KR102613560B1 - 질병 예측 장치, 방법 및 기록 매체 - Google Patents
질병 예측 장치, 방법 및 기록 매체 Download PDFInfo
- Publication number
- KR102613560B1 KR102613560B1 KR1020200165295A KR20200165295A KR102613560B1 KR 102613560 B1 KR102613560 B1 KR 102613560B1 KR 1020200165295 A KR1020200165295 A KR 1020200165295A KR 20200165295 A KR20200165295 A KR 20200165295A KR 102613560 B1 KR102613560 B1 KR 102613560B1
- Authority
- KR
- South Korea
- Prior art keywords
- patient
- information
- risk
- model
- prediction
- Prior art date
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 96
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000034994 death Effects 0.000 claims abstract description 106
- 231100000517 death Toxicity 0.000 claims abstract description 106
- 230000006870 function Effects 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000013517 stratification Methods 0.000 claims description 15
- 238000000528 statistical test Methods 0.000 claims description 14
- 238000013135 deep learning Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 208000001528 Coronaviridae Infections Diseases 0.000 abstract description 16
- 238000011282 treatment Methods 0.000 abstract description 8
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 14
- 238000007477 logistic regression Methods 0.000 description 13
- 238000012729 kappa analysis Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000000491 multivariate analysis Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 235000015872 dietary supplement Nutrition 0.000 description 2
- 235000006694 eating habits Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 238000006213 oxygenation reaction Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- 206010001052 Acute respiratory distress syndrome Diseases 0.000 description 1
- 208000035473 Communicable disease Diseases 0.000 description 1
- 206010012289 Dementia Diseases 0.000 description 1
- 102000001554 Hemoglobins Human genes 0.000 description 1
- 108010054147 Hemoglobins Proteins 0.000 description 1
- 208000034486 Multi-organ failure Diseases 0.000 description 1
- 208000010718 Multiple Organ Failure Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 206010053159 Organ failure Diseases 0.000 description 1
- 208000013616 Respiratory Distress Syndrome Diseases 0.000 description 1
- 206010038687 Respiratory distress Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 201000000028 adult respiratory distress syndrome Diseases 0.000 description 1
- 238000004820 blood count Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000000546 chi-square test Methods 0.000 description 1
- 208000020832 chronic kidney disease Diseases 0.000 description 1
- 238000002618 extracorporeal membrane oxygenation Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 231100000516 lung damage Toxicity 0.000 description 1
- 210000004698 lymphocyte Anatomy 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000029744 multiple organ dysfunction syndrome Diseases 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 238000007473 univariate analysis Methods 0.000 description 1
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
- G16H50/50—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
- 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
-
- 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
- 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
- G16H50/70—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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
본 개시는 질병 예측 장치, 방법 및 기록매체에 관한 것으로서, 특히 코로나바이러스 감염증으로 진단된 환자의 사망을 예측함으로써, 중증 이환 위험 환자를 미리 식별하여 중환자 치료에 대비할 수 있는 근거를 제공할 수 있다. 또한, 실제 환자로부터 파생되는 신규 데이터를 쉽게 수집하고 인공 지능 기반 분석을 활용함으로써, 개별 환자에 대해 실시간으로 예측 결과를 제공할 수 있다.
Description
본 실시 예들은 질병 예측 장치, 방법 및 기록 매체를 제공한다.
코로나바이러스 감염증이 전 세계적으로 범 유행됨에 따라 우리나라에도 대규모 유행이 발생하고 있다. 더구나 코로나바이러스 감염증은 대부분 무증상이나 일부 환자에게서는 사망에 이르게 하는 급성 폐손상 또는 장기 부전을 일으킬 수 있는 위험성이 있다. 비록 일부 환자이기는 하나 대규모 전염병이라는 특징에 의해 인공 호흡기를 포함한 중환자 치료를 대비하는 의료 서비스 제공이 필수이며, 따라서 제한된 의료 자원을 효율적으로 사용하기 위해 중증으로 발전할 가능성이 높은 환자를 빠르게 예측하고 분류하는 기술을 필요로 하고 있다.
또한, 최근 질병 관리 본부는 국내 코로나바이러스 감염증 환자의 역학적 특징을 정리한 공공 데이터를 배포하여 코로나바이러스 감염증 관련 연구를 장려하고 있는 실정이다. 반면에, 방역 정책은 물론 진단 및 치료법 개선을 위한 전문 데이터로 활용될 수 있는 세부적이고 광범위한 데이터 축적 및 분석 기술이 부족하다는 문제점이 있다.
이러한 배경에서, 본 실시 예들은 코로나바이러스 감염증으로 진단된 환자의 사망을 예측하는 질병 예측 장치, 방법 및 기록 매체를 제공할 수 있다.
전술한 목적을 달성하기 위하여, 일 측면에서, 본 실시 예는 환자의 역학 정보, 사망 정보 및 탐색 정보를 포함하는 환자 별 인자 정보를 획득하고, 환자 별 인자 정보를 매트릭스 형태로 구조화하여 저장하는 정보 저장부, 사망 정보에 대한 역학 정보 및 탐색 정보의 연관성을 판단하고, 연관성을 이용하여 사망 정보에 대한 위험비를 산출하여 환자 별 인자 정보에 각각의 위험 점수를 할당하고, 할당된 위험 점수를 계산하여 환자의 사망 가능성을 예측하는 예측 모델을 생성하는 모델 생성부, 예측 모델 중에서 통계 검정을 통해 최종 예측 모델을 결정하는 모델 결정부 및 최종 예측 모델을 이용하여 환자의 사망 가능성을 예측하고 위험 계층을 분류하는 결과 출력부를 포함하는 질병 예측 장치를 제공한다.
다른 측면에서, 본 실시 예는 환자의 역학 정보, 사망 정보 및 탐색 정보를 포함하는 환자 별 인자 정보를 획득하고, 환자 별 인자 정보를 매트릭스 형태로 구조화하여 저장하는 정보 저장 단계, 사망 정보에 대한 역학 정보 및 탐색 정보의 연관성을 판단하고, 연관성을 이용하여 사망 정보에 대한 위험비를 산출하여 환자 별 인자 정보에 각각의 위험 점수를 할당하고, 할당된 위험 점수를 계산하여 환자의 사망 가능성을 예측하는 예측 모델을 생성하는 모델 생성 단계, 예측 모델 중에서 통계 검정을 통해 최종 예측 모델을 결정하는 모델 결정 단계 및 최종 예측 모델을 이용하여 환자의 사망 가능성을 예측하고 위험 계층을 분류하는 결과 출력 단계를 포함하는 질병 예측 방법을 제공한다.
또 다른 측면에서, 본 실시 예는 질병 예측 방법을 실행시키기 위한 프로그램을 기록한 기록 매체에 있어서, 환자의 역학 정보, 사망 정보 및 탐색 정보를 포함하는 환자 별 인자 정보를 획득하고, 환자 별 인자 정보를 매트릭스 형태로 구조화하여 저장하는 정보 저장 기능, 사망 정보에 대한 역학 정보 및 탐색 정보의 연관성을 판단하고, 연관성을 이용하여 사망 정보에 대한 위험비를 산출하여 환자 별 인자 정보에 각각의 위험 점수를 할당하고, 할당된 위험 점수를 계산하여 환자의 사망 가능성을 예측하는 예측 모델을 생성하는 모델 생성 기능, 예측 모델 중에서 통계 검정을 통해 최종 예측 모델을 결정하는 모델 결정 기능 및 최종 예측 모델을 이용하여 환자의 사망 가능성을 예측하고 위험 계층을 분류하는 결과 출력 기능을 구현하는 프로그램이 기록되고 컴퓨터로 읽을 수 있는 기록매체를 제공한다.
본 실시 예들에 의하면 코로나바이러스 감염증으로 진단된 환자의 사망을 예측하고, 실제 환자로부터 파생되는 데이터를 쉽게 수집할 수 있는 질병 예측 장치, 방법 및 기록 매체를 제공할 수 있다.
도 1은 본 개시의 일 실시 예에 따른 질병 예측 장치가 적용될 수 있는 시스템 구성을 도시한 도면이다.
도 2는 본 개시의 일 실시 예에 따른 질병 예측 장치의 구성을 도시한 도면이다.
도 3은 본 개시의 일 실시 예에 따른 질병 예측 장치에서 환자 별 인자 정보를 입력하는 예시를 도시한 도면이다.
도 4는 본 개시의 일 실시 예에 따른 질병 예측 장치에서 환자 별 인자 정보를 저장하는 예시를 도시한 도면이다.
도 5는 본 개시의 일 실시 예에 따른 질병 예측 장치에서 환자 별 인자 정보를 추가하여 저장하는 예시를 도시한 도면이다.
도 6은 본 개시의 일 실시 예에 따른 질병 예측 장치에서 환자의 사망 가능성을 예측하기 위해 예측 모델을 생성하고 결정하는 동작을 설명하기 위한 흐름도이다.
도 7은 본 개시의 일 실시 예에 따른 로지스틱 회귀 분석을 설명하기 위한 예시를 도시한 도면이다.
도 8은 본 개시의 일 실시 예에 따른 질병 예측 장치에서 환자 별 사망 가능성을 예측하고 출력하는 예시를 도시한 도면이다.
도 9는 본 개시의 일 실시 예에 따른 질병 예측 방법의 흐름도이다.
도 2는 본 개시의 일 실시 예에 따른 질병 예측 장치의 구성을 도시한 도면이다.
도 3은 본 개시의 일 실시 예에 따른 질병 예측 장치에서 환자 별 인자 정보를 입력하는 예시를 도시한 도면이다.
도 4는 본 개시의 일 실시 예에 따른 질병 예측 장치에서 환자 별 인자 정보를 저장하는 예시를 도시한 도면이다.
도 5는 본 개시의 일 실시 예에 따른 질병 예측 장치에서 환자 별 인자 정보를 추가하여 저장하는 예시를 도시한 도면이다.
도 6은 본 개시의 일 실시 예에 따른 질병 예측 장치에서 환자의 사망 가능성을 예측하기 위해 예측 모델을 생성하고 결정하는 동작을 설명하기 위한 흐름도이다.
도 7은 본 개시의 일 실시 예에 따른 로지스틱 회귀 분석을 설명하기 위한 예시를 도시한 도면이다.
도 8은 본 개시의 일 실시 예에 따른 질병 예측 장치에서 환자 별 사망 가능성을 예측하고 출력하는 예시를 도시한 도면이다.
도 9는 본 개시의 일 실시 예에 따른 질병 예측 방법의 흐름도이다.
본 개시는 질병 예측 장치, 방법 및 기록매체에 관한 것이다.
이하, 본 개시의 일부 실시 예들을 예시적인 도면을 통해 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 개시를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 개시의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.
또한, 본 개시의 구성 요소를 설명하는 데 있어서, 제 1, 제 2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 어떤 구성 요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성 요소는 그 다른 구성요소에 직접적으로 연결되거나 또는 접속될 수 있지만, 각 구성 요소 사이에 또 다른 구성 요소가 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다.
이하 첨부된 도면을 참고하여 본 개시를 상세히 설명하기로 한다.
도 1은 본 개시의 일 실시 예에 따른 질병 예측 장치가 적용될 수 있는 시스템 구성을 도시한 도면이다.
도 1을 참조하면, 본 개시는 질병 예측 방법을 제공하는 시스템에 관한 것으로, 질병 예측 장치(100) 및 서버(110)에 의해 구현될 수 있다.
질병 예측 장치(100)는 사망률 예측을 위한 코로나바이러스 감염증 예후 점수를 제공하기 위한 것으로서, 다 변수 분석 등을 통해 사망률과 상당한 관련이 있는 것으로 밝혀진 12개의 매개 변수 등을 사용하여 각 피험자에 대해 획득한 위험 점수를 기반으로 사망률을 분석하여 제공할 수 있다.
서버(110)는 하드웨어적으로는 통상적인 웹 서버(Web Server) 또는 웹 어플리케이션 서버(Web Application Server) 또는 왑 서버(WAP Server)와 동일한 구성을 하고 있다. 그러나, 소프트웨어적으로는, 아래에서 상세하게 설명할 바와 같이, C, C++, Java, PHP, .Net, Python, Ruby 등 여하한 언어를 통하여 구현되어 여러 가지 기능을 하는 프로그램 모듈(Module)을 포함할 수 있다.
또한, 서버(110)는 네트워크(120)를 통하여 질병 예측 장치(100) 또는 다른 서버(110)와 연결될 수 있는데, 이에 따라, 서버(110)는 질병 예측 장치(100) 또는 다른 서버의 작업수행 요청을 접수하고 그에 대한 작업 결과를 도출하여 제공하는 컴퓨터 시스템 또는 이러한 컴퓨터 시스템을 위하여 설치되어 있는 컴퓨터 소프트웨어(서버 프로그램)를 뜻하는 것일 수도 있다.
또한, 서버(110)는 전술한 서버 프로그램 이외에도, 서버(110) 상에서 동작하는 일련의 응용 프로그램(Application Program)과, 경우에 따라서는 내부 또는 외부에 구축되어 있는 각종 데이터베이스를 포함하는 넓은 개념으로 이해되어야 할 것이다.
여기서, 데이터베이스는, 서버 또는 다른 장치 등에 의해 사용될 목적으로 정보나 자료 등의 데이터가 구조화되어 관리되는 데이터의 집합체를 의미할 수 있으며, 이러한 데이터의 집합체를 저장하는 저장매체를 의미할 수도 있다.
또한, 이러한 데이터베이스는 데이터의 구조화 방식, 관리 방식, 종류 등에 따라 분류된 복수의 데이터베이스를 포함하는 것일 수도 있다. 경우에 따라서, 데이터베이스는 정보나 자료 등을 추가, 수정, 삭제 등을 할 수 있도록 해주는 소프트웨어인 데이터베이스 관리시스템(Database Management System, DBMS)을 포함할 수도 있다.
또한, 서버(110)는 콘텐츠, 각종 정보 및 데이터를 데이터베이스에 저장시키고 관리할 수 있다. 여기서, 데이터베이스는 서버(110)의 내부 또는 외부에 구현될 수 있다.
또한, 서버(110)는 일반적인 서버용 하드웨어에 도스(DOS), 윈도우(windows), 리눅스(Linux), 유닉스(UNIX), 매킨토시(Macintosh) 등의 운영체제에 따라 다양하게 제공되고 있는 서버 프로그램을 이용하여 구현될 수 있으며, 대표적인 것으로는 윈도우 환경에서 사용되는 웹 사이트(Website), IIS(Internet Information Server)와 유닉스환경에서 사용되는 Apache, Nginx, Light HTTP 등이 이용될 수 있다.
한편, 네트워크(120)는 서버(110)와 질병 예측 장치(100)를 연결해주는 망(Network)으로서, LAN(Local Area Network), WAN(Wide Area Network)등의 폐쇄형 네트워크(120)일 수도 있으나, 인터넷(Internet)과 같은 개방형 네트워크(120)일 수도 있다. 여기서, 인터넷은 TCP/IP 프로토콜 및 그 상위계층에 존재하는 여러 서비스, 즉 HTTP(HyperText Transfer Protocol), Telnet, FTP(File Transfer Protocol), DNS(Domain Name System), SMTP(Simple Mail Transfer Protocol), SNMP(Simple Network Management Protocol), NFS(Network File Service), NIS(Network Information Service)를 제공하는 전 세계적인 개방형 컴퓨터 네트워크(130) 구조를 의미한다.
간략하게 전술한 본 개시의 일 실시 예에 따른 질병 예측 장치, 방법 및 기록 매체에 대하여, 이하에서 더욱 상세하게 설명한다.
도 2는 본 개시의 일 실시 예에 따른 질병 예측 장치의 구성을 도시한 도면이다.
도 2를 참조하면, 본 개시의 일 실시 예에 따른 질병 예측 방법을 제공하는 질병 예측 장치(100)는 환자의 역학 정보, 사망 정보 및 탐색 정보를 포함하는 환자 별 인자 정보를 획득하고, 환자 별 인자 정보를 매트릭스 형태로 구조화하여 저장하는 정보 저장부(210), 사망 정보에 대한 역학 정보 및 탐색 정보의 연관성을 판단하고, 연관성을 이용하여 사망 정보에 대한 위험비를 산출하여 환자 별 인자 정보에 각각의 위험 점수를 할당하고, 할당된 위험 점수를 계산하여 환자의 사망 가능성을 예측하는 예측 모델을 생성하는 모델 생성부(220), 예측 모델 중에서 통계 검정을 통해 최종 예측 모델을 결정하는 모델 결정부(230) 및 최종 예측 모델을 이용하여 환자의 사망 가능성을 예측하고 위험 계층을 분류하는 결과 출력부(240)를 포함할 수 있다.
정보 저장부(210)는 환자의 역학 정보, 사망 정보 및 탐색 정보를 포함하는 환자 별 인자 정보를 획득할 수 있다. 예를 들어, 정보 저장부(210)는 코로나바이러스 감염증을 진단 받은 환자를 대상으로 인구 통계 학적 특성, 역학적 특성, 입원시 혈구 량, 지정 의료 기관에서 최종 임상 과정 등 환자 데이터를 수집하여 환자 별 인자 정보로 획득할 수 있다. 또한, 정보 저장부(210)는 사망 정보와 별도로 입원 중 임상 경과의 중증도를 분류하여 환자 데이터를 수집할 수 있다. 예를 들어, 임상 경과의 중증도는 활동 제한 없음, 산소 보충 없는 활동 제한, 비강 캐뉼라를 통한 산소 공급 요구 사항, 안면 마스크 또는 사전 장치를 통한 산소 공급 요구 사항(ex, 비 침습적 인공 호흡 또는 고 유량 산소 요법), 급성 호흡 곤란 증후군의 경우 침습적 환기 또는 다발성 장기 부전의 경우 체외 막 산소 공급과 같은 침습적 집중 치료 요구 사항으로 분류할 수 있다.
일 예로, 정보 저장부(210)는 코로나바이러스 감염증 환자로부터 12개의 역학 정보를 입력 받아 환자 별 인자 정보로 획득할 수 있다. 또한, 환자의 역학 정보는 나이, 성별, 심장 박동수, 호흡 곤란, 장애, 만성 신장 질환, 암 치료, 치매, 헤모글로빈, 림프구 수치, 혈소판 수치일 수 있다. 이러한 환자의 역학 정보는 코로나바이러스 감염증 진단 후 입원 기간 동안 미리 결정된 시간 단위로 복수 회 측정된 데이터의 평균 값, 최대값 및 최소값으로 설정되거나 처음 측정된 데이터로 설정될 수 있다. 다만, 환자의 역학 정보의 개수 및 종류는 일 예를 설명한 것으로 다양하게 설정될 수 있으며, 이에 한정되는 것은 아니다.
다른 일 예로, 정보 저장부(210)는 신규 데이터를 축적하기 위한 항목을 추가하여 탐색 정보를 환자 별 인자 정보로 획득할 수 있다. 또한, 환자의 탐색 정보는 코로나바이러스 감염증을 위해 투여된 치료제, 건강 보조제, 식이 습관, 운동 습관, 다른 기저 질환 등에 해당하는 항목으로 데이터를 축적하고자 하는 의도에 맞춰서 추가하여 수집될 수 있다. 예를 들어, 추가된 탐색 정보는 이미 생성된 예측 모델을 생성하고 결과를 출력하는 과정에는 포함되지 않았기 때문에 예측 모델의 알고리즘에는 영향을 미치지 않을 수 있다. 다만, 정보 저장부(210)는 추가된 탐색 정보를 이용하여 신규 데이터를 편리하게 축적할 수 있다. 축적된 데이터는 인공 지능 기반 분석을 통해 예측 모델의 알고리즘을 자동 업그레이드하여 예측 모델을 재생성할 수 있다.
또 다른 일 예로, 정보 저장부(210)는 역학 정보를 입력한 코로나바이러스 감염증 환자의 사망 여부에 관한 사망 정보를 환자 별 인자 정보로 획득할 수 있다. 여기서 사망 정보는 역학 정보 및 탐색 정보의 연관성 목표에 해당하는 것으로, 코로나바이러스 감염증 환자의 사망 여부에 관한 것일 수 있다. 또는, 사망 정보는 침습적 집중 치료 여부 또는 평균 입원 기간에 관한 것일 수도 있다.
정보 저장부(210)는 획득한 환자 별 인자 정보를 매트릭스 형태로 구조화하여 저장할 수 있다. 예를 들어, 정보 저장부(210)는 신규 가설에 따른 사망 정보의 원인으로 추정되는 추정 인자를 탐색 정보에 항목으로 추가하여 환자 별 인자 정보를 획득할 수 있다. 정보 저장부(210)는 변경된 환자 별 인자 정보에 따라 매트릭스 형태를 재구조화하여 저장할 수 있다.
모델 생성부(220)는 사망 정보에 대한 역학 정보 및 탐색 정보의 연관성을 판단하고, 연관성을 이용하여 사망 정보에 대한 위험비를 산출하여 환자 별 인자 정보에 각각의 위험 점수를 할당하고, 할당된 위험 점수를 계산하여 환자의 사망 가능성을 예측하는 예측 모델을 생성할 수 있다. 일 예로, 모델 생성부(220)는 정보 저장부(210)의 저장된 환자 별 인자 정보 중에서 사망 여부에 영향을 끼치는 인자들을 판단하여, 위험 점수를 할당하고 계산하는 것을 실시간으로 자동 수행할 수 있다. 또한 모델 생성부(220)는 추정 인자가 추가된 탐색 정보로 인해 환자 별 인자 정보가 변경되면 위험 점수를 재할당할 수 있다.
예를 들어, 모델 생성부(220)는 저장된 환자 별 인자 정보를 딥러닝 알고리즘에 입력하여 사망 정보에 대한 연관성을 판단할 수 있다. 여기서 연관성은 사망 정보를 기준으로 역학 정보 및 탐색 정보에서 주요 인자를 추출하고, 환자를 위험 계층으로 분류한 결과를 이용하여 판단될 수 있다. 따라서, 모델 생성부(220)는 탐색 정보에 해당하는 인자가 추가되어 변경된 환자 별 인자 정보를 딥러닝 알고리즘에 입력하면 추출된 주요 인자와 분류 결과가 변경됨에 따라 사망 정보에 대한 연관성도 변경되어 출력될 수 있다.
다른 예를 들어, 모델 생성부(220)는 저장된 환자 별 인자 정보를 입력으로 하여 환자의 사망 가능성을 예측하기 위해 확률적으로 나타내는 예측 모델을 생성할 수 있다. 이 때, 예측 모델은 기계 학습 모델 및 통계 확률 모델일 수 있다.
또한, 모델 생성부(220)는 로지스틱 회귀 분석을 수행하여 역학 정보 및 탐색 정보를 포함하는 환자 별 인자 정보에 대한 위험비를 산출하고, 위험비에 기초하여 환자 별 인자 정보에 위험 점수를 각각 할당할 수 있다. 예를 들어, 모델 생성부(220)는 로지스틱 회귀 분석을 수행하여 환자 별 인자 정보에서 어떤 인자가 사망 정보에 영향을 미치는지 판단할 수 있다. 구체적으로, 모델 생성부(220)는 환자 별 인자 정보에 포함된 각각의 인자 정보에 기초하여 각각의 인자에 따라 환자가 사망할 확률을 생존할 확률로 나눈 값으로 위험비를 산출할 수 있다. 모델 생성부(220)는 산출된 위험비에 따라 환자 별 위험 점수가 실시간 자동으로 수행될 수 있다. 로지스틱 회귀 분석에 관한 상세한 내용은 도 7을 참조하여 후술한다.
모델 생성부(220)는 예측 모델에 의해 할당된 위험 점수를 합산하여 환자 별 최종 위험 점수를 산출하고, 최종 위험 점수에 따라 위험 사망률을 예측하고 위험 계층을 분류할 수 있다. 예를 들어, 모델 생성부(220)는 사용자로부터 입력된 역학 정보 또는 탐색 정보에 기초하여 환자 별 인자 정보 각각에 할당된 위험 점수를 합산하여 환자 별 최종 위험 점수를 산출할 수 있다. 모델 생성부(220)는 사용자의 입력 정보를 이용하여 산출된 최종 위험 점수에 해당하는 위험 사망률 또는 위험 계층을 예측 결과로 제공할 수 있다.
모델 결정부(230)는 연속하여 생성된 예측 모델 중에서 통계 검정을 통해 최종 예측 모델을 결정할 수 있다. 예를 들어, 모델 결정부(230)는 예측 모델을 이용하여 사망 가능성을 예측한 예측 결과와 사망 정보를 비교하여 통계량을 산출하고, 산출된 통계량을 이용하여 예측 모델 중에서 최종 예측 모델을 결정할 수 있다. 또한, 모델 결정부(230)는 생성된 예측 모델 중에서 산출된 통계량이 1에 가장 가까운 모델을 최종 예측 모델로 결정할 수 있다. 통계 검정에 관한 상세한 내용은 도 6을 참조하여 후술한다.
결과 출력부(240)는 최종 예측 모델을 이용하여 환자의 사망 가능성을 예측하고 위험 계층을 분류하여 제공할 수 있다. 예를 들어, 결과 출력부(240)는 최종 예측 모델을 이용하여 산출한 환자 별 최종 위험 점수, 위험 계층 및 위험 사망률 중 적어도 하나를 출력할 수 있다. 사망 가능성을 예측한 출력 결과는 도 8을 참조하여 후술한다.
도 3은 본 개시의 일 실시 예에 따른 질병 예측 장치에서 환자 별 인자 정보를 입력하는 예시를 도시한 도면이다.
도 3을 참조하면, 본 개시의 일 실시 예에 따른 질병 예측 장치(100)에서 환자의 역학 정보를 획득할 수 있다. 일 예로, 정보 저장부(210)는 예측 모델의 초기 인자로 사용되는 역학 정보에 관한 인자로 환자 데이터에서 코로나바이러스 감염증 환자의 연구에서 사망에 영향을 미치는 것으로 확인된 12개의 역학 정보를 사용할 수 있다. 정보 저장부(210)는 예측 모델의 초기 인자로 사용되는 역학 정보에 해당하는 환자 별 정보를 입력 데이터로부터 획득할 수 있다. 예를 들어, 역학 정보는 사용자가 인자 별로 환자의 해당 상태를 선택 입력하여 획득하는 것으로, 각 인자의 상태에 따라 다르게 할당된 위험 점수를 더해서 최종 위험 점수를 산출하는데 사용될 수 있다. 정보 저장부(210)는 사용자가 초기에 입력한 역학 정보를 환자 별 인자 정보로 획득하되, 모델 생성부(220)의 예측 모델에 따라 역학 정보에 관한 인자와 이에 할당된 위험 점수는 실시간으로 변경될 수 있다. 다만, 역학 정보의 개수는 일 예로 이에 한정되지 않는다.
정보 저장부(210)가 예측 모델의 초기 인자로 사용되는 역학 정보에 관한 인자는 통계적 분석을 통해 사망 여부 또는 침습적 집중 치료 여부와 관련된 위험 요인으로 설정될 수 있다. 예를 들어, 역학 정보에 해당하는 인자는 카이 제곱 검정을 사용하여 인자와 사망 여부 또는 침습적 집중 치료 여부와 같은 사건 간의 통계적 유의성이 확인될 수 있다. 구체적으로, 역학 정보에 해당하는 인자는 사망과 관련된 요인을 식별하기 위한 일 변량 분석에서 가설을 검증하기 위한 수치인 p-value 가 0.05 이하인 모든 위험 요인을 다변량 분석에 입력으로 할 수 있다. 여기서 다변량 분석은 역방향 선택 방법을 사용한 로지스틱 회귀 분석으로 수행될 수 있다. 그리고 다변량 분석에서 다시 p-value 가0.05 이하로 확인 된 유의 한 인자는 역학 정보에 해당하는 인자로 재설정될 수 있다.
다른 일 예로, 정보 저장부(210)는 데이터를 축적하는 과정에서 신규 데이터를 축적하기 위한 인자를 추가하여 해당 인자에 관한 환자 별 인자 정보를 획득할 수 있다. 신규 데이터를 축적하기 위한 인자는 탐색 정보에 해당하는 것일 수 있다. 예를 들어, 신규 데이터는 코로나바이러스 감염증을 위해 투여된 치료제, 건강보조제, 식이습관, 운동습관, 다른 기저질환 등 데이터를 축적하고자 하는 의도에 맞춰 선정된 인자일 수 있고, 이에 한정되지 않는다. 또한, 예측 모델의 분석 결과, 추가된 탐색 정보에 관한 각각의 인자가 사망 여부에 주요 추정 인자로 판단되면, 역학 정보와 같이 새로운 필수 인자가 될 수도 있다. 따라서, 정보 저장부(210)에 축적된 빅데이터는 인공지능 기반 분석을 통해 예측 모델의 알고리즘을 자동 업그레이드해 줄 수 있다.
도 4는 본 개시의 일 실시 예에 따른 질병 예측 장치에서 환자 별 인자 정보를 저장하는 예시를 도시한 도면이다.
도 4를 참조하면, 본 개시의 일 실시 예에 따른 질병 예측 장치(100)의 정보 저장부(210)는 환자 별 인자 정보를 매트릭스 형태로 구조화하여 저장할 수 있다. 예를 들어, 정보 저장부(210)는 환자 별로 획득한 복수 개의 역학 정보에 관한 인자, 인자들의 연관성 목표인 1개의 사망 정보에 관한 인자 및 추가로 축적하고자 하는 탐색 정보를 인자로 환자 별 인자 정보를 획득할 수 있다. 즉, 환자 별 인자 정보는 15개 이상으로, 사용자의 역학 정보 및 사망 정보에 관한 필수 인자들과 함께 사용자의 가설에 따라 추가된 탐색 정보에 관한 인자를 포함할 수 있다. 따라서 정보 저장부(210)의 환자 별 인자 정보에 해당하는 인자의 개수는 N 개 일 수 있다.
정보 저장부(210)는 획득한 환자 별 인자 정보에 해당하는 데이터를 저장하기 위해 미리 매트릭스 형태로 구조화하여 구축된 데이터 셋(Data set)에 저장할 수 있다. 예를 들어, 미리 구축된 데이터 셋은 M 명의 환자에 대해서 환자 별로 획득한 N 개의 인자 정보와 함께 예측 모델을 통해 예측된 환자 별 위험 점수가 저장될 수 있다. 이 때, 데이터 셋은 각각의 환자 별 정보가 각 행에 저장되고, 각각의 인자 정보가 각 열에 저장된 M × N 형태의 행렬일 수 있다.
도 5는 본 개시의 일 실시 예에 따른 질병 예측 장치에서 환자 별 인자 정보를 추가하여 저장하는 예시를 도시한 도면이다.
도 5를 참조하면, 본 개시의 일 실시 예에 따른 질병 예측 장치(100)의 정보 저장부(210)는 새로운 환자에 대한 인자 정보에 해당하는 데이터가 입력되면 미리 구축된 데이터 셋에 추가로 저장될 수 있다. 이 때, 새로운 환자에 대한 입력 데이터는 역학 정보 및 사망 정보에 관한 필수 인자와 탐색 정보, 위험 점수에 관한 실제 데이터(510), 예측된 위험 계층까지 포함된 예측 데이터(520)일 수 있다. 예를 들면, 정보 저장부(210)는 새로운 환자의 인자 정보가 추가됨에 따라 미리 구축된 매트릭스 형태의 데이터 셋에 행을 추가하여 저장할 수 있다.
또는, 정보 저장부(210)는 새로운 가설에 따라 사망 여부의 원인으로 추정되는 추정 인자가 추가되면 미리 구축된 데이터 셋을 변경하여 저장할 수 있다. 예를 들면, 정보 저장부(210)는 기존의 매트릭스 형태의 데이터 셋에서 추가된 추정 인자의 수만큼 열을 추가한 매트릭스 형태로 재구조화하여 저장할 수 있다.
도 6은 본 개시의 일 실시 예에 따른 질병 예측 장치에서 환자의 사망 가능성을 예측하기 위해 예측 모델을 생성하고 결정하는 동작을 설명하기 위한 흐름도이다.
도 6을 참조하면, 본 개시의 일 실시 예에 따른 질병 예측 장치(100)의 정보 저장부(210)는 환자 별 인자 정보를 획득하고 저장할 수 있다(S610). 환자 별 인자 정보는 전술한 바와 같이 매트릭스 형태로 구조화하여 저장될 수 있다. 예를 들어, 정보 저장부(210)는 환자 별 인자 정보를 지속적으로 추가하여 구조화를 진행할 수 있다.
모델 생성부(220)는 환자 별 인자 정보를 딥러닝 알고리즘에 입력하여 사망 정보에 대한 연관성을 판단할 수 있다(S620). 예를 들어, 모델 생성부(220)는 딥러닝 알고리즘을 이용하여 환자별 사망 여부 또는 침습적 집중 치료 여부와 역학 정보 및 탐색 정보 사이의 연관성을 판단할 수 있다. 또한, 모델 생성부(220)는 환자 별 인자 정보를 딥러닝 알고리즘에 입력하여 사망 정보에 영향을 끼치는 주요 인자들을 추출할 수 있다. 또한, 모델 생성부(220)는 딥러닝 알고리즘을 이용하여 환자 별 위험 계층을 분류할 수 있다. 다른 예를 들어, 모델 생성부(220)는 환자 별 역학 정보 및 탐색 정보에 관한 각각의 인자와 사망 정보에 관한 인자 사이의 관계의 정도를 학습하는 기계학습 모델을 생성할 수 있다. 학습이 완료되어 생성된 예측 모델은 학습에 사용된 데이터 셋에 포함되지 않은 새로운 환자에 대해서도 사망 가능성을 예측할 수 있다. 예를 들어, A 환자의 역학 정보 및 탐색 정보에 대해 진단한 결과인 위험 점수가 B라면, A 와 유사한 역학 정보 및 탐색 정보를 가지는 사람이라면, 진단 결과도 B와 유사하게 나올 수 있다.
여기서 모델 생성부(220)는 심층 신경망(deep neural network), 합성곱 신경망(convolutional neural network), 순환 신경망(recurrent neural network) 등과 같은 하나 이상의 딥러닝 알고리즘을 이용할 수 있고, 환자 별 인자 정보에 해당하는 입력 데이터로부터 사망 여부에 영향을 끼치는 인자 또는 위험 계층을 분류할 수 있으면 여기에 한정되지 않는다.
모델 생성부(220)는 사망 정보에 대한 각 인자들의 연관성을 로지스틱 회귀 분석을 수행하여 각 인자들의 위험비(Odd ratio)로 산출할 수 있다(S630). 또한, 모델 생성부(220)는 산출된 위험비에 따라 각 인자들의 위험 점수를 할당할 수 있고, 환자 별 최종 위험 점수를 실시간 자동으로 산출할 수 있다. 로지스틱 회귀 분석에 관한 상세한 내용은 도 7을 참조하여 후술한다.
모델 생성부(220)는 환자 별 인자 정보 중에서 사망 정보에 영향을 미치는 주요 인자를 추출하고, 해당 인자에 위험 점수를 할당하여 환자 별로 사망 가능성을 예측한 예측 결과를 제공하는 예측 모델을 생성할 수 있다(S640). 예를 들어, 생성된 예측 모델은 환자 별로 복수 개의 역학 정보에 관한 인자들의 각 위험 점수를 합산하고, 획득한 위험 점수를 기반으로 사망률을 분석할 수 있다. 또한, 생성된 예측 모델은 위험 점수를 기반으로 사망률에 대한 위험 그룹을 분류할 수 있다.
모델 결정부(230)는 생성된 예측 모델 중에서 통계 검정을 통해 최종 예측 모델을 결정할 수 있다(S650, S660). 여기서 통계 검정은 Kappa 통계량을 의미할 수 있고, 수학식 1로 표현될 수 있다.
이 때, Pr(a)는 예측 결과와 실제 결과의 일치 확률을 의미할 수 있고, Pr(e)는 예측 결과와 실제 결과가 데이터로부터 계산된 확률적으로 일치할 확률(우연히 결과가 일치할 확률)을 의미할 수 있다. 모델 결정부(230)는 산출한 Kappa 통계량의 크기를 기준으로, 예측 모델의 예측 결과와 실제 결과의 일치도를 판단하여 최종 예측 모델을 결정할 수 있다. 예를 들어, Kappa 통계량이 1에 가까워질 수록 일치도가 높다는 것을 의미할 수 있다. Kappa 통계량을 해석하기 위한 기준은 표 1과 같이 표현할 수 있다.
모델 결정부(230)는 Kappa 통계 검정을 통해 연속적으로 생성된 예측 모델 중에서 가장 적절한 예측 모델을 선택할 수 있다. 예를 들어, 모델 결정부(230)는 Kappa 통계량이 1에 가까운 예측 모델을 최종 예측 모델로 결정할 수 있다. 다만, Kappa 통계량을 이용하는 것은 일 예로, 통계 분석이 가능한 방법이면 이에 한정되지 않는다.
따라서, 모델 결정부(230)는 예측 모델을 이용하여 사망 가능성을 예측한 예측 결과와 사망 정보를 비교하여 산출한 통계량을 이용하여 예측 모델 중에서 최종 예측 모델을 선택하여 결정할 수 있다.
도 7은 본 개시의 일 실시 예에 따른 로지스틱 회귀 분석을 설명하기 위한 예시를 도시한 도면이다.
도 7을 참조하면, 본 개시의 일 실시 예에 따른 질병 예측 장치(100)의 모델 생성부(220)는 로지스틱 회귀 분석을 수행하여 환자 별 인자 정보 중 역학 정보 또는 탐색 정보에 포함되는 각각의 인자들이 사망 정보에 미치는 영향력의 크기를 산출할 수 있다. 로지스틱 회귀 분석은 데이터가 일정 범주에 속할 확률을 0에서 1사이 값으로 예측하고 그 확률에 따라 가능성이 더 높은 범주에 속하는 것으로 분류해주는 지도 학습 알고리즘일 수 있다. 또한, 로지스틱 회귀 분석은 각각의 인자들과 사망 여부와의 관계를 구체적인 함수로 나타내어 예측 모델에 사용하는 것일 수 있다. 예를 들어, 모델 생성부(220)는 각 인자들에 대한 위험비(Odds ratio)를 산출한 후 도 7과 같은 Sigmod 함수를 적용하여 실제 인자의 데이터가 사망에 영향을 끼칠 확률을 0과 1사이 값으로 나타낼 수 있다. 구체적으로 위험비(Odds ratio)는 수학식 2 내지 수학식 4을 이용하여 산출할 수 있다.
이 때, πa는 a 인자에 대한 사망 확률이고, πb는 b 인자에 대한 사망 확률일 수 있다. 여기서, 위험비(odds ratio)는 b 인자에 비해 a인자가 사망에 영향을 끼치는 비율을 의미할 수 있다. 또한, 위험비는 공지의 로지스틱 회귀 분석 방법에서 사용되는 오즈비 공식을 이용하여 산출할 수도 있다.
모델 생성부(220)는 각각의 인자가 사망에 영향을 끼칠 확률을 이용하여 위험 점수를 할당할 수 있다. 예를 들어, 위험 점수는 로그 척도로 변환 된 각각의 비율로 각 주요 인자에 할당될 수 있다.
도 8는 본 개시의 일 실시 예에 따른 질병 예측 장치에서 환자 별 사망 가능성을 예측하고 출력하는 예시를 도시한 도면이다.
도 8를 참조하면, 본 개시의 질병 예측 장치(100)의 결과 출력부(240)는 모델 결정부(230)에서 결정된 최종 예측 모델을 이용하여 예측한 환자의 최종 위험 점수를 출력할 수 있다. 예를 들어, 결과 출력부(240)는 환자 별 인자 정보에서 각각의 인자에 할당된 위험 점수를 합산하고, 합산된 최종 위험 점수에 따라 각 환자에 따른 위험 사망률 또는 위험 계층을 출력할 수 있다. 따라서, 결과 출력부(240)는 각 환자의 입력 정보에 따라 예측된 예측 결과(810)로 최종 위험 점수, 위험 계층 또는 위험 사망률을 제공할 수 있다.
이 때, 위험 계층은 최종 위험 점수를 기준으로 5개의 그룹으로 분류될 수 있다. 예를 들어, 위험 계층은 매우 낮은 위험 그룹 (위험 점수≤3.72), 저 위험 그룹 (3.72 < 위험 점수 ≤ 4.96), 중급 위험 그룹 (4.96 < 위험 점수 ≤6.2), 고위험 그룹 (6.2 < 위험 점수 ≤ 8.68), 고위험 그룹 (위험 그룹 <8.68)으로 분류할 수 있다. 다만, 분류 기준 및 분류 그룹 개수는 일 예로 이에 한정되지 않는다.
또한, 위험 사망률은 최종 위험 점수를 기준으로 위험 계층을 분류하고 해당 계층에 따라 대표값으로 산출될 수 있다. 대표 값은 해당 위험 계층에 속하는 환자 수에 대한 사망자 수의 비율일 수 있다. 예를 들어, 위험 사망률은 0.1%(위험 점수≤3.72), 4.5% (3.72 < 위험 점수 ≤ 4.96), 17.8%(4.96 < 위험 점수 ≤6.2), 41.3%(6.2 < 위험 점수 ≤ 8.68), 83.3%(위험 그룹 <8.68)으로 분류할 수 있다. 다만, 분류 기준 및 대표 값은 일 예로 이에 한정되지 않는다.
다른 예를 들어, 결과 출력부(240)는 최종 위험 점수를 기준으로 분류된 위험 계층 및 위험 사망률의 분포 결과(820)를 예측 결과(810)와 함께 제공할 수 있다. 또한, 분포 결과(820)는 위험 계층 별 사망률 추세를 제공할 수 있다.
이하에서는 도 1 내지 도 8을 참조하여 설명한 질병 예측 장치가 수행할 수 있는 질병 예측 방법에 대해서 설명한다.
도 9는 본 개시의 일 실시 예에 따른 질병 예측 방법의 흐름도이다.
도 9를 참조하면, 본 개시의 질병 예측 방법은 정보 저장 단계를 포함할 수 있다(S910). 일 예로, 질병 예측 장치는 환자의 역학 정보, 사망 정보 및 탐색 정보를 포함하는 환자 별 인자 정보를 획득하고, 환자 별 인자 정보를 매트릭스 형태로 구조화하여 저장할 수 있다. 또한, 질병 예측 장치는 탐색 정보에 사망 정보의 원인으로 추정되는 추정 인자를 추가하여 환자 별 인자 정보를 획득하고, 변경된 환자 별 인자 정보를 매트릭스 형태로 재구조화하여 저장할 수 있다.
질병 예측 방법은 모델 생성 단계를 포함할 수 있다(S920). 일 예로, 질병 예측 장치는 사망 정보에 대한 역학 정보 및 탐색 정보의 연관성을 판단하고, 연관성을 이용하여 사망 정보에 대한 위험비를 산출하여 환자 별 인자 정보에 각각의 위험 점수를 할당하고, 할당된 위험 점수를 계산하여 환자의 사망 가능성을 예측하는 예측 모델을 생성할 수 있다. 예를 들면, 질병 예측 장치는 저장된 환자 별 인자 정보를 딥러닝 알고리즘에 입력하여 사망 정보에 대한 연관성을 판단하고, 연관성에 대한 로지스틱 회귀 분석을 수행하여 역학 정보 및 탐색 정보를 포함하는 환자 별 인자 정보에 대한 위험비를 산출하고, 위험비에 기초하여 환자 별 인자 정보에 위험 점수를 각각 할당할 수 있다. 여기서 연관성은 사망 정보를 기준으로 역학 정보 및 탐색 정보에서 주요 인자를 추출하고, 환자를 위험 계층으로 분류하여 판단될 수 있다. 다른 예를 들면, 질병 예측 장치는 예측 모델에 할당된 위험 점수를 합산하여 환자 별 최종 위험 점수를 산출하고 최종 위험 점수에 따라 위험 사망률을 예측하고 위험 계층을 분류할 수 있다.
질병 예측 방법은 모델 결정 단계를 포함할 수 있다(S930). 일 예로, 질병 예측 장치는 예측 모델 중에서 통계 검정을 통해 최종 예측 모델을 결정할 수 있다. 또는, 질병 예측 장치는 예측 모델을 이용하여 사망 가능성을 예측한 예측 결과와 사망 정보를 비교하여 통계량을 산출하고, 통계량을 이용하여 예측 모델 중에서 최종 예측 모델을 결정할 수 있다.
질병 예측 방법은 결과 출력 단계를 포함할 수 있다(S930). 일 예로, 질병 예측 장치는 최종 예측 모델을 이용하여 환자의 사망 가능성을 예측하고 위험 계층을 분류할 수 있다. 또한, 질병 예측 장치는 최종 예측 모델을 이용하여 산출한 환자 별 최종 위험 점수, 상기 위험 계층 및 위험 사망률 중 적어도 하나를 출력할 수 있다. 예를 들어, 질병 예측 장치는 최종 예측 모델을 이용하여 각각의 인자에 할당된 위험 점수를 합산하고, 합산된 최종 위험 점수에 따라 각 환자에 따른 위험 사망률 또는 위험 계층을 출력할 수 있다.
이상에서는 본 개시의 실시 예에 따른 질병 예측 방법이 도9 에서와 같은 절차로 수행되는 것으로 설명되었으나, 이는 설명의 편의를 위한 것일 뿐, 본 개시의 본질적인 개념을 벗어나지 않는 범위 내에서, 구현 방식에 따라 각 단계의 수행 절차가 바뀌거나 둘 이상의 단계가 통합되거나 하나의 단계가 둘 이상의 단계로 분리되어 수행될 수도 있다.
전술한 질병 예측 방법은, 프로그램으로 구현되고 컴퓨터로 읽을 수 있는 기록매체에 기록될 수 있다. 또한, 전술한 질병 예측 방법을 실행시키기 위한 프로그램은, 환자의 역학 정보, 사망 정보 및 탐색 정보를 포함하는 환자 별 인자 정보를 획득하고, 환자 별 인자 정보를 매트릭스 형태로 구조화하여 저장하는 정보 저장 기능, 사망 정보에 대한 역학 정보 및 탐색 정보의 연관성을 판단하고, 연관성을 이용하여 사망 정보에 대한 위험비를 산출하여 환자 별 인자 정보에 각각의 위험 점수를 할당하고, 할당된 위험 점수를 계산하여 환자의 사망 가능성을 예측하는 예측 모델을 생성하는 모델 생성 기능, 예측 모델 중에서 통계 검정을 통해 최종 예측 모델을 결정하는 모델 결정 기능 및 최종 예측 모델을 이용하여 환자의 사망 가능성을 예측하고 위험 계층을 분류하는 결과 출력 기능을 실행한다.
이상에서 전술한 본 개시의 실시 예에 따른 질병 예측 방법은, 질병 예측 장치(100)에 기본적으로 설치된 애플리케이션(이는 단말에 기본적으로 탑재된 플랫폼에 포함되거나 운영체제 등에 포함되거나 호환되는 프로그램일 수 있음)에 의해 실행될 수 있고, 또한, 사용자가 애플리케이션 스토어 서버, 애플리케이션 또는 해당 서비스와 관련된 웹 서버 등의 애플리케이션 제공 서버를 통해 질병 예측 장치(100)의 운영체제와 호환 가능하고 질병 예측 장치(100)에 직접 설치한 애플리케이션(즉, 프로그램)에 의해 실행될 수도 있다. 여기서, 질병 예측 장치(100)의 운영체제는, 데스크 탑 등의 일반 PC에 설치되는 윈도우(Window), 매킨토시(Macintosh), 리눅스(Linux) 등의 운영체제이거나, 스마트폰, 태블릿 PC 등의 모바일 단말기에 설치되는 iOS, 안드로이드(Android), 윈도우 모바일 등의 모바일 전용 운영체제 등일 수도 있다.
이러한 의미에서, 전술한 본 개시의 실시 예에 따른 질병 예측 방법은 질병 예측 장치(100)에 기본적으로 설치되거나 사용자에 의해 직접 설치된 애플리케이션(즉, 프로그램)으로 구현되고, 질병 예측 장치(100) 등의 컴퓨터로 읽을 수 있는 기록매체에 기록될 수 있다.
본 개시의 실시 예에 따른 질병 예측 방법을 구현한 프로그램은, 정보 저장 기능, 모델 생성 기능, 모델 결정 기능 및 결과 출력 기능 등을 실행한다. 이뿐만 아니라, 도1 내지 도9 를 참조하여 전술한 본 개시의 실시 예에 따른 질병 예측 방법에 대응되는 모든 기능을 실행할 수 있다.
이러한 프로그램은 컴퓨터에 의해 읽힐 수 있는 기록매체에 기록되고 컴퓨터에 의해 실행됨으로써 전술한 기능들이 실행될 수 있다.
이와 같이, 컴퓨터가 기록매체에 기록된 프로그램을 읽어 들여 프로그램으로 구현된 질병 예측 방법을 실행시키기 위하여, 전술한 프로그램은 컴퓨터의 프로세서(CPU)가 읽힐 수 있는 C, C++, JAVA, 기계어 등의 컴퓨터 언어로 코드화된 코드(Code)를 포함할 수 있다.
이러한 코드는 전술한 기능들을 정의한 함수 등과 관련된 기능적인 코드(Function Code)를 포함할 수 있고, 전술한 기능들을 컴퓨터의 프로세서가 소정의 절차대로 실행시키는데 필요한 실행 절차 관련 제어 코드를 포함할 수도 있다.
또한, 이러한 코드는 전술한 기능들을 컴퓨터의 프로세서가 실행시키는데 필요한 추가 정보나 미디어가 컴퓨터의 내부 또는 외부 메모리의 어느 위치(주소 번지)에서 참조 되어야 하는지에 대한 메모리 참조 관련 코드를 더 포함할 수 있다.
또한, 컴퓨터의 프로세서가 전술한 기능들을 실행시키기 위하여 원격(Remote)에 있는 어떠한 다른 컴퓨터나 서버 등과 통신이 필요한 경우, 코드는 컴퓨터의 프로세서가 컴퓨터의 통신 모듈(예: 유선 및/또는 무선 통신 모듈)을 이용하여 원격(Remote)에 있는 어떠한 다른 컴퓨터나 서버 등과 어떻게 통신해야만 하는지, 통신 시 어떠한 정보나 미디어를 송수신해야 하는지 등에 대한 통신 관련 코드를 더 포함할 수도 있다.
그리고, 본 개시를 구현하기 위한 기능적인(Functional) 프로그램과 이와 관련된 코드 및 코드 세그먼트 등은, 기록매체를 읽어서 프로그램을 실행시키는 컴퓨터의 시스템 환경 등을 고려하여, 본 개시가 속하는 기술분야의 프로그래머들에 의해 용이하게 추론되거나 변경될 수도 있다.
또한 전술한 바와 같은 프로그램을 기록한 컴퓨터로 읽힐 수 있는 기록매체는 네트워크로 커넥션된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다. 이 경우, 다수의 분산된 컴퓨터 중 어느 하나 이상의 컴퓨터는 상기에 제시된 기능들 중 일부를 실행하고, 그 결과를 다른 분산된 컴퓨터들 중 하나 이상에 그 실행 결과를 전송할 수 있으며, 그 결과를 전송받은 컴퓨터 역시 상기에 제시된 기능들 중 일부를 실행하여, 그 결과를 역시 다른 분산된 컴퓨터들에 제공할 수 있다.
이상에서 전술한 바와 같은, 본 개시의 실시 예에 따른 질병 예측 방법을 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽힐 수 있는 기록매체는, 일 예로, ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 미디어 저장장치 등이 있다.
또한, 본 개시의 실시 예에 따른 질병 예측 방법을 실행시키기 위한 프로그램인 애플리케이션을 기록한 컴퓨터로 읽을 수 있는 기록매체는, 애플리케이션 스토어 서버(Application Store Server), 애플리케이션 또는 해당 서비스와 관련된 웹 서버(Web Server) 등을 포함하는 애플리케이션 제공 서버(Application Provider Server)에 포함된 저장매체(예: 하드디스크 등)이거나, 애플리케이션 제공 서버 그 자체일 수도 있으며, 프로그램을 기록한 다른 컴퓨터 또는 그 저장매체일 수도 있다.
본 개시의 일 실시 예에 따른 질병 예측 방법을 실행시키기 위한 프로그램인 애플리케이션을 기록한 기록매체를 읽을 수 있는 컴퓨터는, 일반적인 데스크 탑이나 노트북 등의 일반 PC 뿐만 아니라, 스마트 폰, 태블릿 PC, PDA(Personal Digital Assistants) 및 이동통신 단말기 등의 모바일 단말기를 포함할 수 있으며, 이뿐만 아니라, 컴퓨팅(Computing) 가능한 모든 기기로 해석되어야 할 것이다.
만약, 본 개시의 일 실시 예에 따른 질병 예측 방법을 실행시키기 위한 프로그램인 애플리케이션을 기록한 기록매체를 읽을 수 있는 컴퓨터가 스마트 폰, 태블릿 PC, PDA(Personal Digital Assistants) 및 이동통신 단말기 등의 모바일 단말기인 경우, 모바일 단말기는 애플리케이션 스토어 서버, 웹 서버 등을 포함하는 애플리케이션 제공 서버로부터 해당 애플리케이션을 다운로드 받아 설치할 수 있고, 경우에 따라서는, 애플리케이션 제공 서버에서 일반 PC로 다운로드 된 이후, 동기화 프로그램을 통해 모바일 단말기에 설치될 수도 있다.
이상에서, 본 개시의 실시 예를 구성하는 모든 구성 요소들이 하나로 결합되거나 결합되어 동작하는 것으로 설명되었다고 해서, 본 개시가 반드시 이러한 실시 예에 한정되는 것은 아니다. 즉, 본 개시의 목적 범위 안에서라면, 그 모든 구성 요소들이 하나 이상으로 선택적으로 결합하여 동작할 수도 있다. 또한, 그 모든 구성 요소들이 각각 하나의 독립적인 하드웨어로 구현될 수 있지만, 각 구성 요소들의 그 일부 또는 전부가 선택적으로 조합되어 하나 또는 복수 개의 하드웨어에서 조합된 일부 또는 전부의 기능을 수행하는 프로그램 모듈을 갖는 컴퓨터 프로그램으로서 구현될 수도 있다. 그 컴퓨터 프로그램을 구성하는 코드들 및 코드 세그먼트들은 본 개시의 기술 분야의 당업자에 의해 용이하게 추론될 수 있을 것이다. 이러한 컴퓨터 프로그램은 컴퓨터가 읽을 수 있는 저장매체(Computer Readable Media)에 저장되어 컴퓨터에 의하여 읽혀지고 실행됨으로써, 본 개시의 실시 예를 구현할 수 있다. 컴퓨터 프로그램의 저장매체로서는 자기 기록매체, 광 기록매체, 등이 포함될 수 있다.
또한, 이상에서 기재된 "포함하다", "구성하다" 또는 "가지다" 등의 용어는, 특별히 반대되는 기재가 없는 한, 해당 구성 요소가 내재될 수 있음을 의미하는 것이므로, 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것으로 해석되어야 한다. 기술적이거나 과학적인 용어를 포함한 모든 용어들은, 다르게 정의되지 않는 한, 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 사전에 정의된 용어와 같이 일반적으로 사용되는 용어들은 관련 기술의 문맥 상의 의미와 일치하는 것으로 해석되어야 하며, 본 개시에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이상의 설명은 본 개시의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 개시의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 개시에 개시된 실시 예들은 본 개시의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시 예에 의하여 본 개시의 기술 사상의 범위가 한정되는 것은 아니다. 본 개시의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 개시의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
Claims (16)
- 환자의 역학 정보, 사망 정보 및 탐색 정보를 포함하는 환자 별 인자 정보를 획득하고, 상기 환자 별 인자 정보를 매트릭스 형태로 구조화하여 저장하는 정보 저장부;
상기 환자 별 인자 정보에 대한 위험비를 산출하고, 상기 위험비에 기초하여 상기 환자 별 인자 정보에 각각의 위험 점수를 할당하고, 할당된 상기 위험 점수를 계산하여 상기 환자의 사망 가능성을 예측하는 예측 모델을 생성하는 모델 생성부;
상기 예측 모델 중에서 통계 검정을 통해 최종 예측 모델을 결정하는 모델 결정부; 및
상기 최종 예측 모델을 이용하여 상기 환자의 사망 가능성을 예측하고 위험 계층을 분류하는 결과를 출력하는 결과 출력부;를 포함하는 것을 특징으로 하는 질병 예측 장치. - 삭제
- 삭제
- 제 1 항에 있어서,
상기 모델 생성부는,
저장된 상기 환자 별 인자 정보를 심층 신경망(deep neural network), 합성곱 신경망(convolutional neural network) 및 순환 신경망(recurrent neural network) 중 적어도 하나 이상의 딥러닝 알고리즘에 입력하여 상기 사망 정보에 영향을 끼치는 주요 인자를 추출하거나 상기 위험 계층을 분류하는 상기 예측 모델을 생성하는 것을 특징으로 하는 질병 예측 장치. - 삭제
- 제 1 항에 있어서,
상기 모델 생성부는,
상기 예측 모델에 할당된 상기 위험 점수를 합산하여 환자 별 최종 위험 점수를 산출하고, 상기 최종 위험 점수에 따라 위험 사망률을 예측하고 위험 계층을 분류하는 것을 특징으로 하는 질병 예측 장치. - 제 1 항에 있어서,
상기 모델 결정부는,
상기 예측 모델을 이용하여 사망 가능성을 예측한 예측 결과와 상기 사망 정보를 비교하여 통계량을 산출하고, 상기 통계량을 이용하여 상기 예측 모델 중에서 상기 최종 예측 모델을 결정하는 것을 특징으로 하는 질병 예측 장치. - 제 1 항에 있어서,
상기 결과 출력부는,
상기 최종 예측 모델을 이용하여 산출한 환자 별 최종 위험 점수, 상기 위험 계층 및 위험 사망률 중 적어도 하나를 출력하는 것을 특징으로 하는 질병 예측 장치. - 환자의 역학 정보, 사망 정보 및 탐색 정보를 포함하는 환자 별 인자 정보를 획득하고, 상기 환자 별 인자 정보를 매트릭스 형태로 구조화하여 저장하는 정보 저장 단계;
상기 환자 별 인자 정보에 대한 위험비를 산출하고, 상기 위험비에 기초하여 상기 환자 별 인자 정보에 각각의 위험 점수를 할당하고, 할당된 상기 위험 점수를 계산하여 상기 환자의 사망 가능성을 예측하는 예측 모델을 생성하는 모델 생성 단계;
상기 예측 모델 중에서 통계 검정을 통해 최종 예측 모델을 결정하는 모델 결정 단계; 및
상기 최종 예측 모델을 이용하여 상기 환자의 사망 가능성을 예측하고 위험 계층을 분류하는 결과를 출력하는 결과 출력 단계;를 포함하는 것을 특징으로 하는 질병 예측 장치에 의해서 수행되는 질병 예측 방법. - 삭제
- 삭제
- 제 9 항에 있어서,
상기 모델 생성 단계는,
저장된 상기 환자 별 인자 정보를 심층 신경망(deep neural network), 합성곱 신경망(convolutional neural network) 및 순환 신경망(recurrent neural network) 중 적어도 하나 이상의 딥러닝 알고리즘에 입력하여 상기 사망 정보에 영향을 끼치는 주요 인자를 추출하거나 상기 위험 계층을 분류하는 상기 예측 모델을 생성하는 것을 특징으로 하는 질병 예측 장치에 의해서 수행되는 질병 예측 방법. - 제 9 항에 있어서,
상기 모델 생성 단계는,
상기 예측 모델에 할당된 상기 위험 점수를 합산하여 환자 별 최종 위험 점수를 산출하고, 상기 최종 위험 점수에 따라 위험 사망률을 예측하고 위험 계층을 분류하는 것을 특징으로 하는 질병 예측 장치에 의해서 수행되는 질병 예측 방법. - 제 9 항에 있어서,
상기 모델 결정 단계는,
상기 예측 모델을 이용하여 사망 가능성을 예측한 예측 결과와 상기 사망 정보를 비교하여 통계량을 산출하고, 상기 통계량을 이용하여 상기 예측 모델 중에서 상기 최종 예측 모델을 결정하는 것을 특징으로 하는 질병 예측 장치에 의해서 수행되는 질병 예측 방법. - 제 9 항에 있어서,
상기 결과 출력 단계는,
상기 최종 예측 모델을 이용하여 산출한 환자 별 최종 위험 점수, 상기 위험 계층 및 위험 사망률 중 적어도 하나를 출력하는 것을 특징으로 하는 질병 예측 장치에 의해서 수행되는 질병 예측 방법. - 질병 예측 방법을 실행시키기 위한 프로그램을 기록한 기록 매체에 있어서,
환자의 역학 정보, 사망 정보 및 탐색 정보를 포함하는 환자 별 인자 정보를 획득하고, 상기 환자 별 인자 정보를 매트릭스 형태로 구조화하여 저장하는 정보 저장 기능;
상기 환자 별 인자 정보에 대한 위험비를 산출하고, 상기 위험비에 기초하여 상기 환자 별 인자 정보에 각각의 위험 점수를 할당하고, 할당된 상기 위험 점수를 계산하여 상기 환자의 사망 가능성을 예측하는 예측 모델을 생성하는 모델 생성 기능;
상기 예측 모델 중에서 통계 검정을 통해 최종 예측 모델을 결정하는 모델 결정 기능; 및
상기 최종 예측 모델을 이용하여 상기 환자의 사망 가능성을 예측하고 위험 계층을 분류하는 결과를 출력하는 결과 출력 기능을 구현하는 프로그램이 기록되고 컴퓨터로 읽을 수 있는 기록 매체.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200165295A KR102613560B1 (ko) | 2020-12-01 | 2020-12-01 | 질병 예측 장치, 방법 및 기록 매체 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200165295A KR102613560B1 (ko) | 2020-12-01 | 2020-12-01 | 질병 예측 장치, 방법 및 기록 매체 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220076618A KR20220076618A (ko) | 2022-06-08 |
| KR102613560B1 true KR102613560B1 (ko) | 2023-12-12 |
Family
ID=81981022
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200165295A KR102613560B1 (ko) | 2020-12-01 | 2020-12-01 | 질병 예측 장치, 방법 및 기록 매체 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102613560B1 (ko) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102598101B1 (ko) * | 2022-06-27 | 2023-11-02 | 경북대학교 산학협력단 | 딥 뉴럴 네트워크 기반 실시간 중환자실 환자 상태 분석 시스템 및 방법 |
| KR102526577B1 (ko) * | 2022-09-27 | 2023-04-27 | 주식회사 비투엔 | 환자 관리를 위한 인공지능 기반의 위험 예측 시스템 및 방법 |
| WO2024122680A1 (ko) * | 2022-12-08 | 2024-06-13 | 경상국립대학교병원 | 급성 호흡 곤란 증후군 환자의 임상 징후 예측을 위한 정보 제공 방법 |
| KR20240085675A (ko) * | 2022-12-08 | 2024-06-17 | 사회복지법인 삼성생명공익재단 | 아토피피부염 환자 개인맞춤형 증상 관리 시스템 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102013692B1 (ko) | 2018-11-09 | 2019-08-23 | 한국과학기술정보연구원 | 자살 치명도 예측 장치 및 방법 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101855117B1 (ko) | 2016-09-30 | 2018-05-04 | 주식회사 셀바스에이아이 | 질병에 대한 발병 확률 예측 방법 및 장치 |
| KR102446376B1 (ko) * | 2018-10-10 | 2022-09-22 | 연세대학교 산학협력단 | 사망 또는 패혈증 위험도 예측 방법 및 이를 이용한 사망 또는 패혈증 위험도 예측용 디바이스 |
| KR102257830B1 (ko) * | 2018-12-18 | 2021-05-28 | 연세대학교 산학협력단 | 사망 위험도의 예측 방법 및 이를 이용한 디바이스 |
-
2020
- 2020-12-01 KR KR1020200165295A patent/KR102613560B1/ko active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102013692B1 (ko) | 2018-11-09 | 2019-08-23 | 한국과학기술정보연구원 | 자살 치명도 예측 장치 및 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20220076618A (ko) | 2022-06-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102613560B1 (ko) | 질병 예측 장치, 방법 및 기록 매체 | |
| Jerlin Rubini et al. | Efficient classification of chronic kidney disease by using multi‐kernel support vector machine and fruit fly optimization algorithm | |
| Nazer et al. | Bias in artificial intelligence algorithms and recommendations for mitigation | |
| Senan et al. | Score and Correlation Coefficient‐Based Feature Selection for Predicting Heart Failure Diagnosis by Using Machine Learning Algorithms | |
| Hasan et al. | Deep Learning Approaches for Detecting Pneumonia in COVID‐19 Patients by Analyzing Chest X‐Ray Images | |
| Sahoo et al. | A hybrid DTNB model for heart disorders prediction | |
| US20170147777A1 (en) | Method and apparatus for predicting health data value through generation of health data pattern | |
| WO2020123723A1 (en) | System and method for providing health information | |
| Huang et al. | A clinical decision support framework for heterogeneous data sources | |
| JP2021525411A (ja) | 先を見越した健康監視及び管理のための個別化されたデバイス推奨 | |
| Najjar et al. | A two-step approach for mining patient treatment pathways in administrative healthcare databases | |
| JP2018524137A (ja) | 心理状態を評価するための方法およびシステム | |
| JP6901308B2 (ja) | データ分析支援システム及びデータ分析支援方法 | |
| JP2023123711A (ja) | 健康情報に基づく予後スコア | |
| KR20190115330A (ko) | 만성 호흡기 질환의 급성 악화 예측용 애플리케이션 | |
| Hussain et al. | Prediction and evaluation of healthy and unhealthy status of COVID-19 patients using wearable device prototype data | |
| Mansouri et al. | Predicting hospital length of stay of neonates admitted to the NICU using data mining techniques | |
| Singh et al. | Comparative Analysis of Machine Learning Classifiers for Heart Disease Prediction in Cloud Environment | |
| Vijayaganth et al. | Smart sensor based prognostication of cardiac disease prediction using machine learning techniques | |
| Mosteiro et al. | Making sense of violence risk predictions using clinical notes | |
| US11887730B2 (en) | Systems and methods for unobtrusive digital health assessment | |
| Santos et al. | Enabling ubiquitous data mining in intensive care-features selection and data pre-processing | |
| Ferdousi | Digital Twin Disease Diagnosis Using Machine Learning | |
| Nanda et al. | COVID-19 risk assessment using the C4. 5 Algorithm | |
| CN113223698B (zh) | 急诊分级处理方法、装置、电子设备以及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E90F | Notification of reason for final refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |