胰岛素注射量确定方法及装置、计算机存储介质及设备转让专利
申请号 : CN201811295492.6
文献号 : CN111110949B
文献日 : 2021-07-09
发明人 : 贾伟平 , 盛斌 , 周健 , 刘茹涵 , 吴量 , 李华婷
申请人 : 上海市第六人民医院 , 上海交通大学
摘要 :
权利要求 :
1.一种胰岛素注射量确定方法,其特征在于,包括以下步骤:获取目标用户的特征信息以及当前时刻的血糖含量,所述特征信息包括临床信息以及饮食信息,所述临床信息包括身高、体重、空腹血糖含量以及连接肽含量;
基于所述目标用户的特征信息、所述目标用户的当前时刻的血糖含量、预先确定的血糖预测模型以及预先确定的胰岛素注射量预测模型,确定所述目标用户在各时刻的胰岛素注射量;
所述确定所述目标用户在各时刻的胰岛素注射量的方式包括:将所述目标用户的特征信息以及所述目标用户的当前时刻的血糖含量输入预先确定的胰岛素注射量预测模型进行胰岛素注射量预测,确定当前时刻的胰岛素注射量;
将所述当前时刻的胰岛素注射量、所述目标用户的特征信息以及所述目标用户的当前时刻的血糖含量输入所述预先确定的血糖预测模型进行血糖预测,确定所述目标用户在当前时刻对应的下一时刻的血糖含量;
将所述下一时刻作为所述当前时刻,并返回所述将所述目标用户的特征信息以及所述目标用户的当前时刻的血糖含量输入预先确定的胰岛素注射量预测模型进行胰岛素注射量预测,确定当前时刻的胰岛素注射量的步骤,直到各时刻的胰岛素注射量确定完毕,得到所述目标用户在各时刻分别对应的胰岛素注射量;
所述预先确定的胰岛素注射量预测模型的确定方式,包括:获取有标签训练集以及无标签训练集;所述有标签训练集包括各第一样本用户的特征信息、在各采样时刻的血糖含量以及在各所述采样时刻的胰岛素注射量,所述无标签训练集包括各第二样本用户的特征信息以及在各采样时刻的血糖含量;
初始化得到初始胰岛素注射量预测模型;
基于以及无标签训练集,对所述初始胰岛素注射量预测模型进行训练,确定所述预先确定的胰岛素注射量预测模型;
所述预先确定的血糖预测模型的确定方式,包括:获取样本有标签训练集;所述样本有标签训练集包括各第三样本用户的特征信息、在各采样时刻的血糖含量以及在各所述采样时刻的胰岛素注射量;
初始化得到初始血糖预测模型;
基于有标签训练集,对所述初始血糖预测模型进行训练,确定所述预先确定的血糖预测模型。
2.根据权利要求1所述的方法,其特征在于,所述胰岛素注射量为基础胰岛素注射量或餐时胰岛素注射量。
3.根据权利要求1所述的胰岛素注射量确定方法,其特征在于,各采样时刻的血糖含量的获取方式,包括:
获取连续血糖含量,对所述连续血糖含量进行采样,获得所述各采样时刻的血糖含量。
4.根据权利要求1所述的胰岛素注射量确定方法,其特征在于,所述初始胰岛素注射量预测模型包括各第一初始胰岛素注射量预测模型;
所述确定所述预先确定的胰岛素注射量预测模型的方式,包括:对所述有标签训练集进行抽样,确定各标签训练子集,各所述标签训练子集的数量与各所述第一初始胰岛素注射量预测模型的数量相同;
基于所述无标签训练集以及所述标签训练子集,对对应的所述第一初始胰岛素注射量预测模型进行训练,得到各训练后的初始胰岛素注射量预测模型;
基于各权重,对各所述训练后的初始胰岛素注射量预测模型进行加权求和并平均,得到集成胰岛素注射量预测模型;
根据所述集成胰岛素注射量预测模型,确定所述预先确定的胰岛素注射量预测模型。
5.根据权利要求4所述的胰岛素注射量确定方法,其特征在于,所述根据所述集成胰岛素注射量预测模型,确定所述预先确定的胰岛素注射量预测模型,包括:基于所述有标签训练集,对所述集成胰岛素注射量预测模型中的各所述权重进行调整,确定所述预先确定的胰岛素注射量预测模型。
6.根据权利要求4所述的方法,其特征在于,所述标签训练子集中包括各第一样本用户中部分样本用户的特征信息、在各采样时刻的血糖含量以及在各所述采样时刻的胰岛素注射量。
7.根据权利要求1所述的方法,其特征在于,还包括:将所述预先确定的血糖预测模型预测输出的下一时刻的血糖含量作为所述预先确定的胰岛素注射量预测模型的输入,进行下一时刻的胰岛素注射量预测。
8.一种胰岛素注射量确定装置,其特征在于,包括:信息获取模块,用于获取目标用户的特征信息以及当前时刻的血糖含量,所述特征信息包括临床信息以及饮食信息,所述临床信息包括身高、体重、空腹血糖含量以及连接肽含量;
胰岛素注射量确定模块,用于基于所述目标用户的特征信息、所述目标用户的当前时刻的血糖含量、预先确定的血糖预测模型以及预先确定的胰岛素注射量预测模型,确定所述目标用户在各时刻的胰岛素注射量,将所述目标用户的特征信息以及所述目标用户的当前时刻的血糖含量输入预先确定的胰岛素注射量预测模型进行胰岛素注射量预测,确定当前时刻的胰岛素注射量;
将所述当前时刻的胰岛素注射量、所述目标用户的特征信息以及所述目标用户的当前时刻的血糖含量输入所述预先确定的血糖预测模型进行血糖预测,确定所述目标用户在当前时刻对应的下一时刻的血糖含量;
将所述下一时刻作为所述当前时刻,并返回所述将所述目标用户的特征信息以及所述目标用户的当前时刻的血糖含量输入预先确定的胰岛素注射量预测模型进行胰岛素注射量预测,确定当前时刻的胰岛素注射量的步骤,直到各时刻的胰岛素注射量确定完毕,得到所述目标用户在各时刻分别对应的胰岛素注射量;
胰岛素注射量预测模型确定模块,用于获取有标签训练集以及无标签训练集;所述有标签训练集包括各第一样本用户的特征信息、在各采样时刻的血糖含量以及在各所述采样时刻的胰岛素注射量,所述无标签训练集包括各第二样本用户的特征信息以及在各采样时刻的血糖含量;
初始化得到初始胰岛素注射量预测模型;
基于以及无标签训练集,对所述初始胰岛素注射量预测模型进行训练,确定所述预先确定的胰岛素注射量预测模型;
血糖预测模型确定模块,用于获取样本有标签训练集;所述样本有标签训练集包括各第三样本用户的特征信息、在各采样时刻的血糖含量以及在各所述采样时刻的胰岛素注射量;
初始化得到初始血糖预测模型;
基于有标签训练集,对所述初始血糖预测模型进行训练,确定所述预先确定的血糖预测模型。
9.一种计算机存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现上述权利要求1‑7中任意一项所述方法的步骤。
10.一种计算机设备,包括存储器以及处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1‑7中任意一项所述的方法的步骤。
说明书 :
胰岛素注射量确定方法及装置、计算机存储介质及设备
技术领域
背景技术
常,以确保体内糖代谢正常。人工胰腺是一种以连续葡萄糖监测系统得到的血糖监测结果
为输入,以胰岛素泵注射量为输出的智能系统。其中,完成从输入到输出的核心控制算法能
够给出胰岛素注射量(即胰岛素泵注射量)以保证病人的长期血糖水平。
即上述方法无法脱离血糖监测设备工作,不便于胰岛素注射量的确定。
发明内容
岛素注射量。
定所述目标用户在各时刻的胰岛素注射量。
的胰岛素注射量预测模型,对各时刻的胰岛素注射量进行预测,即可对目标用户在不同时
刻的胰岛素注射量进行预测。在对目标用户的胰岛素注射量进行预测过程中,可在无需利
用血糖监测设备进行血糖监测的情况下,利用预先确定的胰岛素注射量预测模型结合预先
确定的血糖预测模型,以确定目标用户在各时刻分别对应的胰岛素注射量,便于胰岛素注
射量的确定。
附图说明
具体实施方式
并不限定本申请的保护范围。
一个示例中,当前时刻的血糖含量可以为当前时刻的平均血糖含量,即当前时刻以及当前
时刻之前预设时长内的血糖含量的平均值。例如,当前时刻为上午11点,11点有对应的血糖
含量,预设时长为1小时,则当前时刻的血糖含量可以理解为上午11点对应的血糖含量和11
点之前1个小时内的血糖含量的平均值。
量。
模型的输入包括特征信息、任意一时刻的血糖含量和该任意一时刻的胰岛素注射量,输出
为该任意一时刻对应的下一时刻的血糖含量(可作为下一时刻的胰岛素注射量预测过程中
预先确定的胰岛素注射量预测模型的输入,实现下一时刻的胰岛素注射量的预测),即用于
血糖含量的预测。
型预测输出的下一时刻的血糖含量也可作为预先确定的胰岛素注射量预测模型的输入,进
行下一时刻的胰岛素注射量预测。
的胰岛素注射量进行预测,即可对目标用户在不同时刻的胰岛素注射量进行预测。在对目
标用户的胰岛素注射量进行预测过程中,可在无需利用血糖监测设备进行血糖监测的情况
下,利用预先确定的胰岛素注射量预测模型结合预先确定的血糖预测模型,以确定目标用
户在各时刻分别对应的胰岛素注射量,便于胰岛素注射量的确定。
预测,可得到一个当前时刻的胰岛素,从而,各时刻的胰岛素注射量即可理解为各当前时刻
的胰岛素注射量。在进行当前时刻的胰岛素注射量预测时,需要当前时刻的血样含量为依
据,且通过上述步骤得到的当前时刻的胰岛素注射量可作为下一时刻血糖预测的依据。在
初始时,未对血糖进行预测的情况下,该当前时刻的血糖可通过血糖测量获得。
的下一时刻的血糖含量。
征信息以及目标用户的当前时刻的血糖含量,而且利用了通过预先确定的胰岛素注射量预
测模型进行预测得到的当前时刻的胰岛素注射量。
当前时刻的胰岛素注射量的步骤S221,直到各时刻的胰岛素注射量确定完毕,得到目标用
户在各时刻的胰岛素注射量。
测,该当前时刻即为上述下一时刻。重复上述胰岛素注射量预测以及下一时刻的血糖含量
的预测,直到各时刻的胰岛素注射量确定完毕,则得到目标用户在各时刻的胰岛素注射量。
一时刻与当前时刻之间相差间隔时长,例如,间隔时长为1个小时。又例如,上述预设时间范
围可以理解为通过胰岛素注射量确定方法进行本次预测时,通过步骤S221第一次进行胰岛
素注射量预测过程中对应的当前时刻到该当前时刻后的24小时的时间范围等,即各采样时
间点包括当前时刻。
注射量预测模型。
化,确定最优的参数,从而得到上述预先确定的胰岛素注射预测模型。在本实施中,通过有
标签训练集以及无标签训练集对初始胰岛素注射量预测模型进行训练,以提高预先确定的
胰岛素注射预测模型的准确性。其中,有标签训练集包括各第一样本用户的特征信息、在各
采样时刻的血糖含量以及在各采样时刻的胰岛素注射量,无标签训练集包括各第二样本用
户的特征信息以及在各采样时刻的血糖含量。可以理解,无标签训练集中没有各第二样本
用户对应的在各采样时刻的胰岛素注射量,而有标签训练集中有各第一样本用户在各采样
时刻的胰岛素注射量。基于有标签训练集以及无标签训练集,得到的预先确定的胰岛素注
射量预测模型为预先确定的胰岛素注射量半监督预测模型。
时刻的血样含量。其中,对于获取各第一样本用户在各采样时刻的血糖含量的过程中,连续
血糖含量为各第一样本用户分别对应的连续血糖含量,即需对各连续血糖含量分别进行采
样。类似地,对于获取各第而样本用户在各采样时刻的血糖含量的过程中,连续血糖含量为
各第二样本用户分别对应的连续血糖含量,即需对各连续血糖含量分别进行采样。
样本用户的特征信息、在各采样时刻的血糖含量以及在各所述采样时刻的胰岛素注射量。
每一次抽样得到的标签训练子集中的部分样本用户可以不同。在一个示例中,各标签训练
子集中部分样本用户的数量相同,即每次抽样得到的部分样本用户的数量相同。如此,得到
的标签训练子集作为对应的第一初始胰岛素注射量预测模型的训练依据,可确保数据大小
的均衡。
得到各训练后的初始胰岛素注射量预测模型。
的初始胰岛素注射量预测模型可进行胰岛素注射量预测,为了提高预测准确性,可将每个
训练后的初始胰岛素注射量预测模型的输出根据各权重进行加权求和并平均,得到集成胰
岛素注射量预测模型。然后在基于集成胰岛素注射量预测模型,确定所述预先确定的胰岛
素注射量预测模型,从而提高预先确定的胰岛素注射量预测模型的准确性。
例中,利用有标签训练集,对所述集成胰岛素注射量预测模型中的各所述权重进行调整,得
到各目标权重,预先确定的胰岛素注射量预测模型即为将集成胰岛素注射量预测模型中各
权重分别更新为对应的目标权重后得到的更新后的集成胰岛素注射量预测模型。可以理解
为,基于有标签训练集对集成胰岛素注射量预测模型进行训练,实现对各权重的调整,即基
于有标签训练集对集成胰岛素注射量预测模型进行训练,确定各目标权重,训练后的集对
集成胰岛素注射量预测模型可以理解为该预先确定的胰岛素注射量预测模型。
确定预先确定的血糖预测模型。
从而得到上述预先确定的胰岛素注射预测模型。在本实施中,通过样本有标签训练集对初
始血糖预测模型进行训练。其中,样本有标签训练集包括各第三样本用户的特征信息、在各
采样时刻的血糖含量以及在各采样时刻的胰岛素注射量。可以理解,该样本有标签训练集
中的训练数据是有标签的,即有样本用户对应的在各采样时刻的胰岛素注射量,基于样本
标签训练得到的预先确定的血糖预测模型即为预先确定的血糖有监督预测模型。
饮食信息可以包括进食情况,连接肽含量可以为进食2小时后的连接肽含量。在一个示例
中,该饮食信息为当前时刻的饮食信息,若上述将下一个时刻作为当前时刻,则该当前时刻
的饮食信息即为该下一时刻的饮食信息。
小时甚至更长的胰岛素注射量的自动分析生成。具体过程如下:
备记录下的血糖曲线)并且有其对应的胰岛素注射量(如胰岛素basal或bolus的注射量)的
有标签数据,以及拥有上述临床信息、饮食信息、时间信息和连续血糖信息,但没有胰岛素
治注射量的无标签数据进行数据清洗筛查和预处理。将有标签数据划分成有标签训练集和
有标签测试集;
量作为输入,当前时刻的胰岛素注射量作为输出。从有标签训练集多次随机抽取相同数量
的部分数据构成各标签训练子集,以这些标签训练子集作为半监督学习器(对应上述第一
初始胰岛素注射量预测模型)的有标签训练集,以全部的无标签数据作为无标签训练集,每
个标签训练子集都对应训练一个半监督学习器,其中,时间以一小时为单位,即当前时刻与
下一时刻之间的时间间隔为1个小时。将训练后的半监督学习器以加权求和平均的方式构
成一个集成的半监督模型(即上述集成胰岛素注射量预测模型)。再使用有标签训练集对集
成的半监督模型中的各所述权重进行调整,确定所述预先确定的胰岛素注射量预测模型。
具体地,利用有标签训练集训练一个相对应的有监督学习器,在以有监督学习器的预测结
果为基线的情况下,不断的调整各半监督学习器的权重,直至获得一个超过有监督学习结
果的值。最后,将这个集成的半监督学习模型作为最终的胰岛素注射量预测模型。其中,b1
为第1个半监督学习器,b2为第2个半监督学习器,bk为第k个半监督学习器,a1为第1个半监
督学习器对应的权重,a2为第2个半监督学习器对应的权重,ak为第k个半监督学习器对应
的权重。
为输入,下一时刻的血糖含量(可以为平均血糖)作为输出。使用有标签训练集进行训练,并
进行交叉验证。在测试的时候,使用有标签测试集中的临床信息、当前时刻及其对应的饮食
信息和当前时刻的血糖含量和由上述胰岛素注射量预测模型得到的当前时刻的胰岛素治
疗方案输入血糖预测模型获取病人下一时刻的平均血糖。
(平均血糖);
使用临床信息、当前时刻对应的饮食信息和当前时刻的血糖含量和由上一步中得到的当前
时刻的胰岛素注射量来预测下一时刻平均血糖。之后再使用其的临床信息、下一时刻的饮
食信息和由上一步的到的下一时刻的平均血糖再来预测该下一时刻对应的下一时刻的胰
岛素注射量,如此循环往复累积,可得到一段时间的胰岛素注射量。
刻0的临床信息和饮食信息对时刻1的平均血糖进行预测,并将其作为半监督学习模型的输
入,半监督学习模型利用时刻1的平均血糖、时刻1的临床信息和饮食信息对时刻1的治疗方
案进行预测,并将其输入至有监督学习模型,有监督学习模型根据时刻1的治疗方案、时刻1
的临床信息和饮食信息时刻2的平均血糖进行预测,并将其作为半监督学习模型的输入,半
监督学习模型利用时刻2的平均血糖、时刻2的临床信息和饮食信息对时刻2的治疗方案进
行预测,并将其输入至有监督学习模型。如此循环,直到半监督学习模型预测得到时刻t‑1
治疗方案,将其输入至有监督学习模型,有监督学习模型通过t‑1治疗方案、t‑1的临床信息
和饮食信息可预测时刻t平均血糖。如此,可确定病人在时刻1、时刻2、……、时刻t‑1的胰岛
素注射量。
数据的病人进行较为准确的血糖水平预测,无需额外设备进行血糖监测,大大提高了便利
程度。即利用了大量已有的病人血糖检测数据,可以完成较精准的血糖预测模型建立,并以
血糖预测模型进行预测的结果辅助胰岛素注射量的准确生成。对于最后使用该血糖预测模
型和胰岛素注射量预测模型的病人而言,可以在无需佩戴连续血糖监测设备进行检测实验
的情况下,可得到较为准确的胰岛素注射量,即便于胰岛素注射量的确定。
积累大量数据的困扰。
征,是具有病人个性化的胰岛素注射量预测。这使得该方法对不同病人具有较强的适应能
力。
用户在各时刻的胰岛素注射量。
胰岛素注射量;
当前时刻对应的下一时刻的血糖含量;
胰岛素注射量预测模型进行胰岛素注射量预测,确定当前时刻的胰岛素注射量的步骤,直
到各时刻的胰岛素注射量确定完毕,得到目标用户在各时刻分别对应的胰岛素注射量。
量,无标签训练集包括各第二样本用户的特征信息以及在各采样时刻的血糖含量;
模型;
内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该
计算机程序被处理器执行时,可使得处理器实现上述胰岛素注射量确定方法。该内存储器
中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行胰岛素注射
量确定方法。在一个示例中,计算机设备还可以包括输入装置和显示屏,计算机设备的显示
屏可以是液晶显示屏或者电子墨水显示屏,计算机设备的输入装置可以是显示屏上覆盖的
触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、
触控板或鼠标等。
可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
的步骤。
取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提
供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失
性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可
编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储
器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM
(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM
(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直
接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
盾,都应当认为是本说明书记载的范围。
在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范
围。因此,本申请专利的保护范围应以所附权利要求为准。