JP2014534483A - 糖尿病の適応型助言制御の方法、システムおよびコンピュータで読み取り可能な記録媒体 - Google Patents
糖尿病の適応型助言制御の方法、システムおよびコンピュータで読み取り可能な記録媒体 Download PDFInfo
- Publication number
- JP2014534483A JP2014534483A JP2014527348A JP2014527348A JP2014534483A JP 2014534483 A JP2014534483 A JP 2014534483A JP 2014527348 A JP2014527348 A JP 2014527348A JP 2014527348 A JP2014527348 A JP 2014527348A JP 2014534483 A JP2014534483 A JP 2014534483A
- Authority
- JP
- Japan
- Prior art keywords
- patient
- insulin
- absolute
- data
- net effect
- 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
- 238000000034 method Methods 0.000 title claims abstract description 160
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 50
- 206010012601 diabetes mellitus Diseases 0.000 title description 82
- 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 abstract description 1062
- 102000004877 Insulin Human genes 0.000 claims abstract description 531
- 108090001061 Insulin Proteins 0.000 claims abstract description 531
- 229940125396 insulin Drugs 0.000 claims abstract description 531
- 230000002218 hypoglycaemic effect Effects 0.000 claims abstract description 99
- 208000013016 Hypoglycemia Diseases 0.000 claims abstract description 91
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 50
- 230000006399 behavior Effects 0.000 claims abstract description 46
- 235000005911 diet Nutrition 0.000 claims abstract description 45
- 230000037213 diet Effects 0.000 claims abstract description 44
- 230000003542 behavioural effect Effects 0.000 claims abstract description 19
- 230000009467 reduction Effects 0.000 claims abstract description 15
- 230000000694 effects Effects 0.000 claims description 221
- 235000012054 meals Nutrition 0.000 claims description 103
- 230000037323 metabolic rate Effects 0.000 claims description 80
- 239000013598 vector Substances 0.000 claims description 79
- 238000001802 infusion Methods 0.000 claims description 59
- 238000012937 correction Methods 0.000 claims description 57
- 230000004044 response Effects 0.000 claims description 53
- 238000007920 subcutaneous administration Methods 0.000 claims description 43
- 230000002503 metabolic effect Effects 0.000 claims description 39
- 235000014633 carbohydrates Nutrition 0.000 claims description 33
- 230000037081 physical activity Effects 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 25
- 235000014121 butter Nutrition 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 23
- 230000009471 action Effects 0.000 claims description 19
- 150000001720 carbohydrates Chemical class 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 17
- 230000035479 physiological effects, processes and functions Effects 0.000 claims description 14
- 238000005204 segregation Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 13
- 206010022489 Insulin Resistance Diseases 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 10
- 230000037023 motor activity Effects 0.000 claims description 9
- 230000007812 deficiency Effects 0.000 claims description 8
- 239000006185 dispersion Substances 0.000 claims description 8
- 210000000936 intestine Anatomy 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 8
- 238000010521 absorption reaction Methods 0.000 claims description 7
- 230000027288 circadian rhythm Effects 0.000 claims description 7
- 230000003442 weekly effect Effects 0.000 claims description 7
- 230000000386 athletic effect Effects 0.000 claims description 2
- 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 abstract description 78
- 239000008103 glucose Substances 0.000 abstract description 78
- 238000012544 monitoring process Methods 0.000 abstract description 36
- 210000004369 blood Anatomy 0.000 abstract description 35
- 239000008280 blood Substances 0.000 abstract description 35
- 238000011156 evaluation Methods 0.000 abstract description 22
- 238000004891 communication Methods 0.000 abstract description 21
- 238000002560 therapeutic procedure Methods 0.000 abstract description 10
- 230000002641 glycemic effect Effects 0.000 abstract description 7
- 230000008569 process Effects 0.000 abstract description 7
- 230000002452 interceptive effect Effects 0.000 abstract description 2
- 230000002354 daily effect Effects 0.000 description 31
- 206010067584 Type 1 diabetes mellitus Diseases 0.000 description 23
- 230000000875 corresponding effect Effects 0.000 description 15
- 230000033001 locomotion Effects 0.000 description 10
- 238000007726 management method Methods 0.000 description 10
- 230000007704 transition Effects 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 8
- 210000000496 pancreas Anatomy 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 241000282414 Homo sapiens Species 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000007774 longterm Effects 0.000 description 7
- 241001465754 Metazoa Species 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 239000012491 analyte Substances 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 230000033228 biological regulation Effects 0.000 description 5
- 201000001421 hyperglycemia Diseases 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 235000021152 breakfast Nutrition 0.000 description 4
- 238000011217 control strategy Methods 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000000126 in silico method Methods 0.000 description 4
- 230000000670 limiting effect Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 210000000227 basophil cell of anterior lobe of hypophysis Anatomy 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000005094 computer simulation Methods 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000001990 intravenous administration Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000004060 metabolic process Effects 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 230000002441 reversible effect Effects 0.000 description 3
- 238000012552 review Methods 0.000 description 3
- 238000012502 risk assessment Methods 0.000 description 3
- 238000005309 stochastic process Methods 0.000 description 3
- 239000013589 supplement Substances 0.000 description 3
- 208000001072 type 2 diabetes mellitus Diseases 0.000 description 3
- 102000051325 Glucagon Human genes 0.000 description 2
- 108060003199 Glucagon Proteins 0.000 description 2
- 230000002567 autonomic effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 235000021074 carbohydrate intake Nutrition 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 208000035475 disorder Diseases 0.000 description 2
- 230000004590 drinking behavior Effects 0.000 description 2
- 230000020595 eating behavior Effects 0.000 description 2
- MASNOZXLGMXCHN-ZLPAWPGGSA-N glucagon Chemical compound C([C@@H](C(=O)N[C@H](C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CC=1C2=CC=CC=C2NC=1)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCSC)C(=O)N[C@@H](CC(N)=O)C(=O)N[C@@H]([C@@H](C)O)C(O)=O)C(C)C)NC(=O)[C@H](CC(O)=O)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@H](C)NC(=O)[C@H](CCCNC(N)=N)NC(=O)[C@H](CCCNC(N)=N)NC(=O)[C@H](CO)NC(=O)[C@H](CC(O)=O)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CC=1C=CC(O)=CC=1)NC(=O)[C@H](CCCCN)NC(=O)[C@H](CO)NC(=O)[C@H](CC=1C=CC(O)=CC=1)NC(=O)[C@H](CC(O)=O)NC(=O)[C@H](CO)NC(=O)[C@@H](NC(=O)[C@H](CC=1C=CC=CC=1)NC(=O)[C@@H](NC(=O)CNC(=O)[C@H](CCC(N)=O)NC(=O)[C@H](CO)NC(=O)[C@@H](N)CC=1NC=NC=1)[C@@H](C)O)[C@@H](C)O)C1=CC=CC=C1 MASNOZXLGMXCHN-ZLPAWPGGSA-N 0.000 description 2
- 229960004666 glucagon Drugs 0.000 description 2
- 230000004153 glucose metabolism Effects 0.000 description 2
- 238000007912 intraperitoneal administration Methods 0.000 description 2
- 230000002045 lasting effect Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000000291 postprandial effect Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 241000282693 Cercopithecidae Species 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 206010018429 Glucose tolerance impaired Diseases 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 241000124008 Mammalia Species 0.000 description 1
- 208000001280 Prediabetic State Diseases 0.000 description 1
- 229940123452 Rapid-acting insulin Drugs 0.000 description 1
- 108010026951 Short-Acting Insulin Proteins 0.000 description 1
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000010171 animal model Methods 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000025938 carbohydrate utilization Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000003889 chemical engineering Methods 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 230000002060 circadian Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000003920 cognitive function Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000000378 dietary effect Effects 0.000 description 1
- 235000008242 dietary patterns Nutrition 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005183 dynamical system Methods 0.000 description 1
- 206010015037 epilepsy Diseases 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 210000003722 extracellular fluid Anatomy 0.000 description 1
- 235000020937 fasting conditions Nutrition 0.000 description 1
- 235000019197 fats Nutrition 0.000 description 1
- 230000002039 glucoregulatory effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003054 hormonal effect Effects 0.000 description 1
- 229940088597 hormone Drugs 0.000 description 1
- 239000005556 hormone Substances 0.000 description 1
- 230000000642 iatrogenic effect Effects 0.000 description 1
- 229940127560 insulin pen Drugs 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 208000030159 metabolic disease Diseases 0.000 description 1
- 235000020938 metabolic status Nutrition 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000013642 negative control Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011548 physical evaluation Methods 0.000 description 1
- 230000006461 physiological response Effects 0.000 description 1
- 239000013641 positive control Substances 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 201000009104 prediabetes syndrome Diseases 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 208000035408 type 1 diabetes mellitus 1 Diseases 0.000 description 1
- 230000002618 waking effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
-
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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
- A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
- A61B5/002—Monitoring the patient using a local or closed circuit, e.g. in a room or building
-
- 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
- A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
- A61B5/0022—Monitoring a patient using a global network, e.g. telephone networks, internet
-
- 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
- A61B5/4806—Sleep evaluation
- A61B5/4812—Detecting sleep stages or cycles
-
- 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
- A61B5/4836—Diagnosis combined with treatment in closed-loop systems or methods
- A61B5/4839—Diagnosis combined with treatment in closed-loop systems or methods combined with drug delivery
-
- 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
- A61B5/4857—Indicating the phase of biorhythm
-
- 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
- A61B5/486—Bio-feedback
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7278—Artificial waveform generation or derivation, e.g. synthesising signals from measured signals
-
- 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
- A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
- A61B5/743—Displaying an image simultaneously with additional graphical information, e.g. symbols, charts, function plots
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
- A61M5/14—Infusion devices, e.g. infusing by gravity; Blood infusion; Accessories therefor
- A61M5/168—Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body
- A61M5/16886—Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body for measuring fluid flow rate, i.e. flowmeters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
- A61M5/14—Infusion devices, e.g. infusing by gravity; Blood infusion; Accessories therefor
- A61M5/168—Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body
- A61M5/172—Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body electrical or electronic
- A61M5/1723—Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body electrical or electronic using feedback of body parameters, e.g. blood-sugar, pressure
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
- G16H20/17—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients delivered via infusion or injection
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2505/00—Evaluating, monitoring or diagnosing in the context of a particular type of medical care
- A61B2505/07—Home care
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
- A61B2560/02—Operational features
- A61B2560/0295—Operational features adapted for recording user messages or annotations
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
- A61B2560/04—Constructional details of apparatus
- A61B2560/0475—Special features of memory means, e.g. removable memory cards
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Hematology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Vascular Medicine (AREA)
- Anesthesiology (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medicinal Chemistry (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Optics & Photonics (AREA)
- Power Engineering (AREA)
- Fluid Mechanics (AREA)
- Radiology & Medical Imaging (AREA)
- Dentistry (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Obesity (AREA)
- Diabetes (AREA)
- Biodiversity & Conservation Biology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Emergency Medicine (AREA)
Abstract
生理および行動パラメータおよびパターンのアルゴリズムベース評価および通信を含む適応型助言制御（ＡＡ制御）インタラクティブプロセスは、血糖制御の最適化に関して糖尿病患者を助ける。方法およびシステムは患者に関する入手可能なあらゆる情報源、すなわち（ｉ）ＥＯデータ（例えば血中ブトウ糖の自己モニタリング（ＳＭＢＧ）およびＣＭＧ）、（ｉｉ）インスリンデータ（例えばインスリンポンプのログファイルまたは患者の治療記録）および（ｉｉｉ）患者自身による報告データ（例えば自己流治療行動、食事および運動）を用いることができ、それにより低血糖症のリスクを遡及的に評価し、インスリン送達のリスクベースの低減を遡及的に評価し、リスクベースのインスリン低減システムが低血糖症を防止するために一貫してどのように動作したかを患者に報告する。【選択図】図４
Description
本出願は、２０１１年８月２６日出願の米国仮特許出願第６１／５２８，１２９号（名称：「糖尿病の適応型助言制御の方法、システムおよびコンピュータプログラムプロダクト」に基づく優先権を主張し、上記出願開示内容の全体を参考のため援用する。
健康状態において、ブドウ糖の代謝は腸、肝臓、膵臓および脳を含むホルモンネットワークによって厳密に制御され、空腹時血中ブドウ糖（ＢＧ：Blood Glucose）レベルと食後の一時的なブトウ糖の変動とが安定することを保証している。Ｉ型糖尿病（Ｔ１ＤＭ：Type 1 Diabetes Mellitus）の場合、血糖値を正常レベルに近いレベルにしようとして集中インスリン療法を行うと、慢性的合併症は大幅に低下するが（参考文献４９、６１を参照）、命にかかわる深刻な低血糖症（ＳＨ：Severe Hypoglycemia）を引き起こす危険がある。これはインスリン置換が不十分なためである（参考文献２５、６０を参照）。そのため低血糖症は、最適な糖尿病管理への主要な障害であると識別されてきた（参考文献１５、１７を参照）。したがってＴ１ＤＭの患者は一生、低血糖症の危険を高めずに血糖値を厳密に制御し続けるという行動制御型最適化の問題をかかえる（参考文献１４を参照）。ブトウ糖変異性（glucose variability）またはＢＧ変動（BG fluctuation）の大きさおよび速さは、行動の最適化から測定可能な結果であり且つ糖尿病制御の最適化についての患者への主要なフィードバックである。換言すると糖尿病におけるＢＧ変動は、行動事象ジェネレータ（behavioral event generator）によって乱される複雑な力学系の動作によって起こり、以下の２つの代謝プロセス（metabolic process）に依存する：（ｉ）外因性インスリン（exogenous insulin）と炭水化物利用（carbohydrate utilization）との相互作用、および（ｉｉ）逆調節（counterregulation）として知られる、低血糖症に対するホルモンの防御。
したがってシステム生物学の視点からアプローチすると、Ｔ１ＤＭの生物行動制御は、以下を含む：（ｉ）概してランダムな低血糖症を誘発する行動事象（例えばインスリン過剰摂取、食事を取らないこと、または過剰な運動（参考文献９、２６を参照））によって遮られる、通常は安定したブトウ糖変動（stable glucose fluctuation）（例えば規則的な食後のブトウ糖偏倚運動（glucose excursion））の行動誘発型プロセス、および（ｉｉ）インスリン感度（参考文献４を参照）または逆調節などの人の代謝パラメータに依存する生理プロセス（physiologic process）。逆調節は、インスリン誘導型低血糖症に反作用するが、反復する低血糖症と共に起こり低血糖症関連自律神経障害（ＨＡＡＦ：Hypoglycemia Associated Autonomic Failure（参考文献１６を参照））として知られる逆調節予備が時折枯渇するという問題がある。
糖尿病制御を補助する技術を用いようとする試みは、人工膵臓を形成するという考えにつながった。これは３０年以上前に起こった開発にまでさかのぼることができる。この頃、静脈内（ｉ．ｖ．：intravenous）ブトウ糖測定ならびにブトウ糖およびインスリンのｉ．ｖ．注入を用いた研究により糖尿病患者に対して外因性ＢＧ調節を行う可能性が確立されていた。ポジティブ制御（ブトウ糖またはグルカゴン（glucagon）による）およびネガティブ制御（インスリンによる）の両方を行うことにより正常血糖値を維持するために、病院の環境でＢｉｏｓｔａｔｏｒ（登録商標）などのシステムが導入され用いられていた（参考文献１、１０、３９、４８、５３を参照）。初期の主要設計の詳細な説明は（参考文献６、１１、１３、２１、２２，５２を参照）に見ることができる。より広い範囲のＢＧ制御技術についてさらなる研究が行われた。これらの技術は例えば、適応型制御（参考文献７、２３を参照）、生理モデリング（physiologic modeling）（参考文献５２、５６を参照）、集中治療ユニットに対する特異的な制御（参考文献３を参照）、または線形２次ガウシアン最適化（ＬＱＧ：Linear Quadratic Gaussian Optimization）（参考文献２４、４１を参照）などである。しかし、ｉ．ｖ．閉ループ制御は外来患者にとっては依然として煩わしく不適である。静脈内サンプリングおよび腹腔内（ｉ．ｐ．：intra peritoneal）インスリン送達を用いた移植可能なｉ．ｖ．−ｉ．ｐ．システムによって体外ｉ．ｖ．制御に対する代替技術が提示されている（参考文献３７、５１、５５を参照）。しかしこれらのシステムを実施するには、かなりの外科的処置が必要である。そのため極小侵襲性皮下（ｓ．ｃ．：subcutaneous）連続ブトウ糖モニタリング（ＣＧＭ：Continuous Glucose Monitoring）の出現と共に、インスリン注入ポンプおよび制御アルゴリズムと組み合わせたＣＧＭを用いたｓ．ｃ．−ｓ．ｃ．システムの開発に対して学問的、産業的および政治的尽力がますます集中するようになった （参考文献２、８、２９、３１を参照）。今日まで、有望な試験結果が報告されている（参考文献１２、２８、５４、５８、６２を参照）。Ｈｏｖｏｒｋａら（参考文献２７、２８、２９を参照）およびＳｔｅｉｌら（参考文献５８を参照）の先駆的研究は、ｓ．ｃ．使用に適しているとみなされる２つの主要なタイプのコントローラ、すなわちそれぞれモデル予測型制御（ＭＰＣ：Model Predictive Control）および比例・積分・微分（ＰＩＤ：Proportional Integral Derivative）制御の概略を示している。今日まで、完全なｓ．ｃ．−ｓ．ｃ．システムの最初の試行は専らＰＩＤ（参考文献５８、６２を参照）を用いて行われている。しかし近年の研究はＭＰＣ（参考文献２０、２７、３８、４５を参照）によるアプローチを対象として選択している（参考文献１２、２８、５４を参照）。ＭＰＣが好まれるには以下の２つの重要な理由がある。（ｉ）ＰＩＤは純粋に反応性でありブトウ糖レベルの変化に応答するが、他方、適切に調整されたＭＰＣはブトウ糖のダイナミクス（glucose dynamics）を予測することができ（参考文献５０、５４、５７、６５を参照）、その結果、ｓ．ｃ．ブトウ糖モニタリング（参考文献５、３６、５９、６３を参照）と皮下インスリン注入（参考文献４０、６４を参照）とに固有の時間の遅れを少なくすることができる。（ｉｉ）ＭＰＣは、患者特異的モデルパラメータを用いて、制御を比較的簡単にパーソナライズ（personalizing）することができる。食事または低血糖症検出の方法が近年開発され（参考文献１８、１９を参照）、自己学習型技術もテストされている。あるクラスのアルゴリズム（ｒｕｎ−ｔｏ−ｒｕｎ制御として知られている）が、患者が毎日行うことの具体的内容（例えば食事のタイミング）を「学習」し、この情報を用いてそれに続く食事に対する応答を最適化でき （参考文献４２、４３、６６を参照）、またはインスリン抵抗（例えばある種の人々に見られる暁現象（参考文献４４を参照））の日周期性変動を説明できることが示されている。
本発明の一実施形態の一態様は特に、適応型助言制御（ＡＡ制御：Adaptive Advisory Control）の新規な例を導入する。ＡＡ制御は、糖尿病患者の生理および行動パラメータおよびパターンのアルゴリズムベース評価（algorithm based assessment）および通信を含むインタラクティブプロセス（interactive process）であり、患者のブトウ糖制御の最適化を助けることを目的としている。本出願人は具体的には、以下を導入するが、本発明は以下に限定されない。
［人の行動の確率過程という概念］
行動事象（食事、運動、就寝、起床）によってシステム（人）の状態が変化する。例えば、空腹から満腹、運動前から運動後、目が覚めている状態から眠っている状態へと変化する。これらの状態は、人が遭遇する可能性のある状況の「状態空間（state space）」を形成する。ある状態から別の状態への各移行は、行動事象に対応する。換言すると行動事象ジェネレータは、ある状態から別の状態へのシステム移行を引き起こす。これらの移行の確率（probability）は人によって異なる。そのため人はそれぞれ、その行動の特異的移行確率（specific transition probability）によって識別される。この概念は正式には確率過程ξ（ｎ）によって表されていた。確率過程ξ（ｎ）は、確率論的移行、すなわち、ある状態では同一の前駆体が次の状態では別の結果を有することを可能にする移行という概念の上に成り立っている。工程ｎ（ｎ＝１、２、．．．）において、プロセスξ（ｎ）が何らかのセットＸｎ内に値を有するランダムな変数ｘｎによって表されると仮定する。Ｘｎから次の段階Ｘｎ＋１へのプロセスξの確率論的移行は、いずれの
についても確率
によって定義される。このように人はそれぞれ、任意の２つの状態（ｉ）および（ｊ）間の自身の移行確率{ｐｉｊ}によって定義される個々の行動軌道（behavioral trajectory）によって識別される。このように表現することによって、本発明の方法（さらにシステムおよびコンピュータで読み取り可能な記録媒体）へのキーの１つと考えられる（しかしこれに限定されない）行動パターンを正式に表すことが可能となる。なぜならそれぞれの人について移行確率はデータから推定可能だからであり、データは行動パターンを追跡するベースとして作用する。例えば、連続ブトウ糖モニタリング（ＣＧＭ）データの窓に沿ってスライドし、システム（人）の状態変化を識別する推測器を工夫することができる。この作用を示すため、図１のグラフは、以前に報告された研究の検体について食事を観察した試験結果を示す（参考文献３２を参照）。食事オブザーバ（meal observer）は観察がなされた日々に沿って下降（上から下へ）している。ある時刻に食事がなされる確率は黒（非常に低い）から白（非常に高い）まで色符号化されている。１週間の観察後（最も上の線）、食事時刻はすでによく定義されており、観察がなされた３０日間を通じて安定していることがわかる。この人の場合、朝食（午前７：３０）および夕食（午後８：３０）が最もよく定義されているように見える（参考文献４６を参照）。
行動事象（食事、運動、就寝、起床）によってシステム（人）の状態が変化する。例えば、空腹から満腹、運動前から運動後、目が覚めている状態から眠っている状態へと変化する。これらの状態は、人が遭遇する可能性のある状況の「状態空間（state space）」を形成する。ある状態から別の状態への各移行は、行動事象に対応する。換言すると行動事象ジェネレータは、ある状態から別の状態へのシステム移行を引き起こす。これらの移行の確率（probability）は人によって異なる。そのため人はそれぞれ、その行動の特異的移行確率（specific transition probability）によって識別される。この概念は正式には確率過程ξ（ｎ）によって表されていた。確率過程ξ（ｎ）は、確率論的移行、すなわち、ある状態では同一の前駆体が次の状態では別の結果を有することを可能にする移行という概念の上に成り立っている。工程ｎ（ｎ＝１、２、．．．）において、プロセスξ（ｎ）が何らかのセットＸｎ内に値を有するランダムな変数ｘｎによって表されると仮定する。Ｘｎから次の段階Ｘｎ＋１へのプロセスξの確率論的移行は、いずれの
についても確率
によって定義される。このように人はそれぞれ、任意の２つの状態（ｉ）および（ｊ）間の自身の移行確率{ｐｉｊ}によって定義される個々の行動軌道（behavioral trajectory）によって識別される。このように表現することによって、本発明の方法（さらにシステムおよびコンピュータで読み取り可能な記録媒体）へのキーの１つと考えられる（しかしこれに限定されない）行動パターンを正式に表すことが可能となる。なぜならそれぞれの人について移行確率はデータから推定可能だからであり、データは行動パターンを追跡するベースとして作用する。例えば、連続ブトウ糖モニタリング（ＣＧＭ）データの窓に沿ってスライドし、システム（人）の状態変化を識別する推測器を工夫することができる。この作用を示すため、図１のグラフは、以前に報告された研究の検体について食事を観察した試験結果を示す（参考文献３２を参照）。食事オブザーバ（meal observer）は観察がなされた日々に沿って下降（上から下へ）している。ある時刻に食事がなされる確率は黒（非常に低い）から白（非常に高い）まで色符号化されている。１週間の観察後（最も上の線）、食事時刻はすでによく定義されており、観察がなされた３０日間を通じて安定していることがわかる。この人の場合、朝食（午前７：３０）および夕食（午後８：３０）が最もよく定義されているように見える（参考文献４６を参照）。
さらに図２のグラフに示すように、人の低血糖症リスクの推定は、我々のリスク分析理論（参考文献３５を参照）と、低血糖症エピソード（hypoglycemic episode）は典型的には検出可能なシステムの乱れのパターンに従うという観察結果（参考文献３３を参照）とに基づいて行うことができる。１０日間の観察後、午前６時と午後０時にＢＧが低くなるという傾向を示すパターンが現れている（黒い線）。明るいスポットは尤度（likelihood）（確実性（certainty））が高いことを示す。したがってこの人の場合、朝食前に低血糖症が起こりやすい。最後にシステム安定性の評価は、図３のグラフに示すように行うことができる。図３は、以前に報告された研究の参加者について、一晩空腹状態であったこと（午前７時まで続く明るい領域）ならびに通常の起床時間および就寝時間（午後１１時）を明白に表すブトウ糖の変化率を示す。
本発明の一実施形態の一態様は、キー治療に関連する生物行動パターンを認識することによって糖尿病制御を助ける適応型助言（ＡＡ）システムを導入する。本発明の実施形態の一態様による方法（さらにシステムおよびコンピュータで読み取り可能な記録媒体）は、患者に関する入手可能なあらゆる情報源、すなわちＢＧデータ（例えば血中ブトウ糖の自己モニタリング（ＳＭＢＧ: Self Monitoring of Blood Glucose）およびＣＭＧ２２）、（ｉｉ）インスリンデータ（例えばインスリンポンプのログファイルまたは患者の治療記録３２）および（ｉｉｉ）患者自身による報告データ（例えば自己流治療行動、食事および運動５２）を用いることができ、それによって、
１．低血糖症のリスクを遡及的に評価（retroactively assess）し、インスリン送達のリスクベース（risk based）の低減を遡及的に評価し、リスクベースのインスリン低減システムが低血糖症を防止するために一貫してどのように動作したかを患者に報告し、
２．ａ．患者の血中ブドウ糖濃度に対する、患者のブトウ糖／インスリンシステム、これに関連する経口摂取炭水化物（oral carbohydrate）、身体活動、および皮下インスリン注入（subcutaneous insulin infusion）の力学システムモデルと、
ｂ．特に患者の行動の変異性（variability）を表す、代謝的に有意な患者の行動の蓋然論的モデル（probabilistic model）と
の両方に存在する患者の数学的モデルを開発し定期的に改良し、
３．最適インスリン送達スケジュールを上記生理および行動モデルに基づいて遡及的に演算し、最適インスリン投与量アルゴリズムは厳密なブトウ糖制御を達成するために一貫してどのように動作したかを患者に報告する。
１．低血糖症のリスクを遡及的に評価（retroactively assess）し、インスリン送達のリスクベース（risk based）の低減を遡及的に評価し、リスクベースのインスリン低減システムが低血糖症を防止するために一貫してどのように動作したかを患者に報告し、
２．ａ．患者の血中ブドウ糖濃度に対する、患者のブトウ糖／インスリンシステム、これに関連する経口摂取炭水化物（oral carbohydrate）、身体活動、および皮下インスリン注入（subcutaneous insulin infusion）の力学システムモデルと、
ｂ．特に患者の行動の変異性（variability）を表す、代謝的に有意な患者の行動の蓋然論的モデル（probabilistic model）と
の両方に存在する患者の数学的モデルを開発し定期的に改良し、
３．最適インスリン送達スケジュールを上記生理および行動モデルに基づいて遡及的に演算し、最適インスリン投与量アルゴリズムは厳密なブトウ糖制御を達成するために一貫してどのように動作したかを患者に報告する。
上記生理および行動の正味効果（net effect）ならびにリアルタイムのＣＧＭ／ＳＭＢＧおよびインスリンポンプデータに基づいて、ＡＡシステム（さらに方法およびコンピュータで読み取り可能な記録媒体）は患者に対するオンデマンド補正インスリン助言（on demand correction insulin advice）を提供することができる。ＡＡシステムは、ポータブルコンピュータ、タブレット、メディアプレーヤ（例えばＭＰ３ベースのプレーヤまたはビデオプレーヤ）、携帯電話、スマートフォン（例えばパーソナルデジタルアシスタント（ＰＤＡ））およびインターネットベースのアプリケーションまたはネットワークアプリケーションを含む、患者のデータストリームに対してアクセスを有する任意の現代の演算デバイスにおいて実行することができる。
本発明の一実施形態の一態様は、患者の低血糖症リスクの事後評価を提供するプロセッサベースの方法を提供する。方法は、絶対ＢＧレベル（absolute BG level）と、絶対ＢＧ変異性（BG variability）と、低血糖症の事後（条件付き）確率（posterior (conditional) probability）Ｐ（Ｅｈｙｐｏ│ｒｅｃｏｒｄ）と密接に相関する絶対インスリン送達とに基づく低血糖症リスクの統計量Ｒｈｙｐｏ（ｒｅｃｏｒｄ）を演算するアルゴリズムであって、上記式においてＥｈｙｐｏは翌日（next day）の低血糖症事象（event of hypoglycemia）を示し、ｒｅｃｏｒｄは検体の履歴的（historical）ＢＧ、インスリン送達および活動記録を示す、アルゴリズムを提供し、前記患者の低血糖症の可能性に対する行動可能な事前警告が前記患者またはユーザに提供されるように前記演算した統計量Ｒｈｙｐｏ（ｒｅｃｏｒｄ）を提供することを備え得る。
本発明の一実施形態の一態様は、患者にとって安全なインスリンのレベルを遡及的に提供するプロセッサベースの方法を提供する。方法は、検体のインスリン送達記録に対するリスクベースの分離減衰係数（insulation attenuation factor）を遡及的に演算するアルゴリズムを提供し、任意の内部閾値が前記患者またはユーザに提供されて、将来の食前および／またはその後の運動前に実行可能な一時的基礎代謝率の低減を決めさせるように、前記演算したリスクベースの分離減衰係数を提供し、前記リスクベースの減衰係数を適用することを備え得る。
本発明の一実施形態の一態様は、「正味効果」ベースの患者適応型モデル（patient adoptive model）を提供するプロセッサベースの方法を提供する。方法は、モデル患者個々の生理の記述的パラメータを含む、患者の代謝システムの力学モデルと、前記力学モデルを介して履歴的記録（historical record）におけるブトウ糖変異性を説明する、前記モデル患者の数学的表現の乱れを含む行動の「正味効果」モデルの前記力学モデルに対応する推定された履歴と、（ｉ）既知の入力に基づいて将来のＢＧを予測する前記力学モデルの能力と（ｉｉ）前記患者の前記乱れの記録と一致する正味効果曲線を生成する前記モデルの能力とに基づく前記患者の前記生理パラメータの更新とを演算するアルゴリズムを提供してもよい。方法はさらに、前記患者またはユーザが今後の行動コース（course of action）のために前記更新を用いることができるように、前記患者またはユーザに前記更新を提供することを備え得る。
本発明の一実施形態の一態様は、前記患者の最適インスリン送達速度の遡及的評価を提供することを含み得る方法であって、前記アルゴリズムが、前記システムの乱れがインターバル中に前記患者について演算された正味効果曲線の履歴と同一であったとすれば、履歴時間のうち所定期間に亘る前記患者の最適インスリン送達速度はどうであったかを遡及的に演算し、前記演算において、前記正味効果曲線の各「履歴」に対して、考慮されたインターバルに亘る毎日の食事、運動、および補正を説明するインスリン送達速度の「履歴」が存在し、所与の日の前記正味効果曲線と最適コントローラのモデルベースの応答との間をマッピングし、前記マッピングにおいて、最適応答のベクトルが収集且つ分析され、インスリン治療を毎日振り返るために前記患者またはユーザに提示され、食事に関連する離散インスリン量を差し引くか、運動前後の一時的基礎代謝率に関連する離散インスリン不足を説明することにより、重要であるがランダムな事象に対応する特徴を前記最適応答から抽出し、それによりインスリン送達の残りのスケジュールが前記履歴的記録における毎日の前記患者の「最適」基礎代謝率の表示に対応し、前記遡及的に演算された最適基礎代謝率における一貫性を識別し、複数の期間セグメントにおける前記最適基礎代謝率が前記患者の治療期間を表す、方法を提供する。方法はさらに、各セグメントに適用されたであろう基礎インスリンの中間レベルを前記患者またはユーザに提供し、前記患者またはユーザがこの情報を用いて（ｉ）将来の食前および／またはその後の運動前の一時的基礎代謝率を低減しようと決めるか、または（ｉｉ）前記患者の長期間に亘る基礎代謝率プロファイルを調整できるようにすることを備える。
本発明の一実施形態の一態様は、インスリン助言モデル（insulin advice model）のオンデマンド適応型補正（on demand adaptive correction）をさらに提供することを備えることができる方法を提供する。方法は、食事および運動活動の遡及的検出（retrospective detection）の演算と、食事および運動のタイミングおよび内容についての記述を提供する確率論的モデリングの演算と、患者およびユーザの要請に応答するインスリン補正助言（insulin correction advice）を前記患者またはユーザに提供する演算とを含むアルゴリズムを提供することを備え得る。
本発明の一実施形態の一態様は、患者の低血糖症リスクの事後評価を提供するシステムを提供する。システムは、絶対ＢＧレベルと、絶対ＢＧ変異性と、低血糖症の事後（条件付き）確率Ｐ（Ｅｈｙｐｏ│ｒｅｃｏｒｄ）と密接に相関する絶対インスリン送達とに基づく低血糖症リスクの統計量Ｒｈｙｐｏ（ｒｅｃｏｒｄ）を演算するプロセッサを有し、上記式においてＥｈｙｐｏは翌日の低血糖症事象を示し、ｒｅｃｏｒｄは検体の履歴的ＢＧ、インスリン送達および活動記録を示す、遡及的リスクベース安全性モジュールを含んでもよく、前記患者の低血糖症の可能性に対する行動可能な事前警告が前記患者またはユーザに提供されるように前記プロセッサが前記演算した統計量Ｒｈｙｐｏ（ｒｅｃｏｒｄ）を出力する。
本発明の一実施形態の一態様は、患者にとって安全なインスリンのレベルを遡及的に提供するシステムを提供する。システムは、検体のインスリン送達記録に対するリスクベースの分離減衰係数を遡及的に演算するプロセッサを有する遡及的リスクベース安全性モジュールを含み得、前記プロセッサが、任意の内部閾値が前記患者またはユーザに提供されて、将来の食前および／またはその後の運動前に実行可能な一時的基礎代謝率の低減を決めさせるように、前記演算したリスクベースの分離減衰係数を出力し、前記リスクベースの減衰係数を適用することによりする。
本発明の一実施形態の一態様は、「正味効果」ベースの患者適応型モデルを提供するシステムを提供する。システムは、前記プロセッサが、モデル患者個々の生理の記述的パラメータを含む患者の代謝システムの力学モデルと、前記力学モデルを介して履歴的記録におけるブトウ糖変異性を説明する前記モデル患者の数学的表現の乱れを含む行動の「正味効果」モデルの前記力学モデルに対応する推定された履歴とを演算する、プロセッサを有する正味効果推測器モジュールと、（ｉ）既知の入力に基づいて将来のＢＧを予測する前記力学モデルの能力と（ｉｉ）前記患者の前記乱れの記録と一致する正味効果曲線を生成する前記モデルの能力とに基づく前記患者の前記生理パラメータの更新を演算する、プロセッサを有するモデル更新器モジュールとを含んでもよい。前記患者またはユーザが今後の行動コースのために前記更新を用いることができるように、システムは、前記患者またはユーザに前記更新を出力する。
本発明の一実施形態の一態様は、前記患者の最適インスリン送達速度の遡及的評価を提供するように構成されたシステムを提供する。システムは、プロセッサを有する遡及的最適制御分析器モジュールであって、前記プロセッサが、前記システムの乱れがインターバル中に前記患者について演算された正味効果曲線の履歴と同一であったとすれば、履歴時間のうち所定期間に亘る前記患者の最適インスリン送達速度はどうであったかを遡及的に演算するように構成され、前記演算において、前記正味効果曲線の各「履歴」に対して、考慮されたインターバルに亘る毎日の食事、運動、および補正を説明するインスリン送達速度の「履歴」が存在し、且つ所与の日の前記正味効果曲線と最適コントローラのモデルベースの応答との間をマッピングするように構成され、前記マッピングにおいて、最適応答のベクトルが収集且つ分析され、インスリン治療を毎日振り返るために前記患者またはユーザに提示される、プロセッサを有する遡及的最適制御分析器モジュールを含む。システムはさらに、プロセッサを有する遡及的最適基礎代謝率抽出器モジュールであって、前記プロセッサが、食事に関連する離散インスリン量を差し引くか、運動前後の一時的基礎代謝率に関連する離散インスリン不足を説明することにより、重要であるがランダムな事象に対応する特徴を前記最適応答から抽出するように構成され、それによりインスリン送達の残りのスケジュールが前記履歴的記録における毎日の前記患者の「最適」基礎代謝率の表示に対応し、且つ前記遡及的に演算された最適基礎代謝率における一貫性を識別するように構成され、複数の期間セグメントにおける前記最適基礎代謝率が前記患者の治療期間を表す、プロセッサを有する遡及的最適基礎代謝率抽出器モジュールを含む。システムはさらに、各セグメントに適用されたであろう基礎インスリンの中間レベルの出力を前記患者またはユーザに提供するように構成され得、前記提供において、前記患者またはユーザがこの情報を用いて（ｉ）将来の食前および／またはその後の運動前の一時的基礎代謝率を低減しようと決めるか、または（ｉｉ）前記患者の長期間に亘る基礎代謝率プロファイルを調整できる。
本発明の一実施形態の一態様は、インスリン助言モデルのオンデマンド適応型補正をさらに提供するように構成されたシステムを提供する。システムは、食事および運動活動の遡及的検出を提供するプロセッサを有する遡及的食事および運動検出器モジュールと、食事および運動のタイミングおよび内容についての記述を提供する確率論的モデリングを提供するプロセッサを有する食事および運動確率論的モデラーモジュール（modeler module）と、患者およびユーザの要請に応答するインスリン補正助言を前記患者またはユーザに提供し出力するプロセッサを有する補正投与量アドバイザモジュールとを含んでもよい。
本発明の一実施形態の一態様は、患者の低血糖症リスクの事後評価を提供するプログラム命令を含むコンピュータで読み取り可能な記録媒体であって、コンピュータシステムの１以上のプロセッサによる前記プログラム命令の実行が、前記プロセッサに、絶対ＢＧレベルと、絶対ＢＧ変異性と、低血糖症の事後（条件付き）確率Ｐ（Ｅｈｙｐｏ│ｒｅｃｏｒｄ）と密接に相関する絶対インスリン送達とに基づく低血糖症リスクの統計量Ｒｈｙｐｏ（ｒｅｃｏｒｄ）を演算するアルゴリズムを提供し、上記式においてＥｈｙｐｏは翌日の低血糖症事象を示し、ｒｅｃｏｒｄは検体の履歴的ＢＧ、インスリン送達および活動記録を示し、前記患者の低血糖症の可能性に対する行動可能な事前警告が前記患者またはユーザに提供されるように前記演算した統計量Ｒｈｙｐｏ（ｒｅｃｏｒｄ）を提供することを実行させる、コンピュータで読み取り可能な記録媒体を提供する。
本発明の一実施形態の一態様は、患者にとって安全なインスリンのレベルを遡及的に提供するプログラム命令を含むコンピュータで読み取り可能な記録媒体であって、コンピュータシステムの１以上のプロセッサによる前記プログラム命令の実行が、前記プロセッサに、検体のインスリン送達記録に対するリスクベースの分離減衰係数を遡及的に演算するアルゴリズムを提供し、任意の内部閾値が前記患者またはユーザに提供されて、将来の食前および／またはその後の運動前に実行可能な一時的基礎代謝率の低減を決めさせるように、前記演算したリスクベースの分離減衰係数を提供し、前記リスクベースの減衰係数を適用することを実行させる、コンピュータで読み取り可能な記録媒体を提供する。
本発明の一実施形態の一態様は、「正味効果」ベースの患者適応型モデルを提供するプログラム命令を含むコンピュータで読み取り可能な記録媒体であって、コンピュータシステムの１以上のプロセッサによる前記プログラム命令の実行が、前記プロセッサに、モデル患者個々の生理の記述的パラメータを含む患者の代謝システムの力学モデルを演算し、前記力学モデルを介して履歴的記録におけるブトウ糖変異性を説明する前記モデル患者の数学的表現の乱れを含む行動の「正味効果」モデルの前記力学モデルに対応する推定された履歴を演算し、（ｉ）既知の入力に基づいて将来のＢＧを予測する前記力学モデルの能力と（ｉｉ）前記患者の前記乱れの記録と一致する正味効果曲線を生成する前記モデルの能力とに基づく前記患者の前記生理パラメータの更新を演算し、前記患者またはユーザに前記更新を提供することにより、前記患者またはユーザが将来の行動コースのために前記更新を用いることができるようにすることを実行させる、コンピュータで読み取り可能な記録媒体を提供する。
本発明の一実施形態の一態様は、前記患者の最適インスリン送達速度の遡及的評価を提供するコンピュータで読み取り可能な記録媒体であって、コンピュータシステムの１以上のプロセッサによる前記プログラム命令の実行が、前記プロセッサに、前記システムの乱れがインターバル中に前記患者について演算された正味効果曲線の履歴と同一であったとすれば、履歴時間のうち所定期間に亘る前記患者の最適インスリン送達速度はどうであったかを遡及的に演算する工程であって、前記正味効果曲線の各「履歴」に対して、考慮されたインターバルに亘る毎日の食事、運動、および補正を説明するインスリン送達速度の「履歴」が存在し、所与の日の前記正味効果曲線と最適コントローラのモデルベースの応答との間をマッピングする工程であって、最適応答のベクトルが収集且つ分析され、インスリン治療を毎日振り返るために前記患者またはユーザに提示され、食事に関連する離散インスリン量を差し引くか、運動前後の一時的基礎代謝率に関連する離散インスリン不足を説明することにより、重要であるがランダムな事象に対応する特徴を前記最適応答から抽出する工程であって、それによりインスリン送達の残りのスケジュールが前記履歴的記録における毎日の前記患者の「最適」基礎代謝率の表示に対応し、前記遡及的に演算された最適基礎代謝率における一貫性を識別する工程であって、複数の期間セグメントにおける前記最適基礎代謝率が前記患者の治療期間を表し、各セグメントに適用されたであろう基礎インスリンの中間レベルを前記患者またはユーザに提供し、前記患者またはユーザがこの情報を用いて（ｉ）将来の食前および／またはその後の運動前の一時的基礎代謝率を低減しようと決めるか、または（ｉｉ）前記患者の長期間に亘る基礎代謝率プロファイルを調整できるようにすることを実行させる、コンピュータで読み取り可能な記録媒体を提供する。
本発明の一実施形態の一態様は、インスリン助言モデルのオンデマンド適応型補正をさらに提供するコンピュータで読み取り可能な記録媒体であって、コンピュータシステムの１以上のプロセッサによる前記プログラム命令の実行が、前記プロセッサに、食事および運動活動を遡及的に検出し、食事および運動のタイミングおよび内容についての記述を提供するために確率論的にモデリングを行い、患者およびユーザの要請に応答するインスリン補正助言を前記患者またはユーザに提供することを実行させる、コンピュータで読み取り可能な記録媒体を提供する。
特定の時間的期間は１日であってもよいが、所望または必要であれば別の時間的期間（または日）またはそれよりも長いまたは短い期間を用いてもよいことを理解されたい。
本明細書で開示する本発明の実施形態の様々な態様のこれらおよびその他の目的は、利点および特徴と共に、以下の記載、図面および請求の範囲からより明らかとなる。
本発明の上記およびその他の目的、特徴および利点は、本発明自体と共に、好適な実施形態に関する以下の記載を添付の図面を参照しながら読むことによってより完全に理解される。
図４は、ＡＡシステム１０のいくつかの構成要件を例示する。システムの４つの主要機能のすべては特に、炭水化物摂取およびインスリンならびに患者の自己流治療、飲食行動および運動行動に対する患者の生理的応答における長期間に亘る履歴的傾向を提供する。「遡及的」助言コンポーネントは、安全性に基づいて監視された、および／または最適なインスリン投与量が、患者が実際に行っていたこととどのように異なっていたかを患者に示し、患者の自己流治療行動を変えさせるために必要な証拠を示すように設計されている。この「オンデマンド」コンポーネントは、ＢＧおよびインスリンデータの履歴的記録に加えてリアルタイムのデータに依存しており、補正インスリン量を患者に助言することができ、ある意味、適応型投与量計算機として動作する。すなわち「オンデマンド」コンポーネントは、患者の生理、将来予想される行動、およびリアルタイムの代謝状態に適応させたものである。
上記ＡＡシステムが、リアルタイムの安全性監視システムと連携して容易に用いることができることは注目に値する。リアルタイムの安全性監視システムでは、インスリン送達のモデルベースの減衰（例えば基礎代謝率の減少）がリアルタイムでＣＧＭおよびインスリンデータによって知らされる。このような安全性監視システムの使用は完全に任意である。
この後のサブセクションでは、システムの４つの主要コンポーネント、すなわち（ｉ）遡及的リスクベース安全性、（ｉｉ）「正味効果」ベースの患者適応型モデル、（ｉｉｉ）最適インスリン送達の遡及的評価、および（ｉｖ）オンデマンド適応型補正インスリン助言を詳細に述べる。
本発明に関連するモジュール、システム、サブシステムおよびデバイスは様々な形態で一体的にまたは別々に形成することができ、当業者に入手可能な技術およびアプローチを用いて無線または有線（またはその組み合わせ）で通信できることを理解されたい。デバイス、モジュール、ネットワークおよびシステムインターフェースおよび通信のいくつかの、本発明を限定しない例は、本明細書で開示する（そして本明細書に参考のため援用する）参考文献、特許出願および刊行物のすべてにおいて言及され得る。さらに、様々なシステム、デバイスおよびネットワーク間で可能なインターフェースおよび通信の例が以下に開示されているが、これらを開示するものは以下に限定されない。２００８年１０月３１日出願の、Ｍａｇｎｉらによる国際特許出願ＰＣＴ／ＵＳ２００８／０８２０６３（発明の名称「連続的ブトウ糖センシングを用いた、糖尿病におけるインスリン送達の閉ループ制御のためのモデル予測型制御ベースの方法」）、２０１０年４月２８日出願の、Ｍａｇｎｉらによる米国特許出願第１２／７４０，２７５号（発明の名称「ブトウ糖センシングを用いた、糖尿病におけるインスリン送達制御のための予測型制御ベースのシステムおよび方法」）、特にＭａｇｎｉらの図１から図４および図６から図１０（これら両方の開示内容全体を本明細書に参考のため援用する）。
［コンポーネントＩ−遡及的リスクベース安全性］
図５は、システムのうち遡及的リスクベース安全性評価に特化した部分を示す。この部分は２つの主要出力を供給する。出力は共に患者に対して表示することができ、患者が以下のように低血糖症リスクに対する理解を深めるようになっている。
図５は、システムのうち遡及的リスクベース安全性評価に特化した部分を示す。この部分は２つの主要出力を供給する。出力は共に患者に対して表示することができ、患者が以下のように低血糖症リスクに対する理解を深めるようになっている。
［出力１：低血糖症リスクの事後評価］
遡及的リスクベース安全性サブシステムのうちこの部分は、履歴的記録を分析し、患者のＢＧ時系列のカーネル密度推定値（kernel density estimate）を用いて、絶対ＢＧレベル、絶対ＢＧ変異性、および絶対インスリン送達に基づく低血糖症リスクの統計要素Ｒｈｙｐｏ（ｒｅｃｏｒｄ）を演算する。絶対インスリン送達は、低血糖症の事後（条件付き）確率（Ｅｈｙｐｏ│ｒｅｃｏｒｄ）と密接に相関している。上記式においてＥｈｙｐｏは翌日の低血糖症事象を示し、ｒｅｃｏｒｄは患者の履歴的ＢＧ２２、インスリン３２および活動記録５２を示す。次の治療日に対する低血糖症の事後確率２６を患者に明確に伝えることにより、患者は低血糖症の可能性に対する行動可能な事前警告を得る。患者はこの情報を用いて、食前および／またはその後の運動前の一時的基礎代謝率を低減させようと決めるための内部閾値を低下することができる。この低血糖症リスクの「事後評価」は、治療日１日中の低血糖症「リスクゾーン」を際立たせる「ＢＧプロファイル」を演算する現行の方法を補足することを意図している（図２に示す）。本発明は、「ＢＧプロファイル」の概念をクレームするものではなく、患者の履歴的記録（２２、３２、５２）を与えられて低血糖症の事後確率を演算する方法をクレームする。
遡及的リスクベース安全性サブシステムのうちこの部分は、履歴的記録を分析し、患者のＢＧ時系列のカーネル密度推定値（kernel density estimate）を用いて、絶対ＢＧレベル、絶対ＢＧ変異性、および絶対インスリン送達に基づく低血糖症リスクの統計要素Ｒｈｙｐｏ（ｒｅｃｏｒｄ）を演算する。絶対インスリン送達は、低血糖症の事後（条件付き）確率（Ｅｈｙｐｏ│ｒｅｃｏｒｄ）と密接に相関している。上記式においてＥｈｙｐｏは翌日の低血糖症事象を示し、ｒｅｃｏｒｄは患者の履歴的ＢＧ２２、インスリン３２および活動記録５２を示す。次の治療日に対する低血糖症の事後確率２６を患者に明確に伝えることにより、患者は低血糖症の可能性に対する行動可能な事前警告を得る。患者はこの情報を用いて、食前および／またはその後の運動前の一時的基礎代謝率を低減させようと決めるための内部閾値を低下することができる。この低血糖症リスクの「事後評価」は、治療日１日中の低血糖症「リスクゾーン」を際立たせる「ＢＧプロファイル」を演算する現行の方法を補足することを意図している（図２に示す）。本発明は、「ＢＧプロファイル」の概念をクレームするものではなく、患者の履歴的記録（２２、３２、５２）を与えられて低血糖症の事後確率を演算する方法をクレームする。
絶対ＢＧレベルおよび絶対ＢＧ変異性は患者のＣＧＭデバイス（またはブトウ糖値の記録またはデータ保存）に由来するデータであってもよく、絶対インスリン送達は毎日複数回行う注入により患者のインスリンポンプデバイス（またはインスリン送達の記録またはデータ保存）から得られるデータであってもよいことを理解されたい。例えば、本明細書を通して開示する様々な実施形態において、ＡＡシステムの明示はＣＧＭおよびインスリンポンプデータまたはインスリン手動注入データに基づく。しかし別の実施形態においては、ＡＡシステムのコンポーネントはＣＧＭまたはインスリンポンプがなくても実現可能である。その場合、演算を行う時間的尺度は大幅に変更する必要がある。例えば、ＳＭＢＧおよびインスリンポンプに基づく「正味効果」曲線は演算することができるが、このような方法は、患者の行動を正確に表すためには、このような「正味効果」曲線をより多く広範囲に亘って必要とする。さらなる例では、ＳＭＢＧデバイスは、インスリンペン、針、または類似のタイプのデバイスなどの手動インスリン注入デバイスと共に用いてもよい。
［出力２：遡及的安全インスリン送達２８］
遡及的リスクベース安全性サブシステムのうちこの部分は、履歴的記録を分析し、患者のインスリン送達の記録に対する、リスクベースのインスリン減衰係数を遡及的に演算する。この方法の一実施形態では、リスクベースの減衰係数（あるいはインスリン抑制）は（参考文献３０を参照）に記載のように演算される。
遡及的リスクベース安全性サブシステムのうちこの部分は、履歴的記録を分析し、患者のインスリン送達の記録に対する、リスクベースのインスリン減衰係数を遡及的に演算する。この方法の一実施形態では、リスクベースの減衰係数（あるいはインスリン抑制）は（参考文献３０を参照）に記載のように演算される。
上記式においてＲ（ｔ，τ）は、時間ｔと時間ｔ＋τとの間の低血糖症リスクの測定値である。これは、（参考文献３４を参照）における関数のＢＧ対称化に基づく、時間ｔまでのＢＧデータおよびインスリンデータの履歴的記録に基づく。ｋｐａｔｉｅｎｔは患者特異的「積極性」係数（patient specific “aggressiveness” factor）である。減衰係数を演算する他の方法も存在する。これらの方法は、時間ｔまでの患者の活性インスリンを評価し、患者の補正係数に基づいて時間ｔにおけるＢＧ測定値を調整することに基づく方法を含む。
本発明の実施形態のキーとなる工程の（本発明を限定しない）一例は、システム（および関連する方法）は遡及的に演算された減衰係数の一貫性を探すということである。具体的には、システムは、患者の治療日を表す２４個の１時間ビンでのφＲ（ｔ，τ）のカーネル密度推定値を演算し、１時間セグメントの各々で適用されたであろう中間レベル減衰を患者に提示する。ここでも患者はこの情報を用いて、将来の食前および／またはその後の運動前の一時的基礎代謝率を低減させようと決めるための内部閾値を低下してもよい。
［コンポーネント２：「正味効果」ベースの患者適応型モデル］
図６は、システムのうち「正味効果」ベースの患者適応型モデルに特化した部分を示す。ＡＡシステムが製造するモデルは、以下の２つの主要コンポーネントを含んでもよい（しかしこれらに限定されない）。（ｉ）患者の代謝システムの力学モデル、および（ｉｉ）これに対応する行動の「正味効果」曲線の推定される履歴であって、力学モデルを介して履歴的記録におけるブトウ糖変異性を説明する履歴。一態様では、「正味効果」ベースの患者適応型モデルは、図１に示す食事プロファイルを正式に数学的に表したものである（しかしこれに限定されない）が、他のシステムの乱れ、例えば身体活動などの影響、および睡眠期間／目が覚めている期間（図３）を考慮している。
図６は、システムのうち「正味効果」ベースの患者適応型モデルに特化した部分を示す。ＡＡシステムが製造するモデルは、以下の２つの主要コンポーネントを含んでもよい（しかしこれらに限定されない）。（ｉ）患者の代謝システムの力学モデル、および（ｉｉ）これに対応する行動の「正味効果」曲線の推定される履歴であって、力学モデルを介して履歴的記録におけるブトウ糖変異性を説明する履歴。一態様では、「正味効果」ベースの患者適応型モデルは、図１に示す食事プロファイルを正式に数学的に表したものである（しかしこれに限定されない）が、他のシステムの乱れ、例えば身体活動などの影響、および睡眠期間／目が覚めている期間（図３）を考慮している。
代謝モデルは、患者個々の生理を表したものであり、経口摂取炭水化物ｄ（ｇ／分）、身体活動ｅ（ｃａｌ／分）、皮下インスリンｕ（Ｕ／時間）および患者の代謝状態ベクトルＸ間の力学的関係を数学的に表したものである。その要素が、体内の様々なコンパートメント（compartment）におけるブトウ糖濃度およびインスリン濃度（ｍｇ／ｄｌ）ならびに腸内の炭水化物質量（ｍｇ）を含む。抽象的にはこの関係は、以下の１組の離散時間非線形差分方程式（discrete time nonlinear difference equation）として表すことができる。
上記式において、ＦおよびＧは非線形システム式であり、θ（ｋ）は患者の特性であるパラメータ値のベクトルであり、例えば、体重、様々なコンパートメント内の分散量、様々なコンパートメント間の吸収速度およびクリアランスの速度を示す様々な時定数などのベクトルである。これらの一部は時間ｋに応じて変化しやすい。この非線形表示は、所望の動作点（例えば、定常ブトウ糖濃度（steady state glucose concentration））を中心に線形化することができ、それによって以下の線形力学モデルが生まれる。
上記式においてｘは代謝状態の（動作点からの）差異のベクトルであり、ｕδ（Ｕ／時間）は患者の定常（基礎）インスリン送達速度に基づくインスリン送達の偏差であり、Ａ、Ｂｕ、Ｂｄ、Ｂｅは線型モデルの状態空間マトリクス（state space matrix）であり、ｙ（ｋ）は所望の動作点からのＢＧの偏差を表す。（θｋに対する依存は状態空間マトリクスＡ、Ｂｕ、Ｂｄ、Ｂｅ内に埋め込まれていることに留意されたい。）
あるいは、上記力学的関係は以下の１組の連続時間非線形差分方程式（continuous time nonlinear difference equation）として表すことができる。
「正味効果」ベースの患者適応型モデルの新規要素のいくつかは以下に述べるがこれらに限定されない。
［正味効果推測器３４］
「正味効果」ベースの患者適応型モデルのうちこの要素は、患者のＢＧの履歴的記録２２とインスリン送達の履歴的記録３２とを一致させるバーチャルシステム入力の「履歴」（すなわち「正味効果」）を生成する。より具体的には、患者のＢＧ濃度の記録およびインスリン送達の記録である{ＢＧ（ｋ）}ｋεｄａｙおよび{ｕ（ｋ）}ｋεｄａｙを与えられた場合、履歴的情報を一致させる正味効果は、以下の誤差関数を最小にするバーチャル炭水化物入力{ｄｎ，ｅ，（ｋ）}ｋεｄａｙのベクトルである。
「正味効果」ベースの患者適応型モデルのうちこの要素は、患者のＢＧの履歴的記録２２とインスリン送達の履歴的記録３２とを一致させるバーチャルシステム入力の「履歴」（すなわち「正味効果」）を生成する。より具体的には、患者のＢＧ濃度の記録およびインスリン送達の記録である{ＢＧ（ｋ）}ｋεｄａｙおよび{ｕ（ｋ）}ｋεｄａｙを与えられた場合、履歴的情報を一致させる正味効果は、以下の誤差関数を最小にするバーチャル炭水化物入力{ｄｎ，ｅ，（ｋ）}ｋεｄａｙのベクトルである。
上記式において、ｄｉｓｔは、インスリン送達の固定記録{ｕ（ｋ）}ｋεｄａｙおよび正味効果ベクトル候補{ｄｎ，ｅ，（ｋ）}ｋεｄａｙが与えられた場合のＢＧ濃度の２つのベクトル（この場合は、実際のＢＧ対モデル予測ＢＧ）間の距離の測定値である。
得られた最適正味効果ベクトル（すなわち正味効果曲線３８）{ｄｎ．ｅ．（ｋ）}ｋεｄａｙは、患者がバーチャル炭水化物信号を介して収集したＢＧデータとインスリンデータとを最適に一致させることに注目されたい。バーチャル炭水化物信号は、単一外部乱れ信号として（ｍｇ／分）で測定された患者に対する外部影響のすべてを捕捉する。正味効果曲線３８が正であるとき、これは患者が実際に食べていることに対応し得、またはその日のうち、患者が高まったインスリン感度を経験する期間に対応し得る。正味効果曲線３８が負であるとき、これは患者が徹底した身体活動または運動を行っていることに対応し得る。
演算された正味効果曲線３８は、パラメータθｋで表された患者の生理モデルの黙示的な関数であることに注目されたい。したがって上手く適応されなかった生理モデルは、異常に見える正味効果曲線３８を生成する可能性がある。上手く適応された生理モデルの副作用は、患者の毎日の活動、食事、運動行動および自己流治療の記録または記憶に上手く対応する１組の正味効果曲線である。
患者の「正味効果」を評価するために、重みをつけたｌ１、ｌ２およびｌ∞ノルム（norm）など様々なタイプの距離計測が可能である。ｌ２ノルムを患者の生理モデルの線形化バージョンと組み合わせると、毎日の正味効果を演算することが特に容易になる。
［モデル更新器３５］
力学モデルのパラメータを回帰的に更新するためには、「システム識別」の技術を用いるのが一般的である。糖尿病のモデルベースの治療においてこのような技術は、患者の日周期性リズムによって起こる毎日の変異性を含む、患者の生理モデルパラメータ{θ（ｋ）}ｋεｄａｙの推測を可能にする。データの線形最小自乗法適合、パラメータおよび非パラメータシステム識別、適応型回帰性推測などを含む多くの技術が採用されてきた。これらの技術はすべて、概して患者の入力（食事および運動）の「正確な知識」を当然のことと考え、モデルとデータの内因性一致を保証するように作用する。無論、食事および運動の詳しい内容およびタイミングを事前に知ることは、臨床環境においてのみ可能である。長期間に亘る変異性を追跡するために、テストを受けるように患者にしばしば要請することは経済的に実行可能でない。
力学モデルのパラメータを回帰的に更新するためには、「システム識別」の技術を用いるのが一般的である。糖尿病のモデルベースの治療においてこのような技術は、患者の日周期性リズムによって起こる毎日の変異性を含む、患者の生理モデルパラメータ{θ（ｋ）}ｋεｄａｙの推測を可能にする。データの線形最小自乗法適合、パラメータおよび非パラメータシステム識別、適応型回帰性推測などを含む多くの技術が採用されてきた。これらの技術はすべて、概して患者の入力（食事および運動）の「正確な知識」を当然のことと考え、モデルとデータの内因性一致を保証するように作用する。無論、食事および運動の詳しい内容およびタイミングを事前に知ることは、臨床環境においてのみ可能である。長期間に亘る変異性を追跡するために、テストを受けるように患者にしばしば要請することは経済的に実行可能でない。
本発明の一実施形態の一態様は特に、正味効果という概念を患者の生理モデルパラメータの長期に亘る適応に組み入れることにより、後者の関心事に取り組む。上記のように、上手く適応された生理モデルの副作用は、患者の毎日の活動、食事、運動行動および自己流治療の記録または記憶に上手く対応する１組の正味効果曲線３８である。具体的には、我々のシステム（さらに方法およびコンピュータで読み取り可能な記録媒体）は、（ｉ）既知の入力に基づいて将来のＢＧを予測するモデルの能力と（ｉｉ）患者の飲食、運動、および自己流治療行動の記録と一致する正味効果曲線３８を生成するモデルの能力とに基づいて患者の生理パラメータを更新する回帰的手順を用いることができる。数学的には、正味効果ベースのモデル更新器は、以下の式の形態を取る。
上記式において、Ｕはグラジエントベース（gradient base）のような回帰的パラメータ更新関数（recursive parameter update function）であってもよく、ＢＧｒｅｓはＢＧモデル予測誤差（残余）のベクトルであり、ＮＥｒｅｓは演算した正味効果曲線と患者の実際の（証明済みの）行動入力の記録との間の誤差のベクトルである。実際には、モデルを複数の時間的尺度に対して調整してもよい。例えばパラメータ更新は、ＢＧ残余に基づいて以下のように毎日演算することができる。
正味効果ミスマッチに基づく更新は、週毎または月毎などのより長い時間的尺度で以下のように演算することができる。
［コンポーネント３：最適インスリン送達の遡及的評価］
図７は、システムのうち最適インスリン送達の遡及的評価に特化した部分を示す。最適インスリン送達の遡及的評価のキー要素の１つは、（ｉ）遡及的最適制御分析器４２および（ｉｉ）遡及的最適基礎代謝率抽出器４４であるが、これらに限定されない。これらは共に、以下の段落で述べるように、「正味効果」ベースの患者適応型モデルを利用する。
図７は、システムのうち最適インスリン送達の遡及的評価に特化した部分を示す。最適インスリン送達の遡及的評価のキー要素の１つは、（ｉ）遡及的最適制御分析器４２および（ｉｉ）遡及的最適基礎代謝率抽出器４４であるが、これらに限定されない。これらは共に、以下の段落で述べるように、「正味効果」ベースの患者適応型モデルを利用する。
［遡及的最適制御分析器４２］
最適インスリン送達遡及的評価サブシステムのうちこの要素は、システムの乱れがインターバル中に患者について演算された正味効果曲線３８の履歴と同一であったとすれば、履歴時間のうち所定期間に亘る患者の最適インスリン送達速度はどうであったかを遡及的に演算するように動作する。したがって正味効果曲線の各「履歴」について、それに対応する「履歴」であって、考慮されたインターバルに亘る毎日の食事、運動、および補正を説明するインスリン送達速度の「履歴」がある。例えば、履歴的記録における任意の日に関連して、我々は以下の式を有する。
最適インスリン送達遡及的評価サブシステムのうちこの要素は、システムの乱れがインターバル中に患者について演算された正味効果曲線３８の履歴と同一であったとすれば、履歴時間のうち所定期間に亘る患者の最適インスリン送達速度はどうであったかを遡及的に演算するように動作する。したがって正味効果曲線の各「履歴」について、それに対応する「履歴」であって、考慮されたインターバルに亘る毎日の食事、運動、および補正を説明するインスリン送達速度の「履歴」がある。例えば、履歴的記録における任意の日に関連して、我々は以下の式を有する。
すなわち、所与の日の正味効果曲線３８と最適コントローラ４２のモデルベースの応答との間のマッピングがある。最適応答のこれらのベクトルは収集且つ分析し、インスリン治療を毎日振り返るために患者に直接提示することができる。この分析の具体的形態は、以下の遡及的最適基礎代謝率抽出器４６という形態を取る。
遡及的最適制御分析器４２は、「正味効果」ベースの患者適応型モデルの両方のコンポーネント、すなわち患者について演算された正味効果曲線の「履歴」と適応された患者生理モデルとの両方を用いる。
このアーキテクチャの有利な特徴は、患者モデルの誤差（すなわち患者に誤って適応されたθ）が遡及的最適制御分析に大きな影響を及ぼさないことであるが、これに限定されない。この理由は、θはオフであってもよいが、患者について演算された正味効果曲線は、モデルを介して患者用の実際のインスリンデータとＢＧデータとを一致させる。θが近似である（「大体の範囲内」にある）限り、最適制御応答は依然として患者に適応される。
決定論的および確率論的モデル予測制御アルゴリズムを含む最適制御応答{Ｕｏｐｔ（ｋ）}ｋεｄａｙを演算するために、様々なタイプの最適制御方法（例えば先行技術から）を用い得る（参考文献２０、２７、３８、４５を参照）。（参考文献４７を参照）の開ループフィードバック制御（ＯＬＦＣ）スキームは、本発明の様々な実施形態に特によく適している。
本発明の一実施形態の新規な態様は、（ｉ）患者の正味効果曲線３８の履歴を様々なタイプの最適制御アルゴリズムに用いること、および（ｉｉ）最適応答を遡及的に分析し、比較分析によって患者に知らせることに基づく概念、方法およびシステムであるが、これらに限定されない。
［遡及的最適基礎代謝率抽出器４４］
最適インスリン送達遡及的評価サブシステムのうちこの要素は、（ｉ）遡及的最適制御分析器４２によって演算された最適制御応答の「履歴４３」を取り出し、（ｉｉ）重要であるがランダムな事象に対応する（すなわち、食事に関連する離散インスリン量を差し引くか、運動前後の一時的基礎代謝率に関連する離散インスリン不足を説明する）特徴を最適応答から抽出するように動作する。インスリン送達の残りのスケジュールは、履歴的記録における毎日の患者の「最適」基礎代謝率パターンの表示に対応する。
最適インスリン送達遡及的評価サブシステムのうちこの要素は、（ｉ）遡及的最適制御分析器４２によって演算された最適制御応答の「履歴４３」を取り出し、（ｉｉ）重要であるがランダムな事象に対応する（すなわち、食事に関連する離散インスリン量を差し引くか、運動前後の一時的基礎代謝率に関連する離散インスリン不足を説明する）特徴を最適応答から抽出するように動作する。インスリン送達の残りのスケジュールは、履歴的記録における毎日の患者の「最適」基礎代謝率パターンの表示に対応する。
次に、遡及的最適基礎代謝率抽出器４４は、遡及的に演算された最適基礎代謝率の一貫性を探す。具体的には、システムは、患者の治療日を表す２４個の１時間ビンでの最適基礎代謝率のカーネル密度推定値を演算し、その後、１時間セグメントの各々で適用されたであろう基礎インスリン４６の中間レベルを患者に提示する。患者はこの情報を用いて、（ｉ）将来の食前および／またはその後の運動前の一時的基礎代謝率を低減させようと決めることができ、または（ｉｉ）自身の長期間に亘る基礎代謝率プロファイルを調整することができる。
［コンポーネント４：オンデマンド適応型補正インスリン助言］
図８は、システムのうちオンデマンド適応型補正インスリン助言に特化した例示的部分のいくつかを示す。適応型助言システム（および関連する方法）のうちこのコンポーネントの支配的目標は特に、（ｉ）履歴的記録２２、３２、５２と、（ｉｉ）リアルタイムのＣＧＭ／ＳＭＢＧ測定およびインスリンポンプデータ６２とに基づいて瞬時に患者に補正インスリン助言を提供することである。このシステムの第１の工程の１つは、起こりつつある行動の乱れの確率論的モデルを開発することであってもよい。このモデルによって、すぐに行う食事および運動に先立つ適切な補正インスリン量を推論することが可能となる。
図８は、システムのうちオンデマンド適応型補正インスリン助言に特化した例示的部分のいくつかを示す。適応型助言システム（および関連する方法）のうちこのコンポーネントの支配的目標は特に、（ｉ）履歴的記録２２、３２、５２と、（ｉｉ）リアルタイムのＣＧＭ／ＳＭＢＧ測定およびインスリンポンプデータ６２とに基づいて瞬時に患者に補正インスリン助言を提供することである。このシステムの第１の工程の１つは、起こりつつある行動の乱れの確率論的モデルを開発することであってもよい。このモデルによって、すぐに行う食事および運動に先立つ適切な補正インスリン量を推論することが可能となる。
オンデマンド適応型補正インスリン助言サブシステムのキー要素のいくつかは、以下の段落で述べる（ｉ）遡及的食事および運動検出器５４、（ｉｉ）食事および運動確率論的モデラー５６、および（ｉｉｉ）オンデマンド補正投与量アドバイザ５８であってもよいが、これらに限定されない。サブシステムのこれらの要素は協働してもよく、さらに各要素には個々に独立値がある。
［遡及的食事および運動検出器５４］
オンデマンド適応型補正インスリン助言サブシステムのうちこの要素は、患者の「正味効果」曲線３８の現在の履歴と患者が自認する食事および運動事象５５の履歴的記録とを一致させることにより関連する患者行動の有効化された（高信頼）記録を生成するように動作する。遡及的食事および運動検出器５４は、（ｉ）患者に関して入手可能なＢＧデータおよびインスリンデータから演算した正味効果曲線３８と（ｉｉ）システムユーザインターフェースを介して患者が自認６２した食事および運動事象との間の不一致を探す。不一致があれば、遡及的食事および運動検出器５４は可能性のある解決を示唆する。可能性のある解決とは、「おそらく午後１時と午後２時の間に食事をしたが承認しなかったのではないか？」または「午後３時と午後３：３０の間に徹底した身体活動をしていたという表示があるが、本当か？」などである。その後患者からの応答が取り出されて、関連する患者活動の最終的な有効化された記録が形成される。
オンデマンド適応型補正インスリン助言サブシステムのうちこの要素は、患者の「正味効果」曲線３８の現在の履歴と患者が自認する食事および運動事象５５の履歴的記録とを一致させることにより関連する患者行動の有効化された（高信頼）記録を生成するように動作する。遡及的食事および運動検出器５４は、（ｉ）患者に関して入手可能なＢＧデータおよびインスリンデータから演算した正味効果曲線３８と（ｉｉ）システムユーザインターフェースを介して患者が自認６２した食事および運動事象との間の不一致を探す。不一致があれば、遡及的食事および運動検出器５４は可能性のある解決を示唆する。可能性のある解決とは、「おそらく午後１時と午後２時の間に食事をしたが承認しなかったのではないか？」または「午後３時と午後３：３０の間に徹底した身体活動をしていたという表示があるが、本当か？」などである。その後患者からの応答が取り出されて、関連する患者活動の最終的な有効化された記録が形成される。
遡及的食事および運動検出器５４は内部では、正味効果曲線３６を分析することにより食事および運動事象の離散推測値を生成する方法を用いる。方法は特に、（ｉ）正味効果曲線の有意に局部的な極端な値を識別すること、（ｉｉ）食事および運動に対応する時間経過窓下方の領域を演算すること、（ｉｉｉ）食事および運動事象の尤度の高い時間を演算すること、その後（ｉｖ）得られた食事および運動行動の推測値が実際の記録に近い、モデル予測型ＢＧ痕跡を生み出すことを確認することに基づいてもよい。
［食事および運動確率論的モデラー５６］
オンデマンド適応型補正インスリン助言サブシステムのうちこの要素は、上記行動事象５５の一致した（有効化された）履歴を取り出し、その後食事および運動のタイミングおよび内容を記述する確率論的モデル５７を生成する。モデル５７は本質的に、患者の毎日の行動を、重複しない食事および運動期間のシーケンスとして記述する。各期間は、（ｉ）乱れが「到着する」可能性のある最も早い時間（例えば、可能性のある最も早い朝食の時間）、（ｉｉ）乱れが到着する可能性のある最も遅い時間（例えば、可能性のある最も遅い朝食の時間）、および（ｉｉｉ）期間内で乱れが到着する時間に関する相対的な頻度分散であって、乱れが「スキップされる」可能性を説明する相対的な頻度分散に関して記述される（参考文献６７を参照）。
オンデマンド適応型補正インスリン助言サブシステムのうちこの要素は、上記行動事象５５の一致した（有効化された）履歴を取り出し、その後食事および運動のタイミングおよび内容を記述する確率論的モデル５７を生成する。モデル５７は本質的に、患者の毎日の行動を、重複しない食事および運動期間のシーケンスとして記述する。各期間は、（ｉ）乱れが「到着する」可能性のある最も早い時間（例えば、可能性のある最も早い朝食の時間）、（ｉｉ）乱れが到着する可能性のある最も遅い時間（例えば、可能性のある最も遅い朝食の時間）、および（ｉｉｉ）期間内で乱れが到着する時間に関する相対的な頻度分散であって、乱れが「スキップされる」可能性を説明する相対的な頻度分散に関して記述される（参考文献６７を参照）。
本明細書におけるキーとなる新規な態様の１つは、期間内の食事のタイミングの相対的な頻度分布を推測する際に、および期間に関連する食事または運動の乱れの大きさを記述するランダムな変数を特徴づける際に、食事および運動事象５５の一致した履歴（クラスター分析に基づく）から食事期間が決定されるという方法である。
［補正投与量アドバイザ５８］
オンデマンド適応型補正インスリン助言サブシステムのうちこの要素は、患者の状態を連続的にモニタリングし、患者が求めた瞬間に、（ｉ）起こりつつある行動の乱れの上記確率論的モデル５７と（ｉｉ）様々な別の補正インスリン量の衝撃（impact of various alternative correction insulin amount）を予測することを可能にする、患者の現在の生理モデル（すなわち、患者の代謝システムの力学モデル）とに基づいて、補正インスリン助言５９を提供するように動作する。図９は、ユーザ誘発型助言モード補正システムの概念を示す。図９のグラフは、オンデマンド適応型補正インスリンシステムの一例を示す。システムおよび方法は、（ｉ）患者が従来の方法を用いて食事時にインスリン投与量を演算すること、および（ｉｉ）患者が我々の助言システムを用いて、図に示す時間ｔで起こるような予想外の高血糖症に取り組むことを想定している。患者が助言システムを作動させると、患者は次の食事のタイミングおよび内容についての情報を提供するというオプションを有し、システムは食事および運動のタイミングの確率論的モデル５６（食事行動プロファイルと呼ばれ、図では斜線の確率分散として示す）を更新する。次にシステムは、患者の将来の（ランダムな）代謝軌道に対して最適なインスリン推薦値を演算する。具体的には助言された投与量は、患者が次に食事をする不明な時間によって定義される無限ホライズン線線形２次問題（indefinite horizon linear quadratic problem）に対する最適な解決として演算されたものである。
オンデマンド適応型補正インスリン助言サブシステムのうちこの要素は、患者の状態を連続的にモニタリングし、患者が求めた瞬間に、（ｉ）起こりつつある行動の乱れの上記確率論的モデル５７と（ｉｉ）様々な別の補正インスリン量の衝撃（impact of various alternative correction insulin amount）を予測することを可能にする、患者の現在の生理モデル（すなわち、患者の代謝システムの力学モデル）とに基づいて、補正インスリン助言５９を提供するように動作する。図９は、ユーザ誘発型助言モード補正システムの概念を示す。図９のグラフは、オンデマンド適応型補正インスリンシステムの一例を示す。システムおよび方法は、（ｉ）患者が従来の方法を用いて食事時にインスリン投与量を演算すること、および（ｉｉ）患者が我々の助言システムを用いて、図に示す時間ｔで起こるような予想外の高血糖症に取り組むことを想定している。患者が助言システムを作動させると、患者は次の食事のタイミングおよび内容についての情報を提供するというオプションを有し、システムは食事および運動のタイミングの確率論的モデル５６（食事行動プロファイルと呼ばれ、図では斜線の確率分散として示す）を更新する。次にシステムは、患者の将来の（ランダムな）代謝軌道に対して最適なインスリン推薦値を演算する。具体的には助言された投与量は、患者が次に食事をする不明な時間によって定義される無限ホライズン線線形２次問題（indefinite horizon linear quadratic problem）に対する最適な解決として演算されたものである。
提案された方法のキーとなる利点の１つは、この方法が極小侵襲性（minimally invasive）であり、ユーザがシステムとインタラクトしたことに応答してのみ助言を与えるということである。患者が最終的に「関わっている」場合、患者は、例えば徹底した身体活動などの、モデル化されていない代謝の乱れがあった場合、容易にシステムを無視することができる。システムの別の利点は特に、患者が食事時に「従来の」投与量計画を実行できることである。「従来の」投与量計画とは、高脂肪となる大量の食事をするというオプションを含む。我々が本明細書で提示するフレームワークは、患者の代謝モデルに基づいた補正投与インスリン推薦値を提示することであり、このフレームワークは、「人平均」モデルまたは患者特異的代謝モデルのいずれにも適用可能である。さらに、推薦されたインスリン投与量は、患者個々の飲食行動モデルに対して演算されたものである。特にシステムは、常に次の食事機会を認識しており、食事のタイミングおよび量（食事がスキップされる可能性を含む）の経験的確率論的モデルに対する補正推薦値を最適化する準備をしている。システムは、患者が食事の量を決めることを知っており、予想される食事の直前に大きな補正を行うことを避ける。最後に、システムは患者が、炭水化物に対するインスリンの割合（ＣＲ）および補正係数（ＣＦ）に基づいて食事の量を演算することを知っており、システムが生成するインスリン推薦値は、次の食事時の患者の治療行動を予想したものである。
［適応型助言システムの実行］
図１０から図１５は、パーソナルコンピュータで行うＡＡシステムの１つの可能な実行を示す画面コピーを提示している。類似の実行がタブレット、ポータブルコンピュータ（例えばラップトップまたはノートブック）でも可能であり、インターネットアプリケーションまたはネットワークアプリケーションを介して携帯電話、ＰＤＡなどのスマートフォン（所望または必要であれば、テキストまたはグラフの量を適切に減らして）でも可能である。具体的には、
図１０は、システムを特定の人に合わせてカスタマイズした場合の初期化画面を提示し、
図１１は、炭水化物摂取（食事）および身体活動を時間および量で入力する機会を提示する画面を示し、
図１２は、ブトウ糖の痕跡および管理された行動によって駆り立てられた事象を含む、ある１日を振り返る表示である画面を示し、
図１３および図１４は、毎日のプロファイルを異なるレベルの詳細度で提示する画面を示し（図１３はシンプルな画面であり、図１４は確率プロットを加えた画面である）、
図１５は、典型的な休日中の高血糖症および低血糖症リスクに関して識別された期間（画面上部の赤い斜線部分）、および低血糖症を避けるためにインスリン投与量を減らすというシステム助言（画面下部の破線で囲まれた部分）を含む助言画面を提示する画面を示す。
図１０から図１５は、パーソナルコンピュータで行うＡＡシステムの１つの可能な実行を示す画面コピーを提示している。類似の実行がタブレット、ポータブルコンピュータ（例えばラップトップまたはノートブック）でも可能であり、インターネットアプリケーションまたはネットワークアプリケーションを介して携帯電話、ＰＤＡなどのスマートフォン（所望または必要であれば、テキストまたはグラフの量を適切に減らして）でも可能である。具体的には、
図１０は、システムを特定の人に合わせてカスタマイズした場合の初期化画面を提示し、
図１１は、炭水化物摂取（食事）および身体活動を時間および量で入力する機会を提示する画面を示し、
図１２は、ブトウ糖の痕跡および管理された行動によって駆り立てられた事象を含む、ある１日を振り返る表示である画面を示し、
図１３および図１４は、毎日のプロファイルを異なるレベルの詳細度で提示する画面を示し（図１３はシンプルな画面であり、図１４は確率プロットを加えた画面である）、
図１５は、典型的な休日中の高血糖症および低血糖症リスクに関して識別された期間（画面上部の赤い斜線部分）、および低血糖症を避けるためにインスリン投与量を減らすというシステム助言（画面下部の破線で囲まれた部分）を含む助言画面を提示する画面を示す。
図１６は、システム１３０を示すブロック図である。システム１３０は、コンピュータシステム１４０とそれに関連インターネット１１接続とを含み、該接続がなされると、実施形態が実行され得る。このような構成は典型的には、インターネット１１に接続されてサーバまたはクライアント（またはその組み合わせ）ソフトウェアを実行するコンピュータ（ホスト）に用いられる。例えばラップトップなどのソースコンピュータ、最終目的地であるコンピュータおよび中継サーバ、さらには本明細書に記載する任意のコンピュータまたはプロセッサは、図１６に示すコンピュータシステム構成およびインターネット接続を用いてもよい。システム１４０は、ポータブル電子デバイスとして用いてもよい。ポータブル電子デバイスとは、ノートブックコンピュータ、ラップトップコンピュータ、メディアプレーヤ（例えばＭＰ３ベースのプレーヤまたはビデオプレーヤ）、携帯電話、パーソナルデジタルアシスタント（ＰＤＡ）、画像処理デバイス（例えばデジタルカメラまたはビデオレコーダ）、および／またはその他の任意のハンドヘルド演算デバイス、またはこれらデバイスのうち任意のものの組み合わせなどである。留意すべきは、図１６はコンピュータシステムの様々なコンポーネントを示しているが、コンポーネントを相互接続する特定のアーキテクチャまたは様式を示す意図はないことである。なぜならば、このような詳細は本発明とは無関係だからである。これよりも少ないコンポーネントまたはこれよりおそらく多いコンポーネントを有するネットワークコンピュータ、ハンドヘルドコンピュータ、携帯電話、およびその他のデータ処理システムも用い得ることを理解されたい。図１６のコンピュータシステムは例えば、Ａｐｐｌｅ Ｍａｃｉｎｔｏｓｈ（登録商標）コンピュータまたはＰｏｗｅｒ Ｂｏｏｋ（登録商標）、またはＩＢＭ（登録商標）互換ＰＣであってもよい。コンピュータシステム１４０は、情報通信用相互接続またはその他の通信機構であるバス１３７と、プロセッサ１３８とを含む。プロセッサ１３８は通常集積回路の形態であり、バス１３７に連結されて、情報を処理し且つコンピュータ実行可能命令を実行する。コンピュータシステム１４０はさらに、メインメモリ１３４を含む。メインメモリ１３４は、ランダムアクセスメモリ（ＲＡＭ）またはその他のダイナミック保存デバイスであり、バス１３７に連結されて、情報およびプロセッサ１３８が実行する命令を保存する。
メインメモリ１３４はさらに、プロセッサ１３８が実行する命令の実行中に一時的変数またはその他の中間情報を保存するために用いてもよい。コンピュータシステム１４０はさらに、リードオンリーメモリ（ＲＯＭ）１３６（またはその他の不揮発性メモリ）またはその他のスタティック保存デバイスを含む。これらの保存デバイスはバス１３７に連結されて、プロセッサ１３８用のスタティック情報および命令を保存する。保存デバイス１３５は磁気ディスクまたは光ディスク、ハードディスクに対して読み書きを行うハードディスクドライブ、磁気ディスクに対して読み書きを行う磁気ディスクドライブ、および／またはリムーバブル光ディスクに対して読み書きを行う光ディスクドライブ（ＤＶＤなど）などであり、バス１３７に連結されて、情報および命令を保存する。ハードディスクドライブ、磁気ディスクドライブ、および光ディスクドライブはそれぞれ、ハードディスクドライブインターフェース、磁気ディスクドライブインターフェース、および光ディスクドライブインターフェースによってシステムに接続されてもよい。ドライブおよびそれに関連するコンピュータで読み取り可能な記録媒体は、汎用演算デバイス用のコンピュータ読み取り可能命令、データ構造、プログラムモジュール、およびその他のデータの不揮発性保存部を提供する。コンピュータシステム１４０は典型的には、コンピュータリソースを管理する不揮発性保存部に保存されたオペレーティングシステム（ＯＳ）を含み、アプリケーションおよびプログラムにコンピュータリソースおよびインターフェースへのアクセスを提供する。オペレーティングシステムは通常、システムデータおよびユーザ入力を処理し、タスクおよび内部システムリソースを割り当て且つ管理することによって応答する。タスクおよび内部システムリソースを割り当て且つ管理するとは、メモリを制御し割り当てること、システム要請に優先度をつけること、入力および出力デバイスを制御すること、ネットワーキングファイルおよび管理ファイルを補助することなどである。オペレーティングシステムの例はＭｉｃｒｏｓｏｆｔ Ｗｉｎｄｏｗｓ（登録商標）、Ｍａｃ ＯＳ（登録商標） ＸおよびＬｉｎｕｘ（登録商標）であるが、これらに限定されない。
用語「プロセッサ」は、少なくとも１つの命令に対して動作を行うことができる任意の集積回路またはその他の電子デバイス（またはデバイスの集まり）を含むことを意図しており、縮小命令セットコア（ＲＩＳＣ）プロセッサ、ＣＩＳＣマイクロプロセッサ、マイクロコントローラユニット（ＭＣＵ）、ＣＩＳＣベース中央処理装置（ＣＰＵ）およびデジタルシグナルプロセッサ（ＤＳＰ）を含むがこれらに限定されない。このようなデバイスのハードウェアは単一基板（例えばシリコン製「ダイ」）に集積されてもよいし、２以上の基板に分散されてもよい。さらにプロセッサの様々な機能局面が、プロセッサに関連するソフトウェアまたはファームウェアとしてのみ実行されてもよい。
コンピュータシステム１４０はバス１３７を介してディスプレイ１３１に連結されてもよい。ディスプレイ１３１は、ブラウン管（ＣＲＴ）、液晶ディスプレイ（ＬＣＤ）、フラットスクリーンモニタ、タッチスクリーンモニタ、またはテキストまたはグラフィカルデータをユーザに表示する類似の手段などである。ディスプレイは、ディスプレイを支持するビデオアダプタを介して接続されてもよい。ディスプレイは、ユーザがシステムの動作に関連する情報を見る、入力する、および／または編集することを可能にする。入力デバイス１３２は英数字およびその他のキーを含み、バス１３７に連結されて、選択した情報およびコマンドをプロセッサ１３８に通信する。別のタイプのユーザ入力デバイスはカーソルコントロール１３３である。カーソルコントロール１３３は、マウス、トラックボール、または選択された方向情報およびコマンドをプロセッサ１３８に通信し且つディスプレイ１３１上のカーソル動作を制御するカーソル方向キーなどである。この入力デバイスは典型的には、２軸方向、すなわち第１の軸（例えばｘ）方向および第２の軸（例えばｙ）方向に２つの自由度を有し、平面上で位置を特定することができる。
コンピュータシステム１４０は、本明細書に記載する方法および手法を実行するために用いてもよい。一実施形態によると、これらの方法および手法は、プロセッサ１３８がメインメモリ１３４に含まれる１以上の命令の１以上のシーケンスを実行することに応答してコンピュータシステム１４０が行う。このような命令は、保存デバイス１３５などの他のコンピュータで読み取り可能な記録媒体からメインメモリ１３４に読み込まれてもよい。メインメモリ１３４に含まれる命令のシーケンスの実行によって、プロセッサ１３８は本明細書に記載するプロセス工程を実行する。別の実施形態では、ソフトウェア命令の代わりに、またはソフトウェア命令との組み合わせでハードウェアにより実現された回路を用いて上記構成を実行してもよい。このように本発明の実施形態は、ハードウェア回路およびソフトウェアの特定の組み合わせに限定されない。
本明細書で用いる用語「コンピュータで読み取り可能な記録媒体」（またはマシンで読み取り可能な記憶媒体」）は、プロセッサ（プロセッサ１３８など）に命令を提供して実行させる任意の媒体または任意のメモリ、またはマシン（例えばコンピュータ）が読み取り可能な形態で情報を保存または送信する任意の機構を広く指し示す用語である。このような媒体は、処理要素および／または制御ロジックが実行するコンピュータ実行可能命令、ならびに処理要素および／または制御ロジックが操作するデータを保存してもよく、様々な形態を取ってもよい。様々な形態とは、不揮発性媒体、揮発性媒体、および送信媒体を含むがこれらに限定されない。送信媒体は、同軸ケーブル、銅線、光ファイバを含み、バス１３７を形成するワイヤを含む。送信媒体はさらに、電波通信および赤外線通信中に発生するような音波または光波の形態、または伝搬信号（例えば搬送波、赤外線信号、デジタル信号など）の形態を取ってもよい。コンピュータで読み取り可能な記録媒体の一般的な形態は例えば、フロッピー（登録商標）ディスク、フレキシブルディスク、ハードディスク、磁気テープまたはその他の任意の磁気媒体、ＣＤ−ＲＯＭ、その他の任意の光媒体、孔のパターンを有するパンチカード、紙テープ、その他の任意の物理的媒体、ＲＡＭ、ＰＲＯＭ、ＥＰＲＯＭ、ＦＬＡＳＨ−ＥＰＲＯＭ、その他の任意のメモリチップまたはカートリッジ、以下に述べる搬送波、またはコンピュータが読み取れるその他の任意の媒体を含む。
コンピュータで読み取り可能な記録媒体の様々な形態は、１以上の命令の１以上のシーケンスをプロセッサ１３８に搬送して実行させることに関わってもよい。例えば、命令はまずリモートコンピュータの磁気ディスクに担持されてもよい。リモートコンピュータは命令をそのダイナミックメモリにロードし、モデムを用い電話線を介して命令を送信することができる。コンピュータシステム１４０用のモデムは電話線を介してデータを受け取り、赤外線送信器を用いてデータを赤外線信号に変換することができる。赤外線検出器は赤外線信号で搬送されたデータを受け取ることができ、適切な回路がデータをバス１３７に載置することができる。バス１３７はメインメモリ１３４にデータを搬送し、プロセッサ１３８はそこから命令を受け取って実行する。メインメモリ１３４が受け取った命令は、プロセッサ１３８による実行の前または後に保存デバイス１３５に適宜保存してもよい。
コンピュータシステム１４０はさらに、バス１３７に連結された通信インターフェース１４１を含む。通信インターフェース１４１は、ローカルネットワーク１１１に接続されたネットワークリンク１３９との双方向データ通信カップリングを提供する。通信インターフェース１４１は例えば、対応するタイプの電話線に対してデータ通信接続を提供するサービス総合デジタル網（ＩＳＤＮ）カードまたはモデムであり得る。本発明を限定しない別の例として、通信インターフェース１４１は、ローカルエリアネットワーク（ＬＡＮ）カードであってもよく、互換性のあるＬＡＮに対してデータ通信接続を提供する。例えば、ＩＥＥＥ８０２．３規格に基づくイーサネット（登録商標）ベースの接続を用いることができ、このような接続は、１０／１００ＢａｓｅＴ、１０００ＢａｓｅＴ（ギガビットイーサネット）、１０ギガビットイーサネット（ＩＥＥＥ規格８０２．３ａｅ−２００２を標準として１０ＧＥまたは１０ＧｂＥまたは１０ＧｉｇＥ）、４０ギガビットイーサネット（４０ＧｂＥ）または１００ギガビットイーサネット（イーサネット規格ＩＥＥＥ８０２．３ｂａを標準として１００ＧｂＥ）などである。これらは、Ｃｉｓｃｏ Ｓｙｓｔｅｍｓ Ｉｎｃ．パブリケーション第１−５８７００５−００１−３号（６／９９）、「インターネットワーキング技術ハンドブック」第７章「イーサネット技術」７―１〜７−３８頁に記載されており、この全体を本明細書に参考のため援用する。この場合、通信インターフェース１４１は典型的には、ＬＡＮトランシーバまたはモデムを含む。ＬＡＮトランシーバまたはモデムは、Ｓｔａｎｄａｒｄ Ｍｉｃｒｏｓｙｓｔｅｍｓ Ｃｏｒｐｏｒａｔｉｏｎ （ＳＭＳＣ）データシート「ＬＡＮ９１Ｃ１１１ １０／１００非ＰＣＩイーサネットシングルチップＭＡＣ＋ＰＨＹ」データシート、改訂１５（０２−２０−４０）に記載のＳｔａｎｄａｒｄ Ｍｉｃｒｏｓｙｓｔｅｍｓ Ｃｏｒｐｏｒａｔｉｏｎ （ＳＭＳＣ） ＬＡＮ９１Ｃ１１１ １０／１００イーサネットトランシーバなどであり、上記文献の全体を本明細書に参考のため援用する。
無線リンクも実行してもよい。このような実行のいずれにおいても、通信インターフェース１４１は、様々なタイプの情報を表すデジタルデータストリームを搬送する電気信号、電磁信号または光信号を送受信する。
ネットワークリンク１３９は典型的には、１以上のネットワークを介して他の１以上のデバイスにデータ通信を提供する。ネットワークリンク１３９は例えば、ローカルネットワーク１１１を介してインターネットサービスプロバイダ（ＩＳＰ）１４２によって作動されるホストコンピュータまたはデータ装置に接続を提供してもよい。次にＩＳＰ１４２は、世界規模のパケットデータ通信ネットワークであるインターネット１１を介してデータ通信サービスを提供する。ローカルネットワーク１１１およびインターネット１１は共に、デジタルデータストリームを搬送する電気信号、電磁信号または光信号を用いる。様々なネットワークを介した信号、ネットワークリンク１３９上の信号、およびコンピュータシステム１４０との間でデジタルデータを送受信する通信インターフェース１４１を介した信号は、情報を搬送する搬送波の例示的形態である。
受け取られたコードは受け取り時にプロセッサ１３８が実行してもよく、および／または保存デバイス１３５またはその他の保存部が保存して後に実行してもよい。このようにコンピュータシステム１４０は搬送波の形態でアプリケーションコードを獲得してもよい。
低血糖症リスクを遡及的に評価する、インスリン送達のリスクベースの低減を遡及的に評価する、および低血糖症を防止する方法に関してこれらを報告するという概念は、他の関連する利益を享受するという概念と共に、関連するプロセッサ、ネットワーク、コンピュータシステム、インターネット、ならびに本明細書に記載のスキームによるコンポーネントおよび機能によって実行し利用してもよい。
本発明の一実施形態（または複数の実施形態）の一態様の実施は以下の実施例からより完全に理解される。本明細書において、以下の実施例は本発明を説明するためだけに提示されるものであり、本発明を限定すると解釈するべきではない。
患者の低血糖症リスクの事後評価を提供するプロセッサベースの方法であって、
絶対ＢＧレベルと、絶対ＢＧ変異性と、低血糖症の事後（条件付き）確率Ｐ（Ｅｈｙｐｏ│ｒｅｃｏｒｄ）と密接に相関する絶対インスリン送達とに基づく低血糖症リスクの統計量Ｒｈｙｐｏ（ｒｅｃｏｒｄ）を演算するアルゴリズムであって、上記式においてＥｈｙｐｏは翌日の低血糖症事象を示し、ｒｅｃｏｒｄは検体の履歴的ＢＧ、インスリン送達および活動記録を示す、アルゴリズムを提供し、
前記患者の低血糖症の可能性に対する行動可能な事前警告が前記患者またはユーザに提供されるように前記演算した統計量Ｒｈｙｐｏ（ｒｅｃｏｒｄ）を提供すること、
を備えた方法。
絶対ＢＧレベルと、絶対ＢＧ変異性と、低血糖症の事後（条件付き）確率Ｐ（Ｅｈｙｐｏ│ｒｅｃｏｒｄ）と密接に相関する絶対インスリン送達とに基づく低血糖症リスクの統計量Ｒｈｙｐｏ（ｒｅｃｏｒｄ）を演算するアルゴリズムであって、上記式においてＥｈｙｐｏは翌日の低血糖症事象を示し、ｒｅｃｏｒｄは検体の履歴的ＢＧ、インスリン送達および活動記録を示す、アルゴリズムを提供し、
前記患者の低血糖症の可能性に対する行動可能な事前警告が前記患者またはユーザに提供されるように前記演算した統計量Ｒｈｙｐｏ（ｒｅｃｏｒｄ）を提供すること、
を備えた方法。
前記絶対ＢＧレベルと前記絶対ＢＧ変異性とがＣＧＭデバイス由来のデータであり得、前記絶対インスリン送達がインスリンポンプデバイスから得られたデータであり得る、実施例１に記載の方法。
前記絶対ＢＧレベルと前記絶対ＢＧ変異性とがＣＧＭデバイス由来のデータであり得、前記絶対インスリン送達が手動インスリン注入デバイスから得られたデータであり得る、実施例１に記載の方法。
前記絶対ＢＧレベルと前記絶対ＢＧ変異性とがＳＭＢＧデバイス由来のデータであり得、および／または前記絶対インスリン送達がインスリンポンプデバイスから得られたデータであり得る、実施例１に記載の方法。
前記絶対ＢＧレベルと前記絶対ＢＧ変異性とがＳＭＢＧデバイス由来のデータであり得、および／または前記絶対インスリン送達が手動インスリン注入デバイスから得られたデータであり得る、実施例１に記載の方法。
患者にとって安全なインスリンのレベルを遡及的に提供するプロセッサベースの方法であって、
検体のインスリン送達記録に対するリスクベースの分離減衰係数を遡及的に演算するアルゴリズムを提供し、
任意の内部閾値が前記患者またはユーザに提供されて、将来の食前および／またはその後の運動前に実行可能な一時的基礎代謝率の低減を決めさせるように、前記演算したリスクベースの分離減衰係数を提供し、前記リスクベースの減衰係数を適用すること、
を備えた方法。
検体のインスリン送達記録に対するリスクベースの分離減衰係数を遡及的に演算するアルゴリズムを提供し、
任意の内部閾値が前記患者またはユーザに提供されて、将来の食前および／またはその後の運動前に実行可能な一時的基礎代謝率の低減を決めさせるように、前記演算したリスクベースの分離減衰係数を提供し、前記リスクベースの減衰係数を適用すること、
を備えた方法。
前記インスリン送達記録がインスリンポンプデバイスから得られたデータであり得る、実施例６に記載の方法。
前記インスリン送達記録が手動インスリン注入デバイスから得られたデータであり得る、実施例６に記載の方法。
前記リスクベースの減衰係数が以下の式、
により演算され、
上記式において、Ｒ（ｔ，τ）は、関数のＢＧ対称化に基づく、時間ｔまでのＢＧデータおよびインスリンデータの履歴的記録に基づく時間ｔと時間ｔ＋τとの間の低血糖症リスクの測定値であり、ｋｐａｔｉｅｎｔは患者特異的「積極性」係数である、実施例６に記載の方法。
により演算され、
上記式において、Ｒ（ｔ，τ）は、関数のＢＧ対称化に基づく、時間ｔまでのＢＧデータおよびインスリンデータの履歴的記録に基づく時間ｔと時間ｔ＋τとの間の低血糖症リスクの測定値であり、ｋｐａｔｉｅｎｔは患者特異的「積極性」係数である、実施例６に記載の方法。
「正味効果」ベースの患者適応型モデルを提供するプロセッサベースの方法であって、
モデル患者個々の生理の記述的パラメータを含む、患者の代謝システムの力学モデルと、
前記力学モデルを介して履歴的記録におけるブトウ糖変異性を説明する、前記モデル患者の数学的表現の乱れを含む行動の「正味効果」モデルの前記力学モデルに対応する推定された履歴と、
（ｉ）既知の入力に基づいて将来のＢＧを予測する前記力学モデルの能力と（ｉｉ）前記患者の前記乱れの記録と一致する正味効果曲線を生成する前記モデルの能力とに基づく前記患者の前記生理パラメータの更新と、
を演算するアルゴリズムを提供し、
前記患者またはユーザが今後の行動コースのために前記更新を用いることができるように、前記患者またはユーザに前記更新を提供すること、
を備えた方法。
モデル患者個々の生理の記述的パラメータを含む、患者の代謝システムの力学モデルと、
前記力学モデルを介して履歴的記録におけるブトウ糖変異性を説明する、前記モデル患者の数学的表現の乱れを含む行動の「正味効果」モデルの前記力学モデルに対応する推定された履歴と、
（ｉ）既知の入力に基づいて将来のＢＧを予測する前記力学モデルの能力と（ｉｉ）前記患者の前記乱れの記録と一致する正味効果曲線を生成する前記モデルの能力とに基づく前記患者の前記生理パラメータの更新と、
を演算するアルゴリズムを提供し、
前記患者またはユーザが今後の行動コースのために前記更新を用いることができるように、前記患者またはユーザに前記更新を提供すること、
を備えた方法。
前記記述的パラメータが、経口摂取炭水化物ｄ（ｇ／分）、身体活動ｅ（ｃａｌ／分）、皮下インスリンｕ（Ｕ／時間）および前記モデル患者の代謝状態ベクトルＸ間の力学的関係の表現を含み、その要素が、体内の様々なコンパートメントにおけるブトウ糖濃度およびインスリン濃度（ｍｇ／ｄｌ）ならびに腸内の炭水化物質量（ｍｇ）を含む、実施例１０に記載の方法。
前記ブトウ糖濃度（ｍｇ／ｄｌ）がＣＧＭデバイス由来のデータであり得、前記皮下インスリンｕ（Ｕ／時間）と前記インスリン濃度（ｍｇ／ｄｌ）とがインスリンポンプデバイスから得られたデータであり得る、実施例１１に記載の方法。
前記ブトウ糖濃度（ｍｇ／ｄｌ）がＣＧＭデバイス由来のデータであり得、前記皮下インスリンｕと前記インスリン濃度（ｍｇ／ｄｌ）とが手動インスリン注入デバイスから得られたデータであり得る、実施例１１に記載の方法。
前記ブトウ糖濃度（ｍｇ／ｄｌ）がＳＭＢＧデバイス由来のデータであり得、および／または前記皮下インスリンｕと前記インスリン濃度（ｍｇ／ｄｌ）とがインスリンポンプデバイスから得られたデータであり得る、実施例１１に記載の方法。
前記ブトウ糖濃度（ｍｇ／ｄｌ）がＳＭＢＧデバイス由来のデータであり得、および／または前記皮下インスリンｕと前記インスリン濃度（ｍｇ／ｄｌ）とが手動インスリン注入デバイスから得られたデータであり得る、実施例１１に記載の方法。
前記記述的パラメータ間の関係が、以下の１組の離散時間非線形差分方程式、
として記述可能であり、
上記式において、ＦおよびＧは非線形システム式であり、θ（ｋ）は患者の特性であるパラメータ値のベクトル、例えば、体重、様々なコンパートメント内の分散量、様々なコンパートメント間の吸収速度およびクリアランスの速度を示す様々な時定数のベクトルであり、これらの一部は時間ｋに応じて変化しやすい、実施例１１に記載の方法。
として記述可能であり、
上記式において、ＦおよびＧは非線形システム式であり、θ（ｋ）は患者の特性であるパラメータ値のベクトル、例えば、体重、様々なコンパートメント内の分散量、様々なコンパートメント間の吸収速度およびクリアランスの速度を示す様々な時定数のベクトルであり、これらの一部は時間ｋに応じて変化しやすい、実施例１１に記載の方法。
前記記述的パラメータ間の関係が、以下の１組の連続時間非線形差分方程式、
として記述可能である、実施例１１に記載の方法。
として記述可能である、実施例１１に記載の方法。
非線形表現（nonlinear representation）が、任意の所望の動作点（例えば定常ブトウ糖濃度）を中心に線形化可能であり、それにより以下の線形力学モデル、
を生じさせ、
上記式において、ｘは代謝状態の（前記動作点からの）差異のベクトルであり、ｕδ（Ｕ／時間）は前記患者の定常（基礎）インスリン送達速度に基づくインスリン送達の偏差であり、Ａ、Ｂｕ、Ｂｄ、Ｂｅは前記線型モデルの状態空間マトリクスであり、ｙ（ｋ）は前記所望の動作点に基づくＢＧの偏差を表し、θｋに対する依存は前記状態空間マトリクスＡ、Ｂｕ、Ｂｄ、Ｂｅ内に埋め込まれている、実施例１７に記載の方法。
を生じさせ、
上記式において、ｘは代謝状態の（前記動作点からの）差異のベクトルであり、ｕδ（Ｕ／時間）は前記患者の定常（基礎）インスリン送達速度に基づくインスリン送達の偏差であり、Ａ、Ｂｕ、Ｂｄ、Ｂｅは前記線型モデルの状態空間マトリクスであり、ｙ（ｋ）は前記所望の動作点に基づくＢＧの偏差を表し、θｋに対する依存は前記状態空間マトリクスＡ、Ｂｕ、Ｂｄ、Ｂｅ内に埋め込まれている、実施例１７に記載の方法。
前記乱れが、食事プロファイルと、身体活動と、睡眠期間／目が覚めている期間とを含む、実施例１０に記載の方法。
前記「正味効果」モデルが、前記患者のＢＧの履歴的記録とインスリン送達の履歴的記録とを一致させるバーチャルシステム入力の「履歴」を提供する、実施例１０に記載の方法。
前記患者のＢＧ濃度の履歴的記録{ＢＧ（ｋ）}ｋεｄａｙとインスリン送達の履歴的記録{ｕ（ｋ）}ｋεｄａｙとを与えられた場合、履歴的情報を一致させる前記正味効果が、誤差関数、
を最小にするバーチャル炭水化物入力{ｄｎ．ｅ．（ｋ）}ｋεｄａｙのベクトルであり、
上記式において、ｄｉｓｔは、インスリン送達の固定記録{ｕ（ｋ）}ｋεｄａｙおよび正味効果候補{ｄｎ．ｅ．（ｋ）}ｋεｄａｙが与えられた場合のＢＧ濃度の２つのベクトル（この場合は、実際のＢＧ対モデル予測ＢＧ）間の距離の測定値である、実施例２０に記載の方法。
を最小にするバーチャル炭水化物入力{ｄｎ．ｅ．（ｋ）}ｋεｄａｙのベクトルであり、
上記式において、ｄｉｓｔは、インスリン送達の固定記録{ｕ（ｋ）}ｋεｄａｙおよび正味効果候補{ｄｎ．ｅ．（ｋ）}ｋεｄａｙが与えられた場合のＢＧ濃度の２つのベクトル（この場合は、実際のＢＧ対モデル予測ＢＧ）間の距離の測定値である、実施例２０に記載の方法。
得られた最適正味効果ベクトル（すなわち正味効果曲線）{ｄｎ．ｅ．（ｋ）}ｋεｄａｙが、単一外部乱れ信号として（ｍｇ／分）で測定された前記患者に対する外部影響のすべてを捕捉するバーチャル炭水化物信号を介して前記患者によって収集されたＢＧデータとインスリンデータを最適に一致させる、実施例２１に記載の方法。
前記正味効果が正であるとき、これは前記患者が実際に食べていることに対応するか、またはその日のうちに、前記患者が高まったインスリン感度を経験する期間に対応し得、
前記正味効果が負であるとき、これは前記患者が徹底した身体活動または運動を行っていることに対応する、実施例２２に記載の方法。
前記正味効果が負であるとき、これは前記患者が徹底した身体活動または運動を行っていることに対応する、実施例２２に記載の方法。
前記患者の生理モデルパラメータ{θ（ｋ）}ｋεｄａｙが、前記患者の日周期性リズムによる毎日の変異性を含み、
モデル更新器が、以下の式、
を有する形態を取る式を含み、
上記式において、Ｕはグラジエントベースであり得る回帰的パラメータ更新関数であり、ＢＧｒｅｓはＢＧモデル予測誤差（残余）のベクトルであり、ＮＥｒｅｓは演算した正味効果曲線と前記患者の実際の（証明済みの）行動入力の記録との間の誤差のベクトルである、実施例１０に記載の方法。
モデル更新器が、以下の式、
を有する形態を取る式を含み、
上記式において、Ｕはグラジエントベースであり得る回帰的パラメータ更新関数であり、ＢＧｒｅｓはＢＧモデル予測誤差（残余）のベクトルであり、ＮＥｒｅｓは演算した正味効果曲線と前記患者の実際の（証明済みの）行動入力の記録との間の誤差のベクトルである、実施例１０に記載の方法。
前記力学モデルが複数の時間的尺度に対して調整されることにより、パラメータ更新をＢＧ残余、
に基づいて毎日演算することができ、正味効果ミスマッチに基づく更新を週毎または月毎などのより長い時間的尺度、
で演算することができる、実施例２４に記載の方法。
に基づいて毎日演算することができ、正味効果ミスマッチに基づく更新を週毎または月毎などのより長い時間的尺度、
で演算することができる、実施例２４に記載の方法。
前記患者の最適インスリン送達速度の遡及的評価を提供することをさらに含む、実施例１０に記載の方法であって、
前記アルゴリズムが、
前記システムの乱れがインターバル中に前記患者について演算された正味効果曲線の履歴と同一であったとすれば、履歴時間のうち所定期間に亘る前記患者の最適インスリン送達速度はどうであったかを遡及的に演算し、前記演算において、前記正味効果曲線の各「履歴」に対して、考慮されたインターバルに亘る毎日の食事、運動、および補正を説明するインスリン送達速度の「履歴」が存在し、
所与の日の前記正味効果曲線と最適コントローラのモデルベースの応答との間をマッピングし、前記マッピングにおいて、最適応答のベクトルが収集且つ分析され、インスリン治療を毎日振り返るために前記患者またはユーザに提示され、
食事に関連する離散インスリン量を差し引くか、運動前後の一時的基礎代謝率に関連する離散インスリン不足を説明することにより、重要であるがランダムな事象に対応する特徴を前記最適応答から抽出し、それによりインスリン送達の残りのスケジュールが前記履歴的記録における毎日の前記患者の「最適」基礎代謝率の表示に対応し、
前記遡及的に演算された最適基礎代謝率における一貫性を識別し、複数の期間セグメントにおける前記最適基礎代謝率が前記患者の治療期間を表し、
前記方法がさらに、
各セグメントに適用されたであろう基礎インスリンの中間レベルを前記患者またはユーザに提供し、前記患者またはユーザがこの情報を用いて（ｉ）将来の食前および／またはその後の運動前の一時的基礎代謝率を低減しようと決めるか、または（ｉｉ）前記患者の長期間に亘る基礎代謝率プロファイルを調整できるようにする方法。
前記アルゴリズムが、
前記システムの乱れがインターバル中に前記患者について演算された正味効果曲線の履歴と同一であったとすれば、履歴時間のうち所定期間に亘る前記患者の最適インスリン送達速度はどうであったかを遡及的に演算し、前記演算において、前記正味効果曲線の各「履歴」に対して、考慮されたインターバルに亘る毎日の食事、運動、および補正を説明するインスリン送達速度の「履歴」が存在し、
所与の日の前記正味効果曲線と最適コントローラのモデルベースの応答との間をマッピングし、前記マッピングにおいて、最適応答のベクトルが収集且つ分析され、インスリン治療を毎日振り返るために前記患者またはユーザに提示され、
食事に関連する離散インスリン量を差し引くか、運動前後の一時的基礎代謝率に関連する離散インスリン不足を説明することにより、重要であるがランダムな事象に対応する特徴を前記最適応答から抽出し、それによりインスリン送達の残りのスケジュールが前記履歴的記録における毎日の前記患者の「最適」基礎代謝率の表示に対応し、
前記遡及的に演算された最適基礎代謝率における一貫性を識別し、複数の期間セグメントにおける前記最適基礎代謝率が前記患者の治療期間を表し、
前記方法がさらに、
各セグメントに適用されたであろう基礎インスリンの中間レベルを前記患者またはユーザに提供し、前記患者またはユーザがこの情報を用いて（ｉ）将来の食前および／またはその後の運動前の一時的基礎代謝率を低減しようと決めるか、または（ｉｉ）前記患者の長期間に亘る基礎代謝率プロファイルを調整できるようにする方法。
インスリン助言モデルのオンデマンド適応型補正をさらに提供し、
食事および運動活動の遡及的検出の演算と、
食事および運動のタイミングおよび内容についての記述を提供する確率論的モデリングの演算と、
患者およびユーザの要請に応答するインスリン補正助言を前記患者またはユーザに提供する演算と、
を含むアルゴリズムを提供することを備えた、実施例１０に記載の方法。
食事および運動活動の遡及的検出の演算と、
食事および運動のタイミングおよび内容についての記述を提供する確率論的モデリングの演算と、
患者およびユーザの要請に応答するインスリン補正助言を前記患者またはユーザに提供する演算と、
を含むアルゴリズムを提供することを備えた、実施例１０に記載の方法。
前記食事および運動活動の遡及的検出が、前記患者の「正味効果曲線」の現在の履歴と前記患者が自認する食事および運動事象の履歴的記録とを一致させることにより関連する患者行動の有効化された（高信頼）記録を生成するアルゴリズムを含み、前記一致させることが、（ｉ）前記患者に関して入手可能なＢＧデータおよびインスリンデータから演算した前記正味効果曲線と（ｉｉ）システムユーザインターフェースを介して前記患者またはユーザが自認した食事および運動事象との間の不一致を識別することを含み、
前記不一致から示唆を提供することを備え、その場合前記示唆は前記患者またはユーザに通信され、
前記ユーザまたは患者から得られた任意の応答を受け取ることにより、関連する患者活動の最終的な有効化された記録を形成することを備えた、実施例２７に記載の方法。
前記不一致から示唆を提供することを備え、その場合前記示唆は前記患者またはユーザに通信され、
前記ユーザまたは患者から得られた任意の応答を受け取ることにより、関連する患者活動の最終的な有効化された記録を形成することを備えた、実施例２７に記載の方法。
前記確率論的モデリングが、前記関連する患者活動の最終的な有効化された記録を受け取り、前記患者行動の食事および運動のタイミングおよび内容を表すために確率論的モデリングを行うアルゴリズムを含む、実施例２８に記載の方法。
前記インスリン補正が、前記患者の状態をモニタリングし、前記患者またはユーザが求めた瞬間に、（ｉ）起こりつつある行動の乱れの確率論的モデリングと（ｉｉ）様々な別の補正インスリン量の衝撃を予測することを可能にする、前記患者の代謝システムの現在の力学モデルとに基づいて、インスリン補正助言を提供するアルゴリズムを含む、実施例２９に記載の方法。
患者の低血糖症リスクの事後評価を提供するシステムであって、
絶対ＢＧレベルと、絶対ＢＧ変異性と、低血糖症の事後（条件付き）確率Ｐ（Ｅｈｙｐｏ│ｒｅｃｏｒｄ）と密接に相関する絶対インスリン送達とに基づく低血糖症リスクの統計量Ｒｈｙｐｏ（ｒｅｃｏｒｄ）を演算するプロセッサを有し、上記式においてＥｈｙｐｏは翌日の低血糖症事象を示し、ｒｅｃｏｒｄは検体の履歴的ＢＧ、インスリン送達および活動記録を示す、遡及的リスクベース安全性モジュールを含み、
前記患者の低血糖症の可能性に対する行動可能な事前警告が前記患者またはユーザに提供されるように前記プロセッサが前記演算した統計量Ｒｈｙｐｏ（ｒｅｃｏｒｄ）を出力するシステム。
絶対ＢＧレベルと、絶対ＢＧ変異性と、低血糖症の事後（条件付き）確率Ｐ（Ｅｈｙｐｏ│ｒｅｃｏｒｄ）と密接に相関する絶対インスリン送達とに基づく低血糖症リスクの統計量Ｒｈｙｐｏ（ｒｅｃｏｒｄ）を演算するプロセッサを有し、上記式においてＥｈｙｐｏは翌日の低血糖症事象を示し、ｒｅｃｏｒｄは検体の履歴的ＢＧ、インスリン送達および活動記録を示す、遡及的リスクベース安全性モジュールを含み、
前記患者の低血糖症の可能性に対する行動可能な事前警告が前記患者またはユーザに提供されるように前記プロセッサが前記演算した統計量Ｒｈｙｐｏ（ｒｅｃｏｒｄ）を出力するシステム。
前記絶対ＢＧレベルと前記絶対ＢＧ変異性とがＣＧＭデバイス由来のデータであり得、前記絶対インスリン送達がインスリンポンプデバイスから得られたデータであり得る、実施例３１に記載のシステム。
前記絶対ＢＧレベルと前記絶対ＢＧ変異性とがＣＧＭデバイス由来のデータであり得、前記絶対インスリン送達が手動インスリン注入デバイスから得られたデータであり得る、実施例３１に記載のシステム。
前記絶対ＢＧレベルと前記絶対ＢＧ変異性とがＳＭＢＧデバイス由来のデータであり得、前記絶対インスリン送達がインスリンポンプデバイスから得られたデータであり得る、実施例３１に記載のシステム。
前記絶対ＢＧレベルと前記絶対ＢＧ変異性とがＳＭＢＧデバイス由来のデータであり得、前記絶対インスリン送達が手動インスリン注入デバイスから得られたデータであり得る、実施例３１に記載のシステム。
前記絶対ＢＧレベルと前記絶対ＢＧ変異性とが前記ＣＧＭデバイス由来のデータであり得るＣＧＭデバイスと、
前記絶対インスリン送達が前記インスリンポンプデバイスから得られたデータであり得るインスリンポンプデバイスと、
をさらに含む、実施例３１に記載のシステム。
前記絶対インスリン送達が前記インスリンポンプデバイスから得られたデータであり得るインスリンポンプデバイスと、
をさらに含む、実施例３１に記載のシステム。
前記絶対ＢＧレベルと前記絶対ＢＧ変異性とが前記ＣＧＭデバイス由来のデータであり得るＣＧＭデバイスと、
前記絶対インスリン送達が前記手動インスリン注入デバイスから得られたデータであり得る手動インスリン注入デバイスと、
をさらに含む、実施例３１に記載のシステム。
前記絶対インスリン送達が前記手動インスリン注入デバイスから得られたデータであり得る手動インスリン注入デバイスと、
をさらに含む、実施例３１に記載のシステム。
前記絶対ＢＧレベルと前記絶対ＢＧ変異性とが前記ＳＭＢＧデバイス由来のデータであり得るＳＭＢＧデバイスと、
前記絶対インスリン送達が前記インスリンポンプデバイスから得られたデータであり得るインスリンポンプデバイスと、
をさらに含む、実施例３１に記載のシステム。
前記絶対インスリン送達が前記インスリンポンプデバイスから得られたデータであり得るインスリンポンプデバイスと、
をさらに含む、実施例３１に記載のシステム。
前記絶対ＢＧレベルと前記絶対ＢＧ変異性とが前記ＳＭＢＧデバイス由来のデータであり得るＳＭＢＧデバイスと、
前記絶対インスリン送達が前記手動インスリン注入デバイスから得られたデータであり得る手動インスリン注入デバイスと、
をさらに含む、実施例３１に記載のシステム。
前記絶対インスリン送達が前記手動インスリン注入デバイスから得られたデータであり得る手動インスリン注入デバイスと、
をさらに含む、実施例３１に記載のシステム。
患者にとって安全なインスリンのレベルを遡及的に提供するシステムであって、
検体のインスリン送達記録に対するリスクベースの分離減衰係数を遡及的に演算するプロセッサを有する遡及的リスクベース安全性モジュールを含み、
前記プロセッサが、任意の内部閾値が前記患者またはユーザに提供されて、将来の食前および／またはその後の運動前に実行可能な一時的基礎代謝率の低減を決めさせるように、前記演算したリスクベースの分離減衰係数を出力し、前記リスクベースの減衰係数を適用するシステム。
検体のインスリン送達記録に対するリスクベースの分離減衰係数を遡及的に演算するプロセッサを有する遡及的リスクベース安全性モジュールを含み、
前記プロセッサが、任意の内部閾値が前記患者またはユーザに提供されて、将来の食前および／またはその後の運動前に実行可能な一時的基礎代謝率の低減を決めさせるように、前記演算したリスクベースの分離減衰係数を出力し、前記リスクベースの減衰係数を適用するシステム。
前記インスリン送達がインスリンポンプデバイスから得られたデータであり得る、実施例４０に記載のシステム。
前記インスリン送達が手動インスリン注入デバイスから得られたデータであり得る、実施例４０に記載のシステム。
前記インスリン送達が前記インスリンポンプデバイスから得られたデータであり得るインスリンポンプデバイスをさらに含む、実施例４０に記載のシステム。
前記インスリン送達が前記手動インスリン注入デバイスから得られたデータであり得る手動インスリン注入デバイスをさらに含む、実施例４０に記載のシステム。
前記リスクベースの減衰係数が以下の式、
により演算され、
上記式において、Ｒ（ｔ，τ）は、関数のＢＧ対称化に基づく、時間ｔまでのＢＧデータおよびインスリンデータの履歴的記録に基づく時間ｔと時間ｔ＋τとの間の低血糖症リスクの測定値であり、ｋｐａｔｉｅｎｔは患者特異的「積極性」係数である、実施例４０に記載のシステム。
により演算され、
上記式において、Ｒ（ｔ，τ）は、関数のＢＧ対称化に基づく、時間ｔまでのＢＧデータおよびインスリンデータの履歴的記録に基づく時間ｔと時間ｔ＋τとの間の低血糖症リスクの測定値であり、ｋｐａｔｉｅｎｔは患者特異的「積極性」係数である、実施例４０に記載のシステム。
「正味効果」ベースの患者適応型モデルを提供するシステムであって、
前記プロセッサが、
モデル患者個々の生理の記述的パラメータを含む患者の代謝システムの力学モデルと、
前記力学モデルを介して履歴的記録におけるブトウ糖変異性を説明する前記モデル患者の数学的表現の乱れを含む行動の「正味効果」モデルの前記力学モデルに対応する推定された履歴と、
を演算する、プロセッサを有する正味効果推測器モジュールと、
（ｉ）既知の入力に基づいて将来のＢＧを予測する前記力学モデルの能力と（ｉｉ）前記患者の前記乱れの記録と一致する正味効果曲線を生成する前記モデルの能力とに基づく前記患者の前記生理パラメータの更新を演算する、プロセッサを有するモデル更新器モジュールと、
を含み、
前記患者またはユーザが今後の行動コースのために前記更新を用いることができるように、前記システムが前記患者またはユーザに前記更新を出力するシステム。
前記プロセッサが、
モデル患者個々の生理の記述的パラメータを含む患者の代謝システムの力学モデルと、
前記力学モデルを介して履歴的記録におけるブトウ糖変異性を説明する前記モデル患者の数学的表現の乱れを含む行動の「正味効果」モデルの前記力学モデルに対応する推定された履歴と、
を演算する、プロセッサを有する正味効果推測器モジュールと、
（ｉ）既知の入力に基づいて将来のＢＧを予測する前記力学モデルの能力と（ｉｉ）前記患者の前記乱れの記録と一致する正味効果曲線を生成する前記モデルの能力とに基づく前記患者の前記生理パラメータの更新を演算する、プロセッサを有するモデル更新器モジュールと、
を含み、
前記患者またはユーザが今後の行動コースのために前記更新を用いることができるように、前記システムが前記患者またはユーザに前記更新を出力するシステム。
前記記述的パラメータが、経口摂取炭水化物ｄ（ｇ／分）、身体活動ｅ（ｃａｌ／分）、皮下インスリンｕ（Ｕ／時間）および前記モデル患者の代謝状態ベクトルＸ間の力学的関係の表現を含み、その要素が、体内の様々なコンパートメントにおけるブトウ糖濃度およびインスリン濃度（ｍｇ／ｄｌ）ならびに腸内の炭水化物質量（ｍｇ）を含む、実施例４６に記載のシステム。
前記ブトウ糖濃度（ｍｇ／ｄｌ）がＣＧＭデバイス由来のデータであり得、前記皮下インスリンｕ（Ｕ／時間）と前記インスリン濃度（ｍｇ／ｄｌ）とがインスリンポンプデバイスから得られたデータであり得る、実施例４７に記載のシステム。
前記ブトウ糖濃度（ｍｇ／ｄｌ）がＣＧＭデバイス由来のデータであり得、前記皮下インスリンｕと前記インスリン濃度（ｍｇ／ｄｌ）とが手動インスリン注入デバイスから得られたデータであり得る、実施例４７に記載のシステム。
前記ブトウ糖濃度（ｍｇ／ｄｌ）がＳＭＢＧデバイス由来のデータであり得、および／または前記皮下インスリンｕと前記インスリン濃度（ｍｇ／ｄｌ）とがインスリンポンプデバイスから得られたデータであり得る、実施例４７に記載のシステム。
前記ブトウ糖濃度（ｍｇ／ｄｌ）がＳＭＢＧデバイス由来のデータであり得、および／または前記皮下インスリンｕと前記インスリン濃度（ｍｇ／ｄｌ）とが手動インスリン注入デバイスから得られたデータであり得る、実施例４７に記載のシステム。
前記ブトウ糖濃度（ｍｇ／ｄｌ）が前記ＣＧＭデバイス由来のデータであり得るＣＧＭデバイスと、
前記皮下インスリンｕと前記インスリン濃度（ｍｇ／ｄｌ）とが前記インスリンポンプから得られたデータであり得るインスリンポンプと、
をさらに含む、実施例４７に記載のシステム。
前記皮下インスリンｕと前記インスリン濃度（ｍｇ／ｄｌ）とが前記インスリンポンプから得られたデータであり得るインスリンポンプと、
をさらに含む、実施例４７に記載のシステム。
前記ブトウ糖濃度（ｍｇ／ｄｌ）が前記ＳＭＢＧデバイス由来のデータであり得るＳＭＢＧデバイスと、
前記皮下インスリンｕと前記インスリン濃度（ｍｇ／ｄｌ）とが前記インスリンポンプデバイスまたは前記インスリン注入デバイスから得られたデータであり得るインスリンポンプまたはインスリン注入デバイスと、
をさらに含む、実施例４７に記載のシステム。
前記皮下インスリンｕと前記インスリン濃度（ｍｇ／ｄｌ）とが前記インスリンポンプデバイスまたは前記インスリン注入デバイスから得られたデータであり得るインスリンポンプまたはインスリン注入デバイスと、
をさらに含む、実施例４７に記載のシステム。
前記記述的パラメータ間の関係が、以下の１組の離散時間非線形差分方程式、
として記述可能であり、
上記式において、ＦおよびＧは非線形システム式であり、θ（ｋ）は患者の特性であるパラメータ値のベクトル、例えば、体重、様々なコンパートメント内の分散量、様々なコンパートメント間の吸収速度およびクリアランスの速度を示す様々な時定数のベクトルであり、これらの一部は時間ｋに応じて変化しやすい、実施例４７に記載のシステム。
として記述可能であり、
上記式において、ＦおよびＧは非線形システム式であり、θ（ｋ）は患者の特性であるパラメータ値のベクトル、例えば、体重、様々なコンパートメント内の分散量、様々なコンパートメント間の吸収速度およびクリアランスの速度を示す様々な時定数のベクトルであり、これらの一部は時間ｋに応じて変化しやすい、実施例４７に記載のシステム。
前記記述的パラメータ間の関係が、以下の１組の連続時間非線形差分方程式、
として記述可能である、実施例４７に記載のシステム。
として記述可能である、実施例４７に記載のシステム。
非線形表現が、任意の所望の動作点（例えば定常ブトウ糖濃度）を中心に線形化可能であり、それにより以下の線形力学モデル、
を生じさせ、
上記式において、ｘは代謝状態の（前記動作点からの）差異のベクトルであり、ｕδ（Ｕ／時間）は前記患者の定常（基礎）インスリン送達速度に基づくインスリン送達の偏差であり、Ａ、Ｂｕ、Ｂｄ、Ｂｅは前記線型モデルの状態空間マトリクスであり、ｙ（ｋ）は前記所望の動作点に基づくＢＧの偏差を表し、θｋに対する依存は前記状態空間マトリクスＡ、Ｂｕ、Ｂｄ、Ｂｅ内に埋め込まれている、実施例５５に記載のシステム。
を生じさせ、
上記式において、ｘは代謝状態の（前記動作点からの）差異のベクトルであり、ｕδ（Ｕ／時間）は前記患者の定常（基礎）インスリン送達速度に基づくインスリン送達の偏差であり、Ａ、Ｂｕ、Ｂｄ、Ｂｅは前記線型モデルの状態空間マトリクスであり、ｙ（ｋ）は前記所望の動作点に基づくＢＧの偏差を表し、θｋに対する依存は前記状態空間マトリクスＡ、Ｂｕ、Ｂｄ、Ｂｅ内に埋め込まれている、実施例５５に記載のシステム。
前記乱れが、食事プロファイルと、身体活動と、睡眠期間／目が覚めている期間とを含む、実施例４６に記載のシステム。
前記「正味効果」モデルが、前記患者のＢＧの履歴的記録とインスリン送達の履歴的記録とを一致させるバーチャルシステム入力の「履歴」を提供する、実施例４６に記載のシステム。
前記患者のＢＧ濃度の履歴的記録{ＢＧ（ｋ）}ｋεｄａｙとインスリン送達の履歴的記録{ｕ（ｋ）}ｋεｄａｙとを与えられた場合、履歴的情報を一致させる前記正味効果が、誤差関数、
を最小にするバーチャル炭水化物入力{ｄｎ．ｅ．（ｋ）}ｋεｄａｙのベクトルであり、
上記式において、ｄｉｓｔは、インスリン送達の固定記録{ｕ（ｋ）}ｋεｄａｙおよび正味効果候補{ｄｎ．ｅ．（ｋ）}ｋεｄａｙが与えられた場合のＢＧ濃度の２つのベクトル（この場合は、実際のＢＧ対モデル予測ＢＧ）間の距離の測定値である、実施例５８に記載のシステム。
を最小にするバーチャル炭水化物入力{ｄｎ．ｅ．（ｋ）}ｋεｄａｙのベクトルであり、
上記式において、ｄｉｓｔは、インスリン送達の固定記録{ｕ（ｋ）}ｋεｄａｙおよび正味効果候補{ｄｎ．ｅ．（ｋ）}ｋεｄａｙが与えられた場合のＢＧ濃度の２つのベクトル（この場合は、実際のＢＧ対モデル予測ＢＧ）間の距離の測定値である、実施例５８に記載のシステム。
得られた最適正味効果ベクトル（すなわち正味効果曲線）{ｄｎ．ｅ．（ｋ）}ｋεｄａｙが、単一外部乱れ信号として（ｍｇ／分）で測定された前記患者に対する外部影響のすべてを捕捉するバーチャル炭水化物信号を介して前記患者によって収集されたＢＧデータとインスリンデータを最適に一致させる、実施例５９に記載のシステム。
前記正味効果が正であるとき、これは前記患者が実際に食べていることに対応するか、またはその日のうちに、前記患者が高まったインスリン感度を経験する期間に対応し得、
前記正味効果が負であるとき、これは前記患者が徹底した身体活動または運動を行っていることに対応する、実施例６０に記載のシステム。
前記正味効果が負であるとき、これは前記患者が徹底した身体活動または運動を行っていることに対応する、実施例６０に記載のシステム。
前記患者の生理モデルパラメータ{θ（ｋ）}ｋεｄａｙが、前記患者の日周期性リズムによる毎日の変異性を含み、
前記モデル更新器モジュールの前記プロセッサが、以下の式、
を演算するように構成され、
上記式において、Ｕはグラジエントベースであり得る回帰的パラメータ更新関数であり、ＢＧｒｅｓはＢＧモデル予測誤差（残余）のベクトルであり、ＮＥｒｅｓは演算した正味効果曲線と前記患者の実際の（証明済みの）行動入力の記録との間の誤差のベクトルである、実施例４６に記載のシステム。
前記モデル更新器モジュールの前記プロセッサが、以下の式、
を演算するように構成され、
上記式において、Ｕはグラジエントベースであり得る回帰的パラメータ更新関数であり、ＢＧｒｅｓはＢＧモデル予測誤差（残余）のベクトルであり、ＮＥｒｅｓは演算した正味効果曲線と前記患者の実際の（証明済みの）行動入力の記録との間の誤差のベクトルである、実施例４６に記載のシステム。
前記力学モデルが複数の時間的尺度に対して調整されることにより、パラメータ更新をＢＧ残余、
に基づいて毎日演算することができ、正味効果ミスマッチに基づく更新を週毎または月毎などのより長い時間的尺度、
で演算することができる、実施例６２に記載のシステム。
に基づいて毎日演算することができ、正味効果ミスマッチに基づく更新を週毎または月毎などのより長い時間的尺度、
で演算することができる、実施例６２に記載のシステム。
前記患者の最適インスリン送達速度の遡及的評価を提供するようにさらに構成された、実施例４６に記載のシステムであって、
プロセッサを有する遡及的最適制御分析器モジュールであって、前記プロセッサが、
前記システムの乱れがインターバル中に前記患者について演算された正味効果曲線の履歴と同一であったとすれば、履歴時間のうち所定期間に亘る前記患者の最適インスリン送達速度はどうであったかを遡及的に演算するように構成され、前記演算において、前記正味効果曲線の各「履歴」に対して、考慮されたインターバルに亘る毎日の食事、運動、および補正を説明するインスリン送達速度の「履歴」が存在し、
所与の日の前記正味効果曲線と最適コントローラのモデルベースの応答との間をマッピングするように構成され、前記マッピングにおいて、最適応答のベクトルが収集且つ分析され、インスリン治療を毎日振り返るために前記患者またはユーザに提示される、プロセッサを有する遡及的最適制御分析器モジュールと、
プロセッサを有する遡及的最適基礎代謝率抽出器モジュールであって、前記プロセッサが、
食事に関連する離散インスリン量を差し引くか、運動前後の一時的基礎代謝率に関連する離散インスリン不足を説明することにより、重要であるがランダムな事象に対応する特徴を前記最適応答から抽出するように構成され、それによりインスリン送達の残りのスケジュールが前記履歴的記録における毎日の前記患者の「最適」基礎代謝率の表示に対応し、
前記遡及的に演算された最適基礎代謝率における一貫性を識別するように構成され、複数の期間セグメントにおける前記最適基礎代謝率が前記患者の治療期間を表す、プロセッサを有する遡及的最適基礎代謝率抽出器モジュールと、
を含み、
前記システムが、
各セグメントに適用されたであろう基礎インスリンの中間レベルの出力を前記患者またはユーザに提供するように構成され、前記提供において、前記患者またはユーザがこの情報を用いて（ｉ）将来の食前および／またはその後の運動前の一時的基礎代謝率を低減しようと決めるか、または（ｉｉ）前記患者の長期間に亘る基礎代謝率プロファイルを調整できるシステム。
プロセッサを有する遡及的最適制御分析器モジュールであって、前記プロセッサが、
前記システムの乱れがインターバル中に前記患者について演算された正味効果曲線の履歴と同一であったとすれば、履歴時間のうち所定期間に亘る前記患者の最適インスリン送達速度はどうであったかを遡及的に演算するように構成され、前記演算において、前記正味効果曲線の各「履歴」に対して、考慮されたインターバルに亘る毎日の食事、運動、および補正を説明するインスリン送達速度の「履歴」が存在し、
所与の日の前記正味効果曲線と最適コントローラのモデルベースの応答との間をマッピングするように構成され、前記マッピングにおいて、最適応答のベクトルが収集且つ分析され、インスリン治療を毎日振り返るために前記患者またはユーザに提示される、プロセッサを有する遡及的最適制御分析器モジュールと、
プロセッサを有する遡及的最適基礎代謝率抽出器モジュールであって、前記プロセッサが、
食事に関連する離散インスリン量を差し引くか、運動前後の一時的基礎代謝率に関連する離散インスリン不足を説明することにより、重要であるがランダムな事象に対応する特徴を前記最適応答から抽出するように構成され、それによりインスリン送達の残りのスケジュールが前記履歴的記録における毎日の前記患者の「最適」基礎代謝率の表示に対応し、
前記遡及的に演算された最適基礎代謝率における一貫性を識別するように構成され、複数の期間セグメントにおける前記最適基礎代謝率が前記患者の治療期間を表す、プロセッサを有する遡及的最適基礎代謝率抽出器モジュールと、
を含み、
前記システムが、
各セグメントに適用されたであろう基礎インスリンの中間レベルの出力を前記患者またはユーザに提供するように構成され、前記提供において、前記患者またはユーザがこの情報を用いて（ｉ）将来の食前および／またはその後の運動前の一時的基礎代謝率を低減しようと決めるか、または（ｉｉ）前記患者の長期間に亘る基礎代謝率プロファイルを調整できるシステム。
インスリン助言モデルのオンデマンド適応型補正をさらに提供し、
食事および運動活動の遡及的検出を提供するプロセッサを有する遡及的食事および運動検出器モジュールと、
食事および運動のタイミングおよび内容についての記述を提供する確率論的モデリングを提供するプロセッサを有する食事および運動確率論的モデラーモジュールと、
患者およびユーザの要請に応答するインスリン補正助言を前記患者またはユーザに提供し出力するプロセッサを有する補正投与量アドバイザモジュールと、
を含む、実施例４６に記載のシステム。
食事および運動活動の遡及的検出を提供するプロセッサを有する遡及的食事および運動検出器モジュールと、
食事および運動のタイミングおよび内容についての記述を提供する確率論的モデリングを提供するプロセッサを有する食事および運動確率論的モデラーモジュールと、
患者およびユーザの要請に応答するインスリン補正助言を前記患者またはユーザに提供し出力するプロセッサを有する補正投与量アドバイザモジュールと、
を含む、実施例４６に記載のシステム。
前記食事および運動活動の遡及的検出が、前記患者の「正味効果曲線」の現在の履歴と前記患者が自認する食事および運動事象の履歴的記録とを一致させることにより関連する患者行動の有効化された（高信頼）記録を生成するアルゴリズムを含み、前記一致させることが、（ｉ）前記患者に関して入手可能なＢＧデータおよびインスリンデータから演算した前記正味効果曲線と（ｉｉ）システムユーザインターフェースを介して前記患者またはユーザが自認した食事および運動事象との間の不一致を識別することを含み、
前記不一致から示唆を提供し、前記示唆が前記患者またはユーザに通信される出力モジュールと、
前記ユーザまたは患者から得られた任意の応答を受け取ることにより、関連する患者活動の最終的な有効化された記録を形成する入力モジュールと、
を含むように構成された、実施例６５に記載のシステム。
前記不一致から示唆を提供し、前記示唆が前記患者またはユーザに通信される出力モジュールと、
前記ユーザまたは患者から得られた任意の応答を受け取ることにより、関連する患者活動の最終的な有効化された記録を形成する入力モジュールと、
を含むように構成された、実施例６５に記載のシステム。
前記確率論的モデリングモジュールの前記プロセッサが、前記関連する患者活動の最終的な有効化された記録を受け取り、前記患者行動の食事および運動のタイミングおよび内容を表すために確率論的モデリングを行うように構成された、実施例６６に記載のシステム。
前記補正投与量アドバイザモジュールの前記プロセッサが、前記患者の状態をモニタリングし、前記患者またはユーザが求めた瞬間に、（ｉ）起こりつつある行動の乱れの確率論的モデリングと（ｉｉ）様々な別の補正インスリン量の衝撃を予測することを可能にする、前記患者の代謝システムの現在の力学モデルとに基づいて、インスリン補正助言出力を提供するように構成された、実施例６７に記載のシステム。
患者の低血糖症リスクの事後評価を提供するプログラム命令を含むコンピュータで読み取り可能な記録媒体であって、コンピュータシステムの１以上のプロセッサによる前記プログラム命令の実行が、前記プロセッサに、
絶対ＢＧレベルと、絶対ＢＧ変異性と、低血糖症の事後（条件付き）確率Ｐ（Ｅｈｙｐｏ│ｒｅｃｏｒｄ）と密接に相関する絶対インスリン送達とに基づく低血糖症リスクの統計量Ｒｈｙｐｏ（ｒｅｃｏｒｄ）を演算するアルゴリズムを提供し、上記式においてＥｈｙｐｏは翌日の低血糖症事象を示し、ｒｅｃｏｒｄは検体の履歴的ＢＧ、インスリン送達および活動記録を示し、
前記患者の低血糖症の可能性に対する行動可能な事前警告が前記患者またはユーザに提供されるように前記演算した統計量Ｒｈｙｐｏ（ｒｅｃｏｒｄ）を提供すること、
を実行させる、コンピュータで読み取り可能な記録媒体。
絶対ＢＧレベルと、絶対ＢＧ変異性と、低血糖症の事後（条件付き）確率Ｐ（Ｅｈｙｐｏ│ｒｅｃｏｒｄ）と密接に相関する絶対インスリン送達とに基づく低血糖症リスクの統計量Ｒｈｙｐｏ（ｒｅｃｏｒｄ）を演算するアルゴリズムを提供し、上記式においてＥｈｙｐｏは翌日の低血糖症事象を示し、ｒｅｃｏｒｄは検体の履歴的ＢＧ、インスリン送達および活動記録を示し、
前記患者の低血糖症の可能性に対する行動可能な事前警告が前記患者またはユーザに提供されるように前記演算した統計量Ｒｈｙｐｏ（ｒｅｃｏｒｄ）を提供すること、
を実行させる、コンピュータで読み取り可能な記録媒体。
前記絶対ＢＧレベルと前記絶対ＢＧ変異性とがＣＧＭデバイス由来のデータであり得、前記絶対インスリン送達がインスリンポンプデバイスから得られたデータであり得る、実施例６９に記載のコンピュータで読み取り可能な記録媒体。
前記絶対ＢＧレベルと前記絶対ＢＧ変異性とがＣＧＭデバイス由来のデータであり得、前記絶対インスリン送達が手動インスリン注入デバイスから得られたデータであり得る、実施例６９に記載のコンピュータで読み取り可能な記録媒体。
前記絶対ＢＧレベルと前記絶対ＢＧ変異性とがＳＭＢＧデバイス由来のデータであり得、および／または前記絶対インスリン送達がインスリンポンプデバイスから得られたデータであり得る、実施例６９に記載のコンピュータで読み取り可能な記録媒体。
前記絶対ＢＧレベルと前記絶対ＢＧ変異性とがＳＭＢＧデバイス由来のデータであり得、および／または前記絶対インスリン送達が手動インスリン注入デバイスから得られたデータであり得る、実施例６９に記載のコンピュータで読み取り可能な記録媒体。
患者にとって安全なインスリンのレベルを遡及的に提供するプログラム命令を含むコンピュータで読み取り可能な記録媒体であって、コンピュータシステムの１以上のプロセッサによる前記プログラム命令の実行が、前記プロセッサに、
検体のインスリン送達記録に対するリスクベースの分離減衰係数を遡及的に演算するアルゴリズムを提供し、
任意の内部閾値が前記患者またはユーザに提供されて、将来の食前および／またはその後の運動前に実行可能な一時的基礎代謝率の低減を決めさせるように、前記演算したリスクベースの分離減衰係数を提供し、前記リスクベースの減衰係数を適用すること、
を実行させる、コンピュータで読み取り可能な記録媒体。
検体のインスリン送達記録に対するリスクベースの分離減衰係数を遡及的に演算するアルゴリズムを提供し、
任意の内部閾値が前記患者またはユーザに提供されて、将来の食前および／またはその後の運動前に実行可能な一時的基礎代謝率の低減を決めさせるように、前記演算したリスクベースの分離減衰係数を提供し、前記リスクベースの減衰係数を適用すること、
を実行させる、コンピュータで読み取り可能な記録媒体。
前記インスリン送達記録がインスリンポンプデバイスから得られたデータであり得る、実施例７４に記載のコンピュータで読み取り可能な記録媒体。
前記インスリン送達記録が手動インスリン注入デバイスから得られたデータであり得る、実施例７４に記載のコンピュータで読み取り可能な記録媒体。
前記リスクベースの減衰係数が以下の式、
により演算され、
上記式において、Ｒ（ｔ，τ）は、関数のＢＧ対称化に基づく、時間ｔまでのＢＧデータおよびインスリンデータの履歴的記録に基づく時間ｔと時間ｔ＋τとの間の低血糖症リスクの測定値であり、ｋｐａｔｉｅｎｔは患者特異的「積極性」係数である、実施例２０２に記載のコンピュータで読み取り可能な記録媒体。
により演算され、
上記式において、Ｒ（ｔ，τ）は、関数のＢＧ対称化に基づく、時間ｔまでのＢＧデータおよびインスリンデータの履歴的記録に基づく時間ｔと時間ｔ＋τとの間の低血糖症リスクの測定値であり、ｋｐａｔｉｅｎｔは患者特異的「積極性」係数である、実施例２０２に記載のコンピュータで読み取り可能な記録媒体。
「正味効果」ベースの患者適応型モデルを提供するプログラム命令を含むコンピュータで読み取り可能な記録媒体であって、コンピュータシステムの１以上のプロセッサによる前記プログラム命令の実行が、前記プロセッサに、
モデル患者個々の生理の記述的パラメータを含む患者の代謝システムの力学モデルを演算し、
前記力学モデルを介して履歴的記録におけるブトウ糖変異性を説明する前記モデル患者の数学的表現の乱れを含む行動の「正味効果」モデルの前記力学モデルに対応する推定された履歴を演算し、
（ｉ）既知の入力に基づいて将来のＢＧを予測する前記力学モデルの能力と（ｉｉ）前記患者の前記乱れの記録と一致する正味効果曲線を生成する前記モデルの能力とに基づく前記患者の前記生理パラメータの更新を演算し、
前記患者またはユーザに前記更新を提供することにより、前記患者またはユーザが将来の行動コースのために前記更新を用いることができるようにすること、
を実行させる、コンピュータで読み取り可能な記録媒体。
モデル患者個々の生理の記述的パラメータを含む患者の代謝システムの力学モデルを演算し、
前記力学モデルを介して履歴的記録におけるブトウ糖変異性を説明する前記モデル患者の数学的表現の乱れを含む行動の「正味効果」モデルの前記力学モデルに対応する推定された履歴を演算し、
（ｉ）既知の入力に基づいて将来のＢＧを予測する前記力学モデルの能力と（ｉｉ）前記患者の前記乱れの記録と一致する正味効果曲線を生成する前記モデルの能力とに基づく前記患者の前記生理パラメータの更新を演算し、
前記患者またはユーザに前記更新を提供することにより、前記患者またはユーザが将来の行動コースのために前記更新を用いることができるようにすること、
を実行させる、コンピュータで読み取り可能な記録媒体。
前記記述的パラメータが、経口摂取炭水化物ｄ（ｇ／分）、身体活動ｅ（ｃａｌ／分）、皮下インスリンｕ（Ｕ／時間）および前記モデル患者の代謝状態ベクトルＸ間の力学的関係の表現を含み、その要素が、体内の様々なコンパートメントにおけるブトウ糖濃度およびインスリン濃度（ｍｇ／ｄｌ）ならびに腸内の炭水化物質量（ｍｇ）を含む、実施例７８に記載のコンピュータで読み取り可能な記録媒体。
前記ブトウ糖濃度（ｍｇ／ｄｌ）がＣＧＭデバイス由来のデータであり得、前記皮下インスリンｕ（Ｕ／時間）と前記インスリン濃度（ｍｇ／ｄｌ）とがインスリンポンプデバイスから得られたデータであり得る、実施例７９に記載のコンピュータで読み取り可能な記録媒体。
前記ブトウ糖濃度（ｍｇ／ｄｌ）がＣＧＭデバイス由来のデータであり得、前記皮下インスリンｕと前記インスリン濃度（ｍｇ／ｄｌ）とが手動インスリン注入デバイスから得られたデータであり得る、実施例７９に記載のコンピュータで読み取り可能な記録媒体。
前記ブトウ糖濃度（ｍｇ／ｄｌ）がＳＭＢＧデバイス由来のデータであり得、および／または前記皮下インスリンｕと前記インスリン濃度（ｍｇ／ｄｌ）とがインスリンポンプデバイスから得られたデータであり得る、実施例７９に記載のコンピュータで読み取り可能な記録媒体。
前記ブトウ糖濃度（ｍｇ／ｄｌ）がＳＭＢＧデバイス由来のデータであり得、および／または前記皮下インスリンｕと前記インスリン濃度（ｍｇ／ｄｌ）とが手動インスリン注入デバイスから得られたデータであり得る、実施例７９に記載のコンピュータで読み取り可能な記録媒体。
前記記述的パラメータ間の関係が、以下の１組の離散時間非線形差分方程式、
として記述可能であり、
上記式において、ＦおよびＧは非線形システム式であり、θ（ｋ）は患者の特性であるパラメータ値のベクトル、例えば、体重、様々なコンパートメント内の分散量、様々なコンパートメント間の吸収速度およびクリアランスの速度を示す様々な時定数のベクトルであり、これらの一部は時間ｋに応じて変化しやすい、実施例７９に記載のコンピュータで読み取り可能な記録媒体。
として記述可能であり、
上記式において、ＦおよびＧは非線形システム式であり、θ（ｋ）は患者の特性であるパラメータ値のベクトル、例えば、体重、様々なコンパートメント内の分散量、様々なコンパートメント間の吸収速度およびクリアランスの速度を示す様々な時定数のベクトルであり、これらの一部は時間ｋに応じて変化しやすい、実施例７９に記載のコンピュータで読み取り可能な記録媒体。
前記記述的パラメータ間の関係が、以下の１組の連続時間非線形差分方程式、
として記述可能である、実施例７９に記載のコンピュータで読み取り可能な記録媒体。
として記述可能である、実施例７９に記載のコンピュータで読み取り可能な記録媒体。
非線形表現が、任意の所望の動作点（例えば定常ブトウ糖濃度）を中心に線形化可能であり、それにより以下の線形力学モデル、
を生じさせ、
上記式において、ｘは代謝状態の（前記動作点からの）差異のベクトルであり、ｕδ（Ｕ／時間）は前記患者の定常（基礎）インスリン送達速度に基づくインスリン送達の偏差であり、Ａ、Ｂｕ、Ｂｄ、Ｂｅは前記線型モデルの状態空間マトリクスであり、ｙ（ｋ）は前記所望の動作点に基づくＢＧの偏差を表し、θｋに対する依存は前記状態空間マトリクスＡ、Ｂｕ、Ｂｄ、Ｂｅ内に埋め込まれている、実施例１８５に記載のコンピュータで読み取り可能な記録媒体。
を生じさせ、
上記式において、ｘは代謝状態の（前記動作点からの）差異のベクトルであり、ｕδ（Ｕ／時間）は前記患者の定常（基礎）インスリン送達速度に基づくインスリン送達の偏差であり、Ａ、Ｂｕ、Ｂｄ、Ｂｅは前記線型モデルの状態空間マトリクスであり、ｙ（ｋ）は前記所望の動作点に基づくＢＧの偏差を表し、θｋに対する依存は前記状態空間マトリクスＡ、Ｂｕ、Ｂｄ、Ｂｅ内に埋め込まれている、実施例１８５に記載のコンピュータで読み取り可能な記録媒体。
前記乱れが、食事プロファイルと、身体活動と、睡眠期間／目が覚めている期間とを含む、実施例７８に記載のコンピュータで読み取り可能な記録媒体。
前記「正味効果」モデルが、前記患者のＢＧの履歴的記録とインスリン送達の履歴的記録とを一致させるバーチャルシステム入力の「履歴」を提供する、実施例７８に記載のコンピュータで読み取り可能な記録媒体。
前記患者のＢＧ濃度の履歴的記録{ＢＧ（ｋ）}ｋεｄａｙとインスリン送達の履歴的記録{ｕ（ｋ）}ｋεｄａｙとを与えられた場合、履歴的情報を一致させる前記正味効果が、誤差関数、
を最小にするバーチャル炭水化物入力{ｄｎ．ｅ．（ｋ）}ｋεｄａｙのベクトルであり、
上記式において、ｄｉｓｔは、インスリン送達の固定記録{ｕ（ｋ）}ｋεｄａｙおよび正味効果候補{ｄｎ．ｅ．（ｋ）}ｋεｄａｙが与えられた場合のＢＧ濃度の２つのベクトル（この場合は、実際のＢＧ対モデル予測ＢＧ）間の距離の測定値である、実施例８８に記載のコンピュータで読み取り可能な記録媒体。
を最小にするバーチャル炭水化物入力{ｄｎ．ｅ．（ｋ）}ｋεｄａｙのベクトルであり、
上記式において、ｄｉｓｔは、インスリン送達の固定記録{ｕ（ｋ）}ｋεｄａｙおよび正味効果候補{ｄｎ．ｅ．（ｋ）}ｋεｄａｙが与えられた場合のＢＧ濃度の２つのベクトル（この場合は、実際のＢＧ対モデル予測ＢＧ）間の距離の測定値である、実施例８８に記載のコンピュータで読み取り可能な記録媒体。
得られた最適正味効果ベクトル（すなわち正味効果曲線）{ｄｎ．ｅ．（ｋ）}ｋεｄａｙが、単一外部乱れ信号として（ｍｇ／分）で測定された前記患者に対する外部影響のすべてを捕捉するバーチャル炭水化物信号を介して前記患者によって収集されたＢＧデータとインスリンデータを最適に一致させる、実施例８９に記載のコンピュータで読み取り可能な記録媒体。
前記正味効果が正であるとき、これは前記患者が実際に食べていることに対応するか、またはその日のうちに、前記患者が高まったインスリン感度を経験する期間に対応し得、
前記正味効果が負であるとき、これは前記患者が徹底した身体活動または運動を行っていることに対応する、実施例９０に記載のコンピュータで読み取り可能な記録媒体。
前記正味効果が負であるとき、これは前記患者が徹底した身体活動または運動を行っていることに対応する、実施例９０に記載のコンピュータで読み取り可能な記録媒体。
前記患者の生理モデルパラメータ{θ（ｋ）}ｋεｄａｙが、前記患者の日周期性リズムによる毎日の変異性を含み、
モデル更新器が、以下の式、
を有する形態を取る式を含み、
上記式において、Ｕはグラジエントベースであり得る回帰的パラメータ更新関数であり、ＢＧｒｅｓはＢＧモデル予測誤差（残余）のベクトルであり、ＮＥｒｅｓは演算した正味効果曲線と前記患者の実際の（証明済みの）行動入力の記録との間の誤差のベクトルである、実施例７８に記載のコンピュータで読み取り可能な記録媒体。
モデル更新器が、以下の式、
を有する形態を取る式を含み、
上記式において、Ｕはグラジエントベースであり得る回帰的パラメータ更新関数であり、ＢＧｒｅｓはＢＧモデル予測誤差（残余）のベクトルであり、ＮＥｒｅｓは演算した正味効果曲線と前記患者の実際の（証明済みの）行動入力の記録との間の誤差のベクトルである、実施例７８に記載のコンピュータで読み取り可能な記録媒体。
前記力学モデルが複数の時間的尺度に対して調整されることにより、パラメータ更新をＢＧ残余、
に基づいて毎日演算することができ、正味効果ミスマッチに基づく更新を週毎または月毎などのより長い時間的尺度、
で演算することができる、実施例９２に記載のコンピュータで読み取り可能な記録媒体。
に基づいて毎日演算することができ、正味効果ミスマッチに基づく更新を週毎または月毎などのより長い時間的尺度、
で演算することができる、実施例９２に記載のコンピュータで読み取り可能な記録媒体。
前記患者の最適インスリン送達速度の遡及的評価を提供することをさらに含む、実施例７８に記載のコンピュータで読み取り可能な記録媒体であって、コンピュータシステムの１以上のプロセッサによる前記プログラム命令の実行が、前記プロセッサに、
前記システムの乱れがインターバル中に前記患者について演算された正味効果曲線の履歴と同一であったとすれば、履歴時間のうち所定期間に亘る前記患者の最適インスリン送達速度はどうであったかを遡及的に演算する工程であって、前記正味効果曲線の各「履歴」に対して、考慮されたインターバルに亘る毎日の食事、運動、および補正を説明するインスリン送達速度の「履歴」が存在し、
所与の日の前記正味効果曲線と最適コントローラのモデルベースの応答との間をマッピングする工程であって、最適応答のベクトルが収集且つ分析され、インスリン治療を毎日振り返るために前記患者またはユーザに提示され、
食事に関連する離散インスリン量を差し引くか、運動前後の一時的基礎代謝率に関連する離散インスリン不足を説明することにより、重要であるがランダムな事象に対応する特徴を前記最適応答から抽出する工程であって、それによりインスリン送達の残りのスケジュールが前記履歴的記録における毎日の前記患者の「最適」基礎代謝率の表示に対応し、
前記遡及的に演算された最適基礎代謝率における一貫性を識別する工程であって、複数の期間セグメントにおける前記最適基礎代謝率が前記患者の治療期間を表し、
各セグメントに適用されたであろう基礎インスリンの中間レベルを前記患者またはユーザに提供し、前記患者またはユーザがこの情報を用いて（ｉ）将来の食前および／またはその後の運動前の一時的基礎代謝率を低減しようと決めるか、または（ｉｉ）前記患者の長期間に亘る基礎代謝率プロファイルを調整できるようにすること、
を実行させる、コンピュータで読み取り可能な記録媒体。
前記システムの乱れがインターバル中に前記患者について演算された正味効果曲線の履歴と同一であったとすれば、履歴時間のうち所定期間に亘る前記患者の最適インスリン送達速度はどうであったかを遡及的に演算する工程であって、前記正味効果曲線の各「履歴」に対して、考慮されたインターバルに亘る毎日の食事、運動、および補正を説明するインスリン送達速度の「履歴」が存在し、
所与の日の前記正味効果曲線と最適コントローラのモデルベースの応答との間をマッピングする工程であって、最適応答のベクトルが収集且つ分析され、インスリン治療を毎日振り返るために前記患者またはユーザに提示され、
食事に関連する離散インスリン量を差し引くか、運動前後の一時的基礎代謝率に関連する離散インスリン不足を説明することにより、重要であるがランダムな事象に対応する特徴を前記最適応答から抽出する工程であって、それによりインスリン送達の残りのスケジュールが前記履歴的記録における毎日の前記患者の「最適」基礎代謝率の表示に対応し、
前記遡及的に演算された最適基礎代謝率における一貫性を識別する工程であって、複数の期間セグメントにおける前記最適基礎代謝率が前記患者の治療期間を表し、
各セグメントに適用されたであろう基礎インスリンの中間レベルを前記患者またはユーザに提供し、前記患者またはユーザがこの情報を用いて（ｉ）将来の食前および／またはその後の運動前の一時的基礎代謝率を低減しようと決めるか、または（ｉｉ）前記患者の長期間に亘る基礎代謝率プロファイルを調整できるようにすること、
を実行させる、コンピュータで読み取り可能な記録媒体。
インスリン助言モデルのオンデマンド適応型補正をさらに提供し、コンピュータシステムの１以上のプロセッサによる前記プログラム命令の実行が、前記プロセッサに、
食事および運動活動を遡及的に検出し、
食事および運動のタイミングおよび内容についての記述を提供するために確率論的にモデリングを行い、
患者およびユーザの要請に応答するインスリン補正助言を前記患者またはユーザに提供すること、
を実行させる、実施例７８に記載のコンピュータで読み取り可能な記録媒体。
食事および運動活動を遡及的に検出し、
食事および運動のタイミングおよび内容についての記述を提供するために確率論的にモデリングを行い、
患者およびユーザの要請に応答するインスリン補正助言を前記患者またはユーザに提供すること、
を実行させる、実施例７８に記載のコンピュータで読み取り可能な記録媒体。
前記食事および運動活動の遡及的検出が、前記患者の「正味効果曲線」の現在の履歴と前記患者が自認する食事および運動事象の履歴的記録とを一致させることにより関連する患者行動の有効化された（高信頼）記録を生成するアルゴリズムを含み、前記一致させることが、（ｉ）前記患者に関して入手可能なＢＧデータおよびインスリンデータから演算した前記正味効果曲線と（ｉｉ）システムユーザインターフェースを介して前記患者またはユーザが自認した食事および運動事象との間の不一致を識別することを含み、
コンピュータシステムの１以上のプロセッサによる前記プログラム命令の実行が、前記プロセッサに、
前記不一致から示唆を提供し、前記示唆が前記患者またはユーザに通信され、
前記ユーザまたは患者から得られた任意の応答を受け取ることにより、関連する患者活動の最終的な有効化された記録を形成すること、
を実行させる、実施例９５に記載のコンピュータで読み取り可能な記録媒体。
コンピュータシステムの１以上のプロセッサによる前記プログラム命令の実行が、前記プロセッサに、
前記不一致から示唆を提供し、前記示唆が前記患者またはユーザに通信され、
前記ユーザまたは患者から得られた任意の応答を受け取ることにより、関連する患者活動の最終的な有効化された記録を形成すること、
を実行させる、実施例９５に記載のコンピュータで読み取り可能な記録媒体。
前記確率論的モデリングが、前記関連する患者活動の最終的な有効化された記録を受け取り、前記患者行動の食事および運動のタイミングおよび内容を表すために確率論的モデリングを行うアルゴリズムを含む、実施例９６に記載のコンピュータで読み取り可能な記録媒体。
前記インスリン補正が、前記患者の状態をモニタリングし、前記患者またはユーザが求めた瞬間に、（ｉ）起こりつつある行動の乱れの確率論的モデリングと（ｉｉ）様々な別の補正インスリン量の衝撃を予測することを可能にする、前記患者の代謝システムの現在の力学モデルとに基づいて、インスリン補正助言を提供するアルゴリズムを含む、実施例９７に記載のコンピュータで読み取り可能な記録媒体。
所望または必要であれば、これらの実施例１から９８の任意の１以上を別の１以上と組み合わせてもよい。
本明細書に述べるように、検体または患者は人でも動物でもよいことを理解されたい。動物は、ほ乳類、獣、家畜またはペットタイプの動物などを含むがこれらに限定されない様々な適用可能なタイプのいずれでもあり得ることを理解されたい。一例として動物は、人に似たある種の特性を有するように特に選択された実験動物（例えばラット、イヌ、ブタ、サルなど）であり得る。検体は例えば任意の適用可能な人間の患者であり得ることを理解されたい。
別段の特定がない限り、特に記載または説明された活動または要素、そのような活動の特定のシーケンス、特定のサイズ、速度、材料、期間、輪郭、次元または頻度、またはこれら要素の特定の相互関係は必ずしも必要ではない。さらに任意の活動が反復可能であり、任意の活動を複数の存在物によって行うことができ、および／または任意の要素を複製することができる。さらに任意の活動または要素を排除することができ、活動のシーケンスを変更することができ、および／または要素の相互関係を変更することができる。本発明の態様は、所望または必要であれば様々なサイズ、輪郭、形状、組成および材料を有し得ることを理解されたい。
要約すると、本発明を具体的実施形態によって述べてきたが、当業者には多くの改変例、変形例、変化例、置換例、および均等物が明らかである。本発明の範囲は、本明細書に記載の具体的実施形態によって限定されるものではない。実際、本明細書に記載のものだけでなく本発明の様々な変形例が、上記記載および添付の図面から当業者には明らかである。したがって本発明は、あらゆる変形例および均等物を含む以下の請求の範囲の思想および範囲によってのみ限定されると考えるべきである。
当業者には、上記の詳細な説明およびいくつかの例示的実施形態の図面から、さらに別の実施形態が容易に明らかとなる。多くの変更例、改変例、および追加の実施形態が可能であり、したがってこれらの変更例、改変例、および実施形態のすべてが本出願の思想および範囲に含まれると考えるべきである。例えば本出願のいずれの部分（例えば、発明の名称、技術分野、背景技術、発明の概要、要約、図面など）の内容であるかにかかわらず、別段の特定がない限り、特に記載または説明された活動または要素、そのような活動の特定のシーケンス、またはこれら要素の特定の相互関係を、本明細書または本出願に対して優先権を主張するいずれの出願のいずれの請求項にも含む必要はない。さらに任意の活動が反復可能であり、任意の活動を複数の存在物によって行うことができ、および／または任意の要素を複製することができる。さらに任意の活動または要素を排除することができ、活動のシーケンスを変更することができ、および／または要素の相互関係を変更することができる。別段の特定がない限り、特に記載または説明された活動または要素、そのような活動の特定のシーケンス、特定のサイズ、速度、材料、次元または頻度、またはこれら要素の特定の相互関係は必ずしも必要ではない。したがって記載および図面は、性質を説明するためのものであると考えるべきであって、性質を限定するものではない。さらに、本明細書に何らかの数値または範囲が記載されている場合、別段の特定がない限り、その数値または範囲はおおよそのものである。本明細書に何らかの範囲が記載されている場合、別段の特定がない限り、その範囲は、そこに記載のあらゆる値およびあらゆるサブ範囲を含む。本明細書に参考のため援用するいずれの文献（例えば米国特許、外国特許、米国特許出願、外国特許出願、書籍、論文など）内のいずれの情報も、該情報と本明細書に記載の他の供述および図面と矛盾がない程度に参考のために援用されるにすぎない。本明細書または本出願に対して優先権を主張するいずれかの出願の請求項を無効とするような矛盾を含む矛盾が生じた場合には、援用する参考文献内の矛盾する情報は本明細書に援用しない。
［刊行物］
以下および本文書全体に挙げる特許、特許出願および刊行物は、その全体を本明細書に参考のため援用する。これらはこのセクションに記載してはいるが、本発明に対する先行技術であると認めるわけではない。
1. Albisser AM, Leibel BS, Ewart TG, Davidovac Z, Botz CK, Zinggg W. An artificial endocrine pancreas. Diabetes, 23:389-396, 1974.
2. Bellazzi R, Nucci G, Cobelli C: The subcutaneous route to insulin-dependent diabetes therapy: closed-loop and partially closed-loop control strategies for insulin delivery and measuring glucose concentration. IEEE Ens Med Biol 20: 54-64, 2001.
3. Bequette BW. Analysis of Algorithms for Intensive Care Unit Blood Glucose Control. J Diabetes Sci Technol, 1 : 813-824, 2007.
4. Bergman RN, Ider YZ, Bowden CR, Cobelli C. Quantitative estimation of insulin sensitivity. Am J Physiol. 236:E667-E677, 1979.
5. Boyne M, Silver D, Kaplan J, and Saudek C: Timing of Changes in Interstitial and Venous Blood Glucose Measured With a Continuous Subcutaneous Glucose Sensor. Diabetes, 52:2790-2794, 2003.
6. Broekhuyse HM, Nelson JD, Zinman B, and Albisser AM: Comparison of algorithms for the closed- loop control of blood glucose using the artificial beta cell. IEEE Trans Biomed Eng BME-28: 678-687, 1981.
7. Brunetti P., Cobelli C, Cruciani P., Fabietti P.G., Filippucci F., Santeusanio F.: A simulation study on a self-tuning portable controller of blood glucose. Int J Artificial Organs 16: 51-57, 1993.
8. Clarke WL and Kovatchev BP. The Artificial Pancreas: How Close We Are to Closing the Loop? Ped Endocrinol Rev, 4: 314-316, 2007.
9. Clarke WL, Cox DJ, Gonder-Frederick LA, Julian DM, Kovatchev BP, Young-Hyman D. The bio-psycho-behavioral model of severe hypoglycemia II: Self-management behaviors. Diabetes Care 22: 580-584, 1999.
10. Clemens AH, Chang PH, Myers RW. The development of Biostator, a glucose-controlled insulin infusion system. Horm Metab Res Supplement, 7: 23-33, 1977.
11. Clemens AH: Feedback control dynamics for glucose controlled insulin infusion system. MedProg Technol 6: 91-98, 1979.
12. Cobelli C and Kovatchev BP. Clinical Trial of Model-Predictive Control Powered by In Silico Studies. Proc. 8th Diabetes Technology Meeting, Bethesda, MD, 2008.
13. Cobelli C, Ruggeri A: Evaluation of portal/peripheral route and of algorithms for insulin delivery in the closed-loop control of glucose in diabetes. A modelling study. IEEE Trans Biomed Eng 30: 93-103, 1983.
14. Cryer PE, Davis SN, Shamoon H. Hypoglycemia in Diabetes. Diabetes Care, 26: 1902-1912, 2003.
15. Cryer PE. Hypoglycaemia: The limiting factor in the glycaemic management of type I and type II diabetes. Diabetologia 45 : 937-948, 2002.
16. Cryer PE. Iatrogenic hypoglycemia as a cause of hypoglycemia-associated autonomic failure in IDDM: A vicious cycle. Diabetes 41 :255-260, 1992.
17. Cryer PE: Hypoglycemia: The Limiting factor in the management of IDDM. Diabetes 43 : 1378-1389, 1994.
18. Dassau E, Bequette BW, Buckingham BA, Doyle FJ 3rd. Detection of a meal using continuous glucose monitoring: implications for an artificial beta-cell. Diabetes Care, 31 :295-300, 2008.
19. Dassau E, Cameron F, Neimeyer G, Chase P, Buckingham B. Real-time Hypoglycemic Prediciton Using Continuous Glucose Monitoring (CGM). Diabetes, 57 Suppl 1 , 2008.
20. Dua P, Doyle FJ 3rd, Pistikopoulos EN. "Model-Based Blood Glucose Control for Type 1 Diabetes via Parametric Programming." IEEE Trans Biomed Eng. 53 : 1478-1491 , 2006.
21. EW, Campbell LV, Chia YO, Meier H, and Lazarus L: Control of blood glucose in diabetics using an artificial pancreas. Aust N ZJ Med 7: 280-286, 1977.
22. Fischer U, Jutzi E, Freyse E-J, and Salzsieder E: Derivation and experimental proof of a new algorithm for the artificial beta-cell based on the individual analysis of the physiological insulin- glucose relationship. Endokrinologie 71 :65-75, 1978.
23. Fischer U, Schenk W, Salzsieder E, Albrecht G, Abel P, and Freyse E-J: Does physiological blood glucose control require an adaptive strategy? IEEE Trans Biomed Eng 34:575-582, 1987.
24. Fisher ME: A semi closed-loop algorithm for the control of blood glucose levels in diabetics. IEEE Trans Biomed Eng 38: 57-61 , 1991.
25. Gold AE, Deary I J, Frier BM. Recurrent severe hypoglycaemia and cognitive function in type I diabetes. Diabet Med 10:503-508, 1993.
26. Gonder-Frederick L, Cox D, Kovatchev B, Schlundt D, Clarke W. A biopsychobehavioral model of risk of severe hypoglycemia. Diabetes Care, 20:661-669, 1997.
27. Hovorka R, Canonico V, Chassin LJ, et al. Nonlinear model predictive control of glucose concentration in subjects with type 1 diabetes. Physiol Meas 25 :905-920, 2004.
28. Hovorka R, Chassin LJ, Wilinska ME, et al. Closing the loop: the ADICOL experience. Diabetes Technol Ther. 6: 307-318, 2004.
29. Hovorka R: Continuous glucose monitoring and closed-loop systems. Diabet Med 23 : 1-12, 2006.
30. Hughes CS, S. D. Patek SD, M. Breton MD, and BP Kovatchev. Hypoglycemia Prevention via Pump Attenuation and Red-Yellow-Green "Traffic" Lights using CGM and Insulin Pump Data, J Diab Sci and Tech, 4: 1 146-1 155, 2010.
31. Klonoff DC: The Artificial Pancreas: How Sweet Engineering Will Solve Bitter Problems. J Diabetes Sci Technol, 1 : 72-81 , 2007.
32. Kovatchev BP, Clarke WL. Continuous glucose monitoring reduces risks for hypo- and hyperglycemia and glucose variability in diabetes. Diabetes, 56, Supplement 1 : 0086OR, 2007.
33. Kovatchev BP, Cox DJ, Farhy LS, Straume M, Gonder-Frederick LA, Clarke, WL. Episodes of Severe Hypoglycemia in Type 1 Diabetes are Preceded, and Followed, within 48 Hours by Measurable Disturbances in Blood Glucose. J of Clinical Endocrinology and Metabolism, 85 : 4287-4292, 2000.
34. Kovatchev BP, Cox DJ, Gonder-Frederick LA, and WL Clarke. Symmetrization of the blood glucose measurement scale and its applications, Diabetes Care, 20: 1655-1658, 1997.
35. Kovatchev BP, Straume M, Cox DJ, Farhy LS. Risk analysis of blood glucose data: A quantitative approach to optimizing the control of insulin dependent diabetes. J of Theoretical Medicine, 3 : 1-10, 2001.
36. Kulcu E, Tamada JA, Reach G, Potts RO, Lesho MJ: Physiological differences between interstitial glucose and blood glucose measured in human subjects. Diabetes Care, 26:2405-2409, 2003.
37. Leblanc H, Chauvet D, Lombrail P, Robert JJ : Glycemic control with closed- loop intraperitoneal insulin in type I diabetes. Diabetes Care, 9: 124- 128, 1986.
38. Magni L, Raimondo F, Bossi L, Dalla Man C, De Nicolao G, Kovatchev BP, Cobelli C. Model Predictive Control of Type 1 Diabetes: An In Silico
J Diabetes Sci Technol, 1 : 804-812, 2007.
39. Marliss EB, Murray FT, Stokes EF, Zinman B, Nakhooda AF, Denoga A, Leibel BS, and Albisser AM: Normalization of glycemia in diabetics during meals with insulin and glucagon delivery by the artificial pancreas. Diabetes 26: 663-672, 1977.
40. Nucci G., Cobelli C. Models of subcutaneous insulin kinetics. A critical review. Comput Methods Programs Biomed., 62:249-57 Review, 2000.
41. Ollerton RL: Application of optimal control theory to diabetes mellitus. Int J Control 50: 2503-2522, 1989.
42. Owens C, Zisser H, Jovanovic L, Srinivasan B, Bonvin D, Doyle FJ 3rd. Run-to-run control of glucose concentrations for people with Type 1 diabetes mellitus. IEEE Trans Biomed Eng. 53 :996-1005, 2006.
43. Palerm CC, Zisser H, Bevier WC, Jovanovic L, Doyle FJ 3rd. Prandial insulin dosing using run-to-run control: application of clinical data and medical expertise to define a suitable performance metric. Diabetes Care. 30: 1 131-1 136, 2007.
44. Palerm CC, Zisser H, Jovanovic L, Doyle FJ 3rd. A Run-to-Run Control Strategy to Adjust Basal Insulin Infusion Rates in Type 1 Diabetes. J Process Control. 18:258-265, 2008.
45. Parker RS, Doyle FJ 3rd, Peppas NA. A model-based algorithm for blood glucose control in Type I diabetic patients. IEEE Trans Biomed Eng, 48: 148-157, 1999.
46. Patek SD, Breton MD, Cobelli C, Dalla Man C, and Kovatchev BP. Adaptive meal detection algorithm enabling closed- loop control in type 1 diabetes. Proc. 7th Diabetes Technology Meeting, San Francisco, CA, 2007.
47. Patek SD. Open-Loop Feedback Control under Multiple Disturbance Function Hypotheses, Proc. of the IEEE Conference on Decision and Control, 2010, Atlanta. 48. Pfeiffer EF, Thum Ch, and Clemens AH: The artificial beta cell - A continuous control of blood sugar by external regulation of insulin infusion (glucose controlled insulin infusion system).Horm Metab Res 487: 339-342, 1974.
49. Reichard P, Phil M. Mortality and treatment side effects during long-term intensified conventional insulin treatment in the Stockholm Diabetes Intervention study. Diabetes 43 : 313-317, 1994.
50. Reifman J, Rajaraman S, Gribok A, Ward WK. Predictive monitoring for improved management of glucose levels. J Diabetes Sci Technol 1 : 478-486, 2007.
51. Renard E: Implantable closed-loop glucose-sensing and insulin delivery: the future for insulin pump therapy, Current Opinion in Pharmacology, 2: 708-716, 2002.
52. Salzsieder E, Albrecht G, Fischer U, and Freyse E-J: Kinetic modeling of the gluco- regulatory system to improve insulin therapy. IEEE Trans Biomed Eng 32: 846-855, 1985.
53. Santiago JV, Clemens AH, Clarke WL, Kipnis DM. Closed-loop and open-loop devices for blood glucose control in normal and diabetic subjects. Diabetes, 28: 71-84, 1979.
54. Schaller HC, Schaupp L, Bodenlenz M, Wilinska ME, Chassin LJ, Wach P, Vering T, Hovorka R, Pieber TR: On-line adaptive algorithm with glucose prediction capacity for subcutaneous closed loop control of glucose: evaluation under fasting conditions in patients with Type 1 diabetes. Diabet Med 23:90-93, 2006.
55. Selam JL, Micossi P, Dunn FL, and Nathan DM: Clinical trial of programmable implantable insulin pump for type I diabetes, Diabetes Care 15: 877-885, 1992.
56. Sorensen JT: A Physiologic Model of Glucose Metabolism in Man and its Use to Design and Assess Improved Insulin Therapies for Diabetes, Ph.D. dissertation, Dept Chemical Engineering, MIT, 1985.
57. Sparacino G, Zanderigo F, Corazza G, Maran A, Facchinetti A, Cobelli C. Glucose concentration can be predicted ahead in time from continuous glucose monitoring sensor time-series. IEEE Trans Biomed Eng, 54:931-937, 2007.
58. Steil GM, Rebrin K, Darwin C, Hariri F, Saad MF. Feasibility of automating insulin delivery for the treatment of type 1 diabetes. Diabetes 55: 3344-3350, 2006.
59. Stout PJ, Racchini JR, Hilgers ME: A Novel Approach to Mitigating the Physiological Lag between Blood and Interstitial Fluid Glucose Measurements. Diabetes Technol Ther, 6:635-644, 2004.
60. The Diabetes Control and Complications Trial Research Group. Hypoglycemia in the Diabetes Control and Complications Trial. Diabetes 46: 271-286, 1997.
61. The Diabetes Control and Complications Trial Research Group. The effect of intensive treatment of diabetes on the development and progression of long-term complications of insulin-dependent diabetes mellitus. N EnglJ Med 329: 978-986, 1993.
62. Weinzimer SA, Steil GM, Swan KL, Dziura J, Kurtz N, Tamborlane WV: Fully automated closed-loop insulin delivery versus semi-automated hybrid control in pediatric patients with type 1 diabetes using an artificial pancreas. Diabetes Care 31 :934-939, 2008.
63. Wentholt IME, Hart AAM, Hoekstra JBL, DeVries JH. Relationship Between Interstitial and Blood Glucose in Type 1 Diabetes Patients: Delay and the Push-Pull Phenomenon Revisited. Diabetes Technol Ther, 9: 169-175,2004.
64. Wilinska ME, Chassin LJ, Schaller HC, Schaupp L, Pieber TR, Hovorka R. Insulin kinetics in type-1 diabetes: continuous and bolus delivery of rapid acting insulin. IEEE Trans. Biomed. Eng. 52:3-12, 2005.
65. Zanderigo F, Sparacino G, Kovatchev B, Cobelli C. Glucose Prediction Algorithms from continuous monitoring: Assessment of accuracy via Continuous Glucose-Error Grid Analysis. J Diabetes Sci Technol, 1 : 645-651, 2007.
66. Zisser H, Jovanovic L, Doyle FJ 3rd, Ospina P, Owens C. Run-to-Run Control of Meal- Related Insulin Dosing. Diab Technol Ther 7:48-57, 2005.
67. C. S. Hughes, S. D. Patek, A. Taylor, R. Park, K. Laub- scher, S. PiUutla, M. Breton, and B. P. Kovatchev. In- silico experiments of human eating patterns: Making a case for behavior-informed control of T1DM. In Proc. UKACC International Conference of Control, 2010.
以下および本文書全体に挙げる特許、特許出願および刊行物は、その全体を本明細書に参考のため援用する。これらはこのセクションに記載してはいるが、本発明に対する先行技術であると認めるわけではない。
1. Albisser AM, Leibel BS, Ewart TG, Davidovac Z, Botz CK, Zinggg W. An artificial endocrine pancreas. Diabetes, 23:389-396, 1974.
2. Bellazzi R, Nucci G, Cobelli C: The subcutaneous route to insulin-dependent diabetes therapy: closed-loop and partially closed-loop control strategies for insulin delivery and measuring glucose concentration. IEEE Ens Med Biol 20: 54-64, 2001.
3. Bequette BW. Analysis of Algorithms for Intensive Care Unit Blood Glucose Control. J Diabetes Sci Technol, 1 : 813-824, 2007.
4. Bergman RN, Ider YZ, Bowden CR, Cobelli C. Quantitative estimation of insulin sensitivity. Am J Physiol. 236:E667-E677, 1979.
5. Boyne M, Silver D, Kaplan J, and Saudek C: Timing of Changes in Interstitial and Venous Blood Glucose Measured With a Continuous Subcutaneous Glucose Sensor. Diabetes, 52:2790-2794, 2003.
6. Broekhuyse HM, Nelson JD, Zinman B, and Albisser AM: Comparison of algorithms for the closed- loop control of blood glucose using the artificial beta cell. IEEE Trans Biomed Eng BME-28: 678-687, 1981.
7. Brunetti P., Cobelli C, Cruciani P., Fabietti P.G., Filippucci F., Santeusanio F.: A simulation study on a self-tuning portable controller of blood glucose. Int J Artificial Organs 16: 51-57, 1993.
8. Clarke WL and Kovatchev BP. The Artificial Pancreas: How Close We Are to Closing the Loop? Ped Endocrinol Rev, 4: 314-316, 2007.
9. Clarke WL, Cox DJ, Gonder-Frederick LA, Julian DM, Kovatchev BP, Young-Hyman D. The bio-psycho-behavioral model of severe hypoglycemia II: Self-management behaviors. Diabetes Care 22: 580-584, 1999.
10. Clemens AH, Chang PH, Myers RW. The development of Biostator, a glucose-controlled insulin infusion system. Horm Metab Res Supplement, 7: 23-33, 1977.
11. Clemens AH: Feedback control dynamics for glucose controlled insulin infusion system. MedProg Technol 6: 91-98, 1979.
12. Cobelli C and Kovatchev BP. Clinical Trial of Model-Predictive Control Powered by In Silico Studies. Proc. 8th Diabetes Technology Meeting, Bethesda, MD, 2008.
13. Cobelli C, Ruggeri A: Evaluation of portal/peripheral route and of algorithms for insulin delivery in the closed-loop control of glucose in diabetes. A modelling study. IEEE Trans Biomed Eng 30: 93-103, 1983.
14. Cryer PE, Davis SN, Shamoon H. Hypoglycemia in Diabetes. Diabetes Care, 26: 1902-1912, 2003.
15. Cryer PE. Hypoglycaemia: The limiting factor in the glycaemic management of type I and type II diabetes. Diabetologia 45 : 937-948, 2002.
16. Cryer PE. Iatrogenic hypoglycemia as a cause of hypoglycemia-associated autonomic failure in IDDM: A vicious cycle. Diabetes 41 :255-260, 1992.
17. Cryer PE: Hypoglycemia: The Limiting factor in the management of IDDM. Diabetes 43 : 1378-1389, 1994.
18. Dassau E, Bequette BW, Buckingham BA, Doyle FJ 3rd. Detection of a meal using continuous glucose monitoring: implications for an artificial beta-cell. Diabetes Care, 31 :295-300, 2008.
19. Dassau E, Cameron F, Neimeyer G, Chase P, Buckingham B. Real-time Hypoglycemic Prediciton Using Continuous Glucose Monitoring (CGM). Diabetes, 57 Suppl 1 , 2008.
20. Dua P, Doyle FJ 3rd, Pistikopoulos EN. "Model-Based Blood Glucose Control for Type 1 Diabetes via Parametric Programming." IEEE Trans Biomed Eng. 53 : 1478-1491 , 2006.
21. EW, Campbell LV, Chia YO, Meier H, and Lazarus L: Control of blood glucose in diabetics using an artificial pancreas. Aust N ZJ Med 7: 280-286, 1977.
22. Fischer U, Jutzi E, Freyse E-J, and Salzsieder E: Derivation and experimental proof of a new algorithm for the artificial beta-cell based on the individual analysis of the physiological insulin- glucose relationship. Endokrinologie 71 :65-75, 1978.
23. Fischer U, Schenk W, Salzsieder E, Albrecht G, Abel P, and Freyse E-J: Does physiological blood glucose control require an adaptive strategy? IEEE Trans Biomed Eng 34:575-582, 1987.
24. Fisher ME: A semi closed-loop algorithm for the control of blood glucose levels in diabetics. IEEE Trans Biomed Eng 38: 57-61 , 1991.
25. Gold AE, Deary I J, Frier BM. Recurrent severe hypoglycaemia and cognitive function in type I diabetes. Diabet Med 10:503-508, 1993.
26. Gonder-Frederick L, Cox D, Kovatchev B, Schlundt D, Clarke W. A biopsychobehavioral model of risk of severe hypoglycemia. Diabetes Care, 20:661-669, 1997.
27. Hovorka R, Canonico V, Chassin LJ, et al. Nonlinear model predictive control of glucose concentration in subjects with type 1 diabetes. Physiol Meas 25 :905-920, 2004.
28. Hovorka R, Chassin LJ, Wilinska ME, et al. Closing the loop: the ADICOL experience. Diabetes Technol Ther. 6: 307-318, 2004.
29. Hovorka R: Continuous glucose monitoring and closed-loop systems. Diabet Med 23 : 1-12, 2006.
30. Hughes CS, S. D. Patek SD, M. Breton MD, and BP Kovatchev. Hypoglycemia Prevention via Pump Attenuation and Red-Yellow-Green "Traffic" Lights using CGM and Insulin Pump Data, J Diab Sci and Tech, 4: 1 146-1 155, 2010.
31. Klonoff DC: The Artificial Pancreas: How Sweet Engineering Will Solve Bitter Problems. J Diabetes Sci Technol, 1 : 72-81 , 2007.
32. Kovatchev BP, Clarke WL. Continuous glucose monitoring reduces risks for hypo- and hyperglycemia and glucose variability in diabetes. Diabetes, 56, Supplement 1 : 0086OR, 2007.
33. Kovatchev BP, Cox DJ, Farhy LS, Straume M, Gonder-Frederick LA, Clarke, WL. Episodes of Severe Hypoglycemia in Type 1 Diabetes are Preceded, and Followed, within 48 Hours by Measurable Disturbances in Blood Glucose. J of Clinical Endocrinology and Metabolism, 85 : 4287-4292, 2000.
34. Kovatchev BP, Cox DJ, Gonder-Frederick LA, and WL Clarke. Symmetrization of the blood glucose measurement scale and its applications, Diabetes Care, 20: 1655-1658, 1997.
35. Kovatchev BP, Straume M, Cox DJ, Farhy LS. Risk analysis of blood glucose data: A quantitative approach to optimizing the control of insulin dependent diabetes. J of Theoretical Medicine, 3 : 1-10, 2001.
36. Kulcu E, Tamada JA, Reach G, Potts RO, Lesho MJ: Physiological differences between interstitial glucose and blood glucose measured in human subjects. Diabetes Care, 26:2405-2409, 2003.
37. Leblanc H, Chauvet D, Lombrail P, Robert JJ : Glycemic control with closed- loop intraperitoneal insulin in type I diabetes. Diabetes Care, 9: 124- 128, 1986.
38. Magni L, Raimondo F, Bossi L, Dalla Man C, De Nicolao G, Kovatchev BP, Cobelli C. Model Predictive Control of Type 1 Diabetes: An In Silico
J Diabetes Sci Technol, 1 : 804-812, 2007.
39. Marliss EB, Murray FT, Stokes EF, Zinman B, Nakhooda AF, Denoga A, Leibel BS, and Albisser AM: Normalization of glycemia in diabetics during meals with insulin and glucagon delivery by the artificial pancreas. Diabetes 26: 663-672, 1977.
40. Nucci G., Cobelli C. Models of subcutaneous insulin kinetics. A critical review. Comput Methods Programs Biomed., 62:249-57 Review, 2000.
41. Ollerton RL: Application of optimal control theory to diabetes mellitus. Int J Control 50: 2503-2522, 1989.
42. Owens C, Zisser H, Jovanovic L, Srinivasan B, Bonvin D, Doyle FJ 3rd. Run-to-run control of glucose concentrations for people with Type 1 diabetes mellitus. IEEE Trans Biomed Eng. 53 :996-1005, 2006.
43. Palerm CC, Zisser H, Bevier WC, Jovanovic L, Doyle FJ 3rd. Prandial insulin dosing using run-to-run control: application of clinical data and medical expertise to define a suitable performance metric. Diabetes Care. 30: 1 131-1 136, 2007.
44. Palerm CC, Zisser H, Jovanovic L, Doyle FJ 3rd. A Run-to-Run Control Strategy to Adjust Basal Insulin Infusion Rates in Type 1 Diabetes. J Process Control. 18:258-265, 2008.
45. Parker RS, Doyle FJ 3rd, Peppas NA. A model-based algorithm for blood glucose control in Type I diabetic patients. IEEE Trans Biomed Eng, 48: 148-157, 1999.
46. Patek SD, Breton MD, Cobelli C, Dalla Man C, and Kovatchev BP. Adaptive meal detection algorithm enabling closed- loop control in type 1 diabetes. Proc. 7th Diabetes Technology Meeting, San Francisco, CA, 2007.
47. Patek SD. Open-Loop Feedback Control under Multiple Disturbance Function Hypotheses, Proc. of the IEEE Conference on Decision and Control, 2010, Atlanta. 48. Pfeiffer EF, Thum Ch, and Clemens AH: The artificial beta cell - A continuous control of blood sugar by external regulation of insulin infusion (glucose controlled insulin infusion system).Horm Metab Res 487: 339-342, 1974.
49. Reichard P, Phil M. Mortality and treatment side effects during long-term intensified conventional insulin treatment in the Stockholm Diabetes Intervention study. Diabetes 43 : 313-317, 1994.
50. Reifman J, Rajaraman S, Gribok A, Ward WK. Predictive monitoring for improved management of glucose levels. J Diabetes Sci Technol 1 : 478-486, 2007.
51. Renard E: Implantable closed-loop glucose-sensing and insulin delivery: the future for insulin pump therapy, Current Opinion in Pharmacology, 2: 708-716, 2002.
52. Salzsieder E, Albrecht G, Fischer U, and Freyse E-J: Kinetic modeling of the gluco- regulatory system to improve insulin therapy. IEEE Trans Biomed Eng 32: 846-855, 1985.
53. Santiago JV, Clemens AH, Clarke WL, Kipnis DM. Closed-loop and open-loop devices for blood glucose control in normal and diabetic subjects. Diabetes, 28: 71-84, 1979.
54. Schaller HC, Schaupp L, Bodenlenz M, Wilinska ME, Chassin LJ, Wach P, Vering T, Hovorka R, Pieber TR: On-line adaptive algorithm with glucose prediction capacity for subcutaneous closed loop control of glucose: evaluation under fasting conditions in patients with Type 1 diabetes. Diabet Med 23:90-93, 2006.
55. Selam JL, Micossi P, Dunn FL, and Nathan DM: Clinical trial of programmable implantable insulin pump for type I diabetes, Diabetes Care 15: 877-885, 1992.
56. Sorensen JT: A Physiologic Model of Glucose Metabolism in Man and its Use to Design and Assess Improved Insulin Therapies for Diabetes, Ph.D. dissertation, Dept Chemical Engineering, MIT, 1985.
57. Sparacino G, Zanderigo F, Corazza G, Maran A, Facchinetti A, Cobelli C. Glucose concentration can be predicted ahead in time from continuous glucose monitoring sensor time-series. IEEE Trans Biomed Eng, 54:931-937, 2007.
58. Steil GM, Rebrin K, Darwin C, Hariri F, Saad MF. Feasibility of automating insulin delivery for the treatment of type 1 diabetes. Diabetes 55: 3344-3350, 2006.
59. Stout PJ, Racchini JR, Hilgers ME: A Novel Approach to Mitigating the Physiological Lag between Blood and Interstitial Fluid Glucose Measurements. Diabetes Technol Ther, 6:635-644, 2004.
60. The Diabetes Control and Complications Trial Research Group. Hypoglycemia in the Diabetes Control and Complications Trial. Diabetes 46: 271-286, 1997.
61. The Diabetes Control and Complications Trial Research Group. The effect of intensive treatment of diabetes on the development and progression of long-term complications of insulin-dependent diabetes mellitus. N EnglJ Med 329: 978-986, 1993.
62. Weinzimer SA, Steil GM, Swan KL, Dziura J, Kurtz N, Tamborlane WV: Fully automated closed-loop insulin delivery versus semi-automated hybrid control in pediatric patients with type 1 diabetes using an artificial pancreas. Diabetes Care 31 :934-939, 2008.
63. Wentholt IME, Hart AAM, Hoekstra JBL, DeVries JH. Relationship Between Interstitial and Blood Glucose in Type 1 Diabetes Patients: Delay and the Push-Pull Phenomenon Revisited. Diabetes Technol Ther, 9: 169-175,2004.
64. Wilinska ME, Chassin LJ, Schaller HC, Schaupp L, Pieber TR, Hovorka R. Insulin kinetics in type-1 diabetes: continuous and bolus delivery of rapid acting insulin. IEEE Trans. Biomed. Eng. 52:3-12, 2005.
65. Zanderigo F, Sparacino G, Kovatchev B, Cobelli C. Glucose Prediction Algorithms from continuous monitoring: Assessment of accuracy via Continuous Glucose-Error Grid Analysis. J Diabetes Sci Technol, 1 : 645-651, 2007.
66. Zisser H, Jovanovic L, Doyle FJ 3rd, Ospina P, Owens C. Run-to-Run Control of Meal- Related Insulin Dosing. Diab Technol Ther 7:48-57, 2005.
67. C. S. Hughes, S. D. Patek, A. Taylor, R. Park, K. Laub- scher, S. PiUutla, M. Breton, and B. P. Kovatchev. In- silico experiments of human eating patterns: Making a case for behavior-informed control of T1DM. In Proc. UKACC International Conference of Control, 2010.
［参考文献］
本明細書に開示する本発明の様々な実施形態のデバイス、システム、コンピュータで読み取り可能な記録媒体および方法は、以下の参考文献、特許出願、刊行物および特許で開示された態様を利用してもよい。これらの参考文献、特許出願、刊行物および特許の全体を本明細書に参考のため援用する。これらはこのセクションに記載してはいるが、本発明に対する先行技術であると認めるわけではない。
A. International Patent Application Serial No. PCT/US2012/043910, Kovatchev, et al., "Unified Platform For Monitoring and Control of Blood Glucose Levels in Diabetic Patients", filed June 23, 2012.
B. International Patent Application Serial No. PCT/US2012/043883, Kovatchev, et al., "Methods and Apparatus for Modular Power Management and Protection of Critical Services in Ambulatory Medical Devices", filed June 22, 2012.
C. International Patent Application Serial No. PCT/US2011/029793, Kovatchev et al., entitled Method, System, and Computer Program Product for Improving the Accuracy of Glucose Sensors Using Insulin Delivery Observation in Diabetes," filed March 24, 2011.
D. PCT/US2011/028163, Breton, et al, entitled "Method and System for the Safety, Analysis and Supervision of Insulin Pump Action and Other Modes of Insulin Delivery in Diabetes", filed March 11, 2011.
E. International Patent Application Serial No. PCT/US2010/047711, Kovatchev, et al., "Tracking the Probability for Imminent Hypoglycemia in Diabetes from Self-Monitoring Blood Glucose (SMBG) Data", filed September 2, 2010.
F. International Patent Application Serial No. PCT/US2010/047386, Kovatchev, et al., "System, Method and Computer Program Product for Adjustment of Insulin Delivery (AID) in Diabetes Using Nominal Open-Loop Profiles", filed August 31, 2010.
G. International Patent Application Serial No. PCT/US2010/040097, Kovatchev, et al., "System, Method, and Computer Simulation Environment for In Silico Trials in Prediabetes and Type 2 Diabetes", filed June 25, 2010.
H. International Patent Application Serial No. PCT/US2010/036629, Kovatchev, et al., "System Coordinator and Modular Architecture for Open-Loop and Closed-Loop Control of Diabetes", filed May 28, 2010 (Publication No. WO 2010/138848, December 2, 2010).
I. International Patent Application Serial No. PCT/US2010/025405, Kovatchev, et al., entitled "Method, System and Computer Program Product for CGM-Based Prevention of Hypoglycemia via Hypoglycemia Risk Assessment and Smooth Reduction Insulin Delivery," filed February 25, 2010.
J. International Patent Application Serial No. PCT/US2009/065725, Kovatchev, et al, filed November 24, 2009, entitled "Method, System, and Computer Program Product for Tracking of Blood Glucose Variability in Diabetes from Data."
K. International Patent Application Serial No. PCT/US2008/082063, Magni, et al, entitled "Model Predictive Control Based Method for Closed-Loop Control of Insulin Delivery in Diabetes Using Continuous Glucose Sensing", filed October 31, 2008; U.S. Patent Application Serial No. 12/740,275, Magni, et al., entitled "Predictive Control Based System and Method for Control of Insulin Delivery in Diabetes Using Glucose Sensing", filed April 28, 2010.
L. International Patent Application Serial No. PCT/US2008/069416, Breton, et al, entitled "Method, System and Computer Program Product for Evaluation of Insulin Sensitivity, Insulin/Carbohydrate Ratio, and Insulin Correction Factors in Diabetes from Self-Monitoring Data", filed July 8, 2008, (Publication No. WO 2009/009528, January 15, 2009); U.S. Patent Application Serial No. 12/665,149, Breton, et al, "Method, System and Computer Program Product for Evaluation of Insulin Sensitivity, Insulin/Carbohydrate Ratio, and Insulin Correction Factors in Diabetes from Self-Monitoring Data", filed December 17, 2009.
M. International Patent Application Serial No. PCT/US2008/067725, Kovatchev, et al., entitled "Method, System and Computer Simulation Environment for Testing of Monitoring and Control Strategies in Diabetes," filed June 20, 2008, (Publication No. WO 2008/157781, December 24, 2008); U.S. Patent Application Publication Serial No. 12/664,444, Kovatchev, et al, filed December 14, 2009, entitled "Method, System and Computer Simulation Environment for Testing of Monitoring and Control Strategies in Diabetes", (Publication No. 2010/0-179768, July 15, 2010).
N. International Patent Application Serial No. PCT/US2008/067723, Patek, et al, entitled "LQG Artificial Pancreas Control System and Related Method", filed on 6/20/2008.
O. U.S. Patent Application Serial No. 12/516,044, Kovatchev, et al, filed May 22, 2009, entitled "Method, System, and Computer Program Product for the Detection of Physical Activity by Changes in Heart Rate, Assessment of Fast Changing Metabolic States, and Applications of Closed and Open Control Loop in Diabetes".
P. International Patent Application Serial No. PCT/US2007/085588, Kovatchev, et al, filed November 27, 2007, entitled "Method, System, and Computer Program Product for the Detection of Physical Activity by Changes in Heart Rate, Assessment of Fast Changing Metabolic States, and Applications of Closed and Open Control Loop in Diabetes", (Publication No. WO2008/067284, June 5, 2008).
Q. U.S. Patent Application Serial No. 11/943,226, Kovatchev, et al., filed November 20, 2007, entitled "Systems, Methods and Computer Program Codes for Recognition of Patterns of Hyperglycemia and Hypoglycemia, Increased Glucose Variability, and Ineffective Self-Monitoring in Diabetes".
R. U.S. Patent Application Serial No. 11/578,831, Kovatchev, et al, filed October 18, 2006 entitled "Method, System and Computer Program Product for Evaluating the Accuracy of Blood Glucose Monitoring Sensors/Devices", (Publication No. US2007/0232878, October 4, 2007), U.S. Patent No. 7,815,569, Kovatchev, et al, issued October 29, 2010.
S. International Application Serial No. PCT/US2005/013792, Kovatchev, et al, filed April 21, 2005, entitled "Method, System, and Computer Program Product for Evaluation of the Accuracy of Blood Glucose Monitoring Sensors/Devices", (Publication No. WO 05106017, November 10, 2005.
T. International Patent Application Serial No. PCT/US01/09884, Kovatchev, et al, filed March 29 2001, entitled "Method, System, and Computer Program Product for Evaluation of Glycemic Control in Diabetes Self-Monitoring Data", (Publication No. WO 01/72208, October 4, 2001).
U. U.S. Patent Application Serial No. 10/240,228, Kovatchev, et al., filed September 26, 2002, (Publication No. 0212317, November 13, 2003), U.S. Patent No. 7,025,425 B2, Kovatchev, et al, issued April 11, 2006, entitled "Method, System, and Computer Program Product for the Evaluation of Glycemic Control in Diabetes from Self-Monitoring Data".
V. U.S. Patent Application Serial No. 11/305,946, Kovatchev, et al, filed December 19, 2005 entitled "Method, System, and Computer Program Product for the Evaluation of Glycemic Control in Diabetes from Self-Monitoring Data" (Publication No. 2006/0094947, May 4, 2006), U.S. Patent No. 7,874,985, Kovatchev, et al, issued January 25, 2011.
W. U.S. Patent Application Serial No. 12/975,580, Kovatchev, et al, "Method, System, and Computer Program Product for the Evaluation of Glycemic Control in Diabetes from Self-Monitoring Data", filed December 22, 2010.
X. International Patent Application Serial No. PCT/US2003/025053, Kovatchev, et al, filed August 8, 2003, entitled "Method, System, and Computer Program Product for the Processing of Self-Monitoring Blood Glucose (SMBG) Data to Enhance Diabetic Self-Management", (Publication No. WO 2004/015539, February 19, 2004).
Y. U.S. Patent Application Serial No. 10/524,094, Kovatchev, et al, filed February 9, 2005 entitled "Managing and Processing Self-Monitoring Blood Glucose" (Publication No. 2005/214892, September 29, 2005).
Z. U.S. Patent Application Serial No. 12/065,257, Kovatchev, et al, filed August 29, 2008, entitled "Accuracy of Continuous Glucose Sensors", (Publication No. 2008/0314395, December 25, 2008).
AA. International Patent Application Serial No PCT/US2006/033724, Kovatchev, et al, filed August 29, 2006, entitled "Method for Improvising Accuracy of Continuous Glucose Sensors and a Continuous Glucose Sensor Using the Same", (Publication No. WO 07027691, March 8, 2007).
BB. U.S. Patent Application Serial No. 12/159,891, Kovatchev, B., filed July 2, 2008, entitled "Method, System and Computer Program Product for Evaluation of Blood Glucose Variability in Diabetes from Self-Monitoring Data", (Publication No. 2009/0171589, July 2, 2009).
CC. International Application No. PCT/US2007/000370, Kovatchev, B., filed January 5, 2007, entitled "Method, System and Computer Program Product for Evaluation of Blood Glucose Variability in Diabetes from Self-Monitoring Data", (Publication No. WO 07081853, July 19, 2007).
DD. U.S. Patent Application Serial No. 11/925,689 and PCT International Patent Application No. PCT/US2007/082744, Breton, et al, both filed October 26, 2007, entitled "For Method, System and Computer Program Product for Real-Time Detection of Sensitivity Decline in Analyte Sensors", (Publication Nos. 2008/0172205, July 17, 2008 and WO 2008/052199, May 2, 2008).
EE. U.S. Patent Application Serial No. 10/069,674, Kovatchev, et al, filed February 22, 2002, entitled "Method and Apparatus for Predicting the Risk of Hypoglycemia".
FF. International Application No. PCT/USOO/22886, Kovatchev, et al, filed August 21, 2000, entitled "Method and Apparatus for Predicting the Risk of Hypoglycemia", (Publication No. WO 01/13786, March 1, 2001).
GG. U.S. Patent Application Serial No. 6,923,763 Bl, Kovatchev, et al, issued August 2, 2005, entitled "Method and Apparatus for Predicting the Risk of Hypoglycemia".
HH. U.S. Patent Application Publication No. US 2004/0254434 Al , "Glucose Measuring Module and "Insulin Pump Combination", published December 16, 2004., Goodnow, et al. Serial No. 10/458,914, filed June 10, 2003.
II. U.S. Patent Application Publication No. US 2009/00697456 Al, Estes, et al, "Operating an Infusion Pump System", published March 12, 2009. Serial No. 11/851,194, September 6, 2007.
JJ. Fernandez-Luque, et al, eDiab: A System for Monitoring, Assisting and Educating People with Diabetes", ICCHP 2006, LNCS 4061, pp. 1342-1349, 2006.
KK. U.S. Patent No. 6,602,191 B2, Quy, R., Method and Apparatus for Health and Disease Management Combining Patient Data Monitoring with Wireless Internet Connectivity, August 5, 2003.
LL. International Patent Application Publication No. WO 2008/064053 A2, Patel, et al., Systems and Methods for Diabetes Management Using Consumer Electronic Devices, May 29, 2008; International Patent Application Serial No. PCT/US2007/084769, filed November 15, 2007.
MM. International Patent Application Publication No . WO 2010/138817 A1, Ow- Wing, K., Glucose Monitoring System with Wireless Communications, December 2, 2010; International Patent Application Serial No. WO 2010/138817 Al, filed May 28, 2010.
NN. International Patent Application Publication No. WO 2004/052204 Al, Kim, Kwan-Ho, Blood Glucose Monitoring System, June 24, 2004; International Patent Application Serial No. PCT/K 2003/000398, filed February 28, 2003.
本明細書に開示する本発明の様々な実施形態のデバイス、システム、コンピュータで読み取り可能な記録媒体および方法は、以下の参考文献、特許出願、刊行物および特許で開示された態様を利用してもよい。これらの参考文献、特許出願、刊行物および特許の全体を本明細書に参考のため援用する。これらはこのセクションに記載してはいるが、本発明に対する先行技術であると認めるわけではない。
A. International Patent Application Serial No. PCT/US2012/043910, Kovatchev, et al., "Unified Platform For Monitoring and Control of Blood Glucose Levels in Diabetic Patients", filed June 23, 2012.
B. International Patent Application Serial No. PCT/US2012/043883, Kovatchev, et al., "Methods and Apparatus for Modular Power Management and Protection of Critical Services in Ambulatory Medical Devices", filed June 22, 2012.
C. International Patent Application Serial No. PCT/US2011/029793, Kovatchev et al., entitled Method, System, and Computer Program Product for Improving the Accuracy of Glucose Sensors Using Insulin Delivery Observation in Diabetes," filed March 24, 2011.
D. PCT/US2011/028163, Breton, et al, entitled "Method and System for the Safety, Analysis and Supervision of Insulin Pump Action and Other Modes of Insulin Delivery in Diabetes", filed March 11, 2011.
E. International Patent Application Serial No. PCT/US2010/047711, Kovatchev, et al., "Tracking the Probability for Imminent Hypoglycemia in Diabetes from Self-Monitoring Blood Glucose (SMBG) Data", filed September 2, 2010.
F. International Patent Application Serial No. PCT/US2010/047386, Kovatchev, et al., "System, Method and Computer Program Product for Adjustment of Insulin Delivery (AID) in Diabetes Using Nominal Open-Loop Profiles", filed August 31, 2010.
G. International Patent Application Serial No. PCT/US2010/040097, Kovatchev, et al., "System, Method, and Computer Simulation Environment for In Silico Trials in Prediabetes and Type 2 Diabetes", filed June 25, 2010.
H. International Patent Application Serial No. PCT/US2010/036629, Kovatchev, et al., "System Coordinator and Modular Architecture for Open-Loop and Closed-Loop Control of Diabetes", filed May 28, 2010 (Publication No. WO 2010/138848, December 2, 2010).
I. International Patent Application Serial No. PCT/US2010/025405, Kovatchev, et al., entitled "Method, System and Computer Program Product for CGM-Based Prevention of Hypoglycemia via Hypoglycemia Risk Assessment and Smooth Reduction Insulin Delivery," filed February 25, 2010.
J. International Patent Application Serial No. PCT/US2009/065725, Kovatchev, et al, filed November 24, 2009, entitled "Method, System, and Computer Program Product for Tracking of Blood Glucose Variability in Diabetes from Data."
K. International Patent Application Serial No. PCT/US2008/082063, Magni, et al, entitled "Model Predictive Control Based Method for Closed-Loop Control of Insulin Delivery in Diabetes Using Continuous Glucose Sensing", filed October 31, 2008; U.S. Patent Application Serial No. 12/740,275, Magni, et al., entitled "Predictive Control Based System and Method for Control of Insulin Delivery in Diabetes Using Glucose Sensing", filed April 28, 2010.
L. International Patent Application Serial No. PCT/US2008/069416, Breton, et al, entitled "Method, System and Computer Program Product for Evaluation of Insulin Sensitivity, Insulin/Carbohydrate Ratio, and Insulin Correction Factors in Diabetes from Self-Monitoring Data", filed July 8, 2008, (Publication No. WO 2009/009528, January 15, 2009); U.S. Patent Application Serial No. 12/665,149, Breton, et al, "Method, System and Computer Program Product for Evaluation of Insulin Sensitivity, Insulin/Carbohydrate Ratio, and Insulin Correction Factors in Diabetes from Self-Monitoring Data", filed December 17, 2009.
M. International Patent Application Serial No. PCT/US2008/067725, Kovatchev, et al., entitled "Method, System and Computer Simulation Environment for Testing of Monitoring and Control Strategies in Diabetes," filed June 20, 2008, (Publication No. WO 2008/157781, December 24, 2008); U.S. Patent Application Publication Serial No. 12/664,444, Kovatchev, et al, filed December 14, 2009, entitled "Method, System and Computer Simulation Environment for Testing of Monitoring and Control Strategies in Diabetes", (Publication No. 2010/0-179768, July 15, 2010).
N. International Patent Application Serial No. PCT/US2008/067723, Patek, et al, entitled "LQG Artificial Pancreas Control System and Related Method", filed on 6/20/2008.
O. U.S. Patent Application Serial No. 12/516,044, Kovatchev, et al, filed May 22, 2009, entitled "Method, System, and Computer Program Product for the Detection of Physical Activity by Changes in Heart Rate, Assessment of Fast Changing Metabolic States, and Applications of Closed and Open Control Loop in Diabetes".
P. International Patent Application Serial No. PCT/US2007/085588, Kovatchev, et al, filed November 27, 2007, entitled "Method, System, and Computer Program Product for the Detection of Physical Activity by Changes in Heart Rate, Assessment of Fast Changing Metabolic States, and Applications of Closed and Open Control Loop in Diabetes", (Publication No. WO2008/067284, June 5, 2008).
Q. U.S. Patent Application Serial No. 11/943,226, Kovatchev, et al., filed November 20, 2007, entitled "Systems, Methods and Computer Program Codes for Recognition of Patterns of Hyperglycemia and Hypoglycemia, Increased Glucose Variability, and Ineffective Self-Monitoring in Diabetes".
R. U.S. Patent Application Serial No. 11/578,831, Kovatchev, et al, filed October 18, 2006 entitled "Method, System and Computer Program Product for Evaluating the Accuracy of Blood Glucose Monitoring Sensors/Devices", (Publication No. US2007/0232878, October 4, 2007), U.S. Patent No. 7,815,569, Kovatchev, et al, issued October 29, 2010.
S. International Application Serial No. PCT/US2005/013792, Kovatchev, et al, filed April 21, 2005, entitled "Method, System, and Computer Program Product for Evaluation of the Accuracy of Blood Glucose Monitoring Sensors/Devices", (Publication No. WO 05106017, November 10, 2005.
T. International Patent Application Serial No. PCT/US01/09884, Kovatchev, et al, filed March 29 2001, entitled "Method, System, and Computer Program Product for Evaluation of Glycemic Control in Diabetes Self-Monitoring Data", (Publication No. WO 01/72208, October 4, 2001).
U. U.S. Patent Application Serial No. 10/240,228, Kovatchev, et al., filed September 26, 2002, (Publication No. 0212317, November 13, 2003), U.S. Patent No. 7,025,425 B2, Kovatchev, et al, issued April 11, 2006, entitled "Method, System, and Computer Program Product for the Evaluation of Glycemic Control in Diabetes from Self-Monitoring Data".
V. U.S. Patent Application Serial No. 11/305,946, Kovatchev, et al, filed December 19, 2005 entitled "Method, System, and Computer Program Product for the Evaluation of Glycemic Control in Diabetes from Self-Monitoring Data" (Publication No. 2006/0094947, May 4, 2006), U.S. Patent No. 7,874,985, Kovatchev, et al, issued January 25, 2011.
W. U.S. Patent Application Serial No. 12/975,580, Kovatchev, et al, "Method, System, and Computer Program Product for the Evaluation of Glycemic Control in Diabetes from Self-Monitoring Data", filed December 22, 2010.
X. International Patent Application Serial No. PCT/US2003/025053, Kovatchev, et al, filed August 8, 2003, entitled "Method, System, and Computer Program Product for the Processing of Self-Monitoring Blood Glucose (SMBG) Data to Enhance Diabetic Self-Management", (Publication No. WO 2004/015539, February 19, 2004).
Y. U.S. Patent Application Serial No. 10/524,094, Kovatchev, et al, filed February 9, 2005 entitled "Managing and Processing Self-Monitoring Blood Glucose" (Publication No. 2005/214892, September 29, 2005).
Z. U.S. Patent Application Serial No. 12/065,257, Kovatchev, et al, filed August 29, 2008, entitled "Accuracy of Continuous Glucose Sensors", (Publication No. 2008/0314395, December 25, 2008).
AA. International Patent Application Serial No PCT/US2006/033724, Kovatchev, et al, filed August 29, 2006, entitled "Method for Improvising Accuracy of Continuous Glucose Sensors and a Continuous Glucose Sensor Using the Same", (Publication No. WO 07027691, March 8, 2007).
BB. U.S. Patent Application Serial No. 12/159,891, Kovatchev, B., filed July 2, 2008, entitled "Method, System and Computer Program Product for Evaluation of Blood Glucose Variability in Diabetes from Self-Monitoring Data", (Publication No. 2009/0171589, July 2, 2009).
CC. International Application No. PCT/US2007/000370, Kovatchev, B., filed January 5, 2007, entitled "Method, System and Computer Program Product for Evaluation of Blood Glucose Variability in Diabetes from Self-Monitoring Data", (Publication No. WO 07081853, July 19, 2007).
DD. U.S. Patent Application Serial No. 11/925,689 and PCT International Patent Application No. PCT/US2007/082744, Breton, et al, both filed October 26, 2007, entitled "For Method, System and Computer Program Product for Real-Time Detection of Sensitivity Decline in Analyte Sensors", (Publication Nos. 2008/0172205, July 17, 2008 and WO 2008/052199, May 2, 2008).
EE. U.S. Patent Application Serial No. 10/069,674, Kovatchev, et al, filed February 22, 2002, entitled "Method and Apparatus for Predicting the Risk of Hypoglycemia".
FF. International Application No. PCT/USOO/22886, Kovatchev, et al, filed August 21, 2000, entitled "Method and Apparatus for Predicting the Risk of Hypoglycemia", (Publication No. WO 01/13786, March 1, 2001).
GG. U.S. Patent Application Serial No. 6,923,763 Bl, Kovatchev, et al, issued August 2, 2005, entitled "Method and Apparatus for Predicting the Risk of Hypoglycemia".
HH. U.S. Patent Application Publication No. US 2004/0254434 Al , "Glucose Measuring Module and "Insulin Pump Combination", published December 16, 2004., Goodnow, et al. Serial No. 10/458,914, filed June 10, 2003.
II. U.S. Patent Application Publication No. US 2009/00697456 Al, Estes, et al, "Operating an Infusion Pump System", published March 12, 2009. Serial No. 11/851,194, September 6, 2007.
JJ. Fernandez-Luque, et al, eDiab: A System for Monitoring, Assisting and Educating People with Diabetes", ICCHP 2006, LNCS 4061, pp. 1342-1349, 2006.
KK. U.S. Patent No. 6,602,191 B2, Quy, R., Method and Apparatus for Health and Disease Management Combining Patient Data Monitoring with Wireless Internet Connectivity, August 5, 2003.
LL. International Patent Application Publication No. WO 2008/064053 A2, Patel, et al., Systems and Methods for Diabetes Management Using Consumer Electronic Devices, May 29, 2008; International Patent Application Serial No. PCT/US2007/084769, filed November 15, 2007.
MM. International Patent Application Publication No . WO 2010/138817 A1, Ow- Wing, K., Glucose Monitoring System with Wireless Communications, December 2, 2010; International Patent Application Serial No. WO 2010/138817 Al, filed May 28, 2010.
NN. International Patent Application Publication No. WO 2004/052204 Al, Kim, Kwan-Ho, Blood Glucose Monitoring System, June 24, 2004; International Patent Application Serial No. PCT/K 2003/000398, filed February 28, 2003.
Claims (98)
- 患者の低血糖症リスクの事後評価を提供するプロセッサベースの方法であって、
絶対ＢＧレベルと、絶対ＢＧ変異性と、低血糖症の事後（条件付き）確率Ｐ（Ｅｈｙｐｏ│ｒｅｃｏｒｄ）と密接に相関する絶対インスリン送達とに基づく低血糖症リスクの統計量Ｒｈｙｐｏ（ｒｅｃｏｒｄ）を演算するアルゴリズムであって、上記式においてＥｈｙｐｏは翌日の低血糖症事象を示し、ｒｅｃｏｒｄは検体の履歴的ＢＧ、インスリン送達および活動記録を示す、アルゴリズムを提供し、
前記患者の低血糖症の可能性に対する行動可能な事前警告が前記患者またはユーザに提供されるように前記演算した統計量Ｒｈｙｐｏ（ｒｅｃｏｒｄ）を提供すること、
を備えた方法。 - 前記絶対ＢＧレベルと前記絶対ＢＧ変異性とがＣＧＭデバイス由来のデータであり、前記絶対インスリン送達がインスリンポンプデバイスから得られたデータである、請求項１に記載の方法。
- 前記絶対ＢＧレベルと前記絶対ＢＧ変異性とがＣＧＭデバイス由来のデータであり、前記絶対インスリン送達が手動インスリン注入デバイスから得られたデータである、請求項１に記載の方法。
- 前記絶対ＢＧレベルと前記絶対ＢＧ変異性とがＳＭＢＧデバイス由来のデータであり、および／または前記絶対インスリン送達がインスリンポンプデバイスから得られたデータである、請求項１に記載の方法。
- 前記絶対ＢＧレベルと前記絶対ＢＧ変異性とがＳＭＢＧデバイス由来のデータであり、および／または前記絶対インスリン送達が手動インスリン注入デバイスから得られたデータである、請求項１に記載の方法。
- 患者にとって安全なインスリンのレベルを遡及的に提供するプロセッサベースの方法であって、
検体のインスリン送達記録に対するリスクベースの分離減衰係数を遡及的に演算するアルゴリズムを提供し、
任意の内部閾値が前記患者またはユーザに提供されて、将来の食前および／またはその後の運動前に実行可能な一時的基礎代謝率の低減を決めさせるように、前記演算したリスクベースの分離減衰係数を提供し、前記リスクベースの減衰係数を適用すること、
を備えた方法。 - 前記インスリン送達記録がインスリンポンプデバイスから得られたデータである、請求項６に記載の方法。
- 前記インスリン送達記録が手動インスリン注入デバイスから得られたデータである、請求項６に記載の方法。
- 前記リスクベースの減衰係数が以下の式、
により演算され、
上記式において、Ｒ（ｔ，τ）は、関数のＢＧ対称化に基づく、時間ｔまでのＢＧデータおよびインスリンデータの履歴的記録に基づく時間ｔと時間ｔ＋τとの間の低血糖症リスクの測定値であり、ｋｐａｔｉｅｎｔは患者特異的「積極性」係数である、請求項６に記載の方法。 - 「正味効果」ベースの患者適応型モデルを提供するプロセッサベースの方法であって、
モデル患者個々の生理の記述的パラメータを含む、患者の代謝システムの力学モデルと、
前記力学モデルを介して履歴的記録におけるブトウ糖変異性を説明する、前記モデル患者の数学的表現の乱れを含む行動の「正味効果」モデルの前記力学モデルに対応する推定された履歴と、
（ｉ）既知の入力に基づいて将来のＢＧを予測する前記力学モデルの能力と（ｉｉ）前記患者の前記乱れの記録と一致する正味効果曲線を生成する前記モデルの能力とに基づく前記患者の前記生理パラメータの更新と、
を演算するアルゴリズムを提供し、
前記患者またはユーザが今後の行動コースのために前記更新を用いることができるように、前記患者またはユーザに前記更新を提供すること、
を備えた方法。 - 前記記述的パラメータが、経口摂取炭水化物ｄ（ｇ／分）、身体活動ｅ（ｃａｌ／分）、皮下インスリンｕ（Ｕ／時間）および前記モデル患者の代謝状態ベクトルＸ間の力学的関係の表現を含み、その要素が、体内の様々なコンパートメントにおけるブトウ糖濃度およびインスリン濃度（ｍｇ／ｄｌ）ならびに腸内の炭水化物質量（ｍｇ）を含む、請求項１０に記載の方法。
- 前記ブトウ糖濃度（ｍｇ／ｄｌ）がＣＧＭデバイス由来のデータであり、前記皮下インスリンｕ（Ｕ／時間）と前記インスリン濃度（ｍｇ／ｄｌ）とがインスリンポンプデバイスから得られたデータである、請求項１１に記載の方法。
- 前記ブトウ糖濃度（ｍｇ／ｄｌ）がＣＧＭデバイス由来のデータであり、前記皮下インスリンｕと前記インスリン濃度（ｍｇ／ｄｌ）とが手動インスリン注入デバイスから得られたデータである、請求項１１に記載の方法。
- 前記ブトウ糖濃度（ｍｇ／ｄｌ）がＳＭＢＧデバイス由来のデータであり、および／または前記皮下インスリンｕと前記インスリン濃度（ｍｇ／ｄｌ）とがインスリンポンプデバイスから得られたデータである、請求項１１に記載の方法。
- 前記ブトウ糖濃度（ｍｇ／ｄｌ）がＳＭＢＧデバイス由来のデータであり、および／または前記皮下インスリンｕと前記インスリン濃度（ｍｇ／ｄｌ）とが手動インスリン注入デバイスから得られたデータである、請求項１１に記載の方法。
- 前記記述的パラメータ間の関係が、以下の１組の離散時間非線形差分方程式、
として記述可能であり、
上記式において、ＦおよびＧは非線形システム式であり、θ（ｋ）は患者の特性であるパラメータ値のベクトル、例えば、体重、様々なコンパートメント内の分散量、様々なコンパートメント間の吸収速度およびクリアランスの速度を示す様々な時定数のベクトルであり、これらの一部は時間ｋに応じて変化しやすい、請求項１１に記載の方法。 - 前記記述的パラメータ間の関係が、以下の１組の連続時間非線形差分方程式、
として記述可能である、請求項１１に記載の方法。 - 非線形表現が、任意の所望の動作点（例えば定常ブトウ糖濃度）を中心に線形化可能であり、それにより以下の線形力学モデル、
を生じさせ、
上記式において、ｘは代謝状態の（前記動作点からの）差異のベクトルであり、ｕδ（Ｕ／時間）は前記患者の定常（基礎）インスリン送達速度に基づくインスリン送達の偏差であり、Ａ、Ｂｕ、Ｂｄ、Ｂｅは前記線型モデルの状態空間マトリクスであり、ｙ（ｋ）は前記所望の動作点に基づくＢＧの偏差を表し、θｋに対する依存は前記状態空間マトリクスＡ、Ｂｕ、Ｂｄ、Ｂｅ内に埋め込まれている、請求項１７に記載の方法。 - 前記乱れが、食事プロファイルと、身体活動と、睡眠期間／目が覚めている期間とを含む、請求項１０に記載の方法。
- 前記「正味効果」モデルが、前記患者のＢＧの履歴的記録とインスリン送達の履歴的記録とを一致させるバーチャルシステム入力の「履歴」を提供する、請求項１０に記載の方法。
- 前記患者のＢＧ濃度の履歴的記録{ＢＧ（ｋ）}ｋεｄａｙとインスリン送達の履歴的記録{ｕ（ｋ）}ｋεｄａｙとを与えられた場合、履歴的情報を一致させる前記正味効果が、誤差関数、
を最小にするバーチャル炭水化物入力{ｄｎ．ｅ．（ｋ）}ｋεｄａｙのベクトルであり、
上記式において、ｄｉｓｔは、インスリン送達の固定記録{ｕ（ｋ）}ｋεｄａｙおよび正味効果候補{ｄｎ．ｅ．（ｋ）}ｋεｄａｙが与えられた場合のＢＧ濃度の２つのベクトル（この場合は、実際のＢＧ対モデル予測ＢＧ）間の距離の測定値である、請求項２０に記載の方法。 - 得られた最適正味効果ベクトル（すなわち正味効果曲線）{ｄｎ．ｅ．（ｋ）}ｋεｄａｙが、単一外部乱れ信号として（ｍｇ／分）で測定された前記患者に対する外部影響のすべてを捕捉するバーチャル炭水化物信号を介して前記患者によって収集されたＢＧデータとインスリンデータを最適に一致させる、請求項２１に記載の方法。
- 前記正味効果が正であるとき、これは前記患者が実際に食べていることに対応するか、またはその日のうちに、前記患者が高まったインスリン感度を経験する期間に対応し、
前記正味効果が負であるとき、これは前記患者が徹底した身体活動または運動を行っていることに対応する、請求項２２に記載の方法。 - 前記患者の生理モデルパラメータ{θ（ｋ）}ｋεｄａｙが、前記患者の日周期性リズムによる毎日の変異性を含み、
モデル更新器が、以下の式、
を有する形態を取る式を含み、
上記式において、Ｕはグラジエントベースであり得る回帰的パラメータ更新関数であり、ＢＧｒｅｓはＢＧモデル予測誤差（残余）のベクトルであり、ＮＥｒｅｓは演算した正味効果曲線と前記患者の実際の（証明済みの）行動入力の記録との間の誤差のベクトルである、請求項１０に記載の方法。 - 前記力学モデルが複数の時間的尺度に対して調整されることにより、パラメータ更新をＢＧ残余、
に基づいて毎日演算することができ、正味効果ミスマッチに基づく更新を週毎または月毎などのより長い時間的尺度、
で演算することができる、請求項２４に記載の方法。 - 前記患者の最適インスリン送達速度の遡及的評価を提供することをさらに含む、請求項１０に記載の方法であって、
前記アルゴリズムが、
前記システムの乱れがインターバル中に前記患者について演算された正味効果曲線の履歴と同一であったとすれば、履歴時間のうち所定期間に亘る前記患者の最適インスリン送達速度はどうであったかを遡及的に演算し、前記演算において、前記正味効果曲線の各「履歴」に対して、考慮されたインターバルに亘る毎日の食事、運動、および補正を説明するインスリン送達速度の「履歴」が存在し、
所与の日の前記正味効果曲線と最適コントローラのモデルベースの応答との間をマッピングし、前記マッピングにおいて、最適応答のベクトルが収集且つ分析され、インスリン治療を毎日振り返るために前記患者またはユーザに提示され、
食事に関連する離散インスリン量を差し引くか、運動前後の一時的基礎代謝率に関連する離散インスリン不足を説明することにより、重要であるがランダムな事象に対応する特徴を前記最適応答から抽出し、それによりインスリン送達の残りのスケジュールが前記履歴的記録における毎日の前記患者の「最適」基礎代謝率の表示に対応し、
前記遡及的に演算された最適基礎代謝率における一貫性を識別し、複数の期間セグメントにおける前記最適基礎代謝率が前記患者の治療期間を表し、
前記方法がさらに、
各セグメントに適用されたであろう基礎インスリンの中間レベルを前記患者またはユーザに提供し、前記患者またはユーザがこの情報を用いて（ｉ）将来の食前および／またはその後の運動前の一時的基礎代謝率を低減しようと決めるか、または（ｉｉ）前記患者の長期間に亘る基礎代謝率プロファイルを調整できるようにする方法。 - インスリン助言モデルのオンデマンド適応型補正をさらに提供し、
食事および運動活動の遡及的検出の演算と、
食事および運動のタイミングおよび内容についての記述を提供する確率論的モデリングの演算と、
患者およびユーザの要請に応答するインスリン補正助言を前記患者またはユーザに提供する演算と、
を含むアルゴリズムを提供することを備えた、請求項１０に記載の方法。 - 前記食事および運動活動の遡及的検出が、前記患者の「正味効果曲線」の現在の履歴と前記患者が自認する食事および運動事象の履歴的記録とを一致させることにより関連する患者行動の有効化された（高信頼）記録を生成するアルゴリズムを含み、前記一致させることが、（ｉ）前記患者に関して入手可能なＢＧデータおよびインスリンデータから演算した前記正味効果曲線と（ｉｉ）システムユーザインターフェースを介して前記患者またはユーザが自認した食事および運動事象との間の不一致を識別することを含み、
前記不一致から示唆を提供することを備え、その場合前記示唆は前記患者またはユーザに通信され、
前記ユーザまたは患者から得られた任意の応答を受け取ることにより、関連する患者活動の最終的な有効化された記録を形成することを備えた、請求項２７に記載の方法。 - 前記確率論的モデリングが、前記関連する患者活動の最終的な有効化された記録を受け取り、前記患者行動の食事および運動のタイミングおよび内容を表すために確率論的モデリングを行うアルゴリズムを含む、請求項２８に記載の方法。
- 前記インスリン補正が、前記患者の状態をモニタリングし、前記患者またはユーザが求めた瞬間に、（ｉ）起こりつつある行動の乱れの確率論的モデリングと（ｉｉ）様々な別の補正インスリン量の衝撃を予測することを可能にする、前記患者の代謝システムの現在の力学モデルとに基づいて、インスリン補正助言を提供するアルゴリズムを含む、請求項２９に記載の方法。
- 患者の低血糖症リスクの事後評価を提供するシステムであって、
絶対ＢＧレベルと、絶対ＢＧ変異性と、低血糖症の事後（条件付き）確率Ｐ（Ｅｈｙｐｏ│ｒｅｃｏｒｄ）と密接に相関する絶対インスリン送達とに基づく低血糖症リスクの統計量Ｒｈｙｐｏ（ｒｅｃｏｒｄ）を演算するプロセッサを有し、上記式においてＥｈｙｐｏは翌日の低血糖症事象を示し、ｒｅｃｏｒｄは検体の履歴的ＢＧ、インスリン送達および活動記録を示す、遡及的リスクベース安全性モジュールを含み、
前記患者の低血糖症の可能性に対する行動可能な事前警告が前記患者またはユーザに提供されるように前記プロセッサが前記演算した統計量Ｒｈｙｐｏ（ｒｅｃｏｒｄ）を出力するシステム。 - 前記絶対ＢＧレベルと前記絶対ＢＧ変異性とがＣＧＭデバイス由来のデータであり、前記絶対インスリン送達がインスリンポンプデバイスから得られたデータである、請求項３１に記載のシステム。
- 前記絶対ＢＧレベルと前記絶対ＢＧ変異性とがＣＧＭデバイス由来のデータであり、前記絶対インスリン送達が手動インスリン注入デバイスから得られたデータである、請求項３１に記載のシステム。
- 前記絶対ＢＧレベルと前記絶対ＢＧ変異性とがＳＭＢＧデバイス由来のデータであり、前記絶対インスリン送達がインスリンポンプデバイスから得られたデータである、請求項３１に記載のシステム。
- 前記絶対ＢＧレベルと前記絶対ＢＧ変異性とがＳＭＢＧデバイス由来のデータであり、前記絶対インスリン送達が手動インスリン注入デバイスから得られたデータである、請求項３１に記載のシステム。
- 前記絶対ＢＧレベルと前記絶対ＢＧ変異性とが前記ＣＧＭデバイス由来のデータであるＣＧＭデバイスと、
前記絶対インスリン送達が前記インスリンポンプデバイスから得られたデータであるインスリンポンプデバイスと、
をさらに含む、請求項３１に記載のシステム。 - 前記絶対ＢＧレベルと前記絶対ＢＧ変異性とが前記ＣＧＭデバイス由来のデータであるＣＧＭデバイスと、
前記絶対インスリン送達が前記手動インスリン注入デバイスから得られたデータである手動インスリン注入デバイスと、
をさらに含む、請求項３１に記載のシステム。 - 前記絶対ＢＧレベルと前記絶対ＢＧ変異性とが前記ＳＭＢＧデバイス由来のデータであるＳＭＢＧデバイスと、
前記絶対インスリン送達が前記インスリンポンプデバイスから得られたデータであるインスリンポンプデバイスと、
をさらに含む、請求項３１に記載のシステム。 - 前記絶対ＢＧレベルと前記絶対ＢＧ変異性とが前記ＳＭＢＧデバイス由来のデータであるＳＭＢＧデバイスと、
前記絶対インスリン送達が前記手動インスリン注入デバイスから得られたデータである手動インスリン注入デバイスと、
をさらに含む、請求項３１に記載のシステム。 - 患者にとって安全なインスリンのレベルを遡及的に提供するシステムであって、
検体のインスリン送達記録に対するリスクベースの分離減衰係数を遡及的に演算するプロセッサを有する遡及的リスクベース安全性モジュールを含み、
前記プロセッサが、任意の内部閾値が前記患者またはユーザに提供されて、将来の食前および／またはその後の運動前に実行可能な一時的基礎代謝率の低減を決めさせるように、前記演算したリスクベースの分離減衰係数を出力し、前記リスクベースの減衰係数を適用するシステム。 - 前記インスリン送達がインスリンポンプデバイスから得られたデータである、請求項４０に記載のシステム。
- 前記インスリン送達が手動インスリン注入デバイスから得られたデータである、請求項４０に記載のシステム。
- 前記インスリン送達が前記インスリンポンプデバイスから得られたデータであるインスリンポンプデバイスをさらに含む、請求項４０に記載のシステム。
- 前記インスリン送達が前記手動インスリン注入デバイスから得られたデータである手動インスリン注入デバイスをさらに含む、請求項４０に記載のシステム。
- 前記リスクベースの減衰係数が以下の式、
により演算され、
上記式において、Ｒ（ｔ，τ）は、関数のＢＧ対称化に基づく、時間ｔまでのＢＧデータおよびインスリンデータの履歴的記録に基づく時間ｔと時間ｔ＋τとの間の低血糖症リスクの測定値であり、ｋｐａｔｉｅｎｔは患者特異的「積極性」係数である、請求項４０に記載のシステム。 - 「正味効果」ベースの患者適応型モデルを提供するシステムであって、
前記プロセッサが、
モデル患者個々の生理の記述的パラメータを含む患者の代謝システムの力学モデルと、
前記力学モデルを介して履歴的記録におけるブトウ糖変異性を説明する前記モデル患者の数学的表現の乱れを含む行動の「正味効果」モデルの前記力学モデルに対応する推定された履歴と、
を演算する、プロセッサを有する正味効果推測器モジュールと、
（ｉ）既知の入力に基づいて将来のＢＧを予測する前記力学モデルの能力と（ｉｉ）前記患者の前記乱れの記録と一致する正味効果曲線を生成する前記モデルの能力とに基づく前記患者の前記生理パラメータの更新を演算する、プロセッサを有するモデル更新器モジュールと、
を含み、
前記患者またはユーザが今後の行動コースのために前記更新を用いることができるように、前記システムが前記患者またはユーザに前記更新を出力するシステム。 - 前記記述的パラメータが、経口摂取炭水化物ｄ（ｇ／分）、身体活動ｅ（ｃａｌ／分）、皮下インスリンｕ（Ｕ／時間）および前記モデル患者の代謝状態ベクトルＸ間の力学的関係の表現を含み、その要素が、体内の様々なコンパートメントにおけるブトウ糖濃度およびインスリン濃度（ｍｇ／ｄｌ）ならびに腸内の炭水化物質量（ｍｇ）を含む、請求項４６に記載のシステム。
- 前記ブトウ糖濃度（ｍｇ／ｄｌ）がＣＧＭデバイス由来のデータであり、前記皮下インスリンｕ（Ｕ／時間）と前記インスリン濃度（ｍｇ／ｄｌ）とがインスリンポンプデバイスから得られたデータである、請求項４７に記載のシステム。
- 前記ブトウ糖濃度（ｍｇ／ｄｌ）がＣＧＭデバイス由来のデータであり、前記皮下インスリンｕと前記インスリン濃度（ｍｇ／ｄｌ）とが手動インスリン注入デバイスから得られたデータである、請求項４７に記載のシステム。
- 前記ブトウ糖濃度（ｍｇ／ｄｌ）がＳＭＢＧデバイス由来のデータであり、および／または前記皮下インスリンｕと前記インスリン濃度（ｍｇ／ｄｌ）とがインスリンポンプデバイスから得られたデータである、請求項４７に記載のシステム。
- 前記ブトウ糖濃度（ｍｇ／ｄｌ）がＳＭＢＧデバイス由来のデータであり、および／または前記皮下インスリンｕと前記インスリン濃度（ｍｇ／ｄｌ）とが手動インスリン注入デバイスから得られたデータである、請求項４７に記載のシステム。
- 前記ブトウ糖濃度（ｍｇ／ｄｌ）が前記ＣＧＭデバイス由来のデータであるＣＧＭデバイスと、
前記皮下インスリンｕと前記インスリン濃度（ｍｇ／ｄｌ）とが前記インスリンポンプから得られたデータであるインスリンポンプと、
をさらに含む、請求項４７に記載のシステム。 - 前記ブトウ糖濃度（ｍｇ／ｄｌ）が前記ＳＭＢＧデバイス由来のデータであるＳＭＢＧデバイスと、
前記皮下インスリンｕと前記インスリン濃度（ｍｇ／ｄｌ）とが前記インスリンポンプデバイスまたは前記インスリン注入デバイスから得られたデータであるインスリンポンプまたはインスリン注入デバイスと、
をさらに含む、請求項４７に記載のシステム。 - 前記記述的パラメータ間の関係が、以下の１組の離散時間非線形差分方程式、
として記述可能であり、
上記式において、ＦおよびＧは非線形システム式であり、θ（ｋ）は患者の特性であるパラメータ値のベクトル、例えば、体重、様々なコンパートメント内の分散量、様々なコンパートメント間の吸収速度およびクリアランスの速度を示す様々な時定数のベクトルであり、これらの一部は時間ｋに応じて変化しやすい、請求項４７に記載のシステム。 - 前記記述的パラメータ間の関係が、以下の１組の連続時間非線形差分方程式、
として記述可能である、請求項４７に記載のシステム。 - 非線形表現が、任意の所望の動作点（例えば定常ブトウ糖濃度）を中心に線形化可能であり、それにより以下の線形力学モデル、
を生じさせ、
上記式において、ｘは代謝状態の（前記動作点からの）差異のベクトルであり、ｕδ（Ｕ／時間）は前記患者の定常（基礎）インスリン送達速度に基づくインスリン送達の偏差であり、Ａ、Ｂｕ、Ｂｄ、Ｂｅは前記線型モデルの状態空間マトリクスであり、ｙ（ｋ）は前記所望の動作点に基づくＢＧの偏差を表し、θｋに対する依存は前記状態空間マトリクスＡ、Ｂｕ、Ｂｄ、Ｂｅ内に埋め込まれている、請求項５５に記載のシステム。 - 前記乱れが、食事プロファイルと、身体活動と、睡眠期間／目が覚めている期間とを含む、請求項４６に記載のシステム。
- 前記「正味効果」モデルが、前記患者のＢＧの履歴的記録とインスリン送達の履歴的記録とを一致させるバーチャルシステム入力の「履歴」を提供する、請求項４６に記載のシステム。
- 前記患者のＢＧ濃度の履歴的記録{ＢＧ（ｋ）}ｋεｄａｙとインスリン送達の履歴的記録{ｕ（ｋ）}ｋεｄａｙとを与えられた場合、履歴的情報を一致させる前記正味効果が、誤差関数、
を最小にするバーチャル炭水化物入力{ｄｎ．ｅ．（ｋ）}ｋεｄａｙのベクトルであり、
上記式において、ｄｉｓｔは、インスリン送達の固定記録{ｕ（ｋ）}ｋεｄａｙおよび正味効果候補{ｄｎ．ｅ．（ｋ）}ｋεｄａｙが与えられた場合のＢＧ濃度の２つのベクトル（この場合は、実際のＢＧ対モデル予測ＢＧ）間の距離の測定値である、請求項５８に記載のシステム。 - 得られた最適正味効果ベクトル（すなわち正味効果曲線）{ｄｎ．ｅ．（ｋ）}ｋεｄａｙが、単一外部乱れ信号として（ｍｇ／分）で測定された前記患者に対する外部影響のすべてを捕捉するバーチャル炭水化物信号を介して前記患者によって収集されたＢＧデータとインスリンデータを最適に一致させる、請求項５９に記載のシステム。
- 前記正味効果が正であるとき、これは前記患者が実際に食べていることに対応するか、またはその日のうちに、前記患者が高まったインスリン感度を経験する期間に対応、
前記正味効果が負であるとき、これは前記患者が徹底した身体活動または運動を行っていることに対応する、請求項６０に記載のシステム。 - 前記患者の生理モデルパラメータ{θ（ｋ）}ｋεｄａｙが、前記患者の日周期性リズムによる毎日の変異性を含み、
前記モデル更新器モジュールの前記プロセッサが、以下の式、
を演算するように構成され、
上記式において、Ｕはグラジエントベースであり得る回帰的パラメータ更新関数であり、ＢＧｒｅｓはＢＧモデル予測誤差（残余）のベクトルであり、ＮＥｒｅｓは演算した正味効果曲線と前記患者の実際の（証明済みの）行動入力の記録との間の誤差のベクトルである、請求項４６に記載のシステム。 - 前記力学モデルが複数の時間的尺度に対して調整されることにより、パラメータ更新をＢＧ残余、
に基づいて毎日演算することができ、正味効果ミスマッチに基づく更新を週毎または月毎などのより長い時間的尺度、
で演算することができる、請求項６２に記載のシステム。 - 前記患者の最適インスリン送達速度の遡及的評価を提供するようにさらに構成された、請求項４６に記載のシステムであって、
プロセッサを有する遡及的最適制御分析器モジュールであって、前記プロセッサが、
前記システムの乱れがインターバル中に前記患者について演算された正味効果曲線の履歴と同一であったとすれば、履歴時間のうち所定期間に亘る前記患者の最適インスリン送達速度はどうであったかを遡及的に演算するように構成され、前記演算において、前記正味効果曲線の各「履歴」に対して、考慮されたインターバルに亘る毎日の食事、運動、および補正を説明するインスリン送達速度の「履歴」が存在し、
所与の日の前記正味効果曲線と最適コントローラのモデルベースの応答との間をマッピングするように構成され、前記マッピングにおいて、最適応答のベクトルが収集且つ分析され、インスリン治療を毎日振り返るために前記患者またはユーザに提示される、プロセッサを有する遡及的最適制御分析器モジュールと、
プロセッサを有する遡及的最適基礎代謝率抽出器モジュールであって、前記プロセッサが、
食事に関連する離散インスリン量を差し引くか、運動前後の一時的基礎代謝率に関連する離散インスリン不足を説明することにより、重要であるがランダムな事象に対応する特徴を前記最適応答から抽出するように構成され、それによりインスリン送達の残りのスケジュールが前記履歴的記録における毎日の前記患者の「最適」基礎代謝率の表示に対応し、
前記遡及的に演算された最適基礎代謝率における一貫性を識別するように構成され、複数の期間セグメントにおける前記最適基礎代謝率が前記患者の治療期間を表す、プロセッサを有する遡及的最適基礎代謝率抽出器モジュールと、
を含み、
前記システムが、
各セグメントに適用されたであろう基礎インスリンの中間レベルの出力を前記患者またはユーザに提供するように構成され、前記提供において、前記患者またはユーザがこの情報を用いて（ｉ）将来の食前および／またはその後の運動前の一時的基礎代謝率を低減しようと決めるか、または（ｉｉ）前記患者の長期間に亘る基礎代謝率プロファイルを調整できるシステム。 - インスリン助言モデルのオンデマンド適応型補正をさらに提供し、
食事および運動活動の遡及的検出を提供するプロセッサを有する遡及的食事および運動検出器モジュールと、
食事および運動のタイミングおよび内容についての記述を提供する確率論的モデリングを提供するプロセッサを有する食事および運動確率論的モデラーモジュールと、
患者およびユーザの要請に応答するインスリン補正助言を前記患者またはユーザに提供し出力するプロセッサを有する補正投与量アドバイザモジュールと、
を含む、請求項４６に記載のシステム。 - 前記食事および運動活動の遡及的検出が、前記患者の「正味効果曲線」の現在の履歴と前記患者が自認する食事および運動事象の履歴的記録とを一致させることにより関連する患者行動の有効化された（高信頼）記録を生成するアルゴリズムを含み、前記一致させることが、（ｉ）前記患者に関して入手可能なＢＧデータおよびインスリンデータから演算した前記正味効果曲線と（ｉｉ）システムユーザインターフェースを介して前記患者またはユーザが自認した食事および運動事象との間の不一致を識別することを含み、
前記不一致から示唆を提供し、前記示唆が前記患者またはユーザに通信される出力モジュールと、
前記ユーザまたは患者から得られた任意の応答を受け取ることにより、関連する患者活動の最終的な有効化された記録を形成する入力モジュールと、
を含むように構成された、請求項６５に記載のシステム。 - 前記確率論的モデリングモジュールの前記プロセッサが、前記関連する患者活動の最終的な有効化された記録を受け取り、前記患者行動の食事および運動のタイミングおよび内容を表すために確率論的モデリングを行うように構成された、請求項６６に記載のシステム。
- 前記補正投与量アドバイザモジュールの前記プロセッサが、前記患者の状態をモニタリングし、前記患者またはユーザが求めた瞬間に、（ｉ）起こりつつある行動の乱れの確率論的モデリングと（ｉｉ）様々な別の補正インスリン量の衝撃を予測することを可能にする、前記患者の代謝システムの現在の力学モデルとに基づいて、インスリン補正助言出力を提供するように構成された、請求項６７に記載のシステム。
- 患者の低血糖症リスクの事後評価を提供するプログラム命令を含むコンピュータで読み取り可能な記録媒体であって、コンピュータシステムの１以上のプロセッサによる前記プログラム命令の実行が、前記プロセッサに、
絶対ＢＧレベルと、絶対ＢＧ変異性と、低血糖症の事後（条件付き）確率Ｐ（Ｅｈｙｐｏ│ｒｅｃｏｒｄ）と密接に相関する絶対インスリン送達とに基づく低血糖症リスクの統計量Ｒｈｙｐｏ（ｒｅｃｏｒｄ）を演算するアルゴリズムを提供し、上記式においてＥｈｙｐｏは翌日の低血糖症事象を示し、ｒｅｃｏｒｄは検体の履歴的ＢＧ、インスリン送達および活動記録を示し、
前記患者の低血糖症の可能性に対する行動可能な事前警告が前記患者またはユーザに提供されるように前記演算した統計量Ｒｈｙｐｏ（ｒｅｃｏｒｄ）を提供すること、
を実行させる、コンピュータで読み取り可能な記録媒体。 - 前記絶対ＢＧレベルと前記絶対ＢＧ変異性とがＣＧＭデバイス由来のデータであり、前記絶対インスリン送達がインスリンポンプデバイスから得られたデータである、請求項６９に記載のコンピュータで読み取り可能な記録媒体。
- 前記絶対ＢＧレベルと前記絶対ＢＧ変異性とがＣＧＭデバイス由来のデータであり、前記絶対インスリン送達が手動インスリン注入デバイスから得られたデータである、請求項６９に記載のコンピュータで読み取り可能な記録媒体。
- 前記絶対ＢＧレベルと前記絶対ＢＧ変異性とがＳＭＢＧデバイス由来のデータであり、および／または前記絶対インスリン送達がインスリンポンプデバイスから得られたデータである、請求項６９に記載のコンピュータで読み取り可能な記録媒体。
- 前記絶対ＢＧレベルと前記絶対ＢＧ変異性とがＳＭＢＧデバイス由来のデータであり、および／または前記絶対インスリン送達が手動インスリン注入デバイスから得られたデータである、請求項６９に記載のコンピュータで読み取り可能な記録媒体。
- 患者にとって安全なインスリンのレベルを遡及的に提供するプログラム命令を含むコンピュータで読み取り可能な記録媒体であって、コンピュータシステムの１以上のプロセッサによる前記プログラム命令の実行が、前記プロセッサに、
検体のインスリン送達記録に対するリスクベースの分離減衰係数を遡及的に演算するアルゴリズムを提供し、
任意の内部閾値が前記患者またはユーザに提供されて、将来の食前および／またはその後の運動前に実行可能な一時的基礎代謝率の低減を決めさせるように、前記演算したリスクベースの分離減衰係数を提供し、前記リスクベースの減衰係数を適用すること、
を実行させる、コンピュータで読み取り可能な記録媒体。 - 前記インスリン送達記録がインスリンポンプデバイスから得られたデータである、請求項７４に記載のコンピュータで読み取り可能な記録媒体。
- 前記インスリン送達記録が手動インスリン注入デバイスから得られたデータである、請求項７４に記載のコンピュータで読み取り可能な記録媒体。
- 前記リスクベースの減衰係数が以下の式、
により演算され、
上記式において、Ｒ（ｔ，τ）は、関数のＢＧ対称化に基づく、時間ｔまでのＢＧデータおよびインスリンデータの履歴的記録に基づく時間ｔと時間ｔ＋τとの間の低血糖症リスクの測定値であり、ｋｐａｔｉｅｎｔは患者特異的「積極性」係数である、請求項２０２に記載のコンピュータで読み取り可能な記録媒体。 - 「正味効果」ベースの患者適応型モデルを提供するプログラム命令を含むコンピュータで読み取り可能な記録媒体であって、コンピュータシステムの１以上のプロセッサによる前記プログラム命令の実行が、前記プロセッサに、
モデル患者個々の生理の記述的パラメータを含む患者の代謝システムの力学モデルを演算し、
前記力学モデルを介して履歴的記録におけるブトウ糖変異性を説明する前記モデル患者の数学的表現の乱れを含む行動の「正味効果」モデルの前記力学モデルに対応する推定された履歴を演算し、
（ｉ）既知の入力に基づいて将来のＢＧを予測する前記力学モデルの能力と（ｉｉ）前記患者の前記乱れの記録と一致する正味効果曲線を生成する前記モデルの能力とに基づく前記患者の前記生理パラメータの更新を演算し、
前記患者またはユーザに前記更新を提供することにより、前記患者またはユーザが将来の行動コースのために前記更新を用いることができるようにすること、
を実行させる、コンピュータで読み取り可能な記録媒体。 - 前記記述的パラメータが、経口摂取炭水化物ｄ（ｇ／分）、身体活動ｅ（ｃａｌ／分）、皮下インスリンｕ（Ｕ／時間）および前記モデル患者の代謝状態ベクトルＸ間の力学的関係の表現を含み、その要素が、体内の様々なコンパートメントにおけるブトウ糖濃度およびインスリン濃度（ｍｇ／ｄｌ）ならびに腸内の炭水化物質量（ｍｇ）を含む、請求項７８に記載のコンピュータで読み取り可能な記録媒体。
- 前記ブトウ糖濃度（ｍｇ／ｄｌ）がＣＧＭデバイス由来のデータであり、前記皮下インスリンｕ（Ｕ／時間）と前記インスリン濃度（ｍｇ／ｄｌ）とがインスリンポンプデバイスから得られたデータである、請求項７９に記載のコンピュータで読み取り可能な記録媒体。
- 前記ブトウ糖濃度（ｍｇ／ｄｌ）がＣＧＭデバイス由来のデータであり、前記皮下インスリンｕと前記インスリン濃度（ｍｇ／ｄｌ）とが手動インスリン注入デバイスから得られたデータである、請求項７９に記載のコンピュータで読み取り可能な記録媒体。
- 前記ブトウ糖濃度（ｍｇ／ｄｌ）がＳＭＢＧデバイス由来のデータであり、および／または前記皮下インスリンｕと前記インスリン濃度（ｍｇ／ｄｌ）とがインスリンポンプデバイスから得られたデータである、請求項７９に記載のコンピュータで読み取り可能な記録媒体。
- 前記ブトウ糖濃度（ｍｇ／ｄｌ）がＳＭＢＧデバイス由来のデータであり、および／または前記皮下インスリンｕと前記インスリン濃度（ｍｇ／ｄｌ）とが手動インスリン注入デバイスから得られたデータである、請求項７９に記載のコンピュータで読み取り可能な記録媒体。
- 前記記述的パラメータ間の関係が、以下の１組の離散時間非線形差分方程式、
として記述可能であり、
上記式において、ＦおよびＧは非線形システム式であり、θ（ｋ）は患者の特性であるパラメータ値のベクトル、例えば、体重、様々なコンパートメント内の分散量、様々なコンパートメント間の吸収速度およびクリアランスの速度を示す様々な時定数のベクトルであり、これらの一部は時間ｋに応じて変化しやすい、請求項７９に記載のコンピュータで読み取り可能な記録媒体。 - 前記記述的パラメータ間の関係が、以下の１組の連続時間非線形差分方程式、
として記述可能である、請求項７９に記載のコンピュータで読み取り可能な記録媒体。 - 非線形表現が、任意の所望の動作点（例えば定常ブトウ糖濃度）を中心に線形化可能であり、それにより以下の線形力学モデル、
を生じさせ、
上記式において、ｘは代謝状態の（前記動作点からの）差異のベクトルであり、ｕδ（Ｕ／時間）は前記患者の定常（基礎）インスリン送達速度に基づくインスリン送達の偏差であり、Ａ、Ｂｕ、Ｂｄ、Ｂｅは前記線型モデルの状態空間マトリクスであり、ｙ（ｋ）は前記所望の動作点に基づくＢＧの偏差を表し、θｋに対する依存は前記状態空間マトリクスＡ、Ｂｕ、Ｂｄ、Ｂｅ内に埋め込まれている、請求項１８５に記載のコンピュータで読み取り可能な記録媒体。 - 前記乱れが、食事プロファイルと、身体活動と、睡眠期間／目が覚めている期間とを含む、請求項７８に記載のコンピュータで読み取り可能な記録媒体。
- 前記「正味効果」モデルが、前記患者のＢＧの履歴的記録とインスリン送達の履歴的記録とを一致させるバーチャルシステム入力の「履歴」を提供する、請求項７８に記載のコンピュータで読み取り可能な記録媒体。
- 前記患者のＢＧ濃度の履歴的記録{ＢＧ（ｋ）}ｋεｄａｙとインスリン送達の履歴的記録{ｕ（ｋ）}ｋεｄａｙとを与えられた場合、履歴的情報を一致させる前記正味効果が、誤差関数、
を最小にするバーチャル炭水化物入力{ｄｎ．ｅ．（ｋ）}ｋεｄａｙのベクトルであり、
上記式において、ｄｉｓｔは、インスリン送達の固定記録{ｕ（ｋ）}ｋεｄａｙおよび正味効果候補{ｄｎ．ｅ．（ｋ）}ｋεｄａｙが与えられた場合のＢＧ濃度の２つのベクトル（この場合は、実際のＢＧ対モデル予測ＢＧ）間の距離の測定値である、請求項８８に記載のコンピュータで読み取り可能な記録媒体。 - 得られた最適正味効果ベクトル（すなわち正味効果曲線）{ｄｎ．ｅ．（ｋ）}ｋεｄａｙが、単一外部乱れ信号として（ｍｇ／分）で測定された前記患者に対する外部影響のすべてを捕捉するバーチャル炭水化物信号を介して前記患者によって収集されたＢＧデータとインスリンデータを最適に一致させる、請求項８９に記載のコンピュータで読み取り可能な記録媒体。
- 前記正味効果が正であるとき、これは前記患者が実際に食べていることに対応するか、またはその日のうちに、前記患者が高まったインスリン感度を経験する期間に対応し、
前記正味効果が負であるとき、これは前記患者が徹底した身体活動または運動を行っていることに対応する、請求項９０に記載のコンピュータで読み取り可能な記録媒体。 - 前記患者の生理モデルパラメータ{θ（ｋ）}ｋεｄａｙが、前記患者の日周期性リズムによる毎日の変異性を含み、
モデル更新器が、以下の式、
を有する形態を取る式を含み、
上記式において、Ｕはグラジエントベースであり得る回帰的パラメータ更新関数であり、ＢＧｒｅｓはＢＧモデル予測誤差（残余）のベクトルであり、ＮＥｒｅｓは演算した正味効果曲線と前記患者の実際の（証明済みの）行動入力の記録との間の誤差のベクトルである、請求項７８に記載のコンピュータで読み取り可能な記録媒体。 - 前記力学モデルが複数の時間的尺度に対して調整されることにより、パラメータ更新をＢＧ残余、
に基づいて毎日演算することができ、正味効果ミスマッチに基づく更新を週毎または月毎などのより長い時間的尺度、
で演算することができる、請求項９２に記載のコンピュータで読み取り可能な記録媒体。 - 前記患者の最適インスリン送達速度の遡及的評価を提供することをさらに含む、請求項７８に記載のコンピュータで読み取り可能な記録媒体であって、コンピュータシステムの１以上のプロセッサによる前記プログラム命令の実行が、前記プロセッサに、
前記システムの乱れがインターバル中に前記患者について演算された正味効果曲線の履歴と同一であったとすれば、履歴時間のうち所定期間に亘る前記患者の最適インスリン送達速度はどうであったかを遡及的に演算する工程であって、前記正味効果曲線の各「履歴」に対して、考慮されたインターバルに亘る毎日の食事、運動、および補正を説明するインスリン送達速度の「履歴」が存在し、
所与の日の前記正味効果曲線と最適コントローラのモデルベースの応答との間をマッピングする工程であって、最適応答のベクトルが収集且つ分析され、インスリン治療を毎日振り返るために前記患者またはユーザに提示され、
食事に関連する離散インスリン量を差し引くか、運動前後の一時的基礎代謝率に関連する離散インスリン不足を説明することにより、重要であるがランダムな事象に対応する特徴を前記最適応答から抽出する工程であって、それによりインスリン送達の残りのスケジュールが前記履歴的記録における毎日の前記患者の「最適」基礎代謝率の表示に対応し、
前記遡及的に演算された最適基礎代謝率における一貫性を識別する工程であって、複数の期間セグメントにおける前記最適基礎代謝率が前記患者の治療期間を表し、
各セグメントに適用されたであろう基礎インスリンの中間レベルを前記患者またはユーザに提供し、前記患者またはユーザがこの情報を用いて（ｉ）将来の食前および／またはその後の運動前の一時的基礎代謝率を低減しようと決めるか、または（ｉｉ）前記患者の長期間に亘る基礎代謝率プロファイルを調整できるようにすること、
を実行させる、コンピュータで読み取り可能な記録媒体。 - インスリン助言モデルのオンデマンド適応型補正をさらに提供し、コンピュータシステムの１以上のプロセッサによる前記プログラム命令の実行が、前記プロセッサに、
食事および運動活動を遡及的に検出し、
食事および運動のタイミングおよび内容についての記述を提供するために確率論的にモデリングを行い、
患者およびユーザの要請に応答するインスリン補正助言を前記患者またはユーザに提供すること、
を実行させる、請求項７８に記載のコンピュータで読み取り可能な記録媒体。 - 前記食事および運動活動の遡及的検出が、前記患者の「正味効果曲線」の現在の履歴と前記患者が自認する食事および運動事象の履歴的記録とを一致させることにより関連する患者行動の有効化された（高信頼）記録を生成するアルゴリズムを含み、前記一致させることが、（ｉ）前記患者に関して入手可能なＢＧデータおよびインスリンデータから演算した前記正味効果曲線と（ｉｉ）システムユーザインターフェースを介して前記患者またはユーザが自認した食事および運動事象との間の不一致を識別することを含み、
コンピュータシステムの１以上のプロセッサによる前記プログラム命令の実行が、前記プロセッサに、
前記不一致から示唆を提供し、前記示唆が前記患者またはユーザに通信され、
前記ユーザまたは患者から得られた任意の応答を受け取ることにより、関連する患者活動の最終的な有効化された記録を形成すること、
を実行させる、請求項９５に記載のコンピュータで読み取り可能な記録媒体。 - 前記確率論的モデリングが、前記関連する患者活動の最終的な有効化された記録を受け取り、前記患者行動の食事および運動のタイミングおよび内容を表すために確率論的モデリングを行うアルゴリズムを含む、請求項９６に記載のコンピュータで読み取り可能な記録媒体。
- 前記インスリン補正が、前記患者の状態をモニタリングし、前記患者またはユーザが求めた瞬間に、（ｉ）起こりつつある行動の乱れの確率論的モデリングと（ｉｉ）様々な別の補正インスリン量の衝撃を予測することを可能にする、前記患者の代謝システムの現在の力学モデルとに基づいて、インスリン補正助言を提供するアルゴリズムを含む、請求項９７に記載のコンピュータで読み取り可能な記録媒体。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201161528129P | 2011-08-26 | 2011-08-26 | |
| US61/528,129 | 2011-08-26 | ||
| PCT/US2012/052422 WO2013032965A1 (en) | 2011-08-26 | 2012-08-26 | Method, system and computer readable medium for adaptive advisory control of diabetes |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2014534483A true JP2014534483A (ja) | 2014-12-18 |
Family
ID=47756776
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2014527348A Pending JP2014534483A (ja) | 2011-08-26 | 2012-08-26 | 糖尿病の適応型助言制御の方法、システムおよびコンピュータで読み取り可能な記録媒体 |
Country Status (9)
| Country | Link |
|---|---|
| US (1) | US11024429B2 (ja) |
| EP (2) | EP3799073A1 (ja) |
| JP (1) | JP2014534483A (ja) |
| CN (2) | CN103907116A (ja) |
| AU (1) | AU2012300331B2 (ja) |
| BR (1) | BR112014004529A2 (ja) |
| CA (2) | CA3175850A1 (ja) |
| RU (1) | RU2602040C2 (ja) |
| WO (1) | WO2013032965A1 (ja) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2022506987A (ja) * | 2018-11-07 | 2022-01-17 | エフ ホフマン－ラ ロッシュ アクチェン ゲゼルシャフト | 患者の血中グルコース値が予測時点において有害な血中グルコース範囲内にある確率を決定する方法およびシステム、ならびにコンピュータプログラム製品 |
| JP2022515627A (ja) * | 2018-12-28 | 2022-02-21 | デックスコム・インコーポレーテッド | 血糖機能障害の評価および可視化 |
| US12144658B2 (en) | 2023-07-10 | 2024-11-19 | Dexcom, Inc. | Evaluation and visualization of glycemic dysfunction |
Families Citing this family (71)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8956291B2 (en) | 2005-02-22 | 2015-02-17 | Admetsys Corporation | Balanced physiological monitoring and treatment system |
| US20090177142A1 (en) | 2008-01-09 | 2009-07-09 | Smiths Medical Md, Inc | Insulin pump with add-on modules |
| WO2011028731A1 (en) * | 2009-09-01 | 2011-03-10 | University Of Virginia Patent Foundation | System, method and computer program product for adjustment of insulin delivery (aid) in diabetes using nominal open-loop profiles |
| WO2011041429A1 (en) | 2009-09-29 | 2011-04-07 | Admetsys Corporation | System and method for differentiating containers in medication delivery |
| ES2924029T3 (es) * | 2010-03-11 | 2022-10-04 | Univ Virginia Patent Foundation | Método y sistema para la seguridad, análisis y supervisión de la acción de la bomba de insulina y otros modos de administración de insulina en la diabetes |
| WO2013032965A1 (en) | 2011-08-26 | 2013-03-07 | University Of Virginia Patent Foundation | Method, system and computer readable medium for adaptive advisory control of diabetes |
| CA2895538A1 (en) * | 2013-03-15 | 2014-09-18 | Abbott Diabetes Care Inc. | System and method to manage diabetes based on glucose median, glucose variability, and hypoglycemic risk |
| EP3179914A4 (en) | 2014-08-14 | 2018-04-11 | The University of Virginia Patent Foundation | Improved accuracy continuous glucose monitoring method, system, and device |
| WO2016082685A1 (zh) * | 2014-11-28 | 2016-06-02 | 上海泽生科技开发有限公司 | 注射泵控制方法、控制单元及注射泵 |
| US10617363B2 (en) | 2015-04-02 | 2020-04-14 | Roche Diabetes Care, Inc. | Methods and systems for analyzing glucose data measured from a person having diabetes |
| WO2016201120A1 (en) | 2015-06-09 | 2016-12-15 | University Of Virginia Patent Foundation | Insulin monitoring and delivery system and method for cgm based fault detection and mitigation via metabolic state tracking |
| CN107847140B (zh) * | 2015-07-06 | 2022-01-18 | 雅培糖尿病护理公司 | 用于症状发作检测和评估的系统、装置和方法 |
| WO2017019783A1 (en) * | 2015-07-27 | 2017-02-02 | Massachusetts Institute Of Technology | Systems, apparatus, and methods related to modeling, monitoring, and/or managing metabolism |
| US10664569B2 (en) * | 2015-08-21 | 2020-05-26 | Medtronic Minimed, Inc. | Data analytics and generation of recommendations for controlling glycemic outcomes associated with tracked events |
| US10463297B2 (en) * | 2015-08-21 | 2019-11-05 | Medtronic Minimed, Inc. | Personalized event detection methods and related devices and systems |
| US10463789B2 (en) | 2015-09-02 | 2019-11-05 | University Of Virginia Patent Foundation | System, method, and computer readable medium for dynamic insulin sensitivity in diabetic pump users |
| CN112933333B (zh) * | 2016-01-14 | 2023-03-28 | 比格福特生物医药公司 | 调整胰岛素输送速率 |
| US11037658B2 (en) | 2016-02-17 | 2021-06-15 | International Business Machines Corporation | Clinical condition based cohort identification and evaluation |
| US10937526B2 (en) | 2016-02-17 | 2021-03-02 | International Business Machines Corporation | Cognitive evaluation of assessment questions and answers to determine patient characteristics |
| US10575790B2 (en) | 2016-03-02 | 2020-03-03 | Roche Diabetes Care, Inc. | Patient diabetes monitoring system with clustering of unsupervised daily CGM profiles (or insulin profiles) and method thereof |
| US10478556B2 (en) | 2016-03-04 | 2019-11-19 | Roche Diabetes Care, Inc. | Probability based controller gain |
| US10518031B2 (en) * | 2016-03-04 | 2019-12-31 | Roche Diabetes Care, Inc. | Bolus calculator with probabilistic glucose measurements |
| US10311388B2 (en) | 2016-03-22 | 2019-06-04 | International Business Machines Corporation | Optimization of patient care team based on correlation of patient characteristics and care provider characteristics |
| US10923231B2 (en) | 2016-03-23 | 2021-02-16 | International Business Machines Corporation | Dynamic selection and sequencing of healthcare assessments for patients |
| CA3018351C (en) | 2016-03-29 | 2024-02-13 | F. Hoffmann-La Roche Ag | Method of operating a receiver for receiving analyte data, receiver and computer program product |
| US20170286621A1 (en) * | 2016-03-29 | 2017-10-05 | International Business Machines Corporation | Evaluating Risk of a Patient Based on a Patient Registry and Performing Mitigating Actions Based on Risk |
| US10311976B2 (en) | 2016-04-28 | 2019-06-04 | Roche Diabetes Care, Inc. | Bolus calculator with probabilistic carbohydrate measurements |
| US10052073B2 (en) | 2016-05-02 | 2018-08-21 | Dexcom, Inc. | System and method for providing alerts optimized for a user |
| US10297350B2 (en) | 2016-06-01 | 2019-05-21 | Roche Diabetes Care, Inc. | Risk-based control-to-range |
| US10332632B2 (en) * | 2016-06-01 | 2019-06-25 | Roche Diabetes Care, Inc. | Control-to-range failsafes |
| US10332633B2 (en) | 2016-06-01 | 2019-06-25 | Roche Diabetes Care, Inc. | Control-to-range aggressiveness |
| JP6780035B2 (ja) | 2016-06-30 | 2020-11-04 | ノボ・ノルデイスク・エー／エス | グルコース測定値およびインスリンペンデータに基づくインスリン治療のための計画アドヒアランス測定 |
| MA45580A (fr) | 2016-07-08 | 2019-05-15 | Novo Nordisk As | Titrage basal avec glycémie cible adaptative |
| US11456073B2 (en) | 2016-09-09 | 2022-09-27 | Dexcom, Inc. | Systems and methods for CGM-based bolus calculator for display and for provision to medicament delivery devices |
| EP3300656B1 (en) | 2016-09-30 | 2024-10-30 | Roche Diabetes Care GmbH | Method and system for determining a carbohydrate intake event from glucose monitoring data indicative of a glucose level, and a non-transitory computer readable medium |
| JP7082121B2 (ja) * | 2016-10-31 | 2022-06-07 | ノボ・ノルデイスク・エー／エス | 将来の低血糖イベントのリスクを推定するためのシステムおよび方法 |
| CN108261591B (zh) * | 2016-12-30 | 2021-10-08 | 上海移宇科技股份有限公司 | 一种人工胰腺的闭环控制算法 |
| US10500334B2 (en) | 2017-01-13 | 2019-12-10 | Bigfoot Biomedical, Inc. | System and method for adjusting insulin delivery |
| WO2018132754A1 (en) | 2017-01-13 | 2018-07-19 | Mazlish Bryan | System and method for adjusting insulin delivery |
| EP3568859A1 (en) | 2017-01-13 | 2019-11-20 | Bigfoot Biomedical, Inc. | Insulin delivery methods, systems and devices |
| US10583250B2 (en) | 2017-01-13 | 2020-03-10 | Bigfoot Biomedical, Inc. | System and method for adjusting insulin delivery |
| EP3568860A1 (en) | 2017-01-13 | 2019-11-20 | Bigfoot Biomedical, Inc. | Insulin delivery methods, systems and devices |
| AU2018215533B2 (en) * | 2017-02-03 | 2023-06-08 | University Of Virginia Patent Foundation | Method, system, and computer readable medium for controlling insulin delivery using retrospective virtual basal rates |
| WO2018167543A1 (en) | 2017-03-17 | 2018-09-20 | Universität Bern | System and method for drug therapy management |
| CN110582231B (zh) * | 2017-05-05 | 2023-05-16 | 伊莱利利公司 | 生理葡萄糖的闭环控制 |
| JP7181900B2 (ja) * | 2017-06-15 | 2022-12-01 | ノボ・ノルデイスク・エー／エス | 患者プロファイルに基づくインスリン滴定アルゴリズム |
| EP3758008A1 (en) | 2017-06-15 | 2020-12-30 | Novo Nordisk A/S | Basal titration with adaptive target glucose level |
| WO2018229209A1 (en) | 2017-06-15 | 2018-12-20 | Novo Nordisk A/S | Insulin titration algorithm based on patient profile |
| CN107423560A (zh) * | 2017-06-27 | 2017-12-01 | 天方创新（北京）信息技术有限公司 | 基于评分模型对二型糖尿病进行风险评分的方法及装置 |
| US11199556B2 (en) * | 2017-07-04 | 2021-12-14 | Arkray, Inc. | Measuring apparatus, computer readable medium storing measuring program and measuring method |
| EP3438858A1 (en) | 2017-08-02 | 2019-02-06 | Diabeloop | Closed-loop blood glucose control systems and methods |
| CN118217478A (zh) | 2017-12-21 | 2024-06-21 | 益首药物治疗股份公司 | 生理葡萄糖的闭环控制 |
| AU2019217879B2 (en) | 2018-02-09 | 2023-12-21 | Dexcom, Inc. | System and method for decision support |
| CN108671328B (zh) * | 2018-03-27 | 2021-03-30 | 哈工大机器人集团股份有限公司 | 一种智能输液监护装置、系统及方法 |
| CN118750687A (zh) * | 2018-05-04 | 2024-10-11 | 英赛罗公司 | 基于控制算法的药物输送系统的安全约束 |
| WO2019246381A1 (en) | 2018-06-22 | 2019-12-26 | Eli Lilly And Company | Insulin and pramlintide delivery systems, methods, and devices |
| CN109065176B (zh) * | 2018-08-20 | 2020-11-10 | 清华-伯克利深圳学院筹备办公室 | 一种血糖预测方法、装置、终端和存储介质 |
| KR102696363B1 (ko) * | 2018-12-04 | 2024-08-20 | 삼성전자주식회사 | 웨어러블 장치에서 생체 신호의 측정을 가이드 하기 위한 방법 |
| WO2020153423A1 (ja) * | 2019-01-23 | 2020-07-30 | 国立研究開発法人科学技術振興機構 | 投薬量管理支援システム |
| EP3841541A4 (en) * | 2019-03-05 | 2022-05-11 | Health Arx Technologies Pvt. Ltd. | SYSTEM AND METHOD FOR DETERMINING A LIFESTYLE REGIMEN |
| EP3968847A4 (en) * | 2019-05-14 | 2023-06-07 | University Of Virginia Patent Foundation | SYSTEM AND METHOD FOR ARTIFICIAL PANCREAS WITH PREDICTIVE MULTI-STAGE MODEL CONTROL |
| US20210151190A1 (en) * | 2019-11-15 | 2021-05-20 | Dexcom, Inc. | Joint state estimation prediction that evaluates differences in predicted vs. corresponding received data |
| CN111341451B (zh) * | 2020-03-06 | 2022-09-20 | 南京理工大学 | 用于血糖控制的具有干扰补偿的无模型自适应预测控制方法 |
| CN112402732B (zh) * | 2020-10-10 | 2023-05-05 | 广东食品药品职业学院 | 一种基于自适应控制加权因子策略的胰岛素输注量控制方法 |
| EP3985678A1 (en) * | 2020-10-13 | 2022-04-20 | Diabeloop | Computerized device for repeatedly determining a command to control the infusion of fluid in a diabetic patient |
| CN112259181A (zh) * | 2020-11-03 | 2021-01-22 | 陈军 | 一种用药记录的方法及系统 |
| JP2023050558A (ja) * | 2021-09-30 | 2023-04-11 | キヤノンメディカルシステムズ株式会社 | 医用情報処理装置、方法及びプログラム |
| WO2023070252A1 (en) * | 2021-10-25 | 2023-05-04 | Medtrum Technologies Inc. | Closed-loop artificial pancreas insulin multi-drug control system |
| US20230165490A1 (en) | 2021-12-01 | 2023-06-01 | Medtronic Minimed, Inc. | Real-time meal detection based on sensor glucose and estimated plasma insulin levels |
| DE112022006079A5 (de) * | 2021-12-22 | 2024-10-31 | Hochschule Fulda, Körperschaft des öffentlichen Rechts | Verfahren, vorrichtung und system zum ermitteln eines gesundheitszustands eines patienten |
| WO2024215674A1 (en) * | 2023-04-11 | 2024-10-17 | WellDoc, Inc. | Systems and methods for continuous glucose monitoring outcome predictions |
Family Cites Families (29)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11330283A (ja) | 1998-05-15 | 1999-11-30 | Toshiba Corp | 半導体モジュール及び大型半導体モジュール |
| WO2001013786A1 (en) | 1999-08-23 | 2001-03-01 | University Of Virginia Patent Foundation | Method and apparatus for predicting the risk of hypoglycemia |
| US6923763B1 (en) | 1999-08-23 | 2005-08-02 | University Of Virginia Patent Foundation | Method and apparatus for predicting the risk of hypoglycemia |
| US6602191B2 (en) | 1999-12-17 | 2003-08-05 | Q-Tec Systems Llp | Method and apparatus for health and disease management combining patient data monitoring with wireless internet connectivity |
| IL151720A0 (en) | 2000-03-29 | 2003-04-10 | Univ Virginia | Method, system, and computer program product for the evaluation of glycemic control in diabetes from self-monitoring data |
| AU2001291189A1 (en) * | 2000-09-22 | 2002-04-02 | Knobbe, Lim And Buckingham | Method and apparatus for real-time estimation and control of pysiological parameters |
| TW571287B (en) | 2001-02-20 | 2004-01-11 | Au Optronics Corp | Display with dot inversion or column inversion and having power-saving function |
| CA2480550C (en) * | 2002-03-22 | 2011-07-12 | Cygnus, Inc. | Improving performance of an analyte monitoring device |
| EP1534121B1 (en) | 2002-08-13 | 2014-01-22 | University Of Virginia Patent Foundation | Method, system, and computer program product for the processing of self-monitoring blood glucose(smbg)data to enhance diabetic self-management |
| KR20040049486A (ko) | 2002-12-06 | 2004-06-12 | 김관호 | 혈당측정 및 경보시스템 |
| US8460243B2 (en) | 2003-06-10 | 2013-06-11 | Abbott Diabetes Care Inc. | Glucose measuring module and insulin pump combination |
| WO2005106017A2 (en) | 2004-04-21 | 2005-11-10 | University Of Virginia Patent Foundation | Method, system and computer program product for evaluating the accuracy of blood glucose monitoring sensors/devices |
| CA2620586A1 (en) | 2005-08-31 | 2007-03-08 | Boris P. Kovatchev | Improving the accuracy of continuous glucose sensors |
| WO2007044860A2 (en) * | 2005-10-11 | 2007-04-19 | Tethys Bioscience, Inc. | Diabetes-associated markers and methods of use thereof |
| CN101394782B (zh) * | 2006-01-05 | 2014-03-05 | 弗吉尼亚大学专利基金会 | 从自我监测数据评价糖尿病中的血糖变异性的系统 |
| AU2007308804A1 (en) | 2006-10-26 | 2008-05-02 | Abbott Diabetes Care, Inc. | Method, system and computer program product for real-time detection of sensitivity decline in analyte sensors |
| US20080119705A1 (en) | 2006-11-17 | 2008-05-22 | Medtronic Minimed, Inc. | Systems and Methods for Diabetes Management Using Consumer Electronic Devices |
| US8585593B2 (en) | 2006-11-27 | 2013-11-19 | University Of Virginia Patent Foundation | Method, system, and computer program product for the detection of physical activity by changes in heart rate, assessment of fast changing metabolic states, and applications of closed and open control loop in diabetes |
| EP4276851A3 (en) * | 2007-06-21 | 2024-01-24 | University Of Virginia Patent Foundation | Lqg artificial pancreas control system and related method |
| US10546659B2 (en) | 2007-06-21 | 2020-01-28 | University Of Virginia Patent Foundation | Method, system and computer simulation environment for testing of monitoring and control strategies in diabetes |
| EP2171630A1 (en) * | 2007-06-27 | 2010-04-07 | F. Hoffmann-Roche AG | System and method for developing patient specific therapies based on modeling of patient physiology |
| BRPI0813708A2 (pt) | 2007-07-09 | 2014-12-30 | Univ Virginia Patent Found | Método, sistema e produto de programa de computador para avaliação de sensibilidade a insulina, coeficiente de insulina / carboidrato, e fatores de correção de insulina em diabetes a partir de dados de auto-monitoramento |
| US7717903B2 (en) | 2007-09-06 | 2010-05-18 | M2 Group Holdings, Inc. | Operating an infusion pump system |
| US20100262117A1 (en) * | 2007-11-02 | 2010-10-14 | University Of Virginia Patent Foundation | Predictive control based system and method for control of insulin delivery in diabetes using glucose sensing |
| EP2369980B1 (en) * | 2008-11-26 | 2020-02-26 | University Of Virginia Patent Foundation | METHOD and SYSTEM FOR TRACKING OF BLOOD GLUCOSE VARIABILITY IN DIABETES |
| EP2434944B1 (en) | 2009-05-29 | 2014-12-03 | Abbott Diabetes Care, Inc. | Glucose monitoring system with wireless communications |
| EP4231307A1 (en) | 2009-05-29 | 2023-08-23 | University Of Virginia Patent Foundation | System coordinator and modular architecture for open-loop and closed-loop control of diabetes |
| WO2011028731A1 (en) * | 2009-09-01 | 2011-03-10 | University Of Virginia Patent Foundation | System, method and computer program product for adjustment of insulin delivery (aid) in diabetes using nominal open-loop profiles |
| WO2013032965A1 (en) | 2011-08-26 | 2013-03-07 | University Of Virginia Patent Foundation | Method, system and computer readable medium for adaptive advisory control of diabetes |
-
2012
- 2012-08-26 WO PCT/US2012/052422 patent/WO2013032965A1/en active Application Filing
- 2012-08-26 CA CA3175850A patent/CA3175850A1/en active Pending
- 2012-08-26 CN CN201280052869.XA patent/CN103907116A/zh active Pending
- 2012-08-26 CA CA2846854A patent/CA2846854C/en active Active
- 2012-08-26 BR BR112014004529-1A patent/BR112014004529A2/pt not_active IP Right Cessation
- 2012-08-26 CN CN201610702392.5A patent/CN106326651A/zh active Pending
- 2012-08-26 JP JP2014527348A patent/JP2014534483A/ja active Pending
- 2012-08-26 AU AU2012300331A patent/AU2012300331B2/en active Active
- 2012-08-26 EP EP20191889.3A patent/EP3799073A1/en active Pending
- 2012-08-26 EP EP12826823.2A patent/EP2748747B1/en active Active
- 2012-08-26 RU RU2014111290/14A patent/RU2602040C2/ru not_active IP Right Cessation
- 2012-08-26 US US14/241,383 patent/US11024429B2/en active Active
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2022506987A (ja) * | 2018-11-07 | 2022-01-17 | エフ ホフマン－ラ ロッシュ アクチェン ゲゼルシャフト | 患者の血中グルコース値が予測時点において有害な血中グルコース範囲内にある確率を決定する方法およびシステム、ならびにコンピュータプログラム製品 |
| JP7381580B2 (ja) | 2018-11-07 | 2023-11-15 | エフ ホフマン－ラ ロッシュ アクチェン ゲゼルシャフト | 患者の血中グルコース値が予測時点において有害な血中グルコース範囲内にある確率を決定する方法およびシステム、ならびにコンピュータプログラム製品 |
| JP2022515627A (ja) * | 2018-12-28 | 2022-02-21 | デックスコム・インコーポレーテッド | 血糖機能障害の評価および可視化 |
| JP7516387B2 (ja) | 2018-12-28 | 2024-07-16 | デックスコム・インコーポレーテッド | 血糖機能障害の評価および可視化 |
| US12144658B2 (en) | 2023-07-10 | 2024-11-19 | Dexcom, Inc. | Evaluation and visualization of glycemic dysfunction |
Also Published As
| Publication number | Publication date |
|---|---|
| AU2012300331B2 (en) | 2016-04-14 |
| CA3175850A1 (en) | 2013-03-07 |
| CN106326651A (zh) | 2017-01-11 |
| EP2748747A4 (en) | 2015-07-08 |
| AU2012300331A1 (en) | 2014-04-17 |
| WO2013032965A1 (en) | 2013-03-07 |
| RU2602040C2 (ru) | 2016-11-10 |
| RU2014111290A (ru) | 2015-10-27 |
| EP2748747A1 (en) | 2014-07-02 |
| CA2846854A1 (en) | 2013-03-07 |
| US11024429B2 (en) | 2021-06-01 |
| EP2748747B1 (en) | 2020-08-26 |
| EP3799073A1 (en) | 2021-03-31 |
| CN103907116A (zh) | 2014-07-02 |
| US20150190098A1 (en) | 2015-07-09 |
| BR112014004529A2 (pt) | 2017-06-13 |
| CA2846854C (en) | 2022-12-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2014534483A (ja) | 糖尿病の適応型助言制御の方法、システムおよびコンピュータで読み取り可能な記録媒体 | |
| US20240136040A1 (en) | System coordinator and modular architecture for open-loop and closed-loop control of diabetes | |
| US20210169409A1 (en) | Systems of centralized data exchange for monitoring and control of blood glucose | |
| EP2723229B1 (en) | Unified platform for monitoring and control of blood glucose levels in diabetic patients | |
| CN116670774A (zh) | 改善未通知源血糖波动后血糖反应的闭环控制方法和系统 | |
| Cescon et al. | Linear modeling and prediction in diabetes physiology | |
| US20210151141A1 (en) | Joint state estimation prediction that evaluates differences in predicted vs. corresponding received data |