知財求人 - 知財ポータルサイト「IP Force」
▶ エフ ホフマン−ラ ロッシュ アクチェン ゲゼルシャフトの特許一覧
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公表特許公報(A)
(11)【公表番号】
(43)【公表日】2024-03-26
(54)【発明の名称】食後血糖値予測のための方法及び手段
(51)【国際特許分類】
G16H 10/00 20180101AFI20240318BHJP
【ＦＩ】
G16H10/00
【審査請求】未請求
【予備審査請求】未請求
(21)【出願番号】P 2023563093
(86)(22)【出願日】2022-04-13
(85)【翻訳文提出日】2023-10-13
(86)【国際出願番号】 EP2022059871
(87)【国際公開番号】W WO2022219042
(87)【国際公開日】2022-10-20
(31)【優先権主張番号】21168362.8
(32)【優先日】2021-04-14
(33)【優先権主張国・地域又は機関】EP
(81)【指定国・地域】
(71)【出願人】
【識別番号】501205108
【氏名又は名称】エフ ホフマン－ラ ロッシュ アクチェン ゲゼルシャフト
(74)【代理人】
【識別番号】110001896
【氏名又は名称】弁理士法人朝日奈特許事務所
(72)【発明者】
【氏名】アデルベルガー、ダニエル
(72)【発明者】
【氏名】デル レ、ルイジ
(72)【発明者】
【氏名】ライテラー、フロリアン
(72)【発明者】
【氏名】リンゲマン、クリスチャン
(72)【発明者】
【氏名】シュラングル、パトリック
【テーマコード（参考）】
5L099
【Ｆターム（参考）】
5L099AA15
(57)【要約】
食後血糖値予測のための方法及び手段。
本発明は、血糖値を予測するための、特に食後血糖値予測のための方法（１００）であって、本方法が、コンピュータ実装され、かつ、時間範囲をカバーする患者の第１の医療データセットを受信すること（１０１）であって、前記第１の医療データセットが、前記患者のグルコースデータ及びさらなる他の医療データを含む、第１の医療データセットを受信すること（１０１）と、前記第１の医療データセットから第２の医療データセットを抽出すること（１０２）であって、第２の医療データセットが、第１の医療データセットのサブセットであり、抽出することが、第１の医療データセット内の重複を識別（１０３）し、識別された重複を除去すること、所定の最大閾値データ値を上回るデータ値を識別（１０４）するか、又は所定の最小閾値データ値を下回るデータ値を識別（１０５）し、前記識別されたデータ値に関連付けられたデータを除去すること、所定の期待データ値と所定量を超えて異なるデータ値を識別（１０６）し、前記識別されたデータ値に関連付けられたデータを除去すること、データ値が欠落している不完全なデータを識別（１０７）し、識別された不完全なデータを除去すること、少なくとも１つの所定の時間依存性データパターンを識別（１０８）し、前記識別された時間依存性データパターンに関連付けられたデータを除去すること、のうちの少なくとも１つを含む、第２の医療データセットを抽出すること（１０２）と、抽出された第２の医療データセットを血糖値予測モデルへの入力として提供すること（１０９）と、第２の医療データセットに基づく血糖値予測モデルの出力を用いて、患者の将来の血糖値を予測すること（１１０）と、を含む、方法（１００）に関する。
本発明は、血糖値を予測するための、特に食後血糖値予測のための方法（１００）であって、本方法が、コンピュータ実装され、かつ、時間範囲をカバーする患者の第１の医療データセットを受信すること（１０１）であって、前記第１の医療データセットが、前記患者のグルコースデータ及びさらなる他の医療データを含む、第１の医療データセットを受信すること（１０１）と、前記第１の医療データセットから第２の医療データセットを抽出すること（１０２）であって、第２の医療データセットが、第１の医療データセットのサブセットであり、抽出することが、第１の医療データセット内の重複を識別（１０３）し、識別された重複を除去すること、所定の最大閾値データ値を上回るデータ値を識別（１０４）するか、又は所定の最小閾値データ値を下回るデータ値を識別（１０５）し、前記識別されたデータ値に関連付けられたデータを除去すること、所定の期待データ値と所定量を超えて異なるデータ値を識別（１０６）し、前記識別されたデータ値に関連付けられたデータを除去すること、データ値が欠落している不完全なデータを識別（１０７）し、識別された不完全なデータを除去すること、少なくとも１つの所定の時間依存性データパターンを識別（１０８）し、前記識別された時間依存性データパターンに関連付けられたデータを除去すること、のうちの少なくとも１つを含む、第２の医療データセットを抽出すること（１０２）と、抽出された第２の医療データセットを血糖値予測モデルへの入力として提供すること（１０９）と、第２の医療データセットに基づく血糖値予測モデルの出力を用いて、患者の将来の血糖値を予測すること（１１０）と、を含む、方法（１００）に関する。
【特許請求の範囲】
【請求項1】
血糖値を予測するための、特に食後血糖値予測のための方法（１００）であって、前記方法が、コンピュータ実装され、並びに時間範囲をカバーする患者の第１の医療データセットを受信すること（１０１）であって、前記第１の医療データセットが、前記患者のグルコースデータ及びさらなる他の医療データを含む、第１の医療データセットを受信すること（１０１）と、
前記第１の医療データセットから第２の医療データセットを抽出すること（１０２）であって、前記第２の医療データセットが、前記第１の医療データセットのサブセットであり、前記抽出することが、
前記第１の医療データセット内の重複を識別（１０３）し、識別された重複を除去すること、
所定の最大閾値データ値を上回るデータ値を識別（１０４）するか、又は所定の最小閾値データ値を下回るデータ値を識別（１０５）し、識別されたデータ値に関連付けられたデータを除去すること、
所定の期待データ値と所定量を超えて異なるデータ値を識別（１０６）し、識別されたデータ値に関連付けられたデータを除去すること、
データ値が欠落している不完全なデータを識別（１０７）し、識別された不完全なデータを除去すること、
少なくとも１つの所定の時間依存性データパターンを識別（１０８）し、識別された時間依存性データパターンに関連付けられたデータを除去すること
のうちの少なくとも１つを含む、第２の医療データセットを抽出すること（１０２）と、
抽出された第２の医療データセットを血糖値予測モデルへの入力として提供すること（１０９）と、
前記第２の医療データセットに基づく前記血糖値予測モデルの出力を用いて、前記患者の将来の血糖値を予測すること（１１０）と
を含む、方法（１００）。
【請求項2】
前記患者の前記さらなる他の医療データが、食事摂取、例えば食事摂取からの炭水化物の量に関するデータ、又は薬物に関するデータ、例えばインスリン注射に関するデータ、及び／又は他の分析物データのうちの少なくとも１つを含む、請求項１に記載の方法（１００）。
【請求項3】
前記第１の医療データセット内の重複を識別することが、前記重複が所定の短い時間間隔未満、例えば５分未満の時間内にあるかどうかを確認することに基づく、請求項１又は２に記載の方法（１００）。
【請求項4】
所定の最大閾値データ値を上回るデータ値を識別することが、前記患者の以前に記録された医療データセットの統計分析から導出された所定の最大閾値データ値に基づく、請求項１から３のいずれか一項に記載の方法（１００）。
【請求項5】
前記所定の最大閾値データ値が、特定のデータタイプ、例えば炭水化物の量及び／又はインスリンの量のすべての利用可能なデータ値の７５％四分位を上回る四分位範囲を決定することに基づく、請求項４に記載の方法（１００）。
【請求項6】
前記抽出された第２の医療データセットを血糖値予測モデルへの入力として提供することが、前記第２の医療データセットにおいて、少なくとも１つのデータセグメントを識別することを含み、前記データセグメントが、少なくとも最小時間範囲、例えば少なくとも３０分をカバーする、前記抽出された第２の医療データセットの複数のデータポイントのサブセットである、請求項１から５のいずれか一項に記載の方法（１００）。
【請求項7】
所定の期待データ値と所定量を超えて異なるデータ値を識別することが、記録されたボーラスインスリン量が期待ボーラスインスリン量と所定量を超えて、例えば１０、２０、又は４０％を超えて異なるかどうかを確認することを含む、請求項１から６のいずれか一項に記載の方法（１００）。
【請求項8】
少なくとも１つの所定の時間依存性データパターンを識別し、前記識別された時間依存性データパターンに関連付けられたデータを除去することが、グルコースレベルの無効な上昇を検出することを含む、請求項１から７のいずれか一項に記載の方法（１００）。
【請求項9】
前記抽出された第２の医療データセットを血糖値予測モデルへの入力として提供すること（１０９）が、前記抽出された第２の医療データセットを、血糖値予測モデルアルゴリズム、例えばニューラルネットワークアルゴリズムに対する訓練データセットとして提供することと、前記抽出された第２の医療データセットを用いて前記血糖値予測モデルアルゴリズムを訓練することと、を含み、及び／又は、前記血糖値予測モデルが、Ｋｉｒｃｈｓｔｅｉｇｅｒモデルに基づく、請求項１から８のいずれか一項に記載の方法（１００）。
【請求項10】
将来の血糖値の取得された予測が患者に表示され、及び／又は、将来の血糖値の取得された予測に基づいて、投与されるべきインスリンの推奨投与量が患者に表示され、及び／又は、将来の血糖値の取得された予測に基づいて、推奨投与量のインスリンがインスリンポンプの自動制御を介して自動的に投与される、請求項１から９のいずれか一項に記載の方法（１００）。
【請求項11】
コンピューティングシステムであって、コンピュータメモリと、
１つ又は複数のプロセッサと、ディスプレイと
を備え、
前記コンピューティングシステムが、患者の第１の医療データセットを受信するように構成され、
前記コンピュータメモリが、コンピュータ実行可能命令を含み、前記コンピュータ実行可能命令が、前記１つ又は複数のプロセッサによって実行されると、前記１つ又は複数のプロセッサに、血糖値を予測するための請求項１から１０のいずれか一項に記載の方法（１００）を実行させる、コンピューティングシステム。
【請求項12】
前記コンピューティングシステムが、次のタイプ、すなわち、コンピュータサーバ、パーソナルコンピュータ、又はモバイル・コンピューティング・システム、例えばスマートフォン、タブレット、若しくはラップトップのうちの１つである、請求項１１に記載のコンピューティングシステム。
【請求項13】
グルコース監視システムであって、患者のグルコースデータを取得するためのセンサと、
コンピュータメモリと、１つ又は複数のプロセッサと、ディスプレイと
を備え、
前記コンピュータメモリが、コンピュータ実行可能命令を含み、前記コンピュータ実行可能命令が、前記１つ又は複数のプロセッサによって実行されると、前記１つ又は複数のプロセッサに、血糖値を予測するための請求項１から１０のいずれか一項に記載の方法（１００）を実行させる、グルコース監視システム。
【請求項14】
インスリンポンプをさらに備え、前記グルコース監視システムが、特に前記インスリンポンプによって投与され得るインスリンの投与量を制御するために、前記インスリンポンプを制御するようにさらに構成され、前記グルコース監視システムが、将来の血糖値の取得された予測に基づいて投与されるべきインスリンの推奨投与量を決定するように構成される、請求項１３に記載のグルコース監視システム。
【請求項15】
コンピュータシステムによって実行されると、血糖値を予測するための請求項１から１０のいずれか一項に記載の方法（１００）を実行するコンピュータ実行可能命令を記憶するための、コンピュータ可読記憶媒体。
【発明の詳細な説明】
【技術分野】
【0001】
技術水準
本発明は、血糖値を監視、制御及び予測するための、特に食後血糖値予測のための方法及び手段に関する。
本発明は、血糖値を監視、制御及び予測するための、特に食後血糖値予測のための方法及び手段に関する。
【背景技術】
【0002】
１型糖尿病（Ｔ１ＤＭ）を有する患者は、慢性的に上昇した血糖（ＢＧ）値の長期的影響を緩和するためにインスリン注射を必要とする。しかしながら、インスリンが多すぎると、潜在的に生命を脅かす状況である低血糖につながる。好適な量のインスリンを注射することによるＢＧ値の管理は、特にＢＧ動態の日差変動が大きく、ＢＧ値に影響を及ぼす無数の要因があるため、糖尿病患者にとって困難な作業であり、かなりの負担である。したがって、患者がＢＧ値を管理するのを助けるスマート制御アルゴリズムの設計は、制御エンジニアを既に何年も忙しい状態に保っている。
【0003】
これらの研究努力は、例えば、低血糖又は高血糖を妨げることについて患者に警告することによって、決定支援システムを介してインスリン投与アドバイスを与えることによって、又は人工膵臓を介して閉ループ血糖制御を提供することによって、患者の血糖値の制御を支援するための多数のアルゴリズムの設計をもたらした。
【0004】
ほとんどのこれらのアルゴリズムは、将来のＢＧ値の予測のための数学的モデルに中核を置いている。この目的のために、多種多様なモデルが提案されている。典型的には、これらは、生理学的モデル又は患者データに基づくモデルのいずれかに分類され得る。患者データに基づくモデルは、生理学的モデルよりもパラメータ化／個別化がはるかに容易であるので、現在の研究の焦点である。
【0005】
しかしながら、残念なことに、生理学的モデル又は患者データに基づくモデルなどの将来のＢＧ値の予測のためのモデルは、例えば、明確に定義された時間に明確に定義された食事摂取の厳密なレジメンを用い、明確に定義されたインスリン注射時間に明確に定義されたインスリン投与量を用いた臨床状況など、非常に特別に制限された十分に制御された状況下でのみ、将来のＢＧ値の予測のための信頼性のある正確な結果を提供することができることが分かっている。
【0006】
より実用的で現実的な状況において、すなわち、任意の制御された臨床環境の外側又は任意の医療行為環境の外側での患者の実際の生活における日常のルーチン中に、患者データに基づくモデルアプローチを使用して患者の将来のＢＧ値のロバストで信頼性のある予測又は推定を得ることは非常に困難であることが分かっている。
【発明の概要】
【発明が解決しようとする課題】
【0007】
課題
したがって、本発明の目的は、患者の将来の血糖値のよりロバストで、より正確で、より信頼性の高い予測を得るための方法及び手段を提供することである。さらに、本発明の目的は、患者データに基づくモデル又は生理学的モデルアプローチを使用する際の血糖値の全体的な挙動を記述するためのより信頼性の高いモデルを識別し、取得することである。
したがって、本発明の目的は、患者の将来の血糖値のよりロバストで、より正確で、より信頼性の高い予測を得るための方法及び手段を提供することである。さらに、本発明の目的は、患者データに基づくモデル又は生理学的モデルアプローチを使用する際の血糖値の全体的な挙動を記述するためのより信頼性の高いモデルを識別し、取得することである。
【0008】
特に、制御された臨床状況の外側での患者の日常のルーチン中に収集された医療患者データを使用する場合に、患者データに基づくモデルアプローチを使用する際に、患者の将来の血糖値のよりロバストで、より正確で、より信頼性の高い予測を得るための方法及び手段を提供することが目的である。
【0009】
さらに、本発明の目的は、将来の血糖値を予測するための患者データに基づくモデルの取得された出力に基づいて、血糖値を監視、管理及び制御するための改善された手段を患者に提供することである。
【課題を解決するための手段】
【0010】
解決手段
本発明によれば、前記目的は、独立請求項に記載のコンピュータ実装方法、コンピュータシステム、コンピュータ記憶媒体、及び医療機器によって達成される。
本発明によれば、前記目的は、独立請求項に記載のコンピュータ実装方法、コンピュータシステム、コンピュータ記憶媒体、及び医療機器によって達成される。
【0011】
例えば、将来の血糖値を予測するための、特に食後血糖値予測のための方法は、コンピュータ実装方法であり得、１つ、いくつか、又はすべての以下の例示的な可能なステップ：
● 時間範囲をカバーする患者の第１の医療データセットを受信することであって、前記第１の医療データセットが、前記患者のグルコースデータ及びさらなる他の医療データを含む、第１の医療データセットを受信することと、
● 前記第１の医療データセットから第２の医療データセットを抽出することであって、第２の医療データセットが、第１の医療データセットのサブセットであり、抽出することが、
● 第１の医療データセット内の重複を識別し、識別された重複を除去すること、
● 所定の最大閾値データ値を上回るデータ値を識別し、前記識別されたデータ値に関連付けられたデータを除去すること、
● 所定の最小閾値データ値を下回るデータ値を識別し、前記識別されたデータ値に関連付けられたデータを除去すること、
● 所定の期待データ値と所定量を超えて異なるデータ値を識別し、前記識別されたデータ値に関連付けられたデータを除去すること、
● データ値が欠落している不完全なデータを識別し、識別された不完全なデータを除去すること、
● 少なくとも１つの所定の時間依存性データパターンを識別し、前記識別された時間依存性データパターンに関連付けられたデータを除去すること
のうちの少なくとも１つを含む、第２の医療データセットを抽出することと、
● 抽出された第２の医療データセットを血糖値予測モデル又は血糖値予測モデルアルゴリズムへの入力として提供することと、
● 第２の医療データセットに基づく血糖値予測モデル又は血糖値予測モデルアルゴリズムの出力を用いて、患者の将来の血糖値を予測することと
を含んでもよい。
● 時間範囲をカバーする患者の第１の医療データセットを受信することであって、前記第１の医療データセットが、前記患者のグルコースデータ及びさらなる他の医療データを含む、第１の医療データセットを受信することと、
● 前記第１の医療データセットから第２の医療データセットを抽出することであって、第２の医療データセットが、第１の医療データセットのサブセットであり、抽出することが、
● 第１の医療データセット内の重複を識別し、識別された重複を除去すること、
● 所定の最大閾値データ値を上回るデータ値を識別し、前記識別されたデータ値に関連付けられたデータを除去すること、
● 所定の最小閾値データ値を下回るデータ値を識別し、前記識別されたデータ値に関連付けられたデータを除去すること、
● 所定の期待データ値と所定量を超えて異なるデータ値を識別し、前記識別されたデータ値に関連付けられたデータを除去すること、
● データ値が欠落している不完全なデータを識別し、識別された不完全なデータを除去すること、
● 少なくとも１つの所定の時間依存性データパターンを識別し、前記識別された時間依存性データパターンに関連付けられたデータを除去すること
のうちの少なくとも１つを含む、第２の医療データセットを抽出することと、
● 抽出された第２の医療データセットを血糖値予測モデル又は血糖値予測モデルアルゴリズムへの入力として提供することと、
● 第２の医療データセットに基づく血糖値予測モデル又は血糖値予測モデルアルゴリズムの出力を用いて、患者の将来の血糖値を予測することと
を含んでもよい。
【0012】
本明細書では、血糖値予測モデルは、特に、患者データに基づく血糖値予測モデルであるとして、又は生理学的予測モデルとして理解され得る。
【0013】
第１の医療データセットの前記例示的なグルコースデータは、一定の間隔で又は予定された時間に患者の血液又は間質液グルコース値を測定／記録しているグルコース監視システムに由来してもよい。
【0014】
本明細書において、グルコースデータという用語は、患者の間質液中で測定されたグルコースデータ及び／又は患者の血液中で測定されたグルコースデータ、すなわち血糖データを含むものとして理解され得る。グルコースレベルという用語はまた、間質液中のグルコースのグルコースレベル及び／又は血液中のグルコースレベル、すなわち血糖値を含むものとして理解され得る。
【0015】
抽出された第２の医療データセットを血糖値予測モデルへの入力として提供する例示的なステップは、とりわけ、抽出された第２の医療データセットを、血糖値予測モデルアルゴリズム、例えばニューラルネットワークアルゴリズムに対する訓練データセットとして提供することと、抽出された第２の医療データセットを用いて血糖値予測モデルアルゴリズムを訓練することと、を含み得る。
【0016】
例えば、訓練データセットとしての抽出された第２の医療データに基づいて、血糖値予測モデルアルゴリズムは、最良の血糖値予測モデルを識別するように、かつ／又は血糖値予測モデルの最良のパラメータ及び／若しくは最良のパラメータ値を識別するように訓練され得る。
【0017】
本明細書では、さらなる他の医療データは、食事摂取に関するデータ、例えば食事摂取（複数可）の／食事摂取（複数可）からの炭水化物の量、薬物に関するデータ、例えばインスリン注射に関するデータ、又は測定若しくは記録されたインスリンレベル、例えば記録されたボーラスインスリン注射の回数／量若しくは現在のインスリンレベル、心拍数、血圧、ホルモン状態／ホルモンのレベル、心理状態、酸素飽和度、他の分析物データ（すなわち、グルコースデータ／ＢＧ以外のさらなる生理学的データ、例えばヘモグロビンレベルなどの他の血液分析物データ）、又は医学的に関心のある任意の他のデータを指すものとして理解され得る。
【0018】
本明細書では、時間範囲をカバーする医療データセットという用語は、とりわけ、各データエンティティ又は各データタイプ、例えば血糖値又はグルコースレベルを、時点に関連付けることができ、例えばタイムスタンプでマークすることができるように、時間的に順序付けされ得るデータセットとして理解され得る。
【0019】
医療データセット（複数可）は、例示的な電子フォーマットとされ得、例えば、第１及び第２の医療データセットは、行ベースのテーブルフォーマットで構成され得、各行又は各行インデックスは、時点に対応し、各行は、特定の医療データエンティティ又はタイプの値、例えばグルコースレベル値又は血糖値についての少なくとも１つのエントリを含み、各列は、異なる又は別個のデータエンティティ又はデータタイプ、例えばグルコースレベル又は血糖値、時間、食事の種類、食事摂取の炭水化物の量、ボーラスインスリン注射の量、ホルモンのレベル、又は医学的に関心のある他のデータエンティティ若しくはデータタイプを表す。
【0020】
しかしながら、医療データセットは列ベースのフォーマットでも構成され得、各列又は各列インデックスは時点に対応することも考えられる。
【0021】
データ又は医療データという用語は、とりわけ、データエンティティ及び／又はデータタイプ及び／又はデータ値及び／又はデータポイントを含むものとして理解され得る。
【0022】
例示的な第１の医療データセットは、医療センサから自動的に取得されたデータと、患者／ユーザによって手動で入力されたデータとのハイブリッドデータセットであってもよい。
【0023】
データを除去するという用語は、とりわけ、任意の関連付けられたデータ値を含むデータを除去することを含む、１つの／前記第１の医療データセットからデータを除去するものとして理解され得る。
【0024】
前記可能なデータエンティティ又はデータタイプ又はデータ値のデータフォーマットは、とりわけ、数値型、例えば浮動小数点型又は固定小数点型又は整数型、文字列又はテキスト型、例えば文字又は文字列、ブール型、又は複合型、例えばアレイ、ベクトルなどの他の型を含み得る。
【0025】
本明細書では、抽出という用語は、選択又は生成又はフィルタリングを指すものとして理解され得、識別という用語は、確認又は探索又は走査を指すものとして理解され得る。
【0026】
第１の医療データセット内の重複を識別し、任意の識別された重複を除去する例示的なステップは、識別された重複のすべての出現の除去を含むものとして理解され得、すなわち、識別された重複に関連する又は関連付けられたすべてのデータが除去され得る。
【0027】
しかしながら、識別された重複のデータの１つの一意の出現／１つの一意のエントリが保持されることも可能である。例えば、第１の医療データセットに２つの同一のエントリ、例えば２つの同一の行が出現する場合、１つのエントリ／１つの行のみがデータセットから除去され、識別された重複（複数可）に関連付けられた１つのエントリ／１つの行が保持される。
【0028】
前記例示的な第１の医療データセットは、有効な複数の同一のエントリ／有効な重複、例えば、異なる時間に、すなわち異なる時間インデックスで／異なる時間インデックスを有する同じデータ及び同じ／同一のデータ値を有するエントリを含むことが考えられるが、例えば、患者は異なる時間に全く同じ食事をとる可能性があるため、疑わしい又は異常な二重エントリ又は重複は、そのような同一のエントリが短い時間間隔内に、又はさらには同時に、例えば同じタイムスタンプを有する場合に出現したものとして記録されているかどうかを確認することによって識別され得る。
【0029】
例えば、食事摂取からの炭水化物の量について等しい値を有する複数のエントリの場合、及び／又は注射されたインスリンの量について等しい値を有する複数のエントリの場合であって、そのようなエントリが、所定の短い時間間隔未満、例えば５分未満の時間内にある／記録されている場合、前記エントリは、第１の医療データセット内の重複を識別する例示的なステップ中に疑わしい又は異常としてマークされ得、その後、前記例示的な第１の医療データセットから除去され得る。
【0030】
所定の最大閾値データ値を上回るデータ値を識別する例示的なステップは、患者の以前に記録された医療データセットの統計分析から導出された所定の最大閾値データ値に基づき得る。
【0031】
例えば、第１の医療データセットのいくつかのデータ／データ値は、非現実的な大量の炭水化物摂取（複数可）及び／又は非現実的な大量のインスリン入力を示し得る。
【0032】
例えば、特定の閾値よりも大きい／高い値を有する炭水化物及びボーラスインスリンの摂取は、データにおいて疑わしいとしてマークされ得、第１の医療データから除去され得る。
【0033】
例示的な最大閾値データ値は、例えば、特定の患者のすべての炭水化物及び／又はインスリン値の７５％四分位（第３の四分位）を上回る四分位範囲の１．５倍として計算／定義され得、値は過去の患者記録から取得され得る。
【0034】
この特定の最大閾値データ値は例示的なものにすぎず、他の範囲／限界及び／又は他のデータ、例えば心拍数又は他の分析物データを使用して、基礎データを第１の医療データセットから除去することができる最大閾値データ値を導出することができる。
【0035】
換言すれば、所定の最大閾値データ値は、患者についての任意の以前／履歴的に記録されたデータ値を含む特定のデータタイプのすべての利用可能なデータ値の７５％四分位を上回る四分位範囲を決定することに基づき得る。
【0036】
所定の最小閾値データ値を下回るデータ値を識別する例示的なステップも、患者の以前に記録された医療データセットの統計分析から導出された所定の最小閾値データ値に基づき得る。例えば、例示的な最小閾値データ値は、特定の患者のすべての炭水化物及び／又はインスリン値の２５％四分位（第１の四分位）を下回る四分位範囲の１．５倍として計算／定義され得、前記例示的な最小閾値データ値が負ではない、すなわちゼロ以上であることを要求する。ここでも、前記最小閾値データ値は例示的なものにすぎず、他の範囲／限界及び／又は他のデータ、例えば心拍数又は他の分析物データを使用して、基礎データを第１の医療データセットから除去することができる最小閾値データ値を導出することができる。
【0037】
換言すれば、所定の最小閾値データ値は、患者についての任意の以前／履歴的に記録されたデータ値を含む特定のデータタイプのすべての利用可能なデータ値の２５％四分位を下回る四分位範囲を決定することに基づき得る。
【0038】
とりわけ、第１の医療データセット内のエラーを示し得る任意の負のデータ／負のデータ値を除外するために、例示的な所定の最小閾値データ値をゼロに設定することも可能である。
【0039】
所定の期待データ値から所定量を超えて異なるデータ値を識別し、前記識別されたデータ値に関連付けられたデータを除去する例示的なステップは、例えば、非現実的な／疑わしい炭水化物対インスリン比を確認することを含み得る。
【0040】
例えば、非現実的な／疑わしい炭水化物対インスリン比のそのような確認の基礎は、以下の式：
に従って計算され得る、期待注射ボーラスインスリン量、ＢＩexpectedの推定値であり得、ここで、ＣＨＯは、食事の炭水化物含有量又は食事摂取の炭水化物の量であり、
△Ｇは、グルコース監視システムによって、例えば連続グルコース監視システム（ＣＧＭ）によって測定／記録された、グルコース値又は血糖値、ＢＧCGMの、公称目標グルコース値又は血糖値、ＢＧtarget、例えば１１０ｍｇ／ｄｌに設定されたＢＧtargetからの偏差であり、すなわち△Ｇ＝ＢＧCGM－ＢＧtargetである。
△Ｇは、グルコース監視システムによって、例えば連続グルコース監視システム（ＣＧＭ）によって測定／記録された、グルコース値又は血糖値、ＢＧCGMの、公称目標グルコース値又は血糖値、ＢＧtarget、例えば１１０ｍｇ／ｄｌに設定されたＢＧtargetからの偏差であり、すなわち△Ｇ＝ＢＧCGM－ＢＧtargetである。
【0041】
例えば、所定の期待データ値から所定量を超えて異なるデータ値を識別することは、記録されたボーラスインスリン量が期待ボーラスインスリン量から所定量を超えて、例えば１０、２０、又は４０％を超えて異なるかどうかを確認することを含み得る。
【0042】
本明細書では、連続グルコース監視システム（ＣＧＭ）という用語は、一定の間隔で又は予定された時間に患者のグルコース値、例えば血糖値及び／又は間質グルコース値を測定／記録しているグルコース監視システムを指すものとして理解され得、患者のグルコースレベルが測定／記録され得る頻度は、１時間当たり最大１２回の測定、すなわち５分のサンプリング時間ＴSであり得、又は頻度は、例えば毎分若しくはさらには１分未満のサンプリング時間であってもより高いものであり得る。
【0043】
これらの測定は、例えば、グルコース監視システムの一部として患者に埋め込まれた経皮センサによって行われてもよい。
【0044】
さらに、ＣＩＲは、例えば、患者自身によって、又は医師の助けを借りて設定された患者固有の炭水化物対インスリン比の値又は因子であり、ＩＳＦは、例えば、これもまた患者自身によって、又は医師の助けを借りて設定され得る患者固有のインスリン感受性因子である。
【0045】
患者は、それらの特定のボーラスインスリン注射の必要性を計算するために前記ＣＩＲ及びＩＳＦ値に依存し得る。
【0046】
上記の例示的に定義された期待ボーラスインスリン量ＢＩexpectedは、２つの比ＣＨＯ／ＣＩＲ及び△Ｇ／ＩＳＦに依存する。前記比のいずれか１つの異常な偏差は、測定／記録された注射ボーラスインスリン量ＢＩ値に反映され得る。
【0047】
上記の識別された例示的なパラメータを用いて、測定／記録されたＢＩ値が所定の期待注射ボーラスインスリン量又は値から所定の量又は値を超えて異なる場合、第１の医療データセットのデータ又はデータポイント又はデータサブセット又はデータセグメントは、疑わしい／異常として識別／マークされ得る。
【0048】
例えば、測定／記録されたＢＩ値が期待値ＢＩexpectedから１０、２０、又は４０％を超えて異なる場合、第１の医療データセットのデータ又はデータポイント又はデータサブセット又はデータセグメントを、除去のためにマークすることができる。
【0049】
例えば、第１の医療データセットの測定／記録されたＢＩ値が以下の境界：
の外側にあるかどうかを確認することができる。ｌは下限を設定するための因子であり、ｕは上限を設定するための因子であり、ｌ＜ｕである。例えば、期待値ＢＩexpectedから４０％を超えて異なる測定／記録されたＢＩ値を有するデータを第１の医療データセットから除去すべきであると要求する場合、ｌは０．６に設定されてもよく、ｕは１．４に設定されてもよい。
【0050】
データ値が欠落している不完全なデータを識別し、識別された不完全なデータを第１の医療データセットから除去するステップは、とりわけ、データの欠落した時間／欠落したタイムスタンプを確認すること、及び／又は誤ったデータフォーマット、例えば、期待される浮動小数点又は整数値の代わりに文字列が出現することを確認することを含み得、かつ／又は期待されるデータエンティティ又はデータタイプの欠落したデータ値を確認することを含み得る。
【0051】
少なくとも１つの所定の時間依存性データパターンを識別し、前記識別された時間依存性データパターンに関連付けられたデータを除去するステップは、例えば、経時的な特定のデータ値の任意の説明不能な又は無効な上昇又は下降を確認することを含み得る。
【0052】
換言すれば、経時的な特定のデータ値の予期せぬ又は説明不能な又は無効な上昇又は下降は、所定の時間依存性データパターンとして、又は第１の医療データセットのサブセットにおける異常な時間的シグネチャとしてみなされ得る。
【0053】
例えば、食事摂取に関連付けられることができない、グルコース監視システム／装置からのデータ、例えば連続グルコース監視システム／装置、ＣＧＭによって記録／測定されたデータにおけるグルコースレベル又は血糖値の無効な上昇（それ自体が、不完全なデータセット／不完全なデータエントリの表示でもあり得る）を識別／検出することは、以下の例示的なコンピュータ実行可能な方法及び基準を使用して検出／識別され得る：
● フィルタを使用して、例えばフィルタパラメータｄ及びｗを有するＳａｖｉｔｚｋｙ－Ｇｏｌａｙ－Ｆｉｌｔｅｒ（ＳＧＦ）を使用して、第１の医療データセット、特にグルコースレベル又は血糖値に関するデータ、例えばグルコース監視システム／装置からの時間依存性データをフィルタリングすることであって、フィルタパラメータｄが多項式次数を指し、フィルタパラメータｗがＳａｖｉｔｚｋｙ－Ｇｏｌａｙ－Ｆｉｌｔｅｒのウィンドウサイズを指す、フィルタリングすること。
これにより、グルコースレベル又は血糖値のフィルタリングされた時間信号ｙ（ｔ）を取得することができる。
● フィルタリングされた信号ｙ（ｔ）のすべての最小値及び最大値を検出すること。
● フィルタリングされた信号ｙ（ｔ）の各立上りセグメントについて、例えばフィルタリングされた信号ｙ（ｔ）の次の最大値までの各最小値について、以下のステップを実行することができる。
ａ）以下の時点を識別すること
ｔmin：ｙ（ｔ）において極小値が出現する時間
ｔmax：ｔminの後に、ｙ（ｔ）において次の極大値が出現する時間
ｔ1：ｙ（ｔ）の一次導関数である
が、間隔［ｔmin、ｔmax］において最大値を有する時間
ｔ2：ｙ（ｔ）の二次導関数である
が、間隔［ｔmin、ｔmax］において最大値を有する時間
ｔstart＝ｔmin－△Ｔであり、式中、△Ｔは時間シフトである
ｔend＝ｔ2＋△Ｔ
ｂ）極大値の時間と極小値の時間との間のグルコースレベル／血糖値の差である△ｙ＝ｙ（ｔmax）－ｙ（ｔmin）を決定すること。
ｃ）以下の条件
（式中、ｃ（ｔ）は、所与の時間における食事摂取からの炭水化物の量についての対応するデータ値を示し、すなわち、時間依存性炭水化物入力信号を示し、△ｙminは、グルコースレベル／血糖値の最小上昇についての閾値を示し、
は、グルコースレベル／血糖値の変化についての変化率閾値を示す）
が満たされるかどうかを決定すること。
● フィルタを使用して、例えばフィルタパラメータｄ及びｗを有するＳａｖｉｔｚｋｙ－Ｇｏｌａｙ－Ｆｉｌｔｅｒ（ＳＧＦ）を使用して、第１の医療データセット、特にグルコースレベル又は血糖値に関するデータ、例えばグルコース監視システム／装置からの時間依存性データをフィルタリングすることであって、フィルタパラメータｄが多項式次数を指し、フィルタパラメータｗがＳａｖｉｔｚｋｙ－Ｇｏｌａｙ－Ｆｉｌｔｅｒのウィンドウサイズを指す、フィルタリングすること。
これにより、グルコースレベル又は血糖値のフィルタリングされた時間信号ｙ（ｔ）を取得することができる。
● フィルタリングされた信号ｙ（ｔ）のすべての最小値及び最大値を検出すること。
● フィルタリングされた信号ｙ（ｔ）の各立上りセグメントについて、例えばフィルタリングされた信号ｙ（ｔ）の次の最大値までの各最小値について、以下のステップを実行することができる。
ａ）以下の時点を識別すること
ｔmin：ｙ（ｔ）において極小値が出現する時間
ｔmax：ｔminの後に、ｙ（ｔ）において次の極大値が出現する時間
ｔ1：ｙ（ｔ）の一次導関数である
ｔ2：ｙ（ｔ）の二次導関数である
ｔstart＝ｔmin－△Ｔであり、式中、△Ｔは時間シフトである
ｔend＝ｔ2＋△Ｔ
ｂ）極大値の時間と極小値の時間との間のグルコースレベル／血糖値の差である△ｙ＝ｙ（ｔmax）－ｙ（ｔmin）を決定すること。
ｃ）以下の条件
が満たされるかどうかを決定すること。
【0054】
前記条件が満たされる場合、時間間隔［ｔmin、ｔmax］は、グルコースレベル又は血糖（ＢＧ）値の無効な上昇とみなされ得、その無効な上昇に関連付けられたデータ又はデータセグメントは、疑わしいとしてマークされ得、第１の医療データセットから除去され得る。
【0055】
グルコースレベル／血糖（ＢＧ）値の異常な又は疑わしい又は無効な上昇などの所定の時間依存性データパターンを識別するためにＳａｖｉｔｚｋｙ－Ｇｏｌａｙ－Ｆｉｌｔｅｒ（ＳＧＦ）を使用する上記の例示的な可能なステップの例示的なパラメータ及び例示的なパラメータ値を、以下の表Ｉに列挙する。
【0056】
不完全又は誤った又は無効なデータ又はデータポイント又はデータセグメントを検出するための上記の例示的な規則及び基準のセットに加えて、さらに、最良の血糖値予測モデルパラメータ／パラメータ値の識別／決定を容易にするために、血糖値予測モデルに入力される開始点又はデータセグメントとして特によく適している第１の医療データセット又は第２の医療データセットにおけるデータ又はデータポイント又はデータセグメントを識別するために確認が実行され得る。
【0057】
例えば、第１の医療データセット又は第２の医療データセットにおける好適な有効な開始点は、適切な量のボーラスインスリン、例えば無効又は疑わしいとしてマークされておらず、例えば上記でさらに記載されたような期待注射量のボーラスインスリンと一致する量のボーラスインスリンの同時注射を伴う、所定の最小量の炭水化物、例えば少なくとも２０ｇの炭水化物の食事摂取として識別され得る。
【0058】
血糖値予測モデルのパラメータの最良適合モデルパラメータ値を導出することができる基礎となる好適なデータセグメントは、有効な開始点から始まり、疑わしいとしてマークされたデータポイント、又は第１の医療データセットにおける穴又はギャップ、例えば所定の期間よりも長い、例えば３０分よりも長いギャップの前の最後のデータポイントで終わることによって定義され得る。データポイントが除去され得る、疑わしいとしてマークされたデータポイントでセグメントが終了する場合、前記疑わしいデータポイントの前の最後のデータポイントは、データセグメントの終了をマークするために使用され得る。
【0059】
加えて、又は代替として、有効なデータセグメントの終了は、次の有効な開始点のマーカーを識別することによって定義され得、又は有効なデータセグメントの終了は、データセグメントの開始後の所定の期間の経過、例えばデータセグメントの最初の点の２時間後によって定義され得、どちらが先に起こり得るかを問わない。
【0060】
最良の血糖値予測モデルパラメータ／パラメータ値を識別するための第１の医療データセット又は第２の医療データセットのデータセグメントの使用をさらに容易にするために、第１の医療データのデータセグメントの識別／選択のために最小長さ／最小期間を設定することができる。
【0061】
例えば、抽出された第２の医療データセットを血糖値予測モデルデータへの入力として提供するステップは、第２の医療データセットにおいて、少なくとも１つのデータセグメントを識別することを含み得、データセグメントは、少なくとも最小時間範囲をカバーする、抽出された第２の医療データセットの複数のデータポイントのサブセットである。
【0062】
例えば、データセグメントは少なくとも３０分の長さでなければならないと定義／要求され得る。
【0063】
上記の例示的な第２の医療データセットは、上記の例示的な方法、基準、又は規則のいずれかに従って、第１の医療データセットからデータを除去することによって、第１の医療データセットから導出され得る。
【0064】
加えて、又は代替として、上記の例示的な第２の医療データセットは、上記の例示的な方法、基準、又は規則のいずれかに従って、第１の医療データセットから有効なデータセグメントを抽出することによって、第１の医療データセットから導出／生成され得る。
【0065】
さらに、第２の医療データセットが前記第１の医療データセットから導出されると、第２の医療データセットは、例えば、朝食、昼食及び夕食の時間などの食事の時間に関連付けられた３つの異なる部分に第２の医療データセットを分割するなど、所定のスケジュールに従って分割され得る。
【0066】
第２の医療データセットの異なる部分へのそのような例示的な分割に続いて、第２の医療データセットの各部分を血糖値予測モデルへの別個の入力として提供して、各異なる部分のモデルパラメータを導出することができ、それにより、モデルの予測性能に対する食事の時間の影響がよりよく反映され、将来の血糖値が予測される。
【0067】
例えば、朝食、昼食及び夕食の時間について、別個のモデルパラメータセットが識別され得る。朝食モデルは、例えば、５：３０ＡＭ～１０：３０ＡＭの間の開始点を有するデータセグメントから識別され得、昼食モデルは、１０：３０ＡＭ～２：３０ＰＭの間の開始時間を有するデータセグメントから識別され得、夕食モデルは、５：００ＰＭ～９：００ＰＭの間の開始時間を有するデータセグメントから識別され得る。
【0068】
しかしながら、そのような第２の医療データを異なる部分に分割し、部分を別個にモデル化することは任意である。
【0069】
内部試行及び試験は、予想外にも驚くべきことに、上記の例示的な方法、基準、又は規則のいずれかに従って第１の医療データセットを前処理して、第１の医療データセットのサブセットである第２の医療データセットを導出し、特に患者の食後血糖値予測のために、患者の将来の血糖値を予測するための血糖値予測モデルへの入力として前記導出された第２の医療データセットを使用する場合、将来の血糖値の予測のロバスト性、性能、信頼性及び精度が、前例のない品質レベルに改善されることを見出した。
【0070】
これは、さらに有利には、臨界血糖値に関してより正確でより関連性の高い警告を患者に提供することを可能にし、適切な投与量のインスリンを投与するためのより正確な勧告を提供することを可能にし、それに基づいて、例えばインスリンポンプが制御され得る。
【0071】
さらに、上記の例示的な方法、基準、又は規則のいずれかに従って第１の医療データセットを前処理して、第１の医療データセットのサブセットである第２の医療データセットを導出する場合、前記第２の医療データセットは、最良の血糖値予測モデルの識別及びその最良のモデルパラメータの識別を著しく容易にすることが見出された。最良の血糖値予測モデル（複数可）をより容易に識別できることは、患者の将来のグルコースレベルを予測するための結果を改善するだけでなく、患者のグルコースレベルの変化の全体的な挙動又は全体的な軌跡をモデル化するための結果も改善する。
【0072】
本発明のいくつかの技術的態様をさらに支援するために、上記の第２の医療データセットに基づいて患者の将来の血糖値を予測するために使用され得る可能な例示的な血糖値予測モデルを以下に説明する。
【0073】
例えば、好適な患者データに基づく血糖値予測モデルは、炭水化物摂取、及びボーラスインスリン注射に対する血糖応答を記述し、以下の式：
で表され得るＫｉｒｃｈｓｔｅｉｇｅｒモデル（ＰＭ１で示す）である。
【0074】
この式中、ＣＧＭ（ｓ）でも示され得るＢＧCGM（ｓ）は、連続グルコース監視（ＣＧＭ）システムを介して測定／記録されたグルコースレベル（複数可）／血糖値（複数可）、Ｄ（ｓ）食事摂取の炭水化物、及びＵ（ｓ）ボーラスインスリン注射を記述し、すべてが、複素周波数ｓによってパラメータ化されたラプラス領域内にあり、時間領域ｔからラプラス領域ｓへの変換は、以下のラプラス変換
によって記述され得る。
【0075】
基礎インスリン、ストレス、スポーツ、混合食事組成などのような他の影響を与える入力は、このモデル構造に組み込まれない。
【0076】
式（４）中のパラメータは、生理学的解釈を容易に把握することができる。Ｋ1は、グルコースレベルに対する１グラムの炭水化物の影響を記述するのに対して、Ｋ2は、１ＩＵのボーラスインスリンの影響に対応する（両方とも時間ｔ→∞に対して）。時定数Ｔ1及びＴ2は、炭水化物及びインスリン入力に対する応答時間に比例する。
【0077】
式（４）によるＫｉｒｃｈｓｔｅｉｇｅｒモデルでは、炭水化物及びインスリン入力は、両方の伝達関数が積分項（ｓ＝０における極）を含むという事実によって引き起こされるグルコースレベルに対する持続的な影響を有すると仮定される。そのような挙動は厳密に言えば生理学的ではないが、食事ボーラスインスリンの必要性を計算するために使用される高度炭水化物計数（Ａｄｖａｎｃｅｄ Ｃａｒｂｏｈｙｄｒａｔｅ Ｃｏｕｎｔｉｎｇ）（ＡＣＣ）の単純なヒューリスティックといくつかの類似点を有する。パラメータＫ2はインスリン感受性因子ＩＳＦと同じ解釈を有するが、比率Ｋ2／Ｋ1は、ＡＣＣにおける炭水化物対インスリン比ＣＩＲの場合と同様に、１ＩＵによって何グラムの炭水化物が補償されるかを示す。
【0078】
上記のＫｉｒｃｈｓｔｅｉｇｅｒモデルなどの選択された患者データに基づく血糖値予測モデルの最良適合モデルパラメータ／パラメータ値を識別するために、第２の医療データセットを前記患者データに基づく血糖値予測モデルに入力することができ、最良適合モデルパラメータ／パラメータ値を、コスト関数を最小化することによって決定することができる。
【0079】
上記のＫｉｒｃｈｓｔｅｉｇｅｒモデルなどの血糖値予測モデルの最良適合モデルパラメータを決定するために最適化／最小化するための可能な好適な例示的なコスト関数は、以下の例示的なコスト関数Ｊ（θ）：
であり、ここで、
である。
【0080】
このコスト関数では、ｙkは、連続グルコース監視システムなどのグルコース監視システムの測定された出力に対応し、すなわち、ｙkは、グルコースデータ／血糖値データ／血糖値ＢＧCGMに対応し、
は、選択された血糖値予測モデル、例えばＫｉｒｃｈｓｔｅｉｇｅｒモデルの出力を示す。
【0081】
さらに、ｄは、データセグメント、例えば、上記のように第１の医療データセットから識別された第２の医療データセットからのデータセグメントを示す。別の言い方をすれば、データセグメントは、第１の医療データセットのサブセットとして理解され得、データセグメントのデータは、上記の１つ又は複数の基準及び／又は規則に従って第１の医療データセットから抽出／選択／フィルタリングされている。
【0082】
データセグメントの総数はｄtotで示され、すなわち、１．．．ｄtot個のデータセグメントがある。コスト関数の表現を読みやすくするために、上記のコスト関数Ｊ（θ）の定義では、データセグメントのインデックスが意図的に省略されている。しかしながら、ｄは、それ自体のインデックス、例えばｄm（ｍ＝１、．．．ｄtot）を有し得ることを理解されたい。
【0083】
各データセグメントｄは、開始インデックスｋ0及び終了インデックスｋNによってさらに特徴付けられ得、すなわち、インデックスｋを使用して、所与のデータセグメントｄ内の個々のデータポイント／個々のデータにインデックスを付けることができる。
【0084】
ベクトルθは、モデルパラメータを記述し、すなわち、Ｋｉｒｃｈｓｔｅｉｇｅｒモデルの例示的な場合において、前記モデルベクトルθは、パラメータＫ1、Ｋ2、Ｔ1及びＴ2に依存し得る。
【0085】
モデル出力
は、モデルパラメータθ及び初期状態
の推定値を使用して計算され得る。
【0086】
この初期状態推定値は、データセグメントの開始時ｋ0のモデルの状態に対応し得、データセグメントの開始時のグルコースレベル値の最良推定値に対応し得る。前記初期状態推定値は、各データセグメントについて推定／導出／決定され得る。
【0087】
以下でさらに例示的に説明するように、前記初期状態推定値は、例えば、カルマンフィルタを使用することによって、及び／又は自己回帰アプローチを使用することによって導出され得る。
【0088】
患者の各データセグメントについて、同じモデルパラメータベクトルθを使用することができる。
【0089】
この例示的なコスト関数の最小化は、とりわけ、モデルパラメータベクトルθ値のグリッド上で総当たり探索アルゴリズムを使用して実行され得、又は局所勾配探索アルゴリズム、例えばシンプレックスアルゴリズムによって、若しくは大域的最適化アルゴリズム、例えば遺伝的アルゴリズム、シミュレーテッド・アニーリング・アルゴリズム、マルコフ連鎖モンテカルロアルゴリズム若しくは他の技術によって実行され得る。
【0090】
次いで、導出された最良適合モデルパラメータθbestは、患者の将来の血糖値を予測するために、特に、患者の食後血糖値を予測するために使用され得る。
【0091】
特に、次いで、導出された最良適合モデルパラメータθbestは、例えば、患者の食後の将来のグルコース軌跡をシミュレートするために、食事サイズ及び／又は注射ボーラス量などの第２の医療データセットからのデータからのさらなる情報と共に使用され得る。
【0092】
上述のように、上記の第１の医療データセットから抽出／選択／生成された医療データセット、すなわち上記の第２の医療データセットに対して上述の１つの例のような血糖値予測モデルを使用すると、現在知られているいかなる予測技術よりも優れた、患者の将来の血糖値の前例のないロバストで信頼性のある正確な予測が得られることが見出された。
【0093】
任意に、上記の血糖値予測モデルの適用は、モデルの初期状態を推定するためにカルマンフィルタを使用することによってさらに改良されてもよい。
【0094】
例えば、カルマンフィルタを使用して、（第１の）データセグメントの開始点の前、例えば（第１の）データセグメントの開始点の６時間前のモデルの状態を推定し、第１のデータセグメントｄの開始までのそれらの時点のそれぞれの状態の推定値を計算することができる。
【0095】
よって、
（識別データセグメントのちょうど開始時の）最後の推定値は、血糖値予測モデルの初期状態
に対応し得る。
【0096】
（パラメータθを有するモデルから導出された）カルマンフィルタ内のモデルは、モデルパラメータθの最新の推定値を使用して最適化の反復ステップごとに更新され得、すなわち、予測に使用されるモデルとカルマンフィルタ内で使用される（同じ）モデルとが同時に最適化され得る。
【0097】
新しいカルマンフィルタは、各反復ステップでインスタンス化及び適用され得、時間
までの入力（ｄ、ｕ）及び出力（△ｙ＝ｙ－Ｇb）データに基づいて各時間
における状態推定値
を計算するために使用され得、Ｇbは患者の基礎グルコースレベルの推定値であり得、ｕは時間領域の入力である。
【0098】
時間
における推定状態
を初期条件として使用して、将来へのプロセスモデルｋステップを有するシミュレーションを計算することができる
。
【0099】
したがって、時間
（ＴSはサンプリング時間である）の予測は、例えば、
のように計算され得る。
【0100】
例示的なＫｉｒｃｈｓｔｅｉｇｅｒモデル（ＰＭ１）と例示的なカルマンフィルタ（ＫＦ）との組合せは、ＫＦ－ＰＭ１と呼ばれる場合もある。
【0101】
カルマンフィルタを使用しない場合、すなわち単に基本的なＫｉｒｃｈｓｔｅｉｇｅｒモデル（ＰＭ１）を使用する場合、前記式（８）はまた、時間
における推定状態
をゼロに設定することによって将来のグルコースレベルの予測のために使用され得る。
【0102】
あるいは、ハイブリッドアプローチを採用してもよく、初期状態
はモデルに対してゼロである（すなわち、初期状態がモデル出力に影響を及ぼさない）と仮定され得るが、代わりに初期状態の影響を自己回帰（ＡＲ）モデルによって取り込んでもよい。
【0103】
この例示的なハイブリッドモデルアプローチの予測されたグルコース出力は、選択された血糖値予測モデル予測（複数可）とＡＲモデルによる予測（複数可）との和に対応し得る。
【0104】
この目的のために、夜間（すなわち、食事の影響を受けない）のデータから識別されたパラメータ値を有する母集団平均ＡＲモデルを使用してもよい。
【0105】
【0106】
次いで、予測されたグルコース軌跡の合成モデル出力は、以下の式：
に従って計算され得、式中、
は、初期条件としての
の仮定でシミュレートされた血糖値予測モデルの出力である。
【0107】
例示的なＫｉｒｃｈｓｔｅｉｇｅｒモデル（ＰＭ１）と例示的な自己回帰モデル（ＡＲ）との組合せは、ＡＲ－ＰＭ１アプローチと呼ばれる場合もある。
【0108】
Ｋｉｒｃｈｓｔｅｉｇｅｒモデルに基づく血糖値予測モデルは、第２の医療データセットで使用された場合、既に非常に満足のいく性能結果を提供しているが、前述のように、第２の医療データセットは、例示的なモデルＰＭ１又はその変形、ＫＦ－ＰＭ１又はＡＲ－ＰＭ１だけでなく、他の血糖値予測モデルにも入力として提供され得ることも可能である。
【0109】
さらに、最良のモデル及び／又は最良のモデルパラメータ及び／又は最良のモデルパラメータ値を識別するための上記のステップに加えて、又はその代替として、最良の血糖値予測モデル及び／又は最良のモデルパラメータ及び／又は最良のモデルパラメータ値を識別するために、例示的な抽出された第２の医療データについて訓練されたニューラルネットワークアルゴリズム又は同様のアルゴリズムを使用することも可能である。
【0110】
完全を期すために、使用され得る他の血糖値予測モデルについての以下のさらなる可能な例を、以下で例示的に説明する。第２の医療データセットを複数の異なる血糖値予測モデルに同時に供給して、それらの相対性能を比較、測定、及び較正することも可能である。
【0111】
● ゼロ次ホールド：ゼロ次ホールド（ＺＯＨ）モデルは、最新の利用可能な値を一定に保つことによって、時間ｔまでのＢＧCGMデータｙに基づいて時間ｔ＋ｋＴSにおける予測
を計算する。すなわち、
である。
【0112】
● 大域的ＡＲモデル：次の形式の単純な２次大域的自己回帰ＡＲモデル
を使用することができる（式中、Ｇbは、ここでも、基礎グルコースレベルの患者固有の推定値である）。パラメータ（ａk、ｂk）は、各予測ホライズンｋに対して最小二乗（ＬＳ）最適化を使用して最適化される。
【0113】
この目的のために使用される大域的ＡＲモデルの構造は、上記のハイブリッドＡＲ－ＰＭ１アプローチ内の構造と同一であり得るが、モデルパラメータは異なり得ることに留意されたい。
【0114】
ＡＲ－ＰＭ１コンテキスト内のＡＲモデルは夜間のデータからのみ識別されるが、ベースラインとして使用される大域的ＡＲモデルは、毎日の２４時間の全期間からのデータに基づき得る。
【0115】
● 代替モデル構造：ＰＭ１モデルの予測性能をコンテキストに入れるために、さらに、積分項のない代替モデル構造が分析される。
【0116】
この代替モデルはＰＭ２と呼ばれる場合があり、カルマンフィルタを使用して、又は自己回帰（ＡＲ）モデルを使用して実装されてもよく、その場合、前記変形はＫＦ－ＰＭ２又はＡＲ－ＰＭ２と呼ばれる場合がある。
【0117】
第２の医療データセットに基づいて患者の将来の血糖値を取得するためにどの血糖値予測モデルが選択されても、将来の血糖値の取得された予測は、例えばグルコース監視システムのディスプレイ上、又はコンピューティングデバイス、例えばスマートフォン若しくはパーソナルコンピュータのディスプレイ上で患者に表示され得る。
【0118】
さらに、将来の血糖値の取得された予測に基づいて、投与されるべき推奨投与量のインスリンが患者に表示されることが可能である。
【0119】
さらに、将来の血糖値の取得された予測に基づいて、推奨投与量のインスリンがインスリンポンプの自動制御を介して自動的に投与されることが可能である。
【0120】
換言すれば、本発明は、患者の血糖値の監視、予測及び制御を容易にし、また、信頼性のある正確な方法で適切な投与量のインスリンを投与する制御を容易にする。
【0121】
血糖値を予測するためのすべての本明細書に記載の方法ステップは、コンピュータ実行可能であり、すなわち、例えば、コンピュータメモリと、１つ又は複数のプロセッサと、任意にディスプレイとを備えるコンピューティングシステムによって実行され得る。
【0122】
コンピューティングシステムは、例えば、次のタイプ、すなわち、コンピュータサーバ、パーソナルコンピュータ、又はモバイル・コンピューティング・システム、例えばスマートフォン、タブレット、若しくはラップトップのうちの１つのタイプであり得る。
【0123】
さらに、本発明は、患者のグルコースデータ／血糖データを取得するためのセンサと、コンピュータメモリと、１つ又は複数のプロセッサと、ディスプレイとを備えるグルコース監視システムとして実行され得、グルコース監視システムのコンピュータメモリは、グルコース監視システムの１つ又は複数のプロセッサによって実行されると、１つ又は複数のプロセッサに、血糖値を予測するための１つ、いくつか、又はすべての本明細書に記載のステップを実行させるコンピュータ実行可能命令を含んでもよい。
【0124】
前記例示的なグルコース監視システムは、インスリンポンプをさらに備えてもよく、グルコース監視システムは、特にインスリンポンプによって投与され得るインスリンの投与量を制御するために、インスリンポンプを制御するようにさらに構成され得る。
【0125】
例示的なグルコース監視システムはまた、将来の血糖値の取得された予測に基づいて投与されるべき推奨投与量のインスリンを決定するように構成されてもよい。
【0126】
さらに、上記及び以下に記載のコンピュータ実行可能な方法ステップは、コンピュータシステムによって実行されると、血糖値を予測するためのいずれか１つ、いくつか、又はすべての上記及び以下に記載の例示的な方法ステップによる方法を実行することができるコンピュータ実行可能命令を記憶する、１つ又は複数のコンピュータ記憶媒体、例えば不揮発性コンピュータ記憶媒体に記憶されてもよい。
【図面の簡単な説明】
【0127】
以下の図は、以下の技術的態様を例示するためのものにすぎない。
【0128】
【発明を実施するための形態】
【0129】
図１は、血糖値を予測するための、特に食後血糖値予測のためのコンピュータ実行可能な方法（１００）の例示的な可能なステップを概略的に示す。
【0130】
ここでは、処理のために、時間範囲をカバーする患者の例示的な第１の医療データセットが、取得又は受信され得る（１０１）。
【0131】
前記例示的な第１の医療データセットは、前記患者の血糖データ及びさらなる他の医療データを含む。
【0132】
例えば、血糖データは、グルコース監視システムのセンサに由来してもよく／グルコース監視システムのセンサから受信されてもよく／グルコース監視システムのセンサから取得されてもよく、他の医療データは、食事摂取、例えば食事摂取からの炭水化物の量に関するデータ、又は薬物に関するデータ、例えばインスリン注射若しくは測定されたインスリンレベルに関するデータ、及び／又は他の分析物データのうちの少なくとも１つを含んでもよく、前記例示的な他の分析物データ又はインスリンデータはまた、医療センサに由来してもよい。
【0133】
代替的又は追加的に、患者は、データ、例えば食事摂取、例えば食事摂取からの炭水化物の量に関するデータ、又は薬物、血糖値若しくはインスリンレベルに関するデータを自ら入力することができる。
【0134】
換言すれば、第１の医療データセットは、医療センサから自動的に取得されたデータと、患者／ユーザによって手動で入力されたデータとのハイブリッドデータセットであってもよい。
【0135】
第２の医療データセットを生成するために、前記例示的な第２の医療データセットは、少なくとも１つの以下の規則又は基準に基づいて、例示的な第１の医療データセットから抽出されてもよい（１０２）。
● 第１の医療データセット内の重複を識別し（１０３）、識別された重複を除去すること、及び／又は
● 所定の最大閾値データ値を上回るデータ値を識別すること（１０４）、又は
● 所定の最小閾値データ値を下回るデータ値を識別し（１０５）、前記識別されたデータ値に関連付けられたデータを除去すること、及び／又は
● 所定の期待データ値から所定量を超えて異なるデータ値を識別し（１０６）、前記識別されたデータ値に関連付けられたデータを除去すること、及び／又は
● データ値が欠落している不完全なデータを識別し（１０７）、識別された不完全なデータを除去すること、及び／又は
● 少なくとも１つの所定の時間依存性データパターンを識別し（１０８）、前記識別された時間依存性データパターンに関連付けられたデータを除去すること。
● 第１の医療データセット内の重複を識別し（１０３）、識別された重複を除去すること、及び／又は
● 所定の最大閾値データ値を上回るデータ値を識別すること（１０４）、又は
● 所定の最小閾値データ値を下回るデータ値を識別し（１０５）、前記識別されたデータ値に関連付けられたデータを除去すること、及び／又は
● 所定の期待データ値から所定量を超えて異なるデータ値を識別し（１０６）、前記識別されたデータ値に関連付けられたデータを除去すること、及び／又は
● データ値が欠落している不完全なデータを識別し（１０７）、識別された不完全なデータを除去すること、及び／又は
● 少なくとも１つの所定の時間依存性データパターンを識別し（１０８）、前記識別された時間依存性データパターンに関連付けられたデータを除去すること。
【0136】
次いで、第１の医療データセットから生成／抽出された例示的な第２の医療データセットは、血糖値予測モデルに自動的に供給／提供／入力され得る（１０９）。
【0137】
抽出された第２の医療データセットでは、いずれかの上記又は他の血糖値予測モデルが使用され得る。
【0138】
第２の医療データセットに基づく血糖値予測モデルの出力に基づいて、患者の将来の血糖値、特に患者の食後血糖値が、前例のない精度及びロバスト性で予測され得る（１１０）。
【0139】
図２は、フィルタを使用して、例えば上記のＳａｖｉｔｚｋｙ－Ｇｏｌａｙ－Ｆｉｌｔｅｒ（ＳＧＦ）を使用して、かつ表Ｉの例示的なパラメータを用いて、（生の、フィルタリングされていない）血糖値に関するデータ（２０１）、例えばグルコース監視システムからの時間依存性データＢＧCGM（ｔ）をフィルタリングすることから取得された例示的なフィルタリングされた血糖データ信号ｙ（ｔ）（２００）を概略的に示す。
【0140】
ここで、符号２０３は、例示的なグルコース値又は血糖値ＢＧの縦軸を示し、符号２０２は、例示的な時間ｔの横軸を示す。
【0141】
前述したように、食事摂取に関連付けられることができない、グルコース監視システムからのデータ、例えば連続グルコース監視システム、ＣＧＭによって記録／測定されたデータにおける血糖値の無効な上昇（それ自体が、不完全なデータセット／不完全なデータエントリの表示でもあり得る）の例示的な識別／検出は、以下の例示的なコンピュータ実行可能な方法及び基準を使用して検出／識別され得る：
● フィルタリングされた信号ｙ（ｔ）のすべての最小値及び最大値を検出すること（２００）。ここで、例示的な図示された信号（２００）は、２つの最大値及び１つの最小値を有する。
● フィルタリングされた信号ｙ（ｔ）の各立上りセグメントについて、例えばフィルタリングされた信号ｙ（ｔ）の次の最大値までの各最小値について、以下のステップを実行することができる。
ａ）以下の時点を識別すること
ｔmin：ｙ（ｔ）において極小値が出現する時間（２０７）
ｔmax：ｔminの後に、ｙ（ｔ）において次の極大値が出現する時間（２０６）
ｔ1：ｙ（ｔ）の一次導関数である
が、間隔［ｔmin、ｔmax］において最大値を有する時間（２０８）
ｔ2：ｙ（ｔ）の二次導関数である
が、間隔［ｔmin、ｔmax］において最大値を有する時間（２０９）
ｔstart（２０４）：ｔstart＝ｔmin－△Ｔであり、式中、△Ｔ（２１１）は時間シフトである
ｔend（２０５）、ｔend＝ｔ2＋△Ｔ
ｂ）極大値の時間と極小値の時間との間のグルコースレベル／血糖値の差である△ｙ（２１０）：△ｙ＝ｙ（ｔmax）－ｙ（ｔmin）を決定すること。
ｃ）以下の条件
（式中、ｃ（ｔ）は、所与の時間における食事摂取からの炭水化物の量についての対応するデータ値を示し、すなわち、時間依存性炭水化物入力信号を示し、△ｙminは、グルコースレベル／血糖値の最小上昇についての閾値を示し、
は、グルコースレベル／血糖値の変化についての変化率閾値を示す）
が満たされるかどうかを決定すること。
● フィルタリングされた信号ｙ（ｔ）のすべての最小値及び最大値を検出すること（２００）。ここで、例示的な図示された信号（２００）は、２つの最大値及び１つの最小値を有する。
● フィルタリングされた信号ｙ（ｔ）の各立上りセグメントについて、例えばフィルタリングされた信号ｙ（ｔ）の次の最大値までの各最小値について、以下のステップを実行することができる。
ａ）以下の時点を識別すること
ｔmin：ｙ（ｔ）において極小値が出現する時間（２０７）
ｔmax：ｔminの後に、ｙ（ｔ）において次の極大値が出現する時間（２０６）
ｔ1：ｙ（ｔ）の一次導関数である
ｔ2：ｙ（ｔ）の二次導関数である
ｔstart（２０４）：ｔstart＝ｔmin－△Ｔであり、式中、△Ｔ（２１１）は時間シフトである
ｔend（２０５）、ｔend＝ｔ2＋△Ｔ
ｂ）極大値の時間と極小値の時間との間のグルコースレベル／血糖値の差である△ｙ（２１０）：△ｙ＝ｙ（ｔmax）－ｙ（ｔmin）を決定すること。
ｃ）以下の条件
が満たされるかどうかを決定すること。
【0142】
前記条件が満たされる場合、時間間隔［ｔmin、ｔmax］（２１２）は、グルコースレベル／血糖（ＢＧ）値の無効な上昇とみなされ得、その無効な上昇に関連付けられたデータ又はデータセグメントは、疑わしいとしてマークされ得、第１の医療データセットから除去され得る。
【0143】
グルコースレベル／血糖（ＢＧ）値のそのような例示的な無効な上昇を識別することは、所定の時間依存性データパターンを識別するための一例であり、前記識別された時間依存性データパターンに関連付けられたデータが第１の医療データセットから除去され得るようにするためのものである。
【0144】
図３は、患者のグルコースデータ／血糖データＢＧCGM（ｔ）（３０４）を概略的に例示的に示し、データは、連続グルコース監視システムから取得されていてもよい。
【0145】
示されたグルコースデータ／血糖データ（３０４）は、例示的な第２の医療データセットからのグルコースデータ／血糖データ、すなわち、少なくとも１つの上記のステップ、規則、又は基準に従って第１の医療データセットから抽出されたグルコースデータ／血糖データであってもよい。
【0146】
前の図と同様に、符号３０３は、例示的な血糖値ＢＧの縦軸を示し、符号３０２は、例示的な時間ｔの横軸を示す。
【0147】
星印は、食事摂取及び／又は薬物の摂取、例えばボーラスインスリン摂取などのタイムライン上のイベント（３０７）を示す。
【0148】
例えば、イベント（３０７）は、患者の朝食の食事イベントを表し得る。さらに、前記例示的な第２の医療データセットに基づく２つの異なる血糖値予測モデルからの食後血糖値の予測のための２つの予測軌跡が示されている。
【0149】
ここで、符号３０５は、第２の医療データセットを、カルマンフィルタが適用されたＫｉｒｃｈｓｔｅｉｇｅｒモデル、すなわちＫＦ－ＰＭ１モデルに基づく血糖値予測モデルに提供することに基づく、食後血糖値の予測を示し、符号３０６は、第２の医療データセットを、自己回帰モデルと組み合わせたＫｉｒｃｈｓｔｅｉｇｅｒモデル、すなわちＡＲ－ＰＭ１モデルに基づく血糖値予測モデルに提供することに基づく、食後血糖値の予測を示す。
【0150】
上記に例示したように、第２の医療データセットは、血糖値予測モデルに供給され得、そのモデルパラメータは、データに最もよく適合し、患者の将来の血糖値の予測を可能にする最良適合モデルパラメータを導出するために、例えばコスト関数を最小化することによって最適化され得る。
【図1】
【図2】
【図3】
【国際調査報告】