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

WO2019039808A1 - 저혈당 예측 장치, 방법 및 프로그램과, 저혈당 예측 모델 생성 장치, 방법 및 프로그램 - Google Patents

저혈당 예측 장치, 방법 및 프로그램과, 저혈당 예측 모델 생성 장치, 방법 및 프로그램 Download PDF

Info

Publication number
WO2019039808A1
WO2019039808A1 PCT/KR2018/009512 KR2018009512W WO2019039808A1 WO 2019039808 A1 WO2019039808 A1 WO 2019039808A1 KR 2018009512 W KR2018009512 W KR 2018009512W WO 2019039808 A1 WO2019039808 A1 WO 2019039808A1
Authority
WO
WIPO (PCT)
Prior art keywords
blood glucose
hypoglycemic
time
hypoglycemia
related information
Prior art date
Application number
PCT/KR2018/009512
Other languages
English (en)
French (fr)
Inventor
박성민
서원주
이승현
Original Assignee
포항공과대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 포항공과대학교 산학협력단 filed Critical 포항공과대학교 산학협력단
Priority to US16/605,272 priority Critical patent/US11389117B2/en
Publication of WO2019039808A1 publication Critical patent/WO2019039808A1/ko

Links

Images

Classifications

    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/72Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271Specific aspects of physiological measurement analysis
    • A61B5/7275Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/145Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14532Measuring 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
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/48Other medical applications
    • A61B5/4848Monitoring or testing the effects of treatment, e.g. of medication
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/72Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235Details of waveform analysis
    • A61B5/7264Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61MDEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M5/00Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
    • A61M5/14Infusion devices, e.g. infusing by gravity; Blood infusion; Accessories therefor
    • A61M5/142Pressure infusion, e.g. using pumps
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N99/00Subject matter not provided for in other groups of this subclass
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/40ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • G16H20/17ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients delivered via infusion or injection
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20ICT 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
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30ICT 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
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61MDEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M5/00Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
    • A61M5/14Infusion devices, e.g. infusing by gravity; Blood infusion; Accessories therefor
    • A61M5/142Pressure infusion, e.g. using pumps
    • A61M2005/14208Pressure infusion, e.g. using pumps with a programmable infusion control system, characterised by the infusion program
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61MDEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M5/00Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
    • A61M5/14Infusion devices, e.g. infusing by gravity; Blood infusion; Accessories therefor
    • A61M5/142Pressure infusion, e.g. using pumps
    • A61M5/14244Pressure infusion, e.g. using pumps adapted to be carried by the patient, e.g. portable on the body
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61MDEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M5/00Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
    • A61M5/14Infusion devices, e.g. infusing by gravity; Blood infusion; Accessories therefor
    • A61M5/168Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body
    • A61M5/172Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body electrical or electronic
    • A61M5/1723Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body electrical or electronic using feedback of body parameters, e.g. blood-sugar, pressure

Definitions

  • the present invention relates to an apparatus for predicting hypoglycemia, a method and a program thereof, and more particularly to an apparatus, a method and a program for predicting a hypoglycemic phenomenon that may occur after a meal.
  • the present invention also relates to an apparatus, a method and a program for generating a hypoglycemic prediction model, a method and a program for generating a model for predicting a hypoglycemic event that may occur after a meal.
  • Diabetes is the world's leading disease with about 415 million people, or about 8.3% of the world's population, by 2015. These diabetes types include 'Type 1 diabetes' in which insulin is not secreted from the pancreas and 'Type 2 diabetes' in which insulin is secreted from the pancreas but insulin can not be effectively used in the body.
  • diabetes is a metabolic disorder that is not controlled by blood sugar, it is essential for people with diabetes to manage their blood sugar. If hyperglycemia persists, the blood glucose of a diabetic patient is not managed, and if stroke, retinopathy, nephropathy, neuropathy, diabetic foot, cardiovascular disease, And the like.
  • hypoglycemic agent As a typical method for the treatment of diabetes and prevention of complications thereof (for oral use), a hypoglycemic agent or an insulin injection is used.
  • these methods are not only difficult to control blood sugar accurately but also have inconvenience to repeatedly take or inject in time.
  • an insulin pump has been developed which automatically injects insulin into the body.
  • the insulin pump is a method of intensively injecting insulin, there is another problem that hypoglycemia may occur.
  • hypoglycemia is a symptom accompanied by symptoms such as tremor, sweating, headache, and it is a dangerous phenomenon that hypoglycemic shock may occur when the state persists. Therefore, in order to prevent the occurrence of the hypoglycemic phenomenon, a technique capable of predicting the occurrence of the hypoglycemic phenomenon is needed.
  • Types of hypoglycemia are 'nighttime hypoglycemia' occurring during sleep of diabetics and 'weekly hypoglycemia' occurring during activity of diabetic patients.
  • Night hypoglycemia is a hypoglycemic phenomenon that occurs when a patient is sleeping at night.
  • nighttime hypoglycemia is a dangerous phenomenon that is difficult to take immediate action when it occurs due to the nature of the time of occurrence.
  • nighttime hypoglycemia occurs at the time when the diabetic patients do not have activity, and therefore, there are few factors influencing the blood sugar change. Therefore, it is relatively easy to accurately predict the occurrence of night hypoglycemia in advance.
  • high accuracy nighttime hypoglycemic phenomenon prediction technology has been developed and applied to insulin pumps and the like.
  • daytime hypoglycemia affects various factors influencing blood glucose changes (eg, stress, activity, food intake, etc.). Therefore, it is difficult to precisely predict the occurrence of daytime hypoglycemia in advance.
  • postprandial hypoglycemic prediction technique can not only predict the accuracy of the prediction based on incorrect input information (for example, the amount of carbohydrate in a meal), but also requires a diabetic patient to input various input information in a short time There is a problem that it is inconvenient to use.
  • the present invention also relates to an apparatus, a method, and a program for generating a hypoglycemic predictive model for generating a hypotensive hypoglycemic event, which can be easily predicted with high accuracy.
  • an apparatus for predicting hypoglycemia is a hypoglycemia prediction apparatus that predicts the occurrence of postprandial hypoglycemia using blood sugar-related information.
  • the blood glucose-related information includes a blood glucose change rate from a reference time blood glucose, a meal time to a post-meal peak blood glucose time, a blood glucose change rate from a post-meal peak blood glucose time to a reference time, and a reference time blood glucose change rate.
  • the apparatus for predicting hypoglycemia can predict the occurrence of postprandial hypoglycemia by insulin injection or hypoglycemic agent administration.
  • the apparatus for predicting hypoglycemia can predict the occurrence of post-prandial hypoglycemia by inputting current blood glucose-related information into a pre-stored machine learning model.
  • the machine learning model can be learned using conventional blood glucose-related information and training data including hypoglycemia after the meal.
  • the machine learning model may be a decision tree model or a deep learning model.
  • the machine learning model is a decision tree model, and its root node can be classified based on a constant value of the reference time blood glucose.
  • the decision tree model may include a plurality of first intermediate nodes, and one of the first middle nodes may be classified based on a predetermined value of a blood glucose change rate from a post-meal peak blood glucose time to a reference time.
  • the apparatus for predicting hypoglycemia can predict postprandial hypoglycemic occurrence in a certain time interval after the reference time.
  • the apparatus for predicting hypoglycemia generates blood glucose related information by measuring and processing continuous blood glucose information or generates blood glucose related information by processing continuous blood glucose information received from another apparatus, Related information.
  • the blood glucose-related information can be updated in real time.
  • the apparatus for predicting hypoglycemia may be any one of an insulin pump, a continuous blood glucose meter, a combined device of an insulin pump and a continuous blood glucose meter, an artificial pancreas device, a wearable device, and a portable terminal.
  • the apparatus for predicting hypoglycemia may generate blood glucose-related information by receiving continuous blood glucose information received from another apparatus or may receive blood glucose-related information from another apparatus.
  • the hypoglycemia prediction device may be any one of an insulin pump, a wearable device, and a portable terminal.
  • the apparatus for predicting hypoglycemia can generate blood glucose-related information by measuring and processing continuous blood glucose information.
  • the hypoglycemia prediction device may be any one of a continuous blood glucose meter, a combined device of an insulin pump and a continuous blood glucose meter, and an artificial pancreas device.
  • the method for predicting hypoglycemia includes predicting the occurrence of postprandial hypoglycemia using blood glucose-related information in a hypoglycemic prediction apparatus.
  • the blood glucose-related information includes a blood glucose change rate from a reference time blood glucose, a meal time to a post-meal peak blood glucose time, a blood glucose change rate from a post-meal peak blood glucose time to a reference time, and a reference time blood glucose change rate.
  • the method of predicting hypoglycemia according to an embodiment of the present invention can predict occurrence of postprandial hypoglycemia by insulin injection or hypoglycemic agent administration.
  • the hypoglycemia prediction method is a hypoglycemia prediction apparatus that stores a learned machine learning model using blood glucose related information and training data including hypoglycemia after the hypoglycemic event, Into the machine learning model to predict postprandial hypoglycemic occurrence.
  • the hypoglycemia prediction program according to an embodiment of the present invention is recorded in the medium for predicting postprandial hypoglycemic occurrence according to the hypoglycemia prediction method described above.
  • the apparatus for generating a hypoglycemic prediction model generates a hypoglycemic prediction model for predicting hypoglycemic occurrence after entry of blood glucose-related information.
  • the hypoglycemia prediction model is a machine learning model that is learned using conventional blood glucose-related information and training data including hypoglycemic events.
  • the conventional blood sugar-related information includes a blood glucose change rate from a reference time blood glucose, a meal time, a post-meal peak blood glucose time, a postprandial peak blood glucose time to a reference time, and a reference time blood glucose change rate.
  • the hypoglycemic prediction model generation method is a method of generating a hypoglycemia prediction model that predicts the occurrence of hypoglycemic event after inputting current blood glucose related information, And generating a machine learning model that is learned using the training data.
  • the conventional blood sugar-related information includes a blood glucose change rate from a reference time blood glucose, a meal time to a post-meal peak blood glucose time, a blood glucose change rate from a post-meal peak blood glucose time to a reference time, and a reference time blood glucose change rate.
  • the hypoglycemic prediction model generation program is recorded on a medium to generate a model for predicting hypoglycemic occurrence according to the hypoglycemic prediction model generation method described above.
  • the apparatus, method, and program for predicting hypoglycemia according to an embodiment of the present invention as described above can predict the occurrence of postprandial hypoglycemia easily and with high accuracy in advance.
  • an apparatus, a method, and a program for generating a hypoglycemic prediction model according to an embodiment of the present invention can generate a hypotensive hypoglycemic event easily and accurately with high accuracy.
  • Figure 1 shows a graph of blood glucose changes before and after meals.
  • FIG. 2 shows an optimal performance decision tree model selected according to a first experiment of hypoglycemia prediction method according to an embodiment of the present invention.
  • FIG. 3 shows an optimal performance decision tree model selected according to a second experiment of hypoglycemia prediction method according to an embodiment of the present invention.
  • FIG. 4 shows an optimal performance decision tree model selected according to a third experiment of hypoglycemia prediction method according to an embodiment of the present invention.
  • FIG. 5 shows a block diagram of a hypoglycemic prediction apparatus 10 according to an embodiment of the present invention.
  • FIG. 6 is a block diagram of an apparatus 20 for generating a hypoglycemic prediction model according to an embodiment of the present invention.
  • hypoglycemia prediction device 11 first storage part
  • first communication unit 20 hypoglycemic prediction model generation device
  • " or ", " at least one ", etc. may denote one of the words listed together, or may represent a combination of two or more.
  • " or at least one of B " and " B " may include only one of A or B, and may include both A and B.
  • Figure 1 shows a graph of blood glucose changes before and after meals.
  • the hypoglycemia prediction method can be performed by a hypoglycemia prediction apparatus as a method of predicting a hypoglycemic phenomenon that may occur after a meal using 'blood glucose related information'.
  • a hypoglycemia prediction apparatus as a method of predicting a hypoglycemic phenomenon that may occur after a meal using 'blood glucose related information'.
  • the hypoglycemic phenomenon occurring after the meal will be referred to as " postprandial hypoglycemia ".
  • the blood glucose-related information can be generated by processing continuous blood glucose information.
  • Continuous blood glucose information is information on a blood glucose level of a subject continuously measured for a predetermined time (for example, from a meal time to a reference time after a meal).
  • a predetermined time for example, from a meal time to a reference time after a meal.
  • &quot continuous measurement " includes the case of being measured at a constant time interval (for example, any one of 1 second to 10 minutes) or irregular time intervals.
  • the continuous blood glucose information includes a plurality of blood glucose information.
  • each blood glucose information includes information on " measurement time " and information on " blood glucose level of the subject measured at the corresponding measurement time ".
  • the continuous blood glucose information may include blood glucose information of n (where n is a natural number of 2 or more).
  • the first blood glucose information is the blood glucose information for the first time
  • the n-th blood glucose information is the blood glucose information for the reference time.
  • the blood glucose-related information includes (1) a reference time blood glucose level, (2) a blood glucose level change rate from a meal time to a post-meal peak blood glucose time, (3) a rate of change in blood glucose level from a postprandial peak blood glucose time to a reference time, Rate of change ".
  • the " reference time blood glucose " (G A ) means the blood glucose level of the subject measured at the reference time (T A ).
  • the 'reference time' is the time related to the point where the relevant glucose-related information is generated. That is, the reference time of the blood glucose-related information (hereinafter referred to as "current blood glucose-related information") generated based on the current time means the current time.
  • the reference time of the blood glucose-related information (hereinafter, referred to as " conventional blood glucose-related information ") generated based on the past time means the past time.
  • the 'current time' may include a time within a certain range from an accurate current time.
  • the 'past time' may include a certain range of time from the correct past time.
  • the " reference time blood glucose &quot may correspond to information for considering a blood glucose change in the reference time.
  • the " reference time blood sugar &quot may correspond to information that can be used as a predictive reference point for hypoglycemic occurrence. Accordingly, the " reference time blood glucose " can be reflected in a root node of a decision tree model to be described later.
  • the rate of blood sugar change from meal time (T B ) to post-meal peak blood sugar time (T C ) " (S 1 ) is calculated by dividing the blood glucose level of the subject measured at meal time (G B ) of the change rate ([G C -G B] / [T C -T B]) between blood glucose levels with the maximum value among the blood sugar level "(G C) (hereinafter referred to as” peak postprandial blood glucose level "La hereinafter), that is,”
  • the rate of change in blood sugar from meal time to peak postprandial glucose time may correspond to information to take into account the rapid rise in blood glucose that may occur after meals, but the 'meal time'
  • the 'meal time' may be set by the user's input, and may be set inferred from the blood glucose trend. Further, the 'post-meal peak blood glucose time' may be set within a certain range To include time There.
  • “Blood glucose rate of change to the post-meal peak blood sugar time (T C) from the reference time (T A),” (S 2) is "postprandial peak blood glucose level", (G C) and "a blood glucose level of the subject measured to the reference time” (G A) ([G C -G A ] / [T A -T C ]). That is, the "rate of change in blood sugar from the peak postprandial blood glucose time to the reference time” may correspond to information for considering the blood glucose lowering phenomenon occurring after the postprandial peak blood glucose level.
  • the " reference time blood glucose change rate &quot is a rate of change between the " blood glucose level of the subject measured before the first time from the reference time " and the blood glucose level of the subject measured at the reference time. That is, the " reference time blood glucose change rate " may correspond to information for considering a blood glucose change in the reference time.
  • the " reference time blood glucose change rate &quot may correspond to information for compensating for the " blood glucose change rate from the peak postprandial blood glucose time to the reference time "
  • the 'first time' is a time interval that allows the instantaneous blood glucose change rate with respect to the reference time to be derived. Therefore, the value of the first time is smaller than the difference between the reference time and the post-meal peak blood sugar time.
  • the value of the first time may be a difference value between the n-th blood glucose information (blood glucose information for the reference time) and the n-1 blood glucose information (blood glucose information for the immediately preceding reference time). That is, the first time may be any one of 1 second to 10 minutes, but is not limited thereto.
  • &quot a technique for predicting the occurrence of hypoglycemia
  • &quot other prediction technique &quot
  • prediction of the occurrence of hypoglycemia using only two factors can not reflect the situation of rapid postprandial blood glucose change. Therefore, other predictive techniques may be less accurate in predicting postprandial hypoglycemia.
  • first comparative experiment and second comparative experiment for predicting hypoglycemic occurrence using only the " reference time blood glucose level " and " reference time blood glucose change rate "
  • the hypoglycemia prediction method predicts the occurrence of hypoglycemia by using not only the “reference time blood glucose” and the “reference time blood glucose change rate” but also the factor reflecting the sudden change in blood glucose after the meal. That is, the "rate of change in blood glucose from meal time to peak postprandial glucose time” and “rate of change in blood glucose from postprandial peak blood glucose time to reference time” can reflect the situation of rapid blood glucose change occurring after the meal. Therefore, the method of predicting hypoglycemia according to an embodiment of the present invention has an advantage of predicting occurrence of postprandial hypoglycemia with high accuracy.
  • the occurrence of postprandial hypoglycemia may be influenced by the insulin or the (hypoglycemic) hypoglycemic agent injected or taken during meals and the amount of food.
  • 'at the time of meals' means a certain period of time before or after a meal.
  • " at the time of eating " may be any time between 30 minutes before the meal and 15 minutes after the meal, but is not limited thereto.
  • postprandial hypoglycemia may occur when the peak blood glucose level is lower or lower than expected, or when an insulin or hypoglycemic agent is injected or administered in an amount greater than the calculated amount of food, after insulin injection or hypoglycemic agent administration during meals, Prediction techniques do not predict this.
  • the "rate of change in blood sugar from meal time to peak postprandial blood sugar time” and “rate of change in blood sugar from peak postprandial blood glucose time to reference time” are factors reflecting sudden postprandial changes in blood glucose, Influences from injections or hypoglycemic agents can also be reflected.
  • the rate of change of blood sugar from meal time to peak postprandial glucose time is low when the amount of meal is low or the specific gravity of carbohydrate at meal is low, so that the possibility of postprandial hypoglycemia due to insulin injection or hypoglycemic agent increases Can be reflected.
  • the "rate of change in blood sugar from meal time to peak postprandial glucose time” may reflect a phenomenon in which the probability of hypoglycemia due to insulin injection or hypoglycemic drug increases as the blood glucose lowering rate becomes steeply higher than the peak blood glucose level. Therefore, the method of predicting hypoglycemia according to an embodiment of the present invention is advantageous in predicting the occurrence of postprandial hypoglycemia due to 'insulin injection' or 'hypoglycemic agent taking' with high accuracy.
  • the hypoglycemia prediction method can generate blood glucose related information continuously in real time from a meal. Accordingly, the hypoglycemia prediction method according to an embodiment of the present invention can predict postprandial hypoglycemic occurrence from the postprandial successive real time using the generated blood glucose related information.
  • &quot prediction of occurrence of hypoglycemic event in continuous real time " also includes prediction of occurrence of hypoglycemia after every predetermined time interval (for example, 1 second to 10 minutes) or at irregular time intervals.
  • Postprandial hypoglycemia does not appear immediately after meals and occurs after a period of time after eating (for example, after 30 minutes after meals). In particular, if post-prandial hypoglycemia occurs, it may remain after the treatment, and it takes some time to raise blood sugar. In other words, if postprandial hypoglycemia is predicted, measures should be taken some time before postprandial hypoglycemia occurs. In addition, the hypoglycemic event lasts for a period of time (e.g., at least 15 minutes) once it has occurred.
  • postprandial hypoglycemia occurs after a certain time from the postprandial period and after the postprandial hypoglycemia prevention measure should be performed a certain time before the postprandial hypoglycemia, and the characteristic of the hypoglycemic phenomenon lasting for a certain period of time is reflected.
  • the hypoglycemia prediction method according to the example may be preferable to predict postprandial hypoglycemic occurrence in a certain time interval after the reference time.
  • the method of predicting hypoglycemia according to an embodiment of the present invention can predict postprandial hypoglycemic occurrence between 30 minutes and 45 minutes after the reference time.
  • postprandial postprandial hypoglycemia should be predicted in the next 30 to 45 minutes continuously in real time.
  • the method of predicting the hypoglycemia according to an embodiment of the present invention can advantageously prevent the occurrence of hypoglycemia after the meal and the aftereffects thereof.
  • hypoglycemia if you eat glucose candy or drink a beverage that has elevated blood sugar within minutes, you will overcome hypoglycemia.
  • the 'predetermined time interval after the reference time' is 30 minutes to 45 minutes, and the hypoglycemia prediction method according to an embodiment of the present invention is not limited thereto.
  • the hypoglycemia prediction method can predict postprandial hypoglycemic occurrence by using a machine learning model (hereinafter referred to as "hypoglycemia prediction model").
  • the hypoglycemia prediction model is a model learned by a machine learning method.
  • the training data is composed of training data consisting of conventional blood glucose-related information (input value or observation value) and hypoglycemic occurrence (output value or target value) It is a learned model.
  • the method of predicting hypoglycemia can predict the occurrence of postprandial hypoglycemia by inputting current blood glucose-related information into the hypoglycemic prediction model learned through training data.
  • the hypoglycemic prediction model may be a decision tree model using a decision tree technique or a deep learning model using a deep learning technique, It is not.
  • the hypoglycemic prediction model is a decision tree model.
  • the prediction model of hypoglycemia is implemented as a decision tree model, the computational complexity required to predict postprandial hypoglycemia is small and high - speed operation is possible, and a simple device has an advantage of predicting postprandial hypoglycemic occurrence.
  • the decision tree model implementation process may include the first to third processes, and the contents of these processes are as follows.
  • the first step of the decision tree model implementation is the collection of experimental data.
  • training data and test data must be collected first to implement the decision tree model.
  • the training data is data used as learning data of the decision tree technique to generate the decision tree model
  • the test data is data used for testing the performance of the decision tree model learned through the learning data.
  • the training data and the test data are collectively referred to as " experimental data ".
  • Experimental data includes conventional blood sugar-related information and postprandial hypoglycemic occurrence information as one data set and includes a plurality of data sets.
  • the postprandial hypoglycemic occurrence information is information on whether the subject related to the conventional blood glucose related information has actually developed hypoglycemic after the past time.
  • information on the occurrence of postprandial hypoglycemia may be stored in a predetermined time interval (for example, 30 minutes to 45 minutes) may be information on whether or not postprandial hypoglycemia actually occurred.
  • Step 2 Formation of the decision tree model
  • the second step is the process of forming a decision tree model. That is, after the first step of the decision tree model implementation, some of the collected experimental data are distinguished as training data, and the rest are discriminated as test data. Thereafter, the decision tree model is formed by linking the input value (or the observed value) and the output value (or the target value) by using the determined training data as the learning data and learning the learning through the decision tree algorithm.
  • the conventional blood glucose-related information corresponds to the input value in the training data
  • the postprandial hypoglycemic occurrence information corresponds to the output value.
  • decision tree algorithms include ID3 (Iterative Dichotomizer 3), C4.5 (successor of ID3), C5.0 (successor of ID4), Classification And Regression Tree (CART), CHi-squared Automatic Interaction Detector ), And multivariate adaptive regression splines (MARS), but the present invention is not limited thereto.
  • a decision tree model can be formed by reflecting the relatively small number of postprandial hypoglycemic events.
  • the test data can be processed to reflect the weight of the number of postprandial hypoglycemic events and the number of postprandial hypoglycemic events, or to oversaminate the number of postprandial hypoglycemic events, But is not limited thereto.
  • the third step of the decision tree model implementation is the process of performing the performance test on the formed decision tree model. That is, after the second step of the decision tree model implementation, a performance test is performed on the decision tree model formed using the test data. Specifically, the conventional blood glucose-related information of the test data is input as an input value to the formed decision tree model. Thereafter, the predicted hypoglycemic occurrence result and the hypoglycemic occurrence information of the test data are compared with each other.
  • the evaluation index of the test performance may be any one or more selected from among Sensitivity, Specificity and Accuracy.
  • the decision tree model when the decision tree model has a performance higher than a certain level, the decision tree model can be selected as the optimum performance decision tree model.
  • the decision tree model having the highest performance among the plurality of decision tree models obtained by performing the decision tree model implementation process 2 a plurality of times can be selected as the optimum performance decision tree model.
  • the first to third experiments were performed, and the first to fifth comparative experiments were performed to compare the results of these experiments.
  • the contents of these experiments are as follows.
  • the first experiment is to form a decision tree model with no specific time limit.
  • the experiment is to determine the postprandial peak blood glucose continuously in real time from the postprandial time and to predict the occurrence of postprandial hypoglycemia for 30 to 45 minutes after the postprandial peak blood glucose. Tree model.
  • the first experiment forms a decision tree model for predicting the occurrence of hypoglycemic events after insulin injection.
  • the process and results of the first experiment are similar to the decision tree model for predicting hypoglycemic events after hypoglycemic administration Can be applied.
  • serial blood glucose information for a total of 104 patients 52 patients with type 1 diabetes and 52 patients with type 2 diabetes
  • CGM continuous glucose monitor
  • continuous blood glucose information was measured for a total of 107 patients by double-testing 3 out of 104 patients. Table 1 summarizes the subjects' patients.
  • Type 1 diabetes (52) Type 2 diabetes (52) Age (years) 40.0 (29.0-52.0) 63.5 (54.3-68.0) Sex (Male: Female) 21: 34 21: 31 Weight (kg) 60.48 (52.35-69.41) 60.75 (54.60-70.37) BMI (kg / m 2) 22.85 ⁇ 3.26 24.60 ⁇ 2.62 Diabetes duration (years) 11.0 (6.0-18.0) 19.0 (13.3-25.0) Insulin Therapy (Insulin Therapy O: Insulin Therapy X) 55: 0 43: 9 Insulin regimen (basal: intermediate-acting: premix: MDI: CSII) 3: 1: 6: 44: 1 20: 3: 11: 9: 0 Daily insulin dose (IU / day) 42.3 ⁇ 17.7 28.6 ⁇ 18.1 Insulin dose per day (IU / day / kg) 0.68 (0.53-0.82) 0.50 (0.30-0.60) eGFR (ml / min / 1.73 m2) 83.
  • 'BMI' indicates 'body mass index'
  • 'MDI' indicates 'multiple daily injections'
  • 'CSII' indicates 'continuous subcutaneous insulin infusion'
  • 'eGFR' indicates 'estimated glomerular filtration rate'.
  • Conventional blood glucose-related information was extracted by processing continuous blood glucose information measured from 107 patients.
  • the occurrence of postprandial hypoglycemia was checked after 30 minutes to 45 minutes from the past past time of each conventional blood glucose-related information, and information on the occurrence of postprandial hypoglycemia was extracted.
  • Experimental data was collected using the extracted conventional blood glucose-related information and information on whether hypoglycemia occurred after the meal as a data set.
  • the collected experimental data have a time difference of 5 minutes interval.
  • the collected experimental data will be referred to as " first experimental data ".
  • first differentiated training data and “first differentiated test data”, respectively.
  • the first differentiated training data and the first differentiated test data are combined to form " Quot; data ".
  • a tree is formed by optimizing the hyperparameter using the 'fictree' mantle function based on the first distinction training data.
  • MinLeafSize a tree model was formed by optimizing the cross-validation loss. The tree model thus formed becomes pruned and becomes simple.
  • the evaluation index of the performance test may be any one or more selected from among Sensitivity, Specificity and Accuracy.
  • the number of postprandial hypoglycemic events was about 1/10 of the number of postprandial hypoglycemic events. Accordingly, the following misclassification cost matrix can be constructed at the time of forming the crystal model, and the depth and the number of nodes of the crystal tree model formed using the Matlab function reflecting the same can be optimized.
  • Predictive hypoglycemia Predictive hypoglycemia No actual hypoglycemic event 0 One Actual hypoglycemia 10 0
  • Decision Tree Model Implementation Process 2 was performed 10 times, and the highest performance decision tree model was selected through finding the optimal MinLeafSize for each process. Performance tests of the selected 10 decision tree models were performed using the first discrimination test data.
  • the evaluation index of the performance test may be any one or more selected from among Sensitivity, Specificity and Accuracy. However, as a result of the performance test, the model with the highest sensitivity was selected as the optimum performance decision tree model. The reason why Sensitivity was selected as the evaluation index of performance test is as follows.
  • &quot in the case of a diabetic patient, in the case where actual postprandial hypoglycemia occurred but unpredictable (hereinafter referred to as " first case ") predicted the occurrence of hypoglycemia (hereinafter, Quot;).
  • Quot the occurrence of hypoglycemia
  • ≪ / RTI > Sensitivity corresponds to a performance index that can be used to reduce the occurrence of the first case.
  • Specificity or Accuracy corresponds to a figure of merit that can be used to reduce the occurrence of the second case. Therefore, Sensitivity rather than Specificity or Accuracy corresponds to a figure of merit that should be considered for selecting the optimal performance decision tree model. If sensitivity is within the same or constant error range, Specificity or Accuracy corresponds to the figure of merit that should be considered for selecting the optimal performance decision tree model.
  • Sensitivity is calculated using the following equation.
  • 'True positive' refers to a case where actual hypoglycemia occurred and predicted hypoglycemic occurrence.
  • 'True nagative' refers to the case where no actual hypoglycemia occurred and predicted the occurrence of hypoglycemia.
  • 'False positive' refers to a case in which actual hypoglycemia occurred but predicted not to have hypoglycemia.
  • 'False negative' refers to cases in which hypoglycemia has not occurred but predicts hypoglycemia.
  • the first comparative experiment is an experiment for generating a comparative model for comparing the performance of the first predictive model selected through the first experiment.
  • the first comparative experiment is the same as the first experiment except for the conventional blood glucose-related information of the first discrimination experiment data. Therefore, only the conventional blood sugar-related information of the first comparative experiment will be described below, and the remaining description will be omitted.
  • the "rate of change in blood glucose from meal time to peak blood glucose time after meal” and “rate of change in blood sugar from peak to peak time from meal to meal time” were excluded from the conventional blood glucose-related information of the first distinction experiment data. That is, as the conventional blood glucose-related information of the experimental data of the first comparative experiment, only the “reference time blood glucose” and the “reference time blood glucose change rate” were used as the conventional blood glucose related information of the first distinction experiment data.
  • the optimal performance decision tree model was selected through the first comparison experiment.
  • the optimal performance decision tree model of the first comparison experiment will be referred to as " first comparison model ".
  • FIG. 2 shows an optimal performance decision tree model selected according to a first experiment of hypoglycemia prediction method according to an embodiment of the present invention.
  • the first prediction model selected as a result of the first experiment is shown in FIG.
  • 'X1' is the 'reference time blood glucose'
  • 'X2' is the blood glucose change rate from the meal time to the post-meal peak blood glucose time
  • 'X3' is the blood glucose change rate from the post-
  • 'X4' represents the " reference time blood glucose change rate ".
  • "true” indicates a case in which postprandial hypoglycemia is predicted
  • "false” indicates a case in which postprandial hypoglycemia is predicted to occur.
  • Condition 1 corresponds to hypoglycemia when blood glucose is 2.2 mmol / L or less
  • Condition 2 is 2.2 mmol / L or more and 3.0 mmol / L or less
  • Condition 3 is a condition corresponding to hypoglycemia when blood glucose is more than 3.0 mmol / L and 3.9 mmol / L or less.
  • the first predictive model has a higher sensitivity than the first comparative model, and the first predictive model has a smaller performance than the first comparative model.
  • the more severe the condition for determining hypoglycemia from condition 3 to condition 1
  • the first predictive model showed better performance than the first comparative model.
  • the second experiment is an experiment that forms a decision tree model that reflects the content of the time limit for postprandial peak blood glucose, which is generally known to occur within 90 minutes after the meal. That is, the second experiment was to determine the postprandial peak blood glucose in the 2 hours after the meal, and then to determine the occurrence of postprandial hypoglycemia in real time from 120 minutes after the meal to 210 minutes after the meal for the interval of 30 minutes to 45 minutes .
  • the second experiment forms a decision tree model for predicting postprandial hypoglycemia according to insulin injection, but the process and result of the second experiment are similar to the decision tree model for predicting postprandial hypoglycemia according to the hypoglycemic agent Can be applied.
  • the second experiment uses continuous blood glucose information for the same 107 patients as the first experiment. That is, similar to the first experiment, continuous blood glucose information measured from 107 patients was processed to extract conventional blood glucose-related information for 120 minutes after the meal or 210 minutes after the meal. After the postprandial peak blood glucose was found from the continuous blood glucose information within 2 hours after the meal, the postprandial hypoglycemic occurrence information was extracted by checking the occurrence of hypoglycemia after 30 minutes to 45 minutes from the corresponding time. Experimental data was collected using the extracted conventional blood glucose-related information and information on whether hypoglycemia occurred after the meal as a data set. The collected experimental data have a time difference of 5 minutes interval. Hereinafter, the collected experimental data will be referred to as " second experimental data ".
  • the "rate of change in blood glucose from meal time to peak blood glucose time after meal” and the “rate of change in blood glucose from the peak blood glucose time after meal to the reference time” are particularly, in the conventional blood glucose-related information of the second experimental data, the "rate of change in blood glucose from meal time to peak blood glucose time after meal” and the “rate of change in blood glucose from the peak blood glucose time after meal to the reference time” .
  • Second differentiated training data and “second differentiated test data”, respectively, and the second differentiated training data and the second differentiated test data are collectively referred to as " Quot; data ".
  • the decision tree model is formed using the second distinction training data, and the contents of the tree formation are the " first distinction training data ", " second distinction training data " ,
  • the first discrimination test data is replaced with the second discrimination test data
  • the first discrimination test data is replaced with the second test data
  • the number of hypoglycemic data in the entire data is changed, thereby changing the misclassification matrix cost Value is changed from 10: 1 to 9: 1, so that a detailed description thereof will be omitted.
  • the optimal performance decision tree model selected through the second experiment will be referred to as " second prediction model ".
  • the second comparison experiment is an experiment for generating a comparison model for comparing the performance of the second prediction model selected through the second experiment.
  • the second comparative experiment is the same as the second experiment except for the conventional blood glucose-related information of the second discrimination experiment data. Therefore, only the conventional blood sugar-related information of the second comparative experiment will be described below, and the remaining description will be omitted.
  • the "rate of change in blood glucose from meal time to peak postprandial glucose time” and “rate of blood glucose change from peak postprandial blood glucose time to reference time” were excluded from the conventional blood glucose-related information of the second distinction experiment data. That is, as the conventional blood sugar-related information of the experimental data of the second comparative experiment, only the “reference time blood glucose” and the “reference time blood glucose change rate” were used as the conventional blood glucose related information of the second distinction experiment data.
  • the optimal performance decision tree model was selected through the second comparison experiment.
  • the optimal performance decision tree model of the second comparison experiment will be referred to as " second comparison model ".
  • FIG. 3 shows an optimal performance decision tree model selected according to a second experiment of hypoglycemia prediction method according to an embodiment of the present invention.
  • 'X1' is the rate of change of blood sugar from the peak postprandial blood glucose time to the reference time
  • X2 is the reference time blood glucose
  • X3 is the rate of blood glucose change from the meal time to the postprandial peak blood glucose time
  • 'X4' represents the " reference time blood glucose change rate ".
  • true indicates a case in which postprandial hypoglycemia is predicted
  • false indicates a case in which postprandial hypoglycemia is predicted to occur.
  • Condition 1 corresponds to hypoglycemia when blood glucose is 2.2 mmol / L or less
  • Condition 2 corresponds to the case where blood glucose is 2.2 mmol / L or more and 3.0 mmol / L or less
  • Condition 3 is a condition corresponding to hypoglycemia when blood glucose is more than 3.0 mmol / L and 3.9 mmol / L or less.
  • the second predictive model has a higher sensitivity than the second comparative model, and the first predictive model has a smaller performance than the second comparative model.
  • the second predictive model showed better performance than the second comparative model.
  • hypoglycemia occurred within 2 hours after the meal.
  • the hypoglycemic phenomenon occurring within 2 hours after the meal can not be predicted because it predicts postprandial peak blood glucose within 2 hours after the meal and predicts hypoglycemia after 2 hours after the meal.
  • the first prediction model predicts the postprandial hypoglycemia by determining the postprandial peak blood glucose continuously in real time from the postprandial time, so that the hypoglycemic phenomenon occurring within 2 hours after the meal can be predicted. That is, since the first prediction model can predict postprandial hypoglycemia immediately after the meal, the first prediction model is more suitable than the second prediction model.
  • the first prediction model includes a root node for classifying the input value based on a constant value of the " reference time blood glucose ".
  • the first prediction model includes a plurality of first intermediate nodes, a plurality of second intermediate nodes, and the like.
  • the root node is a node that starts classification of input values.
  • the first middle node is the first node branching from the root node.
  • the second middle node is a second node that branches from the root node, and is a node that branches from the first middle node.
  • the root node of the first prediction model can classify the input values into two first intermediate nodes according to whether the reference time blood glucose is 5.95 mmol / L.
  • a first intermediate node can classify the input value on the basis of a certain value of the " rate of blood glucose change from the peak postprandial blood glucose time to the reference time ".
  • the other first middle node can be classified based on another constant value (a value different from the value at the root node) of the " reference time blood glucose ".
  • a first intermediate node is input to two second intermediate nodes according to whether " rate of blood glucose change from peak postprandial blood glucose time to reference time " is 0.0681366 You can sort the values.
  • rate of blood glucose change from peak postprandial blood glucose time to reference time &quot is 0.0681366 You can sort the values.
  • the post-prandial hypoglycemia occurs when the "standard time blood glucose” is less than 4.65 mmol / L, and the input value is classified into the other second middlevalue if it is 4.65 mmol / L or more .
  • the third experiment is an experiment in which the same experimental procedure as in the first experiment is performed again, and the same first experimental data as that of the first experiment is used.
  • the first experimental data is discriminated at random by 70% as the training data and the remaining 30% as the test data. Therefore, the experimental data distinguished in the third experiment is different from the first differentiated experimental data of the first experiment, and the performance test result is also different from the first experiment.
  • the training data and the test data distinguished by the third experiment will be referred to as "third discrimination training data” and “third discrimination test data”, respectively, and the third discrimination training data and the third discrimination test data are collectively referred to as " 3 different experimental data ".
  • first discrimination training data is referred to as “third discrimination training data”
  • first discrimination test data is referred to as “third discrimination test data”
  • first discrimination training data Quot
  • Third Experimental Data &quot Third Experimental Data &quot
  • the optimal performance decision tree model selected through the third experiment will be referred to as a " third prediction model ".
  • the third comparative experiment to the fifth comparative experiment are experiments for respectively generating comparative models for comparing the performance of the third predictive model selected through the third experiment.
  • the third comparative experiment to the fifth comparative experiment are the same as the third experiment except for the conventional blood glucose-related information of the third discrimination experiment data. Therefore, only the conventional blood sugar-related information of each of the third comparative experiment to the fifth comparative experiment will be described below, and the remaining description will be omitted.
  • the "blood glucose change rate from the meal time to the post-meal peak blood glucose time” and “the blood glucose change rate from the post-meal peak blood glucose time to the reference time” were excluded from the conventional blood glucose- The blood glucose level of the subject measured before the first time from the reference time ". That is, as the conventional blood glucose-related information of the experimental data of the third comparative experiment, "reference time blood glucose”, “reference time blood glucose change rate” and "blood glucose level of the subject measured before the first time from the reference time” were used.
  • the " blood glucose level of the subject measured before the first time from the reference time " is the blood glucose level five minutes before the " reference time blood glucose " time since the continuous blood glucose information is measured at intervals of 5 minutes.
  • the "rate of change in blood sugar from meal time to peak after meal time” and “time rate of change in reference time” were excluded from the conventional blood glucose-related information of the third experimental data. That is, as the conventional blood glucose-related information of the experimental data of the fourth comparative experiment, the "reference time blood glucose” and the “blood glucose change rate from the peak postprandial blood glucose time to the reference time” were used.
  • the "rate of change in blood glucose from meal time to peak postprandial glucose time” was excluded from the conventional blood glucose-related information of the third experimental data. That is, as the conventional blood sugar-related information of the experimental data of the fourth comparative experiment, "reference time blood glucose”, “blood sugar change rate from the post-meal peak blood glucose time to the reference time” and “reference time blood glucose change rate” were used.
  • the optimal performance decision tree model was selected through the third comparative experiment to the fifth comparative experiment.
  • the optimal performance decision tree models of the third comparative experiment to the fifth comparative experiment will be referred to as "third comparative model”, “fourth comparative model” and “fifth comparative model”, respectively.
  • FIG. 4 shows an optimal performance decision tree model selected according to a third experiment of hypoglycemia prediction method according to an embodiment of the present invention.
  • the third prediction model selected as a result of the third experiment is shown in FIG. 4, 'X1' is the 'reference time blood glucose', 'X2' is the blood glucose change rate from the meal time to the postprandial peak blood glucose time, 'X3' is the blood glucose change rate from the postprandial peak blood glucose time to the reference time , And 'X4' represents the " reference time blood glucose change rate ".
  • the first case corresponds to a case where postprandial hypoglycemia occurred but it is not predicted.
  • Condition 1 corresponds to hypoglycemia when blood glucose is 2.2 mmol / L or less
  • condition 2 corresponds to a case where blood glucose exceeds 2.2 mmol / L To 3.0 mmol / L or less
  • condition 3 corresponds to hypoglycemia when the blood glucose level is higher than 3.0 mmol / L to 3.9 mmol / L or lower.
  • the third prediction model has higher sensitivity than the third comparative model to the fifth comparative model, and has a better performance as a whole because the number of occurrences in the first case is small.
  • the third prediction model showed better performance than the third to fifth comparison models.
  • the third prediction model includes a root node for classifying the input value based on a certain value of the " reference time blood glucose ".
  • the third prediction model includes a plurality of first intermediate nodes, a plurality of second intermediate nodes, and the like. As shown in FIG. 4, the root node of the third prediction model can classify the input value into the first middle node according to whether the reference time blood glucose is 5.95 mmol / L.
  • the first intermediate node of the third prediction model can classify the input value on the basis of a certain value of the " blood glucose change rate from the post-meal peak blood glucose time to the reference time ". Further, the other first middle node of the third prediction model can be classified based on another constant value (a value different from the value in the root node) of the " reference time blood glucose ".
  • one of the first middle nodes of the third prediction model is input with two second middle nodes, depending on whether or not the " rate of blood glucose change from the peak postprandial blood glucose time to the reference time " is 0.0721241 You can sort the values.
  • the first middle node of the third prediction model predicts that postprandial hypoglycemia occurs when the "reference time blood glucose" is less than 4.65 mmol / L, and when it is 4.65 mmol / L or more, Input values can be classified.
  • hypoglycemia prediction model is an in-depth learning model
  • the implementation process of the in-depth learning model may include the first to third processes, and the contents of the processes are as follows.
  • the first step of implementing the deep learning model is the process of collecting experimental data.
  • the first step of implementing the in-depth learning model is the same except that the " decision tree model " is replaced with the " in-depth learning model " in the first step of the decision tree model implementation.
  • the second step of implementing the deep learning model is the process of forming the deep learning model. That is, after the first step of implementing the in-depth learning model, some of the collected experimental data are distinguished as training data and the rest as test data. Then, by using the separated training data as the learning data, the learning is conducted through the in-depth learning algorithm to form an in-depth learning model which is a connection function between the input value (or observation value) and the output value (or target value).
  • the conventional blood glucose-related information corresponds to the input value in the training data
  • the postprandial hypoglycemic occurrence information corresponds to the output value.
  • DNN Deep Neural Network
  • RNN Recurrent Neural Network
  • CNN Convolutional Neural Network
  • DBN Deep Belief Network
  • a deep learning model can be formed by reflecting the relatively small number of postprandial hypoglycemic events.
  • the test data can be processed to reflect the weight of the number of postprandial hypoglycemic events and the number of postprandial hypoglycemic events, or to oversaminate the number of postprandial hypoglycemic events, But is not limited thereto.
  • the third step of the deep learning neural network implementation is a process of performing a performance test on the formed deep learning model.
  • the third step of implementing the in-depth learning model is the same except that the " decision tree model " is replaced with the " in-depth learning model " in the content of the third step of the decision tree model implementation.
  • hypoglycemia prediction model generation method according to an embodiment of the present invention will be described.
  • the hypoglycemic prediction model generation method may be performed by a hypoglycemic prediction model generation apparatus, which is a method of generating a hypoglycemic prediction model.
  • the method for generating a hypoglycemia prediction model includes generating a machine learning model that is learned using conventional blood glucose-related information and training data including hypoglycemia after the hypoglycemic event do.
  • hypoglycemic prediction model generation method can generate a hypoglycemic prediction model that predicts the occurrence of postprandial hypoglycemia due to insulin injection or hypoglycemic agent administration.
  • the method of generating a hypoglycemic prediction model may further include updating a machine learning model that has already been generated at regular intervals, every selected period, or in real time.
  • hypoglycemia prediction model machine learning model
  • generation process thereof have been described in the hypoglycemia prediction method according to the embodiment of the present invention, a detailed description thereof will be omitted.
  • the apparatus for predicting a hypoglycemia according to an embodiment of the present invention described above with reference to FIGS. 1 to 4 is a device for predicting the occurrence of postprandial hypoglycemia using blood glucose-related information Device.
  • the apparatus for predicting hypoglycemia according to an embodiment of the present invention can predict occurrence of postprandial hypoglycemia due to insulin injection or hypoglycemic agent administration.
  • the apparatus for predicting hypoglycemia according to an embodiment of the present invention can directly generate blood glucose-related information or receive it from another apparatus.
  • the hypoglycemic prediction apparatus according to an embodiment of the present invention needs continuous blood glucose information.
  • the apparatus for predicting hypoglycemia according to an embodiment of the present invention can directly measure continuous blood glucose information or receive it from another apparatus.
  • the device for measuring continuous blood glucose information may be Continuous Glucose Monitoring (CGM). That is, the apparatus for predicting hypoglycemia according to an embodiment of the present invention may include a continuous blood glucose meter or may be connected to a continuous blood glucose meter, but the present invention is not limited thereto.
  • CGM Continuous Glucose Monitoring
  • an apparatus for predicting hypoglycemia may include an insulin pump, a continuous blood glucose meter (CGM), a combined device of an insulin pump and a continuous blood glucose meter, an artificial pancreas device, a wearable device, And a portable terminal.
  • CGM continuous blood glucose meter
  • An insulin pump is a device that injects insulin into the body.
  • an insulin pump may include an injection unit and a body.
  • the injection unit may include a needle inserted into the user's skin and a connection portion connecting the needle and the body.
  • the main body can be worn on the user's belt, clothes, etc. to control insulin injection. That is, the body can continuously inject a certain amount of insulin into the body of the user through the needle or inject insulin according to the amount of food according to the user's setting.
  • the hypoglycemia prediction device is an insulin pump
  • the insulin pump can directly generate blood glucose-related information by processing continuous blood glucose information received from another device or receive blood glucose-related information from another device .
  • the continuous blood glucose meter is a device for measuring continuous blood glucose information in real time.
  • the continuous blood glucose meter may include a blood glucose sensor, a transmitter, and a body.
  • the blood glucose sensor can be inserted / attached into the body to measure the user's current blood sugar in real time.
  • the transmitter may transmit the blood glucose value of the user measured by the blood glucose sensor to the main body via wire / wireless.
  • the main body stores the current blood glucose level of the user received from the transmitter, and can display the current blood glucose level and blood glucose change tendency. If the blood glucose level is too high or low, the body can send a warning signal to the user.
  • the hypoglycemia prediction apparatus is a continuous blood glucose meter
  • the continuous blood glucose meter may directly measure and process continuous blood glucose information to generate blood glucose related information.
  • the combined device of the insulin pump and the continuous blood glucose meter is a device including the above-mentioned insulin and the continuous blood glucose meter together.
  • the combined device of the insulin pump and the continuous blood glucose meter can perform the main body function of the insulin pump body and the continuous blood glucose meter in one body.
  • hypoglycemia prediction device is a combined device of an insulin pump and a continuous blood glucose meter
  • a combined device of an insulin pump and a continuous blood glucose meter can directly measure and process blood glucose information, have.
  • the artificial pancreas device is an artificial organ device that replaces the function of the pancreas. That is, the artificial pancreas device can continuously measure blood sugar and automatically inject as many insulin into the body as needed according to the measured blood sugar level.
  • the artificial pancreas device may include a blood glucose sensor, an insulin injector, and a controller. At this time, the blood glucose sensor can be inserted / attached into the body to measure the user's current blood sugar in real time. Further, the insulin injecting section can inject insulin into the body.
  • the control unit can control to inject as much insulin as necessary based on the continuous blood sugar information.
  • the hypoglycemia prediction device is an artificial pancreas device
  • the artificial pancreas device can generate blood glucose related information by directly measuring and processing continuous blood glucose information.
  • a wearable device is a terminal that is contacted, attached, worn, or inserted into a part of the body.
  • a wearable device may be an electronic glove, an electronic eyeglass, an electronic garment, an electronic bracelet, an electronic necklace, an electronic app apparel, a smart watch, a smart glass or a smart patch But is not limited thereto.
  • the wearable device can directly generate blood glucose-related information by processing continuous blood glucose information received from another device or receive blood glucose-related information from another device .
  • a portable terminal is a portable terminal.
  • the mobile terminal can be a mobile phone, a smartphone, a smartpad, a tablet personal computer, a videophone, an e-book reader, a laptop but are not limited to, a personal computer, a netbook computer, a personal digital assistant (PDA), a portable multimedia player (PMP), or the like.
  • PDA personal digital assistant
  • PMP portable multimedia player
  • the hypoglycemia prediction apparatus When the hypoglycemia prediction apparatus according to an embodiment of the present invention is a portable terminal, the portable terminal can generate blood glucose related information directly by processing continuous blood glucose information received from another apparatus or receive blood glucose related information from another apparatus .
  • FIG. 5 shows a block diagram of a hypoglycemic prediction apparatus 10 according to an embodiment of the present invention.
  • the apparatus for predicting hypoglycemia 10 may include a first storage unit 11 and a first control unit 12 as shown in FIG.
  • the apparatus for predicting hypoglycemia according to an embodiment of the present invention further includes a first input unit 13, a first output unit 14, a first measurement unit 15, or a first communication unit 16 .
  • the first storage unit 11 stores various information necessary for hypoglycemic prediction.
  • the first storage unit 11 may store continuous blood sugar information, blood glucose related information, machine learning algorithm information, and the like.
  • the first storage unit 11 may store a control program for the hypoglycemia prediction method according to an embodiment of the present invention described above with reference to FIG. 1 to FIG.
  • the first storage unit 11 may store the learned hypoglycemic prediction model (for example, any one of the above-described first to third prediction models).
  • the first storage unit 11 may be a hard disk type, a magnetic media type, a CD-ROM (compact disc read only memory), an optical recording medium type Optical media type, a magneto-optical media type, a multimedia card micro type, a flash memory type, a read only memory type, or a RAM type (random access memory type), and the like, but the present invention is not limited thereto.
  • the first storage unit 11 may be a cache, a buffer, a main storage unit, an auxiliary storage unit, or a separate storage system depending on the use / location thereof, but is not limited thereto.
  • the first controller 12 may control the performance of the hypoglycemia prediction method according to an embodiment of the present invention described above with reference to FIGS. 1 to 4 using the information stored in the first storage unit 11.
  • the first control unit 12 can control the measurement of continuous blood glucose information or the generation of blood sugar-related information.
  • the hypoglycemia prediction method performed by the first control unit 12 has been described above, a detailed description thereof will be omitted.
  • the first control unit 12 may control the first input unit 13, the first output unit 14, the first measurement unit 15, or the first communication unit 16. That is, the first control unit 12 may control to read specific information from the first storage unit 11 or to store specific information in the first storage unit 11.
  • the first control unit 12 can receive the input information received by the first input unit 13 and can control the output signal to be output through the first output unit 14.
  • the first control unit 12 may control the first storage unit 11 to store the continuous blood glucose information measured by the first measurement unit 15 and generate blood glucose related information using the continuous blood glucose information And to store it in the first storage unit 11. Also, the first control unit 12 may control the specific information to be transmitted through the first communication unit 16, or may receive the specific information received by the first communication unit 16.
  • the first input unit 13 receives various input commands from the user.
  • the first input unit 13 may be provided when the hypoglycemic prediction apparatus 10 according to an embodiment of the present invention directly generates blood glucose-related information.
  • the first input unit 13 receives the meal time from the user and delivers the meal time to the first controller 12.
  • the first input unit 13 may be formed in various forms such as a button shape and a contact shape, but is not limited thereto.
  • the first output 14 delivers various output signals to the user.
  • the output signal may be a visual signal, a sound signal, a tactile signal, or the like.
  • the first output unit 14 can deliver the output signal of the postprandial hypoglycemia prediction result performed by the first control unit 12 to the user.
  • the first output 14 may be a display, a speaker, a tactile actuator, or the like, but is not limited thereto.
  • the first measurement unit 15 is a configuration for measuring continuous blood glucose information in real time.
  • the first measurement unit 15 may be provided when the hypoglycemic prediction apparatus 10 according to an embodiment of the present invention directly measures continuous blood glucose information.
  • the first measurement unit 15 may transmit the measured continuous blood glucose information to the first control unit 12.
  • the first communication unit 16 transmits / receives specific information to / from another device.
  • the first communication unit 16 may be provided when the hypoglycemic prediction apparatus 10 according to an embodiment of the present invention does not directly generate blood glucose-related information.
  • the first communication unit 16 may receive the blood glucose-related information from another device and transmit the blood glucose-related information to the first control unit 12.
  • the first communication unit 16 may be provided when the hypoglycemic prediction apparatus 10 according to an embodiment of the present invention does not directly measure continuous blood glucose information but directly generates blood glucose related information. In this case, the first communication unit 16 may receive the continuous blood glucose information from another apparatus and transmit it to the first control unit 12. [
  • the first communication unit 16 includes a wired communication module or a wireless communication module connected to a communication network.
  • the wired communication module may be a LAN (Local Area Networks) module, a WANs (Wide Area Networks) module, a MANs (Metropolitan Area Networks) module, or an ISDNs no.
  • the wireless communication module may be a WiFi module, a bluetooth module, a ZigBee module, a mobile communication module, or a satellite communication module, but is not limited thereto.
  • the apparatus for generating a hypoglycemic prediction model according to an embodiment of the present invention is an apparatus for generating a hypoglycemic prediction model according to an embodiment of the present invention.
  • the apparatus for generating a hypoglycemic prediction model generates a machine learning model that is learned using conventional blood glucose-related information and training data including hypoglycemia after the hypoglycemic event.
  • the apparatus for generating a hypoglycemic prediction model can generate a hypoglycemia prediction model that predicts the occurrence of postprandial hypoglycemia due to insulin injection or hypoglycemic agent administration.
  • hypoglycemia prediction model machine learning model
  • generation process thereof have been described in the hypoglycemia prediction method according to the embodiment of the present invention, a detailed description thereof will be omitted.
  • the apparatus for generating a hypoglycemic prediction model according to an embodiment of the present invention can directly generate blood glucose-related information or receive it from another apparatus.
  • the apparatus for generating a hypoglycemic prediction model according to an embodiment of the present invention needs continuous blood glucose information.
  • the apparatus for generating a hypoglycemic prediction model according to an embodiment of the present invention can directly measure continuous blood glucose information or receive it from another apparatus.
  • the device for measuring continuous blood glucose information may be Continuous Glucose Monitoring (CGM). That is, the apparatus for generating a hypoglycemic prediction model according to an embodiment of the present invention may include a continuous blood glucose meter or may be connected to a continuous blood glucose meter, but the present invention is not limited thereto.
  • CGM Continuous Glucose Monitoring
  • the apparatus for generating a hypoglycemic prediction model may update a hypoglycemic prediction model that has already been generated at regular intervals, every selected period, or in real time.
  • an apparatus for generating a hypoglycemia prediction model includes an insulin pump, a continuous blood glucose meter (CGM), a combined device of an insulin pump and a continuous blood glucose meter, an artificial pancreas device, a wearable, Device, a portable terminal, and a server.
  • CGM continuous blood glucose meter
  • an artificial pancreas device a wearable, Device
  • a portable terminal a server.
  • the remaining devices except for the server have been described in the hypoglycemic prediction device 10 according to the embodiment of the present invention, and the description thereof will be omitted.
  • the server sends the generated or updated hypoglycemic prediction model to the terminal connected to it. That is, the server can transmit a hypoglycemic prediction model, which is generated or updated at regular intervals, every selected period, or in real time, to the terminal.
  • the terminal connected to the server may be a hypoglycemic prediction apparatus 10 according to an embodiment of the present invention, but is not limited thereto.
  • FIG. 6 is a block diagram of an apparatus 20 for generating a hypoglycemic prediction model according to an embodiment of the present invention.
  • the hypoglycemic prediction model generation apparatus 20 may include a second storage unit 21 and a second control unit 22 as shown in FIG.
  • the hypoglycemic prediction model device 20 may further include a second input unit 23, a second measurement unit 24, or a second communication unit 25.
  • the second storage unit 21 stores various information necessary for generating or updating the hypoglycemic prediction model.
  • the second storage unit 21 may store continuous blood sugar information, blood glucose related information, machine learning algorithm information, and the like.
  • the second storage unit 21 may store a control program for the hypoglycemic prediction model generation method according to an embodiment of the present invention.
  • the second storage unit 21 may store the generated or updated hypoglycemic prediction model.
  • the second storage unit 21 may be a hard disk type, a magnetic media type, a CD-ROM (compact disc read only memory), an optical recording medium type Optical media type, a magneto-optical media type, a multimedia card micro type, a flash memory type, a read only memory type, or a RAM type (random access memory type), and the like, but the present invention is not limited thereto.
  • the second storage unit 21 may be a cache, a buffer, a main storage unit, an auxiliary storage unit, or a separate storage system depending on the use / location, but is not limited thereto.
  • the second control unit 22 can control the execution of the hypoglycemic prediction model generation method according to an embodiment of the present invention using the information stored in the second storage unit 21. [ Also, the second control unit 22 can control the measurement of continuous blood glucose information or the generation of blood sugar-related information. However, since the method of generating hypoglycemic prediction model performed by the second control unit 22 has been described above, a detailed description thereof will be omitted.
  • the second control unit 22 can control the second input unit 23, the second measurement unit 24, or the second communication unit 25. That is, the second control unit 22 can control to read specific information from the second storage unit 21 or to store specific information in the second storage unit 21. [ Also, the second control unit 22 may receive the input information received by the second input unit 23.
  • the second control unit 22 can also control the second storage unit 21 to store the continuous blood glucose information measured by the second measurement unit 24 and generate blood glucose related information using the continuous blood glucose information And store it in the second storage unit 21.
  • the second control unit 22 may control the specific information to be transmitted through the second communication unit 25 or may receive the specific information received by the second communication unit 25.
  • the second input unit 23 receives various input commands from the user.
  • the second input unit 23 may be provided when the apparatus 20 for generating hypoglycemic prediction models according to an embodiment of the present invention directly generates blood glucose-related information.
  • the second input unit 23 receives the meal time from the user and delivers the meal time to the second control unit 22.
  • the second input unit 23 may be formed in various forms such as a button shape and a contact shape, but is not limited thereto.
  • the second measurement unit 24 is a configuration for measuring continuous blood glucose information in real time.
  • the second measurement unit 24 may be provided when the apparatus 20 for generating a hypoglycemic prediction model according to an embodiment of the present invention directly measures continuous blood glucose information.
  • the second measurement unit 24 may transmit the measured continuous blood glucose information to the second control unit 22.
  • the second communication unit 25 transmits / receives specific information to / from another device.
  • the second communication unit 25 may be provided when the apparatus 20 for generating hypoglycemic prediction models according to an embodiment of the present invention does not directly generate blood glucose-related information.
  • the second communication unit 25 can receive the blood glucose-related information from another device and transmit it to the second control unit 22.
  • the second communication unit 25 may be provided when the hypoglycemic prediction model generation apparatus 20 according to an embodiment of the present invention does not directly measure continuous blood glucose information but generates blood glucose related information directly. In this case, the second communication unit 25 can receive the continuous blood glucose information from another device and transmit it to the second control unit 22.
  • the second communication unit 25 includes a wired communication module or a wireless communication module connected to a communication network.
  • the wired communication module may be a LAN (Local Area Networks) module, a WANs (Wide Area Networks) module, a MANs (Metropolitan Area Networks) module, or an ISDNs no.
  • the wireless communication module may be a WiFi module, a bluetooth module, a ZigBee module, a mobile communication module, or a satellite communication module, but is not limited thereto.
  • a hypoglycemia prediction program is a program stored in a medium for predicting postprandial hypoglycemic occurrence according to the hypoglycemia prediction method according to an embodiment of the present invention described above.
  • the hypoglycemic prediction model generation program is a program stored in a medium to generate a model for predicting hypoglycemic occurrence according to the hypoglycemic prediction model generation method according to an embodiment of the present invention described above. That is, the hypoglycemic prediction program and the hypoglycemic prediction model generation program may be recorded in a recording medium readable by a computer or the like.
  • the recording medium may be a hard disk type, a magnetic media type, a CD-ROM (compact disc read only memory), an optical recording medium type, A magneto-optical media type, a multimedia card micro type, a card type memory (e.g., SD or XD memory), a flash memory type, a read only memory (ROM) ROM, a random access memory (RAM), or a combination thereof, but is not limited thereto.
  • a hard disk type e.g., a magnetic media type, a CD-ROM (compact disc read only memory), an optical recording medium type, A magneto-optical media type, a multimedia card micro type, a card type memory (e.g., SD or XD memory), a flash memory type, a read only memory (ROM) ROM, a random access memory (RAM), or a combination thereof, but is not limited thereto.
  • the program may be stored in the input device as a communication network such as the Internet, an intranet, a LAN (Local Area Network), a WLAN (Wide LAN), a SAN (Storage Area Network) May be stored in a storage device that is accessible through a communication network.
  • a communication network such as the Internet, an intranet, a LAN (Local Area Network), a WLAN (Wide LAN), a SAN (Storage Area Network) May be stored in a storage device that is accessible through a communication network.
  • the present invention relates to an apparatus, a method and a program for predicting the hypoglycemia phenomenon which can be predicted with ease and with high accuracy in advance.
  • the present invention relates to an apparatus, a method, and a program for generating a hypoglycemic prediction model that generates a model capable of predicting occurrence of postprandial hypoglycemia phenomenon with high accuracy in advance.

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Surgery (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Emergency Medicine (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Optics & Photonics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medicinal Chemistry (AREA)
  • Fuzzy Systems (AREA)
  • Hematology (AREA)
  • Anesthesiology (AREA)
  • Vascular Medicine (AREA)

Abstract

본 발명의 일 실시예에 따른 저혈당 예측 장치는 혈당 관련 정보를 이용하여 식후 저혈당 발생을 예측하는 저혈당 예측 장치로서, 상기 혈당 관련 정보는 기준 시간 혈당, 식사 시간에서부터 식후 피크 혈당 시간까지의 혈당 변화율, 식후 피크 혈당 시간에서부터 기준 시간까지의 혈당 변화율, 및 기준 시간 혈당 변화율을 포함하는 것을 특징으로 한다.

Description

저혈당 예측 장치, 방법 및 프로그램과, 저혈당 예측 모델 생성 장치, 방법 및 프로그램
본 발명은 저혈당 예측 장치, 그 방법 및 프로그램에 관한 것으로서, 더욱 상세하게는 식사 이후에 발생 가능한 저혈당 현상을 예측하는 장치, 방법 및 프로그램에 관한 것이다.
또한, 본 발명은 저혈당 예측 모델 생성 장치, 그 방법 및 프로그램에 관한 것으로서, 식사 이후에 발생 가능한 저혈당 현상을 예측하는 모델을 생성하는 장치, 방법 및 프로그램에 관한 것이다.
당뇨병은 2015년을 기준으로 전 세계 인구의 약 8.3%인 약 4 억 1,500만 명이 앓고 있는 세계 주요 질환이다. 이러한 당뇨병의 종류로는, 췌장에서 인슐린이 분비되지 않는 '제1형 당뇨병'과, 췌장에서 인슐린이 분비되나 체내에서 인슐린을 효과적으로 사용할 수 없는 '제2형 당뇨병'이 있다.
당뇨병은 혈당 조절이 되지 않은 대사 질환이므로, 당뇨병 환자에게 있어 그 혈당 관리는 필수적이다. 만일, 당뇨병 환자의 혈당이 관리되지 않아 고혈당이 지속될 경우, 뇌졸중(stroke), 망막병증(retinopathy), 신장병(nephropathy), 신경병증(neuropathy), 당뇨 발(diabetic foot), 심혈관 질환(cardiovascular disease) 등과 같은 심각한 합병증이 유발될 수 있다.
당뇨병의 치료 및 그 합병증 예방을 위한 대표적인 방법으로는 (경구용) 혈당 강하제 복용 또는 인슐린 주사가 이용된다. 하지만, 이러한 방법들의 경우, 정밀한 혈당 조절의 어려움이 있을 뿐 아니라, 시간에 맞춰 반복적으로 복용 또는 주입해야 하는 불편함이 있다. 이러한 문제점을 해결하기 위해, 체내에 인슐린을 자동적으로 주입하는 인슐린 펌프가 개발되었다. 하지만, 인슐린 펌프는 인슐린을 집중적으로 주입하는 방식이므로, 저혈당 현상이 발생할 수 있는 또 다른 문제점이 있다.
한편, 저혈당 현상은 떨림, 땀, 두통 등의 증상이 동반되는 현상으로서, 그 상태가 지속되는 경우에 저혈당 쇼크가 발생할 수 있는 위험한 현상이다. 따라서, 저혈당 현상의 발생을 미연에 방지할 수 있도록, 저혈당 현상의 발생을 사전에 예측할 수 있는 기술이 필요하다.
저혈당 현상의 종류로는, 당뇨병 환자의 수면 중에 발생하는 '야간 저혈당 현상'과, 당뇨병 환자의 활동 중에 발생하는 '주간 저혈당 현상'이 있다.
야간 저혈당 현상은 환자가 야간의 수면 중인 때에 발생하는 저혈당 현상이다. 즉, 야간 저혈당 현상은 그 발생 시간대의 특성상 발생 시에 즉각적인 대처가 어려운 위험한 현상이다. 하지만, 야간 저혈당 현상은 당뇨병 환자의 활동이 없는 시간 때에 발생하므로, 혈당 변화에 영향을 미치는 요소가 적다. 따라서, 야간 저혈당 현상의 발생을 사전에 정확하게 예측하는 것은 비교적 용이한 기술에 해당한다. 현재, 높은 정확도의 야간 저혈당 현상 예측 기술이 개발되면서, 인슐린 펌프 등에 적용되고 있다.
한편, 주간 저혈당 현상의 경우, 당뇨병 환자의 활동이 왕성한 때에 발생하는 현상이다. 즉, 주간 저혈당 현상은 혈당 변화에 영향을 미치는 다양한 요소(예를 들어, 스트레스, 활동량, 식사량 등)가 복합적으로 작용한다. 따라서, 주간 저혈당 현상의 발생을 사전에 정확하게 예측하는 것은 어려운 기술에 해당한다.
특히, 주간 저혈당 현상 중에는 식사 후에 발생되는 '식후 저혈당 현상'이 있다. 식후 저혈당 현상을 예측하기 위해 종래에는 식사 양, 인슐린 주입양 등의 다양한 입력 정보를 고려하여 식후 저혈당 현상을 예측하였다. 하지만, 이러한 종래의 식후 저혈당 예측 기술은 부정확한 입력 정보(예를 들어, 식사내의 탄수화물 양)에 따라 예측의 정확도가 변할 수 있을 뿐만 아니라, 당뇨병 환자가 다양한 입력 정보를 짧은 시간 내에 입력해야 하는 방식이므로, 사용이 불편한 문제점이 있었다.
상기한 바와 같은 종래 기술의 문제점을 해결하기 위하여, 본 발명은 식후 저혈당 현상의 발생을 간편하면서도 높은 정확도로 사전에 예측할 수 있는 저혈당 예측 장치, 방법 및 프로그램을 제공하는데 그 목적이 있다.
또한, 본 발명은 식후 저혈당 현상의 발생을 간편하면서도 높은 정확도로 사전에 예측할 수 있는 모델을 생성하는 저혈당 예측 모델 생성 장치, 방법 및 프로그램에 관한 것이다.
상기와 같은 과제를 해결하기 위한 본 발명의 일 실시예에 따른 저혈당 예측 장치는 혈당 관련 정보를 이용하여 식후 저혈당 발생을 예측하는 저혈당 예측 장치이다. 이때, 상기 혈당 관련 정보는 기준 시간 혈당, 식사 시간에서부터 식후 피크 혈당 시간까지의 혈당 변화율, 식후 피크 혈당 시간에서부터 기준 시간까지의 혈당 변화율, 및 기준 시간 혈당 변화율을 포함한다.
본 발명의 일 실시예에 따른 저혈당 예측 장치는 인슐린 주입 또는 혈당 강하제 복용에 따른 식후 저혈당 발생을 예측할 수 있다.
본 발명의 일 실시예에 따른 저혈당 예측 장치는 기 저장된 머신 러닝 모델(machine learning model)에 현재 혈당 관련 정보를 입력시켜 식후 저혈당 발생을 예측할 수 있다. 이때, 상기 머신 러닝 모델은 종래 혈당 관련 정보 및 그 식후 저혈당 발생 여부로 이루어진 트레이닝 데이터를 사용하여 학습될 수 있다.
상기 머신 러닝 모델은 결정 트리 모델(Decision tree model)이거나 심층 학습 모델(Deep learning model)일 수 있다.
상기 머신 러닝 모델은 결정 트리 모델(Decision Tree model)이며, 그 뿌리 마디(root node)는 기준 시간 혈당의 일정 값을 기준으로 분류할 수 있다.
상기 결정 트리 모델은 복수의 제1 중간 마디(first intermediate node)를 포함하되, 어느 한 제1 중간 마디는 식후 피크 혈당 시간에서부터 기준 시간까지의 혈당 변화율의 일정 값을 기준으로 분류할 수 있다.
본 발명의 일 실시예에 따른 저혈당 예측 장치는 기준 시간 이후 일정 시간 구간에서의 식후 저혈당 발생을 예측할 수 있다.
본 발명의 일 실시예에 따른 저혈당 예측 장치는, 연속 혈당 정보를 측정 및 가공함으로써 혈당 관련 정보를 생성하거나, 다른 장치로부터 전달 받은 연속 혈당 정보를 가공함으로써 혈당 관련 정보를 생성하거나, 다른 장치로부터 혈당 관련 정보를 전달 받을 수 있다.
상기 혈당 관련 정보는 실시간으로 갱신될 수 있다.
본 발명의 일 실시예에 따른 저혈당 예측 장치는 인슐린 펌프, 연속혈당측정기, 인슐린 펌프와 연속혈당측정기의 복합 장치, 인공췌장 장치, 웨어러블 장치, 및 휴대용 단말기 중 어느 하나일 수 있다.
본 발명의 일 실시예에 따른 저혈당 예측 장치는 다른 장치로부터 전달 받은 연속 혈당 정보를 가공함으로써 혈당 관련 정보를 생성하거나 다른 장치로부터 혈당 관련 정보를 전달 받을 수 있다. 이때, 본 발명의 일 실시예에 따른 저혈당 예측 장치는 인슐린 펌프, 웨어러블 장치, 및 휴대용 단말기 중 어느 하나일 수 있다.
본 발명의 일 실시예에 따른 저혈당 예측 장치는 연속 혈당 정보를 측정 및 가공함으로써 혈당 관련 정보를 생성할 수 있다. 이때, 본 발명의 일 실시예에 따른 저혈당 예측 장치는 연속혈당측정기, 인슐린 펌프와 연속혈당측정기의 복합 장치, 및 인공췌장 장치 중 어느 하나일 수 있다.
본 발명의 일 실시예에 따른 저혈당 예측 방법은 저혈당 예측 장치에서 혈당 관련 정보를 이용하여 식후 저혈당 발생을 예측하는 단계를 포함한다. 이때, 상기 혈당 관련 정보는 기준 시간 혈당, 식사 시간에서부터 식후 피크 혈당 시간까지의 혈당 변화율, 식후 피크 혈당 시간에서부터 기준 시간까지의 혈당 변화율, 및 기준 시간 혈당 변화율을 포함한다.
본 발명의 일 실시예에 따른 저혈당 예측 방법은 인슐린 주입 또는 혈당 강하제 복용에 따른 식후 저혈당 발생을 예측할 수 있다.
본 발명의 일 실시예에 따른 저혈당 예측 방법은 종래 혈당 관련 정보 및 그 식후 저혈당 발생 여부로 이루어진 트레이닝 데이터를 사용하여 학습된 머신 러닝 모델(machine learning model)을 저장한 저혈당 예측 장치에서 현재 혈당 관련 정보를 머신 러닝 모델에 입력시켜 식후 저혈당 발생을 예측하는 단계를 더 포함할 수 있다.
본 발명의 일 실시예에 따른 저혈당 예측 프로그램은 상술한 저혈당 예측 방법에 따라 식후 저혈당 발생을 예측하기 위해 매체에 기록된다.
본 발명의 일 실시예에 따른 저혈당 예측 모델 생성 장치는 현재 혈당 관련 정보를 입력시켜 식후 저혈당 발생을 예측하는 저혈당 예측 모델을 생성하는 장치이다. 이때, 상기 저혈당 예측 모델은 종래 혈당 관련 정보 및 그 식후 저혈당 발생 여부로 이루어진 트레이닝 데이터를 사용하여 학습된 머신 러닝 모델(machine learning model)이다. 또한, 상기 종래 혈당 관련 정보는 기준 시간 혈당, 식사 시간에서부터 식후 피크 혈당 시간까지의 혈당 변화율, 식후 피크 혈당 시간에서부터 기준 시간까지의 혈당 변화율, 및 기준 시간 혈당 변화율을 포함한다.
본 발명의 일 실시예에 따른 저혈당 예측 모델 생성 방법은 현재 혈당 관련 정보를 입력시켜 식후 저혈당 발생을 예측하는 저혈당 예측 모델을 생성하는 방법으로서, 저혈당 예측 모델 생성 장치에서 종래 혈당 관련 정보 및 그 식후 저혈당 발생 여부로 이루어진 트레이닝 데이터를 사용하여 학습시킨 머신 러닝 모델(machine learning model)을 생성하는 단계를 포함한다. 이때, 상기 종래 혈당 관련 정보는 기준 시간 혈당, 식사 시간에서부터 식후 피크 혈당 시간까지의 혈당 변화율, 식후 피크 혈당 시간에서부터 기준 시간까지의 혈당 변화율, 및 기준 시간 혈당 변화율을 포함한다.
본 발명의 일 실시예에 따른 저혈당 예측 모델 생성 프로그램은 상술한 저혈당 예측 모델 생성 방법에 따라 식후 저혈당 발생을 예측하는 모델을 생성하기 위해 매체에 기록된다.
상기와 같이 구성되는 본 발명의 일 실시예에 따른 저혈당 예측 장치, 방법 및 프로그램은 식후 저혈당 현상의 발생을 간편하면서도 높은 정확도로 사전에 예측할 수 있다.
또한, 본 발명의 일 실시예에 따른 저혈당 예측 모델 생성 장치, 방법 및 프로그램은 식후 저혈당 현상의 발생을 간편하면서도 높은 정확도로 사전에 예측할 수 있는 모델을 생성할 수 있다.
도 1은 식사 전후로 나타나는 혈당 변화의 그래프를 나타낸다.
도 2는 본 발명의 일 실시예에 따른 저혈당 예측 방법의 제1 실험에 따라 선정된 최적 성능 결정 트리 모델을 나타낸다.
도 3은 본 발명의 일 실시예에 따른 저혈당 예측 방법의 제2 실험에 따라 선정된 최적 성능 결정 트리 모델을 나타낸다.
도 4는 본 발명의 일 실시예에 따른 저혈당 예측 방법의 제3 실험에 따라 선정된 최적 성능 결정 트리 모델을 나타낸다.
도 5는 본 발명의 일 실시예에 따른 저혈당 예측 장치(10)의 블록 구성도를 나타낸다.
도 6은 본 발명의 일 실시예에 따른 저혈당 예측 모델 생성 장치(20)의 블록 구성도를 나타낸다.
[부호의 설명]
10 : 저혈당 예측 장치 11 : 제1 저장부
12 : 제1 제어부 13 : 제1 입력부
14 : 제1 출력부 15 : 제1 측정부
16 : 제1 통신부 20 : 저혈당 예측 모델 생성 장치
21 : 제2 저장부 22 : 제2 제어부
23 : 제2 입력부 24 : 제2 측정부
25 : 제2 통신부
본 발명의 상기 목적과 수단 및 그에 따른 효과는 첨부된 도면과 관련한 다음의 상세한 설명을 통하여 보다 분명해 질 것이며, 그에 따라 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다. 또한, 본 발명을 설명함에 있어서 본 발명과 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다.
또한, 본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며, 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 경우에 따라 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외의 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
본 명세서에서, “또는”, “적어도 하나” 등의 표현은 함께 나열된 단어들 중 하나를 나타내거나, 또는 둘 이상의 조합을 나타낼 수 있다. 예를 들어, “또는 B”“및 B 중 적어도 하나”는 A 또는 B 중 하나만을 포함할 수 있고, A와 B를 모두 포함할 수도 있다.
이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 일 실시예를 상세히 설명하도록 한다.
도 1은 식사 전후로 나타나는 혈당 변화의 그래프를 나타낸다.
본 발명의 일 실시예에 따른 저혈당 예측 방법은 '혈당 관련 정보'를 이용하여, 식사 이후에 발생 가능한 저혈당 현상을 예측하는 방법으로서, 저혈당 예측 장치에 의해 수행될 수 있다. 이하, 식사 이후에 발생하는 저혈당 현상을 “식후 저혈당”이라 지칭하도록 하겠다.
혈당 관련 정보는 연속 혈당 정보를 가공하여 생성될 수 있다. 연속 혈당 정보는 일정 시간 동안(예를 들어, 식사 시간부터 식사 이후 기준 시간까지 동안)에 연속 측정된 피검자의 혈당치에 대한 정보이다. 다만, '연속 측정'은 일정 시간 간격(예를 들어, 1초 내지 10분 중 어느 하나) 마다 또는 불규칙한 시간 간격 마다 측정되는 경우도 포함한다.
즉, 연속 혈당 정보는 다수의 혈당 정보를 포함한다. 이때, 각 혈당 정보는 「측정 시간」에 대한 정보 및 「해당 측정 시간에서 측정된 피검자의 혈당치」에 대한 정보를 포함한다. 예를 들어, 연속 혈당 정보는 n개(단, n은 2이상의 자연수)의 혈당 정보를 포함할 수 있다. 이때, 제1 혈당 정보는 최초 시간에 대한 혈당 정보이며, 제n 혈당 정보는 기준 시간에 대한 혈당 정보이다.
구체적으로, 혈당 관련 정보는, ①「기준 시간 혈당」, ②「식사 시간에서부터 식후 피크 혈당 시간까지의 혈당 변화율」, ③「식후 피크 혈당 시간에서부터 기준 시간까지의 혈당 변화율」, ④「기준 시간 혈당 변화율」을 포함한다.
「기준 시간 혈당」(GA)은 기준 시간(TA)에 측정된 피검자의 혈당치를 의미한다. 이때, '기준 시간'은 해당 혈당 관련 정보가 생성된 지점에 관련된 시간이다. 즉, 현재 시간을 기준으로 생성된 혈당 관련 정보(이하, “현재 혈당 관련 정보”라 지칭함)의 기준 시간은 현재 시간을 의미한다. 또한, 과거 시간을 기준으로 생성된 혈당 관련 정보(이하, “종래 혈당 관련 정보”라 지칭함)의 기준 시간은 해당 과거 시간을 의미한다. 다만, '현재 시간'은 정확한 현재 시간으로부터 일정 범위 내의 시간까지도 포함할 수 있다. 또한, '과거 시간'은 정확한 해당 과거 시간으로부터 일정 범위 내의 시간까지도 포함할 수 있다.
한편, 「기준 시간 혈당」은 기준 시간의 혈당 변화를 고려하기 위한 정보에 해당할 수 있다. 또한, 「기준 시간 혈당」은 식후 저혈당 발생의 예측 기준점으로 사용될 수 있는 정보에 해당할 수 있다. 이에 따라, 「기준 시간 혈당」은 후술할 결정 트리 모델(Decision Tree model)의 뿌리 마디(root node)에 반영될 수 있다.
「식사 시간(TB)에서부터 식후 피크 혈당 시간(TC)까지의 혈당 변화율」(S1)은, 「식사 시간에 측정된 피검자의 혈당치」(GB)와, 「식사 이후에 측정된 피검자의 혈당치들 중에 최대값을 갖는 혈당치」(GC)(이하, “식후 피크 혈당치"라 지칭함) 사이의 변화율([GC-GB]/[TC-TB])이다. 즉, 「식사 시간에서부터 식후 피크 혈당 시간까지의 혈당 변화율」은 식후에 발생할 수 있는 급격한 혈당 상승 현상을 고려하기 위한 정보에 해당할 수 있다. 다만, '식사 시간'은 정확한 식사 시간으로부터 일정 범위 내의 시간까지도 포함할 수 있다. 또한, '식사 시간'은 사용자의 입력에 의해 설정될 수 있으며, 혈당 추세로부터 유추되어 설정될 수도 있다. 또한, '식후 피크 혈당 시간'은 정확한 식후 최대 혈당치의 시간으로부터 일정 범위 내의 시간까지도 포함할 수 있다.
「식후 피크 혈당 시간(TC)에서부터 기준 시간(TA)까지의 혈당 변화율」(S2)은 「식후 피크 혈당치」(GC)와 「기준 시간에 측정된 피검자의 혈당치」(GA) 사이의 변화율([GC-GA]/[TA-TC])이다. 즉, 「식후 피크 혈당 시간에서부터 기준 시간까지의 혈당 변화율」은 식후 피크 혈당치 이후에 발생하는 혈당 하강 현상을 고려하기 위한 정보에 해당할 수 있다.
「기준 시간 혈당 변화율」은 「기준 시간으로부터 제1 시간 만큼 이전에 측정된 피검자의 혈당치」와 「기준 시간에 측정된 피검자의 혈당치」 사이의 변화율이다. 즉, 「기준 시간 혈당 변화율」은 기준 시간의 혈당 변화를 고려하기 위한 정보에 해당할 수 있다. 한편, 식후로 시간이 많이 흐른 경우에 「식후 피크 혈당 시간에서부터 기준 시간까지의 혈당 변화율」이 크게 변하지 않게 된다. 이에 따라, 「기준 시간 혈당 변화율」은 큰 변화가 없는 「식후 피크 혈당 시간에서부터 기준 시간까지의 혈당 변화율」을 보상하기 위한 정보에 해당할 수 있다.
이때, '제1 시간'은 기준 시간에 대한 순간 혈당 변화율이 도출될 수 있게 하는 정도의 시간 간격이다. 따라서, 제1 시간의 값은 기준 시간과 식후 피크 혈당 시간의 차이 값 보다 작다. 예를 들어, 제1 시간의 값은 제n 혈당 정보(기준 시간에 대한 혈당 정보)와 제n-1 혈당 정보(기준 시간 바로 직전 시간에 대한 혈당 정보)의 측정 시간의 차이 값일 수 있다. 즉, 제1 시간은 1초 내지 10분 중에 어느 하나일 수 있으나, 이에 한정되는 것은 아니다.
한편, 「기준 시간 혈당」 및 「기준 시간 혈당 변화율」만을 이용하여 저혈당 발생을 예측하는 기술(이하, “기타 예측 기술”이라 지칭함)이 있을 수 있다. 하지만, 기타 예측 기술의 경우, 2가지의 요소만을 이용하여 저혈당 발생을 예측하므로, 식후에 일어나는 급격한 혈당 변화의 상황을 반영할 수 없다. 따라서, 기타 예측 기술을 통해 식후 저혈당 발생을 예측할 경우에 그 정확도가 떨어질 수 있다. 「기준 시간 혈당」 및 「기준 시간 혈당 변화율」만 이용하여 저혈당 발생을 예측하는 실험(제1 비교 실험 및 제2 비교 실험) 및 그 결과에 대해서는 후술하도록 한다.
이에 반하여, 본 발명의 일 실시예에 따른 저혈당 예측 방법은 「기준 시간 혈당」과 「기준 시간 혈당 변화율」 외에도, 식후에 일어나는 급격한 혈당 변화의 상황을 반영하는 요소까지 이용하여 저혈당 발생을 예측한다. 즉, 「식사 시간에서부터 식후 피크 혈당 시간까지의 혈당 변화율」과 「식후 피크 혈당 시간에서부터 기준 시간까지의 혈당 변화율」는 식후에 일어나는 급격한 혈당 변화의 상황을 반영할 수 있다. 따라서, 본 발명의 일 실시예에 따른 저혈당 예측 방법은 높은 정확도로 식후 저혈당 발생을 예측할 수 있는 이점이 있다.
한편, 식후 저혈당의 발생은 식사 때에 주입 또는 복용되는 인슐린 또는 (경구용) 혈당 강하제와, 식사량에 의해 영향을 받을 수 있다. 이때, '식사 때'는 식전 일정 시간 내지 식후 일정 시간 중 어느 시간을 의미한다. 예를 들어, '식사 때'는 식전 30분 내지 식후 15분 중 어느 시간일 수 있으나, 이에 한정되는 것은 아니다.
하지만, 기타 예측 기술의 경우, 식사 때의 인슐린 주입 또는 혈당 강하제 복용에 따른 영향을 반영하지 않는다. 따라서, 식사 때에 인슐린 주입 또는 혈당 강하제 복용 후, 피크 혈당치가 예상보다 늦거나 낮은 경우나, 계산된 식사량 보다 더 많은 양의 인슐린 또는 혈당 강하제가 주입 또는 복용되는 경우에 식후 저혈당이 발생할 수 있으나, 기타 예측 기술로는 이를 예측하지 못한다.
이에 반하여, 「식사 시간에서부터 식후 피크 혈당 시간까지의 혈당 변화율」과 「식후 피크 혈당 시간에서부터 기준 시간까지의 혈당 변화율」은 식후의 급격한 혈당 변화를 반영하는 요소로서, 식사로 인한 혈당 변화뿐 아니라 인슐린 주입 또는 혈당 강하제 복용으로 인한 영향까지도 반영할 수 있다.
특히, 「식사 시간에서부터 식후 피크 혈당 시간까지의 혈당 변화율」은 식사의 양이 적거나 식사 시 탄수화물의 비중이 낮은 경우에 피크 혈당치가 낮아 인슐린 주입 또는 혈당 강하제 복용에 따른 식후 저혈당 발생 가능성이 높아지는 현상을 반영할 수 있다. 또한, 「식사 시간에서부터 식후 피크 혈당 시간까지의 혈당 변화율」은 피크 혈당치 이후로 혈당 하강이 급격할수록 인슐린 주입 또는 혈당 강하제 복용에 따른 저혈당 발생 가능성도 높아지는 현상을 반영할 수 있다. 따라서, 본 발명의 일 실시예에 따른 저혈당 예측 방법은 높은 정확도로 '인슐린 주입' 또는 '혈당 강하제 복용'에 따른 식후 저혈당 발생을 예측할 수 있는 이점이 있다.
한편, 본 발명의 일 실시예에 따른 저혈당 예측 방법은 식후로부터 연속해서 실시간으로 혈당 관련 정보를 생성할 수 있다. 이에 따라, 본 발명의 일 실시예에 따른 저혈당 예측 방법은 생성된 혈당 관련 정보를 이용하여 식후로부터 연속해서 실시간으로 식후 저혈당 발생을 예측할 수 있다. 다만, '연속해서 실시간으로 식후 저혈당 발생 예측'은 일정 시간 간격(예를 들어, 1초 내지 10분 중 어느 하나) 마다 또는 불규칙한 시간 간격 마다 식후 저혈당 발생을 예측하는 경우도 포함한다.
식후 저혈당은 식후에 바로 나타나지 않으며, 식후로부터 일정 시간이 지난 후(예를 들어, 식후 30분 이후)에 발생한다. 특히, 식후 저혈당이 발생한 후에 조치를 취하는 경우에 그 후유증이 남을 수 있고, 혈당을 상승시키기 위해서는 일정 시간이 필요하다. 즉, 식후 저혈당 발생이 예측될 경우, 식후 저혈당이 발생되기 일정 시간 전에 미리 조치를 취해야 한다. 또한, 저혈당 현상은 한번 발생하면 일정 시간(예를 들어, 최소 15분) 동안에 계속 지속된다.
따라서, 상술한 바와 같이, 식후로부터 일정 시간 후에 식후 저혈당이 발생하고 식후 저혈당 발생의 일정 시간 전에 식후 저혈당 예방 조치가 이루어져야 하며 일정 시간 동안 지속되는 저혈당 현상의 특징 내용을 반영하여, 본 발명의 일 실시예에 따른 저혈당 예측 방법은 기준 시간 이후 일정 시간 구간에서의 식후 저혈당 발생을 예측하는 것이 바람직할 수 있다.
예를 들어, 본 발명의 일 실시예에 따른 저혈당 예측 방법은 기준 시간 이후 30분 내지 45분 사이에 식후 저혈당 발생을 예측할 수 있다. 이 경우, 식후 식후로부터 연속해서 실시간으로 앞으로 30분 내지 45분 사이에 식후 저혈당 발생 여부를 예측한다. 이에 따라, 식후 저혈당 발생이 예측되더라도 최소 30분 가량의 충분한 대처 시간이 주어진다. 이와 같이 충분한 대처 시간이 주어짐에 따라, 본 발명의 일 실시예에 따른 저혈당 예측 방법은 식후 저혈당 발생 및 그 후유증을 미연에 방지할 수 있는 이점이 생길 수 있다. 즉, 저혈당 현상이 발생하는 경우, 포도당 캔디를 먹거나 수분 내에 혈당이 상승하는 음료를 마심으로 저혈당 현상을 극복하게 되는데, 30분이라면 혈당이 충분히 상승을 하여 저혈당 현상을 미리 방지할 수 있는 충분한 시간이 될 수 있다. 또한, 향후 30분 내지 45분 사이의 시간 구간에 대한 식후 저혈당을 예측함으로써, 한번 발생하면 최소 15분 동안 지속되는 식후 저혈당의 예측을 최대 45분까지로 늘려주는 이점이 생긴다.
다만, '기준 시간 이후 일정 시간 구간'이 30분 내지 45분인 것은 하나의 실시예에 불과하며, 본 발명의 일 실시예에 따른 저혈당 예측 방법이 이에 한정되는 것은 아니다.
특히, 본 발명의 일 실시예에 따른 저혈당 예측 방법은 머신 러닝 모델(machine learning model)(이하, “저혈당 예측 모델”이라 지칭함)을 이용하여 식후 저혈당 발생을 예측할 수 있다. 이때, 저혈당 예측 모델은 머신 러닝 기법으로 학습시킨 모델로서, 종래 혈당 관련 정보(입력값 또는 관측값) 및 그 식후 저혈당 발생 여부(출력값 또는 목표값)로 이루어진 트레이닝 데이터(training data)를 사용하여 지도 학습시킨 모델이다.
즉, 본 발명의 일 실시에에 따른 저혈당 예측 방법은 트레이닝 데이터를 통해 학습된 저혈당 예측 모델에 현재 혈당 관련 정보를 입력시킴으로써 식후 저혈당 발생을 예측할 수 있다. 예를 들어, 저혈당 예측 모델은 결정 트리(Decision tree) 기법을 이용한 결정 트리 모델(Decision tree model)이거나, 심층 학습(Deep learning) 기법을 이용한 심층 학습 모델(Deep learning model)일 수 있으나, 이에 한정되는 것은 아니다.
이하, 저혈당 예측 모델을 구현하는 실시예에 대해서 보다 상세하게 설명하도록 한다.
먼저, 저혈당 예측 모델이 결정 트리 모델인 경우의 구현 과정에 대해서 설명하도록 한다. 저혈당 예측 모델이 결정 트리 모델로 구현될 경우, 식후 저혈당 예측에 필요한 연산량이 작아 고속 연산이 가능할 뿐 아니라, 간단한 장치로도 식후 저혈당 발생을 예측할 수 있는 이점이 있다.
구체적으로, 결정 트리 모델 구현 과정은 제1 과정 내지 제3 과정을 포함할 수 있으며, 이들 과정의 내용은 다음과 같다.
1) 결정 트리 모델 구현 제1 과정 : 실험용 데이터 수집 과정
결정 트리 모델 구현 제1 과정은 실험용 데이터를 수집하는 과정이다. 즉, 결정 트리 모델을 구현을 위해, 우선적으로 트레이닝 데이터(training data) 및 테스트 데이터(test data)를 수집해야 한다. 이때, 트레이닝 데이터는 결정 트리 모델을 생성하기 위해 결정 트리 기법의 학습 데이터로 사용되는 데이터이며, 테스트 데이터는 학습 데이터를 통해 학습된 결정 트리 모델의 성능을 테스트하기 위해 사용되는 데이터이다. 이하, 트레이닝 데이터 및 테스트 데이터를 합쳐 “실험용 데이터”라 지칭하도록 한다.
실험용 데이터는, 종래 혈당 관련 정보와, 식후 저혈당 발생 여부 정보를 하나의 데이터 셋(data set)으로 포함하며, 복수개의 데이터 셋을 포함한다. 또한, 식후 저혈당 발생 여부 정보는 해당 종래 혈당 관련 정보와 관련된 피검자가 해당 과거 시간 이후로 식후 저혈당이 실제로 발생했는지에 대한 정보이다.
특히, 식후로부터 일정 시간 후에 식후 저혈당이 발생하고 식후 저혈당 발생의 일정 시간 전에 식후 저혈당 예방 조치가 이루어져야 하는 내용을 반영하기 위해, 식후 저혈당 발생 여부 정보는 해당 과거 시간 후로 일정 시간 구간(예를 들어, 30분 내지 45분)에서 식후 저혈당이 실제 발생했는지에 대한 정보일 수 있다.
2) 결정 트리 모델 구현 제2 과정 : 결정 트리 모델 형성
결정 트리 모델 구현 제2 과정은 결정 트리 모델을 형성하는 과정이다. 즉, 결정 트리 모델 구현 제1 과정 이후, 수집된 실험용 데이터 중 일부를 트레이닝 데이터로 구별하고, 나머지를 테스트 데이터로 구별한다. 이후, 구별된 트레이닝 데이터를 학습 데이터로 사용하여 결정 트리 알고리즘을 통해 지도 학습시켜, 입력값(또는 관측값)과 출력값(또는 목표값)을 연결시키는 결정 트리 모델을 형성한다. 이때, 트레이닝 데이터에서 종래 혈당 관련 정보가 입력값에 해당하며, 식후 저혈당 발생 여부 정보가 출력값에 해당한다. 예를 들어, 결정 트리 알고리즘으로는 ID3 (Iterative Dichotomiser 3), C4.5 (successor of ID3), C5.0 (successor of ID4), CART (Classification And Regression Tree), CHAID (CHi-squared Automatic Interaction Detector), MARS (Multivariate adaptive regression splines) 등을 사용할 수 있으나, 이에 한정되는 것은 아니다.
한편, 실험 특성 상, 수집된 실험용 데이터 중에서 식후 저혈당 발생의 데이터 수는 식후 저혈당 미발생의 데이터 수에 비해 적을 수밖에 없다. 이에 따라, 상대적으로 수가 적은 식후 저혈당 미발생의 데이터 수를 반영하여 결정 트리 모델을 형성할 수 있다. 예를 들어, 식후 저혈당 발생의 데이터 수와 식후 저혈당 미발생의 데이터 수에 대한 가중치(weight)를 반영하거나, 식후 저혈당 발생의 데이터 수를 오버샘플링(oversampling)하도록 테스트 데이터를 가공할 수 있으나, 이에 한정되는 것은 아니다.
3) 결정 트리 모델 구현 제3 과정 : 결정 트리 모델에 대한 성능 테스트
결정 트리 모델 구현 제3 과정은 형성된 결정 트리 모델에 대한 성능 테스트를 수행하는 과정이다. 즉, 결정 트리 모델 구현 제2 과정 이후, 테스트 데이터를 사용하여 형성된 결정 트리 모델에 대한 성능 테스트를 수행한다. 구체적으로, 테스트 데이터의 종래 혈당 관련 정보를 형성된 결정 트리 모델에 입력값으로 입력시킨다. 이후, 출력되는 식후 저혈당 발생 예측 결과와 해당 테스트 데이터의 식후 저혈당 발생 여부 정보를 비교한다. 테스트 성능의 평가 지수로는 Sensitivity, Specificity 및 Accuracy 중에서 선택된 어느 하나 이상일 수 있다.
성능 테스트 결과, 결정 트리 모델이 일정 이상의 성능을 가지는 경우, 해당 결정 트리 모델을 최적 성능 결정 트리 모델로 선택할 수 있다. 또한, 결정 트리 모델 구현 과정 2를 복수 회 수행하여 얻어진 복수의 결정 트리 모델 중에서 가장 높은 성능을 가지는 결정 트리 모델을 최적 성능 결정 트리 모델로 선택할 수 있다.
상술한 결정 트리 모델 구현 과정의 내용을 바탕으로 제1 실험 내지 제3 실험을 수행하였으며, 이들 실험의 결과 비교하기 위한 제1 비교 실험 내지 제5 비교 실험을 수행하였다. 이들 실험의 내용은 다음과 같다.
<제1 실험>
제1 실험은 특별한 시간 제한 없는 결정 트리 모델을 형성하는 실험으로서, 식후부터 연속해서 실시간으로 식후 피크 혈당을 찾고 해당 식후 피크 혈당 이후로 30분 내지 45분 구간에 대해 식후 저혈당 발생 여부를 예측하는 결정 트리 모델을 형성한다.
한편, 제1 실험은 인슐린 주입에 따른 식후 저혈당 발생 여부를 예측하는 결정 트리 모델을 형성하지만, 제1 실험의 과정 및 결과는 혈당 강하제 복용에 따른 식후 저혈당 발생 여부를 예측 하는 결정 트리 모델에도 동일하게 적용할 수 있다.
- 제1 실험의 결정 트리 모델 구현 제1 과정 관련 내용
제1 실험을 위해, 총 104명 환자(제1형 당뇨병 환자 : 52명, 제2형 당뇨병 환자 : 52명)에 대한 연속 혈당 정보를 연속혈당측정기(CGM : Continuous Glucose Monitoring)를 통해 5분 간격으로 측정하였다. 다만, 104명 중 3명에 대해 2번 중복 테스트함으로써, 총 107명 환자에 대한 연속 혈당 정보를 측정하였다. 실험 대상 환자들에 대해 정리한 내용은 아래의 표 1과 같다.
제1형 당뇨병 (52명) 제2형 당뇨병 (52명)
나이 (years) 40.0 (29.0-52.0) 63.5 (54.3-68.0)
성별 (남자 : 여자) 21 : 34 21 : 31
몸무게 (kg) 60.48 (52.35-69.41) 60.75 (54.60-70.37)
BMI (kg/㎡) 22.85 ± 3.26 24.60 ± 2.62
당뇨 기간 (years) 11.0 (6.0-18.0) 19.0 (13.3-25.0)
인슐린 치료(인슐린 치료 O : 인슐린 치료 X) 55 : 0 43 : 9
Insulin regimen(basal : intermediate-acting : premix : MDI : CSII) 3 : 1 : 6 : 44 : 1 20 : 3 : 11 : 9 : 0
하루 인슐린 주입량 (IU/day) 42.3 ± 17.7 28.6 ± 18.1
몸무게 당 하루 인슐린 주입량(IU/day/kg) 0.68 (0.53-0.82) 0.50 (0.30-0.60)
eGFR (ml/min/1.73 ㎡) 83.05 (71.98-96.95) 70.40 (51.30-82.50)
End stage renal disease [n (%)] 4 (7.3) 2 (3.8)
간경변 [n (%)] 2 (3.6) 0 (0.0)
Heart failure with reduced ejection fraction [n (%)] 0 (0.0) 1 (1.9)
췌장 절제 [n (%)] 2 (3.6) 0 (0.0)
습성 전염병 [n (%)] 0 (0.0) 1 (1.9)
임신 [n (%)] 1 (1.8) 0 (0.0)
헤모글로빈 A1c (%) 7.94 ± 1.13 8.31 ± 1.32
Fasting C-peptide (ng/mL) 0.02 (0.02-0.15) 1.46 (0.80-2.44)
상기 표 1에서, 'BMI'은 'body mass index', 'MDI'는 'multiple daily injections', 'CSII'는 'continuous subcutaneous insulin infusion', 'eGFR'는 'estimated glomerular filtration rate'를 나타낸다.
107명의 환자들로부터 측정된 연속 혈당 정보를 가공하여 종래 혈당 관련 정보를 추출하였다. 또한, 각 종래 혈당 관련 정보의 해당 과거 시간으로부터 30분 내지 45분 후에 식후 저혈당의 발생 여부를 체크하여 식후 저혈당 발생 여부 정보를 추출하였다. 이와 같이 추출된 종래 혈당 관련 정보 및 그 식후 저혈당 발생 여부 정보를 데이터 셋(data set)으로 하는 실험용 데이터를 수집하였다. 수집된 실험용 데이터들은 5분 간격의 시간 차이를 가진다. 이하, 이와 같이 수집된 실험용 데이터를 “제1 실험용 데이터”라 지칭하겠다.
특히, 제1 실험용 데이터의 종래 혈당 관련 정보 중에 「식사 시간에서부터 식후 피크 혈당 시간까지의 혈당 변화율」과, 「식후 피크 혈당 시간에서부터 기준 시간까지의 혈당 변화율」에 대해서는 식후부터 연속해서 실시간으로 식후 피크 혈당을 찾아 반영하였다.
한편, 짧은 시간 간격 내에 식사를 연이어서 한 경우, 즉 4시간 이내 제1식사 후 제2식사를 한 경우, 제1식사 때에 주입했던 인슐린이 제2식사 이후에도 영향을 미쳐 피크 혈당치가 발생하지 않을 수 있다. 이에 따라, 4시간 이내에 연속적인 식사를 한 경우는 실험 데이터에서 제외하였다.
- 제1 실험의 결정 트리 모델 구현 제2 과정 관련 내용
제1 실험에서 결정 트리 모델 구현 과정 2를 실험하기 위한 툴(tool)로 매틀랩(Matlab)을 사용하였다.
구체적으로, 수집된 제1 실험용 데이터의 70%를 무작위로 트레이닝 데이터로 구별하였으며, 나머지 30%를 테스트 데이터로 구별하였다. 즉, 과거 시간 순서로 나열된 제1 실험용 데이터에 대해 'randsample'의 매틀랩(Matlab) 함수를 사용하여 무작위 시간 순서로 섞은 후, 그 중 70%는 트레이닝 데이터로 구별하였으며, 나머지 30%는 테스트 데이터로 구별하였다. 이하, 이와 같이 구별된 트레이닝 데이터 및 테스트 데이터를 각각 “제1 구별 트레이닝 데이터” 및 “제1 구별 테스트 데이터”라 지칭하겠으며, 제1 구별 트레이닝 데이터 및 제1 구별 테스트 데이터를 합쳐 “제1 구별 실험용 데이터”라 지칭하겠다.
이후, 제1 구별 트레이닝 데이터를 기반으로 'fictree'의 매틀랩 함수를 사용하여 hyperparameter을 최적화하는 방법으로 트리(tree)를 형성한다. 이때, MinLeafSize라는 hyperparamter를 최적화하기 위해, cross-validation loss를 최적화 하는 방법으로 트리 모델을 형성하였다. 이와 같이 형성된 트리 모델은 가지치기가 되어 단순해진다.
이후, 모델의 성능 테스트를 평가하였다. 성능 테스트의 평가 지수로는 Sensitivity, Specificity 및 Accuracy 중에서 선택된 어느 하나 이상일 수 있다.
한편, 수집된 제1 실험용 데이터 중에서 식후 저혈당 발생의 데이터 수는 식후 저혈당 미발생의 데이터 수에 비해 약 1/10 정도가 되었다. 이에 따라, 결정 모델 형성 시에 아래와 같은 Misclassification cost matrix를 구성하여, 이를 반영한 매틀랩(Matlab) 함수를 사용하여 형성되는 결정 트리 모델의 깊이와 마디(node)의 개수를 최적화(optimization)할 수 있다.
예측 저혈당 현상 미발생 예측 저혈당 현상 발생
실제 저혈당 현상 미발생 0 1
실제 저혈당 현상 발생 10 0
- 제1 실험의 결정 트리 모델 구현 제3 과정 관련 내용결정 트리 모델 구현 과정 2를 10회 수행하였으며, 각 과정 마다 최적의 MinLeafSize를 찾는 방법을 통해 가장 높은 성능의 결정 트리 모델을 선별하였다. 선별된 10개의 결정 트리 모델에 대하여 제1 구별 테스트 데이터를 이용하여 그 성능 테스트를 수행하였다. 성능 테스트의 평가 지수로는 Sensitivity, Specificity 및 Accuracy 중에서 선택된 어느 하나 이상일 수 있다. 다만, 성능 테스트 결과, Sensitivity가 가장 높은 모델을 최적 성능 결정 트리 모델로 선정하였다. 이때, Sensitivity를 성능 테스트의 평가 지수로 선택한 이유는 다음과 같다.
즉, 당뇨병 환자 입장에서는 실제 식후 저혈당이 발생했지만 이를 예측하지 못한 경우(이하, “제1 경우”라 지칭함)가 실제 저혈당이 발생하지 않았지만 저혈당 현상 발생을 예측한 경우(이하, “제2 경우”라 지칭함)보다 더 위험한 경우에 해당한다. 이때, Sensitivity는 제1 경우의 발생을 줄이는데 참고할 수 성능 지수에 해당한다. 또한, Specificity 또는 Accuracy는 제2 경우의 발생을 줄이는데 참고할 수 있는 성능지수에 해당한다. 이에 따라, Specificity 또는 Accuracy 보다는 Sensitivity가 최적 성능 결정 트리 모델 선택을 위해 우선적으로 고려해야 할 성능 지수에 해당한다. 만일, 동일 또는 일정 오차 범위 내의 Sensitivity인 경우, Specificity 또는 Accuracy가 최적 성능 결정 트리 모델 선택을 위해 고려해야 할 성능 지수에 해당한다.
한편, Sensitivity는 다음의 식을 이용하여 계산한다.
Sensitivity = True positive / (True positive + False negative)
또한, Specificity는 다음의 공식을 이용하여 계산한다.
Specificity = True negative / (True negative + False positive)
또한, Accuracy는 다음의 공식을 이용하여 계산한다.
Accuracy = (True negative + True positive) / all events
이때, 'True positive'는 실제 저혈당이 발생했으며 저혈당 발생을 예측한 경우를 지칭한다. 'True nagative'는 실제 저혈당이 미발생했으며 저혈당 미발생을 예측한 경우를 지칭한다. 'False positive'는 실제 저혈당이 발생했으나 저혈당 미발생을 예측한 경우를 지칭한다. 'False negative'는 실제 저혈당이 미발생했으나 저혈당 발생을 예측한 경우를 지칭한다.
이하, 제1 실험을 통해 선정된 최적 성능 결정 트리 모델을 “제1 예측 모델”이라 지칭하겠다.
<제1 비교 실험>
제1 비교 실험은 제1 실험을 통해 선정된 제1 예측 모델의 성능을 비교하기 위한 비교 모델을 생성하는 실험이다. 제1 비교 실험은 제1 구별 실험용 데이터의 종래 혈당 관련 정보만 제외하고 그 외에는 제1 실험과 동일하다. 따라서, 이하에서는 제1 비교 실험의 종래 혈당 관련 정보에 대해서만 설명하고 나머지 설명을 생략하도록 한다.
구체적으로, 제1 비교 실험에서는 제1 구별 실험용 데이터의 종래 혈당 관련 정보 중에서 「식사 시간에서부터 식후 피크 혈당 시간까지의 혈당 변화율」 및 「식후 피크 혈당 시간에서부터 기준 시간까지의 혈당 변화율」을 제외하였다. 즉, 제1 비교 실험의 실험용 데이터의 종래 혈당 관련 정보로는 제1 구별 실험용 데이터의 종래 혈당 관련 정보 중에 「기준 시간 혈당」 및 「기준 시간 혈당 변화율」만이 이용되었다.
한편, 제1 비교 실험을 통해 최적 성능 결정 트리 모델을 선정하였다. 이하, 제1 비교 실험의 최적 성능 결정 트리 모델을 “제1 비교 모델”이라 지칭하겠다.
<제1 실험과 제1 비교 실험의 결과 비교>
도 2는 본 발명의 일 실시예에 따른 저혈당 예측 방법의 제1 실험에 따라 선정된 최적 성능 결정 트리 모델을 나타낸다.
제1 실험의 결과로 선정된 제1 예측 모델은 도 2와 같다. 다만, 도 2에서 'X1'은 「기준 시간 혈당」, 'X2'은 「식사 시간에서부터 식후 피크 혈당 시간까지의 혈당 변화율」, 'X3'은 「식후 피크 혈당 시간에서부터 기준 시간까지의 혈당 변화율」, 'X4'은 「기준 시간 혈당 변화율」을 각각 나타낸다. 또한, 도 2에서 'true'는 식후 저혈당 발생이 예측되는 경우를 나타내고, 'false'는 식후 저혈당 미발생이 예측되는 경우를 나타낸다.
한편, 제1 예측 모델과 제1 비교 모델에 대한 성능 테스트를 수행한 결과는 아래 표 3과 같다.
모델 종류 Sensitivity Specificity Accuracy 제1 경우 발생 횟수 (조건 1) 제1 경우 발생 횟수 (조건 2) 제1 경우 발생 횟수 (조건 3) 전체 제1 경우 발생 횟수 식후 저혈당 발생 전체 횟수
제1 예측 모델 92% 87% 87% 5 26 72 103(8%) 1363
제1 비교 모델 90% 87% 88% 17 32 98 147(11%) 1363
표 3에서, 제1 경우는 실제 식후 저혈당이 발생했지만 이를 예측하지 못한 경우에 해당하고, 조건 1은 혈당이 2.2 mmol/L 이하인 경우에 저혈당에 해당하는 조건이며, 조건 2는 혈당이 2.2 mmol/L 초과 내지 3.0 mmol/L 이하인 경우에 저혈당에 해당하는 조건이고, 조건 3은 혈당이 3.0 mmol/L 초과 내지 3.9 mmol/L 이하인 경우에 저혈당에 해당하는 조건이다.
즉, 성능 테스트 수행 결과, 제1 예측 모델은 제1 비교 모델에 비해, Sensitivity가 높았고 제1 경우 발생 횟수도 작아, 전체적으로 더 좋은 성능을 나타냈다. 특히, 저혈당 여부를 판단하는 조건이 더 엄격할수록(조건 3에서 조건 1으로 갈수록), 제1 예측 모델은 제1 비교 모델에 비해 더 좋은 성능을 나타냈다.
<제2 실험>
제2 실험은 통상적으로 식후 90분 내에 발생한다고 알려진 식후 피크 혈당에 대한 시간 제한의 내용을 반영한 결정 트리 모델을 형성하는 실험이다. 즉, 제2 실험은 식후 2시간 내의 구간에서 식후 피크 혈당을 찾고 그 이후로 30분 내지 45분 구간에 대해 식후 120분 내지 식후 210분까지 연속해서 실시간으로 식후 저혈당 발생 여부를 예측하는 결정 트리 모델을 형성한다.
한편, 제2 실험은 인슐린 주입에 따른 식후 저혈당 발생 여부를 예측하는 결정 트리 모델을 형성하지만, 제2 실험의 과정 및 결과는 혈당 강하제 복용에 따른 식후 저혈당 발생 여부를 예측 하는 결정 트리 모델에도 동일하게 적용할 수 있다.
- 제2 실험의 결정 트리 모델 구현 제1 과정 관련 내용
제2 실험은 제1 실험과 동일한 107명 환자에 대한 연속 혈당 정보를 이용한다. 즉, 제1 실험과 동일하게 107명의 환자들로부터 측정된 연속 혈당 정보를 가공하여 식후 120분 내지 식후 210분에 대한 종래 혈당 관련 정보를 추출하였다. 또한, 식후 2시간 이내의 연속 혈당 정보로부터 식후 피크 혈당을 찾은 후, 해당 시간으로부터 30분 내지 45분 후에 식후 저혈당의 발생 여부를 체크하여 식후 저혈당 발생 여부 정보를 추출하였다. 이와 같이 추출된 종래 혈당 관련 정보 및 그 식후 저혈당 발생 여부 정보를 데이터 셋(data set)으로 하는 실험용 데이터를 수집하였다. 수집된 실험용 데이터들은 5분 간격의 시간 차이를 가진다. 이하, 이와 같이 수집된 실험용 데이터를 “제2 실험용 데이터”라 지칭하겠다.
특히, 제2 실험용 데이터의 종래 혈당 관련 정보 중에 「식사 시간에서부터 식후 피크 혈당 시간까지의 혈당 변화율」과, 「식후 피크 혈당 시간에서부터 기준 시간까지의 혈당 변화율」에 대해서는 식후 2시간 내에서 식후 피크 혈당을 찾아 반영하였다.
- 제2 실험의 결정 트리 모델 구현 제2 과정 관련 내용
제2 실험에서 결정 트리 모델 구현 과정 2를 실험하기 위한 툴(tool)로 매틀랩(Matlab)을 사용하였다. 또한, 수집된 제2 실험용 데이터의 70%를 무작위로 트레이닝 데이터로 구별하였으며, 나머지 30%를 테스트 데이터로 구별하였다. 이하, 이와 같이 구별된 트레이닝 데이터 및 테스트 데이터를 각각 “제2 구별 트레이닝 데이터” 및 “제2 구별 테스트 데이터”라 지칭하겠으며, 제2 구별 트레이닝 데이터 및 제2 구별 테스트 데이터를 합쳐 “제2 구별 실험용 데이터”라 지칭하겠다.
이후, 제2 구별 트레이닝 데이터를 사용하여 결정 트리 모델을 형성하였으며, 트리 형성 내용은 제1 실험의 결정 트리 모델 구현 제2 과정 관련 내용에서 “제1 구별 트레이닝 데이터”를 “제2 구별 트레이닝 데이터”로, “제1 구별 테스트 데이터”를 “제2 구별 테스트 데이터”로, “제1 구별 실험용 데이터”를 “제2 실험용 데이터”로 치환하는 것과 전체 데이터의 저혈당 데이터의 수가 변화되어 Misclassification matrix cost의 값을 10:1에서 9:1로 변경한 것 외에는 동일하므로, 이하 이에 대한 상세한 설명은 생략하도록 한다.
- 제2 실험의 결정 트리 모델 구현 제3 과정 관련 내용
제2 실험의 결정 트리 모델 구현 제3 과정 관련 내용은 제1 실험의 결정 트리 모델 구현 제3 과정 관련 내용과 동일하므로, 이하 이에 대한 상세한 설명은 생략하도록 한다.
다만, 이하에서는 제2 실험을 통해 선정된 최적 성능 결정 트리 모델을 “제2 예측 모델”이라 지칭하겠다.
<제2 비교 실험>
제2 비교 실험은 제2 실험을 통해 선정된 제2 예측 모델의 성능을 비교하기 위한 비교 모델을 생성하는 실험이다. 제2 비교 실험은 제2 구별 실험용 데이터의 종래 혈당 관련 정보만 제외하고 그 외에는 제2 실험과 동일하다. 따라서, 이하에서는 제2 비교 실험의 종래 혈당 관련 정보에 대해서만 설명하고 나머지 설명을 생략하도록 한다.
구체적으로, 제2 비교 실험에서는 제2 구별 실험용 데이터의 종래 혈당 관련 정보 중에서 「식사 시간에서부터 식후 피크 혈당 시간까지의 혈당 변화율」 및 「식후 피크 혈당 시간에서부터 기준 시간까지의 혈당 변화율」을 제외하였다. 즉, 제2 비교 실험의 실험용 데이터의 종래 혈당 관련 정보로는 제2 구별 실험용 데이터의 종래 혈당 관련 정보 중에 「기준 시간 혈당」 및 「기준 시간 혈당 변화율」만이 이용되었다.
한편, 제2 비교 실험을 통해 최적 성능 결정 트리 모델을 선정하였다. 이하, 제2 비교 실험의 최적 성능 결정 트리 모델을 “제2 비교 모델”이라 지칭하겠다.
< 제2 실험과 제2 비교 실험의 결과 비교>
도 3은 본 발명의 일 실시예에 따른 저혈당 예측 방법의 제2 실험에 따라 선정된 최적 성능 결정 트리 모델을 나타낸다.
제2 실험의 결과로 선정된 제2 예측 모델은 도 3과 같다. 다만, 도 3에서 'X1'은 「식후 피크 혈당 시간에서부터 기준 시간까지의 혈당 변화율」, 'X2'은 「기준 시간 혈당」, 'X3'은 「식사 시간에서부터 식후 피크 혈당 시간까지의 혈당 변화율」, 'X4'은 「기준 시간 혈당 변화율」을 각각 나타낸다. 또한, 도 3에서 'true'는 식후 저혈당 발생이 예측되는 경우를 나타내고, 'false'는 식후 저혈당 미발생이 예측되는 경우를 나타낸다.
한편, 제2 예측 모델과 제2 비교 모델에 대한 성능 테스트를 수행한 결과는 아래 표 4와 같다.
모델 종류 Sensitivity Specificity Accuracy 제1 경우 발생 횟수 (조건 1) 제1 경우 발생 횟수 (조건 2) 제1 경우 발생 횟수 (조건 3) 전체 제1 경우 발생 횟수 식후 저혈당 발생 전체 횟수
제2 예측 모델 93% 86% 87% 2 6 19 24(7%) 365
제2 비교 모델 90% 88% 88% 5 9 23 37(10%) 365
표 4에서, 제1 경우는 실제 식후 저혈당이 발생했지만 이를 예측하지 못한 경우에 해당하고, 조건 1은 혈당이 2.2 mmol/L 이하인 경우에 저혈당에 해당하는 조건이며, 조건 2는 혈당이 2.2 mmol/L 초과 내지 3.0 mmol/L 이하인 경우에 저혈당에 해당하는 조건이고, 조건 3은 혈당이 3.0 mmol/L 초과 내지 3.9 mmol/L 이하인 경우에 저혈당에 해당하는 조건이다.
즉, 성능 테스트 수행 결과, 제2 예측 모델은 제2 비교 모델에 비해, Sensitivity가 높았고 제1 경우 발생 횟수도 작아, 전체적으로 더 좋은 성능을 나타냈다. 특히, 저혈당 여부를 판단하는 조건이 더 엄격할수록(조건 3에서 조건 1으로 갈수록), 제2 예측 모델은 제2 비교 모델에 비해 더 좋은 성능을 나타냈다.
<제1 실험과 제2 실험의 결과 비교>
한편, 실험 대상 환자들의 실험용 데이터를 확인해본 결과, 식후 2시간 이내에 저혈당 현상이 발생하는 경우가 있었다. 제2 예측 모델의 경우, 식후 2시간 내의 식후 피크 혈당을 찾아 식후 2시간 이후의 저혈당 발생 여부를 예측하므로, 식후 2시간 이내에 발생하는 저혈당 현상을 예측할 수 없다.
이에 반하여, 제1 예측 모델은 식후부터 연속해서 실시간으로 식후 피크 혈당을 찾아 식후 저혈당 발생 여부를 예측하므로, 식후 2시간 이내에 발생하는 저혈당 현상을 예측할 수 있다. 즉, 제1 예측 모델은 식후에 바로 발생하는 식후 저혈당도 예측할 수 있으므로, 제1 예측 모델이 제2 예측 모델에 비해 더 적합한 모델이라 할 수 있다.
제1 예측 모델은 「기준 시간 혈당」의 일정 값을 기준으로 입력값을 분류하는 뿌리 마디(root node)를 포함한다. 또한, 제1 예측 모델은 복수의 제1 중간 마디(first intermediate node), 복수의 제2 중간 마디(second intermediate node) 등을 포함한다. 이때, 뿌리 마디는 입력값에 대한 분류를 시작하는 마디이다. 또한, 제1 중간 마디는 뿌리 마디로부터 분기된 첫째 마디이다. 제2 중간 마디는 뿌리 마디로부터 분기된 둘째 마디로서, 제1 중간 마디로부터 분기된 마디이다.
제1 예측 모델의 뿌리 마디는, 도 2에 도시된 바와 같이, 기준 시간 혈당이 5.95 mmol/L 인지 여부에 따라 2개의 제1 중간 마디로 입력값을 분류할 수 있다.
또한, 어느 한 제1 중간 마디는 「식후 피크 혈당 시간에서부터 기준 시간까지의 혈당 변화율」의 일정 값을 기준으로 입력값을 분류할 수 있다. 다른 한 제1 중간 마디는 「기준 시간 혈당」의 다른 일정 값(뿌리 마디에서의 값과 다른 값)을 기준으로 분류할 수 있다.
즉, 어느 한 제1 중간 마디는, 도 2에 도시된 바와 같이, 「식후 피크 혈당 시간에서부터 기준 시간까지의 혈당 변화율」이 0.0681366인지 여부에 따라 2개의 제2 중간 마디(second intermediate node)로 입력값을 분류할 수 있다. 또한, 다른 한 제1 중간 마디는 「기준 시간 혈당」이 4.65 mmol/L 미만이면 식후 저혈당이 발생(true)하는 것으로 예측하고, 4.65 mmol/L 이상이면 다른 제2 중간 마디로 입력값을 분류할 수 있다.
<제3 실험>
제3 실험은 제1 실험과 동일한 실험 과정을 다시 수행하는 실험으로서, 제1 실험과 동일한 제1 실험용 데이터를 사용한다. 다만, 제3 실험에서는 제1 실험용 데이터를 무작위로 70%를 트레이닝 데이터로, 나머지 30%를 테스트 데이터로 다시 구별한다. 따라서, 제3 실험에서 구별된 실험용 데이터는 제1 실험의 제1 구별 실험용 데이터와 달라, 그 성능 테스트 결과도 제1 실험과 달라진다. 이하, 제3 실험에 의해 구별된 트레이닝 데이터 및 테스트 데이터를 각각 “제3 구별 트레이닝 데이터” 및 “제3 구별 테스트 데이터”라 지칭하겠으며, 제3 구별 트레이닝 데이터 및 제3 구별 테스트 데이터를 합쳐 “제3 구별 실험용 데이터”라 지칭하겠다.
제3 실험은 제1 실험에서 “제1 구별 트레이닝 데이터”를 “제3 구별 트레이닝 데이터”로, “제1 구별 테스트 데이터”를 “제3 구별 테스트 데이터”로, “제1 구별 실험용 데이터”를 “제3 실험용 데이터”로 치환하는 것과, 전체 트리를 형성한 후에 10-fold cross validation을 통해서 cross-validation loss가 가장 작아지는 트리의 레벨로 가지치기를 한 것 외에는 동일하므로, 이하 이에 대한 상세한 설명은 생략하도록 한다.
다만, 이하에서는 제3 실험을 통해 선정된 최적 성능 결정 트리 모델을 “제3 예측 모델”이라 지칭하겠다.
<제3 비교 실험 내지 제5 비교 실험>
제3 비교 실험 내지 제5 비교 실험은 제3 실험을 통해 선정된 제3 예측 모델의 성능을 비교하기 위한 비교 모델을 각각 생성하는 실험이다. 제3 비교 실험 내지 제5 비교 실험은 제3 구별 실험용 데이터의 종래 혈당 관련 정보만 제외하고 그 외에는 제3 실험과 동일하다. 따라서, 이하에서는 제3 비교 실험 내지 제5 비교 실험 각각의 종래 혈당 관련 정보에 대해서만 설명하고 나머지 설명을 생략하도록 한다.
구체적으로, 제3 비교 실험에서는 제3 실험용 데이터의 종래 혈당 관련 정보 중에서 「식사 시간에서부터 식후 피크 혈당 시간까지의 혈당 변화율」 및 「식후 피크 혈당 시간에서부터 기준 시간까지의 혈당 변화율」을 제외하였고, 「기준 시간으로부터 제1 시간만큼 이전에 측정된 피검자의 혈당치」를 추가하였다. 즉, 제3 비교 실험의 실험용 데이터의 종래 혈당 관련 정보로는 「기준 시간 혈당」, 「기준 시간 혈당 변화율」 및 「기준 시간으로부터 제1 시간만큼 이전에 측정된 피검자의 혈당치」이 이용되었다. 이때, 「기준 시간으로부터 제1 시간만큼 이전에 측정된 피검자의 혈당치」는 연속 혈당 정보가 5분 간격으로 측정되므로, 「기준 시간 혈당」 시간의 5분전 혈당치이다.
제4 비교 실험에서는 제3 실험용 데이터의 종래 혈당 관련 정보 중에서 「식사 시간에서부터 식후 피크 혈당 시간까지의 혈당 변화율」 및 「기준 시간 혈당 변화율」을 제외하였다. 즉, 제4 비교 실험의 실험용 데이터의 종래 혈당 관련 정보로는 「기준 시간 혈당」 및 「식후 피크 혈당 시간에서부터 기준 시간까지의 혈당 변화율」이 이용되었다.
제5 비교 실험에서는 제3 실험용 데이터의 종래 혈당 관련 정보 중에서 「식사 시간에서부터 식후 피크 혈당 시간까지의 혈당 변화율」을 제외하였다. 즉, 제4 비교 실험의 실험용 데이터의 종래 혈당 관련 정보로는 「기준 시간 혈당」, 「식후 피크 혈당 시간에서부터 기준 시간까지의 혈당 변화율」 및 「기준 시간 혈당 변화율」이 이용되었다.
한편, 제3 비교 실험 내지 제5 비교 실험을 통해 최적 성능 결정 트리 모델을 선정하였다. 이하, 제3 비교 실험 내지 제5 비교 실험의 최적 성능 결정 트리 모델을 각각 “제3 비교 모델”, “제4 비교 모델” 및 “제5 비교 모델”이라 지칭하겠다.
<제3 실험과, 제3 비교 실험 내지 제5 비교 실험의 결과 비교>
도 4는 본 발명의 일 실시예에 따른 저혈당 예측 방법의 제3 실험에 따라 선정된 최적 성능 결정 트리 모델을 나타낸다.
제3 실험의 결과로 선정된 제3 예측 모델은 도 4와 같다. 다만, 도 4에서 'X1'은 「기준 시간 혈당」, 'X2'은 「식사 시간에서부터 식후 피크 혈당 시간까지의 혈당 변화율」, 'X3'은 「식후 피크 혈당 시간에서부터 기준 시간까지의 혈당 변화율」, 'X4'은 「기준 시간 혈당 변화율」을 각각 나타낸다.
한편, 제3 예측 모델과, 제3 비교 모델 내지 제5 비교 모델에 대한 성능 테스트를 수행한 결과는 아래 표 5와 같다.
모델 종류 Sensitivity Specificity Accuracy 제1 경우 발생 횟수 (조건 1) 제1 경우 발생 횟수 (조건 2) 제1 경우 발생 횟수 (조건 3) 전체 제1 경우 발생 횟수 식후 저혈당 발생 전체 횟수
제3 예측 모델 92.1% 86.9% 87.4% 5 16 82 103 1304
제3 비교 모델 89.1% 87.7% 87.9% 12 23 107 142 1304
제4 비교 모델 89.9% 86.9% 87.1% 8 23 101 133 1304
제5 비교 모델 90.3% 88% 88.2% 7 19 100 126 1304
표 5에서, 제1 경우는 실제 식후 저혈당이 발생했지만 이를 예측하지 못한 경우에 해당하고, 조건 1은 혈당이 2.2 mmol/L 이하인 경우에 저혈당에 해당하며, 조건 2는 혈당이 2.2 mmol/L 초과 내지 3.0 mmol/L 이하인 경우에 저혈당에 해당하고, 조건 3은 혈당이 3.0 mmol/L 초과 내지 3.9 mmol/L 이하인 경우에 저혈당에 해당한다.
즉, 성능 테스트 수행 결과, 제3 예측 모델은 제3 비교 모델 내지 제5 비교 모델에 비해, Sensitivity가 높았고 제1 경우 발생 횟수도 작아, 전체적으로 더 좋은 성능을 나타냈다. 특히, 저혈당 여부를 판단하는 조건이 더 엄격할수록(조건 3에서 조건 1으로 갈수록), 제3 예측 모델은 제3 비교 모델 내지 제5 비교 모델에 비해 더 좋은 성능을 나타냈다.
제3 예측 모델은 「기준 시간 혈당」의 일정 값을 기준으로 입력값을 분류하는 뿌리 마디(root node)를 포함한다. 또한, 제3 예측 모델은 복수의 제1 중간 마디(first intermediate node), 복수의 제2 중간 마디(second intermediate node) 등을 포함한다. 제3 예측 모델의 뿌리 마디는, 도 4에 도시된 바와 같이, 기준 시간 혈당이 5.95 mmol/L 인지 여부에 따라 제1 중간 마디로 입력값을 분류할 수 있다.
또한, 제3 예측 모델의 어느 한 제1 중간 마디는 「식후 피크 혈당 시간에서부터 기준 시간까지의 혈당 변화율」의 일정 값을 기준으로 입력값을 분류할 수 있다. 또한, 제3 예측 모델의 다른 한 제1 중간 마디는 「기준 시간 혈당」의 다른 일정 값(뿌리 마디에서의 값과 다른 값)을 기준으로 분류할 수 있다.
즉, 제3 예측 모델의 어느 한 제1 중간 마디는, 도 4에 도시된 바와 같이, 「식후 피크 혈당 시간에서부터 기준 시간까지의 혈당 변화율」이 0.0721241인지 여부에 따라 2개의 제2 중간 마디로 입력값을 분류할 수 있다. 또한, 제3 예측 모델의 다른 한 제1 중간 마디는 「기준 시간 혈당」이 4.65 mmol/L 미만이면 식후 저혈당이 발생(true)하는 것으로 예측하고, 4.65 mmol/L 이상이면 다른 제2 중간 마디로 입력값을 분류할 수 있다.
다음으로, 저혈당 예측 모델이 심층 학습 모델인 경우의 구현 과정에 대해서 설명하도록 한다.
구체적으로, 심층 학습 모델의 구현 과정은 제1 과정 내지 제3 과정을 포함할 수 있으며, 이들 과정의 내용은 다음과 같다.
1) 심층 학습 모델 구현 제1 과정 : 실험용 데이터 수집 과정
심층 학습 모델 구현 제1 과정은 실험용 데이터를 수집하는 과정이다. 다만, 심층 학습 모델 구현 제1 과정은 결정 트리 모델 구현 제1 과정의 내용에서 “결정 트리 모델”을 “심층 학습 모델”로 치환하는 것 외에는 동일하므로, 이하 이에 대한 상세한 설명은 생략하도록 한다.
2) 심층 학습 모델 구현 제2 과정 : 심층 학습 모델 형성
심층 학습 모델 구현 제2 과정은 심층 학습 모델을 형성하는 과정이다. 즉, 심층 학습 모델 구현 제1 과정 이후, 수집된 실험용 데이터 중 일부를 트레이닝 데이터로 구별하고, 나머지를 테스트 데이터로 구별한다. 이후, 구별된 트레이닝 데이터를 학습 데이터로 사용하여 심층 학습 알고리즘을 통해 지도 학습시켜, 입력값(또는 관측값)과 출력값(또는 목표값) 간의 연결 함수인 심층 학습 모델을 형성한다. 이때, 트레이닝 데이터에서 종래 혈당 관련 정보가 입력값에 해당하며, 식후 저혈당 발생 여부 정보가 출력값에 해당한다. 예를 들어, 심층 학습 알고리즘으로는 DNN(Deep Neural Network), RNN(Recurrent Neural Network), CNN(Convolutional Neural Network), DBN(Deep Belief Network) 등을 사용할 수 있으나, 이에 한정되는 것은 아니다.
한편, 실험 특성 상, 수집된 실험용 데이터 중에서 식후 저혈당 발생의 데이터 수는 식후 저혈당 미발생의 데이터 수에 비해 적을 수밖에 없다. 이에 따라, 상대적으로 수가 적은 식후 저혈당 미발생의 데이터 수를 반영하여 심층 학습 모델을 형성할 수 있다. 예를 들어, 식후 저혈당 발생의 데이터 수와 식후 저혈당 미발생의 데이터 수에 대한 가중치(weight)를 반영하거나, 식후 저혈당 발생의 데이터 수를 오버샘플링(oversampling)하도록 테스트 데이터를 가공할 수 있으나, 이에 한정되는 것은 아니다.
3) 심층 학습 신경망 구현 제3 과정 : 심층 학습 모델에 대한 테스트
심층 학습 신경망 구현 제3 과정은 형성된 심층 학습 모델에 대한 성능 테스트를 수행하는 과정이다. 다만, 심층 학습 모델 구현 제3 과정은 결정 트리 모델 구현 제3 과정의 내용에서 “결정 트리 모델”을 “심층 학습 모델”로 치환하는 것 외에는 동일하므로, 이하 이에 대한 상세한 설명은 생략하도록 한다.
이하, 본 발명의 일 실시예에 따른 저혈당 예측 모델 생성 방법에 대하여 설명하도록 한다.
본 발명의 일 실시예에 따른 저혈당 예측 모델 생성 방법은 저혈당 예측 모델을 생성하는 방법으로서, 저혈당 예측 모델 생성 장치에 의해 수행될 수 있다.
구체적으로, 본 발명의 일 실시예에 따른 저혈당 예측 모델 생성 방법은 종래 혈당 관련 정보 및 그 식후 저혈당 발생 여부로 이루어진 트레이닝 데이터를 사용하여 학습시킨 머신 러닝 모델(machine learning model)을 생성하는 단계를 포함한다.
특히, 본 발명의 일 실시예에 따른 저혈당 예측 모델 생성 방법은 인슐린 주입 또는 혈당 강하제 복용에 따른 식후 저혈당 발생을 예측하는 저혈당 예측 모델을 생성할 수 있다.
또한, 본 발명의 일 실시예에 따른 저혈당 예측 모델 생성 방법은 일정 주기 마다, 선택된 주기 마다, 또는 실시간으로 이미 생성된 머신 러닝 모델을 업데이트하는 단계를 더 포함할 수 있다.
다만, 저혈당 예측 모델(머신 러닝 모델) 및 그 생성 과정에 대해서는 본 발명의 일 실시예에 따른 저혈당 예측 방법에서 상술하였으므로, 이하 이에 대한 상세한 설명은 생략하도록 한다.
이하, 본 발명의 일 실시예에 따른 저혈당 예측 장치에 대해서 설명하도록 한다.
본 발명의 일 실시예에 따른 저혈당 예측 장치는 도 1 내지 도 4에 따라 상술한 본 발명의 일 실시예에 따른 저혈당 예측 방법을 수행하는 장치로서, 혈당 관련 정보를 이용하여 식후 저혈당 발생을 예측하는 장치이다. 특히, 본 발명의 일 실시예에 따른 저혈당 예측 장치는 인슐린 주입 또는 혈당 강하제 복용에 따른 식후 저혈당 발생을 예측할 수 있다.
한편, 본 발명의 일 실시예에 따른 저혈당 예측 장치는 혈당 관련 정보를 직접 생성하거나, 다른 장치로부터 전달 받을 수 있다. 혈당 관련 정보를 직접 생성하는 경우, 본 발명의 일 실시예에 따른 저혈당 예측 장치는 연속 혈당 정보가 필요하다. 이때, 본 발명의 일 실시예에 따른 저혈당 예측 장치는 연속 혈당 정보를 직접 측정하거나, 다른 장치로부터 전달 받을 수 있다. 예를 들어, 연속 혈당 정보를 측정하는 장치는 연속혈당측정기(CGM: Continuous Glucose Monitoring)일 수 있다. 즉, 본 발명의 일 실시예에 따른 저혈당 예측 장치는 연속혈당측정기를 포함하거나, 연속혈당측정기와 연결될 수 있으나, 이에 한정되는 것은 아니다.
예를 들어, 본 발명의 일 실시예에 따른 저혈당 예측 장치는 인슐린 펌프(insulin pump), 연속혈당측정기(CGM), 인슐린 펌프와 연속혈당측정기의 복합 장치, 인공췌장 장치, 웨어러블(wearable) 장치, 및 휴대용 단말기 중 어느 하나일 수 있다.
인슐린 펌프는 체내에 인슐린을 주입하는 장치이다. 예를 들어, 인슐린 펌프는 주입 유니트 및 본체를 포함할 수 있다. 이때, 주입 유니트는 사용자의 피부에 삽입되는 니들(needle) 및 니들과 본체 사이를 연결하는 연결부를 포함할 수 있다. 또한, 본체는 사용자의 벨트, 옷 등에 착용되어 인슐린 주입을 제어할 수 있다. 즉, 본체는 니들을 통해 사용자의 체내로 일정량의 인슐린을 지속적으로 주입하거나 사용자의 설정에 따라 식사량에 따른 인슐린을 체내로 주입할 수 있다.
본 발명의 일 실시예에 따른 저혈당 예측 장치가 인슐린 펌프인 경우, 인슐린 펌프는 다른 장치로부터 전달 받은 연속 혈당 정보를 가공함으로써 혈당 관련 정보를 직접 생성하거나, 다른 장치로부터 혈당 관련 정보를 전달 받을 수 있다.
연속혈당측정기는 연속 혈당 정보를 실시간으로 측정하는 장치이다. 예를 들어, 연속혈당측정기는 혈당 센서, 송신부 및 본체를 포함할 수 있다. 이때, 혈당 센서는 체내에 삽입/부착되어 사용자의 현재 혈당을 실시간으로 측정할 수 있다. 또한, 송신부는 혈당 센서에서 측정된 사용자의 혈당값을 유/무선으로 본체에 송신할 수 있다. 본체는 송신부로부터 수신한 사용자의 현재 혈당치를 저장하며, 현재 혈당과 혈당 변화 추세를 표시할 수 있다. 혈당이 너무 높거나 낮은 경우, 본체는 사용자에게 경고 신호를 송출할 수 있다.
본 발명의 일 실시예에 따른 저혈당 예측 장치가 연속혈당측정기인 경우, 연속혈당측정기는 연속 혈당 정보를 직접 측정 및 가공함으로써 혈당 관련 정보를 생성할 수 있다.
인슐린 펌프와 연속혈당측정기의 복합 장치는 상술한 인슐린과 연속혈당측정기를 함께 포함하는 장치이다. 다만, 인슐린 펌프와 연속혈당측정기의 복합 장치는 하나의 본체에서 인슐린 펌프의 본체와 연속혈당측정기의 본체 기능을 수행할 수 있다.
본 발명의 일 실시예에 따른 저혈당 예측 장치가 인슐린 펌프와 연속혈당측정기의 복합 장치인 경우, 인슐린 펌프와 연속혈당측정기의 복합 장치는 연속 혈당 정보를 직접 측정 및 가공함으로써 혈당 관련 정보를 생성할 수 있다.
인공췌장 장치는 췌장의 기능을 대신하는 인공장기 장치이다. 즉, 인공췌장 장치는 혈당을 연속적으로 측정할 수 있으며, 측정된 혈당 수치에 따라 자동적으로 필요한 만큼의 인슐린을 체내로 주입할 수 있다. 예를 들어, 인공췌장 장치는 혈당 센서, 인슐린 주입부 및 제어부를 포함할 수 있다. 이때, 혈당 센서는 체내에 삽입/부착되어 사용자의 현재 혈당을 실시간으로 측정할 수 있다. 또한, 인슐린 주입부는 인슐린을 체내로 주입할 수 있다. 제어부는 연속 혈당 정보를 기반으로 필요한 만큼의 인슐린이 주입되도록 제어할 수 있다.
본 발명의 일 실시예에 따른 저혈당 예측 장치가 인공췌장 장치인 경우, 인공췌장 장치는 연속 혈당 정보를 직접 측정 및 가공함으로써 혈당 관련 정보를 생성할 수 있다.
웨어러블 장치는 신체 일부에 접촉, 부착, 착용, 또는 삽입되는 단말기이다. 예를 들어, 웨어러블 장치는 전자 장갑, 전자 안경, 전자 의복, 전자 팔찌, 전자 목걸이, 전자 앱세서리(appcessory), 스마트 와치(smart watch), 스마트 글라스(smart glass) 또는 스마트 패치(smart patch) 등일 수 있으나, 이에 한정되는 것은 아니다.
본 발명의 일 실시예에 따른 저혈당 예측 장치가 웨어러블 장치인 경우, 웨어러블 장치는 다른 장치로부터 전달 받은 연속 혈당 정보를 가공함으로써 혈당 관련 정보를 직접 생성하거나, 다른 장치로부터 혈당 관련 정보를 전달 받을 수 있다.
휴대 단말기는 사용자에 의해 휴대 가능한 단말기이다. 예를 들어, 휴대 단말기는 휴대폰(mobile phone), 스마트 폰(smartphone), 스마트 패드(smartpad), 태블릿 PC(tablet personal computer), 화상전화기, 전자북 리더기(e-book reader), 랩탑 컴퓨터(laptop personal computer), 넷북 컴퓨터(netbook computer), PDA(personal digital assistant), PMP(portable multimedia player) 등일 수 있으나, 이에 한정되는 것은 아니다.
본 발명의 일 실시예에 따른 저혈당 예측 장치가 휴대 단말기인 경우, 휴대 단말기는 다른 장치로부터 전달 받은 연속 혈당 정보를 가공함으로써 혈당 관련 정보를 직접 생성하거나, 다른 장치로부터 혈당 관련 정보를 전달 받을 수 있다.
도 5는 본 발명의 일 실시예에 따른 저혈당 예측 장치(10)의 블록 구성도를 나타낸다.
본 발명의 일 실시예에 따른 저혈당 예측 장치(10)는, 도 5에 도시된 바와 같이, 제1 저장부(11) 및 제1 제어부(12)를 포함할 수 있다. 또한, 본 발명의 일 실시예에 따른 저혈당 예측 장치(10)는 제1 입력부(13), 제1 출력부(14), 제1 측정부(15), 또는 제1 통신부(16)를 추가로 포함할 수 있다.
제1 저장부(11)는 식후 저혈당 예측에 필요한 다양한 정보를 저장한다. 예를 들어, 제1 저장부(11)는 연속 혈당 정보, 혈당 관련 정보, 머신 러닝 알고리즘 정보 등을 저장할 수 있다. 또한, 제1 저장부(11)는 도 1 내지 도 4에 따라 상술한 본 발명의 일 실시예에 따른 저혈당 예측 방법에 대한 제어 프로그램을 저장할 수 있다. 또한, 제1 저장부(11)는 학습된 저혈당 예측 모델(예를 들어, 상술한 제1 예측 모델 내지 제3 예측 모델 중 어느 하나)을 저장할 수 있다.
예를 들어, 제1 저장부(11)는 그 유형에 따라 하드디스크 타입(hard disk type), 마그네틱 매체 타입(magnetic media type), CD-ROM(compact disc read only memory), 광기록 매체 타입(Optical Media type), 자기-광 매체 타입(magneto-optical media type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 플래시 메모리 타입(flash memory type), 롬 타입(read only memory type), 또는 램 타입(random access memory type) 등일 수 있으나, 이에 한정되는 것은 아니다. 또한, 제1 저장부(11)는 그 용도/위치에 따라 캐시(cache), 버퍼, 주기억장치, 보조기억장치, 또는 별도로 마련된 저장 시스템일 수 있으나, 이에 한정되는 것은 아니다.
제1 제어부(12)는 제1 저장부(11)에 저장된 정보를 이용하여 도 1 내지 도 4에 따라 상술한 본 발명의 일 실시예에 따른 저혈당 예측 방법의 수행을 제어할 수 있다. 또한, 제1 제어부(12)는 연속 혈당 정보의 측정, 또는 혈당 관련 정보의 생성을 제어할 수 있다. 다만, 제1 제어부(12)가 수행하는 저혈당 예측 방법은 상술하였으므로, 이하 이에 대한 상세한 설명은 생략하도록 한다.
특히, 제1 제어부(12)는 제1 입력부(13), 제1 출력부(14), 제1 측정부(15), 또는 제1 통신부(16)를 제어할 수 있다. 즉, 제1 제어부(12)는 제1 저장부(11)로부터 특정 정보를 읽거나 제1 저장부(11)에 특정 정보를 저장하도록 제어할 수 있다. 또한, 제1 제어부(12)는 제1 입력부(13)에 수신된 입력 정보를 전달 받을 수 있으며, 제1 출력부(14)를 통해 출력 신호가 출력되도록 제어할 수 있다.
또한, 제1 제어부(12)는 제1 측정부(15)에서 측정된 연속 혈당 정보를 제1 저장부(11)에 저장하도록 제어할 수 있으며, 연속 혈당 정보를 이용하여 혈당 관련 정보를 생성해 제1 저장부(11)에 저장하도록 제어할 수 있다. 또한, 제1 제어부(12)는 제1 통신부(16)를 통해 특정 정보가 전송되도록 제어하거나, 제1 통신부(16)에 수신된 특정 정보를 전달 받을 수 있다.
제1 입력부(13)는 다양한 입력 명령을 사용자로부터 입력 받는다. 특히, 제1 입력부(13)는 본 발명의 일 실시예에 따른 저혈당 예측 장치(10)가 혈당 관련 정보를 직접 생성하는 경우에 구비될 수 있다. 이 경우, 제1 입력부(13)는 사용자로부터 식사 시간을 입력 받아 제1 제어부(12)로 전달한다. 예를 들어, 제1 입력부(13)는 버튼 형태, 접촉 형태 등 다양한 형태로 이루어질 수 있으나, 이에 한정되는 것은 아니다.
제1 출력부(14)는 다양한 출력 신호를 사용자에게 전달한다. 출력 신호는 시각 신호, 소리 신호, 또는 촉각 신호 등일 수 있다. 특히, 제1 출력부(14)는 제1 제어부(12)에서 수행한 식후 저혈당 예측 결과의 출력 신호를 사용자에게 전달할 수 있다. 예를 들어, 제1 출력부(14)는 디스플레이, 스피커, 또는 촉감 액츄에이터(actuator) 등일 수 있으나, 이에 한정되는 것은 아니다.
제1 측정부(15)는 연속 혈당 정보를 실시간으로 측정하는 구성이다. 특히, 제1 측정부(15)는 본 발명의 일 실시예에 따른 저혈당 예측 장치(10)가 연속 혈당 정보를 직접 측정하는 경우에 구비될 수 있다. 제1 측정부(15)는 측정된 연속 혈당 정보를 제1 제어부(12)로 전달할 수 있다.
제1 통신부(16)는 다른 장치와 특정 정보를 송수신한다. 특히, 제1 통신부(16)는 본 발명의 일 실시예에 따른 저혈당 예측 장치(10)가 혈당 관련 정보를 직접 생성하지 않는 경우에 구비될 수 있다. 이 경우, 제1 통신부(16)는 다른 장치로부터 혈당 관련 정보를 수신하여 제1 제어부(12)로 전달할 수 있다.
또한, 제1 통신부(16)는 본 발명의 일 실시예에 따른 저혈당 예측 장치(10)가 연속 혈당 정보를 직접 측정하지 않되 혈당 관련 정보를 직접 생성하는 경우에 구비될 수 있다. 이 경우, 제1 통신부(16)는 다른 장치로부터 연속 혈당 정보를 수신하여 제1 제어부(12)로 전달할 수 있다.
제1 통신부(16)는 통신망에 연결되는 유선 통신 모듈 또는 무선 통신 모듈을 포함한다. 예를 들어, 유선 통신 모듈로는 LANs(Local Area Networks) 모듈, WANs(Wide Area Networks) 모듈, MANs(Metropolitan Area Networks) 모듈, 또는 ISDNs(Integrated Service Digital Networks) 모듈 등일 수 있으나, 이에 한정되는 것은 아니다. 또한, 무선 통신 모듈로는 와이파이(WiFi) 모듈, 블루투스(bluetooth) 모듈, 지그비(ZIGBEE) 모듈, 이동통신 모듈, 또는 위성 통신 모듈 등일 수 있으나, 이에 한정되는 것은 아니다.
이하, 본 발명의 일 실시예에 따른 저혈당 예측 모델 생성 장치에 대해서 설명하도록 한다.
본 발명의 일 실시예에 따른 저혈당 예측 모델 생성 장치는 상술한 본 발명의 일 실시예에 따른 저혈당 예측 모델 생성 방법을 수행하는 장치로서, 저혈당 예측 모델을 생성하는 장치이다.
구체적으로, 본 발명의 일 실시예에 따른 저혈당 예측 모델 생성 장치는 종래 혈당 관련 정보 및 그 식후 저혈당 발생 여부로 이루어진 트레이닝 데이터를 사용하여 학습시킨 머신 러닝 모델(machine learning model)을 생성한다.
특히, 본 발명의 일 실시예에 따른 저혈당 예측 모델 생성 장치는 인슐린 주입 또는 혈당 강하제 복용에 따른 식후 저혈당 발생을 예측하는 저혈당 예측 모델을 생성할 수 있다.
다만, 저혈당 예측 모델(머신 러닝 모델) 및 그 생성 과정에 대해서는 본 발명의 일 실시예에 따른 저혈당 예측 방법에서 상술하였으므로, 이하 이에 대한 상세한 설명은 생략하도록 한다.
한편, 본 발명의 일 실시예에 따른 저혈당 예측 모델 생성 장치는 혈당 관련 정보를 직접 생성하거나, 다른 장치로부터 전달 받을 수 있다. 혈당 관련 정보를 직접 생성하는 경우, 본 발명의 일 실시예에 따른 저혈당 예측 모델 생성 장치는 연속 혈당 정보가 필요하다. 이때, 본 발명의 일 실시예에 따른 저혈당 예측 모델 생성 장치는 연속 혈당 정보를 직접 측정하거나, 다른 장치로부터 전달 받을 수 있다. 예를 들어, 연속 혈당 정보를 측정하는 장치는 연속혈당측정기(CGM: Continuous Glucose Monitoring)일 수 있다. 즉, 본 발명의 일 실시예에 따른 저혈당 예측 모델 생성 장치는 연속혈당측정기를 포함하거나, 연속혈당측정기와 연결될 수 있으나, 이에 한정되는 것은 아니다.
또한, 본 발명의 일 실시예에 따른 저혈당 예측 모델 생성 장치는 일정 주기 마다, 선택된 주기 마다, 또는 실시간으로 이미 생성된 저혈당 예측 모델을 업데이트할 수 있다.
예를 들어, 본 발명의 일 실시예에 따른 저혈당 예측 모델 생성 장치는 인슐린 펌프(insulin pump), 연속혈당측정기(CGM), 인슐린 펌프와 연속혈당측정기의 복합 장치, 인공췌장 장치, 웨어러블(wearable) 장치, 휴대용 단말기 및 서버 중 어느 하나일 수 있다. 이때, 서버를 제외한 나머지 장치는 본 발명의 일 실시예에 따른 저혈당 예측 장치(10)에서 상술하였으므로, 이하 이에 대한 설명은 생략하도록 한다.
서버는 생성되거나 업데이트된 저혈당 예측 모델을 자신에게 접속된 단말기로 전송한다. 즉, 서버는 일정 주기 마다, 선택된 주기 마다, 또는 실시간으로 생성되거나 업데이트된 저혈당 예측 모델을 단말기로 전송할 수 있다. 예를 들어, 서버에 접속하는 단말기는 본 발명의 일 실시예에 따른 저혈당 예측 장치(10)일 수 있으나, 이에 한정되는 것은 아니다.
도 6은 본 발명의 일 실시예에 따른 저혈당 예측 모델 생성 장치(20)의 블록 구성도를 나타낸다.
본 발명의 일 실시예에 따른 저혈당 예측 모델 생성 장치(20)는, 도 6에 도시된 바와 같이, 제2 저장부(21) 및 제2 제어부(22)를 포함할 수 있다. 또한, 본 발명의 일 실시예에 따른 저혈당 예측 모델 장치(20)는 제2 입력부(23), 제2 측정부(24), 또는 제2 통신부(25)를 추가로 포함할 수 있다.
제2 저장부(21)는 저혈당 예측 모델을 생성하거나 업데이트하는데 필요한 다양한 정보를 저장한다. 예를 들어, 제2 저장부(21)는 연속 혈당 정보, 혈당 관련 정보, 머신 러닝 알고리즘 정보 등을 저장할 수 있다. 또한, 제2 저장부(21)는 상술한 본 발명의 일 실시예에 따른 저혈당 예측 모델 생성 방법에 대한 제어 프로그램을 저장할 수 있다. 또한, 제2 저장부(21)는 생성되거나 업데이트된 저혈당 예측 모델을 저장할 수 있다.
예를 들어, 제2 저장부(21)는 그 유형에 따라 하드디스크 타입(hard disk type), 마그네틱 매체 타입(magnetic media type), CD-ROM(compact disc read only memory), 광기록 매체 타입(Optical Media type), 자기-광 매체 타입(magneto-optical media type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 플래시 메모리 타입(flash memory type), 롬 타입(read only memory type), 또는 램 타입(random access memory type) 등일 수 있으나, 이에 한정되는 것은 아니다. 또한, 제2 저장부(21)는 그 용도/위치에 따라 캐시(cache), 버퍼, 주기억장치, 보조기억장치, 또는 별도로 마련된 저장 시스템일 수 있으나, 이에 한정되는 것은 아니다.
제2 제어부(22)는 제2 저장부(21)에 저장된 정보를 이용하여 상술한 본 발명의 일 실시예에 따른 저혈당 예측 모델 생성 방법의 수행을 제어할 수 있다. 또한, 제2 제어부(22)는 연속 혈당 정보의 측정, 또는 혈당 관련 정보의 생성을 제어할 수 있다. 다만, 제2 제어부(22)가 수행하는 저혈당 예측 모델 생성 방법은 상술하였으므로, 이하 이에 대한 상세한 설명은 생략하도록 한다.
특히, 제2 제어부(22)는 제2 입력부(23), 제2 측정부(24), 또는 제2 통신부(25)를 제어할 수 있다. 즉, 제2 제어부(22)는 제2 저장부(21)로부터 특정 정보를 읽거나 제2 저장부(21)에 특정 정보를 저장하도록 제어할 수 있다. 또한, 제2 제어부(22)는 제2 입력부(23)에 수신된 입력 정보를 전달 받을 수 있다.
또한, 제2 제어부(22)는 제2 측정부(24)에서 측정된 연속 혈당 정보를 제2 저장부(21)에 저장하도록 제어할 수 있으며, 연속 혈당 정보를 이용하여 혈당 관련 정보를 생성해 제2 저장부(21)에 저장하도록 제어할 수 있다. 또한, 제2 제어부(22)는 제2 통신부(25)를 통해 특정 정보가 전송되도록 제어하거나, 제2 통신부(25)에 수신된 특정 정보를 전달 받을 수 있다.
제2 입력부(23)는 다양한 입력 명령을 사용자로부터 입력 받는다. 특히, 제2 입력부(23)는 본 발명의 일 실시예에 따른 저혈당 예측 모델 생성 장치(20)가 혈당 관련 정보를 직접 생성하는 경우에 구비될 수 있다. 이 경우, 제2 입력부(23)는 사용자로부터 식사 시간을 입력 받아 제2 제어부(22)로 전달한다. 예를 들어, 제2 입력부(23)는 버튼 형태, 접촉 형태 등 다양한 형태로 이루어질 수 있으나, 이에 한정되는 것은 아니다.
제2 측정부(24)는 연속 혈당 정보를 실시간으로 측정하는 구성이다. 특히, 제2 측정부(24)는 본 발명의 일 실시예에 따른 저혈당 예측 모델 생성 장치(20)가 연속 혈당 정보를 직접 측정하는 경우에 구비될 수 있다. 제2 측정부(24)는 측정된 연속 혈당 정보를 제2 제어부(22)로 전달할 수 있다.
제2 통신부(25)는 다른 장치와 특정 정보를 송수신한다. 특히, 제2 통신부(25)는 본 발명의 일 실시예에 따른 저혈당 예측 모델 생성 장치(20)가 혈당 관련 정보를 직접 생성하지 않는 경우에 구비될 수 있다. 이 경우, 제2 통신부(25)는 다른 장치로부터 혈당 관련 정보를 수신하여 제2 제어부(22)로 전달할 수 있다.
또한, 제2 통신부(25)는 본 발명의 일 실시예에 따른 저혈당 예측 모델 생성 장치(20)가 연속 혈당 정보를 직접 측정하지 않되 혈당 관련 정보를 직접 생성하는 경우에 구비될 수 있다. 이 경우, 제2 통신부(25)는 다른 장치로부터 연속 혈당 정보를 수신하여 제2 제어부(22)로 전달할 수 있다.
제2 통신부(25)는 통신망에 연결되는 유선 통신 모듈 또는 무선 통신 모듈을 포함한다. 예를 들어, 유선 통신 모듈로는 LANs(Local Area Networks) 모듈, WANs(Wide Area Networks) 모듈, MANs(Metropolitan Area Networks) 모듈, 또는 ISDNs(Integrated Service Digital Networks) 모듈 등일 수 있으나, 이에 한정되는 것은 아니다. 또한, 무선 통신 모듈로는 와이파이(WiFi) 모듈, 블루투스(bluetooth) 모듈, 지그비(ZIGBEE) 모듈, 이동통신 모듈, 또는 위성 통신 모듈 등일 수 있으나, 이에 한정되는 것은 아니다.
한편, 본 발명의 일 실시예에 저혈당 예측 프로그램은 상술한 본 발명의 일 실시예에 따른 저혈당 예측 방법에 따라 식후 저혈당 발생을 예측하기 위해 매체에 저장된 프로그램이다. 또한, 본 발명의 일 실시예에 저혈당 예측 모델 생성 프로그램은 상술한 본 발명의 일 실시예에 따른 저혈당 예측 모델 생성 방법에 따라 식후 저혈당 발생을 예측하는 모델을 생성하기 위해 매체에 저장된 프로그램이다. 즉, 저혈당 예측 프로그램 및 저혈당 예측 모델 생성 프로그램은 컴퓨터 또는 이와 유사한 장치로 읽을 수 있는 기록 매체 내에 기록될 수 있다.
예를 들어, 기록 매체는 하드디스크 타입(hard disk type), 마그네틱 매체 타입(magnetic media type), CD-ROM(compact disc read only memory), 광기록 매체 타입(Optical Media type), 자기-광 매체 타입(magneto-optical media type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 플래시 메모리 타입(flash memory type), 롬(read only memory; ROM), 램(random access memory; RAM), 또는 이들의 조합으로 구성된 메모리로 이루어지는 버퍼, 주기억장치, 또는 보조기억장치일 수 있으나, 이에 한정되는 것은 아니다.
또한, 상기 프로그램은, 입력장치에 인터넷(Internet), 인트라넷(Intranet), LAN(Local Area Network), WLAN(Wide LAN), 또는 SAN(Storage Area Network) 등과 같은 통신 네트워크, 또는 이들의 조합으로 구성된 통신 네트워크를 통하여 접근(access)할 수 있는 저장 장치(storage device)에 저장될 수 있다.
본 발명의 상세한 설명에서는 구체적인 실시 예에 관하여 설명하였으나 본 발명의 범위에서 벗어나지 않는 한도 내에서 여러 가지 변형이 가능함은 물론이다. 그러므로 본 발명의 범위는 설명된 실시 예에 국한되지 않으며, 후술되는 특허청구의 범위 및 이 특허청구의 범위와 균등한 것들에 의해 정해져야 한다.
본 발명은 식후 저혈당 현상의 발생을 간편하면서도 높은 정확도로 사전에 예측할 수 있는 저혈당 예측 장치, 방법 및 프로그램에 관한 것이므로 산업상 이용가능성이 있다.
또한, 본 발명은 식후 저혈당 현상의 발생을 간편하면서도 높은 정확도로 사전에 예측할 수 있는 모델을 생성하는 저혈당 예측 모델 생성 장치, 방법 및 프로그램에 관한 것이므로 산업상 이용가능성이 있다.

Claims (19)

  1. 혈당 관련 정보를 이용하여 식후 저혈당 발생을 예측하는 저혈당 예측 장치로서,
    상기 혈당 관련 정보는 기준 시간 혈당, 식사 시간에서부터 식후 피크 혈당 시간까지의 혈당 변화율, 식후 피크 혈당 시간에서부터 기준 시간까지의 혈당 변화율, 및 기준 시간 혈당 변화율을 포함하는 것을 특징으로 하는 저혈당 예측 장치.
  2. 제1항에 있어서,
    인슐린 주입 또는 혈당 강하제 복용에 따른 식후 저혈당 발생을 예측하는 것을 특징으로 하는 저혈당 예측 장치.
  3. 제1항에 있어서,
    기 저장된 머신 러닝 모델(machine learning model)에 현재 혈당 관련 정보를 입력시켜 식후 저혈당 발생을 예측하며,
    상기 머신 러닝 모델은 종래 혈당 관련 정보 및 그 식후 저혈당 발생 여부로 이루어진 트레이닝 데이터를 사용하여 학습된 것을 특징으로 하는 저혈당 예측 장치.
  4. 제3항에 있어서,
    상기 머신 러닝 모델은 결정 트리 모델(Decision tree model)이거나 심층 학습 모델(Deep learning model)인 것을 특징으로 하는 저혈당 예측 장치.
  5. 제3항에 있어서,
    상기 머신 러닝 모델은 결정 트리 모델(Decision Tree model)이며, 그 뿌리 마디(root node)는 기준 시간 혈당의 일정 값을 기준으로 분류하는 것을 특징으로 하는 저혈당 예측 장치.
  6. 제3항에 있어서,
    상기 결정 트리 모델은 복수의 제1 중간 마디(first intermediate node)를 포함하되,
    어느 한 제1 중간 마디는 식후 피크 혈당 시간에서부터 기준 시간까지의 혈당 변화율의 일정 값을 기준으로 분류하는 것을 특징으로 하는 저혈당 예측 장치.
  7. 제1항에 있어서,
    기준 시간 이후 일정 시간 구간에서의 식후 저혈당 발생을 예측하는 것을 특징으로 하는 저혈당 예측 장치.
  8. 제1항에 있어서,
    연속 혈당 정보를 측정 및 가공함으로써 혈당 관련 정보를 생성하거나,
    다른 장치로부터 전달 받은 연속 혈당 정보를 가공함으로써 혈당 관련 정보를 생성하거나,
    다른 장치로부터 혈당 관련 정보를 전달 받는 것을 특징으로 하는 저혈당 예측 장치.
  9. 제1항에 있어서,
    상기 혈당 관련 정보는 실시간으로 갱신되는 것을 특징으로 하는 저혈당 예측 장치.
  10. 제1항에 있어서,
    인슐린 펌프, 연속혈당측정기, 인슐린 펌프와 연속혈당측정기의 복합 장치, 인공췌장 장치, 웨어러블 장치, 및 휴대용 단말기 중 어느 하나인 것을 특징으로 하는 저혈당 예측 장치.
  11. 제1항에 있어서,
    다른 장치로부터 전달 받은 연속 혈당 정보를 가공함으로써 혈당 관련 정보를 생성하거나 다른 장치로부터 혈당 관련 정보를 전달 받으며,
    인슐린 펌프, 웨어러블 장치, 및 휴대용 단말기 중 어느 하나인 것을 특징으로 하는 저혈당 예측 장치.
  12. 제1항에 있어서,
    연속 혈당 정보를 측정 및 가공함으로써 혈당 관련 정보를 생성하며,
    연속혈당측정기, 인슐린 펌프와 연속혈당측정기의 복합 장치, 및 인공췌장 장치 중 어느 하나인 것을 특징으로 하는 저혈당 예측 장치.
  13. 저혈당 예측 장치에서 혈당 관련 정보를 이용하여 식후 저혈당 발생을 예측하는 단계를 포함하며,
    상기 혈당 관련 정보는 기준 시간 혈당, 식사 시간에서부터 식후 피크 혈당 시간까지의 혈당 변화율, 식후 피크 혈당 시간에서부터 기준 시간까지의 혈당 변화율, 및 기준 시간 혈당 변화율을 포함하는 것을 특징으로 하는 저혈당 예측 방법.
  14. 제13항에 있어서,
    인슐린 주입 또는 혈당 강하제 복용에 따른 식후 저혈당 발생을 예측하는 것을 특징으로 하는 저혈당 예측 방법.
  15. 제13항에 있어서,
    종래 혈당 관련 정보 및 그 식후 저혈당 발생 여부로 이루어진 트레이닝 데이터를 사용하여 학습된 머신 러닝 모델(machine learning model)을 저장한 저혈당 예측 장치에서 현재 혈당 관련 정보를 머신 러닝 모델에 입력시켜 식후 저혈당 발생을 예측하는 단계를 더 포함하는 것을 특징으로 하는 저혈당 예측 방법.
  16. 제13항 내지 제15항 중 어느 한 항에 따른 저혈당 예측 방법에 따라 식후 저혈당 발생을 예측하기 위해 매체에 기록된 저혈당 예측 프로그램.
  17. 현재 혈당 관련 정보를 입력시켜 식후 저혈당 발생을 예측하는 저혈당 예측 모델을 생성하는 장치로서,
    상기 저혈당 예측 모델은 종래 혈당 관련 정보 및 그 식후 저혈당 발생 여부로 이루어진 트레이닝 데이터를 사용하여 학습된 머신 러닝 모델(machine learning model)이며,
    상기 종래 혈당 관련 정보는 기준 시간 혈당, 식사 시간에서부터 식후 피크 혈당 시간까지의 혈당 변화율, 식후 피크 혈당 시간에서부터 기준 시간까지의 혈당 변화율, 및 기준 시간 혈당 변화율을 포함하는 것을 특징으로 하는 저혈당 예측 모델 생성 장치.
  18. 현재 혈당 관련 정보를 입력시켜 식후 저혈당 발생을 예측하는 저혈당 예측 모델을 생성하는 방법으로서,
    저혈당 예측 모델 생성 장치에서 종래 혈당 관련 정보 및 그 식후 저혈당 발생 여부로 이루어진 트레이닝 데이터를 사용하여 학습시킨 머신 러닝 모델(machine learning model)을 생성하는 단계를 포함하며,
    상기 종래 혈당 관련 정보는 기준 시간 혈당, 식사 시간에서부터 식후 피크 혈당 시간까지의 혈당 변화율, 식후 피크 혈당 시간에서부터 기준 시간까지의 혈당 변화율, 및 기준 시간 혈당 변화율을 포함하는 것을 특징으로 하는 저혈당 예측 모델 생성 방법.
  19. 제18항에 따른 저혈당 예측 모델 생성 방법에 따라 식후 저혈당 발생을 예측하는 모델을 생성하기 위해 매체에 기록된 저혈당 예측 모델 생성 프로그램.
PCT/KR2018/009512 2017-08-21 2018-08-20 저혈당 예측 장치, 방법 및 프로그램과, 저혈당 예측 모델 생성 장치, 방법 및 프로그램 WO2019039808A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US16/605,272 US11389117B2 (en) 2017-08-21 2018-08-20 Apparatus, method, and program for predicting hypoglycemia, and apparatus, method, and program for generating hypoglycemia prediction model

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020170105570A KR102003667B1 (ko) 2017-08-21 2017-08-21 저혈당 예측 장치, 방법 및 프로그램과, 저혈당 예측 모델 생성 장치, 방법 및 프로그램
KR10-2017-0105570 2017-08-21

Publications (1)

Publication Number Publication Date
WO2019039808A1 true WO2019039808A1 (ko) 2019-02-28

Family

ID=65439172

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2018/009512 WO2019039808A1 (ko) 2017-08-21 2018-08-20 저혈당 예측 장치, 방법 및 프로그램과, 저혈당 예측 모델 생성 장치, 방법 및 프로그램

Country Status (3)

Country Link
US (1) US11389117B2 (ko)
KR (1) KR102003667B1 (ko)
WO (1) WO2019039808A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3902462A4 (en) * 2019-03-19 2022-03-02 Samsung Electronics Co., Ltd. ELECTRONIC DEVICE AND METHOD FOR REPORTING BIOMETRIC INFORMATION BY AN ELECTRONIC DEVICE

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102547325B1 (ko) * 2019-12-19 2023-06-23 연세대학교 원주산학협력단 연속혈당 측정기와 심전도 기반의 저혈당 예측 시스템 및 그 제어방법
KR102416715B1 (ko) * 2020-11-04 2022-07-05 한국항공대학교산학협력단 피크혈당 값을 이용한 혈당 예측 방법 및 음식 제안 시스템
CN113080949B (zh) * 2021-03-30 2023-09-22 北京京东拓先科技有限公司 低血糖预警方法及装置、计算机可存储介质
EP4074256A1 (en) * 2021-04-16 2022-10-19 Jean Neol Gouze Detection of prolonged postprandial hyperglycemia, glycemic peak linear prediction and insulin delivery adjustment
CA3227393A1 (en) * 2021-08-18 2023-02-23 Marzia CESCON System and method for predicting blood-glucose concentration
WO2024123016A1 (ko) * 2022-12-05 2024-06-13 삼성전자 주식회사 혈당 모니터링 방법 및 이를 지원하는 전자 장치

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020106709A1 (en) * 2000-08-18 2002-08-08 Potts Russell O. Methods and devices for prediction of hypoglycemic events
JP2004286452A (ja) * 2003-03-19 2004-10-14 Toto Ltd 尿糖検査装置
KR20120047841A (ko) * 2009-02-26 2012-05-14 몰 리서치 어플리케이션스 엘티디 당뇨병 관련 치료의 자동 감시를 위한 방법 및 시스템
JP2012181804A (ja) * 2011-03-03 2012-09-20 Seiko Epson Corp 血糖値予測方法および血糖値予測システム
JP2015142665A (ja) * 2014-01-31 2015-08-06 セイコーエプソン株式会社 血糖値測定装置及び血糖値測定方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003082098A2 (en) * 2002-03-22 2003-10-09 Cygnus, Inc. Improving performance of an analyte monitoring device
US20070016449A1 (en) * 2005-06-29 2007-01-18 Gary Cohen Flexible glucose analysis using varying time report deltas and configurable glucose target ranges
US9119529B2 (en) * 2012-10-30 2015-09-01 Dexcom, Inc. Systems and methods for dynamically and intelligently monitoring a host's glycemic condition after an alert is triggered
US9814389B2 (en) * 2013-12-31 2017-11-14 Senseonics, Incorporated Continuous analyte monitoring system
CN111968737B (zh) * 2014-04-10 2024-04-19 德克斯康公司 血糖紧迫性评估和警告界面
US11896803B2 (en) * 2014-12-22 2024-02-13 Medicus Engineering Aps Electrocardiogram (ECG) electrodes having bio-potential electrodes
US20160328990A1 (en) * 2015-05-07 2016-11-10 Dexcom, Inc. System and method for educating users, including responding to patterns
US20170053552A1 (en) * 2015-08-21 2017-02-23 Medtronic Minimed, Inc. Management and prioritization of the delivery of glycemic insight messages
US10293108B2 (en) * 2015-08-21 2019-05-21 Medtronic Minimed, Inc. Infusion devices and related patient ratio adjustment methods
JP6943877B2 (ja) * 2016-05-02 2021-10-06 デックスコム・インコーポレーテッド ユーザのために最適化された警告を提供するためのシステム及び方法
US10861591B2 (en) * 2016-12-21 2020-12-08 Medtronic Minimed, Inc. Infusion systems and methods for pattern-based therapy adjustments

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020106709A1 (en) * 2000-08-18 2002-08-08 Potts Russell O. Methods and devices for prediction of hypoglycemic events
JP2004286452A (ja) * 2003-03-19 2004-10-14 Toto Ltd 尿糖検査装置
KR20120047841A (ko) * 2009-02-26 2012-05-14 몰 리서치 어플리케이션스 엘티디 당뇨병 관련 치료의 자동 감시를 위한 방법 및 시스템
JP2012181804A (ja) * 2011-03-03 2012-09-20 Seiko Epson Corp 血糖値予測方法および血糖値予測システム
JP2015142665A (ja) * 2014-01-31 2015-08-06 セイコーエプソン株式会社 血糖値測定装置及び血糖値測定方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3902462A4 (en) * 2019-03-19 2022-03-02 Samsung Electronics Co., Ltd. ELECTRONIC DEVICE AND METHOD FOR REPORTING BIOMETRIC INFORMATION BY AN ELECTRONIC DEVICE

Also Published As

Publication number Publication date
KR102003667B1 (ko) 2019-07-25
US20200170578A1 (en) 2020-06-04
US11389117B2 (en) 2022-07-19
KR20190020516A (ko) 2019-03-04

Similar Documents

Publication Publication Date Title
WO2019039808A1 (ko) 저혈당 예측 장치, 방법 및 프로그램과, 저혈당 예측 모델 생성 장치, 방법 및 프로그램
WO2018131939A1 (en) Electronic device and method for providing guide information based on genetic information
WO2018182217A1 (en) Method for adaptive authentication and electronic device supporting the same
WO2016018083A1 (en) Wearable device and method of operating the same
WO2015147383A1 (en) Mobile terminal and method of controlling the same
WO2017043857A1 (ko) 어플리케이션 제공 방법 및 이를 위한 전자 기기
WO2019107741A1 (ko) 복수의 센서를 이용한 착용 감지 방법 및 이를 구현한 전자 장치
EP3533212A1 (en) Electronic device and operating method thereof
WO2017131384A1 (en) Electronic device and control method thereof
WO2018009029A1 (en) Electronic device and operating method thereof
WO2018217066A1 (ko) 생체 정보를 측정하는 전자 장치와 이의 동작 방법
WO2016068589A1 (en) Glucose measuring apparatus and method
WO2013085193A1 (ko) 사용자 인지 향상 장치 및 그 인지 향상 방법
WO2020189930A1 (en) Electronic device and method for notification of biometric information by electronic device
EP3852626A1 (en) Electronic device and method for obtaining information regarding blood glucose of user
WO2016022008A1 (en) Method and apparatus for environmental profile generation
WO2017099314A1 (ko) 사용자 정보를 제공하는 전자 장치 및 방법
WO2018097683A1 (ko) 전자 장치, 외부 전자 장치 및 전자 장치와 외부 전자 장치를 연결하기 위한 방법
WO2019074257A1 (ko) 사용자 발화를 처리하는 전자 장치 및 서버
WO2016200085A1 (en) Electronic apparatus and method of extracting still images
WO2016182200A1 (en) Blood glucose measurement apparatus and blood glucose measurement method thereof
WO2017052097A1 (en) Activity information providing method and electronic device supporting the same
WO2017215354A1 (zh) 测量仪数据存储方法和装置
WO2022124647A1 (ko) 수면 무호흡을 검출하기 위한 방법 및 이를 지원하는 전자 장치
EP3596667A1 (en) Electronic device and method for controlling the electronic device

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18847649

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18847649

Country of ref document: EP

Kind code of ref document: A1