JP7776421B2 - 予測データと対応する受信データの差異を評価する統合状態推定予測 - Google Patents

Description

関連出願への参照による組み込み
本出願は、「ＪＯＩＮＴ ＳＴＡＴＥ ＥＳＴＩＭＡＴＩＯＮ ＰＲＥＤＩＣＴＩＯＮ ＴＨＡＴ ＥＶＡＬＵＡＴＥＳ ＤＩＦＦＥＲＥＮＣＥＳ ＩＮ ＰＲＥＤＩＣＴＥＤ ＶＳ．ＣＯＲＲＥＳＰＯＮＤＩＮＧ ＲＥＣＥＩＶＥＤ ＤＡＴＡ」と題される、２０１９年１１月１５日に出願された米国特許仮出願第６２／９３５，９２０号の優先権を主張するものである。前述の出願は、参照によりその全体が本明細書に組み込まれ、これにより、明示的に本明細書の一部をなす。

ＣＧＭ（連続的グルコースモニタリング）および接続デバイスの普及に伴い、近年、グルコース時系列データの可用性および信頼性が高まっている。しかしながら、信頼できるグルコースデータが利用可能であるにもかかわらず、インスリンおよび食事データの正確な追跡と、食事時間のインスリンボーラス投与の最適化された効果的なタイミングとは、糖尿病の多くの人々にとって引き続き問題であり、グルコース制御が不十分となる。

糖尿病にかかっていない人々は、空腹時から高炭水化物（炭水化物）の食事に至るまでのグルコース入力と、睡眠から激しい運動に至るまでの代謝要求がある場合でも、血中グルコース（ＢＧ）値を厳密に制御している。例えば、糖尿病のない成人のＣＧＭデータは、平均グルコースが９９ｍｇ／ｄＬ、血糖値が７０～１４０ｍｇ／ｄｌの範囲内の時間が９７％である。この厳格な管理は、インスリン、グルカゴン、アミリン、ＧＬＰ－１などの糖調節ホルモンと、膵臓、腸、肝臓のような臓器間の関連メッセージとの複合作用に起因する。

対照的に、１型糖尿病の血中グルコース制御は、これまで、食事および体の基本的な必要条件をカバーするためにインスリンを投与するという、よりシンプルな戦略に依拠してきた。例示的なルーチンでは、長時間作用型インスリンを毎日投与することと、炭水化物カウントおよび自己監視血中グルコース測定値に基づいて食前に即効性インスリンを投与することを組み合わせる。このアプローチの成功は、入念に注意することと、食事の選択、ストレス、運動などのすべての変動にもかかわらず、体が食物とインスリンに対して常に同じように反応すると仮定することとに依拠している。その結果、ほとんどの人は、慢性的な高グルコースの健康上のリスクを回避することと、危険な低グルコースのエピソードとの間でバランスを取ることを余儀なくされている。

インスリン依存性糖尿病のグルコース制御の改善は、変化する代謝状態に適応する膵臓の働きをより厳密に模倣する戦略に部分的に依存している。一例は、人工膵臓（ＡＰ）システムである。

しかしながら、患者へのアラートおよび／またはアラーム、ならびに医薬品投与アルゴリズムは、将来の代謝状態をリアルタイムで予測する能力、または慢性疾患のある生活の生理学的状況を遡及的にシミュレートする能力に依拠することが多い。次に、将来を予測するには、エラーが発生しやすい（例えば、炭水化物カウントが大幅に過小評価されている食事の確認が遅いか、または完全に欠けている）患者から直接受信したデータ（例えば、食事の炭水化物の自主的な確認）を含む、利用可能なすべてのデータを用いて患者の現在の代謝状態を推定する能力に依存する。アルゴリズムが現在利用不可能なデータを予測したとしても、（例えば、後でユーザから）その予測データが受信された場合／ときに、典型的には、差異がある（つまり、不一致）。これらの不一致は現在使用されていないが、評価された場合、将来の使用のためにデータに関する貴重な情報を提供できる。本明細書で説明されるシステムおよび方法は、それらの差異を使用し、照合する。

人間および機械の入力を代謝モデルに組み合わせるにはジレンマがある。最も信頼できる入力は、インスリンポンプまたは連続グルコースモニタからの入力など、機械で記録されているため、人間の入力を無視または回避しようとする。問題は、即効性の炭水化物であっても、血中のグルコースの出現およびＣＧＭ信号が遅れることである。したがって、不完全に告知または記述された食事であっても、最初は食前のＣＧＭトレースよりも将来のグルコース値をより良好に予測する。血糖が食事に反応すると、代謝モデルは、観察された反応をより良好に説明することができる。本明細書で説明するシステムおよび方法は、これら２つの視点をシームレスに組み合わせ、それらの差異を照合する。

いくつかの態様によれば、対象に関連する信用できるデータを使用して、対象の信用できないデータを照合するためのシステムおよび方法が提供される。いくつかの態様によれば、システムおよび方法は、対応する受信データに対する予測データの差異を評価することを対象としている。

実装形態では、方法は、入力推定器において、対象に関連する信用できないデータを受信することと、入力推定器において、対象に関連する信用できるデータを受信することと、入力照合器を使用して、信用できるデータを使用して信用できないデータを照合することと、照合された信用できないデータを出力することと、を含む。

実装形態には、以下の特徴の一部またはすべてが含まれ得る。信用できないデータは、インスリンのタイミング、インスリンの量、食事データ、または活動データのうちの少なくとも１つを含む。信用できないデータは、タイミング、量、推定、またはエントリのうちの少なくとも１つにおける行動異常または人為的エラーのために信頼できない。信用できるデータは、ＣＧＭデータ、インスリンポンプデータ、コンピュータ生成データ、コンピュータ生成モデル、または対象のグルコースおよびインスリンダイナミクスを説明する個別化されたモデルのうちの少なくとも１つを含む。この方法は、照合された信用できないデータに基づいて、対象の将来のグルコース状態を予測することをさらに含む。信用できないデータは、報告された炭水化物を含み、報告された炭水化物は、信頼できない、または利用できない。信用できないデータは、データ入力のストリームを含む。この方法は、追加の信用できないデータを受信し、信用できるデータを使用して追加の信用できないデータを照合することをさらに含む。この方法は、追加の信用できるデータを受信し、追加の信用できるデータを使用して信用できないデータを照合することをさらに含む。この方法は、照合された信用できないデータを使用して、ＡＰをチューニングすることをさらに含む。この方法は、照合された信用できないデータを使用して、対象の行動モデルを更新することをさらに含む。この方法は、信用できないデータが信頼不可能または不明であると判定することをさらに含む。信用できないデータが信頼不可能または不明であると判定することは、モデル化を使用して、信用できないデータの局所分散を計算することと、局所分散を、信用できないデータを使用して全体の分散と比較して、比較量を判定することであって、比較量が閾値を上回る場合、信用できないデータが信頼不可能または不明であると判定される、判定することと、を含む。信用できないデータが信頼不可能または不明であると判定することは、信用できないデータと信用できるデータのモデルとの間の差異を判定することを含む。

実装形態にはまた、以下の特徴の一部またはすべてが含まれ得る。この方法は、信用できるデータに対する信用できないデータの信用性スコアを判定することをさらに含む。この方法は、照合された信用できないデータに基づいて、対象に関連するアラートを生成することをさらに含む。この方法は、照合された信用できないデータを使用して、対象の行動パターンを判定することをさらに含む。この方法は、行動パターンに基づいて、対象に関連するスマートアラートを生成することをさらに含む。信用できないデータは、糖尿病管理データを含む。糖尿病管理データは、推定された糖尿病管理データである。信用できるデータは、推定された糖尿病管理データに対応する糖尿病管理データを含み、糖尿病管理データが、接続されたデバイスまたはユーザエントリから受信される。この方法は、信用できないデータを信用できるデータと比較して、血糖機能障害の行動的根本原因を特定することをさらに含む。

実装形態にはまた、以下の特徴の一部またはすべてが含まれ得る。この方法は、照合された信用できないデータを使用して、血糖機能障害の行動的根本原因を特定することをさらに含む。照合することは、入力照合器において信用できないデータを受信することであって、信用できないデータが、信用できない代謝入力を含む、信用できないデータを受信することと、入力照合器において信用できるデータを受信することであって、信用できるデータが、推定された信用できない代謝入力を含む、信用できるデータを受信することと、信用できないデータと信用できるデータを、重み関数を使用して組み合わせ、照合された信用できない代謝入力を生成することと、を含む。入力照合器において受信された信用できないデータおよび信用できるデータは、ベクトルの形態であり、照合された信用できない代謝入力は、ベクトルの形態である。重み関数は、時間関連性に基づく。重み関数は、信用できないデータおよび信用できるデータの相対的な確実性に基づく。信用できないデータは、報告された信用できない代謝入力を含み、組み合わせることは、報告された信用できない代謝入力と推定された信用できない代謝入力との間の差異を照合することを含む。照合することは、報告された信用できない代謝入力および推定された信用できない代謝入力を行動モデルと一致させることを含む。照合することは、信用できない代謝入力の量およびタイミングと、推定された信用できない代謝入力との間の差異を、測定データと照合することを含む。

実装形態では、方法は、入力推定器において、対象に関連する信用できないデータを受信することであって、信用できないデータが、インスリンデータ、食事データ、または活動データのうちの少なくとも１つを含むユーザ入力データを含む、受信することと、入力照合器を使用して、対象に関連する信用できるデータを使用して信用できないデータを照合することであって、信用できるデータが、コンピュータ生成データを含む、照合することと、を含む。

実装形態には、以下の特徴の一部またはすべてが含まれ得る。信用できないデータは、インスリンのタイミング、インスリンの量、食事データ、または活動データのうちの少なくとも１つを含む。信用できないデータは、タイミング、量、推定、またはエントリのうちの少なくとも１つにおける行動異常または人為的エラーのために信頼できない。信用できるデータは、ＣＧＭデータ、インスリンポンプデータ、コンピュータ生成モデル、または対象のグルコースおよびインスリンダイナミクスを説明する個別化されたモデルのうちの少なくとも１つを含む。この方法は、照合された信用できないデータに基づいて、対象の将来のグルコース状態を予測することをさらに含む。信用できないデータは、報告された炭水化物を含み、報告された炭水化物は、信頼不可能、または利用不可能である。信用できないデータは、データ入力のストリームを含む。この方法は、追加の信用できないデータを受信し、信用できるデータを使用して追加の信用できないデータを照合することをさらに含む。この方法は、追加の信用できるデータを受信し、追加の信用できるデータを使用して信用できないデータを照合することをさらに含む。この方法は、照合された信用できないデータを使用して、ＡＰをチューニングすることをさらに含む。この方法は、照合された信用できないデータを使用して、対象の行動モデルを更新することをさらに含む。この方法は、信用できないデータが信頼不可能または不明であると判定することをさらに含む。信用できないデータが信頼不可能または不明であると判定することは、モデル化を使用して、信用できないデータの局所分散を計算することと、局所分散を、信用できないデータを使用して全体の分散と比較して、比較量を判定することであって、比較量が閾値を上回る場合、信用できないデータが信頼不可能または不明であると判定される、判定することと、を含む。信用できないデータが信頼不可能または不明であると判定することは、信用できないデータと信用できるデータのモデルとの間の差異を判定することを含む。この方法は、信用できるデータに対する信用できないデータの信用性スコアを判定することをさらに含む。この方法は、照合された信用できないデータに基づいて、対象に関連するアラートを生成することをさらに含む。この方法は、照合された信用できないデータを使用して、対象の行動パターンを判定することをさらに含む。この方法は、行動パターンに基づいて、対象に関連するスマートアラートを生成することをさらに含む。

実装形態にはまた、以下の特徴の一部またはすべてが含まれ得る。信用できないデータは、糖尿病管理データを含む。糖尿病管理データは、推定された糖尿病管理データである。信用できるデータは、推定された糖尿病管理データに対応する糖尿病管理データを含み、糖尿病管理データが、接続されたデバイスまたはユーザエントリから受信される。この方法は、信用できないデータを信用できるデータと比較して、血糖機能障害の行動的根本原因を特定することをさらに含む。この方法は、照合された信用できないデータを使用して、血糖機能障害の行動的根本原因を特定することをさらに含む。照合することは、入力照合器において信用できないデータを受信することであって、信用できないデータが、信用できない代謝入力を含む、信用できないデータを受信することと、入力照合器において信用できるデータを受信することであって、信用できるデータが、推定された信用できない代謝入力を含む、信用できるデータを受信することと、信用できないデータと信用できるデータを、重み関数を使用して組み合わせて、照合された信用できない代謝入力を生成することと、を含む。入力照合器において受信された信用できないデータおよび信用できるデータは、ベクトルの形態であり、照合された信用できない代謝入力は、ベクトルの形態である。重み関数は、時間関連性に基づく。重み関数は、信用できないデータおよび信用できるデータの相対的な確実性に基づく。信用できないデータは、報告された信用できない代謝入力を含み、組み合わせることは、報告された信用できない代謝入力と推定された信用できない代謝入力との間の差異を照合することを含む。照合することは、報告された信用できない代謝入力および推定された信用できない代謝入力を行動モデルと一致させることを含む。照合することは、信用できない代謝入力の量およびタイミングと推定された信用できない代謝入力との間の差異を、測定データと照合することを含む。この方法は、照合された信用できないデータおよび信用できるデータを使用して、リプレイ予測を実行することをさらに含む。この方法は、リプレイ予測に基づいて、シミュレートされた代謝状態を出力することをさらに含む。この方法は、照合された信用できないデータおよび信用できるデータを使用して、リアルタイム予測を実行することをさらに含む。この方法は、リアルタイム予測に基づいて、シミュレートされた代謝状態を出力することをさらに含む。

実装形態では、方法は、対象に対してある期間にわたるデータを予測することと、糖尿病の管理に向けられた信用できないデータを受信することと、信用できないデータの可能な分散のスペクトルを使用して、その期間にわたる複数の予測データトレースをシミュレートすることと、血糖作用を特定するために、シミュレートされた予測データトレースを予測されたデータと比較することと、血糖作用に基づいて、視覚化または推奨を出力することと、を含む。

実装形態には、以下の特徴の一部またはすべてが含まれ得る。信用できないデータは、グルコースデータを含み、予測データトレースは、予測グルコーストレースを含む。グルコースデータを予測することは、信頼できるＣＧＭデータおよび対象のグルコース－インスリン動態の個別化されたモデルに基づく。グルコースデータを予測することは、経時的なグルコース状態を表す最良の推定グルコーストレースを提供することを含む。糖尿病の管理に向けられた信用できないデータは、インスリンのタイミング、インスリンの量、食事データ、または活動データのうちの少なくとも１つを含む。血糖作用は、糖尿病管理データの量または糖尿病管理データのタイミングのうちの少なくとも１つにおける差異に関連する。

実装形態では、システムはプロセッサおよび代謝モデルを備え、プロセッサは、信用できないユーザ入力を受信し、代謝モデルを使用して、信用できないユーザ入力を信用できる入力と照合するように構成されている。

実装形態には、以下の特徴の一部またはすべてが含まれ得る。プロセッサは、将来のグルコースレベルを予測するために、代謝モデルの予測能力を最適化するようにさらに構成されている。プロセッサは、代替の治療手順で、事象および治療成績のリプレイを可能にするようにさらに構成されている。プロセッサは、将来の代謝状態のリアルタイム予測を提供するようにさらに構成されている。プロセッサは、信用できないユーザ入力の信用性を判定するようにさらに構成されている。プロセッサは、信用性に対応するスコアを提供するようにさらに構成されている。プロセッサは、少なくとも１つのリプレイアプリケーションに向けられたリプレイ分析を実行するようにさらに構成されている。少なくとも１つのリプレイアプリケーションは分析における血中グルコース（ＢＧ）治療成績測定基準のアセスメント、リプレイ分析におけるシナリオの信用性のあるインスタンスの特定、データ品質の評価、信用性プロファイル、および時刻の関数としてのデータの信用性を含む。プロセッサは、少なくとも１つのリアルタイムアプリケーションに向けられた照合された投影を実行するようにさらに構成されている。少なくとも１つのリアルタイムアプリケーションは、医療行為の確実性と、アドバイスを提供する前の待機する必要性の判定と、を含む。

実装形態にはまた、以下の特徴の一部またはすべてが含まれ得る。信用できないユーザ入力は、推定された炭水化物を含む。信用できないユーザ入力は、時系列の不確実な代謝入力を含む。信用できる入力は、ＣＧＭおよびインスリンポンプ読み取り値を含む。信用できる入力は、時系列の信用できる代謝入力を含む。プロセッサは、時系列の形態での推定された代謝状態、時系列の形態での最終的に照合された推定された代謝状態、ならびに時系列の形態での最終的に推定された代謝状態および照合された推定された入力の信用性を出力するようにさらに構成されている。プロセッサは、統合状態／入力推定器内に含まれ、代謝モデルは、プラグインである。

実装形態では、方法は、入力推定器において、対象に関連する信用できないデータを受信することであって、信用できないデータが、インスリンデータ、食事データ、または活動データのうちの少なくとも１つを含むユーザ入力データを含む、受信することと、信用性アセッサにおいて、信用できないデータの信用性を判定することと、信用性アセッサにおいて、信用できるデータを受信することと、信用性アセッサにおいて、信用できるデータを使用して信用できないデータの信用性を更新することと、を含む。

実装形態には、以下の特徴の一部またはすべてが含まれ得る。信用できないデータの信用性を判定することは、信用できないデータの完全性の欠如または信用できないデータの連続性の欠如のうちの少なくとも１つに基づいて、第１の信用性を判定することと、信用できないデータの完全性の欠如または信用できないデータの連続性の欠如の少なくとも１つを示す、予期される行動に基づいて、第２の信用性を判定することと、全身の不明の要因を示す推定された入力のアーティファクトに基づいて、第３の信用性を判定することと、第１の信用性、第２の信用性、および第３の信用性を集計することと、を含む。第１の信用性を判定することは、測定信号を入力として使用することを含み、第２の信用性を判定することは、信用できないデータおよび信用できるデータを入力として使用することを含み、第３の信用性を判定することが、信用できないデータ、推定される信用できないデータ、および照合されたデータを入力として使用することを含む。

実装形態では、方法は、入力推定器において、対象に関連する第１の信用できないデータを受信することであって、第１の信用できないデータが、インスリンデータ、食事データ、または活動データのうちの少なくとも１つを含むユーザ入力データを含む、受信することと、信用性アセッサにおいて、第１の信用できないデータの信用性を判定することと、入力推定器において、対象に関連する第２の信用できないデータを受信することと、信用性アセッサにおいて、第２の信用できないデータの信用性を判定することと、信用性アセッサにおいて、第２の信用できないデータまたは第２の信用できないデータの信用性を使用して、第１の信用できないデータの信用性を更新することと、信用性アセッサにおいて、信用できるデータを受信することと、信用性アセッサにおいて、信用できるデータを使用して、第１の信用できないデータの信用性および第２の信用できないデータを更新することと、を含む。

実装形態には、以下の特徴の一部またはすべてが含まれ得る。信用できないデータの第１の信用性を判定することは、信用できないデータの完全性の欠如または信用できないデータの連続性の欠如のうちの少なくとも１つに基づいて、第１の信用性を判定することと、信用できないデータの完全性の欠如または信用できないデータの連続性の欠如の少なくとも１つを示す、予期される行動に基づいて、第２の信用性を判定することと、全身の不明の要因を示す推定された入力のアーティファクトに基づいて、第３の信用性を判定することと、第１の信用性、第２の信用性、および第３の信用性を集計することと、を含む。第１の信用性を判定することは、測定信号を入力として使用することを含み、第２の信用性を判定することは、信用できないデータおよび信用できるデータを入力として使用することを含み、第３の信用性を判定することは、信用できないデータ、推定される信用できないデータ、および照合されたデータを入力として使用することを含む。

実装形態では、方法は、推定された代謝状態、照合された推定された信用できない代謝入力、信用できる代謝入力、および代替代謝入力を受信することと、推定された代謝状態、照合された推定された信用できない代謝入力、信用できる代謝入力、および代替代謝入力を使用して、リプレイ予測を実行することと、リプレイ予測に基づいて、リプレイシミュレートされた代謝状態を出力することと、を含む。

実装形態には、以下の特徴の一部またはすべてが含まれ得る。推定された代謝状態、照合された推定された信用できない代謝入力、および信用できる代謝入力が各々、時系列を含む。リプレイ予測を実行することは、推定された代謝状態、照合された推定された信用できない代謝入力、および信用できる代謝入力について時系列の期間にわたって代謝状態を推定して、リプレイシミュレートされた代謝状態を生成することを含む。

実装形態では、方法は、代替代謝入力、照合された推定された信用できない代謝入力、信用できる代謝入力、および最終的な推定された代謝入力を受信することと、代替代謝入力、照合された推定された信用できない代謝入力、信用できる代謝入力、および前記最終的な推定された代謝入力を使用して、リアルタイム予測を実行することと、リアルタイム予測に基づいて、予測された代謝状態を出力することと、を含む。

実装形態は、以下の特徴の一部またはすべてを含み得る。リアルタイム予測を実行することは、照合された推定された信用できない代謝入力と信用できる代謝入力について、時系列を外挿することと、外挿された時系列、代替代謝入力、および最終的な推定された代謝状態を使用して、将来の代謝状態を推定することと、を含む。この方法は、予測された代謝状態におけるジッタを防止するために、外挿された時系列をフィルタリングすることをさらに含む。推定された代謝状態は時系列の形態である。この方法は、予測された代謝状態を生成するために、推定された代謝状態をフィルタリングすることをさらに含む。代謝状態を推定することは、対象の行動モデルを使用する。時系列を外挿することは、時刻、現在の推定された状態の特徴、または過去の代謝入力のデータベースのうちの少なくとも１つに基づく、履歴データの重み付けを使用する。

本概要は、以下の詳細な説明でさらに説明される、簡略化された形態の一連の概念を紹介するために提供されている。本概要は、請求された主題の主要な特徴または本質的な特徴を特定することを意図しておらず、請求された主題の範囲を制限するために使用されることも意図されていない。

前述の概要、ならびに例示的な実施形態の以下の詳細な説明は、添付の図面と併せて読むと、より良好に理解される。実施形態を例示する目的で、実施形態の構成例が図面に示されているが、実施形態は、開示された特定の方法および手段に限定されない。図面は、以下のとおりである。

データの差異を評価し、視覚化するための例示的な環境の図である。 糖尿病管理処理プラットフォームの実装のブロック図である。 遡及的入力コンパイラの実装のブロック図である。 ライブ入力コンパイラの実装のブロック図である。 リプレイコンパイラの実装のブロック図である。 予測エンジンの実装のブロック図である。 パラメータ推定器の実装のブロック図である。 データを照合するための方法の実装の操作フローである。 データを照合するための方法の別の実装の操作フローである。 データの信用性を判定するための方法の実装の操作フローである。 データの信用性を判定するための方法の別の実装の操作フローである。 信用できないデータを使用して、血糖作用に基づく出力を提供する方法の実装の操作フローである。 リプレイ予測を使用するための方法の実装の操作フローである。 リアルタイム予測を使用するための方法の実装の操作フローである。 例示的な実施形態および態様が実装され得る例示的なコンピューティング環境を示す。

特許請求された主題は、図面を参照して説明され、同様の参照番号は、全体を通して同様の要素を指すために使用される。以下の説明では、説明の目的で、特許請求された主題の完全な理解を提供するために、多くの特定の詳細が述べられている。しかしながら、特許請求された主題が、これらの特定の詳細なしで実践され得ることは明らかであり得る。他の例では、特許請求された主題の説明を容易にするために、構造およびデバイスがブロック図の形態で示されている。

本発明の範囲は添付の特許請求の範囲によって最良に定義されるので、本説明は、限定的な意味で捉えられるべきではなく、単に本発明の一般原理を例示する目的でなされるに過ぎない。

本明細書には、各々が互いに独立して、または他の特徴と組み合わせて使用することができる様々な発明の特徴が記載されている。

測定不可能な人間の行動および関連する代謝事象（例えば、食事およびボーラス）の信頼できない報告は、グルコース時系列データの信号処理からの推論に対するセンサエラーの影響よりもはるかに影響力がある。その結果、信用できないデータを信用できるデータと照合することができ、照合された信用できないデータおよび信用できるデータが、グルコース時系列データの予測またはリプレイに役立つ推定された代謝データとして提供される。

いくつかの態様では、対象に関連する信用できるデータを使用して、対象の信用できないデータを照合するためのシステムおよび方法が提供される。いくつかの態様では、システムおよび方法は、対応する受信データに対する予測データの差異を評価することを対象としている。

本明細書でさらに説明するように、遡及的予測関数は、同じ食事に対する他のインスリン投与戦略がより良好な治療成績をもたらすかどうかを評価する（例えば、より低い血糖リスク）。遡及的予測関数は、患者の初期（例えば、食前）状態、１つ以上の食事事象、およびインスリン投与戦略を入力とし、その食事／日の結果としてのグルコースエクスカーションにマッピングする。いくつかの実装形態では、遡及的予測関数は、（１）元のデータ（例えば、食事およびインスリン）を十分な（例えば、所定の）精度で観察（例えば、ＣＧＭ）にマッピングし、（２）患者（本明細書では、患者は「対象」とも称される）の生理（例えば、インスリン活性および炭水化物感受性）をモデル化する方法で結果として生じるグルコースエクスカーションに代替の投与戦略をマッピングし、かつ（３）安定した円滑な関数であるインスリンオンボードの推定値などの問題に対する信頼できる解釈可能な解決策を提供する。この関数を求めるために、本明細書における統合状態推定器および食事推定システムおよび方法は、既知の入力およびユーザが告知した食事を組み合わせる。出力は、同じ入力の状態（または代替インスリン戦略の結果そのもの）で代替インスリン戦略をリプレイすることができる関数のものである。

実装形態では、リプレイ機能は、代謝モデルの当業者に既知である他のアプローチを使用して、同じデータセットから構築され得る。アプローチの例の１つは、既知の代謝モデルのパラメータを患者のデータまたは臨床研究に適合させることである。別の可能なアプローチは、グルコースエクスカーションを予測するために、同様のデータでニューラルネットワークをトレーニングすることである。

図１は、データの差異を評価および視覚化するための例示的な環境１００の図である。環境は、インスリンデバイス１１０、グルコースモニタ１２０、プロセッサ１３０、対象１４０、活動モニタ１５０、およびスマートフォン１６０を含む。

インスリンデバイス１１０、グルコースモニタ１２０、プロセッサ１３０、活動モニタ１５０、およびスマートフォン１６０のうちの１つ以上は、ネットワークを通して通信することができる。ネットワークは、公衆交換電話網（ＰＳＴＮ）、携帯電話ネットワーク、およびパケット交換ネットワーク（例えば、インターネット）を含む様々なネットワークタイプであり得る。インスリンデバイス１１０、１つのグルコースモニタ１２０、１つのプロセッサ１３０、１つの対象１４０、１つの活動モニタ１５０、および１つのスマートフォン１６０のみが図１に示されているが、インスリンデバイス１１０、グルコースモニタ１２０、プロセッサ１３０、対象１４０、活動モニタ１５０、およびサポートされ得るスマートフォン１６０の数に制限はない。

インスリンデバイス１１０は、例えば、注射器、ポンプ（例えば、外部、機械的、パッチ、または埋め込み型）、および吸入器などの、インスリンを吐出する任意のデバイスであり得る。インスリンデバイス１１０はまた、グルカゴン（デュアルホルモン人工膵臓）、ＧＬＰ－１などのようなグルコースレベルを制御するのを助ける他の薬物を吐出するデバイスを含み得る。

グルコースモニタ１２０は、実装形態に応じて、任意のタイプのＣＧＭまたはＳＭＢＧ（血中グルコースの自己監視）デバイスであり得る。グルコースモニタ１２０は、連続的にグルコース読み取り値を提供するか、またはデバイスがスキャンもしくはダウンロードされたときにグルコース読み取り値のセットを提供する、接続されたデバイスであり得る。グルコース読み取り値に加えて、グルコースモニタ１２０は、ユーザ（例えば、対象、患者、介護者、医療専門家など）がいつどのようにグルコーストレースを見るか、およびアラートとアラームにどのように応答するかなどのユーザインタラクションを記録することができる。ユーザインタラクションにより、食事またはインスリンの投与の影響を考慮している理由と時期を含む、治療決定のタイミングおよび動機付けについての洞察を提供することができる。

プロセッサ１３０は、インスリンデバイス１１０およびグルコースモニタ１２０ならびに対象１４０からデータを収集し、本明細書に記載の方法を実行する。堅牢なシステムにするために、これらの計算はどのデバイスおよびプロセッサが接続されているかによって、動的であり、分散されることがある。例えば、接続がある場合はクラウドコンピューティングを使用することができ、接続がない場合はスマートフォンプロセッサを使用することができ、スマートフォンが接続されていない場合は送信機またはスマートウォッチを使用することができる。モデルの最適化などの複雑な計算は、より強力なプロセッサが利用可能な場合にのみ実行することができる。強力なプロセッサが利用できない場合、アルゴリズムは最新のパラメータまたはより単純な近似を使用することができる。

プロセッサ１３０（ならびにインスリンデバイス１１０、グルコースモニタ１２０、活動モニタ１５０、および／またはスマートフォン１６０）は、例えばスマートフォン、デスクトップコンピュータ、ラップトップコンピュータ、およびタブレットなどの様々なコンピューティングデバイスを使用して実装することができる。他のタイプのコンピューティングデバイスがサポートされる場合がある。好適なコンピューティングデバイスが、コンピューティングデバイス１５００として図１５に示されている。

対象１４０は、例えば、対象１４０のスマートフォン１６０または他のコンピューティングデバイスなど、システムと通信している任意のコンピューティングデバイスを使用して、食事、活動、および糖尿病治療に関する情報を含む、システムへの入力を提供することができる。これらの入力は、ユーザが開始することも、システムによって促されることもある。これらの入力は、現在、以前、および／または今後の事象を説明することができる。

活動モニタ１５０は、ユーザの生理学的および精神的状態を監視する任意のデバイスであり得る。一例として、加速度計、ジャイロスコープ、心拍数、および酸素センサを使用して、活動、運動、睡眠を監視するフィットネストラッカがある。これには、場所およびユーザの活動／インタラクションを検出できるスマートフォン、またはスマートホームデバイス（例えば、Ａｍａｚｏｎ Ａｌｅｘａ）も含まれ得る。いくつかの実装形態では、活動モニタ１５０は、食事を検出するデバイスを含む。

スマートフォン１６０は、活動および状況モニタ、データエントリデバイス、データ収集（Ｂｌｕｅｔｏｏｔｈ、ＮＦＣ、Ｗｉ－Ｆｉなどを用いたデバイスとの通信）として使用でき、手動エントリまたは自動化エントリ（例えば、写真）によって栄養情報を推定するアプリケーション（例えば、アプリ）を実行することができる。

本明細書に記載のシステムおよび方法は、信用できる代謝入力と信用できない代謝入力の組み合わせから、さらに任意選択的にパラメータ最適化を伴う個別化された数学モデルを使用して、代謝状態を推定する。システムおよび方法は、代謝モデル（任意選択的）と一致する（ＣＧＭを使用する）血糖信号のその測定された影響を、照合された信用できない入力に提供する。意思決定支援および自動化インスリン投与のための将来の代謝状態の推定は、本明細書に記載のシステムおよび方法を用いて可能になる。例えば、データの信用性は、丸１日が有効または無効であると宣言するのではなく、代謝状態の推定値と並行して時系列の信用性データを提供することで、夜間の予測などの連続プロセスのモデル化の問題を回避する。推定または照合されたデータを用いたシナリオのリプレイも提供される。（信用できる、および信用できない照合された）代謝状態を含むすべてのデータは、対応する信用性、予測、およびリプレイとともに、時間領域の観点から提供される。リプレイコンパイルとも称される遡及的予測、およびリアルタイム予測コンパイルとも称される将来的予測は、本明細書に記載の実装の照合プロセスによって、より信頼性が高く正確になる。

図２は、糖尿病管理処理プラットフォーム２００の実装のブロック図である。プラットフォーム２００は、照合、リプレイ分析、予測、および／または信用性の判定をパラメータの任意選択的な最適化とともに使用して、例えば、将来の分析物の値または観察されない状態を予測し、ボーラス決定を通知し、炭水化物オンボードをアセスメントし、インスリンオンボードをアセスメントし、スマートアラート機能を有効にし、遡及的治療の最適化を送達し、推定にフィードバックを提供する。糖尿病管理プラットフォーム２００は、モジュールの入力、出力、および相互関係を含み、本明細書でさらに説明される。

プラットフォーム２００は、入力コンパイラ２２０、リプレイコンパイラ２３０、予測エンジン２５０、およびパラメータ推定器２７０を備える。入力コンパイラ２２０は、遡及的入力コンパイラ２２０Ｒおよびライブ入力コンパイラ２２０Ｌを備える。プラットフォーム２００は、実装形態に応じて、より多くの、またはより少ないモジュールを含み得る。いくつかの実装形態では、例えば、パラメータ推定器２７０は任意選択的である。

データは、入力コンパイラ２２０に提供され、測定された信号、信頼できる間接的に観察された代謝入力（すなわち、信用できる代謝入力）、信頼できない間接的に観察された代謝入力（すなわち、信用できない代謝入力）、ならびに第１のデータ点の時点での患者の状態を説明する推定された初期状態を含み得る。測定された信号の例には、血中グルコースモニタ（ＢＧＭ）もしくは連続グルコースモニタからの血中グルコースデータ、または接続されたインスリンペンもしくはインスリンポンプからのインスリン送達データが含まれる。信用できる代謝入力の例には、タイミング、程度、および内容の点で正確性が保証された、臨床現場での専門介護者からの食事活動または身体活動の報告が含まれる。信用できない代謝入力の例には、鉛筆／紙（例えば、手書き）の日記を使用した現場での食事活動もしくは身体活動の報告、または正確さを強制する手段を持たない医療デバイスのログ記録機能が含まれる。

入力コンパイラ２２０は、遡及的入力コンパイラ２２０Ｒを使用して遡及的データ２１０を処理し、ライブ入力コンパイラ２２０Ｌを使用してライブデータ２１２を処理する。遡及的データ２１０は、遡及的入力コンパイラ２２０Ｒおよびパラメータ推定器２７０に提供され、例えば、図３および図９に関してさらに説明される。ライブデータ２１２は、ライブ入力コンパイラ２２０Ｌに提供される。ライブデータ２１２は、実装形態に応じて、リアルタイムであるか、特定の時間ウィンドウ内であるか、または処理サイクル中などである。ライブデータ２１２は、例えば、図６および図９に関してさらに説明される。

実装形態において、入力コンパイラ２２０は、状態推定器（例えば、図３および図６に示される状態推定器３４０）を含み、これは、個別化された生理学的モデルを使用して、照合された推定された代謝入力、入力データの期間中の患者の推定された代謝状態、推定された状態の信用性の数値アセスメント、および照合された推定された代謝入力の信用性の数値アセスメントなどの出力を生成し得る。照合された推定された代謝入力は、推定された代謝状態の信用性および照合された推定された代謝入力の信用性のアセスメントとの連係とともに使用される。システムの相互関連するモジュール内での使用に加えて、照合された食事およびインスリンの履歴などの照合されたデータを、患者または他のユーザに報告することができる。

リプレイコンパイラ２３０は、遡及的データ２１０上で動作する入力コンパイラ２２０の出力２２５Ｒ（すなわち、遡及的入力コンパイラ２２０Ｒの出力２２５Ｒ）を、個別化された生理学モデルであり得る推定されたモデルパラメータ２７５を使用する状態推定器、ならびにリプレイユーザ要件およびコンポーネントモデル２３５とともに使用して、リプレイ予測関数２４０および／または他のリプレイ分析などの出力を生成する。リプレイ予測関数２４０は、代替の特定の入力の形態で、または代替の戦略の形態で、（照合した代謝入力とは異なる）代替代謝入力に対して動作し、関連する予測の信用性とともに代替代謝入力からのシミュレートされた代謝の治療成績の軌跡の形態でリプレイ予測を生成することができる。結果として得られるリプレイ予測関数２４０は、遡及的治療の最適化または治療に関する遡及的病識を含む、多種多様なアプリケーションで使用することができる。リプレイ予測の信用性のアセスメントは、照合された推定された代謝入力の信用性に直接リンクされており、どちらも本明細書で説明するさらなる特徴および機能を可能にする。追加のアプリケーションおよびリプレイコンパイラの出力には、例えば、ボーラスタイミング対食事タイミングの影響を示す基礎滴定、ＡＰアルゴリズムの検証が含まれる。

予測エンジン２５０は、ライブデータ２１２で動作するライブ入力コンパイラ２２０Ｌの出力２２５Ｌを、個別化された生理学的モデルであり得る推定されたモデルパラメータ２７５を使用する状態推定器、および予測ユーザ要件２５３とともに使用して、ライブ入力－照合予測２５５を生成する。ライブ入力－照合予測２５５は、候補の現在および将来の代謝入力に対して動作し、関連する予測の信用性とともに、候補入力の代謝治療成績の予測された軌跡の形態で、リアルタイム予測を生成する。ライブ入力－照合予測２５５は、（ｉ）糖尿病の閉ループ制御における次の制御ステップの選択、予測ボーラスアドバイザ、および意思決定支援を含む、リアルタイム意思決定、ならびに（ｉｉ）スマートアラートなどのリアルタイム病識を生成するための代替アクションの比較を含む、多種多様なアプリケーションで使用することが可能である。ライブ入力－照合予測２５５の信用性のアセスメントは、照合された推定された代謝入力の信用性に直接リンクされており、どちらも本明細書で説明するさらなる特徴および機能を可能にする。

パラメータ推定器２７０は、遡及的データ２１０および遡及的入力コンパイラ２２０Ｒの出力２２５Ｒとともに患者の生体および人口統計情報２７３を使用して、推定されたモデルパラメータ２７５（例えば、個別化された生理学的モデルであり得る状態推定器の）を決定し、出力する。個別化された生理学的モデルは有用であるが、実装形態では必須ではない。パラメータ推定器２７０は、推定のために個別化されたモデルを利用する実装の状況において有用であるが、重要な要件ではない。

図３は、遡及的入力コンパイラ２２０Ｒの実装のブロック図である。概して、信用できる、および信用できない代謝入力を組み合わせるこのアプローチは、不確実な精度または信頼性を有するデータ入力を照合しようとする場合にいつでも適用できる。遡及的入力コンパイラ２２０Ｒは、代謝入力推定器３２０、信用性アセッサ３１０、入力照合器３３０、および状態推定器３４０を備える。

図２に関して説明したように、遡及的データ２１０は、遡及的入力コンパイラ２２０Ｒに入力される。遡及的データは、測定された信号または入力、信用できる代謝入力、信用できない代謝入力、および推定される状態を含む、様々なフォーマットで提供される場合がある。遡及的入力コンパイラ２２０Ｒでは、入力が信用できるものと信用できないものに分類され、様々な推定値が決定され、履歴代謝入力の照合された推定値の形態で信用できない入力の推定値が計算され、例えば、炭水化物の未認識推定値を取り、受信データと照合する。

測定された信号は、遡及的データ２１０内に含まれ、遡及的入力コンパイラ２２０Ｒへの入力として、より具体的には代謝入力推定器３２０への入力として提供される。測定された信号は、典型的には、例えば、リアルタイムＣＧＭ読み取り値、ＣＧＭ値に割り当てられた確実性読み取り値、自己監視血中グルコース読み取り値（血中グルコース測定器）、および／または遡及的に校正もしくは補正されたＣＧＭ読み取り値と、内部インスリンセンサによって測定されたインスリンなどの他の測定信号とを含むグルコースレベルの測定値である。

代謝入力は、遡及的データ２１０内に含まれ、遡及的入力コンパイラ２２０Ｒへの入力として、より具体的には代謝入力推定器３２０への入力として提供される。代謝入力は、一般的に、何がいつ起こったか（タイミングおよび大きさ）の観点から考えることができる。例としては、インスリンポンプによって記録された既知の代謝入力およびユーザによって記録された食事を説明する不確実な代謝入力から、代謝状態を推定することが含まれ得る。

信用できる代謝入力は既知の代謝入力であり、電子／電気機械デバイスによって直接記録され、かつ／または機械によって推定され得る。例としては、インスリンポンプ、およびインスリン注射時間を記録する接続されたインスリンペンが含まれる。これらのデバイスは、インスリンを吐出しているポンプまたはシリンジの動作を直接、高い精度で測定する。不確実な注入速度を引き起こす閉塞などの障害が、まだ存在する可能性があることに注意されたい。インスリン入力に関して、本明細書で企図されるシステムおよび方法は、送達のための特定のモデル（例えば、ポンプ対ペン）に縛られない。

信用できない代謝入力は不確実な代謝入力であり、ユーザによって入力されることがある。不確実な入力は、何がいつ起こったか（例えば、タイミングおよび大きさ）の観点から考えることができる。例としては、電話アプリで手動で入力される食事の炭水化物含有量および食事時間を提供するユーザ入力がある。より広義には、接続されていないペンまたはポンプを使用したインスリン投与など、接続されたデバイスでは確認されないユーザエントリに依拠する時系列への任意の入力が含まれる。これには、例えば、ＢｙｔｅＳｎａｐなどの別の電話アプリによって推定された炭水化物の場合が含まれ得る。原則として、信用できない代謝入力は、輸液ポンプおよび輸液部位のばらつきによるインスリンの信用できない作用でもあり得る。これは、システムに対するこれらの動的入力の不確実性であり、（ＣＧＭのような）遡及的な測定値と照合され得る。信頼できないとは、食事エントリなど、事象データの不正確なタイミングまたは内容を指す場合がある。信用できない代謝の入力には、運動または病気など、ユーザが定量化することが困難な要因も含まれ得る。間接的に測定された入力から生じる信用できない代謝入力もある。

食事の入力は、時間および炭水化物の量で定義される。ユーザ入力（食事の告知）は、典型的には、単一の炭水化物事象として定義される。信頼できないことがあるいくつかの例示的なユーザ入力の食事データには、ユーザが食事に関する炭水化物の量または他の栄養情報を推定している、例えば、ユーザは、ブリートを推定することができるが、待っている間に食べたチップおよびサルサは含まれない、食事は、小－中－大の限定子に単純化される、食事は血糖指数を考慮しない炭水化物の量に単純化される、食事の反応は、脂肪およびタンパク質の含有量にも依存する、ユーザは、食前ボーラスを入力する際に、いつ食事をするのか予期している、ユーザは、システムが食事反応を検出した後、いつ食事をしたのか思い出すように促される、システムは、前菜、メインコース、デザートを含む期間にまたがる食事のための単一の時間を記録することが含まれる。

間接的に測定された入力から生じる信用できない代謝入力のいくつかの例には、データベース、バーコード、レストランの写真などを使用して炭水化物を推定する食事アプリ、以前の食事のライブラリから次の食事を分類する食事アプリ、フィットネストラッカ（心拍数／加速度計）から推定される運動強度および持続時間、フィットネストラッカから推定される睡眠時間が含まれる。

表１は、既知の入力および不確実な入力による代謝入力の例を示している。

表１の最後の行は、輸液ポンプおよび輸液部位のばらつきによるインスリンの「信頼できない作用」を含むことを企図している。言い換えれば、ポンプはプランジャの動きを確実に記録しているが、注入部位またはカテーテルに伴う問題で、このインスリンが体内に入っていないことがある。結果として、いくつかの実装形態では、ポンプで送られるインスリンの量を、観察されたインスリン作用（の欠如）と照合する必要がある。

他の入力には、腸およびグルコースの出現率、センサの遅れが含まれ得、例えば、一般的な代謝物に拡張することも可能である。

推定された初期状態は、遡及的データ２１０内に含まれ、遡及的入力コンパイラ２２０Ｒへの入力として、より具体的には代謝入力推定器３２０への入力として提供されるデータである。推定された初期状態は、グルコースレベル（血液および他のコンパートメント）、インスリンレベル（血液および他のコンパートメント）、（以前に食べた食事による）炭水化物レベル、および代謝要求（以前の運動および現在の活動レベルの効果）を含む、血糖モデルの初期状態を提供する。これは、ある時点（初期状態）でこれらの量を定義するため、ベクトルであり得る。

いくつかの実施形態では、１つ以上のモデルパラメータ２７５が、遡及的入力コンパイラ２２０Ｒ（例えば、入力照合器３３０）への入力として提供され得る。

遡及的入力コンパイラ２２０Ｒの出力は、（ｉ）（信用できる入力と信用できない入力の両方を含む）照合された推定された代謝入力、（ｉｉ）代謝状態の対応する推定値、ならびに（ｉｉｉ）入力および状態の推定値の信用性のアセスメントを含む。

より具体的には、代謝入力推定器３２０は、遡及的データ２１０を受信して、処理し、推定された信用できない代謝入力および障害入力３２５を生成（出力）する。

代謝入力推定器３２０は、体内でグルコースを生成または消費する代謝プロセスのコンパートメントモデルである、個々の数学的モデルを使用することができる。例えば、このモデルには、食後のグルコースの増加、インスリンの刺激による筋肉および脂肪組織へのグルコースの取り込みを説明する用語がある。モデルは、インスリン作用および食事代謝および糖尿病における対象間の差異を説明するために個別化されている（例えば、１型対２型）。

１つの実装形態では、本明細書に記載のシステムおよび方法は、時系列の不確実な代謝入力および状態自体を推定し、これには不明な／不完全に観察された事象の推定が含まれ得る。この実装形態では、代謝入力の推定は、測定された信号、過去に推定された代謝状態、既知の代謝入力に基づいており、測定値、入力、および対応する初期状態のベクトルを形成するために抽出される。不確実な入力（例えば、報告された食事）は、この段階では入力ではない。過去に既知だったもの、および測定されたものだけが入力される。生の入力は、（例えば、リアルタイムの６時間に対して、１日の全サイクルを取得し、周辺効果／境界条件を避けるために３６時間に延長した日を使用する遡及的）使用に応じて適切な長さのベクトルに変換される。これらは、測定された信号である。データの範囲（期間）はアプリケーション（すなわち、実装）によって異なり、数分から数時間、数日に及ぶこともある。次に、データは、実装形態に応じて、必要とされる際に、整合、スナップ、補間、および平滑化され得る。次に、システムは、（例えば、マッピングなしで）線形動的モデルを使用して、測定信号と、推定された初期代謝状態および既知の代謝入力のモデル予測された影響との間の差異である系統的残差を判定する。次に、系統的残差を最適に説明する不明の入力を、系統的残差の適合と推定された不明の入力の形状（例えば、正則化）とに基づいて計算する。例えば、（ｉ）高確実性サンプル、（ｉｉ）最後のサンプル、（ｉｉｉ）最後の変化率、（ｉｖ）重要なサンプル（例えば、低血糖または高血糖）を強調する、適合に対する設定されたペナルティと、望ましい特性を達成するための設定された正則化ペナルティは、（ｉ）推定された不明の入力の滑らかさまたは離散性、（ｉｉ）バイアスの許容／不許可、（ｉｉｉ）高い変化率または加速度の許容／不許可（他の設定された制約は、非陰性の指定（例えば、食事について）を含み得る）を含み得る。これは、正則化されたデコンボリューションによって解決される逆問題の一種である。課題は、測定結果（ＣＧＭトレース）、初期条件、および提供された入力と合理的に一致する、物理的に合理的で解釈可能な値に反転を制限することである。望ましい特性を実現するために、非陰性の食事、一時的な食事の正則化、およびゆっくりと時間変化するインスリン差異を含む、このような制約が課せられ得るので、例えば、品質に基づいて、データを適合させる重要性を動的に調整することが行われ得る。これらの計算から、両方の推定された代謝状態の軌跡のベクトルを抽出することができ、生の推定された不確実な代謝入力が抽出される。

信用性アセッサ３１０は、信用性３１５Ｒの出力を生成する（信用性値を出力する）。信用性３１５Ｒは、信用できない入力の生の推定値と報告されたものとの差異から導き出される。

信用性アセッサ３１０は、測定された信号、既知の代謝入力、報告された不確実な代謝入力、生の推定された代謝状態、不確実な代謝入力、および照合された不確実な代謝入力を含む、複数の入力を評価し、これらはすべて時系列で提供され得る。

測定された信号に基づく信用性は、時系列データの連続性（例えば、連続性の欠如）または完全性を評価し得、センサがアセスメントした確実性閾値、校正事象、最大ギャップサイズ、浮動範囲、周期的範囲などのうちの１つ以上を含み得る。

既知の代謝入力および生の推定された代謝状態および不確実な代謝入力に基づく信用性は、不完全なデータまたは統一性の欠如を示す予期される行動を評価し得、入力（不確実または既知）間の予期される相関、予期される事象数、浮動範囲／周期的範囲などのうちの１つ以上を含み得る。

報告された不確実な代謝入力、生の推定された代謝入力、不確実な代謝入力、および照合された不確実な代謝入力に基づく信用性は、局所的分散対全体的分散（未告知または未報告の入力を示す）、報告された不確実な入力と推定された不確実な入力との間の不一致、パターンマッチング、浮動／周期的範囲などを評価することができる。

信用性アセッサ３１０は、上記の１つ以上の信用性評価を集計し、最終的な推定される代謝状態および照合された推定入力の信用性を提供（出力）し、時系列としての信用性を含み得る。

信用性アセッサ３１０は、ＣＧＭの連続性、適合の質、総炭水化物、炭水化物事象の数、ＢＧアーティファクトに対応する炭水化物、ユーザが報告した炭水化物との一致、（特にＭＤＩ（定量吸入器）における）インスリンデータの信憑性などを判定し得る。

いくつかの実装形態では、特定の時刻において収集されたデータの信用性の集計された意味は、複数の日にわたってその時間における信用性スコアを平均化することによって得られ得る。その時の信用性の平均値が低い場合は、データの収集方法にシステム的な問題がある場合がある。例えば、患者が接続されていないペンを使用して職場で食事をボーラス投与している場合、その時刻のインスリンの値が高く、経時的変動が大きいものとして現れ、その時刻における平均信用性スコアが低いと解釈される。別の例として、患者が、推定された炭水化物とかけ離れた時刻における定期的な食事を一貫して承認している場合、実際の食事時および食事承認時の両方で信用性スコアが低くなる可能性がある。

入力照合器３３０は、不確実な信用できないユーザ入力を推定された入力と照合し、照合は、測定信号、信用できる代謝入力、信用できない代謝入力、およびモデルパラメータのうちの１つ以上に基づく。これらの方法は、報告されたものに対する近さの推定値のペナルティを必ずしも評価するものではなく、むしろ報告された入力と推定された入力のＳ字状の波を経時的に評価する場合もある。いくつかの実装形態では、方法は、患者の典型的なエラーを経時的に学習することができる。入力照合器３３０は、さらなる処理および／または表示で使用するために、代謝入力および障害の照合された推定値を出力する。

状態推定器３４０は、システムで実際に何が起こっていたかについての推定値を提供する。ここでのプロセス障害は、非ゼロ（例えば、ゼロ平均ではない）であり、測定誤差ではないことが許容される。状態推定器の出力は状態の推定値であり、複数のベクトル／行列になり得る。

１つの実装形態では、状態推定器は、（過去の状態推定からの）初期代謝状態、既知の代謝入力（のベクトル）、および照合された不確実な代謝入力（のベクトル）を受信する。入力時系列を推定し、照合した後は、計算する必要があるのは、関連する状態の軌跡だけであり、これは、最終的に推定された代謝入力ベクトルとして出力される。

１つの例示的なモデルでは、集中インスリン療法に使用される異なるタイプのインスリン（例えば、速効型および長時間作用型）および異なる平衡コンパートメント（例えば、肝臓）を含む２つの微分方程式による、グルコースクリアランスに対するインスリンの相互作用が捕捉される。他の代謝モデルもこの同じ枠組みで、将来的および遡及的推定器に対して使用できる。トレードオフは、生理学的な完全性と安定性／可観察性との間である。例えば、単純なモデルでは、生理学的に分離された細部またはコンパートメントをいくつかのタイプの物質移行などと組み合わせることができるが、より複雑なモデルでは、患者間の差異またはグルコース－インスリンの挙動の差異を経時的に解決することができる。実際には、ＣＧＭデータと観察データ（例えば、通常の日変動）のみを用いて観察することができるモデルの複雑さには限界があり、これは、より複雑なモデルには、複数のトレーサなどの追加測定値、またはＯＧＴＴ（経口耐グルコース試験）もしくは組成（脂肪／炭水化物／タンパク質）が既知である食事などの十分に説明された入力による臨床研究が必要になる場合があるためである。しかしながら、より複雑なモデルは、破損に基づく入力の問題を解決することに有用であり得る。

信用性の判定は、照合された推定された代謝入力の信用性および推定された代謝状態の信用性を含む、照合された信用できない代謝入力に対して実行され得る信用性判定とは無関係に、推定された代謝状態に対してここで実行され得る。

遡及的入力コンパイラ２２０Ｒの出力には、推定かつ照合された信用できない代謝入力である、照合された推定された代謝入力が含まれる。信用できる代謝入力はパススルー入力と見なされ得、したがって、いくつかの実装形態では元の形態で出力され得る。これらの入力および出力には、インスリン感受性などのモデルパラメータの不確実性が含まれていないことに注意されたい。

遡及的入力コンパイラ２２０Ｒの例示的な出力は、異なる影響（ＢＧ変動におけるシグネチャ）に起因する血中グルコース信号における過渡現象、ならびに経口炭水化物および他の影響から変化する信号における過渡現象を説明する摂動信号を含み得、これは、次のように、ＯＣ（経口炭水化物）混合食の食後反応（以前の炭水化物およびインスリン送達を考慮して調整される）、インスリン感受性の変化と一致する血中グルコース濃度の低頻度の変動を説明する信号、および姿勢の変化、身体活動、または（潜在的に）「混合」食のプロファイルにうまく適合しない食事による変動など、食後反応またはインスリン感受性の変化として別様に解釈することができない血中グルコーストレースの側面を説明する信号に分けることができる。

推定される正味の経口炭水化物の影響も決定され得る。１回の食事は、いくつかの個別の炭水化物信号に分割され得る。正味の経口炭水化物としてモデル化されている肝臓などの内在源からグルコースが追加される可能性がある。

捕捉され得る他の行動または生理には、例えば、運動中の血糖消費（グルコースの取り込みを増加させるのでインスリンのように作用する）、運動後のインスリン感受性の変化、インスリン感受性の日変動（日内変動）、インスリンオンボード曲線／インスリン曲線の差異、およびログ記録されていないボーラスが含まれる。

代謝状態の推定値３４５Ｒは、モデルのコンパートメント内の時系列のインスリンおよびグルコースレベルとＣＧＭ信号を含む。

最終的に照合された食事履歴には、時間と正味炭水化物が含まれる。送達されるインスリンは、遡及的入力コンパイラ２２０Ｒのパススルーである。

したがって、遡及的入力コンパイラ２２０Ｒでは、患者の代謝状態の推定値は、信用できるデータのストリームから構築され、今度は信用できないデータの推定値のストリーム（推定される各期間のその推定される状態軌跡に関連する）が信用性アセスメント（患者がいつ、何かを食べたという信用度）を有する。これは、先月のデータについて履歴的に実行され得るが、例えば、ライブ入力コンパイラ２２０Ｌに関して本明細書でさらに説明するライブデータ２１２などの新しく受信されたデータについても実行され得る。

図４は、ライブ入力コンパイラ２２０Ｌの実装のブロック図である。ライブ入力コンパイラ２２０Ｌは、遡及的入力コンパイラ２２０Ｒと同じコンポーネントを含むが、入力として遡及的データ２１０を使用する代わりに、入力としてライブデータ２１２を使用する。したがって、遡及的入力コンパイラ２２０Ｒと同様に、ライブ入力コンパイラ２２０Ｌもまた、代謝入力推定器３２０、信用性アセッサ３１０、入力照合器３３０、および状態推定器３４０を備える。

ライブ入力コンパイラ２２０Ｌの出力フィールドは、ライブデータ２１２に基づくことを除いて、遡及的入力コンパイラ２２０Ｒの出力フィールドと同じである。そのため、ライブ入力コンパイラの出力には、信用性３１５Ｌ、代謝入力および障害の記録された推定値３３５Ｌ、ならびに代謝状態の推定値３４５Ｌが含まれる。このようにして、ライブデータ２１２の信頼できない部分は、他の利用可能なデータに基づいて照合される。例えば、過去６時間の炭水化物などの代謝入力を推定でき、過去６時間の対応する状態と過去６時間の信用性も推定することができる。

ライブ入力コンパイラ２２０Ｌを使用すると、患者はリアルタイムでシステムおよび方法とインタラクションしていることになる。患者はＡＰシステムのように一貫して行動するわけではなく、常に正確なデータを提供するとは限らない（例えば、カウントの問題、タイミングの問題、またはその両方からの誤って報告された炭水化物）。１つの例示的なアプリケーションでは、いつおよび／またはどれだけの食事が消費されたように見えるかを示唆することができ、患者が提案された食事情報を確認または拒否、または修正することを可能にする。これにより、食事／運動の検出、および血漿グルコースの予測が可能になる。グルコースの予測の例では、本明細書に記載のシステムおよび方法は、過去６時間のデータを使用して、次の２時間のグルコースを予測することができる。さらに、センサデータの信用性を判定し（校正にどれだけ近いか、信号が高くなったり低くなったりするか、センサが範囲外であるか）、炭水化物およびインスリンの全体的な信用性測定に使用することができる。同様に、インスリンデータの信用性を判定することもできる（基礎データの欠落、原因不明のグルコース濃度の低下（未確認ボーラス）など）。このシステムおよび方法は、検出されたデータの報告されたデータとの照合を知りながら、知的インタラクションおよび意思決定を行うことを可能にする。

ライブデータを扱う場合、将来の知識の恩恵を受けられないため、最新の値とその傾きに特に注意を払うことが重要である。例えば、最新のデータをより重く重み付けすることにより、最新のポイント（最後の２つ）間の一致を見出すように推定器に要求する。１つの実装形態では、入力照合器ベクトルは、リアルタイムアプリケーションに対して報告された不確実な代謝入力を抽出し、結果として得られるベクトルは、最後のエントリが現在の時刻に対応するようなものである。抽出されたベクトルは、生の推定された不確実な代謝入力のベクトルと組み合わされて、以下に説明するように、時間関連性および／または相対的確実性に基づく関数で組み合わされる。

例１（ライブ予測器の場合）：時間関連性に基づいて重み付けが適用され、最近報告された入力が最も重く、過去に報告された入力が軽く、最近の生の推定された入力（もしあれば）が軽く重み付けされる。将来のデータが必要なためである。

例２（ライブまたは遡及に適用）：報告され、推定された信用できない入力の相対的確実性に基づいて重み付けが適用され、確実性は、推定された入力のユーザ／システム評定および／またはモデルベースの確実性に基づく。

１つの例示的なアプリケーションでは、システムおよび方法は、ユーザ入力とは無関係に炭水化物摂取量を推定する。（スマートペンなしで）毎日複数回の注射を使用して糖尿病を治療する患者の場合、データはこれが最も安全な仮定であることを示唆している。システムおよび方法は、患者が、ユーザ入力とは無関係に、推定された炭水化物と一致しない炭水化物推定値を報告したときの状況を考慮する。システムおよび方法では、推定された炭水化物の推定値と報告された炭水化物の推定値の両方を真と見なすことはできないため、照合のプロセスは有用である。照合時に、システムおよび方法は、照合の結果を、照合された推定された入力の新たな対として表す。

図５は、リプレイコンパイラ２３０の実装のブロック図である。リプレイコンパイラ２３０は、入力分類器５１０およびリプレイヤコア５２０を備える。リプレイヤコア５２０は、入力修正器５２３および動的方程式５２５を含む。リプレイコンパイラ２３０は、入力を修正することによってグルコーストレースのリプレイを実行して、修正された入力の影響を判定する。リプレイコンパイラ２３０は、異なる範囲（個人／集団）において、異なるマスク（閉ループ、睡眠、信用性など）でＢＧ、インスリン、食事、および行動的治療成績をアセスメントするためのマシンを提供する。このシステムおよび方法は、糖尿病への任意の非最適な介入を行い、最適な介入を判定するためにシナリオをシミュレートし、最適な介入の効果を、ＣＧＭトレースまたは最適対非最適の血糖作用として定量化する。

リプレイコンパイラ２３０への入力は、信用性３１５Ｒ、代謝入力および障害の照合された推定値３３５Ｒ、および代謝状態推定値３４５Ｒ（例えば、推定された代謝状態、最終的な照合された推定された代謝入力、既知の代謝入力および代替代謝入力（時系列の期間中の特定の入力または戦略））を含む、遡及的なコンパイルされた入力（すなわち、遡及的入力コンパイラ２２０Ｒの出力２２５Ｒ）である。いくつかの実装形態では、入力には、時系列および信用性として、すべての代謝入力（信頼できるもの、および信頼できないものの照合された推定値）が含まれる。

入力分類器５１０は、代謝入力および障害の照合された推定値を入力として受信し、各データを修正可能な外因性代謝入力５１２または不変外因性入力５１５として分類する。

いくつかの実装形態では、１つの信用できるデータ（例えば、インスリン）が修正され得る。他の実装形態では、１つの信用できるデータおよび１つの信用できないデータ（例えば、食事データ）が修正され得る。他の実装形態では、すべての入力が修正され得る。

リプレイコンパイラ２３０では、様々なシナリオ、Ａ）すべての信頼できない照合されたデータがリプレイ機能で修正される、Ｂ）すべてではなく、いくつかの信頼できない照合されたデータがリプレイ機能で修正される、Ｃ）いくつかの信用できるデータがリプレイ機能で修正される、Ｄ）Ｂ）とＣ）の組み合わせが想定され得る。概して、リプレイコンパイラ２３０は、少なくともいくつかのデータを修正し、少なくとも１つのシミュレーションを実行する。例えば、インスリンなどの１つの信用できるデータであり得る。場合によっては、それは、インスリンと食事の両方のように、１つの信用できるデータと１つの信用できないデータの両方である（例えば、照合されたボーラス投与可能な炭水化物を他のスクリプトによる食事の行動に置き換え、ＢＧの変動性のシグネチャを、修正しない唯一のものとして残す）。例示的な実施形態では、すべての入力が修正される。

リプレイヤコア５２０は、入力修正器５２３および動的方程式５２５を含む。入力修正器５２３は、修正可能な外因性代謝入力５１２と、履歴入力５５０を修正するためのルールの指定と（ルール５５０の指定とも称される）を受信する。

したがって、入力５１２は、ルール５２３の指定を使用して、入力修正器５２３において修正される。ルール５２３の指定は、入力の修正に基づいて治療成績を判定するために試験される「仮の事態」シナリオである。ルールは、ユーザが個別に、および／または事前設定されたシナリオに基づいて選択することができる。指定され得るいくつかのルールは、ＭＤＩからＣＳＩＩへの変換（持続皮下インスリン注入）またはその逆、長時間作用型の投与量／タイミング、基礎速度プロファイル、履歴データにおける低血糖治療の認識／削除、履歴のボーラスの改正、ボーラス投与パラメータの改正、代替インスリン入力が低血糖の新しいインスタンスを作成するときの将来的な低血糖治療の挿入、履歴の食事のインスタンスの将来的なモデルへの置き換え、炭水化物の履歴の承認の将来的な承認モデルへの置き換え（例えば、推定された炭水化物に近いときの炭水化物を承認する）を比較する。

ルールの追加指定は、運動および／または運動を中心とした治療の最適化、レスキュー炭水化物を含む治療（例えば、必要量）、他の食事ボーラス投与戦略（例えば、分割、遅延、拡張ボーラス）を含む治療、経口薬などを含む２型治療を処理し、評価するように設計することができる。

ルールの指定は、特定の事前プログラムされた機能の呼び出しに基づいて、報告および分析ソフトウェアおよび／またはユーザが特定のシナリオ（「もし私が早くボーラス投与したらどうなるか」）を選択すること、特定の質問（「もし私がポンプ療法を受けていたらどうなるか）をすること、および／または特定の入力（「もし私がボーラス投与するときに２単位のインシュリンを追加で摂取したらどうなるか」）を修正することを可能にする他のインターフェースなどのユーザインターフェースに基づいて、当業者によって理解され得るように、患者によって直接提供され得る。選択は、リアルタイムまたは遡及的であり得、様々な粒度で表示され得る。

入力修正器５２３の出力は、不変外因性入力５１５、代謝状態推定値、およびモデルパラメータ２７５とともに、入力として動的方程式５２５に提供される。

実装形態では、動的方程式は、体内でグルコースを生成または消費する代謝プロセスのコンパートメントモデルである、個々の数学的モデルを使用することができる。例えば、このモデルには、食後のグルコースの増加、インスリンの刺激による筋肉および脂肪組織へのグルコースの取り込みを説明する用語がある。モデルは、インスリン作用および食事代謝および糖尿病の対象間の差異を説明するために個別化されている。

動的方程式５２５は、入力に対してリプレイを実行する。リプレイは、食事および／またはインスリンのパラメータを考慮した任意の既知のモデルベースのアプローチを使用して、モデルベースの推定を実行する。例えば、モデルは、炭水化物、タンパク質、脂肪の典型的な組み合わせである標準的な混合食を使用することができる。しかしながら、他の食事のシグネチャ、例えば、高炭水化物／血糖の食事および／もしくは低炭水化物／血糖の食事、または様々なタイプの食事の組み合わせを使用することができる。いくつかの実装形態では、組成および血糖指数などに基づいて、長時間作用型の食事と短時間作用型の食事を追加することができる。これは、照合の一部として実行される。食事の作用が標準的な食事と大幅に異なる場合は、生理学的に正確ではない方法で説明することができる。例えば、ピザからの炭水化物３０ｇは、３０ｇの最初の食事とそれに続く２回の１０ｇの食事によって推定される。

実装形態では、代謝状態の推定は、入力時系列の期間中に実行され、個別化された数学モデルを入力時系列の最後まで再生させる。

モデルパラメータ２７５は、パラメータを患者のためにより個別化するためのフィードバック入力として有用であるが必須ではない任意選択的な推定値である。

リプレイ信用性５８０は、リプレイコンパイラおよび出力によって判定される。リプレイコンパイラ２３０は、リプレイ分析において特定のシナリオ（サンプル）の信用性のあるインスタンスを識別して出力する。これは、各サンプル（例えば、各リプレイ分析結果）を信用性スコアでスコアリングすることによって実行することができる。例えば、低血糖をうまく回避した信用性のあるインスタンスの特定、低血糖の回避失敗、および／または食事のボーラスの省略または大幅な遅延である。リプレイ分析のデータセット内のサンプルの平均信用性スコアは、リプレイ結果の重要性／真実性の全体的な意義を与え、これは、結果の解釈に役立ち得る。

データの信用性に基づいて動的方程式５２５からの様々な時系列を比較するために、コンパレータがリプレイコンパイラ２３０内に含まれ得る（信用性の低いデータが無視されるか、または低い重みを有するように重み付けされる）。別の例では、ＢＧのシグネチャが不規則な場合、その期間中のデータは信用性がなくなることがある。当業者は、患者データがモデルと矛盾していることを認識する多くの方法があることを理解している。

実装形態では、ＢＧ治療成績測定基準は、サンプル平均、サンプル分散、範囲内時間、高／低ＢＧのエピソード、低血中グルコースリスク、高血中グルコースリスク、全体的リスクのうちの１つ以上に基づいて、リプレイされた時系列でアセスメントされる。すべてのサンプルを均等に重み付けして平均血中グルコースを算出する従来技術とは異なり、ここでは各サンプルの信用性スコアを用いて、各サンプルが平均して持つ重みを判定する。

動的方程式５２５の出力は、リプレイ予測時系列５７０を含む。出力（時系列５７０）は、その後の使用のために入力修正器５２３に提供され得、信用性スコアを有する代替入力から生じるリプレイシミュレートされた代謝状態を含み得る。出力には、シミュレートされた時系列、比較された時系列の結果（最悪／最高／実際）、比較された時系列に基づく推奨、およびシステムによって処理された任意の他のデータ（例えば、信用性スコア）が含まれ得る。

いくつかの実施形態では、リプレイコンパイラ２３０の機能出力は、患者が実際に経験した再現された（シミュレートされた）ＣＧＭトレースであり得る。リプレイコンパイラ２３０は、履歴のＣＧＭ上で実行されると、トレースを再現する機能であり、この場合、ＣＧＭトレースは、センサの不正確さのない平滑化されたＣＧＭトレースバージョンであり、例えば、追加情報を含むと、患者から提供されていない追加の相関データ（例えば、食事）を再現することができる。

ＤＳＳ（意思決定支援システム）またはＡＰの使用事例における治療最適化では、リプレイコンパイラ２３０は、入力が最適化されるパラメータ（実際の基礎インスリン）であり、出力が最適化されたその入力（最適な基礎インスリン）のバージョンである、１日の総基礎など、治療法を最適化することができる。リプレイは、パラメータの最適な処方量／時間をシミュレートする（１つの例では１日の総基礎）。

患者教育の使用事例では、患者がシナリオを通して強調表示またはドラッグし、リプレイコンパイラ２３０から返された「仮の事態シナリオ」の結果を見ることを可能にする動的レポート（遡及的またはリアルタイム）が生成され得る。例えば、グラフィカルユーザインターフェースのスライダバーにより、患者（または他のユーザ）は、物をスライドさせて、リプレイ分析から生じる影響（炭水化物を増やす、炭水化物を減らす、血糖値を上げる、血糖値を下げる、早いボーラス、遅いボーラス、インシュリンを増やす、インシュリンを減らす、など）を見ることを可能にし得る。

いくつかの実施形態では、リプレイ分析においてデータセット内のサンプルの平均信用性スコアの出力を提供することは、リプレイ結果の重要性／真実性の全体的な意義を与える。

いくつかの実施形態では、医療専門家のためのリスク層別化ツールは、特定のカテゴリーまたは必要性によって患者、例えば、食前ボーラス投与遵守が最も低い患者を特定する出力として提供され得、治療調整の潜在的利益を含み得る。

いくつかの実施形態では、出力は、報告インターフェースにおける最も影響力のある潜在的な変化を強調表示／優先順位付けすることができる（例えば、インスリンタイミング対ボーラス量の変更、または最良の食事を強調表示）。

いくつかの実施形態では、出力は、コーチングコールまたはチャットボットプロンプトを介して、コーチングコメントおよびディスカッションポイントを誘発することができる。

図６は、予測エンジン２５０の実装のブロック図である。予測エンジン２５０は、モデルパラメータ２７５および予測ユーザ要件２５３とともに、遡及的なコンパイルされた入力２２５Ｒおよびライブでコンパイルされた入力２２５Ｌを入力として受信し、リアルタイム予測２５５を出力する。

予測エンジン２５０の初期状態は、すでに体内にあり、グルコースレベルに作用しているインスリンおよび炭水化物の量を説明する。追加のアクションなしで、予測エンジン２５０は、前の食事からのグルコースエクスカーションおよび低血糖事象などの、将来の代謝状態を予測する。予測は、入力コンパイラ２２０からの照合の外挿である。言い換えると、予測は履歴データだけでなく、照合されたデータにも反応する。

予測エンジン２５０は、入力外挿器６１０、入力フィルタ６２０、代謝状態推定器６３０、出力フィルタ６４０、および初期条件抽出器６５０を備える。

入力外挿器６１０は、予測ユーザ要件２５３、遡及的なコンパイルされた入力２２５Ｒからの代謝入力および障害の信用性および照合された推定値、ならびにライブでコンパイルされた入力２２５Ｌからの代謝入力および障害の信用性および照合された推定値を使用して、外挿を実行する。外挿されたデータは、入力外挿器６１０から入力フィルタ６２０に提供される。

入力外挿器６１０は、入力時系列を外挿して、（１）リアルタイムで利用可能な将来に関する追加情報（例えば、予期される食事、運動など）および（２）ＢＧ変動性のシグネチャを説明する。

入力外挿器６１０は、履歴データに基づく推論を行うために、遡及的にコンパイルされた入力２２５Ｒを使用、例えば、ＢＧ変動性のシグネチャ（すなわち、障害）の最近の過去とＢＧ変動性の履歴のシグネチャの影響を使用することができる。ＢＧ変動性のシグネチャは、予測範囲にさらに入るときにデータを解釈するために使用することができる。

予測エンジン２５０は、照合されたデータの差異に起因するデータの不正確さの傾向を示す障害（ＢＧ変動性のシグネチャ）を投影することができる。障害信号は照合プロセスの結果であり、推定された不明の信号と見なすことができる。例えば、概日リズム、運動傾向などから障害が発生する可能性がある。予測の精度は、障害の性質に基づく将来に関する様々な仮定に依存する。

入力フィルタ６２０は、予測ユーザ要件２５３で外挿されたデータをフィルタリングし、その出力を代謝状態推定器６３０に提供する。

実装形態に応じて、入力フィルタ６２０は任意選択的であるが、他のフィルタリングまたは平滑化が１つ以上の入力に適用されていない場合に有用であり得る。入力フィルタ６２０は、外挿された入力時系列をフィルタリングまたは平滑化して、（１）センサノイズ、（２）最近の信用できない入力の急速に進化する理解に対する予測軌跡のジッタを防止する。いくつかの実装形態では、入力フィルタ６２０は、ローパスフィルタを使用して、連続する更新における予測される軌跡のジッタを最小限に抑える。

初期条件抽出器６５０は、ライブでコンパイルされた入力２２５Ｌの代謝状態推定値からデータを抽出し、抽出されたデータを代謝状態推定器６３０に提供する。

代謝状態推定器６３０は、フィルタリングされたデータおよび抽出されたデータを、予測ユーザ要件２５３およびモデルパラメータ２７５とともに入力として受信する。代謝状態推定器６３０は、これらの入力を処理し、出力フィルタ６４０に出力を提供する。

代謝状態推定器６３０は、推定器によって個別化された生理学的モデルが使用されている範囲において、（任意選択的にフィルタリングされた）外挿された入力、抽出された初期条件、およびモデルパラメータを受信する。様々な推定器が有用であり得る。１つの実施形態では、代謝状態推定器６３０は、時系列の始めに代謝状態ベクトルの最良の推定値から将来への代謝状態の開ループ推定を行い、個別化された生理学的モデルを予測範囲の終わりまでずっと再生する。

いくつかの実装形態では、代謝状態推定器６３０は、グルコースを生成または消費する代謝プロセスのコンパートメントモデルである、個々の数学的モデルを使用することができる。例えば、このモデルには、食後のグルコースの増加、インスリンの刺激による筋肉および脂肪組織へのグルコースの取り込みを説明する用語がある。

出力フィルタ６４０は、代謝状態推定器６３０からの出力を、予測ユーザ要件２５３、ならびにライブでコンパイルされた入力２２５Ｌからの代謝入力および障害の信用性および照合された推定値とともにフィルタリングし、その出力をリアルタイム予測２５５として提供する。出力フィルタ６４０は、ライブでコンパイルされた入力２２５Ｒに応じてリアルタイム予測２５５を制約するために使用することができる。

出力フィルタ６４０は、予測された出力時系列（すなわち、リアルタイム予測）を提示して、（１）照合された入力に認識可能で有意な変化がある場合にのみ予測された軌跡の劇的な変化を可能にし、かつ／または（２）センサノイズによる予測された軌跡のジッタをフィルタリング／平滑化または別様で防止する出力モジュールである。

リアルタイム予測２５５（すなわち、ライブ予測）は、将来のＢＧの予測プロファイル（例えば、ベクトル形態で）であり得、今後の意思決定を知らせるために使用することができる。例えば、予測は、これから先の低血糖を示すことができ、次に、予測は、アラートを出し、かつ／または患者に速効性グルコース錠剤を摂取させるために使用され得る。本明細書に記載されるような照合および予測により、患者の行動変化に対する応答性向上を可能にし、その結果、代謝状態をより良好に予測することができる。

いくつかの実装形態では、リアルタイム予測２５５は、予測された代謝状態のベクトルである。結果として得られる予測の安定性は、差し迫った状態変化のマーカが存在するまで安定したままである（例えば、食事とインスリンにより、より動的な出力を可能にする）。患者が提供した入力と検出された入力は、患者が予期しているときに信用性のある変化につながる。

いくつかの実装形態では、予測エンジン２５０は、データに条件付き重み付けを適用することができ、履歴データは、（１）時刻、（２）現在の推定された状態の特徴、および（３）サイド情報に従って重み付けすることができる。条件付き重み付けは、最終的に推定された代謝状態、過去の代謝入力（信用できるものと信用できないもの）のデータベース、およびいくつかの実装形態におけるサイド情報に基づいている。

将来へのＢＧ変動性のシグネチャは、予測エンジン２５０の重要な差別化要因である。単独または組み合わせて使用できる付加的な主な利点としては、照合された食事、入力の外挿（例えば、食事をゼロに設定）、および遡及的モデルと毎日の傾向から時刻によって通知されるＢＧ変動性のシグネチャが挙げられる。典型的には、リアルタイムの予測器では、データ開始点の過去６時間について再実行される。

ＢＧ変動性のシグネチャの重み付けは、患者への差異に依存し、利用可能な報告されたデータと照合されたデータ、およびその信用性に依存する（例えば、事象からの時間に依存する）。

本明細書で説明されるシステムおよび方法は、時間領域予測のトレードオフを有し、最も直近の値に対する照合された入力に、より多くの重みが与えられる。条件付き重み付けは、これらのモデルを特定のバリエーションにチューニングすることを可能にする。

いくつかの実装形態では、生の入力と照合された入力を含む、入力の信用性に基づいて、予測された状態について信用性が計算される。照合を伴うリアルタイム予測における信用性の使用には、（１）照合された予測を介して判定された医療行為の確実性、すなわち、一般的な信用性スコアが低い場合（例えば、最近のＣＧＭサンプルの確実性が低いため、または未承認の食事および／もしくはボーラスの証拠のため）、対応する結果の照合された予測は信用性がないことがある、２）照合された予測に基づいてアドバイスを提供する前に待機する必要があるかどうかの判定、すなわち、一般的な信用性スコアが低い場合、推奨事項を提示する前に患者にもう少し待つようアドバイスすることができることが含まれる。

図７は、パラメータ推定器２７０の実装のブロック図である。パラメータ推定器２７０は、パラメータ最適化を実行するように構成されている。パラメータは、照合された信用性のあるデータについてのみチューニングされる。パラメータ最適化は、遡及的データセットに基づいて、代謝モデルパラメータの最良の設定を取得するために適用される。時間の経過とともに、予測器を遡及的に実行し、予測を改善することができる。このモデルは、最良の予測モデル性能を与えるように最適化されている。パラメータ推定は任意選択的であり、前のブロックで使用した推定のタイプと、その推定に使用したモデルのタイプに依存する。

パラメータ推定器２７０は、出力として提供される推定されたモデルパラメータ２７５を最適化することによって、予測エンジンが使用する任意選択的な個別化された生理学的モデルを可能な限り正確にするように構築されている。目標は、患者の生理学的パラメータ、一般的アプリケーション、例えば、インスリン感度、吸収リプロ（薬物）吸収率、任意の生理学的なものなどを推定することである。

実際には、最適化は遡及的データを使用し、そのデータに対して予測器を動作させ、予測エンジンを構築し、ライブであるかのように遡及的データにアプル（ａｐｐｌｅ）し、遡及的トレースの予測をどれだけ正確に生成するかを確認することを試み、パラメータのチューニングはシミュレートされた予測の精度に基づいている。

パラメータ推定器２７０は、患者の生体認証および人口統計情報２７３とともに、遡及的にコンパイルされた入力２２５Ｒおよび遡及的データ２１０のデータを入力として受信し、モデルパラメータ２７５を出力する。

パラメータ推定器２７０は、候補パラメータ生成器７１０、ライブ予測器インスタンス７２０（ライブ入力コンパイラおよび予測エンジンを含む）、および信用性情報に基づくエラーアセッサ７３０を備える。

候補パラメータ生成器７１０は、候補モデルパラメータ７１５を生成する。

ライブ予測器インスタンス７２０は、候補モデルパラメータ７１５、遡及的データ２１０（遡及的データ２１０をライブデータであるかのように扱う）、および遡及的データ２２５Ｒの代謝入力および障害の照合された推定値を使用し、その出力を信用性に基づくエラーアセッサ７３０に提供する。

信用性情報に基づくエラーアセッサ７３０は、ライブ予測器インスタンス７２０の出力を受信し、このデータを、遡及的データ２２５Ｒの信用性および遡及的データ２１０の測定信号とともに使用して、モデルパラメータ２７５の判定に後で使用するために、候補パラメータ生成器７１０に提供される出力を生成する。

実装形態では、各対象の参照グルコース濃度とインスリン感受性は、可能な値のリストの最適化された値にチューニングされる。予測器は、３０日以上のデータ（例えば、インスリン、ＣＧＭ、食事など）を実行し、１時間の最良の予測器を判定することができる。

図８は、データを照合するための方法８００の実装の操作フローである。方法８００は、例えば、プラットフォーム２００によって実行され得る。方法８００の態様は、いくつかの実装形態では、入力コンパイラ２２０によって実行され得る。

８１０において、対象に関連する信用できないデータは、遡及的入力コンパイラ２２０Ｒの代謝入力推定器３２０またはライブ入力コンパイラ２２０Ｌの代謝入力推定器３２０などの入力推定器において受信される。信用できないデータは、遡及的データ２１０などの遡及的データ、またはライブデータ２１２などのライブデータ内に含まれ得る。信用できないデータは、インスリンのタイミング、インスリンの量、食事データ、または活動データのうちの少なくとも１つを含み、信用できないデータは、タイミング、量、推定、またはエントリのうちの少なくとも１つにおける行動異常または人為的エラーのために信頼できない。

８２０において、対象に関連する信用できるデータが、入力推定器において受信される。信用できるデータは、遡及的データ２１０などの遡及的データ、またはライブデータ２１２などのライブデータ内に含まれ得る。信用できるデータは、ＣＧＭデータ、インスリンポンプデータ、コンピュータ生成データ、コンピュータ生成モデル、または対象のグルコースおよびインスリンダイナミクスを説明する個別化されたモデルのうちの少なくとも１つを含む。

８３０において、信用できないデータは、信用できるデータを使用して照合される。入力照合器は、信用できるデータを使用して、信用できないデータの照合を実行することができる。特に、（１）入力推定器が信用できる入力を数学モデルとともに使用して、信用できない入力の値を推定した後、（２）信用できない入力データを推定した信用できない入力と融合して、最終的に照合された信用できないデータセットを生成する。信用できない入力と推定される信用できない入力は、アプリケーションの状況と時間的範囲に応じて、様々な方法で融合することができる。推定された信用できない入力が、低い誤差共分散で推定された場合、推定された入力が時間の経過とともに血中グルコースを正確に予測することが証明された場合、または信用できないデータソースが完全に信頼できないことが証明された場合など、場合によっては、照合された信用できないデータは、信用できないデータとは関係なく、推定された入力から排他的に導出することができる。数学モデルおよび／または推定入力が時間の経過とともに血中グルコースを予測できない場合、または信用できないデータソースが独立した手段によって正確さを示すことができる場合など、他の場合、照合された信用できないデータは、信用できない入力自体から排他的に導出することができる。ライブアプリケーションの状況（非遡及的アプリケーション）で、または、現在の推定された信用できない入力が信用できない入力自体よりも信頼できるかどうかを判定するために追加データが必要な場合、信用できない入力と推定された信用できない入力の混合として、照合された信用できないデータを計算することができ、（１）最近の過去については、照合された結果は信用できないデータに委ねられ（反論するために、さらにデータが必要なため）、（２）遠い過去については、照合結果は推定された信用できない入力に委ねられ、（３）最近と遠い過去の間の移行領域では、現在の時間への近さに応じて、信用できない入力データおよび推定された信用できない入力データの加重平均として、照合値が計算される。加重平均の代替手段としては、（１）信用されていない、または推定された信用できないデータの認識された信頼性に基づいて、信用できない入力または推定された信用できない入力のいずれかを確率的に選択すること、（２）分類目的、例えば、最大尤度または最大事後確率を最大化するために、信用できない入力または推定された信用できない入力を選択すること、が挙げられる。

８４０では、例えば、入力コンパイラ２２０から、照合された信用できないデータが出力される。

図９は、データを照合するための方法９００の別の実装の操作フローである。方法９００は、例えば、プラットフォーム２００によって実行され得る。方法９００の態様は、いくつかの実装形態では、入力コンパイラ２２０によって実行され得る。

９１０では、対象に関連する信用できないデータは、遡及的入力コンパイラ２２０Ｒの代謝入力推定器３２０またはライブ入力コンパイラ２２０Ｌの代謝入力推定器３２０などの入力推定器で受信される。信用できないデータは、遡及的データ２１０などの遡及的データ、またはライブデータ２１２などのライブデータ内に含まれ得る。信用できないデータは、インスリンデータ、食事データ、または活動データのうちの少なくとも１つを含むユーザ入力データを含む。

９２０において、信用できないデータは、対象に関連する信用できるデータを使用して照合される。信用できるデータは、遡及的データ２１０などの遡及的データ、またはライブデータ２１２などのライブデータ内に含まれ得る。信用できるデータは、コンピュータで生成されたデータを含む。照合は、入力照合器を使用して実行することができる。特に、（１）入力推定器が信用できる入力を数学モデルとともに使用して、信用できない入力の値を推定した後、（２）信用できない入力データを推定した信用できない入力と融合して、最終的に照合された信用できないデータセットを生成する。信用できない入力と推定される信用できない入力は、アプリケーションの状況と時間的範囲に応じて、様々な方法で融合することができる。推定された信用できない入力が、低い誤差共分散で推定された場合、推定された入力が時間の経過とともに血中グルコースを正確に予測することが証明された場合、または信用できないデータソースが完全に信頼できないことが証明された場合など、場合によっては、照合された信用できないデータは、信用できないデータとは関係なく、推定された入力から排他的に導出することができる。数学モデルおよび／または推定入力が時間の経過とともに血中グルコースを予測できない場合、または信用できないデータソースが独立した手段によって正確さを示すことができる場合など、他の場合、照合された信用できないデータは、信用できない入力自体から排他的に導出することができる。ライブアプリケーションの状況（非遡及的アプリケーション）で、または、現在の推定された信用できない入力が信用できない入力自体よりも信頼できるかどうかを判定するために追加データが必要な場合、信用できない入力と推定された信用できない入力の混合として、照合された信用できないデータを計算することができ、（１）最近の過去については、照合された結果は信用できないデータに委ねられ（反論するために、さらにデータが必要なため）、（２）遠い過去については、照合結果は推定された信用できない入力に委ねられ、（３）最近と遠い過去の間の移行領域では、現在の時間への近さに応じて、信用できない入力データおよび推定された信用できない入力データの加重平均として、照合値が計算される。加重平均の代替手段としては、（１）信用されていない、または推定された信用できないデータの認識された信頼性に基づいて、信用できない入力または推定された信用できない入力のいずれかを確率的に選択すること、（２）分類目的、例えば最大尤度または最大事後確率を最大化するために、信用できない入力または推定された信用できない入力を選択すること、が挙げられる。

図１０は、データの信用性を判定するための方法１０００の実装の操作フローである。方法１０００は、例えば、プラットフォーム２００によって実行され得る。方法１０００の態様は、いくつかの実装形態では、入力コンパイラ２２０によって実行され得る。

１０１０では、対象に関連する信用できないデータは、遡及的入力コンパイラ２２０Ｒの代謝入力推定器３２０またはライブ入力コンパイラ２２０Ｌの代謝入力推定器３２０などの、例えば、入力推定器で受信される。信用できないデータは、遡及的データ２１０などの遡及的データ、またはライブデータ２１２などのライブデータ内に含まれ得る。信用できないデータは、インスリンデータ、食事データ、または活動データのうちの少なくとも１つを含むユーザ入力データを含む。

１０２０では、信用できないデータの信用性が判定される。信用性は、遡及的入力コンパイラ２２０Ｒの信用性アセッサ３１０またはライブ入力コンパイラ２２０Ｌの信用性アセッサ３１０などの信用性アセッサによって判定され得る。信用できないデータの信用性は、１つ以上の時間スケールで信用できないデータの特性のみからアセスメントされる。特に、ある期間にわたる食事および／またはインスリンおよび／または身体活動を承認しないことは、例えば、信用性値がゼロであるなど、期間全体を信用性がないものとして表す不完全なデータとして解釈することができる。同様に、二重エントリまたは異常に多い（または少ない）インスリン投与量、および／または一定期間にわたる炭水化物もしくは身体活動の承認された量などの他のデータアーティファクトは、非生理学的または行動的にありそうもないと解釈することができ、再びその期間を信用性がないものとして表すことができる。同様に、一般的に信用できる入力の一時的な不正確さは、例えば、センサの読み取り値の一時的な非可用性またはセンサからの一時的な範囲外の指示など、一時的に信用できない入力として扱われ、再び関連する期間を信用性がないものとすることができる。

１０３０において、信用できるデータは、信用性アセッサにおいて受信される。信用できるデータは、遡及的データ２１０などの遡及的データ、またはライブデータ２１２などのライブデータ内に含まれ得る。

１０４０において、信用できないデータの信用性は、信用できるデータを使用して更新される。更新は、信用性アセッサによって実行され得る。信用できないデータの信用性は、１つ以上の時間スケールで推定された信用できない入力データとどの程度一致するかに基づいてアセスメントすることができる。具体的には、基礎となるモデルが経時的に血中グルコース濃度を予測することが証明されており、ある期間の信頼されていない入力が推定された信用できない入力と異なる場合、信用できないデータには、その期間の低レベルの信用性、例えば、１よりもゼロに近いレベルを割り当てることができる。独立して、照合がどのように達成されるかに基づいて、照合された信用できない入力に、信用性の値を割り当てることができる。例えば、モデルが経時的に血中グルコースを高度に予測することが証明されており、推定された信用できない入力が信用できるデータと高度に一致し、照合された信用できないデータが推定された信用できないデータと同じか非常に近いと計算された場合、対応する信用できないデータに信用性がない場合でも、照合された信用できないデータに高い信用性の値、例えば１に近い値を割り当てることができる。

図１１は、データの信用性を判定するための方法１１００の別の実装の操作フローである。方法１１００は、例えば、プラットフォーム２００によって実行され得る。方法１１００の態様は、いくつかの実装形態では、入力コンパイラ２２０によって実行され得る。

１１１０では、対象に関連する第１の信用できないデータは、遡及的入力コンパイラ２２０Ｒの代謝入力推定器３２０またはライブ入力コンパイラ２２０Ｌの代謝入力推定器３２０などの、例えば、入力推定器で受信される。第１の信用できないデータは、遡及的データ２１０などの遡及的データ、またはライブデータ２１２などのライブデータ内に含まれ得る。信用できないデータは、インスリンデータ、食事データ、または活動データのうちの少なくとも１つを含むユーザ入力データを含む。

１１２０において、第１の信用できないデータの信用性は、遡及的入力コンパイラ２２０Ｒの信用性アセッサ３１０またはライブ入力コンパイラ２２０Ｌの信用性アセッサ３１０などの信用性アセッサにおいて判定される。信用できないデータの信用性は、１つ以上の時間スケールにおいて信用できないデータの特性のみからアセスメントされる。特に、ある期間にわたる食事および／またはインスリンおよび／または身体活動を承認しないことは、例えば、信用性値がゼロであるなど、期間全体を信用できないものとして表す不完全なデータとして解釈することができる。同様に、二重エントリまたは異常に多い（または少ない）インスリン投与量、および／または一定期間にわたる炭水化物または身体活動の承認された量などの他のデータアーティファクトは、非生理学的または行動的にありそうもないと解釈することができ、再びその期間を信用性がないものとして表すことができる。同様に、一般的に信用できる入力の一時的な不正確さは、例えば、センサの読み取り値の一時的な非可用性またはセンサからの一時的な範囲外の指示など、一時的に信用できない入力として扱われ、再び関連する期間を信用性がないものとすることができる。

１１３０では、対象に関連する第２の信用できないデータは、遡及的入力コンパイラ２２０Ｒの代謝入力推定器３２０またはライブ入力コンパイラ２２０Ｌの代謝入力推定器３２０などの、例えば、入力推定器で受信される。第２の信用できないデータは、遡及的データ２１０などの遡及的データ、またはライブデータ２１２などのライブデータ内に含まれ得る。

１１４０では、第２の信用できないデータの信用性は、遡及的入力コンパイラ２２０Ｒの信用性アセッサ３１０またはライブ入力コンパイラ２２０Ｌの信用性アセッサ３１０などの信用性アセッサにおいて判定される。

１１５０において、第１の信用できないデータの信用性は、実装形態に応じて、第２の信用できないデータおよび／または第２の信用できないデータの信用性を使用して更新される。更新は、信用性アセッサ３１０において実行され得る。

１１６０において、信用できるデータは、信用性アセッサ３１０において受信される。信用できるデータは、遡及的データ２１０などの遡及的データ、またはライブデータ２１２などのライブデータ内に含まれ得る。

１１７０において、信用できるデータを使用して、第１の信用できないデータの信用性および第２の信用できないデータを更新する。更新は、信用性アセッサによって実行され得る。信用できないデータの信用性は、１つ以上の時間スケールで推定された信用できない入力データとどの程度一致するかに基づいてアセスメントすることができる。具体的には、基礎となるモデルが経時的に血中グルコース濃度を予測することが証明されており、ある期間の信頼されていない入力が推定された信用できない入力と異なる場合、信用できないデータには、その期間の低レベルの信用性、例えば、１よりもゼロに近いレベルを割り当てることができる。独立して、照合がどのように達成されるかに基づいて、照合された信用できない入力に、信用性の値を割り当てることができる。例えば、モデルが経時的に血中グルコースを高度に予測することが証明されており、推定された信用できない入力が信用できるデータと高度に一致し、照合された信用できないデータが推定された信用できないデータと同じか非常に近いと計算された場合、対応する信用できないデータに信用性がない場合でも、照合された信用できないデータに高い信用性の値、例えば１に近い値を割り当てることができる。

図１２は、信用できないデータを使用して、血糖作用に基づく出力を提供する方法１２００の実装の操作フローである。方法１２００は、例えば、プラットフォーム２００によって実行され得る。

１２１０において、ある期間にわたるデータは、例えば、予測エンジン２５０によって、対象について予測される。いくつかの実装形態では、（１）初期条件（過去のシステムの状態に対応）、過去のその時点からの信用できる入力、および過去のその時点からの照合された信用できない入力を、患者の現在の代謝状態の推定値を生成する基礎となる数学的モデルへの入力として使用する、（２）予期される将来の入力（例えば、想定されるインスリン投与、身体活動、および／または摂食行動）を説明するために、数学的モデルは、将来の血中グルコースを含む患者の将来の代謝状態を予測するために使用される。さらなる特徴および詳細は、例えば、図６に関して本明細書に記載されている。

１２２０では、糖尿病の管理に向けられた信用できないデータは、遡及的入力コンパイラ２２０Ｒの代謝入力推定器３２０またはライブ入力コンパイラ２２０Ｌの代謝入力推定器３２０などの、例えば、入力推定器で受信される。信用できないデータは、遡及的データ２１０などの遡及的データ、またはライブデータ２１２などのライブデータ内に含まれ得る。

１２３０において、例えば、リプレイコンパイラ２３０によって、複数の予測データトレースがその期間にわたってシミュレートされる。信用できないデータの可能な分散のスペクトルが使用される。

１２４０において、シミュレートされた予測データトレースは、リプレイコンパイラ２３０によって、血糖作用を特定するために予測データと比較される。

１２５０において、血糖作用に基づく視覚化および／または推奨が、リプレイコンパイラによって生成および出力される。

図１３は、リプレイ予測を使用するための方法１３００の実装の操作フローである。方法１３００は、例えば、プラットフォーム２００によって実行され得る。方法１３００の態様は、いくつかの実装形態では、リプレイコンパイラ２３０によって実行され得る。

１３１０において、推定された代謝状態、照合された推定された代謝入力、既知の代謝入力、および代替代謝入力は、リプレイコンパイラ２３０において受信される。

１３２０において、リプレイコンパイラ２３０において、リプレイ予測は、推定された代謝状態、照合された推定された代謝入力、既知の代謝入力、および代替代謝入力を使用して実行される。いくつかの実装形態では、履歴入力のどれが変更可能であり（完全に新しいか、または患者の新たに予測された代謝状態の関数として動的に評価されるもの）、どの入力が不変外因的入力であるかを特定した後、（動的方程式によって表される）基礎となる数学モデルを使用して、遡及的データによって記述される期間の一部（またはすべて）において修正された入力により患者が経験したであろう代謝状態を繰り返し予測する。患者の代謝状態の遡及的に予測された推定値の信用性は、対応する信用できない遡及的データの信用性から判定される。さらなる特徴および詳細は、例えば、図５に関して本明細書に記載されている。

１３３０において、リプレイ予測に基づくリプレイシミュレートされた代謝状態が、リプレイコンパイラ２３０によって出力される。

図１４は、リアルタイム予測を使用するための方法１４００の実装の操作フローである。方法１４００は、例えば、プラットフォーム２００によって実行され得る。方法１４００の態様は、いくつかの実装形態では、予測エンジン２５０によって実行され得る。

１４１０において、代替代謝入力、照合された推定された代謝入力、既知の代謝入力、および最終的な推定された代謝入力は、例えば、予測エンジン２５０において受信される。

１４２０において、予測エンジン２５０において、リアルタイム予測は、代替代謝入力、照合された推定された代謝入力、既知の代謝入力、および最終的な推定された代謝入力を使用して実行される。

１４３０において、リアルタイム予測に基づいて予測された代謝状態は、リプレイエンジン２５０によって出力される。

図１５は、例示的な実施形態および態様が実装され得る例示的なコンピューティング環境を示す。コンピューティングデバイス環境は、好適なコンピューティング環境の一例に過ぎず、使用範囲または機能に関する任意の制限を示唆することを意図したものではない。

多くの他の汎用または特殊目的のコンピューティングデバイス環境または構成を使用することができる。使用に適している可能性の周知のコンピューティングデバイス、環境、および／または構成の例には、パーソナルコンピュータ、サーバコンピュータ、ハンドヘルドまたはラップトップデバイス、マルチプロセッサシステム、マイクロプロセッサベースのシステム、ネットワークパーソナルコンピュータ（ＰＣ）、ミニコンピュータ、メインフレームコンピュータ、組み込みシステム、上記のシステムまたはデバイスのいずれかを含む分散コンピューティング環境などが含まれるが、これらに限定されない。

コンピュータによって実行されるプログラムモジュールなどのコンピュータ実行可能命令を使用することができる。一般に、プログラムモジュールには、特定のタスクを実行するか、または特定の抽象データタイプを実装するルーチン、プログラム、オブジェクト、コンポーネント、データ構造などが含まれる。分散コンピューティング環境は、通信ネットワークまたは他のデータ伝送媒体を通してリンクされたリモート処理デバイスによってタスクが実行される場合に使用することができる。分散コンピューティング環境では、プログラムモジュールおよび他のデータは、メモリストレージデバイスを含むローカルおよびリモートの両方のコンピュータ記憶媒体に位置させることができる。

図１５を参照すると、本明細書で説明される態様を実施するための例示的なシステムは、コンピューティングデバイス１５００などのコンピューティングデバイスを含む。その最も基本的な構成では、コンピューティングデバイス１５００は、典型的には、少なくとも１つの処理ユニット１５０２およびメモリ１５０４を含む。コンピューティングデバイスの正確な構成およびタイプに応じて、メモリ１５０４は、揮発性（ランダムアクセスメモリ（ＲＡＭ）など）、不揮発性（読み取り専用メモリ（ＲＯＭ）、フラッシュメモリなど）、または２つの何らかの組み合わせであり得る。この最も基本的な構成は、図１５に破線１５０６によって示されている。

コンピューティングデバイス１５００は、追加の特徴／機能を有し得る。例えば、コンピューティングデバイス１５００は、磁気または光ディスクまたはテープを含むがこれらに限定されない追加のストレージ（リムーバブルおよび／または非リムーバブル）を含み得る。そのような追加のストレージは、リムーバブル記憶装置１５０８および非リムーバブル記憶装置１５１０によって図１５に示されている。

コンピューティングデバイス１５００は、典型的には、様々なコンピュータ可読媒体を含む。コンピュータ可読媒体は、デバイス１５００によってアクセスすることができる任意の利用可能な媒体であり得、揮発性および不揮発性媒体、リムーバブルおよび非リムーバブル媒体の両方を含む。

コンピュータ記憶媒体には、コンピュータ可読命令、データ構造、プログラムモジュールまたは他のデータなどの情報を記憶するための任意の方法または技術で実装された揮発性および不揮発性、かつリムーバブルおよび非リムーバブルの媒体が含まれる。メモリ１５０４、リムーバブル記憶装置１５０８、および非リムーバブル記憶装置１５１０はすべて、コンピュータ記憶媒体の例である。コンピュータ記憶媒体には、ＲＡＭ、ＲＯＭ、電気的に消去可能なプログラム読み取り専用メモリ（ＥＥＰＲＯＭ）、フラッシュメモリもしくは他のメモリ技術、ＣＤ－ＲＯＭ、デジタル多用途ディスク（ＤＶＤ）もしくは他の光記憶装置、磁気カセット、磁気テープ、磁気ディスク記憶装置もしくは他の磁気記憶デバイス、または所望の情報を保存するために使用することができ、コンピューティングデバイス１５００によってアクセスすることができる任意の他の媒体が含まれるが、これらに限定されない。そのようなコンピュータ記憶媒体は、コンピューティングデバイス１５００の一部であり得る。

コンピューティングデバイス１５００は、デバイスが他のデバイスと通信することを可能にする通信接続部１５１２を包含し得る。コンピューティングデバイス１５００はまた、キーボード、マウス、ペン、音声入力デバイス、タッチ入力デバイスなどの入力デバイス１５１４を有し得る。ディスプレイ、スピーカ、プリンタなどの出力デバイス１５１６もまた、含まれ得る。これらのデバイスはすべて当技術分野で周知であり、本明細書で詳細に考察する必要はない。

実装形態では、方法は、入力推定器において、対象に関連する信用できないデータを受信することと、入力推定器において、対象に関連する信用できるデータを受信することと、入力照合器を使用して、信用できるデータを使用して信用できないデータを照合することと、照合された信用できないデータを出力することと、を含む。

実装形態には、以下の特徴の一部またはすべてが含まれ得る。信用できないデータは、インスリンのタイミング、インスリンの量、食事データ、または活動データのうちの少なくとも１つを含む。信用できないデータは、タイミング、量、推定、またはエントリのうちの少なくとも１つにおける行動異常または人為的エラーのために信頼できない。信用できるデータは、ＣＧＭデータ、インスリンポンプデータ、コンピュータ生成データ、コンピュータ生成モデル、または対象のグルコースおよびインスリンダイナミクスを説明する個別化されたモデルのうちの少なくとも１つを含む。この方法は、照合された信用できないデータに基づいて、対象の将来のグルコース状態を予測することをさらに含む。信用できないデータは、報告された炭水化物を含み、報告された炭水化物は、信頼できない、または利用できない。信用できないデータは、データ入力のストリームを含む。この方法は、追加の信用できないデータを受信し、信用できるデータを使用して追加の信用できないデータを照合することをさらに含む。この方法は、追加の信用できるデータを受信し、追加の信用できるデータを使用して信用できないデータを照合することをさらに含む。この方法は、照合された信用できないデータを使用して、ＡＰをチューニングすることをさらに含む。この方法は、照合された信用できないデータを使用して、対象の行動モデルを更新することをさらに含む。この方法は、信用できないデータが信頼不可能または不明であると判定することをさらに含む。信用できないデータが信頼不可能または不明であると判定することは、モデル化を使用して、信用できないデータの局所分散を計算することと、局所分散を、信用できないデータを使用して全体の分散と比較して、比較量を判定することであって、比較量が閾値を上回る場合、信用できないデータが信頼不可能または不明であると判定される、判定することと、を含む。信用できないデータが信頼不可能または不明であると判定することは、信用できないデータと信用できるデータのモデルとの間の差異を判定することを含む。

実装形態にはまた、以下の特徴の一部またはすべてが含まれ得る。この方法は、信頼できるデータに対する信頼できないデータの信用性スコアを判定することをさらに含む。この方法は、照合された信用できないデータに基づいて、対象に関連するアラートを生成することをさらに含む。この方法は、照合された信用できないデータを使用して、対象の行動パターンを判定することをさらに含む。この方法は、行動パターンに基づいて、対象に関連するスマートアラートを生成することをさらに含む。信用できないデータは、糖尿病管理データを含む。糖尿病管理データは、推定された糖尿病管理データである。信用できるデータは、推定された糖尿病管理データに対応する糖尿病管理データを含み、糖尿病管理データが、接続されたデバイスまたはユーザエントリから受信される。この方法は、信用できないデータを信用できるデータと比較して、血糖機能障害の行動的根本原因を特定することをさらに含む。

実装形態にはまた、以下の特徴の一部またはすべてが含まれ得る。この方法は、照合された信用できないデータを使用して、血糖機能障害の行動的根本原因を特定することをさらに含む。照合することは、入力照合器において信用できないデータを受信することであって、信用できないデータが、信用できない代謝入力を含む、信用できないデータを受信することと、入力照合器において信用できるデータを受信することであって、信用できるデータが、推定された信用できない代謝入力を含む、信用できるデータを受信することと、信用できないデータと信用できるデータを、重み関数を使用して組み合わせて、照合された信用できない代謝入力を生成することと、を含む。入力照合器において受信された信用できないデータおよび信用できるデータは、ベクトルの形態であり、照合された信用できない代謝入力は、ベクトルの形態である。重み関数は、時間関連性に基づく。重み関数は、信用できないデータおよび信用できるデータの相対的な確実性に基づく。信用できないデータは、報告された信用できない代謝入力を含み、組み合わせることは、報告された信用できない代謝入力と推定された信用できない代謝入力との間の差異を照合することを含む。照合することは、報告された信用できない代謝入力および推定された信用できない代謝入力を行動モデルと一致させることを含む。照合することは、信用できない代謝入力の量およびタイミングと推定された信用できない代謝入力との間の差異を、測定データと照合することを含む。

実装形態では、方法は、入力推定器において、対象に関連する信用できないデータを受信することであって、信用できないデータが、インスリンデータ、食事データ、または活動データのうちの少なくとも１つを含むユーザ入力データを含む、受信することと、入力照合器を使用して、対象に関連する信用できるデータを使用して信用できないデータを照合することであって、信用できるデータが、コンピュータ生成データを含む、照合することと、を含む。

実装形態には、以下の特徴の一部またはすべてが含まれ得る。信用できないデータは、インスリンのタイミング、インスリンの量、食事データ、または活動データのうちの少なくとも１つを含む。信用できないデータは、タイミング、量、推定、またはエントリのうちの少なくとも１つにおける行動異常または人為的エラーのために信頼できない。信用できるデータは、ＣＧＭデータ、インスリンポンプデータ、コンピュータ生成モデル、または対象のグルコースおよびインスリンダイナミクスを説明する個別化されたモデルのうちの少なくとも１つを含む。この方法は、照合された信用できないデータに基づいて、対象の将来のグルコース状態を予測することをさらに含む。信用できないデータは、報告された炭水化物を含み、報告された炭水化物は、信頼できない、または利用できない。信用できないデータは、データ入力のストリームを含む。この方法は、追加の信用できないデータを受信し、信用できるデータを使用して追加の信用できないデータを照合することをさらに含む。この方法は、追加の信用できるデータを受信し、追加の信用できるデータを使用して信用できないデータを照合することをさらに含む。この方法は、照合された信用できないデータを使用して、ＡＰをチューニングすることをさらに含む。この方法は、照合された信用できないデータを使用して、対象の行動モデルを更新することをさらに含む。この方法は、信用できないデータが信頼不可能または不明であると判定することをさらに含む。信用できないデータが信頼不可能または不明であると判定することは、モデル化を使用して、信用できないデータの局所分散を計算することと、局所分散を、信用できないデータを使用して全体の分散と比較して、比較量を判定することであって、比較量が閾値を上回る場合、信用できないデータが信頼不可能または不明であると判定される、判定することと、を含む。信用できないデータが信頼不可能または不明であると判定することは、信用できないデータと信用できるデータのモデルとの間の差異を判定することを含む。この方法は、信用できるデータに対する信用できないデータの信用性スコアを判定することをさらに含む。この方法は、照合された信用できないデータに基づいて、対象に関連するアラートを生成することをさらに含む。この方法は、照合された信用できないデータを使用して、対象の行動パターンを判定することをさらに含む。この方法は、行動パターンに基づいて、対象に関連するスマートアラートを生成することをさらに含む。

実装形態にはまた、以下の特徴の一部またはすべてが含まれ得る。信用できないデータは、糖尿病管理データを含む。糖尿病管理データは、推定された糖尿病管理データである。信用できるデータは、推定された糖尿病管理データに対応する糖尿病管理データを含み、糖尿病管理データが、接続されたデバイスまたはユーザエントリから受信される。この方法は、信用できないデータを信用できるデータと比較して、血糖機能障害の行動的根本原因を特定することをさらに含む。この方法は、照合された信用できないデータを使用して、血糖機能障害の行動的根本原因を特定することをさらに含む。照合することは、入力照合器において信用できないデータを受信することであって、信用できないデータが、信用できない代謝入力を含む、信用できないデータを受信することと、入力照合器において信用できるデータを受信することであって、信用できるデータが、推定された信用できない代謝入力を含む、信用できるデータを受信することと、信用できないデータと信用できるデータを、重み関数を使用して組み合わせて、照合された信用できない代謝入力を生成することと、を含む。入力照合器において受信された信用できないデータおよび信用できるデータは、ベクトルの形態であり、照合された信用できない代謝入力は、ベクトルの形態である。重み関数は、時間関連性に基づく。重み関数は、信用できないデータおよび信用できるデータの相対的な確実性に基づく。信用できないデータは、報告された信用できない代謝入力を含み、組み合わせることは、報告された信用できない代謝入力と推定された信用できない代謝入力との間の差異を照合することを含む。照合することは、報告された信用できない代謝入力および推定された信用できない代謝入力を行動モデルと一致させることを含む。照合することは、信用できない代謝入力の量およびタイミングと推定された信用できない代謝入力との間の差異を、測定データと照合することを含む。この方法は、照合された信用できないデータおよび信用できるデータを使用して、リプレイ予測を実行することをさらに含む。この方法は、リプレイ予測に基づいて、シミュレートされた代謝状態を出力することをさらに含む。この方法は、照合された信用できないデータおよび信用できるデータを使用して、リアルタイム予測を実行することをさらに含む。この方法は、リアルタイム予測に基づいて、シミュレートされた代謝状態を出力することをさらに含む。

実装形態では、方法は、対象に対してある期間にわたるデータを予測することと、糖尿病の管理に向けられた信用できないデータを受信することと、信用できないデータの可能な分散のスペクトルを使用して、期間中の複数の予測データトレースをシミュレートすることと、血糖作用を特定するために、シミュレートされた予測データトレースを予測されたデータと比較することと、血糖作用に基づいて、視覚化または推奨を出力することと、を含む。

実装形態は、以下の特徴の一部またはすべてを含み得る。信用できないデータはグルコースデータを含み、予測データトレースは予測グルコーストレースを含む。グルコースデータを予測することは、信用できるＣＧＭデータおよび対象のグルコース－インスリン動態の個別化されたモデルに基づく。グルコースデータを予測することは、経時的なグルコース状態を表す最良の推定グルコーストレースを提供することを含む。糖尿病の管理に向けられた信用できないデータは、インスリンのタイミング、インスリンの量、食事データ、または活動データのうちの少なくとも１つを含む。血糖作用は、糖尿病管理データの量または糖尿病管理データのタイミングのうちの少なくとも１つにおける差異に関連する。

実装形態では、システムはプロセッサおよび代謝モデルを備え、プロセッサは、信用できないユーザ入力を受信し、代謝モデルを使用して、信用できないユーザ入力を信用できる入力と照合するように構成されている。

実装形態には、以下の特徴の一部またはすべてが含まれ得る。プロセッサは、将来のグルコースレベルを予測するために、代謝モデルの予測能力を最適化するようにさらに構成されている。プロセッサは、代替の治療手順で、事象および治療成績のリプレイを可能にするようにさらに構成されている。プロセッサは、将来の代謝状態のリアルタイム予測を提供するようにさらに構成されている。プロセッサは、信用できないユーザ入力の信用性を判定するようにさらに構成されている。プロセッサは、信用性に対応するスコアを提供するようにさらに構成されている。プロセッサは、少なくとも１つのリプレイアプリケーションに向けられたリプレイ分析を実行するようにさらに構成されている。少なくとも１つのリプレイアプリケーションは記分析における血中グルコース（ＢＧ）治療成績測定基準のアセスメント、リプレイ分析におけるシナリオの信用性のあるインスタンスの特定、データ品質の評価、信用性プロファイル、および時刻の関数としてのデータの信用性を含む。プロセッサは、少なくとも１つのリアルタイムアプリケーションに向けられた照合された投影を実行するようにさらに構成されている。少なくとも１つのリアルタイムアプリケーションは、医療行為の確実性と、アドバイスを提供する前の待機する必要性の判定と、を含む。

実装形態にはまた、以下の特徴の一部またはすべてが含まれ得る。信用できないユーザ入力は、推定された炭水化物を含む。信用できないユーザ入力は、時系列の不確実な代謝入力を含む。信用できる入力は、ＣＧＭおよびインスリンポンプ読み取り値を含む。信用できる入力は、時系列の信用できる代謝入力を含む。プロセッサは、時系列の形態での推定された代謝状態、時系列の形態での最終的に照合された推定された代謝状態、および時系列の形態での最終的に推定された代謝状態および照合された推定された入力の信用性を出力するようにさらに構成されている。プロセッサは、統合状態／入力推定器内に含まれ、代謝モデルは、プラグインである。

実装形態では、方法は、入力推定器において、対象に関連する信用できないデータを受信することであって、信用できないデータが、インスリンデータ、食事データ、または活動データのうちの少なくとも１つを含むユーザ入力データを含む、受信することと、信用性アセッサにおいて、信用できないデータの信用性を判定することと、信用性アセッサにおいて、信用できるデータを受信することと、信用性アセッサにおいて、信用できるデータを使用して信用できないデータの信用性を更新することと、を含む。

実装形態には、以下の特徴の一部またはすべてが含まれ得る。信用できないデータの信用性を判定することは、信用できないデータの完全性の欠如または信用できないデータの連続性の欠如のうちの少なくとも１つに基づいて、第１の信用性を判定することと、信用できないデータの完全性の欠如または信用できないデータの連続性の欠如の少なくとも１つを示す、予期される行動に基づいて、第２の信用性を判定することと、全身の不明の要因を示す推定された入力のアーティファクトに基づいて、第３の信用性を判定することと、第１の信用性、第２の信用性、および第３の信用性を集計することと、を含む。第１の信用性を判定することは、測定信号を入力として使用することを含み、第２の信用性を判定することは、信用できないデータおよび信用できるデータを入力として使用することを含み、第３の信用性を判定することが、信用できないデータ、推定される信用できないデータ、および照合されたデータを入力として使用することを含む。

実装形態では、方法は、入力推定器において、対象に関連する第１の信頼できないデータを受信することであって、第１の信頼できないデータが、インスリンデータ、食事データ、または活動データのうちの少なくとも１つを含むユーザ入力データを含む、受信することと、信用性アセッサにおいて、第１の信頼できないデータの信用性を判定することと、入力推定器において、対象に関連する第２の信頼できるデータを受信することと、信用性アセッサにおいて、第２の信頼できないデータの信用性を判定することと、信用性アセッサにおいて、第２の信頼できないデータまたは第２の信頼できないデータの信用性を使用して、第１の信頼できないデータの信用性を更新することと、信用性アセッサにおいて、信頼できるデータを受信することと、信用性アセッサにおいて、信頼できるデータを使用して、第１の信頼できないデータの信用性および第２の信頼できないデータを更新することと、を含む。

実装形態には、以下の特徴の一部またはすべてが含まれ得る。信用できないデータの第１の信用性を判定することは、信用できないデータの完全性の欠如または信用できないデータの連続性の欠如のうちの少なくとも１つに基づいて、第１の信用性を判定することと、信用できないデータの完全性の欠如または信用できないデータの連続性の欠如の少なくとも１つを示す、予期される行動に基づいて、第２の信用性を判定することと、全身の不明の要因を示す推定された入力のアーティファクトに基づいて、第３の信用性を判定することと、第１の信用性、第２の信用性、および第３の信用性を集計することと、を含む。第１の信用性を判定することは、測定信号を入力として使用することを含み、第２の信用性を判定することは、信用できないデータおよび信用できるデータを入力として使用することを含み、第３の信用性を判定することが、信用できないデータ、推定される信用できないデータ、および照合されたデータを入力として使用することを含む。

実装形態では、方法は、推定された代謝状態、照合された推定された信用できない代謝入力、信用できる代謝入力、および代替代謝入力を受信することと、推定された代謝状態、照合された推定された信用できない代謝入力、信用できる代謝入力、および代替代謝入力を使用して、リプレイ予測を実行することと、リプレイ予測に基づいて、リプレイシミュレートされた代謝状態を出力することと、を含む。

実装形態には、以下の特徴の一部またはすべてが含まれ得る。推定された代謝状態、照合された推定された信用できない代謝入力、および信用できる代謝入力が各々、時系列を含む。リプレイ予測を実行することは、推定された代謝状態、照合された推定された信用できない代謝入力、および信用できる代謝入力について時系列の期間にわたって代謝状態を推定して、リプレイシミュレートされた代謝状態を生成することを含む。

実装形態では、方法は、代替代謝入力、照合された推定された信用できない代謝入力、信用できる代謝入力、および最終的な推定された代謝入力を受信することと、代替代謝入力、照合された推定された信用できない代謝入力、信用できる代謝入力、および前記最終的な推定された代謝入力を使用して、リアルタイム予測を実行することと、リアルタイム予測に基づいて、予測された代謝状態を出力することと、を含む。

実装形態には、以下の特徴の一部またはすべてが含まれ得る。リアルタイム予測を実行することは、照合された推定された信用できない代謝入力と信用できる代謝入力について、時系列を外挿することと、外挿された時系列、代替代謝入力、および最終的な推定された代謝状態を使用して、将来の代謝状態を推定することと、を含む。この方法は、予測された代謝状態におけるジッタを防止するために、外挿された時系列をフィルタリングすることをさらに含む。推定された代謝状態は時系列の形態である。この方法は、予測された代謝状態を生成するために、推定された代謝状態をフィルタリングすることをさらに含む。代謝状態の推定することは、対象の行動モデルを使用する。時系列を外挿することは、時刻、現在の推定された状態の特徴、または過去の代謝入力のデータベースのうちの少なくとも１つに基づく、履歴データの重み付けを使用する。

本明細書で説明される様々な技術は、ハードウェアコンポーネントまたはソフトウェアコンポーネントに関連して、または適切な場合には、両方の組み合わせで実装され得ることを理解されたい。使用できるハードウェアコンポーネントの例示的なタイプには、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、特定用途向け集積回路（ＡＳＩＣ）、特定用途向け標準製品（ＡＳＳＰ）、システムオンチップシステム（ＳＯＣ）、結合プログラム可能論理回路（ＣＰＬＤ）などが含まれる。現在開示されている主題の方法および装置、またはその特定の態様もしくは部分は、フロッピーディスク、ＣＤ－ＲＯＭ、ハードドライブ、またはプログラムコードがコンピュータなどの機械にロードされて実行されると、機械が現在開示されている主題を実践するための装置になる任意の他の機械可読記憶媒体などの有形媒体に具現化されたプログラムコード（すなわち命令）の形態を採る場合がある。

例示的な実装は、１つ以上のスタンドアロンコンピュータシステムの状況において現在開示されている主題の態様を利用することを指す場合があるが、主題はそれほど限定されず、むしろ、例えば、ネットワークまたは分散コンピューティング環境などの任意のコンピューティング環境に関連して実施され得る。さらに、現在開示されている主題の態様は、複数の処理チップまたはデバイス内またはそれらにわたって実装することができ、記憶は、複数のデバイスにわたって同様に実施することができる。このようなデバイスには、例えば、パーソナルコンピュータ、ネットワークサーバ、およびハンドヘルドデバイスが含まれる場合がある。

主題は、構造的特徴および／または方法論的行為に固有の言語で説明されているが、添付の特許請求の範囲で定義される主題は、必ずしも上記の特定の特徴または行為に限定されないことを理解されたい。むしろ、上記の特定の特徴および行為は、特許請求の範囲を実施するための例示的な形態として開示されている。

１００ 環境
１１０ インスリンデバイス
１２０ グルコースモニタ
１３０ プロセッサ
１４０ 対象
１５０ 活動モニタ
１６０ スマートフォン

Claims (25)

1. コンピュータ実施方法であって、
   対象に関連する信用できないデータを受信することであって、前記信用できないデータは、インスリンデータ、食事データ、または活動データ、の少なくとも１つを含むユーザ入力データを含む、信用できないデータを受信することと、
   前記対象に関連する信用できるデータを受信することであって、前記信用できるデータは、ＣＧＭ（持続グルコースモニタリング）データ、インスリンポンプデータ、コンピュータ生成モデルから得られたデータ、または前記対象のグルコースおよびインスリンダイナミクスを説明する個別化されたモデルのうちの少なくとも１つを含む、信用できるデータを受信することと、
   前記信用できるデータを使用して前記信用できないデータを照合することであって、
   前記信用できないデータを受信することであって、前記信用できないデータが、報告された信用できない代謝入力を含む、受信することと、
   前記信用できるデータを受信することであって、前記信用できるデータが、推定された信用できない代謝入力を含む、受信することと、
   照合された信用できない代謝入力を生成するために、前記信用できないデータと前記信用できるデータとを重み付け関数を用いて組み合わせることであって、前記報告された信用できない代謝入力と前記推定された信用できない代謝入力との間の差異を照合することを含み、前記重み付け関数が、より最近の報告された信用できない代謝入力により大きな重み付けが与えられるような時間関連性に基づく、組み合わせることと、
   を含む、照合することと、
   前記照合された信用できない代謝入力を出力することと、
   前記照合された信用できない代謝入力に基づいて、数学的モデルを使用して前記対象の将来のグルコース状態を予測することと、
   を含み、
   前記照合された信用できない代謝入力に基づいて、数学的モデルを使用して前記対象の将来のグルコース状態を予測することは、信用できない代謝入力を取得し、信用できないデータと信用できるデータを重み付け関数を使用して組み合わせ、照合された信用できない代謝入力を生成することによって、信用できる代謝入力を使用して信用できない代謝入力を照合すること、を含む、方法。
2. 前記信用できないデータが、インスリンのタイミング、インスリンの量、信頼不可能または利用不可能である報告された炭水化物、または推定された糖尿病管理データである糖尿病管理データのうちの少なくとも１つを含み、前記信用できないデータが、タイミング、量、推定、またはエントリのうちの少なくとも１つにおける行動異常または人為的エラーのために信用できない、請求項１に記載の方法。
3. 前記信用できるデータが、前記推定された糖尿病管理データに対応する糖尿病管理データを含み、前記糖尿病管理データが、接続されたデバイスまたはユーザエントリから受信される、請求項２に記載の方法。
4. 前記照合された信用できないデータに基づいて、数学的モデルを使用して前記対象の将来のグルコース状態を予測することをさらに含む、請求項１に記載の方法。
5. 追加の信用できないデータまたは追加の信用できるデータの少なくとも１つを受信することと、前記信用できるデータを使用して、前記追加の信用できないデータを照合することと、前記追加の信用できるデータを使用して、前記信用できないデータを照合することと、をさらに含む、請求項１に記載の方法。
6. 前記照合された信用できないデータを使用して、前記対象の行動モデルを更新することをさらに含む、請求項１に記載の方法。
7. 前記信用できないデータが、信頼不可能または不明であると判定することをさらに含み、
   前記信用できないデータが信頼不可能または不明であると判定することが、
   （１）モデル化を使用して、前記信用できないデータの局所分散を計算し、前記局所分散を、前記信用できないデータを使用して、全体の分散と比較して、比較量を判定することであって、前記比較量が閾値を上回る場合、前記信用できないデータが信頼不可能または不明であると判定される、比較量を判定すること、または
   （２）前記信用できないデータと信用できるデータのモデルとの差異を判定すること、
   のうちの少なくとも１つを含む、請求項１に記載の方法。
8. 信用できるデータに対する前記信用できないデータの信用性スコアを判定することをさらに含む、請求項１に記載の方法。
9. 前記照合された信用できないデータに基づいて、前記対象に関連するアラートを生成することをさらに含む、請求項１に記載の方法。
10. 前記照合された信用できないデータを使用して、前記対象の行動パターンを判定することをさらに含む、請求項１に記載の方法。
11. 前記受信された前記信用できないデータおよび前記信用できるデータが、ベクトルの形態であり、前記照合された信用できない代謝入力が、ベクトルの形態である、請求項１に記載の方法。
12. 前記重み関数が、時間関連性、または、前記信用できないデータおよび前記信用できるデータの相対的な確実性の少なくとも１つに基づく、請求項１に記載の方法。
13. 前記信用できないデータが、報告された信用できない代謝入力を含み、前記組み合わせることが、前記報告された信用できない代謝入力と前記推定された信用できない代謝入力との間の差異を照合することを含む、請求項１に記載の方法。
14. 前記照合することが、（１）前記報告された信用できない代謝入力および前記推定された信用できない代謝入力を、行動モデルと一致させること、または、（２）前記信用できない代謝入力の量およびタイミングと、前記推定された信用できない代謝入力との間の差異を、測定されたデータと照合することの少なくとも１つを含む、請求項１３に記載の方法。
15. コンピュータ実施方法であって、
    対象に関連する信用できないデータを受信することであって、前記信用できないデータが、インスリンデータ、食事データ、または活動データのうちの少なくとも１つを含むユーザ入力データを含む、受信することと、
    前記対象に関連する信用できるデータを使用して前記信用できないデータを照合することであって、前記信用できるデータが、コンピュータ生成データを含む、照合することであって、
    前記信用できないデータを受信することであって、前記信用できないデータが、報告された信用できない代謝入力を含む、受信することと、
    前記信用できるデータを受信することであって、前記信用できるデータが、推定された信用できない代謝入力を含む、受信することと、
    照合された信用できない代謝入力を生成するために、前記信用できないデータと前記信用できるデータとを重み付け関数を用いて組み合わせることであって、前記報告された信用できない代謝入力と前記推定された信用できない代謝入力との間の差異を照合することを含み、前記重み付け関数が、より最近の報告された信用できない代謝入力により大きな重み付けが与えられるような時間関連性に基づく、組み合わせることと、
    を含む、照合することと、
    前記照合された信用できない代謝入力を出力することと、
    前記照合された信用できない代謝入力に基づいて、数学的モデルを使用して前記対象の将来のグルコース状態を予測することと、
    を含み、
    前記照合された信用できない代謝入力に基づいて、数学的モデルを使用して前記対象の将来のグルコース状態を予測することは、信用できない代謝入力を取得し、信用できないデータと信用できるデータを重み付け関数を使用して組み合わせ、照合された信用できない代謝入力を生成することによって、信用できる代謝入力を使用して信用できない代謝入力を照合すること、を含む、方法。
16. 前記信用できないデータが、インスリンのタイミング、インスリンの量、推定された糖尿病管理データである糖尿病管理データ、または信頼不可能または利用不可能である報告された炭水化物のうちの少なくとも１つを含み、前記信用できないデータが、タイミング、量、推定、またはエントリのうちの少なくとも１つにおける行動異常または人為的エラーのために信頼できず、前記信用できるデータが、前記推定された糖尿病管理データに対応する糖尿病管理データを含み、前記糖尿病管理データが、接続されたデバイスまたはユーザエントリから受信される、請求項１５に記載の方法。
17. 前記照合された信用できないデータに基づいて、数学的モデルを使用して前記対象の将来のグルコース状態を予測することをさらに含む、請求項１５に記載の方法。
18. 追加の信用できないデータを受信し、前記信用できるデータを使用して前記追加の信用できないデータを照合すること、または、追加の信用できるデータを受信し、前記追加の信用できるデータを使用して前記信用できないデータを照合することの少なくとも１つをさらに含む、請求項１５に記載の方法。
19. 前記照合された信用できないデータを使用して前記対象の行動モデルを更新することをさらに含む、請求項１５に記載の方法。
20. 前記信用できないデータが信頼不可能または不明であると判定することをさらに含み、前記信用できないデータが信頼不可能または不明と判定することが、
    （１）モデル化を使用して、前記信用できないデータの局所分散を計算することと、前記局所分散を、前記信用できないデータを使用して、全体の分散と比較して、比較量を判定することであって、前記比較量が閾値を上回る場合、前記信用できないデータが信頼不可能または不明であると判定される、比較量を判定すること、または
    （２）前記信用できないデータと信用できるデータのモデルとの差異を判定すること、
    のうちの少なくとも１つを含む、請求項１５に記載の方法。
21. 信用できるデータに対する前記信用できないデータの信用性スコアを判定することをさらに含む、請求項１５に記載の方法。
22. 前記照合された信用できないデータに基づいて、前記対象に関連するアラートを生成すること、前記照合された信用できないデータを使用して、前記対象の行動パターンを判定することのうちの少なくとも１つをさらに含む、請求項１５に記載の方法。
23. 前記受信された前記信用できないデータおよび前記信用できるデータがベクトルの形態であり、前記照合された信用できない代謝入力がベクトルの形態であり、前記重み関数が時間関連性、または、前記信用できないデータおよび前記信用できるデータの相対的な確実性のうちの少なくとも１つに基づく、請求項１５に記載の方法。
24. 前記信用できないデータが、報告された信用できない代謝入力を含み、前記組み合わせることが、前記報告された信用できない代謝入力と前記推定された信用できない代謝入力との間の差異を照合することを含む、請求項２３に記載の方法。
25. 前記照合することが、
    （１）前記報告された信用できない代謝入力および前記推定された信用できない代謝入力を行動モデルと一致させること、または、
    （２）前記信用できない代謝入力の量およびタイミングと前記推定された信用できない代謝入力との間の差異を、測定データと照合すること
    の少なくとも１つを含む、請求項２４に記載の方法。