KR20240031573A - 타액 기반 인공지능 딥러닝 기법을 활용한 혈당 예측 시스템 및 방법 - Google Patents
타액 기반 인공지능 딥러닝 기법을 활용한 혈당 예측 시스템 및 방법 Download PDFInfo
- Publication number
- KR20240031573A KR20240031573A KR1020220110419A KR20220110419A KR20240031573A KR 20240031573 A KR20240031573 A KR 20240031573A KR 1020220110419 A KR1020220110419 A KR 1020220110419A KR 20220110419 A KR20220110419 A KR 20220110419A KR 20240031573 A KR20240031573 A KR 20240031573A
- Authority
- KR
- South Korea
- Prior art keywords
- blood sugar
- sugar
- postprandial
- subject
- postprandial blood
- Prior art date
Links
- 239000008280 blood Substances 0.000 title claims abstract description 200
- 210000004369 blood Anatomy 0.000 title claims abstract description 200
- 238000000034 method Methods 0.000 title claims abstract description 68
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 title claims abstract description 35
- 239000008103 glucose Substances 0.000 title claims abstract description 35
- 210000003296 saliva Anatomy 0.000 title claims abstract description 28
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 12
- 238000013135 deep learning Methods 0.000 title claims abstract description 12
- 230000000291 postprandial effect Effects 0.000 claims abstract description 179
- 230000008859 change Effects 0.000 claims abstract description 79
- 235000012054 meals Nutrition 0.000 claims abstract description 33
- YPMOAQISONSSNL-UHFFFAOYSA-N 8-hydroxyoctyl 2-methylprop-2-enoate Chemical compound CC(=C)C(=O)OCCCCCCCCO YPMOAQISONSSNL-UHFFFAOYSA-N 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 8
- 206010022489 Insulin Resistance Diseases 0.000 claims description 7
- 230000003914 insulin secretion Effects 0.000 claims description 7
- 208000001072 type 2 diabetes mellitus Diseases 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 description 19
- 206010012601 diabetes mellitus Diseases 0.000 description 18
- 238000005259 measurement Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 210000002784 stomach Anatomy 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000002452 interceptive effect Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 125000002791 glucosyl group Chemical group C1([C@H](O)[C@@H](O)[C@H](O)[C@H](O1)CO)* 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 210000002700 urine Anatomy 0.000 description 2
- 208000002705 Glucose Intolerance Diseases 0.000 description 1
- 206010018429 Glucose tolerance impaired Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 201000009104 prediabetes syndrome Diseases 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B10/00—Other methods or instruments for diagnosis, e.g. instruments for taking a cell sample, for biopsy, for vaccination diagnosis; Sex determination; Ovulation-period determination; Throat striking implements
- A61B10/0045—Devices for taking samples of body liquids
- A61B10/0051—Devices for taking samples of body liquids for taking saliva or sputum samples
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
- A61B5/0022—Monitoring a patient using a global network, e.g. telephone networks, internet
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14507—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue specially adapted for measuring characteristics of body fluids other than blood
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Optics & Photonics (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Emergency Medicine (AREA)
- Psychiatry (AREA)
- Pulmonology (AREA)
- Hematology (AREA)
- Evolutionary Computation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
타액 기반 인공지능 딥러닝 기법을 활용한 혈당 예측 시스템 및 방법이 개시된다. 일 실시예에 따르면 식후 혈당 예측 시스템은, 식사에 따른 혈당 변화 및 타액당 변화 사이의 패턴 차이를 신체 지표를 고려하여 추론하도록 당 변화 추론 모델을 학습시키고, 식후 타액당과 식후 혈당 사이의 상관 관계를 상기 패턴 차이를 고려하여 추론하도록 식후 혈당 추론 모델을 학습시키는 학습 모델링부; 대상자의 신체 지표와 식후 타액당을 획득하는 대상자 정보 획득부; 상기 대상자의 신체 지표를 입력 파라미터로 상기 당 변화 추론 모델을 이용하여 상기 대상자의 패턴 차이를 추정하는 패턴 차이 추정부; 및 상기 대상자의 식후 타액당과 상기 추정된 패턴 차이를 입력 파라미터로 상기 식후 혈당 추론 모델을 이용하여 상기 대상자의 식후 혈당을 예측하는 식후 혈당 예측부를 포함할 수 있다.
Description
아래의 실시예들은 타액당으로부터 혈당을 예측하는 시스템 및 그 방법에 관한 것이다.
당뇨병의 진단을 위한 지표로는 혈중의 포도당 농도인 혈당 또는 요당이 일반적으로 이용되고 있다.
그러나 요당 검사로는, 당뇨병 환자와 건강한 사람과의 경계형인 내당능이상자가 당뇨병 환자로 분류되기 때문에, 당뇨병 진단의 정확도가 저하되는 문제를 갖는다.
이에, 당뇨병 진단의 정확도를 보장하는 혈당이 주요하게 이용되고 있다. 하지만, 이러한 혈당을 측정하기 위해서는 혈액을 침습적인 방법으로 채취할 수 밖에 없는 한계가 존재하는 바, 혈액 채취의 번거로움 및 통증 등의 단점이 발생된다.
또한, 현재의 혈당 검사는 식사 전 공복에 실시해야 하는 제약이 있기 때문에, 검사를 위해 공복을 유지해야 하는 단점이 존재한다.
따라서, 설명된 혈당 검사의 한계 및 제약을 극복하고 단점들을 해결하기 위한 기술이 제안될 필요가 있다.
일 실시예들은 혈당 측정이 갖는 혈액을 침습적인 방법으로 채취할 수 밖에 없는 한계를 극복하고 혈액 채취의 번거로움 및 통증 발생 등의 단점을 해결하는 동시에 검사를 위해 공복을 유지해야 하는 제약 및 단점을 해결하고자, 식후 타액당으로부터 식후 혈당을 예측하고 식후 혈당으로부터 당뇨병의 진단을 가능하게 하는 시스템 및 그 방법을 제안한다.
보다 상세하게, 일 실시예들은 식사에 따른 혈당 변화 및 타액당 변화 사이의 패턴 차이를 신체 지표를 고려하여 추론하는 당 변화 추론 모델 및 식후 타액당과 식후 혈당 사이의 상관 관계를 패턴 차이를 고려하여 추론하는 식후 혈당 추론 모델을 이용함으로써, 식후 타액당으로부터 식후 혈당을 예측하는 시스템 및 그 방법을 제안한다.
이 때, 일 실시예들은 당 변화 추론 모델 및 식후 혈당 추론 모델을 대상자에 맞춰 개인화하며 학습시킴으로써, 추론 및 예측 정확도를 향상시키는 시스템 및 그 방법을 제안한다.
다만, 본 발명이 해결하고자 하는 기술적 과제들은 상기 과제로 한정되는 것이 아니며, 본 발명의 기술적 사상 및 영역으로부터 벗어나지 않는 범위에서 다양하게 확장될 수 있다.
일 실시예에 따르면, 식후 혈당 예측 시스템은, 식사에 따른 혈당 변화 및 타액당 변화 사이의 패턴 차이를 신체 지표를 고려하여 추론하도록 당 변화 추론 모델을 학습시키고, 식후 타액당과 식후 혈당 사이의 상관 관계를 상기 패턴 차이를 고려하여 추론하도록 식후 혈당 추론 모델을 학습시키는 학습 모델링부; 대상자의 신체 지표와 식후 타액당을 획득하는 대상자 정보 획득부; 상기 대상자의 신체 지표를 입력 파라미터로 상기 당 변화 추론 모델을 이용하여 상기 대상자의 패턴 차이를 추정하는 패턴 차이 추정부; 및 상기 대상자의 식후 타액당과 상기 추정된 패턴 차이를 입력 파라미터로 상기 식후 혈당 추론 모델을 이용하여 상기 대상자의 식후 혈당을 예측하는 식후 혈당 예측부를 포함할 수 있다.
일 측에 따르면, 상기 패턴 차이는, 상기 식사에 따른 혈당 변화 및 타액당 변화 사이의 시간 지연 차이, 최대치 차이 및 변화율 차이를 포함하는 것을 특징으로 할 수 있다.
다른 일 측에 따르면, 상기 학습 모델링부는, 상기 대상자의 공복 혈당을 포함하는 개인 데이터를 기초로 상기 당 변화 추론 모델 및 상기 식후 혈당 추론 모델을 상기 대상자에 맞춰 개인화하며 학습시키는 것을 특징으로 할 수 있다.
또 다른 일 측에 따르면, 상기 학습 모델링부는, 상기 패턴 차이를 상기 신체 지표를 고려하여 추론하는 실험 데이터를 인공지능 딥러닝 기법을 이용하여 학습함으로써 상기 당 변화 추론 모델을 구축하고, 상기 식후 타액당과 상기 식후 혈당 사이의 상관 관계를 상기 패턴 차이를 고려하여 추론하는 실험 데이터를 인공지능 딥러닝 기법을 이용하여 학습함으로써 상기 식후 혈당 추론 모델을 구축하는 것을 특징으로 할 수 있다.
또 다른 일 측에 따르면, 상기 신체 지표는, 성별, 나이, 체중, 체질량지수(BMI) 및 허리 둘레를 포함하는 것을 특징으로 할 수 있다.
또 다른 일 측에 따르면, 상기 학습 모델링부는, 상기 신체 지표와 HOMA-IR및 HOMA -cell 사이의 상관 관계를 추론하고, 상기 패턴 차이와 상기 HOMA-IR및 HOMA -cell 사이의 상관 관계를 추론하도록 상기 당 변화 추론 모델을 학습시키는 것을 특징으로 할 수 있다.
또 다른 일 측에 따르면, 상기 학습 모델링부는, 상기 HOMA-IR및 HOMA -cell로 계산되는 인슐린 저항성 및 인슐린 분비능과 상기 패턴 차이 사이의 상관 관계를 추론하도록 상기 당 변화 추론 모델을 학습시키는 것을 특징으로 할 수 있다.
일 실시예에 따르면, 식후 혈당 예측 방법은, 대상자의 신체 지표와 식후 타액당을 획득하는 단계; 상기 대상자의 신체 지표를 입력 파라미터로 당 변화 추론 모델-상기 당 변화 추론 모델은 식사에 따른 혈당 변화 및 타액당 변화 사이의 패턴 차이를 신체 지표를 고려하여 추론하도록 학습됨-을 이용하여 상기 대상자의 패턴 차이를 추정하는 단계; 및 상기 대상자의 식후 타액당과 상기 추정된 패턴 차이를 입력 파라미터로 식후 혈당 추론 모델-상기 식후 혈당 추론 모델은 식후 타액당과 식후 혈당 사이의 상관 관계를 상기 패턴 차이를 고려하여 추론하도록 학습됨-을 이용하여 상기 대상자의 식후 혈당을 예측하는 단계를 포함할 수 있다.
일 측에 따르면, 상기 패턴 차이는, 상기 식사에 따른 혈당 변화 및 타액당 변화 사이의 시간 지연 차이, 최대치 차이 및 변화율 차이를 포함하는 것을 특징으로 할 수 있다.
다른 일 측에 따르면, 상기 당 변화 추론 모델 및 상기 식후 혈당 추론 모델은, 상기 대상자의 공복 혈당을 포함하는 개인 데이터를 기초로 상기 대상자에 맞춰 개인화되며 학습되는 것을 특징으로 할 수 있다.
또 다른 일 측에 따르면, 상기 식후 혈당 예측 방법은, 상기 패턴 차이를 상기 신체 지표를 고려하여 추론하는 실험 데이터를 인공지능 딥러닝 기법을 이용하여 학습함으로써 상기 당 변화 추론 모델을 구축하는 단계; 및 상기 식후 타액당과 상기 식후 혈당 사이의 상관 관계를 상기 패턴 차이를 고려하여 추론하는 실험 데이터를 인공지능 딥러닝 기법을 이용하여 학습함으로써 상기 식후 혈당 추론 모델을 구축하는 단계를 더 포함하는 것을 특징으로 할 수 있다.
또 다른 일 측에 따르면, 상기 신체 지표는, 성별, 나이, 체중, 체질량지수(BMI) 및 허리 둘레를 포함하는 것을 특징으로 할 수 있다.
또 다른 일 측에 따르면, 상기 당 변화 추론 모델은, 상기 신체 지표와 HOMA-IR및 HOMA -cell 사이의 상관 관계를 추론하고, 상기 패턴 차이와 상기 HOMA-IR및 HOMA -cell 사이의 상관 관계를 추론하도록 학습되는 것을 특징으로 할 수 있다.
또 다른 일 측에 따르면, 상기 당 변화 추론 모델은, 상기 HOMA-IR및 HOMA -cell로 계산되는 인슐린 저항성 및 인슐린 분비능과 상기 패턴 차이 사이의 상관 관계를 추론하도록 학습되는 것을 특징으로 할 수 있다.
일 실시예에 따르면, 식후 혈당 예측 방법을 컴퓨터 장치에 실행시키기 위한 컴퓨터 프로그램이 기록되어 있는 컴퓨터 판독 가능한 기록매체에 있어서, 상기 식후 혈당 예측 방법은, 대상자의 신체 지표와 식후 타액당을 획득하는 단계; 상기 대상자의 신체 지표를 입력 파라미터로 당 변화 추론 모델-상기 당 변화 추론 모델은 식사에 따른 혈당 변화 및 타액당 변화 사이의 패턴 차이를 신체 지표를 고려하여 추론하도록 학습됨-을 이용하여 상기 대상자의 패턴 차이를 추정하는 단계; 및 상기 대상자의 식후 타액당과 상기 추정된 패턴 차이를 입력 파라미터로 식후 혈당 추론 모델-상기 식후 혈당 추론 모델은 식후 타액당과 식후 혈당 사이의 상관 관계를 상기 패턴 차이를 고려하여 추론하도록 학습됨-을 이용하여 상기 대상자의 식후 혈당을 예측하는 단계를 포함할 수 있다.
일 실시예들은 식후 타액당으로부터 식후 혈당을 예측하고 식후 혈당으로부터 당뇨병의 진단을 가능하게 하는 시스템 및 그 방법을 제안함으로써, 혈당 측정이 갖는 혈액을 침습적인 방법으로 채취할 수 밖에 없는 한계를 극복하고 혈액 채취의 번거로움 및 통증 발생 등의 단점을 해결하는 동시에 검사를 위해 공복을 유지해야 하는 제약 및 단점을 해결할 수 있다.
보다 상세하게, 일 실시예들은 식사에 따른 혈당 변화 및 타액당 변화 사이의 패턴 차이를 신체 지표를 고려하여 추론하는 당 변화 추론 모델 및 식후 타액당과 식후 혈당 사이의 상관 관계를 패턴 차이를 고려하여 추론하는 식후 혈당 추론 모델을 이용함으로써, 식후 타액당으로부터 식후 혈당을 예측하는 시스템 및 그 방법을 제안할 수 있다.
이 때, 일 실시예들은 당 변화 추론 모델 및 식후 혈당 추론 모델을 대상자에 맞춰 개인화하며 학습시킴으로써, 추론 및 예측 정확도를 향상시키는 시스템 및 그 방법을 제안할 수 있다.
다만, 본 발명의 효과는 상기 효과들로 한정되는 것이 아니며, 본 발명의 기술적 사상 및 영역으로부터 벗어나지 않는 범위에서 다양하게 확장될 수 있다.
도 1은 일 실시예에 따른 당뇨병 진단 환경의 예를 도시한 도면이다.
도 2는 일 실시예에 따른 전자 기기 및 서버의 내부 구성을 설명하기 위한 블록도이다.
도 3은 일 실시예에 따른 식후 혈당 예측 시스템의 예를 도시한 블록도이다.
도 4는 일 실시예에 따른 식후 혈당 예측 방법을 도시한 플로우 차트이다.
도 5 내지 6은 일 실시예에 따른 식후 혈당 예측 방법에서 이용하는 당 변화 추론 모델을 설명하기 위한 도면이다.
도 2는 일 실시예에 따른 전자 기기 및 서버의 내부 구성을 설명하기 위한 블록도이다.
도 3은 일 실시예에 따른 식후 혈당 예측 시스템의 예를 도시한 블록도이다.
도 4는 일 실시예에 따른 식후 혈당 예측 방법을 도시한 플로우 차트이다.
도 5 내지 6은 일 실시예에 따른 식후 혈당 예측 방법에서 이용하는 당 변화 추론 모델을 설명하기 위한 도면이다.
이하, 본 발명의 실시예를 첨부된 도면을 참조하여 상세하게 설명한다. 그러나 본 발명이 실시예들에 의해 제한되거나 한정되는 것은 아니다. 또한, 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
또한, 본 명세서에서 사용되는 용어(Terminology)들은 본 발명의 바람직한 실시예를 적절히 표현하기 위해 사용된 용어들로서, 이는 시청자, 운용자의 의도 또는 본 발명이 속하는 분야의 관례 등에 따라 달라질 수 있다. 따라서, 본 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다. 예컨대, 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 또한, 본 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소, 단계, 동작 및/또는 소자는 하나 이상의 다른 구성요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다. 또한, 본 명세서에서 제1, 제2 등의 용어가 다양한 영역, 방향, 형상 등을 기술하기 위해서 사용되었지만, 이들 영역, 방향, 형상이 이 같은 용어들에 의해서 한정되어서는 안 된다. 이들 용어들은 단지 어느 소정 영역, 방향 또는 형상을 다른 영역, 방향 또는 형상과 구별시키기 위해서 사용되었을 뿐이다. 따라서, 어느 한 실시예에서 제1 부분으로 언급된 부분이 다른 실시예에서는 제2 부분으로 언급될 수도 있다.
또한, 본 발명의 다양한 실시 예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예에 관련하여 본 발명의 기술적 사상 및 범위를 벗어나지 않으면서 다른 실시 예로 구현될 수 있다. 또한, 제시된 각각의 실시예 범주에서 개별 구성요소의 위치, 배치, 또는 구성은 본 발명의 기술적 사상 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다.
이하 실시예들에서는 식후 타액당으로부터 식후 혈당을 예측하고 식후 혈당으로부터 당뇨병의 진단을 가능하게 하는 식후 혈당 예측 시스템 및 식후 혈당 예측 방법이 설명된다.
식후 혈당 예측 방법은 후술될 서버나 전자 기기(예컨대, 측정 장치 또는 측정 장치와 통신으로 연결된 사용자 단말)를 구현하는 적어도 하나의 컴퓨터 장치에 의해 수행될 수 있다. 이에, 후술되는 서버나 전자 기기에 포함되는 적어도 하나의 컴퓨터 장치는 식후 혈당 예측 방법을 수행하는 식후 혈당 예측 시스템을 구성할 수 있다. 식후 혈당 예측 시스템을 구현하는 컴퓨터 장치는 구동된 컴퓨터 프로그램의 제어에 따라 실시예에 따른 식후 혈당 예측 방법을 수행할 수 있다. 상술한 컴퓨터 프로그램은 컴퓨터 장치와 결합되어 식후 혈당 예측 방법을 컴퓨터 장치에 실행시키기 위해 컴퓨터 판독 가능한 기록매체에 저장될 수 있다. 여기서 설명한 컴퓨터 프로그램은 독립된 하나의 프로그램 패키지의 형태를 가질 수도 있고, 독립된 하나의 프로그램 패키지의 형태가 컴퓨터 장치에 기 설치되어 운영체제나 다른 프로그램 패키지들과 연계되는 형태를 가질 수도 있다.
또한, 이하 타액당은 타액 내에 포함된 포도당(Glucose)을 의미하며, 혈당은 혈액 내에 포함된 포도당을 의미한다. 또한, 이하 타액당을 획득한다는 것은 타액당에 대한 정보(예컨대 타액당의 농도, 지수, 수치 등)를 획득하는 것을 의미하며, 혈당을 예측한다는 것은 혈당에 대한 정보(예컨대 혈당의 농도, 지수, 수치 등)을 예측하는 것을 의미한다.
도 1은 일 실시예에 따른 당뇨병 진단 환경의 예를 도시한 도면이다. 도 1의 당뇨병 진단 환경은 복수의 전자 기기들(110, 120, 130, 140, 150), 서버(160) 및 네트워크(170)를 포함하는 예를 나타내고 있다. 이러한 도 1은 발명의 설명을 위한 일례로 전자 기기의 수나 서버의 수가 도 1과 같이 한정되는 것은 아니다.
복수의 전자 기기들(110, 120, 130, 140, 150)은 검체 대상자들이 각각 소지한 스마트폰(smart phone), 휴대폰, 태블릿 PC, 내비게이션, 컴퓨터, 노트북, 디지털방송용 단말, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player) 등의 단말들로서, 복수의 전자 기기들(110, 120, 130, 140, 150) 각각에는 대응하는 채취 장치(111), 바이오센서(112) 및 측정 장치(113)가 구비될 수 있다.
즉, 검체 대상자들 각각은 전자 기기(110)와 함께 채취 장치(111), 바이오센서(112) 및 측정 장치(113)를 보유하고 있을 수 있으며, 바이오센서(112) 및 측정 장치(113)는 복수의 전자 기기들(110, 120, 130, 140, 150) 각각에 설치된 전용 애플리케이션을 통해 복수의 전자 기기들(110, 120, 130, 140, 150) 각각과 연결될 수 있다.
채취 장치(111)는 검체(예컨대, 타액)를 수집하기 위한 장치로 검체 수집부, 필터 및 압축 튜브(compression tube)를 포함할 수 있다. 검체가 타액인 경우 채취 장치(111)는 수집된 타액으로부터 압축 튜브 내에서 필터를 통해 간섭 물질을 제거하고, 간섭 물질이 제거된 타액을 외부 즉, 바이오 센서(112)로 제공할 수 있다.
바이오센서(112)는 채취 장치(111)에 의해 채취된 검체(예컨대 타액)가 채취 장치(111)를 통해 삽입되는 경우 간섭 물질이 제거된 검체로부터 측정하고자 하는 정보(예컨대, 포도당(Glucose))을 센싱하는 기능을 수행하는 구성요소로서, 측정 장치(113)에 바이오센서 스트립이 삽입되고 측정 장치(113)로부터 수신되는 검체인식신호에 기초하여 검체를 인식하고, 검체인식신호와 별도로 인가되는 검체측정신호를 통해 검체에 포함된 포도당에 대한 응답신호를 측정장치(113)로 제공할 수 있다.
측정 장치(113)는 바이오센서(112)가 삽입되는 것을 인식하여 바이오센서(112)에 검체인식신호를 제공함으로써 바이오센서(112)에 검체가 접촉되었는지 판단한 후, 검체가 접촉된 것으로 판단되면 검체측정신호를 제공하여 측정하고자 하는 검체의 응답신호(타액 내 포도당(타액당)에 대한 응답 신호)를 수신함으로써 검체의 응답신호(타액당에 대한 응답 신호; 예컨대, 타액당의 농도, 지수 수치 등)를 측정 및 표시할 수 있다.
그리고 측정 장치(113)는 네트워크(170)를 통해 전자 기기(예컨대, 제1 전자 기기(110)) 또는 서버(160)와 통신할 수 있도록 통신 모듈을 포함할 수 있다. 이러한 경우, 측정 장치(113)는 검체의 응답 신호(타액당에 대한 응답 신호; 예컨대, 타액당의 농도, 지수 수치 등)를 전자 기기(110) 또는 서버(160)로 전송함으로써, 전자 기기(110) 또는 서버(160)에서 검체의 응답 신호(타액당에 대한 응답 신호; 예컨대, 타액당의 농도, 지수 수치 등)를 기초로 검체 대상자(이하, 대상자로 기재함)의 식후 혈당을 예측하고 식후 혈당을 기초로 대상자의 당뇨병을 진단하도록 할 수 있다.
그러나 이에 제한되거나 한정되지 않고, 측정 장치(113) 자체에서 검체의 응답 신호(타액당에 대한 응답 신호; 예컨대, 타액당의 농도, 지수 수치 등)를 기초로 대상자의 식후 혈당을 예측하고 식후 혈당을 기초로 대상자의 당뇨병을 진단할 수도 있다. 이러한 경우, 측정 장치(113)에는 통신 모듈이 포함되지 않을 수 있다.
통신 방식은 제한되지 않으며, 네트워크(170)가 포함할 수 있는 통신망(일례로, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망)을 활용하는 통신 방식뿐만 아니라 기기들간의 근거리 무선 통신 역시 포함될 수 있다. 예를 들어, 네트워크(170)는, PAN(personal area network), LAN(local area network), CAN(campus area network), MAN(metropolitan area network), WAN(wide area network), BBN(broadband network), 인터넷 등의 네트워크 중 하나 이상의 임의의 네트워크를 포함할 수 있다. 또한, 네트워크(170)는 버스 네트워크, 스타 네트워크, 링 네트워크, 메쉬 네트워크, 스타-버스 네트워크, 트리 또는 계층적(hierarchical) 네트워크 등을 포함하는 네트워크 토폴로지 중 임의의 하나 이상을 포함할 수 있으나, 이에 제한되지 않는다.
서버(160)는 복수의 전자 기기들(110, 120, 130, 140, 150)과 네트워크(170)를 통해 통신하여 복수의 전자 기기들(110, 120, 130, 140, 150) 각각에 대응하는 측정 장치(113) 또는 복수의 전자 기기들(110, 120, 130, 140, 150)로부터 측정된 검체의 응답 신호(타액당에 대한 응답 신호; 예컨대, 타액당의 농도, 지수 수치 등)를 수신하고, 수신된 검체의 응답 신호(타액당에 대한 응답 신호; 예컨대, 타액당의 농도, 지수 수치 등)에 기초하여 대상자의 식후 혈당을 예측하고 당뇨병을 진단하는 식후 혈당 예측 서비스를 제공하는 컴퓨터 장치 또는 복수의 컴퓨터 장치들로 구현될 수 있다.
즉, 복수의 전자 기기들(110, 120, 130, 140, 150)을 소지한 대상자들은, 측정 장치(113) 또는 전자 기기(110)를 통해 기 설치된 운영체제(Operating System, OS)나 적어도 하나의 프로그램(일례로 브라우저나 상기 설치된 어플리케이션)의 제어에 따라 서버(160)에 접속함으로써, 서버(160)가 제공하는 식후 혈당 예측 서비스를 제공받을 수 있다.
도 2는 일 실시예에 따른 전자 기기 및 서버의 내부 구성을 설명하기 위한 블록도이다. 앞서 설명한 복수의 전자 기기들(110, 120, 130, 140, 150) 각각이나 서버(160)는 도 2를 통해 도시된 컴퓨터 장치(200)에 의해 구현될 수 있다.
이러한 컴퓨터 장치(200)는 도 2에 도시된 바와 같이, 메모리(210), 프로세서(220), 통신 인터페이스(230), 그리고 입출력 인터페이스(240)를 포함할 수 있다. 메모리(210)는 컴퓨터에서 판독 가능한 기록매체로서, RAM(random access memory), ROM(read only memory) 및 디스크 드라이브와 같은 비소멸성 대용량 기록장치(permanent mass storage device)를 포함할 수 있다. 여기서, ROM과 디스크 드라이브와 같은 비소멸성 대용량 기록장치는 메모리(210)와는 구분되는 별도의 영구 저장 장치로서 컴퓨터 장치(200)에 포함될 수도 있다. 또한, 메모리(210)에는 운영체제와 적어도 하나의 프로그램 코드가 저장될 수 있다. 이러한 소프트웨어 구성요소들은 메모리(210)와는 별도의 컴퓨터에서 판독 가능한 기록매체로부터 메모리(210)로 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독 가능한 기록매체는 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록매체를 포함할 수 있다. 다른 실시예에서 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록매체가 아닌 통신 인터페이스(230)를 통해 메모리(210)에 로딩될 수도 있다. 예를 들어, 소프트웨어 구성요소들은 네트워크(170)를 통해 수신되는 파일들에 의해 설치되는 컴퓨터 프로그램에 기반하여 컴퓨터 장치(200)의 메모리(210)에 로딩될 수 있다.
프로세서(220)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(210) 또는 통신 인터페이스(230)에 의해 프로세서(220)로 제공될 수 있다. 예를 들어 프로세서(220)는 메모리(210)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다.
통신 인터페이스(230)는 네트워크(170)를 통해 컴퓨터 장치(200)가 다른 장치(일례로, 앞서 설명한 저장 장치들)와 서로 통신하기 위한 기능을 제공할 수 있다. 일례로, 컴퓨터 장치(200)의 프로세서(220)가 메모리(210)와 같은 기록 장치에 저장된 프로그램 코드에 따라 생성한 요청이나 명령, 데이터, 파일 등이 통신 인터페이스(230)의 제어에 따라 네트워크(170)를 통해 다른 장치들로 전달될 수 있다. 역으로, 다른 장치로부터의 신호나 명령, 데이터, 파일 등이 네트워크(170)를 거쳐 컴퓨터 장치(200)의 통신 인터페이스(230)를 통해 컴퓨터 장치(200)로 수신될 수 있다. 통신 인터페이스(230)를 통해 수신된 신호나 명령, 데이터 등은 프로세서(220)나 메모리(210)로 전달될 수 있고, 파일 등은 컴퓨터 장치(200)가 더 포함할 수 있는 저장 매체(상술한 영구 저장 장치)로 저장될 수 있다.
입출력 인터페이스(240)는 입출력 장치(250)와의 인터페이스를 위한 수단일 수 있다. 예를 들어, 입력 장치는 마이크, 키보드 또는 마우스 등의 장치를, 그리고 출력 장치는 디스플레이, 스피커와 같은 장치를 포함할 수 있다. 다른 예로 입출력 인터페이스(240)는 터치스크린과 같이 입력과 출력을 위한 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수도 있다. 입출력 장치(250)는 컴퓨터 장치(200)와 하나의 장치로 구성될 수도 있다.
또한, 다른 실시예들에서 컴퓨터 장치(200)는 도 2의 구성요소들보다 더 적은 혹은 더 많은 구성요소들을 포함할 수도 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다. 예를 들어, 컴퓨터 장치(200)는 상술한 입출력 장치(250) 중 적어도 일부를 포함하도록 구현되거나 또는 트랜시버(transceiver), 데이터베이스 등과 같은 다른 구성요소들을 더 포함할 수도 있다.
이하에서는 식후 혈당 예측 서비스를 제공하는 식후 혈당 예측 방법 및 시스템의 구체적인 실시예를 설명하기로 한다.
도 3은 일 실시예에 따른 식후 혈당 예측 시스템의 예를 도시한 블록도이고, 도 4는 일 실시예에 따른 식후 혈당 예측 방법을 도시한 플로우 차트이며, 도 5 내지 6은 일 실시예에 따른 식후 혈당 예측 방법에서 이용하는 당 변화 추론 모델을 설명하기 위한 도면이다.
이하 실시예들에서 컴퓨터 장치(200)는 후술되는 식후 혈당 예측 방법을 수행함으로써, 대상자의 식후 혈당을 예측하고 이를 토대로 대상자의 당뇨병을 진단하는 서비스를 사용자에게 제공할 수 있다. 이를 위해, 컴퓨터 장치(200)에는 식후 혈당 예측 방법을 수행하는 주체인 식후 혈당 예측 시스템이 구성될 수 있다. 일례로, 식후 혈당 예측 시스템은 독립적으로 동작하는 프로그램 형태로 구현되거나, 혹은 전용 어플리케이션의 인-앱(in-app) 형태로 구성되어 전용 어플리케이션 상에서 동작이 가능하도록 구현될 수 있다.
컴퓨터 장치(200)의 프로세서(220)는 도 4에 따른 식후 혈당 예측 방법을 수행하기 위한 구성요소로 구현될 수 있다. 일례로, 프로세서(220)는 도 4에 도시된 단계들(S410 내지 S430)을 수행할 수 있도록 도 3에 도시된 바와 같이 학습 모델링부(310), 대상자 정보 획득부(320), 패턴 차이 추정부(330) 및 식후 혈당 예측부(340)를 포함할 수 있다. 실시예에 따라 프로세서(220)의 구성요소들은 선택적으로 프로세서(220)에 포함되거나 제외될 수도 있다. 또한, 실시예에 따라 프로세서(220)의 구성요소들은 프로세서(220)의 기능의 표현을 위해 분리 또는 병합될 수도 있다.
이러한 프로세서(222) 및 프로세서(222)의 구성요소들은 도 4의 식후 혈당 예측 방법이 포함하는 단계들(S410 내지 S430)을 수행하도록 서버(160)를 제어할 수 있다. 예를 들어, 프로세서(220) 및 프로세서(220)의 구성요소들은 메모리(210)가 포함하는 운영체제의 코드와 적어도 하나의 프로그램의 코드에 따른 명령(instruction)을 실행하도록 구현될 수 있다.
여기서, 프로세서(220)의 구성요소들은 서버(160)에 저장된 프로그램 코드가 제공하는 명령에 따라 프로세서(220)에 의해 수행되는 프로세서(220)의 서로 다른 기능들(different functions)의 표현들일 수 있다. 예를 들어, 대상자의 식후 혈당을 예측하는 프로세서(220)의 기능적 표현으로서 식후 혈당 예측부(340)가 이용될 수 있다.
프로세서(220)는 컴퓨터 장치(200)의 제어와 관련된 명령이 로딩된 메모리(210)로부터 필요한 명령을 읽어들일 수 있다. 이 경우, 상기 읽어 들인 명령은 프로세서(220)가 이후 설명될 단계들(S410 내지 S430)을 실행하도록 제어하기 위한 명령을 포함할 수 있다.
이후 설명될 단계들(S410 내지 S420)은 도 4에 도시된 순서와 다른 순서로 수행될 수 있으며, 단계들(S410 내지 S430) 중 일부가 생략되거나 추가의 과정이 더 포함될 수 있다.
단계(S410) 이전에 학습 모델링부(310)는, 식사에 따른 혈당 변화 및 타액당 변화 사이의 패턴 차이를 신체 지표를 고려하여 추론하는 실험 데이터를 입력 데이터로 인공지능 딥러닝 기법을 이용하여 당 변화 추론 모델을 학습시켜 미리 구축해두고, 식후 타액당과 식후 혈당 사이의 상관 관계를 식사에 따른 혈당 변화 및 타액당 변화 사이의 패턴 차이를 고려하여 추론하는 실험 데이터를 입력 데이터로 인공지능 딥러닝 기법을 이용하여 식후 혈당 추론 모델을 학습시켜 미리 구축해둘 수 있다. 실험 데이터들은 수많은 검체 대상자들에 대한 임상시험 데이터로서, 실험 데이터들로 학습되는 당 변화 추론 모델 및 식후 혈당 추론 모델은 대상자들의 다양한 군집들 각각을 만족시키는 평균적인 추론 결과 및 예측 결과를 야기할 수 있다.
혈당 변화 및 타액당 변화 사이의 패턴 차이는, 혈액 내 당의 발현과 타액 내 당의 발현 속도 및 발현 정도의 차이로 인한 것으로, 식사에 따른 혈당 변화 및 타액당 변화 사이의 시간 지연 차이, 최대치 차이 및 변화율 차이를 포함할 수 있다. 예를 들어, 혈당 변화 및 타액당 변화는 혈액 및 타액 각각 내에서 발현되는 속도 및 정도의 차이로 인해 도 5에 도시된 바와 같이 증감되는 시간이 지연되는 차이, 증감에 따른 최대 당 수치, 최소 당수치의 차이, 그리고 증감되는 변화율의 차이를 가질 수 있다.
이러한 혈당 변화 및 타액당 변화 사이의 패턴 차이는 식후 타액당으로부터 식후 혈당을 예측하는 알고리즘에 큰 영향을 미치는 지표이므로, 식후 혈당 예측 방법에서 활용되는 식후 혈당 추론 모델은 식사에 따른 혈당 변화 및 타액당 변화 사이의 패턴 차이를 고려하여 식후 타액당과 식후 혈당 사이의 상관 관계를 추론하도록 학습될 수 있다. 이에, 식후 혈당 추론 모델이 식후 혈당 예측 방법에서 활용됨으로써, 식후 타액당으로부터 식후 혈당이 예측되는 정확도가 향상될 수 있다.
한편, 식사에 따른 혈당 변화 및 타액당 변화 사이의 패턴 차이는 신체 지표에 의해 영향을 받을 수 있다. 이는, 성별, 나이, 체중, 체질량지수(BMI) 및 허리 둘레와 같은 신체 지표가 도 6에 도시된 바와 같이 HOMA-IR및 HOMA 
-cell과 상관 관계를 갖고, 인슐린 저항성 및 인슐린 분비능이 HOMA-IR및 HOMA 
-cell로부터 계산되며, 식사에 따른 혈당 변화 및 타액당 변화 사이의 패턴 차이가 인슐린 저항성 및 인슐린 분비능과 상관 관계를 갖기 때문이다.
이와 같은 원리를 이용하여, 학습 모델링부(310)는 신체 지표와 HOMA-IR및 HOMA 
-cell 사이의 상관 관계를 추론하고, HOMA-IR및 HOMA 
-cell로 계산되는 인슐린 저항성 및 인슐린 분비능과 식사에 따른 혈당 변화 및 타액당 변화 사이의 패턴 차이 사이의 상관 관계를 추론하도록 당 변화 추론 모델을 학습시킬 수 있다. 따라서, 당 변화 추론 모델이 식사에 따른 혈당 변화 및 타액당 변화 사이의 패턴 차이를 추론하는 정확도가 향상될 수 있다.
특히, 학습 모델링부(310)는 대상자의 개인 데이터(예컨대, 대상자의 공복 혈당을 기초로 하는 식사에 따른 혈당 변화 데이터 및 타액당 변화 데이터, 대상자의 식후 타액당 데이터와 식후 혈당 데이터 등)를 기초로 당 변화 추론 모델 및 식후 혈당 추론 모델을 대상자에 맞춰 개인화하며 학습시킴으로써, 당 변화 추론 모델 및 식후 혈당 추론 모델이 활용될 때 대상자에 특정되어 정확도가 비약적으로 상승된 추론 결과 및 예측 결과가 야기되도록 할 수 있다.
이상 설명된 당 변화 추론 모델 및 식후 혈당 추론 모델 각각의 학습 과정에는 공지된 다양한 기계학습 알고리즘이 사용될 수 있다.
단계(S410)에서 대상자 정보 획득부(320)는, 대상자의 신체 지표와 식후 타액당을 획득할 수 있다. 예컨대, 대상자 정보 획득부(320)는 전술된 바와 같이 복수의 전자 기기들(110, 120, 130, 140, 150) 각각에 대응하는 측정 장치(113)를 통해 측정된 식후 타액에 대한 정보(예컨대, 식후 타액당에 대한 응답 신호; 예컨대, 식후 타액당의 농도, 지수 수치 등)를 수신하여 획득할 수 있으며, 복수의 전자 기기들(110, 120, 130, 140, 150) 각각으로부터 대상자들 각각의 신체 지표를 입력 받아 획득할 수 있다.
단계(S420)에서 패턴 차이 추정부(330)는, 대상자의 신체 지표를 입력 파라미터로 당 변화 추론 모델을 이용하여 대상자의 식사에 따른 혈당 변화 및 타액당 변화 사이의 패턴 차이를 추정할 수 있다.
단계(S430)에서 식후 혈당 예측부(340)는, 대상자의 식후 타액당과 추정된 식사에 따른 혈당 변화 및 타액당 변화 사이의 패턴 차이를 입력 파라미터로 식후 혈당 추론 모델을 이용하여 대상자의 식후 혈당을 예측할 수 있다. 예측된 대상자의 식후 혈당은, 대상자에 대응하는 전자 기기(110) 또는 전자 기기(110)에 대응하는 측정 장치(113)로 제공될 수 있다.
또한, 식후 혈당 예측부(340)는 예측된 식후 혈당을 기초로 대상자의 당뇨병을 진단하여 그 결과를 제공할 수도 있다. 대상자의 당뇨병을 진단한다는 것은, 대상자가 정상인인지, 전당뇨에 해당되는지 또는 당뇨병 환자에 해당되는지 여부를 확인하는 것을 의미한다.
이처럼 일 실시예에 따른 식후 혈당 예측 시스템 및 방법은, 식사에 따른 혈당 변화 및 타액당 변화 사이의 패턴 차이를 신체 지표를 고려하여 추론하는 당 변화 추론 모델 및 식후 타액당과 식후 혈당 사이의 상관 관계를 패턴 차이를 고려하여 추론하는 식후 혈당 추론 모델을 이용하여 식후 타액당으로부터 식후 혈당을 예측함으로써 혈액을 침습적인 방법으로 채취할 수 밖에 없는 한계를 극복하고 혈액 채취의 번거로움 및 통증 발생 등의 단점을 해결하는 동시에 검사를 위해 공복을 유지해야 하는 제약 및 단점을 해결할 수 있다.
또한, 일 실시예에 따른 식후 혈당 예측 시스템 및 방법은, 당 변화 추론 모델 및 식후 혈당 추론 모델을 대상자에 맞춰 개인화하며 학습시킴으로써, 추론 및 예측 정확도를 향상시킬 수 있다.
또한, 이상 식후 타액당으로부터 식후 혈당을 예측하는 것이 설명되었으나, 식후 혈당으로부터 식후 타액당을 예측하는 것 역시 상술된 식후 혈당 예측 시스템 및 방법을 통해 가능할 수 있다. 이러한 경우 대상자 정보 획득부(320)가 타액당 대신에 혈당을 획득함에 응답하여 식후 혈당 예측부(340)에서는, 획득된 식후 혈당으로부터 식후 타액당을 예측할 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
Claims (15)
- 식사에 따른 혈당 변화 및 타액당 변화 사이의 패턴 차이를 신체 지표를 고려하여 추론하도록 당 변화 추론 모델을 학습시키고, 식후 타액당과 식후 혈당 사이의 상관 관계를 상기 패턴 차이를 고려하여 추론하도록 식후 혈당 추론 모델을 학습시키는 학습 모델링부;
대상자의 신체 지표와 식후 타액당을 획득하는 대상자 정보 획득부;
상기 대상자의 신체 지표를 입력 파라미터로 상기 당 변화 추론 모델을 이용하여 상기 대상자의 패턴 차이를 추정하는 패턴 차이 추정부; 및
상기 대상자의 식후 타액당과 상기 추정된 패턴 차이를 입력 파라미터로 상기 식후 혈당 추론 모델을 이용하여 상기 대상자의 식후 혈당을 예측하는 식후 혈당 예측부
를 포함하는 식후 혈당 예측 시스템. - 제1항에 있어서,
상기 패턴 차이는,
상기 식사에 따른 혈당 변화 및 타액당 변화 사이의 시간 지연 차이, 최대치 차이 및 변화율 차이를 포함하는 것을 특징으로 하는 식후 혈당 예측 시스템. - 제1항에 있어서,
상기 학습 모델링부는,
상기 대상자의 공복 혈당을 포함하는 개인 데이터를 기초로 상기 당 변화 추론 모델 및 상기 식후 혈당 추론 모델을 상기 대상자에 맞춰 개인화하며 학습시키는 것을 특징으로 하는 식후 혈당 예측 시스템. - 제1항에 있어서,
상기 학습 모델링부는,
상기 패턴 차이를 상기 신체 지표를 고려하여 추론하는 실험 데이터를 인공지능 딥러닝 기법을 이용하여 학습함으로써 상기 당 변화 추론 모델을 구축하고, 상기 식후 타액당과 상기 식후 혈당 사이의 상관 관계를 상기 패턴 차이를 고려하여 추론하는 실험 데이터를 인공지능 딥러닝 기법을 이용하여 학습함으로써 상기 식후 혈당 추론 모델을 구축하는 것을 특징으로 하는 식후 혈당 예측 시스템. - 제1항에 있어서,
상기 신체 지표는,
성별, 나이, 체중, 체질량지수(BMI) 및 허리 둘레를 포함하는 것을 특징으로 하는 식후 혈당 예측 시스템. - 제1항에 있어서,
상기 학습 모델링부는,
상기 신체 지표와 HOMA-IR및 HOMA-cell 사이의 상관 관계를 추론하고, 상기 패턴 차이와 상기 HOMA-IR및 HOMA
-cell 사이의 상관 관계를 추론하도록 상기 당 변화 추론 모델을 학습시키는 것을 특징으로 하는 식후 혈당 예측 시스템.
- 제6항에 있어서,
상기 학습 모델링부는,
상기 HOMA-IR및 HOMA-cell로 계산되는 인슐린 저항성 및 인슐린 분비능과 상기 패턴 차이 사이의 상관 관계를 추론하도록 상기 당 변화 추론 모델을 학습시키는 것을 특징으로 하는 식후 혈당 예측 시스템.
- 대상자의 신체 지표와 식후 타액당을 획득하는 단계;
상기 대상자의 신체 지표를 입력 파라미터로 당 변화 추론 모델-상기 당 변화 추론 모델은 식사에 따른 혈당 변화 및 타액당 변화 사이의 패턴 차이를 신체 지표를 고려하여 추론하도록 학습됨-을 이용하여 상기 대상자의 패턴 차이를 추정하는 단계; 및
상기 대상자의 식후 타액당과 상기 추정된 패턴 차이를 입력 파라미터로 식후 혈당 추론 모델-상기 식후 혈당 추론 모델은 식후 타액당과 식후 혈당 사이의 상관 관계를 상기 패턴 차이를 고려하여 추론하도록 학습됨-을 이용하여 상기 대상자의 식후 혈당을 예측하는 단계
를 포함하는 식후 혈당 예측 방법. - 제8항에 있어서,
상기 패턴 차이는,
상기 식사에 따른 혈당 변화 및 타액당 변화 사이의 시간 지연 차이, 최대치 차이 및 변화율 차이를 포함하는 것을 특징으로 하는 식후 혈당 예측 방법. - 제8항에 있어서,
상기 당 변화 추론 모델 및 상기 식후 혈당 추론 모델은,
상기 대상자의 공복 혈당을 포함하는 개인 데이터를 기초로 상기 대상자에 맞춰 개인화되며 학습되는 것을 특징으로 하는 식후 혈당 예측 방법. - 제8항에 있어서,
상기 패턴 차이를 상기 신체 지표를 고려하여 추론하는 실험 데이터를 인공지능 딥러닝 기법을 이용하여 학습함으로써 상기 당 변화 추론 모델을 구축하는 단계; 및
상기 식후 타액당과 상기 식후 혈당 사이의 상관 관계를 상기 패턴 차이를 고려하여 추론하는 실험 데이터를 인공지능 딥러닝 기법을 이용하여 학습함으로써 상기 식후 혈당 추론 모델을 구축하는 단계
를 더 포함하는 것을 특징으로 하는 식후 혈당 예측 방법. - 제8항에 있어서,
상기 신체 지표는,
성별, 나이, 체중, 체질량지수(BMI) 및 허리 둘레를 포함하는 것을 특징으로 하는 식후 혈당 예측 방법. - 제8항에 있어서,
상기 당 변화 추론 모델은,
상기 신체 지표와 HOMA-IR및 HOMA-cell 사이의 상관 관계를 추론하고, 상기 패턴 차이와 상기 HOMA-IR및 HOMA
-cell 사이의 상관 관계를 추론하도록 학습되는 것을 특징으로 하는 식후 혈당 예측 방법.
- 제13항에 있어서,
상기 당 변화 추론 모델은,
상기 HOMA-IR및 HOMA-cell로 계산되는 인슐린 저항성 및 인슐린 분비능과 상기 패턴 차이 사이의 상관 관계를 추론하도록 학습되는 것을 특징으로 하는 식후 혈당 예측 방법.
- 식후 혈당 예측 방법을 컴퓨터 장치에 실행시키기 위한 컴퓨터 프로그램이 기록되어 있는 컴퓨터 판독 가능한 기록매체에 있어서,
상기 식후 혈당 예측 방법은,
대상자의 신체 지표와 식후 타액당을 획득하는 단계;
상기 대상자의 신체 지표를 입력 파라미터로 당 변화 추론 모델-상기 당 변화 추론 모델은 식사에 따른 혈당 변화 및 타액당 변화 사이의 패턴 차이를 신체 지표를 고려하여 추론하도록 학습됨-을 이용하여 상기 대상자의 패턴 차이를 추정하는 단계; 및
상기 대상자의 식후 타액당과 상기 추정된 패턴 차이를 입력 파라미터로 식후 혈당 추론 모델-상기 식후 혈당 추론 모델은 식후 타액당과 식후 혈당 사이의 상관 관계를 상기 패턴 차이를 고려하여 추론하도록 학습됨-을 이용하여 상기 대상자의 식후 혈당을 예측하는 단계
를 포함하는 컴퓨터 판독 가능한 기록매체.
Priority Applications (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220110419A KR20240031573A (ko) | 2022-09-01 | 2022-09-01 | 타액 기반 인공지능 딥러닝 기법을 활용한 혈당 예측 시스템 및 방법 |
| EP23790532.8A EP4356832A1 (en) | 2022-09-01 | 2023-08-31 | System and method for predicting blood sugar by using saliva-based artificial intelligence deep-learning technique |
| PCT/KR2023/012977 WO2024049234A1 (ko) | 2022-09-01 | 2023-08-31 | 타액 기반 인공지능 딥러닝 기법을 활용한 혈당 예측 시스템 및 방법 |
| CN202380011473.9A CN117858661A (zh) | 2022-09-01 | 2023-08-31 | 使用基于唾液的人工智能深度学习方法的血糖预测***及方法 |
| US18/459,746 US20240074708A1 (en) | 2022-09-01 | 2023-09-01 | Blood glucose prediction system and method using saliva-based artificial intelligence deep learning technique |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220110419A KR20240031573A (ko) | 2022-09-01 | 2022-09-01 | 타액 기반 인공지능 딥러닝 기법을 활용한 혈당 예측 시스템 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20240031573A true KR20240031573A (ko) | 2024-03-08 |
Family
ID=90059210
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220110419A KR20240031573A (ko) | 2022-09-01 | 2022-09-01 | 타액 기반 인공지능 딥러닝 기법을 활용한 혈당 예측 시스템 및 방법 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US20240074708A1 (ko) |
| EP (1) | EP4356832A1 (ko) |
| KR (1) | KR20240031573A (ko) |
| CN (1) | CN117858661A (ko) |
| WO (1) | WO2024049234A1 (ko) |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5601102B2 (ja) * | 2010-09-08 | 2014-10-08 | セイコーエプソン株式会社 | 血糖値予測システム |
| JP6763897B2 (ja) * | 2018-02-22 | 2020-09-30 | 京セラ株式会社 | 電子機器、推定システム、推定方法及び推定プログラム |
| KR102225500B1 (ko) * | 2018-12-31 | 2021-03-09 | 한국과학기술원 | 무채혈식 휴대형 광학적 혈당 측정 장치 |
-
2022
- 2022-09-01 KR KR1020220110419A patent/KR20240031573A/ko unknown
-
2023
- 2023-08-31 EP EP23790532.8A patent/EP4356832A1/en active Pending
- 2023-08-31 WO PCT/KR2023/012977 patent/WO2024049234A1/ko active Application Filing
- 2023-08-31 CN CN202380011473.9A patent/CN117858661A/zh active Pending
- 2023-09-01 US US18/459,746 patent/US20240074708A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| WO2024049234A9 (ko) | 2024-05-10 |
| EP4356832A1 (en) | 2024-04-24 |
| CN117858661A (zh) | 2024-04-09 |
| US20240074708A1 (en) | 2024-03-07 |
| WO2024049234A1 (ko) | 2024-03-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101818074B1 (ko) | 인공지능 기반 의료용 자동 진단 보조 방법 및 그 시스템 | |
| US11257579B2 (en) | Systems and methods for managing autoimmune conditions, disorders and diseases | |
| CN109378065A (zh) | 医疗数据处理方法及装置、存储介质、电子设备 | |
| KR20200005987A (ko) | 터치입력을 이용한 인지장애 진단 시스템 및 방법 | |
| Hagar et al. | Survival analysis with electronic health record data: Experiments with chronic kidney disease | |
| KR102460442B1 (ko) | 시계열 데이터 처리 장치, 이를 포함하는 건강 예측 시스템, 및 시계열 데이터 처리 장치의 동작 방법 | |
| CN109448858A (zh) | 结直肠癌医疗数据处理方法及装置、存储介质、电子设备 | |
| US20240194346A1 (en) | Improved Health Management Through Causal Relationship Based Feedback on Behavior and Health Metrics Captured by IOT | |
| KR20220039881A (ko) | 전문가의 진단 능력 평가 방법, 인공지능 기반의 진단 보조 방법 및 이를 이용한 디바이스 | |
| CN111161884A (zh) | 针对不平衡数据的疾病预测方法、装置、设备及介质 | |
| US20190221294A1 (en) | Time series data processing device, health prediction system including the same, and method for operating the time series data processing device | |
| KR20200061968A (ko) | 시계열 데이터 처리 장치 및 이의 동작 방법 | |
| US20190110698A1 (en) | Apparatus and method for processing bio-information | |
| US11607167B2 (en) | User device based parkinson disease detection | |
| KR20240031573A (ko) | 타액 기반 인공지능 딥러닝 기법을 활용한 혈당 예측 시스템 및 방법 | |
| JP2019003408A (ja) | ハイパーパラメータの評価方法、計算機及びプログラム | |
| Kang et al. | A clinically practical and interpretable deep model for ICU mortality prediction with external validation | |
| KR102605753B1 (ko) | 인공지능 기반의 혈당 예측 시스템 및 방법 | |
| US20230019703A1 (en) | Personal health tracking urinalysis device | |
| KR20220120345A (ko) | 시계열 데이터에 기반한 알츠하이머병 진행감지를 위한 멀티모드 멀티테스크 딥 러닝 모델 | |
| US20240203595A1 (en) | Characteristics of patient influencing disease progession | |
| US20220375615A1 (en) | Method and system for predicting health risk | |
| WO2021181634A1 (ja) | 教師データ収集依頼装置および教師データ収集方法 | |
| KR20220150618A (ko) | 앙상블 예측 모델을 포함하는 건강 상태 예측 시스템 및 그 동작 방법 | |
| KR102035644B1 (ko) | 혈당 단위를 자동으로 결정하는 혈당 측정 장치 및 방법 |