KR20220079789A - 생체 측정 장비와 연동 된 질병 발생 예측 시스템 - Google Patents

생체 측정 장비와 연동 된 질병 발생 예측 시스템 Download PDF

Info

Publication number
KR20220079789A
KR20220079789A KR1020210173325A KR20210173325A KR20220079789A KR 20220079789 A KR20220079789 A KR 20220079789A KR 1020210173325 A KR1020210173325 A KR 1020210173325A KR 20210173325 A KR20210173325 A KR 20210173325A KR 20220079789 A KR20220079789 A KR 20220079789A
Authority
KR
South Korea
Prior art keywords
user
information
disease
questionnaire
candidate
Prior art date
Application number
KR1020210173325A
Other languages
English (en)
Inventor
박한
김성태
김현우
원선희
정제욱
허정현
Original Assignee
(주)비바이노베이션
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 (주)비바이노베이션 filed Critical (주)비바이노베이션
Publication of KR20220079789A publication Critical patent/KR20220079789A/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
    • G16H50/50—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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
    • 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
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • 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
    • G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
    • 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
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • 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
    • 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
    • G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Cardiology (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Medicinal Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Physiology (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

본 발명은 송수신기능을 가진, 일상생활 측정장치, 생체정보 측정장치, 개인 휴대단말 등을 통해, 사용자의 일상생활 측정 정보, 생체 측정 정보, 문진 정보가 지속적이고 연속적이고 자동적으로, 메인서버로 전송되고, 이 정보들을 메인서버는 사용자별로 데이터베이스에 저장하여 빅데이터를 형성하고, 사용자별 빅데이터를 인공지능망에 적용하여 사용자의 질병 발생 위험을 예측하여, 사용자의 개인 휴대단말로 알리는, 생체 측정 장비와 연동 된 질병 발생 예측 시스템에 관한 것이다.
본 발명의 질병 발생 예측 시스템은, 사용자 휴대 단말기 상에서, 기설정된 시간에 약물의 복용여부를 체크하는 질문에의 사용자 답변인, 약물 복용정보를 포함하는 일상생활 체크 정보를, 사용자 휴대 단말기로부터 메인서버로 전송하는, 일상생활 측정부; 사용자 휴대 단말기에 입력된, 사용자의 나이, 성별을 포함하는 기초문진 정보와, 사용자의 증상과 관련된 증상문진 정보를 포함하는, 문진정보를, 사용자 휴대 단말기로부터 메인서버로 전송하는, 문진부; 사용자에게 장착되거나 사용자의 의복에 장착되어 맥박신호를 포함하는 생체측정신호를 주기적으로 메인서버로 전송하는, 웨어러블 측정장치; 혈압 신호를 포함하는 생체측정신호를, 사용자가 측정시마다, 자동적으로 메인서버로 전송하는, 생체신호 측정장치; 수신된 맥박신호 및 혈압 신호를 포함하는 생체측정신호와, 일상생활 체크 정보와, 문진정보를, 기 학습된 인공지능망인, 질병예측 기계학습모델에 적용하여, 사용자의 질병 발생 위험정도를 예측하는 연산처리부를 포함하는, 메인서버;를 포함하는 것을 특징으로 한다.

Description

생체 측정 장비와 연동 된 질병 발생 예측 시스템 {Disease occurrence prediction system linked with biometric equipment}
본 발명은 송수신기능을 가진, 일상생활 측정장치, 생체정보 측정장치, 개인 휴대단말 등을 통해, 사용자의 일상생활 측정 정보, 생체 측정 정보, 문진 정보가 지속적이고 연속적이고 자동적으로, 메인서버로 전송되고, 이 정보들을 메인서버는 사용자별로 데이터베이스에 저장하여 빅데이터를 형성하고, 사용자별 빅데이터를 인공지능망에 적용하여 사용자의 질병 발생 위험을 예측하여, 사용자의 개인 휴대단말로 알리는, 생체 측정 장비와 연동 된 질병 발생 예측 시스템에 관한 것이다.
의료전문인이 아닌 일반인들은, 대부분 전문 의학 지식이 부족하기 때문에, 자신의 증상만으로는 어느 질병인지 파악할 수 없다. 하지만, 현재는 ICT 기술과 통신 기술의 발달로 본인이 이상이 있다고 판단될 경우, 진단을 의료기관에 직접 찾아가 확인하기 이전에 인터넷 등을 통해 자신의 신체 상태 및 이상 증상 등을 검색하여 선행적으로 파악하는 경우가 증가하고 있다. 그러나 인터넷을 통해 본인의 증상을 정확하게 파악하는데 한계가 존재하며, 인터넷을 통해 자의적인 판단을 신뢰하여 전문 의료기관에 가지 않을 경우, 병세를 더욱 악화시키거나 의료기관에 가야할 시기를 놓치거나, 또는 정확하지도 않은 정보로, 건강에 대한, 불필요한 염려를 할 가능성이 있다. 특히, 증상이 있는 사람(이하 ‘유증상자’)은 자신의 증상에 맞는 전문 진료기관을 방문하여 진단을 받아야 하지만, 이를 위해서는 시간과 비용이 추가적으로 소모되는 단점이 있다. 또한, 바쁜 일상을 영위하는 사람이 병원가는 것을 차일피일 미루다가 병을 키우는 경우도 많다.
이러한 문제를 해결하기 위해, 최근들어, ICT 기술과 빅데이터의 관리 기술의 발전으로 인해 머신러닝 등의 인공지능 기법에 기반하여 환자의 상태를 진단하기 위한 연구들이 행하여지고 있다. 그러나 이러한 인공지능 등의 기술을 기반으로 질병을 예측하는 엔진의 경우, 정확한 상태의 데이터를 입력하지 않으면 정확하지 않은 결과를 도출한다는 치명적인 단점을 가지고 있다. 따라서 무엇보다 사용자의 상태를 반영하는 모든 데이터를 인공지능망에 입력하고, 이를 분석하여 질병을 예측하는 엔진의 개발이 요망된다.
따라서, 본 발명은 송수신기능을 가진, 일상생활 측정장치, 생체정보 측정장치, 개인 휴대단말 등을 통해, 사용자의 일상생활 측정 정보, 생체 측정 정보, 문진 정보가 지속적이고 연속적이고 자동적으로, 메인서버로 전송되고, 이 정보들을 메인서버는 사용자별로 데이터베이스에 저장하여 빅데이터를 형성하고, 사용자별 빅데이터를 인공지능망에 적용하여 사용자의 질병 발생 위험을 예측하여, 사용자의 개인 휴대단말로 알리는, 생체 측정 장비와 연동 된 질병 발생 예측 시스템을 제안한다.
선행기술로, 본 출원인이 특허출원한, 국내 공개특허공보 제10-2020-0106691호 및 국내 공개특허공보 제10-2020-0106696호가 있다. 이 발명들은, 문진정보를 이용하여 질병 예측 정보를 제공하는 것으로, 사용자가 입력한 문진정보만을 이용하여 질병 예측하다보니, 정확도에 문제가 있었다.
본 발명이 해결하고자 하는 과제는, 송수신기능을 가진, 일상생활 측정장치, 생체정보 측정장치, 개인 휴대단말 등을 통해, 사용자의 일상생활 측정 정보, 생체 측정 정보, 문진 정보가 지속적이고 연속적이고 자동적으로, 메인서버로 전송되고, 이 정보들을 메인서버는 사용자별로 데이터베이스에 저장하여 빅데이터를 형성하고, 사용자별 빅데이터를 인공지능망에 적용하여 사용자의 질병 발생 위험을 예측하여, 사용자의 개인 휴대단말로 알리는, 생체 측정 장비와 연동 된 질병 발생 예측 시스템을 제공하는 것이다.
상기 과제를 해결하기 위해, 본 발명의 병 발생 예측 시스템은, 사용자 휴대 단말기 상에서, 기설정된 시간에 약물의 복용여부를 체크하는 질문에의 사용자 답변인, 약물 복용정보를 포함하는 일상생활 체크 정보를, 사용자 휴대 단말기로부터 메인서버로 전송하는, 일상생활 측정부; 사용자 휴대 단말기에 입력된, 사용자의 나이, 성별을 포함하는 기초문진 정보와, 사용자의 증상과 관련된 증상문진 정보를 포함하는, 문진정보를, 사용자 휴대 단말기로부터 메인서버로 전송하는, 문진부;
사용자에게 장착되거나 사용자의 의복에 장착되어 맥박신호를 포함하는 생체측정신호를 주기적으로 메인서버로 전송하는, 웨어러블 측정장치; 혈압 신호를 포함하는 생체측정신호를, 사용자가 측정시마다, 자동적으로 메인서버로 전송하는, 생체신호 측정장치; 수신된 맥박신호 및 혈압 신호를 포함하는 생체측정신호와, 일상생활 체크 정보와, 문진정보를, 기 학습된 인공지능망인, 질병예측 기계학습모델에 적용하여, 사용자의 질병 발생 위험정도를 예측하는 연산처리부를 포함하는, 메인서버;를 포함하는 것을 특징으로 한다.
연산처리부는, 증상문진 정보 및 기초문진 정보를 이용하여 제1 후보 증상을 결정하고, 제1 후보 증상과 관련된 추가 문진을 사용자 휴대단말기로 전송하고, 휴대단말기로 수신된 추가 문진 정보를 기반으로 제1 후보 증상에 대응되는 복수의 후보 질병을 결정하는, 후보질병 결정부; 후보질병 결정부에서 추가 문진정보를 이용하여 복수의 후보 질병에 대한 순위를 결정하고, 각 순위에 따른 가중치인, 제1가중치를, 복수의 후보 질병 각각에 부여하고, 나이와 성별 정보에 기초한 발병률, 기저장되어 있는, 발병 순위에 따른 결정값, 생체측정 정보, 일상 생활 체크 정보의 값들과, 이들 값을 통계 처리한 값을, 기 학습된 질병예측 기계학습모델에 입력하여, 질병예측 기계학습모델로부터 출력된, 사용자의 질병 발명 위험도의 수치 데이터를 제2 가중치로써, 복수의 후보 질병 각각에 부여하는, 가중치 적용부; 가중치 적용부에서 구한 제1 가중치 및 제2 가중치를 기초로 복수의 후보 질병 각각의 발병 확률을 계산하는, 질병확률 계산부;를 포함한다.
일상생활 측정부는, 사용자 휴대단말기 상에 출력된, 식사시간을 포함하는 식사에 관한 질문에 대한 사용자의 답변을 식사 정보로서 메인서버에 전송하는, 식사 체크부; 사용자 휴대단말기 상에 출력된, 소정약의 복용여부를 포함하는 약물 복용에 관한 질문에 대한 사용자의 답변을 약물복용 정보로서 메인서버에 전송하는, 약물 체크부;를 포함한다.
웨어러블 측정장치는, 신체의 움직임에 따른 활동량 신호를 측정하는 활동량 측정부; 사용자의 맥박신호를 측정하는 맥박 측정부; 사용자의 수면 신호를 측정하는 수면 측정부;를 포함한다.
생체신호 측정장치는 혈압 측정장치, 혈당 측정장치, 체온 측정장치를 포함한다.
질병확률 계산부는, 각 후보 질병에 대한 질병 발생 확률(P)을
Figure pat00001
(단, N(n, total)은 n번째 후보 질병에 대한 전체 증상 정보의 수, N(n, user)는 n번째 후보 질병에 대해 사용자가 겪고 있는 증상 정보의 수, Kn은 n번째 후보 질병에 대해 미리 지정된 값임) 에 의해 구하여 진다.
본 발명의 질병 발생 예측 시스템은, 송수신기능을 가진, 일상생활 측정장치, 생체정보 측정장치, 개인 휴대단말 등을 통해, 사용자의 일상생활 측정 정보, 생체 측정 정보, 문진 정보가 지속적이고 연속적이고 자동적으로, 메인서버로 전송되고, 이 정보들을 메인서버는 사용자별로 데이터베이스에 저장하여 빅데이터를 형성하고, 사용자별 빅데이터를 인공지능망에 적용하여 사용자의 질병 발생 위험을 예측하여, 사용자의 개인 휴대단말로 알리도록 이루어져, 전문 의료기관을 방문하지 않고도, 자신에게 질병이 발생하였는지, 향후에 어떠한 질병이 발생할 수 있는지 등을 알 수 있다. 따라서, 사용자는 보다 빠른 질병에 대한 대책을 강구할 수 있어, 보다 건강한 생활을 영위할 수 있다.
도 1은 본 발명의 생체 측정 장비와 연동 된 질병 발생 예측 시스템의 개념을 설명하 위한 설명도이다.
도 2는 본 발명의 생체 측정 장비와 연동 된 질병 발생 예측 시스템의 구성을 개략적으로 설명하위한 블럭도이다.
도 3은 도 2의 후보질병 결정부(520), 가중치 적용부(530), 질병확률 계산부(550)를 설명하는 설명도이다.
도 4는 문장내 각 단어를 품사를 기준으로 분리한 일예를 나타낸다.
도 5는 사전 학습된 버트 모델 적용부에서 사용자　주중상을　컴퓨터가　학습가능한　형태로 변환한 일예를 나타낸다.
도 6은 질병별로 일상생활 체크정보와의 관계성을 나타낸다.
도 7은 질병별 증상별로 생체신호 측정 정보들과의 관계성을 나타낸다.
도 8은 본 발명의 가중치 적용을 통한 증상 예측 과정을 설명하는 설명도이다.
도 9는 본 발명의 생체 측정 장비와 연동 된 질병 발생 예측 시스템을 적용한 결과의 F1 Score 예이다.
이하, 본 발명의 생체 측정 장비와 연동 된 질병 발생 예측 시스템의 구성 및 작동을 첨부된 도면을 참조하여 상세히 설명한다.
도 1은 본 발명의 생체 측정 장비와 연동 된 질병 발생 예측 시스템의 개념을 설명하 위한 설명도이다.
사용자 휴대단말기(즉, 스마트 디바이스)(100)는 소정의 응용프로그램이 설치되어 있으며, 사용자의 식사를 체크하고, 일상생활에서 사용자가 복용하는 약물의 복용상태를 체크하며, 식사체크 정보와 약물 체크정보를 메인서버(500)로 전송한다. 또한, 사용자 휴대단말기(100)는 기초 필요정보 또는 증상에 관한 문진을 제공하고 사용자가 입력한 문진 정보를 메인서버(500)로 전송한다.
사용자 휴대단말기(100)는 송수신수단을 포함하며, 스마트폰, 타블렛, 노트북, PC 등 일 수 있다. 여기서, 식사, 약물 복용 등을 측정하기 위한 목적으로 개발된 응용프로그램 또는 장치는 사용자 휴대단말기(100)과 별도로 구비될 수도 있다. 여기서 식사, 약물 복용 등의 체크 정보를, 설명의 편의상, 일상생활 체크정보(일상생활 측정정보)라 명명한다.
웨어러블 측정장치(즉, 웨어러블 디바이스)(200)는 신체 또는 의복에 장착되어, 활동량, 맥박, 수면, 심전도, 광용적 맥파, 산소포화도 등의 사용자의 생체신호를 측정하여 주기적으로 메인서버(500)로 전송한다. 웨어러블 측정장치(200)는 데이터 송신기능을 포함하며, 경우에 따라서는 웨어러블 측정장치(200)에서 측정된 생체신호는 사용자 휴대단말기(100)를 통하여 메인서버(500)로 전송한다. 웨어러블 측정장치(200)는 손목형 측정장치가 대표적이기는 하나 이로써 본 발명을 한정하는 것이 아니며, 신체 또는 의복에 장착되어, 사용자의 생체정보를 측정하는 장치라면 무엇이든지 가능하다.
웨어러블 측정장치(200)는 활동량 측정부(미도시), 맥박 측정부(미도시), 수면 측정부(미도시), 심전도 측정부(미도시), 광용적 맥파 측정부(미도시), 산소포화도 측정부(미도시) 중 하나 이상을 포함한다.
활동량 측정부(미도시)는 가속도 센서 등을 포함하여 활동량 신호를 측정하며, 맥박 측정부(미도시)는 심박 측정 센서 또는 심전도 센서 또는 광용적 맥파 센서를 포함하여 심박(또는 맥박) 신호를 측정한다. 심전도 측정부(미도시)는 심전도 측정 센서(전극)를 포함하여 심전도 신호를 측정하고, 산소포화도 측정부(미도시)는 산소포화도 측정센서를 이용하여 산소포화도를 검출한다. 광용적 맥파 측정부(미도시)는 광용적 맥파 측정센서를 이용하여 광용적 맥파를 검출하며, 검출된 맥파로부터 심박(맥박)을 검출하거나 혈압을 검출할 수 있다. 수면 측정부(미도시)는 심박신호 또는 심전도 신호와, 활동량 신호와, 산소포화도 신호를 이용하여 수면의 질을 검출한다. 경우에 따라서, 수면 측정부(미도시)는 뇌전극을 포함하여, 뇌파를 검출하여 수면을 측정할 수 있다.
웨어러블 측정장치(200)는 시판되는 웨어러블 측정장치를 이용할 수 있다.
생체신호 측정장치(즉, 헬스케어 디바이스)(300)는 혈압, 혈당, 체온, 체중, 심전도 등 사용자의 생체신호를 측정하여 메인서버(500)로 전송한다. 즉, 사용자가 생체신호 측정장치(300)를 통해 생체신호를 측정함과 동시에, 측정된 생체신호를 메인서버(500)로 전송할 수 있다. 생체신호 측정장치(300)는 데이터 송신기능을 포함하며, 경우에 따라서는 생체신호 측정장치(300)에서 측정된 생체신호는 사용자 휴대단말기(100)를 통하여 메인서버(500)로 전송한다.
메인서버(500)는 사용자 휴대단말기(100), 웨어러블 측정장치(200), 생체신호 측정장치(300)로부터 수신된 일상생활 체크 정보, 문진 정보, 생체신호를 수신하여, 데이터베이스(DB)(600)에 저장하여 사용자별의 빅데이터를 형성한다. 또한 메인서버(500)의 연산처리부(510)에서, 사용자별의 빅데이터를 인공지능망에 적용하여 사용자의 질병 발생 위험을 예측하고, 질병 발생 예측정보를 사용자 휴대단말기(100)로 전송한다.
그러면, 사용자 휴대단말기(100)는 메인서버(500)로부터 수신된 질병 발생 예측정보를 출력한다.
도 2는 본 발명의 생체 측정 장비와 연동 된 질병 발생 예측 시스템의 구성을 개략적으로 설명하위한 블럭도이고, 도 3은 도 2의 후보질병 결정부(520), 가중치 적용부(530), 질병확률 계산부(550)를 설명하는 설명도이다.
사용자 휴대단말기(100)는 일상생활 측정부(110) 및 문진부(150)를 포함한다.
일상생활 측정부(110)는 사용자의 일상생활에서 기설정된 항목들을 주기적으로 또는 소정시간에 체크하는 질문을 사용자 휴대단말기(100)의 디스플레이부(미도시)에 출력하고, 이때 사용자가 답변을 선택하도록 하여, 그 답변을 일상생활 체크정보로서 메인서버(500)로 전송한다. 일상생활 체크정보는 식사 정보(즉, 식사량, 식사시간, 섭취 음식물 등등과 관련된 정보), 약물복용 정보(즉, 소정약의 복용여부, 소정약의 종류 등등과 관련된 정보) 등을 포함한다.
일상생활 측정부(110)는 식사 체크(check)부(120)과 약물 체크부(130) 등을 포함한다.
식사 체크(check)부(120)는 지정된 시간이 되면 사용자 휴대단말기(100)에 식사에 관한 질문(즉, 식사량, 식사시간, 섭취 음식물 등등과 관련된 질문)이 출력되고, 사용자가 이에 답변하면, 이를 식사 정보로서 메인서버(500)에 전송한다.
약물 체크부(130)는 지정된 시간이 되면 사용자 휴대단말기(100)에 약물 복용에 관한 질문(즉, 소정약의 복용여부, 복용된 약의 종류 등등과 관련된 질문)이 출력되고, 사용자가 이에 답변하면, 이를 약물복용 정보로서 메인서버(500)에 전송한다.
문진부(150)는 사용자 휴대단말기(100)로 기초 필요정보 또는 증상에 관한 문진 등을 제공하고 사용자가 입력한 문진 정보를 메인서버(500)로 전송한다.
문진부(150)는 기초 문진부(160), 증상 문진부(170), 추가 문진부(180)을 포함한다.
기초 문진부(160)는 사용자의 나이, 성별, 몸무게, 키, 질병이력 등의 기초 필요정보에 관한 질문을 사용자 휴대단말기(100)에 출력되고, 사용자가 이에 답변하면, 이를 기초 문진정보로서 메인서버(500)에 전송한다.
증상 문진부(170)는 사용자의 질병 또는 사용자에게 예측되는 질병에 대한 증상에 관한 질문이 사용자 휴대단말기(100)에 출력하고, 사용자가 이에 답변하면, 이를 증상 문진정보로서 메인서버(500)에 전송한다.
추가 문진부(170)는 사용자의 질병 또는 사용자에게 예측되는 질병에 대해, 추가적으로 필요한 사항에 관한 질문을 사용자 휴대단말기(100)에 출력하고, 사용자가 이에 답변하면, 이를 추가 문진정보로서 메인서버(500)에 전송한다. 즉, 추가문진부(180)는 주요 증상 및 기초 문진에 기반하여, 사용자의 예상 증상에 대한 문진을 사용자에게 제공하고 사용자가 상기 문진에 답변한 것을 추가 문진 정보로 한다.
추가 문진정보, 즉, 각 질병별로 또는 각 주요증상별로, 예상 증상에 대한 문진이 데이터베이스(600)에 저장되어 있다. 이는 의료전문가에 의해 작성된 문진정보들로 사전에 데이터베이스(600)에 저장되어 있다.
웨어러블 측정장치(200)는 활동량 측정부(210), 맥박 측정부(220), 수면 측정부(230)을 포함한다.
활동량 측정부(210)는 신체의 움직임에 따른 활동량을 측정하는 수단으로, 예를들어 만보계 등을 들 수 있으며, 측정된 활동량 신호는 메인서버(500)에 전송한다.
맥박 측정부(220)는 사용자의 맥박을 측정하는 수단으로, 측정된 맥박 신호는 메인서버(500)에 전송한다.
수면 측정부(230)는 사용자의 수면시간, 수면의 질을 측정하기 위한 수단으로, 측정된 수면 신호는 메인서버(500)에 전송한다.
웨어러블 측정장치(200)는, 심전도 측정부(미도시), 광용적 맥파 검출부(미도시), 산소포화도 검출부(미도시)를 더 포함할 수 있으며, 이들을 통해 심전도 신호, 맥파신호, 산소포화도 신호를 더 검출하여 메인서버(500)에 전송할 수 있다.
생체신호 측정장치(300)는 혈압 측정장치(310), 혈당 측정장치(320), 체온 측정장치(330)을 포함한다.
혈압 측정장치(310)는 혈압을 측정하는 장치로, 측정결과를 전송하기 위한 송신부를 구비한 장치이다. 혈압 측정장치(310)에서 측정된 혈압신호는 메인서버(500)로 전송된다.
혈당 측정장치(320)는 혈당을 측정하는 장치로, 측정결과를 전송하기 위한 송신부를 구비한 장치이다. 혈당 측정장치(320)에서 측정된 혈당신호는 메인서버(500)로 전송된다.
체온 측정장치(330)는 체온을 측정하는 장치로, 측정결과를 전송하기 위한 송신부를 구비한 장치이다. 체온 측정장치(330)에서 측정된 체온신호는 메인서버(500)로 전송된다.
생체신호 측정장치(300)에 심전도 측정장치(미도시), 광용적 맥파 검출장치(미도시), 산소포화도 검출장치(미도시), 체중 측정장치(미도시)를 더 포함할 수 있으며, 이들을 통해 심전도 신호, 맥파신호, 산소포화도 신호, 체중신호를 더 검출하여 메인서버(500)에 전송할 수 있다.
여기서 생체 신호 측정정보는, 생체신호 측정장치(300) 및 웨어러블 측정장치(200)에서 측정된 신호로서, 활동량 신호, 맥박 신호, 수면 신호, 혈압신호, 혈당신호, 체온신호들을 나타낸다.
메인서버(500)는 사용자 휴대단말기(100), 웨어러블 측정장치(200), 생체신호 측정장치(300)로부터 수신된 정보들을 데이터베이스(DB)(600)에 저장하여 사용자별의 빅데이터를 형성한다. 또한, 메인서버(500)의 연산처리부(510)는 사용자별의 빅데이터를 인공지능망에 적용하여 사용자의 질병 발생 위험을 예측하고, 질병 발생 예측정보를 사용자 휴대단말기(100)로 전송한다.
연산처리부(510)는 후보증상 결정부(520), 추가문진부(526), 후보질병 예측부(527), 질병확률 계산부(550), 질병 예측정보 생성부(560)을 포함한다. 여기서, 연산처리부(510)는 컴퓨터로 이루어질 수 있다. 여기서, 후보증상 결정부(520), 추가문진부(526), 후보질병 예측부(527), 질병확률 계산부(550)를 후보증상 결정부라 할 수 있다. 또한, 여기서 추가문진부(526), 후보질병 예측부(527)는 가중치 적용부(530)라 할 수 있다.
후보질병 결정부는 데이터 베이스에 저장되어 있는 사용자의 일상생활 체크정보, 문진 정보, 생체신호 측정 정보들을 이용하여 사용자의 후보질병을 결정한다.
경우에 따라서는, 후보질병 결정부는 데이터 베이스에 저장되어 있는 사용자의 일상생활 체크정보, 문진 정보, 생체신호 측정 정보들을, 기 학습된 인공지능망, 즉, 후보 질병결정 기계학습모델에 적용하여, 사용자의 후보질병을 결정한다.
예를들어, 후보 질병 결정 기계학습모델에서, 문진부의 사용자 인터페이스를 통해 수신한 문진 정보 중, 사용자 주요 증상 및 성별, 나이 등의 증상문진 및 기초 문진을, 이용하여 제1 후보 증상을 결정하고, 제1 후보 증상과 관련된 추가 문진에 대한 사용자의 답변을 기반으로 제1 후보 증상에 대응되는 복수의 후보 질병이 무엇인지 결정할 수 있다. 연산 처리부(510)는 복수 증상에 따른 추가 문진을 기반으로 복수의 후보 질병 각각에 대응되는 추가 문진을 사용자에게 더 제공할 수 있다.
후보증상 결정부(520)는 데이터 베이스에 저장되어 있는 사용자의 일상생활 체크정보, 문진 정보, 생체신호 측정 정보들을 이용하여 사용자의 후보증상을 결정한다. 후보증상 결정부(520)는, 도 3에서와 같이, 패딩 및 형태소 분리부(522), 질병 예측 속성 정보 검출부(524), 후보 증상 검출부(525)를 거쳐 후보질병을 결정한다.
패딩 및 형태소 분리부(522)는, 데이터베이스에서 수신한, 사용자의 일상생활 체크정보, 문진 정보, 생체신호 측정 정보들의 모든　데이터의　길이를　맞춰주기　위해서 패딩(Padding)　작업을　거치며,　일상생활 체크정보와 문진 정보 등에서, 주증상을　파악할　수　있도록　입력받은　문장　또는　음성（음성의　 경우　STT를　통해　텍스트화된 문장）을 토큰화（형태소　단위）하고　분석한다．　품사를　기준으로　형태소를　분리한다．
즉, 문장내 각 단어를 명사, 조사, 형용사 등등으로 품사를 기준으로 분리한다. 예로 , 도 4에서는 "나는 오늘 머리가 아프고 힘들어"라는 문장으로부터 ('나', 'Noun(명사)'). ('오늘', 'Noun'), ('머리', 'Noun'), ('가', 'Josa(조사)'), ('아프고', 'Adjective(형용사)'), ('힘들어', 'Adjective(형용사)')를 검출한다.
후보 후보 증상 검출부(523)는, 질병 예측 속성 정보 검출부(524), 후보증상 검출부(525), 추가 문진부(526), 후보질병 예측부(527)을 포함한다.
질병 예측 속성 정보 검출부(524)는 토큰화된 사용자의 문진 정보(즉, 사용자가　입력한　주증상의　정보)를, 사전 학습된 버트(Pre-trained Bert) 모델에 입력하고, 사전 학습된 버트 모델에서 출력된, 사용자의 증상　정보에 대한　질병을　예측할　수　있는　속성, 즉, 질병 예측 속성 정보를 검출한다. 즉, 사전 학습된 버트 모델 적용질병 예측 속성 정보 검출부(524)는 토큰화된 사용자의 문진 정보 들 중에서, 질병을　예측할　수　있는　속성을 가진 정보, 즉, 질병 예측 속성 정보를 추출한다.
즉, 질병 예측 속성 정보 검출부(524)는, 문진 정보를 통해, 사용자가　입력한　주증상의　정보의　질병을　예측할　수　있는　속성을　파악하기　위한　목적으로　토큰화를　이용한　증상을　예측하기　위해　BERT (Bidirectional Encoder Representation of Transformer)를　활용하였다．　BERT는　앞뒤　문맥을　활용하여　단어의　의미를　파악할　수　있는　기술로써　사용자가　입력한　주증상의　형태소와의　관계를　분석하여　정확하게　질병을　예측할　수　있는　속성을　파악할　수　있다．또한　사전 학습된 버트(Pre-Trained Bert) 모델을　통해　확보한　임베딩(Embedding) 공간을　이용하여　빠르게　주증상의　요소　분석을　통한　소증상을　출력한다．　임베딩(Embedding)을 통해　단어 간의 연관성을　컴퓨터가　학습가능한　형태로 변환한다．BERT와 임베이딩 기법에 대해서는 널리 공지된 기술로, 예로 국내 등록특허 제10-2204509호 등에 공지되어 있어, 그에 대한 상세한 설명은 생략한다.
도 5는 사전 학습된 버트 모델 적용부에서 사용자　주중상을　컴퓨터가　학습가능한　형태로 변환한 일예를 나타낸다.
도 5에서는 도 4에서 품사를 기준으로 분리한 단어를 사전 학습된 버트 모델 적용부에 적용하여 주중상을 컴퓨터가　학습가능한　형태로 추출한다.
질병(명)별로 일상생활 체크정보와의 관계성이 데이터베이스(600)에 저장되어 있다. 즉 도 6에서와 같이 각 질병별로, 응급여부, 검사필요여부, 지속성 여부, 발열 여부, 성관계 여부, 외상 여부, 통증 여부, 악화 여부, 임신/출산 여부 등에 대한 정보의 필요여부가 저장되어 있다.
또한, 질병(명)별 증상별로 생체신호 측정 정보들과의 관계성이 데이터베이스(600)에 저장되어 있다. 즉, 도 7에서와 같이, 질병에 따른 소증상, 대증상별로 검출되어야 하는 생체신호 측정 정보들이 데이터베이스(600)에 저장되어 있다.
후보증상 검출부(525)는 문진 정보(사용자　주증상　정보)，　일상생활 체크정보，　생체　측정정보를　 LSTM + CRF 모델을　이용해 딥러닝을 진행하되, 문진 정보(사용자　주증상　정보)에서는　학습을　통해　구분한　NER(Named Entity Recognition, 개체명 인식) 구성을　추출하고, 그　NER 구성중에서　PART(부위), SYM(증상)을　추출하고, 추출된 PART(부위), SYM(증상)과, 일상생활　측정정보와　생체　측정　정보를 비교하여 연관도(정확도, 상관도)를 검출하고, 검출된 연관도를　비교하여, 가장 높은　연관도를　추출하여,　후보증상(C.C)으로 한다.
즉, 후보증상 검출부(525)는 문진 정보(사용자　주증상　정보)，　일상생활 체크정보，　생체　측정정보를,　기학습된 LSTM + CRF 모델에 입력하고, LSTM + CRF 모델에서 출력을 후보증상으로 한다.
상기 LSTM + CRF 모델은 문진 정보(사용자　주증상　정보)，　일상생활 체크정보，　생체　측정정보에서 　NER(Named Entity Recognition, 개체명 인식) 구성을　추출하고, 그　NER 구성중에서　PART(부위), SYM(증상)을　추출하고, 추출된 PART(부위), SYM(증상)과, 일상생활　측정정보와　생체　측정　정보를 비교하여 연관도(정확도, 상관도)를 검출하고, 검출된 연관도를　비교하여, 가장 높은　연관도를　추출하여,　후보증상(C.C)으로 하도록 이루어져 있다.
LSTM + CRF 모델에 대해서 위키독스(WikiDocs) 등에 공지되어 있어 여기서 상세한 설명은 생략한다. (https://wikidocs.net/34156)
추가 문진부(526)는 후보증상 검출부(525)에서 검출된 후보　증상에　대한　CPX (임상수행 평가)　절차에　따라 대증상과　관련된　질문과 소증상과 관련된 질문으로 이루어진 추가적인 문진을 생성하여, 사용자 휴대단말기(100)으로 전송하고, 사용자가 이에 대해 답변한 추가적인 문진정보를 사용자 휴대단말기(100)로부터 수신한다.
다시말해, 본 발명은, 문진 정보(사용자　주증상　정보)，　일상생활 체크정보，　생체　측정정보를　 LSTM + CRF 모델을　이용해 딥러닝을 진행하였다．딥러닝층(Layer)은　3단으로　구성하여　학습을　진행하였으며, 3단 이상의　다층으로　학습을　진행했을　 경우　결과가　느리고　학습결과가　오히려　낮아지는　현상이　발견됐으며, 3단　구성에서　가장　높은　정확도를 보였다.　사용자　주증상　정보에서는　학습을　통해　구분한　NER 구성을　추출하여, 그　중　PART(부위), SYM(증상)을　추출하고, 일상생활　측정정보와　생체　측정　정보를　조합을　통해　연관도(정확도)를　비교하여, 가장 높은　연관도를　추출하여,　이를　통해　후보증상(C.C)을　예측하여　진행　한다.　이후，　증상　예측을　위해　후보　증상에　대한　CPX (임상수행 평가)　절차에　따라　대증상과　관련된　질문과　소증상에　관련한　답변을　문진의　형태로　연속적인　상관관계로　제안한다．
후보질병 예측부(527)는, 추가 문진부(526)로부터 수신된 추가 문진정보, 즉, 사용자 휴대단말기(100)로부터 수신된 추가적인 문진정보를, 패딩 및 형태소 분리부(522)에서와 같이, 토큰화를 진행하고, 토큰화된 단어를 질병 예측 속성 정보 검출부(524)에서와 같이 질병 예측 속성 정보를 검출하고, 검출된 질병 예측 속성 정보를 Bi-GRU모델에 적응하여 후보 질병을 검출한다.
여기서, 추가 문진부(526)와 후보질병 예측부(527)는 가중치 적용부(530)이라 할 수 있다.
여기서, 데이터 뭉치를 모델의 입력에 넣기 위해서는 토큰화를 진행해야한다. 토큰화 진행하는 이유는 한국어의 특성 때문에 토큰화로 입력해서 단어별 유사성을 판단한 결과물을 Bi-Gru입력으로 학습시킨 후, 소증상에 대한 예상 질병명을 예측하는 부분이 Bi-gru가 하는 부분이고, 후술되는 crf는 bi-gru가 학습한 결과물에서 제일 확률 값이 높게 나오는 예상 질명병을 뽑기 위해 사용한 레이어입니다
가중치 적용부(530)는 추가 문진들에 대한 사용자의 답변을 기초로 복수의 후보 질병에 대한 순위를 결정하고, 각 순위에 따라 복수의 후보 질병 각각에 제1가중치가 부여된다.
추가 문진들에 대한 사용자의 답변,즉 추가문진정보와, 각 질병의 증상과의 매칭을 행하고, 추가문진정보들과 매칭되는 증상이 많은 질병들의 순으로 순위를 결정한다. 이렇게 정해진 순위에 따라, 기 설정된 제1가중치가 부여된다. 경우에 따라서, 제1가중치는 매칭된 증상 수에 따라, 기 설정된 제1가중치가 부여될 수도 있다.
또한, 가중치 적용부(530)는 복수의 후보 질병 각각에 제2가중치를 부여한다. 제2가중치는 사용자가 미리 입력한 나이와 성별 정보에 기초한 발병률, 발병 순위를 고려하여 결정된 값, 사용자의 웨어러 측정장치(200) 및 생체신호 측정장치(300)을 통해 검출된 생체측정 정보, 사용자 휴대단말기(100)로부터 수신되 일상 생활 측정 정보와, 이들을 통계처리한 값을, 기 학습된 질병예측 기계학습모델(즉, 기계학습법을 이용한 질병 예측 모델)에 입력하고, 질병예측 기계학습모델로부터 사용자의 질병 발명 위험도(즉, 사용자의 질병에 대한 발병 위험정도)를 수치 데이터로 출력하며, 이 값을 제2 가중치로 한다.
질병확률 계산부(550)는 후보질병 예측부(527)에서 추출된 후보질병들을, 기 학습된 인공신경망(예로 CRF 모델)에 적용하여, 후보 질병 각각의 발병 확률을 계산하고, 그중 확률 값이 가장 높게 나오는 후보 질병명을 추출한다.
이때, 질병확률 계산부(550)는 제1 및 제2 가중치를 기초로 복수의 후보 질병 각각의 발병 확률을 계산할 수 있다. 각 후보 질병에 대한 질병 발생 확률(P)은 다음과 같이 산출될 수 있다.
Figure pat00002
여기서, N(n, total)은 n번째 후보 질병에 대한 전체 증상 정보의 수, N(n, user)는 n번째 후보 질병에 대해 사용자가 겪고 있는 증상 정보의 수, Kn은 n번째 후보 질병에 대해 미리 지정된 값으로, 바람직하게는 의료 정보 제공 서버에서 의료 빅데이터를 이용하여 생성된 값이다. Kn은 의료 정보 제공 서버에서 사용하는 의료 빅데이터가 업데이트됨에 따라 연동하여 변경될 수 있다.
여기서, CRF 모델에 적용될 경우, CRF layer는 conditional probability (조건부 확률)를 학습한다. 이때의 질병 발생 확률
Figure pat00003
는 조건부 확률로서 수학식 2와 같다.
Figure pat00004
　 단, h는 Bi-GRU의 출력이고, y는 Target sequence (소정 순번을 가진 후보질병)이다.
가중치 적용부(530)와 질병확률 계산부(550)는 10화에서 15회까지 이 과정을 반복하며, 이렇게 반복하는 과정에서 질병(상병)에　따른　대증상과　소증상을　매칭하고　이에　따라　가중치를　적용하여　질병　예측도(질병 발생 확률)를　산정한다．
본 발명에서는 사용자가　입력한　문진의　답변　정보를 자동적으로 인식할 수 있도록 연속적 레이블링 방법에 기반하여 접근한다. 심층학습 기술 중에서도 연속적 레이블링 방법에　대하여 우수한 성능을 보이고 있는 Bi-GRU －　CRF 모델을 기반으로　질병　예측 모델을 구현하였다．이때　최소　1０회에서　1５회까지　이　과정을　반복한다．
도 8은 본 발명의 가중치 적용을 통한 증상 예측 과정을 설명하는 설명도이다. 각 질병별로 가중치를 적용하여 가중치를　적용하여　질병　예측도(질병 발생 확률)를 산정한다.
질병 예측정보 생성부(560)은 질병확률 계산부(550)에서 계산된 발병 확률을 이용하여, 사용자의 질병 발생 예측 정보를 생성하고, 생성된 사용자의 질병 발생 예측 정보를 사용자 휴대단말기(100)로 전송한다.
본 발명에서, 도출된 증상(질병)에 대해 각각 F1 Score (정밀도와 재현율을 결합한 지표)를 계산하고 가장 유발가능성 있는 증상(질병)을 순서대로 결과치로 한다. 본 발명의 전체 질병 예측 정확도는 84%이다.
도 9는 본 발명의 생체 측정 장비와 연동 된 질병 발생 예측 시스템을 적용한 결과의 F1 Score 예이다.
도 10은 본 발명의 생체 측정 장비와 연동 된 질병 발생 예측 시스템의 개념을 설명하는 설명도이다.
본 발명에서, 질병 발생 위험 예측 이벤트가 발생할 경우, 메인서버(500)는 문진관련 정보를 생성하여, 메인서버(500)의 송수신부(미도시)로부터 네트워크를 통해 사용자 휴대단말기(100)로 전송되며, 문진부(150)는 수신된 문진을 사용자 휴대단말기(100)의 디스플레이부(미도시)에 출력하고, 사용자 휴대단말기(100)의 사용자 인터페이스를 통해 사용자가 입력한 정보를 문진정보로써 메인서버(500)로 전송하고, 메인서버(500)는 이를 DB(600)에 저장한다.
본 발명에서, 문진 정보를 생성하는 단계는 총 3단계이다. 첫번째 단계로, 사용자 주요 증상 입력 및 성별/나이 등에 기반한 기초 문진을 실시하는 것이다. 두번째 단계로, 첫번째 단계의 주요 증상 및 기초 문진에 기반한 사용자의 예상 증상에 따른 문진을 실시하는 것이다. 세번째 단계로, 복수 증상에 따른 추가 문진 실시를 통해 데이터 문진 정보를 획득한다.
문진부(150)에서는 사용자 휴대단말기(100)에서 사용자가 답변한 음성 정보를 수신하고 음성 인식 프로세스를 수행할 수 있다. 예를들어, 본 발명은 보조 서버(미도시)를 더 구비하고, 음성을 텍스트로 변환하는 STT(Speech to Text)나 TTS(Text to Speech) 동작을 수행할 수 있는 음성인식 엔진을 포함할 수 있다.
문진부(150)는 사용자 인터페이스에 문진을 표시하고, 표시된 사용자 인터페이스를 통하여 사용자 입력을 수신한다. 사용자 입력은 음성 입력 및 그래픽 사용자 인터페이스를 통한 선택 입력 중 하나 이상을 포함할 수 있다.
DB(600)는 질병 발병 위험 예측 정보를 제공하는데 필요한 일상 생활 측정 정보, 생체 측정 정보, 문진 정보들을 저장할 수 있으며, 이때 데이터는 시계열 데이터로 축적되며, 일상 생활 측정 정보, 생체 측정 정보가 측정되지 않은 경우, 문진 정보로 대체 가능한 사항에 대해서는 문진 정보로 측정할 수 있도록 문진부(150)로 문진 항목을 피드백을 줄 수 있는 문진 문항 데이터베이스를 포함한다.
즉, 연산처리부(510)는 다음과 같은 수순으로 후보 질병을 결정(예측)한다.
후보증상 결정단계로, 연산처리부(510)의 후보증상 결정부(520)는 데이터 베이스에 저장되어 있는 사용자의 일상생활 체크정보, 문진 정보, 생체신호 측정 정보들을 이용하여 사용자의 후보증상을 결정한다. 후보증상 결정단계는, 패딩 및 형태소 분리단계, 질병 예측 속성 정보 검출단계, 후보 증상 검출단계를 거쳐 후보질병을 결정한다.
패딩 및 형태소 분리단계는, 데이터베이스에서 수신한, 사용자의 일상생활 체크정보, 문진 정보, 생체신호 측정 정보들의 모든　데이터의　길이를　맞춰주기　위해서 패딩(Padding)　작업을　거치며,　일상생활 체크정보와 문진 정보 등에서, 주증상을　파악할　수　있도록　입력받은　문장　또는　음성（음성의　 경우　STT를　통해　텍스트화된 문장）을 토큰화（형태소　단위）하고　분석한다．　품사를　기준으로　형태소를　분리한다．
후보 후보 증상 검출단계는, 질병 예측 속성 정보 검출단계, 후보증상 검출단계, 추가 문진 실행단계, 후보질병 예측단계를 포함한다.
질병 예측 속성 정보 검출단계는 패딩 및 형태소 분리단계에서 토큰화된 사용자의 문진 정보(즉, 사용자가　입력한　주증상의　정보)를, 사전 학습된 버트(Pre-trained Bert) 모델에 입력하고, 사전 학습된 버트 모델에서 출력된, 사용자의 증상　정보에 대한　질병을　예측할　수　있는　속성, 즉, 질병 예측 속성 정보를 검출한다.
후보증상 검출단계는 문진 정보(사용자　주증상　정보)，　일상생활 체크정보，　생체　측정정보를　 LSTM + CRF 모델을　이용해 딥러닝을 진행하되, 문진 정보(사용자　주증상　정보)에서는　학습을　통해　구분한　NER(Named Entity Recognition, 개체명 인식) 구성을　추출하고, 추출된　NER 구성중에서　PART(부위), SYM(증상)을　추출하고, 추출된 PART(부위), SYM(증상)과, 일상생활　측정정보와　생체　측정　정보를 비교하여 연관도(정확도, 상관도)를 검출하고, 검출된 연관도를　비교하여, 가장 높은　연관도를　추출하여,　후보증상(C.C)으로 한다.
추가 문진 실행단계는 후보증상 검출단계에서 검출된 후보　증상에　대한　CPX (임상수행 평가)　절차에　따라 대증상과　관련된　질문과 소증상과 관련된 질문으로 이루어진 추가적인 문진을 생성하여, 사용자 휴대단말기(100)으로 전송하고, 사용자가 이에 대해 답변한 추가적인 문진정보를 사용자 휴대단말기(100)로부터 수신한다.
후보질병 예측단계는, 추가 문진실행단계로부터 수신된 추가 문진정보, 즉, 사용자 휴대단말기(100)로부터 수신된 추가적인 문진정보를, 패딩 및 형태소 분리단계에서와 같이, 토큰화를 진행하고, 토큰화된 단어를 질병 예측 속성 정보 검출단계에서와 같이 질병 예측 속성 정보를 검출하고, 검출된 질병 예측 속성 정보를 Bi-GRU모델에 적응하여 후보 질병을 검출한다.
여기서, 추가 문진실행단계와 후보질병 예측단계는 가중치 적용단계이라 할 수 있다.
여기서, 데이터 뭉치를 모델의 입력에 넣기 위해서는 토큰화를 진행해야한다. 토큰화 진행하는 이유는 한국어의 특성 때문에 토큰화로 입력해서 단어별 유사성을 판단한 결과물을 Bi-Gru입력으로 학습시킨 후, 소증상에 대한 예상 질병명을 예측하는 부분이 Bi-gru가 하는 부분이고, 후술되는 crf는 bi-gru가 학습한 결과물에서 제일 확률 값이 높게 나오는 예상 질명병을 뽑기 위해 사용한 레이어입니다
가중치 적용단계는 추가 문진들에 대한 사용자의 답변을 기초로 복수의 후보 질병에 대한 순위를 결정하고, 각 순위에 따라 복수의 후보 질병 각각에 제1가중치가 부여된다.
추가 문진들에 대한 사용자의 답변,즉 추가문진정보와, 각 질병의 증상과의 매칭을 행하고, 추가문진정보들과 매칭되는 증상이 많은 질병들의 순으로 순위를 결정한다. 이렇게 정해진 순위에 따라, 기 설정된 제1가중치가 부여된다. 경우에 따라서, 제1가중치는 매칭된 증상 수에 따라, 기 설정된 제1가중치가 부여될 수도 있다.
또한, 가중치 적용단계는 복수의 후보 질병 각각에 제2가중치를 부여한다. 제2가중치는 사용자가 미리 입력한 나이와 성별 정보에 기초한 발병률, 발병 순위를 고려하여 결정된 값, 사용자의 웨어러 측정장치(200) 및 생체신호 측정장치(300)을 통해 검출된 생체측정 정보, 사용자 휴대단말기(100)로부터 수신되 일상 생활 측정 정보와, 이들을 통계처리한 값을, 기 학습된 질병예측 기계학습모델(즉, 기계학습법을 이용한 질병 예측 모델)에 입력하고, 질병예측 기계학습모델로부터 사용자의 질병 발명 위험도(즉, 사용자의 질병에 대한 발병 위험정도)를 수치 데이터로 출력하며, 이 값을 제2 가중치로 한다.
질병확률 계산단계는 후보질병 예측단계에서 추출된 후보질병들을, 기 학습된 인공신경망(예로 CRF 모델)에 적용하여, 후보 질병 각각의 발병 확률을 계산하고, 그중 확률 값이 가장 높게 나오는 후보 질병명을 추출한다.
이때, 질병확률 계산단계는 제1 및 제2 가중치를 기초로 복수의 후보 질병 각각의 발병 확률을 계산할 수 있다. 각 후보 질병에 대한 질병 발생 확률(P)은 수학식1과 같이 산출될 수 있다.
여기서, CRF 모델에 적용될 경우, CRF layer는 conditional probability (조건부 확률)를 학습한다. 이때의 질병 발생 확률
Figure pat00005
는 조건부 확률로서 수학식 2와 같다.
　 가중치 적용단계와 질병확률 계산단계는 10회에서 15회까지 이 과정을 반복하며, 이렇게 반복하는 과정에서 질병(상병)에　따른　대증상과　소증상을　매칭하고　이에　따라　가중치를　적용하여　질병　예측도(질병 발생 확률)를　산정한다．
질병 예측정보 생성단계는 질병확률 계산단계에서 계산된 발병 확률을 이용하여, 사용자의 질병 발생 예측 정보를 생성하고, 생성된 사용자의 질병 발생 예측 정보를 사용자 휴대단말기(100)로 전송한다.
본 발명에서 Bi gru - crf 는 학습시킨 여러 소증상으로부터 예상 상병(질병) 및 다음 질문 할 대증상을 예측하기 위한 것이다. 이는 심평원 상위 발병 상병 약 800여건을 기준으로 나이, 연령, 증상 약 3000여건의 데이터를 학습하여 진행하였다.
본 명세서는 본 발명의 기술 분야에서 통상의 지식을 가진 자이면 충분히 인식하고 유추할 수 있는 내용은 그 상세한 기재를 생략하였으며, 본 명세서에 기재된 구체적인 예시들 이외에 본 발명의 기술적 사상이나 필수적 구성을 변경하지 않는 범위 내에서 보다 다양한 변형이 가능하다. 따라서 본 발명은 본 명세서에서 구체적으로 설명하고 예시한 것과 다른 방식으로도 실시될 수 있으며, 이는 본 발명의 기술 분야에 통상의 지식을 가진 자이면 이해할 수 있는 사항이다.
100 : 사용자 휴대단말기 110 : 일상생활 측정부
120 : 식사 체크부 130 : 약물 체크부
150 : 문진부 160 : 기초 문진부
170 : 증상 문진부 180 : 추가 문진부
200 : 웨어러블 측정장치 210 : 활동량 측정부
220 : 맥박 측정부 230 : 수면 측정부
300 : 생체신호 측정장치 310 : 혈압 측정장치
320 : 혈당 측정장치 330 : 체온 측정장치
500 : 메인서버 510 : 연신처리부
520 : 후보질병 결정부 530 : 가중치 적용부
550 : 질병확률 계산부 560 : 질병 예측정보 생선부
600 : 데이터베이스

Claims (7)

  1. 사용자 휴대 단말기 상에서, 기설정된 시간에 기설정된 약물의 복용여부를 체크하는 질문에 대한 사용자 답변인, 약물 복용정보를 포함하는 일상생활 체크 정보를, 사용자 휴대 단말기로부터 메인서버로 전송하는, 일상생활 측정부;
    사용자 휴대 단말기에 입력된, 사용자의 나이, 성별을 포함하는 기초문진 정보와, 기 설정된 증상 문진에 따른 답변인 증상문진 정보를 포함하는 문진정보를, 사용자 휴대 단말기로부터 메인서버로 전송하는, 문진부;
    사용자에게 장착되거나 사용자의 의복에 장착되어 맥박신호를 포함하는 생체측정신호를 주기적으로 메인서버로 전송하는, 웨어러블 측정장치;
    혈압 측정장치를 포함하며, 혈압 신호를 포함하는 생체측정신호를, 사용자가 측정시마다, 자동적으로 메인서버로 전송하는, 생체신호 측정장치;
    수신된 맥박신호 및 혈압 신호를 포함하는 생체측정신호와, 일상생활 체크 정보와, 문진정보를, 기 학습된 인공지능망인, 질병예측 기계학습모델에 적용하여, 사용자의 질병 발생 위험정도를 예측하는 연산처리부를 포함하는, 메인서버;
    를 포함하는 것을 특징으로 하는 질병 발생 예측 시스템.
  2. 제1항에 있어서, 연산처리부는,
    증상문진 정보 및 기초문진 정보를 이용하여 제1 후보 증상을 결정하고, 제1 후보 증상별 추가 문진을 데이터베이스로부터 읽어들이고, 읽어들여진 추가 문진을 사용자 휴대단말기로 전송하고, 휴대단말기로 수신된 추가문진에 대한 답변인, 추가 문진 정보를 기반으로 제1 후보 증상에 대응되는 복수의 후보 질병을 결정하는, 후보질병 결정부;
    후보질병 결정부에서 추가 문진정보를 이용하여 복수의 후보 질병에 대한 순위를 결정하고, 각 순위에 따른 가중치인, 제1가중치를, 복수의 후보 질병 각각에 부여하고, 나이와 성별 정보에 기초한 발병률, 기저장되어 있는, 발병 순위에 따른 결정값, 생체측정 정보, 일상 생활 체크 정보의 값들과, 이들 값을 통계 처리한 값을, 기 학습된 질병예측 기계학습모델에 입력하여, 질병예측 기계학습모델로부터 출력된, 사용자의 질병 발명 위험도의 수치 데이터를 제2 가중치로써, 복수의 후보 질병 각각에 부여하는, 가중치 적용부;
    를 포함하는 것을 특징으로 하는 질병 발생 예측 시스템.
  3. 제2항에 있어서,
    가중치 적용부에서 구한 제1 가중치 및 제2 가중치를 기초로 복수의 후보 질병 각각의 발병 확률을 계산하는, 질병확률 계산부;
    를 더 포함하는 것을 특징으로 하는 질병 발생 예측 시스템.
  4. 제1항에 있어서,
    일상생활 측정부는
    사용자 휴대단말기 상에 출력된, 식사시간을 포함하는 식사에 관한 질문에 대한 사용자의 답변을 식사 정보로서 메인서버에 전송하는, 식사 체크부;
    사용자 휴대단말기 상에 출력된, 소정약의 복용여부를 포함하는 약물 복용에 관한 질문에 대한 사용자의 답변을 약물복용 정보로서 메인서버에 전송하는, 약물 체크부;
    를 포함하는 것을 특징으로 하는 질병 발생 예측 시스템.
  5. 제1항에 있어서,
    웨어러블 측정장치는
    신체의 움직임에 따른 활동량 신호를 측정하는 활동량 측정부;
    사용자의 맥박신호를 측정하는 맥박 측정부;
    사용자의 수면 신호를 측정하는 수면 측정부;
    를 포함하는 것을 특징으로 하는 질병 발생 예측 시스템.
  6. 제1항에 있어서,
    생체신호 측정장치는 혈압 측정장치, 혈당 측정장치, 체온 측정장치를 포함하는 것을 특징으로 하는 질병 발생 예측 시스템.
  7. 제3항에 있어서,
    질병확률 계산부는, 각 후보 질병에 대한 질병 발생 확률(P)을
    Figure pat00006

    (단, N(n, total)은 n번째 후보 질병에 대한 전체 증상 정보의 수, N(n, user)는 n번째 후보 질병에 대해 사용자가 겪고 있는 증상 정보의 수, Kn은 n번째 후보 질병에 대해 미리 지정된 값임)
    에 의해 구하여 지는 것을 특징으로 하는 질병 발생 예측 시스템.
KR1020210173325A 2020-12-04 2021-12-06 생체 측정 장비와 연동 된 질병 발생 예측 시스템 KR20220079789A (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20200168993 2020-12-04
KR1020200168993 2020-12-04

Publications (1)

Publication Number Publication Date
KR20220079789A true KR20220079789A (ko) 2022-06-14

Family

ID=81980363

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210173325A KR20220079789A (ko) 2020-12-04 2021-12-06 생체 측정 장비와 연동 된 질병 발생 예측 시스템

Country Status (1)

Country Link
KR (1) KR20220079789A (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102560437B1 (ko) * 2022-10-26 2023-07-28 주식회사 스타캣 인공지능 기반의 디지털 헬스케어 장치 및 그를 위한 컴퓨터-구현 방법
WO2024111722A1 (ko) * 2022-11-25 2024-05-30 메타테라퓨틱스 주식회사 웨어러블 기기를 이용한 고혈압 관리 서비스 제공 시스템
WO2024128355A1 (ko) * 2022-12-15 2024-06-20 주식회사 에이직스 웨어러블 장치와 모바일 디바이스 간의 실시간 블루투스를 기반으로 하는 대용량 생체 데이터 수집 및 딥러닝 기반 시계열 이상 데이터 탐지 시스템 및 방법

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102560437B1 (ko) * 2022-10-26 2023-07-28 주식회사 스타캣 인공지능 기반의 디지털 헬스케어 장치 및 그를 위한 컴퓨터-구현 방법
WO2024090716A1 (ko) * 2022-10-26 2024-05-02 주식회사 스타캣 인공지능 기반의 디지털 헬스케어 장치 및 그를 위한 컴퓨터-구현 방법
WO2024111722A1 (ko) * 2022-11-25 2024-05-30 메타테라퓨틱스 주식회사 웨어러블 기기를 이용한 고혈압 관리 서비스 제공 시스템
WO2024128355A1 (ko) * 2022-12-15 2024-06-20 주식회사 에이직스 웨어러블 장치와 모바일 디바이스 간의 실시간 블루투스를 기반으로 하는 대용량 생체 데이터 수집 및 딥러닝 기반 시계열 이상 데이터 탐지 시스템 및 방법

Similar Documents

Publication Publication Date Title
US11776669B2 (en) System and method for synthetic interaction with user and devices
US11120895B2 (en) Systems and methods for mental health assessment
US11942194B2 (en) Systems and methods for mental health assessment
Rodriguez-León et al. Mobile and wearable technology for the monitoring of diabetes-related parameters: Systematic review
KR20220079789A (ko) 생체 측정 장비와 연동 된 질병 발생 예측 시스템
KR20170061222A (ko) 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치
EP3326054A1 (en) Systems and methods for analyzing healthcare data
Oyebode et al. Machine learning techniques in adaptive and personalized systems for health and wellness
WO2015122026A1 (ja) 疾患検出システムおよび疾患検出方法
CN111933291A (zh) 医疗信息推荐装置、方法、***、设备及可读存储介质
US20210345925A1 (en) A data processing system for detecting health risks and causing treatment responsive to the detection
US20210134461A1 (en) Methods and systems for prioritizing comprehensive prognoses and generating an associated treatment instruction set
WO2022010384A1 (ru) Система для поддержки принятия врачебных решений
Sani et al. Review on hypertension diagnosis using expert system and wearable devices
US20230018077A1 (en) Medical information processing system, medical information processing method, and storage medium
CN115497621A (zh) 一种老年人认知状况测评***
KR20230114847A (ko) 인공지능 챗봇을 이용한 우울증 진단 시스템 및 그 방법
Busssadee et al. Inside Me: A proposal for healthcare mobile application
Amira et al. Stress level classification using heart rate variability
Manivannan et al. Health monitoring system for diabetic patients
Priya et al. Evidence based treatment suggestion model for predicted ailment
US20240112777A1 (en) Health support apparatus, health support system, and health support method
KR20230103601A (ko) 인공지능에 기반한 개인 맞춤형 건강관리 컨텐츠 제공 방법 및 시스템
Bansal et al. Heart Guardian: A Model for Predicting Cardiovascular Diseases
Bernabé et al. Effectiveness validation of Physical Exercise Routines for Hypertensive Patients using Wearable Devices and Machine Learning

Legal Events

Date Code Title Description
A201 Request for examination