知財求人 - 知財ポータルサイト「IP Force」
▶ デックスコム・インコーポレーテッドの特許一覧 ▶ ユニバーシティ オブ パドヴァの特許一覧
特表2024-541786連続グルコース監視データに基づく低血糖及び高血糖アラートの生成のための予測ファネル
(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】2024-11-13
(54)【発明の名称】連続グルコース監視データに基づく低血糖及び高血糖アラートの生成のための予測ファネル
(51)【国際特許分類】
G16H 10/40 20180101AFI20241106BHJP
【ＦＩ】
G16H10/40
【審査請求】未請求
【予備審査請求】未請求
(21)【出願番号】P 2023579318
(86)(22)【出願日】2022-11-01
(85)【翻訳文提出日】2023-12-22
(86)【国際出願番号】 US2022079085
(87)【国際公開番号】W WO2023081659
(87)【国際公開日】2023-05-11
(31)【優先権主張番号】63/263,433
(32)【優先日】2021-11-02
(33)【優先権主張国・地域又は機関】US
(81)【指定国・地域】
【公序良俗違反の表示】
（特許庁注：以下のものは登録商標）
１．ＢＬＵＥＴＯＯＴＨ
２．ＡＮＤＲＯＩＤ
(71)【出願人】
【識別番号】504016422
【氏名又は名称】デックスコム・インコーポレーテッド
(71)【出願人】
【識別番号】516195454
【氏名又は名称】ユニバーシティ オブ パドヴァ
(74)【代理人】
【識別番号】100108453
【弁理士】
【氏名又は名称】村山 靖彦
(74)【代理人】
【識別番号】100110364
【弁理士】
【氏名又は名称】実広 信哉
(74)【代理人】
【識別番号】100133400
【弁理士】
【氏名又は名称】阿部 達彦
(72)【発明者】
【氏名】シモーネ・ファッチョーリ
(72)【発明者】
【氏名】アンドレア・ファッキネッティ
(72)【発明者】
【氏名】シモーネ・デル・ファヴェロ
(72)【発明者】
【氏名】フランシスコ・プレンディン
(72)【発明者】
【氏名】ジョヴァンニ・スパラチーノ
【テーマコード（参考）】
5L099
【Ｆターム（参考）】
5L099AA03
(57)【要約】
本開示の特定の態様は、糖尿病を有する患者のためのグルコース管理に関する意思決定支援を提供するための方法及びシステムに関する。血中グルコース、食事摂取情報、及び注入されたインスリンの量を含む時間の経過とともに変化する入力が、機械学習モデルを使用して処理され、複数の予測範囲についての予測グルコースレベル及び予測についての不確実性を得る。信頼区間が各予測について生成され、信頼区間が低血糖閾値及び高血糖閾値と比較される。信頼区間が低血糖閾値及び高血糖閾値をそれぞれ完全に下回るか又は完全に上回る場合、意思決定支援出力が提供される。
【特許請求の範囲】
【請求項1】
ユーザの血中グルコースレベルを管理するための方法であって、前記方法が、コンピューティングデバイスによって、センサから前記ユーザのグルコース測定値を受信することと、
前記コンピューティングデバイスによって、前記ユーザの前記血中グルコースレベルに関連する１つ以上の追加の入力のための１つ以上の値を受信することと、
前記コンピューティングデバイスによって、前記グルコース測定値と、前記１つ以上の追加の入力のための１つ以上の値を処理して、複数の予測グルコース値を得ることであって、前記複数の予測グルコース値の各予測グルコース値が、異なる予測範囲に対応し、対応する不確実性を有する、処理することと、
前記コンピューティングデバイスによって、前記各予測グルコース値及び前記対応する不確実性に基づいて、前記複数の予測グルコース値の各予測グルコース値についての信頼区間を生成することと、
前記コンピューティングデバイスによって、前記信頼区間が閾値条件を満たすと決定したことに応答して、意思決定支援出力を生成することと、を含む、方法。
【請求項2】
前記１つ以上の追加の入力が、食事摂取情報を含む、請求項１に記載の方法。
【請求項3】
前記１つ以上の追加の入力が、前記ユーザに注入された外因性インスリンの量を含む、請求項１に記載の方法。
【請求項4】
前記１つ以上の追加の入力が、食事摂取情報と、前記ユーザに投与された外因性インスリンの量と、を含む、請求項１に記載の方法。
【請求項5】
前記グルコース測定値及び１つ以上の値が、１つ以上の機械学習モデルを使用して処理される、請求項１に記載の方法。
【請求項6】
前記１つ以上の機械学習モデルが、予測フィルタを含む、請求項５に記載の方法。
【請求項7】
前記予測フィルタが、Ｋａｌｍａｎフィルタである、請求項６に記載の方法。
【請求項8】
前記Ｋａｌｍａｎフィルタが、グルコース特異的平均二乗誤差（ｇＭＳＥ）損失関数を使用するように訓練された予測機械学習モデルに基づく、請求項７に記載の方法。
【請求項9】
前記予測機械学習モデルが、外因性入力を用いる自己回帰和分移動平均（ＡＲＩＭＡＸ）機械学習モデルである、請求項８に記載の方法。
【請求項10】
前記閾値条件が、前記信頼区間の最小数が（ａ）高血糖閾値を完全に上回るか、又は（ｂ）低血糖閾値を完全に下回るかのいずれかであることである、請求項１に記載の方法。
【請求項11】
各予測グルコース値について、前記各予測グルコース値と、前記各予測グルコース値の前記対応する不確実性とに基づいて前記信頼区間を生成することが、前記不確実性をスケーリングすることを含む、請求項１０に記載の方法。
【請求項12】
前記意思決定支援出力が、ヒトが知覚可能なアラートを含む、請求項１に記載の方法。
【請求項13】
前記意思決定支援出力が、インスリン送達デバイスに送信されて、前記インスリン送達デバイスに前記ユーザに注入されるインスリンの量を変更させるためのシグナルを含む、請求項１に記載の方法。
【請求項14】
前記意思決定支援出力が、炭水化物を消費するためのヒトが知覚可能な命令を含む、請求項１に記載の方法。
【請求項15】
ユーザの血中グルコースレベルを管理するためのグルコース監視システムであって、前記グルコース監視システムが、前記ユーザについての１つ以上のグルコース測定値を生成するように構成されたグルコースセンサシステムと、
１つ以上の処理デバイスと、
前記１つ以上の処理デバイスに連結された１つ以上のメモリデバイスと、を備え、前記１つ以上のメモリデバイスが、前記１つ以上の処理デバイスによって実行されると、前記１つ以上の処理デバイスに、
時間ｔ（ｋ）にわたって、前記グルコースセンサシステムから前記１つ以上の測定値のグルコース測定値ｇ（ｋ）を受信することと、
前記ユーザについての食事摂取情報ＣＨＯ（ｋ）及び注入されたインスリンの量Ｉ（ｋ）を受信することと、
ｇ（ｋ）、ＣＨＯ（ｋ）、及びＩ（ｋ）を処理して、複数の予測グルコース値
【数19】
【数20】
複数の信頼区間
【数21】
前記信頼区間が閾値条件を満たすと決定したことに応答して、意思決定支援出力を生成することと、を含む方法を実行させる、実行可能コードを格納する、グルコース監視システム。
【請求項16】
前記グルコースセンサシステムが、連続グルコースモニタである、請求項１５に記載のグルコース監視システム。
【請求項17】
前記ｇ（ｋ）、ＣＨＯ（ｋ）、及びＩ（ｋ）が、Ｋａｌｍａｎフィルタを含む１つ以上の機械学習モデルを使用して処理される、請求項１５に記載のグルコース監視システム。
【請求項18】
前記Ｋａｌｍａｎフィルタが、グルコース特異的平均二乗誤差（ｇＭＳＥ）損失関数を使用して訓練された予測機械学習モデルに基づいて構成される、請求項１７に記載のグルコース監視システム。
【請求項19】
前記閾値条件が、前記信頼区間の最小数が（ａ）高血糖閾値を完全に上回るか、又は（ｂ）低血糖閾値を完全に下回るかのいずれかであることである、請求項１５に記載のグルコース監視システム。
【請求項20】
前記意思決定支援出力が、ヒトが知覚可能なアラート、
前記ユーザに注入されるインスリンの量を変更するための命令、又は
炭水化物を消費するためのヒトが知覚可能な命令のうちの少なくとも１つを含む、請求項１５に記載のグルコース監視システム。
【発明の詳細な説明】
【技術分野】
【0001】
（関連出願の相互参照）
本出願は、２０２１年１１月２日に出願された米国仮特許出願第６３／２６３，４３３号に対する優先権及び利益を主張し、この仮特許出願は、本明細書の譲受人に譲渡され、以下に完全に記載されているかのように、かつ全ての適用可能な目的のために、その全体が参照により本明細書に明示的に組み込まれる。
本出願は、２０２１年１１月２日に出願された米国仮特許出願第６３／２６３，４３３号に対する優先権及び利益を主張し、この仮特許出願は、本明細書の譲受人に譲渡され、以下に完全に記載されているかのように、かつ全ての適用可能な目的のために、その全体が参照により本明細書に明示的に組み込まれる。
【背景技術】
【0002】
連続グルコース監視（continuous glucose monitoring、ＣＧＭ）デバイス［１］及び連続皮下インスリン注入（continuous subcutaneous insulin infusion、ＣＳＩＩ）のためのポータブルポンプ［２］によって提供される技術の進歩は、１型糖尿病（type 1 diabetes、Ｔ１Ｄ）を有する対象の生活の質を大幅に改善した。糖尿病管理のための人工知能（artificial intelligence、ＡＩ）アプリケーションに関する最近の報告［３］において指摘されているように、ＣＧＭデバイス、インスリンポンプ、及び専用モバイルアプリケーションの併用［４］は、異なる種類の情報、例えば、ＣＧＭデータ、インスリン、食事、身体活動、及び自己報告されたライフイベントを記録する可能性をもたらした。この情報は、意思決定プロセスにおいて患者を支援するために複数のソフトウェアモジュールを実装する複合ツールである、高度なＡＩ対応意思決定支援システム（decision support system、ＤＳＳ）の開発を可能にする。
【0003】
高度なＤＳＳに埋め込むことができる重要な要素の１つは、予測モジュールである。実際に、血中グルコース（blood glucose、ＢＧ）が潜在的に有害な値に近づいているかどうかを事前に知ることにより、患者は、低血糖症（すなわち、７０ｍｇ／ｄＬ未満のＢＧ）のような重大なエピソードを軽減又は回避するために、予防的な行動をとることができ、Ｔ１Ｄ管理を大幅に改善する［５］～［１０］。いくつかの研究努力が、ＢＧ予測を調査し［１１］、多くの文献研究が低血糖エピソードを予測する課題に焦点を当ててきた［１２］。これらの努力及び研究において、低血糖予測は、分類に基づく手法又は回帰に基づく手法のいずれかによって対処された。分類ベースの手法は、バイナリ分類器［１３］、すなわち、「切迫する低血糖」又は「低血糖が予測されない」という２つの種類の可能な出力のみを生成するアルゴリズムを開発することからなる。代わりに、回帰ベースの手法は、第１のステップとして、回帰を介して将来のグルコース濃度を予測し、次いで、予測値が好適な閾値（通常、７０ｍｇ／ｄＬであるが、必ずしもそうではない）を下回る場合、アラームを発する、２ステップの手順である。これらの努力及び研究において、回帰ベースの手法の第１のステップにおいて使用される予測グルコース濃度は、線形予測因子［１４］～［１６］又は非線形手法［１７］～［２３］のいずれかを使用することによって得られた。興味深いことに、ある手法が他の手法よりも優れていることはまだ実証されていない。
【図面の簡単な説明】
【0004】
上記に列挙された本開示の特徴を詳細に理解することができるように、上記で簡潔に要約された、より具体的な説明が、態様を参照することによって行われ得、その態様のうちのいくつかが、図面に例示される。しかしながら、添付された図面は、本開示の特定の典型的な態様を単に例示するのみであり、したがって、その説明が他の同等に有効な態様について認めることができるため、その範囲を限定するものと見なされるべきではないことに留意されたい。
【図1】本開示の実施形態を実装することに関連して使用され得る例示的な意思決定支援システムの態様を示す。
【図2】本開示の特定の態様による、センサ電子機器を有する例示的な連続分析物センサを備える例示的な連続分析物監視システムを概念的に例示する図である。
【図4】本明細書に開示されるいくつかの実施形態による、将来のグルコース値を予測するための機械学習モデルを訓練するための例示的ワークフローである。
【図5A】本明細書で開示されるいくつかの実施形態による、Ｃｌａｒｋｅ誤差グリッドを示す。
【図5B】本明細書に開示されるいくつかの実施形態による、Ｃｌａｒｋｅ誤差グリッドに基づく例示的なペナルティ関数を示す。
【図5C】本明細書に開示されるいくつかの実施形態による、グルコース特異的平均二乗誤差を使用して訓練される機械学習モデルのための例示的なグルコース予測を示す。
【図6】本開示の特定の実施形態による、予測ファネルの使用を示す例示的なワークフローである。
【図8】本開示の特定の実施形態による、予測ファネルの操作を示す例示的なプロットである。
【図9】本明細書に開示されるいくつかの実施形態による、自動インスリン送達（automatic insulin delivery、ＡＩＤ）システムを制御するための予測ファネルの使用を示す例示的なワークフローである。
【0005】
理解を容易にするために、可能な場合には、各図に共通である同一の要素を指定するために、同一の参照数字を使用が使用されている。１つの態様において開示される要素は、具体的な記載なしに、他の態様において、有益に利用され得ることが企図される。
【発明を実施するための形態】
【0006】
以下の説明は、個別化グルコース予測モデルなどのグルコース予測モデルを使用して生成されたグルコース予測に基づいて低血糖及び／又は高血糖イベントを予測するための機械学習ベースの手法を詳述する。個別化された予測モデルを使用することは、グルコース予測における主要な課題の１つである、対象間及び対象内の大きな変動性の処理を可能にする。グルコース予測モデルは、高度な個別化を可能にする線形予測モデルであってもよい。線形予測モデルは、強力な収束結果を提供し、統計的特性分析を可能にする［２４］。更に、線形予測モデルは、Ｋａｌｍａｎ予測因子［２５］などの計算的に便利なアルゴリズムとともに使用され得る。最後に、代謝生理学は非線形であるが［２６］、線形戦略は、本質的な動態を捉えることができることが証明されており［１４］～［１６］、［２７］、［２８］、非線形手法に対して課題の多い競争者のままである［２９］、［３０］。
【0007】
以下の詳細な説明は、（ａ）低血糖及び高血糖を予測するために予測モデルを訓練すること、並びに（ｂ）予測モデルの出力を入力として受け取るアラーム発生戦略（例えば、ルールベースモデル）の両方のための改善された手法を提供する。予測モデルは、予測エラーの臨床的影響を考慮に入れることができ、したがって将来の低血糖エピソードを予測するためのより効果的なモデルの識別を可能にする、［３１］において以前に導入された費用関数を使用して訓練され得る。アラーム発生戦略は、単一の予測範囲に焦点を合わせるのではなく、むしろ複数の予測範囲を同時に考慮し、それによって、予測範囲が増加するにつれて、予測モデルからの予測の精度の予想される低下を説明する。
【0008】
予測モジュールを含む例示的な意思決定支援システム
図１は、特定の実施形態による、改善された予測モデル訓練手法及び改善された警報発生戦略を実装するための例示的な意思決定支援システム１００を示す。意思決定支援システム１００は、少なくとも連続グルコースセンサを含む連続分析物監視システム１０４によって提供されるセンサデータを使用して、ユーザ１０２（本明細書では個別にユーザ（user）と呼ばれ、本明細書では集合的にユーザ（users）と呼ばれる）に意思決定支援を提供するように構成される。ユーザは、特定の実施形態では、患者であってもよく、又は場合によっては、患者の介護者であってもよい。特定の実施形態では、意思決定支援システム１００は、連続分析物監視システム１０４と、アプリケーション１０６を実行する表示デバイス１０７と、意思決定支援エンジン１１４と、ユーザデータベース１１０と、履歴記録データベース１１２と、訓練サーバシステム１４０と、意思決定支援エンジン１１４と、を備え、それらの各々は、以下により詳細に説明される。訓練サーバシステム１４０は、予測モデルを訓練するための改善された手法を実装することができ、一方で、意思決定支援エンジン１１４内の予測モジュール１１６は、予測モデルを使用して改善された警報発生戦略を実装する。
図１は、特定の実施形態による、改善された予測モデル訓練手法及び改善された警報発生戦略を実装するための例示的な意思決定支援システム１００を示す。意思決定支援システム１００は、少なくとも連続グルコースセンサを含む連続分析物監視システム１０４によって提供されるセンサデータを使用して、ユーザ１０２（本明細書では個別にユーザ（user）と呼ばれ、本明細書では集合的にユーザ（users）と呼ばれる）に意思決定支援を提供するように構成される。ユーザは、特定の実施形態では、患者であってもよく、又は場合によっては、患者の介護者であってもよい。特定の実施形態では、意思決定支援システム１００は、連続分析物監視システム１０４と、アプリケーション１０６を実行する表示デバイス１０７と、意思決定支援エンジン１１４と、ユーザデータベース１１０と、履歴記録データベース１１２と、訓練サーバシステム１４０と、意思決定支援エンジン１１４と、を備え、それらの各々は、以下により詳細に説明される。訓練サーバシステム１４０は、予測モデルを訓練するための改善された手法を実装することができ、一方で、意思決定支援エンジン１１４内の予測モジュール１１６は、予測モデルを使用して改善された警報発生戦略を実装する。
【0009】
本明細書で使用される場合、「分析物」という用語は、分析することが可能である生物学的流体（例えば、血液、間質液、脳脊髄液、リンパ液、又は尿）内の物質又は化学成分を指すことを含むが、これらに限定されない、その通常の意味で使用される広義の用語である。以下に説明する例では、分析物は、ユーザの血流中のグルコースである。しかしながら、測定され得る任意の分析物の濃度又は任意の時間の経過とともに変化する値は、本明細書に説明される手法を使用して予測され得る。例えば、分析物には、天然に存在する物質、人工物質、代謝物、及び／又は反応生成物が含まれ得る。本デバイス及び方法によって測定される分析物には、以下に限定され得ないが、カリウム、グルコース、アカルボキシプロトロンビン；アシルカルニチン；アデニンホスホリボシルトランスフェラーゼ；アデノシンデアミナーゼ；アルブミン；α－フェトプロテイン；アミノ酸プロファイル（アルギニン（クレブス回路）、ヒスチジン／ウロカニン酸、ホモシステイン、フェニルアラニン／チロシン、トリプトファン）；アンドロステンジオン；アンチピリン；アラビニトールエナンチオマー；アルギナーゼ；ベンゾイルエクゴニン（コカイン）；ビオチニダーゼ；ビオプテリン；ｃ－反応性タンパク質；カルニチン；カルノシナーゼ；ＣＤ４；セルロプラスミン；ケノデオキシコール酸；クロロキン；コレステロール；コリンエステラーゼ；コンジュゲートされた１－βヒドロキシ－コール酸；コルチゾール；クレアチンキナーゼ；クレアチンキナーゼＭＭイソ酵素；シクロスポリンＡ；ｄ－ペニシラミン；脱エチルクロロキン；硫酸デヒドロエピアンドロステロン；ＤＮＡ（アセチル化多型、アルコールデヒドロゲナーゼ、アルファ１－アンチトリプシン、グルコース－６－リン酸デヒドロゲナーゼ、ヘモグロビンＡ、ヘモグロビンＳ、ヘモグロビンＣ、ヘモグロビンＤ、ヘモグロビンＥ、ヘモグロビンＦ、Ｄ－パンジャブ、β－サラセミア、Ｂ型肝炎ウイルス、ＨＣＭＶ、ＨＩＶ－１、ＨＴＬＶ－１、ＭＣＡＤ、ＲＮＡ、ＰＫＵ、三日熱マラリア原虫、２１－デオキシコルチゾール）；デスブチルハロファントリン；ジヒドロプテリジンレダクターゼ；ジフテリア／破傷風抗毒素；赤血球アルギナーゼ；赤血球プロトポルフィリン；エステラーゼＤ；脂肪酸／アシルグリシン；遊離β－ヒト絨毛性ゴナドトロピン；遊離赤血球ポルフィリン；遊離サイロキシン（free thyroxine、ＦＴ４）；遊離トリヨードサイロニン（free tri-iodothyronine、ＦＴ３）；フマリルアセトアセターゼ；ガラクトース／ｇａｌ－１－リン酸塩；ガラクトース－１－リン酸ウリジルトランスフェラーゼ；ゲンタミシン；グルコース－６－リン酸デヒドロゲナーゼ；グルタチオン；グルタチオンペリオキシダーゼ；グリココール酸；グリコシル化ヘモグロビン；ハロファントリン；ヘモグロビン変異体；ヘキソサミニダーゼＡ；ヒト赤血球カルボニックアンヒドラーゼＩ；１７－α－ヒドロキシプロゲステロン；ヒポキサンチンホスホリボシルトランスフェラーゼ；免疫反応性トリプシン；ラクテート；鉛；リポタンパク質（（ａ）、Ｂ／Ａ－１、β）；リゾチーム；メフロキン；ネチルマイシン；フェノバルビトン；フェニトイン；フィタン酸／プリスタン酸；プロゲステロン；プロラクチン；プロリダーゼ；プリンヌクレオシドホスホリラーゼ；キニーネ；リバーストリヨードサイロニン（reverse tri-iodothyronine、ｒＴ３）；セレン；血清膵臓リパーゼ；シソマイシン；ソマトメジンＣ；以下の含まれ得るものの任意の１つ以上を認識する特異的抗体（アデノウイルス、抗核抗体、反ゼータ抗体、アルボウイルス、仮性狂犬病ウイルス、デング熱ウイルス、メジナ虫、単包条虫、赤痢アメーバ、エンテロウイルス、ジアルジア症、ヘリコバクターピロリ、Ｂ型肝炎ウイルス、ヘルペスウイルス、ＨＩＶ－１、ＩｇＥ（アトピー性疾患）、インフルエンザウイルス、ドノバンリーシュマニア、レプトスピラ菌、はしか／流行性耳下腺炎／風疹、らい菌、肺炎マイコプラズマ、ミオグロビン、回旋糸状虫、パラインフルエンザウイルス、マラリア原虫、ポリオウイルス、緑膿菌、呼吸器合胞体ウイルス、リケッチア（恙虫病）、マンソン住血吸虫、トキソプラズマ、梅毒トレポネーマ、クルーズトリパノソーマ／ランジェリ、水疱性口内炎ウイルス、バンクロフト糸状虫、黄熱ウイルス）；特異性抗原（Ｂ型肝炎ウイルス、ＨＩＶ－１）；スクシニルアセトン；スルファドキシン；テオフィリン；チロトロピン（ＴＳＨ）；チロキシン（Ｔ４）；チロキシン結合グロブリン；微量元素；トランスフェリン；ＵＤＰ－ガラクトース－４－エピメラーゼ；尿素；ウロポルフィリノーゲンＩシンターゼ；ビタミンＡ；白血球；及び亜鉛プロトポルフィリンが挙げられる。血液又は間質液中に天然に存在する塩、糖、タンパク質、脂肪、ビタミン、及びホルモンもまた、特定の実施態様において分析物を構成することができる。イオンは、以下を含み得る荷電原子又は化合物である（例えば、ナトリウム、カリウム、カルシウム、塩化物、窒素、又は重炭酸塩）。分析物は、生物学的流体、例えば、代謝産物、ホルモン、抗原、抗体、イオンなどの中に天然に存在し得る。あるいは、分析物は、体内に導入され得るか、又は外因性であってもよく、例えば、画像化のためのコントラスト剤、放射性同位体、化学薬剤、フッ化炭素系の合成血液、チャレンジ剤分析物（例えば、導入されたチャレンジ剤分析物に応答してチャレンジ剤分析物又は他の検体の濃度の変化率の増加及び／又は減少を測定する目的で導入される）、又は外因性インスリン；グルカゴン、エタノール；大麻（マリファナ、テトラヒドロカンナビノール、ハシシ）；吸入剤（亜酸化窒素、亜硝酸アミル、亜硝酸ブチル、クロロ炭化水素、炭化水素）；コカイン（クラックコカイン）；刺激薬（アンフェタミン、メタンフェタミン、リタリン、シルルト、プレルジン、ディドレックス、プレステート、ボラニル、サンドレックス、プレギン）；抗うつ剤（バルビツール剤、メタカロン、ヴァリウム、リブリウム、ミルタウン、セラックス、エクワニル、トランキシーンなどの精神安定剤）；幻覚剤（フェンシクリジン、リゼルギン酸、メスカリン、ペヨーテ、プシロシビン）；麻薬（ヘロイン、コデイン、モルヒネ、アヘン、メペリジン、パーコセット、ペルコダン、タシオネックス、フェンタニル、ダルボン、タルウィン、ロモティル）；合成麻薬（フェンタニル、メペリジン、アンフェタミン、メタンフェタミン、及びフェンシクリジンの類似体、例えば、エクスタシー）；アナボリックステロイド；及びニコチンを含むが、これらに限定されない薬物又は医薬組成物であってもよい。薬物及び医薬組成物の代謝産物も、企図された分析物である。例えば、アスコルビン酸、尿酸、ドーパミン、ノルアドレナリン、３－メトキシチラミン（3-methoxytyramine、３ＭＴ）、３，４－ジヒドロキシフェニル酢酸（3,4-Dihydroxyphenylacetic acid、ＤＯＰＡＣ）、ホモバニリン酸（Homovanillic acid、ＨＶＡ）、５－ヒドロキシトリプタミン（5-Hydroxytryptamine、５ＨＴ）、及び５－ヒドロキシインドール酢酸（5-Hydroxyindoleacetic acid、ＦＨＩＡＡ）、並びにクエン酸回路の中間体などの、神経化学物質及び体内で生成される他の化学物質などの分析物もまた、分析することができる。
【0010】
特定の実施形態では、連続分析物監視システム１０４は、１つ以上の分析物を連続的に測定し、分析物測定値を電子医療記録（electric medical records、ＥＭＲ）システム（図１には図示せず）に送信するように構成される。ＥＭＲシステムは、デジタル医療データの電子入力、記憶、及び保守を可能にするソフトウェアプラットフォームである。ＥＭＲシステムは、一般に、患者に関する臨床情報を長期間にわたって文書化するために、病院及び／又は他の介護施設全体で使用される。ＥＭＲシステムは、例えば、健康状態を解釈し、進行中のケア、スケジューリング、請求、及びフォローアップを提供することで臨床医を支援する方法で、データを整理し、提示する。ＥＭＲシステムに含まれるデータを使用して、患者の臨床ケア及び／又は疾患管理のためのレポートを作成することもできる。特定の実施形態では、ＥＭＲは、本明細書に記載の技術を実行するために、意思決定支援エンジン１１４と（例えば、ネットワークを介して）通信していてもよい。通信は、ウェブＡＰＩプロトコル、ＨＬ７、ＦＨＩＲ、ＥＤＩ、ＸＭＬ、ＣＤＡなどを含むがこれらに限定されない様々なネットワーク接続データ構成を介して行われ得る。
【0011】
これらのデータ通信構成は、ＥＭＲに直接的に送信されてもよく、又はインターフェースエンジンを含むがこれに限定されない１つ以上の中間システムを介して送信され、その後にＥＭＲシステムに入り、次いで表示されてもよい。これらの他の手段のいずれかを介してＥＭＲに通信された患者データは、確率的マッチング、手動の人間によるマッチング、又はＥＭＰＩ若しくはＭＰＩ（マスタ患者インデックス、電子マスタ患者インデックス）を介して患者記録にマッチングされ、１つのシステムへのデータ入力が、別のシステム内の患者情報にマッチングすることを確実にすることができる。分析物デバイスからのデータはまた、ＥＭＲに入力される前に代替デバイス若しくはシステムからのデータとマッチングされてもよく、又はデータは、本願発明者らの履歴記録データベース１１２、ユーザデータベース１１０、及び／又は意思決定支援エンジンへと逆方向に送信されてもよい。
【0012】
これらのデータ転送により、システムは、本明細書で説明する手段を介して最適化された意思決定支援を実行することができる。特に、本明細書で説明されるように、意思決定支援エンジン１１４は、ユーザに関連付けられたデータを取得し、取得されたデータを、１つ以上の訓練されたモデルへの入力として使用し、予測を出力し得る。場合によっては、ＥＭＲは、１つ以上のモデルへの入力として使用されるデータを意思決定支援エンジン１１４に提供し得る。更に、場合によっては、意思決定支援エンジン１１４は、予測を行った後、その予測をＥＭＲに提供し得る。
【0013】
特定の実施形態では、連続分析物監視システム１０４は、１つ以上の分析物を連続的に測定し、アプリケーション１０６による使用のために、分析物測定値を表示デバイス１０７に送信するように構成される。いくつかの実施形態では、連続分析物監視システム１０４は、無線接続（例えば、Ｂｌｕｅｔｏｏｔｈ接続）を介して分析物測定値を表示デバイス１０７に送信する。特定の実施形態では、表示デバイス１０７は、スマートフォンである。しかしながら、特定の他の実施形態では、表示デバイス１０７は、その代わりに、ラップトップコンピュータ、スマートウォッチ、タブレット、又はアプリケーション１０６を実行することが可能な任意の他のコンピューティングデバイスなど、任意の他の種類のコンピューティングデバイスであり得る。いくつかの実施形態では、連続分析物監視システム１０４及び／又は分析物センサアプリケーション１０６は、分析物測定値を、患者の健康に関心を有する１人以上の他の個人（例えば、患者のリアルタイム治療及びケアのための家族又は医師）に送信する。連続分析物監視システム１０４は、図２に関してより詳細に説明され得る。
【0014】
アプリケーション１０６は、分析物監視システム１０４から分析物測定値を受信して分析するように構成されたモバイル健康アプリケーションである。特に、アプリケーション１０６は、処理及び分析のために、並びにユーザに意思決定支援出力（例えば、アラート、推奨、ガイダンス、インスリンポンプ／ペンを制御するためのシグナルなど）を提供するための意思決定支援エンジン１１４による使用のために、ユーザに関連付けられたユーザプロファイル１１８内に、ユーザの分析物測定値を含む、ユーザに関する情報を記憶する。
【0015】
意思決定支援エンジン１１４は、予測モジュール１１６を含む１つ以上のソフトウェアモジュールを有するソフトウェア命令のセットを指す。特定の実施形態では、意思決定支援エンジン１１４は、プライベート又はパブリッククラウド内の１つ以上のコンピューティングデバイス上で完全に実行される。そのような実施形態では、アプリケーション１０６は、ネットワーク（例えば、インターネット）を介して意思決定支援エンジン１１４と通信する。いくつかの他の実施形態では、意思決定支援エンジン１１４は、表示デバイス１０７などの１つ以上のローカルデバイス上で部分的に実行され、プライベート又はパブリッククラウド内の１つ以上のコンピューティングデバイス上で部分的に実行される。いくつかの他の実施形態では、意思決定支援エンジン１１４は、表示デバイス１０７などの１つ以上のローカルデバイス上で完全に実行される。本明細書でより詳細に説明するように、意思決定支援エンジン１１４は、アプリケーション１０６を介してユーザに意思決定支援出力を提供し得る。意思決定支援エンジン１１４は、ユーザプロファイル１１８に含まれる情報に基づいて意思決定支援出力を提供する。
【0016】
ユーザプロファイル１１８は、アプリケーション１０６からユーザについて収集された情報を含み得る。例えば、アプリケーション１０６は、ユーザプロファイル１１８内に記憶された、連続分析物監視システム１０４から受信された分析物測定値を含む入力１２８のセットを提供する。特定の実施形態では、アプリケーション１０６によって提供される入力１２８は、連続分析物監視システム１０４から受信された分析物測定値に加えて、その他のデータを含む。例えば、アプリケーション１０６は、手動のユーザ入力、１つ以上の他の非分析物センサ又はデバイス、表示デバイス１０７上で実行される他のアプリケーションなどを介して、追加の入力１２８を取得し得る。非分析物センサ又はデバイスとしては、限定されないが、インスリンポンプ、心電図（electrocardiogram、ＥＣＧ）センサ若しくは心拍数モニタ、血圧センサ、汗センサ、呼吸センサ、温度計、表示デバイス１０７によって提供されるセンサ若しくはデバイス（例えば、加速度計、カメラ、グローバル・ポジショニング・システム（global positioning system、ＧＰＳ）、心拍数モニタなど）、又は他のユーザアクセサリ（例えば、スマートウォッチ）、あるいはユーザに関する関連情報を提供する任意の他のセンサ若しくはデバイスのうちの１つ以上が挙げられる。アプリケーション１０６によって提供されるユーザプロファイル１１８の入力１２８は、図３に関して以下で更に詳細に説明される。
【0017】
意思決定支援エンジン１１４の予測モジュール１１６は、入力１２８のセットを処理して、将来の分析物レベル、有害イベント（例えば、低血糖及び高血糖）のリスクを予測し、かつ／又は入力１２８に基づいて、意思決定支援出力、及びそのような出力の内容を提供するか否かを決定するように構成される。以下で説明するように、アラート、意思決定支援推奨、医薬送達デバイス（例えば、インスリンポンプ又はペン）の操作を制御するための制御シグナルなどの様々な種類の意思決定支援出力を提供することができる。
【0018】
ユーザプロファイル１１８はまた、人口統計情報１２０、疾患進行情報１２２、及び医薬情報１２４を含んでもよい。特定の実施形態では、そのような情報は、ユーザ入力を介して提供されてもよく、又は特定のデータ記憶装置（例えば、電子医療記録（ＥＭＲ）など）から取得されてもよい。特定の実施形態では、人口統計情報１２０は、ユーザの年齢、体格指数（body mass index、ＢＭＩ）、民族性、性別などのうちの１つ以上を含み得る。特定の実施形態では、疾患進行情報１２２は、糖尿病などのユーザの疾患、又はユーザが高カリウム血症、低カリウム血症、高血糖、低血糖などの病歴を有するか否かに関する情報を含み得る。特定の実施形態では、ユーザの疾患に関する情報はまた、診断からの時間の長さ、疾患の段階、疾患制御のレベル、疾患管理療法の遵守のレベル、他の種類の診断（例えば、心疾患、肥満）、又は健康の尺度（例えば、心拍数、運動、ストレス、睡眠など）などを含み得る。特定の実施形態では、疾患進行情報１２２は、例えば、連続分析物監視システム１０４を介して生成された分析物センサデータに基づく１つ以上の予測アルゴリズム及び／又は訓練されたモデルの出力として提供され得る。
【0019】
特定の実施形態では、医薬情報１２４は、ユーザによって服用される医薬の量、頻度、及び種類に関する情報を含み得る。特定の実施形態では、ユーザによって服用される医薬の量、頻度、及び種類は、タイムスタンプが付与され、ユーザの分析物レベルと相関付けられ、それによって、その医薬の量、頻度、及び種類が、ユーザの分析物レベルに対して及ぼした影響を示している。特定の実施形態では、医薬情報１２４は、グルコース恒常性を制御及び／又は改善することが知られている１つ以上の薬物の摂取に関する情報を含み得る。グルコース恒常性を制御及び／又は改善することが知られている１つ以上の薬物としては、速効型及び長時間作用型インスリンを含むインスリンなどの血中グリコースレベルを低下させるための医薬、メトホルミンなどの他のグルコースを低下させる医薬などが挙げられ得る。以下でより詳細に説明するように、意思決定支援システム１００は、医薬情報１２４を使用して、異なるユーザに処方されるべき最適なインスリン投与を決定するように構成され得る。特に、意思決定支援システム１００は、患者の健康、患者の現在の状態、及び／又はインスリン投与の有効性に基づいて、１つ以上の最適なインスリン投与を識別するように構成され得る。
【0020】
特定の実施形態では、ユーザプロファイル１１８に記憶される情報の少なくとも一部が時間とともに修正されてもよく、かつ／又は新しい情報が意思決定支援エンジン１１４及び／又はアプリケーション１０６によってユーザプロファイル１１８に追加され得るため、ユーザプロファイル１１８は、動的である。したがって、ユーザデータベース１１０内に保存されたユーザプロファイル１１８中の情報は、ユーザに関連する情報の最新のレポジトリを提供する。
【0021】
ユーザデータベース１１０は、いくつかの実施形態では、パブリック又はプライベートクラウドで操作するストレージサーバを指す。ユーザデータベース１１０は、リレーショナルデータベース、非リレーショナルデータベース、キーバリュー型データストア、階層ファイルシステムを含むファイルシステムなどの任意の種類のデータストアとして実装されてもよい。いくつかの例示的な実装形態では、ユーザデータベース１１０は、分散される。例えば、ユーザデータベース１１０は、分散された複数の永続ストレージデバイスを含んでもよい。更に、ユーザデータベース１１０は、ストレージデバイスが地理的に分散されるように複製されてもよい。
【0022】
ユーザデータベース１１０は、他のユーザの表示デバイス１０７上で実行されるアプリケーション１０６と同様に相互作用する複数のユーザに関連付けられたユーザプロファイル１１８を含む。ユーザデータベース１１０内に保存されたユーザプロファイルは、アプリケーション１０６だけでなく、意思決定支援エンジン１１４にもアクセス可能である。ユーザデータベース１１０内のユーザプロファイルは、１つ以上のネットワーク（図示せず）を介して、アプリケーション１０６及び意思決定支援エンジン１１４にアクセス可能であり得る。上述したように、意思決定支援エンジン１１４、より具体的には意思決定支援エンジン１１４の予測モジュール１１６は、ユーザデータベース１１０から入力１２８をフェッチし、意思決定支援出力を生成することができ、次いで、ユーザプロファイル１１８内にアプリケーションデータ１２６として記憶され得る。
【0023】
特定の実施形態では、ユーザデータベース１１０内に記憶されたユーザプロファイル１１８は、履歴記録データベース１１２にも記憶され得る。履歴記録データベース１１２内に保存されたユーザプロファイル１１８は、アプリケーション１０６の各ユーザについての最新の情報及び履歴情報のレポジトリを提供し得る。したがって、履歴記録データベース１１２は、アプリケーション１０６の各ユーザに関連する全てのデータを本質的に提供し、データは、関連付けられたタイムスタンプに従って記憶される。履歴記録データベース１１２内に記憶された情報に関連付けられたタイムスタンプは、例えば、ユーザに関連する情報がいつ取得及び／又は更新されたかを識別することができる。
【0024】
更に、履歴記録データベース１１２は、連続分析物監視システム１０４及びアプリケーション１０６を使用するユーザについてのものを含む、ある期間にわたってユーザについて収集された時系列データを維持することができる。例えば、ユーザの健康を管理するために５年間にわたって連続分析物監視システム１０４及びアプリケーション１０６を使用したユーザについての分析物データは、５年間にわたって維持されたユーザに関連付けられた時系列分析物データを有してもよい。
【0025】
更に、特定の実施形態では、履歴記録データベース１１２は、連続分析物監視システム１０４及び／又はアプリケーション１０６のユーザではない１人以上の患者についてのデータを含み得る。例えば、履歴記録データベース１１２は、例えば健康管理医師（又は他の既知の方法）によって分析された、以前に糖尿病と診断されていない１人以上の患者に関する情報（例えば、ユーザプロファイル）、並びに例えば健康管理医師（又は他の既知の方法）によって分析された、以前に（様々な種類及び段階の）糖尿病を有すると診断された１人以上の患者に関する情報（例えば、ユーザプロファイル）を含み得る。履歴記録データベース１１２に記憶されたデータは、本明細書では母集団データと呼ばれることがある。
【0026】
履歴記録データベース１１２に記憶された各患者に関連するデータは、患者の疾患寿命にわたって収集された時系列データを提供してもよく、疾患は糖尿病であってもよい。例えば、データは、糖尿病を有すると診断される前の患者に関する情報、及び糖尿病に関連して併存する疾患に関連する情報を含む、疾患の生涯の間の患者に関連付けられた情報を含み得る。そのような情報は、患者の症状、患者の生理学的状態、患者のグルコースレベル、患者のインスリンレベル、患者の１つ以上の器官の状況／状態、患者の習慣（例えば、活動レベル、食物消費など）、処方された医薬などを示し得る。
【0027】
別の例では、データは、糖尿病、高血糖、又は低血糖と診断される前の患者に関する情報、及び患者において進行及び／又は退行した糖尿病に関連する情報、並びに高血糖、低血糖、腎疾患、高血圧、心臓の状態及び疾患、又は糖尿病に関連して併存する同様の疾患などの他の疾患に関連する情報を含む、疾患の生涯の間の患者に関連付けられた情報を含み得る。そのような情報は、病気の生涯を通じて、患者の症状、患者の生理学的状態、患者のグルコースレベル、患者のカリウムレベル、患者の乳酸塩レベル、患者のインスリンレベル、患者の１つ以上の器官の状況／状態、患者の習慣（例えば、活動レベル、食物消費など）、処方された医薬、服薬遵守などを示し得る。
【0028】
概念を明確にするために別個のデータベースとして示されているが、いくつかの実施形態では、ユーザデータベース１１０及び履歴記録データベース１１２は、単一のデータベースとして動作してもよい。すなわち、連続分析物監視システム１０４及びアプリケーション１０６のユーザに関連する履歴及び現在のデータ、並びに連続分析物監視システム１０４及びアプリケーション１０６の以前のユーザではなかった患者に関連する履歴データは、単一のデータベースに記憶され得る。単一のデータベースは、パブリック又はプライベートクラウドで動作するストレージサーバであってもよい。
【0029】
前述のように、意思決定支援システム１００は、少なくとも連続グルコースセンサを含む連続分析物監視システム１０４を使用して、ユーザの糖尿病のリスクを診断し、病期分類し、治療し、評価するように構成される。例えば、意思決定支援エンジン１１４は、ユーザデータベース１１０に記憶されたユーザプロファイル１１８内のユーザに関連付けられた情報を収集し、それに対して分析を実行して、（１）将来の分析物レベル（例えば、グルコースレベル）を予測し、（２）低血糖及び高血糖などの有害イベントのリスクを予測し、（３）有害イベントの予測されたリスクに基づいてアラームを生成し、及び／又は（４）治療推奨を提供するように構成されてもよい。特定の実施形態は、ユーザのグルコース測定基準は、グルコースレベル、グルコースレベル変化率、グルコース傾向、平均グルコース、グルコース管理インジケータ（glucose management indicator、ＧＭＩ）、血糖変動性、範囲内時間（time in range、ＴＩＲ）、グルコースクリアランス率などを含み得る。
【0030】
ユーザプロファイル１１８は、そのような分析を実行するために、１つ以上のネットワーク（図示せず）を介して意思決定支援エンジン１１４にアクセス可能であり得る。特定の実施形態では、意思決定支援エンジン１１４は、糖尿病に関するリアルタイム及び／又は非リアルタイムの意思決定支援を、ヘルスケア提供者（healthcare provider、ＨＣＰ）、ユーザの家族、ユーザの介護者、研究者、並びに／あるいはケア又はデータからの学習をサポートする他の個人、システム、及び／又はグループを含むがこれらに限定されないユーザ及び／又は他者に提供するように構成される。
【0031】
特定の実施形態では、意思決定支援エンジン１１４は、（１）将来の分析物レベル（例えば、グルコースレベル）を予測し、（２）低血糖及び高血糖などの有害イベントのリスクを予測し、かつ／又は（３）予測された将来の分析物レベル及び／若しくは有害イベントの予測されたリスクに基づいて意思決定支援出力を生成するための１つ以上の訓練された機械学習モデルを含む予測モジュール１１６を利用し得る。図１の図示された実施形態では、予測モジュール１１６は、訓練サーバシステム１４０によって提供される訓練された機械学習モデルを利用し得る。概念を明確にするために別個のサーバとして示されているが、いくつかの実施形態では、訓練サーバシステム１４０及び意思決定支援エンジン１１４は、単一のサーバとして動作してもよい。すなわち、モデルは、単一のサーバによって訓練及び使用されてもよく、又は１つ以上のサーバによって訓練され、１つ以上の他のサーバ上で使用するために展開されてもよい。特定の実施形態では、モデルは、リレーショナル及び／又は非リレーショナルデータベースフォーマットの１つ又は多くの物理サーバ上で少なくとも部分的に実行される１つ又は多くの仮想マシン（virtual machine、ＶＭ）上で訓練されてもよい。
【0032】
訓練サーバシステム１４０は、訓練データを使用して機械学習モデルを訓練するように構成され、訓練データは、（１）糖尿病ではない、又は（２）糖尿病の様々な段階であると以前に診断された１人以上の患者（例えば、連続分析物監視システム１０４及び／又はアプリケーション１０６のユーザ又は非ユーザ）に関連付けられたデータ（例えば、ユーザプロファイルからの）を含み得る。訓練データは、履歴記録データベース１１２に記憶されてもよく、機械学習モデルを訓練するために１つ以上のネットワーク（図示せず）を介して訓練サーバシステム１４０にアクセス可能であってもよい。訓練データはまた、場合によっては、経時的なユーザのためのユーザ固有データを含み得る。
【0033】
訓練データは、例えば、特徴化され、ラベル付けされたデータセットを指す。特定の実施形態では、データセットは、複数の履歴データ記録を含む、母集団ベースのデータセットであってもよい。データセット内の各履歴データ記録は、ユーザデータベース１１０内に記憶された異なるユーザプロファイルに対応する情報を含み得る。更に、各履歴データ記録は、特徴付けられ、ラベル付けされてもよい。機械学習及びパターン認識において、特徴は、個々の測定可能な特性又は特徴である。一般に、データ内のパターンを最もよく特徴付ける特徴が、予測機械学習モデルを作成するために選択される。データラベル付けは、１つ以上の意味のある有益なラベルを追加して、機械学習モデルによる学習のためにデータにコンテキストを提供するプロセスである。
【0034】
例示的な例として、対応する履歴データ記録に反映されるユーザの各々の関連する特性は、機械学習モデルを訓練する際に使用される特徴であり得る。そのような特徴は、ユーザの人口統計情報（例えば、年齢、性別など）、タイムスタンプ付き分析物測定値（例えば、タイムスタンプ付きグルコース測定値）、タイムスタンプ付き食事摂取情報、タイムスタンプ付きインスリン投与情報（例えば、投与されたインスリン投薬量）に関連付けられた特徴を含んでもよい。各履歴データ記録は、対応するモデルが予測するように訓練されているものに応じてラベル付けされてもよい。
【0035】
次いで、モデルは、特徴付けられ、ラベル付けされた訓練データを使用して、訓練サーバシステム１４０によって訓練される。特定の実施形態では、各履歴データ記録の特徴は、機械学習モデルへの入力として使用されてもよく、生成された出力は、対応する履歴データ記録に関連付けられたラベルと比較されてもよい。モデルは、生成された出力と提供されたラベルとの間の差に基づいて、損失を計算することができる。次いで、この損失を使用して、モデルの内部パラメータ又は重みを修正する。各病歴患者に対応する各病歴データ記録を反復的に処理することによって、特定の実施形態では、モデルは、正確な予測を生成するために反復的に精緻化され得る。
【0036】
図１に示されるように、訓練サーバシステム１４０は、ランタイム中に使用するために、これらの訓練されたモデルを意思決定支援エンジン１１４に展開する。例えば、意思決定支援エンジン１１４は、ユーザに関連付けられたユーザプロファイル１１８を取得し、ユーザプロファイル１１８内の情報を訓練されたモデルへの入力として使用し、将来の分析物レベル（例えば、グルコースレベル）及び／又は低血糖及び／又は高血糖のリスクの予測を出力し得る。次いで、意思決定支援エンジン１１４は、予測を使用して、意思決定支援出力を生成することができる。例えば、予測が低血糖又は高血糖イベントを示す場合、意思決定支援出力は、以下に説明されるようなアラート発生モデルを使用して生成されるアラート（すなわち、アラーム）を含んでもよい。アラートを生成することは、表示デバイス（例えば、表示デバイス１０７）に、例えば、予測されたイベント及び／又は患者のグルコースレベルを示し得る、可視メッセージ、可聴アラート、又は触知可能アラート（例えば、触覚デバイスを用いて）などの人間が知覚可能なアラートを出力させることを含んでもよい。
【0037】
特定の実施形態では、アラートとともに、又はアラートの代わりに、意思決定支援出力はまた、運動を行うこと、炭水化物を消費すること、インスリンを投与すること（例えば、注入速度を変更すること）などの患者に対する意思決定支援推奨を含んでもよい。特定の実施形態では、アラートとともに、又はアラートの代わりに、意思決定支援出力は、ユーザに投与されている、又は投与される予定のインスリンの量を変更するためのインスリンポンプへのシグナルを更に含んでもよい。
【0038】
意思決定支援出力は、ユーザに（例えば、アプリケーション１０６を通して）、ユーザの世話人（例えば、親、親族、保護者、教師、看護師など）に、ユーザの医師に、又は場合によっては推奨される治療を達成することなどによってユーザの健康を改善する目的でユーザの健康に関心を有する任意の他の個人に提供されてもよい。
【0039】
特定の実施形態では、ユーザ自身のデータを使用して、母集団データに基づいて最初に訓練され得る１つ以上のモデルを個人向けにする。例えば、モデル（例えば、母集団データを使用して訓練されたもの）は、ユーザの将来の分析物レベルを予測するために、意思決定支援エンジン１１４による使用のために展開されてもよい。モデルを使用して予測を行った後、意思決定支援エンジン１１４は、ユーザの実際の分析物値を取得し、予測と実際のグルコース値との間の損失を計算するように構成されてもよく、この損失は、モデルを再訓練するために使用され得る。したがって、モデルは、予測と実際のグルコース値との間の計算された損失をモデルへの入力として使用して継続して再訓練され、個人向きにされ、ユーザのためにモデルを個人向きにすることができる。本明細書の１つ以上のモデルを訓練することに関する追加の詳細は、以下で更に詳細に説明される。
【0040】
図２は、本開示の特定の態様による、例示的な連続分析物センサシステム１０４、非分析物センサ２０６、医療用デバイス２０８、並びに複数の表示デバイス２１０、２２０、２３０、及び２４０を含む分析物監視システム２００を示す。分析物監視システム２００の構成要素は、本開示の特定の態様に従って、ユーザの１つ以上の分析物を連続的に監視するように動作するように構成される。
【0041】
図示される実施形態における連続分析物監視システム１０４は、センサ電子機器モジュール２０４と、センサ電子機器モジュール２０４に関連付けられた１つ以上の連続分析物センサ２０２（本明細書では個別に連続分析物センサ（continuous analyte sensor）２０２と称され、本明細書では集合的に連続分析物センサ（continuous analyte sensors）２０２と称される）と、を備える。センサ電子機器モジュール２０４は、表示デバイス２１０、２２０、２３０、及び２４０のうちの１つ以上と（例えば、直接的又は間接的に）無線通信してもよい。特定の実施形態では、センサ電子機器モジュール２０４はまた、医療用デバイス２０８（本明細書では個別に医療用デバイス（medical device）２０８と称され、本明細書では集合的に医療用デバイス（medical devices）２０８と称される）などの１つ以上の医療用デバイス、及び／又は１つ以上の他の非分析物センサ２０６（本明細書では個別に非分析物センサ（non-analyte sensor）２０６と称され、本明細書では集合的に非分析物センサ（non-analyte sensor）２０６と称される）と無線通信してもよい（例えば、直接的又は間接的に）。
【0042】
特定の実施形態では、連続分析物センサ２０２は、分析物を検出及び／又は測定するためのセンサを含み得る。連続分析物センサ２０２は、２つ以上の分析物を連続的に測定するように構成された多分析物センサ、又は非侵襲的デバイス、皮下デバイス、経皮デバイス、経真皮デバイス、及び／又は血管内デバイスとして単一分析物を連続的に測定するように構成された単一分析物センサであってもよい。特定の実施形態では、連続分析物センサ２０２は、酵素、化学、物理、電気化学、分光光度、旋光、熱量、イオン泳動、放射分析、免疫化学などの１つ以上の測定技術を使用して、ユーザの分析物レベルを連続的に測定するように構成されてもよい。特定の態様では、連続分析物センサ２０２は、ユーザ内の１つ以上の分析物の濃度を示すデータストリームを提供する。データストリームは、生データシグナルを含んでもよく、生データシグナルは、次いで、推定分析物値をユーザに提供するために使用される較正及び／又はフィルタリングされたデータストリームに変換される。
【0043】
特定の実施形態では、連続分析物センサ２０２は、ユーザの身体内の複数の分析物を連続的に測定するように構成される、多分析物センサであってもよい。例えば、特定の実施形態では、連続多分析物センサ２０２は、ユーザの身体内のグルコース、インスリン、乳酸塩、ケトン、ピルビン酸塩、及びカリウムのうちの２つ以上を測定するように構成される、単一多分析物センサであってもよい。
【0044】
特定の実施形態では、１つ以上の多分析物センサが、１つ以上の単一分析物センサと組み合わせて使用されてもよい。例示的な例として、多分析物センサは、カリウム及びグルコースを連続的に測定するように構成されてもよく、場合によっては、乳酸塩レベルのみを測定するように構成された分析物センサと組み合わせて使用されてもよい。多分析物センサ及び単一分析物センサのそれぞれからの情報を組み合わせて、本明細書に記載の方法を使用して糖尿病意思決定支援を提供することができる。
【0045】
連続分析物センサ２０２は、連続グルコースモニタ（continuous glucose monitor、ＣＧＭ）として実装されてもよい。連続グルコースモニタのいくつかの例には、グルコース監視センサが含まれる。いくつかの実施形態では、グルコース監視センサは、米国特許第６，００１，０６７号及び米国特許公開第２０１１－００２７１２７－Ａ１号を参照して説明されるような埋め込み型センサである。いくつかの実施形態では、グルコース監視センサは、米国特許出願公開第２００６－００２０１８７－Ａ１号を参照して説明されるような経皮センサである。いくつかの実施形態では、グルコース監視センサは、米国特許公開第２００９－０１３７８８７－Ａ１号を参照して説明されるような二重電極分析物センサである。更に他の実施形態では、グルコース監視センサは、米国特許公開第２００７－００２７３８５－Ａ１号に記載されているセンサのように、宿主血管又は体外に埋め込まれるように構成される。これらの特許及び出版物は、それらの全体が参照により本明細書に組み込まれる。
【0046】
本明細書で使用される場合、「連続」という用語は、完全連続、半連続、周期的などを意味し得る。分析物のそのような連続監視は、連続測定が、連続的な期間にわたる分析物変化の傾向及び速度に関する情報だけでなく、最新の測定を連続的に提供することを考慮すると、疾患の診断及び病期分類において有利である。そのような情報は、グルコース恒常性の評価及び糖尿病の治療において、より多くの情報に基づいた決定を行うために使用され得る。
【0047】
特定の実施形態では、センサ電子機器モジュール２０４は、センサデータの処理及び較正と関連付けられた予期アルゴリズムを含む、連続表示デバイスセンサデータの測定及び処理と関連付けられた電子回路を含む。センサ電子機器モジュール２０４は、連続分析物センサ２０２に物理的に接続することができ、連続分析物センサ２０２と一体化される（解放不可能に取り付けられる）か、又は解放可能に取り付けられ得る。センサ電子機器モジュール２０４は、連続分析物センサ２０２を介して表示デバイスのレベルの測定を可能にするハードウェア、ファームウェア、及び／又はソフトウェアを含み得る。例えば、センサ電子機器モジュール２０４は、ポテンショスタット、センサに電力を提供するための電源、シグナル処理及びデータ記憶に有用な他の構成要素、及びセンサ電子機器モジュールから１つ以上の表示デバイスにデータを送信するためのテレメトリモジュールを備えていてもよい。電子機器は、プリント回路基板（printed circuit board、ＰＣＢ）などに固定することができ、様々な形態をとることができる。例えば、電子機器は、特定用途向け集積回路（Application-Specific Integrated Circuit、ＡＳＩＣ）などの集積回路（integrated circuit、ＩＣ）、マイクロコントローラ、及び／又はプロセッサの形態をとることができる。
【0048】
表示デバイス２１０、２２０、２３０、及び／又は２４０は、センサ電子機器モジュール２０４によって送信され得る、分析物データを含む、表示可能センサデータを表示するように構成される。表示デバイス２１０、２２０、２３０、又は２４０の各々は、センサデータをユーザに表示するため、及び／又はユーザからの入力を受け入れるためのタッチスクリーンディスプレイ２１２、２２２、２３２、／又は２４２などのディスプレイを含むことができる。例えば、このような目的のために、ユーザにグラフィカルユーザインターフェース（graphical user interface、ＧＵＩ）を提示してもよい。いくつかの実施形態では、表示デバイスは、センサデータを表示デバイスのユーザに通信するため、かつ／又はユーザ入力を受け入れるために、タッチスクリーンディスプレイの代わりに又はこれに加えて、音声ユーザインターフェースなどの他の種類のユーザインターフェースを含み得る。表示デバイス２１０、２２０、２３０、及び２４０は、図１のユーザにセンサデータを表示し、及び／又はユーザからの入力を受信するために使用される、図１に示される表示デバイス１０７の例であり得る。
【0049】
いくつかの実施形態では、表示デバイスのうちの１つ、いくつか、若しくは全ては、センサデータの較正及びリアルタイム表示のために要求されるいかなる付加的な予想される処理を伴わずに、センサデータがセンサ電子機器モジュールから通信されたときに（例えば、それぞれの表示デバイスに送信されるデータパッケージにおいて）、そのセンサデータを表示又はそうでなければ通信するように構成されている。
【0050】
複数の表示デバイスは、センサ電子機器モジュールから受信した分析物データと関連付けられた特定の種類の表示可能センサデータを表示するために特別に設計されたカスタム表示デバイスを含んでもよい。特定の実施形態では、複数の表示デバイスは、表示可能センサデータに基づいてアラート／アラームを提供するように構成されてもよい。表示デバイス２１０は、このようなカスタムデバイスの一例である。いくつかの実施形態では、複数の表示デバイスのうちの１つは、スマートフォン、例えば、市販のオペレーティングシステム（operating system、ＯＳ）を使用して、連続センサデータ（例えば、現在データ及び履歴データを含む）のグラフィカル表現を表示するように構成された、携帯電話を表す表示デバイス２２０である。他の表示デバイスは、タブレットを表す表示デバイス２３０、スマートウォッチを表す表示デバイス２４０、医療用デバイス２０８（例えば、インスリン送達デバイス若しくは血中グルコース計）、及び／又はデスクトップ若しくはラップトップコンピュータ（図示せず）を含むことができる。
【0051】
表示デバイスによってユーザインターフェースが異なるため、データパッケージの内容（例えば、表示されるデータの量、フォーマット、及び／又は種類、アラームなど）を、特定の表示デバイス毎にカスタマイズすることができる（例えば、製造業者及び／又はエンドユーザによって異なるようにプログラムすることができる）。したがって、特定の実装形態では、複数の異なる表示デバイスは、センサセッション中にセンサ電子機器モジュール（例えば、連続分析物センサ２０２に物理的に接続された皮膚上センサ電子機器モジュール２０４など）と直接無線通信して、表示可能センサデータと関連付けられた複数の異なる種類及び／又はレベルの表示及び／又は機能を可能にすることができる。
【0052】
特定の実施形態では、表示デバイスのうちの１つ以上は、ＵＩ特徴を提示するための液晶ディスプレイ（liquid crystal display、ＬＣＤ）、バイブレータ、オーディオトランスデューサ（例えば、スピーカ）、バックライト（図示せず）などの種々のインターフェースを含み得る、ユーザインターフェースを有してもよい。そのようなユーザインターフェースを備える構成要素は、ユーザ（例えば、ホスト）と相互接続するための制御を提供することができる。１つ以上のＵＩ特徴は、例えば、トグル、メニュー選択、オプション選択、ステータス選択、オンスクリーン質問に対するはい／いいえ応答、「オフ」機能（例えば、アラームのための）、「肯定応答」機能（例えば、アラームのための）、リセットなどを可能にしてもよい。ＵＩ特徴は、ユーザに、例えば視覚データ出力を提供することもできる。オーディオトランスデューサ（例えば、スピーカ）は、現在及び／又は予測された状態などの特定のアラートのトリガに応答して、可聴シグナルを提供してもよい。いくつかの例示的な実装形態では、可聴シグナルは、トーン、音量、デューティサイクル、パターン、持続時間などによって区別され得る。いくつかの例示的な実装形態では、可聴シグナルは、１つ以上のボタンを押すことによって消音される（例えば、肯定応答又はオフにされる）ように構成され得る。
【0053】
上述のように、センサ電子機器モジュール２０４は、医療用デバイス２０８と通信してもよい。医療用デバイス２０８は、本開示のいくつかの例示的な実施形態では、受動デバイスであってもよい。例えば、医療用デバイス２０８は、インスリンをユーザに投与するためのインスリンポンプであってもよい。様々な理由で、そのようなインスリンポンプが、連続分析物監視システム１０４から送信されるグルコース、カリウム、乳酸塩、インスリン、ケトン、及び／又はピルビン酸塩の値を受信及び追跡することが望ましい場合があり、連続分析物センサ２０２は、グルコース、インスリン、カリウム、乳酸塩、ケトン、及び／又はピルビン酸塩を測定するように構成される。
【0054】
更に、上述したように、センサ電子機器モジュール２０４は、他の非分析物センサ２０６とも通信することができる。非分析物センサ２０６は、高度計センサ、加速度計センサ、温度センサ、呼吸数センサ、汗センサなどを含んでもよいが、これらに限定されない。非分析物センサ２０６はまた、心拍数モニタ、ＥＣＧモニタ、血圧モニタ、パルス酸素濃度計、カロリー摂取量、及び医薬送達デバイスなどのモニタを含んでもよい。これらの非分析物センサ２０６のうちの１つ以上は、以下で更に説明される意思決定支援エンジン１１４にデータを提供し得る。いくつかの態様では、ユーザは、図１の訓練サーバシステム１４０及び／又は意思決定支援エンジン１１４による処理のためにデータの一部を手動で提供することができる。
【0055】
特定の実施形態では、非分析物センサ２０６は、例えば、１つ以上の連続分析物センサ２０２と組み合わせられるなど、任意の他の構成で組み合わせられてもよい。例示的な例として、非分析物センサ、例えば心拍数センサは、グルコースを測定するように構成された連続分析物センサ２０２と組み合わされて、共通の通信回路を使用してセンサ電子機器モジュール２０４にセンサデータを送信するために使用されるグルコース／心拍数センサを形成してもよい。別の例示的な例として、非分析物センサ、例えば、心拍数センサ及び／又はＥＣＧセンサは、グルコース及びカリウムを測定するように構成された多分析物センサ２０２と組み合わされて、共通の通信回路を使用してセンサデータをセンサ電子機器モジュール２０４に送信するために使用されるグルコース／カリウム／心拍数センサを形成してもよい。
【0056】
特定の実施形態では、無線アクセスポイント（wireless access point、ＷＡＰ）が、連続分析物監視システム１０４、複数の表示デバイス、医療用デバイス２０８、及び／又は非分析物センサ２０６のうちの１つ以上を互いに連結するために使用されてもよい。例えば、ＷＡＰ１３８は、これらのデバイスの中でＷｉ－Ｆｉ及び／又はセルラー接続を提供してもよい。近距離無線通信（Near Field Communication、ＮＦＣ）及び／又はＢｌｕｅｔｏｏｔｈもまた、図２のダイアグラム２００に示されるデバイス間で使用され得る。
【0057】
図３は、本明細書に開示されるいくつかの実施形態による、図１の意思決定支援システムによって使用される例示的な入力を示す。特に、図３は、図１において導入された例示的な入力のより詳細な図を提供する。図３は、左側に例示的な入力１２８を示し、中央にアプリケーション１０６及び予測モジュール１１６を含む意思決定支援エンジン１１４を示し、右側にアラート１３０を示す。特定の実施形態では、アラート１３０は、予測モジュール１１６を使用して予測されたイベントに対応し、そのイベントを記述することができる。
【0058】
アプリケーション１０６は、１つ以上のチャネル（例えば、手動のユーザ入力、センサ／モニタ、表示デバイス１０７上で実行される他のアプリケーション、ＥＭＲなど）を介して入力１２８を取得する。前述したように、特定の実施形態では、入力１２８は、予測モジュール１１６及び／又は意思決定支援エンジン１１４によって処理されて、意思決定支援出力（例えば、アラート１３０）を出力することができる。上述したように、アラート１３０は、ユーザに提供され得る意思決定支援出力の種類の一例にすぎない。例えば、特定の実施形態では、入力１２８は、意思決定支援推奨、インスリン送達デバイス（例えば、インスリンポンプ又はペン）へのシグナルなどの付加的又は代替的意思決定支援出力をユーザに提供するために、意思決定支援エンジン１１４によって使用されてもよい。
【0059】
入力１２８は、所与の時間ｔ（ｋ）におけるグルコース測定値（ｇ（ｋ））、所与の時間ｔ（ｋ）における食事摂取情報（ＣＨＯ（ｋ））、及び所与の時間ｔ（ｋ）に投与された外因性インスリン情報の量（Ｉ（ｋ））を含み得る。グルコースが測定される時間、食事が消費される時間、及び外因性インスリンが投与される時間は異なっていてもよいことに留意されたい。
【0060】
グルコース測定値ｇ（ｋ）は、連続分析物監視システム１０４の一部である少なくとも連続グルコースセンサ（又は少なくともグルコースを測定するように構成された多表示デバイスセンサ）によって測定され、そこから受信され得る。食事摂取情報ＣＨＯ（ｋ）は、サイズ、内容（カリウム、グルコース、乳酸塩、炭水化物、脂肪、タンパク質などのミリグラム（ｍｇ）数）、消費の順序、及び消費の時間のうちの１つ以上など、食事、軽食、及び／又は飲料のうちの１つ以上についての情報を含んでもよい。特定の実施形態では、食事摂取情報ＣＨＯ（ｋ）は、手動入力によって、食物の種類及び量（例えば、食物のカリウム及びグルコース／炭水化物含有量）を認識するように構成されるアプリケーションを介して写真を提供することによって、並びに／又はバーコード若しくはメニューをスキャンすることによって、ユーザに提供されてもよい。様々な例では、食事サイズは、カロリー、量（例えば、「３つのクッキー」）、メニュー項目（例えば、「ロワイヤルウィズチーズ（Royale with Cheese）」）、及び／又は食品交換（１つの果物、１つの乳製品）のうちの１つ以上として手動で入力されてもよい。いくつかの例では、食事摂取情報ＣＨＯ（ｋ）は、アプリケーション１０６によって提供される便利なユーザインターフェースを介して受信されてもよい。
【0061】
特定の実施形態では、ユーザによって入力される食事摂取情報ＣＨＯ（ｋ）は、ユーザによって消費されるグルコースに関連し得る。消費のためのグルコースは、グルコース、デキストロース又は炭水化物（例えば、ブドウ糖タブレット、バナナ、又はパンなど）を含有する任意の天然又は人工の食物又は飲料を含み得る。
【0062】
外因性インスリン情報Ｉ（ｋ）は、ユーザのインスリン送達に関する情報を含み得る。特に、ユーザのインスリン送達に関連する入力を、スマートペン上の無線接続を介して、ユーザ入力を介して、及び／又は、インスリンポンプから受信してもよい。インスリン送達情報は、インスリンの容積、送達時間などのうちの１つ以上を含んでもよい。インスリン作用時間、インスリン活性速度、又はインスリン作用の持続時間などの他のパラメータもまた、入力として受信されてもよい。
【0063】
特定の実施形態では、時間は、例えば、時刻、又はリアルタイムクロックからの時刻などの入力として提供されてもよい。例えば、特定の実施形態では、グルコース測定値ｇ（ｋ）、食事摂取情報（ＣＨＯ（ｋ））、及び外因性インスリン情報Ｉ（ｋ）は、情報がユーザのために受信された日付及び時間を示すようにタイムスタンプが付与されてもよい。
【0064】
上述の入力１２８のいずれかのユーザ入力は、図１の表示デバイス１０７のユーザインターフェースを介して行われてもよい。上述したように、特定の実施形態では、予測モジュール１１６は、入力１２８に基づいて、意思決定支援出力を提供するか否か及びそのような出力の内容（例えば、アラート１３０を生成するか否か及びアラート１３０の内容）を決定する。
【0065】
予測モジュールを使用して予測意思決定支援出力を提供するための例示的な方法及びシステム
図４は、入力１２８に基づいて将来のグルコース測定値を予測するように構成された機械学習モデル４０２を訓練するための例示的なワークフロー４００を示す。機械学習モデル４０２は、個々のユーザ又はユーザの集団のための入力１２８を使用して訓練され得る。機械学習モデル４０２は、意思決定支援出力（例えば、アラート１３０）を生成するか否か、並びにそのような出力の内容（例えば、以下でより詳細に説明されるように、アラート１３０を生成するか否か、及びアラート１３０の内容）を決定するために、予測された将来のグルコース測定値を取得するために、予測モジュール１１６によって使用され得る。機械学習モデル４０２の訓練は、訓練サーバシステム１４０によって、又は予測モジュール１１６自体内のソフトウェアモジュールによって実行され得る。ワークフロー４００は、機械学習モデル４０２を経時的に更新するために、連続的に又は周期的に実行され得る。
図４は、入力１２８に基づいて将来のグルコース測定値を予測するように構成された機械学習モデル４０２を訓練するための例示的なワークフロー４００を示す。機械学習モデル４０２は、個々のユーザ又はユーザの集団のための入力１２８を使用して訓練され得る。機械学習モデル４０２は、意思決定支援出力（例えば、アラート１３０）を生成するか否か、並びにそのような出力の内容（例えば、以下でより詳細に説明されるように、アラート１３０を生成するか否か、及びアラート１３０の内容）を決定するために、予測された将来のグルコース測定値を取得するために、予測モジュール１１６によって使用され得る。機械学習モデル４０２の訓練は、訓練サーバシステム１４０によって、又は予測モジュール１１６自体内のソフトウェアモジュールによって実行され得る。ワークフロー４００は、機械学習モデル４０２を経時的に更新するために、連続的に又は周期的に実行され得る。
【0066】
所与の時間ｔ（ｋ）について、その時間ｔ（ｋ）又は時間ｔ（ｋ）に先行するウィンドウについての入力１２８を、機械学習モデル４０２を使用して処理して、後続の時間ｔ（ｋ＋１）についての予測グルコース測定値
【0067】
【数1】
【0068】
次いで、時間ｔ（ｋ＋１）についての予測グルコース測定値
【0069】
【数2】
【0070】
機械学習モデル４０２は、線形回帰ベースのモデル、又は非線形機械学習モデルなどの他の種類の機械学習モデルであり得る。機械学習モデル４０２は、複数入力単一出力（multi-input, single output、ＭＩＳＯ）モデルである。ＭＩＳＯモデルは、機械学習モデル４０２を実装するために選択することができる多数の自由度を示す。例えば、モデルクラス（外因性入力を用いる自己回帰（autoregressive with exogenous input、ＡＲＸ）；外因性入力を用いる自己回帰移動平均（autoregressive moving average with exogenous input、ＡＲＭＡＸ）；外因性入力を伴う自己回帰積分移動平均（autoregressive integrated moving average with exogenous input、ＡＲＩＭＡＸ）；出力エラー（output-error、ＯＥ）；Box-Jenkins（ＢＪ））及びモデル複雑性（推定されるパラメータの数）。以下に要約される試験結果は、モデル次数を選択するための方法として使用されるベイズ情報量基準（Bayesian information criterion、ＢＩＣ）を伴うＡＲＩＭＡＸモデルを使用して得られた（［２４］、［２９］、［３０］を参照されたい）。
【0071】
機械学習モデル４０２のモデルパラメータを推定するために、予測エラー法（prediction error method、ＰＥＭ）が、１ステップ先の予測エラーを最小化するために使用され得る。特に、モデルパラメータをθとして指定し、損失関数４０４をＭＳＥ費用関数として実装する。したがって、推定モデルパラメータ
【0072】
【数3】
【0073】
【数4】
【0074】
【数5】
【0075】
図５Ａ、５Ｂ、及び５Ｃを参照すると、改善された手法では、推定モデルパラメータ
【0076】
【数6】
【0077】
【数7】
【0078】
ｇＭＳＥ測定基準は、図５Ａに示されるＣｌａｒｋｅ誤差グリッド（Clarke error grid、ＣＥＧ）［３６］によって示唆され、予測エラーの臨床的影響を説明する。ｇＭＳＥ測定基準は、低血糖の過大評価及び高血糖の過小評価の場合にペナルティ関数に従ってＭＳＥ値を増加させることによって取得される。例えば、ｇＭＳＥ値は、低血糖中のグルコース過剰推定の場合に２５０％まで、高血糖中のグルコース過小推定の場合に２００％まで、ＭＳＥ値を増加させることによって取得され得る。そうすることによって、低血糖症における過大評価は、同じ領域における過小評価よりもペナルティを課される。なぜなら、前者は臨床的により危険であるからであり、低血糖症における過大評価は、エピソードの検出を妨げるか、又はその重症度の最適化評価を誘導し、不適切な治療につながる可能性があるからである。対称推論は、高血糖の場合に当てはまるが、低血糖は高血糖よりも危険であると考えられるので、第１の場合には、ＭＳＥを、第２の場合（例えば、２００％までのみ）よりも増加させる（例えば、２５０％まで）。
【0079】
ＭＳＥの増加は、ｇＭＳＥが元の測定基準の２つの基本的な数学的特性である平滑性及び凸性を保持するように行われる。なぜなら、これらの特性は、パラメータ推定に関与する最適化を単純化するからである。特に、ペナルティ関数は、図５Ｂに示すように、滑らかな表面を達成するために、［３２］に記載されているようにｇ（ｋ＋１）及び
【0080】
【数8】
【0081】
図５Ｃを参照すると、ｇＭＳＥを損失関数４０４として使用して訓練された機械学習モデル４０２は、ＭＳＥのみを使用して訓練されたモデルと比較して、高血糖閾値（例えば、１８０ｍｇ／ｄｌ）の近傍及びそれを上回る領域においてより正確である可能性が高い予測値を出力することになるが、これは、この領域におけるエラーが、訓練中により多くペナルティを課されたためである。過大評価エラーは、臨床的に影響のある損傷を引き起こす可能性が低いので、この領域（高血糖閾値の近傍及びそれを上回る領域）では、過小評価エラーと比較して過大評価エラーが好まれる。同様に、ｇＭＳＥを損失関数ｎ４０４として使用して訓練された機械学習モデル４０２は、ＭＳＥに関して低血糖閾値（例えば、７０ｍｇ／ｄｌ）の近傍においてより正確である可能性が高い予測値を出力する。なぜなら、この領域におけるエラーは、訓練中により多くペナルティを課されたためである。過小評価エラーは、臨床的に影響力のある損傷を引き起こす可能性が低いため、この領域（低血糖閾値の近傍）における過大評価エラーと比較して好まれる。
【0082】
図６は、機械学習モデル４０２を使用して予測されたグルコース値に基づいて、アラート１３０などの意思決定支援出力を生成することの妥当性を決定するための予測ファネル評価器６０２を含むワークフロー６００を示す。ワークフロー６００は、ｇＭＳＥを使用して訓練された機械学習モデル４０２を参照して示され、説明されるが、ＭＳＥ又は他の損失関数を使用して訓練された他の機械学習モデルが、予測ファネル評価器６０２の利益の少なくとも一部を依然として達成しながら、機械学習モデル４０２の代わりに使用され得る。
【0083】
文献で提案されている予測グルコース値を使用してアラートを生成するためのいくつかの従来の手法は、単一の予測に焦点を当てており、低血糖閾値の交差を検出する際の予測精度を考慮することはほとんどない［１４］、［１５］。対照的に、ワークフロー６００によって実装される予測ファネルは、予測の不確実性も考慮しながら、異なる予測範囲における複数の予測を同時に考慮する。
【0084】
特に、機械学習モデル４０２は、［２６］に記載されている標準的な手順を使用してＫａｌｍａｎ予測因子などの予測フィルタ６０４を構築するために使用される。予測フィルタ６０４は、時間値ｔ（ｋ）に対する入力１２８を受信し、機械学習モデル４０２から予測グルコース測定値
【0085】
【数9】
【0086】
【数10】
【0087】
次いで、予測
【0088】
【数11】
【0089】
【数12】
【0090】
図７は、予測ファネル評価器６０２によって実装される例示的な方法７００を示す。方法７００は、時間値ｔ（ｋ）について、予測
【0091】
【数13】
【0092】
【数14】
【0093】
方法７００は、ステップ７０２において、予測フィルタ６０４から受信された不確実性から信頼区間を導出することを含み得る。例えば、所与の予測
【0094】
【数15】
【0095】
【数16】
【0096】
【数17】
【0097】
方法７００は、ステップ７０４において、高血糖閾値（例えば、１８０ｍｇ／ｄｌ）を完全に上回る信頼区間の数が最小数Ｎｐｒｅｄ以上であるかどうかを評価することを含む。Ｎｐｒｅｄは、１からＰＨｍａｘまでの任意の数であり得る調整可能な値である。低血糖アラームに関して、本願発明者らによって行われた実験は、Ｎｐｒｅｄについて１の値を使用することが適切な結果を提供するが、予測ファネル評価器６０２の利益は、他の値でも同様に達成され得ることを見出した。ステップ７０４の条件が満たされる場合、方法７００は、高血糖イベントを予測すること、及び／又はステップ７０６において、高血糖アラート１３０の生成を呼び出すことを含む。
【0098】
方法７００は、ステップ７０８において、低血糖閾値（例えば、７０ｍｇ／ｄｌ）を完全に下回る信頼区間の数がＮｐｒｅｄ以上であるかどうかを評価することを含み得る。Ｎｐｒｅｄの値は、ステップ７０４及び７０８の評価に対して同じであってもよいし、又は異なっていてもよい。ステップ７０８の条件が満たされる場合、方法７００は、低血糖イベントを予測すること、及び／又はステップ７１０において、低血糖アラート１３０の生成を呼び出すことを含む。ステップ７０４及び７０８の条件のいずれも満たされない場合、本方法は、低血糖又は高血糖イベントを予測し、アラート１３０の生成を呼び出すことなく、ステップ７１２で終了する。
【0099】
意思決定支援エンジン１１４は、表示デバイス１０７に、可視メッセージ、可聴アラート、又は触知可能アラート（例えば、触覚デバイスを用いて）などの人間が知覚可能なアラートを提供させることによって、低血糖又は高血糖のアラート１３０を生成してもよい。意思決定支援エンジン１１４は、代わりに、又は加えて、フィットネストラッカー、スマートウォッチ、又は他のウェアラブルコンピューティングデバイスなどの、可視、可聴、又は触知可能なアラートを生成するための別のデバイスへの命令を生成し得る。
【0100】
低血糖又は高血糖イベントが予測される場合、特定の実施形態では、追加又は代替の意思決定支援出力が患者に提供され得る。例えば、意思決定支援出力は、運動を行うこと、炭水化物を消費すること、インスリンを投与することなどの患者に対する意思決定支援推奨を含んでもよい。特定の実施形態では、意思決定支援出力は、図９に関して以下に記載されるように、ユーザに投与されている、又は投与される予定のインスリンの量を変更するためのインスリンポンプへのシグナルを更に含んでもよい。
【0101】
図８は、予測ファネルを視覚化するプロットである。図８から明らかなように、ファネルは、現在のグルコース測定値、すなわちｇ（ｋ）からの時間的距離とともに高さが増加する。この高さの増加は、ｇ（ｋ）からの時間的距離を有する予測グルコース測定値の信頼区間のサイズの増加に対応する。したがって、信頼区間が高血糖閾値を完全に上回るか、又は低血糖閾値を完全に下回る確率は、所与の予測ｇ（ｋ＋ｉ｜ｋ）に対応する将来の時間ｔ（ｋ＋ｉ）までの時間的距離とともに減少する。したがって、予測ファネルは、複数の予測範囲を評価すると同時に、不確実性が増大し、予測範囲が増大することを考慮するという利点を有する。
【0102】
予測ファネル評価器６０２に対する様々な修正が、上記で説明された利益のうちの少なくともいくつかを依然として達成しつつ行われ得る。
【0103】
まず、上述した機械学習モデル４０２に代えて、様々な種類及び数の機械学習モデルが用いられてもよい。例えば、ＡＲＩＭＡＸ機械学習モデルの代わりに、非線形生理学的モデルが使用されてもよい。いくつかの代替的な機械学習モデル型では、予測フィルタ６０４を使用して、１つより多い時間ステップ先の予測を取得することが実現可能でない場合がある。代わりに、複数の機械学習モデルが訓練されてもよく、各々は、異なる予測範囲を有し、信頼区間を得るために使用され得る対応する信頼区間又は不確実性の測定基準を提供する。
【0104】
いくつかの種類の代替的な機械学習モデルは、信頼区間、又は信頼区間を導出するために使用され得る不確実性を本質的に提供しない。したがって、信頼区間は、各予測範囲における訓練セットについて予測エラー分散を推定し、各予測範囲について推定された予測エラー分散を使用して各予測範囲における信頼区間を得ることによって、１つ以上の機械学習モデルとは独立して計算され得る。
【0105】
予測フィルタ６０４としてＫａｌｍａｎフィルタを有するＡＲＩＭＡＸ機械学習モデル４０２の使用に対するいくつかの代替例は、少なくとも、（ａ）グルコース－インスリン動態の非線形生理学的モデル又は他の非線形ブラックボックスモデル（例えば、ディープニューラルネットワーク（deep neural network、ＤＮＮ）、畳み込みニューラルネットワーク（convolution neural network、ＣＮＮ）など）を、（ｂ）拡張Ｋａｌｍａｎフィルタ、アンセンテッドＫａｌｍａｎフィルタ、又は粒子フィルタのいずれかと組み合わせたものを含む。
【0106】
別の代替例では、上述の種類のいずれかの複数のモデルが訓練セットにフィッティングされ、訓練セットについての予測エラーの分布が複数のモデルの各々について計算される、アンサンブル手法が使用される。次いで、各モデルの予測エラーの分布を使用して、各モデルの予測を重み付けし、例えば線形結合を介して、各モデルの新しい推定値を計算することができる。次いで、モデルの新しい推定値を組み合わせて、最も低い予測エラーを有する新しい推定値を選択すること、新しい推定値を平均すること、又は別の手法によって、アンサンブル予測を得ることができる。アンサンブル予測の誤差分散は、訓練データセットから取得され得るか、又は各モデルについての予測エラーの分布から導出され得る。次いで、異なる予測範囲における予測及びアンサンブルの誤差分散を使用して、上述のように予測ファネルを構築することができる。
【0107】
図９を参照すると、図示されたワークフロー９００は、アラート１３０に応答してヒトが知覚可能な出力を生成する代わりに、又はそれに加えて、インスリンの送達及び／又は他の改善アクションの実行を制御するために使用され得る。
【0108】
ワークフロー９００において、インスリンポンプ９０２によって送達される外因性インスリンＩ（ｋ）は、入力９０６に基づいて自動インスリン送達（ＡＩＤ）アルゴリズム９０４によって計算され、この入力は、グルコース測定値ｇ（ｋ）、食事摂取情報ＣＨＯ（ｋ）、及び場合によっては、ユーザから、又は本明細書で上述した非分析物センサ２０６のいずれかなどのセンサのいずれかから受信されるその他の値９０８を含み得る。ＡＩＤアルゴリズム９０４は、当該技術分野で知られている任意のＡＩＤアルゴリズムであり得る。
【0109】
インスリン送達の特定の速度を提供するようにインスリンポンプ９０２に指示するＡＩＤアルゴリズム９０４からの制御シグナルは、オーバーライドモジュール９１０によって受信され得る。オーバーライドモジュール９１０は、意思決定支援エンジン１１４の一部として提供され得るソフトウェア命令のセットを指す。オーバーライドモジュール９１０は、ＡＩＤアルゴリズム９０４からの制御シグナルをインスリンポンプ９０２に渡すか、制御シグナルを完全に抑制するか、又は制御シグナルを修正して、ＡＩＤアルゴリズム９０４によって指示されたインスリン送達速度に対してインスリン送達速度を変更することができる。オーバーライドモジュール９１０は、予測ファネル評価器６０２によって出力された決定６０６を入力として解釈し得る。決定６０６は、上述のように、低血糖及び高血糖イベントが予測されたかどうかを示すことができる。
【0110】
第１の実装形態では、予測された低血糖イベントの場合、オーバーライドモジュール９１０は、決定６０６がもはや低血糖イベントを示さなくなるまで、インスリンポンプ９０２によるインスリンの注入を完全に抑制する。
【0111】
第２の実装形態では、オーバーライドモジュール９１０は、予測フィルタ６０４から予測ファネル、すなわち各グルコース予測の信頼区間を受信し、予測ファネルに従ってＡＩＤアルゴリズム９０４によって命令されたインスリン注入の量を調整する。例えば、オーバーライドモジュール９１０は、予測ファネルが１００ｍｇ／ｄｌ未満である場合にインスリン注入を５０％低減し、ファネルが８０ｍｇ／ｄｌ未満である場合にインスリン注入を７５％低減し、予測ファネルが７０ｍｇ／ｄｌ未満である場合にインスリン注入を１００％低減してもよい。
【0112】
第３の実装形態では、インスリンポンプ９０２による注入を制御するために使用されるＩ（ｋ）の値は、ワークフロー６００を使用して選択される。例えば、Ｉ（ｋ１）をＡＩＤアルゴリズム９０４によって選択されたインスリン注入量とする。オーバーライドモジュール９１０は、インスリン量のセットＩ（ｋ１）＋δｊ（ｊ＝１～Ｐ、ここで、Ｐは、インスリン量の数であり、δｊの値は、Ｉ（ｋ１）を含むインスリン注入の範囲を提供するように選択される）を生成することによって、新しいインスリン注入量Ｉ（ｋ２）を選択してもよい。複数の予測ファネルが、ワークフロー６００に従って取得されてもよく、各予測ファネルは、ｇ（ｋ）及びＣＨＯ（ｋ）、並びに値Ｉ（ｋ１）＋δｊの１つを使用して計算される。インスリンポンプ９０２によるインスリン注入を制御するためにオーバーライドモジュール９１０によって選択されるＩ（ｋ２）の値は、対応する予測ファネルが７０ｍｇ／ｄｌを完全に上回った値Ｉ（ｋ１）＋δｊのうちの１つであってもよい。予測ファネルのいずれもが７０ｍｇ／ｄｌを完全に上回らない場合、オーバーライドモジュール９１０は、所定量の炭水化物、例えば、１０、１５、又は２０グラムを消費するように、表示デバイス１０７上に命令を出力し得る。
【0113】
第２又は第３の実装形態は、表示デバイス１０７による出力のための意思決定支援推奨を提供することと置き換えられてもよく、又はそれとともに使用されてもよい。例えば、予測された低血糖イベントの場合、オーバーライドモジュール９１０は、所定量の炭水化物、例えば１５グラムを消費するための意思決定支援推奨を出力するように表示デバイス１０７に命令する。炭水化物の処方量は、固定であってもよく、又は予測ファネルに基づいて決定されてもよく、例えば、予測ファネルが部分的に７０ｍｇ／ｄｌを下回るが、全てが５０ｍｇ／ｄｌを上回る場合、１０グラムであり、ファネルが７０ｍｇ／ｄｌを全体的に下回り、部分的に５０ｍｇ／ｄｌを下回る場合、１５グラムであり、ファネルが５０ｍｇ／ｄｌを全体的に下回る場合、２０グラムである。
【0114】
炭水化物の処方量はまた、ワークフロー６００を使用して決定されてもよい。例えば、複数の予測ファネルがワークフロー６００に従って取得されてもよく、各予測ファネルは、ｇ（ｋ）及びＩ（ｋ）と、ＣＨＯ（ｋ）の現在の値を含む代替値の範囲など、ＣＨＯ（ｋ）の複数の代替値の１つとを使用して計算される。オーバーライドモジュール９１０によって選択された炭水化物の処方量は、対応する予測ファネルが全体的に７０ｍｇ／ｄｌを上回ったときの量であってもよい。
【0115】
試験結果
試験結果は、図４～図５Ｃに関して説明した予測モデル及び図６～図８に関して説明したアラーム発生モデルの改善された訓練を使用して得られた。試験は、多施設臨床試験（ＮＣＴ０２１３７５１２）で収集されたデータを使用して行われ、Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｖｉｒｇｉｎｉａで開発されたハイブリッド閉ループインスリン送達システム（人工膵臓）の長期使用を評価することを目的としていた［３２］。この試験及び全ての実験手順は、地元のＩＲＢ／倫理委員会によって承認された。１４人の（１型糖尿病）Ｔ１Ｄ個人が、人工膵臓システムの２４／７の使用を試験する５ヶ月のメインフェーズに参加した。グルコースデータは、ＤｅｘＣｏｍ Ｇ４（登録商標）センサ（ＤｅｘＣｏｍ，Ｉｎｃ．、Ｓａｎ Ｄｉｅｇｏ，ＣＡ，ＵＳＡ）を使用して５分のサンプル時間で記録し、インスリンは、Ｒｏｃｈｅ Ａｃｃｕ－Ｃｈｅｃｋ Ｓｐｉｒｉｔ Ｃｏｍｂｏ（登録商標）インスリンポンプ（Ｒｏｃｈｅ Ｄｉａｂｅｔｅｓ Ｃａｒｅ，Ｉｎｃ．、Ｉｎｄｉａｎａｐｏｌｉｓ，ＩＮ，ＵＳＡ）で注入した。これらの２つの既製の医療用デバイスは、Ｂｌｕｅｔｏｏｔｈを使用して、主要システム構成要素であるＤｉａｂｅｔｅｓ Ａｓｓｉｓｔａｎｔ（ＤｉＡｓ）［３３］（データフローを管理し、フレンドリなユーザインターフェースを提供し、制御アルゴリズムをホストすることを担当するＡｎｄｒｏｉｄスマートフォンに基づくプラットフォーム）と通信した。個人は、全ての炭水化物摂取量をシステムに挿入することによって、全ての食事について適切な量のインスリンを手動で送達するように命令された。実験の更なる詳細は［３２］に記載されている。
試験結果は、図４～図５Ｃに関して説明した予測モデル及び図６～図８に関して説明したアラーム発生モデルの改善された訓練を使用して得られた。試験は、多施設臨床試験（ＮＣＴ０２１３７５１２）で収集されたデータを使用して行われ、Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｖｉｒｇｉｎｉａで開発されたハイブリッド閉ループインスリン送達システム（人工膵臓）の長期使用を評価することを目的としていた［３２］。この試験及び全ての実験手順は、地元のＩＲＢ／倫理委員会によって承認された。１４人の（１型糖尿病）Ｔ１Ｄ個人が、人工膵臓システムの２４／７の使用を試験する５ヶ月のメインフェーズに参加した。グルコースデータは、ＤｅｘＣｏｍ Ｇ４（登録商標）センサ（ＤｅｘＣｏｍ，Ｉｎｃ．、Ｓａｎ Ｄｉｅｇｏ，ＣＡ，ＵＳＡ）を使用して５分のサンプル時間で記録し、インスリンは、Ｒｏｃｈｅ Ａｃｃｕ－Ｃｈｅｃｋ Ｓｐｉｒｉｔ Ｃｏｍｂｏ（登録商標）インスリンポンプ（Ｒｏｃｈｅ Ｄｉａｂｅｔｅｓ Ｃａｒｅ，Ｉｎｃ．、Ｉｎｄｉａｎａｐｏｌｉｓ，ＩＮ，ＵＳＡ）で注入した。これらの２つの既製の医療用デバイスは、Ｂｌｕｅｔｏｏｔｈを使用して、主要システム構成要素であるＤｉａｂｅｔｅｓ Ａｓｓｉｓｔａｎｔ（ＤｉＡｓ）［３３］（データフローを管理し、フレンドリなユーザインターフェースを提供し、制御アルゴリズムをホストすることを担当するＡｎｄｒｏｉｄスマートフォンに基づくプラットフォーム）と通信した。個人は、全ての炭水化物摂取量をシステムに挿入することによって、全ての食事について適切な量のインスリンを手動で送達するように命令された。実験の更なる詳細は［３２］に記載されている。
【0116】
試験データは、異なる性質（ＣＧＭ（連続グルコースモニタ）、インスリン情報、及び炭水化物摂取）の実験データを取り扱うために前処理され、このことは、デバイス同期、記憶されたデータの完全性、及び患者が提供した情報の信頼性に関連するいくつかの技術的問題を提起するものである。まず、同期問題を解決するために、全てのシグナルを、ＴＳ＝５分で等しくサンプリングされた同じ時間グリッドに整列させた。第２に、この試験の目的に適した、３０分未満しか続かない不完全なデータ部分のみを含む１４連続日のデータの一部を選択し、次いで、訓練セット（最初の７日間）及び試験セット（最後の７日間）に分割した。最後に、欠落情報に関して、３０分未満しか続かない不完全なデータ部分は、以下に記載されるように、ギャップが訓練において生じたか、又は試験データにおいて生じたかどうかに依存して、異なる状態で埋められた。このデータ前処理ステップによれば、３人の対象は、十分な許容可能なデータを欠いているため、分析から除外された。最後に、欠落データに関して、訓練セットにおいて、三次スプライン補間を使用して、時系列に含まれる残りの欠落サンプルを埋めた。実際に、訓練セットは、モデル訓練中に全体的に利用可能であり、非因果的技術を使用することができる。代わりに、試験セットに対して、グルコース予測は、リアルタイムでのみ実行されるべきである。この理由のために、過去のサンプルのみを使用して、リアルタイムで適用可能な０次ホールドを使用して、ギャップを閉じた。
【0117】
異なる性質（ＣＧＭ、インスリン情報、及び炭水化物摂取）の実験データを取り扱うことは、デバイス同期、記憶されたデータの完全性、及び患者が提供した情報の信頼性に関連するいくつかの技術的問題を提起するものである。まず、同期問題を解決するために、全てのシグナルを、ＴＳ＝５分で等しくサンプリングされた同じ時間グリッドに整列させた。第２に、この実験の目的に適した、３０分未満しか続かない不完全なデータ部分のみを含む１４連続日のデータの一部を選択し、次いで、訓練セット（最初の７日間）及び試験セット（最後の７日間）に分割した。最後に、欠落情報に関して、３０分未満しか続かない不完全なデータ部分は、以下に記載されるように、ギャップが訓練において生じたか、又は試験データにおいて生じたかどうかに依存して、異なる状態で埋められた。このデータ前処理ステップによれば、３人の対象は、十分な許容可能なデータを見出すことができなかったため、分析から除外された。最後に、欠落データに関して、訓練セットにおいて、三次スプライン補間を使用して、時系列に含まれる残りの欠落サンプルを埋めた。実際に、訓練セットは、モデル訓練中に全体的に利用可能であり、非因果的技術を使用することができる。代わりに、試験セットに対して、グルコース予測は、リアルタイムでのみ実行され得る。この理由のために、過去のサンプルのみを使用して、リアルタイムで適用可能な０次ホールドを使用して、ギャップを閉じた。
【0118】
当該分野の専門家のグループによるコンセンサス論文［３９］において提案された定義に従って、低血糖エピソード（hypoglycemic episode、ＨＥ）は、ＢＧが少なくとも１５分間にわたって７０ｍｇ／ｄＬを下回る場合、時間ｔ（ｋ）において生じている。そのエピソードは、ＢＧがこの閾値より上に少なくとも１５分間留まるまで継続する。真陽性（true positive、ＴＰ）は、ＨＥが時間ｔ（ｋ）で発生し、アラームがイベントの前に、正確にはｔ（ｋ）の６０分前から５分前までのウィンドウ内に生成される場合に発生する。この定義によれば、ＨＥに比較的近いアラームのみが正しいと考えられ、過去に離れすぎたアラームはＴＰとしてカウントされない。偽陽性（false positive、ＦＰ）は、アラームが時刻ｔ（ｋ）で発せられたが、その後の６０分間に低血糖が生じなかった場合に発生する。偽陰性は、ＨＥが時間ｔ（ｋ）で発生したが、その前の６０分間にアラームが生成されなかった場合に発生する。遅いアラームは、時間ｔ（ｋ）又は１５分後までのアラームとして定義される。これらは適時ではないので、ＴＰとしてカウントされない。逆に、遅いアラームは、ＦＮのカウントを増加させる。それにもかかわらず、遅いアラームは、誤りと見なすことができないので、遅いアラームは、ＦＰカウントを増加させない。
【0119】
イベントがＴＰ、ＦＰ、及びＦＮとラベル付けされると、以下の測定基準を使用して、最先端技術及び提案された手法を評価した。
【0120】
【数18】
【0121】
精度は、発生したアラームの総数に対する正しいアラームの割合である。再現率は、感度としても知られ、イベントの総数に対する正確に検出された低血糖イベントの割合である。Ｆ１スコアは、２つの前述の測定基準の調和平均である。データセットは非常に不均衡であるので、アルゴリズムによって１日に生成されたＦＰの平均数（ＦＰ／日）も評価した。最後に、結果は、アラームがアルゴリズムによって発せられたときとＨＥの開始との間の時間としての低血糖アラームのタイムゲイン（time gain、ＴＧ）を含む。ＴＰの定義によれば、達成可能な最大ＴＧは６０分であり、最低は５分である。低血糖イベントの数が限られているため、低血糖予測測定基準の値は、異なる対象の全ての低血糖イベントを、それらが固有の時系列に属するものとして考慮することによって得られた。次いで、結果は、全ての検出のタイムゲインの平均及び標準偏差（standard deviation、ＳＤ）として表される、ＴＧを除く全ての考慮されたメトリックについての単一の値として表される。
【0122】
表１は、いくつかの予測アルゴリズムの低血糖予測性能を示す。表の最初の行は、個別化されたモデル、識別された最小化ＭＳＥを使用して、１つの予測範囲（ＰＨ＝３０分）のみを考慮して、最新技術のアルゴリズム（単一ＰＨ、ＭＳＥ）によって達成されたベースライン性能を報告する。表の最後の行は、本明細書で提案される予測モデルによって達成される性能を報告しており、様々な態様のモデル（例えば、モデル識別のためのｇＭＳＥの使用及び予測ファネルベースの戦略）を含む。
【0123】
【表1】
【0124】
予測モデルの各態様の最終性能への寄与を明らかにするために、表１は、時間における１つの修正（ｇＭＳＥ＋単一ＰＨ及びＭＳＥ＋予測ファネル）を含めて達成された性能も報告する。更に、高パラメータの異なる値が調査される。最初に単一ＰＨ戦略に焦点を当て、３つの可能なＰＨであるＰＨ＝３０、４５、及び６０分を評価することによって、最先端の手法の予測性能に対するＰＨの影響を調査した。最良の結果はＰＨ＝３０分で達成され、これは実際に文献で一般的に採用されている。特に、ＰＨが大きいほど、ＴＧは高くなるが、Ｐ、Ｒ、及びＦＰ／日が悪化する。例えば、ＰＨ＝３０分及びＰＨ＝６０分での最先端の手法を比較すると、ＴＧは、１５分から２０分にかけて増加する（平均値）が、Ｐは４３％から３６％に、Ｒは９５％から７６％に低下し、ＦＰ／日は０．７７から０．８２に増加することが分かる。ＭＳＥの代わりにｇＭＳＥの使用を導入することにより、最先端の手法に対して精度と再現率の両方が改善される。この改善は、ＰＨの全ての考慮された値に当てはまる。例えばＰＨ＝３０分を考慮すると、ｇＭＳＥの使用により、Ｐは４３％から４４％に、Ｒは９５％から１００％に増加するが、ＦＰ／日及びＴＧはほとんど同じである。
【0125】
改善されたアラーム戦略（単一ＰＨを使用する代わりに予測ファネルベースである）の影響も調査した。特に、パラメータｍの調整に対する２つの異なる手法が考慮された。両方の場合において、ｍの患者特有の値が考慮されたが、第１の手法では、ｍは、最先端の技術（ＭＳＥ＋単一ＰＨ、ＰＨ＝３０分）によって達成されるものと同様の再現率を得るために設定された。第２の代替手法として、ｍを各患者において選択して、その患者の訓練セットにおいてＦ１を最大化した。第１の手法は、チューニング１として表１に示され、第２の手法はチューニング２として示される。
【0126】
予測ファネルによって達成される改善は、チューニング１で明確に見ることができ、これは、最先端の技術に対して、より高い精度、より高いＦ１及びより少ないＦＰ／日を提供する。Ｐは４３％から５１％へと増加し、Ｆ１は５９％から６５％へと増加し、ＦＰ／日は０．７７から０．５９へと減少する。この改善は、同様の再現率を保持しながら達成される（Ｒは９５％から９１％へ）。チューニング２の性能は、精度と再現率との間の異なるトレードオフを選択するので、解釈するのがより困難である。具体的には、より良好な精度及びより少ないＦＰ／日を優先して再現率をある程度放棄し、Ｆ１スコアの全体的な改善をもたらす。
【0127】
最後に、ｇＭＳＥと予測ファネルの使用を組み合わせることは、最先端の技術よりも性能が優れている。ここで再び、このことは、チューニング１を用いて明確に見ることができ、これは、最先端の技術と同様の再現率及びＴＧを達成するが（９５％を超える）、より高い精度、Ｆ１スコア、及びより少ない偽陽性を伴う。Ｐは４３％から５１％、Ｆ１は５９％から６９％になり、１日当たりの偽陽性は０．７７から０．５９に減少した。チューニング２で提案されたわずかにより保守的な手法を採用することによって、再現率の低下（Ｒ＝８８％）を犠牲にして、精度及び偽陽性を更に改善することができる（Ｐ＝６５％、ＦＰ／日＝０．２９、すなわち、３日毎に約１回）。この新しいトレードオフは、７５％に達するより良好なＦ１スコアを提供する。
【0128】
前述の説明は、予測エラーの臨床的影響を考慮するように設計されたアドホック費用関数を使用することによって識別される個別化された線形ブラックボックスモデルと、予測ファネル全体を考慮する改善されたアラーム戦略とに基づく、低血糖イベントを予測するための新しい手法を提供する。結果は、ｇＭＳＥ最小化を介して識別されたモデルが、ＭＳＥに基づくモデルよりも良好な低血糖予測性能を提供することを示す。更に、結果は、予測ファネルに基づく新しいアラーム発生モデルが、複数のＰＨを利用する可能性のおかげで、低血糖検出が改善されることを示す。両方の提案された改善の採用は、最良の性能を与える。
【0129】
予測性能を評価するために使用される低血糖エピソード（ＨＥ）の定義は、コンセンサス論文［３９］において国際的な専門家の一団によって公式化されたことに留意することが重要である。ＢＧが少なくとも１５分間にわたって７０ｍｇ／ｄＬを下回る場合、ＨＥが発生する。同じエピソードは、ＢＧがこの閾値より上に少なくとも１５分間留まるまで継続する。この定義によれば、ＢＧが１つ又は２つの時間サンプルについてのみ低血糖閾値を下回る場合、低血糖エピソードは存在しない。これらの場合にアラームが発せられた場合には以下、「疑似低血糖エピソード」（quasi-hypoglycemic episode、ｑＨＥ）、アラームはＦＰとしてカウントされる。
【0130】
ｑＨＥによって引き起こされるＦＰエラーは、他のＦＰよりも臨床的に関連性が低いと考えられ得るため、どの程度多くの偽陽性がこの種の偽陽性であるかを調査することは興味深い。最先端の技術の方法（ＭＳＥ＋単一ＰＨ手法、ＰＨ＝３０分）では、記録されたＦＰの２６％がｑＨＥに関連付けられたが、この割合は、新たに提案されたアルゴリズム（ｇＭＳＥ＋予測ファネル）では３４％まで上昇し、提案されたアルゴリズムの優位性を更に裏付ける。文献で頻繁に行われているように、ＦＰカウントからこれらのイベントを破棄することで、最先端の手法では、ＦＰ／日を０．７７から０．６２に減少させ、精度を４３％から５４％に増加させるが、提案された手法では、ＦＰ／日を０．２９から０．２１に減少させ、Ｐを６５％から７３％に増加させる。
【0131】
採用されたＨＥの定義の別の結果は、単にＢＧトレースが７０ｍｇ／ｄＬ閾値と交差することに基づく非予測的低血糖検出器であっても、偽陽性アラーム（ＦＰ／日＝０．２）を発し得ることである。ＴＰの本願発明者らの定義によれば、ＢＧは遅いアラームのみを生成する（イベントは、ＴＧ＝０分で開始したときはいつでも正確に検出される）。結果として、ＴＰカウントは０に拘束され、再現率及び精度の両方は必然的に０である（すなわち、Ｐ＝Ｒ＝０）。
【0132】
試験結果は、個別化された低血糖予測を実行するときにアラートを生成することの適切性を決定するために、ｇＭＳＥを使用するモデル訓練と予測ファネルの使用との両方を含むことの利点を示す。試験結果は、この分野における以前の寄与に対する改善を示す［１０］、［１４］、［１６］、［１７］、［１９］、［２０］、［２２］～［２４］。これらの以前の寄与は、注意と解釈されるべきである。イベントの異なる定義は、ｑＨＥに関して上述したように、最終的な測定基準（ＦＰ／日、Ｐ、Ｒ、Ｆ１、ＴＧ）に著しく影響を及ぼす可能性があり、ＨＥの定義における一見したところ軽微な修正が、ＦＰ／日及び精度に対して無視できない影響を有する。更に、異なる検証データセットは、更なる交絡因子を導入する非常に異なる条件（高度に制御された臨床試験対実生活）において収集され得る。
【0133】
この注意点を考慮すると、得られた結果は、他の（線形回帰及び非線形回帰の両方に基づく）文献研究のほとんどと同等である。［１０］、［１９］、［２０］の著者らは、それぞれ約９３％、９３％、及び８６％の再現率に達し、これは、より低い精度（約２４％、３８％、及び６２％）を犠牲にして、Ｒ＝８８％である本明細書に記載の手法の再現率に匹敵するか又はわずかに優れており、一方、本明細書に記載の手法は、Ｐ＝６５％を達成した。同様に、［１４］、［２４］は、Ｒ＝１００％の顕著な再現率を達成したが、非常に多数のＦＰを犠牲にしたものであった（１日当たり１より多いＦＰ）。［１６］、［１７］、［２３］の著者らは、より良好な精度（７８％、９０％、及び７７％）で、本明細書に記載の手法を使用して得られた再現率と同様の再現率（８９％、９４％、及び９４％）を示した。しかしながら、著者らは、より許容的なＨＥ定義を採用した。例えば、ＴＰとして考慮される［２３］はまた、ＢＧが低血糖閾値を通過した後に発せられるアラームであり、一方、本発明者らは、それらをＦＮとして考慮する。［１６］では、管理された入院患者データを使用して性能を評価した。［２２］の著者らは、わずかに劣った再現率（８６％）を示し、誤アラームに関連するいかなる測定基準も報告しなかった。
【0134】
図１０は、本明細書に開示される特定の実施形態による、低血糖及び高血糖イベントを予測するように構成されたコンピューティングデバイス１０００を示すブロック図である。単一の物理デバイスとして示されているが、複数の実施形態では、コンピューティングデバイス１０００は、仮想デバイスを使用して、及び／又はクラウド環境などのいくつかのデバイスにわたって実装されてもよい。図示されるように、コンピューティングデバイス１０００は、プロセッサ１００５と、メモリ１０１０と、ストレージ１０１５と、ネットワークインターフェース１０２５と、１つ以上のＩ／Ｏインターフェース１０２０と、を備える。示される実施形態では、プロセッサ１００５は、メモリ１０１０に保存されたプログラミング命令を取り出して実行するとともに、ストレージ１０１５に存在するデータを保存し、取り出す。プロセッサ１００５は、一般に、単一のＣＰＵ及び／又はＧＰＵ、複数のＣＰＵ及び／又はＧＰＵ、複数の処理コアを有する単一のＣＰＵ及び／又はＧＰＵなどを表す。メモリ１０１０は、一般に、ランダムアクセスメモリ（random access memory、ＲＡＭ）を表すために含まれる。ストレージ１０１５は、ディスクドライブ、フラッシュベースのストレージデバイスなどの任意の組み合わせでもよく、固定ディスクドライブ、リムーバブルメモリカード、キャッシュ、光ストレージ、ネットワーク接続ストレージ（network attached storage、ＮＡＳ）、又はストレージエリアネットワーク（storage area network、ＳＡＮ）などの固定及び／若しくはリムーバブルストレージデバイスを含むことができる。
【0135】
いくつかの実施形態では、入出力（input and output、Ｉ／Ｏ）デバイス１０３５（キーボード、モニタなど）は、Ｉ／Ｏインターフェース１０２０を介して接続することができる。更に、ネットワークインターフェース１０２５を介して、コンピューティングデバイス１０００は、ユーザデータベース１１０及び／又は履歴記録データベース１１２などの１つ以上の他のデバイス及び構成要素と通信可能に連結することができる。特定の実施形態では、コンピューティングデバイス１０００は、インターネット、ローカルネットワークなどを含み得るネットワークを介して他のデバイスと通信可能に連結される。ネットワークは、有線接続、無線接続、又は有線接続と無線接続の組み合わせを含んでもよい。図示のように、プロセッサ１００５、メモリ１０１０、ストレージ１０１５、ネットワークインターフェース１０２５、及びＩ／Ｏインターフェース１０２０は、１つ以上の相互接続１０３０によって通信可能に連結される。特定の実施形態では、コンピューティングデバイス１０００は、ユーザに関連付けられた表示デバイス１０７を表す。特定の実施形態では、上述したように、表示デバイス１０７は、ユーザのラップトップ、コンピュータ、スマートフォンなどを含むことができる。特定の実施形態では、コンピューティングデバイス１０００は、クラウド環境において実行されるサーバである。
【0136】
図示された実施形態では、ストレージ１０１５は、ユーザプロファイル１１８を含む。メモリ１０１０は、それ自体が予測モジュール１１６を含む意思決定支援エンジン１１４を含む。意思決定支援エンジン１１４は、コンピューティングデバイス１０００によって実行されて、図４のワークフロー４００の動作、図６のワークフロー６００の動作、図７の方法７００、及び／又は図９のワークフロー９００の動作を実行する。
【0137】
追加の考慮事項
本明細書に開示された本方法は、本方法を達成するための１つ以上のステップ又は動作を含む。これらの方法ステップ及び／又は動作は、特許請求の範囲を逸脱することなく、互いに交換することができる。言い替えると、ステップ又は動作の特定の順番が特段指定されない限り、特定のステップ及び／又は動作の順番及び／又は使用は、特許請求の範囲を逸脱することなく、修正することができる。
本明細書に開示された本方法は、本方法を達成するための１つ以上のステップ又は動作を含む。これらの方法ステップ及び／又は動作は、特許請求の範囲を逸脱することなく、互いに交換することができる。言い替えると、ステップ又は動作の特定の順番が特段指定されない限り、特定のステップ及び／又は動作の順番及び／又は使用は、特許請求の範囲を逸脱することなく、修正することができる。
【0138】
本明細書で使用される場合、項目リスト「のうちの少なくとも１つ」を指す語句は、単独の部材を含むそれらの項目の任意の組み合わせを指す。例として、「ａ、ｂ、又はｃのうちの少なくとも１つ」とは、ａ、ｂ、ｃ、ａ－ｂ、ａ－ｃ、ｂ－ｃ、及びａ－ｂ－ｃ、並びに複数の同じ要素の任意の組み合わせ（例えば、ａ－ａ、ａ－ａ－ａ、ａ－ａ－ｂ、ａ－ａ－ｃ、ａ－ｂ－ｂ、ａｃｃ、ｂ－ｂ、ｂ－ｂ－ｂ、ｂ－ｂ－ｃ、ｃ－ｃ、及びｃ－ｃ－ｃ、又はａ、ｂ、及びｃの任意の他の順序）を網羅することを意図している。
【0139】
先の説明が提供されて、当業者が、本明細書に記載される様々な態様を実施することが可能になる。これらの態様に対する様々な修正は、当業者にとって容易に明らかであり、本明細書に定義される一般的な原理は、他の態様に適用することができる。したがって、特許請求の範囲は、本明細書に示された態様に限定されることを意図されておらず、特許請求の範囲の言語と矛盾しない全範囲が対象とされるべきであり、そこでは、単数形の要素への言及は、特段記載されていない限り、「１つ及び１つのみ」を意味することを意図されず、逆に「１つ以上」を意味することを意図されている。特段具体的に記述されていない限り、「いくつか」という用語は、１つ以上を指す。当業者にとって現在知られており、又は将来知られることになる、本開示全体にわたって説明される様々な態様の要素に対する全ての構造的及び機能的な等価物は、参照により本明細書に明示的に組み込まれ、特許請求の範囲の中に包含されることが意図されている。更に、本明細書に開示されているいずれのものも、そのような開示が特許請求の範囲において明示的に列挙されているかどうかにかかわらず、公衆に捧げられることを意図されていない。請求項の要素は、その要素が「のための手段」という語句を使用して明示的に列挙されていないか、又は方法の請求項の場合には、要素が「のためのステップ」という語句を使用して列挙されていない限り、米国特許法第１１２条（ｆ）の規定の下で解釈されるべきではない。
【0140】
本発明の様々な例が上で説明されているが、それらの例は、単なる例として提示され、限定を目的として提示されていないことを理解されたい。同様に、様々な図は、本開示のための例示的なアーキテクチャ構成又は他の構成を描くことができ、その構成は、本開示に含まれ得る特徴及び機能を理解することに役立つように実行される。本開示は、例示された例示的なアーキテクチャ又は構成に限定されないが、様々な代替のアーキテクチャ及び構成を使用して実施することができる。更に、本開示は、様々な例示的な例及び態様に関して上で説明されているが、個々の例のうちの１つ以上に記載された様々な特徴及び機能は、それらの適用可能性において、それらが説明されている特定の例に限定されないことを理解されたい。逆に、それらの特徴及び機能は、そのような例が説明されているか否かにかかわらず、またそのような特徴が説明された例の一部として提示されているか否かにかかわらず、本開示の他の例のうちの１つ以上に、単独で又は何らかの組み合わせで適用することができる。したがって、本開示の間口及び範囲は、上述の例示的な例のいずれによっても限定されるべきではない。
【0141】
本明細書に引用された全ての参考文献は、それらの全体が参照により本明細書に組み込まれる。参照により組み込まれた刊行物及び特許又は特許出願が、本明細書に含まれる本開示と矛盾する範囲では、本明細書は、かかるいかなる矛盾する材料に取って代わり、かつ／又はそれに優先することが意図されている。
【0142】
特段定義されない限り、全ての用語（技術的用語及び科学的用語を含む）は、それらが当業者にとって通例的及び慣例的な意味与えられるべきものであり得、本明細書においてそのように明示的に定義されない限り、特別な又はカスタマイズされた意味に限定されるべきではない。
【0143】
本出願で使用される用語及び語句、並びにそれらの変形は、特に添付された特許請求の範囲において、他に明示的に記載されていない限り、限定することとは対照的に、オープンエンドとして解釈されるべきものである。前述の例としては、「含む」という用語は、「限定することなく含む」、「含むが、限定されない」など、を意味するように読み取られるべきである。本明細書で使用される場合の「備える（comprising）」という用語は、「含む（including）」、「含有する（containing）」、又は「によって特徴付けられる（characterized by）」と同義であり、包括的又はオープンエンドであり、追加の列挙されていない要素又は方法ステップを除外しない。「有する」という用語は、「少なくとも有する」と解釈されるべきである。「含む」という用語は、「含むが、限定されない」と解釈されるべきである。「例」という用語は、説明中の項目の例示的な事例を提供するために使用され、その事例の網羅的又は限定的な列挙ではない。「既知」、「通常」、「標準」などの形容詞、及び同様の意味の用語は、説明される項目を所与の期間に対して、又は所与の時点で利用可能な項目に対して限定するものとして解釈されるべきではなく、逆に、現在又は将来の任意の時点で利用可能であるか又は既知である可能性がある既知の、通常の、又は標準の技術を包含するように読み取られるべきであり、「好ましくは」、「好ましい」、「所望の」、若しくは「望ましい」、及び同様の意味の言葉は、特定の特徴が発明の構造又は機能にとって重要であり、必須であり、更には重要であることを暗示するものではなく、逆に、発明の特定の例において利用されてもされなくてもよい代替的又は追加的な特徴を強調することを単に意図されているものと理解されるべきである。同様に、接続詞「及び」を用いて連結される項目のグループは、これらの項目のうちのいずれも全てがグループに存在することを要求するものとして読み取られるべきではなく、むしろ、特段明示的に記述されない限り、「及び／又は」として読み取られるべきである。同様に、接続詞「又は」を用いて連結される項目のグループは、当該グループ中で相互的な排他性を要求するものとして読み取られるべきではなく、逆に、特段明示的に記述されない限り、「及び／又は」として読み取られるべきである。
【0144】
本明細書で使用される場合、「備える（comprising）」は、「含む（including）」、「含有する（containing）」、又は「によって特徴付けられる（characterized by）」と同義であり、包括的であるか、又はオープンエンドであり、追加又は非列挙の要素又は方法ステップを排除しない。
【0145】
本明細書で使用される原材料の量、反応条件、及びその他同様のものを表す全ての数値は、「約」と言う用語によって、全ての事例において修飾されるものとして理解されるべきである。したがって、そうでないと示されない限り、本明細書に記載された数値パラメータは、取得することが求められていた所望の特性に応じて変化する可能性がある近似値である。最低限でも、本出願に対する優先権を主張する任意の出願における任意の請求項の範囲に対する均等論の適用を限定する試みとしてではなく、各数値パラメータは、有効桁数及び通常の丸め手法を考慮して解釈されるべきである。
【0146】
更に、上記は、明確さ及び理解の目的のため、例示及び実施例を使ってある程度詳細に説明されているが、特定の変更及び修正が実施され得ることは、当業者にとって明らかである。したがって、説明及び実施例は、本発明の範囲を、特定の実施例、及び本明細書に記載される実施例に限定するものとして解釈されるべきではなく、逆に、本発明の真の範囲及び趣旨とともにもたらされる全ての修正例及び代替例もカバーするものとして解釈されるべきである。
【0147】
参考文献
以下の文書は、それらの全体が参照により本明細書に組み込まれる。
［１］Ｍ．Ｖｅｔｔｏｒｅｔｔｉ，Ｇ．Ｃａｐｐｏｎ，Ｇ．Ａｃｃｉａｒｏｌｉ，Ａ．Ｆａｃｃｈｉｎｅｔｔｉ，ａｎｄ Ｇ．Ｓｐａｒａｃｉｎｏ，「Ｃｏｎｔｉｎｕｏｕｓ Ｇｌｕｃｏｓｅ Ｍｏｎｉｔｏｒｉｎｇ：Ｃｕｒｒｅｎｔ Ｕｓｅ ｉｎ Ｄｉａｂｅｔｅｓ Ｍａｎａｇｅｍｅｎｔ ａｎｄ Ｐｏｓｓｉｂｌｅ Ｆｕｔｕｒｅ Ａｐｐｌｉｃａｔｉｏｎｓ，」Ｊｏｕｒｎａｌ ｏｆ Ｄｉａｂｅｔｅｓ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，ｖｏｌ．１２，ｎｏ．５，ｐｐ．１０６４－１０７１，２０１８。
［２］Ｂ．ＭｃＡｄａｍｓ ａｎｄ Ａ．Ｒｉｚｖｉ，「Ａｎ Ｏｖｅｒｖｉｅｗ ｏｆ Ｉｎｓｕｌｉｎ Ｐｕｍｐｓ ａｎｄ Ｇｌｕｃｏｓｅ Ｓｅｎｓｏｒｓ ｆｏｒ ｔｈｅ Ｇｅｎｅｒａｌｉｓｔ，」Ｊｏｕｒｎａｌ ｏｆ Ｃｌｉｎｉｃａｌ Ｍｅｄｉｃｉｎｅ，ｖｏｌ．５，ｎｏ．１，ｐ．５，２０１６。
［３］Ｉ．Ｃｏｎｔｒｅｒａｓ ａｎｄ Ｊ．Ｖｅｈｉ，「Ａｒｔｉｆｉｃｉａｌ ｉｎｔｅｌｌｉｇｅｎｃｅ ｆｏｒ ｄｉａｂｅｔｅｓ ｍａｎａｇｅｍｅｎｔ ａｎｄ ｄｅｃｉｓｉｏｎ ｓｕｐｐｏｒｔ：Ｌｉｔｅｒａｔｕｒｅ ｒｅｖｉｅｗ，」Ｊｏｕｒｎａｌ ｏｆ Ｍｅｄｉｃａｌ Ｉｎｔｅｒｎｅｔ Ｒｅｓｅａｒｃｈ，ｖｏｌ．２０，ｎｏ．５，２０１８。
［４］Ｃ．Ｌｕｃａ，Ｃ．Ｇｉａｃｏｍｏ，Ｓ．Ｇｉｏｖａｎｎｉ，ａｎｄ Ｆ．Ａｎｄｒｅａ，「Ａ ｎｅｗ ｉｎｔｅｇｒａｔｅｄ ｐｌａｔｆｏｒｍ ｆｏｒ ｇａｔｈｅｒｉｎｇ ａｎｄ ｍａｎａｇｉｎｇ ｍｕｌｔｉｖａｒｉａｂｌｅ ａｎｄ ｍｕｌｔｉｓｅｎｓｏｒ ｄａｔａ ｉｎ ｄｉａｂｅｔｅｓ ｃｌｉｎｉｃａｌ ｓｔｕｄｉｅｓ，」ｉｎ ２０２０ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ ｅ－Ｈｅａｌｔｈ ａｎｄ Ｂｉｏｅｎｇｉｎｅｅｒｉｎｇ（ＥＨＢ），２０２０，ｐｐ．１－４。
［５］Ｋ．Ｔｕｒｋｓｏｙ，Ｊ．Ｋｉｌｋｕｓ，Ｉ．Ｈａｊｉｚａｄｅｈ，Ｓ．Ｓａｍａｄｉ，Ｊ．Ｆｅｎｇ，Ｍ．Ｓｅｖｉｌ，
Ｃ．Ｌａｚａｒｏ，Ｎ．Ｆｒａｎｔｚ，Ｅ．Ｌｉｔｔｌｅｊｏｈｎ，ａｎｄ Ａ．Ｃｉｎａｒ，「Ｈｙｐｏｇｌｙｃｅｍｉａ Ｄｅｔｅｃ－ｔｉｏｎ ａｎｄ Ｃａｒｂｏｈｙｄｒａｔｅ Ｓｕｇｇｅｓｔｉｏｎ ｉｎ ａｎ Ａｒｔｉｆｉｃｉａｌ Ｐａｎｃｒｅａｓ，」Ｊｏｕｒｎａｌ ｏｆ Ｄｉａｂｅｔｅｓ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，ｖｏｌ．１０，ｎｏ．６，ｐｐ．１２３６－１２４４，２０１６。
［６］Ｎ．Ｃａｍｅｒｌｉｎｇｏ，Ｍ．Ｖｅｔｔｏｒｅｔｔｉ，Ｓ．Ｄｅｌ Ｆａｖｅｒｏ，Ｇ．Ｃａｐｐｏｎ，Ｇ．Ｓｐａｒａｃｉｎｏ，ａｎｄ Ａ．Ｆａｃｃｈｉｎｅｔｔｉ，「Ａ ｒｅａｌ－ｔｉｍｅ ｃｏｎｔｉｎｕｏｕｓ ｇｌｕｃｏｓｅ ｍｏｎｉｔｏｒｉｎｇ－ｂａｓｅｄ ａｌｇｏｒｉｔｈｍ ｔｏ ｔｒｉｇｇｅｒ ｈｙｐｏｔｒｅａｔｍｅｎｔｓ ｔｏ ｐｒｅｖｅｎｔ／ｍｉｔｉｇａｔｅ ｈｙｐｏｇｌｙｃｅｍｉｃ ｅｖｅｎｔｓ，」Ｄｉａｂｅｔｅｓ Ｔｅｃｈｎｏｌｏｇｙ ａｎｄ Ｔｈｅｒａｐｅｕｔｉｃｓ，ｖｏｌ．２１，ｎｏ．１１，ｐｐ．６４４－６５５，２０１９。
［７］Ｊ．Ｐ．Ｓｈｉｖｅｒｓ，Ｌ．Ｍａｃｋｏｗｉａｋ，Ｈ．Ａｎｈａｌｔ，ａｎｄ Ｈ．Ｚｉｓｓｅｒ，「」Ｔｕｒｎ Ｉｔ Ｏｆｆ！」：Ｄｉａｂｅｔｅｓ Ｄｅｖｉｃｅ Ａｌａｒｍ Ｆａｔｉｇｕｅ Ｃｏｎｓｉｄｅｒａｔｉｏｎｓ ｆｏｒ ｔｈｅ Ｐｒｅｓｅｎｔ ａｎｄ ｔｈｅ Ｆｕｔｕｒｅ，」Ｊｏｕｒｎａｌ ｏｆ Ｄｉａｂｅｔｅｓ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，ｖｏｌ．７，ｎｏ．３，ｐｐ．７８９－７９４，２０１３。
［８］Ｇ．ＭｃＧａｒｒａｕｇｈ，「Ａｌａｒｍ ｃｈａｒａｃｔｅｒｉｚａｔｉｏｎ ｆｏｒ ｃｏｎｔｉｎｕｏｕｓ ｇｌｕｃｏｓｅ ｍｏｎｉｔｏｒｓ ｕｓｅｄ ａｓ ａｄｊｕｎｃｔｓ ｔｏ ｓｅｌｆ－ｍｏｎｉｔｏｒｉｎｇ ｏｆ ｂｌｏｏｄ ｇｌｕｃｏｓｅ，」Ｊｏｕｒｎａｌ ｏｆ Ｄｉａｂｅｔｅｓ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，ｖｏｌ．４，ｎｏ．１，ｐｐ．４１－４８，２０１０。
［９］Ｘ．Ｍｏ，Ｙ．Ｗａｎｇ，ａｎｄ Ｘ．Ｗｕ，「Ｈｙｐｏｇｌｙｃｅｍｉａ ｐｒｅｄｉｃｔｉｏｎ ｕｓｉｎｇ ｅｘｔｒｅｍｅ ｌｅａｒｎｉｎｇ ｍａｃｈｉｎｅ（ＥＬＭ）ａｎｄ ｒｅｇｕｌａｒｉｚｅｄ ＥＬＭ，」２０１３ ２５ｔｈ Ｃｈｉｎｅｓｅ Ｃｏｎｔｒｏｌ ａｎｄ Ｄｅｃｉｓｉｏｎ Ｃｏｎｆｅｒｅｎｃｅ，ＣＣＤＣ ２０１３，ｐｐ．４４０５－４４０９，２０１３。
［１０］Ｋ．Ｔｕｒｋｓｏｙ，Ｅ．Ｓ．Ｂａｙｒａｋ，Ｌ．Ｑｕｉｎｎ，Ｅ．Ｌｉｔｔｌｅｊｏｈｎ，Ｄ．Ｒｏｌｌｉｎｓ，ａｎｄ Ａ．Ｃｉｎａｒ，「Ｈｙｐｏｇｌｙｃｅｍｉａ ｅａｒｌｙ ａｌａｒｍ ｓｙｓｔｅｍｓ ｂａｓｅｄ ｏｎ ｍｕｌｔｉｖａｒｉａｂｌｅ ｍｏｄｅｌｓ，」Ｉｎｄｕｓｔｒｉａｌ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ Ｃｈｅｍｉｓｔｒｙ Ｒｅｓｅａｒｃｈ，ｖｏｌ．５２，ｎｏ．３５，ｐｐ．１２ ３２９－１２ ３３６，２０１３。
［１１］Ｓ．Ｏｖｉｅｄｏ，Ｊ．Ｖｅｈ’ｌ，Ｒ．Ｃａｌｍ，ａｎｄ Ｊ．Ａｒｍｅｎｇｏｌ，「Ａ ｒｅｖｉｅｗ ｏｆ ｐｅｒｓｏｎａｌｉｚｅｄ ｂｌｏｏｄ ｇｌｕｃｏｓｅ ｐｒｅｄｉｃｔｉｏｎ ｓｔｒａｔｅｇｉｅｓ ｆｏｒ Ｔ１ＤＭ ｐａｔｉｅｎｔｓ，」Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｆｏｒ Ｎｕｍｅｒｉｃａｌ Ｍｅｔｈｏｄｓ ｉｎ Ｂｉｏｍｅｄｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ，ｖｏｌ．３３，ｎｏ．６，ｐｐ．１－２１，２０１７。
［１２］［１２］Ｏ．Ｍｕｊａｈｉｄ，Ｉ．Ｃｏｎｔｒｅｒａｓ，ａｎｄ Ｊ．Ｖｅｈｉ，「Ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ ｔｅｃｈｎｉｑｕｅｓ ｆｏｒ ｈｙｐｏｇｌｙｃｅｍｉａ ｐｒｅｄｉｃｔｉｏｎ：Ｔｒｅｎｄｓ ａｎｄ ｃｈａｌｌｅｎｇｅｓ，」Ｓｅｎｓｏｒｓ（Ｓｗｉｔｚｅｒｌａｎｄ），ｖｏｌ．２１，ｎｏ．２，ｐｐ．１－２１，２０２１。
［１３］Ｈ．Ｅｆｅｎｄｉｃ，Ｈ．Ｋｉｒｃｈｓｔｅｉｇｅｒ，Ｇ．Ｆｒｅｃｋｍａｎｎ，ａｎｄ Ｌ．Ｄｅｌ Ｒｅ，「Ｓｈｏｒｔ－ｔｅｒｍ ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｂｌｏｏｄ ｇｌｕｃｏｓｅ ｃｏｎｃｅｎｔｒａｔｉｏｎ ｕｓｉｎｇ ｉｎｔｅｒｖａｌ ｐｒｏｂａｂｉｌｉｓｔｉｃ ｍｏｄｅｌｓ，」２０１４ ２２ｎｄ Ｍｅｄｉｔｅｒｒａｎｅａｎ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｎｔｒｏｌ ａｎｄ Ａｕｔｏｍａｔｉｏｎ，ＭＥＤ ２０１４，ｐｐ．１４９４－１４９９，２０１４。
［１４］Ｊ．Ｙａｎｇ，Ｌ．Ｌｉ，Ｙ．Ｓｈｉ，ａｎｄ Ｘ．Ｘｉｅ，「Ａｎ ＡＲＩＭＡ Ｍｏｄｅｌ ｗｉｔｈ Ａｄａｐｔｉｖｅ Ｏｒｄｅｒｓ ｆｏｒ Ｐｒｅｄｉｃｔｉｎｇ Ｂｌｏｏｄ Ｇｌｕｃｏｓｅ Ｃｏｎｃｅｎｔｒａｔｉｏｎｓ ａｎｄ Ｈｙｐｏｇｌｙｃｅｍｉａ，」ＩＥＥＥ Ｊｏｕｒｎａｌ ｏｆ Ｂｉｏｍｅｄｉｃａｌ ａｎｄ Ｈｅａｌｔｈ Ｉｎｆｏｒｍａｔｉｃｓ，ｖｏｌ．２３，ｎｏ．３，ｐｐ．１２５１－１２６０，２０１９。
［１５］Ｍ．Ｅｒｅｎ－Ｏｒｕｋｌｕ，Ａ．Ｃｉｎａｒ，Ｄ．Ｋ．Ｒｏｌｌｉｎｓ，ａｎｄ Ｌ．Ｑｕｉｎｎ，「Ａｄａｐｔｉｖｅ ｓｙｓｔｅｍ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｆｏｒ ｅｓｔｉｍａｔｉｎｇ ｆｕｔｕｒｅ ｇｌｕｃｏｓｅ ｃｏｎｃｅｎｔｒａｔｉｏｎｓ ａｎｄ ｈｙｐｏｇｌｙｃｅｍｉａ ａｌａｒｍｓ，」Ａｕｔｏｍａｔｉｃａ，ｖｏｌ．４８，ｎｏ．８，ｐｐ．１８９２－１８９７，２０１２。
［１６］Ｍ．Ｅｒｅｎ－Ｏｒｕｋｌｕ，Ａ．Ｃｉｎａｒ，ａｎｄ Ｌ．Ｑｕｉｎｎ，「Ｈｙｐｏｇｌｙｃｅｍｉａ ｐｒｅｄｉｃｔｉｏｎ ｗｉｔｈ ｓｕｂｊｅｃｔ－ｓｐｅｃｉｆｉｃ ｒｅｃｕｒｓｉｖｅ ｔｉｍｅ－ｓｅｒｉｅｓ ｍｏｄｅｌｓ，」Ｊｏｕｒｎａｌ ｏｆ Ｄｉａｂｅｔｅｓ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，ｖｏｌ．４，ｎｏ．１，ｐｐ．２５－３３，２０１０。
［１７］Ｃ．Ｔｏｆｆａｎｉｎ，Ｓ．Ｄｅｌ Ｆａｖｅｒｏ，Ｅ．Ｍ．Ａｉｅｌｌｏ，Ｍ．Ｍｅｓｓｏｒｉ，Ｃ．Ｃｏｂｅｌｌｉ，ａｎｄ Ｌ．Ｍａｇｎｉ，「Ｇｌｕｃｏｓｅ－ｉｎｓｕｌｉｎ ｍｏｄｅｌ ｉｄｅｎｔｉｆｉｅｄ ｉｎ ｆｒｅｅ－ｌｉｖｉｎｇ ｃｏｎｄｉｔｉｏｎｓ ｆｏｒ ｈｙｐｏｇｌｙｃａｅｍｉａ ｐｒｅｖｅｎｔｉｏｎ，」Ｊｏｕｒｎａｌ ｏｆ Ｐｒｏｃｅｓｓ Ｃｏｎｔｒｏｌ，ｖｏｌ．６４，ｐｐ．２７－３６，２０１８。
［１８］Ｊ．Ｖｅｈ’ｌ，Ｉ．Ｃｏｎｔｒｅｒａｓ，Ｓ．Ｏｖｉｅｄｏ，Ｌ．Ｂｉａｇｉ，ａｎｄ Ａ．Ｂｅｒｔａｃｈｉ，「Ｐｒｅｄｉｃｔｉｏｎ ａｎｄ ｐｒｅｖｅｎｔｉｏｎ ｏｆ ｈｙｐｏｇｌｙｃａｅｍｉｃ ｅｖｅｎｔｓ ｉｎ ｔｙｐｅ－１ ｄｉａｂｅｔｉｃ ｐａｔｉｅｎｔｓ ｕｓｉｎｇ ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ，」Ｈｅａｌｔｈ ｉｎｆｏｒｍａｔｉｃｓ Ｊｏｕｒｎａｌ，ｖｏｌ．２６，ｎｏ．１，ｐｐ．７０３－７１８，２０２０。
［１９］Ｄ．Ｄａｖｅ，Ｄ．Ｊ．ＤｅＳａｌｖｏ，Ｂ．Ｈａｒｉｄａｓ，Ｓ．ＭｃＫａｙ，Ａ．Ｓｈｅｎｏｙ，Ｃ．Ｊ．Ｋｏｈ，Ｍ．Ｌａｗｌｅｙ，ａｎｄ Ｍ．Ｅｒｒａｇｕｎｔｌａ，「Ｆｅａｔｕｒｅ－Ｂａｓｅｄ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ Ｍｏｄｅｌ ｆｏｒ Ｒｅａｌ－Ｔｉｍｅ Ｈｙｐｏｇｌｙｃｅｍｉａ Ｐｒｅｄｉｃｔｉｏｎ，」Ｊｏｕｒｎａｌ ｏｆ Ｄｉａｂｅｔｅｓ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，２０２０。
［２０］Ｍ．Ｇａｄａｌｅｔａ，Ａ．Ｆａｃｃｈｉｎｅｔｔｉ，Ｅ．Ｇｒｉｓａｎ，ａｎｄ Ｍ．Ｒｏｓｓｉ，「Ｐｒｅｄｉｃｔｉｏｎ ｏｆ Ａｄｖｅｒｓｅ Ｇｌｙｃｅｍｉｃ Ｅｖｅｎｔｓ Ｆｒｏｍ Ｃｏｎｔｉｎｕｏｕｓ Ｇｌｕｃｏｓｅ Ｍｏｎｉｔｏｒｉｎｇ Ｓｉｇｎａｌ，」ＩＥＥＥ Ｊｏｕｒｎａｌ ｏｆ Ｂｉｏｍｅｄｉｃａｌ ａｎｄ Ｈｅａｌｔｈ Ｉｎｆｏｒｍａｔｉｃｓ，ｖｏｌ．２３，ｎｏ．２，ｐｐ．６５０－６５９，２０１９。
［２１］Ｍ．Ｆｒａｎｄｅｓ，Ｂ．Ｔｉｍａｒ，ａｎｄ Ｄ．Ｌｕｎｇｅａｎｕ，「Ａ ｒｉｓｋ ｂａｓｅｄ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ａｐｐｒｏａｃｈ ｆｏｒ ｐｒｅｄｉｃｔｉｖｅ ｍｏｄｅｌｉｎｇ ｏｆ ｂｌｏｏｄ ｇｌｕｃｏｓｅ ｄｙｎａｍｉｃｓ，」Ｓｔｕｄｉｅｓ ｉｎ Ｈｅａｌｔｈ Ｔｅｃｈｎｏｌｏｇｙ ａｎｄ Ｉｎｆｏｒｍａｔｉｃｓ，ｖｏｌ．２２８，ｐｐ．５７７－５８１，２０１７。
［２２］Ｋ．Ｓ．Ｅｌｊｉｌ，Ｇ．Ｑａｄａｈ，ａｎｄ Ｍ．Ｐａｓｑｕｉｅｒ，「Ｐｒｅｄｉｃｔｉｎｇ ｈｙｐｏｇｌｙｃｅｍｉａ ｉｎ ｄｉａｂｅｔｉｃ ｐａｔｉｅｎｔｓ ｕｓｉｎｇ ｄａｔａ ｍｉｎｉｎｇ ｔｅｃｈｎｉｑｕｅｓ，」２０１３ ９ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｉｎｎｏｖａｔｉｏｎｓ ｉｎ Ｉｎｆｏｒｍａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ， ＩＩＴ ２０１３，ｐｐ．１３０－１３５，２０１３。
［２３］Ｅ．Ｉ．Ｇｅｏｒｇａ，Ｖ．Ｃ．Ｐｒｏｔｏｐａｐｐａｓ，Ｄ．Ａｒｄｉｇ｀ｏ，Ｄ．Ｐｏｌｙｚｏｓ，ａｎｄ Ｄ．Ｉ．Ｆｏｔｉａｄｉｓ，「Ａ ｇｌｕｃｏｓｅ ｍｏｄｅｌ ｂａｓｅｄ ｏｎ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｒｅｇｒｅｓｓｉｏｎ ｆｏｒ ｔｈｅ ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｈｙｐｏｇｌｙｃｅｍｉｃ ｅｖｅｎｔｓ ｕｎｄｅｒ ｆｒｅｅ－ｌｉｖｉｎｇ ｃｏｎｄｉｔｉｏｎｓ，」Ｄｉａｂｅｔｅｓ Ｔｅｃｈｎｏｌｏｇｙ ａｎｄ Ｔｈｅｒａｐｅｕｔｉｃｓ，ｖｏｌ．１５，ｎｏ．８，ｐｐ．６３４－６４３，２０１３。
［２４］Ｅ．Ｄａｓｋａｌａｋｉ，Ｋ．Ｎｏｒｇａａｒｄ，Ｔ．Ｚ¨ｕｇｅｒ，Ａ．Ｐｒｏｕｎｔｚｏｕ，Ｐ．Ｄｉｅｍ，ａｎｄ Ｓ．Ｍｏｕｇｉａｋａｋｏｕ，「Ａｎ ｅａｒｌｙ ｗａｒｎｉｎｇ ｓｙｓｔｅｍ ｆｏｒ ｈｙｐｏ－ ｇｌｙｃｅｍｉｃ／ｈｙｐｅｒｇｌｙｃｅｍｉｃ ｅｖｅｎｔｓ ｂａｓｅｄ ｏｎ ｆｕｓｉｏｎ ｏｆ ａｄａｐｔｉｖｅ ｐｒｅｄｉｃｔｉｏｎ ｍｏｄｅｌｓ，」Ｊｏｕｒｎａｌ ｏｆ Ｄｉａｂｅｔｅｓ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，ｖｏｌ．７，ｎｏ．３，ｐｐ．６８９－６９８，２０１３。
［２５］Ｌ．Ｌｊｕｎｇ，Ｓｙｓｔｅｍ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ－Ｔｈｅｏｒｙ ｆｏｒ ｔｈｅ ｕｓｅｒ．ＰＴＲ Ｐｒｅｎｔｉｃｅ Ｈａｌｌ，１９８７。
［２６］Ｐ．Ｊ．Ｋｉｍ ａｎｄ Ｌ．Ｈｕｈ，Ｋａｌｍａｎ Ｆｉｌｔｅｒ ｆｏｒ Ｂｅｇｉｎｎｅｒｓ：ｗｉｔｈ ＭＡＴＬＡＢ Ｅｘａｍｐｌｅｓ．ＭａｔｈＷｏｒｋｓ，２０１１。
［２７］Ｃ．Ｄａｌｌａ Ｍａｎ，Ｒ．Ａ．Ｒｉｚｚａ，ａｎｄ Ｃ．Ｃｏｂｅｌｌｉ，「Ｍｅａｌ ｓｉｍｕｌａｔｉｏｎ ｍｏｄｅｌ ｏｆ ｔｈｅ ｇｌｕｃｏｓｅ－ｉｎｓｕｌｉｎ ｓｙｓｔｅｍ，」ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｂｉｏｍｅｄｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ，ｖｏｌ．５４，ｎｏ．１０，ｐｐ．１７４０－１７４９，２００７。
［２８］Ｄ．Ａ．Ｆｉｎａｎ，Ｈ．Ｚｉｓｓｅｒ，Ｌ．Ｊｏｖａｎｏｖｉｃ，Ｗ．Ｃ．Ｂｅｖｉｅｒ，ａｎｄ Ｄ．Ｅ．Ｓｅｂｏｒｇ，「Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｏｆ Ｌｉｎｅａｒ Ｄｙｎａｍｉｃ Ｍｏｄｅｌｓ ｆｏｒ Ｔｙｐｅ １ Ｄｉａｂｅｔｅｓ：ａ Ｓｉｍｕｌａｔｉｏｎ Ｓｔｕｄｙ，」ｉｎ ＩＦＡＣ Ｐｒｏｃｅｅｄｉｎｇｓ Ｖｏｌｕｍｅｓ，ｖｏｌ．３９，ｎｏ．２．ＩＦＡＣ，２００６，ｐｐ．５０３－５０８。
［２９］Ｍ．Ｍｅｓｓｏｒｉ，Ｍ．Ｅｌｌｉｓ，Ｃ．Ｃｏｂｅｌｌｉ，Ｐ．Ｄ．Ｃｈｒｉｓｔｏｆｉｄｅｓ，ａｎｄ Ｌ．Ｍａｇｎｉ，「Ｉｍｐｒｏｖｅｄ ｐｏｓｔｐｒａｎｄｉａｌ ｇｌｕｃｏｓｅ ｃｏｎｔｒｏｌ ｗｉｔｈ ａ ｃｕｓｔｏｍｉｚｅｄ Ｍｏｄｅｌ Ｐｒｅｄｉｃｔｉｖｅ Ｃｏｎｔｒｏｌｌｅｒ，」Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ａｍｅｒｉｃａｎ Ｃｏｎｔｒｏｌ Ｃｏｎｆｅｒｅｎｃｅ，ｐｐ．５１０８－５１１５，２０１５。
［３０］Ｆ．Ｐｒｅｎｄｉｎ，Ｓ．Ｄｅｌ Ｆａｖｅｒｏ，Ｍ．Ｖｅｔｔｏｒｅｔｔｉ，Ｇ．Ｓｐａｒａｃｉｎｏ，ａｎｄ Ａ．Ｆａｃｃｈｉｎｅｔｔｉ，「Ｆｏｒｅｃａｓｔｉｎｇ ｏｆ ｇｌｕｃｏｓｅ ｌｅｖｅｌｓ ａｎｄ ｈｙｐｏｇｌｙｃｅｍｉｃ ｅｖｅｎｔｓ：Ｈｅａｄ－ｔｏ－ｈｅａｄ ｃｏｍｐａｒｉｓｏｎ ｏｆ ｌｉｎｅａｒ ａｎｄ ｎｏｎｌｉｎｅａｒ ｄａｔａ－ｄｒｉｖｅｎ ａｌｇｏｒｉｔｈｍｓ ｂａｓｅｄ ｏｎ ｃｏｎｔｉｎｕｏｕｓ ｇｌｕｃｏｓｅ ｍｏｎｉｔｏｒｉｎｇ ｄａｔａ ｏｎｌｙ，」Ｓｅｎｓｏｒｓ，ｖｏｌ．２１，ｎｏ．５，２０２１。
［３１］Ｓ．Ｆａｃｃｉｏｌｉ，Ａ．Ｆａｃｃｈｉｎｅｔｔｉ，Ｇ．Ｓｐａｒａｃｉｎｏ，Ｇ．Ｐｉｌｌｏｎｅｔｔｏ，ａｎｄ Ｓ．Ｄｅｌ Ｆａｖｅｒｏ，「Ｌｉｎｅａｒ Ｍｏｄｅｌ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｆｏｒ Ｐｅｒｓｏｎａｌｉｚｅｄ Ｐｒｅｄｉｃｔｉｏｎ ａｎｄ Ｃｏｎｔｒｏｌ ｉｎ Ｄｉａｂｅｔｅｓ，」ＩＥＥＥ Ｔｒａｎｓ Ｂｉｏｍｅｄ Ｅｎｇ．Ｏｎｌｉｎｅ ａｈｅａｄ ｏｆ ｐｒｉｎｔ，２０２１，ｐＭＩＤ：３４３４７５８９。
［３２］Ｓ．Ｄｅｌ Ｆａｖｅｒｏ，Ａ．Ｆａｃｃｈｉｎｅｔｔｉ，ａｎｄ Ｃ．Ｃｏｂｅｌｌｉ，「Ａ Ｇｌｕｃｏｓｅ－Ｓｐｅｃｉｆｉｃ Ｍｅｔｒｉｃ ｔｏ Ａｓｓｅｓｓ Ｐｒｅｄｉｃｔｏｒｓ ａｎｄ Ｉｄｅｎｔｉｆｙ Ｍｏｄｅｌｓ，」Ｊｏｕｒｎａｌ ｏｆ Ｄｉａｂｅｔｅｓ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，ｖｏｌ．６（２），ｐ．Ａ３０，２０１２。
［３３］Ｂ．Ｋｏｖａｔｃｈｅｖ，Ｐ．Ｃｈｅｎｇ，Ｓ．Ｍ．Ａｎｄｅｒｓｏｎ，Ｊ．Ｅ．Ｐｉｎｓｋｅｒ，Ｆ．Ｂｏｓｃａｒｉ，Ｂ．Ａ．Ｂｕｃｋｉｎｇｈａｍ，Ｆ．Ｊ．Ｄｏｙｌｅ，Ｋ．Ｋ．Ｈｏｏｄ，Ｓ．Ａ．Ｂｒｏｗｎ，Ｍ．Ｄ．Ｂｒｅｔｏｎ，Ｄ．Ｃｈｅｒｎａｖｖｓｋｙ，Ｗ．Ｃ．Ｂｅｖｉｅｒ，Ｐ．Ｋ．Ｂｒａｄｌｅｙ，Ｄ．Ｂｒｕｔｔｏｍｅｓｓｏ，Ｓ．Ｄｅｌ Ｆａｖｅｒｏ，Ｒ．Ｃａｌｏｒｅ，Ｃ．Ｃｏｂｅｌｌｉ，Ａ．Ａｖｏｇａｒｏ，Ｔ．Ｔ．Ｌｙ，Ｓ．Ｓｈａｎｍｕｇｈａｍ，Ｅ．Ｄａｓｓａｕ，Ｃ．Ｋｏｌｌｍａｎ，Ｊ．Ｗ．Ｌｕｍ，ａｎｄ Ｒ．Ｗ．Ｂｅｃｋ，「Ｆｅａｓｉｂｉｌｉｔｙ ｏｆ Ｌｏｎｇ－Ｔｅｒｍ Ｃｌｏｓｅｄ－Ｌｏｏｐ Ｃｏｎｔｒｏｌ：Ａ Ｍｕｌｔｉｃｅｎｔｅｒ ６－Ｍｏｎｔｈ Ｔｒｉａｌ ｏｆ ２４／７ Ａｕｔｏｍａｔｅｄ Ｉｎｓｕｌｉｎ Ｄｅｌｉｖｅｒｙ，」Ｄｉａｂｅｔｅｓ Ｔｅｃｈｎｏｌｏｇｙ ａｎｄ Ｔｈｅｒａｐｅｕｔｉｃｓ，ｖｏｌ．１９，ｎｏ．１，ｐｐ．１８－２４，２０１７。
［３４］Ｐ．Ｋｅｉｔｈ－Ｈｙｎｅｓ，Ｂ．Ｍｉｚｅ，Ａ．Ｒｏｂｅｒｔ，ａｎｄ Ｊ．Ｐｌａｃｅ，「Ｔｈｅ ｄｉａｂｅｔｅｓ ａｓｓｉｓｔａｎｔ： Ａ ｓｍａｒｔｐｈｏｎｅ－ｂａｓｅｄ ｓｙｓｔｅｍ ｆｏｒ ｒｅａｌ－ｔｉｍｅ ｃｏｎｔｒｏｌ ｏｆ ｂｌｏｏｄ ｇｌｕｃｏｓｅ，」Ｅｌｅｃｔｒｏｎｉｃｓ （Ｓｗｉｔｚｅｒｌａｎｄ），ｖｏｌ．３，ｎｏ．４，ｐｐ．６０９－６２３，２０１４。
［３５］Ｓ．Ｂｉｔｔａｎｔｉ，Ｍｏｄｅｌ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ａｎｄ Ｄａｔａ Ａｎａｌｙｓｉｓ．Ｊｏｈｎ Ｗｉｌｅｙ ＆ Ｓｏｎｓ，Ｉｎｃ．，２０１９。
［３６］Ｗ．Ｌ．Ｃｌａｒｋｅ，Ｄ．Ｃｏｘ，Ｌ．Ａ．Ｇｏｎｄｅｒ－Ｆｒｅｄｅｒｉｃｋ，Ｗ．Ｃａｒｔｅｒ，ａｎｄ Ｓ．Ｌ．Ｐｏｈｌ，「Ｅｖａｌｕａｔｉｎｇ ｃｌｉｎｉｃａｌ ａｃｃｕｒａｃｙ ｏｆ ｓｙｓｔｅｍｓ ｆｏｒ ｓｅｌｆ－ｍｏｎｉｔｏｒｉｎｇ ｏｆ ｂｌｏｏｄ ｇｌｕｃｏｓｅ，」Ｄｉａｂｅｔｅｓ Ｃａｒｅ，ｖｏｌ．１０，ｎｏ．５，ｐｐ．６２２－６２８，１９８７。
［３７］Ｃ．Ｐ’ｅｒｅｚ－Ｇａｎｄ’ｌａ，Ａ．Ｆａｃｃｈｉｎｅｔｔｉ，Ｇ．Ｓｐａｒａｃｉｎｏ，Ｃ．Ｃｏｂｅｌｌｉ，Ｅ．Ｇ’ｏｍｅｚ，Ｍ．Ｒｉｇｌａ，Ａ．ｄｅ Ｌｅｉｖａ，ａｎｄ Ｍ．Ｈｅｒｎａｎｄｏ，「Ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ａｌｇｏｒｉｔｈｍ ｆｏｒ ｏｎｌｉｎｅ ｇｌｕｃｏｓｅ ｐｒｅｄｉｃｔｉｏｎ ｆｒｏｍ ｃｏｎｔｉｎｕｏｕｓ ｇｌｕｃｏｓｅ ｍｏｎｉｔｏｒｉｎｇ，」Ｄｉａｂｅｔｅｓ ｔｅｃｈｎｏｌｏｇｙ ＆ ｔｈｅｒａｐｅｕｔｉｃｓ，ｖｏｌ．１２，ｎｏ．１，ｐｐ．８１－８８，２０１０。
［３８］Ｊ．Ｄａｎｉｅｌｓ，Ｐ．Ｈｅｒｒｅｒｏ，ａｎｄ Ｐ．Ｇｅｏｒｇｉｏｕ，「Ａ Ｍｕｌｔｉｔａｓｋ Ｌｅａｒｎｉｎｇ Ａｐｐｒｏａｃｈ ｔｏ Ｐｅｒｓｏｎａｌｉｓｅｄ Ｂｌｏｏｄ Ｇｌｕｃｏｓｅ Ｐｒｅｄｉｃｔｉｏｎ，」ＩＥＥＥ Ｊ Ｂｉｏｍｅｄ Ｈｅａｌｔｈ Ｉｎｆｏｒｍ，２０２１。
［３９］Ｔ．Ｄａｎｎｅ，Ｒ．Ｎｉｍｒｉ，Ｔ．Ｂａｔｔｅｌｉｎｏ，Ｒ．Ｍ．Ｂｅｒｇｅｎｓｔａｌ，Ｋ．Ｌ．Ｃｌｏｓｅ，Ｊ．Ｈ．ＤｅＶｒｉｅｓ，Ｓ．Ｇａｒｇ，Ｌ．Ｈｅｉｎｅｍａｎｎ，Ｉ．Ｈｉｒｓｃｈ，Ｓ．Ａ．Ａｍｉｅｌ，Ｒ．Ｂｅｃｋ，Ｅ．Ｂｏｓｉ，Ｂ．Ｂｕｃｋｉｎｇｈａｍ，Ｃ．Ｃｏｂｅｌｌｉ，Ｅ．Ｄａｓｓａｕ，Ｆ．Ｊ．Ｄｏｙｌｅ，Ｓ．Ｈｅｌｌｅｒ，Ｒ．Ｈｏｖｏｒｋａ，Ｗ．Ｊｉａ，Ｔ．Ｊｏｎｅｓ，Ｏ．Ｋｏｒｄｏｎｏｕｒｉ，Ｂ．Ｋｏｖａｔｃｈｅｖ，Ａ．Ｋｏｗａｌｓｋｉ，Ｌ．Ｌａｆｆｅｌ，Ｄ．Ｍａａｈｓ，Ｈ．Ｒ．Ｍｕｒｐｈｙ，Ｋ．Ｎｏｒｇａａｒｄ，Ｃ．Ｇ．Ｐａｒｋｉｎ，Ｅ．Ｒｅｎａｒｄ，Ｂ．Ｓａｂｏｏ，Ｍ．Ｓｃｈａｒｆ，Ｗ．Ｖ．Ｔａｍｂｏｒｌａｎｅ，Ｓ．Ａ．Ｗｅｉｎｚｉｍｅｒ，ａｎｄ Ｍ．Ｐｈｉｌｌｉｐ，「Ｉｎｔｅｒｎａｔｉｏｎａｌ ｃｏｎｓｅｎｓｕｓ ｏｎ ｕｓｅ ｏｆ ｃｏｎｔｉｎｕｏｕｓ ｇｌｕｃｏｓｅ ｍｏｎｉｔｏｒｉｎｇ，」Ｄｉａｂｅｔｅｓ Ｃａｒｅ，ｖｏｌ．４０，ｎｏ．１２，ｐｐ．１６３１－１６４０，２０１７。
［４０］Ｇ．Ｆ．Ｆｒａｎｋｌｉｎ，Ｊ．Ｄ．Ｐｏｗｅｌｌ，Ｍ．Ｌ．Ｗｏｒｋｍａｎ ｅｔ ａｌ．，Ｄｉｇｉｔａｌ ｃｏｎｔｒｏｌ ｏｆ ｄｙｎａｍｉｃ ｓｙｓｔｅｍｓ．Ａｄｄｉｓｏｎ－ｗｅｓｌｅｙ Ｒｅａｄｉｎｇ，ＭＡ，１９９８，ｖｏｌ．３。
以下の文書は、それらの全体が参照により本明細書に組み込まれる。
［１］Ｍ．Ｖｅｔｔｏｒｅｔｔｉ，Ｇ．Ｃａｐｐｏｎ，Ｇ．Ａｃｃｉａｒｏｌｉ，Ａ．Ｆａｃｃｈｉｎｅｔｔｉ，ａｎｄ Ｇ．Ｓｐａｒａｃｉｎｏ，「Ｃｏｎｔｉｎｕｏｕｓ Ｇｌｕｃｏｓｅ Ｍｏｎｉｔｏｒｉｎｇ：Ｃｕｒｒｅｎｔ Ｕｓｅ ｉｎ Ｄｉａｂｅｔｅｓ Ｍａｎａｇｅｍｅｎｔ ａｎｄ Ｐｏｓｓｉｂｌｅ Ｆｕｔｕｒｅ Ａｐｐｌｉｃａｔｉｏｎｓ，」Ｊｏｕｒｎａｌ ｏｆ Ｄｉａｂｅｔｅｓ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，ｖｏｌ．１２，ｎｏ．５，ｐｐ．１０６４－１０７１，２０１８。
［２］Ｂ．ＭｃＡｄａｍｓ ａｎｄ Ａ．Ｒｉｚｖｉ，「Ａｎ Ｏｖｅｒｖｉｅｗ ｏｆ Ｉｎｓｕｌｉｎ Ｐｕｍｐｓ ａｎｄ Ｇｌｕｃｏｓｅ Ｓｅｎｓｏｒｓ ｆｏｒ ｔｈｅ Ｇｅｎｅｒａｌｉｓｔ，」Ｊｏｕｒｎａｌ ｏｆ Ｃｌｉｎｉｃａｌ Ｍｅｄｉｃｉｎｅ，ｖｏｌ．５，ｎｏ．１，ｐ．５，２０１６。
［３］Ｉ．Ｃｏｎｔｒｅｒａｓ ａｎｄ Ｊ．Ｖｅｈｉ，「Ａｒｔｉｆｉｃｉａｌ ｉｎｔｅｌｌｉｇｅｎｃｅ ｆｏｒ ｄｉａｂｅｔｅｓ ｍａｎａｇｅｍｅｎｔ ａｎｄ ｄｅｃｉｓｉｏｎ ｓｕｐｐｏｒｔ：Ｌｉｔｅｒａｔｕｒｅ ｒｅｖｉｅｗ，」Ｊｏｕｒｎａｌ ｏｆ Ｍｅｄｉｃａｌ Ｉｎｔｅｒｎｅｔ Ｒｅｓｅａｒｃｈ，ｖｏｌ．２０，ｎｏ．５，２０１８。
［４］Ｃ．Ｌｕｃａ，Ｃ．Ｇｉａｃｏｍｏ，Ｓ．Ｇｉｏｖａｎｎｉ，ａｎｄ Ｆ．Ａｎｄｒｅａ，「Ａ ｎｅｗ ｉｎｔｅｇｒａｔｅｄ ｐｌａｔｆｏｒｍ ｆｏｒ ｇａｔｈｅｒｉｎｇ ａｎｄ ｍａｎａｇｉｎｇ ｍｕｌｔｉｖａｒｉａｂｌｅ ａｎｄ ｍｕｌｔｉｓｅｎｓｏｒ ｄａｔａ ｉｎ ｄｉａｂｅｔｅｓ ｃｌｉｎｉｃａｌ ｓｔｕｄｉｅｓ，」ｉｎ ２０２０ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ ｅ－Ｈｅａｌｔｈ ａｎｄ Ｂｉｏｅｎｇｉｎｅｅｒｉｎｇ（ＥＨＢ），２０２０，ｐｐ．１－４。
［５］Ｋ．Ｔｕｒｋｓｏｙ，Ｊ．Ｋｉｌｋｕｓ，Ｉ．Ｈａｊｉｚａｄｅｈ，Ｓ．Ｓａｍａｄｉ，Ｊ．Ｆｅｎｇ，Ｍ．Ｓｅｖｉｌ，
Ｃ．Ｌａｚａｒｏ，Ｎ．Ｆｒａｎｔｚ，Ｅ．Ｌｉｔｔｌｅｊｏｈｎ，ａｎｄ Ａ．Ｃｉｎａｒ，「Ｈｙｐｏｇｌｙｃｅｍｉａ Ｄｅｔｅｃ－ｔｉｏｎ ａｎｄ Ｃａｒｂｏｈｙｄｒａｔｅ Ｓｕｇｇｅｓｔｉｏｎ ｉｎ ａｎ Ａｒｔｉｆｉｃｉａｌ Ｐａｎｃｒｅａｓ，」Ｊｏｕｒｎａｌ ｏｆ Ｄｉａｂｅｔｅｓ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，ｖｏｌ．１０，ｎｏ．６，ｐｐ．１２３６－１２４４，２０１６。
［６］Ｎ．Ｃａｍｅｒｌｉｎｇｏ，Ｍ．Ｖｅｔｔｏｒｅｔｔｉ，Ｓ．Ｄｅｌ Ｆａｖｅｒｏ，Ｇ．Ｃａｐｐｏｎ，Ｇ．Ｓｐａｒａｃｉｎｏ，ａｎｄ Ａ．Ｆａｃｃｈｉｎｅｔｔｉ，「Ａ ｒｅａｌ－ｔｉｍｅ ｃｏｎｔｉｎｕｏｕｓ ｇｌｕｃｏｓｅ ｍｏｎｉｔｏｒｉｎｇ－ｂａｓｅｄ ａｌｇｏｒｉｔｈｍ ｔｏ ｔｒｉｇｇｅｒ ｈｙｐｏｔｒｅａｔｍｅｎｔｓ ｔｏ ｐｒｅｖｅｎｔ／ｍｉｔｉｇａｔｅ ｈｙｐｏｇｌｙｃｅｍｉｃ ｅｖｅｎｔｓ，」Ｄｉａｂｅｔｅｓ Ｔｅｃｈｎｏｌｏｇｙ ａｎｄ Ｔｈｅｒａｐｅｕｔｉｃｓ，ｖｏｌ．２１，ｎｏ．１１，ｐｐ．６４４－６５５，２０１９。
［７］Ｊ．Ｐ．Ｓｈｉｖｅｒｓ，Ｌ．Ｍａｃｋｏｗｉａｋ，Ｈ．Ａｎｈａｌｔ，ａｎｄ Ｈ．Ｚｉｓｓｅｒ，「」Ｔｕｒｎ Ｉｔ Ｏｆｆ！」：Ｄｉａｂｅｔｅｓ Ｄｅｖｉｃｅ Ａｌａｒｍ Ｆａｔｉｇｕｅ Ｃｏｎｓｉｄｅｒａｔｉｏｎｓ ｆｏｒ ｔｈｅ Ｐｒｅｓｅｎｔ ａｎｄ ｔｈｅ Ｆｕｔｕｒｅ，」Ｊｏｕｒｎａｌ ｏｆ Ｄｉａｂｅｔｅｓ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，ｖｏｌ．７，ｎｏ．３，ｐｐ．７８９－７９４，２０１３。
［８］Ｇ．ＭｃＧａｒｒａｕｇｈ，「Ａｌａｒｍ ｃｈａｒａｃｔｅｒｉｚａｔｉｏｎ ｆｏｒ ｃｏｎｔｉｎｕｏｕｓ ｇｌｕｃｏｓｅ ｍｏｎｉｔｏｒｓ ｕｓｅｄ ａｓ ａｄｊｕｎｃｔｓ ｔｏ ｓｅｌｆ－ｍｏｎｉｔｏｒｉｎｇ ｏｆ ｂｌｏｏｄ ｇｌｕｃｏｓｅ，」Ｊｏｕｒｎａｌ ｏｆ Ｄｉａｂｅｔｅｓ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，ｖｏｌ．４，ｎｏ．１，ｐｐ．４１－４８，２０１０。
［９］Ｘ．Ｍｏ，Ｙ．Ｗａｎｇ，ａｎｄ Ｘ．Ｗｕ，「Ｈｙｐｏｇｌｙｃｅｍｉａ ｐｒｅｄｉｃｔｉｏｎ ｕｓｉｎｇ ｅｘｔｒｅｍｅ ｌｅａｒｎｉｎｇ ｍａｃｈｉｎｅ（ＥＬＭ）ａｎｄ ｒｅｇｕｌａｒｉｚｅｄ ＥＬＭ，」２０１３ ２５ｔｈ Ｃｈｉｎｅｓｅ Ｃｏｎｔｒｏｌ ａｎｄ Ｄｅｃｉｓｉｏｎ Ｃｏｎｆｅｒｅｎｃｅ，ＣＣＤＣ ２０１３，ｐｐ．４４０５－４４０９，２０１３。
［１０］Ｋ．Ｔｕｒｋｓｏｙ，Ｅ．Ｓ．Ｂａｙｒａｋ，Ｌ．Ｑｕｉｎｎ，Ｅ．Ｌｉｔｔｌｅｊｏｈｎ，Ｄ．Ｒｏｌｌｉｎｓ，ａｎｄ Ａ．Ｃｉｎａｒ，「Ｈｙｐｏｇｌｙｃｅｍｉａ ｅａｒｌｙ ａｌａｒｍ ｓｙｓｔｅｍｓ ｂａｓｅｄ ｏｎ ｍｕｌｔｉｖａｒｉａｂｌｅ ｍｏｄｅｌｓ，」Ｉｎｄｕｓｔｒｉａｌ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ Ｃｈｅｍｉｓｔｒｙ Ｒｅｓｅａｒｃｈ，ｖｏｌ．５２，ｎｏ．３５，ｐｐ．１２ ３２９－１２ ３３６，２０１３。
［１１］Ｓ．Ｏｖｉｅｄｏ，Ｊ．Ｖｅｈ’ｌ，Ｒ．Ｃａｌｍ，ａｎｄ Ｊ．Ａｒｍｅｎｇｏｌ，「Ａ ｒｅｖｉｅｗ ｏｆ ｐｅｒｓｏｎａｌｉｚｅｄ ｂｌｏｏｄ ｇｌｕｃｏｓｅ ｐｒｅｄｉｃｔｉｏｎ ｓｔｒａｔｅｇｉｅｓ ｆｏｒ Ｔ１ＤＭ ｐａｔｉｅｎｔｓ，」Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｆｏｒ Ｎｕｍｅｒｉｃａｌ Ｍｅｔｈｏｄｓ ｉｎ Ｂｉｏｍｅｄｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ，ｖｏｌ．３３，ｎｏ．６，ｐｐ．１－２１，２０１７。
［１２］［１２］Ｏ．Ｍｕｊａｈｉｄ，Ｉ．Ｃｏｎｔｒｅｒａｓ，ａｎｄ Ｊ．Ｖｅｈｉ，「Ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ ｔｅｃｈｎｉｑｕｅｓ ｆｏｒ ｈｙｐｏｇｌｙｃｅｍｉａ ｐｒｅｄｉｃｔｉｏｎ：Ｔｒｅｎｄｓ ａｎｄ ｃｈａｌｌｅｎｇｅｓ，」Ｓｅｎｓｏｒｓ（Ｓｗｉｔｚｅｒｌａｎｄ），ｖｏｌ．２１，ｎｏ．２，ｐｐ．１－２１，２０２１。
［１３］Ｈ．Ｅｆｅｎｄｉｃ，Ｈ．Ｋｉｒｃｈｓｔｅｉｇｅｒ，Ｇ．Ｆｒｅｃｋｍａｎｎ，ａｎｄ Ｌ．Ｄｅｌ Ｒｅ，「Ｓｈｏｒｔ－ｔｅｒｍ ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｂｌｏｏｄ ｇｌｕｃｏｓｅ ｃｏｎｃｅｎｔｒａｔｉｏｎ ｕｓｉｎｇ ｉｎｔｅｒｖａｌ ｐｒｏｂａｂｉｌｉｓｔｉｃ ｍｏｄｅｌｓ，」２０１４ ２２ｎｄ Ｍｅｄｉｔｅｒｒａｎｅａｎ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｎｔｒｏｌ ａｎｄ Ａｕｔｏｍａｔｉｏｎ，ＭＥＤ ２０１４，ｐｐ．１４９４－１４９９，２０１４。
［１４］Ｊ．Ｙａｎｇ，Ｌ．Ｌｉ，Ｙ．Ｓｈｉ，ａｎｄ Ｘ．Ｘｉｅ，「Ａｎ ＡＲＩＭＡ Ｍｏｄｅｌ ｗｉｔｈ Ａｄａｐｔｉｖｅ Ｏｒｄｅｒｓ ｆｏｒ Ｐｒｅｄｉｃｔｉｎｇ Ｂｌｏｏｄ Ｇｌｕｃｏｓｅ Ｃｏｎｃｅｎｔｒａｔｉｏｎｓ ａｎｄ Ｈｙｐｏｇｌｙｃｅｍｉａ，」ＩＥＥＥ Ｊｏｕｒｎａｌ ｏｆ Ｂｉｏｍｅｄｉｃａｌ ａｎｄ Ｈｅａｌｔｈ Ｉｎｆｏｒｍａｔｉｃｓ，ｖｏｌ．２３，ｎｏ．３，ｐｐ．１２５１－１２６０，２０１９。
［１５］Ｍ．Ｅｒｅｎ－Ｏｒｕｋｌｕ，Ａ．Ｃｉｎａｒ，Ｄ．Ｋ．Ｒｏｌｌｉｎｓ，ａｎｄ Ｌ．Ｑｕｉｎｎ，「Ａｄａｐｔｉｖｅ ｓｙｓｔｅｍ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｆｏｒ ｅｓｔｉｍａｔｉｎｇ ｆｕｔｕｒｅ ｇｌｕｃｏｓｅ ｃｏｎｃｅｎｔｒａｔｉｏｎｓ ａｎｄ ｈｙｐｏｇｌｙｃｅｍｉａ ａｌａｒｍｓ，」Ａｕｔｏｍａｔｉｃａ，ｖｏｌ．４８，ｎｏ．８，ｐｐ．１８９２－１８９７，２０１２。
［１６］Ｍ．Ｅｒｅｎ－Ｏｒｕｋｌｕ，Ａ．Ｃｉｎａｒ，ａｎｄ Ｌ．Ｑｕｉｎｎ，「Ｈｙｐｏｇｌｙｃｅｍｉａ ｐｒｅｄｉｃｔｉｏｎ ｗｉｔｈ ｓｕｂｊｅｃｔ－ｓｐｅｃｉｆｉｃ ｒｅｃｕｒｓｉｖｅ ｔｉｍｅ－ｓｅｒｉｅｓ ｍｏｄｅｌｓ，」Ｊｏｕｒｎａｌ ｏｆ Ｄｉａｂｅｔｅｓ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，ｖｏｌ．４，ｎｏ．１，ｐｐ．２５－３３，２０１０。
［１７］Ｃ．Ｔｏｆｆａｎｉｎ，Ｓ．Ｄｅｌ Ｆａｖｅｒｏ，Ｅ．Ｍ．Ａｉｅｌｌｏ，Ｍ．Ｍｅｓｓｏｒｉ，Ｃ．Ｃｏｂｅｌｌｉ，ａｎｄ Ｌ．Ｍａｇｎｉ，「Ｇｌｕｃｏｓｅ－ｉｎｓｕｌｉｎ ｍｏｄｅｌ ｉｄｅｎｔｉｆｉｅｄ ｉｎ ｆｒｅｅ－ｌｉｖｉｎｇ ｃｏｎｄｉｔｉｏｎｓ ｆｏｒ ｈｙｐｏｇｌｙｃａｅｍｉａ ｐｒｅｖｅｎｔｉｏｎ，」Ｊｏｕｒｎａｌ ｏｆ Ｐｒｏｃｅｓｓ Ｃｏｎｔｒｏｌ，ｖｏｌ．６４，ｐｐ．２７－３６，２０１８。
［１８］Ｊ．Ｖｅｈ’ｌ，Ｉ．Ｃｏｎｔｒｅｒａｓ，Ｓ．Ｏｖｉｅｄｏ，Ｌ．Ｂｉａｇｉ，ａｎｄ Ａ．Ｂｅｒｔａｃｈｉ，「Ｐｒｅｄｉｃｔｉｏｎ ａｎｄ ｐｒｅｖｅｎｔｉｏｎ ｏｆ ｈｙｐｏｇｌｙｃａｅｍｉｃ ｅｖｅｎｔｓ ｉｎ ｔｙｐｅ－１ ｄｉａｂｅｔｉｃ ｐａｔｉｅｎｔｓ ｕｓｉｎｇ ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ，」Ｈｅａｌｔｈ ｉｎｆｏｒｍａｔｉｃｓ Ｊｏｕｒｎａｌ，ｖｏｌ．２６，ｎｏ．１，ｐｐ．７０３－７１８，２０２０。
［１９］Ｄ．Ｄａｖｅ，Ｄ．Ｊ．ＤｅＳａｌｖｏ，Ｂ．Ｈａｒｉｄａｓ，Ｓ．ＭｃＫａｙ，Ａ．Ｓｈｅｎｏｙ，Ｃ．Ｊ．Ｋｏｈ，Ｍ．Ｌａｗｌｅｙ，ａｎｄ Ｍ．Ｅｒｒａｇｕｎｔｌａ，「Ｆｅａｔｕｒｅ－Ｂａｓｅｄ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ Ｍｏｄｅｌ ｆｏｒ Ｒｅａｌ－Ｔｉｍｅ Ｈｙｐｏｇｌｙｃｅｍｉａ Ｐｒｅｄｉｃｔｉｏｎ，」Ｊｏｕｒｎａｌ ｏｆ Ｄｉａｂｅｔｅｓ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，２０２０。
［２０］Ｍ．Ｇａｄａｌｅｔａ，Ａ．Ｆａｃｃｈｉｎｅｔｔｉ，Ｅ．Ｇｒｉｓａｎ，ａｎｄ Ｍ．Ｒｏｓｓｉ，「Ｐｒｅｄｉｃｔｉｏｎ ｏｆ Ａｄｖｅｒｓｅ Ｇｌｙｃｅｍｉｃ Ｅｖｅｎｔｓ Ｆｒｏｍ Ｃｏｎｔｉｎｕｏｕｓ Ｇｌｕｃｏｓｅ Ｍｏｎｉｔｏｒｉｎｇ Ｓｉｇｎａｌ，」ＩＥＥＥ Ｊｏｕｒｎａｌ ｏｆ Ｂｉｏｍｅｄｉｃａｌ ａｎｄ Ｈｅａｌｔｈ Ｉｎｆｏｒｍａｔｉｃｓ，ｖｏｌ．２３，ｎｏ．２，ｐｐ．６５０－６５９，２０１９。
［２１］Ｍ．Ｆｒａｎｄｅｓ，Ｂ．Ｔｉｍａｒ，ａｎｄ Ｄ．Ｌｕｎｇｅａｎｕ，「Ａ ｒｉｓｋ ｂａｓｅｄ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ａｐｐｒｏａｃｈ ｆｏｒ ｐｒｅｄｉｃｔｉｖｅ ｍｏｄｅｌｉｎｇ ｏｆ ｂｌｏｏｄ ｇｌｕｃｏｓｅ ｄｙｎａｍｉｃｓ，」Ｓｔｕｄｉｅｓ ｉｎ Ｈｅａｌｔｈ Ｔｅｃｈｎｏｌｏｇｙ ａｎｄ Ｉｎｆｏｒｍａｔｉｃｓ，ｖｏｌ．２２８，ｐｐ．５７７－５８１，２０１７。
［２２］Ｋ．Ｓ．Ｅｌｊｉｌ，Ｇ．Ｑａｄａｈ，ａｎｄ Ｍ．Ｐａｓｑｕｉｅｒ，「Ｐｒｅｄｉｃｔｉｎｇ ｈｙｐｏｇｌｙｃｅｍｉａ ｉｎ ｄｉａｂｅｔｉｃ ｐａｔｉｅｎｔｓ ｕｓｉｎｇ ｄａｔａ ｍｉｎｉｎｇ ｔｅｃｈｎｉｑｕｅｓ，」２０１３ ９ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｉｎｎｏｖａｔｉｏｎｓ ｉｎ Ｉｎｆｏｒｍａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ， ＩＩＴ ２０１３，ｐｐ．１３０－１３５，２０１３。
［２３］Ｅ．Ｉ．Ｇｅｏｒｇａ，Ｖ．Ｃ．Ｐｒｏｔｏｐａｐｐａｓ，Ｄ．Ａｒｄｉｇ｀ｏ，Ｄ．Ｐｏｌｙｚｏｓ，ａｎｄ Ｄ．Ｉ．Ｆｏｔｉａｄｉｓ，「Ａ ｇｌｕｃｏｓｅ ｍｏｄｅｌ ｂａｓｅｄ ｏｎ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｒｅｇｒｅｓｓｉｏｎ ｆｏｒ ｔｈｅ ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｈｙｐｏｇｌｙｃｅｍｉｃ ｅｖｅｎｔｓ ｕｎｄｅｒ ｆｒｅｅ－ｌｉｖｉｎｇ ｃｏｎｄｉｔｉｏｎｓ，」Ｄｉａｂｅｔｅｓ Ｔｅｃｈｎｏｌｏｇｙ ａｎｄ Ｔｈｅｒａｐｅｕｔｉｃｓ，ｖｏｌ．１５，ｎｏ．８，ｐｐ．６３４－６４３，２０１３。
［２４］Ｅ．Ｄａｓｋａｌａｋｉ，Ｋ．Ｎｏｒｇａａｒｄ，Ｔ．Ｚ¨ｕｇｅｒ，Ａ．Ｐｒｏｕｎｔｚｏｕ，Ｐ．Ｄｉｅｍ，ａｎｄ Ｓ．Ｍｏｕｇｉａｋａｋｏｕ，「Ａｎ ｅａｒｌｙ ｗａｒｎｉｎｇ ｓｙｓｔｅｍ ｆｏｒ ｈｙｐｏ－ ｇｌｙｃｅｍｉｃ／ｈｙｐｅｒｇｌｙｃｅｍｉｃ ｅｖｅｎｔｓ ｂａｓｅｄ ｏｎ ｆｕｓｉｏｎ ｏｆ ａｄａｐｔｉｖｅ ｐｒｅｄｉｃｔｉｏｎ ｍｏｄｅｌｓ，」Ｊｏｕｒｎａｌ ｏｆ Ｄｉａｂｅｔｅｓ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，ｖｏｌ．７，ｎｏ．３，ｐｐ．６８９－６９８，２０１３。
［２５］Ｌ．Ｌｊｕｎｇ，Ｓｙｓｔｅｍ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ－Ｔｈｅｏｒｙ ｆｏｒ ｔｈｅ ｕｓｅｒ．ＰＴＲ Ｐｒｅｎｔｉｃｅ Ｈａｌｌ，１９８７。
［２６］Ｐ．Ｊ．Ｋｉｍ ａｎｄ Ｌ．Ｈｕｈ，Ｋａｌｍａｎ Ｆｉｌｔｅｒ ｆｏｒ Ｂｅｇｉｎｎｅｒｓ：ｗｉｔｈ ＭＡＴＬＡＢ Ｅｘａｍｐｌｅｓ．ＭａｔｈＷｏｒｋｓ，２０１１。
［２７］Ｃ．Ｄａｌｌａ Ｍａｎ，Ｒ．Ａ．Ｒｉｚｚａ，ａｎｄ Ｃ．Ｃｏｂｅｌｌｉ，「Ｍｅａｌ ｓｉｍｕｌａｔｉｏｎ ｍｏｄｅｌ ｏｆ ｔｈｅ ｇｌｕｃｏｓｅ－ｉｎｓｕｌｉｎ ｓｙｓｔｅｍ，」ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｂｉｏｍｅｄｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ，ｖｏｌ．５４，ｎｏ．１０，ｐｐ．１７４０－１７４９，２００７。
［２８］Ｄ．Ａ．Ｆｉｎａｎ，Ｈ．Ｚｉｓｓｅｒ，Ｌ．Ｊｏｖａｎｏｖｉｃ，Ｗ．Ｃ．Ｂｅｖｉｅｒ，ａｎｄ Ｄ．Ｅ．Ｓｅｂｏｒｇ，「Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｏｆ Ｌｉｎｅａｒ Ｄｙｎａｍｉｃ Ｍｏｄｅｌｓ ｆｏｒ Ｔｙｐｅ １ Ｄｉａｂｅｔｅｓ：ａ Ｓｉｍｕｌａｔｉｏｎ Ｓｔｕｄｙ，」ｉｎ ＩＦＡＣ Ｐｒｏｃｅｅｄｉｎｇｓ Ｖｏｌｕｍｅｓ，ｖｏｌ．３９，ｎｏ．２．ＩＦＡＣ，２００６，ｐｐ．５０３－５０８。
［２９］Ｍ．Ｍｅｓｓｏｒｉ，Ｍ．Ｅｌｌｉｓ，Ｃ．Ｃｏｂｅｌｌｉ，Ｐ．Ｄ．Ｃｈｒｉｓｔｏｆｉｄｅｓ，ａｎｄ Ｌ．Ｍａｇｎｉ，「Ｉｍｐｒｏｖｅｄ ｐｏｓｔｐｒａｎｄｉａｌ ｇｌｕｃｏｓｅ ｃｏｎｔｒｏｌ ｗｉｔｈ ａ ｃｕｓｔｏｍｉｚｅｄ Ｍｏｄｅｌ Ｐｒｅｄｉｃｔｉｖｅ Ｃｏｎｔｒｏｌｌｅｒ，」Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ａｍｅｒｉｃａｎ Ｃｏｎｔｒｏｌ Ｃｏｎｆｅｒｅｎｃｅ，ｐｐ．５１０８－５１１５，２０１５。
［３０］Ｆ．Ｐｒｅｎｄｉｎ，Ｓ．Ｄｅｌ Ｆａｖｅｒｏ，Ｍ．Ｖｅｔｔｏｒｅｔｔｉ，Ｇ．Ｓｐａｒａｃｉｎｏ，ａｎｄ Ａ．Ｆａｃｃｈｉｎｅｔｔｉ，「Ｆｏｒｅｃａｓｔｉｎｇ ｏｆ ｇｌｕｃｏｓｅ ｌｅｖｅｌｓ ａｎｄ ｈｙｐｏｇｌｙｃｅｍｉｃ ｅｖｅｎｔｓ：Ｈｅａｄ－ｔｏ－ｈｅａｄ ｃｏｍｐａｒｉｓｏｎ ｏｆ ｌｉｎｅａｒ ａｎｄ ｎｏｎｌｉｎｅａｒ ｄａｔａ－ｄｒｉｖｅｎ ａｌｇｏｒｉｔｈｍｓ ｂａｓｅｄ ｏｎ ｃｏｎｔｉｎｕｏｕｓ ｇｌｕｃｏｓｅ ｍｏｎｉｔｏｒｉｎｇ ｄａｔａ ｏｎｌｙ，」Ｓｅｎｓｏｒｓ，ｖｏｌ．２１，ｎｏ．５，２０２１。
［３１］Ｓ．Ｆａｃｃｉｏｌｉ，Ａ．Ｆａｃｃｈｉｎｅｔｔｉ，Ｇ．Ｓｐａｒａｃｉｎｏ，Ｇ．Ｐｉｌｌｏｎｅｔｔｏ，ａｎｄ Ｓ．Ｄｅｌ Ｆａｖｅｒｏ，「Ｌｉｎｅａｒ Ｍｏｄｅｌ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｆｏｒ Ｐｅｒｓｏｎａｌｉｚｅｄ Ｐｒｅｄｉｃｔｉｏｎ ａｎｄ Ｃｏｎｔｒｏｌ ｉｎ Ｄｉａｂｅｔｅｓ，」ＩＥＥＥ Ｔｒａｎｓ Ｂｉｏｍｅｄ Ｅｎｇ．Ｏｎｌｉｎｅ ａｈｅａｄ ｏｆ ｐｒｉｎｔ，２０２１，ｐＭＩＤ：３４３４７５８９。
［３２］Ｓ．Ｄｅｌ Ｆａｖｅｒｏ，Ａ．Ｆａｃｃｈｉｎｅｔｔｉ，ａｎｄ Ｃ．Ｃｏｂｅｌｌｉ，「Ａ Ｇｌｕｃｏｓｅ－Ｓｐｅｃｉｆｉｃ Ｍｅｔｒｉｃ ｔｏ Ａｓｓｅｓｓ Ｐｒｅｄｉｃｔｏｒｓ ａｎｄ Ｉｄｅｎｔｉｆｙ Ｍｏｄｅｌｓ，」Ｊｏｕｒｎａｌ ｏｆ Ｄｉａｂｅｔｅｓ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，ｖｏｌ．６（２），ｐ．Ａ３０，２０１２。
［３３］Ｂ．Ｋｏｖａｔｃｈｅｖ，Ｐ．Ｃｈｅｎｇ，Ｓ．Ｍ．Ａｎｄｅｒｓｏｎ，Ｊ．Ｅ．Ｐｉｎｓｋｅｒ，Ｆ．Ｂｏｓｃａｒｉ，Ｂ．Ａ．Ｂｕｃｋｉｎｇｈａｍ，Ｆ．Ｊ．Ｄｏｙｌｅ，Ｋ．Ｋ．Ｈｏｏｄ，Ｓ．Ａ．Ｂｒｏｗｎ，Ｍ．Ｄ．Ｂｒｅｔｏｎ，Ｄ．Ｃｈｅｒｎａｖｖｓｋｙ，Ｗ．Ｃ．Ｂｅｖｉｅｒ，Ｐ．Ｋ．Ｂｒａｄｌｅｙ，Ｄ．Ｂｒｕｔｔｏｍｅｓｓｏ，Ｓ．Ｄｅｌ Ｆａｖｅｒｏ，Ｒ．Ｃａｌｏｒｅ，Ｃ．Ｃｏｂｅｌｌｉ，Ａ．Ａｖｏｇａｒｏ，Ｔ．Ｔ．Ｌｙ，Ｓ．Ｓｈａｎｍｕｇｈａｍ，Ｅ．Ｄａｓｓａｕ，Ｃ．Ｋｏｌｌｍａｎ，Ｊ．Ｗ．Ｌｕｍ，ａｎｄ Ｒ．Ｗ．Ｂｅｃｋ，「Ｆｅａｓｉｂｉｌｉｔｙ ｏｆ Ｌｏｎｇ－Ｔｅｒｍ Ｃｌｏｓｅｄ－Ｌｏｏｐ Ｃｏｎｔｒｏｌ：Ａ Ｍｕｌｔｉｃｅｎｔｅｒ ６－Ｍｏｎｔｈ Ｔｒｉａｌ ｏｆ ２４／７ Ａｕｔｏｍａｔｅｄ Ｉｎｓｕｌｉｎ Ｄｅｌｉｖｅｒｙ，」Ｄｉａｂｅｔｅｓ Ｔｅｃｈｎｏｌｏｇｙ ａｎｄ Ｔｈｅｒａｐｅｕｔｉｃｓ，ｖｏｌ．１９，ｎｏ．１，ｐｐ．１８－２４，２０１７。
［３４］Ｐ．Ｋｅｉｔｈ－Ｈｙｎｅｓ，Ｂ．Ｍｉｚｅ，Ａ．Ｒｏｂｅｒｔ，ａｎｄ Ｊ．Ｐｌａｃｅ，「Ｔｈｅ ｄｉａｂｅｔｅｓ ａｓｓｉｓｔａｎｔ： Ａ ｓｍａｒｔｐｈｏｎｅ－ｂａｓｅｄ ｓｙｓｔｅｍ ｆｏｒ ｒｅａｌ－ｔｉｍｅ ｃｏｎｔｒｏｌ ｏｆ ｂｌｏｏｄ ｇｌｕｃｏｓｅ，」Ｅｌｅｃｔｒｏｎｉｃｓ （Ｓｗｉｔｚｅｒｌａｎｄ），ｖｏｌ．３，ｎｏ．４，ｐｐ．６０９－６２３，２０１４。
［３５］Ｓ．Ｂｉｔｔａｎｔｉ，Ｍｏｄｅｌ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ａｎｄ Ｄａｔａ Ａｎａｌｙｓｉｓ．Ｊｏｈｎ Ｗｉｌｅｙ ＆ Ｓｏｎｓ，Ｉｎｃ．，２０１９。
［３６］Ｗ．Ｌ．Ｃｌａｒｋｅ，Ｄ．Ｃｏｘ，Ｌ．Ａ．Ｇｏｎｄｅｒ－Ｆｒｅｄｅｒｉｃｋ，Ｗ．Ｃａｒｔｅｒ，ａｎｄ Ｓ．Ｌ．Ｐｏｈｌ，「Ｅｖａｌｕａｔｉｎｇ ｃｌｉｎｉｃａｌ ａｃｃｕｒａｃｙ ｏｆ ｓｙｓｔｅｍｓ ｆｏｒ ｓｅｌｆ－ｍｏｎｉｔｏｒｉｎｇ ｏｆ ｂｌｏｏｄ ｇｌｕｃｏｓｅ，」Ｄｉａｂｅｔｅｓ Ｃａｒｅ，ｖｏｌ．１０，ｎｏ．５，ｐｐ．６２２－６２８，１９８７。
［３７］Ｃ．Ｐ’ｅｒｅｚ－Ｇａｎｄ’ｌａ，Ａ．Ｆａｃｃｈｉｎｅｔｔｉ，Ｇ．Ｓｐａｒａｃｉｎｏ，Ｃ．Ｃｏｂｅｌｌｉ，Ｅ．Ｇ’ｏｍｅｚ，Ｍ．Ｒｉｇｌａ，Ａ．ｄｅ Ｌｅｉｖａ，ａｎｄ Ｍ．Ｈｅｒｎａｎｄｏ，「Ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ａｌｇｏｒｉｔｈｍ ｆｏｒ ｏｎｌｉｎｅ ｇｌｕｃｏｓｅ ｐｒｅｄｉｃｔｉｏｎ ｆｒｏｍ ｃｏｎｔｉｎｕｏｕｓ ｇｌｕｃｏｓｅ ｍｏｎｉｔｏｒｉｎｇ，」Ｄｉａｂｅｔｅｓ ｔｅｃｈｎｏｌｏｇｙ ＆ ｔｈｅｒａｐｅｕｔｉｃｓ，ｖｏｌ．１２，ｎｏ．１，ｐｐ．８１－８８，２０１０。
［３８］Ｊ．Ｄａｎｉｅｌｓ，Ｐ．Ｈｅｒｒｅｒｏ，ａｎｄ Ｐ．Ｇｅｏｒｇｉｏｕ，「Ａ Ｍｕｌｔｉｔａｓｋ Ｌｅａｒｎｉｎｇ Ａｐｐｒｏａｃｈ ｔｏ Ｐｅｒｓｏｎａｌｉｓｅｄ Ｂｌｏｏｄ Ｇｌｕｃｏｓｅ Ｐｒｅｄｉｃｔｉｏｎ，」ＩＥＥＥ Ｊ Ｂｉｏｍｅｄ Ｈｅａｌｔｈ Ｉｎｆｏｒｍ，２０２１。
［３９］Ｔ．Ｄａｎｎｅ，Ｒ．Ｎｉｍｒｉ，Ｔ．Ｂａｔｔｅｌｉｎｏ，Ｒ．Ｍ．Ｂｅｒｇｅｎｓｔａｌ，Ｋ．Ｌ．Ｃｌｏｓｅ，Ｊ．Ｈ．ＤｅＶｒｉｅｓ，Ｓ．Ｇａｒｇ，Ｌ．Ｈｅｉｎｅｍａｎｎ，Ｉ．Ｈｉｒｓｃｈ，Ｓ．Ａ．Ａｍｉｅｌ，Ｒ．Ｂｅｃｋ，Ｅ．Ｂｏｓｉ，Ｂ．Ｂｕｃｋｉｎｇｈａｍ，Ｃ．Ｃｏｂｅｌｌｉ，Ｅ．Ｄａｓｓａｕ，Ｆ．Ｊ．Ｄｏｙｌｅ，Ｓ．Ｈｅｌｌｅｒ，Ｒ．Ｈｏｖｏｒｋａ，Ｗ．Ｊｉａ，Ｔ．Ｊｏｎｅｓ，Ｏ．Ｋｏｒｄｏｎｏｕｒｉ，Ｂ．Ｋｏｖａｔｃｈｅｖ，Ａ．Ｋｏｗａｌｓｋｉ，Ｌ．Ｌａｆｆｅｌ，Ｄ．Ｍａａｈｓ，Ｈ．Ｒ．Ｍｕｒｐｈｙ，Ｋ．Ｎｏｒｇａａｒｄ，Ｃ．Ｇ．Ｐａｒｋｉｎ，Ｅ．Ｒｅｎａｒｄ，Ｂ．Ｓａｂｏｏ，Ｍ．Ｓｃｈａｒｆ，Ｗ．Ｖ．Ｔａｍｂｏｒｌａｎｅ，Ｓ．Ａ．Ｗｅｉｎｚｉｍｅｒ，ａｎｄ Ｍ．Ｐｈｉｌｌｉｐ，「Ｉｎｔｅｒｎａｔｉｏｎａｌ ｃｏｎｓｅｎｓｕｓ ｏｎ ｕｓｅ ｏｆ ｃｏｎｔｉｎｕｏｕｓ ｇｌｕｃｏｓｅ ｍｏｎｉｔｏｒｉｎｇ，」Ｄｉａｂｅｔｅｓ Ｃａｒｅ，ｖｏｌ．４０，ｎｏ．１２，ｐｐ．１６３１－１６４０，２０１７。
［４０］Ｇ．Ｆ．Ｆｒａｎｋｌｉｎ，Ｊ．Ｄ．Ｐｏｗｅｌｌ，Ｍ．Ｌ．Ｗｏｒｋｍａｎ ｅｔ ａｌ．，Ｄｉｇｉｔａｌ ｃｏｎｔｒｏｌ ｏｆ ｄｙｎａｍｉｃ ｓｙｓｔｅｍｓ．Ａｄｄｉｓｏｎ－ｗｅｓｌｅｙ Ｒｅａｄｉｎｇ，ＭＡ，１９９８，ｖｏｌ．３。
【符号の説明】
【0148】
１００ 意思決定支援システム
１０２ ユーザ
１０４ 連続分析物監視システム
１０４ 分析物監視システム
１０４ 連続分析物センサシステム
１０６ アプリケーション
１０６ 分析物センサアプリケーション
１０７ 表示デバイス
１１０ ユーザデータベース
１１２ 履歴記録データベース
１１４ 意思決定支援エンジン
１１６ 予測モジュール
１１８ ユーザプロファイル
１２０ 人口統計情報
１２２ 疾患進行情報
１２４ 医薬情報
１２６ アプリケーションデータ
１２８ 入力
１３０ アラート
１３０ 高血糖アラート
１３０ 低血糖アラート
１４０ 訓練サーバシステム
１０２ ユーザ
１０４ 連続分析物監視システム
１０４ 分析物監視システム
１０４ 連続分析物センサシステム
１０６ アプリケーション
１０６ 分析物センサアプリケーション
１０７ 表示デバイス
１１０ ユーザデータベース
１１２ 履歴記録データベース
１１４ 意思決定支援エンジン
１１６ 予測モジュール
１１８ ユーザプロファイル
１２０ 人口統計情報
１２２ 疾患進行情報
１２４ 医薬情報
１２６ アプリケーションデータ
１２８ 入力
１３０ アラート
１３０ 高血糖アラート
１３０ 低血糖アラート
１４０ 訓練サーバシステム
【図1】
【図2】
【図3】
【図4】
【図5A】
【図5B】
【図5C】
【図6】
【図7】
【図8】
【図9】
【図10】
【国際調査報告】