連続グルコースモニターの動作方法

連続したグルコース監視(CGM)デバイスは、断続的な流体のグルコースレベルを測定するために、サブカットされたミニチュアセンサーに差し込まれています。この測定は、自動的に1〜5分ごとに発生し、生の電気信号の連続ストリームを作り出します。センサーは、受信機、スマートフォンアプリ、インシュリンポンプにデータを中継する送信機とワイヤレス通信します。ただし、これらの原材料は、これらの原材料のノイズが不本質で、漂流、温度変動、および測定値が測定される前に、それらは、測定値と測定値が測定値が測定値と測定値が決定されます。

CGMデバイスにおけるアルゴリズムのコアの役割

Algorithmsは、信号処理と解釈の複数のレイヤーを実行し、すべてのCGMシステム背後にある分析エンジンとして機能します。各レイヤーは、特定の課題を間接的なグルコースセンシングに固有のアドレスに置きます。これらの機能を理解することで、CGM読書と指紋測定の間に時々矛盾する理由、そしてメーカーがそれらを最小限に抑えるのにどのように努力するかをユーザーに感謝するのに役立ちます。

信号のろ過および騒音低減

センサーの電流は、さまざまなノイズの源によって汚染されます。近接の電子機器、ユーザーの動きによる機械的ストレス、およびインサートサイトでの過渡温度変化からの電磁妨害。 Kalman フィルターなどの高度なフィルタは、再帰状態推定器です。これにより、生物学的に関連したグルコースの傾向を観察しながら、信号を滑らかにするために採用されます。 Kalman フィルターは、従来のフィルタ値に基づいて、電流ノイズ測定を組み合わせることによって、各々の圧力を正確に除去するなどの効果が期待できます。

校正とドリフト補償

酵素分解、局所組織反応による、摩耗持続時間(典型的に7〜14日)の過敏性を徐々に失います。この漂流は、精度を維持するために補正されなければなりません。アルゴリズムは、指棒の血糖測定から、測定値の抽出物とオフセットパラメータを調節します。従来のCGMシステムは、生体測定値と試験結果の調整を繰り返し、試験結果の精度を向上させるためのアルゴリズムを、および試験結果の調整に使用します。

トレンド計算とレート変更矢印

CGMアルゴリズムが提供する最も実用的な機能の1つは、速度変化の矢印です。これは、グルコースの動きの方向と速度を示しています。アルゴリズムは、最近の15〜20分のフィルタリングされたグルコース値の滑走窓に回帰ラインの斜面を計算します。標準化された矢印は、例えば「上昇> 2mg / dL /分」または「降下降ゆっくり」などの「(フィルタリングされたグルコース値の低下)。 特に、これらの測定値が低下するかどうかを予測するかどうかは、特定のレベルの信頼性が予測されます。

血糖値および高血糖値のアラート

予測アラートは、危険性のあるグルコースレベルを予測することによって、閾値警報を超えて行きます。アルゴリズムは、将来(典型的に20〜30分)変化の電流率を延ばし、予測されたグルコースがユーザー定義のしきい値を渡るかどうかを警告トリガーします。例えば、グルコースが1.5mg / dL / minで落ち、現在の値は110mg / dLで、アルゴリズムは、警告が70mg / L / dL / minで行われる場合、誤った警告が、警告が発生したときに、警告が発生したときに、警告が発生したときに、特定の警告が発生したときに、警告が発生したときに、警告が発生したときに、このアルゴリズムは、警告が発生したときに、警告が、警告が発生したときに、警告が発生したときに、警告が発生したときに、警告が、警告が、警告が発生したときに、警告が発生したときに、警告が発生したときに、または警告が、または警告が、または誤ったときに、警告が、警告が、または警告が、または警告が、または警告が発生したときに、特定の警告が発生したときに、警告が発生したときに、または警告が、特定の警告が発生したときに、または誤ったときに、警告が、または誤

CGMシステムで使用されるアルゴリズムの種類

現代のCGMデバイスに組み込まれたアルゴリズムは、特定のタスクのために最適化された複数の異なる数学的または機械学習コンポーネントで構成されます。 これらの技術の組み合わせは、システム全体の精度、応答性、およびユーザーエクスペリエンスを決定します。

カルマンは、状態推定のためのフィルタをフィルタリング

Kalman フィルターは、ほとんどの商用CGMアルゴリズムの背骨です。Gausianノイズとリニアダイナミクスを想定し、真の対物グルコースの最適推定値を提供します。フィルタは、予測(グルコースの簡単なモデルを使用して、次の値を推定)、および補正(各々の不確実性に基づいて実際の測定による予測を埋めます)の2つのステップで動作します。バリデーションには、拡張されたKalman filterが、非線形フィルタを連続して制御し、非線形フィルタと非線形制御を制御する、CGMが要求されます。

パターン認識のための機械学習モデル

マシン学習アルゴリズムは、精度とパーソナライゼーションを改善するために不可欠になっています。 監督学習モデルは、ペアリングされたセンサー信号と参照血糖測定(実験室のアナライザや指棒メーターから)の大きなデータセットで訓練されています。 これらのモデルは、センサーのドリフト、アセトアミフェンやアスコルビン酸などの物質からの干渉、または圧縮アーファクトを識別する微妙なパターンを認識することを学びます。 例えば、センサーが一定のネットワークに反するときにランダムな森林分類器が検出される可能性があります。 特に、Geminarlys(PD)は、60度以上の障害物と推定されると、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、または、

多センサーの統合のための融合アルゴリズム

ウェアラブルな技術が拡大するにつれて、融合アルゴリズムは、CGMデータを加速器、心拍数モニター、皮膚温度センサー、さらには連続ケトンモニターから入力して組み合わせます。 目標は、コンテキストアウェア予測を改善することです。 例えば、加速度計のデータが多岐にわたる物理的活動を示すならば、アルゴリズムは運動がグルコースアップテークを増加させるため、上方にある低血糖値の予測値を調整するかもしれません。 同様に、皮膚の上昇は、glucoseを増加させるような信号を阻害する可能性があります[Fachemerto]を攻撃するか、Agatmegatertogatを減少させる可能性があります。

適応性および自己学習アルゴリズム

最先端のCGMシステムは、個々のユーザーデータに基づいて、パラメータを継続的に更新する適応アルゴリズムを組み込んでいます。 これらのアルゴリズムは、再帰的最小四角形またはオンライン勾配降下のような技術を使用して、校正係数、ドリフト推定、および予測重量をリアルタイムで調整します。 センサーの摩耗の最初の数日間にわたって、アルゴリズムは、ユーザーの典型的なグルコース変動、食事のタイミング、および運動パターンを調整し、より正確なアラートやスケジュールを調節することを可能にするアルゴリズムです。 特に、これらのアルゴリズムは、これらのアルゴリズムは、特定のアルゴリズムが、特定のアルゴリズムを、特定のアルゴリズムを、または新しいアルゴリズムで調整するかどうかを調節します。

アルゴリズムがユーザーエクスペリエンスを向上させる方法

アルゴリズム処理のエンドユーザーの利点は、単純な数値表示よりもはるかに拡張されます。 現代のCGMアルゴリズムは、ユーザーがより自信と精度で糖尿病を管理することを可能にする実用的な洞察に生データを変換します。

リアルタイム意思決定支援

トレンド矢印と予測されたグルコース値が、ユーザーはインシュリンドッキング、炭水化物インテーク、および物理的な活動に関する通知決定を下すのに役立ちます。例えば、「急速に上昇」矢印90分後に食事が補正のボラスを促すかもしれない、「ワークアウト中にゆっくりと降る」矢印は、低糖値が発症する前に、高速作用炭水化物を消費する示唆があります。一部のシステムは、現在のグルコースをインジェクションに組み込むための投与量計算機も提供し、特に、それらを増加させるように、それらを理解するのに役立ちます。

パーソナライズされたインサイトとレトロスペクティブ分析

アルゴリズムは、再発パターンを識別するために、グルコースデータの週または月を分析することができます。例えば、それらは不十分な前処理の膠膏のタイミング、または過度の葉巻注射器を示唆する鼻腔の低血圧を示す一貫したポスト・ブレイクファスト・スパイクを検出するかもしれません。集計されたデータは、多くの場合、中枢的なグルコース、時間範囲、および血糖値低下を視覚的検査の調整に表示する、血管拡張性グルコース・プロファイル(AGP)として提示され、これらの検査結果は、これらの検査結果が視覚的検査の検査結果に適応する必要が軽減されます。

自動インシュリン配達統合

Medtronic 780G や Tandem Control-IQ などのハイブリッドクローズドループシステムでは、CGM アルゴリズムはインシュリンポンプと直接通信します。アルゴリズムは、絶えずグルコース値を読み、予測された将来のレベルを計算し、ポンプのバサルインシュリン配送を自動的に調整します。一部のシステムでは、グルコースがターゲットのしきい値を超えることを予測したときに自動補正ボラスも配信します。 糖尿病のUKbetes[F]は、これらの周波数を極度に向上しました[F]。[F] これらは、これらの周波数は、この範囲を極端に低減しました。[FLT] 少なくとも、この周波数は、この周波数は、この周波数は、この周波数は、この範囲は、この範囲は、この値が大幅に改善されます。

記憶とトレンドの可視化

CGMアルゴリズムは、数千のデータポイントを容易に消化可能なレポートに圧縮します。標準日の概観、時間範囲のパイチャート、および上記の割合のような特徴は、ユーザーはすぐに自分の管理戦略が機能しているかを評価するのに役立ちます。高度なアルゴリズムは、活動ログ、食事マーカー、および原因の影響を受ける関係を明らかにする薬物時間をオーバーレイすることができます。これは、認知過負荷を軽減し、それがより簡単に医療プロバイダーと有意義なデータを共有することができます。

CGMアルゴリズムの課題と限界

自分の洗練にもかかわらず、CGMアルゴリズムは完璧ではありません。 制限を理解することで、ユーザーはデータを正しく解釈し、単一の読書に対する過度を回避するのに役立ちます。

CGMデバイスにおけるアルゴリズムの今後の方向性

CGMアルゴリズムの次世代は、ディープラーニング、エッジコンピューティング、マルチモーダルセンサーの進歩により、これまでにない精度とパーソナライズを実現しています。

ロングホライゾン予測のためのディープラーニング

再発ニューラルネットワーク(RNN)、トランス、および注目ベースのモデルは、高精度で最大60〜90分の範囲でグルコースレベルを予測するために開発されています。 多様な要因を含む大規模なデータセットのトレーニングによって、メダル組成、インシュリン吸収プロファイル、運動強度、ストレスマーカー、さらには月経周期フェーズなど、従来のモデルが見逃す複雑な非線形動をキャプチャできます。 早期に、ディープラーニングモデルから、これらのモデルが誤った動作を予測できるかどうかを予測し、誤動作を予測できる限り、これらのモデルが、これらのモデルが、30以上のモデルに変化する可能性があります。 ターゲットは、これらのモデルが、これらのモデルが、ターゲットを最適化し、またはターゲットにすることで、より効果的に測定できる可能性があります。

エッジAIとオンデバイス処理

センサー送信機やスマートフォン(エッジAI)のアルゴリズムを実行することで、クラウド接続の信頼性を低下させ、レイテンシを低下させ、プライバシーを強化します。ニューラル処理ユニットを備えたモダンなマイクロコントローラは、最小限の電力消費でリアルタイムに軽量ニューラルネットワークを実行できます。これにより、インターネットからの切断中に即時の低血糖検出のような機能が利用でき、リモートサーバーに機密性の高い健康データを送信する心配がなくなります。DexcomやAbbottなどの企業は、次世代デバイス用のAIエッジに大きく投資しています。

多センサーの融合とウェアラブルな統合

将来のアルゴリズムは、スマートウォッチ(心拍数の変動、電極の活性、皮膚温度)、連続ケトンモニター、および非侵襲光学センサーからの入力でCGMデータをヒューズします。 この統合は、糖尿病、運動誘発性低血症、または感染に対する早期警告を提供することができます。 例えば、落下グルコースを伴う心拍数の増加は、免疫疾患を阻害するための警告を引き起こす可能性があります。 [F] は、複数の症状を防止するために、いくつかの予防措置を講じます。 [F]

連続自己学習とパーソナライズ

生涯学習として知られる、個々のユーザー行動に継続的に適応するアルゴリズムは、標準になります。 静的モデルとは異なり、人口データで訓練された、これらのアルゴリズムは、すべてのセンサーセッションの後、パラメータを更新し、食事の変化、運動ルーチン、ホルモン変動によるインシュリン感度などの新しいパターンを組み込む。 パーソナライズされたアルゴリズムは、前述のシステムに適応する制限を事前に示すように、別注インシュリンポンプの設定、食事の推奨事項、および介入条件を組み込むことができます。 これらは、次の数年を制限する機能を備えています。

規制の監督とアルゴリズムの検証

CGM アルゴリズムは、インシュリン投与を含む、規制機関は、精度と安全の厳格な証拠を要求する医療決定に直接影響を及ぼします。 FDA は、参照方法(例えば、黄色のスプリングスインストゥルメントまたは静脈血ガスアナライザ)に対するセンサーの読書を比較する臨床研究を行うメーカーを必要とします。 主なメトリックは、通常、非従順な使用のために 10% 未満のターゲットを持つ MARD です。さらに、アルゴリズムは、低域および高域の適応症の適応症の適応症例で許容性能を実証する必要があります(MD )。

アルゴリズムのパフォーマンスを最適化するユーザーのための実用的なヒント

  • センサーサイトを清潔に保ち、乾燥し、ローションや油を含まず、信号ノイズを最小限に抑えます。重傷組織や髪の領域にセンサーを配置しないでください。
  • 製造元の指示に従ってキャリブレーションします。キャリブレーションを必要とするシステムでは、急流や落下時に、グルコースが安定しているときに、指の棒の読み取りを使用して、導入エラーを防ぎます。
  • バリビリティを削減できると、同じロットからテストストリップを使用します。指示に従ってストリップを保管してください(冷却、乾燥、日光から離れた)。
  • CGMアプリと受信機のファームウェアを迅速に更新します。 製造業者は、多くの場合、精度を高め、新しい機能を追加したり、既知のバグを修正したりするアルゴリズムの改善をリリースします。
  • 定期的にヘルスケアプロバイダーとトレンドデータをレビューします。 タイム・イン・レンジ、一晩の低値、およびポスト・プライアンシャル・スパイクのパターンを探して、アルゴリズムに基づく洞察に基づいて治療を調整します。
  • 読書を妨げることができる要因に注意して下さい: アセテートアミノフェン、ビタミンCの高い線量のような共通の薬物、かヘモグロビンの変形。 知られている干渉剤のための装置ラベルを点検し、あなたの医者との代わりを論議して下さい。
  • 圧縮が低い(センサーで眠るときにグルコース低下)疑うなら、サイトから圧力を取り除き、15分後に再確認します。アルゴリズムは回復する必要がありますが、繰り返し圧縮イベントはセンサー変更を保証するかもしれません。

コンテンツ

Algorithmsは、連続したグルコースモニタリングにおいて、サイレントで不可欠なパートナーです。 彼らは、生の電流を救命予測、トレンド矢印、アラートに変換し、糖尿病の何百万人もの人々が、非前例のない敏捷性で自分の条件を管理することを可能にします。 カルマンフィルタから、センサーノイズをタムから将来のグルコースの遠足、CGMデバイスの中心の数学モデルが進化し続けています。 そのような課題は、個々の問題や問題の解決方法を改善します。 これらは、個々の問題や問題の要因が、より詳細な情報源流出される可能性があります。 これらは、これらの問題が、どのように変化するか、CGMを分析し、どのように変化するか、それらが重要になります。