基于CGM的危重患者智能化血糖管理系统及其管理方法

摘要

本发明公开了基于CGM的危重患者智能化血糖管理系统，其包括：病历统计数据库，所述病历统计数据库对出现高血糖发病的危重患者的病历信息进行采集，生成病历统计表；智能分析模块，所述智能分析模块通过病历统计表进行深度学习训练，对待治疗的危重患者在预设天数内的治疗前高血糖发病信息数据进行分析，建立待治疗的危重患者的治疗病历表，生成首次治疗方案数据；重训练模块，所述重训练模块基于智能分析模块持续对治疗周期内危重患者的治疗病历表进行分析，持续生成至少一轮的后续治疗方案数据；及其管理方法，通过本发明的方案，有效降低危重患者的高血糖发病率，提升身体整体机能，对于探究高血糖发病频率的病理也具有重要意义。

说明书

技术领域

本发明涉及血糖管理技术领域，尤其涉及基于CGM的危重患者智能化血糖管理系统及其管理方法。

背景技术

危重症患者住院期间高血糖发生率高达80.00％，其中，平均危重患者每日高血糖(＞10mmol/L)发生率更是高达为32.20％，高血糖会引起患者水、电解质和酸碱平衡的紊乱，损伤心肌、脑与肝组织，增加患者的感染风险，导致并发症发生率和死亡率增加、住院时间延长、出院后护理需求增加。做好危重症患者的血糖管理已经成为危重症管理中的一项重要内容。有效的血糖管理需要借助于精准的血糖监测和规范科学的胰岛素输注方案。

传统临床上主要通过床边快速血糖检测后依据纸质版的血糖输注方案进行调节控制，以维持危重患者的血糖水平在一个合适的范围内。目前较为先进的技术(例如专利申请号CN202011353708.7)，采用精密算法控制以达到胰岛素的精准调节，达到危重患者血糖的严格控制。无论是依据纸质版或是高精度算法，其目的均为将患者的血糖快速下降，控制在合理范围内。申请人通过大量临床数据发现，通过采用以上两种方法，患者在进行胰岛素和营养液输注后的每日高血糖的发生频率并没有受到影响，甚至随着病情的恶化，高血糖的每日发病率呈上升趋势。

申请人通过对海量患者胰岛素注入量、胰岛素注入频率与发病频率进行深入研究发现，胰岛素注入量与胰岛素注入频率与发病频率存在微妙的互相影响，通过在未发病期间稍高频次、胰岛素低注入量能够降低患者3.64％～4.98％的每日高血糖发生率，如何对胰岛素注入频次及胰岛素注入量进行合理控制，达到降低患者高血糖发病率的是目前行业继续解决的问题，对于探究高血糖发病频率的病理也具有重要意义。

发明内容

针对上述对胰岛素注入频次及胰岛素注入量进行合理控制问题，本发明提供基于CGM的危重患者智能化血糖管理系统，实现对危重患者血糖的持续性检测，并生成针对性的胰岛素注入方案，降低危重患者的高血糖发病率。

基于CGM的危重患者智能化血糖管理系统，包括：

病历统计数据库，所述病历统计数据库对出现高血糖发病的危重患者的病历信息进行采集，生成病历统计表；

智能分析模块，所述智能分析模块通过病历统计表进行深度学习训练，对待治疗的危重患者在预设天数内的治疗前高血糖发病信息数据进行分析，建立待治疗的危重患者的治疗病历表，生成首次治疗方案数据；

重训练模块，所述重训练模块基于智能分析模块持续对治疗周期内危重患者的治疗病历表进行分析，持续生成至少一轮的后续治疗方案数据。

本发明系统通过病历统计数据库收集历史上海量危重患者住院期间的高血糖发病病历，同时，对于本系统应用后，通过本系统治疗结束的危重患者病历也将作为高血糖发病病历归入病历统计数据库，通过不断增加病历数量，最大程度将高血糖的发病模式尽可能真实的呈现出来，通过智能分析模块对病例统计表进行深度学习训练，再对新的危重患者进行初步治疗，重训练模块根据初步治疗的首个治疗周期内患者的治疗病历表进行分析，生成首次的后续治疗方案数据，并持续根据治疗周期内收集的治疗病历数据持续生成最新的后续治疗方案数据。

进一步的，还包括智能随身终端，所述智能随身终端用于获取调整模块接收到持续收集被检测患者的高血糖发病信息数据、持续更新的患者基础信息以及进行预测逻辑调整后的病情发展预测模型；智能随身终端还用于采集患者的进食时的图片信息，并且根据图片信息判断患者进食时的食品的种类，并根据食品的种类生成对血糖的第一预测结果，然后采集进食过程声音信息判断用户进食顺序信息，根据进食顺序信息对第一预测结果修正预测逻辑，并根据修正后的预测逻辑得到患者本次进食后血糖预测结果，并将进食后血糖预测结果发送至智能分析模块；智能分析模块还用于根据进食后血糖预测结果生成首次治疗方案数据。

本方案中，通过智能随身终端采集进食的图片，能够获知到患者进食的种类。食物的种类会对血糖的变化有较大的影响，因此结合食物的种类能够较好的对血糖的变化范围进行预测。但是除了食物的种类会对血糖有较大的影响外，进食的顺序也会对血糖的结果由较大的影响。如在普遍的碳水化合物(主食)+菜肴的搭配中，碳水化合物(主食)的摄入时机不同也会对血糖有较大的影响。先摄入菜肴后摄入主食的方式能够有效降低吸收过程中的血糖峰值。本方案通过进食声音的采集，能够有效的判断进食的顺序，从而有更准确的血糖预测结果。能够根据患者的进食情况对血糖的影响进行预测，预测结果更加准确，从事让首次治疗方案数据能够更加契合患者的实际情况。

进一步的，所述病历信息包括：预设天数范围内的高血糖发病次数、血糖检测值及胰岛素注入量；

所述治疗前高血糖发病信息数据包括：待治疗的危重患者每天的高血糖发病次数、血糖检测值及胰岛素注入量。

进一步的，所述治疗病历表用于记录待治疗的危重患者治疗前的高血糖发病信息数据，以及记录首次治疗病历数据及持续生成至少一轮的后续治疗病历数据。

进一步的，所述首次治疗方案数据包括：胰岛素首次治疗注入频率与胰岛素首次治疗注入量；

所述后续治疗方案数据包括：胰岛素后续治疗注入频率与胰岛素后续治疗注入量。

进一步的，所述重训练模块通过首次治疗方案数据及后续治疗方案数据获取对应的治疗病历数据，

其中，治疗病历数据，包括：危重患者在治疗期间每日的实际胰岛素注入频率、实际胰岛素注入量、高血糖发病频率及血糖值。

进一步的，所述重训练模块基于智能分析模块持续对治疗周期内危重患者的治疗病历表进行分析包括：

重训练模块针对每次更新后的治疗病历表进行分析，生成后续治疗方案数据；

重训练模块采集治疗周期内危重患者的首次治疗病历数据及持续生成至少一轮的后续治疗病历数据，并持续更新治疗病历表。

进一步的，所述重训练模块根据首次治疗方案数据对应的治疗病历数据，生成首轮后续治疗方案数据。

基于CGM的危重患者智能化血糖管理系统的管理方法，包括以下步骤：

S1、对出现高血糖发病的危重患者的病历信息进行采集，生成病历统计表；

S2、对待治疗的危重患者在预设天数内的治疗前高血糖发病信息数据进行分析，建立待治疗的危重患者的治疗病历表，生成首次治疗方案数据；

S3、对治疗周期内危重患者的治疗病历表进行分析，持续生成至少一轮的后续治疗方案数据。

进一步的，所述步骤S3包括：

S301、对每次更新后的治疗病历表进行分析，生成后续治疗方案数据；

S302、采集治疗周期内危重患者的首次治疗病历数据及持续生成至少一轮的后续治疗病历数据，并持续更新治疗病历表。

相比于现有技术，本发明的优点及有益效果在于：通过本发明的方案，对危重患者进行持续进行监控，通过调节胰岛素注入频率及注入量针对性对不同的危重患者进行治疗，有效降低危重患者的高血糖发病率，提升身体整体机能，对于探究高血糖发病频率的病理也具有重要意义。

附图说明

图1为本发明系统的框图；

图2为本发明方法的流程图；

图3为本发明方法中步骤S3的流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，下面通过具体实施方式结合附图对本发明做进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

实施例1

基于CGM的危重患者智能化血糖管理系统，包括：

病历统计数据库，病历统计数据库对出现高血糖发病的危重患者的病历信息进行采集，生成病历统计表；

智能分析模块，智能分析模块通过病历统计表进行深度学习训练，对待治疗的危重患者在预设天数内的治疗前高血糖发病信息数据进行分析，建立待治疗的危重患者的治疗病历表，生成首次治疗方案数据；

重训练模块，重训练模块基于智能分析模块持续对治疗周期内危重患者的治疗病历表进行分析，持续生成至少一轮的后续治疗方案数据。

本发明系统通过病历统计数据库收集历史上海量危重患者住院期间的高血糖发病病历，同时，对于本系统应用后，通过本系统治疗结束的危重患者病历也将作为高血糖发病病历归入病历统计数据库，通过不断增加病历数量，最大程度将高血糖的发病模式尽可能真实的呈现出来，通过智能分析模块对病例统计表进行深度学习训练，再对新的危重患者进行初步治疗，重训练模块根据初步治疗的首个治疗周期内患者的治疗病历表进行分析，生成首次的后续治疗方案数据，并持续根据治疗周期内收集的治疗病历数据持续生成最新的后续治疗方案数据。

具体的，病历信息包括：预设天数范围内的高血糖发病次数、血糖检测值及胰岛素注入量。

病历信息用于统计史上海量危重患者住院期间的高血糖发病病历，这部分的危重患者均未使用过本系统的方案，通过对历史上危重患者的发病分析，建立初始分析逻辑。

具体的，治疗前高血糖发病信息数据包括：待治疗的危重患者每天的高血糖发病次数、血糖检测值及胰岛素注入量。

治疗前高血糖发病信息数据作为统计史上每个危重患者的曾经在高血糖发病时的病情表现。

具体的，治疗病历表用于记录待治疗的危重患者治疗前的高血糖发病信息数据，以及记录首次治疗病历数据及持续生成至少一轮的后续治疗病历数据。

治疗病历表用于统计接收本发明系统生成治疗方案的危重患者，在治疗期间基于治疗效果的表现，针对每个危重患者个体不同的高血糖的发病情况，生成针对性的治疗方案。

具体的，首次治疗方案数据包括：胰岛素首次治疗注入频率与胰岛素首次治疗注入量；

后续治疗方案数据包括：胰岛素后续治疗注入频率与胰岛素后续治疗注入量。

具体的，重训练模块通过首次治疗方案数据及后续治疗方案数据获取对应的治疗病历数据，

其中，治疗病历数据，包括：危重患者在治疗期间每日的实际胰岛素注入频率、实际胰岛素注入量、高血糖发病频率及血糖值。

重训练模块通过首次治疗方案数据及后续治疗方案数据获取对应的治疗病历数据录入到治疗病历表中，记录危重患者的通过本发明系统生成的治疗方案下的发病率，并且后续重训练模块生成的后续治疗方案数据也是基于不断更新的治疗病历表生成。

具体的，重训练模块基于智能分析模块持续对治疗周期内危重患者的治疗病历表进行分析包括：

重训练模块针对每次更新后的治疗病历表进行分析，生成后续治疗方案数据；

重训练模块采集治疗周期内危重患者的首次治疗病历数据及持续生成至少一轮的后续治疗病历数据，并持续更新治疗病历表。

重训练模块通过智能分析模块的深度学习训练，对治疗期间的危重患者的治疗病历表进行分析，按照治疗病历表的更新频率进行治疗方案数据的更新，达到每一治疗周期结束，重训练模块能够根据上一治疗周期及整个治疗周期内的所有治疗病历数据生成最新的治疗方案数据。

具体的，重训练模块根据首次治疗方案数据对应的治疗病历数据，生成首轮后续治疗方案数据。

基于CGM的危重患者智能化血糖管理系统的管理方法，包括以下步骤：

S1、对出现高血糖发病的危重患者的病历信息进行采集，生成病历统计表；

S2、对待治疗的危重患者在预设天数内的治疗前高血糖发病信息数据进行分析，建立待治疗的危重患者的治疗病历表，生成首次治疗方案数据；

S3、对治疗周期内危重患者的治疗病历表进行分析，持续生成至少一轮的后续治疗方案数据。

具体的，步骤S3包括：

S301、对每次更新后的治疗病历表进行分析，生成后续治疗方案数据；

S302、采集治疗周期内危重患者的首次治疗病历数据及持续生成至少一轮的后续治疗病历数据，并持续更新治疗病历表。

实际应用中，危重患者在接受治疗后，需要对危重患者的注射后的血糖值进行持续检测，不同的危重患者对于注射胰岛素后的表现具有一定差距，通过对危重患者的血糖值表现进一步了解危重患者的身体情况，实际应用中关于胰岛素收影响的情况包括：

血浆葡萄糖浓度血浆葡萄糖浓度是影响胰岛素分泌的最重要因素。口服或静脉注射葡萄糖后，胰岛素释放呈两相反应。早期快速相，门静脉血浆中胰岛素在2分钟内即达到最高值，随即迅速下降；延迟缓慢相，10分钟后血浆胰岛素水平又逐渐上升，一直延续1小时以上。早期快速相显示葡萄糖促使储存的胰岛素释放，延迟缓慢相显示胰岛素的合成和胰岛素原转变的胰岛素。

进食含蛋白质较多的食物进食含蛋白质较多的食物后，血液中氨基酸浓度升高，胰岛素分泌也增加。精氨酸、赖氨酸、亮氨酸和苯丙氨酸均有较强的刺激胰岛素分泌的作用。

进餐后胃肠道激素增加进餐后胃肠道激素增加可促进胰岛素分泌如胃泌素、胰泌素、胃抑肽、肠血管活性肽都刺激胰岛素分泌。

自主神经功能状态迷走神经兴奋时促进胰岛素分泌；交感神经兴奋时则抑制胰岛素分泌。

需要说明的是，本发明针对危重患者，在实际应用中，危重患者的需要使用胰岛素的剂量往往比普通患者大，在面对危重患者时，需要特别注意危重患者胰岛素耐受性的问题，产生急性耐受常由于并发感染、创伤、手术、情绪激动等应激状态所致。此时血中抗胰岛素物质增多，或因酮症酸中毒时，血中大量游离脂肪酸和酮体的存在妨碍了葡萄糖的摄取和利用。出现急性耐受时，需短时间内增加胰岛素剂量达数千单位。产生慢性耐受的原因较为复杂(系指每日需用200U以上的胰岛素并且无并发症者)。可能是体内产生了抗胰岛素受体抗体(AIRA)，对此可用免疫抑制剂控制症状，能使患者对胰岛素的敏感性恢复正常；也可能是胰岛素受体数量的变化，如高胰岛素血症时，靶细胞膜上胰岛素受体数目减少；还可能是靶细胞膜上葡萄糖转运系统失常。此时换用其他动物胰岛素或改用高纯度胰岛素，并适当调整剂量常可有效。

对于在治疗过程中，对危重患者的胰岛素注入剂量的调节，需要以特殊形式在治疗病历中进行备注，以便对危重患者的后续治疗提供更多参考。

皮下注射的胰岛素会储存在皮下。随着皮下储存量增加，吸收的波动增加，净吸收量减少。这对因胰岛素抵抗而每日需要多次大剂量注射的患者可能有重要影响。持续皮下输注胰岛素可以平稳控制血糖的一个原因是，它只使用普通或速效胰岛素(后者更佳)，皮下储存量很小，因为药物储存在体外的注射器或其他容器内此外，注射器注射存在固有的变异性，包括每次注射的部位、角度、深度以及下方血流都不相同，而持续皮下输注时每根导管都固定在同一部位，可以减少这种变异性。

其中，对于危重患者还需要考虑胰岛素中毒，危重患者由于需要高频率及总体高剂量的注入胰岛素，胰岛素重度的可能性相比普通患者会高很多。

实施例2

与实施例1相比，不同之处处仅在于，还包括智能随身终端以及和智能随身终端通过信号连接的重量采集装置，所述智能随身终端用于获取调整模块接收到持续收集被检测患者的高血糖发病信息数据、持续更新的患者基础信息以及进行预测逻辑调整后的病情发展预测模型；重量采集装置用于采集当前食品的重量信息和当前的称重时间信息；智能随身终端还用于采集患者的进食时的图片信息，并且根据图片信息判断患者进食时的食品的种类，并根据食品的种类生成对血糖的第一预测结果，然后采集进食过程声音信息判断用户进食顺序信息，根据进食顺序信息(即根据先存储的进食顺序对血糖的影响系数)对第一预测结果修正预测逻辑，并根据修正后的预测逻辑得到患者本次进食后血糖预测结果，并将进食后血糖预测结果发送至智能分析模块；智能分析模块还用于根据进食后血糖预测结果生成首次治疗方案数据。

具体使用时，智能随身终端是患者的智能手机，通过智能手机拍摄要进食的食物的画面，然后上传网络，通过已经训练好的神经网络模型对图片中的食物的种类进行识别(已经是成熟技术，不再赘述，类似拍照识物的功能，下段会进行具体举例说明)，以此作为依据(当然也要结合前面的患者本身的特点)，得到第一预测结果。

在实际使用过程中，也考虑过通过图片识别食物种类的准确率比较低的情况。但是结合使用者(多为糖尿病人)的实际饮食注意事项中，多为绿色蔬菜、玉米等烹饪后形态较为容易识别的。对使用者血糖影响比较大的食物为淀粉、糖类含量比较高的食物。识别范围是较为有限的，实际上可以粗暴的分为：肉、蛋、米饭、面条、蔬菜这几类，这样的话整体的识别准确率以及使用体验也能够得到保证。

然后根据采集到的进食过程的声音信息判断用户的进食顺序，此项技术的采集可以通过与智能手机信号连通的蓝牙耳机(在取得用户权限许可的前提下进行，在其他实施例中可采用通过用户许可的麦克风的权限实现)的音频采集模块直接实现。采集这样的声音信息能够作为进食顺序的判断依据。上述的重量采集装置为与智能手机信号连接的蓝牙秤。

具体的手段依然可以参考前述神经网络模型的方式根据声音信息中的音色与不同的食品在进食时的声音特点进行匹配，从而实现对正在进食时的食品种类的识别。进而实现根据进食顺序信息对第一预测结果修正预测逻辑，并根据修正后的预测逻辑得到患者本次进食后血糖预测结果。并且通过显示屏向患者展示。当然后续也可以发送到并且发展分析模块，为病情分析模块中的病情发展基础模型提供依据。

在本实施例中，能够根据患者的进食情况对血糖的影响进行预测，预测结果更加准确，从事让首次治疗方案数据能够更加契合患者的实际情况。

实施例3

与实施例1相比，不同之处处仅在于，智能随身终端还用于采集患者的进食时的图片信息，并且根据图片信息判断患者进食时的食品的种类，并生成输入框采集用户对食品的种类的修正意见，并在进食过程中通过重量采集装置的重量信息的变化速度，生成用户进食顺序信息输入框，然后根据进食顺序信息对第一预测结果修正预测逻辑，并根据修正后的预测逻辑得到患者本次进食后血糖预测结果。

在具体使用时，如果仅通过智能手机拍照进行食物识别，一般只能针对具体的食物，要识别所以的，就需要对所有食物进行建模，而且烹饪方法不一样，在现有算法的阶段，识别的成功率存在一定的偏差。如故意做成西瓜样子的面包，这样的食品难以进行准确的识别。在拍照之后，将想要摄入的食品放置到重量采集装置上进行称重，在进食时将重量采集装置上的食品取出食用，此时重量采集装置上的重量信息会发生变化，通过这个变化速度能够识别出用户食品的摄入速度。即用户可以一次称重后，分为多次食用；也可是每次称重后，全部食用。重量采集装置既采集每次的减少量，也采集产生每次减少量的时间及时间间隔，这样就能够较为准确的获知到用户食品的摄入速度。

上实施例2中通过蓝牙耳机去判断食物类别存在一定的识别难度，主要原因在于，蓝牙耳机能够采集到的是空气中传递过来的咀嚼信息以及骨传导的声音信息，因进食习惯的问题，部分人员在进食过程中发出的声音较小并且也存在环境干扰，采集到的种类信息可能较为困难。因此，在本实施例中是通过用户输入的修正意见进行的较为准确的识别，保证识别的准确率。

而且最重要的，食物是需要配套摄入量的，因此本实施例中简而言之，是通过重量采集装置+自己填写食物内容方式来实现，降低了技术实现的难度。

除了摄入量以外，食品的摄入速度也会对血糖的变化产生影响，因此在本实施例中，通过采集进食过程中通过重量采集装置的重量信息的变化速度，来表征摄入速度，能够更为准确的对血糖的变化进行预测。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上内容是结合具体的实施方式对本发明所做的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人们来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。