利用易于获取的患者数据对1型糖尿病的未来血糖进行个性化模型识别和预测的贝叶斯框架制造技术

一种预测个体患者的未来血糖浓度的方法，该方法包括：选择个体化非线性葡萄糖

【技术实现步骤摘要】
【国外来华专利技术】利用易于获取的患者数据对1型糖尿病的未来血糖进行个性化模型识别和预测的贝叶斯框架
[0001]相关申请的交叉引用
[0002]本申请要求于2021年1月25日提交的美国临时专利申请第63/141345号的权益。本申请涉及均于2020年12月4日提交的美国申请第17/112870号、第17/112828号和第17/112814号。上述申请的内容全文以引用方式并入本文，并且因此明确成为本说明书的一部分。

技术介绍

[0003]1型糖尿病(T1D)是一种由于胰腺中β细胞的进行性破坏引起的慢性自身免疫疾病，其使机体不能产生内源性胰岛素。因此，血糖(BG)浓度往往会超过高血糖阈值(BG>180mg/dl)，如果这种情况频繁出现且长期存在，可能会导致几种严重的心血管长期并发症，以及肾病和神经病。为了降低血糖(BG)水平，必须每天数次施用外源性胰岛素。不幸的是，过量的外源性胰岛素给药可能使患者出现低血糖症，即BG<70mg/dl，由于低血糖可能产生昏厥、头晕、昏迷甚至死亡，因此即使在短期内这也是危险的。
[0004]有效的T1D治疗依靠于通过传统的手指针刺设备或更现代的微创型动态血糖监测(CGM)传感器进行的频繁的血糖(BG)监测，而且并不容易实现。事实上，从患者的角度来看，T1D管理是一个终身学习过程，从而了解数个日常因素(例如，生病、饮食和体能活动)如何影响BG水平以及如何使用干预措施(例如，减少碳水化合物摄入量当然以及施用胰岛素)将BG保持在安全范围内。
[0005]在这方面，研究界已经做出了许多努力来提供能够帮助T1D患者的新工具。其中，通过使主动治疗决策基于预期的未来葡萄糖水平而不是当前的葡萄糖水平，能够实时预测未来BG浓度的基于CGM的算法具有显著改善T1D治疗效果的潜力。

技术实现思路

[0006]在第一方面，提供了一种预测个体患者的未来血糖浓度的方法，该方法包括：选择个体化非线性葡萄糖
‑
胰岛素动力学生理模型，该选择的模型具有多个模型参数，该模型参数的值待确定；估计所述多个模型参数中的每个模型参数的值，通过将参数估计技术应用于所述个体患者的先验信息和数据以获得后验信息，所述模型参数的第一子集具有按照先验群体数据估计的值，并且所述模型参数的第二子集具有针对所述个体患者个性化的值；以及使用模型参数中的每个模型参数的估计值将非线性预测技术应用于选择的模型，以获得个体患者在未来某一时间的预测血糖浓度。
[0007]在第一方面的实施方案中，参数估计技术是马尔可夫链蒙特卡尔(MCMC)贝叶斯估计(Bayesian estimator)。
[0008]在第一方面的实施方案中，参数估计技术选自由最大后验法、最大似然法和预测误差最小化法组成的组。
[0009]在第一方面的实施方案中，非线性预测技术是粒子滤波。
[0010]在第一方面的实施方案中，非线性预测技术选自由扩展卡尔曼滤波技术和无迹卡尔曼滤波技术组成的组。
[0011]在第一方面的实施方案中，选择的个体化非线性生理模型包括皮下胰岛素吸收子模型、口服葡萄糖吸收子模型和葡萄糖
‑
胰岛素动力学模型。
[0012]在第一方面的实施方案中，选择的个体化非线性生理模型使用个体患者的过去血糖浓度水平、碳水化合物摄入量信息和外源性胰岛素数据作为输入。
[0013]在第一方面的实施方案中，该皮下胰岛素吸收子模型包括第一模型参数和第二模型参数，第一模型参数指定胰岛素分布的值，第二模型参数指定胰岛素在第一房室中出现的延迟，第一和第二模型参数位于具有按照先验群体数据估计的值的模型参数的第一子集中。
[0014]在第一方面的实施方案中，该皮下胰岛素吸收子模型包括第三模型参数和第四模型参数，第三模型参数指定从第一房室到第二房室的扩散速率常数，第四模型参数指定从第二房室到血浆的皮下胰岛素吸收速率常数，第三和第四模型参数位于具有针对个体患者个性化的值的模型参数的第二子集中。
[0015]在第一方面的一个实施方案中，选择的个体化非线性生理模型是最大生理模型，其中忽略了模型参数的选择的参数。
[0016]在第一方面的实施方案中，使用实时动态血糖监测仪(CGM)数据、碳水化合物摄入量信息和外源性胰岛素数据实时更新预测血糖浓度。
[0017]在第一方面的实施方案中，该方法还包括用残差模型增强选择的个体化非线性生理模型，从而描述残差建模误差。
[0018]在第一方面的实施方案中，残差建模误差被建模成阶数为(5,5,1)的自回归综合移动平均(ARIMA)。
[0019]在第一方面的实施方案中，残差模型具有使用预测误差法(PEM)估计的模型参数。
[0020]在第一方面的实施方案中，在多个不同时间对预测血糖浓度进行预测。
附图说明
[0021]图1是高层次示出本文所述的基于个体化模型的预测方案中涉及的步骤的流程图。
[0022]图2示出了皮下胰岛素吸收子系统方案的一个示例。
[0023]图3示出了口服葡萄糖吸收子系统方案的一个示例。
[0024]图4示出了葡萄糖
‑
胰岛素动力学子系统方案的一个示例。
[0025]图5示出了残差模型方案的一个示例。
[0026]图6A示出了对于15min多至120min的不同PH使用ARX、ARIMAX和PF获得的测定系数(COD)；并且图6B示出了对于15min多至120min的不同PH使用ARX、ARIMAX和PF获得的均方根误差(RMSE)。
具体实施方式
[0027]I.引言
[0028]尽管已经提出了用于血糖(BG)实时预测的几种不同的方法论，但是由于改变BG水
平的几种未知的干扰因素以及葡萄糖生理学中的高患者间/患者内可变性，该问题仍然未解决。现有预测技术依靠着描述某组输入特征与BG之间的关系的一种数学模型。选择葡萄糖
‑
胰岛素调节的合适模型是一个重要步骤，并且选项范围包括从完全数据驱动的“黑盒”模型到基于代谢生理学的机械/半机械非线性描述的模型。与黑盒模型相比，生理模型具有保证正确捕捉以下的葡萄糖
‑
胰岛素代谢机制的明显优点。在T1D文献中可获得的非线性生理模型中，所谓的最小模型被证明过于僵化和简单化以至于无法给予有效的葡萄糖预测。另一方面，大型模型有数个方程和多个参数，这使得它们难以识别并且更适合计算机模拟而不是基于模型的预测。
[0029]图1是高层次示出本文所述的基于个体化模型的预测方案中涉及的步骤的流程图。如图所示，方案中的第一步骤10为从上述各种可用选项中选择合适的模型结构。选择的模型是葡萄糖
‑
胰岛素调节的个体化非线性生理模型。如下所述，该选择的模型具有模型参数，该模型参数可以根据易获得的患者记录诸如碳水化合物摄入量和胰岛素输注数据进行个体化，以模拟个体的特定生理机能。
[0030]在图1所示的预测方案的第二步骤20中，使用参数本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种预测个体患者的未来血糖浓度的方法，所述方法包括：选择个体化非线性葡萄糖
‑
胰岛素动力学生理模型，所述选择的模型具有多个模型参数，所述模型参数的值待确定；估计所述多个模型参数中的每个模型参数的值，通过将参数估计技术应用于所述个体患者的先验信息和数据以获得后验信息，所述模型参数的第一子集具有按照先验群体数据估计的值，并且所述模型参数的第二子集具有针对所述个体患者个性化的值；以及使用所述模型参数中的每个模型参数的估计值将非线性预测技术应用于所述选择的模型，以获得所述个体患者在未来某一时间的预测血糖浓度。2.根据权利要求1所述的方法，其中所述参数估计技术是马尔可夫链蒙特卡尔(MCMC)贝叶斯估计。3.根据权利要求1所述的方法，其中所述参数估计技术选自由最大后验法、最大似然法和预测误差最小化法组成的组。4.根据权利要求1所述的方法，其中所述非线性预测技术是粒子滤波。5.根据权利要求2所述的方法，其中所述非线性预测技术是粒子滤波。6.根据权利要求1所述的方法，其中所述非线性预测技术选自由扩展卡尔曼滤波技术和无迹卡尔曼滤波技术组成的组。7.根据权利要求2所述的方法，其中所述非线性预测技术选自由扩展卡尔曼滤波技术和无迹卡尔曼滤波技术组成的组。8.根据权利要求1所述的方法，其中选择的个体化非线性生理模型包括皮下胰岛素吸收子模型、口服葡萄糖吸收子模型和葡萄糖
‑
胰岛素动力学模型。9.根据权利要求8所述的方法，其中所述选择的个体化非线性生理模型使用所述个体患者的过去血糖浓...

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