KR102348915B1 - Apparatus for predicting the efficacy of prescription drugs - Google Patents

Apparatus for predicting the efficacy of prescription drugs Download PDF

Info

Publication number
KR102348915B1
KR102348915B1 KR1020200063650A KR20200063650A KR102348915B1 KR 102348915 B1 KR102348915 B1 KR 102348915B1 KR 1020200063650 A KR1020200063650 A KR 1020200063650A KR 20200063650 A KR20200063650 A KR 20200063650A KR 102348915 B1 KR102348915 B1 KR 102348915B1
Authority
KR
South Korea
Prior art keywords
feature vector
subject information
metabolic disease
vector
information
Prior art date
Application number
KR1020200063650A
Other languages
Korean (ko)
Other versions
KR20210146627A (en
Inventor
이범주
임미홍
전영주
윤지원
김지혜
최우수
김민지
도준형
장준수
소지호
김영민
김중일
김종열
Original Assignee
한국 한의학 연구원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국 한의학 연구원 filed Critical 한국 한의학 연구원
Priority to KR1020200063650A priority Critical patent/KR102348915B1/en
Publication of KR20210146627A publication Critical patent/KR20210146627A/en
Application granted granted Critical
Publication of KR102348915B1 publication Critical patent/KR102348915B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4848—Monitoring or testing the effects of treatment, e.g. of medication
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Business, Economics & Management (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Biophysics (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medicinal Chemistry (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

본 발명의 다중 대사성 질환에 대한 처방 약물 유효성 예측 장치는 피측정자의 상이한 부위의 외관 측정 정보 벡터를 포함하는 피측정자 정보 벡터들을 입력 받아, 각각의 피측정자 정보 벡터들에 포함된 변수들 중 대사성 질환에 처방된 약물의 유효성 모델링 과정에서 선택된 통계적으로 유의미한 변수들을 추출하여 대사성 질환에 따라 제1 통합 피처 벡터 및 제2 통합 피처 벡터를 생성하고, 각각의 통합 피처 벡터를 입력으로 하는 대사성 질환에 따라 각각 모델링된 모델에 기초하여 처방된 약물이 제1 대사성 질환 및 제2 대사성 질환 각각에 유효성이 있을지 예측한다.The apparatus for predicting prescription drug effectiveness for multiple metabolic diseases of the present invention receives the subject information vectors including the appearance measurement information vectors of different parts of the subject, and receives metabolic disease among the variables included in each subject information vectors. The first and second integrated feature vectors are generated according to metabolic diseases by extracting statistically significant variables selected in the modeling process for the efficacy of the drug prescribed in Predict whether a prescribed drug will be effective in each of the first metabolic disease and the second metabolic disease based on the modeled model.

Description

처방 약물 유효성 예측 장치{APPARATUS FOR PREDICTING THE EFFICACY OF PRESCRIPTION DRUGS}Prescription drug effectiveness prediction device

처방된 약물의 효능을 예측하는 장치에 관한 것으로, 보다 상세하게는 대사성 질환에 대하여 처방된 약물이 질환 환자에게 효능을 발휘할 지 여부를 예측하는 장치에 관한 것이다.It relates to a device for predicting the efficacy of a prescribed drug, and more particularly, to a device for predicting whether a drug prescribed for a metabolic disease will exert an effect on a disease patient.

최근 도시화된 생활환경으로 인한 생활습관, 불균형적이고 과도한 영양섭취, 과도한 스트레스 등으로 인해 고혈압, 고지혈증, 인슐린저항성, 당뇨, 동맥경화, 심혈관계질환 등의 대사성 질환이 급증하여 사람들의 건강을 위협하고 있다.Metabolic diseases such as high blood pressure, hyperlipidemia, insulin resistance, diabetes, arteriosclerosis, and cardiovascular diseases are rapidly increasing due to lifestyle habits, unbalanced and excessive nutritional intake, and excessive stress caused by the urbanized living environment, threatening people's health. .

대사성 질환은 생체 내 물질대사 장애에 의해 발생하는 질환을 총칭하는 말이며 일반적으로 섭취한 영양에 비해 부족한 에너지 소모로 인한 비만이 가장 근본적인 원인으로 알려져 있다.Metabolic disease is a generic term for diseases caused by metabolic disorders in the body, and obesity is known as the most fundamental cause of energy consumption, which is insufficient compared to ingested nutrition.

한의학에서 비만관련 치료로 처방되어 사용되는 약물들이 있다. 대표적으로 태음조위탕 등이 있으며, 태음조위탕은 비만, 고지혈증 등에 효과가 있다는 것이 알려져 있다. 대사성 질환 치료에 이러한 약물들이 처방되지만, 개인에 따라 약물의 효능이 다르게 나타나거나 효능이 나타나지 않는 경우가 있어 약물 복용 전에 질환자에게 해당 약물이 효능이 있을 지에 대하여 사전에 예측할 수 있다면 불필요한 약물 복용 및 약물 남용 등을 방지할 수 있을 것이다.There are drugs that are prescribed and used for obesity-related treatment in oriental medicine. A representative example is Taeeumjowitang, and it is known that Taeeumjowitang is effective for obesity and hyperlipidemia. Although these drugs are prescribed for the treatment of metabolic diseases, there are cases in which the efficacy of the drug appears differently or does not appear to be effective depending on the individual. abuse can be prevented.

대한민국 등록특허 제10??1807809호Republic of Korea Patent No. 10??1807809

본 발명은 대사성 질환 치료를 위해 처방되는 약물이 대사성 질환 환자에게 투여될 때 대사성 질환 별로 효능이 있을 지 여부를 체형 정보 등을 이용하여 예측하는 장치를 제공하는 것을 목적으로 한다.An object of the present invention is to provide a device for predicting whether or not a drug prescribed for the treatment of a metabolic disease will be effective for each metabolic disease when administered to a patient with a metabolic disease, using body type information, etc.

본 발명의 일 양상에 따르면, 다중 대사성 질환에 대한 처방 약물 유효성 예측 장치는 피측정자 정보 입력부와, 제1 통합 피처 벡터 생성부와, 제2 통합 피처 벡터 생성부와, 제1 대사성 질환 약물 유효성 판단부와, 제2 대사성 질환 약물 유효성 판단부를 포함한다.According to an aspect of the present invention, a prescription drug effectiveness prediction device for multiple metabolic diseases includes a subject information input unit, a first integrated feature vector generation unit, a second integrated feature vector generation unit, and a first metabolic disease drug effectiveness determination and a second metabolic disease drug efficacy determination unit.

피측정자 정보 입력부는 피측정자의 상이한 부위의 외관 측정 정보 벡터를 포함하는 피측정자 정보 벡터들을 입력 받는다.The subject information input unit receives subject information vectors including the appearance measurement information vectors of different parts of the subject.

제1 통합 피처 벡터 생성부는 각각의 피측정자 정보 벡터들에 포함된 변수들 중 제1 대사성 질환의 해당 약물의 유효성 모델링 과정에서 선택된 통계적으로 유의미한 변수들을 추출하여 제1 통합 피처 벡터를 생성한다.The first integrated feature vector generator generates a first integrated feature vector by extracting statistically significant variables selected in the process of modeling the efficacy of the corresponding drug for the first metabolic disease from among the variables included in each subject information vectors.

제2 통합 피처 벡터 생성부는 각각의 피측정자 정보 벡터들에 포함된 변수들 중 제2 대사성 질환의 해당 약물의 유효성 모델링 과정에서 선택된 통계적으로 유의미한 변수들을 추출하여 제2 통합 피처 벡터를 생성한다.The second integrated feature vector generating unit generates a second integrated feature vector by extracting statistically significant variables selected in the process of modeling the efficacy of the corresponding drug for the second metabolic disease from among the variables included in each subject information vectors.

제1 대사성 질환 약물 유효성 판단부는 제1 통합 피처 벡터를 입력 받아 제1 모델링에 기초하여 제1 대사성 질환에 대한 해당 약물의 유효성 정보를 출력한다.The first metabolic disease drug effectiveness determining unit receives the first integrated feature vector and outputs information on the effectiveness of the corresponding drug for the first metabolic disease based on the first modeling.

제2 대사성 질환 약물 유효성 판단부는 제2 통합 피처 벡터를 입력 받아 제2 모델링에 기초하여 제2 대사성 질환에 대한 해당 약물의 유효성 정보를 출력한다.The second metabolic disease drug effectiveness determining unit receives the second integrated feature vector and outputs information on the effectiveness of the corresponding drug for the second metabolic disease based on the second modeling.

본 발명의 또 다른 양상에 따르면, 제1 통합 피처 벡터 생성부는 각각의 피측정자 정보 벡터를 제1 대사성 질환의 해당 약물의 유효성 모델링 과정에서 선택된 통계적으로 유의미한 변수들에 해당하는 데이터만을 추출하여 새롭게 제1 피측정자 정보 벡터들 구성하는 제1 변수 선택부와, 새롭게 구성된 각각의 제1 피측정자 정보 벡터들을 정규화하는 제1 벡터 정규화부와, 그리고 정규화된 제1 피측정자 정보 벡터들을 병합하여 제1 통합 피처 벡터를 생성하는 제1 벡터 통합부를 포함할 수 있고, 제2 통합 피처 벡터 생성부는 각각의 피측정자 정보 벡터를 제2 대사성 질환의 해당 약물의 유효성 모델링 과정에서 선택된 통계적으로 유의미한 변수들에 해당하는 데이터만을 추출하여 새롭게 제2 피측정자 정보 벡터들 구성하는 제2 변수 선택부와, 새롭게 구성된 각각의 제2 피측정자 정보 벡터들을 정규화하는 제2 벡터 정규화부와, 그리고 정규화된 제2 피측정자 정보 벡터들을 병합하여 제2 통합 피처 벡터를 생성하는 제2 벡터 통합부를 포함할 수 있다.According to another aspect of the present invention, the first integrated feature vector generator extracts only data corresponding to statistically significant variables selected in the process of modeling the efficacy of the corresponding drug in the first metabolic disease from each subject information vector, and newly generated A first variable selection unit constituting one subject information vectors, a first vector normalizer unit which normalizes each newly constructed first subject information vectors, and a first integration by merging the normalized first subject information vectors It may include a first vector integrator for generating a feature vector, and the second integrated feature vector generator converts each subject information vector into statistically significant variables selected in the process of modeling the efficacy of the corresponding drug for the second metabolic disease. A second variable selection unit that extracts only data and newly constructs second subject information vectors, a second vector normalizer that normalizes each newly constructed second subject information vectors, and the normalized second subject information vector and a second vector integrator for merging them to generate a second integrated feature vector.

본 발명의 또 다른 양상에 따르면, 피측정자 정보 입력부는 안면 형상 정보를 입력 받아 안면 피처 벡터를 생성하는 안면 피처 벡터 입력부와, 음성 정보를 입력 받아 음성 피처 벡터를 생성하는 음성 피처 벡터 입력부와, 체형 정보를 입력 받아 체형 피처 벡터를 생성하는 체형 피처 벡터 입력부와, 설문지 응답 정보를 입력 받아 설문지 응답 벡터를 생성하는 설문지 응답 피처 벡터 입력부를 포함할 수 있다.According to another aspect of the present invention, the subject information input unit includes a facial feature vector input unit that receives facial shape information and generates a facial feature vector, a voice feature vector input unit that receives voice information and generates a voice feature vector; It may include a body shape feature vector input unit that receives information and generates a body shape feature vector, and a questionnaire response feature vector input unit that receives questionnaire response information and generates a questionnaire response vector.

추가적으로, 피측정자 정보 입력부는 설진 형상 정보를 입력 받아 설진 피처 벡터를 생성하는 설진 피처 벡터 입력부를 더 포함할 수 있다.Additionally, the subject information input unit may further include a tongue-diagnosis feature vector input unit that receives the tongue-diagnosis shape information and generates a tongue-diagnosis feature vector.

본 발명에 의하면 대사성 질환 치료를 위해 처방되는 약물이 대사성 질환 환자에게 투여될 때 특정 대사성 질환에 대하여 효능이 있을 지 여부를 비침습적 방법으로 체형 정보 등을 이용하여 미리 예측할 수 있고, 이 예측을 바탕으로 약물의 남용 및 부작용을 방지할 수 있다.According to the present invention, when a drug prescribed for the treatment of a metabolic disease is administered to a patient with a metabolic disease, it is possible to predict in advance whether or not there will be an effect on a specific metabolic disease using body shape information, etc. in a non-invasive way, based on this prediction to prevent drug abuse and side effects.

도 1은 일 양상에 따르는 처방 약물 유효성 예측 장치의 블록도이다.
도 2는 또 다른 양상에 따르는 처방 약물 유효성 예측 장치의 블록도로 통합 피처 벡터 생성부의 기능을 세분화하여 도시하고 있다.
도 3은 또 다른 양상에 따른 처방 약물 유효성 예측 장치의 블록도로 피측정자 정보 입력부의 기능을 세분화하여 도시하고 있다.
도 4는 또 다른 양상에 따른 처방 약물 유효성 예측 장치의 블록도로 통합 피처 벡터 생성부와 피측정자 정보 입력부의 기능을 세분화하여 도시하고 있다.1 is a block diagram of a prescription drug effectiveness prediction device according to an aspect.
2 is a block diagram of an apparatus for predicting prescription drug effectiveness according to another aspect, showing subdivided functions of the integrated feature vector generator.
3 is a block diagram of an apparatus for predicting prescription drug effectiveness according to another aspect, showing subdivided functions of the subject information input unit.
4 is a block diagram of an apparatus for predicting prescription drug effectiveness according to another aspect, showing subdivided functions of an integrated feature vector generating unit and a subject information input unit.

전술한, 그리고 추가적인 양상들은 첨부된 도면을 참조하여 설명하는 실시 예들을 통해 구체화된다. 각 실시 예들의 구성 요소들은 다른 언급이나 상호간에 모순이 없는 한 실시 예 내에서 다양한 조합이 가능한 것으로 이해된다. 블록도의 각 블록은 어느 경우에 있어서 물리적인 부품을 표현할 수 있으나 또 다른 경우에 있어서 하나의 물리적인 부품의 기능의 일부 혹은 복수의 물리적인 부품에 걸친 기능의 논리적인 표현일 수 있다. 때로는 블록 혹은 그 일부의 실체는 프로그램 명령어들의 집합(set)일 수 있다. 이러한 블록들은 전부 혹은 일부가 하드웨어, 소프트웨어 혹은 이들의 결합에 의해 구현될 수 있다.The foregoing and additional aspects are embodied through embodiments described with reference to the accompanying drawings. It is understood that various combinations of elements of each embodiment are possible within the embodiments as long as there is no contradiction between them or other mentions. Each block in the block diagram may represent a physical part in some cases, but in other cases may be a part of the function of one physical part or a logical representation of a function across a plurality of physical parts. Sometimes a block or part of an entity may be a set of program instructions. All or a part of these blocks may be implemented by hardware, software, or a combination thereof.

도 1은 일 양상에 따르는 처방 약물 유효성 예측 장치의 블록도이다. 본 발명의 일 양상에 따르는 다중 대사성 질환에 대한 처방 약물 유효성 예측 장치(100)는 피측정자 정보 입력부(110)와, 제1 통합 피처 벡터 생성부(130)와, 제2 통합 피처 벡터 생성부(150)와, 제1 대사성 질환 약물 유효성 판단부(170)와, 제2 대사성 질환 약물 유효성 판단부(190)를 포함한다.1 is a block diagram of a prescription drug effectiveness prediction device according to an aspect. The apparatus 100 for predicting prescription drug effectiveness for multiple metabolic diseases according to an aspect of the present invention includes a subject information input unit 110 , a first integrated feature vector generation unit 130 , and a second integrated feature vector generation unit ( 150), and a first metabolic disease drug effectiveness determination unit 170, and a second metabolic disease drug effectiveness determination unit 190.

처방 약물 유효성 예측장치는 입력 인터페이스와, 출력 인터페이스와, 메모리와, 저장장치와, 네트워크 장치와, 프로세서 등을 포함하는 컴퓨팅 장치로 구현될 수 있다. 입력 인터페이스는 사용자의 입력을 받아들이는 인터페이스로 키보드(keyboard), 터치스크린(touch screen), 마우스(mouse), 전자펜(stylus pen) 및 펜 태블릿(pen tablet)을 포함하며, 이에 한정되는 것은 아니다. 출력 인터페이스는 사용자 인터페이스 등을 표시하는 디스플레이(display)를 포함한다. 네트워크 장치는 유선 또는 무선으로 네트워크에 연결되어 타 장치와 통신을 담당하는 장치이다. 프로세서는 메모리 및/또는 저장 장치에 저장된 처방 약물 유효성 예측을 위해 구현된 프로그램 명령어 셋을 실행할 수 있다. 프로세서는 중앙 처리 장치(CPU), 그래픽 처리 장치(GPU) 또는 전용의 프로세서일 수 있다. 메모리와 저장 장치는 휘발성 저장 매체 및/또는 비휘발성 저장 매체로 구성될 수 있다. 예를 들어, 메모리는 읽기 전용 메모리(read only memory, ROM) 및/또는 랜덤 액세스 메모리(random access memory, RAM)로 구성될 수 있다.The prescription drug effectiveness prediction device may be implemented as a computing device including an input interface, an output interface, a memory, a storage device, a network device, a processor, and the like. The input interface is an interface that receives a user's input and includes, but is not limited to, a keyboard, a touch screen, a mouse, an electronic pen (stylus pen), and a pen tablet (pen tablet). . The output interface includes a display for displaying a user interface and the like. A network device is a device that is connected to a network by wire or wirelessly and is in charge of communication with other devices. The processor may execute a set of program instructions embodied for predicting prescription drug effectiveness stored in memory and/or storage. The processor may be a central processing unit (CPU), a graphics processing unit (GPU), or a dedicated processor. The memory and the storage device may be composed of a volatile storage medium and/or a non-volatile storage medium. For example, the memory may be configured as read only memory (ROM) and/or random access memory (RAM).

피측정자 정보 입력부(110)는 컴퓨팅 장치에서 실행되는 프로그램 명령어 세트로 적어도 적어도 기능의 일부가 구현된다. 피측정자 정보 입력부(110)는 피측정자의 상이한 부위의 외관 측정 정보 벡터를 포함하는 피측정자 정보 벡터들을 입력 받는다. 즉, 피측정자 정보 입력부(110)는 대사성 질환 진단에 사용하기 위해 피측정자의 외관을 측정한 데이터를 벡터 형식으로 입력 받는다. 이때 측정되는 피측정자의 외관은 신체의 특정 부위로 제한되지 않으며, 키, 몸무게, 체지방지수, 체온, 허리둘레, 허벅지 둘레, 안면 색, 안면 부분 영역(예, 이마, 코 등), 나이, 목 둘레, 가슴 둘레 등을 포함할 수 있다. 또한, 피측정자 정보 벡터는 측정된 값들 사이의 비율 정보를 포함할 수 있다. 예를 들어, 키와 허리둘레의 비율, 키와 허리둘레의 비율, 몸무게와 허벅지 둘레의 비율 등이 피측정자 정보 벡터에 포함될 수 있다. 피측정자 정보 입력부(110)는 복수의 장치로부터 각각의 장치가 측정하거나 입력받은 외관 측정 정보 벡터를 입력받거나 외관 측정 정보들을 수집하여 전달하는 장치들을 통해 입력받을 수 있다. 이에 제한되는 것은 아니며 데이터베이스 또는 파일 형태로 저장된 데이터 형태로 외관 측정 정보 벡터를 입력받을 수 있다.The subject information input unit 110 is a program instruction set that is executed in a computing device, and at least a part of the function is implemented. The subject information input unit 110 receives subject information vectors including the appearance measurement information vectors of different parts of the subject. That is, the subject information input unit 110 receives data obtained by measuring the appearance of the subject in a vector format for use in diagnosing a metabolic disease. At this time, the measured appearance of the subject is not limited to a specific part of the body, but height, weight, body fat index, body temperature, waist circumference, thigh circumference, face color, facial area (e.g., forehead, nose, etc.), age, neck girth, chest girth, and the like. Also, the subject information vector may include ratio information between measured values. For example, a ratio of a height to a waist circumference, a ratio of a height to a waist circumference, a weight to a thigh circumference ratio, etc. may be included in the subject information vector. The subject information input unit 110 may receive an appearance measurement information vector measured or input by each device from a plurality of devices, or may receive an input through devices that collect and transmit appearance measurement information. The present invention is not limited thereto, and the appearance measurement information vector may be input in the form of data stored in the form of a database or file.

처방 약물 유효성 예측 장치(100)는 대사성 질환에 처방되는 약물이 질환자에게 효능이 있는 지 여부를 예측하는 예측 모델을 모델링한다. 예측 모델의 모델링 과정에서는 먼저 대사성 질환자들을 모집단으로 하여 다양한 대사성 질환 환자에게 대사성 질환에 처방되는 약물을 동일하게 일정 기간동안 투여하는 임상시험을 진행하고, 각 대사성 질환별로 해당 약물이 효능을 보였는지 판단하여 대사성 질환 환자를 약물 효능군(약물을 복용하면 효과가 있는 그룹)과 비효능군(약물을 복용해도 효과가 없는 그룹)으로 분류하였다. 이후 각 대사성 질환자들의 외관 측정 정보 벡터를 포함하는 피측정자 정보 벡터의 각 항목들을 독립 변수 X로 하여 대사성 질환 별로 종속 변수 Y(효능 여부)를 예측하는 모델링 함수를 구한다. 이때의 모델링은 통계에 기반한 모델일 수 있으며, 모델은 독립 변수와 종속 변수와의 상관 관계를 규명하는 것을 목표로 학습되며, 실제값(임상 실험의 결과)와 모델의 예측값의 평균오차 즉, 평균제곱오차의 제곱근(Root mean squared error, RMS)을 최소화하는 방향으로 학습된다. 모델링 과정에서 독립 변수와 종속 변수와의 상관 관계 규명에 의해 통계적으로 유의미한 변수들이 결정된다. 즉, 효능 여부에 영향을 많이 미치는 독립 변수들이 모델링 과정에 결정된다. 이후 실제로 대사성 질환자를 대상으로 처방 약물의 효능 여부를 예측할 때 해당 모델에 유의미한 변수들만 구성된 벡터를 입력하여 효능 여부를 예측할 수 있다. The prescription drug effectiveness prediction apparatus 100 models a prediction model for predicting whether a drug prescribed for a metabolic disease is effective for a patient. In the modeling process of the predictive model, first, a clinical trial is conducted in which the drugs prescribed for metabolic diseases are administered to patients with various metabolic diseases as a population for a certain period of time, and it is determined whether the drugs showed efficacy for each metabolic disease Therefore, patients with metabolic disease were classified into a drug efficacy group (a group that had an effect when taking a drug) and a non-effective group (a group that had no effect even when taking the drug). Thereafter, a modeling function for predicting the dependent variable Y (efficacy) for each metabolic disease is obtained by using each item of the subject information vector including the appearance measurement information vector of each metabolic disease as the independent variable X. At this time, the modeling may be a statistical model, and the model is trained with the goal of identifying the correlation between the independent variable and the dependent variable, and the average error between the actual value (the result of clinical trials) and the model's predicted value, that is, the average It learns in the direction of minimizing the root mean squared error (RMS) of the squared error. In the modeling process, statistically significant variables are determined by examining the correlation between the independent variable and the dependent variable. In other words, independent variables that have a large influence on efficacy are determined in the modeling process. Afterwards, when actually predicting the efficacy of a prescription drug for a person with metabolic disease, it is possible to predict the efficacy by inputting a vector composed of only meaningful variables to the model.

모델링 과정에서 도출된 유의미한 변수들은 대사성 질환 별로 구분되어 실제 대사성 질환자를 대상으로 처방 약물의 효능 여부를 예측할 때 사용할 수 있도록 데이터베이스 등에 따로 저장될 수 있다. 즉, 향후 처방 약물의 효능 여부를 예측할 때 대사성 질환 별로 어떤 변수들의 선택하여 사용할 지 알 수 있도록 저장할 수 있다. Significant variables derived from the modeling process are classified by metabolic disease, and may be stored separately in a database, etc. so that they can be used when predicting the efficacy of a prescription drug for a person with an actual metabolic disease. That is, when predicting the efficacy of a prescription drug in the future, it can be stored so that it can be known which variables to select and use for each metabolic disease.

제1 통합 피처 벡터 생성부(130)는 컴퓨팅 장치에서 실행되는 프로그램 명령어 세트로 적어도 적어도 기능의 일부가 구현된다. 제1 통합 피처 벡터 생성부(130)는 각각의 피측정자 정보 벡터들에 포함된 변수들 중 제1 대사성 질환의 해당 약물의 유효성 모델링 과정에서 선택된 통계적으로 유의미한 변수들을 추출하여 제1 통합 피처 벡터를 생성한다. 제1 통합 피처 벡터 생성부(130)는 피측정자 정보 입력부(110)로부터 외관 측정 정보 벡터를 포함하는 피측정자 정보 벡터들을 전달받아 모델링 과정에서 결정된 유의미한 변수들만을 추출하여 제1 대사성 질환에 처방되는 약물이 피측정자에게 약효를 나타낼지 예측하는 모델의 입력 벡터로 재구성한다. 이때 도출된 유의미한 변수들의 목록이 데이터베이스 등에 저장되어 있을 수 있다.The first integrated feature vector generator 130 is a program instruction set executed in a computing device, and at least a part of the function is implemented. The first integrated feature vector generator 130 extracts statistically significant variables selected in the process of modeling the efficacy of the corresponding drug for the first metabolic disease from among the variables included in each subject information vectors to generate the first integrated feature vector. create The first integrated feature vector generation unit 130 receives the subject information vectors including the appearance measurement information vector from the subject information input unit 110, extracts only meaningful variables determined in the modeling process, and is prescribed for the first metabolic disease. It is reconstructed as an input vector of a model that predicts whether a drug will have a drug effect on a subject. In this case, a list of derived significant variables may be stored in a database or the like.

제2 통합 피처 벡터 생성부(150)는 컴퓨팅 장치에서 실행되는 프로그램 명령어 세트로 적어도 적어도 기능의 일부가 구현된다. 제2 통합 피처 벡터 생성부(150)는 각각의 피측정자 정보 벡터들에 포함된 변수들 중 제2 대사성 질환의 해당 약물의 유효성 모델링 과정에서 선택된 통계적으로 유의미한 변수들을 추출하여 제2 통합 피처 벡터를 생성한다. 제2 통합 피처 벡터 생성부(150)는 피측정자 정보 입력부(110)로부터 외관 측정 정보 벡터를 포함하는 피측정자 정보 벡터들을 전달받아 모델링 과정에서 결정된 유의미한 변수들만을 추출하여 제2 대사성 질환에 처방되는 약물이 피측정자에게 약효를 나타낼지 예측하는 모델의 입력 벡터로 재구성한다. 이때 도출된 유의미한 변수들의 목록이 데이터베이스 등에 저장되어 있을 수 있다.The second integrated feature vector generator 150 is a program instruction set executed in a computing device, and at least a part of the function is implemented. The second integrated feature vector generator 150 extracts statistically significant variables selected in the process of modeling the efficacy of the corresponding drug for the second metabolic disease from among the variables included in each subject information vectors to generate the second integrated feature vector. create The second integrated feature vector generator 150 receives the subject information vectors including the appearance measurement information vector from the subject information input unit 110, extracts only meaningful variables determined in the modeling process, and is prescribed for the second metabolic disease. It is reconstructed as an input vector of a model that predicts whether a drug will have a drug effect on a subject. In this case, a list of derived significant variables may be stored in a database or the like.

제1 대사성 질환 약물 유효성 판단부(170)는 컴퓨팅 장치에서 실행되는 프로그램 명령어 세트로 적어도 적어도 기능의 일부가 구현된다. 제1 대사성 질환 약물 유효성 판단부(170)는 제1 통합 피처 벡터를 입력 받아 제1 모델링에 기초하여 제1 대사성 질환에 대한 해당 약물의 유효성 정보를 출력한다. 처방 약물이 제1 대사성 질환에 유효한 효능을 보일 지 예측하는 모델을 모델링하는 과정에서 도출된 모델링 함수에 제1 통합 피처 벡터에 포함된 변수들을 적용하여 제1 대사성 질환 약물이 피측정자에게 효과를 나타낼 지 여부를 예측한다.The first metabolic disease drug effectiveness determination unit 170 is at least a part of the function is implemented as a set of program instructions executed in a computing device. The first metabolic disease drug effectiveness determining unit 170 receives the first integrated feature vector and outputs efficacy information of the corresponding drug for the first metabolic disease based on the first modeling. By applying the variables included in the first integrated feature vector to the modeling function derived in the process of modeling a model for predicting whether a prescription drug will show effective efficacy on the first metabolic disease, the first metabolic disease drug will show the effect on the subject. predict whether

제2 대사성 질환 약물 유효성 판단부(190)는 컴퓨팅 장치에서 실행되는 프로그램 명령어 세트로 적어도 적어도 기능의 일부가 구현된다. 제2 대사성 질환 약물 유효성 판단부(190)는 제2 통합 피처 벡터를 입력 받아 제2 모델링에 기초하여 제2 대사성 질환에 대한 해당 약물의 유효성 정보를 출력한다. 처방 약물이 제2 대사성 질환에 유효한 효능을 보일 지 예측하는 모델을 모델링하는 과정에서 도출된 모델링 함수에 제2 통합 피처 벡터에 포함된 변수들을 적용하여 제2 대사성 질환 약물이 피측정자에게 효과를 나타낼 지 여부를 예측한다.The second metabolic disease drug effectiveness determining unit 190 is a program instruction set that is executed in a computing device, at least a part of the function is implemented. The second metabolic disease drug effectiveness determining unit 190 receives the second integrated feature vector and outputs efficacy information of the corresponding drug for the second metabolic disease based on the second modeling. By applying the variables included in the second integrated feature vector to the modeling function derived in the process of modeling a model for predicting whether a prescription drug will show an effective effect on the second metabolic disease, the second metabolic disease drug will show the effect on the subject. predict whether

일 예로, 피측정자에게 처방된 약물이 태음조위탕이고, 태음조위탕이 고혈압과 당뇨에 효능이 있을지 여부를 예측하는 경우, 제1 대사성 질환은 고혈압으로 설정하고, 제2 대사성 질환은 당뇨로 지정한 후, 태음조위탕이 고혈압에 효능을 나타내는지 예측하도록 모델링된 제1 모델링을 통해 피측정자 정보로 태음조위탕이 피측정자에 대하여 고혈압에 효능이 있는지 예측하여 결과를 도출하고, 또한 태음조위탕이 당뇨에 효능을 나타내는지 예측하도록 모델링된 제2 모델링을 통해 피측정자 정보로 태음조위탕이 피측정자에 대하여 당뇨에 효능이 있는지 예측하여 결과를 도출한다. 물론, 모델링을 변경 적용하여 다른 대사성 질환에 대하여도 해당 질환에 대한 모델링을 통해 해당 약물이 효능이 있을지 예측할 수 있으며, 다른 처방 약물에 대한 모델링을 통해 다른 약물에 대하여도 예측할 수 있다.For example, if the drug prescribed to the subject is Taeeumjowi-tang and it is predicted whether or not Taeeumjowi-tang will be effective in hypertension and diabetes, the first metabolic disease is set as high blood pressure, and the second metabolic disease is designated as diabetes. Afterwards, through the first modeling modeled to predict whether Taeeumjowi-tang is effective in hypertension, the result is derived by predicting whether Taeeumjowi-tang is effective in hypertension for the subject using the subject information, and also Taeeumjowi-tang is Through the second modeling, which is modeled to predict whether or not it has an effect on diabetes, the result is derived by predicting whether Taeeumjowitang has an effect on diabetes with the subject information. Of course, by changing the modeling, it is possible to predict whether the drug will be effective for other metabolic diseases through modeling for the disease, and also predict other drugs through modeling for other prescription drugs.

도 2는 또 다른 양상에 따르는 처방 약물 유효성 예측 장치의 블록도로 통합 피처 벡터 생성부의 기능을 세분화하여 도시하고 있다. 본 발명의 또 다른 양상에 따르면, 처방 약물 유효성 예측 장치(100)의 제1 통합 피처 벡터 생성부(130)는 제1 변수 선택부(131)와, 제1 벡터 정규화부(133)와, 제1 벡터 통합부(135)를 포함할 수 있고, 제2 통합 피처 벡터 생성부(150)는 제2 변수 선택부(151)와, 제2 벡터 정규화부(153)와, 제2 벡터 통합부(155)를 포함할 수 있다.2 is a block diagram of an apparatus for predicting prescription drug effectiveness according to another aspect, showing subdivided functions of the integrated feature vector generator. According to another aspect of the present invention, the first integrated feature vector generator 130 of the prescription drug effectiveness prediction apparatus 100 includes a first variable selection unit 131 , a first vector normalization unit 133 , and a first A first vector integrator 135 may be included, and the second integrated feature vector generator 150 includes a second variable selector 151 , a second vector normalizer 153 , and a second vector integrator ( 155) may be included.

제1 변수 선택부(131)는 피측정자 정보 입력부(110)로부터 수신한 각각의 피측정자 정보 벡터를 제1 대사성 질환의 해당 약물의 유효성 모델링 과정에서 도출되어 선택된 통계적으로 유의미한 변수들에 해당하는 데이터만을 추출하여 새롭게 제1 피측정자 정보 벡터들로 재구성한다. 예를 들어, 제1 변수 선택부(131)가 피측정자 정보 입력부(110)로부터 A(a1, a2, a3, a4, a5) 벡터, B(b1, b2, b3, b4), C(c1, c2, c3, c4, c5) 벡터를 전달받고, 제1 대사성 질환의 해당 약물의 유효성 모델링 과정에서 선택된 유의미한 변수가 a1, a3, b2, c3, c5인 경우 제1 변수 선택부(131)는 A 벡터, B 벡터, C 벡터를 각각 A'(a1, a3) 벡터, B'(b2) 벡터, C'(c3, c5) 벡터로 재구성한다. The first variable selection unit 131 receives each subject information vector received from the subject information input unit 110, data corresponding to statistically significant variables that are derived and selected in the process of modeling the efficacy of the corresponding drug for the first metabolic disease. is extracted and newly reconstructed into the first subject information vectors. For example, when the first variable selection unit 131 receives the subject information input unit 110 from the A(a 1 , a 2 , a 3 , a 4 , a 5 ) vector, B(b 1 , b 2 , b 3 ) , b 4 ), C(c 1 , c 2 , c 3 , c 4 , c 5 ) A significant variable selected in the course of modeling the effectiveness of the drug in the first metabolic disease after receiving the vector is a 1 , a 3 , b In the case of 2 , c 3 , and c 5 , the first variable selection unit 131 selects the A vector, the B vector, and the C vector as A′(a 1 , a 3 ) vector, B′(b 2 ) vector, C′( c 3 , c 5 ) is reconstructed into a vector.

제1 벡터 정규화부(133)는 새롭게 구성된 각각의 제1 피측정자 정보 벡터들에 대하여 정규화를 수행한다. 정규화는 데이터를 특정 구간의 값(예, 0~1 또는 0~100 등)으로 바꾸는 척도법이다. 정규화는 일반적으로 데이터 군 내에서 특정 데이터가 가지는 위치를 파악할 때 용이하다. 피측정자에 대하여 처방 약물의 유효성을 예측할 때 정규화를 사용하므로 모델링을 할 때에도 정규화 과정을 반드시 거쳐야 한다.The first vector normalization unit 133 normalizes each newly constructed first subject information vector. Normalization is a scaling method that converts data into values in a specific interval (eg, 0 to 1 or 0 to 100, etc.). Normalization is generally easy when determining the position of specific data within a data group. Since normalization is used to predict the effectiveness of prescription drugs for the subject, the normalization process must be performed even when modeling.

제1 벡터 통합부(135)는 정규화된 제1 피측정자 정보 벡터들을 병합하여 하나의 제1 통합 피처 벡터를 생성한다. 앞선 예에서 제1 통합 피처 벡터는 a1, a3, b2, c3, c5 변수가 정규화되어 벡터로 구성된다.The first vector integrator 135 generates one first integrated feature vector by merging the normalized first subject information vectors. In the previous example, the first integrated feature vector is configured as a vector by normalizing variables a 1 , a 3 , b 2 , c 3 , and c 5 .

제2 변수 선택부(151)는 피측정자 정보 입력부(110)로부터 수신한 각각의 피측정자 정보 벡터를 제2 대사성 질환의 해당 약물의 유효성 모델링 과정에서 도출되어 선택된 통계적으로 유의미한 변수들에 해당하는 데이터만을 추출하여 새롭게 제2 피측정자 정보 벡터들로 재구성한다. 제1 변수 선택부(131)의 예와 동일하게 예를 들 수 있다.The second variable selection unit 151 obtains each subject information vector received from the subject information input unit 110, data corresponding to statistically significant variables that are derived and selected in the process of modeling the efficacy of the corresponding drug for the second metabolic disease. is extracted and newly reconstructed into second subject information vectors. The example may be the same as the example of the first variable selection unit 131 .

제2 벡터 정규화부(153)는 새롭게 구성된 각각의 제2 피측정자 정보 벡터들에 대하여 정규화를 수행한다. 정규화는 데이터를 특정 구간의 값(예, 0~1 또는 0~100 등)으로 바꾸는 척도법이다. 정규화는 일반적으로 데이터 군 내에서 특정 데이터가 가지는 위치를 파악할 때 용이하다. 피측정자에 대하여 처방 약물의 유효성을 예측할 때 정규화를 사용하므로 모델링을 할 때에도 정규화 과정을 반드시 거쳐야 한다.The second vector normalization unit 153 normalizes each newly constructed second subject information vector. Normalization is a scaling method that converts data into values in a specific interval (eg, 0 to 1 or 0 to 100, etc.). Normalization is generally easy when determining the position of specific data within a data group. Since normalization is used to predict the effectiveness of prescription drugs for the subject, the normalization process must be performed even when modeling.

제2 벡터 통합부(155)는 정규화된 제1 피측정자 정보 벡터들을 병합하여 하나의 제2 통합 피처 벡터를 생성한다. The second vector integrator 155 generates one second integrated feature vector by merging the normalized first subject information vectors.

도 3은 또 다른 양상에 따른 처방 약물 유효성 예측 장치의 블록도로 피측정자 정보 입력부의 기능을 세분화하여 도시하고 있다. 본 발명의 또 다른 양상에 따르면, 처방 약물 유효성 예측 장치(100)의 피측정자 정보 입력부(110)는 안면 피처 벡터 입력부(111)와, 안색 피처 벡터 입력부(112)와, 음성 피처 벡터 입력부(113)와, 체형 피처 벡터 입력부(115)와, 설문지 응답 피처 벡터 입력부(117)를 포함할 수 있다.3 is a block diagram of an apparatus for predicting prescription drug effectiveness according to another aspect, showing subdivided functions of the subject information input unit. According to another aspect of the present invention, the subject information input unit 110 of the prescription drug effectiveness prediction apparatus 100 includes a facial feature vector input unit 111 , a complexion feature vector input unit 112 , and a voice feature vector input unit 113 . ), a body shape feature vector input unit 115 , and a questionnaire response feature vector input unit 117 .

안면 피처 벡터 입력부(111)는 2차원 또는 3차원 안면 형상 정보를 입력 받아 안면 피처 벡터를 생성한다. 안면 형상 정보는 피측정자의 얼굴에 대한 정보로 전체적인 생김새나 크기 등에 대한 정보(예를 들어, 이마의 크기, 눈의 크기, 귀의 크기 및 형태 등)와 상태 정보(기미, 주근깨, 뾰루지 등이 있는지 여부)를 포함할 수 있다. 일반적으로 안면 형상 정보는 안면 영상으로부터 획득될 수 있다.The facial feature vector input unit 111 receives two-dimensional or three-dimensional facial shape information and generates a facial feature vector. Facial shape information is information about the subject's face, including information about the overall shape or size (for example, the size of the forehead, the size of the eyes, the size and shape of the ears, etc.) whether or not) may be included. In general, face shape information may be obtained from a face image.

안색 피처 벡터 입력부(112)는 안색 정보를 입력 받아 안색 피처 벡터를 생성한다. 안색 정보는 전체적인 얼굴의 색 정보, 각 얼굴 부위의 색 정보를 포함할 수 있다. 안색 정보는 사용자에 의해 입력된 정보이거나 안면 영상으로부터 자동으로 추출된 정보일 수 있다.The complexion feature vector input unit 112 receives complexion information and generates a complexion feature vector. The complexion information may include color information of the entire face and color information of each face part. The complexion information may be information input by a user or information automatically extracted from a facial image.

음성 피처 벡터 입력부(113)는 피측정자의 음성 특징에 대한 음성 정보를 입력 받아 음성 피처 벡터를 생성한다. 음성 특징에 대한 음성 정보는 피측정자의 음성이 고음인지 저음인지 여부, 음성이 힘찬 음성인지 여부, 굵은 음성인지 여부, 성량의 풍부성, 말의 빠르기 등의 정보를 포함할 수 있다.The speech feature vector input unit 113 generates a speech feature vector by receiving speech information on the speech characteristics of the subject. The voice information on the voice characteristics may include information such as whether the subject's voice is a high-pitched or low-pitched voice, whether the voice is a powerful voice, whether the voice is a thick voice, richness of voice, speed of speech, and the like.

체형 피처 벡터 입력부(115)는 체형 정보를 입력 받아 체형 피처 벡터를 생성한다. 체형 정보는 키, 몸무게, 체지방지수, 가슴 둘레, 허리 둘레 등의 정보를 포함할 수 있고, 이들 간의 비율 정보를 포함할 수 있다.The body shape feature vector input unit 115 receives body shape information and generates a body shape feature vector. The body type information may include information such as height, weight, body fat index, chest circumference, waist circumference, and the like, and may include information on a ratio between them.

설문지 응답 피처 벡터 입력부(117)는 설문지 응답 정보를 입력 받아 설문지 응답 벡터를 생성한다. 설문지 응답 정보는 거주지 정보, 나이, 사상체질, 병력 등의 정보를 포함할 수 있다.The questionnaire response feature vector input unit 117 receives questionnaire response information and generates a questionnaire response vector. The questionnaire response information may include information such as residence information, age, Sasang constitution, and medical history.

추가적으로, 처방 약물 유효성 예측 장치(100)의 피측정자 정보 입력부(110)는 설진 형상 및 색상 정보를 입력 받아 설진 피처 벡터를 생성하는 설진 피처 벡터 입력부(119)를 더 포함할 수 있다. 설진 형상 및 색상 정보는 설태의 여부, 혀의 색깔, 설형(크기, 이빨자국, 혓바늘 등), 설질 등의 혀의 형상 및 상태에 대한 정보를 포함할 수 있다.Additionally, the subject information input unit 110 of the apparatus 100 for predicting prescription drug effectiveness may further include a tongue examination feature vector input unit 119 for generating a tongue examination feature vector by receiving tongue examination shape and color information. The tongue shape and color information may include information on the shape and state of the tongue, such as whether or not the tongue is present, the color of the tongue, the shape of the tongue (size, tooth marks, tongue needles, etc.), and the quality of the tongue.

도 4는 또 다른 양상에 따른 처방 약물 유효성 예측 장치의 블록도로 통합 피처 벡터 생성부와 피측정자 정보 입력부의 기능을 세분화하여 도시하고 있다. 본 발명의 또 다른 양상에 따르면, 처방 약물 유효성 예측 장치(100)는 피측정자 정보 입력부(110)와, 제1 통합 피처 벡터 생성부(130)와, 제2 통합 피처 벡터 생성부(150)와, 제1 대사성 질환 약물 유효성 판단부(170)와, 제2 대사성 질환 약물 유효성 판단부(190)를 포함한다.4 is a block diagram of an apparatus for predicting prescription drug effectiveness according to another aspect, showing subdivided functions of an integrated feature vector generating unit and a subject information input unit. According to another aspect of the present invention, the prescription drug effectiveness prediction apparatus 100 includes the subject information input unit 110 , the first integrated feature vector generation unit 130 , and the second integrated feature vector generation unit 150 , and , a first metabolic disease drug effectiveness determination unit 170, and a second metabolic disease drug effectiveness determination unit 190 includes.

피측정자 정보 입력부(110)는 안면 피처 벡터 입력부(111)와, 음성 피처 벡터 입력부(113)와, 체형 피처 벡터 입력부(115)와, 설문지 응답 피처 벡터 입력부(117)를 포함할 수 있고, 제1 통합 피처 벡터 생성부(130)는 제1 변수 선택부(131)와, 제1 벡터 정규화부(133)와, 제1 벡터 통합부(135)를 포함할 수 있고, 제2 통합 피처 벡터 생성부(150)는 제2 변수 선택부(151)와, 제2 벡터 정규화부(153)와, 제2 벡터 통합부(155)를 포함할 수 있다. 각각 기능 블록은 앞서 설명한 것과 같다.The subject information input unit 110 may include a facial feature vector input unit 111, a voice feature vector input unit 113, a body shape feature vector input unit 115, and a questionnaire response feature vector input unit 117. The first integrated feature vector generating unit 130 may include a first variable selecting unit 131 , a first vector normalizing unit 133 , and a first vector integrating unit 135 , and generating a second integrated feature vector The unit 150 may include a second variable selection unit 151 , a second vector normalization unit 153 , and a second vector integrator 155 . Each function block is the same as described above.

처방 약물 유효성 예측 장치는 모델링 과정에서 사용한 모델링 변수 특히, 모델링 과정에서 도출된 유의미한 변수들을 대사성 질환과 처방 약물 정보와 매핑하여 모델링 변수 DB에 저장할 수 있다. 따라서, 각각의 기능 블록에서 대사성 질환과 처방 약물에 따라 모델링과정에서 도출된 유의미한 변수 정보를 해당 DB를 통해 획득할 수 있다.The prescription drug effectiveness prediction apparatus may map modeling variables used in the modeling process, particularly significant variables derived in the modeling process, with metabolic disease and prescription drug information, and store it in the modeling variable DB. Therefore, in each functional block, meaningful variable information derived from the modeling process according to the metabolic disease and prescribed drug can be obtained through the corresponding DB.

이상에서 본 발명을 첨부된 도면을 참조하는 실시 예들을 통해 설명하였지만 이에 한정되는 것은 아니며, 이들로부터 당업자라면 자명하게 도출할 수 있는 다양한 변형 예들을 포괄하도록 해석되어야 한다. 특허청구범위는 이러한 변형 예들을 포괄하도록 의도되었다.Although the present invention has been described above with reference to the accompanying drawings, the present invention is not limited thereto, and it should be construed to encompass various modifications that can be apparent from those skilled in the art. The claims are intended to cover such variations.

100: 처방 약물 유효성 예측 장치
110: 피측정자 정보 입력부
111: 안면 피처 벡터 입력부
112: 안색 피처 벡터 입력부
113: 음성 피처 벡터 입력부
115: 체형 피처 벡터 입력부
117: 설문지 응답 피처 벡터 입력부
119: 설진 피처 벡터 입력부
130: 제1 통합 피처 벡터 생성부
131: 제1 변수 선택부
133: 제1 벡터 정규화부
135: 제1 벡터 통합부
150: 제2 통합 피처 벡터 생성부
151: 제2 변수 선택부
153: 제2 벡터 정규화부
155: 제2 벡터 통합부
170: 제1 대사성 질환 약물 유효성 판단부
190: 제2 대사성 질환 약물 유효성 판단부100: prescription drug effectiveness prediction device
110: subject information input unit
111: facial feature vector input
112: complexion feature vector input
113: speech feature vector input
115: body shape feature vector input
117: questionnaire response feature vector input unit
119: sebum feature vector input unit
130: first integrated feature vector generator
131: first variable selection unit
133: first vector normalization unit
135: first vector integrator
150: second integrated feature vector generator
151: second variable selection unit
153: second vector normalization unit
155: second vector integrator
170: first metabolic disease drug efficacy determination unit
190: second metabolic disease drug efficacy judgment unit

Claims (4)

피측정자의 상이한 부위의 외관 측정 정보 벡터를 포함하는 피측정자 정보 벡터들을 입력 받는 피측정자 정보 입력부와;
상기 각각의 피측정자 정보 벡터들에 포함된 변수들 중 제1 대사성 질환의 해당 약물의 유효성 모델링 과정에서 선택된 통계적으로 유의미한 변수들을 추출하여 제1 통합 피처 벡터를 생성하는 제1 통합 피처 벡터 생성부와;
상기 각각의 피측정자 정보 벡터들에 포함된 변수들 중 제2 대사성 질환의 해당 약물의 유효성 모델링 과정에서 선택된 통계적으로 유의미한 변수들을 추출하여 제2 통합 피처 벡터를 생성하는 제2 통합 피처 벡터 생성부와;
제1 통합 피처 벡터를 입력 받아 제1 모델링에 기초하여 제1 대사성 질환에 대한 해당 약물의 유효성 정보를 출력하는 제1 대사성 질환 약물 유효성 판단부와;
제2 통합 피처 벡터를 입력 받아 제2 모델링에 기초하여 제2 대사성 질환에 대한 해당 약물의 유효성 정보를 출력하는 제2 대사성 질환 약물 유효성 판단부;
를 포함하는 다중 대사성 질환에 대한 처방 약물 유효성 예측 장치.
a subject information input unit receiving the subject information vectors including the appearance measurement information vectors of different parts of the subject;
a first integrated feature vector generator for generating a first integrated feature vector by extracting statistically significant variables selected in the process of modeling the efficacy of a corresponding drug for a first metabolic disease among the variables included in each of the subject information vectors; ;
a second integrated feature vector generator for generating a second integrated feature vector by extracting statistically significant variables selected in the process of modeling the efficacy of the corresponding drug for a second metabolic disease among the variables included in each of the subject information vectors; ;
a first metabolic disease drug effectiveness determining unit for receiving the first integrated feature vector and outputting efficacy information of the corresponding drug for the first metabolic disease based on the first modeling;
a second metabolic disease drug effectiveness determination unit receiving the second integrated feature vector and outputting efficacy information of the corresponding drug for a second metabolic disease based on the second modeling;
Prescription drug efficacy prediction device for multiple metabolic diseases comprising a.
 제 1 항에 있어서,
제1 통합 피처 벡터 생성부는 :
각각의 피측정자 정보 벡터를 제1 대사성 질환의 해당 약물의 유효성 모델링 과정에서 선택된 통계적으로 유의미한 변수들에 해당하는 데이터만을 추출하여 새롭게 제1 피측정자 정보 벡터들 구성하는 제1 변수 선택부와, 새롭게 구성된 각각의 제1 피측정자 정보 벡터들을 정규화하는 제1 벡터 정규화부와, 그리고 정규화된 제1 피측정자 정보 벡터들을 병합하여 제1 통합 피처 벡터를 생성하는 제1 벡터 통합부를 포함하고,
제2 통합 피처 벡터 생성부는 :
각각의 피측정자 정보 벡터를 제2 대사성 질환의 해당 약물의 유효성 모델링 과정에서 선택된 통계적으로 유의미한 변수들에 해당하는 데이터만을 추출하여 새롭게 제2 피측정자 정보 벡터들 구성하는 제2 변수 선택부와, 새롭게 구성된 각각의 제2 피측정자 정보 벡터들을 정규화하는 제2 벡터 정규화부와, 그리고 정규화된 제2 피측정자 정보 벡터들을 병합하여 제2 통합 피처 벡터를 생성하는 제2 벡터 통합부를 포함하는 다중 대사성 질환에 대한 처방 약물 유효성 예측 장치.
The method of claim 1,
The first integrated feature vector generator includes:
A first variable selection unit that newly constructs the first subject information vectors by extracting only the data corresponding to the statistically significant variables selected in the process of modeling the efficacy of the corresponding drug for the first metabolic disease from each subject information vector; A first vector normalizing unit for normalizing each of the configured first subject information vectors, and a first vector integrator for merging the normalized first subject information vectors to generate a first integrated feature vector,
The second integrated feature vector generator includes:
A second variable selection unit that newly constructs second subject information vectors by extracting only data corresponding to statistically significant variables selected in the process of modeling the efficacy of the corresponding drug for the second metabolic disease from each subject information vector; A multi-metabolic disease comprising a second vector normalizer for normalizing each of the configured second subject information vectors, and a second vector integrator for generating a second integrated feature vector by merging the normalized second subject information vectors Prescription drug effectiveness prediction device for
 제 1 항에 있어서, 피측정자 정보 입력부는:
2차원 또는 3차원 안면 형상 정보를 입력 받아 안면 피처 벡터를 생성하는 안면 피처 벡터 입력부와, 안색 정보를 입력 받아 안색 피처 벡터를 생성하는 안색 피처 벡터 입력부와, 음성 정보를 입력 받아 음성 피처 벡터를 생성하는 음성 피처 벡터 입력부와, 체형 정보를 입력 받아 체형 피처 벡터를 생성하는 체형 피처 벡터 입력부와, 설문지 응답 정보를 입력 받아 설문지 응답 벡터를 생성하는 설문지 응답 피처 벡터 입력부;
를 포함하는 다중 대사성 질환에 대한 처방 약물 유효성 예측 장치.
The method of claim 1, wherein the subject information input unit:
A facial feature vector input unit that receives 2D or 3D facial shape information to generate a facial feature vector, a complexion feature vector input unit that receives complexion information to generate a complexion feature vector, and receives voice information to generate a voice feature vector a voice feature vector input unit for receiving body shape information, a body shape feature vector input unit for generating a body shape feature vector, and a questionnaire response feature vector input unit for receiving questionnaire response information and generating a questionnaire response vector;
Prescription drug efficacy prediction device for multiple metabolic diseases comprising a.
 제 3 항에 있어서, 피측정자 정보 입력부는:
설진 형상 및 색상 정보를 입력 받아 설진 피처 벡터를 생성하는 설진 피처 벡터 입력부를 더 포함하는 다중 대사성 질환에 대한 처방 약물 유효성 예측 장치.
The method of claim 3, wherein the subject information input unit:
Prescription drug effectiveness prediction device for multiple metabolic diseases, further comprising a tongue tongue feature vector input unit for receiving tongue tongue shape and color information and generating a tongue tongue feature vector.
KR1020200063650A 2020-05-27 2020-05-27 Apparatus for predicting the efficacy of prescription drugs KR102348915B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200063650A KR102348915B1 (en) 2020-05-27 2020-05-27 Apparatus for predicting the efficacy of prescription drugs

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200063650A KR102348915B1 (en) 2020-05-27 2020-05-27 Apparatus for predicting the efficacy of prescription drugs

Publications (2)

Publication Number Publication Date
KR20210146627A KR20210146627A (en) 2021-12-06
KR102348915B1 true KR102348915B1 (en) 2022-01-11

Family

ID=78901500

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200063650A KR102348915B1 (en) 2020-05-27 2020-05-27 Apparatus for predicting the efficacy of prescription drugs

Country Status (1)

Country Link
KR (1) KR102348915B1 (en)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102057047B1 (en) 2019-02-27 2019-12-18 한국과학기술정보연구원 Apparatus and Method for Predicting of Disease

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101298303B1 (en) * 2010-04-27 2013-08-20 울산대학교 산학협력단 COMBINATION ANALYSIS SYSTEM FOR Pharmacokinetic AND Pharmacodynamic MODELING OF DRUG
KR101301821B1 (en) * 2011-08-30 2013-08-29 한국 한의학 연구원 Apparatus and method for detecting complexion, apparatus and method for determinig health using complexion, apparatus and method for generating health sort function
KR101591175B1 (en) * 2014-05-07 2016-02-04 한국 한의학 연구원 Apparatus and method for diagnosis of physical conditions using phonetic analysis
KR101828660B1 (en) * 2015-11-27 2018-02-13 한국 한의학 연구원 Method and apparatus for diagnosing constitution
WO2018007809A1 (en) 2016-07-04 2018-01-11 Sisp Technologies Ltd Data processing method and apparatus

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102057047B1 (en) 2019-02-27 2019-12-18 한국과학기술정보연구원 Apparatus and Method for Predicting of Disease

Also Published As

Publication number Publication date
KR20210146627A (en) 2021-12-06

Similar Documents

Publication Publication Date Title
US10891785B2 (en) Systems and methods for fitting product
US11232580B2 (en) Extended reality system
US9836883B2 (en) Systems and methods for fitting product
US11688129B2 (en) Avatar generator
JP5144338B2 (en) Avatar video generation method and apparatus according to health condition
US20100106475A1 (en) Biophysical virtual model database and applications
AU2009214829B2 (en) System and method of cosmetic analysis and treatment diagnosis
CN108198603A (en) A kind of nutrition dietary based on personal physical examination information recommends method
JPWO2019244949A1 (en) Biometric information processing methods, biometric information processing devices, and biometric information processing systems
KR102453304B1 (en) A system that provides virtual reality content for dementia prevention and self-diagnosis
CN113196410A (en) Systems and methods for pain treatment
KR102425481B1 (en) Virtual reality communication system for rehabilitation treatment
KR102348915B1 (en) Apparatus for predicting the efficacy of prescription drugs
US11515043B1 (en) Method and device for hair loss prediction and personalized scalp care
KR102425479B1 (en) System And Method For Generating An Avatar With User Information, Providing It To An External Metaverse Platform, And Recommending A User-Customized DTx(Digital Therapeutics)
KR102445134B1 (en) System And Method For Generating An Avatar Based On A User's Information And Providing An NFT For Avatar
CA3176236C (en) Method and system for using sensor data from rehabilitation or exercise equipment to treat patients via telemedicine
JP7022571B2 (en) Advice system
WO2022163826A1 (en) Health assistance apparatus, health assistance system, and health assistance method
KR102432251B1 (en) Virtual reality rehabilitation system performed on social servers
Sinthanayothin et al. Simulation of three-dimensional female body shapes with proportional representation for various weights and heights
Mata et al. Virtual reality and sensors for the next generation medical systems
JP2024513108A (en) User body volume prediction for medical and medication management

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant