[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

WO2023117164A1 - Verfahren, vorrichtung und system zum ermitteln eines gesundheitszustands eines patienten - Google Patents

Verfahren, vorrichtung und system zum ermitteln eines gesundheitszustands eines patienten Download PDF

Info

Publication number
WO2023117164A1
WO2023117164A1 PCT/EP2022/076936 EP2022076936W WO2023117164A1 WO 2023117164 A1 WO2023117164 A1 WO 2023117164A1 EP 2022076936 W EP2022076936 W EP 2022076936W WO 2023117164 A1 WO2023117164 A1 WO 2023117164A1
Authority
WO
WIPO (PCT)
Prior art keywords
patient
glucose
model
state
insulin
Prior art date
Application number
PCT/EP2022/076936
Other languages
English (en)
French (fr)
Inventor
Claudia EBERLE
Christoph Ament
Original Assignee
Hochschule Fulda
Universität Augsburg
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hochschule Fulda, Universität Augsburg filed Critical Hochschule Fulda
Priority to DE112022006079.4T priority Critical patent/DE112022006079A5/de
Priority to EP22793167.2A priority patent/EP4452063A1/de
Publication of WO2023117164A1 publication Critical patent/WO2023117164A1/de

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—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
    • A61B5/145—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
    • A61B5/4842—Monitoring progression or stage of a disease
    • 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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7239—Details of waveform analysis using differentiation including higher order derivatives
    • 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

Definitions

  • the present invention relates to a device for determining a patient's state of health.
  • the present invention further relates to a system and a method for determining a patient's state of health.
  • the present invention relates to a computer program product.
  • Diabetes mellitus colloquially diabetes or diabetes
  • DM refers to a group of heterogeneous diseases, in particular metabolic disorders of carbohydrates, which include, among other things, disturbed glucose and insulin homeostasis and are associated with the common feature of chronic hyperglycemia ("hyperglycemia").
  • the metabolic disorders are based, for example, on a disorder/dysfunction/resistance or deficiency in the glucose and insulin homeostasis (according to the underlying etiological form of diabetes) in a patient and can lead to chronic hyperglycemia if not treated or treated inadequately.
  • DM diabetic foot syndrome or coronary artery disease
  • IGT impaired glucose tolerance
  • the object of the present invention is to enable precise modeling of a condition, in particular a state of health, of a patient.
  • a state of health should also be made precisely and accurately ascertainable for different patients.
  • the present invention relates in a first aspect to a device for determining a patient's state of health, having: an input interface for receiving a glucose measurement value with information about a glucose level of the patient and a glucose intake input value with information about a glucose intake of the patient; an estimation unit for determining the patient's state of health based on the received values and a predefined state model which maps the patient's state of health by means of a state vector and using a plurality of model parameters, the state vector comprising a glucose model value with information on the patient's glucose level; a comparison unit for determining a deviation between the glucose measurement value and the glucose model value; and an individualization unit for updating at least one model parameter individually for the patient based on the determined deviation.
  • the present invention relates to a system for determining a patient's state of health, with a device as defined above and with a continuously measuring glucose sensor, (rt) CGM, and/or real-time flash glucose monitoring, (rt) -FGM, for taking a glucose reading with information about a patient's glucose level.
  • aspects of the invention relate to a method designed according to the device and a computer program product with program code for carrying out the steps of the method when the program code is executed on a computer.
  • one aspect of the invention relates to a storage medium on which a computer program is stored which, when executed on a computer, causes the method described herein to be carried out.
  • a measured glucose value on the one hand and an input glucose value on the other is received in this respect.
  • the glucose reading reflects the patient's current glucose level.
  • a measured value recorded shortly beforehand by means of a corresponding measuring system or also provided in real time can be received in this respect.
  • the glucose intake input value describes in particular an oral or intravenous glucose intake by the patient.
  • the glucose input value can be recorded by means of a sensor, for example, or it can also be provided by the patient via an interface.
  • a state of health of the patient is determined in the estimation unit based on the two received values.
  • This state of health is described by means of a state vector, this state vector containing a number of state variables or states which, viewed together or individually, allow a statement to be made regarding the current state of health of the patient.
  • the state model used is preferably time-discrete and the state vector is transferred from one point in time to a subsequent point in time by means of a predetermined function, possibly taking system inputs into account.
  • the function is based on predefined and modifiable model parameters or includes such model parameters.
  • the state vector provided according to the invention includes a glucose model value that indicates the patient's glucose level.
  • a deviation between the glucose measurement value that was received and the glucose model value that was estimated as part of the state vector is determined in the comparison unit. Based on the deviation between the two values, one of the model parameters is updated on a patient-specific basis in the individualization unit. In other words, it is therefore proposed that at least one model parameter (which is not part of the state vector) is determined and updated online on the basis of a glucose measurement. In a model of a patient's glucose-insulin homeostasis, a model parameter is estimated.
  • an individualization of a model of the patient's state of health can be achieved, which creates an improved prediction and thus an improved possibility for the patient to exert influence.
  • the patient-specific adaptation or updating of the model parameter proposed according to the invention can provide the patient with an exact model of his state of health (also referred to as a digital twin). Based on this model, for example, individualized therapy suggestions or also individualized recommendations for action can then be determined in an automated manner and made available to the patient or the practitioner. Overall, there is an improved therapy option and quality of life for patients and a reduction in diabetes-associated co-morbidities and mortality.
  • the status vector includes an insulin model value with information about the patient's insulin level.
  • the multiple model parameters include a sensitivity parameter that reflects a patient's glucose and/or insulin sensitivity.
  • the individualization unit is designed to update the sensitivity parameter.
  • the approach according to the invention can be used in the DM environment.
  • the state vector includes an insulin model value and the model is based on a model parameter that depicts the patient's glucose and/or insulin sensitivity. This sensitivity often varies from patient to patient. An adaptation of the state model to a patient results from an individualization of this model parameter. The possibility of forecasting using the state estimation proposed according to the invention is improved.
  • the multiple model parameters include an incretin effect sensitivity parameter that maps a sensitivity of the patient's insulin level to glucose uptake.
  • the individualization unit is designed to update the incretin effect sensitivity parameter.
  • a further individualization can lie in an adaptation of a patient-specific incretin sensitivity of the patient.
  • a sensitivity of the insulin level to a glucose uptake is mapped.
  • Such a sensitivity can differ, for example, due to the patient's body weight or also due to their metabolic properties.
  • the individualization unit is designed to update the model parameters based on a predefined cost function.
  • a cost function it is possible to use a cost function to be able to make a selection when updating the model parameters.
  • the cost function can be used, for example, to prioritize various adjustment options.
  • the individualization unit is designed to determine a gradient with regard to the model parameters and to update the model parameters in a gradient method.
  • a gradient method it is possible for a gradient method to be used, in which an update is carried out, for example, in the direction of a steepest descent (or ascent, depending on the definition of the sign).
  • a gradient method is a method for solving optimization problems. In particular, an optimization should be carried out such that the best possible mapping of the real glucose measurement values and the estimated glucose model value is achieved by adapting the model parameters. The result is an individual adaptation of the modeling to a patient.
  • the estimation unit is designed to update the state vector based on a previous state vector and based on a further predefined cost function and a further gradient method. It is possible that a gradient method is also used when updating the state vector. To this extent, a predetermined cost function is also used when updating the state vector.
  • the predefined state model is a non-linear differential equation model.
  • the predefined state model can be a non-linear differential equation model of order 9 or higher.
  • the use of a non-linear differential equation model enables the state transitions and the states to be mapped with high precision, enabling accurate prediction. The result is a high level of precision when mapping the patient's state of health.
  • the input interface is designed to receive the measured glucose value from a continuously measuring glucose sensor, (rt-)CGM, and/or a real-time flash glucose monitoring, (rt-)FGM.
  • the input interface can be designed to receive the measured glucose value via a wireless communication link.
  • the device according to the invention can then be implemented in the form of a smartphone or in the form of a smartphone app in order to be able to further process the corresponding sensor data.
  • Communication via the Internet (cloud-based) is also conceivable.
  • the device according to the invention is easy to use.
  • the input interface is designed to receive an additional input value that includes information about nutrition, a state of movement, sleep, medication and/or a previous or concomitant illness of the patient.
  • additional input value that includes information about nutrition, a state of movement, sleep, medication and/or a previous or concomitant illness of the patient.
  • lifestyle parameters can be received as additional information, which can then be taken into account when determining the patient's state of health.
  • Such additional input values often enable a further improvement in the accuracy in the prediction of the state of health of the person.
  • the multiple model parameters include at least one additional sensitivity parameter that maps a patient's sensitivity to nutrition, a state of movement, sleep, medication and/or a previous or concomitant disease.
  • the individualization unit is designed to update the additional sensitivity parameter.
  • the various individual lifestyle parameters are taken into account in order to be able to map the patient's sensitivity to the various parameters. Different patients react differently to, for example, lack of sleep or changes in diet. These phenomena can be mapped by considering the additional input values or by using an additional sensitivity parameter. A further improved accuracy results.
  • the device according to the invention comprises a dosing unit for determining a medication dosage as part of a diabetes therapy based on the status vector.
  • the dosing unit is preferably designed to determine the medication dosage based on a model predictive control approach (MPC), a proportional-integral-differential controller (PID controller), a fuzzy controller and/or a deep learning approach.
  • MPC model predictive control
  • PID controller proportional-integral-differential controller
  • a fuzzy controller a fuzzy controller
  • a deep learning approach based on the determined state, an automated determination of a medication dosage can take place.
  • an insulin dosage can be suggested.
  • PID controllers, fuzzy controllers, model predictive control (MPC) or deep learning approaches can be used as control algorithms.
  • the dosing unit to be designed to control an insulin pump, a smart pen or other devices for administering insulin.
  • the input interface is designed to receive an insulin input value with information about the patient's current insulin dosage.
  • the dosing unit is designed to determine a new insulin dose based on the status vector and the insulin input value. By additionally considering the patient's insulin dosage, a suggestion for a new insulin dosage can be determined for diabetics. The result is a further reduced susceptibility to errors.
  • health-endangering situations and co-morbidities as well as inpatient admissions can be avoided.
  • a state of health of a patient is understood here to mean, in particular, a representation of a state using different variables (which can also be referred to as parameters), which are combined in a state vector.
  • Model parameters can be values that map the sensitivities of a patient to specific inputs.
  • the state model maps a state to a state at a subsequent point in time using this function, taking into account received input values.
  • a patient-specific update is understood here to mean a change in one of the model parameters, by means of which this model parameter is adapted to a property of an individual.
  • FIG. 1 shows a schematic representation of a system according to the invention for determining a state of health of a patient
  • FIG. 2 shows a schematic overview of a determination of states and parameters of a glucose-insulin model according to an embodiment of the approach of the present invention
  • FIG. 3 shows a schematic representation of a device according to the invention
  • FIGS. 4 and 5 show a schematic representation of an embodiment of the algorithm proposed according to the invention for the parallel tracking of parameters and states
  • FIG. 6 shows a schematic representation of the method according to the invention for determining a state of health of a patient.
  • the system 10 includes a device 12 for determining the state of health and a continuously measuring glucose sensor 14 ((rt)CGM and/or (rt)FGM sensor).
  • the device 12 is in the form of a smartphone, which is in communication with the continuously measuring glucose sensor 14 attached by means of a bracelet or by means of an adhesive point via a Bluetooth connection and receives a glucose measurement value from it.
  • the system 10 can also include, for example, an (optional) insulin pump 15 that can be controlled directly, for example also via a Bluetooth connection from the smartphone or via the Internet in a cloud-based or other approach.
  • the approach according to the invention aims in particular at individualized diabetes therapy.
  • measurements from (rt-)CGM and/or (rt-)FGM sensors have already been processed in models to model the glucose-insulin homeostasis of a diabetic patient.
  • model states and parameters are to be continuously adjusted, which enable individual predictions and diagnoses in order to facilitate diabetes self-management by a diabetic patient.
  • a direct control for drug dosing in particular an insulin pump, is optionally possible (closed-loop control).
  • the system proposed according to the invention and the device proposed according to the invention are aimed at extensive automation in the sense of controlled operation of an insulin pump ("closed-loop” or “artificial pancreas”), in which a An insulin pump is activated.
  • a device 12 according to the invention for determining a state of health of a patient is shown schematically in FIG.
  • the device comprises an input interface 16, an estimation unit 18, a comparison unit 20 and an individualization unit 22.
  • the device 12 also comprises an (optional) dosing unit 24.
  • the units and interfaces can be partially or completely in software and/or in be implemented hardware.
  • the units can be designed as processors, processor modules or also as software for a processor.
  • the device 12 can in particular be designed in the form of a smartphone or another mobile device or as software or an app for a smartphone or a mobile device.
  • parts of the device are made available as functionalities of a central server via the Internet (cloud-based).
  • a patient can use a smartphone app to communicate with a server that is designed to make the functions of the above-mentioned units available in full or in part.
  • a server that is designed to make the functions of the above-mentioned units available in full or in part.
  • other components such as a CGM/FGM or an insulin pump or other components that are also Internet-enabled are included.
  • the communication between different components of a system according to the invention can then take place via the Internet.
  • a measured glucose value and, on the other hand, an input glucose uptake value are received via the input interface 16 .
  • the glucose reading can be received directly from a corresponding (rt)CGM and/or (rt)FGM sensor, for example via a Bluetooth connection.
  • the glucose reading shows in particular a current glucose level of the patient.
  • the glucose uptake input value can be based, for example, on an input from the patient or on a measurement by a corresponding sensor and indicates a glucose uptake by the patient.
  • the glucose intake input value can be used to indicate the amount of glucose the patient has consumed in a previous, predefined period of time.
  • additional parameters can be received.
  • lifestyle parameters can be received, for example parameters that include information about nutrition, a state of movement, sleep, medication and/or a previous or concomitant illness of the patient as additional input values.
  • additional input values can also be taken into account in the further modeling of the patient's state of health.
  • the format of a corresponding additional input value can be chosen individually.
  • the values can be specified on a predefined scale. It is also conceivable that an assignment is made using a corresponding table, so that, for example, a movement or a movement state of a patient is classified into categories (e.g. no sport, sport once or twice a week, sport three to four times a week, more than five times a week sports etc.).
  • a state of health of the patient is determined in the estimation unit 18 based on the received values.
  • a predefined status model is used for this purpose, in which the patient's state of health is depicted by means of a status vector.
  • the estimation unit can pass on the state of health or the state vector to a corresponding display device, for example. It is also conceivable that the estimation unit 18 is in contact via a mobile communication link, for example, with a doctor who evaluates the currently estimated state of health of the patient and, based on this, can make therapy recommendations, for example. In this respect, the estimation unit 18 forms a type of digital simulation (digital twin) of the patient.
  • the patient, but also other interested parties can gain an insight into the current state of health of the patient. In particular, it is possible for an individual medication dosage to be determined directly as part of a diabetes therapy based on the status vector.
  • the estimation unit 18 can use a predefined cost function and a gradient method to update the state vector. This optimizes a mathematical model, which in turn is used to update the state vector from one journal to the next. Different models can be used for this.
  • the predefined state model in the estimation unit 18 can in particular be a non-linear differential equation model, in particular of order 9 or higher. This enables a reliable and accurate estimation of the state transition.
  • a state vector is used in the estimation unit 18, which also includes a glucose model value.
  • This glucose model value emulates the patient's glucose level and as such includes information about the patient's glucose level.
  • a predefined scale can be used for this. For example, specifying a percentage is conceivable.
  • a deviation between the measured glucose value and the glucose model value is now determined.
  • the deviation can be determined in particular in the form of an absolute difference.
  • at least one model parameter is updated in the individualization unit 20 . It allows a model parameter to represent a sensitivity parameter that reflects a patient's glucose and/or insulin sensitivity.
  • the state vector can include an insulin model value that indicates the patient's insulin level.
  • the model parameters can include a sensitivity parameter that depicts the patient's glucose and/or insulin sensitivity. Provision can then be made for the individualization unit 22 to be designed to adapt this sensitivity parameter and thereby achieve a patient-specific adaptation of the model. Each patient has an individual sensitivity to glucose or insulin administration.
  • This individual sensitivity can be mapped to the extent that improved modeling results. It is also possible for an incretin effect sensitivity parameter to be used, which maps a sensitivity of the patient's insulin level to glucose uptake. It is then possible for the individualization unit 22 to update this incretin effect sensitivity parameter in order to thereby achieve a patient-specific adaptation of the model.
  • the customization unit 22 can also use a predefined cost function. In particular, a gradient method can be used to update the model parameters.
  • a drug dosing can be determined directly based on the state vector.
  • medication is administered directly on this basis.
  • an insulin dosage can be determined and an insulin pump can be controlled directly.
  • AID Automated Insulin Delivery
  • the algorithm proposed here for mapping the state of health of a patient using a state model preferably works in discrete journals k.
  • the time step size in particular determined by the rate at which glucose is measured.
  • (rt-)CGM and/or (rt-)FGM sensors typically output a new measured value yk every 1-5 minutes, and the algorithm is then run through once to update states X and model parameters 0k.
  • the time-varying signals of the (state) model are referred to as states x/ ⁇ , such as the glucose or insulin concentration in the blood or in the tissue.
  • states x/ ⁇ such as the glucose or insulin concentration in the blood or in the tissue.
  • the states are summarized in the state vector.
  • the update occurs through two mechanisms: In the first step, all states are taken into account in a model of glucose-insulin homeostasis. It is therefore possible to update them by simulating the model. For example, if it is known that food is currently being consumed (by the input glucose intake), the model will predict an increase in blood glucose. In the second step, the model output is compared with the current measurement. If there is a deviation, the states are corrected. For this purpose, this deviation is evaluated in the algorithm using a cost function Jk, for which the gradient k is determined with regard to the states Xk. Finally, this gradient can be used in a gradient method to correct the state predicted on the basis of the model.
  • model parameters 0k The constants of the state model that do not change over time are referred to as model parameters 0k.
  • a model of the glucose-insulin homeostasis can be provided as the status model.
  • the model parameters are, for example, time constants that describe the dynamics of an insulin reaction or a glucose breakdown, or amplifications such as insulin or glucose sensitivities. These model parameters are obviously strongly dependent on the respective patient. Therefore, an update of the model parameters allows an individualization of the model. In this way, it is possible to learn from previous measurements.
  • This mechanism is analogous to the second step of the state update described above: in particular, the same cost function ⁇ is used to calculate deviations between model output and measurement. But now the gradient jik is determined with regard to the model parameter 0k. This gradient is used with a separate gradient method to correct the model parameters.
  • the algorithm is shown in Figures 4 and 5 in detail.
  • the current statuses Xk provide the patient with current information about their metabolic (diabetic) health status. This information is more comprehensive than just the blood glucose reading.
  • predictions can be made to support therapy planning (cf. FIG. 2). For example, based on the current status, the course of the blood glucose can be predicted over the next 120 minutes.
  • the individualized model parameters 0k allow a better tailored depiction of the patient in the model of the glucose-insulin homeostasis in the sense of a "digital twin".
  • the model parameters obtained can be used for diagnosis (cf. FIG. 2).
  • a decreasing insulin sensitivity can e.g. B. indicate a worsening of the diabetic disease.
  • the automatic differentiation method (using dual numbers) is used to calculate the two gradients (cf. e.g. RD Neidinger, Introduction to Automatic Differentiation and MATLAB Object-Oriented Programming, SIAM Rev. 52 (2010) 545-563; and Maclaurin D, Duvenaud D, Matt Johnson M, Townsend J, autograd: Software package that automatically differentiate native Python and Numpy code, 2020). This means that no analytical or symbolic derivations need to be determined.
  • the method offers an exact solution and is therefore also advantageous compared to approximation methods such as calculation using difference quotients.
  • the state vector x and the input vector u are taken as Are defined. This allows the differential equations from the table above to be summarized for the state differential equation: The model parameters to be identified are separated and form the parameter vector 0.
  • State estimation can be realized by Bayesian estimators (e.g. Kalman filters), but this requires additional effort. Especially for non-linear systems, special solutions have to be found, while the parallel estimation is also directly suitable for non-linear systems and can be carried out from one approach.
  • Bayesian estimators e.g. Kalman filters
  • model-based regulation model predictive control, MPC
  • MPC model predictive control
  • Diabetes Companion Provides a more comprehensive diagnosis of your current condition compared to just reading your glucose reading. Feedback of the current status to the patient, any alarms.
  • Predictions can be made from the current status and scenarios (e.g. for different meals) can be carried out. Such simulations can also support patient education.
  • Health status tracking The model parameters of the individual model can be used to estimate the health status. This is done retrospectively, trends can be derived.
  • FIG. 6 shows a method according to the invention for determining a patient's state of health.
  • the method comprises the steps of receiving S10 a measured glucose value and an input glucose uptake value, determining S12 the state of health of the Patients, determining S14 a deviation and the patient-specific update S16 of a model parameter.
  • the method can be implemented, for example, in the form of an app that can be run on a mobile device, in particular a smartphone.

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Emergency Medicine (AREA)
  • Optics & Photonics (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medicinal Chemistry (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

Die vorliegende Erfindung betrifft eine Vorrichtung (12) zum Ermitteln eines Gesundheitszustands eines Patienten (11), mit: einer Eingangsschnittstelle (16) zum Empfangen eines Glukose-Messwerts mit Informationen zu einem Glukosespiegel des Patienten und eines Glukoseaufnahme-Eingangswerts mit Informationen zu einer Glukose-Aufnahme des Patienten; einer Schätzeinheit (18) zum Ermitteln des Gesundheitszustands des Patienten basierend auf den empfangenen Werten und einem vordefinierten Zustandsmodell, das den Gesundheitszustand des Patienten mittels eines Zustandsvektors und unter Verwendung mehrerer Modellparameter abbildet, wobei der Zustandsvektor einen Glukose-Modellwert mit Informationen zu dem Glukosespiegel des Patienten umfasst und einen Insulin-Modellwert mit Information zu dem Insulinspiegel des Patienten umfassen kann; einer Vergleichseinheit (20) zum Ermitteln einer Abweichung zwischen dem Glukose-Messwert und dem Glukose-Modellwert; und einer Individualisierungseinheit (22) zum patientenindividuellen Aktualisieren eines Modellparameters basierend auf der ermittelten Abweichung. Weitere Modellparameter können individuelle Glukose- bzw. Insulinsensitivitäten, die Inkretin-Sensitivität sowie Sensitivitäten in Bezug auf Lifestyle-Eingangswerte umfassen. Die vorliegende Erfindung betrifft weiterhin ein System (10) und ein Verfahren zum Ermitteln eines Gesundheitszustands eines Patienten (11).

Description

Verfahren, Vorrichtung und System zum Ermitteln eines Gesundheitszustands eines Patienten
Die vorliegende Erfindung betrifft eine Vorrichtung zum Ermitteln eines Gesundheitszustands eines Patienten. Die vorliegende Erfindung betrifft weiterhin ein System und ein Verfahren zum Ermitteln eines Gesundheitszustands eines Patienten. Zudem betrifft die vorliegende Erfindung ein Computerprogrammprodukt.
Der Diabetes Mellitus (DM), umgangssprachlich Diabetes oder Zuckerkrankheit, bezeichnet eine Gruppe von heterogenen Erkrankungen, insbesondere von Stoffwechselstörungen der Kohlenhydrate, die unter anderem eine gestörte Glukose- und Insulinhomöostase umfassen und mit dem gemeinsamen Merkmal der chronischen Hyperglykämie („Überzuckerung“) einhergehen. Die Stoffwechselstörungen beruhen zum Beispiel auf einer Störung/Dysfunktion/Resis- tenz bzw. Mangel der Glukose- und Insulinhomöostase (entsprechend der jeweils zugrunde liegenden ätiologischen Diabetesform) eines Patienten und können bei ausbleibender oder unzureichender Behandlung zu einer chronischen Überzuckerung führen. Des Weiteren sind weitere Stoffwechselstörungen, wie zum Beispiel, Fett- und Eiweißstoffwechsel- sowie Elektrolytstörungen typische Begleitphänomene der Diabeteserkrankung, die aus der veränderten Glukose- und Insulinhomöostase resultieren. Zu den möglichen Folgen des DM gehören, insbesondere bei unzureichender Behandlung, Veränderungen am Nervensystem und am Blutgefäßsystem, darunter das diabetische Fußsyndrom oder die koronare Herzkrankheit (KHK).
Ferner sei darauf hingewiesen, dass bereits eine „Glukosetoleranzstörung“ (engl. „Impaired Glucose Tolerance (IGT)“), häufig auch als „Vorstufe des Diabetes mellitus“ bezeichnet, oben genannte Begleit- und Folgeerkrankungen hervorrufen kann. Bei der IGT zeigt sich eine nicht ausreichende Regulation des Blutzuckers, zum Beispiel nach erfolgter Kohlenhydratzufuhr, die bereits einer frühzeitigen Störung der Glukose- und Insulinhomöostase zugrunde liegt. Häufig sind zufällig gemessene Blutzuckerwerte noch im Referenzbereich, im Zuge einer Kohlenhydratbelastung (z.B. kohlenhydratreiche Mahlzeiten, oraler Glukose Toleranztest (oGTT), etc.) zeigen sich jedoch erhöhte Blutzuckerwerte. Die Dunkelziffer der Glukosetoleranzstörung und des DM sind - auch weltweit betrachtet - sehr hoch.
Die Prävalenz von DM nimmt weltweit stetig zu. Nach Angaben der Internationalen Diabetes-Föderation (IDF) wird bei etwa 539 Millionen Menschen weltweit DM diagnostiziert. Das individuelle Diabetes-Management unter Berücksichtigung der jeweiligen individuellen Umstände eines Patienten spielt damit sowohl für die Patienten selbst als auch für die Leistungserbringer im Gesundheitswesen und für die gesamte Gesellschaft eine zentrale Rolle.
Bei der Messtechnik gab es in den letzten Jahren durch die Einführung sogenannter (real-time) Continuous Glucose Monitoring-Systeme ((rt-)CGM) und/oder (real-time-) Flash Glucose Monitoring-Systeme ((rt-)FGM) und auch Kombinationsansätzen einen grundlegenden Wandel. Früher konnten Diabetes-Patienten oft nur wenige blutige Glukose-Messungen am Tag durchführen, wobei unter einer blutigen Glukose-Messung eine Messung durch Blutentnahme zu verstehen ist. Ein Monitoring der metabolischen Dynamik oder auch eine Diagnose-Unterstützung durch einen Algorithmus war auf dieser Basis nicht möglich bzw. nicht sinnvoll. Heute sind (rt-)CGM und/oder (rt-)FGM--Sensoren kostengünstig und alltagstauglich geworden, sodass sie von vielen Diabetes- Patienten eingesetzt werden. Damit werden dynamische Glukose-Messdaten mit erheblich feinerer zeitlicher Auflösung verfügbar.
Relevant ist in diesem Zusammenhang auch die weiter fortschreitende Verbreitung von Smartphones und anderen Mobilgeräten, die oft als persönliche Hardware-Plattformen eingesetzt werden. Heutzutage verwenden Diabetes- Patienten oft Mobilgeräte zur Führung von Diabetiker-Tagebüchern und zur Verwaltung der Daten. Vergleichsweise wenig verbreitet ist hingegen bisher eine automatisierte Auswertung und Aufbereitung der erfassten Daten. Zumeist werden die erfassten Daten dem Patienten lediglich angezeigt, die Interpretation und das Selbstmanagement bleiben aber weiterhin dem Patienten selbst bzw. dem behandelnden Arzt überlassen. Gerade im Zusammenspiel zwischen Mobilgeräten und neuartigen Messsystemen ergibt sich insoweit ein Potenzial, Patienten individuell und in Echtzeit wesentlich differenzierter und umfassender unterstützen zu können.
In diesem Zusammenhang wird in Eberle et al. "Real-time state estimation and long-term model adaptation: a two-sided approach toward personalized diagnosis of glucose and insulin levels", 2012, ein modellbasiertes Diagnosesystem beschrieben. Insbesondere wird eine Echtzeitzustandsschätzung und eine Langzeitmodellparameteridentifikation verfolgt. Es wird beschrieben, dass eine Echtzeitschätzung von Zuständen und Parametern eine verbesserte Zustandsvorhersage sowie eine Personalisierung eines Modells ermöglicht.
Nachteilig an bisherigen Ansätzen in diesem Zusammenhang ist oft die fehlende Individualisierung auf den jeweiligen Patienten. Dadurch, dass sich Patienten hinsichtlich ihres Stoffwechsels aber auch hinsichtlich ihrer Reaktion auf externe Reize sowie hinsichtlich ihrer Lebensführung stark unterscheiden, ist eine Individualisierung eines Zustandsmodells erforderlich. Je genauer dabei diese jeweiligen Besonderheiten abgebildet werden können, desto besser kann der Patient in seinen Entscheidungen beispielsweise hinsichtlich der Insulingabe oder auch hinsichtlich der Nahrungsaufnahme unterstützt werden, um trotz eines DM nur möglichst geringe Einschränkungen zu haben.
Ausgehend hiervon stellt sich der vorliegenden Erfindung die Aufgabe, eine genaue Modellierung eines Zustands, insbesondere eines Gesundheitszustands, eines Patienten zu ermöglichen. Insbesondere soll ein Gesundheitszustand auch für unterschiedliche Patienten präzise und zutreffend erfassbar gemacht werden.
Zum Lösen dieser Aufgabe betrifft die vorliegende Erfindung in einem ersten Aspekt eine Vorrichtung zum Ermitteln eines Gesundheitszustands eines Patienten, mit: einer Eingangsschnittstelle zum Empfangen eines Glukose-Messwerts mit Informationen zu einem Glukosespiegel des Patienten und eines Glukoseaufnahme-Eingangswerts mit Informationen zu einer Glukose-Aufnahme des Patienten; einer Schätzeinheit zum Ermitteln des Gesundheitszustands des Patienten basierend auf den empfangenen Werten und einem vordefinierten Zustandsmodell, das den Gesundheitszustand des Patienten mittels eines Zustandsvektors und unter Verwendung mehrerer Modellparameter abbildet, wobei der Zustandsvektor einen Glukose-Modellwert mit Informationen zu dem Glukosespiegel des Patienten umfasst; einer Vergleichseinheit zum Ermitteln einer Abweichung zwischen dem Glukose-Messwert und dem Glukose-Modellwert; und einer Individualisierungseinheit zum patientenindividuellen Aktualisieren mindestens eines Modellparameters basierend auf der ermittelten Abweichung. In einem weiteren Aspekt betrifft die vorliegende Erfindung ein System zum Ermitteln eines Gesundheitszustands eines Patienten, mit einer Vorrichtung wie zuvor definiert und mit einem kontinuierlich messenden Glukosesensor, (rt- )CGM, und/oder einem Echtzeit-Flash-Glucose Monitoring, (rt)-FGM, zum Erfassen eines Glukose-Messwerts mit Informationen zu einem Glukosespiegel des Patienten.
Weitere Aspekte der Erfindung betreffen ein entsprechend der Vorrichtung ausgebildetes Verfahren sowie ein Computerprogrammprodukt mit Programmcode zum Durchführen der Schritte des Verfahrens, wenn der Programmcode auf einem Computer ausgeführt wird. Zudem betrifft ein Aspekt der Erfindung ein Speichermedium, auf dem ein Computerprogramm gespeichert ist, das, wenn es auf einem Computer ausgeführt wird, eine Ausführung des hierin beschriebenen Verfahrens bewirkt.
Bevorzugte Ausgestaltungen der Erfindung werden in den abhängigen Ansprüchen beschrieben. Es versteht sich, dass die vorstehend genannten und nachstehend noch zu erläuternden Merkmale nicht nur in der jeweils angegebenen Kombination, sondern auch in anderen Kombinationen oder in Alleinstellung verwendbar sind, ohne den Rahmen der vorliegenden Erfindung zu verlassen. Insbesondere können das Verfahren, das System und das Computerprogrammprodukt entsprechend den für die Vorrichtung in den abhängigen Ansprüchen definierten Ausgestaltungen ausgeführt sein.
Erfindungsgemäß ist es vorgesehen, dass einerseits ein Glukose-Messwert und andererseits ein Glukose- Eingangswert empfangen werden. Der Glukose- Messwert spiegelt dabei einen aktuellen Glukosespiegel des Patienten wider. Insbesondere kann insoweit ein mittels eines entsprechenden Messsystems kurz zuvor erfasster oder auch in Echtzeit bereitgestellter Messwert empfangen werden. Der Glukoseaufnahme-Eingangswert beschreibt insbesondere eine orale oder intravenöse Glukose-Aufnahme durch den Patienten. Der Glukose- Eingangswert kann dabei beispielsweise mittels eines Sensors erfasst oder auch über eine Schnittstelle vom Patienten bereitgestellt werden. Basierend auf den beiden empfangenen Werten wird in der Schätzeinheit ein Gesundheitszustand des Patienten ermittelt. Dieser Gesundheitszustand wird dabei mittels eines Zustandsvektors beschrieben, wobei dieser Zustandsvektor mehrere Zustandsvariablen bzw. Zustände enthält, die in Zusammenschau o- der einzeln eine Aussage hinsichtlich eines aktuellen Gesundheitszustands des Patienten ermöglichen. Das verwendete Zustandsmodell ist dabei vorzugsweise zeitdiskret und der Zustandsvektor wird mittels einer vorgegebenen Funktion von einem Zeitpunkt auf einen folgenden Zeitpunkt überführt, gegebenenfalls unter Berücksichtigung von Systemeingängen. Die Funktion basiert dabei auf vorgegebenen und modifizierbaren Modellparametern bzw. umfasst solche Modellparameter. Insbesondere umfasst der erfindungsgemäß vorgesehene Zustandsvektor dabei einen Glukose-Modellwert, der den Glukosespiegel des Patienten anzeigt.
In der Vergleichseinheit wird erfindungsgemäß eine Abweichung zwischen dem Glukose-Messwert, der empfangen wurde, und dem Glukose-Modellwert, der als Teil des Zustandsvektors geschätzt wurde, ermittelt. Basierend auf der Abweichung zwischen den beiden Werten wird in der Individualisierungseinheit einer der Modellparameter patientenindividuell aktualisiert. Es wird in anderen Worten also vorgeschlagen, dass zumindest ein Modellparameter (der nicht Teil des Zustandsvektors ist) online auf Basis von einer Glukose-Messung ermittelt und aktualisiert wird. Bei einem Modell der Glukose-Insulin-Homöostase eines Patienten wird ein Modellparameter geschätzt.
Im Ergebnis kann eine Individualisierung eines Modells des Gesundheitszustands des Patienten erreicht werden, durch die eine verbesserte Prädiktion und damit eine verbesserte Einflussnahmemöglichkeit des Patienten geschaffen wird. Durch die erfindungsgemäß vorgeschlagene patientenindividuelle Anpassung bzw. Aktualisierung des Modellparameters kann dem Patienten ein genaues Modell seines Gesundheitszustands zur Verfügung gestellt werden (auch als digitaler Zwilling bezeichnet). Basierend auf diesem Modell können dann beispielsweise in automatisierter Form individualisierte Therapievorschläge oder auch individualisierte Handlungsempfehlungen ermittelt werden und dem Patienten oder auch dem Behandler zur Verfügung gestellt werden. Insgesamt ergibt sich eine verbesserte Therapiemöglichkeit sowie Lebensqualität für Patienten und Reduzierung von diabetes-assoziierten Co-Morbiditäten und Mortalitäten.
In einer bevorzugten Ausgestaltung umfasst der Zustandsvektor einen Insulin- Modellwert mit Informationen zu einem Insulinspiegel des Patienten. Die mehreren Modellparameter umfassen einen Sensitivitätsparameter, der eine Glukose- und/oder Insulin-Sensitivität des Patienten abbildet. Die Individualisierungseinheit ist zum Aktualisieren des Sensitivitätsparameters ausgebildet. Insbesondere kann der erfindungsgemäße Ansatz im Umfeld des DM eingesetzt werden. Dabei umfasst der Zustandsvektor einen Insulin-Modellwert und das Modell baut auf einem Modellparameter auf, der eine Glukose- und/oder Insulin-Sensitivität des Patienten abbildet. Diese Sensitivität ist oft unterschiedlich je nach Patient. Durch eine Individualisierung dieses Modellparameters ergibt sich eine Anpassung des Zustandsmodells auf einen Patienten. Die Prognosemöglichkeit mittels der erfindungsgemäß vorgeschlagenen Zustandsschätzung wird verbessert.
In einer bevorzugten Ausgestaltung umfassen die mehreren Modellparameter einen Inkretin-Effekt-Sensitivitätsparameter, der eine Sensitivität des Insulinspiegels des Patienten auf eine Glukoseaufnahme abbildet. Die Individualisierungseinheit ist zum Aktualisieren des Inkretin-Effekt-Sensitivitätsparameters ausgebildet. Eine weitere Individualisierung kann in einer Anpassung einer patientenindividuellen Inkretin-Sensitivität des Patienten liegen. Insbesondere wird eine Sensitivität des Insulinspiegels auf eine Glukoseaufnahme abgebildet. Eine solche Sensitivität kann sich beispielsweise aufgrund des Körpergewichts von Patienten oder auch aufgrund deren Stoffwechseleigenschaften unterscheiden.
In einer bevorzugten Ausgestaltung ist die Individualisierungseinheit zum Aktualisieren der Modellparameter basierend auf einer vordefinierten Kostenfunktion ausgebildet. Zusätzlich ist es möglich, eine Kostenfunktion zu verwenden, um bei der Aktualisierung der Modellparameter eine Auswahl treffen zu können. Mit der Kostenfunktion kann beispielsweise eine Priorisierung verschiedener Anpassungsmöglichkeiten erfolgen.
In einer bevorzugten Ausgestaltung ist die Individualisierungseinheit dabei zum Ermitteln eines Gradienten hinsichtlich der Modellparameter und zum Aktualisieren der Modellparameter in einem Gradientenverfahren ausgebildet. Insbesondere ist es möglich, dass ein Gradientenverfahren eingesetzt wird, bei dem beispielsweise in Richtung eines steilsten Abstiegs (bzw. Anstiegs je nach Vorzeichendefinition) eine Aktualisierung vorgenommen wird. Unter einem Gradientenverfahren versteht sich dabei ein Verfahren zum Lösen von Optimierungsproblemen. Insbesondere soll eine Optimierung dahingehend vorgenommen werden, dass durch die Anpassung der Modellparameter eine möglichst gute Abbildung der realen Glukosemesswerte und des geschätzten Glukosemodellwerts erreicht wird. Es ergibt sich eine individuelle Anpassung der Modellierung auf einen Patienten.
In einer bevorzugten Ausgestaltung ist die Schätzeinheit zum Aktualisieren des Zustandsvektors basierend auf einem vorherigen Zustandsvektor und basierend auf einer weiteren vordefinierten Kostenfunktion und einem weiteren Gradientenverfahren ausgebildet. Es ist möglich, dass auch bei der Aktualisierung des Zustandsvektors ein Gradientenverfahren eingesetzt wird. Insoweit wird auch bei der Aktualisierung des Zustandsvektors eine vorgegebene Kostenfunktion eingesetzt.
In einer bevorzugten Ausgestaltung ist das vordefinierte Zustandsmodell ein nichtlineares Differentialgleichungsmodell. Insbesondere kann das vordefinierte Zustandsmodell ein nichtlineares Differentialgleichungsmodell der Ordnung 9 oder höher sein. Die Verwendung eines nichtlinearen Differentialgleichungsmodells ermöglicht eine Abbildung der Zustandsübergänge und der Zustände mit hoher Genauigkeit, sodass eine genaue Prädiktion ermöglicht wird. Es ergibt sich eine hohe Präzision bei der Abbildung des Gesundheitszustands des Patienten. In einer bevorzugten Ausgestaltung ist die Emgangsschmttstelle zum Empfangen des Glukose-Messwerts von einem kontinuierlich messenden Glukosesensor, (rt-)CGM, und/oder einem Echtzeit-Flash-Glucose Monitoring, (rt- )FGM, ausgebildet. Insbesondere kann die Eingangsschnittstelle zum Empfangen des Glukose-Messwerts über eine drahtlose Kommunikationsverbindung ausgebildet sein. Die heutzutage weit verbreiteten (rt-)CGM- und/oder (rt-) FGM-Systeme sehen oft eine Datenübermittlung per Drahtlosanbindung vor. Beispielsweise kann die erfindungsgemäße Vorrichtung dann in Form eines Smartphones bzw. in Form einer Smartphone-App umgesetzt sein, um die entsprechenden Sensordaten weiterverarbeiten zu können. Ebenfalls ist eine Kommunikation über das Internet (cloudbasiert) denkbar. Es ergibt sich eine komfortable Anwendung der erfindungsgemäßen Vorrichtung.
In einer bevorzugten Ausgestaltung ist die Eingangsschnittstelle zum Empfangen eines Zusatz-Eingangswerts ausgebildet, der Informationen zu einer Ernährung, einem Bewegungszustand, einem Schlaf, einer Medikation und/oder einer Vor- oder Begleiterkrankung des Patienten umfasst. In anderen Worten können sogenannte Lifestyle-Parameter als Zusatzinformationen empfangen werden, die dann in der Ermittlung des Gesundheitszustands des Patienten berücksichtigt werden können. Derartige Zusatz-Eingangswerte ermöglichen dabei oft eine weitere Verbesserung der Genauigkeit bei der Prädiktion des Gesundheitszustands des Menschen.
In einer bevorzugten Ausgestaltung umfassen die mehreren Modellparameter mindestens einen Zusatz-Sensitivitätsparameter, der eine Sensitivität des Patienten auf eine Ernährung, einen Bewegungszustand, einen Schlaf, eine Medikation und/oder eine Vor- oder Begleiterkrankung abbildet. Die Individualisierungseinheit ist zum Aktualisieren des Zusatz-Sensitivitätsparameters ausgebildet. In anderen Worten werden also die verschiedenen individuelle Lifestyle- Parameter berücksichtigt, um die Sensitivität des Patienten auf die verschiedenen Parameter abbilden zu können. Unterschiedliche Patienten reagieren unterschiedlich auf beispielsweise Schlafmangel oder Ernährungsumstellungen. Diese Phänomene können durch die Berücksichtigung der Zusatz-Eingangswerte bzw. der Verwendung eines Zusatzsensitivitätsparameters abgebildet werden. Es ergibt sich eine weiter verbesserte Genauigkeit.
In einer bevorzugten Ausgestaltung umfasst die erfindungsgemäße Vorrichtung eine Dosiereinheit zum Ermitteln einer Medikamentendosierung im Rahmen einer Diabetes-Therapie basierend auf dem Zustandsvektor. Die Dosiereinheit ist vorzugsweise zum Ermitteln der Medikamentendosierung basierend auf einem Model Predictive Control Ansatz (MPC) einem Proportional-Integral-Differen- tial-Regler (PID-Regler), einem Fuzzy-Regler und/oder einem Deep Learning Ansatz ausgebildet. Insbesondere kann ausgehend von dem ermittelten Zustand eine automatisierte Ermittlung einer Medikamentendosierung erfolgen. Insbesondere kann eine Insulindosierung vorgeschlagen werden. Als Regelalgorithmen können beispielsweise PID-Regler, Fuzzy-Regler, Model Predictive Control (MPC) oder Deep Learning Ansätze zum Einsatz kommen. Für den Patienten wird der Aufwand bei der Ermittlung des Insulinbedarfs reduziert. Zudem kann eine Fehleranfälligkeit vermindert werden. Gesundheitsgefährdende Situationen und Co-Morbiditäten sowie stationäre Aufnahmen können vermieden werden. Konkret ist es also beispielsweise möglich, dass die Dosiereinheit dazu ausgebildet ist, eine Insulinpumpe, einen Smart Pen oder andere Geräte zur Insulingabe anzusteuern.
In einer bevorzugten Ausgestaltung ist die Eingangsschnittstelle zum Empfangen eines Insulin-Eingangswerts mit Informationen zu einer aktuellen Insulindosierung des Patienten ausgebildet. Die Dosiereinheit ist zum Ermitteln einer neuen Insulindosierung basierend auf dem Zustandsvektor und dem Insulin- Eingangswert ausgebildet. Durch die zusätzliche Berücksichtigung der Insulindosierung des Patienten kann für Diabetiker ein Vorschlag für eine neue Insulindosierung ermittelt werden. Es ergibt sich eine weiter reduzierte Fehleranfälligkeit. Zudem können gesundheitsgefährdende Situationen, und Co-Morbiditä- ten sowie stationäre Aufnahmen vermieden werden. Hierin wird unter einem Gesundheitszustand eines Patienten insbesondere eine Abbildung eines Zustands durch verschiedene Größen (können auch als Parameter bezeichnet werden), die in einem Zustandsvektor zusammengefasst sind, verstanden. Diese Größen ermöglichen eine Aussage über die Gesundheit des Patienten, beispielsweise durch einen Vergleich mit Normal- oder Durchschnittswerten oder auch durch eine Auswertung von Abweichungen etc. Unter einem Zustandsmodell wird insbesondere eine zeitdiskrete Modellierung des Gesundheitszustands basierend auf dem Zustandsvektor und einer Funktion, durch die dieser Zustandsvektor von einem Zeitpunkt auf einen folgenden Zeitpunkt überführt werden kann, verstanden. Bei dieser Funktion sind erfindungsgemäß mehrere sogenannte Modellparameter involviert bzw. werden mit einbezogen. Diese Modellparameter können insbesondere Werte sein, die Sen- sitivitäten eines Patienten auf bestimmte Eingänge abbilden. Das Zustandsmodell bildet einen Zustand auf einen Zustand zu einem folgenden Zeitpunkt mittels dieser Funktion unter Berücksichtigung empfangener Eingangswerte ab. Unter einem patientenindividuellen Aktualisieren wird hierbei eine Änderung eines der Modellparameter, durch die dieser Modellparameter an eine Eigenschaft eines Individuums angepasst wird, verstanden.
Die Erfindung wird nachfolgend anhand einiger ausgewählter Ausführungsbeispiele im Zusammenhang mit den beiliegenden Zeichnungen näher beschrieben und erläutert. Es zeigen:
Figur 1 eine schematische Darstellung eines erfindungsgemäßen Systems zum Ermitteln eines Gesundheitszustands eines Patienten;
Figur 2 eine schematische Übersichtsdarstellung einer Bestimmung von Zuständen und Parametern eines Glukose-Insulin-Modells gemäß einer Ausführungsform des Ansatzes der vorliegenden Erfindung;
Figur 3 eine schematische Darstellung einer erfindungsgemäßen Vorrichtung; Figuren 4 und 5 eine schematische Darstellung einer Ausführungsform des erfindungsgemäß vorgeschlagenen Algorithmus zur parallelen Nachführung von Parametern und Zuständen; und
Figur 6 eine schematische Darstellung des erfindungsgemäßen Verfahrens zum Ermitteln eines Gesundheitszustands eines Patienten.
In der Figur 1 ist schematisch ein erfindungsgemäßes System 10 zum Ermitteln eines Gesundheitszustands eines Patienten 11 dargestellt. Das System 10 umfasst eine Vorrichtung 12 zum Ermitteln des Gesundheitszustands sowie einen kontinuierlich messenden Glukosesensor 14 ((rt-)CGM- und/oder (rt-)FGM- Sensor). Die Darstellung ist dabei als schematische Übersicht zu verstehen. Im dargestellten Ausführungsbeispiel ist die Vorrichtung 12 als Smartphone ausgebildet, die mit dem mittels eines Armbands oder mittels einer Klebestelle befestigten kontinuierlich messenden Glukosesensor 14 per Bluetoothverbindung in Kommunikation steht und von diesem einen Glukose-Messwert empfängt. Es versteht sich, dass auch andere Übertragungswege möglich sind. Zudem versteht es sich, dass das System 10 beispielsweise auch eine (optionale) Insulinpumpe 15 umfassen kann, die direkt angesteuert werden kann, beispielsweise ebenfalls übereine Bluetoothverbindung ausgehend von dem Smartphone oder über das Internet in einem cloudbasierten oder anderen Ansatz.
Der erfindungsgemäße Ansatz zielt insbesondere auf die individualisierte Diabetestherapie. In bisherigen Ansätzen wurden bereits Messungen von (rt- )CGM- und/oder (rt-)FGM-Sensoren in Modellen verarbeitet, um die Glukose- Insulin-Homöostase eines Diabetes- Patienten zu modellieren. Erfindungsgemäß wird vorgeschlagen, ein präzises dynamisches Modell der Glukose-Insu- lin-Homöostase eines einzelnen Patienten zu erstellen.
Wie in der Figur 2 dargestellt, sollen auf Grundlage von Online-Glukosemessungen (Glukose-Messwert) kontinuierlich Modellzustände und -parameter angepasst werden, die individuelle Vorhersagen und Diagnosen ermöglichen, um das Diabetes-Selbstmanagement eines Diabetes-Patienten zu erleichtern. Wie durch die gestrichelten Limen dargestellt, ist optional eine direkte Ansteuerung zur Medikamentendosierung, insbesondere einer Insulinpumpe, möglich (Closed-loop Ansteuerung).
Das erfindungsgemäß vorgeschlagene System bzw. die erfindungsgemäß vorgeschlagene Vorrichtung zielen insoweit auf eine weitgehende Automatisierung im Sinne eines geregelten Betriebs einer Insulinpumpe ("closed-loop" bzw. "artificial pancreas"), bei der mittels des Modells direkt basierend auf Messungen und weiteren Eingaben eine Ansteuerung einer Insulinpumpe erfolgt.
In der Figur 3 ist schematisch eine erfindungsgemäße Vorrichtung 12 zum Ermitteln eines Gesundheitszustands eines Patienten dargestellt. Die Vorrichtung umfasst eine Eingangsschnittstelle 16, eine Schätzeinheit 18, eine Vergleichseinheit 20 sowie eine Individualisierungseinheit 22. Im dargestellten Ausführungsbeispiel umfasst die Vorrichtung 12 zudem eine (optionale) Dosiereinheit 24. Die Einheiten und Schnittstellen können dabei teilweise oder vollständig in Soft- und/oder in Hardware umgesetzt sein. Insbesondere können die Einheiten als Prozessor, Prozessormodule oder auch als Software für einen Prozessor ausgebildet sein. Die Vorrichtung 12 kann insbesondere in Form eines Smartphones bzw. eines anderen Mobilgeräts bzw. als Software oder App für ein Smartphone oder ein Mobilgerät ausgebildet sein.
Es ist möglich, dass Teile der Vorrichtung als Funktionalitäten eines zentralen Servers über das Internet zur Verfügung gestellt werden (cloudbasiert). Beispielsweise kann ein Patient über eine Smartphone App mit einem Server kommunizieren, der dazu ausgebildet ist, die Funktionen der o.g. Einheiten vollständig oder teilweise zur Verfügung zu stellen. Dies ist insbesondere dann vorteilhaft, wenn weitere Komponenten wie beispielsweise eine CGM/FGM oder auch eine Insulinpumpe oder weitere Komponenten miteinbezogen werden, die ebenfalls internetfähig sind. Die Kommunikation zwischen verschiedenen Bestandteilen eines erfindungsgemäßen Systems kann dann über das Internet erfolgen. Über die Eingangsschnittstelle 16 wird zum einen ein Glukose-Messwert und zum anderen ein Glukoseaufnahme-Eingangswert empfangen. Der Glukose- Messwert kann beispielsweise über eine Bluetooth-Verbindung direkt von einem entsprechenden (rt-)CGM- und/oder (rt-)FGM-Sensor empfangen werden. Der Glukose-Messwert zeigt dabei insbesondere einen aktuellen Glukosespiegel des Patienten an. Der Glukoseaufnahme-Eingangswert kann beispielsweise auf einer Eingabe des Patienten oder auch auf einer Messung durch einen entsprechenden Sensor basieren und zeigt eine Glukose-Aufnahme des Patienten an. Beispielsweise kann durch den Glukoseaufnahme-Eingangswert angegeben werden, welche Glukosemenge der Patient in einem zurückliegenden vordefinierten Zeitabschnitt zu sich genommen hat.
In weiteren Ausführungsformen der erfindungsgemäßen Vorrichtung 12 ist es dabei auch möglich, dass zusätzlich weitere Parameter empfangen werden. Insbesondere können sogenannte Lifestyle-Parameter empfangen werden, beispielsweise Parameter, die als Zusatz-Eingangswerte beispielsweise Informationen zu einer Ernährung, einem Bewegungszustand, einem Schlaf, einer Medikation und/oder einer Vor- oder Begleiterkrankung des Patienten umfassen. Auch diese Zusatz- Eingangswerte können dabei in der weiteren Modellierung des Gesundheitszustands des Patienten berücksichtigt werden. Das Format eines entsprechenden Zusatz-Eingangswerts kann dabei individuell gewählt sein. Insbesondere können die Werte auf einer vordefinierten Skala angegeben sein. Ebenfalls ist es denkbar, dass eine Zuordnung mittels einer entsprechenden Tabelle erfolgt, sodass beispielsweise eine Bewegung bzw. ein Bewegungszustand eines Patienten in Kategorien eingeordnet wird (beispielsweise kein Sport, ein- bis zweimal pro Woche Sport, drei- bis viermal pro Woche Sport, mehr als fünfmal pro Woche Sport etc.).
In der Schätzeinheit 18 wird basierend auf den empfangenen Werten ein Gesundheitszustand des Patienten ermittelt. Hierzu wird ein vordefiniertes Zustandsmodell verwendet, in dem der Gesundheitszustand des Patienten mittels eines Zustandsvektors abgebildet wird. Die Schätzeinheit kann den Gesund- heitszustand bzw. den Zustandsvektor dabei beispielsweise an eine entsprechende Anzeigevorrichtung weitergeben. Ebenfalls ist es denkbar, dass die Schätzeinheit 18 über eine Mobilkommunikationsverbindung beispielsweise mit einem Mediziner in Kontakt steht, der den aktuell geschätzten Gesundheitszustand des Patienten auswertet und darauf basierend beispielsweise Therapieempfehlungen geben kann. Die Schätzeinheit 18 bildet insoweit eine Art digitale Nachbildung (digitaler Zwilling) des Patienten ab. Der Patient, aber auch andere Interessierte können einen Einblick in den aktuellen Gesundheitszustand des Patienten erhalten. Insbesondere ist es möglich, dass basierend auf dem Zustandsvektor direkt eine individuelle Medikamentendosierung im Rahmen einer Diabetestherapie ermittelt wird.
Die Schätzeinheit 18 kann beispielsweise zum Aktualisieren des Zustandsvektors eine vordefinierte Kostenfunktion und ein Gradientenverfahren einsetzen. Dieses optimiert ein mathematisches Modell, das wiederum zum Aktualisieren des Zustandsvektors von einem Zeitschrift zum nächsten verwendet wird. Hierzu können unterschiedliche Modelle eingesetzt werden.
Das vordefinierte Zustandsmodell in der Schätzeinheit 18 kann insbesondere ein nichtlineares Differentialgleichungsmodell, insbesondere der Ordnung 9 o- der höher, sein. Dies ermöglicht eine zuverlässige und genaue Abschätzung des Zustandsübergangs.
Insbesondere wird in der Schätzeinheit 18 ein Zustandsvektor verwendet, der auch einen Glukose-Modellwert umfasst. Dieser Glukose-Modellwert bildet den Glukosespiegel des Patienten nach und umfasst insoweit Informationen zu dem Glukosespiegel des Patienten. Hierzu kann eine vordefinierte Skala eingesetzt werden. Beispielsweise ist eine Angabe eines Prozentwerts denkbar.
In der Vergleichseinheit 20 wird nun eine Abweichung zwischen dem Glukose- Messwert und dem Glukose-Modellwert bestimmt. Die Abweichung kann dabei insbesondere in Form einer absoluten Differenz ermittelt werden. Ausgehend von dieser Abweichung wird in der Individuahsierungsemheit 20 eine Aktualisierung mindestens eines Modellparameters vorgenommen. Es ermöglicht, dass ein Modellparameter einen Sensitivitätsparameter darstellt, der eine Glukose- und/oder Insulinsensitivität des Patienten abbildet. Insbesondere ist es weiterhin möglich, dass dabei der Zustandsvektor einen Insulin-Modell- wert umfasst, der einen Insulinspiegel des Patienten angibt. Die Modellparameter können dabei einen Sensitivitätsparameter umfassen, der eine Glukose- und/oder Insulinsensitivität des Patienten abbildet. Es kann dann vorgesehen sein, dass die Individualisierungseinheit 22 dazu ausgebildet ist, diesen Sensitivitätsparameter anzupassen und dadurch eine patientenindividuelle Anpassung des Modells zu erreichen. Jeder Patient verfügt über eine individuelle Sen- sitivität hinsichtlich einer Glukose- oder Insulingabe. Diese individuelle Sensiti- vität kann insoweit abgebildet werden, sodass sich eine verbesserte Modellierung ergibt. Weiterhin ist es möglich, dass ein Inkretin-Effekt-Sensitivitätspara- meter verwendet wird, durch den eine Sensitivität des Insulinspiegels des Patienten auf eine Glukoseaufnahme abgebildet wird. Es ist dann möglich, dass die Individualisierungseinheit 22 diesen Inkretin-Effekt-Sensitivitätsparameter aktualisiert, um damit eine patientenindividuelle Anpassung des Modells zu erreichen. Die Individualisierungseinheit 22 kann auch eine vordefinierte Kostenfunktion verwenden. Insbesondere kann ein Gradientenverfahren eingesetzt werden, um die Modellparameter zu aktualisieren.
In der optional vorgesehenen Dosiereinheit 24 kann basierend auf dem Zustandsvektor direkt eine Medikamentendosierung ermittelt werden. Insbesondere ist es vorteilhaft, wenn hierauf basierend sogar direkt eine Medikamentengabe erfolgt. Beispielsweise kann eine Insulindosierung ermittelt werden und direkt eine Insulinpumpe angesteuert werden. Das sogenannte Automated Insulin Delivery (AID) wird in den letzten Jahren immer relevanter und bietet relevante Erleichterungen für Patienten.
Der hierin vorgeschlagene Algorithmus zum Abbilden des Gesundheitszustands eines Patienten mittels eines Zustandsmodells arbeitet dabei vorzugsweise in diskreten Zeitschriften k. Dabei wird die Zeitschrittweite insbesondere durch den Takt der Glukose-Messung bestimmt. (rt-)CGM- und/oder (rt-)FGM- Sensoren geben typischer Weise alle 1-5 Minuten einen neuen Messwert yk aus, in der Folge wird dann der Algorithmus einmal durchlaufen, um Zustände X und Modellparameter 0k zu aktualisieren.
Als Zustände x/< werden die zeitveränderlichen Signale des (Zustands-) Modells bezeichnet wie beispielsweise die Glukose- oder Insulinkonzentration im Blut oder im Gewebe. Die Zustände werden im Zustandsvektor zusammengefasst. Die Aktualisierung erfolgt insbesondere durch zwei Mechanismen: Im ersten Schritt werden alle Zustände in einem Modell der Glukose-Insulin-Homöostase berücksichtigt. Daher ist ihre Aktualisierung durch Simulation des Modells möglich. Ist beispielsweise bekannt, dass aktuell eine Nahrungsaufnahme (durch den Glukoseaufnahme-Eingangswert) erfolgt, wird das Modell einen Anstieg der Blutglukose Vorhersagen. Im zweiten Schritt wird der Modellausgang mit der aktuellen Messung verglichen. Tritt dabei eine Abweichung auf, werden die Zustände korrigiert. Dazu wird diese Abweichung im Algorithmus insbesondere mit Hilfe einer Kostenfunktion Jk bewertet, zu der der Gradient k hinsichtlich der Zustände Xk bestimmt wird. Dieser Gradient kann schließlich in einem Gradientenverfahren verwendet werden, um den auf Basis des Modells vorhergesagten Zustand zu korrigieren.
Als Modellparameter 0k werden die zeitlich nicht veränderlichen Konstanten des Zustandsmodells bezeichnet. Insbesondere kann als Zustandsmodell ein Modell der Glukose-Insulin-Homöostase vorgesehen sein. Die Modellparameter sind beispielsweise Zeitkonstanten, welche die Dynamik einer Insulinreaktion oder eines Glukoseabbaus beschreiben, oder Verstärkungen wie Insulin- oder Glukose-Sensitivitäten. Diese Modellparameter sind offensichtlich stark vom jeweiligen Patienten abhängig. Daher erlaubt eine Aktualisierung der Modellparameter eine Individualisierung des Modells. Auf diese Weise kann aus zurückliegenden Messungen gelernt werden. Dieser Mechanismus verläuft analog zum zweiten Schritt der oben beschriebenen Aktualisierung der Zustände: Es wird insbesondere die gleiche Kostenfunktion ^ verwendet, um Abweichungen zwischen Modellausgang und Messung zu bewerten. Nun wird aber der Gradient jik hinsichtlich der Modellparameter 0k bestimmt. Dieser Gradient wird mit einem separaten Gradientenverfahren zur Korrektur der Modellparameter genutzt. Der Algorithmus ist in den Figuren 4 und 5 im Detail dargestellt.
Die aktuellen Zustände Xk bieten dem Patienten eine aktuelle Information seines metabolischen (diabetischen) Gesundheitszustands. Diese Information ist umfassender als der reine Messwert der Blutglukose.
• Dies kann zum Selbstmanagement des Diabetes genutzt werden, es können erforderlichenfalls Alarme ausgelöst werden.
• Auf dieser Basis können Prädiktionen durchgeführt werden, um eine Therapieplanung zu unterstützen (vgl. Figur 2). Beispielsweise kann vom aktuellen Zustand ausgehend der Verlauf der Blutglukose in den nächsten 120 Minuten vorhergesagt werden.
• Zukünftig könnte ein geschlossener Regelkreis mit einer Insulin-Pumpe im Rahmen einer automatisierten Insulintherapie („Artificial Pancreas“) von der umfassenden Zustandsinformation profitieren.
Die individualisierten Modellparameter 0k erlauben eine besser zugeschnittene Abbildung des Patienten im Modell der Glukose-Insulin-Homöostase im Sinne eines „digitalen Zwillings“.
• Dies verbessert insbesondere die oben beschriebene modellbasierte Aktualisierung des Zustands im ersten Schritt.
• Darüber hinaus können die gewonnenen Modellparameter zur Diagnose genutzt werden (vgl. Figur 2). Eine sinkende Insulin-Sensitivität kann z. B. auf eine Verschlechterung der diabetischen Erkrankung hinweisen. Für die Berechnung der beiden Gradienten wird die Methode der Automatischen Differenzierung (mittels dualer Zahlen) verwendet (vgl. bspw. R.D. Nei- dinger, Introduction to Automatic Differentiation and MATLAB Object-Oriented Programming, SIAM Rev. 52 (2010) 545-563; und D. Maclaurin, D. Duvenaud, M. Matt Johnson, J. Townsend, autograd: Software package that automatically differentiate native Python and Numpy code, 2020). Dadurch müssen keine analytischen oder symbolischen Ableitungen bestimmt werden. Das Verfahren bietet eine exakte Lösung und ist daher auch vorteilhaft im Vergleich zu Näherungsverfahren wie der Berechnung über Differenzenquotienten.
Um das individuelle dynamische Stoffwechselsystem zu modellieren, wurde ein nichtlineares Differentialgleichungsmodell der Ordnung n=9 entwickelt (entsprechend 9 modellierter Kompartimente), das auf dem Ansatz von Bergman et al. fußt (vgl. R.N. Bergman, Y.Z. Ider, C.R. Bowden, C. Cobelli, Quantitative estimation of insulin sensitivity, American Journal of Physiology-Endocrinology and Metabolism 236 (1979) E667), aber weitere Einflüsse wie orale Nahrungsaufnahme berücksichtigt, vgl. untenstehende Tabelle, wobei in der rechten Spalte zu den Differentialgleichungen jeweils die nicht-individuellen Standard- Modellparameter und Eingangssignale angegeben sind). Es ist weniger komplex als das Modell von Cobelli et al. (vgl. C. Dalia Man, R.A. Rizza, C. Cobelli, Meal Simulation model of the glucose-insulin system, IEEE Trans. Biomed. Eng. 54 (2007) 1740-1749; und C. Cobelli, C.D. Man, G. Sparacino, L. Magni, G. de Nicolao, B.P. Kovatchev, Diabetes: Models, Signals, and Control, IEEE Rev. Biomed. Eng. 2 (2009) 54-96) und eignet sich insofern für die Online-Simulation auf kleineren (mobilen) Plattformen.
Figure imgf000021_0001
Figure imgf000022_0001
Der Zustandsvektor x und der Eingangsvektor u werden als
Figure imgf000023_0001
definiert. Damit können die Differentialgleichungen aus der obenstehenden Tabelle zur Zustandsdifferentialgleichung zusammengefasst werden:
Figure imgf000023_0002
Die zu identifizierenden Modellparameter werden separiert und bilden den Para metervektor 0.
Ausgehend vom Zustand x wird der Ausgang y in allgemeiner Form durch die Ausgangsgleichung definiert: y(t) = /7(x(t)) Wird die interstitielle Glukose durch einen (rt-)CGM- und/oder (rt-)FGM-Sensor gemessen, gilt y(t) = x4(t) = Y(f), wird die Plasmaglukose erfasst, gilt y(t) = xi(t) = G(f). Schließlich muss eine geeignete Kostenfunktion Jk, die Abweichung zwischen der simulierten Ausgabe y und der gemessenen Ausgabe bewerten. Es wird vorzugsweise sowohl ein lokaler als auch ein globaler Fehler definiert und durch eine Gewichtsmatrix Q (als Diagonalmatrix mit positiven Gewichten) in die Kostenfunktion eingebracht:
Figure imgf000024_0001
Erfindungsgemäß wird also eine gleichzeitige Schätzung von Zuständen und Modellparametern vorgeschlagen. Die hier verwendete adjungierte Methode wird zumeist für den Entwurf optimaler Regelungen verwendet. Sie kann aber auch für die Parameteridentifikation eingesetzt werden, was jüngst auch in Bezug auf neuronale Netze erfolgreich gezeigt wurde.
Auch das hier vorgestellte Verfahren orientiert sich daran, erweitert es aber um ein zweites Gradientenverfahren für die parallele Schätzung der Zustände. Die eigenen bisherigen Untersuchungen zeigen, dass dadurch auch die Parameterschätzung profitiert.
Eine Zustandsschätzung kann durch Bayes-Schätzer (z. B. Kalman-Filter) realisiertwerden, dies erfordert aber zusätzlichen Aufwand. Insbesondere für nichtlineare Systeme müssen spezielle Lösungen gefunden werden, während die parallele Schätzung hier unmittelbar auch für nichtlineare Systeme geeignet ist und aus einem Ansatz heraus durchgeführt werden kann.
Mit Blick auf eine Regelung der Insulin-Dosierung („closed-loop“ oder „Artificial Pancreas“) ist eine modellbasierte Regelung (Model Predictive Control, MPC) ein bekannter Ansatz. Eine modellbasierte Diagnose mit einem vollständigen metabolischen Modell wird bisher nicht eingesetzt.
Bisherwerden keine individuellen Modelle verwendet. Aufgrund der großen Variabilität zwischen den Patienten ist das ein erhebliches Defizit. Ansätze dies zu berücksichtigen finden sich im Rahmen von MPC, allerdings wird dabei oft nur zwischen drei Grundmodellen umgeschaltet, sodass nur eine relativ grobe Anpassung erreicht wird.
Auf Basis von Tests mit realen Messdaten können eine Auswahl der zu identifizierenden Modellparameter in 6 sowie die Lernraten
Figure imgf000024_0002
und ax festgelegt werden. Hinsichtlich möglicher Anwendungen der Erfindung kommen beispielsweise alle Anwendungen in Betracht, die im Rahmen einer Diabetes-Diagnose oder - Therapie von einer verbesserten Zustands- und Parameterschätzung eines Modells der Glukose-Insulin-Homöostase profitieren. Beispiele:
• Diabetes-Begleiter: Bietet im Vergleich zur reinen Messwertanzeige des Glukosewerts eine umfassendere Diagnose des aktuellen Zustands. Rückmeldung des aktuellen Status an den Patienten, evtl. Alarme.
• Algorithmus-geschützte Vorhersage sowie Schulung: Vom aktuellen Zustand können Vorhersagen gemacht und Szenarien (z. B. für verschiedene Mahlzeiten) durchgeführt werden. Solche Simulationen können auch die Patienten-Schulung unterstützen.
• Closed-Loop-Insulintherapie („Artificial Pancreas“): Auch eine zukünftige automatische Regelung des Insulins könnte durch eine verbesserte Diagnose des Algorithmus präziser arbeiten.
• Verfolgung des Gesundheitszustands: Die Modellparameter des individuellen Modells können zur Einschätzung des Gesundheitszustands genutzt werden. Dies erfolgt rückblickend, Trends können abgeleitet werden.
Die zuvor genannten Anwendungen können in Produkten realisiert werden. Dies sind eigenständige Software-Produkte (Diabetes-Begleiter als App, Schulung oder Verfolgung des Gesundheitszustands am PC) oder Embedded-Lö- sungen für bestehende Hardware (intelligenter CGM-Sensor oder intelligente Insulin-Pumpe).
In der Figur 6 ist schematisch ein erfindungsgemäßes Verfahren zum Ermitteln eines Gesundheitszustands eines Patienten dargestellt. Das Verfahren umfasst Schritte des Empfangens S10 eines Glukose-Messwerts und eines Glukoseaufnahme-Eingangswerts, des Ermittelns S12 des Gesundheitszustands des Patienten, des Ermittelns S14 einer Abweichung und des patientenindividuellen Aktualisierens S16 eines Modellparameters. Das Verfahren kann beispielsweise in Form einer App implementiert werden, die auf einem Mobilgerät, insbesondere einem Smartphone, ausgeführt werden kann. Wie oben bereits beschrieben ist es auch möglich, dass die Schritte ganz oder teilweise im Sinne eines Cloud-Ansatzes durch einen entsprechenden Server oder ein anderes System erbracht werden und über das Internet als Service zur Verfügung gestellt werden.
Die Erfindung wurde anhand der Zeichnungen und der Beschreibung umfassend beschrieben und erklärt. Die Beschreibung und Erklärung sind als Beispiel und nicht einschränkend zu verstehen. Die Erfindung ist nicht auf die offenbarten Ausführungsformen beschränkt. Andere Ausführungsformen oder Variationen ergeben sich für den Fachmann bei der Verwendung der vorliegenden Erfindung sowie bei einer genauen Analyse der Zeichnungen, der Offenbarung und der nachfolgenden Patentansprüche.
In den Patentansprüchen schließen die Wörter „umfassen“ und „mit“ nicht das Vorhandensein weiterer Elemente oder Schritte aus. Der Undefinierte Artikel „ein“ oder „eine“ schließt nicht das Vorhandensein einer Mehrzahl aus. Ein einzelnes Element oder eine einzelne Einheit kann die Funktionen mehrerer der in den Patentansprüchen genannten Einheiten ausführen. Ein Element, eine Einheit, eine Vorrichtung und ein System können teilweise oder vollständig in Hard- und/oder in Software umgesetzt sein. Die bloße Nennung einiger Maßnahmen in mehreren verschiedenen abhängigen Patentansprüchen ist nicht dahingehend zu verstehen, dass eine Kombination dieser Maßnahmen nicht ebenfalls vorteilhaft verwendet werden kann. Ein Computerprogramm kann auf einem nichtflüchtigen Datenträger gespeichert/vertrieben werden, beispielsweise auf einem optischen Speicher oder auf einem Halbleiterlaufwerk (SSD). Ein Computerprogramm kann zusammen mit Hardware und/oder als Teil einer Hardware vertrieben werden, beispielsweise mittels des Internets oder mittels drahtgebundener oder drahtloser Kommunikationssysteme. Bezugszeichen in den Patentansprüchen sind nicht einschränkend zu verstehen.

Claims

Patentansprüche
1. Vorrichtung (12) zum Ermitteln eines Gesundheitszustands eines Patienten (11), mit: einer Eingangsschnittstelle (16) zum Empfangen eines Glukose-Messwerts mit Informationen zu einem Glukosespiegel des Patienten und eines Glukoseaufnahme-Eingangswerts mit Informationen zu einer Glukose-Aufnahme des Patienten; einer Schätzeinheit (18) zum Ermitteln des Gesundheitszustands des Patienten basierend auf den empfangenen Werten und einem vordefinierten Zustandsmodell, das den Gesundheitszustand des Patienten mittels eines Zustandsvektors und unter Verwendung mehrerer Modellparameter abbildet, wobei der Zustandsvektor einen Glukose-Modellwert mit Informationen zu dem Glukosespiegel des Patienten umfasst; einer Vergleichseinheit (20) zum Ermitteln einer Abweichung zwischen dem Glukose-Messwert und dem Glukose-Modellwert; und einer Individualisierungseinheit (22) zum patientenindividuellen Aktualisieren mindestens eines Modellparameters basierend auf der ermittelten Abweichung.
2. Vorrichtung (12) nach Anspruch 1 , wobei der Zustandsvektor einen Insulin-Modellwert mit Informationen zu einem Insulinspiegel des Patienten (11) umfasst und die mehreren Modellparameter
25 einen Sensitivitätsparameter umfassen, der eine Glukose- und/oder Insulin- Sensitivität des Patienten abbildet; und die Individualisierungseinheit (22) zum Aktualisieren des Sensitivitätspa- rameters ausgebildet ist.
3. Vorrichtung (12) nach Anspruch 2, wobei die mehreren Modellparameter einen Inkretin-Effekt-Sensitivitätsparame- ter umfassen, der eine Sensitivität des Insulinspiegels des Patienten (11) auf eine Glukoseaufnahme abbildet; und die Individualisierungseinheit (22) zum Aktualisieren des Inkretin-Effekt- Sensitivitätsparameters ausgebildet ist.
4. Vorrichtung (12) nach einem der vorstehenden Ansprüche, wobei die Individualisierungseinheit (22) zum Aktualisieren der Modellparameter basierend auf einer vordefinierten Kostenfunktion ausgebildet ist.
5. Vorrichtung (12) nach Anspruch 4, wobei die Individualisierungseinheit (22) zum Ermitteln eines Gradienten hinsichtlich der Modellparameter und zum Aktualisieren der Modellparameter in einem Gradientenverfahren ausgebildet ist.
6. Vorrichtung (12) nach einem der vorstehenden Ansprüche, wobei die Schätzeinheit (18) zum Aktualisieren des Zustandsvektors basierend auf einem vorherigen Zustandsvektor und basierend auf einer weiteren vordefinierten Kostenfunktion und einem weiteren Gradientenverfahren ausgebildet ist.
7. Vorrichtung (12) nach einem der vorstehenden Ansprüche, wobei das vordefinierte Zustandsmodell ein nichtlineares Differentialgleichungsmodell ist, insbesondere ein nichtlineares Differentialgleichungsmodell der Ordnung 9 o- der höher.
8. Vorrichtung (12) nach einem der vorstehenden Ansprüche, wobei die Eingangsschnittstelle (16) zum Empfangen des Glukose-Messwerts von einem kontinuierlich messenden Glukosesensor (14), (rt-)CGM, und/oder einem Echt- zeit-Flash-Glucose Monitoring, (rt-)FGM, ausgebildet ist, insbesondere über eine drahtlose Kommunikationsverbindung.
9. Vorrichtung (12) nach einem der vorstehenden Ansprüche, wobei die Eingangsschnittstelle (16) zum Empfangen eines Zusatz-Eingangswerts ausgebildet ist, der Informationen zu einer Ernährung, einem Bewegungszustand, einem Schlaf, einer Medikation und/oder einer Vor- oder Begleiterkrankung des Patienten (11) umfasst.
10. Vorrichtung (12) nach Anspruch 9, wobei die mehreren Modellparameter mindestens einen Zusatz-Sensitivitäts- parameter umfassen, der eine Sensitivität des Patienten (11) auf eine Ernährung, einen Bewegungszustand, einen Schlaf, eine Medikation und/oder eine Vor- oder Begleiterkrankung abbildet; und die Individualisierungseinheit (22) zum Aktualisieren des Zusatz-Sensi- tivitätsparameters ausgebildet ist.
11 . Vorrichtung (12) nach einem der vorstehenden Ansprüche mit einer Dosiereinheit (24) zum Ermitteln einer Medikamentendosierung im Rahmen einer Diabetes-Therapie basierend auf dem Zustandsvektor, wobei die Dosiereinheit vorzugsweise zum Ermitteln der Medikamentendosierung basierend auf einem Model Predictive Control Ansatz, MPC, einem Pro- portional-Integral-Differential-Regler, PID-Regler, einem Fuzzy-Regler und/oder einem Deep Learning Ansatz ausgebildet ist.
12. Vorrichtung (12) nach Anspruch 11 , wobei die Eingangsschnittstelle (16) zum Empfangen eines Insulin-Eingangswerts mit Informationen zu einer aktuellen Insulindosierung des Patienten (11) ausgebildet ist; und die Dosiereinheit (24) zum Ermitteln einer neuen Insulindosierung basierend auf dem Zustandsvektor und dem Insulin-Eingangswert ausgebildet ist.
13. System (10) zum Ermitteln eines Gesundheitszustands eines Patienten (11), mit: einer Vorrichtung (12) nach einem der vorstehenden Ansprüche; und einem kontinuierlich messenden Glukosesensor (14), (rt-)CGM, und/oder einem Echtzeit-Flash-Glucose Monitoring, (rt-)FGM, zum Erfassen des Glukose-Messwerts; einer Benutzerschnittstelle zum Erfassen des Glukoseaufnahme-Eingangswerts.
14. Verfahren zum Ermitteln eines Gesundheitszustands eines Patienten (11), mit den Schritten:
Empfangen (S10) eines Glukose-Messwerts mit Informationen zu einem Glukosespiegel des Patienten und eines Glukoseaufnahme-Eingangswerts mit Informationen zu einer Glukose-Aufnahme des Patienten;
Ermitteln (S12) des Gesundheitszustands des Patienten basierend auf den empfangenen Werten und einem vordefinierten Zustandsmodell, das den Gesundheitszustand des Patienten mittels eines Zustandsvektors und unter Verwendung mehrerer Modellparameter abbildet, wobei der Zustandsvektor einen Glukose-Modellwert mit Informationen zu dem Glukosespiegel des Patienten umfasst;
Ermitteln (S14) einer Abweichung zwischen dem Glukose-Messwert und dem Glukose-Modellwert; und patientenindividuelles Aktualisieren (S16) eines Modellparameters basierend auf der ermittelten Abweichung.
15. Computerprogrammprodukt mit Programmcode zum Durchführen der Schritte des Verfahrens nach Anspruch 14, wenn der Programmcode auf einem Computer ausgeführt wird.
29
PCT/EP2022/076936 2021-12-22 2022-09-28 Verfahren, vorrichtung und system zum ermitteln eines gesundheitszustands eines patienten WO2023117164A1 (de)

Priority Applications (2)

Application Number Priority Date Filing Date Title
DE112022006079.4T DE112022006079A5 (de) 2021-12-22 2022-09-28 Verfahren, vorrichtung und system zum ermitteln eines gesundheitszustands eines patienten
EP22793167.2A EP4452063A1 (de) 2021-12-22 2022-09-28 Verfahren, vorrichtung und system zum ermitteln eines gesundheitszustands eines patienten

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102021134292 2021-12-22
DE102021134292.9 2021-12-22

Publications (1)

Publication Number Publication Date
WO2023117164A1 true WO2023117164A1 (de) 2023-06-29

Family

ID=83902716

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2022/076936 WO2023117164A1 (de) 2021-12-22 2022-09-28 Verfahren, vorrichtung und system zum ermitteln eines gesundheitszustands eines patienten

Country Status (3)

Country Link
EP (1) EP4452063A1 (de)
DE (1) DE112022006079A5 (de)
WO (1) WO2023117164A1 (de)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US20150190098A1 (en) * 2011-08-26 2015-07-09 Stephen D. Patek Method, System and Computer Readable Medium for Adaptive and Advisory Control of Diabetes
US20200197605A1 (en) * 2017-05-05 2020-06-25 Eli Lilly And Company Closed loop control of physiological glucose

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US20150190098A1 (en) * 2011-08-26 2015-07-09 Stephen D. Patek Method, System and Computer Readable Medium for Adaptive and Advisory Control of Diabetes
US20200197605A1 (en) * 2017-05-05 2020-06-25 Eli Lilly And Company Closed loop control of physiological glucose

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
C. COBELLIC.D. MANG. SPARACINOL. MAGNI, G. DE NICOLAOB.P. KOVATCHEV: "Diabetes: Models, Signals, and Control", IEEE REV. BIOMED. ENG., vol. 2, 2009, pages 54 - 96
C. DALLA MANR.A. RIZZAC. COBELLI: "Meal simulation model of the glucose-insulin system", IEEE TRANS. BIOMED. ENG., vol. 54, 2007, pages 1740 - 1749
D. MACLAURIND. DUVENAUDM. MATT JOHNSONJ. TOWNSEND, SOFTWARE PACKAGE THAT AUTOMATICALLY DIFFERENTIATE NATIVE PYTHON AND NUMPY CODE, 2020
EBERLE ET AL., REAL-TIME STATE ESTIMATION AND LONG-TERM MODEL ADAPTATION: A TWO-SIDED APPROACH TOWARD PERSONALIZED DIAGNOSIS OF GLUCOSE AND INSULIN LEVELS, 2012
R.D. NEIDINGER: "Introduction to Automatic Differentiation and MATLAB Object-Oriented Programming", SIAM REV, vol. 52, 2010, pages 545 - 563
R.N. BERGMANY.Z. IDERC.R. BOWDENC. COBELLI: "Quantitative estimation of insulin sensitivity", AMERICAN JOURNAL OF PHYSIOLOGY-ENDOCRINOLOGY AND METABOLISM, vol. 236, 1979, pages E667

Also Published As

Publication number Publication date
DE112022006079A5 (de) 2024-10-31
EP4452063A1 (de) 2024-10-30

Similar Documents

Publication Publication Date Title
Heitz The speed-accuracy tradeoff: history, physiology, methodology, and behavior
Kliegel et al. A process-model based approach to prospective memory impairment in Parkinson's disease
Westen Prototype diagnosis of psychiatric syndromes
EP2470913B1 (de) Kalibrierverfahren zur prospektiven Kalibrierung eines Messgeräts, Computerprogramm und Messgerät
EP1589438B1 (de) Verfahren und Vorrichtung zum Überwachen einer Konzentration eines Analyten im lebenden Körper eines Menschen oder Tieres
EP1728469A2 (de) Bewertung der Glucosekonzentration zur Einstellung der Insulindosierung
DE202009003034U1 (de) Gerät zum Aktivitätsmonitoring
DE112020004780T5 (de) Blutzuckerkontrollsystem
WO2022096297A1 (de) Computerimplementiertes verfahren und vorrichtung zum durchführen einer medizinischen laborwertanalyse
EP2409253B1 (de) Verfahren zum automatischen erzeugen eines nutzerspezifischen messdatenerfassungsregimes für eine diskontinuierliche butzuckermessung sowie datenverarbeitungsvorrichtung und blutzuckermessgerät
DE19634577A1 (de) Verfahren und Anordnung zur Bestimmung individualspezifischer Tagesprofile der Blutzuckerkonzentration, der Insulinwirkung und der Nahrungsresorption
EP4452063A1 (de) Verfahren, vorrichtung und system zum ermitteln eines gesundheitszustands eines patienten
Lighthall et al. Learning and memory in the aging brain: The function of declarative and nondeclarative memory over the lifespan.
WO2016202437A1 (de) Verfahren, computerprogrammprodukt und system zum austausch von gesundheitsdaten
WO2012092954A2 (de) Verfahren zur auswertung eines satzes von messdaten eines oralen glucosetoleranztests
EP2236076A1 (de) Verfahren und System zur Ermittlung der Differenz zwischen prä- und postprandialen Blutzuckerwerten
Nguyen et al. Artificial intelligence and machine learning in diabetes research
DE102005028975B4 (de) Verfahren zur Ermittlung eines Biomarkers zur Kennzeichnung eines spezifischen biologischen Zustands eines Organismus aus mindestens einem Datensatz
EP1351181A1 (de) Computersystem und Verfahren zur Datenerfassung für die Ermittlung des Verlaufs einer chronischen Erkrankung
DE102013008594A1 (de) Verfahren zur datenverarbeitungsgestützten Ermittlung des Kohlenhydratgehalts eines Lebensmittels
WO2020104625A1 (de) Verfahren zur erfassung und bewertung des stoffwechselzustands einer testperson
EP1793321A1 (de) Auswerteverfahren und Untersuchungssystem eines Analyten im Körperflüssigkeit eines Menschen oder Tieres
Park et al. The neurocognitive role of working memory load when Pavlovian motivational control affects instrumental learning
DE102017206163A1 (de) Verfahren und System zur Herstellung von individualisierten Nahrungsmittelmahlzeiten
DE102021120512A1 (de) Bewertungseinheit für ein medizinisches System

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22793167

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 112022006079

Country of ref document: DE

ENP Entry into the national phase

Ref document number: 2022793167

Country of ref document: EP

Effective date: 20240722

REG Reference to national code

Ref country code: DE

Ref legal event code: R225

Ref document number: 112022006079

Country of ref document: DE