本发明涉及糖尿病治疗方案分析领域，尤其涉及一种基于大数据的胰岛素给药方法、存储介质及系统。
背景技术：
胰岛素是由胰脏内的胰岛β细胞受内源性或外源性物质如葡萄糖、乳糖、核糖、精氨酸、胰高血糖素等的刺激而分泌的一种蛋白质激素。胰岛素是机体内唯一降低血糖的激素，同时促进糖原、脂肪、蛋白质合成，外源性胰岛素主要用来糖尿病治疗。但是胰岛素在注射时，用量必须精确，如注射的量过多或者过少，则会造成低血糖或无治疗效果的情况。现有的基于大数据的胰岛素给药方法，都是利用注射器，使用固定的量进行注射，且在病情变化时，也即患者体内的血糖浓度经过治疗后发生变化时，无法实时的更改给药量，需要去医院重新确诊后再更换给药量，无法做到实时、精准的获知胰岛素的给药剂量。
技术实现要素：
为克服无法实时、精准的获知基于大数据的胰岛素给药剂量的问题,本发明提供一种基于大数据的胰岛素给药方法、存储介质及系统。
本发明解决技术问题的技术方案是提供一种基于大数据的胰岛素给药方法，所述基于大数据的胰岛素给药方法包括步骤：采集预定时间内的血糖变化时间序列参数并存储；根据所述预定时间内的所述血糖变化时间序列参数预测后续的所述血糖变化时间序列参数，并计算出后续的胰岛素变化时间序列参数；及将后续的所述胰岛素变化时间序列参数与正常的胰岛素分泌量进行比对，并制定用药策略。
本发明还提供一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行基于大数据的胰岛素给药方法。
本发明还提供一种基于大数据的胰岛素给药系统，所述基于大数据的胰岛素给药系统包括处理器和存储器,所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现基于大数据的胰岛素给药方法。
与现有技术相比，本发明所提供的基于大数据的胰岛素给药方法、存储介质及系统具有以下优点：
通过采集预定时间内的血糖变化时间序列参数，并推测出后续的血糖变化时间序列参数，进而计算患者在后续体内的胰岛素分泌量，从而可以利用正常的胰岛素分泌量为标准，准确的制定基于大数据的胰岛素给药的剂量，实现精准的用药策略，避免胰岛素用量不准确的情况。
以上所述本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形，均应包含在本发明权利要求的保护范围内。
附图说明
图1为本发明第一实施例提供的一种基于大数据的胰岛素给药方法的流程示意图；
图2为图1中步骤s1的子流程示意图；
图3为进餐时间段内的胰岛素分泌量示意图；
图4为图1中步骤s3的子流程示意图；
图5为图1中步骤s1的子流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
请参阅图1，本发明提供一种基于大数据的胰岛素给药方法，其包括步骤：
s1，采集预定时间内的血糖变化时间序列参数并存储；
具体的来说，血糖变化时间序列参数为，糖尿病患者身体内每一个时刻对应的血糖浓度。将预定时间内的血糖变化时间序列参数采集后，进行记录存储。
需说明的是，预定时间可以是一天、一周、一个月等，在本实施例中，预定时间为一个月。
需说明的是，血糖变化时间序列参数中对应的时刻，可以根据需求的精度不同分别定义为分、时、天、周等。即，每隔分、时、天、周采集一次患者的血糖浓度，在本实施例中，时刻定义为时，即每隔一个小时采集一次血糖浓度。
以一个具体例子说明，当将时刻定义为时，所采集到的血糖变化时间序列参数为小时-患者当天的血糖浓度。即，将采集到的患者血糖浓度按照时间先后顺序，并以每小时为单位进行排序。
需说明的是，采集血糖变化序列参数的方式为抽取患者血液，并分析血液中血糖浓度的方式进行采集。
需要说明的是，采集到的血糖变化时间序列存储于区块链中。
s2，根据预定时间内的血糖变化时间序列参数预测后续的血糖变化时间序列参数，并计算出后续的胰岛素变化时间序列参数；
具体的，采集到预定时间内的血糖变化时间序列参数后，得到了将患者血液中的血糖浓度，按照预定时间内时间的先后顺序排列而成的数列，即血糖变化时间序列参数为一组根据时间而有规律变化的数据。而根据预定时间内的血糖变化时间序列参数，可通过规律变化预测出后续的血糖变化时间序列参数。
以一个具体例子说明，当预定时间为一个月时，患者在一个月内的血糖浓度随时间而呈规律性变化，如线性规律或波动规律。利用预定时间内的数据总结出该规律，以推测在预定时间之后的后续一个月或多个月内，每个时刻对应的血糖浓度。
得到后续的血糖变化时间序列参数后，利用后续每个时刻对应的血糖浓度，与正常的许堂浓度对比，可得到患者与血糖变化时间序列参数对应的所需胰岛素变化时间序列参数，即患者体内每个时刻对应的胰岛素分泌量。
以一个具体例子说明，正常人空腹的血糖浓度为3.9-6.1mmol/l，在本实施例中，取6.0mmol/l。而不算用餐后，正常人一天分泌的胰岛素为24个单位，即一个小时分泌一个单位的胰岛素。假设每个小时对应患者的胰岛素分泌量为x，则1/6.0(mmol/l)＝x/预测得到的该时刻患者血糖浓度。通过上述公式，可得到每一个小时患者的胰岛素分泌量，将其按照时间的先后顺序排序成数列，则得到胰岛素变化时间序列参数。
需说明的是，40个单位的胰岛素为1ml。
s3，将胰岛素变化时间序列参数与正常的胰岛素分泌量进行比对，并制定用药策略；
具体的，在得到患者的胰岛素变化时间序列参数后，按照每个时刻对应的胰岛素分泌量与正常人实际胰岛素分泌量的差，得到患者需补充胰岛素的剂量，然后根据患者需补充胰岛素的剂量，制定用药策略。
以一个具体例子说明，将时刻定义为时，当该时刻患者体内的血糖浓度为12mmol/l时，则通过上述公式可得到患者该时刻的胰岛素分泌量为x＝12mmol/l*1/6.0mmol/l＝0.5个单位。即该患者一个小时内的胰岛素分泌量为0.5个单位，而正常人一个小时内的胰岛素分泌量为1个单位，即该患者在一个小时内需补充1-0.5＝0.5个单位的胰岛素。
可以理解，用药策略可根据患者习惯来进行制定，如每个小时补充一次需要补充的胰岛素剂量，或每天补充一次需要补充的胰岛素剂量。
以一个具体例子说明，假设患者一天内每个小时的胰岛素分泌量皆为0.5个单位，如采取的用药策略为1小时补充一次，则每个小时为患者补充0.5个单位的胰岛素。而如果采取的用药策略为1天补充一个，则每天给患者补充其24小时内胰岛素分泌量的总和与24个单位胰岛素的差值，也即每天给患者补充0.5*24＝12个单位的胰岛素。
请参阅图2-3，步骤s2还包括子步骤：
s21，依据已采集的预定时间内的血糖变化时间序列参数，预测后续的血糖变化时间序列参数；
具体的，时间序列(或称动态数列)是指将同一统计指标的数值按其发生的时间先后顺序排列而成的数列。时间序列分析的主要目的是根据已有的历史数据对未来进行预测，即可通过预定时间内的血糖浓度的变化推测出后续的血糖浓度变化。也即，在本实施例中，通过采集到的患者一个月内的血糖浓度的变化，推测出患者一个月后的血糖浓度变化。
s22，标记后续的血糖变化时间序列参数中的用餐时间段；
具体的，胰岛素的分泌量可分为基础胰岛素分泌量和进餐时胰岛素分泌量，这两部分胰岛素分泌量大约各占基础胰岛素50％。也就是说基础胰岛素分泌量为不依赖于进食或指空腹状态下的胰岛素分泌量，基础胰岛素的主要生理作用是通过抑制肝脏糖原分解及糖异生来减少葡萄糖的产生和维持周围组织器官(如大脑、肌肉等)对葡萄糖的利用，使空腹状态下血糖保持在正常水平胰岛素分泌量。而进餐时的胰岛素分泌量为在进餐的刺激下的胰岛素分泌量，其早时相分泌控制了餐后血糖升高的幅度和持续时间，主要的作用是抑制肝脏内源性葡萄糖的生成。
一般来说，正常人一天的胰岛素分泌量为48个单位，其中基础胰岛素分泌量为24个单位，平均1个小时分泌一个单位。进餐时胰岛素分泌量也为24，按照一日三餐，平均每餐8个单位。而通常用每日的三餐都在相同或相近的时刻，将一天中的3个时刻标记为用餐时间段，便于制定用药策略时，在用餐时间段的3个时刻进行调整用药剂量。
请参阅图4，步骤s3还包括子步骤：
s31，增加用餐时间段的用药剂量；
具体的，在标记用餐时间段，且按照胰岛素变化时间序列与正常的胰岛素分泌量对比所制定的用药策略进行用药后，如该用药时间段刚好为标记的用餐时间段的时刻，则需补充用药，以使患者体内的胰岛素分泌量达到正常人用餐时的胰岛素分泌量。
以一个具体例子说明，假设患者每日三餐的进餐时间分别为8:00、12:00及18:00，而在这三个时刻的血糖浓度皆为12mmol/l，通过上述步骤中的计算可得出，这三个时刻患者的胰岛素分泌量为0.5个单位，相较于正常人缺少0.5个单位，所以需要补充0.5个单位的胰岛素。但是由于这三个时刻为用餐时刻，正常人在这三个时刻中的每个时刻实际上还多了8个单位的胰岛素分泌量，所以，在这三个时间段，出来需要补充0.5个单位的胰岛素外，还需额外补充8个单位的胰岛素。即，在三个用餐时间段内的时刻，患者总共需要补充8.5个单位的胰岛素。
需说明的是，患者补充的0.5个单位的胰岛素为基础胰岛素，而补充8个单位的胰岛素为进餐时胰岛素。
进一步的，步骤s3还包括子步骤：
s32，利用所述胰岛素变化时间序列参数建立用药策略模型，以制定用药策略；
具体的，根据患者每个时刻对应的胰岛素分泌量与正常的胰岛素分泌量，建立用药策略模型。即，将正常的胰岛素分泌量减去患者的胰岛素分泌量，以得到用药的剂量。
请参阅图5，步骤s1之前还包括步骤：
s10，预存正常的血糖浓度及胰岛素分泌量；
具体的，在采集患者的血糖变化时间序列参数之前，先获取正常人的血糖浓度及每日的胰岛素分泌量，以作为参考标准，便于后续的计算及用药策略的制定。
本发明还提供一种存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述方法步骤。存储介质可以包括如软盘、光盘、dvd、硬盘、闪存、u盘、cf卡、sd卡、mmc卡、sm卡、记忆棒(memorystick)、xd卡等。
计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备(可以是个人计算机设备、服务器或其他网络设备等)用以执行本发明方法的全部或部分步骤。
本发明还提供一种基于大数据的胰岛素给药系统，该基于大数据的胰岛素给药系统包括处理器和存储器,存储器上存储有计算机程序，计算机程序被处理器执行时，实现基于大数据的胰岛素给药方法。
与现有技术相比，本发明所提供的基于大数据的胰岛素给药方法、存储介质及系统具有以下优点：
通过采集预定时间内的血糖变化时间序列参数，并推测出后续的血糖变化时间序列参数，进而计算患者在后续体内的胰岛素分泌量，从而可以利用正常的胰岛素分泌量为标准，准确的制定基于大数据的胰岛素给药的剂量，实现精准的用药策略，避免胰岛素用量不准确的情况。
通过标记用餐时间段，可以解决用餐时胰岛素分泌量激增的情况，从而在基础用药量的基础上，增加用餐时的用药量。
以上所述本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形，均应包含在本发明权利要求的保护范围内。
1.一种基于大数据的胰岛素给药方法，其特征在于，所述方法包括：
采集预定时间内的血糖变化时间序列参数并存储；
根据所述预定时间内的所述血糖变化时间序列参数预测后续的所述血糖变化时间序列参数，并计算出后续的胰岛素变化时间序列参数；及
将后续的所述胰岛素变化时间序列参数与正常的胰岛素分泌量进行比对，并制定用药策略。
2.如权利要求1所述的一种基于大数据的胰岛素给药方法，其特征在于：所述根据所述预定时间内的所述血糖变化时间序列参数预测所述后续的所述血糖变化时间序列参数，并计算出所述后续的胰岛素变化时间序列参数包括：
依据已采集的所述预定时间内的所述血糖变化时间序列参数，预测后续的所述血糖变化时间序列参数；及
标记后续的血糖变化时间序列参数中的用餐时间段。
3.如权利要求2所述的一种基于大数据的胰岛素给药方法，其特征在于：所述将所述胰岛素变化时间序列参数与正常的胰岛素分泌量进行比对，并制定用药策略包括：
增加所述用餐时间段的用药剂量；及
利用所述胰岛素变化时间序列参数建立用药策略模型，以制定用药策略。
4.如权利要求3所述的一种基于大数据的胰岛素给药方法，其特征在于：
所述用药策略模型为，将正常的胰岛素分泌量减去后续的所述胰岛素变化时间序列参数中，每个时刻对应的胰岛素分泌量，以得到用药的剂量。
5.如权利要求1所述的一种基于大数据的胰岛素给药方法，其特征在于：
所述胰岛素分泌量包括基础胰岛素分泌量及进餐时胰岛素分泌量，所述基础胰岛素分泌量为空腹状态下的胰岛素分泌量，进餐时胰岛素分泌量为在进餐刺激下的胰岛素分泌量。
6.如权利要求1所述的一种基于大数据的胰岛素给药方法，其特征在于：所述采集预定时间内的血糖变化时间序列参数并存储之前还包括：
预存正常的血糖浓度及胰岛素分泌量。
7.如权利要求1所述的一种胰岛素给哟方法，其特征在于：
所述采集预定时间内的血糖变化时间序列参数的方法为抽取血液，并分析血液中的血糖浓度。
8.如权利要求1所述的一种基于大数据的胰岛素给药方法，其特征在于：
所述血糖变化时间序列参数被存储与区块链中。
9.一种存储介质，其特征在于：
所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1-8中任一项中所述的基于大数据的胰岛素给药方法。
10.一种基于大数据的胰岛素给药系统，其特征在于：
所述基于大数据的胰岛素给药系统包括处理器及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行，实现如权利要求1-8所述的基于大数据的胰岛素给药方法。
技术总结