Nothing Special   »   [go: up one dir, main page]

CN114023418B - 胰岛素推荐方法和装置、监控血糖水平的系统 - Google Patents

胰岛素推荐方法和装置、监控血糖水平的系统 Download PDF

Info

Publication number
CN114023418B
CN114023418B CN202210007244.7A CN202210007244A CN114023418B CN 114023418 B CN114023418 B CN 114023418B CN 202210007244 A CN202210007244 A CN 202210007244A CN 114023418 B CN114023418 B CN 114023418B
Authority
CN
China
Prior art keywords
insulin
user
recommendation
matching
blood glucose
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210007244.7A
Other languages
English (en)
Other versions
CN114023418A (zh
Inventor
韩洋
蒋娟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Diascience Medical Co Ltd
Original Assignee
Diascience Medical Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Diascience Medical Co Ltd filed Critical Diascience Medical Co Ltd
Priority to CN202210007244.7A priority Critical patent/CN114023418B/zh
Publication of CN114023418A publication Critical patent/CN114023418A/zh
Application granted granted Critical
Publication of CN114023418B publication Critical patent/CN114023418B/zh
Priority to PCT/CN2022/085451 priority patent/WO2023130598A1/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • G16H20/17—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients delivered via infusion or injection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/20—ICT specially adapted for the handling or processing of medical references relating to practices or guidelines
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Medicinal Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Toxicology (AREA)
  • Biophysics (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Bioethics (AREA)
  • Optics & Photonics (AREA)
  • Molecular Biology (AREA)
  • Emergency Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明涉及生理信号处理领域，提供一种胰岛素推荐方法和装置、监控血糖水平的系统，其中所述方法包括：对用户的关键特征数据进行规则化，得到至少两个匹配特征值；基于至少两个匹配特征值，在案例库中进行匹配；若匹配成功，基于评分的排序选取第一胰岛素推荐方案；若匹配失败，则输出第二胰岛素推荐方案；基于用户对推荐的反馈信息，更新案例库，当用户接受推荐时，反馈信息包括第一胰岛素推荐方案及其评分或第二胰岛素推荐方案及其评分；当用户不接受推荐时，反馈信息包括用户采用的胰岛素响应方案及其评分，评分是基于第二时间段的目标血糖时间占比和/或血糖浓度变化率确定的。本发明使得用户享受到更丰富、更合理的推荐，提升了用户体验感。

Description

胰岛素推荐方法和装置、监控血糖水平的系统
技术领域
本发明涉及生理信号处理领域，尤其涉及一种胰岛素推荐方法和装置、监控血糖水平的系统。
背景技术
糖尿病是一种慢性代谢紊乱疾病，其起因于胰腺不能产生足够量的激素胰岛素，导致身体代谢葡萄糖的能力降低。最普遍的糖尿病形式是由于胰岛素分泌减少而引起的糖尿病（1型糖尿病，最先认识的形式），或者是由于体组织对胰岛素的敏感性降低而引起的糖尿病（2型慢性糖尿病，最普通的形式）。前者的治疗需要胰岛素注射，而后者一般用口服药物来控制。
随着生物传感器的技术发展，血糖浓度连续性监控系统（按一定频率连续提供实时血糖浓度数据）的出现，给血糖预测用户提供了更好地了解其血糖浓度的变化水平，这对于糖尿病的管理而言都是非常有用的，进而有了更好地控制血糖浓度的数据基础。血糖浓度连续性监控系统可通过植入式或非植入式血糖敏感型传感器按一定频率连续提供表示实时血糖浓度的传感器血糖测量信号，这种传感器测量血液、其他组织或人体某一部位的各种性质，包括光电传感器、电化学传感器、光学吸收或光学穿透等。一系列的测量显然产生更多的数据。但是，将这种数据转变成可发生作用的信息未必总是很容易的。血糖浓度是正常情况下为正常血糖控制而测量的主要参数。其他可用于确定更好的治疗的信息涉及由各种活动所引起的代谢负担，所述活动如摄取食物、进行身体活动、与工作有关的压力，等等。胰岛素输送、其他药物等等正在进一步调整目标生理参数的机制。除了葡萄糖测量之外，目前的方法基本上是基于无科学依据的、无经验规则来确定胰岛素推荐量，并且需要基于葡萄糖测量进行反复的评估。鉴于上面的内容，在为了处理糖尿病患者日常生活需要的当前临床方法中仍存在严重的缺陷。还没有单独的解决方案将各种信息结合在一起形成一个较为合理的胰岛素推荐方案。此外，在本领域中简单地将各种可用的信息结合起来仍无法达到有效的胰岛素推荐效果，每种信息都存在特定的要素，必须进行开发并为整个过程进行调整从而具有所希望的安全、准确度和稳健性的推荐水平。
发明人在实现本发明实施例的过程中，发现背景技术中至少存在以下缺陷：现有的一些推荐方案由于未考虑到用户输入数据所带来的短时间内血糖浓度变化规律对血糖水平的影响，譬如用户目前的血糖浓度水平、胰岛素使用量、摄入或消耗的碳水化合物、运动量、用药等或出现错误数据情况，未考虑到用户的个性化推荐、以及推荐后实际带来的效果，而导致用户体验感差。出于给血糖监测用户治疗的目的，亟需要能够针对糖尿病患者提供更全面、精准、效果更好的胰岛素推荐服务。
发明内容
本发明提供一种胰岛素推荐方法和装置、监控血糖水平的系统，用以解决现有技术中存在的技术缺陷。
本发明提供一种胰岛素推荐方法，包括：
用户的关键特征数据进行规则化，得到至少两个匹配特征值；所述关键特征数据包括期望血糖水平、第一时间段的血糖监测数据和第一时间段的用户关联数据；
基于所述至少两个匹配特征值，在案例库中进行匹配，并判断是否匹配成功；其中，所述案例库中存储有若干个历史案例，每个所述历史案例包括历史特征值组、与所述历史特征值组相关联的历史胰岛素推荐方案及其评分；
若匹配成功，在若干个匹配方案中基于评分的排序选取第一胰岛素推荐方案，所述匹配方案是基于所述至少两个匹配特征值在所述案例库中匹配得到的；
若匹配失败，则输出第二胰岛素推荐方案，所述第二胰岛素推荐方案是基于所述用户的关键特征数据和预设规则得到的；
基于所述用户对推荐的反馈信息，更新所述案例库，所述推荐包括所述第一胰岛素推荐方案、第二胰岛素推荐方案；当所述用户接受推荐时，所述反馈信息包括所述第一胰岛素推荐方案及其评分或所述第二胰岛素推荐方案及其评分；当所述用户不接受推荐时，所述反馈信息包括所述用户采用的胰岛素响应方案及其评分，其中，所述评分是基于第二时间段的目标血糖时间占比和/或第二时间段的血糖浓度变化率确定的。
根据本发明所述的胰岛素推荐方法，其中，所述方法还包括：
通过网络从关联所述用户的血糖测量设备处获取用户的血糖监测数据；
所述血糖监测数据包括第一时间段及第二时间段的血糖监测数据。
根据本发明所述的胰岛素推荐方法，其中，所述对用户的关键特征数据进行规则化，得到至少两个匹配特征值之前，包括：
获取用户关联数据以及期望血糖水平；所述用户关联数据包括当前用户关联数据和历史用户关联数据，所述当前用户关联数据、历史血糖关联数据均包括与血糖浓度相关联的一个或多个事件、一个或多个用户特征数据；所述期望血糖水平包括用户设定值、经验值、专家建议值中的至少一种或其结合。
根据本发明所述的胰岛素推荐方法，其中，所述一个或多个事件与碳水消耗、锻炼、睡眠以及物质的施予中的一个或多者相关联；所述物质的施予包括用药类型、用药剂量、碳水施予量；所述用药类型包括长效胰岛素、短效胰岛素、速效胰岛素中的至少一种。
根据本发明所述的胰岛素推荐方法，其中，所述一个或多个用户特征数据与用户的基本生理信息、个人信息中的至少一个相关联；所述基本生理信息包括胰岛素敏感系数、胰岛素-碳水比中的至少一种；所述个人信息包括性别、所处地域、糖尿病类型、年龄、体重、胰岛素历史使用年限中的至少一种。
根据本发明所述的胰岛素推荐方法，其中，所述案例库包括个性库和通用库，所述基于所述至少两个匹配特征值，在案例库中进行匹配，并判断是否匹配成功，包括：
基于所述至少两个匹配特征值，在所述个性库中进行匹配，并判断是否匹配成功；
若匹配失败，则基于所述至少两个匹配特征值，在所述通用库中进行匹配，并判断是否匹配成功；
其中，所述个性库是基于至少一个用户特征数据得到的，所述个性库的使用优先级大于所述通用库。
根据本发明所述的胰岛素推荐方法，其中，所述基于所述至少两个匹配特征值，在案例库中进行匹配，并判断是否匹配成功，包括：
基于每个所述匹配特征值与所述历史特征值组中对应的历史特征值，得到至少两个绝对距离；对每个所述绝对距离赋予对应的特征权值后相加，得到差异得分，所述特征权值是基于所对应的匹配特征值与胰岛素的相关性大小确定的；
当所述差异得分不大于差异阈值，判断为匹配成功；当所述差异得分大于差异阈值，判断为匹配失败。
根据本发明所述的胰岛素推荐方法，其中，所述在若干个匹配方案中基于评分的排序选取第一胰岛素推荐方案，包括：
在所述历史案例中选取所述差异得分不大于差异阈值的若干个的匹配方案，在所述若干个匹配方案中选取评分最高的第一胰岛素推荐方案；
当出现至少两个评分相同的匹配方案时，基于所述至少两个评分相同的匹配方案的差异得分，确定出第一胰岛素推荐方案。
根据本发明所述的胰岛素推荐方法，其中，所述第二胰岛素推荐方案是基于所述用户的关键特征数据和预设规则得到的，包括：
所述第二胰岛素推荐方案包括胰岛素推荐剂量，所述胰岛素推荐剂量是基于所述用户的关键特征数据和预设规则得到的，所述预设规则包括以下公式：
Figure 936959DEST_PATH_IMAGE001
其中，B表示胰岛素推荐剂量；CHO表示碳水施予量；ICR表示胰岛素-碳水比；G表示当前血糖采集数据；Gt表示期望血糖水平；ISF表示胰岛素敏感系数；IOB表示体内现存的胰岛素。
根据本发明所述的胰岛素推荐方法，其中，所述基于所述用户对推荐的反馈信息，更新所述案例库之前，包括：
通过网络将所述推荐发送给所述用户对应的专家；
接收由所述专家对所述推荐的接受建议或拒绝建议，所述拒绝建议包括由所述专家开具的第三胰岛素推荐方案；
相应的，所述用户采用的胰岛素响应方案包括所述第三胰岛素推荐方案。
根据本发明所述的胰岛素推荐方法，其中，所述基于所述至少两个匹配特征值，在案例库中进行匹配之前，还包括：
判断所述用户的关键特征数据中是否存在异常数据，若存在异常数据，则暂停所述推荐。
根据本发明所述的胰岛素推荐方法，其中，所述方法还包括：
对所述第一胰岛素推荐方案、第二胰岛素推荐方案中的胰岛素推荐剂量进行预评估，仅输出在安全阈值范围内的胰岛素推荐剂量。
根据本发明所述的胰岛素推荐方法，其中，所述基于所述用户对推荐的反馈信息，更新所述案例库，包括：
基于所述用户对推荐的反馈信息，得到新案例，并将所述新案例更新至所述案例库；所述新案例包括所述至少两个匹配特征值及其对应的响应方案及其评分，所述对应的响应方案及其评分包括所述第一胰岛素推荐方案及其评分、第二胰岛素推荐方案及其评分、胰岛素响应方案及其评分中的一种。
根据本发明所述的胰岛素推荐方法，其中，所述将所述新案例更新至所述案例库，包括：
对所述评分进行预评估，仅将评分大于评分阈值的新案例更新至所述案例库中。
根据本发明所述的胰岛素推荐方法，其中，所述方法还包括：
利用至少一显示模块实现所述推荐的可视化；
和/或，利用至少一第一采集模块获取用户关联数据；
和/或，利用至少一第二采集模块采集所述用户对推荐的反馈信息。
根据本发明所述的胰岛素推荐方法，其中，所述第一时间段从第一时刻延续至当前时刻，所述第一时刻在所述当前时刻之前，所述第二时间段从当前时刻延续至第二时刻，所述第二时刻在所述当前时刻之后。
根据本发明所述的胰岛素推荐方法，其中，所述第二时间段的目标血糖时间占比是基于所述期望血糖水平和第二时间段的血糖监测数据确定的，所述第二时间段的血糖浓度变化率是基于所述第二时间段的血糖监测数据确定的。
根据本发明所述的胰岛素推荐方法，其中，所述评分是基于第二时间段的目标血糖时间占比和/或第二时间段的血糖浓度变化率确定的，包括：
所述评分是利用以下公式确定的：
Figure 948778DEST_PATH_IMAGE002
其中，TIR表示第二时间段的目标血糖时间占比；Rate表示第二时间段的血糖浓度变化率，所述血糖浓度变化率以正负值变化率的方式确定；f(TIR)、f(Rate)分别表示将TIR、Rate转化为0-100之间数值的函数；a表示TIR的权重、b表示Rate的权重，且满足a+b=1。
本发明还提供了一种胰岛素推荐装置，包括：
关键特征处理模块，用于对用户的关键特征数据进行规则化，得到至少两个匹配特征值；所述关键特征数据包括期望血糖水平、第一时间段的血糖监测数据和第一时间段的用户关联数据；
匹配模块，用于基于所述至少两个匹配特征值，在案例库中进行匹配，并判断是否匹配成功；其中，所述案例库中存储有若干个历史案例，每个所述历史案例包括历史特征值组、与所述历史特征值组相关联的历史胰岛素推荐方案及其评分；
第一推荐模块，用于若匹配成功，在若干个匹配方案中基于评分的排序选取第一胰岛素推荐方案，所述匹配方案是基于所述至少两个匹配特征值在所述案例库中匹配得到的；
第二推荐模块，用于若匹配失败，则输出第二胰岛素推荐方案，所述第二胰岛素推荐方案是基于所述用户的关键特征数据和预设规则得到的；
更新模块，用于基于所述用户对推荐的反馈信息，更新所述案例库，所述推荐包括所述第一胰岛素推荐方案、第二胰岛素推荐方案；当所述用户接受推荐时，所述反馈信息包括所述第一胰岛素推荐方案及其评分或所述第二胰岛素推荐方案及其评分；当所述用户不接受推荐时，所述反馈信息包括所述用户采用的胰岛素响应方案及其评分，其中，所述评分是基于第二时间段的目标血糖时间占比和/或第二时间段的血糖浓度变化率确定的。
本发明还提供了一种用于监控血糖水平的系统，包括：
传感器，其被配置成获取用户的血糖监测数据；
无线发射器，其用以发射所述血糖监测数据；
以及
移动计算装置，其包括：
无线接收器，其被配置成接收所述血糖监测数据；
存储器，其用以存储包含所述所接收血糖监测数据的数据；
处理器，其用以处理所述数据，以及软件应用程序，其包含存储于所述存储器中的指令，所述指令当由所述处理器执行时对用户的关键特征数据进行规则化，得到至少两个匹配特征值；所述关键特征数据包括期望血糖水平、第一时间段的血糖监测数据和第一时间段的用户关联数据；
基于所述至少两个匹配特征值，在案例库中进行匹配，并判断是否匹配成功；其中，所述案例库中存储有若干个历史案例，每个所述历史案例包括历史特征值组、与所述历史特征值组相关联的历史胰岛素推荐方案及其评分；
若匹配成功，在若干个匹配方案中基于评分的排序选取第一胰岛素推荐方案，所述匹配方案是基于所述至少两个匹配特征值在所述案例库中匹配得到的；
若匹配失败，则输出第二胰岛素推荐方案，所述第二胰岛素推荐方案是基于所述用户的关键特征数据和预设规则得到的；
基于所述用户对推荐的反馈信息，更新所述案例库，所述推荐包括所述第一胰岛素推荐方案、第二胰岛素推荐方案；当所述用户接受推荐时，所述反馈信息包括所述第一胰岛素推荐方案及其评分或所述第二胰岛素推荐方案及其评分；当所述用户不接受推荐时，所述反馈信息包括所述用户采用的胰岛素响应方案及其评分，其中，所述评分是基于第二时间段的目标血糖时间占比和/或第二时间段的血糖浓度变化率确定的。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述胰岛素推荐方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述胰岛素推荐方法的步骤。
本发明通过对用户的关键特征数据进行规则化，得到匹配特征值，并利用匹配特征值，在案例库中进行匹配、得到并向用户推荐第一胰岛素推荐方案，在匹配不到符合条件的方案时，基于预设规则可以得到并推荐第二胰岛素推荐方案；在完成推荐之后，基于所述用户对推荐的反馈信息，无论是在用户接受推荐还是用户拒绝推荐的情况下，都可以基于反馈信息，反馈信息包含了反映新案例对应的使用效果的评分，将反馈信息中使用效果较好的新案例更新到案例库中。随着用户使用次数的增加，案例库中各个历史案例中的可供选择的高评分方案就越多，推荐也会更加精准可靠，本发明充分考虑了用户个性化特征数据以及一段时间内的血糖监测数据，使得用户享受到更丰富、更合理的推荐，推荐精准、效果更好，提升了用户体验感。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明各个实施例所涉及的一种实施环境的结构示意图。
图2是本发明提供的胰岛素推荐方法的流程示意图。
图3是本发明提供的胰岛素推荐方法中的用户界面示意图。
图4是本发明提供的胰岛素注射的评价机制示意图。
图5是本发明提供的胰岛素推荐装置的结构示意图。
图6是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参考图1，其示出了本发明各个实施例所涉及的一种实施环境的结构示意图。该实施环境包括：终端100和/或服务器200。
终端100可以是具备数据处理能力的电子设备，如手机、平板电脑、电子书阅读器、MP3播放器（Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3）、MP4（Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4）播放器、膝上型便携计算机和台式计算机等等。
终端100中可以安装有应用程序客户端，或者安装有浏览器，通过浏览器访问应用程序的网页客户端。本发明实施例将应用程序客户端和网页客户端统称为客户端，下文不再特别声明。
服务器200可以是一台近端或远端服务器，或者由若干台服务器组成的服务器集群，或者是一个云计算服务中心。当终端100和服务器200同时处理本发明相关业务时，服务器200可用于与终端100交互提供本发明相关业务。服务器200是与客户端对应的服务器，两者可以结合实现客户端提供的各项功能，通常由互联网服务商来设立。
终端100与服务器200之间可以通过无线网络或者有线网络相连。
下面结合图2描述本发明的一种胰岛素推荐方法，该方法包括如下步骤。
S1、对用户的关键特征数据进行规则化，得到至少两个匹配特征值；所述关键特征数据包括期望血糖水平、第一时间段的血糖监测数据和第一时间段的用户关联数据。
规则化包括对于非数值类的关键特征数据使用预设的归一化规则转化为数字，如I型糖尿病取值为“0”，Ⅱ型糖尿病取值为“1”，如男性糖尿病患者取值为“0”，女性糖尿病患者取值为“1”，利用诸如此类的预设的归一化规则对部分不具有量化值的关键特征数据进行规则化处理。血糖浓度数据（即为血糖浓度值）、血糖变化率、碳水摄入量、运动量这些已经具有量化值的数据则在该步骤中不必进行规则化处理。
第一时间段的血糖监测数据包括但不限于带有时间戳的血糖浓度数据、与血糖浓度相关联的数据，第一时间段的血糖监测数据的获取方式包括但不限于血糖浓度传感器、由网络传递采集或其他采集方式。例如可以是按一定周期连续输出并带有时间戳的第一时间段的用户血糖浓度数据。所述第一时间段从第一时刻延续至当前时刻，所述第一时刻在所述当前时刻之前，例如，第一时间段可以是当前时刻往前的10分钟至2小时以内，第一时刻延续至当前时刻（包含当前时刻）的用户血糖浓度数据可以体现为过去第一时间段的以时间为横轴、以采集数据为纵轴的一段数据波形。
用户关联数据也为第一时间段的数据，一般是由用户输入或其他方式输入的与血糖浓度相关联的数据，例如，碳水摄入量、运动量等生活事件相关数据。碳水数据可以由自动识别食物图片中的热量的软件获得。至少两个匹配特征值包括由第一时间段的血糖监测数据和第一时间段的用户关联数据中的至少两个数据得到的。
S2、基于所述至少两个匹配特征值，在案例库中进行匹配，并判断是否匹配成功；其中，所述案例库中存储有若干个历史案例，每个所述历史案例包括历史特征值组、与所述历史特征值组相关联的历史胰岛素推荐方案及其评分。
至少两个匹配特征值可以形成用户的一个新案例，基于新案例在案例库中进行案例的匹配。每个历史特征值组中包含多个历史案例特征值，匹配过程中，将新案例中的每一个特征值历史特征值组中与其相对应的历史案例特征值进行对比，相对应是指同一个类别下的数据，例如血糖浓度数据为同一类，碳水摄入数据为同一类，对每一个类别下的特征值进行一一比对；同时结合评分权重进行差异度的评分。
S3、若匹配成功，在若干个匹配方案中基于评分的排序选取第一胰岛素推荐方案，所述匹配方案是基于所述至少两个匹配特征值在所述案例库中匹配得到的。
若干个匹配方案均满足差异得分不大于差异阈值，若匹配方案较多，还可以基于差异得分对多个匹配方案进行排序，选择差异得分最小的几个（可以是3-5个）匹配方案进行进一步筛选，进一步筛选是基于评分的排序，可以选取评分最高的作为第一胰岛素推荐方案。评分越高，代表该第一胰岛素推荐方案更符合用户的当前需求和当前身体情况。案例库中的历史案例的评分均是经过预先筛选的，都是大于评分阈值的。
S4、若匹配失败，则输出第二胰岛素推荐方案，所述第二胰岛素推荐方案是基于所述用户的关键特征数据和预设规则得到的。
若差异得分大于差异阈值，则未匹配到与新案例比较相似的历史案例。此时采用备选方案，也就是利用用户的关键特征数据和预设规则得到一个第二胰岛素推荐方案。
S5、基于所述用户对推荐的反馈信息，更新所述案例库，所述推荐包括所述第一胰岛素推荐方案、第二胰岛素推荐方案；当所述用户接受推荐时，所述反馈信息包括所述第一胰岛素推荐方案及其评分或所述第二胰岛素推荐方案及其评分；当所述用户不接受推荐时，所述反馈信息包括所述用户采用的胰岛素响应方案及其评分，其中，所述评分是基于第二时间段的目标血糖时间占比和/或第二时间段的血糖浓度变化率确定的。
第一胰岛素推荐方案或第二胰岛素推荐方案输出在显示界面上，供用户选择是否接受推荐，在第一胰岛素推荐方案或第二胰岛素推荐方案输出之后，进一步基于所述用户对推荐的反馈信息（是否接受第一胰岛素推荐方案或第二胰岛素推荐方案），基于不同的情况更新案例库。当所述用户接受第一胰岛素推荐方案时，所述反馈信息包括所述第一胰岛素推荐方案及其评分；当所述用户接受第二胰岛素推荐方案时，所述反馈信息包括所述第二胰岛素推荐方案及其评分；当所述用户拒绝推荐时，可以将用户采用的胰岛素响应方案及其评分更新至案例库；在没有获取到用户采用的胰岛素响应方案及其评分的情况下，不更新案例库，否则，每一次执行胰岛素推荐方法时，若评分满足评分阈值，需要将新的推荐方案及其评分更新至案例库中。随着用户使用次数的增多，案例库中的推荐方案也越来越精准、个性化，能够实现更佳的推荐。评分阈值可以设置为不小于90分。优选的，每一次执行本发明的方法，案例库就更新一次，如果案例库中的数据超过一定的范围，可以定期删除掉过期的数据，保留一段时间内的新数据。所述第二时间段的目标血糖时间占比是基于所述期望血糖水平和第二时间段的血糖监测数据确定的，所述第二时间段的血糖浓度变化率是基于所述第二时间段的血糖监测数据确定的。
本发明的方法通过对用户的关键特征数据进行规则化，得到匹配特征值，并利用匹配特征值，在案例库中进行匹配、得到并向用户推荐第一胰岛素推荐方案，在匹配不到符合条件的方案时，基于预设规则可以得到并推荐第二胰岛素推荐方案；在完成推荐之后，基于所述用户对推荐的反馈信息，无论是在用户接受推荐还是用户拒绝推荐的情况下，都可以基于反馈信息，反馈信息包含了反映新案例对应的使用效果的评分，将反馈信息中使用效果较好的新案例更新到案例库中。随着用户使用次数的增加，案例库中各个历史案例中的可供选择的高评分方案就越多，推荐也会更加精准可靠，本发明充分考虑了用户个性化特征数据以及一段时间内的血糖监测数据，使得用户享受到更丰富、更合理的推荐，推荐精准、效果更好，提升了用户体验感。
进一步的，所述的胰岛素推荐方法，所述方法还包括：
通过网络从关联所述用户的血糖测量设备处获取用户的血糖监测数据；
网络为有线或无线网络，关联所述用户的血糖测量设备包括但不限于含血糖传感器的血糖仪、采血测量设备、其他可以采集血糖浓度数据的生理数据采集设备。优选的，所述血糖测量设备是能够连续实时采集血糖浓度数据的连续血糖监测设备。
所述血糖监测数据包括第一时间段及第二时间段的血糖监测数据，其中，所述第一时间段的血糖监测数据包括第一血糖浓度数据和第一血糖浓度变化率。
第一血糖浓度数据包括：当前时刻的第一血糖测量值及其对应的第一时间戳、第一时刻至当前时刻之间的历史血糖采集数据，所述历史血糖采集数据包括按预设时间间隔连续分布的若干个历史血糖测量值及其对应的若干个历史时间戳。预设时间间隔为连续血糖监测设备产生血糖的间隔，如3分钟。历史血糖采集数据包括距离当前时刻第一时间段的、以3分钟为周期连续分布的若干个历史血糖测量值及其对应的若干个历史时间戳。
可以基于所述第一血糖测量值及其对应的第一时间戳、以及在所述若干个历史血糖测量值及其对应的若干个历史时间戳中选取的第二值，确定所述血糖浓度变化率；所述第二值包括第二血糖测量值及其对应的第二时间戳，所述第二时间戳与所述第一时间戳相关联。
所述第一血糖浓度变化率是基于所述第一血糖浓度数据以正负值变化率的方式得到的，例如，血糖浓度变化率的计算方式为：(第一血糖测量值-第二血糖测量值)/(第一时间戳-第二时间戳)，第二值的选择可在距离当前时刻的第三时间段内进行选择，第三时间段可以是1分钟至30分钟，优选的，可选择当前时刻之前的3分钟时的数据，若有数据缺失或异常，可选择其他距离当前时刻的第三时间段内的数据。
所述第二时间段的血糖监测数据包括第二血糖浓度数据和第二血糖浓度变化率；同理，所述第二血糖浓度变化率是基于所述第二血糖浓度数据以正负值变化率的方式得到的，正负值变化率能够体现血糖浓度的升、降或平稳水平，正负值变化率可以先通过函数转化为0-100之间的数值再使用。所述第二时间段从当前时刻延续至第二时刻，所述第二时刻在所述当前时刻之后。具体的，第二时间段的第二血糖浓度数据与第一时间段的第一血糖浓度数据可以在当前时刻有重合，第二时间段的第二血糖浓度数据也可以不包含当前时刻的数据。
本发明充分考虑了第一时间段的血糖监测数据，进行方案推荐；并基于第二时间段的血糖监测数据反馈更新案例库，第二时间段的血糖监测数据主要用于对用户采用的方案进行评分，案例库多次更新后，推荐方案更适合用户。
进一步的，所述的胰岛素推荐方法，所述对用户的关键特征数据进行规则化，得到至少两个匹配特征值之前，包括：
获取用户关联数据以及期望血糖水平；所述用户关联数据包括当前用户关联数据和历史用户关联数据，所述当前用户关联数据、历史血糖关联数据均包括与血糖浓度相关联的一个或多个事件、一个或多个用户特征数据；所述期望血糖水平包括用户设定值、经验值、专家建议值中的至少一种或其结合。
用户关联数据包括用户手动输入、利用手机应用程序（APP）获取的图片识别出的、或其他设备获取的与血糖浓度相关联的数据，例如碳水摄入及其摄入量、运动量等。当前用户关联数据、历史血糖关联数据也分别带有时间戳。历史血糖关联数据辅助当前用户关联数据，用于推荐方案的获取，在推荐胰岛素时，可以充分考虑到与血糖浓度相关联的当前用户关联数据和历史用户关联数据，确保了推荐的准确性。
进一步的，所述的胰岛素推荐方法，所述一个或多个事件与碳水消耗、锻炼、睡眠以及物质的施予中的一个或多者相关联；所述物质的施予包括用药类型、用药剂量、碳水施予量；所述用药类型包括长效胰岛素、短效胰岛素、速效胰岛素中的至少一种。
考虑到不同的事件，例如用药类型、用药剂量、碳水施予量均对血糖浓度有较大影响，例如，速效胰岛素主要影响时间段为30分钟内，长效胰岛素主要影响时间段为2h内，因此需要考虑当前时刻的事件。
进一步的，所述的胰岛素推荐方法，所述一个或多个用户特征数据与用户的基本生理信息、个人信息中的至少一个相关联；所述基本生理信息包括胰岛素敏感系数、胰岛素-碳水比中的至少一种；所述个人信息包括性别、所处地域、糖尿病类型、年龄、体重、胰岛素历史使用年限中的至少一种。
所处地域、糖尿病类型、年龄等都是基于用户自身进行个性化设定的，考虑以上因素，可以得到更加个性化的案例库，推荐的结果更符合用户的真实情况。例如，糖尿病类型包括1型糖尿病、2型糖尿病、妊娠糖尿病，因为每个糖尿病类型的用户可能存在相似的血糖浓度规律、以及不同的食物、药物敏感性等，每个糖尿病类型的用户对于血糖浓度的变化具有一定的规律性，因此在推荐胰岛素时考虑到糖尿病类型，可以得到具有按照用户所属糖尿病类型进行区分的个性化案例库，推荐的结果更适用于患有该糖尿病类型的用户。
进一步的，所述的胰岛素推荐方法，所述案例库包括个性库和通用库，所述基于所述至少两个匹配特征值，在案例库中进行匹配，并判断是否匹配成功，包括：
基于所述至少两个匹配特征值，在所述个性库中进行匹配，并判断是否匹配成功；
若匹配失败，则基于所述至少两个匹配特征值，在所述通用库中进行匹配，并判断是否匹配成功；
其中，所述个性库是基于至少一个用户特征数据得到的，所述个性库的使用优先级大于所述通用库。
可以优先在个性库中进行匹配，若匹配成功，则采用个性库中的推荐方案，此时无需调用通用库；若在个性库中未匹配成功，则可以继续在通用库中进行匹配。个性库是基于用户的个性化特征数据得到的，个性库是基于用户的使用逐步完善更新的，也可以以其它方式更新。个性库与通用库是相互独立的，通用库是基于大数据得到的，可以定期更新。个性库和通用库中的推荐方案均是经过筛选的，评分均大于评分阈值。
进一步的，所述的胰岛素推荐方法，所述基于所述至少两个匹配特征值，在案例库中进行匹配，并判断是否匹配成功，包括：
基于每个所述匹配特征值与所述历史特征值组中对应的历史特征值，得到至少两个绝对距离；对每个所述绝对距离赋予对应的特征权值后相加，得到差异得分，所述特征权值是基于所对应的匹配特征值与胰岛素的相关性大小确定的；
当所述差异得分不大于差异阈值，判断为匹配成功；当所述差异得分大于差异阈值，判断为匹配失败。
其中，每种特征值采用绝对距离的计算方式：
Figure 37956DEST_PATH_IMAGE003
其中，F表示特征值，Fnew表示新案例的某一类数据的一个特征值，Fold表示历史案例对应于Fnew的一个特征值；d'表示归一化之前的该特征值的差异度。
然后，利用预设的规则对不在0-1范围内的每一个特征值的差异度进行归一化，转化为0-1的数值，如血糖浓度值的差异度归一化处理可表示为：
Figure 426212DEST_PATH_IMAGE004
dGlu表示归一化之后的血糖浓度值的差异度，d'Glu表示归一化之前的血糖浓度值的差异度，FNewGlu表示新案例的血糖浓度值。
其他值的差异度也可采用同血糖浓度值的差异度归一化处理方式逐一进行归一化处理；
新案例与历史案例的差异得分为：
Figure 854920DEST_PATH_IMAGE005
其中，d1、d2、…、dn表示第1至第n个特征值的差异得分，a1、a2、…、an分别表示第1至第n个特征值的因子，特征值与胰岛素相关性大则因子较高，满足：
Figure 53951DEST_PATH_IMAGE006
D越大表示两个案例的差异越大，即相似度越小。当所述差异得分不大于差异阈值，判断为匹配成功；当所述差异得分大于差异阈值，判断为匹配失败。差异阈值是预先设置的，可以是用户自定义或用户输入。例如，差异阈值可以设置为0.1,也就是当差异得分不大于0.1，也就是当相似度大于或等于90%时，判断为匹配成功。
匹配时，为了加快响应速度和响应精准度，也可以基于部分匹配特征值进行预先筛选。具体的，基于至少一个匹配特征值，在所述案例库中进行预先筛选，得到预选库；所述预选库中的历史案例包含的历史特征值组中存在与所述至少一个匹配特征值相同的部分。至少一个匹配特征值可以是一个或两个及以上均可。例如用药类型，仅筛选出与用户用药类型一致的历史案例，再进一步将新案例与这些用药类型一致的历史案例进行匹配；即，先排除用药类型不一致的历史案例。例如，用药年限，可以仅筛选出与用户用药年限一致的历史案例，再进一步将新案例与这些用药年限一致的历史案例进行匹配；即，先排除用药年限不一致的历史案例。例如，也可以结合多个匹配特征值进行预先筛选，可以仅筛选出与用户用药年限、用药类型均一致的历史案例，再进一步将新案例与这些用药年限、用药类型均一致的历史案例进行匹配；即，先排除用药年限或用药类型不一致的历史案例。当然，也可以不进行预先筛选，直接基于匹配特征值逐一比较，通过差异得分来匹配。
进一步的，所述的胰岛素推荐方法，所述在若干个匹配方案中基于评分的排序选取第一胰岛素推荐方案，包括：
在所述历史案例中选取所述差异得分不大于差异阈值的若干个的匹配方案，在所述若干个匹配方案中选取评分最高的第一胰岛素推荐方案；
当评分最高的只有一个匹配方案，则将该评分最高的第一胰岛素推荐方案输出。
当出现至少两个评分相同的匹配方案时，基于所述至少两个评分相同的匹配方案的差异得分，确定出第一胰岛素推荐方案。
若评分最高的有多个，可以再继续比对差异得分，比对可以采用以下两种方式中的一种：
（1）在至少两个评分相同的匹配方案中，选择差异得分更小的匹配方案作为第一胰岛素推荐方案输出；
（2）基于评分相同的至少两个匹配方案的差异得分，利用最小加权平均法，计算出第一胰岛素推荐方案输出，例如，当存在两个评分相同且均为最高的匹配方案时，利用下式计算出第一胰岛素推荐方案：
Figure 630426DEST_PATH_IMAGE007
其中，B0表示利用最小加权平均法计算出的第一胰岛素推荐方案（胰岛素推荐量），B1表示其中一匹配方案的胰岛素推荐量，B2表示另一匹配方案的胰岛素推荐量，D1表示其中一匹配方案的差异得分，D2表示另一匹配方案的差异得分。在一种情况下，评分相同的至少两个匹配方案的差异得分也都相同时，也可以利用上式计算，计算出的第一胰岛素推荐方案就是平均值，也就是任一匹配方案。
进一步的，所述的胰岛素推荐方法，所述第二胰岛素推荐方案是基于所述用户的关键特征数据和预设规则得到的，包括：所述第二胰岛素推荐方案包括胰岛素推荐剂量，所述胰岛素推荐剂量是基于所述用户的关键特征数据和预设规则得到的，所述预设规则（即胰岛素计算模型）包括以下公式：
Figure 760056DEST_PATH_IMAGE001
其中，B表示胰岛素推荐剂量；CHO表示碳水施予量；ICR表示胰岛素-碳水比；G表示当前血糖采集数据；GT表示期望血糖水平；ISF表示胰岛素敏感系数；IOB表示体内现存的胰岛素。
期望血糖水平包括用户设定值、经验值、专家建议值中的至少一种或其结合；体内现存的胰岛素可以根据胰岛素测试仪器测得。期望血糖水平可以是一个数值，该数值与目标血糖时间占比、血糖浓度变化率中的至少一个相关联。
进一步的，所述的胰岛素推荐方法，所述评分是基于第二时间段的目标血糖时间占比和/或第二时间段的血糖浓度变化率确定的，包括：所述评分是利用以下公式确定的：
Figure 840007DEST_PATH_IMAGE002
其中，TIR表示第二时间段的目标血糖时间占比；Rate表示第二时间段的血糖浓度变化率，所述血糖浓度变化率以正负值变化率的方式确定；f(TIR)、f(Rate)分别表示将TIR、Rate转化为0-100之间数值的函数。如TIR为80%，则：F(TIR)=100*TIR。目标血糖时间占比可以先通过函数转化为0-100之间的数值再使用。得到的正负值变化率可以采用变化区间进行数值化，例如，快速下降是100，一般下降是80，平稳是60，一般上升是40，快速上升是20。
a表示TIR的权重、b表示Rate的权重，且满足a+b=1。其中，a、b均为0-1的数值。当a=0，b=1时，不考虑第二时间段的目标血糖时间占比，仅考虑第二时间段的血糖浓度变化率；当a=1，b=0时，仅考虑第二时间段的目标血糖时间占比，不考虑第二时间段的血糖浓度变化率；a、b的数值可以由用户或用户对应的专家自定义，或预先设置好，a和b分别表示不同评分内容的评分权重，不同大小的a、b数值设置代表用户更关心胰岛素注射后的何种血糖表现。
进一步的，所述的胰岛素推荐方法，所述基于所述用户对推荐的反馈信息，更新所述案例库之前，包括：通过网络将所述推荐发送给所述用户对应的专家。
接收由所述专家对所述推荐的接受建议或拒绝建议，所述拒绝建议包括由所述专家开具的第三胰岛素推荐方案。
相应的，所述用户采用的胰岛素响应方案包括所述第三胰岛素推荐方案。
该方法利用有线或无线网络将推荐发送给专家，可以进一步在推荐的基础上征求用户对应的专家的意见，确保推荐的安全性、权威性、有效性。用户对应的专家在解读到相关信息和推荐时，可以根据经验、专业知识等给出接受建议或拒绝建议的建议，拒绝的情况下，还可以在分析后给出第三胰岛素推荐方案供用户选择，使得用户享受到更丰富、更合理的方案信息，也可以综合以上推荐和第三胰岛素推荐方案自行选择一个更合适自身情况的方案。
进一步的，所述的胰岛素推荐方法，所述基于所述至少两个匹配特征值，在案例库中进行匹配之前，还包括：判断所述用户的关键特征数据中是否存在异常数据，若存在异常数据，则暂停所述推荐。
用户的关键特征数据中是否存在异常数据的判断是根据以往的用户的数据历史和经验进行判断。具体的，血糖监测数据和用户关联数据异常的判断一般是根据大数据、以往的用户的数据历史和经验进行判断。血糖监测数据异常可能是由于传感器异常、网络异常导致的数据超出一定范围、或者数据缺失等原因。用户关联数据异常可能是由于用户输入的值超出一定的正常适用范围。在案例库中进行匹配之前，若存在异常数据，则该数据不适用于推荐，此时需要暂停所述推荐，避免将有误差的数据推荐给用户而导致的安全隐患问题。
进一步的，所述的胰岛素推荐方法，所述方法还包括：
对所述第一胰岛素推荐方案、第二胰岛素推荐方案中的胰岛素推荐剂量进行预评估，仅输出在安全阈值范围内的胰岛素推荐剂量。
在将推荐展示给用户之前，还需要进行一个预先的安全性评估，通过预先设置的安全阈值，可以确保所有输出的推荐都是经过安全性评估的，由于每个用户的情况不同，将要注入的胰岛素类型也不同，因此安全阈值可以用户自定义或由用户对应的专家定义，一般的，安全阈值可以设置默认值，或没有默认值、需要个性化设置的，例如安全阈值设置的范围可以是0.1-30 unit。设置安全阈值，防止胰岛素注射过多。
进一步的，所述的胰岛素推荐方法，所述基于所述用户对推荐的反馈信息，更新所述案例库，包括：
基于所述用户对推荐的反馈信息，得到新案例，并将所述新案例更新至所述案例库；所述新案例包括所述至少两个匹配特征值及其对应的响应方案及其评分，所述对应的响应方案及其评分包括所述第一胰岛素推荐方案及其评分、第二胰岛素推荐方案及其评分、胰岛素响应方案及其评分中的一种。
新案例是基于本次用户的关键特征数据得到的，新案例是基于用户对推荐的反馈信息选取的，具体选取的是用户实际所选择的第一胰岛素推荐方案及其评分、第二胰岛素推荐方案及其评分中的一种，或是用户在拒绝第一胰岛素推荐方案及其评分、第二胰岛素推荐方案及其评分后，所采用的胰岛素响应方案及其评分。若用户拒绝了推荐，并且没有输入其他响应方案时，此一轮执行胰岛素推荐方法的过程中可以不产生新案例，相应的，不更新案例库。新案例的产生一定是基于用户所确定的响应方案及其评分得到的，评分能够反映用户在实际所选择对应的响应方案后的真实情况，评分越高，表示使用对应的响应方案后的效果越好。使用过程中不断更新案例库，可以确保基于案例库的推荐越来越精准，越适用于该用户。
进一步的，所述的胰岛素推荐方法，所述将所述新案例更新至所述案例库，包括：对所述评分进行预评估，仅将评分大于评分阈值的新案例更新至所述案例库中。
仅当新案例的评分高于评分阈值，将新案例更新至案例库中。若评分低于评分阈值，则不更新。因此，案例库中存在的历史案例均是评分经过筛选、使用后效果较好的高质量案例。
进一步的，所述的胰岛素推荐方法，所述方法还包括：利用至少一显示模块实现所述推荐的可视化。
优选的，显示模块可以配置为显示所述第一胰岛素推荐方案或第二胰岛素推荐方案。
和/或，利用至少一第一采集模块获取用户关联数据。
优选的，第一采集模块可以配置为获取用户关联数据的输入模块，尤其是第一时间段的用户关联数据，例如一个或多个事件、一个或多个用户特征数据。
和/或，利用至少一第二采集模块采集所述用户对推荐的反馈信息。
优选的，第二采集模块可以配置为获取用户对推荐的反馈信息的输入模块，例如，当所述用户接受推荐时，所述反馈信息包括所述第一胰岛素推荐方案及其评分或所述第二胰岛素推荐方案及其评分；当所述用户不接受推荐时，所述反馈信息包括所述用户采用的胰岛素响应方案及其评分。
为了进一步说明本发明的胰岛素推荐方法，结合不同的使用场景，提供以下具体实施例。
在第一个具体实施中，当个性库匹配失败时，可以继续在通用库中匹配，若通用库中仍匹配失败，可以基于用户的关键特征数据，以及胰岛素计算模型计算出一个胰岛素推荐量推荐给用户后，用户可以选择接受此推荐或拒绝此推荐，如果拒绝此推荐，用户可以继续输入决定注入的胰岛素输入量。
根据用户注入的胰岛素输入量和注入胰岛素后、获得的连续的血糖监测数据对本次胰岛素输入量进行评价。评价标准为：将胰岛素输入后一段时间内血糖在目标血糖时间占比作为本次输入的评分。
同时学习并总结本次输入的以下特征值：
1. 胰岛素注入前的血糖浓度数据及血糖浓度变化率；
2. 胰岛素注入时的饮食量；
3. 距离上一次注入胰岛素的时间及注入量。
将本次案例更新至案例库中，更新后案例库则不为空。
当用户有下一次胰岛素计算的需求时，可以先从历史案例中进行搜索，查找相似的案例，相似性依据以上各个特征值进行评价。找到相似的历史案例后再提取该相似的案例中用户注入的胰岛素推荐量和评分。如果评分大于评分阈值，则继续推荐相似的胰岛素输入量（胰岛素推荐量），如果评分低于阈值，则根据胰岛素计算模型进行再次计算。根据用户接收或拒绝推荐的胰岛素推荐量进行重新打分。
随着使用次数的增加，可查找的历史案例越多，系统（包含终端100和/或服务器200，优选的至少包含终端100）中保存的各个历史案例中的高评分胰岛素推荐方案就越多。此时系统的胰岛素推荐更加的准确。同时系统拥有安全机制，通过网络的连接，可以实时将推荐给患者的胰岛素推荐量同步发送给用户对应的专家，专家查看后可以选择同意或拒绝；拒绝后由专家给出建议并提供给用户。
在第二个具体实施中，公开了一种胰岛素推荐案例库的生成方法，具体方法步骤如下：
当有胰岛素注射发生时，用户通过如图3所示的操作界面记录胰岛素的输入量。用户在操作界面输入对应的信息。图3中，第一个输入框表示血糖采集数据，可以是系统自动生成的，例如，当前显示的是590mg/dL；第二个输入框表示期望血糖水平，可以由用户输入，也可以系统自定义；第三个输入框表示胰岛素敏感系数；第四个输入框表示碳水施予量；第五个输入框表示胰岛素-碳水比；第六个输入框表示体内现存的胰岛素，最下面的输出框表示输出的推荐胰岛素量。
同时记录输入胰岛素时的其他事件（如饮食、运动、上一次注射胰岛素的输入量、上一次注入胰岛素的时间、用户期望的血糖目标范围等）以及患者的基本生理和个人信息（如年龄、体重、糖尿病类型、使用胰岛素年限等）。通过连续血糖监测传感器可以获得患者的实时血糖数据，获取第一时间段内的血糖变化率，胰岛素输入时的血糖浓度值。将以上信息作为一个案例的描述，胰岛素推荐量作为该案例的结果。将一类有共同特征的人群，如I型糖尿病类型的案例集合产生一个案例库。
在一种情况中，系统将用户的当前信息整理为一个新案例，在案例库中进行案例的搜索。搜索过程中，将新案例中的每一个特征值与案例库中的历史案例的特征值组进行对比。同时结合每个特征值对应的因子进行差异得分的打分。
每一个案例中的每一个特征值具有一个因子，用于评价案例之间的差异得分，其中可量化的，与胰岛素代谢相关性大的因子高。
作为本申请的一方面，公开了一种胰岛素输入中的案例评分方法，具体方法步骤如下：利用连续血糖监测传感器和电子设备可以连续的获得胰岛素注射事件发生后第二时间段（第二时间段的获得是根据胰岛素对血糖的影响的生理依据或经验）内的血糖浓度值。通过多种方式评价本次胰岛素输入量的结果。
在一种情况中，目标血糖时间占比（血糖在目标血糖范围内的占比）可以作为主要的评分依据。血糖目标范围内占比越高意味着血糖的控制越好，即本次输入的胰岛素的量越好。血糖目标范围占比即本次的评分。在其他情况中可以利用下降到某一个血糖值的时间、下降速率等进行评分。
根据阈值选出相似度得分高的案例。在相似度高的案例中选择案例评分高的案例中的结果（当次的胰岛素输入量）作为本次案例的输出，通过用户界面推荐给使用者。
在用户刚开始使用时，案例库中相似度高的历史案例较少，当出现找不到相似案例的时候，利用通用胰岛素剂量计算公式得到一个胰岛素推荐值推荐给患者。
患者收到推荐后可以选择接受此推荐，也可以选择拒绝此推荐，拒绝后患者输入自己决定的胰岛素输入量。
本次输入胰岛素后，利用连续血糖监测系统测量患者的血糖变化。根据评分规则对本次胰岛素注射进行评分。若评分大于评分阈值，在评分完毕后将本次的胰岛素注射方案整理为一个新案例存入个性库中。当个性库的案例数量达到一定阈值后，系统将优先从个性库中寻找相似度高的案例；若没有相似案例或相似案例的评分过低，将从通用库中寻找相似度高的案例；若没有相似案例或相似案例的评分过低，则使用胰岛素计算模型计算。
作为本申请的一方面，公开了一种预防胰岛素推荐错误的方法，具体步骤如下：以下四种情况会暂停胰岛素的推荐：
当用户的连续血糖监测系统数据错误导致当前血糖浓度值错误的时候。
当用户输入的计算用的用户数据如生理参数和/或饮食摄入量有明显错误的时候。
当通过案例分析或胰岛素计算模型计算出的胰岛素推荐量大于用户设定的安全阈值时。
当通过案例分析或胰岛素计算模型计算出的胰岛素推荐量小于胰岛素输注设备的最小输注单位时。
出现以上四种情况时，系统提示“推荐错误，请咨询专业医生获得胰岛素建议”。
其中当出现推荐或计算的量大于安全阈值时，可以通过网络将胰岛素推荐量以及该案例的特征值发送给关联的医生或专家。由医生或专家进行判断并通过网络告知用户结果。
在第三个具体实施例中，如所示，公开了一种本次胰岛素注射的评价机制，图4中横坐标表示时间，纵坐标表示血糖浓度值，1、2、3分别表示案例1、案例2和案例3。在t1时刻假设有三种案例的胰岛素推荐量的注射，分别按照案例1、案例2和案例3的推荐量注射，通过t1和t2时刻的血糖浓度变化率和目标血糖时间占比进行评价，可见，案例3注入胰岛素后血糖浓度下降更快，目标血糖时间占比也更长，可以确定案例3优于案例2、且优于案例1，即案例3的评分最高。
参见图5，下面对本发明提供的胰岛素推荐装置进行描述，下文描述的胰岛素推荐装置与上文描述的胰岛素推荐方法可相互对应参照，所述胰岛素推荐装置包括：关键特征处理模块10，用于对用户的关键特征数据进行规则化，得到至少两个匹配特征值；所述关键特征数据包括期望血糖水平、第一时间段的血糖监测数据和第一时间段的用户关联数据。
规则化包括对于非数值类的关键特征数据使用预设的归一化规则转化为数字，如I型糖尿病取值为“0”，Ⅱ型糖尿病取值为“1”，如男性糖尿病患者取值为“0”，女性糖尿病患者取值为“1”，利用诸如此类的预设的归一化规则对部分不具有量化值的关键特征数据进行规则化处理。血糖浓度数据（即为血糖浓度值）、血糖变化率、碳水摄入量、运动量这些已经具有量化值的数据则在该步骤中不必进行规则化处理。
第一时间段的血糖监测数据包括但不限于带有时间戳的血糖浓度数据、与血糖浓度相关联的数据，第一时间段的血糖监测数据的获取方式包括但不限于血糖浓度传感器、由网络传递采集或其他采集方式。例如可以是按一定周期连续输出并带有时间戳的第一时间段的用户血糖浓度数据。所述第一时间段从第一时刻延续至当前时刻，所述第一时刻在所述当前时刻之前，例如，第一时间段可以是当前时刻往前的10分钟至2小时以内，第一时刻延续至当前时刻（包含当前时刻）的用户血糖浓度数据可以体现为过去第一时间段的以时间为横轴、以采集数据为纵轴的一段数据波形。
用户关联数据也为第一时间段的数据，一般是由用户输入或其他方式输入的与血糖浓度相关联的数据，例如，碳水摄入量、运动量等生活事件相关数据。碳水数据可以由自动识别食物图片中的热量的软件获得。至少两个匹配特征值包括由第一时间段的血糖监测数据和第一时间段的用户关联数据中的至少两个数据得到的。
匹配模块20，用于基于所述至少两个匹配特征值，在案例库中进行匹配，并判断是否匹配成功；其中，所述案例库中存储有若干个历史案例，每个所述历史案例包括历史特征值组、与所述历史特征值组相关联的历史胰岛素推荐方案及其评分。
至少两个匹配特征值可以形成用户的一个新案例，基于新案例在案例库中进行案例的匹配。每个历史特征值组中包含多个历史案例特征值，匹配过程中，将新案例中的每一个特征值历史特征值组中与其相对应的历史案例特征值进行对比，相对应是指同一个类别下的数据，例如血糖浓度数据为同一类，碳水摄入数据为同一类，对每一个类别下的特征值进行一一比对；同时结合评分权重进行差异度的评分。
第一推荐模块30，用于若匹配成功，在若干个匹配方案中基于评分的排序选取第一胰岛素推荐方案，所述匹配方案是基于所述至少两个匹配特征值在所述案例库中匹配得到的。
若干个匹配方案均满足差异得分不大于差异阈值，若匹配方案较多，还可以基于差异得分对多个匹配方案进行排序，选择差异得分最小的几个（可以是3-5个）匹配方案进行进一步筛选，进一步筛选是基于评分的排序，可以选取评分最高的作为第一胰岛素推荐方案。评分越高，代表该第一胰岛素推荐方案更符合用户的当前需求和当前身体情况。案例库中的历史案例的评分均是经过预先筛选的，都是大于评分阈值的。
第二推荐模块40，用于若匹配失败，则输出第二胰岛素推荐方案，所述第二胰岛素推荐方案是基于所述用户的关键特征数据和预设规则得到的。
若差异得分大于差异阈值，则未匹配到与新案例比较相似的历史案例。此时采用备选方案，也就是利用用户的关键特征数据和预设规则得到一个第二胰岛素推荐方案。
更新模块50，用于基于所述用户对推荐的反馈信息，更新所述案例库，所述推荐包括所述第一胰岛素推荐方案、第二胰岛素推荐方案；当所述用户接受推荐时，所述反馈信息包括所述第一胰岛素推荐方案及其评分或所述第二胰岛素推荐方案及其评分；当所述用户不接受推荐时，所述反馈信息包括所述用户采用的胰岛素响应方案及其评分，其中，所述评分是基于第二时间段的目标血糖时间占比和/或第二时间段的血糖浓度变化率确定的。
第一胰岛素推荐方案或第二胰岛素推荐方案输出在显示界面上，供用户选择是否接受推荐，在第一胰岛素推荐方案或第二胰岛素推荐方案输出之后，进一步基于所述用户对推荐的反馈信息（是否接受第一胰岛素推荐方案或第二胰岛素推荐方案），基于不同的情况更新案例库。当所述用户接受第一胰岛素推荐方案时，所述反馈信息包括所述第一胰岛素推荐方案及其评分；当所述用户接受第二胰岛素推荐方案时，所述反馈信息包括所述第二胰岛素推荐方案及其评分；当所述用户拒绝推荐时，可以将用户采用的胰岛素响应方案及其评分更新至案例库；在没有获取到用户采用的胰岛素响应方案及其评分的情况下，不更新案例库，否则，每一次执行胰岛素推荐方法时，若评分满足评分阈值，需要将新的推荐方案及其评分更新至案例库中。随着用户使用次数的增多，案例库中的推荐方案也越来越精准、个性化，能够实现更佳的推荐。评分阈值可以设置为不小于90分。其中，所述第二时间段的目标血糖时间占比是基于所述期望血糖水平和第二时间段的血糖监测数据确定的，所述第二时间段的血糖浓度变化率是基于所述第二时间段的血糖监测数据确定的。
本发明的装置通过对用户的关键特征数据进行规则化，得到匹配特征值，并利用匹配特征值，在案例库中进行匹配、得到并向用户推荐第一胰岛素推荐方案，在匹配不到符合条件的方案时，基于预设规则可以得到并推荐第二胰岛素推荐方案；在完成推荐之后，基于所述用户对推荐的反馈信息，无论是在用户接受推荐还是用户拒绝推荐的情况下，都可以基于反馈信息，反馈信息包含了反映新案例对应的使用效果的评分，将反馈信息中使用效果较好的新案例更新到案例库中。随着用户使用次数的增加，案例库中各个历史案例中的可供选择的高评分方案就越多，推荐也会更加精准可靠，本发明充分考虑了用户个性化特征数据以及一段时间内的血糖监测数据，使得用户享受到更丰富、更合理的推荐，推荐精准、效果更好，提升了用户体验感。
进一步的，所述的胰岛素推荐装置，所述装置还包括血糖监测数据获取模块，所述血糖监测数据获取模块用于：通过网络从关联所述用户的血糖测量设备处获取用户的血糖监测数据；所述血糖监测数据包括第一时间段及第二时间段的血糖监测数据。
以上网络为有线或无线网络，关联所述用户的血糖测量设备包括但不限于含血糖传感器的血糖仪、采血测量设备、其他可以采集血糖浓度数据的生理数据采集设备。优选的，所述血糖测量设备是能够连续实时采集血糖浓度数据的连续血糖监测设备。
其中，所述第一时间段的血糖监测数据包括第一血糖浓度数据和第一血糖浓度变化率。
第一血糖浓度数据包括：当前时刻的第一血糖测量值及其对应的第一时间戳、第一时刻至当前时刻之间的历史血糖采集数据，所述历史血糖采集数据包括按预设时间间隔连续分布的若干个历史血糖测量值及其对应的若干个历史时间戳。预设时间间隔为连续血糖监测设备产生血糖的间隔，如3分钟。历史血糖采集数据包括距离当前时刻第一时间段的、以3分钟为周期连续分布的若干个历史血糖测量值及其对应的若干个历史时间戳。
可以基于所述第一血糖测量值及其对应的第一时间戳、以及在所述若干个历史血糖测量值及其对应的若干个历史时间戳中选取的第二值，确定所述血糖浓度变化率；所述第二值包括第二血糖测量值及其对应的第二时间戳，所述第二时间戳与所述第一时间戳相关联。
所述第一血糖浓度变化率是基于所述第一血糖浓度数据以正负值变化率的方式得到的，例如，血糖浓度变化率的计算方式为：（第一血糖测量值-第二血糖测量值）/( 第一时间戳-第二时间戳)，第二值的选择可在距离当前时刻的第三时间段内进行选择，第三时间段可以是1分钟至30分钟，优选的，可选择当前时刻之前的3分钟时的数据，若有数据缺失或异常，可选择其他距离当前时刻的第三时间段内的数据。
所述第二时间段的血糖监测数据包括第二血糖浓度数据和第二血糖浓度变化率；同理，所述第二血糖浓度变化率是基于所述第二血糖浓度数据以正负值变化率的方式得到的，正负值变化率能够体现血糖浓度的升、降或平稳水平，正负值变化率可以先通过函数转化为0-100之间的数值再使用。所述第二时间段从当前时刻延续至第二时刻，所述第二时刻在所述当前时刻之后。具体的，第二时间段的第二血糖浓度数据与第一时间段的第一血糖浓度数据可以在当前时刻有重合，第二时间段的第二血糖浓度数据也可以不包含当前时刻的数据。本发明充分考虑了第一时间段的血糖监测数据，进行方案推荐；并基于第二时间段的血糖监测数据反馈更新案例库，第二时间段的血糖监测数据主要用于对用户采用的方案进行评分，案例库多次更新后，推荐方案更适合用户。
进一步的，所述的胰岛素推荐装置，所述装置还包括用户数据获取模块，所述用户数据获取模块用于：获取用户关联数据以及期望血糖水平；所述用户关联数据包括当前用户关联数据和历史用户关联数据，所述当前用户关联数据、历史血糖关联数据均包括与血糖浓度相关联的一个或多个事件、一个或多个用户特征数据；所述期望血糖水平包括用户设定值、经验值、专家建议值中的至少一种或其结合。
用户关联数据包括用户手动输入、利用手机应用程序（APP）获取的图片识别出的、或其他设备获取的与血糖浓度相关联的数据，例如碳水摄入及其摄入量、运动量等。当前用户关联数据、历史血糖关联数据也分别带有时间戳。历史血糖关联数据辅助当前用户关联数据，用于推荐方案的获取，在推荐胰岛素时，可以充分考虑到与血糖浓度相关联的当前用户关联数据和历史用户关联数据，确保了推荐的准确性。
进一步的，所述的胰岛素推荐装置，所述一个或多个事件与碳水消耗、锻炼、睡眠以及物质的施予中的一个或多者相关联；所述物质的施予包括用药类型、用药剂量、碳水施予量；所述用药类型包括长效胰岛素、短效胰岛素、速效胰岛素中的至少一种。
考虑到不同的事件，例如用药类型、用药剂量、碳水施予量均对血糖浓度有较大影响，例如，速效胰岛素主要影响时间段为30分钟内，长效胰岛素主要影响时间段为2h内，因此需要考虑当前时刻的事件。
进一步的，所述的胰岛素推荐装置，所述一个或多个用户特征数据与用户的基本生理信息、个人信息中的至少一个相关联；所述基本生理信息包括胰岛素敏感系数、胰岛素-碳水比中的至少一种；所述个人信息包括性别、所处地域、糖尿病类型、年龄、体重、胰岛素历史使用年限中的至少一种。
所处地域、糖尿病类型、年龄等都是基于用户自身进行个性化设定的，考虑以上因素，可以得到更加个性化的案例库，推荐的结果更符合用户的真实情况。例如，糖尿病类型包括1型糖尿病、2型糖尿病、妊娠糖尿病，因为每个糖尿病类型的用户可能存在相似的血糖浓度规律、以及不同的食物、药物敏感性等，每个糖尿病类型的用户对于血糖浓度的变化具有一定的规律性，因此在推荐胰岛素时考虑到糖尿病类型，可以得到具有按照用户所属糖尿病类型进行区分的个性化案例库，推荐的结果更适用于患有该糖尿病类型的用户。
进一步的，所述的胰岛素推荐装置，所述案例库包括个性库和通用库，所述匹配模块20用于：基于所述至少两个匹配特征值，在所述个性库中进行匹配，并判断是否匹配成功。
若匹配失败，则基于所述至少两个匹配特征值，在所述通用库中进行匹配，并判断是否匹配成功。
其中，所述个性库是基于至少一个用户特征数据得到的，所述个性库的使用优先级大于所述通用库。
可以优先在个性库中进行匹配，若匹配成功，则采用个性库中的推荐方案，此时无需调用通用库；若在个性库中未匹配成功，则可以继续在通用库中进行匹配。个性库是基于用户的个性化特征数据得到的，个性库是基于用户的使用逐步完善更新的，也可以以其它方式更新。个性库与通用库是相互独立的，通用库是基于大数据得到的，可以定期更新。个性库和通用库中的推荐方案均是经过筛选的，评分均大于评分阈值。
进一步的，所述的胰岛素推荐装置，所述匹配模块20用于：基于每个所述匹配特征值与所述历史特征值组中对应的历史特征值，得到至少两个绝对距离；对每个所述绝对距离赋予对应的特征权值后相加，得到差异得分，所述特征权值是基于所对应的匹配特征值与胰岛素的相关性大小确定的；当所述差异得分不大于差异阈值，判断为匹配成功；当所述差异得分大于差异阈值，判断为匹配失败。
差异得分的计算方式在前述实施例中已进行说明，此处不再一一赘述。匹配时，为了加快响应速度和响应精准度，也可以基于部分匹配特征值进行预先筛选。具体的，基于至少一个匹配特征值，在所述案例库中进行预先筛选，得到预选库；所述预选库中的历史案例包含的历史特征值组中存在与所述至少一个匹配特征值相同的部分。至少一个匹配特征值可以是一个或两个及以上均可。例如用药类型，筛选出与用户用药类型一致的历史案例，再进一步将新案例与这些用药类型一致的历史案例进行匹配；即，先排除用药类型不一致的历史案例。例如，用药年限，可以筛选出与用户用药年限一致的历史案例，再进一步将新案例与这些用药年限一致的历史案例进行匹配；即，先排除用药年限不一致的历史案例。例如，也可以结合多个匹配特征值进行预先筛选，可以筛选出与用户用药年限、用药类型均一致的历史案例，再进一步将新案例与这些用药年限、用药类型均一致的历史案例进行匹配；即，先排除用药年限或用药类型不一致的历史案例。当然，也可以不进行预先筛选，直接基于匹配特征值逐一比较，通过差异得分来匹配。
进一步的，所述的胰岛素推荐装置，所述第一推荐模块30用于：在所述历史案例中选取所述差异得分不大于差异阈值的若干个的匹配方案，在所述若干个匹配方案中选取评分最高的第一胰岛素推荐方案；当出现至少两个评分相同的匹配方案时，基于所述至少两个评分相同的匹配方案的差异得分，确定出第一胰岛素推荐方案。
当评分最高的只有一个匹配方案，则将该评分最高的第一胰岛素推荐方案输出。
若评分最高的有多个，可以再继续比对差异得分，比对可以采用以下两种方式中的一种：
在至少两个评分相同的匹配方案中，选择差异得分更小的匹配方案作为第一胰岛素推荐方案输出；
基于评分相同的至少两个匹配方案的差异得分，利用最小加权平均法，计算出第一胰岛素推荐方案输出，例如，当存在两个评分相同且均为最高的匹配方案时，利用下式计算出第一胰岛素推荐方案：
Figure 724787DEST_PATH_IMAGE007
其中，B0表示利用最小加权平均法计算出的第一胰岛素推荐方案（胰岛素推荐量），B1表示其中一匹配方案的胰岛素推荐量，B2表示另一匹配方案的胰岛素推荐量，D1表示其中一匹配方案的差异得分，D2表示另一匹配方案的差异得分。在一种情况下，评分相同的至少两个匹配方案的差异得分也都相同时，也可以利用上式计算，计算出的第一胰岛素推荐方案就是平均值，也就是任一匹配方案。
进一步的，所述的胰岛素推荐装置，所述第二胰岛素推荐方案包括胰岛素推荐剂量，所述胰岛素推荐剂量是基于所述用户的关键特征数据和预设规则得到的，所述预设规则包括以下公式：
Figure 273711DEST_PATH_IMAGE001
其中，B表示胰岛素推荐剂量；CHO表示碳水施予量；ICR表示胰岛素-碳水比；G表示当前血糖采集数据；GT表示期望血糖水平；ISF表示胰岛素敏感系数；IOB表示体内现存的胰岛素。
期望血糖水平包括用户设定值、经验值、专家建议值中的至少一种或其结合；体内现存的胰岛素可以根据胰岛素测试仪器测得。期望血糖水平可以是一个数值，该数值与目标血糖时间占比、血糖浓度变化率中的至少一个相关联。
进一步的，所述的胰岛素推荐装置，所述评分是基于第二时间段的目标血糖时间占比和/或第二时间段的血糖浓度变化率确定的，包括：所述评分是利用以下公式确定的：
Figure 207032DEST_PATH_IMAGE002
其中，TIR表示第二时间段的目标血糖时间占比；Rate表示第二时间段的血糖浓度变化率，所述血糖浓度变化率以正负值变化率的方式确定；f(TIR)、f(Rate)分别表示将TIR、Rate转化为0-100之间数值的函数。如TIR为80%，则：F(TIR)=100*TIR。
a表示TIR的权重、b表示Rate的权重，且满足a+b=1。其中，a、b均为0-1的数值。当a=0，b=1时，不考虑第二时间段的目标血糖时间占比，仅考虑第二时间段的血糖浓度变化率；当a=1，b=0时，仅考虑第二时间段的目标血糖时间占比，不考虑第二时间段的血糖浓度变化率；a、b的数值可以由用户或用户对应的专家自定义，或预先设置好，a和b分别表示不同评分内容之间的权重，不同大小的a、b数值设置代表用户更关心胰岛素注射后的何种血糖表现。
进一步的，所述的胰岛素推荐装置，所述装置还包括专家建议获取模块，所述专家建议获取模块用于：通过网络将所述推荐发送给所述用户对应的专家。接收由所述专家对所述推荐的接受建议或拒绝建议，所述拒绝建议包括由所述专家开具的第三胰岛素推荐方案。相应的，所述用户采用的胰岛素响应方案包括所述第三胰岛素推荐方案。
该装置可利用有线或无线网络将推荐发送给专家，可以进一步在推荐的基础上征求用户对应的专家的意见，确保推荐的安全性、权威性、有效性。用户对应的专家在解读到相关信息和推荐时，可以根据经验、专业知识等给出接受建议或拒绝建议的建议，拒绝的情况下，还可以在分析后给出第三胰岛素推荐方案供用户选择，使得用户享受到更丰富、更合理的方案信息，也可以综合以上推荐和第三胰岛素推荐方案自行选择一个更合适自身情况的方案。
进一步的，所述的胰岛素推荐装置，所述装置还包括推荐暂停模块，所述推荐暂停模块用于：判断所述用户的关键特征数据中是否存在异常数据，若存在异常数据，则暂停所述推荐。
用户的关键特征数据中是否存在异常数据的判断是根据以往的用户的数据历史和经验进行判断。具体的，血糖监测数据和用户关联数据异常的判断一般是根据大数据、以往的用户的数据历史和经验进行判断。血糖监测数据异常可能是由于传感器异常、网络异常导致的数据超出一定范围、或者数据缺失等原因。用户关联数据异常可能是由于用户输入的值超出一定的正常适用范围。在案例库中进行匹配之前，若存在异常数据，则该数据不适用于推荐，此时需要暂停所述推荐，避免将有误差的数据推荐给用户而导致的安全隐患问题。
进一步的，所述的胰岛素推荐装置，所述装置还包括安全评估模块，所述安全评估模块用于：对所述第一胰岛素推荐方案、第二胰岛素推荐方案中的胰岛素推荐剂量进行预评估，仅输出在安全阈值范围内的胰岛素推荐剂量。
在将推荐展示给用户之前，还需要进行一个预先的安全性评估，通过预先设置的安全阈值，可以确保所有输出的推荐都是经过安全性评估的，由于每个用户的情况不同，将要注入的胰岛素类型也不同，因此安全阈值可以用户自定义或由用户对应的专家定义，一般的，安全阈值可以设置默认值，或没有默认值、需要个性化设置的，例如安全阈值设置的范围可以是0.1-30 unit。
进一步的，所述的胰岛素推荐装置，所述更新模块50用于：基于所述用户对推荐的反馈信息，得到新案例，并将所述新案例更新至所述案例库；所述新案例包括所述至少两个匹配特征值及其对应的响应方案及其评分，所述对应的响应方案及其评分包括所述第一胰岛素推荐方案及其评分、第二胰岛素推荐方案及其评分、胰岛素响应方案及其评分中的一种。
新案例是基于本次用户的关键特征数据得到的，或是用户采用的胰岛素响应方案及其评分，新案例是基于用户对推荐的反馈信息选取的，具体选取的是用户实际所选择的方案。若用户拒绝了推荐，并且没有输入其他响应方案时，此一轮执行胰岛素推荐方法的过程中可以不产生新案例，相应的，不更新案例库。新案例的产生一定是基于用户所确定的响应方案及其评分得到的，能够反映用户真实情况，确保案例库在使用过程中的推荐越来越精准，越适用于该用户。
进一步的，所述的胰岛素推荐装置，所述更新模块50还用于：对所述评分进行预评估，仅将评分大于评分阈值的新案例更新至所述案例库中。
仅当新案例的评分高于评分阈值，将新案例更新至案例库中。若评分低于评分阈值，则不更新。因此，案例库中存在的历史案例均是评分经过筛选、参考价值较高的高质量案例。
进一步的，所述的胰岛素推荐装置，所述装置还包括显示模块，用于实现所述推荐的可视化。
优选的，显示模块可以配置为显示所述第一胰岛素推荐方案或第二胰岛素推荐方案。
所述装置还可以包括第一采集模块，用于获取用户关联数据。
优选的，第一采集模块可以配置为获取用户关联数据的输入模块，尤其是第一时间段的用户关联数据，例如一个或多个事件、一个或多个用户特征数据。
所述装置还可以包括第二采集模块，用于采集所述用户对推荐的反馈信息。
优选的，第二采集模块可以配置为获取用户对推荐的反馈信息的输入模块，例如，当所述用户接受推荐时，所述反馈信息包括所述第一胰岛素推荐方案及其评分或所述第二胰岛素推荐方案及其评分；当所述用户不接受推荐时，所述反馈信息包括所述用户采用的胰岛素响应方案及其评分。
本发明还提供了一种用于监控血糖水平的系统，包括：
传感器，其被配置成获取用户的血糖监测数据；
无线发射器，其用以发射所述血糖监测数据；
以及
移动计算装置，其包括：
无线接收器，其被配置成接收所述血糖监测数据；
存储器，其用以存储包含所述所接收血糖监测数据的数据；
处理器，其用以处理所述数据，以及软件应用程序，其包含存储于所述存储器中的指令，所述指令当由所述处理器执行时对用户的关键特征数据进行规则化，得到至少两个匹配特征值；所述关键特征数据包括期望血糖水平、第一时间段的血糖监测数据和第一时间段的用户关联数据；
基于所述至少两个匹配特征值，在案例库中进行匹配，并判断是否匹配成功；其中，所述案例库中存储有若干个历史案例，每个所述历史案例包括历史特征值组、与所述历史特征值组相关联的历史胰岛素推荐方案及其评分；
若匹配成功，在若干个匹配方案中基于评分的排序选取第一胰岛素推荐方案，所述匹配方案是基于所述至少两个匹配特征值在所述案例库中匹配得到的；
若匹配失败，则输出第二胰岛素推荐方案，所述第二胰岛素推荐方案是基于所述用户的关键特征数据和预设规则得到的；
基于所述用户对推荐的反馈信息，更新所述案例库，所述推荐包括所述第一胰岛素推荐方案、第二胰岛素推荐方案；当所述用户接受推荐时，所述反馈信息包括所述第一胰岛素推荐方案及其评分或所述第二胰岛素推荐方案及其评分；当所述用户不接受推荐时，所述反馈信息包括所述用户采用的胰岛素响应方案及其评分，其中，所述评分是基于第二时间段的目标血糖时间占比和/或第二时间段的血糖浓度变化率确定的。
本发明的系统通过对用户的关键特征数据进行规则化，得到匹配特征值，并利用匹配特征值，在案例库中进行匹配、得到并向用户推荐第一胰岛素推荐方案，在匹配不到符合条件的方案时，基于预设规则可以得到并推荐第二胰岛素推荐方案；在完成推荐之后，基于所述用户对推荐的反馈信息，无论是在用户接受推荐还是用户拒绝推荐的情况下，都可以基于反馈信息，反馈信息包含了反映新案例对应的使用效果的评分，将反馈信息中使用效果较好的新案例更新到案例库中。随着用户使用次数的增加，案例库中各个历史案例中的可供选择的高评分方案就越多，推荐也会更加精准可靠，本发明充分考虑了用户个性化特征数据以及一段时间内的血糖监测数据，使得用户享受到更丰富、更合理的推荐，推荐精准、效果更好，提升了用户体验感。
图6示例了一种电子设备的实体结构示意图，该电子设备可以包括：处理器（processor）610、通信接口（Communications Interface）620、存储器（memory）630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行胰岛素推荐方法，该方法包括：
S1、对用户的关键特征数据进行规则化，得到至少两个匹配特征值；所述关键特征数据包括期望血糖水平、第一时间段的血糖监测数据和第一时间段的用户关联数据；
S2、基于所述至少两个匹配特征值，在案例库中进行匹配，并判断是否匹配成功；其中，所述案例库中存储有若干个历史案例，每个所述历史案例包括历史特征值组、与所述历史特征值组相关联的历史胰岛素推荐方案及其评分；
S3、若匹配成功，在若干个匹配方案中基于评分的排序选取第一胰岛素推荐方案，所述匹配方案是基于所述至少两个匹配特征值在所述案例库中匹配得到的；
S4、若匹配失败，则输出第二胰岛素推荐方案，所述第二胰岛素推荐方案是基于所述用户的关键特征数据和预设规则得到的；
S5、基于所述用户对推荐的反馈信息，更新所述案例库，所述推荐包括所述第一胰岛素推荐方案、第二胰岛素推荐方案；当所述用户接受推荐时，所述反馈信息包括所述第一胰岛素推荐方案及其评分或所述第二胰岛素推荐方案及其评分；当所述用户不接受推荐时，所述反馈信息包括所述用户采用的胰岛素响应方案及其评分，其中，所述评分是基于第二时间段的目标血糖时间占比和/或第二时间段的血糖浓度变化率确定的。
此外，上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的胰岛素推荐方法，该方法包括：
S1、对用户的关键特征数据进行规则化，得到至少两个匹配特征值；所述关键特征数据包括期望血糖水平、第一时间段的血糖监测数据和第一时间段的用户关联数据；
S2、基于所述至少两个匹配特征值，在案例库中进行匹配，并判断是否匹配成功；其中，所述案例库中存储有若干个历史案例，每个所述历史案例包括历史特征值组、与所述历史特征值组相关联的历史胰岛素推荐方案及其评分；
S3、若匹配成功，在若干个匹配方案中基于评分的排序选取第一胰岛素推荐方案，所述匹配方案是基于所述至少两个匹配特征值在所述案例库中匹配得到的；
S4、若匹配失败，则输出第二胰岛素推荐方案，所述第二胰岛素推荐方案是基于所述用户的关键特征数据和预设规则得到的；
S5、基于所述用户对推荐的反馈信息，更新所述案例库，所述推荐包括所述第一胰岛素推荐方案、第二胰岛素推荐方案；当所述用户接受推荐时，所述反馈信息包括所述第一胰岛素推荐方案及其评分或所述第二胰岛素推荐方案及其评分；当所述用户不接受推荐时，所述反馈信息包括所述用户采用的胰岛素响应方案及其评分，其中，所述评分是基于第二时间段的目标血糖时间占比和/或第二时间段的血糖浓度变化率确定的。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法所提供的胰岛素推荐方法，该方法包括：
S1、对用户的关键特征数据进行规则化，得到至少两个匹配特征值；所述关键特征数据包括期望血糖水平、第一时间段的血糖监测数据和第一时间段的用户关联数据；
S2、基于所述至少两个匹配特征值，在案例库中进行匹配，并判断是否匹配成功；其中，所述案例库中存储有若干个历史案例，每个所述历史案例包括历史特征值组、与所述历史特征值组相关联的历史胰岛素推荐方案及其评分；
S3、若匹配成功，在若干个匹配方案中基于评分的排序选取第一胰岛素推荐方案，所述匹配方案是基于所述至少两个匹配特征值在所述案例库中匹配得到的；
S4、若匹配失败，则输出第二胰岛素推荐方案，所述第二胰岛素推荐方案是基于所述用户的关键特征数据和预设规则得到的；
S5、基于所述用户对推荐的反馈信息，更新所述案例库，所述推荐包括所述第一胰岛素推荐方案、第二胰岛素推荐方案；当所述用户接受推荐时，所述反馈信息包括所述第一胰岛素推荐方案及其评分或所述第二胰岛素推荐方案及其评分；当所述用户不接受推荐时，所述反馈信息包括所述用户采用的胰岛素响应方案及其评分，其中，所述评分是基于第二时间段的目标血糖时间占比和/或第二时间段的血糖浓度变化率确定的。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (20)

1.一种胰岛素推荐方法，其特征在于，包括：
对用户的关键特征数据进行规则化，得到至少两个匹配特征值；所述关键特征数据包括期望血糖水平、第一时间段的血糖监测数据和第一时间段的用户关联数据；
基于所述至少两个匹配特征值，在案例库中进行匹配，并判断是否匹配成功；其中，所述案例库中存储有若干个历史案例，每个所述历史案例包括历史特征值组、与所述历史特征值组相关联的历史胰岛素推荐方案及其评分；
若匹配成功，在若干个匹配方案中基于评分的排序选取第一胰岛素推荐方案，所述匹配方案是基于所述至少两个匹配特征值在所述案例库中匹配得到的；
若匹配失败，则输出第二胰岛素推荐方案，所述第二胰岛素推荐方案是基于所述用户的关键特征数据和预设规则得到的；
基于所述用户对推荐的反馈信息，更新所述案例库，所述推荐包括所述第一胰岛素推荐方案、第二胰岛素推荐方案；当所述用户接受推荐时，所述反馈信息包括所述第一胰岛素推荐方案及其评分或所述第二胰岛素推荐方案及其评分；当所述用户不接受推荐时，所述反馈信息包括所述用户采用的胰岛素响应方案及其评分，其中，所述评分是基于第二时间段的目标血糖时间占比和第二时间段的血糖浓度变化率确定的；
所述第二胰岛素推荐方案是基于所述用户的关键特征数据和预设规则得到的，包括：
所述第二胰岛素推荐方案包括胰岛素推荐剂量，所述胰岛素推荐剂量是基于所述用户的关键特征数据和预设规则得到的，所述预设规则包括以下公式：
Figure DEST_PATH_IMAGE001
其中，B表示胰岛素推荐剂量；CHO表示碳水施予量；ICR表示胰岛素-碳水比；G表示当前血糖采集数据；GT表示期望血糖水平；ISF表示胰岛素敏感系数；IOB表示体内现存的胰岛素；所述评分是基于第二时间段的目标血糖时间占比和第二时间段的血糖浓度变化率确定的，包括：
所述评分是利用以下公式确定的：
Figure DEST_PATH_IMAGE002
其中，TIR表示第二时间段的目标血糖时间占比；Rate表示第二时间段的血糖浓度变化率，所述血糖浓度变化率以正负值变化率的方式确定；f(TIR) 、f(Rate)分别表示将TIR、Rate转化为0-100之间数值的函数；a表示TIR的权重、b表示Rate的权重，且满足a+b=1。
2.根据权利要求1所述的胰岛素推荐方法，其特征在于，所述方法还包括：
通过网络从关联所述用户的血糖测量设备处获取用户的血糖监测数据；
所述血糖监测数据包括第一时间段及第二时间段的血糖监测数据。
3.根据权利要求2所述的胰岛素推荐方法，其特征在于，所述对用户的关键特征数据进行规则化，得到至少两个匹配特征值之前，包括：
获取用户关联数据以及期望血糖水平；所述用户关联数据包括当前用户关联数据和历史用户关联数据，所述当前用户关联数据、历史血糖关联数据均包括与血糖浓度相关联的一个或多个事件、一个或多个用户特征数据；所述期望血糖水平包括用户设定值、经验值、专家建议值中的至少一种或其结合。
4.根据权利要求3所述的胰岛素推荐方法，其特征在于，所述一个或多个事件与碳水消耗、锻炼、睡眠以及物质的施予中的一个或多者相关联；所述物质的施予包括用药类型、用药剂量、碳水施予量中的至少一种；所述用药类型包括长效胰岛素、短效胰岛素、速效胰岛素中的至少一种。
5.根据权利要求4所述的胰岛素推荐方法，其特征在于，所述一个或多个用户特征数据与用户的基本生理信息、个人信息中的至少一个相关联；所述基本生理信息包括胰岛素敏感系数、胰岛素-碳水比中的至少一种；所述个人信息包括性别、所处地域、糖尿病类型、年龄、体重、胰岛素历史使用年限中的至少一种。
6.根据权利要求5所述的胰岛素推荐方法，其特征在于，所述案例库包括个性库和通用库，所述基于所述至少两个匹配特征值，在案例库中进行匹配，并判断是否匹配成功，包括：
基于所述至少两个匹配特征值，在所述个性库中进行匹配，并判断是否匹配成功；
若匹配失败，则基于所述至少两个匹配特征值，在所述通用库中进行匹配，并判断是否匹配成功；
其中，所述个性库是基于至少一个用户特征数据得到的，所述个性库的使用优先级大于所述通用库。
7.根据权利要求1所述的胰岛素推荐方法，其特征在于，所述基于所述至少两个匹配特征值，在案例库中进行匹配，并判断是否匹配成功，包括：
基于每个所述匹配特征值与所述历史特征值组中对应的历史特征值，得到至少两个绝对距离；对每个所述绝对距离赋予对应的特征权值后相加，得到差异得分，所述特征权值是基于所对应的匹配特征值与胰岛素的相关性大小确定的；
当所述差异得分不大于差异阈值，判断为匹配成功；当所述差异得分大于差异阈值，判断为匹配失败。
8.根据权利要求7所述的胰岛素推荐方法，其特征在于，所述在若干个匹配方案中基于评分的排序选取第一胰岛素推荐方案，包括：
在所述历史案例中选取所述差异得分不大于差异阈值的若干个的匹配方案，在所述若干个匹配方案中选取评分最高的第一胰岛素推荐方案；
当出现至少两个评分相同的匹配方案时，基于所述至少两个评分相同的匹配方案的差异得分，确定出第一胰岛素推荐方案。
9.根据权利要求1所述的胰岛素推荐方法，其特征在于，所述基于所述用户对推荐的反馈信息，更新所述案例库之前，包括：
通过网络将所述推荐发送给所述用户对应的专家；
接收由所述专家对所述推荐的接受建议或拒绝建议，所述拒绝建议包括由所述专家开具的第三胰岛素推荐方案；
相应的，所述用户采用的胰岛素响应方案包括所述第三胰岛素推荐方案。
10.根据权利要求1所述的胰岛素推荐方法，其特征在于，所述基于所述至少两个匹配特征值，在案例库中进行匹配之前，还包括：
判断所述用户的关键特征数据中是否存在异常数据，若存在异常数据，则暂停所述推荐。
11.根据权利要求1所述的胰岛素推荐方法，其特征在于，所述方法还包括：
对所述第一胰岛素推荐方案、第二胰岛素推荐方案中的胰岛素推荐剂量进行预评估，仅输出在安全阈值范围内的胰岛素推荐剂量。
12.根据权利要求1所述的胰岛素推荐方法，其特征在于，所述基于所述用户对推荐的反馈信息，更新所述案例库，包括：
基于所述用户对推荐的反馈信息，得到新案例，并将所述新案例更新至所述案例库；所述新案例包括所述至少两个匹配特征值及其对应的响应方案及其评分，所述对应的响应方案及其评分包括所述第一胰岛素推荐方案及其评分、第二胰岛素推荐方案及其评分、胰岛素响应方案及其评分中的一种。
13.根据权利要求12所述的胰岛素推荐方法，其特征在于，所述将所述新案例更新至所述案例库，包括：
对所述评分进行预评估，仅将评分大于评分阈值的新案例更新至所述案例库中。
14.根据权利要求1所述的胰岛素推荐方法，其特征在于，所述方法还包括：
利用至少一显示模块实现所述推荐的可视化；
和/或，利用至少一第一采集模块获取用户关联数据；
和/或，利用至少一第二采集模块采集所述用户对推荐的反馈信息。
15.根据权利要求1所述的胰岛素推荐方法，其特征在于，所述第一时间段从第一时刻延续至当前时刻，所述第一时刻在所述当前时刻之前，所述第二时间段从当前时刻延续至第二时刻，所述第二时刻在所述当前时刻之后。
16.根据权利要求1所述的胰岛素推荐方法，其特征在于，所述第二时间段的目标血糖时间占比是基于所述期望血糖水平和第二时间段的血糖监测数据确定的，所述第二时间段的血糖浓度变化率是基于所述第二时间段的血糖监测数据确定的。
17.一种胰岛素推荐装置，其特征在于，包括：
关键特征处理模块，用于对用户的关键特征数据进行规则化，得到至少两个匹配特征值；所述关键特征数据包括期望血糖水平、第一时间段的血糖监测数据和第一时间段的用户关联数据；
匹配模块，用于基于所述至少两个匹配特征值，在案例库中进行匹配，并判断是否匹配成功；其中，所述案例库中存储有若干个历史案例，每个所述历史案例包括历史特征值组、与所述历史特征值组相关联的历史胰岛素推荐方案及其评分；
第一推荐模块，用于若匹配成功，在若干个匹配方案中基于评分的排序选取第一胰岛素推荐方案，所述匹配方案是基于所述至少两个匹配特征值在所述案例库中匹配得到的；
第二推荐模块，用于若匹配失败，则输出第二胰岛素推荐方案，所述第二胰岛素推荐方案是基于所述用户的关键特征数据和预设规则得到的；
更新模块，用于基于所述用户对推荐的反馈信息，更新所述案例库，所述推荐包括所述第一胰岛素推荐方案、第二胰岛素推荐方案；当所述用户接受推荐时，所述反馈信息包括所述第一胰岛素推荐方案及其评分或所述第二胰岛素推荐方案及其评分；当所述用户不接受推荐时，所述反馈信息包括所述用户采用的胰岛素响应方案及其评分，其中，所述评分是基于第二时间段的目标血糖时间占比和第二时间段的血糖浓度变化率确定的；
所述第二胰岛素推荐方案是基于所述用户的关键特征数据和预设规则得到的，包括：
所述第二胰岛素推荐方案包括胰岛素推荐剂量，所述胰岛素推荐剂量是基于所述用户的关键特征数据和预设规则得到的，所述预设规则包括以下公式：
Figure 928860DEST_PATH_IMAGE001
其中，B表示胰岛素推荐剂量；CHO表示碳水施予量；ICR表示胰岛素-碳水比；G表示当前血糖采集数据；GT表示期望血糖水平；ISF表示胰岛素敏感系数；IOB表示体内现存的胰岛素；所述评分是基于第二时间段的目标血糖时间占比和第二时间段的血糖浓度变化率确定的，包括：
所述评分是利用以下公式确定的：
Figure 314842DEST_PATH_IMAGE002
其中，TIR表示第二时间段的目标血糖时间占比；Rate表示第二时间段的血糖浓度变化率，所述血糖浓度变化率以正负值变化率的方式确定；f(TIR) 、f(Rate)分别表示将TIR、Rate转化为0-100之间数值的函数；a表示TIR的权重、b表示Rate的权重，且满足a+b=1。
18.一种用于监控血糖水平的系统，其特征在于，包括：
传感器，其被配置成获取用户的血糖监测数据；
无线发射器，其用以发射所述血糖监测数据；
以及
移动计算装置，其包括：
无线接收器，其被配置成接收所述血糖监测数据；
存储器，其用以存储包含所述血糖监测数据的数据；
处理器，其用以处理所述数据，以及软件应用程序，其包含存储于所述存储器中的指令，所述指令当由所述处理器执行时对用户的关键特征数据进行规则化，得到至少两个匹配特征值；所述关键特征数据包括期望血糖水平、第一时间段的血糖监测数据和第一时间段的用户关联数据；
基于所述至少两个匹配特征值，在案例库中进行匹配，并判断是否匹配成功；其中，所述案例库中存储有若干个历史案例，每个所述历史案例包括历史特征值组、与所述历史特征值组相关联的历史胰岛素推荐方案及其评分；
若匹配成功，在若干个匹配方案中基于评分的排序选取第一胰岛素推荐方案，所述匹配方案是基于所述至少两个匹配特征值在所述案例库中匹配得到的；
若匹配失败，则输出第二胰岛素推荐方案，所述第二胰岛素推荐方案是基于所述用户的关键特征数据和预设规则得到的；
基于所述用户对推荐的反馈信息，更新所述案例库，所述推荐包括所述第一胰岛素推荐方案、第二胰岛素推荐方案；当所述用户接受推荐时，所述反馈信息包括所述第一胰岛素推荐方案及其评分或所述第二胰岛素推荐方案及其评分；当所述用户不接受推荐时，所述反馈信息包括所述用户采用的胰岛素响应方案及其评分，其中，所述评分是基于第二时间段的目标血糖时间占比和第二时间段的血糖浓度变化率确定的；
所述第二胰岛素推荐方案是基于所述用户的关键特征数据和预设规则得到的，包括：
所述第二胰岛素推荐方案包括胰岛素推荐剂量，所述胰岛素推荐剂量是基于所述用户的关键特征数据和预设规则得到的，所述预设规则包括以下公式：
Figure 829000DEST_PATH_IMAGE001
其中，B表示胰岛素推荐剂量；CHO表示碳水施予量；ICR表示胰岛素-碳水比；G表示当前血糖采集数据；GT表示期望血糖水平；ISF表示胰岛素敏感系数；IOB表示体内现存的胰岛素；所述评分是基于第二时间段的目标血糖时间占比和第二时间段的血糖浓度变化率确定的，包括：
所述评分是利用以下公式确定的：
Figure 693051DEST_PATH_IMAGE002
其中，TIR表示第二时间段的目标血糖时间占比；Rate表示第二时间段的血糖浓度变化率，所述血糖浓度变化率以正负值变化率的方式确定；f(TIR) 、f(Rate)分别表示将TIR、Rate转化为0-100之间数值的函数；a表示TIR的权重、b表示Rate的权重，且满足a+b=1。
19.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至16任一项所述的胰岛素推荐方法的步骤。
20.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至16任一项所述的胰岛素推荐方法的步骤。
CN202210007244.7A 2022-01-06 2022-01-06 胰岛素推荐方法和装置、监控血糖水平的系统 Active CN114023418B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210007244.7A CN114023418B (zh) 2022-01-06 2022-01-06 胰岛素推荐方法和装置、监控血糖水平的系统
PCT/CN2022/085451 WO2023130598A1 (zh) 2022-01-06 2022-04-07 胰岛素推荐方法和装置、监控血糖水平的系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210007244.7A CN114023418B (zh) 2022-01-06 2022-01-06 胰岛素推荐方法和装置、监控血糖水平的系统

Publications (2)

Publication Number Publication Date
CN114023418A CN114023418A (zh) 2022-02-08
CN114023418B true CN114023418B (zh) 2022-04-01

Family

ID=80069617

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210007244.7A Active CN114023418B (zh) 2022-01-06 2022-01-06 胰岛素推荐方法和装置、监控血糖水平的系统

Country Status (2)

Country Link
CN (1) CN114023418B (zh)
WO (1) WO2023130598A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114023418B (zh) * 2022-01-06 2022-04-01 苏州百孝医疗科技有限公司 胰岛素推荐方法和装置、监控血糖水平的系统
CN114374946B (zh) * 2022-03-17 2022-06-21 苏州百孝医疗科技有限公司 用于分析物浓度数据监测系统的通信方法及装置
CN116439698B (zh) * 2023-03-31 2023-12-15 中南大学 一种重症监护室血糖监测预警方法、系统及设备
CN116721733B (zh) * 2023-08-10 2023-11-07 武汉联影智融医疗科技有限公司 血糖值调整方法、装置和存储介质
CN117694879A (zh) * 2023-08-30 2024-03-15 武汉联影智融医疗科技有限公司 基于人工胰腺系统的血糖控制装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102500013A (zh) * 2011-11-22 2012-06-20 北京化工大学 基于模型预测控制的大剂量胰岛素全自动智能输注方法和装置
CN105912881A (zh) * 2016-06-14 2016-08-31 华南师范大学 基于大数据知识库的个性化治疗方案推荐系统
CN107715230A (zh) * 2017-10-12 2018-02-23 微泰医疗器械(杭州)有限公司 基于云端大数据的胰岛素泵个体化配置优化系统和方法
CN112017747A (zh) * 2020-09-04 2020-12-01 四川大学 一种增强ct对比剂注射方案智能推荐方法
CN113035319A (zh) * 2021-04-26 2021-06-25 南通大学 糖尿病患者生活方式管理路径自动推荐方法及系统

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9990581B2 (en) * 2012-07-11 2018-06-05 Roche Diabetes Care, Inc. Insulin dosage assessment and recommendation system
US20170053084A1 (en) * 2015-08-21 2017-02-23 Medtronic Minimed, Inc. Data analytics and reporting of glucose-related information
EP4437953A2 (en) * 2018-12-28 2024-10-02 Dexcom, Inc. Evaluation and visualization of glycemic dysfunction
US11935637B2 (en) * 2019-09-27 2024-03-19 Insulet Corporation Onboarding and total daily insulin adaptivity
CN111048178A (zh) * 2019-12-30 2020-04-21 杭州知盛数据科技有限公司 胰岛素控制方法、装置和设备
WO2021167938A1 (en) * 2020-02-18 2021-08-26 Eli Lilly And Company Methods and systems for generating behavioral insights using survey instruments and diabetes treatment information
CN112908445A (zh) * 2021-02-20 2021-06-04 上海市第四人民医院 基于强化学习的糖尿病患者血糖管理方法、系统、介质及终端
CN114023418B (zh) * 2022-01-06 2022-04-01 苏州百孝医疗科技有限公司 胰岛素推荐方法和装置、监控血糖水平的系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102500013A (zh) * 2011-11-22 2012-06-20 北京化工大学 基于模型预测控制的大剂量胰岛素全自动智能输注方法和装置
CN105912881A (zh) * 2016-06-14 2016-08-31 华南师范大学 基于大数据知识库的个性化治疗方案推荐系统
CN107715230A (zh) * 2017-10-12 2018-02-23 微泰医疗器械(杭州)有限公司 基于云端大数据的胰岛素泵个体化配置优化系统和方法
CN112017747A (zh) * 2020-09-04 2020-12-01 四川大学 一种增强ct对比剂注射方案智能推荐方法
CN113035319A (zh) * 2021-04-26 2021-06-25 南通大学 糖尿病患者生活方式管理路径自动推荐方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于电子病历的典型诊疗模式挖掘方法研究;陈静锋;《中国博士学位论文全文数据库-医药卫生科技辑》;20200630(第6期);E053-12 *
糖尿病饮食推荐系统设计与实现;司慧枫;《中国优秀硕士学位论文全文数据库-信息科技辑》;20160331(第3期);I138-7668 *

Also Published As

Publication number Publication date
CN114023418A (zh) 2022-02-08
WO2023130598A1 (zh) 2023-07-13

Similar Documents

Publication Publication Date Title
CN114023418B (zh) 胰岛素推荐方法和装置、监控血糖水平的系统
US11574742B2 (en) Diabetes management therapy advisor
US11309089B2 (en) Human metabolic condition management
US20200077931A1 (en) Forecasting blood glucose concentration
US9990581B2 (en) Insulin dosage assessment and recommendation system
US11344232B2 (en) Systems and methods for analyzing, interpreting, and acting on continuous glucose monitoring data
US20170076630A1 (en) Optimizing Messages Sent to Diabetic Patients in an Interactive System Based on Estimated HbA1c Levels
CN110753967A (zh) 基于患者概况的胰岛素滴定算法
WO2021165747A1 (en) Devices, systems, and methods for predicting blood glucose levels based on a personalized blood glucose regulation model
WO2023115751A1 (zh) 血糖预测方法和装置、监测血糖水平的系统
CN114021672B (zh) 标签生成方法和装置、监控血糖水平的系统
US20210151190A1 (en) Joint state estimation prediction that evaluates differences in predicted vs. corresponding received data
US20230338654A1 (en) System and method for titrating basal insulin doses
US20240058532A1 (en) System and method for titrating basal insulin doses
Skrøvseth et al. Statistical modeling of aggregated lifestyle and blood glucose data in type 1 diabetes patients
CN118974840A (zh) 用于滴定基础胰岛素剂量的系统和方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant