[发明专利]使用堆叠式机器学习模型进行的葡萄糖测量结果预测

说明书

描述了使用由机器学习模型构成的堆叠进行的葡萄糖测量结果和葡萄糖影响事件预测。CGM平台包含堆叠式机器学习模型，使得由所述机器学习模型中的一个机器学习模型生成的输出可以作为输入提供给所述机器学习模型中的另一个机器学习模型。多个机器学习模型包含被训练成生成葡萄糖测量结果预测的至少一个模型和被训练成生成即将到来的时间间隔的事件预测的另一个模型。所述堆叠式机器学习模型中的每个机器学习模型被配置成在作为输入提供有由用户穿戴的CGM系统提供的葡萄糖测量结果或描述用户行为或影响人在未来的葡萄糖的其它方面的额外数据中的至少一者时生成其相应输出。然后，可以如通过传送和/或显示关于对应预测的通知来输出预测。

通过引用并入相关申请

本应用要求于2020年6月3日提交的美国临时申请第63/034257号的权益。前述申请中的每一个通过引用以其整体并入本文，并且各自在此明确地构成本说明书的一部分。

背景技术

糖尿病是一种影响数亿人的代谢疾病，并且是全球的主要死亡原因之一。对于患有糖尿病的人群来说，获得治疗对他们的生存至关重要。通过适当的治疗，可以在很大程度上避免因糖尿病而对心脏、血管、眼睛、肾脏和神经造成的严重损害。对患有I型糖尿病的患者的适当治疗总体上涉及全天监测葡萄糖水平并且利用胰岛素、饮食和锻炼的某种组合调节这些水平，使得水平保持在期望范围内。随着医疗技术的进步，已经开发了多种用于监测葡萄糖水平的系统。虽然监测人的当前葡萄糖水平对于决定如何治疗糖尿病很有用，但了解这个人的葡萄糖水平将来是怎样的更有用。这是因为其允许个人或护理人员在此类健康状况发生之前采取行动以减轻与葡萄糖水平变化相关的潜在不利健康状况。然而，用于生成葡萄糖水平预测的常规技术和系统存在由于在生成这种葡萄糖水平预测时考虑的信息有限而引起不准确性问题。

例如，采用常规葡萄糖预测技术的系统可以生成仅考虑作为输入的历史葡萄糖测量结果的葡萄糖水平预测。然而，用户的单独的历史葡萄糖水平(例如，跨越过去12小时的葡萄糖迹线)可能无法准确地表示将影响用户在即将到来的时间间隔内的葡萄糖水平的不同因素，特别是当用户将参与或以其它方式经历影响其在即将到来的时间间隔内的葡萄糖水平的事件时(例如，餐食、锻炼、胰岛素施用等)。常规系统未能单独考虑这些事件和除历史葡萄糖水平之外的额外信息由此导致生成不准确的葡萄糖水平预测，这可能向用户提供关于其葡萄糖响应的错误信息并导致危险的健康状况。

发明内容

为了克服这些问题，利用了使用由多个机器学习模型构成的堆叠的葡萄糖测量结果预测和葡萄糖影响事件预测。鉴于穿戴持续葡萄糖监测(CGM)系统的人的数量并且由于CGM系统持续产生测量结果，因此向CGM系统提供用于检测葡萄糖水平的传感器并且维护由此系统产生的测量结果的CGM平台可以具有大量数据，例如，数亿患者日的测量结果。然而，这种量的数据实际上(即使不是事实上的话)对人来说也不可能进行处理来可靠地识别大量状态空间的模式。

在一个或多个实施方案中，一种CGM平台包含多个机器学习模型，所述多个机器学习模型以堆叠式构型布置，使得由所述机器学习模型中的一个机器学习模型生成的输出可以作为输入提供给所述机器学习模型中的另一个机器学习模型以供生成其输出使用。在一些实施方案中，所述多个机器学习模型包含被训练成生成葡萄糖测量结果预测的至少一个模型和被训练成生成即将到来的时间间隔的事件预测的另一个模型。所述堆叠式机器学习模型中的一个或多个机器学习模型可以被配置成在作为输入提供从由用户穿戴的CGM系统获得的葡萄糖测量结果时生成其相应输出。可替代地或另外，所述堆叠式机器学习模型可以被配置成在作为输入提供描述影响人在未来的葡萄糖的一个或多个其它方面的额外数据时生成其相应输出，如应用使用活动、施用的胰岛素、锻炼等。