具有胰岛素灵敏度自适应估计的MDI决策系统及方法技术方案

本发明专利技术公开了具有胰岛素灵敏度自适应估计的MDI决策系统及方法，包括胰岛素灵敏度自适应估计及血糖预测模块、剂量决策模块、通信与传输模块、数据存储及可视化模块、患者信息录入模块；胰岛素灵敏度自适应估计及血糖预测模块、剂量决策模块、数据存储及可视化模块、患者信息录入模块均搭载于移动设备上，移动设备经通信传输模块分别与用于持续监测患者血糖的血糖持续监测设备和胰岛素注射设备相通讯。本发明专利技术采用上述具有胰岛素灵敏度自适应估计的MDI决策系统及方法，通过具有胰岛素灵敏度估计的血糖控制算法完成餐前和基础胰岛素剂量推荐，建立本地数据库实现数据存储和数据可视化，收集患者的必要信息以辅助决策，实现面向患者需求的系统集成设计。向患者需求的系统集成设计。向患者需求的系统集成设计。

【技术实现步骤摘要】
具有胰岛素灵敏度自适应估计的MDI决策系统及方法


[0001]本专利技术涉及胰岛素剂量调控
，尤其涉及具有胰岛素灵敏度自适应估计的MDI决策系统及方法。

技术介绍

[0002]糖尿病已成为影响我国和世界各国人民生活质量的重大公共健康问题。2021年国际糖尿病联盟(IDF)发布的统计数据显示，全球估计有5.37亿糖尿病患者，其中我国患者数量1.41亿，居全球首位；2021年全球糖尿病相关医疗开销达9660亿美元，我国糖尿病患者治疗开销高达10924亿元人民币。
[0003]而作为治疗糖尿病的胰岛素需要根据医生处方建议剂量，再利用胰岛素笔注射胰岛素。然而，现有胰岛素治疗达标率不足25％，更有近10％的1型糖尿病患者死于过量胰岛素注射。即胰岛素使用剂量和方式的不合理是导致控糖效果不佳和并发症发生发展的主要原因，注射剂量的准确性直接决定着糖尿病患者的生命安危。
[0004]目前胰岛素剂量智能决策前沿技术是人工胰腺系统，实际上是将自动化技术赋能到胰岛素泵上；但是实际上，这类系统主要适用于少数的1型糖尿病，适用范围窄，而且需要配合价格昂贵的胰岛素泵，目前胰岛素泵价格是传统胰岛素笔的近100倍。使得人工胰腺技术难以满足糖尿病胰岛素治疗的广泛需求。
[0005]为解决上述问题，部分学者研究将人工智能赋能价格便宜的胰岛素笔，实现符合患者实际需求的胰岛素用药剂量个体化安全有效决策系统。
[0006]基于胰岛素笔的治疗常采用每日多次胰岛素皮下注射(Multiple daily injection，MDI)的方式，随着血糖持续监测设备的普及与更新迭代，连续血糖监测数据的应用改进了MDI治疗，并发展出数据驱动的血糖控制方法。数据驱动方法无需建立人体血糖代谢模型，仅需要系统的输入输出数据即能实现模型建立与血糖控制。例如，史大威等在《面向智能血糖管理的餐前胰岛素剂量贝叶斯学习优化方法》中公开了基于高斯过程回归建立血糖预测模型，提出临床经验辅助的餐前剂量贝叶斯学习优化方法，能够有效地利用患者血糖历史管理数据辅助餐前胰岛素用药决策。
[0007]然而，临床试验结果表明患者的胰岛素灵敏度，即胰岛素降低血糖的能力，会受多种因素影响，例如运动、情绪等。但是公开的现有技术未充分考虑胰岛素灵敏度的变化对于血糖控制的影响，使得胰岛素智能决策算法的科学性难以保证。例如，申请公开号为CN110289094A的专利技术专利提出一种基于专家规则的胰岛素精准给药决策方法，其通过体重、年龄、性别等数据利用经验公式计算时不变的胰岛素灵敏度，故缺乏对于胰岛素灵敏度时变性的考虑。申请公开号为CN111833985A的专利技术专利提出了一种基于先进人工智能深度学习技术的胰岛素智能辅助决策系统，其构建具有多个特征性字段的糖尿病患者临床数据集以训练机器学习模型从而实现胰岛素剂型和剂量的决策，但所用数据集中缺少显式的胰岛素灵敏度信息。

技术实现思路

[0008]为解决上述问题，本专利技术提供具有胰岛素灵敏度自适应估计的MDI决策系统及方法，通过具有胰岛素灵敏度估计的血糖控制算法完成餐前和基础胰岛素剂量推荐，建立本地数据库实现数据存储和数据可视化，收集患者的必要信息以辅助决策，实现面向患者需求的系统集成设计。
[0009]为实现上述目的，本专利技术提供了具有胰岛素灵敏度自适应估计的MDI决策系统，包括胰岛素灵敏度自适应估计及血糖预测模块、剂量决策模块、通信与传输模块、数据存储及可视化模块、患者信息录入模块；
[0010]胰岛素灵敏度自适应估计及血糖预测模块，用于基于患者信息训练的反映个体化血糖代谢过程的高斯过程模型结合基于对生理场景分类的分类器预测血糖态势；
[0011]剂量决策模块，用于利用血糖态势预测信息，计算胰岛素推荐剂量；
[0012]通信传输模块，用于实现连续血糖监测信息、胰岛素注射剂量反馈与移动设备的传输；
[0013]数据存储及可视化模块，用于通过对连续血糖数据、胰岛素剂量数据以及用餐信息的存储和回调实现数据可视化功能，展示血糖控制效果和潜在的高低血糖风险；
[0014]患者信息录入模块，用于录入患者的个人信息；
[0015]胰岛素灵敏度自适应估计及血糖预测模块、剂量决策模块、数据存储及可视化模块、患者信息录入模块均搭载于移动设备上，移动设备经通信传输模块分别与用于持续监测患者血糖的血糖持续监测设备和胰岛素注射设备相通讯。
[0016]优选的，患者信息包括患者的实际血糖数据、用餐信息、胰岛素剂量；
[0017]生理场景为对胰岛素降低血糖的能力有影响的场景，其包括运动、情绪、酮中毒解除；
[0018]患者的个人信息包括患者的年龄、性别、糖尿病类型、拟采用的治疗药物。
[0019]具有胰岛素灵敏度自适应估计的MDI决策系统的方法，包括以下步骤：
[0020]S1、利用胰岛素灵敏度自适应估计及血糖预测模块预测血糖态势；
[0021]S2、剂量决策模块根据预测的血糖态势计算胰岛素推荐剂量；
[0022]S3、将计算的胰岛素推荐剂量发送至胰岛素注射设备。
[0023]优选的，步骤S1具体包括以下步骤：
[0024]S11、利用回顾性临床数据对患者对胰岛素降低血糖的能力有影响的生理场景进行分类，并利用分类结果构建分类器；
[0025]S12、基于患者实际血糖数据、用餐信息、胰岛素剂量训练出反映患者化血糖代谢过程的高斯过程模型；
[0026]S13、利用分类器辨识出患者实际所处的生理场景；
[0027]S14、基于患者所处的生理场景估计高斯过程核函数的自适应时变部分，通过高斯过程预测方法，预测血糖态势。
[0028]优选的，步骤S12具体包括以下步骤：
[0029]S121、针对餐前胰岛素和基础胰岛素的使用情景建立不同的血糖代谢模型，基础胰岛素用于患者夜间时的血糖控制，而餐前胰岛素则用于遏制患者在用餐后血糖浓度的快速上升，且餐前包括早餐、午餐和晚餐；
[0030]S122、采用自回归的形式构建高斯过程预测模型：
[0031]根据餐型，利用高斯过程对餐后每一时刻的血糖动力学进行建模：
[0032]G
t+i
＝f
t+i
‑1(D
t+i
‑1)+ω
t+i
‑1ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0033][0034]式中，t表示为基准时刻，其对应早餐、中餐、晚餐的血糖代谢建模的餐前胰岛素注射时刻，对应夜间睡眠时的血糖代谢建模的基础胰岛素注射时间；ω为白噪声，G为血糖值，l为自回归模型阶数，u表示胰岛素注射剂量，m表示患者摄入的碳水化合物含量，i＝{1,2,
…
,n}代表高斯过程的预测步长；D
t+i
‑1为l+1步血糖测量值、胰岛素注射剂量和摄入碳水化合物含量构成的向量，其作为i时刻高斯过程回归预测模型的输入；
[0035]其中，高斯过程中的均值函数考虑为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.具有胰岛素灵敏度自适应估计的MDI决策系统，其特征在于：包括胰岛素灵敏度自适应估计及血糖预测模块、剂量决策模块、通信与传输模块、数据存储及可视化模块、患者信息录入模块；胰岛素灵敏度自适应估计及血糖预测模块，用于基于患者信息训练的反映个体化血糖代谢过程的高斯过程模型结合基于对生理场景分类的分类器预测血糖态势；剂量决策模块，用于利用血糖态势预测信息，计算胰岛素推荐剂量；通信传输模块，用于实现连续血糖监测信息、胰岛素注射剂量反馈与移动设备的传输；数据存储及可视化模块，用于通过对连续血糖数据、胰岛素剂量数据以及用餐信息的存储和回调实现数据可视化功能，展示血糖控制效果和潜在的高低血糖风险；患者信息录入模块，用于录入患者的个人信息；胰岛素灵敏度自适应估计及血糖预测模块、剂量决策模块、数据存储及可视化模块、患者信息录入模块均搭载于移动设备上，移动设备经通信传输模块分别与用于持续监测患者血糖的血糖持续监测设备和胰岛素注射设备相通讯。2.根据权利要求1所述的具有胰岛素灵敏度自适应估计的MDI决策系统，其特征在于：患者信息包括患者的实际血糖数据、用餐信息、胰岛素剂量；生理场景为对胰岛素降低血糖的能力有影响的场景，其包括运动、情绪、酮中毒解除；患者的个人信息包括患者的年龄、性别、糖尿病类型、拟采用的治疗药物。3.如权利要求1或2任一项所述的具有胰岛素灵敏度自适应估计的MDI决策系统的方法，其特征在于：包括以下步骤：S1、利用胰岛素灵敏度自适应估计及血糖预测模块预测血糖态势；S2、剂量决策模块根据预测的血糖态势计算胰岛素推荐剂量；S3、将计算的胰岛素推荐剂量发送至胰岛素注射设备。4.根据权利要求3所述的具有胰岛素灵敏度自适应估计的MDI决策系统的方法，其特征在于：步骤S1具体包括以下步骤：S11、利用回顾性临床数据对患者对胰岛素降低血糖的能力有影响的生理场景进行分类，并利用分类结果构建分类器；S12、基于患者实际血糖数据、用餐信息、胰岛素剂量训练出反映患者化血糖代谢过程的高斯过程模型；S13、利用分类器辨识出患者实际所处的生理场景；S14、基于患者所处的生理场景估计高斯过程核函数的自适应时变部分，通过高斯过程预测方法，预测血糖态势。5.根据权利要求4所述的具有胰岛素灵敏度自适应估计的MDI决策系统的方法，其特征在于：步骤S12具体包括以下步骤：S121、针对餐前胰岛素和基础胰岛素的使用情景建立不同的血糖代谢模型，基础胰岛素用于患者夜间时的血糖控制，而餐前胰岛素则用于遏制患者在用餐后血糖浓度的快速上升，且餐前包括早餐、午餐和晚餐；S122、采用自回归的形式构建高斯过程预测模型：根据餐型，利用高斯过程对餐后每一时刻的血糖动力学进行建模：G
t+i
＝f
t+i
‑1(D
t+i
‑1)+ω
t+i
‑1ꢀꢀꢀꢀ
(1)
式中，t表示为基准时刻，其对应早餐、中餐、晚餐的血糖代谢建模的餐前胰岛素注射时刻，对应夜间睡眠时的血糖代谢建模的基础胰岛素注射时间；ω为白噪声，G为血糖测量值，l为自回归模型阶数，u表示胰岛素注射剂量，m表示患者摄入的碳水化合物含量，i＝{1,2,
…
,n}代表高斯过程的预测步长；D
t+i
‑1为l+1步血糖测量值、胰岛素注射剂量和摄入碳水化合物含量构成的向量，其作为i时刻高斯过程回归预测模型的输入；其中，高斯过程中的均值函数考虑为线性形式：m(D
t
)＝a
T
D
t
+b
ꢀꢀꢀꢀ
(3)式中，D
t
为i＝1时刻对应的高斯过程预测模型的输入；a、b为高斯过程均值的线性形式下的超参数；在协方差函数中，考虑胰岛素灵敏度的影响，设计如下的协方差函数：k(D
t
,D
’
t
)＝Γ(D
...

【专利技术属性】
技术研发人员：冯苏豪，史大威，蔡德恒，王军政，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：