CN118056246A - 对反馈进行排序以改善糖尿病管理 - Google Patents
对反馈进行排序以改善糖尿病管理 Download PDFInfo
- Publication number
- CN118056246A CN118056246A CN202280066024.XA CN202280066024A CN118056246A CN 118056246 A CN118056246 A CN 118056246A CN 202280066024 A CN202280066024 A CN 202280066024A CN 118056246 A CN118056246 A CN 118056246A
- Authority
- CN
- China
- Prior art keywords
- feedback
- glucose
- user
- time
- diabetes management
- 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.)
- Pending
Links
- 206010012601 diabetes mellitus Diseases 0.000 title claims abstract description 383
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims abstract description 1099
- 239000008103 glucose Substances 0.000 claims abstract description 1099
- 238000005259 measurement Methods 0.000 claims abstract description 565
- 230000009471 action Effects 0.000 claims abstract description 46
- 230000006872 improvement Effects 0.000 claims abstract description 40
- 238000012937 correction Methods 0.000 claims abstract description 18
- 230000009286 beneficial effect Effects 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims description 120
- 238000012544 monitoring process Methods 0.000 claims description 119
- 230000002218 hypoglycaemic effect Effects 0.000 claims description 44
- 230000002459 sustained effect Effects 0.000 claims description 21
- 230000003442 weekly effect Effects 0.000 abstract description 9
- 230000000737 periodic effect Effects 0.000 abstract description 2
- 238000007726 management method Methods 0.000 description 349
- 230000004048 modification Effects 0.000 description 192
- 238000012986 modification Methods 0.000 description 192
- 230000003542 behavioural effect Effects 0.000 description 159
- 238000001514 detection method Methods 0.000 description 154
- 230000037081 physical activity Effects 0.000 description 116
- 230000006399 behavior Effects 0.000 description 115
- 238000010801 machine learning Methods 0.000 description 86
- 230000007958 sleep Effects 0.000 description 85
- 230000000694 effects Effects 0.000 description 74
- 238000012806 monitoring device Methods 0.000 description 60
- 210000002216 heart Anatomy 0.000 description 46
- 238000012549 training Methods 0.000 description 42
- 239000003814 drug Substances 0.000 description 37
- 235000013305 food Nutrition 0.000 description 36
- 230000036541 health Effects 0.000 description 36
- 201000001421 hyperglycemia Diseases 0.000 description 36
- 229940079593 drug Drugs 0.000 description 35
- 235000012054 meals Nutrition 0.000 description 35
- 235000021152 breakfast Nutrition 0.000 description 34
- 238000003860 storage Methods 0.000 description 34
- 210000004369 blood Anatomy 0.000 description 32
- 239000008280 blood Substances 0.000 description 32
- 230000000291 postprandial effect Effects 0.000 description 32
- 230000003993 interaction Effects 0.000 description 31
- 230000004044 response Effects 0.000 description 27
- 208000013016 Hypoglycemia Diseases 0.000 description 23
- 230000008859 change Effects 0.000 description 21
- 238000005516 engineering process Methods 0.000 description 21
- 230000006870 function Effects 0.000 description 18
- 230000008569 process Effects 0.000 description 18
- 230000002354 daily effect Effects 0.000 description 17
- 238000004422 calculation algorithm Methods 0.000 description 16
- 238000013507 mapping Methods 0.000 description 15
- 238000010606 normalization Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 14
- 230000002123 temporal effect Effects 0.000 description 14
- 230000003345 hyperglycaemic effect Effects 0.000 description 13
- 150000001720 carbohydrates Chemical class 0.000 description 12
- 230000002829 reductive effect Effects 0.000 description 11
- 230000002641 glycemic effect Effects 0.000 description 10
- 230000001788 irregular Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 230000007423 decrease Effects 0.000 description 9
- JYGXADMDTFJGBT-VWUMJDOOSA-N hydrocortisone Chemical compound O=C1CC[C@]2(C)[C@H]3[C@@H](O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 JYGXADMDTFJGBT-VWUMJDOOSA-N 0.000 description 8
- 238000003780 insertion Methods 0.000 description 8
- 230000037431 insertion Effects 0.000 description 8
- 238000013480 data collection Methods 0.000 description 6
- 230000003068 static effect Effects 0.000 description 6
- 230000002776 aggregation Effects 0.000 description 5
- 238000004220 aggregation Methods 0.000 description 5
- 235000013361 beverage Nutrition 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 239000012636 effector Substances 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 238000005096 rolling process Methods 0.000 description 5
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 206010067584 Type 1 diabetes mellitus Diseases 0.000 description 4
- 230000002730 additional effect Effects 0.000 description 4
- 239000000853 adhesive Substances 0.000 description 4
- 230000001070 adhesive effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000000386 athletic effect Effects 0.000 description 4
- 239000013060 biological fluid Substances 0.000 description 4
- 239000004020 conductor Substances 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000000537 electroencephalography Methods 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 4
- 229960000890 hydrocortisone Drugs 0.000 description 4
- NOESYZHRGYRDHS-UHFFFAOYSA-N insulin Chemical compound N1C(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(NC(=O)CN)C(C)CC)CSSCC(C(NC(CO)C(=O)NC(CC(C)C)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CCC(N)=O)C(=O)NC(CC(C)C)C(=O)NC(CCC(O)=O)C(=O)NC(CC(N)=O)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CSSCC(NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2C=CC(O)=CC=2)NC(=O)C(CC(C)C)NC(=O)C(C)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2NC=NC=2)NC(=O)C(CO)NC(=O)CNC2=O)C(=O)NCC(=O)NC(CCC(O)=O)C(=O)NC(CCCNC(N)=N)C(=O)NCC(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC(O)=CC=3)C(=O)NC(C(C)O)C(=O)N3C(CCC3)C(=O)NC(CCCCN)C(=O)NC(C)C(O)=O)C(=O)NC(CC(N)=O)C(O)=O)=O)NC(=O)C(C(C)CC)NC(=O)C(CO)NC(=O)C(C(C)O)NC(=O)C1CSSCC2NC(=O)C(CC(C)C)NC(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CC(N)=O)NC(=O)C(NC(=O)C(N)CC=1C=CC=CC=1)C(C)C)CC1=CN=CN1 NOESYZHRGYRDHS-UHFFFAOYSA-N 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 4
- 238000007477 logistic regression Methods 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 208000001072 type 2 diabetes mellitus Diseases 0.000 description 4
- CDBYLPFSWZWCQE-UHFFFAOYSA-L Sodium Carbonate Chemical compound [Na+].[Na+].[O-]C([O-])=O CDBYLPFSWZWCQE-UHFFFAOYSA-L 0.000 description 3
- 239000012491 analyte Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- WQZGKKKJIJFFOK-VFUOTHLCSA-N beta-D-glucose Chemical compound OC[C@H]1O[C@@H](O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-VFUOTHLCSA-N 0.000 description 3
- 235000013339 cereals Nutrition 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 235000011850 desserts Nutrition 0.000 description 3
- 230000008451 emotion Effects 0.000 description 3
- 230000037406 food intake Effects 0.000 description 3
- 208000017169 kidney disease Diseases 0.000 description 3
- 235000013372 meat Nutrition 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000036385 rapid eye movement (rem) sleep Effects 0.000 description 3
- 230000029058 respiratory gaseous exchange Effects 0.000 description 3
- 238000012552 review Methods 0.000 description 3
- 235000013311 vegetables Nutrition 0.000 description 3
- 208000024827 Alzheimer disease Diseases 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- MHAJPDPJQMAIIY-UHFFFAOYSA-N Hydrogen peroxide Chemical compound OO MHAJPDPJQMAIIY-UHFFFAOYSA-N 0.000 description 2
- 206010020772 Hypertension Diseases 0.000 description 2
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 2
- 102000004877 Insulin Human genes 0.000 description 2
- 108090001061 Insulin Proteins 0.000 description 2
- 208000008589 Obesity Diseases 0.000 description 2
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 2
- 208000017442 Retinal disease Diseases 0.000 description 2
- 206010038923 Retinopathy Diseases 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 230000009194 climbing Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000008094 contradictory effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 235000008242 dietary patterns Nutrition 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000035622 drinking Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 210000003722 extracellular fluid Anatomy 0.000 description 2
- 230000004190 glucose uptake Effects 0.000 description 2
- 229940125396 insulin Drugs 0.000 description 2
- 230000008376 long-term health Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000002503 metabolic effect Effects 0.000 description 2
- 201000001119 neuropathy Diseases 0.000 description 2
- 230000007823 neuropathy Effects 0.000 description 2
- 230000000422 nocturnal effect Effects 0.000 description 2
- 235000020824 obesity Nutrition 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 208000033808 peripheral neuropathy Diseases 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 230000037074 physically active Effects 0.000 description 2
- 230000035479 physiological effects, processes and functions Effects 0.000 description 2
- 229910052700 potassium Inorganic materials 0.000 description 2
- 239000011591 potassium Substances 0.000 description 2
- 230000000246 remedial effect Effects 0.000 description 2
- 238000005067 remediation Methods 0.000 description 2
- 238000009531 respiratory rate measurement Methods 0.000 description 2
- 230000000284 resting effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000036578 sleeping time Effects 0.000 description 2
- 235000011888 snacks Nutrition 0.000 description 2
- 229910052708 sodium Inorganic materials 0.000 description 2
- 239000011734 sodium Substances 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 235000001366 vegetable intake Nutrition 0.000 description 2
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 108010015776 Glucose oxidase Proteins 0.000 description 1
- 239000004366 Glucose oxidase Substances 0.000 description 1
- JVTAAEKCZFNVCJ-UHFFFAOYSA-M Lactate Chemical compound CC(O)C([O-])=O JVTAAEKCZFNVCJ-UHFFFAOYSA-M 0.000 description 1
- 208000022249 Sleep-Wake Transition disease Diseases 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000010241 blood sampling Methods 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000016097 disease of metabolism Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 210000001508 eye Anatomy 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 229940116332 glucose oxidase Drugs 0.000 description 1
- 235000019420 glucose oxidase Nutrition 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 208000019423 liver disease Diseases 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000002483 medication Methods 0.000 description 1
- 208000030159 metabolic disease Diseases 0.000 description 1
- 238000012737 microarray-based gene expression Methods 0.000 description 1
- 238000012243 multiplex automated genomic engineering Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000012913 prioritisation Methods 0.000 description 1
- 230000036387 respiratory rate Effects 0.000 description 1
- 230000009528 severe injury Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 210000002027 skeletal muscle Anatomy 0.000 description 1
- 208000019116 sleep disease Diseases 0.000 description 1
- 208000022925 sleep disturbance Diseases 0.000 description 1
- 230000004617 sleep duration Effects 0.000 description 1
- 230000003860 sleep quality Effects 0.000 description 1
- 230000004622 sleep time Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Classifications
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
-
- 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
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Emergency Medicine (AREA)
- Optics & Photonics (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medicinal Chemistry (AREA)
- Physiology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
生成关于用户的糖尿病管理的反馈，诸如标识前几天的给定时间段内的葡萄糖测量结果的改善的反馈、标识持续积极模式的反馈、标识时间段之间葡萄糖测量结果偏差的反馈、标识用户可能采取以进行有益的糖尿病管理行为的潜在行为矫正的反馈、标识在特定事件或状况没有发生或不存在的情况下用户的葡萄糖会是多少的反馈等等。反馈呈现系统分析所识别的反馈，并且基于各种排序、规则和条件来选择反馈以向该用户显示。在各种时间向该用户提供所选择的反馈，诸如定期报告(例如，每日或每周报告)、实时(例如，向该用户通知他的葡萄糖水平在他刚刚没有散步的情况下会是多少)等等。
Description
发明人：
麦琪克劳福德，马克德雷津斯基，劳伦杰普森，莎拉皮克斯，罗伯特多德，迦达阿恰罗尔，阿博卡马斯
相关申请
本申请要求2021年10月28日提交的名称为“Ranking Feedback For ImprovingDiabetes Management”的美国临时专利申请号63/263,188的权益，该美国临时专利申请的全部公开内容据此以引用方式并入。
背景技术
糖尿病是影响数亿人口的代谢疾病，并且是世界范围内死亡的主要原因之一。对于患有I型糖尿病的人来说，获得治疗对于他们的生存是至关重要的，并且它可以减少患有II型糖尿病的人的不良后果。通过适当的治疗，可以避免由于糖尿病引起的对心脏、血管、眼睛、肾和神经的严重损伤。无论糖尿病属于哪种类型(例如，I型或II型)，成功控制糖尿病都需要监测并经常调整食物和活动，以控制患者的血糖，诸如减少葡萄糖的剧烈波动和/或普遍降低患者的葡萄糖。
然而，许多常规的葡萄糖监测应用程序采用的用户界面显示原始葡萄糖信息的方式很难让用户理解，尤其是最近才开始监测葡萄糖的用户。因此，用户可能无法从数据中得到启示，从而无法以有意义的方式改变自己的行为以改善他们的葡萄糖。随着时间的推移，这些用户经常由于这些常规葡萄糖监测应用程序所呈现信息的方式而变得不知所措和沮丧，并且因此在能够实现他们的葡萄糖和总体健康的改善之前停止使用这些应用程序。此外，随着用户越来越多地利用移动装置(例如，智能手表和智能电话)来访问葡萄糖监测信息，由这些移动装置的小屏幕所施加的限制进一步加剧了常规系统对于以用户能够理解的方式提供有意义的葡萄糖信息的失败。
发明内容
为了克服这些问题，本公开讨论了用于对反馈进行排序以改善糖尿病管理的技术。在一个或多个具体实施中，在糖尿病管理监测系统中，从糖尿病管理监测系统的传感器获得糖尿病管理测量结果。基于糖尿病管理测量结果来识别与这些糖尿病管理测量结果对应的多个糖尿病管理反馈。确定该多个糖尿病管理反馈中具有最高排序的一个或多个糖尿病管理反馈，并且使得显示所确定的糖尿病管理反馈。
这一发明内容以简化的形式介绍一些概念，这些概念将在下面的具体实施方式中进一步描述。因此，这一发明内容不旨在识别要求保护的主题的必要特征，也不旨在用于帮助确定要求保护的主题的范围。
附图说明
参考附图描述具体实施方式。
图1是可操作来实现如本文所述的对反馈进行排序以改善糖尿病管理的具体实施的示例中的环境的图示。
图2描绘了可穿戴葡萄糖监测装置的具体实施的示例。
图3是实现本文所讨论的技术的系统的示例性架构的图示。
图4是糖尿病管理反馈生成系统的示例性架构的图示。
图5示出了提供指示在一段时间内至少一个特征的改善的反馈的示例。
图6示出了提供指示一天中的最佳时间段的反馈的示例。
图7示出了提供指示持续积极模式的反馈的示例。
图8描绘了实现糖尿病管理反馈以改善糖尿病管理的示例中的过程。
图9描绘了实现糖尿病管理反馈以改善糖尿病管理的另一示例中的过程。
图10是葡萄糖水平偏差检测系统的示例性架构的图示。
图11是基于内容的偏差检测模块的示例性具体实施的图示。
图12示出了生成偏差指示的示例。
图13描绘了在实现葡萄糖水平偏差检测的示例中的过程。
图14描绘了在实现葡萄糖水平偏差检测的另一示例中的过程。
图15是行为矫正识别系统的示例性架构的图示。
图16示出了提供行为矫正推荐以改善糖尿病管理的示例。
图17示出了针对不同检测模式的归一化大小的大小的示例。
图18描述了用于实现行为矫正反馈以改善糖尿病管理的示例性过程。
图19是葡萄糖预测系统的示例性架构的图示。
图20示出了生成预测的葡萄糖测量结果的示例。
图21示出了提供预测的葡萄糖测量结果的示例。
图22描绘了在实现血糖影响预测以改善糖尿病管理的示例中的过程。
图23描绘了在实现血糖影响预测以改善糖尿病管理的示例中的过程。
图24示出了反馈的示例。
图25描述了用于实现对反馈进行排序以改善糖尿病管理的过程的示例。
图26示出了包括计算装置的示例的系统的示例，该计算装置代表可实现本文所述的各种技术的一个或多个计算系统和/或装置。
具体实施方式
概述
本文讨论了用于对反馈进行排序以改善糖尿病管理的技术。概括地说，随着时间的推移获得用户的血糖水平测量结果。葡萄糖水平测量结果通常通过用户穿戴的可穿戴葡萄糖监测装置来获得。可基本上连续地产生葡萄糖水平测量结果，使得装置可被配置为响应于建立与不同装置的通信耦合(例如，当计算装置建立与可穿戴葡萄糖水平监测装置的无线连接以检索测量结果中的一个或多个测量结果时)等而以规律或不规律的时间间隔(例如，大约每小时、大约每30分钟、大约每5分钟等)来产生葡萄糖水平测量结果。基于各种规则分析这些葡萄糖水平测量结果，以确定用户的良好(或任选地不良)糖尿病管理的时间段，并且向用户提供指示这种情况的反馈。
生成关于用户的糖尿病管理的各种不同反馈，诸如标识前一天或多天的给定时间段内葡萄糖测量结果的改善的反馈、标识一天中葡萄糖测量结果最佳的时间段的反馈(例如，在最佳范围内或最接近最佳值)、标识持续积极模式的反馈(例如，在多天中的每一天的相同时间段内良好的糖尿病管理)、标识时间段之间葡萄糖测量结果偏差的反馈、标识用户可能采取以进行有益的糖尿病管理行为的潜在行为矫正(例如，行动)的反馈、标识在没有发生或不存在(例如，用户没有散步)特定事件或状况的情况下用户的葡萄糖会是多少的反馈等等。
鉴于可以生成大量反馈，反馈呈现系统会分析所识别的反馈，并基于各种排序、规则和条件来选择反馈以向用户显示。反馈呈现系统可以在各种时间向用户提供所选择的反馈，诸如以规律的间隔(例如，每日或每周报告)、实时地(例如，向用户通知他的葡萄糖水平在他刚刚没有散步的情况下会是多少)等等。
本文讨论的技术通过减少提供给用户的反馈量(一次或随时间的反馈项目的数量)来改进呈现给用户的用户界面。可以向用户呈现大量反馈，但呈现过多反馈的系统很快就会让用户不知所措。在这种情况下，如果用户对反馈信息采取行动，可能会提供信息并改善糖尿病管理，但由于反馈量过多，用户就会迷失方向，无法采取行动。此外，大量的反馈可能会使用户失去敏感性，再次导致那些可能改善糖尿病管理(如果根据反馈采取行动的话)的反馈实际上被用户忽略或不采取行动。因此，与提供过多反馈的系统相比，本文讨论的技术减少了提供给用户的反馈量，通过提高用户根据反馈采取行动的可能性并提高他们的短期或长期健康水平来改善用户的糖尿病管理。
本文讨论的技术通过以用户易于理解的方式提供反馈，进一步改进了向用户提供的用户界面—向用户提供的反馈不是(或除了)原始葡萄糖数据，而是强调用户所采取的有利于其葡萄糖的行动、建议可采取的其他行动以改善糖尿病管理等。
本文讨论的技术进一步减少了提供给用户的反馈的重复性(例如，不会每天显示相同的反馈)，同时向用户提供个性化的反馈(例如，排序最高的反馈)。重复地提供相同或类似的反馈可能会使用户对反馈失去敏感性，从而导致那些可能具有参考价值并能改善糖尿病管理(如果根据反馈采取行动的话)的反馈实际上被用户忽略或不采取行动。因此，减少向用户提供的反馈的重复性并提高个性化程度，可改善用户与计算装置的交互，并通过提高用户根据反馈采取行动的可能性和改善其短期或长期健康状况来改善用户的糖尿病管理。
在以下讨论中，首先描述可采用本文所述技术的示例性环境。然后描述可在示例性环境以及其他环境中执行的具体实施细节和程序的示例。示例性程序的执行不限于示例性环境，并且示例性环境不限于示例性程序的执行。
环境的示例
图1是可操作来实现如本文所述的对反馈进行排序以改善糖尿病管理的具体实施的示例中的环境100的图示。所示环境100包括被描绘为穿戴可穿戴葡萄糖监测装置104的人102。所示环境100还包括计算装置106、用户群体108中穿戴葡萄糖监测装置104的其他用户以及葡萄糖监测平台110。可佩戴葡萄糖监测装置104、计算装置106、用户群体108和葡萄糖监测平台110通信联接，包括经由网络112。
另选地或除此之外，可佩戴葡萄糖监测装置104和计算装置106可以以其他方式通信联接，诸如使用一个或多个无线通信协议或技术。以举例的方式，可穿戴葡萄糖监测装置104和计算装置106可以使用蓝牙(例如，蓝牙低功耗链路)、近场通信(NFC)、5G等中的一者或多者来彼此通信。
根据所述技术，可佩戴葡萄糖监测装置104被配置为提供人102的葡萄糖的测量结果。尽管本文讨论了可佩戴葡萄糖监测装置，但是应当理解，用于葡萄糖监测的用户界面可结合能够提供葡萄糖测量结果的其他装置来生成和呈现，例如，不可佩戴葡萄糖装置，诸如需要手指针刺的血糖仪、贴片等。然而，在涉及可佩戴葡萄糖监测装置104的具体实施中，其可以被配置有葡萄糖传感器，该葡萄糖传感器连续地检测指示人102的葡萄糖的分析物并且能够生成葡萄糖测量结果。在所示环境100中并且在整个详细描述中，这些测量结果被表示为葡萄糖测量结果114。
在一个或多个具体实施中，可穿戴式葡萄糖监测装置104是连续式葡萄糖监测(“CGM”)系统。如本文所用，术语“连续”在与相关葡萄糖监测结合使用时可指装置基本上连续地产生测量结果的能力，使得装置可被配置为响应于与不同装置建立通信联接(例如，当计算装置与可穿戴葡萄糖监测装置104建立无线连接以检索一个或更多个测量结果时)而以规律或不规律的时间间隔(例如，每小时、每30分钟、每5分钟等)产生葡萄糖测量结果114等等。关于图2，其更详细地讨论了该功能以及可穿戴葡萄糖监测装置104的配置的其他方面。
另外，可穿戴葡萄糖监测装置104诸如经由无线连接将葡萄糖测量结果114传输至计算装置106。可穿戴葡萄糖监测装置104可实时传送这些测量结果，例如，当使用葡萄糖传感器产生这些测量结果时。另选地或除此之外，可穿戴葡萄糖监测装置104可以以设定的时间间隔将葡萄糖测量结果114传送至计算装置106。例如，可穿戴葡萄糖监测装置104可被配置成每五分钟(当它们正在被产生时)将葡萄糖测量结果114传送至计算装置106。
当然，在不脱离所描述的技术的精神或范围的情况下，传送葡萄糖测量结果114的间隔可以与以上示例不同。根据所描述的技术，测量结果可由可穿戴葡萄糖监测装置104根据其他基础传送至计算装置106，诸如基于来自计算装置106的请求。无论如何，计算装置106可以至少暂时地将人102的葡萄糖测量结果114维持在例如计算装置106的计算机可读存储介质中。
尽管示为移动装置(例如，移动电话)，但计算装置106可在不脱离所描述的技术的精神或范围的情况下以各种方式来配置。作为示例而非限制，计算装置106可被配置为不同类型的装置，诸如移动装置(例如，可穿戴装置、平板装置、或膝上型计算机)、固定装置(例如，台式计算机)、车载计算机等等。在一个或多个具体实施中，计算装置106可被配置为与葡萄糖监测平台110相关联的专用装置(例如，具有从可穿戴葡萄糖监测装置104获得葡萄糖测量结果114、执行与葡萄糖测量结果114有关的各种计算、显示与葡萄糖测量结果114和葡萄糖监测平台110有关的信息、将葡萄糖测量结果114传送至葡萄糖监测平台110等的功能)。
另外，根据所描述的技术，计算装置106可表示多于一个装置。在一个或多个场景中，例如，计算装置106可以对应于可穿戴装置(例如，智能手表)和移动电话两者。在此类场景中，这两个装置都能够执行相同操作中的至少一些操作，诸如从可穿戴葡萄糖监测装置104接收葡萄糖测量结果114、经由网络112将它们传送至葡萄糖监测平台110、显示与葡萄糖测量结果114相关的信息等等。另选地或除此之外，不同装置可具有其他装置不具有的或通过用于特定装置的计算指令来限制的不同能力。
例如，在计算装置106对应于单独的智能手表和移动电话的场景中，智能手表可以被配置有各种传感器和功能，以测量人102的各种生理标志(例如，心率、心率变异性、呼吸、血流速率等)和活动(例如，步数或其他锻炼)。在这种场景中，移动电话可以不被配置有这些传感器和功能，或者它可以包括有限量的该功能-尽管在其他场景中，移动电话可能能够提供相同的功能。继续此特定场景，移动电话可具有智能手表不具有的能力，诸如用以捕获与葡萄糖监测及使得移动电话能够更有效地执行关于葡萄糖测量结果114的计算的计算资源(例如，电池及处理速度)的量相关联的图像的相机。即使在智能手表能够执行此类计算的场景中，计算指令也可将那些计算的执行限制到移动电话，以便不加重两个装置的负担且有效地利用可用资源。就这一点而言，计算装置106可以以与本文所讨论的不同的方式来配置并且表示不同数量的装置，而不脱离所描述的技术的精神和范围。
根据所讨论的技术，计算装置106被配置为实现对反馈进行排序以改善糖尿病管理。在环境100中，计算装置106包括葡萄糖监测应用程序116和存储装置118。此处，葡萄糖监测应用程序116包括糖尿病管理反馈生成系统120和糖尿病管理反馈呈现系统122。尽管被示为包括在计算装置106中，但是附加地或另选地，糖尿病管理反馈生成系统120和糖尿病管理反馈呈现系统122中的一者或两者的至少一些功能位于别处，诸如在葡萄糖监测平台110中。此外，葡萄糖测量结果114和反馈库124被示为存储在存储装置118中。存储装置118可表示一个或多个数据库以及能够存储葡萄糖测量结果114和反馈库124的其他类型的存储器。反馈库124存储可提供给用户102的多个反馈项目(例如，消息或消息模板)，例如以突出近期糖尿病管理选择的积极影响供用户102反思和激励、识别偏差、识别目标、识别未进行特定活动时的葡萄糖测量结果等等。
在一个或多个具体实施中，葡萄糖测量结果114和/或反馈库124可至少部分地远离计算装置106存储，例如存储在葡萄糖监测平台110的存储装置中，并且结合配置和输出(例如，显示)用于糖尿病管理反馈呈现的用户界面来检索或以其他方式访问。例如，葡萄糖测量结果114和/或反馈库124通常可与用户群体108和/或反馈库124的葡萄糖测量一起存储在葡萄糖监测平台110的存储器装置中，并且可根据需要检索或以其他方式访问其中的一些数据，以显示用于糖尿病管理反馈呈现的用户界面。
广义地说，葡萄糖监测应用程序116被配置为支持与用户的交互，该交互使得能够呈现关于用户的葡萄糖的反馈。例如，这可包括获得葡萄糖测量结果114以进行处理(例如，确定适当的反馈)、接收用户信息(例如，通过上传过程和/或用户反馈)、将信息传送给健康护理提供者、将信息传送给葡萄糖监测平台110等等。
在一个或多个具体实施中，葡萄糖监测应用程序116还结合对反馈进行排序来利用葡萄糖监测平台110的资源以改善糖尿病管理。如上所述，例如，葡萄糖监测平台110可被配置为存储数据，诸如与用户(例如，人102)和/或用户群体108中的用户相关联的葡萄糖测量结果114和反馈库124。葡萄糖监测平台110还可向葡萄糖监测应用程序116提供更新和/或添加。此外，葡萄糖监测平台110可训练、维护和/或部署算法(例如，机器学习算法)以生成或选择反馈或识别提供反馈的时间段，诸如通过使用从人102和用户群体108中的用户收集的大量数据。一个或多个此类算法可能需要超过典型的个人计算装置(例如，移动电话、膝上型计算机、平板装置和可佩戴装置，仅举几个例子)的资源的大量计算资源。尽管如此，葡萄糖监测平台110可包括或以其他方式访问操作此类算法所需的资源量，例如云存储、服务器装置、虚拟化资源等。葡萄糖监测平台110可提供葡萄糖监测应用程序116结合使得糖尿病管理反馈能够经由用户界面呈现而利用的各种资源。
根据所述的技术，糖尿病管理反馈生成系统120被配置为使用葡萄糖测量结果114来识别反馈库124中的一个或多个反馈项目，并且糖尿病管理反馈呈现系统122被配置为引起呈现所识别的糖尿病管理反馈的一个或多个用户界面的输出。葡萄糖监测应用程序116可使得经由计算装置106的显示装置或其他显示装置显示所配置的用户界面126。
如上文及下文所讨论的，可根据所述的技术基于用户的葡萄糖测量结果114来选择或生成各种糖尿病管理反馈(例如，消息)。在例如连续地测量葡萄糖并获得描述此类测量结果的数据的上下文中，考虑下文对图2的讨论。
图2更详细地描绘了图1的可穿戴葡萄糖监测装置104的具体实施的示例200。具体地，所示示例200包括可穿戴葡萄糖监测装置104的顶视图和对应的侧视图。应当理解，在不脱离所描述的技术的精神或范围的情况下，可穿戴葡萄糖监测装置104可以以各种方式根据以下讨论在具体实施中变化。如上所述，例如，包括糖尿病管理反馈呈现的用户界面可与用于葡萄糖监测的其他类型的装置(诸如非可穿戴装置(例如，需要指尖采血的血糖仪)、贴片等等)结合来配置和显示(或以其他方式输出)。
在该示例200中，可穿戴葡萄糖监测装置104被示出为包括传感器202和传感器模块204。这里，传感器202在侧视图中被描绘为已经皮下插入皮肤206(例如，人102的皮肤)中。传感器模块204在顶视图中被描绘为虚线矩形。在所示示例200中，可佩戴葡萄糖监测装置104还包括发射器208。传感器模块204的虚线矩形的使用指示其可被容纳在发射器208中或以其他方式在该发射器的壳体内实现。在该示例200中，可穿戴葡萄糖监测装置104还包括粘结垫210和附接机构212。
在操作中，可组装传感器202、粘结垫210和附接机构212以形成施加组件，其中该施加组件被配置为施用于皮肤206，使得传感器202如所描绘的被皮下插入。在此类场景中，发射器208可在组件施用于皮肤206之后经由附接机构212附接到该组件。另选地，发射器208可作为施加组件的一部分并入，使得传感器202、粘结垫210、附接机构212和发射器208(与传感器模块204一起)可全部同时施用于皮肤206。在一个或多个具体实施中，使用单独的传感器施加器(未示出)将该施加组件施加至皮肤206。与常规血糖仪所需的手指针刺不同，用户启动的可穿戴葡萄糖监测装置104的应用几乎是无痛的并且不需要抽血。此外，自动传感器施加器通常使得人102能够将传感器202皮下嵌入到皮肤206中，而无需临床医生或保健提供者的协助。
也可通过将粘结垫210从皮肤206上剥离来移除施加组件。应当理解，可穿戴葡萄糖监测装置104及其如图所示的各种部件仅仅是一个示例性形状因数，并且可穿戴葡萄糖监测装置104及其部件可具有不同的形状因数而不脱离所描述的技术的精神或范围。
在操作中，传感器202经由至少一个通信信道通信联接到传感器模块204，该至少一个通信信道可为无线连接或有线连接。从传感器202到传感器模块204、或从传感器模块204到传感器202的通信可主动地或被动地实现，并且这些通信可为连续的(例如，模拟的)或离散的(例如，数字的)。
传感器202可为响应于至少部分地独立于传感器202的事件而变化或导致发生变化的装置、分子和/或化学物质。传感器模块204被实现为接收对传感器202的变化或由传感器202引起的变化的指示。例如，传感器202可包括葡萄糖氧化酶，该葡萄糖氧化酶与葡萄糖和氧反应以形成过氧化氢，该过氧化氢可由可包括电极的传感器模块204电化学检测到。在该示例中，传感器202可被配置为或包括葡萄糖传感器，该葡萄糖传感器被配置为使用一种或多种测量技术来检测血液或间质液中指示糖尿病测量结果的分析物。在一个或更多个具体实施中，传感器202还可被配置为检测血液或间质液中指示其他标记物(诸如乳酸水平)的分析物，这可提高生成各种糖尿病管理反馈的准确性。除此之外或另选地，可佩戴葡萄糖监测装置104可包括传感器202的附加传感器以检测指示其他标记物的那些分析物。
在另一示例中，传感器202(或可穿戴葡萄糖监测装置104的附加传感器(未示出))可包括第一电导体和第二电导体，并且传感器模块204可电检测跨传感器202的第一电导体和第二电导体的电位的变化。在该示例中，传感器模块204和传感器202被配置为热电偶，使得电位的变化对应于温度变化。在一些示例中，传感器模块204和传感器202被配置为检测单一分析物(例如，葡萄糖)。在其他示例中，传感器模块204和传感器202被配置为检测多种分析物(例如，钠、钾、二氧化碳和葡萄糖)。另选地或除此之外，可穿戴葡萄糖监测装置104包括多个传感器以不仅检测一种或多种分析物(例如，钠、钾、二氧化碳、葡萄糖和胰岛素)，而且检测一种或多种环境条件(例如，温度)。因此，传感器模块204和传感器202(以及任何附加传感器)可检测一种或多种分析物的存在、一种或多种分析物的不存在和/或一种或多种环境条件的变化。
在一个或多个具体实施中，传感器模块204可以包括处理器和存储器(未示出)。通过利用处理器，传感器模块204可基于与传感器202的指示以上讨论的变化的通信来生成葡萄糖测量结果114。基于来自传感器202的这些通信，传感器模块204还被配置为生成包括至少一个葡萄糖测量结果114的可通信数据包。在一个或多个具体实施中，传感器模块204可配置那些包以包括附加数据，以举例但非限制的方式，该附加数据包括传感器标识符、传感器状态、对应于葡萄糖测量结果114的温度、对应于葡萄糖测量结果114的其他分析物的测量结果等等。应理解此类包可包括除至少一个葡萄糖测量结果114之外的各种数据，而不脱离所述技术的精神或范围。
在可佩戴葡萄糖监测装置104被配置用于无线传输的具体实施中，发射器208可将葡萄糖测量结果114以数据流形式无线发送到计算装置。另选地或除此之外，传感器模块204可缓冲葡萄糖测量结果114(例如，在传感器模块204的存储器中和/或可佩戴葡萄糖监测装置104的其他物理计算机可读存储介质中)并且导致发射器208稍后以各种间隔，例如时间间隔(每秒、每三十秒、每分钟、每五分钟、每小时等)、存储间隔(当缓冲的葡萄糖测量结果114达到数据的阈值量或测量结果的数量时)等，发送缓冲的葡萄糖测量结果114。
在考虑了环境的示例和可穿戴葡萄糖监测装置的示例之后，现在考虑用于对反馈进行排序以改善糖尿病管理的技术的细节的一些示例的讨论。
系统架构
图3是实现本文所讨论的技术的系统300的示例性架构的图示。系统300包括反馈生成系统120和反馈呈现系统122。在例示的示例中，反馈生成系统120接收葡萄糖测量结果114和附加数据302。该附加数据302可为下文更详细讨论的各种不同数据中的任一种数据，诸如活动数据、膳食数据、药物数据等。反馈生成系统120包括糖尿病管理反馈生成系统304、葡萄糖水平偏差检测系统306、行为矫正识别系统308和葡萄糖预测系统310。系统304-310中的每个系统分析葡萄糖测量结果114，并且任选地分析附加数据302，以生成糖尿病管理反馈指示312，该指示也被称为葡萄糖管理反馈指示或者简称为反馈指示。反馈指示312是针对用户102的糖尿病管理反馈或葡萄糖管理反馈的指示。反馈指示312可采取各种形式，诸如向用户102提供的反馈(例如，特定文本)、分析葡萄糖测量结果114，以及任选地，允许反馈呈现系统122确定向用户102提供哪个反馈(例如，特定文本)的附加数据302等等。系统304-310能够以各种不同的方式生成反馈指示312，如下文更详细讨论的。
尽管反馈生成系统120被示为包括糖尿病管理反馈生成系统304、葡萄糖水平偏差检测系统306、行为矫正识别系统308和葡萄糖预测系统310，但是反馈生成系统120不必包括系统304、306、308和310中的所有系统。例如，反馈生成系统120可包括糖尿病管理反馈生成系统304、葡萄糖水平偏差检测系统306、行为矫正识别系统308和葡萄糖预测系统310的子集(例如，其中两者或三者)。附加地或另选地，反馈生成系统120可包括附加的反馈生成系统。
糖尿病管理反馈生成系统304被配置为使用葡萄糖测量结果114以及任选地使用附加数据302来生成反馈指示312。通常，糖尿病管理反馈生成系统304分析用户102的葡萄糖测量结果114，并在葡萄糖测量结果114中寻找指示用户的良好糖尿病管理的模式。良好的糖尿病管理能够以各种方式来量化，诸如葡萄糖测量结果114停留在特定范围内，葡萄糖测量结果114变化不超过特定量，等等。在一个或多个具体实施中，糖尿病管理反馈生成系统304通过以下方式来识别良好的糖尿病管理：识别在前一天或多天的给定时间段内的葡萄糖测量结果114的改善；识别一天中葡萄糖测量结果114最佳(例如，在最佳范围内或最接近最佳值)的时间段；识别持续的积极模式(例如，在多天中的每一天的相同时间段内良好的糖尿病管理)，或它们的组合。糖尿病管理反馈生成系统304在反馈指示312中包括指示良好糖尿病管理的反馈或者反馈呈现系统122可根据其生成指示良好糖尿病管理的反馈的数据。提供此反馈是为了供用户反思和激励，通常会给用户提供鼓舞人心的洞察，以继续进行良好的糖尿病管理，以改善他们的健康、延长他们的寿命等等。该反馈还教导用户如何做出良好的糖尿病管理选择，例如让用户可将自己在某一时间段的变化(例如，增加他或她的蔬菜摄入量)模仿到其他时间段。
葡萄糖水平偏差检测系统306被配置为使用葡萄糖测量结果114以及任选地使用附加数据302来识别用户的葡萄糖水平的偏差并且生成反馈指示312。通常，葡萄糖水平偏差检测系统306分析用户102的葡萄糖测量结果114，并寻找与用户标准的偏差。这些与标准的偏差可基于各种因素，诸如相对于用户当天早些时候的葡萄糖水平的用户当前或最近的葡萄糖水平、相对于用户在前几天的对应时间的葡萄糖水平的当前或最近的葡萄糖水平等等。在检测到一个或多个偏差时，葡萄糖水平偏差检测系统306在反馈指示312中包括针对用户的反馈(诸如偏差的标识)或反馈呈现系统122可根据其生成针对用户的反馈的数据。
行为矫正识别系统308被配置为使用葡萄糖测量结果114来生成反馈指示312。行为矫正反馈(也被称为可执行目标)是指用户可采取以改变(例如，改善)他或她的糖尿病管理的一个或多个行动。通常，行为矫正识别系统308分析用户102的葡萄糖测量结果114，并在葡萄糖测量结果114中寻找指示用户的不良(或非最佳)糖尿病管理的模式。不良糖尿病管理能够以各种方式来量化，诸如葡萄糖测量结果114未停留在特定范围内，葡萄糖测量结果114变化大于特定量，等等。在一个或多个具体实施中，行为矫正识别系统308通过识别跨多个时间窗口的时间窗口给定时间段(例如，给定多小时时间段，诸如多天中的每一天的上午6点到中午)的葡萄糖测量结果114中的模式来识别不良糖尿病管理。行为矫正识别系统308识别对应于所识别的不良糖尿病管理的行为矫正反馈。行为矫正识别系统308在反馈指示312中包括对应于由行为矫正识别系统308识别的不良糖尿病管理的反馈或者反馈呈现系统122可根据其生成对应于由行为矫正识别系统308识别的不良糖尿病管理的反馈的信息。
葡萄糖预测系统310被配置为使用葡萄糖测量结果114以及任选地使用附加数据302来生成反馈指示312。通常，葡萄糖预测系统310分析用户的活动数据并且确定体力活动的周期何时发生。葡萄糖预测系统310预测在没有发生身体活动的情况下用户102的葡萄糖测量结果会是多少，并且基于预测的葡萄糖测量结果采取各种行动(例如，为用户生成指示在他们没有进行体力活动的情况下他们的葡萄糖会是多少的反馈)。葡萄糖预测系统310在反馈指示312中包括针对用户的反馈，该反馈指示在用户没有进行体力活动的情况下他们的葡萄糖会是多少；或者包括数据，反馈呈现系统122可根据该数据生成针对用户的反馈，该反馈指示在用户没有进行体力活动的情况下他们的葡萄糖会是多少。
反馈呈现系统122接收由系统304-310生成的反馈指示312。通常，反馈呈现系统122引起呈现由反馈指示312指示的糖尿病管理反馈的一个或多个用户界面的输出。反馈呈现系统122包括反馈排序模块320、反馈选择模块322、UI模块324和反馈日志326。反馈排序模块320对反馈指示312所指示的各种反馈进行排序，并将经排序的反馈332提供给反馈选择模块322。反馈选择模块322选择经排序的反馈332中的一个或多个反馈，并将所选择的反馈334提供给UI模块324。反馈日志326记录历史上已向用户递送了什么反馈，并且允许调整经排序的反馈以使得所递送的见解不重复。
UI模块324接收所选择的反馈334并且使得所选择的反馈334被显示或以其他方式呈现(例如，在计算装置106处)。该显示或其他呈现可采取各种形式，诸如静态文本显示、图形或视频显示、音频呈现、它们的组合等等。
糖尿病管理反馈生成系统架构
通常，糖尿病管理反馈生成系统304接收葡萄糖测量结果的数据流。还可任选地接收各种其他数据流，诸如活动数据(例如，用户迈出的步数)。生成并存储特定时间段的一个或多个特征，每个特征是可根据数据流中的数据计算的值，并且指示用户是否一直在进行有益的糖尿病管理行为或生活方式选择。特征可包括度量，该度量为生成和存储的特定时间段的数据流中的数据的表示或概括。例如，这些时间段是一天中不同的多小时时间块。例如，一天可包括从午夜到早上6点的第一时间段(对应于睡眠)、从早上6点到中午的第二时间段(对应于早餐后)、从中午到下午6点的第三时间段(对应于午餐后)以及从下午6点到午夜的第四时间段(对应于晚餐后)。这些时间段可为固定的或者可基于在不同数据流中识别的特征而被自适应地识别(例如，睡眠开始可由活动监测器检测并且可用于确定该日期的“睡眠”时间段的开始)。
以各种方式来识别良好的糖尿病管理，诸如通过识别在前一天或多天的给定时间段内的葡萄糖测量结果的改善、识别一天中葡萄糖测量结果最佳(例如，在最佳范围内或最接近最佳值)的时间段、识别持续的积极模式(例如，在多天中的每一天的相同时间段内良好的糖尿病管理)等等。一旦被识别，就生成反馈，该反馈向用户通知葡萄糖测量结果的这些改善、一天的最佳时间段、持续的积极模式、它们的组合等等。该反馈可为回顾性的，例如，通知用户他或她在前一天或当天结束时在糖尿病管理方面的表现如何。
本文讨论的技术类似地适用于识别不良糖尿病管理。可识别不良糖尿病管理并向用户显示或以其他方式呈现反馈(例如，警告或负面影响)以鼓励用户进行更好的糖尿病管理。此反馈可用于识别需要解决的问题区域、未来应避免的行动或选择等。
本文讨论的技术为用户生成反馈，该反馈向用户通知他或她已经做出的良好糖尿病管理选择(或不良糖尿病管理选择)。提供此反馈是为了供用户反思和激励，通常会给用户提供鼓舞人心的洞察，以继续进行良好的糖尿病管理，以改善他们的健康、延长他们的寿命等等。该反馈还教导用户如何做出良好的糖尿病管理选择，例如让用户可将自己在某一时间段的变化(例如，增加他或她的蔬菜摄入量)模仿到其他时间段。
图4是糖尿病管理反馈生成系统304的示例性架构的图示。糖尿病管理反馈生成系统304包括糖尿病管理特征确定模块402、糖尿病管理特征比较模块404、归一化模块406(任选)、糖尿病管理反馈识别模块408、UI模块410(任选)和用户特定糖尿病管理特征阈值确定模块412。通常，糖尿病管理反馈生成系统304分析用户102的葡萄糖测量结果114，并在葡萄糖测量结果114中寻找指示用户的良好糖尿病管理的模式。良好的糖尿病管理能够以各种方式来量化，诸如葡萄糖测量结果114停留在特定范围内，葡萄糖测量结果114变化不超过特定量，等等。在一个或多个具体实施中，糖尿病管理反馈生成系统304通过以下方式来识别良好的糖尿病管理：识别在前一天或多天的给定时间段内的葡萄糖测量结果114的改善；识别一天中葡萄糖测量结果114最佳(例如，在最佳范围内或最接近最佳值)的时间段；识别持续的积极模式(例如，在多天中的每一天的相同时间段内良好的糖尿病管理)，或它们的组合。
糖尿病管理特征确定模块402接收数据流420(例如，图3的葡萄糖测量结果114和附加数据302)。在一个或多个具体实施中，数据流420包括葡萄糖测量结果114和指示何时获取(例如，由可穿戴葡萄糖监测装置104)或接收(例如，由葡萄糖监测应用程序116)葡萄糖测量结果114中的每一者的时间戳。该时间戳可例如由可穿戴葡萄糖监测装置104或葡萄糖监测应用程序116提供。附加地或另选地，数据流420包括可用于识别良好糖尿病管理的附加数据(例如，影响用户102体内的葡萄糖水平的其他数据)。该附加数据也可被称为附加数据流(例如，糖尿病管理特征确定模块402接收多个数据流420，每个数据流包括来自不同源或传感器的数据)。
例如，数据流420可包括活动数据，诸如在特定时间范围内(例如，每10秒、每分钟)散步的步数、在具有时间戳的特定时间范围内(例如，以规律或不规律的间隔，诸如每15秒)的心率、具有时间戳(例如，以规律或不规律的间隔，诸如每15秒)的移动速度，等等。可从各种源接收活动数据，诸如可穿戴葡萄糖监测装置104、在计算装置106上运行的活动跟踪应用程序、由用户102穿戴的活动或健身跟踪器等等。
又如，数据流420可包括关于用户的睡眠模式的数据。例如，数据流420可包括指示用户睡眠的时间、用户在特定时间的睡眠状态(例如，阶段1、阶段2、阶段3或快速眼动(REM)睡眠)等的数据。
又如，数据流420可包括关于用户与葡萄糖监测应用程序116互动的数据。例如，该应用程序互动数据可包括用户102何时查看应用程序以及查看了UI的哪些屏幕或部分的时间戳、用户102何时向应用116提供输入(或以其他方式与该应用程序交互)以及该输入是什么的时间戳、用户何时查看或确认由糖尿病管理反馈生成系统304提供的反馈的时间戳等等。
又如，数据流420可包括关于用户与其他用户群体108中其他人互动(诸如经由葡萄糖监测平台110)的数据。例如，该其他用户互动数据可包括用户102何时与另一用户通信以及该其他用户是谁的时间戳、与另一用户交流了什么信息的描述等等。
又如，数据流420可包括膳食数据。例如，该膳食数据可包括用户102进食时间和摄入的食物的时间戳、摄入特定类型或类别食物(例如，蔬菜、谷物、肉类、甜食、苏打水)的时间戳、摄入的食物量等。
又如，数据流420可包括睡眠数据，诸如指示一天中用户正在睡眠的分钟数的数据。可从各种源接收睡眠数据，诸如可穿戴葡萄糖监测装置104、在计算装置106上运行的睡眠跟踪应用程序、由用户102穿戴的活动或健身跟踪器等等。
又如，数据流420可包括药物数据。例如，该药物数据可包括用户102何时服用药物以及服用了什么药物的时间戳(其可用于确定用户102是否正在按规定的时间或间隔服用他或她的药物)、药物变化的指示(例如，服用的药物的类型或剂量的变化)，等等。
又如，数据流420可包括反映压力管理的数据，诸如心率变异性(HRV)、皮肤电导率和温度、呼吸速率测量结果、来自脑电图(EEG)的数据、生物流体中的皮质醇、从皮肤释放的挥发性有机成分(VOC)，等等。
又如，数据流420可包括与用户与计算装置106、与计算装置106的显示器、或与指示进行糖尿病管理的水平的其他系统部件的交互有关的数据。这样的数据的示例包括打开应用程序(例如，葡萄糖监测应用程序)的次数、回顾葡萄糖数据或先前的见解或教育材料所花费的时间、与教练或临床医生交互的频率等等。
在一个或多个实施方案中，糖尿病管理反馈生成系统304接收包括葡萄糖测量结果114的数据流420并且提供反馈以改善糖尿病管理。此外，糖尿病管理反馈生成系统304任选地接收数据流420中的附加数据，该附加数据可用于在没有葡萄糖测量结果114的情况下识别积极的糖尿病管理行为或这些行为的影响。例如，如果用户102仅周期性地使用CGM，但继续使用葡萄糖监测应用程序116或另一糖尿病管理应用程序(或穿戴收集附加数据的其他装置)，则糖尿病管理反馈生成系统304继续提供在未使用CGM的时间期间从该其他数据导出的反馈。
糖尿病管理特征确定模块402生成一个或多个特征422。特征422是指可根据一个或多个数据流中的数据计算的任何值，并且指示用户是否一直在进行有益的糖尿病管理行为或生活方式选择。特征422可为度量，该度量为特定时间段的数据流420中的数据的表示或概括。在一个或多个具体实施中，每个特征422是一个或两个值，其表示或概括特定时间段的数据流420中的数据，将从数据流420获得的原始数据转换成为坚持有益的糖尿病管理和生活方式选择的数字指示符。糖尿病管理特征确定模块402将所生成的特征422存储在数据存储库424中(例如，保存在存储装置118上)。所生成的特征422被维持一段持续时间，该持续时间随具体实施而变化。例如，所生成的特征422可被维持两周、一个月、一年等等。
在一个或多个具体实施中，每个时间段是一天中的一部分(或其他24小时间隔)。选择这些时间段以捕获特定糖尿病管理决策和生活方式选择的影响。在一个或多个具体实施中，基于用户进食和睡眠时间将每天分成多个时间段。例如，一天可包括从午夜到早上6点的第一时间段(对应于睡眠)、从早上6点到中午的第二时间段(对应于早餐后)、从中午到下午6点的第三时间段(对应于午餐后)以及从下午6点到午夜的第四时间段(对应于晚餐后)。附加地或另选地，附加时间段可对应于影响葡萄糖水平的其他用户行动，诸如当用户锻炼时。
葡萄糖监测应用程序116任选地提供用户界面，用户102可经由该用户界面定制针对他或她的典型日程表的时间段。例如，假设用户102通常晚上10点睡觉，早上7点吃早餐，中午吃午餐，下午5点吃晚餐。这些时间可被提供给葡萄糖监测应用程序116(例如，由用户)，其将一天的时间段确定为包括从晚上10点到早上7点的第一时间段(对应于睡眠)、从早上7点到中午的第二时间段(对应于早餐后)、从中午到下午5点的第三时间段(对应于午餐后)以及从下午5点到午夜的第四时间段(对应于晚餐后)。一天可被分成除四个之外的其他数量的时段。例如，假设用户102通常晚上10点睡觉，早上5点锻炼，早上7点吃早餐，上午11点吃午餐，下午2点吃下午茶，下午6点吃晚餐。这些时间可被提供给葡萄糖监测应用程序116，其将一天的时间段确定为包括从晚上10点到早上5点的第一时间段(对应于睡眠)、从早上5点到7点的第二时间段(对应于锻炼)、从早上7点到上午11点的第三时间段(对应于早餐后)、从上午11点到下午2点的第四时间段(对应于午餐后)、从下午2点到6点的第四时间段(对应于点心)以及从下午6点到晚上10点的第六时间段(对应于晚餐后)。
附加地或另选地，用户102的不同时间段可由葡萄糖监测应用程序116通过监测葡萄糖监测应用程序116可用的各种数据(例如，来自活动跟踪器的锻炼或睡眠模式、来自食物或卡路里跟踪应用程序的进食模式)来自动学习或直接检测(例如，由活动跟踪器检测到的睡眠开始)。可使用各种规则或标准来基于葡萄糖监测应用程序116可用的各种数据确定时间段，诸如从活动跟踪器检测睡眠开始和睡眠停止，并使用睡眠开始和睡眠停止的时间来确定与睡眠对应的时间段。
在一个或多个具体实施中，葡萄糖监测应用程序116使用机器学习系统来确定用户102的不同时间段。机器学习系统指可以基于输入进行调整(例如，训练)以近似未知函数的计算机表示。具体地，机器学习系统可以包括一种系统，该系统利用算法通过分析已知数据来学习已知数据并对已知数据进行预测，以学习生成反映已知数据的模式和属性的输出。例如，机器学习系统可以包括决策树、支持向量机、线性回归、逻辑回归、贝叶斯网络、随机森林学习、降维算法、增强算法、人工神经网络、深度学习等。
例如，通过使用训练数据和时间戳来训练机器学习系统，该训练数据是多组多个数据(例如，一天中锻炼、睡眠或进食的时间)，该时间戳指示锻炼、睡眠或进食何时完成。已知标签与指示数据所对应的时间段的多组多个数据相关联。通过更新机器学习系统中的层的权重或值来训练机器学习系统，以将由机器学习系统针对训练数据生成的时间段与针对训练数据的对应已知标签之间的损失最小化。各种不同的损失函数可以用于训练机器学习系统，诸如交叉熵损失、均方误差损失等。
在一个或多个具体实施中，随着时间推移使用葡萄糖监测应用程序116，随着时间推移训练机器学习系统。例如，用户可提供特定时间段是否正确的指示，并且该指示可用作当前时间段的已知标签并且用于进一步训练机器学习系统。
因此，可为不同的用户建立不同的时间段。此外，可为不同的日子建立不同的时间段。例如，用户102可在不同类型的日子具有不同的日程表(例如，在周末和假日的日程表与在工作日的日程表不同)。因此，不同类型的日子的时间段可由用户102提供或由葡萄糖监测应用程序116的机器学习系统确定。
在一个或多个实施方案中，不同时间段的时间块可针对用户在不同的日子中变化。例如，用户通常可在晚上11点到午夜之间入睡，并且在早上5:30到早上6:30之间醒来。对于任何给定的一天，用户入睡的时间和用户醒来的时间可使用各种数据流来检测，诸如来自用户穿戴的活动跟踪器的数据。因此，对应于用户睡眠的时间段可为一天的晚上11:13至早上6:00、晚上11:27至第二天早上5:48、晚上11:45至第二早上6:12等等。
在一个或多个实施方案中，时间段可针对不同的数据流而变化。可选择或识别不同数据流的时间周期，目的在于选择最佳捕获与行为本身的发生或特性(例如，膳食选择)、行为对生理的影响(例如，葡萄糖、睡眠质量等)(其可相对于行为延迟)或行为及其影响的组合相关的数据的时间窗口。
糖尿病管理特征确定模块402可针对每个时间段生成针对数据流420的多种特征422中的任意特征，并且可针对数据流420中的不同类型的数据生成不同的特征422(例如，针对葡萄糖测量结果的特征422与针对活动的特征不同)。例如，对于葡萄糖测量结果，糖尿病管理特征确定模块402可生成范围内时间特征，诸如在葡萄糖测量结果处于葡萄糖水平的可接受或期望范围(例如，在70毫克每分升(mg/dL)至180mg/dL之间或在70mg/dL至140mg/dL之间的窄范围)内的时间段期间的时间量。该可接受或期望范围可为默认范围，可为由用户或健康护理专业人员设置的定制范围等等。又如，对于葡萄糖测量结果，糖尿病管理特征确定模块402可生成时间低于阈值特征，诸如在葡萄糖测量结果低于特定葡萄糖水平(例如，250mg/dL或70mg/dL)的时间段期间的时间量。该特定葡萄糖水平可为默认水平，可为由用户或健康护理专业人员设置的定制水平等等。又如，对于葡萄糖测量结果，糖尿病管理特征确定模块402可生成时间高于阈值特征，诸如在葡萄糖测量结果高于特定葡萄糖水平(例如，250mg/dL)的时间段期间的时间量。该特定葡萄糖水平可为默认水平，可为由用户或健康护理专业人员设置的定制水平等等。又如，对于葡萄糖测量结果，糖尿病管理特征确定模块402可生成多种统计数据中的任一种，诸如该时间段内的葡萄糖测量结果的变化系数(该时间段内的葡萄糖测量结果的标准偏差与均值的比率)、该时间段内的平均葡萄糖测量结果、该时间段内的葡萄糖测量结果的标准偏差等。又如，对于葡萄糖测量结果，糖尿病管理特征确定模块402可生成多种附加值中的任一种，诸如该时间段内的最大葡萄糖测量结果、该时间段内的最大葡萄糖测量结果变化率、该时间段内的最大葡萄糖测量结果上升、该时间段内的低血糖指数(LBGI)、该时间段内的高血糖指数(HBGI)等等。又如，对于葡萄糖测量结果，糖尿病管理特征确定模块402可生成指示葡萄糖水平的增加或降低速率的值(例如，在预期进餐时间附近的快速上升可允许糖尿病管理反馈生成系统304推断患者消耗了具有高血糖指数的食物，或者从与检测到的身体活动相关联的高葡萄糖水平的快速下降可允许糖尿病管理反馈生成系统304推断用户采取行动以随着锻炼降低他们的葡萄糖)。
又如，对于活动数据，糖尿病管理特征确定模块402可生成步数特征，其为在该时间段期间迈出的步数、在该时间段期间的心率储备平均值或范围、在该时间段期间消耗的代谢当量(MET)等等。又如，对于活动数据，糖尿病管理特征确定模块402可生成范围内时间特征，诸如在用户的心率处于可接受或期望心率范围内(例如，在每分钟304次心跳(BPM)与170BPM之间)的时间段期间的时间量。该可接受或期望范围可为默认范围，可为由用户或健康护理专业人员设置的定制范围等等。又如，对于活动数据，糖尿病管理特征确定模块402可生成时间高于阈值特征，诸如在用户的心率高于特定水平(例如，304BPM)的时间段期间的时间量。该特定水平可为默认水平，可为由用户或健康护理专业人员设置的定制水平等等。
又如，对于睡眠数据，糖尿病管理特征确定模块402可生成指示睡眠持续时间、睡眠干扰或中断的次数、在特定睡眠状态中花费的时间等等的值。
糖尿病管理特征比较模块404从数据存储库424接收不同的特征422(附加地或另选地，特征422可直接从糖尿病管理特征确定模块402接收)并且生成时间段分数426。时间段分数426指示针对不同时间段生成的不同特征422之间的差异。如上文所讨论的，糖尿病管理特征确定模块402针对一天中的每个时间段生成不同的特征422。时间段分数426允许糖尿病管理特征确定模块402比较同一天内的不同时间段、针对跨不同日子或跨不同类型的日子的相同时间段等等来比较特征422。
在一个或多个具体实施中，糖尿病管理特征比较模块404将一天中每个时间段的特征422相互比较。附加地或另选地，糖尿病管理特征比较模块404将当天的一个或多个时间段的特征422与前一天或多天(例如，紧接着的前一周或前两周)中的对应时间段进行比较。“当天”是指糖尿病管理反馈生成系统304正在分析的日子(或其他24小时间隔)。例如，当天可为用户102当前所处的日期、用户102当前所处日期的前一天或用户过去的另一天。在存在多种类型的日子(例如，周末和节假日是一种类型，工作日是另一种类型)的情况下，糖尿病管理特征比较模块404将当天(例如，用户102当前所处的日子，或紧接着的前一天)中的一个或多个时间段的特征422与之前一个或多个相同类型日子的对应时间段进行比较(例如，对于工作日来说，是紧接着的前一周或前两周，对于周末和节假日来说，是紧接着的前三周或前四周)。
附加地或另选地，糖尿病管理特征比较模块404比较从一组先前天的对应时间段计算的特征422的汇总统计数据。例如，糖尿病管理特征比较模块404可比较从一组前几天的对应时间段计算的特征422的均值、中值、四分位差(IQR)、第XX百分位数、标准偏差等。
附加地或另选地，糖尿病管理特征比较模块404将一周内以天为单位的一个或多个时间段的特征422与前一周内以天为单位的对应时间段进行比较。例如，对于特定的糖尿病管理特征或特征(例如，范围内时间特征)，可将对应于来自整周数据(来自该周的早餐后时间窗口的集合)的特定日内时间窗口(例如，早餐后)的特征值与针对在历史日期范围(例如，前一周或前一个月)内计算的对应日内时间窗口的相同特征值进行比较。
在一个或多个具体实施中，时间段分数基于该时间段的效应量、该时间段的显著性、该时间段生成的反馈的新奇度或它们的组合。附加地或另选地，如果反馈中涉及可变的持续时间范围(例如，检测到一致的积极血糖控制模式的天数)，其中时间范围的持续时间表示反馈的相对“值得注意”性，则该持续时间(或该持续时间的归一化版本)可作为该时间段的分数或综合分数的一个组成部分。
一个时间段的效应量是指一个时间段与该时间段所比较的其他时间段之间的差异。效应量以各种方式来计算，诸如从一个时间段的特征中减去另一个时间段的特征，或者通过将来自一个时间段的特征与在一组其他时间段内计算的汇总统计数据进行比较(例如，将在当天早餐之后的范围中的时间与在前14天中的每一天的早餐之后的时间段中计算的范围内时间值的第90百分位数进行比较)。例如，对于葡萄糖测量结果的范围内时间特征，可通过从一个时间段的范围内时间量减去另一个时间段的范围内时间量来计算效应量。例如，如果前一天的时间段的范围内时间为304分钟，并且当天的对应时间段的范围内时间为150分钟，则效应量为30分钟。附加地或另选地，效应量可被计算为改善百分比。例如，如果前一天的时间段的范围内时间为304分钟并且当天的对应时间段的范围内时间为150分钟，则效应量为25％，这是由于150分钟比304分钟多25％。附加地或另选地，范围内时间可被识别为时间段的百分比而不是分钟数。例如，前一天的时间段的范围内时间可为60％，并且当天的对应时间段的范围内时间可为70％，因此效应量为10％。
时间段的显著性是指一个时间段与该时间段所比较的另一个时间段之间的差异，并考虑了用户102的典型的日常变化。这允许糖尿病管理反馈生成系统304定制对用户102的典型行为以及用户102的典型行为随时间推移的变化的反馈，而不是对所有用户应用通用的阈值或规则。例如，一个用户可能与其行为非常一致，从而导致相当一致的葡萄糖水平，而另一用户可能与其行为不太一致，导致葡萄糖水平大幅波动。因此，特征中较小的变化对于与其行为一致的用户来说比对于与其行为不一致的用户而言更显著。比较的显著性解释了这些不同的行为。
可以多种方式中的任一种来生成比较的显著性。例如，比较的显著性可为或包括这样的值，该值指示在一段时间内生成的特征与所生成特征的平均值相差的标准偏差数(例如，平均值是基于多天(诸如两周)时间内的特征计算得出的)。因此，标准偏差的大小可因用户而异，或可因给定用户的时间而异(例如，在滑动窗口内计算)。偏离平均值的标准差越大，表明差异越显著。
针对该时间段所生成的反馈的新奇度是指针对该时间段生成特定反馈的频率。例如，如果频繁地提供反馈，指示对应于早餐时段的时间段是一天中葡萄糖水平最佳的时间段(例如，葡萄糖水平在最佳范围内或最接近最佳值的时间段)，那么当天的早餐时间段的新奇度分数就可降低，以避免重复提供相同的反馈(预计用户对这些反馈的兴趣会降低)。针对该时间段所生成的反馈的新奇度以各种不同方式中的任一种来测量，诸如反馈生成次数的计数(例如，在前两周或前一个月期间)、指示反馈相对于其他反馈的生成频率的值等等。
时间段分数426可被输出为各种不同值中的任一种。在一个或多个具体实施中，时间段的时间段分数426是由糖尿病管理特征比较模块404确定的效应量。附加地或另选地，时间段的时间段分数426可为包括效应量、显著性、新奇度(对于每个可能的反馈)、不同特征之间的差异的其他指示等等中的一者或多者的元组。附加地或另选地，时间段的时间段分数426可为通过组合(例如，加权平均)效应量、显著性、新奇度、不同特征之间的差异的其他指示等等中的一者或多者而确定的值。在这种情况下，可为每个可能的反馈生成不同的时间段分数426(例如，因为不同的反馈可具有不同的新奇度)。
在一个或多个实施方案中，将时间段分数426提供到归一化模块406，该归一化模块将由不同分数(例如，效应量、显著性和新奇度)产生的时间段分数426调整到通用尺度或通用单位(例如，范围在0与1之间的值)。归一化模块406输出归一化数据作为归一化时间段分数428。该归一化可使用各种公共或专有技术中的任一种来执行。应当注意，归一化模块406是任选的，并且在某些情况下不需要执行归一化。例如，在一些情况下，如果糖尿病管理反馈生成系统304仅使用单一类型的分数(例如，效应量、显著性或新奇度中的一者)，则不需要将时间段分数426调整到通用尺度或单位(尽管如果根据若干可能的糖尿病管理特征中的一个特征计算效应量，而每个特征都可能有不同的单位，则时间段分数426仍可被调整到通用尺度或单位)。又如，如果糖尿病管理反馈生成系统304使用多种类型的分数(例如，效应量、显著性或新奇度中的两者或更多者)但已经具有通用尺度或单位，则不需要将时间段分数426调整到通用尺度或单位。
糖尿病管理反馈识别模块408接收时间段分数，该时间段分数是时间段分数426或归一化时间段分数428，并且选择要提供给UI模块410或反馈呈现系统122的反馈430作为反馈指示312。糖尿病管理反馈识别模块408应用来自规则库434的各种不同规则432中的任一个规则，以确定从反馈库438检索多个反馈项目中的哪个反馈项目并将其提供给UI模块410或反馈呈现系统122。在一个或多个具体实施中，反馈库438是图1的反馈库124。规则库和反馈库438可存储在各种位置中，诸如存储在存储装置118中。
各种不同的反馈项目可被包括在反馈库438中并且作为反馈430被提供，每个反馈项目向用户102提供反馈。这种反馈的示例包括指示当天的时间段相对于前几天的葡萄糖水平的改善、该天的最佳时间段(例如，该天的葡萄糖水平在最佳范围内或最接近最佳值的时间段(例如，基于上文讨论的特征中的任一个或多个特征))、标识持续的积极模式的反馈(例如，在多天中的同一时间段满足某个特征)等等。
在一个或多个具体实施中，反馈库438中的反馈是不需要基于用户的特定特征或葡萄糖值而改变的一般反馈(例如，消息诸如“今天早餐后你的葡萄糖水平最佳！”)。附加地或另选地，反馈库438中的反馈包括模板，糖尿病管理反馈识别模块408向该模板添加特征或葡萄糖值。例如，反馈库438可包括消息诸如“你连续______晚都在范围内！”的消息，其中由糖尿病管理反馈识别模块408填充下划线。例如，如果糖尿病管理反馈识别模块408确定用户在对应于睡眠的三个时间段内都处于期望范围内，则糖尿病管理反馈识别模块408将空白处替换为“3”。
反馈的附加示例包括：“连续5天夜间葡萄糖70mg/dL至140mg/dL>40％时间”、“连续3天午餐后峰值葡萄糖<130mg/dL”、“午餐后峰值葡萄糖比过去7天中的任一天都低22mg/dL”、“晚餐后在70mg/dL至140mg/dL的时间比最近7天中的任一天都多18％”、“今天晚餐后葡萄糖70mg/dL至180mg/dL的时间比任何其他时间段都多5％”、“你今天午餐后的葡萄糖峰值比任何其他时段都低14mg/dL”、“你今天晚餐后的平均葡萄糖比过去7天中的任一天都低21mg/dL”、“你今天晚餐后在70mg/dL至140mg/dL之间的时间比任何其他时间段都高4％”，以及“你今天午餐后在70mg/dL至140mg/dL之间的时间比过去7天中的任一天都高3％”。
各种不同的规则432都可被包括在规则库434中，并且每个规则432都对应于反馈库438中的反馈项目中的一个反馈项目。规则可针对一天内的不同特征和不同时间段或者多天的对应时间段。例如，一个规则可为一天的哪个时间段具有最高分数(例如，一天的特定时间段的葡萄糖测量结果处于特定范围内或者在比一天的其他时间段期间的葡萄糖测量结果更长的持续时间内低于特定葡萄糖水平)。另一规则可为针对一天的特定时间段的葡萄糖测量结果是否比针对前一天或多天的对应时间段的葡萄糖测量结果改善了阈值量(例如，葡萄糖测量结果处于特定范围内或者在比前一天或多天的时间段期间针对用户测量的葡萄糖测量结果长至少阈值的持续时间内低于特定葡萄糖水平)。另一规则可为针对一天的特定时间段的葡萄糖测量结果是否是良好葡萄糖测量结果的持续模式的一部分(例如，当天的葡萄糖测量结果以及前一天或多天(例如，二至四周)的时间段测量的葡萄糖测量结果处于特定范围内或者在当天和前一天或多天中的每一天的特定葡萄糖水平以下)。
规则432可包括对各种阈值的引用，诸如超过或不超过阈值。在一个或多个具体实施中，用户特定糖尿病管理特征阈值确定模块412基于特征422生成阈值436，该阈值是基于在用户102的历史时间窗口内观察到的糖尿病管理特征的分布的用户特定糖尿病管理特征阈值(例如，该阈值可被设置为在前一个月的给定一天内时间段中观察到的糖尿病管理特征的第75百分位数)。该阈值436然后被糖尿病管理反馈识别模块408用作各种规则432中的阈值(例如，以识别满足或超过该阈值(例如，持续积极模式)的日期序列)。从用户自己的历史数据导出阈值436使阈值436能够表示血糖控制水平，该水平表示相对于该用户观察到的典型水平而言“良好”但仍然可实现的血糖控制。选择使用哪种汇总统计数据来设置阈值(例如，第60百分位数与第80百分位数)是可控制持续积极模式的“值得注意”性与特定患者的可实现性之间的平衡的参数。可由用户102、由健康护理专业人员、由葡萄糖监测应用程序116或葡萄糖监测平台110的管理员或设计者等来选择用于设置阈值的汇总统计数据。阈值436还可适应于用户内血糖控制在长时间段内的变化，因为它可随着用于推导阈值436的历史时间窗口随时间前进而被更新。
在一个或多个具体实施中，糖尿病管理反馈识别模块408使用规则432，其指示如果对应于一时间段的特征的分数超过阈值，则满足该规则并且对应于该规则的反馈被选择为反馈430。这可导致糖尿病管理反馈识别模块408选择由UI模块410显示或以其他方式呈现或提供给反馈呈现系统122的多个反馈项目430。
附加地或另选地，在满足多个规则的情况下，糖尿病管理反馈识别模块408选择已满足的规则中的一个规则并且选择对应于所选择的规则的反馈作为反馈430。糖尿病管理反馈识别模块408可以各种方式选择多个规则中的一个规则，诸如随机地或伪随机地选择已满足的多个规则中的一个规则。附加地或另选地，糖尿病管理反馈识别模块408可对多个规则进行优先级排序并且选择多个规则中具有最高优先级的一个规则。例如，选择具有最高优先级的规则。
糖尿病管理反馈识别模块408任选地使用各种标准来确定选择已满足的多个规则中的哪个规则。这些标准可基于各种因素，诸如满足规则的最近时间、规则的排序或优先级、规则的类别、满足规则的连续天数等等。例如，与更近的最近满足的规则相比，先选择更远的最近满足的规则。例如，这允许选择不同的反馈(对应于不同的规则)作为反馈430，并且避免过于频繁地重复反馈。
又如，规则可对应于不同类别，诸如改善类别(例如，对应于在前一天或多天的时间段内的葡萄糖测量结果的改善的规则)、最佳类别(例如，标识一天中葡萄糖测量结果最佳(例如，在最佳范围内或最接近最佳值)的时间段的规则)、持续模式类别(例如，标识持续积极模式的规则)等等。对应于某些类别的规则可优先于对应于其他类别的规则来选择。例如，与持续模式类别对应的规则可优先于与改善类别对应的规则而被选择，例如以避免过于频繁地显示重复相同改善的反馈。
又如，与不太紧急或不太安全相关的规则相比，先选择(例如，被糖尿病管理反馈识别模块408的开发者或设计者)指定为更紧急或更安全相关的规则。例如，这允许与其他非紧急或非安全相关特征相比，先选择对应于紧急或安全相关特征(例如，不保持在范围内或不超过阈值葡萄糖水平)的反馈，并且允许向用户显示或以其他方式呈现更关键的糖尿病管理反馈。
又如，与(例如，被用户102)指定为更低优先级的规则相比，先选择(例如，被用户102)指定为更高优先级的规则。例如，这允许显示或以其他方式呈现对应于用户更感兴趣的规则的反馈，而不是对应于用户不太感兴趣的规则的反馈。
又如，选择已满足至少连续阈值天数的规则，而不是选择至少连续阈值天数未满足的规则。例如，这允许向用户显示或以其他方式呈现连续多天的良好记录或良好模式(例如，在午餐后的一段时间内，葡萄糖峰值保持在200mg/dL以下)，从而鼓励用户继续保持这种记录或模式。
在一个或多个具体实施中，反馈430本质上是通用的，从而向用户102通知葡萄糖管理良好的特定时间段，而不指定指示改善量的特定值(例如，指示“你的餐后葡萄糖看起来不错！”而不是“你今天的餐后葡萄糖比平时低”)。在这种情况下，糖尿病管理反馈识别模块408选择对应于满足多个规则的时间段的反馈430。例如，假设对于当天，第一时间段和第二时间段都满足范围内时间规则，第一时间段不满足该时间段内的葡萄糖测量结果的变化系数规则，但第二时间段满足该时间段内的葡萄糖测量结果的变化系数规则。在这种情况下，糖尿病管理反馈识别模块408选择对应于第二时间段而不是第一时间段的反馈430，因为第二时间段比第三时间段满足更多规则。又如，假设对于当天，第一时间段和第二时间段都满足范围内时间规则，第一时间段不满足该时间段期间的迈出步数规则，但第二时间段满足该时间段期间的迈出步数规则。在这种情况下，糖尿病管理反馈识别模块408选择对应于第二时间段而不是第一时间段的反馈430，因为第二时间段比第三时间段满足更多规则。
在一个或多个具体实施中，UI模块410接收反馈430并且使得反馈430被显示或以其他方式呈现(例如，在计算装置106处)。该显示或其他呈现可采取各种形式，诸如静态文本显示、图形或视频显示、音频呈现、它们的组合等等。在一个或多个具体实施中，以不同方式显示或以其他方式呈现不同类型或类别的反馈。例如，反馈类别可包括在前一天或多天的给定时间段内的葡萄糖测量结果的改善的类别、该天的哪个时间段具有最佳葡萄糖测量结果的类别(例如，哪个时间段具有在最佳范围内或最接近最佳值的葡萄糖测量结果)，以及持续积极模式的类别。对应于这些不同类别的反馈可使用不同颜色、不同图标等来显示。
在一个或多个具体实施中，基于优先级来对反馈430进行排序。例如，如果满足多个规则，则糖尿病管理反馈识别模块408首先选择最高优先级反馈作为反馈430。可接收请求用户102所期望的较低优先级的附加反馈的用户输入，并且糖尿病管理反馈识别模块408提供用户所请求的较低优先级反馈。例如，这允许呈现最高优先级反馈，然后响应于对附加反馈的用户请求，呈现第二高优先级反馈，然后响应于对附加反馈的附加用户请求，呈现第三高优先级反馈，以此类推。
在一个或多个具体实施中，糖尿病管理反馈识别模块408基于至少一个特征来确定在当天的时间段中的每个时间段内用户的葡萄糖水平相对于前一天或多天(诸如紧接着的前一周或两周(这些之前的日子任选地为同一类型的日子))是否存在改善。如果糖尿病管理反馈识别模块408确定指示一时间段的改善满足阈值(例如，至少一定百分比的改善)的规则，则糖尿病管理反馈识别模块408选择对应于该规则的反馈430。
图5示出了提供指示一时间段内的至少一个特征的改善的反馈的示例500。示例500中的改善是当天的时间段相对于紧接着的前几天中的每一天的对应时间段的改善。示例500示出了多天(图示为2021年6月23日至2021年6月29日)，每一天具有时间段夜晚(例如，当用户睡觉时)、早餐(例如，早餐期间和之后)、午餐(例如，午餐期间和之后)和晚餐(例如，晚餐期间和之后)。为当天(6月29日)的时间段502(晚餐)生成时间段分数，该时间段分数指示时间段502的一个或多个特征与前几天(6月23日至6月28日)的对应时间段(晚餐)的相同一个或多个特征之间的差异。在例示的示例中，这些时间段的比较和所生成的分数指示用户在时间段502期间的葡萄糖水平低于用户在前几天(6月23日至6月28日)期间的典型量，这满足规则432。这种确定可以各种方式进行，诸如确定6月29日的时间段502的葡萄糖水平与6月23日至6月28日的对应时间段生成的平均值有多少标准偏差。
糖尿病管理反馈识别模块408识别反馈504，并且UI模块410(或反馈呈现系统122)使得反馈504被显示。在例示的示例中，反馈504是通知用户今天他的晚餐后葡萄糖低于平时的鼓舞人心的洞察。这使得在一段时间内改善的葡萄糖水平引起用户的注意，从而反思自己在6月29日的晚餐与前几天相比有哪些变化，并继续保持这些变化，以进行更好的糖尿病管理。
图6示出了提供指示一天中的最佳时间段的反馈的示例600。示例600示出了单个一天(图示为2021年6月29日)，具有时间段夜晚(例如，当用户睡觉时)、早餐(例如，早餐期间和之后)、午餐(例如，午餐期间和之后)和晚餐(例如，晚餐期间和之后)。为当天(6月29日)的时间段602(早餐)生成时间段分数，该时间段分数指示时间段602的一个或多个特征与6月29日的其他三个时间段的相同一个或多个特征之间的差异。在例示的示例中，这些时间段的比较和所生成的分数指示用户的葡萄糖水平在时间段602期间比6月29日的任何其他时间段都更好，这满足规则432。该确定可以各种方式进行，诸如确定用户的葡萄糖水平处于特定范围内比在6月29日的任何其他时间段期间都更长、确定用户的葡萄糖水平在时间段602期间保持低于阈值水平但不在6月29日的其他时间段期间保持低于阈值水平，等等。
糖尿病管理反馈识别模块408识别反馈604，并且UI模块410(或反馈呈现系统122)使得反馈604被显示。在例示的示例中，反馈604是通知用户他的早餐后葡萄糖比今天的任何其他时间段都更好的鼓舞人心的洞察。这使得在一段时间内改善的葡萄糖水平引起用户的注意，从而反思自己在6月29日早餐时吃的食物与其他时间段吃的食物有什么不同，并利用这些知识改变其他时间段吃的食物，以进行更好的糖尿病管理。
图7示出了提供指示持续积极模式的反馈的示例700。示例700中的持续积极模式是相同类型的多个连续日子(例如，工作日)的对应时间段中的模式。示例700示出了多天(图示为2021年6月21日至2021年6月25日、2021年6月28日以及2021年6月29日)，每一天具有时间段夜晚(例如，当用户睡觉时)、早餐(例如，早餐期间和之后)、午餐(例如，午餐期间和之后)和晚餐(例如，晚餐期间和之后)。为当天(6月29日)的时间段702(午餐)生成时间段分数，该时间段分数指示时间段702的一个或多个特征与前几天(6月21日至6月25日以及6月28日)中的每一天的对应时间段(午餐)的相同一个或多个特征之间的差异。在例示的示例中，这些时间段的比较和所生成的分数指示用户在时间段702期间以及在6月24日、6月25日和6月28日的对应时间段的葡萄糖水平在特定范围内，这满足规则。
糖尿病管理反馈识别模块408识别反馈704，并且UI模块410(或反馈呈现系统122)使得反馈704被显示。在例示的示例中，反馈704是通知用户他在连续4个工作日午餐后的夜间葡萄糖都处于期望范围内的鼓舞人心的洞察。这使得保持在期望范围内的持续模式引起用户的注意，从而反思自己在过去几个工作日的午餐都吃了哪些类型的食物，并继续吃类似类型的食物，以进行更好的糖尿病管理。
返回到图4，这里参考一天的时间范围中的多个时间段进行讨论。附加地或另选地，可使用不同的时间段或时间范围。例如，每个时间段可为一整天，时间范围可为一周、一个月、多个月、一年等等。又如，每个时间段可为一整周，时间范围可为一个月、多个月或一整年。
本文还参考指示良好糖尿病管理并显示或以其他方式呈现反馈(例如，鼓舞人心的洞察)以激励用户的正面比较进行了讨论。类似地，可进行指示不良糖尿病管理的负面比较，并向用户显示或以其他方式呈现反馈(例如，警告或负面影响)以鼓励用户进行更好的糖尿病管理。负面比较类似于本文讨论的技术，但是应用于特征的规则不同。例如，可显示指示一天中具有最差葡萄糖水平的时间段(例如，葡萄糖水平在最优范围之外或离最优值最远的时间段)而不是一天中具有最佳葡萄糖水平的时间段(例如，葡萄糖水平在最佳范围之内或最接近最佳值的时间段)的反馈。又如，反馈指示给定时间段的范围内的时间比前几天的对应时间段少25％。还可包括针对负面比较的附加特征。例如，对于葡萄糖测量结果，糖尿病管理特征确定模块402可生成阈值超过特征，诸如在该时间段期间是否超过特定葡萄糖水平(例如，400mg/dL)。
在一个或多个具体实施方式中，糖尿病管理反馈生成系统304应用附加标准来确定何时显示或以其他方式呈现负面反馈诸如警告或负面影响。该附加标准可包括识别在多次出现时满足的特征的模式，例如，特定时间段是连续多天中的一天的最差葡萄糖水平，或者给定时间段的范围内时间连续两天比前几天的对应时间段少25％。该附加标准防止针对单个糟糕的一天向用户显示或以其他方式呈现警告或负面影响，从而避免不必要地警告用户或通知他或她针对单个失常的负面影响。
如上文所讨论的，出现了糖尿病管理反馈识别模块408使用各种标准来确定选择已满足的多个规则中的哪个规则的情况。在一个或多个实施方案中，负面比较是这些标准中的一个标准，并且用于使得与确实满足负面比较的时间段相比，先选择与不满足否定比较的时间段对应的规则。例如，假设对于当天，第一时间段和第二时间段都满足范围内时间规则，第一时间段不满足阈值超过规则的负面比较(例如，在该时间段期间不超过阈值葡萄糖水平)，但第二时间段满足阈值超过规则的负面比较(例如，在该时间段期间超过阈值葡萄糖水平)。在这种情况下，糖尿病管理反馈识别模块408选择第一时间段而不是第二时间段的规则，因为对于第一时间段不存在满足的负面比较。
糖尿病管理反馈生成系统304任选地基于反馈430采取附加行动。在一个或多个具体实施中，这些行动包括向葡萄糖监测应用程序116或可穿戴葡萄糖监测装置104通知可减少产生葡萄糖测量结果114的频率。例如，如果糖尿病管理反馈生成系统304识别出持续积极模式(例如，特定范围内的葡萄糖)达至少阈值天数的特定时间段，则糖尿病管理反馈生成系统304向葡萄糖监测应用程序116或可穿戴葡萄糖监测装置104通知可减少产生葡萄糖测量结果114的频率(例如，从每5分钟一次减少到每10分钟一次)，从而减少产生葡萄糖测量结果114所消耗的功率。
附加地或另选地，这些行动包括确定是否推荐正在进行的CGM使用(例如，在当前传感器期满之后立即启动新传感器)或者暂时停止使用CGM并在稍后的某个时间开始使用新的传感器是否可能是适当的。例如，如果糖尿病管理反馈生成系统304识别出在至少阈值天数的特定时间段内没有持续积极模式(例如，特定范围内的葡萄糖)，则糖尿病管理反馈生成系统304推荐(例如，经由向用户的显示或其他呈现)正在进行的CGM使用。
本文还参考向用户102显示或以其他方式呈现的反馈进行了讨论。附加地或另选地，反馈被传送给或以其他方式递送给其他人，诸如临床医生(例如，用户的初级护理医师或护士)、药师等。这可用于部分自动化审查原始葡萄糖或其他糖尿病管理数据的手动工作，在没有生成的反馈的情况下，临床医生可能必须自己完成这些手动工作。附加地或另选地，时间段分数426或归一化时间段分数428可被提供给临床医生、药剂师或其他人，使得他们能够应用他们自己的优选规则集来确定哪个反馈应当被传递给用户。
应当注意，如上文所讨论的，反馈430可作为反馈指示312被提供给反馈呈现系统122。在这种情况下，糖尿病管理反馈生成系统304不需要包括UI模块410。附加地或另选地，时间段分数426(或归一化时间段分数428)以及任选地阈值436可作为反馈指示312被提供给反馈呈现系统122。在这种情况下，反馈呈现系统122任选地使用反馈库438和规则库434来识别要提供给用户(或其他人，诸如临床医生或药剂师)的反馈，如下文更详细讨论的。反馈呈现系统122任选地使用本文相对于可报告糖尿病管理反馈识别模块408所讨论的技术中的任一种或多种技术来识别要提供给用户的反馈。
图8和图9描述了用于实现糖尿病管理反馈以改善糖尿病管理的过程的示例。程序的各方面可在硬件、固件、或软件、或其组合中实现。程序被示为指定由一个或多个装置执行的操作的一组块并且不一定限于所示的用于由各个块执行操作的次序。
图8描绘了实现糖尿病管理反馈以改善糖尿病管理的示例中的过程800。过程800例如由糖尿病管理反馈生成系统(诸如糖尿病管理反馈生成系统304)执行，并且任选地部分地由反馈呈现系统(诸如反馈呈现系统122)执行。
获得(框802)用户在多个时间段中的第一时间段的第一葡萄糖测量结果。这些第一葡萄糖测量结果是从例如连续葡萄糖水平监测系统的葡萄糖传感器获得的，其中葡萄糖传感器被插入在用户的插入位点处。
生成(框804)第一时间段的一个或多个特征。这些一个或多个特征是从第一葡萄糖测量结果生成的。
分析(框806)该一个或多个特征以确定在第一时间段内满足一个或多个规则的至少一个特征。该分析可涉及与第一时间段相同的24小时间隔中的不同时间段，或者跨多个24小时间隔的对应时间段。
识别(框808)糖尿病管理反馈库中的多个糖尿病管理反馈中的哪些至少一个糖尿病管理反馈对应于该一个或多个规则。不同的规则可对应于不同的反馈，并且在框808中识别该反馈。附加地或另选地，不同时间段可对应于不同反馈，在框808中识别对应于第一时间段的反馈。
生成(框810)包括所识别的至少一个糖尿病管理反馈和第一时间段的指示的用户界面。使得显示(框812)或以其他方式呈现所识别的至少一个糖尿病管理反馈。
图9描绘了实现糖尿病管理反馈以改善糖尿病管理的另一示例中的过程900。过程900例如由糖尿病管理反馈生成系统(诸如糖尿病管理反馈生成系统304)执行，并且任选地部分地由反馈呈现系统(诸如反馈呈现系统122)执行。
获得(框902)用户在多个时间段中的第一时间段的第一糖尿病管理测量结果。这些第一糖尿病管理测量结果可从葡萄糖传感器或从如上文所讨论的各种其他传感器中的任一种传感器(例如，提供数据流420的数据的任何传感器)获得。
生成(框904)第一时间段的一个或多个特征。这些一个或多个特征是从第一糖尿病管理测量结果生成的。
分析(框906)该一个或多个特征以确定在第一时间段内满足一个或多个规则的至少一个特征。该分析可涉及与第一时间段相同的24小时间隔中的不同时间段，或者跨多个24小时间隔的对应时间段。
识别(框908)糖尿病管理反馈库中的多个糖尿病管理反馈中的哪些至少一个糖尿病管理反馈对应于该一个或多个规则。不同的规则可对应于不同的反馈，并且在框908中识别该反馈。附加地或另选地，不同时间段可对应于不同反馈，在框908中识别对应于第一时间段的反馈。
使得显示(框910)或以其他方式呈现所识别的至少一个糖尿病管理反馈。附加地或另选地，所识别的糖尿病管理反馈可被传送或以其他方式呈现给临床医生、药剂师或其他健康护理提供者。
葡萄糖水平偏差检测系统架构
通常，葡萄糖水平偏差检测系统306接收葡萄糖测量结果的数据流。针对葡萄糖测量结果的集合生成聚合度量(例如，高血糖风险值、低血糖风险值、平均葡萄糖、平均变化系数等)，诸如在滚动时间窗口内(例如，每5分钟，葡萄糖测量结果的集合包括前30分钟或60分钟期间的葡萄糖测量结果)、以固定的30分钟间隔(例如，一天中的每小时和每半小时)、前60分钟等等。将这些聚合度量与在其他时间段中生成的聚合度量进行比较，以识别时间段之间的葡萄糖测量结果中的偏差。
例如，可针对包括在特定固定时间(例如，大约一天中每半小时)之间接收到的葡萄糖测量结果的时间段生成风险值。将给定时间段的聚合度量与同一天中的多个(例如，24个)紧接在前的时间段内的聚合度量进行比较，以确定给定时间段的聚合度量是否偏离先前时间段的聚合度量。如果检测到偏差，则显示或以其他方式传送在给定时间段期间测量的葡萄糖测量结果与在先前时间段期间测量的葡萄糖测量结果之间存在偏差的指示。例如，可向用户显示用户界面“你的葡萄糖上升到今早以来的最高水平”。
又如，可针对包括在先前时间量内接收到的葡萄糖测量结果的时间段生成聚合度量(例如，基于在先前60分钟内接收到的葡萄糖测量结果，每5分钟生成一次聚合度量)。将当天的给定时间段的聚合度量与针对之前多天中的每一天内的对应时间段生成的聚合度量进行比较，以确定给定时间段的聚合度量是否偏离之前多天内的对应时间段的聚合度量。如果检测到偏差(并且任选地如果选择该偏差进行显示)，则显示或以其他方式传送在当天的给定时间段期间测量的葡萄糖测量结果与在先前时间段期间测量的葡萄糖测量结果之间存在偏差的指示。例如，可向用户显示用户界面“你在过去一小时内的葡萄糖值高于过去几天中每天此时的葡萄糖值”。
本文所讨论的技术自动检测用户的葡萄糖水平的偏差并向用户提供这样的通知。这使得用户实时意识到发生的偏差，提醒用户他们可能正在做一些不同的事情，而这些事情可能会对他们的葡萄糖水平产生显著影响。这向用户提供了教学时机，帮助用户将实时事件或行动与葡萄糖水平的变化联系起来，从而改变他们现在和将来的行为，以避免葡萄糖水平的这种变化(例如，如果这种变化不好)或保持葡萄糖水平的这种变化(例如，如果这种变化好)。此外，这允许警告或更新被传送到保健提供者，使得那些提供者可帮助用户采取纠正行动、提醒用户注意变化的严重性等等。
图10是葡萄糖水平偏差检测系统306的示例性架构的图示。葡萄糖水平偏差检测系统306包括数据收集模块1002、度量确定模块1004、基于内容的偏差检测模块1006、上下文偏差检测模块1008、偏差选择模块1010和UI模块1012(任选)。通常，葡萄糖水平偏差检测系统306分析用户102的葡萄糖测量结果114，并寻找与用户标准的偏差。这些与标准的偏差可基于各种因素，诸如相对于根据用户当天早些时候的葡萄糖水平生成的度量的根据用户当前或最近的葡萄糖水平生成的度量、相对于根据用户在前几天的对应时间的葡萄糖水平生成的度量的根据当前或最近的葡萄糖水平生成的度量等等。在检测到一个或多个偏差时，葡萄糖水平偏差检测系统306采取响应行动，诸如向用户呈现偏差的标识、向健康护理专业人员传送偏差的标识(包括反馈指示312中的偏差)等等。
更具体地，数据收集模块1002接收用户102的葡萄糖测量结果114。数据收集模块1002任选地还接收图3的附加数据302。以特定间隔接收葡萄糖测量结果114，诸如大约每1分钟或大约每5分钟接收一次。葡萄糖测量结果114被一起分组为测量结果的集合。在一个或多个具体实施中，在24小时时段内的设定时间段收集测量结果，诸如在每半小时时段期间接收到的葡萄糖测量结果114(例如，从下午1:00到1:30、从下午1:30到2:00、从下午2:00到2:30，以此类推)。附加地或另选地，测量结果的集合是滚动时间窗口，诸如在先前30或60分钟内接收到的葡萄糖测量结果114。例如，当接收到新的葡萄糖测量结果114时(诸如大约每5分钟)，数据收集模块1002将在先前30分钟或1小时内接收到的葡萄糖测量结果114分组为测量结果的集合。数据收集模块1002输出测量结果的集合作为收集的测量结果1020。
度量确定模块1004接收所收集的测量结果1020，并根据所收集的测量结果1020生成一个或多个聚合度量1022(或单值度量)。聚合度量(也简称为度量)为所收集的测量结果1020中的数据的表示或概括。度量确定模块1004可基于所收集的测量结果1020来生成多种不同度量中的任一种。在一个或多个具体实施中，度量确定模块1004生成风险值，该风险值是指示由于葡萄糖水平而对用户102造成的潜在健康风险的血糖风险值。
附加地或另选地，度量确定模块1004根据所收集的测量结果1020生成多种统计数据中的任一种作为聚合度量1022，诸如所收集的测量结果中的平均葡萄糖测量结果1020、所收集的测量结果1020中的葡萄糖测量结果的平均变化系数(所收集的测量结果1020中的葡萄糖测量结果的标准偏差与均值的比率)、所收集的测量结果1020中的葡萄糖测量结果的平均血糖波动幅度(MAGE)、所收集的测量结果1020中的葡萄糖测量结果的葡萄糖曲线下面积、所收集的测量结果1020中的葡萄糖测量结果的葡萄糖曲线上方的面积、所收集的测量结果1020中的葡萄糖测量结果的平均绝对变化率、所收集的测量结果1020中的葡萄糖测量结果的标准偏差、收集所收集的测量结果1020期间葡萄糖测量结果低于特定葡萄糖水平(例如，250mg/dL或70mg/dL)的平均时间量、收集所收集的测量结果1020期间葡萄糖测量结果特定葡萄糖水平(例如，250mg/dL)的平均时间量、所收集的测量结果1020中的最大葡萄糖测量结果等等。
附加地或另选地，度量确定模块1004使用用于组合所收集的测量结果1020中的葡萄糖测量结果的不同技术(诸如取中值、四分位差(IQR)、第XX百分位数、标准偏差等)来生成聚合度量1022。
附加地或另选地，度量确定模块1004生成不是聚合度量的单值度量。例如，度量确定模块1004可生成度量，该度量是所收集的测量结果1020中的最大葡萄糖测量结果、所收集的测量结果1020中的葡萄糖测量结果的绝对变化率等等。类似于聚合度量1022，度量确定模块1004输出由基于内容的偏差检测模块1006和上下文偏差检测模块1008使用的这些单值度量。
在一个或多个具体实施中，聚合度量1022是指示由于葡萄糖水平而对用户102造成的潜在健康风险的血糖风险值。在一个或多个实施方案中，这些风险值包括高血糖风险值和低血糖风险值中的一者或两者。能够以多种不同方式中的任一种来确定高血糖和低血糖风险值。
在一个或多个实施方案中，高血糖风险值基于为自我监测血糖(SMBG)读数而生成的高血糖指数(HBGI)值。HBGI值(HBGI)是通过生成风险r(BG)来生成的：
r(BG)＝10·(1.509·([log(BG)]1.084-5.381))2
其中BG是指所收集的测量结果1020。风险r(BG)平衡了低血糖和高血糖范围的幅度(扩大低血糖范围的幅度和缩小高血糖范围幅度)，并使转换后的数据围绕零对称并拟合正态分布。
HBGI值(HBGI)被生成为
其中Nh是指大于阈值水平(例如，112.5mg/dL)的葡萄糖测量结果的数量，rh(BGi)是指大于阈值水平(例如，112.5mg/dL)的测量结果中的每个测量结果的风险r(BG)值。
在一个或多个实施方案中，低血糖风险值基于为SMBG读数而生成的低血糖指数(LBGI)值。LBGI值(LBGI)被生成为
其中Nl是指小于阈值水平(例如，112.5mg/dL)的葡萄糖测量结果的数量，rl(BGi)是指小于阈值水平(例如，112.5mg/dL)的测量结果中的每个测量结果的风险r(BG)值。
基于内容的偏差检测模块1006通过监测聚合度量1022来检测与最近历史中的用户的典型葡萄糖水平趋势的偏差。这也被称为基于内容的偏差检测，因为该检测是基于最近的葡萄糖测量结果来执行的。基于内容的偏差检测模块1006接收聚合度量1022，并且基于聚合度量1022确定最近收集的测量结果1020是否指示用户102的葡萄糖水平相对于先前收集的测量结果1020(例如，在先前12小时内)的偏差。
基于内容的偏差检测模块1006基于先前时间段以规律或不规律的间隔确定用户102的葡萄糖水平是否存在偏差。在一个或多个具体实施中，度量确定模块1004大约每30分钟生成一次聚合度量1022，并且基于内容的偏差检测模块1006响应于从度量确定模块1004接收到新的聚合度量1022而通过将最近接收到的聚合度量1022与24个先前接收到的聚合度量1022(例如，在先前12小时内接收到的聚合度量1022)进行比较来大约每30分钟确定一次用户102的葡萄糖水平是否出现偏差。聚合度量1022被存储在例如聚合度量存储库1024中，因此先前接收到的聚合度量1022对于基于内容的偏差检测模块1006是容易可用的。聚合度量存储库1024可为各种类型的存储装置(例如，随机存取存储器、闪存、磁盘等等)中的任一种。
附加地或另选地，可使用其他间隔或时间段。例如，度量确定模块1004可大约每15分钟生成一个或多个聚合度量1022，并且基于内容的偏差检测模块1006响应于从度量确定模块1004接收到新的聚合度量1022而通过将最近接收到的聚合度量1022与在先前10小时内接收到的聚合度量1022进行比较来大约每15分钟确定一次用户102的葡萄糖水平是否出现偏差。又如，度量确定模块1004可大约每5分钟生成一次一个或多个聚合度量1022(使用时间上的前30分钟的滚动窗口)，并且基于内容的偏差检测模块1006响应于从度量确定模块1004接收到新的聚合度量1022而通过将最近接收到的聚合度量1022与在先前12小时内接收到的聚合度量1022进行比较来大约每5分钟确定一次用户102的葡萄糖水平是否出现偏差。
在一个或多个实施方案中，基于内容的偏差检测模块1006接收最近生成的聚合度量1022(例如，由度量确定模块1004最近生成的低血糖风险值和高血糖风险值)并且基于先前接收到的聚合度量1022生成预测的聚合度量(例如，预测的低血糖风险值和预测的高血糖风险值)。基于内容的偏差检测模块1006将预测的聚合度量与接收到的聚合度量进行比较，并且如果预测的聚合度量与接收到的聚合度量相差大于特定量(例如，大于阈值量，诸如5.5)，则确定用户102的葡萄糖水平相对于先前收集的测量结果1020存在偏差。基于内容的偏差检测模块1006输出基于聚合度量1022检测到的偏差的指示。
图11是基于内容的偏差检测模块1006的示例性具体实施的图示。在图11的示例中，聚合度量1022包括低血糖风险值和高血糖风险值。尽管参考低血糖和高血糖风险值进行了讨论，但是应当注意，基于内容的偏差检测模块1006可类似地使用除了低血糖和高血糖风险值之外的或者代替低血糖和高血糖风险值的任何其他聚合度量。
在图11的示例中，基于内容的偏差检测模块1006包括低血糖风险值预测模块1102、高血糖风险值预测模块1104和偏差识别模块1106。低血糖风险值1108和1110以及高血糖风险值1112和1114由度量确定模块1004根据所收集的测量结果1020生成，如上文所讨论的。如图所示，针对每个测量结果集合生成低血糖风险值和高血糖风险值1020。低血糖风险值1108被提供给低血糖风险值预测模块1102。低血糖风险值预测模块1102基于先前的低血糖风险值1108生成最近接收到的低血糖风险值(在图11的示例中为低血糖风险值1110)的预测的风险值1116。类似地，将高血糖风险值1112提供给高血糖风险值预测模块1104。高血糖风险值预测模块1104基于先前的高血糖风险值1112生成最近接收到的高血糖风险值(在图11的示例中为高血糖风险值1114)的预测的风险值1118。
在一个或多个具体实施中，低血糖风险预测模块1102使用机器学习系统来生成预测的风险值1116，并且高血糖风险值预测模块1104使用机器学习系统来生成预测的风险值1118。机器学习系统指可以基于输入进行调整(例如，训练)以近似未知函数的计算机表示。具体地，机器学习系统可以包括一种系统，该系统利用算法通过分析已知数据来学习已知数据并对已知数据进行预测，以学习生成反映已知数据的模式和属性的输出。例如，机器学习系统可以包括决策树、支持向量机、线性回归、逻辑回归、贝叶斯网络、随机森林学习、降维算法、增强算法、人工神经网络、深度学习等。
低血糖风险值预测模块1102的机器学习系统例如通过使用为多组多个风险值的训练数据来训练。每组多个(X个)风险值包括针对多个测量结果集合中的每个测量结果集合的低血糖风险值(值1、...、X-1)。机器学习系统基于训练数据值1、...、X-1生成预测的低血糖风险值，并且通过更新机器学习系统中的权重或层的值来训练机器学习系统，以最小化预测的低血糖风险值1116与实际低血糖风险值(值X)之间的损失。各种不同的损失函数可以用于训练机器学习系统，诸如交叉熵损失、均方误差损失等。
类似地，高血糖风险值预测模块1104的机器学习系统例如通过使用为多组多个风险值的训练数据来训练。该训练数据可与用于训练低血糖风险值预测模块1102的机器学习系统的训练数据相同。每组多个(X个)风险值包括针对多个测量结果集合中的每个测量结果集合的高血糖风险值(值1、...、X-1)。机器学习系统基于训练数据值1、...、X-1生成预测的高血糖风险值，并且通过更新机器学习系统中的权重或层的值来训练机器学习系统，以最小化预测的高血糖风险值1118与实际高血糖风险值(值X)之间的损失。各种不同的损失函数可以用于训练机器学习系统，诸如交叉熵损失、均方误差损失等。
在一个或多个实施方案中，用户被分成具有一个或多个类似特性的不同群体。用户102是这些不同群体中的一个群体的一部分，并且低血糖风险值预测模块1102和高血糖风险值预测模块1104的机器学习系统使用从与用户102处于同一群体中的其他用户获得的训练数据(例如，并且不包括从不与用户102处于同一群体中的用户获得的任何数据)来训练。可以多种不同方式中的任一种来定义群体。在一个或多个实施方案中，通过糖尿病诊断来定义群体(例如，用户没有糖尿病、用户具有1型糖尿病、或用户具有2型非胰岛素依赖性糖尿病)。附加地或另选地，以不同方式定义群体，例如基于年龄的群体。例如，群体基于用户是成人还是儿童(例如，大于18岁或小于18岁)、基于用户所处的年龄层(例如，0-5岁、5-10岁、10-20岁、20-30岁等)等等。又如，可基于用户可能具有的另外的医学状况来定义群体，例如高血压、肥胖、心血管疾病、神经病、肾病、视网膜病、阿尔茨海默氏症、抑郁症等等。又如，可基于用户习惯或活动(诸如锻炼或其他体力活动)、睡眠模式、工作相对于闲暇所花费的时间等等来定义群体。又如，可基于获得葡萄糖测量结果114的方式或用于获得葡萄糖测量结果114的装置来定义群体，诸如葡萄糖测量结果114是否经由CGM获得、可穿戴葡萄糖监测装置104的品牌、获得葡萄糖测量结果114的频率等等。
又如，可基于用户的过去的葡萄糖测量结果114来定义群体，诸如通过基于过去的葡萄糖测量结果114进行聚类来对用户进行分组。这样的集群的示例包括血糖变化大的用户、经常出现低血糖的用户、经常出现高血糖的用户等等。又如，可通过使用用户的过去活动数据(例如，从由用户穿戴的活动跟踪器获得的步数、能量消耗、锻炼分钟、睡眠小时等)进行聚类来对用户进行分组。这种集群的示例包括每天平均步数高的用户、每天平均能量消耗低的用户、平均睡眠小时数低的用户等等。
将用户分成不同的群体允许针对特定用户102定制葡萄糖水平偏差检测系统306，例如通过基于来自具有类似特性的其他用户的数据训练机器学习系统。这提高了低血糖危险值预测模块1102和高血糖危险值预测模块1104的机器学习系统的准确性，因为不需要考虑来自与特定用户102不同的用户的数据。
尽管讨论了单独的低血糖风险值预测模块1102和高血糖风险值预测模块1104，但是附加地或另选地，基于内容的偏差检测模块1006包括生成预测的风险值1116和预测的风险值1118两者(以及任选地附加的聚合度量)的单个风险值预测模块。例如，单个机器学习系统可被训练以生成预测的风险值1116和预测的风险值1118两者(以及任选地其他预测的聚合度量)。附加地或另选地，基于内容的偏差检测模块1006可包括预测模块以产生其他聚合度量(例如，平均葡萄糖、平均变化系数、平均范围内时间等)的预测的聚合度量。
偏差识别模块1106基于预测的风险值1116和实际风险值1110来确定用户102的葡萄糖水平是否存在低血糖偏差。偏差识别模块1106可以多种不同方式中的任一种来做出该确定。在一个或多个实施方案中，偏差识别模块1106响应于预测的风险值1116与实际风险值1110相差至少阈值量而确定用户102的葡萄糖水平存在偏差。该阈值量可为固定值(例如，5.5)或可变值(例如，预测的风险值1116或实际风险值1110的10％)。
类似地，偏差识别模块1106基于预测的风险值1118和实际风险值1114来确定用户102的葡萄糖水平是否存在高血糖偏差。偏差识别模块1106可以多种不同方式中的任一种来做出该确定。在一个或多个实施方案中，偏差识别模块1106响应于预测的风险值1118与实际风险值1114相差至少阈值量而确定用户102的葡萄糖水平存在偏差。该阈值量可为固定值(例如，5.5)或可变值(例如，预测的风险值1118或实际风险值1114的10％)。
偏差识别模块1106输出偏差指示1026，指示用户102的葡萄糖水平是否存在偏差(高血糖或低血糖)。
因此，可看出，偏差识别模块1106关注低血糖危险值预测模块1102和高血糖危险值预测模块1104的预测中的误差。大的预测误差指示所收集的测量结果1020中的葡萄糖测量结果以不可预测的方式改变并且因此潜在地偏离预期的测量结果。
返回图10，上下文偏差检测模块1008检测与在用户的葡萄糖水平的扩展历史中发现的典型重复葡萄糖水平趋势的实时偏差。这也被称为基于上下文的离群值检测，因为该检测是基于针对用户的葡萄糖水平的扩展历史的上下文中的当前葡萄糖水平(例如，前3天、前2周等)来执行的。上下文偏差检测模块1008接收聚合度量1022，并且基于聚合度量1022确定最近收集的测量结果1020(例如，在前一小时内接收到的)是否指示用户102的葡萄糖水平相对于先前收集的测量结果1020(例如，在前3天至14天中的每一天的对应时间段内)的偏差。
上下文偏差检测模块1008基于最近时间段和之前多天中的每一天中的对应时间段来确定用户102的葡萄糖水平是否存在偏差。上下文偏差检测模块1008从度量确定模块1004接收一个或多个聚合度量1022。尽管被示为相同的聚合度量，但是基于内容的偏差检测模块1006和上下文偏差检测模块1008任选地接收不同的聚合度量。例如，基于内容的偏差检测模块1006和上下文偏差检测模块1008可基于在不同时间段或先前几分钟时间内收集的测量结果1020以不同时间间隔接收聚合度量1022，可接收不同度量的聚合度量(例如，基于内容的偏差检测模块1006可接收低血糖和高血糖风险值，而上下文偏差检测模块1008可接收平均葡萄糖和平均血糖波动幅度指标)等等。
在一个或多个具体实施中，度量确定模块1004大约每5分钟生成一次聚合度量1022(使用特定时间段的滚动窗口，诸如时间上的前60分钟)，并且上下文偏差检测模块1008响应于从度量确定模块1004接收到新的聚合度量1022而通过将针对该特定时间段接收到的聚合度量1022与针对之前多天中的每一天中的对应时间段接收到的聚合度量1022进行比较来大约每5分钟确定一次用户102的葡萄糖水平是否出现偏差。数据收集模块1002可生成测量1020的集合，并且度量确定模块1004可响应于接收到葡萄糖测量结果114而生成一个或多个聚合度量1022。
上下文偏差检测模块1008可以多种不同方式中的任一种将最近生成的聚合度量1022(例如，由度量确定模块1004最近生成的低血糖风险值和高血糖风险值)与之前多天中的每一天中的对应时间段中的聚合度量进行比较，以确定用户102的葡萄糖水平是否存在偏差。
在一个或多个实施方案中，上下文偏差检测模块1008生成表示或组合之前多天中的每一天中的对应时间段的聚合度量的值。例如，该值可为多种统计数据中的任一种，诸如之前多天中的每一天中(或在之前多天的子组中)的风险值的平均值、之前多天中的每一天中(或在之前多天的子组中)的风险值的平均值等等。上下文偏差检测模块1008响应于表示之前多天中的每一天中的对应时间段的聚合度量的值与最近生成的聚合度量1022之间的差为至少阈值量而确定用户102的葡萄糖水平存在偏差。该阈值量可为固定值(例如，7)或可变值(例如，最近接收到的聚合度量1022的10％或表示之前多天中的每一天中的对应时间段的聚合度量的值的10％)。
上下文偏差检测模块1008可使用多种规则或标准中的任一种来确定之前的天数(或者之前的哪些天)以与最近生成的聚合度量进行比较。例如，上下文偏差检测模块1008可将最近生成的聚合度量与预定义天数(诸如14天)内的之前每天的聚合度量进行比较。天数可以各种方式预定义，诸如通过上下文偏差检测模块1008的开发者或设计者、通过来自用户102的用户输入、通过来自健康护理提供者的输入等等。又如，上下文偏差检测模块1008可将最近生成的聚合度量与至少特定天数的聚合度量进行比较，然后增加该数量(例如，前3天的聚合度量，然后前4天的聚合度量，然后前5天的聚合度量，以此类推)。
上下文偏差检测模块1008基于由度量确定模块1004生成的聚合度量来确定用户102的葡萄糖水平是否存在偏差。上下文偏差检测模块1008为用户102输出指示葡萄糖水平是否存在偏差的偏差指示1028(例如，以及导致识别出葡萄糖水平的偏差的聚合度量的指示)。
图12示出了生成偏差指示1028的示例1200。在图12的示例中，聚合度量1022包括低血糖风险值。尽管参考低血糖风险值进行了讨论，但是应当注意，上下文偏差检测模块1008可类似地使用除了低血糖风险值之外的或者代替低血糖风险值的任何其他聚合度量。
在图12的示例中，示例1200示出了在多天内(12月27日至1月1日)的葡萄糖测量结果和风险值的曲线图1202。曲线图1202在右边示出了范围从0至300的葡萄糖测量结果，在左边示出了范围从0至30的高血糖风险值。实线1204绘制了葡萄糖测量结果，虚线1206绘制了高血糖风险值前兆。在1小时的时间段内生成了多个风险值1208。
在例示的示例中，度量确定模块1004大约每5分钟生成一次高血糖风险值1208(使用60分钟时间段的滚动窗口)。上下文偏差检测模块1008响应于从度量确定模块1004接收到新的高血糖风险值1210而确定在当天的前60分钟时段内用户102的葡萄糖水平是否存在偏差，以及在之前多天中的每一天内的对应时段内的高血糖风险值1212是否存在偏差。在例示的示例中，上下文偏差检测模块1008在2021年1月1日大约下午3:40接收到风险值1210，并且将风险值1210与对应于从2021年12月27日至2022年12月31日中的每一天的相同前60分钟(下午2:40至3:40)的风险值1212进行比较。
在例示的示例中，上下文偏差检测模块1008响应于最近生成的高血糖风险值与表示紧接着的前三天的高血糖风险值的值之间的差为至少阈值量而确定用户102的葡萄糖水平存在偏差。每天的高血糖风险值由曲线图1202中的圆圈示出，前三天的高血糖风险值由具有交叉阴影线填充的圆圈示出。
返回到图10，基于内容的偏差检测模块1006和上下文偏差检测模块1008各自允许检测到另一模块无法检测到的葡萄糖水平偏差。例如，一段时间内的葡萄糖水平可能在前12小时的小范围内相对一致，但与前几天的对应时间段区别很大。因此，基于内容的偏差检测模块1006将不会检测到偏差，但上下文偏差检测模块1008会检测到偏差。又如，一段时间内的葡萄糖水平可能与前几天的对应时间段相对一致，但与前12小时区别很大。因此，上下文偏差检测模块1008将不会检测到偏差，但基于内容的偏差检测模块1006会检测到偏差。
偏差选择模块1010分别从基于内容的偏差检测模块1006和上下文偏差检测模块1008接收偏差指示1026和偏差指示1028。偏差选择模块1010选择偏差指示1026和偏差指示1028中的一者或多者，并且从偏差标识库1032(例如，保存在存储装置118上)获得对应的偏差标识1030。所获得的偏差标识1030是可被显示或传送给另一装置、用户、健康护理专业人员等的消息或通信，其标识或描述了对应的偏差指示1026或偏差指示1028。偏差选择模块1010将所获得的对应偏差标识1030提供给UI模块1012(或反馈呈现系统122作为反馈指示312)。
偏差选择模块1010以多种不同方式中的任一种确定哪个偏差标识1030对应于偏差指示1026或偏差指示1028。在一个或多个具体实施中，偏差选择模块1010维护偏差标识1030到偏差指示的映射。附加地或另选地，偏差选择模块1010可使用多种其他规则或标准中的任一者来确定哪个偏差标识1030对应于偏差指示1026或偏差指示1028。
在一个或多个实施方案中，偏差选择模块1010为在偏差指示1026和偏差指示1028中标识的每个偏差选择偏差标识1030。这可导致偏差选择模块1010选择由UI模块1012(或反馈呈现系统122)显示或以其他方式呈现的多个偏差标识1030。
附加地或另选地，在接收到多个偏差标识的情况下，偏差选择模块1010选择偏差的子集(例如，其中一个偏差)。偏差选择模块1010可以各种方式选择多个偏差中的一个偏差，诸如随机地或伪随机地选择多个偏差中的一个偏差。附加地或另选地，偏差选择模块1010可对多个偏差进行优先级排序并且选择多个偏差中具有最高优先级的一个偏差。例如，选择具有最高优先级的偏差。
偏差选择模块1010任选地使用各种标准来确定选择多个偏差中的哪个偏差。这些标准可基于各种因素，诸如之前发生偏差的最近时间、偏差或度量的排序或优先级、偏差或度量的类别、偏差已经发生的连续天数等等。例如，与更近的最近发生的偏差相比，先选择先前更远的最近发生的偏差。例如，这允许选择不同的偏差并且避免过于频繁地重复显示相同的偏差。
又如，偏差选择模块1010可从基于内容的偏差检测模块1006和上下文偏差检测模块1008中的一者选择优先于另一者的偏差。例如，与由上下文偏差检测模块1008识别的偏差相比，偏差选择模块1010可先选择由基于内容的偏差检测模块1006识别的偏差。或者偏差选择模块1010可从基于内容的偏差检测模块1006和上下文偏差检测模块1008中较早之前识别出偏差的一者选择偏差。
又如，与不太紧急或不太安全相关的偏差相比，先选择(例如，被偏差选择模块1010的开发者或设计者)指定为更紧急或更安全相关的偏差。例如，这允许与其他非紧急或非安全相关特征相比，先选择对应于紧急或安全相关特征(例如，不保持在范围内或不超过阈值葡萄糖水平)的偏差，并且允许向用户显示或以其他方式呈现更关键的糖尿病管理信息。
又如，与(例如，被用户102)指定为更低优先级的偏差相比，可先选择(例如，被用户102)指定为更高优先级的偏差。例如，这允许显示或以其他方式呈现用户更感兴趣的偏差，而不是用户不太感兴趣的偏差。
又如，偏差选择模块1010可仅在偏差尚未被选择达至少阈值时间量的情况下选择该偏差。例如，偏差选择模块1010可仅在偏差尚未被选择达至少30分钟或2天的情况下选择该偏差，偏差选择模块1010可仅在自上次选择特定偏差以来至少阈值数量(例如，3或5)个其他偏差被选择的情况下选择该特定偏差，等等。
又如，偏差选择模块1010可基于用户102所处的群体来选择偏差。能够以如上文所讨论的各种方式定义或描述群体。例如，可基于用户是1型糖尿病还是2型糖尿病、基于用户的年纪、基于用户患有的其他医疗状况等来选择某些偏差优先于其他偏差。
又如，偏差选择模块1010可基于其他因素或来自各种医疗源的输入来选择偏差。例如，可基于来自主题专家(例如，糖尿病管理领域的专家)、临床指南、专业文献等的输入来选择某些偏差优先于其他偏差。
UI模块1012接收一个或多个偏差标识1030并且使得这些偏差标识1030被显示或以其他方式呈现(例如，在计算装置106处)。该显示或其他呈现可采取各种形式，诸如静态文本显示、图形或视频显示、音频呈现、它们的组合等等。附加地或另选地，一个或多个偏差标识1030可被传送或以其他方式呈现给临床医生、药剂师、其他健康护理提供者等。
由UI模块1012(或反馈呈现系统122)针对偏差标识1030呈现的特定内容或消息可变化。偏差标识1030中的内容或消息可为基于所选择的偏差的任何适当的文本或其他内容。这种内容或消息的示例包括“你的葡萄糖比平时高一点”、“你的葡萄糖比平时低一点”、“你的葡萄糖比过去几天下午的葡萄糖高一点”、“你的葡萄糖从今天早上开始上升了不少”、“你的葡萄糖上升到今天早上以来的最高水平”、“你过去一小时的葡萄糖比过去几天中每天此时的葡萄糖都高”等等。
因此，偏差标识1030中的内容或消息可为肯定确认，诸如以肯定或自我服务的方式祝贺偏离正常行为的趋势。附加地或另选地，偏差标识1030中的内容或消息可为先发制人的警告，诸如确认负面趋势的偏差以防止恶化的模式。
UI模块1012可任选地在各种不同定时中的任何定时传送、显示或以其他方式呈现偏差标识1030。在一个或多个实施方案中，UI模块1012响应于从偏差选择模块1010接收到偏差标识1030(例如，在与基于内容的偏差检测模块1006或上下文偏差检测模块1008检测到偏差大致相同的时间)来传送、显示或以其他方式呈现偏差标识1030。附加地或另选地，UI模块1012在其他时间传送、显示或以其他方式呈现偏差标识1030，诸如在用餐完成时、以规律或不规律的间隔(例如，大约每5分钟，其中偏差选择模块1010任选地每5分钟选择多个偏差标识1030中不同的一个)、响应于请求最近的偏差标识1030的用户输入等等。
葡萄糖水平偏差检测系统306任选地基于检测到的偏差(或无偏差)采取附加行动。在一个或多个具体实施中，这些行动包括向葡萄糖监测应用程序116或可穿戴葡萄糖监测装置104通知可减少或增加产生葡萄糖测量结果114的频率。例如，如果葡萄糖水平偏差检测系统306识别出未检测到偏差的时间段(例如，多天)，则葡萄糖水平偏差检测系统306向葡萄糖监测应用程序116或可穿戴葡萄糖监测装置104通知可减少该时间段期间产生葡萄糖测量结果114的频率(例如，从每5分钟一次减少到每10分钟一次)，从而减少产生葡萄糖测量结果114所消耗的功率。又如，如果葡萄糖水平偏差检测系统306识别出一时间段内的偏差，则葡萄糖水平偏差检测系统306向葡萄糖监测应用程序116或可穿戴葡萄糖监测装置104通知可增加随后的日子的该时间段期间或在当天的随后的时间段期间产生葡萄糖测量结果114的频率(例如，从每5分钟一次增加到每2分钟一次)，从而由于葡萄糖测量结果114的数量增加而增加所生成的风险值的准确性。
尽管讨论为使用聚合度量1022，但是附加地或另选地，所收集的测量结果1020被提供给基于内容的偏差检测模块1006和上下文偏差检测模块1008中的一者或两者。在这种情况下，基于内容的偏差检测模块1006或上下文偏差检测模块1008类似于上文讨论但使用所收集的测量结果1020而非聚合度量1022来识别偏差。
此外，葡萄糖水平偏差检测系统306被讨论为包括基于内容的偏差检测模块1006和上下文偏差检测模块1008两者，这些模块可同时进行操作以生成偏差指示。附加地或另选地，葡萄糖水平偏差检测系统306仅包括基于内容的偏差检测模块1006和上下文偏差检测模块1008中的一者。
应当注意，如上文所讨论的，偏差标识1030可作为反馈指示312被提供给反馈呈现系统122。在这种情况下，葡萄糖水平偏差检测系统306不需要包括UI模块1012。附加地或另选地，偏差指示1026和1028可作为反馈指示312被提供给反馈呈现系统122。在这种情况下，反馈呈现系统122任选地使用反馈库1032来识别要提供给用户(或其他人，诸如临床医生或药剂师)的偏差，如下文更详细讨论的。反馈呈现系统122任选地使用本文中相对于偏差选择模块1010所讨论的技术中的任一种或多种技术来识别要提供给用户的偏差。
图13和图14描述了用于实现葡萄糖水平偏差检测的过程的示例。程序的各方面可在硬件、固件、或软件、或其组合中实现。程序被示为指定由一个或多个装置执行的操作的一组块并且不一定限于所示的用于由各个块执行操作的次序。
图13描绘了在实现葡萄糖水平偏差检测的示例中的过程1300。过程1300例如由葡萄糖水平偏差检测系统(诸如葡萄糖水平偏差检测系统306)执行，并且任选地部分地由反馈呈现系统(诸如反馈呈现系统122)执行。
获得(框1302)用户在多个时间段中的每个时间段的葡萄糖测量结果。这些葡萄糖测量结果是从例如连续葡萄糖水平监测系统的葡萄糖传感器获得的，其中葡萄糖传感器被插入在用户的插入位点处。这些时间段例如是30分钟的时间段。
为用户生成(框1304)多个时间段中的每个时间段期间的一个或多个聚合度量。这些一个或多个聚合度量可包括例如高血糖和低血糖风险值(例如，高血糖指数和低血糖指数)、平均葡萄糖、平均变化系数、平均范围内时间等。
聚合度量指示(框1306)与在一系列多个先前时间段期间测量的葡萄糖测量结果的偏差。例如，确定最近生成的聚合度量是否指示与前12小时期间测量的葡萄糖测量结果的偏差。
生成(框1308)标识该偏差的用户界面。在一些情况下，可在框1304中指示多个偏差，并且在这种情况下，在框1308中选择所识别偏差中的一个或多个偏差以包括在用户界面中。
使得显示(框1310)或以其他方式呈现包括所识别的偏差的用户界面。附加地或另选地，所识别的或所选择的偏差可被传送或以其他方式呈现给临床医生、药剂师或其他健康护理提供者。
图14描绘了在实现葡萄糖水平偏差检测的另一示例中的过程1400。过程1400例如由葡萄糖水平偏差检测系统(诸如葡萄糖水平偏差检测系统306)执行，并且任选地部分地由反馈呈现系统(诸如反馈呈现系统122)执行。
获得(框1402)用户在当天的时间段内的葡萄糖测量结果。这些葡萄糖测量结果是从例如连续葡萄糖水平监测系统的葡萄糖传感器获得的，其中葡萄糖传感器被插入在用户的插入位点处。该时间段例如为30分钟。
为用户生成(框1404)当天的该时间段期间的一个或多个聚合度量。这些一个或多个聚合度量可包括例如高血糖和低血糖风险值(例如，高血糖指数和低血糖指数)、平均葡萄糖、平均变化系数、平均范围内时间等。
为用户生成(框1406)之前多天中的每一天的对应时间段期间的聚合度量。例如，这些对应的时间段是与当天的时间段相同的30分钟时间段。该聚合度量是与在框1404中生成的聚合度量中的至少一个聚合度量相同的聚合度量。确定(框1408)当天的时间段的聚合度量是否指示与在之前多天的对应时间段期间测量的葡萄糖测量结果的偏差。
生成(框1410)标识该偏差的用户界面。在一些情况下，可在框1408中指示多个偏差，并且在这种情况下，在框1410中选择所识别偏差中的一个或多个偏差以包括在用户界面中。
使得显示(框1412)或以其他方式呈现包括所识别的偏差的用户界面。附加地或另选地，所识别的或所选择的偏差可被传送或以其他方式呈现给临床医生、药剂师或其他健康护理提供者。
行为矫正识别系统架构
通常，行为矫正识别系统308接收葡萄糖测量结果的数据流。生成并存储特定时间段的一个或多个特征，每个特征是可根据葡萄糖测量结果计算的值，并且指示用户是否一直在进行有益的糖尿病管理行为。这些特征可包括度量，该度量为特定时间段的数据流中的数据的表示或概括。例如，这些时间段是一天中不同的多小时时间块。例如，一天可包括从午夜到早上6点的第一时间段(对应于睡眠或夜晚)、从早上6点到中午的第二时间段(对应于早餐后)、从中午到下午6点的第三时间段(对应于午餐后)以及从下午6点到午夜的第四时间段(对应于晚餐后)。这些时间段可为固定的或者可基于各种接收到的数据被自适应地识别(例如，睡眠开始可由活动监测器检测并且可用于确定该日期的“睡眠”时间段的开始，用户输入可指定时间段的开始或结束时间(例如，经由向用户显示的用户偏好用户界面接收的用户输入)等等)。
一时间段的特征在一时间窗口(诸如一周)内聚合。这些聚合特征用于识别指示未进行有益的糖尿病管理行为的模式。例如，一个特征可为范围内时间特征(例如，该范围为70毫克每分升(mg/dL)至180mg/dL之间的葡萄糖水平)，并且指示没有进行有益的糖尿病管理行为的模式可为一周内的特定时间段的范围内时间小于70％。对于所识别的模式中的每个模式，生成潜在的行为矫正反馈，用户可能采取该反馈来进行有益的糖尿病管理行为。选择并显示或以其他方式向用户呈现潜在的行为矫正反馈中的至少一个行为矫正反馈。
行为矫正反馈(也被称为可执行目标)是指用户可采取以改变(例如，改善)他或她的糖尿病管理的一个或多个行动。行为矫正的示例包括“本周傍晚散步3次”、“本周有2个晚上吃低碳水化合物的晚餐”、“为了不在临睡前进食，试着设定一个时间，每天傍晚后停止进食”等等。
本文所讨论的技术生成行为矫正反馈以改善糖尿病管理并且向用户提供这种情况的通知。这以一种信息丰富且可操作的方式向用户提供了目标或行为矫正反馈，以改善用户的健康、寿命、糖尿病管理等等。这可允许用户在他们的生活方式中做出适当的改变，从而在他们遵循行为矫正反馈的情况下减少密切监测他们的葡萄糖水平的需求。
此外，本文所讨论的技术允许生成并向用户呈现如何改善糖尿病管理的目标或建议。因此，不是简单地显示原始葡萄糖数据，本文所讨论的技术允许向用户提供要采取的有用的行动或步骤，以便他们可以改善自身的糖尿病管理，而不必试图仅基于原始葡萄糖数据来找出如何做到这一点。
图15是行为矫正识别系统308的示例性架构的图示。行为矫正识别系统308包括葡萄糖测量结果收集模块1502、特征确定模块1504、模式检测模块1506、归一化模块1508、映射模块1510、行为矫正选择模块1512和UI模块1514(任选)。通常，行为矫正识别系统308分析用户102的葡萄糖测量结果114，并在葡萄糖测量结果114中寻找指示用户的不良(或非最佳)糖尿病管理的模式。不良糖尿病管理能够以各种方式来量化，诸如葡萄糖测量结果114未停留在特定范围内，葡萄糖测量结果114变化大于特定量，等等。在一个或多个具体实施中，行为矫正识别系统308通过识别跨多个时间窗口的时间窗口给定时间段(例如，给定多小时时间段，诸如多天中的每一天的上午6点到中午)的葡萄糖测量结果114中的模式来识别不良糖尿病管理。
葡萄糖测量结果收集模块1502接收葡萄糖测量结果114，并且任选地接收指示何时获取(例如，由可穿戴葡萄糖监测装置104)或接收(例如，由葡萄糖监测应用程序116)葡萄糖测量结果114中的每一者的时间戳。该时间戳可例如由可穿戴葡萄糖监测装置104或葡萄糖监测应用程序116提供。葡萄糖测量结果收集模块1502将葡萄糖测量结果114分组到不同时间段中，称为分组的测量结果1520。
在一个或多个具体实施中，每个时间段是一天中的一部分(或其他24小时间隔)。选择这些时间段以捕获特定糖尿病管理决策和生活方式选择的影响。在一个或多个具体实施中，基于用户进食和睡眠时间将每天分成多个时间段。例如，一天可包括从午夜到早上6点的第一时间段(对应于睡眠或夜晚)、从早上6点到中午的第二时间段(对应于早餐后)、从中午到下午6点的第三时间段(对应于午餐后)以及从下午6点到午夜的第四时间段(对应于晚餐后)。附加地或另选地，附加时间段可对应于影响葡萄糖水平的其他用户行动，诸如当用户锻炼时。
葡萄糖监测应用程序116任选地提供用户界面，用户102可经由该用户界面定制针对他或她的典型日程表的时间段。例如，假设用户102通常晚上10点睡觉，早上7点吃早餐，中午吃午餐，下午5点吃晚餐。这些时间可被提供给葡萄糖监测应用程序116(例如，由用户)，其将一天的时间段确定为包括从晚上10点到早上7点的第一时间段(对应于睡眠或夜晚)、从早上7点到中午的第二时间段(对应于早餐后)、从中午到下午5点的第三时间段(对应于午餐后)以及从下午5点到午夜的第四时间段(对应于晚餐后)。一天可被分成除四个之外的其他数量的时段。例如，假设用户102通常晚上10点睡觉，早上5点锻炼，早上7点吃早餐，上午11点吃午餐，下午2点吃下午茶，下午6点吃晚餐。这些时间可被提供给葡萄糖监测应用程序116，其将一天的时间段确定为包括从晚上10点到早上5点的第一时间段(对应于睡眠或夜晚)、从早上5点到7点的第二时间段(对应于锻炼)、从早上7点到上午11点的第三时间段(对应于早餐后)、从上午11点到下午2点的第四时间段(对应于午餐后)、从下午2点到6点的第四时间段(对应于点心)以及从下午6点到晚上10点的第六时间段(对应于晚餐后)。
附加地或另选地，用户102的不同时间段可由葡萄糖监测应用程序116通过监测葡萄糖监测应用程序116可用的各种数据(例如，来自活动跟踪器的锻炼或睡眠模式、来自食物或卡路里跟踪应用程序的进食模式)来自动学习或直接检测(例如，由活动跟踪器检测到的睡眠开始)。可使用各种规则或标准来基于葡萄糖监测应用程序116可用的各种数据确定时间段，诸如从活动跟踪器检测睡眠开始和睡眠停止，并使用睡眠开始和睡眠停止的时间来确定与睡眠对应的时间段。
在一个或多个具体实施中，葡萄糖监测应用程序116使用机器学习系统来确定用户102的不同时间段。机器学习系统指可以基于输入进行调整(例如，训练)以近似未知函数的计算机表示。具体地，机器学习系统可以包括一种系统，该系统利用算法通过分析已知数据来学习已知数据并对已知数据进行预测，以学习生成反映已知数据的模式和属性的输出。例如，机器学习系统可以包括决策树、支持向量机、线性回归、逻辑回归、贝叶斯网络、随机森林学习、降维算法、增强算法、人工神经网络、深度学习等。
例如，通过使用训练数据和时间戳来训练机器学习系统，该训练数据是多组多个数据(例如，一天中锻炼、睡眠或进食的时间)，该时间戳指示锻炼、睡眠或进食何时完成。已知标签与指示数据所对应的时间段的多组多个数据相关联。通过更新机器学习系统中的层的权重或值来训练机器学习系统，以将由机器学习系统针对训练数据生成的时间段与针对训练数据的对应已知标签之间的损失最小化。各种不同的损失函数可以用于训练机器学习系统，诸如交叉熵损失、均方误差损失等。
在一个或多个具体实施中，随着时间推移使用葡萄糖监测应用程序116，随着时间推移训练机器学习系统。例如，用户可提供特定时间段是否正确的指示，并且该指示可用作当前时间段的已知标签并且用于进一步训练机器学习系统。
因此，可为不同的用户建立不同的时间段。此外，可为不同的日子建立不同的时间段。例如，用户102可在不同类型的日子具有不同的日程表(例如，周末和假日的日程表与工作日的日程表不同，用户工作的日子与用户不工作的日子的日程表不同)。因此，不同类型的日子的时间段可由用户102提供或由葡萄糖监测应用程序116的机器学习系统确定。
在一个或多个实施方案中，不同时间段的时间块可针对用户在不同的日子中变化。例如，用户通常可在晚上11点到午夜之间入睡，并且在早上5:30到早上6:30之间醒来。对于任何给定的一天，用户入睡的时间和用户醒来的时间可使用各种数据流来检测，诸如来自用户穿戴的活动跟踪器的数据。因此，对应于用户睡眠的时间段可为一天的晚上11:13至早上6:00、晚上11:27至第二天早上5:48、晚上11:45至第二早上6:12等等。
特征确定模块1504基于分组的测量结果1520生成一个或多个特征1522。特征1522是指可根据葡萄糖测量结果114(以及任选地，附加数据)计算的任何值，并且指示用户是否一直在进行有益的糖尿病管理行为或生活方式选择。特征1522可为度量，该度量为葡萄糖测量结果114中的数据的表示或概括，或者为针对时间窗口期间的特定时间段的数据的表示或概括。
在一个或多个具体实施中，特征确定模块1504还接收附加数据1524(例如，图3的附加数据302)。附加数据1524是指可用于识别不良糖尿病管理的任何附加数据。例如，附加数据1524可包括与用户与计算装置106、与计算装置106的显示器、或与指示进行糖尿病管理的水平的其他系统部件的交互有关的数据。例如，该信息可包括用户102何时查看应用程序以及查看了UI的哪些屏幕或部分的时间戳、用户102何时向应用116提供输入(或以其他方式与该应用程序交互)以及该输入是什么的时间戳、用户何时查看或确认由行为矫正识别系统308提供的反馈的时间戳、应用程序(例如，葡萄糖监测应用程序116)何时被查看或启动的次数、应用程序(例如，葡萄糖监测应用程序116)何时被查看或启动的定时、回顾葡萄糖数据或先前的见解或教育材料所花费的时间、与教练或临床医生交互的频率等等。这样的数据可从各种源接收，诸如从葡萄糖监测应用程序116、从在计算装置106上运行的操作系统、从葡萄糖监测平台110等等。附加数据1524还可包括来自其他源的其他数据，如下文更详细讨论的。
在一个或多个具体实施中，每个特征1522是一个或两个值，其表示或概括跨时间窗口的特定时间段的葡萄糖测量结果114或附加数据1524，将葡萄糖测量结果114转换成为坚持有益的糖尿病管理和生活方式选择的数字指示符。例如，每个特征1522可为表示或概括一周内对应于该周内的睡眠的时间段的葡萄糖测量结果114的值。
特征确定模块1504针对时间窗口中的对应时间段生成多种特征1522中的任一种。在一个或多个具体实施中，特征确定模块1504根据葡萄糖测量结果114生成多种统计数据中的任一种，诸如对应时间段中的平均葡萄糖测量结果、对应时间段中的葡萄糖测量结果的变化系数(时间段中的葡萄糖测量结果的标准偏差与平均值的比率)、时间段中的葡萄糖测量结果的标准偏差、接收器工作特性(ROC)等等。
附加地或替代地，特征确定模块1504生成范围内时间特征，诸如在葡萄糖测量结果处于可接受或期望葡萄糖水平范围(例如，在70mg/dL至180mg/dL之间，或在70mg/dL至130mg/dL之间的窄范围)内的时间段期间的时间量。该可接受或期望范围可为默认范围，可为由用户或健康护理专业人员设置的定制范围等等。不同的范围内时间特征具有不同的可接受或期望葡萄糖水平范围，可针对不同的对应时间段生成(例如，对应于睡眠时间段的葡萄糖水平范围可能不同于对应于午餐后时间段的葡萄糖水平范围)。
附加地或另选地，特征确定模块1504生成时间高于阈值特征，诸如在葡萄糖测量结果高于特定葡萄糖水平(例如，180mg/dL或250mg/dL)的时间段期间的时间量。该特定葡萄糖水平可为默认水平，可为由用户或健康护理专业人员设置的定制水平等等。可生成各自具有不同的特定葡萄糖水平的多个时间高于阈值特征。
附加地或另选地，特征确定模块1504生成时间低于阈值特征，诸如在葡萄糖测量结果低于特定葡萄糖水平(例如，70mg/dL)的时间段期间的时间量。该特定葡萄糖水平可为默认水平，可为由用户或健康护理专业人员设置的定制水平等等。可生成各自具有不同的特定葡萄糖水平的多个时间低于阈值特征。
附加地或另选地，特征确定模块1504生成最大葡萄糖测量结果特征，该最大葡萄糖测量结果特征是在时间段期间接收到的最大葡萄糖测量结果。
附加地或另选地，特征确定模块1504生成餐后特征，诸如餐后葡萄糖水平峰值、餐后曲线下面积(AUC)、葡萄糖测量结果高于特定葡萄糖水平(例如，250mg/dl)的餐后时间量等等。
附加地或另选地，特征确定模块1504生成范围内空腹葡萄糖特征，诸如指示特定葡萄糖测量结果是否在葡萄糖水平的可接受或期望范围内(例如，在70毫克每分升(mg/dL)至180mg/dL之间，或在70mg/dL至130mg/dL之间的窄范围内)的指示(例如，真或假)。该可接受或期望范围可为默认范围，可为由用户或健康护理专业人员设置的定制范围等等。不同的范围内时间特征具有不同的可接受或期望葡萄糖水平范围，可针对不同的对应时间段生成。例如，范围内空腹葡萄糖特征可基于恰好在用户每天早晨进食第一口食物之前接收到的葡萄糖测量结果、在对应于睡眠的时间段结束时接收到的上一个葡萄糖测量结果中的一者等等来生成。又如，范围内睡前葡萄糖特征可基于在对应于睡眠的时间段开始时接收到的葡萄糖测量结果来生成，等等。
附加地或另选地，特征确定模块1504生成其他特征，诸如时间段中的最大葡萄糖测量结果变化率、时间段中的最大葡萄糖测量结果上升、时间段中的低血糖指数(LBGI)、时间段中的高血糖指数(HBGI)、指示时间段中的葡萄糖水平的增加或降低速率的值等等。
在一个或多个具体实施中，特征确定模块1504根据附加数据1524生成特征，该附加数据可为从如本文所讨论的各种不同的源接收到的各种不同类型的数据。例如，特征确定模块1504可生成葡萄糖监测应用程序116在时间段内被查看或启动的次数、葡萄糖监测应用程序116在餐后(例如，在对应于早餐后、午餐后、晚餐后等的时间段开始时)被启动或查看的次数等作为特征1522。
特征确定模块1504将所生成的特征1522存储在特征存储库1526中(例如，保存在存储装置118上)。所生成的特征1522被维持一段持续时间，该持续时间随具体实施而变化。例如，所生成的特征1522可被维持两周、一个月、一年等等。
图16示出了提供行为矫正推荐以改善糖尿病管理的示例1600。示例1600沿着水平轴示出了多天的时间窗口(图示为星期一、星期二、星期三、星期四和星期五)，并且沿着竖直轴示出了葡萄糖测量结果。每天具有多个时间段(例如，夜晚、早餐、午餐和晚餐)，并且在这些天中的每天中的夜晚时间段期间的葡萄糖测量结果被图示为1602、1604、1606、1608和1610。针对具有80mg/dL至130mg/dL范围的对应时间段(例如，夜晚时间段)，生成范围内时间特征1522。在例示的示例1600中，范围内时间特征1522近似为0.37(夜晚时间段的37％在范围内)。如下文更详细讨论的，在给定范围内时间特征1522的情况下检测到针对夜晚时间段的模式，导致在计算装置106上显示行为矫正反馈1612。
返回到图15，模式检测模块1506接收不同特征1522(例如，从特征存储库1526或直接从特征确定模块1504)，并且从特征1522检测时间窗口的对应时间段中的模式。这些模式是指示用户的不良(或非最佳)糖尿病管理的模式。模式检测模块1506可使用多种规则、标准或其他技术中的任一者来识别这些模式。
模式检测模块1506基于来自时间窗口中的对应时间段的特征1522来识别模式(例如，夜晚时间段中的模式、早餐时间段中的模式、午餐时间段中的模式、晚餐时间段中的模式等等)。模式检测模块1506可在不同的对应时间段中识别相同或不同的模式。例如，在给定范围内时间特征1522的情况下，可针对夜晚时间段和午餐时间段检测到模式，但是针对早餐和晚餐时间段没有检测到这样的模式。
在一个或多个实施方案中，模式检测模块1506使用基于特征1522的目标标准的规则，该规则指示特征1522期望的值。表I例示了特征1522及其对应目标标准的示例。
表I
模式检测模块1506检测不满足其标准的每个特征，作为指示用户的不良(或非最佳)糖尿病管理的模式。例如，如果对应时间段(例如，对应于早餐后的时间段)中的葡萄糖测量结果的平均值不小于155mg/dL，则模式检测模块1506检测早餐后时间段中的平均值特征的葡萄糖测量结果，作为指示不良糖尿病管理的模式。又如，如果对应时间段(例如，对应于午餐后的时间段)中的葡萄糖测量结果在大于70％的时间处于70mg/dL至180mg/dL的范围内，则模式检测模块1506不检测午餐后时间段中的范围内时间(非夜晚)特征作为指示不良糖尿病管理的模式。
模式检测模块1506将在时间窗口期间检测到的模式(不满足其标准的特征1522)(例如，在时间窗口中的各个对应时间段中的各个特征1522的所有检测到的模式)输出为检测到的模式1528。每个检测到的模式1528包括检测到的模式的指示(例如，检测到模式的特征和检测到模式的对应时间段)。在一个或多个具体实施中，每个检测到的模式1528还包括检测到该模式的特征的指示。例如，如果在对应于午餐后的时间段内检测到的模式在超过70％的时间内不处于70mg/dL至180mg/dL范围内，则检测到的模式1528包括在对应于午餐后的时间段内葡萄糖测量结果处于70mg/dL至180mg/dL范围内的时间量(例如，45％)。
在一个或多个实施方案中，将检测到的模式1528(或至少检测到该模式的特征)提供到归一化模块1508，该归一化模块将检测到的模式1528的特征调整到通用尺度或通用单位(例如，范围在0至100之间或0至1之间的值)。归一化模块1508输出归一化特征作为归一化特征1530。该归一化可使用各种公共或专有技术中的任一种来执行。应当注意，归一化模块1508是任选的，并且在某些情况下不需要执行归一化。例如，在一些情况下，如果模式检测模块1506仅使用具有通用尺度或通用单位的特征(例如，高于180的时间和高于250的时间特征)，那么不需要将检测到的模式1528的特征调整到通用尺度或单位。
在一个或多个实施方案中，由归一化模块1508执行的归一化指示了模式的大小，并且该大小的指示被包括在归一化特征1530中。模式的大小指示特征的标准被满足的程度。例如，如果对于范围内时间特征，如果特定范围(例如，70mg/dL至180mg/dL)内时间为45％，但是标准为至少70％，则对于35.7的大小，该模式的大小可被计算为而如果在不同范围(例如，80mg/dL至10mg/dL)中的时间为68％，但标准为至少70％，则对于大小2，该模式的大小可被计算为/>这些大小允许行为矫正选择模块1512基于哪个模式具有最大的大小(例如，被认为更差或对应于更差的糖尿病管理行为)来选择行为修改。
图17示出了针对不同检测模式的归一化大小的大小的示例1700。检测到的模式(以及它们被检测到的时间段)1702沿着竖直轴示出，并且大小1704沿着水平轴示出。如图所示，在睡眠时间段期间处于80mg/dL至130mg/dL范围内的时间的检测到的模式具有最大的大小，这可能导致行为矫正选择模块1512选择在睡眠时间段期间处于80mg/dL至130mg/dL范围内的时间映射到的行为矫正反馈。
返回图15，在一个或多个具体实施中，可由模式检测模块1506检测到的各种模式对应于(被映射到)一个或多个主题。映射模块1510接收检测到的模式1528(以及任选地，归一化特征1530)，并且将检测到的模式1528映射到一个或多个主题1532。主题1532也被称为到一个或多个模式的映射。各种行为矫正反馈被分组为多个不同的主题，也被称为类别。每个这样的主题包括映射到一个或多个行为矫正反馈的一个或多个模式。映射模块1510将检测到的模式1528映射到一个或多个主题1532，并且行为矫正选择模块1512选择对应于那些一个或多个主题1532的行为矫正反馈(从行为库1538选择，其可被保存在存储装置118上)以提供给UI模块1514(或反馈呈现系统122)进行输出，如下文更详细讨论的。在一个或多个具体实施中，行为库1538是图1的反馈库124。哪些检测到的模式映射到哪些一个或多个主题可以各种方式来指定，诸如由行为矫正识别系统308的开发者或设计者、由健康护理提供者或专业人员等来指定。
映射模块1510可将检测到的模式1528映射到各种不同主题中的任一种。例如，行为矫正的一个主题是与葡萄糖监测应用程序(诸如葡萄糖监测应用程序116)的互动。可被映射到该主题的模式包括与葡萄糖监测应用程序的低互动度，例如通过低数量(例如，小于阈值数量，诸如固定数量(例如，3)或可变数量(例如，每小时小于2))的屏幕视图或应用程序的启动、餐前或餐后没有屏幕视图等等所测量的。在一个或多个具体实施中，在任何时间段中检测到的模式可被映射到与葡萄糖监测应用程序主题的互动。与葡萄糖监测应用程序主题的互动可被映射到以下行为矫正反馈：1)每天检查你的葡萄糖X次，2)每天在指定时间(例如，餐前/餐后、睡前、早晨)检查你的葡萄糖，3)设置闹钟提醒你检查葡萄糖，等等。
又如，行为矫正的一个主题是餐后葡萄糖。可被映射到该主题的模式包括高餐后葡萄糖峰值(例如，大于阈值，诸如固定值(例如，300mg/dL)或可变数(例如，用户在一段持续时间诸如2周内的时间段期间内具有的最高值))、高餐后曲线下面积(AUC)(例如，大于阈值，诸如固定值(例如，300mg/dL)或可变数(例如，用户在一段持续时间诸如2周内的时间段期间内具有的最高值))、高餐后葡萄糖水平大于250mg/dl的高餐后时间(例如，大于阈值，诸如固定量的时间(例如，30分钟)或可变时间量(例如，时间段的10％))、葡萄糖水平大于180mg/dl的高餐后时间(例如，大于阈值时间量，诸如固定时间量(例如，90分钟)或可变时间量(例如，时间段的20％))、高平均葡萄糖(例如，大于阈值，诸如固定值(例如，180mg/dL)或可变数(例如，用户在一段持续时间内诸如2周内的时间段期间的平均值))、范围(诸如70mg/dL至180mg/dL)内低时间(例如，小于阈值时间量，诸如固定时间量(例如，90分钟)或可变时间量(例如，时间段的20％))等等。在一个或多个具体实施中，可将在任何时间段中检测到的模式映射到餐后葡萄糖主题。
高餐后葡萄糖峰值主题可被映射到以下行为矫正反馈：1)尝试通过吃有助于保持你的葡萄糖在一定范围内的食物(例如，低碳水化合物)来保持餐后葡萄糖低于X，2)说明是什么导致餐后葡萄糖水平升高(高于X)(例如，食物类型、行为)，3)尝试餐后活动以帮助将葡萄糖保持在范围内，例如，下周X天(或连续X天)，餐后(例如，早餐/午餐/晚餐)活动(例如，尝试增加15分钟步行)以控制葡萄糖并减少峰值，等等。
又如，行为矫正的一个主题是A1C-GMI(葡萄糖管理指示物)或简写为GMI。可被映射到该主题的模式包括高平均葡萄糖(例如，大于阈值，诸如固定值(例如，180mg/dL)或可变数(例如，用户在一段持续时间诸如2周内的时间段期间具有的平均值))。在一个或多个具体实施中，在早餐后时间段、午餐后时间段和晚餐后时间段中检测到的模式可被映射到A1C-GMI主题。
A1C-GMI主题可被映射到以下行为矫正反馈：1)将平均葡萄糖降低X，2)记得按医嘱服药，咨询医生，3)在出现情绪/压力时进行注释，4)尝试在白天多活动(例如，体育活动目标，诸如下周完成X步、下周锻炼X小时、下周进行X次体育活动(例如，散步、骑自行车、跳舞、爬楼梯、慢跑等)，等等。
又如，行为矫正的一个主题是夜间葡萄糖。可被映射到该主题的模式包括高平均夜间葡萄糖(例如，大于阈值，诸如固定值(例如，180mg/dL)或可变数(例如，用户在一段持续时间诸如2周内的时间段期间内具有的最高值))、范围(诸如70mg/dL至180mg/dL)内低夜间时间(例如，小于阈值时间量，诸如固定时间量(例如，30分钟)或可变时间量(例如，时间段的10％))、范围(诸如80mg/dL至130mg/dL)内低夜间时间(例如，小于阈值时间量，诸如固定时间量(例如，15分钟)或可变时间量(例如，时间段的5％))、高血糖范围内高夜间时间(例如，大于阈值时间量，诸如固定时间量(例如，30分钟)或可变时间量(例如，时间段的10％))、高睡前葡萄糖(例如，大于阈值，诸如固定值(例如，250mg/dL)或可变数(例如，用户在一段持续时间诸如2周内的时间段期间内具有的最高值))、低睡前葡萄糖(例如，小于阈值，诸如固定值(例如，70mg/dL)或可变数(例如，用户在一段持续时间诸如2周内的时间段期间内具有的最低值))、葡萄糖水平大于250mg/dl的高夜间时间(例如，大于阈值时间量，诸如固定时间量(例如，30分钟)或可变时间量(例如，时间段的10％))、葡萄糖水平大于180mg/dl的高夜间时间(例如，大于阈值时间量，诸如固定时间量(例如，90分钟)或可变时间量(例如，时间段的20％))，等等。在一个或多个具体实施中，在睡眠后时间段中检测到的模式可被映射到夜间葡萄糖主题。
夜间葡萄糖主题可被映射到以下行为矫正反馈：1)将夜间葡萄糖控制在范围内的时间增加X％，2)记得按医嘱服药，咨询医生，3)晚餐尝试吃得不会让葡萄糖升得太高(例如，少吃点、少吃碳水化合物)，4)尝试不要在临睡前进食(例如，尽量不要在下午X点后进食，设置闹钟作为提醒)，5)睡前检查葡萄糖是否在范围内(自我反省)，等等。
又如，行为矫正的一个主题是葡萄糖变化性。可被映射到该主题的模式包括高变化性度量的高值(例如，小于阈值数，诸如固定数(例如，2)或可变数(例如，用户在一段持续时间诸如2周内的时间段期间内具有的最高值))，诸如变化系数或|ROC|>2所花费的时间等等。在一个或多个具体实施中，可将在任何时间段中检测到的模式映射到葡萄糖变化性主题。
葡萄糖变化性主题可被映射到以下行为矫正反馈：1)在下周的X天里，选择低碳水化合物的食物，限制高碳水化合物的食物，2)在下周的X天内，注意与进餐有关的葡萄糖飙升频率，3)尝试在一天内进食不超过X次，4)检查餐前/餐后的葡萄糖，看是否在范围内，并了解特定食物对葡萄糖的影响(自我反思)；5)检查并注释你经常吃的食物中的碳水化合物含量(自我反思)，6)在下周出现情绪/压力时进行注释，等等。
又如，行为矫正的一个主题是空腹葡萄糖。可被映射到该主题的模式包括高估计空腹葡萄糖(例如，大于阈值，诸如固定值(例如，250mg/dL)或可变数(例如，用户在一段持续时间诸如2周内的时间段期间具有的最高值))。在一个或多个具体实施中，在早餐后时间段开始和睡眠时间段结束时检测到的模式可被映射到空腹葡萄糖主题。空腹葡萄糖主题可被映射到以下行为矫正反馈：1)尝试晚饭吃得不会让你的葡萄糖升得太高(份量少、碳水化合物少)，2)注意上一顿饭与第一顿饭之间的间隔时间，3)晚餐和早餐之间尽量间隔X个小时，等等。
又如，行为矫正的一个主题是高血糖(也称为持续高血糖)。可被映射到该主题的模式包括大于180mg/dl的高时间(例如，大于阈值时间量，诸如固定时间量(例如，30分钟)或可变时间量(例如，时间段的10％))、大于250mg/dl的高时间(例如，大于阈值时间量，诸如固定时间量(例如，10分钟)或可变时间量(例如，时间段的3％))等等。在一个或多个具体实施中，在早餐后时间段、午餐后时间段和晚餐后时间段中检测到的模式可被映射到高血糖主题。
高血糖主题可被映射到以下行为矫正反馈：1)如果高发时间超过15％，请咨询医生，2)记得按医嘱服药，3)在下周出现情绪/压力时进行注释，4)尝试在白天多活动(体育活动目标)，例如，下周完成X步、下周锻炼X小时、下周进行X次体育活动(例如，散步、骑自行车、跳舞、爬楼梯、慢跑等)，等等。
又如，行为矫正的一个主题是范围内时间。可被映射到该主题的模式包括范围(诸如70mg/dL至180mg/dL)内低时间(例如，小于阈值时间量，诸如固定时间量(例如，90分钟)或可变时间量(例如，时间段的20％))。在一个或多个具体实施中，在早餐后时间段、午餐后时间段和晚餐后时间段中检测到的模式可被映射到范围内时间主题。范围内时间主题可被映射到以下行为矫正反馈：将范围内时间增加X，等等。
又如，行为矫正的一个主题是低血糖。可被映射到该主题的模式包括低血糖范围(例如，小于70mg/dL)内高时间(例如，大于阈值时间量，诸如固定时间量(例如，30分钟)或可变时间量(例如，时间段的10％))。在一个或多个具体实施中，可将在任何时间段中检测到的模式映射到低血糖主题。低血糖主题可被映射到以下行为矫正反馈：1)咨询医生，2)考虑这些建议(可在给用户的信息中添加的教育内容)，诸如你是否知道低于70时的15规则、在进行体力活动前检查葡萄糖、在驾驶前检查葡萄糖等等。
在一个或多个具体实施中，在任何时间段中检测到的模式可被映射到主题。附加地或另选地，仅在某些时间段中检测到的模式可被映射到主题。例如，映射到空腹葡萄糖主题的模式可在睡眠时间段结束时或早餐后时间段开始时被检测到，但不在其他时间段期间被检测到。又如，映射到夜间葡萄糖主题的模式可在睡眠时间段期间被检测到，但不在其他时间段期间被检测到。
在一个或多个具体实施中，一些模式具有到主题的一对一映射。例如，高估的空腹葡萄糖模式仅被映射到空腹葡萄糖主题。然而，其他模式可潜在地映射到多个主题。例如，大于180mg/dl的高时间模式可被映射到餐后葡萄糖主题或高血糖主题。对于这样的模式，映射模块1510基于在多少时间段中识别出该模式来确定将该模式映射到哪个主题。
例如，如果在一天或其他24小时时段中的小于阈值数量的时段(例如，3个时段)中检测到葡萄糖水平大于180mg/dl的高餐后时间模式或葡萄糖水平大于250mg/dl的高餐后时间模式中的一者或两者，则将该模式映射到餐后葡萄糖主题。然而，如果在一天或24小时时段中的至少阈值数量的时段(例如，至少3个时段)中检测到这些模式，则将该模式映射到高血糖主题。
又如，如果在一天或其他24小时时段中的小于阈值数量的时段(例如，3个时段)中检测到高平均葡萄糖模式，则将该模式映射到餐后葡萄糖主题。然而，如果在一天或24小时时段中的至少阈值数量的时段(例如，至少3个时段)中检测到该模式，则将该模式映射到GMI主题。
又如，如果在一天或其他24小时时段中的小于阈值数量的时段(例如，3个时段)中检测到低范围内(诸如70mg/dL至180mg/dL)时间模式，则将该模式映射到餐后葡萄糖主题。然而，如果在一天或24小时时段中的至少阈值数量的时段(例如，至少3个时段)中检测到该模式，则将该模式映射到范围内时间主题。
映射模块1510将多个模式映射到相同主题，以在可提供相同的行为矫正反馈来改善糖尿病管理的情况下减少冗余。例如，在检测到午餐后的高餐后葡萄糖峰值模式和午餐后葡萄糖水平大于250mg/dl的高餐后时间模式的情况下，可提供相同的行为矫正反馈来改善糖尿病管理。通过将这两种模式映射到“餐后葡萄糖”主题，如果在一个时间段内检测到这两种模式，则行为矫正识别系统308可避免提供相同的行为矫正反馈。
参考检测到的模式1528讨论各种不同的示例性时间、葡萄糖水平和其他值。应当注意，这些各种不同的时间、葡萄糖水平和其他值仅仅是示例，并且可替代地使用各种其他时间、葡萄糖水平和其他值。
映射模块1510将一个或多个主题1532输出到行为矫正选择模块1512。一个或多个主题1532包括检测到的模式1528被映射到的每个主题。在多个模式映射到相同主题的情况下，一个或多个主题1532仅需要包括(并且通常包括)该主题一次。然而，一个或多个主题1532可包括针对不同时间段的相同主题，诸如在模式在多个不同时间段中被映射到相同主题的情况下。在一个或多个具体实施中，对于每个主题1532，映射模块1510还提供映射到主题1532的检测到的模式1528和归一化特征1530中的一者或两者。
模式被映射到的各种主题对应于(被映射到)一个或多个行为矫正反馈。行为矫正选择模块1512接收一个或多个主题1532(以及任选地，归一化特征1530)，并且从行为库1538选择行为矫正反馈以提供给UI模块1514(或反馈呈现系统122)用于输出。在一个或多个实施方案中，行为矫正选择模块1512将每个主题1532映射到特定行为矫正反馈(例如，特定消息或文本)。行为库1538中的每个行为矫正反馈也被称为被映射到主题1532。主题1532与行为矫正反馈之间的映射可以各种方式来指定，诸如由行为矫正识别系统308的开发者或设计者、由健康护理提供者或专业人员等来指定。
行为库1538中的行为矫正反馈可从多种源中的任一种源获得。例如，行为矫正反馈可从健康护理提供者或专业人员、临床医生、护理标准或其他出版物等获得。在一个或多个具体实施中，行为库1538包括用户输入或指定的行为矫正反馈，从而允许用户选择或创建他们想要的行为矫正反馈，以查看映射到他们的行为矫正反馈的模式是否被检测到。行为矫正反馈还可任选地包括针对描述行为矫正反馈、描述行为矫正反馈中的术语等的附加信息的附加教育材料或到源的链接(例如，经由因特网)。例如，如果行为矫正反馈是尝试吃具有更少碳水化合物的晚餐，则行为矫正反馈可包括用于指导识别碳水化合物低的食物或食谱的链接。
在一个或多个具体实施中，行为矫正选择模块1512选择被至少一个主题1532映射到的所有行为矫正反馈，以提供给UI模块1514(或反馈呈现系统122)。
附加地或另选地，在多个行为矫正反馈被不同主题映射到的情况下，行为矫正选择模块1512选择被映射到的行为矫正反馈中的一个或多个行为矫正反馈，以提供给UI模块1514(或反馈呈现系统122)。行为矫正选择模块1512可以各种方式来选择被映射到的行为矫正反馈中的一个或多个行为矫正反馈，诸如随机地或伪随机地选择被映射到的行为矫正反馈中的一个行为矫正反馈。附加地或另选地，行为矫正选择模块1512可对该多个被映射到的行为矫正反馈进行优先级排序，并且选择该多个被映射到的行为矫正反馈中具有最高优先级(或多个最高优先级)的一个或多个行为矫正反馈。例如，选择具有最高优先级的被映射到的行为矫正反馈。
行为矫正选择模块1512任选地使用各种标准来确定选择该多个被映射到的行为矫正反馈中的哪个行为矫正反馈。这些标准可基于各种因素，诸如映射到主题的模式被检测到的最近时间、行为矫正反馈的排序或优先化、主题、或行为矫正反馈的类别，等等。例如，对应于归一化特征1530的模式具有如上文所讨论的各种大小。因此，选择具有最大大小的模式映射到的主题所映射到的行为矫正反馈。
又如，与更近的最近检测到的模式映射到的主题所映射到的行为矫正反馈相比，先选择更远的最近检测到的模式映射到的主题所映射到的行为矫正反馈。例如，这允许不同主题所映射到的行为矫正反馈被选择作为行为矫正反馈1534，并且避免过于频繁地重复行为矫正反馈。
又如，与对应于其他主题或类别的行为矫正反馈相比，可先选择对应于某些主题或类别的行为矫正反馈。例如，和被与葡萄糖监测应用程序互动主题映射到的行为矫正反馈相比，可先选择被低血糖主题映射到的行为矫正反馈。例如，这允许在被认为不太重要的主题或类别所映射到的行为矫正反馈之前，选择被认为对用户健康更重要的主题或类别所映射到的行为矫正反馈。
又如，与不太紧急或不太安全相关的行为矫正反馈相比，先选择(例如，由行为矫正选择模块1512的开发者或设计者)指定为更紧急或更安全相关的行为矫正反馈。例如，这允许与其他非紧急或非安全相关的行为矫正反馈相比，先选择对应于紧急或安全相关特征(例如，不保持在范围内或超过阈值葡萄糖水平)的行为矫正反馈，并且允许向用户显示或以其他方式呈现更关键的行为矫正反馈。
又如，与(例如，被用户102)指定为更低优先级的行为矫正反馈相比，先选择(例如，被用户102)指定为更高优先级的行为矫正反馈。例如，这允许显示或以其他方式呈现用户更感兴趣的行为矫正反馈，而不是用户不太感兴趣的行为矫正反馈。
又如，与未被用户102指定为有帮助的或未导致糖尿病管理的改善的行为矫正反馈相比，先选择被用户102指定为有帮助的或与糖尿病管理的改善相关联的行为矫正反馈。例如，这允许再次向用户呈现对用户更有帮助的或者先前带来糖尿病管理的改善的行为矫正反馈(任选地用更新值进行定制，诸如每周散步4次而不是每周散步2次)，而不是其他行为矫正反馈。
此外，行为矫正选择模块1512可接收附加数据1524，该附加数据可为可用于识别不良糖尿病管理的任何附加数据，如上文所讨论的。附加数据1524可包括来自各种源的数据，例如计算装置106的应用程序或程序、用户102的用户输入、健康护理提供者(例如，用户的医生或护士)的输入、外部装置诸如活动跟踪器，等等。
附加数据1524可包括与用户与计算装置106、与计算装置106的显示器、或与指示进行糖尿病管理的水平的其他系统部件的交互有关的数据，如上文所讨论的。
又如，附加数据1524可包括活动数据，诸如在特定时间范围内(例如，每10秒、每分钟)散步的步数、在具有时间戳的特定时间范围内(例如，以规律或不规律的间隔，诸如每15秒)的心率、具有时间戳(例如，以规律或不规律的间隔，诸如每15秒)的移动速度，等等。可从各种源接收活动数据，诸如可穿戴葡萄糖监测装置104、在计算装置106上运行的活动跟踪应用程序、由用户102穿戴的活动或健身跟踪器等等。
又如，附加数据1524可包括关于用户的睡眠模式的数据。例如，附加数据1524可包括指示用户睡眠的时间、用户在特定时间的睡眠状态(例如，阶段1、阶段2、阶段3或快速眼动(REM)睡眠)等的数据。
又如，附加数据1524可包括关于用户与用户群体108中的其他用户互动(诸如经由葡萄糖监测平台110)的数据。例如，该其他用户互动数据可包括用户102何时与另一用户通信以及该其他用户是谁的时间戳、与另一用户交流了什么信息的描述等等。
又如，附加数据1524可包括膳食数据。例如，该膳食数据可包括用户102进食时间和摄入的食物的时间戳、摄入特定类型或类别食物(例如，蔬菜、谷物、肉类、甜食、苏打水)的时间戳、摄入的食物量等。
又如，附加数据1524可包括睡眠数据，诸如指示一天中用户正在睡眠的分钟数的数据。可从各种源接收睡眠数据，诸如可穿戴葡萄糖监测装置104、在计算装置106上运行的睡眠跟踪应用程序、由用户102穿戴的活动或健身跟踪器等等。
又如，附加数据1524可包括药物数据。例如，该药物数据可包括用户102何时服用药物(例如，基础胰岛素)以及服用了什么药物的时间戳(其可用于确定用户102是否正在按规定的时间或间隔服用他或她的药物)、药物变化的指示(例如，服用的药物的类型或剂量的变化)，等等。
又如，附加数据1524可包括反映压力管理的数据，诸如心率变异性(HRV)、皮肤电导率和温度、呼吸速率测量结果、来自脑电图(EEG)的数据、生物流体中的皮质醇、从皮肤释放的挥发性有机成分(VOC)，等等。
又如，附加数据1524可包括当前健康数据。例如，该当前健康数据可包括用户当前是否生病(例如，感冒、感染病毒)、用户当前是否正在从手术或其他规程中恢复、用户当前被诊断出的疾病或慢性病(例如，肾脏疾病或肝脏疾病)，等等。
在一个或多个具体实施中，行为矫正选择模块1512可基于附加数据1524来选择被映射到的行为矫正反馈中的一个或多个行为矫正反馈，诸如通过使用附加数据1524对行为矫正反馈进行优先级排序或滤除行为矫正反馈。例如，如果附加数据1524指示用户正在生病或正从脚部外科手术中恢复，行为矫正选择模块1512将滤除(不选择)在下一周执行体力活动X次的行为矫正反馈。又如，如果附加数据1524指示用户在餐后有规律地活动，则行为矫正选择模块1512将滤除(不选择)尝试在餐后活动以帮助将葡萄糖保持在范围内的行为矫正反馈。又如，如果附加数据1524指示用户在餐后很少(或从不)活动，则行为矫正选择模块1512可选择尝试在餐后活动以帮助将葡萄糖保持在范围内的行为矫正反馈或给予该行为矫正反馈更高优先级。
在一个或多个具体实施中，行为矫正选择模块1512与行为矫正反馈定制模块1536通信。一些行为矫正反馈包括基于特定用户102而更改的变量或空白。行为矫正反馈定制模块1536接收葡萄糖测量结果114、分组测量结果1520、特征1522和附加数据1524中的一者或多者，并且更改或填充行为矫正反馈中的这些变量或空白，以定制给用户102的葡萄糖测量结果反馈。例如，上文所讨论的各种不同的行为矫正反馈包括X，诸如每天检查你的葡萄糖X次，或者尝试通过进食帮助将你的葡萄糖保持在范围内(例如，低碳水化合物)的食物来保持你的餐后葡萄糖低于X。行为矫正反馈定制模块1536确定用于替换X的值(例如，特定数字或数字范围)，使得向用户显示的行为矫正反馈1534是“通过进食帮助将你的葡萄糖保持在范围内(例如，低碳水化合物)的食物来保持你的餐后葡萄糖低于197”，而不是简单地“通过进食帮助将你的葡萄糖保持在范围内(例如，低碳水化合物)的食物来保持你的餐后葡萄糖较低”或用标准值(例如，180)替换X。
行为矫正反馈定制模块1536以各种方式定制行为矫正反馈定制模块1536。在一个或多个具体实施中，行为矫正反馈定制模块1536将默认值(例如，50)加到葡萄糖测量结果114或特征1522。例如，特征1522可以是在对应时间段(例如，晚餐时间段)开始时的平均葡萄糖测量结果114。行为矫正反馈定制模块1536将默认值(例如，50)加到平均值(例如，147)，产生定制的行为矫正反馈“通过进食帮助将你的葡萄糖保持在范围内(例如，低碳水化合物)的食物来保持你的餐后葡萄糖低于197”。
附加地或另选地，行为矫正反馈定制模块1536分析其接收到的各种数据以确定针对用户102的实际的、可执行的目标。例如，如果用户没有在餐后有规律地散步，则行为矫正反馈定制模块1536可确定定制建议每周在餐后散步两次的行为矫正反馈。然而，如果用户每周在餐后有规律地散步两次，则行为矫正反馈定制模块1536可确定定制建议每周在餐后散步四次的行为矫正反馈。又如，如果用户没有每天经由葡萄糖监测应用程序116检查他们的葡萄糖水平，则行为矫正反馈定制模块1536可确定定制建议“每天检查你的葡萄糖3次”的行为矫正反馈。然而，如果用户每天经由葡萄糖监测应用程序116有规律地检查他们的葡萄糖水平两次，则行为矫正反馈定制模块1536可确定定制建议“每天检查你的葡萄糖6次”的行为矫正反馈。
UI模块1514任选地接收所选择的行为矫正反馈1534并且使得显示或以其他方式呈现行为矫正反馈1534(例如，在计算装置106处)。该显示或其他呈现可采取各种形式，诸如静态文本显示、图形或视频显示、音频呈现、它们的组合等等。在一个或多个具体实施中，以不同方式显示或以其他方式呈现行为矫正反馈的不同主题或类别。例如，对应于不同主题或类别的行为矫正反馈可使用不同颜色、不同图标等来显示。图16的示例1600示出了作为行为矫正反馈1612的行为矫正反馈示例。
行为矫正识别系统308以各种间隔生成并显示或以其他方式传送所选择的行为矫正反馈1534。在一个或多个实施方案中，每周(诸如星期日晚上)生成并显示或以其他方式传送行为矫正反馈1534，使得行为矫正反馈1534在该周开始时可供用户使用(例如，给予用户在该周要实现的目标)。附加地或另选地，可使用其他定时，诸如每两周、每日、每两日，等等。附加地或另选地，行为矫正选择模块1512可立即显示或以其他方式传送高优先级行为矫正反馈1534，诸如在存在即时安全风险(例如，由于低血糖)的情况下。
在一个或多个具体实施中，行为矫正选择模块1512跟踪提供给UI模块1514的行为矫正反馈1534，确定是否遵循行为矫正反馈1534，并且基于是否遵循行为矫正反馈1534来提供附加行为矫正反馈1534。例如，如果行为矫正反馈1534是下一周完成35,000步，则附加数据1524可包括指示用户是否在该周内完成35,000步的活动数据。例如，如果用户完成了35,000步，则可提供祝贺用户成功遵循前一周的行为矫正反馈的行为矫正反馈，或者如果用户没有完成35,000步但接近或比前一周具有显著改善，则可提供鼓励用户再接再厉的行为矫正反馈。
行为矫正识别系统308任选地基于行为矫正反馈1534采取附加行动。在一个或多个具体实施中，这些行动包括向葡萄糖监测应用程序116或可穿戴葡萄糖监测装置104通知可减少产生葡萄糖测量结果114的频率。例如，如果行为矫正识别系统308识别出在特定时间段(例如，对应于睡眠)内没有检测到模式，则行为矫正识别系统308向葡萄糖监测应用程序116或可穿戴葡萄糖监测装置104通知可减少产生葡萄糖测量结果114的频率(例如，从每5分钟一次减少到每10分钟一次)，从而减少产生葡萄糖测量结果114所消耗的功率。
附加地或另选地，这些行动包括确定是否推荐正在进行的CGM使用(例如，在当前传感器期满之后立即启动新传感器)或者暂时停止使用CGM并在稍后的某个时间开始使用新的传感器是否可能是适当的。例如，如果行为矫正识别系统308识别出在所有时间段中有规律地检测到模式，则行为矫正识别系统308推荐(例如，经由向用户的显示或其他呈现)持续使用CGM。
本文还包括参考向用户102显示或以其他方式呈现的行为矫正反馈进行的讨论。附加地或另选地，行为矫正反馈被传送给或以其他方式递送给其他人，诸如临床医生(例如，用户的初级护理医师或护士)、药师等。这可用于部分自动化审查原始葡萄糖或其他糖尿病管理数据的手动工作，在没有生成的行为矫正反馈的情况下，临床医生可能必须自己完成这些手动工作。附加地或另选地，不是提供行为矫正反馈1534，而是行为矫正选择模块1512可提供特征1522、归一化特征1530或检测到的模式1528，这些特征或模式可被提供给临床医生、药剂师或其他人，使得他们能够应用他们自己的优选行为矫正选择(如果有的话)来确定哪个行为矫正反馈应当被传递给用户102。
本文还包括参考确定时间窗口内的特定时间段进行的讨论。这些时间段可在分析特征1522之前由模式检测模块1506确定，以检测时间窗口的对应时间段中的模式。附加地或另选地，这些时间段可在稍后时间确定。在一个或多个具体实施中，模式检测模块1506或另一模块可分析一天内的各种时间范围(例如，以某一间隔(诸如5分钟或10分钟)分析30分钟、60分钟、120分钟等时间范围)中的特征1522。如果模式检测模块1506在一天内的那些时间范围中的一个时间范围中检测到模式，则该时间范围被行为矫正识别系统308视为时间段。任选地扩展时间范围(例如，在任一侧扩展10分钟)以创建时间段。然后使用其他时间窗口中的对应时间段(例如，其他天中的相同时间范围)来确定多个时间窗口内的对应时间段中是否存在模式。
例如，假设时间窗口是一天。模式检测模块1506可开始分析前60分钟内的特征1522，该分析在特定一天内的早上1:00开始，以10分钟的间隔向前移动。当分析早上1:20至早上2:20的时间范围内的特征1522时，模式检测模块1506可检测早上1:20至早上2:20的时间范围中的模式。模式检测模块1506使用早上1:20至早上2:20的时间范围(或者将时间范围扩展到早上1:10至早上2:30)作为时间段，并且分析多天(例如，前一周)内的该时间段的特征1522，以检测在该多天的对应时间段中是否存在模式。
附加地或另选地，在一个或多个具体实施中，行为矫正识别系统308(例如，行为矫正选择模块1512)维护检测到的模式1528、特征1522和行为矫正反馈1534中的一者或多者的记录。行为矫正识别系统308(例如，行为矫正选择模块1512)分析在较长时间范围(诸如数月或数年)内检测到的模式1528或特征1522，并且识别在那些较长时间范围内的改善。例如，行为矫正识别系统308将当前1周时间窗口的检测到的模式1528或特征1522与六个月前或一年前的1周时间窗口的检测到的模式1528或特征1522进行比较。通过该比较识别的糖尿病管理的改善(例如，如由特征1522或由六个月前或一年前检测到的在当前周未检测到的模式所指示)可经由UI模块1514识别给用户。例如，识别改善的祝贺消息可被传送、显示或以其他方式呈现给用户或其他人(例如，健康护理提供者或临床医生)。先前(例如，六个月前或一年前)提供给用户的行为矫正反馈也可被传送、显示或以其他方式呈现给用户或其他人员，从而提供用户增遵循什么行为矫正反馈的指示，该行为矫正反馈导致了糖尿病管理的改善。
本文还包括参考检测模式、将模式映射到主题以及将主题映射到行为矫正反馈进行的讨论。附加地或另选地，本文所讨论的技术不需要使用主题。在这种情况下，检测到的模式可被映射到行为矫正反馈。哪些模式映射到哪个行为矫正反馈可以各种方式来指定，诸如由行为矫正识别系统的开发者或设计者、由健康护理提供者或专业人员等来指定。
应当注意，如上文所讨论的，行为矫正反馈1534可作为反馈指示312被提供给反馈呈现系统122。在这种情况下，行为矫正识别系统308不需要包括UI模块1514。附加地或另选地，主题1532、归一化特征1530、附加数据1524可作为反馈指示312被提供给反馈呈现系统122。在这种情况下，反馈呈现系统122任选地使用行为库1538和行为矫正反馈定制模块1536来识别要提供给用户(或其他人，诸如临床医生或药剂师)的反馈，如下文更详细讨论的。反馈呈现系统122任选地使用本文相对于行为矫正选择模块1512所讨论的技术中的任一种或多种技术来识别要提供给用户的行为矫正反馈。
图18描述了用于实现行为矫正反馈以改善糖尿病管理的示例性过程1800。程序的各方面可在硬件、固件、或软件、或其组合中实现。程序被示为指定由一个或多个装置执行的操作的一组块并且不一定限于所示的用于由各个块执行操作的次序。过程1800例如由行为矫正识别系统(诸如行为矫正识别系统308)执行，并且任选地部分地由反馈呈现系统(诸如反馈呈现系统122)执行。过程1800例如由行为矫正识别系统(诸如行为矫正识别系统308)执行。
获得(框1802)用户在多个时间窗口的每个时间窗口中的时间段的葡萄糖测量结果。针对该多个时间窗口内的对应时间段(诸如针对多天的午餐时间段)获得葡萄糖测量结果。这些葡萄糖测量结果是从例如连续葡萄糖水平监测系统的葡萄糖传感器获得的，其中葡萄糖传感器被插入在用户的插入位点处。
生成(框1804)该多个时间窗口的时间段的一个或多个特征。这些一个或多个特征是从葡萄糖测量结果生成的。
检测(框1806)该多个时间窗口的时间段中的葡萄糖测量结果中的模式。该检测是基于该多个时间窗口的时间段的所生成特征进行的。
确定(框1808)改善对应于检测到的模式的葡萄糖水平的行为矫正反馈。可将该检测到的模式映射到被映射到一个或多个行为矫正反馈的主题，在608中选择该一个或多个行为矫正反馈中的一个或多个行为矫正反馈。附加地或另选地，可将检测到的模式映射到或对应于多个行为矫正反馈，并且在框1808中选择该多个行为矫正反馈中的一个或多个行为矫正反馈。
生成(框1810)包括所识别的行为矫正反馈的用户界面。使得显示(框1812)或以其他方式呈现所识别的糖尿病管理反馈。附加地或另选地，所识别的糖尿病管理反馈可被传送或以其他方式呈现给临床医生、药剂师、其他健康护理提供者等。
葡萄糖预测系统架构
通常，葡萄糖预测系统310接收葡萄糖测量结果的数据流。还接收各种其他数据流，诸如活动数据(例如，用户迈出的步数)。葡萄糖预测系统分析例如用户的活动数据，并且确定何时发生一回合体力活动。葡萄糖预测系统预测在没有发生身体活动的情况下用户的葡萄糖测量结果会是多少，并且基于预测的葡萄糖测量结果采取各种行动(例如，向用户提供指示在他们没有进行体力活动的情况下他们的葡萄糖会是多少的反馈)。
附加地或另选地，所接收的数据流包括指示可能影响用户的葡萄糖的事件或状况的各种其他数据，诸如用户进行的活动、用户的行为、用户的反应、用户的医疗状况、用户的生物数据，等等。葡萄糖预测系统分析该数据以识别此类事件或状况，并且预测在所识别的事件或状况没有发生或不存在的情况下用户的葡萄糖测量结果会是多少。葡萄糖预测系统基于预测的葡萄糖测量结果采取各种行动(例如，向用户提供指示在所识别的事件或状况没有发生或不存在的情况下他们的葡萄糖会是多少的反馈)。
本文所讨论的技术类似地适用于确定何时不发生一段时间的体力活动(或其他事件或状况没有发生或不存在)。葡萄糖预测系统预测在发生体力活动(或其他事件或状况发生或存在)的情况下用户的葡萄糖测量结果会是多少，并且基于预测的葡萄糖测量结果采取各种行动(例如，向用户提供指示在他们进行体力活动的情况下或者在其他事件或状况已经发生或存在的情况下他们的葡萄糖会是多少的反馈)。
本文所讨论的技术预测或估计在特定事件或状况已经发生或存在(或尚未发生或存在)的情况下用户的葡萄糖测量结果会是多少。提供了给出健康葡萄糖管理行为矫正和特定于患者的目标(例如，使用活动来减轻餐后尖峰或在持续的高血糖之后降低血糖)中的一者或两者的积极增强的反馈。这帮助用户改善糖尿病管理和他的整体健康。
此外，本文所讨论的技术通过将特定行为矫正与改善的糖尿病管理结果相联系来提供实时可教育时刻。用户接收实时反馈，从而允许用户知道他的行为或选择已经对他的葡萄糖具有积极影响，允许他在将来继续这样的行为并且改善他的整体健康。
图19是葡萄糖预测系统310的示例性架构的图示。葡萄糖预测系统310包括事件检测模块1902、生物数据检测模块1904、预测控制模块1906、葡萄糖测量结果预测模块1908和UI模块1910(任选的)。通常，葡萄糖预测系统310分析用户的活动数据并且确定体力活动的周期何时发生。葡萄糖预测系统310预测在没有发生身体活动的情况下用户102的葡萄糖测量结果会是多少，并且基于预测的葡萄糖测量值采取各种行动(例如，任选地结合反馈呈现系统122向用户提供指示在他们没有进行体力活动的情况下他们的葡萄糖会是多少的反馈)。
事件检测模块1902和生物数据检测模块1904各自接收数据流1920(例如，图3的葡萄糖测量结果114和附加数据302)。数据流1920中的数据可从各种不同的源接收，诸如可穿戴葡萄糖监测装置104、计算装置106的一个或多个传感器、用户102穿戴的另一传感器或装置、用户输入(例如，指定发生特定活动或用户采取行动的时间、指定从各种传感器接收到的测量结果)、本地或远程数据库(例如，经由网络112访问)，等等。数据流1920中的数据可包括以规律间隔(例如，大约每5分钟)接收的数据、单次出现数据(例如，经由用户界面输入的数据，诸如描述在特定时间所吃的膳食的数据)，等等。在一个或多个具体实施中，数据流1920包括葡萄糖测量结果114和指示何时获取(例如，由可穿戴葡萄糖监测装置104)或接收(例如，由葡萄糖监测应用程序116)葡萄糖测量结果114中的每一者的时间戳。该时间戳可例如由可穿戴葡萄糖监测装置104或葡萄糖监测应用程序116提供。附加地或另选地，数据流1920包括指示可能影响用户102的葡萄糖(例如，用户102的葡萄糖水平)的事件或状况的多种其他数据中的任一种数据，诸如用户102进行的活动、用户102的行为、用户102的反应、用户102的医疗状况、用户102的生物数据，等等。
在一个或多个具体实施中，数据流1920包括物理活动数据，诸如在特定时间范围内(例如，每10秒、每分钟)散步的步数、在具有时间戳的特定时间范围内(例如，以规律或不规律的间隔，诸如每15秒)的心率、具有时间戳(例如，以规律或不规律的间隔，诸如每15秒)的移动速度、原始或经滤波的加速度计数据，等等。体力活动数据可从各种源接收活动数据，诸如可穿戴葡萄糖监测装置104、在计算装置106上运行的活动跟踪应用程序、由用户102穿戴的活动或健身跟踪器等等。
附加地或另选地，数据流1920包括膳食数据。例如，该膳食数据可包括用户102进食时间和摄入的食物的时间戳、摄入特定类型或类别食物(例如，蔬菜、谷物、肉类、甜食、苏打水)的时间戳、摄入的食物量等。
附加地或另选地，数据流1920包括睡眠数据，诸如指示一天中用户正在睡眠的分钟数的数据。睡眠数据还可包括关于用户的睡眠模式的数据。例如，数据流1920可包括指示用户睡眠的时间、用户在特定时间的睡眠状态(例如，阶段1、阶段2、阶段3或快速眼动(REM)睡眠)等的数据。可从各种源接收睡眠数据，诸如可穿戴葡萄糖监测装置104、在计算装置106上运行的睡眠跟踪应用程序、由用户102穿戴的活动或健身跟踪器等等。
附加地或另选地，数据流1920包括药物数据。例如，该药物数据可包括用户102何时服用药物以及服用了什么药物的时间戳(其可用于确定用户102是否正在按规定的时间或间隔服用他或她的药物)、药物变化的指示(例如，服用的药物的类型或剂量的变化)，等等。
附加地或另选地，数据流1920包括反映压力管理的数据，诸如心率变异性(HRV)、皮肤电导率和温度、呼吸速率测量结果、来自脑电图(EEG)的数据、生物流体中的皮质醇、从皮肤释放的挥发性有机成分(VOC)，等等。
附加地或另选地，数据流1920包括关于用户与葡萄糖监测应用程序116互动的数据。例如，该应用程序互动数据可包括用户102何时查看应用程序以及查看了UI的哪些屏幕或部分的时间戳、用户102何时向应用116提供输入(或以其他方式与该应用程序交互)以及该输入是什么的时间戳、用户何时查看或确认由应用程序116提供的反馈的时间戳等等。
附加地或另选地，数据流1920包括与用户与计算装置106、与计算装置106的显示器、或与指示进行糖尿病管理的水平的其他系统部件的交互有关的数据。这样的数据的示例包括打开应用程序(例如，葡萄糖监测应用程序)的次数、回顾葡萄糖数据或先前的反馈或教育材料所花费的时间、与教练或临床医生交互的频率等等。
附加地或另选地，数据流1920包括关于用户与用户群体108中的其他用户互动(诸如经由葡萄糖监测平台110)的数据。例如，该其他用户互动数据可包括用户102何时与另一用户通信以及该其他用户是谁的时间戳、与另一用户交流了什么信息的描述等等。
事件检测模块1902接收数据流1920并识别数据流1920中可能影响用户的葡萄糖水平的事件或状况。这些事件或状况可以是由数据流1920中的数据指示的任何事件或状况，诸如体力活动、睡眠、摄入膳食、服用药物等。事件检测模块1902输出识别这些事件或状况的事件指示1922，诸如用户102的一回合体力活动的指示、用户102正在睡眠的时间的指示、用户102所摄入的膳食的指示、用户102服用的药物的指示等等。
在一个或多个具体实施中，事件检测模块1902接收数据流1920中的体力活动数据并识别用户102的多回合体力活动。体力活动是指由骨骼肌产生的任何身体移动，该身体移动导致高于静息(基础)水平的能量消耗。事件检测模块1902识别一回合体力活动，该一回合体力活动是用户的能量消耗至少为高于静息水平的阈值量的时间量。事件检测模块1902以多种不同方式中的任一种来识别多回合体力活动。在一个或多个具体实施中，事件检测模块1902基于迈出的步数来识别一回合体力活动。例如，一回合体力活动是用户102每分钟迈出至少阈值步数(例如，60)达至少阈值时间量(例如，5分钟)以及不降低至低于阈值步数(例如，60)达至少连续时间量(例如，5分钟)。当用户102在至少连续的分钟数(例如，5分钟)内降低至低于阈值步数(例如，60)时，该回合结束。允许步数降低至低于阈值步数达少于连续时间量的时间允许即使用户在体力活动期间进行短暂的休息中断，也识别出单个回合体力活动。这些阈值(例如，阈值时间量或阈值步数)任选地基于用户的各种特性(诸如他们的年龄、健康水平、可能影响散步门速度的并存病的患病率等等)来调整或修改。例如，老年人可能需要更保守的阈值以达到与具有更高阈值的年轻人相同的强度。
附加地或另选地，事件检测模块1902基于各种基于心率的强度值中的任一者来识别一回合体力活动。一个这样的基于心率的强度值是用户102的心率储备百分比值。该心率储备百分比值指示用户有多接近他们的估计的最大心率。例如，用户在当前时间的心率储备百分比(％HHR)值可被识别为：
其中HRex指用户在当前时间的心率，HRrest指用户的静息心率，并且HHR指用户102的心率储备，该心率储备被确定为HHR＝HRmax-HRrest，其中HRmax指用户的最大心速率。
用户的当前心率以各种方式来获得，诸如从用户穿戴的活动监测器获得。用户的静息心率以各种方式来获得，诸如从用户穿戴的活动监测器、用户经由(例如，计算装置106的)UI进行的输入等等获得。用户的最大心率以各种方式来获得，诸如从VO2最大测试值、根据各种公式估计等等来获得。
事件检测模块1902以各种方式使用心率储备百分比值来确定用户102的一回合体力活动。例如，一回合体力活动是用户102的心率储备百分比值超过阈值量(例如，40％)达至少阈值时间量(例如，3分钟)以及不降低至低于阈值量(例如，40％)达至少连续时间量(例如，3分钟)。当用户102降低至低于阈值量(例如，40％)达至少连续时间量(例如，3分钟)时，该回合结束。允许心率储备百分比降低至低于阈值量达小于连续时间量的时间允许即使用户在体力活动期间进行短暂的休息中断，也识别出单个回合体力活动。
另一个这样的基于心率的强度值是最大心率的百分比。用户的最大心率以如上文所讨论的各种方式来获得。事件检测模块1902以各种方式使用最大心率的百分比来确定用户102的一回合体力活动。例如，一回合体力活动是用户102的最大心率超过阈值量(例如，60％)达至少阈值时间量(例如，3分钟)以及不降低至低于阈值量(例如，60％)达至少连续时间量(例如，3分钟)。当用户102降低至低于阈值量(例如，60％)达至少连续时间量(例如，3分钟)时，该回合结束。允许最大心率降低至低于阈值量达小于连续时间量的时间允许即使用户在体力活动期间进行短暂的休息中断，也识别出单个回合体力活动。
附加地或另选地，事件检测模块1902基于用户102的代谢当量(MET)来识别一回合体力活动。MET是对相对于用户坐着休息而言所使用的能量的量的估计，并且一个MET是用户坐着休息时所消耗的氧气的量。用户在任何当前时间消耗的MET以各种方式来获得，诸如从用户穿戴的活动监测器获得。
事件检测模块1902以各种方式使用MET来确定用户102的一回合体力活动。例如，一回合体力活动是用户102的MET的数量超过阈值量(例如，2个MET)达至少阈值时间量(例如，5分钟)而不降低至低于阈值量(例如，2个MET)达至少连续时间量(例如，5分钟)。当用户102降低至低于阈值量(例如，2个MET)达至少连续分钟数(例如，5分钟)时，该回合结束。允许MET降低至低于阈值量达小于连续时间量的时间允许即使用户在体力活动期间进行短暂的休息中断，也识别出单个回合体力活动。
事件检测模块1902还可同时使用多种不同的技术来识别一回合体力活动。在这种情况下，当使用单一技术时，阈值量或值可能不同。例如，一回合体力活动是用户102的心率储备百分比值超过阈值量(例如，45％)以及用户102每分钟迈出至少阈值步数(例如，40)达至少阈值时间量(例如，5分钟)。只要用户102不降低至低于阈值量(例如，45％的心率储备和每分钟40步)达至少连续时间量(例如，5分钟)，该回合就继续。当用户102降低至低于阈值量(45％的心率储备和每分钟40步)达至少连续时间量(例如，5分钟)时，该回合结束。如果用户的心率足够高，则这种组合允许例如将更少步数识别为一回合体力活动。
附加地或另选地，可以各种其他方式来识别多回合体力活动。例如，可接收指示一回合体力活动的开始和结束的用户输入(例如，语音输入、手势、对计算装置106上的按钮的选择)。又如，一回合体力活动可当心率监测器(例如，由用户穿戴)打开时开始，并且当心率监测器关闭时结束。作为另一个示例，一回合体力活动可当锻炼器材(例如，跑步机或其他锻炼器材)诸如经由蓝牙或ANT通信检测到心率监测器(例如，由用户穿戴)时开始，并且当锻炼器材不再检测到心率监测器时结束。锻炼器材可将例如该回合体力活动的开始和结束传送到计算装置106。
对于所识别的每回合体力活动，事件检测模块1902将事件指示1922输出到预测控制模块1906以及葡萄糖测量结果预测模块1908。每个事件指示1922指示发生该回合体力活动的持续时间。例如，该时间可以是体力活动的开始和结束时间。
生物数据检测模块1904接收数据流1920并识别数据流1920中的葡萄糖测量结果。这些所识别的葡萄糖测量结果作为葡萄糖测量结果1924被提供给预测控制模块1906。附加地或另选地，生物数据检测模块1904检测数据流1920中包括的多种其他数据中的任一种数据，诸如可能影响用户102的葡萄糖的心率数据、HRV数据、呼吸速率数据等等，并且将该检测到的数据提供给预测控制模块1906。附加地或另选地，生物数据检测模块1904可基于葡萄糖预测系统310具有的关于用户和具有与该用户类似的特性的同类用户(例如，用户群体108中的其他用户)的以帮助预测葡萄糖测量结果的信息，从数据流1920(例如，从本地部署的数据库或经由网络112从云中的数据库)检测其他类型的信息。例如，如果生物数据检测模块1904没有检测到关于用户的健康水平的信息(例如，在用户的健康水平被葡萄糖测量结果预测模块1908用于生成预测的葡萄糖测量结果的情况下)，则生物数据检测模块1904检测或检索个体的人口统计信息并且基于他们最类似的同类用户的健康水平来估计他们的健康水平。生物数据检测模块1904可向葡萄糖测量结果预测模块1908提供这些数据或信息中的任一数据或信息以用于生成预测的葡萄糖测量结果。
预测控制模块1906针对在事件指示1922中识别的一回合体力活动识别紧接在该回合体力活动之前的时间量。该时间量可以是例如30分钟至40分钟。预测控制模块1906识别哪些葡萄糖测量结果1924对应于紧接在该回合体力活动之前的时间量(例如，具有紧接在该回合体力活动之前的30分钟至40分钟内的时间戳)，并且将这些葡萄糖测量结果提供给葡萄糖测量结果预测模块1908作为葡萄糖测量结果1926。
葡萄糖测量结果预测模块1908接收事件指示1922和葡萄糖测量结果1926，并且预测该体力活动回合对用户的葡萄糖的影响。葡萄糖测量结果预测模块1908通过基于葡萄糖测量结果1926(以及任选地其他生理或人口统计数据)生成一个或多个预测的葡萄糖测量结果来生成该预测，该一个或多个预测的葡萄糖测量结果是在用户进行该回合体力活动的时间期间(如由事件指示1922所指示的)用户没有进行该回合体力活动的情况下用户将具有的。预测的葡萄糖测量结果被输出作为预测的葡萄糖测量结果1928或者作为反馈指示312被提供给反馈呈现系统122。
在一个或多个具体实施中，葡萄糖测量结果预测模块1908包括生成预测的葡萄糖测量结果的机器学习系统。机器学习系统指可以基于输入进行调整(例如，训练)以近似未知函数的计算机表示。具体地，机器学习系统可以包括一种系统，该系统利用算法通过分析已知数据来学习已知数据并对已知数据进行预测，以学习生成反映已知数据的模式和属性的输出。例如，机器学习系统可包括统计时间序列预测模型，诸如单阶自回归模型和二阶自回归模型、决策树、支持向量机、线性回归、逻辑回归、贝叶斯网络、随机森林学习、降维算法、增强算法、人工神经网络、深度学习等等。
例如，通过使用训练数据来训练机器学习系统，该训练数据是用户的多组多个葡萄糖测量结果。例如，这些是在某时间量内的多组多个连续葡萄糖测量结果(由预测控制模块1906识别紧接在一回合体力活动之前的葡萄糖测量结果的相同时间量，诸如30分钟至40分钟)。训练数据可基于在不同天、周、月等等内接收到的用户的葡萄糖测量结果来选择(例如，随机地或伪随机地)。训练数据包括不包括多回合体力活动的时间量内的葡萄糖测量结果。这允许将机器学习系统训练成预测在没有体力活动的情况下产生的葡萄糖测量结果。
已知标签与指示随后的葡萄糖测量结果(例如，紧接在训练数据中的那些数据之后产生的葡萄糖测量结果)是多少的多组多个数据相关联。通过更新机器学习系统中的层的权重或值或系数来训练机器学习系统，以将由机器学习系统针对训练数据生成的葡萄糖测量结果与针对训练数据的对应已知标签之间的损失最小化。各种不同的损失函数可以用于训练机器学习系统，诸如交叉熵损失、均方误差损失等。
附加地或另选地，机器学习系统被训练成基于数据流1920中或由生物数据检测模块1904检测到的多种其他数据中的任一种数据来生成预测的葡萄糖测量结果。在这种情况下，训练数据包括针对用户的数据的集合，诸如在某时间量内测量的多组多个数据。例如，机器学习系统可被训练成基于生理参数(例如，原始心率数据、相对的基于心率的强度量度、血压量度等)、人口统计信息(例如，年龄、性别等)、临床信息(药物堆栈数据、并存病的患病率数据、健康水平数据等)等的任何组合来生成预测的葡萄糖测量结果。
机器学习系统被训练成生成在训练数据之后(例如，紧接在训练数据之后)产生的多个葡萄糖测量结果。机器学习系统被训练成生成的葡萄糖测量结果的数量可以多种不同方式来确定，诸如基于用户的先前回合的体力活动来确定用户的一回合体力活动的平均持续时间、接收指定用户的一回合体力活动的典型持续时间的用户输入，等等。在一个或多个具体实施中，机器学习系统被训练成根据训练数据生成多个葡萄糖测量结果，这些葡萄糖测量结果将通常是将在一回合体力活动期间(例如，在一回合体力活动的平均持续时间或典型持续时间期间)测量的。例如，假设每5分钟获得一次葡萄糖测量结果并且一回合体力活动的典型持续时间是30分钟，则机器学习系统将被训练成在5分钟之后、10分钟之后、15分钟之后、20分钟之后、25分钟之后以及30分钟之后生成预测的葡萄糖测量结果。附加地或另选地，机器学习系统可基于不紧邻预测时间点的数据来训练(例如，在训练时段与预测时间点之间可能存在间隙)。
附加地或另选地，机器学习系统被训练成根据训练数据生成多个葡萄糖测量结果，这些葡萄糖测量结果将通常是在一回合体力活动期间(例如，在一回合体力活动的平均持续时间或典型持续时间期间)以及延长超出该回合体力活动一段持续时间(例如，15分钟或20分钟)的时间期间测量的。例如，假设每5分钟获得一次葡萄糖测量结果并且一回合体力活动的典型持续时间是30分钟，则机器学习系统将被训练成在5分钟之后、10分钟之后、15分钟之后、20分钟之后、25分钟之后、30分钟之后、35分钟之后、40分钟之后以及45分钟之后生成预测的葡萄糖测量结果。
在一个或多个具体实施中，机器学习系统针对每个预测的葡萄糖测量结果生成置信水平。在这种情况下，葡萄糖预测系统310可基于预测的葡萄糖测量结果的置信水平采取各种行动。例如，葡萄糖预测系统310可仅在预测的葡萄糖测量结果的置信水平超过阈值(例如，75％)的情况下向用户通知预测的葡萄糖测量结果(如下文更详细讨论的)。又如，葡萄糖预测系统310可仅只要葡萄糖测量结果的置信水平超过阈值(例如，75％)就向用户通知预测的葡萄糖测量结果—在置信水平不再超过阈值之后，葡萄糖预测系统310不再向用户通知预测的葡萄糖测量结果，而不管用户是否仍然在进行一回合体力活动。
在一个或多个具体实施中，机器学习系统针对每个预测的葡萄糖测量结果生成预测区间。例如，针对10分钟后的预测的葡萄糖测量结果，生成预测区间或范围，诸如具有超过阈值(例如，75％)的置信水平的预测的葡萄糖测量结果的范围。在这样的具体实施中，葡萄糖预测系统310可仅在用户在进行该回合体力活动时的实际葡萄糖测量结果在预测区间或范围之外或者超过某个阈值(例如，250mg/dL)的情况下才向用户通知预测的葡萄糖测量结果。因此，在如果用户进行了一回合体力活动，而用户的实际葡萄糖测量结果与预测的葡萄糖测量结果之间没有有意义的差异的情况下，不需要通知用户。
附加地或另选地，葡萄糖测量结果预测模块1908可使用各种其他模型中的任一种模型来生成预测的葡萄糖测量结果1928。例如，葡萄糖测量结果预测模块1908可使用生理学(药物动力学)或现象学的模型。例如，可使用具有参数诸如葡萄糖摄取和锻炼强度的普通微分方程来对葡萄糖摄取进行建模。
图20示出了生成预测的葡萄糖测量结果的示例2000。在示例2000中，示出了多个(八个)葡萄糖测量结果2002(例如，被接收作为葡萄糖测量结果1924)。时间2004被示出为对应于用户的一回合体力活动的开始(例如，如事件指示1922所指示的)。葡萄糖测量结果2006是葡萄糖测量结果2002的子集，并且是紧接在时间2004之前的葡萄糖测量结果。葡萄糖测量结果2006被葡萄糖测量结果预测模块1908用来生成紧接在葡萄糖测量结果2002之后产生的预测的葡萄糖测量结果2008。针对开始于时间2004的该回合体力活动的持续时间生成预测的葡萄糖测量结果2008。附加地或另选地，可针对其他持续时间(诸如，延长超出该回合体力活动的时间量(例如，15分钟或20分钟))生成预测的葡萄糖测量结果2008。这允许向用户102提供更有意义的血糖影响反馈。例如，该回合体力活动的持续时间仅为8分钟，将预测的葡萄糖测量结果2008延长15分钟或20分钟允许考虑到用户的身体对体力活动做出反应以及对用户的葡萄糖测量结果做出有意义的改变所花费的时间而向用户提供更准确的反馈。
又如，可基于体力活动的强度针对不同持续时间生成预测的葡萄糖测量结果2008。例如，体力活动的强度越高，针对其生成预测的葡萄糖测量结果2008的持续时间越长。
返回到图19，用于训练机器学习系统的训练数据包括特定用户102的葡萄糖测量结果。因此，考虑到个体用户的身体和葡萄糖，针对个体用户102来训练或定制葡萄糖测量结果预测模块1908的机器学习系统。
尽管针对个体用户102定制，但是响应于可能更改用户的葡萄糖管理的各种事件，可任选地随时间重新训练葡萄糖测量结果预测模块1908的机器学习系统。例如，为了考虑到用户身体的改变，可在一段时间(例如，6个月或1年)之后使用新训练数据来重新训练机器学习系统。又如，可使用在用户的药物改变之后获得的新训练数据来重新训练机器学习系统。
UI模块1910任选地接收预测的葡萄糖测量结果1928并且使得显示或以其他方式呈现(例如，在计算装置106处)预测的葡萄糖测量结果1928。该显示或其他呈现可采取各种形式，诸如静态文本显示、图形或视频显示、音频呈现、它们的组合等等。附加地或另选地，预测的葡萄糖测量结果1928被传送到另一个用户或系统，诸如传送到健康护理提供者或临床医生。葡萄糖测量结果预测模块1908任选地将预测的葡萄糖测量结果1928结合到给用户的消息或反馈中，诸如识别出与在没有该回合体力活动的情况下将具有的用户的葡萄糖测量结果相比葡萄糖有所改善(如由预测的葡萄糖测量结果1928所指示的)的祝贺消息。
UI模块1910(或反馈呈现系统122)可在多种时间中的任何时间显示或以其他方式呈现预测的葡萄糖测量结果1928。在一个或多个具体实施中，UI模块1910(或反馈呈现系统122)在一回合体力活动结束时显示或以其他方式呈现预测的葡萄糖测量结果1928。附加地或另选地，UI模块1910(或反馈呈现系统122)在其他时间显示或以其他方式呈现预测的葡萄糖测量结果1928，诸如响应于对预测的葡萄糖测量结果1928的用户请求、以特定时间间隔(例如，每天晚上或每天早上)、响应于葡萄糖水平或动态的积极且有意义的改变(例如，用户的葡萄糖水平降低至低于阈值量或降低阈值量)等等。
图21示出了提供预测的葡萄糖测量结果的示例2100。示例2100包括曲线2102，该曲线对照沿着水平轴线的时间绘制沿着垂直轴线的以mg/dL为单位的葡萄糖测量结果。在示例2100中，假设用户在时间2104进餐。由实线2106示出的用户的葡萄糖测量结果在进餐之后增加。进一步假设用户在时间2108开始一回合体力活动。由于体力活动，用户的葡萄糖测量结果开始下降，如图所示。葡萄糖预测系统310生成由虚线2110示出的从时间2108(体力活动开始)开始到时间2112(例如，体力活动结束)的预测的葡萄糖测量结果。葡萄糖预测系统310提供用于显示在计算装置106上的反馈2114，从而为用户提供预测的葡萄糖测量结果和实际葡萄糖测量结果的指示。如图所示，反馈2114指示该回合体力活动对用户的葡萄糖的影响，并且指示用户的葡萄糖比他没有进行该回合体力活动的情况好多少。
返回到图19，葡萄糖测量结果预测模块1908被讨论为向UI模块1910(或反馈呈现系统122)提供预测的葡萄糖测量结果1928。葡萄糖预测系统310任选地基于预测的葡萄糖测量结果1928采取附加行动。在一个或多个具体实施中，这些行动包括向葡萄糖监测应用程序116或可穿戴葡萄糖监测装置104通知可减少产生葡萄糖测量结果114的频率。例如，如果葡萄糖预测系统310识别出一回合体力活动，并且针对先前回合的体力活动的预测的葡萄糖测量结果1928指示与用户102不进行该回合体力活动相比葡萄糖测量结果有所改善，则葡萄糖预测系统310可向葡萄糖监测应用程序116或可穿戴葡萄糖监测装置104通知：可减少在一回合体力活动期间产生葡萄糖测量结果114的频率(例如，从每5分钟一次减少到每10分钟一次)，从而减少产生葡萄糖测量结果114所消耗的功率。
对葡萄糖预测系统310的讨论还包括响应于检测到多回合体力活动而生成预测的葡萄糖测量结果1928。附加地或另选地，葡萄糖预测系统310相对于其他事件、状况、生物数据等基于多回合体力活动(例如，基于数据流1920中的任何数据)生成预测的葡萄糖测量结果1928。例如，葡萄糖预测系统310可响应于在用户吃或喝的阈值时间量(例如，30分钟)内发生的体力活动而生成预测的葡萄糖测量结果1928。
此外，对葡萄糖预测系统310的讨论包括预测在多回合体力活动期间的葡萄糖测量结果。在一个或多个具体实施中，葡萄糖预测系统310区分多种不同类型的体力活动。例如，事件检测模块1902可检测不同类型的体力活动，诸如慢速散步(例如，每分钟60步至79步)、中速散步(每分钟80步至99步)、快速散步(例如，每分钟100步至119步)、阻力训练等等。葡萄糖测量结果预测模块1908可包括使用在这些类型的体力活动中的一种体力活动期间获得的训练数据训练的机器学习系统，并且可在用户执行一回合一种类型的体力活动时，针对另一种类型的体力活动预测该用户的葡萄糖测量结果。例如，可使用在多回合缓慢散步期间获得的训练数据来训练机器学习系统。随后，当用户进行一回合快速散步时，如果用户改为进行一回合慢速散步，则葡萄糖测量结果预测模块1908可生成指示葡萄糖的预测的葡萄糖测量结果1928。这些预测的葡萄糖测量结果1928可被显示或以其他方式提供给用户，从而向用户通知与慢速散步相比快速散步所导致的葡萄糖测量结果有所改善。
附加地或另选地，在一个或多个具体实施中，葡萄糖预测系统310预测在用户未进行一回合体力活动的时间期间的葡萄糖测量结果。除了葡萄糖测量结果预测模块1908包括被训练成在一回合体力活动期间生成预测的葡萄糖测量结果的机器学习系统之外，可类似于本文关于预测在一回合体力活动期间的葡萄糖测量结果的讨论来生成此类预测的葡萄糖测量结果。这允许葡萄糖预测系统310向用户或其他人或系统提供指示在用户实际上进行了一回合体力活动的情况下用户的预测葡萄糖测量结果会是多少的反馈。
附加地或另选地，葡萄糖预测系统310可基于数据流1920中包括的任何数据(诸如指示可能影响用户102的葡萄糖的事件或状况的数据)来预测葡萄糖测量结果。可类似于本文关于预测多回合体力活动期间的葡萄糖测量结果的讨论来生成此类预测的葡萄糖测量结果。这允许葡萄糖预测系统310预测其他回合或其他活动或生物反应正在发生的持续时间的葡萄糖测量结果。
以举例的方式，数据流1920可包括膳食数据。因此，葡萄糖测量结果预测模块1908可包括使用在用户不吃或喝的时间量内获得的训练数据(以及任选地用户正在摄入什么类型的食物或饮料)来训练的机器学习系统。这允许葡萄糖测量结果预测模块1908针对在吃或喝期间或之后的持续时间预测在用户没有摄入任何食物或饮料(或者已经摄入了不同类型的食物或饮料)的情况下用户的葡萄糖测量结果。在用户没有摄入任何食物或饮料(或已经摄入了不同类型的食物或饮料)的情况下用户的实际葡萄糖测量结果与预测的葡萄糖测量结果之间的差异可被显示或以其他方式提供给用户或其他人或系统。
又如，数据流1920可包括睡眠数据。因此，葡萄糖测量结果预测模块1908可包括使用在用户没有在睡眠(或处于特定睡眠状态)的时间量内获得的训练数据来训练的机器学习系统。这允许葡萄糖测量结果预测模块1908针对睡眠期间或之后的持续时间预测在用户没有在睡眠(或已经在不同睡眠状态下睡眠或已经睡眠不同持续时间)的情况下用户的葡萄糖测量结果。在用户没有在睡眠(或已经在不同睡眠状态下睡眠或已经睡眠不同持续时间)的情况下用户的实际葡萄糖测量结果与预测的葡萄糖测量结果之间的差异可被显示或以其他方式提供给用户或其他人或系统。
又如，数据流1920可包括药物数据。因此，葡萄糖测量结果预测模块1908可包括使用在用户服用药物的时间量内获得的训练数据(以及任选地用户服用了什么类型或剂量的药物)来训练的机器学习系统。这允许葡萄糖测量结果预测模块1908针对服用药物期间或之后的持续时间预测在用户没有服用药物(或已经服用了不同类型或剂量的药物)的情况下用户的葡萄糖测量结果。在用户没有服用药物(或者已经服用了不同类型或剂量的药物)的情况下用户的实际葡萄糖测量结果与预测的葡萄糖测量结果之间的差异可被显示或以其他方式提供给用户或其他人或系统。
又如，数据流1920可包括反映压力管理的数据。因此，葡萄糖测量结果预测模块1908可包括使用在用户没有压力(或压力很大)的时间量内获得的训练数据来训练的机器学习系统。用户有压力或压力很大可以各种方式来确定，诸如超过一个或多个阈值的各种生物数据(例如，HRV、皮肤电导率和温度、呼吸速率、EEG数据、生物流体中的皮质醇、从皮肤释放的VOC)、接收到的关于用户压力有多大的用户反馈(例如，经由葡萄糖监测应用程序116或其他移动应用程序或桌面用户界面)，诸如在1-10压力级别上的等级，等等。这允许葡萄糖测量结果预测模块1908针对在用户有压力(或压力很大)的持续时间预测在用户没有压力(或压力不是很大)的情况下用户的葡萄糖测量结果。在用户没有压力(或压力不是很大)的情况下用户的实际葡萄糖测量结果与预测的葡萄糖测量结果之间的差异可被显示或以其他方式提供给用户或其他人或系统。
又如，数据流1920可包括关于用户与葡萄糖监测应用程序116互动的数据。因此，葡萄糖测量结果预测模块1908可包括使用在用户未与葡萄糖监测应用程序116互动或以特定方式与葡萄糖监测应用程序116互动的时间量内获得的训练数据(例如，查看什么屏幕或输入什么数据)来训练的机器学习系统。这允许葡萄糖测量结果预测模块1908针对与葡萄糖监测应用程序116互动(或以特定方式与葡萄糖监测应用程序116互动)期间或之后的持续时间预测在用户未与葡萄糖监测应用程序116互动(或以不同方式与葡萄糖监测应用程序116互动)的情况下用户的葡萄糖测量结果。在用户未与葡萄糖监测应用程序116互动(或以不同方式与葡萄糖监测应用程序116互动)的情况下用户的实际葡萄糖测量结果与预测的葡萄糖测量结果之间的差异可被显示或以其他方式提供给用户或其他人或系统。
又如，数据流1920可包括与用户与计算装置106、与计算装置106的显示器、或与指示进行糖尿病管理的水平的其他系统部件的交互有关的用户交互数据。因此，葡萄糖测量结果预测模块1908可包括使用在用户与计算装置106、显示器或其他系统部件交互的时间量内获得的训练数据(或任选地用户具有什么类型的交互)来训练的机器学习系统。这允许葡萄糖测量结果预测模块1908针对与计算装置106、显示器或其他系统部件交互期间或之后的持续时间预测在用户已经与计算装置106、显示器或其他系统交互(或者已经与计算装置106、显示器或其他系统中的不同一者交互)的情况下用户的葡萄糖测量结果。在用户已经与计算装置106、显示器或其他系统交互(或者已经与计算装置106、显示器或其他系统中的不同一者交互)的情况下用户的实际葡萄糖测量结果与预测的葡萄糖测量结果之间的差异可被显示或以其他方式提供给用户或其他人或系统。
又如，数据流1920可包括关于用户与用户群体108中的其他用户互动的数据。因此，葡萄糖测量结果预测模块1908可包括使用在用户未与用户群体108中的其他用户互动的时间量内获得的训练数据(或任选地用户与用户群体108中的哪些其他用户互动)来训练的机器学习系统。这允许葡萄糖测量结果预测模块1908针对与用户群体108中的其他用户互动期间或之后的持续时间预测在用户未与用户群体108中的其他用户互动(或者已经与用户群体108中的不同用户互动)的情况下用户的葡萄糖测量结果。在用户未与用户群体108中的其他用户互动(或者已经与用户群体108中的不同用户互动)的情况下用户的实际葡萄糖测量结果与预测的葡萄糖测量结果之间的差异可被显示或以其他方式提供给用户或其他人或系统。
本文(例如，针对不同类型的数据、不同类型的体力活动等)讨论了各种不同的机器学习系统。应当注意，葡萄糖预测系统310可包括这些机器学习系统中的单个机器学习系统或本文所讨论的机器学习系统的任何组合。因此，本文所讨论的任一预测的葡萄糖测量结果可与任一其他预测的葡萄糖测量结果同时生成。
葡萄糖测量结果预测模块1908被讨论为包括基于特定用户102的葡萄糖测量结果训练的机器学习系统。附加地或另选地，用户被分成具有一个或多个类似特性的不同群体。用户102处于这些不同群体中的一个群体中，并且葡萄糖测量结果预测模块1908的机器学习系统使用从与用户102处于同一群体中的其他用户获得的训练数据(例如，并且不包括从不与用户102处于同一群体中的用户获得的任何数据)来训练。
可以多种不同方式中的任一种来定义群体。在一个或多个实施方案中，通过糖尿病诊断来定义群体(例如，用户没有糖尿病、用户具有1型糖尿病、或用户具有2型非胰岛素依赖性糖尿病)。附加地或另选地，以不同方式定义群体，例如基于年龄的群体。例如，群体基于用户是成人还是儿童(例如，大于18岁或小于18岁)、基于用户所处的年龄层(例如，0-5岁、5-10岁、10-20岁、20-30岁等)等等。又如，可基于用户可能具有的另外的医学状况来定义群体，例如高血压、肥胖、心血管疾病、神经病、肾病、视网膜病、阿尔茨海默氏症、抑郁症等等。又如，可基于用户习惯或活动(诸如锻炼或其他体力活动)、睡眠模式、工作相对于闲暇所花费的时间等等来定义群体。又如，可基于获得葡萄糖测量结果114的方式或用于获得葡萄糖测量结果114的装置来定义群体，诸如葡萄糖测量结果114是否经由CGM获得、可穿戴葡萄糖监测装置104的品牌、获得葡萄糖测量结果114的频率等等。
又如，可基于用户的过去的葡萄糖测量结果114来定义群体，诸如通过基于过去的葡萄糖测量结果114进行聚类来对用户进行分组。这样的集群的示例包括血糖变化大的用户、经常出现低血糖的用户、经常出现高血糖的用户等等。又如，可通过使用用户的过去活动数据(例如，从由用户穿戴的活动跟踪器获得的步数、能量消耗、锻炼分钟、睡眠小时等)进行聚类来对用户进行分组。这种集群的示例包括每天平均步数高的用户、每天平均能量消耗低的用户、平均睡眠小时数低的用户等等。
应当注意，如上文所讨论的，预测的葡萄糖测量结果1928可作为反馈指示312被提供给反馈呈现系统122。在这种情况下，葡萄糖预测系统310不需要包括UI模块1910。附加地或另选地，葡萄糖测量结果1926和事件指示1922可作为反馈指示312被提供给反馈呈现系统122。在这种情况下，反馈呈现系统122识别要提供给用户(或其他人，诸如临床医生或药剂师)的反馈，如下文更详细讨论的。反馈呈现系统122任选地使用本文相对于可报告糖尿病管理反馈识别模块408所讨论的技术中的任一种或多种技术来识别要提供给用户的反馈。
图22和图23描述了用于实现血糖影响预测以改善糖尿病管理的过程的示例。程序的各方面可在硬件、固件、或软件、或其组合中实现。程序被示为指定由一个或多个装置执行的操作的一组块并且不一定限于所示的用于由各个块执行操作的次序。
图22描绘了在实现血糖影响预测以改善糖尿病管理的示例中的过程2200。过程2200例如由糖尿病管理反馈生成系统(诸如葡萄糖预测系统310)执行，并且任选地部分地由反馈呈现系统(诸如反馈呈现系统122)执行。
获得(框2202)用户的葡萄糖测量结果。这些葡萄糖测量结果是从例如连续葡萄糖水平监测系统的葡萄糖传感器获得的，其中葡萄糖传感器被插入在用户的插入位点处。
检测(框2204)影响用户的葡萄糖水平的用户的事件或状况。可检测多种事件或状况中的任一种，诸如多回合体力活动、摄入膳食、睡眠等等。
生成(框2206)一个或多个预测的葡萄糖测量结果。该一个或多个预测的葡萄糖测量结果是在事件或状况没有发生的情况下用户将具有的葡萄糖测量结果。这些预测的葡萄糖测量结果是对事件或状况对用户的葡萄糖的影响的预测。
使得显示(框2208)或以其他方式呈现这些预测的葡萄糖测量结果。附加地或另选地，预测的葡萄糖测量结果可被传送或以其他方式呈现给临床医生、药剂师或其他健康护理提供者。
图23描绘了在实现血糖影响预测以改善糖尿病管理的示例中的过程2300。过程2200例如由糖尿病管理反馈生成系统(诸如葡萄糖预测系统310)执行，并且任选地部分地由反馈呈现系统(诸如反馈呈现系统122)执行。
获得(框2302)用户的葡萄糖测量结果。这些葡萄糖测量结果是从例如连续葡萄糖水平监测系统的葡萄糖传感器获得的，其中葡萄糖传感器被插入在用户的插入位点处。
检测(框2304)影响用户的葡萄糖水平的用户的事件或状况没有发生的持续时间。这些事件或状况可以是多种事件或状况中的任一种，诸如多回合体力活动、摄入膳食、睡眠等等。
生成(框2306)一个或多个预测的葡萄糖测量结果。该一个或多个预测的葡萄糖测量结果是在事件或状况已经发生的情况下用户将具有的葡萄糖测量结果。这些预测的葡萄糖测量结果是对事件或状况对用户的葡萄糖的影响的预测。
使得显示(框2308)或以其他方式呈现这些预测的葡萄糖测量结果。附加地或另选地，预测的葡萄糖测量结果可被传送或以其他方式呈现给临床医生、药剂师或其他健康护理提供者。
反馈呈现系统架构
返回图3，反馈呈现系统122接收由系统304-310生成的反馈指示312。通常，反馈呈现系统122引起呈现由反馈指示312指示的糖尿病管理反馈的一个或多个用户界面的输出。反馈排序模块320对反馈指示312所指示的各种反馈进行排序，并将经排序的反馈332提供给反馈选择模块322。反馈选择模块322选择经排序的反馈332中的一个或多个反馈，并将所选择的反馈334提供给UI模块324。UI模块324接收所选择的反馈334并且使得所选择的反馈334被显示或以其他方式呈现(例如，在计算装置106处)。反馈呈现系统122还包括反馈日志326，该反馈日志是由反馈选择模块322选择的反馈以及反馈何时由反馈呈现系统122选择或由UI模块324显示(或以其他方式呈现)(例如，日期和时间)的记录。反馈选择模块322可在选择反馈时使用反馈日志326中的该记录，如下文更详细讨论的。
在一个或多个实施方案中，反馈呈现系统122从糖尿病管理反馈生成系统304接收反馈指示312。来自糖尿病管理反馈生成系统304的反馈指示312包括与如上文所讨论的被满足的每个规则(例如，图4的每个规则432)对应的反馈的指示。与反馈对应的附加信息任选地包括在反馈指示312中，诸如满足的规则的指示、满足的规则所针对的特征、满足的规则所针对的时间段、改善的幅度(例如，效应量)、反馈的类型(例如，在前一天或多天的给定时间段内的葡萄糖测量结果的改善、一天中葡萄糖测量结果最佳的(例如，在最佳范围内或最接近最佳值)的时间段、持续积极模式)等等。
附加地或另选地，反馈呈现系统122从葡萄糖水平偏差检测系统306接收反馈指示312。来自葡萄糖水平偏差检测系统306的反馈指示312包括由葡萄糖水平偏差检测系统306检测到的每个偏差的偏差标识(例如，与每个偏差指示1026和偏差指示1028对应的偏差标识1030)。与偏差标识对应的附加信息任选地包括在反馈指示312中，诸如偏差的显著性的指示(例如，偏差的幅度或大小、偏差的方向(例如，对糖尿病管理的积极或消极影响))、偏差标识是积极确认还是抢先警告的指示，等等。
附加地或另选地，反馈呈现系统122从行为矫正识别系统308接收反馈指示312。来自行为矫正识别系统308的反馈指示312包括被至少一个主题映射到的行为矫正反馈(例如，被至少一个主题1532映射到的所有行为矫正反馈)，诸如行为矫正反馈(可执行目标)。
附加地或另选地，反馈呈现系统122从葡萄糖预测系统310接收反馈指示312。来自葡萄糖预测系统310的反馈指示312包括预测的葡萄糖测量结果(例如，预测的葡萄糖测量结果1928)和关于预测的葡萄糖测量结果的上下文信息(例如，预测的葡萄糖测量结果是用户的体力活动(诸如散步)的结果的指示)作为反馈。
反馈指示312包括由反馈生成系统120生成的各种不同的糖尿病管理反馈。反馈排序模块320接收反馈指示312并对反馈指示312所指示的各种反馈进行排序，从而将经排序的反馈332提供给反馈选择模块322。反馈排序模块320对所指示的反馈进行排序或优先级排序，并且反馈选择模块322选择用于呈现给用户的反馈。反馈呈现系统122可以多种不同方式对反馈进行排序或优先级排序以供选择。
在一个或多个具体实施中，不同特征可涉及不同规则，并且可基于满足的规则所针对的特征的类型来对与满足的规则对应的反馈进行排序或优先级排序。例如，针对临床指南类型的特征所产生的反馈可比针对最近葡萄糖测量结果类型的特征排序更高，针对最近葡萄糖测量结果类型的特征可比通常具有很大变化性的特征排序更高，等等。特征的类型可以各种方式来确定，诸如由反馈呈现系统122的开发者或设计者指定、由健康护理提供者或专业人员指定，等等。例如，这允许与其他更低优先级或排序的特征相比，与更高优先级或排序的特征对应的反馈被选择用于向用户的显示或其他呈现。
附加地或另选地，选择针对每种类型的特征的最佳选项或最高排序的反馈。不同类型的特征以各种方式中的任一种方式来排序，诸如由反馈呈现系统122的开发者或设计者指定、由健康护理提供者或专业人员指定，等等。这允许识别针对每种类型的特征的最高排序的反馈，然后允许基于特征的类型来将那些反馈相对于彼此进行排序。
附加地或另选地，不同反馈可具有不同的安全等级，诸如布尔值(例如，0对应于低或非紧急安全等级，1对应于高或紧急安全等级)。例如，这允许与其他非紧急或非安全相关特征相比，先选择对应于紧急或安全相关特征(例如，不保持在范围内或不超过阈值葡萄糖水平)的反馈，并且允许向用户显示或以其他方式呈现更关键的糖尿病管理反馈。反馈的安全等级可以各种方式来确定，诸如由反馈呈现系统122的开发者或设计者指定、由健康护理提供者或专业人员指定，等等。
附加地或另选地，不同反馈可对应于涉及满足的不同值(例如，阈值、范围内时间量等)的不同规则。可基于这些不同值的大小或量对不同反馈进行优先级排序或排序。例如，与由较少量满足的规则相比，与由较大量(例如，高于或低于阈值的较大量、较大范围内时间量等)满足的规则对应的反馈可排序更高。
附加地或另选地，可基于满足对应规则的最近时间(例如，如反馈日志326所指示的)来对不同反馈进行优先级排序或排序。例如，与更近的最近满足的规则对应的反馈比与更远的最近满足的规则对应的反馈排序更高。例如，这允许向用户提供不同反馈(对应于不同的规则)并且避免过于频繁地重复反馈。
附加地或另选地，可基于满足对应规则的频率来对不同反馈进行优先级排序或排序。例如，与更不频繁满足的规则对应的反馈比与更频繁满足的规则对应的反馈排序更高。例如，这允许向用户提供不同反馈(对应于不同的规则)并且避免过于频繁地重复反馈。
附加地或另选地，不同的检测到的模式可具有不同的大小，并且这些检测到的模式可被映射到不同的主题，如上文所讨论的。对于被主题映射到的反馈，可基于映射到该主题的检测到的模式的大小来对不同反馈进行优先级排序或排序。例如，具有更大大小的模式映射到的主题所映射到的反馈可比具有更小大小的模式映射到的主题所映射到的反馈排序更高。
附加地或另选地，可基于检测到的模式映射到主题的最近时间(例如，如反馈日志326所指示的)来对不同反馈进行优先级排序或排序。例如，与检测到的模式更近的最近映射到的主题对应的反馈比与检测到的模式更远的最近映射到的主题对应的反馈排序更高。例如，这允许向用户提供不同反馈(对应于不同的检测到的模式)并且避免过于频繁地重复反馈。
附加地或另选地，可基于检测到的模式映射到主题的频率来对不同反馈进行优先级排序或排序。例如，与检测到的模式更不频繁映射到的主题对应的反馈比与检测到的模式更频繁映射到的主题对应的反馈排序更高。例如，这允许向用户提供不同反馈(对应于不同的检测到的模式)并且避免过于频繁地重复反馈。
附加地或另选地，可基于通信的音调或类型来对不同反馈进行进行优先级排序或排序。例如，反馈可以是信息性音调类型(例如，向用户提供教育信息)或建设性音调类型(例如，关于用户可做出的行为改变的建议)。建设性音调类型的反馈可比信息性音调类型的反馈排序更高。例如，这允许向用户提供更可能导致用户做出改善其糖尿病管理的改变的反馈，而不是仅仅教育的信息。反馈的音调或类型可以各种方式来确定，诸如由反馈呈现系统122的开发者或设计者指定、由健康护理提供者或专业人员指定，等等。
反馈排序模块320采用多种不同规则或标准中的任一种来对反馈指示312所指示的反馈进行排序。在一个或多个实施方案中，反馈排序模块320基于反馈的类型(例如，在前一天或多天的给定时间段内的葡萄糖测量结果的改善、一天中葡萄糖测量结果最佳(例如，在最佳范围内或最接近最佳值)的时间段、持续积极模式等等)对从糖尿病管理反馈生成系统304接收到的反馈进行排序。
对于与在前一天或多天的给定时间段内的葡萄糖测量结果的改善对应的反馈类型以及与一天中葡萄糖测量结果最佳的时间段对应的反馈类型中的每一者，反馈排序模块320按幅度、然后按时间段、然后按对应特征(例如，度量)来对反馈进行排序。当按幅度进行排序时，与具有更大幅度(更大改善)的特征对应的反馈比与具有更小幅度(更小改善)的特征对应的反馈排序更高。当按时间段进行排序时，夜间或睡眠时间段比其他时间段排序更低(例如，允许反馈集中于用户可采取行动的时间段，诸如餐后，使得用户更有可能采取行动)。这些其他时间段相对于彼此具有相同的排序。
当按对应特征进行排序时，排序基于时间段而变化。例如，对于夜间或睡眠时间段，从最高到最低的排序是在窄范围内(例如，在70mg/dL至140mg/dL之间)的时间，然后是在更宽范围内(例如，在70mg/dL至180mg/dL之间)的时间，然后是低于特定葡萄糖水平(例如，70mg/dL)的时间，然后是高于特定葡萄糖水平(例如，250mg/dL)的时间，然后是平均葡萄糖水平。对于其他时间段，从最高到最低的排序是最大葡萄糖水平，然后是窄范围内(例如，在70mg/dL至140mg/dL之间)的时间，然后是更宽范围内(例如，在70mg/dL至180mg/dL之间)的时间，然后是高于特定葡萄糖水平(例如，250mg/dL)的时间，然后是低于特定葡萄糖水平(例如，70mg/dL)的时间，然后是平均葡萄糖水平。
在一个或多个具体实施中，当按对应特征进行排序时，该排序可基于某些特征的某些值而变化。例如，如果范围内(例如，在70mg/dL至180mg/dL之间)的时间至少为阈值量(例如，时间段的70％)，则窄范围内的时间(例如，在70mg/dL至140mg/dL之间)在特征中排序最高，并且平均葡萄糖水平在特征中排序第二高。又如，如果变化系数至少为阈值量(例如，时间段期间的30％)，则高于特定葡萄糖水平(例如，250mg/dL)的时间在特征中排序最高，并且最大葡萄糖水平在特征中排序第二高。
对于持续积极模式类型，反馈排序模块320按幅度、然后按对应特征(例如，度量)对反馈进行排序。当按幅度进行排序时，与具有更大幅度(更长条纹持续时间)的特征对应的反馈比与具有更小幅度(更短条纹持续时间)的特征对应的反馈排序更高。当按对应特征进行排序时，排序基于时间段而变化(并且与上文参考与在前一天或多天的给定时间段内的葡萄糖测量结果的改善对应的反馈类型以及与一天中葡萄糖测量结果最佳的时间段对应的反馈类型所讨论的相同)。
在一个或多个实施方案中，反馈排序模块320按对应特征(例如，度量)、然后按幅度、然后按一天中的时间(例如，时间段)来对从行为矫正识别系统308接收到的反馈进行排序。当按时间段进行排序时，时间段按以下顺序(从最重要到最不重要)进行排序：晚上(例如，晚餐后)、早上(例如，早餐后)、中午(例如，午餐后)和夜间(例如，睡眠)。
在一个或多个具体实施中，当按对应特征进行排序时，各个时间帧中的排序是相同的。例如，从最高到最低的排序是最大葡萄糖水平，然后是高于特定葡萄糖水平(例如，250mg/dL)的时间，然后是范围内(例如，在70mg/dL至180mg/dL之间)的时间，然后是变化系数，然后是平均葡萄糖。附加地或另选地，可针对不同时间段使用不同排序。例如，最大葡萄糖度量可在夜间时间段中被降低优先级(例如，排序更低)，因为在该时间段期间人们往往不易控制其最大葡萄糖，因此它比其他度量更不可执行。
在一个或多个具体实施中，当按对应特征进行排序时，该排序可基于某些特征的某些值而变化。例如，如果高于特定葡萄糖水平(例如，250mg/dL)的时间至少为阈值量(例如，时间段的1％)，则对于夜间或睡眠时间段，高于特定葡萄糖水平(例如，250mg/dL)的时间在特征中排序最高，并且夜间葡萄糖水平在特征中排序第二高。又如，如果变化系数至少为阈值量(例如，时间段期间的30％)，则最大葡萄糖水平在特征中排序最高，并且变化系数在特征中排序第二高。
当按幅度进行排序时，对映射到主题(其映射到反馈)的检测到的模式的幅度进行比较。对于具有更大幅度(更大大小)的检测到的模式，映射到与该检测到的模式相同的主题的反馈比映射到与具有更小幅度(更小尺寸)的检测到的模式相同的主题的反馈排序更高。
在一个或多个具体实施中，反馈排序模块320将安全相关反馈与其他反馈区别对待。安全相关反馈是指：指示用户的严重健康风险的反馈，以及用户应当快速地寻求来自医疗专业人员的协助或快速地采取补救行动的反馈。例如，由于低于特定葡萄糖水平(例如，70mg/dL)的时间至少为阈值量(例如，时间段的1％)或高于特定葡萄糖水平(例如，250mg/dL)的时间至少为阈值量(例如，时间段的1％)而产生的反馈被认为是安全相关反馈。反馈排序模块320将该安全相关反馈作为安全相关反馈336提供给反馈选择模块322，从而允许反馈选择模块322快速地将安全相关反馈336提供给用户。
由反馈排序模块320排序的反馈被输出作为经排序的反馈332。反馈选择模块322选择经排序的反馈332和安全相关反馈336中的一者或多者反馈，并将所选择的反馈334提供给UI模块324。在一个或多个具体实施中，反馈选择模块322将安全相关反馈336和按其排序顺序(例如，基于从系统304-310中的哪个系统接收到反馈来分类)的所有经排序的反馈332提供作为所选择的反馈334。例如，所选择的反馈334可以是安全相关反馈336、来自糖尿病管理反馈生成系统304的按由反馈排序模块320排序的顺序的反馈，以及随后来自行为矫正识别系统308的按由反馈排序模块320排序的顺序的反馈。所选择的反馈334可仅包括经排序的反馈332的子集，诸如经排序的反馈332的一个或两个最高排序的反馈。
在一个或多个具体实施中，安全相关通信(例如，安全相关反馈336)由UI模块324快速地输出，诸如在由UI模块324接收后的3分钟或5分钟内。因此，安全相关通信被快速地提供给用户，从而允许他或她采取适当的医疗或补救行动。
在一个或多个具体实施中，UI模块324以不同的间隔生成多个报告。例如，生成每日报告和每周报告，这些报告包括来自糖尿病管理反馈生成系统304的任何反馈(如由反馈排序模块320排序的)，以及随后来自行为矫正识别系统308的任何反馈(如由反馈排序模块320排序的)。任何安全相关反馈也任选地包括在报告中。
以举例的方式，对于与从糖尿病管理反馈生成系统304接收到的持续的积极模式对应的反馈，所选择的反馈334可包括针对(例如，一天的)每个时间段的最长条纹(持续的积极模式)或跨所有时间段的最长条纹(持续积极模式)。又如，对于从糖尿病管理反馈生成系统304接收到的与一天中葡萄糖测量结果最佳的时间段(例如，葡萄糖测量结果在最佳范围内或最接近最佳值的时间段)对应的反馈，所选择的反馈334可包括：每日报告中标识一天中的最佳时间段的反馈，以及每周报告中标识单独三天中的每天中的最佳时间段的反馈。又如，对于从糖尿病管理反馈生成系统304接收到的与在前一天或多天的给定时间段内的葡萄糖测量结果的改善对应的反馈，所选择的反馈334可包括：每日报告中标识一天中的最佳时间段(例如，一天中葡萄糖测量结果在最佳范围内或最接近最佳值的时间段)的最高排序的反馈，以及每周报告中标识单独三天中的每天中的最佳时间段(例如，单独三天中的每天中葡萄糖测量结果在最佳范围内或最接近最佳值的时间段)的反馈。
在一个或多个具体实施中，反馈呈现系统122提供由反馈呈现系统122生成或接收到的其他反馈(例如，实时地)。例如，响应于接收到对应的反馈指示312，将标识由葡萄糖水平偏差检测系统306检测到的偏差的反馈作为所选择的反馈334提供给UI模块324。又如，响应于接收到对应的反馈指示312，将标识由葡萄糖预测系统310生成的预测的葡萄糖测量结果的反馈作为所选择的反馈334提供给UI模块324。
在一个或多个实施方案中，作为定期报告(例如，每日或每周报告)的一部分或在其他时间，反馈选择模块322提供各种葡萄糖报告反馈作为所选择的反馈334。在所选择的反馈334中包括哪个葡萄糖报告反馈可基于某些特征的某些值而变化。例如，如果一个时间段中低于特定葡萄糖水平(例如，70mg/dL)的时间至少为阈值量(例如，该时间段的1％)，则在所选择的反馈334中包括低于特定葡萄糖水平的时间。又如，如果一个时间段中高于特定葡萄糖水平(例如，250mg/dL)的时间至少为阈值量(例如，该时间段的1％)，则在所选择的反馈334中包括高于特定葡萄糖水平的时间。又如，如果一个时间段中范围内(例如，在70mg/dL至180mg/dL之间)的时间小于阈值量(例如，该时间段的70％)，则在所选择的反馈334中包括该范围内时间。又如，如果一个时间段中范围内(例如，在70mg/dL至180mg/dL之间)的时间不小于阈值量(例如，该时间段的70％)，则在所选择的反馈334中包括该范围内时间以及更窄范围内(例如，在70mg/dL至130mg/dL之间)的时间。又如，如果变化系数至少为阈值量(例如，在一个时间段期间为30％)，则在所选择的反馈334中包括具有高变化性的变化系数的指示。又如，如果变化系数在特定范围内(例如，在一个时间段期间为在17％至29％之间)，则在所选择的反馈334中包括具有低变化性的变化系数(稳定的葡萄糖)的指示。又如，如果变化系数小于阈值量(例如，在一个时间段期间为17％)，该时间段中范围内(例如，在70mg/dL至180mg/dL之间)的时间至少为阈值量(例如，该时间段的70％)并且该时间段中高于特定葡萄糖水平(例如，250mg/dL)的时间小于阈值量(例如，该时间段的1％)，则在所选择的反馈334中包括具有低变化性的变化系数(稳定的葡萄糖)的指示。
在一个或多个实施方案中，反馈呈现系统122维护反馈日志326，该反馈日志是由反馈选择模块322选择的反馈以及反馈何时由反馈呈现系统122选择或由UI模块324显示(或以其他方式呈现)(例如，日期和时间)的记录。反馈日志326还可包括所选择的反馈334的排序(以及任选地所有经排序的反馈332)，从而允许反馈选择模块322将先前(例如，在前几天)的反馈排序考虑在内，诸如以确定不选择先前已多次排序低的反馈。
使用反馈日志326允许向用户提供不同反馈并且避免过于频繁地重复反馈。例如，响应于反馈日志326指示相同反馈被包括在用于前一天的每日报告的所选择的反馈334中，反馈选择模块322可确定在用于每日报告的所选择的反馈334中不包括特定反馈。又如，响应于反馈日志326指示相同反馈被包括在用于前两周中的每周的每日报告的所选择的反馈334中，反馈选择模块322可确定在用于每周报告的所选择的反馈334中不包括特定反馈。
在一个或多个实施方案中，在经排序的反馈332包括从系统304、306、308和310中的不同系统接收到的与近似相同时间段对应的反馈的情况下，反馈选择模块322可仅选择来自系统304、306、308和310中的一个系统的反馈，从而不将与近似相同时间段对应的有潜在矛盾的反馈显示给用户。例如，糖尿病管理反馈生成系统304和行为矫正识别系统308各自提供与相同时间段对应的反馈，来自糖尿病管理反馈生成系统304的反馈通常将更积极，而来自行为矫正识别系统308的反馈通常将更消极(例如，指示为了改善糖尿病管理而采取的行动)。在这种情况下，反馈选择模块322仅选择两个反馈中的一个反馈(例如，选择来自行为矫正识别系统308的反馈)。又如，如果在一个时间段内检测到低血糖(例如，如果低于特定葡萄糖水平(诸如，70mg/dL)的时间至少为阈值量(诸如，该时间段的1％))，则反馈选择模块322不选择从糖尿病管理反馈生成系统304接收到的与该时间段的平均葡萄糖特征对应的反馈。这防止反馈选择模块322选择从糖尿病管理反馈生成系统304接收到的反馈，该反馈指示在该时间段期间用户的平均葡萄糖是良好的(例如，因为由于低血糖，平均葡萄糖可能较低)。附加地或另选地，反馈选择模块322可选择来自系统304、306、308和310中的两个或更多个系统的反馈，以允许向用户显示近似相同时间段的多个反馈。在这种情况下，反馈选择模块322包括分析多个反馈并减少离奇的或矛盾的反馈在近似相同时间段内被显示的情况(例如，不选择离奇的或矛盾的反馈)的功能。
在一个或多个具体实施中，UI模块324接收所选择的反馈334并且使得显示或以其他方式呈现所选择的反馈334(例如，在计算装置106处)。该显示或其他呈现可采取各种形式，诸如静态文本显示、图形或视频显示、音频呈现、它们的组合等等。附加地或另选地，所选择的反馈334可被传送给或以其他方式递送给其他人，诸如临床医生(例如，用户的初级护理医师或护士)、药师等。
本文包括反馈显示的各种示例。此类示例包括图5的反馈504、图6的反馈604、图7的反馈704、图16的行为矫正反馈1612、图21的反馈2114等等。
图24示出了反馈的示例2400。示例2400是针对每日报告2402的，该每日报告可由计算装置106显示、传送给另一用户或装置(例如，经由电子邮件)等等。每日报告2402包括由糖尿病管理反馈生成系统304生成的反馈2404以及由行为矫正识别系统308生成的反馈2406和2408。
返回到图3，应当注意，上文相对于个别系统304、306、308和310讨论了可用于确定选择哪个反馈用于显示或其他呈现的各种技术。这些技术包括：由糖尿病管理反馈生成系统304选择与满足的规则对应的反馈、由葡萄糖水平偏差检测系统306选择偏差、由行为矫正识别系统308选择被映射到的行为矫正，等等。上文相对于系统304、306、308和310讨论的任何技术可由反馈选择模块322在选择反馈时使用。
还应当注意，尽管各种功能在本文中被讨论为由反馈生成系统120或反馈呈现系统122执行，但是附加地或另选地，这些功能中的至少一些可由系统120和122中的另一者执行。例如，系统304、306、308和310中的每一者可选择反馈子集并且提供该所选择的反馈子集作为反馈指示312，并且反馈选择模块322继而从这些反馈子集中进行选择。又如，上文参考系统304、306、308和310中的任一者所讨论的功能中的任一功能可附加地或另选地由反馈呈现系统122执行。
图25描述了用于实现对反馈进行排序以改善糖尿病管理的过程的示例。程序的各方面可在硬件、固件、或软件、或其组合中实现。过程被示出为指定由一个或多个装置执行的操作的一组框，并且不一定限于由各个框所示用于执行操作的顺序。过程2500例如由糖尿病管理反馈生成系统和反馈呈现系统(诸如，反馈生成系统120和反馈呈现系统122)执行。
获得(框2502)用户的糖尿病管理测量结果。这些糖尿病管理测量结果例如是从连续葡萄糖水平监测系统的葡萄糖传感器获得的葡萄糖测量结果，其中葡萄糖传感器被插入在用户的插入部位处。
识别(框2504)与糖尿病管理测量结果对应的多个糖尿病管理反馈。这些糖尿病管理反馈由各种系统生成，并且可包括标识前一天或多天的给定时间段内葡萄糖测量结果的改善的反馈、标识一天中葡萄糖测量结果最佳的时间段的反馈(例如，在最佳范围内或最接近最佳值)、标识持续积极模式的反馈(例如，在多天中的每一天的相同时间段内良好的糖尿病管理)、标识时间段之间葡萄糖测量结果偏差的反馈、标识用户可能采取以进行有益的糖尿病管理行为的潜在行为矫正(例如，行动)的反馈、标识在特定事件或状况没有发生或不存在(例如，用户没有散步)的情况下用户的葡萄糖会是多少的反馈等等。
确定(框2506)该多个糖尿病管理反馈中具有最高排序的一个或多个糖尿病管理反馈。这些排序可基于各种规则或标准，诸如基于一天中与糖尿病管理反馈对应的时间段、基于与糖尿病管理反馈对应的特征、基于与反馈对应的改善的幅度等等来对糖尿病管理反馈进行排序。
使得显示(框2508)或以其他方式呈现该一个或多个糖尿病管理反馈。附加地或另选地，预测的葡萄糖测量结果可被传送或以其他方式呈现给临床医生、药剂师或其他健康护理提供者。
示例性系统和装置
图26示出了通常以2600表示的系统的示例，该系统包括计算装置2602的示例，该计算装置代表可实现本文所述的各种技术的一个或多个计算系统和/或装置。这通过包括反馈生成系统120和反馈呈现系统122来示出。例如，计算装置2602可以是服务提供者的服务器、与客户端相关联的装置(例如，客户端装置)、片上系统和/或任何其他合适的计算装置或计算系统。
如图所示的示例性计算装置2602包括处理系统2604、一个或多个计算机可读介质2606和彼此通信地耦接的一个或多个I/O接口2608。尽管未示出，但计算装置2602还可包括将各种部件彼此耦接的系统总线或其他数据和命令转移系统。系统总线可包括不同总线结构中的任一总线结构或它们的组合，诸如存储器总线或存储器控制器、外围总线、通用串行总线和/或利用多种总线架构中的任一总线架构的处理器或本地总线。还可以设想多种其他示例，诸如控制线和数据线。
处理系统2604表示使用硬件执行一个或多个操作的功能。因此，处理系统2604被示出为包括可被配置为处理器、功能块等的硬件元件2610。这可包括在硬件中实现为专用集成电路或使用一个或多个半导体形成的其他逻辑装置。硬件元件2610不受形成它们的材料或其中所采用的处理机制的限制。例如，处理器可由半导体和/或晶体管(例如，电子集成电路(IC))组成。在这种上下文中，处理器可执行指令可以是电子可执行指令。
计算机可读介质2606被示出为包括存储器/存储装置2612。存储器/存储装置2612表示与一个或多个计算机可读介质相关联的存储器/存储装置容量。存储器/存储部件2612可以包括易失性介质(诸如随机存取存储器(RAM))和/或非易失性介质(诸如只读存储器(ROM)、闪存存储器、光盘、磁盘等)。存储器/存储部件2612可以包括固定介质(例如，RAM、ROM、固定硬盘驱动器等)以及可移动介质(例如，闪存存储器、可移动硬盘驱动器、光盘等)。计算机可读介质2606可以如下文进一步描述的多种其他方式来配置。
输入/输出接口2608表示允许用户向计算装置2602输入命令和信息并且还允许使用各种输入/输出装置向用户和/或其他部件或装置呈现信息的功能。输入装置的示例包括键盘、光标控制装置(例如，鼠标)、麦克风、扫描仪、触摸功能(例如，电容传感器或被配置成检测物理触摸的其他传感器)、相机(例如，其可采用可见波长或不可见波长(诸如红外频率)来将移动识别为不涉及触摸的手势)等。输出装置的示例包括显示装置(例如，监测器或投影仪)、扬声器、打印机、网卡、触觉响应装置等。因此，计算装置2602可以如下文进一步描述的多种方式来配置以支持用户交互。
本文可在软件、硬件元件或程序模块的一般上下文中描述各种技术。一般来讲，此类模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、元件、部件、数据结构等。本文使用的术语“模块”、“功能”和“部件”通常表示软件、固件、硬件或其组合。本文所述的技术的特征是平台无关的，这意味着这些技术可在具有多种处理器的多种商业计算平台上实现。
所描述的模块和技术的具体实施可存储在某种形式的计算机可读介质上或跨某种形式的计算机可读介质传输。计算机可读介质可包括可由计算装置2602访问的多种介质。以举例的方式，计算机可读介质可以包括“计算机可读存储介质”和“计算机可读信号介质”。
“计算机可读存储介质”可指能够持久地和/或非暂态地存储信息的介质和/或装置，而不仅仅是信号传输、载波或信号本身。因此，计算机可读存储介质是指非信号承载介质。计算机可读存储介质包括诸如易失性和非易失性、可移动和不可移动介质和/或存储装置的硬件，该硬件以适合于存储诸如计算机可读指令、数据结构、程序模块、逻辑元件/电路或其他数据的信息的方法或技术实现。计算机可读存储介质的示例可包括但不限于RAM、ROM、EEPROM、闪存存储器或其他存储技术、CD-ROM、数字多功能盘(DVD)或其他光学存储设备、硬盘、盒式磁带、磁带、磁盘存储设备或其他磁存储装置、或其他存储装置、有形介质、或适于存储所需信息并可由计算机访问的制品。
“计算机可读信号介质”可指被配置为诸如经由网络向计算装置2602的硬件传输指令的信号承载介质。信号介质通常可在调制数据信号(诸如载波、数据信号或其他传送机制)中体现计算机可读指令、数据结构、程序模块或其他数据。信号介质还包括任何信息递送介质。术语“调制数据信号”是指其特性中的一个或多个特性以编码信号中信息的方式设置或改变的信号。以举例的方式，通信介质包括有线介质(诸如有线网络或直接有线连接)和无线介质(诸如声介质、RF介质、红外介质和其他无线介质)。
如先前所述，硬件元件2610和计算机可读介质2606表示可在一些实施方案中用以实现本文所述的技术的至少一些方面(诸如执行一个或多个指令)的以硬件形式实现的模块、可编程装置逻辑部件和/或固定装置逻辑部件。硬件可包括集成电路或片上系统、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、复杂可编程逻辑器件(CPLD)以及硅或其他硬件中的其他具体实施的部件。在此上下文中，硬件可作为执行由硬件体现的指令和/或逻辑定义的程序任务的处理装置，以及用于存储用于执行的指令的硬件(例如，先前描述的计算机可读存储介质)来操作。
也可采用前述的组合来实现本文所述的各种技术。因此，软件、硬件或可执行模块可被实现为在某种形式的计算机可读存储介质上和/或由一个或多个硬件元件2610体现的一个或多个指令和/或逻辑部件。计算装置2602可被配置为实现对应于软件和/或硬件模块的特定指令和/或功能。因此，可由计算装置2602作为软件来执行的模块的具体实施可例如通过使用计算机可读存储介质和/或处理系统2604的硬件元件2610至少部分地在硬件中实现。指令和/或功能可由一个或多个制品(例如，一个或多个计算装置2602和/或处理系统2604)来执行/操作，以实现本文所述的技术、模块和示例。
本文所述的技术可由计算装置2602的各种配置来支持，并且不限于本文所述的技术的具体示例。该功能还可全部或部分地通过使用分布式系统诸如经由如下所述的平台2616通过“云”2614来实现。
云2614包括和/或表示用于资源2618的平台2616。平台2616抽象化云2614的硬件(例如，服务器)和软件资源的底层功能。资源2618可包括在远离计算装置2602的服务器上执行计算机处理时可利用的应用程序和/或数据。资源2618还可包括通过互联网和/或通过用户网络诸如蜂窝或Wi-Fi网络提供的服务。
平台2616可抽象化资源和功能以将计算装置2602与其他计算装置连接。平台2616还可用于抽象化资源的缩放以提供对应的缩放级别，以满足对经由平台2616实现的资源2618的需求。因此，在互连的装置实施方案中，本文所述的功能的具体实施可分布在整个系统2600中。例如，该功能可部分地在计算装置2602上实现以及经由抽象化云2614的功能的平台2616来实现。
在一些方面，本文描述的技术涉及在糖尿病管理监测系统中实现的方法，该方法包括：从糖尿病管理监测系统的传感器获得为用户测量的糖尿病管理测量结果；基于糖尿病管理测量结果来识别与这些糖尿病管理测量结果对应的多个糖尿病管理反馈；确定该多个糖尿病管理反馈中具有最高排序的一个或多个糖尿病管理反馈；以及使得显示具有最高排序的所确定的糖尿病管理反馈。
在一些方面，本文描述的技术涉及一种方法，其中该多个糖尿病管理反馈对应于一天中的不同时间段，并且该确定包括：针对一天中的一个时间段对该多个糖尿病管理反馈中与一天中的该一个时间段对应的糖尿病管理反馈进行排序。
在一些方面，本文描述的技术涉及一种方法，其中该多个糖尿病管理反馈各自对应于针对时间段的一个或多个特征或度量，并且该确定包括：基于与糖尿病管理反馈对应的特征或度量来对该多个糖尿病管理反馈中的每个糖尿病管理反馈进行排序。
在一些方面，本文描述的技术涉及一种方法，其中该确定包括：基于与反馈对应的糖尿病管理测量结果的改善的幅度来对该多个糖尿病管理反馈中的每个糖尿病管理反馈进行排序。
在一些方面，本文描述的技术涉及一种方法，其中该确定包括：确定使得显示的在之前阈值数量天内的糖尿病管理反馈不是最高排序的糖尿病管理反馈。
在一些方面，本文描述的技术涉及一种方法，其中确定该多个糖尿病管理反馈中具有最高排序的一个或多个糖尿病管理反馈包括：确定用户的葡萄糖水平在一天中的时间段期间小于阈值量持续至少阈值时间量；以及确定指示用户在该时间段期间处于低血糖范围内的反馈是最高排序的糖尿病管理反馈。
在一些方面，本文描述的技术涉及一种方法，其中阈值量包括70mg/dL，并且阈值时间量包括一天中的时间段的1％。
在一些方面中，本文描述的技术涉及一种方法，其中该多个糖尿病管理反馈包括标识在前一天或多天的给定时间段内的葡萄糖测量结果的改善的反馈。
在一些方面中，本文描述的技术涉及一种方法，其中该多个糖尿病管理反馈包括标识一天中葡萄糖测量结果在最佳范围内的时间段的反馈。
在一些方面中，本文描述的技术涉及一种方法，其中该多个糖尿病管理反馈包括标识用户的葡萄糖测量结果的持续积极模式的反馈。
在一些方面中，本文描述的技术涉及一种方法，其中该多个糖尿病管理反馈包括标识时间段之间葡萄糖测量结果偏差的反馈。
在一些方面中，本文描述的技术涉及一种方法，其中该多个糖尿病管理反馈包括标识用户可能采取以进行有益的糖尿病管理行为的潜在行为矫正的反馈。
在一些方面中，本文描述的技术涉及一种方法，其中该多个糖尿病管理反馈包括标识在用户没有进行一回合体力活动的情况下用户的葡萄糖水平会是多少的反馈。
在一些方面中，本文描述的技术涉及一种装置，该装置包括：显示装置；反馈生成系统，该反馈生成系统至少部分地在硬件中实现，以从传感器获得为用户测量的糖尿病管理测量结果，并且基于这些糖尿病管理测量结果来识别与这些糖尿病管理测量结果对应的多个糖尿病管理反馈；和反馈呈现系统，该反馈呈现系统至少部分地在硬件中实现，以确定该多个糖尿病管理反馈中具有最高排序的糖尿病管理反馈，并且使得显示具有最高排序的所确定的糖尿病管理反馈。
在一些方面中，本文描述的技术涉及一种装置，其中该多个糖尿病管理反馈包括：标识在前一天或多天的给定时间段内的葡萄糖测量结果的改善的反馈，标识一天中葡萄糖测量结果在最佳范围内的时间段的反馈，以及标识用户的葡萄糖测量结果的持续积极模式的反馈。
在一些方面中，本文描述的技术涉及一种装置，其中该多个糖尿病管理反馈包括标识用户可能采取以进行有益的糖尿病管理行为的潜在行为矫正的反馈。
在一些方面中，本文描述的技术涉及一种装置，其中该多个糖尿病管理反馈包括标识在用户没有进行一回合体力活动的情况下用户的葡萄糖水平会是多少的反馈。
在一些方面中，本文描述的技术涉及一种装置，其中该多个糖尿病管理反馈包括：标识在前一天或多天的给定时间段内的葡萄糖测量结果的改善的反馈，或者标识一天中葡萄糖测量结果在最佳范围内的时间段的反馈，或者标识用户的葡萄糖测量结果的持续积极模式的反馈；以及标识用户可能采取以进行有益的糖尿病管理行为的潜在行为矫正的反馈。
在一些方面中，本文描述的技术涉及一种在连续葡萄糖水平监测系统中实现的方法，该方法包括：从连续葡萄糖水平监测系统的葡萄糖传感器获得在当天的多个时间段中的第一时间段为用户测量的第一葡萄糖测量结果，该葡萄糖传感器被插入在用户的插入部位处；基于葡萄糖测量结果来识别与这些葡萄糖测量结果对应的多个葡萄糖管理反馈；确定该多个葡萄糖反馈中具有最高排序的葡萄糖反馈；以及使得显示具有最高排序的所确定的葡萄糖反馈。
在一些方面中，本文描述的技术涉及一种方法，其中该多个葡萄糖管理反馈包括：标识在前一天或多天的给定时间段内的葡萄糖测量结果的改善的反馈，或者标识一天中葡萄糖测量结果在最佳范围内的时间段的反馈，或者标识用户的葡萄糖测量结果的持续积极模式的反馈；以及标识用户可能采取以进行有益的糖尿病管理行为的潜在行为矫正的反馈。
结论
尽管已经以结构特征和/或方法动作专用的语言描述了系统和技术，但应当理解，所附权利要求中定义的系统和技术不一定限于所描述的特定特征或动作。相反，特定特征或动作被公开为实现要求保护的主题的示例性形式。
Claims (10)
1.一种在糖尿病管理监测系统中实现的方法，所述方法包括：
从所述糖尿病管理监测系统的传感器获得(2502)为用户测量的糖尿病管理测量结果；
基于所述糖尿病管理测量结果来识别(2504)与所述糖尿病管理测量结果对应的多个糖尿病管理反馈；
确定(2506)所述多个糖尿病管理反馈中具有最高排序的一个或多个糖尿病管理反馈；以及
使得(2508)显示具有所述最高排序的所确定的糖尿病管理反馈。
2.根据权利要求1所述的方法，其中所述多个糖尿病管理反馈对应于一天中的不同时间段，并且所述确定包括：针对所述一天中的一个时间段对所述多个糖尿病管理反馈中与所述一天中的所述一个时间段对应的糖尿病管理反馈进行排序。
3.根据权利要求1或权利要求2所述的方法，其中所述多个糖尿病管理反馈各自对应于针对时间段的一个或多个特征或度量，并且所述确定包括：基于与所述糖尿病管理反馈对应的所述特征或度量来对所述多个糖尿病管理反馈中的每个糖尿病管理反馈进行排序。
4.根据权利要求1至3中任一项所述的方法，其中所述确定包括：基于与所述反馈对应的所述糖尿病管理测量结果的改善的幅度来对所述多个糖尿病管理反馈中的每个糖尿病管理反馈进行排序。
5.根据权利要求1至4中任一项所述的方法，其中所述确定包括：确定使得显示的在之前阈值数量天内的糖尿病管理反馈不是最高排序的糖尿病管理反馈。
6.根据权利要求1至5中任一项所述的方法，其中确定所述多个糖尿病管理反馈中具有所述最高排序的一个或多个糖尿病管理反馈包括：
确定用户的葡萄糖水平在一天中的时间段期间小于阈值量持续至少阈值时间量；以及
确定指示所述用户在所述时间段期间处于低血糖范围内的反馈是所述最高排序的糖尿病管理反馈。
7.根据权利要求6所述的方法，其中所述阈值量包括70mg/dL，并且所述阈值时间量包括所述一天中的所述时间段的1％。
8.根据权利要求1至7中任一项所述的方法，其中所述多个糖尿病管理反馈包括标识在前一天或多天的给定时间段内的葡萄糖测量结果的改善的反馈。
9.一种装置(106)，所述装置包括：
显示装置；
反馈生成系统(120)，所述反馈生成系统至少部分地在硬件中实现，以从传感器获得为用户测量的糖尿病管理测量结果，并且基于所述糖尿病管理测量结果来识别与所述糖尿病管理测量结果对应的多个糖尿病管理反馈；和
反馈呈现系统(122)，所述反馈呈现系统至少部分地在硬件中实现，以确定所述多个糖尿病管理反馈中具有最高排序的糖尿病管理反馈，并且使得显示具有所述最高排序的所确定的糖尿病管理反馈。
10.根据权利要求9所述的装置，其中所述多个糖尿病管理反馈包括：
标识在前一天或多天的给定时间段内的葡萄糖测量结果的改善的反馈，或者标识一天中葡萄糖测量结果在最佳范围内的时间段的反馈，或者标识所述用户的葡萄糖测量结果的持续积极模式的反馈；以及
标识用户可能采取以进行有益的糖尿病管理行为的潜在行为矫正的反馈。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US202163263188P | 2021-10-28 | 2021-10-28 | |
| US63/263,188 | 2021-10-28 | ||
| PCT/US2022/047880 WO2023076383A1 (en) | 2021-10-28 | 2022-10-26 | Ranking feedback for improving diabetes management |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118056246A true CN118056246A (zh) | 2024-05-17 |
Family
ID=84362859
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202280066024.XA Pending CN118056246A (zh) | 2021-10-28 | 2022-10-26 | 对反馈进行排序以改善糖尿病管理 |
Country Status (7)
| Country | Link |
|---|---|
| US (1) | US20230138673A1 (zh) |
| EP (1) | EP4423771A1 (zh) |
| JP (1) | JP2024537963A (zh) |
| CN (1) | CN118056246A (zh) |
| AU (1) | AU2022379510A1 (zh) |
| CA (1) | CA3234306A1 (zh) |
| WO (1) | WO2023076383A1 (zh) |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017192397A1 (en) * | 2016-05-02 | 2017-11-09 | Dexcom, Inc. | System and method for providing alerts optimized for a user |
| US20190381243A1 (en) * | 2018-06-18 | 2019-12-19 | Bigfoot Biomedical, Inc. | Presenting insulin therapy insights that include pre-generated content at an electronic device and related systems, and methods |
| AU2019417590A1 (en) * | 2018-12-28 | 2021-07-22 | Dexcom, Inc. | Safety tools for decision support recommendations made to users of continuous glucose monitoring systems |
-
2022
- 2022-10-26 CA CA3234306A patent/CA3234306A1/en active Pending
- 2022-10-26 US US17/974,299 patent/US20230138673A1/en active Pending
- 2022-10-26 CN CN202280066024.XA patent/CN118056246A/zh active Pending
- 2022-10-26 JP JP2024508059A patent/JP2024537963A/ja active Pending
- 2022-10-26 AU AU2022379510A patent/AU2022379510A1/en active Pending
- 2022-10-26 EP EP22812955.7A patent/EP4423771A1/en active Pending
- 2022-10-26 WO PCT/US2022/047880 patent/WO2023076383A1/en active Application Filing
Also Published As
| Publication number | Publication date |
|---|---|
| AU2022379510A1 (en) | 2024-05-09 |
| JP2024537963A (ja) | 2024-10-18 |
| CA3234306A1 (en) | 2023-05-04 |
| WO2023076383A1 (en) | 2023-05-04 |
| EP4423771A1 (en) | 2024-09-04 |
| US20230138673A1 (en) | 2023-05-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11969267B2 (en) | Glucose alert prediction horizon modification | |
| JP2023518762A (ja) | 持続血糖モニタリングデータを分析し、解釈し、対処するためのシステム及び方法 | |
| US20210378563A1 (en) | Glucose measurement predictions using stacked machine learning models | |
| JP2023523898A (ja) | 機械学習を使用する低血糖事象予測 | |
| US20230138673A1 (en) | Ranking Feedback For Improving Diabetes Management | |
| US20230135175A1 (en) | Feedback For Improving Diabetes Management | |
| US20230140143A1 (en) | Behavior Modification Feedback For Improving Diabetes Management | |
| CN118103920A (zh) | 用于改善糖尿病管理的反馈 | |
| JP2024540795A (ja) | 糖尿病管理を改善するためのフィードバック | |
| CN118043899A (zh) | 用于改善糖尿病管理的行为矫正反馈 | |
| US20230136188A1 (en) | Glycemic Impact Prediction For Improving Diabetes Management | |
| CN118043900A (zh) | 用于改善糖尿病管理的血糖影响预测 | |
| US20230134919A1 (en) | Glucose Level Deviation Detection | |
| CN118077014A (zh) | 葡萄糖水平偏差检测 | |
| JP2024540815A (ja) | グルコースレベル偏差検出 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination |