KR20110068083A - 임상진단 결정 규칙 생성 방법 - Google Patents
임상진단 결정 규칙 생성 방법 Download PDFInfo
- Publication number
- KR20110068083A KR20110068083A KR1020090124918A KR20090124918A KR20110068083A KR 20110068083 A KR20110068083 A KR 20110068083A KR 1020090124918 A KR1020090124918 A KR 1020090124918A KR 20090124918 A KR20090124918 A KR 20090124918A KR 20110068083 A KR20110068083 A KR 20110068083A
- Authority
- KR
- South Korea
- Prior art keywords
- clinical diagnosis
- test
- data
- rule
- value
- Prior art date
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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
본 발명에 따르는 임상진단 결정 규칙 생성 방법은, 다수의 환자 각각에 대한 다수의 검사 항목의 검사 데이터를 입력받아 검사 항목별로 분류하여 값의 크기에 따라 정렬하며, 각 검사 데이터에 임상진단 결과를 표식하는 단계; 각 검사 항목별로 적합도 및 임상진단 결정을 위한 컷 오프 값을 산출하는 단계; 상기 다수의 검사 항목 각각에 대해 컷 오프 값을 기준으로 임상진단 결정 규칙을 생성하는 단계; 상기 임상진단 결정규칙에 대한 임상진단 발생빈도를 검출하는 단계; 임상진단 발생빈도에 따라 임상진단 결정규칙 중 일부를 최종 임상진단 결정규칙으로 결정하는 단계;를 구비하며, 상기 적합도는 해당 검사 항목이 상기 임상진단 결정을 위해 어느 정도 적합한지를 나타내며, 검사항목별로 임상진단 결과가 중첩되는 영역을 검출하고, 상기 중첩되는 영역에 포함되는 다수의 검사 데이터 각각에 대해 임상진단 결과별로 분리될 수 있는 정도를 나타내는 분리가능정도를 산출하고, 상기 분리가능정도의 합을 산출하여 획득되고, 상기 컷 오프 값은 상기 중첩되는 영역내에서의 검사 데이터의 값의 가중치 평균값임을 특징으로 한다.
의료 데이터, 임상진단 결정
Description
본 발명은 의료 데이터 처리기술에 관한 것으로, 더욱 상세하게는 환자에 대한 임상진단 결정을 위해 어느 검사 항목에 대해 검사하고, 그 검사에 따른 검사 데이터에 따라 임상진단을 결정하기 위한 임상진단 결정 규칙을 생성하는 방법에 관한 것이다.
호흡 곤란은 환자의 주관적인 증상으로 빈호흡, 기좌호흡, 체인스톡(cheynestokes) 호흡, kussmaul 호흡의 형태로 관찰 가능하고, 응급실에서 볼 수 있는 가장 흔한 주호소(chief complaint) 중 하나이다.
응급실에 호흡곤란을 주호소로 내원한 환자는 크게 심인성 질환과 폐인성 질환으로 구분할 수 있는데, 심인성 질환은 좌심실 부전, 폐부종, 울혈성 심주전 등이 주요 원인이며, 폐인성 질환은 만성 폐쇄성 폐질환, 폐렴, 폐암 등이 주요 원인이다.
이러한 호흡곤란의 원인질환은 짧은 시간의 문진으로 진단을 하기가 어렵기 때문에 임상전문가들은 피검사나 흉부 방사선 검사 등을 이용하여 진단을 하고 있 으며, 검사된 항목들의 결과로부터 중요특징을 분석하고 감별하는데 많은 시간을 투자하고 있다.
일반적인 특징선택방법은 주어진 데이터로부터 관련된 특징들의 하위집합을 선택하거나, 새로운 특징들을 결합하는 방법으로 고차원의 문제를 저차원으로 변화하여 처리한다. 또한 특징 수의 증가에 따른 계산 복잡도(computational complexity)나 차원의 저주(curse of dimensionality)를 효과적으로 해결할 수 있다는 장점 때문에 패턴분류나 의사결정 등과 같은 문제에 전처리과정으로 사용되고 있으며, 특히 신경망과 유전자 알고리즘을 이용한 방법이 주목할만한 성능을 제공하고 있다.
하지만 신경망 및 유전자 알고리즘에 기반한 방법들은 관련 특징들을 선택하는데 있어서 여러 학습 매개변수(즉 신경망의 경우, 학습률, 모멘텀, 연결가중치 가지치기 수준, 유전자알고리즘의 경우 목적함수에서 사용된 매개변수 등)들을 조정해야 하고, 선택된 특징들간의 관계에 대한 해석(interpretability)이 어렵거나 불가능하다는 제약점을 가진다.
그러므로 이들 기계 학습 알고리즘은 다변수 혹은 고차원으로 이루어진 임상 데이터에서 중요 특징을 선택하기 위한 도구로는 적합하지 않으며, 선택된 특징들과 컷오프(cut-off) 값이 임상기준과 비교하였을 때의 신뢰성 여부가 추가적으로 평가되어야 했다.
본 발명은 환자에 대한 임상진단 결정을 위해 어느 검사 항목에 대해 검사하고, 그 검사에 따른 검사 데이터에 따라 임상진단을 결정하기 위한 임상진단 결정 규칙을 생성하는 방법을 제공하는 것을 그 목적으로 한다.
상기한 목적을 달성하기 위한 본 발명에 따르는 임상진단 결정 규칙 생성 방법은, 다수의 환자 각각에 대한 다수의 검사 항목의 검사 데이터를 입력받아 검사 항목별로 분류하여 값의 크기에 따라 정렬하며, 각 검사 데이터에 임상진단 결과를 표식하는 단계; 각 검사 항목별로 적합도 및 임상진단 결정을 위한 컷 오프 값을 산출하는 단계; 상기 다수의 검사 항목 각각에 대해 컷 오프 값을 기준으로 임상진단 결정 규칙을 생성하는 단계; 상기 임상진단 결정규칙에 대한 임상진단 발생빈도를 검출하는 단계; 임상진단 발생빈도에 따라 임상진단 결정규칙 중 일부를 최종 임상진단 결정규칙으로 결정하는 단계;를 구비하며, 상기 적합도는 해당 검사 항목이 상기 임상진단 결정을 위해 어느 정도 적합한지를 나타내며, 검사항목별로 임상진단 결과가 중첩되는 영역을 검출하고, 상기 중첩되는 영역에 포함되는 다수의 검사 데이터 각각에 대해 임상진단 결과별로 분리될 수 있는 정도를 나타내는 분리가능정도를 산출하고, 상기 분리가능정도의 합을 산출하여 획득되고, 상기 컷 오프 값은 상기 중첩되는 영역내에서의 검사 데이터의 값의 가중치 평균값임을 특징으로 한다.
상기한 본 발명은 환자에 대한 임상진단 결정을 위해 어느 검사 항목에 대해 검사하고, 그 검사에 따른 검사 데이터에 따라 임상진단을 결정하기 위한 임상진단 결정 규칙을 생성함에 있어 신뢰 높은 결과를 얻을 수 있게 하는 효과가 있다.
<연구대상 및 자료수집>
본 발명은 D 광역시에 소재한 D 의료원에 2006 년 7 월에서 2007 년 6 월 사이에 호흡곤란을 주호소로 응급실에 내원한 환자 1,129 명의 의무기록을 대상으로 하였다. 대상자의 인적 사항을 제외한 등록번호, 성별, 나이, 응급실 내원일자 및 시간, 진료결과, 입원 시 진단, 초기 검사 항목 등의 자료를 데이터웨어 하우스에서 추출하였다.
초기 검사 항목으로는 전혈구 검사(common blood cell & differential count, CBC & diff. count), 프로트롬빈 시간(prothrombin time, PT), 활성화 부분 트롬보플라스틴 시간(activated partial thromboplastin time, aPTT), 혈청 전해질(serum electrolytes), 입원환자에 대한 기본 검사(routine admission), 혈청 아밀라제, 동맥혈 가스 분석(blood pH and gas), 리파아제, CK-MB, Troponin I, CK, LDH(lactate dehydrogenase), CRP, Fibrinogen, Ca2 +(calcium), Mg2 +(magnesium), Pro-BNP 가 있었다.
상기 수집된 자료 중 타병원으로 전원된 환자, DOA(death on arrival), CPR(Cardio-Pulmonary Resuscitation) 후 혹은 DNR(Do Not Resuscitate)로 사망한 환자, 자의 퇴원 혹은 미상의 기타 환자, 의무기록이 불완전한 경우를 제외한 총 668 명의 환자(입원환자 500 명, 퇴원환자 168 명)에 대한 데이터를 분석하였다.
<데이터의 공간적인 분포를 이용한 진단 규칙 생성방법>
본 발명의 바람직한 실시예에 따른 임상진단 결정 규칙 생성방법을 도 1의 흐름도를 참조하여 설명한다. 상기한 본 발명에 따른 임상진단 결정 규칙 생성방법에 따른 처리 프로세스는 컴퓨팅 시스템에 의해 동작되도록 구현된다.
입력 데이터는 다수의 환자의 검사 데이터로 구성되며, 각 환자에 대한 검사 데이터는 다수의 검사 항목으로 구성되며, 각 환자에 대한 임상진단 결과는 결정된 상태이다.
상기 컴퓨팅 시스템은 다수의 환자의 검사 데이터를 검사 항목별로 분류하여 정렬하고, 각 검사 데이터에 임상진단 결과를 표식한다(100단계). 이를 예시한 것이 도 2이다.
도 2에 예시한 그래프는 다수의 환자에 대한 백혈구 수치를 나타낸 것으로 원으로 표식된 데이터는 퇴원한 환자의 백혈구 수를 나타내고, 사각형으로 표식된 데이터는 입원한 환자의 백혈구 수를 나타낸다.
이러한 방식으로 다수의 환자 각각에 대한 다수의 검사 항목의 검사 데이터를 입력받아, 검사 항목별로 분류하여 값의 크기에 따라 정렬하고, 각 검사 데이터에 임상진단인 입원 또는 퇴원을 표식한다. 여기서, 상기 입원 또는 퇴원은 환자의 검사 데이터를 입력하였을 때의 임상진단 결과로서, 상기 임상진단은 입력 데이터 종류와 목적에 따라 변경될 수 있음은 본 발명으로부터 자명하다.
상기한 바와 같이 다수의 환자 각각에 대한 다수의 검사 항목의 검사 데이터를 입력받아 검사 항목별로 분류하여 값의 크기에 따라 정렬하여 각 검사 데이터에 임상진단 결과를 표식하면, 상기 임상진단 결과가 중첩되는 영역이 존재한다. 즉, 도 2의 예에서 A 영역은 퇴원 판단된 환자와 입원 판단된 환자의 검사 데이터가 중첩된다.
상기 중첩되는 영역을 토대로 상기 컴퓨팅 시스템은 상기 임상진단 결정을 위한 적합도를 평가한다. 즉, 중첩 영역에 포함되는 다수의 검사 데이터 각각에 대해 임상진단 결과별로 분리될 수 있는 정도를 나타내는 분리가능정도를 산출하고, 상기 분리가능정도의 합을 산출하여 해당 검사 데이터에 따른 검사 항목이 상기 임상진단 결정을 위해 어느 정도 적합한지를 나타내는 적합도를 결정한다.
이러한 과정을 통해 모든 검사 항목에 대해 임상진단 결정에 대한 적합도를 산출하고, 그 산출된 적합도를 토대로 해당 임상진단 결정을 위한 검사 항목 순위를 결정할 수 있다.
상기 검사 항목별 적합도가 결정되면, 상기 컴퓨팅 시스템은 상기 검사 항목별 임상진단 결과를 결정하기 위한 컷 오프 값을 산출한다(102단계). 상기 컷 오프 값은 중첩 영역내에서 검사 데이터의 값의 가중치 평균값이다.
상기한 바와 같이 검사 항목별 적합도와 검사 항목별 컷 오프 값이 결정되면, 상기 검사 항목들을 통한 임상진단 결정을 위한 규칙패턴을 생성할 수 있다.
즉, 상기 컴퓨팅 시스템은 상기 다수의 검사 항목에 대한 임상 의사 결정을 위한 규칙 패턴을 생성한 후에(104단계), 상기 다수의 검사 항목에 대한 임상 의사 결정을 위한 규칙 패턴에 대한 임상진단 결정의 발생 빈도를 검출하고(106단계), 상기 발생 빈도에 따라 상기 다수의 검사 항목에 대한 임상 의사 결정을 위한 규칙 패턴 중 일부를 선택하여 최종 규칙 패턴을 결정한다(108단계).
상기 최종 규칙 패턴 생성과정을 백혈구 수와 혈소판 수에 대한 규칙공간을 도시한 도 3을 참조하여 예를 들어 설명한다.
상기 도 3의 규칙 공간 중 수평 공간은 다수의 환자의 검사 데이터 중 백혈구 수(WBC) 항목의 검사 데이터를 그 수에 따라 정렬하여 표식함과 아울러 각 검사 데이터에 임상진단인 퇴원 또는 입원(DISCHARGE OR ADMISSION)를 표식한 것이고, 수직 공간은 다수의 환자의 검사 데이터 중 혈소판 수(PLT) 항목의 검사 데이터를 그 수에 따라 정렬하여 표식함과 아울러 각 검사 데이터에 임상진단인 퇴원 또는 입원(DISCHARGE OR ADMISSION)을 표식한 것이고, 적색 점선은 컷 오프 값을 의미한다.
상기 백혈구 수와 상기 혈소판 수 항목에 대한 임상 의사 결정을 위한 규칙 패턴을 생성하면 다음과 같다.
1-1) Rule 1: WBC is Discharge and PLT is Discharge Then Patient is Admission
1-2) Rule 1: WBC is Discharge and PLT is Discharge Then Patient is Discharge
2-1) Rule 2: WBC is Admission and PLT is Discharge Then Patient is Admission
2-2) Rule 2: WBC is Admission and PLT is Discharge Then Patient is Discharge
3-1) Rule 3: WBC is Discharge and PLT is Admission Then Patient is Admission
3-2) Rule 3: WBC is Discharge and PLT is Admission Then Patient is Discharge
4-1) Rule 4: WBC is Admission and PLT is Admission The Patient is Admission
4-2) Rule 4: WBC is Admission and PLT is Admission The Patient is Discharge
상기한 임상진단 결정을 위한 규칙 패턴 각각을 도 3의 예에 적용하여 임상진단 발생빈도(freq.)를 검출하면, 다음과 같다.
1-1) Rule 1: WBC is Discharge and PLT is Discharge Then Patient is Admission with freq. is 20
1-2) Rule 1: WBC is Discharge and PLT is Discharge Then Patient is Discharge with freq. is 10
2-1) Rule 2: WBC is Admission and PLT is Discharge Then Patient is Admission with freq. is 30
2-2) Rule 2: WBC is Admission and PLT is Discharge Then Patient is Discharge with freq. is 10
3-1) Rule 3: WBC is Discharge and PLT is Admission Then Patient is Admission with freq. is 15
3-2) Rule 3: WBC is Discharge and PLT is Admission Then Patient is Discharge with freq. is 20
4-1) Rule 4: WBC is Admission and PLT is Admission The Patient is Admission with freq. is 5
4-2) Rule 4: WBC is Admission and PLT is Admission The Patient is Discharge with freq. is 5
상기 임상진단 발생빈도가 검출되면, 상기 임상진단 발생빈도에 따라 상기 규칙 패턴은 다음과 같이 최종 결정된다.
1) Rule 1: WBC is Discharge and PLT is Discharge Then Patient is Admission
2) Rule 2: WBC is Admission and PLT is Discharge Then Patient is Admission
3) Rule 3: WBC is Discharge and PLT is Admission Then Patient is Discharge
<일반화>
이제 상기한 본 발명을 수학식을 통해 일반화하는 과정을 설명한다.
입력 데이터 X={xi|xi=(xi1,xi2,...,xin),i=1,2,...,s}는 s개의 인스턴스들을 포함하는 n차원 벡터로서, j번째 속성(즉 검사 항목)은 aj={(x1j,x2j,...,xsj},(j=1,...,n)은 s개의 데이터 포인터들로 이루어져 있고, 출력 C={ck|k=1,2,...,m}은 m개의 클래스(임상진단)로 이루어진 집합이다.
<제1단계-속성값들의 내부구간 추출>
j번째 속성 aj의 도메인 dj=[min(aj),max(aj)]과 임의의 클래스에 대응하는 j번째 속성의 속성값들의 내부구간 Ijk=[Il jk,Iu jk],Ijk∈dj들을 추출한다. 여기서, Il jk,Iu jk는 j번째 속성에서 k번째 클래스에 속하는 속성값들의 최소값과 최대값을 나타낸다.
<제2단계-추출된 내부구간들 사이의 중첩영역 검출>
상기 추출된 내부구간들 사이에서 중첩영역(overlapping region) Oj=[Olj j,Ouj j]을 찾는다. 여기서 [Olj j,Ouj j]는 모든 중첩된 영역들 사이에서 하한(lower)과 상한 경계(upper bound)를 나타낸다.
<제3단계-속성값들의 빈도수를 산출하여 적합도 평가>
중첩 영역 내에서 서로 다른 클래스들이 동일한 속성값들을 가지지 않을 때 속성값들의 빈도수를 수학식 1에 따라 계산하고, 해당 속성의 적합도(fitness degree)를 평가한다.
상기 수학식 1에서 tk j는 j번째 속성에서 k번째 클래스에 포함된 유일한 속성값들의 빈도수를 의미하고, s는 인스턴스들의 수를 나타낸다. 이때 hk j는 중첩영역에서 k번째 클래스에 속한 속성값들의 상대적인 분리 가능성 정도를 나타내고, hk j∈[0,1]의 값을 가진다.
예를 들어, 전체 인스턴스의 수가 20일 때 j번째 속성의 중첩영역에서 표 1과 같은 클래스별 속성값들의 분포가 존재한다고 가정한다.
상기 표 1에서 j번째 속성의 적합도는 수학식 1에 의해 클래스 1과 클래스 2의 분리 가능성 정도의 합인 Hj=h1 j+h2j=0.2+0.2=0.4로 나타낼 수 있다. 따라서 j번째 속성의 최대 분리 가능성 정도는 0.4라는 것을 알 수 있다.
<제4단계-각 속성에 대한 컷 오프(cut-off) 값 결정>
각 속성의 컷 오프(cut-off) 값을 결정하기 위하여 중첩 영역내에서 중복된 속성값들의 가중치 평균값(weighted average value), 즉 무게 중심 값을 계산한다.
상기 수학식 2에서 xij는 j번째 속성에서 i번째 인스턴스의 속성값을 의미하고, nij는 중복된 속성값들의 빈도수를 나타낸다. 예를 들어 제3단계의 예제에서 서로 다른 2개의 클래스에 대한 중복된 속성값 1.1, 1.3, 1.4의 빈도수는 각각 3,3,3이므로 수학식 2에 의해 계산된 무게중심값은 11.4/9=1.2667이 된다. 게다가 이는 전체 중첩영역에 대한 무게중심 1.3756이 오분류(7개)에 비해 상대적으로 적은 오분류(6개)를 가진다.
이후 컴퓨팅 시스템은 if-then 구조를 이용하여 주어진 데이터로부터 규칙패턴을 생성한다(106단계).
여기서, aj(j=1,2,...,n)는 j번째 속성을, Aik(i=1,2,...,M;k=1,2,...,m)는 수학식 2로부터 계산된 컷 오프 값을 기준으로 분할된 i번째 규칙에서 k번째 클래스의 구간을 freqk는 k번째 클래스에서 i번째 규칙 패턴의 발생 빈도수를 나타낸다.
이러한 클래스별 규칙의 발생 빈도 수를 근거로 클래스들 간의 규칙의 충돌문제(conflict problem)를 수학식 3에 따라 분해한다.
상기 수학식 3의 R* i는 i번째 규칙 패턴의 출력을 나타내고, NA는 어떠한 클래스의 규칙 패턴으로도 정의할 수 없는 규칙을 의미한다.
도 1은 본 발명의 바람직한 실시예에 따른 임상진단 결정 규칙 생성방법의 흐름도.
도 2는 본 발명의 바람직한 실시예에 따른 데이터를 예시한 도면.
도 3은 본 발명의 바람직한 실시예에 따른 임상진단 결정 규칙을 예시한 도면.
Claims (5)
- 임상진단 결정 규칙 생성 방법에 있어서,다수의 환자 각각에 대한 다수의 검사 항목의 검사 데이터를 입력받아 검사 항목별로 분류하여 값의 크기에 따라 정렬하며, 각 검사 데이터에 임상진단 결과를 표식하는 단계;각 검사 항목별로 적합도 및 임상진단 결정을 위한 컷 오프 값을 산출하는 단계;상기 다수의 검사 항목 각각에 대해 컷 오프 값을 기준으로 임상진단 결정 규칙을 생성하는 단계;상기 임상진단 결정규칙에 대한 임상진단 발생빈도를 검출하는 단계;임상진단 발생빈도에 따라 임상진단 결정규칙 중 일부를 최종 임상진단 결정규칙으로 결정하는 단계;를 구비하며,상기 적합도는 해당 검사 항목이 상기 임상진단 결정을 위해 어느 정도 적합한지를 나타내며,검사항목별로 임상진단 결과가 중첩되는 영역을 검출하고, 상기 중첩되는 영역에 포함되는 다수의 검사 데이터 각각에 대해 임상진단 결과별로 분리될 수 있는 정도를 나타내는 분리가능정도를 산출하고, 상기 분리가능정도의 합을 산출하여 획득되고,상기 컷 오프 값은 상기 중첩되는 영역내에서의 검사 데이터의 값의 가중치 평균값임을 특징으로 하는 임상진단 결정 규칙 생성 방법.
- 제1항에 있어서,상기 임상진단 결정규칙은,어느 한 환자에 대해 다수의 검사항목의 검사데이터가 입력되면, 각 검사항목의 검사 데이터가 각 검사항목별로 검출된 컷 오프 값을 기준으로 분할된 임상진단 결정구간에 속하는지 여부에 따라 임상진단을 결정하는 것임을 특징으로 하는 임상진단 결정 규칙 생성 방법.
- 임상진단 결정을 위한 검사 항목 선택 방법에 있어서,다수의 환자 각각에 대한 다수의 검사 항목의 검사 데이터를 입력받아 검사 항목별로 분류하여 값의 크기에 따라 정렬하며, 각 검사 데이터에 임상진단 결과를 표식하는 단계;각 검사 항목별로 적합도를 산출하여 안내하는 단계;를 구비하며,상기 적합도는 해당 검사 항목이 상기 임상진단 결정을 위해 어느 정도 적합한지를 나타내며,검사항목별로 임상진단 결과가 중첩되는 영역을 검출하고,상기 중첩되는 영역내에서 서로 다른 임상진단 결과가 동일한 데이터 값을 가지지 않을 때의 빈도수를 수학식 6에 따라 산출하여 획득함을 특징으로 하는 특징으로 하는 임상진단 결정 규칙 생성방법.상기 수학식 6에서 tk j는 j번째 검사항목에서 k번째 임상진단에 포함된 유일한 속성값들의 빈도수를 의미하고, s는 데이터의 수를 나타내고, hk j는 중첩되는 영역에서 k번째 임상진단에 속한 검사항목들의 상대적인 분리 가능성 정도를 나타내고, hk j∈[0,1]의 값을 가짐.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020090124918A KR101141103B1 (ko) | 2009-12-15 | 2009-12-15 | 임상진단 결정 규칙 생성 방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020090124918A KR101141103B1 (ko) | 2009-12-15 | 2009-12-15 | 임상진단 결정 규칙 생성 방법 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20110068083A true KR20110068083A (ko) | 2011-06-22 |
KR101141103B1 KR101141103B1 (ko) | 2012-05-02 |
Family
ID=44400402
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020090124918A KR101141103B1 (ko) | 2009-12-15 | 2009-12-15 | 임상진단 결정 규칙 생성 방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR101141103B1 (ko) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101868744B1 (ko) * | 2017-04-27 | 2018-06-19 | (주)솔트웍스 | 임상 진료 지침 제공 방법 및 이를 실행하는 프로그램이 기록된 기록 매체 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102160831B1 (ko) * | 2013-12-13 | 2020-09-28 | 인바이츠헬스케어 주식회사 | 임상 의사 결정 지원 방법 및 서버 장치 |
KR101600970B1 (ko) | 2014-11-26 | 2016-03-08 | 주식회사 씨알에스큐브 | 전자 환자 결과 보고 내의 임상 시험 참여 가능 상태에 따른 식별 번호 생성을 위한 방법 및 시스템 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060063190A1 (en) * | 2004-09-22 | 2006-03-23 | Tripath Imaging, Inc | Methods and compositions for evaluating breast cancer prognosis |
KR20090000196A (ko) * | 2007-01-29 | 2009-01-07 | 서울대학교병원 (분사무소) | 홈헬스케어 데이터와 의료기관 진료정보를 이용한 임상의사결정 지원장치 |
-
2009
- 2009-12-15 KR KR1020090124918A patent/KR101141103B1/ko not_active IP Right Cessation
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101868744B1 (ko) * | 2017-04-27 | 2018-06-19 | (주)솔트웍스 | 임상 진료 지침 제공 방법 및 이를 실행하는 프로그램이 기록된 기록 매체 |
Also Published As
Publication number | Publication date |
---|---|
KR101141103B1 (ko) | 2012-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Alves et al. | Explaining machine learning based diagnosis of COVID-19 from routine blood tests with decision trees and criteria graphs | |
Alsheref et al. | Blood diseases detection using classical machine learning algorithms | |
Rostami et al. | A novel explainable COVID-19 diagnosis method by integration of feature selection with random forest | |
KR101212714B1 (ko) | 계층적 퍼지 추론에 기반한 임상진단 지원방법 및 그 시스템 | |
CN108717867A (zh) | 基于梯度迭代树的疾病预测模型建立方法及装置 | |
Gök et al. | SMOTE-NC and gradient boosting imputation based random forest classifier for predicting severity level of covid-19 patients with blood samples | |
Chadaga et al. | Medical diagnosis of COVID-19 using blood tests and machine learning | |
Boulle et al. | A case study of using artificial neural networks for classifying cause of death from verbal autopsy | |
CN112151130B (zh) | 一种基于文献检索的决策支持***和构建方法 | |
CN111081381A (zh) | 院内致命性消化道再出血预测关键指标的智能筛选方法 | |
Sadiq et al. | Classification of β-thalassemia carriers from red blood cell indices using ensemble classifier | |
CN112652361A (zh) | 一种基于gbdt模型的骨髓瘤高风险筛查方法及其应用 | |
Ilbeigipour et al. | Cluster-based analysis of COVID-19 cases using self-organizing map neural network and K-means methods to improve medical decision-making | |
Abuhaija et al. | A comprehensive study of machine learning for predicting cardiovascular disease using Weka and SPSS tools | |
KR101141103B1 (ko) | 임상진단 결정 규칙 생성 방법 | |
Chadaga et al. | COVID-19 diagnosis using clinical markers and multiple explainable artificial intelligence approaches: a case study from Ecuador | |
Ouf et al. | The Role of Machine Learning to Fight COVID-19. | |
Devi et al. | A Diagnostic Study on Prediction of COVID-19 by Symptoms Using Machine Learning | |
Yavuz et al. | Comparison of k nearest neighbours and regression tree classifiers used with clonal selection algorithm to diagnose haematological diseases | |
Patel et al. | Impact analysis of the complete blood count parameter using Naive Bayes | |
Kanchana et al. | Prediction of autism spectrum disorder using random forest classifier in adults | |
El Gannour et al. | Enhancing early detection of COVID-19 with machine learning and blood test results | |
Abdo et al. | A machine learning model for predicting recovery rates of COVID-19 patients | |
Zahruddin et al. | Case Study: Using Data Mining to Predict Student Performance Based on Demographic Attributes | |
Abhilash et al. | Prognostication Of Diabetes Using Data Mining Models |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant | ||
FPAY | Annual fee payment |
Payment date: 20150416 Year of fee payment: 4 |
|
FPAY | Annual fee payment |
Payment date: 20160322 Year of fee payment: 5 |
|
LAPS | Lapse due to unpaid annual fee |