CN1644163A

CN1644163A - 具有预测模块的分析装置和相关方法

Info

Publication number: CN1644163A
Application number: CNA2004100851804A
Authority: CN
Inventors: P·斯托特; T·梅兰德尔
Original assignee: LifeScan Inc
Current assignee: LifeScan Inc
Priority date: 2003-08-28
Filing date: 2004-08-27
Publication date: 2005-07-27
Also published as: TW200513647A; NO20043583L; AU2004205264A1; EP1510171A1; SG109580A1; RU2004126182A; SG131928A1; KR20050021955A; IL163729A0; CA2479107A1; US20040253736A1; JP2005077412A

Abstract

一种分析装置，用于基于受检者组织间隙液(ISF)分析物浓度来预测受检者全血分析物浓度，包括一个ISF取样模块，一个分析模块和一个预测模块。ISF取样模块连续从受检者提取多个ISF样本。分析模块用来从每一个ISF样本中连续测定ISF分析物浓度(例如ISF葡萄糖浓度)，结果产生一个ISF分析物浓度系列。预测模块用来存储ISF分析物浓度系列并且基于该系列、通过至少一个算法来预测受检者全血分析物浓度。一种基于受检者组织间隙液(ISF)分析物浓度来预测受检者全血分析物浓度的方法，包括连续从受检者提取多个ISF样本，连续从每一个ISF样本中测定ISF分析物浓度，结果产生一个ISF分析物浓度系列。然后，基于该ISF分析物浓度系列、通过至少一个算法来预测受检者血液分析物浓度。

Description

具有预测模块的分析装置和相关方法

相关申请

本申请是2003年8月23日提交的No.10/653,023的美国专利文件的部分延续申请，该美国专利申请文件请求了2003年6月6日提交的美国专利临时申请文件No.60/476,733的优先权。

技术领域

本申请总体上涉及分析装置，尤其涉及到从受检者组织间隙液(ISF)分析物浓度来预测受检者血液分析物浓度的分析装置和相关方法。

背景技术

在分析物(例如葡萄糖)的监测领域中，连续或半连续的分析装置和方法更有优势，因为其对分析物浓度趋势，受检者的整体分析物控制，以及食物、锻炼和/或药物对分析物浓度的影响方面提供了增强的观察。然而在实践中，这样的分析装置却也存在缺点。例如，组织间隙液(ISF)分析装置会由于受到如生理滞后期(即，在受检者ISF分析物浓度和受检者血液分析物浓度之间的与时间相关的差异)和/或偏差效应(即，在受检者ISF分析物浓度和受检者血液浓度之间的与流体特征相关的差异)的影响而导致测量不准确。

传统的ISF分析装置可以使用从受检者不同身体部位以及穿透皮肤不同深度采集到的ISF样本。为了获得ISF样本而采用的不同部位和不同深度却是导致ISF分析装置不准确的影响因素。另外，ISF样本的其他相关分析特性也受到ISF样本采集部位和/或深度的影响。例如，从受检者皮肤的皮下区域采集的ISF样本更倾向于含有如甘油三酯这样的污染物，该物质会就在容积误差和传感器沾污方面影响分析物的分析。

此外，传统的ISF分析装置需要既不方便又繁琐的毛细血管血液样本的校准程序。

因此在本领域中，仍然需要一种能够降低由于生理滞后期和偏差效应带来的不准确度的分析装置及相关方法。另外，该分析装置及相关方法应该不需要用毛细血管血液样本来进行校准。

发明内容

本发明实施方案包括分析装置和方法，其准确考量了生理滞后期和偏差效应的影响。另外，该分析装置和方法不需要用毛细血管血液样本进行校准。

根据本发明的一个典型实施方案，一种基于受检者组织间隙液(ISF)的浓度来预测受检者全血分析物浓度的分析装置包括一个ISF取样模块，一个分析模块和一个预测模块。

ISF取样模块用来从受检者身上连续提取多个ISF样本。分析模块用来连续确定每一个ISF样本的ISF分析物的浓度(例如，ISF葡萄糖浓度)。这个连续测定的结果得到的是一系列的ISF分析物浓度。预测模块用来存储ISF分析物浓度的系列并通过至少一个算法在ISF分析物浓度系列的基础上预测受检者全血分析物的浓度。

根据本发明，基于受检者组织间隙液(ISF)的浓度来预测受检者全血分析物浓度的方法的典型实施方案包括：连续从受检者身上提取多个组织间隙液(ISF)样本，连续检测每一个ISF样本的ISF分析物的浓度，产生一个ISF分析物浓度的系列。然后基于ISF分析物浓度系列并通过至少一个算法预测受检者全血分析物的浓度。

本发明分析装置和方法的实施方案仅仅基于一系列ISF分析物浓度就能预测受检者全血分析物的浓度，该系列是从用连续或半连续的方法提取的ISF样本中获得的。分析装置和方法是基于ISF分析物浓度系列，通过一个算法来预测受检者血液分析物浓度。该算法考虑了生理滞后期和偏差效应的影响。另外，该分析装置不需要进行毛细血管血液校准。

附图说明

通过参考下面对含有本发明原理的具体实施方案的描述，将更好的理解本发明的优点和特征。附图说明如下：

图1是根据本发明的典型实施方案，基于受检者组织间隙液(ISF)的浓度来预测受检者全血分析物浓度的分析装置的方框图；

图2是Clarke误差格线图，显示以插入值求值的手指血糖(参考值)和ISF葡萄糖浓度(ISF。)的关系曲线图；

图3是Clarke误差格线图，显示以插入值求值的手指血糖值和根据本发明的分析装置和方法所用的算法(即公式1)所预测的手指血糖值的关系曲线图；

图4是Clarke误差格线图，显示以插入值求值的手指血糖值和根据本发明的分析装置和方法所用的另外一个算法(即公式2)所预测的手指血糖值的关系曲线图；以及

图5是流程图，显示了本发明典型实施方案的方法的一系列步骤。

具体实施方式

图1是分析装置100的方框图(在虚线内)，该方框图显示了基于受检者组织间隙液体(ISF)分析物浓度预测受检者全血分析物浓度的本发明的典型实施方案。分析装置100包括一个组织间隙液(ISF)的取样模块110，一个分析模块120和一个预测模块130。图1的箭头显示了ISF取样模块，分析模块和预测模块之间的操作关系。

ISF取样模块110用来从受检者连续提取多个ISF样本，并把这些ISF样本传送给分析模块120。例如，ISF取样模块110能够以一定的时间间隔连续提取ISF样本，该时间间隔为5到15分钟。

分析模块120用来连续检测从ISF取样模块提取的每一个ISF样本的ISF分析物的浓度。该连续检测的结果是一个ISF分析物浓度系列。该ISF分析物浓度系列典型的包括多个ISF分析物浓度(也就是“值”)，每一个浓度带有一个时间，该时间与ISF取样模块110提取ISF样本的时间相对应。分析模块120以一个一个的方式或者以一组一组的方式把该ISF分析物浓度系列传送给预测模块130。

组织间隙取样模块110能够采用本领域普通技术人员所熟知的任何形式，包括但不限于共同未决的美国专利申请No.60/476,733(2003年6月6日申请)中描述的取样模块和ISF提取装置，国际申请PCT/GB01/05634(2002年6月27日公布，国际公布号为WO02/49507 A1)中描述的取样模块，上述两个申请在此引入作为参考。

此外，分析模块120能够采用本领域的普通技术人员所熟知的任何形式，包括在共同未决的美国专利申请No.60/476,733(2003年6月6日申请)和国际申请PCT/GB01/05634(2002年6月27日公布，国际公布号为WO02/49507 A1)中所描述的那些。此外，分析模块能够包括本领域的普通技术人员所熟知任何适合的分析物传感器，包括但不限于基于光度测定或者电化学分析技术的葡萄糖分析物传感器。

预测模块130用来存储由分析模块产生的ISF分析物浓度系列并且通过运算至少一个具有如下通式(称为公式1)的算法来预测受检者全血分析物浓度：

(公式1)

这里

PC是所预测的受检者的全血分析物浓度值。

i是从例如0，1，2，3，4和5中选取的预定整数；

j是从例如1，2，3，4和5中选取的预定整数；

k是从例如1和2中选取的预定整数；

ISF_i是ISF分析物浓度系列中的一个ISF分析物浓度测量值，下标i表示针对的是哪个ISF值，即，i＝0表示当前的ISF分析物浓度测量值，i＝1表示ISF分析物浓度系列中倒数一个值，i＝2表示ISF分析物浓度系列中倒数2个值，等等；

rate_i是在ISF分析物浓度序列中相邻ISF分析物浓度值之间的变化速率(计算方法是相邻ISF分析物浓度值之间的差除以用分析模块测量相邻ISF分析物浓度值时的时间差)，其中下标j代表了计算哪些相邻值的比率，即，当j＝1时表示现在的ISF值和前一个的ISF值之间的比率，当J＝2时表示相对于现在的ISF值的前一个和前两个ISF值之间的比率，等等；并且

重要相互作用项＝涉及至少两个ISF_i ^k，rate_j的相互作用项。

在公式1中的函数(f)的数学形式可以是能考虑ISF分析物浓度与血液分析物浓度之间的生理滞后期和ISF与血液分析物浓度之间的偏差效应的影响的任何合适的数学形式。但是，已确定的是当关系式中包含测量的ISF分析物浓度(即ISF_i ^k)，速率(rate_j)和相互作用项时，这样的数学表达式的结果将比较精确。由于ISF分析物浓度值之间的时间间隔不是均一的(例如，时间间隔可以在5到15分钟之间变化)，那么速率的使用将尤其有利于提供一个精确的算法，进而提供一个精确的装置。

函数(f)的形式可以由，例如，ISF分析物浓度和相关血液分析物浓度的统计相关数的最小平方回归分析来决定。本领域的普通技术人员能够理解，多种数学方法(例如，数学模型方法)都可用来分析上述数据并且得到一个合适的函数(f)。例如，可以使用线性和多项回归分析、时间序列分析、或者神经网络。当分析物是葡萄糖时，ISF葡萄糖浓度和血糖浓度可以从来自摄取了葡萄糖的糖尿病患者的ISF和血液样本中得以确定。

必要时，可以使用包括加权因子的数学模型得到合适的算法。该数学模型用来在低分析物浓度的情况下提供更加准确数据，以此来考虑响应曲线，和/或考虑在模型数据中的噪声。对输入的观察值的加权同样可以在所述数学模型中起作用。

合适的加权因子的确定可以是例如一个迭代过程，即将一个加权因子应用于一个模型中，观察加权因子对模型结果的影响，并且基于模型误差减少量来调整加权因子。在数学模型中对加权因子的选择同样可以通过例如数值范围间的相对重要性和/或趋势来确定。例如，当葡萄糖是感兴趣的分析物时，则对生理葡萄糖浓度范围中的低端值的准确性的要求更加高，因此就要使用一个能提高较低葡萄糖浓度重要性的加权因子。这样的提高可以这样实现，例如将观察的葡萄糖浓度和提高到一个预定能量时的观察值倒数相乘。类似的，加权因子可以通过增强观察值中的某些结果或趋势的重要性(例如观察速率梯度的大小和/或方向发生改变)而确定下来。不仅如此，预期的加权因子可以任意选择，从基于对模型误差减小的效果而选出的预期加权因子。

预测模块130可以采用本领域的普通技术人员知道的任何合适的形式，包括但不限于在共同未决的美国专利No.60/476,733(2003年6月6日提交)中所描述的远程控制模块，在此将其完整地引入作为参考。

作为上述公式1的另外一种替代形式，预测模块130可以用来存储由分析模块产生的ISF分析物浓度系列并且通过运算至少一个具有如下通式(称为公式2)的算法来预测受检者全血分析物的浓度：

(公式2)

这里

n和m是从例如1，2和3中选取的预定整数；

p是从例如1和2中选取的预定整数；

ma_nratem_m是在一组ISF分析物浓度中相邻平均数之间的移动平均速率，其中下标n代表了移动平均值中包含的ISF值的数量，下标m代表相对于当前值的相邻平均值所在的时间位置，如下所述(下一段将进一步阐述)：

n+1＝移动平均速率中的点数

m-1＝移动平均速率中的第一点。如果m-1＝0，那么当前ISF值就作为移动平均数计算中的第一点。

n+m总是相加得到在移动平均数计算中需要(或者从目前ISF值中除去)的点数。

n和m是从例如1，2和3中选取的预定整数；

重要相互作用项＝涉及至少两个ISF_i ^k，rate_j以及，ma_nratem_m ^p的相互作用项。

以下实施例将说明上述公式2中移动平均速率(ma_nrate_m)的概念。对于典型的移动平均速率ma₁rate₁，滑动平均比率是2点移动平均速率(因为m+n＝1+1＝2)，该2点移动平均速率是在两个分组的平均值中计算的。其中一个分组包括当前ISF浓度和前1点的ISF浓度。另外一个分组包括当前ISF浓度前1点的和前2点的ISF浓度值。

公式2包括移动平均速率(即ma_nrate_m)，用来平滑有关分析物浓度的速率和趋势的数据(即，ISF分析物浓度的系列和/或比率)，因而可以从数据中消除噪声并且提高分析装置的准确性。尽管相邻ISF值之间重要的(即主要的)变化被认为是影响算法准确性的重要因素，但重要的变化也会导致不利于算法准确性的噪声。移动平均速率为相邻(和重叠)ISF值分组之间的变化速率，其可以消除由于那些不能代表数据真实趋势的离群值而产生的噪声。

以下实施例介绍合适算法以及用来推导算法的技术。

实施例1：利用ISF_i ^k，rate_j，以及重要相互作用项的葡萄糖分析装置的预测算法。

用一个试验性的ISF取样模块和分析模块产生一组数据(即ISF葡萄糖浓度系列)。而被用来产生这组数据的取样模块和分析模块从受检者皮肤的真皮层(即dermis)中提取ISF样本，例如，从受检者的前臂，然后测量ISF样本中的葡萄糖浓度。ISF取样模块和分析模块是一个集成单元，其包括一片式取样模块和一个改良的带有检测条的OneTouch^Ultra葡萄糖计。取样使用一个30口径的插管，并且取样的重要肤深大约为1到2毫米。这里必须注意的是，相对于从皮下层采集到的ISF样本，从真皮中采集的ISF样本被认为是已经较好地减少了生理滞后期，这是因为真皮比皮下层更加接近毛细血管层。

ISF取样模块通过插管从受检者的真皮中提取大约1μL的ISF样本，并且将ISF样本自动沉积并直接置于检测条的检测区域中。经过短暂的电化学反应时间，测量计显示了ISF葡萄糖的浓度。

在提取ISF样本之前，向受检者真皮施加持续30秒钟的2到4磅的压力，再经过5分钟的等待时间以使得血液灌注(流入)到取样区域，从而提取ISF样本。这种在取样区域上升的血流可以减轻血糖浓度和ISF葡萄糖浓度之间生理滞后期，原因是取样区域被流动的血液更好地灌注了，这正是我们想要的效果。

以mg/dL为单位的手指穿刺血糖测量值(即血糖浓度)是来自20位受检者的，随后进行了前面所述的前臂组织间隙液的葡萄糖浓度(即ISF葡萄糖浓度)检测。每一位受检者的手指穿刺血液测量大概需要15分钟，5分钟后再进行ISF样本提取和ISF葡萄糖浓度测量。

大约30对观察值(即，血糖浓度测量值和ISF葡萄糖浓度测量值)是从20个受检者中的每一个得到的。对每个受检者，从1天的过程中采集观测值，在这期间，通过受检者摄取75克葡萄糖，诱发其葡萄糖浓度发生变化。每一个观测的血糖浓度表明了手指穿刺提取大约比ISF提取早5分钟进行。因此在ISF样本提取时的血糖浓度为线性内插，并且线性内插值用来作为下面算法中响应的变量。由于并不能准确插入血糖浓度，因此算法开发过程中排除每个受检者ISF葡萄糖浓度的最终结果。

如上述公式2所确定的算法形式是从采用多重线性回归得到的数据中开发出来的。这样开发出来的算法提高了对较低ISF分析物浓度的加权，主要是由于低葡萄糖浓度准确预测相对比较重要。使用的权值是ISF^-4。如果没有这样的加权，那么在残余物中就无法获得想要的更高的ISF葡萄糖浓度值。

以下是模块的参数、估计值、误差、t值和pr值。

参数估计值误差 t值 pr＞|t|

ISF₀ .964114574 0.00900642 107.05 ＜.0001

Rate2 3.564454310 0.79143125 4.50 ＜.0001

Rate2*rate1 1.032526146 0.27684343 3.73 0.0002

Rate3 2.115098810 0.57252187 3.69 0.0002

Rate1*rate3 0.728563905 0.32507567 2.24 0.0255

Rate2*rate3 0.993732089 0.36293636 2.74 0.0064

Rate4 2.620714810 0.48033895 5.46 ＜.0001

Rate2*rate4 1.149236162 0.38075990 3.02 0.0027

Rate2*rate3*rate4 0.419884620 0.14027947 2.99 0.0029

Rate5 1.704279771 0.40908459 4.17 ＜0.0001

R-squared＝.98

因此，当使用2位有效小数的估计值时算法具有如下形式：

PC＝0.96ISF₀+3.56rate₂+1.03(rate₂*rate₁)+2.11rate₃+0.72(rate₁*rate₃)

+0.99rate₄+1.14(rate₂*rate₄)+0.42(rate₂*rate₂*rate₄)+1.70rate₅

本领域的普通技术人员应该知道，上述等式是公式1的一个形式，其参数为：

i＝0

k＝1

j＝2，3，4和5

和

相互作用项＝rate₂*rate₁，rate₁*rate₃，rate₂*rate₄，rate₂*rate₂*rate₄

Clarke误差格线分析法能够用来确定一种预测受检者血糖浓度的算法的准确度和适合度。这样的误差格线分析法可以将分析装置对于参考值的响应分为5个临床准确区域(即，区域A-E)，区域A表示临床准确结果，区域B表示并非临床精确结果但是对患者健康有最小危险，区域C到E表示临床不准确结果而且对患者健康有危险(参见Clarke，William L.Et al.，evaluating clinical accuracy of systems for self-monitoring of blood glucose，diabetescare，卷10 No.5，622-628[1987])。一个重要和准确的血糖浓度检测设备在Clarke误差格线的区域A和B中的数据应该大于85-90％，并且大多数数据是在区域A中(参见上面所述的Clarke等的参考文献)。

图2是仅基于对受检者ISF葡萄糖浓度的单一测量值来预测受检者血糖浓度的Clarke误差格线分析法。图3是基于ISF葡萄糖浓度系列和上述的算法来预测受检者血糖浓度的Clarke误差格线分析法示意图。图3和图4都是用上述的数据得到的。

参考图2和图3，显然使用上述的ISF葡萄糖浓度系列和上述算法能够有效提高预测的血糖浓度在A区域中的百分比，其值为88.2％；而相比之下只使用了单个ISF糖葡萄浓度来预测血糖浓度时该值仅为79.5％。

实施例2：利用ISF_i ^k，rae_j，ma_nrate_m ^p和重要相互作用项的葡萄糖分析装置的预测算法。

采用与上述实施例1中同样的数据组，采用ISF_i ^k，rate_j，ma_nrate_m ^p和重要相互作用项的算法的开发过程如下所述。算法使用了常规形式的ma_nrate_m平滑变量(前面已讨论)，后者使用了2到4点的移动平均数。也可以包括用来提高算法从ISF葡萄糖浓度系列准确预测血糖浓度的能力的加权变量。所用加权算法如下所述(使用SAS^码)：

   weight4＝ISF**-4；

    newweight＝200；

    if ma1rate1＜0 and ma3rate1＜＝0 then do；

     if rate1＜＝0 then newweight＝weight4*(-1*rate1+1)**2；

     if rate1＞0 then newweight＝(weight4*(abs(ma1rate1)+1)**2)/(1+rate1)；

    end；

    if ma1rate1＞0 and ma3rate1＞＝0 then do；

     if rate1＞＝0 then newweight＝weight4*(1*rate1+1)**2；

     if rate1＜0 then newweight＝(weight4*(abs(ma1rate1)+1)**2)/(1+abs(rate1))；

    end；

    if ma1rate1＜＝0 and ma3rate1＞0 then do；
     if rate1＞＝0 then newweight＝(weight4*(1*rate1+1)**2)/4；
     if rate1＜0 then newweight＝(weight4*(-1*rate1+1)**2)/2；

    end；
        <!-- SIPO <DP n="9"> -->
        <dp n="d9"/>
    if ma1rate1＞＝0 and ma3rate1＜0 then do；

     if rate1＞0 then newweight＝(weight4*(1*rate1+1)**2)/2；

     if rate1＜＝0 then newweight＝(weight4*(-1*rate1+1)**2)/4

    end；

    if newweight ne 200 then do；
    newweight＝10000000000*newweight；
    end；

为增加(提高)和减少(降低)的ISF葡萄糖浓度趋势而开发单独的等式，以便提供准确度更高的分析装置和方法。对于代表减少(降低)的ISF葡萄糖浓度的数据系列，通过采用版本为8.02的SAS^和N＝278的数据点的最小平方回归分析法而得到下面的模型：

PC＝8.23ma1rate+0.88ISF₃+12.04ma1rate2+10.54rate1+1.71rate1*rate2-0.056ISF*rate1+0.71(ratel)²+0.68(rate2)²+0.0014(ISF)²-0.0011(ISF₃)²

对于代表增加(上升)的ISF葡萄糖浓度的数据系列，通过采用版本为8.02的SAS^和N＝180的数据点的最小平方回归分析法而得到下面模型：

PC＝4.13ISF-1.51ISF₁-1.69ISF₃-37.06ma1rate2+13.67ma3rate1-28.35rate1-3.56rate1*rate2+0.10ISF*rate1+0.15ISF*rate2+0.47rate1*rate2*rate3-1.13(rate3)²-0.0061(ISF)²+0.0060(ISF₂)²

图4是用于基于ISF葡萄糖浓度系列和上述的算法来预测受检者血糖浓度的Clarke误差格线分析法示意图。使用上述关于实施例1的数据组获得图4。

装置准确性的另外一个度量是绝对平均误差百分比(MPE(％))，该绝对平均误差百分比由单个误差百分比求平均而得，详见下式：

PE＝(PG_t-BG_t)/BG_t

这里

BG_t＝t时刻的葡萄糖测量参考值，以及

PG_t＝t时刻的葡萄糖预测值

不使用算法(即，简单预测受检者的血糖浓度等于受检者ISF葡萄糖浓度)和使用刚刚所述的两个算法的MPE(％)结果与从图4中选择的结果一起显示在表1中。

另外一个评价装置准确性的度量即平均偏差百分比(Avg Bias(％))，Bias(％)由下面等式得到：

Bias(％)＝[(PG_t-BG_t)/BG_t]*100

Avg Bias(％)＝[所有Bias(％)的和]/测量值总数量

有效的测量方法中，Avg Bias(％)必须在10％或更低。表1显示了AvgBias(％)的标准因为使用了预测算法而有益的降低。

当然也要评价计算的血糖浓度和测量的血糖浓度之间的相关性。表1也列出了相关系数值(R)。有效的测量必须使R的值大于大约0.85。正如在表中所示的那样，本发明的预测算法提高了真实值和预测值之间的相关性。

表1

算法	N	MPE(％)	A(％)	B(％)	其他(％)	R	AvgBias(％)
算法	N	MPE(％)	A(％)	B(％)	其他(％)	R	AvgBias(％)	无	458	14	79.9	17.7	2.4	0.94	6.76
实施例2	458	10	88.4	9.6	2.0	0.96	0.46	无	458	14	79.9	17.7	2.4	0.94	6.76

图5是流程图，显示了根据本发明典型实施方案所述的基于受检者ISF分析物浓度来预测受检者血液分析物浓度的方法500的一系列步骤。方法500包括连续从一个受检者提取多个组织间隙液(ISF)样本的步骤510，连续从多个ISF样本中测定ISF分析物浓度的步骤520。步骤520的结果就是得出ISF分析物浓度系列。

方法500的步骤510和520可以通过包括上面描述的本发明分析装置的取样模块和分析模块的任何合适的技术来完成。

接着，在步骤530中，在基于ISF分析物系列的基础上，通过采用如上所述根据本发明的分析装置形式中的至少一个算法，来预测受检者的血液分析物浓度。

虽然对本发明的优选实施方案进行了显示和描述，但很显然本领域的普通技术人员知道该实施方案仅仅起到示例作用。对于本领域普通技术人员来说，在不脱离本发明的范围的情况下可以作出很多的变化，改变和替换。

同样可以理解，本发明实施方案的各种备选方案也可以用来实现本发明。随后的权利要求书限定了本发明的保护范围，这些权利要求涵盖了方法和结构以及其等同方案。

Claims

1.一种分析装置，用于基于受检者的组织间隙液分析物浓度来预测受检者的全血分析物浓度，该分析装置包括：

一个组织间隙液取样模块，用来连续从受检者身上提取多个组织间隙液(ISF)样本；

一个分析模块，用来从每一个ISF样本中连续测定ISF分析物浓度，从而产生一个ISF分析物浓度系列；和

一个预测模块，用来存储ISF分析物浓度系列，并且基于该ISF分析物浓度系列、通过至少一个算法来预测受检者的全血分析物浓度；该算法的公式如下：

PC＝f(ISF_i ^k，rate_j，重要相互作用项)

这里

PC是预测的受检者全血分析物浓度值；

i是从0，1，2，3，4和5中选取的预定整数；

j是从1，2，3，4和5中选取的预定整数；

k是从1和2的中选取的预定整数；

ISF_i是ISF分析物浓度序列中的一个ISF分析物浓度测量值；

rate_j是ISF分析物浓度序列中相邻ISF分析物浓度值之间的变化速率；和

重要相互作用项为统计上重要的相互作用项，涉及选自由ISF_i ^k，rate_j所组成的项。

2.如权利要求1所述的分析装置，其特征在于：i＝0，k＝1，j＝2，3，4和5，重要相互作用项＝rate₂*rate₁，rate₁*rate₃，rate₂*rate₄，和rate₂*rate₂*rate₄。

3.如权利要求1所述的分析装置，其特征在于分析物是葡萄糖。

4.如权利要求1所述的分析装置，其特征在于基于ISF分析物浓度系列来预测受检者全血分析物浓度是用至少一个具有下列通式的算法实现的：

PC＝f(ISF_i ^k，rate_j，ma_nrate_m ^p，重要相互作用项)

这里

p是从1和2中选取的预定整数；

n和m是从1，2和3中选取的预定整数；

ma_nrate_m是在ISF值的分组中相邻平均数之间的移动平均速率；和

重要相互作用项＝统计上重要的相互作用项，涉及选自由ISF_i ^k，rate_j，和ma_nrate_m ^p所组成的项。

5.如权利要求4所述的分析装置，其特征在于，预测模块通过测定是否ISF分析物浓度系列表示提高的ISF分析物浓度或是表示降低的ISF分析物浓度，并且基于该测定结果选择一个算法以及实施该算法从而预测受检者的全血分析物浓度。

6.如权利要求5所述的分析装置，其特征在于预测模块基于一个ma_nrate_m测定是否ISF分析物浓度系列表示提高的ISF分析物浓度或是表示降低的ISF分析物浓度而预测受检者的全血分析物浓度。

7.如权利要求6所述的分析装置，其特征在于用于降低的ISF分析物浓度的算法如下：

PC＝8.23ma1rate1+0.88ISF₃+12.04ma1rate2+10.54rate1+1.71rate1*rate2-0.056ISF*rate1+0.71(rate1)²+0.68(rate2)²+0.0014(ISF)²_sq-0.0011(ISF₃)²

8.如权利要求6所述的分析装置，其特征在于用于提高的ISF分析物浓度的算法如下：

PC＝4.13ISF-1.51ISF₁-1.69ISF₃-37.06ma1rate2+13.67ma3rate1-28.35rate1-3.56rate1*rate2+0.10ISF*rate1+0.15ISF*rate2+0.47rate1*rate2*rate3-1.13(rate3)2-0.0061(ISF)²+0.0060(ISF₂)²。

9.如权利要求4所述的分析装置，其特征在于分析物是葡萄糖。

10.如权利要求1所述的分析装置，其特征在于ISF分析物浓度系列包括5个ISF分析物浓度。

11.如权利要求1所述的分析装置，其特征在于取样模块提取多个ISF样本的时间间隔为5到15分钟。

12.一种分析方法，用于基于受检者的组织间隙液分析物浓度来预测受检者的全血分析物浓度，该方法包括：

连续从受检者身上提取多个组织间隙液(ISF)样本；

连续从每一个ISF样本中测定ISF分析物浓度，从而产生一个ISF分析物浓度系列；并且

基于该ISF分析物浓度系列、通过至少一个具有如下通式的算法来预测受检者的全血分析物浓度：

PC＝f(ISF_i ^k，rate_j，重要相互作用项)

这里

PC是预测的受检者全血分析物浓度值；

i是从0，1，2，3，4和5中选取的预定整数；

j是从1，2，3，4和5中选取的预定整数；

k是从1和2中选取的预定整数；

ISF_i是ISF分析物浓度系列中的一个ISF分析物浓度测量值；

rate_j是在ISF分析物浓度系列中各相邻ISF分析物浓度值之间的变化速率；和

13.如权利要求12所述的分析方法，其特征在于使用下列通式的算法得到预测数据组：

PC＝f(ISF_i ^k，rate_j，ma_nrate_m ^p，重要相互作用项)

这里

p是从1和2中选取的预定整数；

m和n是从1，2和3中选取的预定整数；

ma_nrate_m是在ISF值分组中各相邻平均数之间的移动平均速率；和

重要相互作用项为统计上重要的相互作用项，涉及选自由ISF_i ^k，rate_j，和ma_nrate_m ^p所组成的项。

14.如权利要求13所述的分析方法，其特征在于，预测步骤是通过测定是否ISF分析物浓度系列表示提高的ISF分析物浓度或是表示降低的ISF分析物浓度，并且基于该测定结果选择一个算法以及实施该算法从而预测受检者的全血分析物浓度。

15.如权利要求13所述的分析方法，其特征在于预测步骤基于一个ma_nrate_m测定是否ISF分析物浓度系列表示提高的ISF分析物浓度或是表示降低的ISF分析物浓度而预测受检者的全血分析物浓度。

16.如权利要求12所述的分析方法，其特征在于提取步骤是从受检者真皮中获得多个ISF样本。