KR20220150618A - 앙상블 예측 모델을 포함하는 건강 상태 예측 시스템 및 그 동작 방법 - Google Patents

Abstract

본 개시의 실시 예에 따른 앙상블 예측 모델을 포함하는 건강 상태 예측 시스템의 동작 방법에 있어서, 건강 시계열 데이터에 대한 예측 결과 요청을 제1 및 제2 외부 진료 지원 시스템들로 전송하는 단계, 제1 외부 진료 지원 시스템으로부터 건강 시계열 데이터에 대한 제1 외부 예측 결과를 수신하는 단계, 제2 외부 진료 지원 시스템으로부터 건강 시계열 데이터에 대한 제2 외부 예측 결과를 수신하는 단계, 건강 시계열 데이터, 제1 및 제2 외부 예측 결과들 각각에 대한 장기 시계열 데이터 및 단기 시계열 데이터를 생성하는 단계, 장기 시계열 데이터를 기반으로 제1 및 제2 장기 트렌드들을 추출하는 단계, 단기 시계열 데이터를 기반으로 제1 및 제2 단기 트렌드들을 추출하는 단계, 제1 및 제2 장기 트렌드들, 제1 및 제2 단기 트렌드들 기반으로 외부 예측 적합도를 산출하는 단계, 및 외부 예측 적합도, 제1 및 제2 외부 예측 결과들을 기반으로 앙상블 예측 결과를 생성하는 단계를 포함한다.

Description

앙상블 예측 모델을 포함하는 건강 상태 예측 시스템 및 그 동작 방법{HEALTH STATE PREDICTION SYSTEM INCLUDING ENSEMBLE PREDICTION MODEL AND OPERATION METHOD THEREOF}

본 개시는 데이터의 처리에 관한 것으로, 좀 더 구체적으로 앙상블 예측 모델을 포함하는 건강 상태 예측 시스템 및 그 동작 방법에 관한 것이다.

건강한 삶을 영위하기 위하여, 현재의 질병을 치료하는 것에서 나아가 미래의 건강 상태를 예측하기 위한 요구가 제기되고 있다. 미래의 건강 상태를 예측하기 위하여, 빅데이터를 분석하여 질병을 진단하거나 미래의 질병 위험도를 예측하고자 하는 수요가 증가하고 있다. 산업 기술과 정보 통신 기술의 발달은 빅데이터의 구축을 지원하고 있다. 그리고, 이러한 빅데이터를 이용하여, 컴퓨터와 같은 전자 장치를 학습시켜, 다양한 서비스를 제공하는 인공 지능과 같은 기술이 대두되고 있다. 특히, 미래의 건강 상태를 예측하기 위하여, 다양한 의료 데이터 또는 건강 데이터 등을 이용한 예측 모델을 구축하는 방안이 제안되고 있다.

정확한 예측을 위해서는 데이터의 규모가 클수록 유리하지만, 윤리적 문제, 법적 문제, 개인 프라이버시 문제 등 다양한 원인으로, 다양한 의료 기관들 사이 데이터 공유가 어려울 수 있다. 이로 인하여, 하나로 통합된 의료 데이터의 빅데이터 구축은 사실상 어려운 실정이다. 이러한 의료 데이터 특유의 문제점에 대한 방안으로, 다양한 의료 기관들에서 개별적으로 구축된 데이터로 개별 예측 모델을 학습하고, 이들의 예측 결과를 환자의 미래 건강 상태의 예측에 활용하는 방안이 모색되고 있다.

본 개시는 의료인의 임상 의사결정을 지원하도록, 신뢰성 높은 미래의 건강 상태 예측을 수행하는 앙상블 예측 모델을 포함하는 건강 상태 예측 시스템 및 그 동작 방법을 제공할 수 있다.

본 개시의 실시 예에 따른 앙상블 예측 모델을 포함하는 건강 상태 예측 시스템의 동작 방법에 있어서, 건강 시계열 데이터에 대한 예측 결과 요청을 제1 및 제2 외부 진료 지원 시스템들로 전송하는 단계, 제1 외부 진료 지원 시스템으로부터 건강 시계열 데이터에 대한 제1 외부 예측 결과를 수신하는 단계, 제2 외부 진료 지원 시스템으로부터 건강 시계열 데이터에 대한 제2 외부 예측 결과를 수신하는 단계, 건강 시계열 데이터, 제1 및 제2 외부 예측 결과들 각각에 대한 장기 시계열 데이터 및 단기 시계열 데이터를 생성하는 단계, 장기 시계열 데이터를 기반으로 제1 및 제2 장기 트렌드들을 추출하는 단계, 단기 시계열 데이터를 기반으로 제1 및 제2 단기 트렌드들을 추출하는 단계, 제1 및 제2 장기 트렌드들, 제1 및 제2 단기 트렌드들 기반으로 외부 예측 적합도를 산출하는 단계, 및 외부 예측 적합도, 제1 및 제2 외부 예측 결과들을 기반으로 앙상블 예측 결과를 생성하는 단계를 포함한다.

일 실시 예에서, 산출된 외부 예측 적합도 및 실제 외부 적합도를 기반으로 오차를 산출하는 단계, 및 오차를 기반으로 앙상블 예측 모델의 파라미터를 조절하는 단계를 더 포함한다.

일 실시 예에서, 실제 외부 적합도는 예측 시점의 실측 값, 예측 시점에 대응하는 제1 외부 예측 결과, 예측 시점에 대응하는 제2 외부 예측 결과를 기반으로 생성된다.

일 실시 예에서, 장기 시계열 데이터에 포함된 특징들의 개수는 건강 시계열 데이터에 포함된 특징들의 개수와 동일하고, 단기 시계열 데이터에 포함된 특징들의 개수는 건강 시계열 데이터에 포함된 특징들의 개수보다 적다.

일 실시 예에서, 제1 및 제2 단기 트렌드들, 제1 및 제2 장기 트렌드들은 추세적 트렌드 특징, 변동성 트렌드 특징, 또는 추세 운동량 트렌드 특징 중 적어도 어느 하나에 해당한다.

일 실시 예에서, 추세적 트렌드 특징은 추세적 특징 및 추세 전환 특징을 포함하고, 추세 운동량 트렌드 특징은 기울기 특징과 변화량 특징을 포함한다.

일 실시 예에서, 추세적 트렌드 특징은 장기 시계열 데이터 또는 단기 시계열 데이터의 점진적인 값의 변화 추세를 가리키고, 변동성 트렌드 특징은 장기 시계열 데이터 또는 단기 시계열 데이터 내에서 값의 변동성의 크기, 패턴, 및 주기 등을 가리키고, 추세 운동량 트렌드 특징은 장기 시계열 데이터 또는 단기 시계열 데이터의 상승 및 하강을 포함하는 변화 방향, 및 변화 방향에 대한 강도를 가리킨다.

일 실시 예에서, 장기 시계열 데이터를 기반으로 제1 및 제2 장기 트렌드들을 추출하는 단계는 장기 시계열 데이터에서 윈도우 시간 간격 동안의 특징들을 추출하여 장기 특징 윈도우를 생성하는 단계, 장기 특징 윈도우를 기반으로 제1 장기 트렌드를 생성하는 단계, 및 장기 특징 윈도우를 기반으로 제2 장기 트렌드를 생성하는 단계를 포함한다.

일 실시 예에서, 제1 및 제2 장기 트렌드들, 제1 및 제2 단기 트렌드들 기반으로 외부 예측 적합도를 산출하는 단계는, 제1 및 제2 장기 트렌드들을 기반으로 장기 적합도 특징 벡터를 생성하는 단계, 제1 및 제2 단기 트렌드들을 기반으로 단기 적합도 특징 벡터를 생성하는 단계, 및 장기 적합도 특징 벡터 및 단기 적합도 특징 벡터를 기반으로 외부 예측 적합도를 산출하는 단계를 포함한다.

일 실시 예에서, 제1 및 제2 장기 트렌드들을 기반으로 장기 적합도 특징 벡터를 생성하는 단계는, 제1 시점에 대응하는 건강 시계열 데이터, 제1 시점에 대응하는 제1 및 제2 외부 예측 결과들, 제1 시점에 대응하는 제1 및 제2 장기 트렌드들을 기반으로 제1 장기 적합도 특징 벡터를 생성하는 단계, 및 제1 장기 적합도 특징 벡터, 제1 시점 이후의 제2 시점에 대응하는 건강 시계열 데이터, 제2 시점에 대응하는 제1 및 제2 외부 예측 결과들, 제2 시점에 대응하는 제1 및 제2 장기 트렌드들을 기반으로 제2 장기 적합도 특징 벡터를 생성하는 단계를 포함한다.

본 개시의 실시 예에 따른, 건강 상태 예측 시스템은 제1 임상 의사결정 지원 시스템 및 제1 예측 시스템을 포함하는 제1 진료 지원 시스템, 제2 임상 의사 결정 지원 시스템 및 제2 예측 시스템을 포함하는 제2 진료 지원 시스템, 및 제3 임상 의사 결정 지원 시스템 및 제3 예측 시스템을 포함하는 제3 진료 지원 시스템을 포함하고, 제1 예측 시스템은, 제1 임상 의사결정 지원 시스템과 연결되고, 제1 임상 의사 결정 지원 시스템으로부터 앙상블 예측 요청, 및 건강 시계열 데이터를 수신하고, 앙상블 예측 결과를 제1 임상 의사 결정 지원 시스템으로 전송하도록 구성된 예측기 관리 장치, 예측기 관리 장치로부터 예측 수행 요청을 수신하고, 예측 수행 요청에 응답하여 예측기 연동 장치에게 외부 예측 결과 요청을 전송하고, 예측기 연동 장치로부터 병합 데이터를 수신하고, 병합 데이터를 앙상블 예측 모델에 입력하고, 앙상블 예측 모델로부터 앙상블 예측 결과를 수신하도록 구성된 앙상블 예측 장치, 외부 예측 결과 요청에 응답하여 제2 및 제3 진료 지원 시스템들로 예측 결과 요청, 및 건강 시계열 데이터를 전송하고, 제2 진료 지원 시스템으로부터 제1 외부 예측 결과를 수신하고, 제3 진료 지원 시스템으로부터 제2 외부 예측 결과를 수신하고, 건강 시계열 데이터, 제1 및 제2 외부 예측 결과를 병합하여 병합 데이터를 생성하도록 구성된 예측기 연동 장치, 및 앙상블 예측 장치로부터 병합 데이터를 수신하고, 앙상블 예측 결과를 생성하도록 구성된 앙상블 예측 모델을 포함한다.

일 실시 예에서, 예측기 연동 장치로부터 예측 수행 요청, 및 건강 시계열 데이터를 수신하고, 건강 시계열 데이터를 시계열 예측 모델에 입력하고, 시계열 예측 모델로부터 시계열 예측 결과를 수신하도록 구성된 시계열 예측 장치를 더 포함한다.

일 실시 예에서, 예측기 연동 장치는 건강 시계열 데이터, 제1 및 제2 외부 예측 결과, 및 시계열 예측 결과를 병합하여 병합 데이터를 생성하도록 구성된다.

본 개시의 실시 예에 따르면, 환자의 건강 시계열 데이터 및 외부 진료 지원 시스템의 예측 결과로부터 복합적인 트렌드 특징들을 추출하고, 환자의 건강 시계열 데이터 및 예측 결과 간 유사도 분석에 활용함으로써 보다 정확한 앙상블 예측 결과를 제공할 수 있다.

도 1 은 본 개시의 실시 예에 따른 건강 상태 예측 시스템을 보여주는 블록도이다.
도 2는 도 1의 예측 시스템의 예를 도시한 블록도이다.
도 3은 도 1의 예측 시스템의 동작의 예를 보여주는 순서도이다.
도 4는 도 1의 예측 시스템의 동작의 예를 보여주는 순서도이다.
도 5는 도 1의 예측 시스템의 동작의 예를 보여주는 순서도이다.
도 6은 도 1의 예측 시스템의 동작의 예를 보여주는 순서도이다.
도 7은 도 1의 예측 시스템에서 사용되는 데이터를 설명하기 위한 도면이다.
도 8은 도 2의 앙상블 예측 모델의 예를 보여주는 블록도이다.
도 9는 도 8의 장/단기 시계열 생성부의 동작을 설명하기 위한 도면이다.
도 10은 도 8의 트렌드 추출부의 예를 보여주는 블록도이다.
도 11은 도 8의 트렌드 추출부의 동작을 설명하기 위한 도면이다.
도 12는 트렌드 추출부의 효과를 설명하기 위한 그래프이다.
도 13은 도 8의 적합도 평가부의 예를 보여주는 블록도이다.
도 14는 도 8의 오차 학습부의 동작을 보여주는 도면이다.
도 15는 도 1의 예측 시스템의 예를 보여주는 블록도이다.

이하에서, 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 용이하게 실시할 수 있을 정도로, 본 개시의 실시 예들이 명확하고 상세하게 기재될 것이다.

도 1 은 본 개시의 실시 예에 따른 건강 상태 예측 시스템을 보여주는 블록도이다. 도 1을 참조하면, 건강 상태 예측 시스템(10)은 제1 내지 제4 진료 지원 시스템들(11~14), 및 네트워크(NT)를 포함할 수 있다. 제1 내지 제4 진료 지원 시스템들(11~14) 각각은 임상 의사결정 지원 시스템(CS) 및 예측 시스템(PS)을 포함할 수 있다.

예를 들어, 제1 내지 제4 진료 지원 시스템들(11~14) 각각은 서로 다른 의료 기관 또는 공공 기관에 제공될 수 있다. 서로 다른 의료 기관 또는 공공 기관은 개별적으로 예측 모델을 학습하고, 이런 학습에 따라 구축된 예측 모델에 사용자의 의료 데이터를 적용하여, 사용자의 미래 시점에 대한 건강 상태를 예측할 수 있다.

예를 들어, 제1 진료 지원 시스템(11)은 제1 예측 시스템(PS) 및 제1 임상 의사결정 지원 시스템(CS)을 포함하고, 제2 진료 지원 시스템(12)은 제2 예측 시스템(PS) 및 제2 임상 의사결정 지원 시스템(CS)을 포함하고, 제3 진료 지원 시스템(13)은 제3 예측 시스템(PS) 및 제3 임상 의사결정 지원 시스템(CS)을 포함하고, 제4 진료 지원 시스템(14)은 제4 예측 시스템(PS) 및 제4 임상 의사결정 지원 시스템(CS)을 포함할 수 있다.

제1 내지 제4 진료 지원 시스템들(11~14) 각각은 의료 기관내 의사의 진료를 지원하기 위한 시스템일 수 있다. 제1 내지 제4 예측 시스템들(PS) 각각은 대응하는 임상 의사결정 지원 시스템(CS)으로부터 의료 데이터(예를 들어, 건강 데이터 또는 건강 시계열 데이터)를 제공받을 수 있다. 예를 들어, 제1 예측 시스템(PS)은 제1 임상 의사결정 지원 시스템(CS)로부터 환자의 건강 이력을 포함하는 의료 데이터를 수신할 수 있다.

일 실시 예에서, 제1 내지 제4 예측 시스템들(PS) 각각은 제공받은 의료 데이터를 기반으로 미래 건강 정보를 예측하고, 미래 건강 정보를 대응하는 임상 의사결정 지원 시스템들(CS)에게 제공할 수 있다. 예를 들어, 제1 예측 시스템(PS)은 의료 데이터를 이용하여, 미래 시점에서 환자의 건강 상태를 예측할 수 있다. 제1 예측 시스템(PS)은 예측된 미래 건강 정보 또는 미래 건강 상태를 제1 임상 의사결정 지원 시스템(CS)으로 전송할 수 있다.

일 실시 예에서, 제1 내지 제4 예측 시스템들(PS) 각각은 네트워크(NT)를 통해 나머지 예측 시스템들과 연동될 수 있다. 예를 들어, 제1 예측 시스템(PS)은 네트워크(NT)를 통해 제2 내지 제4 예측 시스템들(PS) 각각과 통신할 수 있다. 즉, 제1 예측 시스템(PS)은 네트워크(NT)를 통해 제2 내지 제4 예측 시스템들(PS) 각각과 데이터를 주고받을 수 있다.

예를 들어, 제1 진료 지원 시스템(11)은 나머지 진료 지원 시스템들(12~14)에게 예측 결과 요청을 전송할 수 있다. 제1 진료 지원 시스템(11)은 나머지 진료 지원 시스템들(12~14)로부터 복수의 외부 예측 결과들을 수신할 수 있다. 복수의 외부 예측 결과들은 서로 다른 예측 모델에 기초하여 생성되므로, 서로 다른 데이터 값을 가질 수 있다. 제1 내지 제4 진료 지원 시스템들(11~14) 각각은 서로 다른 시계열 의료 데이터, 즉, 서로 다른 학습 데이터를 기반으로 예측 모델을 학습 및 구축하기 때문이다. 윤리적 문제, 법적 문제, 개인 프라이버시 문제 등, 의료 데이터의 민감한 특성으로 인하여, 의료 기관 별로 데이터를 공유하기 어렵고, 빅데이터화가 어렵다. 따라서, 제1 내지 제4 진료 지원 시스템들(11~14)은 개별적으로 예측 모델을 구축하되, 예측 결과들을 앙상블함으로써, 다양한 데이터 학습이 고려된 미래 건강 예측이 가능할 수 있다.

제1 내지 제4 진료 지원 시스템들(11~14)은 서로 다른 예측 모델에 기초하여 시계열 데이터를 분석할 수 있다. 의료 데이터의 민감성으로 인하여 데이터의 공유 및 교환이 어려운 환경에서, 의료 기관 또는 병원들은 내부적으로 구축된 데이터베이스로부터 예측 모델을 학습할 수 있다. 의료 환경 특성 상, 시계열 의료 데이터는 특정 의료 기관에 편중될 수 있다. 특정 질환의 전문 병원은 특정 질환에 편중된 의료 데이터를 수집하게 될 수 있다. 방문 환자군의 건강 상태의 편차로 인하여 시계열 의료 데이터의 범위가 특정 의료 기관에 편중될 수 있다. 이러한 상황에서, 본 개시의 건강 상태 예측 시스템(10)은 서로 다른 방식으로 구축된 예측 모델들을 이용하여 결과들을 생성하고, 이를 앙상블함으로써, 임상 의사결정을 지원하기 위한 개선된 정보를 사용자에게 제공할 수 있다.

본 개시의 실시 예에 따른 제1 예측 시스템(PS)은 환자의 건강 시계열 데이터를 기반으로 부분 시계열 데이터를 생성할 수 있다. 제1 예측 시스템(PS)은 부분 시계열 데이터, 및 예측 결과 요청을 제2 내지 제4 진료 지원 시스템들(12~14)로 전송할 수 있다. 제1 예측 시스템(PS)은 전송한 부분 시계열 데이터에 대한 복수의 외부 예측 결과들을 수신할 수 있다. 제1 예측 시스템(PS)은 건강 시계열 데이터 및 복수의 외부 예측 결과들 간의 트렌드를 분석하여 외부 예측 적합도를 산출할 수 있다. 제1 예측 시스템(PS)은 외부 예측 적합도를 기반으로 앙상블 예측 결과를 산출할 수 있다.

도 2는 도 1의 예측 시스템의 예를 도시한 블록도이다. 도 1 및 도 2를 참조하면, 예측 시스템(PS)은 예측기 관리 장치(100), 예측기 연동 장치(200), 앙상블 예측 장치(300), 시계열 예측 장치(400), 모델 저장소(500), 학습 데이터 저장소(600), 및 협업 레지스트리(700)를 포함할 수 있다.

예측기 관리 장치(100)는 임상 의사결정 지원 시스템(CS)로부터 예측 요청, 및 건강 데이터(또는, 건강 시계열 데이터)를 수신할 수 있다. 예측기 관리 장치(100)는 예측 요청에 응답하여, 임상 의사결정 지원 시스템(CS)으로 예측 결과를 제공할 수 있다. 예를 들어, 예측 요청은 제공된 건강 데이터를 기반으로 미래 시점의 건강 상태에 대한 예측 결과 요청을 가리킬 수 있다.

구체적으로, 예측 요청은 시계열 예측 요청 및 앙상블 예측 요청을 포함할 수 있다. 시계열 예측 요청은 시계열 예측 모델을 기반으로, 미래 시점의 건강 상태에 대한 예측 결과 요청을 가리킬 수 있다. 앙상블 예측 요청은 앙상블 예측 모델을 기반으로, 미래 시점의 건강 상태에 대한 예측 결과 요청을 가리킬 수 있다.

예측기 관리 장치(100)는 학습 관리부(110), 및 예측 제공부(120)를 포함할 수 있다.

학습 관리부(110)는 사용자 인터페이스(미도시) 또는 단말기(미도시)로부터 학습을 위한 요청(즉, 학습 요청)을 수신할 수 있다. 예를 들어, 사용자 인터페이스는 사용자와 학습 관리부(120) 사이의 명령어, 요청, 또는 데이터의 통신을 수행하도록 구성될 수 있다. 즉, 사용자 인터페이스는 학습 요청을 학습 관리부(110)로 제공할 수 있다.

일 실시 예에서, 사용자 인터페이스는 명령어 줄 사용자 인터페이스(Command Line Interface, CLI), 그래픽 사용자 인터페이스(Graphic User Interface, GUI) 또는 웹 사용자 인터페이스(Web User Interface, WUI) 등과 같은 가상 장치를 포함할 수 있다. 단말기는 스마트폰, 데스크탑, 랩탑, 웨어러블 장치 등 학습 요청을 제공할 수 있는 전자 장치일 수 있다. 단말기는 네트워크(NT)를 통하여, 학습 관리부(110)로 학습 요청을 제공할 수 있다.

일 실시 예에서, 학습 요청은 시계열 학습 요청 및 앙상블 학습 요청을 포함할 수 있다. 시계열 학습 요청은 시계열 예측 모델에 대한 학습 요청을 가리키고, 앙상블 학습 요청은 앙상블 예측 모델에 대한 학습 요청을 가리킬 수 있다.

학습 관리부(110)는 학습 요청에 응답하여, 학습 수행 요청을 예측 장치로 전송할 수 있다. 학습 수행 요청은 예측 모델에 대학 학습 수행 시작을 가리킬 수 있다. 예를 들어, 학습 관리부(110)는 시계열 학습 요청에 응답하여, 시계열 예측 장치(400)로 학습 수행 요청을 전송할 수 있다. 학습 관리부(110)는 앙상블 학습 요청에 응답하여, 앙상블 예측 장치(300)로 학습 수행 요청을 전송할 수 있다.

예측 제공부(120)는 예측 요청에 응답하여 예측 장치에게 예측 수행 요청을 전송할 수 있다. 예측 제공부(120)는 예측 장치로부터 수신된 예측 결과를 임상 의사결정 지원 시스템(CS)으로 전송할 수 있다.

예를 들어, 예측 제공부(120)는 시계열 예측 요청에 응답하여, 시계열 예측 장치(400)로 예측 수행 요청을 전송할 수 있다. 예측 제공부(120)는 시계열 예측 장치(400)로부터 제공된 시계열 예측 결과를 임상 의사결정 지원 시스템(CS)으로 전송할 수 있다.

예측 제공부(120)는 앙상블 예측 요청에 응답하여, 앙상블 예측 장치(300)로 예측 수행 요청을 전송할 수 있다. 예측 제공부(120)는 앙상블 예측 장치(300)로부터 제공된 앙상블 예측 결과를 임상 의사결정 지원 시스템(CS)으로 전송할 수 있다.

예측기 연동 장치(200)는 외부 진료 지원 시스템과 통신하도록 구성될 수 있다. 예를 들어, 제1 진료 지원 시스템(11)의 예측기 연동 장치(200)는 제2 내지 제4 진료 지원 시스템들(12~14)과 통신할 수 있다. 제1 진료 지원 시스템(11)의 예측기 연동 장치(200)는 예측 결과 요청을 제2 내지 제4 진료 지원 시스템들(12~14)에게 전송하고, 제2 내지 제4 진료 지원 시스템들(12~14)으로부터 외부 예측 결과를 수신할 수 있다. 예측 결과 요청은 외부 진료 지원 시스템들 각각의 예측 모델을 사용하여 생성된 예측 결과에 대한 요청을 가리킬 수 있다.

제1 진료 지원 시스템(11)의 예측기 연동 장치(200)는 제2 내지 제4 진료 지원 시스템들(12~14)로부터 예측 결과 요청을 수신할 수 있다. 제1 진료 지원 시스템(11)의 예측기 연동 장치(200)는 예측 결과 요청에 응답하여, 생성된 예측 결과를 제2 내지 제4 진료 지원 시스템(12~14)들로 전송할 수 있다.

예측기 연동 장치(200)는 예측 수집부(210), 및 예측 전송부(220)를 포함할 수 있다. 예측 수집부(210)는 외부 진료 지원 시스템들에게 예측 결과 요청을 전송하고, 외부 진료 지원 시스템으로부터 외부 예측 결과를 수신할 수 있다. 즉, 예측 수집부(210)는 외부 진료 지원 시스템들로부터 외부 예측 결과를 수집할 수 있다.

일 실시 예에서, 예측 수집부(210)는 앙상블 학습부(310)로부터 앙상블 학습 원본 데이터에 대한 외부 예측 결과 요청을 수신할 수 있다. 예측 수집부(210)는 외부 예측 결과 요청에 응답하여, 학습 데이터 저장소(600)로부터 앙상블 학습 원본 데이터(620)를 로드(load)할 수 있다. 즉, 예측 수집부(210)는 학습 데이터 저장소(600)로 앙상블 학습 원본 데이터 요청을 전송하고, 학습 데이터 저장소(600)로부터 앙상블 학습 원본 데이터를 수신할 수 있다.

예측 수집부(210)는 앙상블 학습 원본 데이터를 기반으로 부분 시계열 변환 동작을 수행하여, 부분 시계열 데이터를 생성할 수 있다. 부분 시계열 변환 동작은 도 7을 통해 상세히 설명된다. 예측 수집부(210)는 협업 레지스트리(700)에 등록된 외부 진료 지원 시스템들로 예측 결과 요청 및 부분 시계열 데이터를 전송할 수 있다. 예측 수집부(210)는 등록된 외부 진료 지원 시스템들로부터 예측 결과(또는, 복수의 외부 예측 결과들)를 수신할 수 있다. 복수의 외부 예측 결과들은 부분 시계열 데이터를 기반으로 예측 시간의 건강 상태를 예측한 결과로 이해될 수 있다.

예측 수집부(210)는 수신한 복수의 외부 예측 결과들 및 원본 시계열 건강기록(또는 앙상블 학습 원본 데이터)를 기반으로 앙상블 학습 데이터를 생성할 수 있다. 즉, 예측 수집부(210)는 복수의 외부 예측 결과들 및 앙상블 학습 원본 데이터를 병합하여, 앙상블 학습 데이터를 생성할 수 있다. 예측 수집부(210)는 생성된 앙상블 학습 데이터를 학습 데이터 저장소(600)에 저장할 수 있다.

일 실시 예에서, 예측 수집부(210)는 앙상블 예측부(320)로부터 건강 시계열 데이터에 대한 외부 예측 결과 요청을 수신할 수 있다. 예측 수집부(210)는 외부 예측 결과 요청에 응답하여, 예측 결과 요청 및 건강 시계열 데이터(또는 건강 시계열 데이터의 부분 시계열 데이터)를 등록된 외부 진료 지원 시스템들로 전송할 수 있다. 예측 수집부(210)는 등록된 외부 진료 지원 시스템들로부터 복수의 외부 예측 결과들을 수신할 수 있다. 예측 수집부(210)는 수신한 복수의 외부 예측 결과들 및 건강 시계열 데이터를 병합할 수 있다. 예측 수집부(210)는 병합된 데이터를 앙상블 예측부(320)로 전송할 수 있다.

앙상블 예측 장치(300)는 앙상블 예측 모델을 이용하여, 건강 시계열 데이터를 기반으로 미래 시점의 건강 상태를 예측할 수 있다. 예를 들어, 앙상블 예측 장치(300)는 건강 시계열 데이터를 앙상블 예측 모델에 입력할 수 있다. 앙상블 예측 장치(300)는 미래 시점의 건강 상태에 대한 예측 결과를 생성하여 제공할 수 있다.

앙상블 예측 장치(300)는 앙상블 학습부(310) 및 앙상블 예측부(320)를 포함할 수 있다. 앙상블 학습부(310)는 앙상블 학습 데이터(610)에 기초하여 앙상블 예측 모델(510)을 학습할 수 있다. 앙상블 예측 모델(510)은 인공 신경망(artificial neural network) 또는 딥러닝 기계 학습을 통하여 구축될 수 있다.

일 실시 예에서, 앙상블 학습부(310)는 학습 관리부(110)로부터 학습 수행 요청을 수신할 수 있다. 앙상블 학습부(310)는 학습 수행 요청에 응답하여, 예측기 연동 장치(200)로 앙상블 학습 원본 데이터에 대한 외부 예측 결과 요청을 전송할 수 있다. 앙상블 학습부(310)는 생성된 앙상블 학습 데이터(610)를 기반으로 앙상블 예측 모델을 학습하여, 앙상블 예측 모델을 모델 저장소(500)에 저장할 수 있다.

앙상블 예측부(320)는 앙상블 학습부(310)로부터 학습된 앙상블 예측 모델(510)에 기초하여, 특정 사용자(예를 들어, 환자)에 대응되는 복수의 외부 예측 결과들을 분석하고, 앙상블 예측 결과를 생성할 수 있다. 일 실시 예에서, 앙상블 예측부(320)는 예측 제공부(120)로부터 예측 수행 요청, 및 건강 시계열 데이터를 수신할 수 있다.

일 실시 예에서, 앙상블 예측부(320)는 예측 수행 요청에 응답하여, 건강 시계열 데이터에 대한 외부 예측 결과 요청을 예측기 연동 장치(200)로 전송할 수 있다. 앙상블 예측부(320)는 예측기 연동 장치(200)로부터 병합된 데이터를 수신할 수 있다. 병합된 데이터는 건강 시계열 데이터에 대한 복수의 외부 예측 결과들 및 건강 시계열 데이터를 기반으로 생성될 수 있다. 앙상블 예측부(320)는 병합된 데이터를 앙상블 예측 모델에 입력하여 앙상블 예측 결과를 산출할 수 있다. 앙상블 예측부(320)는 산출된 앙상블 예측 결과를 예측기 관리 장치(100)로 전송할 수 있다.

시계열 예측 장치(400)는 시계열 예측 모델을 이용하여, 건강 시계열 데이터를 기반으로 미래 시점의 건강 상태를 예측할 수 있다. 예를 들어, 시계열 예측 장치(400)는 건강 시계열 데이터를 시계열 예측 모델에 입력할 수 있다. 시계열 예측 장치(400)는 미래 시점의 건강 상태에 대한 예측 결과를 생성하여 제공할 수 있다.

시계열 예측 장치(400)는 시계열 학습부(410) 및 시계열 예측부(420)를 포함할 수 있다. 시계열 학습부(410)는 학습 관리부(110)로부터 학습 수행 요청을 수신할 수 있다. 시계열 학습부(410)는 학습 수행 요청에 응답하여, 시계열 학습 원본 데이터를 기반으로 시계열 예측 모델을 생성하고, 시계열 예측 모델을 모델 저장소(500)에 저장할 수 있다.

시계열 예측부(420)는 예측 제공부(120)로부터 예측 수행 요청을 수신할 수 있다. 시계열 예측부(420)는 예측 수행 요청에 응답하여, 건강 시계열 데이터를 시계열 예측 모델에 입력하여 시계열 예측 결과를 산출할 수 있다. 시계열 예측부(420)는 산출된 시계열 예측 결과를 예측기 관리 장치(100)로 전송할 수 있다.

모델 저장소(500)는 앙상블 예측 모델(510) 및 시계열 예측 모델(520)을 저장할 수 있다. 학습 데이터 저장소(600)는 앙상블 학습 데이터(610), 앙상블 학습 원본 데이터(620), 및 시계열 학습 원본 데이터(630)를 저장할 수 있다. 앙상블 학습 원본 데이터(620)는 앙상블 예측 모델을 학습하기 위한 시계열 의료 데이터를 포함할 수 있다. 시계열 학습 원본 데이터(630)는 시계열 예측 모델을 학습하기 위한 시계열 의료 데이터를 포함할 수 있다.

앙상블 학습 원본 데이터(620) 또는 시계열 학습 원본 데이터(630)는 진단, 치료, 검사, 또는 투약 처방 등에 의하여 생성된 사용자 건강 상태를 나타내는 시계열 의료 데이터를 포함할 수 있다. 시계열 의료 데이터는 복수의 시간들 각각에 대응되는 특징들을 포함할 수 있다. 예를 들어, 시계열 의료 데이터는 EMR(Electronic Medical Record) 데이터 또는 PHR(Personal Health Record) 데이터일 수 있다.

앙상블 학습 데이터(610)는 앙상블 학습 원본 데이터(620) 및 외부 진료 지원 시스템들로부터 제공된 외부 예측 결과들이 병합되어 생성된 데이터를 포함할 수 있다. 외부 진료 지원 시스템들로부터 제공된 예측 결과들은 앙상블 학습 원본 데이터 또는 앙상블 학습 원본 데이터의 부분 시계열 데이터에 대한 예측 결과들을 가리킬 수 있다. 앙상블 학습 데이터(610), 앙상블 학습 원본 데이터(620), 및 시계열 학습 원본 데이터(630)는 서버 또는 저장 매체에 데이터베이스화될 수 있다.

협업 레지스트리(700)는 앙상블 예측을 위한 외부 진료 지원 시스템들에 관한 정보를 저장할 수 있다. 예측 시스템(PS)의 각 구성요소들은 하드웨어로 구현되거나, 펌웨어, 소프트웨어, 또는 이의 조합으로 구현될 수 있다. 예를 들어, 소프트웨어(또는 펌웨어)는 예측 시스템(PS)에 포함되는 메모리(미도시)에 로딩되어, 프로세서(미도시)에 의하여 실행될 수 있다. 예측 시스템(PS)의 각 구성요소들은 FPGA(Field Programmable Gate Array) 또는 ASIC(Application Specific Integrated Circuit)와 같은 전용 논리 회로 등의 하드웨어로 구현될 수 있다.

도 3은 도 1의 예측 시스템의 동작의 예를 보여주는 순서도이다. 도 1, 도 2, 및 도 3을 참조하여, 앙상블 학습 동작이 설명된다. 예측 시스템(PS)은 사용자 인터페이스 또는 단말기로부터 앙상블 학습 요청을 수신할 수 있다. 예측 시스템(PS)은 수신한 앙상블 학습 요청에 응답하여 앙상블 예측 모델을 생성하여, 모델 저장소(500)에 앙상블 예측 모델을 저장할 수 있다.

S111 단계에서, 학습 관리부(110)는 학습 수행 요청을 앙상블 학습부(310)로 전송할 수 있다. 예를 들어, 학습 관리부(110)는 사용자 인터페이스 또는 단말기로부터 제공된 앙상블 학습 요청에 응답하여, 학습 수행 요청을 앙상블 학습부(310)로 전송할 수 있다.

S112 단계에서, 앙상블 학습부(310)는 외부 예측 결과 요청을 예측 수집부(210)로 전송할 수 있다. 예를 들어, 앙상블 학습부(310)는 학습 수행 요청을 학습 관리부(110)로부터 수신할 수 있다. 앙상블 학습부(310)는 학습 수행 요청에 응답하여, 앙상블 학습 원본 데이터에 대한 외부 예측 결과 요청을 예측 수집부(210)로 전송할 수 있다.

S113 단계에서, 예측 수집부(210)는 앙상블 학습 원본 데이터 요청을 학습 데이터 저장소(600)로 전송할 수 있다. 예를 들어, 예측 수집부(210)는 앙상블 학습부(310)로부터 앙상블 학습 원본 데이터에 대한 외부 예측 결과 요청을 수신할 수 있다. 예측 수집부(210)는 외부 예측 결과 요청에 응답하여, 앙상블 학습 원본 데이터를 로드하기 위한, 앙상블 학습 원본 데이터 요청을 학습 데이터 저장소(600)로 전송할 수 있다.

S114 단계에서, 학습 데이터 저장소(600)는 앙상블 학습 원본 데이터를 예측 수집부(210)로 전송할 수 있다. 학습 데이터 저장소(600)는 예측 수집부(210)로부터 앙상블 학습 원본 데이터 요청을 수신할 수 있다. 학습 데이터 저장소(600)는 앙상블 학습 원본 데이터 요청에 응답하여, 앙상블 학습 원본 데이터를 예측 수집부(210)로 전송할 수 있다.

S115 단계에서, 예측 수집부(210)는 예측 결과 요청을 외부 진료 지원 시스템으로 전송할 수 있다. 예측 수집부(210)는 수신한 앙상블 학습 원본 데이터에 대한 부분 시계열 데이터 변환 동작을 수행할 수 있다. 예측 수집부(210)는 부분 시계열 데이터 변환 동작을 통해 부분 시계열 데이터를 생성할 수 있다. 예측 수집부(210)는 부분 시계열 데이터 및 예측 결과 요청을 네트워크(NT)를 통해 외부 진료 지원 시스템으로 전송할 수 있다.

도면의 간결성을 위하여, 도 3에서 예측 수집부(210)는 하나의 외부 진료 지원 시스템으로 예측 결과 요청을 전송하는 것으로 도시되어 있으나, 본 개시가 이에 한정되는 것은 아니며, 예측 수집부(210)는 복수의 외부 진료 지원 시스템들로 예측 결과 요청을 전송할 수 있다. 예를 들어, 제1 진료 지원 시스템(11)의 예측 수집부(210)는 제2 내지 제4 진료 지원 시스템들(12~14)로 예측 결과 요청을 전송할 수 있다.

S116 단계에서, 예측 수집부(210)는 외부 진료 지원 시스템으로부터 외부 예측 결과를 수신할 수 있다. 예를 들어, 예측 수집부(210)는 앙상블 학습 원본 데이터에 대한 외부 예측 결과를 외부 진료 지원 시스템으로부터 네트워크(NT)를 통해 수신할 수 있다.

일 실시 예에서, 예측 수집부(210)는 복수의 외부 진료 지원 시스템들로부터 복수의 외부 예측 결과들을 수신할 수 있다. 예를 들어, 제1 진료 지원 시스템(11)의 예측 수집부(210)는 제2 내지 제4 진료 지원 시스템들(12~14)로부터 복수의 외부 예측 결과들을 수신할 수 있다.

S117 단계에서, 예측 수집부(210)는 앙상블 학습 데이터를 학습 데이터 저장소(600)에 저장할 수 있다. 예를 들어, 예측 수집부(210)는 수신한 외부 예측 결과 및 앙상블 학습 원본 데이터를 병합하여 앙상블 학습 데이터를 생성할 수 있다. 예측 수집부(210)는 앙상블 학습 데이터를 학습 데이터 저장소(600)로 전송할 수 있다.

S118 단계에서, 예측 수집부(210)는 앙상블 학습부(310)로 통지할 수 있다. 예를 들어, 예측 수집부(210)는 외부 진료 지원 시스템으로부터 외부 예측 결과를 수신하고, 앙상블 학습 데이터를 학습 데이터 저장소(600)에 저장하였음을 가리키는 통지를 앙상블 학습부(310)로 전송할 수 있다.

S119 단계에서, 앙상블 학습부(310)는 학습 데이터 저장소(600)로 앙상블 학습 데이터 요청을 전송할 수 있다. 예를 들어, 앙상블 학습부(310)는 앙상블 학습 데이터를 로드하기 위해, 앙상블 학습 데이터 요청을 학습 데이터 저장소(600)로 전송할 수 있다.

S120 단계에서, 학습 데이터 저장소(600)는 앙상블 학습 데이터를 앙상블 학습부(310)로 전송할 수 있다. 예를 들어, 학습 데이터 저장소(600)는 앙상블 학습부(310)로부터 앙상블 학습 데이터 요청을 수신할 수 있다. 학습 데이터 저장소(600)는 앙상블 학습 데이터 요청에 응답하여 저장된 앙상블 학습 데이터를 앙상블 학습부(310)로 전송할 수 있다.

S121 단계에서, 앙상블 학습부(310)는 앙상블 예측 모델을 모델 저장소(500)에 저장할 수 있다. 예를 들어, 앙상블 학습부(310)는 앙상블 학습 데이터를 기반으로 앙상블 예측 모델을 생성 또는 학습할 수 있다. 앙상블 학습부(310)는 생성된 앙상블 예측 모델을 모델 저장소(500)로 전송할 수 있다.

도 4는 도 1의 예측 시스템의 동작의 예를 보여주는 순서도이다. 도 1, 도 2, 및 도 4를 참조하여, 시계열 예측 동작이 설명된다. S131 단계에서, 예측 전송부(220)는 외부 진료 지원 시스템으로부터 시계열 예측 요청을 수신할 수 있다. 예를 들어, 예측 전송부(220)는 외부 진료 지원 시스템으로부터 네트워크(NT)를 통해 시계열 예측 요청 및 건강 데이터(또는 건강 데이터에 대한 부분 시계열 데이터)를 수신할 수 있다.

S132 단계에서, 예측 전송부(220)는 예측 수행 요청을 시계열 예측부(420)로 전송할 수 있다. 예를 들어, 예측 전송부(220)는 시계열 예측 요청에 응답하여, 예측 수행 요청 및 외부 진료 지원 시스템으로부터 수신한 건강 데이터를 시계열 예측부(420)로 전송할 수 있다.

S133 단계에서, 시계열 예측부(420)는 건강 데이터를 시계열 예측 모델에 입력할 수 있다. 예를 들어, 시계열 예측부(420)는 수신한 예측 수행 요청에 응답하여, 건강 데이터를 모델 저장소(500)로 전송하여, 시계열 예측 모델(520)에 건강 데이터를 입력할 수 있다.

S134 단계에서, 모델 저장소(500)는 시계열 예측 결과를 시계열 예측부(420)로 전송할 수 있다. 예를 들어, 모델 저장소(500)의 시계열 예측 모델(520)은 수신한 건강 데이터를 기반으로 시계열 예측 결과를 산출할 수 있다. 시계열 예측 모델(520)은 시계열 예측 결과를 시계열 예측부(420)로 전송할 수 있다.

S135 단계에서, 시계열 예측부(420)는 시계열 예측 결과를 예측 전송부(220)로 전송할 수 있다. 예를 들어, 시계열 예측부(420)는 시계열 예측 모델(520)로부터 제공된 시계열 예측 결과를 예측 전송부(220)로 전달할 수 있다.

S136 단계에서, 예측 전송부(220)는 시계열 예측 결과를 외부 진료 지원 시스템으로 전송할 수 있다. 예를 들어, 예측 전송부(220)는 시계열 예측 요청을 전송한 외부 진료 지원 시스템으로 네트워크(NT)를 통해 시계열 예측 결과를 전송할 수 있다.

도 5는 도 1의 예측 시스템의 동작의 예를 보여주는 순서도이다. 도 1, 도 2, 및 도 5를 참조하여, 시계열 예측 결과를 이용하는, 앙상블 학습 과정이 설명된다. 예측 시스템(PS)은 사용자 인터페이스 또는 단말기로부터 앙상블 학습 요청을 수신할 수 있다. 예측 시스템(PS)은 수신한 앙상블 학습 요청에 응답하여 앙상블 예측 모델을 생성하여, 모델 저장소(500)에 앙상블 예측 모델을 저장할 수 있다.

S151 단계에서, 학습 관리부(110)는 학습 수행 요청을 앙상블 학습부(310)로 전송할 수 있다. 예를 들어, 학습 관리부(110)는 사용자 인터페이스 또는 단말기로부터 제공된 앙상블 학습 요청에 응답하여, 학습 수행 요청을 앙상블 학습부(310)로 전송할 수 있다. 도 3의 학습 수행 요청과 비교하여, 도 5의 학습 수행 요청은 시계열 예측 결과를 이용하는 앙상블 학습 수행 요청을 가리킬 수 있다.

S152 단계에서, 앙상블 학습부(310)는 외부 예측 결과 요청을 예측 수집부(210)로 전송할 수 있다. 예를 들어, 앙상블 학습부(310)는 학습 수행 요청을 학습 관리부(110)로부터 수신할 수 있다. 앙상블 학습부(310)는 학습 수행 요청에 응답하여, 앙상블 학습 원본 데이터에 대한 외부 예측 결과 요청을 예측 수집부(210)로 전송할 수 있다. 도 3의 외부 예측 결과 요청과 비교하여, 도 5의 외부 예측 결과 요청은 외부 진료 지원 시스템에 대한 예측 결과 요청 및 시계열 예측부(420)에 대한 예측 결과 요청을 포함할 수 있다.

S153 단계에서, 예측 수집부(210)는 앙상블 학습 원본 데이터 요청을 학습 데이터 저장소(600)로 전송할 수 있다. 예를 들어, 예측 수집부(210)는 앙상블 학습부(310)로부터 앙상블 학습 원본 데이터에 대한 외부 예측 결과 요청을 수신할 수 있다. 예측 수집부(210)는 외부 예측 결과 요청에 응답하여, 앙상블 학습 원본 데이터를 로드하기 위한, 앙상블 학습 원본 데이터 요청을 학습 데이터 저장소(600)로 전송할 수 있다.

S154 단계에서, 학습 데이터 저장소(600)는 앙상블 학습 원본 데이터를 예측 수집부(210)로 전송할 수 있다. 학습 데이터 저장소(600)는 예측 수집부(210)로부터 앙상블 학습 원본 데이터 요청을 수신할 수 있다. 학습 데이터 저장소(600)는 앙상블 학습 원본 데이터 요청에 응답하여, 앙상블 학습 원본 데이터를 예측 수집부(210)로 전송할 수 있다.

S155 단계에서, 예측 수집부(210)는 예측 수행 요청을 시계열 예측부(420)로 전송할 수 있다. 예를 들어, 예측 수집부(210)는 예측 수행 요청 및 건강 데이터(또는 부분 시계열 데이터)를 시계열 예측부(420)로 전송할 수 있다. 예측 수집부(210)는 수신한 앙상블 학습 원본 데이터에 대한 부분 시계열 데이터 변환 동작을 수행할 수 있다. 예측 수집부(210)는 부분 시계열 데이터 변환 동작을 통해 부분 시계열 데이터를 생성할 수 있다.

S156 단계에서, 시계열 예측부(420)는 건강 데이터를 시계열 예측 모델에 입력할 수 있다. 예를 들어, 시계열 예측부(420)는 수신한 예측 수행 요청에 응답하여, 건강 데이터를 모델 저장소(500)로 전송하여, 시계열 예측 모델(520)에 건강 데이터를 입력할 수 있다.

S157 단계에서, 모델 저장소(500)는 시계열 예측 결과를 시계열 예측부(420)로 전송할 수 있다. 예를 들어, 모델 저장소(500)의 시계열 예측 모델(520)은 수신한 건강 데이터를 기반으로 시계열 예측 결과를 산출할 수 있다. 시계열 예측 모델(520)은 시계열 예측 결과를 시계열 예측부(420)로 전송할 수 있다.

S158 단계에서, 시계열 예측부(420)는 시계열 예측 결과를 예측 수집부(210)로 전송할 수 있다. 예를 들어, 시계열 예측부(420)는 시계열 예측 모델(520)로부터 제공된 시계열 예측 결과를 예측 수집부(210)로 전달할 수 있다.

S159 단계에서, 예측 수집부(210)는 예측 결과 요청을 외부 진료 지원 시스템으로 전송할 수 있다. 예측 수집부(210)는 수신한 앙상블 학습 원본 데이터에 대한 부분 시계열 데이터 변환 동작을 수행할 수 있다. 예측 수집부(210)는 부분 시계열 데이터 변환 동작을 통해 부분 시계열 데이터를 생성할 수 있다. 예측 수집부(210)는 부분 시계열 데이터 및 예측 결과 요청을 네트워크(NT)를 통해 외부 진료 지원 시스템으로 전송할 수 있다.

도면의 간결성을 위하여, 도 5에서 예측 수집부(210)는 하나의 외부 진료 지원 시스템으로 예측 결과 요청을 전송하는 것으로 도시되어 있으나, 본 개시가 이에 한정되는 것은 아니며, 예측 수집부(210)는 복수의 외부 진료 지원 시스템들로 예측 결과 요청을 전송할 수 있다.

S160 단계에서, 예측 수집부(210)는 외부 진료 지원 시스템으로부터 외부 예측 결과를 수신할 수 있다. 예를 들어, 예측 수집부(210)는 앙상블 학습 원본 데이터에 대한 예측 결과를 외부 진료 지원 시스템으로부터 네트워크(NT)를 통해 수신할 수 있다. 일 실시 예에서, 예측 수집부(210)는 복수의 외부 진료 지원 시스템들로부터 복수의 외부 예측 결과들을 수신할 수 있다.

도 5에서, S159 단계 및 S160 단계는 S155 단계 내지 S158 단계 이후에 수행되는 것으로 도시되어 있으나, 본 개시의 범위가 이에 한정되지 아니하며, S159 단계 및 S160 단계는 S155 단계 내지 S158 단계 이전에 또는 동시에 수행될 수 있다.

S161 단계에서, 예측 수집부(210)는 앙상블 학습 데이터를 학습 데이터 저장소(600)에 저장할 수 있다. 예를 들어, 예측 수집부(210)는 수신한 예측 결과 및 앙상블 학습 원본 데이터를 병합하여 앙상블 학습 데이터를 생성할 수 있다. 수신한 예측 결과는 외부 진료 지원 시스템으로부터 수신한 외부 예측 결과 및 시계열 예측부(420)로부터 수신한 시계열 예측 결과를 포함할 수 있다. 예측 수집부(210)는 앙상블 학습 데이터를 학습 데이터 저장소(600)로 전송할 수 있다.

S162 단계에서, 예측 수집부(210)는 앙상블 학습부(310)로 통지할 수 있다. 예를 들어, 예측 수집부(210)는 외부 진료 지원 시스템 및 시계열 예측부(420)로부터 예측 결과(예를 들어, 외부 예측 결과, 시계열 예측 결과)를 수신하고, 앙상블 학습 데이터를 학습 데이터 저장소(600)에 저장하였음을 가리키는 통지를 앙상블 학습부(310)로 전송할 수 있다.

S163 단계에서, 앙상블 학습부(310)는 학습 데이터 저장소(600)로 앙상블 학습 데이터 요청을 전송할 수 있다. 예를 들어, 앙상블 학습부(310)는 앙상블 학습 데이터를 로드하기 위해, 앙상블 학습 데이터 요청을 학습 데이터 저장소(600)로 전송할 수 있다.

S164 단계에서, 학습 데이터 저장소(600)는 앙상블 학습 데이터를 앙상블 학습부(310)로 전송할 수 있다. 예를 들어, 학습 데이터 저장소(600)는 앙상블 학습부(310)로부터 앙상블 학습 데이터 요청을 수신할 수 있다. 학습 데이터 저장소(600)는 앙상블 학습 데이터 요청에 응답하여 저장된 앙상블 학습 데이터를 앙상블 학습부(310)로 전송할 수 있다.

S165 단계에서, 앙상블 학습부(310)는 앙상블 예측 모델을 모델 저장소(500)에 저장할 수 있다. 예를 들어, 앙상블 학습부(310)는 앙상블 학습 데이터를 기반으로 앙상블 예측 모델을 학습할 수 있다. 앙상블 학습부(310)는 앙상블 예측 모델을 모델 저장소(500)로 전송할 수 있다.

도 6은 도 1의 예측 시스템의 동작의 예를 보여주는 순서도이다. 도 1, 도 2, 및 도 6을 참조하여, 시계열 예측 결과를 이용하는 앙상블 예측 동작이 설명된다. 예측 시스템(PS)은 임상 의사결정 지원 시스템(CS)으로부터 앙상블 예측 요청, 및 건강 데이터를 수신할 수 있다. 앙상블 예측 요청은 외부 예측 결과 및 시계열 예측 결과를 이용하는 앙상블 예측 요청을 가리킬 수 있다.

예측 시스템(PS)은 수신한 앙상블 학습 요청에 응답하여, 건강 데이터에 대한 외부 예측 결과를 수신하고, 시계열 예측 모델을 이용하여 시계열 예측 결과를 산출할 수 있다. 예측 시스템(PS)은 건강 데이터, 외부 예측 결과, 및 시계열 예측 결과를 앙상블 예측 모델에 입력하여, 앙상블 예측 결과를 산출할 수 있다.

S171 단계에서, 예측 제공부(120)는 예측 수행 요청을 앙상블 예측부(320)로 전송할 수 있다. 예를 들어, 예측 제공부(120)는 임상 의사결정 지원 시스템(CS)으로부터 제공된 앙상블 예측 요청에 응답하여, 예측 수행 요청, 및 수신한 건강 데이터를 앙상블 예측부(320)로 전송할 수 있다.

S172 단계에서, 앙상블 예측부(320)는 외부 예측 결과 요청을 예측 수집부(210)로 전송할 수 있다. 예를 들어, 앙상블 예측부(320)는 예측 수행 요청을 예측 제공부(120)로부터 수신할 수 있다. 앙상블 예측부(320)는 예측 수행 요청에 응답하여, 건강 데이터에 대한 외부 예측 결과 요청, 및 건강 데이터를 예측 수집부(210)로 전송할 수 있다.

S173 단계에서, 예측 수집부(210)는 예측 결과 요청을 외부 진료 지원 시스템으로 전송할 수 있다. 예를 들어, 예측 수집부(210)는 수신한 건강 데이터에 대한 부분 시계열 데이터 변환 동작을 수행하여, 부분 시계열 데이터를 생성할 수 있다. 예측 수집부(210)는 건강 데이터(또는 부분 시계열 데이터) 및 예측 결과 요청을 네트워크(NT)를 통해 외부 진료 지원 시스템으로 전송할 수 있다.

도면의 간결성을 위하여, 도 6에서 예측 수집부(210)는 하나의 외부 진료 지원 시스템으로 예측 결과 요청을 전송하는 것으로 도시되어 있으나, 본 개시가 이에 한정되는 것은 아니며, 예측 수집부(210)는 복수의 외부 진료 지원 시스템들로 예측 결과 요청을 전송할 수 있다.

S174 단계에서, 예측 수집부(210)는 외부 진료 지원 시스템으로부터 외부 예측 결과를 수신할 수 있다. 예를 들어, 예측 수집부(210)는 건강 데이터에 대한 예측 결과를 외부 진료 지원 시스템으로부터 네트워크(NT)를 통해 수신할 수 있다. 일 실시 예에서, 예측 수집부(210)는 복수의 외부 진료 지원 시스템들로부터 예측 결과를 수신할 수 있다.

S175 단계에서, 예측 수집부(210)는 예측 수행 요청을 시계열 예측부(420)로 전송할 수 있다. 예를 들어, 예측 수집부(210)는 예측 수행 요청 및 건강 데이터(또는 부분 시계열 데이터)를 시계열 예측부(420)로 전송할 수 있다.

S176 단계에서, 시계열 예측부(420)는 건강 데이터를 시계열 예측 모델에 입력할 수 있다. 예를 들어, 시계열 예측부(420)는 수신한 예측 수행 요청에 응답하여, 건강 데이터를 모델 저장소(500)로 전송하여, 시계열 예측 모델(520)에 건강 데이터를 입력할 수 있다.

S177 단계에서, 모델 저장소(500)는 시계열 예측 결과를 시계열 예측부(420)로 전송할 수 있다. 예를 들어, 모델 저장소(500)의 시계열 예측 모델(520)은 수신한 건강 데이터를 기반으로 시계열 예측 결과를 산출할 수 있다. 시계열 예측 모델(520)은 시계열 예측 결과를 시계열 예측부(420)로 전송할 수 있다.

S178 단계에서, 시계열 예측부(420)는 시계열 예측 결과를 예측 수집부(210)로 전송할 수 있다. 예를 들어, 시계열 예측부(420)는 시계열 예측 모델(520)로부터 제공된 시계열 예측 결과를 예측 수집부(210)로 전달할 수 있다.

도 6에서, S175 단계 내지 S178 단계는 S173 단계 및 S174 단계 이후에 수행되는 것으로 도시되어 있으나, 본 개시의 범위가 이에 한정되지 아니하며, S175 단계 내지 S178 단계는 S173 단계 및 S174 단계 이전에 또는 동시에 수행될 수 있다.

S179 단계에서, 예측 수집부(210)는 병합 데이터를 앙상블 예측부(320)로 전송할 수 있다. 예를 들어, 예측 수집부(210)는 외부 예측 결과, 시계열 예측 결과, 건강 데이터를 기반으로 병합 데이터를 생성할 수 있다. 예측 수집부(210)는 병합 데이터를 앙상블 예측부(320)로 전송할 수 있다.

S180 단계에서, 앙상블 예측부(320)는 병합 데이터를 모델 저장소(500)의 앙상블 예측 모델(510)에 입력할 수 있다. 예를 들어, 앙상블 예측부(320)는 예측 수집부(210)로부터 병합 데이터를 수신할 수 있다. 앙상블 예측부(320)는 앙상블 예측 결과를 산출하기 위해 병합 데이터를 모델 저장소(500)로 전송하여, 앙상블 예측 모델(510)에 입력할 수 있다.

S181 단계에서, 모델 저장소(500)는 앙상블 예측 결과를 앙상블 예측부(320)로 전송할 수 있다. 예를 들어, 모델 저장소(500)의 앙상블 예측 모델(510)은 수신한 병합 데이터를 기반으로 앙상블 예측 결과를 산출할 수 있다. 앙상블 예측 모델(510)은 앙상블 예측 결과를 앙상블 예측부(320)로 전송할 수 있다.

S182 단계에서, 앙상블 예측부(320)는 앙상블 예측 결과를 예측 제공부(120)로 전송할 수 있다. 예를 들어, 앙상블 예측부(320)는 앙상블 예측 모델(510)로부터 제공된 앙상블 예측 결과를 예측 제공부(120)로 전달할 수 있다.

도 7은 도 1의 예측 시스템에서 사용되는 데이터를 설명하기 위한 도면이다. 도 1, 도 2 및 도 7을 참조하면, 도면의 간결성 및 설명의 편의를 위하여, 예측 시스템(PS)은 복수의 외부 진료 지원 시스템들 중 2개의 진료 지원 시스템들로부터 외부 예측 결과들(RTD1, RTD2)을 수신하는 것으로 가정한다.

예를 들어, 예측 시스템(PS)은 제1 진료 지원 시스템(11)의 제1 예측 시스템이고, 외부 진료 지원 시스템들은 제2 진료 지원 시스템(12) 및 제3 진료 지원 시스템(13)을 포함하고, 제1 외부 예측 결과(RTD1)는 제2 진료 지원 시스템(12)으로부터 전송되고, 제2 외부 예측 결과(RTD2)는 제3 진료 지원 시스템(13)으로부터 전송되는 것으로 가정한다.

건강 시계열 데이터(HTD), 부분 시계열 데이터(PTD), 및 외부 예측 결과들(RTD1, RTD2)은 시계열 데이터(TD)의 포맷을 가질 수 있다. 시계열 데이터(TD)는 복수의 시점들 및 복수의 항목들에 각각 대응되는 특징들을 포함할 수 있다. 예를 들어, 항목은 혈압, 혈당, 콜레스테롤 수치, 또는 몸무게 등 다양한 건강 지표를 나타낼 수 있다. 특징들은 특정 시간에 진단, 검사, 또는 처방된 항목들 각각의 값들을 나타낼 수 있다.

건강 시계열 데이터(HTD)는 제1 내지 제n 시점들(t1~tn) 및 제1 및 제2 항목들(I1, I2)들에 각각 대응되는 특징들(va1~van, vb1~vbn)을 포함하는 것으로 가정한다. 건강 시계열 데이터(HTD)에 대한 부분 시계열 데이터(PTD)는 건강 시계열 데이터(HTD)를 기반으로 생성될 수 있다. 부분 시계열 데이터(PTD)는 건강 시계열 데이터(HTD)의 일부 또는 부분을 가리킬 수 있다. 부분 시계열 데이터(PTD)는 건강 시계열 데이터(HTD)의 전체 시점들 중 임의의 연속되는 시점들에 대응되는 특징들을 포함할 수 있다.

부분 시계열 데이터(PTD)는 누적 시계열 데이터를 포함할 수 있다. 누적 시계열 데이터는 건강 시계열 데이터(HTD)에 대하여, 복수의 시간들(t1~tn) 각각 이전의 시점들의 특징들을 누적함으로써 생성될 수 있다. 제1 누적 시계열 데이터(ATD1)는 제3 시점(t3) 이전의 시점들의 특징들을 누적하여 생성되고, 제2 누적 시계열 데이터(ATD2)는 제4 시점(t4) 이전의 시점들의 특징들을 누적하여 생성되고, 제n-1 누적 시계열 데이터(ATDn-1)는 제n+1 시점(tn+1) 이전의 시점들의 특징들을 누적하여 생성될 수 있다. 부분 시계열 데이터(PTD)는 제1 내지 제n-1 누적 시계열 데이터들(ATD1~ATDn-1)을 포함할 수 있다.

외부 진료 지원 시스템들은 제1 내지 제n-1 누적 시계열 데이터들(ATD1~ATDn-1) 각각을 분석하여 제3 내지 제n+1 시점(t3~tn+1)에 대응되는 예측 특징들을 생성할 수 있다. 즉, 예측 시스템(PS)은 건강 시계열 데이터(HTD)를 이용하여 다양한 누적 시계열 데이터(ATD1~ATDn-1)를 생성함으로써, 외부 진료 지원 시스템들이 다양한 시점에 대한 외부 예측 결과들을 생성할 수 있게 할 수 있다.

제1 외부 예측 결과(RTD1)는 누적 시계열 데이터들(ATD1~ATDn-1)에 기초하여 제2 진료 지원 시스템(12)으로부터 생성될 수 있다. 제2 외부 예측 결과(RTD2)는 누적 시계열 데이터(ATD1~ATDn-1)에 기초하여 제3 진료 지원 시스템(13)으로부터 생성될 수 있다. 외부 진료 지원 시스템들(12, 13) 각각은 제1 누적 시계열 데이터(ATD1)를 분석하여 제3 시점(t3)에 대응되는 예측 특징들을 생성하고, 제2 누적 시계열 데이터(ATD2)를 분석하여 제4 시점(t4)에 대응되는 예측 특징들을 생성하고, 제n-1 누적 시계열 데이터(ATDn-1)를 분석하여 제n+1 시점(tn+1)에 대응되는 예측 특징들을 생성할 수 있다.

도 8은 도 2의 앙상블 예측 모델의 예를 보여주는 블록도이다. 도 2 및 도 8을 참조하면, 앙상블 예측 모델(510)은 장/단기 시계열 생성부(511), 트렌드 추출부(512), 적합도 평가부(513), 오차 학습부(514), 및 예측치 산출부(515)를 포함할 수 있다. 앙상블 예측 모델(510)에 포함된 각 구성들은 하드웨어로 구현되거나, 펌웨어, 소프트웨어, 또는 이의 조합으로 구현될 수 있다.

장/단기 시계열 생성부(511)는 시계열 데이터(TD)를 기반으로 부분 시계열 데이터(PTD)를 생성할 수 있다. 예를 들어, 장/단기 시계열 생성부(511)는 건강 시계열 데이터(HTD), 및 외부 예측 결과들(RTD1, RTD2)에 대한 분석 길이 대상의 부분 시계열 데이터를 생성할 수 있다. 부분 시계열 데이터(PTD)는 장기 시계열 데이터(LTD) 및 단기 시계열 데이터(STD)를 포함할 수 있다.

일 실시 예에서, 장/단기 시계열 생성부(511)는 건강 시계열 데이터에 대한 장기 시계열 데이터(LTD_HTD), 및 건강 시계열 데이터에 대한 단기 시계열 데이터(STD_HTD)를 생성할 수 있다. 장/단기 시계열 생성부(511)는 제1 외부 예측 결과에 대한 장기 시계열 데이터(LTD_RTD1), 및 제1 외부 예측 결과에 대한 단기 시계열 데이터(STD_RTD1)를 생성할 수 있다. 장/단기 시계열 생성부(511)는 제2 외부 예측 결과에 대한 장기 시계열 데이터(LTD_RTD2), 및 제2 외부 예측 결과에 대한 단기 시계열 데이터(STD_RTD2)를 생성할 수 있다.

장기 시계열 데이터(LTD)는 건강 시계열 데이터에 대한 장기 시계열 데이터(LTD_HTD), 제1 외부 예측 결과에 대한 장기 시계열 데이터(LTD_RTD1), 및 제2 외부 예측 결과에 대한 장기 시계열 데이터(LTD_RTD2)를 포함할 수 있다. 단기 시계열 데이터(STD)는 건강 시계열 데이터에 대한 단기 시계열 데이터(STD_HTD), 제1 외부 예측 결과에 대한 단기 시계열 데이터(STD_RTD1), 및 제2 외부 예측 결과에 대한 단기 시계열 데이터(STD_RTD2)를 포함할 수 있다.

트렌드 추출부(512)는 장기 시계열 데이터(LTD) 및 단기 시계열 데이터(STD)를 기반으로 복수의 트렌드 특징을 추출할 수 있다. 트렌드 추출부(512)는 장기 시계열 데이터(LTD) 및 단기 시계열 데이터(STD) 각각에 대하여 윈도우 시간 간격으로 그룹화 하여 특징 윈도우들을 생성할 수 있다. 트렌드 추출부(512)는 장기 시계열 데이터(LTD) 및 단기 시계열 데이터(STD) 각각에 대하여 타겟 시간으로부터 윈도우 시간 간격 동안의 예측 특징들을 추출함으로써, 특징 윈도우들을 생성할 수 있다.

예를 들어, 타겟 시간은 도 7의 제3 내지 제n+1 시점들(t3~tn+1) 중 하나일 수 있다. 특징 윈도우는 복수의 타겟 시간들 각각에 대응되는 복수의 윈도우 그룹들을 포함할 수 있다. 일 실시 예에서, 윈도우 시간 간격이 3인 경우, 타겟 시간이 제5 시점(t5)인 윈도우 그룹은 제3 내지 제5 시점들(t3~t5)에 대응되는 예측 특징들을 포함할 수 있다.

트렌드 추출부(512)는 장기 시계열 데이터(LTD) 및 단기 시계열 데이터(STD) 각각에 대한 복수의 윈도우 그룹들을 분석하여 트렌드들을 생성할 수 있다. 트렌드 추출부(512)는 복수의 트렌드들을 추출할 수 있다. 트렌드 추출부(512)의 구성 및 동작 방법은 도 10 내지 도 12를 참조하여 상세하게 설명된다.

적합도 평가부(513)는 트렌드 추출부(512)에서 추출된 복수의 트렌드 특징들을 기반으로, 건강 시계열 데이터(HTD), 외부 예측 결과들(RTD1, RTD2)의 시계열 유사도 및 외부 예측 적합도를 평가 및 산출할 수 있다. 적합도 평가부(513)의 구성 및 동작 방법은 도 13을 참조하여 상세하게 설명된다.

오차 학습부(514)는 적합도 평가부(513)로부터 외부 예측 적합도를 수신할 수 있다. 오차 학습부(514)는 외부 예측 적합도 및 예측 시간의 실측 값을 기반으로 계산된 실제 외부 적합도 사이의 오차를 산출할 수 있다. 오차 학습부(514)는 오차가 최소화되도록 앙상블 예측 모델을 갱신할 수 있다.

일 실시 예에서, 트렌드 추출부(512) 및 적합도 평가부(513)가 인공 신경망으로 구현될 경우, 역전파 방식으로 앙상블 예측 모델(510)에 대한 학습이 수행될 수 있다. 즉, 오차 학습부(514)는 역전파 방식으로 앙상블 예측 모델(510)의 각 구성들의 동작을 위한 파라미터 그룹을 조절할 수 있다.

예측치 산출부(515)는 적합도 평가부(513)로부터 산출된 외부 예측 적합도를 수신할 수 있다. 예측치 산출부(515)는 외부 예측 적합도를 기반으로, 앙상블 예측치(또는, 앙상블 예측 결과)를 산출할 수 있다. 일 실시 예에서, 앙상블 예측치는 복수의 외부 진료 지원 시스템들 중 외부 예측 적합도의 값이 가장 큰 외부 예측 결과를 기반으로 산출될 수 있다. 예를 들어, 앙상블 예측치는 수학식 1과 같이 연산될 수 있다.

일 실시 예에서, 앙상블 예측치는 복수의 외부 예측 결과의 예측치(

)들 각각과 대응하는 외부 예측 적합도(

)에 대한 곱셈 연산의 결과들의 합으로 연산될 수 있다. 예를 들어, 앙상블 예측치는 수학식 2와 같이 연산될 수 있다.

일 실시 예에서, 예측치 산출부(515)는 선형 회귀 계층(Regression layer)을 더 포함할 수 있다. 선형 회귀 계층은 외부 예측 결과 벡터와 외부 예측 적합도 벡터를 기반으로, 앙상블 예측치 및 외부 예측 적합도 사이의 관계를 학습 후 앙상블 예측치를 산출할 수 있다.

도 9는 도 8의 장/단기 시계열 생성부의 동작을 설명하기 위한 도면이다. 도 8 및 도 9를 참조하면, 장/단기 시계열 생성부(511)는 시계열 데이터(TD)를 기반으로 장기 시계열 데이터(LTD) 및 단기 시계열 데이터(STD)를 생성할 수 있다. 예를 들어, 장/단기 시계열 생성부(511)는 시계열 데이터(TD)를 수신할 수 있다. 상술한 바와 같이, 시계열 데이터(TD)는 건강 시계열 데이터(HTD), 제1 외부 예측 결과(RTD1), 제2 외부 예측 결과(RTD2)를 포함할 수 있다.

장/단기 시계열 생성부(511)는 시계열 데이터(TD)를 기반으로 장기 시계열 데이터(LTD) 또는 단기 시계열 데이터(STD)를 생성할 수 있다. 장기 시계열 데이터(LTD), 및 단기 시계열 데이터(STD)는 시계열 데이터(TD)의 부분 시계열 데이터(PTD)일 수 있다. 장기 시계열 데이터(LTD) 및 단기 시계열 데이터(STD)는 시계열 데이터(TD)의 전체 기간 중 연속되는 복수의 시점들의 특징들을 포함할 수 있다. 장/단기 시계열 생성부(511)는 생성된 장기 시계열 데이터(LTD) 또는 단기 시계열 데이터(STD)를 트렌드 추출부(512)로 출력할 수 있다.

시계열 데이터(TD)는 복수의 시점들(t1~t9) 및 복수의 항목들(I1, I2)에 각각 대응되는 특징들(va1~va9, vb1~vb9)을 포함하는 것으로 가정한다. 장기 시계열 데이터(LTD)는 제1 내지 제9 시점들(t1~t9)에 대응되는 특징들을 포함하는 것으로 가정한다. 단기 시계열 데이터(STD)는 제7 내지 제9 시점들(t7~t9)에 대응되는 특징들을 포함하는 것으로 가정한다.

장기 시계열 데이터(LTD)는 장기적인 시계열 특징을 분석하기 위한 데이터를 가리킬 수 있다. 장기 시계열 데이터(LTD)는 제1 내지 제9 시점들(t1~t9)에 대한 특징들(va1~va9, vb1~vb9)을 포함할 수 있다. 예를 들어, 장기 시계열 데이터(LTD)는 입력된 시계열 데이터(TD) 중 전체 기간에 대한 특징들을 포함할 수 있다. 장기 시계열 데이터(LTD)는 입력된 시계열 데이터(TD)와 동일할 수 있다.

단기 시계열 데이터(STD)는 단기적인 시계열 특징을 분석하기 위한 데이터를 가리킬 수 있다. 단기 시계열 데이터(STD)는 제7 내지 제9 시점들(t7~t9)에 대한 특징들(va7~va9, vb7~vb9)을 포함할 수 있다. 단기 시계열 데이터(STD)는 입력된 시계열 데이터(TD) 중 최근 b개(단, b는 1이상의 자연수) 시점들에 대한 특징들을 포함할 수 있다. 예를 들어, 단기 시계열 데이터(STD)는 입력된 시계열 데이터(TD) 보다 적은 특징들을 포함할 수 있다.

장/단기 시계열 생성부(511)는 단기 시계열 데이터(STD)에 포함되는 특징들의 개수, 전체 기간 중 시점들의 개수, 또는 단기 시계열 데이터의 크기를 조정할 수 있다. 예를 들어, 장/단기 시계열 생성부(511)는 분석 대상 기간에 따라 단기 시계열 데이터의 크기를 변경할 수 있다. 장/단기 시계열 생성부(511)는 제1 분석 대상 기간에 대해 제8 및 제9 시점들(t8, t9)에 대한 특징들을 포함하는 단기 시계열 데이터(STD)를 생성하고, 제2 분석 대상 기간에 대해 제6 내지 제9 시점들(t6~t9)에 대한 특징들을 포함하는 단기 시계열 데이터(STD)를 생성할 수 있다.

일 실시 예에서, 장/단기 시계열 생성부(511)는 1개의 장기 시계열 데이터(LTD), 및 복수의 단기 시계열 데이터(STD)를 생성할 수 있다. 예를 들어, 장/단기 시계열 생성부(511)는 제1 내지 제9 시점들(t1~t9)에 대한 특징들을 포함하는 장기 시계열 데이터(LTD)를 생성할 수 있다. 장/단기 시계열 생성부(511)는 제6 내지 제9 시점들(t6~t9)에 대한 특징들을 포함하는 제1 단기 시계열 데이터, 제7 내지 제9 시점들(t7~t9)에 대한 특징들을 포함하는 제2 단기 시계열 데이터, 제8 및 제9 시점들(t8, t9)에 대한 특징들을 포함하는 제3 단기 시계열 데이터를 생성할 수 있다.

도 10은 도 8의 트렌드 추출부의 예를 보여주는 블록도이다. 도 11은 도 8의 트렌드 추출부의 동작을 설명하기 위한 도면이다. 도 12는 트렌드 추출부의 효과를 설명하기 위한 그래프이다. 도 8, 도 10 및 도 11을 참조하면, 트렌드 추출부(512)는 전처리부(512_1), 제1 내지 제3 트렌드 추출부들(512_2~512_4)을 포함할 수 있다. 트렌드 추출부(512)는 장/단기 시계열 생성부(511)로부터 장기 시계열 데이터(LTD) 및 단기 시계열 데이터(STD)를 수신할 수 있다.

구체적으로, 트렌드 추출부(512)는 건강 시계열 데이터에 대한 장기 시계열 데이터(LTD_HTD), 건강 시계열 데이터에 대한 단기 시계열 데이터(STD_HTD), 제1 외부 예측 결과에 대한 장기 시계열 데이터(LTD_RTD1), 제1 외부 예측 결과에 대한 단기 시계열 데이터(STD_RTD1), 제2 외부 예측 결과에 대한 장기 시계열 데이터(LTD_RTD2), 제2 외부 예측 결과에 대한 단기 시계열 데이터(STD_RTD2)를 수신할 수 있다.

전처리부(512_1)는 장기 시계열 데이터(LTD)를 윈도우 시간 간격으로 그룹화 하여 장기 특징 윈도우(LWD)를 생성하고, 단기 시계열 데이터(STD)를 윈도우 시간 간격으로 그룹화 하여 단기 특징 윈도우(SWD)를 생성할 수 있다. 전처리부(512_1)는 장기 시계열 데이터(LTD)에서 타겟 시간으로부터 윈도우 시간 간격 동안의 특징들을 추출함으로써 장기 특징 윈도우(LWD)를 생성하고, 단기 시계열 데이터(STD)에서 타겟 시간으로부터 윈도우 시간 간격 동안의 특징들을 추출함으로써 단기 특징 윈도우(SWD)를 생성할 수 있다.

장기 특징 윈도우(LWD)는 복수의 타겟 시간들 각각에 대응되는 복수의 장기 윈도우 그룹들을 포함하고, 단기 특징 윈도우(SWD)는 복수의 타겟 시간들 각각에 대응되는 복수의 단기 윈도우 그룹들을 포함할 수 있다. 예를 들어, 윈도우 시간 간격이 3이고, 타겟 시간이 제7 시점(t7)인 경우, 윈도우 그룹은 제7 시점 내지 제9 시점들(t7~t9)에 대응되는 특징들을 포함할 수 있다.

일 실시 예에서, 윈도우 시간 간격이 증가할수록 장기적인 시계열 추세를 반영할 수 있고, 윈도우 시간 간격이 감소할수록 단기적인 시계열 추세를 반영할 수 있다. 목적에 따라 윈도우 시간 간격은 조정될 수 있다.

일 실시 예에서, 전처리부(512_1)는 복수의 윈도우 시간 간격이 적용된 특징 윈도우 벡터를 생성할 수 있다. 즉, 전처리부(512_1)는 장기 특징 윈도우 벡터 및 단기 특징 윈도우 벡터를 생성할 수 있다.

예를 들어, 전처리부(512_1)는 장기 시계열 데이터(LTD)를 기반으로, 제1 윈도우 시간 간격(예를 들어, 2)으로 그룹화 하여 제1 장기 특징 윈도우를 생성하고, 제2 윈도우 시간 간격(예를 들어, 3)으로 그룹화 하여 제2 장기 특징 윈도우를 생성할 수 있다. 전처리부(512_1)는 제1 장기 특징 윈도우 및 제2 장기 특징 윈도우를 포함하는 장기 특징 윈도우 벡터를 생성할 수 있다. 이와 유사한 방법으로, 전처리부(512_1)는 단기 특징 윈도우 벡터를 생성할 수 있으므로 상세한 설명은 생략된다.

도 11에 도시된 바와 같이, 전처리부(512_1)는 장기 시계열 데이터(LTD)를 기반으로 장기 특징 윈도우(LWD)를 생성하고, 단기 시계열 데이터(STD)를 기반으로 단기 특징 윈도우(SWD)를 생성할 수 있다. 윈도우 시간 간격은 3으로 가정한다. 전처리부(512_1)는 3개의 시점들에 대응되는 특징들을 추출하여 특징 윈도우들을 생성할 수 있다.

예를 들어, 전처리부(512_1)는 장기 시계열 데이터(LTD)를 기반으로, 제1 내지 제7 장기 윈도우 그룹들(LWG1~LWG7)을 포함하는 장기 특징 윈도우(LWD)를 생성할 수 있다. 전처리부(512_1)는 단기 시계열 데이터(STD)를 기반으로, 제1 내지 제3 단기 윈도우 그룹들(SWG1~SWG3)을 포함하는 단기 특징 윈도우(SWD)를 생성할 수 있다. 윈도우 그룹들(LWG1~LWG7, SWG1~SWG3) 각각은 3개의 연속된 시점 동안의 특징들을 포함할 수 있다. 윈도우 그룹들(LWG1~LWG7, SWG1~SWG3)은 윈도우 시간 간격 동안의 특징들의 트렌드를 분석하기 위하여 사용될 수 있다.

단기 시계열 데이터(STD)의 경우, 제7 시점( t7) 이전 시간들에 대한 특징들이 없을 수 있다. 이 경우, 제5 시점(t5) 또는 제6 시점(t6)을 기준으로 생성된 단기 윈도우 그룹들(SWG1, SWG2)의 비어 있는 시점(예를 들어, 제5 및 제6 시점들(t5, t6))의 값들은 제로 패딩을 통하여 채워질 수 있다.

제1 내지 제3 트렌드 추출부들(512_2~512_4)은 전처리부(512_1)로부터 제공된 장기 특징 윈도우(LWD), 및 단기 특징 윈도우(SWD)를 수신할 수 있다. 트렌드 추출부(512)는 복수의 트렌드를 추출할 수 있다. 예를 들어, 제1 트렌드 추출부(512_2)는 추세적 트렌드를 추출하고, 제2 트렌드 추출부(512_3)는 변동성 트렌드를 추출하고, 제3 트렌드 추출부(512_4)는 추세 운동량 트렌드를 추출할 수 있다.

예를 들어, 추세적 트렌드는 시계열 데이터의 점진적인 값의 변화 추세를 표현하는 벡터일 수 있다. 변동성 트렌드는 시계열 데이터 내에서 값의 변동성의 크기, 패턴, 주기 등을 표현하는 벡터일 수 있다. 추세 운동량 트렌드는 시계열 데이터의 상승, 하강 등의 변화 방향 및 변화 방향에 대한 강도 등을 표현하는 벡터일 수 있다.

일 실시 예에서, 추세적 트렌드는 추세적 특징 및 추세 전환 특징을 포함할 수 있다. 예를 들어, 추세적 특징은 이동평균(MA; moving average), 이동평균 수렴-확산(Moving Average Convergence & Divergence) 등의 지표를 사용할 수 있다. 예를 들어, 수학식 3을 참조하면, a_K는 계수들 중 제k 윈도우 그룹에 대응하는 계수 값을 가리키고,

는 제k 윈도우 그룹을 가리킨다. 이동평균은 계수들 a1~ak 각각에 1/k를 적용하여 수학식 3과 같이 연산될 수 있다.

일 실시 예에서, 추세 전환 특징은 윈도우 시간 간격(k)을 달리하여 산출된 윈도우 평균의 차이를 활용할 수 있다. 제1 윈도우 시간 간격(k1)이 제2 윈도우 시간 간격(k2)보다 큰 경우, 제1 윈도우 시간 간격(k1)의 부분 시계열로 추출한 추세 추출 결과가 제2 윈도우 시간 간격(k2)의 부분 시계열로 추출한 추세 추출 결과 보다 작다면, 상승 추세의 전환을 의미하고, 반대의 경우 하강 추세로의 전환을 의미한다.

변동성 트렌드는 윈도우 그룹들에 대해 표준 편차와 분산으로 트렌드 특징을 표현할 수 있다. 추세 운동량 트렌드는 기울기 특징과 변화량 특징을 포함할 수 있다. 예를 들어, 기울기 특징은 단순 변화량 계산식에 대응하는 수학식 4와 같이 연산될 수 있다. 또는 기울기 특징은 선형 회귀의 기우리 계산식에 대응하는 수학식 5와 같이 연산될 수 있다.

예를 들어, 변화량 특징은 두 시점 간의 차이에 대응하는 수학식 6과 같이 연산될 수 있다. 변화량 특징은 시작점 대비 변화 비율에 대응하는 수학식 7과 같이 연산될 수 있다.

제1 트렌드 추출부(512_2)는 장기 특징 윈도우(LWD)를 기반으로 장기 추세적 특징 트렌드(LKD1_1), 장기 추세 전환 특징 트렌드(LKD1_2)를 생성할 수 있다. 제1 트렌드 추출부(512_2)는 단기 특징 윈도우(SWD)를 기반으로 단기 추세적 특징 트렌드(SKD1_1), 단기 추세 전환 특징 트렌드(SKD1_2)를 생성할 수 있다.

제2 트렌드 추출부(512_3)는 장기 특징 윈도우(LWD)를 기반으로 장기 변동성 특징 트렌드(LKD2)를 생성할 수 있다. 제2 트렌드 추출부(512_3)는 단기 특징 윈도우(SWD)를 기반으로 단기 변동성 특징 트렌드(SKD2)를 생성할 수 있다.

제3 트렌드 추출부(512_4)는 장기 특징 윈도우(LWD)를 기반으로 장기 기울기 특징 트렌드(LKD3_1), 장기 변화량 특징 트렌드(LKD3_2)를 생성할 수 있다. 제3 트렌드 추출부(512_4)는 단기 특징 윈도우(SWD)를 기반으로 단기 기울기 특징 트렌드(SKD3_1), 단기 변화량 특징 트렌드(SKD3_2)를 생성할 수 있다.

도 11을 참조하면, 도면의 간결성 및 설명의 편의를 위하여 복수의 특징 트렌드들 중 1개의 트렌드만 도시하고, 나머지 특징 트렌드들은 생략된다. 즉, 제2 트렌드 추출부(512_3)에 의해, 장기 변동성 특징 트렌드(LKD2) 및 단기 변동성 특징 트렌드(SKD2)를 생성하는 과정만 도시된다.

일 실시 예에서, 제2 트렌드 추출부(512_3)는 장기 특징 윈도우(LWD)에 포함된 장기 윈도우 그룹들(LWG1~LWG7) 각각을 분석하여 장기 변동성 특징 트렌드(LKD2)를 생성할 수 있다. 장기 변동성 특징 트렌드(LKD2)는 장기 윈도우 그룹들(LWG1~LWG7)에 각각 대응되는 트렌드 특징들을 포함할 수 있다.

예를 들어, 제2 트렌드 추출부(512_3)는 제1 장기 윈도우 그룹(LWG1)에서 제1 항목(I1)의 특징들(va1~va3)을 분석하여, 변동성 특징 트렌드 스코어(vc1)를 생성하고, 제2 항목(I2)의 특징들(vb1~vb3)을 분석하여, 변동성 특징 트렌드 스코어(vd1)를 생성할 수 있다. 제2 트렌드 추출부(512_2)는 제2 장기 윈도우 그룹(LWG2)에서 제1 항목(I1)의 특징들(va2~va4)을 분석하여, 변동성 특징 트렌드 스코어(vc2)를 생성하고, 제2 항목(I2)의 특징들(vb2~vb4)을 분석하여, 변동성 특징 트렌드 스코어(vd2)를 생성할 수 있다. 이와 유사한 방법으로, 제2 트렌드 추출부(512_2)는 나머지 장기 윈도우 그룹들(LWG3~7)에 대하여 변동성 특징 트렌드 스코어를 생성할 수 있으므로, 상세한 설명은 생략된다.

제2 트렌드 추출부(512_2)는 장기 특징 윈도우(LWD)를 기반으로 장기 변동성 특징 트렌드(LKD2)를 생성한 것과 유사한 방법으로 단기 특징 윈도우(SWD)를 기반으로 단기 변동성 특징 트렌드(SKD2)를 생성할 수 있으므로, 상세한 설명은 생략된다.

도 12에 도시된 바와 같이, 앙상블 예측 모델(510)은 시계열 데이터를 구성하는 다양한 트렌드 특징들을 다각적으로 분석할 수 있다. 앙상블 예측 모델(510)은 장기 시계열 데이터(LTD) 및 단기 시계열 데이터(STD)를 구분함에 따라, 시계열 유사도 판단에 중요도가 다른 장/단기적 관점의 분석 결과를 종합으로 분석할 수 있다. 앙상블 예측 모델(510)은 추세적 트렌드, 변동성 트렌드, 추세 운동량 트렌드 등을 포함하는 복합적 트렌드들을 통해 단일 트렌드 특징으로 변별이 불가능한 시계열 트렌드 차이에 따른 유사도 차이를 구분할 수 있다.

도 13은 도 8의 적합도 평가부의 예를 보여주는 블록도이다. 도 8, 및 도 13을 참조하면, 적합도 평가부(513)는 장기 트렌드 분석부(513_1), 단기 트렌드 분석부(513_2), 적합도 계산부(513_3), 제1 내지 제4 집중도 학습부(CL1~CL4), 제1 내지 제4 먹스(MUX1~MUX4)를 포함할 수 있다.

적합도 평가부(513)는 특징 트렌드로부터 시계열 데이터의 유사도 및 외부 진료 지원 시스템의 적합도(즉, 외부 예측 적합도)를 평가할 수 있다. 장기 트렌드 분석부(513_1)는 LSTM(Long short term memory) 신경망으로 구현될 수 있다. 단기 트렌드 분석부(513_2)는 LSTM(Long short term memory) 신경망으로 구현될 수 있다.

적합도 평가부(513)는 트렌드 추출부(512)로부터 추출된 특징 트렌드들, 건강 시계열 데이터(HTD), 제1 및 제2 외부 예측 결과들(RTD1, RTD2)을 수신할 수 있다.특징 트렌드는 건강 시계열 데이터(HTD)에 대한 특징 트렌드, 제1 외부 예측 결과에 대한 특징 트렌드, 제2 외부 예측 결과에 대한 특징 트렌드를 포함할 수 있다.

건강 시계열 데이터(HTD)에 대한 특징 트렌드는 건강 시계열 데이터에 대한 장기 특징 트렌드(LKD_HTD) 및 건강 시계열 데이터에 대한 단기 특징 트렌드(SKD_HTD)를 포함할 수 있다. 제1 외부 예측 결과(RTD1)에 대한 특징 트렌드는 제1 외부 예측 결과에 대한 장기 특징 트렌드(LKD_RTD1) 및 제1 외부 예측 결과에 대한 단기 특징 트렌드(SKD_RTD1)를 포함할 수 있다. 제2 외부 예측 결과(RTD2)에 대한 특징 트렌드는 제2 외부 예측 결과에 대한 장기 특징 트렌드(LKD_RTD2) 및 제2 외부 예측 결과에 대한 단기 특징 트렌드(SKD_RTD2)를 포함할 수 있다.

건강 시계열 데이터, 제1 외부 예측 결과, 제2 외부 예측 결과에 대한 장기 특징 트렌드들(LKD_HTD, LKD_RTD1, LKD_RTD2) 각각은 장기 추세적 특징 트렌드(LKD1_1), 장기 추세 전환 특징 트렌드(LKD1_2), 장기 변동성 특징 트렌드(LKD2), 장기 기울기 특징 트렌드(LKD3_1), 장기 변화량 특징 트렌드(LDK3_2)를 포함할 수 있다.

건강 시계열 데이터, 제1 외부 예측 결과, 제2 외부 예측 결과에 대한 단기 특징 트렌드들(SKD_HTD, SKD_RTD1, SKD_RTD2)은 단기 추세적 특징 트렌드(SKD1_1), 단기 추세 전환 특징 트렌드(SKD1_2), 단기 변동성 특징 트렌드(SKD2), 단기 기울기 특징 트렌드(SKD3_1), 단기 변화량 특징 트렌드(SDK3_2)를 포함할 수 있다.

장기 입력 데이터(LID)는 건강 시계열 데이터(HTD), 제1 외부 예측 결과(RTD1), 제2 외부 예측 결과(RTD2), 건강 시계열 데이터, 제1 외부 예측 결과, 제2 외부 예측 결과에 대한 장기 특징 트렌드들(LKD_HTD, LKD_RTD1, LKD_RTD2)을 포함할 수 있다.

단기 입력 데이터(SID)는 건강 시계열 데이터(HTD), 제1 외부 예측 결과(RTD1), 제2 외부 예측 결과(RTD2), 건강 시계열 데이터, 제1 외부 예측 결과, 제2 외부 예측 결과에 대한 단기 특징 트렌드들(SKD_HTD, SKD_RTD1, SKD_RTD2)을 포함할 수 있다.

제1 집중도 학습부(CL1)는 장기 입력 데이터(LID)를 수신할 수 있다. 제1 먹스(MUX1)는 제1 집중도 학습부(CL1)의 출력 및 장기 입력 데이터(LID)를 수신하고, 제1 집중도 학습부(CL1)의 출력 또는 장기 입력 데이터 중 어느 하나를 출력할 수 있다.

제2 집중도 학습부(CL2)는 단기 입력 데이터(SID)를 수신할 수 있다. 제2 먹스(MUX2)는 제2 집중도 학습부(CL2)의 출력 및 단기 입력 데이터(SID)를 수신하고, 제2 집중도 학습부(CLK2)의 출력 또는 단기 입력 데이터(SID) 중 어느 하나를 출력할 수 있다.

장기 트렌드 분석부(513_1)는 제1 먹스(MUX1)의 출력을 수신할 수 있다. 장기 트렌드 분석부(513_1)는 장기 적합도 벡터(LV)를 출력할 수 있다. 단기 트렌드 분석부(513_2)는 제2 먹스(MUX2)의 출력을 수신할 수 있다. 단기 트렌드 분석부(513_2)는 단기 적합도 벡터(SV)를 출력할 수 있다.

제3 집중도 학습부(CL3)는 장기 적합도 벡터(LV)를 수신할 수 있다. 제3 먹스(MUX3)는 장기 적합도 벡터(LV) 및 제3 집중도 학습부(CL3)의 출력을 수신하고, 장기 적합도 벡터(LV) 또는 제3 집중도 학습부(CL3)의 출력 중 어느 하나를 출력할 수 있다.

제4 집중도 학습부(CL4)는 단기 적합도 벡터(SV)를 수신할 수 있다. 제4 먹스(MUX)는 단기 적합도 벡터(SV) 및 제4 집중도 학습부(CL4)의 출력을 수신하고, 단기 적합도 벡터(SV) 또는 제4 집중도 학습부(CL4)의 출력 중 어느 하나를 출력할 수 있다.

적합도 계산부(513_3)는 제3 먹스(MUX3)의 출력 및 제4 먹스(MUX4)의 출력을 수신할 수 있다. 적합도 계산부(513_3)는 외부 진료 지원 시스템의 예측 적합도(외부 예측 적합도)를 산출하여 출력할 수 있다.

장기 적합도 벡터(LV)는 장기적인 추세에서 외부 예측 결과들에 대하여 앙상블 예측 결과로서의 적합여부 판단을 위한 정보를 포함할 수 있다. 단기 적합도 벡터(SV)는 단기적인 추세에서 외부 예측 결과들에 대하여 앙상블 예측 결과로서의 적합여부 판단을 위한 정보를 포함할 수 있다.

일 실시예에서, 복수의 시점들 각각에 대응되는 건강 시계열 데이터(HTD), 제1 외부 예측 결과(RTD1), 제2 외부 예측 결과(RTD2), 및 장기 특징 트렌드들(LKD_HTD, LKD_RTD1, LKD_RTD2)은 순차적으로 장기 트렌드 분석부(513_1)의 LSTM 신경망에 입력될 수 있다. 그 결과, 이전 시간의 특징 벡터가 다음 시간의 특징 벡터를 생성하는데 반영되고, 장기 트렌드 분석부(513_1)는 예측 시점에서 외부 예측 결과들의 장기 트렌드 적합도 특징 벡터(즉, 장기 적합도 벡터(LV))를 산출할 수 있다.

일 실시 예에서, 복수의 시점들 각각에 대응되는 건강 시계열 데이터(HTD), 제1 외부 예측 결과(RTD1), 제2 외부 예측 결과(RTD2), 및 단기 특징 트렌드들(SKD_HTD, SKD_RTD1, SKD_RTD2)은 순차적으로 단기 트렌드 분석부(513_2)의 LSTM 신경망에 입력될 수 있다. 그 결과, 이전 시간의 특징 벡터가 다음 시간의 특징 벡터를 생성하는데 반영되고, 단기 트렌드 분석부(513_2)는 예측 시점의 외부 예측 결과들의 단기 트렌드 적합도 특징 벡터(즉, 단기 적합도 벡터(SV))를 산출할 수 있다.

제1 집중도 학습부(CL1)는 장기 특징 트렌드들(LKD)에 대한 집중도를 학습할 수 있다. 예를 들어, 집중도(attention)란 입력 각각에 대하여 학습 결과에 기여도 정도를 학습하여, 기여도가 큰 입력에 집중할 수 있도록 입력에 대한 가중치를 부여하는 것을 의미한다.

제1 내지 제4 집중도 학습부(CL1~CL4)

는

를 입력 받고, 수학식 8과 같이

를 반환할 수 있다.

이때 결과

이고, 임의의

는 임의의 입력

에 대한 가중치를 의미한다.(

) 이에 따라, 가중치가 반영된 입력 특징은 (

장기 트렌드 분석부(513_1) 또는 단기 트렌드 분석부(513_2)에 입력될 수 있다. 예를 들어, 가중치가 반영된 장기 입력 데이터는 장기 트렌드 분석부(513_1)에 입력되고, 가중치가 반영된 단기 입력 데이터는 단기 트렌드 분석부(513_2)에 입력될 수 있다.

일 실시 예에서, 제2 집중도 학습부(CL2)는 단기 특징 트렌드들(SKD)에 대한 집중도를 학습할 수 있다. 제3 집중도 학습부(CL3)는 장기 적합도 벡터(LV)에 대한 집중도를 학습할 수 있다. 제4 집중도 학습부(CL4)는 단기 적합도 벡터(SV)에 대한 집중도를 학습할 수 있다. 제1 내지 제4 집중도 학습부들(CL1~CL4)은 인공 신경망(artificial neural network)의 전 연결 레이어(Fully connected layer)로 구현될 수 있다.

적합도 계산부(513_3)는 장기 적합도 벡터(LV) 및 단기 적합도 벡터(SV)를 입력 받아, 외부 진료 지원 시스템에 대한 예측 적합도(또는 외부 예측 적합도)를 산출할 수 있다. 즉, 적합도 계산부(513_3)는 외부 예측 결과의 앙상블 예측 결과로서의 적합 여부 가중치를 산출할 수 있다.

외부 예측 적합도는 외부 예측치 벡터 <pA, …pN>에 대응하는 수학식 9과 같이 연산될 수 있다.

일 실시 예에서, 적합도 계산부(513_3)는 인공 신경망의 전 연결 레이어로 구현될 수 있다.

도 14는 도 8의 오차 학습부의 동작을 보여주는 도면이다. 도 8 및 도 15를 참조하면, 오차 학습부(514)는 적합도 평가부(513)로부터 외부 예측 적합도를 수신할 수 있다. 오차 학습부(514)는 예측 시간의 예측치들 및 예측 시간의 실측 값을 기반으로 실제 외부 적합도를 생성할 수 있다. 오차 학습부(514)는 수신한 외부 예측 적합도 및 실제 외부 적합도를 기반으로 오차를 산출할 수 있다. 오차 학습부(514)는 오차가 최소화되도록 앙상블 예측 모델(510)의 각 구성들의 동작을 위한 파라미터 그룹을 조절할 수 있다.

실제 외부 적합도는 제1 외부 예측 결과(RTD1)에 대응하는 제1 실제 외부 적합도(S1) 및 제2 외부 예측 결과(RTD2)에 대응하는 제2 실제 외부 적합도(S2)를 포함할 수 있다. 예를 들어, 제1 실제 외부 적합도(S1)는 제2 진료 지원 시스템(12)에 대한 실제 외부 적합도를 가리키고, 제2 실제 외부 적합도(S2)는 제3 진료 지원 시스템(13)에 대한 실제 외부 적합도를 가리킬 수 있다.

일 실시 예에서, 오차 학습부(514)는 오차 학습을 위한 실제 외부 적합도(S)를 생성할 수 있다. 오차 학습부(514)는 제1 외부 예측 결과(RTD1) 중 예측 시간의 제1 예측치(P1), 제2 외부 예측 결과(RTD2) 중 예측 시간의 제2 예측치(P2), 예측 시간의 실측 값(Y)을 기반으로, 실제 외부 적합도(S)를 연산할 수 있다.

예를 들어, 예측 시간에 대응되는 제1 외부 예측 결과(RTD1)(즉, 제1 예측치(P1))와 예측 시간의 실측 값(Y)의 제1 차이를 계산할 수 있다. 예측 시간에 대응되는 제2 외부 예측 결과(RTD2)(즉, 제2 예측치(P2))와 예측 시간의 실측 값(Y)의 제2 차이를 계산할 수 있다. 제1 차이가 제2 차이보다 큰 경우, 제1 실제 외부 적합도(S1)는 '0'이 설정되고, 제2 실제 외부 적합도(S2)는 '1'이 설정될 수 있다. 제1 차이가 제2 차이보다 작은 경우, 제1 실제 외부 적합도(S1)는 '1'이 설정되고, 제2 실제 외부 적합도(S2)는 '0'이 설정될 수 있다. 즉, 복수의 차이들 중 가장 작은 차이에 대응하는 외부 진료 지원 시스템에 대한 실제 외부 적합도는 '1'로 설정되고, 나머지 외부 진료 지원 시스템에 대한 실제 외부 적합도는 '0'으로 설정될 수 있다.

예를 들어, 제1 예측치(P1)는 '0.6'이고, 제2 예측치(P2)는 '0.4'이고, 실측 값(Y)이 '0.7'인 경우를 가정한다. 제1 차이는 '0.1'이고, 제2 차이는 '0.3'일 수 있다. 제1 차이('0.1')는 제2 차이('0.3')보다 작으므로, 제1 실제 외부 적합도(S1)는 '1'로 설정되고, 제2 실제 외부 적합도(S2)는 '0'으로 설정될 수 있다.

일 실시 예에서, 오차 학습부(514)는 최대 오차(예를 들어, '1'), 및 실측 값(Y)과 예측치 사이의 차이에 대하여 뺄셈 연산을 수행하여 실제 외부 적합도로 설정할 수 있다. 예를 들어, 제1 예측치(P1)는 '0.6'이고, 제2 예측치(P2)는 '0.4'이고, 실측 값(Y)이 '0.7'인 경우를 가정한다. 제1 차이는 '0.1'이고, 제2 차이는 '0.3'일 수 있다. 제1 실제 외부 적합도(S1)는 '0.9'이고, 제2 실제 외부 적합도(S2)는 '0.7'일 수 있다.

도 15는 도 1의 예측 시스템의 예를 보여주는 블록도이다. 도 15를 참조하면, 예측 시스템(1000)은 네트워크 인터페이스(1100), 프로세서(1200), 메모리(1300), 스토리지(1400), 및 버스(1500)를 포함할 수 있다. 예를 들어, 예측 시스템(1000)은 서버로 구현될 수 있으나, 이에 제한되지 않는다. 예측 시스템(1000)은 제1 진료 지원 시스템(11)의 제1 예측 시스템(PS)인 것으로 가정한다.

네트워크 인터페이스(1100)는 도 1의 네트워크(NT)를 통하여 외부 진료 지원 시스템들(12~14)과 통신하도록 구성될 수 있다. 네트워크 인터페이스(1100)는 네트워크(NT)를 통하여 수신된 데이터를 버스(1500)를 통하여 프로세서(1200), 메모리(1300) 또는 스토리지(1400)에 제공할 수 있다. 네트워크 인터페이스(1100)는 프로세서(1200)에 의한 예측 요청과 함께 부분 시계열 데이터를 외부 진료 지원 시스템들(12~14)로 출력할 수 있다. 또한, 네트워크 인터페이스(1100)는 예측 결과 요청, 부분 시계열 데이터에 응답하여 생성된 외부 예측 결과들을 수신할 수 있다.

프로세서(1200)는 예측 시스템(1000)의 중앙 처리 장치로의 기능을 수행할 수 있다. 프로세서(1200)는 예측 시스템(1000)의 데이터 관리, 학습, 및 예측을 위하여 요구되는 제어 동작 및 연산 동작을 수행할 수 있다. 예를 들어, 프로세서(1200)의 제어에 따라, 네트워크 인터페이스(1100)는 부분 시계열 데이터를 외부 진료 지원 시스템들(12~14)로 송신하고, 외부 예측 결과들을 외부 진료 지원 시스템들(12~14)로부터 수신할 수 있다. 프로세서(1200)의 제어에 따라, 앙상블 예측 모델을 이용하여 앙상블 결과가 계산될 수 있다. 프로세서(1200)는 메모리(1300)의 연산 공간을 활용하여 동작할 수 있고, 스토리지(1400)로부터 운영체제를 구동하기 위한 파일들 및 어플리케이션의 실행 파일들을 읽을 수 있다. 프로세서(1200)는 운영 체제 및 다양한 어플리케이션들을 실행할 수 있다.

메모리(1300)는 프로세서(1200)에 의하여 처리되거나 처리될 예정인 데이터 및 프로세스 코드들을 저장할 수 있다. 예를 들어, 메모리(1300)는 외부 예측 결과들, 외부 예측 결과들을 관리하기 위한 정보들, 앙상블 결과를 계산하기 위한 정보들, 및 예측 모델을 구축하기 위한 정보들을 저장할 수 있다. 메모리(1330)는 예측 시스템(1000)의 주기억 장치로 이용될 수 있다. 메모리(1330)는 DRAM (Dynamic RAM), SRAM (Static RAM), PRAM (Phase-change RAM), MRAM (Magnetic RAM), FeRAM (Ferroelectric RAM), RRAM (Resistive RAM) 등을 포함할 수 있다.

앙상블 예측 모델(1310)은 메모리(1300)에 로딩되어 실행될 수 있다. 앙상블 예측 모델(1310)은 도 2의 앙상블 예측 모델(510)에 대응된다. 앙상블 예측 모델(510)은 메모리(1300)의 연산 공간의 일부일 수 있다. 이 경우, 앙상블 예측 모델(510)은 펌웨어 또는 소프트웨어로 구현될 수 있다. 예를 들어, 펌웨어는 스토리지(1400)에 저장되고, 펌웨어를 실행 시에 메모리(1300)에 로딩될 수 있다. 프로세서(1200)는 메모리(1300)에 로딩된 펌웨어를 실행할 수 있다.

스토리지(1400)는 운영 체제 또는 어플리케이션들에 의해 장기적인 저장을 목적으로 생성되는 데이터, 운영 체제를 구동하기 위한 파일, 또는 어플리케이션들의 실행 파일 등을 저장할 수 있다. 예를 들어, 스토리지(1400)는 앙상블 예측 모델(1310)의 실행을 위한 파일들을 저장할 수 있다. 스토리지(1400)는 예측 시스템(1000)의 보조 기억 장치로 이용될 수 있다. 스토리지(1400)는 플래시 메모리, PRAM (Phase-change RAM), MRAM (Magnetic RAM), FeRAM (Ferroelectric RAM), RRAM (Resistive RAM) 등을 포함할 수 있다.

버스(1500)는 예측 시스템(1000)의 구성 요소들 사이에서 통신 경로를 제공할 수 있다. 네트워크 인터페이스(1100), 프로세서(1200), 메모리(1300), 및 스토리지(1400)는 버스(1500)를 통해 서로 데이터를 교환할 수 있다. 버스(1500)는 예측 시스템(1000)에서 이용되는 다양한 유형의 통신 포맷을 지원하도록 구성될 수 있다.

상술된 내용은 본 개시를 실시하기 위한 구체적인 실시 예들이다. 본 개시는 상술된 실시 예들뿐만 아니라, 단순하게 설계 변경되거나 용이하게 변경할 수 있는 실시 예들 또한 포함할 것이다. 또한, 본 개시는 실시 예들을 이용하여 용이하게 변형하여 실시할 수 있는 기술들도 포함될 것이다. 따라서, 본 개시의 범위는 상술된 실시 예들에 국한되어 정해져서는 안되며 후술하는 특허청구범위뿐만 아니라 이 발명의 특허청구범위와 균등한 것들에 의해 정해져야 할 것이다.

PS: 예측 시스템
100: 예측기 관리 장치
200: 예측기 연동 장치
300: 앙상블 예측 장치
400: 시계열 예측 장치
500: 모델 저장소
600: 학습 데이터 저장소
510: 앙상블 예측 모델
520: 시계열 예측 모델

Claims (13)

1. 앙상블 예측 모델을 포함하는 건강 상태 예측 시스템의 동작 방법에 있어서,
   건강 시계열 데이터에 대한 예측 결과 요청을 제1 및 제2 외부 진료 지원 시스템들로 전송하는 단계;
   상기 제1 외부 진료 지원 시스템으로부터 상기 건강 시계열 데이터에 대한 제1 외부 예측 결과를 수신하는 단계;
   상기 제2 외부 진료 지원 시스템으로부터 상기 건강 시계열 데이터에 대한 제2 외부 예측 결과를 수신하는 단계;
   상기 건강 시계열 데이터, 상기 제1 및 제2 외부 예측 결과들 각각에 대한 장기 시계열 데이터 및 단기 시계열 데이터를 생성하는 단계;
   상기 장기 시계열 데이터를 기반으로 제1 및 제2 장기 트렌드들을 추출하는 단계;
   상기 단기 시계열 데이터를 기반으로 제1 및 제2 단기 트렌드들을 추출하는 단계;
   상기 제1 및 제2 장기 트렌드들, 상기 제1 및 제2 단기 트렌드들 기반으로 외부 예측 적합도를 산출하는 단계; 및
   상기 외부 예측 적합도, 상기 제1 및 제2 외부 예측 결과들을 기반으로 앙상블 예측 결과를 생성하는 단계를 포함하는 방법.
   
2. 제 1 항에 있어서,
   상기 산출된 외부 예측 적합도 및 실제 외부 적합도를 기반으로 오차를 산출하는 단계; 및
   상기 오차를 기반으로 상기 앙상블 예측 모델의 파라미터를 조절하는 단계를 더 포함하는 방법.
3. 제 2 항에 있어서,
   상기 실제 외부 적합도는 예측 시점의 실측 값, 상기 예측 시점에 대응하는 제1 외부 예측 결과, 상기 예측 시점에 대응하는 제2 외부 예측 결과를 기반으로 생성되는 방법.
4. 제 1 항에 있어서,
   상기 장기 시계열 데이터에 포함된 특징들의 개수는 상기 건강 시계열 데이터에 포함된 특징들의 개수와 동일하고,
   상기 단기 시계열 데이터에 포함된 특징들의 개수는 상기 건강 시계열 데이터에 포함된 특징들의 개수보다 적은 방법.
5. 제 1 항에 있어서,
   상기 제1 및 제2 단기 트렌드들, 상기 제1 및 제2 장기 트렌드들은 추세적 트렌드 특징, 변동성 트렌드 특징, 또는 추세 운동량 트렌드 특징 중 적어도 어느 하나에 해당하는 방법.
6. 제 5 항에 있어서,
   상기 추세적 트렌드 특징은 추세적 특징 및 추세 전환 특징을 포함하고, 상기 추세 운동량 트렌드 특징은 기울기 특징과 변화량 특징을 포함하는 방법.
7. 제 5 항에 있어서,
   상기 추세적 트렌드 특징은 상기 장기 시계열 데이터 또는 상기 단기 시계열 데이터의 점진적인 값의 변화 추세를 가리키고,
   상기 변동성 트렌드 특징은 상기 장기 시계열 데이터 또는 상기 단기 시계열 데이터 내에서 값의 변동성의 크기, 패턴, 및 주기 등을 가리키고,
   상기 추세 운동량 트렌드 특징은 상기 장기 시계열 데이터 또는 상기 단기 시계열 데이터의 상승 및 하강을 포함하는 변화 방향, 및 상기 변화 방향에 대한 강도를 가리키는 방법.
8. 제 1 항에 있어서,
   상기 장기 시계열 데이터를 기반으로 상기 제1 및 제2 장기 트렌드들을 추출하는 단계는:
   상기 장기 시계열 데이터에서 윈도우 시간 간격 동안의 특징들을 추출하여 장기 특징 윈도우를 생성하는 단계;
   상기 장기 특징 윈도우를 기반으로 상기 제1 장기 트렌드를 생성하는 단계; 및
   상기 장기 특징 윈도우를 기반으로 상기 제2 장기 트렌드를 생성하는 단계를 포함하는 방법.
9. 제 1 항에 있어서,
   상기 제1 및 제2 장기 트렌드들, 상기 제1 및 제2 단기 트렌드들 기반으로 외부 예측 적합도를 산출하는 단계는:
   상기 제1 및 제2 장기 트렌드들을 기반으로 장기 적합도 특징 벡터를 생성하는 단계;
   상기 제1 및 제2 단기 트렌드들을 기반으로 단기 적합도 특징 벡터를 생성하는 단계; 및
   상기 장기 적합도 특징 벡터 및 상기 단기 적합도 특징 벡터를 기반으로 상기 외부 예측 적합도를 산출하는 단계를 포함하는 방법.
10. 제 9 항에 있어서,
    상기 제1 및 제2 장기 트렌드들을 기반으로 상기 장기 적합도 특징 벡터를 생성하는 단계는:
    제1 시점에 대응하는 상기 건강 시계열 데이터, 상기 제1 시점에 대응하는 상기 제1 및 제2 외부 예측 결과들, 상기 제1 시점에 대응하는 상기 제1 및 제2 장기 트렌드들을 기반으로 제1 장기 적합도 특징 벡터를 생성하는 단계; 및
    상기 제1 장기 적합도 특징 벡터, 상기 제1 시점 이후의 제2 시점에 대응하는 상기 건강 시계열 데이터, 상기 제2 시점에 대응하는 상기 제1 및 제2 외부 예측 결과들, 상기 제2 시점에 대응하는 상기 제1 및 제2 장기 트렌드들을 기반으로 제2 장기 적합도 특징 벡터를 생성하는 단계를 포함하는 방법.
11. 제1 임상 의사결정 지원 시스템 및 제1 예측 시스템을 포함하는 제1 진료 지원 시스템;
    제2 임상 의사 결정 지원 시스템 및 제2 예측 시스템을 포함하는 제2 진료 지원 시스템; 및
    제3 임상 의사 결정 지원 시스템 및 제3 예측 시스템을 포함하는 제3 진료 지원 시스템을 포함하고,
    상기 제1 예측 시스템은:
    상기 제1 임상 의사결정 지원 시스템과 연결되고, 상기 제1 임상 의사 결정 지원 시스템으로부터 앙상블 예측 요청, 및 건강 시계열 데이터를 수신하고, 앙상블 예측 결과를 상기 제1 임상 의사 결정 지원 시스템으로 전송하도록 구성된 예측기 관리 장치;
    상기 예측기 관리 장치로부터 예측 수행 요청을 수신하고, 상기 예측 수행 요청에 응답하여 예측기 연동 장치에게 외부 예측 결과 요청을 전송하고, 상기 예측기 연동 장치로부터 병합 데이터를 수신하고, 상기 병합 데이터를 앙상블 예측 모델에 입력하고, 상기 앙상블 예측 모델로부터 상기 앙상블 예측 결과를 수신하도록 구성된 앙상블 예측 장치;
    상기 외부 예측 결과 요청에 응답하여 상기 제2 및 제3 진료 지원 시스템들로 예측 결과 요청, 및 상기 건강 시계열 데이터를 전송하고, 상기 제2 진료 지원 시스템으로부터 제1 외부 예측 결과를 수신하고, 상기 제3 진료 지원 시스템으로부터 제2 외부 예측 결과를 수신하고, 상기 건강 시계열 데이터, 상기 제1 및 제2 외부 예측 결과를 병합하여 상기 병합 데이터를 생성하도록 구성된 상기 예측기 연동 장치; 및
    상기 앙상블 예측 장치로부터 상기 병합 데이터를 수신하고, 상기 앙상블 예측 결과를 생성하도록 구성된 앙상블 예측 모델을 포함하는 건강 상태 예측 시스템.
12. 제 11 항에 있어서,
    상기 예측기 연동 장치로부터 예측 수행 요청, 및 상기 건강 시계열 데이터를 수신하고, 상기 건강 시계열 데이터를 시계열 예측 모델에 입력하고, 상기 시계열 예측 모델로부터 상기 시계열 예측 결과를 수신하도록 구성된 시계열 예측 장치를 더 포함하는 건강 상태 예측 시스템.
13. 제 12 항에 있어서,
    상기 예측기 연동 장치는 상기 건강 시계열 데이터, 상기 제1 및 제2 외부 예측 결과, 및 상기 시계열 예측 결과를 병합하여 상기 병합 데이터를 생성하도록 구성된 건강 상태 예측 시스템.

Images