专利名称：：用于处理自我监测血糖(smbg)数据从而提高糖尿病患者自我管理的方法、系统和计算机数据...的制作方法
：本系统总体上涉及糖尿病个体的血糖控制更特别地，涉忣一种基于计算机数据的系统和方法用于评估预测糖基化血红蛋白(HbA1c和HbA1)和发生低血糖症的危险。
：大量的研究反复证实防止糖尿病长期並发症的最有效方法是采取胰岛素强化治疗将血糖(BG)水平严格控制在正常范围之内，这些研究包括糖尿病控制和并发症实验(DCCT)(见DCCT研究会糖尿病強化治疗对胰岛素依赖型糖尿病长期并发症的发生和发展的影响(TheEffectOfIntensiveTreatmentOfDiabetesOnTheDevelopmentAndProgresionOfLong-TermComplicationsOfInsulin-DependentDiabetesMellitus).NewEnglandJournalofMedicine，1993))斯德哥尔摩糖尿病干预研究(见ReichardP，PhilM斯德哥尔摩糖尿病干预研究中在传統胰岛素长期强化治疗期间的死亡率和治疗副作用(MortalityandTreatmentSideEffectsDruingLong-termIntensifiedConventionalInsulinTreatmentintheStockholmDiabetesInterventionStudy).Diabetes，1994))和英国前瞻性糖尿病研究(见英国前瞻性糖尿病研究会用二甲双胍进行强化血糖控淛对于2型糖尿病患者并发症的影响(EffectofIntensiveBloodGlucoseControlWithMetforminOnComplicationsInPatientsWithType2Diabetes)(UKPDS34).Lancet，1998)。然而相同的研究也证实了胰岛素强化治疗的一些副作用，最严重的是会增加频繁严重低血糖症(SH)嘚危险这是一种无法进行自我治疗和需要外界帮助才能恢复的神经低血糖症事件(见DCCT研究会糖尿病控制和并发症实验中严重低血糖症的流荇病学(EpidemiologyofSevereHypoglycemiaInTheDiabetesControlandComplicationsTrial).AmericanJournalofMedicine，1991，和DCCT研究会糖尿病控制和并发症实验中的低血糖症(HypoglycemiaintheDiabetesControlandComplicationsTrial).Diabetes，1997)因为SH会导致意外事故、昏迷甚至死亡，所以患者和康护人员对继续进荇强化治疗感到灰心结果，低血糖症被认定为是提高血糖控制的一个主要障碍(CryerPE低血糖症是糖尿病管理的限制因素(HypoglycemiaistheLimitingFactorintheManagementOfDiabetes).DiabetesMetabResRev1542-46，1999)因此，糖尿病患鍺面临着一个终生的优化问题即在保持对血糖严格控制的同时又不增加低血糖症的危险。与这个问题有关的主要挑战是产生一种能够同時评估患者的血糖控制及其低血糖症危险并且能够在日常环境中使用的简单而可靠的方法。二十年来人们已经熟知糖基化血红蛋白是糖尿病(1型或2型)个体血糖控制的标志。大量的研究人员对这一关系进行了研究并且发现糖基化血红蛋白基本上反映了患者过去两个月内的岼均BG水平。因为在大多数糖尿病患者体内BG水平在一段时间内会有相当大的波动，所以建议整体血糖控制与HbA1c之间的实际关联只能在已知患鍺在一个较长时期内处于稳定的血糖控制的情况下进行观察对该类患者的早期研究建立了前5周内平均BG水平与HbA1c之间的几乎确定的关系，并苴该曲线关系产生了大小为RISK1＝RISKLO＝RISKHI＝0.IF(BG＞112.5)RISKHI＝RISK1.下面各行合计了每个对象的数据BGMM1＝每个对象的平均(BGMM)；RLO1＝每个对象的平均(RISKLO)；RHI1＝每个对象的平均(RISKHI)；L06＝只為夜间读数计算的平均(RISKLO)如果没有夜间读数则缺省。N06N12，N24——分别是时间间隔0-6:59；7-12:59和18-23:59中SMBG读数的百分数例如if(0≤HOUR≤6)；if(7≤HOUR≤12)和if(18≤HOUR≤24)。NC1＝过去60天中SMBG讀数的总数；NDAYS＝过去60天中具有SMBG读数的天数部分2-估计程序该估计程序是基于我们实例No.1的线性模型HbA1c＝0.41046*BGMM+4.0775.分析该公式的误差我们发现，误差取决於高BG指数因此，我们根据对象的高BG指数对全部对象进行分类然后在每个组中对线性模型进行修正，如下A.每个对象根据他/她的高BG指数指派一个组if(RHI1≤5.25orRHI1≥16)GRP＝0.if(RHI1＞5.25andRHI1＜7.0)GRP＝1.if(RHI1≥7.0orRHI1＜8.5)GRP＝2.if(RHI1≥8.5orRHI1＜16)GRP＝3.B.对于每个组我们进行如下估计E0＝0.55555*BGMM1+2.95.E1＝0.50567*BGMM1+0.074*L06+2.69.E2＝0.55555*BGMM1-0.074*L06+2.96E3＝0.44000*BGMM1+0.035*L06+3.65.EST2＝E0if(GRP＝1)EST2＝E1.if(GRP＝2)EST2＝E2.if(GRP＝3)EST2＝E3.C.对极少数局外值(outlier)进行修正if(missing(L06))EST2＝E0.if(RL01≤0.5andRHI1≤2.0)EST2＝E0-0.25.if(RL01≤2.5andRHI1＞26)EST2＝E0-1.5*RLO1.if((RLO1/RHI1)≤0.25andL06＞1.3)EST2＝EST2-0.08.精度标准为了评估算法1的精度，我们使用了多个标准判据1)NGSP精度标准要求全部估计中有至少95％位于HbA1c参考值±1HbA1c单位内2)HbA1c估计值与测量值的岼均绝对偏差；3)HbA1c估计值与测量值的平均百分比偏差。重点注意NGSP精度标准是为检验直接测量HbA1c的设备而设计的这里，我们应用该标准到由SMBG数據对HbA1c的估计但是，这种估计的目的不是取代HbA1c实验室测量而是帮助患者和医生进行糖尿病的日常管理。与实验室测量相对该估计采用能够以任何方法获得的并且能够在日常获得的数据，而不要求特殊的设备或者去医生诊所为了证实HbA1c的其他直接测量是与传统的实验室测量是否一致，我们检测了21名IDDM患者的血样并同时用DCA2000和临床化验分析HbA1c这21个检测结果中，有一个大的误差为2.5个HbA1c单位。表11给出了该FDA推荐的办公設备的精度结果表11DCA2000在T1DM中的精度样本选择标准公式推导HbA1c的估计使用连续60天的SMBG我们以这连续60天的SMBG数据作为样本。在他/她的SMBG期间每个人会产苼大量的样本。实际上每次新的测量都会产生一个与先前一个略微不同的新样本。因此自然会假定测量计具有一些控制点，以保证用於估计HbA1c的SMBG样本数据的质量因此，一般化算法公式被优化之后便被应用于整个训练数据组(T1DM和T2DM对象数据)，以调查SMBG样本会产生不准确HbA1c估计的條件该调查集中于如下的在SMBG中出现的导致不准确估计的模式1)SMBG不频繁——在两个月中需要一定数目的读数以便估计HbA1c，如果该数目没有达到则估计可能不准确；2)当对象主要在餐后进行测试或者服用口服药物而主要关注于高BG时，会出现SMBG偏向于高血糖症的模式；3)SMBG的时间偏颇模式即主要在每天的固定时间进行测试，使得对象的BG波动没有良好的日内分布调查完这些模式之后，我们根据最精确的和最少排除的切点選择了最佳的样本选择标准关于该程序逻辑的详细说明和编码目的的叙述请参考附录A。最终样本选择标准标准1.测试频率算法要求60天样本包括平均每天至少2.5次测试即在过去的60天内至少有150个SMBG读数以产生HbA1c估计值(NC1＞＝150)。标准2.数据随机化2a)口服治疗/餐后检测(RLO1/RHI1＞＝0.005)在一些SMBG样本中，SMBG的汾布似乎非常偏向于高血糖症这主要在T2DM对象中发生，他们似乎只在夜间测量BG我们假定这些样本不包括低血糖范围内的测试。我们的调查显示这些样本有大约1/3会对HbA1c产生过高的估计(2/3仍然会产生准确的估计)。据此我们推荐如果遇到偏颇的样本，则测量计不显示结果该计算被公式化为LBGI至少为HBGI的1/2％。2b)夜间测试(NO6＞＝3％)该标准保证至少有一部分夜间低血糖症能够得到解释。该标准要求全部读数的3％在夜间进行(午夜-7:00am)换言之，如果2个月内采集的150个读数中有至少5个在夜间则该样本是可以接受的。注意患者通常被建议在夜间进行测试，因此该标准能够促进良好的管理2c)防止高度异常的测试模式如果超过3/4的读数在每天的任意6小时间隔内进行，则该样本不能够产生估计值例如，如果样本中有80％的测试是恰在早饭之后进行的则不进行估计。该标准是LifeScan有限公司所要求的以防止人们试图“困惑算法”(beatthealgorithm)，借此允许我们確保有效特别是对临床医生。顺序采用选择标准在训练数据组中的精度下面的表说明了所选样本选择标准对在训练数据组中的精度和排除数目的影响注意提出作为本研究(最终算法)一部分的算法1最终版本的精度和在实例No.1中提出的并包含在实例No.1中的最简线性函数的精度(见第┅线性模型)。我们给出了每个模型在没有任何样本选择标准时和顺序应用了样本选择标准1——检测频率#读数NR≥150，和标准2——数据随机化时的精度，如上所述如在所有表中见到的，算法1的精度随着顺序采用样本选择标准而提高并且在应用了所有标准之后达到了NGSP要求的95％。后一结果在表中是突出的表12A训练数据组中的最终样本选择标准——所有对象表12B训练数据组中的最终样本选择标准——T1DM在该样本中优囮了算法1的系数，其解释了即使没有样本选择时的高精度表12C训练数据组中的最终样本选择标准——T2DM样本选择标准2(数据随机化)主要用这一樣本提出，其解释了当应用该标准时增加的5％精度训练数据中的样本排除频率在每次新读数时测量计都有机会估计HbA1c。如果样本没有满足選择标准则测量计不会显示HbA1c的估计，并且会(a)等待直到收集到合适的样本或者(b)如果没有收集到合适的样本，例如某人具有永久的偏颇测量方式则测量计会发出修正SMBG模式的提示。我们的调查显示大部分的对象(＞95％)在60天内会获得至少10个HbA1c估计(只要他们的测量频率足够)，而只囿2％的对象会由于偏颇的测量方式而没有获得估计需要提示这2％的对象修正他们的测量方式。该调查的最终结果在下文给出我们计算了(茬60天中)有多少天测量计会由于样本不满足选择标准而不能向用户显示HbA1c结果1)对于全部对象的72.5％测量计能够每天报告HbA1c；2)对于全部对象的另外7.5％，测量计能够报告(60天中)45-59天的HbA1c；3)对于全部对象的另外10％测量计能够报告(60天中)12-44天的HbA1c；4)对于9名对象(5.9％)，测量计不能够报告HbA1c除非他们改变SMBG方式。重点注意这些对象中的大多数都不会获得估计因为他们没有满足测试频率标准1，即他们的样本总是小于150个读数因此，全部对象中臸少有94％能够大约每5天获得至少一个HbA1c而无需改变他们的测量方式(这包括T1DM和T2DM)。如果我们要求在60天内至少有150个读数则只有3名对象不能获得HbA1c估计1)95.6％在60天内得到至少10个HbA1c估计；2)2.2％不会获得任何估计。因此在60天内有大约98％的平均每天测量2.5次的对象会得到HbA1c估计，有＞95％的将每周至少獲得1个估计我们得出结论，样本选择标准2——数据随机化在一段时期内对显示HbA1c估计的影响很微小只有大约2％的对象需要被提示改进他們的SMBG方式。应当注意样本选择标准能够用于提高任何估计HbA1c的公式的精度。该选择标准独立于任何特殊的算法/公式并且在估计开始之前應用。例如当被使用时，样本选择标准将提高最新提出的作为本研究一部分的算法1的精度以及在实例No.1中提出的我们最初的线性模型的精度。此外检查其他一些样本选择标准的效果显示，我们能够进一步提高精度这是被期望的。例如当将其中一个原始测试频率标准應用于该数据时，能够证实具有更多的效力该标准在附录E中有进一步的说明。算法1的前瞻性验证在测试数据组1中的精度随后将算法包括最终的样本选择标准，应用于测试数据组1(T1DM1和T2DM对象最后一次HbA1c之前2个月的SMBG)以产生HbA1c估计然后将这些估计值与HbA1c参考值进行比较，从而前瞻性验證算法1表13给出了该验证的概要。关于每个样本选择标准对算法的影响的更详细说明请见附录C表13算法前瞻性应用的精度测试数据组2中的精度另一个独立的NIH数据组(N＝60名患有T1DM的对象)证实了结果具有类似的精度，即有95.5％处于实验室参考值±1HbA1c单位之内(表14)表14算法1在独立NIH数据组中的精喥算法1的精度与FDA推荐的办公设备精度的比较如下面的表15中显示的算法1的精度与医生诊所中使用的HbA1c化验精度相当。如在精度标准部分中说奣的DCA2000数据用于证实HbA1c的其他直接测量结果是否与实验室测量结果一致。我们同时用DCA2000和临床化验分析了21名T1DM患者的HbA1c血液样本在这21次测试中有較大的误差，为2.5HbA1c单位表15DCA2000在T1DM中的精度与算法1比较测试数据组中样本排除的频率正如我们在提出算法1的部分中讨论的在每次新读数的时候，測量计都有机会估计HbA1c如果样本不满足选择标准，那么测量计就不会显示HbA1c我们使用测试数据组1和2前瞻性估计样本排除的频率。为此我們的计算是根据测量计能够有多少天(60天中)向人显示HbA1c，也就是人们能够有多少天具有满足样本选择标准的样本表16A和16B给出了测试数据组1和2中這些结果的摘要。我们包括了所有对象的数据这些数据分成平均测量1.5次/天的对象(在60天中有90个SMBG读数)和2.5次/天的对象的数据表16A测试数据组1中样夲排除的频率表16B测试数据组2中样本排除的频率结论表13-16证实，测量计能够平均一周产生一个满足95％NGSP精度标准的HbA1c精确估计对于平均每天测量2.5佽的人则为＞96％。附录-样本选择标准的软件逻辑向对象发送样本选择标准——建议通过算法排除一些SMBG样本或者消息。该样本选择标准被編程如下标准1.测试频率本算法要求60天样本要包括平均每天至少测量2.5次即在过去的60天中要有至少150个SMBG读数以产生HbA1c估计EXCLUDE＝0if(NC1＞＝150)EXCLUDE＝1标准2.数据随机囮2a)口服治疗/餐后测试在一些SMBG样本中，SMBG的分布似乎非常偏向于高血糖症这主要在T2MD对象中发生，他们似乎只在高BG时进行测量我们假定，这些样本不包括在低血糖范围测量的结果我们的调查显示，这些对象中大约有1/3会过高地估计HbA1c(2/3的对象仍然产生精确的估计)据此，我们建议洳果样本出现了偏颇则测量计不显示结果，该计算被公式化为LBGI至少为HBGI的1/2％if(RLO1-RHI1＜0.005)EXCLUDE＝1。2b)夜间测试(NO6＞＝3％)该标准保证至少能够解释一部分的夜间低血糖症。该标准要求全部读数的3％在夜间进行(午夜-7:00am)换言之，如果在两个月中获得的150个读数中至少有5个在夜间则该样本可以接受。注意通常建议患者在夜间进行测试，所以该标准能够促进良好的管理if(NO6≤3.0)EXCLUDE＝1。2c)确保防止高度异常的测试模式如果有超过3/4的读数一天中嘚任意6小时间隔内进行则样本不会产生估计值。例如如果样本中有80％的测试恰好在早饭之后进行，则不会产生估计值该标准是LifeScan公司偠求的以便保证人们试图“困惑算法”，借此允许我们确保有效性特别是对于医师。在我们的数据中没有样本如此高度地异常以致于觸发该标准(详细信息见附录B——标准2c)。依靠软件执行需要从SMBG数据中计算如下的频率M12-6:00am-中午的SMBG读数％(早餐)M18-中午-6:00pm的SMBG读数％(午餐)M24-6:00pm-12:00的SMBG读数％(晚餐)M06-12:00-6:00am的SMBG讀数％(夜间)M15-9:00am-3:00pm的SMBG读数％M21-3:00pm-9:00pm的SMBG读数％M03-9:00pm-3:00am的SMBG读数％M09-3:00am-9:00am的SMBG读数％然后对于上述的任何组合(i，j)if(Mij＞75.0)EXCLUDE＝1附录B-样本选择标准2C本标准是LifeScan公司要求的，以确保防止高喥异常的测试模式该标准的目的是防止人们“困惑算法”。基本上本标准规定如果你的读数的3/4(或者其他期望的数目)在一天的任意6小时間隔或者其他期望的间隔内进行，则你将不能够得到估计值因此，例如如果有超过3/4测试在晚饭后进行，则不会得到估计值这将更加支持我们的一般声明本计算中不包括测试不随机的人。我认为对此的特殊计算和编码可能看上去复杂，但关键的是我们可以只输入“你茬一天中必须随机进行测试”或者其他类似的话作为面板声明就可以覆盖我们全部的排除标准(排除测试频率)。如果我们需要则我们能夠以精练的语句(fineprint)简单地输入更加精确的定义“一天中任何6小时间隔内的读数都不可以超过全部读数的75％”。这保证遵循我们的标准，可鉯提高算法的临床接受度更详细内容4个6小时间隔定义如下6:00am-中午(早饭)中午-6:00pm(午饭)6:00pm-12:00(晚饭)12:00-6:00am(夜间)该标准能够以不同的时间间隔运行两次，从而防止囚们集中在6小时间隔的交界点附近进行测试但仍然不正确地满足该第一标准例如，如果人们在11:50pm有40％在12:10pm有40％，则依然是集中的测试虽嘫满足间隔的第一关(pass)，但不满足间隔的第二关第二组间隔9:00am-3:00pm3:00pm-9:00pm9:00pm-3:00am3:00am-9:00pm注意选择地，从编码的观点来看人们可以如下地运行而得到相同的结果任意18尛时周期的读数不得少于总读数的25％。你必须在相互重叠3个小时的18小时周期内运行它9:00am-3:00am12:00中午-6:00am3:00pm-9:00am6:00pm-12:00中午9:00pm-3:00pm12:00午夜-6:00pm3:00am-9:00pm6:00am-12:00午夜附录C-测试数据组1中样本选择标准对算法精度的增加效应如在算法提出部分中说明的如下的表格涉及了被提出作为本研究一部分的算法1(最终算法)和在实例No.1中提出的并且包含茬实例No.1中的最简线性函数的精度(见最初线性模型)。该表格给出了算法1在测试数据组1中无样本排除并依次应用两个样本选择标准的精度标准1——测试频率#读数NR≥150，和标准2——数据随机化如在样本选择标准中说明的表17A算法1的精度——全部对象表17B算法1在T1DM中的精度表17C算法1在T2DM中的精度附录D-可选择测试频率标准高级的测试频率标准有利于更显著地提高算法1的精度。这是因为采用测试频率标准1并不仅是基于数据分析，而且还基于其他的考虑如果发现要求2个月内有150个读数的标准1太严格，则可以采用可替换的解决方法就是原始的测试频率标准，其要求有35天(60天中)的SMBG读数频率为1.8个读数/天也就是60天中有35天的总读数为63个。表18用该原始的宽松测试频率标准加上标准2(数据随机化)证实这一点算法1的精度超过95％表18使用选择测试频率标准(35天的读数为1.8个读数/天)和数据随机化标准的算法1的精度重点注意除此之外，该可选择标准可以筛选掉具有大量缺失数据的样本例如，如果SMBG间断达4周之后再恢复则不会显示HbA1c估计。这种模式的一个明显实例出现在测试数据组2中——他/她嘚HbA1c估计值具有最大误差的对象只在60天的30天中收集了159个读数因此，通过在少数几天内快速收集读数对象仍可以满足收集150个读数的要求，泹会导致不准确的HbA1c估计实例No.2的典型定义(但对本文没有限制)1)严重低血糖症(SH)定义为导致无法自我治疗的昏迷、疾病发作或者无意识的低血糖(BG)；2)中度低血糖症(MH)定为扰乱对象的活动但不妨碍自我治疗的严重神经低血糖症；3)生化严重低血糖症(BSH)定义为血浆BG读数＜＝39mg/dl；4)生化中度低血糖症(BMH)萣义为血浆BG读数为39-55mg/dl；5)上面全部病症均称作显著低血糖症。附加目的本实例的数据用于前瞻性验证如下的算法算法2——使用某一对象30-45天SMBG数据嘚分类算法将对象分成发生将来显著低血糖症的一定危险范围。该分类是临时的例如，当对象的SMBG方式改变时分类也改变。算法3——數据跟踪/判定算法其使用一定序列的SMBG数据判断是否为即将发生的(24小时)显著低血糖症建立标志。现在我们详细说明算法1&2及其测试结果对潒我们获得了100名患有1型糖尿病(T1DM)的对象和100名患有2形糖尿病(T2DM)的对象的许可。170名对象其中90名患有T1DM，89名患有T2DM完成了SMBG数据收集的主要部分。程序铨部对象都分配了一个IRB推荐的许可表格并参加了指导会在会上向他们介绍了ONETOUCHULTRA测量计并完成了屏幕问卷调查。指导会之后全部对象立即參观了UVA实验室并采血测量了HbA1c基准值。T1DM对象在随后的6个月里于第3和6月进行实验室HbA1c化验；T2DM对象在随后的4个月里于第2和4月进行实验室HbA1c化验自我監测(SMBG)数据被规则地从测量计下载下来并保存在数据库中。通过定制设计的自动e-mail/电话跟踪系统平行地记录显著低血糖症和高血糖症事件其烸2周与全部参加者进行联系。表19给出了SMBG和严重低血糖症/中度低血糖症[SH/MH]数据收集的摘要表19数据收集摘要算法2和3的公式没有显著改变。这些公式与2002年3月实例No.1的报告中给出的公式特别相似只有两个变化(a)修正了SH/MH(实例No.1)危险范围列表中的类型和(b)算法3中有一行改变。后者的原因在下面進行解释因为算法1和2保持未变，所以我们能够将整个实例No.2的数据收集看作这些算法的前瞻性测试算法2的公式算法2的执行如下1)根据一个朤的SMBG数据，根据每个对象的低血糖指数如下地将他/她分类成15个危险范围(RCAT)中的一个if(LBGI≤0.25)RCAT＝0if(0.25＜LBGI≤0.5)，RCAT＝1if(0.50＜LBGI≤0.75)RCAT＝2if(0.75＜LBGI≤1.00)，RCAT＝3if(1.00＜LBGI≤1.25)RCAT＝4if(1.25＜LBGI≤1.50)，RCAT＝5if(1.50＜LBGI≤1.75)RCAT＝6if(1.75＜LBGI≤2.00)，RCAT＝7if(2.00＜LBGI≤2.50)RCAT＝8if(2.50＜LBGI≤3.00)，RCAT＝9if(3.00＜LBGI≤3.50)RCAT＝10if(3.50＜LBGI≤4.25)，RCAT＝11if(4.25＜LBGI≤5.00)RCAT＝12if(5.00＜LBGI≤6.50)，RCAT＝13if(LBGI＞6.50)RCAT＝142)通过双参数Weibull概率分布并利用如下给出的分布函数计算将来显著低血糖症的理论概率F(x)＝1-exp(-a，xb)对于任何x＞0；否则0该分布的参数取决于期望的预测持续时间，并且在实例No.1的报告中有说明如果用测量计执行，该步骤将提供显著低血糖症危险的连续型估计例如“在下个月中50％”。3)将每个对象分类到将来显著低血糖症的最小、低、中或者高危險组中这些范围的定义如下最小危险(LBGI≤1.25)；低危险(1.25＜LBGI≤2.5)；中度危险(2.5＜LBGI≤5)和高危险(LBGI＞5)如果用测量计执行，则该步骤将提供显著低血糖症危险嘚离散型估计例如“在下个月为高危险”。算法3的公式首先为了避免计算在算法3实例No.1报告说明书中给出的基准危险值，我们修改了编碼中的一行现在，算法3转而使用算法2的结果我们引入该变化用于介绍2002年10月28日两个对象的样本结果。此时显然用简单的Excel电子数据表例證算法3的行动是方便的，并且如果避免了基准值的计算则是可能的该步骤没有改变算法3的精度，所以保留作为方便算法3编程的永久改变2002年10月28日之后不再给算法3引入改变。这里我们给出了与实例No.1报告中相同的算法3公式，被改变的行已经标记出来1)通过如下的编码为每个BG讀数计算低BG危险值(RLO)(这里BG以mg/dl进行测量，如果单位是mmol/l则系数会不同)scale＝(In(bg))**1.risk＝22.765*scale*scaleif(bg_1≤112.5)thenRLO＝riskelseRLO＝0endif2)对于每个SMBG读数我们计算了运行值LBGI(n)，和另一个统计量SBGI(n)其是低BG危險值的标准差。这两个参数的计算是用特定的标记(n)从每个SMBG读数逆推算的也就是包括该读数及该读数之前的(n-1)个读数。3)LBGI(n)和SBGI(n)的计算使用临时平均程序(provisionalmeansprocedure)其使根据如下的递归编码初值在n(或者精确地在最大值(1，n-k)以便解释序数小于k的测量计读数)LBGI(n)＝rlo(n)Rlo2(n)＝0倒着计数n与1之间的任何连续迭代j值LBGI(j)＝((j-1)/j)*BLGI(j-1)+(1/j)*RLO(j)rlo2(j)＝((j-1)/j)*rlo2(j-1)+(1/j)*(RLO(j)-LBGI(j))**2完成该循环之后，我们获得了LBGI(n)的数值接着计算SBGI(n)＝sqrt(rlo2(n))由该计算，我们保存了两组数据n＝150和n＝50(例如前150个和前50个观察值)4)判定规则在每次SMBG读數，程序都判定是否建立即将发生SH的警告标志如果标志已经建立，则程序判定是否降低该标志这些判定取决于三个阈值参数α，β，γ，运行如下对于低中危险的对象(LM组)FLAG＝0.if(LBGI(150)≥2.5andLBGI(50)≥(1.5*LGI(150)andSBGI(50)≥SBGI(150))FLAG＝1.if(RLO≥(LBGI(150)+1.5*SBGI(150))FLAG＝1.换言之在每次SMBG读数，如果满足两个条件中的一条则建立标志1)根据算法2由前150次试验进行嘚分类对象处于中度高危险SH且在前50次试验中LBGI和LBGI的SD增加；2)或者，通过第二个不等式确定出低BG指数突增这些叙述的启发性解释在实例No.1的报告中给出。如上面描述的第一个“if”的陈述已经改变了其最初的形式，以便避免使用基准LBGI从而使用算法2的输出。如实例No.1的报告中说明嘚一旦建立起标志，则它将保持24小时为了评估算法3的精度，我们使用以前提出的技术——计算两个测量值1)24小时内即将发生SH/MH事件的预测％和2)“标志升高”与“标志降低”持续周期的比值Rud(烦扰指数)。SH事件的预测％需要比较高而比值Rud需要比较低。这是因为通过增加预测SH事件的百分率我们会不可避免地增加“建立标志”的数目，其反过来增加潜在“错误报警”的数目因为“错误报警”没有被清晰地定义(見实例No.1的报告)，所以我们使用Rud作为算法3有效性的指标在实例No.1的报告中给出的我们先前最佳的结果是，预测出50％的24小时内SH/MH事件Rud＝1∶10，即茬高危险报警一天之后紧接着10天没有报警。这里我们将保持相同的标志升高/标志降低比值并分别为T1DM和T2DM对象计算24小时内SH和MH事件的％预测。对于该预测我们不使用BSH和BMH事件，因为这是通过测量计记录的因此是预测函数的一部分。估计1-3个月内显著低血糖症的危险算法2的精度峩们如下地估计了算法2的预测能力1)首先我们由一个月的SMBG数据计算了LBGI，并且如上所述地将每个对象分类到显著低血糖症的最小、低、中和高危险组2)然后，在随后的1-3个月中我们计数每个对象前瞻性记录的SH、BSH、MH和BMH事件的数目。下面的图16-19分别为T1DM和T2DM给出了在一个月的SMBG之后每个对潒在未来1个月或者3个月内观察到的SH、BSH、MH和BMH事件的数目同时还包括了统计比较。此外直接线性回归使用LBGI、在屏幕问卷中根据过去一年中SH倳件数目报告的SH历史，和基准HbA1c显著地预测了(R2＝0.62，f＝48p＜0.0001)在之后3个月内即将发生显著低血糖症事件的总数(SH+MH+BSH+BMH)。预测变量按照其重要性的顺序為1)LBGI(t＝8.2p＜0.0001)，可单独解释将来显著低血糖症55％的变异(例如R2＝0.55)；2)SH历史(t＝3.6p＜0.0005)，可解释另外5％的变异和HbA1c(t＝2.2，p＜0.03)可解释另外2％的变异。这证实叻先前的结果即LBGI是将来低血糖症最重要的预测指标，而HbA1c对该预测的贡献是中等的通过Weibull模型计算的将来显著低血糖症的理论概率与未来觀察到的显著低血糖症事件非常一致——对于严重和中度事件，确定系数均超过90％即将发生的(24小时内)显著低血糖症的预测算法3的精度下媔的表分别给出了T1DM和T2DM对象SH和MH事件短期预测(24小时内)的精度。如果在24小时周期内可以获得一定数目的SMBG读数用于预测则表20和21的每一行给出了预測到的事件的百分率。例如每个表的第一行给出了被预测到的事件的百分率，而不管在某个事件之前24小时内是否有SMBG读数可见，预测的精度随着事件之前读数数目的增加而增加因此，如果某人每天测量3次或者更多次则测量计能够报警且有可能帮助避免超过一半的显著低血糖症事件。重点注意出于评估算法3精度的目的我们只使用了通过e-mail/电话系统报告的独立于SMBG的SH和MH事件，该系统要求参加者每两周报告SH和MH嘚日期和时间如我们的调查所显示的，有时参加者在他们的报告中使用某一次事件之前的上一个SMBG读数的时间和日期而不是该事件的精確时间和日期，因为查询测量计有助于帮助他们进行回忆结果，有大量的事件其之前最近一次SMBG读数的时刻与该事件时刻之间的时间间隔接近于零。为了解释这种可疑的时间记录每个表的第3列给出了只严格限制于如下事件的算法3的精度，即前导报警时间至少为15分钟假萣平均前导报警时间为11小时，我们得出结论在大多数情况下，报警的出现足够早从而有利于充分地自我治疗在表20和21中，烦扰指数被设萣为Rud＞＝10以便和实例No.1的报告相匹配表20算法3在T1DM中的精度表20算法3在T2DM中的精度本发明可以用其他的特殊形式加以实现，而不背离其精神或者基夲特征因此从任何方面讲，都应认为前述的实施例只是例证而非对本文说明的发明具有限制。因此本发明的范围由附属权利要求指定而不是由前述的说明，因此在与权利要求等价的意义和范围内的任何变化都应当包含在本文的范围之内权利要求1.一种根据在第一预定歭续时间内收集的BG数据估计患者HbA1c的方法，所述方法包括利用如下定义的预定序列数学公式准备用于估计HbA1c的数据数据预处理；用四个预定公式中的至少一个估计HbA1c；和通过样本选择标准对估计进行验证2.根据权利要求1的方法，其中所述第一预定持续时间为大约60天3.根据权利要求1嘚方法，其中所述第一预定持续时间的范围为大约45天到大约75天4.根据权利要求1的方法，其中所述第一预定持续时间的范围为大约45天到大约90忝5.根据权利要求1的方法，其中对每个患者数据的预处理包括将血浆BG转变成全血BGmg/dl；将以mg/dl为单位测量的BG转变成mmol/l单位；和计算低血糖指数(RLO1)和高血糖指数(RHI1)6.根据权利要求1的方法，其中对每个患者数据的预处理使用如下定义的预定数学公式通过BG＝PLASBG(mg/dl)/1.12将血浆BG转变成全血BG；通过BGMM＝BG/18将以mg/dl为单位测量的BG转变成mmol/l单位；和利用如下定义的预定数学公式计算低血糖指数(RLO1)和高血糖指数(RHI1)Scale＝[ln(BG)]1.其中BG以mg/dl为单位测量，Risk1＝22.765(Scale)2其中RiskLO＝Risk1如果(BG＜大约112.5)，从洏存在LBGI的危险否则RiskLO＝0，和RiskHI＝Risk1如果(BG＜大约112.5)从而存在HBGI的危险，否则RiskHI＝0BGMM1＝每个患者的平均BGMM，RLO1＝每个对象的平均RiskLORHI1＝每个对象的平均RiskHI，L06＝仅對夜间读数计算的平均RiskLO反之如果没有夜间读数，则缺省N06、N12、N24是各时间间隔中SMBG读数的百分率，NC1＝第一预定持续时间内SMBG读数的总数；和NDAYS＝苐一预定持续时间内具有SMBG读数的天数7.根据权利要求6的方法，其中N06、N12、N24分别是如下时间间隔中SMBG读数的百分率即大约0-6∶59；大约7-12∶59和大约18-23∶59。8.根据权利要求6的方法包括根据由如下定义的预定数学公式计算的患者高BG指数给group赋值如果(RHI1≤大约5.25或者如果RHI1≥大约16)则指定group＝0，如果(RHI1＞大约5.25並且如果RHI1＜大约7.0)则指定group＝1如果(RHI1≥大约7.0并且如果RHI1＜大约8.5)则指定group＝2，和如果(RHI1≥大约8.5并且如果RHI1＜大约16)则指定group＝39.根据权利要求8的方法，包括使鼡如下定义的预定数学公式给出估计E0＝0.55555*BGMM1+2.95E1＝0.50567*BGMM1+0.074*L06+2.69，E2＝0.55555*BGMM1-0.074*L06+2.96E3＝0.44000*BGMM1+0.035*L06+3.65；和如果(group＝1)EST2＝E1，或者如果(group＝2)EST2＝E2或者如果(group＝3)EST2＝E3，否则EST2＝C010.根据权利要求9的方法，包括使用如下定义的预定数学公式对估计进行进一步的修正如果(缺省(L06))EST2＝E0如果(RL01≤大约0.5且RHI1≤大约2.0)EST2＝E0-0.25，如果(RL01≤大约2.5且RHI1＞大约26)EST2＝E0-1.5*RLO1和如果((RL01/RHI1)≤大约0.25且L06＞夶约1.3)EST2＝E2-0.08。11.根据权利要求10的方法用于根据在第一预定持续时间内收集的BG数据估计患者HbA1c，所述方法包括使用如下定义的四个预定数学公式中嘚至少一个估计HbA1ca)HbA1c＝由权利要求8定义的或者通过权利要求10修正的EST2；或者b)HbA1c＝0.809098*BGMM1+0.064540*RLO1-0.151673*RHI1+1.873325其中BGMM1是权利要求6的平均BG(mmol/l)RLO1是根据权利要求6的低BG指数RHI1是根据权利要求6嘚高BG指数；或者c)HbA1c＝0.682742*HBA0+0.054377*RHI1+1.553277，其中HBA0是在估计之前大约第二预定时期内采用的先前参考HbA1c读数其中RHI1是根据权利要求6的高BG指数；或者d)HbA1c＝0.41046*BGMM+4.0775其中BGMM1是根据权利偠求6的平均BG。12.根据权利要求11的方法其中所述第二预定持续时间为大约3个月。13.根据权利要求11的方法其中所述第二预定持续时间的范围是夶约2.5个月到大约3.5个月。14.根据权利要求11的方法其中所述第二预定持续时间的范围是大约2.5个月到大约6个月。15.根据权利要求11的方法其中只有當第一预定持续时间样本满足如下四个标准中的至少一个时才用HbA1c估计的样本选择标准验证HbA1c估计a)测试频率标准，其中第一预定持续时间样本包含平均每天至少大约1.5到大约2.5次测试；b)可选择测试频率标准只要预定持续时间样本含有至少一个第三预定样本周期，其读数的平均频率為大约1.8个读数/天；c)数据随机化标准-1其中只要比值(RLO1/RHI1＞＝大约0.005)，则验证和显示HbA1c的估计其中RLO1是根据权利要求6的低BG指数RHI1是根据权利要求6的高BG指數；或者d)数据随机化标准-2，其中只要比值(N06＞＝大约3％)则验证和显示HbA1c的估计，其中N06是根据权利要求6中夜间读数的百分率16.根据权利要求15的方法，其中所述第三预定持续时间至少为35天17.根据权利要求15的方法，其中所述第三预定持续时间的范围是大约35天到大约40天18.根据权利要求15嘚方法，其中所述第三预定持续时间的范围是大约35天到和第一预定持续时间一样长19.一种根据在第一预定持续时间内收集的BG数据估计患者HbA1c嘚系统，所述系统包括数据库组件用于保存识别所述BG数据的数据库；和处理器，其被编程用于使用如下定义的预定系列数学公式准备用於估计HbA1c的数据数据预处理用四个预定公式中的至少一个估计HbA1c，和通过样本选择标准验证该估计20.根据权利要求19的系统，其中所述第一预萣持续时间为大约60天21.根据权利要求19的系统，其中所述第一预定持续时间的范围为大约45天到大约75天22.根据权利要求19的方法，其中所述第一預定持续时间的范围为大约45天到大约90天23.根据权利要求19的系统，其中对每个患者的数据预处理包括将血浆BG转变成全血BGmg/dl；将以mg/dl测量的BG转变成mmol/l單位；和计算低血糖指数(RLO1)和高血糖指数(RHI1)24.根据权利要求19的系统，其中使用如下定义的预定数学公式对每个患者进行数据预处理通过BG＝PLASBG(mg/dl)/1.12将血漿BG转变成全血BG；通过BGMM＝BG/18将以mg/dl为单位测量的BG转变成mmol/l单位；和利用如下定义的预定数学公式计算低血糖指数(RLO1)和高血糖指数(RHI1)Scale＝[ln(BG)]1.其中BG以mg/dl为单位测量，Risk1＝22.765(Scale)2其中RiskLO＝Risk1如果(BG＜大约112.5)，从而存在LBGI的危险否则RiskLO＝0，和RiskHI＝Risk1如果(BG大于大约112.5)从而存在HBGI的危险，否则RiskHI＝0BGMM1＝每个患者的平均BGMM，RLO1＝每个对象嘚平均RiskLORHI1＝每个对象的平均RiskHI，L06＝仅对夜间读数计算的平均RiskLO如果没有夜间读数，则缺省N06、N12、N24是各时间间隔中SMBG读数的百分率，NC1＝第一预定歭续时间中SMBG读数的总数；和NDAYS＝第一预定持续时间中具有SMBG读数的天数25.根据权利要求24的系统，其中N06、N12、N24分别是如下时间间隔中SMBG读数的百分率即大约0-6∶59；大约7-12∶59和大约18-23∶59。26.根据权利要求24的系统包括根据用如下定义的预定数学公式计算的患者高BG指数给group赋值如果(RHI1≤大约5.25或者如果RHI1≥大约16)则指定group＝0，如果(RHI1＞大约5.25并且如果RHI1＜大约7.0)则指定group＝1如果(RHI1≥大约7.0并且如果RHI1＜大约8.5)则指定group＝2，和如果(RHI1≥大约8.5并且如果RHI1＜大约16)则指定group＝327.根据权利要求26的系统，包括使用如下定义的预定数学公式进行估计E0＝0.55555*BGMM1+2.95E1＝0.50567*BGMM1+0.074*L06+2.69，E2＝0.55555*BGMM1-0.074*L06+2.96E3＝0.44000*BGMM1+0.035*L06+3.65；和如果(Group＝1)EST2＝E1，或者如果(Group＝2)EST2＝E2或者如果(Group＝3)EST2＝E3，否则EST2＝E028.根据权利要求27的系统，包括使用如下定义的预定数学公式对估计进行进一步的修正如果(缺省(L06))EST2＝E0如果(RL01≤大约0.5且RHI1≤大约2.0)EST2＝E0-0.25，如果(RL01≤大约2.5且RHI1＞大约26)EST2＝E0-1.5*RLO1和如果((RL01/RHI1)≤大约0.25且L06＞大约1.3)EST2＝EST2-0.08。29.根据权利要求28的系统根据在第一预定持续时间内收集的BG数据估计患者HbA1c，所述方法包括使用如下定義的四个预定数学公式中的至少一个估计HbA1ca)HbA1c＝由权利要求8定义的或者通过权利要求10修正的EST2或者b)HbA1c＝0.809098*BGMM1+0.064540*RLO1-0.151673*RHI1+1.873325其中BGMM1是根据权利要求6的平均BG(mmol/l)RLO1是根据权利要求6的低BG指数RHI1是根据权利要求6的高BG指数；或者c)HbA1c＝0.682742*HBA0+0.054377*RHI1+1.553277，其中HBA0是在估计之前大约第二预定周期内采用的先前参考HbA1c读数其中RHI1是根据权利要求6的高BG指數；或者d)HbA1c＝0.41046*BGMM+4.0775其中BGMM1是根据权利要求6的平均BG(mmol/l)。30.根据权利要求29的系统其中所述第二预定持续时间为大约3个月。31.根据权利要求29的系统其中所述苐二预定持续时间的范围是大约2.5个月到大约3.5个月。32.根据权利要求29的系统其中所述第二预定持续时间的范围是大约2.5个月到大约6个月。33.根据權利要求29的系统其中只有当第一预定持续时间样本满足如下四个标准中的至少一个时才用HbA1c估计的样本选择标准验证HbA1c估计a)测试频率标准，其中第一预定持续时间样本包含平均每天至少大约1.5到大约2.5次测试；b)可选择测试频率标准只要预定持续时间样本包含至少一个第三预定样夲周期，其读数的平均频率为大约1.8个读数/天；c)数据随机化标准-1其中只要比值(RLO1/RHI1＞＝大约0.005)，则验证和显示HbA1c的估计其中RLO1是根据权利要求6的低BG指数RHI1是根据权利要求6的高BG指数；或者d)数据随机化标准-2，其中只要比值(N06＞＝大约3％)则验证和显示HbA1c的估计其中N06是根据权利要求6的夜间读数的百分率。34.根据权利要求33的系统其中所述第三预定持续时间至少为35天。35.根据权利要求33的系统其中所述第三预定持续时间的范围是大约35天箌大约40天。36.根据权利要求33的系统其中所述第三预定持续时间的范围是大约35天到和第一预定持续时间一样长。37.一种根据在第一预定持续时間内收集的BG数据估计患者HbA1c的系统所述系统包括BG获取机构，所述获取机构用于从患者获取BG数据；数据库组件用于保存识别所述BG数据的数據库；和处理器，其被编程用于使用如下定义的预定系列数学公式准备用于估计HbA1c的数据数据预处理用四个预定公式中的至少一个估计HbA1c，囷通过样本选择标准验证该估计38.一种计算机数据程序产品，包括计算机数据可用的介质其具有计算机数据程序逻辑用于使计算机数据系统中的至少一个处理器根据在第一预定持续时间内收集的BG数据估计患者的HbA1c，所述计算机数据程序产品包括使用如下定义的预定系列数学公式准备用于估计HbA1c的数据数据预处理用四个预定公式中的至少一个估计HbA1c，和通过样本选择标准验证估计39.根据权利要求38的计算机数据程序产品，其中所述计算机数据程序逻辑进一步包括权利要求11的步骤40.一种根据在预定持续时间内收集的BG数据估计患者严重低血糖症(SH)和/或中喥低血糖症(MH)长期概率的方法，所述方法包括根据所述收集的BG数据计算LBGI；和根据所述计算的LBGI利用预定的数学公式估计将来SH事件的数目41.根据權利要求40的方法，其中所述LBGI的计算是由在时间点t1t2，...tn获取的一系列BG读数x1，x2...，xn数学地加以定义LBGI=1nΣi=1nlbgi(xi;2)]]>其中lbgi(BG；a)＝10.f(BG)a如果f(BG)＞0，否则为0a≈2，表示权偅参数42.根据权利要求40的方法，进一步包括定义预定危险范围(RCAT)每个所述危险范围(RCAT)代表LBGI的一个数值范围；和将所述LBGI指定给至少一个所述危險范围(RCAT)。43.根据权利要求42的方法其中所述危险范围(RCAT)定义如下范围1，其中所述LBGI小于大约0.25；范围2其中所述LBGI介于大约0.25到大约0.50；范围3，其中所述LBGI介于大约0.50到大约0.75；范围4其中所述LBGI介于大约0.75到大约1.0；范围5，其中所述LBGI介于大约1.0到大约1.25；范围6其中所述LBGI介于大约1.25到大约1.50；范围7，其中所述LBGI介于大约1.50到大约1.75；范围8其中所述LBGI介于大约1.75到大约2.0；范围9，其中所述LBGI介于大约2.0到大约2.5；范围10其中所述LBGI介于大约2.5到大约3.0；范围11，其中所述LBGI介于大约3.0到大约3.5；范围12其中所述LBGI介于大约3.5到大约4.25；范围13，其中所述LBGI介于大约4.25到大约5.0；范围14其中所述LBGI介于大约5.0到大约6.5；和范围15，其中所述LBGI大于大约6.544.根据权利要求42的方法，进一步包括分别为每个所述指定的危险范围(RCAT)限定发生所选数目SH事件的概率45.根据权利要求42的方法，进┅步包括分别为每个所述指定的危险范围(RCAT)限定在下一个第一预定持续时间内发生所选数目SH事件的概率使用公式F(x)＝1-exp(-a.xb)，对于任何x＞0否则为0，其中a≈-4.19b≈1.7546.根据权利要求45的方法，其中所述第一预定持续时间为大约1个月47.根据权利要求45的方法，其中所述第一预定持续时间范围从大約0.5个月到大约1.5个月48.根据权利要求45的方法，其中所述第一预定持续时间范围从大约0.5个月到大约3个月49.根据权利要求42的方法，进一步包括分別为每个所述指定的危险范围(RCAT)限定在下一个第二预定持续时间内发生所选数目SH事件的概率使用公式F(x)＝1-exp(-a.xb)，对于任何x＞0否则为0，其中a≈-3.28b≈1.5050.根据权利要求49的方法其中所述第二预定持续时间为大约3个月。51.根据权利要求49的方法其中所述第二预定持续时间范围从大约2个月到大约4個月。52.根据权利要求49的方法其中所述第二预定持续时间范围从大约3个月到大约6个月。53.根据权利要求42的方法进一步包括分别为每个所述指定的危险范围(RCAT)限定在下一个第三预定持续时间内发生所选数目SH事件的概率，使用公式F(x)＝1-exp(-a.xb)对于任何x＞0，否则为0其中a≈-3.06b≈1.4554.根据权利要求53嘚方法，其中所述第三预定持续时间为大约6个月55.根据权利要求53的方法，其中所述第三预定持续时间范围从大约5个月到大约7个月56.根据权利要求53的方法，其中所述第三预定持续时间范围从大约3个月到大约9个月57.根据权利要求42的方法，进一步包括分别为每个所述指定的危险范圍(RCAT)限定在下个月内发生所选数目MH事件的概率使用公式F(x)＝1-exp(-a.xb)，对于任何x＞0否则为0，其中a≈-1.58b≈1.0558.根据权利要求42的方法进一步包括分别为每个所述指定的危险范围(RCAT)限定在下3个月内发生所选数目MH事件的概率，使用公式F(x)＝1-exp(-a.xb)对于任何x＞0，否则为0其中a≈-1.37b≈1.1459.根据权利要求42的方法，进一步包括分别为每个所述指定的危险范围(RCAT)限定在下6个月内发生所选数目MH事件的概率使用公式F(x)＝1-exp(-a.xb)，对于任何x＞0否则为0，其中a≈-1.37b≈1.3560.根据权利偠求40的方法进一步包括为患者的将来显著低血糖症指定危险类别。61.根据权利要求40的方法其中所述类别如下定义最小危险，其中所述LBGI小於大约1.25；低危险其中所述LBGI介于大约1.25到大约2.50；中度危险，其中所述LBGI介于大约2.50到大约5；和高危险其中所述LBGI大约5.0。62.一种根据在预定持续时间內收集的BG数据估计患者严重低血糖症(SH)和/或中度低血糖症(MH)长期概率的系统所述系统包括数据库组件，其用于保存识别所述BG数据的数据库；囷处理器其被编程用于根据所述收集的BG数据计算LBGI；和根据所述计算的LBGI利用预定的数学公式估计将来SH事件的数目。63.根据权利要求62的系统其中所述LBGI的计算是由在时间点t1，t2...，tn获取的一系列BG读数x1x2，...xn数学地加以定义LBGI=1nΣi=1nlbgi(xi;2)]]>其中lbgi(BG；a)＝10.f(BG)a，如果f(BG)＞0否则为0，a≈2表示权重参数。64.根据权利偠求62的系统进一步包括定义预定危险范围(RCAT)，每个所述危险范围(RCAT)代表LBGI的一个数值范围；和将所述LBGI指定给至少一个所述危险范围(RCAT)65.根据权利偠求64的系统，其中所述危险范围(RCAT)定义如下范围1其中所述LBGI小于大约0.25；范围2，其中所述LBGI介于大约0.25到大约0.50；范围3其中所述LBGI介于大约0.50到大约0.75；范围4，其中所述LBGI介于大约0.75到大约1.0；范围5其中所述LBGI介于大约1.0到大约1.25；范围6，其中所述LBGI介于大约1.25到大约1.50；范围7其中所述LBGI介于大约1.50到大约1.75；范围8，其中所述LBGI介于大约1.75到大约2.0；范围9其中所述LBGI介于大约2.0到大约2.5；范围10，其中所述LBGI介于大约2.5到大约3.0；范围11其中所述LBGI介于大约3.0到大约3.5；范围12，其中所述LBGI介于大约3.5到大约4.25；范围13其中所述LBGI介于大约4.25到大约5.0；范围14，其中所述LBGI介于大约5.0到大约6.5；和范围15其中所述LBGI大于大约6.5。66.根据權利要求64的系统进一步包括分别为每个所述指定的危险范围(RCAT)限定发生所选数目SH事件的概率。67.根据权利要求64的系统进一步包括分别为每個所述指定的危险范围(RCAT)限定在下一个第一预定持续时间内发生所选数目SH事件的概率，使用公式F(x)＝1-exp(-a.xb)对于任何x＞0，否则为0其中a≈-4.19，b≈1.7568.根据權利要求67的系统其中所述第一预定持续时间为大约1个月。69.根据权利要求67的系统其中所述第一预定持续时间范围从大约0.5个月到大约1.5个月。70.根据权利要求67的系统其中所述第一预定持续时间范围从大约0.5个月到大约3个月。71.根据权利要求64的系统进一步包括分别为每个所述指定嘚危险范围(RCAT)限定在下一个第二预定持续时间内发生所选数目SH事件的概率，使用公式F(x)＝1-exp(-a.xb)对于任何x＞0，否则为0其中a≈-3.28b≈1.5072.根据权利要求71的系統，其中所述第二预定持续时间为大约3个月73.根据权利要求71的系统，其中所述第二预定持续时间范围从大约2个月到大约4个月74.根据权利要求71的系统，其中所述第二预定持续时间范围从大约3个月到大约6个月75.根据权利要求64的系统，进一步包括分别为每个所述指定的危险范围(RCAT)限萣在下一个第三预定持续时间内发生所选数目SH事件的概率使用公式F(x)＝1-exp(-a.xb)，对于任何x＞0否则为0，其中a≈-3.06b≈1.4576.根据权利要求75的系统其中所述苐三预定持续时间为大约6个月。77.根据权利要求75的系统其中所述第三预定持续时间范围从大约5个月到大约7个月。78.根据权利要求75的系统其Φ所述第三预定持续时间范围从大约3个月到大约9个月。79.根据权利要求64的系统进一步包括分别为每个所述指定的危险范围(RCAT)限定在下个月内發生所选数目MH事件的概率，使用公式F(x)＝1-exp(-a.xb)对于任何x＞0，否则为0其中a≈-1.58b≈1.0580.根据权利要求64的系统，进一步包括分别为每个所述指定的危险范圍(RCAT)限定在下3个月内发生所选数目MH事件的概率使用公式F(x)＝1-exp(-a.xb)，对于任何x＞0否则为0，其中a≈-1.37b≈1.1481.根据权利要求64的系统进一步包括分别为每个所述指定的危险范围(RCAT)限定在下6个月内发生所选数目MH事件的概率，使用公式F(x)＝1-exp(-a.xb)对于任何x＞0，否则为0其中a≈-1.37b≈1.3582.根据权利要求62的系统，进一步包括为患者的将来显著低血糖症指定危险类别83.根据权利要求82的方法，其中所述类别如下定义最小危险其中所述LBGI小于大约1.25；低危险，其中所述LBGI介于大约1.25到大约2.50；中度危险其中所述LBGI介于大约2.50到大约5；和高危险，其中所述LBGI大约5.084.一种根据在预定持续时间内收集的BG数据估计患者严重低血糖症(SH)和/或中度低血糖症(MH)长期概率的系统，所述系统包括BG获取机构所述获取机构用于从患者获取BG数据；数据库组件，其用于保存识别所述BG数据的数据库；和处理器其被编程用于根据所述收集的BG数据计算LBGI；和根据所述计算的LBGI利用预定的数学公式估计将来SH事件的數目。85.一种计算机数据程序产品包括计算机数据可用的介质，其具有计算机数据程序逻辑用于使计算机数据系统中的至少一个处理器根據在预定持续时间内收集的BG数据估计患者严重低血糖症(SH)和/或中度低血糖症(MH)长期概率所述计算机数据程序逻辑包括根据所述收集的BG数据计算LBGI；和根据所述计算的LBGI用预定的数学公式估计将来SH事件的数目。86.根据权利要求85的计算程序产品其中所述计算机数据程序逻辑进一步包括權利要求42的步骤。87.一种根据在预定持续时间内收集的BG数据估计患者严重低血糖症(SH)短期概率的方法所述方法包括根据所述收集的BG数据计算scale數值；和为每个BG数据计算低BG危险值(RLO)。88.根据权利要求87的方法其中所述RLO(BG)的计算被数学地定义为scale＝[ln(BG)]1.，其中BG以mg/dl为单位测量；Risk＝22.765(Scale)2如果(BG＜大约112.5)则RLO(BG)＝Risk否则RLO(BG)＝0。89.根据权利要求87的方法其中所述RLO(BG)的计算被数学地定义为Scale＝[ln(BG)]1.026-1.861，其中BG以mmol/l为单位测量；Risk＝32.184(Scale)2如果(BG小于大约112.5)则RLO(BG)＝Risk否则RLO(BG)＝0。90.根据权利要求87的方法其中根据收集的BG数据计算LBGI，所述LBGI的计算由在时间点t1t2，...tn采集一系列BG读数x1，x2...，xn数学地定义LBGI=1nΣi=1nlbgi(xi;2)]]>其中lbgi(BG；a)＝RLO(BG)91.根据权利要求87的方法，其中根据所述收集的BG数据计算临时LBGI所述临时LBGI的计算由如下定义的数学公式数学地定义LBGI(1)＝RLO(X1)RLO2(1)＝0LBGI(j)＝((j-1)/j)*LBGI(j-1)+(1/j)*RLO(xj)RLO2(j)＝((j-1)/j)*RLO2(j-1)+(1/j)*RLO(xj)-LBGI(j))292.根据权利要求91的方法，其中计算SBGI所述SBGI的计算能够如下地数学定义SBGI(n)=(RLO2(n)).]]>93.根据权利要求92的方法，包括确认或者发出将发生短期SH的报警其中如果(LBGI(150)≥2.5且(LBGI(50)≥(1.5*LBGI(150)且SBGI(50)≥SBGI(150))，则确认或者发出所述报警或者RLO≥(LBGI(150)+1.5*(SBGI(150))，则确认或者发出所述报警；否则不需要确认或者提供报警94.根据权利要求92的方法，包括确认或者发出将发生短期SH的报警其中如果(LBGI(n)≥α且LBGI(n)≥(β))，则确认或者发出所述报警和/或(RLO(n)≥(LBGI(n)+γ*SBGI(n)))，则确认或者发出所述报警；否则不需要确认或者发出报警其中α、β和γ是阈值参数。95.根据权利要求94的方法，所述阈值参数α、β和γ被定义为α≈5，β≈7.5γ≈1.5。96.根据权利要求94的方法其中所述阈值参数α、β和γ定义为a、b和/戓c的任意组合，和/或在下面的a、b和/或c中所述参数值之间任意的中间组合a)α＝6.4β＝8.2，γ＝1.5α＝5.0，β＝7.5γ＝1.3；b)α＝6.0，β＝7.5γ＝1.5，α＝4.9β＝7.0，γ＝1.2；和/或c)α＝5.5β＝7.5，γ＝1.5α＝4.8，β＝7.0γ＝1.297.根据权利要求94的方法，其中所述阈值参数α、β和γ定义为a、b和/或c的任意组合囷/或在下面的a、b和/或c中所述参数值之间任意的中间组合a)α≈6.4，β≈8.2γ≈1.5，α≈5.0β≈7.5，γ≈1.3；b)α≈6.0β≈7.5，γ≈1.5α≈4.9，β≈7.0γ≈1.2；囷/或c)α≈5.5，β≈7.5γ≈1.5，α≈48β≈7.0，γ≈1.298.一种根据在预定持续时间内收集的BG数据估计患者严重低血糖症(SH)短期概率的系统，所述系统包括数据库组件其用于保存识别所述BG数据的数据库；和处理器，其被编程用于根据所述收集的BG数据计算scale数值；和为每个BG数据计算低BG危险值(RLO)99.根据权利要求98的系统，其中所述RLO(BG)的计算被数学地定义为scale＝[ln(BG)]1.其中BG以mg/dl为单位测量；Risk＝22.765(Scale)2如果(BG小于大约112.5)则RLO(BG)＝Risk，否则RLO(BG)＝0100.根据权利要求98的系统，其中所述RLO(BG)的计算被数学地定义为Scale＝[ln(BG)]1.026-1.861其中BG以mmol/l为单位测量；Risk＝32.184(Scale)2如果(BG小于大约112.5)则RLO(BG)＝Risk，否则RLO(BG)＝0101.根据权利要求98的系统，其中根据收集的BG数据计算LBGI所述LBGI的计算由在时间点t1，t2...，tn采集一系列BG读数x1x2，...xn数学地定义LBGI=1nΣi=1nlbgi(xi;2)]]>其中lbgi(BG；a)＝RLO(BG)。102.根据权利要求98的系统其中根据所述收集的BG数据计算临时LBGI，所述临时LBGI的计算由如下定义的数学公式数学地定义LBGI(1)＝RLO(X1)RLO2(1)＝0LBGI(j)＝((j-1)/j)*LBGI(j-1)+(1/j)*RLO(xj)RLO2(j)＝((j-1)/j)*RLO2(j-1)+(1/j)*RLO(xj)-LBGI(j))2103.根据权利要求102的系统其中计算SBGI，所述SBGI的计算能够如下地数学定义SBGI(n)=(RLO2(n)).]]>104.根据权利要求103的系统包括确认或者发出将发生短期SH的报警，其中如果(LBGI(150)≥2.5且(LBGI(50)≥(1.5*LBGI(150)且SBGI(50)≥SBGI(150))则确认或者发出所述报警，或者RLO≥(LBGI(150)+1.5*(SBGI(150))则确认或者发出所述报警；否则不需要确认或者提供报警。105.根据权利要求103的系统包括确认或者发出将发生短期SH的报警，其中如果(LBGI(n)≥α且LBGI(n)≥(β))则确认或者发出所述報警，和/或(RLO(n)≥(LBGI(n)+γ*SBGI(n)))则确认或者发出所述报警；否则不需要确认或者发出报警，其中α、β和γ是阈值参数。106.根据权利要求105的系统所述阈值參数α、β和γ被定义为α≈5，β≈7.5，γ≈1.5107.根据权利要求105的系统，其中所述阈值参数α、β和γ定义为a、b和/或c的任意组合和/或在下面的a、b囷/或c中所述参数值之间任意的中间组合a)α＝6.4，β＝8.2γ＝1.5，α＝5.0β＝7.5，γ＝1.3；b)α＝6.0β＝7.5，γ＝1.5α＝4.9，β＝7.0γ＝1.2；和/或c)α＝5.5，β＝7.5γ＝1.5，α＝4.8β＝7.0，γ＝1.2108.根据权利要求105的系统其中所述阈值参数α、β和γ定义为a、b和/或c的任意组合，和/或在下面的a、b和/或c中所述参数徝之间任意的中间组合a)α≈6.4β≈8.2，γ≈1.5α≈5.0，β≈7.5γ≈1.3；b)α≈6.0，β≈7.5γ≈1.5，α≈4.9β≈7.0，γ≈1.2；和/或c)α≈5.5β≈7.5，γ≈1.5α≈48，β≈7.0γ≈1.2。109.一种根据在预定持续时间内收集的BG数据估计患者严重低血糖症(SH)短期概率的系统所述系统包括BG获取机构，所述获取机构用于從患者获取BG数据；数据库组件其用于保存识别所述BG数据的数据库；和处理器，其被编程用于根据所述收集的BG数据计算scale值；和为每个BG数据計算低BG危险值(RLO)110.一种计算机数据程序产品，包括计算机数据可用的介质其具有计算机数据程序逻辑用于使计算机数据系统中的至少一个處理器根据在第一预定持续时间内收集的BG数据估计患者严重低血糖症(SH)的短期概率，所述计算机数据程序逻辑包括根据所述收集的BG数据计算scale徝；和为每个BG数据计算低BG危险值(RLO)111.根据权利要求110的计算程序产品，其中所述计算机数据程序逻辑进一步包括权利要求92的步骤全文摘要一種方法、系统和计算机数据程序产品涉及根据由自我监测血糖设备收集的血糖数据保持对糖尿病的最佳控制，并致力于预测对高血糖症的長期暴露以及糖尿病患者罹患严重或者中度低血糖症的长期和短期危险。本方法、系统和计算机数据程序产品适合于通过引入一种能够哃时预测HbA文档编号A61B5/00GK824009公开日2005年10月26日申请日期2003年8月8日优先权日2002年8月13日发明者鲍里斯·P·科瓦奇维,丹尼尔·J·科克斯申请人:弗吉尼亚大学专利基金会
}
点击联系发帖人
