用于确定血糖反应的改进方法与流程

用于确定血糖反应的改进方法
1.本发明涉及一种用于确定血糖曲线中的基线的方法，一种用于确定个体对至少一个影响因素的血糖反应的方法，一种用于预测个体的营养类型的方法，一种用于预测个体对至少一个影响因素的血糖反应的方法，一种用于确定个体的个性化生活方式推荐的方法以及一种用于确定个性化饮食的组成的方法及其制备方法。
2.餐后血糖反应(ppgr)是人类的新陈代谢健康和预防及治疗血糖相关疾病(诸如2型糖尿病(dmt2))的关键因素。已经进行了大量研究以了解不同食品对人类的健康和ppgr的影响。高血糖营养导致血糖水平快速升高，并响应于此，大量分泌胰岛素到血流中，以便将葡萄糖吸收到细胞中并将其转化为糖原。由葡萄糖和胰岛素水平的这种过度峰值引起的问题是，响应于胰岛素分泌从血流中吸收葡萄糖并与之相关的降低的血糖水平引发饥饿感，尽管原则上已经消耗了足够量的能量。饥饿感通常会导致反复的食物摄入，这通常会导致超过个体每日能量需求的能量摄入并导致体重逐渐增加。除此之外，在长时间段内以响应于高血糖营养的胰岛素的频繁和过度分泌会导致细胞表面上的胰岛素受体的下调和胰岛素抵抗。由于胰岛素抵抗，观察到慢性升高的血糖水平导致各种血糖相关的疾病和病症。如今，低血糖营养和避免血糖水平过度峰值被认为降低患某些慢性疾病的风险，并有利于治疗大量疾病和病症，例如dmt2、多囊卵巢综合征(pcos)、偏头痛、非酒精性脂肪肝(nafld)等等。
3.最近的研究表明，响应于某种食品的摄入后的血糖水平很大程度上取决于个体本身，其中无法就对特定食品的反应做出一般性陈述(ridaura等人，来自肥胖症的不对等双细胞的肠道微生物群调节小鼠的新陈代谢，2013年，《科学》，第341卷；zeevi等人，通过预测血糖反应的个性化营养，2015年，《细胞》，第163(5)卷)。对不同影响因素(例如对某种食品)的血糖反应在不同个体之间之间可能有非常大差异。即使在单个个体中，血糖反应也取决于各个方面，例如但不限于日间时间、一般健康状况和药物。目前，在考虑可能的进一步干扰影响因素的情况下，个体的血糖反应的确定需要响应于特定影响因素(例如对特定食品的消耗或对身体活动)的血糖曲线的精确和个体化测量。可以通过使用连续血糖传感器和包括生活方式的各个方面(例如用于记录身体活动、食物摄入、健康、症状、疼痛、药物、排卵期或睡眠)的日记的应用程序来完成血糖反应的分析和监测。基于这样的信息，可以确定个性化的生活方式推荐，特别是对个性化低血糖饮食的推荐，以维持或改进个体的健康或治疗和/或预防血糖相关的疾病和/或病症。
4.目前，计算实际血糖反应的标准是基于曲线下面积(auc)计算，auc计算也被用于广泛使用的血糖指数(gi)的确定(jenkins等人，低血糖指数饮食的新陈代谢效应，1987年，《美国临床营养学杂志》，第46(6)卷)。ppgr与不同食品的可比较性需要计算方法的标准化。在各种研究中，已经比较了用于确定auc的不同方法和变体(potteiger等人，分析超重成人锻炼九个月后曲线下葡萄糖和胰岛素面积的方法的比较，2002年，int j.obes.relat.metab.disord.，第26(1)卷；schnell等人，在临床试验中连续血糖监测的作用：报告建议，2017年，《糖尿病技术及其改进》，第19(7)卷)。根据这些研究，建议将增量auc(iauc)作为血糖曲线的分析的黄金标准。血糖基线描述了用作auc计算的基础的初始血糖
水平。不难想象，auc的精确可靠的确定很大程度上取决于设置基线的方法。这通常是一项艰巨且被低估的任务，尤其是在一天中，可以观察到通常响应于影响因素(例如，食物摄入、身体和心理活动、药物、压力、疾病进展或睡眠模式)的个体的血糖水平中的强烈波动，并且影响血糖水平的不同因素经常在时间上重叠。
5.为了血糖曲线的基线的确定，通常使用夜间的最后几个小时的血糖水平、早上的空腹血糖、首次确定的血糖值或血糖水平的日中值(zeevi等人，通过预测血糖反应的个性化营养，2015年，《细胞》，第163(5)卷；brouns等人，2005年，血糖指数方法论，《营养研究评论》，第18卷，第145-171页)。在夜间的最后几个小时中的血糖水平的使用与各种缺点相关联。血糖水平受睡眠的数量和质量的影响，并且测量精度通常会因睡眠姿势而受到负面影响。早上的空腹血糖也随着睡眠的质量和数量而变化。
6.现有技术中确定和设置血糖曲线的基线的方法或者是基于个体在特定时间点的某个血糖水平，或者是基于数学计算，例如计算某个时间间隔中测量的血糖水平的平均值或中位值。然而，这些方法没有具体考虑特定的外源性和内源性影响因素，特别是特定影响因素的性质、持续时间和程度，这些特定影响因素会导致(特别是在多于一个影响因素影响个体的血糖曲线进展的情况下)个体在给定时间间隔内的血糖曲线进展。因此，在现有技术中使用的用于确定血糖基线的方法不提供用于正确设置血糖基线的稳健值，因此该方法不允许个体对摄入某些食品的血糖反应和/或个体对其他影响因素的血糖反应的精确且可靠的确定。
7.本发明通过独立权利要求的主题，特别是通过提供一种用于确定血糖曲线中的基线的改进方法，特别是一种用于确定血糖曲线中的基线的改进的计算机实施方法，克服了现有技术中的缺点。
8.本发明涉及一种用于确定血糖曲线中的基线的方法，该方法包括：
9.a)提供包括个体的血糖曲线的训练数据，个体的血糖曲线包括影响因素核算基线，
10.b)对步骤a)中提供的训练数据进行机器学习过程，以获得用于血糖曲线中的基线的自动确定的训练算法，以及
11.c)通过在血糖曲线上应用训练算法来确定血糖曲线中的基线。
12.因此，本发明尤其涉及一种通过使用已经用包括影响因素核算基线的训练数据来训练的算法而精确且可靠地确定血糖曲线中的基线的方法。因此，步骤a)中提供的训练数据包括个体的血糖曲线，其中，训练数据的每条血糖曲线包括考虑到影响个体的至少一个影响因素以及响应于该至少一个影响因素的个体的血糖曲线的相应进展而已经设置的基线。优选地，训练数据的血糖曲线中的每个影响因素核算基线是在已经考虑了导致来自血糖曲线进展的血糖曲线进展的偏差的至少一个因素的情况下被明确地确定的，该血糖曲线进展将在缺乏至少一个影响因素的情况下来获得。因此，训练数据的血糖曲线中的影响因素核算基线不是简单地基于个体在某个时间的血糖水平的确定或者构成在预定的时间段期间监测的血糖水平的平均值的结果，而是单独地基于导致来自血糖曲线进展(该血糖曲线进展将在缺乏至少一个影响因素的情况下被获得)的血糖曲线进展的偏差的至少一个影响因素的信息，特别是导致来自血糖曲线进展(该血糖曲线进展将在缺乏至少一个影响因素的情况下被获得)的血糖曲线进展的偏差的至少一个影响因素的性质、持续时间和程度，
而被单独地设置。因此，在一个优选实施例中，影响因素核算基线是通过将至少一个影响因素的影响分配给个体的血糖曲线进展并通过设置不受至少一个影响因素影响的相应基线而获得的基线。根据本发明，训练数据的血糖曲线的影响因素核算基线尚未仅是数学上被确定的，特别是尚未仅基于在特定时间测量的血糖水平或仅基于测量的血糖水平的平均值来被确定。优选地，影响因素核算基线是尚未在数学上确定的基线，特别是已经基于在特定时间测量的血糖水平或基于测量的血糖水平的平均值而确定的基线。在特定优选的实施例中，血糖曲线的影响因素核算基线是基于专家知识而确定的，特别是由有资格的专家，最好是营养学家、营养科学家和/或医生而确定的。在另一优选的实施例中，影响因素核算基线是由(特别是从营养学家、营养科学家和/或医生中选出的)至少两名不同的有资格的专家确定的基线。在本发明的另一优选的实施例中，由能够对血糖曲线中的基线的准确进展提出独立的或新的意见的主体或客体来确定血糖曲线的影响因素核算基线。优选地，血糖曲线的影响因素核算基线已经由人或由计算机确定。优选地，影响因素核算基线由人或计算机确定，特别是由有资格的专家，最好是营养学家、营养科学家和/或医生确定，影响因素核算基线取决于至少一种影响因素对血糖曲线的进展的影响，特别是取决于导致来自血糖曲线进展(该血糖曲线进展将在缺乏至少一个影响因素的情况下被获得)的血糖曲线进展的偏差的至少一个影响因素的信息。根据本发明，然后对训练数据进行机器学习过程，在此过程中训练算法，该算法可以自动确定个体的血糖曲线中的基线。以这种方式获得的训练算法是基于对个体的血糖曲线中的某些模式的识别。特别地，训练算法有利地确定准确的基线，该基线计算了响应于至少一个影响因素的个体的血糖曲线的特定进展。这种准确确定的能力是基于在机器学习过程中使用的训练数据，特别是包括基线的个体的血糖曲线，已经在考虑到影响个体的至少一个影响因素的情况下来设置该基线。在根据本发明的方法的下一步骤中，将训练算法应用于不包括血糖基线的个体的血糖曲线，从而获得包括自动确定的基线的血糖曲线。以包括由训练算法自动确定的基线的个体的血糖曲线为基础，有利地可以精确且可靠地计算个体的血糖反应。血糖反应的确定不存在与现有技术中使用的基线确定方法相关联的缺点，特别是通过基于夜间的最后几个小时的血糖水平、早上的空腹血糖、首次确定的血糖值或血糖水平的日中值来计算基线的缺点。通过这种方式，可以更准确地确定个体的血糖反应，特别是在多于一个影响因素影响血糖水平的情况下。
13.在本发明的优选的实施例中，步骤a)中提供的训练数据包括个体的长期血糖曲线，该个体的长期血糖曲线包括影响因素核算基线，特别地，个体的血糖曲线是测量至少1分钟、优选至少5分钟、优选至少10分钟、优选至少20分钟、优选至少30分钟、优选至少40分钟、优选至少50分钟、优选至少1小时、优选至少2小时、优选至少3小时、优选至少4小时、优选至少5小时、优选至少6小时、优选至少7小时、优选至少8小时、优选至少9小时、优选至少10小时、优选至少11小时、优选至少12小时、优选至少13小时、优选至少14小时、优选至少15小时、优选至少16小时、优选至少17小时、优选至少18小时、优选至少19小时、优选至少20小时、优选至少21小时、优选至少22小时、优选至少23小时、优选至少24小时，该个体的血糖曲线包括影响因素核算基线。
14.特别优选地，步骤a)中提供的训练数据包括个体的全天血糖曲线，该个体的全天血糖曲线包括影响因素核算基线。
15.优选地，步骤a)中提供的训练数据包括响应于至少一个影响因素的个体的血糖曲
线，该个体的血糖曲线包括影响因素核算基线。在本发明的特别优选的实施例中，步骤a)中提供的训练数据包括个体的长期血糖曲线，特别是个体的全天血糖曲线，个体的长期血糖曲线包括影响因素核算基线和响应于至少一个影响因素的个体的血糖曲线，该个体的血糖曲线包括影响因素核算基线。
16.优选地，训练数据的目标变量是a)响应于至少一个影响因素的个体的血糖曲线，该个体的血糖曲线具有影响因素核算基线，特别是专家设置的基线，以及b)可以可靠地为响应于至少一个影响因素的个体的血糖曲线设置基线的置信度。
17.在本发明的优选的实施例中，训练数据的输入变量是源自以下各项的特征：a)测量的原始葡萄糖值，b)由个体在相应时间框架内提供的关于至少一个影响因素的信息，以及c)关于至少一个个体特定影响因素的信息，特别是选自以下各项的信息：个体的年龄、个体的性别、个体的体重、个体的身高、个体的体质指数(bmi)、腰臀围比例、人体温度、基础代谢率、肠道微生物群组成、代谢组组成、个体的基因组和/或个体的睡眠行为，特别是每日的睡眠时间和起床时间。
18.在本发明的另一优选的实施例中，在步骤b1)中基于验证数据评估在步骤b)中获得的用于血糖曲线中的基线的自动确定的训练算法。优选地，验证数据包括个体的长期血糖曲线，特别是个体的全天血糖曲线，个体的长期血糖曲线包括影响因素核算基线和/或响应于至少一个影响因素的个体的血糖曲线，该个体的血糖曲线包括影响因素核算基线。
19.在本发明的优选的实施例中，在步骤a)中提供的训练数据包括至少10个、优选至少50个、优选至少100个、优选至少250个、优选至少500个、优选至少750个、优选至少1000个、优选至少2500个、优选至少5000个、优选至少7500个、优选至少10000个、优选至少25000个、优选至少50000个个体的血糖曲线，特别是个体的血糖曲线对。
20.在本发明的优选的实施例中，步骤b1)中使用的验证数据包括至少10个、优选至少50个、优选至少100个、优选至少250个、优选至少500个、优选至少750个、优选至少1000个、优选至少2500个、优选至少5000个、优选至少7500个、优选至少10000个、优选至少25000个、优选至少50000个个体的血糖曲线。
21.在另一优选的实施例中，机器学习过程是监督机器学习过程。
22.在特定优选的实施例中，机器学习过程是基于选自由以下各项组成的组的算法：线性回归、逻辑回归、支持向量机、决策树、随机森林、k-最近邻(knn)、k-均值聚类、朴素贝叶斯、主成分分析(pca)、超稀疏线性整数模型(slim)、神经网络、梯度提升树回归。
23.在本发明的特定优选的实施例中，通过在不包括基线的个体的血糖曲线上执行在步骤b)中获得的训练算法来执行步骤c)中血糖基线的确定。
24.在本发明的特定优选的实施例中，由训练算法确定的基线是全天基线，特别是单日内观察到的个体的血糖曲线的基线。在另一优选的实施例中，由训练算法确定的基线不是全天基线。
25.优选地，由训练算法确定的基线是关于特定时间间隔的基线，例如30分钟、优选45分钟、优选1小时、优选2小时、优选3小时、优选4小时、优选5小时、优选6小时、优选7小时、优选8小时、优选9小时、优选10小时、优选11小时、优选12小时、优选13小时、优选14小时、优选15小时、优选16小时、优选17小时、优选18小时、优选19小时、优选20小时、优选21小时、优选22小时、优选23小时、优选24小时、优选从起床时间到睡眠时间、优选从睡眠时间到起床时
间的时间间隔。
26.在本发明的另一优选的实施例中，由训练算法确定的基线是响应于特定影响因素的血糖曲线的基线，例如在特定影响因素之后(例如在摄入特定餐之后或身体锻炼之后)，观察30分钟、优选45分钟、优选1小时、优选2小时、优选3小时、优选4小时、优选5小时的血糖曲线的基线。
27.根据本发明的另一优选的实施例，在步骤c)中，训练算法确定自动确定的基线的质量，特别是确定确定系数(r2)。
28.优选地，训练算法还确定自动确定的全天基线的质量，特别是确定全天基线的确定系数(r2)。
29.在本发明的另一优选的实施例中，训练算法确定关于特定时间间隔的自动确定的基线的质量，特别是确定关于特定时间间隔的基线的确定系数(r2)。
30.在本发明的另一优选的实施例中，训练算法确定响应于特定影响因素的血糖曲线的自动确定的基线的质量，例如，在特定影响因素之后，观察30分钟、优选45分钟、优选1小时、优选2小时、优选3小时、优选4小时的血糖曲线的基线，特别是确定响应于特定影响因素的血糖曲线的基线的确定系数(r2)。
31.优选地，在步骤c)中确定的血糖曲线中的基线(优选全天基线，优选关于特定时间间隔的基线，优选响应于特定影响因素的血糖曲线的基线)的确定系数(r2)为至少0.8、优选至少0.81、优选至少0.82、优选至少0.83、优选至少0.84、优选至少0.85、优选至少0.86、优选至少0.87、优选至少0.88、优选至少0.89、优选至少0.9、优选至少0.91、优选至少0.92、优选0.93、优选至少0.94、优选至少0.95、优选至少0.96、优选至少0.97、优选至少0.98、优选至少0.99。
32.在另一优选的实施例中，在步骤c)中确定的血糖曲线中的基线(优选全天基线，优选关于特定时间间隔的基线，优选响应于特定影响因素的血糖曲线的基线)的确定系数(r2)是0.8到1、优选0.85到1、优选0.9到1、优选0.95到1。
33.在本发明的优选的实施例中，步骤c)中的血糖曲线，特别是通过应用训练算法来确定基线的血糖曲线，是响应于至少一个影响因素的个体的血糖曲线。
34.在本发明的另一实施例中，用于确定血糖曲线中的基线的方法还包括步骤d)分析响应于至少一个影响因素的具有由训练算法确定的基线的个体的血糖曲线，以及步骤e)确定个体对至少一个影响因素的血糖反应。根据本发明的特定实施例，用于确定血糖曲线中的基线的方法包括步骤a)、b)、c)、d)和e)以及确定个体对至少一个影响因素的血糖反应的方法。
35.本发明还涉及一种用于确定个体对至少一个影响因素的血糖反应的方法，特别是一种用于确定个体对至少一个影响因素的血糖反应的计算机实施方法，该方法包括：
36.aa)提供响应于至少一个影响因素的个体的至少一个血糖曲线，
37.bb)将根据本发明的确定血糖曲线中的基线的方法的步骤b)中获得的训练算法应用于步骤aa)中提供的至少一个血糖曲线，以获得具有自动确定的基线的个体的至少一个血糖曲线，以及
38.cc)分析在步骤bb)中获得的至少一个血糖曲线以确定个体对至少一个影响因素的血糖反应。
39.因此，根据本发明的用于确定个体对至少一个影响因素的血糖反应的方法包括在步骤aa)中提供响应于至少一个影响因素的个体的至少一个血糖曲线。在随后的步骤bb)中，将根据本发明的用于确定血糖曲线中的基线的方法的步骤b)中获得的训练算法应用于响应于步骤aa)中提供的至少一个影响因素的个体的至少一个血糖曲线，以获得具有自动确定的基线的个体的至少一个血糖曲线。最后，在用于确定个体对至少一个影响因素的血糖反应的方法的步骤cc)中，分析在步骤bb)中获得的至少一个血糖曲线以确定个体对至少一个影响因素的血糖反应。
40.在本发明的特定优选的实施例中，步骤e)或cc)中血糖反应的确定是基于曲线下面积(auc)的计算，特别是曲线下增量面积(iauc)，特别是在考虑自动确定的血糖基线的情况下。
41.在本发明的优选的实施例中，步骤e)或cc)中血糖反应的确定是基于来自响应于至少一个影响因素的自动确定的血糖基线的血糖曲线的最大偏差的计算，特别是与响应于至少一个影响因素的自动确定的血糖基线相关的血糖水平的最大增加。在本发明的特定优选的实施例中，步骤e)或cc)中的血糖反应的确定是基于关于自动确定的血糖基线(特别是相关于根据本发明的确定血糖曲线中的基线的方法确定的血糖基线)的餐后血糖浓度峰值的计算。
42.在本发明的另一优选的实施例中，步骤e)或cc)中血糖反应的确定是基于对响应于至少一个影响因素的血糖曲线的数学推导的计算，特别是响应于至少一个影响因素的血糖曲线的斜率的计算，优选响应于至少一个影响因素的血糖曲线的最陡峭的下降或上升的计算。
43.在本发明的优选的实施例中，测量(优选持续测量，特别是通过使用血糖传感器来测量)个体的血糖水平。可以使用任何合适的设备来作为血糖传感器。优选地，血糖传感器是连续葡萄糖监测(cgm)传感器，例如dexcom g6、freestyle libre或类似的设备。
44.优选地，个体对影响个体的至少一个影响因素的血糖反应与关于至少一个影响因素的数据有关联，优选与日记中提供的生活方式的各个方面的数据有关联，特别是关于日间时间、睡眠的持续时间、个体的年龄、个体的性别、个体的体重、个体的身高、个体的体质指数(bmi)、腰臀围比例、人体温度、基础代谢率、个体肠道中的微生物群组成、代谢组组成、个体的基因组、身体活动的类型、身体活动的持续时间、心理活动的类型、心理活动的持续时间、食物的类型、食物的组成、食物数量、食物消耗的时间、健康状况、药物的类型和/或药物的剂量的信息。
45.在本发明的另一优选的实施例中，在预定的时间段内，优选地通过使用血糖传感器，特别是连续葡萄糖监测(cgm)传感器，测量(优选持续测量)个体的血糖水平。
46.优选地，在预定时间段内个体对影响个体的至少一个影响因素的每个血糖反应与关于至少一个影响因素的数据有关联，优选与在日记中提供的生活方式的各个方面的数据有关联，特别是关于日间时间、睡眠的持续时间、个体的年龄、个体的性别、个体的体重、个体的身高、个体的体质指数(bmi)、腰臀围比例、人体温度、基础代谢率、个体肠道中的微生物群组成、代谢组组成、个体的基因组、身体活动的类型、身体活动的持续时间、心理活动的类型、心理活动的持续时间、食物的类型、食物的组成、食物数量、食物消耗的时间、健康状况、药物的类型和/或药物的剂量的信息。
47.在优选的实施例中，以30秒、优选1分钟、优选2分钟、优选3分钟、优选4分钟、优选5分钟、优选6分钟、优选7分钟、优选8分钟、优选9分钟、优选10分钟、优选15分钟的间隔来测量个体的血糖水平。
48.优选地，以至少每15分钟、优选至少每10分钟、优选至少每9分钟、优选至少每8分钟、优选至少每7分钟、优选至少每6分钟、优选每5分钟、优选每4分钟、优选每3分钟、优选每2分钟、优选每1分钟、优选每30秒来测量个体的血糖水平。
49.在本发明的另一优选的实施例中，预定时间段为至少1天、优选至少2天、优选至少3天、优选至少4天、优选至少5天、优选至少6天、优选至少7天、优选至少8天、优选至少9天、优选至少10天、优选至少11天、优选至少12天、优选至少13天、优选至少14天、优选至少3周、优选至少4周、优选至少1个月、优选至少2个月、优选至少3个月、优选至少4个月、优选至少6个月、优选至少8个月、优选至少10个月、优选至少12个月。
50.在本发明的另一优选的实施例中，在步骤e)或cc)中确定的个体对至少一个影响因素的血糖反应被包括在包括个体对不同影响因素的血糖反应的数据库中，优选被包括在包括不同个体对不同影响因素的血糖反应的数据库中，特别是包括被分类为相同营养类型的不同个体对不同影响因素的血糖反应的数据库。
51.在本发明的特定实施例中，除了步骤d)和e)之外，用于确定血糖曲线中的基线的方法还包括步骤f)使用营养类型分类模型将个体对至少一个影响因素的血糖反应分配给数据库中的不同个体对至少一个影响因素的一组血糖反应，以及步骤g)基于个体对至少一个影响因素的至少一种血糖反应来输出个体的营养类型。根据本发明的该特定实施例，用于确定血糖曲线中的基线的方法包括步骤a)、b)、c)、d)、e)、f)和g)，并且该方法是一种用于预测个体的营养类型的方法。
52.本发明还涉及一种用于预测个体的营养类型的方法，特别是一种用于预测个体的营养类型的计算机实施方法，该方法包括：
53.i)提供通过本发明的用于确定个体对至少一个影响因素的血糖反应的方法获得的个体对至少一个影响因素的至少一种血糖反应，
54.ii)使用营养类型分类模型将个体对至少一个影响因素的血糖反应分配给数据库中不同个体对至少一个影响因素的一组血糖反应，以及
55.iii)基于个体对至少一个影响因素的至少一种血糖反应来输出个体的营养类型。
56.根据本发明，数据库中不同个体对至少一个影响因素的血糖反应组对应于不同的营养类型。
57.在本发明的优选的实施例中，步骤f)或ii)的数据库中不同个体对的至少一个影响因素的血糖反应组内的对至少一个影响因素的血糖反应(特别是auc，优选iauc，与自动确定的血糖基线相关联的血糖水平的最大增加和/或响应于至少一个影响因素的血糖曲线的斜率的最大增加)彼此相差最多40％、优选最多35％、优选最多30％、优选最多25％、优选最多20％、优选最多18％、优选最多16％、优选最多15％、优选最多14％、优选最多13％、优选最多12％、优选最多11％、优选最多10％、优选最多9％、优选最多8％、优选最多7％、优选最多6％、优选最多5％、优选最多4％、优选最多3％、优选最多2％、优选最多2％、优选最多1％。
58.在本发明的另一优选的实施例中，在步骤f)或i)中个体对至少一个影响因素的至
少一种血糖反应与关于食物摄入的数据有关联，特别是与关于所消耗的食物的类型、组成和数量的数据有关联。优选地，步骤f)或i)中个体对至少一个影响因素的至少一种血糖反应与关于至少一个其他影响因素的数据有关联，特别是与关于至少一个个体特定影响因素的数据有关联。
59.在本发明的特定优选的实施例中，除了步骤d)和e)之外，用于确定血糖曲线中的基线的方法还包括步骤i)提供与至少一个影响因素有关的数据，步骤ii)将与至少一个影响因素有关的数据分配给数据库中的至少一种血糖反应，该数据库包括个体对不同影响因素的血糖反应，以及步骤iii)输出个体对至少一个影响因素的预测血糖反应。根据本发明的该特定实施例，用于确定血糖曲线中的基线的方法包括步骤a)、b)、c)、d)、e)、i)、ii)和iii)，并且该方法是一种用于预测个体对至少一个影响因素的血糖反应的方法。
60.本发明还涉及一种用于预测个体对至少一个影响因素的血糖反应的方法，特别是一种用于预测个体对至少一个影响因素的血糖反应的计算机实施方法，该方法包括：
61.x)提供与至少一个影响因素有关的数据，
62.y)将与至少一个影响因素有关的数据分配给数据库中的至少一种血糖反应，该数据库包括个体对不同影响因素的血糖反应，优选包括不同个体对不同影响因素的血糖反应，特别是包括被分类为相同营养类型的不同个体对不同影响因素的血糖反应，通过根据本发明的用于确定个体对至少一个影响因素的血糖反应的方法来获得该数据库中的血糖反应，以及
63.z)输出个体对至少一个影响因素的预测血糖反应。
64.在用于预测个体对至少一个影响因素的血糖反应的方法的步骤i)或步骤x)中，提供了关于讨论的至少一个影响因素的数据。优选地，数据包括关于日间时间、睡眠的持续时间、个体的年龄、个体的性别、个体的体重、个体的身高、个体的体质指数(bmi)、腰臀围比例、人体温度、基础代谢率、个体肠道中的微生物群组成、代谢组组成、个体的基因组、身体活动的类型、身体活动的持续时间、心理活动的类型、心理活动的持续时间、食物的类型、食物的组成、食物数量、食物消耗的时间、健康状况、药物的类型和/或药物的剂量的信息。在随后的步骤ii)或y)中，该数据被分配给数据库中的至少一种血糖反应，该数据库包括个体对不同影响因素的血糖反应，优选包括不同个体对不同影响因素的血糖反应，特别是被分类为相同营养类型的不同个体对不同影响因素的血糖反应，特别是其中已经通过根据本发明的用于确定个体对至少一个影响因素的血糖反应的方法来获得数据库中的血糖反应，因此以具有自动确定的基线的个体的血糖曲线为基础来确定数据库中的血糖反应。基于将与至少一个影响因素有关的数据分配给个体对至少一个影响因素的特定血糖反应，优选分配给不同个体对至少一个影响因素的特定血糖反应，特别是分配给被分类为相同营养类型的不同个体对至少一个影响因素的特定血糖反应，做出个体对至少一个影响因素的血糖反应的预测，并将该预测指示给个体。预测的血糖反应有利地使个体能够估计单个影响因素或各种影响因素的组合对个体的血糖水平的影响，特别是程度和持续时间。通过这种方式，个体可以例如估计在给定时间特定食物的消耗对血糖水平升高的程度和持续时间的影响。
65.在数据库不包括个体对所讨论的至少一个影响因素的血糖反应的情况下，优选地，个体对所讨论的至少一个影响因素的血糖反应或不同个体对所讨论的至少一个影响因素的血糖反应，特别是被分类为相同营养类型的不同个体对所讨论的至少一个影响影响因
素的血糖反应，做出将数据分配给个体对至少一个影响因素的血糖反应，优选地分配给不同个体对至少一个影响因素的血糖反应，特别是分配给被分类为相同营养类型的不同个体对至少一个影响因素的血糖反应，其中，基于与步骤i)或x)中提供的至少一个影响因素有关的数据，至少一个影响因素与所讨论的至少一个影响因素是可比较的。在特定优选的实施例中，可比较的影响因素是本领域技术人员认为与所讨论的至少一个影响因素最相似的因素。根据该特定的实施例，可以想到与所讨论的影响因素有关的数据包括在下午5点摄入了200克马铃薯的信息。然而，该数据库包括例如个体，优选不同个体，特别是被分类为相同营养类型的不同个体对在下午6点摄入250克马铃薯的血糖反应。在数据库不包括个体对所讨论的至少一个影响因素(所讨论的至少一个影响因素的相应的至少一个影响因素更接近于所讨论的至少一个影响因素，特别是与所讨论的至少一个影响因素最接近)的任何血糖反应，优选不同个体对所讨论的至少一个影响因素的任何血糖反应，特别是被分类为相同营养类型的不同个体对所讨论的至少一个影响因素的任何血糖反应的情况下，则数据库中的个体，优选不同个体，特别是被分类为相同营养型的不同个体的所述特定血糖反应被用于个体对所讨论的至少一个影响因素的血糖反应的预测，特别是用于个体对在下午5点摄入200克马铃薯的血糖反应的预测。
66.在本发明的优选的实施例中，数据库中不同个体对不同影响因素的血糖反应被分配给个体的特定营养类型。根据该特定实施例，数据库包括被分配给相同营养类型的不同个体的血糖反应组。
67.在本发明的优选的实施例中，步骤ii)或y)的数据库包括不同个体对不同影响因素的血糖反应，特别是被分类为相同营养类型的不同个体对不同影响因素的血糖反应，通过根据本发明的用于确定个体对至少一个影响因素的血糖反应的方法来获得这些血糖反应。
68.因此，步骤ii)或y)的数据库可以包括个体对不同影响因素的血糖反应和/或不同个体对不同影响因素的血糖反应，特别是被分类为相同营养类型的不同个体对不同影响因素的血糖反应。
69.在本发明的另一优选的实施例中，步骤ii)或y)的数据库包括个体对不同影响因素的血糖反应和/或不同个体对不同影响因素的血糖反应，特别是被分类为相同营养类型的不同个体对不同影响因素的血糖反应。
70.在本发明的特定优选的实施例中，个体对不同影响因素的血糖反应和/或不同个体对不同影响因素的血糖反应，特别是步骤ii)或y)的数据库中被分类为相同营养类型的不同个体对不同影响因素的血糖反应均与关于至少一个影响因素的数据有关联，特别是与包括关于以下各项的信息的数据有关联：日间时间、睡眠的持续时间、个体的年龄、个体的性别、个体的体重、个体的身高、个体的体质指数(bmi)、腰臀围比例、人体温度、基础代谢率、个体肠道中的微生物群组成、代谢组组成、个体的基因组、身体活动的类型、身体活动的持续时间、心理活动的类型、心理活动的持续时间、食物的类型、食物的组成、食物数量、食物消耗的时间、健康状况、药物的类型和/或药物的剂量。
71.在本发明的优选的实施例中，将步骤ii)或y)的数据库中不同个体对不同影响因素的血糖反应分配给至少2种营养类型，优选至少3种营养类型，优选至少4种营养类型，优选至少5种营养类型，优选至少6种营养类型，优选至少7种营养类型，优选至少8种营养类
型，优选至少9种营养类型，优选至少10种营养类型，优选至少15种营养类型，优选至少20种营养类型。
72.在本发明的特定优选的实施例中，在步骤ii)或y)之前的步骤i1)或x1)中，分别基于营养类型分类模型，特别是通过根据本发明的用于预测个体的营养类型的方法，将个体分类为特定的营养类型。
73.优选地，在步骤i1)或x1)中，基于营养类型分类模型，特别是通过根据本发明的用于预测个体的营养类型的方法，将个体分类为特定的营养类型，该营养类型分类模型将步骤ii)或y)的数据库中个体对至少一个影响因素的至少一种血糖反应分配给不同个体对至少一个影响因素的可比较血糖反应组。
74.在另一优选的实施例中，在步骤i1)或x1)中，基于营养类型分类模型，特别是通过根据本发明的用于预测个体的营养类型的方法，将个体分类为特定的营养类型，该营养类型分类模型将关于至少一个个体特定影响因素的数据分配给具有至少一个相同的个体特定影响因素(优选至少两个相同的个体特定影响因素、优选至少三个相同的个体特定影响因素、优选至少三个相同的个体特定影响因素、优选至少四个相同的个体特定影响因素、优选至少五个相同的个体特定影响因素)的个体。
75.在本发明的特定优选的实施例中，在步骤i1)或x1)中，基于营养类型分类模型，特别是通过根据本发明的用于预测个体的营养类型的方法，将个体分类为特定的营养类型，该营养类型分类模型将关于至少一个个体特定影响因素的数据分配给具有至少一个可比较的个体特定影响因素(优选至少两个可比较的个体特定影响因素、优选至少三个可比较的个体特定影响因素、优选至少三个可比较的个体特定影响因素、优选至少四个可比较的个体特定影响因素、优选至少五个可比较的个体特定影响因素)的个体。
76.在本发明的另一优选的实施例中，营养类型分类模型是通过机器学习过程来获得，优选通过监督机器学习过程来获得，优选通过无监督机器学习过程来获得。
77.优选地，机器学习过程是基于选自由以下各项组成的组的算法：线性回归、逻辑回归、支持向量机、决策树、随机森林、k-最近邻(knn)、k-均值聚类、朴素贝叶斯、主成分分析(pca)、超稀疏线性整数模型(slim)、神经网络、梯度提升树回归。
78.优选地，不同个体对至少一个影响因素的可比较的血糖反应，特别是被分类为特定营养类型的不同个体对至少一个影响因素的可比较的血糖反应与个体对至少一个影响因素的血糖反应具有至少50％的同一性、优选至少55％的同一性、优选至少60％的同一性、优选至少65％的同一性、优选至少70％的同一性、优选至少75％的同一性、优选至少80％的同一性、优选至少85％的同一性、优选至少90％的同一性、优选至少91％的同一性、优选至少92％的同一性、优选至少93％的同一性、优选至少94％的同一性、优选至少95％的同一性、优选至少96％的同一性、优选至少97％的同一性、优选至少98％的同一性、优选至少99％的同一性、优选至少99.5％的同一性。
79.在本发明的特定优选的实施例中，在步骤ii)或y)中，将与步骤i)或x)中提供的至少一个影响因素有关的数据分配给包括不同个体对不同影响因素的血糖反应的数据库中的至少一种血糖反应，特别是包括被分类为相同营养类型的不同个体对不同影响因素的血糖反应的数据库中的至少一种血糖反应，特别是通过根据本发明的用于确定个体对至少一个影响因素的血糖反应的方法获得的至少一种血糖反应。
80.在另一优选的实施例中，随着个体对特定影响因素的血糖反应，特别是通过根据本发明的用于确定个体对至少一个影响因素的血糖反应的方法确定的个体对特定影响因素的血糖反应，步骤ii)或y)中的数据库被扩展，优选地被依次扩展。
81.优选地，随着不同的个体对特定影响因素的血糖反应，特别是随着被分类为相同营养类型的不同个体对特定影响因素的血糖反应，特别是通过根据本发明的用于确定个体对至少一个影响因素的血糖反应的方法确定的不同的个体对特定影响因素的血糖反应，步骤ii)或y)中的数据库被扩展，优选地被依次扩展。
82.在本发明的优选的实施例中，至少一个影响因素选自以下各项：食物摄入、身体活动、心理活动、药物、睡眠或其组合。
83.在本发明的另一优选的实施例中，与步骤i)或x)中提供的至少一个影响因素有关的数据包括关于日间时间、睡眠的持续时间、个体的年龄、个体的性别、个体的体重、个体的身高、个体的体质指数(bmi)、腰臀围比例、人体温度、基础代谢率、个体肠道中的微生物群组成、代谢组组成、个体的基因组、身体活动的类型、身体活动的持续时间、心理活动的类型、心理活动的持续时间、食物的类型、食物的组成、食物数量、食物消耗的时间、健康状况、药物的类型和/或药物的剂量的信息。
84.在本发明的优选的实施例中，与食物摄入有关的数据包括关于日间时间、睡眠的持续时间、个体的年龄、个体的性别、个体的体重、个体的身高、个体的体质指数(bmi)、腰臀围比例、人体温度、基础代谢率、个体肠道中的微生物群组成、代谢组组成、个体的基因组、身体活动的类型、身体活动的持续时间、心理活动的类型、心理活动的持续时间、食物的类型、食物的组成、食物数量、食物消耗的时间、健康状况、药物的类型和/或药物的剂量的信息。
85.在本发明的另一优选的实施例中，与身体活动有关的数据包括关于日间时间、睡眠的持续时间、个体的年龄、个体的性别、个体的体重、个体的身高、个体的体质指数(bmi)、腰臀围比例、人体温度、基础代谢率、个体肠道中的微生物群组成、代谢组组成、个体的基因组、身体活动的类型、身体活动的持续时间、心理活动的类型、心理活动的持续时间、健康状况、药物的类型和/或药物的剂量的信息。
86.在本发明的优选的实施例中，与心理活动有关的数据包括关于日间时间、睡眠的持续时间、个体的年龄、个体的性别、个体的体重、个体的身高、个体的体质指数(bmi)、腰臀围比例、人体温度、基础代谢率、个体肠道中的微生物群组成、代谢组组成、个体的基因组、身体活动的类型、身体活动的持续时间、心理活动的类型、心理活动的持续时间、健康状况、药物的类型和/或药物的剂量的信息。
87.在本发明的另一优选的实施例中，与药物有关的数据包括关于日间时间、睡眠的持续时间、个体的年龄、个体的性别、个体的体重、个体的身高、个体的体质指数(bmi)、腰臀围比例、人体温度、基础代谢率、个体肠道中的微生物群组成、代谢组组成、个体的基因组、身体活动的类型、身体活动的持续时间、心理活动的类型、心理活动的持续时间、健康状况、药物的类型和/或药物的剂量的信息。
88.在本发明的另一优选的实施例中，与睡眠有关的数据包括关于日间时间、睡眠的持续时间、个体的年龄、个体的性别、个体的体重、个体的身高、个体的体质指数(bmi)、腰臀围比例、人体温度、基础代谢率、个体肠道中的微生物群组成、代谢组组成、个体的基因组、
健康状况、药物的类型和/或药物的剂量的信息。
89.在本发明的优选的实施例中，该数据库包括个体对不同影响因素的至少10种、优选至少50种、优选至少100种、优选至少250种、优选至少500种、优选至少750种、优选至少1000种、优选至少2000种、优选至少3000种、优选至少4000种、优选至少5000种、优选至少7500种、优选至少10000种、优选至少25000种、优选至少50000种、优选至少100000种血糖反应。
90.在本发明的另一优选的实施例中，该数据库包括不同个体对不同影响因素的至少10种、优选至少50种、优选至少100种、优选至少250种、优选至少500种、优选至少750种、优选至少1000种、优选至少2000种、优选至少3000种、优选至少4000种、优选至少5000种、优选至少7500种、优选至少10000种、优选至少25000种、优选至少50000种、优选至少100000种血糖反应，特别是被分类为相同营养类型的不同个体对不同影响因素的血糖反应。
91.优选地，数据库包括个体，优选地不同个体，特别是被分类为相同营养类型的不同个体对至少两个不同的影响因素、优选地对至少三个不同的影响因素、优选地对至少四个不同的影响因素、优选地对至少五个不同的影响因素、优选地对至少六个不同的影响因素、优选地对至少七个不同的影响因素、优选地对至少八个不同的影响因素、优选地对至少九个不同影响因素、优选地对至少10个不同影响因素、优选地对至少15个不同影响因素、优选地对至少20个不同影响因素、优选地对至少25个不同影响因素、优选地对至少30个不同影响因素、优选地对至少35个不同的影响因素、优选地对至少40个不同影响因素、优选地对至少45个不同影响因素、优选地对至少50个不同影响因素、优选地对至少75个不同影响因素、优选地对至少100个不同影响因素、优选地对至少150个不同影响因素、优选地对至少200个不同影响因素、优选地对至少250个不同影响因素、优选地对至少500个不同影响因素、优选地对至少1000个不同影响因素、优选地对至少2000个不同影响因素的血糖反应。
92.在本发明的另一优选的实施例中，包括个体对不同影响因素的血糖反应的数据库，优选包括不同个体对不同影响因素的血糖反应的数据库，特别是包括被分类为相同营养类型的不同个体对不同影响因素的血糖反应的数据库，被本地存储，特别是被存储在计算机可读存储介质上。
93.在本发明的另一优选的实施例中，包括个体对不同影响因素的血糖反应的数据库，优选包括不同个体对不同影响因素的血糖反应的数据库，特别是包括被分类为相同营养类型的不同个体对不同影响因素的血糖反应的数据库，被全局存储，特别是被存储在服务器上。
94.在本发明的优选的实施例中，通过血糖反应分类模型，优选地由机器学习过程获得的血糖反应分类模型，来执行将与步骤i)或x)中提供的至少一个影响因素有关的数据分配给包括个体对不同影响因素的血糖反应的数据库中的至少一种血糖反应，优选地分配给包括不同个体对不同影响因素的血糖反应的数据库中的至少一种血糖反应，特别是步骤ii)或y)中分配给包括被分类为相同营养类型的不同个体对不同影响因素的血糖反应的数据库中的至少一种血糖反应。
95.优选地，机器学习过程是无监督机器学习过程。在本发明的另一实施例中，机器学习过程是监督机器学习过程。
96.优选地，机器学习过程是基于选自由以下各项组成的组的算法：线性回归、逻辑回
归、支持向量机、决策树、随机森林、k-最近邻(knn)、k-均值聚类、朴素贝叶斯、主成分分析(pca)、超稀疏线性整数模型(slim)、神经网络、梯度提升树回归。
97.在本发明的优选的实施例中，除了步骤d)和e)之外，用于确定血糖曲线中的基线的方法还包括步骤aa)提供与影响个体的至少一个影响因素有关的数据，步骤bb)将与影响个体的至少一个影响因素有关的数据分配给数据库中的至少一种血糖反应，该数据库包括个体对不同影响因素的血糖反应，步骤cc)基于步骤bb)的数据库中个体对影响个体的至少一个影响因素的血糖反应，计算个体的个性化生活方式推荐，以及步骤dd)输出个体的个性化生活方式推荐。根据本发明的该特定实施例，用于确定血糖曲线中的基线的方法包括步骤a)、b)、c)、d)、e)、aa)、bb)、cc)和dd)，以及该方法是一种用于确定个体的个性化生活方式推荐的方法。
98.在特定优选的实施例中，步骤bb)的数据库包括不同个体对不同影响因素的血糖反应，特别是被分类为相同营养类型的不同个体对不同影响因素的血糖反应，特别是不同个体对不同影响因素的血糖反应是通过根据本发明的用于确定个体对至少一个影响因素的血糖反应的方法来确定的。
99.本发明还涉及一种用于确定个体的个性化生活方式推荐的方法，特别是一种用于确定个体的个性化生活方式推荐的计算机实施方法，该方法包括以下步骤：
100.i)提供包括个体对不同影响因素的血糖反应的数据库，优选包括不同个体对不同影响因素的血糖反应的数据库，特别是包括被分类为相同营养类型的不同个体对不同影响因素的血糖反应的数据库，个体对不同影响因素的血糖反应是通过根据本发明的用于确定个体对至少一个影响因素的血糖反应的方法来确定的，
101.ii)提供与影响个体的至少一个影响因素有关的数据，
102.iii)基于步骤i)中提供的数据库中个体对影响个体的至少一个影响因素的血糖反应，优选地基于步骤i)中提供的数据库中不同个体对影响个体的至少一个影响因素的血糖反应，特别是基于步骤i)中提供的数据库中被分类为相同营养类型的不同个体对影响个体的至少一个影响因素的血糖反应，计算个体的个性化生活方式推荐，以及
103.iv)输出个体的个性化生活方式推荐。
104.用于确定个性化生活方式推荐的方法有利地允许向个体提供行为推荐以避免个体的血糖水平的过度变化或峰值，特别是避免血糖曲线中的过度峰值的发生以及与之相关联的胰岛素和其他激素或激素活性生物分子和小分子(例如(神经)肽、糖类、脂质、脂肪酸、神经递质、代谢物或核酸)的过度变化或峰值的发生。在本发明的优选的实施例中，个性化生活方式推荐涵盖生活的各个方面，例如但不限于营养行为、身体活动和睡眠行为。在本发明的特定优选的实施例中，个性化生活方式推荐选自由以下各项组成的组：个性化饮食、个性化训练计划、个性化用药计划、个性化睡眠推荐和/或个性化精神锻炼(例如冥想)。个性化生活方式推荐，特别是由根据本发明的方法确定的个性化生活方式推荐，有利地考虑了不同个体对特定影响因素的血糖反应可以显著变化的事实。因此，在步骤dd)或iv)中获得的个性化生活方式推荐为个体提供了用于避免个体的血糖水平中的过度变化或峰值的行为推荐，优选用于维持或改进个体的健康和/或用于治疗和/或预防血糖相关疾病和/或病症的行为推荐。
105.在本发明的优选的实施例中，用于确定个体的个性化生活方式推荐的方法是一种
用于确定个性化饮食的组成的方法，其中在该方法的步骤cc)中，计算基于步骤bb)中提供的数据库中个体对影响个体的至少一个影响因素的血糖反应的个性化饮食的组成，其中在步骤dd)中，输出个性化饮食的组成。根据本发明的该特定实施例，用于确定血糖曲线中的基线的方法包括步骤a)、b)、c)、d)、e)、aa)、bb)、cc)和dd)，并且该方法是一种用于确定个性化饮食的组成的方法。
106.在本发明的另一优选的实施例中，用于确定个性化生活方式推荐的方法是一种用于确定个性化饮食的组成的方法。根据所述特定的实施例，该方法包括以下步骤：
107.i)提供包括个体对不同影响因素的血糖反应的数据库，优选包括不同个体对不同影响因素的血糖反应的数据库，特别是包括被分类为相同营养类型的不同个体对不同影响因素的血糖反应的数据库，不同个体对不同影响因素的血糖反应是通过根据本发明的用于确定个体对至少一个影响因素的血糖反应的方法来确定的，
108.ii)提供与影响个体的至少一个影响因素有关的数据，
109.iii)基于步骤i)中提供的数据库中个体对影响个体的至少一个影响因素的血糖反应，优选地基于对步骤i)中提供的数据库中不同个体影响个体的至少一个影响因素的血糖反应，特别是基于步骤i)中提供的数据库中被分类为相同营养类型的不同个体对影响个体的至少一个影响因素的血糖反应，计算个性化饮食的组成，以及
110.iv)输出个性化饮食的组成。
111.最优选地，用于确定个性化饮食的组成的方法向个体提供了低血糖营养的饮食推荐，特别是提供了用于治疗和/或预防血糖相关的疾病和/或病症的个性化饮食。
112.在特定优选的实施例中，在步骤dd)或iv)中提供个性化饮食的至少两种组成、优选至少三种组成、优选至少四种组成、优选至少五种组成、不同组成的选择。
113.优选地，个性化饮食包括至少一餐、优选至少两餐、优选至少三餐。本发明还涉及一种计算机程序产品，该计算机程序产品可直接加载到数字计算机的内部存储器中，该计算机程序产品包括软件代码部分，当该程序由计算机执行时，软件代码部分使得计算机执行根据本发明的方法中的至少一项，根据本发明的方法具体为i)根据本发明的用于确定响应于至少一个影响因素的血糖曲线中的基线的方法，ii)根据本发明的用于确定个体对至少一个影响因素的血糖反应的方法，iii)根据本发明的用于预测个体的营养类型的方法，iv)根据本发明的用于预测个体对至少一个影响因素的血糖反应的方法，和/或v)根据本发明的用于确定个体的个性化生活方式推荐的方法，特别是根据本发明的用于确定个性化饮食的组成的方法。
114.本发明还涉及一种包括软件代码部分的计算机可读存储介质，该软件代码部分在由计算机执行时使得计算机执行根据本发明的方法中的至少一项，根据本发明的方法具体为i)根据本发明的用于确定响应于至少一个影响因素的血糖曲线中的基线的方法，ii)根据本发明的用于确定个体对至少一个影响因素的血糖反应的方法，iii)根据本发明的用于预测个体的营养类型的方法，iv)根据本发明的用于预测个体对至少一个影响因素的血糖反应的方法，和/或v)根据本发明的用于确定个体的个性化生活方式推荐的方法，特别是根据本发明的用于确定个性化饮食的组成的方法。
115.本发明还涉及一种设备，包括：
[0116]-显示单元，该显示单元显示用户界面，
[0117]-输入单元，
[0118]-存储器单元，以及
[0119]-处理单元，
[0120]
其中，存储器单元包括根据本发明的计算机程序产品，特别是包括软件代码部分的计算机程序产品，当程序由处理单元执行时，软件代码部分使得该设备执行根据本发明的方法中的至少一项，根据本发明的方法具体为i)根据本发明的用于确定响应于至少一个影响因素的血糖曲线中的基线的方法，ii)根据本发明的用于确定个体对至少一个影响因素的血糖反应的方法，iii)用于预测个体的营养类型的方法，iv)根据本发明的用于预测个体对至少一个影响因素的血糖反应的方法，和/或v)根据本发明的用于确定个体的个性化生活方式推荐的方法，特别是根据本发明的用于确定个性化饮食的组成的方法。
[0121]
在本发明的优选的实施例中，该设备是移动设备，特别是电池供电的无线移动设备。优选地，移动设备，特别是电池供电的无线移动设备，选自由以下各项组成的组：平板电脑、智能手机、智能手表和健身追踪设备。
[0122]
在本发明的另一优选的实施例中，该设备，优选移动设备，特别是电池供电的无线移动设备，能够建立到服务器的连接，特别是无线连接。数据库，特别是包括个体对不同影响因素的血糖反应的数据库，优选包括不同个体对不同影响因素的血糖反应的数据库，特别是包括被分类为相同营养类型的不同个体对不同影响因素的血糖反应的数据库，被存储在该服务器上。
[0123]
优选地，设备，优选移动设备，特别是电池供电的无线移动设备，能够将个体响应于至少一个影响因素的血糖反应，特别是通过根据本发明的用于确定个体对至少一个影响因素的血糖反应的方法而确定的个体的血糖反应引入包括个体对不同影响因素的血糖反应的数据库，优选包括不同个体对不同影响因素的血糖反应的数据库，特别是包括被分类为相同营养类型的不同个体对不同影响因素的血糖反应的数据库，这些数据库被存储在服务器上。
[0124]
因此，在本发明的特定优选的实施例中，设备，优选移动设备，特别是电池供电的无线移动设备，能够访问并编辑包括个体对不同影响因素的血糖反应的数据库，优选包括不同个体对不同影响因素的血糖反应的数据库，特别是包括被分类为相同营养类型的不同个体对不同影响因素的血糖反应的数据库，这些数据库被全局存储在服务器上。
[0125]
在本发明的另一优选的实施例中，设备，优选台式设备或移动设备，特别是电池供电的无线移动设备，能够访问并编辑包括个体对不同影响因素的血糖反应的数据库，优选包括不同个体对不同影响因素的血糖反应的数据库，特别是包括被分类为相同营养类型的不同个体对不同影响因素的血糖反应的数据库，这些数据库被本地存储在设备的存储器单元中。
[0126]
在本发明的特定优选的实施例中，除了步骤d)和e)之外，用于确定血糖曲线中的基线的方法还包括步骤aa)提供与影响个体的至少一个影响因素有关的数据，步骤bb)将与影响个体的至少一个影响因素有关的数据分配给数据库中的至少一种血糖反应，该数据库包括个体对不同影响因素的血糖反应，步骤cc)基于步骤bb)中提供的数据库中个体对影响个体的至少一个影响因素的血糖反应来计算个性化饮食的组成，步骤dd)输出个性化饮食的组成，以及除此之外的步骤ee)制备具有在步骤cc)中计算的组成的个性化饮食的成分。
根据本发明的该特定实施例，用于确定血糖曲线中的基线的方法包括步骤a)、b)、c)、d)、e)、aa)、bb)、cc)、dd)和ee)，并且该方法是一种用于制备个性化饮食的方法。
[0127]
本发明还涉及一种用于制备个性化饮食的方法，该方法包括以下步骤：
[0128]
xx)根据本发明的用于确定个性化饮食的组成的方法来确定个性化饮食的组成，以及
[0129]
yy)制备具有在步骤xx)中确定的组成的个性化饮食的成分。
[0130]
本发明还涉及通过根据本发明的方法，特别是在根据本发明的方法的步骤ee)中或通过用于制备个性化饮食的方法获得的个性化饮食，其中个性化饮食用于治疗血糖相关的疾病和/或病症。
[0131]
在本发明的优选的实施例中，血糖相关的疾病和/或病症选自由以下各项组成的组：1型糖尿病(dmt1)、2型糖尿病(dmt2)、妊娠糖尿病、高血糖症、代谢综合征、心血管疾病、葡萄糖耐受不良、多囊卵巢综合征(pcos)、偏头痛、非酒精性脂肪性肝病(nafld)、癌症、痤疮、特应性皮炎、牛皮癣、红斑痤疮、心房颤动、血脂异常、hiv、动脉高血压、糖尿病前期、肥胖症、脑/认知功能障碍、阿尔茨海默病、抑郁症、更年期症状、月经失调、软骨损伤、帕金森病、风湿病、慢性炎症。
[0132]
本发明还涉及通过根据本发明的方法，特别是在根据本发明的方法的步骤ee)中或通过根据本发明的用于制备个性化饮食的方法获得的个性化饮食的用途，该用途用于诱导妊娠、调节月经周期、减肥、抗衰老或治疗和/或预防月经问题和更年期症状。
[0133]
在本发明的优选的实施例中，包括个体对不同影响因素的血糖反应的数据库，优选包括不同个体对不同影响因素的血糖反应的数据库，特别是包括被分类为相同营养类型的不同个体对不同影响因素的血糖反应的数据库，是包括基于自动设置的基线，特别是基于使用根据本发明的用于确定血糖曲线中的基线的方法设置的基线而确定的血糖反应的数据库。优选地，该数据库不包括基于仅以数学方式确定的基线的血糖反应，特别是仅基于在特定时间测量的血糖水平或仅基于测量的血糖水平的平均值确定的血糖反应。在另一优选的实施例中，该数据库不包括基于以数学方式确定的基线的血糖反应，特别是基于在特定时间测量的血糖水平或基于测量的血糖水平的平均值确定的血糖反应。
[0134]
在本发明的另一优选的实施例中，在步骤e)之后，将在步骤a)、b)、c)、d)和e)中确定的个体对至少一个影响因素的血糖反应引入包括个体对不同影响因素的血糖反应的数据库，优选包括不同个体对不同影响因素的血糖反应的数据库，特别是包括被分类为相同营养类型的不同个体对不同影响因素的血糖反应的数据库。根据本发明的该实施例，该方法包括步骤e2)将在步骤e)中确定的个体对至少一个影响因素的血糖反应引入包括个体对不同影响因素的血糖反应的数据库，优选包括不同个体对不同影响因素的血糖反应的数据库，特别是包括被分类为相同营养类型的不同个体对不同影响因素的血糖反应的数据库。
[0135]
优选地，在步骤f)、ii)和/或bb)之前，优选在步骤f)之前，优选在步骤ii)之前，优选在步骤bb)之前，将在步骤a)、b)、c)、d)和e)中确定的个体对至少一个影响因素的血糖反应引入包括个体对不同影响因素的血糖反应的数据库，优选包括不同个体对不同影响因素的血糖反应的数据库，特别是包括被分类为相同营养类型的不同个体对不同影响因素的血糖反应的数据库。因此，在步骤f)、ii)和/或bb)中使用的数据库，优选在步骤f)中使用的数据库，优选在步骤ii)中使用的数据库，优选在步骤bb)中使用的数据库，优选地包括步骤
a)、b)、c)、d)和e)中确定的个体对至少一个影响因素的血糖反应，特别是基于个体响应于至少一个影响因素，具有由训练算法确定的基线的血糖曲线确定的个体对至少一个影响因素的血糖反应，特别是由根据本发明的用于确定血糖曲线中的基线的方法确定的个体对至少一个影响因素的血糖反应。根据本发明的该实施例，该方法包括步骤f1)、ii1)和/或bb1)，优选步骤f1)，优选步骤ii1)，优选步骤bb1)，这些步骤f1)、ii1)和/或bb1)将步骤e)中确定的个体对至少一个影响因素的血糖反应引入包括个体对不同影响因素的血糖反应的数据库，优选包括不同个体对不同影响因素的血糖反应的数据库，特别是包括被分类为相同营养类型的不同个体对不同影响因素的血糖反应的数据库，其中步骤f1)、ii1)和/或bb1)，优选步骤f1)、优选步骤ii1)，优选步骤bb1)在步骤f)、ii)和/或bb)之前进行，优选在步骤f)之前进行，优选在步骤ii)之前进行，优选在步骤bb)之前进行。
[0136]
在本发明的上下文中，术语“血糖曲线”是指以时间依赖的方式的血液中的葡萄糖浓度。特别地，“血糖曲线”是在通常以坐标系(x轴：时间，y轴：葡萄糖水平)描绘的各个时间点处测量的血糖水平图。术语“血糖水平”描述了给定时间血液中的葡萄糖浓度。在本发明的上下文中，通常也称为“升糖反应”的术语“血糖反应”指定在考虑个体的血糖基线的情况下响应于至少一个特定影响因素的血糖曲线的时间依赖性进展。“血糖反应”优选地包括关于可分配给至少一个特定影响因素的血糖曲线的确切时间依赖性进展和程度的信息。在特定优选的实施例中，“血糖反应”对应于曲线下面积(auc)，特别是曲线下增量面积(iauc)，该面积以血糖基线为边界，即血糖水平的最大增加相对于自动确定的血糖基线或血糖曲线的斜率，特别是响应于至少一个影响因素的血糖曲线的最陡峭下降或上升。
[0137]
在本发明的上下文中，术语“影响因素”涉及适合影响个体的血糖水平，特别是适合触发个体的血糖反应的任何外源性和内源性因素。如在本发明的上下文中使用的术语“个体特定影响因素”涉及适合影响血糖水平的个体的特定内源性因素，例如但不限于个体的年龄、个体的性别、个体体重、个体的身高、个体的体质指数(bmi)、腰臀围比例、人体温度、基础代谢率、肠道微生物群组成、代谢组组成、个体的基因组、个体的睡眠行为，特别是每天的睡眠时间和起床时间。
[0138]
术语“算法”指定了一系列明确限定的计算机可执行指令来执行特定任务。
[0139]
在本发明的上下文中，词语“营养类型分类模型”指定了将个体分类为特定营养类型的分类模型。
[0140]
如在本发明的上下文中使用的词语“血糖反应分类模型”涉及将与至少一个影响因素有关的数据分配给数据库中的至少一种血糖反应的分类模型，该数据库包括个体对不同影响因素的血糖反应，优选地包括不同个体对不同影响因素的血糖反应，特别是被分类为相同营养类型的不同个体对不同影响因素的血糖反应。。
[0141]
在本发明的上下文中，术语“营养类型”指定了由对特定影响因素的可比较的血糖反应表征的限定的个体组，特别是由可比较的新陈代谢表征的个体组。优选地，由相似的基因型来表征特定“营养类型”的个体，特定“营养类型”的个体在表观遗传上相似和/或具有可比较的肠道微生物组的组成。
[0142]
在本发明的上下文中，词语“具有影响因素核算基线的血糖曲线”指定了包括基线的血糖曲线，该基线是在已经考虑了来自血糖曲线进展(该血糖曲线进展将在缺乏至少一个影响因素的情况下被获得)的血糖曲线进展的偏差导致的至少一个影响因素的情况下被
确定的，特别是取决于来自血糖曲线进展(该血糖曲线进展将在缺乏至少一个影响因素的情况下被获得)的血糖曲线进展的偏差导致的至少一个影响因素。特别地，“影响因素核算基线”与现有技术的血糖曲线基线相比，优选地不是简单地基于个体在某个时间的血糖水平的确定或者构成在预定的时间段期间监测的血糖水平的平均值的结果，而是单独地基于来自血糖曲线进展(该血糖曲线进展将在缺乏至少一个影响因素的情况下被获得)的血糖曲线进展的偏差导致的至少一个影响因素的信息，特别是来自血糖曲线进展(该血糖曲线进展将在缺乏至少一个影响因素的情况下被获得)的血糖曲线进展的偏差导致的至少一个影响因素的性质、持续时间和程度，而被单独地设置。优选地，影响因素核算基线是通过将至少一个影响因素的影响分配给个体的血糖曲线进展并通过设置不受至少一个影响因素影响的相应基线而获得的基线。根据本发明的“影响因素核算基线”是尚未仅是数学上被确定的，特别是尚未仅基于在特定时间测量的血糖水平或仅基于测量的血糖水平的平均值而被确定的基线。特别优选地，根据本发明的“影响因素核算基线”是尚未在数学上确定的基线，特别是不是基于在特定时间测量的血糖水平或基于测量的血糖水平的平均值而确定的基线。优选地，“影响因素核算基线”是基于专家知识而确定的，特别是由有资格的专家，最好是营养学家、营养科学家和/或医学博士而确定的基线。在另一优选的实施例中，“影响因素核算基线”是由(特别是从营养学家、营养科学家和/或医学博士中选出的)至少两名不同的有资格的专家确定的基线。在本发明的另一优选的实施例中，由能够对血糖曲线中的基线的准确进展提出独立的或新的意见的主体或客体来确定血糖曲线的“影响因素核算基线”。优选地，血糖曲线的“影响因素核算基线”已经由人或由计算机确定。优选地，“影响因素核算基线”已经由人或计算机确定，特别是由有资格的专家，最好是营养学家、营养科学家和/或医学博士确定，影响因素核算基线取决于至少一个影响因素对血糖曲线的进展的影响，特别是取决于来自血糖曲线进展(该血糖曲线进展将在缺乏至少一个影响因素的情况下被获得)的血糖曲线进展的偏差导致的至少一个影响因素的信息。根据本发明，基于专家知识，特别是基于人类专业知识，对血糖曲线中的基线进行分析和/或确定，特别是非数学分析和/或确定，本身不是本发明的一部分。根据本发明的方法基于训练数据的使用，该训练数据包括个体的血糖曲线，该个体的血糖曲线包括先前已经确定的，特别是不仅仅是数学确定的，优选不是数学确定的“影响因素核算基线”，其中，这些训练数据用于通过采用机器学习过程来训练用于自动基线确定的算法。
[0143]
在本发明的上下文中，术语“食物”和“食品”包括任何未经处理的和准备好的可食用产品(例如特定的水果、蔬菜、肉、鱼)，以及不同的未经处理的和准备好的可食用产品的组合(例如面包、早餐、意大利面食、沙拉、酱汁、饮料、糖果糕点、糖果)。这些术语还涉及至少一种微观或宏观营养素以及微观或宏观营养素的组合。
[0144]
在本发明的上下文中，术语“个性化”涉及个体特定的适应性，特别是考虑到影响特定个体的外源性和内源性因素的个体特定适应性。因此，如在本发明的上下文中使用的术语“个性化饮食”涉及在考虑影响个体的外源性和内源性因素的情况下特别适合特定个体的营养。
[0145]
术语“个性化生活方式推荐”涉及为个体的生活方法或生活方式的量身定制的推荐，特别是对个体的行为的推荐。在本发明的上下文中，该术语可以涵盖生活的各个方面，例如但不限于营养行为、身体活动和睡眠行为。根据本发明的“个性化生活方式推荐”特别
旨在避免个体的血糖水平的过度变化或峰值。
[0146]
在本发明的上下文中，表述“确定个性化饮食的组成”涉及构成个性化饮食的化合物的确定/预测，特别是为对不同营养化合物的个体特定血糖反应量身定制的个体的营养。因此，个性化饮食的组成的确定有助于根据个体的特定血糖反应来编辑个体的营养成分，例如膳食成分。具有如由根据本发明的方法确定的组成的个性化饮食有利地允许避免响应于膳食消耗的个体的葡萄糖和胰岛素水平中的过度变化或峰值。因此，表述“确定个性化饮食的组成”并不针对给定的饮食的化学分析，而是针对不会导致个体的葡萄糖和胰岛素水平中的过度变化或峰值的个体的饮食组成的确定/预测。
[0147]
术语“个性化饮食”包括个性化的单餐，但也包括在一天、一周或一个月内最好消耗的各种个性化膳食的推荐。该术语还涉及微观和宏观营养素的个性化组成。
[0148]
在本发明的上下文中，术语“计算机可读存储介质”包括任何机器可读介质，特别是计算机存储介质和通信介质，计算机存储介质和通信介质包括有助于将计算机程序从一个地方传输到另一个地方的任何介质。存储介质可以是计算机可以访问并读取的任何可用介质。作为示例而非限制，此类计算机可读介质可包括随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)或其他光盘存储器、半导体存储器、磁盘存储器或可用于以指令或数据结构的形式携带或存储所需程序代码并可由计算机访问的任何其他介质。此外，任何连接都被恰当地称为计算机可读介质。例如，如果使用同轴电缆、光纤电缆、双绞线、数字用户线(dsl)或诸如红外线、无线电和微波等无线技术从网站、服务器或其他远程源传输软件，则同轴电缆、光纤电缆、双绞线、或诸如红外线、无线电和微波等无线技术均被包括在介质的定义中。如本文所用，磁盘和光盘包括压缩盘(cd)、激光盘、光盘、数字多功能盘(dvd)、软盘和蓝光光盘，其中磁盘通常以磁性方式复制数据，而光盘以激光方式光学地复制数据。
[0149]
在本发明的上下文中，术语“一个”意味着包括“一个”或“一个或更多个”的含义。
[0150]
在本发明的上下文中，术语“包括”优选地具有“包含”或“包括”的含义，意思是包括明确识别的元素，而不排除其他元素的存在。然而，在优选的实施例中，术语“包括”也被理解为具有“基本上由
……
组成”的含义，并且在另一优选的实施例中，具有“由
……
组成”的含义。
[0151]
本发明的另一优选的实施例是以下各方面和从属权利要求的主题。
[0152]
方面1：一种用于确定血糖曲线中的基线的方法，该方法包括：
[0153]
a)提供包括个体的血糖曲线的训练数据，个体的血糖曲线包括影响因素核算基线，
[0154]
b)对步骤a)中提供的训练数据进行机器学习过程，以获得用于自动确定血糖曲线中的基线的训练算法，以及
[0155]
c)通过在响应的血糖曲线上应用训练算法来确定血糖曲线中的基线。
[0156]
方面2：根据方面1的方法，其中步骤a)中提供的训练数据包括响应于至少一个影响因素的至少10对，优选至少50对，优选至少100对，优选至少250对，优选至少500对，优选至少750对，优选至少1000对血糖曲线。
[0157]
方面3：根据前述方面中任一项的方法，其中，机器学习过程是监督机器学习过程。
[0158]
方面4：一种用于确定个体对至少一个影响因素的血糖反应的方法，该方法包括：
[0159]
aa)提供个体响应至少一个影响因素的至少一条血糖曲线，
[0160]
bb)将根据方面1至3中任一项的方法的步骤b)中获得的训练算法应用于步骤aa)中提供的至少一条血糖曲线，以获得具有自动确定的基线的个体的至少一条血糖曲线，以及
[0161]
cc)分析步骤bb)中获得的至少一条血糖曲线以确定个体对至少一个影响因素的血糖反应。
[0162]
方面5：一种用于预测个体营养类型的方法，该方法包括：
[0163]
i)提供个体对通过根据方面4的方法获得的至少一个影响因素的至少一种血糖反应，
[0164]
ii)使用营养类型分类模型将个体对至少一个影响因素的血糖反应分配给数据库中不同个体对至少一个影响因素的一组血糖反应，以及
[0165]
iii)基于个体对至少一个影响因素的至少一种血糖反应来输出个体的营养类型。
[0166]
方面6：一种用于预测个体对至少一个影响因素的血糖反应的方法，该方法包括：
[0167]
x)提供与至少一个影响因素有关的数据，
[0168]
y)将与至少一个影响因素有关的数据分配给数据库中的至少一种血糖反应，该数据库包括个体对通过根据方面4的方法获得的不同影响因素的血糖反应，以及
[0169]
z)输出个体对至少一个影响因素的预测血糖反应。
[0170]
方面7：根据前述方面中任一项的方法，其中至少一个影响因素选自以下各项：食物摄入、身体活动、心理活动、压力、健康状况药物、睡眠或其组合。
[0171]
方面8：一种计算机程序产品，可直接加载到数字计算机的内部存储器中，该计算机程序产品包括软件代码部分，当该程序由计算机执行时，软件代码部分使得计算机执行以下各项：i)根据方面1至3中任一项的方法，ii)根据方面4的方法，iii)根据方面5的方法，iv)根据方面6的方法，和/或v)根据方面12的方法。
[0172]
方面9：一种计算机可读存储介质，包括软件代码部分，该软件代码部分在由计算机执行时使得计算机执行以下各项：i)根据方面1至3中任一项的方法，ii)根据方面4的方法，iii)根据方面5的方法，iv)根据方面6的方法，和/或v)根据方面12的方法。
[0173]
方面10；一种设备，包括：
[0174]-显示单元，该显示单元显示用户界面，
[0175]-输入单元，
[0176]-存储器单元，以及
[0177]-处理单元，
[0178]
其中，存储器单元包括根据方面8的计算机程序产品。
[0179]
方面11：根据方面10的设备，其中，该设备是移动设备，特别是电池供电的无线移动设备。
[0180]
方面12:一种用于确定个体的个性化生活方式推荐的方法，该方法包括以下步骤：
[0181]
i)提供包括个体对通过根据方面4的方法确定的不同影响因素的血糖反应的数据库，
[0182]
ii)提供与影响个体的至少一个影响因素有关的数据，
[0183]
iii)基于步骤i)中提供的数据库中个体对影响个体的至少一个影响因素的血糖
反应，计算个体的个性化生活方式推荐，以及
[0184]
iv)输出个体的个性化生活方式推荐。
[0185]
方面13：根据方面12的方法，其中该方法是一种用于确定个性化饮食的组成的方法，其中在步骤iii)中，计算基于步骤i)中提供的数据库中个体对影响个体的至少一个影响因素的血糖反应的个性化饮食的组成，其中在步骤iv)中，输出个性化饮食的组成。
[0186]
方面14：一种用于制备个性化饮食的方法，该方法包括以下步骤：
[0187]
xx)确定根据方面13的方法的个性化饮食的组成，以及
[0188]
yy)制备具有在步骤xx)中确定的组成的个性化饮食的成分。
[0189]
方面15：通过方面14的方法获得的用于治疗血糖相关的疾病和/或病症的个性化饮食。
[0190]
方面16：根据方面14的个性化饮食的使用，其中血糖相关的疾病和/或病症选自由以下各项组成的组：1型糖尿病(dmt1)、2型糖尿病(dmt2)、妊娠糖尿病、高血糖症、代谢综合征、心血管疾病、葡萄糖耐受不良、多囊卵巢综合征(pcos)、偏头痛、非酒精性脂肪性肝病(nafld)、癌症、痤疮、特应性皮炎、牛皮癣、红斑痤疮、心房颤动、血脂异常、hiv、动脉高血压、糖尿病前期、肥胖症、脑/认知功能障碍、阿尔茨海默病、抑郁症、软骨损伤、帕金森病、风湿病、慢性炎症。
[0191]
方面17：通过方面14的方法获得的个性化饮食在诱导妊娠、调节月经周期、减肥、抗衰老或治疗和/或预防月经问题和更年期症状中的用途。通过以下示例和附图进一步解释本发明。
[0192]
示例1：
[0193]
训练用于确定血糖基线的算法
[0194]
1、训练数据
[0195]
为了训练用于确定血糖基线的算法，使用以下数据：
[0196]
·
目标变量：
[0197]
专家设置的一天基线(以mg/dl为单位)
[0198]
可以可靠地设置一整天的基线并将该基线用于评估当天所有膳食的置信度(0-100％)
[0199]
·
输入变量是源自以下的特征：
[0200]
测量的原始葡萄糖值
[0201]
参与者在相同时间框架内创建的应用程序条目
[0202]
数字病历
[0203]
为上述来源汇总数据并将数据存储在sql数据库中以用于评估。
[0204]
1.1基线：
[0205]
对于具有足够的(》8小时)当前葡萄糖测量值的每一天，测量的葡萄糖值被绘制(x轴：时间，y轴：葡萄糖水平)并经由基于网络的工具被呈现给营养学专家。该工具允许：
[0206]
·
设置一条水平线作为当前查看日期的基线。然后保存该水平线的y轴上的葡萄糖水平并将其用于当天的膳食评估。
[0207]
·
设置将使用的特定膳食基线，而不是一天的基线。
[0208]
·
由于测量误差，将全天或单餐的数据标记为无效。
[0209]
营养学专家具有营养学家、营养科学家或医学博士的资格。每一天由两名专家进行评估。如果专家同意在5mg/dl以内，则使用基线的平均值。如果不在5mg/dl以内，第三位专家会在这一天进行评估以解决分歧。如果三位专家可以就一个基线达成一致，则使用该值。否则，该值被标记为无效并且不被用于训练算法。
[0210]
1.2血糖数据：
[0211]
使用cgm传感器(例如dexcom g6、freestyle libre或类似设备)将来自14天测量周期内的一天(00:00-23:59)的数据作为原始输入。基于每日值，计算描述性统计和膳食特定特征。
[0212]
以下特征是根据一天的葡萄糖值计算得出的：
[0213]
·
傅里叶变换的前三个描述符。也可以使用源自其他变换(例如拉普拉斯变换)的特征。
[0214]
·
一整天的平均值、中位数最大值和最小值，没有进餐/活动(+2小时)或睡眠的时间以及起床前3小时的时间的平均值、中位数最大值和最小值。
[0215]
以下特征是根据摄入膳食后的2小时窗口计算得出的：
[0216]
·
估计膳食特定基线的平均值。
[0217]
·
对膳食特定基线的这些估计近似于通过多项式插值、泰勒级数或其他曲线拟合方法(例如经由基于餐后葡萄糖反应的数学模型的贝叶斯方法的数据同化)获得的y截距。
[0218]
1.3记录的条目：
[0219]
在测量周期期间，鼓励参与者积极记录吃过的膳食、身体活动、服用的药物以及他们每天的睡眠时间和起床时间。根据这些条目，计算以下特征：
[0220]
·
膳食摄入和身体活动燃烧的卡路里数量和每日分布
[0221]
·
前一天18：00之后通过膳食摄入和通过运动燃烧的卡路里总量
[0222]
·
评估的那天之前的晚上的睡眠质量和睡眠持续时间
[0223]
·
从起床到第一顿饭的时间
[0224]
·
源自一天记录的活动的met分钟数
[0225]
·
一天中没有睡眠、活动或用餐+2小时的分钟数
[0226]
·
是否服用了已知会影响血糖水平的药物
[0227]
1.4病历：
[0228]
在启动程序时，用户在应用程序中填写数字病历，以提供关于他们的生理机能的信息。以下特征由病历提供或根据病历计算得出：
[0229]
·
年龄
[0230]
·
性别
[0231]
·
体质指数
[0232]
·
腰臀围比例
[0233]
·
通常的睡眠持续时间(通常的睡眠和起床时间)
[0234]
·
基础代谢率
[0235]
1.5数据集尺寸：
[0236]
71432条具有专家设置的基线的个体的血糖曲线已用于预处理后的最终算法的训练。这些基线为程序的4880次运行进行了注释，即参与者的测量周期为14天(当血糖传感器
需要更换时，有时会更长)。
[0237]
总计28454顿具有每餐基线的膳食和458531顿具有由105892天基线分配的全天基线的膳食被用作原始数据集。
[0238]
2、模型训练
[0239]
2.1算法选择
[0240]
诸如随机森林或梯度提升树回归或其他算法的机器学习算法被用于基于源于葡萄糖数据、记录的条目和病历的输入特征来预测目标变量(全天基线)。
[0241]
2.2选择
[0242]
用于超参数调整和迭代模型特征的不同子集的类似网格搜索的技术被使用以选择最终模型，从而在将数据集拆分为测试集、训练集和验证集之后，优化确定系数(r2分数)以使预测值与注释基线一致。最终的r2得分为0.91。
[0243]
示例2：
[0244]
训练算法的应用
[0245]
对于每个新用户，训练算法确定当天的基线并计算该确定的确定性(即这一天既不会被标记为无效也不需要特定膳食基线的概率)。
[0246]
由训练算法确定的每个基线在被用于通过auc计算确定血糖反应之前，均可以被批准为质量控制机制(参见“基线”)。在可替代实施例中，在被用于auc计算之前，只有具有低确定性的那些基线被批准。
[0247]
示例3：
[0248]
个体的血糖反应的确定
[0249]
基于包括由示例1的训练算法确定的血糖基线的血糖曲线，通过计算开始进餐后2小时内血糖曲线的最大值与血糖基线的差值，来确定个体对膳食摄入的血糖反应。
[0250]
iauc可以被计算作为开始进餐后2小时内血糖曲线与血糖基线之间的曲线下面积。
[0251]
斜率可以被计算作为开始进餐后2小时内血糖曲线的最陡下降。
[0252]
示例4：
[0253]
营养类型确定
[0254]
个体的营养类型是根据对某些食物的血糖反应计算得出的。例如，对于白面包/全麦面包营养类型，个体在不同的日子但在一天中的同一时间吃白面包和全麦面包。估算两餐的大小使得它们含有相同量的碳水化合物。具有对全麦面包的显著降低的血糖反应的个体将被标记为全麦面包类型。
[0255]
附图：
[0256]
图1示出了根据本发明的用于确定血糖曲线中的基线的方法的各个步骤的流程图。最初，训练算法以基于训练数据来自动确定血糖曲线中的基线，该训练数据包括具有影响因素核算基线的个体的血糖曲线。随后，将训练算法应用于个体的血糖曲线，以获得具有自动确定的基线的血糖曲线。
[0257]
图2示出了根据本发明的用于确定个体对至少一个影响因素的血糖反应的方法的各个步骤的流程图。在该方法的第一步骤中，提供响应于至少一个影响因素的个体的至少一条血糖曲线。随后，将通过根据本发明的用于确定响应于至少一个影响因素的血糖曲线
中的基线的方法获得的训练算法应用于个体的至少一条血糖曲线，以获得具有自动确定的基线的血糖曲线。最后，分析具有自动确定的基线的获得的血糖曲线以确定个体对至少一个影响因素的血糖反应，例如通过计算auc，特别是iauc(a；灰色阴影)，通过确定血糖水平相对于自动确定的血糖基线的最大增加(b)或通过确定血糖曲线的斜率(c)。
[0258]
图3示出了根据本发明的用于预测个体对至少一个影响因素的血糖反应的方法的各个步骤的流程图。根据该方法，提供与至少一个影响因素有关的数据，并将与至少一个影响因素有关的数据分配给数据库中的至少一种血糖反应，该数据库包括个体对不同影响因素的血糖反应，优选地包括不同个体对不同影响因素的血糖反应，特别是包括被分类为相同营养类型的不同个体对不同影响因素的血糖反应，其中，数据库中的每种血糖反应已经通过根据本发明的用于确定个体对至少一个影响因素的血糖反应的方法获得，因此数据库中的每种血糖反应具有自动确定的基线。随后，基于对数据库中至少一种血糖反应的分配，提供对所讨论至少一个影响因素的血糖反应的预测。图3举例示出了本发明的一个实施例，其中数据库中的血糖反应已经通过计算auc，特别是iauc(灰色阴影)来确定。类似地，用于确定数据库中血糖反应的其他方法，例如确定血糖水平相对于自动确定的血糖基线的最大增加或确定血糖曲线的斜率也在本发明的范围内。