ES2992001T3

ES2992001T3 - Sistema de monitorización de la diabetes de un paciente con agrupamiento de perfiles de MCG (o perfiles de insulina) diarios no supervisados y procedimiento del mismo

Info

Publication number: ES2992001T3
Application number: ES17709534T
Authority: ES
Inventors: David L Duke; Bernd Steiger; Chinmay Uday Manohar
Original assignee: F Hoffmann La Roche AG
Current assignee: F Hoffmann La Roche AG
Priority date: 2016-03-02
Filing date: 2017-02-23
Publication date: 2024-12-05
Anticipated expiration: 2037-02-23
Also published as: CA3016149A1; WO2017151369A1; EP3423969C0; EP3423969A1; EP3423969B1; US10575790B2; US20170251980A1; CN109416936A

Abstract

Se describe un sistema de monitorización de pacientes con diabetes con un algoritmo de agrupamiento de perfiles de monitorización diaria no supervisado eficiente, un método y un producto informático del mismo. El sistema puede incluir un dispositivo o sensor de entrada de datos fisiológicos que recibe una pluralidad de mediciones fisiológicas para generar un conjunto de datos, una memoria que almacena un algoritmo de agrupamiento y un procesador. Cuando el procesador ejecuta el algoritmo de agrupamiento, hace que el procesador procese previamente de forma automática el conjunto de datos para controlar una cantidad de sesgo/agresividad a partir de los perfiles de monitorización diaria no supervisados recopilados, generando así un conjunto de datos preprocesados, construyendo una matriz de similitud a partir del conjunto de datos preprocesados y generando un número óptimo de agrupamientos de similitud encontrados por el procesador a partir de la matriz de similitud. (Traducción automática con Google Translate, sin valor legal)

Description

DESCRIPCIÓN

Sistema de monitorización de la diabetes de un paciente con agrupamiento de perfiles de MCG (o perfiles de insulina) diarios no supervisados y procedimiento del mismo

Campo técnico

La siguiente divulgación se refiere en general a la gestión de la diabetes y, en particular, a sistemas y procedimientos de monitorización de la diabetes de un paciente que identifican los días en los que un tratamiento de control de la diabetes fue inadecuado usando un agrupamiento de perfiles de MCG (o perfiles de insulina) diarios no supervisados similares.

Antecedentes

La diabetes se puede caracterizar por hiperglucemia y por una insuficiencia relativa de insulina. Existen dos tipos principales de diabetes. Diabetes de tipo I (diabetesmellitusdependiente de insulina) y diabetes de tipo II (diabetesmellitusno dependiente de insulina). En algunos casos, la diabetes también se caracteriza por la resistencia a la insulina.

La secreción de insulina funciona para controlar el nivel de glucemia para mantener los niveles de glucosa en un nivel óptimo. La atención médica para una persona con un diagnóstico de diabetes puede implicar tanto el establecimiento de un programa terapéutico como la monitorización del progreso de la persona afectada. La monitorización de los niveles de glucemia es un procedimiento importante que se usa para ayudar a los diabéticos a mantener los niveles de glucemia tan cerca de la normalidad como sea posible durante todo el día. La monitorización también puede permitir el tratamiento exitoso de un diabético modificando el tratamiento según sea necesario. La monitorización puede permitir al diabético monitorizar más de cerca su afección y, además, puede proporcionar información valiosa para el prestador de asistencia sanitaria para determinar tanto el progreso del paciente como para detectar cualquier necesidad de cambiar el programa de tratamiento del paciente.

Los avances en el campo de la electrónica en los últimos años han provocado cambios significativos en los equipos médicos de diagnóstico y monitorización, incluyendo la monitorización de autogestión de la salud. Para controlar y monitorizar la diabetes, se encuentran disponibles sistemas de monitorización de la glucemia relativamente económicos y fáciles de usar que proporcionan información fiable que permite a un diabético y a su profesional sanitario establecer, monitorizar y ajustar un plan de tratamiento.

Existen dos tipos principales de sistemas de monitorización de glucemia usados por los pacientes: sistemas de un solo punto (o no continuos) y sistemas continuos. Los sistemas no continuos consisten en medidores y tiras reactivas y requieren que se extraigan muestras de sangre de las yemas de los dedos o de sitios alternativos, tales como antebrazos y piernas. Un ejemplo de un sistema no continuo puede requerir que un diabético aplique una muestra de sangre a la región impregnada de reactivo de una tira reactiva, limpie la muestra de sangre de la tira reactiva después de un periodo de tiempo predeterminado y, después de un segundo periodo de tiempo predeterminado, determine el nivel de glucemia comparando el color de las regiones impregnadas de reactivo de la tira reactiva con una tabla de colores proporcionada por el fabricante de la tira reactiva. Estos sistemas también pueden depender de la punción y la manipulación de los dedos o sitios alternativos de extracción de sangre, que pueden ser extremadamente dolorosos e inconvenientes, en particular para los niños.

Un ejemplo de un sistema continuo son los monitores continuos de glucosa ("MCG") que se pueden implantar por vía subcutánea y que miden los niveles de glucosa en el fluido intersticial en diversos periodos a lo largo del día, proporcionando datos que muestran tendencias en las mediciones de glucosa durante un periodo de tiempo. Los MCG pueden proporcionar grandes cantidades de datos que es necesario procesar para encontrar patrones de datos similares. Los datos se pueden usar para identificar comportamientos dañinos del paciente o para ayudar a optimizar el tratamiento en base a experiencias pasadas similares. También se pueden usar para monitorizar la glucosa a lo largo del tiempo para determinar un patrón de azúcar en sangre. Debido a las grandes cantidades de datos implicados, es posible que se necesite un algoritmo eficaz para permitir el análisis de patrones en dispositivos con capacidad de procesamiento limitada. Además, aunque un perfil de glucosa ambulatorio (PGA) proporciona caracterizaciones tanto gráficas como cuantitativas de los patrones de glucosa diurnos, dichas caracterizaciones no proporcionan información suficiente para que los profesionales sanitarios identifiquen puntos débiles relacionados con el cumplimiento o la eficacia del tratamiento.

El documento WO 2015/183689 A1 divulga procedimientos y dispositivos para evaluar retrospectivamente datos de patrones de referencia de monitorización continua para determinar el riesgo de que una medición del nivel de glucosa de un paciente tomada en al menos un segmento de datos esté fuera de un intervalo predeterminado. Los procedimientos y dispositivos pueden incluir la ejecución de un algoritmo para comparar puntuaciones de riesgo derivadas de datos de patrones de referencia en un segmento de datos recopilados actualmente con puntuaciones de riesgo de datos de patrones de referencia almacenados previamente de segmentos de datos recopilados previamente para un paciente para evaluar el riesgo. Este documento no menciona el agrupamiento de las mediciones del nivel de glucosa tomadas en base a su similitud.

Si bien puede existir una variedad de dispositivos y técnicas para la monitorización continua de un paciente a lo largo del tiempo, se cree que nadie antes de los autores de la invención ha realizado o usado los modos de realización según la invención como se describe en el presente documento.

Sumario

La invención se define por las reivindicaciones adjuntas.

Breve descripción de las distintas vistas de los dibujos

La FIG. 1 representa un diagrama de una versión ejemplar de un sistema de monitorización de la diabetes de un paciente asociado con un paciente diabético.

La FIG. 2 representa un diagrama de bloques de la versión ejemplar del sistema de monitorización de la diabetes de un paciente de la FIG. 1.

La FIG. 3 representa un diagrama de bloques de una versión ejemplar de un sistema de monitorización de la diabetes de un paciente.

La FIG. 4 representa un diagrama de bloques de una versión ejemplar de un sistema de monitorización de la diabetes de un paciente.

La FIG. 5 representa un diagrama de bloques de una versión ejemplar de un sistema de monitorización de la diabetes de un paciente.

La FIG. 6 representa un diagrama de flujo de un procedimiento ejemplar de agrupamiento de perfiles de monitorización diarios no supervisados usando un sistema de monitorización de la diabetes de un paciente. La FIG. 7A representa trazados de perfiles de MCG de dos días que son más o menos similares pero tienen diferentes amplitudes máximas.

La FIG. 7B representa los trazados de perfiles de MCG de la FIG. 7A en un espacio transformado.

La FIG. 8 representa una transformación de glucosa propuesta para análisis retrospectivo.

La FIG. 9 representa una distancia entre dos puntos, cada uno en una serie temporal respectiva.

Las FIGS. 10A y 10B representan respuestas temporales variables en trazados de perfiles de MCG de otro modo similares.

La FIG. 11 representa una idea general detrás de la deformación temporal dinámica.

La FIG. 12 representa la primera y la segunda serie temporal de trazados de perfiles de MCG de prueba y objetivo, respectivamente, junto con la ruta de alineación más corta tomada entre las mismas.

Las FIGS. 13A y 13B representan datos de medición de glucosa dispuestos en una matriz de distancias y la representación gráfica correspondiente de la matriz de distancias, respectivamente.

Las FIGS. 14A y 14B representan un dendrograma que muestra la “relación” entre los miembros del conjunto de datos y una “distancia” entre las agrupaciones y los datos restantes a medida que comienza la convergencia, respectivamente.

La FIG. 15 representa una representación gráfica de cómo encontrar agrupaciones mínimas.

La FIG. 16A representa una salida mostrada de representaciones gráficas de un conjunto de datos de monitorización original.

Las FIGS. 16B-16F representan cada una una salida mostrada de una agrupación mínima encontrada a partir del conjunto de datos de monitorización original representado en la FIG. 16A.

Descripción detallada

Dispositivos y procedimientos ejemplares

La FIG. 1 representa una configuración ejemplar de un sistema de monitorización de la diabetes de un paciente 100 en asociación con un paciente 102. El paciente 102 puede ser un paciente diabético o un paciente con una condición fisiológica que requiera una monitorización rutinaria o continua. El sistema de monitorización 100 comprende componentes de equipo informático y programa informático que se pueden utilizar para implementar un rasgo característico de agrupamiento de perfiles de monitorización diarios no supervisados como se describe además en el presente documento. Como se ilustra, el sistema de monitorización 100 comprende un dispositivo 105.

El dispositivo 105 puede ser un sistema portátil con una capacidad de procesamiento limitada, tal como una PDA, teléfono móvil, medidor de glucosa, etc. El dispositivo 105 también puede ser un ordenador personal. Como se muestra además en la FIG. 2, el dispositivo 105 puede comprender un dispositivo o dispositivos de entrada de datos fisiológicos 110, una interfaz de datos 115, un procesador 120, una base de datos 130, una memoria 135 junto con la lógica de análisis 132 y una pantalla 140. Estos componentes están "operativamente conectados" entre sí, lo que puede incluir uno o más componentes conectados a uno o más de otros componentes, ya sea directamente o a través de uno o más componentes intermedios, de modo que se puedan comunicar y pasar información según sea necesario para realizar al menos los procedimientos y funciones descritos a continuación en el presente documento. La conexión puede ser una conexión mecánica, eléctrica o una conexión que permita la transmisión de señales entre los componentes, por ejemplo, por cable o de forma inalámbrica.

El dispositivo 105 puede incluir además un mecanismo de entrada o una interfaz de usuario 145 para introducir información y/o realizar solicitudes de datos/salida. Los mecanismos de entrada o interfaces de usuario ejemplares 145 pueden incluir una pantalla táctil, botones de entrada, un teclado, un ratón, un micrófono y combinaciones de los mismos. En un modo de realización, el sistema de monitorización de la diabetes de un paciente 100 permite la monitorización continua de la glucosa en el que el dispositivo 105 se puede hacer funcionar para tomar múltiples mediciones de una concentración de glucosa o una sustancia indicativa de la concentración o presencia de glucosa por medio del dispositivo de entrada de datos fisiológicos 110, y procesa ese conjunto de datos, por ejemplo, un conjunto de datos 131 que contiene una pluralidad de mediciones MCG de glucosa (perfiles de MCG) diarias no supervisadas, usando el procesador 120 para encontrar patrones similares representados en el conjunto de datos. Como se usa en el presente documento, el monitor (o monitorización) continuo (o continuado) de glucosa puede incluir el periodo en el que la monitorización de la concentración de glucosa se realiza de forma continua, continuada y/o intermitente (por ejemplo, regularmente o irregularmente).

En referencia a la FIG. 2, el dispositivo de entrada de datos fisiológicos 110 puede ser, por ejemplo, en un modo de realización, uno o más sensores que recopilan automáticamente datos fisiológicos específicos del paciente tales como, por ejemplo, glucemia, viscosidad de la sangre u otra información referida al análisis bioquímico de la sangre 102, actividad física, temperatura, frecuencia cardíaca, tensión arterial, patrón de respiración, otros parámetros fisiológicos específicos del paciente y combinaciones de los mismos. En un modo de realización, el dispositivo de entrada de datos fisiológicos 110 puede ser un componente o región de un sistema de monitorización de la diabetes de un paciente 100 mediante el cual se puede cuantificar y configurar la glucosa para producir una señal indicativa de una concentración de glucosa del paciente 102. En funcionamiento, el dispositivo de entrada de datos fisiológicos 110 puede funcionar mediante un sensor de glucosa que mide y adquiere una señal detectable (por ejemplo, una señal química, señal electroquímica, etc.), ya sea directa o indirectamente, a partir de glucosa o derivados de la misma que son indicativos de la concentración o presencia de la glucosa y, a continuación, puede transmitir la señal al procesador 120 para su procesamiento adicional y/o almacenamiento en la base de datos 130 como un conjunto de datos 131 (ilustrado en la FIG. 2 para facilitar la ilustración). El dispositivo de entrada de datos fisiológicos 110 puede estar en comunicación con el procesador 120.

Como se usa en el presente documento, el dispositivo de entrada de datos fisiológicos 110 puede ser un dispositivo continuo, por ejemplo, un dispositivo subcutáneo, transdérmico (por ejemplo, transcutáneo) o intravascular. Sin embargo, se debe entender que los dispositivos y procedimientos descritos en el presente documento se pueden aplicar a cualquier dispositivo (incluyendo los dispositivos externos) que pueda detectar una concentración de glucosa y proporcionar una señal de salida que represente la concentración de glucosa. En otro modo de realización, el dispositivo de entrada de datos fisiológicos 110 puede ser un equipo informático y/o programa informático que puede analizar una pluralidad de muestras biológicas intermitentes, por ejemplo, sangre, fluido intersticial, otro fluido biológico deseado, etc. El dispositivo de entrada de datos fisiológicos 110 puede usar cualquier procedimiento de detección de glucosa, incluyendo enzimático, químico, físico, electroquímico, espectrofotométrico, polarimétrico, calorimétrico, radiométrico, etc. El dispositivo de entrada de datos fisiológicos 110 puede usar cualquier procedimiento, incluyendo técnicas de detección invasivas, mínimamente invasivas y no invasivas para proporcionar una señal de salida indicativa de, por ejemplo, la concentración de glucosa u otros datos fisiológicos. La señal de salida puede ser una medición de datos sin procesar que se usa para proporcionar un valor útil de glucosa a un usuario, tal como un paciente o un médico, que puede estar usando el dispositivo. Se pueden aplicar procedimientos de suavizado, evaluación, etc. a la medición de datos sin procesar para proporcionar mediciones de datos transformados al usuario, tal como se analiza a continuación en el presente documento en secciones posteriores con referencia a la FIG. 6.

Las mediciones de datos proporcionadas en el conjunto de datos 131 se pueden derivar de la recopilación intermitente de datos que comprenden mediciones realizadas por un dispositivo, tal como, por ejemplo, el dispositivo de entrada de datos fisiológicos 110 (por ejemplo, una medición actual que en, última instancia, corresponde a una cantidad o concentración de glucosa). Las mediciones de datos se pueden asociar además con marcas de datos relevantes. Solo a modo de ejemplo, una marca de datos puede incluir cuándo se tomó una comida, se administró insulina, se realizó ejercicio, etc. Adicionalmente, una marca de datos puede incluir la cantidad de contenido nutricional en una comida, insulina, medicación oral, ejercicio, etc. Las mediciones de datos pueden comprender además determinar mediciones de datos transformados a partir de una o más mediciones de datos sin procesar y asociar esas mediciones de datos transformados con marcas de datos relevantes.

Las mediciones de datos en el conjunto de datos 131 se obtienen de un sistema biológico particular (por ejemplo, sangre, fluido intersticial, etc.) usando un dispositivo, tal como, por ejemplo, el dispositivo de entrada de datos fisiológicos 110, mantenido en contacto operativo con el sistema biológico durante una franja de tiempo. La franja de tiempo puede ser un periodo de tiempo definido (por ejemplo, hora(s), día(s), etc.) para obtener una serie de mediciones de datos (por ejemplo, segundo(s), minuto(s), hora(s), etc.) dando como resultado al menos un conjunto de datos de la franja de tiempo, por ejemplo, el conjunto de datos 131. El paciente diabético 102 también puede iniciar y detener la franja de tiempo. Solo a modo de ejemplo, el paciente diabético 102 puede iniciar la franja de tiempo al comienzo de una comida y detener la franja de tiempo en una fecha posterior después de la comida. El al menos un conjunto de datos de la franja de tiempo (o mediciones de datos) 131 se puede recopilar de un único individuo. De forma alternativa, el al menos un conjunto de datos de la franja de tiempo (o mediciones de datos) 131 se puede recopilar de múltiples individuos y compilarse en una base de datos, ya sea en el momento en que se recopiló el al menos un conjunto de datos de la franja de tiempo (o mediciones de datos) 131 o posteriormente. El al menos un conjunto de datos de la franja de tiempo 131 puede incluir mediciones de datos sin procesar, mediciones de datos transformados, mediciones de datos sin procesar o transformados asociadas con marcas de datos, o una combinación de los mismos a partir del sensor.

El dispositivo de entrada de datos fisiológicos 110 puede ser capaz de medir solo glucosa, en un modo de realización. De forma alternativa, en otros modos de realización, el dispositivo de entrada de datos fisiológicos 110 puede ser capaz de medir cualquier otro analito fisiológico de interés que sea una sustancia o componente específico que se esté detectando y/o midiendo mediante análisis químico, físico, enzimático u óptico. El conjunto de datos 131 para cada analito fisiológico se recopila y compila en una base de datos de múltiples analitos, tal como, por ejemplo, la base de datos 130. En otro ejemplo, la base de datos 130 también se puede formular compilando mediciones de datos recopiladas usando múltiples monitores, cada uno de los cuales mide una única sustancia, dando como resultado la base de datos de múltiples analitos.

Los ejemplos de analitos fisiológicos pueden incluir cualquier sustancia o componente específico o combinaciones de los mismos que se desee detectar y/o medir en un análisis químico, físico, enzimático u óptico. Dichos analitos fisiológicos incluyen, pero no se limitan a, urato/ácido úrico, glucosa, urea (nitrógeno ureico en sangre), lactato y/o ácido láctico, hidroxibutirato, colesterol, triglicéridos, creatina, creatinina, insulina, hematocrito y hemoglobina), carbonato, calcio, potasio, sodio, cloruro, bicarbonato, gases en sangre (por ejemplo, dióxido de carbono, oxígeno, etc.), metales pesados (por ejemplo, plomo, cobre, etc.), lípidos, aminoácidos, sustratos enzimáticos o productos que indiquen un estado o condición de enfermedad, otros marcadores de estados o condiciones de enfermedad, etc. En el caso de bases de datos de datos de múltiples analitos, todos los analitos fisiológicos pueden estar relacionados con un único estado o condición fisiológica; de forma alternativa, en otros modos de realización, cada analito fisiológico puede ser relevante para un estado o condición fisiológica diferente.

Todavía en otros modos de realización, el paciente 102 puede introducir manualmente uno o más de los datos fisiológicos/información descritos anteriormente para incluirlos en el conjunto de datos 131, así como solicitar que se genere una salida (por ejemplo, mostrarlos en la pantalla 140, enviarlos a otro dispositivo externo por medio de la interfaz de datos 115, etc.), por medio de la interfaz de usuario 145. Todavía en otros modos de realización, el dispositivo de entrada 110 también puede incluir, por ejemplo, un controlador, microcontrolador, procesador, microprocesador, etc. que se configura para recibir y/o procesar señales, comunicarse con el procesador 120 y generar un perfil de MCG (o perfil de insulina). El perfil de MCG (o perfil de insulina) puede ser el conjunto de datos 131 más reciente (por ejemplo, el conjunto de datos más reciente de al menos una franja de tiempo recopilado por el dispositivo de entrada 110, un conjunto de datos del día, hora(s), minuto(s), etc. actuales proporcionado en la memoria 135 y/o la base de datos 130) y/o para cualquier otro conjunto de datos de interés, por ejemplo, datos históricos (día(s), semana(s), mes(es), año(s) previo(s), etc.) del paciente 102. El conjunto de datos 131 se puede proporcionar desde el dispositivo de entrada 110, la base de datos 130, la memoria 135, la interfaz de usuario 145 y/o desde cualquier otra fuente externa de datos del paciente con la que el dispositivo 105 se puede comunicar por medio de la interfaz de datos 115. Se apreciará que, como tal, el perfil de MCG (o perfil de insulina) se puede generar a partir de cualquiera de los datos disponibles para el dispositivo 105, y mediante cualquier procedimiento realizado por el procesador 120, el dispositivo de entrada 110 (si está provisto de medios de procesamiento) o dispositivo(s) externo(s) que funcionan sobre los datos (y se proporcionan al dispositivo por medio de la interfaz de datos 115), en el que se proporciona la pantalla 140, un patrón o patrones de interés, tal como, por ejemplo, una o más curvas de glucosa 133 representadas en la FIG. 16A.

Los procedimientos ejemplares para generar una curva de glucosa 133 pueden incluir: hacer que el procesador 120 dibuje una curva de glucosa usando mediciones de datos de glucosa proporcionadas por el dispositivo de entrada de datos fisiológicos 110, hacer que el procesador 120 dibuje una curva de glucosa usando mediciones de datos de glucosa leídas de la base de datos 130 y/o memoria 135 para la al menos una franja de tiempo u otros periodos de tiempo, hacer que el procesador 120 dibuje una curva de glucosa usando la entrada recibida por medio de la interfaz de usuario 145, hacer que el procesador 120 seleccione una curva de glucosa que represente un comportamiento o condición común (por ejemplo, descenso de glucemia durante el ejercicio, aumento de glucemia después de una comida, etc.) que se puede detectar en los datos del paciente 102, y combinaciones de los mismos. En otros modos de realización, no es necesario seleccionar la curva de glucosa a partir de mediciones de datos de glucosa reales como se analiza anteriormente con respecto a datos históricos y/o externos. El perfil de MCG (o perfil de insulina) también se puede generar a partir de datos resultantes de una consulta introducida por medio de la interfaz de usuario 145 y ejecutada por el procesador 120 en datos recientes recopilados por el dispositivo de entrada 110 o datos almacenados proporcionados en la base de datos 130, la memoria 135 y/o en otras fuentes externas que fueron consultadas por el procesador 120 por medio de la interfaz de datos 115. El perfil de MCG (o perfil de insulina) también puede incluir cualquier marca de datos relevante o datos de múltiples analitos, y el perfil de MCG (o perfil de insulina) generado y/o recibido se puede almacenar en la base de datos 130 y/o la memoria 135 hasta que lo necesite el procesador 120 para un procedimiento de agrupamiento de perfiles de monitorización diarios no supervisados analizado a continuación en el presente documento en una sección posterior.

La interfaz de datos 115 puede ser equipo informático y/o programa informático que proporciona al dispositivo 105 la capacidad de comunicarse por cable y/o de forma inalámbrica con otros dispositivos y componentes como se analiza a continuación en el presente documento en algunos modos de realización, así como de leer desde y escribir en productos o medios de almacenamiento legibles por ordenador no transitorios, tal como el medio legible por ordenador no transitorio 148, en otros modos de realización. Para los propósitos de esta descripción, un producto o medio de almacenamiento legible por ordenador no transitorio puede ser cualquier aparato que pueda contener o almacenar programas y/o códigos para su uso por o en conexión con un procesador, aparato o dispositivos. Los ejemplos de un producto o medio de almacenamiento legible por ordenador no transitorio incluyen una memoria de semiconductor o estado sólido, cinta magnética, un disquete de ordenador extraíble, una memoria de acceso aleatorio (RAM), una memoria de solo lectura (ROM), un disco magnético rígido y un disco óptico. Los ejemplos actuales de discos ópticos incluyen disco compacto de memoria de solo lectura (CD-ROM), discos compactos de lectura/escritura (CD-R/W) y DVD.

Todavía en referencia a la FIG. 2, el procesador 120 puede incluir cualquier procesador de propósito general o cualquier componente de procesamiento configurado para proporcionar, recibir y ejecutar una secuencia de instrucciones (tal como desde la memoria 135). Por ejemplo, el procesador 120 puede realizar cálculos usando al menos un conjunto de datos de la franja de tiempo 131 (o mediciones de datos) desde el dispositivo de entrada de datos fisiológicos 110 y/o el perfil de MCG (o perfil de insulina) del dispositivo de entrada 110 (cuando está provisto de medios de procesamiento), que también se puede ver como un conjunto de datos de la franja de tiempo 131 que se genera por el dispositivo de entrada 110. En otro ejemplo, el procesador 120 también puede comprimir el al menos un conjunto de datos de la franja de tiempo 131 (o mediciones de datos) a una base de rango reducido como se describirá además en el presente documento. En otro ejemplo, el procesador 120 puede realizar un agrupamiento de perfiles de monitorización diarios no supervisados con al menos un conjunto de datos de la franja de tiempo 131 (o mediciones de datos) como se describirá además en el presente documento. El procesador 120 se puede implementar como un único dispositivo informático o una combinación de dispositivos informáticos, por ejemplo, una combinación de un procesador de señales digitales y un microprocesador, una pluralidad de microprocesadores, uno o más microcontroladores, uno o más microprocesadores junto con un núcleo de procesador de señales digitales, o cualquier otra de dicha configuración.

Todavía en referencia a la FIG. 2, la pantalla 140 puede comprender una pantalla de cristal líquido ("LCD"), una pantalla sensible al tacto, una interfaz web, etc. Una pantalla táctil o una interfaz web pueden proporcionar una forma conveniente de introducir diversos comandos y/o seleccionar diversas opciones programables. En funcionamiento, la pantalla 140 puede mostrar información para, por ejemplo, al menos un conjunto de datos de la franja de tiempo 131 (o mediciones de datos), resultados de agrupamientos no supervisados, regiones marcadas para identificar áreas de interés, información de marcas de datos, perfiles de MCG (o perfiles de insulina), etc. Solo a modo de ejemplo, la información mostrada puede comprender al menos un conjunto de datos de la franja de tiempo 131 (o mediciones de datos) que pueden o no requerir procesamiento por el dispositivo de visualización antes de la visualización. El al menos un conjunto de datos de la franja de tiempo 131 (o mediciones de datos) que se muestran pueden ser datos sin procesar, datos en tiempo real, datos transformados, etc. La pantalla 140 puede comprender equipo informático y/o programa informático que incluye instrucciones de visualización (por ejemplo, programación de programa informático que comprende instrucciones) configuradas para permitir la visualización de la información en la pantalla 140 y/o para obtener la información de la base de datos 130. Los datos de la base de datos 130 pueden ser consultados y/o mostrados por el procesador 120 en la pantalla 140.

Todavía en referencia a la FIG. 2, la memoria 135 puede ser cualquier tipo de memoria conocida en la técnica, incluyendo, pero sin limitarse a, discos duros, cinta magnética, disco óptico, memoria de semiconductores, un disquete flexible, un CD-ROM, un DVD-ROM, memoria RAM, un sitio remoto accesible por cualquier protocolo conocido o cualquier otro dispositivo de memoria para almacenar algoritmos y/o datos. En funcionamiento, la memoria 135 puede incluir equipo informático y programa informático para el agrupamiento de perfiles de monitorización de la diabetes o insulina diarios no supervisados, tal como, por ejemplo, por medio de la lógica de análisis 132 incluida. La lógica de análisis 132 se puede configurar adecuadamente para almacenar, interpretar y procesar información entrante y/o para configurar el procesador 120 para realizar dicho almacenamiento, interpretación y procesamiento de la información entrante, que, por ejemplo, puede ser el al menos un conjunto de datos de la franja de tiempo 131, sin procesar o transformados, etc., recibidos desde el dispositivo de entrada 110, la interfaz de usuario 145 y/o como resultado de una consulta de los datos disponibles desde el dispositivo de entrada 110, la base de datos 130, la memoria 135 y/o fuentes externas por medio de la interfaz de datos 115. Como se analizará en mayor detalle a continuación, la lógica de análisis 132 puede incluir un algoritmo de agrupamiento de perfiles para realizar un agrupamiento de perfiles de monitorización de la diabetes o insulina diarios no supervisados, uno o más algoritmos de almacenamiento, uno o más algoritmos de preprocesamiento de datos y/o un algoritmo de inicialización.

De nuevo en referencia a la FIG. 2, la base de datos 130 puede comprender una memoria que pueda recibir y almacenar la información característica medida y/o detectada y/o identificada, por ejemplo, al menos un conjunto de datos de la franja de tiempo 131, mediciones de datos sin procesar (por ejemplo, valores numéricos que corresponden a una medición física), mediciones de datos comprimidos, mediciones de datos transformados y puede incluir información adicional relacionada, por ejemplo, marcas de datos, punteros, etc., como se describe anteriormente, y/o uno o más algoritmos de almacenamiento. Cuando el procesador 120 ejecuta el uno o más algoritmos de almacenamiento, hace que el procesador 120 almacene al menos un conjunto de datos de la franja de tiempo 131, mediciones de datos sin procesar, mediciones de datos comprimidos, mediciones de datos transformados, un único resultado numérico calculado o derivado de uno o más puntos de datos sin procesar, etc., en la base de datos 130. También se puede hacer que el procesador 120 lea al menos un conjunto de datos de la franja de tiempo 131, mediciones de datos sin procesar, mediciones de datos comprimidos, mediciones de datos transformados, etc. de la base de datos 130. También se puede hacer que el procesador 120 indexe el al menos un conjunto de datos de la franja de tiempo 131, mediciones de datos sin procesar, mediciones de datos comprimidos, mediciones de datos transformados, etc. desde el dispositivo de entrada 110 como una función de la hora y/o fecha. La base de datos 130 puede recopilar y recibir mediciones de datos automáticamente por medio del dispositivo de entrada 110 durante la franja de tiempo, generando y almacenando de este modo el conjunto de datos de la franja de tiempo 131. Los datos del conjunto de datos 131 se pueden almacenar en un formato de estructura de datos especializado para organizar y almacenar datos. Los tipos de estructura de datos ejemplares pueden incluir la matriz, el archivo, el registro, la tabla, el árbol, etc. La estructura de datos se puede diseñar para organizar datos para adaptarse a un propósito específico, de modo que se pueda acceder a ellos y trabajar con ellos en consecuencia mediante las funciones del sistema 100.

La FIG. 3 representa otra configuración ejemplar de un sistema de monitorización de la diabetes de un paciente 100, y que a continuación en el presente documento solo la diferencia con la configuración representada por la FIG.

2 se analiza a continuación en el presente documento por propósitos de brevedad. En este modo de realización, el sistema de monitorización de la diabetes de un paciente 100 comprende el dispositivo 105, el dispositivo de entrada 110 como un componente separado del dispositivo 105 y una interfaz de red 150. El dispositivo 105 comprende la interfaz de datos 115, el procesador 120, la base de datos 130, la memoria 135 junto con la lógica de análisis 132, la pantalla 140 y la interfaz de usuario 145. El dispositivo de entrada 110 está acoplado al dispositivo 105 por medio de la interfaz de red 150. La interfaz de red 150 puede incluir una conexión por cable o inalámbrica y cualquier equipo informático de red por cable o inalámbrica, tal como un módem, puerto LAN, tarjeta de fidelidad inalámbrica (Wi-Fi), tarjeta WiMax, equipo informático de comunicaciones móviles y/u otro equipo informático para comunicarse con otras redes y/o dispositivos. El dispositivo 105 puede llevar a cabo el almacenamiento de datos, el agrupamiento de perfiles de monitorización diarios no supervisados y la visualización de los resultados del agrupamiento por medio del uso de la lógica de análisis 132.

La FIG. 4 representa otra configuración ejemplar de un sistema de monitorización de la diabetes de un paciente 100, y que a continuación en el presente documento solo la diferencia con la configuración representada por la FIG.

3 se analiza a continuación en el presente documento por propósitos de brevedad. En este modo de realización, el sistema de monitorización de la diabetes de un paciente 100 comprende el dispositivo 105, el dispositivo de entrada 110 como un componente separado del dispositivo 105, una primera interfaz de red 155, una segunda interfaz de red 170 y un servidor 180. El dispositivo de entrada 110 puede proporcionar entrada al dispositivo 105 por medio de la primera interfaz de red 155. El dispositivo 105 se puede acoplar al servidor 180 por medio de una segunda interfaz de red 170. Como se indica anteriormente con la interfaz de red de la FIG. 3, la primera y la segunda interfaz de red también pueden incluir una conexión por cable o inalámbrica, y cualquier equipo informático de red por cable o inalámbrica para comunicarse con redes y/o dispositivos. El dispositivo 105 comprende la interfaz de datos 115, el procesador 120, la pantalla 140 y la interfaz de usuario 145. El dispositivo 105 puede manejar el preprocesamiento de datos, la introducción de solicitudes de datos, la introducción de consultas de datos y la visualización de resultados de datos. El servidor 180 comprende la base de datos 130 y la memoria 135 junto con la lógica de análisis 132. En un ejemplo, el servidor 180 también puede comprender un procesador 185 que se puede configurar para almacenar mediciones de datos en la base de datos 130 y realizar un agrupamiento de perfiles de monitorización diarios no supervisados por medio del uso de la lógica de análisis 132.

La FIG. 5 representa otra configuración ejemplar de un sistema de monitorización de la diabetes de un paciente 100, y que a continuación en el presente documento solo la diferencia con la configuración representada por la FIG.

5 se analiza a continuación en el presente documento por propósitos de brevedad. En este modo de realización, el sistema de monitorización de la diabetes de un paciente 100 comprende el dispositivo 105, el dispositivo de entrada 110 como un componente separado del dispositivo 105, una primera interfaz de red 155, una segunda interfaz de red 170 y un servidor 180. El dispositivo 105 comprende una pantalla 140 y una interfaz de usuario 145, y se configura para enviar datos sin procesar al servidor 180. El servidor 180 comprende la interfaz de datos 115, el procesador 120, la base de datos 130 y la memoria 135 junto con la lógica de análisis 132. El servidor 180 se configura para comprimir las mediciones de datos sin procesar, almacenar datos en la base de datos 130 y realizar, por medio del uso de la lógica de análisis 132, un agrupamiento de perfiles de monitorización diarios no supervisados, que se analiza a continuación en el presente documento con referencia a la FIG. 6.

La FIG. 6 representa un diagrama de flujo que ilustra la lógica general de un algoritmo de agrupamiento de perfiles de monitorización diarios no supervisados 200 que comprende los siguientes procedimientos: preprocesamiento 202, una creación de una matriz de similitudes 204 y un procedimiento de agrupamiento aglomerativo 206. El agrupamiento de perfiles de MCG (o perfiles de insulina) de monitorización diarios no supervisados similares mediante la lógica de análisis 132 ayuda a identificar los días en los que el tratamiento de control de la diabetes fue inadecuado. Como se usa en el presente documento, el término “no supervisado” significa que el dispositivo 105 recopila datos diariamente en condiciones no supervisadas de vida independiente, tales como los recopilados durante el transcurso de la vida diaria normal de una persona en el hogar, la escuela y/o el trabajo, a diferencia de los datos recopilados de acuerdo con un plan/pauta de prueba guiado por un médico que tiene condiciones supervisadas de vida controlada. El algoritmo de agrupamiento 200, como se analiza en mayor detalle a continuación en el presente documento, se basa tanto en los datos de glucosa no supervisados recopilados así como en una tasa de cambio de los datos de glucosa no supervisados recopilados. Se apreciará que la alta frecuencia y las largas duraciones con las que los monitores continuos de glucosa capturan datos hacen que el análisis de dichos datos recopilados sea tedioso y requiera mucho tiempo. Además, los profesionales sanitarios, incluyendo los médicos generales, los médicos de familia así como los endocrinólogos (dialectólogos), solo tienen un tiempo limitado para interactuar con los pacientes con diabetes (PcD). Por lo tanto, existe la necesidad de una forma eficaz y automatizada de analizar el conjunto de datos de MCG para un mejor análisis y optimización del tratamiento. El algoritmo de agrupamiento 200 funciona de manera jerárquica y ayuda al médico a identificar patrones subyacentes en el conjunto de datos y su similitud con otros miembros (días) del conjunto de datos.

Preprocesamiento

El propósito del preprocesamiento 202 del conjunto de datos 131 es controlar la cantidad de sesgo/agresividad de cualquier penalización, ya sea del lado de la hiperglucemia o de la hipoglucemia, que pueda existir en el conjunto de datos debido a las condiciones no supervisadas de la recopilación de datos, así como proporcionar una transformación de datos que haga que los datos transformados sean simétricos para un mejor análisis estadístico. Se apreciará que el consenso actual sobre los niveles normales de azúcar en sangre aceptados para personas sanas se encuentra entre 4,0 y 6,0 mmol/l durante el estado preprandial y hasta 7,0 mmol/l durante el estado posprandial. Para las personas con diabetes (T1 o T2), los niveles normales de glucosa recomendados están entre 4,0 y 9,0 mmol/l. Fuera de estos intervalos, las personas están en “riesgo” de hiperglucemia si es superior a 9 mmol/l o en riesgo de hipoglucemia si es inferior a 4,0 mmol/l. Otros han propuesto usar una función de riesgos instantáneos para las mediciones de automonitorización de la glucemia para evaluar un riesgo asociado con cada valor de glucemia. Específicamente, otros han propuesto el uso de la ecuación (1), a menudo denominada “función de Kovatchev”, como dicha función de riesgos instantáneos. La ecuación (1) es como sigue:

H(S) = ( 1 ,0 ,0 * 0 “ " - 5.381)). (1)

donde “H(g)” es la glucemia transformada y “g” es la concentración de glucemia medida en milimoles por litro. Véase, por ejemplo, Kovatchevet al.,“Symmetrization of the blood glucose measurement scale and its applications,”Diabetes Care,1997, 20, 1655-1658. La función de riesgos instantáneos descrita anteriormente en la ecuación (1) tiene un centro en 112,5 mg/dl (6,3 mmol/l), lo que se conoce como concentración óptima de glucemia. Además, el riesgo instantáneo asociado con la hipoglucemia aumenta significativamente más rápido que el de la hiperglucemia. Sin embargo, esta función de riesgos instantáneos no es útil para un análisis retrospectivo de datos de MCG, ya que un profesional sanitario tendría las mismas preocupaciones por una persona con un nivel máximo de glucosa posprandial de 12 mmol/l o 15 mmol/l, aunque el riesgo calculado por la ecuación (1) sería significativamente diferente, por ejemplo, como se muestra con propósitos ilustrativos en las FIGS. 7A y 7B.

La FIG. 7A representa trazados de perfiles de MCG de dos días que son más o menos similares pero que tienen diferentes amplitudes máximas. La FIG. 7B representa los mismos trazados de perfiles de MCG en un espacio transformado usando la ecuación (1). Desde la perspectiva de un médico, en un análisis retrospectivo ambos trazados se tratarían de forma similar, es decir, mostrando la necesidad de "atenuar" la respuesta en el lado de la hiperglucemia del espectro de respuesta a la glucosa del trazado de MCG. Una necesidad similar también se muestra en el lado de la hipoglucemia del espectro de respuesta a la glucosa. En vista de lo anterior, la ecuación (2) a continuación describe una transformación mejorada que es más útil para un análisis retrospectivo que la ecuación (1). La ecuación (2) es como sigue:

Gt = a * ln(G — /?) — a * ln(a)(2),

donde el parámetro <equation/> y el parámetro <equation/>, en el que el parámetroTces el centro del espacio transformado, el parámetroDres un nivel mínimo definido de glucosa, el parámetroGtes un valor de nivel de glucosa transformado y el parámetroGes el valor del nivel de glucosa original en el conjunto de datos 131. La transformación para el análisis retrospectivo realizada en los mismos trazados de perfiles de MCG representados en la FIG. 7A de acuerdo con la ecuación (2) se representa gráficamente en la FIG. 8. En comparación con la ecuación (1), la ecuación (2) proporciona un mejor control donde se produce riesgo cero, lo que se indica mediante el símbolo de referencia 801 en la FIG. 8. Adicionalmente, al cambiar/transformar los valores de glucosa en el límite superior, indicado por el símbolo de referencia 802, y en el límite inferior, indicado por la referencia 803, se puede controlar el sesgo/agresividad de cualquier penalización, ya sea en el lado hiper o en el lado hipo. Además, el valor de glucosa en el límite inferior 803 se elige ya en el intervalo hipoglucémico mediante el parámetroDry, por tanto, desde una perspectiva de análisis retrospectivo, cualquier valor de glucosa en este nivel del límite inferior 803 no debería tener ningún riesgo adicional y, por lo tanto, el riesgo negativo o el riesgo de hipo por debajo del límite inferior 803 está limitado al valor igual al riesgo en el límite inferior 803.

Procedimiento de matriz de similitudes

Cuando se mapea con la glucosa a lo largo del eje y y el tiempo a lo largo del eje x, se puede calcular una similitud entre dos trazados de perfiles de MCG calculando una distancia en línea recta entre los puntos de datos a lo largo de cada una de las dos series temporales. Esto se conoce como la norma de L2 Para un vector de serie temporal Xi con puntos de datos i = 1,2,3...n, y otro vector de serie temporal Yi con miembros I = 1,2,3... n, la distancia entre los dos vectores de series temporales se puede calcular de acuerdo con la ecuación (3), definida como:

(3).

Se apreciará que la distancia euclidiana en la ecuación (3) es una de las más usadas de forma rutinaria, pero dicha ecuación no tiene en cuenta la naturaleza dinámica de la serie temporal. Por lo tanto, de acuerdo con los modos de realización de la presente invención, se divulga una métrica de distancia mediante la ecuación (4) que tiene en cuenta el valor de glucosa (en el espacio real o transformado) y los componentes dinámicos, es decir, la pendiente o tasa de cambio de la glucosa, para calcular una distancia entre las dos series temporales. La ecuación (4) se define como sigue:

d ^ , Y0 = k * \Xt - Yt| (1 - fe) * I K - my) * (*í-n )| (4)

donde el parámetro Xi es un valor de glucosa en una primera serie temporal X en el tiempo i; el parámetro Yi es un valor de glucosa en una segunda serie temporal Y en el tiempo i; el parámetro k es un factor de ponderación; el parámetro mx es una pendiente en el tiempo i para la serie temporal Xi; y el parámetro my es una pendiente en el tiempo i para la serie temporal Yi. La métrica de distancia 900 de la ecuación (4) se ilustra en la FIG. 9 que representa la distancia 902 entre dos puntos asociados 904, 906, 908, 910, 912 y 914, cada uno en una serie temporal 916 y 918 respectiva. El algoritmo 200 calcula una suma global de cada distancia 902 entre las dos series temporales 916 y 918 y, a continuación, la usa en un procedimiento de alineación elástica conocido como deformación temporal dinámica, que se describe brevemente a continuación.

Se apreciará que el comportamiento del paciente puede no ser consecuente dentro de un día o entre dos días y, como resultado de los trazados de perfiles de MCG no supervisados, pueden mostrar que están desfasados o que tienen una respuesta retrasada o comprimida al tratamiento prescrito, tal como, por ejemplo, a un bolo de corrección, un bolo de insulina, comidas o actividad física, etc. Por ejemplo, la FIG. 10A muestra un ejemplo de dicha respuesta temporal 1000 que puede estar presente en el conjunto de datos 131 en trazados de perfiles de MCG de otro modo similares, representados por las señales A y B. Si no se justifica la respuesta temporal variable 1000, por ejemplo, a lo largo de las secciones 1002 y 1004, un trazado de MCG de aspecto similar se penalizaría por la métrica de distancia descrita anteriormente, que simplemente usa la diferencia en los valores de glucosa y la información de la tasa de cambio instantánea, como se representa en la FIG. 10B. Por lo tanto, es beneficioso modificar además la métrica de distancia anterior de la ecuación (4) en el algoritmo 200 durante el procedimiento 204 para dar cabida a desplazamientos temporales en los trazados de perfiles de MCG por medio de una deformación temporal dinámica.

La deformación temporal dinámica permite la correspondencia elástica de dos series temporales mediante compresión o prolongación local a lo largo del eje del tiempo. Véase Lucero, J. C.,et al.;Munhall, K. G.; Gracco, V. G.; Ramsay, J. O. (1997), "On the Registration of Time and the Patterning of Speech Movements", Journal of Speech, Language, and Hearing Research 40: 111 1-1117; y véase también, Sakoe, Hiroaki; Chiba, Seibi, "Dynamic programming algorithm optimization for spoken word recognition", IEEE Transactions on Acoustics, Speech and Signal Processing 26 (1): 43-49. El principio de la deformación temporal dinámica 1100 se describe brevemente con referencia a la FIG. 11. En términos sencillos, los objetivos de la deformación temporal dinámica 1100 son encontrar la mejor alineación entre la serie temporal A y la serie temporal B mostradas en la FIG. 11, mostrada por la ruta P (representada por puntos más claros) 1102. Como se representa, la ruta 1102 recorre toda la longitud de ambas series temporales A y B, y la función que minimiza la longitud global de la ruta 1102 y, a la inversa, la distancia entre las curvas (representada por los puntos más oscuros 1103) de las dos series temporales A y B se denomina función de deformación dinámica. Se apreciará que la ruta de alineación más corta 1102 así derivada para ser considerada una ruta de alineación válida debe cumplir las siguientes condiciones:

(a) Monotonicidad, es decir, la ruta 1102 solo avanza en el tiempo;

(b) Continuidad, es decir, la ruta 1102 no puede tener cortes, es decir, no puede omitir datos mientras avanza como se representa por las flechas 1104;

(c) Condiciones delimitadoras satisfechas, es decir, la ruta 1102 tiene que recorrer toda su longitud y no permite cierta correspondencia de muestras (por ejemplo, los recuadros 1106);

(d) Franja de búsqueda satisfecha, es decir, los desplazamientos temporales locales de la ruta de alineación 1102 tienen que estar dentro de una anchura de búsqueda predeterminada (por ejemplo, líneas 1108); y

(e) Pendiente satisfecha, es decir, las compresiones o prolongaciones temporales no deben exceder una anchura predeterminada (por ejemplo, línea 1110).

Se apreciará que, durante el procedimiento de alineación, la función de deformación dinámica comprime o prolonga temporalmente las curvas localmente, por lo que, para obtener un mejor resultado, los autores de la invención hacen que el algoritmo 200 añada una penalización a la distancia total entre las dos curvas de las series temporales. Como ilustración, la primera y la segunda serie temporal X, Y del conjunto de datos transformados se procesan con la penalización como sigue:

(a) Partiendo del origen, la distancia entre las curvas de la primera serie temporal X y la segunda serie temporal Y es: X(1,1) = Y(1,1);

(b) Manteniendo la primera fila una distancia constante mediante: X(i,1) = X(i-1,1) Y(i,1);

(c) Manteniendo la primera columna constante mediante: X(1,j) = X(1 ,j-1) Y(1,j); y

(d) Llevando para la siguiente fila y la siguiente columna hasta el final del espacio de búsqueda del conjunto de datos transformados como se define por: X(i, j) = mín(X(i, j-1), X(i-1, j-1), X(i-1, j)) Y(i, j) (5).

En la ecuación (5) anterior, en lugar de usar una norma L2 sencilla (distancia euclidiana), se usa la métrica de distancia descrita anteriormente en la ecuación (4). Como resultado, cuando las dos curvas X e Y están alineadas, la función de deformación dinámica proporciona una distancia total entre las dos curvas que justifican las diferencias a lo largo del eje del tiempo, así como los valores de glucosa. La FIG. 12 representa dicho resultado 1200 del procesamiento anterior en el que se muestran los trazados de perfiles de MCG originales (prueba) y deformados (objetivo) 1202 y 1204, respectivamente, junto con una ruta de alineación más corta 1206 tomada. En vista de lo anterior, la salida del procedimiento de matriz de similitudes 204 se puede resumir como sigue. Para un conjunto de datos 131 dado con días 1...n, se calcula una matriz de distancias de acuerdo con la ecuación (4) y modificada con la ecuación (5) midiendo la similitud entre cada par de días en los perfiles de MCG. Por tanto, se puede describir un conjunto de datos 131 de N días usando una matriz N*N como se muestra en las FIGS. 13A y 13B. Las FIGS. 13A y 13B representan dichos datos de medición de glucosa de salida del procedimiento de matriz de similitudes 204 en el que las distancias se muestran en una matriz de distancias de la FIG. 13A y la representación gráfica correspondiente de la matriz de distancias se muestra en la FIG. 13B. El procedimiento de aglomeración 206 se analiza ahora a continuación en el presente documento.

Procedimiento de aglomeración

Debido a su naturaleza determinista, el agrupamiento jerárquico proporciona un marcado consecuente, es decir, los miembros de la agrupación no migran desde una agrupación a otra en ejecuciones repetidas. Véase, por ejemplo, Kaufman, L.; Rousseeuw, P.J. (1990). Finding Groups in Data: An Introduction to Cluster Analysis (1.a ed.). Nueva York: John Wiley. ISBN 0-471-87876-6. Esto es en particular importante, por ejemplo, en el caso de consultas electrónicas donde el prestador de asistencia sanitaria y el paciente pueden estar mirando el mismo conjunto de datos de forma remota en sus ordenadores, teléfonos inteligentes respectivos, etc. Si el algoritmo de agrupamiento 200 no fuera de naturaleza determinista, el profesional sanitario y el paciente podrían terminar mirando potencialmente diferentes miembros de la agrupación dentro de la misma agrupación marcada, lo que daría como resultado confusión y, potencialmente, induciría a un error médico (en el tratamiento correcto).

Usando la salida del procedimiento de matriz de similitudes 204, por ejemplo, la matriz de distancias mostrada en la FIG. 13A, el procedimiento de agrupamiento aglomerativo 206 sigue la siguiente rutina de pseudocódigo:

(a) Calcular una matriz de distancias entre los puntos de datos de la salida;

(b) Permitir que cada uno de los puntos de datos sea una agrupación;

(c) Repetir lo siguiente:

i. Fusionar las dos agrupaciones más cercanas, y

ii. Actualizar la matriz de distancias; y

(d) Repetir hasta que solo quede una única agrupación.

Sin una condición de parada predefinida, el procedimiento 206 anterior comienza con cada punto de datos en la matriz de distancias siendo tratado como su propia agrupación, en el que el procedimiento continúa avanzando automáticamente hasta que solo queda una "súper" agrupación.

Se apreciará que existen varias formas de fusionar puntos de datos en agrupaciones o de fusionar dos agrupaciones en una agrupación. Quizás el procedimiento más sólido usa el enlace de Ward, que minimiza el incremento global en la varianza dentro de la agrupación. Véase Ward, J. H., Jr. (1963), "Hierarchical Grouping to Optimize an Objective Function", Journal of the American Statistical Association, 58, 236-244. El agrupamiento jerárquico, como sugiere su nombre, proporciona una relación entre los puntos de datos a medida que el agrupamiento progresa desde una fase a otra. Esta relación se puede representar usando una estructura de árbol también conocida como dendrograma 1400 como se muestra en las FIGS. 14A y 14B. La FIG. 14A representa cómo se relacionan entre sí los miembros del conjunto de datos 131. Las líneas verticales 1402 muestran dónde se fusionan dos puntos de datos (días individuales) 1404 por medio de la disimilitud o la distancia 1406 entre ellos. Aunque el enlace de Ward garantiza una varianza mínima dentro de la agrupación, a medida que el algoritmo avanza desde el nivel 1 hasta el nivel 9, la disimilitud (distancia) 1406 dentro del conjunto de datos 131 se incrementa en gran medida como lo muestra la curva 1408 en la FIG. 14B. En cada nivel, el número de agrupaciones 1410 se reduce en 1. Por ejemplo, en el caso de la FIG. 14A, en el nivel 1, se fusionan los puntos de datos 1 y 3 y, de ahí, el número de agrupaciones posibles es 9, en el que el agrupamiento durante el procedimiento 206 continúa hasta que todos los datos en el conjunto de datos 131 se agruparon para formar 1 agrupación en el nivel 9.

Encontrar un número “correcto” de agrupaciones es quizás uno de los problemas más complejos en el análisis exploratorio de datos. Este problema se resuelve en cierta medida analizando la “relación” como se representa en el dendrograma 1400. Cada fase en la que se fusionan los datos da una indicación de la similitud de los miembros dentro del conjunto de datos, que se muestra en la FIG. 14B. Intuitivamente, el número “correcto” de agrupaciones se puede definir como un nivel donde cualquier adición a una agrupación da como resultado un incremento/aumento repentino en las curvas de disimilitud o distancia 1408. Matemáticamente, esto se puede calcular usando una prueba de segunda derivada para encontrar el punto de inflexión o el punto de concavidad de la curva 1408, que se analiza a continuación en el presente documento en referencia a la FIG. 15.

En la FIG. 15, se representa gráficamente un gráfico para encontrar un número óptimo (mínimo) de agrupaciones 1500. Para encontrar el número óptimo de agrupaciones, se permitió qued(I)fuera una curva de distancia 1502,d'(l)fuera una primera derivada de la curva de distancia 1502, yd"(l)fuera una segunda derivada de la curva de distancia 1502. Si d'(l) existe, entonces el número óptimo de agrupaciones a lo largo de la curva d(l) se puede considerar el puntoldonded"(l)= 0. Sin embargo, el procedimiento anterior solo funciona cuando la distancia se incrementa monótonamente a medida que el número de agrupaciones 1503 se reduce a uno. Una mejor aproximación es calcular el punto de inflexión 1504, que está marcado como un punto negro en la curva de distancia 1502 en la FIG. 15. El procedimiento para calcular el punto de inflexión 1504 se describe como sigue:

(a) Dejar los primeroskpuntos en la curva de distanciad(l)conppuntos siendo 1,2,....k, y encontrar las pendientes:

mi = d(2) - d(1)/ (2-1),

m2 = d(3) - d (1 )/(3-1), ...,

ms = d(n) - d(1)/ (n-1);

(b) Calcular la mediana de las pendientes de la etapa (a):ma = mediana(mi, m2...mk);

(c)Dejar los últimosnpuntos en la curva de distanciad(/)conppuntos siendop-n,..., p-1,p, y encontrar las pendientes:

mp = d(p) - d (p -i)/ (p-(p-i)),

m2 = d(p) - d(p-2)/(p-(p-2)),...,

mn = d(p) - d(p-n)/(p-(p-n));y

(d) Calcular la mediana de las pendientes de la etapa (c):mb=mediana(mi, m2...mk),

donde una primera línea 1506 se define por la mediana de la pendientemacon un punto inicial como el primer punto a lo largo de la curva de distancia d(/)1502, y una segunda línea 1508 se define por la mediana de la pendientembcon un punto inicial como el punto final a lo largo de la curva de distancia d(/), de modo que el punto de inflexión 1504 es una proyección de un punto de intersección 1510 entre la primera y la segunda línea 1506 y 1508 en la curva de distancia d(/) y se indica mediante/p.Después en el procedimiento 206, si el punto de inflexión/pno es un número entero, entonces el número mínimo óptimo de agrupacionesLmín.se determina mediante el algoritmo 200 en el procedimiento 206 como sigue:

( sueloQp) si abs ( lp — suelo^lp)^ < abs ( lp — techo(l<p) )>

techo(lp) si abs ( lp — suelo^lp)^ > a b s(ip — techo^lp)^

Por ejemplo, al comenzar con un conjunto de datos 131 de trazados de perfiles de MCG no supervisados 133 de 10 días de datos de un usuario diabético que lleva un MCG, que se representa gráficamente en la FIG. 16A representado gráficamente en su totalidad en la pantalla 140 del dispositivo 105, y al procesar el conjunto de datos 131 por medio de la lógica de análisis 132 con el algoritmo de agrupamiento 200, el procesador 120 determinó automáticamente cinco agrupaciones diferenciadas 1600A, 1600B, 1600C, 1600D y 1600E, cada una con una varianza mínima dentro de la agrupación. A continuación, el procesador 120 proporcionó/generó una salida de dichas agrupaciones mínimas encontradas de forma visiblemente diferenciada/discernible en la pantalla 140, tal como, por ejemplo, como se muestran cada una de las agrupaciones diferenciadas 1600A, 1600B, 1600C, 1600D y 1600E en las FIGS. 16B-16F, respectivamente. Aunque, en las FIGS. 16B-16F, cada trazado de glucosa 133 determinado por el procesador 120 como una agrupación encontrada respectiva se muestra en negrita (más oscura) con líneas continuas o discontinuas/punteadas más gruesas y los trazados de glucosa no relacionados (no agrupados) por medio de líneas continuas respectivamente más tenues (más claras) y más finas, los trazados de glucosa asociados de cada agrupación mínima diferenciada se pueden hacer discernibles de los trazados de glucosa no asociados en un número de otras maneras, tal como mediante diferentes colores y/o diferentes representaciones de línea (guion, punto-guion, continua, más oscura, más tenue, más fina, más gruesa, etc.), así como no mostrando/ocultando los trazados de glucosa no asociados. Se apreciará que una de las ventajas de determinar, presentar y visualizar los trazados de glucosa 133 por medio de su agrupación encontrada asociada (en lugar de por medio de una pantalla de volcado de datos típica que muestra todos los trazados en el conjunto de datos, por ejemplo, diez días de datos con un promedio de 288 registros de muestreo por día como se representa en la FIG. 16<a>), es que el contenido con abundante información proporcionado en el conjunto de datos 131 se hace discernible de manera mucho más fácil y más eficazmente para un usuario, incluso, en un dispositivo móvil, tal como un teléfono móvil, medidor de glucemia, PDA, tableta o dispositivos similares, con una pantalla con restricciones de espacio (es decir, un tamaño de pantalla en diagonal de menos de 10 pulgadas). En otras palabras, un dispositivo 105 provisto de la funcionalidad de agrupamiento divulgada anteriormente se usa más eficazmente por un usuario para discernir los días en los que un tratamiento de control de la diabetes fue inadecuado que dispositivos similares de la técnica anterior sin dicha funcionalidad de agrupamiento y que solo proporcionan un volcado de datos y una pantalla abarrotada con numerosos registros de muestreo, tal como se representa en la FIG. 16A.

Además, se apreciará que el procesador 120, al determinar y producir agrupaciones, tales como las agrupaciones mostradas 1600A, 1600B, 1600C, 1600D y 1600E, en base al conjunto de datos 131 como se divulga en el presente documento, crea grupos/representaciones simbólicas de datos cualitativos inequívocos con respecto a la suficiencia del tratamiento de control de la diabetes del usuario, proporcionando de este modo una manera más específica y concreta de procesar y representar información (transformada por medio del agrupamiento) que la encontrada previamente en la técnica anterior. Por ejemplo, como se representa en la FIG. 16B, la primera agrupación diferenciada 1600A determinada por el procesador 120 en base al conjunto de datos 131 comprende el trazado del día 6, que se ha identificado y resaltado como una agrupación diferenciada debido a que tiene una banda constante de datos que se produce entre las 11:00 y las 12:30 horas. El periodo de banda constante en el día 6, representado como una entrada de señal constante y sin variación de un MCG de 50 mg/dl de glucosa detectada durante una hora y media, indica rápida y eficazmente a un usuario (que no tiene ningún episodio de hipoglucemia) que el sensor del MCG no funcionaba correctamente o no estaba colocado apropiadamente durante ese periodo, pero que, en términos generales, el tratamiento de control de la diabetes del usuario era bueno, como lo representan los datos representados gráficamente restantes para el trazado del día 6. Aunque en la FIG. 16B, un funcionamiento incorrecto del sensor o una colocación inapropiada del sensor se muestra como un valor de glucosa detectado constante, dichos problemas también se pueden mostrar como un periodo de banda muerta sin entrada de señal, con un periodo que tiene un valor de cero (o algún otro valor constante falso) representado en los datos representados gráficamente. Sin embargo, si el usuario tuvo un episodio de hipoglucemia durante el periodo constante entre las 11:00 y las 12:30 horas, la agrupación diferenciada encontrada indica al usuario, así como a un profesional sanitario observador, que el tratamiento de control de la diabetes no es eficaz en el periodo posterior al desayuno y antes del almuerzo, ya que la glucosa del usuario descendió por debajo de un nivel de alarma (es decir, 50 mg/dl) del MCG, provocando de este modo el periodo de banda constante en el día 6.

De la misma manera, como se indica en la siguiente agrupación diferenciada 1600B representada por la FIG. 16C, en el caso de que no haya ningún funcionamiento incorrecto del sensor/problema de colocación, se puede discernir rápidamente a partir de esta agrupación que el usuario sufrió tanto un periodo de hipoglucemia, que se produjo durante el ayuno del periodo de sueño entre las 1:30 y las 2:30 horas, como un periodo de hiperglucemia, que se produjo después de las 9:00 horas, cuando la glucosa del usuario aumentó por encima de un nivel de alarma (es decir, 400 mg/dl) del MCG, provocando de este modo el periodo de banda constante a 400 mg/gl en el día 2. Aunque la suficiencia del tratamiento de control de la diabetes del usuario durante el resto del trazado del día 2 es en general buena, es posible que se necesite atención/cambios en la rutina de control del tratamiento y/o en el estilo de vida del usuario diabético al menos en estos dos periodos. Esto también se indica en la siguiente agrupación diferenciada compuesta de los trazados del día 1 y el día 3, que tienen periodos de hiperglucemia o cercanos a ella antes o inmediatamente después de la medianoche. Aunque dichos episodios se pueden explicar fácilmente, tal como si esos días representaban periodos en los que el usuario diabético ignoró las restricciones dietéticas, las repeticiones en dichos episodios indican claramente un problema que se debe abordar en el tratamiento de control de la diabetes del usuario. Las recomendaciones sobre cómo abordar los problemas anteriores en el tratamiento de control de la diabetes también se hacen evidentes por el agrupamiento. Por ejemplo, el usuario debe modelar/imitar/seguir el tratamiento de control de la diabetes usado los días 4, 9 y 10, como en la siguiente agrupación diferenciada 1600D representada en la FIG. 16E, así como para la siguiente (y última) diferenciada 1600E representada en la FIG. 16F para los días 5, 7 y 8, muestra claramente que, en estos seis días, el tratamiento de control de la diabetes del usuario fue adecuado, sin problemas/periodos de hipo o hiperglucemia.

Para visualizar de manera conveniente y rápida las agrupaciones diferenciadas encontradas 1600A, 1600B, 1600C, 1600D y 1600E, por ejemplo, a partir de una visualización del gráfico de (volcado de) datos inicial 1605 del conjunto de datos 131 representado en la FIG. 16A, se muestran uno o más botones (por ejemplo, Cerrar y Ver agrupaciones) 1610 y 1620 de una interfaz de usuario 1625 con los datos representados gráficamente. Un usuario que seleccione el botón “Cerrar” 1610, ya sea con un dedo, un lápiz óptico o un cursor, provocará que el procesador 120 cierre el gráfico mostrado 1605 y regrese a una imagen de visualización previa/predeterminada del dispositivo 105. Un usuario que seleccione el botón “Ver agrupación” 1620, ya sea con un dedo, un lápiz óptico o un cursor, provocará que el procesador 120 muestre la primera agrupación diferenciada encontrada, por ejemplo, la agrupación 1600A representada en la FIG. 16B. La interfaz de usuario 1625 tiene un número de botones, tales como un botón “Siguiente agrupación” 1630 para provocar que el procesador 120 muestre la siguiente agrupación diferenciada encontrada, tal como la agrupación 1600B, un botón “Agrupación previa” 1640 (FIG. 16C) para provocar que el procesador 120 muestre la agrupación diferenciada mostrada previamente, y un botón “Volver a principal” 1650 (FIG. 16E) para provocar que el procesador 120 vuelva a mostrar el gráfico de datos inicial 1605 (FIG. 16A). En otros modos de realización, la interfaz de usuario 1625 puede mostrar, junto con cada agrupación, los botones 1610, 1630, 1640 y 1650 para facilitar la navegación.

En vista de la divulgación anterior, resulta evidente que, en un modo de realización, se divulga un sistema de monitorización de la diabetes de un paciente para un paciente. El sistema comprende un dispositivo de entrada de datos fisiológicos que adquiere una pluralidad de mediciones fisiológicas del paciente dentro de una franja de tiempo para generar al menos un conjunto de datos de la franja de tiempo de perfiles de monitorización diarios no supervisados recopilados; una memoria que almacena un algoritmo de agrupamiento de perfiles de monitorización diarios no supervisados; y un procesador en comunicación con dicho dispositivo de entrada para recibir dicho al menos un conjunto de datos de la franja de tiempo generado, y en comunicación con dicha memoria para ejecutar dicho algoritmo de agrupamiento de perfiles de monitorización diarios no supervisados, en el que dicho algoritmo de agrupamiento de perfiles de monitorización diarios no supervisados, cuando se ejecuta por dicho procesador, provoca que dicho procesador automáticamente: preprocese el conjunto de datos para controlar una cantidad de sesgo/agresividad de los perfiles de monitorización diarios no supervisados recopilados para generar un conjunto de datos preprocesados, cree una matriz de similitudes a partir del conjunto de datos preprocesados y genere una salida de un número óptimo de agrupaciones de similitudes encontradas por el procesador a partir de la matriz de similitudes. En otro modo de realización del sistema, el preprocesamiento del conjunto de datos controla la cantidad de sesgo/agresividad por medio de una transformación de datos del conjunto de datos que hace que el conjunto de datos preprocesado sea simétrico para el análisis retrospectivo. En otro modo de realización del sistema, la transformación de datos para el análisis retrospectivo resulta del procesamiento por el conjunto de datos con una función de riesgos instantáneos definida por:Gt= a * In(G - fí) - a * In(a),

donde el parámetro a =Tc- y el parámetro¡3=Dr- 1, en el que Tc es un centro de un espacio transformado, Dr es un nivel mínimo definido de glucosa, Gt son los datos transformados de las mediciones de concentración de glucemia proporcionadas en el conjunto de datos, y “g” son los valores del nivel de glucosa originales de las mediciones de concentración de glucemia proporcionadas en el conjunto de datos y medidos en milimoles por litro. En otro modo de realización del sistema, el dispositivo de entrada de datos fisiológicos es un MCG.

En otro modo de realización del sistema mencionado anteriormente, después del preprocesamiento del conjunto de datos, el conjunto de datos preprocesado se procesa a continuación para crear la matriz de similitudes para justificar la dinámica de series temporales en el conjunto de datos preprocesado. En otro modo de realización del sistema, la dinámica de series temporales en el conjunto de datos preprocesado se justifica mediante una matriz de distancias que explica los niveles de valores de glucosa en un espacio real o un espacio transformado, así como por medio de una tasa de cambio de los niveles de valores de glucosa para calcular una distancia entre cada par de series temporales similares de datos presentados en el conjunto de datos preprocesado. En otro modo de realización del sistema, la matriz de distancias se define por:d(Xi,Y) =k* |X - Y| (1 - k) * |(mx -my)*(Xi- Y/)|, dondeXies un valor de nivel de glucosa en una primera serie temporal X en el tiempoi, Yies un valor de glucosa en una segunda serie temporalYen el tiempoi, kes un factor de ponderación,mxes una pendiente en el tiempoipara la primera serie temporalXi,ymyes la pendiente en el tiempoipara la serie temporal Xi. En otro modo de realización del sistema, se usa una suma de distancias entre la primera y la segunda serie temporal X eYen un procedimiento de alineación elástica para justificar las variaciones en las respuestas/desplazamientos temporales en el conjunto de datos preprocesado. En otro modo de realización del sistema, el procedimiento de alineación elástica es un procedimiento de deformación temporal dinámica que permite la correspondencia elástica de la primera y la segunda serie temporal X eYpor compresión o prolongación local a lo largo de un eje de tiempo. En otro modo de realización del sistema, el procedimiento de deformación temporal dinámica da como resultado que cualquier penalización se añada a la suma de las distancias entre la primera y la segunda serie temporal X e Y. En otro modo de realización del sistema, la primera y la segunda serie temporal son curvas de MCG. En otro modo de realización del sistema, la primera y la segunda serie temporal X eYdel conjunto de datos preprocesado son procesadas por el procesador con la penalización como sigue:

(c) Manteniendo la primera columna constante mediante: X(1,j) = X(1,j-1) Y(1,j); y

(d) Llevando para la siguiente fila y la siguiente columna hasta el final del espacio de búsqueda del conjunto de datos preprocesado como se define por: X(i, j) = mín(X(i, j-1), X(i-1, j-1), X(i-1, j)) Y(i, j).

En otro modo de realización del sistema divulgado anteriormente, la salida del procedimiento de creación de una matriz de similitudes se comprueba con respecto a una o más condiciones para evaluar si una ruta de alineación determinada es una ruta válida, siendo las una o más condiciones: monotonicidad, continuidad, condiciones delimitadoras, margen de búsqueda y pendiente. En otro modo de realización del sistema, la salida del procedimiento de matriz de similitudes se usa a continuación en un procedimiento de agrupamiento aglomerativo para generar una salida de agrupaciones de similitudes, teniendo el procedimiento de agrupamiento aglomerativo el siguiente pseudocódigo:

(a) Calcular una matriz de distancias entre los puntos de datos de la salida;

(b) Permitir que cada uno de los puntos de datos sea una agrupación;

(c) Repetir lo siguiente:

i. Fusionar las dos agrupaciones más cercanas, y

ii. Actualizar la matriz de distancias; y

(d) Repetir hasta que solo quede una única agrupación.

En otro modo de realización del sistema, el procesador calcula un punto de inflexión en la matriz de distancias para encontrar el número mínimo óptimo de agrupaciones. En otro modo de realización del sistema, sid(l)es una curva de distancia en la matriz de distancias,d'(l)es una primera derivada de la curva de distancia, yd"(l)es una segunda derivada de la curva de distancia, y si d'(l) existe, entonces el procesador calcula el número mínimo óptimo de agrupaciones a lo largo de la curvad(i)como un punto l donde d"(l) = 0. En otro modo de realización del sistema, el procesador calcula el punto de inflexión como sigue:

mi = d(2) - d(1)/ (2-1), m i = d(3) - d (1 )/(3-1), ..., mk = d(n) - d(1)/(n-1);

(b) Calcular la mediana de las pendientes de la etapa (a):ma= mediana(mi,m2... mk);

(c) Dejar los últimosnpuntos en la curva de distancia d(l) conppuntos siendop-n,..., p-1, p,y encontrar las pendientes:

mp= d(p) -d(p-1)/ (p-(p-1)), m i= d(p) -d(p-2)/(p-(p-2)),...,mn= d(p) - d(p-n)/(p-(p-n)); y

(d) Calcular la mediana de las pendientes de la etapa (c):mb=mediana(mi, m2...mn),

donde una primera línea se define por la mediana de la pendientemacon un punto inicial como el primer punto a lo largo de la curva de distancia d(l), y estando una segunda línea definida por la mediana de la pendientembcon un punto inicial como el punto final a lo largo de la curva de distancia d(l), siendo el punto de inflexión una proyección de un punto de intersección entre la primera y la segunda línea en la curva de distancia d(l) indicado por lp, y, si el punto de inflexión lp no es un número entero, entonces el número mínimo óptimo de agrupaciones Lmín. se encuentra mediante:

( sueloQp) si abs ( lp — suelo^lp)^ < abs ( lp — techo(l<p) )>

techo(lp) si abs ( lp — suelo^lp)^ > a b s(ip — techo^lp)^

Todavía en otro modo de realización, se divulga un medio legible por ordenador no transitorio que almacena un programa que, cuando se ejecuta por un procesador, provoca que el procesador ejecute, por medio de un sistema de monitorización de la diabetes de un paciente que tiene un dispositivo de entrada de datos fisiológicos que adquiere una pluralidad de mediciones fisiológicas del paciente dentro de una franja de tiempo para generar al menos un conjunto de datos de la franja de tiempo de perfiles de monitorización diarios no supervisados recopilados y que está en comunicación con dicho procesador, de modo que dicho procesador recibe dicho al menos un conjunto de datos de la franja de tiempo generado, y, en comunicación con dicha memoria, un algoritmo de agrupamiento de perfiles de monitorización diarios no supervisados que provoca que dicho procesador automáticamente: preprocese el conjunto de datos para controlar una cantidad de sesgo/agresividad de los perfiles de monitorización diarios no supervisados recopilados para generar un conjunto de datos preprocesado, cree una matriz de similitudes a partir del conjunto de datos preprocesado y genere una salida de un número óptimo de agrupamientos de similitudes. En otro modo de realización del medio legible por ordenador no transitorio, el perfil de MCG o perfil de insulina es el al menos un conjunto de datos de la franja de tiempo de un paciente, y comprende datos sin procesar, datos transformados, datos sin procesar asociados con marcas de datos relacionadas, datos transformados asociados con marcas de datos relacionadas, o combinaciones de los mismos.

Aún en otro modo de realización, se divulga un procedimiento para identificar días en los que un tratamiento de control de la diabetes fue inadecuado para un paciente usando un sistema de monitorización que comprende un dispositivo de visualización, un dispositivo de entrada de datos fisiológicos y un procesador. El procedimiento comprende recibir automáticamente desde un dispositivo de entrada de datos fisiológicos una pluralidad de mediciones fisiológicas del paciente dentro de una franja de tiempo para generar al menos un conjunto de datos de la franja de tiempo de perfiles de monitorización diarios no supervisados recopilados; y ejecutar desde una memoria un algoritmo de agrupamiento de perfiles de monitorización diarios no supervisados almacenado y provocar que el procesador automáticamente: preprocese el conjunto de datos para controlar una cantidad de sesgo/agresividad de los perfiles de monitorización diarios no supervisados recopilados, generando de este modo un conjunto de datos preprocesado, cree una matriz de similitudes a partir del conjunto de datos preprocesado y genere una salida en la pantalla de un número óptimo de agrupaciones de similitudes encontradas por el procesador a partir de la matriz de similitudes.

Aunque anteriormente se han analizado en detalle varios dispositivos y componentes de los mismos, se debe entender que los componentes, rasgos característicos, configuraciones y procedimientos de uso de los dispositivos analizados no se limitan a los contextos proporcionados anteriormente. En particular, los componentes, rasgos característicos, configuraciones y procedimientos de uso descritos en el contexto de uno de los dispositivos se pueden incorporar a cualquiera de los otros dispositivos. Además, sin limitarse a la descripción adicional proporcionada a continuación, los componentes, rasgos característicos, configuraciones y procedimientos de uso de los dispositivos adecuados adicionales y alternativos, así como diversas maneras en las que se pueden combinar e intercambiar las enseñanzas en el presente documento, serán evidentes para los expertos en la técnica a la vista de las enseñanzas en el presente documento.

Habiendo mostrado y descrito diversas versiones en la presente divulgación, se pueden lograr otras adaptaciones de los procedimientos y sistemas descritos en el presente documento mediante modificaciones apropiadas por un experto en la técnica sin apartarse del alcance de la presente invención. Se han mencionado varias de dichas modificaciones potenciales y otras serán evidentes para los expertos en la técnica. Por ejemplo, los ejemplos, versiones, geometrías, materiales, dimensiones, proporciones, etapas y similares analizados anteriormente son ilustrativos y no se requieren. En consecuencia, el alcance de la presente invención se debe considerar en términos de las siguientes reivindicaciones y se debe entender que no se limita a los detalles de estructura y funcionamiento mostrados y descritos en la memoria descriptiva y los dibujos.

Claims

REIVINDICACIONES

1. Un sistema de monitorización de la diabetes de un paciente (100) para un paciente (102) que comprende:

- un dispositivo de entrada de datos fisiológicos (110) que adquiere, en condiciones no supervisadas, una pluralidad de mediciones fisiológicas del paciente (102) dentro de una franja de tiempo para generar al menos un conjunto de datos de la franja de tiempo (131) de perfiles de monitorización diarios no supervisados recopilados;

- una memoria (135) que almacena un algoritmo de agrupamiento de perfiles de monitorización diarios no supervisados; y

- un procesador (120) en comunicación con dicho dispositivo de entrada para recibir dicho al menos un conjunto de datos de la franja de tiempo generado (131), y en comunicación con dicha memoria (135) para ejecutar dicho algoritmo de agrupamiento de perfiles de monitorización diarios no supervisados,

caracterizado porquedicho algoritmo de agrupamiento de perfiles de monitorización diarios no supervisados, cuando es ejecutado por dicho procesador (120), provoca que dicho procesador (120) automáticamente:

- preprocese el al menos un conjunto de datos de la franja de tiempo (131) para controlar una cantidad de sesgo/agresividad de una penalización en los perfiles de monitorización diarios no supervisados recopilados debido a las condiciones no supervisadas por medio de una transformación de datos del al menos un conjunto de datos de la franja de tiempo (131) para generar un conjunto de datos preprocesado que atenúa las respuestas en el lado de la hiperglucemia y/o el lado de la hipoglucemia de un espectro de respuesta a la glucosa de una serie temporal a partir del al menos un conjunto de datos de la franja de tiempo (131), en el que la transformación de datos hace que el conjunto de datos preprocesado sea simétrico para el análisis retrospectivo,

en el que la transformación de datos para el análisis retrospectivo resulta del procesamiento por el al menos un conjunto de datos de la franja de tiempo (131) con una función de riesgos instantáneos definida por:Gt=a* In(G -p) -a* In(a), en la que el parámetro a =Tc-fiy el parámetrofi=Dr- 1, en el que Tc es un centro de un espacio transformado, Dr es un nivel mínimo definido de glucosa, Gt son los datos transformados de las mediciones de concentración de glucemia proporcionadas en el conjunto de datos, yGrepresenta los valores del nivel de glucosa originales de las mediciones de concentración de glucemia proporcionadas en el al menos un conjunto de datos de la franja de tiempo (131) y medidos en milimoles por litro,

- cree una matriz de similitudes a partir del conjunto de datos preprocesado, que comprenda el cálculo de las distancias entre cada par de series temporales similares de datos presentados en el conjunto de datos preprocesado, y

- genere una salida de un número óptimo de agrupaciones de similitudes, que comprenden series temporales, encontradas por el procesador (120) a partir de la matriz de similitudes, en el que una salida del procedimiento de matriz de similitudes se usa en un procedimiento de agrupamiento aglomerativo (206) para generar una salida de agrupaciones de similitudes, teniendo el procedimiento de agrupamiento aglomerativo (206) el siguiente pseudocódigo: (a) Calcular una matriz de distancias entre los puntos de datos de la salida; (b) Permitir que cada uno de los puntos de datos sea una agrupación; (c) Repetir lo siguiente: i. Fusionar las dos agrupaciones más cercanas, y ii. Actualizar la matriz de distancias; y (d) Repetir hasta que solo quede una única agrupación, en el que el agrupamiento se usa para identificar momentos problemáticos a lo largo del día y ayudar a optimizar el tratamiento que se centra en estos puntos débiles.

2. El sistema (100) de la reivindicación 1, en el que, después del preprocesamiento del al menos un conjunto de datos de la franja de tiempo (131), el conjunto de datos preprocesado se procesa a continuación para crear la matriz de similitudes para justificar la dinámica de series temporales en el conjunto de datos preprocesado.

3. El sistema (100) de la reivindicación 2, en el que la dinámica de series temporales en el conjunto de datos preprocesado se justifica mediante una métrica de distancias que justifica los niveles de valores de glucosa en un espacio real o un espacio transformado, así como por medio de una tasa de cambio de los niveles de valores de glucosa para calcular la distancia entre cada par de series temporales similares de datos presentados en el conjunto de datos preprocesado.

4. El sistema (100) de la reivindicación 3, en el que la métrica de distancias se define por:

d(X¡, Yi) = k* \X¿ - Y i \ ( l - k ) * \ ( m x - my ) * (X¿ -y¡)|

dondeX ies un valor de nivel de glucosa en una primera serie temporalX en el tiempoi, Yies un valor de glucosa en una segunda serie temporalYen el tiempoi, kes un factor de ponderación,mxes una pendiente en el tiempoipara la primera serie temporalXi,ymyes la pendiente en el tiempoipara la serie temporal X.

5. El sistema (100) de la reivindicación 4, en el que se usa una suma de distancias entre la primera y la segunda serie temporal X eYen un procedimiento de alineación elástica para justificar las variaciones en las respuestas/desplazamientos temporales en el conjunto de datos preprocesado.

6. El sistema (100) de la reivindicación 5, en el que el procedimiento de alineación elástica es un procedimiento de deformación temporal dinámica que permite la correspondencia elástica de la primera y la segunda serie temporal X eYpor compresión o prolongación local a lo largo de un eje de tiempo.

7. El sistema (100) de la reivindicación 6, en el que el procedimiento de deformación temporal dinámica da como resultado que cualquier penalización se añada a la suma de las distancias entre la primera y la segunda serie temporal X e Y.

8. El sistema (100) de la reivindicación 7, en el que el dispositivo de entrada de datos fisiológicos (110) es un MCG y la primera y la segunda serie temporal son curvas de MCG.

9. El sistema (100) de la reivindicación 7, en el que la primera y la segunda serie temporal X eYdel conjunto de datos preprocesado son procesadas por el procesador (120) con la penalización como sigue:

(a) Partiendo del origen, la distancia entre las curvas de la primera serie temporal X y la segunda serie temporal Y es: X(1,1) = Y(1, 1);

10. El sistema (100) de la reivindicación 1, en el que la salida del procedimiento de creación de una matriz de similitudes se comprueba con respecto a una o más condiciones para evaluar si una ruta de alineación determinada es una ruta válida, siendo las una o más condiciones: monotonicidad, continuidad, condiciones delimitadoras, margen de búsqueda y pendiente.

11. El sistema (100) de la reivindicación 1, en el que el procesador (120) calcula un punto de inflexión (1504) en la matriz de distancias para encontrar el número mínimo óptimo de agrupaciones.

12. El sistema (100) de la reivindicación 11, en el que, sid(l)es una curva de distancia en la matriz de distancias,d'(l)es una primera derivada de la curva de distancia, yd"(l)es una segunda derivada de la curva de distancia, y sid'(l)existe, entonces el procesador (120) calcula el número mínimo óptimo de agrupaciones a lo largo de la curvad(i)como un punto l donde d"(l) = 0.

13. El sistema (100) de la reivindicación 11, en el que el procesador (120) calcula el punto de inflexión (1504) como sigue:

mi = d(2) - d(1)/ (2-1), m2 = d(3) - d (1 )/(3-1), ..., mk = d(n) - d(1)/(n-1);

(b) Calcular la mediana de las pendientes de la etapa (a):ma= mediana(m1, m2 ... mk);

mp = d(p) - d(p-1)/(p-(p-1)), m2 = d(p) - d(p-2)/(p-(p-2)), ..., mn = d(p) - d(p-n)/(p-(p-n));y

(d) Calcular la mediana de las pendientes de la etapa (c): mb = mediana(m1, m2... mn),

donde una primera línea (1506) se define por la mediana de la pendiente ma con un punto inicial como el primer punto a lo largo de la curva de distancia d(l), y estando una segunda línea (1508) definida por la mediana de la pendientembcon un punto inicial como el punto final a lo largo de la curva de distancia d(l), siendo el punto de inflexión (1504) una proyección de un punto de intersección (1510) entre la primera y la segunda línea (1508) en la curva de distanciad(l)indicado mediantelp,y, si el punto de inflexión (1504)lpno es un número entero, entonces el número mínimo óptimo de agrupacionesLmín.se encuentra mediante: