自适应决策支持系统的制作方法

自适应决策支持系统
1.通过援引相关申请并入
2.本技术要求2020年4月28日提交的美国临时专利申请号63/016784的权益。上述申请的全部内容通过引用并入本文，并在此明确地构成本说明书的一部分。


背景技术：
技术领域
3.本技术一般涉及诸如分析物传感器之类的医疗设备，包括使用该医疗设备向患者、护理人员、医疗保健提供者或其他用户提供决策支持指导以帮助改善患者健康的系统和方法。
4.相关技术说明
5.糖尿病是一种与身体产生或使用胰岛素有关的代谢病况。胰岛素是一种激素，它允许身体使用葡萄糖作为能量，或将葡萄糖储存为脂肪。
6.当一个人吃一顿含有碳水化合物的食物时，食物由消化系统处理，其在人的血液中产生葡萄糖。血糖可以用作能量或储存为脂肪。身体通常将血糖水平维持在足够的能量范围内，以支持身体机能，并避免葡萄糖水平过高或过低时可能出现的问题。血糖水平的调节取决于胰岛素的产生和使用，胰岛素调节血糖进入细胞的运动。
7.当身体没有产生足够的胰岛素，或者身体不能有效地利用存在的胰岛素时，血糖水平会升高到正常范围之外。血糖水平高于正常水平的状态称为“高血糖”。慢性高血糖会导致许多健康问题，例如心血管疾病、白内障和其他眼部问题、神经损伤(神经病变)和肾脏损伤。高血糖症还可能导致急性问题，例如糖尿病酮症酸中毒——一种由于血糖和酮的存在而导致身体过度酸性的状态，而酮是在身体无法使用葡萄糖时产生的。血糖水平低于正常水平的状态称为“低血糖”。严重的低血糖会导致急性危机，从而导致癫痫发作或死亡。
8.糖尿病患者可以接受胰岛素来控制血糖水平。例如，可以通过用针头手动注射来接收胰岛素。还提供可穿戴胰岛素泵。饮食和运动也会影响血糖水平。
9.糖尿病病况有时被称为“1型”和“2型”。1型糖尿病患者通常能够在胰岛素存在时使用胰岛素，但由于胰腺的产生胰岛素的β细胞存在问题，身体无法产生足够量的胰岛素。2型糖尿病患者可能会产生一些胰岛素，但由于对胰岛素的敏感性降低，患者已变成“胰岛素抵抗的”。其结果是，即使体内存在胰岛素，患者的身体也没有充分利用胰岛素来有效调节血糖水平。
10.糖尿病的管理会给患者、临床医生和护理人员带来复杂的挑战，因为许多因素的合力会影响患者的葡萄糖糖水平和葡萄糖糖趋势。为了帮助患者更好地管理这种情况，各种供应商已经开发了各种糖尿病干预软件应用程序(以下简称“应用程序”)。然而，这些通常在患者的移动设备上执行的应用程序在使用的最初几天、几周或几个月内遭受非常高的损耗率。如此高的损耗率不仅限于糖尿病干预应用程序，而且通常也适用于大多数与健康相关的应用程序。这种与健康相关的应用程序可以包括用于支持各种疾病的治疗的干预应
用程序以及有助于改善患者整体健康的应用程序，例如减肥应用程序。
11.提供此背景是为了介绍以下

技术实现要素：
和详细描述的简要背景。本背景不旨在帮助确定所要求保护的主题的范围，也不被视为将所要求保护的主题限制为解决上述任何或所有缺点或问题的实施方式。
发明内容
12.一个方面是一种系统，其包括：存储器电路；和处理器，其被配置为：接收配置应用程序以供用户使用的请求，其中所述应用程序至少部分地驻留在计算设备上以管理由与用户相关联的葡萄糖监测系统生成的传感器数据；为用户确定目标；确定与用户相关的分类信息，所述分类信息包括用户的所述目标、兴趣、能力、人口统计信息、疾病进展信息或用药方案信息中的至少一种；基于用户与用户组之间关于确定的分类信息的一个或多个相似性，从用户池中选择一组用户；基于用户的所述目标以及多个应用程序特征中的每一个和与所述一组用户相关联的数据集中的所述目标的相关性，从多个应用程序特征中确定一个或多个应用程序特征；以及使用一个或多个应用程序特征自动配置所述应用程序。
13.在上述系统中，处理器被配置为确定所述目标包括处理器被配置为：接收与用户针对用户的糖尿病想要实现的目标相关的用户输入；并基于一个或多个定义的准则将所述用户输入转换为所述目标。在上述系统中，处理器被配置为基于一个或多个定义的准则将所述用户输入转换为所述目标包括处理器被配置为：基于所述准则和与用户相关的信息将用户分类到一个类别中，其中:与用户相关的信息包括所述分类信息，并且所述准则指示所述类别的所述目标；并基于所述分类为用户选择所述目标。
14.在上述系统中，处理器被配置为确定所述目标包括处理器被配置为：接收与用户针对用户的糖尿病想要实现的目标相关的用户输入；并基于与该组用户相关的信息将所述用户输入转换为所述目标。在上述系统中，与该组用户相关的信息包括该组用户的一个或多个葡萄糖相关指标。在上述系统中，所述多个应用程序特征中的每一个与目标的相关性包括所述多个应用程序特征中的每一个与实现目标的相关性。在上述系统中，选择用户组进一步基于用户池中的每一个关于目标的计划结果指标。在上述系统中，所选用户组的计划结果指标高于与目标实现相关联的阈值计划结果指标，并且与实现目标相关联的阈值计划结果指标指示定义的朝着实现目标的最小积极进展量。
15.在上述系统中，多个应用程序特征中的每一个与目标的相关性是基于所选择的用户组中使用该特征的用户的数量以及该数量的用户对该特征的行为参与度。在上述系统中，该数量的用户的每一个对该应用程序特征的行为参与度由该数量的用户中的每个用户对应用程序特征的行为参与度指标(bem)表示，其中bem是基于所述数量的用户中的每个用户与所述特征的交互，所述交互包括以下至少之一：所述数量的用户中的每个用户与所述应用程序特征交互的频率；所述数量的用户中的每个用户忽略应用程序特征生成的指导的频率；所述数量的用户中每个用户与应用程序特征交互所花费的平均时间量；或所述数量的用户中每个用户的行为与应用程序特征生成的指导的紧密程度。在上述系统中，一个或多个应用程序特征中的每一个与目标具有高于相关性阈值的相关性。
16.在上述系统中，处理器还被配置为：接收多个输入，包括：第一输入，其包括由葡萄糖监测系统生成的与用户相关联的葡萄糖测量值；和第二输入，其指示用户关于一个或多
个应用程序特征的行为；至少基于第一输入计算与目标相关联的计划结果指标，其中计划结果指标指示用户已实现目标的程度；基于第二输入，计算一个或多个应用程序特征的一个或多个行为参与指标(bem)，从而为一个或多个应用程序特征中的每一个计算单独的bem；确定所选用户组或用户池中的其bem与计算的一个或多个bem相似的一个或多个用户；基于与一个或多个用户中的至少一个的阈值以上的bem相关联的特征，确定未包括在一个或多个特征中的新应用程序特征；并基于一个或多个bem和计划结果指标中的至少一个，使用新应用程序特征重新配置应用程序。
17.在上述系统中，所述一个或多个bem中的每个bem是基于用户与所述一个或多个应用程序特征中相应的应用程序特征的交互，所述交互包括以下至少之一：用户与相应的应用程序特征交互的频率；用户忽略相应的应用程序特征生成的指导的频率；用户与相应的应用程序特征交互所花费的平均时间量；或用户的行为与相应的应用程序特征生成的指导的紧密程度。在上述系统中，处理器被配置为利用新的应用程序特征重新配置应用程序包括处理器被配置为：确定具有低于阈值的相应bem的一个或多个应用程序特征中的低性能应用程序特征；并且用新的应用程序特征替换一个或多个应用程序特征的低性能应用程序特征。
18.在上述系统中，处理器被配置为利用新的应用程序特征重新配置应用程序包括处理器被配置为：确定一个或多个应用程序特征的低性能应用程序特征与目标相关；并确定计划结果指标低于阈值。在上述系统中，一个或多个应用程序特征中的每个应用程序特征包括特征设置。
19.另一方面是一种使用一个或多个应用程序特征配置应用程序的方法，包括：接收配置该应用程序以供用户使用的请求，其中该应用程序至少部分地驻留在计算设备上以管理由与用户关联的葡萄糖监测系统生成的传感器数据；为用户确定目标；确定与用户相关的分类信息，所述分类信息包括用户的所述目标、兴趣、能力、人口统计信息、疾病进展信息或用药方案信息中的至少一种；基于用户与用户组之间关于确定的分类信息的一个或多个相似性，从用户池中选择一组用户；基于用户的所述目标以及多个应用程序特征中的每一个和与所述一组用户相关联的数据集中的所述目标的相关性，从多个应用程序特征中确定一个或多个应用程序特征；以及使用一个或多个应用程序特征配置所述应用程序。
20.在上述方法中，确定目标还包括：接收与用户针对用户的糖尿病想要实现的目标相关的用户输入；并根据一个或多个定义的准则将用户输入转换为目标。在上述方法中，所述转换还包括：基于准则和与用户相关的信息将用户分类到类别中，其中：与用户相关的信息包括分类信息，所述准则指示该类别的目标；以及根据分类为用户选择目标。在上述方法中，确定目标包括：接收与用户针对用户的糖尿病想要实现的目标相关的用户输入；和基于与该组用户相关联的信息，将用户输入转换为目标。
21.在上述方法中，与该组用户相关的信息包括该组用户的一个或多个葡萄糖相关指标。在上述方法中，所述多个应用程序特征中的每一个与目标的相关性包括所述多个应用程序特征中的每一个与目标实现的相关性。在上述方法中，选择用户组进一步基于用户池中的每一个关于目标的计划结果指标。在上述方法中，所选用户组的计划结果指标高于与目标实现相关联的阈值计划结果指标，并且与实现目标相关联的阈值计划结果指标指示定义的朝着实现目标的最小积极进展量。
22.在上述方法中，多个应用程序特征中的每一个与目标的相关性是基于所选择的用户组中使用该特征的用户的数量以及该数量的用户对该特征的行为参与度。在上述方法中，该数量的用户的每一个对该应用程序特征的行为参与度由该数量的用户中的每个用户对应用程序特征的行为参与度指标(bem)表示，其中bem是基于所述数量的用户中的每个用户与所述特征的交互，所述交互包括以下至少之一：所述数量的用户中的每个用户与所述应用程序特征交互的频率；所述数量的用户中的每个用户忽略应用程序特征生成的指导的频率；所述数量的用户中每个用户与应用程序特征交互所花费的平均时间量；或所述数量的用户中每个用户的行为与应用程序特征生成的指导的紧密程度。在上述方法中，一个或多个应用程序特征中的每一个与目标具有高于相关性阈值的相关性。
23.上述方法还被配置为：接收多个输入，包括：第一输入，其包括由葡萄糖监测系统生成的与用户相关联的葡萄糖测量值；和第二输入，其指示用户关于一个或多个应用程序特征的行为；至少基于第一输入计算与目标相关联的计划结果指标，其中计划结果指标指示用户已实现目标的程度；基于第二输入，计算一个或多个应用程序特征的一个或多个行为参与指标(bem)，从而为一个或多个应用程序特征中的每一个计算单独的bem；确定所选用户组或用户池中的其bem与计算的一个或多个bem相似的一个或多个用户；基于与一个或多个用户中的至少一个的阈值以上的bem相关联的特征，确定未包括在一个或多个特征中的新应用程序特征；并基于一个或多个bem和计划结果指标中的至少一个，使用新应用程序特征重新配置应用程序。
24.在上述方法中，所述一个或多个bem中的每个bem是基于用户与所述一个或多个应用程序特征中相应的应用程序特征的交互，所述交互包括以下至少之一：用户与相应的应用程序特征交互的频率；用户忽略相应的应用程序特征生成的指导的频率；用户与相应的应用程序特征交互所花费的平均时间量；或用户的行为与相应的应用程序特征生成的指导的紧密程度。在上述方法中，用新的应用程序特征重新配置应用程序包括：用低于阈值的相应bem确定一个或多个应用程序特征中的低性能应用程序特征；和用新的应用程序特征替换一个或多个应用程序特征的低性能应用程序特征。
25.在上述方法中，用新的应用程序特征重新配置应用程序包括：确定一个或多个应用程序特征中低性能应用程序特征与目标相关；和确定计划结果指标低于阈值。在上述方法中，一个或多个应用程序特征中的每个应用程序特征包括特征设置。
26.另一方面是一种具有存储在其上的指令的非暂时性计算机可读介质，当由处理器执行时，所述指令使计算系统执行使用一个或多个应用程序特征配置应用程序的方法，该方法包括：接收配置该应用程序以供用户使用的请求，其中该应用程序至少部分地驻留在计算设备上以管理由与用户关联的葡萄糖监测系统生成的传感器数据；为用户确定目标；确定与用户相关的分类信息，所述分类信息包括用户的所述目标、兴趣、能力、人口统计信息、疾病进展信息或用药方案信息中的至少一种；基于用户与用户组之间关于确定的分类信息的一个或多个相似性，从用户池中选择一组用户；基于用户的所述目标以及多个应用程序特征中的每一个和与所述一组用户相关联的数据集中的所述目标的相关性，从多个应用程序特征中确定一个或多个应用程序特征；以及使用一个或多个应用程序特征配置所述应用程序。
27.在上述介质中，确定目标还包括：接收与用户针对用户的糖尿病想要实现的目标
相关的用户输入；并根据一个或多个定义的准则将用户输入转换为目标。在上述介质中，所述转换还包括：基于准则和与用户相关的信息将用户分类到类别中，其中：与用户相关的信息包括分类信息，所述准则指示该类别的目标；以及根据分类为用户选择目标。在上述介质中，确定目标还包括：接收与用户针对用户的糖尿病想要实现的目标相关的用户输入；和基于与该组用户相关联的信息，将用户输入转换为目标。在上述介质中，与该组用户相关的信息包括该组用户的一个或多个葡萄糖相关指标。
28.在上述介质中，所述多个应用程序特征中的每一个与目标的相关性包括所述多个应用程序特征中的每一个与目标实现的相关性。在上述介质中，选择用户组进一步基于用户池中的每一个关于目标的计划结果指标。在上述介质中，所选用户组的计划结果指标高于与目标实现相关联的阈值计划结果指标，并且与实现目标相关联的阈值计划结果指标指示定义的朝着实现目标的最小积极进展量。
29.在上述介质中，多个应用程序特征中的每一个与目标的相关性是基于所选择的用户组中使用该特征的用户的数量以及该数量的用户对该特征的行为参与度。在上述介质中，该数量的用户的每一个对该应用程序特征的行为参与度由该数量的用户中的每个用户对应用程序特征的行为参与度指标(bem)表示，其中bem是基于所述数量的用户中的每个用户与所述特征的交互，所述交互包括以下至少之一：所述数量的用户中的每个用户与所述应用程序特征交互的频率；所述数量的用户中的每个用户忽略应用程序特征生成的指导的频率；所述数量的用户中每个用户与应用程序特征交互所花费的平均时间量；或所述数量的用户中每个用户的行为与应用程序特征生成的指导的紧密程度。
30.在上述介质中，一个或多个应用程序特征中的每一个与目标具有高于相关性阈值的相关性。在上述介质中，方法还被配置为：接收多个输入，包括：第一输入，其包括由葡萄糖监测系统生成的与用户相关联的葡萄糖测量值；和第二输入，其指示用户关于一个或多个应用程序特征的行为；至少基于第一输入计算与目标相关联的计划结果指标，其中计划结果指标指示用户已实现目标的程度；基于第二输入，计算一个或多个应用程序特征的一个或多个行为参与指标(bem)，从而为一个或多个应用程序特征中的每一个计算单独的bem；确定所选用户组或用户池中的其bem与计算的一个或多个bem相似的一个或多个用户；基于与一个或多个用户中的至少一个的阈值以上的bem相关联的特征，确定未包括在一个或多个特征中的新应用程序特征；并基于一个或多个bem和计划结果指标中的至少一个，使用新应用程序特征重新配置应用程序。
31.在上述介质中，所述一个或多个bem中的每个bem是基于用户与所述一个或多个应用程序特征中相应的应用程序特征的交互，所述交互包括以下至少之一：用户与相应的应用程序特征交互的频率；用户忽略相应的应用程序特征生成的指导的频率；用户与相应的应用程序特征交互所花费的平均时间量；或用户的行为与相应的应用程序特征生成的指导的紧密程度。
32.在上述介质中，用新的应用程序特征重新配置应用程序包括：用低于阈值的相应bem确定一个或多个应用程序特征中的低性能应用程序特征；和用新的应用程序特征替换一个或多个应用程序特征的低性能应用程序特征。在上述介质中，用新的应用程序特征重新配置应用程序包括：确定一个或多个应用程序特征中低性能应用程序特征与目标相关；和确定计划结果指标低于阈值。在上述介质中，一个或多个应用程序特征中的每个应用程
序特征包括特征设置。
附图说明
33.图1a图示了根据本文公开的一些实施例的用于选择和调整向用户提供决策支持指导的糖尿病干预应用的应用程序配置的示例决策支持系统。
34.图1b更详细地图示了根据本文公开的一些实施例的图1a的葡萄糖监测系统，以及许多移动设备。
35.图2图示了根据本文公开的一些实施例的示例性输入和基于输入计算的示例性指标，以供图1a的决策支持系统使用。
36.图3是根据本文公开的一些实施例的由诸如图1a的决策支持系统的系统执行的操作的流程图。
37.图4a是说明根据本文公开的一些实施例的应用程序的应用程序配置如何被初始选择和然后使用数据模型连续调整的图。
38.图4b图示了根据本文公开的一些实施例的在图4a的数据模型的操作中使用的多个数据集。
39.图5a是说明根据本文公开的一些实施例的应用程序的应用程序配置如何被初始选择和然后使用数据模型连续调整的图。
40.图5b图示了根据本文公开的一些实施例的在图5a的数据模型的操作中使用的多个数据集。
41.图6是描绘根据本文公开的某些实施例的被配置为执行图3的操作的计算设备的框图。
具体实施方式
42.在某些实施例中，一种如本文所述的应用程序提供指导，所述指导可以协助患者、护理人员、医疗服务提供者或其他用户通过应对各种挑战来改善生活方式或临床/患者结果，所述挑战诸如夜间葡萄糖控制(例如，减少低血糖事件或高血糖波动的发生率)、餐中和餐后血糖控制(例如，使用历史信息和趋势来增加血糖控制)、高血糖校正(例如，增加目标区域的时间，同时避免过度校正引起的低血糖事件)、低血糖治疗(例如，解决低血糖，同时避免“反弹性”高血糖)、锻炼和/或其他健康因素。在某些实施例中，应用程序可以进一步被配置有优化工具，其学习患者的生理机能和行为，并计算指导，以帮助患者识别最佳或理想的治疗参数，诸如基础胰岛素要求、胰岛素与碳水化合物的比、校正因子和/或由锻炼导致的胰岛素敏感性变化。
43.例如，该应用程序可以通过预测低血糖或高血糖事件或趋势、提供治疗建议以解决正在发生或潜在的低血糖或高血糖事件或趋势，和/或实时监测患者对不同事件的血糖、生理和/或行为反应来帮助患者实时地对问题做出反应。这种类型的经过计算的指导和支持可以减轻用户的认知负担。
44.诸如连续葡萄糖监测器之类的生理传感器可以提供有用的数据，用户可以使用这些数据来管理葡萄糖水平，但该数据可能需要大量的处理以开发用于葡萄糖管理的有效策略。庞大的数据量，以及对数据类型、趋势、事件和结果之间相关性的认识可能远远超过人
类的处理能力。当实时地做出关于治疗的决策或对生理状况的反应时，这尤其是有影响的。将实时或近期数据与历史数据和模式相结合，可以为做出有关治疗的实时决策提供有用的指导。技术工具可以处理这些信息以提供决策支持指导，这些指导经计算后在特定条件或情况下在特定时间对特定患者有用。
45.经常使用时，应用程序可以成为管理患者糖尿病状况的非常强大的工具。然而，应用程序的持续使用与应用程序的配置是否有助于患者持续实现患者目标直接相关。某些现有应用程序存在无法根据患者的特定目标和行为定制或个性化应用程序配置的技术问题。因此，由于每个患者的目标和行为可能与其他患者不同，持续向所有患者提供相同特征集的静态配置提出了一个技术问题，使得此类应用程序不太可能被患者使用。由于这个技术问题，这些应用程序的损耗率高。
46.例如，患者可以在患者的移动设备上下载应用程序以实现某些目标。然而，仅在使用几天后，患者可能决定应用程序提供的特征与患者不太相关，因为它们不支持患者满足任何这些目标。结果，患者很快就对应用程序失去了兴趣，并完全放弃了它的使用。在另一个实例中，患者最初可能定期使用该应用程序，但随着患者的状况、目标和行为随着时间的推移而发生变化，该应用程序可能开始对患者感到无关紧要和无用，从而导致患者对应用程序失去兴趣。
47.因此，本文描述的某些实施例通过提供决策支持系统和方法来提供对上述技术问题的技术方案，该决策支持系统和方法用于基于与特定用户相关的信息和/或与用户池相关的信息来自动配置和调整应用程序的配置，所述用户池例如在一个或多个方面与用户相似的分层用户组。在某些实施例中，本文的应用程序配置是指一组应用程序特征及其相关设置。
48.在某些实施例中，与特定用户相关的信息包括用户的目标、兴趣、能力、人口统计信息、疾病进展、药物信息和/或多个输入和指标中的至少一个，如下文进一步描述的。在某些实施例中，多个输入和指标包括结果和行为指标。在某些实施例中，与特定用户有关的信息可以包括实时信息、历史信息和/或趋势。在某些实施例中，与分层用户组相关的信息包括以下各项中的至少一项：用户的目标、兴趣、能力、人口统计信息、疾病进展信息、用药方案信息(“用药信息”)、与这些用户相关联的多个输入和指标，和/或用户应用程序的应用程序配置。在某些实施例中，与分层用户组有关的信息可以包括实时信息、历史信息和/或趋势。
49.例如，在用户下载应用程序之后，在某些实施例中，决策支持系统可以首先工作以确定关于用户的某些信息。在某些实施例中，关于用户的信息包括用户的疾病进展、药物信息、人口统计信息、目标、兴趣和/或能力。在某些实施例中，决策支持系统然后可以基于一个或多个分层因素从用户数据库中的用户池中确定分层用户组。在某些实施例中，一个或多个分层因素包括用户的疾病进展、药物信息、人口统计信息、目标、兴趣和/或能力。与分层组相关联的信息可以提供帮助确定哪些应用程序配置可能对用户在实现用户目标方面有帮助的指示，例如最有帮助。因此，在某些实施例中，基于与用户相关联的信息，和/或与分层组相关联的信息，决策支持系统可以选择某个应用程序配置并且使用所选择的应用程序配置自动配置该应用程序。随后，在某些实施例中，决策支持系统可以周期性地监视和评估与用户对应用程序的使用及其选择的应用程序配置相关联的一个或多个行为和结果指
标。在某些实施例中，决策支持系统然后基于用户的行为指标和/或与用户数据库中的其他用户有关的信息自动调整应用程序的配置。在某些实施例中，其他用户是例如满足相同目标并且在使用相同应用配置方面表现出相似行为指标的用户。在某些实施例中，决策支持系统不断地调整应用程序的配置。
50.如上所述，在某些实施例中，为了提供相关和有效的指导，应用程序利用了来自一个或多个生理传感器(诸如一个或多个分析物传感器)的输入。本文所述的分析物传感器的实施例是葡萄糖监测传感器，其测量葡萄糖和/或指示用户体内葡萄糖和/或另一种分析物的浓度或存在的物质的浓度。在一些实施例中，葡萄糖监测传感器是一种连续葡萄糖监测装置，例如皮下、透皮、经皮、无创、眼内和/或血管内(例如，静脉内)的装置。在一些实施例中，该装置可以分析多个间歇性血液样品。葡萄糖监测传感器可以使用任何葡萄糖测量方法，其包括酶法、化学法、物理法、电化学法、光学法、光化学法、基于荧光的方法、分光光度法、光谱法(例如，光吸收光谱法、拉曼光谱法等)、旋光法、量热法、离子电渗法、辐射测量法等。
51.葡萄糖监测传感器可以使用任何已知的检测方法，其包括有创、微创性和无创传感技术，以提供指示宿主中分析物浓度的数据流。上述数据流通常是一个原始数据信号，其被用于为可能正在使用传感器的患者或医疗保健专业人员(如医生、医生、护士、护理人员)提供分析物的有用价值。
52.在一些实施例中，葡萄糖监测传感器是可植入式传感器，例如参考美国专利号6,001,067和美国专利公开号us-2011-0027127-al所述描述的。在一些实施例中，葡萄糖监测传感器是经皮传感器，例如参考美国专利公开号us-2006-0020187-al所描述的。在还有其他实施例中，葡萄糖监测传感器是双电极分析物传感器，例如参考美国专利公开号us-2009-0137887-al所描述的。在又一些其他实施例中，葡萄糖监测传感器被配置为被植入宿主血管中或体外，例如美国专利公开号us-2007-0027385-al中描述的传感器。这些专利和出版物以全文引用的方式并入本文。
53.尽管下面的大部分描述和实例都针对能够测量宿主中葡萄糖浓度的葡萄糖监测传感器，但是本文描述的实施例的系统和方法可以与用于任何可测量分析物的任何类型的分析物传感器结合使用。此外，虽然本文中的某些实施例是关于糖尿病干预应用程序来描述的，但是本文中描述的实施例的系统和方法可以与提供给用户的任何健康相关应用程序结合使用以改善用户的健康。例如，与健康相关的应用程序可以帮助用户治疗某种疾病，或者只是帮助改善不一定被诊断患有疾病的用户的健康。
54.示例性系统
55.图1a示出了在某些实施例中的示例性决策支持系统100(也称为“健康监测系统”)，用于选择和调整向用户102(以下称为“用户”)提供决策支持指导的糖尿病干预应用程序(“应用程序”)106的应用程序配置。在某些实施例中，用户可以是患者或患者的护理人员。在本文描述的实施例中，仅为简单起见假设用户是患者，但不限于此。在某些实施例中，系统100包括用户、葡萄糖监测系统104、执行应用程序106的移动装置107、决策支持引擎112和用户数据库110。尽管针对葡萄糖监测系统描述了上述系统，但应注意这是示例性的，并且可以根据本文提供的实施例监测和使用一种或多种附加或替代分析物。在一些实施例中，分析物监测系统(例如，葡萄糖监测系统104)被配置为测量选自以下的至少一种分析
物：白蛋白、碱性磷酸酶、丙氨酸转氨酶、天冬氨酸氨基转移酶、胆红素、血尿素氮、钙、二氧化碳、氯化物、肌酐、葡萄糖、γ-谷氨酰转肽酶、血细胞比容、乳酸、乳酸脱氢酶、镁、氧、ph、磷、钾、钠、总蛋白、尿酸、代谢标志物和药物。
56.如本文所用，术语“分析物”是广义术语，应赋予本领域普通技术人员其通常和惯常的含义(并且不限于特殊或定制的含义)，并且不限制地指生物样品(例如，体液，包括血液、血清、血浆、间质液、脑脊髓液、淋巴液、眼液、唾液、口腔液、尿液、排泄物或渗出液)中的物质或化学成分。分析物可以包括天然存在的物质、人造物质、代谢物和/或反应产物。在一些实施例中，用于通过传感区域、装置和方法测量的分析物是白蛋白、碱性磷酸酶、丙氨酸转氨酶、天冬氨酸氨基转移酶、胆红素、血尿素氮、钙、co2、氯化物、肌酐、葡萄糖、γ-谷氨酰转肽酶，红细胞比容、乳酸、乳酸脱氢酶、镁、氧、ph、磷、钾、钠、总蛋白、尿酸、代谢标志物和药物。然而，也考虑其他分析物，包括但不限于对乙酰氨基酚、多巴胺、麻黄碱、特布他林、抗坏血酸盐、尿酸、氧、d-氨基酸氧化酶、血浆胺氧化酶、黄嘌呤氧化酶、nadph氧化酶、醇氧化酶、醇脱氢酶,丙酮酸脱氢酶、二醇、ros、no、胆红素、胆固醇、甘油三酯、龙胆酸、布洛芬、l-多巴、甲基多巴、水杨酸盐、四环素、妥拉磺脲(tolazamide)、甲苯磺丁脲(tolbutamide)、羧基凝血酶原(acarboxyprothrombin)；酰基肉碱；腺嘌呤磷酸核糖转移酶；腺苷脱氨酶；白蛋白；甲胎蛋白；氨基酸谱(精氨酸(克雷布斯循环)、组氨酸/尿刊酸、高半胱氨酸、苯丙氨酸/酪氨酸、色氨酸)；雄烯二酮；安替比林；阿糖醇对映异构体；精氨酸酶；苯甲酰芽子碱(可卡因)；生物素酶；生物蝶呤；c-反应蛋白；肉碱；肌肽酶；cd4；铜蓝蛋白；鹅去氧胆酸；氯喹；胆固醇；胆碱酯酶；共轭1-β羟基胆酸；皮质醇；肌酸激酶；肌酸激酶mm同工酶；环孢素a；d-青霉胺；去乙基氯喹；硫酸脱氢表雄酮；dna(乙酰化多态性、乙醇脱氢酶、α1-抗胰蛋白酶、囊性纤维化、duchenne/becker肌营养不良症、葡萄糖-6-磷酸脱氢酶、血红蛋白a、血红蛋白s、血红蛋白c、血红蛋白d、血红蛋白e、血红蛋白f、d-punjab、β-地中海贫血、乙型肝炎病毒、hcmv、hiv-1、htlv-1、leber遗传性视神经病变、mcad、rna、pku、间日疟原虫、性分化、21-脱氧皮质醇)；去丁基卤泛群；二氢蝶啶还原酶；白喉/破伤风抗毒素；红细胞精氨酸酶；红细胞原卟啉；酯酶d；脂肪酸/酰基甘氨酸；游离β-人绒毛膜促性腺激素；游离红细胞卟啉；游离甲状腺素(ft4)；游离三碘甲状腺原氨酸(ft3)；延胡索乙酰乙酰酶；半乳糖/gal-1-磷酸盐；半乳糖-1-磷酸尿苷转移酶；庆大霉素；葡萄糖-6-磷酸脱氢酶；谷胱甘肽；谷胱甘肽过氧化物酶；甘氨胆酸；糖基化血红蛋白；卤泛群；血红蛋白变体；己糖胺酶a；人红细胞碳酸酐酶i；17-α-羟基孕酮；次黄嘌呤磷酸核糖基转移酶；免疫反应性胰蛋白酶；乳酸盐；铅；脂蛋白((a)、b/a-1、β)；溶菌酶；甲氟喹；奈替米星；苯巴比妥；苯妥英；植烷酸/降植烷酸；黄体酮；催乳素；脯氨酸酶；嘌呤核苷磷酸化酶；奎宁；反向三碘甲状腺原氨酸(rt3)；硒；血清胰脂肪酶；西索霉素；生长调节素c；特异性抗体(腺病毒、抗核抗体、抗zeta抗体、虫媒病毒、aujeszky病病毒、登革热病毒、麦地那龙线虫、细粒棘球绦虫、溶组织内阿米巴、肠道病毒、十二指肠贾第鞭毛虫、幽门螺杆菌、乙型肝炎病毒、疱疹病毒、hiv-1、ige(特应性疾病)、流感病毒、多诺瓦尼利什曼原虫、钩端螺旋体、麻疹/腮腺炎/风疹、麻风分枝杆菌、肺炎支原体、肌红蛋白、盘尾丝虫、副流感病毒、恶性疟原虫、脊髓灰质炎病毒、绿脓杆菌、呼吸道合胞病毒、立克次体(斑疹伤寒)、曼氏血吸虫、刚地弓形虫、梅毒螺旋体、克氏锥虫/兰格利、水泡性口病毒、班氏病毒、黄热病病毒)；特定抗原(乙型肝炎病毒、hiv-1)；琥珀酰丙酮；磺胺多辛；茶碱；促甲状腺激素(tsh)；甲状腺素(t4)；甲状腺素结合球蛋白；微量元素；转铁蛋白；udp-半乳糖-4-差
向异构酶；尿素；尿卟啉原i合酶；维生素a；白血细胞；和锌原卟啉。在某些实施例中，天然存在于血液或间质液中的盐、糖、蛋白质、脂肪、维生素和激素也可以构成分析物。分析物可以天然存在于生物流体例如代谢产物、激素、抗原、抗体等中。可选地，可将分析物引入体内，例如用于成像的造影剂、放射性同位素、化学试剂、基于碳氟化合物的合成血液或药物或药物组合物，包括但不限于胰岛素；乙醇；大麻(大麻制品、四氢大麻酚、大麻麻醉剂)；吸入剂(一氧化二氮、亚硝酸戊酯、亚硝酸丁酯、氯代烃、烃)；可卡因(快克可卡因)；兴奋剂(苯丙胺、甲基苯丙胺、利他林、cylert、preludin、didrex、prestate、voranil、sandrex、plegine)；抑制剂(巴比妥类、甲喹酮，valium、librium、miltown、serax、equanil、tranxene等镇静剂)；致幻剂(苯环利定、麦角酸、美斯卡林、佩奥特仙人掌、裸盖菇素)；麻醉品(海洛因、可待因、吗啡、阿片、哌替啶、percocet、percodan、tussionex、芬太尼、darvon、talwin、lomotil)；设计药物(芬太尼、哌替啶、苯丙胺、甲基苯丙胺和苯环利定的类似物)；合成代谢类固醇；和尼古丁。药物和药物组合物的代谢产物也是考虑的分析物。还可以分析体内产生的神经化学物质和其他化学物质等分析物，例如抗坏血酸、尿酸、多巴胺、去甲肾上腺素、3-甲氧基酪胺(3mt)、3,4-二羟基苯乙酸(dopac)、高香草酸(hva)、5-羟色胺(5ht)、组胺、高级糖化终产物(ages)和5-羟吲哚乙酸(fhiaa)。
57.优选实施例的一个方面提供了一种用于体内连续分析物监测的分析物监测系统(例如，白蛋白、碱性磷酸酶、丙氨酸转氨酶、天冬氨酸氨基转移酶、胆红素、血尿素氮、钙、co2、氯化物、肌酐、葡萄糖、γ-谷氨酰转肽酶、血细胞比容、乳酸、乳酸脱氢酶、镁、氧、ph、磷、钾、钠、总蛋白、尿酸、代谢标志物、药物、各种矿物质、各种代谢物等)，该系统可能可操作地联接至导管，以测量宿主血流中分析物浓度。在一些实施例中，该系统包括分析物传感器，该分析物传感器延伸到血流中(例如，导管外)一小段距离，而基本上不会阻塞导管或宿主的血流。导管可以流体联接到另外的iv和诊断装置，例如盐水袋、自动血压监测器或血液化学监测装置。在一些实施例中，可以通过传感器系统从宿主中取出血样，如本文别处所述。在一个实施例中，分析物传感器是葡萄糖传感器，并且医务人员监测宿主的葡萄糖水平。在本文别处描述的其他实施例中，分析物传感器设置在导管本身之内或之上，例如导管的体内部分。在其他实施例中，分析物传感器完全设置在流体联接器内和/或上，流体联接器又流体联接到导管或其他血管通路装置，如本文别处所述。
58.在某些实施例中，葡萄糖监测系统104包括传感器电子模块和葡萄糖传感器，其测量血糖和/或指示用户体内葡萄糖和/或另一种分析物的浓度或存在的物质的浓度。在某些实施例中，葡萄糖传感器被配置为在连续的基础上执行测量。传感器电子模块将血糖测量值输送到移动装置107以供应用程序106使用。在一些实施例中，传感器电子模块通过无线连接(例如，蓝牙连接)将葡萄糖测量值传输到移动装置107。在某些实施例中，移动装置107是智能电话。然而，在某些实施例中，移动装置107可以替代地是任何其他类型的计算装置，例如手提电脑、智能手表、平板电脑或能够执行应用程序106的任何其他计算装置。
59.在某些实施例中，决策支持引擎112指的是具有一个或多个软件模块的一组软件指令，其包括自适应应用程序配置模块(aacm)115和数据分析模块(dam)113。在一些实施例中，决策支持引擎112完全地在私有或公共云端中的一个或多个计算装置上执行。在这样的实施例中，应用程序106通过网络(例如，因特网)与决策支持引擎112通信。在一些其他实施例中，决策支持引擎112部分地在诸如移动装置107的一个或多个本地装置上执行，并且部
分地在私有或公共云中的一个或多个计算装置上执行。在一些其他实施例中，决策支持引擎112完全地在一个或多个本地装置上执行，例如移动装置107。
60.如下所述，在某些实施例中，aacm 115被配置为使用与用户相关的、存储在用户配置文件116中的信息和/或与用户池例如分层用户组(其配置文件可以存储在用户数据库110中)相关的信息来调整应用程序106的应用程序配置108。在某些实施例中，dam 113被配置为处理从应用程序106接收的一组输入，并计算多个指标，例如行为指标128和结果指标130，然后应用程序106可以将其存储在用户配置文件116中。应用程序106也可以使用行为指标128和结果指标130，诸如应用程序106的不同特征，以向用户提供实时指导。用户配置文件116(其包含行为指标128和结果指标130)的各种数据点在下面更详细地描述。
61.在某些实施例中，应用程序106基于自适应应用程序配置108向用户提供指导。在某些实施例中，应用程序配置108包括或涉及一组特征1-n。在某些实施例中，该组特征可以从更大的可能特征池中选择，其中n旨在指示应用程序配置108可以具有任意数量的特征。在某些实施例中，特征1-n中的一个或多个被配置为向用户提供一种形式的指导以支持用户做出更明智的决定。为了向用户提供有效的、相关的和及时的指导，在某些实施例中，特征可以将存储在用户配置文件116中的与用户有关的信息和/或存储在用户数据库110中的这些用户的用户配置文件中的与用户池相关的信息作为输入。在某些实施例中，特征可以通过各种方式与用户交互，例如文本、电子邮件、通知(例如，推送通知)、电话和/或诸如在应用程序106的用户界面上显示内容(例如，图表、趋势、图表等)的其他形式的通信。在某些实施例中，特征还包括定义该特征的操作的设置。在某些实施例中，改变特征的设置导致改变特征操作的方式，例如特征提供指导和与用户交互的方式。例如，更改特征的设置可导致以下一项或多项：更改频率、内容、时间、特征提供的指导的形式、指导的时间范围(例如，指导可以是实时的或回顾/反思的)等。
62.例如，在某些实施例中，应用程序配置108的特征1-n可以包括多个不同的锻炼管理特征。作为实例，应用程序配置108的特征1、2、3和4可以分别对应于锻炼管理特征1(例如，用于提醒用户关于在特定时间锻炼的提醒特征)、锻炼管理特征2(例如，锻炼推荐功能，其基于与用户相关的信息推荐不同类型的锻炼)、锻炼管理特征3(例如，计算用户应该锻炼多长时间才能达到某个血糖水平的特征)以及锻炼管理特征4(例如，推荐步行路线/远足径的特征)等。
63.此外，在某些实施例中，锻炼管理特征可以配置有多个设置。作为实例，锻炼管理特征1可以配置有五种设置(例如，设置a、b、c、d和e)之一，其中每个设置配置锻炼管理特征1以用频率、内容、时间、形式、时间范围等的不同的一种或多种向用户提供指导。例如，设置a可能是最不具侵略性或交互性的(例如，较少的提醒、不同的内容等)，而设置e可能是最具交互性的。因此，在某些实施例中，应用程序配置108可以包括多个特征和特征设置组合(“ffsc”)，其中每个特征和特征设置组合对应于具有特定设置(例如，设置a)的特定特征(例如，锻炼管理特征)。在此粒度级别定义特征可有助于确定哪些锻炼管理特征和设置对用户实现其目标有用，哪些没用。例如，如关于图3进一步描述的，在帮助他们实现目标方面，用户的行为指标128可以指示具有设置a的锻炼管理特征1对用户没有用，而与分层的用户组相关的信息可以指示也发现具有设置a的锻炼管理特征1的某些用户没有用，相反，发现具有设置b的锻炼管理特征1非常有用。在这样的实例中，aacm 115可以将具有设置a的锻
炼管理特征1替换为具有设置b的锻炼管理特征1。相反，如果仅定义了具有单一设置的单一锻炼管理特征，则可能更难以确定用户认为该特征真正有用的地方以及用户不喜欢使用该特征的哪些方面。下面更详细地描述了另外的示例特征。
64.如上所述，在某些实施例中，应用程序106被配置为将与用户有关的信息作为输入并将该信息存储在用户的用户配置文件116中。例如，应用程序106可以在用户配置文件116中获得和记录用户的人口统计信息118、疾病进展信息120和/或用药信息122。在某些实施例中，人口统计信息118可以包括用户的年龄、bmi(体重指数)、种族、性别等中的一项或多项。在某些实施例中，疾病进展信息120可以包括关于用户疾病的信息，诸如用户是否是i型、ii型或糖尿病前期，或用户是否患有妊娠糖尿病。在某些实施例中，关于用户疾病的信息还可以包括自诊断以来的时间长度、糖尿病控制的水平、对糖尿病管理治疗的依从性水平、预测的胰腺功能、其他类型的诊断(例如，心脏病、肥胖症)或健康测量(例如，心率、锻炼、压力、睡眠等)和/或类似内容。在某些实施例中，用药方案信息122可以包括关于用户服用的胰岛素或非胰岛素糖尿病药物和/或非糖尿病药物的量和类型的信息。
65.在某些实施例中，应用程序106可以从用户以用户输入的形式或从其他来源获得人口统计信息118、疾病进展信息120和/或用药信息122。在某些实施例中，随着这些信息中的一些改变，应用程序106可以从用户或其他来源接收更新。在某些实施例中，用户配置文件，其包括用户配置文件116，存储在用户数据库110中，其可由应用程序106以及决策支持引擎112通过一个或多个网络(未示出)访问。在一些实施例中，用户数据库110是指可以在公共或私有云端中操作的存储服务器。
66.在某些实施例中，除了用户的人口统计信息118、疾病进展信息120和/或用药信息122之外，应用程序106还获得附加的一组输入127，该组输入也被特征1-n利用来向用户提供指导。在某些实施例中，这种输入127是在连续的基础上获得的。在某些实施例中，应用程序108通过用户输入和/或多个其他来源接收输入127(例如，其包含图2的输入210和输入220)，所述其他来源包括葡萄糖监测系统104、在移动装置107上运行的其他应用程序，和/或一个或多个其他传感器和装置。在某些实施例中，这样的传感器和装置包括以下的一个或多个：胰岛素泵、其他类型的分析物传感器、由移动装置107提供的传感器或装置中(例如，加速度计、照相机、全球定位系统(gps)、心率监测器等)或其他用户配件(例如，智能手表)，或任何其他提供关于用户的相关信息的传感器或装置。
67.在某些实施例中，应用程序106进一步使用输入127的至少一部分来获得多个指标，例如行为指标128和结果指标130。正如关于图2进一步描述的，在某些实施例中，应用程序106将输入127的至少一部分传输给dam 113进行处理，基于此，dam 113生成多个指标。在某些实施例中，行为指标128和结果指标130然后可以被应用程序106用作用于向用户提供指导的特征1-n的输入。在某些实施例中，行为指标128和结果指标130也存储在用户配置文件116中，aacm 115可以使用该配置文件来调整应用程序配置108。
68.在某些实施例中，行为指标128是一组指标，其可以指示用户的行为和习惯，例如以下的一种或多种：用户关于应用程序的行为或交互、用户关于疾病治疗的行为、健康相关行为等。行为指标128可以包括实时指标、过去指标和/或趋势。结果指标130至少在某些情况下可以大体指示用户的健康或状态，例如以下的一种或多种：用户的生理或心理状态(例如，压力水平、幸福等)、与用户的健康或状态相关的趋势、基于用户的健康或状态的用户距
离满足他们的目标多远或接近等。在某些实施例中，结果指标130可以与行为指标128直接相关，这意味着结果指标130可以是用户行为或行为模式的结果。结果指标130的实例包括与代谢率、葡萄糖水平和趋势相关的指标、用户的健康或疾病等中的一个或多个。在某些实施例中，结果指标130可以包括实时指标、过去指标和/或趋势。
69.在某些实施例中，用户配置文件116还包括用户目标132、兴趣134和能力136，在某些实施例中，它们或者由应用程序106以用户输入的形式从用户获得，或者由应用程序106基于用户提供的信息生成，如关于图3所描述的。在某些实施例中，目标132涉及用户在改善他们的健康方面打算实现的目标，例如以下的一项或多项：体重减轻、膳食选择、药物提醒、降低a1c、药物给药方案、睡眠、范围内时间、减少低血糖事件等，以及他们的心理状态。在某些实施例中，目标132可以是动态的，这意味着用户可以随着时间改变他们的目标。在一些实施例中，目标132是可测量的指标，使得决策支持引擎112能够基于结果指标130确定目标132是否得到满足。
70.此外，在某些实施例中，使用目标132，决策支持引擎112能够跟踪或确定应用程序配置108的有效性。例如，如果用户正在实现或朝着实现目标132前进，则决策支持引擎112可以将其视为应用程序配置108的特征至少在某种程度上帮助用户的指示。相反，如果用户没有实现或朝着实现目标132前进，那么这可能表明可以改进应用程序配置108。在某些实施例中，兴趣134是指用户的兴趣，例如用户对一种或多种不同的活动、食物、睡眠量、某些类型的疗法和/或药物等的兴趣。在某些实施例中，能力136是指用户的能力，例如用户执行可能以指导的形式向用户推荐的活动池中的一项或多项的能力。实例包括身体残疾、不能吃某些食物、不能从事某些类型的活动、不能在某些时间从事某些活动但在其他时间能从事等的一种或多种。
71.在某些实施例中，用户配置文件116是动态的，因为存储在用户配置文件116中的信息的至少一部分可以随着时间而被修改和/或新信息可以被应用程序106添加到用户配置文件116。在某些实施例中，aacm 115被配置为基于动态用户配置文件116和/或用户数据库110中的用户池的动态用户配置文件来调整应用程序配置108，以便提供帮助用户实现目标132的指导。调整应用程序配置108可以包括改变(例如，添加或移除)特征1-n的集合和/或改变特征1-n中的一个或多个的设置。换言之，在某些实施例中，每个特征也是自适应的，因为可以调整特征的设置。
72.尽管不限于此列举，但一些示例性特征可以包括目标设置和识别特征、奖励特征、报告特征、行为干预特征、用药提醒特征、血糖影响估计器特征、教育特征等中的一个或多个。
73.如下文进一步描述的，在某些实施例中，目标设置和识别特征可以指导用户通过定义一组目标，用户可以期望在应用程序106的帮助下实现这些目标。在某些实施例中，奖励特征可以向用户提供奖励以鼓励健康行为。
74.在某些实施例中，报告特征可以以各种形式向用户提供报告。例如，报告特征可以被配置为隔离(isolate)血糖波动并将其报告给用户，以便使用户能够思考这种血糖波动的原因。如本领域普通技术人员所理解的，可以以各种形式向用户提供报告。例如，报告特征可以显示用户的葡萄糖测量趋势图，其中两次血糖波动突出显示文字“您今天有两次高葡萄糖事件；第一次持续了55分钟，第二次持续了30分钟。”在一个实例中，报告特征可以提
供下午报告，该报告提供关于用户当天迄今为止的血糖平均值的信息，指示保持跟踪用户目标所需的休息日平均值，并推荐低血糖负荷或体育活动。在另一个实施例中，报告特征可以提供包括每日、每周和每月血糖平均值以及估计的a1c的夜间总结。该总结通知用户第二天的血糖平均值必须是多少才能使用户达到他们的a1c目标。在某些实施例中，该总结在晚上8点发送给用户，并且如果用户还没有阅读，则在早上第一件事再次推送。
75.在某些实施例中，报告特征可以集中于为用户提供可教学时刻。在某些实施例中，可教学时刻识别行为(例如，体育活动、饮食、用药依从性和睡眠)对血糖的影响。可教学时刻可以以通知的形式推送给用户和/或记录在葡萄糖监测曲线上以供用户及时查看。例如，可教学时刻可以直观的显示在曲线上，并描述行为和葡萄糖反应，以便通知用户是什么行为导致了什么葡萄糖反应。
76.当用户在上午10点左右吃了的会提高他们的血糖的高血糖负荷早餐时，就可以提供一个积极的教学时刻的实施例。在某些实施例中，基于来自用户的加速度计的输入，然后报告特征可以确定用户进行了30分钟的步行，这导致用户的血糖返回到他们的目标范围。在某些实施例中，报告特征将该事件标记为可教学时刻(例如，通过在cgm曲线上显示星号)并且可以向用户发送通知，内容为：“做得真棒，sharon！由于您30分钟的步行，您的血糖现在又回到了您想要的水平。”77.在某些实施例中，行为干预特征包括用于改变用户行为的任何特征，例如通过鼓励用户参与某个行为或制止参与某个行为。作为实施例，行为特征可以被配置为向用户发送推送通知，以鼓励用户参与某个行为。行为特征还能够例如基于用户过去的行为来确定用户将要参与某个行为，并向用户发送推送通知，要求其不参与这样的行为。在一些实施例中，向用户推送通知可以基于与用户相关的信息(例如，目标132、结果指标130、行为指标128等)和/或与分层用户组相关的信息。例如，推送通知的内容(例如，推送通知推荐的行为的类型或细节)可以基于与导致分层组中的其他用户实现相同目标的行为类型相关的数据。
78.例如，一种行为干预特征可涉及锻炼管理，为此可以提供一个或多个锻炼管理特征。实施例包括锻炼管理特征，其根据确定用户的葡萄糖水平是高的或处于缺乏锻炼可能导致用户的葡萄糖水平增加的水平时，通过推送通知鼓励用户锻炼。在某些实施例中，锻炼管理特征可以被配置为接收和分析来自加速度计、全球定位系统(gps)、心跳监测传感器、葡萄糖监测系统104和/或其他类型的传感器和装置的数据，以便为用户提供更有效和量身定制的指导。例如，通过从这些传感器和装置中的一个或多个接收信息，锻炼管理特征可能能够确定以下的一项或多项：用户是否实际参与锻炼，用户应该锻炼多长时间以确保用户的血糖恢复正常范围，用户应该走什么步行路线等。
79.在某些实施例中，另一种类型的行为干预特征可以涉及饮食管理，为此可以提供一个或多个饮食管理特征。例如，饮食管理特征可以充当虚拟营养师，用于向用户提供关于何时吃、吃什么、吃多少等中的一个或多个的指导。在某些实施例中，饮食管理特征可以基于用户的一个或多个实时条件(例如，实时血糖测量值)、用户身体对某些膳食的反应等提供个性化的膳食推荐。在某些实施例中，饮食管理特征还可以帮助用户进行膳食准备和/或购物和/或允许用户输入关于用户所摄入的膳食的信息以了解营养价值等。在某些实施例中，饮食管理特征可以进一步以下的一项或多项：在餐馆提出菜单和原材料替代建议，或建
议特定地理区域内的健康餐厅和食品杂货店。在某些实施例中，饮食管理特征还可以基于关于用户的膳食信息的信息来提供通知。例如，如果用户已经用餐并且之后他们的血糖没有降低回目标区域(例如，下一个餐前峰值(在初始用餐相关的葡萄糖升高后2小时)超过180mg/dl)，然后可以向用户发出紧急警报以立即进行锻炼。然而，如果用户最近一餐的前餐峰值低于180mg/dl，并且餐前葡萄糖在范围内(80-130)，那么如果用户在下一餐后收到警报，饮食管理特征可能会随机化(例如，将发送警报的可能性降低33％)。请注意，上述运动和饮食管理特征仅仅是行为干预特征的两个实施例。
80.在某些实施例中，用药管理特征可以向用户提供关于以下一项或多项的通知：用户何时需要服药、用户应该服用什么类型的药物(例如，用于ii型糖尿病患者的口服药物和用于i型糖尿病患者的胰岛素注射等)、什么剂量或量等。用药管理特征可以基于用户的特定信息提供这样的通知，例如用户的一种或多种疾病(例如，i型或ii型)、当前结果指标116(例如，当前血液水平和指标)等。在某些实施例中，用药管理特征还可以进行以下一项或多项：跟踪用户如何遵循用药计划、在用户用完药物之前为用户自动订购药物和/或提供关于药物本身的信息(例如，教育用户关于药物的影响和功效)。例如，用药管理特征可以询问患者是否服用了药物。如果用户连续三次回答“是”，那么用药管理特征可能会随机化，并分配33％的机会在第二天询问用户。如果用户连续三次没有回答“是”，那么用药管理特征可以向用户发送提醒以提醒用户在第二天服药。
81.在某些实施例中，用药管理特征可以基于用户当前结果指标130自动与胰岛素给药装置(例如，泵)通信，以使该装置施用正确剂量的胰岛素。例如，用药管理特征可以考虑用户当前的葡萄糖水平和指标，并确定要施用的精确量的长效胰岛素。在某些实施例中，用药管理特征可以向药物施用装置发送信号以施用所述量的胰岛素。在某些实施例中，当给用户提供指导(例如，当计算要施用的胰岛素量时)，用药管理特征考虑与用户的分层组有关的信息。
82.其他行为管理特征可包括合并症管理特征、肥胖和体重管理特征以及性别特定特征。合并症管理特征可包括心血管健康管理特征(例如，通过替换典型的实验室特定心肺指标，为心血管健康提供乳酸盐指导锻炼课程)、肝脏健康管理特征(例如，提供对用户空腹乳酸盐水平和乳酸盐清除率的洞察)，以及为患有慢性肾脏疾病的用户管理葡萄糖的特征(例如，在a1c不是血糖状态的良好指标的情况下，患有肾脏疾病的患者可以接受葡萄糖衍生的指标)。
83.肥胖和体重管理特征可以(1)通过使用乳酸盐和/或甘油测量提供用于体重管理/减肥的“fatmax”(脂肪燃烧峰值点)锻炼指导训练，(2)针对对生酮饮食感兴趣的那些，提供膳食特定指导，以及(3)针对1型糖尿病、2型糖尿病和/或对健康和保健感兴趣的用户，提供以乳酸盐测量为指导的锻炼后营养特定准则。
84.性别特定特征包括(1)使用来自温度数据的传感器数据提供与月经周期变化相关的葡萄糖管理指导的特征，以及(2)为男性用户提供葡萄糖管理指导以降低其最大葡萄糖浓度并增加长寿。
85.在某些实施例中，血糖影响估计器特征可以使用移动装置107的相机来扫描菜单并将每个膳食项目转换成估计的血糖影响指标。在一些实施例中，血糖影响估计器特征显示叠加在菜单项上的血糖影响指标。在一些实施例中，血糖影响指标基于来自用户的分层
组的用户配置文件的数据。在一些实施例中，血糖影响估计器特征可以基于项目使用不同颜色的健康程度来突出显示不同的菜单项目(例如，绿色表示较健康的项目，红色表示不健康的项目)。
86.在某些实施例中，教育特征教育用户关于用户的状况以及用户可以如何改善他/她的健康。在一个实例中，教育特征向用户介绍如果用户采用某种生活方式，用户可能会看到的潜在影响。在某些实施例中，为了确定潜在影响，教育特征可以考虑分层组中采用相同生活方式的其他用户所经历的影响。例如，教育特征可向用户说明：“通过遵循该程序，像您这样的患者能够每月减重3磅或将其a1c降低5％。”在某些实施例中，教育特征还可以教育用户关于潜在行为的原因和影响，诸如基于分层组中的用户所经历的影响。在另一实例中，教育特征就基于用户的目标132、兴趣134和/或能力136选择和定制的主题对用户进行教育。
87.图1b更详细地图示了葡萄糖监测系统104。图1b还图示了多个移动装置107a、107b、107c和107d。注意图1a的移动装置107可以是移动装置107a、107b、107c或107d中的任何一个。换言之，移动装置107a、107b、107c或107d中的任何一个可以被配置为执行应用程序106。葡萄糖监测系统104可以与移动装置107a、107b、107c和/或107d通信耦合。
88.通过概述和实施例的方式，葡萄糖监测系统104可以被实现为封装的微控制器，其制作传感器测量值、生成分析物数据(例如，通过计算连续葡萄糖监测数据的值)以及参与无线通信(例如，通过蓝牙和/或其他无线协议)将此类数据发送到远程装置，例如移动装置107a、107b、107c和/或107d。美国专利号2019/0336053的第[0137]-[0140]段和图3a、3b和4进一步描述了一种皮肤上传感器组件，在某些实施例中，该组件可与葡萄糖监测系统104结合使用。美国专利号2019/0336053的第[0137]-[0140]段和图3a、3b和4通过引用并入本文。
[0089]
在某些实施例中，葡萄糖监测系统104包括分析物传感器电子模块138和与分析物传感器电子模块138关联的葡萄糖传感器140。在某些实施例中，分析物传感器电子模块138包括与测量和处理分析物传感器数据或信息相关联的电子电路，其包括与分析物传感器数据/信息的处理和/或校准关联的算法。分析物传感器电子模块138可以物理地/机械地连接到葡萄糖传感器140，并且可以集成到(即，不可释放地附接到)或可释放地附接到葡萄糖传感器140。
[0090]
分析物传感器电子模块138也可以与葡萄糖传感器140进行电耦合，使得部件可以相互电耦合。分析物传感器电子模块138可以包括硬件、固件和/或软件，它们能够通过葡萄糖传感器140(例如，可以是/包括葡萄糖传感器)测量和/或估计用户体内的分析物水平。例如，分析物传感器电子模块138可以包括一个或多个恒电位仪、用于向葡萄糖传感器140提供电力的电源、用于信号处理和数据存储的其他组件、以及用于将数据从传感器电子模块传输到一个或多个显示装置的遥测模块。电子设备可以固定在葡萄糖监测系统104或平台等内的印刷电路板(pcb)上，并且可以采用多种形式。例如，电子设备可以采用集成电路(ic)的形式，例如专用集成电路(asic)、微控制器、处理器和/或状态机。
[0091]
分析物传感器电子模块138可以包括传感器电子设备，其被配置为处理传感器信息，例如传感器数据，并生成转换的传感器数据和可显示的传感器信息。用于处理传感器分析物数据的系统和方法的实施例在本文和美国专利号7,310,544和6,931,327和美国专利公开号2005/0043598、2007/0032706、2007/0016381、2008/0033254、2005/0203360、2005/
0154271、2005/0192557、2006/0222566、2007/0203966和2007/0208245中被详细地描述，所有这些都通过引用整体并入本文。
[0092]
葡萄糖传感器140被配置为测量用户102中分析物的浓度或水平。术语分析物由美国申请号2019/0336053的第[0117]段进一步定义。美国申请号2019/0336053的第[0117]段通过引用并入本文。在一些实施例中，葡萄糖传感器140包括连续葡萄糖传感器，诸如皮下、透皮(例如，经皮)或血管内装置。在一些实施例中，葡萄糖传感器140可以分析多个间歇血样。葡萄糖传感器140可以使用任何葡萄糖测量方法，包括酶法、化学法、物理法、电化学法、分光光度法、旋光法、量热法、离子电渗法、辐射法、免疫化学法等等。与连续葡萄糖传感器有关的额外的细节在美国申请号13/827,577的第[0072]-[0076]中提供。美国申请号13/827,577的第[0072]-[0076]通过引用并入本文。
[0093]
进一步参考图1b，移动装置107a、107b、107c和/或107d可以被配置为显示(和/或警报)可由传感器电子模块138传输的可显示传感器信息(例如，根据各自的偏好传输到显示装置的定制数据包中)。移动装置107a、107b、107c和/或107d中的每一个可以分别包括诸如触摸屏显示器109a、109b、109c和/或109d的显示器，其用于显示应用程序106的图形用户界面，以向用户102呈现传感器信息和/或分析物数据和/或接收来自用户102的输入。在某些实施例中，移动装置可以包括其他类型的用户界面，诸如代替或除了触摸屏显示器之外的语音用户界面，其用于将传感器信息传送给移动装置的用户102和/或接收用户输入。在某些实施例中，移动装置107a、107b、107c和/或107d中的一个、一些或全部可以被配置为在传感器信息从传感器电子模块138传送时显示或以其他方式传送传感器信息(例如，在传送到相应显示设备的数据包中)，而不需要校准和/或实时显示传感器数据所需的任何额外的预期处理。
[0094]
图1b中所描绘的多个移动装置107a、107b、107c和/或107d可以包括定制的或专有的显示装置，例如分析物显示装置107b，特别设计用于显示与从传感器电子模块138接收的分析物数据关联的特定类型的可显示传感器信息(例如，某些实施例中的数值和/或箭头)。在某些实施例中，多个移动装置107a、107b、107c和/或107d之一包括基于android、ios或被配置成显示连续传感器数据(例如，包括当前和/或历史数据)的图形表示的另一操作系统的智能手机，诸如移动电话107c。
[0095]
图2根据某些实施例，更详细地说明了基于输入确定的示例性输入和示例性指标。图2示出了左侧的示例性输入210和220、中间的应用程序106和dam 113以及右侧的结果指标130和行为指标128。应用程序106通过一个或多个通道(例如，手动用户输入、传感器、在移动装置107上执行的其他应用程序等)获得输入210和220，其是输入127的部分。在某些实施例中，应用程序106的特征1-n可以使用输入210和220来向用户提供指导。输入210和220还可以由dam 113进一步处理，以输出多个指标，诸如结果指标130和行为指标128，应用程序106的特征1-n可以类似地使用这些指标来向用户提供指导。
[0096]
如上所述，在某些实施例中，aacm 115也使用结果指标130和行为指标128来调整应用程序配置108。在一个实例中，输入210被dam 113用来输出结果指标130，而输入220被用来输出行为指标128。然而，在其他实例中，输入210和220中的任何一个都可以用于计算结果指标130和行为指标128中的任何一个。在某些实施例中，每个指标可对应于一个或多个值，例如，离散数值、范围或定性值(高/中/低或稳定/不稳定)。
[0097]
在某些实施例中，从输入210开始，食物摄入信息可包括关于膳食、零食和/或饮料中的一种或多种的信息，诸如大小、含量(碳水化合物、脂肪、蛋白质等)、摄入顺序和摄入时间中的一种或多种。在某些实施例中，食物摄入信息可通过用户手动输入、通过被配置为识别食物类型和数量的应用程序提供照片，和/或通过扫描条形码或菜单来提供。在各种实施例中，膳食大小可以手动输入为卡路里、数量('三个饼干')、菜单项('皇家奶酪')和/或食物交换份(1个水果、1个乳制品)中的一项或多项。在一些实施例中，还可以输入针对该时间或环境的用户典型项目或组合的膳食(例如，工作日在家吃早餐，周末在餐厅吃早午餐)。在一些实施例中，可以通过由应用程序106提供的便捷用户界面来接收膳食信息。
[0098]
在某些实施例中，活动信息也作为输入提供。例如，活动信息可以由可穿戴装置(例如手表、健身追踪器和/或贴片(patch))上的加速度计传感器提供。在某些实施例中，也可以通过手动用户输入来提供活动信息。
[0099]
在某些实施例中，还可以提供患者统计数据，例如年龄、身高、体重、体重指数、身体成分(例如，体脂百分比)、身高、体型或其他信息中的一项或多项。在某些实施例中，患者统计数据通过用户界面、与诸如电子病历之类的电子源的接口和/或从测量装置提供。在某些实施例中，在某些实施例中，测量装置包括一个或多个无线装置，例如支持蓝牙、体重秤和/或摄像头，例如，它们可以与移动装置107通信以提供患者数据。
[0100]
在某些实施例中，可以通过智能笔上的无线连接、通过用户输入和/或从胰岛素泵接收与患者的胰岛素输送有关的输入。胰岛素输送信息可以包括胰岛素体积、输送时间等中的一项或多项。也可以接收其他参数，例如胰岛素作用时间或胰岛素作用的持续时间作为输入。
[0101]
在某些实施例中，还可以从传感器接收输入，例如生理传感器，其可以检测心率、呼吸、氧饱和度或体温中的一项或多项(例如检测疾病)。在某些实施例中，电磁传感器还可以检测从接触或靠近该对象的对象或工具发射的低功率射频场，这可以提供关于患者活动或位置的信息。可以从传感器接收的信息的一个实施例是用户的血糖值。
[0102]
在某些实施例中，还可以例如通过葡萄糖监测系统104提供血糖信息作为输入。在某些实施例中，可以从一个或多个跟踪用户何时服用药物的智能药物分配器、血液酮计、实验室测量或估计的alc、长期控制的其他测量、或使用触觉响应测量外周神经病变的传感器(例如通过使用智能手机或专业设备的触觉特征)接收血糖信息。
[0103]
在某些实施例中，还可以提供时间作为输入，例如一天中的时间，或来自实时时钟的时间。
[0104]
通过用户界面(诸如移动装置107的用户界面)的用户输入可以包括用户可以提供给应用程序106的任何其他类型的输入，例如上述其他类型的输入210。例如，在某些实施例中，用户输入可以包括以下一种或多种：精神状态或紧张性刺激信息、治疗的输送(诸如使用胰高血糖素刺激肝脏释放糖原以响应低血糖)、推荐的基础率或胰岛素与碳水化合物的比率(例如，从临床医生接收)、记录的活动(例如，强度、持续时间和完成或开始的时间)等的一个或多个。在某些实施例中，用户输入还可以指示药物摄入(例如，药物的类型和剂量以及服药时间)。
[0105]
如上所述，在某些实施例中，dam 113基于输入210确定或计算用户的结果指标130。图2中示出了结果指标130的示例性列表。
[0106]
在某些实施例中，代谢率是可以指示或包括基础代谢率(例如，静止时消耗的能量)和/或活动代谢(例如，诸如锻炼或发力等活动所消耗的能量)的指标。在一些实施例中，可以将基础代谢率和活动代谢作为单独的结果指标来跟踪。在某些实施例中，代谢率可以由dam113基于输入210中的一个或多个，诸如活动信息、传感器输入、时间、用户输入等中的一个或多个来计算。
[0107]
在某些实施例中，活动水平指标可以指示用户的活动水平。在某些实施例中，例如基于来自活动传感器或其他生理传感器的输入来确定活动水平指标。在某些实施例中，活动水平指标可以由dam 113基于输入210中的一个或多个，例如活动信息、传感器输入、时间、用户输入等中的一个或多个来计算。
[0108]
在某些实施例中，可以使用历史数据、实时数据或它们的组合，并且可以例如基于一个或多个输入210，诸如食物食用信息，血糖信息、胰岛素输送信息、得到的葡萄糖水平等中的一个或多个，来确定胰岛素敏感性指标。在某些实施例中，可以使用胰岛素输送信息、和/或已知或获知(例如，从患者数据)胰岛素时间作用曲线来确定活性胰岛素(insulin on board)指标，这可以解释基础代谢率(例如，更新胰岛素以维持身体运作)和由活动或食物摄入驱动的胰岛素使用。
[0109]
在某些实施例中，进餐状态指标可以指示用户在食物进食方面所处的状态。例如，进餐状态可以指示用户是否处于禁食状态、餐前状态、进食状态、餐后响应状态或稳定状态之一。在某些实施例中，进餐状态还可以指示活性营养(nourishment on board)，例如，摄入的膳食、零食或饮料，并且可以例如根据食物摄入信息、进餐时间信息和/或消化率信息来确定，这可以与食物类型、数量和/或顺序相关(例如，先吃哪种食物/饮料)。
[0110]
在某些实施例中，健康和疾病指标可以，例如，基于来自生理传感器(如温度)、活动传感器或其组合的一个或多个用户输入(例如，妊娠信息或已知疾病信息)来确定。在某些实施例中，基于健康和疾病指标的值，例如，用户的状态可以被定义为健康、生病、休息或疲惫中的一种或多种。
[0111]
在某些实施例中，可以从传感器信息(例如，从葡萄糖监测系统104获得的血糖信息)确定葡萄糖水平指标。在一些实施例中，还可以，例如，基于关于特定情况下的葡萄糖水平的历史信息来确定葡萄糖水平指标，例如，给定一种食物摄入、胰岛素和/或活动的组合。在某些实施例中，可以基于某个时间段内的葡萄糖水平来确定血糖趋势。
[0112]
在某些实施例中，结果指标还包括疾病阶段，诸如ii型糖尿病患者。ii型糖尿病患者的示例性疾病阶段可以包括前驱糖尿病阶段、口服治疗阶段和基础胰岛素治疗阶段。在某些实施例中，血糖控制程度(未显示)也可以作为结果指标来确定，并且可以基于例如葡萄糖水平、葡萄糖水平的变化或胰岛素给药模式中的一种或多种。
[0113]
在某些实施例中，临床指标通常指示相对于用户的一种或多种病况(诸如糖尿病)用户所处的临床状态。例如，在糖尿病的情况下，临床指标可以根据血糖测量值来确定，包括a1c、a1c趋势、范围内时间、低于阈值水平所用的时间、高于阈值所用的时间和/或来自血糖值的其他指标的一个或多个。在某些实施例中，临床指标还可以包括估计的a1c、血糖变异性、低血糖、和/或健康指标(超出目标区域的时间量)中的一项或多项。
[0114]
在某些实施例中，计划结果是被计算以确定用户在实现其定义的目标方面的成功程度的指标，如下文进一步描述的。例如，dam 113可以将上述任何相关的一个或多个结果
指标作为输入，然后确定用户距离实现相应目标的距离或接近程度，该相应目标也可以根据具体指标来定义。在某些实施例中，结果指标是否相关取决于用户的目标。例如，如果用户的目标是维持5％的a1c，则可以使用诸如葡萄糖水平、葡萄糖趋势、临床指标等中的一项或多项的指标来确定用户是否满足该目标。在某些实施例中，dam 113还可以使用输入210来确定用户是否满足他们的目标。例如，如果用户的目标是减掉5磅，那么与用户体重相关的用户输入可用于确定指示用户是否减掉5磅的计划结果指标。在一个实例中，计划结果指标可以使用百分比来量化。例如，如果上例中的用户减掉了3磅，那么用户关于该目标的计划结果指标可能是60％(3/5)。在某些实施例中，dam 113还可以评估关于输入210和结果指标130的趋势以确定关于实现目标，用户在实现目标方面的进展(即，用户是否正朝着正确的方向移动)，即使用户可能还没有达到目标。
[0115]
图2还图示了基于输入220确定的行为指标。在某些实施例中，输入220包括用户输入，例如通过用户界面的输入。在某些实施例中，用户输入或缺少输入可以指示用户对某个ffsc的兴趣水平。对ffsc的兴趣程度可以表明用户认为ffsc在帮助用户实现其目标方面的帮助程度。例如，对于某个ffsc，可能记录了用户兴趣低，如果用户忽略了ffsc的某个提醒，没有输入ffsc要求的信息，具体表示用户不喜欢某种形式的引导或ffsc提供的交互。在某些实施例中，用户输入还可以指示药物摄入(例如，药物的类型和剂量和/或服用药物的时间)。在某些实施例中，输入220还包括日历信息，例如从在移动设备107上执行的计算机或智能手机日历应用程序接收的可用性或活动信息。在某些实施例中，输入220还包括如上所述的活动信息。在某些实施例中，输入220还包括关于用户的位置(例如，gps数据)和/或时间(例如，来自实时时钟)的信息。上面描述了来自传感器的输入以及与用户的食物消耗有关的输入。在某些实施例中，附加输入也是可能的。
[0116]
如上所述，在某些实施例中，dam 113基于输入210确定或计算用户的行为指标128。图2中示出了行为指标128的示例性列表。行为指标包括以下一项或多项：行为参与指标和/或与膳食习惯、疾病治疗依从性、药物类型和依从性、医疗保健利用、锻炼方案、行为状态等中的一项或多项相关的指标。
[0117]
在某些实施例中，行为参与度指标(bem)指示与用户与应用程序106的某个ffsc的交互相关的参与度。在某些实施例中，可以为应用程序配置108中的每个ffsc计算bem，如下面进一步描述的。在某些实施例中，与某个ffsc相关联的bem可以基于用户与特征的交互来计算，该交互由作为输入220的一部分和/或诸如时间和日历(例如，以计算交互频率等)的其他输入提供的用户输入表示。例如，某个ffsc的bem可以基于例如以下一项或多项的信息计算：用户与ffsc交互的频率、用户忽略ffsc生成的指导的频率、用户与ffsc交互所花费的平均时间量等。在一些实施例中，用户与ffsc或其他与时间相关的数据点交互的频率可以基于例如保存以下一个或多个的记录的交互日志计算：用户每次与特征交互的时间、用户与特征交互所花费的时间量等。在某些实施例中，为ffsc计算的bem还可以考虑用户对ffsc的行为的一致性。在某些实施例中，为ffsc计算的bem也可以考虑用户对ffsc的行为的可靠性。行为可靠性可能与用户对ffsc的行为的置信度或确定性水平有关。
[0118]
在某些实施例中，bem还可以基于其他行为指标，例如以下的一项或多项：饮食习惯、服药依从性、血糖数据等，因为这些其他行为指标可以指示用户对应用程序106的参与程度。作为实例，可以考虑与用户的饮食习惯相关的指标以确定用户对饮食管理相关的
ffsc的bem。例如，如果用户没有食用饮食管理ffsc推荐的膳食类型(这可以基于食物消费信息来确定)，则用户对饮食管理ffsc的bem可以降低。在某些实施例中，与饮食管理相关的ffsc(ffsc
x
)的bem可以计算为：
[0119]
bem
ffscx
＝(w1)(用户交互) (w2)(mh)
…
[0120]
在上面的公式中，w1是一个定义的权重，可以分配给用户与ffsc
x
的交互。w2是可以分配给用户的膳食习惯指标的定义的权重。额外的和/或替代的指标可以被考虑或包含在上面的公式中，用于计算ffsc
x
的bem指标。不仅可以基于用户与ffsc的交互，而且在某些实施例中，还可以基于其他相关的行为指标来类似地计算其他ffsc的bem。
[0121]
在某些实施例中，用餐习惯是通过基于用户用餐的内容和时间的一个或多个指标来测量的。例如，在实施例中，如果用餐习惯指标在0到1的范围内，那么用户吃的越好/健康，其用餐习惯指标的值就越高，其将为1。此外，在实施例中，用户的食物摄入越遵守特定的时间表，他们的用餐习惯指标将越接近1。在某些实施例中，疾病治疗和依从性由一个或多个指标测量，这些指标指示用户对治疗其疾病的遵循程度。在某些实施例中，疾病治疗和依从性指标基于用户的饮食或食物摄入、锻炼方案、用药依从性等中的一项或多项来计算。在某些实施例中，用药依从性是通过一个或多个指标来衡量的，这些指标表明用户对其用药方案的遵循程度。在某些实施例中，用药依从性指标是基于用户服用药物的时间(例如，用户是否按时或按时)、药物类型(例如，用户服用正确的药物)、药物剂量(例如，用户服用的剂量是否正确)中的一项或多项来计算的。
[0122]
在某些实施例中，医疗保健利用通过一个或多个指标来衡量，这些指标指示用户使用药房或拜访医疗专业人员的频率。在某些实施例中，医疗保健利用指标是基于用户输入以及位置输入、日历输入等中的一项或多项计算的，该用户输入包括关于用户的处方、药房就诊、医院就诊等的信息中的一项或多项。在某些实施例中，锻炼方案由一个或多个指标测量，这些指标指示用户参与的活动类型、活动的强度、用户参与此类活动的频率等中的一项或多项。在某些实施例中，可以基于一个或多个活动传感器、日历输入、用户输入等来计算锻炼方案指标。在某些实施例中，用户的行为状态指用于测量用户的当前行为(例如睡眠状态(例如睡着或休息或醒着，其可以从活动传感器、日历或其他信息推出)、食欲(其可以例如从膳食模式推出)等)的一个或多个指标。
[0123]
图3是说明由系统(例如，系统100)执行的示例操作300的流程图，该操作用于基于与用户相关的信息和/或与诸如在一个或多个方面与用户相似的分层用户组的用户池相关的信息来选择应用程序的配置并对其进行调整。操作300在下面参考图1和2及其组成部分进行描述。
[0124]
在步骤302，操作300开始于确定应用程序106的用户的目标。在一些实施例中，步骤302可以由应用程序106执行。在一个实例中，应用程序106可以在初始设置过程期间确定用户的目标132，例如当用户第一次下载应用程序时。在另一个实例中，应用程序106可以在稍后时间确定用户的目标132(“目标”)。在这样的实例中，用户可以使用应用程序106一段时间，然后决定与应用程序106交互以设置一些目标。如上所述，在某些实施例中，应用程序106可以使用目标设置和识别特征(osif)，其被配置为通过与用户的某种交互来确定用户的目标。
[0125]
在某些实施例中，通过确定用户的目标，应用程序106能够确定什么对用户真正重
要以及用户如何定义成功。在一些实施例中，osif可以通过向用户提供允许用户输入他们的目标的用户界面来询问用户以确定目标。例如，用户界面可以包括具有一些潜在目标的下拉菜单，用户可以从中进行选择。例如，下拉菜单可包括以下选项：a)“我想减肥”，b)“我想晚上睡得更好”，c)“我想更好地管理我的血糖夜间水平”，d)“我想改进我的膳食选择”，e)“我想优化我的给药方案”，f)“我想改善我的范围内时间”等。如本领域普通技术人员所理解的，可以使用多种其他交互式用户界面选项来获得用户的输入。
[0126]
在一些实施例中，osif可以通过与用户进行对话来获得用户的目标。在一个实例中，osif可以使用聊天机器人与用户进行对话。在另一个实例中，osfi可以通过询问用户该用户的目标是什么来通过语音与用户交互。在这样的实施例中，用户的响应可以使用语音识别特征进行处理和记录为文本。然后可以使用自然语言处理特征处理文本以得出一个或多个目标。在某些实例中，osif可能向用户提出直接询问用户目标的问题，例如：“告诉我你的目标是什么”。在其他实例中，osif可以与用户进行更随意的对话，并从用户的响应中推断出用户的目标。例如，osif可能通过以下方式开始与用户对话：“告诉我您的糖尿病管理在完美世界中会是什么样子？”或“您将如何衡量您对糖尿病所做的工作？”在这些实例中，osif从用户的响应中推断出目标。
[0127]
在一些实例中，用户关于他/她的目标的输入可以是非常具体和可量化的。例如，用户可以将目标定义为“将我的a1c降低两个整点”。在其他实例中，osif可以允许用户以不太具体和更定性的格式定义目标，以使用户更容易进行目标确定过程。例如，osif可以为用户提供以下选项：“我想争取
‘
正常’血糖控制”或“我想争取积极的血糖控制”等。在一个实例中，作为响应，用户可以选择第一个选项，在该选项中，osif可以检查应用程序106可以配置的一组准则，以将“正常”葡萄糖控制转换或转化为具体和可量化的目标。例如，如果osif已确定用户怀孕，则“正常”葡萄糖控制可转化为5％的a1c。在另一个实例中，osif可以通过检查与分层用户组相关的信息将“正常”葡萄糖控制转化为具体目标。在这样的实例中，该转化可以在已经在步骤304选择了分层用户组之后执行。
[0128]
在一些实施例中，用户关于他们的目标的输入可以与分层用户组相关。例如，用户可以选择或陈述：“我希望在例如血糖控制、健康、体重等方面在我的同龄人中名列前三”。在这样的实例中，在已经在步骤304选择了分层的用户组之后，osif可以类似地将该陈述转化为具体的和可量化的目标，这些目标基于检查与分层的用户组相关的信息以指标的形式定义。例如，osif可以将“在我的同龄人中排名前三”转化为一组特定指标(例如，6％的a1c、180磅的体重等)和一组可能的治疗或行动计划。可能的治疗可包括(a)减少25％的碳水化合物摄入量并每周锻炼三次额外的20分钟，(b)服用额外或不同的药物(例如，看医生添加额外的每日口服药物)，(c)遵循特定饮食方案，每天将碳水化合物减少到一定量以下，等等。在某些实施例中，osif然后可以呈现这些可能的治疗组，并让用户选择其中一种治疗，其在可量化的指标中明确定义，例如，对用户的期望是在同龄人中排名前三。在某些实施例中，osif还可以允许用户在选择治疗之后对其进行微调。
[0129]
注意，即使在用户的非特定输入未相对于分层用户组定义的情况下，osif也可遵循类似的过程。“正常葡萄糖控制”、“身体健康”、“健康区”是与分层组无关的非特定用户输入的示例。在接收到这样的用户输入之后，osif可以检查与用户分层组相关的信息，以将这样的非特定用户输入转换为一组特定指标和一组可能的疗法。
[0130]
在某些实施例中，osif可以基于与用户相关联的一组输入(例如，输入127)确定用户应该努力实现的一组特定目标(以指标的形式)。在某些实施例中，这些输入可能在应用程序106的设置过程中已经可用。在这样的实施例中，在步骤302期间设置的目标132基于这样的输入(例如，对于在使用osif之前一直在使用应用程序106的用户)。在某些实施例中，这样的输入在设置过程中可能不可用。这样，可以为用户设置一组初始目标，但是当输入变得可用于用户时，在用户使用应用程序106期间，osif可以基于用户自己的输入来修改初始目标。例如，最初，在设置过程中，用户的a1c水平可能为x％，而osif可能建议目标为0.9x％。然而，当用户使用应用程序106时，osif可能确定用户的a1c水平实际上是0.85x％，因此将目标调整为0.8x％。在另一个实例中，当用户使用应用程序106时，osif可以确定用户的a1c水平实际上是1.2x％，因此基于确定用户可能无法实现0.9x％，将目标调整为x％。在又一个实例中，当用户使用应用程序106时，osif可以确定用户的a1c水平为x％，但分层用户组中的相似用户具有0.7x％的平均a1c水平。在这样的实例中，osif可以将用户的初始目标从0.9x％调整为0.8x％。
[0131]
在一些实施例中，目标可以分为短期目标和长期目标。短期目标的一个例子是“将药物剂量和成本减半”。长期目标的一个例子是“完全停止用药”。
[0132]
在一些实施例中，osif通过上述相同类型的交互进一步确定用户的兴趣134和能力136。确定用户的兴趣134和能力136是有利的，因为应用程序配置108可以由aacm 115不仅基于用户的目标132而且基于用户的兴趣134和能力136来配置和调整。作为示例，如果用户指示他们残疾并且不能走路，则应用程序106的锻炼管理特征可以被配置为向用户建议不需要用户走路或跑步的锻炼或活动。在一个实例中，osif可以基于应用程序106可用的ffsc向用户询问用户的兴趣和能力。例如，用户是否有兴趣下棋可能无关紧要，因为在某些实施例中，应用程序106不提供受益于该输入的特征。然而，询问用户是否喜欢游泳或远足可能更相关，因为在某些实施例中，应用程序106实际上提供锻炼管理特征，其受益于用户关于他们是否喜欢游泳的响应。
[0133]
在步骤304，操作300通过基于与用户相关联的信息从用户数据库确定相似用户的分层组而继续。在一些实施例中，步骤304可以由aacm 115执行。例如，aacm 115可以从用户数据库110中检索用户配置文件116并且基于用户配置文件116中的信息从用户数据库110中选择用户的分层组。在一些实施例中，aacm 115基于用户配置文件116与用户数据库110中的用户池的用户配置文件的信息之间的一个或多个相似性选择用户的分层组。例如，aacm 115可以使用一个或多个相似性或分层因素进行分层，该一个或多个分层因素包括用户的疾病进展信息、药物信息、人口统计信息、目标、对应目标的实现、兴趣、能力、行为指标、结果指标或它们的组合中的至少一项。但是，注意，对于刚开始使用应用程序106的用户，可能还没有可用的行为和结果指标。
[0134]
在某些实施例中，额外的分层因素也是可能的。例如，还可以在设置过程期间(例如，在目标设置过程期间)基于用户与应用程序106的交互来执行分层。例如，可以基于用户关注身体活动、与应用程序106的整体交互等中的一项或多项的可能性来执行分层。在一个实例中，应用程序106可以基于以下三个类别对用户进行分类：拒绝、被动开放和积极开放。拒绝的用户可以是拒绝接受他们患有糖尿病、不想听到它或不想对它采取行动的用户。被动开放的用户是接受自己患有糖尿病、对信息持开放态度的用户，但他们可能并不认真地
采取所有必要的步骤和措施来改善他们的健康。积极开放的用户是那些接受自己患有糖尿病、渴望获得更多信息、愿意为改善健康而努力的用户。在某些实施例中，应用程序106可以基于应用程序106在设置过程期间与用户的交互(例如，通过询问被设计为确定用户属于什么类别的问题)将用户分类到这些类别之一。
[0135]
注意，在某些实施例中，目标的实现可以用作分层因素。在某些实施例中，用户在实现某个目标方面的表现如何由针对该特定目标计算并存储在用户配置文件中的相应计划结果指标来指示。在某些实施例中，目标的实现可以由阈值定义。例如，关于某个目标的100％的计划结果指标可能表明用户池中的用户已经完全实现了目标，而90％的计划结果指标可能表明，通过完成至少90％的目标(即减掉9磅而不是10磅)，用户在实现目标方面取得了积极进展。关于分层，在将目标的实现用作分层因素的实施例中，可以定义阈值计划结果指标。例如，分层因素可以是至少例如70％的计划结果指标。在这种情况下，至少在实现目标方面取得了70％的进步的用户将被包括在分层的用户组中。
[0136]
可用于选择分层组的用户的信息示例包括1)62岁女性，仅服用基础胰岛素，具有三年糖尿病史，2)55岁男性，服用基础和速效推注疗法，3)70岁男性，患有心脏病，服用二甲双胍，和4)40岁女性，正在积极通过饮食和运动控制糖尿病。
137.多种方法和途径中的一种可以用于基于一个或多个分层因素(例如，疾病进展、用药信息、人口统计信息、目标、相应目标的实习、兴趣、能力、行为指标、结果指标或其组合)对用户数据库110进行分层。在某些实施例中，aacm 115可能会使用各种数据过滤技术之一，以根基于一个或多个分层因素过滤更广泛的用户数据库110。例如，如果用户患有i型糖尿病，则aacm 115可以过滤用户数据库110中也患有i型糖尿病的所有用户配置文件。在这种情况下，用户的分层组将包括所有此类用户。然而，在某些实施例中，如果使用额外的分层因素进行分层，则可以执行额外的过滤以进一步缩小分层组中的用户组。例如，如果分层因素包括疾病进展和人口统计信息并且用户是患有i型糖尿病的男性，则aacm 115可以过滤用户数据库110中也患有i型糖尿病的所有男性用户的所有用户配置文件。
[0138]
在某些实施例中，aacm 115可以使用机器学习算法对用户数据库110进行分层。例如，无监督学习算法可用于对用户数据库110中的所有用户配置文件进行聚类并确定用户配置文件116属于哪个聚类。无监督学习是一种机器学习算法，用于从由没有标记响应的输入数据组成的数据集中进行推断。如本领域普通技术人员所理解的，除了专注于聚类分析的无监督学习算法之外，还可以使用其他类型的无监督学习算法。
[0139]
在某些实施例中，可以代替使用监督学习算法。监督学习是学习函数的机器学习任务，该函数根据示例性输入-输出对将输入映射到输出。在某些实施例中，使用监督学习算法，aacm 115可以被配置为基于已经使用标记数据集训练的机器学习模型，通过确定用户属于什么类别或用户的分层组来对用户配置文件116进行分类。在某些实施例中，标记的数据已经包括基于一个或多个特征(例如疾病进展)分类的不同类别的用户。例如，在某些实施例中，一类用户包括所有患有i型糖尿病的用户配置文件，而另一类用户包括患有ii型糖尿病的所有用户配置文件。在这样的实例中，如果用户配置文件116的疾病进展信息120指示用户患有1型糖尿病，则aacm 115选择该类别作为用户的分层用户组。
[0140]
在步骤306，操作300通过基于与用户相关联的信息(包括用户的目标)和/或与分层用户组相关的信息来配置(例如，自动配置)应用程序而继续。自动配置应用程序是指在
没有用户操作或参与的情况下配置应用程序。例如，应用程序可以自动配置有一定数量的ffsc，这些ffsc由aacm 115从下载在用户设备107上的应用程序二进制文件中可用的大量ffsc中选择。
[0141]
在一些实施例中，步骤306可以由aacm 115执行。例如，aacm 115可以基于用户配置文件116和/或分层用户组的用户配置文件来利用应用程序配置108配置应用程序106。在某些实施例中，aacm 115可以分析哪些一个或多个ffsc与在分层组内实现用户目标132具有最强的相关性。在某些实施例中，aacm 115然后用这种ffsc的至少一个子集配置应用程序106，从而产生应用程序配置108。在某些实施例中，该子集可以包括具有高于某个相关性阈值的相关性分数的ffsc。如上所述，ffsc是指特征和特征设置的某种组合，例如运动管理特征2和特征3。在某些实施例中，步骤306可以由应用程序106本身执行。例如，aacm 115可以向应用程序106指示ffsc的子集，然后应用程序可以用ffsc的子集自动配置自己，从而产生应用程序配置108。
[0142]
在一个实例中，用户可能是糖尿病前期和77岁。用户还可能有以下目标：减掉5磅，少吃碳水化合物，多吃蛋白质等。用户的兴趣可能是远足、散步、游泳、吃红肉、意大利菜，也可能不喜欢鱼。在这样的实例中，可以基于用户的疾病类型和/或年龄来选择分层的用户组。然后，aacm 115可以确定哪些ffsc与减掉5磅和少吃碳水化合物最密切相关。例如，aacm 115可以确定锻炼管理特征、报告特征、奖励特征和饮食管理特征等与为分层组中的用户实现上述目标最密切相关。即，在这样的实例中，分层组内满足那些目标的用户配置文件可以最频繁地指示用户对一个或多个这些ffsc以及与这些ffsc相关联的高bem的使用。注意，在此实例中，这些目标的实现被用作分层因素。
[0143]
本领域普通技术人员理解不同类型的操作或算法，它们可用于发现用户目标的实现与分层组中的用户使用的与实现那些目标最密切相关联或相关的ffsc之间的这些相关性。可以使用的算法的实例包括线性相关算法(例如，皮尔逊相关系数)、非线性相关算法(例如，距离相关性、最大信息系数等)以及不同类型的机器学习中的一种或多种。
[0144]
在某些实施例中，线性相关算法可用于确定两个变量之间的相关性，包括某个ffsc(第一变量)与实现某个目标(第二变量)之间的相关性。在某些实施例中，执行相关算法所基于的数据集包括来自多个用户(例如，分层组中的用户)的用户配置文件的数据点。在某些实施例中，数据点包括每个用户使用的ffsc、用户的目标以及用户是否满足那些目标。使用这样的数据集，在一些实施例中，aacm 115可以运行多个分析，其中每个分析集中于可能数量的ffsc之一与用户目标之一之间的相关性。可以执行其他类型的分析，从而可以确定用户的目标和多个ffsc之间的相关性。如上所述，代替相关算法，在某些实施例中，可以使用机器学习模型来识别与实现用户目标密切相关的特征。用于执行步骤306的算法或数据模型的不同实例关于图4a-5b进行描述。
[0145]
在确定了与实现用户目标正相关的ffsc池之后，在某些实施例中，aacm 115然后可以选择所有这些ffsc来配置应用程序106，从而产生应用程序配置108。在某些实施例中，aacm 115可以通过应用例如相关性阈值从ffsc池中挑选与实现用户目标非常相关的ffsc子集。作为实例，可以最初确定ffsc池，每个ffsc具有一定的相关性分数，相关性分数指示ffsc与实现用户目标之间的相关性。aacm 115然后可以选择具有高于阈值的相关性分数的ffsc。使用选定的ffsc，aacm 115可以配置应用程序106，从而产生应用程序配置108。
115改变具有设置2的锻炼管理特征1以帮助用户实现其目标。然而，在某些实施例中，尽管具有设置5的睡眠管理特征2的行为参与指标低于70％，但aacm 115可以确定保留ffsc，因为用户正在满足目标。在一些实施例中，aacm 115可以被配置为用低于配置阈值的bem替换ffsc，即使用户正在满足相应的目标。例如，aacm 115可以被配置为替换bem低于70％的具有设置5的睡眠管理特征2，即使用户正在满足他们的睡眠相关目标。
[0153]
在某些实施例中，步骤308和310在获得或生成关于用户的实时或更近的信息(例如，行为指标128和结果指标130)时频繁地执行。结果，在某些实施例中，aacm 15经常用更可能吸引用户的ffcs重新配置应用程序106，从而帮助用户实现他们的目标。在某些实施例中，如果用户改变他们的目标，aacm 115可以再次执行操作300的至少一些步骤。例如，aacm 115可以再次执行步骤304和306以用与用户的新目标相关联的新ffsc替换与用户不再感兴趣的目标相关的用户现有ffcs中的一些。在某些实施例中，可以在步骤306中确定哪些ffsc与用户的新目标相关联，其中aacm 15通过评估与分层用户组中的用户相关联的信息来识别与用户目标的实现高度相关的ffcs，这些分层用户组中的用户能够达到相同的目标或至少具有相同的目标。
[0154]
在某些实施例中，可以使用多种数据模型之一执行操作300的步骤302-310。关于图4a-4b描述了一个示例数据模型。关于图5a-5b描述了第二个示例数据模型。如本领域普通技术人员所理解的，有多种方法可用于调整应用程序配置108以更好地帮助用户实现他们的目标并避免用户对应用程序106的行为中的平稳期和无聊，从而减少应用程序的损耗率。因此，关于图4a-5b描述的数据模型仅是示例性的。
[0155]
图4a是说明根据某些实施例如何使用包括算法450和模型451的数据模型最初选择和然后调整应用程序配置108的图。参照图4b描述图4a，其图示了在图4a的数据模型的操作中使用的多个数据集。如上所述，在图3中的操作300的步骤302期间，用户的目标132、兴趣134和/或能力136被识别并存储在用户配置文件116中，该用户配置文件也已经包括用户的人口统计信息118、疾病进展120和用药信息122。在图4a的例子中，在这个阶段，尚未获得关于用户的行为和结果指标的信息，因为用户是尚未使用应用程序106的特征的新用户。出于同样的原因，用户配置文件116也不包括任何应用程序配置信息。也就是说，此时尚未配置应用程序106以使任何应用程序配置信息可用。结果，在图4a的实例中，可在操作300的步骤302获得的所有用户特定信息是用户的人口统计信息118、疾病进展信息120、用药信息122、目标132、兴趣134和/或能力136。
[0156]
使用可用信息，通过执行操作300的步骤304，aacm 115对包括用户配置文件池的用户数据库110进行分层，以确定在某些方面与用户相似的分层用户组。如本领域普通技术人员所理解的，当对用户数据库110进行分层时，可以使用多种数据过滤技术或算法之一。在图4a的例子中，aacm 115基于一组分层因素对用户数据库110进行分层，该组分层因素包括用户的人口统计信息118、疾病进展信息120、用药信息122、目标132、兴趣134和/或能力136。例如，用户可能是77岁男性，患有i型糖尿病，正在注射胰岛素。用户的目标是减掉5磅，他的兴趣包括跑步、游泳和骑自行车，但他不能在周末锻炼。注意，用户可能有不止一个目标，但为了简单起见，算法450和451在此针对一个目标进行描述。
[0157]
具有分层用户数据库110后，aacm 115将用户组2识别为所有男性、年龄在67-87岁之间、患有i型糖尿病、接受胰岛素注射的分层用户组。用户组2中的用户也都有减肥的目
标，并且都达到了这个目标。换句话说，在图4a-4b的例子中，用户组2中的用户不仅基于与用户具有相同的目标而且基于他们是否满足目标而被选择。如上所述，用户是否能够实现他们的目标可以由与用户目标相关联的计划结果指标来指示。因此，在该实例中，用户目标的实现被用作分层因素。如所讨论的，可以根据阈值计划结果指标来定义实现目标。在这样的实例中，阈值计划结果指标可以用作分层因素，使得具有小于某个阈值(例如，70％、80％、100％等)的计划结果指标的所有用户将被从分层的用户组丢弃。当对用户数据库110进行分层时，aacm 115还可以考虑用户的兴趣134和能力136。例如，用户组2的用户可能都具有与该用户相同的兴趣和能力。
[0158]
在一些实施例中，在选择用户的分层组时，aacm 115可以被配置为围绕每个分层因素定义范围。例如，aacm 115可以被配置为通过包括其目标是减肥(任何数量)并且能够满足该目标的所有用户来定义宽的用户组2。在一些其他实例中，aacm 115可以被配置为通过仅包括其目标是在5磅的特定范围内(例如，在4-6磅或3-7磅的范围内的任何量)减重或甚至正好5磅减重并且能够达到这个目标的那些用户来定义更窄的用户组2。关于其他分层因素，例如，虽然用户是77岁，但在某些实施例中，用户组2可以包括67-87岁范围内的所有用户。在兴趣和能力的情况下，作为示例，在某些实施例中，aacm 115还可以包括兴趣是步行和举重的用户以及对于他们何时可以或不能参与锻炼有一些时间限制的用户。
[0159]
在一些实施例中，可以通过基于上面讨论的一个或多个分层因素过滤用户数据库110中的所有用户可用的数据集来执行分层。包括关于用户数据库110中所有用户的信息的数据集的实例被示为图4b中的数据集480。如图所示，数据集480中的每一行属于不同的用户，而每一列对应于用户配置文件提供的不同数据点。例如，这些列包括用户的目标、人口统计信息、疾病进展、用药信息、兴趣、能力和ffsc。注意，尽管单个列用于用户的目标、兴趣和能力，但这些列中的每一个可以代表多个列。例如，数据集480可以包括多个目标相关列，每个目标相关列对应于用户可能已经选择的某个可能目标。在图4b的例子中，为每个目标记录的值对应于与该目标相关联的计划结果指标，其指示用户是否已经达到该目标。“1”表示用户已达到该目标，而“0”表示相反。例如，数据集480显示用户1已实现其目标。如果某个目标没有记录任何值，则意味着用户没有为自己选择该目标。
[0160]
注意，正如讨论的，计划结果指标也可以用百分比来定义。结果，在某些实施例中，可以在数据集中记录百分比以用于指示程序结果指标。在某些其他实施例中，为了简单起见，仍然可以通过使用阈值计划结果指标来使用零和一。例如，在某些实施例中，“1”可以被记录在数据集中，用于具有大于某个百分比(例如，70％)的计划结果指标的任何用户。数据集480还包括一组ffsc。对于每个ffsc，记录与ffsc相关的bem。例如，对于用户1的ffsc 1，记录了90％的bem，这表明用户1对ffsc 1的参与度高。如图所示，对于用户1，没有记录ffsc 2的值，这表明用户1尚未使用该ffsc。
[0161]
图4b还示出了数据集440，其是基于上述分层因素对数据集480进行分层的结果。例如，用户2和用户3从数据集440中被淘汰，因为用户2无法实现他们的目标，而用户3甚至没有与用户(即用户102)相同的目标。
[0162]
在某些实施例中，一旦定义了数据集440，aacm 115然后使用算法450，该算法将数据集440的至少一部分作为输入并基于它们与用户目标的实现的相关性输出ffsc的排序列表。ffsc与用户目标实现的相关性有多强可以基于许多因素来确定，包括用户组2中使用
ffsc的用户数量以及此类用户对于ffsc的参与度(例如，相应的bem)。例如，使用某个ffsc的用户数量越多和/或对ffsc的参与度越高，用户(即用户102)被该ffsc参与的可能性就越高，从而，达到他们的目标。在一个简化实例中，每个ffsc与实现用户目标的相关性(c)可以定义为：
[0163]
c＝(w1)*(n) (w2)*(平均bem)
[0164]
在上面的公式中，w1是定义的权重，n是使用ffsc的用户数量，w2是另一个定义的权重，平均bem是对应ffsc的数据集440中所有用户的bem的平均值。使用上面的公式，为数据集440中的ffsc 1到ffsc n计算c1到cn。然后按从高到低的顺序对c1到cn进行排序，以便可以识别具有最高相关性的ffsc。因此，算法450输出ffsc列表，该列表基于与用户目标实现的相关性进行排序，如图4a中的输出460所示。然后，aacm 115可以从列表中选择若干ffsc，以包括在应用程序配置108中。例如，aacm 115可以从列表中选择前十个或任何其他定义数量的ffsc。
[0165]
注意，尽管在关于图4a和4b提供的实例中，用户目标的实现被用作分层因素，但在某些其他实施例中，这种方法不是必需的。例如，在某些实施例中，可以不基于目标的实现而是基于用户的目标来执行分层，使得分层的用户组将包括所有具有与用户选择的目标相同的目标的用户。在这样的实施例中，分层的用户组将包括在该目标方面表现不同的用户。在这样的实施例中，如本领域普通技术人员所理解的，相关性算法可用于仍然找到与目标的实现具有最高相关性的ffsc，其可使用阈值计划结果来定义，如上所述。在又一些其他实施例中，可以基于与用户的目标无关的因素来执行分层，例如用户的人口统计信息、疾病进展等。类似地，在这样的实施例中，分层的用户组将包括甚至没有与用户相同的目标的用户。在这样的实施例中，如本领域普通技术人员所理解的，相关性算法可用于仍然找到与目标的实现具有最高相关性的ffsc，其可使用阈值计划结果来定义，如上所述。
[0166]
一旦应用程序106配置了应用程序配置108，用户就开始使用选定的ffsc。如上所述，随着时间的推移，应用程序106接收输入127，包括输入210和220，dam 113使用它们来计算行为指标128和结果指标130。作为行为指标128的一部分，为应用程序配置108的每个ffsc计算bem。基于用户的bem，aacm 115能够使用模型451(也可以称为模型451)进一步调整应用程序配置108。例如，aacm 115可以创建包括用户的bem数据490以及bem数据441的数据集442，bem数据441是与用户组2中的用户相关联的数据集440的一部分。在某些实施例中，通过评估用户的bem数据490和其他用户的bem数据441之间的相似性，模型451能够推荐最有可能吸引用户的ffsc，从而帮助他们实现目标并改善他们的健康。
[0167]
在图4a的例子中，模型451是使用基于记忆的用户-用户(读作“用户到用户”或也称为“用户到项目”)协同过滤的推荐模型(例如，一种机器学习模型)，其被配置为根据用户行为与数据集中用户池的行为之间的相似性向用户推荐项目(在此实例中为ffsc)。例如，基于用户的bem数据490与数据集441中其他用户的bem数据之间的相似性，模型451可以推荐用户尚未使用的一个或多个ffsc，这可能有助于用户实现他们的目标。基于记忆的用户-用户协同过滤算法建立在这样的前提下，即，对一个项目(例如，ffsc 1)表现相同的用户也会对另一个项目(例如，ffsc 3)表现出相似的行为。
[0168]
作为实例，在数据集442中，用户具有ffsc 1的93％bem、ffsc 2的18％bem和ffsc n的25％bem。在此实例中，模型451可以确定用户的行为更相似于用户1和4，而不是用户8。
类似地，在某些实施例中，模型451可以识别对用户102使用的相同ffsc采取类似行动的其他用户，然后确定极有可能吸引用户并由此帮助他们实现其目标的一组ffsc。该确定的ffsc集在图4a中显示为输出455。在某些实施例中，aacm 115然后利用这组新的ffsc来重新配置应用程序配置108，从而得到应用程序配置408。例如，aacm 115可以移除用户102没有表现出太多参与的一些ffsc，用来自输出445的一些ffsc替换它们，等等。
[0169]
通过调整应用程序配置108以用这一组新ffsc中的一个或多个ffsc替换对用户没有帮助的一个或多个ffsc，aacm 115能够增加用户实现其目标的可能性。
[0170]
模型451的训练可以由与决策支持引擎112进行数据通信的aacm 115或一个或多个处理器或计算系统来执行。模型451可以是用随机权重和参数初始化的新模型，或者可以是部分或完全预训练的(例如，基于先前的训练轮次)。可以使用诸如消息传递算法之类的算法来训练模型451。随着模型451继续提供输出445(例如，特征推荐)并且随着数据集442用特定用户的行为指标128和对应于输出445的结果指标130更新，模型451可以被微调或继续被重新训练。注意，尽管在图4a的实例中，使用数据过滤来获得属于分层用户组2的数据集440，但可以改为使用多种其他技术中的一种。例如，在一些实施例中，可以使用无监督机器学习算法来确定用户属于哪个用户集群。例如，可以通过与用户数据库110中的整个用户池相关联的数据集在一段时间内训练无监督机器学习算法。然后可以将经过训练的无监督机器学习算法配置为通过将包含与上述所有分层因素相关的信息的用户的向量作为输入来对用户进行聚类。作为该练习的结果，用户集群(例如，用户组2)被识别并且包括与该集群中的用户有关的信息的数据集(例如，数据集440)被获得。如本领域普通技术人员所理解的，其他类型的算法也可以用于选择分层的用户组并获得相应的数据集。
[0171]
图5a是说明如何最初选择应用程序配置108然后使用包括机器学习模型550和模型451的数据模型来调整该应用程序配置的图。参照图5b描述图5a，其图示了在图5a的数据模型的操作中使用的多个数据集。如上所述，在图3的步骤302期间，用户的目标132、兴趣134和/或能力136被识别并存储在用户配置文件116中，该用户配置文件也已经包括用户的人口统计信息118、疾病进展120和用药信息122。类似于图4a，在图5a的实例中，在该阶段可用的所有用户特定信息是用户的人口统计信息118、疾病进展信息120、用药信息122、目标132、兴趣134和/或能力136。
[0172]
在图5a的实施例中，通过执行操作300的步骤304，aacm 115基于用户的人口统计信息118、疾病进展信息120和/或用药信息122对用户数据库110进行分层。如上所述，多种技术中的一种可以用于这种分层。分层的结果是，例如，用户组2，其包括在人口统计信息、疾病进展信息和用药信息方面与用户相似的用户池。
[0173]
在某些实施例中，已经将用户组2识别为分层组后，为了确定用于应用程序配置108的初始ffsc集，aacm 115使用与用户相关联的信息作为专门为用户组2训练的机器学习模型550的输入。在某些实施例中，可以使用多种数据集之一来训练机器学习模型550。图5b示出了用户组2中选择与用户相同的目标并且也满足该目标的所有用户的数据集540。数据集540指示每个用户的兴趣和能力以及他们与他们已经交互的ffsc相关联的bem。机器学习模型550(即，f(x))通过提供关于每个用户的兴趣和能力的输入信息(例如，每行的部分，称为x)作为输入和获得ffsc 1-n的预测的bem集(“pbem”)作为输出(例如，y')进行训练。然后可以将预测的bem集(例如，y')与用户的实际bem集(即，每行的一部分，称为y)进行比较以
确定机器学习模型550的误差。然后可以使用基于误差的训练算法来调整机器学习模型550，以便配置模型以更准确地进行预测。机器学习模型550的训练可以由与决策支持引擎112进行数据通信的aacm 115或一个或多个处理器或计算系统来执行。
[0174]
例如，在训练过程中，向量542，其包括关于用户1的兴趣和能力的信息，作为“x”被输入机器学习模型550。然后机器学习模型550将向量544输出为“y
’”
。然后将数据集540中所示的用户1的实际bem(即“y”)与向量544进行比较以确定误差，基于该误差，训练机器学习模型550。
[0175]
类似地，对于用户(即，用户102)，向量546可以被馈送到机器学习模型550中，然后机器学习模型输出包括对应于ffsc 1-n的pbem集的向量548。在某些实施例中，aacm115然后可以基于pbem在向量548中选择ffsc 1-n的子集。例如，aacm 115可以选择每个类别中具有最高pbem的ffsc。作为实例，如果在与锻炼管理相关的向量548中有十个不同的ffsc(例如，ffsc 1-10)，则aacm 115可以选择具有最高pbem的两个。在某些实施例中，aacm 115然后用应用程序配置108来配置应用程序106，该应用程序配置包括所选择的ffsc子集。
[0176]
注意，在图5b的实例中，机器学习模型550的输入仅包括关于用户兴趣和能力的信息，因为数据集已经针对其他类型的信息进行了分层，例如人口统计信息、疾病进展、医学信息、目标、目标的实现等。然而，在其他实例中，附加输入可以包括在用于训练机器学习模型550的数据集中。类似地，当与用户102相关联的信息被馈送到模型550中以获得pbem集时，可以包括这样的附加输入。
[0177]
一旦应用程序106被配置了应用程序配置108，随着时间的推移，用户开始使用相应的ffsc，在此期间获得行为指标128和结果指标130。作为行为指标128的一部分，为应用程序配置108的每个ffsc计算bem。在这个阶段，aacm 115拥有与用户行为有关的信息，aacm 115能够使用这些信息来进一步调整应用程序配置108。例如，如上面关于图4b所描述的，aacm 115可以创建数据集442，aacm 115可以将其用作推荐器模型451的输入。推荐器模型451然后生成输出560，其对应于一组ffsc，这些ffsc极有可能吸引用户，从而帮助用户实现他们的目标。aacm 115然后利用这组新的ffsc来重新配置应用程序配置108，从而产生应用配置508，如上所述。
[0178]
图6是描绘根据本文公开的某些实施例的计算设备600的框图，该计算设备被配置为选择和连续调整由计算设备600或与计算设备600通信的另一计算设备执行的应用程序的应用程序配置。尽管描绘为单个物理装置，但在实施例中，计算装置600可以使用虚拟装置和/或跨多个装置(例如在云端环境中)来实现。如图所示，计算装置600包括处理器605、内存(memory)610、存储器615、网络接口625和一个或多个i/o接口620。在图示的实施例中，处理器605检索和执行储存在内存610中的编程指令，并且存储和检索驻留在存储器615中的应用数据。处理器605通常代表单个cpu和/或gpu、多个cpu和/或gpu、具有多个处理核心的单个cpu和/或gpu等。通常包括内存610以代表随机存取内存。储存器615可以是磁盘驱动器、基于闪存的储存设备等的任何组合，并且可以包括固定和/或可移动储存设备，例如固定磁盘驱动器、可移动存储卡、高速缓存、光学存储、网络附加存储(nas)或储存区域网络(san)。
[0179]
在一些实施例中，输入和输出(i/o)装置635(例如键盘、监测器、扬声器等)可以通过i/o接口620连接。此外，通过网络接口625，计算装置600可以与一个或多个其他装置和组
件(例如用户数据库110)通信耦合。在某些实施例中，计算装置600通过网络与其他装置通信耦合，所述网络可以包括互联网、本地网络等。网络可以包括有线连接、无线连接或有线连接和无线连接的组合。如图所示，处理器605、内存610、存储器615、网络界面625和i/o界面620通过一个或多个互连630通信耦合。在某些实施例中，计算装置600代表与用户关联的移动装置107。在某些实施例中，如上所述，移动装置107可以包括用户的笔记本电脑、计算机、智能手机等。在另一个实施例中，计算装置600是在云端环境中执行的服务器。
[0180]
在所示实施例中，存储器615包括用户配置文件116。内存610包括决策支持引擎112，其本身包括aacm 115和dam 113。决策支持引擎112由计算装置600执行，以执行图3中的操作304-310。aacm 115配置有或包括关于图4a-5b所描述的数据模型的操作所必需的任何算法(例如，算法450和451)。
[0181]
因此，本文描述的某些实施例提供了对糖尿病或健康相关软件应用程序(例如，移动应用程序)的配置的个性化或调整技术领域中的技术问题的技术解决方案，以帮助用户改善他们的健康或管理疾病。基于用户自己的信息和与在一个或多个方面与用户相似的特定用户集相关联的信息，通过改变特征集和特征设置(例如，使一些可用而另一些不可用)来自动重新配置应用程序是对(1)健康相关软件应用程序如何运行和(2)健康监测系统(包括葡萄糖监测系统和健康相关软件应用程序)如何运行的技术改进。例如，如上所述，在某些实施例中，可以基于用户自己的信息(例如，目标、兴趣、能力、人口统计信息、疾病进展、用药信息等)和/或与在一个或多个方面与用户相似的特定用户集相关联的信息，为用户最初选择具有一组ffsc的应用程序配置。在某些实施例中，这组特定用户是具有/曾具有与用户相同的目标和/或满足目标的用户。在某些实施例中，与该特定用户集相关联的信息包括与用户使用的ffsc相关联的用户行为信息和/或用户是否能够实现相同的目标。此外，在某些实施例中，初始应用程序配置可以基于以下频繁地重新配置：(1)用户自己的行为信息以及与用户的健康和/或实现用户目标的表现相关联的信息和(2)针对那些相同目标表现出相似行为和/或针对相同目标表现出健康相关表现的用户。
[0182]
在某些实施例中，使用上述信息以初始配置来配置应用程序并基于上述附加信息以及本文描述的技术频繁地重新配置应用程序改进了糖尿病或与健康相关的软件应用程序的配置的个性化或调整的技术领域。基于本文描述的实施例配置的应用程序更有可能吸引用户，从而帮助用户改善他们的健康。注意，对于与健康相关的应用程序，尤其是疾病管理应用程序，基于此处描述的信息和技术/算法对应用程序进行个性化可能对用户的生活和健康产生重大影响，只要应用程序的指导可能在某些情况下有助于挽救用户的生命。因此，未个性化或个性化无效的应用程序与基于本文所述实施例个性化的应用程序之间的差异可以是未参与和停止使用该应用程序而可能导致恶化用户健康的用户以及参与应用程序并能够通过提供给用户的个性化指导和特征有效地管理他们的疾病并改善他们的健康状况的用户之间的差异。
[0183]
这些非限制性实例中的每一个可以独立存在或可以以各种排列或组合与一个或多个其他实施例组合。上述详细描述包括对附图的引用，这些附图构成了说明书的一部分。附图通过说明的方式显示了可以实施本发明的具体实施例。这些实施例在本文中也称为“实例”。这样的实例可以包括除了那些显示或描述的元素之外的元素。然而，本发明人还考虑了仅提供那些示出或描述的元件的实施例。此外，本发明人还设想了相对于特定实例(或
其一个或多个方面)或相对于在本文中示出或描述的其它实例(或其一个或多个方面)使用所示出或描述的那些元件(或其一个或多个方面)的任何组合或排列的实例。
[0184]
如果本文件与以引用方式并入的任何文件之间的用法不一致，则以本文件中的用法为准。
[0185]
在本文件中，如专利文件中常见的那样，术语“一个(a)”或“一个(an)”用于包括一个或多个，与“至少一个”或“一个或多个”的任何其他实例或用法无关。在本文件中，术语“或”用于表示非排他性的或，因此“a或b”包括“a但不是b”、“b但不是a”和“a和b”，除非另有说明。在本文档中，术语“包括”和“其中”被用作相应术语“包括”和“其中”的简单英语等价物。此外，在以下权利要求中，术语“包括”和“包含”是开放式的，也就是说，除了在权利要求中的这样的术语之后列出的那些元素之外，还包括那些元素的系统、装置、物品、组合物、制剂或过程仍然被认为落入该权利要求的范围内。此外，在以下权利要求中，术语“第一”、“第二”和“第三”等仅用作标签，并不旨在对其对象施加数字要求。
[0186]
几何术语，例如“平行”、“垂直”、“圆形”或“方形”，并非旨在要求绝对的数学精度，除非上下文另有说明。相反，这样的几何术语允许由于制造或等效功能而发生变化。例如，如果元素被描述为“圆形”或“大体圆形”，则不是精确圆形的组件(例如，略微椭圆形或多边多边形的组件)仍然包含在该描述中。
[0187]
本文描述的方法实施例至少可以部分地由机器或计算机实现。一些实施例可以包括编码有指令的计算机可读介质或机器可读介质，该指令可操作以配置电子装置以执行如以上实施例中描述的方法。这种方法的实现可以包括代码，例如微代码、汇编语言代码、高级语言代码等。这样的代码可以包括用于执行各种方法的计算机可读指令。该代码可以形成计算机程序产品的一部分。此外，在实施例中，代码可以切实存储在一个或多个易失性、非过渡性或非易失性有形计算机可读媒体上，例如在执行期间或其他时间。这些有形计算机可读介质的实例可包括但不限于硬盘、可移动磁盘、可移动光盘(例如，压缩盘和数字视频盘)、磁带、存储卡或棒、随机存取存储器(ram)、只读存储器(rom)等。
[0188]
以上描述旨在说明性，而非限制性。例如，上述实例(或其一或多个方面)可以彼此组合使用。可以使用其他实施例，例如本领域普通技术人员在阅读以上描述后。提供摘要以符合37 cfr
§
1.72(b)的要求，以使读者能够快速确定技术公开的性质。应当理解，它不是用于解释或限制权利要求的范围或含义。此外，在以上详细描述中，可以将各种特征组合在一起以简化本公开。这不应被解释为意图未要求保护的公开特征对于任何权利要求都是必不可少的。相反，发明主题可能不在于特定公开的实施例的所有特征。因此，以下权利要求在此作为实例或实施例并入详细说明中，每个权利要求作为单独的实施例独立存在，并且预期这些实施例可以以各种组合或排列彼此组合。本发明的范围应当参照所附权利要求以及这些权利要求所享有的等同物的全部范围来确定。