ES2994008T3 - System and method to manage diabetes based on glucose median, glucose variability, and hypoglycemic risk - Google Patents

Abstract

Un sistema y método proporciona un informe de glucosa para determinar el riesgo glucémico basado en un perfil de glucosa ambulatoria de datos de glucosa durante un período de tiempo, una evaluación del control de la glucosa basada en la mediana y la variabilidad de la glucosa, e indicadores de alta variabilidad de la glucosa. Se muestran los períodos de tiempo del día en los que se pueden ver los niveles de glucosa. Un objetivo de glucosa mediana y una línea de glucosa baja proporcionan, junto con la variabilidad de la glucosa, una visión de los efectos que tendría aumentar o disminuir el objetivo mediano. La probabilidad de glucosa baja, la glucosa mediana en comparación con el objetivo y la variabilidad de la glucosa por debajo de la mediana proporcionan probabilidades basadas en datos de glucosa. Se pueden ver patrones y proporcionar orientación para el tratamiento. (Traducción automática con Google Translate, sin valor legal)

Description

DESCRIPCIÓN

Sistema y procedimiento para la gestión de la diabetes basados en la mediana de la glucosa, la variabilidad de la glucosa y el riesgo de hipoglucemia

REFERENCIAS CRUZADAS A SOLICITUDES RELACIONADAS

[0001] Esta solicitud reivindica el beneficio de la solicitud provisional.61/922.765, presentada el 31 de diciembre de 2013, y de la solicitud provisional 61/799.139, presentada el 15 de marzo de 2013.

ANTECEDENTES

[0002] La consecución de la euglucemia puede verse obstaculizada por episodios de hipoglucemia y variabilidad de la glucosa que ahora pueden rastrearse mediante monitorización continua de la glucosa ("CGM"). Se ha demostrado que los dispositivos CGM son clínicamente precisos para registrar la hipoglucemia y pueden usarse para evaluar los patrones diurnos de glucemia. Sin embargo, un desafío inherente al análisis de esta afluencia de datos es representarlos de una manera clínicamente significativa que permita una acción clínica eficiente. Existe la necesidad de informes de glucosa que puedan proporcionar resultados estandarizados y eficientes para guiar eficazmente la toma de decisiones terapéuticas. Los beneficios clave de los informes de glucosa incluyen una vista consistente de las tendencias y patrones de glucosa a lo largo del día y mostrar el detalle que la A1C no puede. La identificación de patrones de hipoglucemia y variabilidad de la glucosa puede ayudar orientando con qué agresividad se puede ajustar el tratamiento de forma segura.

[0003] Aunque los informes de glucosa actuales han proporcionado una manera de analizar la afluencia de datos de CGM, la toma de decisiones basada en esos informes y análisis todavía puede ser un desafío. Se han desarrollado algoritmos computarizados como una forma de simplificar y guiar el proceso de toma de decisiones. En entornos hospitalarios, se ha demostrado que los algoritmos computarizados mejoran los resultados de los pacientes al mantener un control estricto de la glucosa sin aumentar los eventos de hipoglucemia. En un entorno clínico, los algoritmos computarizados también han ayudado a los médicos a identificar correctamente los patrones glucémicos, a tomar decisiones terapéuticas para abordar los patrones y a enseñar al personal y a los pacientes. Los documentos US2009/240127A1 y WO2012/108939A1 divulgan sistemas de control de la diabetes.

[0004] Por lo tanto, los expertos en la técnica han identificado la necesidad de presentar grandes cantidades de datos de CGM de una manera útil. También se ha reconocido la necesidad de analizar los datos de CGM para poder analizar los posibles efectos de los cambios de tratamiento. Además, se ha reconocido la necesidad de un informe que proporcione una visión general del historial de glucosa de un paciente y de la eficacia del presente tratamiento. Otra necesidad adicional es un informe basado en glucosa que presente una visión general del historial de glucosa del paciente en una base horaria anotada durante ciertos períodos del día para que se puedan tomar decisiones sobre posibles modificaciones del tratamiento. La presente invención satisface estas necesidades y otras.

[0005] Abreviaturas: tal como se utilizan en el presente documento, las siguientes abreviaturas representan los términos indicados:

A1C = hemoglobina glucosilada

AGP = perfil de glucosa ambulatorio

AU70 = área por debajo de 70 mg/dl (3,9 mmol/l)

CG = cuadro de control

CGM = monitorización continua de glucosa

FOM = figura de mérito

GCA = evaluación del control de glucosa

Gm = mediana de glucosa

Gv = variabilidad de la glucosa

ITS = sensibilidad de titulación de insulina

JDRF = una marca registrada de Juvenile Diabetes Research Foundation; es decir, JDRF Internacional

LGA = tolerancia baja de glucosa

LLG = probabilidad de glucosa baja

MTT = margen para tratar

SMBG = glucosa en sangre autocontrolada

TMS = sistema de gestión de terapia

TRP = punto de recomendación de tratamiento

CARACTERÍSTICAS DE LA INVENCIÓN

[0006] Brevemente y en términos generales, la presente invención está dirigida a un sistema y procedimiento para proporcionar un informe de glucosa basado en grandes cantidades de datos de glucosa, mostrando el informe patrones y análisis de estos patrones del historial de glucosa de un paciente como herramienta para consideraciones de tratamiento. La presente invención está definida por las reivindicaciones adjuntas. La siguiente descripción con diversas realizaciones y ejemplos sirve con fines ilustrativos.

[0007] De acuerdo con aspectos del sistema, se proporciona un sistema para determinar el riesgo glucémico basado en el análisis de datos de glucosa, comprendiendo el sistema una memoria no volátil en la que se almacena un programa de procesamiento de datos de glucosa configurado para programar un procesador para analizar los datos recibidos. datos de glucosa y a partir del análisis, producir una pantalla, una entrada en la que se reciben datos de glucosa, una pantalla en la que se pueden presentar visualmente los datos de glucosa y sus análisis, un procesador conectado con la memoria no volátil, la entrada y la pantalla, el el procesador está configurado para acceder a la memoria para cargar y ejecutar en el procesador el programa para analizar datos de glucosa, en donde el procesador está programado para analizar los datos de glucosa recibidos para determinar una estimación de una medida de hipoglucemia, analizar adicionalmente los datos de glucosa recibidos para determinar una medida de una tendencia central de datos de glucosa mediana y una medida de la dispersión de datos de glucosa desde la tendencia central, controlar la pantalla para presentar visualmente diferencias de glucosa en comparación con una tendencia central de datos de glucosa, y controlar la pantalla para presentar visualmente una Medida de control de glucosa que incluye una evaluación de los datos de glucosa en las categorías de probabilidad de glucosa baja, glucosa media y variabilidad de la glucosa por debajo de la mediana con indicadores visuales que transmiten alto, moderado y bajo sobre cada categoría.

[0008] Según aspectos más detallados, el procesador está programado para determinar una mediana de glucosa como la tendencia central. El procesador está programado para determinar la variabilidad de los datos de glucosa sobre la tendencia central. El procesador está programado para controlar la pantalla para presentar visualmente percentiles de datos de glucosa en comparación con un nivel mediano de glucosa.

[0009] De acuerdo con los aspectos del procedimiento, se da a conocer un procedimiento para determinar el riesgo glucémico basado en el análisis de datos de glucosa, comprendiendo el procedimiento almacenar en una memoria no volátil un programa de procesamiento de datos de glucosa configurado para programar un procesador para analizar los datos de glucosa recibidos y a partir del análisis, producir una visualización, recibir datos de glucosa, acceder a la memoria no volátil y ejecutar el programa de procesamiento de datos de glucosa, analizar los datos de glucosa recibidos para determinar una estimación de una medida de hipoglucemia, analizar los datos de glucosa recibidos para determinar una tendencia central de los datos, analizar los datos de glucosa recibidos para determinar una dispersión de los datos a partir de la tendencia central, controlar una pantalla para presentar visualmente diferencias de la glucosa en comparación con la tendencia central de los datos de glucosa, y controlar una pantalla para presentar visualmente una medida de control de glucosa que incluye una evaluación de los datos de glucosa en las categorías de probabilidad de glucosa baja, mediana de glucosa y variabilidad de la glucosa por debajo de la mediana con indicadores visuales que transmiten alto, moderado y bajo sobre cada categoría.

[0010] En aspectos del procedimiento más detallados, la etapa de analizar los datos de glucosa recibidos para determinar una tendencia central comprende determinar la mediana de los datos. La etapa de analizar los datos de glucosa recibidos para determinar una dispersión de los datos de glucosa comprende determinar la variabilidad de los datos de glucosa a partir de la tendencia central. La etapa de presentar visualmente las diferencias comprende presentar visualmente percentiles de glucosa en comparación con la tendencia central.

[0011] En aun otros aspectos, las etapas de presentar visualmente la tendencia central y la dispersión y las diferencias comprenden determinar una mediana de los datos de glucosa, determinar la variabilidad de los datos de glucosa a partir de la mediana y presentar visualmente las diferencias de los datos de glucosa a partir de la mediana en percentiles de glucosa en comparación con la mediana.

[0012] Las características y ventajas de la divulgación se entenderán más fácilmente a partir de la siguiente descripción detallada que debe leerse junto con los dibujos adjuntos .

BREVE DESCRIPCIÓN DE LOS DIBUJOS

[0013]

La figura 1 muestra un gráfico de glucosa ambulatoria ("AGP") y una evaluación del control de glucosa e indicadores; Las figuras 2A-2D muestran gráficos de AGP adicionales y evaluaciones de control de glucosa con indicadores para ejemplos de pacientes del ensayo JDRF-CGM con A1C de laboratorio = 7,6 % a 7,7 %, medida en el momento del uso del sensor;

La figura 3. Criterios para determinar indicadores de baja, moderada y alta en la Evaluación del control de glucosa (GCA);

Las figuras 4A a 4D presentan más gráficos y evaluaciones de AGP, y la figura 4E es una representación de las estadísticas resumidas de tendencia central y variabilidad de las distribuciones de glucosa para cada período de tiempo para cada paciente;

Las figuras 5A-5C muestran la probabilidad de rendimiento de glucosa baja ("LLG") en configuraciones de Tolerancia a glucosa baja (LGA) de grande (A), mediana (B) y pequeña (C);

La figura 6 proporciona un cuadro de control con una curva de riesgo alto para la configuración de Tolerancia media baja a glucosa, una curva de riesgo moderado para el día con 14 días de CGM, Objetivo de la mediana = 154 mg/dl; La figura 7 muestra una aplicación de la gestión de datos de acuerdo con aspectos de la presente invención para lograr el control de la glucosa;

La figura 8 presenta el rendimiento de seguridad de los procedimientos LLG y P<10>: Tasa de indicadores "verdes" incorrectos cuando AU70 excede los criterios;

La figura 9 presenta el rendimiento de sensibilidad de los procedimientos LLG y P<10>: Tasa de indicadores "rojos" correctos cuando AU70 excede el criterio.

La figura 10 presenta una correlación entre colores, significados y símbolos de los dibujos.

La figura 11 muestra una superposición de patrones de comportamiento de autocuidado, gráfico de 30 horas para "sobretratamiento bajo sin recuperación Bajo";

La figura 12 también muestra una superposición de patrones de comportamiento de autocuidado, en relación con el tiempo de inicio del núcleo para "sobretratamiento bajo sin recuperación Baja";

La figura 13 muestra un ejemplo de perfil de glucosa diario en el que se muestran datos de CGM;

La figura 14 muestra un ejemplo de perfil de glucosa diario que tiene datos de CGM con patrones superpuestos; La figura 15 muestra otro ejemplo de perfil de glucosa diario que tiene datos de CGM con patrones superpuestos; La figura 16 muestra otro ejemplo de perfil de glucosa diario que tiene datos de CGM con patrones superpuestos; La figura 17 muestra otro ejemplo de perfil de glucosa diario que tiene datos de CGM con patrones superpuestos; La figura 18 muestra incluso otro ejemplo de perfil de glucosa diario que tiene datos de CGM con patrones superpuestos;

La figura 19 muestra un cuadro de control de glucosa en la que se trazan la mediana y la variabilidad de la glucosa de un paciente;

La figura 20 muestra un mapa de mediciones de glucosa para recomendaciones de terapia;

La figura 21 muestra un flujo funcional del algoritmo de recomendación de tratamiento;

La figura 22 muestra un cuadro de control de glucosa modificada de la figura 19 con una línea de variabilidad incluida; La figura 23 muestra un flujo funcional del algoritmo de recomendación de tratamiento de opciones;

La figura 24 presenta recomendaciones adaptadas al tratamiento actual;

La figura 25 muestra un diagrama de bloques del algoritmo de detección de episodios basado en umbrales;

La figura 26 muestra un ejemplo de episodio de hipoglucemia;

La figura 27 muestra un ejemplo de episodio de hiperglucemia;

La figura 28 muestra un diagrama de bloques del algoritmo de detección de episodios basado en cambios;

La figura 29 muestra un ejemplo de detección de un episodio de aumento de glucosa;

La figura 30 muestra un ejemplo de detección de un episodio de bajada de glucosa;

La figura 31 es un ejemplo de gráfico de control de glucosa que muestra los estados de sesenta y seis pacientes con diabetes mellitus;

Las figuras 32A y 32B muestran una asociación entre HbAlc y riesgo de retinopatía y HbAlc y riesgo de hipoglucemia grave;

La figura 33 muestra un ejemplo de más de un riesgo clínico superpuesto en un gráfico de control de glucosa;

Las figuras 34A y 34B muestran la relación temporal entre la glucosa y el p-hidroxibutirato;

La figura 35 muestra un cuadro de control del estado actual de glucemia de un paciente con una "Línea de riesgo de hipoglucemia" con al menos un 95 % de certeza de que no hay riesgo de hipoglucemia;

La figura 36 muestra el signo del valor de MTT si es positivo o negativo, dependiendo de los datos del paciente en relación con la línea de riesgo de hipoglucemia;

La figura 37 presenta una proyección de un paso de un ajuste en línea recta basada en datos anteriores;

La figura 38 es una ilustración de la guía consenso ADA/EASD;

La figura 39 muestra una determinación de MTT teniendo en cuenta tanto la mediana de glucosa como la variabilidad de la glucosa y la adaptación del vector;

La figura 40 es un diagrama de dispersión de FOM frente a sur40 y mediana;

La figura 41 es un diagrama de dispersión de FOM/2 frente al sur40 normalizado;

La figura 42 es un diagrama de dispersión de error usando FOM/2 = sur40/VN;

La figura 43 es un diagrama de dispersión que utiliza ajuste de mínimos cuadrados;

La figura 44 es un histograma de error (con ajuste LS) que muestra un histograma de error usando ajuste LS frente a sur40 normalizado;

La figura 45 es un diagrama de dispersión de datos del conjunto de pruebas que muestra el error usando FOM/2 = sur40/VN;

La figura 46 es un diagrama de dispersión de datos del conjunto de pruebas que muestra el error utilizando el ajuste de mínimos cuadrados;

La figura 47 es un histograma de error (con ajuste de mínimos cuadrados) de datos del conjunto de pruebas que muestra un histograma de error del conjunto de pruebas utilizando un ajuste de mínimos cuadrados frente a sur40 normalizado;

La figura 48 es una gráfica de datos de glucosa que se puede modelar como una distribución;

Las figuras 49A, 40B, 49C, 49D, 49E y 49F son gráficos de riesgo de glucemia;

La figura 50 es un cuadro con zonas identificadas;

Las figuras 51A y 51B muestran el cuadro de control;

Las figuras 52A y 52B muestran distribuciones gamma de glucosa a lo largo del tiempo;

Las figuras 53A y 53B muestran dos o más límites asociados con una medida;

La figura 54 es un gráfico de zonas de orientación;

Las figuras 55A y 55B muestran una realización de salida de guía; y

La figura 56 es un diagrama de bloques de un sistema utilizable para incorporar conceptos inventivos divulgados y reivindicados en el presente documento, que incluyen un procesador, un monitor continuo de glucosa, una memoria, una pantalla, una impresora y conexiones remotas a servidores.

DESCRIPCIÓN DETALLADA DE REALIZACIONES

[0014] Haciendo referencia ahora con más detalle a los dibujos de ejemplo con el fin de ilustrar realizaciones de la divulgación, en los que números de referencia similares designan elementos correspondientes o similares entre las diversas vistas, se muestra en la figura 1 un informe basado en glucosa, denominado en el presente informe de comprensión 69, que tiene los tres componentes de un gráfico de perfil ambulatorio de glucosa ("AGP") 70, una evaluación del control de glucosa ("GCA") 72 e indicadores de alta variabilidad de glucosa 74 Los indicadores pueden ser de color, preferiblemente verde, amarillo y rojo, donde el verde indica un nivel "bajo", el amarillo indica un nivel "moderado" y el rojo indica un nivel "alto" de variabilidad. En las figuras en blanco y negro de las figuras 1, 2A-2D y 4A-4D, los niveles se muestran mediante círculos con barras o las letras "OK". La traducción de los círculos al color se presenta en la figura 10 para una realización. En el caso de los indicadores de Variabilidad por debajo de la mediana 74, los indicadores están vinculados a las celdas de "variabilidad por debajo de la mediana" cuando las celdas indican un nivel "ALTO". Aparece un cuadro alrededor de los indicadores y las celdas de nivel ALTO como se muestra en las figuras 1 y 2B como ejemplos. Cuando ninguna de las celdas de la fila "variabilidad por debajo de la mediana" indica "ALTA", el cuadro indicador no aparece, tal como se ve en las figuras 2A,4A, y4C. En lugar de un cuadro, se podrá utilizar un color común. Es decir, se puede utilizar el mismo color de relleno para las celdas de la fila Variabilidad por debajo de la mediana que indica ALTA como color de relleno para el cuadro de indicadores (ver la figura 1). También se pueden utilizar otros enfoques.

[0015] En particular, se ha utilizado un sistema y un procedimiento con base matemática que explota la relación entre la mediana de glucosa, la variabilidad de la glucosa y el riesgo de hipoglucemia para preparar un informe, y se puede implementar en software informático. A partir de esta relación, se produce el informe del patrón de glucosa denominado informe "Insights" 69. Examinar el AGP 70, el GCA 72 y los indicadores 74 proporciona una buena referencia para el proceso de toma de decisiones en el tratamiento.

[0016] El informe Insights 69 se compone de los tres componentes principales mencionados anteriormente; es decir, el gráfico del perfil ambulatorio de glucosa ("AGP") 70, la evaluación del control de glucosa ("GCA") 72 y los indicadores de alta variabilidad de la glucosa 74, y se divide en períodos de tiempo del día en la figura 1 y se puede ajustar según la rutina típica de una persona. La variedad de informes Insights para personas similares con la misma A1C se muestra en las figuras 2A-2D, demostrando así el gran aumento de datos y análisis presentados sobre cada una de esas personas en el informe Insights. El gráfico de AGP 70 muestra los percentiles por hora 10 (76), 25 (78), 50 (mediana) (80), 75 (82) y 90 (84) de lecturas de glucosa presentados durante el día "típico" basado en todos los días dentro del período de tiempo seleccionado. Se observará que el gráfico de AGP incluye dos líneas horizontales. Éstas son una línea de "objetivo de mediana" de 154 en esta realización y una línea de glucosa baja de 70.

[0017] La primera medida del GCA 72, "Probabilidad de glucosa baja" ("LLG") 86, es la probabilidad de que los valores bajos de glucosa hayan excedido un umbral permitido definido por el usuario. La segunda medida, "Mediana de Glucosa (en comparación con el objetivo)" 88, es una indicación de cuándo la mediana de glucosa ha excedido la configuración de objetivo de la mediana del individuo. La tercera medida, "Variabilidad por debajo de la mediana (mediana hasta el percentil 10)" (90), es una medida de la dispersión de los datos de glucosa por debajo de la mediana. Se calcula como la diferencia entre las lecturas de glucosa del percentil 50 y 10 para el período de tiempo. Es importante señalar que cuando la variabilidad por debajo de la mediana es alta, es difícil lograr el objetivo de la mediana sin aumentar la probabilidad de niveles bajos de glucosa (86). Por lo tanto, los factores que causan la elevada variabilidad de la glucosa deben abordarse antes de aumentar las dosis de insulina; de lo contrario, habría un mayor riesgo de niveles bajos de glucosa. El informe Insights 69 también describe factores que podrían contribuir a una ALTA variabilidad por debajo de la mediana, incluidos "Dieta errática", "Medicación incorrecta u omitida", "Consumo de alcohol", "Variaciones en el nivel de actividad" o "Enfermedad", y que necesitan ser revisados y abordados por el profesional sanitario en su asesoramiento al paciente. Los indicadores de GCA son baja, moderada o alta según los criterios 92 que se muestran en la figura 3.

[0018] El parámetro Objetivo de la Mediana (figura 3) establece el nivel de glucosa para el cual la mediana de glucosa se informa como baja, moderada o alta. La mediana de glucosa proporciona una medida útil debido a su fuerte correlación con la A1C. El objetivo general de gestión de la glucemia es reducir los niveles de la mediana de la glucosa por debajo del objetivo y al mismo tiempo minimizar la LLG, ya que esto debería dar como resultado que se cumplan los objetivos de exposición a A1C y la hipoglucemia.

[0019] El parámetro de tolerancia baja de glucosa (figura 3) establece el umbral para el cual LLG se informa como Baja, Moderada o Alta. Las opciones de configuración son Pequeña, Mediana o Grande. Aumentar este parámetro permite obtener más lecturas de glucosa por debajo de 70 mg/dl (3,9 mmol/l) antes de que la LLG pase de Baja a Moderada o Alta. La tolerancia se basó tanto en la frecuencia como en el valor de las lecturas bajas. El informe Insights 69 está diseñado para permitir al médico ajustar la configuración de la tolerancia según el escenario clínico. Por ejemplo, la tolerancia puede reducirse para una persona mayor o que no se da cuenta de la hipoglucemia.

Alternativamente, se puede aumentar la tolerancia para una mujer embarazada que intenta mantener un control estricto de la glucosa.

[0020] Además, los tiempos de los Eventos Diarios (figura 1, área de AGP 70) define los períodos del día utilizados para analizar la GCA 72. El usuario puede fijar los horarios típicos para Desayuno, Comida, Cena (ícono de manzana) y Hora de dormir (ícono de persona en la cama). Estos tiempos corresponden a eventos diarios que son clínicamente relevantes para los pacientes con diabetes cuya terapia con insulina está relacionada con los eventos de alimentación y sueño. El resultado son tres períodos diurnos y dos períodos nocturnos, con límites de tiempo predeterminados de 3 am, 8 am, 12 pm, 6 pm y 10 pm. Por lo tanto, en la GCA 72 se muestran un total de quince indicadores para respaldar la revisión del Ag P 70.

[0021] La función de apoyo que proporciona la GCA 72 se muestra para cuatro pacientes, utilizando datos disponibles públicamente del conjunto de datos del ensayo clínico de monitorización continua de glucosa JDRF (ensayo JDRF-CGM) en las figuras 4A-4D. El primer paciente, que se muestra en la figura 4A, tenían una probabilidad mínima de niveles bajos de glucosa a lo largo del día, ya que la mediana y la línea del percentil 10 estaban sustancialmente elevadas en relación con el objetivo de mediana (objetivo de mediana (154)) y el límite de hipoglucemia (umbral bajo (70), respectivamente. En este caso, la GCA se ajustaba a la interpretación visual del AGP 70, lo que indica que los niveles de glucosa se podían reducir de forma segura con poco riesgo de inducir hipoglucemia.

[0022] El segundo AGP 100 mostrado en la figura 4B muestra hipoglucemia sustancial a lo largo del día, ya que el percentil 1076 estaba casi siempre por debajo de 70 mg/dl. La GCA 102 también apoyó la interpretación rápida del AGP de que la hipoglucemia era una prioridad clínica que debía abordarse con urgencia, tal como lo muestra el indicador "Alto" durante todo el día.

[0023] El tercer AGP 110 (figura 4C) ilustra un control excelente al lograr una baja exposición tanto a la hiperglucemia como a la hipoglucemia. Sin embargo, dado el pequeño margen de error en el intervalo de hipoglucemia, es necesario que haya una vigilancia y una conciencia continuas de la presencia de hipoglucemia. El cuarto AGP 114 (figura 4D) ilustra cómo la LLG 116 indicó "Rojo" (círculos con rayas cruzadas anchas), a pesar de tener valores horarios del percentil 10118 similares a la figura 4C. Este paciente necesitaría precaución adicional debido a la presencia de una variabilidad elevada por debajo de la mediana y el potencial de inducir más hipoglucemia, especialmente si los valores elevados de la mediana se abordaran con una mayor cobertura de insulina. En la figura 4C en el percentil 10 se aceptaron 120 valores de 80 a 90 mg/dl, mientras que en la figura 4D indicaron un riesgo adicional debido a los valores de mediana más altos y al mayor riesgo de hipoglucemia asociado con las intervenciones terapéuticas para reducir la mediana más cerca del objetivo. Los indicadores GCA 122 y 124 resumen esta lógica clínica al vincular las dimensiones de hipoglucemia, niveles de mediana de glucosa y variabilidad de la glucosa por debajo de la mediana.

[0024] La agrupación de los cinco pares de valores de mediana-variabilidad para estos ejemplos de pacientes se muestra en la figura 4E. Se puede intuir que el paciente A (figura 4A) tendría la menor probabilidad de tener niveles bajos de glucosa, ya que la mediana es alta y la variabilidad es baja. En esta región del gráfico, ninguno de los valores del percentil 10 sería inferior a 100 mg/dl. Por el contrario, a medida que los valores de la mediana disminuyen (paciente C) (figura 4C), la variabilidad aumenta (paciente D) (figura 4D), u ocurren ambas (paciente B) (figura 4<b>), habría una mayor probabilidad de niveles bajos de glucosa en estos pacientes en relación con el paciente A. Este vínculo entre la mediana, la variabilidad y los niveles bajos de glucosa se utiliza en el procedimiento para crear el indicador LLG. En la siguiente sección, las relaciones en la figura 4E se describirán en términos de Cuadro de Control, una construcción que subyace a la GCA.

[0025] Para definir el procedimiento de apoyo a la decisión, hay dos aspectos importantes que deben considerarse para una gestión glucémica adecuada: (1) reducir los niveles generales de glucosa; y (2) reducir la variabilidad de la glucosa para minimizar la inducción de hipoglucemia a medida que disminuyen los niveles de glucosa. La clave de este marco es considerar que durante un período de tiempo cada paciente tiene una población de lecturas de glucosa que puede describirse como una distribución estadística estacionaria. La distribución Gamma es un modelo apropiado y conveniente; al igual que los valores de glucosa, esta distribución no permite valores cero o negativos y está sesgada hacia valores altos de glucosa.

[0026] Para cada período del día, la distribución de los valores de glucosa se puede caracterizar mediante un par de mediciones que representan la tendencia central y la variabilidad. Se eligió la mediana (percentil 50 o P<50>) como medición de tendencia central, y la diferencia entre la mediana y el percentil 10 (P<10>) como la medición de variabilidad, también definida como el intervalo interdecil inferior, P<10>. a P<50>, y denominado "Variabilidad por debajo de la mediana" en el informe Insights 69.

[0027] Las mediciones de percentiles se vieron favorecidas sobre otras estadísticas comunes como la media y la desviación estándar debido a la similitud con el uso de percentiles de AGP 70, ya que la GCA 72 pretende complementar el AGP en el informe Insights 69. Además, los percentiles son más robustos a valores atípicos que a menudo aparecen en los datos de glucosa. Se eligió la medición P<10>a P<50>para representar la variabilidad en lugar de otras mediciones simétricas, tales como los intervalos intercuartil (P<25>a P<75>) o interdecil (P<10>a P<90>) porque era un mejor predictor del riesgo de hipoglucemia.

[0028] Usando este marco, se puede describir la relación matemática entre la mediana de glucosa, la variabilidad de la glucosa y LLG. Esta relación condujo a reglas que tradujeron los datos de glucosa en indicadores GCA para proporcionar una guía estandarizada para las decisiones de tratamiento.

[0029] Para los fines de este procedimiento, se seleccionó una medición de hipoglucemia que depende tanto del tiempo como de la magnitud de las lecturas de glucosa por debajo de 70 mg/dl, denominada AU70 (área por debajo de 70 mg/dl). Tomando todas las lecturas por debajo de 70 mg/dl, la medición de AU70 se define como la suma de todas las diferencias (70 mg/dL - lectura) dividida por su número total. El valor de la medición de AU70 utilizada para generar el informe Insights se conoce como configuración de Tolerancia a glucosa baja ("LGA"). Tal como se describió anteriormente, el informe tiene tres configuraciones posibles definidas para LGA (Baja, Moderada o Alta); cada una de estas configura el algoritmo para tres grados diferentes de riesgo de niveles bajos de glucosa.

[0030] Tal como se mencionó, el concepto clave que subyace a la metodología de apoyo a la decisión es la relación entre la mediana, la variabilidad y el riesgo de hipoglucemia. Esto se ilustra en los gráficos de mediana-variabilidad que se muestran en las figuras 5A a 5C, donde la mediana de glucosa está en el eje y y la variabilidad de la glucosa (P<10>a P<50>) en el eje x. Se trazó un punto para cada paciente durante un período del día (en este ejemplo, de 3 am a 8 am) durante dos semanas de mediciones continuas de glucosa del sensor continuo de glucosa Navigator® (Abbott Diabetes Care, Alameda, CA). El punto es un círculo no sólido (rojo) si la medición de AU70 excedió la LGA; de lo contrario, el punto es un círculo sólido (azul). Las cifras muestran una buena separación entre las dos poblaciones de puntos, incluso cuando la LGA es variada.

[0031] Se puede utilizar el modelo de distribución Gamma de los datos de glucosa, junto con la definición de AU70 de hipoglucemia, para derivar teóricamente un límite entre estas dos poblaciones. Este límite, denominado aquí "Curva de Alto Riesgo" (130 en la figura 5A, 132 en la figura 5B, y 134 en la figura 5C), se compone de puntos en el gráfico de mediana-variabilidad que corresponden al mismo valor de AU70, y se puede encontrar usando la ecuación para la distribución Gamma que varió sobre todos los valores de mediana y variabilidad posibles para encontrar aquellos pares donde el área de la distribución por debajo de 70 mg/dl es igual a la situación de AU70. Tres curvas de alto riesgo, una para cada situación de LGA (la figura 5A tiene una gran "tolerancia a glucosa baja" (LGA), la figura 5B tiene una<l>G<a>media, y la figura 5C tiene una LGA pequeña), se han determinado para su uso con el informe Insights 69. Las figuras 5A a 5C muestra qué tan bien estas curvas separaron las dos poblaciones de puntos. Las configuraciones de LGA se determinaron a partir de una gran población de puntos de mediana-variabilidad y se seleccionaron de manera que aproximadamente el 10 %, el 30 % y el 50 % de los indicadores LLG estuvieran por debajo de la curva de alto riesgo para las situaciones de grande, media y pequeña, respectivamente.

[0032] La curva de alto riesgo 138 de la figura 6 se puede utilizar para dividir el gráfico de mediana-variabilidad en dos zonas: una zona de bajo riesgo de hipoglucemia 140 por encima de la curva y una zona de alto riesgo de hipoglucemia 142 por debajo de la curva (figura 6). Este concepto de zonas se puede ampliar para convertir el gráfico de medianavariabilidad del denominado Cuadro de Control ("CG") 145. Utilizando el conjunto de datos de CGM de un paciente, se puede calcular un Cuadro de Control y un punto en ella para cada uno de los cinco períodos de tiempo del día (figura 6).

[0033] La curva de riesgo alto divide las zonas de LLG "alta" (roja) y "moderada" (amarilla), y una curva de riesgo moderado divide las zonas de LLG "moderada" y "baja" (verde). La Curva de Riesgo Moderado da cuenta de la incertidumbre en el indicador LLG como resultado de la incertidumbre en los valores. La incertidumbre de la mediana y la variabilidad (P<10>a P<5 0>) se ven afectadas por el número de muestras de datos disponibles y la naturaleza variable en el tiempo de estos valores. La Curva de Riesgo Moderado 144 se determinó empíricamente para cada período del día y configuración LGA, de modo que los pacientes con puntos en la zona de bajo riesgo durante un período de dos semanas tienen menos del 10 % de posibilidades, con un 95 % de certeza, de aterrizar en la zona de alto riesgo durante el siguiente período de dos semanas. La curva de riesgo moderado se implementa como una tabla de búsqueda de 60 elementos a lo largo de las dimensiones de LGA (3 niveles), día o noche (2 niveles) y cantidad de mediciones de glucosa (10 niveles). Por ejemplo, las curvas de riesgo moderado para 14 días de CGM para un período de 5 horas del día tienen valores AU70 de 0,03, 0,17 y 0,53 para períodos diurnos para configuraciones de LGA pequeña, mediana y grande respectivamente, y 0,02, 0,09, y 0,39 para los periodos nocturnos.

[0034] Los criterios para el indicador de la mediana de la glucosa descritos en la figura 3 se pueden representar visualmente como una línea horizontal en la configuración del objetivo de mediana. Este límite divide los indicadores "verdes" de los "amarillos", y los indicadores "amarillos" se convierten en "rojos" si el valor de mediana para ese período es 20 % y 40 mg/dl por encima del valor mediana de glucosa de 24 horas.

[0035] El límite para el indicador de variabilidad por debajo de la mediana descrito en la figura 3 también se puede representar como líneas verticales en la figura 6. La línea de Alta Variabilidad 148 está ubicada en la intersección de objetivo de la mediana 150 y la Curva de Alto Riesgo 138. Esto define la alta variabilidad para que sea de modo que la glucosa mediana no puede reducirse por debajo del objetivo de mediana sin indicar una LLG alta. La línea de variabilidad moderada 152 está fijada en 35 mg/dl (1,9 mmol/l); este valor se determinó mediante una revisión de estudios de CGM en personas sin diabetes.

[0036] El cuadro de control 145 identifica diferentes zonas según las condiciones glucémicas de relevancia clínica que indican la dirección de la modificación de la terapia. La importancia para el apoyo a las decisiones terapéuticas es que las zonas proporcionadas en el cuadro de control pueden ser la base para asignar los datos de glucosa durante un período del día del paciente a sugerencias de terapia. Específicamente, un punto en el cuadro de control se asigna directamente a una columna en la GCA 160 (la figura 7).

[0037] La tabla de la figura 7 ilustra cómo se pueden aplicar los indicadores de la GCA 162 para lograr el control de la glucosa. Ver la figura 10 para la correlación entre colores, significados y símbolos utilizados en los dibujos. Por ejemplo, en la primera fila que representa dos señales verdes "OK" 164, existe un riesgo muy bajo de tener episodios de hipoglucemia, por lo que no se necesitan cambios ya que el paciente ha cumplido los objetivos de glucosa para controlar la exposición tanto a la hipoglucemia como a la hiperglucemia. Una posible acción que podría tomarse es considerar reducir el objetivo de glucosa si el paciente no alcanza el objetivo de A1C. La cuarta fila 166 de la figura 7 ilustra escenarios con un riesgo moderado, con un círculo densamente sombreado (amarillo), o alto, con un círculo escasamente sombreado (rojo), de LLG. Para estos pacientes sería importante abordar conductas de autocuidado para reducir la variabilidad de la glucosa y el riesgo de hipoglucemia. Si es necesario, es posible que sea necesario ajustar las dosis de insulina para reducir el riesgo de hipoglucemia.

[0038] Los conceptos anteriores se aplicaron retrospectivamente a los datos del ensayo clínico JDRF-CGM para establecer la evaluación de la hipoglucemia y el rendimiento del pronóstico. Los valores de CGM para todos los participantes se dividieron en segmentos de 4 semanas a partir de la primera lectura del sensor disponible. Cada período de cuatro semanas se dividió en 2 períodos de dos semanas (1 y 2), y cada período se dividió en 5 intervalos de horas del día (3 am - 8 am, 8 am -12 pm, 12 pm - 6 pm , 6 pm - 10 pm, 10 pm - 3 am). El valor de AU70 se calculó para todos los períodos e intervalos. Estos valores se consideraron verdaderos y se compararon con los resultados del procedimiento LLG y un procedimiento basado en el valor P<10>de un intervalo de hora del día, utilizando datos del período 1 únicamente. Cabe indicar que el procedimiento P<10>se puede estimar directamente a partir del AGP.

[0039] Para fines de análisis, cualquier valor de AU70 por encima de 0,83 se consideró excesivo, y cualquier valor por debajo de 0,83 fue aceptable. La comparación de cualquiera de los procedimientos con el AU70 del período 1 se denominó "dentro de la muestra", mientras que la comparación con el AU70 del período 2 se denominó "fuera de la muestra". El pronóstico P<10>era "Verde" si el percentil 10 estaba por encima de un límite superior, "Rojo" si estaba por debajo de un límite inferior. Se evaluaron una variedad de valores de límite inferior y superior. Se tabularon las combinaciones de comparaciones dentro y fuera de la muestra para comparar el rendimiento de los procedimientos LLG y P<10>.

[0040] Hubo 13.932 comparaciones evaluables entre los pronósticos de riesgo de glucosa baja en el Período 1 y la exposición real medida de la glucosa baja en el Período 2.

[0041] El criterio de acción de seguridad más importante es minimizar la tasa de detecciones omitidas de riesgo de hipoglucemia excesiva. Esto corresponde a indicadores "verdes" cuando hay un exceso de AU70 (figura 8), ya que este es un indicador falso de que sería seguro aumentar la insulina para reducir la glucosa cuando probablemente induciría hipoglucemia adicional. El procedimiento de LLG tuvo una tasa dentro de la muestra del 0,5 % y una tasa fuera de la muestra del 5,4 % para indicadores "verdes" incorrectos en todos los períodos evaluados. Estos fueron mejores que el procedimiento P10 para límites superiores de hasta 110 mg/dl. Cuando se evalúa solo para los períodos con valores de mediana de 155 mg/dl y superiores, el rendimiento del LLG es incluso mejor en comparación con el procedimiento P10. Este rendimiento cuando la glucosa mediana se eleva por encima del objetivo es una medida de rendimiento importante, ya que es la situación que indicaría predominantemente un aumento en la cobertura de insulina para ese período, por lo que conlleva un riesgo sustancial de inducir hipoglucemia adicional.

[0042] En términos de detección correcta de AU70 excesiva, el procedimiento de LLG tiene una tasa dentro de la muestra del 88,3 % y una tasa fuera de la muestra del 59,6 %. Estos eran tan altos o superiores que con el procedimiento P10 hasta aproximadamente 80 mg/dl. Cuando se evaluaron intervalos de mediana por encima y por debajo de 154 mg/dl, el límite inferior de P10 que coincidía con el rendimiento del procedimiento de LLG fue diferente. Para el intervalo de mediana por encima del objetivo, la LLG fue superior o equivalente hasta 90 mg/dl, mientras que para el intervalo de mediana inferior, la LLG fue superior o equivalente hasta 75 mg/dl. Ver la figura 9. Esto ilustra el desafío de utilizar el procedimiento P10, ya que los límites deben variarse según el intervalo de mediana para igualar el rendimiento de LLG. El procedimiento de LLG no tuvo este desafío ya que se basó en la interrelación de las tres dimensiones importantes de la mediana de glucosa, la variabilidad y la hipoglucemia.

[0043] Las compensaciones asociadas con las dimensiones de rendimiento superior del procedimiento LLG incluyeron tener tasas más altas de falsas alarmas (indicadores "rojos" incorrectos) y tasas más bajas de verdaderos negativos (indicadores "verdes" correctos). Los indicadores "rojos" incorrectos para el procedimiento LLG fueron del 16,4 % dentro de la muestra y del 23,7 % fuera de la muestra, lo que fue aproximadamente equivalente al procedimiento P10 con un límite inferior de 80 mg/dL para todos los niveles de mediana. Sin embargo, el procedimiento LLG fue superior para valores de mediana más bajos (< 154), donde un rojo incorrecto puede provocar una reducción en la cobertura de insulina. El procedimiento LLG tuvo indicadores "rojos" incorrectos del 20,9 % dentro de la muestra y del 30,7 % fuera de la muestra, lo que fue mejor que el 30,5%dentro de la muestra y el 38,8%fuera de la muestra para el procedimiento P10 con un límite inferior de 80 mg/dl.

[0044] Tomando todas estas dimensiones de rendimiento juntas, el procedimiento LLG se distinguió de los procedimientos basados en P10 en que ningún par de límites podría igualar el rendimiento del LLG, en particular cuando se evalúan correctamente los riesgos de hipoglucemia cuando la mediana del nivel de glucosa estaba por encima del objetivo.

[0045] Los médicos especialistas en diabetes tradicionalmente han tenido que tomar decisiones sobre el tratamiento basándose en lecturas de glucosa poco frecuentes que pueden no reflejar adecuadamente el perfil glucémico de un paciente. La monitorización continua de la glucosa proporciona abundante información sobre los patrones diarios de glucosa. Sin embargo, el tiempo necesario para revisar esta gran cantidad de datos puede afectar la eficiencia del médico. El informe Insights 69 fue diseñado para ayudar a los médicos especialistas en diabetes a comprender rápidamente la condición glucémica general del paciente y facilitar modificaciones de la terapia seguras y efectivas. Desde el punto de vista de los tratamientos basados en insulina, este procedimiento proporciona una guía estandarizada para el ajuste de la medicación (aumentar, disminuir o mantener) y destaca la necesidad de abordar conductas de autocuidado para reducir la variabilidad de la glucosa, que se eleva hasta el punto de limitar la gestión tanto de la hiperglucemia como de la hipoglucemia.

[0046] La clave de este marco fue considerar que durante un período de tiempo cada paciente tenía una población de lecturas de glucosa que podría describirse como una distribución estadística. Una idea fundamental de este modelo fue la definición de los límites entre LLG baja, moderada y alta según la distribución gamma. Una ventaja de este modelo de informe es que el algoritmo de apoyo a la decisión se diseñó para permitir al médico ajustar la configuración de la asignación baja de glucosa dependiendo de la agresividad del tratamiento, lo que permite indicadores de informe más o menos conservadores.

[0047] Se han desarrollado algoritmos de tratamiento computarizados que utilizan datos de CGM en un esfuerzo por utilizar la abundante información de una manera clínicamente significativa. En un estudio de dos meses de duración de 22 sujetos insulinodependientes que utilizaron la captura diaria de SMBG y un modelo predictivo de glucosa, se informó de una reducción en las tasas de hipoglucemia de nueve veces y la terapia con insulina de -9 U/día. Los programas computarizados de glucosa también se han utilizado con fines educativos para permitir a los pacientes obtener información sobre el efecto de los ajustes de la dosis de insulina, los cambios en la dieta y el ejercicio sobre los niveles de glucosa. El algoritmo "Librae", un simulador de diabetes computarizado en formato de diario desarrollado como herramienta educativa para los pacientes, se correlacionó bien con los datos del CGM, aunque también hubo algunos errores clínicamente inaceptables en niveles extremos de glucosa en sangre. El modelo programático descrito en este documento difiere de otros modelos en la robustez de las comparaciones de pronóstico de glucemia que se utilizaron para reducir las detecciones perdidas de hipoglucemia excesiva. Dos avances clave del procedimiento LLG son su sensibilidad para detectar pronósticos verdes incorrectos y rojos correctos para mejorar las capacidades predictivas en comparación con los procedimientos que se basan únicamente en las líneas del AGP. El aspecto predictivo del algoritmo propuesto proporciona a los médicos áreas específicas en las que centrarse, tal como el alto riesgo de hipoglucemia y variabilidad, lo que a su vez ayuda a determinar qué tan agresivo debe ser el tratamiento correspondiente. El modelo propuesto también muestra posibles razones de la variabilidad glucémica que pueden abordarse con el paciente y usarse para educarlo sobre comportamientos de estilo de vida.

[0048] Hubo algunos desafíos asociados con el diseño del modelo programático presentado aquí. Por ejemplo, cada una de las tres curvas de alto riesgo se asoció con un único valor constante de la medición de hipoglucemia, seleccionado como AU70. Debido a que no existe una guía establecida sobre cuánta área de hipoglucemia es "excesiva" o "problemática", las configuraciones de AU70 tuvieron que derivarse empíricamente. En un examen de paciente utilizando el informe Insights 69, el médico podría investigar más a fondo la experiencia de hipoglucemia y evaluar la necesidad de intervención. Es necesario investigar más a fondo la comprensión de la alineación entre estos configuraciones de AU70 y la gestión clínica de la diabetes, particularmente para diferentes perfiles de pacientes en cuanto a tipo de diabetes, edad, duración de la diabetes y presencia de comorbilidades. Es probable que haya casos en los que sea aceptable una mayor o menor hipoglucemia según las necesidades del paciente. Por ejemplo, un paciente anciano que vive solo puede necesitar estar más atento a la posibilidad de un episodio de hipoglucemia grave en comparación con un individuo más joven que puede reconocer los síntomas de hipoglucemia, está capacitado para tratar la hipoglucemia y utiliza CGM con alarmas de nivel bajo de glucosa. Esto estableció la necesidad clínica de tener múltiples configuraciones (grande, mediana y pequeña) de LGA según las características del paciente, pero se necesita más trabajo para comprender cómo aplicar y validar clínicamente las configuraciones disponibles.

[0049] La vulnerabilidad a niveles bajos de glucosa puede ser mayor durante la noche mientras se duerme debido a síntomas de hipoglucemia alterados. Esto motivó la decisión de haber derivado empíricamente la Curva de Riesgo Moderado para cada período de tiempo. Esta derivación cumplió con las expectativas de dar como resultado configuraciones más conservadoras durante la noche en comparación con el día. El miedo a la hipoglucemia ha sido informado por poblaciones pediátricas y adultas, así como por los cuidadores, y se asocia con una mayor frecuencia de hipoglucemia grave. Además, el miedo a la hipoglucemia puede contribuir a un control deficiente de la glucemia, aumento de peso y angustia emocional. El uso del informe programático descrito aquí, que destaca los períodos de mayor riesgo de hipoglucemia, puede ser una herramienta valiosa para superar el miedo a la hipoglucemia. Se necesitan más investigaciones en la población clínica para investigar este beneficio potencial.

[0050] El informe Insights 69 proporciona un modelo para la evaluación de momentos del día de alto riesgo que requieren intervención terapéutica, y proporciona más detalles que A1C solo. Tal como se muestra en las figuras 2A -2D, los pacientes pueden presentar el mismo valor de A1C, pero tener patrones diarios de glucosa muy diferentes. El informe Insights ofrece capacidad de reconocimiento de patrones que resalta áreas de variabilidad. Una característica clave de este informe son las sugerencias de temas para discutir con el paciente, lo que podría ayudar a solucionar posibles motivos de una mayor variabilidad de la glucosa que puede estar asociada con un riesgo elevado de hipoglucemia.

[0051] Se ha observado que 27 pacientes que no utilizaban insulina y que recibieron una intervención conductual que consistía en una revisión de datos de CGM y datos de "modelo a seguir" sobre los beneficios del ejercicio mostraron mayores mejoras en A1C, actividad moderada, presión arterial sistólica e índice de masa corporal en comparación con el grupo de control que recibió educación y asesoramiento genéricos. Estos resultados, aunque en una población pequeña de pacientes sin insulina, muestran los beneficios de los informes de glucosa en la educación y el tratamiento del paciente.

[0052] Los análisis presentados aquí tienen varias limitaciones. Para el análisis de seguridad y rendimiento de LLG frente a P<10>, los períodos de tiempo del día utilizados en el análisis fueron en momentos fijos del día, no individualizados según las actividades diarias reales de los pacientes y, por lo tanto, pueden sesgar los resultados. El análisis no tiene en cuenta la interacción entre períodos de tiempo cuando se controlan los niveles de glucosa. Además, este fue un análisis retrospectivo y no se incorporó a una intervención de control de glucosa. El rendimiento puede variar según las condiciones de uso de los pronósticos de hipoglucemia para respaldar las decisiones de tratamiento clínico. Finalmente, no se tuvieron en cuenta las evaluaciones repetidas de los mismos participantes del estudio a lo largo del transcurso longitudinal del estudio.

Procedimientos para identificar conductas de importancia terapéutica en el autocuidado de la diabetes

[0053] La monitorización frecuente de la glucosa, por ejemplo proporcionada mediante medición intersticial basada en sensores, ha ampliado la posibilidad de resumir y reducir las mediciones en mediciones de interés para el control de la diabetes. Hasta la fecha, se han propuesto una gran cantidad de procedimientos de reducción de datos (promedios, medianas, percentiles, mediciones de variabilidad, mediciones de riesgo, etc.); sin embargo, estos procedimientos no han logrado iluminar a la mayoría de los profesionales sanitarios y a los pacientes. Muchos pacientes y profesionales sanitarios se sienten abrumados y agobiados por un exceso de datos que no proporcionan información o conocimiento adicional.

[0054] La presente invención aprovecha algoritmos con información clínica para buscar datos que revelen información sobre el control de la glucosa y las conductas de autocuidado realizadas por el paciente. Estos conocimientos pueden a continuación orientar al profesional sanitario y al paciente hacia procedimientos terapéuticos y educativos para mejorar las conductas de autocuidado de la diabetes, mejorar el control glucémico y reducir los riesgos de complicaciones a corto y largo plazo asociadas con la diabetes.

[0055] La presente invención se describirá con mediciones de glucosa derivadas de sensores (múltiples mediciones por hora), pero tiene el potencial de aplicarse también a mediciones de glucosa frecuentes (cuatro o más por día) basadas en tiras.

[0056] La presente invención utiliza algoritmos con información clínica para buscar datos de glucosa adquiridos para un paciente individual para revelar conductas de autocuidado de la diabetes. Hay cinco componentes principales para el funcionamiento de la invención: 1) definir "episodios" de interés, ya sean actividades diarias o derivados de la glucosa, 2) seleccionar un episodio "núcleo" para la rutina de búsqueda, 3) construir "cadenas de episodios" de una secuencia de episodios (incluido el episodio núcleo) y reglas lógicas para la inclusión o exclusión de episodios muy próximos al núcleo, 4) asociar una o más cadenas de episodios con una conducta de autocuidado de la diabetes, y 5) mostrar los hallazgos de los algoritmos de búsqueda.

Episodios

[0057] La presente invención propone utilizar episodios relacionados con las actividades diarias (comidas, toma de medicamentos, ejercicio) así como cuatro clases principales de episodios basados en la glucosa: Alta, Baja, Subida, Bajada. Cada uno de estos episodios de glucosa está definido por umbrales. Para cada clase de episodio de glucosa, se pueden definir varios casos (o "sabores") para su uso en los algoritmos de búsqueda. Por ejemplo, se pueden construir dos tipos de episodios de glucosa "altos": "extremadamente altos" pueden tener umbrales de entrada/salida de 240/220 mg/dl y una duración mínima de 15 minutos, mientras que un "moderado alto" puede tener umbrales de entrada/salida de 180/160 mg/dl y duración mínima de dos horas. De esta manera, se puede formar una jerarquía clínicamente informada de la gravedad de la glucosa alta, tal como una declaración clínica a un paciente de: "Trate de no superar nunca los 240 mg/dl ("Extremadamente alto") y trate de evitar los niveles altos de glucosa por encima de 180 durante más de dos horas ("Moderado Alto")." En el ejemplo que se muestra en la Tabla 1, se han definido dos episodios basados en actividad (comida y ejercicio) y cinco episodios de glucosa: "Bajo (L)", "Alto (H)", "Subida relacionada con la comida (m-R)", "Subida del tratamiento con niveles bajos de glucosa (lt-R)" y "Bajada (F)". En ausencia de registros de actividad diaria, se prevé que los algoritmos de búsqueda podrían ejecutarse únicamente en los episodios de glucosa.

Selección de episodios núcleo

[0058] El "episodio núcleo" es el episodio que inicia el algoritmo de búsqueda para cada cadena de episodios, y sólo hay un núcleo por cadena.

Construcción de cadenas de episodios y lógica de búsqueda

[0059] Utilizando el núcleo como punto de partida, se definen otros episodios antes y/o después para identificar específicamente las conductas de autocuidado de interés clínico. Para cada "intervalo de tiempo relativo" se definiría una duración de tiempo relativa a otros episodios de la cadena. Por ejemplo, se pueden usar dos horas como el período de tiempo entre el comienzo o el final del episodio en cada intervalo y el final o la hora de inicio del intervalo de tiempo anterior o posterior (respectivamente). En el siguiente ejemplo, todas las duraciones de "Intervalo de tiempo" se establecieron en dos horas, pero se prevé que la configuración de duración del intervalo de tiempo puede ser diferente para algunos intervalos de tiempo, o incluso única para cada enlace en cada cadena de episodios. Además, la lógica puede imponer la ausencia de uno o más episodios en una posición de la cadena. La presencia de un episodio excluido rechazaría la selección de la cadena candidata como compatible con el comportamiento de autocuidado.

[0060] Se prevé una lógica adicional que necesitaría resolver "cadenas superpuestas". En estos casos, cuando se identifican cadenas que coinciden en el tiempo, puede haber una lógica que les permita permanecer identificadas para un análisis posterior (lo que permitirá al médico revisar y ordenar la superposición), o puede haber una jerarquía de importancia o precedencia de una cadena sobre otra (ayudar al médico eliminando actividades conflictivas de comportamiento de autocuidado identificadas al mismo tiempo).

Asociación de cadenas de episodios y conductas de autocuidado

[0061] Una o más cadenas de episodios están asociadas con una conducta de autocuidado clínicamente significativa. Estos comportamientos se seleccionarían debido al riesgo que representan para el paciente y/o las posibles intervenciones (medicamentos, educación, etc.) que pueden ofrecerse para reducir la aparición futura de la cadena o cadenas de episodios.

Visualización del resultado de la búsqueda

[0062] El número de cadenas de episodios y comportamientos de autocuidado encontrados por los algoritmos de búsqueda se podrían mostrar como una "tarjeta de resultados", indicando qué comportamientos de autocuidado eran más prevalentes. Además, se puede mostrar una comparación con los hallazgos históricos de ese paciente. Alternativamente, se podría comparar una comparación de conductas de autocuidado que necesitan mejorar para un paciente en particular con una población de pacientes similares. Estas pantallas permitirían una clasificación eficiente de intervenciones potencialmente efectivas para reducir la cantidad de problemas de conductas de autocuidado experimentadas por el paciente. Se prevé que la visualización de los resultados también proporcione acceso a más detalles y orientación sobre técnicas basadas en expertos o en evidencia para abordar estos comportamientos de autocuidado de una manera positiva.

[0063] Para proporcionar más información sobre los tiempos y los patrones potenciales de las conductas de autocuidado experimentadas por el paciente, la cadena o cadenas de episodios asociadas con cada conducta se pueden mostrar en un gráfico de hora del día, con cada episodio indicado dentro de la cadena. Por ejemplo, se puede usar una representación de 24 horas o una representación de 48 horas para garantizar que los episodios que tienen lugar después de la medianoche del día del episodio núcleo se muestren después del núcleo, en lugar de "envolverse" al periodo de la mañana. La hora de inicio del episodio núcleo se indicaría para proporcionar referencia a los demás episodios de la cadena. Como procedimiento de visualización alternativo, las cadenas podrían visualizarse a lo largo de un eje de tiempo que haga referencia a la hora de inicio de cada episodio núcleo de cada tipo de cadena o comportamiento de autocuidado. Este formato tiene el potencial de ser instructivo para el médico y el paciente sobre las relaciones recurrentes de causa y efecto de los episodios de interés.

Tabla 1, Definiciones de nomenclaturas de episodios y lógica

Definiciones de tipos de episodios____________________________________________________________________ComidaUn evento de toma de alimentos registrado por el paciente

EjerUn evento de realización de ejercicio registrado por el paciente

LEpisodio de glucosa baja

HEpisodio de glucosa alta

m-RAumento de glucosa relacionado con la toma de alimentos (comienza por encima de 75 mg/dl)

it-RAumento de tratamiento de glucosa baja (comienza por debajo de 75 mg/dl)FBajada de glucosa hasta por debajo de 100 mg/dl

Definiciones de lógica:

notPrefijo que significa que el tipo de episodio no se encuentra en la ventana del tiempo relativo

en negritaEste episodio es el «núcleo» de la rutina de búsqueda, que da inicio al algoritmo de búsqueda

| «o» para más de un tipo de episodio en la posición de cadena

& «y» para más de un tipo de episodio en la posición de cadena

Intervalo de tiempoCantidad de tiempo antes/después de un episodio para la búsqueda de otros episodios de interés en la cadena

Tabla 2. Definiciones de lógica para la identificación de comportamientos de autocuidado

[0064]Ejemplo detallado de aplicación de la invención:

Sujeto DNB0509, 8 de diciembre de 2006-14 de diciembre de 2006

Intervalo de tiempo: 2 horas (universal aplicado a todos los intervalos del tiempo entre los enlaces de cadena de episodios)

Tiempo de inicio del núcleo Descripción (en negrita está indicado el episodio núcleo)

9Dic06, 5:49AM:m-R, H: Incompatibilidad de cantidad de comida con insulina, muy poca insulina 9Dic06, 4:59PM:m-R,not H: Incompatibilidad de horario de comida con insulina, administración de insulina muy tardía

9Dic06, 10:20PM:H: Aislado alto, muy poca insulina

10Dic06:1:59PM:L, Comida:Carbohidratos de rescate

10Dic06, 2:11PM: not H,It-R, not L: Sobretratamiento bajo sin recuperación Baja

10Dic06, 10:20PM:Comida,H: Incompatibilidad de cantidad de comida con insulina, muy poca insulina

12Dic06, 8:23AM: H,Comida,F, not H & not m-R: Sobretratamiento alto, sin recuperación Alta 13Dic06, 3:55AM: not H,It-R, not L: Sobretratamiento bajo sin recuperación Baja

13Dic06, 6:56AM:m-R,H: Incompatibilidad de cantidad de comida con insulina, muy poca insulina 13Dic06, 9:32AM: H,Comida,F, H: Sobretratamiento alto, con recuperación Alta

13Dic06, 1:26PM: not H,It-R, not L: Sobretratamiento bajo sin recuperación Baja

13Dic06, 2:56PM:m-R,H: Incompatibilidad de cantidad de comida con insulina, muy poca insulina 13Dic06, 6:36PM: F,m-R,not L: Sobretratamiento bajo sin recuperación Baja

13Dic06, 8:06PM:m-R,not H: Incompatibilidad de horario de comida con insulina, administración de insulina muy tardía

14Dic06, 9:37AM: H,Comida,F, m-R: Sobretratamiento alto, con recuperación Alta

14Dic06, 2:17PM: F,m-R,not L: Sobretratamiento bajo sin recuperación Baja

14Dic06, 2:19PM:Comida,m-R, F: Incompatibilidad de horario de comida con insulina,

administración de insulina muy tardía

Tabla del resumen, «Tarjeta de resultados de comportamiento de autocuidado»

[0065] Se presentan vistas ilustrativas en las figuras 11 a 18, en las que se muestran superposiciones de patrones de comportamiento en gráficos donde el eje vertical muestra la glucosa en mg/dl y el eje horizontal muestra el tiempo en un lapso de treinta horas. Ambas figuras 11 y 12 están relacionadas con patrones de autocuidado mientras que las figuras 13-18 muestran datos de CGM superpuestos con patrones. Por ejemplo, en la figura 13, se administró muy poca insulina a las 5:49 a. m., se administró insulina demasiado tarde a las 4:59 p. m. y se administró muy poca insulina a las 10:20 p. m.

Asignaciones de mediciones de glucosa a las recomendaciones de tratamiento de la diabetes

[0066] La presente invención proporciona un medio para convertir datos de glucosa en decisiones de tratamiento clínicamente relevantes y se describen los medios para asignar las mediciones generadas a partir de resultados de glucosa a recomendaciones de tratamiento que tienen en cuenta minimizar el riesgo de hipoglucemia.

[0067] El objetivo es determinar la modificación de la terapia adecuada para un paciente basándose en los datos de glucosa medidos. Las mediciones utilizadas son la mediana de glucosa y la variabilidad de la glucosa, calculadas para un período de tiempo específico. La variabilidad (o volatilidad) se puede estimar utilizando muchas mediciones diferentes posibles; para esta descripción, se utiliza el percentil inferior del 40 % para representar la variabilidad. Se elige la mediana porque es menos sensible a los valores atípicos que la media. Sin embargo, aquí se puede utilizar fácilmente cualquier medición que represente la tendencia central de los datos.

El cuadro de control de glucosa

[0068] La mediana y la variabilidad de la glucosa se pueden ilustrar gráficamente donde, por ejemplo, la mediana se representa a lo largo del eje y y la variabilidad se representa a lo largo del eje x. Tal como se describirá, este gráfico se dividirá en zonas que representan posibles recomendaciones de tratamiento. Este gráfico se llama Cuadro de control. Estas zonas pueden representarse matemáticamente e implementarse en software para proporcionar recomendaciones de terapia automatizadas basadas en datos de glucosa, tal como se describirá. Además, el software puede mostrar el propio Cuadro de Control al "HCP" (profesional sanitario) y/o al paciente.

[0069] Una versión del cuadro de control se ilustra en la figura 19. En este cuadro se pueden representar la mediana y la variabilidad de la glucosa de un paciente. Además, aquí se puede representar gráficamente la incertidumbre en la estimación de la mediana y la variabilidad, por ejemplo, representada por una nube de puntos, una "burbuja" o alguna otra representación, tal como se describió anteriormente. Estas mediciones se comparan con las líneas que definen las zonas, tal como se describirá a continuación. Cabe indicar que hay muchas mediciones posibles que se pueden utilizar para la comparación, tal como el centroide o "mejor estimado" de la medición, o el punto de confianza del 95 % de la medición (denominado Punto de recomendación de tratamiento - "TRP"), tal como se ilustra en la figura 20. Se pueden contemplar fácilmente otras posibles mediciones.

[0070] En este cuadro de control particular que se muestra en la figura 19 hay cuatro zonas definidas. La zona de riesgo de hipoglucemia se define como la región por debajo de la línea de riesgo de hipoglucemia donde se determina que, si el TRP cae por debajo, el paciente tiene un riesgo inaceptable de hipoglucemia. En este caso, las recomendaciones de tratamiento mostradas estarían relacionadas con reducir la variabilidad de la glucosa del paciente y/o aumentar la mediana de glucosa del paciente. Por ejemplo, una recomendación específica relacionada con la reducción de la variabilidad de la glucosa sería que el paciente comiera con mayor regularidad. Una recomendación específica relacionada con el aumento de la mediana de glucosa sería reducir la dosis o la tasa de dosis de los medicamentos que disminuyen la glucosa.

[0071] La zona objetivo es el objetivo final para el paciente y el profesional sanitario. La zona objetivo se define como estar por encima de la línea de riesgo de hipoglucemia y por debajo de una línea objetivo; el profesional sanitario puede ajustar la línea objetivo para proporcionar un objetivo de tratamiento alcanzable y apropiado para un paciente en particular. La realización preferida de la lógica es que el paciente esté en la zona objetivo si a) el TRP no está por debajo de la línea de riesgo de hipoglucemia y b) la medición del centroide cae dentro de la zona objetivo.

[0072] La zona tampón se define como la región por encima de la zona objetivo y la zona de riesgo de hipoglucemia, pero por debajo de una línea definida como un desplazamiento por encima de la zona de riesgo de hipoglucemia. Esta compensación es representativa de la posible o esperada caída en la mediana debido a un aumento en la mediación de disminución de glucosa. Esta zona representa la región donde, si el TRP estuviera contenido en ella, no sería seguro recomendar un aumento de la medicación, ya que puede llevar al paciente a la zona de riesgo de hipoglucemia, suponiendo que la variabilidad de la glucosa no haya cambiado. En este caso, la recomendación mostrada estaría relacionada con reducir la variabilidad de la glucosa del paciente.

[0073] La zona "Segura para titular" se define como la región donde el TRP está por encima de la zona tampón y por encima de la zona objetivo . Aquí la recomendación estaría relacionada con aumentar la dosis del medicamento que disminuye la glucosa del paciente para reducir su glucosa mediana. El diagrama lógico en la figura 21 ilustra la asignación descrita anteriormente.

[0074] El Cuadro de Control se puede diseñar de varias maneras diferentes. Por ejemplo, lo que se ha descrito como líneas rectas puede ser más apropiado describirlo como curvas, por ejemplo, para la línea de riesgo de hipoglucemia. Como otro ejemplo, un diseño de Cuadro de Control se muestra en la figura 22 que ilustra dos modificaciones al ejemplo anterior de Cuadro de Control. La primera modificación es eliminar la zona tampón y reemplazarla por recomendaciones mostradas que indican específicamente la distancia desde la línea de riesgo de hipoglucemia. Por ejemplo, para un TRP que se encuentra 30 mg/dl por encima de la línea de riesgo de hipoglucemia en la zona "Segura para titular", la recomendación puede decir "Aumentar la dosis del medicamento para reducir la glucosa, el margen para reducir de forma segura la glucosa mediana es 30 mg/dl". Las recomendaciones modificadas pueden indicar tanto el margen por encima como por debajo de la línea de riesgo de hipoglucemia. Por ejemplo, para un TRP que se ubica 10 mg/dl por debajo de la línea de riesgo de hipoglucemia, la recomendación puede decir "Reducir la dosis del medicamento para reducir la glucosa; se necesita un aumento de 10 mg/dl en la glucosa mediana para reducir el riesgo de hipoglucemia a un nivel seguro". Alternativamente, la recomendación puede indicar la distancia horizontal positiva o negativa desde la línea de riesgo de hipoglucemia, en términos de reducción de la variabilidad. También se puede contemplar una combinación de estos. La razón principal para eliminar la zona tampón fija es que los incrementos de dosis pueden lograr diferentes reducciones de la mediana de glucosa, según el medicamento utilizado o la fisiología del paciente. Otra realización es proporcionar un mecanismo en el que el profesional sanitario (HCP) pueda modificar la zona tampón dependiendo de estos factores que podrían afectar las reducciones de la mediana de glucosa.

[0075] La segunda modificación al cuadro de Control mostrada en la figura 22 es la adición de una línea de variabilidad vertical que se utiliza para generar recomendaciones relacionadas con la variabilidad. Aquí, algunas o todas las zonas se dividen a su vez en subzonas. En las subzonas donde la medición del centroide está a la derecha de la línea de variabilidad, se proporcionan recomendaciones relacionadas con la variabilidad. Cuando la medición del centroide está a la izquierda de la línea de variabilidad, no se proporcionan recomendaciones relacionadas con la variabilidad. La línea de variabilidad puede definirse como fija en una ubicación específica en el eje x; es decir, a un valor de variabilidad específico. La realización preferida es que la ubicación del eje x de la línea de Variabilidad dependa de la línea Objetivo y/o la línea de Riesgo de hipoglucemia. Por ejemplo, la ubicación puede estar determinada por la intersección de la línea Objetivo y la línea definida como 50 mg/dL por encima de la línea de Riesgo de Hipoglucemia. Esto proporciona recomendaciones de variabilidad apropiadas para el objetivo establecido para un paciente específico.

[0076] Otro ejemplo de un cuadro de control incluye la inclusión de una zona tampón en un desplazamiento por encima y/o por debajo de la línea de riesgo de hipoglucemia. Por ejemplo, si el TRP está dentro de esta zona, entonces las recomendaciones no incluirían una recomendación de ajuste de medicación. Fuera de esta zona, la recomendación incluiría una recomendación de ajuste de medicación. Otro ejemplo es una zona definida por la zona de riesgo de hipoglucemia dividida por la línea objetivo. Para una medición centroide por encima de esta línea, la recomendación no incluiría la disminución de la medicación, pero por debajo de la línea, la recomendación incluiría la disminución de la medicación. Con estos ejemplos, queda claro cómo se pueden diseñar y utilizar zonas alternativas.

[0077] Las zonas también pueden indicar múltiples recomendaciones con distintos grados de importancia. El grado de importancia puede indicarse mediante el orden en que se enumeran, o mediante un código de colores de las recomendaciones, o por cualquier otro medio apropiado.

[0078] Las recomendaciones también pueden incluir otros factores no directamente relacionados con el tratamiento. Por ejemplo, las recomendaciones pueden referirse a la necesidad de aumentar la frecuencia de muestreo de SMBG (glucosa en sangre autocontrolada). Se pueden incluir subzonas adicionales en el cuadro de control, por ejemplo, de modo que cuando el TRP esté por debajo de la línea de riesgo de hipoglucemia, pero la medición del centroide esté por encima de la línea de riesgo de hipoglucemia, la recomendación incluya la reducción de la variabilidad y la necesidad de aumentar la frecuencia de muestreo para reducir la incertidumbre en la medición. La recomendación de aumento de la frecuencia de muestreo también se puede generar comparando el tamaño de la "burbuja de incertidumbre" con un tamaño predeterminado y si la burbuja cruza una o más de las líneas del cuadro, entonces se recomienda un aumento en la frecuencia de muestreo. Se pueden contemplar varias medidas del tamaño de la "burbuja de incertidumbre", incluida una cifra de mérito de la distancia entre el centroide y el TRP.

Configuración de la lógica del cuadro de control

[0079] En un aspecto adicional, se contempla que los parámetros del Cuadro de Control pueden ser modificados por el HCP. El software que implementa la lógica de recomendación de terapia automatizada proporcionaría un medio, tal como una pantalla emergente, para que el profesional de la salud altere las líneas en el Cuadro de Control o seleccione ciertas características del Cuadro de Control. Una realización preferida es permitir que el profesional sanitario seleccione de una lista de selección posibles niveles objetivo y niveles de riesgo de hipoglucemia. Los niveles objetivo de la lista pueden estar asociados con diversas estadísticas de complicaciones de la diabetes, tales como la A1c correspondiente. Por ejemplo, puede ser más aceptable para un paciente con una A1c del 10 % tener un objetivo a corto plazo del 9 % en lugar del 7 % para no desanimarse. Los niveles de riesgo de hipoglucemia se pueden ajustar según sea necesario para adaptarse a la tolerancia de la hipoglucemia del paciente. El etiquetado de la lista de selección de Riesgo de hipoglucemia puede estar asociado con la frecuencia esperada de hipoglucemia, una medida relativa del riesgo de hipoglucemia como Alto, Medio, Bajo o cualquier otro etiquetado apropiado. En el software, el algoritmo de recomendación se puede ejecutar inicialmente con parámetros predeterminados (ya sea predefinidos en el código o configurados en el último algoritmo ejecutado para ese paciente en una visita anterior al médico). Se proporcionaría una ventana emergente para permitir que el profesional sanitario modifique uno o más de estos parámetros de entrada del algoritmo, según sea necesario, y el algoritmo se vuelva a ejecutar, generando nuevas recomendaciones.

Cuadro de control por hora del día

[0080] Otro aspecto de la presente invención es utilizar el algoritmo basado en el Cuadro de Control para procesar datos para períodos de tiempo específicos del día o períodos de tiempo relativos relacionados con eventos clave. Por ejemplo, se pueden definir cuatro períodos de tiempo clave: durante la noche/ayuno (de 12 a. m. a 8 a. m.), después del desayuno (de 8 a. m. a 12 p. m.), después del almuerzo (de 12 p. m. a 6 p. m.) y después de la cena (de 6 p. m. a 12 a. m.). Los datos de glucosa recopilados durante varios días se pueden agrupar en estos períodos de tiempo y ejecutar el algoritmo del Cuadro de Control para cada grupo. Esto es útil para generar recomendaciones específicas para períodos de tiempo. Por ejemplo, se pueden generar recomendaciones de variabilidad específicas para las comidas o durante la noche. Para los pacientes cuyo tratamiento consiste en múltiples inyecciones diarias (MDI) de insulina, las recomendaciones específicas del período de tiempo pueden ser específicas para las necesidades de insulina durante esos momentos del día. Por ejemplo, el cuadro de control para el período nocturno/de ayuno puede indicar que se debe aumentar la dosis del medicamento; la recomendación puede indicar que se debe aumentar la dosis de insulina de acción prolongada del paciente.

[0081] La lógica de recomendación de tratamiento puede ser más complicada cuando se utilizan múltiples Cuadros de Control. Un ejemplo de esta lógica se muestra en la figura 23.

[0082] Como alternativa a los períodos de tiempo fijos, el algoritmo de Cuadro de Control se puede aplicar a períodos de tiempo definidos en relación con los eventos. Específicamente, se puede determinar la agrupación de datos, por ejemplo, a) 4 horas después del desayuno, b) 4 horas después de la comida o almuerzo, c) 4 horas después de la cena y d) 4-10 horas después de la cena. Se pueden imaginar varias permutaciones de este ejemplo. A continuación, los grupos de datos serán procesados por el algoritmo de múltiples cuadros de Control, tal como se describe anteriormente.

Lógica de segunda etapa para impulsar las recomendaciones

[0083] Un aumento de la recomendación de tratamiento descrita anteriormente utilizando el algoritmo de Cuadro de Control es proporcionar una lógica de segunda etapa para limitar aún más las posibles recomendaciones que se pueden hacer. Por ejemplo, existen muchas recomendaciones diferentes para reducir la variabilidad de la glucosa, como "dejar de comer refrigerios", "no olvidar tomar su medicación", "no saltarse comidas", "ajustar la dosis correctora de insulina". Una zona de control de glucosa puede estar asociada con varias de estas recomendaciones. Se puede utilizar una segunda etapa de lógica para reducir la lista de recomendaciones. En esta segunda etapa se puede utilizar la detección de patrones episódicos, tal como se describe en otra parte, para limitar la lista de recomendaciones. Por ejemplo, si se detecta un caso de glucosa baja en ayunas precedido por una glucosa alta después de la cena, esto puede ser una indicación de una dosis de corrección ocasional para mitigar un valor alto de glucosa, y la lógica podría dirigir la recomendación a incluir solo "ajustar la dosis de corrección de insulina". La lógica puede requerir una cierta frecuencia de aparición de un patrón episódico.

Estructura y lógica de recomendación integradas con la etapa de tratamiento

[0084] La aplicación de datos de glucosa a recomendaciones de tratamiento se puede implementar con el uso de una tabla de búsqueda. Las entradas a esta tabla son la salida del análisis de Cuadro de Control y el tratamiento actual y la etapa de tratamiento. Las salidas son recomendaciones de diferentes tipos que se muestran. La figura 24 muestra un ejemplo sencillo de una tabla de búsqueda de recomendaciones de tratamiento. Cabe indicar que se pueden asociar múltiples recomendaciones con una única combinación de entrada. El concepto de tabla de búsqueda se puede ampliar fácilmente a aplicaciones más complejas de mediciones de glucosa a recomendación.

[0085] Las recomendaciones pueden tomar la forma de texto que se muestra directamente, tal como se indica en la columna denominada "Texto recomendado" en la figura 24. También pueden tomar la forma de enlaces a documentos fuente y páginas específicas de los documentos fuente. El contenido de estos documentos fuente puede proporcionar instrucciones más detalladas sobre los cambios de tratamiento. Por ejemplo, para una recomendación para cambiar la dosis de un medicamento o un cambio en el tratamiento, el documento fuente puede ser instrucciones publicadas para el inicio y ajuste de la medicación, y el enlace podría especificarse para presentar la página apropiada de estas instrucciones. Otra forma de recomendaciones podrían ser preguntas mostradas para guiar al profesional de la salud al entrevistar a su paciente para descubrir problemas subyacentes en la gestión del autocuidado. Estas preguntas podrían presentarse en forma de texto para mostrar directamente o material de referencia. Las recomendaciones también pueden tomar la forma de orientación sobre la frecuencia de las pruebas o cómo alterar los parámetros de entrada del algoritmo. La ventaja clave aquí para el usuario es que esta información se basa en el análisis de las pruebas de glucosa del paciente.

[0086] Cabe indicar que, tal como se ilustra en la figura 24, las recomendaciones se pueden adaptar al tratamiento actual.

[0087] Se pueden implementar tipos adicionales de recomendaciones o resultados asociados con las entradas de esta tabla, incluyendo, por ejemplo, enlaces a fuentes de definiciones, enlaces a páginas apropiadas de una guía de usuario o enlaces a visualizaciones gráficas de los datos apropiados para ilustrar el hallazgo y recomendación del análisis de glucosa. El usuario podría crear instancias de los enlaces a través de botones (el software necesitaría colocar un botón asociado con la recomendación cuando sea necesario), o podrían crearse instancias de manera similar con un punto de acceso, o podrían presentar automáticamente la información vinculada en una ventana emergente o una ventana emergente o una ventana dedicada a esta información.

[0088] La estructura de la tabla de búsqueda puede modificarse cuando se deben proporcionar recomendaciones basadas en múltiples períodos de tiempo del día. Esto podría hacerse utilizando varias tablas o incorporando múltiples entradas de resultados de algoritmos y múltiples grupos asociados de recomendaciones en una sola tabla.

[0089] Tal como se señaló anteriormente, si se emplea una segunda etapa de lógica, la tabla de búsqueda debe ajustarse para acomodar esto. Por ejemplo, si se detecta riesgo de hipoglucemia en 3 de los 4 períodos de tiempo del día, en lugar de mostrar una recomendación separada relacionada con la reducción del riesgo de hipoglucemia para cada período, la lógica de la segunda etapa los asignaría a una recomendación general e indicaría que se aplica a los tres períodos de tiempo.

Sistema y procedimiento de detección de episodios de glucosa

[0090] Se describen un sistema y un procedimiento de búsqueda robustos para identificar episodios de glucosa clínicamente relevantes a partir de mediciones de glucosa derivadas de tiras y sensores. Se trata de una mejora de los sistemas y procedimientos existentes de análisis de datos y generación de informes presentes en los sistemas informáticos. La presente invención propone procedimientos para buscar datos de glucosa para episodios de interés. El software informático existente normalmente se centra en estadísticas resumidas generales, tales como la mediana y el porcentaje de lecturas en el objetivo. Recopilar episodios de glucosa clínicamente significativos y analizarlos proporciona una visión de nivel superior de los datos y puede proporcionar una información más procesable.

[0091] La presente invención aborda las dificultades encontradas (por ejemplo, brevedad/valores atípicos, espacios, ruido) en la búsqueda de valores de glucosa frecuentes (digamos cada 1 a 30 minutos) para detectar episodios extremos de interés clínico. Por lo tanto, los resultados del algoritmo de búsqueda de episodios pueden ser más significativos desde el punto de vista clínico. Además, la presente invención especifica las propiedades de los episodios que pueden ser clínicamente significativos. Estas propiedades también se pueden utilizar para construir secuencias o "cadenas" de episodios que tienen un significado clínico específico relacionado con conductas de autocuidado. Ver la figura 25 para un diagrama de bloques de una realización de un algoritmo de detección de episodios basado en umbrales de acuerdo con aspectos de la invención.

[0092] La lógica central del análisis de episodios se divide en dos familias: basada en umbrales y basada en cambios. La búsqueda de episodios en ambas direcciones sugiere cuatro tipos de episodios básicos:

1. Glucosa baja/hipoglucemia (lecturas por debajo de un umbral) (ver la figura 26)

2. Glucosa alta/hiperglucemia (lecturas por encima de un umbral) (ver la figura 27)

3. Bajada de glucosa (tasa de cambio más negativa que un umbral (negativo)) (ver la figura 29)

4. Subida de glucosa (tasa de cambio más positiva que un umbral (positivo)) (ver la figura 30)

[0093] Además, cuando se buscan secuencias, o "cadenas", de episodios, se prevé que sea útil definir también un episodio "dentro del objetivo", donde los valores de glucosa se mantienen entre un límite superior e inferior durante un período de tiempo. La detección de estos episodios se puede realizar mediante la extensión de los algoritmos de detección de episodios basados en umbrales. Ver la figura 28 para un diagrama de bloques de un algoritmo de detección de episodios basado en cambios de acuerdo con aspectos de la invención.

Episodios basados en umbrales

[0094] La forma más sencilla de lógica basada en umbrales sería simplemente agrupar todos los puntos consecutivos (por encima/por debajo) de un umbral en un episodio. La presente invención mejora este enfoque para abordar los siguientes desafíos:

[0095] Los episodios muy breves/valores atípicos no son clínicamente relevantes: la presente invención gestiona este desafío al requerir un número mínimo de lecturas y/o una duración mínima y/o un área mínima fuera del umbral para considerar el episodio para el análisis; se ignora un episodio que no cumple con alguno de los requisitos.

[0096] Los espacios (períodos de tiempo sin lecturas) en los datos pueden alterar significativamente la duración de los episodios. La presente invención gestiona esto estableciendo una duración máxima del espacio. Cualquier espacio mayor que el resultado máximo en el episodio que abarca el espacio se divide en dos episodios separados, cada uno de los cuales se analiza, asumiendo que cumplen individualmente con todos los criterios de análisis.

[0097] El ruido en la señal hará que se registren muchos episodios cuando el valor real esté cerca del umbral. La presente invención gestiona esto definiendo un umbral de salida dentro (menos extremo que) el umbral del episodio. Esto sirve para evitar la recuperación de la señal, porque el episodio sólo finaliza después de cruzar un umbral si la señal también cruza el umbral de salida.

[0098] Las propiedades de los episodios umbral, tal como se definen así, se pueden definir para utilidad clínica, incluyendo, pero sin limitación: valor umbral, valor más extremo (magnitud de desvío más allá del umbral), duración del episodio o área del episodio. Esto proporciona un catálogo prácticamente ilimitado de tipos de episodios, cada uno de los cuales, si es clínicamente relevante de forma independiente, podría constituir la base para informes y análisis.

Representación visual de posiciones relativas de umbrales:

[0099]

En episodio (hiperglucemia)

-- Umbral del episodio hiperglucémico

Entre umbrales (hiperglucemia)

-- Umbral de salida hiperglucémica

No en el episodio

-- Umbral de salida de hipoglucemia

Entre umbrales (hipoglucemia)

-- Umbral del episodio de hipoglucemia

En episodio (hipoglucemia)

Ejemplo de implementación de pseudocódigo de un algoritmo de detección de episodios basado en umbrales:

[0100]

Episodios basados en cambios

[0101] La forma más simple de lógica basada en cambios sería agrupar todos los puntos consecutivos que aumentan/disminuyen monótonamente en un episodio. La presente invención mejora este enfoque para abordar los siguientes desafíos:

[0102] Los cambios de magnitud pequeña no son significativos. La presente invención gestiona esto exigiendo que el núcleo del episodio tenga una tasa de cambio que supere un umbral. El núcleo del episodio es el conjunto de puntos que inicialmente desencadenan el análisis; cuando se encuentran dos puntos que tienen una tasa de cambio suficientemente alta durante un tiempo suficientemente largo entre ellos, forman el núcleo de un episodio que se expande rastreando hacia afuera en busca de extremos locales.

[0103] La variación de la señal exagera la tasa de cambio de episodios muy breves; la presente invención gestiona esto imponiendo una duración mínima durante la cual la tasa de cambio debe exceder el umbral.

[0104] Los espacios (períodos de tiempo que carecen de lecturas) en los datos pueden alterar significativamente la duración de los episodios; la presente invención gestiona esto estableciendo una duración máxima del espacio. Cualquier espacio mayor que el resultado máximo en el episodio que abarca el espacio se divide en dos episodios separados, cada uno de los cuales se analiza, asumiendo que cumplen individualmente con todos los criterios de análisis. Todos los puntos antes del espacio se consideran un episodio completo (potencial), siendo el último punto el punto que precede al espacio. Todos los puntos después del espacio forman el comienzo de un (potencial) nuevo episodio.

[0105] El ruido en la señal rompe la monotonicidad del cambio durante períodos de cambio relativamente lento; la presente invención gestiona esto fusionando episodios que están muy juntos en un solo episodio. El resultado de la fusión es un episodio recién definido que contiene todos los puntos entre el primer punto del primer episodio y el último punto del segundo episodio, inclusive.

[0106] Los episodios fusionados de esta manera podrían tener puntos extremos intermedios fuera de los valores finales; la presente invención gestiona esto redefiniendo el inicio y el final del episodio para que sean los puntos más extremos en cualquier parte del episodio recién fusionado.

[0107] Los episodios redefinidos de esta manera podrían incluir picos causados por dos puntos estrechamente espaciados donde uno de los cuales es un valor atípico; la presente invención gestiona esto haciendo cumplir los criterios de duración mínima (rechazando aquellos que no cumplen con los criterios).

[0108] Las propiedades de los episodios de cambio, tal como se definen, se pueden definir, incluyendo, pero sin limitación: tasa máxima, delta (valores más altos-más bajos), valor más bajo y valor más alto. Esto proporciona un catálogo prácticamente ilimitado de tipos de episodios, cada uno de los cuales, si es clínicamente relevante de forma independiente, podría constituir la base para informes y análisis.

Ejemplo de implementación de pseudocódigo de un algoritmo de detección de episodios basado en cambios:

LowescValue=FindMinEeoween{SoaroingValue,EndingValue);

ScaroingValue=(KighesrValueorLowesuValue);

EndingValue=(LowesoValueorKighesoValue);

if (SoartingValueiscióse enoughzoEndingValueoflasoepisode)

{

//nergewiohlaso episode

}

else

{

if (LasoEposodepasseschecks)

{

//log laso episode

}

//soore chis episodeaslasr episodefor nexopass

}

}

NexoNextValue

NexoFirsoValue

)

Uso de mediciones de variabilidad y media de glucosa para detectar el riesgo de hiperglucemia prolongada y proporcionar orientación para modificar el tratamiento

[0110] El uso del concepto de cuadro de control (mediana de glucosa frente a variabilidad de glucosa) para asociar lecturas de glucosa con riesgo de hiperglucemia prolongada y para dirigir la guía del tratamiento.

[0111] El estado de control de la glucosa de un paciente se puede evaluar en términos de dos mediciones simples. La primera se relaciona con la capacidad de mantener un nivel de glucosa deseable en promedio. La segunda se relaciona con la capacidad de minimizar el desvío de glucosa en presencia de comidas y otros factores. Previamente se desarrolló un procedimiento para presentar gráficamente estas dos mediciones. En una realización de esta representación gráfica antes mencionada, la glucosa mediana es la primera medición, y la diferencia entre la glucosa mediana y el percentil 10 es la segunda. Esta representación gráfica, llamada gráfico de control de glucosa, se muestra en la figura 31. La primera medición se muestra en el eje y y el concepto métrico se muestra en el eje x.

[0112] Además del estado de control de la glucosa del paciente, se puede proporcionar otra información clínicamente relevante para mejorar la comprensión del impacto de un tratamiento planificado en los diversos estados clínicos del paciente. Existen dos riesgos clínicos, a saber, el riesgo de retinopatía debido a un nivel alto de glucosa promedio a largo plazo y el riesgo de hipoglucemia aguda.

[0113] La presente invención proporciona extensiones en las que se elabora más detalladamente el riesgo de hiperglucemia y glucosa alta en promedio acumulada. El riesgo de hiperglucemia y su relación con el cuadro de control de glucosa se deriva de manera similar al riesgo de hipoglucemia. El riesgo de acumulación de glucosa en promedio alta se puede dividir en exposición a largo plazo (es decir, en el transcurso de meses o más) y mediano (es decir, en el transcurso de medio día o más) a una glucosa en promedio alta.

[0114] Un ejemplo del riesgo de glucosa en promedio alta acumulada a largo plazo es el riesgo de retinopatía. Otros riesgos a largo plazo, tales como el riesgo de nepropatía, neuropatía, enfermedad macrovascular y microalbuminuria, están vinculados a la HbAlc del paciente y, por lo tanto, pueden vincularse al gráfico de control de glucosa de la misma manera que el riesgo de retinopatía. En esta divulgación se describe un ejemplo del riesgo de glucosa en promedio alta acumulada a medio plazo, tal como DKA (cetoacidosis diabética,diabetic ketoacidosis),y la vinculación de dicho riesgo con el cuadro de control de glucosa.

[0115] Las complicaciones a largo plazo causan una morbilidad y mortalidad importantes en pacientes con diabetes mellitus insulinodependientes. Los estudios han establecido estos riesgos clínicos con marcadores medibles, donde a menudo se establece una asociación entre las complicaciones a largo plazo y la HbAlc. Por ejemplo, las asociaciones entre la HbAlc y el riesgo de progresión de la retinopatía, y entre la HbAlc y el riesgo de hipoglucemia grave, se muestran en las figuras 32A y 32B.

[0116] El estado de control de la glucosa de un paciente, representado por un único punto en el gráfico de control de glucosa para cada paciente, se puede evaluar en relación con las complicaciones a largo plazo (que están asociadas con la exposición a largo plazo a niveles elevados de glucosa) y el riesgo de hipoglucemia. Los dos tipos de riesgo restantes, los riesgos asociados con la exposición a medio plazo a niveles elevados de glucosa, tales como DKA, y el riesgo de hiperglucemia, requieren un enfoque ligeramente diferente. Un ejemplo de múltiples riesgos superpuestos en un cuadro de control de glucosa se proporciona en la figura 33.

Procedimiento para vincular la exposición a medio plazo a niveles altos de glucosa (por ejemplo, DKA) con el gráfico de control de glucosa

[0117] El desarrollo de líneas de riesgo de DKA requiere el conocimiento del número de eventos de DKA durante un período de tiempo fijo para cada dato del sujeto. A continuación, el recuento de eventos de DKA durante el período de tiempo fijo, o equivalentemente la frecuencia de DKA para cada paciente, se empareja con los valores de mediana de la glucosa y de variabilidad para cada paciente. A partir de los datos de estos pacientes se realiza un ajuste de superficie del riesgo de DKA (en términos de frecuencia de DKA).

[0118] La diferencia radica en la obtención de la frecuencia de DKA. Dado que la DKA es un resultado indirecto de la glucosa, donde la DKA aparece cuando el nivel de -hidroxibutirato (-OHB) de un paciente excede los 15 mmol/l [ ], se calcula una estimación del nivel de -OHB basada en la serie temporal de glucosa de cada paciente. Las figuras 4a y 4B ilustran ejemplos de las relaciones temporales entre la glucosa en sangre y el 3-OH+butirato (-OHB) plasmático tras la suspensión de la infusión de insulina en sujetos con T1DM. Utilizando datos de estudios como este, se puede construir un modelo de función de transferencia lineal invariante en el tiempo (LTI) que asigna la glucosa a -OHB. A continuación, este modelo se puede utilizar para recorrer las series temporales de datos de glucosa de cada paciente, a fin de producir estimaciones de -OHB durante el período en el que los datos de glucosa de cada paciente están disponibles. De manera similar a contar el número de eventos de hipoglucemia en la serie temporal de glucosa, se puede contar el número de veces que el nivel de OHB excede los 15 mmol/l. Para los datos de cada paciente, esto da como resultado que su frecuencia de DKA se puede implementar posteriormente para obtener líneas de riesgo de DKA.

Procedimiento para vincular el riesgo de hiperglucemia con el gráfico de control de glucosa

[0119] Nuevamente, el desarrollo de líneas de riesgo de hiperglucemia requiere el conocimiento del número de eventos hiperglucémicos durante un período de tiempo fijo para cada dato del sujeto. A continuación, el recuento de hipereventos durante el período de tiempo fijo, o de manera equivalente, la hiperfrecuencia para cada paciente, se empareja con los valores de mediana de glucosa y de variabilidad de glucosa de cada paciente. A continuación, de forma similar al ajuste de hipoglucemia, se realiza un ajuste de superficie del riesgo de hiperglucemia basándose en los datos de estos pacientes.

[0120] Con las líneas asociadas con el riesgo de hiperglucemia incluidas en el gráfico de control, se define una zona de riesgo de hiperglucemia y se pueden asociar modificaciones del tratamiento con esta zona. De manera específica, si la mediana frente al punto de variabilidad cae en esta zona, se puede recomendar una modificación del tratamiento para ayudar al paciente a evitar esta zona, similar a lo que ya se ha descrito con respecto a las zonas de riesgo de hipoglucemia. Y como ya se ha descrito para las zonas de riesgo de hipoglucemia, se puede utilizar el Punto de Recomendación de Tratamiento para determinar si la zona está indicada, a diferencia de la mejor estimación de la mediana y la variabilidad.

Titulación de insulina utilizando la mediana de glucosa y mdiciones de variabilidad para evitar la hipoglucemia

[0121] La mediana y la variabilidad de la glucosa se utilizan en un algoritmo de titulación de insulina "inteligente" que consigue que los pacientes alcancen el objetivo más rápido que las técnicas de titulación estándar y es menos probable que cause hipoglucemia.

[0122] Los algoritmos de titulación de insulina proporcionan un medio para que el paciente con diabetes ajuste incrementalmente sus dosis de insulina hasta que sus niveles de glucosa estén dentro del intervalo objetivo. Los algoritmos de titulación normalmente se basan en una cantidad muy pequeña de datos de prueba de<s>M<b>G (para algunos algoritmos, tan solo una lectura) para tomar decisiones de titulación, lo que significa que a menudo la dirección de titulación recomendada es errónea. Para minimizar la probabilidad de que se produzcan hipoglucemias debido a estos errores de recomendación, los algoritmos tradicionales utilizan incrementos de titulación que son una pequeña fracción de su dosis diaria total. Entonces, si se producen uno o dos errores en la dirección de la titulación, el cambio neto en la dosis es pequeño y no es probable que cause hipoglucemia. El resultado es que puede llevar mucho tiempo, normalmente doce semanas o más, alcanzar los niveles objetivo de glucosa y la dosis óptima de insulina. Además, para los algoritmos de titulación que se basan en pruebas episódicas de SMBG, aún se producirán casos de hipoglucemia, ya que el muestreo escaso no tiene en cuenta los largos períodos de tiempo. Finalmente, los algoritmos de titulación tradicionales no identifican explícitamente problemas de variabilidad de la glucosa que puedan estar impidiendo una titulación exitosa para alcanzar los objetivos de glucosa: una alta variabilidad puede prevenir reducciones en los niveles de mediana de glucosa sin causar un riesgo de hipoglucemia indeseable.

[0123] La invención del algoritmo de titulación que se describe en el presente documento utiliza procedimientos estadísticos para proporcionar una guía de titulación de modo que los objetivos de glucosa se alcancen en menos tiempo, con menos probabilidad de hipoglucemia. La presente invención también proporciona un medio para indicar al paciente y al médico cuándo la variabilidad de la glucosa puede estar impidiendo el logro exitoso de los objetivos de glucosa.

[0124] El "cuadro de control" es un procedimiento técnico utilizado para generar recomendaciones de tratamiento a partir de lecturas de glucosa. El cuadro de control es un gráfico de la mediana de glucosa Gm frente a la variabilidad de la glucosa Gv (por ejemplo, la distancia entre la mediana y el percentil 10 inferior), con secciones definidas que se atribuyen a las recomendaciones de glucosa. Un aspecto importante del cuadro de control se denomina la "Línea de Riesgo de Hipoglucemia" (figura 35). Esta línea está asociada con un número esperado de apariciones de hipoglucemia para una mediana y variabilidad de glucosa determinadas. Además, junto con la mejor estimación de la mediana y la variabilidad, la "burbuja" de certeza del 95 % se puede trazar en el cuadro de control: si esta burbuja está por encima de la línea de riesgo de hipoglucemia, entonces el paciente debe anticipar, con una certeza del 95 %, no exceder la frecuencia de apariciones de hipoglucemia asociadas con la línea de riesgo de hipoglucemia (también conocida como "tolerancia al riesgo de hipoglucemia"). El punto de la burbuja más cercano a la línea de riesgo de hipoglucemia es el "Punto de recomendación de tratamiento" o TRP. Si el TRP está por encima de la línea de riesgo de hipoglucemia, entonces las recomendaciones son consistentes con aumentar de forma segura la insulina u otros medicamentos que se sabe que causan hipoglucemia. Si el TRP está por debajo de la línea de riesgo de hipoglucemia, entonces las recomendaciones son consistentes con disminuir la insulina o no ajustar la insulina, y/o tomar medidas para reducir la variabilidad de la glucosa. (Cabe indicar que el concepto de "burbuja de certeza" solo se utiliza como una ilustración gráfica intuitiva, ya que no describe exactamente cómo se realiza el cálculo del 95 % de certeza).

[0125] La diferencia vertical entre el TRP y la línea de riesgo de hipoglucemia se denomina margen para el tratamiento (MTT). Para una variabilidad de glucosa dada, un valor positivo para el MTT (es decir, el TRP está por encima de la línea de riesgo de hipoglucemia, tal como se ilustra por la distancia vertical marcada por 8 en la figura 36) corresponde a la cantidad de reducción en la glucosa mediana que puede tener lugar antes de que el TRP cruce por debajo de la línea de riesgo de hipoglucemia. Esto puede estar asociado con la cantidad de aumento de insulina permitida antes de causar un alto riesgo de hipoglucemia, según lo define la línea de riesgo de hipoglucemia. Un valor negativo para el MTT (tal como lo ilustra la distancia vertical marcada por el 8 rojo en la figura 36) corresponde a la cantidad de aumento en la mediana de glucosa necesaria para que el TRP esté por encima de la línea de riesgo de hipoglucemia y se asocia con la cantidad de disminución de insulina necesaria para la transición a un riesgo bajo de hipoglucemia.

[0126] La presente invención utiliza el MTT como medición para impulsar la titulación de insulina, de tal manera que se gestione el riesgo de hipoglucemia. El MTT se calcularía al final de cada período de titulación en función de las lecturas de glucosa medidas durante este período, y el MTT se utilizaría para determinar la recomendación de cambio de insulina. Comenzaría otro período de titulación en el que se recibirían más lecturas de glucosa y, al final del período, nuevamente se calcularía el MTT y se usaría para determinar la recomendación de cambio de insulina, y así sucesivamente.

[0127] La ventaja de utilizar el MTT es que no sólo proporciona la dirección de la titulación (aumento o disminución), sino también la cantidad de la titulación, en forma del cambio deseado en la mediana de glucosa. Dado que la glucosa de diferentes pacientes con diabetes responde de manera diferente a un cambio determinado en la dosis de insulina, el MTT no se puede utilizar directamente para determinar la cantidad de titulación. Otro aspecto de la presente invención es que el algoritmo de titulación aprenderá cómo un cambio en la insulina afecta a la mediana de la glucosa para un paciente específico, y utilizará este efecto medido para convertir el MTT en una cantidad de cambio de insulina específica. En la primera realización, la primera cantidad de titulación puede preestablecerse para que corresponda a un valor conservador definido por información predeterminada del paciente, tal como el peso del paciente o la sensibilidad a la insulina conocida, o puede definirse como un valor conservador basado en un modelo fisiológico del peor caso de un paciente (es decir, el más sensible a la insulina). Para una titulación posterior, la sensibilidad de titulación de insulina (ITS) se puede estimar como el cambio en la mediana de glucosa/cambio en la insulina. La recomendación de cambio de insulina para esta titulación podría entonces calcularse como MTT/TTS; sin embargo, sería más seguro, dado que la ITS es una estimación, reducir el cambio de insulina teniendo en cuenta la incertidumbre en la estimación de la ITS.

Estimación de un valor de ITS variable a lo largo del tiempo

[0128] Alternativamente, el valor de ITS se puede refinar con el tiempo basándose en datos de pacientes anteriores e información de población a priori. Se deja calcular la medición de la mediana de la glucosa Gm(k) y almacenar en cada índice k del período de titulación. Se deja que la dosis de insulina I(k) se almacene en cada índice k del período de titulación. Se deja que el último valor de ITSy(k) sea una función de Gm e I en los índices k y k-1 del último y anterior período de titulación:

[0129] A continuación, para el índice del siguiente período de titulación k+1, la dosis de insulina recomendada I(k+1) es igual a la última dosis I(k) más un factor de ajuste:

; ( i l ) = , ( í ) C í * h C ^ ± i ) [2 ,

y {k \)

[0130] Cabe indicar que en la ecuación 2, el valor de ITSY(k 1)para el siguiente período de titulación no se conoce directamente, por lo que se debe realizar una estimación,y(k+ 1). La estimación deY(k+1)se pospone después de que se hayan determinado otros elementos de la dosis de insulina recomendada,I(k+1),para el siguiente período de titulación.

[0131] Se deja que el valor de MTT para el siguiente período de titulación se represente por5(k+1),tal como se calcula mediante la estrategia basada en el gráfico de control de glucosa definida anteriormente e ilustrada en la figura 36. A continuación, nos gustaría que la siguiente mediana de glucosaGm(k+1)cambie con respecto a la última mediana de glucosaGm(k)en la cantidad especificada por5(k+1).La mediana objetivo para el siguiente período de titulación,Gt(k+1),es entonces:

[0132] Establecer el siguiente valorde Gm(es decir,Gm(k+1))para igualar el valor objetivoGtderivado de MTT, y sustituir el valor de ITS para el siguiente período de titulación con su estimación<y>"(k+ 1) (aún por definir), se puede calcular la siguiente dosis de titulaciónI(k+1):

Estimar un valor de ITS variable a lo largo del tiempo utilizando un promedio móvil de valores anteriores

[0133] En la segunda realización, la estimación del valor ITS para el siguiente período de titulación se obtiene a partir del promedio móvil de N valores ITS calculados anteriores:

[0134] En otras palabras, la siguiente dosis de insulina se calcula utilizando la ecuación 4, donde el siguiente valor ITS se determina mediante la ecuación 5, y el próximo MTT lo determina el cuadro de control.

Estimar un valor ITS variable a lo largo del tiempo utilizando una predicción de un solo paso basada en valores anteriores

[0135] En la segunda-tercera realización, la estimación del valor ITS para el siguiente período de titulación se obtiene a partir del ajuste de error de mínimos cuadrados (LS -least-squares)en línea recta proyectado de N valores ITS calculados anteriores (figura 37). En otras palabras, la siguiente dosis de insulina se calcula utilizando la ecuación 4, donde el siguiente valor ITS se determina mediante el ajuste del error LS proyectado tal como se ilustra en la figura 37, y el próximo MTT lo determina el cuadro de control.

Uso de MTT para proporcionar cambios de dosis en pasos fijos

[0136] En la tercera-cuarta realización, el valor de ITS y MTT se usan para proporcionar un conjunto fijo de incrementos dependiendo de la evaluación por el HCP del valor de ITS del paciente, que combinado con el signo de MTT (es decir, positivo o negativo) se usa para determinar una cantidad fija. El resultado es una progresión de cambios de titulación que son más similares a las guías de consenso actuales basadas en MD. Por ejemplo:

/(* l)=/(*)+A(* l) [6]

[0137] Donde, si el profesional sanitario considera que el ITS del paciente está en el lado extremadamente bajo, A se determina mediante:

[0138] Cabe indicar que la decisión de elegir los valores 1 y -1 unidades, así como al menos un MTT de 20 mg/dl para un aumento de dosis y un MTT de -10 mg/dl para una disminución de dosis depende de la experiencia del profesional sanitario. La determinación de si el ITS de un paciente (que puede calcularse mediante el promedio móvil de N valores anteriores, el ajuste del error LS proyectado de los N valores anteriores, etc.) está a la par con el promedio de la población o no depende principalmente de la evaluación por el profesional sanitario del factor de sensibilidad a la insulina del paciente y la propensión pasada del paciente a hipoglucemia observada o sintomática. Alternativamente, estos valores también pueden establecerse a priori basándose en datos de estudios de población. También se puede adoptar un mecanismo similar a la guía de consenso ADA/EASD:

/(* l)=/(*)+A(* l) [8]

[0139] La principal diferencia entre la realización descrita en las ecuaciones 8 y 9 y la de la guía de consenso ADA/EASD es que en la guía de consenso, el MTT se basa únicamente en la mediana de glucosa, y no tiene en cuenta el riesgo de hipoglucemia debido a la variabilidad glucémica del paciente. A modo de comparación, la guía de de consenso se representa en el cuadro de control (figura 38), donde la única línea de riesgo de hipoglucemia ha sido reemplazada por los intervalos de glucosa objetivo superior e inferior en valores de 130 (línea verde de puntos y guiones) y 70 (línea roja de puntos y guiones) mg/dl, y el uso del 95 % de confianza ha sido reemplazado por un promedio de medición o cualquier medición por debajo de 70 mg/dl. Siempre que Gm esté dentro de los 2 límites objetivo, se supone que 6 es 0.

Proporcionar un factor de seguridad adaptativo al aumentar la dosis.

[0140] En la quinta realización, se utiliza un elemento de seguridad adicional basado en la variabilidad de ITS durante muchos períodos para reducir la posibilidad de un aumento excesivo de la dosis. El elemento de seguridad implica agregar un factor de seguridad multiplicativo a, que varía con el tiempo para adaptarse a la situación cambiante del paciente. Una realización preferida de este elemento de seguridad modifica la ecuación 4 de la siguiente manera:

[0141] Cabe indicar que el factor de seguridad sólo afecta al aumento de dosis, en el sentido de que una gran variabilidad de ITS reduce la certeza de la información, lo que puede aumentar el riesgo de hipoglucemia no modelada. Como resultado, es posible que sea necesario atenuar ligeramente lo que se consideró un aumento de dosis seguro. El factor de seguridad puede comenzar en un valor neutral de 1, lo que hace que ambas posibilidades descritas en la ecuación 10 arriba sea idénticas. En la realización preferida, el factor de seguridad se calcula en relación con una variabilidad ITS de referencia a priorivb:

[0142] Donde la última variabilidadv(k)se calcula a partir de la desviación estándar de los N valores ITS anteriores con respecto a la línea de mejor ajuste tal como se describe en la figura 37. Alternativamente, la variabilidad de ITS de referencia se puede calcular en línea basándose en los valores de ITS durante un horizonte más largoN2(N2>>N).

Contabilización de cambios en la variabilidad de la glucosa entre titulaciones.

[0143] En las cinco realizaciones descritas, la determinación del valor del Margen para el Tratamiento (MTT) para el siguiente índice del período de titulaciónk+1, 5(k+1),se calcula con el supuesto de que la "burbuja de certeza" es lo suficientemente amplia para tener en cuenta ligeros cambios en la variabilidad de la glucosaGvdel paciente entre el último y el siguiente período de titulación. En otras palabras, cualquier cambio en la dosis de insulina basal sólo afectaráa Gm,y las incertidumbres del tratamiento debidas a cambios enGvse explican por la "burbuja de certeza". Las siguientes 3 realizaciones tienen en cuenta los cambios enGval determinar la siguiente dosis de insulina basalI(k+1).

Contabilización de cambios en la variabilidad de la glucosa entre titulaciones mediante un modelo desacoplado simple

[0144] En una sexta realización, se realiza un seguimiento de la progresión de la variabilidad de la glucosaGvdel paciente para estimar la cantidad de cambio en la variabilidad de la glucosa. Este proceso puede ser similar a la estimación/proyección de un paso de ITS, tal como se muestra en la figura 37. La diferencia es que en lugar de utilizar ITS anteriores para predecir el siguiente valor de ITS, la quinta realización utiliza unaGvanterior para predecir la siguienteG v. A continuación, esta información se puede utilizar para ajustar el MTT, reemplazandoGv(k)de la última "burbuja de certeza" por el valor deGv(k+1)previsto, desplazando así el valor de control de glucosa del paciente hacia la izquierda o hacia la derecha según la diferencia enGv. Posteriormente, se supone que la insulina basal sólo afectaa Gm.Por tanto, MTT y el resto del cálculo se pueden realizar como antes.

Contabilización de los cambios en la variabilidad de la glucosa entre titulaciones mediante un modelo de gradiente de sensibilidad a la insulina acoplado

[0145] En una séptima realización, el ajuste del valor de MTT para tener en cuenta la variabilidad de la glucosa se basa en la estimación de un gradiente de titulación de insulina (ITG),r,encontrando un punto más bajo en la "burbuja de certeza" del último índice de titulaciónkentre una posibilidad de puntos, cuya línea tangente sea paralela a la línea de riesgo de hipoglucemia, y finalmente calcular la dosis de insulina recomendadaIpara el siguiente índice de titulación. Los detalles se describen a continuación.

[0146] En la base de las realizaciones anteriores, se supuso que un cambio en la insulina basalIafecta la mediana de glucosaGmdel paciente, pero no la variabilidad de la glucosa Gv. Como resultado, la noción de sensibilidad a la titulación de insulina relaciona los cambios enIcon los cambios enGm.En un modelo más completo, este concepto unidimensional se reemplaza por un gradiente de titulación de insulina, donde el componente vertical es idéntico a la definición de ITS y el componente horizontal relaciona los cambios en / con los cambios enGv.En otras palabras:

[0147] El efecto de la insulina basalIes ahora un vector que abarca la base horizontalexque representa la variabilidad de la glucosa y la base verticaleyque representa la mediana de glucosa. Tantoexcomoeyson vectores unitarios. Esta adaptación del vector al principio básico para las cuatro realizaciones de ejemplo ilustradas en la figura 36 se ilustra en la figura 39.

[0148] Se toman puntos candidatos en la "burbuja de certeza", cuya tangente (línea de puntos roja) es paralela a la línea de riesgo de hipoglucemia y se elige uno con el valor de mediana de glucosa más pequeño. Por el momento, se supone quer(k+1),el valor de ITG para el siguiente índice de titulación, ha sido estimado y tiene la dirección representada por la flecha roja en la figura 39. A continuación, se extiende el punto previamente seleccionado hacia la línea de riesgo de hipoglucemia a lo largo de la dirección der(k+1).El componente vertical es similar al MTT original, tal como se describe en las primeras cuatro realizaciones. Sin embargo, el valor de MTT (representado por la distancia5en la figura 39) es algo más corto que la situación similar representada en la figura 36. La razón es que en el caso del vector, cualquier efecto no vertical del cambio de dosis de insulina puede reducir o aumentar la probabilidad de cruzar la línea de riesgo de hipoglucemia.

[0149] De manera similar al caso escalar original (es decir, las primeras cinco realizaciones), la dosis de insulina recomendadal(k 1es i ual a la última dosisl kmás un factor de auste:

[0150] Donde É (^ l) es la estimación para el componente vertical de ITG, por definir. La mediana de glucosa objetivo depende de la última mediana de glucosaGm(k)y del MTT representado por la longitud5en la figura 39:

Gt(k \):= Gm(k)-S(k1) 114]

[0151] A continuación, estableciendo el siguiente valor deGm(es decir,Gm(k+1))para igualar el valor objetivoGtderivado de MTT, y sustituyendo el valorde ry(k+1)por el siguiente período de titulación con su estimaciónFy(k+ 1) (aún por definir), se puede calcular la si uiente dosis de titulaciónl k 1

[0152] En esta realización, la estimación del componente vertical del valor de ITG para el siguiente período de titulación se obtiene a partir del promedio móvil de los componentes verticales deNvalores de ITG anteriores:

[0153] El componente horizontal del valor ITG también podría calcularse de forma independiente de una manera similar:

k

f-,(* i ) - * £ r ,( ; ) , r,(*)ao Ii7i

/=k-N

Contabilización de los cambios en la variabilidad de la glucosa entre titulaciones mediante un modelo de gradiente de sensibilidad a la insulina acoplado, con una estimación acoplada del modelo de gradiente de sensibilidad a la insulina.

[0154] En una octava realización, el proceso es idéntico a la séptima realización, con la excepción de una estimación conjunta de los componentes vertical y horizontal del valor ITG. Una implementación preferida es definir una representación polar d

[0155] Donde la relación se selecciona de manera que se evita la singularidad al no colocar el elemento típicamente más pequeño,r x, en el denominador. Siguiendo esta representación polar, se pueden realizar predicciones en un solo paso de la magnitudrmy la relaciónr raplicando de forma independiente el mismo ajuste de error LS de una línea representada en la figura 3, sustituyendo la ITS porrmyren cada caso, de forma independiente.

[0156] Variabilidad: el sistema notificaría al paciente y/o al profesional sanitario cuando la variabilidad fuera demasiado alta y fuera necesario reducirla si querían lograr un medio objetivo más bajo. Específicamente, el sistema generaría: a) la mediana más baja alcanzable para la variabilidad actual, y b) el objetivo de variabilidad necesario para alcanzar el objetivo de la mediana. La variabilidad se indicaría como demasiado alta si el MTT fuera mayor que la diferencia entre el TRP actual y la mediana deseada. Este resultado sería más beneficioso para el profesional sanitario del paciente para que pueda trabajar con el paciente para abordar el comportamiento de autocuidado y abordar la variabilidad. También podría proporcionarse una variabilidad objetivo, que en una realización puede calcularse como la intersección de la línea de riesgo de hipoglucemia y la mediana objetivo.

[0157] Usando los procedimientos descritos en cualquiera de las realizaciones, la mediana más baja alcanzableGm(k+ 1) dada la variabilidad actual es igual a la mediana de glucosa objetivo utilizada en los cálculos, tal como se describe en las ecuaciones 3 y 14:

[0158] El objetivo de variabilidadG v ( k1) necesario para alcanzar la mediana objetivo se puede calcular en las realizaciones séptima y octava tomandol(k+1)(la dosis de insulina sugerida), É (^ 0 (la componente horizontal estimada del ITG),I(k)(la última dosis de insulina medida) yGv(k)(la última variabilidad de la glucosa), de la siguiente manera:

G\{k+ l) = Gv(fc) [ft(fc ! ) [ /( * ) - /( * 0l| [20]

[0159] Basal frente a basal/bolo: el algoritmo descrito hasta ahora podría aplicarse a medicamentos para reducir la glucosa y específicamente a medicamentos que pueden causar hipoglucemia, tales como insulina basal y sulfonilurea. Extender este algoritmo a las dosis de insulina basal y prandial es más complicado, ya que hay cuatro puntos de tiempo clave de dosificación en el día, cada uno asociado con un perfil de glucosa en el tiempo del día: en ayunas, después del desayuno, después de la comida o almuerzo y después de la cena. (cabe indicar que aquí se pueden considerar otros regímenes de dosificación de manera más general). Se determinaría un cuadro de control para cada período. Un enfoque para esta dosificación más complicada es incorporar un modelo de interacción basal/bolo en el algoritmo de titulación. Un modelo de interacción basal/bolo tendría en cuenta que la dosis basal afecta no solo a la glucosa en ayunas sino también a la glucosa después de las comidas, y que la dosis de acción rápida de la cena a menudo afecta a la glucosa en ayunas. Un modelo de interacción simple podría asociar la dosis de acción prolongada con un efecto distribuido en los niveles de mediana de la glucosa en cada uno de los cuatro puntos de tiempo del día: por ejemplo, se podría determinar una sensibilidad incremental a la insulina para cada período del tiempo del día asociado con la dosis basal (mg/dl por unidad). Asimismo, los períodos de cena y ayuno podrían tener un aumento en la sensibilidad a la insulina asociada con la dosis de cena de acción rápida.

[0160] Medidor frente a software de PC frente a híbrido: este sistema se puede implementar de varias maneras. Por ejemplo, se puede implementar completamente en un medidor de glucosa. Es probable que el medidor tenga características que permitan a un profesional sanitario u otro cuidador configurar los parámetros de titulación, tales como niveles máximos de titulación u otros posibles parámetros para el algoritmo. El algoritmo también podría implementarse completamente en un ordenador personal u otro dispositivo informático sin medidor o de forma remota en la "nube". Aquí el profesional sanitario puede participar para aprobar las recomendaciones de titulación. Se puede contemplar un sistema híbrido en el que partes del algoritmo estén disponibles en el medidor y/o en el dispositivo informático remoto. Un ejemplo de esta realización es cuando el algoritmo se implementa de forma remota y se notifica a un profesional sanitario sobre la recomendación de titulación y este debe aprobarla. A continuación, el ordenador remoto descargaría la recomendación de titulación. Se pueden contemplar muchas otras variaciones de este esquema híbrido.

Algoritmo experto simplificado para el sistema informático del sistema de gestión de terapias

[0161] Se divulga una realización relacionada con un Sistema de Gestión de Terapia (TMS,Therapy Management System).En la técnica anterior, un "algoritmo experto" calcula los resultados numéricos que impulsan las recomendaciones de tratamiento. El algoritmo de la técnica anterior es numéricamente complejo y requiere una cantidad significativa de tiempo para producir resultados. El tiempo de espera se nota y resta valor a la experiencia del usuario.

[0162] En particular, el cálculo de la incertidumbre en la estimación requiere una cantidad sustancial de tiempo de cálculo. La incertidumbre se utiliza para encontrar la distancia desde el valor central hasta un valor llamado "Punto de recomendación de tratamiento" (TRP), que es vital para el funcionamiento del TMS. El doble de esta distancia se conoce como "Cifra de Mérito" (FOM,Figure of Merit).Esta realización utiliza los resultados del algoritmo experto actual para realizar una aproximación sencilla al FOM, evitando así un cálculo largo.

[0163] Con referencia a los dibujos, la figura 40 muestra un diagrama de dispersión de la cifra de mérito frente al Sur40 y la mediana de glucosa. El diagrama de dispersión tiene rayas verticales intensas, lo que indica que la FOM es una función importante del sur40 y la FOM es independiente de la mediana. La figura 41 presenta una FOM/2 frente al Sur40 normalizado. La normalización es 1/la raíz cuadrada del tamaño de la muestra. Es evidente una correlación muy fuerte. La línea discontinua es la línea x = y. La segunda línea es la que mejor se ajusta y tiene una pendiente = 0,8745 y una intersección = 2,57 mg/dL. La figura 42 presenta el error utilizando f Om /2 - S40/raíz cuadrada del tamaño de la muestra. La figura 43 presenta el error utilizando un ajuste de mínimos cuadrados. La figura 44 muestra el error con el histograma de ajuste de mínimos cuadrados. Al utilizar el ajuste de mínimos cuadrados, no hay errores mayores que 5 mg/dL y los errores son simétricos alrededor de 0.

[0164] Tal como se muestra en las figuras 40 a 47, existe una relación lineal muy fuerte entre la FOM y la variabilidad de la glucosa (el "Sur40") y el número de puntos de datos, N. Usando una regresión lineal, encontramos que

FOM/2 = 2,57 0,8745*Sur40/VN

Así, entre 5 y 10 segundos de cálculo pueden sustituirse por unas pocas operaciones aritméticas. Esta relación se probó en un conjunto diferente de datos (el conjunto de prueba). El error entre la FOM/2 calculada y la FOM/2 aproximada rara vez excede los 5 m/dl, que es mucho menor que la propia FOM.

[0165] Las figuras 45 a 47 se basan en datos del conjunto de pruebas y la figura 45 muestra el error usando FOM/2 = S40/raíz cuadrada del tamaño de la muestra. La figura 46 muestra el error usando el ajuste de mínimos cuadrados y la gráfica de la figura 47 muestra el error con el histograma de ajuste de mínimos cuadrados. El conjunto de pruebas indica que la correlación persiste y que el error es pequeño.

Uso de marcadores de comidas y análisis de patrones de glucosa para mejorar las recomendaciones de tratamiento

[0166] Usar marcadores de comida y/o patrones de glucosa para impulsar las recomendaciones de tratamiento del paciente. Los sistemas de recomendación anteriores no utilizan información de las comidas y tampoco explotan las relaciones temporales entre los valores de glucosa. El uso de marcadores de comidas se puede utilizar para dar recomendaciones más específicas (y, por tanto, mejores). El análisis de patrones que utiliza relaciones temporales abre nuevos resultados de análisis que se habrían pasado por alto si solo se observaran los datos recopilados en forma agregada.

[0167] Los marcadores de comida podrían usarse de muchas maneras. Usarlos para agrupar datos (por ejemplo, los valores posteriores a la comida o almuerzo son aquellos valores después de una comida registrada entre las 10 a. m. y las 3 p. m.) permitiría una diferenciación más precisa de los puntos en "grupos" de comidas, lo que generaría recomendaciones más precisas para problemas específicos de las comidas. El tamaño y el horario de las comidas registrados en relación con el uso de insulina se pueden utilizar para evaluar qué tan bien el paciente está manejando las comidas actualmente y sugerir mejoras de comportamiento generales (es decir, todas las comidas) o específicas (es decir, solo algunas comidas) para mejorar el control glucémico/reducir la variabilidad. La información sobre los marcadores de comidas se puede recopilar de diversas formas:

Explícitamente (es decir, hay una interfaz de usuario que permite al usuario registrar una comida);

Implícitamente basado en otros datos recopilados (por ejemplo, información sobre insulina entrada manualmente o leída automáticamente desde un dispositivo dosificador); y

Se activa en función de un evento (por ejemplo, una cantidad de tiempo configurable después de que se toma una medición de glucosa).

[0168] La información de la comida también podría usarse para generar recordatorios para el usuario (por ejemplo, para advertir al usuario que puede haber omitido un bolo de comida). Esta lógica podría adoptar diversas formas: - Advertir si hay una gran subida sin un bolo registrado

- Advertir si no se registra ninguna comida/insulina durante un período de tiempo prolongado

[0169] También se pueden introducir en el análisis patrones, tales como subidas y bajadas rápidas. Las bajadas rápidas podrían tratarse como un factor de riesgo independiente de hipoglucemia. Las recomendaciones podrían ajustarse en consecuencia en su presencia. Las subidas rápidas pueden tratarse como una medida precisa de la variabilidad intradía. El número o la magnitud de los subidas rápidas presentes se pueden comparar con la variabilidad general para determinar la variabilidad interdiaria frente a intradiaria. Tener medidas separadas para las diferentes clases de variabilidad permitiría que las recomendaciones se dirigieran con mayor precisión a la causa fundamental de la alta variabilidad experimentada por el paciente.

[0170] Por ejemplo, si se ha detectado un gran número de subidas o bajadas rápidas, las recomendaciones de tratamiento pueden centrarse en el momento y el tamaño de los bolos. En el caso contrario, cuando se descubre que hay mucha más variabilidad entre días que intradía, las recomendaciones de tratamiento pueden centrarse en cambios en el estilo de vida, tales como el horario de las comidas y el ejercicio.

Cuadro de dos umbrales análogos para el control utilizado para respaldar la toma de decisiones terapéuticas

[0171] Se describe el uso de mediciones alternativas para un cuadro de control utilizado para el respaldo a las decisiones sobre la terapia de la diabetes. Además, se describe un medio para determinar un umbral "superior" de un intervalo de glucosa objetivo que es equivalente a un objetivo de la mediana definido por A1c.

[0172] En los cuadros de control anteriores, el intervalo superior se establecía según las preferencias y costumbres del médico, por ejemplo, 190 mg/dl. Sin embargo, para pacientes con una mediana alta o una variabilidad alta, este límite superior tradicional puede no ser apropiado. Se describe un medio para establecer este intervalo en función del objetivo de A1c (o mediana de glucosa), la variabilidad medida y la tolerancia al riesgo de hipoglucemia.

[0173] El cuadro de control, descrito anteriormente, es la parte clave de un procedimiento que se puede utilizar para generar recomendaciones de terapia para la diabetes a partir de datos de glucosa. El cuadro de control es un gráfico de una medida de tendencia central (por ejemplo, mediana) frente a una medida de variabilidad (por ejemplo, mediana menos el percentil 10). Los datos de glucosa se utilizan para generar estas medidas. Se pueden definir zonas en el cuadro de control correspondientes a las recomendaciones de tratamiento, tales como "es seguro aumentar la dosis" o "reducir la variabilidad antes de aumentar la dosis". De esta manera, los datos de glucosa se pueden asignar a recomendaciones.

[0174] Las zonas se pueden definir identificando límites, tales como por encima o por debajo de la mediana objetivo, y por encima o por debajo de una medición que define un alto riesgo de hipoglucemia. Un aspecto novedoso de este procedimiento es un límite que identifica zonas de alta y baja variabilidad. Un límite de variabilidad particularmente útil identifica la variabilidad máxima que puede coexistir con un riesgo de hipoglucemia bajo y por debajo de la mediana objetivo.

[0175] En la práctica clínica, identificar la variabilidad alta y baja de esta manera es útil porque permite notificar a un médico que cuando la variabilidad de la glucosa es alta, ajustar las cantidades de dosis de medicación por sí solo puede no ser útil para mejorar el control glucémico, pero que se deben seguir esos pasos para identificar las causas de la alta variabilidad y mitigarlas.

[0176] La divulgación siguiente describe procedimientos alternativos para lograr la asignación de glucosa a recomendación. Por ejemplo, en lugar de utilizar la mediana y la variabilidad, el procedimiento podría emplear dos medidas estadísticas cualesquiera que definan una distribución de datos. Por ejemplo, las medidas estadísticas podrían basarse en un intervalo objetivo de glucosa. Un intervalo objetivo, comúnmente utilizado en el control de la diabetes y bien comprendido por los médicos especializados en diabetes, es simplemente un intervalo de glucosa definido entre dos umbrales; por ejemplo, G<low>= 70 mg/dl y G<high>= 140 mg/dl. Para los datos continuos del sensor, una medida común relacionada con el intervalo objetivo es el "tiempo dentro del objetivo" (twT), definido como el porcentaje de datos dentro de este intervalo o el número promedio de horas en un día dentro de este intervalo. De manera similar, se definen el "tiempo por encima del objetivo" (tAT) y el "tiempo por debajo del objetivo" (tBT).

[0177] Si consideramos que los datos de glucosa se pueden modelar como una distribución (por ejemplo, una distribución gamma), para umbrales objetivo predefinidos GLowy G<high>podemos calcular tBT y tAT. Un ejemplo de esto se muestra en la figura 48.

[0178] También podemos definir, para estos mismos umbrales, una medición tBT_HYPo en la que, si se excede en tBT, entonces se puede determinar que el paciente tiene un alto riesgo de hipoglucemia. Por ejemplo, podemos definir un riesgo alto de hipoglucemia cuando tBT es superior al 5% para G<low>= 70 mg/dl; en este ejemplo, tBT_HYPo = 5 %. Del mismo modo, se puede definir una medición tAT_HYPER en la que, si se excede en tAT, se puede determinar que el paciente tiene un alto riesgo de hiperglucemia. El grado de riesgo de hipoglucemia se puede ajustar ajustando G<low>o tBT_HYPo. Lo mismo ocurre con el riesgo de hiperglucemia y G<high>o tAT_HYPER.

[0179] Dos cualesquiera de estas tres medidas, tBT, tAT y twT, se pueden utilizar para definir un cuadro de control. Las figuras 49A - 49F muestran un cuadro de control definido por tAT y tBT. En la figura 49A, tBT_HYPo define un límite y se crean dos zonas que identifican el riesgo de hipoglucemia. La figura 49B muestra un límite diferente definido por tAT_HYPER, que crea dos zonas que identifican el riesgo de hiperglucemia. Alternativamente, puede ser más apropiado desde el punto de vista clínico definir un límite de riesgo de hiperglucemia como un valor constante de twT, lo que se traduciría en el cuadro tAT vs tBT como una línea, ilustrada en la figura 49C. En la figura 49D, mostramos un ejemplo de cómo se pueden combinar estos límites. En este caso, el límite del riesgo de hipoglucemia tiene prioridad (ya que en la práctica el tratamiento de la hipoglucemia suele tener prioridad sobre el tratamiento de la hiperglucemia). Esto da como resultado tres zonas, tal como se muestra.

[0180] Una característica importante del cuadro de control, descrito anteriormente, es la identificación de la variabilidad y su relación con el riesgo de hipoglucemia. Una definición de límite apropiada para una alta variabilidad es aquella en la que no puede coexistir ningún aumento adicional de la variabilidad con la región objetivo. Este límite de variabilidad constante se ilustra en la figura 49E, superponiendo los otros límites. En la figura 49F, se muestran los límites para identificar cinco zonas diferentes; estas zonas se pueden asignar a evaluaciones del control glucémico del paciente, tal como se muestra en la siguiente tabla, o a recomendaciones clínicas o a otras clasificaciones.

[0181] Tal como se mencionó, cualquier medida estadística se puede utilizar de manera similar en el cuadro de control. La figura 50 muestra un cuadro con zonas identificadas con twT en el eje y y tBT en el eje x.

[0182] Una medida estadística alternativa que podría usarse, similar a las ya analizadas, son los percentiles. Por ejemplo, el eje y podría representarse por el percentil del 75 % de glucosa (G<75>) y el eje x representado por el percentil del 10 % de glucosa (G<10>). Ahora, para los límites predeterminados de riesgo de hipoglucemia e hiperglucemia definidos por G<low>y tBT_HYPo, y G<high>y tAT_HYPER, podemos determinar umbrales objetivo equivalentes en términos de las medidas Gio y G<75>, G<lowio>y G<high75>. Este cuadro de control se muestra en las Figs. 51A-F1B.

[0183] Como ejemplo de la realización anterior, supongamos que el riesgo de hipoglucemia se define por G<low>= 70 mg/dl y tBT_HYPO = 7,2 %, lo que significa que un paciente tiene un alto riesgo de hipoglucemia si sus datos de glucosa son inferiores a 70 mg/dl durante más del 7,2 % del tiempo. Además, supongamos que el riesgo de hiperglucemia se define por Ghigh = 200 mg/dl y Tb = 10 %, lo que significa que un paciente está por encima del objetivo si sus datos de glucosa son superiores a 200 mg/dl durante más del 10 % del tiempo. Utilizando estos valores como parámetros que definen un modelo de distribución gamma, podemos calcular los umbrales objetivo en términos de los percentiles medidos, G<10>y G<75>. Glow<10>= 76 mg/dl y Ghigh<75>= 163 mg/dl. Los pacientes y los médicos ahora pueden utilizar estos objetivos para controlar su glucosa de una manera intuitiva y sólida.

[0184] Obsérvese que se puede utilizar cualquier percentil deseado como medida. Algunas opciones serán más prácticas que otras. Por ejemplo, puede que no sea práctico utilizar G<10>y G<11>, ya que requeriría una enorme cantidad de datos para resolver la diferencia del 1 %. Además, G<2>y Ggs pueden no ser buenas opciones debido a la gran cantidad de datos necesarios para resolver las colas de distribución. La divulgación original del cuadro de control eligió G<50>y (G<50>- G<10>) como medidas, ya que esto corresponde aproximadamente a elegir una medida de tendencia central y una medida de variabilidad, que es una forma común de definir distribuciones y requiere menos datos para estimar con precisión. G<75>y G<10>, descritos anteriormente, pueden ser buenas opciones, al igual que G<90>y G<10>, ya que conducen a la definición de un intervalo objetivo que los pacientes y médicos entienden bien como una herramienta para el control de la diabetes. Además, estos percentiles corresponden a los utilizados en el estándar del perfil ambulatorio de glucosa utilizado por muchos médicos especialistas en diabetes para evaluar los datos de glucosa de los pacientes. Finalmente, una buena opción para los percentiles puede ser G<75>y (G<50>- G<10>) o G<90>y (G<50>- G<10>), ya que proporcionan un límite de intervalo objetivo alto y una medida de variabilidad que se estima bien con cantidades pequeñas de datos y se entiende fácilmente que es principalmente una estimación de la variabilidad.

[0185] En divulgaciones anteriores del cuadro de control, se describió cómo se puede definir el límite de riesgo de hipoglucemia a partir de datos de glucosa de una población de pacientes. En este caso, el límite se determinó en términos de las medidas G<50>y (G<50>- G<10>). Utilizando el mismo procedimiento, se puede elegir el límite para cualquier medida percentil.

[0186] En general, este procedimiento podría utilizar dos medidas estadísticas de datos cualesquiera. Ejemplos de otras medidas estadísticas son la media, la moda, la desviación estándar, la varianza, MARD, LGBI, etc.

[0187] Para el umbral que define el extremo superior del intervalo objetivo, por ejemplo G<high75>o G<high90>, puede ser útil determinar estos umbrales en función del objetivo deseado A1c. En divulgaciones anteriores del cuadro de control, se describió cómo la zona objetivo en el cuadro de control tenía un límite superior definido como la mediana de glucosa objetivo. Esto es lo mismo que G<high50>. También se ha descrito cómo esta mediana objetivo puede asociarse con una A1c objetivo. Este es un parámetro útil que el médico puede ajustar, ya que le permite establecer un objetivo de A1c que puede ser más razonable para el paciente. Por ejemplo, el objetivo final de todas las personas con diabetes es mantener un valor de A1c por debajo del 7 %. Sin embargo, si un paciente tiene actualmente una A1c del 11 %, puede resultar desalentador utilizar el objetivo del 7%; puede ser más realista para el médico establecer un objetivo alcanzable del 9,5 %. Cuando el paciente alcanza este objetivo, el médico puede fijar un objetivo inferior, y así sucesivamente. La mediana de glucosa objetivo G<high50>se puede determinar a partir de la A1c objetivo seleccionada, tal como se describe en otra parte.

[0188] Sin embargo, si se utiliza una medida percentil diferente de la mediana, el umbral objetivo equivalente debe determinarse en términos de esta medida diferente. Desafortunadamente, a diferencia del objetivo de mediana que se puede definir como se describió anteriormente para datos con cualquier valor posible de variabilidad estadística, otras medidas para el objetivo, tales como el 75 % y el 10 %, dependerán de la variabilidad de los datos. Es decir, utilizando la medida G<75>, por ejemplo, para un objetivo de mediana determinado, se podría calcular una Ghigh<75>correspondiente dada una distribución supuesta con una mediana a GHIGH<5>oy una medición de variación definida. Esta medición de variación podría definirse como cualquier valor, pero una opción lógica es que corresponda a una distribución que cumpla exactamente con los criterios de riesgo de hipoglucemia. Por lo tanto, G<high75>se puede determinar a partir de una distribución gamma definida por una mediana en G high<50>y con una variación definida por Glow y t bt_hypo. Como ejemplo, dado G<low>= 70 mg/dl y t<bt>_<hypo>= 7,2 %, y G<high50>= 154 mg/dl, la distribución gamma con estos parámetros daría como resultado un valor en el percentil del 75 % de G<high75>= 209 mg/dl. Este ejemplo se ilustra en las figuras 52A y 52B donde se muestra el cuadro de control G50 frente a (G50-G10) con un cuadro de control equivalente G75 frente a (G50-G10).

[0189] El beneficio clave de determinar un objetivo equivalente en los percentiles del 75 % o del 90 % es que es más natural para los pacientes controlar su glucosa basándose en mantener su glucosa por debajo de un objetivo alto, en lugar de intentar alcanzar un objetivo de mediana o media de glucosa. Por ejemplo, un objetivo podría ser mantener su glucosa por debajo de un valor de 175 mg/dL el 90 % del tiempo. Este valor objetivo de glucosa, Ghigh<90>, que lo determina un médico que define su objetivo de A1c y su nivel de riesgo de hipoglucemia, se puede proporcionar al médico, al cuidador y/o al paciente. Un uso sería mostrar una línea en el AGP en este valor umbral. Otro uso sería cargar este valor en un medidor de glucosa que se programaría para mostrar el valor como una línea en los gráficos del historial de glucosa, o para usar el valor en un cálculo de tAT.

[0190] Se pueden contemplar alternativas a las metodologías descritas anteriormente cambiando el papel de las "entradas" y las "salidas". Por ejemplo, en lugar de determinar un umbral de intervalo alto estableciendo el objetivo de A1c y el umbral de riesgo de hipoglucemia, un sistema podría permitir al médico establecer el umbral de intervalo alto deseado y el umbral de riesgo de hipoglucemia, y determinar la mediana del objetivo o el valor de A1c equivalente. Otro ejemplo es un sistema que permitiría al médico establecer el objetivo de A1c, el umbral de riesgo de hipoglucemia y la medida del percentil del umbral de intervalo alto deseado, y determinar el umbral de intervalo alto asociado. Muchas otras posibilidades en este sentido son obvias. Otros sistemas posibles incluyen uno en el que se aplica una rutina a los datos para determinar el mejor ajuste a uno de varios modelos de distribución posibles, y esta distribución seleccionada se utiliza en el procedimiento descrito.

[0191] Cuando se utilizan datos de sensores, es probable que se recopilen suficientes datos para proporcionar una buena estimación de una distribución. Para los datos SMBG, donde normalmente hay menos puntos de datos disponibles, puede resultar útil ajustar los datos a un modelo de distribución, tal como una distribución gamma, para calcular tBTy tAT.

[0192] Cabe indicar que se pueden utilizar distribuciones distintas de una distribución gamma; sin embargo, para las distribuciones más comunes, se deben definir dos parámetros para definir de forma única la distribución. Este es el caso de los ejemplos anteriores. El procedimiento descrito aquí podría generalizarse a distribuciones que requieren tres o más parámetros para definirse de forma única; en estos casos, es necesario utilizar 3 o más medidas, con las mediciones correspondientes definidas.

[0193] Otra realización del procedimiento descrito incorporaría dos o más límites asociados con una medida; por ejemplo, en lugar de "por encima" y "por debajo" (o "alto" o "bajo"), podemos tener dos límites: "alto", "moderado" o "bajo". Ver las figuras 53A y 53B. Las divulgaciones anteriores describen estos límites definidos por gradaciones en la incertidumbre asociada con una medida; sin embargo, se pueden asociar múltiples límites con cualquier medida por cualquier motivo.

Asignación basada en reglas para la guía de ajuste de medicamentos

[0194] Se divulga un medio para proporcionar recomendaciones de tratamiento de la diabetes usando lógica basada en reglas aplicada a una muestra de mediciones de glucosa. Los procedimientos anteriores para la lógica de recomendación normalmente no incorporaban la variabilidad de la glucosa. La presente invención aprovecha la relación observada y clínicamente relevante entre la mediana de glucosa, la variabilidad de la glucosa en el intervalo bajo y el riesgo de hipoglucemia para derivar recomendaciones de tratamiento. Esta ventaja potencial es hacer que las recomendaciones sean más aplicables y útiles para los pacientes y los profesionales sanitarios.

[0195] La presente realización proporciona un medio para guiar la intervención del tratamiento de la diabetes mediante decisiones basadas en reglas aplicadas a una muestra de mediciones de glucosa. Como antecedente, los procedimientos anteriores se basan en determinar un valor de tendencia central (es decir, percentil 50) y un valor de variabilidad de intervalo bajo (es decir, percentil 50 -10 ) para caracterizar el control de la hiperglucemia, el control de la variabilidad y el riesgo futuro de hipoglucemia. Dados los umbrales para determinar las categorías de control (es decir, "Por encima", "Dentro", "Por debajo" o "Alto", "Moderado", "Bajo") para cada una de ellas, se pueden asociar varias zonas con salidas para proporcionar orientación sobre el tratamiento de la diabetes. Un ejemplo de estas zonas se muestra en la figura 54. Esta define el ejemplo principal de un algoritmo de "asignación de zonas".

[0196] La presente invención usaría una serie de decisiones basadas en reglas para llegar a "zonas de control", que podrían seguir la misma asignación o similar para la salida de guía, tal como la que se muestra en las figuras 55A y 55B. Estas reglas podrían evitar la estimación directa de la variabilidad de la glucosa, sino inferir la variabilidad de la glucosa en función de los resultados de las comprobaciones de las reglas. Por ejemplo, en un caso sencillo de comprobar por encima y por debajo de un único intervalo de glucosa objetivo durante un único período de tiempo de interés (digamos "durante la noche"), el algoritmo de asignación de zonas podría consistir en comprobar si la tasa de valores de glucosa por encima del intervalo objetivo excede un umbral o no (por lo tanto, "control de hiperglucemia" sería "Por encima" o "Dentro") y a continuación comprobar si la tasa de valores de glucosa por debajo del intervalo objetivo excede un umbral o no (por lo tanto, "riesgo de hipoglucemia" sería " Baja o "Alta"). La variabilidad de la glucosa podría inferirse (como se enumera en la Tabla 1) y la salida de guía se puede determinar mediante la zona de control tal como se enumera en la Tabla 2.

[0197] Por ejemplo, si está por debajo de los umbrales de riesgo de hipoglucemia e hiperglucemia, entonces se determinaría que la variabilidad es baja. Alternativamente, si se superan los umbrales de riesgo de hipoglucemia e hiperglucemia, entonces se determinaría que la variabilidad es alta. Si está por encima del umbral de riesgo de hiperglucemia, pero por debajo del umbral de riesgo de hipoglucemia, o si está por debajo del umbral de riesgo de hiperglucemia, pero por encima del umbral de riesgo de hipoglucemia, es posible que la variabilidad no sea discernible utilizando este procedimiento; sin embargo, en este caso, las recomendaciones pueden limitarse únicamente al ajuste de la medicación o siempre pueden incluir una guía para reducir la variabilidad como enfoque conservador.

T l . E m l l rim i n i n z n n r l

[0198] Otro procedimiento sería estimar explícitamente la variabilidad y compararla con un umbral (o múltiples umbrales) para determinar si el resultado es una variabilidad "alta" o una variabilidad "baja". A continuación se determinan las medidas de riesgo de hipoglucemia e hiperglucemia y se aplican a una tabla de mediciones del riesgo; se utiliza una tabla cuando se detecta una variabilidad "alta" y otra tabla si se detecta una variabilidad "baja". Tenga en cuenta que se pueden utilizar tablas o funciones o cualquier otro medio equivalente para procesar estos resultados.

[0199] Otro procedimiento sería generar nuevos umbrales para determinar la variabilidad "alta" o "baja", si está por encima del umbral de riesgo de hiperglucemia, pero por debajo del umbral de riesgo de hipoglucemia, o si está por debajo del umbral de riesgo de hiperglucemia, pero por encima del umbral de riesgo de hipoglucemia. Una realización sería, si está por encima del umbral de riesgo de hiperglucemia, pero por debajo del umbral de riesgo de hipoglucemia, determinar un nuevo umbral alto como el percentil del 80 % de los datos (o utilizando el percentil correspondiente al umbral de riesgo de hiperglucemia), y determinar un nuevo umbral bajo como el nuevo umbral alto menos la diferencia entre el umbral de riesgo de hiperglucemia y el umbral de riesgo de hipoglucemia. Si el percentil del 10 % de los datos está por debajo de este nuevo umbral bajo, entonces se determinará que la variabilidad es "alta"; de lo contrario, se determinará que la variabilidad es "baja". Del mismo modo, si está por debajo del umbral de riesgo de hiperglucemia, pero por encima del umbral de riesgo de hipoglucemia, entonces determinar un nuevo umbral bajo como el percentil del 10 % de los datos y determinar un nuevo umbral alto como el nuevo umbral bajo más la diferencia entre el umbral de riesgo de hiperglucemia y el umbral de riesgo de hipoglucemia. El resultado de este procedimiento es esencialmente el mismo que determinar explícitamente una medida de variabilidad de los datos, pero no requiere que esta medida de variabilidad se determine explícitamente.

[0200] Otros procedimientos están relacionados con lo anterior porque no requieren una determinación explícita de la variabilidad. Por ejemplo, se puede crear un par de umbrales alto y bajo sumando o restando una compensación idéntica a los umbrales de riesgo de hipoglucemia e hiperglucemia. De esta manera, se pueden crear múltiples pares de umbrales, utilizando una variedad de compensaciones. A continuación, se pueden comparar el percentil del 10 % y el percentil del 80 % con todos estos pares y, si para al menos un par, está por encima de los umbrales de riesgo de hipoglucemia e hiperglucemia, entonces se determinaría que la variabilidad es "alta"; de lo contrario, se determinará que la variabilidad es "baja". Esta metodología se puede extender a muchos percentiles y esquemas de escalado diferentes. Por ejemplo, en lugar de determinar los nuevos umbrales alto y bajo basándose en la compensación de los umbrales de riesgo de hiperglucemia e hipoglucemia, se podrían contemplar otras funciones de los umbrales de riesgo de hiperglucemia e hipoglucemia. Por ejemplo, se puede usar una función lineal cuando un parámetro de pendiente que multiplica el umbral de riesgo de hiperglucemia es mayor que uno, para reducir la probabilidad de que se determine una variabilidad "alta" cuando los niveles de glucosa tienden a subir.

[0201] Se podrían diseñar múltiples niveles de comprobaciones de reglas para el control de la hiperglucemia y el riesgo de hipoglucemia. Por ejemplo, el riesgo de hipoglucemia podría estratificarse en tres niveles como:

Riesgo bajo: < 5 % por debajo del umbral bajo

Riesgo moderado: 5 % a <10 % por debajo del umbral bajo

Riesgo alto: >=10 % por debajo del umbral bajo

[0202] Este procedimiento puede mejorarse identificando más específicamente los medicamentos que se agregarán, aumentarán o disminuirán. Se podría utilizar una tabla de medicamentos donde cada medicamento (o clase de medicamento) esté representado por una fila y los atributos del medicamento estén representados en una o más columnas. Los atributos pueden incluir una puntuación de eficacia relativa por período de tiempo, de modo que si se evalúan períodos específicos de tiempos del día (normalmente definidos por los horarios de las comidas) para un paciente y se indica que se recomienda aumentar la medicación para ese período, entonces se podría escanear la tabla para buscar el medicamento con mayor efectividad relativa para ese período. Otros atributos de la tabla podrían incluir contraindicaciones, costos, efectos secundarios, inconvenientes, etc., y compararlos con las necesidades o exclusiones relevantes del paciente.

[0203] Refiriéndose ahora a la figura 56, se presenta un diagrama de bloques que muestra una realización de un sistema 370 utilizable para lograr lo anterior. En particular, un sensor CGM 372 comunica señales de glucosa detectadas a un procesador 374. El procesador está conectado con un dispositivo de entrada 376, tal como un teclado o dispositivo señalador o ambos, y puede incluir dispositivos de entrada adicionales o diferentes. Una memoria 378 almacena datos y programas a los que tiene acceso el procesador. Los resultados de la ejecución de programas pueden visualizarse 380 y/o imprimirse 382. Por ejemplo, pueden visualizarse e imprimirse informes de comprensión 69, cuadros de control 145 y otros análisis de datos o presentaciones de datos. El procesador también tiene capacidad de comunicaciones 384 y puede comunicarse a través de diversos medios con otros procesadores, servidores 386, según sea necesario. Con respecto a un HCP 388, el procesador 374 puede comunicarse directamente con 390 o el HCP puede obtener la salida del procesador a través de un servidor 386 de una manera más indirecta. Los programas, tales como los descritos anteriormente, pueden residir en la memoria 378 o pueden ser obtenidos por el procesador 374 desde una fuente remota, tal como por ejemplo desde una memoria 392 en el servidor remoto 386. Otras disposiciones para el flujo de datos, el flujo de aplicaciones y las comunicaciones son posibles. Pueden participar múltiples servidores, locales y remotos, así como múltiples memorias. Aunque la memoria 378 del proceso se muestra como un solo cuadro, en realidad pueden ser múltiples dispositivos de memoria. Lo mismo se aplica a otros componentes de la figura 56. Además, los componentes de la figura 56 pueden disponerse en muchos tipos diferentes de dispositivos informáticos, tales como un ordenador de escritorio, un ordenador portátil, tabletas, teléfonos inteligentes y otros. La figura 56 proporciona sólo una única realización.

[0204] Las metodologías descritas anteriormente podrían combinarse de modo que el sistema no solo recomiende medicamentos específicos, sino que también indique cuándo el ajuste de la medicación puede no ser útil o prudente, pero primero se deben tomar medidas para identificar y mitigar la variabilidad del paciente.

[0205] A menos que el contexto requiera lo contrario, a lo largo de la memoria descriptiva y las reivindicaciones que siguen, la palabra "comprende" y sus variaciones, tales como "comprende" y "que comprende" deben interpretarse en un sentido abierto e inclusivo, que es como "que incluye, pero no limitado a."

��

��

��

��

��

Claims (5)

REIVINDICACIONES

1. Sistema (370) para determinar el riesgo glucémico basado en el análisis de datos de glucosa, comprendiendo el sistema:

una memoria no volátil (378) en la que se almacena un programa de procesamiento de datos de glucosa configurado para programar un procesador para analizar los datos de glucosa recibidos y a partir del análisis, producir una visualización;

una entrada (376) en la que se reciben datos de glucosa medidos;

una pantalla (380) en la que se pueden presentar visualmente datos de glucosa y análisis de los mismos;

un procesador (374) conectado con la memoria no volátil, la entrada y la pantalla, estando configurado el procesador para acceder a la memoria para cargar y ejecutar en el procesador el programa para analizar datos de glucosa, en el que el procesador está programado para:

determinar, para cada uno de una pluralidad de diferentes segmentos de tiempo del día, un valor de tendencia central de glucosa y un valor de variabilidad de glucosa por debajo de la mediana a partir de los datos de glucosa recibidos, en el que el valor de tendencia central de glucosa es un valor de la mediana de glucosa, en el que el valor de variabilidad de glucosa por debajo de la mediana es la diferencia entre el valor de la mediana de glucosa y el valor de glucosa del percentil 10;

determinar, para cada uno de la pluralidad de diferentes segmentos de tiempo del día, una evaluación del riesgo de hipoglucemia utilizando tanto el valor de tendencia central de la glucosa como el valor de la variabilidad de la glucosa por debajo de la mediana; y

controlar la pantalla (380) para presentar visualmente:

un gráfico (70) del valor de tendencia central de la glucosa (80) y al menos el valor de glucosa del percentil 10 (76, 78, 82, 84) para la pluralidad de segmentos de tiempo del día; y

una tabla (72) que comprende una columna para cada uno de la pluralidad de diferentes segmentos de tiempo del día, incluyendo cada columna la evaluación del riesgo de hipoglucemia (74), la evaluación de la tendencia central de la glucosa y la evaluación de la variabilidad de la glucosa por debajo de la mediana (90) para los diferentes segmentos de tiempo del día;

en el que el gráfico y la tabla se muestran en la pantalla al mismo tiempo.

2. Sistema (370) de la reivindicación 1, en el que el procesador está programado para determinar la evaluación del riesgo de hipoglucemia para cada uno de la pluralidad de diferentes segmentos de tiempo del día mediante la comparación de cada valor de tendencia central de la glucosa y la variabilidad de la glucosa por debajo del valor de la mediana con respecto a una curva de riesgo de hipoglucemia (130, 132, 134) definida por una pluralidad de valores de tendencia central de la glucosa y una pluralidad de valores de variabilidad de la glucosa por debajo de la mediana.

3. Procedimiento para determinar el riesgo glucémico basado en un análisis de datos de glucosa, comprendiendo el procedimiento:

almacenar en una memoria no volátil (378) un programa de procesamiento de datos de glucosa configurado para programar un procesador para analizar los datos de glucosa recibidos y a partir del análisis, producir una visualización; recibir, desde una memoria, datos de glucosa medidos;

acceder a la memoria no volátil y cargar y ejecutar el programa de procesamiento de datos de glucosa; determinar, para cada uno de una pluralidad de diferentes segmentos de tiempo del día, un valor de tendencia central de glucosa y un valor de variabilidad de glucosa por debajo de la mediana a partir de los datos de glucosa recibidos, en el que el valor de tendencia central de glucosa es un valor de la mediana de glucosa, en el que el valor de la variabilidad de glucosa por debajo de la mediana es la diferencia entre el valor de la mediana de glucosa y el valor de glucosa del percentil 10;

determinar, para cada uno de la pluralidad de diferentes segmentos de tiempo del día, una evaluación del riesgo de hipoglucemia utilizando tanto el valor de tendencia central de la glucosa como el valor de variabilidad de la glucosa por debajo de la mediana; y

controlar una pantalla (380) para presentar visualmente:

un gráfico (70) del valor de tendencia central de la glucosa (80) y al menos el valor de glucosa del percentil 10 (76, 78, 82, 84) para la pluralidad de segmentos de tiempo del día; y

una tabla (72) que comprende una columna para cada uno de la pluralidad de diferentes segmentos de tiempo del día, incluyendo cada columna la evaluación del riesgo de hipoglucemia (74), la evaluación de la tendencia central de la glucosa y la evaluación de la variabilidad de la glucosa por debajo de la mediana (90) para la pluralidad de diferentes segmentos de tiempo del día,

en el que el gráfico y la tabla se muestran en la pantalla al mismo tiempo.

4. Procedimiento de la reivindicación 3, en el que determinar la evaluación del riesgo de hipoglucemia para cada uno de la pluralidad de diferentes segmentos de tiempo del día comprende comparar, para cada uno de la pluralidad de diferentes segmentos de tiempo del día, el valor de tendencia central de la glucosa y el valor de variabilidad de la glucosa por debajo de la mediana con respecto a una curva de riesgo de hipoglucemia (130, 132, 134) definida por una pluralidad de valores de tendencia central de la glucosa y una pluralidad de valores de variabilidad de la glucosa por debajo de la mediana.

5. Procedimiento de la reivindicación 3, en el que el programa de procesamiento de datos de glucosa está configurado además para programar el procesador para:

someter los datos de glucosa a un análisis de distribución de probabilidad para determinar el riesgo glucémico.