ES2962508T3 - Visualización de valores biológicos - Google Patents

Visualización de valores biológicos Download PDF

Info

Publication number
ES2962508T3
ES2962508T3 ES12000442T ES12000442T ES2962508T3 ES 2962508 T3 ES2962508 T3 ES 2962508T3 ES 12000442 T ES12000442 T ES 12000442T ES 12000442 T ES12000442 T ES 12000442T ES 2962508 T3 ES2962508 T3 ES 2962508T3
Authority
ES
Spain
Prior art keywords
biological
values
measurements
estimated
grouped
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.)
Active
Application number
ES12000442T
Other languages
English (en)
Inventor
Ildiko Amann-Zalan
Paul Galley
Alan Greenburg
Juergen Rasch-Menges
Abhishek Soni
Ajay Thukral
Stefan Weinert
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
Priority claimed from US13/017,526 external-priority patent/US20110196213A1/en
Application filed by F Hoffmann La Roche AG filed Critical F Hoffmann La Roche AG
Application granted granted Critical
Publication of ES2962508T3 publication Critical patent/ES2962508T3/es
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • 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
    • A61B5/72—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
    • A61B5/743—Displaying an image simultaneously with additional graphical information, e.g. symbols, charts, function plots
    • 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
    • G16H40/63—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 local 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
    • G16H50/70—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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
    • 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
    • G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
    • 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
    • G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training

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)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Business, Economics & Management (AREA)
  • Radiology & Medical Imaging (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Emergency Medicine (AREA)
  • Optics & Photonics (AREA)
  • Databases & Information Systems (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

Los métodos para proporcionar valores biológicos estimados o pronosticados en una presentación seccionada para evaluar el impacto relativo de un conjunto de variables incluyen recolectar mediciones biológicas, agrupar las mediciones biológicas basándose en el conjunto de variables, evaluar las mediciones biológicas para determinar valores biológicos estimados agrupados o valores biológicos pronosticados agrupados, y proporcionar los valores biológicos estimados agrupados o los valores biológicos predichos agrupados dentro de una pluralidad de secciones en la presentación seccionada, en donde la pluralidad de secciones corresponden al conjunto de variables. (Traducción automática con Google Translate, sin valor legal)

Description

DESCRIPCIÓN
Visualización de valores biológicos
Campo técnico
La divulgación se refiere al control fisiológico y, en particular, a procedimientos y visualizaciones para proporcionar valores biológicos estimados y pronosticados a partir de mediciones biológicas.
Antecedentes
Para controlar la glucemia, la Asociación Estadounidense de Diabetes (ADA) recomienda la prueba de hemoglobina AIC, a continuación en el presente documento, HbA1C. Los profesionales sanitarios (PS) usan la HbA1C como marcador sustituto para evaluar la glucemia de un paciente durante un periodo previo de 2 a 3 meses y como parámetro objetivo mediante el que tratar a los pacientes. Por ejemplo, el valor de HbA1C, que se puede presentar como porcentaje de glucohemoglobina o en unidades estandarizadas internacionales mmol/mol (por la Federación Internacional de Bioquímica Clínica, IFCC), es necesario para que el profesional sanitario decida o recomiende un cambio en el tratamiento de un paciente. La modificación del tratamiento puede incluir un cambio, una adición o una conmutación en el tratamiento con insulina, medicamento oral, nutrición, actividad física o combinaciones de los mismos para regular la glucosa de un paciente con el objetivo de mejorar el valor de HbA1C de un paciente. Para una determinación de alta calidad (es decir, coeficiente de variación (CV) <3 %) del valor de HbA1C, los ensayos de HbA1C son la norma en los que se someten a prueba muestras de sangre para determinar el grado de glucación de la hemoglobina mediante el uso de dispositivos de laboratorio tales como, por ejemplo, un analizador D-10 de Bio-Rad Laboratories o un analizador G-7 de Tosoh Bioscience, Inc. Para una evaluación aproximada de la glucemia, los profesionales sanitarios usan de forma alternativa valores de glucemia (Gl) para determinar un valor promedio de glucosa y, a continuación, interpretan los resultados para derivar un valor estimado de HbA1C a partir de los valores de control puntual de glucemia (SMBG). Sin embargo, el valor estimado de HbA1C así obtenido mediante dicho procedimiento, en general, es de mala calidad (es decir, CV >5 %).
Otros procedimientos para resolver un valor medio real de la Gl y estimar el valor de HbA1C se han basado tanto en los datos de SMBG recopilados durante diversos ensayos clínicos como en las relaciones derivadas de ellos. Por ejemplo, muchos de dichos procedimientos usan datos de SMBG para desarrollar modelos de predicción basados en procedimientos estadísticos. Otros procedimientos consideran esquemas de valores de Gl ponderados con predicadores adicionales, tal como un valor de HbA1C previo, para determinar un valor de HbA1C estimado usando una relación de estudio observada. Aunque todavía otros procedimientos incluyen además transformar un valor de la Gl y, a continuación, usar el valor de la Gl transformado para determinar el valor estimado de HbA1C. Sin embargo, dichos procedimientos tienen los siguientes potenciales problemas: típicamente se necesita volver a ajustar los parámetros del modelo, la correlación todavía es, general, mala (es decir, CV >5 %), los errores estándar son grandes típicamente y no se realizan ajustes para tener en cuenta las variaciones relacionadas con el estilo de vida, de modo que cualquier solución específica al paciente informada no sea lo suficientemente específica como para tener en cuenta las variaciones relacionadas con el estilo de vida.
Se debe apreciar que uno de los factores limitantes clave para encontrar un buen algoritmo genérico que proporcione una estimación exacta de la HbA1C (es decir, determinar el valor actual de la HbA1C) o una predicción (es decir, determinar el valor futuro de la HbA1C) es la dificultad para obtener información exhaustiva y datos detallados de glucemia (muestreos con frecuencia) en diversas condiciones. Por ejemplo, los estudios que tienen conjuntos de datos basados en el control continuo de la glucemia, aunque proporcionan datos densos, típicamente, se realizan en tamaños de población relativamente más pequeños y con duraciones que son relativamente más cortas que los estudios con conjuntos de datos de SMBG. Con SMBG, por otra parte, existe una limitación práctica en cuanto a la cantidad de mediciones que se pueden recopilar. Como la Gl varía durante el día, debido a muchos factores tales como la actividad física, la respuesta a las comidas, la respuesta a los fármacos (tales como fármacos orales o insulina) y el estrés, etc., no es posible conseguir una imagen precisa de la fluctuación de la glucosa con solo unas pocas mediciones diarias. Esto significa que los conjuntos de datos de SMBG (es decir, conjuntos de datos basados en intervalos de tiempo), a menudo, no logran capturar la variación real de la Gl del paciente con diabetes (PwD). A continuación, la implicación es que los modelos de predicción resultantes normalmente son muy específicos del estudio. Por lo tanto, dichos modelos de predicción no se pueden ampliar para tener en cuenta otras variables no abordadas por el/los estudio(s) en los que se basaron ni usarse en una situación alternativa para hacer predicciones sin la necesidad de un ensayo clínico adicional para validar dichas ampliaciones del modelo. Además, como dichos procedimientos no tienen en cuenta el contexto asociado con las mediciones de la Gl o, en otras palabras, no tienen en cuenta la(s) influencia(s) de acontecimientos tales como la ingesta de carbohidratos, la actividad física, el tratamiento con insulina, el tratamiento con fármacos orales, etc., dichos procedimientos, en general, no son adecuados para determinar un valor estimado de HbA1C de buena calidad (es decir, CV <3 %) para el estilo de vida específico de un paciente. La falta de contexto asociada con las mediciones también puede limitar la aplicación de los resultados al estudiar otros factores de fluctuación glucémica o no glucémica (por ejemplo, lipidogramas, perfil de concentración de insulina, perfil de frecuencia cardíaca, suponiendo la disponibilidad de control puntual/continuo del respectivo parámetro). Por último, dichos procedimientos no consiguen proporcionar el parámetro estimado, tal como los valores estimados de HbA1 C (u otros parámetros tales como glucosa media, glucosa ponderada, fructosamina, biomarcadores para diversos niveles de lípidos, etc.) de una manera que pueda permitir evaluar el impacto relativo de diversos componentes en la HbA1C total de un paciente de una manera que proporcionaría una evaluación rápida de un tratamiento implementado. El documento US 2008125636 divulga modos de realización que proporcionan procedimientos, aparatos y sistemas asociados con la detección, análisis y/o visualización de niveles históricos de glucosa y/o tendencias en un organismo.
El documento US5822715 divulga un sistema de gestión de la diabetes para predecir un valor futuro de glucemia de un paciente y para recomendar una acción correctiva al paciente cuando el valor futuro de glucemia se encuentra fuera de un intervalo objetivo. El sistema incluye un aparato que hace funcionar el paciente para medir los valores de glucemia y para almacenar datos relacionados con las dosis de insulina administradas al paciente. El aparato predice el valor futuro de glucemia del paciente en función del valor actual de glucemia del paciente, la fracción de acción de insulina que queda de las dosis de insulina y la sensibilidad a la insulina del paciente. El aparato también determina la acción correctiva para el paciente cuando el valor de glucemia pronosticado se encuentra fuera de un intervalo objetivo. El sistema también incluye un ordenador para el médico en comunicación con el aparato para recibir los valores de glucemia y datos de dosis de insulina y para calcular una sensibilidad a la insulina para su uso en predicciones posteriores.
El documento EP0483595 divulga un sistema automatizado de interpretación de datos de diabetes que combina planteamientos informáticos simbólicos y numéricos para identificar y resaltar hallazgos clínicos clave en los datos de diabetes registrados por el propio paciente. Los datos de la patente, que incluyen los niveles de glucemia y los niveles de dosificación de insulina, registrados por un paciente diabético durante un periodo de tiempo por medio de un glucómetro o similar, se descargan inicialmente en un sistema de procesamiento central tal como un ordenador personal. Los datos de diabetes aceptados se procesan posteriormente para (a) identificar pautas de dosificación de insulina correspondientes a cambios significativos predefinidos en la dosificación de insulina que se mantienen durante al menos un segmento predefinido del periodo total de recopilación de datos, (b) identificar cambios estadísticamente significativos en niveles de glucemia resultantes en los periodos contiguos a los periodos de pautas de insulina identificados, y (c) identificar cambios clínicamente significativos en los niveles de glucemia a partir de los cambios en los niveles de glucosa estadísticamente significativos identificados. Los resultados del procesamiento de datos de diabetes se generan en forma de un informe de interpretación de datos exhaustivo pero fácilmente comprensible que destaca los resultados del procesamiento, que incluyen detalles relacionados con las pautas de insulina identificadas y los cambios clínicamente significativos asociados en los niveles de glucosa.
El documento US2008214841 divulga un dispositivo de autocontrol de la tensión arterial que incluye un generador de alarmas para recordar al paciente que debe realizar mediciones de la tensión arterial de acuerdo con una pauta predeterminada. El dispositivo realiza una fase específica de medición de la tensión arterial de acuerdo con un criterio clínicamente validado y calcula una lectura precisa de la tensión arterial basándose en una pluralidad de valores de medición. El dispositivo también tiene un modo de decisión terapéutica, que puede controlar la tensión arterial para evaluar el efecto del tratamiento con fármacos antihipertensores. En el modo ampliado, el generador de alarmas funciona de acuerdo con una medición diaria predeterminada para recordarle al paciente que debe medirse la tensión arterial después de ingerir el fármaco. También durante la fase de tratamiento, el fármaco antihipertensor puede afectar a la probabilidad de latidos cardíacos irregulares, lo que puede ser un índice de referencia para evaluar los tipos y dosis de fármaco antihipertensor tratado. El dispositivo también puede usar un conmutador seleccionable para funcionar como un tensiómetro doméstico normal.
Primary Care Diabetes, 20081201 ELSEVIER, AMSTERDAM, NL - ISSN 1751-9918 divulga que el autocontrol posprandial de los valores de glucemia se correlaciona más estrechamente con la HbA1C que los valores en ayunas.
El documento US 2010/330598 A1 divulga la recopilación de mediciones biológicas junto con su contexto asociado de acuerdo con un esquema de muestreo y la señalización de los datos por incumplimiento del esquema de muestreo.
Sumario
En un modo de realización no cubierto por las reivindicaciones, se proporciona un procedimiento para proporcionar valores biológicos estimados o pronosticados en una visualización seccionada para evaluar el impacto relativo de un conjunto de variables. El procedimiento incluye recopilar mediciones biológicas, agrupar las mediciones biológicas en base al conjunto de variables y evaluar las mediciones biológicas para determinar valores biológicos estimados agrupados o valores biológicos pronosticados agrupados. El procedimiento proporciona además los valores biológicos estimados agrupados o los valores biológicos pronosticados agrupados dentro de una pluralidad de secciones en la visualización seccionada, en el que la pluralidad de secciones corresponde al conjunto de variables. Los datos se analizan para determinar el cumplimiento de un protocolo de prueba y se marca la falta de cumplimiento si se determina que las mediciones recopiladas no lo cumplen. Las mediciones se recopilan en torno a un esquema de medicación estructurado y las mediciones biológicas se agrupan para apreciar el efecto que tiene cada esquema de medicación sobre los valores biológicos estimados o pronosticados, de modo que sea comprensible el impacto relativo que tienen diversos medicamentos.
Un dispositivo de visualización seccionada de acuerdo con la invención se define en la reivindicación 1.
Estas y otras ventajas y rasgos característicos divulgados en el presente documento resultarán más evidentes a partir de la descripción, los dibujos y las reivindicaciones que siguen.
Breve descripción de los dibujos
La siguiente descripción detallada de los modos de realización de la presente invención se puede entender mejor cuando se lee junto con los siguientes dibujos, donde una estructura similar se indica con números de referencia similares, y en los que:
la fig. 1 representa un conjunto de datos tabulados de la simulación de un sistema basado en el Modelo Mortensen con una simplificación de acuerdo con la presente divulgación;
la fig. 2 representa gráficamente valores de HbA1C generados mediante simulación que se representan gráficamente frente a valores medios de la Gl;
la fig. 3 representa gráficamente un modelo de perturbación;
la fig. 4 representa gráficamente los resultados obtenidos de la simulación que muestran que la Gl media real se relaciona linealmente con la HbA1C, por lo que se ilustran variaciones glucémicas tanto positivas como negativas; la fig. 5 representa gráficamente un patrón de estilo de vida diario normal de un individuo para un día modal que consiste en un periodo durante la noche y 3 tipos de comidas: desayuno, almuerzo y cena;
la fig. 6 representa en un diagrama de bloques selecciones de comidas desde una perspectiva de fluctuación glucémica categorizadas por tipo de comida, cantidad de comida y velocidad de la comida;
la fig. 7 representa gráficamente una agrupación de secciones de glucosa por tipo de acontecimiento para caracterizar y cuantificar las secciones para ayudar a identificar parámetros que proporcionaron una alta proporción de correlación;
la fig. 8 representa gráficamente 4 esquemas de ponderación considerados al desarrollar un modelo de predicción para HbA1C de acuerdo con la presente divulgación;
la fig. 9 representa gráficamente una fuerte relación lineal entre HbA1C y la medición de la Gl posprandial cuando t >150 minutos;
la fig. 10 representa gráficamente la calidad de la HbA1C estimada para diversos valores de un centro de margen (CenMarg) y un tamaño de margen (TamMarg) para el contexto de estilo de vida representado gráficamente mediante valores de R al cuadrado;
la fig. 11 representa gráficamente la calidad de la HbA1C estimada para diversos valores de un centro de margen (CenMarg) y un tamaño de margen (TamMarg) para el contexto de estilo de vida representado gráficamente mediante errores de R al cuadrado;
la fig. 12 representa gráficamente una comparación entre la ponderación del estilo de vida diario y ninguna ponderación del estilo de vida diario y muestra que la ponderación del estilo de vida diario produce un error cuadrático medio menor;
la fig. 13 representa gráficamente el impacto del periodo de visitas (nDías) y el número de muestras (nMuestras) para un CenMarg de 190 minutos y un TamMarg de 50 minutos;
la fig. 14 representa gráficamente una proporción de muestreo representada gráficamente frente a valores de R al cuadrado;
las figs. 15A-E representan cada una gráficamente un esquema de muestreo para datos de la Gl muestreados a los que se les hace una regresión y se representan gráficamente en % de HbA1C y que muestran que los parámetros para cada regresión lineal están muy próximos entre sí;
las figs. 16A-E representan cada una gráficamente un esquema de muestreo para datos de la Gl muestreados a los que se les hace una regresión y se representan mediante % de HbA1C con una línea de predicción (línea central) y límites de un intervalo de confianza (IC) del 95 % (por encima y por debajo de las curvas) mostrados en las curvas secundarias;
la fig. 17 representa, en un diagrama de bloques, un sistema basado en procesador de acuerdo con uno o más modos de realización mostrados o descritos en el presente documento;
la fig. 18 es un diagrama de flujo para procesar datos de acuerdo con uno o más modos de realización mostrados o descritos en el presente documento;
la fig. 19 es otro diagrama de flujo para procesar datos de acuerdo con uno o más modos de realización mostrados o descritos en el presente documento;
la fig. 20 es un diagrama de flujo de un procedimiento de administración para proporcionar valores estimados de HbA1C agrupados en una visualización seccionada de acuerdo con uno o más modos de realización mostrados o descritos en el presente documento;
la fig. 21 es una visualización ejemplar de agrupación de mediciones en la preparación para proporcionar valores agrupados en una visualización seccionada de acuerdo con uno o más modos de realización mostrados o descritos en el presente documento;
la fig. 22 es una primera visualización seccionada ejemplar de acuerdo con uno o más modos de realización mostrados o descritos en el presente documento;
la fig. 23 es una segunda visualización seccionada ejemplar de acuerdo con uno o más modos de realización mostrados o descritos en el presente documento;
la fig. 24 es una tercera visualización seccionada ejemplar de acuerdo con uno o más modos de realización mostrados o descritos en el presente documento;
la fig. 25 es una cuarta visualización seccionada ejemplar de acuerdo con uno o más modos de realización mostrados o descritos en el presente documento;
la fig. 26 es una quinta visualización seccionada ejemplar de acuerdo con uno o más modos de realización mostrados o descritos en el presente documento;
la fig. 27 es una sexta visualización seccionada ejemplar de acuerdo con uno o más modos de realización mostrados o descritos en el presente documento;
la fig. 28 es una séptima visualización seccionada ejemplar de acuerdo con uno o más modos de realización mostrados o descritos en el presente documento;
la fig. 29 es una octava visualización seccionada ejemplar de acuerdo con uno o más modos de realización mostrados o descritos en el presente documento;
la fig. 30 es una novena visualización seccionada ejemplar de acuerdo con uno o más modos de realización mostrados o descritos en el presente documento;
la fig. 31 es una pantalla textual ejemplar para solicitar y transmitir información detallada con respecto a las mediciones biológicas y/o los valores biológicos estimados o pronosticados de acuerdo con uno o más modos de realización mostrados o descritos en el presente documento; y
la fig. 32 es un diagrama de flujo de un procedimiento de visualización selectiva de acuerdo con uno o más modos de realización mostrados o descritos en el presente documento.
Descripción detallada
Se debe apreciar que los modos de realización de la presente divulgación potencian el programa informático y/o equipo informático existente que recupera y procesa mediciones biológicas tales como datos de glucemia (Gl). Los modos de realización de la divulgación se pueden incorporar directamente a glucómetros domésticos existentes, o se pueden usar para potenciar el programa informático que recupera y procesa mediciones biológicas (por ejemplo, datos de Gl), mediante la introducción de un procedimiento para entregar valores biológicos estimados (por ejemplo, valores de glucohemoglobina (HbA1 C)) de buena calidad a partir de mediciones biológicas puntuales estructuradas que tienen un coeficiente de variación (CV) inferior al 5 % en un modo de realización, e inferior al 3 % en, preferentemente, un modo de realización.
En las secciones que siguen, en primer lugar se hace un análisis del enfoque ejemplar usado para derivar las ecuaciones para proporcionar el valor medio real estimado de glucemia (Gl) y el valor estimado de glucohemoglobina (HbAIC) a partir de mediciones puntuales estructuradas de glucemia (es decir, datos de Gl) recopilados, según un esquema de medición de acuerdo con la presente divulgación. Se debe apreciar que el esquema de medición de acuerdo con la presente divulgación supone que el paciente con diabetes mantiene un comportamiento promedio repetible, con lo que las excepciones de recopilación (es decir, momentos de prueba faltantes) los gestiona el algoritmo sobre el valor estimado de HbA1C. Además, se debe apreciar que la utilidad de proporcionar un valor estimado de HbA1C que demuestre un control continuo de la glucemia proporcionará una idea bastante exacta del nivel general de glucemia de los pacientes con diabetes, en comparación con la incertidumbre asociada con la estimación de la glucemia y su variación basada solo en el control puntual. Adicionalmente, determinados valores de HbA1C se han vinculado con diversos estados patológicos y, por tanto, tener un buen valor estimado de HbA1C entre los valores de los ensayos de laboratorio puede ayudar a identificar más pronto el potencial riesgo de un paciente asociado a complicaciones a largo plazo, tales como complicaciones de microangiopatía (retinopatía, neuropatía, nefropatía). Además, proporcionar una evaluación de la glucemia total por medio de un valor estimado de HbA1C de buena calidad puede capacitar a los pacientes con diabetes a gestionar mejor su diabetes. De forma alternativa, usando un margen más corto, el algoritmo puede proporcionar la HbA1 C pronosticada que permita a los pacientes con diabetes y a los profesionales sanitarios conocer el impacto del estilo de vida actual en la HbA1C futura. A continuación, sigue un análisis de la metodología usada para proporcionar el valor medio real estimado de glucemia, el valor estimado de glucohemoglobina (HbA1C) y otros valores biológicos estimados y pronosticados a partir de mediciones biológicas recopiladas de acuerdo con la presente divulgación.
Cinética de la glucación de la hemoglobina
La glucación es una reacción química no enzimática en la que las moléculas de glucosa se unen a los grupos aminoacídicos de las proteínas. De las muchas proteínas glucadas, la hemoglobina A1C es bastante estable y una de las formas dominantes de glucohemoglobina. La síntesis de HbA1C es principalmente una condensación de hexosa con la estructura de la hemoglobina para formar un aducto intermedio inestable de base de Schiff, o aldimina, seguido del reordenamiento de Amadori para formar el aducto estable de cetoamina, HbA1C. La cinética de la glucación de la hemoglobina a la concentración de glucosa circundante se puede modelar mediante tres ecuaciones diferenciales, ecuaciones (1)-(3), que se divulgan más completamente en la publicación de Mortensen, HB; H. B.;" Glycated hemoglobin. Reaction and biokinetic studies. Clinical application of hemoglobin A1c in the assessment of metabolic control in children with diabetes mellitus,"Danish medical bulletin (1985), 32(6), págs.
309-328. El modelo de acuerdo con las ecuaciones (1)-(3) se denomina en el presente documento modelo de Mortensen.
Modelo de Mortensen
U- d A = - k 12H bAG k 21H bA1d(1),
dH bA1d
dt = k 12H bAG -(k21 k23)H bA1d k 32H bA1c(2) , y
dH bA1c
dt = k 23H bA1d - k 32H bA1c(3) .
En el modelo de Mortensen, el términoHbArepresenta el subconjunto de eritrocitos de la misma edad, en el que el conjunto consiste en cohortes de eritrocitos de distinta edad. El comportamiento de cada cohorte está representado por un conjunto correspondiente de ecuaciones (1) a (3). De la publicación de Mortensen, los parámetros dekusados en el modelo se conocen como sigue: k12 = 5,76 mmol/l/min; k21 = 0,006 /min; k23 = 0,000852 /min; y k32 = 0,000102 /min. Después, para someter a prueba la utilidad del modelo de Mortensen para ayudar a generar una relación básica entre HbA1C y Gl, se ejecutaron simulaciones de glucación en datos simulados para fluctuaciones de la Gl relacionadas con las comidas que se analizan más adelante.
Configuración de la simulación de glucación
Las fluctuaciones de la Gl relacionadas con las comidas se evaluaron en primer lugar usando fórmulas matemáticas simples, con lo que los datos simulados ayudaron a generar una relación básica entre HbA1C y Gl. Se debe apreciar que la glucación de eritrocitos es un proceso continuo. Sin embargo, los eritrocitos tienen una longevidad finita de aproximadamente 120 días. Dependiendo de las necesidades del problema, se pueden usar otros valores de longevidad, tales como los que varían más o menos de 90~120 días, para cubrir diferentes grupos de población y/o condiciones fisiológicas. Esto significa que, además de la glucación, continuamente se añaden y eliminan eritrocitos del proceso de glucación. A medida que se reemplazan los eritrocitos envejecidos, se debe controlar el estado de glucación de todas las células. Desde una perspectiva de simulación, en lugar de usar las ecuaciones (1)-(3) para cada célula, se realizó una simplificación agrupando las células en cohortes de células de igual edad. En particular para la configuración de simulación de glucación, se consideraronnnúmeros de cohortes de eritrocitos, con lo que cada una de las cohortes estaba descrita por el conjunto de las 3 ecuaciones diferenciales (ecuaciones (1)-(3)). Se supone que cada cohorte tiene una longevidad dendías. Cuando se alcanza la edad máxima de una cohorte, una nueva cohorte la reemplaza. La simulación manejó esto restableciendo los 3 estados de la cohorte más antigua (es decir, cuando la edad de la cohorte alcanza su longevidad de 120 días) al estado de una cohorte nueva de eritrocitos con hemoglobina no glucada. En total, hubonconjuntos de ecuaciones diferenciales usados en la simulación, en la que cada conjunto de ecuaciones representaba un estado de la cohorte correspondiente.
Los 3n estados se almacenaron en columnas como se muestra esquemáticamente en la fig. 1, que representan un conjunto de datos tabulados de la simulación del sistema del modelo de Mortensen usando la simplificación mencionada anteriormente. En cada nuevo instante de tiempo, los valores para cada uno de los estados se registraron en la siguiente fila nueva como un conjunto de registros, con lo que la glucación de cada cohorte en un momento dado es el valor del 3.er estado. La HbA1C neta en porcentaje (%) se puede obtener sumando el estado de HbA1C para cada miembro de la cohorte de acuerdo con la ecuación (4):
n
H B a i c =100^ x,
i=3,9...
(4) ,
donde el contador de sumaies la columna correspondiente al estado de HbA<1>C. Usando las ecuaciones (1)-(4), se puede simular la HbA1C para un perfil de Gl arbitrario. El valor medio real de glucemia, G/ puede venir dado, por tanto, por la ecuación 5:
__A B C
G l = -D---u-r-a--c- —
i ó n
(5) ,
en la que el ABC es el área bajo una curva de fluctuación continua de la Gl. Sin embargo, cuando las mediciones de la Gl son escasas y no continuas, como en el caso de las mediciones puntuales de Gl, entonces se debe apreciar que la ecuación 5 ya no es válida. En consecuencia, se derivó una nueva relación para estimar la Gl media real como sigue.
Casos simulados
Bajo la configuración idealizada mencionada anteriormente, a continuación, se examinó la relación entre los perfiles periódicos de glucosa y los valores correspondientes de HbA1C para derivar percepciones y relaciones útiles. Específicamente, se examinaron dos perfiles: (1) perfil de glucosa sinusoide con desviación (ecuación (6)); y (2) perfil de función gamma con desviación (ecuación (8)). Estas funciones se pueden ver como representativas del acontecimiento de comida con comportamiento de glucosa posprandial para distintos niveles de control, con lo que la glucosa constante es un caso especial de ambas funciones. Para el perfil de glucosa sinusoide, la ecuación (6) se define como:
G l<= G l,const '>A ( ' - “ “ ( r 1) )
(6),
donde,G lconstproporciona la desviación de estado estable y A<^1>- cos(2 ^ ) ) es la curva del coseno con amplitud A y periodo T. La fig. 2 muestra los valores de HbA1C generados por la simulación representados gráficamente frente a los valores medios de la Gl. Los resultados en la fig. 2 muestran que la Gl media real para el perfil de glucosa continuo y la HbA1C simulada es aproximadamente lineal, como lo muestran los símbolos "o". También muestra que la HbA1C obtenida con una Gl constante y la de una Gl oscilante son aproximadamente idénticas si tienen el mismo valor medio de Gl. Si se compara la HbA1C resultante de dos entradas sinusoides, que son idénticas excepto por la frecuencia, la HbA1C de la señal que varía más lentamente tendrá una tasa de glucación comparativamente más alta. La tasa de señal tiene efecto, pero en condiciones de interés es pequeño. La curva continua muestra una relación conocida entre la HbA1C y la Gl media y se usa como referencia.
El modelo de perturbación (en el que se usó la función gamma para modelar la perturbación) se muestra en la fig.
3, y se describe mediante la función definida por la ecuación (7):
ta - 1e 1/ ^
f V=t> 0
p r c a )
(7).
En este modo de realización de simulación, se usó la función gamma para representar la fluctuación de la glucosa después de las comidas. En términos generales, el modelo muestra un modelo de glucosa de dos (2) compartimentos en un estado posprandial. Se ha usado principalmente para comprender el impacto de la glucosa que varía desde los aspectos de las diferentes tasas de aumento, disminución y magnitud de una fluctuación posprandial. Los parámetros a y p representan aproximadamente el número de compartimentos y el tiempo hasta alcanzar el pico. De hecho, si a se establece en 2, se considera un compartimento de 2.° orden con una constante de tiempo para ambos compartimentos igual a p (sistema de 2.° orden con polos repetidos). Por lo tanto, la función anterior de acuerdo con la ecuación (7) se simplifica a:
t e 1/
f ( t )= ,t > 0. El valor de pico de la funciónf(t) se alcanza cuando t = p. El valor de pico
1
es entonces — Por lo tanto, la fluctuación de glucosa usada en el presente documento se puede definir mediante la ecuación 8:
A e
G l( t )=G ltconst t e 1 / ,t> 0
1
(8),
dondeAes el valor de pico de la Gl con respecto aG lconst.
A continuación, se estudió tanto analíticamente como mediante simulación la respuesta de la HbAIC a las fluctuaciones de glucosa durante diversos momentos hasta alcanzar el pico y los valores de pico. Las funciones gamma para las diversas combinaciones de los parámetros estudiados se enumeran en la tabla 1.
Tabla 1: Configuración de los parámetros para la función gamma
Los resultados obtenidos de la simulación muestran que la Gl media real se relaciona linealmente con la HbAIC. Esta relación lineal se muestra en la fig. 4, con lo que se ilustran variaciones glucémicas tanto positivas como negativas. La línea continua por encima del 4 % de HbAIC es para la variación glucémica positiva con respecto a una señal constante de 100 mg/dl y la línea discontinua por debajo del 4 % de HbAlC es para la variación glucémica negativa. Para proporcionar un valor estimado de HbAIC más exacto (y, por tanto, más útil), por ejemplo, que tiene menos del 3 % de CV, se necesita una Gl media real estimada más exacta. Sin embargo, se debe apreciar que, en el caso de los dispositivos de medición puntual, incrementar el conjunto de datos de mediciones de Gl en los que basar una Gl media real estimada más exacta no es práctico, ya que un paciente con diabetes solo puede cumplir tolerablemente con aproximadamente de 3 a 6 mediciones a diario. Adicionalmente, los valores de la Gl se usan en el tratamiento intensivo con insulina para regular principalmente la glucosa hasta alcanzar el objetivo. Esto significa que los momentos de medición de la Gl dependen de los requisitos del tratamiento intensivo y no de proporcionar una mejor estimación de la Gl media real. Esto es especialmente cierto en el caso de los pacientes con diabetes de tipo I. Además, por consideraciones prácticas, la medición de la Gl no se puede limitar a un instante de tiempo específico. Y, por último, los datos analizados normalmente cubren dos visitas consecutivas del paciente al profesional sanitario. El periodo entre visitas puede variar de 3 a 4 meses. En consecuencia, teniendo en cuenta las cuestiones anteriores, los autores de la invención determinaron que era más realista especificar un margen de tiempo para la medición de la Gl. Estas cuestiones se examinaron analíticamente usando un perfil de función gamma, que se analiza más adelante en secciones posteriores. Ahora, se proporciona un ejemplo de un estilo de vida normal de un paciente con diabetes para ilustrar los aspectos del estilo de vida y las mediciones basadas en el contexto que se recopilan de acuerdo con un esquema de medición de la presente divulgación.
Aspectos del estilo de vida y mediciones basadas en el contexto
El tratamiento intensivo aborda los casos de fluctuaciones de la Gl y proporciona reglas de dosificación de insulina para corregir acontecimientos tales como comidas, ejercicio, medicamentos, etc. Esto da lugar al término "estilo de vida", que captura las propiedades/características de los casos de acontecimientos de comidas, acontecimientos de ejercicio, acontecimientos de medicación, etc., para un paciente con diabetes. Por tanto, el estilo de vida tiene una fuerte connotación de hábitos diarios. En el siguiente ejemplo, los hábitos se limitan a las comidas, pero se pueden ampliar otros modos de realización para que incluyan otros acontecimientos capturados, por ejemplo, actividad física, ingesta de fármacos orales y otras actividades diarias.
En el siguiente ejemplo, un patrón (hábito) de estilo de vida diario examinado consistió en un periodo durante la noche y un periodo diurno que consistía en múltiples comidas y refrigerios para un paciente. El patrón de estilo de vida diario se repite durante un periodo de meses, con lo que el horario de las comidas variaba aleatoriamente en torno a los horarios esperados de las comidas. El tamaño y la composición de la comida se modelaron de forma similar asignando los parámetros de los valores de la función gamma generados a partir de la distribución estadística. En general, se supuso que al considerar un marco de tiempo de más o menos 3 meses, se observaría un comportamiento promedio persistente en el valor de HbA1C, aunque de una comida a otra podría haber una variabilidad potencialmente grande. Por tanto, en el ejemplo dado, un día modal consistía en un periodo durante la noche y 3 tipos de comidas: desayuno, almuerzo y cena, como se muestra en la fig. 5, que es un ejemplo de un estilo de vida normal para un individuo. Se debe apreciar que, en este modo de realización ilustrado, se ignoran los refrigerios por simplicidad, pero estos se pueden introducir en otros modos de realización sin afectar al enfoque general. A partir de un cuestionario o de una recopilación sistemática de datos, se recopilan los periodos de tiempo que cubren estos acontecimientos.
Se aborda una mayor complejidad en las características de la fluctuación de la glucosa mediante el modelado de un intervalo de contenido de comida caracterizado en general por la cantidad y la velocidad. El contenido de la comida viene dado por la composición y la cantidad de la comida, lo que se relaciona con la velocidad y la duración de la absorción de glucosa. Se observa que los individuos tienen repetibilidad en la selección de comidas, que, desde la perspectiva de la fluctuación glucémica, se puede clasificar por su velocidad y cantidad. En un modo de realización, como se muestra en la fig. 6, las comidas se clasifican por tipo de comida, cantidad de comida y velocidad de la comida. De forma similar, en otros modos de realización, se pueden caracterizar y modelar comidas adicionales (o menos comidas si reflejan con mayor exactitud los hábitos alimentarios de un paciente), ejercicio (actividad física), estrés, estados alternativos y medicamentos. Por ejemplo, se puede usar una categoría de estado alternativa para capturar el cambio en el estado metabólico fisiológico, tal como el provocado por el estrés, el ciclo menstrual, el ejercicio o los medicamentos, lo que da lugar a cambios en la resistencia a la insulina, la sensibilidad a la insulina, la utilización de la glucosa, etc.
A continuación, matemáticamente, se asignaron propiedades estadísticas a cada una de las categorías. Según la descripción anterior, las comidas se clasificaron además en 3 categorías amplias de velocidad de la comida: rápida, normal y lenta, y la cantidad de comida se clasifica de forma similar en 3 categorías como: pequeña, mediana y grande. Otros términos usados fueron menos de lo normal, normal y más de lo normal. Aunque en el presente documento se presentan categorías específicas, se debe apreciar que se pueden usar otras categorías adicionales o alternativas para proporcionar una generalización de un problema diferente. La última parte describió mejor la mayoría de los casos. Para simplificar la simulación, se supuso que la actividad física era fija. Por tanto, agrupar secciones de glucosa por tipo de acontecimiento, por ejemplo, comidas, y subagruparlas más caracterizando el tamaño y la velocidad de la comida, permite caracterizarlas y cuantificarlas, lo que se ilustra en la fig. 7. Esta agrupación basada en el contexto y, a continuación, el examen del comportamiento promedio ayudaron a identificar parámetros que proporcionaban una alta proporción de correlación. Usando el estilo de vida normal descrito anteriormente, junto con las nueve categorías de comida, se cubre una gama bastante amplia de comportamiento posprandial de un individuo. A continuación, se usó la función gamma de acuerdo con la ecuación 8 en el análisis analítico, así como en la simulación para estudiar el impacto del estilo de vida en la derivación de la relación entre las mediciones de HbA1C y Gl. Se debe apreciar que la forma en la que se secciona y correlaciona el patrón de estilo de vida se puede variar en base a los hábitos observados en cada paciente y mediante el uso de otros procedimientos de distribución en otros modos de realización.
Se debe apreciar que, en realidad, los perfiles de glucosa de un paciente con diabetes son más ricos en su respuesta y son potencialmente más difíciles de caracterizar. La riqueza se asocia con múltiples factores fisiológicos que influyen en el estado general de la glucosa. Sin embargo, suponiendo que la inyección intravenosa lenta de glucosa relacionada con las comidas sea dominante, el paciente con diabetes está trabajando para regular la glucosa hasta un valor objetivo por medio de medicamentos, control de la dieta y ejercicio y sus combinaciones. Existe inherentemente el objetivo de lograr la normoglucemia en todo momento. Sin embargo, al promediar muchas de dichas respuestas, se puede estimar el efecto de la glucosa sobre la glucemia en base a las relaciones derivadas usando la función gamma. Las curvas arbitrarias de respuesta a la comida que se muestran en la fig. 7 están representadas por la función gamma (ecuación 8), que, a continuación, se usó para derivar una relación para la Gl media real y la amplitud del pico A. Además, lo siguiente proporciona una base teórica para el nuevo enfoque basado en el estilo de vida.
Valor medio de la función gamma
Se debe apreciar que la función gammaf ( t)no es simétrica ni periódica. Definimos el parámetro T que es la duración del tiempo entre comidas consecutivas. Considerando las propiedades exponenciales, la caída de una curva exponencial pura al 99 % de su valor inicial es igual a 4 veces la constante de tiempo. Por lo tanto, la función gamma de acuerdo con la ecuación 8 es básicamente una ecuación diferencial de 2.° orden con polos repetidos.
1
Por tanto, la constante de tiempo para la función gamma es-, y el valor medio se puede determinar considerando
el factor decrecienten,que se define como:n=ToT = n * j ,donde n= 3, 4. ;;El valor medio de la Gl paraA e te 17(de la ecuación 8) se deriva ahora. Si consideramos,g ( t ) = Ae-T J ^ t e -17 dt,e integramosg ( t)por partes, se proporcionan las siguientes ecuaciones (9)-(13): ;; ;;; dondeT = n j.Se debe tener en cuenta, sin embargo, que el valor medio es una función de p, pero sitse expresa en términos de p, entonces p cae, lo que se simplifica aún más ag( t)=—In7(1-(n+1)e-n) l, y, por último,Gl= ;— (1-(n+1)e-n). De esta manera, cuando el factor decrecientenes igual a 3, el valor medio(Gles 0,726A, y cuando el factor decrecientenes igual a 4, el valor medio(Gles 0,617A. Por tanto, el valor medio(Gles una función de la amplitudAy del factor decreciente n. Al añadir el término de nivel de glucosa basalGlconst,el valor medio G/ se puede definir a continuación mediante la ecuación (14) como: ;; ;;; Por tanto, si se mide un valor de pico de Gl, a continuación, el valor medio real(Glse podría estimar, ya que el factor decrecientendado el estilo de vida se p1uede determinar mediante Entonces, para una función gamma dada, se podría simplemente afirmar que, para el valor medio,(Gl=k A G lC onst.En base a la simulación del modelo de Mortensen, como se muestra en la fig. 2, cabe señalar que HbA1C se relaciona linealmente con la Gl media real. Por tanto, la HbAC1 se puede definir mediante la ecuación (15) como: ;;H b A IC=K G T+ constante (15). ;;De la derivación anterior, también queda claro que tanto el tamaño como la duración de la comida (asociados con la velocidad) influyen en el grado de glucación. A continuación, se proporciona un análisis del proceso usado para caracterizar el estilo de vida de un paciente con diabetes. La ecuación (15) es fundamental para las derivaciones presentadas en los últimos párrafos. Se debe apreciar que la relación entre la Gl media estimada y los parámetros dependen del contexto y de los supuestos de muestreo. En consecuencia, los parámetros de la ecuación (15) (K, constante) pueden tener valores potencialmente diferentes en otras situaciones. Otro ejemplo al que se puede aplicar el enfoque anterior es la estimación de fructosamina basada en la medición biológica de la glucemia. ;Estilo de vida (solo comida);;Como se analiza anteriormente, el día, según el estilo de vida, se divide en secciones apropiadas donde se seccionan las señales de Gl para cada día y se agrupan cada una de las secciones similares (por ejemplo, figura 7). Los datos de la Gl que cubren el número de días se agrupan en secciones como se menciona en el modo de realización anterior y comprenden: una sección de ayuno, una sección de desayuno, una sección de almuerzo y una sección de cena. A partir de datos muestreados de forma continua, el valor medioG lviene dado aproximadamente por la ecuación (16) como: ; ;; <(>16<).>;;Para una sección relacionada con la comida, la función gamma se describe mediante el valor máximoAcon respecto a la Gl basal o en ayunas y el tiempo hasta el picof ipara la Gl. Los parámetros se resumen en la tabla 2. ;;Tabla 2: Características de la comida;; ;;; A continuación, en términos de análisis, las comidas se caracterizan para cubrir un periodo de tiempo, tal como, por ejemplo, un periodo de 2-4 meses entre visitas al profesional sanitario, de la siguiente manera. Para las comidas de tipo desayuno, el número total de desayunos está representado por el términom BF,y la proporción entre el número de desayunos pequeños, desayunos medianos, desayunos grandes y sin desayuno está representado porOpEQLiEÑO, ° m e D, a GFRANDEya B f ,respectivamente. A continuación, los desayunos totalesm BFse pueden definir de acuerdo con la ecuación (17) como: ;;B F a B BF+ a B;a PEQUEÑOm a MF;‘ E_;D_m;GF;R_;ANDE‘m BF+aB Fm BF=mBF(17). ;;De forma similar, las velocidades de las comidas rápidas, normales y lentas están representadas por los términos:a Rá pID0,ANoRM, y^ BENTO,respectivamente. Por lo tanto, los desayunos totalesm BFtambién se pueden definir de acuerdo con la ecuación (18) como: ;;ARÁPiDomBF+ANoRMmBF+ABFN Tom BF+ a B0Fm BF=m BF(18). ;;Se supone que, en promedio, para cada categoría de cantidad de comida hay un desglose por velocidad de comida con las mismas proporciones. En otras palabras, por ejemplo, los desayunos pequeñosm P FEQUEÑOse pueden definir de acuerdo con la ecuación (19) como: ;;ARÁPIDOa PEQUEÑOm BF+ANORMa pEQUEÑOm BF+ALENTOa pEQUEÑOmBF m PEQUEÑO(19). ;;Los términos ecuación (16),G lidel lado derecho se agrupan según la fig. 5 para derivar una relación de glucosa media simplificada usando la relaciónG l=k A b G Constpara una función gamma de amplitudA(derivada anteriormente). En este ejemplo, la fig. 5 consiste en durante la noche y 3 secciones de comida: desayuno, almuerzo y cena. La parte del día durante la noche en este ejemplo es en general el periodo de sueño. Durante este periodo, la actividad física es mínima. Los efectos de las comidas están disminuyendo, los efectos del bolo de insulina también están desapareciendo. Existen otros efectos tales como, por ejemplo, el fenómeno del amanecer provocado por la hormona del crecimiento, que es especialmente dominante en los adolescentes. Otro ejemplo cubre los medicamentos, en el que se determina el efecto de los medicamentos sobre la respuesta dinámica de la glucosa sobre la farmacocinética y farmacodinámica respectivas de los fármacos. Sin embargo, se prevé que en el periodo durante la noche, el valor medio durante la noche de glucemia, representado por el término,G lONestá convergiendo hacia un objetivo deseado. En consecuencia,G lONes la Gl media obtenida al considerar todos los valores de la Gl que cubren una sección en ayunas y todas las secciones durante la noche. El componente medio de Gl para la sección durante la noche viene dado por la ecuación (20) como: ;;Gl1=^ G O n(20). ;;donde T<on>cubre la duración del tiempo para la parte durante la noche como se ilustra en la fig. 5. ;;Lo que pueden constituir valores de Gl en ayunas requiere más detalles. Por ejemplo, las mediciones de Gl antes de las comidas se podrían agrupar como valores de Gl en ayunas en determinadas condiciones, mediciones de Gl durante la noche y mediciones de Gl a primera hora de la mañana. El promedio de dichas mediciones representa aproximadamente la media de Gl en el periodo durante la noche. Entonces el componente requerido paraG lONviene dada por la ecuación (21) como: ;G lON- G lEn ayunas(21). ;;A continuación, dado el primer término pronósticoG IEnayunas,que cubre el periodo durante la noche, el resto son las fluctuaciones relacionadas con las comidas con respecto aG lEn ayunas. Entonces, cada una de las comidas que tienen función gamma se puede definir de acuerdo con la ecuación (22) como: ;;G l-K A G lENAYUNAS(22), ;;donde A es la perturbación máxima con respecto aG lEn ayunas.;;Ahora se explica la determinación de "A" para el caso en el que se producen diversas fluctuaciones de glucosa debidas a diferentes comidas. Como se explica anteriormente y se resume en las figs. 5 y 6, las fluctuaciones se deben a las 3 comidas que se comen normalmente y, a continuación, cada comida se caracteriza por su tamaño y velocidad. A modo de ilustración, se considera primero la parte del desayuno. Después, si se considera desayunos pequeños e incluye todas las velocidades de las comidas, a continuación, el área bajo la función gamma de acuerdo con la ecuación (23) es: ;; ;; (23), ;;que cubre todos los desayunos pequeños. El término TBF es el tiempo que transcurre entre el inicio del desayuno y el inicio del almuerzo. Se pueden escribir ecuaciones similares para desayunos medianos y grandes, que, cuando se combinan, dan como resultado la ecuación (24), que se define como: ;; ;;; El términoBF;A 0es, por supuesto, cero. La cantidad de comidas consideradas en la ecuación cubre un periodo de tiempo de interés. Este margen puede variar de 2 a 4 meses, o puede ser tan solo de 7 a 30 días, si se desea una predicción estimada como se explica en una sección posterior. ;;Si se considera el término-1, entonces el términoBF;K¡, la velocidad de la comida, ahora se puede factorizar como una constante. El resultado se muestra por la ecuación (25). ;; ;;; Se debe apreciar que los pacientes con diabetes clasifican y proporcionan el tamaño de las comidas en cantidades de comida pequeñas, medianas y grandes, así como la velocidad de las comidas. Por ejemplo, todas las comidas _BF;pequeñas se pueden representar simplemente mediante un valor promedioA p e q u e ñ o ■Por tanto, por ejemplo, todas las comidas rápidas y pequeñas se pueden representar mediante la ecuación (26) como: ;;Recopilando todos los términos, la ecuación (25) se puede reescribir como la ecuación (27) como: ;a u B peFque •no m ' " BF;<V>/KBF B -n BF mBF ( )BF KBF + ABF kBF + aBF kBF \ ABF;<, K APEQUEÑO-a PEQUEÑOm VARÁPIDAKRÁPIDA+ANORMKNORM+ALENlOKLENlO) APEQUEÑO>;i-1;(27). ;;Ahora, considerando todos los tipos de comidas, obtenemos la siguiente relación mostrada por la ecuación (28): ;;mBF T f ~GI-GIe n AYUNAS- T8 apEQUEÑOmBF(ARÁPIDoKRÁPIDO+jANORMKNoRM+jALENTOKLENTo)A^P EQUEÑO ';lérmino-1;■jBFJBF m B F (XBF K BF aBF k BF aB BFF , k/B BF \ \- A*B bf F
1 a MEDmlARAPIDOK RAPIDO+ANORMK NORM+ALENlO t'L E N l0 J A MED
(28).
Si se simplifica aún más, la ecuación (28) se convierte en:
g ~Bf -
BF BF BF BF
glEN AYUNAS=(ARÁPIDOK RÁPI IDO +ANoRMK NORM+ALENlOK LEN lo ')( aPEQUEÑOA PEQUEÑO+ a MEDA MED+ a GRANDEA GRANDE)
El último grupo de términos del lado derecho son los términos de amplitud ponderada, que es la amplitud promedio. Por tanto, la ecuación (28) se puede reescribir como:
BF
G ^ -G Ie n a y u n a s -(a r á p id o K Rá p id o a NNo r m K n o r m a l e n t o K l e n t o ) a
(.ARÁPIDOKRÁPIDO+ANoRMKNoRM+AB^ N7-OKB^ N7-O)es un factor para características dadas del estilo de vida. De forma similar, para otras comidas, se pueden derivar relaciones, tales como:
n ^ U / ->t_ /i LU i s LU , i LU i s LU , i LU l s LU \ a LU
G l -G ie n a y u n a s - \ a r á p id o k r á p id o a n o r m k n o r m a l e n t o k l e n t o ) a >y
G? -GIenayunas- (aRApidokrApido +aNormkNorm+AseniokI enio) A. Así, el valor medio final de la Gl para un día modal se puede definir de acuerdo con la ecuación (29) como:
Los valores mediosgF ,Gt UyGlSUrepresentan valores medios de la Gl para sus secciones de comida correspondientes. El resultado anterior de la ecuación (29) muestra que los detalles de la comida en la ecuación de la comida final se combinan en una relación promedio simple en la que los promedios de un acontecimiento individual se ponderan en el tiempo, como lo muestra la ecuación (29). La conclusión anterior de acuerdo con la presente divulgación se verificó mediante simulación (fig. 4). La relación proporcionada por la ecuación (29) forma la base para seccionar el día según el acontecimiento del estilo de vida y examinarlo desde la perspectiva de reemplazarlo por un valor promedio significativo. De forma alternativa, el valor medio de la Gl para un día modal se puede mantener en sus componentes, de modo que el valor medio para cada componente[ por ejemplo,Glnay¡mas, G^ F , g /~U y Gf U) se pueda utilizar para determinar el valor estimado de HbA1C para ese componente en particular usando la relación lineal entre la Gl media y la HbA1C estimada como se analiza en el presente documento. A continuación, los valores estimados de HbA1C para cada componente se pueden combinar para determinar la HbA1C total para un día determinado de acuerdo con la ecuación (30):
H b A 1 C D esayuno+ H b A 1 C Alm uerzo+ H b A 1 C c e n a H b A 1 C En ayun as- H bA 1 C(30)
Si bien la ecuación anterior desglosa los valores estimados de HbA1C en componentes basados en el tiempo (es decir, desayuno, almuerzo, cena y ayuno) que se combinan en un día completo, los valores estimados de HbA1C se pueden dividir, de forma alternativa o adicionalmente, en otros componentes basados en variables (por ejemplo, componentes basados en acontecimientos o componentes basados en el contexto) como se apreciará en el presente documento. Por ejemplo, la ecuación (29) se puede reescribir como las ecuaciones (29A) y (29B):
G I= G Ie n a y u n a s + T4 A G ^ t ^ A ( 3 t U+ T4 A G ^(29B).
Asimismo, de manera similar a las ecuaciones (29A) y (29B), la ecuación (30) se puede reescribir como la ecuación (30A) en términos de HbAIC:
A HbA1 CD esayuno+A HbA1 CA,muerz0+A HbA1 Cc e n a +A HbAI CEn a yun as= HbA1 C(30A).
Otro aspecto fundamental del algoritmo es el esquema de ponderación temporal. El efecto del desayuno pasado sobre la HbAIC actual no se pondera igual. En teoría, dicho esquema de ponderación se deriva en base a la suposición de la longevidad de los eritrocitos. Como se analiza anteriormente, este enfoque se puede ampliar de forma similar al lipidograma, perfil de insulina, fructosamina y otros metabolitos.
Ponderación temporal
La ponderación temporal de los valores de la Gl se vuelve relevante cuando el modelo de predicción se deriva entre los valores de SMBG y HbAIC. Como se menciona previamente, cada cohorte tiene una longevidad finita de aproximadamente 120 días. Por tanto, para este ejemplo, se considera una longevidad de 120 días. Las células envejecidas se reemplazan constantemente por eritrocitos jóvenes. Entonces, en un momento dado, la edad de cada cohorte variará de 0 a 119 días. Por tanto, cada cohorte está expuesta a un subconjunto de datos de Gl correspondientes. Considerando la glucohemoglobina en el momento actual y todos los valores de Gl de los últimos 120 días, entonces el valor de glucemia de 120 días influye solo en 1 de 120 cohortes y en ninguna de las otras cohortes con edades inferiores a 120 días. Por otra parte, el valor actual de Gl afecta a todas las edades de las cohortes supervivientes, es decir, las últimas 120 cohortes. En el contexto de Gl constante para el día i y considerando el aspecto fisiológico, esto sugiere que un valor medio ponderado de Gl apropiado puede ayudar a mejorar la predicción de HbA1C.
En un ejercicio de simulación, se estableció una longevidad L en 120 días y un número de cohortes N se igualó a 120 cohortes, donde la cohorte n.° 120 es la cohorte más antigua y la cohorte n.° 1 es la más nueva. Para una cohorte de L días (considerando la cohorte de mayor edad), entonces el impacto de laG lisobre HbA1C se puede aproximar de acuerdo con la ecuación (31) como:
(31),
dondeGli,es el valor de glucosa en el día i, donde el índice i es 1, 2, 3, ...L, desde la última medición de glucosa hasta la medición de glucosa más antigua. De forma similar, para una cohorte de edad L-1 día, la Gl media se puede definir de acuerdo con la ecuación (32) como:
(32).
Y así sucesivamente. Al recopilar ponderaciones para la mismaG l,las ponderaciones se pueden definir de acuerdo con la ecuación (33) como:
<[ © G l>G<+>é)G , ,<...>d+ú + ...<1) GL (33).>
Se debe apreciar que el esquema de ponderación anterior corresponde a una serie armónica. Como tal, en el presente documento, nos referiremos a las ponderaciones como ponderación armónica.
La fig. 8 muestra 4 esquemas de ponderación que se consideraron al desarrollar el modelo de predicción para HbA1C. Al usar la ponderación armónica en la ecuación (33) anterior, queda claro que los valores de Gl más antiguos contribuyen progresivamente cada vez menos al valor de HbA1C. Si se considera el área bajo la curva armónica, entonces el periodo de 60 días representa el 84,4 % del total, lo que se muestra en la tabla 3.
Los resultados adicionales mostraron que la ponderación temporal armónica es un esquema relevante en la determinación de la estimación de HbA1C basada en mediciones de SMBG, y que el periodo durante el que los datos de SMBG contribuyen significativamente a la estimación de HbA1C es de aproximadamente 60 días (considerando, en este caso, la longevidad de los eritrocitos como 120 días. Se puede usar un razonamiento similar al considerar los eritrocitos para otras edades). Los resultados del análisis también respaldan que la recopilación de valores de Gl recopilados durante un periodo de visitas de aproximadamente 60 días proporciona la mejor estimación de HbA1C. En un modo de realización, la recopilación tanto de mediciones de la Gl como del contexto asociado de la medición de la Gl en momentos diarios especificados por el esquema de muestreo estructurado se realiza durante un periodo de aproximadamente 2 a aproximadamente 4 meses. En otro modo de realización, se puede usar un margen de tiempo pequeño, tal como el que varía de 1 semana a 4 semanas, como representativo del comportamiento de la glucosa que cubre un periodo de 3 a 4 meses. Esto permite al profesional sanitario y al paciente revisar el tratamiento o el comportamiento actual para intentar alcanzar los objetivos específicos prescritos. A continuación, la HbA1C pronosticada resultante representa una HbA1C futura que proporciona al paciente y/o al profesional sanitario el nivel glucémico futuro suponiendo que se mantenga el comportamiento actual de la glucosa. Los principios detrás del proceso usado para derivar un coeficiente de correlación para secciones de comida de acuerdo con la presente divulgación se analizan a continuación.
Coeficiente de correlación para secciones de comidas
Los datos de glucosa recopilados durante dos estudios clínicos independientes en 2003 y 2006 se usaron para determinar un coeficiente de correlación para las secciones de comida a partir del que diseñar un esquema de muestreo para usar con el modelo de predicción de HbA1C. Los ensayos clínicos estudiaron el control de la glucosa posprandial para comidas con diferente composición. Los aspectos clave de cada uno de los dos estudios se resumen a continuación.
Estudio Meal Study 2003
1. El estudio se llevó a cabo durante 2003-2004. El estudio se diseñó para examinar la respuesta alimentaria del bolo fijo de insulina a comidas con diferentes características de absorción de glucosa.
2. Los datos demográficos de los sujetos que participaron en el estudio son:
a. Número de sujetos = 23
b. Número de bloques del estudio = 4
c. Número de hombres = 12, Número de mujeres = 11
d. Edad (40 ± 9) años
e. Peso (75 ± 15) kg
f. IMC (24,6 ± 2,5) kg/m2
g. HbA1C (7,0 ± 1,0) %
3. Cada visita tiene una duración de 4 días:
a. Día 1:
i. El sujeto llega por la noche para ser instrumentado.
ii. Tiene una cena por la noche
iii. Control puntual
b. Día 2:
i. A las 9:00 horas comida de prueba (A, B, C, D, E y F)
ii. A las 15:00 horas almuerzo tardío
iii. A las 19:00 horas cena
c. Día 3:
i. A las 9:00 horas comida de prueba (A, B, C, D, E y F)
ii. A las 15:00 horas almuerzo tardío
iii. A las 19:00 horas cena
d. Día 4:
i. El sujeto se va aproximadamente a la hora del desayuno
4. El número de bloques del estudio es 4. Un bloque de estudio es la nueva revisión del sujeto para realizar el estudio de la comida con una comida de prueba diferente y/o un algoritmo de tratamiento con insulina diferente.
5. Las secciones de comidas se extrajeron del estudio Meal Study 2003. Las secciones tuvieron una duración de:
a. 6 horas, todas las comidas de prueba (a las 9:00 horas)
b. 4 horas, todos los almuerzos tardíos (a las 15:30 horas)
c. 8 horas, todas las cenas (a las 19:00 horas)
Estudio Meal Study 2006
1. El estudio se llevó a cabo durante el año 2006-2007
2. Datos demográficos de los sujetos:
a. Número de sujetos = 12
b. Número de bloques del estudio = 4
c. Número de hombres = 7, Número de mujeres = 5
d. Edad (45 ± 9) años
e. Peso (75 ± 14) kg
f. IMC (24,7 ± 3,0) kg/m2
g. HbA1C (6,9 ± 0,8) %
3. Cada visita (bloque) tiene una duración de 4 días:
a. Día 1:
i. El sujeto llega por la noche para ser instrumentado.
ii. Tiene una cena por la noche
iii. Control puntual
b. Día 2:
i. A las 9:00 horas comida de prueba (A, B, E y F)
ii. A las 15:00 horas almuerzo tardío
iii. A las 19:00 horas cena
c. Día 3:
i. A las 9:00 horas comida de prueba (A, B, E y F)
ii. A las 15:00 horas almuerzo tardío
iii. A las 19:00 horas cena
d. Día 4:
i. El sujeto se va aproximadamente a la hora del desayuno
4. El número de bloques del estudio es 4. Un bloque de estudio es la nueva revisión del sujeto para realizar el estudio de la comida con una comida de prueba diferente y/o un algoritmo de tratamiento con insulina diferente.
5. Las secciones de comidas se extrajeron del estudio Meal Study 2006. Las secciones tuvieron una duración de:
a. 6 horas, todas las comidas de prueba (a las 9:00 horas)
b. 4 horas, todos los almuerzos tardíos (a las 15:30 horas)
c. 8 horas, todas las cenas (a las 19:00 horas)
Las etiquetas A-F de las comidas de prueba anteriores describen la velocidad de la comida. Las comidas etiquetadas con A y B son comidas rápidas, las comidas etiquetadas con C y D son normales y las comidas etiquetadas con E y F son comidas de absorción lenta. Las comidas las clasificó un nutricionista profesional. El conjunto de datos del estudio de comidas proporcionó datos discretos de Gl medidos con frecuencia, donde las tasas de muestreo para el margen de tiempo que cubría las comidas de prueba fueron de 10 minutos. Las tasas de muestreo en otros momentos varían desde 1 minuto hasta mediciones tan raras como cada hora, tal como durante la noche. También está disponible en los datos de Gl información sobre insulina específica, comidas mixtas ingeridas e intervenciones. Se debe apreciar que el conjunto de datos clínicos de la Gl no incluía valores de HbA1C. A continuación, se generaron los valores de HbA1C artificialmente usando el modelo de Mortensen (ecuaciones (1)-(3)) con los datos de la Gl.
Del análisis anterior, queda claro que existe una relación lineal entre la Gl media real y la HbA1C. A continuación, queda claro que uno podría simplemente centrarse en la cuestión de determinar tanto la Gl media real como la HbA1C. Dadas las mediciones continuas y/o frecuentes de la Gl en los datos de Gl, las curvas de Gl se seccionaron a continuación en grupos relevantes y la correlación entre diversos parámetros, tales como el valor mínimo, máximo de glucosa en un momento específico, etc., se correlacionó con la Gl media real, así como con la HbA1C.
Con respecto a la HbA1C, este valor se determinó introduciendo la curva de glucosa en el modelo de Mortensen, ecuaciones (1) a (3). A este respecto, a continuación, los datos de las comidas se seccionaron primero en secciones de comidas. A cada una de las secciones de comida se le ajustó una curva y, a continuación, la señal resultante se repitió para crear como entrada una señal de entrada de la Gl con una duración de 150 días. El perfil resultante se pasó a continuación a través del modelo de Mortensen. (Ecuaciones (1)-(3)) para generar los valores de HbA1C. De esta forma, se generó HbA1C para cada una de las secciones de comida.
Después, se examinaron varios factores pronósticos para correlacionarlos con la HbA1C. El factor pronóstico de punto único más significativo descubierto por los autores de la invención fue una medición de Gl tomada en un momento posprandial particular. Para este factor pronóstico, se usó un coeficiente de correlación de Pearson como función de Gl(t) que se muestra representado gráficamente en la fig. 9. El coeficiente de correlación para las secciones de comida extraídos de los estudios clínicos de comidas de 2003 y 2006 muestra que existe una fuerte relación lineal entre la HbA1C y la medición de Gl posprandial cuando t >150 minutos.
Aunque los coeficientes de correlación pueden diferir para diferentes estudios clínicos, en general, se espera que las tendencias sean similares. Como se muestra en la fig. 9, se observa una correlación baja en la 1.a hora; a continuación, la correlación comienza a incrementar y alcanza valores superiores a 0,8 durante 2,5 horas posprandiales. Dicha variación se podría explicar por el tipo de comida, la cantidad de comida y el tratamiento con insulina asociado. La baja correlación en las primeras horas del periodo posprandial se debe a transitorios causados por variaciones debidas a la absorción de glucosa de las comidas y a las características de absorción de insulina. A medida que los transitorios desaparecen, la correlación incrementa. La mayor correlación de los estudios clínicos también se debe a las siguientes razones: los sujetos están bien motivados, por lo que, en general, su fluctuación glucémica se debería recuperar de manera bastante uniforme durante el periodo posprandial.
Las variaciones en el comportamiento alimentario se deben a factores principales tales como la fisiología, la variación del contenido de la comida, las imprecisiones en las estimaciones de los parámetros fisiológicos y el ajuste basal. Los coeficientes de correlación indican que las comidas se correlacionan muy fuertemente con la HbAIC cuando las mediciones de Gl se realizan posprandialmente en un intervalo de tiempo de aproximadamente 3 horas. También queda claro a partir de la simulación que la Gl transitoria tiene comparativamente menos impacto que el comportamiento en estado estable de la comida, es decir, el impulso relativamente lento y constante. La variabilidad en los transitorios tempranos es claramente indicativa de una falta de conocimiento específico de la variabilidad fisiológica del día a día y de un conocimiento impreciso de las comidas, pero la estrategia de control general en este último estado posprandial es importante para lograr una HbAIC baja. Si bien este procedimiento se describió con respecto a la HbAIC, el procedimiento general también proporciona en detalle cómo se puede ampliar el enfoque para cubrir otros valores biológicos (por ejemplo, metabolitos y biomarcadores) tales como la fructosamina (un biomarcador de glucemia de las últimas 3~4 semanas, donde la fructosamina es albúmina glucada). Además, las soluciones para problemas bajo diferentes supuestos se pueden rehacer para derivar relaciones de estimación y/o los parámetros.
La siguiente sección se centra en derivar un esquema de muestreo óptimo para la determinación de la Gl media real y HbAIC. El esquema de muestreo se determina usando las ecuaciones desarrolladas en secciones anteriores, tales como la ponderación del tiempo relacionada con el estilo de vida que aborda un día modal y la ponderación de glucosa que aborda los datos que cubren un periodo de visitas (es decir, el periodo entre visitas).
Esquema de muestreo estructurado
Usando datos clínicos del estudio Meal Study 2003, los perfiles de Gl se generan combinando diversas secciones de comida aleatorizando secciones de perfil de Gl de diferentes periodos de comida y concatenando las secciones. Los diversos periodos de comida se enumeran en la tabla 4.
Tabla 4: Periodos de comida
Los periodos de la tabla 4 representan secciones de comidas y se agrupan, en primer lugar, recopilando las secciones obtenidas de los periodos de tiempo de desayuno, almuerzo y cena y durante la noche. Las secciones de comida se clasificaron y ordenaron además en orden ascendente en términos de los valores de HbAIC correspondientes de la simulación. A continuación, el agrupamiento de comidas para el desayuno se dividió en 3 grupos iguales seleccionando el primer tercio de las comidas del desayuno y marcados como bajo - HbAIC, a continuación, el segundo tercio de las comidas del desayuno marcadas como medio - HbAIC y el resto de las comidas del desayuno como alto - HbAIC. De manera similar, el almuerzo y la cena también se clasificaron en periodos. En total, se crearon 9 periodos de comida. Para crear una secuencia de Gl basada en el estilo de vida, el estilo de vida se describe como el día modal que consiste en un desayuno a partir de las 8:00 horas con uno del grupo de HbAIC (bajo, medio o alto); almuerzo al mediodía con uno del grupo de HbAIC (bajo, medio o alto) y cena a las 18:00 horas con uno del grupo de HbAIC (bajo, medio o alto). De esta manera, se generaron 174 secuencias de Gl que cubren varias combinaciones.
Como se menciona en la sección previa, si las mediciones de Gl se llevan a cabo posprandialmente en torno al intervalo de tiempo en el que el coeficiente de correlación es alto (por ejemplo, t >150 minutos, figura 9), se puede anticipar una buena estimación de la HbAIC. Por lo tanto, los factores clave relacionados con una predicción utilizable de HbA1C a partir de una serie de mediciones de la Gl son los siguientes: (a) momento de la medición de la Gl, (b) número de mediciones de la Gl (en el intervalo de 2 a 6 mediciones por día), (c) exactitud de la A1C pronosticada y (d) sesgo de la A1C pronosticada.
Según el estilo de vida (realizado principalmente para las comidas en el modo de realización ilustrado), el esquema de muestreo se configuró de acuerdo con la tabla 5 como sigue:
Tabla 5: Configuración del esquema de muestreo
A continuación, se llevó a cabo una regresión lineal para predecir la HbA1C a partir de las mediciones de SMBG, con lo que se procesaron los valores de SMBG mediante diversas estrategias de ponderación y promediado del estilo de vida. La fig. 10 muestra el R2 (valor de R al cuadrado) de la regresión lineal frente a HbA1 C para diversos valores de CenMarg y TamMarg para el estilo de vida. Para la curva ilustrada de la fig. 10, el periodo de visitas (nDías) es igual a 60 días y el número de muestras (nMuestras) también es igual a 60. Como se muestra, el mejor R2 se centra en un momento posprandial de 190 minutos. De forma similar, al representar gráficamente los resultados para el error cuadrático medio (fig. 11), se observa que una medición posprandial de aproximadamente 180 minutos proporciona un error mínimo en la estimación de HbA1C.
En la fig. 12, una comparación entre la ponderación del estilo de vida diario y ninguna ponderación del estilo de vida diario muestra que la ponderación del estilo de vida diario produce un ECM (error cuadrático medio) más bajo.
La fig. 13 muestra el impacto de nDías (periodo de visitas) y nMuestras para un CenMarg de 190 minutos y un TamMarg de 50 minutos. Muestra que el ECM se reduce a medida que incrementa el número de mediciones de SMBG. En particular, hay un impacto de nDías. El número de días muestra que hay un número óptimo de días más allá del que R2 no mejora. Para determinar los mejores nMuestras y nDías, en realidad, era necesario observar la proporción de muestreo, que es el número de muestras por acontecimiento (nMuestras/nDías). El requisito era tener la relación lo más pequeña posible con un R2 aceptable. Lo que se observó fue que, por debajo de 0,5, R2 empeoró a un ritmo rápido y también la dispersión de sus valores se hizo mayor. Para una proporción de muestreo mayor que 0,5 y superior, el valor de R2 fue >0,85. Para R2 >0,9, se obtuvo una proporción de muestreo nM“J ;^ as de 0,55 como se muestra en la fig. 14.
Modelo de regresión para estimar la HbA1C
A continuación, según el esquema de muestreo, los datos de Gl muestreados se sometieron a regresión y se representaron, como se muestra en las figs. 15A-E. Los resultados tabulados de la regresión se proporcionan en la tabla 6, que muestra que los parámetros para cada regresión lineal están muy próximos entre sí. En las figs.
15A-E, la línea de predicción (línea central) y los límites de un intervalo de confianza (IC) del 95 % (por encima y por debajo de las curvas) se muestran en las curvas secundarias. El IC del 95 % cubre un intervalo que se desvía aproximadamente un 0,26 % de HbA1C del valor nominal.
Tabla 6: Parámetros de la regresión lineal
Las figs. 16A-E muestran que los límites del IC contienen casi todas las observaciones de HbAIC. De la regresión lineal, se obtiene una pendiente de 0,033 o 1/30. En resumen, los parámetros óptimos de muestreo de SMBG junto con los parámetros de regresión para determinar un valor medio real estimado de la Gl y un valor estimado de HbA1C se enumeran en la tabla 7.
Tabla 7: Esquema de muestreo estructurado
La HbA1C estimada en la tabla 7 comprende la HbA1C virtual determinada en base al modelo de Mortenson en el que las relaciones y estimaciones específicas del paciente se pueden abordar mediante calibración como se analiza más adelante en el presente documento. De forma alternativa, las estimaciones de la Gl basadas en componentes ponderados que se presentan en el presente documento se pueden usar en relaciones de estimación de HbA1C, tales como la relación de Nathan (Nathan, D. M.; Schoenfeld, D.; Kuenen, J.; Heine, R., J.; Borg, R.; Zheng, H.; "Translating the A1C Assay into estimated average glucose values," Diabetes Care, vol. 31, n.° 8, agosto de 2008, págs. 1-6), que estima la HbAIC del paciente, o la relación de Abensour (publicación de patente de EE. UU. n.° US 2007/0010950 A1).
Validación
Para validar los resultados obtenidos anteriormente en la tabla 7, que se derivaron usando las secciones de comidas extraídas del estudio Meal Study 2003, a continuación, se usó el estudio Meal Study 2006. De manera similar al estudio Meal Study 2003, se extrajeron todas las secciones de comidas del estudio Meal Study 2006. En total, se obtuvieron 286 secciones de comidas del estudio de 2006. A continuación, todas las secciones de comida se ajustaron mediante una curva polinómica y se ordenaron en orden ascendente según sus valores individuales de HbA1C (obtenidos usando el modelo de Mortensen). A continuación, las secciones de comidas se agruparon en la forma explicada en el estudio Meal Study 2003. Usando las secciones de comidas, se generó una secuencia de Gl que abarcaba una duración de 300 días según el estilo de vida previo usando en el estudio de comidas de 2003. La duración de la simulación también se fijó en 300 días. A continuación, se almacenaron los perfiles de Gl y HbA1C para el muestreo y la predicción de HbA1C. En total, se generaron 108 simulaciones.
A continuación, se tomaron muestras de los valores de Gl según el esquema de muestreo que se enumera en la tabla 7. Usando los valores de Gl muestreados para cada uno de los 108 casos de simulación, se determinó la Gl media. La relación entre la Gl media y la HbA1C, determinada mediante simulación, se representa gráficamente en las figs. 16A-E. Cada una de las figs. 16A-E es una curva secundaria que simplemente repite un muestreo aleatorio según el esquema explicado anteriormente. Cada curva secundaria muestra la Gl media estimada con la HbA1C real. Las líneas superior e inferior en cada curva secundaria indicaron 3 desviaciones estándar (línea DE) del algoritmo de HbAC1 pronosticado, 0,033Gl 0,5702, (por ejemplo, línea central en cada curva secundaria) como se determina previamente anteriormente. Se debe apreciar que la distancia entre la línea de la DE y el comportamiento medio es en promedio un 0,44 % de HbA1C. Por lo tanto, como se esperaba, hubo una degradación (propagación) en el valor estimado de HbA1C; sin embargo, la precisión resultante todavía estaba dentro del 3 % del CV.
De los resultados anteriores, si se usa un R2 ligeramente inferior a 0,85, entonces el número de mediciones/acontecimiento se puede reducir a 45 en 80 días. Con 3 comidas al día más una medición nocturna, el número de mediciones equivale a 180 mediciones. Esto implica que se necesitan aproximadamente 2,25 mediciones/día según el esquema de muestreo descrito anteriormente para lograr un valor estimado de HbAIC que tenga una precisión dentro del 3 % del CV.
Se debe apreciar que los resultados derivados indicados son una de las muchas formas de usar el enfoque. El valor estimado se podría conectar, de forma alternativa o adicionalmente, a modelos predefinidos, por ejemplo, la relación de Nathan como se describe en Nathan, D. M.; Schoenfeld, D.; Kuenen, J.; Heine, R., J.; Borg, R.; Zheng, H.; "Translating the A1C Assay into estimated average glucose values," Diabetes Care, vol. 31, n.° 8, agosto de 2008, págs. 1-6, donde el valor medio de la Gl basado en el análisis presentado en el presente documento se usa en el otro modelo. La relación de Nathan, por ejemplo, puede proporcionar una estimación a través de una relación que es aceptada en la comunidad médica y, al mismo tiempo, usar una mejor estimación de la Gl media (lo que idealmente debería mejorar la estimación, así como proporcionar una mejor aceptación del resultado por parte de la comunidad médica).
Ejemplos de implementación
El esquema de muestreo y el algoritmo de predicción descritos anteriormente para proporcionar tanto un valor medio real estimado de glucemia como un valor estimado de glucohemoglobina (HbAlC) a partir de mediciones puntuales estructuradas de la glucemia se pueden implementar usando equipo informático, programa informático o una combinación de los mismos. Por ejemplo, el esquema de muestreo y el algoritmo de predicción descritos anteriormente se pueden implementar en uno o más sistemas basados en microprocesadores, tales como un ordenador portátil u otros sistemas de procesamiento, tales como asistentes digitales personales (PDA), o directamente en dispositivos de autocontrol de la glucemia o glucómetros (medidores de la Gl) equipados con memoria y capacidades de procesamiento adecuadas para procesar una secuencia cronológica de mediciones de un parámetro dependiente del momento medido en o sobre el cuerpo humano, a saber, del nivel de glucosa (por ejemplo, el nivel de glucosa (Gl)). En algunos modos de realización, los servidores remotos pueden procesar las mediciones para determinar los valores estimados y/o pronosticados y proporcionar estos valores determinados a un glucómetro personal, PDA o similar. En estos modos de realización, el glucómetro personal, PDA o similar puede funcionar de este modo con un procesador relativamente más pequeño que no podría determinar los valores tan rápidamente en comparación con una aplicación que se ejecuta en el servidor remoto.
En un modo de realización de ejemplo, el esquema de muestreo y el algoritmo de predicción se implementan en un programa informático que se ejecuta en un glucómetro 100 de autocontrol como se ilustra en la fig. 17. El glucómetro 100 es común en el sector e incluye esencialmente cualquier dispositivo que pueda funcionar como mecanismo de adquisición de glucosa. El glucómetro 100 o mecanismo, dispositivo, herramienta o sistema de adquisición incluye diversos procedimientos convencionales dirigidos a extraer una muestra (por ejemplo, mediante punción en el dedo) para cada prueba y realizar una determinación puntual del nivel de glucosa usando un instrumento que lee las concentraciones de glucosa mediante procedimientos de detección/medición ópticos, electroquímicos, electromecánicos o calorimétricos. Además, el glucómetro 100 puede incluir y/o comunicarse con dispositivos de medición 101 que pueden medir una o más mediciones biológicas (por ejemplo, glucosa, lípidos y/o triglicéridos). Por ejemplo, los dispositivos de medición del glucómetro 100 pueden incluir y/o comunicarse con dispositivos con catéteres permanentes y dispositivos de muestreo de líquidos de tejido subcutáneo (por ejemplo, un dispositivo de control continuo de la glucemia (CCG)) y/o una bomba/dispositivo de infusión de fármacos 103.
En el modo de realización ilustrado, el glucómetro 100 incluye uno o más microprocesadores, tales como el procesador 102, que está conectado a un bus de comunicación 104, que puede incluir buses de datos, memoria y/o direcciones. El glucómetro 100 puede incluir una interfaz de visualización 106 que proporcione gráficos, texto y otros datos del bus 104 (o de una memoria intermedia de trama no mostrada) para su visualización en una visualización 108. La interfaz de visualización 106 puede ser un controlador de visualización de una solución gráfica integrada que utilice una parte de la memoria principal 110 del glucómetro 100, tal como la memoria de acceso aleatorio (RAM), y el procesamiento del procesador 102 o puede ser una tarjeta de procesamiento de gráficos específica. En otro modo de realización, la interfaz de visualización 106 y la visualización 108 pueden proporcionar adicionalmente una interfaz de pantalla táctil para proporcionar datos al glucómetro 100 de una manera bien conocida.
La memoria principal 110, en un modo de realización, es una memoria de acceso aleatorio (RAM), y, en otros modos de realización, puede incluir otra memoria, tal como una ROM, PROM, EPROM o EEPROM y combinaciones de las mismas. En un modo de realización, el glucómetro 100 incluye una memoria secundaria 112 que puede incluir, por ejemplo, una unidad de disco duro 114 y/o una unidad de almacenamiento extraíble 116, que representa una unidad de disquete, una unidad de cinta magnética, una unidad de disco óptico, una memoria de alta velocidad, etc. La unidad de almacenamiento extraíble 116 lee y/o escribe en una unidad de almacenamiento extraíble 118 de una manera bien conocida. La unidad de almacenamiento extraíble 118 representa un disquete, cinta magnética, disco óptico, unidad de alta velocidad, etc. que se lee y en el que se escribe por la unidad de almacenamiento extraíble 116. Como se apreciará, la unidad de almacenamiento extraíble 118 incluye un medio de almacenamiento utilizable por ordenador que tiene almacenados programa informático y/o datos informáticos.
En modos de realización alternativos, la memoria secundaria 112 puede incluir otros medios para permitir que el programa informático u otras instrucciones se carguen en el glucómetro 100. Dichos medios pueden incluir, por ejemplo, otra unidad de almacenamiento extraíble 120 y una interfaz 122. Los ejemplos de dichas unidades de almacenamiento extraíbles/interfaces incluyen un cartucho de programa e interfaz de cartucho, un chip de memoria extraíble (por ejemplo, ROM, PROM, EPROm o EEPROM) y toma asociada, y otras unidades de almacenamiento extraíbles 120 e interfaces 122 que permiten que el programa informático y los datos se transfieran desde la otra unidad de almacenamiento extraíble 120 al glucómetro 100.
En un modo de realización, el glucómetro 100 incluye una interfaz de comunicaciones 124. La interfaz de comunicaciones 124 permite que se transfieran el programa informático y los datos entre el glucómetro 100 y uno o más dispositivos externos 132. Los ejemplos de la interfaz de comunicaciones 124 pueden incluir uno o más de un módem, una interfaz de red (tal como una tarjeta de Ethernet), un puerto de comunicaciones (por ejemplo, USB,f ire w ire ,en serie o en paralelo, etc.), una ranura y tarjeta de PCMCIA, un transceptor inalámbrico y combinaciones de los mismos. En un modo de realización, el dispositivo externo 132 es un ordenador personal (PC) y, en otro modo de realización, es un asistente digital personal (PDA). En todavía otro modo de realización, el dispositivo externo 132 es una estación de acoplamiento en la que la interfaz de comunicaciones 124 es una interfaz de estación de acoplamiento. En dicho modo de realización, la estación de acoplamiento se puede proporcionar y/o conectar a uno o más de un módem, una interfaz de red (tal como una tarjeta de Ethernet), un puerto de comunicaciones (por ejemplo, USB,f ire w ire ,en serie o en paralelo, etc.), una ranura y tarjeta de PCMCIA, un transceptor inalámbrico y combinaciones de los mismos. El programa informático y los datos transferidos por medio de la interfaz de comunicaciones 124 pueden estar en forma de señales 128 alámbricas o inalámbricas, que pueden ser electrónicas, electromagnéticas, ópticas u otras señales que se puedan enviar y recibir por la interfaz de comunicaciones 124. Por ejemplo, como se sabe, las señales 128 se pueden enviar entre la interfaz de comunicaciones 124 y el o los dispositivos externos 132 usando alambre o cable, fibra óptica, una línea telefónica, un enlace de teléfono móvil, un enlace de RF, un enlace de infrarrojos, otros canales de comunicación y combinaciones de los mismos. En algunos modos de realización, el glucómetro 100 comprende una conexión de servidor remoto 125 para enviar datos a un servidor externo de modo que el servidor externo procese la información solicitada y envíe los resultados de vuelta al glucómetro 100 como se analiza en el presente documento.
En un modo de realización, el dispositivo externo 132 se usa para establecer un enlace de comunicación 130 entre el glucómetro 100 y todavía otros dispositivos electrónicos tales como un ordenador personal (PC) remoto del paciente y/o un ordenador de un profesional sanitario (PS) 134, o un servidor externo 135 directa o indirectamente, tal como a través de una red de comunicación 136, tal como Internet y/u otras redes de comunicación. La interfaz de comunicaciones 124 y/o el(los) dispositivo(s) externo(s) 132 también se pueden usar para comunicarse con otros dispositivos de recopilación y/o almacenamiento de datos tales como dispositivos de administración de insulina, teléfonos móviles, asistentes digitales personales (PDA), etc. Las técnicas específicas para conectar dispositivos electrónicos a través de conexiones alámbricas y/o inalámbricas (por ejemplo, USB y Bluetooth, respectivamente) son bien conocidas en la técnica.
En el modo de realización ilustrativo, el glucómetro 100 proporciona un lector de tiras reactivas 138 para recibir una tira reactiva de glucosa 140. La tira reactiva 140 sirve para recibir una muestra de un paciente 142, que la lee el lector de tiras reactivas 138. Los datos, que representan la información proporcionada por la tira reactiva, son proporcionados por el lector de tiras reactivas 138 al procesador 102 que ejecuta un programa informático, por ejemplo, proporcionado en la memoria principal 110, para realizar diversos cálculos como se analiza con gran detalle a continuación sobre los datos. Los resultados del procesador 102 al usar los datos se muestran en la visualización 108 y/o se registran en la memoria secundaria 112 por el procesador 102, que en el presente documento se denomina datos de glucosa (Gl) autocontrolados. Los datos de Gl pueden incluir, pero no se limitan a los mismos, los valores de glucosa del paciente 142, los valores de dosis de insulina, los tipos de insulina y los valores de parámetros usados por el procesador 102 para calcular futuros valores de glucosa, dosis de insulina complementarias y complementos de carbohidratos. Cada valor de glucosa y valor de dosis de insulina se almacena en la memoria 112 por el procesador 102 con una fecha y hora correspondientes. Un reloj incluido 144 del glucómetro 100 suministra la fecha y hora actuales al procesador 102. El glucómetro 100 proporciona además uno o más dispositivos de entrada de usuario 146 tales como teclas, panel táctil, pantalla táctil, etc. para entrada de datos, control de programas, solicitudes de información y similares. Un altavoz 148 también está conectado al procesador 102, y funciona bajo el control del procesador 102 para emitir alertas/recordatorios audibles y/o visuales al paciente de los momentos diarios para las mediciones de la Gl y acontecimientos, tales como, por ejemplo, para tomar una comida, de una posible futura hipoglucemia y similares. También se proporciona una fuente de alimentación 150 adecuada para alimentar el glucómetro 100 como es bien conocido para hacer que el medidor sea portátil.
Los términos "medio de programa informático" y "medio utilizable por ordenador" se usan para referirse en general a medios tales como una unidad de almacenamiento extraíble 116, un disco duro instalado en la unidad de disco duro 114, señales 128, etc. Estos productos de programas informáticos son medios para proporcionar el programa informático al glucómetro 100. Los modos de realización de esta divulgación incluyen dichos productos de programas informáticos.
Los programas informáticos (también denominados lógica de control informático) se almacenan en la memoria principal 110 y/o en la memoria secundaria 112. También se pueden recibir programas informáticos a través de la interfaz de comunicaciones 124. Dichos programas informáticos, cuando se ejecutan, permiten que el glucómetro 100 realice los rasgos característicos de la presente divulgación como se analiza en el presente documento. En particular, los programas informáticos, cuando se ejecutan, permiten que el procesador 102 realice las funciones de la presente divulgación. En consecuencia, dichos programas informáticos representan controladores del glucómetro 100. De forma alternativa o adicionalmente, los programas informáticos se pueden almacenar y/o ejecutar en servidores remotos con datos de entrada y salida comunicados por medio de redes de comunicación alámbricas o inalámbricas.
En un modo de realización en el que la divulgación se implementa usando programa informático, el programa informático se puede almacenar en un producto de programa informático y se puede cargar en el glucómetro 100 usando una unidad de almacenamiento extraíble 116, otra unidad de almacenamiento extraíble 120, una unidad de disco duro 114 o una interfaz de comunicaciones 124. La lógica de control (programa informático), cuando la ejecuta el procesador 102, provoca que el procesador 102 realice las funciones de la divulgación como se describe en el presente documento.
En otro modo de realización, la divulgación se implementa principalmente en equipo informático usando, por ejemplo, componentes de equipo informático, tales como circuitos integrados específicos de la aplicación (ASIC). La implementación de la máquina de estado de equipo informático para realizar las funciones descritas en el presente documento resultará evidente para los expertos en la(s) técnica(s) pertinente(s).
Aún en otro modo de realización, la divulgación se implementa usando una combinación tanto de equipo informático como de programa informático.
En un modo de realización de programa informático de ejemplo de la divulgación, los procedimientos descritos más adelante en el presente documento se implementan en el lenguaje de programación C++, pero se podrían implementar en otros programas tales como, por ejemplo, Visual Basic, C, C#, Java u otros programas disponibles para los expertos en la técnica (o, de forma alternativa, usando lenguaje des c r ip tsu otro lenguaje interpretable patentado usado junto con un intérprete).
Como se menciona anteriormente, el paciente 142 usa el glucómetro 100 para registrar, entre otros, lecturas de dosificación de insulina y niveles de glucosa medidos puntualmente. Dichos datos de Gl obtenidos por el glucómetro 100 en un modo de realización se pueden transferir por medio de la interfaz de comunicaciones 124 a otro dispositivo electrónico, tal como el dispositivo externo 132 (PC, PDA o teléfono móvil), o por medio de la red 136 al PC remoto y/u ordenador del profesional sanitario 134. Los ejemplos de dichos glucómetros incluyen, pero no se limitan a, el medidor Accu-Chek Active y el sistema Accu-Chek Aviva, ambos de Roche Diagnostics, Inc., que son compatibles con el programa informático de gestión Accu-Chek 360° Diabetes para descargar los resultados de las pruebas a un ordenador personal o el programa informático Accu-Chek Pocket Compass para descarga y comunicación con una PDA. El programa se puede ejecutar en un servidor remoto y generar un resultado. El resultado está disponible mediante uno o más modos de comunicación indicados anteriormente. El dispositivo del programa también es funcional con dispositivos de terceros que se comunican con 132, 134. Se proporcionan además con más detalle ejemplos de comunicación e intercambio de información entre diversos dispositivos en la solicitud de EE. UU. n.° de serie 12/119,143 de propiedad común.
En consecuencia, se debe apreciar que el glucómetro 100 incluye el programa informático y equipo informático necesarios para procesar, analizar e interpretar los datos de diabetes registrados por el paciente (es decir, Gl) de acuerdo con secuencias de flujo predefinidas (como se describe a continuación en detalle) y generar una salida de interpretación de datos apropiada. En un modo de realización, los resultados del análisis e interpretación de los datos realizados a partir de los datos del paciente almacenados por el glucómetro 100 se visualizan en forma de un informe, gráficos de monitorización de tendencias y gráficas para ayudar a los pacientes a gestionar su estado fisiológico y respaldar las comunicaciones paciente-médico. En otros modos de realización, los datos de Gl del glucómetro 100 se pueden usar para generar informes (impresos o electrónicos) por medio del dispositivo externo 132 y/o el ordenador personal (PC) y/o el ordenador del profesional sanitario 134.
El glucómetro 100 proporciona además al usuario y/o a su profesional sanitario al menos una o más de las posibilidades de: a) editar descripciones de datos, por ejemplo, el título y la descripción de un registro; b) guardar registros en una localización específica, en particular, en directorios definibles por el usuario como se describe anteriormente; c) recuperar registros para su visualización; d) buscar registros de acuerdo con diferentes criterios (fecha, hora, título, descripción, información del contexto, indización de datos, intervalo de tiempo, etc.); e) clasificar registros de acuerdo con diferentes criterios (valores del nivel de Gl, fecha, hora, duración, título, descripción, etc.); f) borrar registros; g) exportar registros; y/o h) realizar comparaciones de datos, modificar registros, excluir registros como es bien conocido. De forma alternativa o adicionalmente, estas funciones se pueden realizar en un dispositivo externo 132, un ordenador de un profesional sanitario 134 o un servidor externo 135.
Como se usa en el presente documento, el estilo de vida se describe en general como un patrón en los hábitos de un individuo, tal como las comidas, el ejercicio y el horario laboral. Adicionalmente, el individuo puede estar tomando medicación, tal como tratamiento con insulina o fármacos orales que se deben tomar de forma periódica. La influencia de dicha acción sobre la glucosa se considera implícitamente en la presente divulgación.
Estimación de la Gl media real y HbAIC
Con referencia también a la fig. 18, se describe un procedimiento 200 de acuerdo con un modo de realización de la presente divulgación. En la etapa 202, se capturan mediciones de Gl (es decir, puntuales) del paciente 142. En un modo de realización, cada una de las mediciones puntuales de la Gl se captura por medio de una tira reactiva 140 provista de una muestra del paciente que, a continuación, a su vez, es leída por un lector de tiras reactivas y analizada por el procesador 102 para proporcionar la medición de Gl del paciente 142. En otros modos de realización, las mediciones de la Gl se pueden capturar en momentos dictados por el glucómetro continuo 101 u otros dispositivos de medición de la Gl y/o según lo ordene el paciente. Como es bien sabido, el resultado de una medición de la Gl recién tomada se muestra al paciente en la visualización 108 y también se almacena tal como, por ejemplo, en la memoria 112 junto con una hora (por ejemplo, GMT) y la fecha de la medición, por medio del procesador 102 leyendo el reloj 144 en la etapa 202.
En un modo de realización y en general, como se menciona anteriormente, el glucómetro 100 almacena los resultados de las mediciones de glucosa (Gl) en su memoria 112 junto con una marca de fecha y hora e información del acontecimiento asociada (es decir, información sobre el contexto en el que se obtuvo la medición) para crear una secuencia cronológica o un conjuntoGde mediciones puntuales de la Gl, como medicionesGl1, G¡2, G¡3, g 44,yG¡5,dondekes el día. El conjunto de medicionesGse clasifica incrementando el tiempo y puede abarcar varios días. En un modo de realización, la fecha almacenada en la memoria con la medición consiste en alguna representación del día/mes/año, y la hora consiste en alguna representación de la hora del día (por ejemplo, hh:mm:ss). En otros modos de realización, se pueden usar otros procedimientos de registro de fecha y hora, tales como, por ejemplo, usar un calendario juliano y un intervalo de conteo alternativo para el tiempo.
Junto con cada medición de la Gl, se solicita al paciente que introduzca información de acontecimientos relacionados con su estilo de vida. En un modo de realización, el glucómetro 100 tiene suficiente memoria para mantener los datos de Gl durante al menos 40-80 días con la información del acontecimiento asociada relacionada con el estilo de vida del paciente. En otro modo de realización, el glucómetro 100 tiene suficiente memoria para mantener los datos de Gl durante al menos semanas con la información del acontecimiento asociada relacionada con el estilo de vida del paciente. En un modo de realización, el estilo de vida se clasifica por información relativa a los siguientes acontecimientos: desayuno, almuerzo, cena, refrigerio, ejercicio, actividad física, estrés, estado alternativo, medicamentos y, opcionalmente, cualquier otro acontecimiento relevante que se configure de forma personalizada en el medidor. Al igual que con las mediciones de las Gl, dichos acontecimientos tienen una marca de tiempo y se asocian con una descripción del acontecimiento tal como, por ejemplo, magnitud, intensidad, duración, etc. Otras caracterizaciones de acontecimientos similares se describen más detalladamente en la solicitud de EE. UU. n.° 11/297.733 y 12/119.201 de propiedad común. En un modo de realización, la entrada manual de la descripción del acontecimiento por parte del paciente se realiza mediante un cuestionario presentado al paciente en el medidor 100. En un modo de realización, el cuestionario lo proporciona un profesional sanitario o está diseñado para que lo configure el paciente de acuerdo con las instrucciones proporcionadas contenidas en el glucómetro 100. En otro modo de realización, el medidor 100 está provisto de recordatorios programados (por ejemplo, alarmas para tomar los medicamentos) que se proporcionan en momentos particulares para registrar dicha información del acontecimiento, por ejemplo, por medio del cuestionario, dentro del margen de cumplimiento de acuerdo con el esquema de muestreo de la tabla 7. Se puede proporcionar un planificador de acontecimiento 300 (fig. 19) para este propósito y ejecutarlo mediante el procesador 102 del glucómetro 100, cuyo ejemplo del mismo se analiza más adelante. En algunos modos de realización, el usuario puede introducir información de acontecimientos en base a desencadenantes de acontecimientos. Por ejemplo, cuando se inserta una tira reactiva en el medidor, el medidor puede solicitar al usuario que introduzca información del acontecimiento.
La fig. 19 representa un proceso del planificador de acontecimientos 300. En la etapa 302, se incrementa un temporizador T sincronizado con el reloj 144, en el que, en la etapa 304, el procesador 102 comprueba un esquema de muestreo estructurado, tal como el incluido en un archivo de protocolo proporcionado en la memoria 110 o 112, para ver si el momento actual T coincide con una hora de alarma para introducir información del acontecimiento. Se debe apreciar que el esquema de muestreo estructurado proporciona momentos diarios (y, por lo tanto, alarmas) para dichas recopilaciones. También, AT puede ser periódico o venir determinado por otro algoritmo donde el algoritmo determina AT dinámicamente para que cumpla con los requisitos de la tabla 7. Si es así, a continuación, en la etapa 306, el procesador 102 proporciona una alarma, tal como una señal de audio por medio del altavoz 148, una señal visual por medio de la visualización 108, una señal táctil (por ejemplo, vibraciones), un mensaje de correo electrónico, SMS, etc. al paciente 142. En la etapa 308, después de que el paciente 142 reconoce la alarma por medio del uso de la interfaz de usuario 146, la inserción de una tira reactiva 140 en el lector de tiras reactivas 138, o después de un periodo de tiempo establecido, tal como por medio de la expiración de un temporizador de cuenta regresiva, el procesador solicita al paciente 142 que introduzca la información del acontecimiento, por medio del cuestionario mostrado en la visualización 108 por el procesador 102.
En la etapa 310, si el procesador 102 no detecta una entrada a través de la interfaz de usuario 146, después de la expiración de otro temporizador de cuenta regresiva, por ejemplo, 300 segundos (o, en otros modos de realización, el temporizador puede variar desde unos pocos minutos hasta media hora y, preferentemente, de 5 a 10 minutos), a continuación, el procesador 102 en la etapa 312 restablece la alarma para un momento futuro T que todavía está dentro del margen de cumplimiento de la tabla 7 para recopilar la información del acontecimiento. Si se realizó y detectó una entrada en la etapa 310, tal como se colocó en la memoria temporal, tal como la memoria principal 110 por medio del procesador que acepta la entrada desde la interfaz de usuario 146, a continuación, en la etapa 314, el procesador 102 almacena la entrada en la memoria secundaria 112 de una manera comentada previamente anteriormente.
Si, en la etapa 304, el esquema de muestreo estructurado en la memoria 110 o 112 no tiene una alarma para el procesador 102, a continuación, el procesador 102, en la etapa 316, comprobará si hay algún acontecimiento desencadenado, por ejemplo, iniciado automáticamente por medio de otro proceso en ejecución del medidor 100 o iniciado por el paciente a través de la interfaz de usuario 146. Si no se detecta ninguno, a continuación, el procesador 102 vuelve a la etapa 302 y se repiten los procesos del planificador de acontecimientos 300. Si se detecta un acontecimiento desencadenante, a continuación, en la etapa 318, el procesador 102 comprueba si se necesita una entrada para el acontecimiento desencadenado, tal como realizando una búsqueda en el archivo de perfil. Si se necesita una entrada, a continuación el proceso va a la etapa 308, y si no, el proceso regresa a la etapa 302 y lo repite. Se debe apreciar que el planificador 300, cuando lo ejecuta el procesador 102 del medidor 100, indica y, en consecuencia, registra una medición de SMBG y la información del acontecimiento asociada (por ejemplo, mediante la ejecución del cuestionario) de conformidad con el esquema de medición proporcionado de acuerdo con la tabla 7. El paciente 142 también puede introducir cualquier acontecimiento imprevisto en la memoria 112 del medidor 100 en cualquier momento ejecutando manualmente el cuestionario en el medidor 100, por ejemplo, un acontecimiento desencadenado en la etapa 312. Por ejemplo, una entrada no solicitada se puede producir en la etapa 309 siempre que el usuario decida enviar una entrada que no fue solicitada directamente por una alarma.
Volviendo a la fig. 18, en la etapa 204, el procesador 102 comprueba para determinar si los datos de Gl se recopilaron de manera conforme. El cumplimiento de datos en la etapa 204 significa que las reglas y directrices para recopilar datos fueron cumplidas mediante programación o manualmente por el usuario. En un modo de realización, la comprobación de la conformidad incluye: comprobar si el número de días en los datos de Gl cumple con el número mínimo necesario para satisfacer el requisito de nDías (es decir, un periodo predeterminado, que, en un modo de realización, es >2 semanas si un profesional sanitario desea usar algunas semanas de datos para pronosticar una HbA1C futura y una Gl media real para revisar el tratamiento o el comportamiento actual de un paciente para intentar alcanzar sus objetivos previstos, >80 días para un resultado con un CV de <3 %, o cualquier cantidad de días intermedios para una instantánea); y comprobar si un número mínimo de muestras (nMuestras) recopiladas en un acontecimiento de muestreo solicitado según el esquema de recopilación (es decir, una cantidad predeterminada, que, en un modo de realización preferente, es >45, pero, en otros modos de realización, puede ser alguna otra cantidad que sea motivo del estilo de vida del paciente según lo determine el profesional sanitario) también satisfacen el requisito del margen de tiempo de muestreo (por ejemplo, TamMarg <50 minutos). En un modo de realización, el procesador 102 lee la cantidad y el periodo predeterminados del esquema de muestreo estructurado proporcionado en la memoria. El resultado de la comprobación de los datos de Gl recopilados es sí o no. En la etapa 206, opcionalmente, el procesador 102 comprueba a continuación la distribución del tiempo de las muestras de Gl con respecto al centro del margen para ver si hay un sesgo en el tiempo preferente de la medición posprandial. Si lo hay, a continuación, en la etapa 208, se puede añadir a los datos una corrección del sesgo. Por ejemplo, si el momento para la medición de la Gl con respecto al momento promedio posprandial objetivo está sesgado, a continuación, el algoritmo alterará sistemáticamente el momento de alerta en la medición futura de la Gl, tal como alertando al paciente más tarde con respecto al momento de medición objetivo o se puede generar una alerta adicional para la medición en un momento posterior y, por tanto, durante un periodo de días, eliminar el sesgo del momento promedio de medición.
En otro modo de realización, se puede señalar una penalización asociada en la precisión del valor estimado en la etapa 208, de modo que se indique un sesgo en el tiempo del mensaje de advertencia de medición de la Gl con los resultados proporcionados en la etapa 214. Después de la etapa 204 y de la etapa opcional 206, si los datos de Gl cumplen los requisitos, a continuación, se inducen los procesos de estimación de las etapas 210 y 212. En la etapa 210, el proceso de estimación mencionado previamente en referencia a la fig. 7 agrupa los datos según el estilo de vida y el acontecimiento. A continuación, la Gl media ponderada se determina usando la ponderación temporal (ponderación armónica), con lo que cada una de la Gl media ponderada se pondera además en el tiempo según la ponderación relacionado con el estilo de vida. El valor resultante de la etapa 210 es la estimación del valor medio real de la Gl. Opcionalmente, el valor estimado de la Gl se proporciona con un margen de incertidumbre en torno al valor pronosticado como se muestra en las figs. 16A-E. En la etapa 212, a continuación, la HbA1C estimada se determina resolviendo la ecuación dada en la tabla 7 usando el valor de Gl estimado de la etapa 212, y los resultados se proporcionan a continuación en la etapa 214.
En otro modo de realización, una mejora al modelo anterior en la tabla 7 es obtener un valor de HbA1C a partir de un ensayo de HbAIC, que, a continuación, se puede usar como el valor de intercepción c específico del paciente, en lugar del valor dado de 0,5702. Dicho modo de realización se considera una HbA1C estimada con una calibración de un punto. En todavía otro modo de realización, otra mejora al modelo anterior en la tabla 7 sería obtener HbA1C usando un ensayo de HbA1C en dos puntos temporales diferentes. A continuación, estos valores de HbA1C se pueden usar para determinar un valor de intersección c y una pendiente m específicos del paciente. En dicho modo de realización, los dos valores de HbA1C del ensayo de HbA1C no varían en más de un 0,5 % de HbA1C para proporcionar una pendiente m buena y fiable, suponiendo que los ensayos sean de alta calidad (es decir, CV <2 %). En otro modo de realización, a continuación, el proceso 200 se puede solicitar si el archivo de protocolo usado para la recopilación por el planificador 300 necesita actualización en la etapa 216. Si es así, el archivo de protocolo se actualiza en la etapa 218 por medio de, por ejemplo, aceptar la entrada del usuario por medio de la interfaz de usuario 146, por ejemplo, desde el procesador 102, volviendo a ejecutar un cuestionario de configuración en la visualización 108, recibiendo cambios de protocolo desde el ordenador del profesional sanitario 134 cuando está conectado al dispositivo externo 132 tal como, por ejemplo, proporcionado como una estación de acoplamiento, y combinaciones de los mismos. Después, el proceso pasa a la etapa 202 y se repite. En otro modo de realización, la relación de Nathan se puede usar para estimar la HbA1C, en la que la Gl media estimada como se describe en el presente documento se usa con la relación de Nathan.
En todavía en otros modos de realización, la etapa de recopilación 202, junto con el planificador de acontecimientos 300, se realiza únicamente en el medidor 100, en el que las etapas de proceso 204-218 se realizan en el ordenador del profesional sanitario 134. En dicho modo de realización, el ordenador del profesional sanitario 134 también puede proporcionar capacidades adicionales, tales como usar los datos de Gl recopilados con otros modelos para realizar comparaciones con los resultados del modelo de acuerdo con la presente divulgación. Por ejemplo, en un modo de realización, el profesional sanitario podría ejecutar los datos de Gl recopilados a través de un modelo basado en la población de HbA1C derivado de datos de glucosa controlados de forma continua.
Como se menciona previamente anteriormente, en un modo de realización, la alerta y recopilación mediante el procesamiento de mediciones de Gl y el contexto asociado de la medición de Gl en los momentos diarios y los acontecimientos se pueden especificar mediante el esquema de muestreo estructurado que se almacena en la memoria. En un modo de realización, los momentos diarios especificados por el esquema de muestreo estructurado son momentos posprandiales. En otro modo de realización, los momentos diarios especificados por el esquema de muestreo estructurado son tres momentos posprandiales y otro momento. En todavía otro modo de realización, los acontecimientos especificados por el esquema de muestreo estructurado son un momento específico con respecto al inicio de una comida. En aún en otro modo de realización, uno de los acontecimientos especificados por el esquema de muestreo estructurado es un aspecto del comportamiento de la glucosa relacionado con el valor de la Gl media real estimado, que, en un modo de realización, el aspecto es un valor de Gl de la media al pico. En todavía otro modo de realización, los momentos diarios especificados por el esquema de muestreo estructurado son de aproximadamente 140 a aproximadamente 240 minutos después de la hora de comer. En otro modo de realización, los momentos diarios y los acontecimientos especificados por un esquema de muestreo estructurado se adaptan a un patrón de estilo de vida diario del paciente. En aún en otro modo de realización, los momentos diarios especificados por el esquema de muestreo estructurado varían de aproximadamente 140 a aproximadamente 240 minutos después de una comida de acuerdo con el patrón de estilo de vida diario del paciente. Incluso en aún otra realización, tal como la que se puede usar con la población de pacientes de tipo 2, se puede realizar una medición de siete puntos por día durante tres días. Dichos conjuntos de mediciones se pueden tomar en periodos de tiempo regulares, tales como cada dos o seis semanas (tal como cada cuatro semanas).
En otro modo de realización, el procesador 102 está programado además para ponderar una medición de Gl si la recopilación de la medición de Gl se realizó dentro de un intervalo de tiempo de los momentos diarios especificados por el esquema de muestreo estructurado, con lo que, en un modo de realización, el intervalo de tiempo es como máximo ±50 minutos. Se debe apreciar que el intervalo de tiempo también captura la información de si las mediciones, que típicamente realiza el paciente en momentos aleatorios en torno a un momento recomendado, están dentro o fuera del intervalo de tiempo. Dicha información se puede usar por el procesador 102 para evaluar si el estilo de vida del paciente se ha capturado apropiadamente como se refleja en el esquema de muestreo estructurado y/o si el paciente requiere formación tal como, por ejemplo, si no se ha cumplido un número umbral de mediciones dentro del intervalo de tiempo durante un periodo de tiempo. Por ejemplo, en un modo de realización, si no se alcanza dicho número umbral de mediciones, el procesador 102 proporciona un mensaje en la visualización 108 que indica un problema de recopilación y puede proporcionar una recomendación, tal como formas de mejorar el cumplimiento de la recopilación. En todavía otro modo de realización, el procesador 102 se programa además para determinar el valor medio real estimado de Gl y el valor estimado de HbA1C a partir de las mediciones ponderadas de las mediciones de Gl recopiladas si se ha recopilado una cantidad predeterminada de las mediciones de Gl para cada uno de los momentos diarios y los acontecimientos. En un modo de realización preferente, la cantidad predeterminada es de al menos 80 días y, en otro modo de realización, de al menos 60 días. En todavía otro modo de realización, el procesador se programa además para determinar el valor medio real estimado de Gl y el valor estimado de HbA1C a partir de las mediciones ponderadas de las mediciones de Gl recopiladas si se ha recopilado la cantidad predeterminada de las mediciones de Gl para cada uno de los momentos diarios y los acontecimientos, y la recopilación de las mediciones de la Gl se producen dentro de un periodo predeterminado de al menos 2 semanas.
Visualización de valores biológicos estimados agrupados o valores biológicos pronosticados agrupados
Como se analiza anteriormente, si bien en el presente documento se presentan ejemplos específicos de ponderación de mediciones de la Gl para determinar los valores medios de Gl para, a continuación, determinar los valores de HbA1C, se pueden incorporar de forma similar otras mediciones biológicas para estimar la condición estimada (actual) o pronosticada (futura) de un paciente basándose en la ponderación de mediciones biológicas actuales y previas. Como se usa en el presente documento, "mediciones biológicas" incluye cualquier tipo de medición que proporcione una visión sobre la salud del paciente con respecto a la diabetes. Por ejemplo, las mediciones biológicas incluyen, pero no se limitan a, mediciones de la Gl, mediciones de HbA1C, fructosamina, lípidos, triglicéridos, concentración de insulina, etc. En consecuencia, una o más de estas mediciones biológicas se pueden medir, ponderar y usar para determinar una medición biológica estimada o pronosticada (ya sea el mismo tipo de medición biológica que se obtuvo, o un tipo diferente de medición biológica, pero que se pueda determinar a partir del tipo de medición biológica que se obtuvo). Además, las mediciones biológicas se pueden agrupar por una o más variables, de modo que se puedan determinar los valores biológicos estimados o pronosticados para cada grupo para comparar el efecto que cada variable tiene sobre la salud del paciente.
Por ejemplo, haciendo referencia ahora a la fig. 20, en algunos modos de realización, las mediciones biológicas recopiladas comprenden mediciones de la Gl, y los valores estimados/pronosticados determinados en base a las mediciones biológicas ponderadas comprenden valores estimados de HbA1C. Por lo tanto, los valores estimados de HbA1C determinados a partir de las mediciones de la Gl ponderadas como se analiza anteriormente se pueden usar en un procedimiento de entrega de información 400 para proporcionar valores estimados de HbA1C agrupados en una visualización seccionada, es decir, una visualización que comprende una pluralidad de secciones. Como se usa en el presente documento, "pluralidad de secciones" se refiere a diferentes áreas en la visualización de modo que los valores biológicos estimados o pronosticados para los diferentes grupos se puedan comparar, a diferencia de combinarlos en un único valor. Por ejemplo, una pluralidad de secciones puede incluir diferentes secciones de una gráfica circular, diferentes barras contiguas en un gráfico de barras, diferentes curvas en una gráfica o cualquier otro formato que permita la comparación de valores biológicos agrupados estimados o pronosticados que se derivan de las mediciones biológicas agrupadas. Específicamente, los valores estimados de HbA1C se pueden agrupar por una o más variables (por ejemplo, hora de las comidas, acontecimientos, tipo de actividad) de modo que un paciente y/o un médico puedan evaluar rápidamente el impacto pronosticado que los diferentes componentes del estilo de vida están contribuyendo a la salud del paciente.
El procedimiento de entrega de información 400 comienza en la etapa 410 recopilando mediciones biológicas (por ejemplo, mediciones de la Gl) y potencialmente otra información tal como el contexto asociado, de cualquier manera analizada anteriormente. Por ejemplo, la recopilación de mediciones de la Gl en la etapa 410 se puede producir manualmente (por ejemplo, usando tiras reactivas) o de forma automática (por ejemplo, usando un glucómetro continuo) o, simplemente, comprender una transferencia de mediciones biológicas obtenidas previamente, y el contexto potencialmente asociado, desde un base de datos (por ejemplo, descargar la información de un glucómetro al ordenador de un médico). En algunos modos de realización, la recopilación de mediciones biológicas se puede realizar además de forma continua o de acuerdo con un esquema de muestreo estructurado en el que las mediciones de la Gl se obtuvieron en momentos regulados del día, tales como dentro de un periodo de tiempo prescrito antes y/o después de las comidas, actividades u otros acontecimientos. Dichos modos de realización pueden ayudar a garantizar que los valores biológicos estimados o pronosticados se obtengan de una muestra suficiente para reducir el efecto de falta de uniformidad tales como las que se pueden producir al obtener mediciones biológicas en momentos no uniformes después de las comidas o al obtener mediciones biológicas de forma arbitraria a lo largo del día. En algunos modos de realización, el esquema de muestreo estructurado puede comprender recopilar mediciones en torno a un esquema de medicación estructurado (es decir, recopilar mediciones mientras el paciente toma una medicación prescrita de acuerdo con un esquema de medicación estructurado). Además, las mediciones biológicas se pueden recopilar en la etapa 410 por un paciente (por ejemplo, autoanálisis), por un médico (por ejemplo, pruebas de laboratorio) o por cualquier tercero.
Además, el número de muestras y la longitud del tiempo en el que se obtienen las muestras se pueden ajustar en función del paciente. Por ejemplo, en algunos modos de realización, como en el caso de pacientes con diabetes de tipo 2, las mediciones de Gl se pueden obtener durante de 7 a 14 días antes de determinar un valor estimado de HbA1C. En algunos modos de realización, tal como para los pacientes con diabetes de tipo 1, las mediciones de la Gl se pueden obtener durante de 40 a 80 días. De forma alternativa, se pueden usar otros periodos de tiempo y frecuencias de medición para abordar los aspectos farmacológicos y de estilo de vida de los pacientes específicos o el problema específico que se está investigando.
En la invención, después o mientras se recopilan las mediciones de la Gl (u otras mediciones biológicas) en la etapa 410, se analiza el cumplimiento de los datos en la etapa 411 y se proporciona una interpretación del cumplimiento. Específicamente, los datos recopilados en la etapa 410 se analizan para determinar si las mediciones se recopilaron de una manera que cumplió con el protocolo de prueba (por ejemplo, si las mediciones se tomaron en los momentos adecuados en torno a un acontecimiento dentro de la duración especificada, si las mediciones se tomaron durante el número adecuado de días, si el paciente experimentó algún cambio adicional en su estilo de vida que pudiera influir en las mediciones, etc.). Si se determinó que las mediciones recopiladas cumplían con el protocolo de prueba en la etapa 412, a continuación, las mediciones de la Gl se evalúan en la etapa 420.
Si se determina que las mediciones recopiladas en la etapa 410 no se cumplen en la etapa 412 (como mediciones faltantes o mediciones recopiladas en momentos incorrectos), a continuación, la falta de cumplimiento se puede marcar en la etapa 413. Específicamente, el motivo de la falta de cumplimiento se puede presentar al paciente, al profesional sanitario o a cualquier otra parte relevante para que cualquier valor estimado, si todavía se determina, se revise teniendo en cuenta la falta de cumplimiento. En la invención, el sesgo de las mediciones se proporciona en la etapa 414 al paciente, profesional sanitario u otra parte relevante para que se puedan obtener mediciones futuras para compensar el sesgo de las mediciones ya recopiladas. Por ejemplo, si el paciente obtiene mediciones de forma habitual 30 minutos después de lo previsto, las mediciones futuras se pueden obtener 30 minutos antes de lo previsto originalmente para contrarrestar el sesgo de las mediciones retrasadas. Dependiendo de la gravedad de la falta de cumplimiento, las mediciones todavía se pueden usar para determinar valores estimados con un nivel revisado de confianza (es decir, exactitud) en la etapa 415 y los datos recopilados se pueden analizar e interpretar.
Todavía haciendo referencia a la fig. 20, el procedimiento de entrega de información 400 comprende además agrupar las mediciones biológicas (por ejemplo, mediciones de la Gl) en la etapa 450 de acuerdo con uno o más conjuntos de variables. El uno o más conjuntos de variables pueden comprender cualquier momento, acontecimiento, contexto asociado u otro parámetro que se pueda asociar con las mediciones biológicas, de modo que agrupar las mediciones biológicas por las variables permita evaluar el impacto de los componentes individuales en los valores biológicos estimados o pronosticados que se determinarán más adelante. Por ejemplo, en algunos modos de realización, las mediciones biológicas se pueden agrupar por momento en la etapa 451. Agrupar por momento puede incluir agrupar las mediciones biológicas de acuerdo con el momento del día en la que se obtuvieron las mediciones de la Gl. Por ejemplo, el día se puede dividir en un intervalo de tiempo para el desayuno (<íbf>), un intervalo para el almuerzo (ku), un intervalo para la cena(tsu )y un intervalo de ayuno(tFÁ).De forma alternativa, agrupar por momento en la etapa 451 puede comprender agrupar por determinadas semanas o partes de una semana (por ejemplo, fines de semana en comparación con días laborables), agrupar por estaciones (por ejemplo, invierno en comparación con otoño) o agrupar por cualquier otro marco de tiempo relativo. Estos modos de realización pueden ser útiles para comparar dos periodos de tiempo.
Todavía haciendo referencia a la fig. 20, en algunos modos de realización, agrupar las mediciones biológicas en la etapa 450 comprende agrupar las mediciones biológicas por acontecimientos en la etapa 452. Agrupar las mediciones biológicas por acontecimiento en la etapa 452 puede comprender agrupar las mediciones biológicas en base a la aparición de acontecimientos asociados con las mediciones de Gl. Los acontecimientos pueden incluir la toma de una medicación (por ejemplo, si se tomó alguna, qué tipo se tomó, cuánto se tomó), la realización de una actividad física (por ejemplo, si el paciente hace ejercicio, qué tipo de ejercicio se realizó, durante cuánto tiempo hizo el paciente ejercicio), el consumo de un tipo particular de alimento, o cualquier otro acontecimiento que se produzca en la vida de un paciente al que se le pueda hacer un seguimiento (pero todavía se produce con suficiente frecuencia para que las variaciones en estos acontecimientos permitan el control eficaz de su salud). Cuando los acontecimientos se producen en el mismo momento del día, la agrupación por acontecimiento 452 comprenderá esencialmente la agrupación por momento (es decir, el acontecimiento y el momento del acontecimiento son los mismos). Sin embargo, cuando los acontecimientos se producen en diversos momentos de un día, semana, mes o más, la agrupación por acontecimiento será distinta de la agrupación por periodos de tiempo reglamentados. Por ejemplo, cuando los acontecimientos consisten en tomar un medicamento, las mediciones biológicas se pueden agrupar según el tipo de medicamento tomado (o si se tomó algún medicamento) y/o la cantidad de medicamento tomada. Por tanto, se pueden agrupar las mediciones biológicas para apreciar el efecto que cada acontecimiento tiene sobre sus valores biológicos estimados o pronosticados para comprender el impacto relativo (por ejemplo, éxito) que diversos medicamentos, pautas de ejercicio u otros acontecimientos tienen sobre su salud.
En la invención, agrupar las mediciones biológicas en la etapa 450 comprende agrupar las mediciones biológicas (por ejemplo, mediciones de Gl) por contexto asociado en la etapa 453. Como se analiza anteriormente, el contexto asociado puede comprender variables de la rutina de un paciente, tales como el tamaño de una comida o la velocidad con la que se digieren los alimentos consumidos. En dichos modos de realización, las mediciones biológicas no solo se ponderan por el contexto asociado en la etapa 420 para determinar un valor estimado de HbA1C más exacto en la etapa 430 (como se analizará más adelante en el presente documento), sino que las mediciones biológicas recopiladas en la etapa 410 se pueden agrupar por el mismo contexto asociado de modo que se pueda apreciar mejor el impacto relativo de las variables dentro del contexto asociado.
Las mediciones biológicas se pueden agrupar en la etapa 450 de forma automática en base a parámetros predeterminados (por ejemplo, cuando un glucómetro está programado de forma predeterminada para agrupar por momento), o se pueden agrupar en base la orden de un operario. En algunos modos de realización, el procedimiento puede comprender solicitar al operario que seleccione el conjunto de variables en el que agrupar las mediciones biológicas. Por ejemplo, al operario se le pueden solicitar múltiples opciones tales como momento, acontecimientos, contexto asociado u otras variables que están disponibles en función de las variables conocidas en las que se obtuvieron las mediciones biológicas. Si bien se han proporcionado ejemplos específicos de cómo se pueden agrupar las mediciones biológicas en la etapa 450 del procedimiento de entrega de información 400, también se debe apreciar que las mediciones biológicas se pueden agrupar además por cualquier otro conjunto de variables que puedan permitir una visión de su impacto en los valores biológicos estimados o pronosticados del paciente.
Todavía haciendo referencia a la fig. 20, el procedimiento de entrega de información 400 comprende además evaluar las mediciones biológicas (por ejemplo, mediciones de la Gl) en la etapa 420. Evaluar las mediciones biológicas comprende interpretar las mediciones biológicas recopiladas usando un protocolo seleccionado, de modo que se pueda determinar un valor biológico estimado o pronosticado en la etapa 430. Por ejemplo, en algunos modos de realización, evaluar las mediciones biológicas en la etapa 420 comprende ponderar las mediciones biológicas en base al contexto asociado 421 como se analiza anteriormente. En otros modos de realización, evaluar las mediciones biológicas en la etapa 420 comprende usar la ecuación 422 de Nathan con las mediciones recopiladas. Incluso en otros modos de realización, evaluar las mediciones biológicas en la etapa 420 comprende usar cualquier otro protocolo en la etapa 423, de modo que se pueda determinar un valor biológico estimado o pronosticado en la etapa 430. Evaluar las mediciones biológicas en la etapa 420 la puede realizar cualquier individuo y/o máquina, tal como, por ejemplo, un ordenador, un glucómetro y/o un asistente digital personal como se analiza anteriormente. Una vez que se evalúan las mediciones biológicas, tal como de acuerdo con uno de los procesos analizados anteriormente de modo que se puedan determinar los valores medios reales estimados de la Gl, los valores biológicos estimados o pronosticados (por ejemplo, valores de HbA1C) se determinan en la etapa 430. Los valores biológicos estimados/pronosticados determinados en la etapa 430 pueden estimar o pronosticar por tanto cuál será el valor biológico (por ejemplo, nivel de HbA1 C) para el paciente como resultado de su medición biológica más reciente. Por ejemplo, el paciente y/o su médico pueden evaluar por tanto el impacto relativo de la Gl o HbA1C media estimada/pronosticada como un todo o como grupos seccionados y, de ese modo, apreciar el impacto relativo del momento, acontecimiento y/o contexto asociado con esa medición de Gl. De manera similar a evaluar las mediciones biológicas en la etapa 420, la determinación de los valores biológicos estimados o pronosticados en la etapa 430 la puede realizar cualquier individuo y/o máquina, tal como, por ejemplo, un ordenador, un glucómetro y/o un asistente digital personal.
En la invención, los valores de HbA1C estimados/pronosticados (u otros valores biológicos estimados/pronosticados) determinados en la etapa 430 se comparan con el último valor de HbA1C real medido (u otro último valor biológico medido) en la etapa 431. Comparar el valor biológico estimado con el valor biológico real puede proporcionarle al paciente el incremento o disminución pronosticado en el valor de HbA1C en comparación con su último valor de HbA1C medido real. En estos modos de realización, a continuación, el paciente puede apreciar el efecto que su medicación, elecciones de estilo de vida, etc. están teniendo en su salud. En algunos modos de realización, el valor biológico estimado se compara con un valor biológico objetivo/de referencia para apreciar el progreso del tratamiento. En algunos modos de realización, el valor biológico estimado/pronosticado determinado a partir de un grupo de mediciones biológicas se compara con el valor estimado/pronosticado determinado a partir de uno o más grupos de mediciones biológicas. En algunos modos de realización, el valor biológico estimado determinado para un periodo de tiempo se puede comparar con otro valor biológico (ya sea estimado o real) de otro periodo de tiempo. Los valores de referencia se pueden introducir manualmente o se pueden recuperar de un dispositivo de almacenamiento. Por ejemplo, en algunos modos de realización, los valores de referencia se almacenan en un sistema tal como un sistema local (por ejemplo, el glucómetro del paciente) o un sistema remoto (por ejemplo, un ordenador, servidor u otro dispositivo de almacenamiento al que se pueda acceder).
Todavía haciendo referencia a la fig. 20, después de que se determinen los valores biológicos estimados o pronosticados en la etapa 430, los valores estimados de HbA1C agrupados se proporcionan en una visualización seccionada en la etapa 460. Específicamente, los valores biológicos estimados o pronosticados se proporcionan de modo que cada grupo se proporciona dentro de al menos una de una pluralidad de secciones de la visualización. Por ejemplo, cuando los valores biológicos se agrupan por momento en la etapa 451, la pluralidad de secciones de la visualización comprenderá secciones para diversos marcos de tiempo en los que visualizar el grupo respectivo de valores biológicos estimados o pronosticados. En algunos modos de realización, los momentos diarios en los que se recopilaron las mediciones de Gl (u otras mediciones biológicas) comprenden un plazo de tiempo de desayuno, un plazo de tiempo de almuerzo, un plazo de tiempo de cena y un plazo de tiempo durante la noche (por ejemplo, un plazo de tiempo de ayuno). De forma similar, la pluralidad de secciones en la visualización seccionada podría comprender una pluralidad de secciones que comprenden una sección de desayuno, en la que se muestran los valores biológicos estimados o pronosticados agrupados que reflejan el impacto de las mediciones biológicas tomadas durante el plazo de tiempo del desayuno, una sección de almuerzo, en la que se muestran los valores biológicos estimados o pronosticados agrupados que reflejan el impacto de las mediciones biológicas tomadas durante el plazo de tiempo del almuerzo, una sección de cena, en la que se muestran los valores biológicos estimados o pronosticados agrupados que reflejan el impacto de las mediciones biológicas tomadas durante el plazo de tiempo de la cena, y una sección durante la noche, en la que se muestran los valores biológicos estimados o pronosticados agrupados que reflejan el impacto de las mediciones biológicas tomadas durante el plazo de tiempo durante la noche.
Asimismo, en modos de realización en los que los valores biológicos estimados o pronosticados se agrupan por acontecimientos en la etapa 452, la pluralidad de secciones en la visualización seccionada puede, por ejemplo, comprender un primer tipo de sección de medicación, un segundo tipo de sección de medicación, una sección sin medicación, o similares. Adicionalmente o de forma alternativa, en algunos modos de realización, la pluralidad de secciones puede comprender secciones basadas en la cantidad o concentración del medicamento. Incluso en otros modos de realización, cuando los valores biológicos estimados o pronosticados se agrupan por otras variables de contexto asociadas en la etapa 453, la pluralidad de secciones de la visualización seccionada se puede basar en las diferentes variables de contexto (por ejemplo, una sección de tamaño de comida grande para valores estimados de HbA1C basados en mediciones de Gl tomadas después de comidas de gran tamaño, una sección de tamaño de comida normal para valores estimados de HbA1C basados en mediciones de Gl tomadas después de comidas de tamaño normal y una sección de tamaño de comida pequeña para valores estimados de HbA1C basados en mediciones de Gl tomadas después comidas de tamaño pequeño). Como tal, la pluralidad de secciones permite la visualización basada en componentes de valores biológicos estimados o pronosticados agrupados, de modo que se pueda evaluar el efecto de cada componente. Opcionalmente, se puede proporcionar una interpretación basada en los valores estimados o pronosticados agrupados proporcionados en la visualización que transmiten la información relevante tal como el impacto relativo que cada componente (es decir, variable) tiene en el paciente, potenciales cambios en el estilo de vida, potenciales cambios en la medicación, etc.
Por lo tanto, al agrupar los valores biológicos estimados o pronosticados por acontecimientos, se puede evaluar rápidamente el éxito relativo que un tratamiento prescrito está teniendo en el paciente. Por ejemplo, un paciente, médico u otro tercero puede evaluar el impacto relativo atribuido a los valores estimados de HbA1C agrupados de cada sección de la visualización seccionada. Por tanto, cuando una sección proporciona un mayor impacto en los valores de HbA1 C (tal como cuando las comidas grandes representan el mayor impacto en los valores de HbA1 C), su impacto se puede visualizar rápidamente. Esto se puede utilizar para ofrecer una visión rápida de la eficacia de un tratamiento terapéutico (tal como la administración de fármacos o una pauta de ejercicio) para poder controlar el progreso. Además, al permitir una evaluación rápida del impacto en la HbA1C del paciente a través de los valores estimados de HbA1C, los tratamientos se pueden ajustar o suspender rápidamente (o se pueden modificar los estilos de vida cuando sea posible) si no están produciendo los resultados esperados o necesarios, tales como glucemia elevada o provocar hipoglucemia. Por ejemplo, en algunos modos de realización, tal como cuando los valores estimados de HbA1C se agrupan en base a acontecimientos en los que se administró y no se administró un nuevo fármaco, la visualización seccionada puede proporcionar el efecto sobre la HbA1C del paciente cuando se administró y no se administró el fármaco. Si la administración del fármaco produjo poco o ningún efecto, el paciente puede ajustar la cantidad de fármaco, cambiar el tipo de fármaco o suspender el tratamiento para reducir costes innecesarios. El procedimiento de entrega de información 400 permite que este ajuste se produzca en tiempo real sin esperar a recopilar los valores reales de HbA1C para el paciente durante la siguiente visita clínica.
Haciendo referencia ahora a las figs. 20 y 21, se ilustra una visualización gráfica ejemplar 461 que demuestra la visualización de mediciones biológicas agrupadas (tales como valores de HbA1C) de acuerdo con la etapa 450 del procedimiento de entrega de información 400. Específicamente, la visualización ejemplar muestra las mediciones biológicas para cada comida que tiene durante múltiples días agrupadas por la comida respectiva (es decir, desayuno, almuerzo y cena). Específicamente, como se ilustra en la fig. 21, las mediciones biológicas se agrupan en la primera comida de cada día 461A (es decir, desayuno), la segunda comida de cada día 461B (es decir, almuerzo) y la tercera comida de cada día 461C (es decir, cena). Al agrupar estos impactos relativos, el paciente y el profesional sanitario pueden comprender mejor el impacto relativo que cada componente tiene en su desglose de la fluctuación de la glucosa.
Haciendo referencia ahora a las figs. 20 y 22, se ilustra una primera visualización seccionada ejemplar 462 en la que se muestra la contribución debida a la ingesta de comida y la acción de control de la insulina. En la primera visualización seccionada ejemplar 462, las mediciones de Gl se agruparon en la etapa 450 de acuerdo con el momento del día (es decir, un plazo de tiempo para el desayunoTbf,un plazo de tiempo para el almuerzoTlu ,un plazo de tiempo para la cenaTsuy un plazo de tiempo para el ayuno) y los valores estimados se determinaron como se describe en la ecuación (29B) y la ecuación (30A) para mostrar el efecto relativo de las comidas con respecto a un estado de ayuno. En algunos modos de realización, de forma alternativa o adicionalmente, se pueden proporcionar otras interpretaciones comparativas, tales como proporcionar valores absolutos (como se ilustra en la fig. 23), valores medianos, valores modales, etc. Los valores estimados agrupados de HbA1C, a continuación, se proporcionan en la etapa 460 en la visualización seccionada comparando la contribución debida a la ingesta de comida, así como la acción de control de la insulina con respecto a la basal (es decir, la contribución en ayunas). Específicamente, la altura y el ancho de cada sección de la visualización de la sección se generan como sigue: el eje X representa un día de 24 horas, el ancho de la sección es proporcional a la duración de la sección, la altura es el valor de HbA1C para la sección dividida por el ancho de la sección. El área de la sección representa el valor de HbA1C, el ancho de la sección tiene unidades de horas y la altura tiene la unidad de HbA1C %/hora. Como se ilustra, la contribución del desayuno 462A y la cena 462C se controlan excesivamente con respecto a la 462D basal, mientras que la contribución del almuerzo 462B muestra una contribución positiva a la A1c. Al proporcionar esta primera visualización seccionada ejemplar en la etapa 460 del procedimiento de entrega de información 400, el paciente, médico o cualquier otra persona puede evaluar rápidamente el impacto relativo de cada comida usando valores estimados de HbAIC para desarrollar un plan terapéutico revisado para abordar las contribuciones relativas sin esperar por nuevas mediciones clínicas de HbAIC.
Haciendo referencia ahora a las figs. 20 y 23, se ilustra una segunda visualización seccionada ejemplar 463 en la que cada grupo se visualiza en su propia sección 463A-D como un componente individual independiente el uno del otro. De manera similar a la primera visualización seccionada ejemplar 462 de la fig. 22, las mediciones de Gl se agruparon en la etapa 450 de acuerdo con el momento del día (es decir, un plazo de tiempo para el desayunoTbf,un plazo de tiempo para el almuerzoTlu .un plazo de tiempo para la cenaTsuy un plazo de tiempo para el ayuno) y se determinó el valor estimado de HbA1C para cada grupo de modo que los valores absolutos de cada grupo se presenten con respecto al momento para comparar el efecto relativo de cada grupo. El área de cada sección representa el aporte respectivo de HbA1C. El valor general estimado de HbA1C se puede visualizar opcionalmente junto con la contribución de cada una de las secciones como valor de % de HbA1C. De forma alternativa, los valores se pueden visualizar en proporciones o porcentajes del valor total de % de HbA1C. Los valores de HbA1C estimados agrupados se proporcionan a continuación en la etapa 460 en la visualización seccionada visualizando la contribución de cada grupo independientemente de los demás. Como resultado, el paciente, el médico o cualquier otra persona puede evaluar rápidamente el impacto que tiene cada sección (por ejemplo, identificando que la sección de cena 463C contribuye con el mayor impacto, a diferencia de la sección de desayuno 463A o la sección de almuerzo 463B, en la 462D basal) y ajustar el tratamiento y/o el estilo de vida del paciente en consecuencia.
Haciendo referencia ahora a las figs. 20 y 24, se ilustra una tercera visualización seccionada ejemplar 464 en la que cada sección 464A-D se visualización para determinar el impacto relativo de diferentes tipos y cantidades de medicación. Para la tercera visualización seccionada ejemplar 464, los valores de HbA1 C estimados/pronosticados se determinaron después de que las mediciones de Gl se agruparan en la etapa 450 en base al periodo de tiempo en el que se tomó una cantidad y tipo de medicación particular. Específicamente, los valores estimados/pronosticados de HbA1C se agruparon por un primer periodo de tiempo de dos semanas en el que no se tomó ningún medicamento 464A, un segundo periodo de tiempo de dos semanas (este periodo de 2 semanas puede ser más o menos) en el que se tomó una cantidad "A" de "medicamento 1" 464B, un tercer periodo de tiempo en el que se tomó una cantidad "B" de "medicamento 2" 464C, y un cuarto periodo de tiempo en el que se tomó una cantidad "C" de "medicamento 3" 464D. Los valores de HbA1C estimados/pronosticados agrupados en la etapa 450 se proporcionan a continuación en la etapa 460 en la visualización seccionada en la que una sección corresponde a cada periodo de tiempo (es decir, 464A, 464B, 464C y 464D). Como tal, el impacto relativo de la HbA1 C del paciente se puede evaluar con respecto a cada grupo y determinar el éxito relativo de cada tratamiento (por ejemplo, la eficacia para reducir la HbA1C/controlar la fluctuación glucémica) de las diferentes pautas de medicamentos.
Haciendo referencia ahora a las figs. 20 y 25, se ilustra una cuarta visualización seccionada ejemplar 465 en la que cada sección 465A-D se visualización para averiguar el impacto relativo de diferentes tipos y cantidades de medicamentos y un cambio en el estilo de vida (por ejemplo, incremento en el ejercicio o comer más sano). Para la cuarta visualización seccionada ejemplar 465, el cambio estimado/pronosticado en los valores de HbA1C se determinó después de que las mediciones de Gl se agruparan en la etapa 450 en base al periodo de tiempo en el que se produjo un acontecimiento particular, en el que el acontecimiento consistió en tomar un medicamento, no tomar un medicamento o un cambio en el estilo de vida. Específicamente, el cambio estimado/pronosticado en los valores de HbA1C se agrupó por un primer periodo de tiempo de dos semanas en el que no se tomó ningún medicamento 465A, un segundo periodo de tiempo de dos semanas en el que se tomó una cantidad "A" de "medicamento 1" 465B, un tercer periodo de tiempo en el que el paciente experimentó un cambio en el estilo de vida 465C, y un cuarto periodo de tiempo en el que se tomó una cantidad "C" de "medicamento 2" 465D. El cambio estimado/pronosticado en los valores de HbA1C agrupados en la etapa 450 se proporcionan a continuación en la etapa 460 en la visualización seccionada, de modo que el impacto del segundo 465B, tercer 465C y cuarto periodo de tiempo 465D se ilustran en comparación con el impacto del primer periodo de tiempo 465A (es decir, cuando no se tomó ningún medicamento). Como tal, el paciente, el médico o cualquier otra persona pueden evaluar rápidamente el impacto de la "cantidad A de medicamento 1", el "cambio en el estilo de vida" y la "cantidad C del medicamento 2" en comparación con el de "sin medicamento". A continuación, el paciente puede seleccionar o ajustar un tratamiento en base al impacto relativo de cada componente. El cambio en el % de HbA1C se hace con referencia al caso de sin medicamento o, de forma alternativa, al tipo de referencia seleccionado.
Haciendo referencia ahora a las figs. 20 y 26, se ilustra una quinta visualización seccionada ejemplar 466 en la que cada sección 466A-D se visualiza para ver cómo se muestran sus valores estimados actuales o previos (correspondientes a los grupos de desayuno 466A, almuerzo 466B, cena 466C y durante la noche (es decir, ayuno) 466D), se compara con los valores estimados actuales o previos de otras secciones (que se correlaciona con la ecuación (30) presentada anteriormente en la que el componente de ayuno de la ecuación (30) se presenta como la sección durante la noche). Para la quinta visualización seccionada ejemplar 466, se obtuvieron mediciones biológicas (por ejemplo, mediciones de la Gl) y se ponderaron de modo que se pudieran determinar los valores biológicos estimados (por ejemplo, mediciones de la Gl pronosticadas o valores de HbA1C pronosticados). Antes de determinar los valores biológicos estimados, las mediciones biológicas se agruparon en los cuatro grupos identificados en el eje x. Los valores comparativos de cada grupo (por ejemplo, promedios, valores absolutos, etc.) se muestran en sus respectivas secciones para que se pueda visualizar el impacto relativo de cada grupo. Por ejemplo, el paciente puede determinar que el mayor impacto proviene del grupo de la cena y, por lo tanto, puede ser especialmente consciente de los alimentos que ingiere, los medicamentos asociados y las actividades que realiza durante la cena. El eje y puede comprender diferentes valores dependiendo del tipo de valores biológicos estimados. Por ejemplo, cuando los valores biológicos estimados comprenden HbA1C, el eje y se puede definir en % de HbA1C, mmol/mol o mg/dl. Además, también se puede visualizar una línea objetivo de referencia 466E a través de la quinta visualización seccionada ejemplar 466 correspondiente a los niveles generales objetivo para el paciente (o cualquier otro valor objetivo o valor de referencia relevante) para averiguar dónde se proyectan los valores estimados para el paciente con respecto a sus mediciones objetivo o previas.
Haciendo referencia ahora a las figs. 20 y 27, se ilustra una sexta visualización seccionada ejemplar 467 en la que cada sección 467A-D se visualiza en un gráfico de sectores para ver cómo sus valores estimados (correspondientes a los grupos de desayuno 467A, almuerzo 467B, cena 467C y durante la noche (es decir, ayuno) 467D), se compara con los valores estimados de otras secciones. Para la sexta visualización seccionada ejemplar 467, se obtuvieron mediciones biológicas (por ejemplo, mediciones de la Gl) y se ponderaron de modo que se pudieran determinar los valores biológicos estimados (por ejemplo, mediciones de la Gl pronosticadas o valores de HbA1C pronosticados). Antes de determinar los valores biológicos estimados, las mediciones biológicas se agruparon en los cuatro grupos identificados en el perímetro del gráfico de sectores. Los valores comparativos de cada grupo (por ejemplo, promedios, valores absolutos, etc.) se muestran en sus respectivas secciones para que se pueda visualizar el impacto relativo de cada grupo.
Haciendo referencia ahora a las figs. 20 y 28, se ilustra una séptima visualización seccionada ejemplar 468 en la que cada sección 468A-D se visualiza para ver cómo sus valores estimados (correspondientes a los grupos de desayuno 468A, almuerzo 468B, cena 468C y durante la noche (es decir, ayuno) 468D), se compara con los valores estimados de otras secciones. Para la séptima visualización seccionada ejemplar 468, se obtuvieron mediciones biológicas (por ejemplo, mediciones de la Gl) y se ponderaron de modo que se pudieran determinar los valores biológicos estimados (por ejemplo, mediciones de la Gl pronosticadas o valores de HbA1C pronosticados). Antes de determinar los valores biológicos estimados, las mediciones biológicas se agruparon en los cuatro grupos identificados a lo largo del diagrama de barras. Los valores comparativos de cada grupo (por ejemplo, promedios, valores absolutos, etc.) se muestran en sus respectivas secciones para que se pueda visualizar el impacto relativo de cada grupo como cantidad del valor biológico total. El eje y puede comprender diferentes valores dependiendo del tipo de valores biológicos estimados/pronosticados. Por ejemplo, cuando los valores biológicos estimados/pronosticados comprenden HbA1C, el eje y se puede definir en % de HbA1C, mmol/mol o mg/dl. Además, también se puede visualizar una barra objetivo de referencia 468E contigua a los valores biológicos estimados/pronosticados correspondientes a los niveles objetivo para cada sección para averiguar dónde se proyectan los valores estimados/pronosticados para el paciente con respecto a sus valores objetivo. También se pueden visualizar indicadores adicionales como "alto", "dentro del intervalo" o "bajo" junto a cada sección para indicar el estado del paciente en comparación con sus niveles objetivo.
Haciendo referencia ahora a las figs. 20 y 29, se ilustra una octava visualización seccionada ejemplar 469 en la que cada sección 469A-E se visualiza para ver cómo sus valores estimados (correspondientes a los grupos de desayuno 469A, almuerzo 469B, cena 469C, durante la noche (es decir, ayuno) 469D y en todos los grupos (es decir, total) 469E), se compara con los valores estimados de otras secciones. Para la octava visualización seccionada ejemplar 469, se obtuvieron mediciones de la Gl y se ponderaron de modo que se pudieran determinar los valores estimados de HbA1C. Antes de determinar los valores biológicos estimados, las mediciones biológicas se agruparon en los grupos identificados a lo largo del diagrama de barras. Los valores comparativos de cada grupo (por ejemplo, promedios, valores absolutos, etc.) se muestran en sus respectivas secciones para que se pueda visualizar el impacto relativo de cada grupo. Además, también se puede visualizar las barras objetivo de referencia 469F-J contigua a los valores biológicos estimados correspondientes a los niveles objetivo para cada sección para averiguar dónde se proyectan los valores estimados para el paciente con respecto a sus valores objetivo.
Haciendo referencia ahora a las figs. 20 y 30, se ilustra una novena visualización seccionada ejemplar 470 en la que cada sección se visualiza de manera similar a la séptima visualización seccionada ejemplar 468 de la fig. 8, pero en la que las mediciones biológicas se agruparon por meses para poder controlar la evolución del paciente. Específicamente, el % de HbA1C se ilustra para las secciones 470A-D (que pueden corresponder a grupos como desayuno, almuerzo, cena y durante la noche (es decir, ayuno)) y se visualiza en formato de gráfico de barras para cada mes, de modo que se visualice el cambio general del paciente en cada mes. De forma alternativa, las secciones 470A-D se pueden agrupar y visualizar por semanas, estaciones o cualquier otra relación temporal.
Si bien en el presente documento se han presentado visualizaciones ejemplares específicas, se debe apreciar que también se pueden incluir otros rasgos característicos adicionales o alternativos. Por ejemplo, dichas visualizaciones pueden mostrar selectivamente información adicional (tal como el intervalo de fechas de las mediciones, etiquetas/iconos correspondientes a los grupos/acontecimientos, etc.), pueden ser interactivas (en las que el usuario puede cambiar selectivamente el intervalo de datos, acontecimientos u otros parámetros que se visualizan), puede mostrar valores reales dentro de cada sección de la visualización seccionada, puede mostrar dinámicamente solo secciones que están fuera de los intervalos objetivo, puede ser en color, escala de grises o blanco y negro, y/o contener cualquier otro rasgo característico relevante para visualizar valores biológicos estimados agrupados o valores biológicos pronosticados agrupados.
Haciendo referencia ahora a la fig. 31, se ilustra una pantalla textual ejemplar 601 en un dispositivo electrónico 600 (por ejemplo, PDA, ordenador, etc.) para solicitar y transmitir información detallada con respecto a las mediciones biológicas y/o los valores biológicos estimados o pronosticados presentados en las visualizaciones ejemplares analizadas en el presente documento. Específicamente, en algunos modos de realización, después de que al usuario se le presenten sus valores biológicos estimados y/o pronosticados agrupados en una visualización seccionada, se le puede solicitar o pedir detalles sobre diversos detalles tales como, por ejemplo, las mediciones biológicas recopiladas, el procedimiento por el que se determinaron los valores biológicos estimados o pronosticados, cómo se agruparon los valores biológicos estimados o pronosticados, las limitaciones del análisis y/o la calidad de los resultados. Por ejemplo, un usuario puede desear investigar las mediciones específicas que contribuyeron a una visualización que muestra que su valor biológico estimado a la hora de la cena es mayor de lo deseado. Por lo tanto, el usuario puede seleccionar ese grupo (tal como seleccionando esa sección de la visualización seccionada o siguiendo las indicaciones en pantalla para seleccionar ese grupo) para poder investigar los detalles de dónde provienen las mediciones de la hora de la cena (es decir, cuáles fueron las mediciones, cuándo se registraron, qué contexto se registró relevante para esas mediciones, etc.).
En algunos modos de realización, como el ilustrado en la fig. 31, el usuario puede seleccionar o ver qué protocolo se usa para determinar los valores biológicos estimados o pronosticados (tales como las mediciones de HbA1C como se ilustra). Por ejemplo, se pueden presentar una pluralidad de protocolos 601A, 601B y 601C correspondientes a diferentes formas de determinar valores biológicos estimados o pronosticados (por ejemplo, valores de HbA1C) en base a mediciones biológicas (por ejemplo, mediciones de la Gl). En algunos modos de realización, estas pantallas de selección pueden dar lugar a una pantalla de selección adicional 602 que permite una mayor personalización (o análisis adicional) de lo que se visualiza. En otros modos de realización, la pantalla textual ejemplar 601 se puede presentar antes de visualizar la visualización seccionada. En estos modos de realización, la pantalla textual ejemplar 601 puede solicitar al usuario con respecto a la recopilación de mediciones biológicas (por ejemplo, cuándo recopilar, cuántas se recopilaron, cuántas más se deben recopilar, etc.), el protocolo para determinar los valores biológicos estimados o pronosticados (por ejemplo, ponderación en base al contexto asociado, relación de Nathan, etc.), o las variables por las que agrupar los valores biológicos estimados o pronosticados (por ejemplo, momento, acontecimiento, etc.).
Además, si bien se han presentado ejemplos específicos al agrupar valores biológicos estimados o valores biológicos pronosticados (tales como valores estimados de HbA1C de acuerdo con la etapa 450 del procedimiento de entrega de información 400) y proporcionar los valores biológicos estimados agrupados o los valores biológicos pronosticados agrupados en una visualización seccionada (de acuerdo con la etapa 460 del procedimiento de entrega de información 400), se debe apreciar que la agrupación se puede realizar de forma alternativa o adicionalmente en cualquier otra metodología basada en componentes y se puede proporcionar en cualquier pluralidad de secciones en la visualización seccionada que permita la interpretación del impacto de cada componente.
Haciendo referencia ahora a las figs. 17 y 20, el procedimiento de entrega de información 400 se puede incorporar en un dispositivo de visualización seccionado tal como un glucómetro 100 o dispositivo electrónico similar que comprende al menos una visualización 108, un terminal de entrada (tal como una interfaz de comunicaciones 124), memoria (tal como memoria principal o memoria secundaria 112) y un procesador 102. En dichos modos de realización, el terminal de entrada (tal como la interfaz de comunicaciones 124) recopila tanto mediciones de Gl como el contexto asociado de las mediciones de Gl en momentos diarios o acontecimientos de acuerdo con la etapa 410 del procedimiento de entrega de información 400. La memoria (tal como la memoria principal o la memoria secundaria 112) almacena las mediciones de Gl, el contexto asociado de las mediciones de Gl y las instrucciones. El procesador 102 está en comunicación con la memoria y es se puede hacer funcionar para ejecutar las instrucciones almacenadas en la memoria. Específicamente, las instrucciones provocan que el procesador pondere las mediciones de Gl en función del contexto asociado de acuerdo con la etapa 420 del procedimiento de entrega de información 400 y agrupe los valores estimados de HbA1C en base a un conjunto de variables de acuerdo con la etapa 450 del procedimiento de entrega de información 400. Las instrucciones provocan además que el procesador proporcione los valores de HbA1C estimados agrupados en la visualización 108, de modo que los valores de HbA1C estimados agrupados se muestren cada uno dentro de una pluralidad de secciones.
Haciendo referencia ahora a la fig. 32, los valores estimados de HbA1C determinados a partir de valores medios de la Gl (u otros valores biológicos estimados determinados a partir de valores biológicos medidos) como se analiza en el presente documento se pueden incorporar en un procedimiento de visualización selectiva 500 en el que uno o más tipos de valores de HbA1C (por ejemplo, reales, estimados, virtuales) se pueden visualizar selectivamente, por ejemplo, en un formato comparativo. Como se ilustra en la fig. 32, el procedimiento de visualización selectiva 500 comprende recopilar mediciones de la Gl y del contexto asociado en la etapa 510 (similar a recopilar mediciones y contexto asociado en la etapa 410 del procedimiento de entrega de información 400 ilustrado en la fig. 20). Después de que se recopilan las mediciones de Gl en etapa 510, las mediciones de Gl se ponderan en base al contexto asociado en la etapa 520 del procedimiento de visualización selectiva 500 (similar a ponderar las mediciones de Gl en el contexto asociado en la etapa 420 del procedimiento de entrega de información 400 ilustrado en la fig. 20). El procedimiento de visualización selectiva 500 comprende a continuación determinar los valores estimados de HbA1C en la etapa 530 así como tipos adicionales de valores de HbA1C en etapa 531. Específicamente, los valores estimados de HbA1C se pueden determinar en la etapa 530 usando las mediciones de Gl ponderadas como se analiza en el presente documento.
Los valores de HbA1C adicionales determinados en la etapa 531 pueden comprender cualquier otro valor de HbA1C realmente medido en un paciente o calculado de otro modo a partir de un paciente en base a otras mediciones tales como mediciones de la Gl. Por ejemplo, en algunos modos de realización, un valor de HbA1C adicional determinado en la etapa 531 puede comprender un valor de HbA1C virtual determinado en la etapa 532. Los valores virtuales de HbA1C son aquellos determinados puramente en función de la concentración de glucosa en los que se supone que el proceso de glucación es el mismo para cada paciente (y en los que los valores de Gl no se ponderan en base al contexto específico del paciente). Como tal, si bien la variabilidad fisiológica específica del paciente no se aborda directamente al determinar el valor, se puede comparar el control glucémico dentro de los pacientes. Los valores virtuales de HbA1C se pueden determinar en la etapa 532 en base a las mediciones de Gl recopiladas en la etapa 510. En algunos modos de realización, un valor de HbA1C adicional determinado en la etapa 531 puede comprender el valor de HbA1C real del paciente medido previa o actualmente en un entorno clínico. En dichos modos de realización, determinar un tipo adicional de valores de HbA1C puede comprender simplemente de este modo recopilar mediciones de HbA1C reales en la etapa 533, de modo que recopilar las mediciones de HbA1C reales puede comprender descargar un conjunto de mediciones o actualizar de forma continua un conjunto de mediciones a medida que se determinan nuevos valores.
Después de que se determinen o recopilen diversos valores de HbA1C a través de las etapas 530 y 531 del procedimiento de visualización selectiva 500, los tipos de valores de HbA1 C que se van a visualizar se seleccionan en la etapa 540. Específicamente, se pueden seleccionar cualquiera o todos los valores de HbA1C para visualizarlos de modo que puedan comparar los diferentes valores de HbA1C del paciente. Por ejemplo, en algunos modos de realización, el procedimiento se puede incorporar en un dispositivo electrónico tal como un glucómetro, una PDA o un ordenador. A continuación, se le puede solicitar al operario que seleccione qué valores comparar en base a los diferentes valores determinados/obtenidos en las etapas 530 y 531. Por ejemplo, el operario puede ser capaz de seleccionar valores estimados de HbA1 C (determinados en la etapa 530 que pronostican los valores de HbA1C del paciente en base mediciones de Gl previas), mediciones de HbA1C reales (recopiladas en la etapa 533 que contienen valores recientes realmente medidos del paciente) y/o valores virtuales de HbA1C (determinados en la etapa 532 que estiman el valor de HbA1C del paciente en base mediciones de la Gl, pero que se basa en un modelo poblacional en lugar de ponderar las mediciones de Gl individuales en base al contexto). Además, el usuario también puede seleccionar el intervalo de fechas, acontecimientos u otro parámetro para el que se visualizarán los valores de HbA1C.
Después de seleccionar los tipos de valores de HbA1C en la etapa 540, los tipos seleccionados de valores de HbA1C se muestran en la etapa 550 del procedimiento de visualización selectiva 500. Específicamente, los tipos seleccionados de valores de HbA1C se visualizan de modo que un usuario pueda ver y/o comparar los distintos valores de HbA1C. En algunos modos de realización, los diversos valores se pueden representar en una gráfica común. Por ejemplo, cuando se seleccionan los valores estimados de HbA1C y los valores reales de HbA1C, a continuación, se pueden representar gráficamente ambos conjuntos de valores para que un paciente pueda visualizar cómo se compara su HbA1C estimada con sus resultados de HbA1C reales medidos previamente. En algunos modos de realización, el valor de los tipos seleccionados de valores de HbA1C se visualiza de modo que el paciente pueda ver cómo los nuevos valores (tales como valores de HbA1C estimados o valores de HbA1C virtuales) se comparan con los valores de HbA1C reales medidos previamente, tales como al incluir el cambio porcentual). Dichos modos de realización pueden permitir al paciente evaluar más rápidamente el efecto de nuevas pautas terapéuticas y determinar cómo dichos cambios en el estilo de vida están influyendo en su salud o qué acciones pueden tomar para mejorar las tendencias actuales.
En resumen, los modos de realización de la presente divulgación abordan la capacidad de proporcionar valores biológicos estimados agrupados o valores biológicos pronosticados agrupados (tales como valores de HbA1C estimados o pronosticados) en una visualización seccionada a pacientes, médicos y/o cualquier otra persona para que el efecto de nuevas pautas de tratamiento u otras variaciones en la vida de un paciente se puedan evaluar más rápidamente sin esperar mediciones clínicas de los valores reales. Por ejemplo, ponderando las mediciones de Gl obtenidas, se pueden determinar los valores estimados de HbA1C calculando los valores medios reales de Gl. Las mediciones de Gl se pueden agrupar en un conjunto de variables para que se puedan visualizar los valores estimados de HbA1C y examinar el impacto relativo de diferentes momentos, acontecimientos u otros contextos. Por tanto, los valores agrupados de HbA1C se pueden entregar en una visualización seccionada para evaluar rápidamente el efecto de cada componente basado en variables en la HbA1C del paciente. Adicionalmente, los valores estimados de HbA1C se pueden determinar junto con otros tipos de valores de HbA1C de modo que un usuario pueda seleccionar diferentes tipos de valores de HbA1C para comparar. Dichos modos de realización pueden permitir, entre otras cosas, que los valores de HbA1C reales medidos previamente de un paciente se comparen con valores de HbA1C estimados determinados recientemente para estudiar el efecto de cambios terapéuticos y/o de estilo de vida recientes.

Claims (11)

REIVINDICACIONES
1. Un dispositivo de visualización seccionada para visualizar valores biológicos estimados agrupados o valores biológicos pronosticados agrupados, que comprende:
- una visualización seccionada (108);
- un terminal de entrada (124) para recopilar mediciones biológicas de acuerdo con un esquema de muestreo estructurado y para recopilar el contexto asociado de las mediciones biológicas recopiladas;
- memoria (110) para almacenar las mediciones biológicas recopiladas y tener instrucciones almacenadas; y
- un procesador (102) en comunicación con la memoria y que se puede hacer funcionar para ejecutar las instrucciones, provocando las instrucciones que el procesador (102):
- analice si las mediciones biológicas recopiladas cumplen con el esquema de muestreo estructurado;
- si se determina que las mediciones biológicas recopiladas no cumplen con el esquema de muestreo estructurado, señale la falta de cumplimiento y proporcione un sesgo de las mediciones biológicas recopiladas para que se puedan obtener mediciones futuras para compensar la desviación de las mediciones ya recopiladas;
- si se determina que las mediciones biológicas recopiladas cumplen con el esquema de muestreo estructurado, agrupe las mediciones biológicas en base al conjunto de variables, en el que el conjunto de variables comprende el contexto asociado, asociado con las mediciones biológicas, en el que la agrupación comprende agrupar las mediciones biológicas por el contexto asociado, en el que el contexto asociado comprende variables de la rutina de un paciente;
- evalúe las mediciones biológicas para determinar valores biológicos estimados agrupados o valores biológicos pronosticados agrupados, que comprende ponderar cada una de las mediciones biológicas recopiladas en base al contexto asociado;
- compare los valores biológicos estimados agrupados o los valores biológicos pronosticados agrupados con un último valor biológico medido y proporcione un incremento o disminución pronosticado en los valores biológicos estimados agrupados o los valores biológicos pronosticados agrupados en comparación con su último valor biológico medido real; y
- proporcione los valores biológicos estimados agrupados o los valores biológicos pronosticados agrupados dentro de una pluralidad de secciones en la visualización seccionada (108), en el que la pluralidad de secciones corresponde al conjunto de variables.
2. El dispositivo de visualización seccionada de la reivindicación 1, en el que las mediciones biológicas comprenden mediciones de la Gl.
3. El dispositivo de visualización seccionada de la reivindicación 1 o 2, en el que los valores biológicos estimados comprenden valores estimados o pronosticados de glucohemoglobina (HbA1C), valores de fructosamina, valor medio real de glucemia o valores de triglicéridos.
4. El dispositivo de visualización seccionada de acuerdo con una cualquiera de las reivindicaciones precedentes, en el que el conjunto de variables comprende un plazo de tiempo en el que se obtuvo la medición biológica recopilada.
5. El dispositivo de visualización seccionada de la reivindicación 4, en el que el plazo de tiempo comprende un plazo de tiempo del desayuno, un plazo de tiempo del almuerzo, un plazo de tiempo de la cena y un plazo de tiempo durante la noche.
6. El dispositivo de visualización seccionada de la reivindicación 5, en el que la pluralidad de secciones comprende:
- una sección de desayuno en la que se muestran los valores biológicos estimados agrupados o los valores biológicos pronosticados agrupados que reflejan el impacto de las mediciones biológicas recopiladas durante el plazo de tiempo del desayuno;
- una sección de almuerzo en la que se muestran los valores biológicos estimados agrupados o los valores biológicos pronosticados agrupados que reflejan el impacto de las mediciones biológicas recopiladas durante el plazo de tiempo del almuerzo;
- una sección de cena en la que se muestran los valores biológicos estimados agrupados o los valores biológicos pronosticados agrupados que reflejan el impacto de las mediciones biológicas recopiladas durante el plazo de tiempo de la cena; y
- una sección durante la noche en la que se muestran los valores biológicos estimados agrupados o los valores biológicos pronosticados agrupados que reflejan el impacto de las mediciones biológicas recopiladas durante el plazo de tiempo durante la noche.
7. El dispositivo de visualización seccionada de acuerdo con una cualquiera de las reivindicaciones precedentes, en el que el conjunto de variables comprende un tipo y/o cantidad de medicamento administrado con respecto a la medición biológica recopilada, preferentemente, en el que la pluralidad de secciones comprende un primer tipo de sección de medicamento y un segundo tipo de sección de medicamento.
8. El dispositivo de visualización seccionada de la reivindicación 7, en el que la pluralidad de secciones comprende una primera cantidad de un primer tipo de sección de medicamento y una segunda cantidad del primer tipo de sección de medicamento, en el que, preferentemente, las instrucciones provocan además que el procesador (102) evalúe un efecto del tipo y/o la cantidad de medicamento en base a los valores biológicos estimados agrupados o los valores biológicos pronosticados agrupados proporcionados dentro de la pluralidad de secciones en la visualización seccionada (108).
9. El dispositivo de visualización seccionada de acuerdo con cualquiera de las reivindicaciones precedentes, en el que las instrucciones provocan además que el procesador (102) proporcione una interpretación de los valores biológicos estimados agrupados o los valores biológicos pronosticados agrupados proporcionados en la visualización seccionada (108).
10. El dispositivo de visualización seccionada de acuerdo con cualquiera de las reivindicaciones precedentes, en el que el dispositivo de visualización seccionada comprende un glucómetro y, preferentemente, el glucómetro comprende además una alarma que solicita a un operario que recopile muestras biológicas de acuerdo con un esquema de muestreo estructurado almacenado en la memoria (110).
11. El dispositivo de visualización seccionada de acuerdo con cualquiera de las reivindicaciones precedentes, en el que el dispositivo de visualización seccionada se configura para estar en comunicación con un servidor externo (135) que se configura para evaluar las mediciones biológicas para determinar los valores biológicos estimados o pronosticados y/o en el que las instrucciones provocan además que el procesador (102) proporcione una interpretación de los valores biológicos estimados agrupados o de los valores biológicos pronosticados agrupados proporcionados en la visualización seccionada (108).
ES12000442T 2011-01-31 2012-01-25 Visualización de valores biológicos Active ES2962508T3 (es)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
US13/017,526 US20110196213A1 (en) 2009-06-26 2011-01-31 Display For Biological Values

Publications (1)

Publication Number Publication Date
ES2962508T3 true ES2962508T3 (es) 2024-03-19

Family

ID=45654765

Family Applications (1)

Application Number Title Priority Date Filing Date
ES12000442T Active ES2962508T3 (es) 2011-01-31 2012-01-25 Visualización de valores biológicos

Country Status (4)

Country Link
EP (1) EP2486851B8 (es)
ES (1) ES2962508T3 (es)
HU (1) HUE064154T2 (es)
PL (1) PL2486851T3 (es)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2851824A1 (en) 2013-09-20 2015-03-25 Sanofi-Aventis Deutschland GmbH Data management unit for supporting health control
EP2851823A1 (en) 2013-09-20 2015-03-25 Sanofi-Aventis Deutschland GmbH Data management unit for supporting health control
WO2018232487A1 (en) 2017-06-20 2018-12-27 Chan Sidney Soong Ling METHOD AND SYSTEM FOR MONITORING A DIABETES TREATMENT PLAN

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5251126A (en) * 1990-10-29 1993-10-05 Miles Inc. Diabetes data analysis and interpretation method
US5956501A (en) * 1997-01-10 1999-09-21 Health Hero Network, Inc. Disease simulation system and method
US20070010950A1 (en) 2004-12-03 2007-01-11 Abensour Daniel S Method to determine the degree and stability of blood glucose control in patients with diabetes mellitus via the creation and continuous update of new statistical indicators in blood glucose monitors or free standing computers
ES2353526T3 (es) * 2005-06-14 2011-03-02 Microlife Intellectual Property Gmbh Un dispositivo para medir la presión sanguínea y un método para operar un dispositivo para medir la presión sanguínea.
US20070016449A1 (en) * 2005-06-29 2007-01-18 Gary Cohen Flexible glucose analysis using varying time report deltas and configurable glucose target ranges
US8079955B2 (en) * 2006-11-28 2011-12-20 Isense Corporation Method and apparatus for managing glucose control
US9918635B2 (en) * 2008-12-23 2018-03-20 Roche Diabetes Care, Inc. Systems and methods for optimizing insulin dosage
US20100331627A1 (en) * 2009-06-26 2010-12-30 Roche Diagnostics Operations, Inc. Adherence indication tool for chronic disease management and method thereof
US20100330598A1 (en) * 2009-06-26 2010-12-30 Roche Diagnostics Operations, Inc. METHOD, SYSTEM, AND COMPUTER PROGRAM PRODUCT FOR PROVIDING BOTH AN ESTIMATED TRUE MEAN BLOOD GLUCOSE VALUE AND ESTIMATED GLYCATED HEMOGLOBIN (HbA1C) VALUE FROM STRUCTURED SPOT MEASUREMENTS OF BLOOD GLUCOSE

Also Published As

Publication number Publication date
EP2486851A1 (en) 2012-08-15
EP2486851B8 (en) 2023-11-01
EP2486851C0 (en) 2023-09-27
EP2486851B1 (en) 2023-09-27
PL2486851T3 (pl) 2024-02-19
HUE064154T2 (hu) 2024-02-28

Similar Documents

Publication Publication Date Title
AU2022200642B2 (en) Analysis of glucose median, variability, and hypoglycemia risk for therapy guidance
US11331051B2 (en) Analysis of glucose median, variability, and hypoglycemia risk for therapy guidance
ES2755879T3 (es) Procedimiento y sistema para proporcionar tanto un valor de glucemia medio real estimado como un valor de glucohemoglobina (HbA1C) estimado a partir de mediciones puntuales estructuradas de glucemia
US10872696B2 (en) Method of hypoglycemia risk determination
US20110196213A1 (en) Display For Biological Values
JP5657559B2 (ja) 糖尿病における血糖変動を追跡記録するための方法、システム及びコンピュータ・プログラム
CA2404262C (en) Method, system, and computer program product for the evaluation of glycemic control in diabetes from self-monitoring data
US9965587B2 (en) Reminder, classification, and pattern identification systems and methods for handheld diabetes management devices
EP2656255A2 (en) Representation of large, variable size data sets on small displays
ES2962508T3 (es) Visualización de valores biológicos