使用葡萄糖测量值和机器学习进行糖尿病预测制造技术

描述了使用葡萄糖测量值和机器学习进行糖尿病预测。在一个或更多个实施方式中，观察分析平台包括使用历史葡萄糖测量值和用户群体的历史结果数据训练的机器学习模型，以预测个体用户的糖尿病分类。用户群体的历史葡萄糖测量值可以由用户群体的用户佩戴的葡萄糖监测设备提供，而历史结果数据包括从独立于葡萄糖监测设备的来源获得的一个或更多个诊断测量值。训练完成后，机器学习模型会根据可穿戴式葡萄糖监测设备在跨越多天的观察期间采集的葡萄糖测量值为用户预测糖尿病分类。然后可以输出预测的糖尿病分类，例如通过基于分类生成一个或更多个通知或用户界面。成一个或更多个通知或用户界面。成一个或更多个通知或用户界面。

【技术实现步骤摘要】
【国外来华专利技术】使用葡萄糖测量值和机器学习进行糖尿病预测


[0001]描述了使用葡萄糖测量值和机器学习进行糖尿病预测。在一个或更多个实施方式中，观察分析平台包括使用历史葡萄糖测量值和用户群体的历史结果数据训练的机器学习模型，以预测个体用户的糖尿病分类。用户群体的历史葡萄糖测量值可以由用户群体的用户佩戴的葡萄糖监测设备提供，而历史结果数据包括从独立于葡萄糖监测设备的来源获得的一个或更多个诊断测量值。训练完成后，机器学习模型会根据可穿戴式葡萄糖监测设备在跨越多天的观察期间采集的葡萄糖测量值为用户预测糖尿病分类。然后可以输出预测的糖尿病分类，例如通过基于分类生成一个或更多个通知或用户界面。

技术介绍

[0002]糖尿病是一种影响数亿人的代谢疾病，并且是全球主要的死亡原因之一。然而，只要早期发现并通过适当的治疗就可以在很大程度上避免因糖尿病而对心脏、血管、眼睛、肾脏和神经造成的严重损害。临床和监管机构接受的糖尿病常规检测包括糖化血红蛋白(HbA1c)、空腹血糖(FPG)和2小时血糖(2Hr
‑
PG)——FPG和2Hr
‑
PG都是口服葡萄糖耐量试验(OGTT)的一部分，但FPG可以与OGTT分开检测。对于FPG检测，采集血液样本并将结果用于将人分类为“正常”(例如，没有糖尿病)或具有糖尿病前期或糖尿病。一般而言，如果一个人的空腹葡萄糖水平低于100mg/dL，则认为该人正常，而如果该人的空腹葡萄糖水平在100至125mg/dL之间，则该人被归类为糖尿病前期，如果该人的空腹血糖水平在两次单独的检测中高于126mg/dL，则患有糖尿病。
[0003]在为FPG检测测量人的空腹葡萄糖后，OGTT要求人饮用含糖液体以使人的血糖水平达到峰值。许多人难以忍受这种含糖饮液，尤其是孕妇。然后在接下来的两个小时内，使用额外的血液样本定期检测该人的葡萄糖水平，以进行2Hr
‑
PG。血糖水平低于140mg/dL被认为是“正常”，而饮用含糖饮液两小时后血糖水平超过200mg/dL则表明患有糖尿病。读数在140和199mg/dL之间表明糖尿病前期。
[0004]与OGTT的FPG和2Hr
‑
PG检测不同，它们都在单个时间点测量一个人的葡萄糖水平，而HbA1c检测则测量用户在过去两到三个月内的平均葡萄糖水平。然而，HbA1c检测不是直接测量葡萄糖，而是测量附着在血红蛋白上的葡萄糖的百分比。请注意，当葡萄糖在人的血液中积聚时，它会附着在血红蛋白上，血红蛋白是红细胞中的携氧蛋白。红细胞在一个人体内的寿命大约为两到三个月，因此HbA1c检测显示了过去两到三个月血液中的平均葡萄糖水平。与FPG和2Hr
‑
PG检测不同，在进行HbA1c检测时，该人不需要处于禁食状态。然而，与FPG和2Hr
‑
PG检测类似，为了测量一个人的HbA1c水平，必须从该人身上采集血液样本并用于产生读数。在两次单独的检测中，HbA1c水平为6.5％或更高的表明该人患有糖尿病，而HbA1c水平在5.7％至6.4％之间通常表明该人患有糖尿病前期。HbA1c水平低于5.7％被认为是正常的。
[0005]每一种用于筛查或诊断糖尿病的常规检测都具有各种缺陷，这些缺陷常常导致不正确的诊断。常规的糖尿病检测通常不准确，因为在不同日期对个体进行的给定检测可以
导致诊断不一致，因为各种外部因素可以导致葡萄糖水平波动，例如疾病、压力、运动增加或怀孕。相比之下，即使HbA1c检测测量的是前两到三个月的平均葡萄糖水平，但HbA1c检测结果也会受到用户在检测前几周的葡萄糖水平的极大影响。因此，HbA1c检测结果可能会受到三个月期间血液特性变化的极大影响，例如由于怀孕或疾病。此外，由于HbA1c检测不是葡萄糖的直接测量值，因此此类检测可以对于患有各种血液状况(例如贫血或具有血红蛋白异常)的人不准确。
[0006]此外，此类常规检测通常具有较差的一致性。换句话说，这些检测不一定能检测出同一个人的糖尿病。检测类型之间缺乏一致性可以导致诊断不准确或无法确定适当的治疗计划。例如，用户可以有高空腹葡萄糖，但HbA1c分数在正常范围内。在这种情况下，不同的医生可以得出不同的结论，即用户是否患有糖尿病以及用户的治疗计划类型。
[0007]最后，对不同的人(例如孕妇)进行这些检测也存在各种限制和缺点。例如，这些传统的糖尿病检测要求用户去医生办公室或实验室采集血液样本，这对于一些用户来说可能是耗时、昂贵和痛苦的。这些因素中的每一个结合起来可以造成心理障碍，阻止用户接受糖尿病检测，从而降低早期检测可能带来的好处。此外，许多这些常规检测要求用户处于禁食状态，这对于包括孕妇在内的一些用户来说可能是困难的，甚至是危险的。

技术实现思路

[0008]为了克服这些问题，利用葡萄糖测量值和机器学习进行糖尿病预测。在一个或更多个实施方式中，观察分析平台包括机器学习模型，该模型使用用户群体的历史葡萄糖测量值和历史结果数据进行训练，以预测单个用户的糖尿病分类。用户群体的历史葡萄糖测量值可以由用户群体的用户佩戴的葡萄糖监测设备提供，而历史结果数据包括从独立于葡萄糖监测设备的来源获得的一个或更多个诊断测量值。例如，历史结果数据可以表明，基于一种或更多种诊断测量，例如HbA1c、FPG或2Hr
‑
PG，用户群体中的相应用户是否被临床诊断为糖尿病。
[0009]训练完成后，机器学习模型会根据可穿戴式葡萄糖监测设备在跨越多天的观察期间采集的葡萄糖测量值为用户预测糖尿病分类。特别是，机器学习模型基于用户群体的历史时葡萄糖测量值和历史结果数据的训练生成此预测。糖尿病分类可以描述用户在观察期间的状态(例如，患有糖尿病、糖尿病前期或无糖尿病中的一种)或者用户是否被预测会经历糖尿病的不利影响。然后可以输出预测的糖尿病分类，例如通过基于分类生成一个或更多个通知或用户界面，例如针对包括糖尿病分类的医疗保健提供者的报告(例如，该人被预测患有糖尿病)或针对该人的通知，指示该人联系其医疗保健提供者。
[0010]本概要以简化形式介绍了一些概念，这些概念将在下面的具体实施方式中进一步描述。因此，本
技术实现思路
并非旨在识别所要求保护的主题的基本特征，也不旨在用作确定所要求保护的主题的范围的帮助。
附图说明
[0011]参考附图来描述详细说明书。
[0012]图1是一个实施方式的实施例中的环境图，该实施例可操作地采用本文所述技术。
[0013]图2更详细地描绘了图1的可穿戴式葡萄糖监测设备的实施例。
[0014]图3描绘了一个实施方式的实施例，其中糖尿病相关数据，包括葡萄糖测量值，被发送到与糖尿病预测相关的不同系统。
[0015]图4更详细地描绘了图1的预测系统的实施方式的实施例，其中使用机器学习预测糖尿病分类。
[0016]图5更详细地描绘了图1的预测系统的实施方式的实施例，其中训练机器学习模型以预测糖尿病分类。
[0017]图6描绘了为通知用户糖尿病预测而显示的用户界面的本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种方法，其包括：获取用户的葡萄糖测量值，由可穿戴式葡萄糖监测设备在观察期间采集的所述葡萄糖测量值；通过使用一个或更多个机器学习模型处理所述葡萄糖测量值来预测所述用户的糖尿病分类，基于用户群体的历史葡萄糖测量值和历史结果数据生成所述一个或更多个机器学习模型；和输出糖尿病分类。2.根据权利要求1所述的方法，其中所述糖尿病分类是表示将所述用户在所述观察期间的状态描述为患有糖尿病、糖尿病前期或无糖尿病中之一。3.根据权利要求1所述的方法，其中所述糖尿病分类是表示在所述观察期间所述用户的状态为患有妊娠期糖尿病或无妊娠期糖尿病。4.根据权利要求1所述的方法，其中：所述糖尿病分类是表示预测所述用户预计将经历的糖尿病的一种或更多种不利影响；和所述历史结果数据描述了在所述用户群体的用户中观察到的糖尿病的不利影响。5.根据权利要求1所述的方法，其中所述可穿戴式葡萄糖监测设备包括传感器，所述传感器在所述观察期间被皮下插入所述用户的皮肤中以采集所述葡萄糖测量值。6.根据权利要求5所述的方法，其中所述葡萄糖测量值包括由所述可穿戴式葡萄糖监测设备在所述观察期间采集的时序葡萄糖测量值。7.根据权利要求6所述的方法，其中所述时序葡萄糖测量值由所述可穿戴式葡萄糖监测设备在所述观察期间以预定间隔连续地采集。8.根据权利要求1所述的方法，其中所述观察期跨越多天。9.根据权利要求1所述的方法，还包括：获取所述用户群体的所述历史葡萄糖测量值和所述历史结果数据，所述用户群体中用户佩戴的葡萄糖监测设备提供的所述历史葡萄糖测量值；和通过向所述一个或更多个机器学习模型提供所述历史葡萄糖测量值来生成所述一个或更多个机器学习模型，将从所述一个或更多个机器学习模型接收到的训练的糖尿病的分类与所述历史结果数据表明的糖尿病分类进行比较，以及基于所述比较调整所述一个或更多个机器学习模型的权重。10.根据权利要求9所述的方法，还包括用表明基于所述历史结果数据的相应用户的糖尿病分类的标记来标记所述历史葡萄糖测量值的轨迹。11.根据权利要求9所述的方法，其中所述历史结果数据与一个或更多个独立于所述用户群体的用户所配戴的葡萄糖监测设备提供的所述历史葡萄糖测量值的诊断测量有关。12.根据权利要求1所述的方法，其中所述历史结果数据包括所述历史葡萄糖测量值的轨迹的标记，所述标记表明所述用户群体的相应用户是否基于一个或更多个诊断测量被临床诊断为糖尿病。13.根据权利要求12所述的方法，其中所述一个或更多个诊断测量包括糖化血红蛋白(HbA1c)、口服葡萄糖耐量试验(OGTT)或空腹血糖(FPG)中的至少一种。14.根据权利要求1所述的方法，还包括：
预处理所述用户的所述葡萄糖测量值以提取一个或更多个葡萄糖特征；和向所述机器学习模型提供所述一个或更多个提取的葡萄糖特征作为输入以使所述机器学习模型能够预测所述用户的所述糖尿病分类。15.根据权利要求14所述的方法，其中所述一个或更多个提取的葡萄糖特征包括以下至少一个：超过阈值的时间测量对应于在所述观察期间所述用户的所述葡萄糖测量值高于葡萄糖阈值的时间量；范围内的时间测量值对应于在所述观察期间所述用户的葡萄糖测量值在第一葡萄糖水平和小于所述第一葡萄糖水平的第二葡萄糖水平之间的时间量；对应于单位时间内葡萄糖测量值差异的变化率测量值；平均葡萄糖测量值；或葡萄糖中位数测量。16.根据权利要求14所述的方法，其中所述机器学习模型使用至少两个提取的葡萄糖特征来预测所述用户的所述糖尿病分类。17.根据权利要求14所述的方法，其中所述预处理还包括通过去除所述葡萄糖测量值的至少一部分并从所述过滤后的葡萄糖测量值中提取所述一个或更多个葡萄糖特征来过滤所述葡萄糖测量值。18.根据权利要求1所述的方法，其中所述输出包括所述糖尿病分类和以下至少一项的葡萄糖观察报告；基于所述糖尿病分类为所述用户提供一项或更多项治疗建议；在所述观察期间由所述葡萄糖监测设备采集的所述葡萄糖测量值的视觉表示；或基于在所述观察期间由所述葡萄糖监测设备采集的所述葡萄糖测量值生成的所述用户的一个或更多个葡萄糖统计数据。19.根据权利要求18所述的方法，其中所述一个或更多个葡萄糖统计数据包括以下至少一项：超过阈值的时间测量对应于在所述观察期间所述用户的所述葡萄糖测量值高于葡萄糖阈值的时间量；范围内的时间测量值对应于在所述观察期间所述用户的葡萄糖测量值在第一葡萄糖水平和小于所述第一葡萄糖水平的第二葡萄糖水平之间的时间量；对应于单位时间内葡萄糖测量值差异的变化率测量值；平均葡萄糖测量值；或葡萄糖中位数测量。20.根据权利要求1所述的方法，其中所述葡萄糖测量值是从所述葡萄糖监测设备的存储器或从包含从所述葡萄糖监测设备通过网络传送的所述葡萄糖测量值的一个或更多个数据包获得的。21.一个设备，其包括：一个或更多个处理器；和存储器，其上存储有计算机可读指令，该指令可由所述一个或更多个处理器执行以执行包括以下的操作：
...

【专利技术属性】
技术研发人员：S，
申请(专利权)人：德克斯康公司，
类型：发明
国别省市：