KR102600493B1 - 중환자실 환자의 재원 기간과 사망률 예측 장치 및 방법 - Google Patents
중환자실 환자의 재원 기간과 사망률 예측 장치 및 방법 Download PDFInfo
- Publication number
- KR102600493B1 KR102600493B1 KR1020230036401A KR20230036401A KR102600493B1 KR 102600493 B1 KR102600493 B1 KR 102600493B1 KR 1020230036401 A KR1020230036401 A KR 1020230036401A KR 20230036401 A KR20230036401 A KR 20230036401A KR 102600493 B1 KR102600493 B1 KR 102600493B1
- Authority
- KR
- South Korea
- Prior art keywords
- information
- stay
- length
- mortality
- predicting
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 239000000284 extract Substances 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 8
- 230000002123 temporal effect Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims 1
- 230000010365 information processing Effects 0.000 description 9
- 230000001364 causal effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 3
- 238000004393 prognosis Methods 0.000 description 3
- 208000025721 COVID-19 Diseases 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000009534 blood test Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000002627 tracheal intubation Methods 0.000 description 1
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
- G16H50/20—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
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
Landscapes
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 중환자실(ICU: Intensive Care Unit) 환자의 재원기간 및 사망률을 예측하는 장치 및 방법에 대한 것으로, 제1 네트워크부가 시계열 환자 데이터를 기반으로 미리 정해진 시간대역별 데이터 흐름을 파악하고, 상기 시간대역별 중요 정보를 추출하고, 제2 네트워크부가 상기 시간대역별 데이터 흐름 정보 및 중요 정보와 예측하고자 하는 정보에 대응하는 타겟 정보 간의 관계를 학습하고, 분석부가 상기 학습된 정보를 기반으로 상기 재원 기간 및 사망률을 예측한다.
Description
본 발명은 중환자실(ICU: Intensive Care Unit) 환자의 재원 기간과 사망률을 예측하는 장치 및 방법에 관한 것으로, 특히 딥러닝(Deep Learning) 기반의 시계열 예측 모델을 이용하여 환자의 재원 기간과 사망률을 예측하는 장치 및 방법에 관한 것이다.
인구의 노령화와 일반적인 의료 설비로는 충분히 관리할 수 없는 중증환자 또는 대수술 후의 환자 등의 증가로 인해 중환자실에 대한 환자들의 수요는 매년 지속적으로 증가하고 있다. 또한 중환자실은 구급 소생장치, 삽관 절개기구, 인공호흡장치, 제세동기, 심장박동원, 심전계, X선 촬영장치, 호흡기능 측정장치 등이 상시 비치되어 있고 이들 기기를 충분히 조작할 수 있는 전문의와 숙련된 간호사가 24시간 교대로 치료와 간호를 담당해야 한다.
그러나 중환자실은 병상의 수가 적고 많은 전문 인력들을 필요로 하므로 한정된 인력과 자원을 효율적으로 관리하는 것이 매우 중요하다. 이를 위해 현재 의료진들이 직접 환자의 재원 기간과 사망률을 예측하지만 실제 결과와 예측 결과의 차이가 커 신뢰성이 부족한 문제가 있다. 뿐만 아니라 중환자실 데이터는 누락된 데이터 값과 불규칙한 샘플링 기간 등 다양한 문제로 인해 사용에 어려움이 있으며, 환자마다 상태와 위험 요인 등 고려해야할 요소들이 달라 의료진의 정확한 판단에 어려움을 준다. 또한 환자의 재원 기간과 사망률 예측 시 일부 데이터만 사용하므로 이상치(outlier)에 해당하는 환자의 경우에는 정확도가 매우 떨어지는 문제가 있다.
이에 따라 중환자실 환자의 재원 기간과 사망률을 정확히 예측하여 의료진들의 정확한 판단에 도움을 줄 수 있는 기술이 필요하다.
본 발명은 상기와 같은 문제를 해결하기 위해 안출된 것으로, 본 발명의 목적은 딥러닝 기반의 시계열 예측 모델을 이용하여 중환자실 환자의 재원 기간과 사망률을 예측하는 장치 및 방법을 제공하는 것이다.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른 중환자실 환자의 재원기간 및 사망률을 예측하는 장치는, 시계열 환자 데이터를 기반으로 미리 정해진 시간대역별 데이터 흐름을 파악하고, 상기 시간대역별 중요 정보를 추출하는 제1 네트워크부와, 상기 시간대역별 데이터 흐름 정보 및 중요 정보와 예측하고자 하는 정보에 대응하는 타겟 정보 간의 관계를 학습하는 제2 네트워크부와, 상기 학습된 정보를 기반으로 상기 재원 기간 및 사망률을 예측하는 분석부를 포함한다.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른 중환자실 환자의 재원기간 및 사망률을 예측하는 방법은, 중환자실 환자의 재원기간 및 사망률을 예측하는 방법에 있어서, 시계열 환자 데이터를 기반으로 미리 정해진 시간대역별 데이터 흐름을 파악하고, 상기 시간대역별 중요 정보를 추출하는 과정과, 상기 시간대역별 데이터 흐름 정보 및 중요 정보와 예측하고자 하는 정보에 대응하는 타겟 정보 간의 관계를 학습하는 과정과, 상기 학습된 정보를 기반으로 상기 재원 기간 및 사망률을 예측하는 과정을 포함한다.
상술한 본 발명의 일측면에 따르면, 본 발명은 딥러닝 기반의 시계열 예측 모델을 이용하여 중환자실 환자의 재원 기간과 사망률을 예측하는 장치 및 방법을 제공함으로써, 환자의 재원 기간과 사망률을 빠르고 정확하게 예측하여 의료진의 정확한 판단에 도움을 주어 시간과 부담을 줄일 수 있으며, 이를 통해 환자에게도 적절하고 신속한 처치를 받을 수 있도록 하여 예후에도 큰 도움을 주고 사망률 또한 감소시킬 수 있는 효과가 있다.
또한 본 발명에서 제안하는 시계열 예측 모델은 중환자실에서 필수적으로 측정해야 하는 변수들을 사용하므로 국내외 병원에 쉽게 적용할 수 있으며, 위급한 상황에서 의료진의 정확하고 빠른 의사결정을 도와 의료비용 절감 효과를 기대할 수 있다. 뿐만 아니라 이로 인해 중환자실의 운영 효율이 높아져 병원의 전체적인 운영구조 개선에 효과적이다.
도 1은 본 발명의 실시예에 따른 중환자실 환자의 재원기간 및 사망률을 예측하는 장치를 도시한 블록도,
도 2는 본 발명의 실시예에 따른 중환자실 환자의 재원기간 및 사망률 예측 장치의 프로세서 내부 구성을 도시한 블록도,
도 3은 본 발명의 실시예에 따른 시계열 예측 모델을 구현하는 네트워크부의 내부 구성을 도시한 블록도,
그리고, 도 4는 본 발명의 실시예에 따른 중환자실 환자의 재원기간 및 사망률 예측 장치의 동작을 도시한 순서도.
도 2는 본 발명의 실시예에 따른 중환자실 환자의 재원기간 및 사망률 예측 장치의 프로세서 내부 구성을 도시한 블록도,
도 3은 본 발명의 실시예에 따른 시계열 예측 모델을 구현하는 네트워크부의 내부 구성을 도시한 블록도,
그리고, 도 4는 본 발명의 실시예에 따른 중환자실 환자의 재원기간 및 사망률 예측 장치의 동작을 도시한 순서도.
후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예와 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.
본 발명에 따른 구성요소들은 물리적인 구분이 아니라 기능적인 구분에 의해서 정의되는 구성요소들로써 각각이 수행하는 기능들에 의해서 정의될 수 있다. 각각의 구성요소들은 하드웨어 또는 각각의 기능을 수행하는 프로그램 코드 및 프로세싱 유닛으로 구현될 수 있을 것이며, 두 개 이상의 구성요소의 기능이 하나의 구성요소에 포함되어 구현될 수도 있을 것이다. 따라서 이하의 실시예에서 구성요소에 부여되는 명칭은 각각의 구성요소를 물리적으로 구분하기 위한 것이 아니라 각각의 구성요소가 수행되는 대표적인 기능을 암시하기 위해서 부여된 것이며, 구성요소의 명칭에 의해서 본 발명의 기술적 사상이 한정되지 않는 것임에 유의하여야 한다.
이하에서는 도면들을 참조하여 본 발명의 바람직한 실시예들을 보다 상세하게 설명하기로 한다.
도 1은 본 발명의 실시예에 따른 중환자실 환자의 재원기간 및 사망률을 예측하는 장치를 도시한 블록도이다.
도 1을 참조하면, 본 발명의 실시예에 따른 재원기간 및 사망률 예측 장치(100)는 입출력부(110), 저장부(120) 및 프로세서(130)를 포함한다. 또한 도시하지는 않았으나 본 발명의 실시예에 따른 재원기간 및 사망률 예측 장치(100)는 입출력 데이터를 송수신하는 통신부를 더 포함할 수 있음은 물론이다.
재원기간 및 사망률 예측 장치(100)는 입출력부(110)를 통해 중환자실에 입원한 환자들에 대한 환자 데이터를 입력 받고, 프로세서(130)를 통해 상기 입력된 환자 데이터에 본 발명에서 제안하는 시계열 예측 모델을 적용하여 중환자실 환자의 재원 기간과 사망률을 예측한다. 또한 상기 환자의 재원 기간 및 사망률 예측 결과를 입출력부(110)를 통해 출력한다.
상기 환자 데이터에 시계열 예측 모델을 적용하여 중환자실 환자의 재원 기간과 사망률을 예측하는 동작은 도 2 내지 도 4를 통해 상세히 설명할 것이므로 여기서는 그 상세한 설명을 생략하도록 한다.
상기 환자 데이터는 일례로 MIMIC(Medical Information Mart for Intensive Care) 데이터가 될 수 있으며, 상기 MIMIC 데이터에는 인구통계학(demographics), 병상에서 측정되는 활력징후(vital sign), 실험실 테스트 결과, 진단 코드, 처방전, 간병인 메모, 영상 기록, 실제 재원 기간 및 사망 여부 등의 정보가 포함된다.
또한 재원기간 및 사망률 예측 장치(100)는 저장부(120)에 상기 MIMIC 데이터의 데이터 베이스와, 상기 MIMIC 데이터를 기반으로 하는 시계열 데이터를 토대로 재원기간 및 사망률을 예측하도록 학습된 적어도 하나의 시계열 예측 모델을 저장한다.
또한 재원기간 및 사망률 예측 장치(100)는 프로세서(130)가 처리하는 데이터를 일시적 또는 영구적으로 저장부(120)에 저장하며, 상기 저장부(120)는 휘발성 저장매체 또는 비휘발성 저장매체를 포함할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
도 2는 본 발명의 실시예에 따른 중환자실 환자의 재원기간 및 사망률 예측 장치의 프로세서 내부 구성을 도시한 블록도이다.
도 2를 참조하면, 도시된 프로세서(130)는 데이터 전처리부(210), 제1 네트워크부(220), 제2 네트워크부(230) 및 분석부(240)를 포함한다. 상기 제1 및 제2 네트워크부(210,220)는 본 명의 실시예에 따른 시계열 예측 모델을 구현하기 위한 구성부이며, 후술한 도 3에서 보다 상세히 설명하기로 한다.
환자 데이터(200)가 데이터 전처리부(210)에 입력되고, 데이터 전처리부(210)는 입력된 환자 데이터(200)에서 환자의 재원기간 및 사망률 예측 시 예측 성능을 저하시키는 데이터들을 제거하는 데이터 전처리를 수행한다.
즉 성인과 생리학적 차이가 큰 18세 이하의 환자 데이터, 중환자실 입/퇴원을 2회 이상 반복하여 최초 입원과 나중 입원 사이의 데이터가 누락될 수 있는 환자 데이터, 또는 중환자실 입원 기간 동안 병원 이동이 있어 병원간 상이한 측정 변수가 적용될 수 있는 환자 데이터 등을 제거한다.
또한 모세혈관 재충전 레이트(Capillary refill rate)와 같이 측정자에 따라 측정값이 달라지는 변수들을 제거하고, 변수 값들을 [-1,1] 구간으로 스케일링 한다. 모세혈관 재충전 레이트라 함은 손가락 또는 발가락 패드를 눌러서 혈액이 다시 돌아오는 시간을 측정하는 것을 의미하는 것으로 측정자의 누르는 강도에 따라 그 측정값이 달라질 수 있다.
또한 환자 데이터(200) 중 1일 1회 진행되는 혈액 검사와 같이 샘플링 기간이 긴 데이터는 결측 값(missing value)이 발생될 수 있으며, 이러한 결측 값은 환자의 재원기간 및 사망률 예측 시 예측 성능에 영향을 미칠 수 있다. 데이터 전처리부(210)는 이러한 결측 값을 이전 값으로 채우는 데이터 전처리를 수행한다.
데이터 전처리부(210)를 통해 전처리된 환자 데이터는 워드 임베딩(word embedding)을 통해 임베딩 벡터로 변환하여 제1 네트워크부(220)에 입력되는데, 이때 입력되는 벡터 값들은 시간 순으로 정렬하여 입력된다. 후술할 본 발명의 실시예에서는 이렇게 시간 순으로 정렬하여 입력되는 벡터 값들을 시계열 환자 데이터라 정의한다.
제1 네트워크부(220)는 입력된 시계열 환자 데이터를 통해 시간적 추세를 학습하여 미리 정해진 시간대역 별 데이터 흐름을 파악하고, 상기 시계열 환자 데이터에 어텐션 메커니즘(Attention Mechanism)을 적용하여 상기 시간대역 별 중요 정보를 추출한다. 여기서 어텐션 메커니즘이라 함은 입력된 시계열 환자 데이터에 포함된 정보들 중 중요 정보에 더 높은 가중치(weight)를 부여하여 상기 중요 정보를 추출하는 방식을 의미한다.
제2 네트워크부(230)는 제1 네트워크부(220)로부터 시간대역 별 데이터 흐름 정보 및 중요 정보를 입력 받고, 데이터 전처리부(210)로부터 시계열 환자 데이터에 포함된 정보들 중 예측하고자 하는 정보에 대응하는 타겟 데이터를 입력 받아 입력 데이터들 간의 관계를 학습한다. 본 발명에서는 재원기간 및 사망률 예측 장치를 제안하므로 상기 타겟 데이터를 재원기간 및 사망여부 정보로 한정하였다. 하지만 상기 타겟 정보는 예측하고자 하는 정보에 따라 얼마든지 변경될 수 있음은 물론이다. 이와 같이 제2 네트워크부(230)는 상기 시간대역 별 데이터 흐름 정보 및 중요 정보와 타겟 데이터인 재원기간 및 사망여부 정보 간의 관계를 학습하여 환자의 상태 변화를 정확히 파악한다.
앞서 설명한 바와 같이 제1 및 제2 네트워크부(210,230)는 본 발명의 실시예에 따른 시계열 예측 모델을 구현하고, 본 발명에서 제안하는 중환자실 환자의 재원기간 및 사망률을 예측하는 장치는 상기 시계열 예측 모델을 적용하여 상기 재원기간 및 사망률을 예측할 수 있다.
분석부(240)는 제2 네트워크부(230)로부터 입력되는 출력값에 활성화 함수(Activation function)를 적용하여 재원기간 및 사망률을 예측하고 그 예측 결과(250)를 출력한다. 상기 출력값은 본 발명의 실시예에 따른 시계열 예측 모델의 출력값을 의미하며, 상기 재원기간 및 사망률 예측 결과는 상기 출력값과 미리 정해진 임계값의 비교를 통해 사망 또는 생존을 판단함으로써 도출될 수 있다.
도 3은 본 발명의 실시예에 따른 시계열 예측 모델을 구현하는 네트워크부의 내부 구성을 도시한 블록도이다.
도 3을 참조하면, 본 발명의 실시예에 따른 시계열 예측 모델은 두 개의 네트워크부로 구현될 수 있으며, 이하에서는 설명의 편의를 위해 상기 두 개의 네트워크부를 각각 시계열 정보 처리 네트워크(300)와 인과관계 학습 네트워크(350)로 명명한다.
시계열 정보 처리 네트워크(300)는 인코더가 여러 개 누적되는 구조로 구성되며, 제1 내지 제8 인코더(304,306,308,310,312)와 다층 퍼셉트론(MLP: Multi-Layer Perceptron) 모듈(314)을 포함한다. 본 발명의 실시예에서는 시계열 정보 처리 네트워크(300)가 8개의 인코더로 구성된다고 가정하여 설명하나 이에 한정되지 않음은 물론이다.
시계열 정보 처리 네트워크(300)는 시계열 환자 데이터(302)를 제1 내지 제8 인코더(304,306,308,310,312)에 순차적으로 입력 받아 인코딩을 수행하고, 각 인코더를 거치며 시간적 추세를 학습한다. 상기 시계열 환자 데이터(302)는 도 2에서 설명한 바와 같이 데이터 전처리가 수행된 데이터를 의미하는 것으로 임베딩 벡터 형태로 변환되어 제1 내지 제8 인코더(304,306,308,310,312)에 입력된다.
또한 시계열 정보 처리 네트워크(300)는 시계열 환자 데이터(302)에 어텐션 메커니즘을 적용하여 시간대역 별 중요 정보를 추출하고, 서로 다른 시간 정보의 관계를 학습하여 멀리 떨어진 시간 정보까지 파악한다. 상기 어텐션 메커니즘은 인코딩 과정에서 발생될 수 있는 정보 손실을 방지할 수 있다.
또한 시계열 정보 처리 네트워크(300)는 스킵 컨넥션(Skip connection) 기법을 적용하여 이전 정보를 다음 스텝에 전달함으로써 정보 손실을 최소화할 수 있다. 여기서 스킵 컨넥션이라 함은 일례로 제1 인코더(304)의 입력값을 인코딩 이후의 출력값과 합쳐서 제2 인코더(304)에 넘겨주는 것을 의미한다.
또한 시계열 정보 처리 네트워크(300)는 MLP 모듈(314)을 통해 시간대역 별 전체 환자 데이터를 입력 받아 데이터 흐름을 파악한다.
인과관계 학습 네트워크(350)는 디코더가 여러 개 누적되는 구조로 구성되며, 제1 내지 제8 디코더(332,334,336,338,340)를 포함한다. 본 발명의 실시예에서는 인과관계 학습 네트워크(350)가 8개의 디코더로 구성된다고 가정하여 설명하나 이에 한정되지 않음은 물론이다.
인과관계 학습 네트워크(350)는 시계열 정보 처리 네트워크(300)가 출력하는 정보, 즉 시간대역 별 데이터 흐름 정보 및 중요 정보와, 시계열 환자 데이터에 포함된 정보들 중 타겟 데이터인 재원 기간 및 사망 여부 정보(330)를 제1 내지 제8 디코더(332,334,336,338,340)에 순차적으로 입력 받아 디코딩을 수행하고, 각 디코더들을 거치며 상기 시간대역 별 데이터 흐름 정보 및 중요 정보와 상기 타겟 데이터 간의 관계를 학습하여 환자의 상태 변화를 정확히 파악한다.
또한 인과관계 학습 네트워크(350)는 어텐션 메커니즘을 적용하여 환자의 재원기간 및 사망률 예측 시 성능에 영향을 미칠 수 있는 환자 데이터를 재확인하여 예측 정확도를 향상시킨다.
이와 같이 시계열 정보 처리 네트워크(300)와 인과관계 학습 네트워크(350)는 본 발명의 실시예에 따른 시계열 예측 모델을 적용하여 환자의 재원기간 및 사망률 예측하고 그 예측결과(360)를 출력한다.
도 4는 본 발명의 실시예에 따른 중환자실 환자의 재원기간 및 사망률 예측 장치의 동작을 도시한 순서도이다.
도 4를 참조하면, 중환자실 환자의 재원기간 및 사망률 예측 장치는 환자 데이터를 입력 받고, 입력된 환자 데이터에 대한 데이터 전처리를 수행한다.(S402) 즉 재원기간 및 사망률 예측 장치는 상기 환자 데이터에서 재원기간 및 사망률 예측 시 예측 성능을 저하시키는 데이터들을 제거하고, 측정자에 따라 측정값이 달라지는 변수들을 제거하고, 변수 값들을 [-1,1] 구간으로 스케일링하고, 결측 값이 발생될 시 결측 값을 이전 값으로 채우는 등의 데이터 전처리를 수행한다.
재원기간 및 사망률 예측 장치는 본 발명의 실시예에 따른 시계열 예측 모델을 기반으로, 미리 정해진 시간대역 별 데이터 흐름을 파악하고 중요 정보를 추출한다.(S404) 상기 중요 정보를 추출하는 과정에는 어텐션 메커니즘이 적용되며 추출하고자 하는 중요 정보에 더 높은 가중치를 부여하여 상기 중요 정보를 추출할 수 있다.
또한 재원기간 및 사망률 예측 장치는 장치는 본 발명의 실시예에 따른 시계열 예측 모델을 기반으로, S404에서 획득한 정보와 예측하고자 하는 정보에 대응하는 타겟 정보의 관계를 학습한다. 즉 시간대역별 데이터 흐름 정보 및 중요 정보와 재원기간 및 사망여부 정보의 관계를 학습한다.(S406) 본 발명에서는 재원기간 및 사망률 예측 장치를 제안하므로 상기 타겟 정보를 재원기간 및 사망여부 정보로 한정하였다. 하지만 상기 타겟 정보는 예측하고자 하는 정보에 따라 얼마든지 변경될 수 있음은 물론이다. 예를 들어 본 발명에서 제안하는 시계열 예측 모델을 적용하여 COVID-19 환자의 예후를 예측한다고 가정할 경우 상기 타겟 정보는 상기 COVID-19 환자의 예후와 관련된 정보로 변경하여 적용될 수 있다.
이후 재원기간 및 사망률 예측 장치는 S404,S406에서 학습된 정보를 기반으로 재원기간 및 사망률을 예측하고,(S408) 그 예측 결과를 출력한다.(S410)
이와 같은 본 발명에서 제안하는 중환자실 환자의 재원기간 및 사망률을 예측하는 방법은 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다.
상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수도 있다.
컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD 와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다.
프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상에서는 본 발명의 다양한 실시예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.
100: 재원기간 및 사망률 예측 장치
130: 프로세서
130: 프로세서
Claims (12)
- 중환자실(ICU: Intensive Care Unit) 환자의 재원기간 및 사망률을 예측하는 장치에 있어서,
시계열 환자 데이터를 복수개의 인코더를 통해 순차적으로 인코딩하여 시간적 추세를 학습하여 미리 정해진 시간대역별 데이터 흐름을 파악하고, 상기 시간대역별 중요 정보를 추출하는 제1 네트워크부와,
상기 시간대역별 데이터 흐름 정보 및 중요 정보와 예측하고자 하는 정보에 대응하는 타겟 정보를 복수개의 디코더를 통해 순차적으로 디코딩하여, 상기 시간대역별 데이터 흐름 정보 및 중요 정보와 상기 타겟 정보 간의 관계를 학습하는 제2 네트워크부와,
상기 학습된 정보를 기반으로 상기 재원 기간 및 사망률을 예측하는 분석부를 포함하는 재원기간 및 사망률 예측 장치.
- 제1항에 있어서,
데이터 전처리부를 더 포함하며,
상기 데이터 전처리부는 상기 시계열 환자 데이터에서 상기 재원기간 및 사망률 예측 시 예측 성능을 저하시키는 데이터를 제거하여 전처리함을 특징으로 하는 재원기간 및 사망률 예측 장치.
- 제1항에 있어서,
상기 제1 네트워크부는 상기 시계열 환자 데이터에 포함된 정보들 중 상기 중요 정보에 더 높은 가중치(weight)를 부여하는 어텐션 메커니즘(Attention Mechanism)을 적용하여 상기 중요 정보를 추출함을 특징으로 하는 재원기간 및 사망률 예측 장치.
- 제1항에 있어서,
상기 제1 네트워크부는 이전 인코더의 입력값을 인코딩 이후의 출력값과 합쳐서 다음 인코더에 입력하는 스킵 컨넥션(Skip connection) 기법을 적용함을 특징으로 하는 재원기간 및 사망률 예측 장치.
- 제1항에 있어서,
상기 시계열 환자 데이터는 환자 데이터를 워드 임베딩(word embedding)을 통해 임베딩 벡터 값들로 변환하고 시간 순으로 정렬한 것임을 특징으로 하는 재원기간 및 사망률 예측 장치.
- 제1항에 있어서,
상기 타겟 정보는 상기 중환자실 환자의 재원기간 정보와 사망여부 정보임을 특징으로 하는 재원기간 및 사망률 예측 장치.
- 중환자실(ICU: Intensive Care Unit) 환자의 재원기간 및 사망률을 예측하는 방법에 있어서,
제1 네트워크부가 시계열 환자 데이터를 복수개의 인코더를 통해 순차적으로 인코딩하여 시간적 추세를 학습하여 미리 정해진 시간대역별 데이터 흐름을 파악하고, 상기 시간대역별 중요 정보를 추출하는 과정과,
제2 네트워크부가 상기 시간대역별 데이터 흐름 정보 및 중요 정보와 예측하고자 하는 정보에 대응하는 타겟 정보를 복수개의 디코더를 통해 순차적으로 디코딩하여, 상기 시간대역별 데이터 흐름 정보 및 중요 정보와 상기 타겟 정보 간의 관계를 학습하는 과정과,
분석부가 상기 학습된 정보를 기반으로 상기 재원 기간 및 사망률을 예측하는 과정을 포함하는 재원기간 및 사망률 예측 방법.
- 제7항에 있어서,
데이터 전처리부가 상기 시계열 환자 데이터에서 상기 재원기간 및 사망률 예측 시 예측 성능을 저하시키는 데이터를 제거하여 전처리하는 과정을 더 포함하는 재원기간 및 사망률 예측 방법.
- 제7항에 있어서,
상기 시간대역별 중요 정보를 추출하는 과정은, 상기 시계열 환자 데이터에 포함된 정보들 중 상기 중요 정보에 더 높은 가중치(weight)를 부여하는 어텐션 메커니즘(Attention Mechanism)을 적용하여 상기 중요 정보를 추출하는 과정임을 특징으로 하는 재원기간 및 사망률 예측 방법.
- 제7항에 있어서,
상기 파악 및 추출 과정은, 이전 인코더의 입력값을 인코딩 이후의 출력값과 합쳐서 다음 인코더에 입력하는 스킵 컨넥션(Skip connection) 기법을 적용함을 특징으로 하는 재원기간 및 사망률 예측 방법.
- 제7항에 있어서,
상기 시계열 환자 데이터는 환자 데이터를 워드 임베딩(word embedding)을 통해 임베딩 벡터 값들로 변환하고 시간 순으로 정렬한 것임을 특징으로 하는 재원기간 및 사망률 예측 방법.
- 제7항에 있어서,
상기 타겟 정보는 상기 중환자실 환자의 재원기간 정보와 사망여부 정보임을 특징으로 하는 재원기간 및 사망률 예측 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230036401A KR102600493B1 (ko) | 2023-03-21 | 2023-03-21 | 중환자실 환자의 재원 기간과 사망률 예측 장치 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230036401A KR102600493B1 (ko) | 2023-03-21 | 2023-03-21 | 중환자실 환자의 재원 기간과 사망률 예측 장치 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102600493B1 true KR102600493B1 (ko) | 2023-11-08 |
Family
ID=88746079
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230036401A KR102600493B1 (ko) | 2023-03-21 | 2023-03-21 | 중환자실 환자의 재원 기간과 사망률 예측 장치 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102600493B1 (ko) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140136225A1 (en) * | 2011-06-24 | 2014-05-15 | Koninklijke Philips N.V. | Discharge readiness index |
| KR20210113042A (ko) | 2020-03-05 | 2021-09-15 | 가톨릭대학교 산학협력단 | 환자의 정보를 기반으로 재원기간을 예측하는 장치, 방법 및 프로그램 |
| US20210391085A1 (en) * | 2020-06-16 | 2021-12-16 | EQ IP Holdings LLC | Machine learning techniques for generating icu predictions |
| US20220044809A1 (en) * | 2019-02-22 | 2022-02-10 | University Of Florida Research Foundation, Incorporated | Systems and methods for using deep learning to generate acuity scores for critically ill or injured patients |
| KR102437594B1 (ko) * | 2020-12-29 | 2022-08-29 | 서울대학교병원 | 전기적 바이오 시그널 데이터를 수치 벡터로 변환하는 방법 및 장치, 이를 이용하여 질병을 분석하는 방법 및 장치 |
-
2023
- 2023-03-21 KR KR1020230036401A patent/KR102600493B1/ko active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140136225A1 (en) * | 2011-06-24 | 2014-05-15 | Koninklijke Philips N.V. | Discharge readiness index |
| US20220044809A1 (en) * | 2019-02-22 | 2022-02-10 | University Of Florida Research Foundation, Incorporated | Systems and methods for using deep learning to generate acuity scores for critically ill or injured patients |
| KR20210113042A (ko) | 2020-03-05 | 2021-09-15 | 가톨릭대학교 산학협력단 | 환자의 정보를 기반으로 재원기간을 예측하는 장치, 방법 및 프로그램 |
| US20210391085A1 (en) * | 2020-06-16 | 2021-12-16 | EQ IP Holdings LLC | Machine learning techniques for generating icu predictions |
| KR102437594B1 (ko) * | 2020-12-29 | 2022-08-29 | 서울대학교병원 | 전기적 바이오 시그널 데이터를 수치 벡터로 변환하는 방법 및 장치, 이를 이용하여 질병을 분석하는 방법 및 장치 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ge et al. | An Interpretable ICU Mortality Prediction Model Based on Logistic Regression and Recurrent Neural Networks with LSTM units. | |
| Gupta | Lossless compression technique for real-time photoplethysmographic measurements | |
| Suresh et al. | The use of autoencoders for discovering patient phenotypes | |
| US20210353203A1 (en) | Diagnostics for detection of ischemic heart disease | |
| CN112908452A (zh) | 事件数据建模 | |
| Sheikhalishahi et al. | Benchmarking machine learning models on eICU critical care dataset | |
| Tsien | Event discovery in medical time-series data. | |
| KR102600493B1 (ko) | 중환자실 환자의 재원 기간과 사망률 예측 장치 및 방법 | |
| Shrestha et al. | ECG data analysis with IoT and machine learning | |
| CN116705302A (zh) | 一种用于早期判断心脏术后急性肾损伤风险的XGBoost机器学习模型构建方法 | |
| KR20100062439A (ko) | 욕창발생 위험예측 베이지안 네트워크 시스템 | |
| CN116543917A (zh) | 一种针对异构时间序列数据的信息挖掘方法 | |
| Chandra et al. | Regularised encoder-decoder architecture for anomaly detection in ECG time signals | |
| CN113792798B (zh) | 基于多源数据的模型训练方法、装置及计算机设备 | |
| Shepherd et al. | Applying Deep Learning in Heart Failure: Hospital Readmission is Not Like Other Health Quality Metrics | |
| Renc et al. | A Transformer-Based Model for Zero-Shot Health Trajectory Prediction | |
| KR102355123B1 (ko) | 바이오 데이터 허브를 구축하는 방법 및 장치 | |
| Kostoska et al. | Processing MIMIC-III for Evaluation of Various Blood Pressure Estimation Models | |
| US20220223287A1 (en) | Ai based system and method for prediciting continuous cardiac output (cco) of patients | |
| US20220409122A1 (en) | Artificial Intelligence Assisted Medical Diagnosis Method For Sepsis And System Thereof | |
| Rato | Analysis of the Association of Cardiac and Respiratory Signals | |
| US20220139556A1 (en) | System and method for determining patient health indicators through machine learning model | |
| Alghatani et al. | Predicting Out-of-Hospital Vital Sign Measurements through Deep Learning | |
| Mane et al. | Classification Comparison of Different Boosting Algorithms to Predict and Classify Conditions of Heart Disease | |
| Neissi Shooshtari Jr | Predicting Mortality of Intensive Care Patients with Machine Learning Using Electronic Health Record and Non-Invasive Signals |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |