【技术实现步骤摘要】
【国外来华专利技术】
技术介绍
1、一些健康状况(例如，医学状况)产生或改变血液和/或间质液中的分析物水平。作为示例，糖尿病是影响数亿人的代谢性病症，其导致升高的血糖水平。虽然糖尿病是世界范围内死亡的主要原因之一，但是通过早期检测和适当治疗，可以在很大程度上避免由于糖尿病造成的对心脏、血管、眼睛、肾脏和神经的损害。
2、临床和监管团体接受的针对糖尿病的常规检测包括血红蛋白a1c(hba1c)、空腹血浆葡萄糖(fpg)和2小时血浆葡萄糖(2hr-pg)。fpg和2hr-pg均是口服葡萄糖耐量检测(ogtt)的一部分，但是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)，患有糖尿病前期，或患有糖尿病。一般来讲，如果一个人的空腹葡萄糖水平低于100毫克每分升(mg/dl)，则认为该人正常，而如果该人的空腹葡萄糖水平在100mg/dl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。
3、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140mg/dl和199mg/dl之间表明糖尿病前期。
4、与ogt
5、施用以筛查(或诊断)糖尿病的这些常规检测中的每一种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，因为在不同日期施用于个体的给定检测可以导致诊断不一致，这是由于各种外部因素(诸如疾病、压力、运动增加或怀孕)导致葡萄糖水平波动。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检测不是对血糖的直接测量，因此此类检测可能对于患有各种血液状况诸如贫血的人或患有血红蛋白异常的那些人不准确。
6、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能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。在此类场景中，关于用户是否患有糖尿病以及针对用户的治疗计划类型，不同的医生可以得出不同的结论。
7、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，这些常规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。这些因素中的每个因素单独或结合起来可以造成心理障碍，阻止用户接受糖尿病检测，从而降低与早期检测相关联的益处。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，或者甚至是危险的。
技术实现思路
1、为了克服这些问题，利用了使用从分析物测量结果和机器学习中提取的稳健准确特征的健康状况预测，包括糖尿病预测。在一个或多个具体实施中，可以基于分析物测量结果的特征的组合的稳健性度量和性能度量从分析物测量结果的多个特征中选择该组合，并且可以训练机器学习模型以使用该组合预测健康状况分类。性能度量可以与预测健康状况分类的准确性相关联，并且稳健性度量可以与对分析物传感器制造可变性在准确性上的不灵敏度相关联。一旦被训练，机器学习模型基于由可穿戴分析物监测装置收集的用户的分析物测量结果来预测用户的健康状况分类。特征的组合可以从用户的分析物测量结果中提取并被输入到机器学习模型中以预测分类。
2、这一
技术实现思路
以简化的形式介绍一些概念，这些概念将在下面的具体实施方式中进一步描述。因此，这一
技术实现思路
不旨在识别要求保护的主题的必要特征，也不旨在用于帮助确定要求保护的主题的范围。
【技术保护点】
1.一种方法，包括：
2.根据权利要求1所述的方法，其中所述分析物测量结果是来自与用户群体的结果数据相关联的所述用户群体的历史分析物测量结果，并且其中基于所述稳健性度量和所述性能度量来选择所述多个特征中的所述特征的组合包括：
3.根据权利要求2所述的方法，其中所述性能度量指示用于预测所述健康状况分类的灵敏度和用于基于所述健康状况分类相对于所述多个候选组合中的每个候选组合的所述结果数据的所述模型预测来预测所述健康状况分类的特异性中的一者或两者。
4.根据权利要求2或3所述的方法，其中所述结果数据指示所述用户群体的每个用户的临床确定的健康状况分类。
5.根据权利要求2至4中任一项所述的方法，其中基于所述稳健性度量和所述性能度量来选择所述多个特征中的所述特征的组合还包括：
6.根据权利要求5所述的方法，其中在所述多个模拟轮次内模拟所述分析物测量结果中的所述分析物传感器的所述制造可变性包括模拟不同的性能可变性和分析物传感器特性，以在每个模拟轮次向所述分析物测量结果引入所述不同百分比的模拟可变性。
7.根据权利要求2至
8.根据权利要求1至7中任一项所述的方法，其中所述多个特征中的所述特征的组合包括第一特征和第二特征，并且其中所述方法还包括使用所述多个特征中的每个特征的所述健康状况分类的模型预测来确定所述多个特征中的每个特征的单独性能度量和单独稳健性度量。
9.根据权利要求8所述的方法，其中所述第一特征和所述第二特征中的至少一者是所述分析物测量结果的趋势相关特征。
10.根据权利要求8所述的方法，其中所述第二特征是所述分析物测量结果的可变性和稳定性特征。
11.根据权利要求1至10中任一项所述的方法，还包括：
12.一种装置，包括：
13.根据权利要求12所述的装置，其中由所述分析物传感器在观察期内测量所述用户的所述分析物数据，并且其中所述健康状况分类是描述所述观察期期间所述用户关于健康状况的状态的指示。
14.根据权利要求13所述的装置，其中所述健康状况为糖尿病，并且其中所述健康状况分类为糖尿病状态、糖尿病前期状态及没有糖尿病状态中的一者。
15.根据权利要求12至14中任一项所述的装置，其中用训练输入部分和预期输出部分来训练所述机器学习模型，所述训练输入部分包括从所述用户群体的所述历史分析物数据提取的所述至少两个特征的所述组合，所述预期输出部分包括表示所述用户群体中的每个用户的所述健康状况分类的标签。
...【技术特征摘要】
【国外来华专利技术】
1.一种方法，包括：
2.根据权利要求1所述的方法，其中所述分析物测量结果是来自与用户群体的结果数据相关联的所述用户群体的历史分析物测量结果，并且其中基于所述稳健性度量和所述性能度量来选择所述多个特征中的所述特征的组合包括：
3.根据权利要求2所述的方法，其中所述性能度量指示用于预测所述健康状况分类的灵敏度和用于基于所述健康状况分类相对于所述多个候选组合中的每个候选组合的所述结果数据的所述模型预测来预测所述健康状况分类的特异性中的一者或两者。
4.根据权利要求2或3所述的方法，其中所述结果数据指示所述用户群体的每个用户的临床确定的健康状况分类。
5.根据权利要求2至4中任一项所述的方法，其中基于所述稳健性度量和所述性能度量来选择所述多个特征中的所述特征的组合还包括：
6.根据权利要求5所述的方法，其中在所述多个模拟轮次内模拟所述分析物测量结果中的所述分析物传感器的所述制造可变性包括模拟不同的性能可变性和分析物传感器特性，以在每个模拟轮次向所述分析物测量结果引入所述不同百分比的模拟可变性。
7.根据权利要求2至6中任一项所述的方法，其中基于所述稳健性度量和所述性能度量来选择所述多个特征中的所述特征的组合还包括：
8.根据权利要求1至7中任一项所述的方法...
【专利技术属性】
技术研发人员：J·H·朴，S·T·弗兰克，D·A·普赖斯，K·C·哈梅斯，C·R·斯特罗耶克，J·J·贝克，A·潘奇·桑塔南，P·C·辛普森，A·吉贝利，J·YK·李，Q·安，
申请(专利权)人：德克斯康公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。