KR102464996B1 - 의약품 표준화 데이터 구축 방법 및 이러한 방법을 수행하는 장치 - Google Patents

의약품 표준화 데이터 구축 방법 및 이러한 방법을 수행하는 장치 Download PDF

Info

Publication number
KR102464996B1
KR102464996B1 KR1020220066858A KR20220066858A KR102464996B1 KR 102464996 B1 KR102464996 B1 KR 102464996B1 KR 1020220066858 A KR1020220066858 A KR 1020220066858A KR 20220066858 A KR20220066858 A KR 20220066858A KR 102464996 B1 KR102464996 B1 KR 102464996B1
Authority
KR
South Korea
Prior art keywords
symptom
data
drug
learning
artificial intelligence
Prior art date
Application number
KR1020220066858A
Other languages
English (en)
Inventor
박경하
Original Assignee
주식회사 원스글로벌
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 주식회사 원스글로벌 filed Critical 주식회사 원스글로벌
Priority to KR1020220066858A priority Critical patent/KR102464996B1/ko
Application granted granted Critical
Publication of KR102464996B1 publication Critical patent/KR102464996B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medicinal Chemistry (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Toxicology (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

본 발명은 의약품 표준화 데이터 구축 방법 및 이러한 방법을 수행하는 장치에 관한 것이다. 의약품 표준화 데이터 구축 방법은 의약품 성분명 표준화 데이터베이스가 표준화 의약품 성분명을 결정하는 단계와 부작용 표준화 데이터베이스가 부작용 데이터를 기반으로 표준화 부작용 데이터를 결정하는 단계를 포함할 수 있다.

Description

의약품 표준화 데이터 구축 방법 및 이러한 방법을 수행하는 장치{Method for implementing medicine data standardization and apparatus for performing the method}
본 발명은 의약품 표준화 데이터 구축 방법 및 이러한 방법을 수행하는 장치에 관한 것이다. 보다 상세하게는 빅데이터를 활용한 개인 맞춤형 의약품 부작용 예측을 위한 의약품 표준화 데이터 구축 방법 및 이러한 방법을 수행하는 장치에 관한 것이다.
의약품 사용에 따라 나타나는 이상 사례(adverse event, AE)는 예측과 적절한 정보 제공으로 일정 부분 예방이 가능하다. 따라서, 약물 이상 반응 발현 빈도를 감소시키고, 환자 치료의 질을 향상시키며, 의료비를 절감시킬 수 있도록 약물 이상 반응 관리에 대한 노력이 필요하다. 의약품 허가 당시에는 유익성(benefit)이 위해성(risk)보다 크다는 것을 입증하여 허가가 이루어진다. 새로 개발된 약물이 시판 허가를 받으면 많은 수의 환자들이 장기간에 걸쳐 복용하게 된다. 따라서, 시판전 임상 시험에서 발견되지 않았던 드물지만 중대한 유해 반응들이 나타날 수 있다. 시판 허가를 받기 위한 임상 시험은 가능한 빨리 허가를 받기 위해 관찰 기간이 제한되고, 연구 대상자의 수가 한정되어 드물게 발생하는 유해 반응을 관찰하기 어렵다.
따라서, 시판 후에도 대규모 인구 집단을 대상으로 장기간에 걸친 관찰을 통하여 약물의 안전성을 충분히 확인하는 것이 필수적이다. 허가 당시 얻을 수 있는 유익성과 위해성 정보의 양과 질에는 한계가 있고, 시판 후 조사 및 보고를 통한 보다 실질적이고 새로운 정보가 지속적으로 수집되면 추가되는 정보로 인해 유익성과 위해성의 균형이 변화하게 된다. 따라서, 의약품의 전주기를 통해 일정 시점에서 유익성과 위해성을 지속적으로 비교 평가할 필요가 있다.
개별 이상 사례 보고에 있어서 국제 조화된 표준 채택과 구조화된 데이터 확립이 가능하다면 약품안전성정보관리 개선에 기여할 수 있다. 또한 표준화된 데이터 구조의 이상 사례 정보가 국내와 국외 비교 분석되면 의약품을 사용하는데 있어 보다 효과적인 커뮤니케이션, 분석, 개선 방안이 제공될 수 있다.
관련기술로는 한국 출원 10-2021-0051752건이 있다.
본 발명은 상술한 문제점을 모두 해결하는 것을 그 목적으로 한다.
또한, 본 발명은, 의약품 데이터 및 부작용 데이터의 표준화를 통해 사용자별 의약품 부작용을 보다 정확하게 예측하고 관리하는 것을 목적으로 한다.
또한, 본 발명은, 부작용 데이터에 대한 학습을 기반으로 의약품 부작용을 표준화하고, 표준화된 부작용 데이터를 기초로 의약품 부작용을 보다 정확하게 예측하고 관리하는 것을 목적으로 한다.
상기 목적을 달성하기 위한 본 발명의 대표적인 구성은 다음과 같다.
본 발명의 일 실시예에 따르면, 의약품 표준화 데이터 구축 방법은 의약품 성분명 표준화 데이터베이스가 표준화 의약품 성분명을 결정하는 단계와 부작용 표준화 데이터베이스가 부작용 데이터를 기반으로 표준화 부작용 데이터를 결정하는 단계를 포함할 수 있다.
한편, 상기 부작용 표준화 데이터베이스는 증상학습 인공지능엔진 및 신체영역학습 인공지능엔진을 포함하고, 상기 부작용 데이터는 신체 영역 데이터 및 증상 데이터를 포함하고, 상기 증상학습 인공지능 엔진은 상기 증상 데이터를 표준화 증상 데이터로 결정하고, 상기 신체 영역학습 인공지는 엔진은 상기 신체 영역 데이터를 표준화 신체 영역 데이터로 결정할 수 있다.
또한, 상기 증상 데이터는 전처리를 통해 제1 증상 타입, 제2 증상 타입으로 분류되고, 상기 제1 증상 타입은 주관적인 표현에 해당하는 증상이고, 상기 제2 증상 타입은 객관적인 사실에 기초한 증상이고, 상기 증상학습 인공지능엔진은 상기 제1 증상 타입의 학습을 위한 증상학습 인공지능엔진(제1 증상 타입) 및 상기 제2 증상 타입의 학습을 위한 증상학습 인공지능엔진(제2 증상 타입)을 포함할 수 있다.
본 발명의 다른 실시예에 따르면, 의약품 표준화 데이터 구축을 위한 데이터베이스는 표준화 의약품 성분명을 결정하기 위한 의약품 성분명 표준화 데이터베이스와 부작용 데이터를 기반으로 표준화 부작용 데이터를 결정하기 위해 구현된 부작용 표준화 데이터베이스를 포함할 수 있다.
한편, 상기 부작용 표준화 데이터베이스는 증상학습 인공지능엔진 및 신체영역학습 인공지능엔진을 포함하고, 상기 부작용 데이터는 신체 영역 데이터 및 증상 데이터를 포함하고, 상기 증상학습 인공지능 엔진은 상기 증상 데이터를 표준화 증상 데이터로 결정하고, 상기 신체 영역학습 인공지는 엔진은 상기 신체 영역 데이터를 표준화 신체 영역 데이터로 결정할 수 있다.
또한, 상기 증상 데이터는 전처리를 통해 제1 증상 타입, 제2 증상 타입으로 분류되고, 상기 제1 증상 타입은 주관적인 표현에 해당하는 증상이고, 상기 제2 증상 타입은 객관적인 사실에 기초한 증상이고, 상기 증상학습 인공지능엔진은 상기 제1 증상 타입의 학습을 위한 증상학습 인공지능엔진(제1 증상 타입) 및 상기 제2 증상 타입의 학습을 위한 증상학습 인공지능엔진(제2 증상 타입)을 포함할 수 있다.
본 발명에 의하면, 의약품 데이터 및 부작용 데이터의 표준화를 통해 사용자별 의약품 부작용이 보다 정확하게 예측되고 관리될 수 있다.
또한, 본 발명에 의하면, 부작용 데이터에 대한 학습을 기반으로 의약품 부작용이 표준화되고, 표준화된 부작용 데이터를 기초로 의약품 부작용이 보다 정확하게 예측되고 관리될 수 있다.
도 1은 본 발명의 실시예에 따른 의약품 표준화 데이터 구축을 위한 데이터베이스를 나타낸 개념도이다.
도 2는 본 발명의 실시예에 따른 의약품 성분명 표준화 데이터베이스의 구축을 나타낸 개념도이다.
도 3은 본 발명의 실시예에 따른 부작용 표준화 데이터베이스의 구축을 나타낸 개념도이다.
도 4는 본 발명의 실시예에 따른 부작용 표준화 데이터베이스에서 부작용 표준화를 수행하는 방법을 나타낸 개념도이다.
도 5는 본 발명의 실시예에 따른 증상학습 인공지능엔진의 학습 동작을 나타낸 개념도이다.
도 6은 본 발명의 실시예에 따른 신체영역학습 인공지능엔진의 동작을 나타낸 개념도이다.
도 7은 본 발명의 실시예에 따른 의약품 부작용 표준화 동작을 나타낸 개념도이다.
도 8은 본 발명의 실시예에 따른 부작용 데이터의 처리 방법을 나타낸 개념도이다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이러한 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 본 명세서에 기재되어 있는 특정 형상, 구조 및 특성은 본 발명의 정신과 범위를 벗어나지 않으면서 일 실시예로부터 다른 실시예로 변경되어 구현될 수 있다. 또한, 각각의 실시예 내의 개별 구성요소의 위치 또는 배치도 본 발명의 정신과 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 행하여 지는 것이 아니며, 본 발명의 범위는 특허청구범위의 청구항들이 청구하는 범위 및 그와 균등한 모든 범위를 포괄하는 것으로 받아들여져야 한다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 구성요소를 나타낸다.
이하에서는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 여러 바람직한 실시예에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.
도 1은 본 발명의 실시예에 따른 의약품 표준화 데이터 구축을 위한 데이터베이스를 나타낸 개념도이다.
도 1을 참조하면, 의약품 표준화 데이터 구축을 위한 데이터베이스는 의약품 성분명 표준화 데이터베이스(100)와 부작용 표준화 데이터베이스(120)를 포함할 수 있다.
의약품 성분명 표준화 데이터베이스(100)는 의약품 성분명에 대한 표준화를 위한 데이터베이스일 수 있다.
부작용 표준화 데이터베이스(120)는 의약품에 대한 부작용으로서 사용자의 부작용을 표준화하기 위한 데이터베이스일 수 있다.
의약품 성분명 표준화 데이터베이스(100)는 의약품의 성분명, 염(Salt), 투여 경로, 제형, 함량과 같은 속성별로 구축될 수 있다. 의약품의 속성별 코드를 기반으로 총 14자리의 코드가 구성되고, 각 성분별 고유 코드가 부여될 수 있다. 복합제는 모든 성분을 포함한 하나의 대표 성분으로 인식하여 구성될 수 있다.
유효 성분 1개당 함량, 적응증, 투여경로, 복용법 등이 매우 다양하며 이들은 상이한 부작용 발생의 변수이다. 따라서, 성분 1개마다 예상되는 부작용 증상을 매핑하기 위해 의약품 성분명 표준화 데이터베이스(100)는 속성별로 구축될 수 있다.
도 1의 하단과 같이 같은 성분이라도 염(Salt), 함량, 제형 등에 따라 부작용, 효능 효과, 상호 작용이 다르다. 정확한 부작용 예측을 위해 염(Salt), 함량, 제형 등에 따른 세분화된 데이터베이스 구축이 필요하다.
부작용 표준화 데이터베이스(120)는 다양한 사용자의 증상을 표준화하기 위해 구현될 수 있다. 부작용 데이터는 신체 영역 데이터와 증상 데이터를 포함할 수 있다. 사용자마다 본인의 신체 영역, 증상을 표현하는 단어 및 문장이 매우 다양하다. 따라서, 사용자 발화의 키워드(자연어)를 대표 키워드로 매칭하고 학습 데이터를 구축하는 것이 매우 중요하다. 부작용 표준화 데이터베이스(120)는 위와 같은 의약품 부작용에 대한 표준화를 위해 부작용 데이터를 표준화하기 위해 구현될 수 있다.
도 2는 본 발명의 실시예에 따른 의약품 성분명 표준화 데이터베이스의 구축을 나타낸 개념도이다.
도 2에서는 의약품 성분명 표준화 데이터베이스가 개시된다.
도 2를 참조하면, 의약품 성분명 표준화 데이터베이스는 성분명 표준화 데이터베이스이고, 유효 성분 1개마다 부작용 증상을 매핑하기 위해 성분명, 염(salt), 투여 경로, 제형, 함량의 변수별 데이터 구축이 필요하다.
글로벌 헬스케어 시스템과 용이하게 연결될 수 있도록 전세계 표준으로 사용하고 있는 의약품 코드와 연결이 필요하다. WHO ATC, EphMRA 등 글로벌 기준 코드 매핑 뿐 아니라, 각 국가에서 사용하고 있는 코드(예를 들어, 한국의 KD코드, EDI 코드, 주성분 코드)와도 매핑이 필요하다. PubMed의 MeSH 및 EMBASE의 emtree와도 매핑하여 논문 자료 및 ClinicalTrials.gov 등의 임상 시험 정보와도 용이하게 연결될 수 있도록 매핑이 수행될 수 있다.
도 3은 본 발명의 실시예에 따른 부작용 표준화 데이터베이스의 구축을 나타낸 개념도이다.
도 3에서는 부작용 표준화 데이터베이스가 개시된다.
도 3을 참조하면, 부작용은 신체, 증상에 대한 키워드로 이루어져 있으며, 사용자마다 본인의 신체, 증상을 표현하는 단어 및 문장이 매우 다양하다. 다양한 사용자 발화의 키워드(자연어)를 대표 키워드로 매칭하고 학습 데이터를 구축하는 것이 매우 중요하다.
마찬가지로 글로벌 헬스케어 시스템과 용이하게 연결될 수 있도록 전세계 표준으로 사용하고 있는 증상 코드/질병 코드와 연결이 필요하다. MedDRA, WHO-ART, SNOMED-CT, RxNorm, ICD-10 등 글로벌 코드 매핑 뿐 아니라, 각 국가에서 사용하고 있는 코드(예. 한국의 KCD)와도 매핑이 수행될 수 있다. PubMed의 MeSH 및 EMBASE의 emtree와도 매핑하여 논문자료 및 ClinicalTrials.gov 등의 임상시험 정보와도 용이하게 연결될 수 있도록 매핑이 수행될 수 있다.
도 4는 본 발명의 실시예에 따른 부작용 표준화 데이터베이스에서 부작용 표준화를 수행하는 방법을 나타낸 개념도이다.
도 4에서는 부작용 데이터에 대한 전처리를 통해 부작용 표준화 데이터베이스에서 부작용 표준화를 수행하는 방법이 개시된다.
도 4를 참조하면, 부작용 표준화를 위해 의약품 부작용 중 서로 다른 부작용으로 분류될 수 있는 부작용들에 대해 분류 작업이 수행될 수 있다.
부작용 데이터(400)는 신체 영역과 신체 영역에 발생된 증상으로서 하나의 {신체 영역 데이터, 증상 데이터}로서 데이터 세트를 형성할 수 있다.
본 발명의 실시예에 따르면, 증상A, 증상B가 존재하는 경우, 증상A에 대한 신체 영역 분류와 증상B에 대한 신체 영역 분류는 서로 다를 수 있다. 따라서, 증상A에 대한 신체 영역 분류, 증상B에 대한 신체 영역 분류가 서로 다르게 수행될 필요가 있을 수도 있다. 또한, 의약품 별로 증상, 신체 영역에 대한 서로 다른 표준화가 필요할 수도 있다.
본 발명에서는 증상별, 신체 영역별로 표준화를 위한 인공지능엔진이 활용될 수 있다. 복수의 인공지능엔진(증상학습 인공지능엔진(410), 신체영역학습 인공지능엔진(420)) 각각은 사용자로부터 입력되는 부작용 데이터를 토큰화하여 신체 영역 데이터와 증상 데이터를 분류하고, 신체 영역 데이터와 증상 데이터 각각에 대한 표준화를 위한 학습이 수행될 수 있다. 학습 이후, 증상학습 인공지능엔진(410) 및 신체영역학습 인공지능엔진(420) 각각은 부작용 데이터가 입력시 표준화 증상 데이터, 표준화 신체 영역 데이터를 출력할 수 있다.
본 발명의 실시예에 따르면, 신체 영역은 복수의 신체 계층으로 구분될 수 있고, 복수의 신체 계층 중 하나의 신체 계층이 증상과 매핑되어 증상 표준화를 위해 활용될 수 있다. 즉, 부작용 데이터(400)를 기반으로 증상학습 인공지능엔진(410)과 신체영역학습 인공지능엔진(420)은 연동되어 증상 데이터에 맞는 신체 계층이 결정되어 증상별 서로 다른 신체 계층을 기반으로 한 표준화가 수행될 수 있다. 특정 의약품에 대한 부작용 데이터를 기반으로 신체 영역 학습 인공 지능 엔진은 특정 의약품에 대응되는 신체 계층을 결정하고, 이를 기초로 한 표준화된 신체 영역 데이터를 출력할 수 있다.
보다 구체적으로 가장 높은 제1 신체 계층으로는 상반신과 하반신, 그 다음 제2 신체 계층으로는 상반신에 대해서는 머리, 목, 어깨, 가슴, 등, 배, 하반신에 대해서는 엉덩이, 다리, 발 등으로 구분될 수 있다. 제3 신체 계층은 제2 신체 계층에서 분류된 신체에 대해 추가적으로 분류한 것으로서 머리의 경우, 이마, 눈, 코, 귀, 입 등으로 추가적으로 분할될 수 있다. 이러한 방식으로 신체는 n 개의 신체 계층으로 분류될 수 있고, 증상에 따라 증상을 표준화하기 위해 하나의 신체 계층(예를 들어, 제2 신체 계층 또는 제3 신체 계층)이 선택되어 활용될 수 있다. 이러한 신체 계층은 증상에 따른 부작용에 따라 적응적으로 조정될 수 있다.
부작용이 제n 신체 계층에 일어나는 의약품, 부작용이 제n+1 신체 계층에서 일어나는 의약품은 서로 다르게 설정되어 표준화된 신체 영역 데이터가 출력될 수 있다.
신체 계층을 결정하기 위해 신체영역학습 인공지능엔진(410)은 신체와 관련된 용어(머리, 헤드, head, 이마, 두통, 복통 등)을 신체 계층 정보를 추가하여 학습할 수 있다. 예를 들어, 머리의 경우 {제1 계층: 상반신, 제2 계층: 머리}와 같이 해당 단어에 대응되는 신체 계층이 존재하고, 단어와 신체 계층 정보가 함께 입력되어 학습이 수행될 수 있다. 신체 계층은 사용자가 입력하는 단어에 따라 적응적으로 변화될 수도 있고, 이러한 계속적인 변화를 신체영역학습 인공지능엔진(410)은 반영하여 학습할 수 있다.
단어가 표준화된 단어가 아닌 경우(예를 들어, 머리통), 비표준화된 단어와 매칭되는 표준화된 단어(예를 들어, 머리)와 함께 입력하여 사용자가 비표준화된 단어를 입력하더라도 표준화된 단어로 변경 가능하고, 표준화된 단어의 계층에 대한 확인이 가능하도록 신체영역학습 인공지능엔진(420)의 학습이 수행될 수 있다.
이러한 방식으로 신체영역학습 인공지능엔진(420)에 특정 단어가 입력되는 경우, 표준화된 신체 영역 데이터 및 표준화된 신체 영역 데이터에 대응되는 신체 계층 정보가 출력될 수 있다. 표준화 수행시 증상 데이터를 고려하여 증상 데이터에 맞는 신체 레벨에 대응되는 표준화 신체 영역 데이터가 생성될 수 있다.
증상학습 인공지능엔진(410)은 증상에 대한 정보를 학습하기 위해 구현될 수 있다. 증상학습 인공지능엔진의 동작은 도 5에서 후술한다.
도 5는 본 발명의 실시예에 따른 증상학습 인공지능엔진의 학습 동작을 나타낸 개념도이다.
도 5에서는 증상학습 인공지능엔진의 학습 동작이 개시된다.
도 5를 참조하면, 증상학습 인공지능엔진은 증상 타입을 구분하여 제1 증상 타입 또는 제2 증상 타입을 기반으로 증상에 대한 학습을 수행할 수 있다.
증상 데이터는 전처리를 통해 제1 증상 타입, 제2 증상 타입으로 분류되고, 제1 증상 타입의 학습을 위한 증상학습 인공지능엔진(제1 증상 타입)(510), 제2 증상 타입의 학습을 위한 증상학습 인공지능엔진(제2 증상 타입)(520) 각각을 기반으로 한 학습이 수행될 수 있다.
증상은 주관적인 표현에 해당하는 제1 증상 타입과 객관적인 사실에 기초한 제2 증상 타입으로 구분될 수 있다. 제1 증상 타입은 통증, 가려움, 이물감, 작열감 등과 같이 사용자가 주관적으로 느끼는 증상을 포함할 수 있다. 제2 증상 타입은 발진, 수포, 열, 두드러기 등과 같은 객관적으로 확인할 수 있는 증상을 포함할 수 있다.
제1 증상 타입은 주관적인 느낌에 해당할 수가 있다. 따라서, 제1 증상 타입 간에 증상 유사도를 고려한 학습이 수행될 수 있다. 예를 들어, 통증, 작열감 간의 증상 유사도가 존재할 수 있고, 사용자들에 입력되는 부작용 데이터를 고려하여 사용자가 입력한 증상에 대한 보다 정확한 표준화가 수행될 수 있다.
증상 데이터 중 '쓰라린다'의 경우, 통증, 작열감에 모두 해당할 수 있는 단어일 수 있고, 이러한 단어는 초기에는 복수의 제1 증상 타입(통증, 작열감)으로 설정되나, 다른 사용자들의 해당 의약품에 따른 부작용의 빈도를 고려하여 복수의 제1 증상 타입 중 하나의 증상(작열감)으로 통합되거나 계속적으로 복수의 증상에 대응되도록 설정될 수 있다.
예를 들어, 의약품A에 대하여 통증에 대응되는 다른 단어(예를 들어, 아프다), 작열감에 대응되는 단어(예를 들어, 화끈거린다)가 모두 제1 임계 퍼센트 이상 계속적으로 입력되는 경우가 가정될 수 있다. 이후, 의약품A에 대하여 통증, 작열감에 모두 해당할 수 있는 '쓰라림'이 입력되는 경우, 제1 증상 타입(통증, 작열감)으로 표준화될 수 있다.
반대로, 의약품B에 대하여 통증에 대응되는 다른 단어(예를 들어, 아프다)가 제1 임계 퍼센트 이상로 입력되고, 작열감에 대응되는 단어(예를 들어, 화끈거린다)가 제2 임계 퍼센트 이하로 입력되는 경우가 가정될 수 있다. 이후, 의약품B에 대하여 통증, 작열감에 모두 해당할 수 있는 쓰라림이 입력되는 경우, 제1 증상 타입(통증)으로 통합되어 표준화될 수 있다.
증상 통합 여부를 결정하기 위한 제1 임계 퍼센트 및 제2 임계 퍼센트를 결정하기 위해 기초가 되는 전체 부작용 케이스 수는 의약품 사용 빈도, 부작용을 입력한 사용자가 의사, 약사와 같은 별도의 라이센스를 가진 인력인지 여부를 고려하여 서로 다르게 설정될 수 있다.
위와 같은 방식으로 특정 증상으로 분류하기 어려워서 복수의 제1 증상 타입에 대응되는 증상 표현 단어인 복수 증상 단어는 초기에는 복수의 제1 증상 타입으로 표준화될 수 있다. 추후에 의약품별 부작용 데이터의 누적에 따라 복수 증상 단어를 유지하거나, 하나의 제1 증상 타입에 대응되는 단일 증상 단어로 적응적으로 변화될 수 있다.
제1 임계 퍼센트와 제2 임계 퍼센트는 해당 의약품의 부작용 케이스 수에 따라 조정될 수 있다. 예를 들어, 부작용으로 입력된 케이스의 개수가 상대적으로 많을수록 부작용이 제1 임계 퍼센트는 상대적으로 높아지고, 제2 임계 퍼센트는 상대적으로 낮아지도록 설정되어 보다 정확한 기준으로 의약품별 증상으로 입력되는 복수 증상 단어가 복수 증상 단어로 유지되거나 단일 증상 단어로 변화될 수 있다.
즉, 본 발명의 증상학습 인공지능엔진(510, 520)은 증상 타입(제1 증상 타입 및 제2 증상 타입)별로 의약품 정보별로 서로 다른 증상 표준화가 가능하도록 학습을 수행하고, 학습된 증상학습 인공지능엔진(510, 520)은 입력되는 부작용 데이터에서 증상 타입을 분류하고, 의약품에 대한 정보를 고려하여 표준화된 증상 단어를 추출할 수 있다.
도 6은 본 발명의 실시예에 따른 신체영역학습 인공지능엔진의 동작을 나타낸 개념도이다.
도 6에서는 신체영역학습 인공지능엔진에 대한 학습을 위한 신체 계층 설정 방법이 개시된다.
도 6을 참조하면, 신체영역학습 인공지능엔진(600)의 학습을 위해 1차적으로 디폴트 신체 계층이 설정될 수 있다.
전술한 바와 같이 가장 높은 제1 신체 계층(610)으로는 상반신과 하반신, 그 다음 제2 신체 계층(620)으로는 상반신에 대해서는 머리, 목, 어깨, 가슴, 등, 배, 하반신에 대해서는 엉덩이, 다리, 발 등으로 구분될 수 있다. 제3 신체 계층(630)은 제2 신체 계층(620)에서 분류된 신체에 대해 추가적으로 분류한 것으로서 머리의 경우, 이마, 눈, 코, 귀, 입 등으로 추가적으로 분할될 수 있다. 이러한 방식으로 신체는 n 개의 신체 계층으로 분류될 수 있고, 증상에 따라 증상을 표준화하기 위해 하나의 계층(예를 들어, 제2 신체 계층(620) 또는 제3 신체 계층(630))이 선택되어 활용될 수 있다. 신체 계층은 증상에 따른 부작용에 따라 적응적으로 조정될 수 있다.
예를 들어, 의약품은 부작용이 발생되는 신체 정보를 고려하여 그룹핑되고, 의약품 그룹을 기준으로 디폴트 신체 계층을 적응적으로 변화시킨 서로 다른 신체 계층이 설정될 수 있다.
의약품 그룹은 부작용이 발생되는 신체 계층에 따라서 구분될 수 있다. 만약, 입력된 부작용 데이터를 기반으로 의약품A에 대하여 부작용이 제3 신체 계층(630)까지의 신체 영역에 발생된다면, 의약품 A는 의약품 그룹(제3 신체 계층)으로 그룹핑될 수 있다. 입력된 부작용 데이터를 기반으로 의약품B에 대하여 부작용이 제2 신체 계층(620)까지의 신체 영역에 발생다면, 의약품 B는 의약품 그룹(제2 신체 계층)로 그룹핑될 수 있다.
신체 계층은 신체영역학습 인공지능엔진으로 입력되는 의약품별 부작용 데이터에 따라 변화될 수 있다. 의약품 그룹(제2 신체 계층)에 포함되는 의약품B의 제3 신체 계층(630)에 대응되는 신체에 대응되는 증상이 임계 증상 비율 이상 입력되는 경우가 가정될 수 있다. 이러한 경우 의약품B는 의약품 그룹(제2 신체 계층)에서 의약품 그룹(제3 신체 계층)으로 전환되어 제3 신체 계층(630)에 대응되는 부작용에 대한 예측이 수행될 수 있다.
또한, 본 발명의 실시예에 따르면, 부작용의 발생되는 영역에 따라 특정 신체 계층에 대응되는 특정 신체의 하위 계층으로만 신체 계층이 부분 확장이 될 수도 있다. 예를 들어, 제2 신체 계층(620)의 얼굴에서만 증상이 발생되는 경우, 제2 신체 계층(620)의 얼굴에 대한 하위 제3 신체 계층(630)인 눈, 코, 입으로만 부분 확장되어 의약품 그룹이 설정될 수도 있다.
이뿐만 아니라, 의약품의 부작용이 상대적으로 많이 발생하는 신체 영역일수록 보다 구체적인 동일 계층 내에서 보다 구체적인 신체 영역 세분화를 통해 보다 정확하게 표준화 신체 영역 데이터가 형성되도록 할 수 있다.
부작용 데이터가 임계 데이터 개수 이상 쌓이지 않은 의약품의 경우, 가장 유사한 성분의 의약품 데이터의 의약품 그룹에 대응되는 신체 계층이 디폴트 신체 계층으로 설정되어 초기에 설정될 수도 있다.
즉, 신체영역학습 인공지능엔진은 의약품 정보 및 의약품이 포함되는 의약품 그룹에 대응되는 계층을 고려하여 신체 레벨을 결정하고, 신체 레벨에 다른 표준화된 신체 단어를 출력할 수 있다.
도 7은 본 발명의 실시예에 따른 의약품 부작용 표준화 동작을 나타낸 개념도이다.
도 7에서는 신체영역학습 인공지능엔진과 증상학습 인공지능엔진의 부작용 데이터에 대한 표준화된 결과를 출력하는 방법이 개시된다.
도 7을 참조하면, 신체영역학습 인공지능엔진과 증상학습 인공지능엔진으로 복용한 의약품 데이터(700), 부작용 데이터(710)가 입력될 수 있다. 부작용 데이터(710)는 텍스트로서 "머리가 아프다", "팔, 다리에 발진이 발생되었다"와 같은 증상, 증상이 발생한 신체 정보를 포함하는 문장 정보일 수 있다.
부작용 데이터(710)는 토큰화되어 신체 영역 데이터와 증상 데이터로 분류되고, 분류된 신체 영역 데이터 및 증상 데이터 각각은 신체영역학습 인공지능엔진(760) 및 증상학습 인공지능엔진(750)으로 입력되어 표준화 신체 영역 데이터, 표준화 증상 데이터로서 출력될 수 있다.
증상학습 인공지능엔진(750)은 의약품 데이터와 부작용 데이터를 기반으로 표준화된 증상 정보(두통, 발진)을 출력하고, 신체영역학습 인공지능엔진(760)은 의약품 데이터와 부작용 데이터를 기반으로 표준화된 신체 정보(머리, 팔, 다리)를 출력할 수 있다.
이러한 의약품에 대한 부작용 데이터는 증상 표준화 데이터베이스로 입력되고, 추후 발생될 수 있는 의약품에 대한 부작용 데이터를 예측하여 제공하기 위한 기초 정보로서 활용될 수 있다.
도 8은 본 발명의 실시예에 따른 부작용 데이터의 처리 방법을 나타낸 개념도이다.
도 8에서는 부작용 데이터를 보다 정확하게 처리하기 위한 방법이 개시된다.
도 8을 참조하면, 의약품 그룹(제n 신체 계층)을 결정하거나, 복수 증상 단어를 복수 증상 단어로 유지하거나 단일 증상 단어로 변화시키기 위해서는 부작용 데이터의 시간을 고려한 처리가 필요하다.
의약품을 복용을 수행하는 전체 인원을 고려하여 부작용 데이터를 판단하기 위한 부작용 데이터 판단 주기(800)가 결정될 수 있다. 의약품을 복용을 수행하는 전체 인원의 수가 상대적으로 적을수록 부작용 데이터 판단 주기(800)가 짧아질 수 있고, 반대로, 의약품을 복용을 수행하는 전체 인원의 수가 상대적으로 적을수록 부작용 데이터 판단 주기(800)가 길어질 수 있다.
또한, 부작용 데이터 판단 주기(800)는 전체 누적된 부작용 데이터의 양을 고려하여 변화될 수 있다. 의약품B의 출시일이 의약품A보다 오래되어 누적된 부작용 데이터의 양이 상대적으로 많은 경우, 의약품B의 부작용 데이터 판단 주기(800)는 의약품A의 부작용 데이터 판단 주기(800)보다 상대적으로 길어질 수 있다.
위와 같은 방식으로 부작용 데이터 판단 주기(800)가 길어져서 임계 판단 주기 이상이 되는 경우, 해당 의약품에 대한 부작용에 대한 판단은 대략적으로 판단된 것으로 결정되어 기준 의약품(820)으로 변경될 수 있다. 기준 의약품(820)은 추후 다른 의약품의 초기 부작용 데이터 판단 주기를 결정하기 위해 활용될 수 있다. 기준 의약품으로 설정된 경우, 기준 의약품(820)의 의약품 그룹(제n 신체 계층)을 결정하거나, 기준 의약품(820)의 복수 증상 단어를 복수 증상 단어로 유지하거나 단일 증상 단어로 변화시킬지 여부를 결정하기 위한 제1 임계 퍼센트, 임계 증상 비율을 상대적으로 높게 설정할 수 있다.
또한, 본 발명의 실시예에 따르면, 판단 대상 의약품의 초기 부작용 데이터 판단 주기는 의약품의 성분 유사도를 고려하여 설정될 수 있다. 판단 대상 의약품과 가장 높은 유사도를 가지는 기준 의약품(820)을 찾고, 의약품 유사도값(0~1)을 고려하여 초기 부작용 데이터 판단 주기가 결정될 수 있다. 유사도는 판단 대상 의약품과 기준 의약품(820)의 성분명, 염(Salt), 투여경로, 제형, 함량의 변수 등을 고려하여 결정될 수 있다. 의약품 유사도가 상대적으로 높을수록 초기 부작용 데이터 판단 주기는 상대적으로 길게 설정될 수 있다.
부작용 데이터 판단 주기 내에서 발생하는 복수의 부작용 데이터는 의약품 그룹(제n 신체 계층)을 결정하거나, 복수 증상 단어를 복수 증상 단어로 유지하거나 단일 증상 단어로 변화시킬지 여부를 결정하기 위한 하나의 부작용 데이터 세트로 결정될 수 있다.
의약품 그룹(제n 신체 계층)을 결정하거나, 복수 증상 단어를 복수 증상 단어로 유지하거나 단일 증상 단어로 변화시키는 부작용 데이터는 타겟 부작용 데이터라는 용어로 표현될 수 있다.
타겟 부작용 데이터를 결정하기 위해 부작용 데이터 세트 내에서 포함되는 복수의 부작용 데이터에 대한 1차 필터링이 수행될 수 있다. 1차 필터링은 신체에 대한 정보만 입력되어 있거나, 증상에 대한 정보만 입력되어서 {신체 영역 데이터, 증상 데이터}로서 데이터 세트가 형성되지 않는 데이터를 필터링하는 절차일 수 있다.
2차 필터링은 임계 횟수 이상으로 발생한 증상 데이터, 신체 데이터만을 필터링하기 위한 것으로서 노이즈를 제거하는 단계일 수 있다. 증상별로 노이즈를 제거하기 위한 임계 횟수는 서로 다르게 설정될 수 있다. 부작용 중 심각성이 높은 부작용일수록 임계 횟수는 낮게 설정되어 이러한 부작용에 대한 고려가 이루어질 수 있도록 설정될 수 있다.
3차 필터링은 타겟 부작용 데이터로서 활용된 데이터를 필터링하는 절차일 수 있다.
4차 필터링은 이전 부작용 데이터 판단 주기에서 설정된 부작용 데이터 중 타겟 부작용 데이터로서 활용되지 못한 부작용 데이터를 추출하기 위해 수행될 수 있다. 후보 타겟 부작용 데이터는 이전 부작용 데이터 판단 주기에서도 발생되었으나, 후보 타겟 부작용 데이터로서 활용되지 못한 부작용 데이터이다. 후보 후보 부작용 데이터는 이후 부작용 데이터 판단 주기에서 발생된 동일한 후보 타겟 부작용 데이터와 합쳐져서 타겟 부작용 데이터로서 동작할지 여부가 결정될 수 있다.
후보 타겟 부작용 데이터는 이전 부작용 데이터 판단 주기별 가중치를 현재 부작용 데이터 판단 주기를 기준으로 가까울수록 높게 설정하여 이전 부작용 데이터 판단 주기의 후보 타겟 부작용 데이터에 가중치를 할당한 후, 현재 부작용 데이터 판단 주기의 후보 타겟 부작용 데이터와 종합하여 타겟 부작용 데이터로서 동작할지 여부가 결정될 수 있다. 이러한 방법으로 이전 부작용 데이터 판단 주기에서 계속적으로 발생된 부작용 데이터의 개수가 적더라도 계속적으로 발생되는 부작용 데이터인 경우, 현재에 반영되어 타겟 부작용 데이터로서 활용되게 할 수 있다.
또한, 기준 의약품의 의약품 그룹(제n 신체 계층)을 결정하거나, 기준 의약품의 복수 증상 단어를 복수 증상 단어로 유지하거나 단일 증상 단어로 변화시킬지 여부를 결정하기 위한 제1 임계 퍼센트, 임계 증상 비율은 부작용 데이터 판단 주기가 계속적으로 누적됨에 따라 상대적으로 높게 설정되어 부작용이 지속적으로 발생되되, 유의미한 비율로 발생되었을 경우에만 타겟 부작용 데이터로서 동작하도록 설정할 수 있다.
이상 설명된 본 발명에 따른 실시예는 다양한 컴퓨터 구성요소를 통하여 실행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 판독 가능한 기록 매체의 예에는, 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 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위하여 하나 이상의 소프트웨어 모듈로 변경될 수 있으며, 그 역도 마찬가지이다.
이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항과 한정된 실시예 및 도면에 의하여 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위하여 제공된 것일 뿐, 본 발명이 상기 실시예에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정과 변경을 꾀할 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.

Claims (6)

  1. 의약품 표준화 데이터 구축 방법은,
    의약품 성분명 표준화 데이터베이스가 표준화 의약품 성분명을 결정하는 단계; 및
    부작용 표준화 데이터베이스가 부작용 데이터를 기반으로 표준화 부작용 데이터를 결정하는 단계를 포함하되,
    상기 부작용 표준화 데이터베이스는 증상학습 인공지능엔진 및 신체영역학습 인공지능엔진을 포함하고,
    상기 부작용 데이터는 신체 영역 데이터 및 증상 데이터를 포함하고,
    상기 증상학습 인공지능엔진은 상기 증상 데이터를 표준화 증상 데이터로 결정하고,
    상기 신체영역학습 인공지능엔진은 상기 신체 영역 데이터를 표준화 신체 영역 데이터로 결정하고,
    상기 증상 데이터는 전처리를 통해 제1 증상 타입, 제2 증상 타입으로 분류되고,
    상기 제1 증상 타입은 주관적인 표현에 해당하는 증상이고,
    상기 제2 증상 타입은 객관적인 사실에 기초한 증상이고,
    상기 증상학습 인공지능엔진은 상기 제1 증상 타입의 학습을 위한 증상학습 인공지능엔진(제1 증상 타입) 및 상기 제2 증상 타입의 학습을 위한 증상학습 인공지능엔진(제2 증상 타입)을 포함하는 것을 특징으로 하는 의약품 표준화 데이터 구축 방법.
  2. 제1항에 있어서,
    상기 신체영역학습 인공지능엔진은 신체 계층을 고려한 학습을 수행하고,
    상기 신체 계층은 상기 신체영역학습 인공지능엔진으로 입력되는 의약품별 부작용 데이터에 따라 변화되고,
    상기 신체 계층은 의약품 그룹을 기준으로 상기 의약품 그룹별로 디폴트 신체 계층을 적응적으로 변화시켜 설정되고,
    상기 의약품 그룹은 의약품별 부작용이 발생되는 신체 정보를 고려하여 의약품을 그룹핑하여 결정되는 것을 특징으로 하는 의약품 표준화 데이터 구축 방법.
  3. 제2항에 있어서,
    상기 증상학습 인공지능엔진(제1 증상 타입)은 제1 증상 타입 간에 증상 유사도를 고려한 학습을 수행하고,
    상기 증상학습 인공지능엔진(제1 증상 타입)은 의약품별 복수의 증상의 증상 통합 여부를 복수의 증상 각각의 입력이 발생하는 임계 퍼센트를 고려하여 결정하고,
    상기 임계 퍼센트는 의약품별 부작용 케이스의 수를 고려하여 설정되는 것을 특징으로 하는 의약품 표준화 데이터 구축 방법.
  4. 의약품 표준화 데이터 구축을 위한 데이터베이스는,
    표준화 의약품 성분명을 결정하기 위한 의약품 성분명 표준화 데이터베이스; 및
    부작용 데이터를 기반으로 표준화 부작용 데이터를 결정하기 위해 구현된 부작용 표준화 데이터베이스를 포함하되,
    상기 부작용 표준화 데이터베이스는 증상학습 인공지능엔진 및 신체영역학습 인공지능엔진을 포함하고,
    상기 부작용 데이터는 신체 영역 데이터 및 증상 데이터를 포함하고,
    상기 증상학습 인공지능엔진은 상기 증상 데이터를 표준화 증상 데이터로 결정하고,
    상기 신체영역학습 인공지능엔진은 상기 신체 영역 데이터를 표준화 신체 영역 데이터로 결정하고,
    상기 증상 데이터는 전처리를 통해 제1 증상 타입, 제2 증상 타입으로 분류되고,
    상기 제1 증상 타입은 주관적인 표현에 해당하는 증상이고,
    상기 제2 증상 타입은 객관적인 사실에 기초한 증상이고,
    상기 증상학습 인공지능엔진은 상기 제1 증상 타입의 학습을 위한 증상학습 인공지능엔진(제1 증상 타입) 및 상기 제2 증상 타입의 학습을 위한 증상학습 인공지능엔진(제2 증상 타입)을 포함하는 것을 특징으로 하는 의약품 표준화 데이터 구축을 위한 데이터베이스.
  5. 제4항에 있어서,
    상기 신체영역학습 인공지능엔진은 신체 계층을 고려한 학습을 수행하고,
    상기 신체 계층은 상기 신체영역학습 인공지능엔진으로 입력되는 의약품별 부작용 데이터에 따라 변화되고,
    상기 신체 계층은 의약품 그룹을 기준으로 상기 의약품 그룹별로 디폴트 신체 계층을 적응적으로 변화시켜 설정되고,
    상기 의약품 그룹은 의약품별 부작용이 발생되는 신체 정보를 고려하여 의약품을 그룹핑하여 결정되는 것을 특징으로 하는 의약품 표준화 데이터 구축을 위한 데이터베이스.
  6. 제5항에 있어서,
    상기 증상학습 인공지능엔진(제1 증상 타입)은 제1 증상 타입 간에 증상 유사도를 고려한 학습을 수행하고,
    상기 증상학습 인공지능엔진(제1 증상 타입)은 의약품별 복수의 증상의 증상 통합 여부를 복수의 증상 각각의 입력이 발생하는 임계 퍼센트를 고려하여 결정하고,
    상기 임계 퍼센트는 의약품별 부작용 케이스의 수를 고려하여 설정되는 것을 특징으로 하는 의약품 표준화 데이터 구축을 위한 데이터베이스.
KR1020220066858A 2022-05-31 2022-05-31 의약품 표준화 데이터 구축 방법 및 이러한 방법을 수행하는 장치 KR102464996B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220066858A KR102464996B1 (ko) 2022-05-31 2022-05-31 의약품 표준화 데이터 구축 방법 및 이러한 방법을 수행하는 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220066858A KR102464996B1 (ko) 2022-05-31 2022-05-31 의약품 표준화 데이터 구축 방법 및 이러한 방법을 수행하는 장치

Publications (1)

Publication Number Publication Date
KR102464996B1 true KR102464996B1 (ko) 2022-11-09

Family

ID=84040336

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220066858A KR102464996B1 (ko) 2022-05-31 2022-05-31 의약품 표준화 데이터 구축 방법 및 이러한 방법을 수행하는 장치

Country Status (1)

Country Link
KR (1) KR102464996B1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200023689A (ko) * 2018-08-20 2020-03-06 아주대학교산학협력단 인공지능 기반의 약물유해반응 탐지 방법 및 그 시스템
KR102320066B1 (ko) * 2021-04-21 2021-11-02 (주)미라벨소프트 전자처방전 기반 환자 맞춤형 처방 및 이상반응 관리 서비스
KR102339561B1 (ko) * 2021-06-16 2021-12-16 닥터노아바이오텍 주식회사 약물들 간 상호작용을 분석하기 위한 방법 및 장치

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200023689A (ko) * 2018-08-20 2020-03-06 아주대학교산학협력단 인공지능 기반의 약물유해반응 탐지 방법 및 그 시스템
KR102320066B1 (ko) * 2021-04-21 2021-11-02 (주)미라벨소프트 전자처방전 기반 환자 맞춤형 처방 및 이상반응 관리 서비스
KR102339561B1 (ko) * 2021-06-16 2021-12-16 닥터노아바이오텍 주식회사 약물들 간 상호작용을 분석하기 위한 방법 및 장치

Similar Documents

Publication Publication Date Title
Powell et al. Association of neighborhood-level disadvantage with Alzheimer disease neuropathology
Sartorius et al. An international study of psychological problems in primary care: preliminary report from the World Health Organization Collaborative Project on'Psychological Problems in General Health Care'
Crowson et al. A systematic review of diuretics in the medical management of Ménière’s disease
JP6066826B2 (ja) 分析システム及び保健事業支援方法
Wells et al. Functioning and utility for current health of patients with depression or chronic medical conditions in managed, primary care practices
Grenklo et al. Self-injury in teenagers who lost a parent to cancer: a nationwide, population-based, long-term follow-up
Elderkin-Thompson et al. Neuropsychological deficits among patients with late-onset minor and major depression
Judd et al. The long-term natural history of the weekly symptomatic status of bipolar I disorder
Reiss et al. Genetic questions for environmental studies: Differential parenting and psychopathology in adolescence
Ray et al. Risk of chronic arthropathy among women after rubella vaccination
US20200315518A1 (en) Apparatus for processing data for predicting dementia through machine learning, method thereof, and recording medium storing the same
Simon et al. Episodes of breathlessness: types and patterns–a qualitative study exploring experiences of patients with advanced diseases
JP5977898B1 (ja) 行動予測装置、行動予測装置の制御方法、および行動予測装置の制御プログラム
KR101923654B1 (ko) 질환 발병 확률 예측 모델 학습 방법 및 장치
JP7299427B2 (ja) 機械学習に基づいて心理指標データ及び身体指標データを学習することにより、精神健康を予測し、精神健康ソリューションを提供する方法及びそれを用いた精神健康評価装置
CN109785975A (zh) 辅助用户自主购药的方法、装置、设备及存储介质
Jeon et al. Exploring new digital therapeutics technologies for psychiatric disorders using BERTopic and PatentSBERTa
KR102456208B1 (ko) 의약품 부작용 예측을 기반으로 한 의약품 부작용 관리 시스템 제공 방법 및 이러한 방법을 수행하는 장치
Bruce et al. The Arthritis, Rheumatism and Aging Medical Information System (ARAMIS)-Still young at 30 years
KR102464996B1 (ko) 의약품 표준화 데이터 구축 방법 및 이러한 방법을 수행하는 장치
JP7365747B1 (ja) 階層図ニューラルネットワークに基づく疾患診療過程異常識別システム
Sethuraman et al. A semantic web services for medical analysis in health care domain
KR102456205B1 (ko) 의약품 부작용 예측 방법 및 이러한 방법을 수행하는 장치
Farrugia et al. The oculobulbar facial respiratory score is a tool to assess bulbar function in myasthenia gravis patients
Umar et al. Detection and diagnosis of psychological disorders through decision rule set formation

Legal Events

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