WO2024128584A1 - 우울증 예측을 위한 인공지능 및 웹 기반 플랫폼 - Google Patents
우울증 예측을 위한 인공지능 및 웹 기반 플랫폼 Download PDFInfo
- Publication number
- WO2024128584A1 WO2024128584A1 PCT/KR2023/018546 KR2023018546W WO2024128584A1 WO 2024128584 A1 WO2024128584 A1 WO 2024128584A1 KR 2023018546 W KR2023018546 W KR 2023018546W WO 2024128584 A1 WO2024128584 A1 WO 2024128584A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- depression
- risk
- predicting
- suicidal thoughts
- prediction
- Prior art date
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 43
- 230000004630 mental health Effects 0.000 claims description 48
- 208000019901 Anxiety disease Diseases 0.000 claims description 36
- 230000036506 anxiety Effects 0.000 claims description 23
- 206010042458 Suicidal ideation Diseases 0.000 claims description 19
- 238000010801 machine learning Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 15
- 206010010144 Completed suicide Diseases 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 13
- 238000013136 deep learning model Methods 0.000 claims description 12
- 238000007637 random forest analysis Methods 0.000 claims description 10
- 238000012706 support-vector machine Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000000556 factor analysis Methods 0.000 claims description 8
- 230000003542 behavioural effect Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000002610 neuroimaging Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 description 49
- 208000011688 Generalised anxiety disease Diseases 0.000 description 11
- 208000029364 generalized anxiety disease Diseases 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 210000004556 brain Anatomy 0.000 description 7
- 238000007405 data analysis Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 208000020401 Depressive disease Diseases 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- CZNNQWMLAHSKRA-NVAFIHLTSA-N dTDP 1-ester with 2,6-dideoxy-L-erythro-hexopyranos-3-ulose Chemical compound C1C(=O)[C@@H](O)[C@H](C)O[C@@H]1OP(O)(=O)OP(O)(=O)OC[C@@H]1[C@@H](O)C[C@H](N2C(NC(=O)C(C)=C2)=O)O1 CZNNQWMLAHSKRA-NVAFIHLTSA-N 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000012423 maintenance 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
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/25—Bioelectric electrodes therefor
- A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
- A61B5/291—Bioelectric electrodes therefor specially adapted for particular uses for electroencephalography [EEG]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
Definitions
- Diagnosis of depression may include in-depth interviews with psychiatric practitioners, completion of self-report questionnaires, or methods based on electroencephalogram analysis.
- a depression prediction method based on brain image analysis a certain amount of electrical stimulation is applied to the brain of a subject suspected of depression, and then depression can be determined by measuring the amount of peaks that occur in the 300 to 600 ms time period. Diagnosis of depression through such EEG analysis requires a small signal to noise ratio, a complicated configuration of EEG electrodes required for precise EEG measurement, and high performance of the CPU required to analyze the obtained EEG. There is a problem.
- a method performed on a computer system wherein the computer system includes at least one processor configured to execute computer readable instructions included in a memory, the method comprising: receiving, by the at least one processor, an input related to an examination subject; Predicting the risk of depression and suicidal thoughts of the examinee through an artificial intelligence model using data; and providing, by the at least one processor, a feature importance value indicating the extent to which individual items of the input data contribute to the prediction, along with the prediction result for the risk of depression and suicidal ideation. Provides a way to do this.
- the step of predicting the risk of depression and suicidal thoughts of the examination subject includes the examination subject's mental health-related questionnaire (self-report questionnaire), behavioral experiment data (behavioral data), and ecological moment as the input data. It may include predicting the risk of depression and suicidal thoughts using ecological momentary assessment (EMA), electroencephalogram (EEG), and neuroimaging data.
- EMA ecological momentary assessment
- EEG electroencephalogram
- the step of predicting the risk of depression and suicidal thoughts of the test subject involves using the input data as PHQ-9, a questionnaire related to depression, GAD-7, a questionnaire related to anxiety disorders, and STAI, a questionnaire related to state anxiety.
- -X1 a step of predicting the risk of depression and suicidal thoughts using the test subject's survey responses to RAS, a resilience-related survey question, and RSES, a self-esteem-related survey question.
- the step of predicting the risk of depression and suicidal thoughts of the test subject is one of support vector machine (SVM), random forest (RF), and gradient boosting. It may include predicting the risk of depression and suicidal thoughts using a graph neural network, which is one of a machine learning model or a deep learning model.
- SVM support vector machine
- RF random forest
- gradient boosting gradient boosting
- the step of predicting the risk of depression and suicidal thoughts of the subject is to register the input data uploaded through a web-based user interface in a queue of a job scheduler and then It may include a step of predicting the risk of depression and suicide by analyzing in order.
- the method includes, by the at least one processor, PHQ-9, a depression-related questionnaire, GAD-7, an anxiety disorder-related questionnaire, and STAI-X1, a state anxiety-related questionnaire.
- a further step is to calculate a mental health status summary score (General Depression/Anxiety score) through common factor analysis based on the questionnaire responses of the test subject and provide it along with the prediction results for the risk of depression and suicidal thoughts. It can be included.
- the method includes, by the at least one processor, a total of PHQ-9, a depression-related questionnaire, GAD-7, an anxiety disorder-related questionnaire, and STAI-X1, a state anxiety-related questionnaire.
- Predicting a mental health summary score General Depression/Anxiety score
- a machine learning model based on the examinee's survey responses to some of the questions and providing the prediction results for the risk of depression and suicidal thoughts. It may further include.
- the method for predicting depression comprises an artificial intelligence model using input data related to the subject to be examined. Predicting the risk of depression and suicidal thoughts; and providing a feature importance value indicating the degree to which each item of the input data contributes to the prediction, along with the prediction result for the risk of depression and suicide ideation.
- a computer system comprising: at least one processor configured to execute computer-readable instructions contained in a memory, wherein the at least one processor is configured to: The process of predicting the risk of depression and suicidal thoughts; and a computer system that processes a process of providing a feature importance value indicating the degree to which each item of the input data contributes to the prediction, along with the prediction result for the risk of depression and suicide ideation.
- the present invention inputs various information and provides users with highly reliable and real-time predictions of depression and suicidal ideation risk according to various machine learning and deep learning models, thereby enabling large-scale population mental health management services.
- the comprehensive severity of the user's mental health status can be provided as an intuitive number, and the mental health status summary score can be calculated through a shortened questionnaire. can be predicted, making it possible to provide multimodal-based mental health management services.
- the characteristic importance values of individual items that contributed to the user's predicted mental health status are provided so that the user can know which items should be considered important in relation to the predicted mental health risk of the user, providing evidence for personalized mental health services. can be provided.
- FIG. 1 is a block diagram showing an example of a computer system according to an embodiment of the present invention.
- Figure 2 is a block diagram showing a depression and suicidal thoughts prediction platform system in one embodiment of the present invention.
- Figure 3 shows an example of a model for predicting the risk of depression and suicidal thoughts in one embodiment of the present invention.
- Figure 4 is an example diagram for explaining the mental health status summary score calculation algorithm in one embodiment of the present invention.
- Figure 5 is an example diagram for explaining a mental health status summary score prediction algorithm in one embodiment of the present invention.
- Figure 6 shows an example of a user-side front-end screen of a depression and suicidal ideation prediction platform in one embodiment of the present invention.
- Figure 7 shows an example of a questionnaire creation screen through a web platform in one embodiment of the present invention.
- Figure 8 is an example diagram for explaining the real-time input data analysis process of the analysis engine in one embodiment of the present invention.
- Figure 9 shows the analysis pipeline of the analysis engine in one embodiment of the present invention.
- Figures 10 to 12 show an example of a survey data analysis result inquiry screen in one embodiment of the present invention.
- Embodiments of the present invention relate to technology that can predict depression and suicidal thoughts.
- Embodiments including those specifically disclosed herein classify an individual's risk of depression and suicidal thoughts, calculate and predict a mental health status summary score, and calculate the characteristic importance values (or attention plots) of individual items contributing to this. can be provided. These embodiments collect individual subject responses on a web basis or upload data from a large population group to assess mental health-related indicators of members in real time, and can be used in schools and institutions that need to manage and screen the mental health of large groups of people. It can be.
- the depression and suicidal ideation prediction platform system may be implemented by at least one computer device, and the method of providing a depression and suicidal ideation prediction platform according to embodiments of the present invention can predict depression and suicidal ideation. It may be performed through at least one computer device included in the platform system. At this time, a computer program according to an embodiment of the present invention may be installed and driven in the computer device, and the computer device may be controlled by the driven computer program. Method for providing a platform for predicting depression and suicidal thoughts according to embodiments of the present invention. can be performed. The above-described computer program may be combined with a computer device and stored in a computer-readable recording medium to execute the method of providing a platform for predicting depression and suicidal thoughts on a computer.
- FIG. 1 is a block diagram showing an example of a computer system according to an embodiment of the present invention.
- the depression and suicidal thoughts prediction platform system may be implemented by the computer system 100 shown in FIG. 1.
- the computer system 100 is a component for executing the method for providing a platform for predicting depression and suicidal thoughts according to embodiments of the present invention, and includes a memory 110, a processor 120, and a communication interface ( 130) and may include an input/output interface 140.
- the memory 110 is a computer-readable recording medium and may include a non-permanent mass storage device such as random access memory (RAM), read only memory (ROM), and a disk drive.
- non-perishable large-capacity recording devices such as ROM and disk drives may be included in the computer system 100 as a separate permanent storage device that is distinct from the memory 110.
- an operating system and at least one program code may be stored in the memory 110.
- These software components may be loaded into the memory 110 from a computer-readable recording medium separate from the memory 110.
- Such separate computer-readable recording media may include computer-readable recording media such as floppy drives, disks, tapes, DVD/CD-ROM drives, and memory cards.
- software components may be loaded into the memory 110 through the communication interface 130 rather than a computer-readable recording medium.
- software components may be loaded into memory 110 of computer system 100 based on computer programs being installed by files received over network 160.
- the processor 120 may be configured to process instructions of a computer program by performing basic arithmetic, logic, and input/output operations. Commands may be provided to the processor 120 by the memory 110 or the communication interface 130. For example, processor 120 may be configured to execute received instructions according to program code stored in a recording device such as memory 110. The overall operations included in the method for providing a platform for predicting depression and suicidal thoughts according to embodiments of the present invention may be performed by the processor 120.
- the communication interface 130 may provide a function for the computer system 100 to communicate with other devices through the network 160. For example, requests, commands, data, files, etc. generated by the processor 120 of the computer system 100 according to the program code stored in a recording device such as the memory 110 are transmitted to the network ( 160) and can be transmitted to other devices. Conversely, signals, commands, data, files, etc. from other devices may be received by the computer system 100 through the communication interface 130 of the computer system 100 via the network 160. Signals, commands, data, etc. received through the communication interface 130 may be transmitted to the processor 120 or memory 110, and files, etc. may be stored in a storage medium (as described above) that the computer system 100 may further include. It can be stored as a permanent storage device).
- the communication method is not limited, and may include not only a communication method utilizing communication networks that the network 160 may include (e.g., mobile communication network, wired Internet, wireless Internet, and broadcasting network), but also short-distance wired/wireless communication between devices.
- the network 160 may include a personal area network (PAN), a local area network (LAN), a campus area network (CAN), a metropolitan area network (MAN), a wide area network (WAN), and a broadband network (BBN).
- PAN personal area network
- LAN local area network
- CAN campus area network
- MAN metropolitan area network
- WAN wide area network
- BBN broadband network
- the network 160 may include any one or more of network topologies including a bus network, star network, ring network, mesh network, star-bus network, tree or hierarchical network, etc. Not limited.
- the input/output interface 140 may be a means for interfacing with the input/output device 150.
- input devices may include devices such as a microphone, keyboard, camera, or mouse, and output devices may include devices such as displays and speakers.
- output devices may include devices such as displays and speakers.
- the input/output interface 140 may be a means for interfacing with a device that integrates input and output functions, such as a touch screen.
- the input/output device 150 may be configured as a single device with the computer system 100.
- computer system 100 may include fewer or more components than those of FIG. 1 . However, there is no need to clearly show most prior art components.
- the computer system 100 may be implemented to include at least some of the input/output devices 150 described above, or may further include other components such as a transceiver, a camera, various sensors, and a database.
- inventions are web-based programs for predicting depression and suicidal thoughts that may occur in adults. Similar technologies exist to predict high-risk groups for depression, anxiety, and suicide using some of the following methods: images, audio, blood markers, psychological test strips, and brain waves.
- This program includes self-report questionnaires related to mental health, behavioral data, ecological momentary assessment (EMA), electroencephalogram (EEG), and neuroimaging data of the examinees.
- machine learning models such as support vector machine (SVM), random forest (RF), gradient boosting, and graph neural Deep learning models with improved performance, such as graph neural networks, are used to derive predictions for depressive episodes and suicidal thoughts, along with model information used by health care managers who must manage the mental health of large adult populations.
- SVM support vector machine
- RF random forest
- gradient boosting gradient boosting
- graph neural Deep learning models with improved performance such as graph neural networks, are used to derive predictions for depressive episodes and suicidal thoughts, along with model information used by health care managers who must manage the mental health of large adult populations.
- this platform allows the calculation of a mental health status summary score (General Depression/Anxiety score, G-DA score) based on machine learning in addition to simple predictions of the degree of depression and suicidal thoughts, through which mental health status can be calculated. It is possible to summarize and quantify the severity.
- G-DA score General Depression/Anxiety score
- the degree to which each item of input data used for prediction contributes to the classification of an individual's depression/suicidal thoughts and prediction of the mental health status summary score is provided as a feature importance value (or attention plot) so that the information consumer can determine the subject's status. It helps you figure out which items are important to look at. In other words, we aim to help clinical decision-making related to mental health through the implementation of explainable artificial intelligence.
- Figure 2 is a block diagram showing a depression and suicidal thoughts prediction platform system in one embodiment of the present invention.
- the depression and suicidal thoughts prediction platform system 100 can be largely divided into a data collection part, a data analysis part, and a result output part.
- a user connected to the web can input data for each participant in the case of an individual user or upload large-scale response data in the case of a health care manager.
- Data input/uploaded to be used to predict depression and suicidal thoughts including demographic information such as gender and age, questionnaire scale, brain magnetic resonance image (MRI) and electroencephalogram (EEG) information, and wearables.
- the device's daily life information, behavioral information through performance of behavioral tasks, etc. are transmitted to the web application server 230 through the web server 210 and the WSGI (Web Server Gateway Interface) server 220.
- WSGI Web Server Gateway Interface
- the web application server 230 first stores the received information in a database (DB) 240 that can store and retrieve large-scale data, and at the same time runs an analysis engine (analysis engine) to obtain prediction values for depression and suicidal thoughts. 250).
- DB database
- analysis engine analysis engine
- the analysis engine 250 can calculate result data such as depression, suicidal thoughts, mental health status summary score, and feature importance through a pre-trained machine learning/deep learning model.
- the data analysis process may take several minutes to several hours depending on the complexity of the preprocessing and analysis engine 250, and the results obtained through analysis are stored in the database 240.
- the analysis results stored in the database 240 can be displayed on the user interface of the platform again through the web application server 230, WSGI server 220, and web server 210 according to the user's request.
- the web server 210 may be implemented with Nginx
- the WSGI server 220 may be implemented with Gunicorn
- the web application server 230 may be implemented with Django
- the database 240 may be implemented with MariaDB to handle multiple user requests. You can.
- the analysis engine 250 can be implemented with sklearn and pytorch packages based on Python.
- the user logs into the depression and suicidal thoughts prediction platform system 100, he or she can upload various information such as ID, examination location, age, gender, and questionnaire score.
- the analysis engine 250 is completed and the analysis results are derived, the results can be searched based on various criteria such as ID, depression risk (MDD), and suicide risk.
- ID depression risk
- MDD depression risk
- suicide risk is input by loading a machine learning or deep learning model with optimized model parameters to predict the risk of depression and suicidal ideation using existing data using demographic data such as the user's age and gender and individual questionnaire item scores. You can get it at For machine learning models, existing support vector machines (SVM), random forests (RF), and gradient boosting can be used, and for deep learning, one of the graph neural networks is available.
- SVM support vector machines
- RF random forests
- gradient boosting gradient boosting
- GIN graph isomorphism network
- MGM Mated Graphical Model
- the MGM package is a package that implements an algorithm that estimates a graph of relationships between variables from observation data. Afterwards, this graph is used as the adjacency matrix of GIN to perform a graph convolution operation on the three hidden layers.
- the hidden variables of each latent layer obtained through graph convolution operations are concatenated into one vector and input age, gender, and individual questionnaire scores into a fully connected layer classifier, and then depression Calculate risk and suicidal ideation predictions (see Figure 3).
- the depression analysis page you can check the overall level of depression and suicidal thoughts, the mental health status summary score, as well as the factors important in predicting depression/suicidal thoughts.
- the importance is determined by changing one individual characteristic among the inputs of the model using the LIME (Local Interpretable Model-agnostic Explanations) algorithm in the case of machine learning and the self-implemented graph saliency calculation algorithm in the case of deep learning models. The extent to which the predicted value changes significantly can be obtained by calculating for all input characteristics.
- LIME Local Interpretable Model-agnostic Explanations
- Figure 4 is an example diagram for explaining the mental health status summary score calculation algorithm in one embodiment of the present invention.
- the mental health status summary score (G-DA score) calculation algorithm of the present invention measures depression, anxiety, and state anxiety, which are difficult to measure independently due to the high possibility of coexistence, with a single scalar value.
- the processor 120 performs a common factor analysis implemented in R's Psych package for a total of 36 questions consisting of PHQ-9, a depression scale, GAD-7, an anxiety disorder scale, and STAI-X1, a state anxiety scale.
- the G-DA score can be derived through common factor analysis.
- Common factor analysis is a statistical method that finds factors, which are a small number of latent variables, that can group similar items (common dimensions) of various collected variables based on common variance. Psych This package implements this statistical method so that it can be used in R.
- G-DA mental health status summary score
- Figure 5 is an example diagram for explaining a mental health status summary score prediction algorithm in one embodiment of the present invention.
- the mental health status summary score (G-DA score) prediction algorithm in the present invention predicts the G-DA score with high reliability using only some of the 36 questions consisting of PHQ-9, GAD-7, and STAI-X1.
- the reliability of the G-DA score can be determined by calculating the mean absolute error or mean square error between the predicted value measured using some questions and the actual G-DA score, and showing that this value is almost the same as the error of the model using all questions. You can. Referring to FIG. 5, the processor 120 selects G through some reduced questions (e.g., 10 or less questions selected among 36 questions) among the 36 questions of PHQ-9, GAD-7, and STAI-X1. -By predicting the DA score, you can prevent users from leaving and increase the reliability of test results in situations where repeated measurements are made every day or in a voice-based environment.
- Figure 6 shows an example of a user-side front-end screen of a depression and suicidal ideation prediction platform in one embodiment of the present invention.
- Figure 6 shows the home screen 500 of the depression and suicidal thoughts prediction platform.
- the web-based user interface of the depression and suicidal ideation prediction platform may be implemented as shown in FIG. 6. Due to the nature of mental health examination data, it may be sensitive to security, so only authorized users can access it by logging in.
- the home screen 500 of the depression and suicidal thoughts prediction platform is a web-based user interface and may provide a menu 501 for filling out a survey as one of the menus on the web.
- Figure 7 shows an example of a questionnaire creation screen through a web platform in one embodiment of the present invention.
- the processor 120 may provide a questionnaire creation screen 600 when the user logs in to the home screen 500 of the depression and suicidal ideation prediction platform and selects the 'Complete Survey' menu 501.
- the questionnaire creation screen 600
- the questionnaire included 1) 9 questions about depression (PHQ-9), 2) 7 questions about anxiety disorders (GAD-7), 3) 20 questions about state anxiety (STAI-X1), and 4) resilience. It may include a 10-item related survey (RAS), 5) a 12-item self-esteem-related survey (RSES), etc.
- the depression and suicidal ideation prediction platform according to the present invention can provide a survey data file upload environment that can upload large amounts of data at once in cases where health managers, etc., wish to analyze the results of large-scale mental health examinations.
- Figure 8 is an example diagram for explaining the real-time input data analysis process of the analysis engine in one embodiment of the present invention.
- the depression and suicidal ideation prediction platform may include, as one of its key elements, a process for analyzing input data in real time and delivering the analysis results on the web as quickly as possible.
- the analysis engine 250 includes a task scheduling process, and the first task scheduler 710 immediately queues the task scheduler when a user (client) uploads or submits data to be newly requested for analysis. ) to start analysis in order of queue.
- a user client
- the analysis engine 250 includes a task scheduling process
- the first task scheduler 710 immediately queues the task scheduler when a user (client) uploads or submits data to be newly requested for analysis. ) to start analysis in order of queue.
- client uploads or submits data to be newly requested for analysis.
- the data on which analysis has been completed is generated as a report including the analysis results and stored in the database 240.
- the report stored in the database 240 is output through the analysis result inquiry screen on the platform.
- the second task scheduler 720 periodically checks input data and adds input data that does not generate analysis results and does not exist in the queue to the analysis queue.
- the analysis engine 250 can manage input data to be excluded from analysis through the second task scheduler 720.
- Figure 9 shows the analysis pipeline of the analysis engine in one embodiment of the present invention.
- the analysis engine 250 stores it in the data directory and database 240, reads it (S802), and generates the information required in the prediction model. Perform data preprocessing in the form (S803). At this time, the analysis engine 250 can also store the preprocessing results and use them for later data analysis quality check.
- the analysis engine 250 can predict the risk of depression/suicidal thoughts and calculate a mental health status summary score (G-DA score) through a pre-trained machine learning/deep learning model (S804).
- the analysis engine 250 prepares the depression/suicide risk prediction results and the G-DA score in the form of a report and stores them in the data directory and database 240 (S805).
- the analysis engine 250 can use machine learning models such as support vector machine (SVM) and random forest (RF) to predict categorical variables such as the risk of depression and suicidal thoughts, and calculate the mental health status summary score (G-DA).
- machine learning models such as support vector machine (SVM) and random forest (RF) to predict categorical variables such as the risk of depression and suicidal thoughts, and calculate the mental health status summary score (G-DA).
- SVM support vector machine
- RF random forest
- G-DA mental health status summary score
- LGB Light Gradient Boosting
- deep learning models such as graph neural networks (GNN) can be used to predict depression and suicidal thoughts.
- GNN graph neural networks
- the performance of predicting depression and suicidal thoughts using questionnaires or the performance of predicting depression and suicidal thoughts using resting-state brain connectivity can be improved.
- the analysis engine 250 can store user information, survey responses, survey analysis results, etc. in the database 240.
- MySQL-based MariaDB, etc. can be used as the database 240.
- Figures 10 to 12 show an example of a survey data analysis result inquiry screen in one embodiment of the present invention.
- the processor 120 may provide the analysis result through an analysis result inquiry screen.
- Figure 10 shows an analysis result inquiry screen 900.
- the processor 120 can predict the risk of depression and suicidal thoughts through two models and can generate two prediction result reports for one person.
- the processor 120 may provide a depression risk prediction result 910 and a suicidal ideation risk prediction result 920 for each survey respondent through the analysis result inquiry screen 900.
- the processor 120 may provide an analysis result detail screen 1000 including the detailed information of the respondent, as shown in FIG. 11 .
- the processor 120 displays the depression risk prediction result 910 and the suicide accident risk prediction result 920 along with the survey respondent's identification number and basic information through the analysis result detail screen 1000. You can. Furthermore, the processor 120 can summarize and display the relative position percentile (1030) based on the total score by survey type (PHQ-9, GAD-7, STAI-X1, RSES, RAS) through the analysis result detail screen (1000). You can. In addition, the processor 120 selects the top 10 detailed items that are important (high attention) for predicting the risk of depression and suicide through the analysis result detail screen 1000 and displays them as top important item information 1040. can do.
- the processor 120 can provide a predicted value for the mental health status summary score as one of the analysis results for the survey respondent through the analysis result detail screen 1000, and at this time, predict the risk of depression/suicidal thoughts and predict the mental health status summary score.
- the models used can also be provided.
- the processor 120 analyzes depression and depression by survey type (PHQ-9, GAD-7, STAI-X1, RSES, RAS) in addition to the top important item information 1040 through the analysis result detail screen 1000. It is possible to provide all item information (1150) that clearly visualizes the predictive importance (attention) of all items used to predict suicide risk in a bar graph.
- the depression and suicidal ideation prediction platform system uses various information such as questionnaires, behavioral experiment data, ecological momentary assessment, brain waves, and brain imaging data to solve the limitations of existing technologies for predicting depression. It can receive input, and provides users with predicted depression and suicidal ideation risk and mental health status summary scores based on various machine learning and deep learning models. Additionally, in this embodiment, characteristic importance values of individual items are provided together so that the user can know which items should be considered important in relation to the predicted value of an individual's mental health risk. Furthermore, in addition to mental health-related indicators limited to a single area such as depression and suicidal thoughts, predicted values for the mental health status summary score, which condenses the overall mental health status, can also be provided.
- the service can be applied to a large population by providing a web-based platform that predicts depression and suicide risk in real time, and when using a pre-trained machine learning/deep learning model, many It can provide quick prediction values and attention plots for input data.
- a web-based depression and suicidal ideation prediction platform can provide a wide range of services at low maintenance costs, can be expanded to apply to various mental health-related problems other than depression, and can be easily applied industrially to schools and institutions. You can.
- the device described above may be implemented with hardware components, software components, and/or a combination of hardware components and software components.
- the devices and components described in the embodiments include a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, a field programmable gate array (FPGA), and a programmable logic unit (PLU).
- ALU arithmetic logic unit
- FPGA field programmable gate array
- PLU programmable logic unit
- It may be implemented using one or more general-purpose or special-purpose computers, such as a logic unit, microprocessor, or any other device capable of executing and responding to instructions.
- the processing device may execute an operating system (OS) and one or more software applications running on the operating system. Additionally, a processing device may access, store, manipulate, process, and generate data in response to the execution of software.
- OS operating system
- a processing device may access, store, manipulate, process, and generate data in response to the execution of software.
- a single processing device may be described as being used; however, those skilled in the art will understand that a processing device includes multiple processing elements and/or multiple types of processing elements. It can be seen that it may include.
- a processing device may include a plurality of processors or one processor and one controller. Additionally, other processing configurations, such as parallel processors, are possible.
- Software may include a computer program, code, instructions, or a combination of one or more of these, which may configure a processing unit to operate as desired, or may be processed independently or collectively. You can command the device.
- the software and/or data may be embodied in any type of machine, component, physical device, computer storage medium or device for the purpose of being interpreted by or providing instructions or data to the processing device. there is.
- Software may be distributed over networked computer systems and stored or executed in a distributed manner.
- Software and data may be stored on one or more computer-readable recording media.
- the method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded on a computer-readable medium.
- the medium may continuously store a computer-executable program, or temporarily store it for execution or download.
- the medium may be a variety of recording or storage means in the form of a single or several pieces of hardware combined. It is not limited to a medium directly connected to a computer system and may be distributed over a network. Examples of media include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical recording media such as CD-ROMs and DVDs, magneto-optical media such as floptical disks, And there may be something configured to store program instructions, including ROM, RAM, flash memory, etc. Additionally, examples of other media include recording or storage media managed by app stores that distribute applications, sites or servers that supply or distribute various other software, etc.
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
우울증 예측을 위한 인공지능 및 웹 기반 플랫폼이 개시된다. 검진 대상자와 관련된 입력 데이터를 이용하여 인공지능 모델을 통해 상기 검진 대상자의 우울증 및 자살사고 위험도를 예측하는 단계; 및 상기 우울증 및 자살사고 위험도에 대한 예측 결과와 함께, 상기 입력 데이터의 개별 항목에 대해 예측에 기여하는 정도를 나타내는 특성 중요도값(feature importance)을 제공하는 단계를 포함하는 방법을 제공한다.
Description
아래의 설명은 우울증과 자살사고를 예측하는 기술에 관한 것이다.
우울증의 진단 방법으로는, 정신의학 관련 실무자의 심층 면담과 자가보고 설문지 작성, 또는 뇌영상(electroencephalogram) 분석에 기초한 방법이 있을 수 있다.
뇌영상 분석에 기초한 우울증 예측 방법에 따르면, 우울증이 의심되는 피검자에게 뇌에 일정한 전기적 자극이 가해지고, 이후 300ms 내지 600ms 시간대에 발생하는 피크의 양을 측정함으로써 우울증 여부가 판별될 수 있다. 이러한 뇌파 분석을 통한 우울증 진단은 신호대 노이즈비(signal to noise ratio)가 작고, 정밀한 뇌파 측정을 위해 필요한 뇌파 전극의 구성이 복잡하며, 얻어진 뇌파를 분석하기 위해 요구되는 CPU의 성능이 높아야 하는 등의 문제점이 있다.
또한, 진료체계에서 구조화된 면담 및 설문지를 이용해 자살사고를 평가하는 것은 노동 집약적이고 임상가에 의존하여 대규모 인구집단에 적용하기 어려운 부분이 존재한다. 영상, 음성, 혈액 표지자, 심리검사지, 뇌파 등의 방법 중 일부를 이용해 우울증, 불안증, 자살 고위험군을 예측하는 유사 기술들은 입력 데이터 및 모델의 범위가 제한적이고, 실시간으로 사용자에게 위험도 예측치를 제공해주거나 명료하게 요약된 수치로 제공하지 않는다.
[선행기술문헌]
[특허문헌]
한국 공개특허공보 제10-2020-0001777호(공개일 2020년 01월 07일)
우울증과 자살사고를 예측하기 위한 웹 기반 프로그램으로 각 개인의 우울증 및 자살사고 여부 분류, 정신건강상태 요약점수 예측뿐만 아니라 이에 기여하는 입력 데이터 개별항목들이 무엇이고 어떤 항목을 중요하게 살펴봐야 하는지를 알 수 있도록 특성 중요도값(feature importance) 혹은 어텐션 플롯(attention plot 혹은 saliency map)을 제공할 수 있다.
컴퓨터 시스템에서 수행되는 방법에 있어서, 상기 컴퓨터 시스템은 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고, 상기 방법은, 상기 적어도 하나의 프로세서에 의해, 검진 대상자와 관련된 입력 데이터를 이용하여 인공지능 모델을 통해 상기 검진 대상자의 우울증 및 자살사고 위험도를 예측하는 단계; 및 상기 적어도 하나의 프로세서에 의해, 상기 우울증 및 자살사고 위험도에 대한 예측 결과와 함께, 상기 입력 데이터의 개별 항목에 대해 예측에 기여하는 정도를 나타내는 특성 중요도값(feature importance)을 제공하는 단계를 포함하는 방법을 제공한다.
일 측면에 따르면, 상기 검진 대상자의 우울증 및 자살사고 위험도를 예측하는 단계는, 상기 입력 데이터로서 상기 검진 대상자의 정신건강의학 관련 설문지(self-report questionnaire), 행동실험 데이터(behavioral data), 생태순간평가(ecological momentary assessment, EMA), 뇌파(electroencephalogram, EEG), 및 뇌영상 데이터(neuroimaging data)를 이용하여 상기 우울증 및 자살사고 위험도를 예측하는 단계를 포함할 수 있다.
다른 측면에 따르면, 상기 검진 대상자의 우울증 및 자살사고 위험도를 예측하는 단계는, 상기 입력 데이터로서 우울증 관련 설문 문항인 PHQ-9, 불안장애 관련 설문 문항인 GAD-7, 상태불안 관련 설문 문항인 STAI-X1, 회복탄력성 관련 설문 문항인 RAS, 및 자존감 관련 설문 문항인 RSES에 대한 상기 검진 대상자의 설문 응답을 이용하여 상기 우울증 및 자살사고 위험도를 예측하는 단계를 포함할 수 있다.
또 다른 측면에 따르면, 상기 검진 대상자의 우울증 및 자살사고 위험도를 예측하는 단계는, 서포트 벡터 머신(support vector machine, SVM), 랜덤 포레스트(random forest, RF), 그래디언트 부스팅(gradient boosting) 중 어느 하나의 기계학습 모델 또는 딥러닝 모델인 중 하나인 그래프 뉴럴 네트워크(graph neural network)를 이용하여 상기 우울증 및 자살사고 위험도를 예측하는 단계를 포함할 수 있다.
또 다른 측면에 따르면, 상기 검진 대상자의 우울증 및 자살사고 위험도를 예측하는 단계는, 웹 기반 사용자 인터페이스를 통해 업로드된 상기 입력 데이터를 작업 스케줄러(Job scheduler)의 대기열(queue)에 등록한 후 상기 대기열의 순서대로 분석하여 상기 우울증 및 자살사고 위험도를 예측하는 단계를 포함할 수 있다.
또 다른 측면에 따르면, 상기 방법은, 상기 적어도 하나의 프로세서에 의해, 우울증 관련 설문 문항인 PHQ-9, 불안장애 관련 설문 문항인 GAD-7, 및 상태불안 관련 설문 문항인 STAI-X1에 대한 상기 검진 대상자의 설문 응답을 기초로 공통요인분석(common factor analysis)을 통해 정신건강상태 요약점수(General Depression/Anxiety score)를 산출하여 상기 우울증 및 자살사고 위험도에 대한 예측 결과와 함께 제공하는 단계를 더 포함할 수 있다.
또 다른 측면에 따르면, 상기 방법은, 상기 적어도 하나의 프로세서에 의해, 우울증 관련 설문 문항인 PHQ-9, 불안장애 관련 설문 문항인 GAD-7, 및 상태불안 관련 설문 문항인 STAI-X1로 이루어진 전체 문항 중 일부 문항에 대한 상기 검진 대상자의 설문 응답을 기초로 기계학습 모델을 통해 정신건강상태 요약점수(General Depression/Anxiety score)를 예측하여 상기 우울증 및 자살사고 위험도에 대한 예측 결과와 함께 제공하는 단계를 더 포함할 수 있다.
우울증 예측을 위한 방법을 컴퓨터에서 실행시키기 위해 컴퓨터 판독가능한 기록 매체에 저장되는 컴퓨터 프로그램에 있어서, 상기 우울증 예측을 위한 방법은, 검진 대상자와 관련된 입력 데이터를 이용하여 인공지능 모델을 통해 상기 검진 대상자의 우울증 및 자살사고 위험도를 예측하는 단계; 및 상기 우울증 및 자살사고 위험도에 대한 예측 결과와 함께, 상기 입력 데이터의 개별 항목에 대해 예측에 기여하는 정도를 나타내는 특성 중요도값(feature importance)을 제공하는 단계를 포함하는, 컴퓨터 프로그램을 제공한다.
컴퓨터 시스템에 있어서, 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 검진 대상자와 관련된 입력 데이터를 이용하여 인공지능 모델을 통해 상기 검진 대상자의 우울증 및 자살사고 위험도를 예측하는 과정; 및 상기 우울증 및 자살사고 위험도에 대한 예측 결과와 함께, 상기 입력 데이터의 개별 항목에 대해 예측에 기여하는 정도를 나타내는 특성 중요도값(feature importance)을 제공하는 과정을 처리하는 컴퓨터 시스템을 제공한다.
진료체계에서 구조화된 면담 및 설문지는 대규모 인구집단에 적용하기 어렵다. 기존의 유사 기술들은 입력 데이터 및 모델의 범위가 제한적이고, 실시간으로 사용자에게 위험도 예측치를 제공해주거나 명료하게 요약된 수치로 제공해주지 않는다. 본 발명은 다양한 정보를 입력하여 사용자에게 다양한 기계학습 및 딥러닝 모델에 따른 우울증 및 자살사고 위험도 예측치를 신뢰도 높게, 실시간으로 제공하므로 대규모 인구집단 정신건강 관리 서비스가 가능하다.
또한, 우울, 불안장애, 상태불안의 공존을 정신건강상태 요약점수 예측치로 제공하므로 사용자의 정신건강 상태의 포괄적인 심각도를 직관적인 수치로 제공할 수 있으며, 단축된 설문을 통해 정신건강상태 요약점수를 예측할 수 있어 멀티모달 기반 정신건강 관리 서비스 제공이 가능하다.
그리고, 사용자의 정신건강 상태 예측치에 기여한 개별 항목들의 특성 중요도값을 같이 제공하여 사용자가 개인의 정신건강 위험도 예측치와 관련하여 어떤 항목을 중요하게 살펴봐야 하는지를 알 수 있어 개인 맞춤형 정신건강 서비스의 근거 자료를 제공할 수 있다.
도 1은 본 발명의 일실시예에 따른 컴퓨터 시스템의 예를 도시한 블록도이다.
도 2는 본 발명의 일실시예에 있어서 우울증 및 자살사고 예측 플랫폼 시스템을 도시한 블록도이다.
도 3은 본 발명의 일실시예에 있어서 우울증 및 자살사고 위험도를 예측하는 모델 예시를 도시한 것이다.
도 4는 본 발명의 일실시예에 있어서 정신건강상태 요약점수 산출 알고리즘을 설명하기 위한 예시 도면이다.
도 5는 본 발명의 일실시예에 있어서 정신건강상태 요약점수 예측 알고리즘을 설명하기 위한 예시 도면이다.
도 6은 본 발명의 일실시예에 있어서 우울증 및 자살사고 예측 플랫폼의 사용자측 프론트 엔드 화면의 예시를 도시한 것이다.
도 7은 본 발명의 일실시예에 있어서 웹 플랫폼을 통한 설문지 작성 화면의 예시를 도시한 것이다.
도 8은 본 발명의 일실시예에 있어서 분석 엔진의 실시간 입력 데이터 분석 과정을 설명하기 위한 예시 도면이다.
도 9는 본 발명의 일실시예에 있어서 분석 엔진의 분석 파이프라인을 도시한 것이다.
도 10 내지 도 12는 본 발명의 일실시예에 있어서 설문 데이터 분석 결과 조회 화면의 예시를 도시한 것이다.
이하, 본 발명의 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
본 발명의 실시예들은 우울증과 자살사고를 예측할 수 있는 기술에 관한 것이다.
본 명세서에서 구체적으로 개시되는 것들을 포함하는 실시예들은 개인의 우울증 및 자살사고 위험성을 분류하고, 정신건강상태 요약점수를 산출 및 예측하고, 이에 기여하는 개별 항목들의 특성 중요도값(또는 어텐션 플롯)을 제공할 수 있다. 본 실시예들은 웹 기반으로 개별 피험자 응답을 수집하거나 대규모 인구집단의 데이터를 업로드하여 구성원들의 정신건강 관련 지표를 실시간으로 평가할 수 있고, 대규모 구성원들의 정신건강을 관리 및 스크리닝해야 하는 학교 및 기관 등에서 활용될 수 있다.
본 발명의 실시예들에 따른 우울증 및 자살사고 예측 플랫폼 시스템은 적어도 하나의 컴퓨터 장치에 의해 구현될 수 있으며, 본 발명의 실시예들에 따른 우울증 및 자살사고 예측 플랫폼 제공 방법은 우울증 및 자살사고 예측 플랫폼 시스템에 포함되는 적어도 하나의 컴퓨터 장치를 통해 수행될 수 있다. 이때, 컴퓨터 장치에는 본 발명의 일실시예에 따른 컴퓨터 프로그램이 설치 및 구동될 수 있고, 컴퓨터 장치는 구동된 컴퓨터 프로그램의 제어에 따라 본 발명의 실시예들에 따른 우울증 및 자살사고 예측 플랫폼 제공 방법을 수행할 수 있다. 상술한 컴퓨터 프로그램은 컴퓨터 장치와 결합되어 우울증 및 자살사고 예측 플랫폼 제공 방법을 컴퓨터에 실행시키기 위해 컴퓨터 판독 가능한 기록매체에 저장될 수 있다.
도 1은 본 발명의 일실시예에 따른 컴퓨터 시스템의 예를 도시한 블록도이다. 예를 들어, 본 발명의 실시예들에 따른 우울증 및 자살사고 예측 플랫폼 시스템은 도 1을 통해 도시된 컴퓨터 시스템(100)에 의해 구현될 수 있다.
도 1에 도시된 바와 같이 컴퓨터 시스템(100)은 본 발명의 실시예들에 따른 우울증 및 자살사고 예측 플랫폼 제공 방법을 실행하기 위한 구성요소로서, 메모리(110), 프로세서(120), 통신 인터페이스(130) 그리고 입출력 인터페이스(140)를 포함할 수 있다.
메모리(110)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(110)와는 구분되는 별도의 영구 저장 장치로서 컴퓨터 시스템(100)에 포함될 수도 있다. 또한, 메모리(110)에는 운영체제와 적어도 하나의 프로그램 코드가 저장될 수 있다. 이러한 소프트웨어 구성요소들은 메모리(110)와는 별도의 컴퓨터에서 판독 가능한 기록매체로부터 메모리(110)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(130)를 통해 메모리(110)에 로딩될 수도 있다. 예를 들어, 소프트웨어 구성요소들은 네트워크(160)를 통해 수신되는 파일들에 의해 설치되는 컴퓨터 프로그램에 기반하여 컴퓨터 시스템(100)의 메모리(110)에 로딩될 수 있다.
프로세서(120)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(110) 또는 통신 인터페이스(130)에 의해 프로세서(120)로 제공될 수 있다. 예를 들어, 프로세서(120)는 메모리(110)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다. 본 발명의 실시예들에 따른 우울증 및 자살사고 예측 플랫폼 제공 방법에 포함된 전반의 동작들은 프로세서(120)에 의해 수행될 수 있다.
통신 인터페이스(130)는 네트워크(160)를 통해 컴퓨터 시스템(100)이 다른 장치와 서로 통신하기 위한 기능을 제공할 수 있다. 일례로, 컴퓨터 시스템(100)의 프로세서(120)가 메모리(110)와 같은 기록 장치에 저장된 프로그램 코드에 따라 생성한 요청이나 명령, 데이터, 파일 등이 통신 인터페이스(130)의 제어에 따라 네트워크(160)를 통해 다른 장치들로 전달될 수 있다. 역으로, 다른 장치로부터의 신호나 명령, 데이터, 파일 등이 네트워크(160)를 거쳐 컴퓨터 시스템(100)의 통신 인터페이스(130)를 통해 컴퓨터 시스템(100)으로 수신될 수 있다. 통신 인터페이스(130)를 통해 수신된 신호나 명령, 데이터 등은 프로세서(120)나 메모리(110)로 전달될 수 있고, 파일 등은 컴퓨터 시스템(100)이 더 포함할 수 있는 저장 매체(상술한 영구 저장 장치)로 저장될 수 있다.
통신 방식은 제한되지 않으며, 네트워크(160)가 포함할 수 있는 통신망(일례로, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망)을 활용하는 통신 방식뿐만 아니라 기기들 간의 근거리 유선/무선 통신 역시 포함될 수 있다. 예를 들어, 네트워크(160)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(160)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.
입출력 인터페이스(140)는 입출력 장치(150)와의 인터페이스를 위한 수단일 수 있다. 예를 들어, 입력 장치는 마이크, 키보드, 카메라 또는 마우스 등의 장치를, 그리고 출력 장치는 디스플레이, 스피커와 같은 장치를 포함할 수 있다. 다른 예로 입출력 인터페이스(140)는 터치스크린과 같이 입력과 출력을 위한 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수도 있다. 입출력 장치(150)는 컴퓨터 시스템(100)과 하나의 장치로 구성될 수도 있다.
또한, 다른 실시예들에서 컴퓨터 시스템(100)은 도 1의 구성요소들보다 더 적은 혹은 더 많은 구성요소들을 포함할 수도 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다. 예를 들어, 컴퓨터 시스템(100)은 상술한 입출력 장치(150) 중 적어도 일부를 포함하도록 구현되거나 또는 트랜시버(transceiver), 카메라, 각종 센서, 데이터베이스 등과 같은 다른 구성요소들을 더 포함할 수도 있다.
이하에서는 우울증 예측을 위한 인공지능 및 웹 기반 플랫폼 시스템 및 그 제공 방법의 구체적인 실시예를 설명하기로 한다.
본 실시예들은 성인에게 발생할 수 있는 우울증과 자살사고를 예측하기 위한 웹 기반 프로그램이다. 영상, 음성, 혈액 표지자, 심리검사지, 뇌파 등의 방법 중 일부를 이용해 우울증, 불안증, 자살 고위험군을 예측하는 유사 기술들이 존재한다. 본 프로그램은 검진 대상자의 정신건강의학 관련 설문지(self-report questionnaire), 행동실험 데이터(behavioral data), 생태순간평가(ecological momentary assessment, EMA), 뇌파(electroencephalogram, EEG) 및 뇌영상 데이터(neuroimaging data)의 다양한 데이터를 입력 데이터로 활용할 수 있고, 입력 데이터에 대해 서포트 벡터 머신(support vector machine, SVM), 랜덤 포레스트(random forest, RF), 그래디언트 부스팅(gradient boosting) 등의 기계학습 모델과 그래프 뉴럴 네트워크(graph neural network) 등의 보다 향상된 성능을 보이는 딥러닝 모델을 활용하여 우울증 삽화 여부 및 자살 사고 여부의 예측치를 도출하고 대규모 성인 집단의 정신건강을 관리해야 하는 보건 관리자에게 사용된 모델 정보와 함께 제공할 수 있다.
기존 기술과 달리 본 플랫폼을 통하여 단순한 우울증 및 자살사고 정도에 대한 예측치 외에도 기계학습에 기반한 정신건강상태 요약점수(General Depression/Anxiety score, G-DA score)의 계산이 가능하며, 이를 통하여 정신건강상태의 심각도를 요약하여 수치화하는 것이 가능하다. 더불어, 예측을 위하여 사용된 입력 데이터의 각 항목들이 개인의 우울증/자살사고 여부 분류, 정신건강상태 요약점수 예측에 기여하는 정도를 특성 중요도값(또는 어텐션 플롯)으로 함께 제공함으로써 정보 수요자가 대상자의 어떤 항목을 중요하게 살펴봐야 하는지 파악할 수 있도록 지원한다. 즉, 설명 가능한 인공지능의 구현을 통하여 정신건강 관련 임상적 의사결정을 돕고자 한다.
도 2는 본 발명의 일실시예에 있어서 우울증 및 자살사고 예측 플랫폼 시스템을 도시한 블록도이다.
우울증 및 자살사고 예측 플랫폼 시스템(100)은 크게 데이터 수집 부분, 데이터 분석 부분, 결과 출력 부분으로 나뉠 수 있다.
도 2를 참조하면, 웹에 접속한 사용자(web client)는 개별 사용자의 경우 각 참가자의 데이터를 입력하거나, 보건관리자의 경우 대규모 응답 데이터를 업로드할 수 있다.
우울증 및 자살사고 예측에 사용되기 위하여 입력/업로드된 데이터로서, 성별과 나이 등 인구통계학적 정보, 설문지 척도(scale), 뇌 자기공명영상(Magnetic Resonance Image, MRI) 및 뇌파(EEG) 정보, 웨어러블 디바이스의 일상생활 정보, 행동 과제 수행을 통한 행동정보 등은 웹 서버(210)와 WSGI(Web Server Gateway Interface) 서버(220)를 통하여 웹 어플리케이션 서버(230)로 전달된다.
웹 어플리케이션 서버(230)는 전달받은 정보를 우선 대규모 데이터를 저장·인출할 수 있는 데이터베이스(database, DB)(240)에 저장함과 동시에, 우울증 및 자살사고 예측치를 얻기 위하여 분석 엔진(analysis engine)(250)에 전달한다.
분석 엔진(250)은 미리 훈련된 기계학습/딥러닝 모델을 통해 우울증과 자살사고, 정신건강상태 요약점수, 특성 중요도 등의 결과 데이터를 산출할 수 있다. 데이터 분석 과정은 전처리 및 분석 엔진(250)의 복잡도에 따라 수 분에서 수 시간이 소요될 수 있으며, 분석을 통해 얻어진 결과를 데이터베이스(240)에 저장한다. 데이터베이스(240)에 저장된 분석 결과는 사용자의 요청에 따라 다시 웹 어플리케이션 서버(230), WSGI 서버(220), 그리고 웹 서버(210)를 거쳐 플랫폼의 사용자 인터페이스(user interface)에 표시될 수 있다.
예를 들어, 웹 서버(210)는 Nginx, WSGI 서버(220)는 Gunicorn, 웹 어플리케이션 서버(230)는 Django로 구현될 수 있으며, 다중 사용자 요청을 처리하기 위해 데이터베이스(240)는 MariaDB로 구현될 수 있다. 분석 엔진(250)은 python에 기반한 sklearn과 pytorch 패키지로 구현될 수 있다.
사용자가 우울증 및 자살사고 예측 플랫폼 시스템(100)에 로그인한 후 ID, 검사장소, 연령, 성별, 설문지 점수 등 다양한 정보를 업로드할 수 있다. 분석 엔진(250) 작동이 완료 후 분석 결과가 도출되면 ID, 우울증 위험도(MDD), 자살사고 위험도 등 다양한 기준으로 결과를 조회할 수 있다. 우울증 위험도 및 자살사고 위험도는 사용자의 나이와 성별 등 인구통계학적 자료 및 설문지 개별항목 점수를 기존 데이터로 우울증 위험도 및 자살사고 위험도를 예측하도록 모델 파라미터가 최적화된 기계학습 또는 딥러닝 모델을 로딩하여 입력 시 얻을 수 있다. 기계학습 모델의 경우 기존에 구현되어 있는 서포트 벡터 머신(support vector machine, SVM), 랜덤 포레스트(random forest, RF), 그래디언트 부스팅(gradient boosting)을 사용할 수 있고, 딥러닝의 경우 그래프 뉴럴 네트워크 중 하나인 그래프 동형 네트워크(graph isomorphism network, GIN)을 사용할 수 있다. 딥러닝 모델의 경우 R의 MGM(Mixed Graphical Model) 패키지를 이용하여 우선 나이, 성별 및 설문지 개별점수 간 관계 그래프를 얻어낼 수 있다. MGM 패키지는 관측 데이터로부터 변수간 관계 그래프를 추정해내는 알고리즘을 구현한 패키지이다. 그 후 이 그래프를 GIN의 인접행렬(adjacency matrix)로 사용하여 3개의 잠재층(hidden layer)에 대한 그래프 컨벌루션(graph convolution) 연산을 수행한다. 그래프 컨벌루션 연산을 통하여 얻어진 각 잠재층의 잠재변수(hidden variable)는 하나의 벡터로 통합(concatenation) 되어 완전 연결 계층(fully connected layer) 분류기(classifier)로 나이, 성별 및 설문지 개별점수를 입력 후 우울증 위험도와 자살사고 예측치를 산출한다(도 3 참조). 또한, 우울증 분석 페이지에서는 전반적인 우울증 및 자살사고의 수준, 정신건강상태 요약점수 뿐만 아니라 우울증/자살사고를 예측하는데 중요하게 사용된 요소들을 확인할 수 있다. 해당 중요도는 기계학습의 경우 LIME(Local Interpretable Model-agnostic Explanations) 알고리즘을, 딥러닝 모델의 경우 자체 구현한 그래프 샐리언시(graph saliency) 계산 알고리즘을 이용, 모델의 입력 중 개별 특성 하나를 변화시켰을 때에 예측치가 크게 바뀌는 정도를 모든 입력 특성에 대해 계산하여 얻을 수 있다.
도 4는 본 발명의 일실시예에 있어서 정신건강상태 요약점수 산출 알고리즘을 설명하기 위한 예시 도면이다.
본 발명에서의 정신건강상태 요약점수(G-DA 스코어) 산출 알고리즘은 공존 가능성이 높아 독립적 측정이 어려운 우울, 불안, 상태불안을 단일 스칼라 값으로 측정하는 것이다. 도 4를 참조하면, 프로세서(120)는 우울증 척도인 PHQ-9, 불안장애 척도인 GAD-7, 상태불안 척도인 STAI-X1로 이루어진 도합 36 문항에 대해 R의 Psych 패키지에 구현된 공통요인분석(common factor analysis)을 통해 G-DA 스코어를 도출할 수 있다. 공통요인분석이란, 수집된 다양한 변수들을 공통 분산(common variance)에 기반하여 유사한 항목(공통차원)끼리 묶을 수 있는 적은 수의 잠재변수(latent variable)인 요인(factor)을 찾아내는 통계방법이며, Psych 패키지는 이 통계방법을 R에서 사용할 수 있도록 구현한 패키지이다. 공통요인분석 시 공통 분산에 대해 1개의 공통 잠재 요인을 가정하여 이 요인으로 각 변인들이 설명되는 정도인 부하 행렬(loading matrix)를 구한다. 부하행렬이 구해지면 각 입력 데이터셋의 공통 잠재요인 값을 얻을 수 있다. 본 발명에서는 우울증, 범불안장애, 상태불안 척도를 입력으로 얻어진 공통요인의 값을 정신건강상태 요약점수(G-DA)로 간주한다. 공통요인분석으로 각 사용자의 데이터마다 G-DA 값을 구하면, 입력데이터를 이용하여 G-DA를 예측하도록 하는 지도학습(supervised learning)이 가능하다. G-DA를 추정하도록 훈련된 모델을 이용하여 새로운 사용자가 우울증, 범불안장애, 상태불안 척도값을 입력 시 G-DA 예측치를 얻을 수 있으며, 이 때 예측에 중요하게 사용되는 입력 특성 역시 앞서와 동일한 중요도 측정 알고리즘으로 파악할 수 있다.
도 5는 본 발명의 일실시예에 있어서 정신건강상태 요약점수 예측 알고리즘을 설명하기 위한 예시 도면이다.
본 발명에서의 정신건강상태 요약점수(G-DA 스코어) 예측 알고리즘은 PHQ-9, GAD-7, STAI-X1로 이루어진 36개 문항 중 일부 문항만을 이용하여 G-DA 스코어를 높은 신뢰도로 예측하는 것이다. G-DA 스코어의 신뢰도는 일부 문항을 사용하여 측정한 예측치와 실제 G-DA 스코어 간의 평균절대오차나 평균제곱오차 값을 구하여 이 값이 전체 문항을 이용한 모델의 오차와 거의 동일함을 보임으로써 알 수 있다. 도 5를 참조하면, 프로세서(120)는 PHQ-9, GAD-7, STAI-X1의 36개 문항 중 축소된 일부 문항(예를 들어, 36개 문항 중 선택된 10개 이하의 문항)을 통해 G-DA 스코어를 예측함으로서 매일 반복 측정을 하는 상황이나 음성 기반 환경에서 사용자의 이탈을 방지하고 검사결과의 신뢰도를 높일 수 있다.
도 6은 본 발명의 일실시예에 있어서 우울증 및 자살사고 예측 플랫폼의 사용자측 프론트 엔드 화면의 예시를 도시한 것이다.
도 6은 우울증 및 자살사고 예측 플랫폼의 홈 화면(500)을 나타내고 있다. 예를 들어, 우울증 및 자살사고 예측 플랫폼의 웹 기반 사용자 인터페이스는 도 6과 같이 구현될 수 있다. 정신건강 검진자료의 특성 상 보안에 민감할 수 있어 로그인을 통하여 허용된 사용자만 접근할 수 있도록 한다.
우울증 및 자살사고 예측 플랫폼의 홈 화면(500)은 웹 기반 사용자 인터페이스로서 웹 상의 메뉴 중 하나로 설문 작성을 위한 메뉴(501)를 제공할 수 있다.
도 7은 본 발명의 일실시예에 있어서 웹 플랫폼을 통한 설문지 작성 화면의 예시를 도시한 것이다.
프로세서(120)는 사용자가 우울증 및 자살사고 예측 플랫폼의 홈 화면(500)에서 로그인 후 '설문 작성' 메뉴(501)를 선택하는 경우 설문지 작성 화면(600)을 제공할 수 있다.
도 7을 참조하면, 사용자가 웹 플랫폼, 즉 우울증 및 자살사고 예측 플랫폼 시스템(100)을 통하여 설문 작성을 희망하는 경우 웹 상의 메뉴 중 '설문 작성' 메뉴(501)를 선택한 후, 설문지 작성 화면(600)을 통해 주요 정신건강 상태에 대한 설문지 응답을 입력할 수 있다. 일례로, 설문은 1) 우울증 관련 설문 9문항(PHQ-9), 2) 불안장애 관련 설문 7문항(GAD-7), 3) 상태불안 관련 설문 20문항(STAI-X1), 4) 회복탄력성 관련 설문 10문항(RAS), 5) 자존감 관련 설문 12문항(RSES) 등을 포함할 수 있다.
본 발명에 따른 우울증 및 자살사고 예측 플랫폼에서는 보건관리자 등 대규모의 정신건강 검진 결과를 분석하고자 하는 경우 대용량 데이터를 한꺼번에 업로드할 수 있는 설문 데이터 파일 업로드 환경을 제공할 수 있다.
도 8은 본 발명의 일실시예에 있어서 분석 엔진의 실시간 입력 데이터 분석 과정을 설명하기 위한 예시 도면이다.
본 발명에 따른 우울증 및 자살사고 예측 플랫폼은 핵심 요소 중 하나로 실시간으로 입력 데이터를 분석하여 최대한 빠른 시간 내에 웹 상으로 분석 결과를 전달하기 위한 프로세스를 포함할 수 있다.
도 8을 참조하면, 분석 엔진(250)은 작업 스케줄링 프로세스를 포함하는 것으로, 제1 작업 스케줄러(710)는 사용자(client)가 새로이 분석을 의뢰할 데이터를 업로드하거나 제출하면 즉시 작업 스케줄러 대기열(queue)에 등록하여 대기열의 순서대로 분석을 시작한다. 훈련된 모델을 사용할 경우 결과 생성에는 설문의 경우 수 분, 뇌영상의 경우 수 시간의 시간이 소요된다. 분석이 완료된 데이터는 분석 결과를 포함한 리포트(report)로 생성되어 데이터베이스(240)에 저장된다. 데이터베이스(240)에 저장된 리포트는 플랫폼 상의 분석 결과 조회 화면을 통해 출력된다.
제2 작업 스케줄러(720)는 주기적으로 입력 데이터를 점검하여 분석 결과가 생성되지 않고 대기열에 존재하지 않는 입력 데이터를 분석 대기열에 추가하는 역할을 한다. 분석 엔진(250)은 제2 작업 스케줄러(720)를 통하여 분석에서 제외되는 입력 데이터가 없도록 관리할 수 있다.
도 9는 본 발명의 일실시예에 있어서 분석 엔진의 분석 파이프라인을 도시한 것이다.
도 9를 참조하면, 분석 엔진(250)은 제1 작업 스케줄러(710)에 의해 작업이 제출되면(S801) 데이터 디렉토리 및 데이터베이스(240)에 저장한 후 이를 읽어와(S802) 예측 모델에서 요구되는 형태로 데이터 전처리를 수행한다(S803). 이때, 분석 엔진(250)은 전처리 결과 역시 저장하여 추후 데이터 분석 퀄리티 체크에 사용할 수 있다. 분석 엔진(250)은 기 훈련된 기계학습/딥러닝 모델을 통해 우울증/자살사고 위험도를 예측하고 정신건강상태 요약점수(G-DA 스코어)를 계산할 수 있다(S804). 분석 엔진(250)은 우울증/자살사고 위험도 예측 결과와 G-DA 스코어를 리포트 형태로 작성하여 데이터 디렉토리 및 데이터베이스(240)에 저장한다(S805).
분석 엔진(250)은 우울증 및 자살사고의 위험도라는 범주형 변수 예측을 위해서 서포트 벡터 머신(SVM), 랜덤 포레스트(RF) 등의 기계학습 모델을 사용할 수 있고, 정신건강상태 요약점수(G-DA 스코어)라는 연속형 변수 예측을 위해서 LGB(Light Gradient Boosting) 등의 기계학습 모델을 사용할 수 있다.
다른 예로, 우울증 및 자살사고 예측을 위해 그래프 뉴럴 네트워크(GNN) 등의 딥러닝 모델을 사용할 수 있다. 그래프 뉴럴 네트워크와 같은 딥러닝 구조를 사용 시 설문을 이용한 우울증 및 자살사고 예측 성능 또는 휴지기 기능 뇌연결성을 이용한 우울증 및 자살사고 예측 성능을 향상시킬 수 있다.
분석 엔진(250)은 데이터베이스(240)에 사용자 정보, 설문 응답, 설문 분석 결과 등을 저장할 수 있으며, 이때 데이터베이스(240)로는 MySQL계열의 MariaDB 등을 사용할 수 있다.
도 10 내지 도 12는 본 발명의 일실시예에 있어서 설문 데이터 분석 결과 조회 화면의 예시를 도시한 것이다.
프로세서(120)는 사용자의 입력 데이터에 대한 분석이 완료된 경우 분석 결과 조회 화면을 통해 분석 결과를 제공할 수 있다. 도 10은 분석 결과 조회 화면(900)을 나타내고 있다.
프로세서(120)는 두 개의 모델을 통해 우울증 및 자살사고 위험도를 예측할 수 있고, 한 사람에 대해 두 개의 예측 결과 리포트를 생성할 수 있다.
프로세서(120)는 분석 결과 조회 화면(900)을 통해 설문 응답자 각각에 대해 우울증 위험도 예측 결과(910)와 자살사고 위험도 예측 결과(920)를 제공할 수 있다.
프로세서(120)는 분석 결과 조회 화면(900)에서 특정 설문 응답자를 선택하는 경우 도 11에 도시한 바와 같이 해당 응답자의 세부 정보를 포함하는 분석 결과 상세 화면(1000)을 제공할 수 있다.
도 11을 참조하면, 프로세서(120)는 분석 결과 상세 화면(1000)을 통해 설문 응답자의 식별 번호, 기본 정보 등과 함께, 우울증 위험도 예측 결과(910)와 자살사고 위험도 예측 결과(920)를 표시할 수 있다. 더 나아가, 프로세서(120)는 분석 결과 상세 화면(1000)을 통해 설문 유형(PHQ-9, GAD-7, STAI-X1, RSES, RAS) 별 총점 기준 상대위치 백분위(1030)를 요약하여 표시할 수 있다. 또한, 프로세서(120)는 분석 결과 상세 화면(1000)을 통해 우울증 및 자살사고 위험도 예측에 중요하게 사용된(attention이 높은) 상세 항목들을 상위 10개를 선별하여 상위 중요 항목 정보(1040)로서 표시할 수 있다.
프로세서(120)는 분석 결과 상세 화면(1000)을 통해 설문 응답자에 대한 분석 결과 중 하나로 정신건강상태 요약점수에 대한 예측치를 제공할 수 있고, 이때 우울증/자살사고 위험도 예측과 정신건강상태 요약점수 예측에 사용된 모델 등을 함께 제공할 수 있다.
도 12를 참조하면, 프로세서(120)는 분석 결과 상세 화면(1000)을 통해 상위 중요 항목 정보(1040) 이외에도 설문 유형(PHQ-9, GAD-7, STAI-X1, RSES, RAS) 별로 우울증 및 자살사고 위험도 예측에 사용된 전체 항목의 예측 중요도(attention)를 일목요연하게 막대그래프로 시각화한 전체 항목 정보(1150)를 제공할 수 있다.
따라서, 본 발명의 실시예들에 따른 우울증 및 자살사고 예측 플랫폼 시스템은 우울증 예측을 위한 기존 기술의 한계점을 해결하기 위해 설문지, 행동실험 데이터, 생태 순간 평가, 뇌파, 뇌영상 데이터 등의 다양한 정보를 입력받을 수 있으며, 사용자에게 다양한 기계학습 및 딥러닝 모델에 따른 우울증 및 자살사고 위험도 예측치와 정신건강상태 요약점수 예측치를 제공한다. 또한, 본 실시예에서는 개별 항목들의 특성 중요도값을 함께 제공하여 사용자가 개인의 정신건강 위험도 예측치와 관련하여 어떤 항목을 중요하게 살펴봐야 하는지를 알 수 있도록 한다. 나아가, 우울증 및 자살사고와 같은 단일 영역에 국한된 정신건강 관련 지표 외에도 전반적인 정신건강 상태를 압축하여 보여주는 정신건강상태 요약점수에 대한 예측치 역시 함께 제공할 수 있다.
이처럼 본 발명의 실시예들에 따르면, 웹 기반으로 우울증과 자살 위험성을 실시간으로 예측하는 플랫폼을 제공함으로써 서비스의 대규모 인구집단 대상 적용이 가능하며, 기 훈련된 기계학습/딥러닝 모델을 활용할 경우 다수의 입력 데이터에 대하여 빠른 예측치와 어텐션 플롯을 제공할 수 있다. 즉, 웹 기반 우울증 및 자살사고 예측 플랫폼을 통해 적은 유지 보수 비용으로 광범위한 서비스 제공이 가능하고, 우울증 외의 다양한 정신건강 관련 문제에도 확장 적용이 가능하며, 학교 및 기관 등을 대상으로 산업 적용도 쉽게 이루어질 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, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate 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 어플리케이션을 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, 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. 이때, 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수 개의 하드웨어가 결합된 형태의 다양한 기록수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 어플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다.
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 (10)
- 컴퓨터 시스템에서 수행되는 방법에 있어서,상기 컴퓨터 시스템은 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고,상기 방법은,상기 적어도 하나의 프로세서에 의해, 검진 대상자와 관련된 입력 데이터를 이용하여 인공지능 모델을 통해 상기 검진 대상자의 우울증 및 자살사고 위험도를 예측하는 단계; 및상기 적어도 하나의 프로세서에 의해, 상기 우울증 및 자살사고 위험도에 대한 예측 결과와 함께, 상기 입력 데이터의 개별 항목에 대해 예측에 기여하는 정도를 나타내는 특성 중요도값(feature importance)을 제공하는 단계를 포함하는 방법.
- 제1항에 있어서,상기 검진 대상자의 우울증 및 자살사고 위험도를 예측하는 단계는,상기 입력 데이터로서 상기 검진 대상자의 정신건강의학 관련 설문지(self-report questionnaire), 행동실험 데이터(behavioral data), 생태순간평가(ecological momentary assessment, EMA), 뇌파(electroencephalogram, EEG), 및 뇌영상 데이터(neuroimaging data)를 이용하여 상기 우울증 및 자살사고 위험도를 예측하는 단계를 포함하는 방법.
- 제1항에 있어서,상기 검진 대상자의 우울증 및 자살사고 위험도를 예측하는 단계는,상기 적어도 하나의 프로세서에 의해, 우울증 관련 설문 문항인 PHQ-9, 불안장애 관련 설문 문항인 GAD-7, 및 상태불안 관련 설문 문항인 STAI-X1에 대한 상기 검진 대상자의 설문 응답을 기초로 공통요인분석(common factor analysis)을 통해 정신건강상태 요약점수(General Depression/Anxiety score)를 산출하여 상기 우울증 및 자살사고 위험도에 대한 예측 결과와 함께 제공하는 단계를 포함하는 방법.
- 제1항에 있어서,상기 검진 대상자의 우울증 및 자살사고 위험도를 예측하는 단계는,서포트 벡터 머신(support vector machine, SVM), 랜덤 포레스트(random forest, RF), 그래디언트 부스팅(gradient boosting) 중 어느 하나의 기계학습 모델 또는 딥러닝 모델인 중 하나인 그래프 뉴럴 네트워크(graph neural network)를 이용하여 상기 우울증 및 자살사고 위험도를 예측하는 단계를 포함하는 방법.
- 제1항에 있어서,상기 검진 대상자의 우울증 및 자살사고 위험도를 예측하는 단계는,웹 기반 사용자 인터페이스를 통해 업로드된 상기 입력 데이터를 작업 스케줄러(Job scheduler)의 대기열(queue)에 등록한 후 상기 대기열의 순서대로 분석하여 상기 우울증 및 자살사고 위험도를 예측하는 단계를 포함하는 방법.
- 제1항에 있어서,상기 방법은,상기 적어도 하나의 프로세서에 의해, 우울증 관련 설문 문항인 PHQ-9, 불안장애 관련 설문 문항인 GAD-7, 및 상태불안 관련 설문 문항인 STAI-X1에 대한 상기 검진 대상자의 설문 응답을 기초로 공통요인분석(common factor analysis)을 통해 정신건강상태 요약점수(General Depression/Anxiety score)를 산출하여 상기 우울증 및 자살사고 위험도에 대한 예측 결과와 함께 제공하는 단계를 더 포함하는 방법.
- 제1항에 있어서,상기 방법은,상기 적어도 하나의 프로세서에 의해, 우울증 관련 설문 문항인 PHQ-9, 불안장애 관련 설문 문항인 GAD-7, 및 상태불안 관련 설문 문항인 STAI-X1로 이루어진 전체 문항 중 일부 문항에 대한 상기 검진 대상자의 설문 응답을 기초로 기계학습 모델을 통해 정신건강상태 요약점수(General Depression/Anxiety score)를 예측하여 상기 우울증 및 자살사고 위험도에 대한 예측 결과와 함께 제공하는 단계를 더 포함하는 방법.
- 우울증 예측을 위한 방법을 컴퓨터에서 실행시키기 위해 컴퓨터 판독가능한 기록 매체에 저장되는 컴퓨터 프로그램에 있어서,상기 우울증 예측을 위한 방법은,검진 대상자와 관련된 입력 데이터를 이용하여 인공지능 모델을 통해 상기 검진 대상자의 우울증 및 자살사고 위험도를 예측하는 단계; 및상기 우울증 및 자살사고 위험도에 대한 예측 결과와 함께, 상기 입력 데이터의 개별 항목에 대해 예측에 기여하는 정도를 나타내는 특성 중요도값(feature importance)을 제공하는 단계를 포함하는, 컴퓨터 프로그램.
- 컴퓨터 시스템에 있어서,메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고,상기 적어도 하나의 프로세서는,검진 대상자와 관련된 입력 데이터를 이용하여 인공지능 모델을 통해 상기 검진 대상자의 우울증 및 자살사고 위험도를 예측하는 과정; 및상기 우울증 및 자살사고 위험도에 대한 예측 결과와 함께, 상기 입력 데이터의 개별 항목에 대해 예측에 기여하는 정도를 나타내는 특성 중요도값(feature importance)을 제공하는 과정을 처리하는 컴퓨터 시스템.
- 제9항에 있어서,상기 적어도 하나의 프로세서는,우울증 관련 설문 문항인 PHQ-9, 불안장애 관련 설문 문항인 GAD-7, 및 상태불안 관련 설문 문항인 STAI-X1로 이루어진 설문 문항 중 적어도 일부 문항에 대한 상기 검진 대상자의 설문 응답을 기초로 정신건강상태 요약점수(General Depression/Anxiety score)를 도출하여 상기 우울증 및 자살사고 위험도에 대한 예측 결과와 함께 제공하는 것을 특징으로 하는 컴퓨터 시스템.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR10-2022-0175465 | 2022-12-15 | ||
KR1020220175465A KR20240092770A (ko) | 2022-12-15 | 2022-12-15 | 우울증 예측을 위한 인공지능 및 웹 기반 플랫폼 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2024128584A1 true WO2024128584A1 (ko) | 2024-06-20 |
Family
ID=91485185
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/KR2023/018546 WO2024128584A1 (ko) | 2022-12-15 | 2023-11-17 | 우울증 예측을 위한 인공지능 및 웹 기반 플랫폼 |
Country Status (2)
Country | Link |
---|---|
KR (1) | KR20240092770A (ko) |
WO (1) | WO2024128584A1 (ko) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190069687A (ko) * | 2017-12-12 | 2019-06-20 | 한국과학기술원 | 우울증 진단을 위한 다중 설문 분석 시스템 및 그 방법 |
KR20210059272A (ko) * | 2019-11-15 | 2021-05-25 | 한국과학기술원 | 자기공명 뇌영상 분석을 통한 청년기 우울증 및 고위험군 예측 기계학습 알고리즘 |
JP7021097B2 (ja) * | 2016-10-31 | 2022-02-16 | 株式会社Preferred Networks | 疾患の罹患判定装置、疾患の罹患判定方法及び疾患の罹患判定プログラム |
KR20220038017A (ko) * | 2019-07-31 | 2022-03-25 | 홀로직, 인크. | 임상 워크플로 결정을 자동화하고 우선 순위 판독 표시자를 생성하기 위한 시스템 및 방법 |
KR20220164149A (ko) * | 2021-06-04 | 2022-12-13 | 연세대학교 원주산학협력단 | 인공지능 모델을 이용한 우울증 발생 예측방법 및 이를 기록한 컴퓨터 판독 가능한 기록매체 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102302071B1 (ko) | 2018-06-28 | 2021-09-15 | 연세대학교 산학협력단 | 우울증 발병 예측 방법 및 이를 이용한 우울증 발병 예측 디바이스 |
-
2022
- 2022-12-15 KR KR1020220175465A patent/KR20240092770A/ko unknown
-
2023
- 2023-11-17 WO PCT/KR2023/018546 patent/WO2024128584A1/ko unknown
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7021097B2 (ja) * | 2016-10-31 | 2022-02-16 | 株式会社Preferred Networks | 疾患の罹患判定装置、疾患の罹患判定方法及び疾患の罹患判定プログラム |
KR20190069687A (ko) * | 2017-12-12 | 2019-06-20 | 한국과학기술원 | 우울증 진단을 위한 다중 설문 분석 시스템 및 그 방법 |
KR20220038017A (ko) * | 2019-07-31 | 2022-03-25 | 홀로직, 인크. | 임상 워크플로 결정을 자동화하고 우선 순위 판독 표시자를 생성하기 위한 시스템 및 방법 |
KR20210059272A (ko) * | 2019-11-15 | 2021-05-25 | 한국과학기술원 | 자기공명 뇌영상 분석을 통한 청년기 우울증 및 고위험군 예측 기계학습 알고리즘 |
KR20220164149A (ko) * | 2021-06-04 | 2022-12-13 | 연세대학교 원주산학협력단 | 인공지능 모델을 이용한 우울증 발생 예측방법 및 이를 기록한 컴퓨터 판독 가능한 기록매체 |
Also Published As
Publication number | Publication date |
---|---|
KR20240092770A (ko) | 2024-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Souri et al. | A new machine learning-based healthcare monitoring model for student’s condition diagnosis in Internet of Things environment | |
US11250036B2 (en) | Synonym discovery | |
Reich et al. | Novel AI driven approach to classify infant motor functions | |
Taylor et al. | Outcome measures based on digital health technology sensor data: data-and patient-centric approaches | |
US20200303075A1 (en) | System and a method to predict occurrence of a chronic diseases | |
US20190287661A1 (en) | Related systems and method for correlating medical data and diagnostic and health treatment follow-up conditions of patients monitored in real-time | |
CN109524069A (zh) | 医疗数据处理方法、装置、电子设备和存储介质 | |
WO2019225910A1 (ko) | Nihss를 이용한 뇌졸중 중증도의 예측 및 분석 방법과 시스템 | |
WO2021215809A1 (ko) | 고령자 대상 인지장애 조기 검진 및 커뮤니티케어 매칭 서비스를 제공하는 시스템 및 방법 | |
Azofeifa et al. | Peer Reviewed: Evaluating Behavioral Health Surveillance Systems | |
CN112397195B (zh) | 用于生成体格检查模型的方法、装置、电子设备和介质 | |
Etu et al. | Identifying indicators influencing emergency department performance during a medical surge: a consensus-based modified fuzzy Delphi approach | |
Ardito et al. | A proposal of case-based approach to clinical pathway modeling support | |
Wang et al. | Modeling patient-related workload in the emergency department using electronic health record data | |
Deng et al. | Hospital crowdedness evaluation and in-hospital resource allocation based on image recognition technology | |
Monga et al. | Performance analysis of machine learning and soft computing techniques in diagnosis of behavioral disorders | |
Abiodun et al. | Remote health monitoring in clinical trial using machine learning techniques: a conceptual framework | |
US20200253548A1 (en) | Classifying a disease or disability of a subject | |
Prentice et al. | Metrics that matter | |
WO2024128584A1 (ko) | 우울증 예측을 위한 인공지능 및 웹 기반 플랫폼 | |
Hernández-Chan et al. | Knowledge acquisition for medical diagnosis using collective intelligence | |
Beierle et al. | Self-assessment of having covid-19 with the corona check mhealth app | |
JP2022082408A (ja) | 精神疾患診断プロトコルを自動探索するためのコンピュータシステムおよびその方法 | |
CN112768066A (zh) | 一种神经外科患者综合诊疗方法及*** | |
CN115668178A (zh) | 用于追溯性数据挖掘的方法、***和计算机程序产品 |