连续葡萄糖监测系统的多状态参与的制作方法

1.本技术要求于2019年12月16日提交的美国临时专利申请号62/948724的权益，其标题为“基于连续葡萄糖监测的建议(recommendations based on continuous glucose monitoring)”。上述申请的全部内容通过引用并入本文，并在此明确地构成本说明书的一部分。


背景技术：

2.糖尿病是一种影响数亿人的代谢疾病，并且是全球主要的死亡原因之一。对于患有糖尿病的人群来说，获得治疗对他们的生存至关重要。通过适当的治疗，可以在很大程度上避免因糖尿病而对心脏、血管、眼睛、肾脏和神经造成的严重损害。对i型糖尿病患者的适当治疗通常包括全天监测葡萄糖水平并调节这些水平——结合胰岛素、饮食和运动——使水平保持在所需范围内。
3.为糖尿病患者制定治疗计划的挑战之一是，不同的糖尿病患者可能受到各种因素的不同影响，例如他们吃的食物和压力。这可能存在很大差异，例如，当不同人吃同一餐时，他们的葡萄糖水平如何受到影响。压力也会对人产生不同的影响，通过不同程度地提高激素水平，从而影响对葡萄糖的控制。因此，对一个糖尿病患者有效的治疗计划可能对另一个人无效。因此，医疗专业人员和糖尿病患者可以通过迭代治疗计划来工作，在观察到对治疗的反应时调整这些计划的各个方面。因此，调节葡萄糖水平通常涉及一定程度的定制化。然而，治疗计划的共同点是监测葡萄糖水平。随着医疗技术的进步，已经开发了多种用于监测葡萄糖水平的系统。
4.这些系统中的一些包括用于扎破人的身体部分(例如，在多数情况下是人的手指)以抽取血液的组件，以及用于检测抽取的血液中指示葡萄糖水平的分析物的传感器。其他系统用传感器基本实时检测指示葡萄糖水平的分析物，并在一段时间内产生这些葡萄糖水平的测量值——称为连续葡萄糖监测(cgm)。两种类型的系统都被配置为输出(例如，显示)这些测量值，以便用户和医疗专业人员可以决定如何最好地调节用户的葡萄糖水平。cgm系统产生和输出的大量葡萄糖测量值向用户展示了他们的葡萄糖水平的趋势，并使他们能够就治疗做出更明智的决策。


技术实现要素：

5.本文描述了连续葡萄糖监测(cgm)系统的多状态参与。鉴于佩戴cgm系统的人数，并且由于cgm系统连续地产生测量值，为cgm系统提供用于检测葡萄糖水平的传感器并保存描述这些葡萄糖水平检测的数据的cgm平台可能具有大量数据，例如，数千万患者日的数据点。然而，对于人类来说，这种数据量实际上是不可能的，即使不是实际上，也无法去处理以可靠地识别包括葡萄糖测量值的数据程序包中的模式，而且还识别与大量附加数据相关的模式，其可以与该程序包相关联以准确地预测cgm系统的参与状态，例如，用户是否将停止使用cgm系统。
6.在一种或多种实施方式中，cgm平台包括数据分析平台，该平台获得由用户佩戴的cgm系统提供的葡萄糖测量值的程序包。数据分析平台还获得与用户相关的附加数据。然而，数据分析平台从一个或多个不同于cgm系统的来源获得附加数据，诸如从保存用户的购买历史的用户简档获得，该购买历史描述了cgm系统或其构件(例如，传感器应用组件)的购买、从cgm平台的服务的购买、药物购买等。附加数据还可以包括除了葡萄糖测量值之外的生理数据、社会经济数据、态度数据、行为数据和投诉数据，仅举几个例子。
7.数据分析平台通过处理这些cgm程序包和附加数据，至少部分地通过使用一个或多个模型(例如，无监督学习模型、有监督学习模型、强化学习模型等)来为用户生成状态信息。该状态信息可以指示用户参与cgm系统和cgm平台的当前状态或预测向不同的、新的状态的转变。数据分析平台基于用户群体(例如，也佩戴或已经佩戴cgm系统的多个用户)的历史cgm程序包和历史附加数据生成这些模型。基于该状态信息，数据分析平台控制与用户的通信，这可能包括生成干预策略以防止用户转变到消极状态，例如停止使用cgm系统。
8.本概述以简化形式介绍了一些概念，这些概念将在下面的详细描述中进一步描述。因此，本发明内容并非旨在识别所要求保护的主题的基本特征，也不旨在用作确定所要求保护的主题的范围的帮助。
附图说明
9.参考附图来描述详细说明书。
10.图1是在可操作的示例性实施方式中的环境以采用本文描述的技术的图示。
11.图2更详细地描绘了图1的连续葡萄糖监测(cgm)系统的实施例。
12.图3描绘了一个示例性实施方式，其中包括葡萄糖测量值的cgm设备数据被路由到不同的系统以实现cgm相关服务的提供。
13.图4更详细地描绘了图3的预测系统的示例性实施方式。
14.图5描绘了其中由数据分析平台产生的预测或建议中的至少一个被路由到验证服务或决策支持平台中的至少一个的示例性实施方式。
15.图6更详细地描绘了图3的多状态接合系统的示例性实施方式。
16.图7描绘了cgm系统的多个不同参与状态的示例性状态空间。
17.图8描绘了其中关于cgm系统的参与状态的信息被路由到干预平台的示例性实施方式。
18.图9描绘了在耦合到cgm系统的计算设备上显示的cgm平台的用户界面的示例性实施方式。
19.图10描绘了输出更新的预测和更新的建议的用户界面的示例性实施方式。
20.图11描绘了输出用于支持糖尿病治疗决策的预测和建议的用户界面的另一个示例性实施方式。
21.图12描绘了输出关于健康趋势的信息的用户界面的示例性实施方式。
22.图13描绘了验证服务的用户界面的示例性实施方式，经批准的用户可以与该用户界面交互以验证由cgm平台生成的建议。
23.图14描绘了输出关于检测到与cgm平台的使用相关的故障和系统配置问题的信息的用户界面的示例性实施方式。
24.图15描绘了生成状态信息的多步参与系统的示例性实施方式，该状态信息包括从当前状态转变到新状态的概率和转变的预测驱动因素。
25.图16描绘了接收与糖尿病相关的搜索查询的用户界面的示例性实施方式。
26.图17描绘了示例性实施方式中的程序，其中基于用户的葡萄糖测量值和附加数据来生成预测和建议。
27.图18描绘了示例性实施方式中的程序，其中使用特定应用程序的建议被传送到类似用户的一个或多个设备。
28.图19描绘了示例性实施方式中的程序，其中生成状态信息以控制与用户的通信。
29.图20描绘了示例性实施方式中的程序，其中生成干预策略以防止用户转变到消极状态。
30.图21描绘了示例性实施方式中的程序，其中基于从健康相关在线活动确定的状态信息来控制健康相关数字内容的输出。
31.图22示出了包括示例性设备的各种构件的示例性系统，该示例性设备可以以任何类型的计算设备被实现，如参考图1-21所描述和/或利用的来实现本文所描述的技术的实施方式。
具体实施方式
32.概述
33.本文描述了连续葡萄糖监测(cgm)系统的多状态参与。鉴于佩戴cgm系统的人数，并且由于cgm系统连续地产生测量值，为cgm系统提供用于检测葡萄糖水平的传感器并保存描述这些葡萄糖水平检测的数据的cgm平台可能具有大量数据，例如，数千万患者日的数据点。然而，对于人类来说，这种数据量实际上是不可能的，即使不是实际上，也无法去处理以可靠地识别包括葡萄糖测量值的数据程序包中的模式，而且还识别与大量附加数据相关的模式，其可以与该程序包相关联以准确地预测cgm系统的参与状态，例如，用户是否将停止使用cgm系统。
34.为了克服这些问题，利用了cgm系统的多状态参与。在一种或多种实施方式中，cgm平台从用户群体中的用户的各种cgm系统和计算设备获得葡萄糖测量值。根据所描述的技术，cgm系统被配置为连续地监测人的血糖。例如，cgm系统可以配置有cgm传感器，其被皮下插入人的皮肤并检测指示人的血糖的分析物。cgm系统可以根据检测到的分析物连续地生成葡萄糖测量值。如本文所用，术语“连续地”是指近乎连续地，使得连续葡萄糖监测以由cgm系统的资源(例如，电池寿命、处理能力、通信能力等)支持的时间间隔产生测量值，并且不需要用户的手动交互，例如扎破手指。通过连续地监测血糖水平，cgm系统不仅允许用户就他们的治疗做出更明智的决定，而且在允许他们参与手动刺破手指可能有危险的活动(例如，驾驶汽车)的同时，继续监测葡萄糖水平。
35.cgm系统将葡萄糖测量值传输到通信地耦合到cgm系统的计算设备，例如，人佩戴的智能手表、人的智能手机或与cgm系统相关联的专用设备。cgm系统可以实时地、以设定的时间间隔或响应于来自计算设备的请求来传送葡萄糖测量值。然后，计算设备将葡萄糖测量值提供给cgm平台，诸如通过网络将葡萄糖测量值传送到托管cgm平台的基于云的服务等。
36.cgm平台还可以获取用户群体中用户的附加数据，其自各种设备、传感器、应用程序或服务。举例说明而非限制，附加数据可以包括健康相关数据、应用交互数据、环境数据、人口统计数据、除了葡萄糖测量值之外的设备数据(例如，传感器识别数据、事件报告)、由计算设备添加的补充数据、第三方数据等。健康相关数据可能包括活动数据(例如，步数、运动频率、睡眠数据)、生物特征数据(例如，胰岛素水平、酮水平、心率、体温、压力)、营养数据(例如，饮食记录、扫描的餐厅收据、碳水化合物消耗、禁食)、医疗记录(例如，a1c、胆固醇、心电图结果以及与其他医学检查或病史相关的数据)等等。应用交互数据可以包括从描述用户与特定应用的交互的应用日志中提取的数据、描述关于计算设备的输入/输出界面执行的点击、轻敲和按压的点击流数据、描述用户正在看哪里的凝视数据(gaze data)(例如，关于与计算设备相关联的显示设备或者当用户将目光从该设备上移开时)、描述用户或其他用户的听觉命令和其他口头短语的语音数据(例如，包括被动地倾听用户)等等。环境数据可以包括描述与用户相关联的各种环境方面的数据，诸如用户的位置、用户位置的温度和/或天气、用户所处的海拔高度、大气压等。人口统计数据可以包括描述用户的数据，诸如年龄、性别、身高、体重等。在不背离所描述的技术的精神或范围的情况下，上述类型的附加数据仅仅是实施例，并且附加数据可以包括更多、更少或不同类型的数据。
37.cgm平台存储和汇总从用户群体的各个用户收集的葡萄糖测量值和附加数据。在一些情况下，可以对葡萄糖测量值和附加数据加时间戳，这使得相应用户的葡萄糖测量值和附加数据能够以在各个数据碎片(piece of data)之间保持基于时间的关系或顺序的方式进行存储。这使得cgm平台能够基于不同的数据集做出各种不同的预测和推断，所述的数据集根本没有被传统系统以如此大规模的方式一起分析过。
38.为了使用汇总数据生成预测和推断，cgm平台利用cgm平台保存的大量汇总数据来构建各种模型，诸如统计模型、配置为神经网络的机器学习模型和/或其他机器学习模型等。例如，系统可以构建统计模型、构建其他机器学习模型、训练其他机器学习模型(或以其他方式学习由此类机器学习模型部署的策略)，并使用用户群体的葡萄糖测量值和附加数据更新这些模型。
39.值得注意的是，与传统系统不同，cgm平台可以访问使用cgm系统的用户群体的数十万用户(例如，500,000或更多)获得的葡萄糖测量值。此外，这些测量值是由cgm系统的传感器以连续速率取得的。因此，系统可用于构建和训练模型的葡萄糖测量值可能达到数百万甚至数十亿。凭借如此稳健(robust)的数据量，系统可以构建和训练模型以准确模拟不同行为葡萄糖水平的真实影响。如果缺乏这种汇总数据的稳健性，传统系统根本无法以适当地表示各种用户行为和动作如何影响葡萄糖水平的方式来构建或训练模型，从而覆盖状态空间。未能适当地覆盖这些状态空间可能会导致葡萄糖预测或其他健康指标的预测不准确，这可能使其建议会导致死亡的不安全动作或行为。鉴于产生不准确预测的严重性，使用对罕见事件具有稳健性的大量葡萄糖测量值来构建模型是重要的。
40.cgm平台使用利用汇总数据构建和/或训练的模型，以便为佩戴cgm系统的用户生成各种预测，以及改善预测健康状况的建议。预测可以对应于或包括健康指标。如本文所用，术语“健康指标”可以指预测的健康状况，其可以是“积极的”或“消极的”。例如，消极健康状况的例子包括糖尿病前期、i型糖尿病、ii型糖尿病、神经病、阿尔茨海默病和心脏病，仅举几个例子。相比之下，“积极的”健康状况的例子可能包括改善血液检查、身体成分、心
血管功能等。
41.此外，系统生成的预测可能包括对整个用户群体的一般预测或趋势(例如，喝苏打水会导致高血糖峰值，从而导致长期神经病变，或者吃低碳水化合物饮食会降低a1c)，以及针对个人用户的具体预测。例如，系统可以将训练的机器学习模型应用于特定时间段内单个用户的葡萄糖测量值和附加数据，以便为用户生成健康指标或事件的用户特定预测，诸如通过预测用户将来会患上ii型糖尿病或心脏病。该系统可以生成与预测相关联的准确度或概率，以及与预测相关联的时间段(例如，在40个月内有75％的几率患上ii型糖尿病)。在某些情况下，系统还可以根据实时数据为个人用户生成短期预测。例如，训练的模型可以在捕获数据时实时应用于葡萄糖测量值、心率、胰岛素水平等，以便在不久的将来生成用户的预测血糖水平(例如，接下来的三十分钟)。
42.基于这些预测，cgm平台生成各种建议。在一些情况下，基于将预测的消极健康状况与减轻预测的消极健康状况(例如，降低消极健康状况的发生概率)的一个或多个动作或行为相关联的逻辑生成建议。因此，该建议可以包括旨在减轻预测的消极健康状况的一个或多个动作或行为。例如，该建议可以指示用户执行动作(例如，将应用程序下载到计算设备、立即就医、注射胰岛素、散步、食用特定的食物或饮料)、继续行为(例如，继续以某种方式进食或以某种方式运动)，改变行为(例如，改变饮食习惯或运动习惯)等。
43.例如，基于用户的血糖水平将在接下来的30分钟内上升到高血糖水平的预测，cgm平台可以生成包括旨在降低用户血糖水平的动作的建议，诸如通过建议用户服用胰岛素或疾走等。相反，基于用户的葡萄糖将在一夜之间下降到低血糖水平的预测，cgm平台可能会生成用户睡前吃香蕉的建议，以使用户的血糖水平保持在低血糖水平以上。作为另一个实施例，基于用户将在40个月内患上ii型糖尿病的预测，cgm平台可以生成建议以调整用户的饮食或增加活动水平。
44.cgm平台生成的预测和建议可以直接提供给用户，或者提供给与用户相关的其他方或平台，例如医疗保健提供者、家庭成员、第三方服务等。例如，此类预测和建议可以作为电子通信(例如，电子邮件或文本消息)、通知(例如，应用程序内或设备上的通知)或上传到安全平台或可通过凭据访问的网站传达给用户或其他方。
45.根据各种实施方式，cgm平台包括一个或多个应用编程接口(api)，以使得能够在cgm平台与一个或多个第三方之间来回传送葡萄糖测量值和附加数据。此类api可包括“出口”api，其使葡萄糖测量值能够从cgm平台传送到各类第三方，这些第三方提供利用由cgm系统收集的葡萄糖测量值的应用程序和服务。例如，用户可能能够下载此类第三方应用程序，并授权这些第三方应用程序访问用户的葡萄糖测量值。这样做使第三方应用程序能够以各种不同的方式利用葡萄糖测量值来改善用户的健康状况。这样，第三方服务提供商可能能够提供使用葡萄糖测量值的各种服务，即使这样的第三方服务提供商可能不制造和部署他们自己的cgm系统。
46.cgm平台还可以包括“入口”api，使cgm平台能够从第三方服务提供商接收“第三方”数据。这种第三方数据可以包括描述用户与第三方服务或应用程序交互的应用交互数据。cgm平台可以汇总应用交互数据以及用户的葡萄糖测量值和其他数据，以确定与特定应用程序的交互是否正在改善用户的健康。基于此，cgm平台可以建议用户群体的其他用户也利用特定的应用程序。
47.作为其中的一部分，系统可以收集特定用户的人口统计数据，例如年龄、性别、位置等。从用户收集的葡萄糖测量值可以与人口统计数据和附加数据相结合，以便生成与用户群体中其他用户的相似性分数。例如，一位22岁的女性用户，其平均葡萄糖为162mg/dl，并且经历过夜间低血糖测量模式，可能与该年龄、性别、平均血糖测量值和模式经历的其他用户具有较高的相似性得分。在这种情景下，使用特定应用程序的建议可以基于用户与人群中其他用户的相似性。例如，如果特定应用程序的使用改善了用户群中用户分组的血糖过多，则cgm平台可以向用户群体中的类似用户建议使用特定应用程序。
48.在一种或多种实施方式中，cgm平台包括多状态参与系统，以生成识别cgm系统(例如，用户群体的cgm系统)的多个不同参与状态的状态信息。这些状态可能对应于与cgm平台相关的用户角色，例如，患者、护理人员、医疗保健提供者、客户服务代表、第三方服务提供者、商业用户(例如，运动员、生活黑客等)、绩效教练(performance coach)等等。这些状态还可以对应于cgm系统的一个或多个参与顺序的阶段。以患者为背景，例如，参与的顺序可以包括查询阶段(例如，用户查询或以其他方式表现出对cgm系统的兴趣或查询与糖尿病相关的医疗状况)、选择阶段(例如，用户活跃选择葡萄糖监测解决方案)、指定阶段、活跃使用阶段(例如，用户活跃地使用cgm系统以及cgm平台的功能)、不稳定使用阶段(例如，在用户的活动水平从之前的活跃使用水平下降了一些量和/或下降到低于阈值使用量)，中止使用阶段(例如，用户停止使用cgm系统和/或cgm平台)，后续解决方案阶段(例如，用户使用由不同于cgm平台的实体部署的不同cgm系统)，等等。
49.通常，多状态参与系统使用一个或多个模型(例如，机器学习模型)生成识别此类状态的状态信息。多状态参与系统可以使用捕获的关于用户群体的数据(诸如cgm程序包和附加数据等)通过此类模型来识别这些状态。通常，cgm程序包可以包括由cgm系统收集的数据(例如，由传感器感测的葡萄糖测量值和传感器的标识符)以及由充当cgm系统和cgm之间的中介的设备生成的补充数据平台。例如，用户的手机或智能手表等中间设备可以生成各种补充数据来补充cgm程序包中包含的cgm设备数据。如通篇所述，附加数据可能包括第三方数据、来自iot的数据、生理数据、社会经济数据、态度数据、行为数据、购买历史数据、投诉数据和支付数据，仅举几个例子。除了从描述用户群体的数据中识别不同状态之外，多状态参与系统还被配置为确定这些识别状态中的哪些在给定时间对应于特定用户，诸如确定用户的当前状态包括当前处于cgm系统的不稳定使用阶段的患者角色。多状态参与系统可以通过提供描述用户的数据(例如，特征向量)作为机器学习模型的输入来确定这样的状态，并且从这些模型中接收指示表示当前状态的状态信息的输出。
50.多阶段参与系统生成的状态信息可用于控制与cgm平台用户的通信。例如，当状态信息包括高于阈值概率的概率(例如，用户在当前时间处于不稳定使用阶段)时，干预平台可以将一个或多个信息发送给用户和/或将其发送给客户服务代表，例如，提醒表示使用不稳定的通知。以这种方式，干预平台可以与用户进行通信(例如，干预)以确定cgm系统的使用是否实际上已经变得不稳定(或者存在导致使用看起来不稳定的一些错误)、为什么使用变得不稳定以及提供信息以使使用返回到“活跃”级别。
51.在一些情况下，多状态参与系统可以在转换实际发生之前预测到消极状态(例如，中止使用阶段)的转变，从而干预系统可以尝试阻止向消极状态的转变。为此，由多状态参与系统生成的状态信息可以包括指示用户将在不久的将来从当前状态转变到不同状态的
概率的转变概率，例如，用户将转变的概率从活跃使用阶段到不稳定使用阶段或从不稳定使用阶段到中止使用阶段。状态信息还可以包括由多状态参与系统预测为可能驱动向新状态转变的驱动因素。基于转变概率和驱动因素，干预平台生成各种干预策略以防止转变。在一些情况下，这样的干预策略可以包括将状态信息暴露给已被授权在某些情景下通过与用户(例如，客户服务代表、临床医生等)通信来干预。举例来说，干预平台可以通过干预门户(例如，其中客户服务代表可以查看多个用户的状态信息的)提供状态信息(或基于状态信息得出的通知)。曝光的状态信息可以使干预平台的授权用户能够确定是否和与状态信息相关联的用户进行通信，诸如是否向用户发起电话呼叫、向用户发送电子邮件、向用户发送sms信息等。替代地或附加地，干预平台可以被配置为基于状态信息自动生成和传送通信，例如根据指示干预平台根据状态信息以特定方式通信的逻辑。
52.不管干预策略是包括向人曝光转换信息还是自动化的，干预平台都可以基于确定的驱动从当前状态到新状态的预测转变的因素来定制干预策略。举例来说，如果状态信息指示正在使用有故障的装备(例如，有故障的传感器)，并且自开始使用有故障的装备以来使用量已经下降，则客户服务代表可以部署特定于更换有故障的装备的策略，例如，发送新的、正常工作的装备。作为另一个实施例，如果状态信息指示异常高的血糖读数正在使用户烦恼，这可能会导致停止使用，那么干预系统可以向用户传送一条消息，该消息包括人群中其他用户的成功故事，这些其他用户在佩戴cgm系统的同时通过节食和锻炼降低了他们的血糖水平。
53.应当理解，与传统系统不同，cgm平台可以访问用户群体中数十万用户(例如，500,000或更多)的cgm程序包。此外，这些cgm程序包中包含的cgm测量值是由cgm系统的传感器以连续速率取得的。因此，可用于构建和训练机器学习模型的参与状态模型管理器的葡萄糖测量值和描述这些测量值的数据(例如，cgm程序包)达到数百万甚至数十亿个数据点。凭借如此稳健的数据量，系统可以构建和训练各种模型，以准确识别用户群体与cgm系统和cgm平台的多种不同参与状态。
54.由于缺乏cgm平台葡萄糖测量值的稳健性——以及描述这些测量值特征的数据和由cgm平台接收cgm程序包的数据——单靠传统系统根本无法构建或训练模型以适当地表示用户实际上如何利用cgm系统和cgm平台参与真实世界方式来覆盖状态空间。未能适当地覆盖这些状态空间可能会导致预测到不准确的cgm系统和cgm平台的使用状态，这可能导致干预太晚(或从未执行)而不能防止cgm系统的潜在不安全状况或防止cgm系统和cgm平台的中止使用。鉴于不准确地识别指示用户如何与cgm系统交互的状态的严重性，重要的是使用足够稳健的cgm程序包来构建参与状态模型，以捕获数据中任何虚假相关性或隐藏关系的模式。
55.在以下讨论中，首先描述可采用本文所述技术的示例性环境。然后描述可以在示例性环境以及其他环境中执行的示例性实施方式细节和程序。示例性程序的执行不限于示例性环境，且示例性环境不限于示例性过程的执行。
56.示例性环境
57.图1是示例性实施方式中的环境100的图示，其可操作以采用与本文所述的连续葡萄糖监测(cgm)系统的多状态参与。所示环境100包括人102，其被描绘为佩戴cgm系统104、胰岛素递送系统106和计算设备108。所示环境100还包括cgm系统的用户群体110中的其他
用户、cgm平台112和物联网114(iot 114)。cgm系统104、胰岛素递送系统106、计算设备108、用户群体110、cgm平台112和iot 114通过网络116彼此通信耦合。
58.替代地或附加地，cgm系统104、胰岛素递送系统106和计算设备108中的一个或多个可以以其他方式通信耦合，诸如使用一种或多种短程通信协议或技术等。例如，cgm系统104、胰岛素递送系统106和计算设备108可以使用蓝牙、近场通信(nfc)、5g等中的一种或多种相互通信。cgm系统104、胰岛素递送系统106和计算设备108可以利用这些类型的通信来在彼此之间形成闭环系统。以这种方式，胰岛素递送系统106可以在cgm系统104获得葡萄糖测量值时基于实时(例如，由计算设备108)计算的葡萄糖预测来递送胰岛素。
59.根据所描述的技术，cgm系统104被配置为连续监测人102的葡萄糖。cgm系统104可以配置有例如cgm传感器，其连续检测指示人102的葡萄糖的分析物并且能够产生葡萄糖测量值。在所示环境100中，这些测量值被表示为葡萄糖测量值118。关于图2更详细地讨论了该功能以及cgm系统104的配置的其他方面。
60.在一种或多种实施方式中，cgm系统104诸如通过蓝牙等将葡萄糖测量值118传输到计算设备108。例如，当测量值使用cgm传感器产生时，cgm系统104可以实时传送它们。替代地或附加地，cgm系统104可以以设定的时间间隔将葡萄糖测量值118传送到计算设备108，例如每30秒、每分钟、每小时、每6小时、每天等等。此外，cgm系统104可以响应于来自计算设备108的请求传送这些测量值，例如，当计算设备108显示具有关于人102的葡萄糖水平的信息的用户界面时传送到cgm系统104，更新这种显示，预测人102随即的葡萄糖水平以用于递送胰岛素等。因此，计算设备108可以至少暂时地保存人102的葡萄糖测量值118，例如在计算设备108的计算机可读存储介质中。
61.在不背离所描述的技术的精神或范围的情况下，尽管被示为可穿戴设备(例如，智能手表)，但是计算设备108可以以多种方式配置。举例来说而非限制，计算设备108可以被配置为不同类型的移动设备(例如，移动电话或平板设备)。在一种或多种实施方式中，计算设备108可以被配置为与cgm平台112相关联的专用设备，例如，具有从cgm系统104获得葡萄糖测量值118、执行与葡萄糖测量值118相关的各种计算，显示与葡萄糖测量118和cgm平台112有关的信息，将葡萄糖测量118传送到cgm平台112的功能，等等。然而，与计算设备108被配置为移动电话的实施方式相比，当被配置为专用cgm设备时，计算设备108可能不包括移动电话或可穿戴配置可用的一些功能，例如拨打电话的能力、相机功能、使用社交网络应用程序的能力，等等。
62.另外，根据所描述的技术，计算设备108可以表示不止一个设备。例如，在一个或多个情景中，计算设备108可以对应于可穿戴设备(例如，智能手表)和移动电话。在这样的情景下，这两个设备可能都能够执行至少一些相同的操作，诸如从cgm系统104接收葡萄糖测量值118，通过网络116将它们传送到cgm平台112，显示相关信息葡萄糖测量值118，等等。替代地或附加地，不同的设备可能具有其他设备不具有的或受到特定设备的计算指令的限制的不同功能。例如，在计算设备108对应于单独的智能手表和移动电话的情况下，智能手表可以配置有各种传感器和功能以测量人102的各种生理标记(例如，心率、呼吸、血流速率等)和活动(例如，步数)。在这种情景下，移动电话可能不会配置有这些传感器和功能，或者可能包括有限数量的功能——尽管在其他情况下，移动电话可能能够提供相同的功能。继续这个特定情景，移动电话可能具有智能手表不具备的功能，诸如计算资源量(例如，电池
和处理速度)，其使得移动电话能够更有效地执行与葡萄糖测量值118相关的计算。即使在智能手表能够执行此类计算的情景中，计算指令也可能限制手机上的这些计算的性能，以免给两个设备带来负担并有效地利用可用资源。就此而言，在不背离所描述的技术的精神或范围的情况下，计算设备108可以以不同的方式配置并且表示与本文讨论的不同数量的设备。
63.如上所述，计算设备108将葡萄糖测量值118传送到cgm平台112。在所示环境100中，葡萄糖测量值118显示为存储在cgm平台112的存储设备120中作为cgm数据122的一部分。存储设备120可以表示一个或多个数据库和能够存储cgm数据122的其他类型的存储器。cgm数据122还包括用户简档124。根据所描述的技术，人102对应于至少cgm平台112的用户并且还可以是一个或多个其他第三方服务提供商的用户。为此，人102可以与用户名相关联并且在某些时候被要求提供认证信息(例如，密码、生物特征数据等)以使用用户名访问cgm平台112。该信息可以在用户简档124中被捕获。用户简档124还可以包括关于用户的各种其他信息，诸如描述人102的人口统计信息、关于医疗保健提供者的信息、支付信息、处方信息、确定的健康指标、用户偏好、其他服务提供商系统的帐户信息(例如，与可穿戴设备、社交网络系统等相关的服务提供商)等等。在所描述的技术的精神和范围内，用户简档124可以包括关于用户的不同信息。
64.此外，cgm数据122不仅表示与人102对应的用户的数据，还表示用户群体110中的其他用户的数据。鉴于此，存储设备120中的葡萄糖测量值118包括来自人102佩戴的cgm系统104的cgm传感器的葡萄糖测量值，并且还包括来自对应于用户群体110的其他用户的人佩戴的cgm系统的cgm传感器的葡萄糖测量值。其还遵循，这些其他用户的葡萄糖测量值118由他们各自的设备通过网络116传送到cgm平台112，并且这些其他用户在cgm平台112上具有各自的用户简档124。
65.数据分析平台126表示处理cgm数据122以生成各种预测的功能，诸如通过使用各种机器学习模型。基于这些预测，cgm平台112可以提供建议和/或关于预测的其他信息。例如，cgm平台112可以将建议或其他信息直接提供给用户、提供给与用户相关联的医学专家等等。下面更详细地描述了特定类型的预测、建议和其他信息。尽管被描绘为与计算设备108是分离的，数据分析平台126的部分或全部可以替代地或附加地在计算设备108上实现。数据分析平台126还被配置为使用除了葡萄糖测量值118之外的数据来生成这些预测，例如通过iot 114获得的附加数据。
66.应当理解，iot 114表示能够提供各种来源，其描述人102和作为一个或多个服务提供商的用户的人102的活动以及真实世界的活动的数据。举例来说，iot 114可以包括用户的各种设备，例如，相机、移动电话、手提电脑等。为此，iot 114可以提供关于用户与各种设备的交互的信息，例如，与基于网络的应用程序的交互、拍摄的照片、与其他用户的通信，等等。iot 114还可以包括配置有传感器的各种真实的物品(例如，鞋子、衣服、运动装备、电器、汽车等)以提供描述行为的信息，诸如所走的步数、脚踩地面的力、步幅、用户的温度(和其他生理测量值)、用户周围环境的温度、冰箱中储存的食物类型、从冰箱中取出的食物类型、驾驶习惯等等。iot 114还可以包括cgm平台112的第三方，诸如医疗提供者(例如，人102的医疗提供者)和能够分别提供可由数据分析平台126利用的医疗和制造数据的制造商(例如，cgm系统104、胰岛素递送系统106或计算设备108的制造商)。当然，在不背离所描述的技
术的精神或范围的情况下，iot 114可以包括能够提供与基于cgm的建议相关的大量数据的设备和传感器。例如，以连续测量葡萄糖和获得描述这种测量值的数据为背景，考虑以下图2的讨论。
67.图2更详细地描绘了图1的cgm系统104的示例性实施方式200。特别地，所示实施例200包括cgm系统104的俯视图和对应的侧视图。
68.cgm系统104被示为包括传感器202和传感器模块204。在所示实施例200中，传感器202在侧视图中被描绘为已被皮下插入到(例如，人102的)皮肤206中。传感器模块204在俯视图中被描绘为虚线矩形。cgm系统104还包括图示实施例200中的发射器208。传感器模块204使用虚线矩形表明它可以被容纳或以其他方式实现在发射器208的外壳内。在该实施例200中，cgm系统104还包括粘合垫210和附接机制212。
69.在操作中，传感器202、粘合垫210和附接机制212可以组装以形成应用组件，其中应用组件被配置为应用到皮肤206，使得传感器202如图所示被皮下插入。在这种情况下，发射器208可以在应用到皮肤206之后并通过附接机制212附接到组件上。附加地或替代地，发射器208可以作为应用组件的一部分并入，使得传感器202、粘合垫210、附接机制212和发射器208(带有传感器模块204)都可以同时用于到皮肤206。在一种或多种实施方式中，使用单独的敷抹器(未示出)将该应用组件应用到皮肤206上。该应用组件也可以通过从皮肤206上剥离粘合垫210来移除。应当理解，在不背离所描述的技术的精神或范围的情况下，所示出的cgm系统104及其各种构件仅仅是一种示例性形式因素，并且cgm系统104及其构件可以具有不同的形式因素。
70.在操作中，传感器202通过可以是“无线”连接或“有线”连接的至少一个通信信道通信地耦合到传感器模块204。从传感器202到传感器模块204或从传感器模块204到传感器202的通信可以主动或被动地实现，并且这些通信可以是连续的(例如，模拟的)或离散的(例如，数字的)。
71.传感器202可以是响应于至少部分独立于传感器202的事件而改变或导致改变的设备、分子和/或化学品。传感器模块204被实施以接收对传感器202的变化或由传感器202引起的变化的指示。例如，传感器202可以包括葡萄糖氧化酶，其与葡萄糖和氧气反应形成过氧化氢，该过氧化氢可由可包括电极的传感器模块204来电化学检测。在该实施例中，传感器202可以被配置为或包括葡萄糖传感器，该葡萄糖传感器被配置为使用一种或多种测量技术检测血液或组织液中指示葡萄糖水平的分析物。
72.在另一个实施例中，传感器202(或cgm系统104的附加传感器——未示出)可以包括第一和第二电导体，并且传感器模块204可以电检测跨过传感器202的第一和第二电导体的电势变化。在该实施例中，传感器模块204和传感器202被配置为热电偶，使得电势变化对应于温度变化。在一些实施例中，传感器模块204和传感器202被配置为检测单一分析物，例如，葡萄糖。在其他实施例中，传感器模块204和传感器202被配置为检测多种分析物，例如钠、钾、二氧化碳和葡萄糖。替代地或附加地，cgm系统104包括多个传感器以不仅检测一种或多种分析物(例如，钠、钾、二氧化碳和葡萄糖)而且检测一种或多种环境条件(例如，温度)。因此，传感器模块204和传感器202(以及任何附加传感器)可以检测一种或多种分析物的存在、一种或多种分析物的缺少和/或一种或多种环境条件的变化。
73.在一种或多种实施方式中，传感器模块204可以包括处理器和内存(memory)(未示
出)。通过最大限度利用处理器，传感器模块204可以基于与指示上述变化的传感器202的通信来生成葡萄糖测量值118。基于来自传感器202的这些通信，传感器模块204还被配置为生成cgm设备数据214。cgm设备数据214是包括至少一个葡萄糖测量值118的可通信数据程序包。替代地或附加地，cgm设备数据214包括其他数据，诸如多个葡萄糖测量值118、传感器识别216、传感器状态218等。在一种或多种实施方式中，cgm设备数据214可包括其他信息，诸如一种或多种对应于葡萄糖测量值118和其他分析物的测量值的温度。应当理解，在不脱离所描述技术的精神或范围的情况下，cgm设备数据214可以包括除了至少一个葡萄糖测量值118之外的多种数据。
74.在操作中，发射器208可以将cgm设备数据214作为数据流无线发送到计算设备108中。替代地或附加地，传感器模块204可以缓冲cgm设备数据214(例如，在传感器模块204的内存中)并且使发射器208以各种间隔(例如，时间间隔(每秒、每三十秒、每分钟、每小时等)、存储间隔(当缓冲的cgm设备数据214达到数据的阈值量或cgm设备数据214的实例数时)等等)发射缓冲的cgm设备数据214。
75.除了生成cgm设备数据214并使其被传送到计算设备108之外，传感器模块204还可以包括根据所描述的技术的附加功能。该附加功能可以包括生成人102未来的葡萄糖水平的预测并基于该预测传达通知(诸如当预测指示人102的葡萄糖水平可能在不久的将来降得危险时通过传达警告)。传感器模块204的这种计算能力可能是有利的，尤其是在通过网络116到服务的连接性受限或不存在的情况下。以这种方式，一个人在不必依赖连接(例如，连接到互联网)的情况下也可以被警告危险状况。传感器模块204的这个附加功能还可以包括最初或在现行的基础上校准传感器202以及校准cgm系统104的任何其他传感器。
76.关于cgm设备数据214，传感器识别216表示从其他传感器(诸如其他cgm系统104的其他传感器、先前或随后植入皮肤206中的其他传感器等)唯一识别传感器202的信息。通过唯一识别传感器202，传感器识别216还可用于识别关于传感器202的其他方面，诸如传感器202的制造批次、传感器202的包装细节、传感器202的运输细节等等。以此方式，以与传感器202类似的方式为传感器制造、包装和/或运输检测到的各种问题可以以不同方式被识别并使用，例如，校准葡萄糖测量值118，以通知用户改变有缺陷的传感器或处理它们，以通知制造工厂加工问题，等等。
77.传感器状态218表示传感器202在给定时间的状态，例如，在产生葡萄糖测量值118之一的同时传感器的状态。为此，传感器状态218可以包括每个葡萄糖测量值118的条目，使得葡萄糖测量值118和传感器状态218信息中捕获的状态之间存在一对一的关系。一般而言，传感器状态218描述传感器202的操作状态。在一种或多种实施方式中，传感器模块204可以识别给定葡萄糖测量值118的多个预定操作状态之一。识别的操作状态可以基于来自传感器202的通信和/或那些通信的特性。
78.举例来说，传感器模块204可以包括(例如，在内存或其他存储器中)查询表，该查询表具有预定数量的操作状态和用于从另一个状态中选择一个状态的基础。例如，预定状态可以包括“正常”操作状态，其中选择该状态的基础可以是来自传感器202的通信落在指示正常操作的阈值内，例如，在预期时间的阈值内，在预期信号强度的阈值、环境温度在合适温度的阈值内以按预期继续操作，等等。预定状态还可以包括指示传感器202的通信的一个或多个特性超出正常活动并且可能导致葡萄糖测量值118中的潜在错误的操作状态。
79.例如，这些非正常操作状态的基础可以包括在阈值预期时间之外接收来自传感器202的通信，检测传感器202在预期信号强度阈值之外的信号强度，检测在合适的温度范围之外的环境温度以按预期继续操作，检测到人102已经滚压到(例如，在床上)到cgm系统104上，等等。在不背离所描述的技术的精神或范围的情况下，传感器状态218可以指示关于传感器202和cgm系统104的多个方面。
80.在考虑了示例性环境和示例性cgm系统之后，现在考虑根据一个或多个实施方式在数字媒体环境中用于cgm系统的多状态参与的技术的一些示例细节的讨论。
81.cgm系统的多状态参与
82.图3描绘了cgm设备数据的示例性实施方式300，其包括葡萄糖测量值，被路由到不同系统以实现cgm相关服务的提供。
83.图示的实施例300包括来自图1的cgm系统104和计算设备108的实施例。所示实施例300还包括数据分析平台126和存储设备120，如上所述，其存储cgm数据122，包括葡萄糖测量值118。在这个实施例300中，cgm系统104被描述为将cgm设备数据214传输到计算设备108。如上面关于图2所讨论的，cgm设备数据214包括葡萄糖测量值118以及其他数据。cgm系统104可以以多种方式将cgm设备数据214传输到计算设备108。
84.所示实施例300还包括cgm程序包302。cgm程序包302可以包括cgm设备数据214(例如，葡萄糖测量值118、传感器识别216和传感器状态218)、补充数据304或其部分。在此实施例300中，cgm程序包302被描绘为从计算设备108路由到cgm平台112的存储设备120。广义上讲，计算设备108包括至少部分地基于cgm设备数据214生成补充数据304、将补充数据304与设备数据214一起打包以形成cgm程序包302、以及例如，通过网络116将cgm程序包302传送至cgm平台112以存储在存储设备120中的功能。因此，应当理解，cgm程序包302可以包括由cgm系统104收集的数据(例如，由传感器202感测到的葡萄糖测量值118)以及由在cgm系统104和cgm平台112(诸如用户的手机或智能手表等)之间充当中介的计算设备108生成的补充数据304。
85.关于补充数据304，计算设备108可以生成各种补充数据以补充包括在cgm程序包302中的cgm设备数据214。根据所描述的技术，补充数据304可以描述用户情况的一个或多个方面，从而可以识别用户情况与cgm设备数据214(例如，葡萄糖测量值118)的对应关系。举例来说，补充数据304可以描述用户与计算设备108的交互，并且包括例如从描述特定应用程序的交互(例如，做出的选择、执行的操作)的应用程序日志中提取的数据。补充数据304还可以包括描述与计算设备108的输入/输出接口相关的点击、轻敲和按压的点击流数据。作为另一个实施例，补充数据304可以包括描述用户正在注视处的凝视数据(例如，关于与计算设备108相关联的显示设备或用户将目光从该设备上移开时)、描述用户或其他用户的听觉命令和其他口头短语的语音数据(例如，包括被动倾听用户)、描述设备的设备数据(例如，品牌、型号、操作系统和版本、相机类型、计算设备108正在运行的应用程序)等等。补充数据304还可以描述用户情况的其他方面，例如环境方面，包括例如用户的位置、该位置处的温度(例如，通常在室外，使用温度感测功能靠近用户)、在该位置的天气，用户所处的海拔高度、气压、通过iot 114获得的与用户相关的情景信息(例如，用户正在吃的食物、用户使用运动装备的方式、用户穿着的衣服)等等。补充数据304还可以描述检测到的关于用户的健康相关方面，包括例如，(例如，由计算设备108检测到的)用户的步数、心率、排汗、温
310可以根据相应协议的条款来限制不同的第三方可以访问哪些数据，诸如限制可以获得葡萄糖测量值118的频率，在从cgm系统104和计算设备108获得这些测量值之后向葡萄糖测量值118的提供引入延时，等等。
91.一旦第三方306获得葡萄糖测量值118，第三方306可以基于获得的葡萄糖测量值118生成一个或多个第三方建议312。举例来说，第三方306可以向用户提供生活方式应用程序并且使用葡萄糖测量值118来提供与通过这种应用程序跟踪的一个或多个生活方式行为相关的第三方建议312，诸如加强锻炼的建议、减少锻炼的建议、继续某些行为(例如，步数、吃某些食物、睡觉)的建议、减少或消除某些行为(例如，吃某些食物、饮酒、睡觉)的建议，等等。生活方式应用程序的实施例可以包括锻炼应用程序、健康测量应用程序、食物跟踪应用程序、特定运动应用程序等。
92.如上所述，第三方306可以产生其自己的附加数据，诸如通过第三方306制造和/或部署的设备，例如可穿戴设备。鉴于此，第三方306不仅可以基于葡萄糖测量值118而且基于第三方306产生的附加数据来生成第三方建议312。例如，第三方306可以提供获得的葡萄糖测量值118和该附加数据作为输入到使用历史葡萄糖测量值118和历史附加数据训练的一个或多个机器学习模型。响应于该输入，第三方306至少获得一个由一个或多个模型生成的预测作为输出。第三方306可以使用这样的预测作为第三方建议312的基础。第三方建议312被示为由第三方306输出。这表示第三方306可以通过网络116将第三方建议312传送给计算设备108或其他计算设备，例如，用户群体110的计算设备。然后，第三方建议312可以(例如，通过显示建议、以可听方式输出建议等等)由接收计算设备输出。
93.所示实施例300还包括第三方数据314，其被示出为从第三方传送到数据分析平台126。如上所述，第三方306可以制造和/或部署相关设备。附加地或替代地，第三方306可以通过其他来源获得数据，诸如相应的应用程序等。因此，该数据可以包括通过相应的第三方应用程序(例如，社交网络应用程序、生活方式应用程序等)输入的用户输入数据。鉴于此，第三方306产生的数据可以以各种方式配置，包括专有数据结构、文本文件、通过用户的移动设备获得的图像、指示输入到显露的字段或对话框的文本的格式、指示选项选择的格式等等。在不背离所描述的技术的精神或范围的情况下，第三方数据314可以描述与由第三方提供的一个或多个服务相关的各个方面。例如，第三方数据314可以包括描述用户与第三方306提供的特定应用程序的使用或交互的应用交互数据。通常，应用交互数据使数据分析平台126能够确定用户群体110的用户对特定应用程序的使用或使用量。例如，这样的数据可以包括从描述用户与特定应用程序的交互的应用日志中提取的数据、描述与应用程序的输入/输出界面相关的点击、轻敲和按压的点击流数据，等等。因此，在一种或多种实施方式中，数据分析平台126可以接收由第三方306产生或以其他方式获得的第三方数据314。
94.在所示实施例300中，第三方数据314被描绘为跨cgm平台api 310进行通信。在这种类型的情景中，cgm平台api 310可以被认为是第三方数据314的“入口”。“入口”意味着数据流通常从第三方306向内进入cgm平台112。尽管cgm平台api 310被示为支持出口和入口数据流，但在一种或多种实施方式中，允许数据从cgm平台112流出和数据进入cgm平台112的功能可以由不同的api处理。例如，入口功能可以由对应于第三方306的api而不是cgm平台112的api来处理。无论如何，除了cgm平台112的数据——葡萄糖测量值118和补充数据304——数据分析平台126还可以在一个或多个情景中使用第三方数据314。
95.数据分析平台126与预测系统316和多状态参与系统318一起说明。根据所描述的系统，预测系统316被配置为至少基于葡萄糖测量值118来生成预测320。例如，在一种或多种实施方式中，预测系统316基于葡萄糖测量值118和附加数据两者生成预测320，其中附加数据可以包括除了葡萄糖测量值118之外的cgm设备数据214、补充数据304、第三方数据314、来自iot 114的数据的一个或多个部分等等。如下所述，预测系统316可以通过使用一个或多个机器学习模型来生成这样的预测320。可以使用从用户群体110获得的葡萄糖测量值118和附加数据来训练或以其他方式构建这些模型。
96.在一种或多种实施方式中，预测320可以对应于或以其他方式包括健康指标。如本文所用，术语“健康指标”可以指预测的健康状况，其可以是“积极的”或“消极的”。例如，消极健康状况的例子包括糖尿病前期、i型糖尿病、ii型糖尿病、神经病、阿尔茨海默病和心脏病，仅举几个例子。相比之下，“积极的”健康状况的实施例可能包括预测发展成消极健康状况的降低的风险，或与体脂、心血管能力等相关的积极健康状况。在某些情况下，健康指标可以指预测的医疗状态，例如预测的a1c。值得注意的是，预测320是基于在特定时间段期间收集的葡萄糖测量值118和附加数据。因此，在一些情况下，预测320基于汇总数据预测用户当前具有预测的健康状况。或者，预测的健康状况可以对应于在收集汇总数据的特定时间段(例如，预测40个月内的ii型糖尿病)之后发生的时间段。一些其他类型的预测和用于生成这些预测的特定类型的信息也在下面更详细地讨论。
97.基于生成的预测320，数据分析平台126生成建议322。例如，该建议322可以指示用户执行动作(例如，将应用程序下载到计算设备108、立即就医、注射胰岛素、散步、食用特定的食物或饮料)、继续行为(例如，继续以某种方式进食或以某种方式运动)，改变行为(例如，改变饮食习惯或运动习惯)等。在这样的情景中，预测320和/或建议322从数据分析平台126传送并经由计算设备108输出。在图示的实施例300中，还图示了预测320被传送到计算设备108。应当理解，可以将预测320和建议322中的一个或两个传送到计算设备108。附加地或替代地，例如，在允许将预测320和/或建议322传送到计算设备108之前，可以将预测320和/或建议322路由到决策支持平台和/或验证平台。
98.现在根据所描述的技术，转向对多状态参与系统318的讨论。广义地说，多状态参与系统318被配置为识别cgm系统(例如，用户群体110的cgm系统104)的多个不同参与状态。这些状态可以对应于与cgm平台112相关的用户角色。如本文所使用的，“角色”可以指代用户与cgm平台112交互的方式，其包括用户可以访问和/或使用cgm平台112的哪些功能。换言之，角色可以至少部分地对应于用户是否佩戴由cgm平台112部署的特定系统、是否使用由cgm平台112部署的特定应用程序、是否使用那些应用程序的特定功能等等。例如，一些示例性角色可能包括患者、护理人员(例如，父母或监护人)、医疗保健提供者、客户服务代表、第三方服务提供者、商业用户(例如，运动员、生活黑客等)和绩效教练，仅举几个例子。因此，“当前角色”对应于用户在当前时间段的角色。就此而言，用户的角色可能会随着时间而改变，使得用户在不同时间具有不同的角色，并且还使得用户可能具有一个或多个先前的角色和一个或多个后续的角色。
99.这些状态还可以对应于cgm系统的一个或多个参与顺序的阶段。以患者为背景，例如，参与的顺序可以包括查询阶段(例如，用户查询或以其他方式表现出对cgm系统104的兴趣或查询与糖尿病相关的医疗状况)、选择阶段(例如，用户活跃选择葡萄糖监测解决方
案)、指定阶段、活跃使用阶段(例如，用户活跃地使用cgm系统104以及cgm平台112的功能)、不稳定使用阶段(例如，在用户的活动水平从之前的活跃使用水平下降了一些量和/或下降到低于阈值使用量)，中止使用阶段(例如，用户停止使用cgm系统104和/或cgm平台112)，后续解决方案阶段(例如，用户使用由不同于cgm平台112的实体部署的不同cgm系统)，等等。
100.如以下更详细讨论的，多状态参与系统318可以使用一个或多个机器学习模型来识别这样的状态。多状态参与系统318可以使用捕获的关于用户群体110的数据(诸如cgm程序包302和附加数据)来识别具有这样的模型的这些状态，其中附加数据可以包括第三方数据314、来自iot 114的数据，等等。在一个或多个实施方式中，该附加数据还可以包括生理数据(例如，与身体有关的数据，诸如心率、呼吸率等)、环境数据、社会经济数据、态度数据(例如，指示用户对cgm系统的品牌或制造商的看法的数据)、行为数据(例如，关于cgm系统的用户动作)、购买历史数据(例如，用户购买cgm系统的构件)、投诉数据(例如，有关cgm系统的消极用户信息)和支付数据(例如，用户对cgm系统构件的支付)。因此，应当理解，附加数据可以包括从各种不同来源收集的各种不同数据类型。此外，在某些情况下，附加数据可能包括描述用户群体中多个用户的数据(例如，适用于特定国家、州、城市或邮政编码的用户的社会经济数据或环境数据)以及针对特定用户个性化的数据(例如，特定用户的生理数据和行为数据)。
101.除了从描述用户群体110的这项数据中识别不同状态之外，多状态参与系统318还被配置为确定这些识别的状态中的哪些在给定时间对应于特定用户，诸如确定用户是患者且当前处于使用cgm系统104的不稳定使用阶段。多状态参与系统318可以通过提供描述用户的数据(例如，特征向量)作为机器学习模型的输入来确定这些状态，并且从这些模型中接收指示一个或多个状态的输出。
102.多状态参与系统318不仅可以确定哪些状态在给定时间对应于用户，而且还可以检测用户何时在状态之间转换，例如，何时用户从活跃使用阶段转变到不稳定使用阶段。基于确定哪个状态对应于用户和/或检测状态之间的转变，多状态参与系统318可以生成指示状态和/或状态改变的通知，并且将通知传送给预定接收者，例如，传送给患者、护理人员、医疗保健提供者、客户服务代表等等，来进行干预。确定的用户状态和/或状态转变也可以用于定制预测320或建议322中的至少一个的递送。以生成用作建议322的基础的一个或多个预测为背景，考虑以下图4的讨论。
103.图4更详细地描绘了预测系统316的示例性实施方式400。如图3中，预测系统316作为数据分析平台126的一部分被包括在内，尽管在其他情景下，预测系统316也可以或替代地，部分或全部，被包括在诸如计算设备108的其他设备中。
104.在所示实施例400中，预测系统316包括模型管理器402，其管理模型404，其包括统计模型406和附加机器学习模型408，例如，神经网络。应当理解的是，在不背离所描述的技术的精神或范围的情况下，模型404可以包括不同的模型，诸如多个不同的统计模型、配置为神经网络的多个机器学习模型，和/或多个其他类型的机器学习模型。这些不同的机器学习模型可以使用不同的数据、根据不同的统计建模技术、具有不同的架构、根据不同的算法等来分别地构建或训练(或以其他方式学习的模型)。因此，应当理解的是，模型管理器402的功能的以下讨论适用于各种机器学习模型。然而，为了解释的目的，模型管理器402的功能将与统计模型406和附加机器学习模型408结合进行一般性描述。
105.通常，模型管理器402被配置为管理模型404。例如，该模型管理包括构建统计模型406、构建机器学习模型408、训练机器学习模型408、更新这些模型等等。具体地，模型管理器402被配置为至少部分地使用在cgm平台112的存储设备120中保存的大量数据来执行该模型管理。如图所示，该数据包括用户群体110的葡萄糖测量值118和附加数据410。换言之，模型管理器402使用用户群体110的葡萄糖测量值118和附加数据410来构建统计模型406，构建机器学习模型408，训练机器学习模型408(或以其他方式学习由它部署的策略)，并更新这些模型。
106.通常，cgm平台112从各种设备、传感器、应用程序或服务获得用户群体的附加数据410。因此，可以从与检测葡萄糖测量值118的cgm系统104不同的一个或多个“来源”获得附加数据。在一种或多种实施方式中，该附加数据410可以包括除了葡萄糖测量值118的cgm设备数据214(例如，传感器识别216和传感器状态218数据)、补充数据304、第三方数据314、来自iot 114的数据的至少一个或多个部分等等。
107.举例来说而非限制，附加数据410可以包括健康相关数据、应用交互数据、环境数据、人口统计数据、除了葡萄糖测量值之外的设备数据(例如，传感器识别数据、事件报告)、计算设备添加的补充数据、第三方数据等。健康相关数据可能包括活动数据(例如，步数、运动频率、睡眠数据)、生物特征数据(例如，胰岛素水平、酮水平、心率、体温、压力、温度)、营养数据(例如，饮食记录、扫描的餐厅收据、碳水化合物消耗、禁食)、医疗记录(例如，a1c、胆固醇、心电图结果以及与其他医学检查或病史相关的数据)等等。应用交互数据可以包括从描述用户与特定应用的交互的应用日志中提取的数据、描述关于计算设备的输入/输出界面执行的点击、轻敲和按压的点击流数据、描述用户正在看哪里的凝视数据(例如，关于与计算设备相关联的显示设备或者当用户将目光从该设备上移开时)、描述用户或其他用户的听觉命令和其他口头短语的语音数据(例如，包括被动地倾听用户)等等。环境数据可以包括描述与用户相关联的各种环境方面的数据，诸如用户的位置、用户位置的温度和/或天气、用户所处的海拔高度、大气压等。人口统计数据可以包括描述用户的数据，诸如年龄、性别、身高、体重等。在不背离所描述的技术的精神或范围的情况下，上述类型的附加数据仅仅是实施例，并且附加数据可以包括更多、更少或不同类型的数据。
108.与常规系统不同，cgm平台112存储(例如，在存储设备120中)或以其他方式使用cgm系统104访问从用户群体110的数十万用户(例如，500,000或更多)获得的葡萄糖测量值118。此外，这些测量值是由cgm系统104的传感器以连续速率取得的。结果，模型管理器402可用于模型构建和训练的数百万甚至数十亿的葡萄糖测量值118。有了这样稳健的数据量，模型管理器402可以构建和训练模型404以准确地模拟不同行为对葡萄糖水平的真实影响。缺少cgm平台112的葡萄糖测量值118的稳健性，单靠传统系统根本无法构建或训练模型以适当地表示各种行为如何影响葡萄糖水平的方式覆盖状态空间。未能适当地覆盖这些状态空间可能会导致葡萄糖预测或其他健康指标的预测不准确，这可能使其建议会导致死亡的不安全动作或行为。鉴于产生不准确预测的严重性，使用对罕见事件具有稳健的大量葡萄糖测量值118来构建模型404是重要的。
109.在一种或多种实施方式中，模型管理器402通过从葡萄糖测量值118和附加数据410中提取对应于至少一个属性的观察值来构建统计模型406。一旦构建，统计模型406被配置为预测该至少一个属性的值并将它们输出——至少一个属性的值不用作模型的输入。例
如，在统计模型406是回归模型的情景下，这些值可以对应于统计模型406的一个或多个因变量。这些属性的值——对应于统计模型406的因变量——在以下讨论中可以被称为第一组值。此外，模型管理器402从葡萄糖测量值118和附加数据410中提取对应于至少一个其他属性的观察值。一旦构建，该至少一个其他属性的值将用作统计模型406的输入，例如，作为这些值的向量。在统计模型406是回归模型的情景中，至少一个其他属性可以对应于一个或多个解释变量(或自变量)。这些自变量的提取值在以下讨论中可以称为第二组值。
110.鉴于第一组值和第二组值，模型管理器402使用一种或多种已知方法将这些值“拟合”到等式，使得它在某个容差内(tolerance)从第二组值产生第一组值。这种拟合方法的实施例包括使用最小二乘法、使用最小绝对偏差回归、最小化最小二乘代价函数的惩罚版本(apenalized version of the least squares cost function)(例如，岭回归或lasso回归)等等。“拟合”意味着模型管理器402使用一种或多种方法和这些数据集来估计方程的模型参数。例如，估计的参数包括在操作期间将值输入到统计模型406时应用于自变量的值的权重。模型管理器402将从观测值估计的这些参数合并到方程中以生成统计模型406。在操作中，预测系统316将自变量的值输入到统计模型406中(例如，作为一个或多个向量或矩阵)，统计模型406将估计的权重应用于这些输入值，然后输出用于一个或多个因变量。该输出表示为预测320。
111.在一种统计模型构建情景中，模型管理器402使用具有在特定时间戳之前的时间戳的用户群体110的葡萄糖测量值118并且还使用对应的附加数据410(例如，具有对应于葡萄糖测量值118并且与对应于葡萄糖测量值的用户相关联的时间戳)作为统计模型406的自变量的值。在这种情景下，模型管理器402可以使用具有在特定时间戳之后的时间戳的用户群体110的葡萄糖测量值118作为统计模型406的因变量的值。这里，模型管理器402使用一种或多种已知方法来将方程拟合到时间戳前数据和时间戳后数据。这样做时，以便模型管理器402通过输入时间戳前数据值，输出时间戳后葡萄糖测量值118(或在这些测量值的一些容差内的值)估计方程的参数。
112.然后，模型管理器402将估计的参数合并到方程并将该合并作为统计模型406保存，使得统计模型406将估计的参数与方程一起保存。以这种方式，模型管理器402构建统计模型406，当其接收特定时间之前的葡萄糖测量值以及相应的附加数据作为输入时，该统计模型406能够生成特定时间之后的葡萄糖测量值的预测320。因此，在操作中并延续该情景，预测系统316可以获得人102在特定时间(例如，当前时间)之前的葡萄糖测量值118的子集以及人102的对应于用于训练统计模型406的自变量的附加数据410。预测系统316然后可以将人102的该数据作为输入提供给统计模型406。在延续的情景中，统计模型406生成预测320作为人102在特定时间(例如，当前时间)之后的葡萄糖测量值。
113.尽管结合构建和实际使用统计模型406讨论了在特定时间(例如，当前时间)之后的葡萄糖测量值的预测，但是模型管理器402可以构建统计模型406以根据观察到的葡萄糖测量118和附加数据410中的模式来预测不同方面。举例来说，模型管理器402可以构建统计模型406来预测人102的健康指标的上升或下降趋势、人102在某个时间段内保持的健康指标等等——并且使用用户群体110的葡萄糖测量值118和附加数据410来构建模型以保持与用户群110之间的这些健康指标和趋势的相关性。
114.现在根据所描述的技术，回到对附加机器学习模型408(例如，被配置为神经网络)
的讨论。以与统计模型406类似的方式，模型管理器402提取对应于至少一个属性的第一组观察值和对应于至少一个其他属性的第二组值——这两组都是从用户群体110的葡萄糖测量值118和附加数据410中提取的。模型管理器402使用这些组的值来训练机器学习模型408或向机器学习模型408提供关于其预测的反馈，以便它学习用于生成预测的策略。
115.同样类似于统计模型406，一旦附加机器学习模型408被训练或学习至少要部署的初始策略，机器学习模型408被配置为预测对应于第一组的至少一个属性的值并输出那些值。此外，该机器学习模型408一旦被训练或用于部署至少一个初始策略，就被配置为作为输入接收第二组的至少一个其他属性的值，例如，作为这些值的向量。例如，在机器学习模型408是神经网络的情景中，机器学习模型408在操作期间可以因此接收表示至少一个其他属性的值的一个或多个向量(例如，特征向量)作为输入。在这样的情景中，机器学习模型408在操作期间还可以输出一个或多个向量(例如，特征向量)，其表示至少一个属性的值。
116.以训练为背景，模型管理器402可以通过提供来自第二组值的数据实例作为机器学习模型408的输入来训练机器学习模型408。响应于此，机器学习模型生成预测320，例如，对应于第一组的至少一个属性的值的预测。模型管理器402从机器学习模型408获得该训练预测作为输出，并将训练预测与对应于数据输入实例的第一组的实际提取值进行比较。举例来说，模型管理器402使用代价函数将训练预测与实际提取的值进行比较。基于该比较，模型管理器402调整机器学习模型408的内部权重，使得机器学习模型在将来提供数据的实例作为输入时可以基本上再现实际提取的值。
117.将观察到的数据的实例输入机器学习模型408、从机器学习模型408接收训练预测、将训练预测与对应于输入实施例的预期输出值(观察到的)进行比较(例如，使用代价函数)以及基于这些比较来调整机器学习模型408的内部权重的这一过程可以重复数百次、数千次或者甚至数百万次迭代——每次迭代使用训练数据的实施例。
118.模型管理器402可以执行这样的迭代，直到机器学习模型408能够生成与预期输出一致且基本匹配的预测320，例如，与第一组数据的观察值基本匹配的预测320。机器学习模型持续生成与预期输出基本匹配的预测的能力可以被称为“收敛”，鉴于此，可以说模型管理器402训练机器学习模型408，直到它“收敛”于一个解，例如，由于训练迭代，模型的内部权重已经被适当地调整，使得模型一致地生成基本上匹配预期输出的预测。
119.应当理解，这只是机器学习模型408以及它可以如何被训练的一个附加实施例。实际上，在不脱离所描述的技术的精神或范围的情况下，机器学习模型可以根据各种范式(例如，监督学习、无监督学习、强化学习等)来配置并且使用不同的方法来训练。举例来说，机器学习模型408可以最初在用户群体的葡萄糖测量值118和附加数据410上训练，然后可以使用来自人102的葡萄糖测量值118和附加数据410的训练实例来进一步更新训练，例如，以进一步调整机器学习模型408的各种参数。
120.无论如何，一旦机器学习模型408至少部分地使用葡萄糖测量值118和用户群体110的附加数据410来训练，机器学习模型408就可以在操作中用于生成与人102相对应的用户的预测320。考虑以下的实现实施例，其类似于上述讨论的统计模型构建情景和使用，但是代替利用统计模型406，利用机器学习模型408。
121.在该机器学习实施例中，模型管理器402使用具有在特定时间戳之前的时间戳的用户群体110的葡萄糖测量值118，并且还使用对应的附加数据410(例如，具有对应于葡萄
糖测量值118并且与对应于葡萄糖测量值的用户相关联的时间戳)作为机器学习模型408的训练输入。在这种情况下，模型管理器402可以使用用户群体110的葡萄糖测量值118，其具有在特定时间戳之后的时间戳作为机器学习模型408的预期输出(目标或标签)。在此，模型管理器402使用一种或多种已知的方法来调整模型的参数以在给定前时间戳数据作为输入的情况下预测后时间戳数据。这些方法的实施例包括监督学习方法，例如梯度下降、随机梯度下降等。当然，在不背离所描述技术的精神或范围的情况下，可以使用其他方法。
122.通过使用这些方法，以便模型管理器402通过输入时间戳前数据值，输出时间戳后的葡萄糖测量值118(或在这些测量值的某些容差内的值)调整机器学习模型408的内部权重。此外，机器学习模型408保留这些内部权重，例如，结合模型的特定节点。以这种方式，模型管理器402构建机器学习模型408，当其接收特定时间之前的葡萄糖测量值以及相应的附加数据作为输入时，该统计模型408能够生成特定时间之后的葡萄糖测量值的预测320。
123.因此，在操作中并延续该情景，预测系统316可以获得人102在特定时间(例如，当前时间)之前的葡萄糖测量值118的子集以及人102的对应于用于训练机器学习模型408的输入数据的附加数据410。预测系统316然后可以将人102的该数据作为输入提供给机器学习模型408。在延续的情景中，机器学习模型408生成预测320作为人102在特定时间(例如，当前时间)之后的葡萄糖测量值。在一个或多个实施方式中，机器学习模型408以向量的形式输出该预测。
124.尽管结合训练和实际使用机器学习模型408讨论了在特定时间(例如，当前时间)之后的葡萄糖测量值的预测，但是模型管理器402可以构建机器学习模型408以根据观察到的葡萄糖测量118和附加数据410中的模式来预测不同方面。举例来说，模型管理器402可以构建机器学习模型408来预测人102的健康指标的上升或下降趋势、人102在某个时间段内保持的健康指标等等——并且使用用户群体110的葡萄糖测量值118和附加数据410来构建模型以保持与用户群110之间的这些健康指标和趋势的相关性。在某种程度上，由于用大量训练数据训练机器学习模型408，机器学习模型408能够捕捉数据中的潜在特征，其可能包括数据内的隐藏关系和虚假相关性，人类分析人员几乎不可能发现在关系中随机发生的不存在的潜在特征。
125.不管是使用统计模型406、附加机器学习模型408还是统计和/或附加机器学习模型的某种组合(集合)来生成预测320，它都可以由建议系统412获得。建议系统412被配置为基于预测320生成建议322。建议系统412可以使用或以其他方式访问根据预测配置建议322的逻辑来实现。举例来说，如果预测320指示人102的积极健康趋势(例如，她的a1c较低)，则建议系统412可以生成建议322以建议继续各种行为。
126.在不背离所描述的技术的精神或范围的情况下，建议系统412用来生成建议322的逻辑可以在复杂性上变化，诸如从手动启发式编码到一个或多个附加机器学习模型，该附加机器学习模型用于基于接收预测320作为输入来配置建议。下面更详细地讨论可以分别由模型404和建议系统412产生的预测和建议类型的进一步实现实施例。然而，现在考虑以下与根据所描述的技术的验证服务和决策支持平台相关的图5的讨论。
127.图5描绘了实施方式的实施例500，其中由数据分析平台产生的预测或建议中的至少一个被路由到验证服务或决策支持平台中的至少一个。
128.所示实施例500包括计算设备108和具有预测系统316的数据分析平台126。在该实
施例500中，数据分析平台126被描绘为传达预测320和建议322。这里，建议322涉及计算设备108的用户，例如人102。举例来说，预测320包括关于人的信息(例如，在即将到来的时间段内的所预测得葡萄糖水平、在即将到来的时间段内的所预测的健康趋势等)，并且建议322包括一个或多个建议为用户准备的(例如，要执行或消除的一个或多个动作、采用或消除的行为等)。
129.与图3的所示实施例300相反，所示实施例500包括验证服务502和决策支持平台504，作为数据分析平台126和计算设备108之间的中介。因此，可以将预测320和/或建议322路由到验证服务502或决策支持平台504之一或两者。尽管图3中未描绘验证服务502和决策支持平台504，但应理解的是，在关于图3讨论的情景中生成的预测320和建议322也可通过验证服务502和/或决策支持平台504路由。
130.根据所描述的技术，验证服务502被配置为验证建议322。这意味着确定建议是否有效(例如，安全)并且可以被进一步传送到决策支持平台504和/或直接传送到计算设备108。验证服务502可以将建议322曝光给已经被验证服务502认证为被授权的验证建议的用户，例如临床医生。举例来说，验证服务502可以将建议322通过电子邮件发送给临床医生，通过临床医生门户(例如，此处临床医生可以查看多个建议并验证它们或不对其进行操作)提供建议322，提供建议322的通知在移动设备的屏幕上——允许临床医生仅通过手势来批准、拒绝或获取附加信息，仅举几个例子。在不背离本文描述的技术的精神或范围的情况下，验证服务502可以向被允许以各种方式验证建议的用户(例如，临床医生)提出建议。
131.响应于正在验证的建议(例如，由临床医生或验证服务502的逻辑)，该建议可以进一步路由到决策支持平台504或直接路由到计算设备108。当建议未被验证成功(即，它被拒绝)时，该建议可能不会被进一步路由到决策支持平台504或计算设备108。相反，验证服务502可以修改建议(例如，根据临床医生输入)和/或向数据分析平台126提供该建议未被验证成功的通知。在这种情景下，数据分析平台126可能能够将未验证成功的指示作为输入添加到预测系统，并开始生成不同的预测320和/或建议322。
132.实际上，模型404可以基于从验证服务502接收到的验证和未验证成功来更新。在验证服务502验证了建议322并因此允许建议322被直接转发到计算设备108的情景中，如上文和下文所述，例如，计算设备108可以通过显示设备，通过音频设备(例如，扬声器、耳机、耳麦)、通过触觉反馈等输出建议322。验证服务502如何向被允许验证建议的用户(例如，临床医生)提出建议的实施例将在下文中参考图13更详细地讨论。
133.如上所述，预测320和/或建议322可以通过验证服务502传送到决策支持平台504，或者可以绕过验证服务502直接从数据分析平台126传送到决策支持平台504。决策支持平台504被配置为向cgm平台112的用户提供支持以管理一种或多种健康状况，例如，糖尿病。例如，响应于接收到建议322，决策支持平台504可以(例如，通过电子邮件、支持专家门户等等)将建议提供给客户支持专家。
134.基于建议322，以及基于可访问的关于相应用户的其他信息，客户服务专家可以确定如何支持用户。举例来说，客户服务专家可以确定在打电话期间呼叫用户以提供语音支持，以(例如，通过专家支持的门户)选择一个或多个预先配置的消息以发送给用户(例如、短信、手机通知、电子邮件消息等)，来构建一个或多个消息以从预先配置的消息构件发送给用户，简单地将建议322转发到计算设备108，联系临床医生或与用户相关联的其他医疗
专业人员、联系紧急服务、联系用户的看护人或其他监护人(例如，父母)等。在不背离所描述技术的精神或范围的情况下，基于预测320和建议322，决策支持平台504可以以多种方式提供用于支持用户管理他们的健康状况的工具、内容和服务。
135.图6更详细地描绘了多状态参与系统318的示例性实施方式600。如在图3中，多状态参与系统318作为数据分析平台126的一部分被包括，尽管在其他情景中，多状态参与系统318也可以或替代地，部分或全部，被包括在诸如计算设备108的其他设备中。
136.在所示实施例600中，多状态参与系统318包括参与状态模型管理器602和参与状态模型604，其可以包括多种机器学习模型中的一种或多种，例如分类器、自动编码器、神经网络、决策树、逻辑回归模型、马尔可夫模型、强化学习模型等等，仅举几个例子。可以根据不同的统计建模技术，使用不同的数据，具有根据不同的算法的不同的架构等来构建或训练这些各种机器学习模型和/或各种机器学习模型集成(或以其他方式学习的模型)。因此，应当理解的是，以下对参与状态模型管理器602的功能的讨论适用于各种机器学习模型。
137.通常，参与状态模型管理器602被配置为管理参与状态模型604。该模型管理包括，例如，生成参与状态模型604，诸如通过训练一个或多个模型(例如，神经网络)，向一个或多个模型提供数据以使它们能够识别数据中指示不同状态的模式，部署用于识别不同状态的初始策略，然后当接收到关于一个或多个模型(例如，强化学习模型)的输出的反馈时更新该策略，更新这些模型，等等。具体地，参与状态模型管理器602被配置为至少部分地使用在cgm平台112的存储设备120中保存的大量数据来执行该模型管理。如图所示，该数据包括用户群体110的cgm程序包302(或至少它们的一部分)和附加数据606。换句话说，参与状态模型管理器602构建参与状态模型604，训练参与状态模型604(或以其他方式学习指示多个不同的参与状态的数据模式)，并使用用户群体110的cgm程序包302和附加数据606更新这些模型。应当理解的是，附加数据606可以对应于一个或多个实施方式中的附加数据410。或者，附加数据606可以描述用户群体110的与附加数据410所描述的那些完全或仅部分不同的方面。
138.以与附加数据410类似的方式，cgm平台从各种设备、传感器、应用程序或服务获得用户群体110的附加数据606。因此，附加数据606可以从一个或多个不同于cgm程序包302的“来源”获得。举例说明而非限制，该附加数据606可以包括购买历史数据(例如，描述cgm系统104的购买项目、其部分(例如，一次性传感器应用程序组件)和/或由cgm平台112提供的服务)、投诉数据、客户服务数据(例如，描述用户与客户服务代表的交互，诸如用户是否响应客户服务代表联系用户的尝试)、生理数据、社会经济数据、态度数据、行为数据、购买历史、投诉数据和支付数据。
139.该附加数据606还可以包括描述用户群体110的健康相关在线活动的数据，诸如描述与健康状况相关的搜索查询(例如，对于“排尿”、“高血糖”、“糖尿病”、“口渴”、葡萄糖监测系统的名称等的搜索查询)、描述导航到健康或糖尿病相关网站的数据、描述与健康相关移动应用程序交互的数据、描述社交网络在一个或多个社交网络上的与健康相关档案的社交网络交互的数据(例如，关注用户、主题标签、点赞的帖子、评论)、描述在一个或多个社交网络上与健康相关的社交网络交互(例如，帖子或评论)的数据，等等。
140.与传统系统不同，cgm平台112存储(例如，在存储设备120中)或以其他方式访问用户群体110的数十万用户(例如，500,000或更多)的cgm程序包302。此外，包括在这些cgm程
序包302中的cgm测量值118是由cgm系统104的传感器以连续速率取得的。因此，可用于构建和训练机器学习模型的参与状态模型管理器602的葡萄糖测量值118和描述这些测量值的数据(例如，cgm程序包302)达到数百万甚至数十亿个数据点。有了如此庞大的数据量，模型管理器402可以构建和训练参与状态模型604，以准确识别用户群体110与cgm系统104和cgm平台112的多个不同参与状态。
141.缺少cgm平台112的葡萄糖测量值118的稳健性——以及描述这些测量值的特征和由cgm平台112接收cgm程序包302的数据——单靠传统系统根本无法构建或训练模型以适当地表示用户实际上如何利用cgm系统104和cgm平台112参与真实世界的方式来覆盖状态空间。未能适当地覆盖这些状态空间可能会导致预测到不准确的cgm系统104和cgm平台112的使用状态，这可能导致干预太晚(或从未执行)而不能防止cgm系统104的潜在不安全状况或防止cgm系统104和cgm平台112的中止使用。鉴于不准确地识别指示用户如何与cgm系统104交互的状态的严重性，重要的是使用足够稳健的cgm程序包302来构建参与状态模型604，以捕获数据中任何虚假相关性或隐藏关系的模式。
142.广义地说，参与状态模型管理器602使用cgm程序包302和附加数据606生成参与状态模型604。参与状态模型管理器602可以以各种方式这样做，使得操作中的参与状态模型604生成并输出状态信息608，该状态信息608识别个体用户(例如，人102)在给定时间对应的一个或多个状态。举例来说，参与状态模型管理器602可以使用监督和/或无监督学习方法来生成参与状态模型604。
143.例如，在监督学习方法中，参与状态模型管理器602可以从用户群体的cgm程序包302和附加数据606生成训练实例。这些实例中的每一个还可以与指示状态的一个或多个标签相关联，其中给定标签与在其数据中具有共同模式的实例相关联。例如，在接收用户的cgm程序包302但接收的数量或接收频率随着时间的推移小于某个阈值的情况下，例如，相应的训练实例可以与“不稳定使用”标签相关联。在这样的情景中，参与状态模型管理器602将参与状态模型604曝光给实例的数据并且(例如，使用代价函数或其他监督学习算法)将在训练期间输出的状态信息608与与每个训练实例关联的标签进行比较——该实施例中的输出的状态信息608可以对应于训练实例的数据对应于每个可用标签的概率。然后，基于比较，参与状态模型管理器602(例如，根据代价函数或其他监督学习算法)来调整参与状态模型604的内部权重。
144.替代地或附加地，可以基于对应于特定状态(例如，cgm系统104的中止使用)的观察到的行为来形成训练实例，从而可从cgm程序包302和附加数据606中提取描述该行为的数据并且还可从cgm程序包302和附加数据606中提取描述其他观察到的行为(例如，在观察到的行为之前发生的时间)的数据。这里，参与状态模型管理器602将参与状态模型604曝光给包括描述所述其他观察到的行为的数据的实例，并且将在训练期间输出的状态信息608与描述观察到的各个实例的行为的数据进行比较(例如，使用代价函数或其他监督学习算法)。该实施例中的输出状态信息608可以对应于与训练实例相关联的用户在某个时间量内中止使用cgm系统104的概率。然后，基于该比较，参与状态模型管理器602调整参与状态模型604的内部权重。尽管描述了监督学习的这两个实施例，但是应当理解的是，在不背离所描述技术的精神或范围的情况下，参与状态模型管理器602可以使用各种监督学习技术来生成参与状态模型604，从而它们可以识别多个不同的参与cgm系统104和cgm平台112状态。
145.在无监督方法中，参与状态模型管理器602从用户群体110的cgm程序包302和附加数据606中生成训练实例。举例来说，参与状态模型管理器602从用户群体110的cgm程序包302和附加数据606生成多个特征向量，其中每个特征向量对应于用户群体110的用户。这里，特征表示cgm程序包302和附加数据606所描述的方面。特定模型的训练数据的每个实例都被配置为表示同一组数据的方面(例如，特征)，然而，在一个实例中的给定方面的值可能与在另一个实例中的给定方面的值不同，其取决于如何描述由第一和第二用户的cgm程序包302以及附加数据606的方面。
146.在这样的无监督方法中，参与状态模型管理器602之后将生成的训练实例曝光给参与状态模型604。在使用无监督方法进行训练期间，参与状态模型604根据各自的算法识别指示训练实例之间的多个不同状态的模式(例如，通过对实例进行分组或以其他方式分割)。换句话说，无监督学习模型根据实现它的算法，从数据中学习底层模型(underlying model)，并使用底层模型根据在数据中观察到的模式来分割训练实例。一些示例性无监督学习方法包括，例如，聚类(例如，k-means)、异常检测和神经网络(例如，自动编码器、hebbian学习、生成对抗网络)，仅举几个例子。
147.在操作中——无论被配置为监督、无监督还是强化模型——参与状态模型604接收作为输入的从人102的cgm程序包302和附加数据606导出的数据，基于输入数据，识别一个或多个状态中的哪一个对应于个人102，并输出指示所识别的状态的状态信息608。举例来说，状态信息608可以被配置为一个或多个标签，其表示一个或多个识别的状态、人102对应于不同状态的概率(例如，人102处于活跃使用阶段的第一概率、人102处于不稳定使用阶段的第二概率、人102处于中止使用阶段的第三概率等等)、可能导致其他行为的行为的指示(例如，行为的指示可能导致人102中止使用cgm系统104)、人102在状态之间正在转变或已经转换的指示，等等。在一种或多种实施方式中，状态信息608可以包括马尔可夫矩阵，其可视地传达相应马尔可夫模型的性能。应当理解，在不背离所描述技术的精神或范围的状态下，状态信息608可以描述关于cgm系统104的多个不同参与状态的各个方面。
148.如以下更详细讨论的，该状态信息608可用于控制与cgm平台112的用户的通信。例如，当状态信息608包括高于阈值概率的人102在当前时间处于不稳定使用阶段的概率时，干预平台可以向人102传递一个或多个通信和/或将它们交付给客户服务代表，例如，提醒表示不稳定使用的通知。以这种方式，干预平台可以与人102通信(例如，干预)以确定cgm系统104的使用是否实际上已经变得不稳定(或者存在一些错误导致使用看起来不稳定)，为什么使用变得不稳定，并提供信息以使使用返回“活跃”级别。状态信息608还可用于自动定制传送到计算设备108的预测320和/或建议322。在不背离本文描述的技术的精神或范围的情况下，由状态信息608所识别的多个不同状态可以以多种方式使用。作为可由参与状态模型604建模的状态的一个实施例，考虑图7的以下讨论。
149.图7描绘了cgm系统的多个不同参与状态的示例性状态空间700。
150.所示实施例700包括状态702、704、706、708、710、712、714。这些状态可以表示结合训练使用的多个标签，并使用配置为分类器的参与状态模型604，使得当给定描述人102的cgm程序包302和附加数据606的方面的输入数据(例如，特征向量)时，所述分类器预测分类之一。替代地或附加地，所示状态702、704、706、708、710、712、714可以表示被参与状态模型604使用无监督学习技术学习的多个状态。
151.所示实施例700还包括表示不同状态702、704、706、708、710、712、714之间的转变的多个边。应当理解，在一个或多个实施方式中，尽管实施例700包括每个状态之间的双向边，但是某些状态之间可能没有转变和/或转变可能仅在某些状态之间的一个方向上发生——而不是双向发生。边716是这些边的一个实施例。尽管状态空间700用这些边来说明，但操作中的参与状态模型604可以简单地配置为生成状态信息608作为用户用户从当前状态转变到不同状态的概率，或用户已经转变到不同状态的概率(通过与先前生成的状态信息进行比较)。状态可以建模为分布，而不是带边的顶点。
152.在该实施例700中，状态702、704、706、708、710、712、714表示阶段的示例序列，通过该阶段序列，作为患者并且可以是被cgm系统104指定的用户可以参与cgm系统。这里，状态702表示查询阶段(例如，用户查询或以其他方式表现出对cgm系统104的兴趣或查询与糖尿病相关的医疗状况)，状态704表示选择阶段(例如，用户活跃选择葡萄糖监测解决方案)，状态706表示指定阶段，状态708表示活跃使用阶段(例如，用户活跃地使用cgm系统104以及cgm平台112的功能)，状态710表示不稳定使用阶段(例如，在用户的活动水平从之前的活跃使用水平下降了一些量和/或下降到低于阈值使用量)，状态712表示中止使用阶段(例如，用户停止使用cgm系统104和/或cgm平台112)，并且状态714表示后续解决方案阶段(例如，用户使用由不同于cgm平台112的实体部署的不同cgm系统)。
153.这只是与用户可以参与cgm系统104相关的多个状态的一个实施例。当然，在不背离所描述的技术的精神或范围的情况下，可以使用其他状态，并且使用特定算法的参与状态模型604可以识别指示不同用户如何参与cgm系统104和cgm平台112的各种状态(例如，用户的分段)。
154.图8描绘了实施方式的实施例800，其中关于cgm系统的参与状态的信息被路由到干预平台。
155.所示实施例800包括计算设备108和具有多状态参与系统318的数据分析平台126。在该实施例中，数据分析平台126被描绘为将状态信息608传送到干预平台802。
156.根据所描述的技术，干预平台802被配置为基于状态信息608与关联于计算设备108的用户进行通信。举例来说，状态信息608可以包括人102参与cgm系统104的阶段的指示。例如，状态信息608可以包括用户处于与cgm系统104交互的多个阶段中的每一个的概率，其中当前状态可以被识别为具有最高概率的阶段。附加地或替代地，状态信息608可以包括用户从当前状态电流到新状态的概率，以及由多状态参与系统318预测为可能驱动该转变到新状态的驱动因素。
157.干预平台802可以将状态信息608曝光给用户，该用户已经被干预平台802认证并且被授权在某些情景中通过与用户(例如，客户服务代表、临床医生等)通信来干预。举例来说，干预平台802可以通过干预门户提供状态信息608(或基于状态信息608导出的通知)，例如，客户服务代表可以查看多个用户的状态信息。
158.曝光的状态信息608可以使干预平台802的授权用户能够确定是否与关联于状态信息608的用户进行通信，诸如是否向用户发起电话呼叫、向用户发送电子邮件，向用户发送sms消息等。包括可能驱动从当前状态到新状态的预测转变的因素也可用于定制干预策略。举例来说，如果状态信息608指示正在使用有故障的装备(例如，有故障的传感器202)，并且自开始使用有故障的装备以来使用量已经下降，则客户服务代表可以部署特定于更换
有故障的装备的策略，例如，发送新的、正常工作的装备。干预平台802还可以通过用户界面曝光工具，其使它的客户服务代表能够与用户进行通信。通信804表示基于状态信息608的来自干预平台802的通信。通信804可以是电话呼叫、电子邮件、sms消息、即时消息、移动应用通知等。
159.尽管上面刚刚讨论了客户服务代表，但在一些实施方式中，状态信息608可能不会曝光给干预平台802的用户——使得用户决定是否以及如何与计算设备108的用户进行通信。相反，干预平台802可以被配置为基于状态信息608自动生成和传达通信804，诸如根据指示干预平台802依据状态信息608以特定方式通信的逻辑。例如，如果状态信息608指示用户从不稳定使用阶段转变到活跃使用阶段，则干预平台802可以自动将祝贺的sms消息传送到计算设备108。应当理解的是，响应于状态信息608，干预平台802既可以自动生成个性化通信804并将其发送到计算设备108，也可以通过用户界面曝光状态信息608(或从其导出的信息)给用户(例如，干预平台802的客户服务代表)。在不背离所描述技术的精神或范围的情况下，干预平台802可以以多种方式提供用于基于用户的状态信息608来发起动作的工具、内容和服务。
160.已经讨论了cgm系统104以及如何使用从各种来源收集的数据来识别和预测cgm系统的多种不同的参与状态，请考虑以下实施方式实施例。
161.使用模型生成预测和建议
162.图9描绘了在耦合到cgm系统的计算设备上显示的cgm平台的用户界面的实施例900。
163.所示实施例900包括由计算设备108显示的cgm用户界面902。在该实施例中，cgm界面902被描绘为显示预测904以及建议906。如全文所述，预测904由预测系统316生成以通过使用诸如统计模型406或附加机器学习模型408之类的一个或多个模型处理用户的葡萄糖测量值118和附加数据410来预测用户的健康指标。
164.出于该实施例的目的，假设用户在收到指示用户患有“糖尿病前期”的a1c和空腹葡萄糖测试结果后开始使用cgm系统104测量葡萄糖水平，这使用户在不久的将来会有患ii型糖尿病的风险。鉴于此，用户开始佩戴cgm系统104，其自动将葡萄糖测量值118提供给预测系统316。cgm平台112处理为收集的用户的葡萄糖测量值118以确定用户的血糖越来越处于“高”范围内(例如，》250mg/dl)。
165.连同葡萄糖测量值118，预测系统316获得用户的营养数据，诸如由各种第三方306(例如，杂货店、餐馆、酒类商店)提供的食品和饮料购买数据和/或用户提供的营养数据(例如，食品日志、所消费食品和饮料的拍摄图像、餐厅或杂货店收据扫描)。该营养数据表明，用户平均每周消耗一升汽水瓶，每周在快餐店吃饭三次，大多数周末喝啤酒和吃薯片。预测系统316还可以基于用户没有消费的食物或饮料做出各种推断。在这种情况下，预测系统316分析营养数据以确定用户很少购买“全天然食物饮食”，诸如水果、蔬菜或肉类等。此外，预测系统316获得用户的活动数据，其中包括指示用户每天步行很少超过5,000步并且不锻炼的步数数据，还包括指示用户平均每晚仅睡眠五个小时的睡眠数据。
166.预测系统将模型404应用于葡萄糖测量值118和附加数据410，在该实施例中，附加数据410包括用户的上述营养数据和活动数据。鉴于用户增加的血糖测量值、不良的饮食选择和缺乏活动，预测系统316生成预测904，其指示用户在40个月内有76％的几率患上ii型
糖尿病。
167.连同预测904，cgm用户界面902显示由数据分析平台126的建议系统412生成的建议906。建议906包括用户可以采取一个或多个动作或行为以改善用户的预测的消极健康状况。在这种情况下，建议906包括针对定制饮食计划的建议、针对定制锻炼计划的建议、以及获得可以帮助用户保持与建议的营养和锻炼计划保持一致的教练的建议。在图9中，显示用户选择定制的锻炼计划建议以获得关于建议的锻炼计划的更详细信息。
168.继续此实施例，假设用户遵循预测系统316建议的动作和行为，诸如通过切换到全天然食物饮食并使用在线食物日志跟踪饮食、每天步行10,000步并使用带计步器的智能手表，每周锻炼三次，并通过在线锻炼日志记录每次锻炼。在这种情况下，预测系统316为用户连续收集葡萄糖测量值118、营养数据和活动数据，并确定用户改进的营养选择和锻炼频率与用户平均血糖测量值118的降低相关。
169.基于对来自cgm传感器的用户更新的葡萄糖测量值118以及指示用户正在做出更好的食物选择(如用户的营养日志所示)和更频繁地锻炼(如步数数据和运动日志)的附加数据410的连续分析，预测系统316生成更新的预测，该更新的预测被传送到计算设备108显示为如图10中所示的通知1002。在此实施例中，通知1002的更新的预测指示用户现在“不太可能”在接下来的40个月内患上ii型糖尿病。值得注意的是，通知1002的更新的预测向用户提供了积极的反馈，这可以进一步激励用户继续健康地饮食和锻炼。相反，在更新的预测表明健康状况恶化的情况下，更新的预测可能有助于促使用户回到正轨。
170.为类似用户生成应用程序建议
171.如全文所述，cgm平台112利用一个或多个cgm平台api 310来实现将葡萄糖测量值118从cgm平台112传送到各类第三方306，以及将第三方数据314从第三方306传送到cgm平台112。因此，由利用葡萄糖测量值118的此类第三方306提供的应用程序和服务越来越容易获得并且通常可以通过“应用商店(app store)”下载。一旦下载到计算设备108，用户可以授权第三方306通过cgm平台api 310访问用户的葡萄糖测量值118。这样做使第三方306能够利用葡萄糖测量值118以多种不同的方式改善用户的健康。这样，第三方306可能能够提供使用葡萄糖测量值118的各种应用程序和服务，即使这类第三方306可能不会制造和部署他们自己的cgm系统。随着第三方“应用程序”和服务的数量的增加，普通用户越来越难以发现最适合他们个人情况的应用程序和服务。
172.cgm平台112可以包括“入口”api 310，其使得cgm平台112能够从各种第三方306(例如，通过第三方306的第三方服务器)接收第三方数据314。第三方数据314可以包括描述用户与第三方服务或应用程序的交互的应用交互数据。例如，这样的数据可以包括从描述用户与特定应用程序的交互的应用日志中提取的数据、描述与计算设备的输入/输出界面相关的点击、轻敲和按压的点击流数据，等等。
173.cgm平台112可以汇总应用交互数据以及葡萄糖测量值118和附加数据，以便确定用户与特定应用程序或服务的交互是否与用户健康的改善相关。例如，基于葡萄糖测量值118，cgm平台112可以客观地确定用户健康状况的改善。cgm平台112在确定应用程序的使用是否改善了用户的健康时，可以基于葡萄糖测量值考虑各种不同的因素，其包括平均血糖水平的改善、范围内的时间、特定不良模式的缓解或其任何组合。此外，cgm平台112可以提供各种控制以说明葡萄糖测量值118中的差异，诸如传感器利用率和校准频率。cgm平台112
还可以在确定用户健康得到改善时考虑由第三方306提供的数据。然后，cgm平台112可以基于应用交互数据将用户健康的改善或下降与特定应用程序的使用相关联。例如，如果cgm平台112检测到用户健康状况的改善与特定应用程序的大量使用相一致，则cgm平台112可以确定特定应用程序与改善相关。基于cgm平台112可用的数据量，可以为用户群体110的用户分组确定特定应用程序与健康状况改善的相关性。
174.建议系统412然后可以识别具有健康状况的相似用户，并且向相似用户生成建议以利用帮助了改善相似用户分组的健康状况的特定应用程序。为此，建议系统412可以通过用户群体中的其他用户对特定应用程序的使用来预测健康状况的类似改善的概率，并且向其他目标用户建议具有高概率改善健康的应用程序。这样的应用程序建议可以针对与具有与特定应用程序的使用相关的改善的健康状况的用户分组相似的个人用户。例如，如果特定应用程序的使用与改善用户群中用户分组的血糖过多相关，则cgm平台112可以向用户群体110中的类似用户建议使用特定应用程序。
175.相似用户的识别可以基于相似用户的葡萄糖测量值中的人口统计或观察到的模式中的至少一个。例如，可以部分地基于由用户佩戴的cgm系统104提供的葡萄糖测量值118，将相似用户识别为具有相同的健康状况。cgm平台112可以首先为开始佩戴cgm系统104的新用户生成用户简档，该用户简档包括人口统计数据，例如年龄、性别、位置、现有医疗记录等。随着cgm平台112从用户处收集葡萄糖测量值118和附加数据410，cgm平台112细化用户与其他用户的相似性分数。例如，一位22岁的女性用户，其平均葡萄糖为162mg/dl，并且经历过夜间低血糖测量模式，可能与该年龄、性别、平均血糖测量值和模式经历的其他用户具有较高的相似性得分。
176.然后，为了确定应用程序建议，将相似度得分与相似用户的先前应用成功率相结合。例如，如果与目标用户相似的用户下载并使用了特定应用程序，然后，看到他们的血糖过多有所改善(例如，如平均血糖降低和夜间低血糖降低所证明)，那么建议系统412可以被配置为针对目标用户的特定应用程序生成高的建议分数。相反，如果其他应用程序没有显示出这样的改进，这些应用程序对目标用户的建议分数就会较低。应用程序建议可以被传送到计算设备108以供输出。
177.以生成应用程序建议为背景，考虑图11，其描绘了在耦合到cgm系统的计算设备上显示的cgm平台的用户界面的附加实施例1100。所示实施例1100包括由计算设备108显示的cgm用户界面1102。在此示例中，cgm用户界面1102被描绘为显示建议的应用程序1104。如全文所讨论的，建议系统412可以基于目标用户与用户群体110中的其他用户的相似性来确定建议应用程序1104以改善该用户的健康状况，该其他用户的健康状况是基于建议应用程序1104中的至少一个的使用而改善的。在这种情况下，建议应用程序1104对应于各种第三方应用程序。在图11中，用户被描绘为选择应用程序“妮哈的营养计划”以便将该应用程序下载到用户的智能手机。
178.值得注意的是，建议系统412可以在目标用户下载和使用应用程序时进一步加强应用程序建议，从而加强或否定先前的建议并引起未来改进的后续建议。例如，如果建议系统412从相似用户获得指示相似用户的健康状况改善的葡萄糖测量值118，则该反馈将积极加强用户分组的健康状况改善与使用之间的相关性的特定应用程序。相反，如果来自相似用户的葡萄糖测量值118表明相似用户的健康状况没有改善(或健康状况恶化)，那么该反
馈将削弱与子集的健康状况的改善之间的相关性用户和特定应用程序的使用情况。
179.关于图11，例如，当用户开始与“妮哈的营养计划(nutrition by neha)”应用程序交互时，应用交互数据可以通过cgm平台api 310传送到cgm平台112，并与用户的葡萄糖测量值118和附加数据相关联。以此方式，cgm平台112可以基于从用户群体110的应用程序的使用接收到的反馈不断更新用于建议应用程序的模型404。例如，在基于反馈更新机器学习模型408的配置中，模型可以被配置为强化学习模型。然后使用更新的模型404来生成改进的应用程序建议。
180.此外，如果cgm平台112基于更新的葡萄糖测量值118检测到特定应用程序的使用正在改善用户的健康状况，则cgm平台112可以将改善的通知传送给计算设备108以供输出。在图12中，例如，通知1202由计算设备108显示并且指示“妮哈的营养计划”应用程序的使用已经使得用户的神经病得到改善。应当理解的是，该正向的通知可以激励用户继续使用该应用程序。
181.验证服务
182.图13描绘了验证服务的用户界面的示例性实施方式1300，授权用户可以与之交互以验证由cgm平台生成的建议。
183.在所示实施例1300中，显示设备1302被描绘为显示验证服务502的用户界面1304。广义地说，用户界面1304的界面元素使授权用户能够与那些元素交互以验证或拒绝由数据分析平台126提供并旨在传递给用户(例如，人102)的建议。响应于通过验证建议(例如，建议322)的用户界面元素接收输入，验证服务502可以将建议路由到相应用户的计算设备108。如上所述，验证服务502还可以将建议路由到决策支持平台504。响应于通过用户界面1304的用户界面元素接收到拒绝建议的输入，验证服务502不将该建议传送给计算设备108。相反，验证服务可以向数据分析平台126传送指示拒绝建议的通知。附加地或替代地，验证服务502的批准用户可以修改建议，然后将修改后的建议发送到用户的计算设备108。如上所述，被授权验证由数据分析平台126提供的建议的用户可以包括有资格向患者提供健康指导的临床医生或其他医疗保健专业人员。
184.在所示实施例1300中，用户界面1304显示由数据分析平台126提供给验证服务502的建议的短条(stub)1306。这些短条1306被配置为交互元素，用户可以与之交互以查看、验证、拒绝和/或采取与相应建议相关的一些其他动作过程(例如，修改)。尽管在此实施例中描述了建议短条，但在不偏离所描述技术的精神或范围的情况下，也可以使用其他用户界面元素，使授权用户能够查看、验证、拒绝和/或采取与相应建议相关的一些其他动作过程(例如，修改)。
185.在该实施例1300中，每个短条1306包括用户或患者姓名、相应建议322所基于的预测320的指示以及建议322的指示。用户1308被描绘为执行与短条1306之一相关的手势——在这种情况下是从右到左的滑动手势——以曝光可选择的进一步的界面元素以验证相应的建议322或拒绝它。应当理解，验证或拒绝相应建议的元素可以以其他方式曝光，例如显示为每个短条的一部分，而不需要交互，诸如滑动手势，显示为响应于某些交互而启动的菜单的一部分(例如，用鼠标右键单击)在短条上，等等。尽管未示出，但也可以选择短条1306以显示特定于建议的用户界面，该界面输出整个预测和整个建议以供审查，以及用于处理建议的多个选项——包括验证和拒绝建议和其他选项。
186.故障检测和系统配置问题
187.图14描绘了用户界面的示例性实施方式1400，其输出关于检测到的故障和与cgm平台的使用相关的系统配置问题的信息。
188.在所示实施例中，显示设备1402被描绘为显示故障检测和系统配置服务的用户界面1404。在一种或多种实施方式中，故障检测和系统配置服务可以被包括为cgm平台112的一部分或以其他方式被cgm平台112访问。还应当理解的是，部分用户界面1404可以通过相应的门户提供和显示给其他实体，诸如提供给分别提供可以与cgm系统结合使用的设备或服务的制造商或服务提供商104。这些设备可以包括计算设备108、胰岛素递送系统106、无数生理标志物测量设备、cgm系统104的各种构件等中的一个或多个。
189.用户界面1404显示多个检测到的故障和系统配置问题的短条1406。尽管在用户界面1404中显示了各种故障和问题，但显示给给定的实体(例如，特定制造商或监管机构，例如美国食品和药物管理局(fda))的故障和/或问题可能是有限(例如，涉及特定制造商设备的故障或问题，或法律要求向监管机构公开的信息)。作为对比，向cgm平台112认证为雇员或类似用户(例如，工程师、质量保证、开发合作伙伴等)的用户可能有权查看与cgm平台112相关的所有故障和/或问题。
190.在该实施例1400中，短条1406包括由可通信地耦合的或以其他方式与cgm平台112相关的一个或多个设备报告的事件(例如，故障)的短条，诸如由cgm系统104报告的关于传感器202、计算设备108、胰岛素递送系统106、第三方306，仅举几个例子。短条1406还包括和与特定系统配置相关的问题相关的短条，该特定系统配置包括cgm系统104但包括其他设备的不同组合，诸如具有特定计算设备108(例如，特定制造商)的配置、计算设备108的特定集成(例如，对应于第一制造商的移动电话和对应于第二制造商的智能手表)、特定胰岛素递送系统(例如，胰岛素笔与胰岛素泵以及来自不同制造商)、特定固件和软件版本、等等。
191.短条1406还包括传递一个或多个置信度度量的短条，例如，由各种构件(例如，传感器202的制造批次)获得的数据的置信度、系统配置、与具有各种人口统计特征的用户相关联等等。在一种或多种实施方式中，置信度度量是置信区间。此外，短条1406包括指示平台特征(例如，对应于cgm平台112的应用程序的功能和/或用户界面元素)的使用的短条。系统开发人员可以使用此信息来确定是否继续开发和/或提供与不同功能相关的支持。
192.关于描述由一个或多个设备报告的事件的短条，对于对应于cgm平台112的开发者来说，在部署之前测试可与cgm系统104和cgm平台112的应用程序(例如，移动电话和智能手表应用程序)结合使用的设备的所有组合是困难的，甚至是不可能的。相反，那些开发者可以将测试限制在最有可能使用的设备的组合(例如，最流行的移动设备或胰岛素递送系统106)和/或由cgm平台112发布的内容中建议的组合(例如，通过出版物、网页、包装、电子邮件、广告等)。在这种情况下，开发人员可能只知道经过测试的设备组合的一部分问题，并已修复它们，而未测试组合的问题则不会被知道。
193.通过在存储设备120中收集和保存大量的葡萄糖测量值118、cgm设备数据214和补充数据304，数据分析平台126可以训练然后利用模型404来识别用户群体110使用的设备的不同组合的问题(例如，故障)，诸如在真实世界使用期间用测试和未经测试的组合观察到的问题。实际上，所测试的设备组合可能尚未以现实的用户群体110实际使用它们的各种方式进行测试。因此，通过使用模型404来识别这些问题，数据分析平台126可以通知开发人员
这些问题，以便开发人员可以针对这些问题开发修复程序，然后将其部署，例如，作为固件或软件更新，作为模型404的更新，等等。
194.替代地或附加地，数据分析平台126可以使用这些问题的识别来调整对遇到问题的组合的预测和建议。举例来说，如果用户群体的一个小分组(例如，1％)使用的设备组合向cgm平台112提供始终(并且可预测地)低于由其他组合提供的葡萄糖测量值118的葡萄糖测量值118，该信息可用于更新通过用户的计算设备108呈现给用户的实时葡萄糖测量值118。
195.模型404也可以使用该信息来预测具有设备组合的用户将遇到与人口的分组相同的问题。值得注意的是，该信息可用于确保生成有效(例如，安全)建议并将其提供给这些用户。在不背离所描述技术的精神或范围的情况下，数据分析平台126可以使用该能力以多种方式识别不同设备组合的问题(例如，故障)。
196.关于描述平台特征使用的短条，该信息可用于确定是否继续开发和/或提供与不同特征相关的支持，如上所述。在一种或多种实施方式中，数据分析平台126可以分析维持在存储设备120中的数据以确定对应于cgm平台112的公司支持cgm平台112的各种特征的成本，诸如其cgm系统104和应用程序提供的各种功能。作为其中的一部分，数据分析平台126被配置为测量由cgm平台112部署的每个功能之间的变化、共变和统计依赖性，诸如通过cgm系统104的功能之间的变化、共变和统计依赖性来测量人102的温度、通过cgm平台112的移动电话应用程序的功能来识别夜间可能发生的低血糖症、通过cgm平台112的智能手表应用程序的功能来使用与输出相关的触觉反馈(例如，振动)通知等。
197.在一个或多个实施方式中，数据分析平台126通过生成具有对应于从用户群体110中采样的预定数量的用户(例如，50,000个用户)和由cgm平台112部署的多个特征(例如，功能)或者考虑潜在中止开发或支持的特征的数量的维度的矩阵来确定变化和共变。在下面的讨论中，预定的用户数量由项m表示，特征的数量由项n表示。为此，数据分析平台126构建了一个m
×
n矩阵，其中矩阵的每个单元格(cell)表示样本用户是否使用相应的特征。数据分析平台126可以以多种方式确定用户使用了特征，并且可以针对不同特征不同地定义使用。例如，如果来自存储设备120的数据指示用户曾经使用过某个特征、使用该特征花费了超过阈值量的时间或者过阈值量的时间的特征正活跃、使用该特征超过阈值次数、允许该特征是活动的(例如，允许通知)等等，则数据分析平台126可以确定用户已经使用了该特征。
198.使用m
×
n矩阵，数据分析平台126计算给定特征i的变化分数，其作为样本用户数量m中的“使用”给定特征i的用户数量a的的函数。在一个实施例中，数据分析平台126根据以下计算变化：
[0199][0200]
在这里，项表示变化分数。数据分析平台126还被配置为计算给定特征i和另一特征j的共变分数，其作为样本用户数量m中的使用给定特征i的用户数量a的函数和作为使用其他给定特征j的第二用户数量b的的函数。数据分析平台126还计算共变，其作为同时使用给定特征i和其他特征j的第三用户数量c的函数。在一个实施例中，数据分析平台126根据以下计算共变分数：
[0201][0202]
在这里，项表示共变分数且项表示其他给定特征j的变化分数。
[0203]
数据分析平台126通过为每对特征构建列联表来测量不同特征之间的统计独立性，使得每个特征与m-1特征配对且为每一对生成列联表。数据分析平台126对每个表执行已知的独立性检验。在一种或多种实施方式中，已知的独立性检验包括独立性卡方检验，其输出是p值，例如，观测到与检验统计量一样极端的样本统计量的概率。数据分析平台126然后将每个表的已知独立性测试的输出(例如，p值)与显着性水平阈值进行比较。如果输出满足显着性水平阈值，则数据分析平台将这对特征识别为依赖特征。
[0204]
然后，数据分析平台126确定给定特征i的成本，其作为给定特征的变化加上成对分数(其他特征在统计学上依赖于给定特征i)的函数。数据分析平台126之后可以将这些分数呈现给对应于cgm平台112的授权用户(例如，工程师、营销人员等)，诸如通过用户界面1404或一些其他界面来显示。应当理解，cgm平台112的特征的成本也可以以其他方式确定。
[0205]
参与状态转变预测
[0206]
图15描绘了生成状态信息的多步参与系统的示例性实施方式1500，状态信息包括从当前状态转变到新状态的概率和转变的预测驱动因素。
[0207]
在所示实施例1500中，参与状态模型管理器602被描绘为获得人102的cgm程序包302和附加数据606。一般而言，使用参与状态模型管理器602和参与状态模型604处理该数据以生成状态信息608。该实施例包括经处理的数据1502，其参与状态模型管理器602基于cgm程序包302和人102的附加数据606生成并且作为输入提供给参与状态模型604。
[0208]
举例来说，参与状态模型管理器602可以生成经处理的数据1502作为特征向量，该特征向量具有确定与识别cgm系统104的参与状态相关的特征并且基于该特征生成模型。当被配置为特征向量时，经处理的数据1502具有从人102的cgm程序包302和附加数据606导出的特征的值。在参与状态模型604预测到人102中止使用cgm系统104的概率——使得转变概率1504是人102将转变到中止使用阶段的概率——经处理的数据1502可以具有描述该人的cgm数据历史的特征的情况下，其中cgm数据历史来自cgm程序包302的葡萄糖测量值118、指示cgm平台112接收这些程序包的数据，和与cgm系统104或其部分相关的购买历史，以及cgm平台112提供的服务的购买历史。在这种情况下，经处理的数据1502还可以具有描述人102的投诉历史的特征、人口普查数据特征、支付信息特征等等。
[0209]
在该实施例1500中，参与状态模型604被配置为接收经处理的数据1502作为输入。在操作中，给定的参与状态模型604被配置为生成用于以特定格式配置的经处理的数据1502的状态信息608，例如，具有预期格式的特定数量的特征值。基于经处理的数据1502和通过如上所述的机器学习方法(例如，监督学习、无监督学习、强化学习)学习的底层模型，参与状态模型604输出状态信息608。这里，参与状态模型604生成转变概率1504和驱动因素1506。转变概率1504可以表示人102从当前状态转变到新状态(例如，中止使用状态)的概率。在一个或多个实施方式中，状态信息608可以包括多个可能状态中的每一个的转变概率。驱动因素1506可以指示哪些因素可能驱动从当前状态到新状态的转变。在转变概率
1504对应于人102将转变到中止使用阶段的概率的实施方式中，驱动因素1506指示可能驱动人转换到中止使用阶段的因素。在一个或多个实施方式中，参与状态模型604可以计算在经处理的数据中表示的每个因素(例如，特征)的概率，以引起其转变到下一个状态，基于这些概率将特征指定为驱动或非驱动，例如，top-k特征或概率高于某个阈值。
[0210]
在转变概率1504表示人员102转移到中止使用阶段的概率，并且驱动因素1506指示由经处理的数据1502描述的引起转变的方面的延续实施例中，状态信息608可以被传送到干预平台802。干预平台802可以基于转变概率1504和驱动因素1506部署不同的策略来干预(或不干预)。
[0211]
糖尿病搜索查询
[0212]
图16描绘了接收与糖尿病相关的搜索查询的用户界面的示例性实施方式1600。
[0213]
所示实施例1600包括用户界面1602。用户界面1602包括使用户能够输入搜索查询的搜索查询输入元素1604。应当理解，尽管搜索查询输入元素1604被示为文本输入字段，但是在不背离所描述技术的精神或范围的情况下，可以以多种方式接收搜索查询，例如通过接收语音命令通过语音助手设备。
[0214]
在所示实施例1600中，基于来自用户1608的输入接收“高血糖”的搜索查询1606。根据所描述的技术，这个特定的搜索查询1606可以指健康相关的，或更具体地，糖尿病相关的搜索查询。与糖尿病相关的搜索查询的其他实施例可能包括“排尿”、“头痛”、“静脉”和“糖尿病”等等。实际上，与健康和糖尿病相关的搜索查询可能包括各种术语和这些术语的组合，包括与营养和锻炼相关的术语。在任何情况下，此类搜索查询的接收条目可以通过跟踪用户的在线活动来捕获，并且可以生成描述这些搜索查询的接收条目的数据。该搜索查询数据可以是附加数据606的一个来源。因此，参与状态模型604可以在一个或多个实施方式中部分地使用搜索查询数据来生成，例如，以学习用于cgm系统104的参与阶段的底层模型。在该特定实施例中，搜索与健康和糖尿病相关的信息可对应于与cgm系统104相关的参与的查询或选择阶段，使得参与状态模型604预测提交此类搜索查询的用户对应于至少其中一个阶段。
[0215]
然而，实际上，提交此类搜索查询的用户可能正处于危险的健康状况和/或可能在不久的将来由于糖尿病而处于危险的健康状况。为此，基于用户的预测状态为该用户提供支持以便用户可以监测葡萄糖对于预防或减轻危险的健康状况可能是最重要的。所描述的系统因此可以使用搜索查询来教育用户关于葡萄糖监测。所描述的系统还可以使用搜索查询来使用户获得诊断解决方案或cgm系统104，并且比用户通过常规方法接收到这样的支持更早地使用cgm平台112。例如，通过利用搜索查询信息，而不是等待用户安排与医疗提供者的见面，cgm平台112可以更快地以交付的数字内容的形式向用户提供信息或如有必要，就以其他方式就健康状况、诊断解决方案和潜在治疗方案与用户进行沟通。
[0216]
所示实施例1600包括数字内容构件1610。数字内容构件1610仅表示cgm平台112可以基于接收健康和糖尿病相关搜索查询与用户1608通信的一种方式。特别地，数字内容构件1610被描绘为由用户界面1602显示，其中显示可以响应于接收到搜索查询1606。数字内容构件1610可以对应于由用户界面1602显示的数字广告、由用户界面1602显示的搜索结果、由用户界面1602显示的弹窗或toast通知等。当然，在不背离技术的精神或范围的情况下，数字内容构件1610可以以多种方式配置，诸如通过语音助手设备输出的可听信息、移动
通知(例如，通过移动电话或智能手表)、通过一个或多个社交网络呈现的信息、sms消息等。替代地或附加地，cgm平台112可以基于健康和糖尿病相关的搜索查询发起与用户的其他类型的通信，例如通过向用户发送邮件、呼叫用户等。其他类型的通信可以包括与用户的看护人(例如，父母或监护人)或与用户相关联的医疗专业人员进行通信，仅举几个例子。
[0217]
数字内容构件1610可以提供支持，以便用户可以监测葡萄糖并预防或减轻危险的健康状况，诸如通过提供关于由糖尿病引起的健康状况的信息、如何联系医疗提供者、如何联系cgm平台112的客户支持表示、关于cgm系统104的易用性的信息、关于cgm系统104的信息、关于其他患有糖尿病的人和他们的生活的信息等等。实际上，在不背离所描述技术的精神或范围的情况下，数字内容构件1610可以包括各种信息。还应理解，诸如当用户输入像“跟踪血糖”、“血液如何糖会影响表现”、“血糖运动表现”、“血糖和心理表现”等的搜索查询，这些技术也可被部署用于与cgm系统104和cgm平台112的潜在“商业”用户进行通信。这样的用户还可以使用参与状态模型604被确定为处于一种状态，该状态捕获他们的作为处于查询阶段或选择阶段的阶段，但为“商业”用户角色而不是“患者”角色。
[0218]
干预策略实施方式
[0219]
如上所述，用户群体110的cgm程序包302和附加数据606被参与状态模型管理器602用来生成参与状态模型604，其基于用于生成这些模型的特定机器学习技术，将用户群体110的数据分成各种状态(或区段)，例如，表现出相似模式的数据集群。还如上所述，不同状态可以捕获用户群体110的用户与cgm系统104相关的角色以及沿着参与cgm系统104的行程的阶段。因此，在各种其他角色中，参与状态模型604可以对对应于指定的并使用cgm系统104的患者的状态(例如，第一角色)和对应于cgm系统104的非指定的、商业用户的状态(例如，第二角色)进行建模。值得注意的是，被指定并使用cgm系统104且还使用cgm平台112的第一应用的患者可以对应于由参与状态模型604建模的不同于被指定的并使用cgm系统104但不使用第一应用的患者的状态。
[0220]
无论如何，这些状态，特别是与状态相对应的角色可能会影响部署的干预策略(如果有的话)。此外，所考虑的数据中的各种模式可能表示不同角色的不同状态和状态转变。考虑一个实施例，其中第一用户是被指定的并使用cgm系统104(例如，与糖尿病治疗相关)的患者，并且其中第二用户是cgm系统104的商业用户(例如，其致力于优化运动表现)。
[0221]
在此实施例中还考虑第一用户(患者)的cgm程序包302包括变化很大(大到期望范围之外)的葡萄糖测量值118，而第二用户(商业用户)的cgm程序包302包括葡萄糖测量值118变化很小(并且始终在所需范围内)。在这两种情况下，参与状态模型604可以识别用户可能转变到中止使用状态，如状态信息608特别是参与状态模型604输出的转变概率1504所指示的。实际上，这可能是由于第一用户的治疗计划对于“稳定”他或她的葡萄糖水平无效或者未遵循该治疗计划，这导致用户对cgm系统104感到失望。相比之下，第二用户可能通过在一段时间内使用cgm系统104，已经识别出导致他或她的葡萄糖水平飙升的行为并从他或她的生活中消除这些行为，例如，吃某些食物、缺乏运动等等。
[0222]
在任何情况下，防止第一和第二用户停止使用cgm系统104(转变到中止使用状态)的策略可能截然不同。如上所述，可以基于可能导致用户转变到不同状态的驱动因素1506来生成这些策略。实际上，第一用户和第二用户的驱动因素可能截然不同——例如，第一用户的驱动因素1506可能包括不稳定的葡萄糖测量值118、高压力水平和不均衡的营养(尽管
第一用户不知道)，而第二用户的驱动因素1506可以包括稳定的葡萄糖测量值118、消除以前在葡萄糖测量值118中引起飙升的食物以及使用智能手表来监测压力。不管实际的驱动因素1506如何，它们都可以用于生成或以其他方式制定干预策略。
[0223]
举例来说，干预平台802可以获得第一和第二用户的状态信息608，指示他们从当前状态转变到停止使用cgm系统104的新状态的转变概率1504，以及指示他们可能驱动该转变的驱动因素1506。就该信息来说，干预平台802为不同用户定制干预策略。这也可以使用参与状态模型604或其他逻辑来执行，这些已经从描述历史干预策略(已经对特定用户起作用和没有对特定用户起作用)的数据中学习到。
[0224]
关于第一用户，干预平台802可以通过cgm系统传递关于成功故事的信息，通知教练联系第一用户，提供关于均衡营养的信息，和/或基于先前已经对具有与第一用户相同或相似的状态(和驱动因素)的用户起作用的干预，以其他方式进行通信。然而，关于第二用户，干预平台802可递送关于cgm平台112的其它产品或服务的信息以供购买(例如，以进一步优化运动表现)，递送关于在没有系统的持续监视的情况下中止使用cgm系统104的用户未能考虑的行为的信息，递送关于在使用cgm系统104时可进行的进一步优化的信息，和/或基于先前对具有与第二用户相同或相似的状态(和驱动因素)的用户有效的干预，以其它方式通信。实际上，干预策略可以根据为用户生成的状态信息608和基于先前对类似用户起作用的策略以多种方式定制，例如，如机器学习模型或其他逻辑所指示的。
[0225]
示例性程序
[0226]
本节介绍基于连续葡萄糖监测(cgm)的建议的示例性程序。程序的方面可以以硬件、固件或软件或其组合来实现。这些程序被显示为一组块，这些块指定由一个或多个设备执行的操作，并且不必限于所示的用于执行各个块的操作的顺序。在至少一些实施方式中，程序由数据分析平台执行，诸如cgm平台112的数据分析平台126利用预测系统316和建议系统412。
[0227]
图17描绘了示例性程序1700，其中基于用户的葡萄糖测量值和附加数据生成预测和建议。
[0228]
获得由用户佩戴的cgm系统提供的葡萄糖测量值(框1702)。举例来说，cgm平台112获得由人102佩戴的cgm系统104检测到的葡萄糖测量值118。如全文所讨论的，cgm系统104被配置为连续监测人102的葡萄糖。例如，cgm系统104可以配置有传感器202，其皮下插入人102的皮肤206中，并且连续测量指示人102的葡萄糖的分析物以产生葡萄糖测量值。在一种或多种实施方式中，cgm平台112从通信耦合到cgm系统104的计算设备108(例如用户的移动电话或可穿戴设备)获得葡萄糖测量值118。
[0229]
获得与用户相关联的附加数据(框1704)。举例来说，cgm平台112从各种设备、传感器、应用程序或服务获得附加数据410。因此，根据本文讨论的原理，可以从一个或多个“来源”获得附加数据，这些“来源”不同于提供葡萄糖测量值118的cgm系统104。附加数据410可以包括除葡萄糖测量值118之外的cgm设备数据214的至少一个或多个部分、补充数据304、第三方数据314、来自iot 114的数据等。
[0230]
通过使用一个或多个模型处理葡萄糖测量值和附加数据来预测用户的健康指标(框1706)。根据本文讨论的原理，一个或多个模型是基于用户群体的历史葡萄糖测量值和历史附加数据生成的。举例来说，数据分析平台126的预测系统316通过使用一个或多个模
型404处理人102的葡萄糖测量值118和附加数据410来生成包括健康指标的预测320。基于用户群体110的葡萄糖测量值118和附加数据410生成一个或多个模型404。举例来说而非限制，一个或多个模型404可以包括统计模型406和/或附加机器学习模型408。
[0231]
基于用户的健康指标生成建议(框1708)。举例来说，无论是使用统计模型406、机器学习模型408还是统计模型和/或机器学习模型的某种组合来生成预测320，预测320都是通过数据分析平台126的建议系统412获得的。建议系统412被配置为基于预测320生成建议322。在某些情况下，健康指标对应于预测的消极健康状况，例如预测用户将在未来40个月内患上ii型糖尿病。在这种情景下，建议系统412可以基于将预测的消极健康状况与减轻预测的消极健康状况的一个或多个动作或行为相关联的逻辑来生成建议322。因此，建议322可以包括旨在减轻预测的消极健康状况的一个或多个动作或行为。
[0232]
预测或建议中的至少一个通过网络传送到一个或多个计算设备以供输出(框1710)。举例来说，数据分析平台126将预测320和/或建议322传送到计算设备108以供输出。然后计算设备108可以在cgm界面中显示预测320和/或建议322。如图9所示，例如，cgm用户界面902显示预测904以及建议906。在该实施例中，预测904指示用户在40个月内有76％的几率患上ii型糖尿病。建议906包括用户可以采取一个或多个动作或行为以改善用户的预测的消极健康状况。在图9中，例如，建议906包括对定制的饮食计划的建议、对定制的锻炼计划的建议、以及找到可以帮助用户保持与建议的营养和锻炼计划保持一致的教练的建议。
[0233]
在一种或多种实施方式中，预测或建议可以在被传送到用户的计算设备108之前(或不被传送到用户的计算设备108)被传送到验证服务502和/或决策支持平台504。这样，验证服务502和决策支持平台504可以充当数据分析平台126和计算设备108之间的中介。在预测或建议被传送到验证服务502的情景中，验证服务502可以验证建议322。这意味着确定建议是否有效(例如，安全)并且可以被进一步传送到决策支持平台504和/或直接传送到计算设备108。验证服务502可以将建议322曝光给已经被验证服务502授权的用户，例如临床医生，以验证建议。
[0234]
响应于正在验证的建议(例如，由临床医生或验证服务502的逻辑)，该建议可以进一步路由到决策支持平台504或直接路由到计算设备108。当建议未被验证(即，它被拒绝)时，该建议可能不会被进一步路由到决策支持平台504或不会被直接路由到计算设备108。相反，验证服务502可以修改建议(例如，根据临床医生输入)和/或向数据分析平台126提供拒绝建议的通知。在这种情景下，数据分析平台126可能能够将拒绝的指示作为输入添加到预测系统，并开始生成不同的预测320和/或建议322。实际上，可以基于从验证服务502接收到的验证和拒绝来更新模型404。在验证服务502验证了建议322并因此允许建议322被直接转发到计算设备108的情景中，计算设备108可以输出建议322，诸如通过显示器、通过扬声器、通过触觉反馈，以及依此类推，如上文和下文所述。
[0235]
如上所述，建议322也可以通过验证服务502传送到决策支持平台504，或者替代地可以绕过验证服务直接从数据分析平台126传送到决策支持平台504。基于建议322，以及基于可访问的关于相应用户的其他信息，客户服务专家可以确定如何支持用户。举例来说，客户服务专家可以确定在电话呼叫期间呼叫用户以提供语音支持。
[0236]
通过使用一个或多个模型处理更新的用户的葡萄糖测量值和附加数据来预测更
新的健康指标，并且基于更新的健康指标，通知通过网络传送到一个或多个计算设备以供输出(框1712)。举例来说，数据分析平台126连续地收集用户的葡萄糖测量值118和附加数据410。因此，预测系统316可以通过使用一个或多个模型404处理更新的葡萄糖测量值和附加数据来预测更新的健康指标。例如，如图10所示，基于对来自cgm系统104的用户更新的葡萄糖测量值118以及指示用户正在做出更好的食物选择(如用户的营养日志所示)的附加数据410和更频繁地锻炼(如步数数据和运动日志)的连续分析，预测系统316生成更新的预测，该更新的预测被传送到计算设备108显示为通知1002。
[0237]
图18描绘了示例性程序1800，其中使用特定应用的建议被传送到类似用户的一个或多个设备。
[0238]
用户群体的葡萄糖测量值和与用户群体的用户相关联的应用交互数据被保存在一个或多个存储设备中(框1802)。根据本文讨论的原理，应用交互数据描述应用程序的使用(例如，用户群体的各个用户对“应用程序”的使用)。例如，cgm平台112获得由人102佩戴的cgm系统104检测到的葡萄糖测量值118，并将葡萄糖测量值118保存在存储设备120中。此外，cgm平台从各种应用程序中获取应用交互数据，诸如第三方提供的应用程序306等。
[0239]
至少部分地基于葡萄糖测量值来识别对用户群体的用户分组的健康状况的改善(框1804)，并且基于应用交互数据，用户分组的健康状况的改善与特定应用的使用相关(框1806)。举例来说，cgm平台112可以汇总应用交互数据以及葡萄糖测量值118和附加数据，以便确定用户与特定应用或服务的交互是否与用户健康的改善相关。例如，基于葡萄糖测量值118，cgm平台112可以客观地确定用户健康状况的改善。然后，cgm平台112可以基于应用交互数据将用户健康的改善或下降与特定应用程序的使用相关联。例如，如果cgm平台检测到用户健康状况的改善与特定应用程序的频繁使用相符，则cgm平台可以确定特定应用程序与该改善相关。
[0240]
识别具有健康状况的相似用户(框1808)，并且使用特定应用的建议被传送到与相似用户相关联的一个或多个设备(框1810)。举例来说，建议系统412可以识别具有健康状况的相似用户，并且生成对相似用户的建议以利用有助于改善相似用户分组的健康状况的特定应用。为此，建议系统412可以通过用户群体中的其他用户对特定应用的使用来预测健康状况的类似改善的概率，并且向其他相似的用户建议具有高概率改善健康的应用程序。
[0241]
应用建议可以被传送到计算设备108以供输出。举例来说，如图11所述，cgm用户界面1102被描绘为显示建议应用1104。在这种情况下，建议应用程序1104对应于各种第三方应用程序。在图11中，用户被描绘为选择应用程序“妮哈的营养计划”以便将该应用程序下载到用户的手机中。
[0242]
图19描绘了示例性程序1900，其中生成状态信息以控制与用户的通信。
[0243]
获得由用户佩戴的cgm系统提供的cgm程序包(框1902)。举例来说，多状态参与系统318获得由人102佩戴的cgm系统104提供的cgm程序包302。cgm程序包数据可以包括葡萄糖测量值、测量值的特征或cgm平台接收cgm程序包数据的特征中的一项或多项。
[0244]
获得与用户相关联的附加数据(框1904)。根据本文讨论的原理，可以从不同于cgm系统的一个或多个来源获得附加数据。举例来说，多状态参与系统318获得用户群体110的附加数据606。举例说明而非限制，该附加数据606可以包括购买历史数据(例如，描述cgm系统104的购买项目、其部分(例如，一次性传感器应用程序组件)和/或由cgm平台112提供的
服务)、投诉数据、客户服务数据(例如，描述用户与客户服务代表的交互，诸如用户是否响应客户服务代表联系用户的尝试)、生理数据、社会经济数据、态度数据、行为数据、购买历史、投诉数据和支付数据。
[0245]
该附加数据606还可以包括描述用户群体110的健康相关在线活动的数据，诸如描述与健康状况相关的搜索查询(例如，对于“排尿”、“高血糖”、“糖尿病”、“口渴”、葡萄糖监测系统的名称等的搜索查询)、描述导航到健康或糖尿病相关网站的数据、描述与健康相关移动应用程序交互的数据、描述社交网络在一个或多个社交网络上的与健康相关档案的社交网络交互的数据(例如，关注用户、主题标签、点赞的帖子、评论)、描述在一个或多个社交网络上与健康相关的社交网络交互(例如，帖子或评论)的数据，等等。除了这些之外，附加数据606可以描述在附加数据410的讨论中列举的任何一个或多个方面。
[0246]
通过处理cgm程序包和附加数据，部分地使用一个或多个模型生成针对用户的状态信息(框1906)。举例来说，参与状态模型管理器602通过使用参与状态模型604(例如，机器学习模型)处理人102的cgm程序包302和附加数据606来生成状态信息608。根据这里讨论的原理，状态信息至少包括用户关于cgm系统的当前状态。当前状态可以对应于与cgm平台相关的用户的当前角色，例如，患者、护理人员、医疗保健提供者、客户服务代表、第三方服务提供者、商业用户(例如，运动员、生活黑客等)、绩效教练等。替代地或附加地，当前状态可以对应于与cgm系统交互的多个阶段中的当前阶段。以患者为背景，这种阶段可以包括查询阶段(例如，用户查询或以其他方式表现出对cgm系统的兴趣或查询与糖尿病相关的医疗状况)、选择阶段(例如，用户活跃选择葡萄糖监测解决方案)、指定阶段、活跃使用阶段(例如，用户活跃地使用cgm系统以及cgm平台的功能)、不稳定使用阶段(例如，在用户的活动水平从之前的活跃使用水平下降了一些量和/或下降到低于阈值使用量)，中止使用阶段(例如，用户停止使用cgm系统和/或cgm平台)，后续解决方案阶段(例如，用户使用由不同于cgm平台的实体部署的不同cgm系统)，等等。
[0247]
如全文所讨论的，状态信息还可以包括一个或多个转变概率1504和驱动因素1506。转变概率1504可以表示人102从当前状态转变到新状态(例如，中止使用状态)的概率。在一个或多个实施方式中，状态信息608可以包括多个可能状态中的每一个的转变概率。驱动因素1506可以指示哪些因素可能驱动从当前状态到新状态的转变。在转变概率1504对应于人102将转变到中止使用阶段的概率的实施方式中，驱动因素1506指示可能驱动人转换到中止使用阶段的因素。
[0248]
基于状态信息控制与用户的通信(框1908)。举例来说，状态信息608可用于控制与cgm平台112的用户的通信。基于确定哪个状态对应于用户和/或检测状态之间的转变，多状态参与系统318可以生成指示状态和/或状态改变的通知，并且将通知传送给预定接收者，例如，传送给患者、医疗保健提供者、客户服务代表等等，来进行干预。在某些情况下，通过生成干预策略来控制与用户的通信，以防止用户转变为消极状态，例如中止使用cgm系统。
[0249]
图20描绘了示例性程序2000，其中生成干预策略以防止用户转变到消极状态。
[0250]
cgm系统的用户的用户群体的cgm程序包和附加数据被保存在存储设备中(框2002)。例如，存储设备120保存用户群体110的cgm程序包302和附加数据606。
[0251]
通过使用一个或多个模型处理cgm程序包和附加数据的至少一部分，生成针对用户群体的用户的状态信息(框2004)。举例来说，参与状态模型管理器602通过使用参与状态
模型604(例如，机器学习模型)处理cgm程序包302和附加数据606来生成状态信息608。根据本文讨论的原理，状态信息608可以包括用户群体的各个用户将从当前状态转变到消极状态的转变概率1504和可能驱动各个用户从当前状态转变到消极状态的驱动因素1506。
[0252]
基于转变概率识别用户群体中可能转换到消极状态的用户(框2006)。举例来说，基于转变概率和驱动因素，干预平台802可以基于所识别用户的转变概率高于预定阈值，来识别用户群体110中可能转变到消极状态(例如，中止使用阶段)的用户。
[0253]
基于转换概率和驱动因素生成干预策略以防止用户转变到消极状态(框2008)。举例来说，干预平台802基于转变概率1504和驱动因素1506生成各种干预策略以防止用户转移到消极状态。这样的干预策略可以包括将状态信息暴露给被授权在某些情景下通过与用户(例如，客户服务代表、临床医生等)通信来干预。干预平台802可以通过干预门户(例如，其中客户服务代表可以查看多个针对用户的状态信息)提供状态信息(或基于状态信息得出的通知)。曝光的状态信息可以使干预平台的授权用户能够确定是否和与状态信息相关联的用户进行通信，诸如是否向用户发起电话呼叫、向用户发送电子邮件、向用户发送sms信息等。替代地或附加地，干预平台802可以被配置为基于状态信息自动生成和传送通信，例如根据指示干预平台根据状态信息以特定方式通信的逻辑。
[0254]
不管干预策略是包括向人曝光转换信息还是自动化的，干预平台都可以基于确定的驱动从当前状态到新状态的预测转变的因素来定制干预策略。举例来说，如果状态信息指示正在使用有故障的装备(例如，有故障的传感器)，并且自开始使用有故障的装备以来使用量已经下降，则客户服务代表可以部署特定于更换有故障的装备的策略，例如，发送新的、正常工作的装备。作为另一个实施例，如果状态信息指示异常高的血糖读数正在使用户烦恼，这可能会导致停止使用，那么干预系统可以向用户传送一条消息，该消息包括人群中其他用户的成功故事，这些其他用户在佩戴cgm系统的同时通过节食和锻炼降低了他们的血糖水平。
[0255]
图21描绘了示例性程序2100，其中基于从健康相关在线活动确定的状态信息来控制健康相关数字内容的输出。
[0256]
获得描述一个或多个网站或社交网络平台的健康相关的在线活动的数据(框2100)。举例来说，cgm平台112获得附加数据606，其可以包括描述健康相关在线活动的数据，诸如描述与健康状况相关的搜索查询(例如，对于“排尿”、“高血糖”、“糖尿病”、“口渴”、葡萄糖监测系统的名称等的搜索查询)、描述导航到健康或糖尿病相关网站的数据、描述与健康相关移动应用程序交互的数据、描述社交网络在一个或多个社交网络上的与健康相关档案的社交网络交互的数据(例如，关注用户、主题标签、点赞的帖子、评论)、描述在一个或多个社交网络上与健康相关的社交网络交互(例如，帖子或评论)的数据，等等。
[0257]
可以以多种不同方式接收描述健康相关在线活动的数据。例如，如图16所示，与健康状况相关的搜索查询可以通过在用户界面1602中实现的搜索查询输入元素1604来接收。用户界面1602可以在一个或多个网站(例如，搜索引擎网站)、社交网络等内实现。应当理解，尽管搜索查询输入元素1604被示为文本输入字段，但是在不背离所描述技术的精神或范围的情况下，可以以多种方式接收搜索查询，例如通过接收语音命令通过语音助手设备。
[0258]
根据所描述的技术，特定的搜索查询可以指健康相关的，或更具体地，糖尿病相关的搜索查询。与糖尿病相关的搜索查询的其他实施例可能包括“排尿”、“头痛”、“静脉”和“糖尿病”等等。实际上，与健康和糖尿病相关的搜索查询可能包括各种术语和这些术语的组合，包括与营养和锻炼相关的术语。在任何情况下，此类搜索查询的接收条目可以通过跟踪用户的在线活动来捕获，并且可以生成描述这些搜索查询的接收条目的数据。
[0259]
通过处理描述健康相关在线活动的数据来生成针对用户的状态信息(框2104)。根据这里讨论的原理，状态信息至少包括用户的当前状态。举例来说，搜索与健康和糖尿病相关的信息可对应于与cgm系统104有关的的查询或选择的参与阶段，使得参与状态模型604预测提交此类搜索查询的用户对应于这些阶段中的至少一个。
[0260]
基于状态信息控制向用户输出健康相关数字内容(框2106)。举例来说，cgm平台可以控制健康相关数字内容的输出，诸如经由数字内容构件1610，该数字内容构件1610被示为响应于接收到搜索查询1606而显示在用户界面1602中。数字内容构件1610可以对应于由用户界面1602显示的数字广告、由用户界面1602显示的搜索结果、由用户界面1602显示的弹窗或toast通知等。当然，在不背离技术的精神或范围的情况下，数字内容构件1610可以以多种方式配置，诸如通过语音助手设备输出的可听信息、移动通知(例如，通过移动电话或智能手表)、通过一个或多个社交网络呈现的信息、sms消息等。替代地或附加地，cgm平台112可以基于健康和糖尿病相关的搜索查询发起与用户的其他类型的通信，例如通过向用户发送邮件、呼叫用户等。其他类型的通信可以包括与用户的看护人(例如，父母或监护人)或与用户相关联的医疗专业人员进行通信，仅举几个例子。
[0261]
数字内容构件1610可以提供支持，以便用户可以监测葡萄糖并预防或减轻危险的健康状况，诸如通过提供关于由糖尿病引起的健康状况的信息、如何联系医疗提供者、如何联系cgm平台112的客户支持表示、关于cgm系统104的易用性的信息、关于cgm系统104的信息、关于其他患有糖尿病的人和他们的生活的信息等等。实际上，在不背离所描述技术的精神或范围的情况下，数字内容构件1610可以包括各种信息。
[0262]
还应理解，诸如当用户输入像“跟踪血糖”、“血液如何糖会影响表现”、“血糖运动表现”、“血糖和心理表现”等的搜索查询，这些技术也可被部署用于与cgm系统104和cgm平台112的潜在“商业”用户进行通信。这样的用户还可以使用参与状态模型604被确定为处于一种状态，该状态捕获他们的作为处于查询阶段或选择阶段的阶段，但为“商业”用户角色而不是“患者”角色。
[0263]
可以部分地通过基于用户的当前状态定制健康相关数字内容来控制健康相关数字内容的输出。换言之，系统可以定制、选择或生成健康相关的数字内容，其中包括与用户当前角色和参与cgm系统的阶段相关的信息。例如，如果系统确定用户以商业用户角色处于查询阶段或选择阶段，则cgm平台可以定制健康相关数字内容以包括与使用cgm系统改善用户健康有关的信息。相反，如果系统基于用户的健康相关搜索查询确定用户处于查询阶段或选择阶段，而且用户可能患有糖尿病前期，那么系统可以定制健康相关数字内容以进一步包括有关由糖尿病引起的健康状况、如何联系医疗服务提供者等的更多信息。因此，与健康相关的数字内容中包含的信息以及递送方法可以动态变化以适应用户的不同状态。
[0264]
已经描述了根据一个或多个实施方式的示例性程序，现在考虑可以用于实现这里描述的各种技术的示例性系统和设备。
[0265]
示例性系统和设备
[0266]
图22总体上在2200处示出了示例性系统，该示例性系统包括示例性计算设备
2202，其表示可以实现本文描述的各种技术的一种或多种计算系统和/或设备。这通过包含cgm平台112来说明。例如，计算设备2202可以是服务提供商的服务器、与客户端相关联的设备(例如，客户端设备)、片上系统和/或任何其他合适的计算设备或计算系统。
[0267]
如图所示的示例性计算设备2202包括处理系统2204、一个或多个计算机可读介质2206、以及一个或多个相互通信耦合的i/o接口2208。尽管未示出，但计算设备2202还可以包括将各种构件相互耦合的系统总线或其他数据和命令传输系统。系统总线可以包括不同总线结构中的任何一种或组合，诸如内存总线或内存控制器、外围总线、通用串行总线和/或利用多种总线架构中的任一种的处理器或本地总线。还设想了多种其他实施例，诸如控制线和数据线等。
[0268]
处理系统2204表示通过使用硬件执行一个或多个操作的功能。因此，处理系统2204被示为包括硬件元件2210，所述硬件元件2210可以被配置为处理器、功能块等的。这可以包括在硬件中实现为使用一个或多个半导体形成的专用集成电路或其他逻辑设备。硬件元件2210不受形成它们的材料或其中采用的处理机制的限制。例如，处理器可以包括半导体和/或晶体管(例如，电子集成电路(ic))。在这样情况下，处理器可执行指令可以是电子可执行指令。
[0269]
计算机可读介质2206被示为包括内存/存储器2212。内存/存储器2212表示与一个或多个计算机可读介质相关联的内存/存储容量。内存/存储器构件2212可以包括易失性介质(诸如随机存取存储器(ram))和/或非易失性介质(诸如只读存储器(rom)、闪存、光盘、磁盘等)。内存/存储器构件2212可以包括固定介质(例如，ram、rom、固定硬盘驱动器等)以及可移动介质(例如，闪存、可移动硬盘驱动器、光盘等)。计算机可读介质2206可以以如下文进一步描述的多种其他方式来配置。
[0270]
输入/输出接口2208表示允许用户向计算设备2202输入命令和信息并且还允许使用各种输入/输出设备将信息呈现给用户和/或其他构件或设备的功能。输入设备的实施例包括键盘、光标控制设备(例如，鼠标)、麦克风、扫描仪、触摸功能(例如，被配置为检测物理触摸的电容或其他传感器)、相机(例如，可以使用可见或不可见波长(诸如红外频率)将运动识别为不涉及触摸的手势)等等。输出设备的实施例包括显示设备(例如，监控器或投影仪)、扬声器、打印机、网卡、触觉响应设备等。因此，计算设备2202可以如下文进一步描述的多种方式配置以支持用户交互。
[0271]
可以在软件、硬件元件或程序模块的一般情况中描述各种技术。通常，此类模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、元素、构件、数据结构等。如本文所用，术语“模块”、“功能”和“构件”通常表示软件、固件、硬件或其组合。这里描述的技术的特征是平台无关的，这意味着这些技术可以在具有各种处理器的各种商业计算平台上实现。
[0272]
所描述的模块和技术的实施方式可以存储在某种形式的计算机可读介质上或通过某种形式的计算机可读介质传输。计算机可读介质可包括可由计算设备2202访问的多种介质。举例说明而非限制，计算机可读介质可以包括“计算机可读存储介质”和“计算机可读信号介质”。
[0273]“计算机可读存储介质”可以指与单纯的信号传输、载波或信号本身相比，能够实现信息的持久性和/或非暂时性存储器的介质和/或设备。因此，计算机可读存储介质是指
非信号承载介质(non-signal bearing media)。计算机可读存储介质包括诸如易失性和非易失性、可移动和不可移动介质之类的硬件和/或以适用于存储信息的方法或技术实现的存储设备，所述信息诸如是计算机可读指令、数据结构、程序模块、逻辑元件/电路或其他数据。计算机可读存储介质的实施例可以包括但不限于ram、rom、eeprom、闪存或其他内存技术、cd-rom、数字通用磁盘(dvd)或其他光学存储器、硬盘、盒式磁带、磁带、磁盘存储或其他磁性存储设备，或其他存储设备、有形介质或适合存储所需信息且可由计算机访问的制品。
[0274]“计算机可读信号介质”可以指代被配置为诸如经网络向计算设备2202的硬件传输指令的信号承载介质。信号介质通常可以包含计算机可读指令、数据结构、程序模块或调制数据信号中的其他数据，例如载波、数据信号或其他传输机制。信号介质还包括任何信息传递介质。术语“调制数据信号”是指以对信号中的信息进行编码的方式设置或改变其一个或多个特性的信号。举例说明而非限制，通信介质包括诸如有线网络或直连的有线介质，以及诸如声学、rf、红外线和其他无线介质的无线介质。
[0275]
如前所述，硬件元件2210和计算机可读介质2206表示以硬件形式实现的模块、可编程设备逻辑和/或固定设备逻辑，其可以在一些实施方式中用于实现本文描述的技术的至少一些方面，例如执行一个或多个指令。硬件可以包括集成电路或片上系统的构件、专用集成电路(asic)、现场可编程门阵列(fpga)、复杂可编程逻辑器件(cpld)和以及硅或其他硬件中的其他实施方式。在这种情况下，硬件可以作为执行由硬件所包含的指令和/或逻辑所定义的程序任务的处理设备，以及用于存储用于执行的指令的硬件，例如前面描述的计算机可读存储介质。
[0276]
前述的组合也可用于实施本文所述的各种技术。因此，软件、硬件或可执行模块可以被实现为包含在某种形式的计算机可读存储介质上和/或由一个或多个硬件元件2210实现的一个或多个指令和/或逻辑。计算设备2202可以被配置为实现与软件和/或硬件模块相对应的特定指令和/或功能。因此，可以至少部分地在硬件中实现可由计算设备2202执行作为软件的模块的实施方式，例如，通过使用处理系统2204的计算机可读存储介质和/或硬件元件2210。指令和/或功能可以由一种或多种制品(例如，一种或多种计算设备2202和/或处理系统2204)执行/操作以实现本文描述的技术、模块和实施例。
[0277]
这里描述的技术可以由计算设备2202的各种配置支持并且不限于这里描述的技术的具体实施例。该功能还可以全部或部分地通过使用分布式系统来实现，诸如通过如下所述的平台2216在“云端”2214上实现。
[0278]
云端2214包括和/或表示资源2218的平台2216。平台2216抽取云端2214的硬件(例如，服务器)和软件资源的底层功能。资源2218可以包括在远程于计算设备2202的服务器上执行计算机处理时可以使用的应用程序和/或数据。资源2218还可以包括通过因特网和/或通过诸如蜂窝或wi-fi网络的订户网络提供的服务。
[0279]
平台2216可以抽取资源和功能以将计算设备2202与其他计算设备连接。平台2216还可以用于抽取资源的缩放，以向所遇到的对经由平台2216实现的资源2218的需求提供相应级别的缩放。因此，在互连设备实施方式中，这里描述的功能的实现方式可以分布在整个系统2200中。例如，该功能可以部分地在计算设备2202上以及通过抽取云2214的功能的平台2216来实现。
[0280]
结论
[0281]
尽管系统和技术已经以特定于结构特征和/或方法行为的语言进行了描述，但是应当理解，在所附权利要求中定义的系统和技术不一定限于所描述的特定特征或行为。相反，具体特征和动作被公开为实现要求保护的主题的示例形式。