CN109416936A - 具有无监督的日常cgm图谱（或胰岛素图谱）的聚类的患者糖尿病监测***以及其方法 - Google Patents

具有无监督的日常cgm图谱（或胰岛素图谱）的聚类的患者糖尿病监测***以及其方法 Download PDF

Info

Publication number
CN109416936A
CN109416936A CN201780027489.3A CN201780027489A CN109416936A CN 109416936 A CN109416936 A CN 109416936A CN 201780027489 A CN201780027489 A CN 201780027489A CN 109416936 A CN109416936 A CN 109416936A
Authority
CN
China
Prior art keywords
data
data set
processor
cluster
time
Prior art date
Legal status (The legal status 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 status listed.)
Pending
Application number
CN201780027489.3A
Other languages
English (en)
Inventor
D.L.杜克
B.斯泰格尔
C.U.马诺哈
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
F Hoffmann La Roche AG
Original Assignee
F Hoffmann La Roche AG
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 F Hoffmann La Roche AG filed Critical F Hoffmann La Roche AG
Publication of CN109416936A publication Critical patent/CN109416936A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • G16H20/17—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients delivered via infusion or injection
    • 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
    • A61B5/14503—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 invasive, e.g. introduced into the body by a catheter or needle or using implanted sensors
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4842—Monitoring progression or stage of a disease
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Optics & Photonics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Medicinal Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Algebra (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Emergency Medicine (AREA)
  • Computing Systems (AREA)

Abstract

公开了具有有效无监督日常监测图谱聚类算法的患者糖尿病监测***、方法以及其计算机产品。该***可以包括接收多个生理测量结果以生成数据集的生理数据输入设备或传感器、存储聚类算法的存储器和处理器。当由处理器执行时，该聚类算法促使处理器自动预处理数据集以根据所收集的无监督日常监测图谱来控制偏差/进取的量，由此生成经过预处理的数据集，根据经过预处理的数据集来建立相似性矩阵，以及输出由处理器从相似性矩阵找到的最佳数目的相似性集群。

Description

具有无监督的日常CGM图谱（或胰岛素图谱）的聚类的患者糖 尿病监测***以及其方法
相关申请的交叉引用
该申请要求保护2016年3月2日提交的美国专利申请15/058,271的权益，通过引用以其整体将其合并于此。
技术领域
下面的公开内容总体上涉及糖尿病管理，并且特别地涉及使用相似的无监督的日常CGM图谱（profile）（或胰岛素图谱）的聚类来标识糖尿病控制疗法不充分的（一或多）天的患者糖尿病监测***和方法。
背景技术
糖尿病可以通过高血糖与相对胰岛素缺乏来表征。存在两种主要类型的糖尿病，I型糖尿病（胰岛素依赖型糖尿病）和II型糖尿病（非胰岛素依赖型糖尿病）。在某些情况下，糖尿病还通过胰岛素抗性来表征。
胰岛素分泌功能用来控制血糖的水平以便将葡萄糖水平保持在最佳水平。针对诊断为患有糖尿病的患者的卫生保健可能包括建立疗法程序和监测患病的人的进展二者。监测血糖水平是一个重要的过程，其用来帮助糖尿病患者在一整天中使血糖水平尽可能接近正常。监测还可以允许通过在必要时改变疗法来成功地治疗糖尿病。监测可以允许糖尿病患者更密切地监测他或她的状况，并且此外，可以在确定患者的进展和检测改变患者的疗法程序的任何需要二者的过程中向卫生保健提供者提供有价值的信息。
在过去的几年里，电子器件领域的进步给医疗诊断和监测设备带来了重大变化，包括自我护理监测。在控制和监测糖尿病的过程中，相对便宜且易于使用的血糖监测***已经变得可用，它们提供允许糖尿病患者以及他或她的卫生保健专业人员(“HCP”)建立、监测和调整治疗计划的可靠信息。
存在由患者使用的两种主要类型的血糖监测***：单点（或非连续）***和连续***。非连续***由计量器和测试条组成并且要求从指尖或备选部位(诸如前臂和腿部)汲取血样。非连续***的一个示例可能要求糖尿病患者将血样应用到测试条的试剂浸渍区，在预定时间段之后从测试条擦去血样，并且在第二预定时间段之后，通过将测试条的试剂浸渍区的颜色与由测试条制造商供应的彩色图表进行比较来确定血糖水平。这些***还可以依赖于手指或者备选血液汲取部位的切口和操作，这可能是非常疼且不方便的，特别是对儿童来说。
连续***的一个示例是连续葡萄糖监测器（“CGM”），其可以是皮下植入的并且在一整天的各个时段测量间质流体中的葡萄糖水平，从而提供示出在一段时间内的葡萄糖测量结果中的趋势的数据。CGM可以提供需要被处理以找出相似数据的模式的大量数据。该数据可以被用来标识有害的患者行为或者基于相似的过去经历来帮助优化疗法。它还可以被用来随着时间监测葡萄糖以确定血糖模式。由于涉及大量数据，所以可能需要一种有效算法来实现对具有有限处理能力的设备的模式分析。此外，虽然动态葡萄糖图谱(AGP)提供了每日葡萄糖模式的图形和定量特征二者，但这样的特征并不能为HCP提供足够的信息来标识与疗法坚持或有效性有关的弱的点。
虽然可能存在用于随着时间连续监测患者的各种设备和技术，但据信，在发明人之前没有人已作出或使用如本文中描述的发明性实施例。
发明内容
针对根据本文中公开的各个实施例的上述背景，因此基于相似几天的无监督CGM数据的数据集的聚类大大增强用来标识一天到晚的问题区域（时间）的HCP能力并且可以帮助优化聚焦于这些弱的点的疗法。本文中公开的本发明的各种实施例提出一种自动分析无监督CGM图谱并基于相似性指数使它们聚集的方式。本文中公开的本发明的各个实施例还说明一种用来确定在数据集中找到的最小数目的相似集群的方法。
在一个示例中，公开一种患者糖尿病监测***。该***可以包括：生理数据输入设备，其获取患者在时间窗内的多个生理测量结果以生成所收集的无监督日常监测图谱的至少一个时间窗数据集；存储器，其存储无监督日常监测图谱聚类算法；以及处理器，其与所述输入设备通信以接收所述生成的至少一个时间窗数据集，并且与所述存储器通信以便执行所述无监督日常监测图谱聚类算法，其中当由所述处理器执行时所述无监督日常监测图谱聚类算法促使所述处理器自动：预处理数据集以根据所收集的无监督日常监测图谱来控制偏差/进取的量以生成经过预处理的数据集，根据经过预处理的数据集来建立相似性矩阵，以及输出由处理器从相似性矩阵找到的最佳数目的相似性集群。
在另一实施例中，公开的是一种非瞬时计算机可读介质，其存储当由处理器执行时促使处理器经由具有生理数据输入设备的患者葡萄糖监测***来执行的程序，该生理数据输入设备获取患者在时间窗内的多个生理测量结果以生成所收集的无监督日常监测图谱的至少一个时间窗数据集并且与所述处理器通信，以使得所述处理器接收所述生成的至少一个时间窗数据集，并且与所述存储器通信，无监督日常监测图谱聚类算法促使所述处理器自动：预处理数据集以根据所收集的无监督日常监测图谱来控制偏差/进取的量以生成经过预处理的数据集，根据经过预处理的数据集来建立相似性矩阵，以及输出最佳数目的相似性集群。在非瞬时计算机可读介质的另一实施例中，CGM图谱或胰岛素图谱是来自患者的至少一个时间窗数据集，并且包括原始数据、经过变换的数据、与有关数据标签相关联的原始数据、与有关数据标签相关联的经过变换的数据、或其组合。
在还有的另一实施例中，公开一种用于使用监测***来标识对患者来说糖尿病控制疗法不充分的（一或多）天的方法，该监测***包括显示设备、生理数据输入设备和处理器。该方法包括从生理数据输入设备自动接收患者在时间窗内的多个生理测量结果以生成所收集的无监督日常监测图谱的至少一个时间窗数据集；以及执行来自存储器的所存储的无监督日常监测图谱聚类算法并且促使处理器自动：预处理数据集以根据所收集的无监督日常监测图谱来控制偏差/进取的量，由此生成经过预处理的数据集，根据经过预处理的数据集来建立相似性矩阵，以及在显示器上输出由处理器从相似性矩阵找到的最佳数目的相似性集群。
尽管该说明书以特别指出并明确要求保护本发明的权利要求作为结论，但要相信将从结合附图取得的某些示例的下列描述更好地理解本发明。在绘图中，类似的数字表示遍及若干视图的类似元件。
附图说明
图1描绘与糖尿病患者相关联的患者糖尿病监测***的示例性版本的示图。
图2描绘图1的患者糖尿病监测***的示例性版本的框图。
图3描绘患者糖尿病监测***的示例性版本的框图。
图4描绘患者糖尿病监测***的示例性版本的框图。
图5描绘患者糖尿病监测***的示例性版本的框图。
图6描绘使用患者糖尿病监测***的示例性无监督日常监测图谱聚类过程的流程图。
图7A描绘来自两天的CGM图谱迹线，它们或多或少相似但具有不同的峰值幅度。
图7B描绘在变换空间中的来自图7A的CGM图谱迹线。
图8描绘针对回顾性分析而提出的葡萄糖变换。
图9描绘在各自的相应的时间序列中的两个点之间的距离。
图10A和10B描绘在其他方面相似的CGM图谱迹线中的变化的时间响应。
图11描绘动态时间扭曲背后的总体想法。
图12描绘测试和目标CGM图谱迹线的相应第一和第二时间序列连同于其之间得到的最短对准路径。
图13A和13B分别描绘在距离矩阵以及距离矩阵的对应图形表示中布置的葡萄糖测量数据。
图14A和14B分别描绘将数据集的成员之间的‘关系’和集群与剩余数据之间的‘距离’示出为合并开始的树状图。
图15描绘找出最小集群的图形表示。
图16A描绘原始监测数据集的图形制图的所显示的输出。
图16B-16F中的每一个都描绘从图16A中描绘的原始监测数据集找到的最小集群的所显示的输出。
该绘图不打算以任何方式进行限制，并且预期本发明的各个实施例可以以各种各样的其他方式（包括未必在绘图中描绘的那些）来实施。合并在说明书中并形成其一部分的附图图示本发明的若干方面，并且与该描述一起用来解释本发明的原理；然而，要理解本发明不限于所示出的精确布置。
具体实施方式
某些示例的以下描述不应该被用来限制本发明的范围。根据通过举例说明方式的预期用于实施本发明的最佳模式之一的以下描述，本文中公开的版本的其他特征、方面和优点对本领域的技术人员将变得显而易见。如将会认识到的，本文中描述的版本能够具有所有都不偏离本发明的其他的不同和明显方面。因此，绘图和描述应该被视为本质上说明性的并且不是限制性的。
示例性设备和方法。
图1描绘与患者102相关联的患者糖尿病监测***100的示例性配置。该患者102可以是糖尿病患者或患有要求例行或连续监测的生理状况的患者。该监测***100包括可以被利用来实施如本文中进一步描述的无监督日常监测图谱聚类特征的硬件和软件部件。如所图示的，该监测***100包括设备105。设备105可以是具有有限处理能力的手持***，诸如PDA、移动电话、葡萄糖计等等。设备105还可以是个人计算机。如在图2中进一步示出的，设备105可以包括（一个或多个）生理数据输入设备110、数据接口115、处理器120、数据库130、连同分析逻辑132的存储器135、和显示器140。这些部件是彼此“可操作连接的”，它们可以包括直接或通过一个或多个居间部件连接到一个或多个其他部件的一个或多个部件，以使得它们可以按照需要通信并传递信息以至少执行在下文中描述的过程和功能。该连接可以是机械、电气连接或允许信号在部件之间例如有线或无线传输的连接。
该设备105可以进一步包括用来输入信息和/或作出数据/输出请求的输入机构或用户接口145。示例性输入机构或用户接口145可以包括触摸屏、输入按钮、键盘、鼠标、麦克风以及其组合。在一个实施例中，该患者糖尿病监测***100实现连续葡萄糖监测，在其中设备105可操作用来经由生理数据输入设备110进行葡萄糖的浓度或指示葡萄糖的浓度或存在的物质的多次测量，并使用处理器120处理该数据集（例如包含多个无监督日常CGM葡萄糖测量结果（CGM图谱）的数据集131）以找出数据集中表示的相似模式。如在本文中使用的，连续（或不间断）葡萄糖监测（或进行监测）可以包括在其中葡萄糖浓度的监测是连续、不间断和/或间歇地（例如规则或不规则）执行的时段。
参考图2，例如在一个实施例中该生理数据输入设备110可以是一个或多个传感器，其自动收集患者特定生理数据（诸如例如血糖、血黏度或关于患者102的血液化学性质的其他信息）、物理活动、温度、心率、血压、呼吸模式、其他患者特定生理参数、以及其组合。在一个实施例中，该生理数据输入设备110可以是患者葡萄糖监测***100的部件或区，可以通过其来量化葡萄糖并将其配置成产生指示患者102的葡萄糖浓度的信号。在操作中，该生理数据输入设备110可以通过葡萄糖传感器，其测量可检测的信号（例如化学信号、电化学信号等等）并且从葡萄糖或指示葡萄糖的浓度或存在的其衍生物直接或间接获取该可检测的信号，并且然后可以将信号传送至处理器120用于进一步处理和/或作为数据集131的数据库130中的存储（为了便于说明仅在图2中图示）。该生理数据输入设备110可以与处理器120通信。
如在本文中使用的，该生理数据输入设备110可以是连续设备，例如皮下、透皮（例如经皮）、或血管内设备。然而，应该理解，本文中描述的设备和方法可以应用于能够检测葡萄糖的浓度并提供表示葡萄糖的浓度的输出信号的任何设备（包括外部设备）。在另一实施例中该生理数据输入设备110可以是硬件和/或软件，它们可以分析多个间歇生物样本（例如血液、间质流体、其他期望的生物流体等等）。该生理数据输入设备110可以使用葡萄糖感测的任何方法，包括酶的、化学、物理、电化学、分光光度、偏振测定、测热、辐射测量、等等。该生理数据输入设备110可以使用任何方法（包括创伤性的、微创的和无创感测技术）来提供指示例如葡萄糖浓度或其他生理数据的输出信号。该输出信号可以是原始数据测量结果（其被用来向可能使用该设备的用户（诸如患者或医生）提供有用的葡萄糖值）。可以将平滑、评估方法等等应用于原始数据测量结果以便向用户提供经过变换的数据测量结果，诸如此后在后面的章节中参考图6而讨论的。
在数据集131中提供的数据测量结果可以从数据的间歇收集导出，该数据包括由设备（诸如例如生理数据输入设备110）得到的测量结果（例如最终对应于葡萄糖量或浓度的当前测量结果）。该数据测量结果可以进一步与有关数据标签相关联。仅通过示例的方式，数据标签可以包括何时进餐、何时给予胰岛素、何时进行锻炼等等。另外，数据标签可以包括餐食中的营养成分量、胰岛素、口服药物、锻炼等等。该数据测量可以进一步包括根据一个或多个原始数据测量结果来确定经过变换的数据测量结果并将那些经过变换的数据测量结果与有关数据标签相关联。
该数据集131中的数据测量结果是使用在时间窗内保持与生物***操作接触的设备（诸如例如生理数据输入设备110）从特定生物***（例如血液、间质流体等等）获得的。该时间窗可以是用来获得导致至少一个时间窗数据集（例如数据集131）的一系列数据测量结果（例如（一或几）秒、（一或几）分钟、（一或几）小时等等）的限定的时间段（例如（一或几）小时、（一或几）天等等）。该时间窗还可以由糖尿病患者102来开始和停止。仅以示例的方式，糖尿病患者102可以在进餐开始的时候开始时间窗并且在该顿餐食之后的某一稍后日期停止时间窗。该至少一个时间窗数据集（或数据测量结果）131可以是从单个个体收集的。备选地，该至少一个时间窗数据集（或数据测量结果）131可以是从多个个体收集的并且在至少一个时间窗数据集（或数据测量结果）131被收集的时间或随后编译到数据库中。该至少一个时间窗数据集131可以包括原始数据测量结果、经过变换的数据测量结果、与数据标签相关联的原始或经过变换的数据测量结果、或来自传感器的其组合。
在一个实施例中该生理数据输入设备110可能能够仅测量葡萄糖。备选地，在其他实施例中，该生理数据输入设备110可能能够测量作为具体物质的感兴趣的任何其他生理分析物或通过化学、物理、酶或光学分析检测和/或测量的成分。针对每种生理分析物的数据集131被收集并编译成多分析物数据库（诸如例如数据库130）。在另一示例中，该数据库130还可以通过编译使用多个监测器收集的数据测量结果而制定，该多个监测器中的每一个都测量单种物质，从而导致多分析物数据库。
生理分析物的示例可以包括人想要在化学、物理、酶或光学分析中检测和/或测量的任何具体物质、成分或其组合。这样的生理分析物包括但不限于尿酸盐/尿酸、葡萄糖、尿素（血尿素氮）、乳酸盐和/或乳酸、羟基丁酸、胆固醇、甘油三酯、肌酸、肌酐、胰岛素、红细胞压积、和血红蛋白）、碳酸盐、钙、钾、钠、氯化物、碳酸氢盐、血气（例如二氧化碳、氧气等等）、重金属（例如铅、铜等等）、脂类、氨基酸、指示疾病状态或状况的酶底物或产物、疾病状态或状况的其他标记物、等等。在多分析物数据数据库的情况下，所有生理分析物可能与单个生理状态或状况有关；备选地，在其他实施例中，每种生理分析物可以与不同生理状态或状况有关。
在还有的其他实施例中，上面描述的生理数据/信息中的一个或多个可以由包括在数据集131中的患者102经由用户接口145手动输入，以及被请求输出（例如显示在显示器140，经由数据接口115发送到另一外部设备，等等）。在还有的其他实施例中，该输入设备110还可以包括例如被配置成接收和/或处理信号、与处理器120通信、并且生成CGM图谱（或胰岛素图谱）的控制器、微控制器、处理器、微处理器等等。CGM图谱（或胰岛素图谱）可以是最近的数据集131（例如由输入设备110收集的最近至少一个时间窗数据集、来自在存储器135和/或数据库130中提供的当天、（一或几）小时、（一或几）分钟等等的数据集）、和/或任何其他感兴趣的数据集（例如患者102的历史数据（前（一或几）天、（一或几）周、（一个或几个）月、（一或几）年等等）。可以从输入设备110、数据库130、存储器135、用户接口145和/或从设备105可以经由数据接口115与其通信的患者数据的任何另一外部源提供该数据集131。要认识到，照此可以从设备105可用的数据中的任一个并且通过处理器120、输入设备110（如果提供有处理装置的话）、或操作于数据（并经由数据接口115提供给该设备）的（一个或多个）外部设备执行的任何方法生成CGM图谱（或胰岛素图谱），在其中将感兴趣的（一个或多个）模式（诸如例如由图16A描绘的一个或多个葡萄糖曲线133）提供在显示器（140）上。
用于生成葡萄糖曲线133的示例性方法可以包括：使处理器120使用由生理数据输入设备110提供的葡萄糖数据测量结果绘制葡萄糖曲线，使处理器120使用在至少一个时间窗或其他时段从数据库130和/或存储器135读取的葡萄糖数据测量结果绘制葡萄糖曲线，使处理器120使用经由用户接口145接收的输入绘制葡萄糖曲线，使处理器120选择表示可在患者102的数据中检测到的共同行为或状况（例如在锻炼期间使血糖下降、在进餐之后血糖上升、等等）的葡萄糖曲线，以及其组合。在其他实施例中，如上面关于历史和/或外部数据讨论的，不需要从实际葡萄糖数据测量结果来选择葡萄糖曲线。还可以从经由用户接口145输入并由处理器120对由输入设备110收集的最近数据或经由数据接口115由处理器120查询的数据库130、存储器135和/或其他外部源中提供的存储数据运行的查询所产生的数据生成CGM图谱(或胰岛素图谱)。该CGM图谱(或胰岛素图谱)还可以包括任何相关数据标签或多分析物数据，并且所生成和/或接收的CGM图谱(或胰岛素图谱)可以被存储在数据库130和/或存储器135中，直到用于此后在后面的章节中讨论的无监督日常监测图谱聚类过程的处理器120需要为止。
该数据接口115可以是硬件和/或软件，其在一些实施例中向设备105提供与如此后讨论的其他设备和部件有线和/或无线通信的能力，以及在其他实施例中向设备105提供从非瞬时计算机可读产品或存储介质（诸如非瞬时计算机可读介质148）读取并写到该非瞬时计算机可读产品或存储介质的能力。为了该描述的目的，非瞬时计算机可读产品或存储介质可以是可以包含或存储用于由处理器、装置或设备使用或者结合该处理器、装置或设备的程序和/或代码的任何装置。非瞬时计算机可读产品或存储介质的示例包括半导体或固态存储器、磁带、可移动计算机磁盘、随机存取存储器（RAM）、只读存储器（ROM）、刚性磁盘和光盘。光盘的当前示例包括压缩盘只读存储器（CD-ROM）、压缩盘读/写（CD-R/W）和DVD。
仍参考图2，该处理器120可以包括被配置成提供、接收并执行（诸如来自存储器135的）指令序列的任何通用处理器或任何处理部件。例如，处理器120可以使用来自生理数据输入设备110的至少一个时间窗数据集131（或数据测量结果）和/或来自输入设备110的CGM图谱（或胰岛素图谱）（当提供有处理装置时）来执行计算，该CGM图谱（或胰岛素图谱）还可以被查看为由输入设备110生成的时间窗数据集131。在另一示例中，处理器120还可以将至少一个时间窗数据集131（或数据测量结果）压缩成如将在本文中进一步描述的降秩（reduced-rank）基础。在另一示例中，处理器120可以利用如将在本文中进一步描述的至少一个时间窗数据集131（或数据测量结果）来执行无监督日常监测图谱聚类。处理器120可以被实施为单个计算设备或计算设备的组合，例如数字信号处理器和微处理器的组合、多个微处理器、一个或多个微控制器、结合数字信号处理器核的一个或多个微处理器、或任何其他这样的配置。
仍参考图2，该显示器140可以包括液晶显示器（“LCD”）、触敏屏幕、网络接口等等。触摸屏或网络接口可以提供一种用来输入各种命令和/或选择各种可编程选项的方便方式。在操作中，显示器140可以显示针对例如至少一个时间窗数据集131（或数据测量结果）无监督聚类结果、用来标识感兴趣的区域的标记区、数据标签信息、CGM图谱（或胰岛素图谱）等等的信息。仅通过示例的方式，所显示的信息可以包括在显示之前可能要求或可能不要求被显示设备处理的至少一个时间窗数据集131（或数据测量结果）。显示的至少一个时间窗数据集131（或数据测量结果）可以是原始数据、实时数据、经过变换的数据等等。该显示器140可以包括硬件和/或软件，其包括被配置成实现信息在显示器140上的显示和/或从数据库130获得信息的显示指令（例如包括指令的软件编程）。数据库130中的数据可能被处理器120查询和/或显示在显示器140上。
仍参考图2，存储器135可以是本领域中已知的任何类型的存储器，包括但不限于硬盘、磁带、光盘、半导体存储器、软盘、CD-ROM、DVD-ROM、ROM存储器、可由任何已知的协议访问的远程站点、或用于存储算法和/或数据的任何其他存储器设备。在操作中，存储器135可以包括用于诸如例如经由所包括的分析逻辑132的无监督日常监测糖尿病或胰岛素图谱的聚类的硬件和软件。分析逻辑132可以被适当地配置成存储、解释并处理传入信息和/或配置处理器120来执行传入信息的这样的存储、解释和处理，该传入信息例如可以是从输入设备110、用户接口145接收的和/或由对经由数据接口115从输入设备110、数据库130、存储器135和/或外部源可得的数据的询问产生的至少一个时间窗数据集131（原始的或经过变换的）等等。如下面将更详细讨论的，该分析逻辑132可以包括用于执行无监督日常监测糖尿病或胰岛素图谱的聚类的图谱聚类算法、一个或多个存储算法、一个或多个数据预处理算法和/或初始化算法。
再次参考图2，数据库130可以包括能够接收并存储测得的和/或检测的和/或标识的特性信息（例如至少一个时间窗数据集131、原始数据测量结果（例如对应于物理测量结果的数字值）、压缩数据测量结果、经过变换的数据测量结果），并且可以包括如上面描述的附加的有关信息，例如数据标签、指针等等以及/或者一个或多个存储算法。当处理器120执行该一个或多个存储算法时，它促使处理器120将至少一个时间窗数据集131、原始数据测量结果、经过压缩的数据测量结果、经过变换的数据测量结果、从一个或多个原始数据点计算或导出的单个数字结果等等存储在数据库130中。还可以促使该处理器120从数据库130读取至少一个时间窗数据集131、原始数据测量结果、经过压缩的数据测量结果、经过变换的数据测量结果等等。还可以促使该处理器120按照时间和/或日期来索引来自输入设备110的至少一个时间窗数据集131、原始数据测量结果、经过压缩的数据测量结果、经过变换的数据测量结果等等。该数据库130可以在时间窗内经由输入设备110自动收集并接收数据测量结果，由此生成并存储时间窗数据集131。该数据集131的数据可以以专用的数据结构格式来存储以用于组织和存储数据。示例性数据结构类型可以包括数组、文件、记录、表、树等等。该数据结构可以被设计成组织数据以适合于特定目的，以使得它可以被***100的功能访问并且相应地与***100的功能一起工作。
图3描绘患者糖尿病监测***100的另一示例性配置，并且在此之后为了简洁的目的在此后仅讨论与由图2描绘的配置的差别。在该实施例中，该患者糖尿病监测***100包括设备105、作为与设备105分离的部件的输入设备110、和网络接口150。设备105包括数据接口115、处理器120、数据库130、连同分析逻辑132的存储器135、显示器140和用户接口145。该输入设备110经由网络接口150耦合至设备105。该网络接口150可以包括有线或无线连接、以及任何有线或无线联网硬件，诸如调制解调器、LAN端口、无线保真（Wi-Fi）卡、WiMax卡、移动通信硬件、和/或用于与其他网络和/或设备通信的其他硬件。设备105可以实施数据存储、无监督日常监测图谱聚类以及经由分析逻辑132的使用的聚类结果的显示。
图4描绘患者糖尿病监测***100的另一示例性配置，并且在此之后为了简洁的目的在此后仅讨论与由图3描绘的配置的差别。在该实施例中，该患者糖尿病监测***100包括设备105、作为与设备105分离的部件的输入设备110、第一网络接口155、第二网络接口170和服务器180。该输入设备110可以经由第一网络接口155向设备105提供输入。设备105可以经由第二网络接口170耦合至服务器180。如上面利用图3的网络接口指出的，第一和第二网络接口还可以包括有线或无线连接、以及用于与网络和/或设备通信的任何有线或无线联网硬件。设备105包括数据接口115、处理器120、显示器140、和用户接口145。设备105可以操控数据预处理、数据请求的输入、数据询问的输入、和数据结果的显示。服务器180包括数据库130和连同分析逻辑132的存储器135。在一个示例中，服务器180还可以包括处理器185，其可以被配置成将数据测量结果存储在数据库130中并且经由分析逻辑132的使用来执行无监督日常监测图谱聚类。
图5描绘患者糖尿病监测***100的另一示例性配置，并且在此之后为了简洁的目的在此后仅讨论与由图5描绘的配置的差别。在该实施例中，该患者糖尿病监测***100包括设备105、作为与设备105分离的部件的输入设备110、第一网络接口155、第二网络接口170和服务器180。设备105包括显示器140和用户接口145，并且被配置成向服务器180发送原始数据。服务器180包括数据接口115、处理器120、数据库130和连同分析逻辑132的存储器135。服务器180被配置成压缩原始数据测量结果、将数据存储在数据库130中、以及经由分析逻辑132的使用来执行在下文中参考图6讨论的无监督日常监测图谱聚类。
图6描绘图示无监督日常监测图谱聚类算法200的通用逻辑的流程图，其包括下面的过程：预处理202、相似性矩阵204的建立和聚合（agglomerative）聚类206的过程。通过分析逻辑132的相似无监督日常监测CGM图谱（或胰岛素图谱）的聚类帮助标识糖尿病控制疗法不充分的（一或多）天。如在这里使用的，术语“无监督”意味着数据由设备105日常在自由生活的无监督状况期间收集，诸如在人在家、学校和/或工作时的正常日常生活的过程期间收集，如与根据具有受控的生活、监督状况的医生指导计划/测试群而收集的数据相对。如在此后更详细讨论的，聚类算法200基于所收集的无监督葡萄糖数据以及所收集的无监督葡萄糖数据的变化率二者。要认识到，连续的葡萄糖监测器捕获数据的高频率和长持续时间使得对这样收集的数据的分析变得繁琐和耗时。此外，包括全科医师、家庭医生以及内分泌学医生（研究方言者）的卫生保健专业人员仅具有有限的时间来与患有糖尿病的患者（PwD）交互。因此，存在对分析CGM数据集的高效且自动化方式的需要以用于更好的分析和优化疗法。聚类算法200以分层的方式工作并且帮助医生标识数据集中的潜在模式以及它们与数据集中的其他成员（天）的相似性。
预处理。
数据集131的预处理202的目的是控制由于数据收集的无监督状况而可能存在于数据集中的对高侧或低侧的任何惩罚的偏差/进取的量，以及提供使经过变换的数据对称以用于更好的统计分析的数据变换。要认识到，就健康人来说可接受的正常血糖水平的当前共识是在餐前状态期间处于4.0至6.0 mmol/L之间以及在餐后状态期间高达7.0 mmol/L。对于患有糖尿病的人（T1或T2），推荐的正常葡萄糖水平在之间4.0-9.0 mmol/L。在这些范围之外，如果高于9 mmol/L则人处于高血糖的“风险”或者如果低于4.0 mmol/L则处于低血糖的风险。其他人已经提出，使用针对SMBG测量结果的危险函数来评估与每个BG值相关联的风险。具体来说，其他人已经提出使用常常被称为“Kovatchev函数”（就其本身来说危险函数）的方程（1）。方程（1）如下：
在这里“H(g)”是经过变换的血糖，并且“g”是以毫摩尔每升测得的血糖浓度。参见例如Kovatchev等人的“Symmetrization of the blood glucose measurement scale and itsapplications,” Diabetes Care, 1997, 20, 1655-1658。上面在方程（1）中描述的危险函数具有在112.5 mg/dl (6.3 mmol/L)处的中心，它被称为最佳血糖浓度。此外，与低血糖相关联的危险比高血糖明显更快地上升。然而，该危险函数对CGM数据的回顾分析没有用处，因为卫生保健专业人员对餐后峰值葡萄糖水平为12 mmol/L或15 mmol/L的人会具有同样的担忧，尽管通过方程(1)计算的风险将显著不同，例如如为了说明的目的在图7A和7B中示出的。
图7A描绘对于两天的CGM图谱迹线，它们或多或少相似但具有不同的峰值幅度。图7B描绘在使用方程（1）的变换空间中的相同CGM图谱迹线。从医生的角度来说，在回顾分析中将相似地处理这两条迹线，即示出使对CGM迹线的葡萄糖响应谱的高侧的响应‘变钝’的需要。在葡萄糖响应谱的低侧上也示出相似的需要。鉴于上述情况，下面的方程（2）描述对回顾分析来说比方程（1）更有用的改进的变换。方程（2）如下：
在这里参数，并且参数，其中参数T c 是变换空间的中心，参数D r 是最小限定的葡萄糖水平，参数G t 是经过变换的葡萄糖水平值，并且参数G是数据集131中的最初葡萄糖水平值。图8用图形方式来描绘对在根据方程（2）由图7A描绘的相同CGM迹线上执行的回顾分析的变换。与方程（1）相比，方程（2）给予了零风险在哪里发生的更好控制，这通过图8中的参考符号801来指示。另外，通过改变/变换由参考符号802指示的上限处的葡萄糖值以及由参考803指示的下限处的葡萄糖值，可以控制对高侧或低侧的任何惩罚的偏差/进取。此外，已经通过参数D r 在低血糖范围中选取了在下限803处的葡萄糖值，并且因此从回顾分析视角来看，在下限803的该水平处的任何葡萄糖值不应该具有任何附加风险并且因此在等于下限803处的风险的值处覆盖（cap）低于下限803的负风险或低风险。
相似性矩阵过程。
当利用沿着y轴的葡萄糖和沿着x轴的时间映射时，可以通过计算沿着两个时间序列中的每一个在数据点之间的直线距离来计算两条CGM图谱迹线之间的相似性。这被称为L2范数。对于具有数据点i= 1,2,3…n的时间序列向量Xi和具有成员I = 1,2,3… n的另一时间序列向量Yi，可以根据如下面限定的方程（3）来计算两个时间序列向量之间的距离：
。
要认识到，方程（3）中的欧几里得距离是最常规使用中的一个，但是这样的方程未能考虑时间序列的动态性质。因此，根据本发明的实施例，用方程（4）来公开距离度量，该方程（4）考虑葡萄糖值（在实际或变换空间中）和动态分量（即葡萄糖变化斜率或速率）来计算两个时间序列之间的距离。方程（4）如下限定：
在这里参数Xi是第一时间序列X中的时间i处的葡萄糖值；参数Yi是第二时间序列Y中的时间i处的葡萄糖值；参数k是权重因子；参数mx是针对时间序列Xi的时间i处的斜率；并且参数my是针对时间序列Yi的时间i处的斜率。在图9中图示描绘在各自的相应时间序列916和918中的两个相关联的点904、906、908、910、912和914之间的距离902的方程（4）的距离度量900。通过算法200来计算两个时间序列916和918之间的每个距离902的总和，并且然后在被称为下面简述的动态时间扭曲的弹性对准程序中使用该总和。
要认识到，患者行为可能在一天之内或两天之间不一致并且作为无监督CGM图谱迹线的结果可能示出异相或者对处方疗法具有延迟或压缩响应（诸如例如对校正丸剂、胰岛素丸剂、进餐或物理活动等等具有延迟或压缩响应）。例如，图10A示出这样的时间响应1000的示例，该响应1000可能存在于用信号A和B描绘的在其他方面相似的CGM图谱迹线中的数据集131中。如果未能考虑变化的时间响应1000（例如沿着区段1002和1004），则看起来相似的CGM迹线将受到上述距离度量的惩罚，该距离度量简单地使用葡萄糖值的差异和瞬时变化率信息，如通过图10B所描绘的。因此，在过程204期间进一步修改算法200中方程(4)的上述距离度量以经由动态时间扭曲来适应CGM图谱迹线中的时间偏移是有益的。
动态时间扭曲允许两个时间序列的弹性匹配可以是沿着时间轴的局部压缩或延长。参见Lucero, J. C.等人、Munhall, K. G.、Gracco, V. G.、Ramsay, J. O. (1997)的"On the Registration of Time and the Patterning of Speech Movements", Journalof Speech, Language, and Hearing Research 40: 1111–1117；并且还参见Sakoe,Hiroak、 Chiba, Seibi的"Dynamic programming algorithm optimization for spokenword recognition", IEEE Transactions on Acoustics, Speech and SignalProcessing 26 (1): 43–49。参考图11简单描述动态时间扭曲1100的原理。简单来说，动态时间扭曲1100的目的是找到用路径P（用更淡的点描绘）1102示出的在图11中示出的时间序列A和时间序列B之间的最佳对准。如所描绘的，路径1102横跨两个时间序列A和B的整个长度，并且最小化路径1102的总长以及相反地两个时间序列A和B的曲线（用更深的点1103描绘）之间的距离的函数被称为动态扭曲函数。要认识到，因此导出最短对准路径1102以便考虑用来满足以下条件的有效对准路径需要：
（a）单调性，即路径1102仅适时向前移动；
（b）连续性，即路径1102不能具有中断，即在如通过箭头1104描绘的向前移动的同时不能跳过数据；
（c）满足边界条件，即路径1102必须行进整个长度并且不允许一些样本匹配（例如框1106）；
（d）满足搜索窗口，即对准路径1102的局部时间位移必须在预定的搜索宽度（例如线1108）内；以及
（e）满足斜率，即时间压缩或延长不应该超过预定宽度（例如线1110）。
要认识到，在对准过程期间，动态扭曲函数在时间上使曲线局部压缩或延长，为了更好的结果，发明人使算法200向时间序列的两条曲线之间的总距离添加惩罚。为了说明，如下利用惩罚来处理经过变换的数据集的第一和第二时间序列X、Y：
（a）在原点处开始，第一时间序列X和第二时间序列Y的曲线之间的距离是：X(1,1) = Y(1,1)；
（b）通过X(i,1) = X(i-1,1) + Y(i,1)来使第一行保持恒定距离；
（c）通过X(1,j) = X(1,j-1) + Y(1,j)来使第一列保持恒定；以及
（d）对于下一行和下一列继续进行到如由下面限定的经过变换的数据集的搜索空间的结束:
X(i, j) = min(X(i, j–1), X(i–1, j–1), X(i – 1, j)) + Y(i, j) (5)。
在上面的方程（5）中，不是使用简单的L2范数（欧几里得距离），而是在方程（4）中使用早期描述的距离度量。因此当两条曲线X和Y对准时，动态扭曲函数返回考虑沿着时间轴的差别以及葡萄糖值的两条曲线之间的总距离。图12描绘上面的处理的这样的结果1200，在上面的处理中相应地示出最初（测试）和扭曲（目标）CGM图谱迹线1202和1204连同采用的最短对准路径1206。鉴于上述情况，可以如下总结相似性矩阵过程204的输出。对于具有1…n天的给定数据集131，通过测量CGM图谱中的每天对之间的相似性来计算根据方程（4）且利用方程（5）修改的距离矩阵。因此，可以使用如在图13A和13B中示出的矩阵N*N来描述N天的数据集131。图13A和13B描绘来自相似性矩阵过程204的这样输出的葡萄糖测量数据，在相似性矩阵过程204中在图13A的距离矩阵中示出距离并且通过图13B示出距离矩阵的对应图形表示。此后现在讨论聚合过程206。
聚合过程。
由于其确定性的本质，分层聚类产生了一致的标记，即集群成员不会基于重复的运行上从一个集群迁移到另一个集群。参见例如Kaufman, L.; Rousseeuw, P.J. (1990).Finding Groups in Data: An Introduction to Cluster Analysis (1 ed.). NewYork: John Wiley. ISBN 0-471-87876-6。这一点特别重要，例如在卫生保健提供者和患者可能在他们各自的计算机、智能手机等上远程查看同一数据集的电子会诊的情况下。如果聚类算法200在本质上不是确定性的，则HCP和患者可能终归潜在地会在同一标记集群内查看不同的集群成员，这将导致混淆并潜在地引起医疗差错(在正确的疗法中)。
使用相似性矩阵过程204（例如图13A中示出的距离矩阵）的输出，聚合聚类过程206遵循下面的伪代码例程：
（a）计算输出的数据点之间的距离矩阵；
（b）使数据点中的每一个成为一个集群；
（c）重复以下内容：
i.合并两个最靠近的集群，以及
ii.更新距离矩阵；以及
（d）进行重复直到仅剩下单个集群为止。
在没有预定义的停止条件的情况下，上面的过程206以距离矩阵中的被视为其自己的集群的每个数据点开始，其中该过程自动保持向前移动直到仅剩下一个‘超’集群为止。
要认识到，存在用来将数据点合并成集群或将两个集群合并成一个集群的若干种方式。或许最鲁棒的方法是使用Ward的链接，其使集群方差内的总增大最小化。参见Ward,J. H., Jr. (1963), "Hierarchical Grouping to Optimize an Objective Function",Journal of the American Statistical Association, 58, 236–244。顾名思义，分层聚类产生了数据点之间的关系，因为聚类从一个阶段前进到另一个阶段。可以使用也被称为如在图14A和14B中示出的树状图1400的树结构来表示该关系。图14A描绘数据集131的成员如何彼此相关。垂直线1402示出两个数据点（单独的天）1404经由它们之间的不相似性或距离1406合并。尽管Ward的链接确保集群方差内的最小值，但随着算法从等级1前进到等级9，如由图14B中的曲线1408示出的数据集131内的不相似性（距离）1406大大增加。在每一等级处，集群1410的数目减小1。例如，在图14A的情况下，在等级1处，数据点1和3合并并且因此可能集群的数目是9，在其中该聚类在过程期间206继续，数据集131中的所有数据都一起分组以在等级9处形成1集群。
找出“正确”数目的集群可能是数据挖掘中最有挑战性的问题之一。该问题通过分析如在树状图1400中描绘的‘关系’以有所解决。数据合并的每个阶段都给出数据集内的成员的相似性的指示，这在图14B中示出。直观地，“正确”数目的集群可以被限定为至集群的任何添加都导致不相似性或距离曲线1408中的突然增加/增强的水平。从数学上来说，这可以使用二阶导数测试来计算以找出此后参考图15讨论的曲线1408的拐点或凹点。
图15用图形的方式描绘用来找出最佳（最小）数目的集群1500的绘图。为了找出最佳数目的集群，我们让d(l)为距离曲线1502，为距离曲线1502的一阶导数，并且为距离曲线1502的二阶导数。如果存在，则沿着曲线d(l)的最佳数目的集群可以被视为处的点l。然而，上面的方法仅在距离随着集群1503的数目减小至1而单调增大时起作用。更好的近似是计算拐点1504，其被标记为图15中的距离曲线1502上的黑点。如下描述用来计算拐点1504的方法：
（a）让具有p个点的距离曲线d(l)上的最初k个点为1,2,….k，并且找出斜率：
m 1 = d(2) – d(1)/ (2-1),
m 2 = d(3) – d(1)/ (3-1),...,
m k = d(n) – d(1)/ (n-1);
（b）根据步骤（a）计算斜率的中值：m a = median(m 1 , m 2 … m k );
（c）让具有p个点的距离曲线d(l)上的最后n个点为p-n,…, p-1, p，并且找出斜率：
m p = d(p) – d(p-1)/ (p-(p-1)),
m 2 = d(p) – d(p-2)/ (p-(p-2)),…,
m n = d(p) – d(p-n)/(p-(p-n));以及
（d）根据步骤（c）计算斜率的中值：m b = median(m 1 , m 2 … m n )，
在这里第一条线1506由起始点为沿着距离曲线d(l)1502的第一点的中值斜率m a 来限定，并且第二条线1508由起始点为沿着距离曲线d(l)的终点的中值斜率m b 来限定，以使得拐点1504是距离曲线d(l)上的第一条线和第二条线1506和1508之间的交叉点1510的投影并且用l p 来表示。接下来在过程206中，如果拐点l p 不是整数，则通过下面在过程206中用算法200来确定集群L min 的最佳最小数目：
。
例如，以来自佩戴CGM的糖尿病用户的来自10天有价值数据的无监督CGM图谱迹线133的数据集131（通过所有一起绘制在设备105的显示器140上的图16A用图形的方式来描绘该数据集131）开始，并且经由利用聚类算法200的分析逻辑132来处理数据集131，处理器120自动确定每一个在集群方差内都具有最小值的五个有区别的集群1600A、1600B、1600C、1600D和1600E。然后由处理器120在显示器140上明显有区别/可辨别地提供/输出这样找到的最小集群，诸如例如如通过图16B-16F分别示出有区别的集群1600A、1600B、1600C、1600D和1600E中的每一个。尽管在图16B-16F中，利用更粗的实线或虚线/点线以粗体（更深地）示出由处理器120确定的要在相应找到的集群中的每个葡萄糖迹线133，并且经由相应地更弱（更浅）且更细的实线来示出不相关的（非集群的）葡萄糖迹线，但是可以用许多其他方式使每个有区别的最小集群的（一个或多个）相关联的葡萄糖迹线与（一个或多个）不相关的葡萄糖迹线可辨别，诸如通过不同的颜色和/或不同的线表示（虚、点-虚、实、更深、更弱、更细、更粗等等）以及通过不显示/隐藏不相关的葡萄糖迹线。要认识到，经由它们相关联的找到的集群（而不是经由在数据集中示出所有迹线的典型数据转储显示，例如如由图16A描绘的具有每天平均288个采样记录的十天有价值的数据）确定、呈现并显示葡萄糖迹线133的优点之一是即使在具有空间受约束的显示器（即小于10英寸的对角线屏幕尺寸）的移动设备（诸如手机、bG仪器、PDA、平板电脑或类似设备）上也使得数据集131中提供的丰富信息内容对于用户来说可更容易且更有效地辨别。换言之，与提供有上面公开的聚类功能的设备105被用户用来（比不具有这样的聚类功能的相似现有技术设备）更有效地辨别糖尿病控制疗法不充分的天，并且该相似现有技术设备仅提供具有许多采样记录的数据转储和集群显示，诸如由图16A描绘的。
此外，要认识到，如本文中公开的基于数据集131确定并产生集群（诸如所显示的集群1600A、1600B、1600C、1600D和1600E）的处理器120创建关于用户的糖尿病控制疗法的充分性的明确定性数据的符号分组/表示，由此提供一种比先前在现有技术中发现的更具体且实际的处理并表示（经由聚类而变换的）信息的方式。例如如由图16B描绘的，由处理器120基于数据集131确定的第一有区别的集群1600A包括第6天的迹线，因为在上午11点和下午12:30之间出现恒定数据带它已经被标识并突出为有区别的集群。第6天中的恒定带时段（其被描绘为在一个半小时内具有从所感测的葡萄糖的50 mg/dl的CGM中输入的恒定不变信号）快速并且有效地向（不具有低血糖的情节的）用户指示CGM的传感器在该时段期间发生故障或者没有被正确地固定，但是总的来说用户的糖尿病控制疗法很好，如由针对第6天迹线的剩余绘制的数据所表示的那样。尽管在图16B中，传感器故障或不正确的传感器固定被示出为恒定感测的葡萄糖值，但是这样的问题也可以被示出为无信号输入的死区时段，在所绘制的数据中具有描绘的零值（或某一其他假的恒定值）的时段。然而，如果用户在上午11点和下午12:30之间的恒定时段期间的确具有低血糖的情节，则找出的有区别的集群向用户以及观察卫生保健专业人员（HCP）指示在早餐之后且在午餐之前的时段中糖尿病控制疗法是无效的，因为用户的葡萄糖降至CGM的警报水平（即50 mg/dl）以下，从而导致第6天中的恒定带时段。
同样，如在由图16C描绘的下一有区别的集群1600B中指示的，在没有传感器发生故障/固定问题的情况下，从该集群中可很快辨别，用户经历在上午1：30 至上午2：30之间的快速睡眠时段期间出现的低血糖时段以及下午9点之后出现的高血糖时段二者，因为用户的葡萄糖上升超过CGM的警报水平(即400 mg/dl)，从而导致第2天中在400 mg/dl的恒定带时段。尽管在第2天迹线剩余的时间里用户的糖尿病控制疗法的充分性通常是良好的，但至少在这两个时段中可能需要注意/改变糖尿病用户的疗法控制例程和/或生活方式。这也在由第一天和第三天迹线组成的下一个有区别的集群中表明，该第一天和第三天迹线在午夜之前或刚刚午夜之后具有高血糖或接近高血糖的时段。尽管，这样的情节可能是容易解释的，诸如如果那些天表示了糖尿病用户忽视饮食约束的时段，但在这样的情节中的重复清楚地表明应该在用户的糖尿病控制疗法中解决的问题。上述问题在糖尿病控制疗法中应如何解决的建议也通过聚类得到了明显的体现。例如，用户应该模拟/模仿/遵循第4、9和10天使用的糖尿病控制疗法，因为由图16E描绘的下一有区别的集群1600D以及针对第5、7和8天由图16F描绘的下一（以及最后）有区别的1600E清楚地示出在这六天用户的糖尿病控制疗法是充分的，没有高或低血糖的问题/时段。
为了方便且快速的查看所找出的有区别的集群1600A、1600B、1600C、1600D和1600E（例如来自于由图16A描绘的数据集131的初始数据（转储）图1605显示），利用所绘制的数据来显示用户接口1625的一个或多个按钮（例如关闭和查看集群）1610和1620。用户利用手指、触控笔或光标选择“关闭”按钮1610将促使处理器120关闭所显示的图1605并且返回到设备105的前一/默认显示图像。用户利用手指、触控笔或光标选择“查看集群”按钮1620将促使处理器120显示第一找到的有区别的集群，例如由图16B描绘的集群1600A。用户接口1625具有许多按钮，诸如“下一集群”按钮1630用来促使处理器120显示下一找到的有区别的集群（诸如集群1600B），“前一集群”按钮1640（图16C）用来促使处理器120显示前面显示的有区别的集群，并且“返回到主菜单”按钮1650（图16E）用来促使处理器120返回以显示最初数据图1605（图16A）。在其他实施例中，为了易于导航，该用户接口1625可以显示按钮1610、1630、1640和1650连同每个集群。
鉴于上面的公开内容，显而易见的是，在一个实施例中公开的是一种用于患者的患者糖尿病监测***。该***包括：生理数据输入设备，其获取患者在时间窗内的多个生理测量结果以生成所收集的无监督日常监测图谱的至少一个时间窗数据集；存储器，其存储无监督日常监测图谱聚类算法；以及处理器，其与所述输入设备通信以接收所述生成的至少一个时间窗数据集，并且与所述存储器通信以便执行所述无监督日常监测图谱聚类算法，其中当由所述处理器执行时所述无监督日常监测图谱聚类算法促使所述处理器自动：预处理数据集以根据所收集的无监督日常监测图谱来控制偏差/进取的量以生成经过预处理的数据集，根据经过预处理的数据集来建立相似性矩阵，以及输出由处理器从相似性矩阵找到的最佳数目的相似性集群。在该***的另一实施例中，数据集的预处理经由使经过预处理的数据集对称以用于回顾分析的数据集的数据变换来控制偏差/进取的量。在该***的另一实施例中，用于回顾分析的数据变换是通过数据集利用由限定的危险函数进行处理而得到的，在这里参数，并且参数，其中Tc是变换空间的中心，Dr是最小限定的葡萄糖水平，Gt是在数据集中提供的血糖浓度测量结果的经过变换的数据，并且“g”是在数据集中提供的且以毫摩尔每升测得的血糖浓度测量结果的最初葡萄糖水平值。在该***的另一实施例中，该生理数据输入设备是CGM。
在上面提到的***的另一实施例中，在数据集的预处理之后，然后处理经过预处理的数据集以建立考虑经过预处理的数据集中的时间序列动力学的相似性矩阵。在该***的另一实施例中，通过距离矩阵来考虑经过预处理的数据集中的时间序列动力学，该距离矩阵考虑实际空间或变换空间中的葡萄糖值水平并且经由葡萄糖值水平的变化率来计算在经过预处理的数据集中存在的数据的每对相似时间序列之间的距离。在该***的另一实施例中，通过来限定距离矩阵，在这里X i 是第一时间序列X中的时间i处的葡萄糖水平值；Y i 是第二时间序列Y中的时间i处的葡萄糖值；k是权重因子；m x 是针对第一时间序列X i 的时间i处的斜率；并且m y 是针对时间序列X i 的时间i处的斜率。在该***的另一实施例中，在弹性对准程序中使用在第一和第二时间序列X和Y之间的距离的和以考虑在经过预处理的数据集中的变化的时间响应/位移。在该***的另一实施例中，该弹性对准程序是动态时间扭曲过程，其允许沿着时间轴通过局部压缩或延长的第一和第二时间序列X和Y的弹性匹配。在该***的另一实施例中，该动态时间扭曲过程导致被添加到第一和第二时间序列X和Y之间的距离的和的任何惩罚。在该***的另一实施例中，该第一和第二时间序列是CGM曲线。在该***的另一实施例中，由处理器利用惩罚如下处理经过预处理的数据集的第一和第二时间序列X和Y：
（a）在原点处开始，第一时间序列X和第二时间序列Y的曲线之间的距离是：X(1,1) = Y(1,1)；
（b）通过X(i,1) = X(i-1,1) + Y(i,1)来使第一行保持恒定距离；
（c）通过X(1,j) = X(1,j-1) + Y(1,j)来使第一列保持恒定；以及
（d）对于下一行和下一列继续进行到如由X(i, j) = min(X(i, j–1), X(i–1, j–1),X(i – 1, j)) + Y(i, j)限定的经过预处理的数据集的搜索空间的结束。
在上面公开的***的另一实施例中，就一个或多个条件来检查建立相似性矩阵过程的输出以评估所确定的对准路径是否是有效路径，该一个或多个条件是：单调性、连续性、边界条件、搜索窗口和斜率。在该***的另一实施例中，然后在聚合聚类过程中使用相似性矩阵过程的输出以输出相似性集群，该聚合聚类过程具有下面的伪代码：
（a）计算输出的数据点之间的距离矩阵；
（b）使数据点中的每一个成为一个集群；
（c）重复以下内容：
i.合并两个最靠近的集群，以及
ii.更新距离矩阵；以及
（d）进行重复直到仅剩下单个集群为止。
在该***的另一实施例中，由处理器来计算距离矩阵中的拐点以找出集群的最佳最小数目。在该***的另一实施例中，如果d(l)是距离矩阵中的距离曲线，是距离曲线的一阶导数，并且是距离曲线的二阶导数，并且如果存在，则由处理器将沿着曲线d(l)的集群的最佳最小数目计算成处的点l。在该***的另一实施例中，处理器如下计算拐点：
（a）让具有p个点的距离曲线d(l)上的最初k个点为1,2,….k，并且找出斜率：
m 1 = d(2) – d(1)/ (2-1), m 2 = d(3) – d(1)/ (3-1), ..., m k = d(n) – d(1)/ (n-1);
（b）根据步骤（a）计算斜率的中值：m a = median(m 1 , m 2 … m k );
（c）让具有p个点的距离曲线d(l)上的最后n个点为p-n,…, p-1, p，并且找出斜率：
m p = d(p) – d(p-1)/ (p-(p-1)), m 2 = d(p) – d(p-2)/ (p-(p-2)),…, m n = d(p) – d(p-n)/(p-(p-n));以及
（d）根据步骤（c）计算斜率的中值：m b = median(m 1 , m 2 … m n )，
在这里第一条线由起始点为沿着距离曲线d(l)的第一点的中值斜率m a 来限定，并且第二条线由起始点为沿着距离曲线d(l)的终点的中值斜率m b 来限定，拐点是用l p 来表示的距离曲线d(l)上的第一条线和第二条线之间的交叉点的投影，并且如果拐点l p 不是整数，则通过下式找到集群的最佳最小数目L min ：
。
在还有的另一实施例中，公开的是一种非瞬时计算机可读介质，其存储当由处理器执行时促使处理器经由具有生理数据输入设备的患者葡萄糖监测***来执行的程序，该生理数据输入设备获取患者在时间窗内的多个生理测量结果以生成所收集的无监督日常监测图谱的至少一个时间窗数据集并且该生理数据输入设备与所述处理器通信，以使得所述处理器接收所述生成的至少一个时间窗数据集，并且与所述存储器通信，无监督日常监测图谱聚类算法促使所述处理器自动：预处理数据集以根据所收集的无监督日常监测图谱来控制偏差/进取的量以生成经过预处理的数据集，根据经过预处理的数据集来建立相似性矩阵，以及输出最佳数目的相似性集群。在非瞬时计算机可读介质的另一实施例中，CGM图谱或胰岛素图谱是来自患者的至少一个时间窗数据集，并且包括原始数据、经过变换的数据、与有关数据标签相关联的原始数据、与有关数据标签相关联的经过变换的数据、或其组合。
在还有的另一实施例中，公开的是一种用于使用监测***来标识对患者来说糖尿病控制疗法不充分的（一或多）天的方法，该监测***包括显示设备、生理数据输入设备和处理器。该方法包括从生理数据输入设备自动接收患者在时间窗内的多个生理测量结果以生成所收集的无监督日常监测图谱的至少一个时间窗数据集；以及执行来自存储器的所存储的无监督日常监测图谱聚类算法并且促使处理器自动：预处理数据集以根据所收集的无监督日常监测图谱来控制偏差/进取的量，由此生成经过预处理的数据集，根据经过预处理的数据集来建立相似性矩阵，以及在显示器上输出由处理器从相似性矩阵找到的最佳数目的相似性集群。
尽管上面已经详细地讨论了若干设备以及其部件，但是应该理解所讨论的设备的部件、特征、配置和使用方法不限于上面提供的上下文。特别地，在设备之一的上下文中描述的部件、特征、配置和使用的方法可以被合并到其他设备中的任一个中。此外，不限于下面提供的进一步描述，鉴于本文中的教导，附加和备选的适当部件、特征、配置和使用设备的方法以及其中可以组合并互换本文中的教导的各种方式对本领域中的普通技术人员来说将是显而易见的。
已经在本公开内容中示出并描述了各个版本，本领域的普通技术人员之一可以在不偏离本发明的范围的情况下通过适当的修改来完成本文中描述的方法和***的进一步适应。已经提到了这样的潜在修改中的几个，并且对本领域中的技术人员来说其他修改将是显然的。例如，上面讨论的示例、版本、几何形状、材料、尺寸、比率、步骤等等是说明性的并且不是必须的。因此，应该就下面的权利要求来考虑本发明的范围并且将本发明的范围理解成不限于在说明书和绘图中示出且描述的结构和操作的细节。

Claims (20)

1.一种用于患者的患者糖尿病监测***，包括：
生理数据输入设备，其获取患者在时间窗内的多个生理测量结果以生成所收集的无监督日常监测图谱的至少一个时间窗数据集；
存储器，其存储无监督日常监测图谱聚类算法；以及
处理器，其与所述输入设备通信以接收所述生成的至少一个时间窗数据集，并且与所述存储器通信以便执行所述无监督日常监测图谱聚类算法，
其中当由所述处理器执行时所述无监督日常监测图谱聚类算法促使所述处理器自动：
预处理数据集以根据所收集的无监督日常监测图谱来控制偏差/进取的量以生成经过预处理的数据集，
根据经过预处理的数据集来建立相似性矩阵，以及
输出由处理器从相似性矩阵找到的最佳数目的相似性集群。
2.根据权利要求1所述的***，其中该数据集的预处理经由使经过预处理的数据集对称以用于回顾分析的数据集的数据变换来控制偏差/进取的量。
3.根据权利要求2所述的***，其中用于回顾分析的数据变换是通过数据集利用由限定的危险函数进行处理而得到的，在这里参数，并且参数，其中Tc是变换空间的中心，Dr是最小限定的葡萄糖水平，Gt是在数据集中提供的血糖浓度测量结果的经过变换的数据，并且“g”是在数据集中提供的且以毫摩尔每升测得的血糖浓度测量结果的最初葡萄糖水平值。
4.根据权利要求1所述的***，其中在数据集的预处理之后，然后处理经过预处理的数据集以建立考虑经过预处理的数据集中的时间序列动力学的相似性矩阵。
5.根据权利要求4所述的***，其中通过距离矩阵来考虑经过预处理的数据集中的时间序列动力学，该距离矩阵考虑实际空间或变换空间中的葡萄糖值水平并且经由葡萄糖值水平的变化率来计算在经过预处理的数据集中存在的数据的每对相似数据序列之间的距离。
6.根据权利要求5所述的***，其中由来限定距离矩阵，
在这里X i 是第一时间序列X中的时间i处的葡萄糖水平值，Y i 是第二时间序列Y中的时间i处的葡萄糖值，k是权重因子，m x 是针对第一时间序列X i 的时间i处的斜率；并且m y 是针对时间序列X i 的时间i处的斜率。
7.根据权利要求6所述的***，在弹性对准程序中使用在第一和第二时间序列X和Y之间的距离的和以考虑在经过预处理的数据集中的变化的时间响应/位移。
8.根据权利要求7所述的***，其中该弹性对准程序是动态时间扭曲过程，其允许沿着时间轴通过局部压缩或延长的第一和第二时间序列X和Y的弹性匹配。
9.根据权利要求8所述的***，其中该动态时间扭曲过程导致被添加到第一和第二时间序列X和Y之间的距离的和的任何惩罚。
10.根据权利要求9所述的***，其中该第一和第二时间序列是CGM曲线。
11.根据权利要求9所述的***，其中由处理器利用惩罚如下处理经过预处理的数据集的第一和第二时间序列X和Y：
（e）在原点处开始，第一时间序列X和第二时间序列Y的曲线之间的距离是：X(1,1) = Y(1,1)；
（f）通过X(i,1) = X(i-1,1) + Y(i,1)来使第一行保持恒定距离；
（g）通过X(1,j) = X(1,j-1) + Y(1,j)来使第一列保持恒定；以及
（h）对于下一行和下一列继续进行到如由X(i, j) = min(X(i, j–1), X(i–1, j–1),X(i – 1, j)) + Y(i, j)限定的经过预处理的数据集的搜索空间的结束。
12.根据权利要求1所述的***，其中就一个或多个条件来检查建立相似性矩阵过程的输出以评估所确定的对准路径是否是有效路径，该一个或多个条件是：单调性、连续性、边界条件、搜索窗口和斜率。
13.根据权利要求12所述的***，其中然后在聚合聚类过程中使用相似性矩阵过程的输出以输出相似性集群，该聚合聚类过程具有下面的伪代码：
（a）计算输出的数据点之间的距离矩阵；
（b）使数据点中的每一个成为一个集群；
（c）重复以下内容：
　　i.合并两个最靠近的集群，以及
　　ii.更新距离矩阵；以及
（d）进行重复直到仅剩下单个集群为止。
14.根据权利要求13所述的***，其中由处理器来计算距离矩阵中的拐点以找出集群的最佳最小数目。
15.根据权利要求14所述的***，其中如果d(l)是距离矩阵中的距离曲线，是距离曲线的一阶导数，并且是距离曲线的二阶导数，并且如果存在，则由处理器将沿着曲线d(l)的集群的最佳最小数目计算成处的点l。
16.根据权利要求14所述的***，其中该处理器如下计算拐点：
（e）让具有p个点的距离曲线d(l)上的最初k个点为1,2,….k，并且找出斜率：
m 1 = d(2) – d(1)/ (2-1), m 2 = d(3) – d(1)/ (3-1), ..., m k = d(n) – d(1)/ (n-1);
（f）根据步骤（a）计算斜率的中值：m a = median(m 1 , m 2 … m k );
（g）让具有p个点的距离曲线d(l)上的最后n个点为p-n,…, p-1, p，并且找出斜率：
m p = d(p) – d(p-1)/ (p-(p-1)), m 2 = d(p) – d(p-2)/ (p-(p-2)),…, m n = d(p) – d(p-n)/(p-(p-n));以及
（h）根据步骤（c）计算斜率的中值：m b = median(m 1 , m 2 … m n )，
在这里第一条线由起始点为沿着距离曲线d(l)的第一点的中值斜率m a 来限定，并且第二条线由起始点为沿着距离曲线d(l)的终点的中值斜率m b 来限定，拐点是用l p 来表示的距离曲线d(l)上的第一条线和第二条线之间的交叉点的投影，并且如果拐点l p 不是整数，则通过下式找到集群的最佳最小数目L min ：
。
17.根据权利要求1所述的***，其中该生理数据输入设备是CGM。
18.一种非瞬时计算机可读介质，其存储当由处理器执行时促使处理器经由具有生理数据输入设备的患者葡萄糖监测***来执行的程序，该生理数据输入设备获取患者在时间窗内的多个生理测量结果以生成所收集的无监督日常监测图谱的至少一个时间窗数据集并且该生理数据输入设备与所述处理器通信，以使得所述处理器接收所述生成的至少一个时间窗数据集，并且与所述存储器通信，无监督日常监测图谱聚类算法促使所述处理器自动：
预处理数据集以根据所收集的无监督日常监测图谱来控制偏差/进取的量以生成经过预处理的数据集，
根据经过预处理的数据集来建立相似性矩阵，以及
输出最佳数目的相似性集群。
19.根据权利要求18所述的非瞬时计算机可读介质，其中CGM图谱或胰岛素图谱是来自患者的至少一个时间窗数据集，并且包括原始数据、经过变换的数据、与有关数据标签相关联的原始数据、与有关数据标签相关联的经过变换的数据、或其组合。
20.一种用于使用监测***来标识对患者来说糖尿病控制疗法不充分的（一或多）天的方法，该监测***包括显示设备、生理数据输入设备和处理器，该方法包括：
从生理数据输入设备自动接收患者在时间窗内的多个生理测量结果以生成所收集的无监督日常监测图谱的至少一个时间窗数据集；以及
执行来自存储器的所存储的无监督日常监测图谱聚类算法并且促使处理器自动：
预处理数据集以根据所收集的无监督日常监测图谱来控制偏差/进取的量，由此生成经过预处理的数据集，
根据经过预处理的数据集来建立相似性矩阵，以及
在显示器上输出由处理器从相似性矩阵找到的最佳数目的相似性集群。
CN201780027489.3A 2016-03-02 2017-02-23 具有无监督的日常cgm图谱（或胰岛素图谱）的聚类的患者糖尿病监测***以及其方法 Pending CN109416936A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US15/058,271 US10575790B2 (en) 2016-03-02 2016-03-02 Patient diabetes monitoring system with clustering of unsupervised daily CGM profiles (or insulin profiles) and method thereof
US15/058271 2016-03-02
PCT/US2017/019013 WO2017151369A1 (en) 2016-03-02 2017-02-23 Patient diabetes monitoring system with clustering of unsupervised daily cgm profiles (or insulin profiles) and method thereof

Publications (1)

Publication Number Publication Date
CN109416936A true CN109416936A (zh) 2019-03-01

Family

ID=58261740

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780027489.3A Pending CN109416936A (zh) 2016-03-02 2017-02-23 具有无监督的日常cgm图谱（或胰岛素图谱）的聚类的患者糖尿病监测***以及其方法

Country Status (5)

Country Link
US (1) US10575790B2 (zh)
EP (1) EP3423969A1 (zh)
CN (1) CN109416936A (zh)
CA (1) CA3016149A1 (zh)
WO (1) WO2017151369A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110379503A (zh) * 2019-07-30 2019-10-25 东北大学 一种基于连续血糖监测***的在线故障检测与诊断***
WO2021129230A1 (zh) * 2019-12-27 2021-07-01 中国科学院深圳先进技术研究院 一种血糖波动评价方法和评价装置
CN116089504A (zh) * 2023-04-10 2023-05-09 北京宽客进化科技有限公司 一种关系型表格数据生成方法和***

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10818390B1 (en) * 2017-12-27 2020-10-27 Verily Life Sciences Llc Pattern discovery in continuous glucose monitoring data
US11664129B2 (en) 2019-08-13 2023-05-30 International Business Machines Corporation Mini-batch top-k-medoids for extracting specific patterns from CGM data
CN115952432B (zh) * 2022-12-21 2024-03-12 四川大学华西医院 一种基于糖尿病数据的无监督聚类方法
CN117997352B (zh) * 2024-04-07 2024-05-31 中国医学科学院阜外医院 一种麻醉机监测数据优化存储方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102763109A (zh) * 2010-02-23 2012-10-31 霍夫曼-拉罗奇有限公司 用于将治疗指南提供给患有糖尿病的人的方法和***
US20130158504A1 (en) * 2011-12-16 2013-06-20 Timothy L. Ruchti System for monitoring and delivering medication to a patient and method of using the same to minimize the risks associated with automated therapy
WO2015044110A1 (en) * 2013-09-27 2015-04-02 Roche Diagnostics Gmbh High/low blood glucose risk assessment systems and methods
CN104755019A (zh) * 2012-10-30 2015-07-01 德克斯康公司 提供敏感且特定的警报的***和方法
CN105023026A (zh) * 2015-08-18 2015-11-04 苏州大学张家港工业技术研究院 一种基于非负矩阵分解的半监督聚类方法及***
WO2015183689A1 (en) * 2014-05-30 2015-12-03 Roche Diabetes Care, Inc. Hazard based assessment patterns

Family Cites Families (40)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6990238B1 (en) * 1999-09-30 2006-01-24 Battelle Memorial Institute Data processing, analysis, and visualization system for use with disparate data types
AU1047901A (en) * 1999-10-22 2001-04-30 Genset Methods of genetic cluster analysis and use thereof
AU2001251046B2 (en) * 2000-03-29 2006-08-03 University Of Virginia Patent Foundation Method, system, and computer program product for the evaluation of glycemic control in diabetes from self-monitoring data
US7395158B2 (en) 2000-05-30 2008-07-01 Sensys Medical, Inc. Method of screening for disorders of glucose metabolism
ATE392178T1 (de) 2000-08-18 2008-05-15 Animas Technologies Llc Vorrichtung zum vorhersagen von hypoglyecemiefällen
AU2001291189A1 (en) 2000-09-22 2002-04-02 Knobbe, Lim And Buckingham Method and apparatus for real-time estimation and control of pysiological parameters
US9247901B2 (en) 2003-08-22 2016-02-02 Dexcom, Inc. Systems and methods for replacing signal artifacts in a glucose sensor data stream
US7278983B2 (en) 2002-07-24 2007-10-09 Medtronic Minimed, Inc. Physiological monitoring device for controlling a medication infusion device
US7291107B2 (en) 2004-08-26 2007-11-06 Roche Diagnostics Operations, Inc. Insulin bolus recommendation system
US8684922B2 (en) 2006-05-12 2014-04-01 Bao Tran Health monitoring system
US20080269714A1 (en) 2007-04-25 2008-10-30 Medtronic Minimed, Inc. Closed loop/semi-closed loop therapy modification system
GB0719969D0 (en) 2007-10-12 2007-11-21 Cambridge Entpr Ltd Substance monitoring and control in human or animal bodies
US7731659B2 (en) 2007-10-18 2010-06-08 Lifescan Scotland Limited Method for predicting a user's future glycemic state
US20100262434A1 (en) 2007-12-13 2010-10-14 Shaya Steven A Method and apparatus to calculate diabetic sensitivity factors affecting blood glucose
US8734422B2 (en) 2008-08-31 2014-05-27 Abbott Diabetes Care Inc. Closed loop control with improved alarm functions
GB2466183A (en) 2008-12-09 2010-06-16 Cambridge Entpr Ltd Closed loop diabetes management system
WO2010135654A2 (en) 2009-05-22 2010-11-25 Abbott Diabetes Care Inc. Safety features for integrated insulin delivery system
EP2465059A1 (en) * 2009-08-10 2012-06-20 Diabetes Tools Sweden Ab Apparatus and method for processing glycemic data
RU2012112589A (ru) * 2009-09-02 2013-10-10 Юниверсити Оф Вирджиния Пэйтент Фаундейшн Отслеживание вероятности приближающейся гипогликемии при диабете на основе данных самостоятельного контроля глюкозы в крови
US20110071464A1 (en) 2009-09-23 2011-03-24 Medtronic Minimed, Inc. Semi-closed loop insulin delivery
US20120253840A1 (en) * 2009-12-21 2012-10-04 Stc.Unm System and methods for estimating hba1c, treatment response, and hypoglycemia risk using self-monitoring of blood glucose data
US8843321B2 (en) 2010-01-26 2014-09-23 Roche Diagnostics Operations, Inc. Methods and systems for processing glucose data measured from a person having diabetes
US8579879B2 (en) 2010-02-19 2013-11-12 Medtronic Minimed, Inc. Closed-loop glucose control startup
US8532933B2 (en) 2010-06-18 2013-09-10 Roche Diagnostics Operations, Inc. Insulin optimization systems and testing methods with adjusted exit criterion accounting for system noise associated with biomarkers
US8589106B2 (en) 2010-12-22 2013-11-19 Roche Diagnostics Operations, Inc. Calibration of a handheld diabetes managing device that receives data from a continuous glucose monitor
US8774889B2 (en) 2010-12-22 2014-07-08 Roche Diagnostics Operations, Inc. Patient monitoring system with efficient pattern matching algorithm
WO2012108939A1 (en) 2011-02-11 2012-08-16 Abbott Diabetes Care Inc. Feedback from cloud or hcp to payer or patient via meter or cell phone
AU2012300331B2 (en) 2011-08-26 2016-04-14 University Of Virginia Patent Foundation Method, system and computer readable medium for adaptive advisory control of diabetes
US10881339B2 (en) 2012-06-29 2021-01-05 Dexcom, Inc. Use of sensor redundancy to detect sensor failures
US9526834B2 (en) 2012-08-30 2016-12-27 Medtronic Minimed, Inc. Safeguarding measures for a closed-loop insulin infusion system
US9623179B2 (en) 2012-08-30 2017-04-18 Medtronic Minimed, Inc. Safeguarding techniques for a closed-loop insulin infusion system
US9504412B2 (en) 2012-09-17 2016-11-29 Lifescan, Inc. Method and system to derive glycemic patterns from clustering of glucose data
US9592002B2 (en) 2012-09-21 2017-03-14 Lifescan, Inc. Method and system to derive multiple glycemic patterns from glucose measurements during time of the day
US10463282B2 (en) * 2012-10-04 2019-11-05 Roche Diabetes Care, Inc. System and method for assessing risk associated with a glucose state
US9351670B2 (en) 2012-12-31 2016-05-31 Abbott Diabetes Care Inc. Glycemic risk determination based on variability of glucose levels
US10383580B2 (en) 2012-12-31 2019-08-20 Abbott Diabetes Care Inc. Analysis of glucose median, variability, and hypoglycemia risk for therapy guidance
US9227014B2 (en) 2013-02-07 2016-01-05 The Board Of Trustees Of The Laland Stanford Junior University Kalman filter based on-off switch for insulin pump
US10102344B2 (en) * 2013-03-14 2018-10-16 Roche Diabetes Care, Inc. System and methods for analyzing blood glucose data and quantifying the success or failure of insulin therapy
CA2929950C (en) 2013-11-14 2019-01-15 Regents Of The University Of California Glucose rate increase detector: a meal detection module for the health monitoring system
US10722650B2 (en) 2014-03-28 2020-07-28 Roche Diabetes Care, Inc. System and method for adjusting therapy based on risk associated with a glucose state

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102763109A (zh) * 2010-02-23 2012-10-31 霍夫曼-拉罗奇有限公司 用于将治疗指南提供给患有糖尿病的人的方法和***
US20130158504A1 (en) * 2011-12-16 2013-06-20 Timothy L. Ruchti System for monitoring and delivering medication to a patient and method of using the same to minimize the risks associated with automated therapy
CN104755019A (zh) * 2012-10-30 2015-07-01 德克斯康公司 提供敏感且特定的警报的***和方法
WO2015044110A1 (en) * 2013-09-27 2015-04-02 Roche Diagnostics Gmbh High/low blood glucose risk assessment systems and methods
WO2015183689A1 (en) * 2014-05-30 2015-12-03 Roche Diabetes Care, Inc. Hazard based assessment patterns
CN105023026A (zh) * 2015-08-18 2015-11-04 苏州大学张家港工业技术研究院 一种基于非负矩阵分解的半监督聚类方法及***

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110379503A (zh) * 2019-07-30 2019-10-25 东北大学 一种基于连续血糖监测***的在线故障检测与诊断***
CN110379503B (zh) * 2019-07-30 2023-08-25 东北大学 一种基于连续血糖监测***的在线故障检测与诊断***
WO2021129230A1 (zh) * 2019-12-27 2021-07-01 中国科学院深圳先进技术研究院 一种血糖波动评价方法和评价装置
CN116089504A (zh) * 2023-04-10 2023-05-09 北京宽客进化科技有限公司 一种关系型表格数据生成方法和***

Also Published As

Publication number Publication date
EP3423969A1 (en) 2019-01-09
WO2017151369A1 (en) 2017-09-08
US20170251980A1 (en) 2017-09-07
US10575790B2 (en) 2020-03-03
CA3016149A1 (en) 2017-09-08

Similar Documents

Publication Publication Date Title
US10667759B2 (en) Automatic recognition of known patterns in physiological measurement data
US20200258632A1 (en) Hazard based assessment patterns
US20220280122A1 (en) Analysis of glucose median, variability, and hypoglycemia risk for therapy guidance
CN109416936A (zh) 具有无监督的日常cgm图谱（或胰岛素图谱）的聚类的患者糖尿病监测***以及其方法
US8774889B2 (en) Patient monitoring system with efficient pattern matching algorithm
CN103959291B (zh) 基于具有自适应选择的核和正则化参数的正则化网络的葡萄糖预测器
CN114207737A (zh) 用于生物监测和血糖预测的***及相关联方法
EP2654563B1 (en) Automatic recognition of known patterns in physiological measurement data
CN110786865A (zh) 使用个性化直方图来控制血液葡萄糖的***及方法
US11998321B2 (en) System and a method for automatically managing continuous glucose monitoring measurements indicative of glucose level in a bodily fluid
US20230329650A1 (en) Medical monitoring systems and methods
US8428965B2 (en) System for clinical research and clinical management of cardiovascular risk using ambulatory blood pressure monitoring and actigraphy
Srinivasan et al. A human-in-the-loop segmented mixed-effects modeling method for analyzing wearables data
US20220361823A1 (en) Wearable blood pressure biosensors, systems and methods for short-term blood pressure prediction
Maria et al. Stress prediction using enhanced feature selection and knn model
US20220230751A1 (en) Decision support system, and method in relation thereto
Pattnayak et al. The Tracking System for E-Healthcare Employs IoT and Machine Learning Techniques
MEDIANI et al. Non-Invasiveglucosemonitoringsystemforearlydetectiondiabetesbasedonmachinelearningapproaches

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40000217

Country of ref document: HK