用于前驱糖尿病的数字和个性化险监测和营养计划系统

申请号 CN202280062171.X 申请日 2022-09-21 公开(公告)号 CN117941007A 公开(公告)日 2024-04-26
申请人 雀巢产品有限公司; 发明人 C·达里蒙特-尼古劳; V·C·坎波斯; E·A·斯库奇马拉; F·杜丹; D·普罗佐罗夫斯凯亚;
摘要 公开了用于经由个性化数字平台针对前驱糖尿病监测 风 险并推荐饮食摄入的方法和系统。该方法可包括生成用于评估用户特定前驱糖尿病风险的应用,其中该应用提示输入用户属性以评估用户特定前驱糖尿病风险;从用户装置接收用户的用户属性以针对用户评估用户特定前驱糖尿病风险;基于用户属性的向量化来生成与用户相关联的 特征向量 ;执行包括与用户相关联的特征向量和多个参考特征向量的多个特征向量的聚类;基于该聚类来确定用户的前驱糖尿病风险 水 平;以及基于用户的前驱糖尿病风险水平和用户属性为用户生成对饮食摄入的推荐。
权利要求

1.一种经由个性化数字平台针对前驱糖尿病监测险并推荐饮食摄入的方法,所述方法包括:
由具有一个或多个处理器的计算装置并且经由应用编程接口生成用于评估用户特定前驱糖尿病风险的应用,其中所述应用提示输入用户属性以评估所述用户特定前驱糖尿病风险;
由所述计算装置并且从与用户相关联的用户装置接收所述用户的一个或多个用户属性以针对所述用户评估所述用户特定前驱糖尿病风险;
基于所述一个或多个用户属性的向量化来生成与所述用户相关联的特征向量
执行包括与所述用户相关联的所述特征向量和多个参考特征向量的多个特征向量的聚类;
基于所述聚类来确定所述用户的前驱糖尿病风险平;以及
由所述计算装置并且基于所述用户的所述前驱糖尿病风险水平和所述一个或多个用户属性为所述用户生成对饮食摄入的推荐。
2.根据权利要求1所述的方法,其中执行所述聚类包括:
基于前驱糖尿病风险水平的数量来确定要形成的簇的数量;
执行以下项的一次或多次迭代
对于所述数量的要形成的簇中的每个簇,在包括与所述用户相关联的所述特征向量和所述多个参考特征向量的所述多个特征向量中选择质心特征向量;以及
确定所述多个特征向量中的每个特征向量的平均距离;
基于使所述平均距离最小化的一组质心来识别属于所述数量的簇中的每个簇的特征向量;以及
确定与每个簇相关联的前驱糖尿病风险水平。
3.根据权利要求1所述的方法,其中接收所述一个或多个用户属性包括:
经由所述应用向所述用户装置发送请求所述用户输入生理数据的消息;以及从所述用户装置接收所述生理数据。
4.根据权利要求1所述的方法,还包括:
基于所述用户的所述前驱糖尿病风险水平和所述一个或多个用户属性来确定一组用户特定产品,其中生成对所述饮食摄入的所述推荐包括来自所述一组用户特定产品的一个或多个用户特定产品。
5.根据权利要求4所述的方法,还包括:
经由所述应用向所述用户装置发送请求所述用户输入活动水平、食物过敏、优选饮食或合并症中的一者或多者的消息;以及
基于所述活动水平、所述食物过敏、所述优选饮食或所述合并症中的所述一者或多者,从所述一组用户特定产品过滤用户特定产品。
6.根据权利要求1所述的方法,还包括:
由所述计算装置基于所述用户的所述一个或多个用户属性来生成针对所述用户的饮食摄入选项;以及
基于所述用户的所述前驱糖尿病风险水平来过滤针对所述用户的所述饮食摄入选项以便为所述用户生成对所述饮食摄入的所述推荐。
7.根据权利要求6所述的方法,其中过滤所述饮食摄入选项包括:
对于每个饮食摄入选项确定血糖负荷;以及
将每个饮食摄入选项的所述血糖负荷与同所述用户的所述前驱糖尿病风险水平相关联的阈值血糖负荷进行比较。
8.一种用于监测前驱糖尿病风险并推荐饮食摄入的系统,所述系统包括:
一个或多个处理器;和
存储器,所述存储器存储指令,所述指令在由所述处理器执行时使所述系统:
经由应用编程接口生成用于评估前驱糖尿病风险的应用,其中所述应用提示输入用户属性以评估所述前驱糖尿病风险;
从与用户相关联的用户装置接收所述用户的一个或多个用户属性以针对所述用户评估所述前驱糖尿病风险;
基于所述一个或多个用户属性的向量化来生成与所述用户相关联的特征向量;
执行包括与所述用户相关联的所述特征向量和多个参考特征向量的多个特征向量的聚类;
基于所述聚类来确定所述用户的前驱糖尿病风险水平;以及
基于所述用户的所述前驱糖尿病风险水平和所述一个或多个用户属性为所述用户生成对饮食摄入的推荐。
9.根据权利要求8所述的系统,其中所述指令使所述处理器通过以下项来执行所述聚类:
基于前驱糖尿病风险水平的数量来确定要形成的簇的数量;
执行以下项的一次或多次迭代:
对于所述数量的要形成的簇中的每个簇,在包括与所述用户相关联的所述特征向量和所述多个参考特征向量的所述多个特征向量中选择质心特征向量;以及
确定所述多个特征向量中的每个特征向量的平均距离;
基于使所述平均距离最小化的一组质心来识别属于所述数量的簇中的每个簇的特征向量;以及
确定与每个簇相关联的前驱糖尿病风险水平。
10.根据权利要求8所述的系统,其中所述指令在被执行时使所述系统通过以下项来接收所述一个或多个用户属性:
经由所述应用向所述用户装置发送请求所述用户输入生理数据的消息;以及从所述用户装置接收所述生理数据。
11.根据权利要求8所述的系统,其中所述指令在被执行时使所述系统:
基于所述用户的所述前驱糖尿病风险水平和所述一个或多个用户属性来确定一组用户特定产品,其中生成对所述饮食摄入的所述推荐包括来自所述一组用户特定产品的一个或多个用户特定产品。
12.根据权利要求10所述的系统,其中所述指令在被执行时还使所述系统:
经由所述应用向所述用户装置发送请求所述用户输入活动水平、食物过敏、优选饮食或合并症中的一者或多者的消息;以及
基于所述活动水平、所述食物过敏、所述优选饮食或所述合并症中的所述一者或多者,从所述一组用户特定产品过滤用户特定产品。
13.根据权利要求8所述的系统,其中所述指令在被执行时还使所述系统:
基于所述用户的所述一个或多个用户属性来生成针对所述用户的饮食摄入选项;以及基于所述用户的所述前驱糖尿病风险水平来过滤针对所述用户的所述饮食摄入选项以便为所述用户生成对所述饮食摄入的所述推荐。
14.根据权利要求13所述的系统,其中所述指令在被执行时使所述系统通过以下项来过滤所述饮食摄入选项:
对于每个饮食摄入选项确定血糖负荷;以及
将每个饮食摄入选项的所述血糖负荷与同所述用户的所述前驱糖尿病风险水平相关联的阈值血糖负荷进行比较。
15.一种用于在包含计算机可执行编程指令的用于监测前驱糖尿病风险并推荐饮食摄入的计算机系统上使用的非暂态计算机可读介质,所述指令包括:
由计算系统并且经由应用编程接口生成用于评估用户特定前驱糖尿病风险的应用,其中所述应用提示输入用户属性以评估所述用户特定前驱糖尿病风险;
对于与相应的多个用户相关联的多个用户装置中的每个用户装置:
从与所述用户相关联的所述用户装置接收所述用户的一个或多个用户属性以针对所述用户评估所述用户特定前驱糖尿病风险;
基于所述一个或多个用户属性的向量化来生成与所述用户相关联的特征向量;
执行与所述相应的多个用户相关联的多个特征向量的聚类;
基于所述聚类来确定所述多个用户中的每个用户的前驱糖尿病风险水平;
对于所述多个用户中的每个用户,基于所述用户的所述前驱糖尿病风险水平和所述一个或多个用户属性为所述用户生成对饮食摄入的推荐。
16.根据权利要求15所述的非暂态计算机可读介质,其中执行所述聚类包括:
基于前驱糖尿病风险水平的数量来确定要形成的簇的数量;
执行以下项的一次或多次迭代:
对于所述数量的要形成的簇中的每个簇,在所述多个特征向量中选择质心特征向量;
以及
确定所述多个特征向量中的每个特征向量的平均距离;
基于使所述平均距离最小化的一组质心来识别属于所述数量的簇中的每个簇的特征向量;以及
确定与每个簇相关联的前驱糖尿病风险水平。
17.根据权利要求15所述的非暂态计算机可读介质,其中所述指令还包括:
对于所述多个用户中的给定用户,基于所述给定用户的所述前驱糖尿病风险水平和所述一个或多个用户属性来确定一组用户特定产品,其中为所述给定用户生成对所述饮食摄入的所述推荐包括来自所述一组用户特定产品的一个或多个用户特定产品。
18.根据权利要求17所述的非暂态计算机可读介质,其中所述指令还包括:
经由所述应用向所述多个用户装置中的给定用户装置发送请求与所述给定用户装置相关联的给定用户输入活动水平、食物过敏、优选饮食或合并症中的一者或多者的消息;以及
基于所述活动水平、所述食物过敏、所述优选饮食或所述合并症中的所述一者或多者,从所述一组用户特定产品过滤用户特定产品。
19.根据权利要求15所述的非暂态计算机可读介质,其中所述指令还包括:
由所述计算装置并且基于所述多个用户中的给定用户的所述一个或多个用户属性来生成针对所述用户的饮食摄入选项;以及
基于所述给定用户的所述前驱糖尿病风险水平来过滤针对所述给定用户的所述饮食摄入选项以便为所述给定用户生成对所述饮食摄入的所述推荐。
20.根据权利要求19所述的非暂态计算机可读介质,其中过滤所述饮食摄入选项包括:
对于针对所述给定用户的每个饮食摄入选项确定血糖负荷;以及
将每个饮食摄入选项的所述血糖负荷与同所述给定用户的所述前驱糖尿病风险水平相关联的阈值血糖负荷进行比较。

说明书全文

用于前驱糖尿病的数字和个性化险监测和营养计划系统

技术领域

[0001] 本公开的某些方面总体上涉及提供针对前驱糖尿病的推荐餐食计划的数字个性化健康监测系统。针对系统的输入包括但不限于营养物质摄入、食物偏好、性别、体重和所建议的用户的年龄。

背景技术

[0002] 前驱糖尿病是影响全世界数百万人的全球性健康当务之急。前驱糖尿病是血糖平高于正常值但还没有高到足以被诊断为糖尿病的状态。医生有时可将前驱糖尿病称为葡萄糖耐受性异常(IGT)或空腹血糖耐受性异常(IFG)。世界卫生组织(WHO)指出有IGT或IFG的人可能具有发展中糖尿病的高风险。尽管可能存在若干方式来测试人是否患有前驱糖尿病,但是前驱糖尿病的明显症状的相对缺乏意味着个体可能不知道他们患有前驱糖尿病病。
[0003] 糖尿病可能是胰腺没有产生足够胰岛素或身体细胞不适当地对胰岛素响应的结果。由于糖尿病可能没有已知的治愈方法,所以预防糖尿病的一种方式是通过经由生活方式干预来逆转前驱糖尿病。例如,减轻前驱糖尿病发作的饮食推荐可有助于预防糖尿病。存在对数字和个性化营养计划系统的期望和需求,该系统更加有效地参与被诊断有前驱糖尿病或处于前驱糖尿病风险的那些人,并且提供实用和有效的饮食摄入推荐。评估饮食摄入对用户的健康的影响的一种方式是通过饮食摄入的血糖负荷。血糖负荷(glycemic load,GL)是指估计饮食摄入在消耗之后将升高人的血液葡萄糖水平多少的数。确定血糖负荷的常规方法忽视了食物产品的细微差别,这些食物产品可能包括多种血糖指数降低成分。存在对基于更加准确和可靠的血糖负荷测量的数字和个性化营养监测和计划系统的期望和需求。
[0004] 本公开的各种实施方案解决上文呈现的缺点中的一个或多个缺点。发明内容
[0005] 本公开呈现了用于经由个性化数字平台针对前驱糖尿病监测风险并推荐饮食摄入的新型和创新的方法和系统。在一个实施方案中,提供了一种方法,该方法包括计算装置(例如,应用服务器)生成(例如,经由应用编程接口)用于评估用户特定前驱糖尿病风险的应用。该应用可提示输入用户属性以评估用户特定前驱糖尿病风险。计算装置可从与用户相关联的用户装置接收用户的一个或多个用户属性(例如,以针对该用户评估用户特定前驱糖尿病风险)。例如,用户属性可包括血液葡萄糖水平、年龄、体重、性别、生理数据、食物偏好、发病率等。计算装置可基于一个或多个用户属性的向量化来生成与用户相关联的特征向量。与用户相关联的特征向量可与同多个其他用户或参考相关联的参考特征向量进行比较(例如,通过绘制图表)。计算装置可执行包括与用户相关联的特征向量和多个参考特征向量的多个特征向量的聚类(例如,k均值聚类)。聚类可导致表示不同前驱糖尿病风险水平的离散数量的簇。计算装置可基于聚类来识别或确定用户的前驱糖尿病风险水平。基于用户的前驱糖尿病风险水平和一个或多个用户属性,计算装置可为用户生成对饮食摄入的推荐。
[0006] 在一些方面,计算装置可经由应用向用户装置发送请求用户输入生理数据(例如,心率、血压、血液葡萄糖等)的消息。用户装置可以提供生理数据(例如,经由与用户装置通信地相关联的可穿戴和/或附件装置),并且该生理数据可由计算装置(例如,作为一个或多个用户属性)接收。
[0007] 在一些方面,聚类可涉及基于前驱糖尿病风险水平的数量来确定要形成的簇的数量。计算装置可执行以下项的一次或多次迭代:对于该数量的要形成的簇中的每个簇,在包括与用户相关联的特征向量和多个参考特征向量的多个特征向量中选择质心特征向量;以及确定多个特征向量中的每个特征向量的平均距离。在计算装置确定使质心与特征向量之间的平均距离最小化的一组质心之后,计算装置可终止迭代。可识别属于该数量的簇中的每个簇的特征向量。每个簇可表示与每个簇相关联的前驱糖尿病风险水平。每个簇的特征向量可因此被识别,例如,以确定每个前驱糖尿病风险水平的用户。
[0008] 计算装置可确定用于用户的一组用户特定产品(例如,基于用户的一个或多个用户属性和前驱糖尿病风险水平)。所生成的对饮食摄入量的推荐可包括来自该组用户特定产品的一个或多个用户特定产品(例如,子集)。在一些方面,可以提示用户(例如,经由通过用户装置上的应用接收的消息)输入针对用户特定产品的一个或多个过滤器,该过滤器包括但不限于活动水平、食物过敏、优选饮食或合并症。计算装置可以基于由用户输入的一个或多个过滤器从该组用户特定产品过滤用户特定产品。在一些方面,计算装置可确定为属于每个前驱糖尿病风险水平的用户推荐的阈值血糖负荷。计算装置可从该组用户特定产品过滤满足与用户的前驱糖尿病风险水平相对应的阈值血糖负荷的任何用户特定产品。过滤的一组用户特定产品因此可以被推荐作为推荐饮食摄入的一部分。
[0009] 在一些方面,计算装置可识别对用户的周期性(例如,每日、每周等)营养物质和/或卡路里要求,以及对用户的餐食营养物质和/或餐食卡路里要求。推荐饮食摄入与这些要求进行比较,并且还可在被呈现给用户之前被细化和/或过滤。
[0010] 在另一个实施方案中,公开了一种用于经由个性化数字平台针对前驱糖尿病监测风险并推荐饮食摄入的系统。该系统可以包括一个或多个处理器存储器。该存储器存储指令,所述指令在由一个或多个处理器执行时使系统执行本文所述的一种或多种方法。在另一个实施方案中,公开了一种用于在包含计算机可执行编程指令的用于经由个性化数字平台针对前驱糖尿病监测风险并推荐饮食摄入的计算机系统上使用的非暂态计算机可读介质。该指令可以包括本文所述的一个或多个步骤、方法或过程。
[0011] 本文该的特征和优点并非都包括在内,具体地讲,根据附图和描述,许多附加的特征和优点对于本领域的普通技术人员而言将是显而易见的。此外,应当指出的是,本说明书中使用的语言主要是为了可读性和指导性目的而选择的,并且不限制本发明主题的范围。

附图说明

[0012] 图1示出了根据本公开的实施方案的用于经由个性化数字平台针对前驱糖尿病监测风险并推荐饮食摄入的系统。
[0013] 图2示出了根据本公开的示例性实施方案的示例性食物产品数据库
[0014] 图3示出了根据本公开的示例性实施方案的经由个性化数字平台针对前驱糖尿病监测风险并推荐饮食摄入的示例性方法的流程图
[0015] 图4示出了根据本公开的示例性实施方案的基于前驱糖尿病风险水平对用户进行聚类的示例性方法的流程图。
[0016] 图5示出了根据本公开的示例性实施方案的确定饮食摄入选项的血糖指数以监测前驱糖尿病的风险并提供对前驱糖尿病的饮食摄入推荐的示例性方法的流程图。
[0017] 图6包括示出在根据本公开的示例性实施方案的确定饮食摄入选项的血糖指数的示例性方法中可应用的营养物质的示例性校正因子的表。
[0018] 图7示出了根据本公开的示例性实施方案的应用针对前驱糖尿病的饮食摄入推荐的示例性方法的流程图。
[0019] 图8是示出根据本公开的示例性实施方案的对营养物质、卡路里和血糖负荷的示例性每日要求的表。
[0020] 图9是示出根据本公开的示例性实施方案的基于前驱糖尿病风险簇的餐食计划的生成的图。

具体实施方式

[0021] 如先前所讨论的,前驱糖尿病是代谢紊乱,其特征在于升高的血糖水平落在诊断糖尿病的阈值以下。预防或治疗前驱糖尿病可以是预防糖尿病和其它心血管疾病的有效方式。人的饮食可能与前驱糖尿病的进展密切相关。例如,餐食的消耗通常可导致血液葡萄糖水平的增加,这在正常情况下可引起身体产生胰岛素。胰岛素可引起血液葡萄糖从血流摄取到身体的某些细胞中。血液葡萄糖的降低可触发胰高血糖素的产生,其可导致引起血液葡萄糖水平恢复的活动(例如,通过触发饥饿和餐食消耗)。
[0022] 本公开整体涉及一种用于增加营养意识、监测前驱糖尿病风险以及推荐饮食摄入以逆转前驱糖尿病的个性化数字平台。该个性化数字平台可提示用户输入相关信息以允许平台评估用户的风险类别。例如,用户可输入他或她的年龄、体重、性别和每日饮食摄入信息。在一些方面,可提示用户经由生物传感器或可穿戴装置输入生理数据(例如,血液葡萄糖信息)。从用户接收的信息(例如,用户属性)可例如经由向量化被组织为可量化数据。可将有关用户的用户属性与同其他用户相关联的用户属性进行比较,以确定该用户的前驱糖尿病风险水平(例如,通过聚类或其他机器学习模型)。个性化数字平台可例如基于与每个饮食摄入选项相关联的血糖指数(GI)或血糖负荷(GL)来确定适用于每个前驱糖尿病风险水平的饮食摄入选项。除了餐食营养物质要求之外,饮食摄入选项也可基于周期性(例如,每日、每周等)营养物质要求。此外,除了餐食卡路里要求之外,饮食摄入选项可基于周期性(例如,每日、每周等)卡路里要求。在一些方面,饮食摄入推荐可作为前驱糖尿病友好食谱和/或定制餐食计划呈现给用户。在提示用户将饮食摄入推荐并入到用户的生活方式中时,可周期性地监测用户(例如,经由提示输入生理数据)以用于改善。
[0023] 另外,本公开提供了一种用于针对前驱糖尿病更加可靠地并准确地监测用户的风险的方法(例如,经由确定用户的饮食的血糖负荷的改进的方法)。血糖负荷是指估计给定量的食物消耗(例如,在一餐中、在一天中、在规定的时间长度中等)将在消耗之后升高人的血液葡萄糖水平多少的数。用于确定血糖指数和血糖负荷的常规方法涉及合计见于通用表中的数百种常见食物和饮料的平均GI和GL值。然而,此类常规方法不反映实际产品的特异性(例如,其取决于成分的本地来源和处理)。第二,此类常规方法没有适当地考虑到餐食中的非血糖组分(例如,面包上的黄油)的降GI效果。本文例如关于图5和图6更详细地讨论了用于确定GL和GI并因此为用户生成更加可靠和有效的饮食摄入推荐的改进的方法。所公开的数字和个性化营养监测系统因此基于用户特定输入和血糖负荷的改善的评估来生成饮食推荐。
[0024] 图1示出了根据本公开的一个实施方案的系统100。系统100包括与用户相关联的用户装置102和用于执行本文所述的一个或多个步骤或方法的分析服务器120。用户装置102可以通信地联接到一个或多个生物传感器和/或可穿戴装置119。另外或另选地,生物传感器和/或可穿戴设备119可以是独立计算装置的一部分(例如,在医院和/或医疗设施处)。
这些装置中的每个装置和其它外部装置(未示出)可能够经由通信网络150彼此通信,该通信网络可以是用于散布信息的任何有线或无线网络。该无线网络的示例可包括Wi‑Fi、全球移动通信系统(GSM)网络和通用分组无线电服务(GPRS)网络、增强型数据GSM环境(EDGE)网络、802.5通信网络、码分多址(CDMA)网络、蓝牙网络或长期演进(LTE)网络、LTE‑高级(LTE‑A)网络或第5代(5G)网络。此外,每个装置可包括相应的网络接口(例如,网络接口118和
146)以促进通过通信网络150的通信。例如,相应的网络接口可包括有线接口(例如,电气、RF(经由同轴电缆)、光学(经由光纤))、无线接口、调制解调器等。此外,这些装置中的每个装置可包括一个或多个相应的处理器(例如,处理器104和122)和存储器(例如,存储器110和132)。该处理器可包括被配置为对数据流执行操作的任何一种或多种类型的数字电路,包括在本公开中描述的功能。该存储器可包括任何类型的长期、短期、易失性、非易失性或其他存储器,并且不限于任何特定类型的存储器或存储器数目,或在其上存储存储器的介质的类型。存储器可存储在由处理器执行时可使相应装置执行本文讨论的一种或多种方法的指令。
[0025] 可将用户装置102实施为计算装置,诸如计算机、智能电话、平板电脑、智能手表或其他可穿戴设备(相关联的用户可以借助该设备例如,通过使用应用114与分析服务器120通信)。用户装置102还可包括用户界面(UI)112,该用户界面可包括触敏显示器、触摸屏、具有显示装置的小键盘或其组合,并且可相对于显示器106工作。UI 112可允许第一用户经由应用114查看由分析服务器120提供的音频、视频和/或文本信息,访问和使用一个或多个应用114,以及例如通过触摸和移动显示器106上的图标来输入输入信号。显示器106可包括输出视觉信息(例如,图像、视频等)的任何介质。应用114可包括用以执行本文描述的方法的任何程序或软件。例如,应用114可包括由分析服务器120托管的用于监测营养物质水平和/或营养需求并推荐饮食摄入的应用。该用户可具有与该应用相关联的用户配置文件116,并且用户配置文件116可包括可由分析服务器120利用的多个用户属性。
[0026] 该用户属性可包括关于用户的生物细节(例如,用户标识、性别、体重、身高等)、关于用户的健康的信息(例如,活动水平、合并症、健康目标等)以及饮食需求、饮食偏好及敏感性和过敏。此外,用户属性可包括被生成以评估前驱糖尿病风险的数据结构的用户条目(例如,对标准化或非标准化问卷的响应)。在一些实施方案中,该用户属性还可包括第一用户的生理数据。该生理数据可经由一个或多个生物传感器和/或包括一个或多个生物传感器(例如,“生物传感器/可穿戴设备”119)的可穿戴装置获得。在一些方面,生物传感器/可穿戴设备119可以是用户装置102的一部分,或可通信地链接到该用户装置。该生物传感器/可穿戴设备可包括但不限于血糖监测仪、血压计、心率测量装置和/或测量活动水平的装置(例如, )。
[0027] 应用114可包括个性化数字平台,该个性化数字平台基于用户的属性来推荐饮食计划(例如,对进食时机或时间段的餐食推荐;基于营养物质、卡路里和血糖负荷的指南;等),并且监测用户的食物摄入和健康。
[0028] 分析服务器120可包括本地或远程计算系统。分析服务器120可被配置用于:请求并接收从用户装置102接收的信息;处理与用户或跟随者相关联的信息;学习有关营养物质水平和用户属性的各种用户特定数据以训练用于预测营养物质水平和营养需求的机器学习模型;确定各种饮食摄入选项的血糖负荷;生成所推荐产品的列表和所述产品的用途;以及发送推荐;以及其它功能。
[0029] 分析服务器120的一个或多个处理器122可包括图像处理器124和自然语言处理器126。图像处理器124可以对由用户装置102产生的图像数据进行数字处理,以避免噪声和其他伪影,并为文本和物理对象的识别准备此类图像数据。可使用自然语言处理器126来识别文本,并且根据从图像数据捕获的文本确定含义。该文本可包括用户属性和可识别产品的标识符(例如,产品名称、公司名称等)。图像处理器和/或自然语言处理器可依赖于来自机器学习模128的存储的机器学习模型,以从图像和文本数据识别各种用户属性的信息(例如,来自自然语言文本的年龄和体重信息、来自食物图像的每天消耗的卡路里、来自描述健康状况的自然语言文本的健康状况等)。
[0030] 在一个方面,机器学习模块128可包括聚类单元130。聚类单元130可包括用于识别特征向量的簇的软件、程序或指令。特征向量可包括基于并对应于多个个体用户的一组用户属性的值。例如,这些值可对应于对评估前驱糖尿病的风险或严重程度的信息请求的用户响应。因此而形成的簇可指示用户的风险水平。在一些方面,聚类单元130可利用无监督机器学习模型(例如,Jenks自然中断优化、k均值聚类、k中值聚类、k中心聚类、模糊C均值聚类、利用期望最大化算法训练的高斯混合模型、k均值++等)来将n个观测结果(例如,特征向量)分割成k个簇,其中每个观察结果属于具有最近均值的簇。在一些方面,聚类单元130可利用监督机器学习模块(例如,多类分类、多项式逻辑回归、k最近邻算法等)。在此类方面,机器学习模块124也可用于训练模型以基于与特定用户相关联的用户属性来预测该用户可能属于的特定类(例如,前驱糖尿病风险水平)。训练可涉及使用参考训练数据。该参考训练数据可包括特征向量,每个特征向量包括基于并对应于多个个体用户的一组用户属性的值。特征向量可与那些多个个体用户的已知前驱糖尿病风险水平相关联,并且可被训练为监督机器学习模型的一部分。
[0031] 分析服务器120的存储器132还可包括用户数据库134、食物产品数据库136和应用程序接口(API)138。用户数据库134可存储与本文中所呈现的系统和方法的用户(例如,包括与用户装置102相关联的用户)相关联的相应用户配置文件。食物产品数据库136可存储关于多个可识别(例如,商业)食物产品的信息以及已被个性化数字平台的各种用户录入其信息的食物产品。食物产品可包括餐食或餐食项目,并且可具有已知的营养信息、卡路里信息、血糖负荷和/或血糖指数。食物产品数据库136可列出针对每种产品的营养和卡路里信息、产品在食谱内的使用以及考虑到它们的使用的特殊说明和警告。食物产品可包括与营养和饮食补充剂相关联的食物和饮料产品。示例性食物产品可包括NUTREN DIABETIK、OPTIFAST、NUTREN MEALTIME COMPANION或REDUCOSE。
[0032] 存储器132也可包括应用程序接口(API)138,该应用程序接口托管、管理或以其他方式促进用户装置102中的一个或多个应用(例如,应用114)。例如,API 138可管理能够监测营养物质水平并推荐饮食摄入的应用。饮食推荐引擎140(也被称为餐食计划器引擎)可包括为给定用户生成对餐食的适当推荐的一个或多个程序、应用或具体实施,包括与用于给定用户(例如,用户)的一组一个或多个产品相关联的餐食。饮食推荐引擎140可利用用户数据库134、食物产品数据库136和聚类单元130。在一些方面,饮食推荐引擎140可利用外部数据库(诸如智能食谱中心(SMART RECIPE HUB)160)来以建议的餐食食谱的形式提供饮食摄入推荐。
[0033] 智能食谱中心160可包括用于食物产品的食谱的储存库。每个食谱可通过餐食或进食时机(例如,早餐、午餐、晚餐、快餐等)和菜肴类型(例如,主菜、配菜等)来标记。此外,每个食谱可提供与该食谱相关联的食物产品或食物产品组分的营养信息。在一些方面,智能食谱中心160可以是分析服务器120的一部分。
[0034] 分析服务器120还可包括更新接口148。更新接口148可包括用于诸如经由创建、读取、更新或删除(CRUD)功能来管理一个或多个数据库(例如,用户数据库134、产品数据库136等)的数据库管理程序或应用。在一些方面,例如,诸如当新用户想要注册用于监测营养物质水平并推荐饮食摄入的应用时,更新接口148可允许外部装置(例如,用户装置102)更新一个或多个数据库。
[0035] 图2示出了根据本公开的示例性实施方案的示例性食物产品数据库200。如先前所讨论的,食物产品数据库200可以是分析服务器120的部件。作为监测用户或评估用户的饮食习惯以确定用户的前驱糖尿病风险水平的一部分,食物产品数据库200可允许分析服务器120识别用户已经食用的餐食或食物产品。另外或另选地,食物产品数据库200可允许分析服务器120基于用户的前驱糖尿病风险水平和与用户相关联的用户属性来推荐饮食摄入。对用户关于各种食物产品的饮食摄入推荐可帮助用户改善或克服前驱糖尿病风险或状况。食物产品数据库200可包括针对多个食物产品202的配置文件。
[0036] 可以设想到,一些食物产品可包括其食物产品组分和成分可以是已知的或容易获得的商业或家用食物产品。然而,其它食物产品的配置文件可由用户创建并例如经由更新接口212存储在食物产品数据库200中。
[0037] 食物产品配置文件202可包括关于构成食物产品的一种或多种食物产品组分204(例如,成分)的信息。此外,可存储每种食物产品组分204中的营养物质206的信息。营养物质206信息可包括各种血糖水化合物(例如,单糖、二糖、多糖、糖醇等)、GI降低常量营养物(例如,纤维、Β‑葡聚糖、脂肪蛋白质、灰分、水)、维生素、矿物质等的量或比例。此外,对于每种食物产品组分204,食物产品数据库200可存储其血糖负荷208、血糖指数210和卡路里211,这三者中的任一者可基于食物产品组分中的营养物质206。在一些方面,可使用本文中所呈现的方法(例如,如将关于图5和图6描述的),基于食物产品组分的营养物质206来自动计算血糖负荷208和血糖指数210。单独的食物产品组分的血糖负荷208、血糖指数210、卡路里211和/或营养物质206可被合计以确定针对食物产品、食谱、餐食、每日食物摄入、每周食物摄入等的血糖负荷、血糖指数、卡路里和/或营养物。
[0038] 更新接口212可包括更新接口148、作为它的一部分、或执行类似于它的功能,并且可用于更新食物产品数据库200的任何方面。此外,查询优化器214可允许外部部件和装置更加有效地并准确地从食物产品数据库200检索信息。
[0039] 图3示出了根据本公开的示例性实施方案的经由个性化数字平台针对前驱糖尿病监测风险并推荐饮食摄入的示例性方法300的流程图。方法300可由分析服务器120的一个或多个处理器执行。方法300可涉及应用114的用户允许分析服务器120执行以下项的能:确定用户的前驱糖尿病风险水平;确定营养、热量和血糖负荷需求,推荐饮食摄入,以及监测用户的前驱糖尿病风险。
[0040] 可以设想到,多个用户可利用或以其他方式受益于个性化数字平台以改善他们的前驱糖尿病风险或状况。每个用户可与用户可用来订阅个性化数字平台(例如,经由被分析服务器120管理的应用114)的用户装置(例如,用户装置102)相关联。因此,参考方法300,分析服务器可对于每个用户接收对应的用户配置文件(框302)。例如,作为用于订阅个性化数字平台的条件(例如,为了接收评估和监测用户的前驱糖尿病风险或状况的益处),用户可被提示经由在用户装置102上的应用114提交有关用户的初步信息,诸如用户和/或用户装置的识别信息(例如,用户名、用户装置编号、年龄、体重、性别等)。应用114可由分析服务器120的API 134生成和托管,并且用户经由他们的相应用户装置可访问该应用。应用可以是启用的web浏览器和/或可包括在移动平台上可访问的移动应用。此外,分析服务器可跟踪与应用交互的用户装置(例如,通过存储装置标识符),并且可识别同一装置何时返回到应用。分析服务器120可因此在框302处接收有关用户的此类初步信息。该初步信息可用于为用户创建用户配置文件。用户配置文件可包括在分析服务器132的用户数据库134内的存储装置,其中关于用户的附加信息(例如,用户属性、前驱糖尿病风险水平等)可被存储在数据结构中。
[0041] 例如,对于给定用户,分析服务器可基于用户配置文件来生成数据结构(框304)。分析服务器然后可提示将用户属性输入到数据结构中(框306)。如先前所讨论的,用户属性可包括关于用户的生物细节(例如,用户标识、性别、体重、身高等)、关于用户的健康的信息(例如,活动水平、合并症、健康目标等)、饮食需求和偏好以及生理数据(例如,血液葡萄糖水平)。在一些方面,提示用户录入用户属性可涉及提示用户连接到生物传感器和/或可穿戴装置(例如,生物传感器/可穿戴设备119)以录入生理数据(例如,血液葡萄糖水平)。同样或另选地,用户属性的输入可以经由图像、音频和/或视频上载。例如,可以对患者数据表进行扫描并上载到应用114上,并且自然语言处理器126可以解析和识别与合并症、潜在健康状况和生物细节有关的用户属性。用于完成用户配置文件的初步信息可包括一个或多个用户属性(例如,年龄、体重、身高、性别等)。
[0042] 此外,用户属性可基于对用于针对前驱糖尿病或糖尿病评估风险和状况的标准问卷的响应。例如,此类问卷可包括但不限于芬兰糖尿病风险平分(FINDRISC)、修改的亚洲FINDRISC(MODAsian FINDRISC)、由美国糖尿病协会提供的问卷(例如,“你有糖尿病吗?接受风险测试吧”)、由英国糖尿病协会(Diabetes UK)提供的问卷(例如,“Cheque For Tech”)等。
[0043] 可以设想到,用户的一些输入可能没有充分地对提示(例如,问题)进行响应,或者可能产生跟进提示。此类情形用作分析服务器经由用户装置评估用户的条目(框308)以及确定是否需要更新数据结构(例如,对于补充或经校正的响应)或者是否需要创建新的数据结构(例如,对于对跟进提示的响应)(框310)的原因。如果条目没有充分地对提示进行响应或者是跟进提示(例如,问题)的原因,则分析服务器可更新和/或创建新的数据结构以供用户校正新的提示或对其进行响应(框312)。用户因此可再次被提示将用户属性输入到更新的或创建的数据结构中(框306)。
[0044] 如果对输入用户属性的任何提示的响应被认为完成,则分析服务器可生成用户特定饮食摄入选项(框314)。例如,分析服务器可提示用户录入任何饮食偏好或食物过敏、合并症、初步信息(例如,年龄、体重、身高、性别等)或生理数据(例如,血液葡萄糖水平)作为用户属性。此类用户属性可用于确定对用户的每日营养物质和卡路里要求(例如,基于体重指数计算),过滤出与食物过敏相关联的任何餐食,以及基于用户的食物偏好来生成食物摄入选项的列表。食物选项可包括具有已知营养物质和血糖指数信息的已知食物产品、食谱和/或餐食的列表。在一些方面,用户属性可用于基于食物群级别规则来确定对单独的营养物质和/或卡路里的要求。例如,某些食物群(例如,蔬菜)可能比其它食物群(例如,糖食)具有更高的卡路里要求。如稍后将描述的,在后续步骤中,可基于用户的前驱糖尿病风险水平进一步过滤生成的用户特定饮食摄入选项。
[0045] 例如,分析服务器可确定给定用户的每个用户特定饮食摄入选项的营养物质、卡路里和血糖负荷(框316)。如先前所讨论的,公开了确定给定饮食摄入选项的血糖负荷的改进的方法,其引起更加准确地并可靠地监测前驱糖尿病风险和状况。图5和图6更详细地描述了确定血糖负荷的改进的方法的至少一个实施方案。可从食物产品数据库136检索和/或以其他方式计算营养物质和卡路里信息。如还将描述的,关于图8,营养物质可包括但不限于碳水化合物、蛋白质、脂肪(例如,饱和脂肪、不饱和脂肪等)、纤维和钠。
[0046] 为了基于前驱糖尿病风险水平对给定用户进行分类,分析服务器具有其他用户的用户属性可能是有帮助的。因此,在框318处,分析服务器可确定分析服务器是否已识别可接收其用户属性的任何附加用户。如果存在附加用户,则可针对附加用户中的每个用户重复框304至316,直到已经接收一组用户属性,例如以便在后续步骤中确定前驱糖尿病风险簇。如果不存在尚未接收其用户属性的附加用户,或者如果存在从多个用户接收的足够数据,则分析服务器继续将各种用户的输入的用户属性转换成可量化数据(例如,将每个用户的用户属性向量化)(框320)。例如,n个用户已经输入对其的响应的m个用户属性的共同组(例如,年龄、体重、身高、血液葡萄糖水平)可被布置为m维的n个特征向量。可将单独的响应转换成在每个特征向量内的数值。
[0047] 分析服务器可从特征向量识别簇,簇代表前驱糖尿病风险水平(框322)。无监督聚类过程(例如,k均值聚类)或监督机器学习模型(例如,多维分类)然后可用于识别特征向量中的簇。图4更详细地描述了框320和322的至少一些实施方案。在框322中因此而形成的和/或识别的簇可用于根据前驱糖尿病风险水平对每个用户进行分类。在至少一个实施方案中,每个簇可对应于独特的前驱糖尿病风险水平。要形成的簇的数量可以是预定的,并且簇的数量可取决于期望的饮食摄入推荐的特异性水平而变化。例如,在一个实施方案中,一个簇可包括处于发展中糖尿病的高至中度风险(例如,计划A)的用户,并且另一个簇可包括处于发展中糖尿病的高至非常高风险(例如,计划B)的用户。如本文还将描述的,图9描述了三个簇(例如,低风险、轻度至中度风险、以及高至非常高风险)的示例性实施方案,带有对每个簇的示例性卡路里限制、血糖负荷要求和饮食摄入推荐。
[0048] 在框323处,分析服务器可识别对与每个前驱糖尿病风险水平相关联的血糖负荷、个体营养物质和卡路里的阈值要求。与给定前驱糖尿病风险水平相关联的阈值血糖负荷、营养物质和卡路里要求可分别是属于该给定前驱糖尿病危险水平的用户的给定餐食的血糖负荷、营养物质和卡路里的推荐范围。在一些方面,每餐食(例如,早餐、午餐、晚餐、快餐)可具有不同的阈值血糖负荷、营养物质和/或卡路里要求。如本文还将描述的,图9描述了对与三个不同前驱糖尿病风险水平相关联的血糖负荷、营养物质和卡路里的示例性阈值要求。
[0049] 在框324处,分析服务器可基于用户的前驱糖尿病风险水平来过滤用户特定饮食摄入选项。例如,分析服务器可使用与每个前驱糖尿病风险水平相关联的阈值血糖负荷、营养物质和卡路里要求。分析服务器然后可对于每个用户识别用户特定饮食摄入选项(来自框314)以及每个用户特定饮食摄入选项的血糖负荷、营养物质和卡路里(来自316),以便过滤出不满足与用户的前驱糖尿病风险水平相关联的阈值血糖负荷、营养物质和/或卡路里要求的那些用户特定饮食摄入选项。在过滤之后,得到的用户特定饮食摄入选项可包括针对用户的推荐饮食摄入。
[0050] 在框326处,分析服务器可向与用户相关联的用户装置输出对用户的饮食摄入推荐。例如,用户能够在用户装置102的应用114上查看针对建议的餐食选项(例如,针对即将到来的餐食(例如,早餐、午餐、晚餐等))的推荐。在至少一个实施方案中,分析服务器可基于用户的食物偏好和敏感性来创建具有定制食谱的每周(例如,7天)餐食计划。例如,食谱可来源于诸如智能食谱中心等数据库,可从食物产品数据库136获得关于食谱的单独的食物组分的信息,并且然后可基于与用户相关联的前驱糖尿病风险簇和用户属性来过滤食谱。在一些方面,分析服务器也可包括除饮食摄入推荐之外的推荐。例如,健康计划可包括建议的锻炼。
[0051] 此外,分析服务器可在之后监测用户的健康(框328)。例如,分析服务器可提示用户(例如,通过经由应用114发送的通知)输入用户食用的餐食的描述(例如,如果不是由分析服务器推荐的饮食摄入的话)。分析服务器可确定所食用的餐食的血糖负荷,并且然后可确定其是否在与用户的前驱糖尿病风险水平相关联的目标或阈值血糖负荷内。另外或另选地,分析服务器可周期性地提示用户经由生物传感器或可穿戴装置提供血液葡萄糖水平,以跟踪推荐饮食摄入是否有助于随时间改善用户的前驱糖尿病状况。
[0052] 图4示出了根据本公开的示例性实施方案的基于前驱糖尿病风险水平来对用户进行聚类的示例性方法400的流程图。方法400可由分析服务器120的一个或多个处理器执行。如先前所讨论的,方法400示出了图3的框320和322的至少一个实施方案。此外,如关于图3的框306所讨论的,分析服务器可提示个性化数字平台的用户录入对各种问题的响应,这些响应可能有助于评估前驱糖尿病风险并推荐饮食摄入选项。对于每个用户,可将这些响应存储作为用户属性。
[0053] 因此,参考图4,分析服务器可对于每个用户接收用户属性的条目(框402)。这些条目可被存储在与每个用户的用户配置文件相关联的数据结构中。出于确定前驱糖尿病风险水平的簇或类的目的,如图4中所讨论的,可存在一组共同用户属性(例如,年龄、体重、身高、血液葡萄糖水平等),用户可各自具有针对该组共同用户属性的条目。
[0054] 分析服务器然后可将条目向量化成针对每个用户的特征向量(框404)。在一些方面,条目的向量化可指将针对各种用户的用户属性的输入的条目转换成可量化数据。为每个用户因此而形成的特征向量可包括针对每个用户属性的可量化数据。例如,n个用户已经输入对其的响应的m个用户属性的共同组(例如,年龄、体重、身高、血液葡萄糖水平)可被布置为m维的n个特征向量。可将单独的响应转换成在每个特征向量内的数值。
[0055] 分析服务器可确定要识别的簇的数量k(框406)。簇可指例如由于当被绘制成多维曲线图时它们彼此之间的距离而自然地形成为群的一群数据点(例如,特征向量)。每个簇可代表前驱糖尿病风险水平。要识别的簇的数量可基于个性化数字平台的用户或操作员可能期望多少分层,以便评估用户的前驱糖尿病。
[0056] 在决定要识别的簇的数量k之后,分析服务器可选择各自表示相应簇的k个特征向量(框408)。此类所选择的特征向量可被称为质心。此类选择可以是任意的和/或随机的。例如,如果要识别的簇的数量k为3,则特征向量f1可表示簇k1,特征向量f2可表示簇k2,并且特征向量f3可表示簇k3,即使簇的范围和组成仍将基于本文中所呈现的方法来确定。可以设想到,特征向量(例如,数据点)的总数将至少大于k,使得每个要识别的簇可至少具有包括质心的多于一个特征向量。分析服务器可计算每个特征向量距质心(例如,被选择用于表示每个簇的特征向量)的平均距离(框410)。计算从其到特征向量的距离的质心可以是最接近该特征向量的质心。该平均可包括每个特征向量距相应质心的距离的平均值或中值。
[0057] 可评估所计算的平均距离以确定其是否为最小平均距离(框412)。例如,可将框410和412的一次迭代的所计算的平均距离与框410和412的先前迭代的所计算的平均距离进行比较,以确定是否找到新的最小平均距离。直到找到最小平均距离,可选择不同的一组特征向量作为质心来表示k个要识别的簇(框414)。因此,可重复框410、412和414,直到找到使每个特征向量与它们的相应质心之间的平均距离最小化的一组质心。在找到该一组质心之后,基于产生最小平均距离的该一组质心来识别k个簇(框416)。因此,每个质心及其最接近它的相应特征向量可形成簇。此外,每个簇可表示前驱糖尿病风险水平。对于每个簇,表示每个用户(例如,经由每个用户的用户属性的向量化)的特征向量可将用户链接到与该簇相关联的前驱糖尿病风险水平。分析服务器因此可基于与用户相关联的特征向量的簇来输出每个用户的前驱糖尿病风险水平(框418)。如本文所讨论的,用户的前驱糖尿病风险水平可提供用于例如通过确定与前驱糖尿病风险水平相关联的任何阈值血糖负荷或其他要求为用户推荐饮食摄入的相关信息。
[0058] 图5示出了根据本公开的示例性实施方案的确定饮食摄入选项的血糖指数以监测前驱糖尿病的风险并针对前驱糖尿病推荐饮食摄入的示例性方法的流程图。方法500可由分析服务器120的一个或多个处理器执行。此外,方法500可描述图3的框316的至少一些实施方案。
[0059] 方法500可开始于识别食物产品(框502)。例如,食物产品可包括要针对其计算血糖负荷(例如,从图3的框316)的饮食摄入选项。另外或另选地,食物产品可被个性化数字平台的用户识别为用户正在食用或打算食用的食物产品。例如,用户可经由在用户装置102上的应用114录入食物产品的标识或关于食物产品的细节。
[0060] 分析服务器可确定食物产品的营养物质信息是否可获得。例如,分析服务器120可针对食物产品(例如,食物产品202)查询其食物产品数据库136和200,以查看是否存在任何存储的营养物质信息206(例如,基于任何存储的食物组分204)。如果没有存储营养物质,则分析服务器可确定是否存在任何可识别的食物组分。例如,分析服务器可查询其食物产品数据库136和200,以查看是否存在列出在食物产品下的任何食物产品组分(例如,食物产品的成分)。如果不存在可识别的食物组分(例如,没有一个被储存在食物产品数据库136和200中),则分析服务器120可提示用户识别所识别的食物产品(例如,花生酱和果冻三明治)由什么构成(框508)。用户可经由在用户装置102上的应用114输入食物组分(例如,两片全麦面包、一茶匙花生酱和一茶匙草莓果冻)。如果在食物产品数据库136中找到食物产品组分的信息,或者在用户已经提供关于食物产品组分的信息之后,分析服务器可确定是否可在食物产品数据库中找到食物产品组分的任何营养物质信息(框510)。例如,分析服务器
120可针对每种单独的食物产品组分(例如,全麦面包、花生酱、草莓果冻)查询食物产品数据库136和200,以检索与每种食物产品组分相关联的营养物质信息。在一些方面,每种食物产品组分可被存储在与其它食物产品相关联的数据结构下。在此类方面,分析服务器120可更新与在框502中识别的食物产品相关联的数据结构,以录入用于食物产品组分的附加数据字段。营养物质可包括但不限于脂肪、蛋白质、水、维生素、矿物质、络合碳水化合物(例如,血糖多糖)、简单碳水化合物(单糖、二糖等,等等)。如果没有找到营养物质信息,则分析服务器可提示用户输入各种食物产品组分的营养物质信息(框512)。用户可经由用户装置
102的应用114录入每种食物产品组分的营养信息。在一些方面,营养物质可包括例如碳水化合物、蛋白质、脂肪、饱和脂肪、纤维和钠。在此类方面,可(例如,基于由用户关联的前驱糖尿病风险水平)周期性地(例如,每日、每周等)向用户提供此类营养物质的推荐摄入。
[0061] 在检索(例如,从其食物产品数据库)或接收(例如,从用户装置102)食物产品的营养物质信息或构成该食物产品的各种食物产品组分之后,分析服务器可开始分析特定营养物质以确定该食物产品的血糖负荷。例如,分析服务器可确定食物产品是否具有任何单糖或二糖(框514)。如果存在,则分析服务器可基于单糖或二糖的相对量来确定血糖指数(框516)。如本文将讨论的,图6(例如,经由框602)更详细地示出了如何确定血糖指数的示例。
[0062] 之后,或者如果不存在单糖或二糖,则分析服务器可确定食物产品是否具有任何血糖多糖(框518)。如果存在,则分析服务器可基于血糖多糖的相对量来确定血糖指数(框520)。例如,可识别特定类型的血糖多糖,并且可从图6的框604中所示的查找表检索血糖指数并可将其存储在食物产品数据库136和200中。此外,可应用基于每种血糖多糖的校正因子ai(框522)。如本文将讨论的,图6(例如,框604)列出了各种已知血糖碳水化合物的校正因子ai。
[0063] 之后,或者如果不存在血糖多糖,则分析服务器可确定食物产品是否具有任何非血糖营养物质(框524)。此类非血糖营养物质可包括但不限于β‑葡聚糖、纤维、脂肪、蛋白质、灰分和水。如果存在,则分析服务器可在血糖指数的确定中应用与每种非血糖营养物质相关联的降GI能力bi(框526)。例如,可从图6的框606识别特定类型的非血糖营养物质,并且可基于图6的框602中所示的方法来计算血糖指数。如本文将讨论的,图6(例如框606)列出了各种已知的非血糖营养物质的降GI能力bi。
[0064] 在识别出营养物质以及相应的校正因子ai和降GI能力bi后,分析服务器可从预测的血糖指数生成食物产品的血糖负荷(框528)。例如,分析服务器可利用图6的框602中所示的公式来计算血糖负荷。
[0065] 图6包括示出要在根据本公开的示例性实施方案的确定饮食摄入选项的血糖指数的示例性方法中应用的营养物质的示例性校正因子的表。例如,框602示出了基于各种营养物质xi的血糖指数GIi的总和来确定血糖负荷的示例性方法。如先前所讨论的,校正因子ai可应用于诸如血糖碳水化合物等营养物质。该总和可除以营养物质的总和加上任何降GI营养物质xj和它们的相应降GI能力bj的总和。
[0066] 框604是列出各种血糖碳水化合物和简单碳水化合物的示例的表。例如,血糖多糖包括血糖多糖,并且简单碳水化合物包括单糖、二糖和糖醇。也列出了这些碳水化合物的血糖指数GIi连同任何校正因子ai。
[0067] 框606是列出各种降GI营养物质的示例的表。例如,此类降GI营养物质包括碳水化合物,诸如β‑葡聚糖、纤维、脂肪、蛋白质、灰分和水。也列出了相应营养物质的降GI能力bi。
[0068] 此外,在至少一个实施方案中,还可简化用于确定血糖负荷和血糖指数的方法。该简化的方法可利用五个参数:蔗糖608、淀粉610、纤维612、脂肪614和蛋白质616。该简化的方法允许更有效地针对食物产品的血糖指数和/或血糖负荷评估更多种食物产品,因为五个参数的营养信息可更容易获得。在一些方面,其它营养物质可基于它们在它们的校正因子ai或降GI能力bi中的相似性或相似度被链接到五个参数中的一个或多个或以其他方式被放置在五个参数中的一个或多个内。
[0069] 图7示出了根据本公开的示例性实施方案的应用针对前驱糖尿病的饮食摄入推荐的示例性方法700的流程图。方法700可由分析服务器120的一个或多个处理器执行。此外,方法700描述了图3的框324和326的至少一些实施方案,例如,其中以基于食谱的餐食计划的形式提供了饮食摄入推荐。此外,方法700可利用内部或外部食谱数据库,诸如智能食谱中心160,如先前关于图1所描述的。
[0070] 参考图7,方法700可开始于基于与用户相关联的用户属性来过滤食谱数据库(例如,智能食谱中心160)中的食谱(框702)。用户属性可以是由分析服务器120从与用户相关联的用户装置102接收的那些用户属性(例如,在框304至314处),并且可用于执行对来自食谱数据库的食谱的初步过滤。用户属性可包括例如食物偏好以及敏感性(例如,不含猪肉、不含肉、鱼素者(pescaterian)、不含乳糖、不含蛋等)和过敏(例如,坚果、鱼、贝类、大豆、谷蛋白等)。
[0071] 还可通过食谱的热量和血糖负荷含量来识别和/或过滤食谱(框704)。例如,每个食谱可与食物产品以及一种或多种食物产品组分相关联。如果在食谱数据库内还没有提供,则先前讨论并在图5中所示的方法500可用于识别和存储与食谱相关联的一些营养信息(例如,血糖负荷和血糖指数)。在一些方面,可执行基于热量和血糖负荷含量的食谱的初步过滤(例如,在基于用户的前驱糖尿病风险水平的过滤之前)。例如,可过滤每份热量含量超过800千卡且每份GL超过20的食谱。
[0072] 在框706处,分析服务器可将任何饮食摄入推荐转化成食谱。例如,分析服务器已经基于用户的前驱糖尿病风险水平生成了饮食摄入推荐,并且饮食摄入推荐规定了热量摄入和血糖负荷的范围,该范围可以用于进一步过滤食谱。
[0073] 此外,对于要提供给用户的任何特定饮食摄入推荐,可识别餐食或进食时机(例如,早餐、午餐、晚餐、快餐等)(框708),例如,以用于后续框710至716。如果用户已经选择在一段时间中(例如,一天、一周等)接收对餐食的饮食摄入推荐,则分析服务器可针对构成该段时间的餐食或进食时机中的每个时机执行后续步骤。
[0074] 对于每个识别的餐食或进食时机,可限定每份的最小和最大卡路里含量、最大血糖负荷和最小纤维量(框710)。完整的餐食或进食时机的规定的卡路里范围可比单独的食谱所允许的卡路里范围严格,因为餐食可基于单独的食物产品的若干食谱。此外,分析服务器可选择使所使用的食谱的数量最大化,例如,通过在适当的时候或根据需要在餐食中推荐一定比例(例如,一半)的食谱。因此,对于每个识别的餐食或进食时机,构成餐食的单独的食物产品的食谱可合计在一起(例如,以它们的适当比例)(框712)。
[0075] 在一些方面,可执行检查以确保合计的组合满足个体营养物质和/或卡路里的每日要求,并且满足个体营养物质和/或卡路里的餐食水平要求。在一些方面,此类要求可与前驱糖尿病风险水平相关。在图8和图9中示出了每日和餐食营养物质要求的示例,如本文进一步描述的。
[0076] 可向与用户相关联的用户装置输出最终餐食计划(框714)。例如,基于用户的食物偏好和敏感性,用户可接收一周长(例如,7天)的餐食计划,该餐食计划带有针对每次餐食的定制食谱。在一些方面,分析服务器可提示用户(例如,经由用户装置102的应用114)提供关于餐食和/或餐食计划的反馈,并且可接收反馈(框716)。分析服务器可使用反馈来编辑和/或替换餐食计划中的后续餐食,或者改变任何食物产品组分或它们的量。
[0077] 图8是示出根据示例、非限制性实施方案的对营养物质、卡路里和血糖负荷的示例性每日要求的表。在一些方面,可经由Harris Benedict公式(例如,基于基础代谢率(BMR))来确定每日卡路里要求802。在所示的示例中,每日卡路里要求802还可示出对减少卡路里的推荐(例如,超重的人减少500千卡/天、肥胖的人减少1000千卡/天)。如表中所示,个体营养物质和他们的每日摄入要求可包括例如碳水化合物804(例如,45%‑60% TEI)、蛋白质806(例如,15%‑20% TEI)、脂肪808(例如,25%‑35% TEI)、饱和脂肪810(例如,<7% TEI)、纤维812(例如,20g‑30g(例如,14g/1000千卡))、钠814(例如,<2400mg)。也示出了对血糖负荷816的每日要求(例如,85/1000千卡)。在一些方面,在生成饮食摄入推荐时,分析服务器可比较对一天的各个餐食的饮食摄入推荐以确保满足每日要求。每日要求可包括被存储在分析服务器120的存储器132中的数据结构,并且可以是可更新的。
[0078] 在一些方面,可通过合成来自多个组织(例如,美国糖尿病协会、加拿大糖尿病协会(例如,包括专针对具有南亚背景的人的指南)、英国糖尿病协会、日本糖尿病学会、国家糖尿病研究所(来西亚))的营养指南的提取信息来生成对卡路里、个体营养物质和血糖负荷(诸如图8中所示出的那些)的每日和进餐时间要求(“营养规则”)。在一些方面,可基于目标群体修改营养规则。在附录中更详细地描述了由对指南的提取、过滤和合成而因此形成的营养规则的示例。如附录中所示,营养规则包括针对以下的每日指南:常量营养物、热量含量、血糖指数和/或负荷、可以是糖尿病友好的饮食模式、纤维摄入、碳水化合物摄入、蛋白质摄入、脂肪摄入、餐食推荐(例如,包括基于某些食物群(例如,水果、叶状蔬菜、酸奶和乳酪等)的推荐)、补充剂摄入、盐摄入(例如,钠)、酒精摄入、甜味剂摄入以及饮料摄入。
[0079] 在一个实施方案中,由对这些指南的合成而因此形成的营养规则可包括以下推荐:推荐每天进食至少400g或以上的水果和蔬菜(例如,不包括马铃薯和其它淀粉块根作物,但包括豆类(例如,豆子、兵豆)、全谷物和坚果);推荐限制脂肪摄入(例如,小于总卡路里的30%),优选食用不饱和脂肪而不是饱和脂肪,并且禁止反式脂肪;推荐将普通糖摄入限制到总卡路里的10%以下(例如,每天小于25克或卡路里的5%以下);推荐限制来自所有来源的钠和盐(例如,每天5g盐以下),并且确保盐被碘化;以及推荐通过消耗身体正在使用的约相同数量的卡路里来维持健康体重。
[0080] 图9是示出根据本公开的示例性实施方案的基于前驱糖尿病风险簇的餐食计划的生成的图。可基于从用户获得的用户属性来形成前驱糖尿病风险簇。此类用户属性可例如通过对用于评估前驱糖尿病风险的问卷(例如,如框902中所示)的响应来获得。用户属性可用于将用户分类为属于多个簇中的一个簇(例如,低风险906、轻度至中度风险908、高至非常高风险910等)。在一些方面,该分类可基于评分的生成。该评分可基于根据先前描述的方法的用户属性的向量化。可基于每个前驱糖尿病风险簇来生成试验性饮食摄入推荐。此外,可基于食物偏好、合并症、食物过敏和/或食物限制来过滤此类推荐。此外,试验性饮食摄入推荐还可与管理周期性(例如进食时机、每日、每周等)食物消耗的营养规则进行比较。营养规则可包括对个体营养物质、卡路里或血糖负荷的摄入的阈值要求的指南,诸如图8中所示的那些,如先前所讨论的。基于与营养规则的比较,可进一步过滤试验性饮食摄入推荐。
[0081] 对于每个用户,可基于与该用户相关联的前驱糖尿病风险簇来生成餐食计划(例如,饮食摄入推荐)。然而,餐食计划也可受制于营养规则904、用户的食物偏好、用户的合并症、用户的食物过敏和/或用户的食物限制和/或进一步在它们的基础上进行定制。例如,属于低风险簇906的用户可接收适用于前驱糖尿病的低风险的贴士和食物产品推荐(例如,框912)。例如,用户可(例如,经由在用户的用户装置102上的用户的应用114,并且从分析服务器120的API 138)接收健康进食贴士和食物产品推荐,这些健康进食贴士和食物产品推荐可能不像较高前驱糖尿病风险簇的那些那样受限。可提示用户利用食物产品数据库136或食谱储存库(例如,智能食谱中心160),以提示高质量饮食。
[0082] 属于轻度至中度风险簇908的用户可接收适用于该前驱糖尿病风险水平的餐食计划(例如,餐食计划A)(例如,如框914中所示)。分析服务器可经由用户的用户装置102向用户推荐健康餐食计划、热量限制、低血糖负荷和代餐食物产品。对于具有23‑27的体重指数(BMI)的用户,热量限制可涉及减少500千卡/天。可向用户推荐一份代餐食物产品,包括例如200‑250千卡/天。例如,可提示用户利用代餐食物产品,诸如NUTREN DIABETES。分析服务器可经由用户装置102向用户推荐85‑100/1000千卡的每日血糖负荷,以及低血糖负荷餐食,该低血糖负荷餐食包括小于33或小于45的血糖负荷并且与推荐食物产品相组合。
[0083] 属于高至非常高风险簇910的用户可接收适用于该前驱糖尿病风险水平的餐食计划(例如,餐食计划B)(例如,如框916中所示)。分析服务器可(例如,经由用户的用户装置102上的应用114)向用户推荐健康餐食计划、热量限制、低血糖负荷和代餐食物产品。热量限制可涉及针对肥胖的用户减少1000千卡/天。可向用户推荐两份包括例如500千卡的代餐食物产品。例如,可提示用户利用代餐食物产品,诸如OPTIFAST和NUTREN DIABETES。分析服务器可经由用户装置102向用户推荐85的每日血糖负荷1000千卡。此外,分析服务器可推荐低血糖负荷餐食,该低血糖负荷餐食包括小于20或小于30的血糖负荷并且与推荐食物产品相组合。
[0084] 在本公开中描述的所有公开方法和程序可使用一个或多个计算机程序或部件来实施。这些部件可作为任何常规的计算机可读介质或机器可读介质上的一系列计算机指令而提供,常规的计算机可读介质或机器可读介质包括易失性存储器和非易失性存储器,诸如RAM、ROM、闪存存储器、磁盘或光盘、光学存储器或其他存储介质。该指令可作为软件或固件而提供,并且可全部或部分地在诸如ASIC、FPGA、DSP或任何其他类似装置的硬件部件中实施。该指令可被配置为由一个或多个处理器执行,该一个或多个处理器在执行该一系列计算机指令时执行或促进执行所公开的方法和程序的全部或一部分。
[0085] 应当理解,对本文该的实施方案作出的各种变化和修改对于本领域的技术人员将是显而易见的。可在不脱离本发明主题的实质和范围且不减弱其预期优点的前提下作出这些变化和修改。因此,此类变化和修改旨在由所附权利要求书涵盖。
QQ群二维码
意见反馈