KR102382659B1 - 당화혈색소 수치 추정을 위한 인공지능학습 모델의 학습 방법 및 그 시스템 - Google Patents

당화혈색소 수치 추정을 위한 인공지능학습 모델의 학습 방법 및 그 시스템 Download PDF

Info

Publication number
KR102382659B1
KR102382659B1 KR1020210055135A KR20210055135A KR102382659B1 KR 102382659 B1 KR102382659 B1 KR 102382659B1 KR 1020210055135 A KR1020210055135 A KR 1020210055135A KR 20210055135 A KR20210055135 A KR 20210055135A KR 102382659 B1 KR102382659 B1 KR 102382659B1
Authority
KR
South Korea
Prior art keywords
patient
information
artificial intelligence
glycated hemoglobin
hemoglobin level
Prior art date
Application number
KR1020210055135A
Other languages
English (en)
Inventor
김창호
Original Assignee
주식회사 모노라마
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 모노라마 filed Critical 주식회사 모노라마
Priority to KR1020210055135A priority Critical patent/KR102382659B1/ko
Priority to US17/780,001 priority patent/US20220415507A1/en
Priority to PCT/KR2021/010486 priority patent/WO2022231069A1/ko
Application granted granted Critical
Publication of KR102382659B1 publication Critical patent/KR102382659B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Surgery (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Optics & Photonics (AREA)
  • Medicinal Chemistry (AREA)
  • Computing Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Cardiology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Emergency Medicine (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

당화혈색소 수치 추정을 위한 인공지능학습 모델의 학습 방법으로서, 환자의 운동 정보 및 생체 정보를 포함하는 환자 정보를 수집하는 단계; 환자의 실측 당화혈색소 수치를 수집하는 단계; 상기 수집된 환자 정보와 실측 당화혈색소 수치를 단일 표준화된 데이터 구조 형식으로 변환하는 단계; 및 상기 변환된 환자 정보와 실측 당화혈색소 수치를 이용하여 인공지능 학습 모델을 학습시켜 당화혈색소 수치 추정을 위한 인공지능학습 모델을 생성하는 단계;를 포함하고, 상기 생체 정보는 혈당, 혈압, 심박수, 생리주기 중 하나 이상을 포함하며, 상기 운동 정보는 환자 단말기에 의해 획득되는 환자 생활 로그 데이터에 기초하여 생성된다.

Description

당화혈색소 수치 추정을 위한 인공지능학습 모델의 학습 방법 및 그 시스템{METHOD AND SYSTEM FOR TRAINING ARTIFICIAL INTELLIGENCE MODEL FOR ESTIMATION OF GLYCOLYTIC HEMOGLOBIN LEVELS}
본 발명은 당뇨 환자 관리 방법에 관한 것으로서, 보다 구체적으로는 당화혈색소 수치 추정 또는 예측을 위한 인공지능 학습모델의 학습 방법 및 그 시스템과 당뇨병 환자 관리 방법에 관한 것이다.
혈중 포도당은 산소를 운반하는 적혈구 내의 혈색소(헤모글로빈)의 일부와 결합하게 되는데, 이렇게 혈색소에 포도당이 결합된 형태를 당화혈색소(HbA1c, hemoglobin A1c)라 한다.
당화혈색소(HbA1c) 검사는 혈액 내에서 산소를 운반하는 적혈구 내의 혈색소가 어느 정도로 당화(糖化)되었나를 보는 검사이며, 적혈구의 평균 수명기간에 따라 최근 2~3개월 정도의 혈당 변화를 반영한다. 정상인에서도 당연히 포도당이 존재하므로 우리의 혈액 내에는 혈색소가 어느 정도 당화되어 있는데, 검사 방법에 따라 정상치의 차이가 있으나 대개 5.6%까지가 정상이다.
당뇨병 환자의 경우 혈액 내 포도당의 농도가 높아지므로 당화된 혈색소, 즉 당화혈색소 수치 역시 올라가게 된다. 당뇨병 환자의 합병증 예방을 위해 당화혈색소(HbA1C) 관리는 필수검사항목으로, 대한당뇨병학회에서는 2-3개월마다 한번씩 당화혈색소를 측정하도록 권고하고 있다.
혈당이 조절되지 않는 경우 당화혈색소의 수치가 증가하게 된다. 일반적으로 당화혈색소 수치는 약 3개월간의 혈중 혈당 농도를 반영할 수 있어, 혈당 조절을 평가하는 유용한 기준으로 사용되는 검사이다. 따라서 3개월 주기로 당뇨병 환자는 병원을 방문하여 당화혈색소 검사를 하고, 의료진은 그 동안의 혈당 관리 정도가 고스란히 드러나는 이 결과를 보고 추후 치료 방향을 결정하게 된다. 병원에서 설정한 치료 목표 및 방향에 따라 처방을 하면, 환자는 일상 생활에서 복약, 식이, 운동, 생활습관을 스스로 관리하여 당뇨를 관리하게 된다.
당뇨병은 특히 복약과 일상생활 관리가 중요한 질병인데, 문제는 환자가 병원 진료 사이의 수개월간 자가관리를 하기 때문에 관리가 쉽지 않을 뿐 아니라 스스로 관리를 제대로 하고 있는지 판단하기도 어렵다.
혈당관리를 위한 자가 혈당 측정기가 보급되고 있으나, 혈당은 음식 섭취 등으로 인해 변동이 심한 값이므로 이를 기준으로 관리하기 보다는 장기적(수개월 간의) 혈당 조절 상태를 나타내는 당화혈색소수치를 기준으로 하는 것이 바람직하다. 병원에서 당화혈색소 수치를 기초로 치료 방향을 설정하는 것도 이러한 이유에서이다.
그러나 당화혈색소는 병원에서만 검사 가능하므로 수 개월 동안 환자들은 당화혈색소 수치에 대한 정보 없이 자가 관리를 막연히 하고 있다. 현재 당뇨병 환자는 혈당 관리를 위해 환자용 수첩이나 스마트폰 어플리케이션을 이용한다. 식사량, 운동량 등을 수첩이나 어플리케이션에 기록하는 방식에 의해 혈당 관리를 한다.
그러나, 이러한 방법으로는 혈당 조절을 평가하는 유용한 기준인 당화혈색소 수치의 관리나 판단이 어렵고 환자의 자가 관리의 중간 점검 등이 어려운 상황이다.
본 발명은 상기 문제점을 해결하여, 당화혈색소 수치 예측을 위한 인공지능학습 모델 훈련 방법 및 시스템을 제공하고자 한다.
본 발명의 또 다른 목적은 환자의 당화혈색소 수치를 예측하고 관리하는 시스템 및 방법을 제공하는 것이다.
상기 과제를 해결하기 위해, 본 발명의 바람직한 실시예에 따른 당화혈색소 수치 추정을 위한 인공지능학습 모델의 학습 방법이 개시된다.
상기 학습 방법은 환자의 운동 정보 및 생체 정보를 포함하는 환자 정보를 수집하는 단계; 환자의 실측 당화혈색소 수치를 수집하는 단계; 상기 수집된 환자 정보와 실측 당화혈색소 수치를 단일 표준화된 데이터 구조 형식으로 변환하는 단계; 및 상기 변환된 환자 정보와 실측 당화혈색소 수치를 이용하여 인공지능 학습 모델을 학습시켜 당화혈색소 수치 추정을 위한 인공지능학습 모델을 생성하는 단계;를 포함한다.
상기 생체 정보는 혈당, 혈압, 심박수, 생리주기 중 하나 이상을 포함하고, 상기 운동 정보는 환자 단말기에 의해 획득되는 환자 생활 로그 데이터에 기초하여 생성된다.
상기 환자 정보는 치료적 개입에 대한 순응도를 포함하고, 상기 치료적 개입은 상기 환자 단말기의 사용자 인터페이스를 통한 처방 의약품의 복약 알림 메시지의 제공을 포함한다.
상기 순응도는 복약 알림 메시지에 대한 응답에 기초하여 산정되는 것이 바람직하다. 상기 응답은 환자 단말기의 사용자 인터페이스를 통해 입력될 수 있다.
추가로 상기 응답은 환자 단말기에 의해 감지되는 생활 로그 데이터에 기초하여 생성될 수 있다.
상기 환자 정보는 처방 정보, 신체 정보, 생활 정보, 치료적 개입에 대한 순응도 중 하나 이상을 더 포함하고, 상기 처방정보는 처방 의약품 정보와 복약 지도 정보를 포함하고, 상기 신체정보는 사용자의 키, 몸무게, 허리둘레 중 하나 이상을 포함한다.
상기 생활정보는 수면지수와 활동지수 중 하나 이상을 포함하고, 상기 생활정보는 환자가 소지하는 환자 단말기에 의해 생성된 생활 로그 데이터에 기초하여 생성된다.
상기 치료적 개입은 운동 권유 메시지의 제공을 포함하고, 상기 순응도는 상기 치료적 개입에 대한 사용자의 응답에 기초하여 산정된다.
상기 환자 정보는 치료적 개입에 대한 순응도를 포함하고, 상기 환자 정보와, 실측 또는 추정 당화혈색소 수치에 기초하여 생성되는 치료적 개입 정보를 챗봇이 치료적 개입 메시지로 변환한다. 환자 단말기로 출력되는 상기 치료적 개입 메시지에 대한 응답이 환자 단말기에 입력되는 시간에 기초하여 상기 순응도가 산출되는 것이 바람직하다. 상기 응답 여부 및 시간은 환자 단말기에 의해 감지되는 생활 로그 데이터에 기초하여 생성될 수 있다.
본 발명의 일 실시예에 의한 당화혈색소 수치 추정을 위한 인공지능학습 모델 학습 장치는, 환자의 운동 정보 및 생체 정보를 포함하는 환자 정보와, 환자의 실측 당화혈색소 수치를 이용하여 환자 데이터베이스를 구축하는 데이터베이스부; 및 상기 환자 데이터베이스에 포함된 환자 정보와 실측 당화혈색소 수치 데이터를 멀티 레벨 기계 학습(Multi-Level Machine Learning)에 적용하여 당화혈색소 수치 추정을 위한 인공지능 학습 모델을 생성하는 신경망 모델링부;를 포함한다.
상기 생체정보는 혈당, 혈압, 심박수, 생리주기 중 하나 이상을 포함하고, 상기 운동 지수는 환자 단말기에 의해 획득되는 환자 생활 로그 데이터에 기초하여 생성된다.
본 발명의 다른 측면에 의하면, 정보처리장치에 의해 실행되는 당뇨 환자 관리 방법은, 환자 장치로부터 환자 정보를 수신하는 단계; 상기 환자 정보를 청구항 제1항의 방법에 의해 학습된 당화혈색소 수치 추정을 위한 인공지능학습 모델에 적용하여 당화혈색소 수치를 추정하는 단계; 및 상기 추정된 당화혈색소 수치를 상기 환자 단말기의 사용자 인터페이스를 통해 제공하는 단계;를 포함한다.
상기 환자 정보는 운동 정보 및 생체 정보를 포함하고, 상기 생체 정보는 실측 당화혈색소 수치, 혈당, 혈압, 심박수, 생리주기 중 하나 이상을 포함한다.
상기 운동 정보는 환자 단말기에 의해 획득되는 환자 생활 로그 데이터에 기초하여 생성되는 운동 지수이고, 상기 운동 지수는 운동 종류별로 대응하는 운동 시간에 의해 결정되는 수치인 것이 바람직하다.
상기 당뇨 환자 관리 방법은, 상기 환자 정보에 기초하여 치료적 개입을 수행하는 단계; 상기 치료적 개입에 대한 응답을 획득하는 단계; 상기 응답에 기초하여 순응도를 산출하는 단계; 및 상기 순응도를 포함하는 환자 정보를 상기 인공지능학습 모델에 적용하여 당화혈색소 수치를 추정하는 단계;를 한다.
상기 응답은 상기 환자 단말기에 의해 감지되는 생활 로그 데이터에 기초하여 자동 생성되고 서버로 전송될 수 있다.
본 발명의 바람직한 실시예에 의하면, 실시간으로 당뇨 환자의 상태를 모니터링하고, 당화혈색소 수치를 추정, 예측할 수 있다.
도 1은 본 발명의 당뇨 환자 관리 시스템의 구성을 나타낸 도면이다.
도 2는 본 발명의 당뇨 환자 관리 서버의 구성을 개략적으로 나타낸 블록도이다.
도 3은 본 발명의 당뇨 환자 관리 서버와 환자 단말, 의료진 단말 간의 데이터 흐름을 나타낸 도면이다.
도 4는 혈압 측정 결과에 대해 각기 범위를 정하여 계수를 정한 표를 나타낸 것이다.
도 5는 이러한 계수 지정 방법의 일 예를 나타낸 것이다.
도 6은 치료적 개입에 대한 순응도를 산출하기 위해 치료적 개입에 대한 응답 시간에 따른 포인트를 부여한 표와 그에 따른 매트릭스를 나타낸 도면이다.
도 7은 본 발명의 당화혈색소 수치 추정을 위한 인공지능학습모델(Wx)의 학습 데이터들의 관계를 수학적으로 나타낸 것이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시 예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
이하에서, 본 발명의 실시예를 첨부된 도면을 참조하여 상세하게 설명한다. 그러나, 본 발명이 실시예들에 의해 제한되거나 한정되는 것은 아니다.
도 1은 본 발명의 일실시예에 따른 당뇨 환자 관리 시스템의 개략적 구성을 나타낸 블럭도이다.
도 1에 의하면, 당뇨 환자 관리 시스템은 당뇨 환자 관리 서버(150)와 당뇨 환자가 소지하는 환자 단말기(110)를 포함한다. 당뇨 환자 관리 시스템은 추가로 의료진 장치(120) 및/또는 제3자 장치(140)을 더 포함할 수 있다. 본 발명의 환자 관리 시스템의 각종 단말기와 서버들은 통신 네트워크에 의해 유무선통신이 가능하다.
당뇨 환자 관리 서버(150)는 프로세서와 메모리, 통신모듈을 포함하는 단일 정보처리장치일 수 있으나, 이에 한정되지 않고 다수 정보처리장치가 통신 네트워크에 의해 연결된 시스템일 수도 있다.
상기 환자 단말기(110)는 건강 정보를 체크하는 앱이나 위치정보, 운동정보 또는 바이오 정보를 감지하는 센서가 추가된 단말기(예를 들면, 스마트폰, 스마트 워치 등)일 수 있다. 환자 단말기(110)는 예를 들어, 스마트 밴드와 같이 사용자의 신체에 착용되어 다양한 혈압, 심박수 등 환자의 생체 정보를 감지할 수도 있고, 무선 통신에 의해 환자 정보를 환자 관리 서버(150)로 제공하고 환자 관리 서버로부터 각종 정보를 수신할 수 있다.
도 2에 의하면, 당뇨 환자 관리 서버(150)는 입출력 인터페이스(미도시), 통신부(151), 데이터베이스부(152), 신경망 모델링부(159) 및 제어부(154)를 포함한다. 상기 통신부(151)는 통신 네트워트를 통해 환자 단말기(110), 의료진 장치(120) 및/또는 제3자 장치(140)와 유선 또는 무선 통신을 할 수 있다.
상기 데이터베이스부(152)는 당뇨 환자 정보가 저장된 환자 데이터베이스를 포함하고, 신경망 모델링부(159)에서는 데이터베이스부(152)에 의해 구축된 데이터베이스를 이용하여 인공지능 학습이 수행되고 그 결과 생성된 신경망인 인공지능 학습 모델이 저장된다. 상기 제어부는 환자 단말기를 포함한 외부 장치로 각종 데이터를 수집하고 서버에서 각종 데이터 처리를 제어하고 처리된 데이터를 외부 장치로 제공한다. 각각의 구성요소들은 소프트웨어, 하드웨어 또는 소프트웨어 및 하드웨어가 결합된 형태로 구성될 수 있다. 이하 구성요소 별로 구체적으로 기술하도록 한다
당뇨 환자 관리 서버(150)는 당뇨 환자가 소지하는 환자 단말로부터 환자 정보를 수집하고, 치료적 개입을 포함한 각종 정보를 환자 단말로 제공하고 환자 장치로부터 응답 또는 반응 데이터를 수집하여 처리함으로써 당뇨 환자의 자가 관리를 돕는다. 추가로, 의료진 장치(120) 및/또는 제3자 장치(140)로부터 처방 정보 또는 각종 의료 정보, 환경 정보를 수집하고 이를 처리한다. 이에 대해서는 후술한다.
먼저, 도 3을 참조하여 인공지능 학습장치에 의해 수행되는, 당화혈색소 수치를 추정하는 인공지능 학습모델의 학습 방법에 대해 상세히 설명한다. 상기 학습 방법은 인공지능 학습모델의 학습장치의 하드웨어 및 소프트웨어 프로그램의 결합에 의해 구현된다. 환자 단말기에 저장된 어플리케이션 프로그램은 상기 소프트웨어 프로그램과 연동되어 데이터 처리가 이루어 진다.
인공지능 학습 장치는 당뇨 환자 관리 서버(150)에 포함되는 것이 바람직하지만, 이에 한정되지 않고 별도의 하드웨어 및 소프트웨어로 구현될 수도 있다. 이하에서는 인공지능모델의 학습 장치가 당뇨 환자 관리 서버(150)에 포함된 경우를 설명한다.
본 발명의 일실시예에 따른 당화혈색소 수치 추정을 위한 인공지능학습 모델 학습 장치(당뇨 환자 관리 서버)는 입출력 인터페이스(미도시), 통신부(151), 환자 정보와 환자의 실측 당화혈색소 수치를 이용하여 환자 데이터베이스를 구축하는 데이터베이스부(152), 및 상기 당뇨 환자 데이터베이스에 포함된 환자 정보와 실측 당화혈색소 수치 데이터를 멀티 레벨 기계 학습(Multi-Level Machine Learning)에 적용하여 당화혈색소 수치 추정을 위한 인공지능 학습 모델을 생성하는 신경망 모델링부(159) 및 제어부(154)를 포함한다.
환자 정보는 환자의 운동 정보, 생체 정보, 처방 정보, 신체 정보, 생활 정보, 치료적 개입에 대한 순응도를 포함한다. 추가로 환자 나이, 성별 등을 포함할 수 있다.
상기 운동 정보 및 생활 정보는 환자 단말기에 의해 획득되는 환자 생활 로그 데이터에 기초하여 생성된다. 보다 구체적으로, 환자 단말기는 스마트폰 또는 스마트 워치로서, 사용자의 활동 정보를 수집할 수 있다. 환자 단말기는 걸음수, 달리기 시간, 운동 시간 등 스마트폰의 자이로 센서, 가속도 센서, GPS 모듈 등에 의해 획득하는 센서 데이터인 생활 로그 데이터를 이용하여 수면 시간, 운동종류, 종류별 운동 시간, 소모 칼로리 등을 획득할 수 있다. 경우에 따라서는 환자 본인이 요가 1시간, 명상 6 시간 등 운동 정보나 생활 정보를 입력할 수도 있다. 환자 단말기는 이러한 환자의 운동 정보 및 생활 정보를 획득하여 서버(150)로 전송한다.
생체 정보는 혈당, 혈압, 심박수, 생리주기 중 하나 이상을 포함한다. 혈당은 별도의 혈당 측정기에 의해 측정될 수 있고, 환자가 환자 단말기로 입력할 수도 있으며, 블루투스 통신모듈을 포함한 통신모듈을 가지는 IoT 혈당기에 의해 측정되어 환자 단말기 또는 서버로 전송될 수 있다. 생체 정보는 혈액형, 산소포화도, 호흡수, 호흡량, 체지방측정결과를 더 포함할 수 있다.
상기 생체 정보는 예를 들어 2021년 3월 1일, 공복 혈당 100, 혈압은 100~120mmHg로 정상, 심박수 정상과 같은 측정된 생체 수치 데이터일 수 있다. 각각의 생체 수치 데이터는 각기 범위를 정하여 계수를 지정할 수 있다. 도 4에는 혈압 측정 결과에 대해 각기 범위를 정하여 계수가 지정된 예를 나타낸 것이다. 환자별 일별로 지정된 범위에 대해 각기 다른 계수을 지정하고 그 결과 생체 지수 매트릭스를 생성하게 된다.
이처럼 생체 정보는 환자별(환자 ID), 일별, 그리고 생체 지수에 따라 정열되어 매트릭스 형태로 저장된다. 이러한 데이터 변환은 데이터베이스부(152)에 의해 이루어져 환자데이터베이스에 구조화되어 저장되는 것이 바람직하다.
처방 정보는 당뇨 환자가 받은 의약 처방에 포함된 의약품의 종류와 양, 복용 시간, 복용 횟수를 포함한다. 상기 처방 정보는 환자 또는 의료진에 의해 환자 단말기 또는 의료진 장치에 입력되어 서버(150)으로 전송될 수 있다. 대안적으로 병원 장치(의료진 장치)에 저장된 PHR(Patient Health record)이 서버(150)에 전송되어 제공될 수도 있다.
신체 정보는 환자의 키, 몸무게, 허리둘레 등의 신체 관련 정보로서 환자 단말기에 입력된 데이터를 서버가 수신하거나 별도의 장치, 예를 들어 PHR(Patient Health record)을 수집할 수도 있다.
생활 정보는 수면 시간, 휴식 시간, 이동 시간, 동선 등를 포함한다. 상기 생활 정보는 환자 단말기(환자가 착용한 스마트 워치와 같은 웨어러블 디바이스 또는 스마트 폰)가 획득한 생활 로그 데이터로부터 생성될 수 있다. 환자 단말기는 자이로 센서 등의 각종 센서 데이터를 포함한 상기 생활 로그 데이터를 가공하여 수면 시간, 휴식 시간 등의 생활 정보와 상기 운동 정보를 획득한다.
상기 운동 정보는 예를 들어 2021년 3월 1일, 걷기 35분시간, 달리기 30분, 수영 0시간, 자전거 타기 0 시간과 같이 운동 종류와 운동량(시간)을 포함하는 데이터일 수 있다. 운동별 운동시간은 각기 범위를 정하여 계수가 지정된다.
도 5는 이러한 계수 지정 방법의 일 예를 나타낸 것이다.
이처럼 운동 정보는 환자별 일별, 그리고 운동별 운동시간으로 정열되어 매트릭스 형태로 저장된다. 이러한 데이터 변환은 데이터베이스부(152)에 의해 이루어져 환자데이터베이스에 저장되는 것이 바람직하다.
데이터베이스부에 의해 환자 정보와 실측 당화혈색소 수치를 단일 표준화된 데이터 구조 형식으로 변환하고, 신경망 모델링부는 변환된 환자 정보와 실측 당화혈색소 수치를 이용하여 인공지능 학습 모델을 학습시켜 당화혈색소 수치 추정을 위한 인공지능학습 모델을 생성한다.
상기 학습을 위한 데이터 셋은 입력 데이터 셋과 출력 데이터 셋을 포함하고, 입력 데이터 셋은 변환된 환자 정보이고, 실측 당화혈색소 수치가 출력 데이터 셋(data set)이다. 다만, 실측 당화혈색소 수치는 2 개월 내지 3개월 마다 측정되므로 중간의 당화혈색소 수치는 일별 추이를 반영한 값을 입력한다. 예를 들어, 3월 4일에 측정한 값이 6.6%이고 6월 4일에 측정한 값이 6.0%인 경우 4월 4일의 실측 당화혈색소 수치는 예를 들어 6.0+(31/92)*(6.6-6.0)= 6.2%로 산정하여 입력한다. 다른 방식으로는, 전처리 과정에서 평균값, 바로 앞의 값 또는 바로 뒤의 값을 이용하여 각기 학습을 하고 인공지능모델을 생성하되, 그 예측율이 높은 경우를 선택할 수 있다. 예를 들어, 6.0, 6.3(산술평균), 6.6 을 각기 당화혈색소 수치로 이용하여 학습을 하되 그 결과 생성된 인공지능모델 중에서 예측율이 가장 높은 것을 선택하는 방식이다.
상기 인공지능 학습을 위해 예를 들어 Recurrent Neural Network (RNN), Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), 또는 Deep Feedforward Network (DFN) 기반의 인공지능 알고리즘이 이용될 수 있다.
한편, 상기 인공지능 학습을 위해, 환자 단말기의 사용자 인터페이스에서 제공되는 치료적 개입에 대한 응답이 추가로 수집되어 이용될 수 있다.
이를 위해 환자 관리 서버(150)는 치료적 개입부(미도시)를 더 포함하고, 상기 치료적 개입부는 환자 정보와 당화혈색소 수치에 기초한 치료적 개입 신호를 환자 단말기로 제공할 수 있다. 대안적으로, 치료적 개입부는 환자 단말기에 저장된 어플리케이션 프로그램의 형태로 구현될 수도 있다. 즉, 별도의 서버에서 생성된 치료적 개입 프로그램이 당뇨 환자 관리용 어플리케이션 프로그램과 연동되거나 그 일부로 포함될 수 있다.
치료적 개입은 복약 지도, 운동 권유, 식이 조절 요청, 위험 경고 등을 포함하고, 환자 단말의 사용자 인터페이스를 통해 제공될 수 있다. 구체적으로 환자 단말기의 사용자 인터페이스를 통해 문자, SNS 메시지, 음성 메시지, 푸쉬 메시지, 어플리케이션 프로그램의 알람 메시지 등의 형태로 제공될 수 있다.
치료개입부는 상기 환자 정보(당화혈색소 수치, 운동 정보, 생체 정보, 처방 정보, 신체 정보, 생활 정보, 식이 정보, 치료적 개입에 대한 순응도, 나이, 성별)에 기초하여 치료개입을 위한 개입 신호를 생성한다.
이하, 치료적 개입 제공 단계 및 순응도 산정 과정을 구체적으로 설명한다.
치료개입부는 치료적 개입 정보는 환자 정보와 당화혈색소 수치 중 하나 이상에 기초하여 생성하고, 제어부는 상기 치료적 개입 정보를 통신부가 환자 단말기로 전송하도록 제어한다. 상기 환자 단말기로 제공된 치료적 개입 정보에 대한 응답에 기초하여 치료적 개입에 대한 순응도를 산정한다.
상기 순응도는 상기 환자 단말기의 사용자 인터페이스를 통해 제공되는 치료적 개입에 대한 확인 여부, 응답 여부, 응답 시간 중 하나 이상에 기초하여 산정된다. 이하, 치료적 개입과 순응도 산정에 대해 상세히 설명한다.
치료개입부는 상기 데이터베이스에 저장된 변환된 환자 정보와 인공지능 학습모델에 의해 추정된 당화혈색소 수치 중 하나 이상에 기초하여 치료적 개입 정보를 생성한다.
치료적 개입 중 복약 지도를 일 예로서 설명하면, 상기 처방 정보는 환자별 복용 의약품의 종류, 양, 복용 시간, 횟수를 포함한다. 상기 처방 정보에 따라 치료적 개입 정보를 생성한다. 예를 들어, 아침 식후 의약품 1을 복용하는 치료적 개입 정보를 이용하여 아침 8시에 의약품 1을 복용하라는 복약 지도 메시지 또는 복약 알림 메시지를 출력하도록 하라는 요청을 환자 단말기로 전송할 수 있다.
치료적 개입에 대한 순응도는 환자 단말기의 사용자 인터페이스로 출력된 복약 지도 메시지에 대한, 수신 확인 여부, 그리고 그에 대한 응답 시간에 기초하여 결정된다. 메시지 확인을 한 경우 포인트는 1, 확인하지 않은 경우 포인트 0을 부여한다. 그리고 메시지에 대해 응답(메시지는 응답 입력 폼 또는 버튼을 포함)을 한 경우 예를 들어 메시지 출력에 대해 즉시 답변한 경우(예를 들어 10초 이내 답변), 10초 경과 후 10분 이내에 응답이 입력된 경우, 10분 경과 후 1시간 이내에 응답이 입력된 경우, 1시간 경과 후 24시간 이내에 응답이 입력된 경우, 24시간 경과 후 응답이 입력되거나 계속 응답이 입력되지 않은 경우에 대해, 각기 1, 0.7, 0.5, 0.1, -1점의 포인트를 주도록 미리 설정한다(도 6 참조). 이 포인트는 일별로 합산되어 일별 순응도를 산정하거나, 이 포인트를 누적 합산하여 누적 순응도를 산출할 수 있다. 누적 순응도는 실측 당화혈색소 수치가 측정된 날부터 합산된다. 순응도 수치가 높을 수록 순응도가 높다.
복약 지도 외에도 치료적 개입은 운동 권유, 식이 조절 메시지 등을 포함하며, 상기 치료적 개입 정보는 추정 당화혈색소 수치 및/또는 환자 정보에 기초하여 생성될 수 있다. 생성된 치료적 개입 정보는 챗봇에 의해 자연어 메시지로 변환되어 환자 단말기로 제공된다.
상기 치료적 개입에 대한 순응도는 치료적 개입 메시지에 대한 확인 여부, 응답 여부, 응답 시간에 기초하여 산출된다. 구체적으로는 환자 단말기에 의해 출력된 치료적 개입 메시지에 대한 확인여부, 치료적 개입 메시지를 출력한 시간으로부터 응답이 입력된 시간에 따라 결정되고, 상기 입력된 시간은 범위를 나누어 각기 차별되는 포인트를 부여하고 일별 또는 누적되게 포인트를 합산하여 순응도를 산출한다.
이렇게 산출된 순응도는 상기 환자 정보의 일부로 포함되어 인공지능 학습모델을 생성하기 위한 입력 데이터 셋에 포함된다.
순응도 산출 방법은, 상기 치료적 개입 메시지를 환자 단말기로 제공하는 단계; 환자 단말기로부터 상기 치료적 개입 메시지에 대응하는 확인 메시지를 수신하는 단계; 상기 확인 메시지의 응답시간을 추출하는 단계; 응답시간에 기초하여 포인트를 산출하는 단계; 상기 포인트를 더하여 순응도를 산출하는 단계;를 포함한다.
다만, 상기 응답은 환자 단말기의 사용자 인터페이스를 통해 제공되는 응답 버튼을 클릭하거나 터치하는 것에 한정되지 않는다. 운동 권유 메시지, 걷기 권유 메시지 등을 받은 환자가 단말기를 통한 별도의 응답을 하지 않으면서 운동을 할 수 있다. 이 경우 환자가 소지한 환자 단말기의 센서에 의해 운동이 감지될 수 있다. 환자 단말기는 상기 운동이 감지되면 해당 운동 및 운동 시작 시간을 응답 및 응답 시간으로 포함하는 확인 메시지를 생성한다.
이처럼 환자 단말기의 메시지에 대한 명시적 응답이 없어도 상기 치료적 개입 정보에 대응하는 신호가 감지될 경우 응답 시간 및 응답을 생성하여 확인 메시지로 저장한다. 이경우 확인 메시지는 (운동, 1시간)일 수 있다.
상술한 방법에 의해 산출된 순응도는 인공지능 학습 데이터로 이용된다.
본 발명의 다른 실시예에 따른 당뇨 환자 관리 방법을 설명한다.
당뇨 환자 관리 서버는 당뇨 환자 관리 방법을 실행하고, 이 방법은 일련의 명령어들을 포함하는 프로그램으로 구현될 수 있다.
당뇨 환자 관리 방법은 환자 장치로부터 환자 정보를 수신하는 단계; 상기 환자 정보를 당화혈색소 수치 추정을 위한 인공지능학습 모델에 적용하여 당화혈색소 수치를 추정하는 단계; 상기 추정된 당화혈색소 수치를 상기 환자 단말기의 사용자 인터페이스를 통해 제공하는 단계;를 포함한다.
상기 관리 방법은 또한 상기 환자 정보에 기초하여 치료적 개입을 수행하는 단계; 상기 치료적 개입에 대한 응답을 획득하는 단계; 상기 응답에 기초하여 순응도를 산출하는 단계; 및 상기 순응도를 포함하는 환자 정보를 상기 인공지능학습 모델에 적용하여 당화혈색소 수치를 추정하는 단계;를 더 포함한다.
상술한 바와 같이 환자 단말기(110)는 혈당 수치, 혈압, 심박수, 체중, 맥박, 심전도 등의 다양한 정보를 감지할 수 있으며, 사용자의 위치기반서비스에 대한 동의가 있는 경우, 사용자의 움직임을 감지하여 사용자의 운동량, 수면시간, 이동거리 등을 포함하는 생활 정보를 생성할 수 있다.
서버(150)는 환자 단말기(110)로부터 환자 정보를 제공받고, 환자 정보를 내부 저장매체, 예를 들어 데이터베이스, 외부 저장매체 또는 별도의 클라우드에 저장할 수 있다. 이때, 서버(150)는 해당 사용자데이터가 저장된 위치를 별도로 관리할 수 있다. 서버(150)는 사용자데이터의 저장위치를 내부 저장매체에 저장할 수 있다.
상술한 본 발명의 바람직한 실시예에 의하면, 환자의 당화혈색소 수치를 추정할 수 있고, 이에 기초하여 환자 단말기를 통해 치료적 개입을 할 수 있다. 매일 집에서 측정하는 당뇨수치보다는 3개월마다 혈액이 refresh되기 때문에 이때 병원에서 수행하는 당화혈색소 검사가 의학적으로 의미가 있다.
그러나 당화혈색소 수치는 가정에서 할 수 없기 때문에 3개월간 환자의 생활을 실시간으로 모니터하고, 챗봇을 통해 치료적개입을 수행하기 위해 당화혈색소 수치의 적절한 추정이 필요하다. 치료적 개입에 대한 반응(순응도)을 확인하고 이 순응도를 환자 정보의 일부로 이용하여 당화혈색소 수치 추정을 위한 인공지능학습모델의 학습 데이터로 이용함으로써 정확도가 높은 당화혈색소 수치 추정이 가능하다. 나아가, 이를 자가 관리의 기준으로 활용하여 당뇨 환자 관리의 품질을 향상할 수 있다.
본 발명의 일 실시예에 따른 당화혈색소 수치 추정을 위한 인공지능학습 모델은 프로세서(CPU) 및 메모리(Memory, 기억장치)를 구비하는 개인용 컴퓨터 또는 PDA, 스마트폰, PMP 등의 각종 휴대 단말기에 설치됨으로써, 개인의 서버와의 통신 없이 바로 당화혈색소 수치의 추정이 가능할 수도 있다.
또한, 본 발명에 따른 당화혈색소 수치 추정 방법은 소프트웨어 형태로 구현되어 상술한 개인용 컴퓨터 또는 각종 휴대 단말기에서 동작하도록 구성될 수도 있고, 상기 당화혈색소 수치 추정 방법을 실행하는 프로그램을 기록한 기록매체의 형태로 본 발명이 구성되는 것도 가능하다. 이와 같은 구성에 의하여 본 발명이 제한되지는 아니하며, 어떠한 형태로 구성되더라도 본 발명의 구성요소를 이용하여 당화혈색소 수치를 추정할 수 있는 효과를 얻을 수 있도록 구성되는 것이라면 본 발명의 권리범위에 속한다.
150: 환자 관리 서버

Claims (8)

  1. 당화혈색소 수치 추정을 위한 인공지능학습 모델의 학습 방법으로서,
    환자의 운동 정보 및 생체 정보를 포함하는 환자 정보를 수집하는 단계;
    환자의 실측 당화혈색소 수치를 수집하는 단계;
    상기 수집된 환자 정보와 실측 당화혈색소 수치를 단일 표준화된 데이터 구조 형식으로 변환하는 단계; 및
    상기 변환된 환자 정보와 실측 당화혈색소 수치를 이용하여 인공지능 학습 모델을 학습시켜 당화혈색소 수치 추정을 위한 인공지능학습 모델을 생성하는 단계;를 포함하고,
    상기 생체 정보는 혈당, 혈압, 심박수, 생리주기 중 하나 이상을 포함하고,
    상기 환자 정보는 치료적 개입에 대한 순응도를 더 포함하고,
    상기 순응도는, 환자 단말기의 사용자 인터페이스를 통해 제공되는 치료적 개입에 대한 확인 여부, 응답 여부, 응답 시간 중 하나 이상에 기초하여 산정되며,
    상기 순응도는 상기 환자 정보의 일부로 포함되어 상기 인공지능학습 모델을 생성하기 위한 학습 데이터 셋(data set)에 포함되는 것을 특징으로 하는 인공지능학습 모델 훈련 방법.
  2. 제1항에 있어서,
    상기 치료적 개입은 상기 환자 단말기의 사용자 인터페이스를 통한 처방 의약품의 복약 알림 메시지의 제공을 포함하고,
    상기 순응도는 복약 알림 메시지에 대한 응답에 기초하여 산정되는 것을 특징으로 하는 인공지능학습 모델 훈련 방법.
  3. 제1항에 있어서,
    상기 환자 정보는 처방정보, 신체정보, 생활정보 중 하나 이상을 더 포함하고,
    상기 처방정보는 처방 의약품 정보와 복약 지도 정보를 포함하고,
    상기 신체정보는 사용자의 키, 몸무게, 허리둘레 중 하나 이상을 포함하고,
    상기 생활정보는 수면지수와 활동지수 중 하나 이상을 포함하되, 환자가 소지하는 환자 단말기에 의해 생성된 생활 로그 데이터에 기초하여 생성되고,
    상기 운동 정보는 환자 단말기에 의해 획득되는 환자 생활 로그 데이터에 기초하여 생성되며,
    상기 치료적 개입은 운동 권유 메시지의 제공을 포함하는 것을 특징으로 하는 인공지능학습 모델 훈련 방법.
  4. 제1항에 있어서,
    상기 환자 정보와, 실측 또는 추정 당화혈색소 수치에 기초하여 생성되는 치료적 개입 정보를 챗봇이 치료적 개입 메시지로 변환하고,
    환자 단말기로 출력되는 상기 치료적 개입 메시지에 대한 응답이 환자 단말기에 입력되는 시간에 기초하여 상기 순응도가 산출되는 것을 특징으로 하는 인공지능학습 모델 훈련 방법.
  5. 당화혈색소 수치 추정을 위한 인공지능학습 모델 학습 장치로서,
    환자의 운동정보 및 생체정보를 포함하는 환자 정보와, 환자의 실측 당화혈색소 수치를 이용하여 환자 데이터베이스를 구축하는 데이터베이스부; 및
    상기 환자 데이터베이스에 포함된 환자 정보와 실측 당화혈색소 수치 데이터를 멀티 레벨 기계 학습(Multi-Level Machine Learning)에 적용하여 당화혈색소 수치 추정을 위한 인공지능 학습 모델을 생성하는 신경망 모델링부;를 포함하고,
    상기 생체정보는 혈당, 혈압, 심박수, 생리주기 중 하나 이상을 포함하고,
    상기 운동정보는 환자 단말기에 의해 획득되는 환자 생활 로그 데이터에 기초하여 생성되며,
    상기 환자 정보는 치료적 개입에 대한 순응도를 더 포함하고,
    상기 순응도는, 환자 단말기의 사용자 인터페이스를 통해 제공되는 치료적 개입에 대한 확인 여부, 응답 여부, 응답 시간 중 하나 이상에 기초하여 산정되며,
    상기 순응도는 상기 환자 정보의 일부로 포함되어 상기 인공지능학습 모델을 생성하기 위한 학습 데이터 셋(data set)에 포함되는 것을 특징으로 하는 인공지능학습 모델 학습 장치.
  6. 정보처리장치에 의해 실행되는 당뇨 환자 관리 방법으로서,
    환자 단말기로부터 환자 정보를 수신하는 단계;
    환자 정보에 기초하여 치료적 개입을 수행하는 단계;
    상기 치료적 개입에 대한 응답을 획득하는 단계;
    상기 응답에 기초하여 순응도를 산출하는 단계;
    상기 순응도를 포함하는 환자 정보를 청구항 제1항의 방법에 의해 학습된 당화혈색소 수치 추정을 위한 인공지능학습 모델에 적용하여 당화혈색소 수치를 추정하는 단계; 및
    상기 추정된 당화혈색소 수치를 상기 환자 단말기의 사용자 인터페이스를 통해 제공하는 단계;를 포함하는 당뇨 환자 관리 방법.
  7. 제6항에 있어서,
    상기 환자 정보는 운동 정보 및 생체 정보를 포함하고,
    상기 생체 정보는 실측 당화혈색소 수치, 혈당, 혈압, 심박수, 생리주기 중 하나 이상을 포함하고,
    상기 운동 정보는 환자 단말기에 의해 획득되는 환자 생활 로그 데이터에 기초하여 생성되는 운동 지수이고,
    상기 운동 지수는 운동 종류별로 대응하는 운동 시간에 의해 결정되는 수치인 것을 특징으로 하는 당뇨 환자 관리 방법.
  8. 삭제
KR1020210055135A 2021-04-28 2021-04-28 당화혈색소 수치 추정을 위한 인공지능학습 모델의 학습 방법 및 그 시스템 KR102382659B1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020210055135A KR102382659B1 (ko) 2021-04-28 2021-04-28 당화혈색소 수치 추정을 위한 인공지능학습 모델의 학습 방법 및 그 시스템
US17/780,001 US20220415507A1 (en) 2021-04-28 2021-08-09 Method and system for training artificial intelligence model for estimation of glycolytic hemoglobin levels
PCT/KR2021/010486 WO2022231069A1 (ko) 2021-04-28 2021-08-09 당화혈색소 수치 추정을 위한 인공지능학습 모델의 학습 방법 및 그 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210055135A KR102382659B1 (ko) 2021-04-28 2021-04-28 당화혈색소 수치 추정을 위한 인공지능학습 모델의 학습 방법 및 그 시스템

Publications (1)

Publication Number Publication Date
KR102382659B1 true KR102382659B1 (ko) 2022-04-08

Family

ID=81182998

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210055135A KR102382659B1 (ko) 2021-04-28 2021-04-28 당화혈색소 수치 추정을 위한 인공지능학습 모델의 학습 방법 및 그 시스템

Country Status (3)

Country Link
US (1) US20220415507A1 (ko)
KR (1) KR102382659B1 (ko)
WO (1) WO2022231069A1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130142016A (ko) * 2012-06-18 2013-12-27 경희대학교 산학협력단 당뇨병 및 당뇨 합병증 관리 방법
KR20190113451A (ko) * 2018-03-28 2019-10-08 주식회사 아이센스 인공신경망 딥러닝 기법을 활용한 측정물 분석 방법, 장치, 학습 방법 및 시스템

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160054320A (ko) * 2014-11-06 2016-05-16 두산중공업 주식회사 스마트폰을 이용한 혈당 관리 시스템
KR20160043527A (ko) * 2016-03-31 2016-04-21 강수진 당뇨병 및 당뇨 합병증 관리시스템과 방법
KR102206905B1 (ko) * 2018-12-28 2021-01-25 (주)아이쿱 혈액검사 결과 기반 생활패턴 및 변화인자 추정방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130142016A (ko) * 2012-06-18 2013-12-27 경희대학교 산학협력단 당뇨병 및 당뇨 합병증 관리 방법
KR20190113451A (ko) * 2018-03-28 2019-10-08 주식회사 아이센스 인공신경망 딥러닝 기법을 활용한 측정물 분석 방법, 장치, 학습 방법 및 시스템

Also Published As

Publication number Publication date
WO2022231069A1 (ko) 2022-11-03
US20220415507A1 (en) 2022-12-29

Similar Documents

Publication Publication Date Title
US20180301220A1 (en) Wearable Sensor Packages and Health Score Analytics for Athletic Performance and Training
RU2757048C1 (ru) Способ и система оценки здоровья тела человека на основе данных большого объема о сне
CN103959291B (zh) 基于具有自适应选择的核和正则化参数的正则化网络的葡萄糖预测器
US20060025931A1 (en) Method and apparatus for real time predictive modeling for chronically ill patients
KR102400740B1 (ko) 사용자의 건강상태 모니터링 시스템 및 이의 분석 방법
RU2712395C1 (ru) Способ выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя, автоматически отслеживаемых в реальном времени, и соответствующая система (варианты)
US20140324459A1 (en) Automatic health monitoring alerts
US20230037749A1 (en) Method and system for detecting mood
KR102028674B1 (ko) 단말을 이용한 진료 예약, 접수 방법, 서버 및 프로그램
WO2021158796A1 (en) Forecasting and explaining user health metrics
Savaridass et al. Development of smart health monitoring system using Internet of Things
US20230007922A1 (en) Method and System for Estimating Physiological Parameters Utilizing a Deep Neural Network to Build a Calibrated Parameter Model
Ahmed An intelligent healthcare service to monitor vital signs in daily life–a case study on health-iot
US20220005580A1 (en) Method for providing recommendations for maintaining a healthy lifestyle basing on daily activity parameters of user, automatically tracked in real time, and corresponding system
KR102028676B1 (ko) 병원 진료 애프터케어 서비스 제공 방법, 서버 및 프로그램
KR20190032668A (ko) 웨어러블 장치를 이용한 갑상선기능항진증의 예측 시스템 및 예측 컴퓨터프로그램
TWM596601U (zh) 人工智慧之量測生理訊號系統
KR102382659B1 (ko) 당화혈색소 수치 추정을 위한 인공지능학습 모델의 학습 방법 및 그 시스템
US20190380661A1 (en) Diagnostic Method And System
KR102462574B1 (ko) 만성질환자의 순응도 및 상태 예측을 위한 인공지능학습 모델의 학습 방법 및 그 시스템
JP7042541B1 (ja) 情報処理システム、サーバ、情報処理方法及びプログラム
JP6989992B1 (ja) 情報処理システム、サーバ、情報処理方法及びプログラム
JP6970481B1 (ja) 情報処理システム、サーバ、情報処理方法及びプログラム
AU2021104542A4 (en) I-Health-Care: Technologies Towards 5G Network for Intelligent Health-Care Using IoT Notification with Machine Learning Programming
US20220230751A1 (en) Decision support system, and method in relation thereto

Legal Events

Date Code Title Description
GRNT Written decision to grant