本申请是申请日为2012年08月26日、题为“用于糖尿病的自适应咨询控制的方法、系统以及计算机可读介质”的中国发明专利申请No.201280052869.X(PCT国际申请PCT/US2012/052422)的分案申请。相关申请本申请要求2011年8月26日提交、标题为“Method，SystemandComputerProgramProductforAdaptiveAdvisoryControlofDiabetes”的美国临时申请序号61/528,129的优先权，其公开内容通过引用整体地结合在本文中。
背景技术：
：：在健康中，葡萄糖代谢被包括肠、肝、胰腺以及脑的激素网络紧密地控制以确保稳定的空腹血糖(BG)水平和瞬时餐后葡萄糖波动。在1型糖尿病(T1DM)中，试图近似血糖的接近正常水平的强化胰岛素治疗显著地减少慢性并发症[49，61]，但可能存在潜在地威胁生命的严重低血糖(SH)的风险-其由不良胰岛素替换引起[25，60]。因此低血糖已被标识为最优糖尿病管理的主要障碍[15，17]。因此，患有T1MD的人面对终生行为受控的优化问题：在不增加他们的低血糖风险的情况下维持严格血糖控制[14]。葡萄糖变异性或BG波动的大小和速度都是通过这个行为优化和针对他的/她的糖尿病控制的优化给患者的基本反馈的可测结果。换言之，糖尿病中的BG波动由被行为事件发生器摄动的复杂动态系统的动作引起并且取决于两个代谢过程：(i)外源性胰岛素与碳水化合物利用之间的相互作用和(ii)称为逆调节针对低血糖的激素防御。从系统生物学观点着手，T1DM的生物行为控制因此包括：(i)被一般随机低血糖触发行为事件(例如胰岛素过量、失血或过度锻炼[9，26])中断的通常稳定的葡萄糖波动(例如规则的餐后葡萄糖漂移)的行为触发过程；以及(ii)取决于诸如胰岛素敏感性[4]或逆调节之类的人的代谢参数的生理性过程，所述逆调节抵抗胰岛素引发的低血糖，但同样遭受随着重复低血糖而发生并且称为低血糖相关性自主神经衰竭(HAFF，[16])的逆调节储备的偶发耗尽。使用帮助糖尿病的控制的技术的尝试导致人工胰腺构思的公式化，所述人工胰腺构思能够被往回追溯到当患有糖尿病的人的外部BG调节的概率已通过使用静脉内(i.v.)葡萄糖测量和葡萄糖和胰岛素的静脉内注射的研究来建立时在过去三十年前发生的发展。诸如BiostatorTM之类的系统已在医院中被引入并且用来通过施加正控制(经由葡萄糖或胰高血糖素)和负控制(经由胰岛素)来维持血糖量正常[1，10，39，48，53]。能够在[6，11，13，21，22，52]中找到主要早期设计的具体描述。接下来还有更多横跨更广范围的BG控制技术的工作，诸如自适应控制[7，23]、生理建模[52，56]、针对重症加强治疗病房的控制[3]或线性二次高斯优化(LQG)[24，41]。然而，静脉内闭环控制仍然是麻烦的并且不适于门诊患者使用。体外静脉内控制的可替代方案已经通过采用静脉内抽样和腹膜内(i.p.)胰岛素给药的可植入式静脉内-腹膜内系统来呈现[37，51，55]。然而，这些系统的实施要求大量的手术。因此，随着微创皮下(s.c.)连续葡萄糖监控(CGM)的出现，已有越来越多的学术方面的、工业方面的以及政治方面的努力集中于使用与胰岛素注射泵和控制算法耦合的CGM的皮下-皮下系统的开发[2，8，29，31]。迄今为止，已报告了鼓舞人心的引导结果[12，28，54，58，62]。Hovorka等人[27，28，29]和Steil等人[58]的前沿性研究已分别概述了认为适合于皮下使用的两个主要类型的控制器-MPC(模型预测控制)和PID(比例-积分-微分)控制。迄今，全皮下-皮下系统的首次试验一直专门地使用PID[58，62]；然而，MPC[20，27，38，45]成为最近研究[12，28，54]目标的选择的方法。存在使MPC变得优选的两个重要原因：(i)PID是纯反应性的，对葡萄糖水平的改变做出响应，而适当地调谐的MPC允许葡萄糖动态力学[50，54，57，65]的预测，并且因此，允许皮下葡萄糖监控[5，36，59，63]和皮下胰岛素注射[40，64]所固有的时间延迟的缓和；(ii)MPC允许使用患者特异性模型参数的控制的相对直接的个性化。最近已开发了用于膳食或低血糖检测的方法[18，19]并且同样已测试了自学习技术。已经表明，一类算法(被称为批次控制)能够“学习”患者的日常生活的细节(例如膳食的定时)并且然后使用这个信息来优化对后续膳食的响应[42，43，66]，或者说明胰岛素抵抗中的昼夜波动(例如在一些人中观察到的黎明现象[44])。技术实现要素：除了别的之外，本发明的实施例的一方面还引入了自适应咨询控制(AA控制)的新范例-以帮助糖尿病患者的血糖控制的优化为目的、涉及糖尿病患者的生理和行为参数以及模式的基于算法的评估和通信的交互式过程。具体地，申请人已经引入但不限于下列内容：人类行为的随机过程的观念：行为事件(膳食、锻炼、上床睡觉、醒来)使系统(人)改变其状态，例如空腹-进食、锻炼前后、醒来睡着。这些状态形成人能够遇见的可能情形的“状态空间”。从一个状态到另一状态的每个转移对应于行为事件。换言之，行为事件发生器引起从一个状态到另一状态的系统转移。这些转移对于不同的人以不同的概率发生；从而每个人由他的/她的行为的特异性转移概率来标识。这个概念形式上由建立在随机转移的概念之上的随机过程ξ(η)来描述，所述转移允许处于一个状态的相同前体在下一状态具有不同后果。假设其步长为n(n＝l，2，...)，过程ξ(η)由其取值在某集合Xn中的随机变量Xn来描述。对于任何和过程ξ从Xn到其下一级Xn+1的随机转移由概率来定义。因此，每个人通过由他/她自己在任何两个状态(i)与(j)之间的转移概率{pij}所定义的个体行为迹线来标识。这个表示使得能实现可以被认为本发明中的方法(以及系统和计算机可读介质)的关键(但不限于其)之一的行为模式的形式描述-对于每个人来说，转移概率能够被从数据估计，所述数据用作用于跟踪行为模式的基础。例如，能够设计出沿着连续葡萄糖监控(CGM)数据的窗口滑动并且标识系统(人)状态改变的估计器。为了图示这个动作，图1根据先前报告的研究[32]用图表呈现了在受试者膳食观察的情况下的引导(pilot)结果：膳食观察器沿着观察天数下滑(从上向下)。在某一时间发生的膳食的概率为被从黑(非常低)到白(非常高)按颜色编码。看到的是，在一周的观察(顶线)之后，膳食的时间已经被明确定义并且在30天观察期间仍保持稳定。对于这个人来说，早餐(7：30AM)和在8：30PM的晚餐似乎是最好定义[46]。进一步地，人的低血糖风险的估计可以基于我们的风险分析理论[35]并且基于低血糖发作典型地遵循如图2中用图表图示的系统干扰的可检测模式[33]的观察：在10天观察之后，在6AM和12PM示出较低BG的趋势的模式显现(黑线)。较亮的点指示较高的可能性(必然性)；因此对于这个人来说，早餐前低血糖是可能的。最后，能够像在图3中用图表呈现的那样，对系统稳定性进行评估，图3描绘了针对先前报告的研究中的参与者，清楚地标识空腹过夜状态(明亮区域继续直到7AM为止)的葡萄糖改变速率以及醒来和上床睡觉的通常时间(11PM)。本发明的实施例的一方面引入了经由关键治疗相关生物行为模式的识别来帮助糖尿病的控制的自适应咨询(AA)系统。本发明的实施例的方面的方法(以及系统和计算机可读介质)可以使用关于患者的信息的所有可用源；(i)BG数据(例如血糖的自我监控(SMBG)和CMG22)；(ii)胰岛素数据(例如胰岛素泵日志文件或患者治疗记录32)，以及(iii)患者自我报告数据(例如自我治疗行为、膳食以及锻炼52)来：1.追溯地评估低血糖风险，追溯地评估基于胰岛素给药的基于风险的减少，并且然后向患者报告基于风险的胰岛素减少系统如何将一致地动作以防止低血糖。2.开发并且周期性地细化存在于以下两者的患者的数学模型：a.患者的葡萄糖/胰岛素系统的动态系统模型，使口服碳水化合物、身体活动以及皮下胰岛素注射与患者的血糖浓度联系起来，以及b.患者的代谢上明显的行为的概率模型，其特别地描述患者行为的变异性，以及3.追溯地基于上面的生理和行为模型来计算最优胰岛素给药时间表，并且然后向患者报告最优胰岛素定量(dosing)算法如何将一致地动作以实现紧密血糖控制。基于以上生理和行为净效应模型以及实时CGM/SMBG和胰岛素泵数据，AA系统(以及方法和计算机可读介质)能够将按需校正胰岛素建议提供给患者。能够在任何当代计算装置中实现AA系统，所述任何当代计算装置包括便携式计算机、平板、媒体播放机(例如，基于MP3的或视频播放机)、蜂窝电话和智能电话(例如，个人数字助理(PDA)，以及基于互联网的应用或能够访问患者数据流的网络应用。本发明的实施例的一方面提供了一种用于提供患者的低血糖风险的后验评估的基于处理器的方法。所述方法可以包括：提供算法以基于绝对的BG水平、BG变异性以及与低血糖的后(条件)概率P(Ehypo|记录)高度相关的胰岛素给药，以针对低血糖风险来计算统计量Rhypo(记录)，其中Ehypo表示第二天中的低血糖事件并且记录指的是受试者的历史BG、胰岛素给药以及活动记录；以及提供经计算的统计量Rhypo(记录)，从而关于患者的低血糖的概率的可行性现有警告被如此提供给患者或用户。本发明的实施例的一方面提供了一种用于为患者追溯地提供安全水平的胰岛素的基于处理器的方法。所述方法可以包括：提供算法以追溯地计算受试者的胰岛素给药的记录的基于风险的孤立衰减因子；以及提供经计算的基于风险的孤立衰减因子并且应用所述基于风险的衰减因子，以便任何内部阈值被提供给患者或用户以用于在将来可以被实现的膳食和/或随后锻炼之前对减少的临时基础速率进行决定。本发明的实施例的一方面提供了一种用于提供基于“净效应”的患者自适应模型的基于处理器的方法。所述方法可以包括：提供算法以计算：患者的代谢系统的动态模型，其中所述动态模型包括模型患者的个体生理学的描述性参数；通过动态模型来说明历史记录中的葡萄糖变异性的行为“净效应”模型的对应推断历史；其中“净效应”模型包括模型患者的数学表示摄动；以及患者的生理参数基于以下二者的更新：(i)动态模型基于已知输入预测将来的BG的能力和(ii)模型产生与患者的摄动的记录一致的净效应曲线的能力。所述方法可以进一步包括将更新提供给患者或用户，从而患者或用户能够对于将来的动作过程使用所述更新。本发明的实施例的一方面提供了一种可以包括提供患者的胰岛素给药的最优速率的追溯评估的方法，其中所述算法：考虑到对系统的干扰确切地是在该时间间隔期间针对患者所计算的净效应曲线的历史追溯地计算患者的胰岛素给药在历史时间的预定周期期间的最优速率将是什么，其中对于净效应曲线的每个“历史”，存在说明在考虑的时间间隔中每一天的膳食、锻炼以及校正的胰岛素给药速率的对应“历史”；在针对给定天的净效应曲线与最优控制器的基于模型的响应之间映射，其中最优响应的这些向量被收集并且分析，以及被呈现给患者或用户以供胰岛素治疗的逐日回顾；通过减去与膳食相关联的胰岛素的离散量或者说明在锻炼附近与临时基础速率相关联的离散胰岛素短缺从最优响应中提取对应于重要但随机事件的特征，从而胰岛素给药的剩余时间表对应于患者在历史记录中每一天的“最优”基础模式的表示；以及以追溯地计算的最优基础速率来标识一致性，在多个持续时间段中的这样的最优基础速率表示患者的治疗持续时间。所述方法可以进一步包括：向患者或用户提供将一直在每段中被应用的基础胰岛素的中等水平，其中患者或用户能够使用这个信息来(i)在将来的膳食和/或随后锻炼之前对减少的临时基础速率进行决定或者(ii)调整患者的长期基础速率分布。本发明的实施例的一方面提供了一种可以包括提供胰岛素建议模型的按需自适应校正的方法，所述方法可以包括提供算法以包括以下计算：对于膳食和锻炼活动的追溯检测；用来提供关于膳食和锻炼的定时和内容的描述的随机建模；以及将将会响应患者和用户请求的胰岛素校正建议提供给患者或用户。本发明的实施例的一方面提供了一种用于提供患者的低血糖风险的后验评估的系统。所述系统可以包括：追溯基于风险的安全模块，其具有处理器来基于绝对的BG水平、BG变异性以及与低血糖的后(条件)概率P(Ehypo|记录)高度相关的胰岛素给药，以针对低血糖风险来计算统计量Rhypo(记录)，其中Ehypo表示第二天中的低血糖事件并且记录指的是受试者的历史BG、胰岛素给药以及活动记录；以及处理器输出经计算的统计量Rhypo(记录)，从而关于患者的低血糖的概率的可行性现有警告被如此提供给患者或用户。本发明的实施例的一方面提供了一种用于追溯地为患者提供安全水平的胰岛素的系统。所述系统可以包括：追溯基于风险的安全模块，其具有处理器来追溯地计算受试者的胰岛素给药的记录的基于风险的孤立衰减因子；以及处理器输出经计算的基于风险的孤立衰减因子并且应用该基于风险的衰减因子，以便任何内部阈值被提供给患者或用户以用于在将来可以被实现的膳食和/或随后锻炼之前对减少的临时基础速率进行决定。本发明的实施例的一方面提供了一种用于提供基于“净效应(neteffect)”的患者自适应模型的系统。所述系统可以包括：净效应估计器模块，其具有处理器来计算：患者的代谢系统的动态模型，其中所述动态模型包括模型患者的个体生理学的描述性参数；以及通过动态模型来说明历史记录中的葡萄糖变异性的行为“净效应”模型的对应推断历史；其中“净效应”模型包括模型患者的数学表示摄动；以及模型更新器模块，其具有处理器以计算：患者的生理参数基于以下二者的更新：(i)动态模型基于已知输入预测将来的BG的能力和(ii)模型产生与患者的摄动的记录一致的净效应曲线的能力。所述系统将更新输出给患者或用户，从而患者或用户能够对于将来的动作过程使用所述更新。本发明的实施例的一方面提供了一种配置为提供患者的胰岛素给药的最优速率的追溯评估的系统。所述系统包括具有处理器的追溯最优控制分析器，所述处理器被配置为：考虑到对系统的干扰确切地是在该时间间隔期间针对患者所计算的净效应曲线的历史追溯地计算患者的胰岛素给药在历史时间的预定周期期间的最优速率将是什么，其中对于净效应曲线的每个“历史”，存在说明在考虑的时间间隔中每一天的膳食、锻炼以及校正的胰岛素给药速率的对应“历史”；在针对给定天的净效应曲线与最优控制器的基于模型的响应之间映射，其中最优响应的这些向量被收集并且分析，以及被呈现给患者或用户以供胰岛素治疗的逐日回顾。所述系统进一步包括具有处理器的追溯最优基础速率提取器模块，所述处理器被配置为：通过减去与膳食相关联的胰岛素的离散量或者说明在锻炼附近与临时基础速率相关联的离散胰岛素短缺从最优响应中提取对应于重要但随机事件的特征，从而胰岛素给药的剩余时间表对应于患者在历史记录中每一天的“最优”基础模式的表示；以及以追溯地计算的最优基础速率来标识一致性，在多个持续时间段中的这样的最优基础速率表示患者的治疗持续时间。并且，所述系统可以被配置为：向患者或用户提供将一直在每个段中被应用的基础胰岛素的中等水平，其中患者或用户能够使用这个信息来(i)在将来的膳食和/或随后锻炼之前对减少的临时基础速率进行决定或者(ii)调整患者的长期基础速率分布。本发明的实施例的一方面提供了一种被配置为提供胰岛素建议模型的按需自适应校正的系统，所述系统可以包括：追溯膳食和锻炼检测器模块，其具有处理器来为膳食和锻炼活动提供追溯检测；膳食和锻炼随机建模器模块，其具有处理器以提供随机建模以提供关于膳食和锻炼的定时和内容的描述；以及校正剂量咨询器模块，其具有处理器来将将会响应患者和用户请求的胰岛素校正建议提供并且输出给患者或用户。本发明的实施例的一方面提供了一种包含用于提供患者的低血糖风险的后验评估的程序指令的非暂时性计算机可读介质，其中程序指令通过计算机系统的一个或多个处理器的执行使处理器执行以下步骤：提供算法以基于绝对的BG水平、BG变异性以及与低血糖的后(条件)概率P(Ehypo|记录)高度相关的胰岛素给药，以针对低血糖风险来计算统计量Rhypo(记录)，其中Ehypo表示第二天中的低血糖事件并且记录指的是受试者的历史BG、胰岛素给药以及活动记录；以及提供经计算的统计量Rhypo(记录)，从而关于患者的低血糖的概率的可行性现有警告被如此提供给患者或用户。本发明的实施例的一方面提供了一种包含用于追溯地为患者提供安全水平的胰岛素的程序指令的非暂时性计算机可读介质，其中程序指令通过计算机系统的一个或多个处理器的执行使处理器执行以下步骤：提供算法以追溯地计算受试者的胰岛素给药的记录的基于风险的孤立衰减因子；以及提供经计算的基于风险的孤立衰减因子并且应用所述基于风险的衰减因子，以便任何内部阈值被提供给患者或用户以用于在将来可以被实现的膳食和/或随后锻炼之前对减少的临时基础速率进行决定。本发明的实施例的一方面提供了一种包含用于提供基于“净效应”的患者自适应模型的程序指令的非暂时性计算机可读介质，其中程序指令通过计算机系统的一个或多个处理器的执行使处理器执行以下步骤：计算患者的代谢系统的动态模型，其中所述动态模型包括模型患者的个体生理学的描述性参数；计算通过动态模型来说明历史记录中的葡萄糖变异性的行为“净效应”模型的对应推断历史；其中所述“净效应”模型包括模型患者的数学表示摄动；计算患者的生理参数基于以下二者的更新：(i)动态模型基于已知输入预测将来的BG的能力和(ii)模型产生与患者的摄动的记录一致的净效应曲线的能力；以及将更新提供给患者或用户，从而患者或用户能够对于将来的动作过程使用所述更新。本发明的实施例的一方面提供了一种提供患者的胰岛素给药的最优速率的追溯评估的非暂时性计算机可读介质，其中程序指令通过计算机系统的一个或多个处理器的执行使处理器执行以下步骤：考虑到对系统的干扰确切地是在该时间间隔期间针对患者所计算的净效应曲线的历史追溯地计算患者的胰岛素给药在历史时间的预定周期期间的最优速率将是什么，其中对于净效应曲线的每个“历史”，存在说明在考虑的时间间隔中每一天的膳食、锻炼以及校正的胰岛素给药速率的对应“历史”；在针对给定天的净效应曲线与最优控制器的基于模型的响应之间映射，其中最优响应的这些向量被收集并且分析，以及被呈现给患者或用户以供胰岛素治疗的逐日回顾；通过减去与膳食相关联的胰岛素的离散量或者说明在锻炼附近与临时基础速率相关联的离散胰岛素短缺从最优响应中提取对应于重要但随机事件的特征，从而胰岛素给药的剩余时间表对应于患者在历史记录中每一天的“最优”基础模式的表示；以追溯地计算的最优基础速率来标识一致性，在多个持续时间段中的这样的最优基础速率表示患者的治疗持续时间；以及向患者或用户提供将一直在每段中被应用的基础胰岛素的中等水平，其中患者或用户能够使用这个信息来：(i)在将来的膳食和/或随后锻炼之前对减少的临时基础速率进行决定或者，(ii)调整患者的长期基础速率分布。本发明的实施例的一方面提供了一种提供胰岛素建议模型的按需自适应校正的非暂时性计算机可读介质，其中程序指令通过计算机系统的一个或多个处理器的执行使处理器执行以下步骤：针对膳食和锻炼活动追溯地检测；随机建模以提供关于膳食和锻炼的定时和内容的描述；以及将将会响应患者和用户请求的胰岛素校正建议提供给患者或用户。应该了解的是，虽然特定时间周期可以指的是一天，但是可以标识不同的时间周期(或日期)，或者可以根据期望或需要取代较长的或较短的周期。这些和其它目的、连同本文中所公开的本发明的实施例的各种方面的优点和特征一起，将从以下的描述、附图以及权利要求将变得更加显而易见。附图说明当连同附图一起阅读时，将从优选实施例的以下说明更全面地理解本发明的前述和其它目的、特征和优点以及本发明本身。图1用图表呈现了在来自先前报告的研究的受试者膳食观察的情况下的引导结果，其表示膳食行为模式的概率评估的示例。图2用图表图示了低血糖发作典型地遵循如由受试者所提供的系统干扰的可检测模式的观察，其表示低血糖和高血糖风险的概率评估的示例。图3用图表描绘了针对先前报告的研究中的参与者清楚地标识空腹过夜状态(明亮区域继续直到7AM)的葡萄糖改变速率以及醒来和上床睡觉的通常时间(11PM)，其表示系统稳定性模式(睡着/醒来模式)的概率评估的示例。图4提供了自适应咨询(AA)系统的概要的简图。图5提供了追溯基于风险的安全评估的简图。图6提供了基于“净效应”的患者自适应模型的简图。图7提供了最优胰岛素给药的追溯评估的简图。图8提供了按需自适应校正胰岛素建议的简图。图9用图表图示了按需自适应校正胰岛素系统的示例。图10-15提供了AA系统的实施例的一个实现方式的截屏。图16是整个地或部分地用于本发明的实施例的系统或相关方法的示意框图。发明具体说明AA系统10的一些示例性元素在图4中被图示。除了别的之外，系统的所有四个主要功能还提供患者对碳水化合物摄取和胰岛素以及对患者的自我治疗、食物以及锻炼行为的生理响应的长期历史趋势。“追溯(retroactive)”咨询组件被设计成向患者图示安全监督的和/或最优的胰岛素严格管制将如何不同于患者实际上所做的，从而提供患者改变他/她自己的治疗行为所需要的证据。除历史数据之外还依靠实时BG和胰岛素数据的“按需”组件能够针对校正胰岛素量给予患者建议，在一定意义上作为自适应剂量计算器，即，适于患者的生理学、预期的将来行为以及实时代谢状态。值得注意的是，上面的AA系统能够容易地与实时安全监督系统相结合地使用，在所述实时安全监督系统中，CGM和胰岛素数据实时地通知胰岛素的基于模型的减少(例如基础速率的衰减)。这样的安全监督系统的使用是完全可选的。以下的细目提供了四个主要系统组件的具体描述：(i)追溯基于风险的安全，(ii)基于“净效应”的患者自适应模型，(iii)最优胰岛素给药的追溯评估，以及(iv)按需自适应校正胰岛素建议。应该了解的是，可以以各种形式来整体地或者分别地形成与本发明相关联的模块、系统、子系统以及装置，并且该模块、系统、子系统以及装置可利用本领域的技术人员可得到的技术和方法无线地或者通过有线(或两者的组合)进行通信。装置、模块、网络以及系统接口和通信的一些非限制性示例可以被本文中所公开的所有引用、应用以及出版物参考(并且通过引用结合)。而且，在各种系统、装置以及网络之间可能的接口和通信的示例是(但不限于)2008年10月31日提交的Magni等人标题为“ModelPredictiveControlBasedMethodforClosed-LoopControlofInsulinDeliveryinDiabetesUsingContinuousGlucoseSensing”的国际专利申请序号PCT/US2008/082063和2010年4月28日提交的Magni等人标题为“PredictiveControlBasedSystemandMethodforComrolofInsulinDeliveryinDiabetesUsingGlucoseSensing”的美国专利申请序号12/740,275中被公开的内容-特别见Magni等人的图1-4和6-10(其中该两个公开都通过引用整体地结合在本文中)。组件1-追溯基于风险的安全：致力于追溯基于风险的安全评估的系统的部分在图5中被图示，产生两个主要输出，其中两者都能够被显示给患者，以增强他/她对低血糖风险的理解，如下：输出1：低血糖风险的后验评估：追溯基于风险的安全子系统的这个部分分析历史记录并且使用患者的BG时间系列的核心密度估计值来基于绝对的BG水平、BG变异性以及与低血糖的后(条件)概率P(Ehypo|record)高度相关的胰岛素给药，以针对低血糖风险来计算统计量Rhypo(记录)，其中Ehypo表示第二天中的低血糖事件并且记录指的是患者历史BG22、胰岛素32以及活动记录52。通过显式地向患者通知低血糖在下一个治疗日期间的后概率26，患者得到低血糖概率的可行性现有警告。患者能够使用这个信息来降低他/她自己的内部阈值以便在膳食和/或随后锻炼之前对减少的临时基础速率进行决定。低血糖风险的这个“后验评估”旨在补充用于计算贯穿治疗日使低血糖“风险区”突出的“BG分布”的现有方法(如在图2中一样)。本发明不要求保护“BG分布”的观念，而是要求保护考虑到患者的历史记录(22，32，52)来计算低血糖的后概率的方法。应该了解的是，绝对的BG水平和BG变异性可以是得自患者的CGM装置(或葡萄糖读数的记录或数据储存器)的数据，并且绝对的胰岛素给药可以是根据多个每日注射从患者的胰岛素泵装置(或胰岛素给药的记录或数据储存器)获得的数据。例如，在如全文所公开的各种实施例中，AA系统的表现是基于CGM和胰岛素泵数据或胰岛素数据的手动注射的。然而，在可替代实施例中，能够在没有CGM或胰岛素泵的情况下实现AA系统的组件，但是用于做出计算的时标将必须改变相当大。例如，能够计算基于SMBG和胰岛素泵数据的“净效应”曲线，但是这样的方法将需要非常多这样的“净效应”曲线来获得患者行为的准确表示。作为另外的示例，可以与诸如胰岛素笔、针或类似类型的装置之类的手动胰岛素注射装置一起利用SMBG装置。输出2：追溯安全胰岛素给药28：追溯基于风险的安全子系统的这个部分分析历史记录并且追溯地计算患者的胰岛素给药的记录的基于风险的胰岛素衰减因子。在该方法的一个实现方式中，基于风险的衰减因子(可替代地，胰岛素约束)将像在[30]中那样被计算：φ(R(t,τ))=11+kpatientR(t,τ)]]>其中R(t，τ)是基于[34]中函数的BG对称性、基于直到时间t的BG和胰岛素数据的历史记录在时间t与t+τ之间的低血糖风险的量度，并且kpatient是患者特异性“侵略性(aggressiveness)”因子。存在计算衰减因子的其它方法，包括基于评估患者直到时间t的活动胰岛素并且基于所述患者的校正因子来调整BG在时间t的测量值的方法。本发明的实施例的示例性关键步骤(但不限于其)是系统(和相关方法)在追溯地计算的衰减因子中寻找一致性。具体地，系统计算φ(R(t，τ))在表示患者的治疗日的24个一小时统计堆中的核心密度估计值，并且然后向患者呈现将一直在每个小时段中被应用的中等水平衰减。再次，患者能够使用这个信息来降低他/她自己的内部阈值以用于在将来的膳食和/或随后锻炼之前对减少的临时基础速率进行决定。组件2：基于“净效应”的患者自适应模型：致力于基于“净效应”的患者自适应模型的系统的部分在图6中被图示。AA系统产生的模型可以包括(但不限于)两个主要组件：(i)患者的代谢系统的动态模型和(ii)通过该动态模型来说明历史记录中的葡萄糖变异性的行为“净效应”曲线的对应推断历史。在一个方面，基于“净效应”的患者自适应模型是但不限于诸如图1中所呈现的那些之类的膳食分布的形式数学表示，而且考虑其它系统摄动(诸如身体活动)和睡着/醒来周期(图3)的影响。描述患者的个体生理学的代谢模型提供口服碳水化合物d(g/min)、身体活动e(cal/min)、皮下胰岛素u(U/hr)以及其元素包括身体的各种隔室中的葡萄糖和胰岛素浓度(mg/dl)和肠中的碳水化合物质量(mg)的所述患者的代谢状态向量χ之间的动态关系的数学表示。抽象地，这个关系能够被描述为一组离散时间非线性差分方程：χ(k+1)＝F(χ(k)，u(k)，d(k)，e(k)；θ(k))BGmodel(k)＝G(χ(k)，u(k)，d(k)，e(k)；θ(k))其中F和G是非线性系统方程并且θ(k)是作为所述患者的特性的参数值的向量，所述患者的特性诸如身体重量、各种隔室中分配的容积、描述各种隔室之间的吸收和清除的速率的各种时间常数，其中的一些易于作为时间k的函数而变化。能够在任何期望的工作点(例如稳态葡萄糖浓度)附近，直线化这个非线性表示以产生线性动态模型：x(k+1)＝Ax(k)+Buuδ(k)+Bdd(k)+Bee(k)y(k)＝Cx(k)其中x是代谢状态微分(远离工作点)的向量，uδ(U/hr)是胰岛素给药中与患者的稳态(基础)胰岛素给药速率的偏差，A、Bu、Bd、Be是所述线性模型的状态空间度量，并且y(k)表示远离所期望的工作点的BG偏差。(注意，对θ(k)的依赖性被嵌入在所述状态空间度量A、Bu、Bd、Be内)。应该了解的是，可替代地，动态关系能够被描述为一组连续时间非线性差分方程：χ·(t)=F(χ(t),u(t),d(t),e(t);θ(t))]]>BGmoael(t)＝G(χ(t)，u(t)，d(t)，e(t)；θ(t))。基于“净效应”的患者自适应模型的新颖元素中的一些是但不限于在下面描述的。净效应估计器34：基于“净效应”的患者自适应模型的这个元素产生使患者的BG22和胰岛素给药32的历史记录一致的虚拟系统输入(亦称为“净效应”)的“历史”。具体而言，考虑到患者的BG浓度和胰岛素给药的记录{BG(k)}k∈day和{u(k)}k∈day，使历史信息一致的净效应是虚拟碳水化合物输入{dn.e.(k)}k∈day的向量，其最小化误差函数：dist({BG(k)}k∈day，{BGmodel(k)}k∈day|{u(k)}k∈day，{dn.e.(k)}k∈day)，其中dist考虑胰岛素给药的固定记录{u(k)}k∈day和候选净效应向量{dn.e.(k)}k∈day来测量BG浓度的两个向量之间的距离(在这种情况下，实际的BG与模型预测的BG)。注意，结果得到的最优净效应向量(亦称为净效应曲线38){dn.e.(k)}k∈day最优地使由患者通过虚拟碳水化合物信号所收集到的BG和胰岛素数据一致，所述虚拟碳水化合物信号捕获对患者的所有外部影响作为用(mg/min)测量的单个外部干扰信号。当净效应曲线38为正时，则可以对应于所述患者实际上进食，或者它可以对应于其中患者正在经历增强的胰岛素敏感性的一天中的时期；当净效应曲线38为负时，则可以对应于患者从事密集身体活动或锻炼。同样注意，经计算的净效应曲线38隐式地是由θ(k)参数化的患者的生理模型的函数。因此较差适应的生理模型很可能产生看起来奇特的净效应曲线38，并且较好适应的生理模型的副作用是很好地对应于每日活动、膳食以及锻炼行为和自我治疗的患者记录或记忆的一组净效应曲线。不同类型的距离量度对于评估患者“净效应”来说是可能的，包括加权的l1、l2以及l∞范数。l2范数与患者生理模型的线性化版本的组合使得特别易于计算每日净效应。模型更新器35：使用“系统标识”的技术来递归地更新动态模型的参数是常见实践。在糖尿病的基于模型的治疗背景下，这样的技术允许包括由于患者昼夜节律而导致的每日变异性的患者生理模型参数{θ(k)}k∈day的估计。已经采用了包括数据的线性最小二乘拟合、参数和非参数系统标识、自适应递归估计的许多技术。所有这些技术一起工作来确保模型与数据的内源一致性，从而一般地认为患者输入(膳食和锻炼)的“确切知识”理所当然。当然，膳食和锻炼的精确内容和定时的现有知识仅在临床环境内是可能的。并且，频繁地要求患者遭受这样的测试以便跟踪长时标变异性不是经济地可实行的。除了别的之外，本发明的实施例的一方面还通过将净效应的观念集成到患者的生理模型参数的长期适应中来解决后一个问题。如上面所提到的那样，较好适应的生理模型的副作用是很好地对应于每日活动、膳食以及锻炼行为和自我治疗的患者记录或回忆的一组“净效应”曲线38。具体地，我们的系统(以及方法和计算机可读介质)可以使用递归程序以用于基于以下二者来更新患者生理参数：(i)模型基于已知输入预测将来的BG的能力，以及(ii)模型产生与患者的进食、锻炼以及自我治疗行为的记录一致的净效应曲线38的能力。在数学上，基于净效应的模型更新器采取以下形式：θ：＝θ+U(BGres，NEres；θ)，其中U是递归参数更新函数，其能够是基于梯度的，BGres是BG模型预测误差(残差)的向量，并且NEres是经计算的净效应曲线与所述患者的实际的(验证的)行为输入的记录之间的误差的向量。实际上，在多个时标上调整模型是合理的。例如，能够基于BG残差每日计算参数更新：θ：＝θ+U1(BGres；θ)，并且能够在较长的时标上，即每周或每月，计算基于净效应失配的更新：θ：＝θ+U2(NEres；θ)。组件3：最优胰岛素给药的追溯评估致力于最优胰岛素给药的追溯评估的系统的部分在图7中被图示。最优胰岛素给药子系统的追溯评估的关键元素之一是但不限于(i)追溯最优控制分析器42和(ii)追溯最优基础速率提取器44，其中两者都利用了基于“净效应”的患者自适应模型，如在以下段落中所描述的那样。追溯最优控制分析器42：最优胰岛素给药子系统的追溯评估的这个元素用来考虑到对系统的干扰确切地是在该时间间隔期间针对患者所计算的净效应曲线38的历史追溯地计算患者的胰岛素给药在历史时间的预定周期期间的最优速率将是什么。因此，对于净效应曲线的每个“历史”，存在说明在所考虑的时间间隔中每一天的膳食、锻炼以及校正的胰岛素给药速率的对应“历史”。例如，与历史记录中的任一天相关联，我们具有：{dn.e.(k)}k∈day→{uopt(k)}k∈day即，在针对给定天的净效应曲线38与最优控制器42的基于模型的响应之间存在映射。最优响应的这些向量能够被收集并且分析，并且能够被直接地呈现给患者以供胰岛素治疗的逐日回顾。特定形式的这种分析在下面所描述的追溯最优基础速率提取46中体现。可能注意到的是，追溯最优控制分析器42使用基于“净效应”的患者自适应模型的两个组件，即针对患者所计算的净效应曲线的“历史”和经适应的患者生理模型。这个架构的有益特征是但不限于：患者模型中的误差(即不适于患者的θ)不对追溯最优控制分析造成大影响。其原因是，当θ可以是关时，针对患者所计算的净效应曲线通过模型使用于患者的实际胰岛素和BG数据一致。只要θ是闭合的(“在可接受的范围中”)，最优控制响应就将仍然是患者适应的。不同类型的最优控制方法(例如，来自现有技术的)能够被采用来计算最优控制响应{uopt(k)}k∈day，包括确定性和随机模型预测控制算法[20，27，38，45]。[47]的开环反馈控制(OLFC)方案特别适合于本发明的各种实施例。本发明的实施例的一方面的新颖方面是但不限于基于(i)将患者的净效应曲线38的历史馈送到各种类型的最优控制算法中以及(ii)追溯地分析最优响应并且向患者通知直通比较性分析的构思、方法以及系统。追溯最优基础速率提取器44：最优胰岛素给药子系统的追溯评估的这个元素用来(i)取得由追溯最优控制分析器42所计算的最优控制响应的“历史43”并且(ii)从最优响应中提取对应于重要但随机事件的特征(即减去与膳食相关联胰岛素的离散量或者说明在锻炼附近与临时基础速率相关联的离散胰岛素短缺)。胰岛素给药的剩余时间表对应于患者在历史记录中每一天的“最优”基础模式的表示。接下来，追溯最优基础速率提取器44然后在追溯地计算的最优基础速率中寻找一致性。具体地，系统计算最优基础速率在表示患者的治疗日的24个一小时统计堆中的核心密度估计值，并且然后向患者呈现将一直在每个小时段中被应用的基础胰岛素的中等水平46。患者能够使用这个信息来(i)在将来的膳食和/或随后锻炼之前对减少的临时基础速率进行决定或者(ii)调整他的/她的长期基础速率分布。组件4：按需自适应校正胰岛素咨询器致力于按需自适应校正胰岛素建议的系统的示例性部分中的一些在图8中被图示。除了别的之外，自适应咨询系统(和相关方法)的这个组件的总体目标是基于(i)历史记录22、32、52以及(ii)实时CGM/SMBG测量结果和胰岛素泵数据62两者，将当下校正胰岛素建议提供给患者。这个系统的第一步骤之一可以是将开发即将到来的行为干扰的随机模型。采用这个模型可以推理出预期为即将来临的膳食和锻炼的适当的校正胰岛素量。按需自适应校正胰岛素建议子系统的关键元件(但不限于其)中的一些可以是在以下段落中所描述的(i)追溯膳食与锻炼检测器54、(ii)膳食与锻炼随机建模器56以及(iii)按需校正剂量咨询器58。子系统的这些元素能够合作地工作，并且个别地在每个元素中还存在独立值。追溯膳食与锻炼检测器54：按需自适应校正胰岛素建议子系统的这个元素用来使患者“净效应”曲线38的当前“历史”与患者确认的膳食和锻炼事件55的历史数据一致以产生相关患者行为的、经证实的(高置信)记录。追溯膳食与锻炼检测器54寻找在(i)针对患者根据可用的BG和胰岛素数据计算的净效应曲线38与(ii)由患者通过系统用户接口确认62的膳食和锻炼事件55之间的不同。当不同出现时，追溯膳食与锻炼检测器54建议可能的解答，诸如“可能你未能确认在1PM与2PM之间进了餐？”或“存在你在3PM与3：30PM之间从事了密集身体活动的指示。这是真的吗？”来自患者的响应然后被取得以形成相关患者活动的最后经证实的记录。在内部，追溯膳食与锻炼检测器54采用分析净效应曲线36以产生膳食和锻炼事件的离散估计值的方法。除了别的之外，所述方法可以基于(i)标识净效应曲线的显著局部极限、(ii)计算在对应于膳食和锻炼的整个时间窗口下面的面积、(iii)计算膳食和锻炼事件的最可能的时间、以及然后(iv)确认膳食和锻炼行为的结果得到的估计产生接近于实际记录的模型预测的BG迹线。膳食与锻炼随机建模器56：按需自适应校正胰岛素建议子系统的这个元素用来取得上面的行为事件55的一致的(经证实的)历史，并且然后产生描述膳食和锻炼的定时和内容的随机模型57。模型57基本上将患者的每日行为描述为非重叠膳食和锻炼制度的序列。每个制度从(i)干扰能够“到达”的最早可能的时间(例如最早可能的早餐时间)、(ii)最迟可能的干扰到达时间(例如最迟可能的早餐时间)以及(iii)对于干扰在同样说明干扰将被“跳过”的概率的制度内达到的时间的相对频率分布的方面被描述[67]。在这里关键新颖方面之一是通过其膳食制度被从膳食和锻炼事件55的一致历史确定(基于聚类分析)的方法，以用于估计膳食定时在该制度内的相对频率分布，并且以用于表征描述与该制度相关联的膳食或锻炼干扰的尺寸的随机变量。校正剂量咨询器58：按需自适应校正胰岛素建议子系统的这个元素用来连续地监控患者的状态并且用来基于(i)上面用于即将到来的行为干扰的随机模型57和(ii)允许各种可替代校正胰岛素量的影响的预测的患者的当前生理模型(即，患者的代谢系统的动态模型)在患者要求时提供校正胰岛素建议59。这个提示用户的咨询模式校正系统的构思在图9中被图示。图9用图表图示了按需自适应校正胰岛素系统的示例。所述系统和方法假定(i)患者负责使用常规方法计算在进餐时间的胰岛素剂量并且(ii)患者使用我们的咨询系统来解决未计划的低血糖，诸如在图中所示出的时间t处。当患者激活咨询系统时，他/她可以选择提供有关下一顿膳食的定时和内容的信息，并且系统继续更新膳食和锻炼定时(被称为膳食行为分布并且在图中被图示为阴影概率分布)的随机模型56。接下来，系统相对于患者的将来的(随机)代谢迹线来计算作为最优的胰岛素推荐。具体地，所建议的剂量被计算为由患者将接下来吃饭的不确定时间所定义的不定水平线性象限问题的最优解决方案。所提出的方法的关键有益效果之一是但不限于它是微创的并且仅响应于用户与系统的交互来提供建议。在患者最终“负责”情况下，他/她能够容易地在未建模的随机干扰例如密集身体活动情况下取代系统。除了别的之外，系统的另一有益效果是它允许患者在进餐时间实现“常规的”定剂量策略，包括选择实现扩展的膳食剂量以说明具有高脂肪含量的膳食。我们在这里呈现的框架基于患者的代谢的模型来计算校正剂量胰岛素推荐，并且框架能够适于“人口平均”模型或患者特异性随机模型。此外，推荐的胰岛素剂量相对于患者的个体进餐行为的模型被计算。特别地，系统经常知道下一顿膳食机会并且准备相对于用于膳食定时和尺寸的经验随机模型来优化校正推荐(包括膳食将被跳过的概率)。知道患者负责进餐时间剂量，系统将避免在预期的膳食之前立即做出大校正。最后，由系统所产生的胰岛素推荐预期患者在下一顿膳食时的治疗行为，从而知道患者将基于他的/她的胰岛素与碳水化合物比(CR)和校正因子(CF)来计算进餐时间剂量。自适应咨询系统的实现方式图10-15呈现了AA系统在个人计算机上的一个可能的实现方式的截屏。类似实现方式在平板、便携式计算机(例如，膝上型计算机或笔记本)上、经由互联网应用或网络应用、蜂窝电话或者在诸如PDA(若期望或需要，具有适当地减少的文本和图形)之类的智能电话上是可能的。具体地：图10呈现了其中系统对于特定人被定制的初始画面；图11提供了按时间和量来呈现用于碳水化合物摄取(膳食)和身体活动的输入的机会的画面；图12提供了作为包括葡萄糖跟踪和叠加的行为驱动事件的回顾中天的表示的画面；图13和14提供了以不同水平的细节来呈现每日分布的画面(在图13中简单并且在图14中具有添加的概率图)；图15提供了呈现包括在典型休息日期间高血糖和低血糖风险的标识周期(上部画面面板中的红色阴影)以及减少胰岛素剂量以避免低血糖的系统建议(下部画面面板中的虚线)的咨询画面的画面。图16是图示了包括计算机系统140和在其上可以实现实施例的关联互联网11连接的系统130的框图。这样的配置被典型地用于连接到互联网11并且执行服务器或客户端(或组合)软件的计算机(主机)。例如诸如膝上型计算机、最终目的地计算机以及中继服务器之类的源计算机以及本文中所描述的任何计算机或处理器可以使用图16中所示出的计算机系统配置和互联网连接。系统140可以被用作便携式电子装置，诸如笔记本/膝上型计算机、媒体播放机(例如，基于MP3的或视频播放机)、蜂窝电话、个人数字助理(PDA)、图像处理装置(例如，数字相机或视频录像机)和/或任何其它手持式计算装置或这些装置中的任一个的组合。注意虽然图16图示了计算机系统的各种组件，但是它不旨在表示互连组件的任何特定架构或方式；因为这样的细节不与本发明有密切关系。还将了解的是，还可以使用具有较少组件或可能更多组件的网络计算机、手持式计算机、手机以及其它数据处理系统。图16的计算机系统可以例如是苹果Macintosh计算机或PowerBook或IBM兼容PC。计算机系统140包括用于传送信息的总线137、互连或其它通信机制，以及通常形式为集成电路、与总线137耦合以用于处理信息并且用于执行计算机可执行指令的处理器138。计算机系统140同样包括耦合到总线137以用于存储待由处理器138执行的信息和指令的主存储器134，诸如随机存取存储器(RAM)或其它动态存储设备。主存储器134同样可以被用于在待由处理器138执行的指令的执行期间存储临时变量或其它中间信息。计算机系统140进一步包括耦合到总线137以用于存储用于处理器138的静态信息和指令的只读存储器(ROM)136(或其它非易失性存储器)或其它静态存储设备。诸如磁盘或光盘、用于从硬盘读取并且写入硬盘的硬盘驱动器、用于从磁盘读取并且写入磁盘的磁盘驱动器和/或用于从可移动光盘读取并且写入可移动光盘的光盘驱动器(诸如DVD)之类的存储设备135被耦合到总线137以用于存储信息和指令。硬盘驱动器、磁盘驱动器以及光盘驱动器可以分别通过硬盘驱动器接口、磁盘驱动器接口以及光盘驱动器接口被连接到系统总线。驱动器和它们关联的计算机可读媒体为通用计算装置提供计算机可读指令、数据结构、程序模块以及其它数据的非易失性存储。典型地，计算机系统140包括用于管理计算机资源在非易性储存器中存储的操作系统(OS)，并且给应用和程序提供对计算机资源和接口的访问。操作系统通常处理系统数据和用户输入，并且通过分配以及管理任务和内部系统资源做出响应，例如控制并且分配存储器、对系统请求进行优先级排序、控制输入和输出装置、促进联网和管理文件来。操作系统的非限制性示例包括微软Windows、MacOSX以及Linux。术语“处理器”意在包括能够对至少一个指令执行操作的任何集成电路或其它电子装置(或装置的合集)，包括但不限于精简指令集核(RISC)处理器、CISC微处理器、微控制器单元(MCU)、基于CISC的中央处理单元(CPU)以及数字信号处理器(DSP)。这样的装置的硬件可以被集成到单个衬底(例如，硅“管芯”)上，或者分布在两个或更多个衬底之间。此外，处理器的各种功能方面可以被单独实现为与处理器相关联的软件或固件。计算机系统140可以经由总线137被耦合到显示屏131，诸如阴极射线管(CRT)、液晶显示屏(LCD)、平面屏幕监视器、触摸屏监视器或用于将文本和图形数据显示给用户的类似装置。显示屏可以经由用于支持显示屏的视频适配器来连接。显示屏允许用户查看、键入和/或编辑与系统的操作相关的信息。包括字母数字和其它键的输入装置132被耦合到总线137以用于将信息和命令选择传送到处理器138。另一类型的用户输入装置是光标控件133，诸如鼠标、轨迹球或用于将方向信息和命令选择传送到处理器138并且用于控制显示屏131上的光标移动的光标方向键。这个输入装置典型地在两个轴中，即第一轴(例如，x)和第二轴(例如，y)，具有两个自由度，这允许装置指定平面中的位置。计算机系统140可以被用于实现本文中所描述的方法和技术。根据一个实施例，这些方法和技术通过计算机系统140响应于处理器138执行在主存储器134中包含的一个或多个指令的一个或多个序列来执行。这样的指令可以被从诸如存储设备135之类的另一计算机可读介质读取到主存储器134中。在主存储器134中包含的指令的序列的执行使处理器138执行本文中所描述的过程步骤。在可替代实施例中，可以代替或者与软件指令相结合地使用硬连线电路以实现布置。因此，本发明的实施例不限于硬件电路和软件的任何特定组合。如本文中所使用的术语“计算机可读介质”(或“机器可读介质”)是指的是参与将指令提供给处理器(诸如处理器138)以供执行的任何介质或任何存储器或用于以可由机器(例如，计算机)可读的形式来存储或者传送信息的任何机制的可扩展术语。这样的介质可以存储待由处理元件和/或控制逻辑执行的计算机可执行指令，以及被处理元件和/或控制逻辑操纵的数据，并且可以采取许多形式，包括但不限于非易失性介质、易失性介质以及传输介质。传输媒体包括同轴电缆、铜电线以及光纤，包括含总线137的电线。传输媒体还能够采取诸如在无线电波和红外线数据通信期间生成的那些之类的声波或光波的形式，或传播信号(例如，载波、红外线信号、数字信号等)的其它形式。计算机可读媒体的常见形式例如包括软盘、柔性盘、硬盘、磁带或任何其它磁介质、CD-ROM、任何其它光学介质、穿孔卡片、纸带、具有孔的图案的任何其它物理介质、RAM、PROM以及EPROM、FLASH-EPROM、任何其它存储器芯片或盒式磁盘、如在下文中所描述的载波或从其计算机能够读取的任何其它介质。可以在将一个或多个指令的一个或多个序列承载到处理器138以供执行时涉及各种形式的计算机可读媒体。例如，指令最初可以被承载在远程计算机的磁盘上。远程计算机能够将指令加载到其动态存储器中并且使用调制解调器通过电话线发送指令。计算机系统140本地的调制解调器能够在电话线上接收数据并且使用红外线发射机来将数据转换为红外线信号。红外线检测器能够接收在红外线信号中承载的数据，并且适当的电路能够将数据放在总线137上。总线137将数据承载到主存储器134，处理器138从所述主存储器134检索并且执行指令。由主存储器134所接收到的指令可以可选地要么在通过处理器138执行之前要么在通过处理器138执行之后被存储在存储设备135上。计算机系统140同样包括耦合到总线137的通信接口141。通信接口141提供耦合到被连接到本地网络111的网络链路139的双向数据通信。例如，通信接口141可以是综合业务数字网(ISDN)卡或调制解调器以将数据通信连接提供给对应类型的电话线。作为另一非限制性示例，通信接口141可以是用来将数据通信连接提供给兼容LAN的局域网(LAN)卡。例如，可以使用基于IEEE802.3标准的基于以太网的连接，诸如如在思科系统公司、公开号1-587005-001-3(6/99)、“IntemetworkingTechnologiesHandbook”第7章：“EthernetTechnologies”第7-1至7-38页中所描述的10/100BaseT、1000BaseT(吉比特以太网)、10吉比特以太网(依照IEEEStd802.3ae-2002为标准的10GE或10GbE或10GigE)、40吉比特以太网(40GbE)或100吉比特以太网(按照以太网标准IEEEP802.3ba的100GbE)，其被整体地结合以用于所有目的好像在本文中完全地阐述。在这样的情况下，通信接口141典型地包括LAN收发器或调制解调器，诸如在标准微系统公司(SMSC)数据手册″LAN91C11110/100Non-PCIEthernetSingleChipMAC+PHY″数据手册Rev.15(02-20-04)中所描述的标准微系统公司(SMSC)LAN91C11110/100以太网收发器，所述收据手册被整体地结合以用于所有目的好像在本文中完全地阐述。还可以实现无线链路。在任何这样的实现方式中，通信接口141发送并且接收承载表示各种类型的信息的数字数据流的电、电磁或光学信号。网络链路139典型地通过一个或多个网络将数据通信提供给其它数据装置。例如，网络链路139可以通过局部网络111将连接提供给主机计算机或者给由互联网服务提供商(ISP)142所操作的数据设备。ISP142进而通过万维分组数据通信网络互联网11来提供数据通信服务。局部网络111和互联网11两者都使用承载数字数据流的电、电磁或光学信号。通过各种网络的信号和在网络链路139上并且通过通信接口141的信号是传输信息的载波的示例性形式，所述通信接口141承载发往和来自计算机系统140的数字数据。接收到的代码可以由处理器138在它被接收时执行，和/或存储在存储设备135或其它非易失性储存器中以供稍后执行。以这种方式，计算机系统140可以获得形式为载波的应用代码。可以用根据本文中所公开的方案的相关处理器、网络、计算机系统、互联网以及组件和功能来实现并且利用追溯地评估低血糖的风险、追溯地评估胰岛素给药的基于风险的减少以及报告关于如何防止低血糖并且享受其他相关有益效果的构思。出版物如下文所述、并且贯穿本文档所列举的以下专利、申请以及出版物通过引用整体地结合在本文中，并且相对于本发明，其不通过被包括在本部分中而被承认为现有技术。1.AlbisserAM，LeibelBS，EwartTG，DavidovacZ，BotzCK，ZingggW.Anartificialendocrinepancreas.Diabetes，23：389-396，1974.2.BellazziR，NucciG，CobelliC：Thesubcutaneousroutetoinsulin-dependentdiabetestherapy：closed-loopandpartiallyclosed-loopcontrolstrategiesforinsulindeliveryandmeasuringglucoseconcentration.IEEEEngMedBiol20：54-64，2001.3.BequetteBW.AnalysisofAlgorithmsforIntensiveCareUnitBloodGlucoseControl.JDiabetesSciTechnol，1：813-824，2007.4.BergmanRN，IderYZ，BowdenCR，CobelliC.Quantitativeestimationofinsulinsensitivity.AmJPhysiol.236：E667-E677，1979.5.BoyneM，SilverD，KaplanJ，andSaudekC：TimingofChangesinInterstitialandVenousBloodGlucoseMeasuredWithaContinuousSubcutaneousGlucoseSensor.Diabetes，52：2790-2794，2003.6.BroekhuyseHM，NelsonJD，ZinmanB，andAlbisserAM：Comparisonofalgorithmsfortheclosed-loopcontrolofbloodglucoseusingtheartificialbetacell.IEEETransBiomedEngBME-28：678-687，1981.7.BrunettiP.，CobelliC，CrucianiP.，FabiettiP.G.，FilippucciF.，SanteusanioF.：Asimulationstudyonaself-tuningportablecontrollerofbloodglucose.IntJArtificialOrgans16：51-57，1993.8.ClarkeWLandKovatchevBP.TheArtificialPancreas：HowCloseWeAretoClosingtheLoop？PedEndocrinolRev，4：314-316，2007.9.ClarkeWL，CoxDJ，Gonder-FrederickLA，JulianDM，KovatchevBP，Young-HymanD.Thebio-psycho-behavioralmodelofseverehypoglycemiaII：Self-managementbehaviors.DiabetesCare22：580-584，1999.10.ClemensAH，ChangPH，MyersRW.ThedevelopmentofBiostator，aglucose-controlledinsulininfusionsystem.HormMetabResSupplement，7：23-33，1977.11.ClemensAH：Feedbackcontroldynamicsforglucosecontrolledinsulininfusionsystem.MedProgTechnol6：91-98，1979.12.CobelliCandKovatchevBP.ClinicalTrialofModel-PredictiveControlPoweredbyInSilicoStudies.Proc.8thDiabetesTechnologyMeeting，Bethesda，MD，2008.13.CobelliC，RuggeriA：Evaluationofportal/peripheralrouteandofalgorithmsforinsulindeliveryintheclosed-loopcontrolofglucoseindiabetes.Amodellingstudy.IEEETransBiomedEng30：93-103，1983.14.CryerPE，DavisSN，ShamoonH.HypoglycemiainDiabetes.DiabetesCare，26：1902-1912，2003.15.CryerPE.Hypoglycaemia：ThelimitingfactorintheglycaemicmanagementoftypeIandtypeIIdiabetes.Diabetologia45：937-948，2002.16.CryerPE.Iatrogenichypoglycemiaasacauseofhypoglycemia-associatedautonomicfailureinIDDM：Aviciouscycle.Diabetes41：255-260，1992.17.CryerPE：Hypoglycemia：TheLimitingfactorinthemanagementofIDDM.Diabetes43：1378-1389，1994.18.DassauE，BequetteBW，BuckinghamBA，DoyleFJ3rd.Detectionofamealusingcontinuousglucosemonitoring：implicationsforanartificialbeta-cell.DiabetesCare，31：295-300，2008.19.DassauE，CameronF，NeimeyerG，ChaseP，BuckinghamB.Real-timeHypoglycemicPredicitonUsingContinuousGlucoseMonitoring(CGM).Diabetes，57Suppl1，2008.20.DuaP，DoyleFJ3rd，PistikopoulosEN.“Model-BasedBloodGlucoseControlforType1DiabetesviaParametricProgramming.”IEEETransBiomedEng.53：1478-1491，2006.21.EW，CampbellLV，ChiaYO，MeierH，andLazarusL：Controlofbloodglucoseindiabeticsusinganartificialpancreas.AustNZJMed7：280-286，1977.22.FischerU，JutziE，FreyseE-J，andSalzsiederE：Derivationandexperimentalproofofanewalgorithmfortheartificialbeta-cellbasedontheindividualanalysisofthephysiologicalinsulin-glucoserelationship.Endokrinologie71：65-75，1978.23.FischerU，SchenkW，SalzsiederE，AlbrechtG，AbelP，andFreyseE-J：Doesphysiologicalbloodglucosecontrolrequireanadaptivestrategy？IEEETransBiomedEng34：575-582，1987.24.FisherME：Asemiclosed-loopalgorithmforthecontrolofbloodglucoselevelsindiabetics.IEEETransBiomedEng38：57-61，1991.25.GoldAE，DearyIJ，FrierBM.RecurrentseverehypoglycaemiaandcognitivefunctionintypeIdiabetes.DiabetMed10：503-508，1993.26.Gonder-FrederickL，CoxD，KovatchevB，SchlundtD，ClarkeW.Abiopsychobehavioralmodelofriskofseverehypoglycemia.DiabetesCare，20：661-669，1997.27.HovorkaR，CanonicoV，ChassinLJ，etal.Nonlinearmodelpredictivecontrolofglucoseconcentrationinsubjectswithtype1diabetes.PhysiolMeas25：905-920，2004.28.HovorkaR，ChassinLJ，WilinskaME，etal.Closingtheloop：theADICOLexperience.DiabetesTechnolTher.6：307-318，2004.29.HovorkaR：Continuousglucosemonitoringandclosed-loopsystems.DiabetMed23：1-12，2006.30.HughesCS，S.D.PatekSD，M.BretonMD，andBPKovatchev.HypoglycemiaPreventionviaPumpAttenuationandRed-Yellow-Green“Traffi”LightsusingCGMandInsulinPumpData，JDiabSciandTech，4：1146-1155，2010.31.KlonoffDC：TheArtificialPancreas：HowSweetEngineeringWillSolveBitterProblems.JDiabetesSciTechnol，1：72-81，2007.32.KovatchevBP，ClarkeWL.Continuousglucosemonitoringreducesrisksforhypo-andhyperglycemiaandglucosevariabilityindiabetes.Diabetes，56，Supplement1：0086OR，2007.33.KovatchevBP，CoxDJ，FarhyLS，StraumeM，Gonder-FrederickLA，Clarke，WL.EpisodesofSevereHypoglycemiainType1DiabetesarePreceded，andFollowed，within48HoursbyMeasurableDisturbancesinBloodGlucose.JofClinicalEndocrinologyandMetabolism，85：4287-4292，2000.34.KovatchevBP，CoxDJ，Gonder-FrederickLA，andWLClarke.Symmetrizationofthebloodglucosemeasurementscaleanditsapplications，DiabetesCare，20：1655-1658，1997.35.KovatchevBP，StraumeM，CoxDJ，FarhyLS.Riskanalysisofbloodglucosedata：Aquantitativeapproachtooptimizingthecontrolofinsulindependentdiabetes.JofTheoreticalMedicine，3：1-10，2001.36.KulcuE，TamadaJA，ReachG，PottsRO，LeshoMJ：Physiologicaldifferencesbetweeninterstitialglucoseandbloodglucosemeasuredinhumansubjects.DiabetesCare，26：2405-2409，2003.37.LeblancH，ChauvetD，LombrailP，RobertJJ：Glycemiccontrolwithclosed-loopintraperitonealinsulinintypeIdiabetes.DiabetesCare，9：124-128，1986.38.agniL，RaimondoF，BossiL，DallaManC，DeNicolaoG，KovatchevBP，CobelliC.ModelPredictiveControlofType1Diabetes：AnInSilicoJDiabetesSciTechnol，1：804-812，2007.39.arlissEB，MurrayFT，StokesEF，ZinmanB，NakhoodaAF，DenogaA，LeibelBS，andAlbisserAM：Normalizationofglycemiaindiabeticsduringmealswithinsulinandglucagondeliverybytheartificialpancreas.Diabetes26：663-672，1977.40.NucciG.，CobelliC.Modelsofsubcutaneousinsulinkinetics.Acriticalreview.ComputMethodsProgramsBiomed.，62：249-57Review，2000.41.OllertonRL：Applicationofoptimalcontroltheorytodiabetesmellitus.IntJControl50：2503-2522，1989.42.OwensC，ZisserH，JovanovicL，SrinivasanB，BonvinD，DoyleFJ3rd.Run-to-runcontrolofglucoseconcentrationsforpeoplewithType1diabetesmellitus.IEEETransBiomedEng.53：996-1005，2006.43.PalermCC，ZisserH，BevierWC，JovanovicL，DoyleFJ3rd.Prandialinsulindosingusingrun-to-runcontrol：applicationofclinicaldataandmedicalexpertisetodefineasuitableperformancemetric.DiabetesCare.30：1131-1136，2007.44.PalermCC，ZisserH，JovanoviěL，DoyleFJ3rd.ARun-to-RunControlStrategytoAdjustBasalInsulinInfusionRatesinType1Diabetes.JProcessControl.18：258-265，2008.45.ParkerRS，DoyleFJ3rd，PeppasNA.Amodel-basedalgorithmforbloodglucosecontrolinTypeIdiabeticpatients.IEEETransBiomedEng，48：148-157，1999.46.PatekSD，BretonMD，CobelliC，DallaManC，andKovatchevBP.Adaptivemealdetectionalgorithmenablingclosed-loopcontrolintype1diabetes.Proc.7thDiabetesTechnologyMeeting，SanFrancisco，CA，2007.47.PatekSD.Open-LoopFeedbackControlunderMultipleDisturbanceFunctionHypotheses，Proc.oftheIEEEConferenceonDecisionandControl，2010，Atlanta.48.PfeifferEF，ThumCh，andClemensAH：Theartificialbetacell-Acontinuouscontrolofbloodsugarbyexternalregulationofinsulininfusion(glucosecontrolledinsulininfusionsystem).HormMetabRes487：339-342，1974.49.ReichardP，PhilM.Mortalityandtreatmentsideeffectsduringlong-termintensifiedconventionalinsulintreatmentintheStockholmDiabetesInterventionstudy.Diabetes43：313-317，1994.50.ReifmanJ，RajaramanS，GribokA，WardWK.Predictivemonitoringforimprovedmanagementofglucoselevels.JDiabetesSciTechnol1：478-486，2007.51.RenardE：Implantableclosed-loopglucose-sensingandinsulindelivery：thefutureforinsulinpumptherapy，CurrentOpinioninPharmacology，2：708-716，2002.52.SalzsiederE，AlbrechtG，FischerU，andFreyseE-J：Kineticmodelingofthegluco-regulatorysystemtoimproveinsulintherapy.IEEETransBiomedEng32：846-855，1985.53.SantiagoJV，ClemensAH，ClarkeWL，KipnisDM.Closed-loopandopen-loopdevicesforbloodglucosecontrolinnormalanddiabeticsubjects.Diabetes，28：71-84，1979.54.SchallerHC，SchauppL，BodenlenzM，WilinskaME，ChassinLJ，WachP，VeringT，HovorkaR，PieberTR：On-lineadaptivealgorithmwithglucosepredictioncapacityforsubcutaneousclosedloopcontrolofglucose：evaluationunderfastingconditionsinpatientswithType1diabetes.DiabetMed23：90-93，2006.55.SelamJL，MicossiP，DunnFL，andNathanDM：ClinicaltrialofprogrammableimplantableinsulinpumpfortypeIdiabetes，DiabetesCare15：877-885，1992.56.SorensenJT：APhysiologicModelofGlucoseMetabolisminMananditsUsetoDesignandAssessImprovedInsulinTherapiesforDiabetes，Ph.D.dissertation，DeptChemicalEngineering，MIT，1985.57.SparacinoG，ZanderigoF，CorazzaG，MaranA，FacchinettiA，CobelliC.Glucoseconcentrationcanbepredictedaheadintimefromcontinuousglucosemonitoringsensortime-series.IEEETransBiomedEng，54：931-937，2007.58.SteilGM，RebrinK，DarwinC，HaririF，SaadMF.Feasibilityofautomatinginsulindeliveryforthetreatmentoftype1diabetes.Diabetes55：3344-3350，2006.59.StoutPJ，RacchiniJR，HilgersME：ANovelApproachtoMitigatingthePhysiologicalLagbetweenBloodandInterstitialFluidGlucoseMeasurements.DiabetesTechnolTher，6：635-644，2004.60.TheDiabetesControlandComplicationsTrialResearchGroup.HypoglycemiaintheDiabetesControlandComplicationsTrial.Diabetes46：271-286，1997.61.TheDiabetesControlandComplicationsTrialResearchGroup.Theeffectofintensivetreatmentofdiabetesonthedevelopmentandprogressionoflong-termcomplicationsofinsulin-dependentdiabetesmellitus.NEnglJMed329：978-986，1993.62.WeinzimerSA，SteilGM，SwanKL，DziuraJ，KurtzN，TamborlaneWV：Fullyautomatedclosed-loopinsulindeliveryversussemi-automatedhybridcontrolinpediatricpatientswithtype1diabetesusinganartificialpancreas.DiabetesCare31：934-939，2008.63.WentholtIME，HartAAM，HoekstraJBL，DeVriesJH.RelationshipBetweenInterstitialandBloodGlucoseinType1DiabetesPatients：DelayandthePush-PullPhenomenonRevisited.DiabetesTechnolTher，9：169-175，2004.64.WilinskaME，ChassinLJ，SchallerHC，SchauppL，PieberTR，HovorkaR.Insulinkineticsintype-1diabetes：continuousandbolusdeliveryofrapidactinginsulin.IEEETrans.Biomed.Eng.52：3-12，2005.65.ZanderigoF，SparacinoG，KovatchevB，CobelliC.GlucosePredictionAlgorithmsfromcontinuousmonitoring：AssessmentofaccuracyviaContinuousGlucose-ErrorGridAnalysis.JDiabetesSciTechnol，1：645-651，200766.ZisserH，JovanovicL，DoyleFJ3rd，OspinaP，OwensC.Run-to-RunControlofMeal-RelatedInsulinDosing.DiabTechnolTher7：48-57，2005.67.C.S.Hughes，S.D.Patek，A.Taylor，R.Park，K.Laub-scher，S.Pillutla，M.Breton，andB.P.Kovatchev.In-silicoexperimentsofhumaneatingpatterns：Makingacaseforbehavior-informedcontrolofT1DM.InProc.UKACCInternationalConferenceofControl，2010.引用本文中所公开的本发明的各种实施例的装置、系统、计算机可读介质以及方法可以利用在以下引用、应用、出版物以及专利中公开的并且通过引用整体地结合在本文中，并且相对于本发明，其不通过被包括在这个部分中而被承认为现有技术。A.2012年6月23日提交的Kovatchev等人“UnifiedPlatformForMonitoringandControlofBloodGlucoseLevelsinDiabeticPatients”的国际专利申请序号PCT/US2012/043910。B.2012年6月22日提交的Kovatchev等人“MethodsandApparatusforModularPowerManagementandProtectionofCriticalServicesinAmbulatoryMedicalDevices”的国际专利申请序号PCT/US2012/043883。C.2011年3月24日提交的Kovatchev等人标题为“Method，System，andComputerProgramProductforImprovingtheAccuracyofGlucoseSensorsUsingInsulinDeliveryObservationinDiabetes”的国际专利申请序号PCT/US2011/029793。D.2011年3月11日提交的Breton等人标题为“MethodandSystemfortheSafety，AnalysisandSupervisionofInsulinPumpActionandOtherModesofInsulinDeliveryinDiabetes”的PCT/US2011/028163。E.2010年9月2日提交的Kovatchev等人“TrackingtheProbabilityforImminentHypoglycemiainDiabetesfromSelf-MonitoringBloodGlucose(SMBG)Data”的国际专利申请序号PCT/US2010/047711。F.2010年8月31日提交的Kovatchev等人“System，MethodandComputerProgramProductforAdjustmentofInsulinDelivery(AID)inDiabetesUsingNominalOpen-LoopProfiles”的国际专利申请序号PCT/US2010/047386。G.2010年6月25日提交的Kovatchev等人“System，Method，andComputerSimulationEnvironmentforInSilicoTrialsinPrediabetesandType2Diabetes”的国际专利申请序号PCT/US2010/040097。H.2010年5月28日提交的Kovatchev等人“SystemCoordinatorandModularArchitectureforOpen-LoopandClosed-LoopControlofDiabetes”的国际专利申请序号PCT/US2010/036629(公开号WO2010/138848，2010年12月2日)。I.2010年2月25日提交的Kovatchev等人标题为“Method，SystemandComputerProgramProductforCGM-BasedPreventionofHypoglycemiaviaHypoglycemiaRiskAssessmentandSmoothReductionInsulinDelivery”的国际专利申请序号PCT/US2010/025405。J.Kovatchev等人2009年11月24日提交的标题为“Method，System，andComputerProgramProductforTrackingofBloodGlucoseVariabilityinDiabetesfromData”的国际专利申请序号PCT/US2009/065725。K.2008年10月31日提交的Magni等人标题为“ModelPredictiveControlBasedMethodforClosed-LoopControlofInsulinDeliveryinDiabetesUsingContinuousGlucoseSensing”的国际专利申请序号PCT/US2008/082063；2010年4月28日提交的Magni等人标题为“PredictiVeControlBasedSystemandMethodforControlofInsulinDeliveryinDiabetesUsingGlucoseSensing”的美国专利申请序号12/740,275。L.2008年7月8日提交的Breton等人标题为“Method，SystemandComputerProgramProductforEvaluationofInsulinSensitivity，Insulin/CarbohydrateRatio，andInsulinCorrectionFactorsinDiabetesfromSelf-MonitoringData”的国际专利申请序号PCT/US2008/069416(公开号WO2009/009528，2009年1月15日)；2009年12月17日提交的Breton等人“Method，SystemandComputerProgramProductforEvaluationofInsulinSensitivity，Insulin/CarbohydrateRatio，andInsulinCorrectionFactorsinDiabetesfromSelf-MonitoringData”的美国专利申请序号12/665,149。M.2008年6月20日提交的Kovatchev等人标题为“Method，SystemandComputerSimulationEnvironmentforTestingofMonitoringandControlStrategiesinDiabetes”的国际专利申请序号PCT/US2008/067725(公开号WO2008/157781，2008年12月24日)；Kovatchev等人2009年12月14日提交的标题为“Method，SystemandComputerSimulationEnvironmentforTestingofMonitoringandControlStrategiesinDiabetes”的美国专利申请公开序号12/664,444(公开号2010/0-179768，2010年7月15日)。N.2008年6月20日提交的Patek等人标题为“LQGArtificialPancreasControlSystemandRelatedMethod”的国际专利申请序号PCT/US2008/067723。O.Kovatchev等人2009年5月22日提交的标题为“Method，System，andComputerProgramProductfortheDetectionofPhysicalActivitybyChangesinHeartRate，AssessmentofFastChangingMetabolicStates，andApplicationsofClosedandOpenControlLoopinDiabetes”的美国专利申请序号12/516,044。P.Kovatchev等人2007年12月27日提交的标题为“Method，System，andComputerProgramProductfortheDetectionofPhysicalActivitybyChangesinHeartRate，AssessmentofFastChangingMetabolicStates，andApplicationsofClosedandOpenControlLoopinDiabetes”的国际专利申请序号PCT/US2007/085588(公开号WO2008/067284，2008年6月5日)。Q.Kovatchev等人2007年11月20日提交的标题为“Systems，MethodsandComputerProgramCodesforRecognitionofPatternsofHyperglycemiaandHypoglycemia，IncreasedGlucoseVariability，andIneffectiveSelf-MonitoringinDiabetes”的美国专利申请序号11/943,226。R.Kovatchev等人2006年10月18日提交的标题为“Method，SystemandComputerProgramProductforEvaluatingtheAccuracyofBloodGlucoseMonitoringSensors/Devices”的美国专利申请序号11/578,831(公开号US2007/0232878，2007年10月4日)，2010年10月29日颁发的Kovatchev等人的美国专利No.7,815,569。S.Kovatchev等人2005年4月21日提交的标题为“Method，System，andComputerProgramProductforEvaluationoftheAccuracyofBloodGlucoseMonitoringSensors/Devices”的国际申请序号PCT/US2005/013792(公开号WO05106017，2005年11月10日)。T.Kovatchev等人2001年3月29日提交的标题为“Method，System，andComputerProgramProducttorEvaluationofGlycemicControlinDiabetesSelf-MonitoringData”的国际专利申请序号PCT/US01/09884(公开号WO01/72208，2001年10月4日)。U.Kovatchev等人2002年9月26日提交的美国专利申请序号10/240,228(公开号0212317，2003年11月13日)、Kovatchev等人2006年4月11日颁发的标题为“Method，System，andComputerProgramProductfortheEvaluationofGlycemicControlinDiabetesfromSelf-MonitoringData”的美国专利No.7,025,425B2。V.Kovatchev等人2005年12月19日提交的标题为“Method，System，andComputerProgramProductfortheEvaluationofGlycemicControlinDiabetesfromSelf-MonitoringData”的美国专利申请序号11/305,946(公开号2006/0094947，2006年5月4日)，2011年1月25日颁发的Kovatchev等人的美国专利No.7,874,985。W.2010年12月22提交的Kovatchev等人“Method，System，andComputerProgramProductfortheEvaluationofGlycemicControlinDiabetesfromSelf-MonitoringData”的美国专利申请序号12/975,580。X.Kovatchev等人2003年8月8日提交的标题为“Method，System，andComputerProgramProductfortheProcessingofSelf-MonitoringBloodGlucose(SMBG)DatatoEnhanceDiabeticSelf-Management”的国际专利申请序号PCT/US2003/025053(公开号WO2004/015539，2004年2月19日)。Y.Kovatchev等人2005年2月9日提交的标题为“ManagingandProcessingSelf-MonitoringBloodGlucose”的美国专利申请序号10/524,094(公开号2005/214892，2005年9月29日)。Z.Kovatchev等人2008年8月29日提交的标题为“AccuracyofContinuousGlucoseSensors”的美国专利申请序号12/065,257(公开号2008/0314395，2008年12月25日)AA.Kovatchev等人2006年8月29日提交的标题为“MethodforImprovisingAccuracyofContinuousGlucoseSensorsandaContinuousGlucoseSensorUsingtheSame”的国际专利申请序号PCT/US2006/033724(公开号WO07027691，2007年3月8日)。BB.Kovatchev，B.2008年7月2提交的标题为“Method，SystemandComputerProgramProductforEvaluationofBloodGlucoseVariabilityinDiabetesfromSelf-MonitoringData”的美国专利申请序号12/159,891(公开号2009/0171589，2009年7月2日)。CC.Kovatchev，B.2007年1月5日提交的标题为“Method，SystemandComputerProgramProductforEvaluationofBloodGlucoseVariabilityinDiabetesfromSelf-MonitoringData”的国际申请No.PCT/US2007/000370(公开号WO07081853，2007年7月19日)。DD.Breton等人2007年10月26日提交的标题为“ForMethod，SystemandComputerProgramProductforReal-TimeDetectionofSensitivityDeclineinAnalyteSensors”的美国专利申请序号11/925,689和PCT国际专利申请No.PCT/US2007/082744(公开号2008/0172205、2008年7月17日和WO2008/052199、2008年5月2日)。EE.Kovatchev等人2002年2月22日提交的标题为“MethodandApparatusforPredictingtheRiskofHypoglycemia”的美国专利申请序号10/069,674。FF.Kovatchev等人2000年8月21日提交的标题为“MethodandApparatusforPredictingtheRiskofHypoglycemia”的国际申请No.PCT/USOO/22886(公开号WO01/13786，2001年3月1日)。GG.Kovatchev等人2005年8月2日颁发的标题为“MethodandApparatusforPredictingtheRiskofHypoglycemia”的美国专利申请序号6,923,763B1。HH.Goodnow等人2003年6月10日提交的序号10/458,914、2004年12月16日公开的美国专利申请公开号US2004/0254434A1“GlucoseMeasuringModuleandInsulinPumpCombination”。II.2007年9月6日序号11/851，194、2009年3月12日公开的Estes等人“OperatinganInfusionPumpSystem”的美国专利公开号US2009/00697456A1。JJ.Fernandez-Luque等人，eDiab：ASystemforMonitoring，AssistingandEducatingPeoplewithDiabetes″，ICCHP2006，LNCS4061，pp.1342-1349，2006.KK.2003年8月5日Quy，R.的MethodandApparatusforHealthandDiseaseManagementCombiningPatientDataMonitoringwithWirelessInternetConnectivity美国专利No.6,602,191B2。LL.2008年5月29日Patel等人SystemsandMethodsforDiabetesManagementUsingConsumerElectronicDevices国际专利申请公开号WO2008/064053A2；2007年11月15日提交的国际专利申请序号PCT/US2007/084769。MM.2010年12月2日Ow-Wing，K.的GlucoseMonitoringSystemwithWirelessCommunications国际专利申请公开号WO2010/138817A1；2010年5月28日提交的国际专利申请序号WO2010/138817A1。NN.2004年6月24日Kim、Kwan-Ho的BloodGlucoseMonitoringSystem国际专利申请公开号WO2004/052204A1；2003年2月28日提交的国际专利申请序号PCT/KR2003/000398。示例将从以下示例仍然更全面地理解本发明的实施例(或多实施例)的方面的实践，所述示例在本文中被呈现仅用于图示并且不应该解释为以任何方式限制本发明。示例1.一种用于提供患者的低血糖风险的后验评估的基于处理器的方法，所述方法包括：提供算法以基于绝对的BG水平、BG变异性以及与低血糖的后(条件)概率P(Ehypo|记录)高度相关的胰岛素给药，以针对低血糖风险来计算统计量Rhypo(记录)，其中Ehypo表示第二天中的低血糖事件并且记录指的是受试者的历史BG、胰岛素给药以及活动记录；以及提供经计算的统计量Rhypo(记录)，从而关于所述患者的低血糖的概率的可行性现有警告被如此提供给患者或用户。示例2.根据示例1所述的方法，其中所述绝对的BG水平和BG变异性可以是得自CGM装置的数据并且所述绝对的胰岛素给药可以是从胰岛素泵装置获得的数据。示例3.根据示例1所述的方法，其中所述绝对的BG水平和BG变异性可以是得自CGM装置的数据并且所述绝对的胰岛素给药可以是从手动胰岛素注射装置获得的数据。示例4.根据示例1所述的方法，其中所述绝对的BG水平和BG变异性可以是得自SMBG装置的数据和/或所述绝对的胰岛素给药可以是从胰岛素泵装置获得的数据。示例5.根据示例1所述的方法，其中所述绝对的BG水平和BG变异性可以是得自SMBG装置的数据和/或所述绝对的胰岛素给药可以是从手动胰岛素注射装置获得的数据。示例6.一种用于追溯地为患者提供安全水平的胰岛素的基于处理器的方法，所述方法包括：提供算法以追溯地计算所述受试者的胰岛素给药的记录的基于风险的孤立衰减因子；以及提供所计算的基于风险的孤立衰减因子并且应用所述基于风险的衰减因子，以便任何内部阈值被提供给所述患者或用户以用于在将来可以被实现的膳食和/或随后锻炼之前对减少的临时基础速率进行决定。示例7.根据示例6所述的方法，其中所述胰岛素给药的记录可以是从胰岛素泵装置获得的数据。示例8.根据示例6所述的方法，其中所述胰岛素给药的记录可以是从手动胰岛素注射装置获得的数据。示例9.根据示例6所述的方法，其中所述基于风险的衰减因子将被计算如下：φ(R(t,τ))=11+kpatientR(t,τ)]]>其中R(t，τ)是基于函数的BG对称性、基于直到时间t的BG和胰岛素数据的历史记录在时间t与t+τ之间的低血糖风险的量度，并且kpatient是患者特异性“侵略性”因子。示例10.一种用于提供基于“净效应”的患者自适应模型的基于处理器的方法，所述方法包括：提供算法以计算：所述患者的代谢系统的动态模型，其中所述动态模型包括模型患者的个体生理学的描述性参数；通过所述动态模型来说明历史记录中的葡萄糖变异性的行为“净效应”模型的对应推断历史；其中所述“净效应”模型包括所述模型患者的数学表示摄动；以及所述患者的生理参数基于以下二者的更新：(i)所述动态模型基于已知输入预测将来的BG的能力和(ii)所述模型产生与所述患者的所述摄动的记录一致的净效应曲线的能力；以及将所述更新提供给所述患者或用户，从而患者或用户能够对于将来的动作过程使用所述更新。示例11.根据示例10所述的方法，其中所述描述性参数包括口服碳水化合物d(g/min)、身体活动e(cal/min)、皮下胰岛素u(U/hr)以及其元素包括身体的各种隔室中的葡萄糖和胰岛素浓度(mg/dl)和肠中的碳水化合物质量(mg)的所述模型患者的代谢状态向量χ之间的动态关系的表示。示例12.根据示例11所述的方法，其中所述葡萄糖浓度(mg/dl)可以是得自CGM装置的数据并且所述皮下胰岛素u和所述胰岛素浓度(mg/dl)可以是从胰岛素泵装置获得的数据。示例13.根据示例11所述的方法，其中所述葡萄糖浓度(mg/dl)可以是得自CGM装置的数据并且所述皮下胰岛素u和所述胰岛素浓度(mg/dl)可以是从手动胰岛素注射装置获得的数据。示例14.根据示例11所述的方法，其中所述葡萄糖浓度(mg/dl)可以是得自SMBG装置的数据和/或所述皮下胰岛素u和所述胰岛素浓度(mg/dl)可以是从胰岛素泵装置获得的数据。示例15.根据示例11所述的方法，其中所述葡萄糖浓度(mg/dl)可以是得自SMBG装置的数据和/或所述皮下胰岛素u和所述胰岛素浓度(mg/dl)可以是从手动胰岛素注射装置获得的数据。示例16.根据示例11所述的方法，其中所述描述性参数的关系能够被描述为一组离散时间非线性差分方程：χ(k+1)＝F(χ(k)，u(k)，d(k)，e(k)；θ(k))BGmodel(k)＝G(χ(k)，u(k)，d(k)，e(k)；θ(k))其中F和G是非线性系统方程并且θ(k)是作为所述患者的特性的参数值的向量，所述患者的特性诸如身体重量、各种隔室中分配的容积、描述各种隔室之间的吸收和清除的速率的各种时间常数，其中的一些易于作为时间k的函数而变化。示例17.根据示例11所述的方法，其中所述描述性参数的关系能够被描述为一组连续时间非线性差分方程：χ·(t)=F(χ(t),u(t),d(t),e(t);θ(t))]]>BGmodel(t)＝G(χ(t)，u(t)，d(t)，e(t)；θ(t))。示例18.根据示例17所述的方法，其中能够在任何期望的工作点(例如稳态葡萄糖浓度)附近直线化非线性表示以产生线性动态模型：x(k+1)＝Ax(k)+Buuδ(k)+Bdd(k)+Bee(k)y(k)＝Cx(k)其中x是代谢状态微分(远离工作点)的向量，uδ(U/hr)是胰岛素给药中与所述患者的稳态(基础)胰岛素给药速率的偏差，A、Bu、Bd、Be是所述线性模型的状态空间度量，并且y(k)表示远离所期望的工作点的BG偏差，以及对θ(k)的依赖性被嵌入在所述状态空间度量A、Bu、Bd、Be内。示例19.根据示例10所述的方法，其中所述摄动包括膳食分布、身体活动以及睡着/醒来周期。示例20.根据示例10所述的方法，其中所述“净效应”模型提供使所述患者的BG的历史记录和胰岛素给药的历史记录一致的虚拟系统输入的“历史”。示例21.根据示例20所述的方法，其中所述患者的BG浓度的历史记录{BG(k)}k∈day以及胰岛素给药的历史记录{u(k)}k∈day、使历史信息一致的所述净效应是虚拟碳水化合物输入{dn.e.(k)}k∈day的向量，其最小化误差函数：dist({BG(k)}k∈day，{BGmodel(k)}k∈day|{u(k)}k∈day，{dn.e.(k)}k∈day)，其中dist考虑胰岛素给药的固定记录{u(k)}k∈day和候选净效应向量{dn.e.(k)}k∈day来测量BG浓度的两个向量之间的距离(在这种情况下，实际的BG与模型预测的BG)。示例22.根据示例21所述的方法，其中结果得到的最优净效应向量(亦称为净效应曲线){dn.e.(k)}k∈day最优地使由所述患者通过虚拟碳水化合物信号所收集到的所述BG和胰岛素数据一致，所述虚拟碳水化合物信号捕获对所述患者的所有外部影响作为用(mg/min)测量的单个外部干扰信号。示例23.根据示例22所述的方法，其中：当所述净效应曲线为正时，这将对应于所述患者实际上进食，或者它可以对应于其中所述患者正在经历增强的胰岛素敏感性的天的周期；并且当所述净效应曲线为负时，则这将对应于所述患者从事密集身体活动或锻炼。示例24.根据示例10所述的方法，其中：所述患者生理模型参数{θ(k)}k∈day包括由于所述患者昼夜节律而导致的每日变异性；并且所述模型更新器包括采取具有下列的形式的公式：θ：＝θ+U(BGres，NEres；θ).其中U是递归参数更新函数，其能够是基于梯度的，BGres是BG模型预测误差(残差)的向量并且NEres是经计算的净效应曲线与所述患者的实际的(验证的)行为输入的记录之间的误差的向量。示例25.根据示例24所述的方法，其中所述动态模型在多个时标上被调整，从而能够基于BG残差每日计算参数更新：θ：＝θ+U1(BGres；θ).并且能够在较长的时标上，例如每周或每月，计算基于净效应失配的更新：θ：＝θ+U2(NEres；θ)。示例26.根据示例10所述的方法，进一步包括提供所述患者的胰岛素给药的最优速率的追溯评估，其中所述算法：考虑到对系统的干扰确切地是在该时间间隔期间针对所述患者所计算的净效应曲线的历史追溯地计算所述患者的胰岛素给药在历史时间的预定周期期间的最优速率将是什么，其中对于净效应曲线的每个“历史”，存在说明在所考虑的时间间隔中每一天的膳食、锻炼以及校正的胰岛素给药速率的对应“历史”；在针对给定天的所述净效应曲线与最优控制器的基于模型的响应之间映射，其中最优响应的这些向量被收集并且分析，以及被呈现给所述患者或用户以供胰岛素治疗的逐日回顾；通过减去与膳食相关联的胰岛素的离散量或者说明在锻炼附近与临时基础速率相关联的离散胰岛素短缺从所述最优响应中提取对应于重要但随机事件的特征，从而胰岛素给药的剩余时间表对应于所述患者在所述历史记录中每一天的“最优”基础模式的表示；以及以追溯地计算的最优基础速率来标识一致性，在多个持续时间段中的这样的最优基础速率表示所述患者的治疗持续时间；并且所述方法进一步包括：向所述患者或用户提供将一直在每个段中被应用的中等水平的基础胰岛素，其中所述患者或用户能够使用这个信息来(i)在将来的膳食和/或随后锻炼之前对减少的临时基础速率进行决定或者(ii)调整所述患者的长期基础速率分布。示例27.根据示例10所述的方法，进一步包括提供胰岛素建议模型的按需自适应校正，所述方法包括：提供算法以包括以下计算：对于膳食和锻炼活动的追溯检测；用来提供关于膳食和锻炼的定时和内容的描述的随机建模；以及将将会响应患者和用户请求的胰岛素校正建议提供给患者或用户。示例28.根据示例27所述的方法，其中：对于膳食和锻炼活动的所述追溯检测包括用于使所述患者“净效应曲线”的当前历史与患者确认的膳食和锻炼事件的历史记录一致以产生相关患者行为的经证实的(高置信)记录的算法，其中使一致包括标识(i)针对所述患者根据可用的BG和胰岛素数据计算的所述净效应曲线与(ii)由所述患者或用户通过系统用户接口确认的膳食和锻炼事件之间的不同；并且所述方法包括：根据所述不同来提供建议，其中建议被传送给患者或用户；以及接收来自用户或患者的作为结果的任何响应以形成相关患者活动的最后经证实的记录。示例29.根据示例28所述的方法，其中：所述随机建模包括用于接收相关患者活动的所述最后经证实的记录并且追溯地建模以表示所述患者的行为的膳食和锻炼的定时和内容的算法。示例30.根据示例29所述的方法，其中：所述胰岛素校正包括用于监控所述患者的状态并且基于(i)针对即将到来的行为干扰的随机建模和(ii)允许各种可替代校正胰岛素量的影响的预测的所述患者的代谢系统的当前动态模型在所述患者或用户要求时提供胰岛素校正建议的算法。示例31.一种用于提供患者的低血糖风险的后验评估的系统，所述系统包括：追溯基于风险的安全模块，其具有处理器以基于绝对的BG水平、BG变异性以及与低血糖的后(条件)概率P(Ehypo|记录)高度相关的胰岛素给药，以针对低血糖风险来计算统计量Rhypo(记录)，其中Ehypo表示第二天中的低血糖事件并且记录指的是受试者的历史BG、胰岛素给药以及活动记录；以及所述处理器输出经计算的统计量Rhypo(记录)，从而关于所述患者的低血糖的概率的可行性现有警告被如此提供给患者或用户。示例32.根据示例31所述的系统，其中所述绝对的BG水平和BG变异性可以是得自CGM装置的数据并且所述绝对的胰岛素给药可以是从胰岛素泵装置获得的数据。示例33.根据示例31所述的系统，其中所述绝对的BG水平和BG变异性可以是得自CGM装置的数据并且所述绝对的胰岛素给药可以是从手动胰岛素注射装置获得的数据。示例34.根据示例31所述的系统，其中所述绝对的BG水平和BG变异性可以是得自SMBG装置的数据和/或所述绝对的胰岛素给药可以是从胰岛素泵装置获得的数据。示例35.根据示例31所述的系统，其中所述绝对的BG水平和BG变异性可以是得自SMBG装置的数据并且所述绝对的胰岛素给药可以是从手动胰岛素注射装置获得的数据。示例36.根据示例31所述的系统，进一步包括：CGM装置，其中所述绝对的BG水平和BG变异性可以是得自所述CGM装置的数据；以及胰岛素泵装置，其中所述绝对的胰岛素给药可以是从所述胰岛素泵装置获得的数据。示例37.根据示例31所述的系统，进一步包括：CGM装置，其中所述绝对的BG水平和BG变异性可以是得自所述CGM装置的数据；以及手动胰岛素注射装置，其中所述绝对的胰岛素给药可以是从所述手动胰岛素注射装置获得的数据。示例38.根据示例31所述的系统，进一步包括：SMBG装置，其中所述绝对的BG水平和BG变异性可以是得自所述SMBG装置的数据；和/或胰岛素泵装置，其中所述绝对的胰岛素给药可以是从所述胰岛素泵装置获得的数据。示例39.根据示例31所述的系统，进一步包括：SMBG装置，其中所述绝对的BG水平和BG变异性可以是得自所述SMBG装置的数据；和/或手动胰岛素注射装置，其中所述绝对的胰岛素给药可以是从所述手动胰岛素注射装置获得的数据。示例40.一种用于追溯地为患者提供安全水平的胰岛素的系统，所述系统包括：追溯基于风险的安全模块，其具有处理器以追溯地计算所述受试者的胰岛素给药的记录的基于风险的孤立衰减因子；并且所述处理器输出经计算的基于风险的孤立衰减因子并且应用所述基于风险的衰减因子，以便任何内部阈值被提供给所述患者或用户以用于在将来可以被实现的膳食和/或随后锻炼之前对减少的临时基础速率进行决定。示例41.根据示例40所述的系统，其中所述胰岛素给药可以是从胰岛素泵装置获得的数据。示例42.根据示例40所述的系统，其中所述胰岛素给药可以是从手动胰岛素注射装置获得的数据。示例43.根据示例40所述的系统，进一步包括：胰岛素泵装置，其中所述胰岛素给药可以是从所述胰岛素泵装置获得的数据。示例44.根据示例40所述的系统，进一步包括：手动胰岛素注射装置，其中所述胰岛素给药可以是从所述手动胰岛素注射装置获得的数据。示例45.根据示例40所述的系统，其中所述基于风险的衰减因子将被计算如下：φ(R(t,τ))=11+kpatientR(t,τ)]]>其中R(t，τ)是基于函数的BG对称性、基于直到时间t的BG和胰岛素数据的历史记录在时间t与t+τ之间的低血糖风险的量度，并且kpatient是患者特异性“侵略性”因子。示例46.一种用于提供基于“净效应”的患者自适应模型的系统，所述系统包括：净效应估计器模块，其具有处理器以计算：所述患者的代谢系统的动态模型，其中所述动态模型包括模型患者的个体生理学的描述性参数；和通过所述动态模型来说明历史记录中的葡萄糖变异性的行为“净效应”模型的对应推断历史；其中所述“净效应”模型包括所述模型患者的数学表示摄动；以及模型更新器模块，其具有处理器以计算：所述患者的生理参数基于以下二者的更新：(i)所述动态模型基于已知输入预测将来的BG的能力和(ii)所述模型产生与所述患者的所述摄动的记录一致的净效应曲线的能力；并且所述系统将所述更新输出给患者或用户，从而患者或用户能够对于将来的动作过程使用所述更新。示例47.根据示例46所述的系统，其中所述描述性参数包括口服碳水化合物d(g/min)、身体活动e(cal/min)、皮下胰岛素u(U/hr)以及其元素包括身体的各种隔室中的葡萄糖和胰岛素浓度(mg/dl)和肠中的碳水化合物质量(mg)的所述模型患者的代谢状态向量χ之间的动态关系的表示。示例48.根据示例47所述的系统，其中所述葡萄糖浓度(mg/dl)可以是得自CGM装置的数据并且所述皮下胰岛素u和所述胰岛素浓度(mg/dl)可以是从胰岛素泵装置获得的数据。示例49.根据示例47所述的系统，其中所述葡萄糖浓度(mg/dl)可以是得自CGM装置的数据并且所述皮下胰岛素u和所述胰岛素浓度(mg/dl)可以是从手动胰岛素注射装置获得的数据。示例50.根据示例47所述的系统，其中所述葡萄糖浓度(mg/dl)可以是得自SMBG装置的数据并且所述皮下胰岛素u和所述胰岛素浓度(mg/dl)可以是从胰岛素泵装置获得的数据。示例51.根据示例47所述的系统，其中所述葡萄糖浓度(mg/dl)可以是得自SMBG装置的数据并且所述皮下胰岛素u和所述胰岛素浓度(mg/dl)可以是从手动胰岛素注射装置获得的数据。示例52.根据示例47所述的系统，进一步包括：CGM装置，其中所述葡萄糖浓度(mg/dl)可以是得自所述CGM装置的数据；以及胰岛素泵，其中所述皮下胰岛素u和所述胰岛素浓度(mg/dl)可以是从胰岛素泵装置获得的数据。示例53.根据示例47所述的系统，进一步包括：SMBG装置，其中所述葡萄糖浓度(mg/dl)可以是得自所述SMBG装置的数据；以及胰岛素泵装置或胰岛素注射装置，其中所述皮下胰岛素u和所述胰岛素浓度(mg/dl)可以是从所述胰岛素泵装置或所述胰岛素注射装置获得的数据。示例54.根据示例47所述的系统，其中所述描述性参数的关系能够被描述为一组离散时间非线性差分方程：χ(k+1)＝F(χ(k)，u(k)，d(k)，e(k)；θ(k))BGmodel(k)＝G(χ(k)，u(k)，d(k)，e(k)；θ(k))其中F和G是非线性系统方程并且θ(k)是作为所述患者的特性的参数值的向量，所述患者的特性诸如身体重量、各种隔室中分配的容积、描述各种隔室之间的吸收和清除的速率的各种时间常数，其中的一些易于作为时间k的函数而变化。示例55.根据示例47所述的系统，其中所述描述性参数的关系能够被描述为一组连续时间非线性差分方程：χ·(t)=F(χ(t),u(t),d(t),e(t);θ(t))]]>BGmodel(t)＝G(χ(t)，u(t)，d(t)，e(t)；θ(t))。示例56.根据示例55所述的系统，其中能够在任何期望的工作点(例如稳态葡萄糖浓度)附近直线化非线性表示以产生线性动态模型：x(k+1)＝Ax(k)+Buuδ(k)+Bdd(k)+Bee(k)y(k)＝Cx(k)其中x是代谢状态微分(远离工作点)的向量，uδ(U/hr)是胰岛素给药中与所述患者的稳态(基础)胰岛素给药速率的偏差，A、Bu、Bd、Be是所述线性模型的状态空间度量，并且y(k)表示远离所期望的工作点的BG偏差，以及对θ(k)的依赖性被嵌入在所述状态空间度量A、Bu、Bd、Be内。示例57.根据示例46所述的系统，其中所述摄动包括膳食分布、身体活动以及睡着/醒来周期。示例58.根据示例46所述的系统，其中所述“净效应”模型提供使所述患者的BG的历史记录和胰岛素给药的历史记录一致的虚拟系统输入的“历史”。示例59.根据示例58所述的方法，其中所述患者的BG浓度的历史记录{BG(k)}k∈day以及胰岛素给药的历史记录{u(k)}k∈day、使历史信息一致的所述净效应是虚拟碳水化合物输入{dn.e.(k)}k∈day的向量，其最小化误差函数：dist({BG(k)}k∈day，{BGmodel(k)}k∈day|{u(k)}k∈day，{dn.e.(k)}k∈day)，其中dist考虑胰岛素给药的固定记录{u(k)}k∈day和候选净效应向量{dn.e.(k)}k∈day来测量BG浓度的两个向量之间的距离(在这种情况下，实际的BG与模型预测的BG)。示例60.根据示例59所述的系统，其中结果得到的最优净效应向量(亦称为净效应曲线){dn.e.(k)}k∈day最优地使由所述患者通过虚拟碳水化合物信号所收集到的所述BG和胰岛素数据一致，所述虚拟碳水化合物信号捕获对所述患者的所有外部影响作为用(mg/min)测量的单个外部干扰信号。示例61.根据示例10所述的系统，其中：当所述净效应曲线为正时，这将对应于所述患者实际上进食，或者它可以对应于其中所述患者正在经历增强的胰岛素敏感性的天的周期；并且当所述净效应曲线为负时，则这将对应于所述患者从事密集身体活动或锻炼。示例62.根据示例46所述的系统，其中：所述患者生理模型参数{θ(k)}k∈day包括由于所述患者昼夜节律而导致的每日变异性；并且所述模型更新器的处理器被配置为计算下列内容：θ：＝θ+U(BGres，NEres；θ)，其中U是递归参数更新函数，其能够是基于梯度的，BGres是BG模型预测误差(残差)的向量并且NEres是经计算的净效应曲线与所述患者的实际的(验证的)行为输入的记录之间的误差的向量。示例63.根据示例62所述的系统，其中所述动态模型在多个时标上被调整，从而能够基于BG残差每日计算参数更新：θ：＝θ+U1(BGres；θ)，并且能够在较长的时标上，例如每周或每月，计算基于净效应失配的更新：θ：＝θ+U2(NEres；θ)。示例64.根据示例46所述的系统，进一步被配置为提供所述患者的胰岛素给药的最优速率的追溯评估，其中所述系统包括：追溯最优控制分析器模块，其具有配置为执行以下步骤的处理器：考虑到对系统的干扰确切地是在该时间间隔期间针对所述患者所计算的净效应曲线的历史追溯地计算所述患者的胰岛素给药在历史时间的预定周期期间的最优速率将是什么，其中对于净效应曲线的每个“历史”，存在说明在所考虑的时间间隔中每一天的膳食、锻炼以及校正的胰岛素给药速率的对应“历史”；并且在针对给定天的所述净效应曲线与最优控制器的基于模型的响应之间映射，其中最优响应的这些向量被收集并且分析，以及被呈现给所述患者或用户以供胰岛素治疗的逐日回顾；追溯最优基础速率提取器模块，其具有配置为执行以下步骤的处理器：通过减去与膳食相关联的胰岛素的离散量或者说明在锻炼附近与临时基础速率相关联的离散胰岛素短缺从所述最优响应中提取对应于重要但随机事件的特征，从而胰岛素给药的剩余时间表对应于所述患者在所述历史记录中每一天的“最优”基础模式的表示；并且以追溯地计算的最优基础速率来标识一致性，在多个持续时间段中的这样的最优基础速率表示所述患者的治疗持续时间；以及所述系统被配置为：向所述患者或用户提供将一直在每个段中被应用的中等水平的基础胰岛素的输出，其中所述患者或用户能够使用这个信息来(i)在将来的膳食和/或随后锻炼之前对减少的临时基础速率进行决定或者(ii)调整所述患者的长期基础速率分布。示例65.根据示例46所述的系统，进一步被配置为提供胰岛素建议模型的按需自适应校正，所述系统包括：追溯膳食和锻炼检测器模块，其具有处理器以为膳食和锻炼活动提供追溯检测；膳食和锻炼随机建模器模块，其具有处理器以提供随机建模以提供关于膳食和锻炼的定时和内容的描述；以及校正剂量咨询器模块，其具有处理器以将将会响应患者和用户请求的胰岛素校正建议提供并且输出给患者和用户。示例66.根据示例65所述的系统，其中：对于膳食和锻炼活动的所述追溯检测包括用于使所述患者“净效应曲线”的当前历史与患者确认的膳食和锻炼事件的历史记录一致以产生相关患者行为的经证实的(高置信)记录的算法，其中使一致包括标识(i)针对所述患者根据可用的BG和胰岛素数据计算的所述净效应曲线与(ii)由所述患者或用户通过系统用户接口确认的膳食和锻炼事件之间的不同；并且所述系统被配置为包括：用来根据所述不同来提供建议的输出模块，其中建议被传送给患者或用户；以及用来接收来自用户或患者的作为结果的任何响应以形成相关患者活动的最后经证实的记录的输入模块。示例67.根据示例66所述的系统，其中：所述随机建模模块的所述处理器被配置用于接收相关患者活动的所述最后经证实的记录并且追溯地建模以表示所述患者的行为的膳食和锻炼的定时和内容。示例68.根据示例67所述的系统，其中：所述校正剂量咨询器模块的所述处理器被配置用于监测所述患者的状态并且配置为基于(i)用于即将到来的行为干扰的所述随机建模和(ii)允许各种可替代校正胰岛素量的影响的预测的患者的代谢系统的当前动态模型来在所述患者或用户要求时提供胰岛素校正建议。示例69.一种包含用于提供患者的低血糖风险的后验评估的程序指令的非暂时性计算机可读介质，其中其中由计算机系统的一个或多个处理器对程序指令的执行来使得处理器执行下述步骤：提供算法以基于绝对的BG水平、BG变异性以及与低血糖的后(条件)概率P(Ehypo|记录)高度相关的胰岛素给药，以针对低血糖风险来计算统计量Rhypo(记录)，其中Ehypo表示第二天中的低血糖事件并且记录指的是受试者的历史BG、胰岛素给药以及活动记录；以及提供经计算的统计量Rhypo(记录)，从而关于所述患者的低血糖的概率的可行性现有警告被如此提供给患者或用户。示例70.根据示例69所述的非暂时性计算机可读介质，其中所述绝对的BG水平和BG变异性可以是得自CGM装置的数据并且所述绝对的胰岛素给药可以是从胰岛素泵装置获得的数据。示例71.根据示例69所述的非暂时性计算机可读介质，其中所述绝对的BG水平和BG变异性可以是得自CGM装置的数据并且所述绝对的胰岛素给药可以是从手动胰岛素注射装置获得的数据。示例72.根据示例69所述的非暂时性计算机可读介质，其中所述绝对的BG水平和BG变异性可以是得自SMBG装置的数据和/或所述绝对的胰岛素给药可以是从胰岛素泵装置获得的数据。示例73.根据示例69所述的非暂时性计算机可读介质，其中所述绝对的BG水平和BG变异性可以是得自SMBG装置的数据和/或所述绝对的胰岛素给药可以是从手动胰岛素注射装置获得的数据。示例74.一种包含用于追溯地为患者提供安全水平的胰岛素的程序指令的非暂时性计算机可读介质，其中其中由计算机系统的一个或多个处理器对程序指令的执行来使得处理器执行下述步骤：提供算法以追溯地计算所述受试者的胰岛素给药的记录的基于风险的孤立衰减因子；以及提供所计算的基于风险的孤立衰减因子并且应用所述基于风险的衰减因子，以便任何内部阈值被提供给所述患者或用户以用于在将来可以被实现的膳食和/或随后锻炼之前对减少的临时基础速率进行决定。示例75.根据示例74所述的非暂时性计算机可读介质，其中所述胰岛素给药的记录可以是从胰岛素泵装置获得的数据。示例76.根据示例74所述的非暂时性计算机可读介质，其中所述胰岛素给药的记录可以是从手动胰岛素注射装置获得的数据。示例77.根据示例202所述的非暂时性计算机可读介质，其中所述基于风险的衰减因子将被计算如下：φ(R(t,τ))=11+kpatientR(t,τ)]]>其中R(t，τ)是基于函数的BG对称性、基于直到时间t的BG和胰岛素数据的历史记录在时间t与t+τ之间的低血糖风险的量度，并且kpatient是患者特异性“侵略性”因子。示例78.一种包含用于提供基于“净效应”的患者自适应模型的程序指令的非暂时性计算机可读介质，其中其中由计算机系统的一个或多个处理器对程序指令的执行来使得处理器执行下述步骤：计算所述患者的代谢系统的动态模型，其中所述动态模型包括模型患者的个体生理学的描述性参数；计算通过所述动态模型来说明历史记录中的葡萄糖变异性的行为“净效应”模型的对应推断历史；其中“净效应”模型包括所述模型患者的数学表示摄动；计算所述患者的生理参数基于以下二者的更新：(i)所述动态模型基于已知输入预测将来的BG的能力和(ii)所述模型产生与所述患者的所述摄动的记录一致的净效应曲线的能力；以及将所述更新提供给所述患者或用户，从而患者或用户能够对于将来的动作过程使用所述更新。示例79.根据示例78所述的非暂时性计算机可读介质，其中所述描述性参数包括口服碳水化合物d(g/min)、身体活动e(cal/min)、皮下胰岛素u(U/hr)以及其元素包括身体的各种隔室中的葡萄糖和胰岛素浓度(mg/dl)和肠中的碳水化合物质量(mg)的所述模型患者的代谢状态向量χ之间的动态关系的表示。示例80.根据示例79所述的非暂时性计算机可读介质，其中所述葡萄糖浓度(mg/dl)可以是得自CGM装置的数据并且所述皮下胰岛素u和所述胰岛素浓度(mg/dl)可以是从胰岛素泵装置获得的数据。示例81.根据示例79所述的非暂时性计算机可读介质，其中所述葡萄糖浓度(mg/dl)可以是得自CGM装置的数据并且所述皮下胰岛素u和所述胰岛素浓度(mg/dl)可以是从手动胰岛素注射装置获得的数据。示例82.根据示例79所述的非暂时性计算机可读介质，其中所述葡萄糖浓度(mg/dl)可以是得自SMBG装置的数据和/或所述皮下胰岛素u和所述胰岛素浓度(mg/dl)可以是从胰岛素泵装置获得的数据。示例83.根据示例79所述的非暂时性计算机可读介质，其中所述葡萄糖浓度(mg/dl)可以是得自SMBG装置的数据和/或所述皮下胰岛素u和所述胰岛素浓度(mg/dl)可以是从手动胰岛素注射装置获得的数据。示例84.根据示例79所述的非暂时性计算机可读介质，其中所述描述性参数的关系能够被描述为一组离散时间非线性差分方程：χ(k+1)＝F(χ(k)，u(k)，d(k)，e(k)；θ(k))BGmodel(k)＝G(χ(k)，u(k)，d(k)，e(k)；θ(k))其中F和G是非线性系统方程并且θ(k)是作为所述患者的特性的参数值的向量，所述患者的特性诸如身体重量、各种隔室中分配的容积、描述各种隔室之间的吸收和清除的速率的各种时间常数，其中的一些易于作为时间k的函数而变化。示例85.根据示例79所述的非暂时性计算机可读介质，其中所述描述性参数的关系能够被描述为一组连续时间非线性差分方程：χ·(t)=F(χ(t),u(t),d(t),e(t);θ(t))]]>BGmodel(t)＝G(χ(t)，u(t)，d(t)，e(t)；θ(t))。示例86.根据示例185所述的非暂时性计算机可读介质，其中能够在任何期望的工作点(例如稳态葡萄糖浓度)附近直线化非线性表示以产生线性动态模型：x(k+1)＝Ax(k)+Buuδ(k)+Bdd(k)+Bee(k)y(k)＝Cx(k)其中x是代谢状态微分(远离工作点)的向量，uδ(U/hr)是胰岛素给药中与所述患者的稳态(基础)胰岛素给药速率的偏差，A、Bu、Bd、Be是所述线性模型的状态空间度量，并且y(k)表示远离所期望的工作点的BG偏差，以及对θ(k)的依赖性被嵌入在所述状态空间度量A、Bu、Bd、Be内。示例87.根据示例78所述的非暂时性计算机可读介质，其中所述摄动包括膳食分布、身体活动以及睡着/醒来周期。示例88.根据示例78所述的非暂时性计算机可读介质，其中所述“净效应”模型提供使所述患者的BG的历史记录和胰岛素给药的历史记录一致的虚拟系统输入的“历史”。示例89.根据示例88所述的非暂时性计算机可读介质，其中所述患者的BG浓度的历史记录{BG(k)}keday以及胰岛素给药的历史记录{u(k)}keday、使历史信息一致的所述净效应是虚拟碳水化合物输入{dn.e.(k)}keday的向量，其最小化误差函数：dist({BG(k)}k∈day′{BGmodel(k)}k∈day|{u(k)}k∈day′，{dn.e.(k)}k∈day)，其中dist考虑胰岛素给药的固定记录{u(k)}k∈day和候选净效应向量{dn.e.(k)}k∈day来测量BG浓度的两个向量之间的距离(在这种情况下，实际的BG与模型预测的BG)。示例90.根据示例89所述的非暂时性计算机可读介质，其中结果得到的最优净效应向量(亦称为净效应曲线){dn.e.(k)}k∈day最优地使由所述患者通过虚拟碳水化合物信号所收集到的所述BG和胰岛素数据一致，所述虚拟碳水化合物信号捕获对所述患者的所有外部影响作为用(mg/min)测量的单个外部干扰信号。示例91.根据示例90所述的非暂时性计算机可读介质，其中：当所述净效应曲线为正时，这将对应于所述患者实际上进食，或者它可以对应于其中所述患者正在经历增强的胰岛素敏感性的天的周期；并且当所述净效应曲线为负时，则这将对应于所述患者从事密集身体活动或锻炼。示例92.根据示例78所述的非暂时性计算机可读介质，其中：所述患者生理模型参数{θ(k)}keday包括由于所述患者昼夜节律而导致的每日变异性；并且所述模型更新器包括采取具有下列的形式的公式：θ：＝θ+U(BGres，NEres；θ)，其中U是递归参数更新函数，其能够是基于梯度的，BGres是BG模型预测误差(残差)的向量并且NEres是经计算的净效应曲线与所述患者的实际的(验证的)行为输入的记录之间的误差的向量。示例93.根据示例92所述的非暂时性计算机可读介质，其中所述动态模型在多个时标上被调整，从而能够基于BG残差每日计算参数更新：θ：＝θ+U1(BGres；θ)，并且能够在较长的时标上，例如每周或每月，计算基于净效应失配的更新：θ：＝θ+U2(NEres；θ)。示例94.根据示例78所述的非暂时性计算机可读介质，进一步包括提供所述患者的胰岛素给药的最优速率的追溯评估，其中其中由计算机系统的一个或多个处理器对程序指令的执行来使得处理器执行下述步骤：考虑到对系统的干扰确切地是在该时间间隔期间针对所述患者所计算的净效应曲线的历史追溯地计算所述患者的胰岛素给药在历史时间的预定周期期间的最优速率将是什么，其中对于净效应曲线的每个“历史”，存在说明在所考虑的时间间隔中每一天的膳食、锻炼以及校正的胰岛素给药速率的对应“历史”；在针对给定天的所述净效应曲线与最优控制器的基于模型的响应之间映射，其中最优响应的这些向量被收集并且分析，以及被呈现给所述患者或用户以供胰岛素治疗的逐日回顾；通过减去与膳食相关联的胰岛素的离散量或者说明在锻炼附近与临时基础速率相关联的离散胰岛素短缺从所述最优响应中提取对应于重要但随机事件的特征，从而胰岛素给药的剩余时间表对应于所述患者在所述历史记录中每一天的“最优”基础模式的表示；以追溯地计算的最优基础速率来标识一致性，在多个持续时间段中的这样的最优基础速率表示所述患者的治疗持续时间；以及向所述患者或用户提供将一直在每个段中被应用的中等水平的基础胰岛素，其中所述患者或用户能够使用这个信息来(i)在将来的膳食和/或随后锻炼之前对减少的临时基础速率进行决定或者(ii)调整所述患者的长期基础速率分布。示例95.根据示例78所述的非暂时性计算机可读介质，进一步包括提供胰岛素建议模型的按需自适应校正，其中其中由计算机系统的一个或多个处理器对程序指令的执行来使得处理器执行下述步骤：针对膳食和锻炼活动追溯地检测；随机建模以提供关于膳食和锻炼的定时和内容的描述；以及将将会响应患者和用户请求的胰岛素校正建议提供给患者或用户。示例96.根据示例95所述的非暂时性计算机可读介质，其中：对于膳食和锻炼活动的所述追溯检测包括用于使所述患者“净效应曲线”的当前历史与患者确认的膳食和锻炼事件的历史记录一致以产生相关患者行为的经证实的(高置信)记录的算法，其中使一致包括标识(i)针对所述患者根据可用的BG和胰岛素数据计算的所述净效应曲线与(ii)由所述患者或用户通过系统用户接口确认的膳食和锻炼事件之间的不同；并且其中其中由计算机系统的一个或多个处理器对程序指令的执行来使得处理器执行下述步骤：根据所述不同来提供建议，其中建议被传送给患者或用户；以及接收来自用户或患者的作为结果的任何响应以形成相关患者活动的最后经证实的记录。示例97.根据示例96所述的非暂时性计算机可读介质，其中：所述随机建模包括用于接收相关患者活动的所述最后经证实的记录并且追溯地建模以表示所述患者的行为的膳食和锻炼的定时和内容的算法。示例98.根据示例97所述的非暂时性计算机可读介质，其中：所述胰岛素校正包括用于监控所述患者的状态并且基于(i)针对即将到来的行为干扰的随机建模和(ii)允许各种可替代校正胰岛素量的影响的预测的所述患者的代谢系统的当前动态模型在所述患者或用户要求时提供胰岛素校正建议的算法。应该了解的是，示例第1-98号中的任何一个或多个可以像期望或要求的那样与示例第1-98号中的任何一个或多个组合。应该了解的是如本文中所讨论的那样，受试者或患者可以是人类或任何动物。应该了解的是，动物可以是各种任何适用的类型，包括但不限于哺乳动物、兽医动物、家畜动物或宠物类型动物等。作为示例，动物可以是具体地选择来具有与人类类似的特定特性的实验室动物(例如老鼠、狗、猪、猴子)等。应该了解的是，受试者可以例如是任何适用的人类患者。除非清楚地规定相反，否则对于任何特定描述或者图示的活动或元素、任何特定序列或这样的活动、任何特定尺寸、速度、材料、持续时间、轮廓、维度或频率或这样的元素的任何特别相互关系不存在要求。而且，能够重复任何活动，任何活动能够由多个实体来执行，和/或能够复制任何元素。进一步地，能够排除任何活动或元素，能够变化活动的序列，和/或能够变化元素的相互关系。应该了解的是，本发明的方面可以具有如期望或要求的各种尺寸、轮廓、性质、构成以及材料。总之，虽然已经相对于特定实施例对本发明进行了描述，但是许多修改、变化、变更、替换以及等同物对于本领域的技术人员而言将是显而易见的。本发明将不在范围上被本文中所描述的特定实施例限制。的确，除本文中所描述的那些之外，本发明的各种修改根据前面的描述和附图对于本领域的普通技术人员而言将是显而易见的。因此，本发明将被认为仅由以下权利要求的精神和范围限制，包括所有修改和等同物。通过读取某些示例性实施例的上面记载的具体描述和附图，另一些实施例对于本领域的技术人员而言将变得显而易见。应该理解的是，许多变化、修改以及附加的实施例将是可能的，并且因此所有这样的变化、修改以及实施例将被认为是在本申请的精神和范围内。例如，不管本申请的任何部分(例如，标题、领域、
背景技术：
：、
发明内容、摘要、附图等)的内容，除非清楚地规定相反，否则对于包括在本文中的任何权利要求中或任何特定描述或者图示的活动或元素、这样的活动的任何特定序列或这样的元素的任何特定相互关系的要求其优先权的任何应用不存在要求。而且，能够重复任何活动，任何活动能够由多个实体来执行，和/或能够复制任何元素。进一步地，能够排除任何活动或元素，能够变化活动的序列，和/或能够变化元素的相互关系。除非清楚地规定相反，否则对于任何特定描述或者图示的活动或元素、任何特定序列或这样的活动、任何特定尺寸、速度、材料、维度或频率或这样的元素的任何特别相互关系不存在要求。因此，描述和附图将在本质上被认为是说明性的，而不认为是约束性的。而且，当在本文中描述任何数目或范围时，除非另外清楚地陈述，否则该数目或范围是近似的。当在本文中描述任何范围时，除非另外清楚地陈述，否则该范围包括其中的所有值和其中的所有子范围。已经通过引用结合在本文中的任何材料(例如，美国/外国专利、美国/外国专利申请、书籍、论文等)中的任何信息仅在没有冲突存在于这样的信息与本文中所阐述的其它声明和附图之间的方面来说通过引用而被结合。在这样的冲突的情况下，包括将致使本文中的任何要求要求无效或者寻求其优先权的冲突，则在这样的通过引用结合的材料中的任何这样的冲突信息具体地不通过引用结合在本文中。当前第1页1 2 3 当前第1页1 2 3