JP2022534422A - 生体監視および血糖予測のためのシステムならびに関連付けられる方法 - Google Patents
生体監視および血糖予測のためのシステムならびに関連付けられる方法 Download PDFInfo
- Publication number
- JP2022534422A JP2022534422A JP2021570909A JP2021570909A JP2022534422A JP 2022534422 A JP2022534422 A JP 2022534422A JP 2021570909 A JP2021570909 A JP 2021570909A JP 2021570909 A JP2021570909 A JP 2021570909A JP 2022534422 A JP2022534422 A JP 2022534422A
- Authority
- JP
- Japan
- Prior art keywords
- data
- blood glucose
- patient
- machine learning
- event
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000008280 blood Substances 0.000 title claims abstract description 290
- 210000004369 blood Anatomy 0.000 title claims abstract description 290
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 title claims abstract description 282
- 239000008103 glucose Substances 0.000 title claims abstract description 282
- 238000000034 method Methods 0.000 title claims abstract description 106
- 238000010801 machine learning Methods 0.000 claims abstract description 101
- 230000002641 glycemic effect Effects 0.000 claims abstract description 46
- 230000002218 hypoglycaemic effect Effects 0.000 claims description 95
- NOESYZHRGYRDHS-UHFFFAOYSA-N insulin Chemical compound N1C(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(NC(=O)CN)C(C)CC)CSSCC(C(NC(CO)C(=O)NC(CC(C)C)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CCC(N)=O)C(=O)NC(CC(C)C)C(=O)NC(CCC(O)=O)C(=O)NC(CC(N)=O)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CSSCC(NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2C=CC(O)=CC=2)NC(=O)C(CC(C)C)NC(=O)C(C)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2NC=NC=2)NC(=O)C(CO)NC(=O)CNC2=O)C(=O)NCC(=O)NC(CCC(O)=O)C(=O)NC(CCCNC(N)=N)C(=O)NCC(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC(O)=CC=3)C(=O)NC(C(C)O)C(=O)N3C(CCC3)C(=O)NC(CCCCN)C(=O)NC(C)C(O)=O)C(=O)NC(CC(N)=O)C(O)=O)=O)NC(=O)C(C(C)CC)NC(=O)C(CO)NC(=O)C(C(C)O)NC(=O)C1CSSCC2NC(=O)C(CC(C)C)NC(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CC(N)=O)NC(=O)C(NC(=O)C(N)CC=1C=CC=CC=1)C(C)C)CC1=CN=CN1 NOESYZHRGYRDHS-UHFFFAOYSA-N 0.000 claims description 48
- 238000005259 measurement Methods 0.000 claims description 31
- 230000037081 physical activity Effects 0.000 claims description 28
- 102000004877 Insulin Human genes 0.000 claims description 24
- 108090001061 Insulin Proteins 0.000 claims description 24
- 229940125396 insulin Drugs 0.000 claims description 24
- 230000015654 memory Effects 0.000 claims description 22
- 235000000346 sugar Nutrition 0.000 claims description 19
- 230000003345 hyperglycaemic effect Effects 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 13
- 235000012054 meals Nutrition 0.000 claims description 11
- 235000012631 food intake Nutrition 0.000 claims description 10
- 230000037406 food intake Effects 0.000 claims description 10
- 230000009471 action Effects 0.000 claims description 8
- 230000002596 correlated effect Effects 0.000 claims description 7
- 238000012806 monitoring device Methods 0.000 claims description 3
- 230000036541 health Effects 0.000 abstract description 20
- 238000012544 monitoring process Methods 0.000 abstract description 14
- 208000013016 Hypoglycemia Diseases 0.000 description 74
- 238000012549 training Methods 0.000 description 50
- 230000000422 nocturnal effect Effects 0.000 description 42
- 230000007958 sleep Effects 0.000 description 36
- 238000005516 engineering process Methods 0.000 description 34
- 206010012601 diabetes mellitus Diseases 0.000 description 24
- 238000004422 calculation algorithm Methods 0.000 description 18
- 201000001421 hyperglycemia Diseases 0.000 description 18
- 238000004458 analytical method Methods 0.000 description 15
- 229940079593 drug Drugs 0.000 description 14
- 239000003814 drug Substances 0.000 description 14
- 230000008569 process Effects 0.000 description 13
- 238000012360 testing method Methods 0.000 description 13
- 230000000694 effects Effects 0.000 description 12
- 235000013305 food Nutrition 0.000 description 11
- 238000004590 computer program Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000001914 filtration Methods 0.000 description 10
- 150000001720 carbohydrates Chemical class 0.000 description 9
- 235000014633 carbohydrates Nutrition 0.000 description 9
- 230000036772 blood pressure Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 239000000523 sample Substances 0.000 description 6
- 239000000126 substance Substances 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 5
- 238000002483 medication Methods 0.000 description 5
- 230000035488 systolic blood pressure Effects 0.000 description 5
- 230000035487 diastolic blood pressure Effects 0.000 description 4
- 235000005911 diet Nutrition 0.000 description 4
- 230000000378 dietary effect Effects 0.000 description 4
- 238000009499 grossing Methods 0.000 description 4
- JYGXADMDTFJGBT-VWUMJDOOSA-N hydrocortisone Chemical compound O=C1CC[C@]2(C)[C@H]3[C@@H](O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 JYGXADMDTFJGBT-VWUMJDOOSA-N 0.000 description 4
- 230000000670 limiting effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 208000024891 symptom Diseases 0.000 description 4
- 206010067584 Type 1 diabetes mellitus Diseases 0.000 description 3
- 230000004931 aggregating effect Effects 0.000 description 3
- 238000009530 blood pressure measurement Methods 0.000 description 3
- 235000021074 carbohydrate intake Nutrition 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 230000002526 effect on cardiovascular system Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 208000004104 gestational diabetes Diseases 0.000 description 3
- 235000016709 nutrition Nutrition 0.000 description 3
- 230000004622 sleep time Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000000844 transformation Methods 0.000 description 3
- 208000001072 type 2 diabetes mellitus Diseases 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 208000019901 Anxiety disease Diseases 0.000 description 2
- 206010009696 Clumsiness Diseases 0.000 description 2
- 206010027590 Middle insomnia Diseases 0.000 description 2
- 208000010340 Sleep Deprivation Diseases 0.000 description 2
- 230000036506 anxiety Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 239000000090 biomarker Substances 0.000 description 2
- 210000001124 body fluid Anatomy 0.000 description 2
- 239000010839 body fluid Substances 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 208000002173 dizziness Diseases 0.000 description 2
- 239000003925 fat Substances 0.000 description 2
- 235000003642 hunger Nutrition 0.000 description 2
- 229960000890 hydrocortisone Drugs 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 208000001921 latent autoimmune diabetes in adults Diseases 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 201000002859 sleep apnea Diseases 0.000 description 2
- 230000004617 sleep duration Effects 0.000 description 2
- 230000008454 sleep-wake cycle Effects 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 241000972773 Aulopiformes Species 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 206010010904 Convulsion Diseases 0.000 description 1
- 206010011878 Deafness Diseases 0.000 description 1
- 208000008454 Hyperhidrosis Diseases 0.000 description 1
- 206010033546 Pallor Diseases 0.000 description 1
- 206010041349 Somnolence Diseases 0.000 description 1
- 229940100389 Sulfonylurea Drugs 0.000 description 1
- 206010043458 Thirst Diseases 0.000 description 1
- 206010044565 Tremor Diseases 0.000 description 1
- 208000003443 Unconsciousness Diseases 0.000 description 1
- 206010047513 Vision blurred Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 235000021258 carbohydrate absorption Nutrition 0.000 description 1
- 230000036996 cardiovascular health Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002255 enzymatic effect Effects 0.000 description 1
- 210000003722 extracellular fluid Anatomy 0.000 description 1
- 235000019197 fats Nutrition 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000008821 health effect Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 208000030159 metabolic disease Diseases 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 230000027939 micturition Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 238000013488 ordinary least square regression Methods 0.000 description 1
- 210000000496 pancreas Anatomy 0.000 description 1
- 238000010238 partial least squares regression Methods 0.000 description 1
- 239000013610 patient sample Substances 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000009290 primary effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012628 principal component regression Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 235000019515 salmon Nutrition 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 235000011888 snacks Nutrition 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 150000008163 sugars Chemical class 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 210000004243 sweat Anatomy 0.000 description 1
- 230000035900 sweating Effects 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
- 206010042772 syncope Diseases 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 238000000714 time series forecasting Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000002618 waking effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1118—Determining activity level
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4848—Monitoring or testing the effects of treatment, e.g. of medication
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4866—Evaluating metabolism
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0004—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by the type of physiological signal transmitted
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
- A61B5/7435—Displaying user selection data, e.g. icons in a graphical user interface
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/7475—User input or interface means, e.g. keyboard, pointing device, joystick
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Optics & Photonics (AREA)
- Emergency Medicine (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Fuzzy Systems (AREA)
- Obesity (AREA)
- Dentistry (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
Abstract
生体監視および個人化された保健医療のためのシステムおよび方法が、本明細書に開示される。いくつかの実施形態では、患者の血糖状態を予測するためのコンピュータ実装方法が、提供される。本方法は、患者の血糖データを受信するステップと、血糖データを機械学習モデルの第1のセットに入力することによって、血糖状態の少なくとも1つの初期推測を発生させるステップと、少なくとも部分的に、少なくとも1つの初期推測から複数の特徴を決定するステップと、複数の特徴を機械学習モデルの第2のセットに入力することによって、血糖状態の最終推測を発生させるステップとを含む。
Description
(関連出願の相互参照)
本願は、その全てが、参照することによってその全体として本明細書に組み込まれる、2019年5月31日に出願され、「CONTINUOUS BLOOD GLUCOSE MONITORING」と題された、米国仮特許出願第62/885,194号および2020年2月26日に出願され、「HYPOGLYCEMIA PREDICTION」と題された、米国仮特許出願第62/981,914号の利益を主張する。
本願は、その全てが、参照することによってその全体として本明細書に組み込まれる、2019年5月31日に出願され、「CONTINUOUS BLOOD GLUCOSE MONITORING」と題された、米国仮特許出願第62/885,194号および2020年2月26日に出願され、「HYPOGLYCEMIA PREDICTION」と題された、米国仮特許出願第62/981,914号の利益を主張する。
本願は、参照することによってその全体として本明細書に組み込まれる、2019年9月3日に出願され、「FORECASTING BLOOD GLUCOSE CONCENTRATION」と題された、米国特許出願第16/558,558号に関連する。
本開示は、概して、個人化された保健医療に関し、具体的には、患者の血糖状態を生体監視および予測するためのシステムならびに方法に関する。
糖尿病(DM)は、長い周期にわたる高血糖レベルによって特徴付けられる、代謝障害の群である。そのような条件の典型的な症状は、頻尿、口渇感の増加、空腹感の増加等を含む。治療されていない状態で放置された場合、糖尿病は、多くの合併症を引き起こし得る。糖尿病の3つの主要な型、すなわち、1型糖尿病、2型糖尿病、および妊娠糖尿病が、存在する。1型糖尿病は、膵臓が十分なインスリンを産生できないことからもたらされる。2型糖尿病では、細胞が、インスリンに適切に応答するように機能しなくなる。妊娠糖尿病は、糖尿病の既往症を伴わない妊娠女性が、高血糖レベルを発現させるときに生じる。
糖尿病は、世界の人口の有意なパーセンテージに影響を及ぼす。適時かつ適切な診断および治療が、糖尿病を伴う個人にとって、比較的に健康な生活様式を維持するために不可欠である。治療の適用は、典型的には、現在および/または将来における個人の血液中のグルコース濃度の正確な決定に依拠する。しかしながら、従来の血糖監視システムは、リアルタイム分析、個人化された分析、または血糖濃度予測を提供することができない場合がある、もしくはそのような情報を迅速な、信頼性のある、かつ正確な様式で提供しない場合がある。したがって、糖尿病および関連付けられる条件の治療のための個人化された保健医療推奨または情報を生体監視ならびに/もしくは提供するための改良されたシステムおよび方法の必要性が、存在する。
本技術は、概して、生体監視および個人化された保健医療を提供するためのシステムならびに方法に関する。いくつかの実施形態では、本明細書のシステムおよび方法は、血糖状態(例えば、血糖レベル、低血糖症または高血糖症事象の尤度等)等の将来の時点もしくは周期における患者の健康の種々の側面を予測または推測するように構成される。例えば、患者の血糖状態を予測または推測するためのコンピュータ実装方法は、患者の血糖データ(例えば、持続的グルコース監視(CGM)デバイスからの複数の血糖測定値)を受信するステップを含むことができる。血糖データは、少なくとも1つの事象(例えば、インスリン摂取、食事摂取、身体活動等)と相関されることができる。本方法は、血糖データを機械学習モデルの第1のセットに入力することによって、血糖状態の少なくとも1つの初期推測を発生させるステップを含むことができる。本方法はまた、少なくとも1つの初期推測から、および随意に、他の患者データ(例えば、血糖データ、以前の血糖データ、個人データ等)から複数の特徴を決定するステップを含むことができる。本方法はさらに、複数の特徴を機械学習モデルの第2のセットに入力することによって、血糖状態の最終推測を発生させるステップを含むことができる。本明細書に説明されるシステムおよび方法は、患者に関するデータが、限定される、不規則である、および/または不完全である状況であっても、その患者の将来の血糖状態を迅速かつ正確に推測することができる。故に、本技術は、個人化された通知、フィードバック、および/または推奨をリアルタイムで提供し、糖尿病ならびに関連する条件を伴う患者の健康転帰を改良するために使用されることができる。
技術の概観
技術の概観
人体における血糖のレベルの変動は、複雑な機構の自然な結果であり、その主要な効果は、吸収される食物、特に、炭水化物と、身体内の炭水化物、脂肪、およびタンパク質の代謝を調整する、インスリンとの間の変化する平衡に起因し得る。本平衡および他の因子の効果は、各個人に一意であり得るが、個人の間の共通の生物学的、身体的、および社会学的パターンは、血糖レベルの変化の観察を他の人々の予期される変化を査定することに対して有益にする。
血糖レベルの変動に伴って生じ得る2つの特殊な条件は、高血糖症および低血糖症である。高血糖症または高血糖は、過剰な量のグルコースが血漿中で循環する条件である。これは、概して、180mg/dLよりも高い血糖レベルである。低血糖症または低血糖は、血糖レベルが正常なレベルを下回って減少する条件である。殆どの個人は、自身の血糖レベルが、70mg/dLまたはそれよりも低いとき、低血糖症の症状を感じる。症状は、通常、空腹感、震え、不安感、発汗、蒼白、速いまたは不規則な心拍、眠気、眩暈、不機嫌、不器用さ等を含む。治療されていない状態で放置された場合、症状は、悪化した状態になり得、混乱、会話障害、視朦、気絶、意識の喪失、発作、またはさらには死亡を含み得る。低血糖症は、薬、食物、運動等に関する問題を有し得る糖尿病患者において最も一般的である。糖尿病を伴う個人はまた、個人が自身の条件のために服用している場合がある薬品(例えば、インスリン、スルホニル尿素薬等)の結果として低血糖症事象を経験し得る。しかしながら、糖尿病を有していない個人であっても、低血糖症を経験し得る。
故に、本技術は、他の可能性として考えられる利点の中でもとりわけ、所定の時間周期(例えば、以降の15分、30分、60分、90分、2時間、4時間、または一晩以内)の間の血糖レベルならびに/もしくは高血糖症事象または低血糖症事象(もしくは任意の他の事象)の発生を推測する目的のために、持続的血糖監視からもたらされるデータを含み得る、患者に関連する血糖データおよび他のデータを予測ならびに解釈するための方法を提供し得る、方法、システム、製造品、および同等物を含むことができる。
いくつかの実施形態では、本技術は、任意の瞬間に、ある時点までの個人の将来の血糖レベルの値を予測し、加えて、ある時間周期内に(例えば、ある閾値を超えて)血糖濃度が上昇および/または下降する確率を推測する(例えば、低血糖症、高血糖症、ならびに/もしくは任意の他の医学的条件が生じ得るかどうかを決定する)ように構成され得る、コンピュータ実装システム、方法、および/またはコンピュータプログラム製品に関する。
いくつかの実施形態では、本技術は、種々の複雑な機構が、ユーザの身体における血糖レベルを決定し得るという事実に依拠し得、したがって、そのような機構に関与する情報を受信する、一般化する、および/または別様に処理する好適なモデルもしくは複数のモデルを実装してもよい。いくつかの実施形態では、いったんモデルが、定義されると、本技術は、血糖レベルを常に取得することなく、および/または他の個人の現在のグルコースレベルの知識を伴わずに推測を発生させてもよい。
いくつかの実施形態では、本技術は、患者に関連する血糖データおよび/または他のデータ等の入力データのそのような決定、予測、ならびに/もしくは解釈を実施するためのコンピューティングシステムおよび/またはフレームワークを提供する。入力データは、以下、すなわち、患者の現在および/または以前の血糖測定データ、他の患者の現在および/または以前の血糖測定データ(例えば、データは、適切に匿名化されることができる)、血糖濃度の持続的監視からもたらされるデータ、ならびに/もしくは血糖濃度に関連する任意の他のデータ、食事特性データ(例えば、食事の回数、食事の時間、食事の時間の間に吸収される炭水化物グラム数(現在および/または過去にかかわらず))、血圧データ、睡眠パターンデータ、心拍数データ、身体活動データ(例えば、トレーニング時間、活動タイプ(例えば、ウォーキング、ランニング等))、患者の現在および/または以前の体重データ、現在および/または以前のa1cデータ値、患者に関連する個人データおよび/または病歴データ(例えば、糖尿病型、家族歴、患者既往歴、診断、血圧、年齢、性別、人口統計等)、ならびに他の患者に関連する類似するタイプのデータのうちの少なくとも1つを含むことができる。上記のデータのうちの1つ以上のものは、リアルタイムで、持続的に、所定の時間周期の間に、周期的に(例えば、ある事前設定された時間周期に、例えば、5分毎、1時間毎等)収集されてもよい。データは、本明細書に説明される方法のあるプロセスの実行に応じてクエリされてもよい。
いくつかの実施形態では、本明細書のシステムは、その血糖濃度が推測されている個人もしくは患者の1回以上の過去の観察、多数の個人から報告された他の情報とともに血糖濃度の1回以上の観察、ならびに/もしくは持続的監視データ、および/またはそれらの任意の組み合わせに基づいて、予期される血糖レベルもしくは濃度を推測するように構成されてもよい。血糖濃度を推測する際に考慮されるデータは、性別および診断年等の個人データ、履歴血糖データ、および/または食物、薬品、運動、ならびに/もしくは任意の他のデータを含む、任意の他の自己報告される健康関連データ、および/またはそれらの任意の組み合わせを含んでもよい。
上記に記載されるように、本技術はまた、種々の時間間隔(例えば、5分毎)を使用して血糖濃度データを持続的に提供(例えば、決定および/または伝送)し得る、CGMデバイスもしくはコンポーネントから収集されたデータを組み込んでもよい。間隔は、事前決定される、恣意的である、ユーザおよび/または条件に関する具体的監視スケジュールに基づいて事前設定される、ならびに/もしくは任意の他の方式で決定されてもよい。
いくつかの実施形態では、例えば、本技術は、推測モデルへの入力としてCGMデータを組み込み得る、以下のタイプの推測のうちの1つ以上のものを発生させるように構成されてもよい。
・ 固定間隔においてある時間(例えば、60分先)までの個人の血糖レベルを推測する、
・ 個人が将来の定義されたタイムフレーム内に(例えば、以降の60分において、または現在から30~90分の間隔の間に)高血糖症(例えば、180mg/dLを上回る血糖レベル)を経験するであろう確率を推測する、ならびに/もしくは、
・ 個人が将来の定義されたタイムフレーム内に低血糖症(例えば、70mg/dLを下回る血糖レベル)を経験するであろう確率を推測する。
・ 固定間隔においてある時間(例えば、60分先)までの個人の血糖レベルを推測する、
・ 個人が将来の定義されたタイムフレーム内に(例えば、以降の60分において、または現在から30~90分の間隔の間に)高血糖症(例えば、180mg/dLを上回る血糖レベル)を経験するであろう確率を推測する、ならびに/もしくは、
・ 個人が将来の定義されたタイムフレーム内に低血糖症(例えば、70mg/dLを下回る血糖レベル)を経験するであろう確率を推測する。
持続的グルコース監視および予測のための本明細書に説明される技法は、直接ならびに/もしくは間接的のいずれかで、監視される個人にリアルタイムフィードバックを提供し、したがって、個人の健康条件の日常的管理における教育的決定を可能にし得る。
本開示の実施形態は、同様の番号が、いくつかの図全体を通して同様の要素を表し、例示的実施形態が、示される、付随の図面を参照して以降でより完全に説明されるであろう。しかしながら、請求項の実施形態は、多くの異なる形態において具現化され得、本明細書に記載される実施形態に限定されるものとして解釈されるべきではない。本明細書に記載される実施例は、非限定的実施例であり、単に、他の可能性として考えられる実施例の中の実施例である。
本明細書に提供される見出しは、便宜上のためだけのものであり、請求される本技術の範囲または意味を解釈しない。
生体監視および血糖予測のためのシステムならびに方法
生体監視および血糖予測のためのシステムならびに方法
図1は、本技術の実施形態による、生体監視および予測システム102(「システム102」)が動作する、例示的コンピューティング環境100の概略図である。図1に示されるように、システム102は、ネットワーク108を介して1つ以上のユーザデバイス104に動作可能に結合される。システム102はまた、少なくとも1つのデータベースまたは記憶コンポーネント106(「データベース106」)に動作可能に結合される。システム102は、下記により詳細に説明されるように、患者の血糖状態を監視および推測するように構成されることができる。血糖状態は、患者の血糖と関連付けられる、または別様にそれに関連する任意のステータス、条件、パラメータ等であり得る。例えば、血糖状態は、患者の血糖レベル、患者が低血糖症であるかどうか、患者が高血糖症であるかどうか等を含むことができる。いくつかの実施形態では、システム102は、患者の血糖状態の推測を発生させるために、入力データ(例えば、血糖データおよび/または他のデータ)を受信し、入力データの監視、処理、分析、予測、解釈等を実施する。システム102はまた、推測された血糖状態に基づいて、通知、推奨、および/または他の情報を患者に出力するように構成されることができる。
システム102は、本明細書に説明される種々の方法を実装するように構成される、プロセッサ、メモリ、および/または他のソフトウェアならびに/もしくはハードウェアコンポーネントを含むことができる。例えば、システム102は、CGMデータに基づいて、患者の血糖レベルを推測する、CGMコンポーネントを有する、予測および/または分析エンジンである、もしくはそれを含むことができる。随意に、予測および/または分析エンジンはまた、下記により詳細に議論されるように、患者が夜間低血糖症事象を経験する可能性が高いことを推測する、低血糖症事象推測コンポーネントを含むことができる。
いくつかの実施形態では、システム102は、1つ以上のユーザデバイス104から入力データを受信する。ユーザデバイス104は、患者または他のユーザと関連付けられる任意のデバイスであり得、患者および/または任意の他のユーザもしくは患者に関する血糖データおよび/または任意の他の関連する入力データ(例えば、健康データ、食物データ、薬品データ、身体活動データ等)(例えば、適切に匿名化された患者データ)を取得するために使用されることができる。図示される実施形態では、例えば、ユーザデバイス104は、少なくとも1つの血糖センサ104aと、少なくとも1つのモバイルデバイス104b(例えば、スマートフォンまたはタブレットコンピュータ)と、随意に、少なくとも1つのウェアラブルデバイス104c(例えば、スマートウォッチ)とを含む。しかしながら、他の実施形態では、デバイス104a-cのうちの1つ以上のものは、省略されることができる、ならびに/もしくは他のタイプのユーザデバイスが、含まれることができる(例えば、パーソナルコンピュータ、ラップトップコンピュータ等のコンピューティングデバイス、血圧センサ、心拍数センサ、睡眠トラッカ、温度センサ等の生体監視デバイス)。加えて、図1は、他のユーザデバイス104とは別個のものとして血糖センサ104aを図示するが、他の実施形態では、血糖センサ104aは、別のユーザデバイス104の中に組み込まれることができる。
血糖センサ104aは、埋込センサ、非埋込センサ、侵襲性センサ、低侵襲性センサ、非侵襲性センサ、ウェアラブルセンサ等の患者から血糖データを取得することが可能な任意のデバイスを含むことができる。血糖センサ104aは、患者からサンプル(例えば、血液サンプル)を取得し、サンプル中のグルコースレベルを決定するように構成されることができる。患者サンプルを取得する、および/またはサンプル中のグルコースレベルを決定するための任意の好適な技法が、使用されることができる。いくつかの実施形態では、例えば、血糖センサ104aは、物質(例えば、グルコースレベルを示す物質)を検出する、グルコースの濃度を測定する、および/またはグルコースの濃度を示す別の物質を測定するように構成されることができる。血糖センサ104aは、例えば、体液(例えば、血液、間質液、汗等)、組織(例えば、身体構造、解剖学的構造、皮膚、または体液の光学的特性)、ならびに/もしくはバイタル(例えば、心拍数、血圧等)を分析し、血糖データを周期的または持続的に取得するように構成されることができる。随意に、血糖センサ104aは、処理、伝送、受信、および/または他の算出能力等の他の能力を含むことができる。
血糖センサ104aは、化学センサ、電気化学センサ、光学センサ(例えば、光学酵素センサ、光化学センサ、蛍光ベースのセンサ等)、分光光度センサ、分光センサ、旋光センサ、熱量測定センサ、イオン導入センサ、放射測定センサ、および同等物、ならびにそれらの組み合わせ等の種々のタイプのセンサを含むことができる。いくつかの実施形態では、血糖センサ104aは、所定の時間間隔において患者の血糖レベルを測定する、少なくとも1つのCGMデバイスまたはセンサを含む。例えば、CGMデバイスは、1分、2分、5分、10分、15分、20分、30分、60分、2時間等毎に少なくとも1つの血糖測定値を取得することができる。いくつかの実施形態では、時間間隔は、5分~10分の範囲内である。
随意に、血糖センサ104aまたは別のユーザデバイス104は、いくつかの過去の血糖測定値と関連付けられる種々の測定値、統計値、および/または変換を取得するように構成されることができる。例えば、過去の数(例えば、24個)の血糖測定値(例えば、過去2時間)に対する二次フィット(例えば、切片、一次係数、二次係数)が、取得されてもよい。過去の数の血糖測定値に対する二次フィットは、最も高い予測正確度を達成するために、線形または三次フィットにわたって選択されてもよい。別の実施例として、過去の血糖測定値の代表値および/または標準偏差が、(例えば、過去24時間にわたって、全ての過去の測定値にわたって等)取得されてもよい。
ユーザデバイス104はまた、食事または栄養データ(例えば、食事の回数、食事のタイミング、カロリー数、炭水化物、脂肪、糖の量等)、病歴または健康データ(例えば、体重、年齢、睡眠パターン、医学的条件、コレステロールレベル、糖尿病型、家族歴、患者既往歴、診断、血圧等)、身体活動または運動データ(例えば、活動の時間ならびに/もしくは持続時間、ウォーキング、ランニング、水泳等の活動タイプ、低、中、高等の活動の激しさ等)、個人データ(例えば、氏名、性別、人口統計、ソーシャルネットワーク情報等)、薬品データ(例えば、インスリン等の薬品のタイミングおよび/または投薬量)、ならびに/もしくは任意の他のデータ、および/またはそれらの任意の組み合わせ等の付加的タイプのデータの打ち込みを可能にする、1つ以上のデバイスを含むことができる。
いくつかの実施形態では、ユーザデバイス104のうちの1つ以上のものは、心血管データ、呼吸器データ、体温データ(例えば、皮膚温度データ)、睡眠データ、ストレスレベルデータ(例えば、コルチゾールおよび/またはストレスレベルの他の化学的インジケータ)、a1cデータ、バイオマーカデータ(例えば、他の疾患または条件に関して)、ならびに/もしくは任意の他の好適な生理学的パラメータのデータ等の患者の他の生理学的データを取得するように構成されることができる。例えば、心血管データは、血圧データ、心拍数データ、不整脈事象データ(存在する場合)、ペースメーカデータ等の患者の心血管健康に関連する任意の生理学的パラメータを含むことができる。いくつかの実施形態では、心血管データは、「直近の」データ、例えば、直前の1分、2分、5分、10分、15分、20分、30分、60分、2時間等以内に採取されたデータであり得る。例えば、血圧データは、患者の直近の収縮期および/または拡張期血圧測定値を含むことができる。非限定的実施例として、直近の収縮期血圧測定値は、他のタイプの血圧測定値(例えば、直近の拡張期血圧、平均収縮期血圧等)よりも予測正確度を改良し得る。
別の実施例として、睡眠データは、1晩以上の以前の夜の間の睡眠時間数、平均睡眠時間、睡眠時間の変動性、睡眠-覚醒サイクルデータ、睡眠時無呼吸事象に関連するデータ(存在する場合)、睡眠断片化(例えば、睡眠エピソードの合間の夜間時間の覚醒の割合等)、患者が眠っている間の低血糖濃度(例えば、<70mg/dL)の頻度等の患者の睡眠週間に関連する任意のパラメータを含むことができる。例えば、以前の夜の睡眠データは、予測正確度を改良するように構成されてもよく、夜間低血糖症の以前の頻度を含み得る、睡眠時間統計値を決定するために使用されてもよい。睡眠データはまた、下記に議論されるように、例えば、試験および/または訓練のために使用され得る予測時間および/または実際の夜間低血糖症事象を識別するために、「就寝時間」(例えば、毎晩の睡眠の開始)を識別するために使用されてもよい。いくつかの実施形態では、睡眠データは、下記にさらに説明されるように、夜間低血糖症予測のために排他的に使用される。
いくつかの実施形態では、ユーザデバイス104のうちのいくつかまたは全ては、特定の時間周期(例えば、数時間、数日、数週間、数カ月、数年)にわたって患者から上記のデータ(血糖濃度、健康データ等を含む)のうちのいずれかを持続的に取得するように構成される。例えば、データは、所定の時間間隔において(例えば、1分、2分、5分、10分、15分、20分、30分、60分、2時間等毎に1回)、ランダムな時間間隔において、またはそれらの組み合わせで取得されることができる。データ収集に関する時間間隔は、予測または推測が行われるべき時間周期(例えば、1~2時間先)と比較して、比較的に短くあり得る。データ収集に関する時間間隔は、患者によって、別のユーザ(例えば、医師)によって、システム102によって、またはユーザデバイス104自体(例えば、自動化データ収集プログラムの一部として)によって設定されることができる。ユーザデバイス104は、自動的または半自動的に(例えば、特定の時間にそのようなデータを提供するように患者を自動的にプロンプトすることによって)、もしくは患者による手動入力から(例えば、ユーザデバイス104からのプロンプトを伴わずに)データを取得することができる。持続的データは、所定の時間間隔において(例えば、1分、2分、5分、10分、15分、20分、30分、60分、2時間等毎に1回)、持続的に、リアルタイムで、クエリを受信することに応じて、手動で、自動的に(例えば、新しいデータの検出に応じて)、半自動的に等でシステム102に提供されてもよい。ユーザデバイス104がデータを取得する時間間隔は、ユーザデバイス104がデータをシステム102に伝送する時間間隔と同一である場合とそうではない場合がある。
ユーザデバイス104は、以下のコンポーネント、すなわち、マイクロホン(別個のマイクロホンまたは本デバイス内に埋入されるマイクロホンのいずれか)、スピーカ、画面(例えば、タッチスクリーン、スタイラスペンを使用して、および/または任意の他の方式において)、キーボード、マウス、カメラ、カムコーダ、電話、スマートフォン、タブレットコンピュータ、パーソナルコンピュータ、ラップトップコンピュータ、センサ(例えば、ユーザデバイス104内に含まれる、またはそれに動作可能に結合されるセンサ)、ならびに/もしくは任意の他のデバイスのうちの1つ以上のものを使用する等、種々の方法で上記のデータのうちのいずれかを取得することができる。ユーザデバイス104によって取得されるデータは、メタデータ、構造化コンテンツデータ、非構造化コンテンツデータ、埋込データ、ネスト型データ、ハードディスクデータ、メモリカードデータ、セルラー電話メモリデータ、スマートフォンメモリデータ、主要メモリの画像および/またはデータ、フォレンジックコンテナ、zip形式ファイル、ファイル、メモリ画像、ならびに/もしくは任意の他のデータ/情報を含むことができる。データは、テキスト、数字、英数字、階層配列データ、テーブルデータ、電子メールメッセージ、テキストファイル、ビデオ、オーディオ、グラフィック等の種々のフォーマットであり得る。随意に、上記のデータのうちのいずれかは、下記により詳細に説明されるように、分析および/または予測のために使用される前に、(例えば、ユーザデバイス104ならびに/もしくはシステム102によって)フィルタリングされる、平滑化される、拡張される、注釈を付けられる、または別様に処理されることができる。
いくつかの実施形態では、上記のデータのうちのいずれかは、1つ以上のデータベース(例えば、データベース106、サードパーティデータベース等)からユーザデバイス104のうちの1つ以上のものによってクエリされることができる。ユーザデバイス104は、クエリを発生させ、クエリをシステム102に伝送することができ、これは、必須の情報を含有し得るデータベースを決定し、次いで、そのデータベースと接続し、クエリを実行し、適切な情報を読み出すことができる。他の実施形態では、ユーザデバイス104は、サードパーティデータベースから直接データを受信し、受信されたデータをシステム102に伝送することができる、またはデータをシステム102に伝送するようにサードパーティデータベースに命令することができる。いくつかの実施形態では、システム102は、ユーザデバイス104、データベース、および/または任意の他のコンポーネントの間でインターフェースをとることを可能にし得る、種々のアプリケーションプログラミングインターフェース(API)ならびに/もしくは通信インターフェースを含むことができる。
随意に、システム102はまた、例えば、ユーザデバイス104によって開始されるクエリの有無を問わず、種々のサードパーティソースから上記のデータのうちのいずれかを取得することができる。いくつかの実施形態では、システム102は、国勢調査情報、健康統計値(例えば、適切に匿名化される)、人口統計学的情報、人口情報、および/または任意の他の情報等の種々の情報を記憶し得る、種々のパブリックならびに/もしくはプライベートデータベースに通信可能に結合されることができる。例えば、システム102は、下記により詳細に説明されるように、システム102の複数のユーザ(例えば、ユーザを識別することを伴わない)の血糖レベルおよび/または血糖レベルの予測についての情報、そのようなユーザに関する栄養データ、運動データ、ソーシャルネットワーク情報、ならびに/もしくは任意の他の情報、および/またはそれらの任意の組み合わせを取得することができる。加えて、システム102はまた、ユーザデバイス104からデータを取得する、および/またはデータベース106内に記憶されるデータにアクセスするために、クエリもしくは他のコマンドを実行することができる。データは、本明細書に説明されるように、特定の患者および/または複数の患者もしくは他のユーザに関連するデータ(例えば、履歴血糖濃度レベル、血糖測定値の事前の分析、既往歴データ、医学的条件履歴データ、運動履歴データ、栄養データ等)を含むことができる。
データベース106は、システム102によって取得および/または使用される種々のタイプのデータを記憶するために使用されることができる。例えば、上記のデータのうちのいずれかは、データベース106内に記憶されることができる。データベース106はまた、システム102によって生成された以前の推測または予測等のシステム102によって発生されたデータを記憶するために使用されることができる。いくつかの実施形態では、データベース106は、複数の患者(例えば、少なくとも50人、100人、200人、500人、1,000人、2,000人、3,000人、4,000人、5,000人、または10,000人の異なる患者)等の複数のユーザに関するデータを含む。データは、種々のプライバシー基準への準拠を確実にするために、適切に匿名化されることができる。データベース106は、テーブルフォーマット、列-行フォーマット、キー-値バリューフォーマット等の種々のフォーマットにおいて情報を記憶することができる(例えば、各キーは、ユーザと関連付けられる種々の属性を示し得、各対応する値は、属性の値(例えば、測定値、時間等)を示し得る)。いくつかの実施形態では、データベース106は、システム102および/またはユーザデバイス104によって発生されるクエリを通してアクセスされ得る、複数のテーブルを記憶することができる。テーブルは、異なるタイプの情報を記憶することができ(例えば、1つのテーブルは、血糖測定データを記憶することができ、別のテーブルは、ユーザ健康データ等を記憶することができる)、1つのテーブルは、別のテーブルへの更新の結果として更新されることができる。
例えば、下記の表1は、システム102に提供される、および/またはデータベース106内に記憶され得る、例示的健康ならびに/もしくは挙動データを図示する。表1のデータは、前述で説明されるように、1つ以上のユーザデバイス104によって発生されることができる。表1の各エントリは、ユーザIDを用いて標識化され、データが取得されたときを示すタイムスタンプと、データのタイプと、データ値とを含む。
別の実施例として、下記の表2は、システム102に提供される、および/またはデータベース106内に記憶され得る、例示的個人データを図示する。表1のデータは、前述で説明されるように、1つ以上のユーザデバイス104によって発生されることができる。表2の各エントリは、ユーザIDを用いて標識化され、患者が位置する時間帯、患者が有する糖尿病の型、患者が最初にシステム102に登録された日付、患者が糖尿病と診断された年、および患者の性別等のその特定の患者に関する個人情報を含む。
いくつかの実施形態では、1人以上のユーザは、ユーザデバイス104を介してシステム102にアクセスし、例えば、データ(例えば、血糖データ、他の患者データ)をシステム102に送信する、システム102からデータ(例えば、血糖予測)を受信すること等を行うことができる。ユーザは、個々のユーザ(例えば、患者、保健医療専門家等)、コンピューティングデバイス、ソフトウェアアプリケーション、オブジェクト、関数、および/または任意の他のタイプのユーザ、ならびに/もしくはそれらの任意の組み合わせであり得る。例えば、適切なデータ(例えば、上記に議論されるような血糖データ、健康データ等)を取得することに応じて、ユーザデバイス104は、例えば、取得されたデータを処理する、データベース106内にデータを記憶する、1つ以上のデータベースから付加的データを抽出する、ならびに/もしくはデータの分析を実施するために、システム102への命令および/またはコマンドを発生させることができる。命令/コマンドは、クエリ、関数呼出、および/または任意の他のタイプの命令/コマンドの形態であり得る。いくつかの実装では、命令/コマンドは、マイクロホン(別個のマイクロホンまたはユーザデバイス104内に埋入されるマイクロホンのいずれか)、スピーカ、画面(例えば、タッチスクリーン、スタイラスペンを使用して、および/または任意の他の方式において)、キーボード、マウス、カメラ、カムコーダ、電話、スマートフォン、タブレットコンピュータ、パーソナルコンピュータ、ラップトップコンピュータを使用して、ならびに/もしくは任意の他のデバイスを使用して提供されることができる。ユーザデバイス104はまた、データベース106内に記憶される、および/またはユーザデバイス104を介して入力されるデータの分析を実施するようにシステム102に命令することができる。
下記にさらに議論されるように、システム102は、過去のデータ、持続的に供給されるデータ、および/または任意の他のデータを含む、取得されたデータを(例えば、統計分析、機械学習分析等を使用して)分析し、患者に関する予期される血糖状態(例えば、血糖レベル、低血糖症事象、高血糖症事象)の予測を発生させることができる。随意に、システム102はまた、取得されたデータおよび/または予測された血糖状態に関連する解釈、推奨、通知、もしくは他の情報を提供することができる。システム102は、任意の好適な頻度および/または任意の好適な回数(例えば、1回、複数回、持続的に等)においてそのような分析を実施することができる。例えば、更新されたデータが、システム102に(例えば、ユーザデバイス104から)供給されるとき、システム102は、適切な場合、その以前の推測を再査定および更新することができる。その分析を実施する際、システム102はまた、(例えば、ユーザデバイス104、データベース106、またはサードパーティソースから)さらなる情報を取得するために、付加的クエリを発生させることができる。いくつかの実施形態では、ユーザデバイス104は、システム102にそのような情報を自動的に供給することができる。更新された/付加的情報の受信は、以前の推測を再分析、再査定、または別様に更新するためのプロセスを実行するようにシステム102を自動的にトリガすることができる。
例えば、下記により詳細に説明されるように、システム102は、分析を実行するための以下のタイプの入力データ、すなわち、所定の時間間隔(例えば、5~10分毎に1回)において患者の血糖レベルを測定および報告する、1つ以上のCGMデバイスからログ付けされたデータ、患者のインスリン摂取を示すデータ(例えば、モバイルデバイス104bを介して患者によって打ち込まれる)、患者の食事摂取を示すデータ(例えば、モバイルデバイス104bを介して患者によって打ち込まれる)、ならびに/もしくは患者の身体活動を示すデータ(例えば、ウェアラブルデバイス104cによってログ付けされる)のうちの少なくとも1つを供給されることができる。しかしながら、他の実施形態では、本明細書に説明されるデータのうちのいずれか等の任意の他のデータが、システム102に提供される、および/またはそれによって使用されることができる。
いくつかの実施形態では、システム102は、1つ以上の機械学習モデルを使用して、患者の血糖状態を予測するように構成される。機械学習モデルは、教師あり学習モデル、教師なし学習モデル、半教師あり学習モデル、および/または強化学習モデルを含むことができる。本技術との併用のために好適な機械学習モデルの実施例は、限定ではないが、回帰アルゴリズム(例えば、通常の最小二乗回帰、線形回帰、ロジスティック回帰、ステップワイズ回帰、多変量適応型回帰スプライン、局所的に推定される散布図平滑化)、インスタンスベースのアルゴリズム(例えば、k最近傍、学習ベクトル量子化、自己組織化マップ、局所加重学習、サポートベクターマシン)、正則化アルゴリズム(例えば、リッジ回帰、最小絶対収縮および選択演算子、エラスティックネット、最小角回帰)、決定木アルゴリズム(例えば、分類および回帰木、反復二分器3(ID3)、C4.5、C5.0、カイ二乗自動相互作用検出、決定株、M5、条件付き決定木)、ベイズアルゴリズム(例えば、ナイーブベイズ、ガウスナイーブベイズ、多項ナイーブベイズ、平均化1従属推定器、ベイズビリーフネットワーク、ベイズネットワーク)、クラスタリングアルゴリズム(例えば、k平均値、k中央値、期待値最大化、階層型クラスタリング)、連想ルール学習アルゴリズム(例えば、aprioriアルゴリズム、ECLATアルゴリズム)、人工ニューラルネットワーク(例えば、パーセプトロン、多層パーセプトロン、逆伝搬、確率的勾配降下法、ホップフィールドネットワーク、放射性基底関数ネットワーク)、深層学習アルゴリズム(例えば、畳み込みニューラルネットワーク、リカレントニューラルネットワーク、長短期記憶ネットワーク、スタックドオートエンコーダ、ディープボルツマンマシン、ディープビリーフネットワーク)、次元削減アルゴリズム(例えば、主成分分析、主成分回帰、部分最小二乗回帰、サモンマッピング、多次元スケーリング、射影追跡、判別分析)、時系列予測アルゴリズム(例えば、指数平滑化、自己回帰モデル、外因性入力付き自己回帰(ARX)モデル、自己回帰移動平均(ARMA)モデル、外因性入力付き自己回帰移動平均(ARMAX)モデル、自己回帰和分移動平均(ARIMA)モデル、自己回帰条件付き分散不均一性(ARCH)モデル)、ならびにアンサンブルアルゴリズム(例えば、ブースティング、ブートストラップアグリゲーション、アダブースト、ブレンディング、スタッキング、勾配ブースティングマシン、勾配ブースティング木、ランダムフォレスト)を含む。本明細書の予測技法との併用のために好適な機械学習モデルの付加的実施例が、下記にさらに議論される。
図1は、ユーザデバイス104の単一のセットを図示するが、システム102が、ユーザデバイスの複数のセットに動作可能かつ通信可能に結合され得、各セットが、特定の患者またはユーザと関連付けられることを理解されたい。故に、システム102は、長い時間周期(例えば、数週間、数カ月、数年)にわたって多数の患者(例えば、少なくとも50人、100人、200人、500人、1,000人、2,000人、3,000人、4,000人、5,000人、または10,000人の異なる患者)からのデータを受信および分析するように構成されることができる。これらの患者からのデータは、下記に説明されるように、システム102によって実装される1つ以上の機械学習モデルを訓練ならびに/もしくは精緻化するために使用されることができる。
システム102およびユーザデバイス104は、ネットワーク108を介して相互に動作可能かつ通信可能に結合されることができる。ネットワーク108は、1つ以上の通信ネットワークであり、もしくはそれを含むことができ、以下、すなわち、有線ネットワーク、無線ネットワーク、メトロポリタンエリアネットワーク(「MAN」)、ローカルエリアネットワーク(「LAN」)、広域ネットワーク(「WAN」)、仮想ローカルエリアネットワーク(「VLAN」)、インターネット、エクストラネット、イントラネット、および/または任意の他のタイプのネットワーク、ならびに/もしくはそれらの任意の組み合わせのうちの少なくとも1つを含むことができる。加えて、図1は、ネットワーク108を伴わずにデータベース106に直接接続されるものとしてシステム102を図示するが、他の実施形態では、システム102は、ネットワーク108を介してデータベース106に間接的に接続されることができる。また、他の実施形態では、ユーザデバイス104のうちの1つ以上のものは、ネットワーク108を介してこれらのコンポーネントと通信するのではなく、システム102ならびに/もしくはデータベース106と直接通信するように構成されることができる。
図1に図示される種々のコンポーネント102-108は、ハードウェアおよび/またはソフトウェアの任意の好適な組み合わせを含むことができる。いくつかの実施形態では、コンポーネント102-108は、サーバ、データベース、パーソナルコンピュータ、ラップトップ、セルラー電話、スマートフォン、タブレットコンピュータ、および/または任意の他のコンピューティングデバイス、ならびに/もしくはそれらの任意の組み合わせ等の1つ以上のコンピューティングデバイス上に配置されることができる。いくつかの実施形態では、コンポーネント102-108は、単一のコンピューティングデバイス上に配置されることができる、および/または単一の通信ネットワークの一部であり得る。代替として、コンポーネントは、明確に異なる別個のコンピューティングデバイス上に位置することができる。
図2は、本技術の実施形態による、生体監視および予測における使用のための血糖データを準備するための方法200を図示する、フローチャートである。方法200は、本明細書に説明されるシステムおよびデバイスのうちのいずれかによって実施されることができる。例えば、方法200のステップのうちのいくつかまたは全ては、図1のシステム102ならびに/もしくはユーザデバイス104によって実施されることができる。いくつかの実施形態では、方法200は、1つ以上のプロセッサと、1つ以上のプロセッサによって実行されると、コンピューティングシステムもしくはデバイスに、本明細書に説明されるステップのうちの1つ以上のものを実施させる、命令を記憶する、メモリとを含む、コンピューティングシステムもしくはデバイスによって実施される。方法200は、本明細書に説明される血糖分析および/または予測技法に関連する情報を用いて患者の血糖データを拡張するために実行されることができる。
方法200は、ステップ210において血糖データを受信することから開始される。血糖データは、CGMデバイスまたは他の血糖センサ(例えば、図1の血糖センサ104a)等のユーザデバイスから受信されることができる。前述で説明されるように、血糖データは、比較的に特定の時間間隔(例えば、5~10分毎に1回)において採取される複数の血糖測定値を含む、CGMデータであってもよい。血糖測定値は、任意の好適な時間周期にわたって、例えば、15分、30分、45分、1時間、2時間、5時間、10時間、12時間、24時間、36時間、または48時間、もしくはそれよりも長い時間にわたって採取されることができる。
ステップ220において、血糖データは、処理される。処理は、例えば、データを、本明細書では「エピソード」とも称される、1つ以上の実質的に中断されていない一連の血糖測定値にパーティション化するステップを含むことができる。一連の血糖測定値は、例えば、測定値における間隙の数、サイズ、および/または頻度が、十分に小さい(例えば、所定の閾値を下回る)場合、実質的に中断されていないと見なされ得る。例えば、実質的に中断されていない一連の測定値は、読取値の合間の通常の時間間隔の2倍を上回る、またはそれに等しいいかなる間隙も含み得ない(例えば、測定値が、通常、5分毎に採取される場合、10分またはそれよりも長い測定値の間のいかなる間隙も、存在しない)。
ステップ220はまた、例えば、潜在的な信頼性問題に起因して所定の最小時間周期よりも短いエピソードを破棄するステップを含むことができる。最小時間周期は、例えば、15分、30分、45分、60分、90分、または2時間であり得る。いくつかの実施形態では、ステップ220はさらに、例えば、揮発性を低減させる、雑音を除去する、および/または誤ったデータを除去するために、血糖データを平滑化するステップを含む。平滑化は、フィルタリングアルゴリズムまたは当業者に公知の任意の他の好適なアルゴリズムを使用して実施されることができる。
ステップ230において、事象データが、受信される。事象データは、患者の血糖状態に関連し得る、血糖データ以外の任意のデータを含むことができる。事象データは、特定の時点において、および/または特定の時間周期にわたって患者によって経験される健康関連事象と関連付けられることができる。故に、事象データは、事象のタイミングに関するデータ(例えば、タイムスタンプ、持続時間)ならびに患者の血糖レベルに影響を及ぼし得る事象パラメータを示す他のデータを含むことができる。例えば、事象データは、インスリン摂取データ(例えば、基礎および/またはボーラス投薬量)、食物摂取(例えば、食物のタイプ、取り込まれたカロリー、取り込まれた炭水化物)、ならびに/もしくは身体活動データ(例えば、活動のタイプ、活動の持続時間、活動レベル、燃焼されるカロリー)を含むことができる。事象データはまた、血圧データ、睡眠データ、心拍数データ、皮膚温度データ、ストレスレベルの化学的インジケータ(例えば、コルチゾール)または他の条件のデータ等の他の生理学的パラメータならびに/もしくは生物学的マーカのデータを含むことができる。
いくつかの実施形態では、事象データは、患者によって動作される、または別様に患者と関連付けられるデバイス(例えば、図1のモバイルデバイス104b、ウェアラブルデバイス104c、ならびに/もしくは任意の他のユーザデバイス104)によって受信される。本デバイスは、血糖データを発生させるために使用される同一のデバイスであり得る、または異なるデバイスであり得る。事象データは、本デバイスによって自動的に発生されることができる、および/または患者によって本デバイスに手動で入力されることができる。事象データは、血糖データの前に、その後に、および/またはそれと並行して受信されることができる。
ステップ240において、血糖データは、事象データと相関される。ステップ240は、例えば、事象データのタイミングが、血糖データのタイミングを参照して決定され得るように、血糖データを事象データと組み合わせる、および/または事象データを用いて血糖データに注釈を付けるステップを含むことができる。いくつかの実施形態では、血糖データおよび事象データは、タイミングの順序で編成され、単一のデータ構造(例えば、データテーブルまたはマトリクス)に組み合わせられる。事象データと相関された血糖データ(本明細書では「拡張されたエピソード」とも称される)は、次いで、記憶される、および/または本明細書に説明される分析ならびに予測技法において使用されることができる。
いくつかの実施形態では、事象データと血糖データとの間の1つ以上の相関が、識別されることができる。血糖データは、相関に基づいて、注釈を付けられることができる。事象データおよび血糖データのサブセットが、使用されることができる。例えば、ある閾値を上回る血糖レベル変化と関連付けられる事象データは、第1のデータ構造内にあり得、閾値を下回る血糖レベル変化と関連付けられる事象データは、第2のデータ構造内にあり得る。事象データはまた、例えば、持続時間特性(例えば、所定の時間周期にわたって血糖に影響を及ぼす事象)、血糖レベルの特性(例えば、血糖レベルの急速な変化を引き起こす事象)、または同等物に基づいて群化されることができる。
図3は、本技術の実施形態による、患者の血糖状態を予測するための方法300を図示する、ブロック図である。方法300は、血糖レベルまたは濃度、低血糖症事象の発生、および/または高血糖症事象の発生等の患者の血糖状態を推測するために使用されることができる。推測は、将来の時点(例えば、15分、30分、60分、90分、2時間、または4時間先の時点における血糖状態)に関する、もしくは将来の時点(例えば、以降の15分、30分、60分、90分、2時間、4時間、または一晩にわたる血糖状態)に関するものであり得る。例えば、方法300は、規定された時間周期(例えば、以降の30分、60分、90分、2時間、4時間、または一晩)にわたるある時間間隔(例えば、2分、5分、10分、15分毎)において予測される血糖レベル等の1つ以上の将来の時点における1つ以上の血糖値を推測するために使用されることができる。別の実施例として、方法300は、特定の将来の時間周期にわたって、患者の血糖レベルが特定の閾値(例えば、低血糖症に関する閾値)を下回って低下する可能性が高いかどうか、患者の血糖レベルが特定の閾値(例えば、高血糖症に関する閾値)を上回って上昇する可能性が高いかどうか、低血糖症事象が起こる可能性が高いかどうか(例えば、低、中、または高リスクの観点から)、高血糖症事象が起こる可能性が高いかどうか(例えば、低、中、または高リスクの観点から)等を推測するために使用されることができる。
方法300は、ステップ310において入力データを受信することから開始される。入力データは、血糖データ(例えば、CGMデバイスによって発生される持続的血糖データ)、インスリン摂取データ、食物摂取データ、身体活動データ等の本明細書に説明されるような患者の任意の好適なデータを含むことができる。いくつかの実施形態では、入力データは、図2の方法200に関して前述で説明されるように、処理(例えば、平滑化)される、ならびに/もしくは少なくとも事象と相関され得る、血糖データの1つ以上のエピソードを含む。随意に、入力データは、注釈を付けられる、もしくは別様に1つ以上の事象(例えば、インスリン摂取事象、食物摂取事象、身体活動事象等)と相関され得る、血糖データの単一のエピソード(例えば、患者の直近のエピソード)のみを含むことができる。データは、種々のソースから取得され、例えば、ユーザによって入力される、1つ以上のデータベースからクエリされる、CGMセンサもしくは他のユーザデバイスから取得される等であってもよい。
いくつかの実施形態では、入力データはまた、患者の履歴血糖レベルおよび/または患者の他の履歴データ(例えば、履歴事象データ)から計算される、代表値、標準偏差、最大値、最小値、ならびに/もしくは他の統計値を含む。これらの統計値は、特定の時刻における患者のグルコースレベルおよび/または他の活動もしくはパラメータにおける傾向、パターン等を決定するために計算されることができ、これは、特定の時点または時間周期にわたる推測を行うときに有用であり得る。例えば、血糖レベル推測が、特定の時刻(例えば、午後4時から午後5時)にわたって行われている実施形態では、入力データはまた、患者の以前に記録された血糖データ(例えば、現在の日までの全ての以前の血糖データ)に基づいて算出される、その時刻にわたる患者の血糖レベルの代表値および/または標準偏差を含むことができる。
ステップ320において、少なくとも1つの初期推測が、機械学習モデルの第1のセットを使用して発生される。具体的には、入力データ(例えば、拡張されたエピソード)は、機械学習モデルの第1のセットに入力され、機械学習モデルの第1のセットは、入力データを使用し、初期推測を発生させる。機械学習モデルの第1のセットは、1つ、2つ、3つ、4つ、以上の異なる機械学習モデル等の任意の好適な数の機械学習モデルを含むことができる。第1のセットが、複数の機械学習モデルを含む実施形態では、各モデルは、患者の血糖状態の個別の初期推測を独立して発生させることができる。例えば、第1のセットにおける機械学習モデルの数に応じて、ステップ320は、1つ、2つ、3つ、4つ、以上の初期推測を発生させるステップを含むことができる。随意に、機械学習モデルの出力のうちのいくつかまたは全ては、(例えば、加重平均等を使用して)初期推測を発生させるために、相互と組み合わせられることができる。
機械学習モデルの第1のセットは、図1に関して前述で説明される機械学習モデルのうちの1つ以上のもの等の任意の好適なタイプの機械学習モデルを含むことができる。各機械学習モデルは、訓練データの個別のセットに対して訓練されることができる。機械学習モデルの第1のセットが、複数の機械学習モデルを含む実施形態では、モデルのうちのいくつかまたは全ては、同一の訓練データに対して訓練されることができる、もしくはモデルのうちのいくつかまたは全ては、異なる訓練データに対して訓練されることができる。訓練データは、例えば、以前の血糖データ(例えば、現在のエピソードに先立つエピソード)、以前のインスリン摂取データ、以前の食物摂取データ、以前の身体活動データ、個人データ、生理学的データ、および/または本明細書に説明される任意の他のタイプのデータ等の同一の患者からの以前のデータを含むことができる。代替として、または組み合わせて、訓練データは、複数の異なる患者からの血糖データ、インスリン摂取データ、食物摂取データ、身体活動データ、個人データ、生理学的データ、および/または任意の他の好適なデータ等の他の患者からのデータを含むことができる。いくつかの実施形態では、訓練データは、図2の方法200に関して前述で説明されるように、1つ以上の事象と相関された、ならびに/もしくはそれを用いて注釈を付けられた血糖データのエピソードである、またはそれを含む。
機械学習モデルの第1のセットによって発生される初期推測は、1つ以上の将来の血糖レベル、低血糖症事象、高血糖症事象、もしくはそれらの組み合わせの推測であり得る。例えば、初期推測は、規定された時間周期にわたる規定された時間間隔(例えば、以降の1~2時間にわたって5分毎)における血糖値の時系列を含むことができる。初期推測は、随意に、推測された血糖値毎の不確実性の計算された信頼間隔または他のインジケータを含むことができる。機械学習モデルの第1のセットが、複数の異なる機械学習モデルを含む実施形態では、各モデルは、血糖推測の個別の時系列を生成することができる。随意に、初期推測は、例えば、外れ値である、入力データと一貫しない、および/または矛盾する推測を除外するために、フィルタリングされることができる。フィルタリングはまた、正確である可能性がより高い推測(例えば、高信頼度推測)を留保しながら、不正確である可能性がより高い推測(例えば、低信頼度推測)を除外するために実施されることができる。フィルタリングは、血糖レベルの平均範囲、身体活動値(例えば、時間)、炭水化物吸収(例えば、時間、量等)、血糖レベルの導関数、最大および/または最小血糖レベル、血糖レベルの標準偏差、心拍数値等の種々のパラメータを使用して適用されてもよい。フィルタリングは、推測に関する時間周期に先行する時間周期(例えば、推測時間周期の30分、60分、90分、2時間、または4時間前)におけるフィルタリングパラメータの値に基づき得る。
ステップ330において、1つ以上の特徴が、初期推測から決定される。特徴は、初期推測の変換、組み合わせ、統計値、または任意の他の性質もしくは特性を含むことができる。特徴は、限定ではないが、規定された時間周期にわたる代表値、規定された時間周期にわたる標準偏差、傾向、フィット(例えば、多項式フィット)、タイミング関連特徴(例えば、事象の持続時間、事象の間の経過時間)、ある条件が真または偽であるかどうか(例えば、特定の事象が起こったかどうか)、および同等物を含むことができる。例えば、初期推測が、推測された血糖レベルの時系列を含む実施形態では、推測から抽出された特徴は、以下、すなわち、平均血糖レベル、最大血糖レベル、最小血糖レベル、血糖レベルの標準偏差、患者の血糖レベルが高血糖症または低血糖症である時間の量(例えば、絶対的もしくは相対的用語において)等のうちの1つ以上のものを含んでもよい。
随意に、ステップ330はまた、ステップ310からの入力データ(例えば、患者の1つ以上の拡張されたエピソード)等の他のデータから特徴を発生させるステップを含むことができる。特徴はまた、個人データ(例えば、年齢、性別、人口統計、糖尿病型)、以前の血糖データ、食事データ、病歴データ、運動データ、個人データ、薬品データ、生理学的データ、または本明細書に説明される任意の他のデータタイプ等の患者の他のデータから発生されることができる。特徴は、変換、組み合わせ、統計、および/または患者データの性質もしくは特性を決定するための任意の他の好適な技法を使用して、データから発生されてもよい。
いくつかの実施形態では、特徴は、患者データを構造化マトリクスに変換および集約することによって発生されてもよい。使用され得る変換は、下記に議論されるように、データのタイプに依存し得る。例えば、性別、年齢、居住地、糖尿病型等の静的個人データは、順不同のカテゴリ値に変換されてもよい。別の実施例として、特徴は、以下、すなわち、平均および/または標準偏差血糖レベル、患者が高血糖症および/または低血糖症を経験している、もしくは経験した時間の割合、患者が夜間低血糖症事象を経験した夜の平均回数(例えば、過去30日または他の時間周期において)、患者に関する1時間あたりの平均身体活動(例えば、過去30日または他の時間周期において)、具体的日時にわたる血糖の代表値および/または標準偏差(例えば、その時点で既知であるような)、患者によって服用された1時間あたりのインスリンの平均量、平均の日単位のインスリン摂取量、患者によって取り込まれた1時間あたりの炭水化物の平均量、所定の時間周期(例えば、1時間、6時間等)内に観察される血糖の平均最大範囲、平均収縮期および/または拡張期血圧(例えば、過去30日もしくは他の時間周期において)、平均心拍数、ならびに/もしくは任意の他のデータ、および/またはそれらの任意の組み合わせのうちの少なくとも1つを含むことができる。特徴は、例えば、限定ではないが、日および/または年、日時、ならびに/もしくは曜日、および/または患者の居住地に関する就業日カレンダ情報等のカテゴリテータとして使用され得る、季節/周期性情報等の推測の時間周期に関する時間関連パラメータを含むことができる。また、タイムスタンピングされる特徴は、血糖値、報告されたインスリン摂取、炭水化物摂取、身体活動、a1c測定値、体重測定値、および/または任意の他の特徴、ならびに/もしくはそれらの任意の組み合わせを含んでもよい。血糖に関して、直前値、平均値、標準偏差、四分位値、および最後の観察にわたる変化は、種々の所定の時間周期にわたって決定されてもよい。他の入力に関して、直前値、平均値、および最大値は、種々の所定の時間周期にわたって決定されてもよい。
ステップ340において、少なくとも1つの最終推測が、機械学習モデルの第2のセットを使用して発生される。具体的には、ステップ330において決定された特徴は、機械学習モデルの第2のセットに入力され、これは、最終推測を発生させる。いくつかの実施形態では、ステップ330からの特徴は、機械学習モデルの第2のセットへの唯一の入力である。他の実施形態では、機械学習モデルの第2のセットはまた、ステップ310の入力データ(例えば、1つ以上の拡張されたエピソード)、ステップ320において発生された初期推測、ならびに/もしくは患者の他のデータ(例えば、個人データ、以前の血糖データ、食事データ、病歴データ、運動データ、個人データ、薬品データ、生理学的データ等)等の他の入力を受信することができる。
機械学習モデルの第2のセットは、機械学習モデルの第1のセットと異なり得る。いくつかの実施形態では、機械学習モデルの第2のセットは、単一の機械学習モデルのみを含む。他の実施形態では、機械学習モデルの第2のセットは、その出力が、単一の最終推測を発生させるために(例えば、加重平均等によって)組み合わせられる、複数の機械学習モデルを含むことができる。機械学習モデルの第2のセットは、図1に関して前述で説明される機械学習モデルのうちの1つ以上のもの等の任意の好適なタイプの機械学習モデルを含むことができる。各機械学習モデルは、訓練データの個別のセットに対して訓練されることができる。機械学習モデルの第2のセットが、複数の機械学習モデルを含む実施形態では、モデルのうちのいくつかまたは全ては、同一の訓練データに対して訓練されることができる、もしくはモデルのうちのいくつかまたは全ては、異なる訓練データに対して訓練されることができる。訓練データは、例えば、以前の血糖データ(例えば、現在のエピソードに先立つエピソード)、以前のインスリン摂取データ、以前の食物摂取データ、以前の身体活動データ、および/または本明細書に説明される任意の他のタイプのデータ等の患者からの以前のデータを含むことができる。代替として、または組み合わせて、訓練データは、複数の異なる患者からの血糖データ、インスリン摂取データ、食物摂取データ、身体活動データ、および/または任意の他のデータ等の他の患者からのデータを含むことができる。いくつかの実施形態では、訓練データは、上記に議論されるように、1つ以上の事象を用いて注釈を付けられた血糖データである、またはそれを含む。
いくつかの実施形態では、機械学習モデルの第2のセットに関する訓練データは、患者のデータおよび/または複数の他の患者のデータから発生された特徴を含む。特徴は、ステップ330に関して前述で説明される特徴のうちのいずれかを含むことができる。いくつかの実施形態では、例えば、特徴は、複数の患者データセットから発生され、各患者データセットは、個人データ(例えば、糖尿病型)、血糖データ(例えば、以前および/または現在のエピソード)、インスリン摂取データ、食物摂取データ、身体活動データ、ならびに/もしくは任意の他のデータを含むことができる。各患者データセットはまた、機械学習モデル(例えば、機械学習モデルの第1のセット)を使用して発生される患者に関する血糖推測を含むことができる。血糖推測は、以前の血糖データから発生される遡及的推測であり得る。これらの推測から発生される特徴はまた、機械学習モデルの第2のセットを訓練するために使用されることができる。
機械学習モデルの第2のセットによって生成される最終推測は、1つ以上の将来の血糖レベル、低血糖症事象、高血糖症事象、もしくはそれらの組み合わせの推測であり得る。例えば、最終推測は、規定された時間周期にわたり、かつ規定された時間間隔における(例えば、以降の1~2時間にわたって5分毎)推測される一連の血糖値であり得る。別の実施例として、最終推測は、患者が規定された時間周期(例えば、以降の15分、30分、60分、90分、2時間、4時間、または一晩)内に低血糖症または高血糖症事象を経験するであろう推定される尤度であり得る。低血糖症または高血糖症事象の尤度は、定性的用語(例えば、「起こる可能性が高い」対「起こる可能性が低い」、「高リスク」対「中リスク」対「低リスク」)ならびに/もしくは定量的用語(例えば、確率値)において等、種々の方法で表されることができる。随意に、最終推測は、(例えば、ステップ320に関して前述で説明されるように)例えば、外れ値である、入力データと一貫しない、および/または矛盾する推測される値を除外するために、フィルタリングされることができる。
ステップ350において、方法300は、随意に、通知を患者に出力するステップを含む。通知は、下記により詳細に説明されるように、グラフィカルユーザインターフェースを介してユーザデバイス(例えば、図1のユーザデバイス104)上での表示のために本システムによって出力されることができる。通知は、血糖状態の最終推測に関する情報(例えば、推測される血糖レベル、低血糖症または高血糖症の推測される尤度等)を含むことができる。いくつかの実施形態では、通知は、例えば、血糖レベルを制御する、高血糖症または低血糖症を回避する等のために、患者が推測される血糖状態に応答して行い得るアクションに関する推奨もしくはフィードバックを含む。例えば、通知は、薬品を服用する、食事を取り込む、運動する、保健医療専門家に連絡する等を行うように患者に命令してもよい。随意に、通知は、例えば、最終推測が、患者が即時の医療処置を必要とし得ることを示す場合、患者の血糖レベルが、一貫して高すぎるまたは低すぎる場合、もしくは医師が通知されるべきである任意の他の状況が、存在する場合、患者と関連付けられる医師または他の保健医療専門家に伝送されることができる。
方法300は、1つ以上のプロセッサと、1つ以上のプロセッサによって実行されると、コンピューティングシステムもしくはデバイスに、本明細書に説明されるステップのうちの1つ以上のものを実施させる、命令を記憶する、メモリとを含む、コンピューティングシステムもしくはデバイス等の本明細書に説明されるシステムおよびデバイスのうちのいずれかによって実施されることができる。例えば、方法300のステップのうちのいくつかまたは全ては、図1のシステム102および/またはユーザデバイス104によって実施されることができる。いくつかの実施形態では、初期および最終推測を発生させるプロセスは、機械学習モデルの第1ならびに第2のセットを訓練するプロセスよりも少ない算出能力およびリソースを使用する。例えば、推測は、比較的に少量のデータ(例えば、患者の現在の血糖データおよび機械学習モデルの第1ならびに第2のセットに関する事前算出されたパラメータ)を使用して発生されることができる一方、訓練は、非常に大量のデータ(例えば、多数の患者からのデータ)を伴い得る。故に、訓練は、システム102上で実施されることができる一方、推測は、遠隔場所において(例えば、クラウドコンピューティングを介して)、および/またはユーザデバイス104ならびに/もしくは任意の他のデバイス上でローカルで行われることができる。しかしながら、他の実施形態では、訓練および予測は、完全にシステム102上で、完全にユーザデバイス104上で、または完全に別のコンピューティングシステムもしくはデバイス上で実施されることができる。
図4は、本技術の実施形態に従って構成される、血糖予測のための機械学習アーキテクチャ(「アーキテクチャ400」)を図式的に図示する、ブロック図である。アーキテクチャ400は、図1のシステム102および/またはユーザデバイス104等の本明細書に説明されるシステムならびにデバイスのうちのいずれかによって、ソフトウェアおよび/またはハードウェアコンポーネントを横断して実装されることができる。アーキテクチャ400は、3つの異なる機械学習モデル、すなわち、個別化または患者特有モデル410と、母集団モデル420と、集約モデル430とを含む。いくつかの実施形態では、アーキテクチャ400は、図3の方法300等の患者の血糖状態を予測するための方法を実施するために使用される。そのような実施形態では、患者特有モデル410および母集団モデル420は、方法300の機械学習モデルの第1のセットに対応し得る一方、集約モデル430は、方法300の機械学習モデルの第2のセットに対応し得る。
患者特有モデル410は、推測が行われるべきである特定の患者のデータ(「患者特有訓練データ412」)に対して訓練される、機械学習モデルであり得る。患者特有訓練データ412は、単一の患者からのデータのみを含んでもよい。いくつかの実施形態では、患者特有訓練データ412は、図2に関して前述で説明されるように、事象データ(例えば、インスリン摂取事象、食物摂取事象、身体活動事象等)と相関される、および/またはそれを用いて注釈を付けられる、複数の血糖エピソードを含む。随意に、患者特有訓練データ412は、他のタイプのデータ(例えば、図1に関して上記に説明されるデータのうちのいずれか)を含むことができる。
患者特有モデル410は、時系列予測モデルまたは時系列モデルの組み合わせ等の任意の好適なタイプの機械学習モデルである、もしくはそれを含むことができる。例えば、患者特有モデル410は、ARIMAモデルである、またはそれを含むことができる。非限定的実施例として、ARIMAモデルは、以下のように表され得、
式中、φiおよびθiは、ベクトルにおけるスカラー要素であり、p、qおよびdは、スカラーであり、εtは、誤差項であり、Lは、Lkxt=xt-kあるように系列における要素xをバックシフトするラグ演算子である。全ての時点で、ベクトルφiおよびθiは、観察される系列における誤差を最小限にするようにフィットされ得る一方、スカラーp,qおよびdは、探索空間内のトリプレット毎に赤池の情報量基準(AIC)を推定し、最小誤差値を生成するものを選択することによって選択され得る。いくつかの実施形態では、ARIMAモデルは、外因性事象(例えば、インスリン摂取事象、食物摂取事象、身体活動事象等)ならびに時系列血糖データを受け取るように修正される。
母集団モデル420は、複数の患者からのデータ(「母集団訓練データ422」)に対して訓練される、機械学習モデルであり得る。例えば、母集団訓練データ422は、少なくとも50人、100人、200人、500人、1,000人、2,000人、3,000人、4,000人、5,000人、または10,000人の異なる患者からのデータを含むことができる。随意に、母集団訓練データ422はまた、推測が行われるべきである特定の患者からのデータを含むことができる。各患者データセットは、前述で説明されるように、事象データと相関される、および/またはそれを用いて注釈を付けられる、複数の血糖エピソードを含むことができる。いくつかの実施形態では、母集団訓練データ422は、複数の患者を横断して組み合わせられる、少なくとも100,000時間、500,000時間、100万時間、500万時間、または1,000万時間のエピソードを含む。いくつかの実施形態では、母集団訓練データ422は、条件(例えば、1型糖尿病、2型糖尿病、および妊娠糖尿病)、年齢、性別、人種、人口統計等に基づいて選択される、患者の群からの母集団データを含むことができる。例えば、選択される患者は、(例えば、糖尿病型、年齢、性別、人種、人口統計等の観点から)推測が行われている患者に類似する特性を有することができる。随意に、母集団訓練データ422はまた、他のタイプのデータ(例えば、図1に関して上記に説明されるデータのうちのいずれか)を含むことができる。
母集団モデル420は、深層学習モデル等の任意の好適なタイプの機械学習モデルである、またはそれを含むことができる。いくつかの実施形態では、例えば、母集団モデル420は、深層学習自己回帰リカレントニューラルネットワークモデルである、またはそれを含む。母集団モデル420のために使用される機械学習モデルは、患者特有モデル410のために使用される機械学習モデルと異なり得る。しかしながら、他の実施形態では、患者特有モデル410および母集団モデル420は、同一の機械学習モデルを使用することができる。いくつかの実施形態では、母集団モデル420は、特定の患者に関して選択される。例えば、母集団訓練データ422および母集団モデル420は、患者の条件(例えば、糖尿病型)、年齢、性別、人口統計、人種等の1つ以上の基準に基づいて選択されることができる。他の実施形態では、同一の母集団訓練データ422および母集団モデル420は、患者の全てと併用されることができる。
集約モデル430は、複数の患者データセットから発生される特徴データ(「集約訓練データ432」)に対して訓練される、機械学習モデルであり得る。特徴データは、患者データセットから発生される複数の特徴(例えば、変換、組み合わせ、統計値、性質、特性等)を含むことができる。患者データセットは、少なくとも50人、100人、200人、500人、1,000人、2,000人、3,000人、4,000人、5,000人、または10,000人の異なる患者からのデータを含むことができる。患者データセットはまた、推測が行われるべきである患者からのデータを含むことができる。各患者データセットは、前述で説明されるように、事象データを用いて注釈を付けられる、複数の血糖エピソードを含むことができる。いくつかの実施形態では、患者データセットは、複数の患者を横断して組み合わせられる、少なくとも100,000時間、500,000時間、100万時間、500万時間、または1,000万時間のエピソードを含む。いくつかの実施形態では、各患者データセットは、個人データ(例えば、年齢、性別、人口統計、糖尿病型)、食事データ、病歴データ、運動データ、薬品データ、生理学的データ、または本明細書に説明される任意の他のデータタイプ等のその特定の患者に関する他のデータを含む。
いくつかの実施形態では、各患者データセットはまた、機械学習モデルを使用して発生される血糖推測を含む。例えば、各患者データセットは、(例えば、患者特有モデル410に類似する)その特定の患者に関するデータに対して訓練される個別化されたモデルによって発生される推測のセットと、複数の患者からのデータに対して訓練される母集団モデル(例えば、母集団モデル420)によって発生される推測のセットとを含むことができる。血糖推測は、その患者の以前の血糖データから発生される遡及的推測であり得る。これらの推測から発生される特徴もまた、集約モデル430を訓練するために使用される特徴データ内に含まれることができる。いくつかの実施形態では、特徴を発生させるために使用される推測は、集約モデル430によって行われるべき推測の時間的視野に応じて変動する。例えば、1時間の推測を行うために使用されるモデルは、1時間の推測から抽出された特徴に対して訓練されることができ、2時間の推測を行うために使用されるモデルは、2時間の推測からの特徴に対して訓練されることができ、以下同様である。
いくつかの実施形態では、集約訓練データ432はまた、それらの患者データセットから算出される特徴データに加えて、患者データセットを含むことができる。他の実施形態では、集約訓練データ432は、患者データセットが、集約モデル430を訓練するために直接使用されないように、特徴データのみを含んでもよい。
多くの患者の履歴データから算出される特徴を用いて上記に説明されるように進めることによって、個々の推測、それらの個人からの処理されたデータ、および実際の血糖値(例えば、患者のCGMデバイスによって報告されるような)の大量の実施例が、発生され得る。大量の実施例は、(例えば、教師あり学習を使用して)集約モデル430を訓練し、血糖濃度を推測するために使用されてもよい。集約モデル430は、血糖レベルのより正確な推測を発生させるために、多くの他の個々の患者からの実施例のより広範なセットに基づいて、個々の患者に関する大量のデータおよび推測を合成してもよい。
集約モデル430は、決定木モデル等の任意の好適なタイプの機械学習モデルである、またはそれを含むことができる。いくつかの実施形態では、例えば、集約モデル430は、勾配ブースティング木モデルである。集約モデル430のために使用される機械学習モデルは、患者特有モデル410および/または母集団モデル420のために使用される機械学習モデルと異なり得る。しかしながら、他の実施形態では、集約モデル430は、患者特有モデル410および/または母集団モデル420と同一の機械学習モデルを使用することができる。
いくつかの実施形態では、集約モデル430のために使用される機械学習モデルは、行われるべき特定のタイプの推測(例えば、血糖レベル、低血糖症推測、高血糖症推測)および/または推測に関するタイミング(例えば、30分の予測、1時間の予測、2時間の予測、一晩の予測等)に基づいて選択されることができる。例えば、最終推測が、血糖レベルまたは血糖レベルの時系列の推測である実施形態では、集約モデル430は、具体的値もしくは複数の値を予測する回帰アルゴリズムであり得る。回帰アルゴリズムは、目的に関連するある所定の損失を最小限にすることを目的として、その特定の目的に特徴のセットをマッピングするように構成されることができる。回帰アルゴリズムが最適化する目的は、推測されるべき標的に基づいて、特定の時間における将来の血糖レベルおよび/または将来のある時間周期内に生じる最小(ならびに/もしくは最大)血糖レベルのいずれかとして選択されてもよい。別の実施例として、最終推測が、低血糖症または高血糖症事象の推測である実施形態では、集約モデル430は、標識または状態(例えば、真もしくは偽、リスクレベル)を予測する分類アルゴリズムであり得る。分類モデルは、入力点のセットから標的クラスまたはカテゴリへのマッピングを学習するように構成されることができる。
患者特有モデル410、母集団モデル420、および/または集約モデル430は、新しい患者データが、受信される際、周期的に更新されることができる。モデル410-430は、同一の頻度で更新されることができる、または(例えば、モデルの複雑性、訓練データセットのサイズ、モデルを更新するための時間等に応じて)異なる頻度で更新されることができる。いくつかの実施形態では、患者特有モデル410は、より高い頻度(例えば、1日あたり1回)で更新され、母集団モデル420は、高いまたは中間頻度(例えば、1日あたり1回、1週間あたり1回)で更新され、集約モデル430は、より低い頻度(例えば、1カ月あたり1回、1四半期あたり1回)で更新される。
患者の将来の血糖状態を予測するために、患者からの血糖データ(例えば、「患者データ」)が、患者特有モデル410および母集団モデル420に入力される。具体的には、第1の患者データ402aが、患者特有モデル410に入力され、第2の患者データ402bが、母集団モデル420に入力される。上記に議論されるように、第1および第2の患者データ402a、402bは、それぞれ、患者によって経験される直近のエピソード等、事象データとともに1つ以上の血糖エピソードを含むことができる。第1および第2の患者データ402a、402bは、それぞれ、前述で説明されるように、CGMデバイスならびに/もしくは任意の他のユーザデバイス(例えば、図1のユーザデバイス104)を使用して取得されることができる。第1の患者データ402aは、第2の患者データ402bと同一であってもよい、または第2の患者データ402bと異なってもよい。いくつかの実施形態では、例えば、第1の患者データ402aはまた、推測が行われている特定の時刻にわたる平均血糖レベルおよび/または血糖レベルの標準偏差(例えば、毎日午後4時から午後5時までの患者の平均血糖値)を含む。これらの代表値および/または標準偏差は、患者の以前の血糖データ(例えば、現在の日までの全ての履歴血糖データ)に基づいて算出されることができる。第2の患者データ402bは、これらの代表値および/または標準偏差値を含む場合とそうではない場合がある。
患者特有モデル410は、第1の推測414を発生させることができ、母集団モデル420は、第2の推測424を発生させることができる。例えば、第1の推測414は、血糖値の第1の時系列(例えば、以降の1~2時間にわたって5分毎)であり得、第2の推測424は、血糖値の第2の時系列(例えば、以降の1~2時間にわたって5分毎)であり得る。第1の推測414および第2の推測424は、特徴426を発生させるために使用される。随意に、特徴426はまた、少なくとも部分的に、第3の患者データ402c(例えば、事象データを伴う1つ以上の血糖エピソード)ならびに/もしくは他のデータ(例えば、糖尿病型等の個人データ)に基づいて発生されることができる。第3の患者データ402cは、第1の患者データ402aおよび第2の患者データ402bと同一であってもよい。他の実施形態では、第3の患者データ402cは、第1の患者データ402aおよび/または第2の患者データ402bと異なってもよい。
特徴426は、集約モデル430に入力されることができる。随意に、第1の推測414、第2の推測424、および/または第4の患者データ402d(例えば、事象データを伴う1つ以上の血糖エピソード)もまた、集約モデル430に関する入力であり得る。第4の患者データ402dは、第1の患者データ402a、第2の患者データ402b、および第3の患者データ402cと同一であってもよい。他の実施形態では、第4の患者データ402dは、第1の患者データ402a、第2の患者データ402b、および/または第3の患者データ402cと異なってもよい。
上記に議論されるように、集約モデル430に関する具体的機械学習モデルは、行われるべき推測のタイプ(例えば、1時間の血糖レベル予測、2時間の血糖レベル予測、1時間の低血糖症推測、2時間の低血糖症推測等)に基づいて選択されることができる。集約モデル430は、最終推測434を発生させることができ、これは、1つ以上の将来の血糖レベル(例えば、将来の時間周期にわたる血糖値の時系列)、低血糖症事象の推測される尤度、高血糖症事象の推測される尤度、もしくはそれらの組み合わせの推測であり得る。
いくつかの実施形態では、アーキテクチャ400は、その前回のデータが、母集団訓練データ422および集約訓練データ432内に含まれている患者(本明細書では「既認ユーザ」とも称される)に関する推測を発生させるために使用される。しかしながら、他の実施形態では、アーキテクチャ400は、そのデータが、母集団訓練データ422および/または集約訓練データ432内に含まれていない患者(本明細書では「未認ユーザ」とも称される)に関する推測を発生させるために使用されることができる。そのために、患者特有入力データが、決定され、患者特有モデル410および/または母集団モデル420に入力され、特定の患者に関する初期推測を発生させてもよい。推測結果は、上記に議論されるように、集約モデル430に入力される特徴を算出するために使用されてもよい。いくつかの実施形態では、未認ユーザに関する血糖推測の正確度は、既認ユーザに関する血糖推測の正確度に類似し得る。
図4は、アーキテクチャ400に関する特定の構成を図示するが、アーキテクチャ400が、多くの異なる方法で構成され得ることを理解されたい。例えば、図4は、入力として特徴426、第1の推測414、第2の推測424、および第4の患者データ402dを受信する集約モデル430を示すが、他の実施形態では、これらの入力のうちの1つ以上のものは、省略されることができる。同様に、図4は、第1の推測414、第2の推測424、および第3の患者データ402cから発生されている特徴426を示すが、他の実施形態では、これらの入力のうちの1つ以上のものは、省略されることができる。別の実施例として、第1の患者データ402aから抽出された特徴は、患者データ402a自体と組み合わせて、またはその代替として、患者特有モデル410に関する入力として使用されることができる。同様に、第2の患者データ402bから抽出された特徴は、患者データ402b自体と組み合わせて、またはその代替として、母集団モデル420に関する入力として使用されることができる。また別の実施例では、患者特有モデル410または母集団モデル420は、省略されてもよい。随意に、他の実施形態では、集約モデル430は、相互と混合される、スタックされる、または別様に組み合わせられる複数の機械学習モデルを含むことができる。
夜間低血糖症推測
夜間低血糖症推測
低血糖症事象は、夜間に起こり得、糖尿病を伴う個人にとって特に危険であり得る。そのような低血糖症事象のための適切かつ適時に投与される処置が、不可欠である。しかしながら、糖尿病を患い、夜間に低血糖症事象を経験する多くの個人は、本条件に対処するために必要なステップを実施することができない場合がある。これは、夜間に覚醒することからの朦朧状態に起因し得、これは、低血糖とすでに関連付けられている混乱および不器用さを悪化させ、適正な自己処置を投与することをより困難にし得る。従来のシステムは、患者が、患者が眠っている間に夜間低血糖症が起こり得ると疑われるとき、そのようなエピソードを防止するために、糖尿病患者が、例えば、就寝に先立って、適切なステップを行うことを可能にするために必要なツールを提供することが可能ではない場合がある。したがって、夜間低血糖症事象を経験する確率を予測し、ユーザに、ユーザがそのような事象を防止するために行い得る最も効果的なアクションを知らせるための調整された推奨を提供する必要性が、存在する。
図5は、本技術の実施形態による、夜間低血糖症事象を予測するための方法500を図示する、ブロック図である。方法500は、本明細書に説明されるシステムおよびデバイス(例えば、図1のシステム102ならびに/もしくはユーザデバイス104)のうちのいずれかを使用して実施されることができる。方法500は、概して、図3に関して上記に説明される方法300に類似し得る。故に、方法500の議論は、方法300と異なるそれらの要素に限定されるであろう。
方法500は、ステップ510において睡眠データを含む入力データを受信することから開始される。ステップ510は、入力データがまた、1晩以上の以前の夜の間の睡眠のタイミング(例えば、患者が就寝するとき(「就寝時間」)、患者が覚醒するとき)、睡眠時間数、平均睡眠時間、睡眠時間の変動性、睡眠-覚醒サイクルデータ、睡眠時無呼吸事象に関連するデータ(存在する場合)、睡眠断片化(例えば、睡眠エピソードの間の夜間時間の覚醒の割合等)、患者が眠っている間の低血糖濃度(例えば、<70mg/dL)の頻度等を含み得る、患者の睡眠データを含むことを除いて、概して、方法300のステップ310に類似し得る。睡眠データは、自動的に(例えば、睡眠トラッカを介して)、手動で(例えば、モバイルデバイスまたは他のユーザデバイスへのユーザ入力によって)、もしくは任意の他の好適な技法および/またはデバイスによって提供されることができる。
ステップ520において、以前の夜間低血糖症事象が、睡眠データに基づいて識別される。そのために、例えば、患者の睡眠データからの平均就寝時間および夜間持続時間が、確認されてもよい。睡眠データは、睡眠周期の開始および終了時間を決定するために分析されてもよい。睡眠周期は、集約されてもよい(例えば、毎日午後7時に開始する)。いくつかの実施形態では、3~9時間持続する睡眠周期の全ての集約されたセットが、モデルの目的のために考慮されてもよい。いかなる関連付けられる睡眠データも有していない患者に関して、固定された就寝時間(例えば、午後11時)および夜間持続時間(例えば、7時間)値が、考慮されてもよい。夜毎の患者の血糖データが、次いで、最小血糖濃度値を識別および記録するために分析されることができる。最小血糖濃度値が、ある閾値(例えば、70mg/dL)よりも低い場合、これは、夜間低血糖症事象と見なされ得る。理解され得るように、任意の閾値が、使用されてもよい。
ステップ530において、少なくとも1つの初期推測が、方法300のステップ320に関して前述で説明されるように、機械学習モデルの第1のセットを使用して発生される。いくつかの実施形態では、機械学習モデルの第1のセットはまた、(例えば、特定の患者および/またはより多い患者母集団の)睡眠データおよび/または以前の夜間低血糖症事象のデータに対して訓練されることができる。例えば、患者特有モデル(例えば、図4の患者特有モデル410)が、患者の睡眠データおよび/または夜間低血糖症データに対して訓練されることができる一方、母集団モデル(例えば、図4の母集団モデル420)が、複数の患者の睡眠データおよび/または夜間低血糖症データに対して訓練されることができる。機械学習モデルの第1のセットによって生成される初期推測は、確率分布を形成するために集約され得る、血糖値の確率的推定を提供することができる。いくつかの実施形態では、初期推測は、患者が眠っていると予期される時間周期(例えば、一晩)にわたる一連の推測される血糖値を含む。
ステップ540において、1つ以上の特徴が、初期推測から決定される。ステップ540は、特徴がまた、それぞれ、ステップ510および520からの睡眠データならびに/もしくは夜間低血糖症データに基づいて発生され得ることを除いて、概して、方法300のステップ330に類似し得る。そのような特徴は、例えば、平均および/または標準偏差血糖レベル(例えば、就寝時間前、患者が眠っている間)、患者が眠っている間に低血糖症を経験している、または経験した時間の割合、患者が夜間低血糖症事象を経験した夜の平均回数(例えば、過去30日または他の時間周期において)、就寝時間前の身体活動の量、就寝時間前のインスリン摂取の平均量、就寝時間前に取り込まれた炭水化物の平均量、平均収縮期および/または拡張期血圧(例えば、就寝時間前、眠っている間)、平均心拍数(例えば、就寝時間前、眠っている間)、就寝時間前の直近の血糖値の二次フィットに関するパラメータ(例えば、切片、一次係数、二次係数)、その日までに低血糖症を経験する確率、ならびに/もしくは任意の他のデータ、および/またはそれらの任意の組み合わせを含んでもよい。
ステップ550において、少なくとも1つの最終推測が、方法300のステップ340に関して前述で説明されるように、機械学習モデルの第2のセットを使用して発生される。いくつかの実施形態では、機械学習モデルの第2のセット(例えば、図4の集約モデル430)はまた、(例えば、特定の患者および/またはより多い患者母集団の)睡眠データならびに/もしくは以前の夜間低血糖症事象のデータから抽出された特徴に対して訓練されることができる。特徴は、ステップ540において上記に説明される特徴のうちのいずれかを含むことができる。機械学習モデルの第2のセットはまた、夜間低血糖症事象の推測(例えば、以前の患者データから発生される遡及的推測)から抽出された特徴に対して訓練されることができる。機械学習モデルの第2のセットは、夜間低血糖症事象の確率のより正確な推測を達成するために、多くの患者からの実施例のより広範なセットに基づいて、個々の患者に関する大量のデータおよび/または推測を合成するように構成されてもよい。
機械学習モデルの第2のセットは、患者が以降の夜間周期の間に高血糖症を経験するであろう推測される確率のセットを発生させることができる。随意に、フィルタリングが、発生される確率推測に適用されることができる。特に、フィルタリングは、外れ値である、および/またはユーザデータと一貫しない、ならびに/もしくは矛盾する種々の推測を除外するために適用されてもよい。フィルタリングは、以下、すなわち、血糖レベルの平均範囲、身体活動値(例えば、時間)、炭水化物取込(例えば、時間、量等)、血糖レベルの導関数、最大および/または最小血糖レベル、血糖レベルの標準偏差、心拍数値等のうちの少なくとも1つを含み得る、種々のパラメータを使用して適用されてもよい。
いくつかの実施形態では、確率推測は、分類器として使用されてもよく、それらの正確度は、受信者動作特性曲線(「ROC AUC」)下の面積によって説明されてもよい。随意に、推測正確度は、少なくとも1つの基準を満たしていない予測を破棄するために1つ以上のフィルタリングパラメータを適用することによって改良され得る。いくつかの例示的フィルタリング基準は、以下を含んでもよい(理解され得るように、任意の他の基準および/または値が、使用されてもよい)。
・ 就寝時間に先行する6時間における血糖レベルの平均範囲≦70mg/dL、
・ 就寝時間に1時間先立つ活動≧10分、
・ 就寝時間に6時間先立つ活動≧40分、
・ 就寝時間に6時間先立つ炭水化物取込≧40gの炭水化物、
・ -0.008~0.008mg/dL/分/分の就寝時間に先立つ1時間にわたる血糖レベルの二次導関数、
・ 最後の2時間における最大血糖濃度値≦100mg/dL、
・ 最後の2時間における最小血糖濃度値≦70mg/dL、
・ ユーザの血糖濃度値標準偏差≦40mg/dL、および/または
・ 60~80bpmの心拍数。
・ 就寝時間に先行する6時間における血糖レベルの平均範囲≦70mg/dL、
・ 就寝時間に1時間先立つ活動≧10分、
・ 就寝時間に6時間先立つ活動≧40分、
・ 就寝時間に6時間先立つ炭水化物取込≧40gの炭水化物、
・ -0.008~0.008mg/dL/分/分の就寝時間に先立つ1時間にわたる血糖レベルの二次導関数、
・ 最後の2時間における最大血糖濃度値≦100mg/dL、
・ 最後の2時間における最小血糖濃度値≦70mg/dL、
・ ユーザの血糖濃度値標準偏差≦40mg/dL、および/または
・ 60~80bpmの心拍数。
ステップ560において、方法500は、随意に、方法300のステップ350に関して上記に説明されるように、通知を患者に出力するステップを含む。いくつかの実施形態では、通知は、例えば、ユーザデバイス上でポップアップウィンドウおよび/またはテキストメッセージにおいて表示される、夜間低血糖症の計算された確率(例えば、「夜間低血糖症の確率:87%」)を含む。代替として、または組み合わせて、実際の確率値を表示するのではなく、通知は、代わりに、夜間低血糖症の定性的リスクレベル(例えば、「高」、「中」、または「低」)を表示してもよい。リスクレベルは、任意の好適な確率閾値(例えば、75%を上回る、またはそれに等しい確率に対応する「高」、40%~75%の範囲内の確率に対応する「中」、40%を下回る確率に対応する「低」)を使用して決定されることができる。通知はまた、推奨、教育的情報、奨励等を伴うメッセージ(例えば、「寝る前のわずかな間食は夜間に低である可能性を低減させ得る」等)を含むことができる。いくつかの実施形態では、確率は、就寝する前の夜遅くに、ユーザが、任意の運動、食物、薬品等を記録する場合等、条件が、変化する場合、再計算されてもよい。
方法500のステップのうちのいくつかまたは全ては、患者による要求に応じて、例えば、患者が、就寝する前に夜間低血糖症リスクの予測を要求する場合に実施されることができる。代替として、方法500のステップのうちのいくつかまたは全ては、ユーザデバイスが、毎晩の固定された時間に(例えば、患者によって設定される規則的な時間に、患者の睡眠パターンから計算される時間に、その曜日または任意の曜日に関するその患者もしくは任意の患者に関する共通の就寝時間に)予測を自動的に要求するように設定される場合等、自動的に実施されることができる。(要求に応じてと対照的に)自動的に計算される場合、予測結果は、毎回、および/または夜間低血糖症の確率が、本システムによって、ならびに/もしくは患者によって設定される閾値を超えるときに患者に送信されてもよい。
グラフィカルユーザインターフェース
グラフィカルユーザインターフェース
図6A-6Iは、本技術の実施形態に従って構成される、種々のグラフィカルユーザインターフェース600-680を図示する。グラフィカルユーザインターフェース600-680は、図1-5に関して本明細書に説明されるプロセスまたは方法のうちのいずれかと併用されることができる。グラフィカルユーザインターフェース600-680は、ソフトウェアアプリケーション(例えば、モバイルアプリケーションまたは「アプリ」)によって発生され、ユーザデバイス(例えば、図1のユーザデバイス104)上に表示されることができる。例えば、図6A-6Dのグラフィカルユーザインターフェース600-640は、モバイルデバイス(例えば、スマートフォン、タブレットコンピュータ)上に表示されることができる一方、図6E-6Iのグラフィカルユーザインターフェース640-680は、ウェアラブルデバイス(例えば、スマートウォッチ)上に表示されることができる。しかしながら、他の実施形態では、グラフィカルユーザインターフェース600-680は、ラップトップコンピュータ、パーソナルコンピュータ、または任意の他の好適なコンピューティングデバイス等の他のタイプのデバイス上での表示のために適合されることができる。グラフィカルユーザインターフェース600-680は、分析および/または予測システム(例えば、図1のシステム102)によって生成される情報、通知、推奨、ならびに/もしくは他の出力を患者または他のユーザ(例えば、保健医療専門家)に表示するために使用されることができる。
最初に図6Aを参照すると、グラフィカルユーザインターフェース600(「インターフェース600」)は、スマートフォンまたは他のモバイルデバイス上での表示のために構成されることができる。グラフィカルユーザインターフェース600は、患者の健康ステータスおよび活動の概観を提供することができる。例えば、インターフェース600は、その日に関する重要な患者データを示すアイコン、テキスト、および/または他のグラフィカル要素を伴う概要区分602を含むことができる。例えば、概要区分602は、平均血糖レベル、服用されたインスリンの合計量(例えば、基礎およびボーラス量に分割される)、取り込まれた食物の合計量(例えば、合計炭水化物および/または合計カロリーの観点から)、ならびに身体活動の合計量(例えば、歩数、運動持続時間)を表示することができる。インターフェース600はまた、24時間周期以内に生じた種々の測定値および/または事象(例えば、血糖測定値、インスリン摂取、食事、身体活動)に対応するグラフィカル要素605を伴うタイムライン604を含むことができる。インターフェース600はまた、直近の測定値および/または事象に関する情報を表示する、フィード606を含むことができる。インターフェース600はまた、患者の血糖状態に関連する情報(例えば、患者の血糖レベルが、将来の時間周期内に高くなりすぎる、または低くなりすぎることが推測されるかどうか)を伴うアラート通知608を表示することができる。アラート通知608の内容は、本明細書に説明される技法に従って発生される推測に基づき得る。概要区分602、タイムライン604、フィード606、および/またはアラート通知608は、新しい血糖測定値、新しい事象データ、ならびに/もしくは新しい推測が、受信される際、持続的に更新されることができる。
図6Bは、アラート通知612を表示するためのグラフィカルユーザインターフェース610(「インターフェース610」)を図示する。アラート通知612は、患者の推測される血糖状態が、将来の時間周期(例えば、以降の15分、30分、60分、90分、2時間、4時間)内に所定の範囲外になる(例えば、ある閾値を上回るまたは下回る)であろうことを示す、ポップアップウィンドウ、テキスト、ならびに/もしくは他のグラフィカル要素を含むことができる。例えば、図示される実施形態では、アラート通知612は、患者の血糖レベルが、以降の30分以内に低くなりすぎるであろう高いリスクが存在することを示す。
図6Cは、経時的な患者の血糖レベルを表示するためのグラフィカルユーザインターフェース620(「インターフェース620」)を図示する。インターフェース620は、複数の血糖値を表示するグラフ、タイムライン、チャート、テーブル、および/または他のグラフィカル要素を含むことができる。図示される実施形態では、例えば、血糖値624a-cが、水平軸上の時間および垂直軸上の血糖レベルを伴うグラフ622上に表示される。表示される血糖値は、過去の血糖値624a(例えば、最後の15分、30分、60分、90分、2時間、または4時間にわたって取得される実際の血糖測定値)、患者の現在の血糖値624b(例えば、直近の血糖測定値)、ならびに/もしくは将来の血糖値624c(例えば、以降の15分、30分、60分、90分、2時間、または4時間にわたる推測される将来の血糖値)を含むことができる。随意に、将来の血糖値624cは、推測における不確実性の程度を示す包絡線626または他のグラフィカル要素とともに表示されてもよい。各血糖値は、値が正常範囲内である、高すぎる、または低すぎるかどうかを示すために、色分けされる、影付きである、または別様に視覚的に区別されることができる。グラフはまた、血糖レベルに関する正常または標的範囲を示す、帯域627もしくは他のグラフィカル要素を含むことができる。正常または標的範囲は、血糖値の標準化された範囲であってもよい、または(例えば、保健医療専門家からの推奨、患者の特定の条件等に基づいて)特定の患者に関してカスタマイズされてもよい。
インターフェース620はまた、患者の血糖レベルが、将来の周期の間に正常範囲外になることが推測される場合、アラート通知628を含むことができる。図示される実施形態では、例えば、患者の血糖レベルは、現在、正常範囲内であるが、30分以内に低すぎる状態に低下することが推測される。随意に、インターフェース620はまた、血糖レベルが正常または標的範囲(例えば、70mg/dL~140mg/dL)内であることが推測される予測時間周期にわたる時間のパーセンテージを表示する、範囲内時間通知629を含むことができる。
図6Dは、経時的な患者の血糖レベルを表示するためのグラフィカルユーザインターフェース630(「インターフェース630」)を図示する。インターフェース630は、概して、図6Cのインターフェース620に類似し得る。例えば、インターフェース630は、経時的な血糖レベルのグラフ632、および随意に、アラート通知638ならびに/もしくは範囲内時間通知639を含むことができる。図示される実施形態では、アラート通知638は、患者の血糖レベルが、現在高すぎ、以降の2時間にわたって高すぎるままであることが推測されることを示す。
図6Eは、経時的な患者の血糖レベルを表示するためのグラフィカルユーザインターフェース640(「インターフェース640」)を図示する。インターフェース640は、スマートウォッチ等の比較的に小さいデバイス上での表示のために設計されることができる。故に、インターフェース640上に提示される情報は、より大きいデバイス上での表示のために設計されるインターフェースと比較して、要約および/または簡略化されることができる。例えば、インターフェース640は、グラフ622と類似するが、よりコンパクトなフォーマットにおいて情報を伝える、経時的な血糖レベルのグラフ642を含むことができる。例えば、血糖レベルを用いて標識化される垂直軸を表示するのではなく、グラフ642に示される血糖値は、それらが高い、低い、または正常範囲内であるかどうかを示すために、色分けされる、もしくは別様に視覚的に区別されることができる。インターフェース640はまた、適切な場合、患者の推測される血糖状態に関する情報(例えば、患者の血糖レベルが、以降の30分以内に低くなりすぎることが推測される)を伴うアラート通知644を含むことができる。
図6Fは、経時的な患者の血糖レベルを表示するためのグラフィカルユーザインターフェース650(「インターフェース650」)を図示する。インターフェース650は、グラフ652およびアラート通知654が、患者の血糖レベルが現在高すぎ、以降の2時間にわたって高すぎるままであることが推測されることを示すことを除いて、概して、図6Eのインターフェース640に類似し得る。
図6Gは、夜間低血糖症推測を表示するためのグラフィカルユーザインターフェース660(「インターフェース660」)を図示する。インターフェース660は、患者が夜間に低血糖症事象を経験するであろう確率を視覚的に描写する、グラフィカル要素662を含むことができる。インターフェース660はまた、夜間低血糖症事象のリスクに関する情報(例えば、「高リスク」)および随意に、リスクを軽減するためのアクションまたは複数のアクションに関する推奨(例えば、就寝する前に食物を取り込むこと)を伴うアラート通知664を含むことができる。
図6Hは、夜間低血糖症推測を表示するためのグラフィカルユーザインターフェース670(「インターフェース670」)を図示する。図6Gのインターフェース660と同様に、インターフェース670は、眠っている間に低血糖症を経験する確率を視覚的に描写するグラフィカル要素672ならびに夜間低血糖症のリスクに関する情報(例えば、「中リスク」)を伴うアラート通知674を含む。図示される実施形態では、アラート通知674はまた、患者が夜間低血糖症のリスクを低減させ得る方法に関する推奨(例えば、低血糖症事象が起こる場合に備えて近くに食物を置くこと)を含む。
図6Iは、夜間低血糖症推測を表示するためのグラフィカルユーザインターフェース680(「インターフェース690」)を図示する。図6Gおよび6Hのインターフェース660、670と同様に、インターフェース680は、眠っている間に低血糖症を経験する確率を視覚的に描写するグラフィカル要素682ならびに夜間低血糖症のリスクに関する情報(例えば、「低リスク」)を伴うアラート通知684を含む。図示される実施形態では、アラート通知684は、就寝する前にいかなるさらなるアクションも、リスクを軽減するために必要とされないことを示す。
付加的実施形態
付加的実施形態
図7は、本技術の実施形態に従って構成される、コンピューティングシステムまたはデバイス(「システム700」)の概略ブロック図である。システム700は、図1のシステム102および/またはユーザデバイス104等の本明細書に説明されるシステムならびにデバイスのうちのいずれかに組み込まれる、もしくはそれと併用されることができる。システム700は、図1-6Iに関して本明細書に説明されるプロセスまたは方法のうちのいずれかを実施するために使用されることができる。システム700は、プロセッサ710と、メモリ720と、記憶デバイス730と、入力/出力デバイス740とを含むことができる。コンポーネント710、720、730、および740はそれぞれ、システムバス750を使用して相互接続されることができる。プロセッサ710は、システム700内での実行のための命令を処理するように構成されることができる。いくつかの実装では、プロセッサ710は、シングルスレッドプロセッサであり得る。代替実装では、プロセッサ710は、マルチスレッドプロセッサであり得る。プロセッサ710はさらに、入力/出力デバイス740を通して情報を受信または送信することを含む、メモリ720内もしくは記憶デバイス730上に記憶される命令を処理するように構成されることができる。メモリ720は、システム700内に情報を記憶することができる。いくつかの実装では、メモリ720は、コンピュータ可読媒体であり得る。代替実装では、メモリ720は、揮発性メモリユニットであり得る。またいくつかの実装では、メモリ720は、不揮発性メモリユニットであり得る。記憶デバイス730は、システム700のための大容量記憶装置を提供することが可能であり得る。いくつかの実装では、記憶デバイス730は、コンピュータ可読媒体であり得る。代替実装では、記憶デバイス730は、フロッピー(登録商標)ディスクデバイス、ハードディスクデバイス、光学ディスクデバイス、テープデバイス、不揮発性ソリッドステートメモリ、または任意の他のタイプの記憶デバイスであり得る。入力/出力デバイス740は、システム700のための入力/出力動作を提供するように構成されることができる。いくつかの実装では、入力/出力デバイス740は、キーボードおよび/またはポインティングデバイスを含むことができる。代替実装では、入力/出力デバイス740は、グラフィカルユーザインターフェースを表示するためのディスプレイユニットを含むことができる。
いくつかの実施形態では、本主題は、ユーザおよび/または任意の他のユーザの持続的グルコース監視データを含む、種々のデータを使用してユーザに関する血糖濃度を予測ならびに解釈するためのコンピュータ実装方法に関する。本方法は、入力データ(例えば、ユーザデータ、血糖濃度、身体活動等を含み得る集約されたデータ、時間関連データ、タイムスタンピングされた特徴等)を受信するステップと、受信された入力データを変換および集約するステップと、推測を発生させるステップと、推測をプールされたユーザデータ(例えば、ユーザおよび/または他のユーザから)と組み合わせ、モデルを発生させるステップと、モデルを訓練するステップと、モデルを適用し、モデルに基づいて、推測を発生させるステップとを含んでもよい。いくつかの実施形態では、推測データは、解釈されてもよく、フィードバックが、ユーザに提供されてもよい(例えば、ユーザインターフェース上に表示される)。
いくつかの実施形態では、本主題は、将来の15分~24時間の時点におけるユーザの血糖濃度の予測を決定し(例示的な非限定的実施形態では、間隔は、30分~8時間、最大12時間、および/または任意の所望の時間周期であってもよい)、予測されたデータに関する信頼性境界を定量化し、予測が任意の所与の標的血糖健康(a1c)目標と一貫する範囲を上回る、下回る、またはそれ以内であるかどうかの解釈を生成するための方法を提供することができる。予測目的のために、本主題は、過去の血糖濃度値、食事において食される炭水化物のグラム数、トレーニングまたは活動の分数、体重の過去の値、a1cの過去の値、診断年等、ならびに/もしくはそれらの任意の組み合わせを使用することができる。これはまた、ユーザが打ち込んだ上記の情報を使用することができ、これは、ユーザ毎に、および所与のユーザに関して月毎に広く変動し得る。
いくつかの実施形態では、本主題は、ユーザおよび/または任意の他のユーザのデータを含む、種々のデータを使用してユーザに関する所定の時間周期の間の低血糖症事象の発生を推測するためのコンピュータ実装方法に関する。本方法は、入力データ(例えば、ユーザのデータ、睡眠データ、心拍数データ、血糖濃度、身体活動等を含み得る集約されたデータ、時間関連データ、タイムスタンピングされた特徴等)を受信するステップと、受信された入力データを変換および集約するステップと、推測を発生させるステップと、推測をプールされたユーザデータ(例えば、ユーザおよび/または他のユーザから)と組み合わせ、モデルを発生させるステップと、モデルを訓練および試験するステップと、モデルを適用し、モデルに基づいて、所定の時間周期の間の低血糖症事象の発生の推測を発生させるステップとを含んでもよい。いくつかの実施形態では、推測データは、解釈されてもよく、フィードバックが、ユーザに提供されてもよい(例えば、ユーザインターフェース上に表示される)。
1つ以上のコンピューティングシステムの1つ以上のデータプロセッサによって実行されると、少なくとも1つのデータプロセッサに、本明細書の動作を実施させる、命令を記憶する、非一過性コンピュータプログラム製品(すなわち、物理的に具現化されるコンピュータプログラム製品)もまた、説明される。同様に、1つ以上のデータプロセッサと、1つ以上のデータプロセッサに結合される、メモリとを含み得る、コンピュータシステムもまた、説明される。メモリは、少なくとも1つのプロセッサに、本明細書に説明される動作のうちの1つ以上のものを実施させる、命令を一時的または恒久的に記憶してもよい。加えて、方法は、単一のコンピューティングシステム内にあるか、もしくは2つ以上のコンピューティングシステム間に分散されるかのいずれかの1つ以上のデータプロセッサによって実装されることができる。そのようなコンピューティングシステムは、限定ではないが、ネットワーク(例えば、インターネット、無線広域ネットワーク、ローカルエリアネットワーク、広域ネットワーク、有線ネットワーク、または同等物)を経由する、複数のコンピューティングシステムのうちの1つ以上のものの間の直接接続を介する等の接続を含む、1つ以上の接続を介して、接続されることができ、データならびに/もしくはコマンドまたは他の命令もしくは同等物を交換することができる。
本明細書に開示されるシステムおよび方法は、例えば、また、データベース、デジタル電子回路、ファームウェア、ソフトウェアも含む、またはそれらの組み合わせにおけるコンピュータ等のデータプロセッサを含む、種々の形態で具現化されることができる。また、本開示される実装の上記に記述される特徴および他の側面ならびに原理も、種々の環境内に実装されることができる。そのような環境および関連出願は、開示される実装に従って種々のプロセスならびに動作を実施するために特別に構築されることができる、またはそれらは、必要な機能性を提供するためにコードによって選択的にアクティブ化もしくは再構成される、汎用コンピュータまたはコンピューティングプラットフォームを含むことができる。本明細書に開示されるプロセスは、本質的に、任意の特定のコンピュータ、ネットワーク、アーキテクチャ、環境、または他の装置に関連せず、ハードウェア、ソフトウェア、ならびに/もしくはファームウェアの好適な組み合わせによって実装されることができる。例えば、種々の汎用機械が、開示される実装の教示に従って記述されるプログラムと併用されることができる、または要求される方法および技法を実施するための特殊化装置もしくはシステムを構築することが、より便宜的であり得る。
本明細書に開示されるシステムおよび方法は、コンピュータプログラム製品、すなわち、データ処理装置、例えば、プログラムマブルプロセッサ、コンピュータ、または複数のコンピュータによる実行のための、もしくはその動作を制御するための、情報担体内、例えば、機械可読記憶デバイス内、または伝搬される信号内で有形に具現化される、コンピュータプログラムとして実装されることができる。コンピュータプログラムが、コンパイラ型またはインタープリタ型言語を含む、任意の形態のプログラミング言語で記述されることができ、これは、独立型プログラムとして、もしくはモジュール、コンポーネント、サブルーチン、またはコンピューティング環境内での使用のために好適な他のユニットとしてを含む、任意の形態において展開されることができる。コンピュータプログラムが、1つのコンピュータ上で、または1つの敷地における、もしくは複数の敷地を横断して分散され、通信ネットワークによって相互接続される、複数のコンピュータ上で実行されるように展開されることができる。
プログラム、ソフトウェア、ソフトウェアアプリケーション、アプリケーション、コンポーネント、またはコードとも称され得る、これらのコンピュータプログラムは、プログラムマブルプロセッサのための機械命令を含み、高レベルの手続き型ならびに/もしくはオブジェクト指向のプログラミング言語内、および/またはアセンブリ/機械言語内に実装されることができる。本明細書に使用されるように、用語「機械可読媒体」は、機械命令および/またはデータを、機械可読信号として機械命令を受信する機械可読媒体を含む、プログラムマブルプロセッサに提供するために使用される、例えば、磁気ディスク、光学ディスク、メモリ、ならびにプログラマブル論理デバイス(PLD)等の任意のコンピュータプログラム製品、装置、および/またはデバイスを指す。用語「機械可読信号」は、プログラムマブルプロセッサに機械命令および/またはデータを提供するために使用される、任意の信号を指す。機械可読媒体は、例えば、非一過性ソリッドステートメモリ、または磁気ハードドライブ、もしくは任意の同等の記憶媒体等が行うであろうように、そのような機械命令を非一過性に記憶することができる。機械可読媒体は、代替として、または加えて、そのような機械命令を、例えば、1つ以上の物理的プロセッサコアと関連付けられるプロセッサキャッシュもしくは他のランダムアクセスメモリ等が行うであろうように、一過性様式で記憶することができる。
ユーザとの相互作用を提供するために、本明細書に説明される主題は、例えば、ユーザに情報を表示するためのブラウン管(CRT)または液晶ディスプレイ(LCD)モニタ等のディスプレイデバイスと、キーボードと、例えば、それによってユーザがコンピュータへの入力を提供し得る、マウスもしくはトラックボール等のポインティングデバイスとを有する、コンピュータ上に実装されることができる。他の種類のデバイスも、同様に、ユーザとの相互作用を提供するために使用されることができる。例えば、ユーザに提供されるフィードバックは、例えば、視覚フィードバック、聴覚フィードバック、または触覚フィードバック等の任意の形態の感覚フィードバックであり得、ユーザからの入力は、限定ではないが、音響、音声、もしくは触覚入力を含む、任意の形態で受信されることができる。
本明細書に説明される技術は、例えば、1つ以上のデータサーバ等のバックエンドコンポーネントを含む、もしくは、例えば、1つ以上のアプリケーションサーバ等のミドルウェアコンポーネントを含む、もしくは、例えば、それを通してユーザが本明細書に説明される主題の実装と相互作用し得る、グラフィカルユーザインターフェースまたはウェブブラウザを有する、1つ以上のクライアントコンピュータ等のフロントエンドコンポーネント、もしくはそのようなバックエンド、ミドルウェア、またはフロントエンドコンポーネントの任意の組み合わせを含む、コンピューティングシステム内に実装されることができる。本システムのコンポーネントは、例えば、通信ネットワーク等のデジタルデータ通信の任意の形態または媒体によって相互接続されることができる。通信ネットワークの実施例は、限定ではないが、ローカルエリアネットワーク(「LAN」)、広域ネットワーク(「WAN」)、およびインターネットを含む。
コンピューティングシステムは、クライアントと、サーバとを含むことができる。クライアントおよびサーバは、概して、排他的ではないが、相互から遠隔であり、典型的には、通信ネットワークを通して相互作用する。クライアントおよびサーバの関係は、個別のコンピュータ上で起動し、相互にクライアント/サーバ関係を有するコンピュータプログラムによって生じる。
以下の実施例は、本技術のいくつかの側面をさらに説明するために含まれ、本発明の範囲を限定するために使用されるべきではない。
実施例1:プールされたCGMデータからの低血糖症および高血糖症推測
実施例1:プールされたCGMデータからの低血糖症および高血糖症推測
本実施例は、低または高血糖の遡及的推測を行い、査定するために、モバイルアプリを介して数千人の個人から収集されたCGMデバイスからの自己処置データおよび血糖データを使用するための方法を提供する。患者は、モバイルアプリを使用し、食物、薬品、身体活動、および他の自己処置データ、ならびに性別および診断年等の個人データを打ち込んだ。モバイルアプリはまた、CGMが収集した血糖値を受動的に読み取るために使用された。
本実施例に関するデータは、1千万時間以上のCGMデータならびに3,000人以上のユーザのサンプルからの自己処置データを含んでいた。本研究のために使用されたデータは、1千万時間以上のCGMデータならびに3,000人以上のユーザのサンプルからの自己処置データを含んでいた。そのデータが研究において使用された患者は、88%が1型(T1D/LADA)、9%が2型、3%が報告なしであり、33%が男性、26%が女性、41%が報告なしであった。
データは、ユーザのランダムサブサンプルからのデータを含む訓練セットと、試験セット(全ての残りのデータ)とにパーティション化された。訓練値は、教師あり学習モデルを訓練するために使用された。モデルは、試験セットデータに適用され、30および60分先の各ユーザの血糖の遡及的推測を発生させた。推測された値は、次いで、記録された試験セットCGM値と比較された。
加えて、関連するモデルは、同一の訓練モデルに対して訓練され、血糖レベルが以降の30分、以降の1時間、および以降の4時間に低くなる(<70mg/dL)、または高くなる(>180mg/dL)であろう確率を推測した。ある閾値を超える低または高血糖の確率は、低血糖症もしくは高血糖症の可能性が高い「アラート」として解釈された。後続CGM値における高または低事象の存在もしくは不在に対するアラートの正確度は、精度(今後の事象を正しく識別したアラートのパーセント)、再現率(アラートによって先行された実際の事象のパーセント)、およびアラート閾値が変動される際の精度と再現率との間のトレードオフの厳格さを表す、受信者動作特性曲線(AUC)下の面積を評価する。100%の最大値に近似するAUCは、より高い正確度を示す。
各推測は、推測されているユーザからの過去の観察だけではなく、また、それから予測が計算された過去の時点に先立って収集された訓練セットデータにおける全ての観察にも基づいた。
下記の表3は、30分および1時間範囲における血糖推測正確度を示す。30分推測に関する平均絶対相対偏差(MARD)は、4.3%であり、推測の98.7%が、クラークエラーグリッドの区域Aに該当し、99.9%が、区域AまたはBに該当した。60分推測に関するMARDは、13.4%であり、79.4%が、区域Aに該当し、98.4%が、区域AまたはBに該当した。
下記の表4は、高血糖症および低血糖症推測の正確度を示す。低血糖症推測は、30分において93.2%の再現率、89.4%の精度、および99.5%のAUCを示し、1時間において83.2%の再現率、74.1%の精度、および98.6%のAUCを示し、4時間において62%の精度、84%の再現率、および91.9%のAUCを示した。高血糖症推測は、30分において98.9%の再現率、97.6%の精度、および99.5%のAUCを示し、1時間において95.0%の再現率、92.6%の精度、および98.6%のAUCを示し、4時間において83.6%の再現率、83.8%の精度、および91.6%のAUCを示した。
これらの結果は、数千人のユーザからの血糖データをプールすることが、最大4時間先の低血糖症および高血糖症の正確な推測を可能にし得ることを実証している。そのような推測は、潜在的に、予応的な予防的自己処置を知らせることができる。
実施例2:CGMユーザに関する夜間低血糖症推測
実施例2:CGMユーザに関する夜間低血糖症推測
本実施例は、夜間低血糖症の発生を遡及的に推測するために、モバイルアプリを介して収集されたCGMデータおよび自己処置データを使用するための方法を提供する。使用されたデータは、CGMデバイスを伴う3,000人以上のアプリユーザからの560,000人分以上の夜の血糖データ、自己処置データ(例えば、薬品、食物、身体活動、睡眠)、および個人データ(例えば、性別、診断年)を含んでいた。データは、(利用可能なとき)睡眠データとの比較によって「夜間」として識別され、そうでなければ、各ユーザのローカルタイムゾーンにおける午後11時~午前6時を夜間周期と仮定することによって「夜間」として識別された。サンプルにおけるユーザは、1型LADA(86%)、2型(8%)、および報告なし(6%)と診断され、ユーザの28%は、過去5年間に診断された。
データは、選択された日付の前の約360,000晩を備える訓練セットと、選択された日付の後の約200,000晩を備える試験セットとに分割された。訓練データは、2つの機械学習モデルを訓練するために使用された。両方は、プールされたモデルであり、各推測が、推測が行われていた人物からのデータのみではなく、全てのユーザからのデータに基づくことを意味した。
第1のモデルは、就寝時間の時点で、低血糖症事象(本実施例の目的のために、70mg/dL未満の任意の血糖レベルとして定義される)が夜間に続けて起こる確率を推測するように訓練された。訓練されたモデルは、次いで、試験セットの夜を推測し、各推測された確率を実際に低血糖症事象が存在していたかどうかと比較するために使用された。推測された確率が、設定閾値確率を上回った場合、低血糖症は、「可能性が高い」と見なされた。より高い閾値は、より少ない誤りアラームを与え得るが、また、より多くの見逃された事象をもたらし得る。モデルは、事象を見逃すことなく誤りアラームが低減され得る程度を特性評価する、受信者動作特性曲線(AUC)下の面積によって評価された。より高いAUCは、より高い正確度を示す。訓練セット結果はまた、就寝時間において、より正確に推測され得る夜を識別し得る基準が存在するかどうかを決定するために分析された。
代替アプローチとして、第2のモデルが、再び、就寝時間の時点で、今後の夜にわたる最小血糖値を推測するように訓練された。70mg/dL未満の推測された最小値は、低血糖症の推測として解釈された。
表5は、試験セットの夜にわたる夜間低血糖症の推測された確率と実際の頻度との比較を図示する。試験セットの夜は、低血糖症の推測された確率によって群化され、推測は、各群における低血糖症の実際の頻度と比較された。下記の表5に見られ得るように、推測された確率は、夜間低血糖症の実際の頻度と一貫した。
表6は、全試験セットからの推測結果の正確度を図示する。下記の表6に示されるように、全ての推測に関するAUCは、82.2%であった。訓練セット結果を検証することによって、就寝時間に観察された血糖変動性、身体活動、食物、および心拍数のある組み合わせが、より高い正確度であろうことが発見された。試験セットにおける推測の約30%が、それらの基準(「高信頼度推測」)を満たし、それらの推測に関するAUCは、87.0%であった。
図8は、16人のランダムに選択された個人802a-pに関する夜間低血糖症の夜の確率の例示的シーケンスを図示する、グラフ800である。グラフ800は、個人毎に、1回の夜あたり1つの確率値を伴う、複数の夜のシーケンスに関して計算される確率値を示す。図8に見られ得るように、変動性は、人物毎のみではなく、また、所与の人物に関する夜毎に明白である。一部の個人は、夜間低血糖症を経験する可能性が一貫して低いが、モデル推測確率は、その確率が夜毎に有意に変化する個人にとって有益である可能性が高い。
これらの結果は、数千人のユーザからの睡眠、血糖、挙動、および自己処置データをプールすることが、夜間低血糖症の確率を正確に推測し得ることを実証している。就寝時間においてそのような推測を有することは、予防的アクションを促進し、懸念を低減させ、睡眠および生活の質の両方を改善することができる。
結論
結論
前述の説明に記載される実装は、本明細書に説明される主題と一貫した全ての実装を表すわけではない。代わりに、これらは、単に、説明される主題に関連する側面と一貫するいくつかの実施例である。いくつかの変形例が、上記で詳細に説明されたが、他の修正または追加も、可能性として考えられる。特に、さらなる特徴および/または変形例が、本明細書に記載されるものに加えて、提供されることができる。例えば、上記で説明される実装は、開示される特徴の種々の組み合わせおよび副次的組み合わせならびに/もしくは上記に開示されるいくつかのさらなる特徴の組み合わせおよび副次的組み合わせを対象とすることができる。加えて、付随の図に描写される、および/または本明細書に説明される論理フローは、望ましい結果を達成するために、必ずしも、示される特定の順序もしくは順次順序を要求しない。他の実装も、以下の請求項の範囲内であり得る。
単語「~を備える」、「~を有する」、「~を含有する」、および「~を含む」、ならびにそれらの他の形態は、意味において同等であり、これらの単語のうちのいずれか1つに続くアイテムまたは複数のアイテムが、そのようなアイテムもしくは複数のアイテムの網羅的一覧であることを意味しない、または列挙されるアイテムもしくは複数のアイテムのみに限定されることを意味しない点において、非制限的であることを意図している。
本明細書および添付される請求項に使用されるように、単数形「a」、「an」、および「the」は、文脈が別様に明確に示さない限り、複数参照物を含む。
本明細書に使用されるように、「Aおよび/またはB」におけるような語句「および/または」は、Aのみ、Bのみ、ならびにAおよびBを指す。
本明細書に使用されるように、用語「ユーザ」は、人物またはコンピュータを含む任意の実体を指すことができる。
第1、第2、および同等物等の序数は、いくつかの状況では、順序に関するが、本書に使用されるように、序数は、必ずしも序数を含意しない。例えば、序数は、単に、1つのアイテムを別のものから区別するために使用されることができる。例えば、第1の事象を第2の事象から区別するが、任意の時系列的順序付けまたは固定された参照系を含意する必要はない(したがって、説明の1つの段落における第1の事象は、説明の別の段落における第1の事象と異なり得る)。
前述から、本発明の具体的実施形態が、例証の目的のために本明細書に説明されたが、種々の修正が、本発明の範囲から逸脱することなく行われ得ることを理解されたい。故に、本発明は、添付される請求項によるものを除いて、限定されない。
Claims (25)
- 患者の血糖状態を予測するためのコンピュータ実装方法であって、前記方法は、
前記患者の血糖データを受信することと、
前記血糖データを機械学習モデルの第1のセットに入力することによって、前記血糖状態の少なくとも1つの初期推測を発生させることと、
少なくとも部分的に、前記少なくとも1つの初期推測から複数の特徴を決定することと、
前記複数の特徴を機械学習モデルの第2のセットに入力することによって、前記血糖状態の最終推測を発生させることと
を含む、方法。 - 前記機械学習モデルの第1のセットは、患者特有モデルと、母集団モデルとを備え、前記患者特有モデルは、前記患者の以前の血糖データに対して訓練され、前記母集団モデルは、複数の患者からの複数の血糖データセットに対して訓練され、
前記機械学習モデルの第2のセットは、前記複数の患者からの前記複数の血糖データセットからの特徴に対して訓練される集約モデルを備える、
請求項1に記載のコンピュータ実装方法。 - 前記複数の特徴は、前記患者特有モデルによって発生される第1の推測、前記母集団モデルによって発生される第2の推測、および前記血糖データから決定される、請求項2に記載のコンピュータ実装方法。
- 前記血糖データは、持続的血糖監視デバイスによって発生される、請求項1に記載のコンピュータ実装方法。
- 前記血糖データは、少なくとも1つの事象と相関され、前記少なくとも1つの事象は、インスリン摂取事象、食物摂取事象、または身体活動事象のうちの1つ以上のものを含む、請求項1に記載のコンピュータ実装方法。
- 前記機械学習モデルの第1のセットは、2つ以上の異なる機械学習モデルを備え、前記少なくとも1つの初期推測は、2つ以上の初期推測を備える、請求項1に記載のコンピュータ実装方法。
- 前記機械学習モデルの第1のセットは、前記患者の以前の血糖データに対して訓練される患者特有モデルを備える、請求項1に記載のコンピュータ実装方法。
- 前記機械学習モデルの第1のセットは、複数の患者からの複数の血糖データセットに対して訓練される母集団モデルを備える、請求項1に記載のコンピュータ実装方法。
- 前記機械学習モデルの第2のセットは、複数の患者からの複数の血糖データセットからの特徴に対して訓練される集約モデルを備える、請求項1に記載のコンピュータ実装方法。
- 前記集約モデルは、前記複数の患者に関する個人データ、事象データ、または推測データのうちの1つ以上のものからの特徴に対して訓練される、請求項9に記載のコンピュータ実装方法。
- 前記複数の特徴は、少なくとも部分的に、前記血糖データ、前記患者の以前の血糖データ、または前記患者の個人データのうちの1つ以上のものから決定される、請求項1に記載のコンピュータ実装方法。
- 前記血糖状態の初期推測は、血糖レベルの推測を備える、請求項1に記載のコンピュータ実装方法。
- 前記血糖状態の最終推測は、血糖レベル、低血糖症事象、または高血糖症事象のうちの1つ以上のものの推測を備える、請求項1に記載のコンピュータ実装方法。
- 患者の血糖状態を推測するためのシステムであって、前記システムは、
1つ以上のプロセッサと、
メモリであって、前記メモリは、命令を記憶しており、前記命令は、前記1つ以上のプロセッサによって実行されると、前記システムに、
前記患者の複数の血糖測定値を受信することであって、前記複数の血糖測定値のうちの少なくともいくつかは、事象データと関連付けられる、ことと、
前記複数の血糖測定値および機械学習モデルの第1のセットを使用して、前記血糖状態の推測の第1のセットを発生させることと、
少なくとも部分的に、前記推測の第1のセットから特徴データを発生させることと、
前記特徴データおよび機械学習モデルの第2のセットを使用して、前記血糖状態の推測の第2のセットを発生させることと
を含む動作を実施させる、メモリと
を備える、システム。 - 前記1つ以上のプロセッサに動作可能に結合される血糖センサをさらに備え、前記血糖センサは、前記複数の血糖測定値を発生させるように構成される、請求項14に記載のシステム。
- 前記血糖センサは、持続的血糖監視デバイスである、請求項15に記載のシステム。
- 前記1つ以上のプロセッサに動作可能に結合されるユーザデバイスをさらに備え、前記事象データは、前記ユーザデバイスから受信される、請求項15に記載のシステム。
- 前記ユーザデバイスは、ウェアラブルデバイス、モバイルデバイス、またはセンサである、請求項17に記載のシステム。
- 前記事象データは、インスリンデータ、食事データ、または身体活動データのうちの1つ以上のものを備える、請求項15に記載のシステム。
- 前記機械学習モデルの第1のセットは、個別化された機械学習モデルと、母集団機械学習モデルとを備える、請求項15に記載のシステム。
- 前記機械学習モデルの第2のセットは、複数の患者データセットから発生される特徴データに対して訓練される集約モデルを備える、請求項15に記載のシステム。
- 前記特徴データは、少なくとも部分的に、前記複数の血糖測定値、前記患者の以前の血糖測定値、または前記患者の個人データのうちの1つ以上のものから発生される、請求項15に記載のシステム。
- 前記1つ以上のプロセッサに動作可能に結合されるディスプレイをさらに備え、前記ディスプレイは、通知をユーザに出力するように構成される、請求項15に記載のシステム。
- 前記通知は、推測される血糖レベル、低血糖症事象の推測される尤度、または高血糖症事象の推測される尤度のうちの1つ以上のものを備える、請求項23に記載のシステム。
- 非一過性コンピュータ可読記憶媒体であって、前記非一過性コンピュータ可読記憶媒体は、命令を含み、前記命令は、コンピューティングシステムによって実行されると、前記コンピューティングシステムに、
患者の血糖データおよび事象データを受信することと、
前記血糖データおよび事象データを患者特有機械学習モデルに入力することによって、前記患者の将来の血糖状態の第1の推測を発生させることであって、前記患者特有機械学習モデルは、前記患者の以前の血糖データおよび以前の事象データに対して訓練される、ことと、
前記血糖データおよび前記事象データを母集団機械学習モデルに入力することによって、前記将来の血糖状態の第2の推測を発生させることであって、前記母集団機械学習モデルは、複数の患者の血糖データおよび事象データに対して訓練される、ことと、
前記第1の推測、前記第2の推測、前記患者の血糖データ、および前記患者の事象データから複数の特徴を決定することと、
前記複数の特徴を集約機械学習モデルに入力することによって、前記将来の血糖状態の最終推測を発生させることであって、前記集約機械学習モデルは、前記複数の患者の血糖データおよび事象データから抽出された特徴に対して訓練される、ことと
を含む動作を実施させる、非一過性コンピュータ可読記憶媒体。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962855194P | 2019-05-31 | 2019-05-31 | |
US62/855,194 | 2019-05-31 | ||
US202062981914P | 2020-02-26 | 2020-02-26 | |
US62/981,914 | 2020-02-26 | ||
PCT/US2020/035330 WO2020243576A1 (en) | 2019-05-31 | 2020-05-29 | Systems for biomonitoring and blood glucose forecasting, and associated methods |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2022534422A true JP2022534422A (ja) | 2022-07-29 |
Family
ID=71787110
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021570909A Pending JP2022534422A (ja) | 2019-05-31 | 2020-05-29 | 生体監視および血糖予測のためのシステムならびに関連付けられる方法 |
Country Status (8)
Country | Link |
---|---|
US (1) | US20200375549A1 (ja) |
EP (1) | EP3977480A1 (ja) |
JP (1) | JP2022534422A (ja) |
KR (1) | KR20220016487A (ja) |
CN (1) | CN114207737A (ja) |
AU (1) | AU2020283127A1 (ja) |
CA (1) | CA3142003A1 (ja) |
WO (1) | WO2020243576A1 (ja) |
Families Citing this family (60)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220039755A1 (en) | 2020-08-06 | 2022-02-10 | Medtronic Minimed, Inc. | Machine learning-based system for estimating glucose values |
US11883208B2 (en) | 2019-08-06 | 2024-01-30 | Medtronic Minimed, Inc. | Machine learning-based system for estimating glucose values based on blood glucose measurements and contextual activity data |
US11571515B2 (en) | 2019-08-29 | 2023-02-07 | Medtronic Minimed, Inc. | Controlling medical device operation and features based on detected patient sleeping status |
EP4070322A1 (en) | 2019-12-04 | 2022-10-12 | Welldoc, Inc. | Digital therapeutic systems and methods |
US11938301B2 (en) | 2019-12-13 | 2024-03-26 | Medtronic Minimed, Inc. | Controlling medication delivery system operation and features based on automatically detected muscular movements |
US11887712B2 (en) * | 2019-12-13 | 2024-01-30 | Medtronic Minimed, Inc. | Method and system for classifying detected events as labeled event combinations for processing at a client application |
US11234619B2 (en) | 2019-12-20 | 2022-02-01 | Know Labs, Inc. | Non-invasive detection of an analyte using decoupled transmit and receive antennas |
US20210241916A1 (en) | 2020-02-05 | 2021-08-05 | Informed Data Systems Inc. D/B/A One Drop | Forecasting and explaining user health metrics |
WO2021188942A1 (en) | 2020-03-20 | 2021-09-23 | WellDoc, Inc. | Systems and methods for analyzing, interpreting, and acting on continuous glucose monitoring data |
KR102211851B1 (ko) * | 2020-03-20 | 2021-02-03 | 주식회사 루닛 | 데이터의 특징점을 취합하여 기계 학습하는 방법 및 장치 |
US20210321942A1 (en) | 2020-04-21 | 2021-10-21 | Informed Data Systems Inc. D/B/A One Drop | Systems and methods for biomonitoring and providing personalized healthcare |
US20210338116A1 (en) * | 2020-04-29 | 2021-11-04 | Dexcom, Inc. | Hypoglycemic event prediction using machine learning |
EP4158335A4 (en) * | 2020-05-27 | 2024-06-26 | Dexcom, Inc. | GLUCOSE PREDICTION USING MACHINE LEARNING AND TIME SERIES GLUCOSE MEASUREMENTS |
US20210378563A1 (en) * | 2020-06-03 | 2021-12-09 | Dexcom, Inc. | Glucose measurement predictions using stacked machine learning models |
CA3089395A1 (en) * | 2020-06-18 | 2021-12-18 | University Of Manitoba | Systems and methods for screening obstructive sleep apnea during wakefulness using anthropometric information and tracheal breathing sounds |
US11837106B2 (en) * | 2020-07-20 | 2023-12-05 | Koninklijke Philips N.V. | System and method to monitor and titrate treatment for high altitude-induced central sleep apnea (CSA) |
JP2023540963A (ja) * | 2020-09-03 | 2023-09-27 | デックスコム・インコーポレーテッド | グルコース警報予測範囲の修正 |
US11510597B2 (en) | 2020-09-09 | 2022-11-29 | Know Labs, Inc. | Non-invasive analyte sensor and automated response system |
US11689274B2 (en) | 2020-09-09 | 2023-06-27 | Know Labs, Inc. | Systems for determining variability in a state of a medium |
US11764488B2 (en) | 2020-09-09 | 2023-09-19 | Know Labs, Inc. | Methods for determining variability of a state of a medium |
US11389091B2 (en) | 2020-09-09 | 2022-07-19 | Know Labs, Inc. | Methods for automated response to detection of an analyte using a non-invasive analyte sensor |
US12019034B2 (en) | 2020-09-09 | 2024-06-25 | Know Labs, Inc. | In vitro sensing methods for analyzing in vitro flowing fluids |
US12007338B2 (en) | 2020-09-09 | 2024-06-11 | Know Labs Inc. | In vitro sensor for analyzing in vitro flowing fluids |
US20220093234A1 (en) * | 2020-09-18 | 2022-03-24 | January, Inc. | Systems, methods and devices for monitoring, evaluating and presenting health related information, including recommendations |
US20220101996A1 (en) * | 2020-09-30 | 2022-03-31 | Kyndryl, Inc. | Health condition detection and monitoring using artificial intelligence |
US20220211329A1 (en) * | 2021-01-07 | 2022-07-07 | Universitat Politècnica De València (Upv) | Method and system for enhancing glucose prediction |
WO2022159321A2 (en) * | 2021-01-22 | 2022-07-28 | Medtronic Minimed, Inc. | Micro models and layered prediction models for estimating sensor glucose values and reducing sensor glucose signal blanking |
US20220406465A1 (en) * | 2021-02-01 | 2022-12-22 | Teladoc Health, Inc. | Mental health risk detection using glucometer data |
WO2022170283A1 (en) | 2021-02-08 | 2022-08-11 | Informed Data Systems Inc. | Biosensor excitation methods, and associated systems, devices, and methods |
IL304944A (en) * | 2021-02-10 | 2023-10-01 | Eyethena Corp | Digital medical platform |
US11284820B1 (en) | 2021-03-15 | 2022-03-29 | Know Labs, Inc. | Analyte database established using analyte data from a non-invasive analyte sensor |
US11234618B1 (en) * | 2021-03-15 | 2022-02-01 | Know Labs, Inc. | Analyte database established using analyte data from non-invasive analyte sensors |
US11284819B1 (en) | 2021-03-15 | 2022-03-29 | Know Labs, Inc. | Analyte database established using analyte data from non-invasive analyte sensors |
CN113057587A (zh) * | 2021-03-17 | 2021-07-02 | 上海电气集团股份有限公司 | 一种病症预警方法、装置、电子设备及存储介质 |
CN113057586B (zh) * | 2021-03-17 | 2024-03-12 | 上海电气集团股份有限公司 | 一种病症预警方法、装置、设备及介质 |
US20240138753A1 (en) * | 2021-03-22 | 2024-05-02 | Given Imaging Ltd | System and method for in-vivo inspection |
EP4075444A1 (en) * | 2021-04-14 | 2022-10-19 | Roche Diabetes Care GmbH | Method and means for postprandial blood glucose level prediction |
EP4074256A1 (en) * | 2021-04-16 | 2022-10-19 | Jean Neol Gouze | Detection of prolonged postprandial hyperglycemia, glycemic peak linear prediction and insulin delivery adjustment |
WO2022235618A1 (en) * | 2021-05-03 | 2022-11-10 | The United States Government As Represented By The Department Of Veterans Affairs | Methods, systems, and apparatuses for preventing diabetic events |
WO2022234032A2 (en) * | 2021-05-05 | 2022-11-10 | Novo Nordisk A/S | Methods and systems for estimating fasting glucose values |
US20220361779A1 (en) * | 2021-05-17 | 2022-11-17 | Dexcom, Inc. | Systems for Determining Similarity of Sequences of Glucose Values |
WO2022251884A1 (en) * | 2021-05-28 | 2022-12-01 | The Board Of Trustees Of The Leland Stanford Junior University | Systems and methods for assessment of glucose metabolic health |
EP4396840A1 (en) * | 2021-09-01 | 2024-07-10 | Rockley Photonics Limited | Health state estimation using machine learning |
CN114141374B (zh) * | 2021-12-07 | 2022-11-15 | 中南大学湘雅二医院 | 孤独症发病预测模型构建方法、预测方法及装置 |
USD991063S1 (en) | 2021-12-10 | 2023-07-04 | Know Labs, Inc. | Wearable non-invasive analyte sensor |
CN113951879B (zh) * | 2021-12-21 | 2022-04-05 | 苏州百孝医疗科技有限公司 | 血糖预测方法和装置、监测血糖水平的*** |
US20230223143A1 (en) * | 2022-01-12 | 2023-07-13 | International Business Machines Corporation | Predicting temporal impact of interventions by deconvolving historical response data |
TW202401454A (zh) * | 2022-04-14 | 2024-01-01 | 中央研究院 | 利用演繹學習系統的非侵入式血糖預測 |
EP4287210A1 (en) * | 2022-06-02 | 2023-12-06 | Diabeloop | DEVICE, COMPUTERIZED METHOD, MEDICAL SYSTEM FOR
DETERMINING A PREDICTED VALUE OF GLYCEMIA |
US11802843B1 (en) | 2022-07-15 | 2023-10-31 | Know Labs, Inc. | Systems and methods for analyte sensing with reduced signal inaccuracy |
FR3138292A1 (fr) * | 2022-07-29 | 2024-02-02 | L'air Liquide, Societe Anonyme Pour L'etude Et L'exploitation Des Procedes Georges Claude | Equipement de télé-suivi d’un patient diabétique |
US12033451B2 (en) | 2022-08-15 | 2024-07-09 | Know Labs, Inc. | Systems and methods for analyte-based access controls |
CN115862795A (zh) * | 2022-09-22 | 2023-03-28 | 深圳可孚生物科技有限公司 | 一种基于预训练和数据分解两阶段的血糖预测方法 |
KR102608201B1 (ko) * | 2022-10-18 | 2023-11-30 | 주식회사 쿡플레이 | 데이터 기반 개인 맞춤형 식단제공을 통한 혈당관리방법 및 시스템 |
CN115779229B (zh) * | 2022-12-08 | 2024-02-02 | 深圳正岸健康科技有限公司 | 一种改善睡眠的方法与*** |
KR102651312B1 (ko) * | 2023-08-31 | 2024-03-26 | (주)닥터다이어리 | 혈당 데이터 테이블 기반의 당화혈색소 추정치 제공 방법, 장치 및 프로그램 |
KR102664489B1 (ko) * | 2023-11-22 | 2024-05-14 | 주식회사 필라이즈 | 디지털 서비스 기반의 연속 혈당 측정을 이용한 혈당 예측 장치, 방법 |
CN117422156B (zh) * | 2023-12-19 | 2024-03-22 | 南京农业大学 | 一种森林生态***碳储功能评估方法 |
CN117582222B (zh) * | 2024-01-18 | 2024-03-29 | 吉林大学 | 信息化血糖监测***及方法 |
CN117612737B (zh) * | 2024-01-24 | 2024-05-03 | 胜利油田中心医院 | 一种糖尿病护理数据智能优化方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8548544B2 (en) * | 2006-06-19 | 2013-10-01 | Dose Safety | System, method and article for controlling the dispensing of insulin |
-
2020
- 2020-05-29 KR KR1020217042580A patent/KR20220016487A/ko unknown
- 2020-05-29 CA CA3142003A patent/CA3142003A1/en active Pending
- 2020-05-29 EP EP20746411.6A patent/EP3977480A1/en active Pending
- 2020-05-29 JP JP2021570909A patent/JP2022534422A/ja active Pending
- 2020-05-29 AU AU2020283127A patent/AU2020283127A1/en not_active Abandoned
- 2020-05-29 US US16/888,105 patent/US20200375549A1/en not_active Abandoned
- 2020-05-29 WO PCT/US2020/035330 patent/WO2020243576A1/en unknown
- 2020-05-29 CN CN202080055684.9A patent/CN114207737A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
CN114207737A (zh) | 2022-03-18 |
WO2020243576A1 (en) | 2020-12-03 |
AU2020283127A1 (en) | 2022-01-20 |
EP3977480A1 (en) | 2022-04-06 |
US20200375549A1 (en) | 2020-12-03 |
KR20220016487A (ko) | 2022-02-09 |
CA3142003A1 (en) | 2020-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2022534422A (ja) | 生体監視および血糖予測のためのシステムならびに関連付けられる方法 | |
US20230082019A1 (en) | Systems and methods for monitoring brain health status | |
US20200258632A1 (en) | Hazard based assessment patterns | |
US9113778B2 (en) | Predicting near-term deterioration of hospital patients | |
US20210391081A1 (en) | Predictive guidance systems for personalized health and self-care, and associated methods | |
US20210241916A1 (en) | Forecasting and explaining user health metrics | |
CN113679348B (zh) | 血糖预测方法、血糖预测装置、设备及存储介质 | |
US11564600B2 (en) | Systems and methods for analyzing, interpreting, and acting on continuous glucose monitoring data | |
US20220361823A1 (en) | Wearable blood pressure biosensors, systems and methods for short-term blood pressure prediction | |
US20230138673A1 (en) | Ranking Feedback For Improving Diabetes Management | |
WO2024102668A1 (en) | Digital lifestyle intervention system using machine learning and remote monitoring devices | |
WO2023076381A1 (en) | Glycemic impact prediction for improving diabetes management | |
CN118043899A (zh) | 用于改善糖尿病管理的行为矫正反馈 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230526 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240611 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20240612 |