CN114207737A - 用于生物监测和血糖预测的***及相关联方法 - Google Patents

用于生物监测和血糖预测的***及相关联方法 Download PDF

Info

Publication number
CN114207737A
CN114207737A CN202080055684.9A CN202080055684A CN114207737A CN 114207737 A CN114207737 A CN 114207737A CN 202080055684 A CN202080055684 A CN 202080055684A CN 114207737 A CN114207737 A CN 114207737A
Authority
CN
China
Prior art keywords
data
blood glucose
patient
machine learning
prediction
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
CN202080055684.9A
Other languages
English (en)
Inventor
伊多·韦克勒
丹尼尔·R·戈德纳
杰弗里·达基
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.)
Smart Data Systems D / B / A Yidi Co
Original Assignee
Smart Data Systems D / B / A Yidi Co
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 Smart Data Systems D / B / A Yidi Co filed Critical Smart Data Systems D / B / A Yidi Co
Publication of CN114207737A publication Critical patent/CN114207737A/zh
Pending legal-status Critical Current

Links

Images

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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0004—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by the type of physiological signal transmitted
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1118—Determining activity level
    • 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
    • A61B5/4848—Monitoring or testing the effects of treatment, e.g. of medication
    • 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
    • A61B5/4866—Evaluating metabolism
    • 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
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
    • A61B5/7435—Displaying user selection data, e.g. icons in a graphical user interface
    • 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
    • A61B5/7475—User input or interface means, e.g. keyboard, pointing device, joystick
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Emergency Medicine (AREA)
  • Optics & Photonics (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Obesity (AREA)
  • Fuzzy Systems (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)

Abstract

本文公开了用于生物监测和个性化医疗保健的***和方法。在一些实施例中，提供了一种用于预测患者血糖状态的计算机实现方法。该方法包括：接收患者的血糖数据；通过将血糖数据输入到第一组机器学习模型中，生成至少一个血糖状态的初始预计；至少部分地从该至少一个初始预计确定多个特征；并且通过将该多个特征输入到第二组机器学习模型中来生成血糖状态的最终预计。

Description

用于生物监测和血糖预测的***及相关联方法
相关申请交叉引用
本申请要求2019年5月31日提交的题为“连续血糖检测”的美国临时专利申请No.62/885,194和2020年2月26日提交的题为“低血糖预计”的美国临时专利申请No.62/981,914的权益，通过引用其整体并入本文。
本申请涉及于2019年9月3日提交的题为“预测血糖浓度”的美国专利申请No.16/558,558，通过引用其整体并入本文。
技术领域
本技术总体上涉及个性化医疗保健，尤其涉及用于生物监测和预测患者血糖状态的***和方法。
背景技术
糖尿病(DM)是一组代谢紊乱，其特征在于长期存在高血糖水平。这种病症的典型症状包括尿频，口渴加剧，饥饿感加剧等。如果不予治疗，糖尿病会引发许多并发症。糖尿病主要有三种类型：1型糖尿病，2型糖尿病，和妊娠糖尿病。1型糖尿病是由于胰腺无法产生足够的胰岛素所致。在2型糖尿病中，细胞无法正确响应胰岛素。当先前无糖尿病病史的孕妇出现高血糖水平时，就会发生妊娠糖尿病。
糖尿病影响世界人口的很大一部分。及时和正确的诊断和治疗对于患有糖尿病的个体保持相对健康的生活方式至关重要。治疗的应用通常依赖于对个体在当前时间和/或未来的血液中葡萄糖浓度的准确确定。然而，传统的血糖监测***可能无法提供实时分析，个性化分析，或血糖浓度预测，或者可能无法以快速，可靠，和准确的方式提供此类信息。因此，需要用于生物监测和/或提供个性化医疗保健建议或信息以治疗糖尿病和相关联病症的改进***和方法。
附图说明
图1是根据本技术的实施例的示例性计算环境的示意图，生物监测和预测***在该计算环境中运行。
图2是示出根据本技术的实施例的用于准备在生物监测和预测中使用的血糖数据的方法的流程图。
图3是示出根据本技术的实施例的用于预测患者的血糖状态的方法的框图。
图4是示出根据本技术的实施例配置的用于血糖预测的机器学习架构的示意框图。
图5是说明根据本技术的实施例的用于预测夜间低血糖事件的方法的框图。
图6A-6I示出了根据本技术的实施例配置的多种图形用户界面。
图7是根据本技术的实施例配置的计算***或设备的示意框图。
图8是示出所选个体夜间低血糖的每夜概率的示例性序列的图形。
具体实施方式
本技术总体上涉及用于生物监测和提供个性化医疗保健的***和方法。在一些实施例中，本文的***和方法被配置为预测或预计未来时间点或时间段患者健康的多个方面，例如血糖状态(例如，血糖水平，低血糖或高血糖事件的可能性等)。例如，用于预测或预计患者血糖状态的计算机实现方法可以包括接收患者的血糖数据(例如，来自连续血糖监测(CGM)设备的多个血糖测量值)。血糖数据可以与至少一个事件(例如，胰岛素摄入，进餐摄入，身体活动等)相关。该方法可以包括通过将血糖数据输入到第一组机器学习模型中来生成血糖状态的至少一个初始预计。该方法还可以包括从该至少一个初始预计，并且可选地从其他患者数据(例如，血糖数据，先前的血糖数据，个人数据等)确定多个特征。该方法还可以包括通过将该多个特征输入到第二组机器学习模型中来生成血糖状态的最终预测。即使在该患者的数据有限，不规则，和/或不完整的情况下，本文描述的***和方法也可以快速且准确地预测患者的未来血糖状态。因此，本技术可用于实时提供个性化通知，反馈，和/或建议以改善患有糖尿病和有关病症的患者的健康结果。
技术概述
人体内血糖水平的振荡是复杂机制的自然结果，其主要影响可能是由于消耗的食物(尤其是碳水化合物)与调节体内碳水化合物，脂肪，和蛋白质代谢的胰岛素之间的平衡变化。尽管这种平衡和其他因素的影响对每个个体来说可能是独一无二的，但个体之间的共通生物学，身体，和社会学模式使得观察血糖水平的变化对于评估其他人的预期变化很有价值。
随着血糖水平的波动可能发生的两种特殊病症是高血糖和低血糖。高血糖(hyperglycemia或high blood glucose)是一种过量的葡萄糖在血浆中循环的病症。这通常是高于180mg/dL的血糖水平。低血糖(hypoglycemia或low blood glucose)是一种血糖水平降低至正常水平之下的病症。大多数人在他们的血糖水平为70mg/dL或更低时会感受到低血糖症状。症状通常包括饥饿，颤抖，焦虑，出汗，皮肤苍白，心跳加快或不规律，嗜睡，头晕，脾气暴躁，笨拙等。如果未被治疗，症状会变得更糟，可能包括意识模糊，说话困难，视力模糊，昏倒，意识丧失，癫痫发作，甚至死亡。低血糖最常见于可能有药物，食物，运动等问题的糖尿病患者。有糖尿病的人也可能因他们的病症服用药物(例如胰岛素，磺脲类药物等)而经历低血糖事件。然而，即使没有糖尿病的人也可能经历低血糖。
因此，本技术可包括方法，***，制品等，其除其他可能的优点外，可提供重铸和解释与患者有关的血糖数据和其他数据的方式，其可包括由连续血糖监测产生的数据，目的是在预定时间段内(例如，在接下来的15分钟，30分钟，60分钟，90分钟，2小时，4小时，或夜间内)预计血糖水平和/或高血糖事件或低血糖事件(或任何其他事件)的发生。
在一些实施例中，本技术涉及一种计算机实现的***，方法，和/或计算机程序产品，其可以被配置为在任何时刻预测直至某个时间点个体未来血糖水平的值，此外，预测某个时间段内血糖浓度升高和/或下降(例如，超过某个阈值)的概率(例如，以确定是否可能发生低血糖，高血糖，和/或任何其他医疗病症)。
在一些实施例中，本技术可能依赖于以下事实：多种复杂的机制可以确定用户身体中的血糖水平，并且因此可以实现一个或多个合适的模型，该模型接收，归纳，和/或以其他方式处理此类机制所涉及的信息。在一些实施例中，一旦该模型被确定，本技术就可以生成预计而无需不断地获取血糖水平和/或无需了解其他个体的当前血糖水平。
在一些实施例中，本技术提供了用于执行诸如血糖数据和/或与患者有关的其他数据的输入数据的这种确定，预测，和/或解释的计算***和/或框架。输入数据可以包括以下至少之一：患者的当前和/或先前的血糖测量数据，其他患者的当前和/或先前的血糖测量数据(例如，数据可以被适当地匿名化)，从连续监测血糖浓度产生的数据，和/或任何其他与血糖浓度有关的数据，进餐特性数据(例如，进餐数量，进餐时间，进餐时间所消耗的碳水化合物克数(无论当前和/或过去))，血压数据，睡眠模式数据，心率数据，身体活动数据(例如锻炼时间，活动类型(例如步行，跑步等)，患者的当前和/或先前体重数据，当前和/或先前的a1c数据值，与患者有关的个人数据和/或病史数据(例如，糖尿病类型，家族史，患者健康史，诊断，血压，年龄，性别，人口统计等)，以及与其他患者有关的类似类型的数据。上述数据中的一个或多个可以实时地，连续地，在预定时间段，周期性地(例如，在某些预设时间段，例如每5分钟，每小时等)被收集。可以在执行本文描述的方法的某些过程时查询该数据。
在一些实施例中，本文中的***可以被配置成基于对血糖浓度正在被预测的个体或患者的一个或多个过去观察，以及连同从众多个人报告的其他信息，和/或连续监测数据，和/或它们的任何组合一起的血糖浓度的一个或多个观察来预计预期血糖水平或浓度。预计血糖浓度时考虑的数据可以包括个人数据，例如性别和诊断年份，历史血糖数据，和/或任何其他自我报告的健康有关的数据，包括食物，药物，锻炼，和/或任何其他数据，和/或其任何组合。
如上所述，当前技术还可以结合从CGM设备或组件收集的数据，该设备或组件可以使用多种时间间隔(例如，每5分钟)连续提供(例如，确定和/或传输)血糖浓度数据。间隔可以是预定的，任意的，基于针对用户和/或病症的特定监测时间表而预设的，和/或以任何其他方式确定的。
在一些实施例中，例如，当前技术可以被配置为生成以下类型的预计中的一种或多种，其可以结合CGM数据作为预计模型的输入：
·以固定间隔(例如，提前60分钟)预计直至某个时间的个人血糖水平；
·预计个人在未来限定的时间范围(time frame)内(例如，在接下来的60分钟内，或在从现在起30-90分钟的间隔内)将经历高血糖(例如，血糖水平高于180mg/dL)的概率；和/或
·预计个人在未来限定的时间范围内将经历低血糖(例如，血糖水平低于70mg/dL)的概率。
本文描述的用于连续葡萄糖监测和预测的技术可以直接和/或间接地向被监测的个体提供实时反馈，并且因此允许在个体健康情况的日常管理中做出有根据的(educated)决策。
下文将参考附图更全面地描述本技术的实施例，在附图中相同的数字在多幅图中代表相同的元件，并且其中示出了示例性实施例。然而，权利要求的实施例可以以许多不同的形式体现并且不应被解释为限制于本文阐述的实施例。本文阐述的示例是非限制性示例并且仅仅是其他可能示例中的示例。
本文提供的标题仅为方便起见，并不解释要求保护的本技术的范围或含义。
用于生物监测和血糖预测的***和方法
图1是根据本技术的实施例的示例性计算环境100的示意图，生物监测和预测***102(“***102”)在该环境中运行。如图1所示，***102经由网络108可操作地耦合到一个或多个用户设备104。***102还可操作地耦合到至少一个数据库或存储组件106(“数据库106”)。***102可以被配置为监测和预计患者的血糖状态，如下文更详细描述的。血糖状态可以是与患者血糖相关联或以其他方式与患者血糖有关的任何状况，病症，参数等。例如，血糖状态可以包括患者的血糖水平，患者是否是低血糖，患者是否是高血糖等。在一些实施例中，***102接收输入数据(例如，血糖数据和/或其他数据)并对所输入的数据执行监测，处理，分析，预测，解释等，以生成对患者血糖状态的预计。***102还可以被配置为基于所预计的血糖状态向患者输出通知，建议，和/或其他信息。
***102可以包括处理器，存储器，和/或其他软件和/或硬件组件，其被配置为实现本文描述的多种方法。例如，***102可以是或包括具有基于CGM数据预计患者血糖水平的CGM组件的预测和/或分析引擎。可选地，预测和/或分析引擎还可以包括低血糖事件预计组件，其预计患者是否可能经历夜间低血糖事件，如下文更详细讨论的。
在一些实施例中，***102从一个或多个用户设备104接收输入数据。用户设备104可以是与患者或其他用户相关联的任何设备，并且可以用于获取血糖数据和/或任何与患者和/或任何其他用户或患者(例如，适当匿名的患者数据)有关的其他有关输入数据(例如，健康数据，食物数据，药物数据，身体活动数据等)。在示出的实施例中，例如，用户设备104包括至少一个血糖传感器104a，至少一个移动设备104b(例如，智能电话或平板计算机)，并且可选地，至少一个可穿戴设备104c(例如，智能手表)。然而，在其他实施例中，可以省略设备104a-c中的一个或多个和/或可以包括其他类型的用户设备(例如，计算设备诸如个人计算机，膝上型计算机等；生物监测设备诸如血压传感器，心率传感器，睡眠追踪器，温度传感器等)。此外，虽然图1示出血糖传感器104a与其他用户设备104分离，但在其他实施例中，血糖传感器104a可以被并入另一用户设备104中。
血糖传感器104a可以包括能够从患者获取血糖数据的任何设备，例如植入式传感器，非植入式传感器，侵入式传感器，微创传感器，非侵入式传感器，可穿戴传感器等。血糖传感器104a可以被配置为从患者获取样本(例如，血液样本)并且确定样本中的葡萄糖水平。可以使用用于获取患者样品和/或确定样品中的葡萄糖水平的任何合适的技术。在一些实施例中，例如，血糖传感器104a可以被配置为检测物质(例如，表示葡萄糖水平的物质)，测量葡萄糖浓度，和/或测量表示葡萄糖浓度的另一种物质。血糖传感器104a可以被配置为分析例如体液(例如，血液，间质液，汗液等)，组织(例如，身体结构的光学特性，解剖特征，皮肤，或身体体液)，和/或生命体征(例如，心率，血压等)以定期或连续获取血糖数据。可选地，血糖传感器104a可以包括其他能力，例如处理，传输，接收，和/或其他计算能力。
血糖传感器104a可以包括多种类型的传感器，例如化学传感器，电化学传感器，光学传感器(例如，光学酶传感器，光化学传感器，基于荧光的传感器等)，分光光度计传感器，光谱传感器，偏振传感器，量热传感器，离子电渗传感器，辐射传感器等，以及它们的组合。在一些实施例中，血糖传感器104a包括至少一个以预定时间间隔测量患者血糖水平的CGM设备或传感器。例如，CGM设备可以每分钟，2分钟，5分钟，10分钟，15分钟，20分钟，30分钟，60分钟，2小时等获取至少一次血糖测量。在一些实施例中，时间间隔在5分钟到10分钟的范围内。
可选地，血糖传感器104a或另一个用户设备104可以被配置为获取与多个过去的血糖测量值相关联的多个测量值，统计，和/或转换。例如，可以获取对过去数量(例如，24)的血糖测量值(例如，过去2小时)的二次拟合(例如，截距，一阶系数，二阶系数)。可以通过线性或三次拟合来选择对过去数量的血糖测量值的二次拟合，以实现最高的预测准确性。作为另一个示例，可以获取过去血糖测量值(例如，过去24小时，过去所有测量值等)的平均值和/或标准偏差。
用户设备104还可以包括一个或多个设备，其允许输入额外类型的数据，例如进餐或营养数据(例如，进餐数量；进餐时间；卡路里数量；碳水化合物，脂肪，糖等的量)，病史或健康数据(例如，体重，年龄，睡眠模式，医疗病症，胆固醇水平，糖尿病类型，家族史，患者健康史，诊断，血压等)，身体活动或运动数据(例如，活动的时间和/或持续时间；活动类型，例如步行，跑步，游泳；活动的剧烈程度，例如低，中，高；等)，个人数据(例如，姓名，性别，人口统计，社交网络信息等)，药物数据(例如，药物诸如胰岛素的注射时间(timing)和/或剂量)，和/或任何其他数据，和/或它们的任何组合。
在一些实施例中，一个或多个用户设备104可以被配置为获取患者的其他生理数据，例如心血管数据，呼吸数据，体温数据(例如，皮肤温度数据)，睡眠数据，压力水平数据(例如，皮质醇和/或压力水平的其他化学指标)，a1c数据，生物标志物数据(例如，对于其他疾病或病症)，和/或任何其他合适的生理参数的数据。例如，心血管数据可以包括与患者的心血管健康有关的任何生理参数，例如血压数据，心率数据，心律失常事件数据(如果有的话)，起搏器数据等。在一些实施例中，心血管数据可以是“最近的”数据，例如在最后一分钟，2分钟，5分钟，10分钟，15分钟，20分钟，30分钟，60分钟，2小时等内取得的数据。例如，血压数据可以包括患者最近的收缩压和/或舒张压测量值。作为非限制性示例，最近的收缩压测量值可以比其他类型的血压测量值(例如，最近的舒张压，平均收缩压等)更能提高预测准确性。
作为另一个示例，睡眠数据可以包括与患者的睡眠***均睡眠小时数，睡眠小时数的变化性，睡眠-觉醒周期数据，与睡眠呼吸暂停事件有关的数据(如果有)，睡眠碎片(例如，睡眠片段之间清醒的部分夜晚小时数等)，患者在一个或多个先前夜晚睡眠时低血糖浓度的频率(例如，<70mg/dL)等。例如，前一晚或几晚的睡眠数据可配置为提高预测准确性，并可用于确定睡眠小时统计，其中可能包括夜间低血糖的先前频率。睡眠数据还可用于识别“就寝时间”(例如，每晚睡眠的开始)，例如，以便识别可用于测试和/或训练的预测时间和/或实际夜间低血糖事件，如所讨论的以下。在一些实施例中，睡眠数据专门用于夜间低血糖预计，如下文进一步描述的。
在一些实施例中，一些或所有用户设备104被配置为在特定时间段(例如，数小时，数天，数周，数月，数年)内从患者连续获取任何上述数据(包括血糖浓度，健康数据等)。例如，可以以预定时间间隔(例如，每分钟，2分钟，5分钟，10分钟，15分钟，20分钟，30分钟，60分钟，2小时等)，随机时间间隔，或它们的组合获取数据。与进行预测或预计的时间段(例如，未来1至2小时)相比，用于数据收集的时间间隔可能相对较短。用于数据收集的时间间隔可由患者，另一用户(例如，医生)，***102，或用户设备104本身(例如，作为自动数据收集程序的一部分)设置。用户设备104可以自动或半自动地(例如，通过在特定时间自动提示患者以提供这样的数据)，或从患者的手动输入(例如，没有来自用户设备104的提示)获取数据。可以以预定时间间隔(例如，每分钟，2分钟，5分钟，10分钟，15分钟，20分钟，30分钟，60分钟，2小时等)，连续地，实时地，在接收查询时，手动地，自动地(例如，在检测到新数据时)，半自动地等向***102提供连续数据。用户设备104获取数据的时间间隔可以与用户设备104向***102传输数据的时间间隔相同也可以不相同。
用户设备104可以通过多种方式获取以上数据中的任一个，例如使用以下组件中的一个或多个：麦克风(分离的麦克风或嵌入在设备中的麦克风)，扬声器，屏幕(例如，使用触摸屏，触控笔，和/或以任何其他方式)，键盘，鼠标，相机，摄像机，电话，智能电话，平板计算机，个人计算机，膝上型计算机，传感器(例如，包括在用户设备104中或可操作地耦合到用户设备104的传感器)，和/或任何其他设备。用户设备104获取的数据可以包括元数据，结构化内容数据，非结构化内容数据，嵌入数据，嵌套数据，硬盘数据，存储卡数据，蜂窝电话存储数据，智能电话存储数据，主存储图像和/或数据，取证容器，压缩文件，文件，存储图像，和/或任何其他数据/信息。数据可以是多种格式，例如文本，数字，字母数字，分层排列的数据，表格数据，电子邮件消息，文本文件，视频，音频，图形等。可选地，如下文更详细描述的那样，在用于分析和/或预测之前可以过滤，平滑，增强，注释，或以其他方式处理(例如，由用户设备104和/或***102)任何上述数据中。
在一些实施例中，一个或多个用户设备104可以从一个或多个数据库(例如，数据库106，第三方数据库等)查询任何上述数据。用户设备104可以生成查询并将该查询传输到***102，其可以确定哪个数据库可能包含必要信息，然后与该数据库连接以执行查询并获得适当的信息。在其他实施例中，用户设备104可以直接从第三方数据库接收数据并将所接收到的数据传输到***102，或者可以指示第三方数据库将数据传输到***102。在一些实施例中，***102可以包括多种应用程序编程接口(API)和/或通信接口，它们可以允许用户设备104，数据库，和/或任何其他组件之间的接合。
可选地，***102还可以从多种第三方来源获取任何上述数据，例如，在有或没有由用户设备104发起的查询的情况下。在一些实施例中，***102可以通信地耦合到多种公共和/或私有数据库，该公共和/或私有数据库可以存储多种信息，例如普查(census)信息，健康统计(例如，适当地匿名化)，人口统计信息，人口信息，和/或任何其他信息。例如，***102可以获取关于***102的多个用户(例如，不识别这些用户)的血糖水平和/或血糖水平的预测，与这些用户有关的营养数据，运动数据，社交网络信息，和/或任何其他信息，和/或其任何组合，如下文更详细描述的。另外，***102还可以执行查询或其他命令以从用户设备104获取数据和/或访问存储在数据库106中的数据。数据可以包括与特定患者和/或多个患者或其他用户有关的数据(例如，历史血糖浓度水平，血糖测量的既往分析，健康历史数据，医疗病症历史数据，运动历史数据，营养数据等)，如本文所述。
数据库106可以用于存储由***102获取和/或使用的多种类型的数据。例如，任何上述数据都可以存储在数据库106中。数据库106还可以用于存储***102生成的数据，例如***102产生的先前预计或预测。在一些实施例中，数据库106包括多个用户的数据，例如多个患者(例如，至少50，100，200，500，1000，2000，3000，4000，5000，或10,000名不同的患者)。数据可被适当地匿名化，以确保符合多种隐私标准。数据库106可以用多种格式存储信息，例如表格格式，列-行格式，键-值格式等(例如，每个键可以表示与用户相关联的多种属性，并且每个对应的值可以表示属性的值(例如，测量，时间等))。在一些实施例中，数据库106可以存储可以通过***102和/或用户设备104生成的查询访问的多个表格。这些表格可以存储不同类型的信息(例如，一个表格可以存储血糖测量数据，另一个表格可以存储用户健康数据等)，其中一个表格可以作为更新另一个表格的结果被更新。
例如，下面的表1示出了可以提供给***102和/或存储在数据库106中的示例性健康和/或行为数据。表1中的数据可以由一个或多个用户设备104生成，如前所述。表1中的每个条目都标有一个用户ID，并包括一个时间戳，表示获取数据的时间，数据类型，和数据值。
表1.健康和行为患者数据
Figure BDA0003495395520000111
Figure BDA0003495395520000121
作为另一个示例，下面的表2示出了可以提供给***102和/或存储在数据库106中的示例性个人数据。表1中的数据可以由一个或多个用户设备104生成，如前所述。表2中的每个条目都标有一个用户ID，并包括该特定患者的个人信息，例如患者所在的时区，患者患有的糖尿病类型，患者首次被录入(enrolled)***102的日期，患者被诊断患有糖尿病的年份，以及患者的性别。
表2.个人数据
Figure BDA0003495395520000122
在一些实施例中，一个或多个用户可以经由用户设备104访问***102，例如以向***102发送数据(例如，血糖数据，其他患者数据)，从***102接收数据(例如，血糖预测)等。用户可以是个人用户(例如，患者，医疗保健专业人员等)，计算设备，软件应用，对象，功能，和/或任何其他类型的用户，和/或其任何组合。例如，一旦获取适当的数据(例如，如上所述的血糖数据，健康数据等)，用户设备104可以向***102生成指令和/或命令，例如处理所获取的数据，将数据存储于数据库106中，从一个或多个数据库中提取附加数据，和/或执行数据分析。指令/命令可以是查询，函数调用，和/或任何其他类型的指令/命令的形式。在一些实施方式中，可以使用麦克风(分离的麦克风或嵌入在用户设备104中的麦克风)，扬声器，屏幕(例如，使用触摸屏，触控笔，和/或以任何其他方式)，键盘，鼠标，相机，摄像机，电话，智能电话，平板计算机，个人计算机，膝上型计算机，和/或使用任何其他设备提供指令/命令。用户设备104还可以指示***102对存储在数据库106中和/或经由用户设备104输入的数据执行分析。
如下文进一步讨论的，***102可以分析所获取的数据，包括过去的数据，连续提供的数据，和/或任何其他数据(例如，使用统计分析，机器学***，低血糖事件，高血糖事件)。可选地，***102还可以提供与所获取的数据和/或预测的血糖状态有关的解释，建议，通知，或其他信息。***102可以以任何合适的频率和/或任何合适的次数(例如，一次，多次，连续等)执行此类分析。例如，当更新的数据被提供给***102时(例如，从用户设备104)，如果合适，***102可以重新评估并更新其先前的预计。在执行其分析时，***102还可以生成附加查询以获取更多信息(例如，来自用户设备104，数据库106，或第三方来源)。在一些实施例中，用户设备104可以自动地向***102提供此类信息。更新/附加信息的接收可自动触发***102以执行用于重新分析，重新评估，或以其他方式更新先前预计的过程。
例如，如下文更详细描述的，***102可以被提供以下类型的输入数据中的至少一种以用于执行分析：从以预定时间间隔(例如，每5到10分钟一次)测量和报告患者血糖水平的一个或多个CGM设备中记录的数据，表示患者胰岛素摄入的数据(例如，由患者通过移动设备104b输入)，表示患者进餐的数据(例如，由患者经由移动设备104b输入)，和/或表示患者身体活动的数据(例如，由可穿戴设备104c记录)。然而，在其他实施例中，可以向***102提供和/或由***102使用任何其他数据，例如本文描述的任何数据。
在一些实施例中，***102被配置为使用一个或多个机器学***滑估计)，基于实例的算法(例如，k-最近邻，学***均单依赖估计，贝叶斯信念网络，贝叶斯网络)，聚类算法(例如，k-均值(k-means)，k-中值(k-median)，期望最大化，层次聚类)，关联规则学***滑，自回归模型，具有外生输入的自回归(ARX)模型)，自回归移动平均(ARMA)模型，具有外生输入的自回归移动平均(ARMAX)模型，整合移动平均自回归(ARIMA)模型，自回归条件异方差(ARCH)模型)，和集成算法(例如，提升法(boosting)，自举汇聚法(bootstrapped aggregation)，AdaBoost，blending方法，stacking方法，梯度提升机，梯度提升树，随机森林))。适合与本文的预测技术一起使用的机器学习模型的附加示例在下面进一步被讨论。
虽然图1示出了单组用户设备104，但是应当理解，***102可以可操作地且可通信地耦合到多组用户设备，每组与特定患者或用户相关联。因此，***102可以被配置为在延长的时间段(例如，数周，数月，数年)内接收和分析来自大量患者(例如，至少50，100，200，500，1000，2000，3000，4000，5000，或10,000个不同患者)的数据。来自这些患者的数据可用于训练和/或改进由***102实现的一个或多个机器学习模型，如下所述。
***102和用户设备104可以经由网络108彼此可操作地和通信地耦合。网络108可以是或包括一个或多个通信网络，并且可以包括以下中的至少一种：有线网络，无线网络，城域网(“MAN”)，局域网(“LAN”)，广域网(“WAN”)，虚拟局域网(“VLAN”)，互联网，外联网，内联网，和/或任何其他类型的网络，和/或其任何组合。此外，虽然图1将***102示为在没有网络108的情况下直接连接到数据库106，在其他实施例中，但是***102可以经由网络108间接连接到数据库106。而且，在其他实施例中，一个或多个用户设备104可以被配置为直接与***102和/或数据库106通信，而不是经由网络108与这些组件通信。
图1中示出的多种组件102-108可以包括硬件和/或软件的任何合适的组合。在一些实施例中，组件102-108可以布置在一个或多个计算设备上，例如服务器，数据库，个人计算机，膝上型计算机，蜂窝电话，智能电话，平板计算机，和/或任何其他计算设备，和/或其任何组合。在一些实施例中，组件102-108可以布置在单个计算设备上和/或可以是单个通信网络的一部分。或者，组件可以位于不同的和分离的计算设备上。
图2是示出根据本技术的实施例的用于准备在生物监测和预测中使用的血糖数据的方法200的流程图。方法200可以由本文描述的任何***和设备来执行。例如，方法200的一些或所有步骤可以由图1的***102和/或用户设备104执行。在一些实施例中，方法200由计算***或设备执行，该计算***或设备包括一个或多个处理器和存储指令的存储器，当由一个或多个处理器执行时，这些指令使计算***或设备执行本文描述的一个或多个步骤。可以执行方法200以便用与本文描述的血糖分析和/或预测技术有关的信息来增强(augment)患者的血糖数据。
方法200开始于步骤210，接收血糖数据。可以从用户设备(例如CGM设备或其他血糖传感器(例如，图1的血糖传感器104a))接收血糖数据。如前所述，血糖数据可以是包括在相对特定的时间间隔(例如，每5-10分钟一次)进行的多个血糖测量的CGM数据。可以在任何合适的时间段内(例如15分钟，30分钟，45分钟，1小时，2小时，5小时，10小时，12小时，24小时，36小时，或48小时，或更长时间)进行血糖测量。
在步骤220，处理血糖数据。处理可以包括，例如，将数据划分为一个或多个基本上不间断的血糖测量系列，在本文中也称为“片段(episodes)”。如果，例如，测量中间隙的数量，大小，和/或频率足够小(例如，低于预定阈值)，则可以认为一系列血糖测量基本上是不间断的。例如，基本不间断的系列测量可能不包括任何大于或等于读数之间正常时间间隔2倍的间隙(例如，如果通常每5分钟进行一次测量，则测量之间没有10分钟或更长时间的间隙)。
步骤220还可以包括丢弃短于预定最小时间段的片段，例如，由于潜在的可靠性问题。最小时间段可以是例如15分钟，30分钟，45分钟，60分钟，90分钟，或2小时。在一些实施例中，步骤220还包括平滑血糖数据，例如以降低波动性，去除噪声，和/或去除错误数据。可以使用过滤算法或本领域技术人员已知的任何其他合适的算法来执行平滑。
在步骤230，接收事件数据。事件数据可以包括除可能与患者血糖状态有关的血糖数据之外的任何数据。事件数据可以与患者在特定时间点和/或特定时间段内经历的健康有关的事件相关联。因此，事件数据可以包括关于事件发生时间的数据(例如，时间戳，持续时间)，以及表示可能影响患者血糖水平的事件参数的其他数据。例如，事件数据可以包括胰岛素摄入数据(例如，基础和/或加量(bolus)剂量)，食物摄入(例如，食物类型，消耗的卡路里，消耗的碳水化合物)，和/或身体活动数据(例如，活动类型，活动持续时间，活动水平，燃烧的卡路里)。事件数据还可以包括其他生理参数和/或生物标志物的数据，例如血压数据，睡眠数据，心率数据，皮肤温度数据，压力水平(例如皮质醇)或其他病症的化学指标数据等。
在一些实施例中，事件数据由患者操作或以其他方式与患者相关联的设备(例如，移动设备104b，可穿戴设备104c，和/或图1的任何其他用户设备104)接收。该设备可以是用于生成血糖数据的相同设备，也可以是不同的设备。事件数据可以由设备自动生成和/或可以由患者手动输入到设备中。事件数据可以在血糖数据之前，之后，和/或与血糖数据同时被接收。
在步骤240，将血糖数据与事件数据相关。步骤240可以包括例如将血糖数据与事件数据组合和/或注释，从而可以参考血糖数据的发生时间来确定事件数据的发生时间。在一些实施例中，血糖数据和事件数据按发生时间顺序被组织并被组合成单个数据结构(例如，数据表格或矩阵)。已经与事件数据相关的血糖数据(在本文中也称为“增强片段”)然后可以被存储和/或用于本文描述的分析和预测技术中。
在一些实施例中，可以识别事件数据和血糖数据之间的一个或多个相关性。可以基于相关性来注释血糖数据。可以使用事件数据和血糖数据的子集。例如，与高于阈值的血糖水平变化相关联的事件数据可以在第一数据结构中，与低于阈值的血糖水平变化相关联的事件数据可以在第二数据结构中。还可以基于例如持续时间特性(例如，在预定时间段内影响血糖的事件)，血糖水平的特性(例如，导致血糖水平快速变化的事件)等来对事件数据进行分组。
图3是示出根据本技术的实施例的用于预测患者的血糖状态的方法300的框图。方法300可用于预计患者的血糖状态，例如血糖水平或浓度，低血糖事件的发生，和/或高血糖事件的发生。预计可以针对未来时间点(例如，在未来15分钟，30分钟，60分钟，90分钟，2小时，或4小时的时间点的血糖状态)，或针对未来时间段(例如，在接下来的15分钟，30分钟，60分钟，90分钟，2小时，4小时，或夜间的血糖状态)。例如，方法300可用于预计在一个或多个未来时间点的一个或多个血糖值，例如在特定的时间段(例如，接下来的30分钟，60分钟，90分钟，2小时，4小时，或夜间)内以某一时间间隔(例如，每2分钟，5分钟，10分钟，15分钟)所预测的血糖值。作为另一个示例，方法300可以用于预计针对特定的未来时间段患者的血糖水平是否可能降到低于特定阈值(例如，低血糖的阈值)，患者的血糖水平是否可能升到高于特定阈值(例如，高血糖阈值)，是否可能发生低血糖事件(例如，低，中，或高风险)，是否可能发生高血糖事件(例如，低，中，或高风险)，等等。
方法300开始于步骤310，接收输入数据。输入数据可以包括如本文所述的患者的任何合适的数据，例如血糖数据(例如，由CGM设备生成的连续血糖数据)，胰岛素摄入数据，食物摄入数据，身体活动数据等。在一些实施例中，输入数据包括血糖数据的一个或多个片段，其可以被处理(例如，平滑)和/或与至少如先前关于图2的方法200所描述的事件相关。可选地，输入数据可以仅包括血糖数据的单个片段(例如，患者的最近片段)，其可以被注释或以其他方式与一个或多个事件(例如，胰岛素摄入事件，食物摄入事件，身体活动事件等)相关。数据可以从多种来源获取，例如由用户输入，从一个或多个数据库查询，从CGM传感器或其他用户设备获取等。
在一些实施例中，输入数据还包括从患者的历史血糖水平和/或患者的其他历史数据(例如，历史事件数据)计算的平均值，标准偏差，最大值，最小值，和/或其他统计。可以计算这些统计以确定患者葡萄糖水平和/或其他活动或参数在一天中的特定时间的趋势，模式等，这在对特定时间点或时间段进行预计时很有用。例如，在对一天中的特定小时(例如，从下午4点到下午5点)进行血糖水平预计的实施例中，输入数据还可以包括基于患者先前记录的血糖数据(例如，截至当天的所有先前血糖数据)计算的一天中那个时间的患者血糖的平均值和/或标准偏差。
在步骤320，使用第一组机器学***均值等)。
第一组机器学习模型可以包括任何合适类型的机器学习模型，例如之前关于图1描述的一个或多个机器学习模型。每个机器学习模型都可以在各自的训练数据集上进行训练。在第一组机器学习模型包括多个机器学习模型的实施例中，可以在相同的训练数据上训练一些或所有模型，或者可以在不同的训练数据上训练一些或所有模型。训练数据可以包括例如来自同一患者的先前数据，例如先前的血糖数据(例如，当前片段之前的片段)，先前的胰岛素摄入数据，先前的食物摄入数据，先前的身体活动数据，个人数据，生理数据，和/或本文描述的任何其他类型的数据。替代地或组合地，训练数据可以包括来自其他患者的数据，例如血糖数据，胰岛素摄入数据，食物摄入数据，身体活动数据，个人数据，生理数据，和/或来自多个不同患者的任何其他合适的数据。在一些实施例中，训练数据是或包括已经与一个或多个事件相关和/或注释的血糖数据的片段，如先前关于图2的方法200所描述的。
由第一组机器学***，低血糖事件，高血糖事件，或其组合的预计。例如，初始预计可以包括在特定时间段在特定时间间隔(例如，接下来的1-2小时内每5分钟)的血糖值的时间序列。初始预计可以可选地包括每个预计血糖值的所计算的置信区间或其他不确定性指标。在第一组机器学***的平均范围，身体活动值(例如，时间)，碳水化合物消耗(例如，时间，量等)，血糖水平的导数，最大和/或最小血糖水平，血糖水平的标准偏差，心率值等。过滤可以基于用于预计的时间段之前的时间段中的所过滤的参数值(例如，该预计的时间段之前30分钟，60分钟，90分钟，2小时，或4小时)。
在步骤330，从初始预计确定一个或多个特征。特征可以包括初始预计的转换，组合，统计，或任何其他性质或特性。特征可以包括但不限于：特定时间段内的平均值，特定时间段内的标准偏差，趋势，拟合(例如多项式拟合)，与时间相关的特征(例如，事件的持续时间，事件之间经过的时间)，某些病症是真还是假(例如，是否发生了特殊事件)等等。例如，在初始预计包括所预计的血糖水平的时间序列的实施例中，从预计中提取的特征可以包括以下一项或多项：平均血糖水平，最大血糖水平，最小血糖水平，血糖水平的标准偏差，患者的血糖水平是高血糖或低血糖的时间量(例如，绝对或相对)等。
可选地，步骤330还可以包括从其他数据生成特征，例如来自步骤310的输入数据(例如，患者的一个或多个增强片段)。特征也可以从患者的其他数据生成，例如个人数据(例如，年龄，性别，人口统计，糖尿病类型)，先前的血糖数据，进餐数据，病史数据，运动数据，个人数据，药物数据，生理数据，或本文描述的任何其他数据类型。可以使用转换，组合，统计，和/或用于确定患者数据的性质或特性的任何其他合适的技术从数据生成特征。
在一些实施例中，可以通过将患者数据转换和集合成结构化矩阵来生成特征。可以使用的转换可以取决于数据的类型，如下所述。例如，静态的个人数据(例如性别，年龄，位置，糖尿病类型等)可以被转变为无序的分类值。作为另一个示例，特征可以包括以下中的至少一个：血糖水平的平均和/或标准偏差，患者经历或经历过的高血糖和/或低血糖的一部分时间，患者经历过的夜间低血糖事件的平均夜晚数(例如，在过去30天或其他时间段内)，患者每小时的平均身体活动(例如，在过去30天或其他时间段内)，对于一天中的特定小时(例如，当时已知的)血糖的平均值和/或标准偏差，患者每小时采用的平均胰岛素量，平均每日胰岛素摄入量，患者每小时消耗的平均碳水化合物量，在预定时间段(例如，1小时，6小时等)内观察到的血糖的平均最大范围，平均收缩压和/或舒张压(例如，在过去30天或其他时间段内)，平均心率，和/或任何其他数据，和/或其任何组合。特征可以包括针对预计时间段的时间相关参数，例如可以用作分类数据的季节性/周期性信息，例如但不限于日和/或年，一天中的小时(hour of day)，和/或星期几，和/或患者所在位置的工作日日历信息。此外，时间戳特征可以包括血糖值，所报告的胰岛素摄入，碳水化合物摄入，身体活动，a1c测量，体重测量，和/或任何其他特征，和/或它们的任何组合。对于血糖，可以在多种预定义的时间段内确定最后值，平均值，标准偏差，四分位数(quartiles)，和最后观察中的变化。对于其他输入，可以在多种预定义时间段内确定最后值，平均值，和最大值。
在步骤340，使用第二组机器学习模型生成至少一个最终预计。具体地，在步骤330确定的特征被输入到生成最终预计的第二组机器学习模型中。在一些实施例中，来自步骤330的特征是第二组机器学习模型的唯一输入。在其他实施例中，第二组机器学习模型还可以接收其他输入，例如步骤310的输入数据(例如，一个或多个增强片段)，步骤320中生成的初始预计，和/或患者的其他数据(例如，个人数据，先前的血糖数据，进餐数据，病史数据，运动数据，个人数据，药物数据，生理数据等)。
第二组机器学***均值等)以生成单个最终预计。第二组机器学习模型可以包括任何合适类型的机器学习模型，例如先前关于图1描述的一个或多个机器学习模型。每个机器学习模型都可以在各自的训练数据集上进行训练。在第二组机器学习模型包括多个机器学习模型的实施例中，可以在相同的训练数据上训练一些或所有模型，或者可以在不同的训练数据上训练一些或所有模型。训练数据可以包括例如来自患者的先前数据，例如先前的血糖数据(例如，当前片段之前的片段)，先前的胰岛素摄入数据，先前的食物摄入数据，先前的身体活动数据，和/或本文描述的任何其他类型的数据。替代地或组合地，训练数据可以包括来自其他患者的数据，例如血糖数据，胰岛素摄入数据，食物摄入数据，身体活动数据，和/或来自多个不同患者的任何其他数据。在一些实施例中，训练数据是或包括已用一个或多个事件注释的血糖数据，如上所述。
在一些实施例中，用于第二组机器学习模型的训练数据包括从该患者的数据和/或多个其他患者的数据生成的特征。所述特征可以包括先前关于步骤330描述的任何特征。例如，在一些实施例中，所述特征可以从多个患者数据集生成，每个患者数据集包括个人数据(例如，糖尿病类型)，血糖数据(例如，先前和/或当前片段)，胰岛素摄入数据，食物摄入数据，身体活动数据，和/或任何其他数据。每个患者数据集还可以包括使用机器学习模型(例如，第一组机器学习模型)生成的患者血糖预计。血糖预计可以是从先前血糖数据生成的回顾性预计。从这些预计生成的特征还可以用于训练第二组机器学习模型。
由第二组机器学***，低血糖事件，高血糖事件，或其组合的预计。例如，最终预计可以是在特定时间段和特定时间间隔(例如，在接下来的1-2小时每5分钟)内预计的一系列血糖值。作为另一个示例，最终预计可以是患者在特定时间段内(例如，接下来的15分钟，30分钟，60分钟，90分钟，2小时，4小时，或夜间)将经历低血糖或高血糖事件的被估计的可能性。低血糖或高血糖事件的可能性可以用多种方式表达，例如用定性术语(例如，“可能发生”对“不太可能发生”，“高风险”对“中风险”对“低风险”)，和/或用定量术语(例如，概率值)。可选地，可以过滤最终预计，例如以排除异常值，与输入数据不一致，和/或矛盾的预计值(例如，如先前关于步骤320所描述的)。
在步骤350，方法300可选地包括向患者输出通知。该通知可以由***输出以经由图形用户界面显示在用户设备(例如，图1的用户设备104)上，如下文更详细描述的。该通知可以包括关于血糖状态的最终预计的信息(例如，所预计的血糖水平，低血糖或高血糖所预计的可能性等)。在一些实施例中，通知包括关于患者响应于所预计的血糖状态可以采取的动作的建议或反馈，例如以控制血糖水平，避免高血糖或低血糖等。例如，通知可以指示患者服药，吃饭，运动，联系医疗保健专业人员等。可选地，可以将通知传输给与患者相关联的医生或其他医疗保健专业人员，例如，如果最终预计表示患者可能需要立即就医，如果患者的血糖水平持续过高或过低，或者如有应通知医生的任何其他情况。
方法300可以由本文描述的任何***和设备执行，例如包括一个或多个处理器和存储指令的存储器的计算***或设备，当由一个或多个处理器执行时，这些指令使计算***或设备执行本文描述的一个或多个步骤。例如，方法300的一些或所有步骤可以由图1的***102和/或用户设备104执行。在一些实施例中，生成初始和最终预计的过程比训练第一和第二组机器学习模型的过程使用更少的计算能力和资源。例如，可以使用相对少量的数据(例如，患者当前的血糖数据以及用于第一组和第二组机器学习模型的预计算参数)生成预计，而训练可能涉及非常大量的数据(例如，来自大量患者的数据)。因此，可以在***102上执行训练，而可以在远程位置(例如，经由云计算)，和/或在用户设备104和/或任何其他设备上本地进行预计。然而，在其他实施例中，训练和预测可以完全在***102上，完全在用户设备104上，或完全在另一个计算***或设备上执行。
图4是示意性地示出根据本技术的实施例配置的用于血糖预测的机器学习架构(“架构400”)的框图。架构400可以由本文描述的任何***和设备(例如图1的***102和/或用户设备104)跨软件和/或硬件组件实现。架构400包括三个不同的机器学习模型：个体化或患者特定模型410，群体模型420，和集合(aggregate)模型430。在一些实施例中，架构400用于执行用于预测患者的血糖状态的方法，例如图3的方法300。在这样的实施例中，患者特定模型410和群体模型420可以对应于方法300的第一组机器学习模型，而集合模型430可以对应于方法300的第二组机器学习模型。
患者特定模型410可以是机器学习模型，该模型在要对其进行预测的特定患者的数据(“患者特定训练数据412”)上进行训练。患者特定训练数据412可以仅包括来自单个患者的数据。在一些实施例中，患者特定训练数据412包括与事件数据(例如，胰岛素摄入事件，食物摄入事件，身体活动事件等)相关和/或用事件数据注释的多个血糖片段，如先前关于图2所述。可选地，患者特定训练数据412可以包括其他类型的数据(例如，以上关于图1描述的任何数据)。
患者特定模型410可以是或包括任何合适类型的机器学习模型，例如时间序列预测模型或时间序列模型的组合。例如，患者特定模型410可以是或包括ARIMA模型。作为非限制性示例，ARIMA模型可以被表示如下：
Figure BDA0003495395520000241
其中
Figure BDA0003495395520000242
和θi是向量中的标量元素，p，q，和d是标量，εt是误差项，L是一个滞后算子，它对序列中的元素x后移，使得Lkxt＝xt-k。在每个时间点，可以拟合向量
Figure BDA0003495395520000243
和θi以最小化观察序列中的误差，而可以通过估计搜索空间中每个三元组的Akaike信息准则(AIC)来选择标量，p，q，和d并选择产生最小误差值的一个。在一些实施例中，ARIMA模型被修改为接受外生性事件(例如，胰岛素摄入事件，食物摄入事件，身体活动事件等)以及时间序列血糖数据。
群体模型420可以是在来自多个患者的数据(“群体训练数据422”)上训练的机器学习模型。例如，群体训练数据422可以包括来自至少50，100，200，500，1000，2000，3000，4000，5000，或10,000个不同患者的数据。可选地，群体训练数据422还可以包括来自要对其进行预计的特定患者的数据。如前所述，每个患者数据集可以包括与事件数据相关，和/或用事件数据注释的多个血糖片段。在一些实施例中，群体训练数据422包括跨多个患者组合的至少100,000小时，500,000小时，100万小时，500万小时，或1000万小时的片段。在一些实施例中，群体训练数据422可以包括来自基于病症(例如，1型糖尿病，2型糖尿病，和妊娠糖尿病)，年龄，性别，种族，人口统计等选择的一组患者的群体数据。例如，所选择的患者可以具有与对其进行预计的患者类似的特性(例如，在糖尿病类型，年龄，性别，种族，人口统计等方面)。可选地，群体训练数据422还可以包括其他类型的数据(例如，以上关于图1描述的任何数据)。
群体模型420可以是或包括任何合适类型的机器学习模型，例如深度学习模型。在一些实施例中，例如，群体模型420是或包括深度学习自回归递归神经网络模型。用于群体模型420的机器学习模型可以不同于用于患者特定模型410的机器学习模型。然而，在其他实施例中，患者特定模型410和群体模型420可以使用相同的机器学习模型。在一些实施例中，为特定患者选择群体模型420。例如，可以基于一个或多个标准来选择群体训练数据422和群体模型420，例如患者的病症(例如，糖尿病类型)，年龄，性别，人口统计，种族等。在其他实施例中，相同的群体训练数据422和群体模型420可用于所有患者。
集合模型430可以是在从多个患者数据集生成的特征数据(“集合训练数据432”)上进行训练的机器学习模型。特征数据可以包括从患者数据集生成的多个特征(例如，转换，组合，统计，性质，特性等)。患者数据集可以包括来自至少50，100，200，500，1000，2000，3000，4000，5000，或10,000名不同患者的数据。患者数据集还可以包括来自要对其进行预计的患者的数据。如前所述，每个患者数据集可以包括用事件数据注释的多个血糖片段。在一些实施例中，患者数据集包括跨多个患者组合的至少100,000小时，500,000小时，100万小时，500万小时，或1000万小时的片段。在一些实施例中，每个患者数据集包括该特定患者的其他数据，例如个人数据(例如，年龄，性别，人口统计，糖尿病类型)，进餐数据，病史数据，运动数据，药物数据，生理数据，或本文描述的任何其他数据类型。
在一些实施例中，每个患者数据集还包括使用机器学习模型生成的血糖预计。例如，每个患者数据集可以包括由在针对该特定患者的数据上训练的个体化模型生成的一组预计(例如，类似于患者特定模型410)，以及由在来自多个患者的数据上训练的群体模型生成的一组预计(例如，群体模型420)。血糖预计可以是从该患者先前的血糖数据生成的回顾性预计。从这些预计生成的特征也可以被包括在用于训练集合模型430的特征数据中。在一些实施例中，用于生成特征的预计根据要由集合模型430进行的预计的时间范围而变化。例如，用于进行1小时预计的模型可以在从1小时预计中提取的特征上进行训练，用于进行2小时预计的模型可以在来自2小时预计的特征上进行训练，等等。
在一些实施例中，除了从那些患者数据集计算的特征数据之外，集合训练数据432还可以包括患者数据集。在其他实施例中，集合训练数据432可以仅包括特征数据，使得不直接使用患者数据集来训练集合模型430。
通过如上所述从许多患者的历史数据计算的特征，可以生成个体预计的大量示例，来自这些个体的经处理的数据，和实际血糖值(例如，如患者的CGM设备所报告的)。示例的量可用于训练集合模型430以预计血糖浓度(例如，使用有监督学***的更准确预计。
集合模型430可以是或包括任何合适类型的机器学习模型，例如决策树模型。在一些实施例中，例如，集合模型430是梯度提升树模型。用于集合模型430的机器学习模型可以不同于用于患者特定模型410和/或群体模型420的机器学习模型。然而，在其他实施例中，集合模型430可以使用相同的机器学习模型作为患者特定模型410和/或群体模型420。
在一些实施例中，可以基于要进行的特定类型的预计(例如，血糖水平，低血糖预计，高血糖预计)和/或用于预计的时机(例如，30分钟预测，1小时预测，2小时预测，夜间预测等)选择用于集合模型430的机器学***或血糖水平时间序列的预计的实施例中，集合模型430可以是预测一个或多个特定值的回归算法。回归算法可以被配置为将一组特征映射到特定目标，目的是最小化与该目标有关的一些预定义损失。基于要被预计的目标，用于回归算法优化的目标可以被选择为特定时间的未来血糖水平，和/或未来某个时间段内发生的最小(和/或最大)血糖水平。作为另一个示例，在最终预计是低血糖或高血糖事件的预计的实施例中，集合模型430可以是预测标签或状态(例如，真或假，风险水平)的分类算法。分类模型可以被配置为学习从一组输入点到目标分类或类别的映射。
当接收到新的患者数据时，患者特定模型410，群体模型420，和/或集合模型430可以被周期性地更新。模型410-430可以以相同频率被更新，或者可以以不同频率被更新(例如，取决于模型的复杂性，训练数据集的大小，更新模型的时间等)。在一些实施例中，患者特定模型410以更高频率(例如，每天一次)被更新，群体模型420以高频或中频(例如，每天一次，每周一次)被更新，并且集合模型430以更低频率被更新(例如，每月一次，每季度一次)。
为了预测患者的未来血糖状态，来自患者的血糖数据(例如，“患者数据”)被输入到患者特定模型410和群体模型420中。具体地，第一患者数据402a被输入到患者特定模型410且第二患者数据402b被输入到群体模型420中。如上所述，第一和第二患者数据402a，402b的每一个均可以包括具有事件数据的一个或多个血糖片段，例如患者最近经历的片段。如前所述，第一和第二患者数据402a，402b均可使用CGM设备和/或任何其他用户设备(例如，图1的用户设备104)被获取。第一患者数据402a可以与第二患者数据402b相同，或者可以与第二患者数据402b不同。在一些实施例中，例如，第一患者数据402a还包括针对正在对一天中的特定时间进行预计的的平均血糖水平和/或血糖水平的标准偏差(例如，每天下午4点到5点患者的平均血糖值)。这些平均值和/或标准偏差可以基于患者的先前血糖数据(例如，直到当天的所有历史血糖数据)来计算。第二患者数据402b可以包括或可以不包括这些平均值和/或标准偏差值。
患者特定模型410可以生成第一预计414并且群体模型420可以生成第二预计424。例如，第一预计414可以是血糖值的第一时间序列(例如，对于接下来的1-2小时每5分钟)并且第二预计424可以是血糖值的第二时间序列(例如，对于接下来的1-2小时每5分钟)。第一预计414和第二预计424用于生成特征426。可选地，特征426也可以至少部分地基于第三患者数据402c(例如，具有事件数据的一个或多个血糖片段)和/或其他数据(例如，个人数据例如糖尿病类型)被生成。第三患者数据402c可以与第一患者数据402a和第二患者数据402b相同。在其他实施例中，第三患者数据402c可以不同于第一患者数据402a和/或第二患者数据402b。
特征426可以被输入到集合模型430中。可选地，第一预计414，第二预计424，和/或第四患者数据402d(例如，具有事件数据的一个或多个血糖片段)也可以被输入用于集合模型430。第四患者数据402d可以与第一患者数据402a，第二患者数据402b，和第三患者数据402c相同。在其他实施例中，第四患者数据402d可以不同于第一患者数据402a，第二患者数据402b，和/或第三患者数据402c。
如上所述，用于集合模型430的特定机器学***预测，2小时血糖水平预测，1小时低血糖预测，2小时低血糖预测等)来选择。集合模型430可以生成最终预计434，其可以是一个或多个未来血糖水平的预计(例如，未来时间段内的血糖值的时间序列)，低血糖事件的所预计的可能性，高血糖事件的所预计的可能性，或其组合。
在一些实施例中，架构400用于为其早期数据被包括在群体训练数据422和集合训练数据432中的患者(在本文中也称为“见过的用户”)生成预计。然而，在其他实施例中，架构400可用于为其数据未被包括在群体训练数据422和/或集合训练数据432中的患者(本文也称为“未见过的用户”)生成预计。为此，可以确定患者特定输入数据并输入到患者特定模型410和/或群体模型420中以生成特定患者的初始预计。如上所述，预计结果可用于计算被输入到集合模型430中的特征。在一些实施例中，未见过的用户的血糖预计准确性可类似于见过的用户的血糖预计准确性。
虽然图4示出了用于架构400的特定配置，但是可以理解，架构400可以以许多不同的方式进行配置。例如，虽然图4示出了接收特征426，第一预计414，第二预计424，和第四患者数据402d作为输入的集合模型430，但是在其他实施例中，可以省略这些输入中的一个或多个。同样，虽然图4显示了从第一预计414，第二预计424，和第三患者数据402c生成的特征426，但是在其他实施例中，可以省略这些输入中的一个或多个。作为另一个示例，从第一患者数据402a提取的特征可以用作患者特定模型410的输入，与患者数据402a本身结合，或作为患者数据402a本身的替代。类似地，从第二患者数据402b提取的特征可以用作群体模型420的输入，与患者数据402b本身结合，或作为患者数据402b本身的替代。在又一示例中，可以省略患者特定模型410或群体模型420。可选地，在其他实施例中，集合模型430可以包括相互混合，堆叠，或以其他方式组合的多个机器学习模型。
夜间低血糖预计
低血糖事件可以在夜间发生并且对于患有糖尿病的个体来说可能是特别危险的。对此类低血糖事件进行适当和及时的护理至关重要。然而，许多患有糖尿病并在夜间经历低血糖事件的人可能无法执行必要的步骤来解决这种病症。这可能是由于夜晚醒来时昏昏沉沉，这可能会加剧已经与低血糖相关联的混乱和笨拙，从而使进行充分的自我护理变得更具挑战性。传统***可能无法提供必要的工具来允许糖尿病患者采取适当的步骤，例如在睡觉之前，以当他们怀疑在他们睡觉时可能发生此类片段时防止夜间低血糖。因此，需要预测经历夜间低血糖事件的概率，并提供量身定制的建议，以告知用户他们可以采取的来预防此类事件最有效的措施。
图5是示出根据本技术的实施例的用于预测夜间低血糖事件的方法500的框图。方法500可以使用本文描述的任何***和设备(例如，图1的***102和/或用户设备104)来执行。方法500可以大体上类似于以上关于图3描述的方法300。因此，方法500的讨论将限于与方法300不同的那些元素。
方法500开始于步骤510，接收包括睡眠数据的输入数据。步骤510可以大体上类似于方法300的步骤310，除了输入数据还包括患者的睡眠数据，其可以包括睡眠发生时间(例如，患者何时入睡(“就寝时间”)，患者何时醒来)，睡眠小时数，平均睡眠小时数，睡眠小时数的变化性，睡眠-觉醒周期数据，与睡眠呼吸暂停事件有关的数据(如果有)，睡眠碎片(例如，睡眠片段之间清醒的部分夜晚小时数等)，患者在前一个或多个晚上睡觉时低血糖浓度(例如，<70mg/dL)的频率等。可以自动(例如，经由睡眠***)，手动(例如，通过用户输入到移动设备或其他用户设备中)，或通过任何其他合适的技术和/或设备来提供睡眠数据。
在步骤520，基于睡眠数据识别先前的夜间低血糖事件。为此，例如，可以从患者的睡眠数据中查明平均就寝时间和夜晚持续时间。可以分析睡眠数据以确定睡眠周期的开始和结束时间。可以集合睡眠周期(例如，每天晚上7点开始)。在一些实施例中，为了模型的目的，可以考虑每个持续3到9小时之间的睡眠周期的集合组。对于没有相关联睡眠数据的患者，可以考虑固定的就寝时间(例如，晚上11点)和夜晚持续时间(例如，7小时)值。然后可以分析患者每晚的血糖数据，以识别和记录最低血糖浓度值。如果最低血糖浓度值低于阈值(例如70mg/dL)，则可将其视为夜间高血糖事件。可以理解，可以使用任何阈值。
在步骤530，使用第一组机器学习模型生成至少一个初始预计，如先前关于方法300的步骤320所描述的。在一些实施例中，第一组机器学习模型也可以是在(例如，特定患者和/或较大患者群体的)睡眠数据和/或先前夜间低血糖事件的数据上进行训练。例如，可以在患者的睡眠数据和/或夜间低血糖数据上训练患者特定模型(例如，图4的患者特定模型410)，而可以在多个患者的睡眠数据和/或夜间低血糖数据上训练群体模型(例如，图4的群体模型420)。由第一组机器学习模型产生的初始预计可以提供可以集合以形成概率分布的血糖值的概率估计。在一些实施例中，初始预计包括在预期患者睡着(例如，夜间)的时间段内的一系列预计血糖值。
在步骤540，根据初始预计确定一个或多个特征。步骤540可以大体类似于方法300的步骤330，除了还可以基于分别来自步骤510和520的睡眠数据和/或夜间低血糖数据来生成特征。这样的特征可以包括，例如，平均和/或标准偏差血糖水平(例如，就寝前，当患者在睡觉时)，患者在睡觉时经历或经历过低血糖的一部分时间，患者经历过夜间低血糖事件的平均夜晚数(例如，在过去30天或其他时间段内)，睡前的身体活动量，睡前摄入胰岛素的平均量，睡前消耗的碳水化合物的平均量，平均收缩压和/或舒张压(例如，睡前，睡觉时)，平均心率(例如，睡前，睡觉时)，最近睡前血糖值的二次拟合参数(例如，截距，一阶系数，二阶系数)，直到那天经历低血糖的概率，和/或任何其他数据，和/或它们的任何组合。
在步骤550，使用第二组机器学习模型生成至少一个最终预计，如先前关于方法300的步骤340所描述的。在一些实施例中，第二组机器学习模型(例如，图4的集合模型430)还可以在从睡眠数据和/或先前夜间低血糖事件的数据(例如，特定患者的和/或较大患者群体的)中提取的特征上进行训练。特征可以包括上述步骤540中的任何特征。第二组机器学习模型也可以在从夜间低血糖事件的预计(例如，从先前患者数据生成的回顾性预计)中提取的特征上进行训练。第二组机器学习模型可以被配置为基于来自许多患者的更广泛的示例集来合成针对个体患者的大量数据和/或预计，以实现对夜间低血糖事件概率的更准确预计。
第二组机器学***的平均范围，身体活动值(例如，时间)，碳水化合物消耗(例如，时间，量等)，血糖水平的倒数，最高和/或最低血糖水平，血糖水平的标准偏差，心率值等。
在一些实施例中，概率预计可以用作分类器并且它们的准确性可以通过接收者操作特性曲线(“ROC AUC”)下的面积来描述。可选地，可以通过应用一个或多个过滤参数来丢弃不满足至少一个标准的预计来提高预计准确性。一些示例性过滤标准可以包括(可以理解，可以使用任何其他标准和/或值)：
·睡前6小时血糖水平的平均范围≤70mg/dL；
·睡前1小时活动≥10分钟；
·睡前6小时的活动≥40分钟；
·睡前6小时碳水化合物消耗≥40克碳水化合物；
·睡前1小时内血糖水平的二阶导数介于-0.008和0.008mg/dL/min/min；
·过去2小时内的最大血糖浓度值≤100mg/dL；
·最近2小时的最小血糖浓度值≤70mg/dL；
·用户血糖浓度值标准偏差≤40mg/dL；和/或
·心率在60到80bpm之间。
在步骤560，方法500可选地包括向患者输出通知，如上文关于方法300的步骤350所述。在一些实施例中，通知包括所计算的夜间低血糖的概率，例如，在用户设备上的弹出窗口和/或文本消息所显示的(例如，“夜间低血糖的概率：87％”)。替代地或组合地，通知可以显示夜间低血糖的定性风险水平(例如，“高”，“中”，或“低”)，而不是显示实际概率值。可以使用任何合适的概率阈值来确定风险级别(例如，“高”对应于大于或等于75％的概率，“中”对应于40％到75％范围内的概率)，“低”对应于小于40％的概率)。通知还可以包括带有建议，教育信息，鼓励等的消息(例如，“睡前吃点小零食可以减少夜间低血糖的机会”等)。在一些实施例中，如果条件改变，例如如果用户在晚上睡觉前的晚些时候记录任何活动，食物，药物等，则可以重新计算概率。
方法500的一些或所有步骤可以由患者按需执行，例如，如果患者在睡觉前请求对夜间低血糖风险的预测。可选地，方法500的一些或所有步骤可以自动执行，例如如果用户设备被设置为在每晚的固定时间(例如，在患者设置的固定时间，在根据患者的睡眠模式计算出的时间，该患者或任何患者在一周中的该天或任何一天的常见就寝时间)自动请求预测。如果自动计算(而不是按需计算)，则可以每次，和/或当夜间低血糖的概率超过***和/或患者设置的阈值时将预测结果发送给患者。
图形用户界面
图6A-6I示出了根据本技术的实施例配置的多种图形用户界面600-680。图形用户界面600-680可以与本文关于图1-5描述的任何过程或方法一起使用。图形用户界面600-680可由软件应用(例如，移动应用或“app”)生成并显示在用户设备(例如，图1的用户设备104)上。例如，图6A-6D的图形用户界面640-680可以显示在移动设备(例如，智能电话，平板计算机)上，而图6E-6I的图形用户界面640-680可以显示在可穿戴设备(例如，智能手表)上。然而，在其他实施例中，图形用户界面600-680可以适用于其他类型的设备上的显示器，例如膝上型计算机，个人计算机，或任何其他合适的计算设备。图形用户界面600-680可用于向患者或其他用户(例如，医疗保健专业人员)显示信息，通知，建议，和/或由分析和/或预测***产生的其他输出(例如图1的***102)。
首先参考图6A，图形用户界面600(“界面600”)可以被配置为显示在智能电话或其他移动设备上。图形用户界面600可以提供患者健康状况和活动的概览。例如，界面600可以包括具有图标，文本，和/或表示当天关键患者数据的其他图形元素的概要部分602。例如，概要部分602可以显示平均血糖水平，采用的胰岛素总量(例如，分为基础量和加量(bolusamounts))，消耗的食物总量(例如，以总碳水化合物和/或总卡路里的形式)，以及身体活动的总量(例如，步数，运动持续时间)。界面600还可以包括具有图形元素605的时间线604，该图形元素605对应于在24小时周期内发生的多种测量和/或事件(例如，血糖测量，胰岛素摄入，进餐，身体活动)。界面600还可以包括显示最近测量和/或事件的信息的信息流(feed)606。界面600还可以显示具有与患者的血糖状态有关的信息的警报通知608(例如，预计患者的血糖水平在未来时间段内是变得过高还是过低)。警报通知608的内容可以基于根据本文描述的技术生成的预计。概要部分602，时间线604，信息流606，和/或警报通知608可以随着新血糖测量值，新事件数据，和/或所接收的新预计而持续更新。
图6B示出了用于显示警报通知612的图形用户界面610(“界面610”)。警报通知612可以包括表示患者所预计的血糖状态将在未来时间段内(例如，接下来的15分钟，30分钟，60分钟，90分钟，2小时，4小时)超出预定范围(例如，高于或低于阈值)的弹出窗口，文本，和/或其他图形元素。例如，在示出的实施例中，警报通知612指示患者的血糖水平在接下来的30分钟内将变得过低的高风险。
图6C示出了用于随时间显示患者的血糖水平的图形用户界面620(“界面620”)。界面620可以包括图形，时间线，图表，表格，和/或显示多个血糖值的其他图形元素。例如，在示出的实施例中，血糖值624a-c显示在图表622上，横轴为时间，纵轴为血糖水平。所显示的血糖值可以包括过去的血糖值624a(例如，在过去15分钟，30分钟，60分钟，90分钟，2小时，或4小时内获取的实际血糖测量值)，患者的当前血糖值624b(例如，最近的血糖测量)，和/或未来血糖值624c(例如，接下来15分钟，30分钟，60分钟，90分钟，2小时，或4小时的所预计的未来血糖值)。可选地，未来血糖值624c可以与包络(envelope)626或表示预计中的不确定性程度的其他图形元素一起显示。每个血糖值可以用颜色编码，阴影，或以其他方式在视觉上区分，以表示该值是否在正常范围内，过高，或过低。该图形还可包括表示血糖水平的正常或目标范围的带627或其他图形元素。正常或目标范围可以是血糖值的标准化范围，或者可以为特定患者定制(例如，基于来自医疗保健专业人员的建议，患者的特定病症等)。
如果预计患者的血糖水平在未来期间将超出正常范围，则界面620还可以包括警报通知628。例如，在示出的实施例中，患者的血糖水平目前在正常范围内，但预计在30分钟内将降得太低。可选地，界面620还可以包括范围内的时间通知629中，其显示在预测时间段内血糖水平被预计在正常或目标范围内(例如，从70mg/dL到140mg/dL)的时间百分比。
图6D示出了用于随时间显示患者的血糖水平的图形用户界面630(“界面630”)。界面630可以大体上类似于图6C的界面620。例如，界面630可以包括血糖水平随时间变化的图形632，以及可选的，警报通知638，和/或范围内的时间通知639。在示出的实施例中，警报通知638表示患者的血糖水平目前太高，并预计在接下来的2小时内仍将保持在太高的水平。
图6E示出了用于随时间显示患者的血糖水平的图形用户界面640(“界面640”)。界面640可以被设计为在相对较小的设备上显示，例如智能手表。因此，与被设计用于在较大设备上显示的界面相比，界面640上呈现的信息可以被压缩和/或简化。例如，界面640可以包括血糖水平随时间变化的图形642，其传达与图表622类似的信息，但采用更紧凑的格式。例如，不是显示标有血糖水平的垂直轴，图形642中所示的血糖值可以被颜色编码或以其他方式在视觉上区分以表示它们是高，低，或在正常范围内。界面640还可以包括带有关于患者的预计血糖状态的信息的警报通知644，如果适当的话(例如，患者的血糖水平被预计在接下来的30分钟内将变得过低)。
图6F示出了用于随时间显示患者的血糖水平的图形用户界面650(“界面650”)。界面650可以大体上类似于图6E的界面640，除了图形652和警报通知654表示患者的血糖水平当前太高并且预计在接下来的2小时内保持太高。
图6G示出了用于显示夜间低血糖预计的图形用户界面660(“界面660”)。界面660可以包括图形元素662，其在视觉上描绘患者将在夜间经历低血糖事件的概率。界面660还可以包括警报通知664，该警报通知664具有关于夜间低血糖事件的风险(例如，“高风险”)的信息，并且可选地，对减轻风险的一个或多个动作的建议(例如，在睡觉前食用食物)。
图6H示出了用于显示夜间低血糖预计的图形用户界面670(“界面670”)。类似于图6G的界面660，界面670包括图形元素672，其在视觉上描绘了睡眠时经历低血糖的概率，以及具有关于夜间低血糖风险(例如，“中风险”)的信息的警报通知674。在示出的实施例中，警报通知674还包括针对患者如何能够降低夜间低血糖风险的建议(例如，在附近备有食物以防低血糖事件的发生)。
图6I示出了用于显示夜间低血糖预计的图形用户界面680(“界面690”)。类似于图6G和6H的界面660，670，界面680包括图形元素682，其在视觉上描绘在睡眠时经历低血糖的概率，以及具有关于夜间低血糖风险(例如，“低风险”)的信息的警报通知684。在示出的实施例中，警报通知684表示在入睡前不需要进一步的动作来减轻风险。
附加实施例
图7是根据本技术的实施例配置的计算***或设备(“***700”)的示意框图。***700可并入本文所述的任何***和设备(例如图1的***102和/或用户设备104)中或与其一起使用。***700可以用于执行本文关于图1-6I描述的任何过程或方法。***700可以包括处理器710，存储器720，存储设备730，和输入/输出设备740。组件710，720，730，和740中的每一个可以使用***总线750互连。处理器710可被配置为处理用于在***700内执行的指令。在一些实施方式中，处理器710可以是单线程处理器。在可替代的实施方式中，处理器710可以是多线程处理器。处理器710可以进一步被配置为处理存储在存储器720中或存储设备730上的指令，包括通过输入/输出设备740接收或发送信息。存储器720可以在***700内存储信息。在一些实施方式中，存储器720可以是计算机可读介质。在可替代的实施方式中，存储器720可以是易失性存储器单元。在又一些实施方式中，存储器720可以是非易失性存储器单元。存储设备730能够为***700提供大容量存储。在一些实施方式中，存储设备730可以是计算机可读介质。在可替代的实施方式中，存储设备730可以是软盘设备，硬盘设备，光盘设备，磁带设备，非易失性固态存储器，或任何其他类型的存储设备。输入/输出设备740可以被配置为向***700提供输入/输出操作。在一些实施方式中，输入/输出设备740可以包括键盘和/或指点设备。在可替代的实施方式中，输入/输出设备740可以包括用于显示图形用户界面的显示单元。
在一些实施例中，当前主题涉及一种用于使用多种数据(包括该用户和/或任何其他用户的连续葡萄糖监测数据)预测和解释用户的血糖浓度的计算机实现的方法。该方法可包括接收输入数据(例如，用户数据，可包括血糖浓度，身体活动等的集合数据，时间有关数据，时间戳特征等)，转换和集合所接收的输入数据，生成预计，将预计与所汇集的用户数据(例如，来自该用户和/或其他用户)相结合以生成模型，训练模型，以及应用该模型以基于该模型生成预计。在一些实施例中，可以解释所预计的数据并且可以向该用户提供反馈(例如，显示在用户界面上)。
在一些实施例中，当前主题可以提供一种用于确定在从15分钟到24小时的未来时间点的用户血糖浓度的预测(在示例性，非限制性实施例中，间隔可以30分钟到8小时；上至12小时，和/或任何想要的时间段)，量化所预测数据的置信界限，并产生该预测是高于，低于，还是在与任何给定目标血糖健康(a1c)目标一致的范围内的解释的方法。出于预测目的，当前主题可以使用过去的血糖浓度值，进餐所吃的碳水化合物克数，锻炼或活动分钟数，过去的体重值，过去的a1c值，诊断年份等，和/或其任何组合。它还可以使用用户输入的上述信息，这些信息可能因用户而异，对于给定用户来说也可能因月而异。
在一些实施例中，当前主题涉及一种计算机实现的方法，用于使用多种数据(包括该用户和/或任何其他用户的数据)预计用户在预定时间段内低血糖事件的发生。该方法可包括接收输入数据(例如，用户的数据，可包括睡眠数据，心率数据，血糖浓度，身体活动等的集合数据，时间有关数据，时间戳特征等)，转换及集合接收到的输入数据，生成预计，将预计与所汇集的用户数据(例如，来自该用户和/或其他用户)相结合以生成模型，训练及测试该模型，并应用该模型来生成基于该模型在预定时间段内的低血糖事件发生的预计。在一些实施例中，可以解释预计数据并且可以向用户提供反馈(例如，显示在用户界面上)。
还描述了存储指令的非暂时性计算机程序产品(即，物理体现的计算机程序产品)，这些指令当由一个或多个计算***的一个或多个数据处理器执行时，使至少一个数据处理器执行本文的操作。类似地，还描述了可包括一个或多个数据处理器和耦合到该一个或多个数据处理器的存储器的计算机***。存储器可以临时或永久地存储使至少一个处理器执行本文描述的一个或多个操作的指令。此外，方法可以由单个计算***内的或分布在两个或多个计算***中的一个或多个数据处理器实现。此类计算***可以经由一个或多个连接来连接，并且可以交换数据和/或命令或其他指令等，包括但不限于通过网络(例如，因特网，无线广域网，局域网，广域网，有线网络等)的连接，经由多个计算***中的一个或多个之间的直接连接等。
本文公开的***和方法可以用多种形式体现，包括例如，数据处理器(如还包括数据库的计算机)，数字电子电路，固件，软件，或它们的组合。而且，可以在多种环境中实施本公开的实施方式的上述特征以及其他方面和原理。这样的环境和相关应用可以被特别地构造以用于根据所公开的实施方式执行多个过程和操作，或者它们可以包括由代码选择性地激活或重新配置以提供必要功能的通用计算机或计算平台。本文公开的过程并非固有地与任何特定的计算机，网络，体系结构，环境，或其他装置有关，并且可以由硬件，软件，和/或固件的适当组合实施。例如，多种通用机器可以与根据所公开的实施方式的教导编写的程序一起使用，或者可以更方便地构造专用的装置或***以执行所需的方法和技术。
本文公开的***和方法可以被实施为计算机程序产品，即有形地体现在信息载体中(例如，在机器可读存储设备中或传播信号中)的计算机程序，以供数据处理装置执行或控制数据处理装置的操作，该数据处理装置，例如，可编程处理器，一台计算机，或多台计算机。可以用任何形式的编程语言(包括编译或解释语言)编写计算机程序，并且可以用任何形式部署，包括作为独立的程序或作为模块，组件，子例程，或其他适合在计算环境中使用的单元。计算机程序可以被部署为在一台计算机上执行或者在位于一个站点或跨多个站点分布并通过通信网络互连的多台计算机上执行。
这些计算机程序(也可称为程序，软件，软件应用，应用，组件，或代码)包括可编程处理器的机器指令，并且可以用高级程序和/或面向对象的编程语言，和/或汇编/机器语言实施。如本文所用，术语“机器可读介质”是指用于向可编程处理器提供机器指令和/或数据的任何计算机程序产品，装置，和/或设备，例如，磁盘，光盘，存储器，和可编程逻辑设备(PLD)，包括接收机器指令作为机器可读信号的机器可读介质。术语“机器可读信号”是指用于向可编程处理器提供机器指令和/或数据的任何信号。机器可读介质可以非暂时性地存储这种机器指令，例如，作为非暂时性固态存储器或磁硬盘驱动器或任何等效存储介质。机器可读介质可以可替代地或另外地以暂时的方式存储这种机器指令，例如，作为处理器缓存或与一个或多个物理处理器核心相关联的其他随机存取存储器。
为了提供与用户的交互，本文描述的主题可以在具有显示设备(例如，用于向用户显示信息的阴极射线管(CRT)或液晶显示器(LCD))以及用户可以用来向计算机提供输入的键盘和指点设备(例如，鼠标或轨迹球)的计算机上实施。其他种类的设备也可被用于提供与用户的交互。例如，提供给用户的反馈可以是任何形式的感觉反馈，例如，视觉反馈，听觉反馈，或触觉反馈；并且可以用任何形式接收来自用户的输入，包括但不限于，声音，语音，或触觉输入。
本文描述的技术可以在计算***中实施，该计算***包括后端组件(例如，一个或多个数据服务器)，或包括中间件组件(例如，一个或多个应用服务器)，或包括前端组件(例如，具有图形用户界面或Web浏览器的一台或多台客户端计算机，用户可以通过该图形用户界面或Web浏览器与本文所述主题的实施方式交互)，或此类后端，中间件，或前端组件的任何组合。***的组件可以通过数字数据通信的任何形式或介质(例如，通信网络)互连。通信网络的示例包括但不限于，局域网(“LAN”)，广域网(“WAN”)，和因特网。
计算***可以包括客户端和服务器。客户端和服务器大体上但并非绝对地彼此远离，并且通常通过通信网络交互。客户端和服务器的关系由于在各自计算机上运行并彼此具有客户端-服务器关系的计算机程序而产生。
示例
包括以下示例以进一步描述本技术的一些方面，并且不应用于限制本技术的范围。
示例1：根据汇集的CGM数据预计低血糖和高血糖
本示例提供了一种方法，用于使用来自经由移动应用从数千个人收集的CGM设备的自我护理数据和血糖数据来进行和评估低血糖或高血糖的回顾性预计。患者使用移动应用输入食物，药物，身体活动，和其他自我护理数据，以及例如性别和诊断年份等个人数据。该移动应用还用于被动读取CGM收集的血糖值。
该示例的数据包括超过1000万小时的CGM数据以及来自超过3000个用户的样本的自我护理数据。本研究使用的数据包括超过1000万小时的CGM数据以及来自超过3000个用户样本的自我护理数据。研究中使用的数据的患者88％为1型(T1D/LADA)，9％为2型，和3％为未报告；33％为男性，26％为女性，41％未报告。
数据被划分为包括来自用户的随机子样本的数据的训练集和测试集(所有剩余数据)。训练值用于训练有监督学习模型。该模型被应用于测试集数据，以生成每个用户在未来30和60分钟的血糖的回顾性预计。然后将预计值与所记录的测试集CGM值进行比较。
此外，在相同的训练数据上训练有关模型，以预计在接下来的30分钟，接下来1小时，以及接下来的4小时内血糖水平低(<70mg/dL)或高(＞180mg/dL)的概率。低或高血糖的概率超过阈值被解释为可能出现低血糖或高血糖的“警报”。针对后续CGM值中是否存在高或低事件的警报的准确性，评估精确度(正确识别即将发生的事件的警报的百分比)，召回率(警报之前的实际事件的百分比)，和接收者操作特性曲线(AUC)以下面积，它表示随着警报阈值的变化，精确度和召回率之间权衡的严重程度。接近最大值100％的AUC表示更高的准确性。
每个预计不仅基于来自用户正在被预计的过去观察，而且基于在计算预测的历史时间点之前所收集的训练集数据中的所有观察。
下面的表3显示了在30分钟和1小时范围内的血糖预测准确性。对于30分钟预计的平均绝对相对偏差(MARD)为4.3％，其中98.7％的预计落在克拉克误差网格(the ClarkeError Grid)的A区，99.9％落在A或B区。对于60分钟预计的MARD为13.4％，其中79.4％在A区，98.4％在A区或B区。
表3. 30分钟和1小时范围内的血糖预计准确性
Figure BDA0003495395520000421
a.落在克拉克误差网格的“A”区的预计值的百分比。如果测量值超过70mg/dL，这些预计值在测量值的20％以内，或者如果测量值小于70mg/dL，则预计值小于70mg/dL。
b.落在克拉克误差网格的“A”或“B”区的预计值的百分比。
c.绝对值小于50mg/dL的预计误差的百分比。
d.平均绝对相对偏差：100x|预计-实际|/实际。为了进行比较，CGM测量值与实验室测量的血糖值相比通常具有9-10％的MARD。
下面的表4显示了高血糖和低血糖预计的准确性。低血糖预计显示在30分钟时93.2％的召回率，89.4％的精确度，和99.5％的AUC；1小时时83.2％的召回率，74.1％的精确度，和98.6％的AUC，以及4小时时62％的精确度，84％的召回率，和91.9％的AUC。高血糖预计显示在30分钟时98.9％的召回率，97.6％的准确率，和99.5％的AUC；1小时时95.0％的召回率，92.6％的精确度，和98.6％的AUC；4小时时83.6％的召回率，83.8％的精确度，和91.6％的AUC。
表4.低血糖(“低”)和高血糖(“高”)警报的准确性
Figure BDA0003495395520000431
这些结果表明，汇集来自数千名用户的血糖数据可以允许上至提前4小时的低血糖和高血糖的准确预计。这样的预计可能会为主动，预防性的自我保健提供信息。
示例2：CGM用户的夜间低血糖预测
本示例提供了一种使用经由移动应用收集的CGM数据和自我保健数据来回顾性地预计夜间低血糖的发生的方法。使用的数据包括来自具有CGM设备的3000多名应用用户的超过560,000人-夜的血糖数据，自我保健数据(例如，药物，食物，身体活动，睡眠)和个人数据(例如，性别，诊断年份)。通过与睡眠数据(如果可用)相比，数据被识别为“夜间”，否则通过假设每个用户本地时区从晚上11点到早上6点为夜间段。样本中的用户被诊断为1型/LADA(86％)，2型(8％)，和未报告(6％)；28％的用户在过去5年中被诊断出来。
数据被分成包含所选择日期前约360,000个夜晚的训练集和包含所选择日期后约200,000个夜晚的测试集。训练数据用于训练两个机器学习模型。两者都是汇集模型，这意味着每个预计都基于来自所有用户的数据，而不仅仅是来自对其进行预计的人的数据。
训练第一个模型以预计在就寝时间时随后在夜晚发生的低血糖事件(为了本示例的目的定义为任何血糖水平低于70mg/dL)的概率。然后使用经过训练的模型来预计测试集的夜晚，将每个所预计的概率与是否确实存在低血糖事件进行比较。如果所预计地概率高于设定的阈值概率，则认为低血糖是“可能的”。较高的阈值可能会产生较少的误报，但也可能导致更多的漏报事件。该模型通过接受者操作特性曲线(AUC)下方的面积进行评估，该面积表征了在不漏报事件的情况下可以减少误报的程度。AUC越大表示准确性越高。训练集结果还被分析以确定是否存在标准可以在就寝时间识别可以被更准确预计的夜晚。
作为替代方法，训练第二个模型以预计——同样在就寝时间——对即将到来的夜晚的最小血糖值。小于70mg/dL的所预计的最小值被解释为低血糖的预计。
表5示出了测试组夜晚的预计概率与实际夜间低血糖频率的比较。测试集夜晚按所预计的低血糖的概率分组，并将所述预计与每组低血糖的实际频率进行比较，如下表5所示，所预计的概率与夜间低血糖的实际频率一致
表5.夜间低血糖的预计概率和实际频率
Figure BDA0003495395520000441
Figure BDA0003495395520000451
表6示出了来自完整测试集的预计结果的准确性。如下表6所示，所有预计的AUC为82.2％。通过检查训练集结果，发现在入寝时观察到的血糖变化性，身体活动，食物，和心率的某些组合表示预计将具有更高的准确性。测试集中大约30％的预计符合这些标准(“高置信度预计”)；这些预计的AUC为87.0％。
最小夜间血糖值的预计具有的测试集平均绝对相对偏差(MARD)为18.6％。高置信度预计(与上述测试集夜晚的30％相同)具有的MARD为15.4％。
表6.测试集预计结果
Figure BDA0003495395520000452
图8是示出16个随机选择的个体802a-p的夜间低血糖的夜间概率的示例性序列的图形800。图形800针对每个人显示了针对一系列多晚计算的概率值，每晚具有一个概率值。如图8所示。变化性是明显的，不仅在人与人之间，而且对于一个特定的人来说，从夜到夜之间也是如此。虽然有些人始终不太可能经历夜间低血糖，但模型预计的概率可能为那些在夜到夜概率显著变化的人提供信息。
这些结果证明，汇集来自数千名用户的睡眠，血糖，行为，和自我保健数据可以准确地预测夜间低血糖的概率。在就寝时间进行此类预计可以有助于预防措施，减少担忧，并改善睡眠和生活质量。
结论
前述描述中阐述的实施方式并不代表与本文所述主题一致的所有实施方式。相反，它们仅仅是和与所述主题有关的方面一致的一些示例。尽管上面已经详细描述了一些变型，但是其他修改或添加是可能的。特别地，除了本文阐述的那些特征和/或变型之外，还可以提供其他特征和/或变型。例如，上述实施方式可以针对所公开的特征的多种组合和子组合和/或以上公开的几个其他特征的组合和子组合。另外地，附图中描绘的和/或本文中描述的逻辑流不一定需要所示的特定顺序，或相继顺序来实现想要的结果。其他实施方式可以在以下权利要求的范围内。
词语“包含”，“具有”，“容纳”，和“包括”，及它们的其他形式，旨在含义上等同并且是开放式结束，因为这些词语中的任何一个之后的一个或多个项目并不意味着是这个项目或这些项目的详尽列表，或意味着仅限于列出的这个项目或这些项目。
如本文和所附权利要求中所使用的，除非上下文另有明确规定，否则单数形式“a”，“an”，和“the”包括复数引用。
如本文所用，“A和/或B”中的短语“和/或”是指单独的A，单独的B，以及A和B。
如本文所用，术语“用户”可以指任何实体，包括人或计算机。
虽然诸如第一，第二等序数在某些情况下可以与顺序有关；本文档中使用的序数不一定意指顺序。例如，序数可以仅用于区分一个项目和另一个项目。例如，为了区分第一个事件和第二个事件，但不需要意指任何时间顺序或固定的参考***(使得描述的一个段落中的第一个事件可以与描述的另一个段落中的第一个事件不同)。
从上文可以理解，本技术的具体实施例已经在本文中为了说明的目的而被描述，但是在不脱离本技术的范围的情况下可以进行多种修改。因此，除所附权利要求外，本技术不受限制。

Claims (25)

1.一种用于预测患者血糖状态的计算机实现方法，所述方法包括：
接收所述患者的血糖数据；
通过将所述血糖数据输入到第一组机器学习模型中来生成所述血糖状态的至少一个初始预计；
至少部分地从所述至少一个初始预计中确定多个特征；和
通过将所述多个特征输入到第二组机器学习模型中来生成所述血糖状态的最终预计。
2.根据权利要求1所述的计算机实现方法，其中：
所述第一组机器学习模型包括患者特定模型和群体模型，其中所述患者特定模型是在所述患者先前的血糖数据上训练的，并且其中所述群体模型是在来自多个患者的多个血糖数据集上训练的；和
所述第二组机器学习模型包括在来自所述多个患者的所述多个血糖数据集的特征上进行训练的集合模型。
3.根据权利要求2所述的计算机实现方法，其中所述多个特征是根据由所述患者特定模型生成的第一预计，由所述群体模型生成的第二预计，和所述血糖数据来确定的。
4.根据权利要求1所述的计算机实现方法，其中所述血糖数据由连续血糖监测设备生成。
5.根据权利要求1所述的计算机实现方法，其中所述血糖数据与至少一个事件相关，所述至少一个事件包括胰岛素摄入事件，食物摄入事件，或身体活动事件中的一个或多个。
6.根据权利要求1所述的计算机实现方法，其中所述第一组机器学习模型包括两个或更多个不同的机器学习模型，并且其中所述至少一个初始预计包括两个或更多个初始预计。
7.根据权利要求1所述的计算机实现方法，其中所述第一组机器学习模型包括在所述患者的先前血糖数据上训练的患者特定模型。
8.根据权利要求1所述的计算机实现方法，其中所述第一组机器学习模型包括在来自多个患者的多个血糖数据集上训练的群体模型。
9.根据权利要求1所述的计算机实现方法，其中所述第二组机器学习模型包括在来自多个患者的多个血糖数据集的特征上训练的集合模型。
10.根据权利要求9所述的计算机实现方法，其中所述集合模型是在来自所述多个患者的个人数据，事件数据，或预计数据中的一个或多个特征上训练的。
11.根据权利要求1所述的计算机实现方法，其中至少部分地根据所述血糖数据，所述患者的先前血糖数据，或所述患者的个人数据中的一个或多个来确定所述多个特征。
12.根据权利要求1所述的计算机实现方法，其中所述血糖状态的所述初始预计包括对血糖水平的预计。
13.根据权利要求1所述的计算机实现方法，其中所述血糖状态的所述最终预计包括血糖水平，低血糖事件，或高血糖事件中的一个或多个的预计。
14.一种用于预计患者血糖状态的***，所述***包括：
一个或多个处理器；和
存储指令的存储器，当被所述一个或多个处理器执行时，该指令使所述***执行操作包括：
接收所述患者的多个血糖测量值，其中所述多个血糖测量值中的至少一些与事件数据相关联；
使用所述多个血糖测量值和第一组机器学习模型生成所述血糖状态的第一组预计；
至少部分地从所述第一组预计中生成特征数据；和
使用所述特征数据和第二组机器学习模型生成所述血糖状态的第二组预计。
15.根据权利要求14所述的***，还包括可操作地耦合到所述一个或多个处理器的血糖传感器，其中所述血糖传感器被配置为生成所述多个血糖测量值。
16.根据权利要求15所述的***，其中所述血糖传感器是连续血糖监测设备。
17.根据权利要求15所述的***，还包括可操作地耦合到所述一个或多个处理器的用户设备，其中所述事件数据是从所述用户设备接收的。
18.根据权利要求17所述的***，其中所述用户设备是可穿戴设备，移动设备，或传感器。
19.根据权利要求15所述的***，其中所述事件数据包括胰岛素数据，进餐数据，或身体活动数据中的一个或多个。
20.根据权利要求15所述的***，其中所述第一组机器学习模型包括个体化机器学习模型和群体机器学习模型。
21.根据权利要求15所述的***，其中所述第二组机器学习模型包括在从多个患者数据集生成的特征数据上训练的集合模型。
22.如权利要求15所述的***，其中所述特征数据至少部分地从所述多个血糖测量值，所述患者的先前血糖测量值，或所述患者的个人数据中的一个或多个生成。
23.根据权利要求15所述的***，还包括可操作地耦合到所述一个或多个处理器的显示器，其中所述显示器被配置为向用户输出通知。
24.根据权利要求23所述的***，其中所述通知包括所预计的血糖水平，所预计的低血糖事件的可能性，或所预计的高血糖事件的可能性中的一个或多个。
25.一种非暂时性计算机可读存储介质，包括指令，当由计算***执行时，该指令使所述计算***执行操作包括：
接收患者的血糖数据和事件数据；
通过将所述血糖数据和所述事件数据输入到患者特定机器学习模型中来生成所述患者未来血糖状态的第一预计，其中所述患者特定机器学习模型是在所述患者的先前血糖数据和先前事件数据上进行训练的；
通过将所述血糖数据和所述事件数据输入到群体机器学习模型中来生成所述未来血糖状态的第二预计，其中所述群体机器学习模型是在多个患者的血糖数据和事件数据上进行训练的；
从所述第一预计，所述第二预计，所述患者的所述血糖数据，和所述患者的所述事件数据中确定多个特征；和
通过将所述多个特征输入到集合机器学习模型中来生成所述未来血糖状态的最终预计，其中所述集合机器学习模型是在从所述多个患者的所述血糖数据和所述事件数据中提取的特征上进行训练的。
CN202080055684.9A 2019-05-31 2020-05-29 用于生物监测和血糖预测的***及相关联方法 Pending CN114207737A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201962855194P 2019-05-31 2019-05-31
US62/855,194 2019-05-31
US202062981914P 2020-02-26 2020-02-26
US62/981,914 2020-02-26
PCT/US2020/035330 WO2020243576A1 (en) 2019-05-31 2020-05-29 Systems for biomonitoring and blood glucose forecasting, and associated methods

Publications (1)

Publication Number Publication Date
CN114207737A true CN114207737A (zh) 2022-03-18

Family

ID=71787110

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080055684.9A Pending CN114207737A (zh) 2019-05-31 2020-05-29 用于生物监测和血糖预测的***及相关联方法

Country Status (8)

Country Link
US (1) US20200375549A1 (zh)
EP (1) EP3977480A1 (zh)
JP (1) JP2022534422A (zh)
KR (1) KR20220016487A (zh)
CN (1) CN114207737A (zh)
AU (1) AU2020283127A1 (zh)
CA (1) CA3142003A1 (zh)
WO (1) WO2020243576A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117422156A (zh) * 2023-12-19 2024-01-19 南京农业大学 一种森林生态***碳储功能评估方法
CN117582222A (zh) * 2024-01-18 2024-02-23 吉林大学 信息化血糖监测***及方法
CN117612737A (zh) * 2024-01-24 2024-02-27 胜利油田中心医院 一种糖尿病护理数据智能优化方法

Families Citing this family (53)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220039755A1 (en) 2020-08-06 2022-02-10 Medtronic Minimed, Inc. Machine learning-based system for estimating glucose values
US11883208B2 (en) 2019-08-06 2024-01-30 Medtronic Minimed, Inc. Machine learning-based system for estimating glucose values based on blood glucose measurements and contextual activity data
US11571515B2 (en) 2019-08-29 2023-02-07 Medtronic Minimed, Inc. Controlling medical device operation and features based on detected patient sleeping status
EP4070322A1 (en) 2019-12-04 2022-10-12 Welldoc, Inc. Digital therapeutic systems and methods
EP4073811A1 (en) * 2019-12-13 2022-10-19 Medtronic MiniMed, Inc. Method and system for training a mathematical model of a user based on data received from a discrete insulin therapy system
US11938301B2 (en) 2019-12-13 2024-03-26 Medtronic Minimed, Inc. Controlling medication delivery system operation and features based on automatically detected muscular movements
US11234619B2 (en) 2019-12-20 2022-02-01 Know Labs, Inc. Non-invasive detection of an analyte using decoupled transmit and receive antennas
WO2021158796A1 (en) 2020-02-05 2021-08-12 Informed Data Systems Inc. D/B/A One Drop Forecasting and explaining user health metrics
EP4121982A1 (en) * 2020-03-20 2023-01-25 Welldoc, Inc. Systems and methods for analyzing, interpreting, and acting on continuous glucose monitoring data
KR102211851B1 (ko) * 2020-03-20 2021-02-03 주식회사 루닛 데이터의 특징점을 취합하여 기계 학습하는 방법 및 장치
CA3180804A1 (en) 2020-04-21 2021-10-28 Informed Data Systems Inc. D/B/A One Drop Systems and methods for biomonitoring and providing personalized healthcare
EP4142573A4 (en) * 2020-04-29 2024-05-29 Dexcom, Inc. HYPOGLYCEMIC EVENT PREDICTION USING MACHINE LEARNING
JP2023529547A (ja) * 2020-05-27 2023-07-11 デックスコム・インコーポレーテッド 機械学習及び時系列グルコース測定値を使用したグルコース予測
US20210378563A1 (en) * 2020-06-03 2021-12-09 Dexcom, Inc. Glucose measurement predictions using stacked machine learning models
US20220061774A1 (en) * 2020-09-03 2022-03-03 Dexcom, Inc. Glucose alert prediction horizon modification
US11510597B2 (en) 2020-09-09 2022-11-29 Know Labs, Inc. Non-invasive analyte sensor and automated response system
US12019034B2 (en) 2020-09-09 2024-06-25 Know Labs, Inc. In vitro sensing methods for analyzing in vitro flowing fluids
US12007338B2 (en) 2020-09-09 2024-06-11 Know Labs Inc. In vitro sensor for analyzing in vitro flowing fluids
US11689274B2 (en) 2020-09-09 2023-06-27 Know Labs, Inc. Systems for determining variability in a state of a medium
US11389091B2 (en) 2020-09-09 2022-07-19 Know Labs, Inc. Methods for automated response to detection of an analyte using a non-invasive analyte sensor
US11764488B2 (en) 2020-09-09 2023-09-19 Know Labs, Inc. Methods for determining variability of a state of a medium
US20220093234A1 (en) * 2020-09-18 2022-03-24 January, Inc. Systems, methods and devices for monitoring, evaluating and presenting health related information, including recommendations
US20220101996A1 (en) * 2020-09-30 2022-03-31 Kyndryl, Inc. Health condition detection and monitoring using artificial intelligence
US20220211329A1 (en) * 2021-01-07 2022-07-07 Universitat Politècnica De València (Upv) Method and system for enhancing glucose prediction
CA3202205A1 (en) * 2021-01-22 2022-07-28 Medtronic Minimed, Inc. Micro models and layered prediction models for estimating sensor glucose values and reducing sensor glucose signal blanking
US20220406465A1 (en) * 2021-02-01 2022-12-22 Teladoc Health, Inc. Mental health risk detection using glucometer data
US20220249002A1 (en) 2021-02-08 2022-08-11 Informed Data Systems Inc. D/B/A One Drop Biosensor excitation methods, and associated systems, devices, and methods
US11468993B2 (en) * 2021-02-10 2022-10-11 Eyethena Corporation Digital therapeutic platform
US11284820B1 (en) 2021-03-15 2022-03-29 Know Labs, Inc. Analyte database established using analyte data from a non-invasive analyte sensor
US11234618B1 (en) * 2021-03-15 2022-02-01 Know Labs, Inc. Analyte database established using analyte data from non-invasive analyte sensors
US11284819B1 (en) 2021-03-15 2022-03-29 Know Labs, Inc. Analyte database established using analyte data from non-invasive analyte sensors
CN113057586B (zh) * 2021-03-17 2024-03-12 上海电气集团股份有限公司 一种病症预警方法、装置、设备及介质
CN113057587A (zh) * 2021-03-17 2021-07-02 上海电气集团股份有限公司 一种病症预警方法、装置、电子设备及存储介质
WO2022201153A1 (en) * 2021-03-22 2022-09-29 Given Imaging Ltd. System and method for in-vivo inspection
EP4075444A1 (en) * 2021-04-14 2022-10-19 Roche Diabetes Care GmbH Method and means for postprandial blood glucose level prediction
EP4074256A1 (en) 2021-04-16 2022-10-19 Jean Neol Gouze Detection of prolonged postprandial hyperglycemia, glycemic peak linear prediction and insulin delivery adjustment
WO2022235618A1 (en) * 2021-05-03 2022-11-10 The United States Government As Represented By The Department Of Veterans Affairs Methods, systems, and apparatuses for preventing diabetic events
WO2022234032A2 (en) * 2021-05-05 2022-11-10 Novo Nordisk A/S Methods and systems for estimating fasting glucose values
US20220361779A1 (en) * 2021-05-17 2022-11-17 Dexcom, Inc. Systems for Determining Similarity of Sequences of Glucose Values
WO2022251884A1 (en) * 2021-05-28 2022-12-01 The Board Of Trustees Of The Leland Stanford Junior University Systems and methods for assessment of glucose metabolic health
WO2023031355A1 (en) * 2021-09-01 2023-03-09 Rockley Photonics Limited Health state estimation using machine learning
CN114141374B (zh) * 2021-12-07 2022-11-15 中南大学湘雅二医院 孤独症发病预测模型构建方法、预测方法及装置
USD991063S1 (en) 2021-12-10 2023-07-04 Know Labs, Inc. Wearable non-invasive analyte sensor
CN113951879B (zh) * 2021-12-21 2022-04-05 苏州百孝医疗科技有限公司 血糖预测方法和装置、监测血糖水平的***
WO2023201010A1 (en) * 2022-04-14 2023-10-19 Academia Sinica Non-invasive blood glucose prediction by deduction learning system
EP4287210A1 (en) * 2022-06-02 2023-12-06 Diabeloop DEVICE, COMPUTERIZED METHOD, MEDICAL SYSTEM FOR&#xA;DETERMINING A PREDICTED VALUE OF GLYCEMIA
US11802843B1 (en) 2022-07-15 2023-10-31 Know Labs, Inc. Systems and methods for analyte sensing with reduced signal inaccuracy
FR3138292A1 (fr) * 2022-07-29 2024-02-02 L'air Liquide, Societe Anonyme Pour L'etude Et L'exploitation Des Procedes Georges Claude Equipement de télé-suivi d’un patient diabétique
CN115862795A (zh) * 2022-09-22 2023-03-28 深圳可孚生物科技有限公司 一种基于预训练和数据分解两阶段的血糖预测方法
KR102608201B1 (ko) * 2022-10-18 2023-11-30 주식회사 쿡플레이 데이터 기반 개인 맞춤형 식단제공을 통한 혈당관리방법 및 시스템
CN115779229B (zh) * 2022-12-08 2024-02-02 深圳正岸健康科技有限公司 一种改善睡眠的方法与***
KR102651312B1 (ko) * 2023-08-31 2024-03-26 (주)닥터다이어리 혈당 데이터 테이블 기반의 당화혈색소 추정치 제공 방법, 장치 및 프로그램
KR102664489B1 (ko) * 2023-11-22 2024-05-14 주식회사 필라이즈 디지털 서비스 기반의 연속 혈당 측정을 이용한 혈당 예측 장치, 방법

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8548544B2 (en) * 2006-06-19 2013-10-01 Dose Safety System, method and article for controlling the dispensing of insulin

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117422156A (zh) * 2023-12-19 2024-01-19 南京农业大学 一种森林生态***碳储功能评估方法
CN117422156B (zh) * 2023-12-19 2024-03-22 南京农业大学 一种森林生态***碳储功能评估方法
CN117582222A (zh) * 2024-01-18 2024-02-23 吉林大学 信息化血糖监测***及方法
CN117582222B (zh) * 2024-01-18 2024-03-29 吉林大学 信息化血糖监测***及方法
CN117612737A (zh) * 2024-01-24 2024-02-27 胜利油田中心医院 一种糖尿病护理数据智能优化方法
CN117612737B (zh) * 2024-01-24 2024-05-03 胜利油田中心医院 一种糖尿病护理数据智能优化方法

Also Published As

Publication number Publication date
AU2020283127A1 (en) 2022-01-20
EP3977480A1 (en) 2022-04-06
CA3142003A1 (en) 2020-12-03
WO2020243576A1 (en) 2020-12-03
JP2022534422A (ja) 2022-07-29
KR20220016487A (ko) 2022-02-09
US20200375549A1 (en) 2020-12-03

Similar Documents

Publication Publication Date Title
US20200375549A1 (en) Systems for biomonitoring and blood glucose forecasting, and associated methods
JP6882227B2 (ja) 分析物データの処理およびレポートを生成するためのシステムおよび方法
US20200258632A1 (en) Hazard based assessment patterns
Meneghetti et al. Data-driven anomaly recognition for unsupervised model-free fault detection in artificial pancreas
US20210391081A1 (en) Predictive guidance systems for personalized health and self-care, and associated methods
US20210241916A1 (en) Forecasting and explaining user health metrics
KR102400740B1 (ko) 사용자의 건강상태 모니터링 시스템 및 이의 분석 방법
US20200075167A1 (en) Dynamic activity recommendation system
US11676734B2 (en) Patient therapy management system that leverages aggregated patient population data
US10575790B2 (en) Patient diabetes monitoring system with clustering of unsupervised daily CGM profiles (or insulin profiles) and method thereof
EP4121982A1 (en) Systems and methods for analyzing, interpreting, and acting on continuous glucose monitoring data
US20210383925A1 (en) Systems for adaptive healthcare support, behavioral intervention, and associated methods
US20220361823A1 (en) Wearable blood pressure biosensors, systems and methods for short-term blood pressure prediction
Srinivasan et al. A human-in-the-loop segmented mixed-effects modeling method for analyzing wearables data
Ahmed et al. Recent trends and techniques of blood glucose level prediction for diabetes control
Kumar et al. An Application for Predicting Type II Diabetes Using an IoT Healthcare Monitoring System
Khanam et al. From data to insights: Leveraging machine learning for diabetes management
Nithiya et al. A Diabetes Monitoring System and Health-Medical Service Composition Model in Cloud Environment

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