[發明專利]基于患者概況的胰島素滴定算法

在審

• 申請號: 201880039363.2
• 申請日: 2018-06-14
• 公開（公告）號: CN110753967A
• 公開（公告）日: 2020-02-04
• 發明（設計）人: O.施維茨;T.B.阿拉多蒂爾;T.D.米勒;A.伊曼巴耶夫
• 申請（專利權）人: 諾和諾德股份有限公司
• 主分類號: G16H20/17
• 分類號: G16H20/17;G16H50/20;G16H50/30
• 代理公司: 72001 中國專利代理(香港)有限公司
• 代理人: 李進;林毅斌

1.一種用于預測受試者的低血糖風險并相應地調整胰島素藥物劑量大小以預防預測的低血糖事件的裝置，其中所述裝置包括一個或多個處理器以及存儲器，所述存儲器存儲數據結構，所述數據結構包括：

-規定的胰島素藥物劑量方案，所述規定的胰島素藥物劑量方案指定基于第一規則的滴定算法以基于第一數據集計算并推薦第一劑量大小作為對當前劑量方案的調整，所述第一數據集包括：

■在一定的時程內獲得的多個血糖(BG)測量值，以及對于所述多個測量值中的每個相應測量值而言，表示在所述時程中何時進行相應測量的對應時間戳，

■在一定的時程內獲得的多個注射胰島素劑量大小，以及對于所述多個注射劑量中的每個相應注射劑量大小而言，表示在所述時程中何時注射相應劑量的對應時間戳以及所注射的胰島素藥物的相應類型戳，

■最小目標空腹和餐后血糖水平，

■最大目標空腹和餐后血糖水平，

-風險預測模塊，所述風險預測模塊包括以下機器學習算法模塊：

■使用高斯核和正則化的短期風險預測分類機器學習算法，用于基于來自所述第一數據集的最近至多3小時的BG測量值，計算在從計算風險起至多3小時的時間段內發生低血糖的概率，

■使用高斯核和正則化的長期風險預測分類機器學習算法，用于基于來自所述第一數據集的最近至多24小時的BG數據，計算在從計算風險起至多24小時的時間段內發生低血糖的概率，

■受試者的模式識別機器學習算法，用于分析所述第一數據集的所述BG測量值與胰島素劑量大小數據之間的相關性，并確定預先確定的時間段內的歷史高血糖和低血糖事件以及關于這些所述事件中的每一個事件的血糖水平的嚴重程度，

其中所述存儲器還存儲指令，所述指令在由所述一個或多個處理器執行時，執行包括以下步驟的方法：

響應于來自所述受試者的請求，計算基礎或餐時胰島素的推薦劑量；

a)用最新的可用數據更新所述第一數據集，

b)按照所述第一數據集中至少最近三天的餐后血糖值的最低加權平均值來計算餐后血糖水平(PPGL)(針對餐時胰島素劑量請求)，

c)按照所述第一數據集中至少最近三天的每日血糖值的最低加權平均值來計算滴定血糖水平(TGL)(針對基礎胰島素劑量請求)，其中排除在餐后時段確定的血糖值，

d)通過運行所述基于第一規則的滴定算法來計算第一劑量大小，并且其中所述基于第一規則的滴定算法如下計算并推薦第一劑量大小；

■如果所述計算的TGL或PPGL高于空腹或餐后血糖水平的所述最大目標值，則與所述受試者的所述當前劑量方案相比，第一劑量大小較大，或者

■如果所述TGL或PPGL低于空腹或餐后血糖水平的所述最小目標值，則與所述受試者的所述當前劑量方案相比，第一劑量大小減小，

或者

■如果所述平均TGL或PPGL在空腹或餐后血糖水平的所述最小目標值與所述最大目標值之間的范圍內，則第一劑量大小等于所述受試者的所述當前劑量方案，

e)采用所述短期風險預測機器學習分類算法

f)采用所述長期風險預測機器學習分類算法

g)采用所述受試者模式識別算法，

h)基于來自所述第一算法、所述短期風險預測算法、所述長期風險預測算法和所述受試者模式識別算法的輸入，采用多元線性回歸機器學習算法預測產生所述受試者的非低血糖狀態的第二劑量大小

如果所述計算出的第二劑量大小低于所述第一劑量大小，那么；

i)將所述第一劑量大小自動地向下調整為所述第二劑量大小，并將所述第二劑量大小傳送至所述受試者。

2.根據權利要求1所述的裝置，其中所述多元線性回歸機器學習算法由以下函數定義

h_θ(x)＝θ₀+θ₁x⁽¹⁾+θ₂x⁽²⁾+…+θ_nx⁽ⁿ⁾

其中θ_i是在確定所述第二劑量大小h_θ(x)時計算出的對應于每個輸入參數x⁽ⁱ⁾的權重，并且x⁽ⁱ⁾是根據步驟e)-g)的所述算法的輸出值。