特表 2024-541790 分析物測定値特徴量及び機械学習を使用する疾患予測

(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】分析物測定値特徴量及び機械学習を使用する疾患予測

(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 2024504558

(86)(22)【出願日】2022-10-21

(85)【翻訳文提出日】2024-01-24

(86)【国際出願番号】 US2022047462

(87)【国際公開番号】W WO2023076121

(87)【国際公開日】2023-05-04

(31)【優先権主張番号】63/263,106

(32)【優先日】2021-10-27

(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

(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

(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】ジ・ヒェ・パク

(72)【発明者】

【氏名】スペンサー・トロイ・フランク

(72)【発明者】

【氏名】デイヴィッド・エー・プライス

(72)【発明者】

【氏名】カザンナ・シー・ハメス

(72)【発明者】

【氏名】チャールズ・アール・ストロイェック

(72)【発明者】

【氏名】ジョセフ・ジェイ・ベイカー

(72)【発明者】

【氏名】アルナチャラム・パンチ・サンタナム

(72)【発明者】

【氏名】ピーター・シー・シンプソン

(72)【発明者】

【氏名】アブドゥルラマン・ジュバイリー

(72)【発明者】

【氏名】ジャスティン・イ－カイ・リー

(72)【発明者】

【氏名】チ・アン

【テーマコード（参考）】

5L099

【Ｆターム（参考）】

5L099AA15

(57)【要約】

分析物測定値及び機械学習を使用する疾患予測が記載される。１つ以上の実装態様では、分析物測定値の特徴量の組み合わせが、組み合わせのロバスト性メトリック及び性能メトリックに基づいて、分析物測定値の複数の特徴量から選択され得、機械学習モデルが、組み合わせを使用して健康状態分類を予測するように訓練され得る。性能メトリックは、健康状態分類を予測する正解率に関連付けられ得、ロバスト性メトリックは、正解率に関する分析物センサ製造ばらつきに対する鈍感さに関連付けられ得る。訓練されると、機械学習モデルは、ウェアラブル分析物モニタリングデバイスによって収集されたユーザの分析物測定値に基づいて、ユーザについての健康状態分類を予測する。特徴量の組み合わせは、ユーザの分析物測定値から抽出され、分類を予測するために機械学習モデルに入力され得る。

【特許請求の範囲】

【請求項1】

分析物測定値の複数の特徴量を取得することと、
分析物センサの製造ばらつきに対する鈍感さに関連付けられたロバスト性メトリックと、健康状態分類を予測することに関連付けられた性能メトリックと、に基づいて、前記複数の特徴量の特徴量の組み合わせを選択することと、
前記特徴量の組み合わせを使用して、前記健康状態分類を予測するための１つ以上の機械学習モデルを訓練することと、
を含む、方法。

【請求項2】

前記分析物測定値が、ユーザ母集団の転帰データに関連付けられた前記ユーザ母集団からの履歴分析物測定値であり、前記ロバスト性メトリック及び前記性能メトリックに基づいて、前記複数の特徴量の前記特徴量の組み合わせを選択することが、
前記複数の特徴量の複数の候補組み合わせの各々について前記健康状態分類のモデル予測を生成することと、
前記ユーザ母集団の前記転帰データに対する前記健康状態分類の前記モデル予測に基づいて、前記複数の候補組み合わせの各々について前記性能メトリックを決定することと、を含む、請求項１に記載の方法。

【請求項3】

前記性能メトリックが、前記複数の候補組み合わせの各々についての前記転帰データに対する前記健康状態分類の前記モデル予測に基づいて、前記健康状態分類を予測することについての感度と、前記健康状態分類を予測することについての特異度と、の一方又は両方を示す、請求項２に記載の方法。

【請求項4】

前記転帰データが、前記ユーザ母集団の各ユーザの臨床的に決定された健康状態分類を示す、請求項２又は３に記載の方法。

【請求項5】

前記ロバスト性メトリック及び前記性能メトリックに基づいて、前記複数の特徴量の前記特徴量の組み合わせを選択することが、
各々がシミュレートされたばらつきの異なる割合を前記分析物測定値に導入する複数のシミュレーションラウンドにわたって、前記分析物測定値における前記分析物センサの前記製造ばらつきをシミュレートすることと、
シミュレートされた前記ばらつきの割合ごとの前記性能メトリックの変化に基づいて、前記複数の候補組み合わせの各々について前記ロバスト性メトリックを決定することと、を更に含む、請求項２～４のいずれか一項に記載の方法。

【請求項6】

前記複数のシミュレーションラウンドにわたって前記分析物測定値における前記分析物センサの前記製造ばらつきをシミュレートすることが、各シミュレーションラウンドで前記分析物測定値に前記シミュレートされたばらつきの異なる割合を導入するように、異なる性能ばらつき及び分析物センサ特性をシミュレートすることを含む、請求項５に記載の方法。

【請求項7】

前記ロバスト性メトリック及び前記性能メトリックに基づいて、前記複数の特徴量の前記特徴量の組み合わせを選択することが、
ロバスト性閾値に対する前記複数の候補組み合わせの各々の前記ロバスト性メトリックに基づいて、前記複数の特徴量の前記複数の候補組み合わせをフィルタリングすることと、
前記性能メトリックについて最高値を有するフィルタリングされた候補組み合わせを前記特徴量の組み合わせとして選択することと、を更に含む、請求項２～６のいずれか一項に記載の方法。

【請求項8】

前記複数の特徴量の前記特徴量の組み合わせが、第１の特徴量及び第２の特徴量を含み、前記方法が、前記複数の特徴量の各々についての前記健康状態分類のモデル予測を使用して、前記複数の特徴量の各々についての個々の性能メトリック及び個々のロバスト性メトリックを決定することを更に含む、請求項１～７のいずれか一項に記載の方法。

【請求項9】

前記第１の特徴量及び前記第２の特徴量のうちの少なくとも１つが、前記分析物測定値の傾向関連特徴量である、請求項８に記載の方法。

【請求項10】

前記第２の特徴量が、前記分析物測定値のばらつき及び安定性特徴量である、請求項８に記載の方法。

【請求項11】

前記特徴量の組み合わせを使用して、前記健康状態分類を予測するための前記１つ以上の機械学習モデルを訓練した後に、
観察期間にわたってユーザによって装着された分析物測定デバイスから新しい分析物測定値を取得することと、
前記新しい分析物測定値から前記特徴量の組み合わせの特徴量を抽出することと、
前記特徴量の組み合わせの抽出された前記特徴量を前記１つ以上の機械学習モデルに入力することと、
前記１つ以上の機械学習モデルの出力として、前記ユーザの前記健康状態分類を受信することと、
を更に含む、請求項１～１０のいずれか一項に記載の方法。

【請求項12】

１つ以上のプロセッサと、
コンピュータ可読命令が記憶されたメモリと、を備え、前記コンピュータ可読命令が、前記１つ以上のプロセッサによって、
分析物センサによって測定されたユーザの分析物データを取得することと、
前記分析物データの少なくとも２つの特徴量を抽出することであって、前記少なくとも２つの特徴量が、ユーザ母集団の履歴分析物データに対して実行されたばらつきシミュレーションに基づいて、前記分析物センサの製造ばらつきに対してロバストであると判定された分析物特徴量の多変量モデルに含まれる、抽出することと、
前記少なくとも２つの特徴量の組み合わせを機械学習モデルに入力することと、
前記機械学習モデルを介して、前記ユーザの健康状態分類を予測することと、
前記機械学習モデルの出力として、前記健康状態分類を受信することと、を含む動作を実行するように実行可能である、
デバイス。

【請求項13】

前記ユーザの前記分析物データが、観察期間にわたって前記分析物センサによって測定され、前記健康状態分類が、健康状態に関する前記観察期間中の前記ユーザのステータスを記述する指標である、請求項１２に記載のデバイス。

【請求項14】

前記健康状態が、糖尿病であり、前記健康状態分類が、糖尿病ステータス、前糖尿病ステータス、及び非糖尿病ステータスのうちの１つである、請求項１３に記載のデバイス。

【請求項15】

前記機械学習モデルが、前記ユーザ母集団の前記履歴分析物データから抽出された前記少なくとも２つの特徴量の前記組み合わせを含む訓練入力部分と、前記ユーザ母集団の各ユーザの前記健康状態分類を表すラベルを含む期待される出力部分と、を用いて訓練される、請求項１２～１４のいずれか一項に記載のデバイス。

【発明の詳細な説明】

【技術分野】

【0001】

関連出願
本出願は、２０２１年１０月２７日に出願された、「Ｇｅｎｅｒａｌｉｚｅｄ Ｄｉａｇｎｏｓｔｉｃ Ｃｏｎｔｉｎｕｏｕｓ Ｇｌｕｃｏｓｅ Ｍｏｎｉｔｏｒ」と題された米国仮特許出願第６３／２６３，１０６号の利益を主張し、その開示全体は、参照により本明細書に組み込まれる。

【背景技術】

【0002】

いくつかの健康状態（例えば、医学的状態）は、血液及び／又は間質液中の分析物のレベルを生成又は改変する。一例として、糖尿病は、血中グルコースレベルの上昇をもたらす、何億もの人々に影響を及ぼす代謝状態である。糖尿病は、世界中で主要な死因のうちの１つであるが、早期発見及び適切な治療により、糖尿病に起因する心臓、血管、眼、腎臓、及び神経への損傷を大幅に回避することができる。

【0003】

臨床及び規制団体によって受け入れられている糖尿病の従来の検査としては、ヘモグロビンＡ１ｃ（Hemoglobin A1c、ＨｂＡ１ｃ）、空腹時血漿グルコース（Fasting Plasma Glucose、ＦＰＧ）、及び２時間血漿グルコース（2-Hour Plasma Glucose、２Ｈｒ－ＰＧ）が挙げられる。ＦＰＧ及び２Ｈｒ－ＰＧの両方は、経口ブドウ糖負荷検査（Oral Glucose Tolerance Test、ＯＧＴＴ）の一部であるが、ＦＰＧは、ＯＧＴＴとは別個に検査され得る。ＦＰＧ検査では、血液試料を採取し、その結果を使用して、そのヒトを「正常」（例えば、非糖尿病）、前糖尿病を有する、又は糖尿病を有すると分類する。一般に、ヒトは、空腹時血中グルコースレベルが１００ミリグラム／デシリットル（ｍｇ／ｄＬ）未満である場合に正常であるとみなされるのに対して、ヒトは、２つの別個の検査において、空腹時血中グルコースレベルが１００～１２５ｍｇ／ｄＬである場合に前糖尿病を有すると分類されるか、又は空腹時血中グルコースレベルが１２６ｍｇ／ｄＬよりも大きい場合に糖尿病を有すると分類される。

【0004】

ＦＰＧ検査のためにヒトの空腹時血中グルコースを測定した後、次いで、ＯＧＴＴは、ヒトの血中グルコースレベルにスパイクを引き起こすために、ヒトが糖液を飲むことを必要とする。多くの人々、特に妊娠している女性が、この糖飲料に耐えることに困難がある。次いで、２Ｈｒ－ＰＧの次の２時間の間、追加の血液試料を使用して、ヒトの血中グルコースレベルを定期的に検査する。１４０ｍｇ／ｄＬ未満である血糖値は「正常」と考えられるのに対して、糖飲料を飲んだ２時間後の２００ｍｇ／ｄＬよりも大きい読み取り値は、糖尿病を示す。１４０～１９９ｍｇ／ｄＬの読み取り値は、前糖尿病を示す。

【0005】

各々が単一の時点でヒトの血中グルコースレベルを測定する、ＯＧＴＴのＦＰＧ検査及び２Ｈｒ－ＰＧ検査とは異なり、ＨｂＡ１ｃ検査は、直前の２～３ヶ月にわたるユーザの平均血中グルコースレベルを測定する。しかしながら、ＨｂＡ１ｃ検査は、グルコースを直接測定するのではなく、ヘモグロビンに付着したグルコースの割合を測定する。グルコースがヒトの血中に蓄積すると、グルコースは、ヘモグロビン、赤血球中の酸素運搬タンパクに付着する。赤血球は、ヒトにおいておよそ２～３ヶ月間生存し、したがって、ＨｂＡ１ｃ検査は、直前の２～３ヶ月にわたる血中グルコースの平均レベルを示す。ＦＰＧ検査及び２Ｈｒ－ＰＧ検査と同様に、血液試料をヒトから採取し、ヒトのＨｂＡ１ｃレベルを測定するために使用する。しかしながら、ＦＰＧ検査及び２Ｈｒ－ＰＧ検査とは異なり、ＨｂＡ１ｃ検査が実施される場合、そのヒトは、絶食状態である必要はない。２つの別個の検査で６．５パーセント以上のＨｂＡ１ｃレベルは、そのヒトが糖尿病を有することを示す一方、５．７～６．４パーセントのＨｂＡ１ｃレベルは、一般に、そのヒトが前糖尿病を有することを示す。５．７パーセント未満のＨｂＡ１ｃレベルは、正常とみなされる。

【0006】

糖尿病をスクリーニング（又は診断）するために実施されるこれらの従来の検査の各々は、不適切な診断につながることが多い多様な欠点を有する。従来の糖尿病検査は、不正確であることが多いが、それは、異なる日に個人に実施される所与の検査が、病気、ストレス、運動の増加、又は妊娠などの、グルコースレベルを変動させる様々な外的要因に起因して、一貫性のない診断をもたらし得るからである。対照的に、ＨｂＡ１ｃ検査は、直前の２～３ヶ月にわたる平均グルコースレベルを測定しても、ＨｂＡ１ｃ検査結果は、検査に至る数週間におけるユーザの血中グルコースレベルによって大きく影響を受ける。したがって、ＨｂＡ１ｃ検査結果は、妊娠又は病気に起因するなど、３ヶ月の期間中の血液特性の変化によって大きく影響を受け得る。加えて、ＨｂＡ１ｃ検査は血中グルコースの直接的な尺度ではないため、そのような検査は、貧血などの様々な血液状態を有する人々、又はまれな形態のヘモグロビンを有する人々にとって不正確であり得る。

【0007】

加えて、そのような従来の検査は、一致に劣ることが多い。言い換えれば、これらの検査は、必ずしも同じ個体において糖尿病を検出するわけではない。検査タイプ間の一貫性の欠如は、不正確な診断、又は適切な治療計画を決定することができないことにつながり得る。例えば、ユーザは、高い空腹時グルコースであるが、正常範囲内のＨｂＡ１ｃスコアを有し得る。そのようなシナリオでは、異なる医師が、ユーザは糖尿病を有するかどうか、及びユーザのための治療計画のタイプに関して、異なる結論に達し得る。

【0008】

最後に、また、これらの検査を妊婦などの異なる人々に実施することに多様な制限及び欠点がある。例えば、これらの従来の糖尿病検査は、血液サンプルを採取するために、ユーザが診療所又は検査室を訪れることを必要とし、このことは、時間がかかり、高価であり、一部のユーザにとって苦痛であり得る。これらの要因の各々は、単独又は組み合わせで、ユーザが糖尿病について検査してもらうことを防止する心理的障壁を作り出すように作用し、それによって、早期発見に関連付けられた利益が低減され得る。その上、これらの従来の検査の多くは、ユーザが絶食状態にあることを必要とし、このことは、妊娠している女性を含む一部のユーザにとって困難であり得るか、又は更には危険であり得る。

【発明の概要】

【課題を解決するための手段】

【0009】

これらの問題を克服するために、分析物測定値から抽出されたロバストに正確な特徴量と機械学習とを使用する、糖尿病予測を含む健康状態予測が活用される。１つ以上の実装態様では、分析物測定値の特徴量の組み合わせが、組み合わせのロバスト性メトリック及び性能メトリックに基づいて、分析物測定値の複数の特徴量から選択され得、機械学習モデルが、組み合わせを使用して健康状態分類を予測するように訓練され得る。性能メトリックは、健康状態分類を予測する正解率に関連付けられてもよく、ロバスト性メトリックは、正解率に関する分析物センサ製造ばらつきに対する鈍感さに関連付けられてもよい。訓練されると、機械学習モデルは、ウェアラブル分析物モニタリングデバイスによって収集されたユーザの分析物測定値に基づいて、ユーザの健康状態分類を予測する。特徴量の組み合わせは、ユーザの分析物測定値から抽出され、分類を予測するために機械学習モデルに入力されてもよい。

【0010】

この発明の概要は、以下の発明を実施するための形態で更に記載される概念の選択を簡略化された形態で紹介している。したがって、この発明の概要は、特許請求される主題の本質的な特徴を識別することを意図しておらず、特許請求される主題の範囲を決定する際の補助として使用されることも意図していない。

【図面の簡単な説明】

【0011】

詳細な説明は、添付の図を参照して記載されている。

【図1】本明細書に記載の技法を採用するように動作可能である実装態様の一例における環境の例示である。

【図2】ウェアラブル分析物モニタリングデバイスの一例をより詳細に示す。

【図3】分析物データが健康状態分類に関連して異なるシステムにルーティングされる実装態様の一例を示す。

【図4】分析物センサ変動に対してロバストであり、かつ健康状態分類を予測するのに正確である、抽出された分析物特徴量の組み合わせが選択される、予測システムの実装態様の一例をより詳細に示す。

【図5】性能メトリック及びロバスト性メトリックに基づく分析物特徴量カテゴリ化及び選択を例示する例示的なグラフを示す。

【図6】機械学習モデルが、抽出された分析物特徴量の選択された組み合わせを使用して健康状態分類を予測するように訓練される、予測システムの実装態様の一例をより詳細に示す。

【図7】機械学習と抽出された分析物特徴量の選択された組み合わせとを使用して健康状態分類が予測される、予測システムの実装態様の一例をより詳細に示す。

【図8】観察期間中に収集された分析物測定値に基づいて生成された健康状態予測に関してユーザに通知するために表示されるユーザインターフェースの実装態様の一例を示す。

【図9】健康状態予測に関連して生成された他の情報とともにユーザの健康状態予測を報告するために表示されるユーザインターフェースの実装態様の一例を示す。

【図10】健康状態予測を生成するための機械学習モデルへの入力として使用され得る追加のデータを収集するために表示されるユーザインターフェースの実装態様の一例を示す。

【図11】健康状態分類をロバストに予測するための分析物特徴量がユーザ母集団の履歴分析物測定値及び転帰データに基づいて学習される実装態様の一例における手順を示す。

【図12】ユーザ母集団の履歴分析物測定値及び転帰データに基づいて機械学習モデルが健康状態分類を予測するように訓練される実装態様の一例における手順を示す。

【図13】観察期間中にウェアラブル分析物モニタリングデバイスによって収集されたユーザの分析物測定値に基づいて、機械学習モデルが健康状態分類を予測する実装態様の一例における手順を示す。

【図14】異なる糖尿病分類を有する参加者についての、所定のグルコースレベルを上回るパーセント時間と、四分位範囲と、の例示的なプロットを示す。

【図15】本明細書に記載の技法の実施形態を実装するための、図１～図１３を参照して記載及び／又は利用される任意のタイプのコンピューティングデバイスとして実装され得るデバイスの一例の様々な構成要素を含むシステムの一例を例示する。

【発明を実施するための形態】

【0012】

概要
上述したように、臨床及び規制団体によって受け入れられている糖尿病の従来の検査としては、ヘモグロビンＡ１ｃ（ＨｂＡ１ｃ）、空腹時血漿グルコース（ＦＰＧ）、及び２時間血漿グルコース（２Ｈｒ－ＰＧ）が挙げられる。ＦＰＧ及び２Ｈｒ－ＰＧの両方が、経口ブドウ糖負荷検査（ＯＧＴＴ）の一部であり得るか、又はＦＰＧが、ＯＧＴＴとは別個に検査され得る。しかしながら、そのような従来の検査は、しばしば、同じ個体において糖尿病を検出することに関して一致に劣ることが多いか、又は血中グルコースレベルに影響を及ぼす様々な因子に起因して、異なる日に異なる結果を生じ得る。また、これらの検査を妊婦などの異なる人々に実施することに多様な制限及び欠点がある。

【0013】

したがって、糖尿病予測などの健康状態予測のために、機械学習が活用され得る。健康状態予測は、１つ以上の機械学習モデル（例えば、回帰モデル、ニューラルネットワーク、強化学習エージェント）を介して分析物モニタリングデバイスによって取得された分析物測定値（例えば、グルコース測定値）を処理することによって実行され得る。例えば、分析物モニタリングデバイスは、ユーザの皮膚を通して挿入されて、血液及び／又は間質液に接触し、モニタリングデバイスのセンサを介して、観察期間にわたって健康状態を識別することに関連する１つ以上の分析物を測定するように構成された、針を含み得る。１つ以上の機械学習モデルは、個々のユーザについての健康状態分類（例えば、糖尿病分類）を予測するために、履歴分析物測定値とユーザ母集団の履歴転帰データとを使用して生成される。ユーザ母集団の履歴分析物測定値は、ユーザ母集団のユーザによって装着された分析物モニタリングデバイスによって提供され得る。更に、訓練のために使用される履歴転帰データは、機械学習モデルが出力するように構成された分類に応じて変動し得る。一般に、履歴転帰データは、分析物モニタリングデバイスとは独立したソースから取得された１つ以上の診断尺度を含む。例えば、履歴転帰データは、ＨｂＡ１ｃ、ＦＰＧ、又は２Ｈｒ－ＰＧ（又はＦＰＧと２Ｈｒ－ＰＧとの組み合わせとしてのＯＧＴＴ）などの１つ以上の診断尺度に基づいて、ユーザ母集団のそれぞれのユーザが糖尿病と臨床的に診断されているかどうかを示し得る。したがって、履歴転帰データは、臨床的に決定された健康状態分類を示し得る。

【0014】

伝統的に検査室又は診療所で管理される従来の検査とは異なり、ウェアラブル分析物モニタリングデバイスの使用によって、分析物測定値を遠隔で収集することができるようになる。例えば、分析物モニタリングデバイスは、例えば分析物モニタリングデバイスのプロバイダ、薬局、医療検査機関、遠隔医療サービスなどから、ユーザに郵送されるか、又は別様に提供され得る。次いで、ユーザは、自宅及び／又は職場でデバイスを継続的に装着することなどによって、観察期間の過程にわたって分析物モニタリングデバイスを装着し得る。

【0015】

ユーザは、自動センサ貼り付け具を使用することなどによって、ウェアラブル分析物モニタリングデバイスのセンサをユーザの身体に挿入することができる。ＨｂＡ１ｃ、ＦＰＧ、及び２Ｈｒ－ＰＧなどの従来の検査によって必要とされる採血とは異なり、分析物モニタリングデバイスのユーザによって開始される貼り付けは、ほとんど無痛であり、採血、糖飲料の消費、又は絶食を利用しない。その上、自動センサ貼り付け具によって、一般に、ユーザは、臨床医又はヘルスケア提供者の支援なしに、センサをユーザの皮膚に埋め込むことができるようになる。自動センサ貼り付け具が論じられているが、分析物モニタリングデバイスは、少し例を挙げると、自動センサ貼り付け具なしで、ヘルスケア従事者の支援を得て（又はヘルスケア従事者が、単にウェアラブルをヒトに貼り付けてもよい）、又は接着剤の保護層を剥がして接着剤をヒトに貼ることによるなど、本明細書に記載の技法の趣旨又は範囲から逸脱することなく、他の方法でヒトに貼り付けられてもよいし、ヒトによって別様に装着されてもよい。センサがユーザの皮膚に挿入されると、分析物モニタリングデバイスは、複数日に及び得る観察期間にわたってヒトの分析物レベルをモニタする。いくつかの実装態様では、センサはヒトの皮膚に挿入されなくてもよいことも理解されたい。代わりに、センサは、そのような実装態様では、接着パッチのように、単にヒトの皮膚に接して配設されてもよい。いずれにしても、分析物モニタリングデバイスのセンサは、分析物を連続的に検出し、分析物測定値の生成を可能にし得る。

【0016】

しかしながら、分析物モニタリングデバイスのセンサは、分析物に対するセンサの応答におけるセンサ間の差を引き起こす製造ばらつきを有し得る。例えば、製造ばらつきは、異なる製造ロット間、異なるセンサブランド間、同じブランドの異なるセンサモデル間などに存在し得る。これらの製造ばらつきは、センサバイアス（例えば、正又は負のベースラインオフセット）などに起因して、血液又は間質液中の同じ分析物レベルに対して異なる分析物測定値を生成する異なるセンサをもたらし得る。結果として、１つ以上の機械学習モデルは、モデルが製造ばらつきを考慮に入れない場合、一部のユーザの健康状態の状態を誤って予測し得る。

【0017】

これらの問題を克服するために、例えば、分析物測定値における値及びパターンを表す特徴量が分析物測定値から抽出され、センサの製造ばらつきに対して感度が低い特徴量のロバストな組み合わせが選択され、機械学習モデルを介して健康状態を予測することに使用される。１つ以上の実装態様では、特徴量のロバストな組み合わせは、特徴量の複数の候補組み合わせの各々のロバスト性メトリック及び性能メトリックに基づいて選択される。特徴量の各候補組み合わせの性能メトリックは、候補組み合わせを使用して健康状態分類を予測する正解率を示し、各候補組み合わせのロバスト性メトリックは、正解率に対する製造ばらつきに対する鈍感さを示す。

【0018】

ロバスト性メトリックを決定するために、ばらつきシミュレータは、シミュレートされたばらつきの様々な割合を履歴分析物測定値に加え、各候補組み合わせの性能は、シミュレートされたばらつきの各割合で評価される。例えば、ロバスト性メトリックは、シミュレートされたばらつきのパーセント変化当たりの性能メトリックの平均割合変化の尺度となり得る。いくつかの実装態様では、シミュレートされたばらつきは、固定標準偏差と、第１のより低い割合と第２のより高い割合との間で掃引される平均値と、を有する正規分布から引き出される乗法的パーセントバイアスである。高いロバスト性メトリックを有する候補組み合わせは、シミュレートされたばらつきのパーセント変化当たりの性能メトリックのより低い変化を呈する。特徴量のロバストな組み合わせは、閾値を下回るロバスト性メトリックを有する候補組み合わせをフィルタ除去した後に最高の性能メトリックを有する候補組み合わせを選択することなどによって、性能メトリックとロバスト性メトリックとを効果的にバランスさせるように選択され得る。

【0019】

特徴量のロバストな組み合わせが選択されると機械学習モデルが、（例えば、シミュレートされたばらつきを追加せずに）ユーザ母集団の履歴分析物測定値から抽出された特徴量のロバストな組み合わせと、転帰データと、に基づいて、健康状態分類を予測するように訓練される。訓練された機械学習モデルは、観察期間にわたってウェアラブル分析物モニタリングデバイスによって収集されたユーザの新しい分析物測定値を処理して、ユーザの健康状態分類を予測する。特に、訓練された機械学習モデルは、ユーザの新しい分析物測定値から抽出された特徴量のロバストな組み合わせを処理して、健康状態分類を予測する。

【0020】

概して言えば、健康状態分類は、機械学習モデルが訓練される特定の健康状態分類に関して、観察期間中のユーザの状態（又はステータス）を記述する。いくつかの実装態様では、この「健康状態分類」は、ユーザが健康状態を有するかどうか、健康状態を発症するリスクがあるかどうか、及び／又はユーザが経験すると予測される副作用を示すかどうかを示し得る。一例として、ユーザは、分析物モニタリングデバイスを介して自分のグルコースをモニタリングさせて、自分が糖尿病（例えば、１型糖尿病、２型糖尿病、妊娠期糖尿病（gestational diabetes mellitus、ＧＤＭ）、嚢胞性線維症糖尿病など）を有するか否か、糖尿病（例えば、前糖尿病）を発症するリスクがあるか否か、及び／又は、自分が糖尿病に関連付けられた副作用（例えば、少し例を挙げると、網膜症、神経障害、併存症、血糖異常、帝王切開術を必要とする巨人児、及び新生児低血糖）を経験すると予測されるか否かを予測し得る。１つ以上の実装態様では、機械学習モデルは、加えて又はあるいは、前糖尿病のタイプ（例えば、空腹時血糖異常（impaired glucose fasting、ＩＦＧ）又は耐糖能障害（impaired glucose tolerance、ＩＧＴ））を予測するように構成されてもよい。あるいは又は加えて、健康状態分類は、健康状態を発症するリスクが高い、リスクが低い、又はリスクがないなどの、関連付けられた健康状態を有するか、又は発症するリスクレベルに対応してもよい。動作中、機械学習モデルによって予測された健康状態分類を（例えば、ヘルスケア従事者によって）使用して、従来の検査を使用して（例えば、あるタイプの糖尿病を有し、かつ／又は副作用を経験しやすいと）臨床的に診断された場合にヒトをどのように治療するかと同様に、ヒトを治療するか、又は治療計画を策定し得る。

【0021】

特に、従来の糖尿病検査とは異なり、機械学習モデルによって予測される健康状態分類（例えば、糖尿病分類）は、複数日にわたって観察された分析物（例えば、グルコース）値に基づく。したがって、予測は、単一の時点で収集された血液試料に依拠する検査よりも正確である。その上、血中グルコースの間接的な測定であり、かつ病気又は妊娠などの外部要因又は状態によって引き起こされるグルコースレベルの最近の変化によって影響を受ける可能性があるＨｂＡ１ｃ検査とは異なり、機械学習モデルによって予測される健康状態分類は、現在の観察期間中に直接取得されたグルコース測定値に基づく。

【0022】

健康状態分類予測は、次いで、ユーザインターフェースを介してユーザ、医師、又はユーザの保護者に健康状態分類の指標を表示することなどによって提示される。また、分析物測定値の視覚化、及び分析物測定値から導出された他の統計などの、他の情報が提示されてもよい。いくつかの場合、健康状態分類予測は、ユーザのための１つ以上の治療オプション、観察期間中に分析物モニタリングデバイスによって収集された分析物測定値の視覚的表現、収集された分析物測定値に基づいて生成されたユーザの分析物レベル統計、重症度レベル、（例えば、医師、ヘルスケア従事者、又はユーザのための）次のステップ、フォローアップ要求、分析物モニタリングデバイスのためのより多くのセンサを注文する要求、活動レベル、分析物レベル若しくは他のマーカの傾向、分析物レベル若しくは他のマーカのパターン、運動のパターン、分析物測定値の解釈、又は分析物レベルに関連する活動も含み得る分析物観察レポートで提示される。したがって、糖尿病についての従来の血中グルコース検査結果とは異なり、１つ以上の機械学習モデルによって生成される分析物観察レポートは、予測の詳細な分析及び様々な治療オプションを含み得る。健康状態分類及びそのような分類に関連付けられた情報は、例えば、スピーカ又はデジタルアシスタントを介したオーディオ信号としての出力を含む、多様な方法で提供され得ることを理解されたい。

【0023】

有利なことに、ウェアラブル分析物モニタリングデバイスと、ユーザの健康状態分類の予測を生成するために分析物モニタリングデバイスのセンサの製造ばらつきに対して感度が低い機械学習モデルと、を利用することは、予測の正解率を高め、上述の診断検査の不快な態様の多くを排除し、検査され得る者を制限しない。例えば、ＨｂＡ１ｃとは異なり、妊婦は、観察期間にわたって分析物モニタリングデバイスを安全に装着することができる。その上、機械学習モデルは、複数日にわたって収集された分析物測定値から抽出された特徴量のロバストな組み合わせに適用されるため、従来の検査に関連付けられた不一致が低減され、それによって、単一の血液試料に基づく従来の検査と比較して予測の正解率が向上する。健康状態分類を正確に予測し、ユーザ、ヘルスケア提供者、及び／又は遠隔医療サービスに通知することによって、説明される機械学習モデルは、糖尿病などの健康状態の早期発見を可能にし、潜在的に有害な健康状態を緩和し得る治療選択肢を識別する。その際、糖尿病に起因する心臓、血管、眼、腎臓、及び神経への重大な損傷を大幅に回避することができる。

【0024】

健康状態分類を正確に予測することに関連付けられた性能メトリックと、分析物測定値を取得する分析物センサの製造ばらつきに対する鈍感さに関連付けられたロバスト性メトリックと、に基づいて、分析物測定値から抽出された特徴量のロバストな組み合わせを選択することの技術的効果は、特徴量のロバストな組み合わせを用いて健康状態分類を予測するように訓練された機械学習モデルが、単一の分析物特徴量又はロバストでない特徴量の組み合わせを用いて訓練された機械学習モデルと比較して高められた正解率を有し得ることである。

【0025】

いくつかの態様では、本明細書に記載の技法は、分析物測定値の複数の特徴量を取得することと、分析物センサの製造ばらつきに対する鈍感さに関連付けられたロバスト性メトリックと、健康状態分類を予測することに関連付けられた性能メトリックと、に基づいて、複数の特徴量の特徴量の組み合わせを選択することと、特徴量の組み合わせを使用して健康状態分類を予測するための１つ以上の機械学習モデルを訓練することと、を含む方法に関する。

【0026】

いくつかの態様では、本明細書に記載の技法は、分析物測定値が、ユーザ母集団の転帰データに関連付けられたユーザ母集団からの履歴分析物測定値であり、ロバスト性メトリック及び性能メトリックに基づいて、複数の特徴量の特徴量の組み合わせを選択することが、複数の特徴量の複数の候補組み合わせの各々について健康状態分類のモデル予測を生成することと、ユーザ母集団の転帰データに対する健康状態分類のモデル予測に基づいて、複数の候補組み合わせの各々について性能メトリックを決定することと、を含む、方法に関する。

【0027】

いくつかの態様では、本明細書に記載の技法は、性能メトリックが、複数の候補組み合わせの各々についての転帰データに対する健康状態分類のモデル予測に基づいて、健康状態分類を予測するための感度と健康状態分類を予測するための特異度との一方又は両方を示す、方法に関する。

【0028】

いくつかの態様では、本明細書に記載の技法は、転帰データが、ユーザ母集団の各ユーザの臨床的に決定された健康状態分類を示す、方法に関する。

【0029】

いくつかの態様では、本明細書に記載の技法は、ロバスト性メトリック及び性能メトリックに基づいて、複数の特徴量の特徴量の組み合わせを選択することが、各々がシミュレートされたばらつきの異なる割合を分析物測定値に導入する複数のシミュレーションラウンドにわたって分析物測定値における分析物センサの製造ばらつきをシミュレートすることと、シミュレートされたばらつきの割合ごとの性能メトリックの変化に基づいて、複数の候補組み合わせの各々についてロバスト性メトリックを決定することと、を更に含む、方法に関する。

【0030】

いくつかの態様では、本明細書に記載の技術は、複数のシミュレーションラウンドにわたる分析物測定値における分析物センサの製造ばらつきをシミュレートすることが、各シミュレーションラウンドで分析物測定値にシミュレートされたばらつき異なる割合を導入するように、異なる性能ばらつき及び分析物センサ特性をシミュレートことを含む、方法に関する。

【0031】

いくつかの態様では、本明細書に記載の技法は、ロバスト性メトリック及び性能メトリックに基づいて、複数の特徴量の特徴量の組み合わせを選択することが、ロバスト性閾値に対する複数の候補組み合わせの各々のロバスト性メトリックに基づいて、複数の特徴量の複数の候補組み合わせをフィルタリングすることと、性能メトリックについて最高値を有するフィルタリングされた候補組み合わせを特徴量の組み合わせとして選択することと、を更に含む、方法に関する。

【0032】

いくつかの態様では、本明細書に記載の技法は、複数の特徴量の特徴量の組み合わせが、第１の特徴量及び第２の特徴量を含み、方法が、複数の特徴量の各々についての健康状態分類のモデル予測を使用して、複数の特徴量の各々についての個々の性能メトリック及び個々のロバスト性メトリックを決定すること、を更に含む、方法に関する。

【0033】

いくつかの態様では、本明細書に記載の技法は、第１の特徴量及び第２の特徴量のうちの少なくとも１つが、分析物測定値の傾向関連特徴量である、方法に関する。

【0034】

いくつかの態様では、本明細書に記載の技法は、第２の特徴量が、分析物測定値のばらつき及び安定性特徴量である、方法に関する。

【0035】

いくつかの態様では、本明細書に記載の技法は、特徴量の組み合わせを使用して健康状態分類を予測するために１つ以上の機械学習モデルを訓練した後に、観察期間にわたってユーザによって装着された分析物測定デバイスから新しい分析物測定値を取得することと、新しい分析物測定値から特徴量の組み合わせの特徴量を抽出することと、特徴量の組み合わせの抽出された特徴量を１つ以上の機械学習モデルに入力することと、１つ以上の機械学習モデルの出力として、ユーザの健康状態分類を受信することと、を更に含む、方法に関する。

【0036】

いくつかの態様では、本明細書に記載の技法は、１つ以上のプロセッサと、コンピュータ可読命令が記憶されたメモリと、を備え、コンピュータ可読命令が、１つ以上のプロセッサによって、分析物センサによって測定されたユーザの分析物データを取得することと、分析物データの少なくとも２つの特徴量を抽出することであって、少なくとも２つの特徴量が、ユーザ母集団の履歴分析物データに対して実行されたばらつきシミュレーションに基づいて、分析物センサの製造ばらつきに対してロバストであると判定された分析物特徴量の多変量モデルに含まれる、抽出することと、少なくとも２つの特徴量の組み合わせを機械学習モデルに入力することと、機械学習モデルを介して、ユーザの健康状態分類を予測することと、機械学習モデルの出力として、健康状態分類を受信することと、を含む動作を実行するように実行可能である、デバイスに関する。

【0037】

いくつかの態様では、本明細書に記載の技法は、ユーザの分析物データが、観察期間にわたって分析物センサによって測定され、健康状態分類が、健康状態に関する観察期間中のユーザのステータスを記述する指標である、デバイスに関する。

【0038】

いくつかの態様では、本明細書に記載の技法は、健康状態が、糖尿病であり、健康状態分類が、糖尿病ステータス、前糖尿病ステータス、及び非糖尿病ステータスのうちの１つである、デバイスに関する。

【0039】

いくつかの態様では、本明細書に記載の技法は、機械学習モデルが、ユーザ母集団の履歴分析物データから抽出された少なくとも２つの特徴量の組み合わせを含む訓練入力部分と、ユーザ母集団の各ユーザの健康状態分類を表すラベルを含む期待される出力部分と、を用いて訓練される、デバイスに関する。

【0040】

いくつかの態様では、本明細書に記載の技法は、観察期間中にユーザの分析物測定値を収集するためにユーザの皮膚に皮下挿入されたセンサを含むウェアラブル分析物モニタリングデバイスと、観察期間中に収集されたユーザの分析物測定値を維持するための記憶デバイスと、ユーザの分析物測定値からロバストな分析物特徴量の組み合わせを抽出し、かつ１つ以上の機械学習モデルを用いてロバストな分析物特徴量の組み合わせを処理することによって、ユーザの健康状態分類を予測するための予測システムと、を含む、デバイスに関する。

【0041】

いくつかの態様では、本明細書に記載の技法は、１つ以上の機械学習モデルが、ユーザ母集団の履歴分析物測定値及び履歴転帰データに基づいて生成され、システムが、ユーザ母集団の履歴分析物測定値及び履歴転帰データを取得することであって、履歴分析物測定値が、ユーザ母集団のユーザによって装着された分析物モニタリングデバイスによって提供される、取得することと、履歴分析物測定値からロバストな分析物特徴量の組み合わせを抽出することと、履歴分析物測定値から抽出されたロバストな分析物特徴量の組み合わせを１つ以上の機械学習モデルに提供すること、及び１つ以上の機械学習モデルから受信された訓練健康状態分類と、履歴転帰データによって示された臨床的に検証された健康状態分類と、の比較に基づいて、１つ以上の機械学習モデルの重みを調整することによって、１つ以上の機械学習モデルを生成することと、を行うためのモデルマネージャを更に含む、システムに関する。

【0042】

いくつかの態様では、本明細書に記載の技法は、履歴転帰データによって示された臨床的に検証された健康状態分類が、ユーザ母集団のユーザによって装着された分析物モニタリングデバイスによって提供された履歴分析物測定値とは独立した１つ以上の診断尺度に関連付けられている、システムに関する。

【0043】

いくつかの態様では、本明細書に記載の技法は、記憶デバイス及び予測システムの一方又は両方が、少なくとも部分的に、ウェアラブル分析物モニタリングデバイスに実装されている、システムに関する。

【0044】

いくつかの態様では、本明細書に記載の技法は、予測システムが、ウェアラブル分析物モニタリングデバイスから遠隔にある１つ以上のコンピューティングデバイスに実装されている、システムに関する。

【0045】

以下の議論では、最初に、本明細書に記載の技法を用いることができる環境の一例が説明される。例えば、分析物モニタリングデバイスが、図１に示される例示的な実装態様によるなど、観察期間にわたってユーザからの１つ以上の分析物を測定するために使用され得る。分析物モニタリングデバイスは、図２に示されるようなセンサを用いて、１つ以上の分析物を測定し得る。本明細書に記載の技法によれば、分析物モニタリングデバイスによって生成された分析物データは、図３に例示されるような健康状態分類に関連して異なるシステムにルーティングされ得る。次いで、論じられる環境、及び他の環境において実行され得る実装態様の詳細及び手順の例を説明する。例えば、図４の実装態様及び図１１の手順（例えば、方法）に例示されるように、モデルマネージャが、ユーザ母集団の履歴分析物測定値に対してばらつきシミュレーションを実行して、シミュレートされたばらつきが存在する場合であっても正確な健康状態予測を生成する分析物特徴量の組み合わせを識別し得る。単独及び組み合わせでの複数の分析物特徴量についての性能メトリック及びばらつき感度メトリックを示す例示的なグラフが、図５に示されている。分析物特徴量の組み合わせが選択されると、モデルマネージャは、図６の実装態様及び図１２の手順に例示されるように、機械学習モデルを訓練して、履歴分析物測定値の分析物特徴量と、ユーザ母集団の転帰データと、の組み合わせを用いて健康状態分類を予測し得る。訓練されると、機械学習モデルを使用して、図７に示される実装態様及び図１３の手順に従うなど、ユーザの分析物データから抽出された分析物特徴量の組み合わせに基づいて、ユーザの健康状態分類を予測し得る。健康状態分類は、図８及び図９に示される例示的なユーザインターフェースを介して入力され得る。更に、健康状態分類を予測する際に使用され得る追加の健康データが、図１０の例示的なユーザインターフェースを介して入力され得る。グルコース測定値から導出されたメトリックが糖尿病分類アルゴリズムにおいてどのように使用され得るかの一例が、図１４に関して論じられる。図１５は、上記で論じられる技法を実装及び実行するための任意のタイプのコンピューティングデバイスとして実装され得る様々な構成要素を含む例示的なシステムを示す。それらの手順の実行は、この環境の例に限定されず、この環境の例は、それらの手順の実行に限定されない。

【0046】

例示的な環境
図１は、本明細書に記載の分析物測定値及び機械学習を使用する健康状態予測を用いるように動作可能である実装態様の一例における環境１００の説明図である。この例示された環境１００は、分析物モニタリングデバイス１０４を装着して示されているヒト１０２を含む。例示される環境はまた、観察キットプロバイダ１０６及び観察分析プラットフォーム１０８を含む。

【0047】

例示される環境１００において、分析物モニタリングデバイス１０４は、例えば観察キットの一部として、観察キットプロバイダ１０６によってヒト１０２に提供されるように示されている。分析物モニタリングデバイス１０４は、例えば、ヒト１０２の血液及び／又は間質液中の１つ以上の分析物を、複数日続く、又は異なる時間量、例えば分、時間など続く観察期間にわたってモニタする目的で、観察キットの一部として提供され得る。本明細書で使用される場合、「分析物」という用語は、健康状態に関してユーザの状態を決定する際に分析に供される生化学物質又は化学物質を指し得る。例えば、「分析物」という用語は、代謝産物若しくは他の化学物質、タンパク質（例えば、酵素）、又は血液及び／若しくは間質液中に存在する健康状態の重症度若しくは存在（又はその不在）の別の測定可能な指標を指し得る。例えば、分析物モニタリングデバイス１０４は、グルコース、乳酸塩、ケトン、カリウム、インスリン、リン酸塩、重炭酸塩、カルシウム、マグネシウム、ナトリウム、及び血中尿素窒素のうちの１つ以上を測定するように構成され得る。一例として、ヒト１０２は、自分のグルコースをモニタリングさせて、自分が糖尿病（例えば、１型糖尿病、２型糖尿、妊娠期糖尿病（ＧＤＭ）、嚢胞性線維症糖尿病など）を有するか否か、糖尿病（例えば、前糖尿病）を発症するリスクがあるか否か、及び／又は、糖尿病に関連付けられた副作用（例えば、少し例を挙げると、併存症、血糖異常、帝王切開術（cesarean section、Ｃ－ｓｅｃｔｉｏｎ）を必要とする巨人児、及び新生児低血糖）を経験すると予測されるか否かを予測し得る。別の例として、分析物モニタリングデバイス１０４は、１つ以上の分析物をモニタして、ヒト１０２が急性状態（例えば、ケトン血症、アシドーシス、又はセプシス）又は慢性状態（例えば、肝疾患、腎疾患、又は睡眠時無呼吸）を有するかどうかを予測し得る。

【0048】

観察期間に関連して、少し例を挙げると、飲料又は特定の食事（例えば、ＯＧＴＴに関連して消費されるのと同じ飲料）を消費すること、１つ以上の特定の食物を避けること、運動すること、及び休息することをヒト１０２に指示するなど、観察期間中に１つ以上の活動を行うようにヒト１０２に指示する指示がヒト１０２に提供され得る。１つ以上の実装態様では、指示は、観察キットの一部、例えば書面による指示として提供され得る。あるいは又は加えて、観察分析プラットフォーム１０８は、ヒト１０２に関連付けられた１つ以上のコンピューティングデバイスに指示を伝達させ、これらのコンピューティングデバイスを介して（例えば、表示又はオーディオ出力のために）出力させてもよい。観察分析プラットフォーム１０８は、観察期間における所定の時間量が経過した後（例えば、２日）に、かつ／又は取得された分析物測定値におけるパターンに基づいて、出力のためにこれらの指示を提供し得る。そのような指示を提供することに関連して、分析物モニタリングデバイス１０４は、指示された食事を消費した後、指示された運動を実行した後などにヒト１０２のグルコースが変化する量をモニタすることなどによって、指示された活動を行った後にヒト１０２の分析物レベルを自動的にモニタする。

【0049】

全体を通して複数日続くものとして論じられているが、１つ以上の実装態様では、ヒト１０２の健康状態分類を正確に予測するのに十分な分析物測定値が収集されたときに観察期間が終了し得るように、観察期間の持続時間は、可変であり得る。一例として、いくつかの場合、ほんの数時間にわたるヒト１０２のグルコース測定値を処理して、ヒト１０２が糖尿病を有することを統計的な確実性で予測し得る。この場合、観察期間の持続時間は、複数日ではなく、何時間かであり得る。しかし、一般に、観察期間は、例えば分析物レベルの日毎の変動を記述するように特徴量を抽出することができるようにデータを取得するために、かつ異常な測定又は観察によって別様に引き起こされ得る誤った予測を防止するために、複数日続く。

【0050】

この目的のために、観察キットプロバイダ１０６は、ヒト１０２が健康状態を有するかどうか、又は健康状態の副作用を経験すると予測されるかどうかに関する予測を取得することに関連付けられた多様なエンティティのうちの１つ以上を表し得る。例えば、観察キットプロバイダ１０６は、分析物モニタリングデバイス１０４と、分析物モニタリングデバイス１０４のプロバイダにも対応する場合に、観察分析プラットフォーム１０８などの、分析物モニタリングデバイス１０４から取得された測定値をモニタ及び分析するプラットフォームと、のプロバイダを表し得る。あるいは又は加えて、観察キットプロバイダ１０６は、少し例を挙げると、ヘルスケア提供者（例えば、主治医、ＯＢ／ＧＹＮ、内分泌科医）、診療所、病院、保険提供者、医療検査機関、又は遠隔医療サービスに対応してもよい。あるいは又は加えて、観察キットプロバイダ１０６は、薬剤師又は薬局に対応してもよく、薬剤師又は薬局は、物理的な実店舗を有してもよく、かつ／又はオンラインでサービスを提供してもよい。これらは少しの例であり、観察キットプロバイダ１０６は、説明される技法の趣旨又は範囲から逸脱することなく、異なるエンティティを表し得ることを理解されたい。

【0051】

これを前提として、ヒト１０２への分析物モニタリングデバイス１０４の提供は、説明される技術に従って多様な方途で行われ得る。例えば、分析物モニタリングデバイス１０４は、例えば観察キットの一部として、診療所、病院、医療検査機関又は実店舗薬局でヒト１０２に手渡されてもよい。あるいは、分析物モニタリングデバイス１０４は、例えば分析物モニタリングデバイス１０４のプロバイダ、薬局、医療検査機関、遠隔医療サービスなどからヒト１０２に郵送されてもよい。ヒト１０２は、１つ以上の実装態様では、他の方途で観察期間にわたって分析物モニタリングデバイス１０４を取得してもよい。

【0052】

分析物モニタリングデバイス１０４がヒト１０２によってどのように取得されるかにかかわらず、分析物モニタリングデバイス１０４は、複数日に及ぶ期間にわたって続く観察期間中にヒト１０２の１つ以上の所定の分析物（例えば、グルコース）をモニタするように構成されている。１つ以上の実装態様では、分析物モニタリングデバイス１０４は、デバイスが様々な動作を実行する間、ヒト１０２によって装着されるようなウェアラブルデバイスである。加えて又はあるいは、分析物モニタリングデバイス１０４は、ヒト１０２によって装着される前又は後に１つ以上の動作を実行する。例えば、分析物モニタリングデバイス１０４は、ヒト１０２の中の分析物を示す１つ以上の信号を検出し、かつ分析物測定値の生成、又は推定（例えば、グルコース値の推定）を可能にする分析物センサを用いて構成され得る。これらの分析物測定値（例えば、グルコース測定値）は、センサデータ１１８の一例である分析物測定値１１０として、コンピューティングデバイス又は観察分析プラットフォーム１０８のうちの１つ以上に対応し得るか、又はそうでなければ、通信のためにパッケージ化され得る。

【0053】

少なくとも１つの実装態様では、分析物モニタリングデバイス１０４は、グルコースモニタリングシステムである。一例として、分析物モニタリングデバイス１０４は、連続グルコースモニタリング（continuous glucose monitoring、「ＣＧＭ」）システム、例えばウェアラブルＣＧＭシステムとして構成され得る。本明細書で使用される場合、分析物モニタリングに関連して使用される「連続」という用語は、実質的に連続して測定値を生成するためのデバイスの能力を指し得、したがって、デバイスは、異なるデバイスとの通信結合を確立すること（例えば、観察分析プラットフォーム１０８が、測定値のうちの１つ以上を取り出すために、分析物モニタリングデバイス１０４との無線接続を確立する場合）などに応じて、規則的に、又は不規則な時間間隔（例えば、およそ１時間ごと、およそ３０分ごと、およそ５分ごとなど）で、分析物測定値を生成するように構成され得る。しかしながら、他の実装態様では、グルコース（又は他の分析物）モニタリングは、「連続」でなくてもよく、代わりに、要求されたときにグルコース測定値を提供する。例えば、分析物モニタリングデバイス１０４は、コンピューティングデバイスからの要求に応答して、現在のグルコース測定値をコンピューティングデバイスに伝達し得る。この要求は、コンピューティングデバイスによって表示されるユーザインターフェースへのユーザ入力に応答して、分析物モニタリングデバイス１０４に対する閾値近接内へのコンピューティングデバイスの配置に応答して、分析物モニタリングデバイス１０４と物理的に接触するコンピューティングデバイスに応答して、コンピューティングデバイスに実装されたアプリケーションからの要求に応答してなど、多様な方途で開始され得る。この機能は、分析物モニタリングデバイス１０４の構成の更なる態様とともに、図２に関連してより詳細に論じられる。

【0054】

センサデータ１１８（分析物測定値１１０を含む）を生成することに加えて、分析物モニタリングデバイス１０４はまた、生成されたセンサデータ１１８を、例えば観察分析プラットフォーム１０８に送信する。分析物モニタリングシステム１０４は、データを、分析物センサ又は他のセンサを使用して、リアルタイムで（例えば、データが生成されると）伝達し得る。あるいは又は加えて、分析物モニタリングデバイス１０４は、予め定められた時間間隔でデータを観察分析プラットフォーム１０８に伝達してもよい。例えば、分析物モニタリングデバイス１０４は、およそ５分ごとにセンサデータ１１８を観察分析プラットフォーム１０８に伝達するように構成されてもよい。センサデータ１１８が分析物モニタリングデバイス１０４によって伝達される間隔は、説明される技法の趣旨又は範囲から逸脱することなく、上記の例とは異なってもよい。センサデータ１１８は、分析物モニタリングデバイス１０４によって他のコンピューティングデバイスに伝達されてもよい（例えば、説明される技法に従う観察分析プラットフォーム１０８に加えて又は代えて）。

【0055】

分析物モニタリングデバイス１０４は、糖尿病を治療するためなど、健康状態を治療するために使用されるウェアラブル分析物モニタリングデバイスと同様の様式で構成されてもよいが、１つ以上の実装態様では、分析物モニタリングデバイス１０４は、治療に使用されるデバイスとは異なるように構成されてもよい。これらの異なる構成は、ユーザの通常の日ごとの挙動の影響を正確に反映する測定値が得られるように、観察期間の交絡因子を制御するように展開されてもよい。このことは、例えば、ユーザが観察期間中にそれらの測定値を検査することを制限し、かつ／又は完全に防止することを含むことができる。ユーザが観察期間の過程にわたって分析物測定値１１０を検査することを防止することによって、観察構成は、ユーザが分析物測定事象（例えば、グルコースのスパイク）を見るか、又は別様に観察し、かつそのような事象に対抗するようにユーザの挙動を変化させることを更に防止する。

【0056】

いくつかの場合、分析物モニタリングデバイス１０４は、糖尿病分類が生成され得るように、複数日又は何らかの他の期間に及ぶ観察期間中にユーザのグルコース測定値を収集する目的で特別に設計された専用デバイスであり得、糖尿病分類は、糖尿病を治療するためにユーザによって装着されたウェアラブルグルコースモニタリングデバイスとは、１つ以上の方途で区別され得る。他の事例では、分析物モニタリングデバイス１０４は、糖尿病を治療するために使用されるウェアラブルグルコースモニタリングデバイスと同じハードウェア特性を有し得るが、ユーザが観察期間中に分析物測定値１１０を検査することを防止するソフトウェアなどの、異なる機能を無効又は有効にするソフトウェアを含み得る。これらの事例では、観察期間中に無効にされた機能を、観察期間が終了した後に有効にすることができ、その結果、ユーザは、実質的にリアルタイムでグルコース測定値を視認する能力などの、以前に無効にされた機能にアクセスすることができる。

【0057】

当該異なる構成はまた、健康状態予測のための観察期間に関連して分析物測定値１１０がどのように使用されるかと、測定値が健康状態の治療に関連してどのように使用されるかと、の間の差異に基づいてもよい。健康状態が糖尿病であり、かつ分析物がグルコースである例では、グルコース測定値の連続又はほぼ連続の受信及び出力は、治療に伴い、実質的にそれらの測定値が生成されるときに、治療意思決定を通知するために、例えばヒト又はその介護者が、何を食べるか、どのようにインスリンを投与するか、ヘルスケア提供者に連絡するかどうかなどを意思決定することに役立てるために使用され得る。それらのシナリオでは、測定値及び／又は測定値の傾向を適時に（例えば、実質的にリアルタイムで）知ることが、潜在的に深刻な副作用を効果的に軽減するために枢要であり得る。対照的に、観察されているヒトへの（又は介護者への）グルコース測定値の受信と実質的にリアルタイムの出力とは、これらのシナリオにおける糖尿病予測に関連して不要であり得る。代わりに、糖尿病予測のために生成されたグルコース測定値は、観察期間の終わりに、又は何らかの他の範囲の後（例えば、統計的確実性を達成するために十分な測定値が生成されたとき）に、糖尿病に関する正確な予測が生成され得るように処理される。

【0058】

分析物測定値がどのように使用されるかに関するそのような差異に基づいて、分析物モニタリングデバイス１０４は、治療（例えば、糖尿病治療）のために使用されるウェアラブル分析物測定デバイスよりも多くのローカル記憶装置を有し得る。限定ではなく例として、１０～１５日分の分析物測定値記憶装置が観察構成に提供され得るのに対して、３時間分の分析物測定値記憶装置が治療構成に提供され得る。分析物モニタリングデバイス１０４のより大きな記憶容量は、観察期間の持続時間にわたって分析物測定値１１０を記憶するのに好適であり得る。対照的に、治療のために使用されるウェアラブル分析物測定デバイスは、分析物測定値をオフロードし、その結果、測定値が好適にオフロードされると、測定値がそれらのデバイス上にローカルに記憶されなくなるように構成され得る。例として、糖尿病の治療に使用されるウェアラブルグルコースデバイスは、例えば、所定の時間間隔で、かつ／又はコンピューティングデバイスとの接続を確立若しくは再確立することに応答して、無線接続を介してグルコース測定値を外部コンピューティングデバイスに送信することによって、グルコース測定値をオフロードし得る。

【0059】

分析物モニタリングデバイス１０４が観察期間の全体にわたって分析物測定値１１０を記憶するように構成され得る限りにおいて、１つ以上の実装態様では、分析物モニタリングデバイス１０４は、無線送信手段なしで、例えば、分析物測定値１１０を無線で送信するためのアンテナなしで、かつそのような無線送信のためのパケットを生成するためのハードウェア又はファームウェアなしで構成され得る。代わりに、分析物モニタリングデバイス１０４は、物理的な有線結合を介して分析物測定値１１０を伝達するハードウェアを用いて構成されてもよい。そのようなシナリオでは、分析物モニタリングデバイス１０４は、デバイスの記憶装置から分析物測定値１１０を抽出するために「プラグイン」されてもよい。

【0060】

したがって、分析物モニタリングデバイス１０４は、外部コンピューティングデバイスへの分析物測定値１１０の有線送信を可能にする１つ以上のポートを備えて構成されてもよい。そのような物理的結合の例は、少し例を挙げると、マイクロユニバーサルシリアルバス（universal serial bus、ＵＳＢ）接続、ミニＵＳＢ接続、及びＵＳＢ－Ｃ接続を含み得る。分析物モニタリングデバイス１０４は、上記で論じたばかりのように有線接続を介して分析物測定値１１０を抽出するように構成されてもよいが、異なるシナリオでは、分析物モニタリングデバイス１０４は、あるいは又は加えて、１つ以上の無線接続を介して分析物測定値１１０をオフロードするように構成されてもよい。分析物測定値１１０の有線通信及び／又は無線通信を伴う実装態様が、以下で更に論じられる。

【0061】

記憶及び通信の差異に加えて、分析物モニタリングデバイス１０４はまた、健康状態の治療のために設計されたデバイスとは異なるように構成された１つ以上のセンサ又はセンサ回路機構を含んでもよい。例えば、糖尿病を治療するために使用されるウェアラブルグルコースモニタリングデバイスのセンサ及び回路機構（例えば、測定アルゴリズムを含む）は、４０ｍｇ／ｄＬ～４００ｍｇ／ｄＬに及ぶ測定範囲に対して最適化され得る。これは、糖尿病の治療が、範囲の両端に向かって起こり得る重度の血糖事象、例えば低血糖及び高血糖を軽減するためにどのような措置を講じるべきかを決定することを伴うことが多いからである。しかしながら、糖尿病を予測するために、広い範囲にわたる測定の忠実度は必要とされない場合がある。むしろ、糖尿病予測は、１２０ｍｇ／ｄＬ～２４０ｍｇ／ｄＬに及ぶグルコース測定値の範囲などの、より小さい範囲に関連して好適に生成され得る。したがって、分析物モニタリングデバイス１０４は、そのようなより小さい範囲の測定値を生成するように最適化された１つ以上のセンサ又はセンサ回路機構を含み得る。上記で論じられる差異は、分析物モニタリングデバイス１０４が健康状態の治療のために構成されたウェアラブル分析物モニタリングデバイスとどのように異なり得るかの単なる例であること、及び分析物モニタリングデバイス１０４は、説明された技法の趣旨又は範囲から逸脱することなく、異なる方途でそれらのデバイスと異なり得ることを理解されたい。

【0062】

分析物モニタリングデバイス１０４が分析物測定値１１０を生成すると、測定値は、観察分析プラットフォーム１０８に提供される。上述したように、分析物測定値１１０は、有線接続及び／又は無線接続を介してセンサデータ１１８として観察分析プラットフォーム１０８に伝達され得る。例えば、観察分析プラットフォーム１０８が分析物モニタリングデバイス１０４上に部分的又は全体的に実装されるシナリオでは、分析物測定値１１０は、バスを介してデバイスのローカル記憶装置からデバイスの処理システムに転送され得る。分析物モニタリングデバイス１０４が分析物測定値１１０を処理することによって健康状態分類の予測を生成するように構成されているシナリオでは、分析物モニタリングデバイス１０４はまた、例えば健康状態分類を外部コンピューティングデバイスに伝達することによって、予測された健康状態分類を出力として提供するように構成されてもよい。他のシナリオでは、分析物測定値１１０は、健康状態分類を予測するように構成された外部コンピューティングデバイスによって処理され得る。

【0063】

１つ以上の実装態様では、分析物モニタリングデバイス１０４は、外部デバイスとの有線接続を介して、例えばＵＳＢ－Ｃ又は何らかの他の物理的な通信結合を介して、分析物測定値１１０を外部デバイスに送信するように構成されている。ここで、コネクタが、分析物モニタリングデバイス１０４に差し込まれ得るか、又は分析物モニタリングデバイス１０４が、デバイスの対応する接点とインターフェース接続するレセプタクルを有する装置に挿入され得る。次いで、分析物測定値１１０は、この有線接続を介して分析物モニタリングデバイス１０４の記憶装置から取得され、例えば、有線接続を介して外部デバイスに転送され得る。そのような接続は、分析物モニタリングデバイス１０４が観察期間の後にヒト１０２によって、ヘルスケア提供者、遠隔医療サービス、分析物モニタリングデバイス１０４のプロバイダ、又は医療検査機関などに郵送されるシナリオにおいて使用され得る。この目的のために、観察キット（図示せず）が、観察後に分析物モニタリングデバイス１０４をそのようなエンティティに郵送するための包装（例えば、封筒又は箱）を含に得る。そのような接続はまた、分析物モニタリングデバイス１０４が、診療所又は病院（又はヘルスケア提供者の他の施設）、薬局、又は医療検査機関などに、観察期間後にヒト１０２によって届けられるシナリオで使用されてもよい。あるいは又は加えて、有線接続を伴うシナリオは、検査期間後に、例えば観察キットの一部として提供されるコードを使用して、ヒト１０２が分析物モニタリングデバイス１０４を外部コンピューティングデバイスに差し込むことを伴い得る。これらのシナリオでは、外部コンピューティングデバイスは、インターネットなどのネットワーク（図示せず）を介して分析物測定値１１０を観察分析プラットフォーム１０８に伝達し得る。

【0064】

あるいは又は加えて、観察分析プラットフォーム１０８への分析物測定値１１０の提供が、分析物モニタリングデバイス１０４が１つ以上の無線接続を介して分析物測定値１１０を伝達することを含んでもよい。例えば、分析物モニタリングデバイス１０４は、分析物測定値１１０を、携帯電話、タブレットデバイス、ラップトップ、スマートウォッチ、他のウェアラブル健康追跡装置などの外部コンピューティングデバイスに無線で伝達してもよい。したがって、分析物モニタリングデバイス１０４は、１つ以上の無線通信プロトコル又は技法を使用して外部デバイスと通信するように構成されてもよい。例として、分析物モニタリングデバイス１０４は、Ｂｌｕｅｔｏｏｔｈ（例えば、Ｂｌｕｅｔｏｏｔｈ Ｌｏｗ Ｅｎｅｒｇｙリンク）、近距離無線通信（near-field communication、ＮＦＣ）、５Ｇなどのロングタームエボリューション（Long Term Evolution、ＬＴＥ）規格などのうちの１つ以上を使用して外部デバイスと通信してもよい。分析物モニタリングデバイス１０４は、分析物測定値１１０が処理のために外部デバイスに伝達されるシナリオでは、対応するアンテナ及び他の無線送信手段を有して構成され得る。それらのシナリオでは、分析物測定値１１０は、少し例を挙げると、所定の時間間隔（例えば、毎日、毎時、又は５分ごと）で、何らかの事象の発生（例えば、分析物モニタリングデバイス１０４の記憶バッファの満杯）に応答して、又は観察期間の終了に応答してなど、様々な様式で観察分析プラットフォーム１０８に伝達され得る。

【0065】

したがって、観察分析プラットフォーム１０８が実装される場所にかかわらず、観察分析プラットフォーム１０８は、分析物モニタリングデバイス１０４によって生成された分析物測定値１１０を取得する。１つ以上の実装態様では、観察分析プラットフォーム１０８は、分析物モニタリングデバイス１０４に全体的又は部分的に実装され得る。あるいは又は加えて、観察分析プラットフォーム１０８は、ヒト１０２に関連付けられた１つ以上のコンピューティングデバイス（例えば、携帯電話、タブレットデバイス、ラップトップ、デスクトップ、又はスマートウォッチ）又はサービスプロバイダ（例えば、ヘルスケア提供者、遠隔医療サービス、分析物モニタリングデバイス１０４のプロバイダに対応するサービス、医療検査機関など）に関連付けられた１つ以上のコンピューティングデバイスなどの、分析物モニタリングデバイス１０４の外部の１つ以上のコンピューティングデバイスを使用して、全体的又は部分的に実装されてもよい。後者のシナリオでは、観察分析プラットフォーム１０８は、１つ以上のサーバデバイス上に少なくとも部分的に実装されてもよい。

【0066】

例示される環境１００において、観察分析プラットフォームは、記憶デバイス１１２を含む。説明される技法によれば、記憶デバイス１１２は、分析物測定値１１０を維持するように構成されている。記憶デバイス１１２は、１つ以上のデータベース、及び分析物測定値１１０を記憶することが可能な他のタイプの記憶装置を表し得る。記憶デバイス１１２はまた、ヒト１０２を記述する人口統計情報、ヘルスケア提供者に関する情報、保険提供者に関する情報、支払情報、処方情報、決定された健康指標、アカウント情報（例えば、ユーザ名及びパスワード）などの多様な他のデータを記憶してもよい。以下でより詳細に論じられるように、記憶デバイス１１２はまた、ユーザ母集団の他のユーザのデータを維持してもよい。

【0067】

例示される環境１００において、観察分析プラットフォーム１０８はまた、予測システム１１４を含む。予測システム１１４は、分析物測定値１１０を処理して、ヒト１０２が糖尿病（例えば、２型糖尿病、ＧＤＭ、嚢胞性線維症糖尿病など）を有するかどうか、糖尿病（例えば、前糖尿病）を発症するリスクがあるかどうか、及び／又は糖尿病に関連付けられた副作用（例えば、少し例を挙げると、併存症、血糖異常、帝王切開術を必要とする巨人児、及び新生児低血糖）を経験すると予測されるかどうかを予測するなどの、疾患及び状態予測を生成するための機能を表す。以下でより詳細に論じられるように、予測システム１１４は、機械学習を使用して、健康状態分類を予測する。機械学習の使用は、例えば、機械学習技法を使用して生成された１つ以上のモデルを活用すること、及び履歴分析物測定値とユーザ母集団の履歴転帰データとを使用して、健康状態分類を予測するために使用する分析物測定値のロバストな特徴量を識別することを含み得る。

【0068】

例示される環境１００はまた、予測システム１１４によって出力され得る健康状態分類１１６を含む。説明される技法によれば、健康状態分類１１６は、ヒトが示された健康状態を有すると予測されるかどうか、又は健康状態に関連付けられた副作用を経験すると予測されるかどうかを示し得る。健康状態分類１１６はまた、健康状態分類を含む（例えば、ヒトが糖尿病などの健康状態を有すると予測される）、ヘルスケア提供者に向けられた報告、又はヒト１０２に自分のヘルスケア提供者に連絡するように指示する、ヒト１０２に向けられた通知などの分類に基づいて、１つ以上の通知又はユーザインターフェースを生成するために使用されてもよい。健康状態分類１１６に基づいて生成され得るユーザインターフェースの例が、図８及び図９に関連してより詳細に説明される。分析物、例えば、対象の１つ以上の分析物を連続的に分析するなど、分析物を測定し、かつそのような測定値を記述するデータを取得するコンテキストにおいて、図２の以下の議論を検討する。

【0069】

図２は、図１の分析物モニタリングデバイス１０４の実装態様の例２００をより詳細に示す。したがって、図１において先に紹介された構成要素は、同じ番号が付されており、再度紹介されない。特に、例示される例２００は、分析物モニタリングデバイス１０４の上面図及び対応する側面図を含む。分析物モニタリングデバイス１０４は、説明される技法の趣旨又は範囲から逸脱することなく、以下の議論から、実装態様において、多様に変わり得ることを理解されたい。

【0070】

この例２００では、分析物モニタリングデバイス１０４は、分析物センサ２０２（例えば、グルコースセンサ）及びセンサモジュール２０４を含むように例示されている。ここでは、分析物センサ２０２は、例えば、図１のヒト１０２の皮膚２０６に皮下挿入されている側面図で示されている。センサモジュール２０４は、上面図に破線長方形として近似されている。分析物モニタリングデバイス１０４はまた、例示された例２００において送信機２０８を含む。センサモジュール２０４について破線長方形を使用することにより、そのセンサモジュールが送信機２０８のハウジング内に収容されるか、又はそうでなければ実装され得ることが示されている。送信機２０８がデータを、例えば観察分析プラットフォーム１０８への無線接続を介して、伝達するための信号を生成することを可能にするために使用される、アンテナ及び／又は他のハードウェアも、送信機２０８のハウジング内に収容されるか、又は別様に実装され得る。この例２００では、分析物モニタリングデバイス１０４は、接着パッド２１０を更に含む。

【0071】

動作中、分析物センサ２０２及び接着パッド２１０は、貼り付けアセンブリを形成するように組み立てられ得、貼り付けアセンブリは、描写されているように分析物センサ２０２が皮下挿入されるように皮膚２０６に適用されるように構成されている。そのようなシナリオでは、送信機２０８は、取り付け機構（図示せず）を介して皮膚２０６に貼り付けた後、アセンブリに取り付けられ得る。あるいは、送信機２０８は、貼り付けアセンブリの一部として組み込まれ得、その結果、分析物センサ２０２、接着パッド２１０、及び送信機２０８（センサモジュール２０４を有する）は、皮膚２０６に一度に全て貼り付けることができる。１つ以上の実装態様では、この貼り付けアセンブリは、別個のセンサ貼り付け具（図示せず）を使用して皮膚２０６に貼り付けられる。従来の血中グルコース測定器によって必要とされる指穿刺とは異なり、例えば、センサ貼り付け具を有する分析物モニタリングデバイス１０４の、ユーザが開始する貼り付けは、ほぼ無痛であり、血液の採取を必要としない。更に、自動センサ貼り付け具により、一般に、臨床医又はヘルスケア提供者の支援なしに、ヒト１０２が分析物センサ２０２を皮膚２０６中の皮下に埋め込むことが可能になる。

【0072】

分析物モニタリングデバイス１０４はまた、接着パッド２１０を皮膚２０６から剥離することによって取り外され得る。分析物モニタリングデバイス１０４及びその様々な構成要素は、１つの例示的なフォームファクタとして例示されており、かつ分析物モニタリングデバイス１０４及びその構成要素は、説明される技法の趣旨又は範囲から逸脱することなく、異なるフォームファクタを有し得ることを理解されたい。

【0073】

動作中、分析物センサ２０２は、無線接続又は有線接続とすることができる少なくとも１つの通信チャネルを介して、センサモジュール２０４に通信可能に結合されている。分析物センサ２０２からセンサモジュール２０４への通信、又はセンサモジュール２０４から分析物センサ２０２への通信は、能動的又は受動的に実装され得、これらの通信は、連続的（例えば、アナログ式）又は離散的（例えば、デジタル式）とすることができる。

【0074】

分析物センサ２０２は、デバイス、分子、及び／又は化学物質であってもよく、それらは、分析物センサ２０２とは少なくとも部分的に独立している事象に応答して変化するか又は変化を引き起こす。センサモジュール２０４は、分析物センサ２０２に対する変化の兆候、又は分析物センサ２０２によって引き起こされた変化の兆候を受信するように実装されている。例えば、分析物センサ２０２は、グルコース及び酸素と反応して、電極を含み得るセンサモジュール２０４によって電気化学的に検出可能である過酸化水素を形成するグルコースオキシダーゼを含むことができる。この例では、分析物センサ２０２は、１つ以上の測定技法を使用してグルコースレベルを示す、血液又は間質液中の分析物を検出するように構成されたグルコースセンサとして構成され得るか、又はグルコースセンサを含み得る。１つ以上の実装態様では、分析物センサ２０２はまた、乳酸塩レベル、ケトン類、又はイオン性カリウムなどの他のマーカを示す血液又は間質液中の分析物も検出するように構成され得、これにより、グルコースベースの事象（例えば、高血糖又は低血糖）を識別又は予測する際の正解率が改善され得る。加えて又はあるいは、分析物モニタリングデバイス１０４は、他のマーカを示すそれらの分析物を検出するための、分析物センサ２０２への追加のセンサ及び／又はアーキテクチャを含んでもよい。

【0075】

別の例では、分析物センサ２０２（又は分析物モニタリングデバイス１０４の追加の図示されていないセンサ）は、第１及び第２の導体を含むことができ、センサモジュール２０４は、分析物センサ２０２の第１及び第２の導体間の電位の変化を電気的に検出することができる。この例では、センサモジュール２０４及び分析物センサ２０２は、電位変化が温度変化に対応するように、熱電対として構成されている。いくつかの例では、センサモジュール２０４及び分析物センサ２０２は、単一の分析物、例えば、グルコースを検出するように構成されている。他の例では、センサモジュール２０４及び分析物センサ２０２は、複数の分析物、例えば、イオン性ナトリウム、イオン性カリウム、二酸化炭素、及びグルコースを検出するための多様な感知モードを使用するように構成されている。あるいは又は加えて、分析物モニタリングデバイス１０４は、１つ以上の分析物（例えば、イオン性ナトリウム、イオン性カリウム、二酸化炭素、グルコース、及びインスリン）だけでなく、１つ以上の環境条件（例えば、温度、湿度、移動）も検出するための複数のセンサを含む。したがって、センサモジュール２０４及び分析物センサ２０２（並びに任意の追加のセンサ）は、１つ以上の分析物の存在、１つ以上の分析物の不在、及び／又は１つ以上の環境条件の変化を検出し得る。更に、センサモジュール２０４及び分析物センサ２０２（並びに任意の追加のセンサ）は、血液又は間質液中の１つ以上の分析物の量（例えば、レベル）を示す信号を出力するように構成されてもよい。上述したように、分析物モニタリングデバイス１０４は、単一の分析物（例えば、グルコース）又は複数の分析物を記述するデータを生成するように構成され得る。

【0076】

１つ以上の実装態様では、センサモジュール２０４は、プロセッサ及びメモリ（図示せず）を含むことができる。センサモジュール２０４は、プロセッサを活用することによって、上記に論じられる変化を示す分析物センサ２０２との通信に基づいて、分析物測定値１１０を生成し得る。分析物センサ２０２からの上述の通信に基づいて、センサモジュール２０４は、少なくとも１つの分析物測定値１１０を含む通信可能なデータパッケージを生成するように更に構成されている。この例２００では、センサデータ１１８は、これらのデータパッケージを表す。加えて又はあるいは、センサモジュール２０４は、例として、補足センサ情報２１４を含む、追加のデータを含むように分析物データ１１８を構成し得る。補足センサ情報２１４には、センサ識別子、センサステータス、分析物測定値１１０に対応する温度、分析物測定値１１０に対応する他の分析物の測定値などが含まれ得る。補足センサ情報２１４は、説明される技法の趣旨又は範囲から逸脱することなく、少なくとも１つの分析物測定値１１０を補足する多様なデータを含み得ることを理解されたい。

【0077】

分析物モニタリングデバイス１０４が無線送信のために構成されている実装態様では、送信機２０８は、センサデータ１１８をデータのストリームとしてコンピューティングデバイス（例えば、図１の観察分析プラットフォーム１０８のコンピューティングデバイス）に送信し得る。あるいは又は加えて、センサモジュール２０４は、分析物測定値１１０及び／又は補足センサ情報２１４を（例えば、センサモジュール２０４のメモリ、及び／又は分析物モニタリングデバイス１０４の他の物理的コンピュータ可読記憶媒体に）バッファリングし、後に様々な規則的又は不規則な間隔、例えば、時間間隔（およそ１秒ごと、およそ３０秒ごと、およそ１分ごと、およそ５分ごと、およそ１時間ごとなど）、記憶間隔（バッファリングされた分析物測定値１１０及び／又は補足センサ情報２１４がデータの閾値量又は測定値の数に達したとき）などで、バッファリングされたセンサデータ１１８を送信機２０８に送信させてもよい。いくつかの実装態様では、分析物モニタリングデバイス１０４は、説明される技法の趣旨又は範囲から逸脱することなく、上記で説明される例から多数の方途で変わり得ることを理解されたい。

【0078】

補足センサ情報２１４に関して、センサ識別子は、他の分析物モニタリングデバイスの他のセンサ、以前又は以後に皮膚２０６に埋め込まれた他のセンサなどのような、他のセンサから、分析物センサ２０２を一意に識別する情報を表す。分析物センサ２０２を一意に識別することによって、センサ識別はまた、分析物センサ２０２の製造ロット、分析物センサ２０２の包装の詳細、分析物センサ２０２の出荷の詳細などのような、分析物センサ２０２に関する他の態様を識別するために使用され得る。このようにして、分析物センサ２０２と同様の様式で製造、包装、及び／又は出荷されたセンサについて検出された様々な問題は、例えばグルコース測定値１１０を較正するために、欠陥のあるセンサをユーザに通知するために、製造施設に機械加工の問題を通知するためになどの種々の方途で、識別及び使用され得る。

【0079】

補足センサ情報２１４のセンサステータスは、所与の時点における分析物センサ２０２のステータス、例えば分析物測定値１１０のうちの１つが生成されるのと同じ時点におけるセンサの状態、を表す。この目的のために、センサステータスは、分析物測定値１１０の各々に対するエントリを含み得、分析物測定値１１０と、補足センサ情報２１４に捕捉されたステータスと、の間に１対１の関係があるようにする。例えば、センサステータスは、分析物センサ２０２の動作状態を記述し得る。１つ以上の実装態様では、センサモジュール２０４は、所与の分析物測定値１１０に対するいくつかの所定の動作状態のうちの１つを識別し得る。識別された動作状態は、分析物センサ２０２からの通信及び／又はそれらの通信の特性に基づき得る。

【0080】

例として、センサモジュール２０４は、ある状態を別の状態から選択するための所定の数の動作状態及び基礎を有するルックアップテーブルを（例えば、メモリ又は他の記憶装置に）含み得る。例えば、所定の状態は、「通常の」動作状態を含み得、この状態を選択するための基礎は、分析物センサ２０２からの通信が、通常の動作を示す閾値内に収まる、例えば、予想される時間の閾値内に収まる、予想される信号強度の閾値内に収まる、環境温度が予想どおりに動作を継続するのに好適な温度の閾値内にある、ことであり得る。所定の状態はまた、分析物センサ２０２の通信の１つ以上の特性が通常の活動の範囲外であることを示し、かつ分析物測定値１１０における潜在的な誤差をもたらし得る動作状態を含んでもよい。

【0081】

例えば、これらの非通常動作ステータスの基礎は、閾値予想時間外で分析物センサ２０２からの通信を受信すること、予想信号強度の閾値外で分析物センサ２０２の信号強度を検出すること、予想どおりに動作を継続するための好適な温度外の環境温度を検出すること、ヒト１０２が（例えばベッドにおいて）分析物モニタリングデバイス１０４上で転がったことを検出することなどを含み得る。センサステータスは、説明される技法の趣旨又は範囲から逸脱することなく、分析物センサ２０２及び分析物モニタリングデバイス１０４に関する多様な態様を示し得る。

【0082】

環境の一例及びウェアラブル分析物モニタリングデバイスの一例を検討してきたが、ここで、１つ以上の実装態様による、デジタルメディア環境における分析物測定値及び機械学習を使用する健康状態予測のための技法の詳細のいくつかの例の議論を検討する。

【0083】

健康状態予測
図３は、分析物測定値を含む健康関連データが健康状態予測に関連して異なるシステムにルーティングされる実装態様３００の一例を示す。

【0084】

例示される例示的な実装態様３００は、観察分析プラットフォーム１０８及びヒト１０２を含む、図１からの構成要素を含む。したがって、図１において先に紹介された構成要素は、同じ番号が付されており、再度紹介されない。以下で詳述されるように、実装態様３００は、特定の健康状態に関してヒト１０２のステータスを分類するために使用され得る。例えば、ステータスは、特定の健康状態の不在、特定の健康状態の存在、及び／又は特定の健康状態の重症度を含み得る。いくつかの例では、ステータスは、ヒト１０２が経験すると予測される健康状態の症状又は他の副作用、ヒト１０２が経験すると予測される併存症などを更に含み得る。本明細書で使用される場合、「健康状態」という用語は、医学的治療を受け得る疾患、障害、及び非病理学的状態を広く含むことが理解され得る。「疾患」という用語は、身体の正常な機能を損なう任意の健康状態を指し得る。したがって、糖尿病などの疾患は、本明細書では健康状態と称され得る。更に、「疾患」又は「健康状態」は、異なるタイプに下位分類され得る疾患又は健康状態の群を含み得る。例えば、糖尿病は、１型糖尿病、２型糖尿病、ＧＤＭ、嚢胞性線維症糖尿病などとして下位分類され得る。

【0085】

例示される例示的な実装態様３００はまた、健康状態予測に関連して観察分析プラットフォーム１０８及び／又は記憶デバイス１１２に分析物測定値１１０を提供し得る、ヒト１０２に関連付けられたデバイス３０２を示す。示されるデバイス３０２は、分析物測定結果１１０を生成するために観察期間中にヒト１０２によって着用される分析物モニタリングデバイス１０４を、分析物モニタリングデバイス１０４の外部の追加のデバイスとともに含む。具体的には、示される追加の外部デバイスは、携帯電話及びスマートウォッチを含むが、様々な他のデバイスが、１つ以上の実装態様では、分析物測定値１１０を観察分析プラットフォーム１０８及び／又は記憶デバイス１１２に提供するように構成され得る。デバイス３０２の他の例は、ラップトップ、タブレットデバイス、ウェアラブル健康追跡装置などを含み得る。

【0086】

上記で言及されるように、分析物測定値１１０は、有線接続又は無線接続を介して、観察分析プラットフォーム１０８及び／又は記憶デバイス１１２に伝達又は別様に提供され得る。例えば、分析物モニタリングデバイス１０４は、上記で論じられるように、有線接続又は無線接続を介して分析物測定値１１０を観察分析プラットフォーム１０８及び／又は記憶デバイス１１２に提供し得る。追加の外部デバイス３０２のうちの１つが分析物測定値１１０を提供するシナリオでは、追加の外部デバイスは、分析物測定値１１０を観察分析プラットフォーム１０８及び／又は記憶デバイス１１２に伝達するか、又は別様に提供するように、分析物測定値１１０は、最初に、分析物モニタリングデバイス１０４から追加の外部デバイスに提供されてもよい。

【0087】

これらのシナリオでは、外部デバイス３０２を使用して、分析物測定値１１０を分析物モニタリングデバイス１０４から観察分析プラットフォーム１０８及び／又は記憶デバイス１１２にルーティングするように、追加の外部デバイス３０２は、分析物モニタリングデバイス１０４と観察分析プラットフォーム１０８及び記憶デバイス１１２との間の媒介物として機能してもよい。あるいは又は加えて、他のデバイスが、分析物測定値１１０を分析物モニタリングデバイス１０４から観察分析プラットフォーム１０８及び／又は記憶デバイス１１２にルーティングしてもよい。これらの他のデバイスは、分析物モニタリングデバイス１０４からデータを抽出するように構成され、かつヘルスケア提供者、病院、薬局、遠隔医療サービス、医療検査機関などの健康状態予測に関与するエンティティに関連付けられた、専用デバイスを含んでもよい。

【0088】

例示される例示的な実装態様３００はまた、ユーザ母集団３０４を含む。ユーザ母集団３０４は、分析物モニタリングデバイス１０４などの分析物モニタリングデバイスを装着したヒトに対応する複数のユーザを表す。次いで、これらの他のユーザの分析物測定値１１０が、これらのユーザのそれぞれのモニタリングデバイスによって、及び／又は外部コンピューティングデバイスによって、観察分析プラットフォーム１０８及び／又は記憶デバイス１１２に提供されることになる。１つ以上の実装態様では、ユーザ母集団３０４は、データ（分析物測定値１１０を含む）を収集する目的で少なくとも部分的に行われる１つ以上の研究の一部として選択されたユーザを含み、このデータを使用することにより、機械学習を使用して、例えば特定の健康状態を分類するために使用され得る教師あり学習、教師なし学習、強化学習などを使用して、１つ以上のモデルを生成することができるようにする。

【0089】

あるいは又は加えて、ユーザ母集団３０４は、健康状態予測がヒト１０２に対して生成されるのと同様の様式で、分析物モニタリングデバイス１０４を伴う観察期間中に生成された自分の分析物測定値に基づいて、健康状態の分類が以前に生成されたユーザを含んでもよい。ヒト１０２の健康状態予測の前に、かつデータを収集するために実行される調査に関連して生成されたデータは、ヒト１０２の分析物測定値１１０が生成される前の時点で生成されるため、「履歴」データと称される。同様に、ヒト１０２の健康状態予測の前に、かつ他のユーザの健康状態予測に関連して生成されたデータも、履歴データである。説明される技法によれば、履歴データは、例えば、履歴分析物測定値及び履歴転帰データを含む。これらの履歴データは、図５に関連してより詳細に説明されるように、健康状態予測及び／又は分類のための基礎となるモデルを訓練するか、又は別様に学習するために、機械学習とともに使用される。ユーザ母集団３０４の履歴分析物測定値とは対照的に、ヒト１０２の健康状態予測のための分析物測定値１１０は、新しい分析物測定値であり得る。

【0090】

例として、健康状態予測に関連してデータを収集するための研究は、参加者が複数日の期間にわたって分析物モニタリングデバイスを装着して、それらの参加者について分析物測定値１１０を生成することを伴い得る。期間は、説明される技法の趣旨又は範囲から逸脱することなく、ヒト１０２の分析物測定値１１０を生成するために使用される観察期間と同じ又は異なる持続時間を有し得る。分析物測定値１１０を収集することに加えて、そのような研究は、参加者に関する他のデータを取得するために活用され得る。転帰データ３０６は、これらの他のデータのうちの少なくともいくつかに対応し、ユーザ母集団３０４のユーザに関する多様な態様を記述し得る。

【0091】

例えば、糖尿病を予測するための研究に関連して、参加者は、分析物（例えば、グルコース）モニタリングデバイスを装着することに加えて、ＨｂＡ１ｃ、ＦＰＧ、及び／又は２Ｈｒ－ＰＧなどの１つ以上の診断尺度を生成する従来の技法を使用して検査され得る。独立した診断尺度３０８は、ユーザ母集団３０４のユーザに関する１つ以上のそのような検査の転帰を記述するデータを表す。例えば、独立した診断尺度３０８は、ユーザ母集団３０４のユーザに関連して、ＨｂＡ１ｃ、ＦＰＧ、２Ｈｒ－ＰＧ（又はＦＰＧと２Ｈｒ－ＰＧとの組み合わせとしてのＯＧＴＴ）、及び／又はランダム血漿グルコース（random plasma glucose、ＲＰＧ）の結果を記述し得る。したがって、独立した診断尺度３０８は、ユーザ母集団３０４の臨床的に決定された健康状態分類を表し得る。このことを前提として、研究参加者の分析物測定値１１０は、例えば測定値をラベル付けすることによって、それぞれの参加者の独立した診断尺度３０８と関連付けられ得る。以下でより詳細に論じられるように、機械学習は、訓練プロセスを通じて、それぞれの個人のＨｂＡ１ｃが１０．０である可能性が高いことを示す分析物測定値１１０におけるパターンなどの、独立した診断尺度３０８の特定の値を示す分析物測定値１１０におけるパターンを学習し得る。研究が糖尿病ではない疾患及び状態を予測することを含む場合、独立した診断尺度３０８は、上記で説明されるものとは異なり得ることが理解され得る。

【0092】

例示されるように、転帰データ３０６はまた、観察された副作用３１０及び臨床診断３１２を含む。観察された副作用３１０は、ユーザ母集団３０４のユーザによって経験される副作用を記述するデータを表す。例として、糖尿病を予測することに関連して、観察された副作用３１０は、２型糖尿に関連付けられた１つ以上の副作用のいずれかをユーザが経験したか否かを記述し得る。２型糖尿病に関連付けられた１つ以上の副作用は、少し例を挙げると、糖尿病性網膜症、白内障症、緑内症、失明、重度の高血糖又は低血糖、心臓及び血管疾患、神経障害、勃起障害、腎不全又は末期腎不全、治癒遅延、聴覚障害、皮膚状態（例えば、細菌及び真菌感染症）、睡眠時無呼吸、及びアルツハイマー症などである。

【0093】

加えて又はあるいは、観察された副作用３１０は、ユーザが、ＧＤＭに関連付けられた１つ以上の副作用のいずれかを経験したか否かを記述してもよく、例えば、過剰な出生時体重を有する（帝王切開出産を必要とする）ユーザの赤ちゃん、早期出産（早産）、呼吸窮迫症候群、新生児低血糖を有するユーザの赤ちゃん、晩年に肥満になるか又は２型糖尿病を発症する赤ちゃん、死産などである。

【0094】

加えて又はあるいは、観察された副作用３１０は、ユーザが、１型糖尿病、嚢胞性線維症糖尿病、膵性糖尿病などに関連付けられた作用などの、他のタイプの糖尿病に関連付けられた１つ以上の副作用を経験したか否かを記述してもよい。観察された副作用３１０は、糖尿病以外の疾患及び状態を予測するために異なる場合があり、糖尿病予測は、例として提供されることが理解され得る。このことを前提として、研究参加者の分析物測定値１１０は、例えば測定値をラベル付けすることによって、それぞれの参加者の観察された副作用３１０と関連付けられ得る。以下でより詳細に論じられるように、機械学習は、訓練プロセスを通して、それぞれのヒトが帝王切開術を必要とする過剰な出生時体重を有する赤ちゃんを有する確率を示す分析物測定値１１０におけるパターンなどの、観察された副作用３１０の発生及び非発生を示す分析物測定値１１０におけるパターンを学習し得る。

【0095】

臨床診断３１２は、ユーザ母集団３０４のユーザが臨床医によって健康状態と診断されたか（若しくは診断されなかったか）どうか、又はユーザが健康状態と暫定的若しくは予備的に診断されたかどうかを記述するデータを表す。例として、診断は、独立した診断尺度３０８及び／又は観察された副作用３１０のうちの１つ以上に基づいて、臨床医によって行われ得る。したがって、診断は、臨床的に検証された健康状態分類を提供し得る。加えて又はあるいは、臨床診断３１２は、例えば、食品医薬品局（Food and Drug Administration、ＦＤＡ）又は臨床コミュニティ全体によって診断について承認されていない診断検査に基づくラベル付けを表すように構成されてもよい。糖尿病の例では、臨床診断３１２の値は、それぞれのユーザが、少し例を挙げると、糖尿病（又はあるタイプの糖尿病）と臨床的に診断されていること、前糖尿病（又は異なるタイプの前糖尿病のいずれか）と臨床的に診断されていること、糖尿病と暫定的又は予備的に診断されていること、糖尿病を有していない（すなわち、スクリーニングされている）こと、非承認検査を使用して糖尿病と診断されていること、又は非承認検査を使用して前糖尿病と診断されていることを示し得る。このこと及び独立した診断尺度３０８を前提として、例えば、分析物測定値１１０は、それぞれの研究参加者の独立した診断尺度３０８とそれぞれの参加者の臨床診断３１２とに関連付けられ得る。

【0096】

機械学習は、訓練を通じて、独立した診断尺度３０８の特定の値を示し、かつ異なる臨床診断３１２を更に示す分析物測定値１１０におけるパターンを学習し得る。例示的な例として、機械学習は、ヒトのＨｂＡ１ｃが６．０である可能性が高い（例えば、「推定Ａ１ｃ」）ことを示し、更に臨床医の分析が前糖尿病の診断をもたらす可能性が高い分析物測定値１１０におけるパターンを学習し得る。この例は、ヒトのＨｂＡ１ｃに関連して論じられているが、前糖尿病又は糖尿病の臨床診断は、説明される技術の趣旨又は範囲から逸脱することなく、異なる測定（例えば、ＦＰＧ）及び／又は観察（例えば、体重増加、神経障害、及び睡眠時無呼吸）に基づいて行われてもよいことを理解されたい。

【0097】

１つ以上の実装態様では、転帰データ３０６は、ラベルを含み得るか、又はラベルとして使用可能であり得る。例えば、各独立した診断尺度３０８の値を使用して、ユーザ母集団３０４のそれぞれのユーザの分析物測定値１１０をラベル付けし得る。あるいは又は加えて、それぞれのユーザによって経験された観察された副作用３１０を示すラベルを使用して、それぞれのユーザの分析物測定値１１０をラベル付けしてもよい。あるいは又は加えて、臨床診断３１２を示すラベルを使用して、それぞれのユーザの分析物測定値１１０をラベル付けしてもよい。例えば、前糖尿病と臨床的に診断されたユーザの分析物測定値１１０は、「前糖尿病」ラベルに関連付けられてもよいのに対して、糖尿病と臨床的に診断された異なるユーザの分析物測定値１１０は、「糖尿病」ラベルに関連付けられてもよい。例示的な実装態様３００には独立した診断尺度３０８、観察された副作用３１０、及び臨床診断３１２が示されているが、転帰データ３０６は、説明される技法の趣旨又は範囲から逸脱することなく、ユーザ母集団３０４のユーザの異なる態様、追加の態様、又はより少ない態様を記述するデータを含んでもよいことを理解されたい。

【0098】

例示される例示的な実装態様３００に示されるように、ユーザ母集団３０４のユーザの分析物測定値１１０及び転帰データ３０６は、観察分析プラットフォーム１０８及び／又は記憶デバイス１１２に伝達されるか、又は別様に提供される。分析物測定値１１０及び転帰データ３０６に加えて、ユーザ母集団３０４のユーザの他の態様を記述する追加データが、観察分析プラットフォーム１０８及び／又は記憶デバイス１１２によって取得されてもよい。例として、この追加のデータは、人口統計データ（例えば、年齢、性別、民族性）、医療履歴データ（例えば、身長、体重、体格指数（body mass index、ＢＭＩ）、体脂肪率、様々な状態の有無）、ストレスデータ、栄養データ、運動データ、処方データ、身長及び体重データ、職業データなどを含んでもよい。これらのタイプの追加のデータは、単なる例であり、追加のデータは、本明細書に記載の技法の趣旨又は範囲から逸脱することなく、より多い、より少ない、又は異なるタイプのデータを含み得る。１つ以上の実装態様では、観察分析プラットフォーム１０８及び／又は記憶デバイス１１２は、ヒト１０２に関する、及びユーザ母集団３０４のユーザに関するそのような追加のデータ（又は追加のデータのうちの少なくともいくつか）を取得し得る。

【0099】

特に、例示された例示的な実装態様３００は、観察分析プラットフォーム１０８及び記憶デバイス１１２を別個に示し、また、記憶デバイス１１２と観察分析プラットフォーム１０８との間の破線矢印を示す。一般的に言えば、この矢印は、記憶デバイス１１２に維持されたデータが、記憶デバイス１１２から観察分析プラットフォーム１０８によって取得され得ることを表す。別の言い方をすれば、記憶デバイス１１２によって維持されたデータは、観察分析プラットフォーム１０８に提供され得る。上記で論じられるように、記憶デバイス１１２は、ヒト１０２の分析物測定値１１０、並びにユーザ母集団３０４の分析物測定値１１０及び転帰データ３０６を記憶し得る。

【0100】

１つ以上の実装態様では、観察分析プラットフォーム１０８及び記憶デバイス１１２は、分析物モニタリングデバイス（例えば、分析物モニタリングデバイス１０４）と分析物モニタリングに関連するサービスとのプロバイダなどの、同じエンティティに対応し得る。そのような実装態様では、観察分析プラットフォーム１０８及び記憶デバイス１１２は、複数のコンピューティングデバイス（例えば、サーバ）と、エンティティに割り振られるか、又はエンティティに別様に（例えば、サブスクリプション又は所有権を介して）関連付けられた記憶装置リソースと、にわたって、「クラウド」に実装され得る。この目的のために、ヒト１０２の分析物測定値１１０、並びにユーザ母集団３０４の分析物測定値１１０及び転帰データ３０６は、サービスプロバイダに関連付けられたサーバがそのサービスプロバイダに関連付けられた記憶装置からデータを取得する方途で、記憶デバイス１１２から観察分析プラットフォーム１０８によって取得され得る。

【0101】

他の実装態様では、観察分析プラットフォーム１０８及び記憶デバイス１１２は、異なるエンティティに対応し得る。例として、記憶デバイス１１２は、ヒト１０２のコンピューティングデバイス（例えば、携帯電話又はタブレットデバイス）などの第１のエンティティに対応し得、観察分析プラットフォーム１０８は、分析物モニタリングデバイスと分析物モニタリングに関連するサービスとのプロバイダなどの第２のエンティティに対応し得る。この例では、観察分析プラットフォーム１０８は、少なくとも部分的に、ヒト１０２のコンピューティングデバイス上で動作する第２のエンティティのアプリケーションとして実装され得る。あるいは又は加えて、観察分析プラットフォーム１０８は、第２のエンティティのサーバデバイスを使用して実装されてもよい。アプリケーション実装態様では、第２のエンティティのアプリケーションは、コンピューティングデバイス上にローカルに実装された記憶デバイス１１２から、例えばコンピューティングデバイスのバス又は他のローカル送信手段を介して、ヒト１０２の分析物測定値１１０、ユーザ母集団３０４の分析物測定値１１０、又はユーザ母集団３０４の転帰データのうちの１つ以上を取得し得る。サーバ実装態様では、第２のエンティティのサーバは、インターネットなどの１つ以上のネットワークを介して、コンピューティングデバイス上に実装された記憶デバイス１１２からデータを取得し得る。

【0102】

観察分析プラットフォーム１０８及び記憶デバイス１１２が異なるエンティティに対応する別の例では、記憶デバイス１１２は、分析物モニタリングデバイスと分析物モニタリングに関連するサービス（又は分析物モニタリングに関連する限定されたサービス）とのプロバイダなどの第１のエンティティに対応し得る。この後者の例では、観察分析プラットフォーム１０８は、サービスプロバイダ、例えば第１のエンティティのデータパートナなどの、第２の異なるエンティティに対応し得る。この例では、第２のエンティティは、記憶デバイス１１２（及び分析物モニタリングデバイス１０４）に対応するエンティティに関して「サードパーティ」とみなされ得る。それがデータパートナに対応する場合、観察分析プラットフォーム１０８は、第１のエンティティと第２のエンティティとの間の１つ以上の法的合意に従って、第１のエンティティ（すなわち、記憶デバイス１１２）からデータを取得し得る。記憶デバイス１１２に維持されたデータの観察分析プラットフォーム１０８への提供は、アプリケーションプログラミングインターフェース（application programming interface、ＡＰＩ）によって制御され得る。

【0103】

このタイプのシナリオでは、そのようなＡＰＩは、分析物測定値１１０及び転帰データ３０６などのデータの「出口」とみなされ得る。「出口」とは、データのフローが、一般に、第１のエンティティからサードパーティ（例えば、第２のエンティティ）へと外向きであることを意味する。データ提供のコンテキストでは、ＡＰＩは、１つ以上の「コール」（例えば、データ要求のための特定のフォーマット）をサードパーティに公開し得る。例として、ＡＰＩは、サードパーティがＡＰＩを介して記憶デバイス１１２からデータを取得することを可能にする、例えば第１のエンティティに対応するビジネスとの、合意をサードパーティが結んだ後に、それらのコールをサードパーティに公開し得る。この合意の一部として、サードパーティは、第１のエンティティからデータを取得するために、決済をやり取りすることに合意し得る。あるいは又は加えて、サードパーティは、第１のエンティティからデータを取得するために、例えば関連付けられたデバイスを介して、サードパーティが生成するデータをやり取りすることに合意し得る。ＡＰＩを介して第１のエンティティからデータ（例えば、分析物測定値１１０）を取得する合意を結ぶ当事者は、「データパートナ」と称され得る。動作中、ＡＰＩは、サードパーティが、特定の要求フォーマットで記憶デバイス１１２に維持されたデータ（例えば、分析物測定値１１０及び／又は転帰データ３０６）の要求を行うことを可能にし、要求が特定のフォーマットで行われる場合には、第１のエンティティは、要求されたデータを特定の応答フォーマットで提供する。要求されたデータは、ネットワーク、例えばインターネット、を介した１つ以上の通信における特定の応答フォーマット（例えば、パケット）で提供され得る。「サードパーティ」とみなされ得る第２のエンティティの例は、１つ以上の健康モニタリング／追跡サービス、フィットネス関連サービス、遠隔医療サービス、医療検査機関サービスなどを提供するサービスプロバイダなどの、様々なサービスプロバイダを含む。実際に、記憶デバイス１１２及び観察分析プラットフォーム１０８は、多様なデバイス及び／又はリソース（例えば、コンピューティング、通信、記憶装置など）を使用して実装され得、様々なデバイス及び／又はリソースに対応するエンティティ間の分割（又は非分割）は、本明細書に記載の技術の趣旨又は範囲から逸脱することなく、上記で説明されるものと異なり得る。

【0104】

いずれにしても、観察分析プラットフォーム１０８は、ヒト１０２の分析物測定値１１０、並びにユーザ母集団３０４の分析物測定値１１０及び転帰データ３０６を取得して、説明される技法に従ってそれらを処理するように構成されている。例えば、ユーザ母集団３０４の分析物測定値１１０及び転帰データ３０６を使用して、予測システム１１４は、１つ以上の機械学習モデル、例えば回帰モデル、ニューラルネットワーク、及び／又は強化学習エージェントを生成するように構成されている。１つ以上のそのようなモデルが生成されると、予測システム１１４は、図７に関して本明細書で更に説明されるように、それらの１つ以上のモデルを使用して、ヒト１０２の分析物測定値１１０を処理して、ヒト１０２の健康状態分類１１６を予測するように構成されている。

【0105】

例示された例示的な実装態様３００では、予測システム１１４は、通知３１４を出力するように示されている。通知３１４は、健康状態分類１１６（図３には図示せず）に基づき得るか、又は健康状態分類１１６を含み得る。予測システム１１４の１つ以上の機械学習モデルによって出力される健康状態分類１１６が、ヒト１０２が糖尿病を有すると予測されることを示すラベル、例えば、「１」（「０」は、糖尿病がないことを示す）、又は「糖尿病」などのテキストラベルである例を考える。この場合、単にヒト１０２に健康状態分類１１６を提供することは、望ましくない場合がある。そのような情報が、関連する教材とともに配信されないか、又は、適切な設定及びパーソナライズされた様式で配信されない場合、そのような情報の提供は、混乱、怒り、うつ状態などを引き起こすことによるなどの、多様なネガティブな様でヒト１０２に影響を及ぼし得る。したがって、通知３１４は、観察期間の結果が利用可能であることをヒト１０２に通知すること、及び自分の関連付けられたヘルスケア提供者との予約をスケジュールするように指示することによるなど、単に健康状態分類１１６に基づき得る。

【0106】

対照的に、ヒト１０２のヘルスケア提供者に健康状態分類１１６を提供することは、望ましくないものではない場合がある。代わりに、ヘルスケア提供者がヒト１０２に好適に通知し、かつヒト１０２の治療計画を策定することができるように、（分類を提供しないこととは対照的に）ヘルスケア提供者に健康状態分類１１６を提供することが好ましい場合がある。そのようなシナリオでは、通知３１４は、単に健康状態分類１１６に対応し得る。あるいは、ヘルスケア提供者（又は他の者）に伝達される通知は、観察期間にわたるヒト１０２の分析物測定値１１０のトレース、それらの分析物測定値１１０から導出された尺度、治療の推奨（例えば、ユーザ母集団３０４の履歴データから学習された）などの他の情報とともに健康状態分類１１６を含む報告として構成されてもよい。これらの通知の例は、図８及び図９に関連してより詳細に論じられる。

【0107】

上記で言及され、かつ（例えば、図６に関して）以下で更に詳細に論じられるように、予測システム１１４の１つ以上の機械学習モデルは、ユーザ母集団３０４からの分析物測定値１１０の様々な特徴量を用いて訓練され、ヒト１０２の健康状態分類１１６を予測し得る。しかしながら、健康状態を分類するための臨床的関連性を有するだけでなく、分類の正解率を高めるために分析物モニタリングデバイス１０４の（例えば、図２に示される分析物モニタリングデバイス１０４の分析物センサ２０２の）製造ばらつきに対してロバストである（又は感度が低い）特徴量（又は特徴量の組み合わせ）を選択することが望ましい場合がある。対照的に、健康状態分類１１６を予測するためにセンサバイアスなどの製造ばらつきに対して感度が高い分析物測定値１１０の特徴量を使用することは、誤分類をもたらし得る。例えば、誤分類は、健康状態についての偽陽性、健康状態についての偽陰性などを含み得る。

【0108】

したがって、図４は、健康状態を分類するための１つ以上の機械学習モデルを訓練及び使用するための特徴量を選択するための実装態様４００の一例を示す。図１～図３において先に紹介された構成要素は、同じ番号が付されており、再度紹介されない。

【0109】

実装態様４００は、タスクの中でもとりわけ、分析物センサ２０２（図４には図示せず）の製造ばらつきによって引き起こされ得る分析物測定値１１０の観察されたばらつきが存在する場合であっても、対象となる健康状態を正確に分類するためにロバストである分析物測定値１１０の特徴量を評価及び選択するように構成されたモデルマネージャ４０２を含む。モデルマネージャ４０２は、前処理マネージャ４０４、ばらつきシミュレータ４０６、特徴量構築器４０８、予測器４１０、及び評価器４１２を含む、複数のモジュールを含むように示されている。「モジュール」は、以下で説明される機能などの、１つ以上の機能を実行するように動作するハードウェア及び／又はソフトウェアシステムを含み得る。例えば、モジュールは、コンピュータメモリなどの有形かつ非一時的なコンピュータ可読記憶媒体上に記憶された命令に基づいて動作を実行するコンピュータプロセッサ、コントローラ、又は別のロジックベースのデバイスを含んでもよいし、それらに含まれてもよい。あるいは、モジュールは、デバイスのハードワイヤードロジックに基づいて動作を実行するハードワイヤードデバイスを含んでもよい。図４を含む添付の図面に示される様々なモジュールは、ソフトウェア命令若しくはハードワイヤード命令に基づいて動作するハードウェア、動作を実行するようにハードウェアに指示するソフトウェア、又はそれらの組み合わせを表し得る。ハードウェアは、図１５に関して詳述されるように、マイクロプロセッサ、プロセッサ、コントローラなどの１つ以上のロジックベースのデバイスを含む、かつ／又はこれらのロジックベースのデバイスに接続された、電子回路を含み得る。モデルマネージャ４０２は、本開示の範囲から逸脱することなく、図４に例示されるモジュールよりも多い、これらのモジュールよりも少ない、又はこれらのモジュールとは異なるモジュールを含み得ることが理解され得る。

【0110】

例示される実装態様４００では、モデルマネージャ４０２は、例えば記憶デバイス１１２からの、分析物測定値１１０、及びユーザ母集団３０４の転帰データ３０６を取得するように示されている。一般に、前処理マネージャ４０４は、分析物測定値１１０を前処理して、それぞれのタイムスタンプに従って分析物測定値１１０の時間順シーケンスを決定するように構成されている。コラプション及び通信誤差に起因して、予測システム１１４によって取得された分析物測定値１１０は、時間順序から外れ得るだけでなく、１つ以上の測定値が欠落し得る。例えば、１つ以上の測定値が予想される時間順序シーケンス中にギャップがあり得る。これらの事例では、前処理マネージャ４０４は、欠落した分析物測定値を補間し、これらの値を時間順シーケンスに組み込むように更に構成され得る。加えて又はあるいは、前処理マネージャ４０４は、破損した又は劣った信号品質データを除去するためになど、所定の基準に従って分析物測定値１１０の部分をフィルタ除去するように構成されてもよい。この機能が論じられているが、１つ以上の実装態様では、予測システム１１４によって取得される分析物測定値１１０は、それらの測定値を序付けること、及び欠落測定値を補間することが前処理マネージャ４０４によって実行されないように、すでに時間順（例えば、分析物測定値１１０の１つ以上の時系列）になっていてもよい。

【0111】

例示される実装態様４００において、前処理マネージャ４０４は、上記で論じられるように、順次時系列フォーマットの分析物測定値１１０を含む前処理済みデータ４１４を出力するように示されている。前処理済みデータ４１４は、ばらつきシミュレータ４０６に入力される。ばらつきシミュレータ４０６は、ばらつきシミュレーションを実行することによって、前処理済みデータ４１４に製造関連センサばらつきを導入するように構成されている。例えば、ばらつきシミュレータ４０６は、複数のシミュレーションラウンドにわたって複数のばらつきシミュレーションを実行し得、各々は、特徴量構築器４０８にデータが入力される前に、前処理済みデータ４１４に追加されるシミュレートされた製造関連分析物センサばらつきの異なる割合を有する。一例として、ばらつきシミュレータ４０６は、複数のシミュレーションラウンドの各々の間に、異なる性能ばらつき及び分析物センサ特性を前処理済みデータ４１４に適用し得る。いくつかの例では、ばらつきシミュレータ４０６は、前処理済みデータ４１４のトレースごとに適用された固定ばらつき（例えば、標準偏差）を用いてバイアスをシミュレートし得る。例として、乗法的ばらつき（例えば、パーセントばらつき）は、固定標準偏差と、各シミュレーションラウンドについて第１のパーセントばらつきと第２のパーセントばらつきとの間で掃引される平均値と、を有する正規分布から引き出され、前処理済みデータ４１４に適用され得る。第２のパーセントばらつきは、第１のパーセントばらつきよりも大きくてもよい。非限定的な例として、第１のパーセントばらつきは、負の値（例えば、－８％、又は－１０％～－５％の値）であってもよく、第２のパーセントばらつきは、正の値（例えば、１１％、又は１０％～１５％の値）であってもよい。別の非限定的な例として、固定標準偏差は、８であってもよい。

【0112】

シミュレートされたばらつきのないもの（例えば、０％のばらつき）及び既知の量のシミュレートされたばらつきを有するものを含む、前処理済みデータ４１４は、特徴量構築器４０８に入力される。特徴量構築器４０８は、健康状態分類を予測することに関連して評価され得るデータ（例えば、１つ以上の特徴量ベクトル）を生成するように構成され得る。例示される実装態様４００では、特徴量構築器４０８は、ユーザ母集団３０４の各ユーザからなど、前処理済みデータ４１４の抽出された分析物特徴量４１６を出力するように示されている。特徴量構築器４０８は、１つ以上の所定のアルゴリズム又は機能に従って前処理済みデータ４１４を処理することによって、抽出された分析物特徴量４１６を決定し得る。異なる抽出された分析物特徴量４１６の各々は、少なくともいくつかの例において、特徴量構築器４０８が前処理済みデータ４１４を処理する異なるアルゴリズム又は関数に対応し得る。

【0113】

ここで、抽出された分析物特徴量４１６は、傾向関連特徴量４１８、時間及び日に関連する特徴量４２０、ばらつき及び安定性特徴量４２２、周波数に関連する特徴量４２４、並びに値ベースの特徴量４２６を含む。抽出された分析物特徴量４１６は、説明される技法の趣旨又は範囲から逸脱することなく、例示される組み合わせから変わり得ることを理解されたい。上記で論じられるように、前処理済みデータ４１４は、各測定された分析物レベルがある時点に関連付けられ、かつ時間に関して順序付けられるように、時系列データとして構成され得る。すなわち、より早い時間に取得された第１の分析物測定値は、時系列データにおいて、より遅い時間に取得された第２の分析物測定値の前に配置される。前処理済みデータ４１４のこの時系列配列は、特徴量構築器４０８が、分析物測定値１１０の時間的傾向及び安定性に関連する特徴量を抽出することを可能にし得、これにより、分析物センサ２０２の製造ばらつきに起因する分析物センサ２０２の出力の差異にあまり感度が高くない特徴量の候補を提供し得る。

【0114】

傾向関連特徴量４１８は、時系列データにおけるパターン又は傾向を記述する特徴量を含み得る。例えば、傾向関連特徴量４１８は、自己相関特徴量などの、異なる時点（例えば、５分間隔、１０分間隔、１５分間隔）で取得された分析物値（例えば、レベル）間の関係を記述する特徴量を含み得る。傾向関連特徴量４１８は、変化率特徴量を更に含んでもよい。これらの変化率特徴量は、単位時間にわたるユーザ母集団３０４の所与のユーザの分析物測定値１１０の差異に対応し得る。一例として、前処理マネージャ４０４は、ある単位時間にわたる分析物の量の変化が判定され得るように、少なくとも２つの測定値の間で、測定された分析物の量の差異及び時間の差異を判定し得る。そのような変化率は、前処理済みデータ４１４における分析物測定値１１０のうちの３つ以上を使用して判定され得ることを理解されたい。いくつかの例では、変化率特徴量は、分析物測定値１１０の変化率の標準偏差などの、分析物測定値１１０の変化率に関する統計を含み得る。

【0115】

時間及び日に関連する特徴量４２０は、分析物動態が日ごとにかつ／又は時刻に基づいて、どのように異なるかを記述する特徴量を含み得る。時間及び日に関連する特徴量４２０の例は、例えば、特定の日の平均値分析物レベル、特定の時刻の平均値分析物レベル、特定の日の分析物レベルの変化率、特定の時刻間の分析物レベルの変化率、及び対応する統計（例えば、標準偏差、ばらつきの係数、歪度、尖度など）を含み得る。例えば、時間及び日に関連する特徴量４２０は、日ごとの統計の特徴量及び時刻ごとの統計の特徴量を含み得る。別の例として、時間及び日に関連する特徴量４２０は、異なる日についての分析物測定値１１０の平均値間の差異（例えば、日ごとの差異の平均値）、異なる時刻についての分析物測定値１１０の平均値間の（例えば、起きている時間と眠っている時間との間の）差異、異なる時刻についての分析物測定値１１０の標準偏差間の差異などを含み得る。

【0116】

ばらつき及び安定性特徴量４２２は、分析物測定値がどの程度安定しているか又はばらついているかを示す特徴量を含み得る。例えば、ばらつき及び安定性特徴量４２２は、設定点周波数特徴量及びピーク特徴量を含み得る。設定点周波数特徴量は、例えば、分析物レベルが設定点値の予め定められた範囲内にある頻度の尺度となり得る。設定点値は、例えば、分析物測定値１１０のモードであり得る。ピーク特徴量は、（例えば、分析物レベルが極大値に達する）分析物測定値１１０におけるピーク中の分析物動態を表す統計を含み得る。例えば、ピーク特徴量は、ユーザの安定したベースライン分析物レベルに対するピーク幅及び／又は高さの尺度となり得る。安定したベースライン分析物レベルは、例えば、モード又はモードプロキシであり得る。

【0117】

周波数に関連する特徴量４２４は、時系列前処理済みデータ４１４の周波数変換されたデータから抽出された特徴量を含み得る。周波数に関連する特徴量４２４は、例えば、分析物ばらつきの支配的な周波数を示し得る。周波数に関連する特徴量４２４により、時間領域データが分解され得る異なる周波数などの追加情報を時間領域データから抽出することができるようになり得る。

【0118】

値ベースの特徴量４２６は、例えば、ユーザ母集団３０４の所与のユーザについての分析物測定値１１０の平均値分析物値及び／又は中央値分析物値、並びに対応する統計的尺度（例えば、標準偏差、歪度、尖度、ばらつきの係数、統計的分布など）を含み得る。値ベースの特徴量４２６は、分位数間範囲差及び時間ベースの閾値尺度を更に含んでもよい。例えば、値ベースの特徴量４２６は、ユーザの分析物測定値１１０が、範囲の上限及び下限にそれぞれ対応する、第１の分析物レベルと、第１の分析物レベル未満である第２の分析物レベルと、の間にある、データ収集期間中の時間量に対応する、範囲内時間尺度を含んでもよい。別の例として、前処理マネージャ４０４は、ユーザの分析物測定値１１０がそのような範囲外にある観察期間の過程にわたる時間量に対応する、範囲外時間尺度を決定し得る。加えて又はあるいは、値ベースの特徴量４２６は、事象発生ベースの特徴量を含んでもよく、事象発生ベースの特徴量は、ユーザの分析物測定値１１０が第１の分析物レベルを上回って増加すること（例えば、高血糖事象）、及び／又は第２の分析物レベルを下回って減少すること（例えば、低血糖事象）の発生を示し得る。値ベースの特徴量４２６の追加の例は、少し例を挙げると、分析物の閾値パーセンタイルに対応する値（例えば、第９４百分位数以上などの統計的に有意な閾値パーセンタイル）、分析物の１０～９０パーセンタイル範囲、及び振幅ベースの特徴量（例えば、分析物レベルエクスカーションの平均値振幅）を含み得る。

【0119】

予測器４１０は、抽出された分析物特徴量４１６についてのモデル予測４２８を、単独及び組み合わせで提供するように構成されている。例えば、モデル予測４２８は、ばらつきシミュレータ４０６によってシミュレートされた製造ばらつき（又は、パーセントばらつきが０％であるときなど、その欠如）の各量に対する抽出された分析物特徴量４１６の各々に対する健康状態予測の二値又は確率ベースの出力であり得る。予測器４１０は、抽出された分析物特徴量４１６のうちの１つを含む単変量特徴量モデルと、抽出された分析物特徴量４１６のうちの少なくとも２つの特徴量を組み合わせる多変量モデル（例えば、二変量モデル）と、の両方を利用し得る。非限定的な例として、予測器４１０は、抽出された分析物特徴量４１６及びそれらの様々な組み合わせの回帰モデル、例えば線形又はロジスティック回帰モデルを利用し得る。

【0120】

評価器４１２は、モデル予測４２８を受信し、かつ１つ以上のメトリックに従って１つ以上の抽出された分析物特徴量４１６をカテゴリ化するように構成されている。ここで、評価器４１２は、性能メトリック４３０及びロバスト性メトリック４３２を決定するように示されている。性能メトリック４３０は、１つ以上の抽出された分析物特徴量４１６の各々が、モデル予測４２８と比較して、ユーザ母集団３０４の所与のユーザについての転帰データ３０６に基づいて健康状態をどの程度良好に分類するかの指標を提供し得、ロバスト性メトリック４３２は、以下で詳述されるように、１つ以上の抽出された分析物特徴量４１６の各々が、シミュレートされた製造ばらつきに対してどの程度感度が低いかの指標を提供し得る。

【0121】

性能メトリック４３０は、１つ以上の抽出された分析物特徴量４１６のモデル予測４２８が、ユーザ母集団３０４の関連付けられたユーザが健康状態を有することを正確に予測する真陽性率（例えば、感度）と、１つ以上の抽出された分析物特徴量４１６のモデル予測４２８が、ユーザ母集団３０４の関連付けられたユーザが健康状態を有さないことを正確に予測する真陰性率（例えば、特異度）と、の一方又は両方の尺度となり得る。例えば、性能メトリック４３０が高いほど、１つ以上の抽出された分析物特徴量４１６は、健康状態を分類するための感度及び特異度が高いと予測される。一例として、性能メトリック４３０は、１つ以上の抽出された分析物特徴量４１６を、０～１のスケールなどの予め定められたスケールでランク付けし得、０は、対応するモデル予測４２８のいずれも（例えば、０％）正確でないことを指し、１は、対応するモデル予測４２８の全て（例えば、１００％）が正確であることを指す。

【0122】

ロバスト性メトリック４３２は、ユーザ母集団３０４の各ユーザの反復にわたって平均されるように、ばらつきシミュレータ４０６によって前処理済みデータ４１４に追加されたパーセントばらつきごとに性能メトリック４３０がどれだけ変化するかの尺度となり得る。例えば、ロバスト性メトリック４３２は、真陽性率及び真陰性率に対するばらつき感度を組み合わせ得る。ロバスト性メトリック４３２は、１つ以上の抽出された分析物特徴量４１６を予め定められたスケールでランク付けし得、最高値は、シミュレートされたばらつきに応答して性能メトリック４３０の変化がないことを示し、最低値は、シミュレートされたばらつきに応答して性能メトリック４３０の最大変化を示す。ロバスト性メトリック４３２が高いほど、対応する１つ以上の抽出された分析物特徴量４１６は、分析物センサの製造ばらつきに対してより感度が低いと予測される。いくつかの例では、ロバスト性メトリック４３２に加えて又は代えて、評価器４１２は、ロバスト性メトリック４３２の逆数であり得るばらつき感度メトリックを決定し得る。例えば、ばらつき感度メトリックが高いほど、対応する１つ以上の抽出された分析物特徴量４１６は、分析物測定値１１０に影響を及ぼし得る分析物センサの製造ばらつきに対してより感度が高い（かつロバスト性が低い）と予測される。一般に、高度にロバストな分析物特徴量（例えば、高いロバスト性メトリック４３２又は低いばらつき感度メトリックを有するもの）は、様々な量のシミュレートされたばらつきに伴う性能メトリック４３０の変化をほとんど呈さない抽出された分析物特徴量４１６に対応する。非限定的な例として、傾向関連特徴量４１８並びにばらつき及び安定性特徴量４２２は、相対的に高いロバスト性メトリック４３２（及び相対的に低いばらつき感度メトリック）を有する抽出された分析物特徴量４１６を生成し得る。

【0123】

様々な抽出された分析物特徴量４１６のロバスト性メトリック４３２及び性能メトリック４３０に基づいて、評価器４１２は、ロバストな分析物特徴量の組み合わせ４３４を選択及び出力するように構成されている。ロバストな分析物特徴量の組み合わせ４３４は、分析物センサ出力及び性能に影響を与え得る製造ばらつきによって比較的影響を受けない高い感度及び特異度で健康状態を正確に予測する健康状態分類モデルを生成するために、性能とロバスト性とをバランスさせ得る。図５に関して以下で更に説明されるように、ロバストな分析物特徴量の組み合わせ４３４は、抽出された分析物特徴量４１６のうちの少なくとも２つを含み得る。例えば、少なくとも２つの抽出された分析物特徴量４１６から構築されたモデルは、単一の抽出された分析物特徴量４１６よりも大きいロバスト性と性能との組み合わせを呈し得る。一例として、ロバストな分析物特徴量の組み合わせ４３４の分析物特徴量のうちの第１のものは、ロバストな分析物特徴量の組み合わせ４３４における分析物特徴量のうちの第２のものよりも高い性能メトリック４３０を有し得、第２のものは、第１のものよりも高いロバスト性メトリック４３２を有し得る。別の例では、分析物特徴量のうちの第１のものは、ロバストな分析物特徴量の組み合わせ４３４における分析物特徴量のうちの第２のものよりも高い性能メトリック４３０及び高いロバスト性メトリック４３２を有し得る。

【0124】

糖尿病が健康状態であり、かつグルコースが分析物である非限定的な例として、平均値グルコースなどの値ベースの特徴量４２６は、グルコースの上昇が糖尿病の特質であることから、相対的に高い性能メトリック４３０を有し得る。しかしながら、値ベースの特徴量４２６のうちの少なくともいくつかはまた、分析物センサ２０２の製造ばらつきに対して相対的に感度が高い場合がある。例えば、グルコース測定値がより高くシフトされる、シミュレートされた正のバイアスを増加させることは、糖尿病を有さないユーザがバイアスを上昇させたグルコースレベルに起因して糖尿病を有することをモデルが誤って予測することに起因して、値ベースの特徴量４２６のうちの少なくともいくつかの単変量モデルの真陰性率を減少させ得る。同様に、グルコース測定値がより低くシフトされる、シミュレートされた負のバイアスを増加させることは、糖尿病を有するユーザがバイアスを低下させたグルコースレベルに起因して糖尿病を有さないことをモデルが誤って予測することに起因して、値ベースの特徴量４２６のうちの少なくともいくつかの単変量モデルの真陽性率を減少させ得る。結果として、値ベースの特徴量４２６のうちの少なくともいくつかの単変量モデルは、相対的に低いロバスト性メトリック４３２を有し得る。したがって、一例では、値ベースの特徴量４２６のうちの１つを、ロバストな分析物特徴量の組み合わせ４３４において、傾向関連特徴量４１８のうちの１つなどの高いロバスト性メトリック４３２を有する特徴量とバランスさせ得る。

【0125】

上記の例は、ロバストな分析物特徴量の組み合わせ４３４を、異なるカテゴリ（又はタイプ）に属する特徴量を含むものとして説明しているが、他の例では、ロバストな分析物特徴量の組み合わせ４３４は、同じカテゴリからの特徴量を含み得ることが理解され得る。例えば、ロバストな分析物特徴量の組み合わせ４３４の特徴量の各々は、傾向関連特徴量４１８のうちの１つであり得る。別の例として、ロバストな分析物特徴量の組み合わせ４３４の特徴量の各々は、値ベースの特徴量４２６のうちの１つであり得る。したがって、上記の例は、限定ではなく例示のために提供されていることを理解されたい。

【0126】

ロバストな分析物特徴量の組み合わせ４３４を選択するために、評価器４１２は、所定の閾値未満であるロバスト性メトリック４３２を有する多変量モデル予測４２８をフィルタ除去し得る。評価器４１２は、残りの候補の最も高い性能メトリック４３０を有する多変量モデル予測４２８を選択し得、関連付けられた抽出された分析物特徴量４１６は、ロバストな分析物特徴量の組み合わせ４３４として出力され得る。

【0127】

ここで図５を参照すると、抽出された分析物特徴量（例えば、図４の抽出された分析物特徴量４１６）をカテゴリ化してロバストな分析物特徴量の組み合わせ４３４を識別するためのグラフ５００のセットの一例が示されている。グラフ５００は、単変量特徴量モデルの第１のグラフ５０２と、二変量特徴量モデルの第２のグラフ５０４と、を含み、各グラフの垂直軸は、ばらつき感度メトリックを表し、各グラフの水平軸は、性能メトリックを表す。ばらつき感度メトリックは、例えば、図４のロバスト性メトリック４３２の逆数であり得、性能メトリックは、図４の性能メトリック４３０であり得る。各データポイントは、関連付けられた抽出された分析物特徴量を使用して健康状態分類を予測するための各単変量（第１のグラフ５０２）又は二変量（第２のグラフ５０４）モデル予測（例えば、図４のモデル予測４２８）のばらつき感度メトリック及び性能メトリックを表す。すなわち、第１のグラフ５０２は、各抽出された分析物特徴量を個々に使用するモデル予測のための個々の性能メトリック及び個々のばらつき感度メトリックを示す一方、第２のグラフ５０４は、抽出された分析物特徴量のうちの２つを組み合わせて使用するモデル予測のための性能メトリック及びばらつき感度メトリックを示す。

【0128】

最初に第１のグラフ５０２を参照すると、凡例５０６は、データポイントの塗りつぶしパターンに従う、抽出された各分析物特徴量のカテゴリを表す。この例では、高性能特徴量５０８は、濃いドットシェーディングによって示され、他の特徴量よりも相対的に高い性能メトリック、例えば少なくとも０．９７の性能メトリック、を有する。図４に関して上記で説明されるように、性能メトリックは、各抽出された分析物特徴量を０～１のスケールでランク付けし得、０は、その特徴量についての単変量モデル予測のいずれも（例えば、０％）、健康状態分類を予測することにおいて正確でないことを指し、１は、その特徴量についての単変量モデル予測の全て（例えば、１００％）が、健康状態分類を予測することにおいて正確であることを指す。第１のグラフ５０２に示される例では、高性能特徴量５０８は全て、相対的に高いばらつき感度メトリックも有し、これらの高性能特徴量５０８が、健康状態分類を予測する際の分析物測定値に対する製造ばらつきの影響に対する感度が高いことを示す。

【0129】

中間特徴量５１０は、高性能特徴量５０８の濃いドットシェーディングよりも明るい中間ドットシェーディングによって示される。説明される技法によれば、中間特徴量５１０は、中間性能メトリックと中間ばらつき感度メトリックとの両方を有するものである。例えば、図５の第１のグラフ５０２に示される例では、中間特徴量５１０は、０．７５～０．９７の性能メトリックと、０．３～１．２のばらつき感度メトリックと、を有する。性能メトリック及びばらつき感度の異なる範囲を使用して、ばらつきにおける中間特徴量５１０（及び他のタイプの特徴量）を定義し得る。

【0130】

この例では、高いロバスト性の特徴量５１２は、水平線シェーディングによって示され、他の特徴量よりも相対的に低いばらつき感度メトリック、例えばこの例では０．２未満のばらつき感度メトリック、を有する。図４に関して上記で説明されるように、高度にロバストな特徴量は、シミュレートされた製造関連ばらつきが分析物測定値に追加されたときに性能の変化をほとんど経験しないものとして識別される。第１のグラフ５０２に示される高いロバスト性の特徴量５１２は、０．８０～０．９５の範囲内の性能メトリックを有する。

【0131】

この例では、低い性能の特徴量５１４は、白塗り（例えば、シェーディングなし）によって示される。ここで、低い性能の特徴量５１４は、０．６５未満の性能メトリックを有する特徴量として定義され、これらの特徴量が機械学習モデルを使用して健康状態分類を予測するのに正確な信頼性ではない場合があることを示す。しかしながら、様々なシナリオにおいて、低い性能の特徴量５１４はまた、これらの特徴量の低いばらつき感度メトリックによって示されるように、高いロバスト性を有する。

【0132】

したがって、図５に示される例などのいくつかの例では、任意の単一の抽出された分析物特徴量よりも高い性能メトリック及び低いばらつき感度メトリックを伴う特徴量の組み合わせを生成するために、少なくとも２つの抽出された分析物特徴量を組み合わせることが有益であり得る。ここで第２のグラフ５０４を参照すると、凡例５１６は、データポイントの塗りつぶしに従って各データポイントに示される、分析物特徴量の組み合わせのカテゴリを表す。第２のグラフ５０４に示される例では、第１のグラフ５０２の２つの高い性能の特徴量を含む高い性能の特徴量の組み合わせ５１８は、濃いドットシェーディングによって示される。第１のグラフ５０２の１つの高い性能の特徴量及び１つの中間特徴量を含む、高い性能及び中間特徴量の組み合わせ５２０は、垂直線シェーディングによって示される。第１のグラフ５０２からの２つの中間特徴量を含む中間特徴量の組み合わせ５２２は、中間ドットシェーディングによって示される。第１のグラフ５０２の１つの高いロバスト性の特徴量及び１つの中間特徴量を含む、高いロバスト性及び中間特徴量の組み合わせ５２４は、車線シェーディングによって示される。第１のグラフ５０２の２つの高いロバスト性の特徴量を含む、高いロバスト性の特徴量の組み合わせ５２６は、水平線シェーディングによって示され、第１のグラフ５０２の２つの低い性能の特徴量を含む、低いロバスト性の特徴量の組み合わせ５２８は、白塗り（又は塗りつぶしなし）によって示される。

【0133】

第２のグラフ５０４に示されるロバスト性閾値５３０を（例えば、評価器４１２によって）使用して、ロバストな分析物特徴量の組み合わせ４３４として考慮するために二変量モデルの特徴量の組み合わせをフィルタ除去し得る。１つ以上の実装態様では、ロバスト性閾値５３０は、分析物センサの製造ばらつきに対してロバストである特徴量の組み合わせを、分析物センサの製造ばらつきに対してロバストでない特徴量の組み合わせから区別するように較正された非零である所定のばらつき感度メトリック値である。したがって、ロバスト性閾値５３０未満のばらつき感度メトリックを有する特徴量の組み合わせは、ロバストであると考えられる。非限定的な例として、ロバスト性閾値５３０は、図５に示されるように、０．５であり得る。他の例では、ロバスト性閾値５３０は、０．４などの別の値に設定されてもよい。

【0134】

更に他の例では、ロバスト性メトリックは、ばらつき感度メトリックの代わりに使用されてもよい。そのような例では、ロバスト性閾値５３０は、非零の所定のロバスト性メトリック値であってもよく、それを上回ると、特徴量の組み合わせは、分析物センサの製造ばらつきに対してロバストであると考えられる。したがって、ロバスト性メトリックがばらつき感度メトリックの代わりに使用されるとき、ロバスト性閾値５３０未満である特徴量の組み合わせは、ロバストな分析物特徴量の組み合わせ４３４に対する考慮からフィルタ除外され得る。

【0135】

図５に示される例などのいくつかの例では、ロバスト性閾値５３０によってフィルタ除去されない（例えば、ロバスト性閾値５３０がばらつき感度メトリック値であるときにロバスト性閾値５３０未満である）最大の性能メトリックを伴う特徴量の組み合わせが、ロバストな分析物特徴量の組み合わせ４３４として選択される。ロバストな分析物特徴量の組み合わせ４３４は、第２のグラフ５０４に示される例では、高いロバスト性及び中間特徴量の組み合わせ５２４であるが、他の例では、ロバストな分析物特徴量の組み合わせ４３４は、異なるカテゴリの特徴量の組み合わせであってもよい。したがって、図５に示される例は、例示のためであって、限定するためのものではないことが理解され得る。

【0136】

いくつかの実装態様では、ロバストな分析物特徴量の組み合わせ４３４を選択する際に（例えば、性能メトリック及びロバスト性閾値５３０に加えて）追加の態様が評価され得る。追加の態様は、特徴量の組み合わせにおける特徴量の計算の容易さ、ハードウェアを単独で使用して特徴量の組み合わせにおける特徴量を決定する能力、特徴量の組み合わせにおける特徴量を計算するために必要とされるデータの量（例えば、複数日にわたる収集対、数時間にわたる収集）などを含み得るが、これらに限定されない。したがって、いくつかの実装態様では、ロバスト性閾値５３０によってフィルタ除去されない最高の性能メトリックを有する選択された数の上位候補の特徴量の組み合わせについて、追加のメトリック（又はスコア）が、これらの追加の態様に基づいて（例えば、評価器４１２を介して）決定され得る。非限定的な例として、追加のメトリックは、３つの最大の性能メトリックを有する候補の特徴量の組み合わせについて決定され得る。いくつかの実装態様では、追加のメトリックは、選択された数の上位候補の特徴量の組み合わせの各々の性能メトリックに追加され得、最高和を有する上位候補の特徴量の組み合わせが、ロバストな分析物特徴量の組み合わせ４３４として選択され得る。このようにして、ロバストな分析物特徴量の組み合わせ４３４は、最大の性能メトリックを伴う特徴量の組み合わせよりも分析することが容易な特徴量の組み合わせを含み得る。

【0137】

更に、図５は、ロバスト性閾値５３０を使用して第２のグラフ５０４の特徴量の組み合わせをフィルタリングすることを示しているが、他の例では、ロバスト性閾値５３０の代わりに、又はロバスト性閾値５３０に加えて、性能メトリック閾値を使用して、特徴量の組み合わせをフィルタリングしてもよい。例えば、性能メトリック閾値よりも大きい最低のばらつき感度メトリック（又は最高のロバスト性メトリック）を伴う特徴量の組み合わせが、ロバストな分析物特徴量の組み合わせ４３４として選択されてもよい。ロバストな分析物特徴量の組み合わせ４３４がばらつき感度メトリック（又はロバスト性メトリック）及び性能メトリックに基づいてどのように選択され得るかの追加の例が、図１１に関して以下に説明される。

【0138】

図４の例示的な実装態様４００を介して決定され、かつ図５の第２のグラフ５０４に例示されるロバストな分析物特徴量の組み合わせ４３４を使用して、健康状態分類を予測するための機械学習モデルを訓練し得る。ここで図６を参照すると、機械学習モデル６０２がモデルマネージャ４０２を介して訓練される予測システム１１４の実装態様６００の一例が、より詳細に示されている。図１～図４において先に紹介された構成要素は、同じ番号が付されており、再度紹介されない。

【0139】

例示される実装態様６００では、予測システム１１４は、機械学習モデル６０２と、機械学習モデル６０２を管理するモデルマネージャ４０２と、を含む。説明される技法によれば、機械学習モデル６０２は、単一の機械学習モデル又は複数のモデルのアンサンブルを表し得る。機械学習モデル６０２は、異なるタイプの機械学習モデルに対応し得、基礎となるモデルは、教師あり学習、教師なし学習、及び／又は強化学習を使用するなどの種々の手法を使用して学習される。例として、これらのモデルは、少し例を挙げると、回帰モデル（例えば、線形、多項式、及び／又はロジスティック回帰モデル）、分類器、ニューラルネットワーク、及び強化学習ベースのモデルを含み得る。

【0140】

機械学習モデル６０２は、説明される技法の趣旨又は範囲から逸脱することなく、他のタイプの機械学習モデルとして構成され得るか、又は他のタイプの機械学習モデルを含み得る。これらの異なる機械学習モデルは、それぞれ、異なるアーキテクチャ及び／又はパラダイムに少なくとも部分的に起因する異なるデータ及び異なるアルゴリズムを使用して、構築又は訓練され（又はモデルが別様に学習され）得る。したがって、モデルマネージャ４０２の機能の以下の議論は、多様な機械学習モデルに適用可能であることを理解されたい。しかしながら、説明目的で、機械学習モデル６０２を訓練する際のモデルマネージャ４０２の機能は、一般に、統計モデル及びニューラルネットワークに関連して説明される。

【0141】

概して言えば、モデルマネージャ４０２は、機械学習モデル６０２を含む機械学習モデルを管理するように構成されている。このモデル管理は、例えば、機械学習モデル６０２を構築すること、機械学習モデル６０２を訓練すること、このモデルを更新することなどを含む。具体的には、モデルマネージャ４０２は、少なくとも部分的に、記憶デバイス１１２に維持された豊富なデータを使用して、このモデル管理を実行するように構成されている。例示されるように、このデータは、ユーザ母集団３０４の分析物測定値１１０及び転帰データ３０６を含む。別の言い方をすれば、モデルマネージャ４０２は、機械学習モデル６０２を構築し、機械学習モデル６０２を訓練し（又は別様に基礎となるモデルを学習し）、ユーザ母集団３０４の分析物測定値１１０及び転帰データ３０６を使用してこのモデルを更新する。例えば、モデルマネージャ４０２は、図４に関して上記で論じられる実装態様４００に従って、ユーザ母集団３０４の分析物測定値１１０及び転帰データ３０６に基づいて、ロバストな分析物特徴量の組み合わせ４３４を選択し、機械学習モデル６０２を訓練するための入力としてロバストな分析物特徴量の組み合わせ４３４を使用し得る。機械学習モデル６０２が、入力としてのロバストな分析物特徴量の組み合わせ４３４に加えて、ユーザ母集団３０４からの追加データなどのデータを受信する実装態様では、モデルマネージャ４０２はまた、そのような追加データを使用して、機械学習モデル６０２を構築、訓練、及び更新する。

【0142】

１つ以上の実装態様では、モデルマネージャ４０２は、機械学習モデル６０２を訓練するための、又は別様にモデルのパラメータを学習するための訓練データを生成する。概して言えば、訓練データの生成は、機械学習モデルが出力するように設計された健康状態分類に依存する。この訓練データは、例えば、機械学習モデル６０２が、ヒトの診断尺度、ヒトが経験すると予測される副作用、又はヒトの臨床診断の予測を生成するように構成されている場合、異なるであろう。予測される転帰にかかわらず、訓練データを生成することは、図４に関して上記で説明されるように、ユーザ母集団３０４の分析物測定値１１０を時間順序付けすること（分析物測定値１１０がまだ時間順序付けされていない場合）と、それらの時間順序付けされた分析物測定値１１０から分析物特徴量を抽出することと、を含み得る。モデルマネージャ４０２は、前処理マネージャ４０４の機能を活用して、時間順序付けされた分析物測定値１１０の前処理済みデータ４１４を形成し、特徴量構築器４０８の機能を活用して、例えば、抽出された分析物特徴量４１６を生成することに関連して上記で論じられるのと同様の様式で、分析物特徴量を抽出し得る。一例として、ロバストな分析物特徴量の組み合わせ４３４が選択されると、モデルマネージャ４０２は、特徴量構築器４０８を使用して、訓練データからロバストな分析物特徴量の組み合わせ４３４を抽出し得る。モデルマネージャ４０２は、少なくともいくつかの例では、機械学習モデル６０２を訓練する際にばらつきシミュレータ４０６を利用しない場合がある。

【0143】

訓練データを生成することはまた、分析物測定値１１０のトレース、又は分析物測定値１１０から抽出されたロバストな分析物特徴量の組み合わせ４３４を、ユーザ母集団３０４のそれぞれのユーザの転帰データ３０６に関連付けることを含む。このことを前提として、特定のユーザに対応する分析物トレース又は抽出された分析物特徴量は、特定のユーザの転帰データ３０６に関連付けられる。例として、特定のユーザは、糖尿病と臨床的に診断されていてもよく、自分のグルコースは、観察期間の２７％に対応する時間量にわたって閾値を上回っていてもよい。このことを前提として、モデルマネージャ４０２は、閾値を上回るユーザの時間が２７％であることを示す値を伴う入力部分と、ヒトが糖尿病を有することを示す値、例えば、「１」又は何らかの他の対応する値、を伴う関連付けられた出力部分と、を含む、訓練インスタンスを形成してもよい。

【0144】

１つ以上の実装態様では、モデルマネージャ４０２は、転帰データ３０６から、臨床診断３１２の値、例えば「糖尿病」、「前糖尿病」、「非糖尿病」などの、少なくとも１つのタイプの転帰に対応する観察値又はラベル、又はそれらのラベルを示す値を抽出することによって、統計モデルを構築し得る。統計モデルは、構築されると、この少なくとも１つの転帰タイプの値又はラベルを予測し、それらを健康状態分類１１６として出力するように構成されている。少なくとも１つの転帰タイプを示す値又はラベルは、モデルへの入力として作用しない。統計モデルが回帰モデルであるシナリオでは、例えば、転帰値又はラベルは、１つ以上の従属変数に対応し得る。対照的に、分析物測定値１１０から抽出されたロバストな分析物特徴量の組み合わせ４３４の各特徴量は、モデルへの入力として作用し得る。したがって、機械学習モデル６０２が統計モデルとして構成されているシナリオでは、ロバストな分析物特徴量の組み合わせ４３４の少なくとも２つの分析物特徴量は、少なくとも２つの説明（又は独立）変数に対応し得る。

【0145】

転帰データ３０６からの転帰値又はラベルのセットと、分析物測定値１１０から抽出されたロバストな分析物特徴量の組み合わせ４３４の値のセットと、が与えられると、モデルマネージャ４０２は、抽出された分析物特徴量値の入力に応答して、モデルマネージャ４０２がある許容範囲内で転帰値又はラベルを生成するように、これらの値のセットを方程式に「フィッティング」するための１つ以上の知られている手法を使用する。そのようなフィッティング手法の例は、最小二乗法を使用すること、最小絶対偏差回帰を使用すること、最小二乗コスト関数の罰則付きバージョン（例えば、リッジ回帰又はラッソ）を最小化することなどを含む。「フィッティング」とは、モデルマネージャ４０２が、１つ以上の手法及び訓練データのこれらの値のセットを使用して、方程式のモデルパラメータを推定することを意味する。

【0146】

推定されるパラメータは、例えば、独立変数（例えば、ロバストな分析物特徴量の組み合わせ４３４）が動作中に機械学習モデルに入力されるときに独立変数の値に適用される重みを含む。モデルマネージャ４０２は、ユーザ母集団３０４の観察値をフィッティングすることから推定されたこれらのパラメータを式に組み込んで、統計モデルとして機械学習モデル６０２を生成する。動作中、予測システム１１４は、独立変数の値（例えば、ロバストな分析物特徴量の組み合わせ４３４の値）を統計モデルに（例えば、１つ以上のベクトル又は行列として）入力し、統計モデルは、推定された重みをこれらの入力値に適用し、次いで、１つ以上の従属変数の値又はラベルを出力する。この出力は、健康状態分類１１６に対応する。

【0147】

以下の議論では、モデルマネージャ４０２が機械学習モデルを構築及び訓練する能力について、少なくとも１つのニューラルネットワークに対応するか、又は少なくとも１つのニューラルネットワークを含む機械学習モデル６０２の構成に関連して論じられる。

【0148】

使用される訓練データに関して、モデルマネージャ４０２は、上述したように、入力部分と、期待される出力部分、すなわち訓練中にモデルの出力と比較するためのグラウンドトゥルース、と、を含む訓練データのインスタンスを生成し得る。訓練データインスタンスの入力部分は、分析物測定値１１０の１つ以上のトレース、及び／又は特定のユーザのロバストな分析物特徴量の組み合わせ４３４における１つ以上の抽出された特徴量に対応し得る。出力部分は、特定のユーザの転帰データ３０６の１つ以上の値、例えば健康状態の臨床診断を示す値又は確証する臨床診断値（例えば、健康状態が糖尿病であるときのユーザの観察されたＨｂＡ１ｃ）、に対応し得る。ここでも、トレースが訓練に使用されるかどうか、並びに訓練に使用されるロバストな分析物特徴量の組み合わせ４３４の特徴量、及びどの転帰データが訓練に使用されるかは、機械学習モデル６０２が入力として受信するように設計（及び訓練）されるデータと、出力するように設計（及び訓練）されるデータと、に依存する。

【0149】

モデルマネージャ４０２は、機械学習モデル６０２を訓練するために、訓練入力部分をそれぞれの期待される出力部分とともに使用する。訓練のコンテキストでは、モデルマネージャ４０２は、訓練入力部分のセットからのデータのインスタンスを機械学習モデル６０２に提供することによって、機械学習モデル６０２を訓練し得る。このことに応答して、機械学習モデル６０２は、臨床診断を示す値を予測することなどによって、状態分類の疾患の予測を生成する。モデルマネージャ４０２は、機械学習モデル６０２からのこの訓練予測を出力として取得し、訓練予測を、訓練入力部分に対応する期待される出力部分と比較する。例えば、機械学習モデル６０２が、ユーザが糖尿病を有することを示す糖尿病分類を出力する場合には、この予測は、予測が正しかったかどうかを判定するために、出力データ（例えば、ユーザを糖尿病を有するか、又は糖尿病を有さないと分類する）と比較される。この比較に基づいて、モデルマネージャは、それぞれの訓練入力部分が将来入力として提供されるときに、機械学習モデルが期待される出力部分を実質的に再現することができるように、機械学習モデル６０２の内部重みを調整する。

【0150】

訓練入力部分のインスタンスを機械学習モデル６０２に入力し、機械学習モデル６０２から訓練予測を受信し、（例えば、平均二乗誤差などの損失関数を使用して）訓練予測を入力インスタンスに対応する期待される出力部分（観察された）と比較し、これらの比較に基づいて機械学習モデル６０２の内部重みを調整するこのプロセスは、何百、何千、又は更には何万の反復にわたって、反復ごとに訓練データのインスタンスを使用して、繰り返され得る。

【0151】

モデルマネージャ４０２は、機械学習モデル６０２が、期待される出力部分に一貫して実質的に一致する予測を生成することができるまで、そのような反復を実行し得る。期待される出力部分に実質的に一致する予測を一貫して生成する機械学習モデルの能力は、「収束」と称され得る。このことを考慮すると、モデルマネージャ４０２は、機械学習モデル６０２が解に「収束する」、例えばモデルが期待される出力部分に実質的に一致する予測を一貫して生成するようにモデルの内部重みが訓練反復に起因して好適に調整される、まで、機械学習モデル６０２を訓練すると言うことができる。

【0152】

上述したように、機械学習モデル６０２は、１つ以上の実装態様では、分析物測定値１１０及び／又はそれらの測定値から抽出されたロバストな分析物特徴量の組み合わせ４３４に加えて、入力を受信するように構成され得る。そのような実装態様では、モデルマネージャ４０２は、訓練入力部分と、それぞれの期待される出力部分と、健康状態分類を予測するために使用されているユーザ母集団３０４の任意の他の態様、例えば人口統計学的情報、病歴、運動、及び／又はストレス、を記述する追加の入力データと、を含む訓練インスタンスを形成し得る。この追加データ並びに訓練入力部分は、入力ベクトルを生成するために、１つ以上の知られている技法に従ってモデルマネージャ４０２によって処理され得る。訓練入力部分並びに他の態様を記述するこの入力ベクトルは、次いで、機械学習モデル６０２に提供され得る。それに応答して、機械学習モデル６０２は、予測が訓練インスタンスの期待される出力部分と比較され、かつモデルの重みが比較に基づいて調整され得るように、上記で論じられるのと同様の様式で、健康状態分類の予測を生成し得る。

【0153】

いくつかの例では、図４の実装態様４００及び図６の実装態様６００の少なくとも一部分を組み合わせて実行し得ることができることが理解され得る。例えば、ばらつきシミュレータ４０６は、機械学習モデル６０２を調節するときに製造関連センサばらつきを導入し得る。例として、シミュレートされた製造関連センサばらつきは、交差検証の内部で、検証フォールドで候補モデルを評価する前に、機械学習モデル６０２の候補モデルの検証フォールドに適用され得る。

【0154】

機械学習モデル６０２が訓練されると、機械学習モデル６０２を使用して、健康状態分類を予測する。ヒト１０２の分析物測定値１１０からヒト１０２の健康状態分類１１６を予測するコンテキストにおいて、図７の以下の議論を検討する。

【0155】

図７は、健康状態分類が機械学習を使用して予測される、図１の予測システムの実装態様７００の一例をより詳細に示す。したがって、図１～図６において先に紹介された構成要素は、同じ番号が付されており、再度紹介されない。

【0156】

例示される実装態様７００では、予測システム１１４は、例えば、記憶デバイス１１２（図７には図示せず）から、分析物測定値１１０を取得するように示されている。ここで、分析物測定値１１０は、ヒト１０２に対応する。実装態様７００では、予測システム１１４は、前処理マネージャ４０４、特徴量構築器４０８、及び機械学習モデル６０２を含んで示されており、これらは、ヒト１０２の分析物測定値１１０に基づいて、健康状態分類１１６の予測を生成するように構成されている。予測システム１１４は、これらの３つの構成要素を含んで示されているが、予測システム１１４は、説明される技法の趣旨又は範囲から逸脱することなく、分析物測定値１１０に基づいて健康状態分類１１６を生成するために、より多くの、より少ない、及び／又は異なる構成要素を有してもよいことを理解されたい。

【0157】

１つ以上の実装態様では、分析物測定値１１０は、図４に関して上記で説明されるように、分析物測定値１１０の各々がタイムスタンプに対応するように、時間順序付けされたデータとして構成されている。したがって、前処理マネージャ４０４は、それぞれのタイムスタンプに従ってヒト１０２の分析物測定値１１０の時間順シーケンスを決定し、かつ前処理済みデータ４１４を生成するように構成され得る。前処理済みデータ４１４は、機械学習モデル６０２への入力として提供され得る前処理済みデータ４１４（例えば、特徴量ベクトル）と、健康状態分類１１６（例えば、図３に示される通知３１４の一部として含まれる）に関連して報告され得るデータと、から分析物特徴量を抽出するように構成され得る特徴量構築器４０８に入力され得る。特に、機械学習モデル６０２は、図６の実装態様６００に関して上記で説明されるように、図４の実装態様４００を介して選択されたロバストな分析物特徴量の組み合わせ４３４を使用して、状態分類１１６を予測するように訓練され得る。したがって、例示される実装態様７００では、特徴量構築器４０８は、ロバストな分析物特徴量の組み合わせ４３４を出力するように示されている。特徴量構築器４０８は、１つ以上の所定のアルゴリズム又は関数に従って分析物測定値１１０の前処理済みデータ４１４を更に処理することによって、ロバストな分析物特徴量の組み合わせ４３４を決定し得る。ロバストな分析物特徴量の組み合わせ４３４の異なる抽出された分析物特徴量の各々は、特徴量構築器４０８が分析物測定値１１０の前処理済みデータ４１４を処理する異なるアルゴリズム又は関数に対応し得る。

【0158】

ロバストな分析物特徴量の組み合わせ４３４に加えて、特徴量構築器４０８はまた、少なくともいくつかの例では、ヒト１０２の異なる態様を記述する追加データからの特徴量を組み込んでもよい。この追加のデータは、分析物測定値１１０とは異なる第２の分析物のデータ（例えば、分析物測定値１１０がグルコース測定値である場合の乳酸塩測定値）、環境データ（例えば、ヒトの体温）、すでに観察された副作用データ（例えば、すでに観察された健康状態分類に関連付けられた多様な副作用のいずれかを記述するデータ）、アンケートを通して収集された又は別様に取得された人口統計データ（例えば、年齢、性別、民族性を記述する）、病歴データ、ストレスデータ、栄養データ、運動データ、処方データ、身長及び体重データ、職業データなどを含み得る。言い換えれば、機械学習モデル６０２又は機械学習モデルのアンサンブルへの入力として提供されるデータは、１つ以上の実装態様では、説明される技法の趣旨又は範囲から逸脱することなく、ロバストな分析物特徴量の組み合わせ４３４に加えて、ヒト１０２に関する多様な態様を（例えば、入力特徴量ベクトルの特徴量として）記述し得る。そのようなシナリオでは、機械学習モデル６０２は、ユーザ母集団３０４（図６を参照）の同様の履歴データを使用して訓練される。

【0159】

例示される実装態様７００は、特徴量構築器４０８が、前処理済みデータ４１４を処理してロバストな分析物特徴量の組み合わせ４３４を生成し、それらの特徴量を機械学習モデル６０２への入力（例えば、抽出された特徴量を示す特徴量ベクトル）として使用することを示すが、１つ以上の実装態様では、特徴量構築器４０８はまた、分析物測定値１１０（例えば、トレース）の１つ以上の時系列を（単独で又は他の特徴量とともに）表す特徴量ベクトルを生成してもよい。したがって、機械学習モデル６０２への入力データは、分析物測定値１１０のベクトル化された時系列、又は分析物測定値１１０の複数のベクトル化された時系列に対応し得るか、又は別様にこれらの時系列を含み得る。分析物測定値１１０の時系列がベクトル化される実装態様では、機械学習モデル６０２は、例えば、ニューラルネットワークに対応し得る。ロバストな分析物特徴量の組み合わせ４３４がベクトル化される実装態様では、機械学習モデルは、例えば、多変量回帰モデル、例えば多変量線形回帰モデル又はロジスティック回帰モデル、に対応し得る。

【0160】

特徴量構築器４０８から入力データを受信することに応答して、機械学習モデル６０２は、健康状態分類１１６を生成及び出力するように構成されている。具体的には、機械学習モデル６０２は、健康状態分類１１６を出力するように訓練され得る。例として、図６に関して上記で詳述されるように、機械学習モデル６０２は、１つ以上の訓練手法に基づいて、かつユーザ母集団３０４の分析物測定値１１０及び転帰データ３０６を使用するなど、健康状態分類を導出することができる履歴分析物データ及び転帰データを使用して、訓練され得るか、又は基礎となる表現が学習され得る。説明される技法によれば、機械学習モデル６０２は、例えば、ヒトが健康状態を有するかどうかを予測するように訓練されたモデルと、１つ以上の実装態様では、ヒトが健康状態を有さないかどうかを予測するための追加のモデル（例えば、ある程度の確実性でヒトを糖尿病を有さないものとしてスクリーニングするために使用され得る糖尿病分類）と、を含む、１つ以上のモデルを表し得る。多モデル構成のモデルの各々は、異なる態様を記述する異なるように構成された入力データ、例えば健康状態に関連する異なる態様を表す特徴量を有する特徴量ベクトル、を受信し得る。他の実装態様では、単一のモデルが両方のタイプの予測を生成するように構成され得ることを理解されたい。１つ以上の実装態様では、機械学習モデル６０２は、他のモデルとは異なる健康状態に関する予測を各々が生成するモデルのアンサンブルとして構成され得る。

【0161】

健康状態分類１１６は、機械学習モデル６０２を訓練するために使用される転帰データ３０６によって記述される転帰に対応する１つ以上の転帰に関してヒト１０２を分類し得る。ユーザ母集団３０４の臨床診断３１２を使用して、機械学習モデル６０２が訓練されるか、又はモデルが学習される実装態様では、次いで、機械学習モデル６０２は、ヒト１０２の分析物測定値１１０を診断のうちの１つに対応するクラスに分類し得る。健康状態が糖尿病である例示的な実装態様では、機械学習モデル６０２は、ヒト１０２の分析物測定値１１０を、糖尿病、前糖尿病、又は非糖尿病として分類し得る。この目的のために、ヘルスケア提供者は、健康状態分類１１６を使用して、ヒト１０２を治療し得るか、又はヒト１０２が従来の技法、例えばＨｂＡ１ｃ、ＦＰＧ、及び／又は２Ｈｒ－ＰＧ、に従って糖尿病と診断されるとする場合にヘルスケア提供者がそのようにする方法と同様に、治療計画を策定し得る。

【0162】

同様に、ユーザ母集団の観察された副作用３１０を使用して、機械学習モデル６０２が訓練されるか、又はモデルが学習される場合には、機械学習モデル６０２は、ヒト１０２の分析物測定値１１０が、ヒトが種々の副作用を経験していることを示す確率、例えばヒトが健康状態に関連付けられた多様な副作用のうちのいずれかを経験する０～１の確率、を出力し得る。いくつかの実装態様では、ヒト１０２が各作用を経験するか否かに関する予測（又はヒトが各作用を経験する確率）を生成することが可能なモデルのアンサンブルを機械学習モデル６０２が表すように、各作用について訓練又は構築された機械学習モデルがあり得る。

【0163】

ユーザ母集団の独立した診断尺度３０８を使用して、機械学習モデルが訓練されるか、又はモデルが学習される実装態様では、次いで、機械学習モデル６０２は、特定の診断尺度の値の予測を出力し得る。健康状態が糖尿病である例示的な実装態様を続けると、機械学習モデル６０２は、ＨｂＡ１ｃ値、ＦＰＧ値、２Ｈｒ－ＰＧ値、又はＯＧＴＴ値の予測を出力し得る。出力される健康状態分類１１６は、機械学習モデル６０２がどのように訓練されたかに大きく依存し、特に、健康状態分類１１６が表す情報は、訓練に依存する。例えば、状態分類１１６は、ヒトが健康状態を有するか否か、又はヒトに健康状態を発症するリスクがあるか否かを示すラベル（例えば、糖尿病ラベル、前糖尿病ラベル、又は非糖尿病ラベル）、ヒトが特定のタイプの健康状態（例えば、１型糖尿病、２型糖尿病、及びＧＤＭ）を有するか否かを示すラベル、確率、又は測定値を表し得る。加えて、異なるタイプの機械学習モデルが、健康状態分類１１６によって表され得る異なるタイプの転帰に関する予測を生成するのにより良く適し得る。

【0164】

加えて、機械学習モデル６０２によって出力される状態分類１１６は、予測が生成されることに関連してヒト１０２に提供される多様な情報、及びヒト１０２のヘルスケア提供者、介護者、遠隔医療又は健康追跡サービスなどのような、ヒトに関連付けられた他の情報の基礎として作用し得る。予測に基づいて出力され得る情報のコンテキストにおいて、図８～図９の以下の議論を検討する。

【0165】

図８は、観察期間中に生成された分析物測定値に基づいて生成された健康状態予測に関してユーザに通知するために表示されるユーザインターフェースの実装態様８００の一例を示す。以下の説明では、健康状態予測を生成するための、図１～図７に例示される構成要素及び特徴を参照する。ただし、実装態様８００は、本開示の範囲から逸脱することなく、他の特徴及び構成要素を使用して健康状態予測生成に関してユーザに通知してもよいことが理解され得る。

【0166】

例示される例示的な実装態様８００は、ユーザインターフェース８０４を表示しているコンピューティングデバイス８０２を含む。この例示的な実装態様８００では、ユーザインターフェース８０４は、図３の通知３１４に対応し得る。この例示的な実装態様８００は、通知３１４（例えば、ユーザインターフェース８０４を介した出力）が、図１において導入された健康状態分類１１６に基づいて生成されるが、健康状態分類１１６を含まないシナリオを表す。ここで、コンピューティングデバイス８０２は、分析物測定値が観察期間中に収集され、かつそれに関連して健康状態分類１１６が生成されるヒト１０２に関連付けられ得る。あるいは、コンピューティングデバイス８０２は、介護者などの、ヒト１０２と提携している別のヒトに関連付けられ得る。

【0167】

この目的のために、ユーザインターフェース８０４は、予測された分類を明らかにすることなく、健康状態分類１１６に関してヒト１０２（又はヒト１０２と提携しているヒト）に通知するように表示され得る。これは、ヒト１０２への健康状態分類１１６の出力が、混乱、怒り、うつ状態などを引き起こすことによるなどの、多様なネガティブな様でヒト１０２に影響を及ぼす可能性があるからである。この例示的な実装態様８００では、ユーザインターフェース８０４は、ヒト１０２の分析物測定の処理に関する概要を含む。ユーザインターフェース８０４はまた、健康状態分類に基づく対処可能な挙動の推奨（この場合、ヒト１０２が自分のヘルスケア提供者とフォローアップすることを推奨する）を含む。加えて、ユーザインターフェース８０４は、推奨される対処可能な挙動を実行するために選択可能であるグラフィカルユーザインターフェース要素８０６を含む。グラフィカルユーザインターフェース要素８０６の各々は、ヘルスケア提供者の物理的な場所での予約、又は例えば遠隔医療及び／又は遠隔医療サービスに関連する、電話又はビデオ会議を介した予約などの、ヒト１０２のヘルスケア提供者とのフォローアップ予約をスケジュールさせるように選択可能であり得る。健康状態分類１１６に基づいて生成されるが、分類を含まない通知が、説明される技法の趣旨又は範囲から逸脱することなく、種々の方途で構成されてもよいことを理解されたい。

【0168】

図９は、健康状態予測に関連して生成された他の情報とともにユーザの健康状態予測を報告するために表示されるユーザインターフェースの実装態様９００の一例を示す。以下の説明では、健康状態予測を生成するための、図１～図７に例示される構成要素及び特徴を参照する。ただし、実装態様９００は、本開示の範囲から逸脱することなく、他の特徴及び構成要素を使用して生成及び分析されたデータに基づいて健康状態予測を報告し得ることが理解され得る。例示的な実装態様９００は、ユーザから取得されたグルコース測定値に基づいて決定される健康状態として糖尿病を含む。ただし、実装態様９００は、本開示の範囲から逸脱することなく、他の疾患及び状態についての予測及び関連付けられた情報を報告するように適合され得ることが理解され得る。

【0169】

例示される例示的な実装態様９００は、レポートとして構成されたユーザインターフェース９０４を表示しているディスプレイデバイス９０２を含む。この例では、ユーザインターフェース９０４は、図３の通知３１４に対応し得る。図８に示される例示的な実装態様８００とは対照的に、この例示的な実装態様９００は、通知が図１において導入された健康状態分類１１６を含むシナリオを表す。この例示される例示的な実装態様９００では、グラフィカル診断要素９０６は、健康状態分類１１６を表すか、又は別様に示す。ここで、ディスプレイデバイス９０２は、分析物測定値が観察期間中に収集され、かつ健康状態分類１１６が生成されるヒト１０２と提携しているヘルスケア提供者に関連付けられ得る。

【0170】

この目的のために、ユーザインターフェース９０４は、健康状態分類１１６をヘルスケア提供者に報告するように、かつ分類に関連し得る追加の情報を報告するように表示され得る。動作中、ヘルスケア提供者は、報告された追加の情報を独立して分析し、健康状態分類１１６によって示される診断とは異なる診断を提供し得る。この例示的な実装態様９００では、追加の情報は、グルコーストレース９０８、９１０を含む。グルコーストレース９０８、９１０は、２日間の観察期間にわたって収集されたヒト１０２の分析物測定値１１０を表す。ユーザインターフェース９０４はまた、ユーザが、観察期間の前又は後の日に対応するトレースなどの収集された他の分析物測定値１１０にナビゲートすることを可能にし得る、制御部とともに示される。

【0171】

ユーザインターフェース９０４はまた、ヒト１０２の分析物測定値１１０に基づいて特徴量構築器４０８によって決定された抽出された分析物特徴量４１６のうちの１つ以上を表すか、又は別様に示す、グラフィカルグルコース特徴量要素９１２を含む。予測された臨床診断に加えて、グラフィカル診断要素９０６によって示されるように、ユーザインターフェース９０４はまた、予測された副作用要素９１４及び確率要素９１６を含む。予測された副作用要素９１４及び確率要素９１６を含むことは、図６において導入された機械学習モデル６０２が、２つ以上のタイプの糖尿病分類の予測を生成するように（例えば、モデルのアンサンブルとしての構成を介して、かつ／又はアーキテクチャ及び訓練に基づいて）構成され得ることを示す。例として、機械学習モデル６０２は、ヒト１０２の臨床診断、糖尿病に関連付けられた複数の臨床診断値（例えば、ＨｂＡ１ｃ、ＦＰＧ、２Ｈｒ－ＰＧ、及びＯＧＴＴ）のうちの１つ以上の値と、ヒト１０２が糖尿病の複数の副作用のうちの１つ以上を経験する確率と、を予測するように構成され得る。

【0172】

特に、予測された副作用要素９１４は、例えば機械学習モデルによって出力されるそれらの作用を経験する確率が５０％よりも大きいことに基づいて、ヒト１０２が経験しないよりも経験する可能性が高いことを糖尿病分類が示す副作用に対応する。機械学習モデル６０２が任意の発生確率を有すると予測する副作用はまた、対応する確率とともに１つ以上のシナリオにおいて出力され得ることを理解されたい。確率要素９１６は、要素９１４によって示される副作用が発生する確率を含む。これらの確率要素９１６によって示される確率は、１つ以上の実装態様では、機械学習モデル６０２によって出力され得る。健康状態分類１１６を含むレポートは、印刷に好適な文書など、説明される技法の趣旨又は範囲から逸脱することなく、異なる方途で構成されてもよいことを理解されたい。

【0173】

図１０は、健康状態予測を生成するための機械学習モデルへの入力として使用され得る追加のデータを収集するために表示されるユーザインターフェースの実装態様１０００の一例を示す。以下の説明では、健康状態予測を生成するための、図１～図７に例示され、かつ上記で説明される構成要素及び特徴を参照する。ただし、実装態様１０００は、本開示の範囲から逸脱することなく、他の特徴及び構成要素による使用のために追加のデータを収集してもよいことが理解され得る。

【0174】

例示される例示的な実装態様１０００は、ユーザインターフェース１００４を表示しているコンピューティングデバイス１００２を含む。この例示的な実装態様１０００では、ユーザインターフェース１００４は、観察期間中に収集された分析物測定値１１０に加えて、ヒト１０２に関するデータを収集するために表示され得る。これらの追加のデータは、分析物測定値１１０、及び／又は抽出された分析物特徴量４１６のうちの１つ以上、のトレースとともに、入力として機械学習モデル６０２に提供され得る。すなわち、追加のデータは、モデルに入力される特徴量ベクトルの特徴量において表され得る。機械学習モデル６０２を訓練するために、これらの追加のデータはまた、ユーザ母集団３０４のユーザから収集されてもよい。したがって、ユーザインターフェース１００４をユーザ母集団３０４のユーザに対して表示して、それらのユーザからこれらの追加のデータを収集してもよい。追加のデータは、例えば、人口統計、病歴、運動、及び／又はストレスを記述するデータを含んでもよい。

【0175】

例示される例示的な実装態様１０００では、ユーザインターフェース１００４は、ユーザが、自身に関する追加のデータを提供するためにインタラクトし得る（例えば、値を選択又は入力する）、多様なグラフィカル要素１００６を含む。ただし、含まれるグラフィカル要素１００６は、例にすぎず、そのような追加のデータを収集するためのユーザインターフェースは、説明される技法の趣旨又は範囲から逸脱することなく、様々な追加のデータの収集を可能にする、より多い、より少ない、又は異なる要素を含むように、異なる方途で構成され得ることを理解されたい。

【0176】

分析物測定値及び機械学習を使用して、健康状態予測についての技法の詳細の例を論じてきたが、ここで、技法のいくつかの追加の態様を例示する手順のいくつかの例を検討する。

【0177】

手順の例
このセクションは、分析物測定値及び機械学習を使用する健康状態予測のための手順（例えば、方法）の例を説明する。手順の態様は、ハードウェア、ファームウェア、ソフトウェア、又はそれらの組み合わせで実装され得る。手順は、１つ以上のデバイスによって実行される動作を指定するブロックのセットとして示され、必ずしもそれぞれのブロックによって動作を実行するために示される順序に限定されない。いくつかの例では、マルチスレッディング又は並列処理が、説明される手順を実行する際に使用され得る。少なくともいくつかの実装態様では、手順は、図４のモデルマネージャ４０２を利用する図１の予測システム１１４などの予測システムによって実行される。したがって、図１～図６に関して上記で説明される特徴及び構成要素が参照されるが、本開示の範囲から逸脱することなく、同様の構成要素又は異なる構成要素を使用して手順が実行され得ることが理解され得る。

【0178】

図１１は、健康状態分類を予測するためのロバストな分析物特徴量の組み合わせがユーザ母集団の履歴分析物測定値及び転帰データに基づいて選択される実装態様の一例における手順１１００を示す。

【0179】

ユーザ母集団のユーザによって装着されたウェアラブル分析物モニタリングデバイスによって収集された分析物測定値が取得される（ブロック１１０２）。例として、モデルマネージャ４０２は、ユーザ母集団３０４のユーザの分析物測定値１１０を取得する。いくつかの例では、モデルマネージャ４０２は、モデルマネージャ４０２の前処理マネージャ４０４を介してなど、分析物測定値１１０から分析物データを生成する。分析物データは、分析物測定値１１０の時間順及び／又はフィルタリングされたシーケンスを含み得る前処理済みデータ（例えば、図４の前処理済みデータ４１４）であり得る。

【0180】

健康状態に関連するユーザ母集団のユーザの１つ以上の態様を記述する転帰データが取得される（ブロック１１０４）。例として、モデルマネージャ４０２が、転帰データ３０６を取得する。上記で論じられる例では、転帰データは、ユーザ母集団３０４のユーザの独立した診断尺度３０８、ユーザ母集団３０４のユーザの観察された副作用３１０、及びユーザ母集団３０４のユーザの臨床診断３１２、のうちの１つ以上などの例示的な態様を記述する。

【0181】

分析物センサ製造関連ばらつきが、分析物データにおいてシミュレートされる（ブロック１１０６）。例として、モデルマネージャ４０２のばらつきシミュレータ４０６が、分析物センサ製造関連ばらつきを、分析物測定値１１０から生成される分析物データに導入する。分析物センサ製造関連ばらつきは、例えば、センサバイアス、異なるセンサモデル、異なるセンサロット、異なるセンサ製造元などに起因する、同じ分析物レベルに対する異なる分析物センサ（例えば、図２の分析物センサ２０２）の応答の差異を指し得る。例えば、ばらつきシミュレータ４０６は、分析物データの各部分（例えば、各トレース）に対して複数のシミュレーションを実行し得、各シミュレーションは、シミュレートされた製造関連ばらつきの異なる割合を分析物データに導入し得る。例えば、ばらつきシミュレータ４０６は、分析物データの各部分に乗法ばらつき又は加法ばらつきを適用することによって、製造関連ばらつきをシミュレートし得る。一例として、ばらつきは、固定標準偏差と、製造関連ばらつき割合の所定の範囲内で掃引される平均値と、を有する正規分布から引き出される。非限定的な例として、標準偏差は、８に設定され得、製造関連ばらつき割合の所定の範囲は、－８％～１１％であり得る。したがって、新しい製造関連ばらつき値が、シミュレーションの各ラウンド中に分析物データの各部分について決定され得る。非限定的な例として、シミュレーションは、２０～４０ラウンド（例えば、３０ラウンド）にわたって実行され得る。

【0182】

分析物データから複数の特徴量が抽出される（ブロック１１０８）。例として、モデルマネージャ４０２の特徴量構築器４０８は、シミュレーションの各ラウンドから、シミュレートされた分析物センサ製造関連ばらつきを有さない分析物データと、シミュレートされた分析物センサ製造関連ばらつきの変動する量を有する分析物データと、を含む分析物データを受信し、抽出された分析物特徴量４１６を出力し得る。したがって、抽出された分析物特徴量４１６は、０％を含む、シミュレートされた製造関連ばらつきの各割合を有する分析物データについて出力され得る。

【0183】

複数の特徴量の組み合わせが、分析物センサ製造関連ばらつきに対する感度に関連付けられたロバスト性メトリックと、健康状態分類を予測することに関連付けられた性能メトリックと、について評価される（ブロック１１１０）。例として、複数の特徴量のうちの少なくとも２つの特徴量が、多変量モデル（例えば、二変量モデル）として組み合わされ、健康状態分類のモデル予測が生成され、転帰データ３０６と比較される。あるいは、複数の特徴量のうちの単一の特徴量が、単変量モデルにおいて使用され得る。図４に関して説明させるように、性能メトリック（例えば、性能メトリック４３０）は、状態分類の疾患を予測する正解率に従って複数の特徴量の各候補組み合わせをランク付けし得、ロバスト性メトリック（例えば、ロバスト性メトリック４３２）は、シミュレートされた製造関連ばらつきのパーセント変化当たりの性能メトリックのパーセント変化に従って複数の特徴量の各候補組み合わせをランク付けするために使用され得る。より高い性能メトリックは、候補組み合わせが状態の疾患を予測することに対してより感度が高くかつ特異的であることを示し得、より高いロバスト性メトリックは、候補組み合わせの性能が分析物センサ製造関連ばらつきによってより影響を受けないことを示し得る。あるいは、ロバスト性メトリックの代わりに、ロバスト性メトリックの逆数であるばらつき感度メトリックが使用されてもよい。より高いばらつき感度メトリックは、候補組み合わせの性能が、分析物センサ製造関連ばらつきによってより影響を受ける（例えば、製造関連ばらつきに対してより感度が高い）ことを示し得る。

【0184】

複数の特徴量の組み合わせが、ロバスト性メトリック及び性能メトリックに基づいて、機械学習モデルを介して健康状態分類を予測するためのロバストな特徴量の組み合わせであるように選択される（ブロック１１１２）。一例として、ロバスト性閾値（例えば、図５のロバスト性閾値５３０）を使用して、ロバスト性閾値を下回るロバスト性メトリック（又はロバスト性閾値を上回る感度メトリック）を有する候補組み合わせが更なる考慮から除外されるように、複数の特徴量の候補組み合わせをフィルタリングし得る。いくつかの例では、最も高い性能メトリックを有するフィルタリングされた候補組み合わせが、ロバストな特徴量の組み合わせ（例えば、図４のロバストな分析物特徴量の組み合わせ４３４）として選択され得る。したがって、ロバストな特徴量の組み合わせは、ロバスト性閾値よりも大きいロバスト性メトリック（又はロバスト性閾値未満であるばらつき感度メトリック）を有する組み合わせのうちの最大の性能メトリックを有する候補組み合わせであり得る。

【0185】

別の例として、性能メトリック閾値が、ロバスト性閾値の代わりに、又はロバスト性閾値に加えて使用され得る。例えば、性能メトリック閾値は、性能メトリック閾値未満である性能メトリックを有する複数の特徴量の候補組み合わせをフィルタ除去するために使用され得る。最も高いロバスト性メトリック（又は最も低いばらつき感度メトリック）を有する残りの候補組み合わせが、ロバストな特徴量の組み合わせとして選択され得る。

【0186】

更に別の例として、ロバストな特徴量の組み合わせを選択する際に追加の態様が評価され得る。図５に関して上記で言及されるように、これらの追加の態様は、候補の特徴量の組み合わせにおける特徴量の計算の容易さ、ハードウェアを単独で使用して候補の特徴量の組み合わせにおける特徴量を決定する能力、候補の特徴量の組み合わせにおける特徴量を計算するために必要とされるデータの量（例えば、複数日にわたる収集対、数時間にわたる収集）などを含み得るが、これらに限定されない。したがって、いくつかの実装態様では、追加のメトリックが、選択された数の上位候補の特徴量の組み合わせ（例えば、ロバスト性閾値によってフィルタ除去されない上位の性能メトリックを有するもの、又は性能メトリック閾値によってフィルタ除去されない上位のロバスト性メトリックを有するもの）について決定され得る。いくつかの実装態様では、追加のメトリックは、上位候補の特徴量の組み合わせの各々の性能メトリック及び／又はロバスト性メトリックと（例えば、加重和又は非加重和として）加算され得、最高の合計を有する上位候補の特徴量の組み合わせが、ロバストな特徴量の組み合わせとして選択され得る。

【0187】

また別の例として、ロバストな特徴量の組み合わせは、ロバスト性メトリックと性能メトリックとの組み合わせを最大化するために、各候補組み合わせについてのロバスト性メトリックと性能メトリックとの和に基づいて選択され得る。例えば、ロバスト性メトリックと性能メトリックとの最高和を有する候補組み合わせが、ロバストな特徴量の組み合わせとして選択され得る。いくつかの例では、和は、ロバスト性メトリックに対して性能メトリックにより多い又はより少ない重みを与えるために、加重和であり得る。

【0188】

このようにして、センサ間の製造ばらつき及び被験者間のばらつきに起因する、分析物測定値１１０の範囲又は期待されるばらつきに対して一貫した性能及び高い正解率を有する機械学習モデルを生成し得るロバストな分析物特徴量の組み合わせが選択され得る。ロバストな分析物特徴量の組み合わせを使用することによって、結果として得られる機械学習モデルの性能及びロバスト性は、単一の分析物特徴量を用いて達成され得るよりも効果的にバランスされ得る。

【0189】

図１２は、ユーザ母集団の履歴分析物測定値及び転帰データから抽出されたロバストな分析物特徴量に基づいて、機械学習モデルが健康状態分類を予測するように訓練される実装態様の一例における手順１２００を示す。

【0190】

ユーザ母集団のユーザによって装着されたウェアラブル分析物モニタリングデバイスによって収集された分析物測定値が取得される（ブロック１２０２）。例として、モデルマネージャ４０２は、ユーザ母集団３０４のユーザの分析物測定値１１０を取得する。健康状態に関連するユーザ母集団のユーザの１つ以上の態様を記述する転帰データが取得される（ブロック１２０４）。例として、モデルマネージャ４０２が、転帰データ３０６を取得する。上記で論じられる例では、転帰データは、ユーザ母集団３０４のユーザの独立した診断尺度３０８、ユーザ母集団３０４のユーザの観察された副作用３１０、及びユーザ母集団３０４のユーザの臨床診断３１２、のうちの１つ以上などの例示的な態様を記述する。

【0191】

訓練入力部分及び期待される出力部分を含む訓練データのインスタンスが生成され、訓練入力部分は、ロバスト性メトリック及び性能メトリックに基づいて選択されたユーザの分析物測定値の特徴量の組み合わせを含み、期待される出力部分は、ユーザに対応する転帰データの１つ以上の値を含む（ブロック１２０６）。本明細書で論じられる原理によれば、特徴量の組み合わせは、各ユーザの分析物測定値の少なくとも２つの抽出された特徴量を含む（例えば、図４に関して導入されたロバストな分析物特徴量の組み合わせ４３４）。ロバスト性メトリック及び性能メトリックに基づいて特徴量の組み合わせを選択することは、図１１の手順１１００に関して上記で更に説明されている。更に、期待される出力部分は、各ユーザに対応する転帰データの１つ以上の値を含む。例として、モデルマネージャ４０２は、ユーザ母集団３０４の各ユーザについて、ブロック１２０２で取得されたユーザの分析物測定値から抽出された特徴量の組み合わせを、ブロック１２０４で取得されたユーザの転帰データの１つ以上の値に関連付けることによって、訓練データのインスタンスを生成する。１つ以上の実装態様では、モデルマネージャ４０２は、特徴量の組み合わせを、ユーザに対応する転帰データの値を表す１つ以上のラベルで「ラベル付け」する。転帰データは、例えば、健康状態分類の臨床的に検証された指標を含み得る。

【0192】

ここで、ブロック１２０８～１２１４は、機械学習モデルが解に「収束」するまでなど、機械学習モデルが好適に訓練されるまで繰り返され得、例えば、モデルの内部重みは、モデルが期待される出力部分に実質的に一致する予測を一貫して生成するように、訓練反復に起因して好適に調整されていく。あるいは又は加えて、ブロック１２０８～１２１４は、訓練データのいくつかのインスタンス（例えば、全てのインスタンス）に対して繰り返され得る。

【0193】

訓練データのインスタンスの訓練入力部分は、機械学習モデルへの入力として提供される（ブロック１２０８）。例として、モデルマネージャ４０２は、ブロック１２０６で生成された訓練データのインスタンスの訓練入力部分を、機械学習モデル６０２への入力として提供する。

【0194】

健康状態分類の予測は、機械学習モデルからの出力として受信される（ブロック１２１０）。本明細書で論じられる原理によれば、健康状態分類の予測は、訓練インスタンスに含まれるユーザの転帰データの１つ以上の値と健康状態に関連する同じ態様に対応する。例として、機械学習モデル６０２は、ブロック１２０８で提供された訓練入力部分に基づいて、健康状態分類（例えば、「健康状態が存在する」クラス、「健康状態を発症するリスクがある」クラス、「健康状態が存在しない」クラス、又はそれらのクラスのうちの１つを示す値へのユーザの分類）を予測し、モデルマネージャ４０２は、健康状態分類を機械学習モデル６０２の出力として受信する。

【0195】

健康状態分類の予測は、訓練データのインスタンスの期待される出力部分と比較される（ブロック１２１２）。例として、モデルマネージャ４０２は、例えば、平均二乗誤差（mean squared error、ＭＳＥ）などの損失関数を使用することによって、ブロック１２１０で予測された健康状態分類を、ブロック１２０６で生成された訓練インスタンスの予想される出力部分と比較する。モデルマネージャ４０２は、説明される技法の趣旨又は範囲から逸脱することなく、訓練中に他の損失関数を使用して、機械学習モデル６０２の予測を期待される出力と比較し得ることを理解されたい。

【0196】

機械学習モデルの重みは、比較に基づいて調整される（ブロック１２１４）。例として、モデルマネージャ４０２は、比較に基づいて機械学習モデル６０２の内部重みを調整し得る。１つ以上の実装態様では、モデルマネージャ４０２は、訓練中に１つ以上のハイパーパラメータ最適化技法を任意選択で活用して、採用される学習アルゴリズムのハイパーパラメータを調節し得る。

【0197】

図１３は、観察期間中にウェアラブル分析物モニタリングデバイスによって収集されたユーザの分析物測定値に基づいて、機械学習モデルが健康状態分類を予測する実装態様の一例における手順１３００を示す。機械学習モデルは、例えば、手順１２００に従って訓練され得る。

【0198】

ユーザの分析物測定値が取得され、分析物測定値は、観察期間中にユーザによって装着されたウェアラブル分析物モニタリングデバイスによって収集される（ブロック１３０２）。例として、機械学習モデル６０２は、観察期間中にヒト１０２（例えば、ユーザ）によって装着された分析物モニタリングデバイス１０４によって収集される分析物測定値１１０を取得する。分析物モニタリングデバイス１０４は、例えば、ヒト１０２の分析物をモニタする目的で、観察キットの一部として提供され得る。分析物モニタリングデバイス１０４がヒト１０２によってどのように取得されるかにかかわらず、デバイスは、一般に複数日に及び期間にわたって続く観察期間中にヒト１０２の分析物レベルをモニタするように構成されている。分析物モニタリングデバイス１０４は、例えばヒト１０２の皮膚に皮下挿入され、かつヒト１０２の血液又は間質液中の分析物を測定するために使用され得る、分析物センサ２０２を有して構成され得る。

【0199】

全体を通して、ヒト１０２の皮膚に皮下挿入されるものとして論じられているが、１つ以上の実装態様では、分析物センサ２０２は、皮下挿入されなくてもよい。そのような実装態様では、分析物センサ２０２は、代わりにヒト１０２の皮膚又は筋肉上に配設され得る。例えば、分析物センサ２０２は、観察期間にわたってヒト１０２の皮膚に付着するパッチであり得る。次いで、このパッチは、剥がされ得る。あるいは又は加えて、非侵襲的分析物センサは、例えばフォトプレチスモグラフィ（photoplethysmography、ＰＰＧ）を使用する、光学ベースであってもよい。分析物センサ２０２は、説明される技法の趣旨又は範囲から逸脱することなく、ヒト１０２の分析物レベルを示す測定値を取得するように、多様な方途で構成され得る。

【0200】

ロバストな特徴量の組み合わせが分析物測定値から抽出され、ここで、ロバストな特徴量の組み合わせは、分析物センサ２０２の製造ばらつきに対する感度が低く、健康状態分類を予測するのに正確である（ブロック１３０４）。図４～図５及び図１１に関して上記で説明されるように、ロバストな特徴量の組み合わせは、複数の抽出された分析物特徴量４１６からの少なくとも２つの抽出された分析物特徴量を含み得る。例として、ロバストな特徴量の組み合わせの第１の分析物特徴量は、健康状態分類を正確に予測するためのより高い性能メトリック（例えば、図４の性能メトリック４３０）と、分析物センサバイアスなどの分析物センサの製造ばらつきに対する鈍感さのためのより低いロバスト性メトリック（例えば、図４のロバスト性メトリック４３２）と、を有し得、ロバストな特徴量の組み合わせの第２の分析物特徴量は、（例えば、第１の分析物特徴量よりも）より高いロバスト性メトリック及びより低い性能メトリックを有し得る。例示的な例として、第１の分析物特徴量は、図４の値ベースの特徴量４２６のうちの１つなどの、ヒト１０２の血液中の分析物レベル又は分析物上昇の程度を表し得る。別の例示的な例として、第２の分析物特徴量は、図４の傾向関連特徴量４１８又はばらつき及び安定性特徴量４２２のうちの１つなどの、分析物パターン又は傾向を表し得る。

【0201】

ユーザの健康状態分類は、１つ以上の機械学習モデルを使用して抽出されたロバストな特徴量の組み合わせを処理することによって予測される（ブロック１３０６）。本明細書で論じられる原理によれば、１つ以上の機械学習モデルは、図１２に関して上記で説明される手順１２００に従うなど、ユーザ母集団の履歴分析物測定値及び履歴転帰データに基づいて生成される。例として、機械学習モデル６０２は、健康状態分類１１６を予測する。機械学習モデル６０２は、訓練中に学習された、ロバストな特徴量の組み合わせのパターンと、ユーザ母集団３０４の転帰データ３０６と、に基づいて、抽出されたロバストな特徴量の組み合わせを処理することによって、この予測を生成する。上述したように、ユーザ母集団３０４は、分析物モニタリングデバイス１０４などのウェアラブル分析物モニタリングデバイスを装着するユーザを含む。個々の抽出された分析物特徴量ではなく、ロバストな特徴量の組み合わせを一緒に処理することによって、性能及び製造ばらつきロバスト性は、一貫した正確なモデル性能のためにバランスされ得る。

【0202】

健康状態分類が出力される（ブロック１３０８）。例として、機械学習モデル６０２は、健康状態分類１１６を出力する。全体を通して論じられるように、健康状態分類１１６は、ヒトが健康状態を有すると予測されるかどうか、又は健康状態に関連付けられた副作用を経験すると予測されるかどうかを示し得る。また、健康状態分類１１６を使用して、健康状態分類を含む（例えば、ヒトが健康状態を有すると予測される）、ヘルスケア提供者に向けられた報告、又はヒト１０２に自分のヘルスケア提供者に連絡するように指示する、ヒトに向けられた通知などの分類に基づいて、１つ以上の通知又はユーザインターフェースを生成してもよい。

【0203】

実装態様の実施例：工場で較正されたＣＧＭシステムを使用して２型糖尿病を診断する
２型糖尿病（Type 2 diabetes、Ｔ２Ｄ）は、世界中で４億人を超える人々に影響を与えている進行性疾患であり、長期の血管合併症につながり得る。Ｔ２Ｄに進行する前に、多くは、軽度に上昇したグルコースレベルによって特徴付けられる前糖尿病を最初に発症する。前糖尿病及びＴ２Ｄを有する者にとって、適正な診断及び管理は、血糖コントロールを改善し、糖尿病関連合併症のリスクを低減することができる。

【0204】

本明細書で前述したように、臨床及び規制団体は、典型的には空腹時血漿グルコース（ＦＰＧ）、２時間血漿グルコース（２Ｈｒ－ＰＧ）、ランダム血漿グルコース（ＲＰＧ）値、及びヘモグロビンＨｂＡ１ｃ（ＨｂＡ１ｃ）に基づく、Ｔ２Ｄを診断するための基準を策定している。ＦＰＧ及び２Ｈｒ－ＰＧの両方は、経口ブドウ糖負荷検査（ＯＧＴＴ）の一部であるが、ＦＰＧは、ＯＧＴＴとは別個に検査され得る。各検査は、いくつかの長所及び限界を有する。ＦＰＧ検査は、診療所で実施するのが容易であるが、採血前の一晩の絶食に依拠する。ＯＧＴＴからの２Ｈｒ－ＰＧ測定は、ＦＰＧ単独よりも感度が高く、糖尿病を示す食後グルコーススパイクを捕捉する。１４０ｍｇ／ｄＬ未満である血糖値は「正常」とみなされるのに対して、２００ｍｇ／ｄＬよりも大きい読み取り値は、糖尿病を示す。１４０～１９９ｍｇ／ｄＬの読み取り値は、前糖尿病を示す。しかしながら、この検査は、絶食及び食事準備に依拠し、２時間にわたる少なくとも２回の採血で時間がかかり、再現性が相対的に低い（例えば、６０～８０％の範囲）。したがって、ＦＰＧ値及び２Ｈｒ－ＰＧ値の両方が診断閾値を上回らない限り、診断を確認するためにＯＧＴＴを繰り返すことが推奨される。

【0205】

ＲＰＧ検査はいつでも実施できるが、明白な糖尿病症状を伴わない限り、それ自体では容認される診断ではない。ＨｂＡ１ｃ検査は、絶食に依拠せず、正確で再現性がある。しかしながら、ＨｂＡ１ｃはグルコースの直接的な尺度ではなく、ＨｂＡ１ｃ値は、貧血、異常ヘモグロビン症、人種、及びＨｂＡ１ｃ測定値とフルクトサミン測定値との間の不一致に対応するいわゆる「糖化ギャップ」を含む因子によって影響を受け得る。これらの状態は、ＨｂＡ１ｃ結果とＯＧＴＴ結果との間の準最適な一致とともに、誤診及び治療の遅延につながる場合があり、このことは、健康及び経済的に有害な結果をもたらし得る。

【0206】

連続グルコースモニタリングシステム（ＣＧＭ）システムは、例えば、所定の間隔で、血液又は間質液からグルコースレベルを報告する。非限定的な例として、所定の間隔は、５分間隔である。様々な実装態様では、ＣＧＭシステムは、分析物モニタリングデバイス１０４を含む。したがって、ＣＧＭシステムに関する追加の詳細が、図１及び図２に関して上記で説明されている。ＣＧＭシステムが連続して（例えば、取り外されることなく）装着される個々のセンサセッションは、１０日間などの所定の観察期間にわたって持続し得、糖尿病管理を支援するためにＣＧＭシステム装着者（例えば、ユーザ）にグルコース濃度データを利用可能にすることができる。あるいは又は加えて、「ブラインドモード」で実行されるセッションについて、センサデータを記録することができるが、表示することはできない。リアルタイムＣＧＭデータは、例えば、即時の治療意思決定を通知することができる現在のグルコース濃度推定値及び傾向を含む。更に、ＣＧＭデータの遡及的分析は、より長期の介入、調整、又は糖尿病関連合併症のリスクを通知する要約統計をもたらすことができる。

【0207】

治療診断検査の現在の標準の限界を考慮して、説明される技法に従って、アルゴリズムが、Ｔ２Ｄの代替診断として、観察期間からのＣＧＭデータを使用する。本実施例では、二値分類診断ＣＧＭ（diagnostic CGM、ｄＣＧＭ）アルゴリズムを使用して、Ｔ２Ｄのための分類を生成する。１つ以上の実装態様では、ＨｂＡ１ｃ測定値は、正常血糖、前糖尿病、又はＴ２Ｄの糖尿病ステータスに対応するものとして測定値を分類するタグと対にされる。観察されたＣＧＭ由来のメトリックがまた、観察されたＨｂＡ１ｃ測定値と対にされてもよく、その結果、糖尿病ステータスを、訓練データにおいて、そのようなＣＧＭ由来のメトリックと対にすることができる。ｄＧＣＭアルゴリズムを訓練するために、血糖ばらつき、範囲内時間、リスク評価スコアなどのメトリックを含む広範囲のＣＧＭ由来のメトリック（例えば、特徴量）を糖尿病ステータスと組み合わせ得る。そのようなメトリックの更なる例は、抽出された分析物特徴量４１６によって表され、図４に関して説明される。１つ以上の実装態様では、特徴量重要度が、ｋ分割交差検証において評価され、所望のＣＧＭメトリックは、判別力、解釈可能性、及び共線性に基づいて、下方選択され得る。

【0208】

１つ以上の実装態様では、ｄＣＧＭアルゴリズムは、入力として、血糖レベル（例えば、１４０ｍｇ／ｄＬを上回る時間）及び定量化されたばらつき（例えば、四分位範囲）を評価するメトリックの組み合わせを利用するように訓練される。これらのＣＧＭデータ由来のメトリックの有用性を更に例示するために、血糖レベルと糖尿病ステータスに関するばらつきとの間の相関が、図１４に示されている。図１４は、１４０ｍｇ／ｄＬを上回るパーセント時間（縦軸）及び四分位範囲（横軸）のプロット１４００を示す。凡例１４０２は、塗りつぶし及び形状に従って各データポイントに関連付けられた糖尿病ステータスを示す。この例では、正常血糖ユーザ１４０４（例えば、５．７％未満のＨｂＡ１ｃ測定値を有するユーザ）からのデータポイントは、黒塗りの逆三角形によって表され、前糖尿病ユーザ１４０６（例えば、５．７％以上６．５％未満のＨｂＡ１ｃ測定値を有するユーザ）からのデータポイントは、斜線でシェーディングを施された円によって表され、Ｔ２Ｄユーザ１４０８（例えば、少なくとも６．５％のＨｂＡ１ｃ測定値を有するユーザ）からのデータポイントは、白塗りの三角形（例えば、シェーディングなし）によって表されている。

【0209】

プロット１４００によって例証されるように、四分位範囲に対して１４０ｍｇ／ｄＬを上回るパーセント時間をプロットすることは、Ｔ２Ｄを伴うユーザと伴わないユーザとの分離をもたらす。例えば、Ｔ２Ｄユーザ１４０８は、１４０ｍｇ／ｄＬ値を上回るより高いパーセント時間及びより高い四分位範囲値（例えば、プロット１４００の右上）で相対的にクラスタ化されている一方、正常血糖ユーザ１４０４及び前糖尿病ユーザ１４０６は、１４０ｍｇ／ｄＬ値を上回るより低いパーセント時間及びより低い四分位範囲値（例えば、プロット１４００の左下）で相対的にクラスタ化されている。１４０ｍｇ／ｄＬを上回って費やされる時間は、健康な個体ではまれであるため、このＣＧＭメトリックは、Ｔ２Ｄを診断するための、又はＴ２Ｄを発症するリスクを評価するための閾値として使用され得る。

【0210】

実生活条件下で測定されたＣＧＭデータによって生成された豊富な情報は、図４～図７及び図１１～図１３に関して上記で詳細に説明されるような、糖尿病をスクリーニングし、かつ糖尿病リスクを予測するための機械学習ベースのアルゴリズムを訓練するための特徴量抽出及び特徴量選択を可能にする。本実施例は、数日間装着され、単一センサ着用セッションからの盲検遡及データである工場で較正されたＣＧＭシステムを採用しているが、他の実施例は、他の較正、他の装着持続時間、２つ以上のセンサ装着セッションなどを有するＣＧＭセンサからのデータを使用してもよい。更に、本実施例は、Ｔ２Ｄを診断するための二値分類アルゴリズムを説明しているが、ｄＣＧＭアルゴリズムは、糖尿病のタイプ、糖尿病を発症するリスク、糖尿病に関連する健康への副作用を発症する予測などを分類するように適合されてもよい。

【0211】

１４０ｍｇ／ｄＬを上回るパーセント時間及び四分位範囲は、Ｔ２Ｄを有するもの及び有さないものの分類について高い判別力を有するＣＧＭメトリックの解釈可能なセットの一例を表す。ただし、高密度ＣＧＭデータに基づく異なる、かつ／又は追加のメトリックの他の組み合わせが、他のｄＣＧＭアルゴリズムにおけるこれらのユーザ間の血糖異常の差異を解決するために使用され得ることを理解されたい。

【0212】

１つ以上の実装態様による手順の例について説明してきたため、ここで、本明細書に説明される様々な技法を実装するために利用され得るシステム及びデバイスの例を検討する。

【0213】

システム及びデバイスの実施例
図１５は、全体的に１５００において、システムの一実施例を例示しており、このシステムは、本明細書に記載の様々な技術を実装し得る１つ以上のコンピューティングシステム及び／又はデバイスを表すコンピューティングデバイス１５０２の一実施例を含む。このことは、プラットフォームレベル及び個々のコンピューティングデバイスレベルにおける予測システム１１４の包含を通して例示されている。予測システム１１４は、一方のレベル若しくは他方のレベルで、又は少なくとも部分的に両方のレベルで実装され得る。コンピューティングデバイス１５０２は、例えば、サービスプロバイダのサーバ、クライアントに関連付けられたデバイス（例えば、クライアントデバイス）、オンチップシステム、及び／又は任意の他の好適なコンピューティングデバイス若しくはコンピューティングシステムであり得る。

【0214】

例示されるようなコンピューティングデバイス１５０２の実施例は、処理システム１５０４、１つ以上のコンピュータ可読媒体１５０６、及び互いに通信可能に結合されている１つ以上の入力／出力（input/output、Ｉ／Ｏ）インターフェース１５０８を含む。図示されていないが、コンピューティングデバイス１５０２は、様々な構成要素を互いに結合するシステムバス又は他のデータ及びコマンド転送システムを更に含み得る。システムバスは、メモリバス若しくはメモリコントローラ、ペリフェラルバス、ユニバーサルシリアルバス、及び／又は多様なバスアーキテクチャのいずれかを利用するプロセッサ若しくはローカルバスなどの異なるバス構造のうちの任意の１つ又は組み合わせを含み得る。制御ライン及びデータラインなど、多様な他の例も企図されている。

【0215】

処理システム１５０４は、ハードウェアを使用して１つ以上の動作を実行するための機能を表す。したがって、処理システム１５０４は、プロセッサ、機能ブロックなどとして構成され得るハードウェア要素１５１０を含むものとして例示されている。これは、１つ以上の半導体を使用して形成された特定用途向け集積回路又は他のロジックデバイスとして、ハードウェア内の実装態様を含み得る。ハードウェア要素１５１０は、それらが形成される材料、又はその中に採用される処理機構によっては限定されない。例えば、プロセッサは、半導体及び／又はトランジスタ（例えば、電子集積回路（electronic integrated circuits、ＩＣ））で構成され得る。このようなコンテキストでは、プロセッサ実行可能な命令は、電子的に実行可能な命令であり得る。

【0216】

コンピュータ可読媒体１５０６は、メモリ／記憶装置１５１２を含むものとして例示されている。メモリ／記憶装置１５１２は、１つ以上のコンピュータ可読媒体に関連付けられたメモリ／記憶容量を表す。メモリ／記憶装置１５１２は、揮発性媒体（ランダムアクセスメモリ（random access memory、ＲＡＭ）など）及び／又は不揮発性媒体（読み出し専用メモリ（read only memory、ＲＯＭ）、フラッシュメモリ、光ディスク、磁気ディスクなど）を含み得る。メモリ／記憶装置１５１２は、固定媒体（例えば、ＲＡＭ、ＲＯＭ、固定ハードドライブなど）、並びに取り外し可能媒体（例えば、フラッシュメモリ、取り外し可能ハードドライブ、光ディスクなど）を含み得る。コンピュータ可読媒体１５０６は、以下で更に説明されているように、多様な他の方法で構成され得る。

【0217】

入力／出力インターフェース１５０８は、ユーザが、コマンド及び情報をコンピューティングデバイス１５０２に入力することを可能にし、かつ又は、様々な入力／出力デバイスを使用して情報がユーザ及び／又は他の構成要素若しくはデバイスに提示されることを可能にする機能を表す。入力デバイスの例としては、キーボード、カーソル制御デバイス（例えば、マウス）、マイクロフォン、スキャナ、タッチ機能（例えば、物理的接触を検出するように構成されている容量型センサ又は他のセンサ）、カメラ（例えば、可視波長、又は赤外線周波数などの非可視波長を採用して、非接触ジェスチャーとして動きを認識することができる）などが挙げられる。出力デバイスの例は、ディスプレイデバイス（例えば、モニタ又はプロジェクタ）、スピーカ、プリンタ、ネットワークカード、触覚応答デバイスなどを含む。したがって、コンピューティングデバイス１５０２は、以下に更に説明されているように、様々な方法で構成されて、ユーザ相互作用をサポートすることができる。

【0218】

本明細書では、ソフトウェア、ハードウェア要素、又はプログラムモジュールの一般的なコンテキストで様々な技法が記載され得る。一般に、そのようなモジュールは、特定のタスクを実行するか、又は特定の抽象データ型を実装するルーティン、プログラム、オブジェクト、エレメント、コンポーネント、データ構造などを含む。本明細書で使用される場合、「モジュール」、「機能」、及び「構成要素」という用語は、一般に、ソフトウェア、ファームウェア、ハードウェア、又はそれらの組み合わせを表す。本明細書に記載の技法の特徴は、プラットフォームに依存せず、つまり、この技法は、多様なプロセッサを有する多様な商用計算プラットフォームに実装され得ることを意味する。

【0219】

記載されるモジュール及び技法の実装態様は、コンピュータ可読媒体１５０６などの何らかの形態のコンピュータ可読媒体上に記憶され得るか、又はこのコンピュータ可読媒体を介して送信され得る。コンピュータ可読媒体は、コンピューティングデバイス１５０２によってアクセスされ得る様々な媒体を含み得る。限定ではなく、例として、コンピュータ可読媒体は、「コンピュータ可読記憶媒体」及び「コンピュータ可読信号媒体」を含み得る。

【0220】

「コンピュータ可読記憶媒体」とは、単なる信号送信、搬送波、又は信号それ自体とは対照的に、情報の永続的及び／又は非一時的記憶を可能にする媒体及び／又はデバイスを指し得る。したがって、コンピュータ可読記憶媒体は、非信号担持媒体を指す。コンピュータ可読記憶媒体は、揮発性及び非揮発性、取り外し可能及び非取り外し可能媒体などのハードウェア、並びに／又はコンピュータ可読命令、データ構造、プログラムモジュール、論理要素／回路、若しくは他のデータなどの情報の記憶に好適な方法若しくは技術で実装された記憶デバイスを含む。コンピュータ可読記憶媒体の例は、ＲＡＭ、ＲＯＭ、ＥＥＰＲＯＭ、フラッシュメモリ若しくは他のメモリ技術、ＣＤ－ＲＯＭ、デジタル多用途ディスク（digital versatile disk、ＤＶＤ）若しくは他の光記憶装置、ハードディスク、磁気カセット、磁気テープ、磁気ディスク記憶装置若しくは他の磁気記憶デバイス、若しくは他の記憶デバイス、有形媒体、又は所望の情報を記憶するのに好適であり、かつコンピュータによってアクセスされ得る製品を含み得るが、これらに限定されない。

【0221】

「コンピュータ可読信号媒体」とは、ネットワークなどを介して、コンピューティングデバイス１５０２のハードウェアに命令を送信するように構成されている信号担持媒体を指し得る。信号媒体は、通常、コンピュータ可読命令、データ構造、プログラムモジュール、又は搬送波、データ信号、若しくは他の輸送機構などの変調されたデータ信号における他のデータを具体化し得る。信号媒体は、任意の情報送達媒体も含む。「変調されたデータ信号」という用語は、信号における情報を符号化するような様式で設定又は変更されたその特性のうちの１つ以上を有する信号を意味する。限定ではないが例として、通信媒体は、有線ネットワーク又は直接有線接続などの有線媒体、及び音響、ＲＦ、赤外線、及び他の無線媒体などの無線媒体を含む。

【0222】

先に説明されるように、ハードウェア要素１５１０及びコンピュータ可読媒体１５０６は、いくつかの実施形態において採用されて、１つ以上の命令を実行するためなどの、本明細書で説明される技法の少なくともいくつかの態様を実装し得る、ハードウェア形態で実装されたモジュール、プログラマブルデバイスロジック、及び／又は固定デバイスロジックを表す。ハードウェアは、集積回路又はオンチップシステムの構成要素、特定用途向け集積回路（application-specific integrated circuit、ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（field-programmable gate array、ＦＰＧＡ）、複雑なプログラマブルロジックデバイス（complex programmable logic device、ＣＰＬＤ）、及びシリコン又は他のハードウェアにおける他の実装態様を含み得る。このコンテキストにおいて、ハードウェアは、ハードウェアによって具現化された命令及び／又はロジックによって定義されるプログラムタスク、並びに、実行のための命令を格納するために利用されるハードウェア、例えば、以前説明されたコンピュータ可読記憶媒体、を実行する処理デバイスとして動作することができる。

【0223】

前述の組み合わせを用いて、本明細書に記載の様々な技法を実装し得る。したがって、ソフトウェア、ハードウェア、又は実行可能モジュールは、何らかの形態のコンピュータ可読記憶媒体上に、かつ／又は１つ以上のハードウェア要素１５１０によって具現化された１つ以上の命令及び／又はロジックとして実装され得る。コンピューティングデバイス１５０２は、ソフトウェア及び／又はハードウェアモジュールに対応する特定の命令及び／又は機能を実装するように構成され得る。したがって、コンピューティングデバイス１５０２によって、ソフトウェアとして実行可能であるモジュールの実装態様は、例えばコンピュータ可読記憶媒体１５０６、及び／又は処理システム１５０４のハードウェア要素１５１０の使用を介して、少なくとも部分的にハードウェアで達成され得る。命令及び／又は機能は、本明細書で説明される技法、モジュール、及び例を実装するための１つ以上の製造物品（例えば、１つ以上のコンピューティングデバイス１５０２及び／又は処理システム１５０４）によって実行可能／動作可能であり得る。

【0224】

本明細書で説明される技法は、コンピューティングデバイス１５０２の様々な構成によってサポートされ得、本明細書で説明される技法の特定の例に限定されない。この機能はまた、以下に説明されるように、プラットフォーム１５１６を介した「クラウド」１５１４上などでの分散システムの使用を通じて、全て又は部分的に実装され得る。

【0225】

クラウド１５１４は、リソース１５１８のためのプラットフォーム１５１６を含み、かつ／又は表す。プラットフォーム１５１６は、クラウド１５１４のハードウェアリソース（例えば、サーバ）及びソフトウェアリソースの基礎となる機能を抽象化する。リソース１５１８は、コンピューティングデバイス１５０２から遠隔にあるサーバ上でコンピュータ処理が実行されている間に利用することができるアプリケーション及び／又はデータを含み得る。リソース１５１８はまた、インターネットを介して、かつ／又はセルラーネットワーク若しくはＷｉ－Ｆｉネットワークなどの加入者ネットワークを介して提供されるサービスも含むことができる。

【0226】

プラットフォーム１５１６は、コンピューティングデバイス１５０２を他のコンピューティングデバイスと接続するためのリソース及び機能を抽象化することができる。プラットフォーム１５１６はまた、リソースのスケーリングを抽象化して、プラットフォーム１５１６を介して実装されている、リソース１５１８が直面した需要に対応するスケールレベルを提供する役割も果たすことができる。したがって、相互接続されたデバイスの実施形態では、本明細書に説明されている機能の実装態様は、システム１５００全体にわたって分散することができる。例えば、機能は、部分的にコンピューティングデバイス１５０２上に、並びにクラウド１５１４の機能を抽象化するプラットフォーム１５１６を介して、実装され得る。

【0227】

いくつかの態様では、本明細書に記載の技法は、ロバスト性メトリック及び性能メトリックに基づいて、複数の特徴量の特徴量の組み合わせを選択することが、性能閾値に対する複数の候補組み合わせの各々の性能メトリックに基づいて、複数の特徴量の複数の候補組み合わせをフィルタリングすることと、ロバスト性メトリックについて最高値を有するフィルタリングされた候補組み合わせを特徴量の組み合わせとして選択することと、を更に含む、方法に関する。

【0228】

いくつかの態様では、本明細書に記載の技法は、ロバスト性メトリック及び性能メトリックに基づいて複数の特徴量のうちの特徴量の組み合わせを選択することが、特徴量の組み合わせとしてロバスト性メトリックと性能メトリックとの組み合わせを最大化する特徴量の複数の候補組み合わせから候補組み合わせを選択することを更に含む、方法に関する。

【0229】

いくつかの態様では、本明細書に記載の技法は、ユーザ母集団の転帰データを使用して健康状態分類を予測するために１つ以上の機械学習モデルを訓練することを更に含む方法に関する。

【0230】

いくつかの態様では、本明細書に記載の技法は、個々の性能メトリックが、第２の特徴量よりも第１の特徴量について高く、個々のロバスト性メトリックが、第１の特徴量よりも第２の特徴量について高い、方法に関する。

【0231】

いくつかの態様では、本明細書に記載の技法は、個々の性能メトリック及び個々のロバスト性メトリックが、両方とも、第２の特徴量よりも第１の特徴量について高い、方法に関する。

【0232】

いくつかの態様では、本明細書に記載の技法は、第１の特徴量及び第２の特徴量のうちの少なくとも１つが、分析物測定値の値ベースの特徴量である、方法に関する。

【0233】

いくつかの態様では、本明細書に記載の技法は、健康状態分類が、健康状態の存在、健康状態の不在、健康状態の重症度の程度、健康状態に関連付けられた副作用、及び／又は健康状態に関連付けられた臨床診断値を記述する指標である、方法に関する。

【0234】

いくつかの態様では、本明細書に記載の技法は、ユーザの健康状態分類に基づいて通知を生成することを更に含む、方法に関する。

【0235】

いくつかの態様では、本明細書に記載の技法は、通知が、ユーザの健康状態分類を含むユーザのヘルスケア提供者に向けられたレポートを含む、方法に関する。

【0236】

いくつかの態様では、本明細書に記載の技法は、通知が、ユーザに出力され、ユーザのヘルスケア提供者に連絡するための指示を含む、方法に関する。

【0237】

いくつかの態様では、本明細書に記載の技法は、ユーザの分析物データが、観察期間にわたって分析物センサによって測定され、観察期間が、複数日に及び、デバイスに関する。

【0238】

いくつかの態様では、本明細書に記載の技法は、健康状態に関するユーザの状態が、健康状態の不在、健康状態の存在、健康状態の重症度、健康状態のタイプ、及びユーザが健康状態に関連付けられた副作用を経験する確率、のうちの少なくとも１つである、デバイスに関する。

【0239】

いくつかの態様では、本明細書に記載の技法は、観察期間中にユーザによって装着された分析物モニタリングデバイスの分析物センサを介して、観察期間中にユーザの分析物測定値を取得することと、ユーザの分析物測定値から第１の特徴量及び第２の特徴量を抽出することと、第１の特徴量と第２の特徴量との組み合わせを機械学習モデルに提供することと、機械学習モデルから健康状態分類の予測を受信することと、を含む、デバイスに関する。

【0240】

いくつかの態様では、本明細書に記載の技法は、機械学習モデルから受信された健康状態分類の予測に基づいて通知を生成することを更に含む、方法に関する。

【0241】

いくつかの態様では、本明細書に記載の技法は、通知を生成することが、ユーザに出力され、かつ健康状態分類の予測を含まない指示を含む第１の通知と、ユーザのヘルスケア提供者に出力され、かつ健康状態分類の予測を含む第２の通知と、のうちの少なくとも１つを生成することを含む、方法に関する。

【0242】

いくつかの態様では、本明細書で説明する技法は、第１の特徴量が、振幅ベースの特徴量、範囲内時間ベースの特徴量、範囲外時間ベースの特徴量、安定性ベースの特徴量、又は事象発生ベースの特徴量を含む、方法に関する。

【0243】

いくつかの態様では、本明細書に記載の技法は、第２の特徴量が、傾向ベースの特徴量、ばらつきベースの特徴量、周波数に関連する特徴量、又は自己相関特徴量を含む、方法に関する。

【0244】

いくつかの態様では、本明細書に記載の技法は、健康状態分類が、糖尿病分類であり、分析物測定値が、グルコース測定値である、方法に関する。

【0245】

いくつかの態様では、本明細書に記載の技法は、糖尿病分類が、観察期間中のユーザの状態を妊娠糖尿病を有するか、又は妊娠糖尿病を有さないと記述する指標である、方法に関する。

【0246】

いくつかの態様では、本明細書に記載の技法は、糖尿病分類が、観察期間中のユーザの状態を、糖尿病を有する、糖尿病有さない、又は前糖尿病を有するとして記述する指示である、方法に関する。

【0247】

いくつかの態様では、本明細書に記載の技法は、糖尿病分類が、ユーザが経験すると予測される糖尿病の１つ以上の副作用の指標である、方法に関する。

【0248】

いくつかの態様では、本明細書に記載の技術は、第１の特徴量が、分析物測定値の値ベースの特徴量であり、第２の特徴量が、分析物測定値のパターンベースの特徴量である、方法に関する。

【0249】

いくつかの態様では、本明細書に記載の技法は、第１の特徴量及び第２の特徴量の各々が、分析物測定値の値ベースの特徴量である、方法に関する。

【0250】

いくつかの態様では、本明細書に記載の技法は、第１の特徴量及び第２の特徴量の各々が、分析物測定値のパターンベースの特徴量である、方法に関する。

【0251】

いくつかの態様では、本明細書に記載の技法は、第１の特徴量と第２の特徴量との組み合わせが、ユーザ母集団の履歴分析物測定値における製造関連分析物センサばらつきをシミュレートしながら、ユーザ母集団の臨床的に決定された健康状態分類を予測する際の第１の特徴量と第２の特徴量との組み合わせの性能に基づいて選択される、方法に関する。

【0252】

いくつかの態様では、本明細書に記載の技法は、観察期間中にユーザによって装着された分析物モニタリングデバイスの分析物センサを介して、観察期間中にユーザの分析物測定値を取得することと、ユーザの分析物測定値から特徴量を抽出することと、特徴量を機械学習モデルに提供することと、機械学習モデルから健康状態分類の予測を受信することと、を含む、方法に関する。

【0253】

いくつかの態様では、本明細書に記載の技法は、分析物センサの製造ばらつきに対する鈍感さに関連付けられたロバスト性メトリックと、健康状態分類を予測することに関連付けられた性能メトリックと、に基づいて、特徴量を選択することを更に含む、方法に関する。

【0254】

いくつかの態様では、本明細書に記載の技法は、健康状態分類の予測を含まない指示を含む第１の通知と、健康状態分類の予測を含む第２の通知と、のうちの少なくとも１つを生成することを更に含む、方法に関する。

【0255】

結論
システム及び技法は、構造的特徴及び／又は方法論的行為に固有の言語で記載されているが、添付の特許請求の範囲で定義されるシステム及び技法は、必ずしも記載される特定の特徴又は行為に限定されないと理解するべきである。むしろ、特定の特徴及び行為は、特許請求される主題を実装する形態の実施例として開示されている。

【符号の説明】

【0256】

１００ 環境
１０２ ヒト
１０４ 分析物モニタリングデバイス
１０６ 観察キットプロバイダ
１０８ 観察分析プラットフォーム
１１０ 分析物測定結果
１１２ 記憶デバイス
１１４ 予測システム
１１６ 健康状態分類
１１８ センサデータ

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【国際調査報告】