非参数葡萄糖预测因子制造技术

本发明专利技术公开了，预测个体患者的未来血糖浓度的方法包括：通过评估多个脉冲响应函数来识别葡萄糖

【技术实现步骤摘要】
【国外来华专利技术】非参数葡萄糖预测因子
[0001]相关申请的交叉引用
[0002]本申请要求2020年12月23日提交的美国临时申请63/129,952的权益，其全部内容以引用方式并入本文。

技术介绍

[0003]被称为1型糖尿病(T1D)的自体免疫代谢疾病的特征在于负责胰岛素产生的胰腺β细胞的破坏。由此导致的不能产生胰岛素(葡萄糖稳态中的一种重要激素)与体内异常的血糖(BG)水平相关联。为了将BG保持在安全范围内，T1D患者需要通过外部输注给自己施用胰岛素。长期来看可导致若干并发症的体内高葡萄糖水平可由胰岛素施用不足引起。相反，低血糖(BG小于70mg/dL)代表对受试者的生命的直接威胁，并且它可由胰岛素过度治疗引起。
[0004]T1D管理可通过对未来葡萄糖水平的准确预测以及通过特定警报系统的设计而得到相当大的改善，通过该特定警报系统可检测并预防即将发生的危急情况。在T1D管理中的另一个有前途的进步是所谓的人工胰腺(AP)，一种使用闭环控制(CLC)算法自动调节胰岛素输注的系统，并且在其中参考：利用预测模型的用于AP的若干控制算法，包括模型预测控制(MPC)。
[0005]预测性警报系统和AP两者的关键组成部分是用于描述葡萄糖动力学的数学模型，其必须能够处理受试者间和受试者内变异性：葡萄糖对胰岛素和膳食的响应在每个人中是不同的，并且甚至在同一患者中随时间推移是不同的。该问题可以通过学习和更新葡萄糖
‑
胰岛素动力学的患者特异性模型并且使用它们来设计个体化预测性警报算法或者个体化AP系统的基于该模型的CLC算法来解决。

技术实现思路

[0006]在一个方面中，本文描述了使用黑箱模型学习算法来产生对患者特异性葡萄糖
‑
胰岛素系统的描述的系统和方法，该患者特异性葡萄糖
‑
胰岛素系统可被集成到例如葡萄糖预测和控制算法中。在一些实施方案中，采用线性时不变模型。选择此类模型具有多个优点。首先，对于这类模型，在文献中已经深入研究了参数评估算法，使得强大的收敛结果和统计特性分析可用。其次，这些模型可用于简单地通过依靠公认且计算方便的技术(诸如卡尔曼滤波器)来生成预测。第三，它们非常适合于基于模型的控制方案，诸如模型预测控制(MPC)，从而提供计算方面简约的实现方式。最后，尽管代谢生理学是非线性的，但是各种实验(计算机内和体内两者)指示了线性近似可能足以捕获成功控制设计所必需的动力学特征。
[0007]除了使用预测误差方法(PEM)识别的经典参数模型(ARX、ARMAX、ARIMAX、Box
‑
Jenkins)之外，在一些实施方案中，可使用用于线性黑箱模型识别的新出现的范例，非参数方法。已经在初步评估中示出，相对于在初步评估中对葡萄糖
‑
胰岛素数据的传统识别方法，该方法表现出优异的预测性能。
[0008]在本文所述的系统和技术的其他实施方案中，参数方法中可用的各种自由度可用
于评估它们的影响。具体地讲，在各种系统参数化、各种模型阶数选择标准和不同参数评估方法之间进行了比较。采用大实验数据集来执行对各种模型学习技术的评估，该大实验数据集对于11名T1D个体的群体使用AP系统24/7并持续5个月来收集。结果示出，在一些情况下，相对于参数方法，非参数线性模型学习提供了统计学上显著的改善。
[0009]在一个具体方面，提供了预测个体患者的未来血糖浓度的方法。该方法包括：通过评估多个脉冲响应函数来识别葡萄糖
‑
胰岛素的个体化线性黑箱模型，每个脉冲响应函数说明多个个体化患者数据集的输入
‑
输出关系，该脉冲响应函数是再生核希尔伯特空间(RKHS)中的函数；并且使用识别的脉冲响应函数将线性预测技术应用于选择的模型，以获得该个体患者在未来时间的预测血糖浓度。
[0010]在该具体方面的一个实施方案中，线性预测技术是卡尔曼滤波器。
[0011]在该具体方面的另一实施方案中，个体化线性黑箱模型是时不变模型。
[0012]在该具体方面的另一个实施方案中，该多个个体化输入患者数据集包括该个体患者随时间推移的先前葡萄糖水平的数据集、该个体患者的膳食摄入数据以及随时间推移递送至该个体患者的外源性胰岛素。
[0013]在该具体方面的另一个实施方案中，执行膳食摄入数据和被递送的外源性胰岛素的5次预处理以将膳食摄入数据与被递送的外源性胰岛素解耦，使得膳食摄入数据和被递送的外源性胰岛素不是彼此线性依赖性的。
[0014]在该具体方面的另一个实施方案中，该个体患者随时间推移的先前葡萄糖水平的数据集由连续葡萄糖监测器提供。
[0015]在该具体方面的另一个实施方案中，为RKHS的核选择稳定样条核。
[0016]在该具体方面的另一个实施方案中，使用最大边缘似然或交叉验证来评估核超参数。
附图说明
[0017]图1是在高层次上示出本文所述的基于个体化模型的预测方案中涉及的各步骤的流程图。
[0018]图2a和图2b分别示出了在被变换以减小共线性之前和之后的胰岛素输入数据信号。
[0019]图3示出了对于四种不同情况，需要对模型识别求逆的训练集矩阵的CondNum指数(共线性诊断)。
[0020]图4示出了经历预处理之后的输入训练数据的示例。
[0021]图5a
‑
5d示出了对于四个不同预测时域，用于比较参数模型相对于非参数模型的确定系数指标(COD)。
[0022]图6a和图6b分别示出了COD指标和均方根误差(RMSE)指标，其比较了由仅CGM模型、使用胰岛素和膳食数据识别的参数模型以及具有输入的非参数模型所实现的性能。
具体实施方式
[0023]I.引言
[0024]文献中已经提出了若干种不同的葡萄糖
‑
胰岛素模型。根据高级分类，这些模型可
以被划分为白箱相对于黑箱。白箱模型基于在代谢系统中经历的生理过程的机械/半机械描述。它们的复杂性，即等式和模型参数的数量，根据模型目的而极大地变化：“最小模型”是简约的近似描述，其被设计成确保特定实验条件(例如，口服葡萄糖耐量测试)中的参数可识别性，然而“最大模型”是具有主要被设计用于模拟计算机内试验的若干等式和参数的大规模模型。当用于基于模型的葡萄糖预测或基于模型的控制时，最小和最大生理模型都存在一些问题：最小模型通常太僵化而不能提供足够的数据预测，然而最大模型通常难以识别，因此在处理患者间和患者内变异性时呈现有限的效果。此外，生理模型是非线性的，从而使得基于模型的预测计算及其在控制算法中的使用是重要的，通常导致计算上昂贵的算法。由于这些原因，大量努力集中于探索黑箱模型，该黑箱模型不描述任何生理过程并且仅仅是数据驱动的。在葡萄糖数学建模文献中，迄今为止已经提出了若干数据驱动的方法，使用利用系统识别方法导出的经典线性模型，或者利用使用机器学习(ML)策略或深度学习(DL)技术获得的非线性模型。尽管已经考虑了若干选项，但是没有算法在本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种预测个体患者的未来血糖浓度的方法，所述方法包括：通过评估多个脉冲响应函数来识别葡萄糖
‑
胰岛素的个体化线性黑箱模型，每个脉冲响应函数说明多个个体化患者数据集的输入
‑
输出关系，所述脉冲响应函数是再生核希尔伯特空间(RKHS)中的函数；以及使用所述识别的脉冲响应函数将线性预测技术应用于选择的模型，以获得所述个体患者在未来时间的预测血糖浓度。2.根据权利要求1所述的方法，其中所述线性预测技术是卡尔曼滤波器。3.根据权利要求1所述的方法，其中所述个体化线性黑箱模型是时不变模型。4.根据权利要求1所述的方法，其中所述多个个体化的患者数据集...

【专利技术属性】
技术研发人员：S，
申请(专利权)人：德克斯康公司，
类型：发明
国别省市：