该模糊逻辑模块36的定性输出参数由第三处理器模块(也由CTM 38指示)处理，以确定是否要改变任何病人情况/治疗。来自模块38的最终决定相关数据可用于更新存储器设备32中的参考数据。

测量数据也可以包括比如进餐、体力活动、睡眠时间等特定事件。

现在参照图2，图2例示了用于自动监控糖尿病相关治疗的本发明的方法的流程图。一般而言，该方法包括：分析由药物输送设备和葡萄糖测量设备两者中的至少之一生成的数据、识别病人情况、以及通过控制药物注射设备的操作进行治疗改变，从而能够对治疗过程进行实时自动个体化监控。

在某些实施方式中，分析所述数据包括提供参考数据(步骤100)。参考数据包括：病人概况相关数据102、治疗史相关数据104和规则结构设置或“规则表”设置105。规则结构设置基于评估测量的内科方法(physician approach)。病人概况相关数据102包括关于病人情况的一组参数(在监控过程期间或者在治疗期间可校准或可更新)。例如，从在将病人连接至监控***之前的几天里收集的数据中提取病人概况。

在某些实施方式中，该组参数由学习算法自动修改。

在某些实施方式中，治疗改变包括下述中的至少之一：控制个化体基础计划；控制病人专用的对葡萄糖水平的胰岛素敏感度(称作“校正因子”)，该校正因子反映将当前血液葡萄糖水平到目标水平的校正和将要输送的该胰岛素和/或抗胰岛素的量的控制；控制个体化的血液葡萄糖目标水平；控制胰岛素和/或抗胰岛素药效学设置，以分别确定各病人对胰岛素和/或抗胰岛素的敏感度。

更具体而言，控制下述情况至少之一：

(1)基础计划：根据一天的时间，全天将要注射给病人的胰岛素率。例如，1型病人在该天接收胰岛素的连续用量。依据病人对胰岛素的敏感度的变化，这种用量在该天可以改变。基础计划可以表示为作为时间的函数的一系列个体基础治疗率。基础治疗的作用是处理由肝脏内生释放的葡萄糖。因此，最佳基础计划将保持葡萄糖水平稳定。

(2)校正因子(CF)胰岛素/抗胰岛素计划：下述方程式(1)用于将当前血糖水平校正至目标水平(定义为胰岛素/抗胰岛素计算的参考水平)并且用于计算胰岛素/抗胰岛素大剂量(bolus)：

由于对胰岛素/抗胰岛素的变化敏感度，可以根据一天的时间为每种激素设置CF。

(3)血糖(BG)目标(血液葡萄糖水平目标)，为每位病人定义将要用于例如胰岛素/抗胰岛素大剂量校正的参考水平。

(4)胰岛素/抗胰岛素药效学(PK)设置：如下面将要详细描述的那样，开发了预警曲线以确定每位病人对胰岛素/抗胰岛素的敏感度。

(5)可选地，下面将要详细描述比如分类血液水平(如很低、低、正常、正常高、高和很高)等模糊逻辑模块的规则结构设置。

返回至图2，测量数据106反映在一定时间段内、在血液或者皮下组织中直接测量出的血糖水平。

数据的分析通过在数据分析34中处理测量数据106并且生成反映它的第一处理数据而完成(步骤115)。利用规则结构设置对与测量数据106、第一处理数据相对应的定量输入参数(步骤118)应用模糊逻辑模型(步骤120)，以产生反映病人情况的定性输出参数。

在某些实施方式中，对测量数据的处理(步骤115)包括：计算葡萄糖水平变化的过去走势(步骤110)、预测将来的血糖水平值(步骤112)、以及使用预测结果来计算将来走势(步骤114)。

在这方面，应当理解：葡萄糖的过去/将来走势是受如下三个因子影响的参数：(i)在一定时间窗口内，每分钟的葡萄糖水平(毫克/分升，mg/dl)的平均变化率(即平均变化率)，(ii)变化的方向(即上升或下降)以及(iii)这一方向的持续时间。

定量输入是由测量数据相关模块106、110、112和114供应的多个参数的向量。

例如，该定量输入包括下述四个参数：过去走势、将来走势、当前血糖水平和血糖预测水平。

模糊逻辑模块120用于使用规则结构设置将定量输入向量转换成定性输出向量(如多个向量)(步骤122)，所述定性输出向量表示为反映病人情况的经模糊化的输入向量。在某些情形下，从模糊逻辑处理获得多个经模糊化的输入向量并且每一个经模糊化的输入向量均与上面定义的“规则表”的匹配规则(步骤124)相关联。在这些情形下，每个匹配规则均分配有描述每种规则应用到何种程度的统计一致性因子(statistical agreement factor)。所有应用规则都根据它们的统计一致性而堆叠，并且去模糊函数计算去模糊化输出向量(步骤125)，所述去模糊化输出向量包括有百分比表示的治疗改变的模糊逻辑建议。

例如，下述输入向量：[0.7 1102 170]解释如下：在过去20分钟内，走势是0.7[毫克/分升/分钟](即[mg/dl/min])，当前血液葡萄糖水平是110[mg/dl]，血液葡萄糖水平的预测走势是2[mg/dl/min]，30分钟内的预测值是170[mg/dl]。该输入向量在通过模糊逻辑模块36时被转变成下述模糊化输入向量：

1.[高正常很高正常高]

2.[高正常很高高]

这些模糊化输入向量与规则数73(73％一致)和规则数204(27％一致)相匹配。这些规则输出都被考虑并且它们的输出成员函数根据它们的权重(即它们的统计一致性百分比)来堆叠。

去模糊函数计算这些堆叠的函数(分别针对各输出)的权重中心，以将所有有关规则加权并且给出下述去模糊化输出向量：[502.59 0]。

一般而言，每种规则均包括适于由模糊化输入向量所反映的具体的病人情况的对病人的当前治疗的改变。如上所述，治疗参数(即去模糊化输出向量)包括下述参数至少之一：基础率的修改和/或胰岛素/抗胰岛素大剂量百分比的修改。每种规则也都与贡献因子(权重)相关联，该贡献因子指明病人情况与具体规则相关联的可能性。更具体而言，权重是这一规则在真实生活中出现的概率，定量为0-1之间的数。该权重也可以按照分配给该规则的重要度来确定。另外，该权重也可以依据由模糊逻辑引擎处理的特定事件。

从CRM 34接收的初始建议是百分比形式的。为了确定单位形式的或者单位/小时形式的这两种输出的用量，CTM 36考虑CRM 34的建议及葡萄糖目标水平。然后，应用专门的葡萄糖动态分析，利用用量制度历史和与胰岛素药效学相关的安全约束、以及葡萄糖和/或胰岛素活性量来产生最终的用量建议。

如示出了确定病人对胰岛素/抗胰岛素的药效学的预警曲线的图3所例示的，根据病人概况102来确定血液中葡萄糖和/或胰岛素量活性(G_active，I_active)部分的当前量(步骤126)。该曲线反映了在输送胰岛素/抗胰岛素大剂量之后的一定时间内血液中胰岛素/抗胰岛素“活性”的百分比。因此，本发明提供了一种用于监控病人的糖尿病治疗的***，该***被配置为可操作来根据所治疗的病人的胰岛素/抗胰岛素药效学来修改或提供治疗(即胰岛素/抗胰岛素大剂量或基础治疗)。在某些实施方式中，胰岛素/抗胰岛素药效学由描述在输送大剂量胰岛素/抗胰岛素之后的一定时间内血液中胰岛素/抗胰岛素“活性”的百分比(或者量)的曲线或者函数来表示。而且，本发明还提供了一种用于监控病人的糖尿病治疗的方法。该方法包括：获得所治疗的病人的胰岛素/抗胰岛素药效学；以及根据所治疗的病人的胰岛素/抗胰岛素药效学来调节治疗(即胰岛素/抗胰岛素大剂量或基础治疗)。

血液中存在的胰岛素量(如百分比)表示为表示自最后一次大剂量注射以来的三个不同的时间段的胰岛素的活跃度特征(P1、P2、P3)。在病人概况中，一般可以包含具体到每位病人、指明在大剂量或基础治疗之后病人对胰岛素/抗胰岛素的吸收(即衰减率)的相似曲线。这些衰减率可以连同治疗史一起用于确定血液中存在的活性胰岛素/抗胰岛素量。

使用胰岛素和抗胰岛素治疗史104和取自病人概况102的病人的抗胰岛素与胰岛素的个体药效学，如上所述，由CTM模块38来完成活性胰岛素和活性抗胰岛素的计算。

当前时刻活性葡萄糖的计算进行如下：给出葡萄糖的时间和用量，记为TG和VG，这两个向量尺寸为N。当前时间记为t₀。活性葡萄糖记为G_active。葡萄糖的的活跃度函数f_G(t)由病人个体设置确定：

f_{G} (t) = \{\begin{matrix} P_{1} & t \leq t_{1} \\ P_{2} & t_{1} < t \leq t_{2} \\ \frac{P_{3} (t - t_{3})}{(t_{3} - t_{2})} & t_{2} < t \leq t_{3} \\ 0 & t_{3} < t \end{matrix}

其中，t_1-3，P_1-3是为每位病人单独设置的抗胰岛素时间常数，并且可以由自学习算法自动学习及更新。

活性抗胰岛素计算如下：

G_{active} = Σ_{i = 1}^{N} VG [i] \cdot f_{G} (t_{0} - TG [i])

类似地，活性胰岛素也可以在当前时刻计算：

给出胰岛素的时间和用量，记为TI和VI，这两个向量的尺寸为K。当前时间记为t₀。活性胰岛素记为I_active。

胰岛素的活跃度函数f_I(t)由病人个体设置确定：

f_{I} (t) = \{\begin{matrix} P_{4} & t \leq t_{4} \\ P_{5} & t_{4} < t \leq t_{5} \\ \frac{P_{6} (t - t_{6})}{(t_{6} - t_{5})} & t_{5} < t \leq t_{6} \\ 0 & t_{6} < t \end{matrix}

其中，t_4-6，P_4-6是为每位病人单独设置的胰岛素时间常数，并且可以由自学习算法自动学习及更新。

活性抗胰岛素计算为：

I_{active} = Σ_{i = 1}^{K} VI [i] \cdot f_{I} (t_{0} - TI [i]) .

由CTM模块38基于从模糊逻辑模块36接收的初始建议(百分比单位)、病人的治疗史104、胰岛素/抗胰岛素敏感度(来自病人概况102)和血液126中的激素活性的量，确定将要被输送的激素(即胰岛素和/或抗胰岛素)的量(步骤128)，例如下述：

模糊逻辑输出向量分别反映作为抗胰岛素、大剂量胰岛素和基础胰岛素的百分比建议的G_P、B_P、Ba_p。(G_P从0到100[％]变化，B_P从0到100[％]变化，Ba_p从-100到100[％]变化)。将要被药物输送设备接收的抗胰岛素、大剂量胰岛素和基础胰岛素的对应量记为G_a、B_a和Ba_a。S是最近的传感器读数。CF_G和CF_I是抗胰岛素和大剂量胰岛素敏感度因子，其是病人概况的一部分，为每位病人单独设置，并且可以实时学习。它们具有时间依赖性并且针对不同的天次改变，以反映抗胰岛素和/或胰岛素敏感度的自然变化。

GT是病人个体葡萄糖目标水平。

基本上，抗胰岛素和胰岛素用量治疗的量分别定义如下：

G_{s} = \frac{S - GT}{{CF}_{G}} * G_{p} * 0.01 - G_{active},

B_{s} = \frac{S - GT}{{CF}_{I}} * B_{p} * 0.01 - I_{active}

G_active，I_active是活性抗胰岛素和胰岛素，其计算定义如上。如果G_S是负数或者G_P低于50％，则G_S为0。如果B_S是负数，则B_S为0。

类似地，基础治疗定义如下：Ba_S＝f_BA(t₀)*(1+0.01*Ba_p)，f_BA是反映一天中各时间的基础率的病人基础计划。该函数在病人概况中定义并且可以为每位病人单独定义。另外，利用本发明的教导，通过反映在先修改的治疗的给定数据集合，可以更新该函数。

在确定抗胰岛素大剂量、基础率和大剂量治疗时，将最近的治疗考虑进去。t_G和t_B分别是自最后一次抗胰岛素输送和最后一次大剂量胰岛素输送以来经过的时间。如果没有抗胰岛素输送或者没有大剂量胰岛素输送，则t_G＝∞并且t_B＝∞。t₀是当前时间。对抗胰岛素/胰岛素吸收的响应时间是由抗胰岛素和胰岛素的活跃时间确定的恒定时间t_G。

这些是为每位病人进行的单独设置，例如如下：

如果t_G≤t₁G_a＝G_s，则B_a＝0且Ba_a＝0

如果t₁＜t_G≤t₂G_a＝G_s，则B_a＝0且Ba_a＝Ba_s＝0

如果t₃＜t_G，必须采用下述方法：BT是允许大剂量输送的葡萄糖水平阈值。FB被定义为将要输送的第一大剂量(典型地具有相对较高的值)。SB被定义为将要输送的第二大剂量(典型地具有比FB低的值)。

如果S＞BT且B_s＞0.5且t_B≤t₄，则FB为真。否则，FB为假。

如果S＞BT且B_s＞0.25且t_B＞t₄，则SB为真。否则，SB为假。

如果SB为真或者FB为真，则G_a＝0、B_a＝B_s并且Ba_a＝Ba_s。否则，G_a＝0、B_a＝0并且Ba_a＝Ba_s。

参照图4，图4示出了模糊逻辑模块38的定性输入参数的定义。这些参数是个体化的(即可适用于各病人)并且可以由控制单元自动改变。

例如，定性输入参数包括以毫克/分升表示的BG值的模糊值，其按六个水平(很低、低、正常、正常高、高和很高)分类且具有下界和上界。定性输入参数也包括以毫克/分升/分钟表示的BG走势的模糊走势，其按五个水平(急剧下降、下降、正常、上升和急剧上升)分类且具有下界和上界。

第一处理器模块34对测量数据106进行预处理，以计算葡萄糖踪迹中的走势(过去走势110和将来走势114)，并且预测一定范围内的将来葡萄糖踪迹114。

葡萄糖水平的走势确定如下。葡萄糖水平的走势可以根据一定时间窗口内葡萄糖水平的平均变化率来确定。一定时间窗口内葡萄糖水平的平均变化率

例如可以用移动平均方法来计算，以确定振幅(用于量化该走势)和走势方向。葡萄糖水平的走势进而可用于选择适于描述如本文详细描述的走势的定性输入参数。针对当前时间之前的时区而确定的葡萄糖水平走势记为过去走势。因此，过去走势可涉及先于当前测量的葡萄糖水平的走势。

可采用走势持续时间因子为走势提供系数的时间测量。因而，走势持续时间因子τ_TD可定义为：

τ_{TD} = \{\begin{matrix} 1,0 \leq T_{SLTC} \leq τ_{1} \\ 2 (\frac{T_{SLTC} - τ_{1}}{τ_{2}}) + 1, τ_{1} < T_{SLTC} \leq τ_{3} \\ 3, T_{SLTC} > τ_{3} \end{matrix} - - - (1.1)

其中，T_SLTC[分钟]是当葡萄糖走势从下降变为上升或者从上升变为下降时的时间点，而τ_i是时间常数。走势参数定义为和τ_TD的函数。例如，走势参数可确定如下：计算出的走势

例如，如果过去BG水平在过去20分钟内是BG＝[153、140、137、128、120]并且每个葡萄糖读数间的时差是5分钟，则

将为-1.33[mg/dl/min]。由于该具有负号，所以其意味着葡萄糖水平正在下降。例如，如果T_SLTC是45分钟(即葡萄糖水平下降了45分钟)，则τ_TD是2。因而，所计算的走势将为-2.66[mg/dl/min]。

为了预测将来葡萄糖走势，若干预测模型可以独立使用或者与本发明的监控技术组合使用。预测模型能够克服感测和输送的延迟。预测值输出由模糊逻辑模块使用。

如上所示，CRM36使用参考数据100，并且可以是具有如下四个输入的Mamdani型模糊逻辑控制器：过去与将来葡萄糖走势(和)及当前与将来葡萄糖水平(BG_Curr和

)。例如，开发了治疗规则的集合，每种规则具有两个输出：(a)基础率的变化(Ba_P)和(b)胰岛素大剂量的部分(B_P)(分别基于病人的基础计划和所计算的大剂量，以百分比表示)。为了使用这些规则的模糊集合来转变输入参数的临床含义，用于输入参数的每个成员函数必须具有间隔，在该间隔内函数值为1，在该间隔之后跟着至间隔之外0的平稳下降。因此，选择双边(two-sided)高斯曲线成员函数。对于输出参数而言，选择高斯成员函数是为了防止冗余并且维持成员函数之间的平稳过渡。

模糊规则被措辞为方便与医务人员的协作。这些规则被设计为保持葡萄糖水平稳定在80-120mg/dl范围内。为了评估规则的前项(即这些规则的IF部分)，使用AND模糊操作。输出(去模糊)由质心法(cebtriod method)计算。然后将CRM输出治疗方案传递至CTM 38。

借助非限制性实施例，本发明的模糊逻辑模块可以利用计算引擎(比如MathWorks的MATLAB)来实施。在范例涉及MATLAB的情况下，成员函数(MF)的说明将参照该MATLAB中所提供的内建成员函数。

下述输入是可以在本发明的模糊逻辑模块中使用的多个定性参数的实施例。

输入1：过去走势，基于过去20分钟内由传感器记录的数据，反映血液葡萄糖水平的计算走势。

输入2：将来走势，基于预测数据，反映下一个30分钟内血液葡萄糖水平的计算走势。

过去走势值和将来走势值归类如下：

急剧下降：范围限定为从-5[mg/dl/min]至-2[mg/dl/min]。成员函数定义为Z形函数，使用各范围边界-0.1/+0.1作为Z形函数参数。

下降：范围限定为从-2[mg/dl/min]至-0.5[mg/dl/min]。

成员函数被定义为Gauss2函数，使用各范围边界+0.1/-0.1和作为方差的0.075。

稳定：范围限定为从-0.5[mg/dl/min]至+0.5[mg/dl/min]。

成员函数定义为Gauss2函数，使用各范围边界+0.1/-0.1和作为方差的0.075。

上升：范围限定为从+0.5[mg/dl/min]至+2[mg/dl/min]。

急剧上升：范围限定为从+2[mg/dl/min]至+5[mg/dl/min]。

成员函数定义为S形函数，使用各范围边界+0.1/10.1作为S形函数参数。

本领域技术人员应意识到，范围和时间间隔也可以根据所设想的特定治疗来修改。

输入3：当前血液葡萄糖水平，其反映由传感器记录的最近的血液葡萄糖水平。

输入4：将来水平，反映下一个30分钟内预测的血液葡萄糖水平。

反映血液葡萄糖水平的当前血液葡萄糖水平和将来水平归类如下：

很低：范围限定为从50[mg/dl]至70[mg/dl]。

成员函数定义为Z形函数。

低：范围限定为从70[mg/dl]至90[mg/dl]。

成员函数定义为Gauss2函数。

正常：范围限定为从90[mg/dl]至140[mg/dl]。

成员函数定义为Gauss2函数。

正常高：范围限定为从140[mg/dl]至170[mg/dl]。

成员函数定义为Gauss2函数。

高：范围限定为从170[mg/dl]至250[mg/dl]。

成员函数定义为Gauss2函数。

很高：范围限定为从250[mg/dl]至500[mg/dl]。

成员函数定义为S形函数。

成员函数的所有参数(S形和Z形函数参数，Gauss2函数的期望值和方差)都计算为满足下述规则：(1)在y＝0.5时，S形和Z形函数必须相遇；以及(2)S形和Z形函数具有5％的重叠。

本领域技术人员应意识到，范围和时间间隔也可以根据所设想的特定治疗而修改。下述输出是多个定性输出参数的实施例：

输出1：反映以百分比表示的、输送基础率相对于默认的当前基础率(0％)的推荐变化的基础率的变化的百分比(即基础率)。百分比变化可以在-100％(停止胰岛素输送)至100％(默认的当前基础率的两倍)之间。这一范围可以被量化成等分的多个梯级。

输出2：大剂量百分比，反映计算出的胰岛素大剂量的建议百分比。该百分比变化可以在0％(没有大剂量)至100％(所有大剂量)之间。这一范围可以被量化成等分的梯级范围。

输出3：可选地，反映计算出的抗胰岛素的建议百分比的抗胰岛素。百分比变化可以在0％(没有抗胰岛素)至100％(都是抗胰岛素)之间。这一范围可以被平均量化成等分的梯级范围。

输入的个数可以是一至四个输入，而输出的个数可以是一至三个输出。

规则的结构集合可包括：可以根据各治疗过程而修改的多个治疗战略的组合。一些战略可以例如交叠，而其它战略可以彼此独立。这些战略由定性输入参数与对应的输出参数之间的特定关系来表示。本发明的监控***可以确定使用哪种恰当规则的集合(恰当的个数与组合)来建议最佳的输出参数。

例如，规则的集合包括96种规则，比如：

规则#7：如果当前血液葡萄糖水平是低，则不供给任何大剂量；

规则#22：如果当前血液葡萄糖水平是正常且血液葡萄糖的将来走势是下降，则使基础率减少60％。

规则#28：如果当前血液葡萄糖水平正常，则不改变基础率；

规则#53：如果当前血液葡萄糖水平是正常高且预测的血液葡萄糖水平处于正常高，则使基础率增加60％。

规则#55：如果血液葡萄糖的过去走势不是下降、当前血液葡萄糖水平处于正常高、血液葡萄糖的将来走势是稳定且预测的血液葡萄糖水平在正常以上，则供给建议大剂量的50％。

一般而言，每种规则均包括从输入参数的值推出的当前具体的病人情况与将要输送给病人的恰当的治疗之间的关系。特别地，这些规则可定义定性参数与对病人的建议治疗之间的关系。例如，该规则可以提供用于恰当治疗的葡萄糖测量的过去踪迹或模式之间的关系。在另一个实施例中，规则可以提供用于恰当治疗的葡萄糖测量的预测踪迹或模式之间的关系。恰当的治疗可以将测量的葡萄糖水平的范围带至期望值的范围。(过去的或者预测出的)模式或踪迹可以由计算出的走势来表示。在这方面，葡萄糖踪迹或模式可以由一系列各在特定时间获得的葡萄糖测量来表示。因而，葡萄糖踪迹或模式也可以在由一时间间隔内获得的至少两个葡萄糖测量来表示。预测的走势可以由过去踪迹或模式推出，即过去踪迹或模式可用于确定预测的踪迹或模式。这种确定典型地采用预测模型进行，有些预测模型是本领域公知的。而且，可以选择预测踪迹或模式的一个元素(葡萄糖水平)来预测血液葡萄糖水平或将来水平。

现在参照图5，图5例示了根据本发明的一种实施方式利用本发明的检测***的治疗***的流程图。

在某些实施方式中，该***包括：事件检测器模块302，可操作为确定事件的出现或作为时间函数的病人在特定事件中的概率。特定事件可以是睡眠、进餐、锻炼或疾病事件。事件检测器模块被设计为检测这些与各特定事件相关联的特定动态。基于检测到的事件，选择适当的CRM和CTM。

在某些实施方式中，使用了至少两个控制器：休息时间控制器(例如，上面先前讨论的模糊逻辑引擎)和被设计为处理特定事件(比如进餐)的控制器，其称作进餐治疗模块/进餐时间控制器。因此，本发明提供至少两个模糊逻辑引擎(休息时间控制器和进餐时间控制器)之间的交替。

根据本发明的某些实施方式，控制单元30包括能够检测进餐事件的事件检测器302。在检测到进餐事件的情形下，激活被配置为可操作成生成进餐事件分析的进餐治疗模块306。进餐治疗模块306在需要时提供病人情况的治疗修改，以适合进餐事件。在其它情形下，当没有检测到进餐事件时，可操作休息时间控制器304。每个控制器分别具有其自身的CRM(402与502)和CTM(404和504)。休息时间控制器304的CRM 502和CTM 504与上面描述的模块类似。进餐治疗模块306的CRM 402运行一种不同的规则表。每一规则均可包括对进餐期间可能的胰岛素/抗胰岛素治疗的提议。

具体而言，利用事件检测器模块302来检测需要专门治疗的事件。例如，为了使治疗适合于进餐事件，可以使用进餐检测模块。该模块监控血液葡萄糖水平并且分析葡萄糖水平的模式或踪迹。在某些实施方式中，进餐事件检测器可使用葡萄糖定性参数的定义，如同上面为模糊逻辑模块定义它们一样。一旦检测到血液葡萄糖水平中的异常，就调用特定事件并且提供需要的时间资源(或其它资源)，以处理该事件。

另外，可以使用规程或检验标准来检测诸如进餐事件等特定事件的出现。关于这一方面，可以采用几种检验标准。也可以采用一个检验标准来否决病人的进餐事件。在某些实施方式中，进餐事件是根据葡萄糖测量的模式或踪迹来确定的。

在下述可能的检验标准中，使用下述术语：

术语“特定事件长时间相关走势”指根据N个样本(通常为最近或最后的N个样本)确定的血液葡萄糖水平日志/模式的走势。可选地，该走势可以根据此前所阐述的方法来确定。在τ_i＞τ_i+1时，走势可以方便地记为a₁..a_N，并且相对时间是τ₁..τ_N。

术语“特定事件短时间相关走势”指根据M个样本确定的血液葡萄糖水平日志/模式的走势，M＜N。典型地，最近或最后的M个样本用于该事件中。在τ_i＞τ_i+1时，走势是a₁..a_M，并且相对时间是τ₁..τ_M。可选地，走势可以根据此前所阐述的方法来确定。

术语“持续时间”指预定的样本个数，其表示用于分析的样本量。

术语“特定事件长时间微分”指根据N个样本(通常为最近或最后的N个样本)确定的血液葡萄糖水平日志/模式的斜率(或导数)。在τ_i＞τ_i+1时，走势是d₁..d_N并且这些走势的对应样本时间是τ₁..τ_N。

术语“特定事件短时间微分”指根据M个样本确定的血液葡萄糖水平日志/模式的斜率(或导数)，M＜N。典型地，最近或最后的M个样本用于该事件中。在τ_i＞τ_i+1时，走势是d₁..d_M并且对应样本时间是τ₁..τ_M。

在某些实施方式中，根据葡萄糖水平测量的模式或踪迹来确定事件。在某些实施方式中，根据葡萄糖测量的模式或踪迹的走势来确定事件的出现。该事件可以是进餐事件或默认的稳定葡萄糖水平(即测出的葡萄糖水平的稳固状态)。在某些实施方式中，该走势是特定事件长时间相关走势或特定事件短时间相关走势中的任何一个。

具体而言，在走势超过定义的阈值或者所定义的定性输入参数的阈值的情形下，可以确定事件(比如进餐事件)。可选地，如果计算出的走势超过了葡萄糖测量踪迹的在前走势，可以确定该事件。在某些实施方式中，如果计算出的走势超过用于定义持续时间的定义阈值，则可以确定事件。

另外，在走势下降到定义阈值或者所定义的定性输入参数的阈值以下的情形下，可以确定事件(比如锻炼事件)。如果计算出的走势下降到葡萄糖测量踪迹的在前走势以下，则可以确定该事件的出现。在某些实施方式中，在计算出的走势下降到用于定义持续时间的定义阈值以下的情况下，可以确定事件。例如，如果下述条件满足(

则检验标准A就会肯定地识别进餐事件：

i.a_i≥a_i+1

ii.a₁≥w·(急剧上升的下界)+(1-w)·(上升的下界)，0＜w＜1。

其中，w是将要根据经验设置的权重因子；

定性参数可以被定义为由用户根据经验或由自动程序自动设置的急剧上升的下界和上升的下界。

如果下述条件满足

检验标准B将肯定地检测进餐事件：

iii.至少对于样本的持续时间，a_i≥稳定

iv.a₁＞稳定并且a₂＞稳定

其中，稳定的定义可以根据模糊引擎中稳定成员函数的定义设置，或者由用户设置。

如果下述条件满足

τ₁处血液葡萄糖水平与τ_M处血液葡萄糖水平之差至少为X，检验标准C将肯定地检测进餐事件。

v.τ₁处血液葡萄糖水平与τ_N处血液葡萄糖水平之差至少为Y，Y≥X。

如果满足下述条件，则检验标准D将肯定地识别进餐事件：

其中，w是根据经验来设置或由程序自动设置的权重因子。

检验标准E检查最后一个(或先前)样本的斜率比上升的下界小。检验标准E可用于否决病人的进餐可能性。

在本文公开的***或者方法的操作过程中的每个测试点处，一个或者更多个上述检验标准可被满足。也可以提出这方面的其它的检验标准。进餐/事件检测模块可被配置为可操作来通过执行检测测试来检测比如进餐等事件。通过针对大量的测量数据集合运行进餐检测模块，可以断定各单一检验标准检测出进餐/事件(即该检验标准的肯定预测值)的概率，以及用于在相同的样本时间处检测该进餐/事件的组合测试的概率。另外，可以断定给定了先前样本时单一检验标准和/或组合检验标准检测出进餐/事件的条件概率。为了计算每个测试的肯定预测值，可以根据经验数据来测试进餐检测模块。然后，计算出的结果可以随后用作各检验标准肯定地检测到进餐事件的概率。也可以按照类似方式来检测无进餐事件。

下述表格提供了针对各检验标准(上面已经描述)的概率和使用来自UVa/Padova仿真器[5]的练习版本中的10个成人组计算的检验标准组合的概率的一个实施例。使用的检验标准或检验标准组合频率(1-最常使用，14-很少使用)是根据这些检验标准被激活的次数来按比例决定它们的参数。例如，检验标准A肯定地检测出进餐的概率是100％，但是它很少被激活。

进餐检测模块的输出可以是肯定的或者否定的。另外，该进餐检测模块的输出将是特定事件(即进餐或血液葡萄糖水平的突然上升)出现的概率。

阈值概率(P％)可以确定特定事件的出现。一旦***识别出特定事件的概率超过确定的阈值，它就可以切换之前使用的CRM和CTM，即默认CRM与CTM(在图5中称作休息时间控制器304)或者为其它的特定事件而设计的另外的治疗模块。

进餐治疗模块306的CRM 402使用模糊逻辑引擎，其通常具有与为休息时间CRM 502所描述的工作原理相同的工作原理。在输入参数方面可能不同，并且可能具有相同的输出参数或者经修改的输出参数。进餐相关CRM模糊逻辑引擎(“特定事件模糊引擎”)的合理策略基于从测量队列的第一次检测出特定事件开始所经过的时间。因此，为了处理特定事件，它可允许在第一阶段应用包括更大量胰岛素的治疗规则。另一方面，为了防止低血糖，允许***在降低基础率甚至停止胰岛素注入方面更加具有决定性。

有几个条件可控制进餐治疗模块306与休息时间控制器304之间的切换或交替。

例如，如果最后使用的模块是休息时间控制器，则条件可如下：

1.获得血液葡萄糖读数；

2.如果特定事件的概率是P％或更高，则切换至特定事件模糊引擎，否则继续使用该休息时间控制器。

例如，如果最后使用的控制器是进餐处理模块：

1.对于时间样本[t_i-N:t_i]，得到血液葡萄糖水平([BG_i-N:BG_i])读数和过去葡萄糖走势

2.如果满足下述条件之一，则切换至休息时间控制器；

a.如果每个值

均在稳定的范围内并且每一个样本[BG_i-N:BG_i]均低于阈值(例如130mg/dl)；

b.如果各样本[BG_i-N:BG_i]均在[血液葡萄糖目标-Y％、血液葡萄糖目标+Z％]的血液葡萄糖范围内并且每一个样本

均低于稳定范围的上界；

3.反之，如果从先前/最后队列的第一次检测出特定事件开始已经超过T分钟并且在当前样本处，同样检测出了特定事件，则设置当前样本作为新队列的第一次检测出特定事件并且继续使用该进餐治疗模块；

4.如果上述条件都没有满足，则使用进餐治疗模块；

用于特定事件模糊引擎的输入参数如下：最后T₁分钟内血液葡萄糖水平走势、当前血液葡萄糖走势、预测的下一个T₂分钟内血液葡萄糖水平走势、T₂分钟内预测的血液葡萄糖水平走势、自先前/最后测量队列的第一次检测出特定事件开始所经过的时间、在先前/最后队列的第一次检测出特定事件之前最近T₃分钟内血液葡萄糖水平走势和最后队列的第一次检测出特定事件时的血液葡萄糖水平。

用于特定事件模糊引擎的输出参数如下：从默认基础的基础注入率的变化和胰岛素/葡萄糖大剂量的百分比。

借助非限制性实施例，输入参数和本文以下使用的对应的成员函数指MATLAB构建的如下成员函数：“smf”，成形成员函数；“Zmf”，Z形成员函数；“gauss2mf”，高斯组合成员函数；“trimf”，三角形内建成员函数；以及“trapmf”，三角形内建成员函数。

定性输入参数：

·血液葡萄糖的过去走势(即最后T₁分钟内血液葡萄糖水平走势[mg/dl/min])

当前血液葡萄糖水平[mg/dl]

·血液葡萄糖的将来走势(即预测的下一个T2分钟内血液葡萄糖水平走势[mg/dl/min])

预测的T2分钟内血液葡萄糖水平[mg/dl]

自最后队列的第一次检测出特定事件以来所经过的时间[min]

MF名称 MF函数 MF范围

开始进餐 Zmf 0、45

进餐期间 smf 45、300

在最后队列的第一检测特定事件之前的最后T3分钟内血液葡萄糖水平走势[mg/dl/min]

在最后队列的第一次检测出特定事件时的血液葡萄糖水平[mg/dl]

输出参数：

基础注入率相对默认基础的百分比变化[％]

大剂量百分比[％]

本领域技术人员应意识到，葡萄糖范围、成员函数和时间间隔也可以根据所设想的适合的具体治疗而修改。

特定事件模块(或者特定事件CRM)的规则表可以具有从一个输入至七个输入的若干输入和从一个输出至两个输出的若干输出。这些输入和输出的范围本质上是定义的并且对每个模糊逻辑模块而言并无不同。

例如，用于进餐事件的CRM包括130种规则。一些例示性规则提供如下：

规则#21：如果从进餐开始经过的时间不大于45分钟，当前血液葡萄糖水平为正常并且预测的血液葡萄糖水平为很高，则给出基础的200％和建议大剂量的300％；

规则#84：如果从进餐开始经过的时间大于45分钟，血液葡萄糖的过去走势为不是快速增加并且当前血液葡萄糖水平为高，则给出基础率的100％和建议大剂量的100％；

规则#110：如果从进餐开始经过的时间大于45分钟，当前血液葡萄糖水平为高并且血液葡萄糖的将来走势为不是快速增加，并且预测的血液葡萄糖水平为高，则给出基础率的100％和建议大剂量的120％；

规则#126：如果从进餐开始经过的时间大于45分钟，血液葡萄糖的过去走势为不是快速下降，当前血液葡萄糖水平为正常以上，并且预测的血液葡萄糖水平为正常以上，则给出基础率的100％并且不给出任何大剂量；

规则#128：如果从进餐开始经过的时间大于45分钟，血液葡萄糖的过去走势为稳定，当前血液葡萄糖水平为正常以上，并且预测血液葡萄糖水平为正常以上，则给出基础的100％和建议大剂量的100％。

进餐检测及治疗模块使用模糊逻辑模型和葡萄糖概况的走势分析两者的组合。利用UVA/Padova仿真器的含有进餐三次的24小时生物试验(silico trial)对包括进餐检测以及治疗模块的***进行了评估。通过按相似百分比(p＝0.02)减少180mg/dl以上所占用的时间且不增加70mg/dl以下所占用的时间，改进的***继续使得70-80mg/dl之间所占用的时间增加10％(p＝0.02)。在这两种***中，70mg/dl以下所占用的时间平均小于1.6％。另外，平均BG水平从150mg/dl减少至138mg/dl(p＝0.02)。

参照图6，图6示出了本发明的***的操作的实施例。围起来的区域是***的当前决定点(15:31)，测量数据在此点是190mg/dl的葡萄糖水平。围起来的区域之前的曲线部分是存储在历史日志中的测量数据。

病人概况包括：基础计划、校正因子、活性胰岛素等。例如，为时间15:31分配的基础计划的基础率是每小时0.9单位，校正因子是50毫克/分升/单位(即mg/dl/unit)并且预定义的葡萄糖目标水平是110mg/dl。

数据分析34例如提供：过去走势是0mg/dl/min，将来走势是-0.24mg/dl/min，并且预测的葡萄糖水平在未来30分钟内是179mg/dl/min。

由于没有检测到特定事件，所以应用休息时间控制器。

CRM 402使用来自规则表的适当的规则，因此使得基础率增加79％并且输送73％的计算出的大剂量。CTM 404输出190mg/dl的葡萄糖水平、1.6个单位的胰岛素量。1.6个单位的建议大剂量的73％是11个单位。该方案也可以存储在历史日志中。

由于建议了大剂量，所以CTM决定忽视增加基础率的CRM建议并且将下述命令发送给输送泵：基础率＝0.9个单位/小时和大剂量单位。胰岛素泵24接收将要输送的胰岛素量。

根据本发明的另一个广泛方面，提供了一种提高并且维持闭环***性能的方法，因此改善对具体的病人的治疗。该方法是一种学习算法，其用于自动分析与病人体内葡萄糖/胰岛素动态变化相应的控制性能，以及相应地调节控制参数。该学习方法可以由独立模块执行，以从数据中提取病人概况。

该方法包括：基于开环数据分析初始设置，以及在闭环操作期间进行周期性调节。

利用来自UVa/Padova仿真器的10个成年人治疗对象来评估集成学***均开环(AOL)(单向ANOVA)。在所有天数的仿真中，70mg/dl以下的血糖是0-0.4％。在施用的胰岛素没有重要变化的情况下，与D1CL(41±8％)和AOL(18±8％)相比，OpCL(53±8％)在80-120mg/dl中的时间明显高出(p＜0.001)。与D1CL(p＝0.001)中的129±7mg/dl和AOL (p＜0.001)中的140±7mg/dl相比，OpCL中的平均BG是121±5mg/dl。

本发明公开了一种用于准许自动确定病人的初始治疗概况的自动学习方法以及***。这些方法可通过被配置为可操作以执行他们的专门模块来执行。该学习方法可以被划分成两个主要子过程：

I)初始学***或目标范围水平、抗胰岛素用量、胰岛素大剂量和胰岛素活跃度模型至少之一。

II)连续学***校正的胰岛素敏感度因子、葡萄糖敏感度因子和胰岛素/葡萄糖药效学相关数据至少之一。病人的治疗概况可以与闭环历史日志相适应。

初始学习子过程和连续学习过程可以分别执行、依序执行或者组合执行。

在某些实施方式中，在初始学***校正，记为CF)。在某些实施方式中，至少根据病人消耗的碳水化合物、葡萄糖传感器读数的测量数据、以及可包括胰岛素用量或者基础计划的病人治疗来确定胰岛素敏感度因子。

可选地，在病人在家时收集数据。在一种实施方式中，可选地，在初始学习过程期间，如下确定胰岛素敏感度因子CF₁：

-根据碳水化合物量、葡萄糖和胰岛素相关数据来确定CF₁：

\underset{&OverBar;}{{CF}_{1} = \frac{G_{e} - G_{s} + dC \cdot C}{B}}

其中，G_e是开环监测期(open loop session)内的第一个传感器读数[mg/dl]，G_s是开环监测期内的最后一个传感器读数[mg/dl]；dC是葡萄糖与碳水化合物之比。葡萄糖与碳水化合物之比可以是3.33(基于经验知识)；C是在开环期间所消耗的碳水化合物的量(如gr)；以及B是在开环监测期间提供的大剂量胰岛素的量(胰岛素单位)。

G_e-G_s定义为G_e(第一葡萄糖传感器读数)与G_s(第二葡萄糖传感器读数)之差。这两个传感器读数间的时间间隔可定义为时间窗口。

在某些实施方式中，估计在该时间窗口内源自所消耗的碳水化合物的葡萄糖。通过获得在该时间窗口内所消耗的碳水化合物并且将该碳水化合物量转换成源自该碳水化合物的葡萄糖，可以进行这种评估。

通过确定定义所消耗的碳水化合物与源自该碳水化合物的葡萄糖的比例(如上面的dC)的系数，可以进行这种转换。通过用该系数乘以在该时间窗口内所消耗的碳水化合物量，确定源自所消耗的碳水化合物的葡萄糖。

通过对第一葡萄糖传感器读数与第二葡萄糖传感器读数之差与源自所消耗的碳水化合物的葡萄糖求和，可以实现调节第一与第二葡萄糖传感器读数之差的目的，从而获得调节后的葡萄糖量。

胰岛素敏感度(如CF1)的确定可以根据调节后的葡萄糖量与在时间窗口期间所提供的胰岛素大剂量之间的关系来确定。这种关系可以由如上所示各值之间的比例来定义。

在某些实施方式中，G_e可以是开环监测期的一部分的第一个读数和/或G_s可以是开环监测期的一部分的最后一个传感器读数。在某些实施方式中，G_e可以是闭环监测期的一部分的第一个读数和/或G_s可以是闭环监测期的一部分的最后一个传感器读数。

可选地，使用病人在家时收集的数据，基于病人的葡萄糖控制品质的分析，可以修改比如CF1等敏感度因子。

在某些实施方式中，胰岛素敏感度因子(如CF1)可以根据测量出的葡萄糖水平来修改。例如，根据最小传感器读数或既不是在低血糖期间记录也不是低血糖期间记录的最低血液葡萄糖读数来修改胰岛素敏感度因子。在具体实施例中，根据在时间窗口期间的最小传感器读数和既不是在低血糖期间记录也不是低血糖期间记录的最低血液葡萄糖读数之间的比例来修改该胰岛素敏感度。在某些实施方式中，根据获得最小传感器读数之前的时间间隔内的最大传感器读数来修改该胰岛素敏感度(下面示出实施例)。

因此，胰岛素敏感度或者CF1还可以根据因子(a)修改，以根据公式CF₂＝α·CF₁产生修改后的校正因子CF2，其中，因子(a)定义为CF1的修改因子。

因子a可以根据下述程序来确定：

其中：Thypo是在相关周期期间处于定义的低血糖范围中的时间的百分比；Tihypo是在相关周期期间处于定义的即将低血糖范围中的时间的百分比；Smin是在相关周期期间的最小传感器读数；Smean是在相关周期期间的平均传感器读数；Smax是在相关周期期间的最大传感器读数；Speak是在相关周期期间，在Smin时间之前高达3小时的时间范围内的最大传感器水平。UpperLimit是既没有记录在即将低血糖期间也没有记录在低血糖期间的最低血液葡萄糖读数；Sn_low是“严格正常”葡萄糖范围(可以根据经验定义为大约80-120mg/dl范围内的葡萄糖范围)的下界，其典型地设置为80；Sn_high是“严格正常”葡萄糖范围的上界，其典型地设置为120；dN是Sn_high-Sn_low的减法。

使用测量出的病人的葡萄糖水平可以确定柱状图(或者另选地为分布函数)。该柱状图是表示在一定时间窗口期间病人的各测量出的葡萄糖水平出现的函数。P可以定义为在具体的宽度(dN表示葡萄糖测量间隔)间隔处出现的总和(或者累积的测量出的葡萄糖水平)，其中v是该具体窗口内每位病人单独的初始葡萄糖读数。

val＝argmax_v{P(v，v+dN)}，其中，P(v，v+dN)是[v，v+dN]范围内的葡萄糖读数的百分比；argmax_v意味着在P达到最大值的情况下确定v。

a＝0.57·a_Tsn+0.28·a_Hyper+0.15·a_Mean，其中

a_Tsn＝sn_low/val；

a_Hyper＝180/Smax；通常根据经验确定

a_Mean＝110/Smean；通常根据经验确定

W＝[0.57 0.28 0.15]，权重向量/系数，通常根据经验确定。

End

本领域技术人员应意识到，可以调节或修改该权重向量以适合特定的胰岛素/葡萄糖治疗。

在某些实施方式中，因而确定了表示在一定时间窗口期间病人的测量出的葡萄糖水平的出现的柱状图。然后，例如，通过最大化如上所例示的函数P(v，v+dN)，可以获得葡萄糖测量间隔中的局部最大值(或峰值)。

因此，在某些实施方式中，胰岛素敏感度因子根据葡萄糖水平间隔内测量出的葡萄糖水平柱状图的局部最大值(或峰值)来修改。在某些实施方式中，胰岛素敏感度因子根据柱状图中葡萄糖水平间隔内的累积的测出的葡萄糖水平来修改。胰岛素敏感度因子的修改可以采取根据权重向量或系数来转换累积的测出的葡萄糖水平的形式。

在某些实施方式中，可以测试CF2或者CF1的安全性，以校验所提供的胰岛素用量是否安全。通过为每位受治疗的病人(比如该受治疗的病人)处理之前所获得的一系列葡萄糖传感器读数(即之前的葡萄糖踪迹)，可以执行该测试。因而，来自开环监测期的传感器读数可以用来仿真用于闭环监测期的胰岛素大剂量建议。

在某些实施方式中，该测试定义如下：

If Bsim＞Btotal

CF = \frac{Bsim}{Btotal} \cdot {CF}_{2}

Else

CF＝CF₂

End

其中，Bsim是由被仿真的闭环***(在仿真开环传感器读数的情况下)供给的总胰岛素大剂量，Btotal是在开环监测期期间供给的大剂量胰岛素的总量。

如上所述，胰岛素敏感度可以包括两个单独的因子：用于碳水化合物的胰岛素因子和用于葡萄糖水平校正的胰岛素因子。

在某些实施方式中，个体的胰岛素/抗胰岛素药效学由描述在与进餐事件相关联的特定时间点处的血液中的胰岛素/抗胰岛素“活性”的队列或者曲线来表示。因此，该初始设置还可包括：为个体病人确定用于胰岛素(记为活性胰岛素)的药效学参数，如根据开环数据总结的一样。活性胰岛素可参照具体进餐或进餐的队列来定义。

AIi定义为用于具体进餐的活性胰岛素。进餐时间记为T0。对于每次进餐(在开环数据中注出的碳水化合物消耗)，第一时间窗被定义为：从开环数据处的具体进餐T0开始，直到下一次进餐时间为止或者直到进餐后7小时为止(二者中的较前者)。在识别出进餐之后的峰值传感器值记为Smmax。在峰值之后出现的最小传感器值记为Smmin。通常记录获得峰值时的各个时间标签，定义时间Smmax与Smmin之间的第二时间窗口。获得在该第二时间窗口期间的传感器数据。获得的传感器数据可以由[Ti，Vi]队列来表示，其中，Ti是传感器读数相对于开始进餐T0的时间标签，而Vi是在它们各个Ti处测量到的传感器值。

在某些实施方式中，将测量的传感器读数归一化。可将测量的传感器读数归一化为0与1之间的值。Ni表示各个Vi的归一化值。

Ni可计算如下：

Ni＝Vi/(Smmax-Smmin)。

可因而获得归一化队列[Ti，Ni]。

在某些实施方式中，队列([Ti，Vi]或者[Ti，Ni])被修改成(或者“强制为”)比如单调非增长队列等单调队列。因此，在一种实施方式中，通过将每一个Ni关联至最小归一化的Nj(j＝1到i)，从而获得一个非增长队列。

换言之，Ni＝min({Nj}，j＝1:i)。

例如，对于队列N_j＝{1，0.9，0.8，1.2，0.7}，Ni将为{1，0.9，0.8，0.8，0.7}。

可以将进餐峰值加入到在队列[Ti，Ni]的开始(即在T0处)的[T0，1]。

由此获得的队列表示用于具体进餐的活性胰岛素AIi。

因此，本发明提供了一种方法，该方法用于确定用来描述在与进餐事件相关联的特定时间窗口处血液中的胰岛素/葡萄糖的队列或者曲线，该方法包括：获得在T0处开始的时间窗口期间测量出的多个传感器数据，表示进餐出现的时间；可选地，归一化传感器数据；并且将测量出的传感器数据(或者归一化的传感器数据)转换成单调非增长队列或曲线；从而在与进餐事件相关联的特定时间窗口处获得描述在血液中的胰岛素/葡萄糖的队列或者曲线。

用于确定描述血液中的胰岛素/葡萄糖的队列或者曲线的方法可以在开环监测期间或者在闭环监测期间执行(即实时)。因此，病人的治疗概况可以在初始学习阶段、在初始学习阶段之前或治疗期间修改。

在某些实施方式中，在时间窗口期间测量的多个传感器数据可以由队列[Ti，Vi]表示，其中Ti是传感器读数相对于进餐开始T0的时间标签，而Vi是在它们各个Ti处测量到的传感器值。

在某些实施方式中，将测量出的传感器数据转换成单调非增长队列的步骤包括：将所得的单调非增长队列的每一个Vi与测量出的传感器数据中的最小Vj(j＝1到I)相关联。

在某些实施方式中，将经归一化测量传感器数据转换成单调非增长队列的步骤包括：将所得的单调非增长队列的各Ni与经归一化的传感器数据中的最小归一化的Nj(j＝1到I)相关联。

在发生不止一次进餐的情况下，可以获得用于进餐集合的活性胰岛素队列。在一种实施方式中，用于进餐集合的活性胰岛素是所有进餐队列{AIi}的中值。所得的队列(记为AI_total)表示活性胰岛素曲线。这些数值表示仍然活跃在治疗的病人体内的胰岛素的百分比。例如，在AI_total队列内，元素[t＝25，v＝0.8]可以表示在注射大剂量之后25分钟，80％的胰岛素仍然活跃。

在某些实施方式中，可以监控并且选择性地修改基础计划。典型地，胰岛素基础率影响葡萄糖水平的动态，但是这种影响相比于观测到碳水化合物消耗(进餐)和供给的胰岛素(大剂量)的影响是微小的。因此，通过去掉可能受到进餐或大剂量胰岛素影响的各段葡萄糖水平来“清理”开环数据。

在某些实施方式中，确定进餐和/或大剂量注射二者的作用窗口或区域(比如自动或者由内科医生手动确定)。例如，作用区域可以是从供给大剂量或进餐开始测量的三个小时。可选地，作用区域设置为从供给大剂量或进餐开始测量的2小时、3.5小时、4小时、6小时或8小时，或者甚至更长。

葡萄糖传感器读数(G(t))和作用区域期间的基础率(B(t))可以称作“清理数据”。按时间(t)变化的葡萄糖水平可以定义为：DG(t)＝dG/dt。

由于注入所引起的延迟时间，B(t)处的基础率将影响DG(t+A)。A(时间延迟)可以通过确定A＝argmax(A，E{B(t)DG(t+A)})而导出，其中，A是最大化多个队列B(t)*DG(t+A)的期望值的参数。

利用给定的A，可以定义队列[DG(t+A)，B(t)]。因此，在某些实施方式中，大剂量注射与葡萄糖水平的变化之间的关系由队列[DG(t+A)，B(t)]表示，从而获得基础治疗率的队列以及治疗的病人的葡萄糖水平的相应改变。可选地，队列[DG(t+A)，B(t)]可以被内插队列值，以在DG(t+A)＝0时找到B(t)，从而能够从基础治疗率的队列中选择使葡萄糖水平(如B(t))的变化最小化的基础治疗率。获得的基础治疗率可以用于如通过***获得的基础治疗率作为基础计划中的元素，从而来修改治疗的病人的基础计划。因而，所获得的基础治疗计划提供了葡萄糖水平的最小变化。这种方法可以用于控制病人的私人基础计划。

因此，本发明在本发明各方面之一中涉及一种方法，其用于确定适于需要胰岛素基础计划的病人的胰岛素基础计划，该基础计划的特征为减小治疗的病人体内的葡萄糖水平的变化。胰岛素基础计划源自基础治疗率的队列。因而，所获得的基础计划可以为最佳。该方法可在开环监测期或者闭环监测期执行。

用于为需要基础计划的病人根据基础治疗率的队列来确定胰岛素基础计划的方法包括：获得作为时间的函数的基础治疗率的队列；获得作为时间的函数的病人的葡糖糖水平的测量数据；确定作为时间的函数的葡萄糖水平的变化的队列；确定该治疗的病人的私人时间延迟(根据基础治疗率的队列和葡萄糖水平的变化的队列进行估计)，从而获得基础治疗率的队列和病人的葡萄糖水平的相应变化；以及选择合并了便葡萄糖水平变化最小的基础率的基础计划。

在某些实施方式中，病人的葡萄糖水平的测量数据源自葡萄糖传感器读数(上面记为G(t)))。在某些实施方式中，作为时间的函数的基础治疗率源自基础率(上面记为B(t))。

在某些实施方式中，该方法在预定义的作用区域期间应用。在某些实施方式中，时间(t)内葡萄糖水平的变化可定义为：DG(t)＝dG/dt。

在某些实施方式中，治疗的病人的私人时间延迟通过最大化多个队列B(t)*DG(t+A)的期望值来确定，以使得A＝argmax(A，E{B(t)DG(t+A)})，其中，A是最大化多个队列B(t)*DG(t+A)的期望值的参数。

在某些实施方式中，连续学习过程(或运行期间学习)根据观察的/测量到的数据来修改胰岛素敏感度因子(如CF)。胰岛素敏感度因子可以根据集合{CF(i)，LOG(i)}至少之一来修改，其中，CF(i＝1)是第一CF且LOG(i＝1)是用于CF(i＝1，的相应周期的相关LOG，即***利用CF(i)的时区。

连续学习过程的第一步骤是用于根据集合中最后的CF和LOG确定因子a。为了方便起见，这些都记为CF(END)和LOG(END)。LOG(END)定义了***利用了CF(END)的相应时区/周期。因子a可以如之前相对于初始学习过程所注释的一样来确定。

修改过的校正因子CFnew可以确定如下：CFnew＝a*CF(END)。在某些实施方式中，该修改过的校正因子被校验为合理或安全。该修改过的校正因子的校验可通过强制约束来执行。例如，在约束不满足的情况下，两种约束改变修改过的CFnew。约束可包括两个边界。

这两种约束是：

如果CFnew＞UP_Boundary，则CFnew＝UP_Boundary。

如果CFnew＜DOWN_Boundary，则CFnew＝DownBoundary。

其中，UP_Boundary和DOWN_Boundary定义如下：

UP_Boundary定义为{CF(i)，LOG(i)}中的最小CF，其中，在相关LOG(i)中达到的最小传感器水平在特定阈值(例如70/mg/dl)以上。

DOWN_Boundary可根据下述定义：

最大CF，其使得最小传感器值在50以下，被定义为是具有最小传感器水平LEV1的CF1。

最小CF，其使得最小传感器值在50以上，被定义为是具有最小传感器水平LEV2的CF2。

如果这两个CF都存在并且CF1＜CF2，则下界被定义为：

DOWN_Boundary＝(70-LEV1)/(LEV2-LEV1)*(CF2-CF1)+CF1。

如下是使用本发明的监控***以及方法进行临床试验的结果：

研究组由7名病人组成，5名女性以及2名男性，年龄在19-30岁。糖尿病的平均持续时间是10±4年；平均HbA1C，6.6±0.7％；平均体重指数，22±2.5kg/m²。除了身高、重量和HbA1c水平之外，还记录了病人的人口统计学数据、糖尿病历史和其它重要的病史。病人戴上CGS(Freestyle Navigator^TM，Abbott Diabetes Care，Alameda，CA，USA或STS-

System，DexCom，San Diego，CA，USA)，并且连续3-5天记录他们的进餐与体力活动。这些数据和(从胰岛素泵中下载的)相应的胰岛素用量用于阐明病人的治疗史，以应用在本发明的监控***中。

在该临床试验中使用短效胰岛素类似物(

Novo Nordi sk，B agsvaerd，Denmark)。每隔5分钟(自动地或手动地)使CGS读数进入本发明的监控***，并且该***在每次进入之后都提供胰岛素用量建议。

控制范围设置在90-140mg/dl，并且控制目标设置在110mg/dl。各临床监测期(clinical session)都由糖尿病专家来监督，在将治疗建议由泵自动或手动输送给病人之前该糖尿病专家必须已批准所有治疗建议。由YSI 2300STAT+(YSI、USA)每隔30分钟测量参考血液葡萄糖水平。当参考血液葡萄糖水平下降到70mg/dl以下时施用碳水化合物。

基于两个情况：禁食或进餐，在休息状态下进行8小时闭环监测。治疗对象的胰岛素泵被研究胰岛素泵所替代(OmniPod Insulin Management System^TM，Insulet Corp，Bedford，MA，USA或MiniMed

722 Insulin Pump，Medtronic，Northridge，CA，USA)。在禁食闭环情况下，治疗对象在一整夜的禁食之后于早晨(通常8:00)到达门诊部，并且被告知在醒来(通常6:30)时测量他们的血液葡萄糖。如果水平在120mg/dl以下，没有低血糖，则要求他们吃1-2片面包。在具有进餐挑战的闭环监测中，病人在大约8小时禁食之后到达门诊部，并且消耗掉具有40-60gr碳水化合物含量的混合餐。

进行两次24小时闭环访问。治疗对象在禁食至少3小时之后于下午到达门诊部。治疗对象的胰岛素泵被改进的OmniPod胰岛素泵所替代，该OmniPod胰岛素泵具有与常规PC通信的能力。基于病人的常规饮食，在19:30、8:00、13:00消耗掉三次标准混合餐。每餐的估计碳水化合物含量是17.5gr-70gr。在研究期间，每位病人晚上睡7-8小时。

为了在8小时闭环会话期间检验本发明的监控***的控制性能，分析两个参数：葡萄糖波动(excursion)和稳定程度。

葡萄糖波动由最高餐后葡萄糖水平和闭环控制的初始开始到将葡萄糖水平返回至180mg/dl以下的时间来确定。

稳定的葡萄糖水平被定义为在至少30分钟时间段内+/-10mg/dl的变化。计算从闭环控制或进餐时间开始直到达到稳定为止的时间以及稳定状态下的平均葡萄糖水平。

另外，比较24小时闭环控制和病人的家庭开环控制。确定70-180mg/dl范围内、以上及以下的葡萄糖读数的百分比。开环控制的数据集合包括在24小时闭环会话之前3天时间段的传感器读数。控制可变栅格分析(CVGA)[9]用于辅助结果测量。在这种分析中，开环数据集合包括9-16天时间段的传感器读数。在两个时间段：24小时和夜间(00:00-08:00)执行CVGA。

在所有试验的过程中，糖尿病内科医生都批准了本发明治疗方案的监控***的每一个。

参照表1，表1总结了8小时闭环会话临床研究结果的平均值和范围。

在6个治疗对象在休息时禁食的情况下，进行总共9次闭环控制监测。平均血液葡萄糖水平在闭环控制开始时是237mg/dl，并且在4.4小时内降至106mg/dl。没有低血糖出现。

在禁食监测之一期间，在病人到达门诊部之前输送了过量的胰岛素之后，本发明的监控***成功防止了低血糖出现。本发明的监控***检测病人的葡萄糖水平中的总体走势、考虑了过量、然后使得胰岛素基础率降至完全停止。这一行为在2小时内成功地将病人的葡萄糖水平降至80mg/dl的稳定平均值。

用两个治疗对象进行三餐挑战监测。进餐在进餐消耗之后平均23分钟由模块检测和处理。最高餐后葡萄糖水平平均为234mg/dl，最大为251mg/dl(参见表1)。用于进餐挑战监测的血液葡萄糖水平，在2.5小时内平均降至180mg/dl以下，并且在3.5小时内稳定在正常范围内至少1小时。

对治疗对象#1(女性、年龄30、BMI 22.9kg/m²、HbA1c 5.9％、具有19年糖尿病持续时间)和治疗对象#2(男性、年龄23、BMI 212kg/m²、HbA1c 7％、具有8年糖尿病持续时间)进行两个24小时闭环监测。在晚间，血液葡萄糖水平范围在80和160mg/dl之间，治疗对象#1的最低点为93mg/dl，而治疗对象#2的最低点为80mg/dl。

参照图7A-图7D，图7A-图7D示出治疗对象#1的24小时闭环监测。葡萄糖水平在晚餐后达到最高点260mg/dl、在早餐后达到最高点190mg/dl、并且在午餐后达到最高点210mg/dl。治疗对象#2的相应数值为221mg/dl、211mg/dl和219mg/dl。在各餐之间，对于两个治疗对象而言，葡萄糖水平在平均2.7±0.8小时内返回至180mg/dl以下。全部监测(8小时和24小时)的平均最高餐后葡萄糖水平是224±22mg/dl，并且葡萄糖水平在2.6±0.6小时的平均间隔处返回至180mg/dl以下。达到稳定的平均时间是4±1小时。

图7A示出了包括CGS读数(黑线)参考测量(黑色菱形)与进餐时间(黑色三角形)的葡萄糖踪迹。图7B示出了对治疗对象#1进行24小时闭环试验期间，由本发明的监控***输送的胰岛素治疗(横线表示基础率，具有黑圆圈的竖线表示胰岛素大剂量线段-基础率，连接部分表示胰岛素大剂量)。家庭护理(圆圈)与使用控制可变栅格分析(CVGA)[9]的本发明的监控***(矩形)之间控制性能比较的结果显示在图7C(24小时时间段)和图7D(在晚间时间段)。图7C示出了对治疗对象#1进行超过24小时时间段的控制可变栅极分析(CVGA)。图7D示出了对治疗对象#1进行的整晚(00:00-08:00)控制可变栅极分析。CVGA的9个区域与血糖调节的不同品质相关联：A-准确控制，下B-良性偏离到低血糖，B-良性控制偏离，上B-良性偏离到高血糖，下C-低血糖的过校正，上C-高血糖的过校正，下D-处理低血糖失败，上D-处理高血糖失败，以及E-错误控制。在这两幅图中，圆圈表示在家庭护理期间取自相关时间段的葡萄糖读数的最小/最大葡萄糖水平；而矩形反映在使用本发明的监控***调节的闭环会话期间的水平。

基于控制性能分析，与之前研究的家庭护理相比，发现葡萄糖控制在使用本发明的方法调节的24小时闭环监测期间更好。

与试验日之前三天的开环周期的70.5％相比，73％的传感器测量值在70-180mg/dl。另外，与用于开环控制的15.3％相比，在闭环控制期间没有传感器读数在70mg/dl以下。但是，与开环控制期间的14.2％相比，27％的传感器读数在180mg/dl以上。基于CVGA，在24小时观察中监控***维持良好控制，而家庭护理的治疗对象则过校正了并且管理低血糖失败。同样在晚间期间，监控***维持良好或准确控制，而家庭护理的特征为变化非常大。针对治疗对象#1的分析结果呈现在图7C-图7D中。

如图7C和图7D所示，CVGA用于比较监控***与家庭开环控制的性能。结果显示：在开环控制期间，对于治疗对象#1和治疗对象#2二者而言，每天至少一个葡萄糖在60mg/dl以下的记录(图7C)。一般而言，这些数值在日间进餐之后出现，反映葡萄糖漂移的餐后控制不足。尽管仅进行了两次24小时闭环实验，但是CVGA揭示了在白天和晚间，监控***的非常大的改进(图7C和图7D)。鉴于最高餐后葡萄糖数值在这两种***中是相似的，仅监控***防止后期餐后低血糖。

在8小时或者24小时闭环会话期间，没有出现低血糖事件。在这两种场合(8小时闭环会话)，检测即将低血糖事件(葡萄糖水平范围在62-65mg/dl之间大约10分钟)。尽管治疗对象没有经历低血糖的任何症状，但是为了安全起见，我们的内科医生决定施用15gr快速碳水化合物。

可行性研究在具有1型糖尿病的成人(年龄19-30；糖尿病的平均持续时间10±4年；平均HbA1C、6.6±0.7％)中进行。全部经历8小时(禁食和进餐状态)和24小时的14个完全闭环控制会话。

平均最高餐后(全部会话)葡萄糖水平是224±22mg/dl。餐后葡萄糖水平在2.6±0.6小时内返回至180mg/dl以下，并且保持稳定在正常范围内至少1小时。在24小时闭环控制期间，73％的传感器值范围在70mg/dl-180mg/dl之间，27％在180mg/dl以上，而没有在70mg/dl以下的。在任何试验的过程中都没有低血糖症状事件。

在晚间，葡萄糖水平维持在正常范围(80mg/dl-160mg/dl)附近。监控***通过检测病人的葡萄糖水平中的总体下降走势来防止夜间低血糖，然后使得胰岛素基础率降至完全停止。在14个闭环会话的2个中，有短暂的无症状即将低血糖事件。在就诊日之前，在家中治疗的所述治疗对象经历了夜间低血糖事件(50md/dl以下)症状。该监控***作出了由负责的糖尿病内科医生批准的合理治疗方案，并且通过使病人的基础率降至完全停止来响应葡萄糖的下降走势。内科医生考虑再次发生低血糖的风险增加，因此停止了实验。

Claims

1.一种用于监控病人的糖尿病治疗的监控***，所述***包括：

控制单元，所述控制单元包括：

第一处理器模块，用于处理反映血液葡萄糖水平的测量数据并且生成反映血液葡萄糖水平的第一处理数据；

第二处理器模块，包括：至少一个模糊逻辑模块；所述模糊逻辑模块接收与所述测量数据、所述第一处理数据以及包括个体化病人概况相关数据、个体化病人治疗史相关数据的参考数据相对应的输入参数，处理所接收的参数以产生反映病人的治疗参数的至少一个定性输出参数；以使所述第二处理器模块确定是否要修改任何治疗参数。

2.根据权利要求1所述的***，其中，所述第二处理器模块提供控制到范围输出治疗方案。

3.根据权利要求2所述的***，其中，所述对控制到范围输出治疗方案包括胰岛素基础率、胰岛素大剂量或者葡萄糖大剂量至少之一。

4.根据权利要求1所述的***，其中，所述输入参数包括下述输入参数至少之一：过去血液葡萄糖水平走势、当前血液葡萄糖水平、将来血液葡萄糖水平走势、将来血液葡萄糖水平。

5.根据权利要求1所述的***，其中，所述至少一个模糊逻辑模块包括：规则的集合和至少一个模糊引擎，所述至少一个模糊引擎利用为将所述输入参数转变成至少一个定性输出参数而建模的一个或更多个成员函数。

6.根据权利要求1所述的***，其中，所述模块逻辑模块的至少一个输出参数包括反映大剂量葡萄糖、大剂量胰岛素和基础胰岛素治疗中的至少之一的数据。

7.根据权利要求1所述的***，其中，所述控制单元包括第三处理器模块，所述第三处理器模块接收所述模糊逻辑模块的所述至少一个定性输出参数并且处理所述至少一个输出参数，以确定是否将要修改任何治疗参数。

8.根据权利要求7所述的***，其中，所述控制单元确定要输送的胰岛素和/或抗胰岛素的用量。

9.根据权利要求8所述的***，其中，所述第三处理器接收控制到范围输出治疗方案，并且按照所述病人概况的葡萄糖目标确定所述量。

10.根据权利要求9所述的***，其中，所述量按照病人的胰岛素或者葡萄糖药效学和所述测量数据至少之一来调节。

11.根据权利要求1所述的***，其中，所述控制单元与药物注射设备相关联，并且被配置为能够操作来控制所述药物注射设备的操作。

12.根据权利要求1所述的***，所述***包括：数据收发器，用于接收所述参考数据和所述测量数据这两者中的至少之一。

13.根据权利要求12所述的***，其中，所述数据收发器能够操作为将所述控制单元的所述至少一个输出参数发送至所述药物注射设备。

14.根据权利要求1所述的***，其中，所述个体化病人概况相关数据包括选自以下至少之一的参数：胰岛素敏感度、葡萄糖敏感度、基础计划、胰岛素/葡萄糖药效学相关数据、葡萄糖目标水平或目标范围水平、以及胰岛素/葡萄糖活跃度模式。

15.根据权利要求1所述的***，其中，所述***能够操作为在治疗期间或在监控进程期间更新和/或校准所述个体化病人概况相关数据。

16.根据权利要求1所述的***，其中，所述个体化病人治疗史相关数据包括在一天的不同时间供给病人的病人胰岛素输送制度。

17.根据权利要求1所述的***，其中，各规则均与贡献因子相关联。

18.根据权利要求1所述的***，其中，所述第二处理器模块包括模糊逻辑模块，所述模糊逻辑模块能够操作为响应于被检测器模块调用的事件，所述检测器模块分析反映至少一个事件的葡萄糖水平的至少一个模式。

19.根据权利要求18所述的***，其中，所述事件包括以下至少之一：睡眠、进餐、锻炼和疾病事件或休息。

20.根据权利要求18所述的***，其中，所述***被配置为能够操作为在至少两个模糊逻辑模块之间交替，所述至少两个模糊逻辑模块各处理不同的事件。

21.根据权利要求20所述的***，其中，能够操作为进餐治疗模块的所述第二处理器模块被配置为监控所述血液葡萄糖水平。

22.根据权利要求21所述的***，其中，所述输入参数还包括下述输入参数中的至少其中之一：所检测到的特定事件之间经过的时间、针对所述特定事件的血液葡萄糖水平。

23.根据权利要求1所述的***，其中，所述测量数据在特定时间获得。

24.根据权利要求23所述的***，其中，所述测量数据包相对于所述特定时间的当前葡萄糖水平和过去葡萄糖水平。

25.一种用于自动监控糖尿病相关治疗的方法，所述方法包括：

获得包括个体化病人概况相关数据、个体化病人治疗史相关数据的参考数据；

分析由药物输送设备和葡萄糖测量设备这两者中至少之一生成的测量数据；以及

通过控制所述药物注射设备的操作，按照所述参考数据来决定治疗修改，以能够对所述治疗过程进行实时自动个体化监控。

26.根据权利要求25所述的方法，其中，所述决定治疗修改包括按照所述个体化病人治疗史相关数据来确定所述治疗修改。

27.根据权利要求26所述的方法，其中，所述获得所述个体化病人概况相关数据包括获得选自以下参数中的至少之一的参数：胰岛素敏感度、葡萄糖敏感度、基础计划、胰岛素/葡萄糖药效学相关数据、葡萄糖目标水平或目标范围水平、以及胰岛素活跃度模式。

28.根据权利要求27所述的方法，所述方法包括按照治疗更新所述病人概况相关数据。

29.根据权利要求25所述的方法，其中，所述获得个体化病人治疗史相关数据包括获得在一天的不同时间供给病人的病人胰岛素输送制度至少之一。

30.根据权利要求25所述的方法，其中，对数据进行分析包括：处理反映血液葡萄糖水平的测量数据并生成反映血液葡萄糖水平的第一处理数据，以及对与所述测量数据、所述第一处理数据和所述参考数据相对应的输入参数应用至少一个模糊逻辑模型，从而产生反映病人治疗的至少一个定性输出参数。

31.根据权利要求30所述的方法，其中，对与所述测量数据相对应的输入参数应用至少一个模糊逻辑模型包括：按不同的类别归类葡萄糖血液走势。

32.根据权利要求30所述的方法，所述方法包括基于测量出的葡萄糖水平来应用用于预测血液中的葡萄糖走势的预测模型。

33.根据权利要求30所述的方法，其中，所述应用至少一个模糊逻辑模型包括：在至少两个模糊逻辑模型之间交替，所述至少两个模糊逻辑模型各被配置为处理不同的事件。

34.根据权利要求25所述的方法，其中，所述决定治疗修改包括下述步骤中的至少之一：

控制个体化基础计划；

控制胰岛素/葡萄糖敏感度，所述胰岛素/葡萄糖敏感度反映当前血液葡萄糖水平至目标水平的校正、将要被输送的碳水化合物与所述胰岛素和/或抗胰岛素的量的校正；

控制所述个体血液葡萄糖目标水平；

控制所述胰岛素和/或抗胰岛素药效学设置。

35.根据权利要求34所述的方法，其中，所述控制个体化基础计划包括：

获得作为时间的函数的个体基础治疗率的队列；

获得所述测量数据；

确定个体化基础治疗率的队列的基础治疗率与所述葡萄糖水平的变化之间的个体化时间延迟，从而在时间延迟处获得基础治疗率的队列以及相应的葡萄糖水平的变化；

选择具有使葡萄糖水平变化最小的基础率的基础计划。

36.根据权利要求25所述的方法，其中，所述对数据进行分析包括确定作为时间的函数的所述病人处于特定事件中的概率。

37.根据权利要求36所述的方法，其中，确定所述特定事件包括确定以下事件中的至少之一：睡眠、进餐、锻炼和疾病或休息事件。

38.一种用于自动监控糖尿病相关治疗的方法，所述方法包括：

分析由药物输送设备和葡萄糖测量设备至少之一生成的开环测量数据并且确定病人的初始治疗概况；

连续地接收由药物输送设备和葡萄糖测量设备至少之一生成的测量数据；

在闭环治疗期间应用用于更新所述病人的初始治疗概况的自学习过程，从而监控所述糖尿病相关治疗。

39.根据权利要求38所述的方法，其中，所述病人的初始治疗概况包括以下中的至少之一：反映将当前血液葡萄糖水平至目标水平的校正、将要被输送的碳水化合物与所述胰岛素和/或抗胰岛素的量的校正的胰岛素敏感度、基础计划、胰岛素/葡萄糖药效学相关数据、葡萄糖目标水平或目标范围水平。

40.根据权利要求38所述的方法，其中，确定所述胰岛素敏感度包括使用下述参数至少之一：所述病人消耗的碳水化合物、测量数据、和病人的治疗。

41.根据权利要求38所述的方法，其中，所述确定病人的初始治疗概况包括确定血液中的胰岛素活性量。

42.根据权利要求41所述的方法，其中，所述确定血液中的胰岛素活性量包括确定作为特定事件的函数的所述量。

43.一种从针对需要胰岛素基础计划的病人的基础治疗率的队列中确定胰岛素基础计划的方法，所述方法包括：

获得作为时间的函数的基础治疗率的队列；

获得作为时间的函数的病人体内的葡糖糖水平的测量数据；

确定作为时间的函数的葡萄糖水平的变化的队列；

确定根据基础治疗率的队列和葡萄糖水平的变化的队列估计出的病人的私人时间延迟，从而获得基础治疗率的队列和病人的葡萄糖水平的相应变化；以及

选择具有使葡萄糖水平变化最小的基础率的基础计划。

44.一种用于确定胰岛素敏感度的方法，在需要闭环治疗的病人的闭环治疗中使用，所述方法包括：

获得定义时间窗口的第一葡萄糖传感器读数和第二葡萄糖传感器读数；获得所述第一葡萄糖传感器读数和所述第二葡萄糖传感器读数之差；

通过在所述时间窗口内估计源自所消耗的碳水化合物的葡萄糖来调节所述第一葡萄糖传感器读数和所述第二葡萄糖传感器读数之差；以及

根据所述时间窗口期间提供的经调节的所述葡萄糖量与所述胰岛素大剂量的关系来确定所述胰岛素敏感度。

45.根据权利要求44所述的方法，其中，所述时间窗口包括开环会话。

46.一种根据权利要求44的方法，其中，所述调节包括：确定这样的系数，该系数定义所消耗的碳水化合物与源自所述碳水化合物的葡萄糖之比。

47.一种根据权利要求44的方法，其中，所述确定所述胰岛素敏感度包括：按照时间窗口期间的最小传感器读数与既不是在低血糖期间记录的也不是低血糖期间记录的最低血液葡萄糖读数之间的比例修改所述胰岛素敏感度。

48.一种根据权利要求47的方法，其中，所述修改所述胰岛素敏感度包括：根据在获得所述最小传感器读数之前的时间间隔内的最大传感器读数来修改所述胰岛素敏感度。

49.一种根据权利要求48的方法，其中，所述修改所述胰岛素敏感度包括：根据代表一定时间窗口期间出现的病人的测量葡萄糖水平的柱状图来修改所述胰岛素敏感度。