KR102510347B1 - A method for predicting the prognosis of type 2 diabetes after gastric cancer surgery - Google Patents

A method for predicting the prognosis of type 2 diabetes after gastric cancer surgery Download PDF

Info

Publication number
KR102510347B1
KR102510347B1 KR1020210018747A KR20210018747A KR102510347B1 KR 102510347 B1 KR102510347 B1 KR 102510347B1 KR 1020210018747 A KR1020210018747 A KR 1020210018747A KR 20210018747 A KR20210018747 A KR 20210018747A KR 102510347 B1 KR102510347 B1 KR 102510347B1
Authority
KR
South Korea
Prior art keywords
diabetes
gastric cancer
prognosis
type
cancer surgery
Prior art date
Application number
KR1020210018747A
Other languages
Korean (ko)
Other versions
KR20220115723A (en
Inventor
권영근
박성수
권진원
Original Assignee
고려대학교 산학협력단
경북대학교 산학협력단
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 고려대학교 산학협력단, 경북대학교 산학협력단 filed Critical 고려대학교 산학협력단
Priority to KR1020210018747A priority Critical patent/KR102510347B1/en
Priority to PCT/KR2022/001945 priority patent/WO2022173201A2/en
Publication of KR20220115723A publication Critical patent/KR20220115723A/en
Application granted granted Critical
Publication of KR102510347B1 publication Critical patent/KR102510347B1/en

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/021—Measuring pressure in heart or blood vessels
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
    • A61B5/4064—Evaluating the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
    • 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
    • A61B5/4869—Determining body composition
    • 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
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Databases & Information Systems (AREA)
  • Neurology (AREA)
  • Physiology (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Cardiology (AREA)
  • Psychology (AREA)
  • Neurosurgery (AREA)
  • Optics & Photonics (AREA)
  • Computing Systems (AREA)
  • Vascular Medicine (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Emergency Medicine (AREA)
  • Developmental Disabilities (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychiatry (AREA)
  • Child & Adolescent Psychology (AREA)

Abstract

본 발명은 위암 수술 이후 제2형 당뇨병 예후의 예측 방법을 공개한다. 이 방법은 (a) 대상 분류부가 대상 환자군에 대하여 위암 수술을 받은 기간에 따라 기본 집단과 검증 집단으로 분류하는 단계; (b) 변수 선별부가 상기 분류된 대상 환자군의 위암 수술 후 일정기간 당뇨병 예후를 예측하기 위한 수술 전 변수를 선별하는 단계; (c) 점수 산출부가 상기 선별된 수술 전 변수를 인가받아 각 변수의 기준 값에 따라 당뇨병의 진행 증상을 평가하는 당뇨병 예측 점수를 산출하는 단계; 및 (d) 예측 능력 검증부가 상기 산출된 당뇨병 예측 점수를 인가받아 상기 기본 집단 및 상기 검증 집단에 대하여 수신자 조작 특성 곡선 아래 면적을 계산하여 점수 체계의 유용성을 검증하는 단계; 를 포함하는 것을 특징으로 한다. 본 발명에 의할 경우, 위암 수술 이후 발생할 수 있는 제2형 당뇨병의 다양한 진행과정을 효과적으로 예측할 수 있어, 수술 이후 혈당 관리의 적절성이 현저하게 향상되고, 수술 이후 당뇨병 약물 치료의 반복 처방으로 인한 부작용을 예방할 수 있다.The present invention discloses a method for predicting the prognosis of type 2 diabetes after gastric cancer surgery. This method includes: (a) classifying a target patient group into a basic group and a verification group according to the period during which the target patient group underwent gastric cancer surgery; (b) selecting, by a variable selector, preoperative variables for predicting a diabetes prognosis for a certain period after gastric cancer surgery in the classified target patient group; (c) calculating a diabetes prediction score for evaluating progressing symptoms of diabetes according to a reference value of each variable by receiving the selected preoperative variable by a score calculation unit; And (d) verifying the usefulness of the scoring system by a predictive capability verification unit receiving the calculated diabetes prediction score and calculating the area under the receiver operating characteristic curve for the basic group and the verification group; It is characterized in that it includes. According to the present invention, various processes of type 2 diabetes that may occur after gastric cancer surgery can be effectively predicted, so that the appropriateness of blood sugar management after surgery is significantly improved, and side effects due to repeated prescription of diabetes drug treatment after surgery can be effectively predicted. can prevent

Description

위암 수술 이후 제2형 당뇨병 예후의 예측 방법{A method for predicting the prognosis of type 2 diabetes after gastric cancer surgery}{A method for predicting the prognosis of type 2 diabetes after gastric cancer surgery}

본 발명은 당뇨병 예후의 예측 방법에 관한 것으로서, 보다 상세하게는 위암 수술 전 제2형 당뇨병 병력이 있었던 환자군에 대하여, 수술 전 각종 임상 지표 및 다양한 기계 학습 기법과의 비교를 이용해 당뇨병 예측 점수를 산출 및 검증하여 정확한 예측 데이터를 제공하는 위암 수술 이후 제2형 당뇨병 예후의 예측 방법에 관한 것이다.The present invention relates to a method for predicting diabetes prognosis, and more particularly, for a patient group with a history of type 2 diabetes before gastric cancer surgery, a diabetes prediction score is calculated by comparing various preoperative clinical indicators and various machine learning techniques. and a method for predicting the prognosis of type 2 diabetes after gastric cancer surgery that verifies and provides accurate predictive data.

암을 비롯한 심장병이나 만성 폐 질환, 신장 질환, 당뇨병, 고혈압, 관절염 등은 한순간에 생기는 것이 아니라 오랜 기간에 걸쳐서 만성 퇴행성으로 진행되기 때문에 만성질환이라고 한다. Heart disease, chronic lung disease, kidney disease, diabetes, high blood pressure, arthritis, etc., including cancer, are called chronic diseases because they do not occur in an instant but progress chronically degeneratively over a long period of time.

이런 질병들은 생활습관이 잘못되어서 생기는 질병으로 일명 '생활습관병'이라 부른다. These diseases are caused by poor lifestyle habits and are called 'lifestyle diseases'.

생활습관병은 질병의 발생과 진행에 식습관, 운동습관, 휴양, 흡연, 음주 등의 생활 습관이 미치는 영향을 받는 질환군을 말한다. Lifestyle-related diseases refer to a group of diseases affected by lifestyle habits such as eating habits, exercise habits, recreation, smoking, and drinking.

특히, 최근에 서구적인 식습관으로 인해 고혈압, 당뇨 등의 만성 질환자와 비만인이 증가하고 있으며, 고령화 사회로 인해 발생하는 노인의 건강문제, 복잡한 사회 현상으로 인한 스트레스 등이 사회적, 경제적인 문제로 대두되고 있다.In particular, the number of obese people and chronic diseases such as hypertension and diabetes are increasing due to Western eating habits, and health problems of the elderly caused by an aging society and stress due to complex social phenomena are emerging as social and economic problems. there is.

부적절한 생활 습관이 개선되지 않아 사람들의 삶에 대한 만족도는 감소하고 있으며, 불필요한 병원의 내원과 의사 및 건강관리사와 단순히 기억에 의존한 진료 대면을 통해 부정확한 처방과 검사로 인해 과도한 의료비가 지출되고 있다.Satisfaction with people's lives is declining because inappropriate lifestyle habits are not improved, and excessive medical expenses are being spent due to inaccurate prescriptions and examinations through unnecessary visits to hospitals and face-to-face visits to doctors and health managers simply relying on memory. .

상기 만성질환 중에서 최근 신체에 해로운 인스턴트 음식 또는 패스트 푸드의 섭취 증가, 활동량 부족, 과도한 업무 등으로 인해, 고혈압, 허혈성 심장 질환, 관상 동맥 질환, 동맥 경화증 등의 심혈관 질환에 대한 발병이 급증하고 있다.Among the chronic diseases, the incidence of cardiovascular diseases such as high blood pressure, ischemic heart disease, coronary artery disease, and arteriosclerosis is rapidly increasing due to increased consumption of instant food or fast food harmful to the body, lack of activity, and excessive work.

이에 따라, 심혈관 질환을 예방하고, 관리하기 위해 질환 위험도 평가를 사용한다. Accordingly, disease risk assessment is used to prevent and manage cardiovascular disease.

질환 위험도 평가에는 다양한 임상적 의사 결정 도구가 활용되고 있다. A variety of clinical decision-making tools are used for disease risk assessment.

예를 들어, Framingham risk score가 사용되는데, 여러 가지 심혈관 질환의 위험인자인 성별, 나이, 수축기 혈압, 흡연, 당뇨병, 총 콜레스테롤, HDL 콜레스테롤 등을 통해 심혈관 질환 발생 위험도를 평가하는 지표이다. For example, the Framingham risk score is used, which is an index that evaluates the risk of cardiovascular disease through various risk factors for cardiovascular disease, such as gender, age, systolic blood pressure, smoking, diabetes, total cholesterol, and HDL cholesterol.

하지만, 심혈관 질환 병력을 가진 환자는 재발 위험이 크기 때문에 과거력을 고려하지 않는 Farmingham risk score은 질환 위험도를 측정하기에는 한계가 있다. However, since patients with a history of cardiovascular disease have a high risk of recurrence, the Farmingham risk score, which does not consider past history, has limitations in measuring disease risk.

또한, Farmingham risk score은 외국에서 개발된 방법이기 때문에 국내의 평균 질환 발병률과 위험 요인 노출 수준에 따라 한국인에 맞게 보정할 필요성이 존재한다. In addition, since the Farmingham risk score is a method developed in a foreign country, there is a need to adjust it for Koreans according to the average disease incidence rate and risk factor exposure level in Korea.

이러한 필요성을 해결하기 위해 현재 한국인에 맞게 보정된 위험도 평가 도구가 존재하지만, 고위험군 선정에 대한 기준의 근거가 부족하고, 고위험군 선별에 큰 역할을 하지 못하고 있어 임상적으로 널리 사용되지 않고 있다.To address this need, a risk assessment tool calibrated for Koreans currently exists, but it is not widely used clinically due to the lack of criterion for selecting the high-risk group and not playing a significant role in selecting the high-risk group.

상기 만성질환 중에서 당뇨병은 제1형(조기 발증형) 또는 제2형(성인 발증형) 중 어느 하나로 분류되는데, 당뇨병의 증례 90~95 %를 제2형이 차지한다. Among the chronic diseases, diabetes is classified as either type 1 (early onset type) or type 2 (adult onset type), and type 2 accounts for 90 to 95% of cases of diabetes.

당뇨병은 진단이 이루어지는 것보다 상당히 오래 전부터 개체로의 작용이 시작되어 있는 질환 과정의 최종 단계이다. Diabetes is the final stage of a disease process whose action on the subject begins considerably long before a diagnosis is made.

특히, 제2형 당뇨병은 10~20년에 걸려 발병하여, 인슐린 저항성 부전으로 인한 포도당 이용 능력(포도당의 이용, 말초 조직에 있어서의 포도당의 가져오기)의 부전의 결과로서 발생한다.In particular, type 2 diabetes develops over a period of 10 to 20 years and occurs as a result of impaired glucose utilization ability (use of glucose, glucose import in peripheral tissues) due to impaired insulin resistance.

한편, 비만 대사수술의 경우 제2형 당뇨병의 수술 후 예후 예측을 위한 다양한 점수 계산법이 대만의 ABCD score, 미국의 DiaRem score, Individualized Metabolic Surgery score 등을 통해 현재 연구되어 실제 임상에서 사용되고 있다.On the other hand, in the case of obesity metabolic surgery, various scoring methods for predicting postoperative prognosis of type 2 diabetes are currently being studied through Taiwan's ABCD score, USA's DiaRem score, and Individualized Metabolic Surgery score, etc., and are used in actual clinical practice.

상기 제2형 당뇨병의 예후 예측을 위한 점수 계산법들은 수술 전 손쉽게 얻을 수 있는 몇 가지 임상 지표를 이용하여 비만 대사수술 이후 제2형 당뇨병의 관해(remission) 확률을 계산하는 것이다. The score calculation methods for predicting the prognosis of type 2 diabetes are to calculate the remission probability of type 2 diabetes after bariatric metabolic surgery using several clinical indicators that can be easily obtained before surgery.

반면, 위암 수술을 시행받은 제2형 당뇨병 환자들의 경우, 수술 이후 관해(remission), 개선(improvement), 유지(unchanged), 악화(aggravation)와 같은 다양한 당뇨병의 진행 증상을 경험하게 된다.On the other hand, type 2 diabetic patients who underwent gastric cancer surgery experience various progressive symptoms of diabetes such as remission, improvement, maintenance, and aggravation after surgery.

여기에서, 관해는 위암 수술 이후 당뇨병 약을 중단한 상태로 정상 혈당을 유지하는 증상이고, 개선은 관해 정도까진 도달하지 못하나 혈당이나 복용 약물이 감소하는 상태를 의미하며, 유지는 위암 수술 전후에 변함이 없는 상태이고, 악화는 수술 이후에 혈당이 상승함에 따라 복용 약물이 증가하는 상태를 의미한다.Here, remission is a symptom of maintaining normal blood sugar in a state in which diabetes medication is stopped after gastric cancer surgery, improvement does not reach the degree of remission, but means a state in which blood sugar or medications are reduced, and maintenance is a change before and after gastric cancer surgery. A state in which there is no blood loss, and exacerbation means a state in which the medication taken increases as blood sugar rises after surgery.

따라서, 위암 수술 전에 당뇨병의 병력이 있었고 위암 수술 이후 제2형 당뇨병의 상기 다양한 진행 과정을 나타낼 가능성이 있는 환자의 제2형 당뇨병의 효과적인 관리를 위하여 위암 수술 후 당뇨병 예후 예측 방법이 절실히 필요한 상황이다. Therefore, there is an urgent need for a method for predicting the prognosis of diabetes after gastric cancer surgery for the effective management of type 2 diabetes in patients who have a history of diabetes before gastric cancer surgery and who are likely to show the various progressions of type 2 diabetes after gastric cancer surgery. .

그런데, 의료진의 수술 기법이나 대상 환자의 인종, 연령대, 체중 등이 상이하여 비만 대사수술에서 사용되는 상기 제2형 당뇨병의 예후 예측을 위한 점수 계산법들은 서로 일치한 예측 결과를 제시하지 못하는 등의 한계로, 위암 수술 이후 제2형 당뇨병의 예후 예측에 적용하지 못하는 문제점이 있었다. However, the score calculation methods for predicting the prognosis of type 2 diabetes used in obesity metabolic surgery due to differences in the surgical technique of medical staff or the race, age, weight, etc. of the target patient have limitations such as not presenting consistent prediction results. Therefore, there was a problem that it could not be applied to predicting the prognosis of type 2 diabetes after gastric cancer surgery.

한편, 인공 지능(Artificial Intelligence, AI)은 인간의 뇌와 뉴런 신경망을 모방해 언젠가는 컴퓨터나 로봇들이 인간처럼 사고하고 행동하게 하는 것이다. On the other hand, artificial intelligence (AI) mimics the human brain and neural network of neurons, which will one day allow computers or robots to think and act like humans.

예를 들어, 우리는 사진만으로 개와 고양이를 아주 쉽게 구분할 수 있지만 컴퓨터는 구분하지 못한다. For example, we can very easily tell dogs and cats apart just by looking at pictures, but computers can't.

이를 위해 “기계 학습(Machine Learning, ML)” 기법이 고안되었는데, 이 기법은 많은 데이터를 컴퓨터에 입력하고 비슷한 것끼리 분류하도록 하는 기술로서, 저장된 개 사진과 비슷한 사진이 입력되면, 이를 개 사진이라고 컴퓨터가 분류하도록 하는 것이다. To this end, a “Machine Learning (ML)” technique was devised. This technique inputs a lot of data into a computer and classifies similar ones. When a photo similar to a stored dog photo is entered, it is called a dog photo. It's for the computer to classify.

데이터를 어떻게 분류할 것인가에 따라, 의사결정 나무(Decision Tree)나 베이지안 망(Bayesian network), 서포트 벡터 머신(support vector machine, SVM), 그리고 인공 신경망(Artificial neural network) 등 많은 기계 학습 알고리즘이 등장했다. Depending on how to classify data, many machine learning algorithms such as decision trees, Bayesian networks, support vector machines (SVMs), and artificial neural networks have emerged. did.

그 중에 인공 신경망 알고리즘에서 파생된 딥 러닝(Deep Learning, DL)은 인공 신경망을 이용하여 데이터를 군집화하거나 분류하는데 사용하는 기술이다. Among them, deep learning (DL) derived from artificial neural network algorithms is a technique used to cluster or classify data using artificial neural networks.

기계 학습과 인지 과학에서의 인공 신경망은 생물학의 신경망(동물의 중추 신경계)에서 영감을 얻은 통계학적 학습 알고리즘이다. In machine learning and cognitive science, artificial neural networks are statistical learning algorithms inspired by neural networks in biology (the central nervous system of animals).

인공 신경망은 시냅스(synapse)의 결합으로 네트워크를 형성한 인공 뉴런(neurons)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 가리킨다. An artificial neural network refers to an overall model that has problem-solving ability by changing synapse coupling strength through learning in which artificial neurons that form a network by synapse coupling.

인공 신경망을 이용하는 딥 러닝의 핵심은 분류를 통한 예측이다. The core of deep learning using artificial neural networks is prediction through classification.

수많은 데이터 속에서 패턴을 발견해 인간이 사물을 구분하듯 컴퓨터가 데이터를 나눈다. Computers divide data just as humans classify objects by discovering patterns in countless data.

이 같은 분별 방식은 지도자(감독자/교사)의 신호(정답) 입력에 의해서 문제에 최적화되어 가는 지도(감독/교사) 학습과 지도자의 교사 신호를 필요로 하지 않는 비지도(감독/교사) 학습이 있다. This classification method is based on supervised (supervisor/teacher) learning that is optimized for the problem by inputting a signal (correct answer) from the leader (supervisor/teacher) and unsupervised (supervisor/teacher) learning that does not require a teacher signal from the leader. there is.

일반적으로 입력으로부터 값을 계산하는 뉴런 시스템의 상호 연결로 표현되고 적응성이 있어 패턴 인식과 같은 기계 학습을 수행할 수 있다. It is usually represented as an interconnection of neuron systems that computes values from inputs and is adaptable, allowing machine learning such as pattern recognition to be performed.

데이터로부터 학습하는 다른 기계 학습과 같이, 신경망은 일반적으로 규칙 기반 프로그래밍으로 풀기 어려운 컴퓨터 비전(vision) 또는 음성 인식과 같은 다양한 범위의 문제를 푸는 데 이용된다.Like other machine learning methods that learn from data, neural networks are used to solve a wide range of problems, such as computer vision or speech recognition, that are generally difficult to solve with rule-based programming.

즉, 훈련 과정에서 구성한 다수의 결정 트리로부터 부류(분류) 또는 평균 예측치(회귀 분석)를 출력하는 랜덤 포레스트(random forest), 이전까지의 오차를 보정하도록 예측기를 순차적으로 추가하여 강한 학습기를 만드는 익스트림 그레이디언트 부스팅(XGBoost), 회귀 계수의 절대값을 페널티항으로 가지고 가중치를 '0'으로 만드는 라소 회귀(LASSO Regression)와 같은 다양한 기계 학습 기법들이 컴퓨터 비전, 음성 인식, 자연어 처리, 음성/신호 처리 등의 분야에 적용되어 우수한 성능의 응용 당뇨병 예후 예측 프로그램들이 개발되고 있다.In other words, a random forest that outputs a classification (classification) or average prediction value (regression analysis) from a number of decision trees constructed in the training process, and an extreme that creates a strong learner by sequentially adding predictors to compensate for previous errors. Various machine learning techniques such as gradient boosting (XGBoost) and LASSO regression, which takes the absolute value of the regression coefficient as a penalty term and sets the weight to '0', are used in computer vision, speech recognition, natural language processing, speech/signal Applicable diabetes prognosis prediction programs with excellent performance applied to fields such as treatment are being developed.

이에, 본 발명자들은 위암 수술 전 제2형 당뇨병 병력이 있었던 환자군에 대하여, 수술 전 각종 임상 지표를 이용해 당뇨병 예측 점수를 산출하고 당뇨병 예후 예측 애플리케이션 등과의 연동을 통해 수술 이후 제2형 당뇨병의 다양한 진행 과정에 대한 예측 데이터를 제공하여, 환자가 휴대용 단말기 등을 통해 간단하고 편리하게 자가 진단할 수 있고, 당뇨병 예측 점수를 다양한 기계 학습 기법과 비교하여 점수 체계의 예측 능력을 검증함으로써, 예측의 정확도를 향상할 수 있는 위암 수술 이후 제2형 당뇨병 예후의 예측 방법을 발명하기에 이르렀다. Accordingly, the present inventors calculated diabetes prediction scores using various preoperative clinical indicators for a patient group with a history of type 2 diabetes before gastric cancer surgery, and various progressions of type 2 diabetes after surgery through linkage with a diabetes prognosis prediction application. By providing predictive data for the process, patients can simply and conveniently self-diagnose through a portable terminal, etc., and by comparing diabetes prediction scores with various machine learning techniques to verify the predictive ability of the scoring system, the accuracy of prediction can be improved. It led to the invention of a method for predicting the prognosis of type 2 diabetes after gastric cancer surgery that could be improved.

JP 2011-528117 A1JP 2011-528117 A1

본 발명의 목적은 위암 수술 전 제2형 당뇨병 병력이 있었던 환자군에 대하여, 수술 전 각종 임상 지표를 이용해 당뇨병 예측 점수를 산출하고, 당뇨병 예후 예측 애플리케이션 또는 당뇨병 예후 예측 프로그램과의 연동을 통해 수술 이후 제2형 당뇨병의 다양한 진행 과정에 대한 정확한 예측 데이터를 제공할 수 있는 위암 수술 이후 제2형 당뇨병 예후의 예측 방법을 제공하는 데 있다.An object of the present invention is to calculate a diabetes prediction score using various clinical indicators before surgery for a patient group with a history of type 2 diabetes before gastric cancer surgery, and to control diabetes after surgery through linkage with a diabetes prognosis prediction application or diabetes prognosis prediction program. The purpose of this study is to provide a method for predicting the prognosis of type 2 diabetes after gastric cancer surgery that can provide accurate predictive data on various stages of type 2 diabetes.

상기 목적을 달성하기 위한 본 발명의 위암 수술 이후 제2형 당뇨병 예후의 예측 방법은 (a) 대상 분류부가 대상 환자군에 대하여 위암 수술을 받은 기간에 따라 기본 집단과 검증 집단으로 분류하는 단계; (b) 변수 선별부가 상기 분류된 대상 환자군의 위암 수술 후 일정기간 당뇨병 예후를 예측하기 위한 수술 전 변수를 선별하는 단계; (c) 점수 산출부가 상기 선별된 수술 전 변수를 인가받아 각 변수의 기준 값에 따라 당뇨병의 진행 증상을 평가하는 당뇨병 예측 점수를 산출하는 단계; 및 (d) 예측 능력 검증부가 상기 산출된 당뇨병 예측 점수를 인가받아 상기 기본 집단 및 상기 검증 집단에 대하여 수신자 조작 특성 곡선 아래 면적을 계산하여 점수 체계의 유용성을 검증하는 단계; 를 포함하는 것을 특징으로 한다.To achieve the above object, the method for predicting the prognosis of type 2 diabetes after gastric cancer surgery of the present invention includes: (a) classifying a target patient group into a basic group and a verification group according to a period of gastric cancer surgery for a target patient group; (b) selecting, by a variable selector, preoperative variables for predicting a diabetes prognosis for a certain period after gastric cancer surgery in the classified target patient group; (c) calculating a diabetes prediction score for evaluating progressing symptoms of diabetes according to a reference value of each variable by receiving the selected preoperative variable by a score calculation unit; And (d) verifying the usefulness of the scoring system by a predictive capability verification unit receiving the calculated diabetes prediction score and calculating the area under the receiver operating characteristic curve for the basic group and the verification group; It is characterized in that it includes.

상기 목적을 달성하기 위한 본 발명의 위암 수술 이후 제2형 당뇨병 예후의 예측 방법의 상기 (a) 단계에서, 상기 대상 분류부는 상기 대상 환자군 중 제1 기간에 위암 수술을 받은 환자들로 구성된 상기 기본 집단과, 상기 제1 기간 이후의 제2 기간에 위암 수술을 받은 환자들로 구성된 상기 검증 집단으로 분류하는 것을 특징으로 한다.In the step (a) of the method for predicting the prognosis of type 2 diabetes after gastric cancer surgery of the present invention for achieving the above object, the subject classifying unit includes the basic group composed of patients who underwent gastric cancer surgery in the first period among the target patient group. and the verification group consisting of patients who underwent gastric cancer surgery in a second period after the first period.

상기 목적을 달성하기 위한 본 발명의 위암 수술 이후 제2형 당뇨병 예후의 예측 방법의 상기 (b) 단계는, 위암 수술 전 제2형 당뇨병 병력이 있었던 상기 대상 환자군에 대하여, 상기 변수 선별부가 로지스틱 회귀모형을 이용하여 상기 제2형 당뇨병의 예후를 예측하는 상기 수술 전 변수를 선별하는 것을 특징으로 한다.In the step (b) of the method for predicting the prognosis of type 2 diabetes after gastric cancer surgery of the present invention for achieving the above object, for the target patient group who had a history of type 2 diabetes before gastric cancer surgery, the variable selection unit logistic regression It is characterized in that the preoperative variable predicting the prognosis of the type 2 diabetes is selected using a model.

상기 목적을 달성하기 위한 본 발명의 위암 수술 이후 제2형 당뇨병 예후의 예측 방법의 상기 선별된 수술 전 변수는 수술 직전 나이, 체질량 지수, 위암 수술 방법, 공복 혈당 및 당뇨병 약물 치료 데이터를 포함하는 것을 특징으로 한다.In order to achieve the above object, the selected preoperative variables of the method for predicting the prognosis of type 2 diabetes after gastric cancer surgery of the present invention include age immediately before surgery, body mass index, gastric cancer surgery method, fasting blood sugar, and diabetes drug treatment data. to be characterized

상기 목적을 달성하기 위한 본 발명의 위암 수술 이후 제2형 당뇨병 예후의 예측 방법의 상기 (b) 단계에서, 상기 변수 선별부는 상기 선별된 수술 전 변수를 제2형 당뇨병 예후의 독립된 예측 변수로 설정하고, 성별, 흡연 상태, 알코올 소비량, 운동, 수입 상태, 혈압, 보조 화학 요법, 고혈압, 이상 지질 혈증, 울혈성 심부전증, 폐 질환, 간 질환, 만성 신장 질환, 뇌졸중 및 치매를 조절된 예측 변수로 설정할 수 있는 것을 특징으로 한다.In the step (b) of the method for predicting the prognosis of type 2 diabetes after gastric cancer surgery of the present invention for achieving the above object, the variable selector sets the selected preoperative variables as independent predictive variables of the prognosis of type 2 diabetes. and gender, smoking status, alcohol consumption, exercise, income status, blood pressure, adjuvant chemotherapy, hypertension, dyslipidemia, congestive heart failure, lung disease, liver disease, chronic kidney disease, stroke, and dementia as adjusted predictors. It is characterized by being configurable.

상기 목적을 달성하기 위한 본 발명의 위암 수술 이후 제2형 당뇨병 예후의 예측 방법은 상기 (c) 단계에서, 상기 점수 산출부가 상기 선별된 수술 전 변수의 기준 값 외에 변수의 서브 항목에 따라 상기 당뇨병 예측 점수를 산출하는 것을 특징으로 한다.In order to achieve the above object, the method for predicting the prognosis of type 2 diabetes after gastric cancer surgery of the present invention in step (c), the score calculation unit determines the diabetes according to sub-items of variables in addition to the reference values of the selected pre-surgery variables. It is characterized in that the prediction score is calculated.

상기 목적을 달성하기 위한 본 발명의 위암 수술 이후 제2형 당뇨병 예후의 예측 방법의 상기 (c) 단계에서, 상기 변수의 서브 항목은, 상기 선별된 수술 전 변수가 위암 수술 방법인 경우, 부분 위 절제술 및 전체 위 절제술을 포함하고, 상기 선별된 수술 전 변수가 당뇨병 약물치료인 경우, 술포닐우레아를 포함하는 병용 요법, 술포닐우레아를 포함하지 않는 병용 요법, 술포닐우레아 단일 요법 및 술포닐우레아를 포함하지 않는 단일 요법을 포함하는 것을 특징으로 한다.In the step (c) of the method for predicting the prognosis of type 2 diabetes after gastric cancer surgery of the present invention for achieving the above object, the sub-item of the variable is, when the selected preoperative variable is the gastric cancer surgery method, partial gastric cancer surgery. Including gastrectomy and total gastrectomy, and the selected preoperative variable is diabetes medication, combination therapy including sulfonylurea, combination therapy not including sulfonylurea, monotherapy with sulfonylurea, and sulfonylurea It is characterized in that it comprises a monotherapy that does not include.

상기 목적을 달성하기 위한 본 발명의 위암 수술 이후 제2형 당뇨병 예후의 예측 방법의 상기 (c) 단계에서, 상기 점수 산출부는 상기 선별된 수술 전 변수의 교차비를 참고하여 각 변수의 가중치를 부여해서 상기 당뇨병 예측 점수를 계산하는 것을 특징으로 한다.In the step (c) of the method for predicting the prognosis of type 2 diabetes after gastric cancer surgery of the present invention for achieving the above object, the score calculating unit assigns a weight to each variable with reference to the odds ratio of the selected preoperative variable. It is characterized in that the diabetes prediction score is calculated.

상기 목적을 달성하기 위한 본 발명의 위암 수술 이후 제2형 당뇨병 예후의 예측 방법의 상기 (d) 단계는, 상기 예측 능력 검증부가 상기 산출된 당뇨병 예측 점수를 복수개의 기계 학습 기법을 이용한 모델의 예측값과 비교하여 상기 점수 체계의 유용성을 검증하는 단계; 를 더 포함하는 것을 특징으로 한다.In the step (d) of the method for predicting the prognosis of type 2 diabetes after gastric cancer surgery of the present invention for achieving the above object, the predictive capability verification unit converts the calculated diabetes prediction score to a predictive value of a model using a plurality of machine learning techniques. verifying the usefulness of the scoring system by comparison with; It is characterized in that it further comprises.

상기 목적을 달성하기 위한 본 발명의 위암 수술 이후 제2형 당뇨병 예후의 예측 방법의 상기 복수개의 기계 학습 기법은, 랜덤 포레스트 기법, 익스트림 그레이디언트 부스팅 기법 및 라소 회귀 분석 기법을 포함하는 것을 특징으로 한다.In order to achieve the above object, the plurality of machine learning techniques of the method for predicting the prognosis of type 2 diabetes after gastric cancer surgery of the present invention include a random forest technique, an extreme gradient boosting technique, and a lasso regression analysis technique. do.

기타 실시예의 구체적인 사항은 "발명을 실시하기 위한 구체적인 내용" 및 첨부 "도면"에 포함되어 있다.Details of other embodiments are included in "Specific Contents for Carrying Out the Invention" and the accompanying "Drawings".

본 발명의 이점 및/또는 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 각종 실시예를 참조하면 명확해질 것이다.Advantages and/or features of the present invention, and methods of achieving them, will become apparent upon reference to the various embodiments described below in detail in conjunction with the accompanying drawings.

그러나, 본 발명은 이하에서 개시되는 각 실시예의 구성만으로 한정되는 것이 아니라 서로 다른 다양한 형태로도 구현될 수도 있으며, 단지 본 명세서에서 개시한 각각의 실시예는 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구범위의 각 청구항의 범주에 의해 정의될 뿐임을 알아야 한다.However, the present invention is not limited only to the configuration of each embodiment disclosed below, but may also be implemented in various other forms, and each embodiment disclosed herein only makes the disclosure of the present invention complete, and this It is provided to completely inform the scope of the present invention to those skilled in the art to which the invention belongs, and it should be noted that the present invention is only defined by the scope of each claim of the claims.

본 발명에 의할 경우, 위암 수술 이후 발생할 수 있는 제2형 당뇨병의 다양한 진행과정을 효과적으로 예측할 수 있어, 수술 이후 혈당 관리의 적절성이 현저하게 향상되고, 수술 이후 당뇨병 약물치료의 반복 처방으로 인한 부작용을 예방할 수 있다.According to the present invention, various progressions of type 2 diabetes that may occur after gastric cancer surgery can be effectively predicted, so that the appropriateness of blood sugar management after surgery is significantly improved, and side effects due to repeated prescription of diabetes drug treatment after surgery can be effectively predicted. can prevent

또한, 환자가 휴대용 단말기 등에 탑재된 당뇨병 예후 예측 애플리케이션 등을 통해 제2형 당뇨병의 다양한 진행과정 예측을 간단하고 편리하게 자가 진단할 수 있게 된다. In addition, the patient can simply and conveniently self-diagnose various progressions of type 2 diabetes through a diabetes prognosis prediction application mounted on a portable terminal or the like.

또한, 학습 집단과 검증 집단에 대하여 산출된 당뇨병 예측 점수를 다양한 기계 학습 기법을 이용한 모델의 예측력과 비교하여 점수 체계의 예측 능력을 검증함으로써, 예측의 정확도를 향상할 수 있게 된다. In addition, prediction accuracy can be improved by comparing the diabetes prediction scores calculated for the learning group and the verification group with the predictive power of models using various machine learning techniques to verify the predictive ability of the scoring system.

도 1은 본 발명의 일 실시예에 따른 위암 수술 이후 제2형 당뇨병 예후의 예측 방법을 구현하기 위한 시스템의 구성도이다.
도 2는 도 1에 도시된 예측 시스템 내 당뇨병 예후 예측 장치(100)의 블록도이다.
도 3은 본 발명의 일 실시예에 따른 위암 수술 이후 제2형 당뇨병 예후의 예측 방법의 전반적인 동작을 설명하기 위한 순서도이다.
도 4는 도 3에 도시된 제2형 당뇨병 예후의 예측 방법 중 단계(S100)의 세부적인 동작을 설명하기 위한 동작 흐름도이다.
도 5는 도 3에 도시된 제2형 당뇨병 예후의 예측 방법 중 단계(S200)에서 선별된 수술 전 변수 각각에 대하여 산출된 통계에 대한 표이다.
도 6은 도 3에 도시된 제2형 당뇨병 예후의 예측 방법 중 단계(S300)에서 산출된 당뇨병 예측 점수에 대한 표이다.
도 7은 도 3에 도시된 제2형 당뇨병 예후의 예측 방법 중 단계(S500)에서 복수개의 기계 학습 기법을 이용한 모델의 예측값과 비교한 결과에 대한 표이다.
도 8은 도 3에 도시된 제2형 당뇨병 예후의 예측 방법 중 단계(S300)에서 학습 집단(a) 및 검증 집단(b)에 대하여 산출된 당뇨병 예측 점수 대비 제2형 당뇨병 관해가 실제 진행된 비율에 대한 막대 그래프이다.1 is a block diagram of a system for implementing a method for predicting the prognosis of type 2 diabetes after gastric cancer surgery according to an embodiment of the present invention.
FIG. 2 is a block diagram of an apparatus 100 for predicting diabetes prognosis within the prediction system shown in FIG. 1 .
FIG. 3 is a flowchart illustrating overall operations of a method for predicting a prognosis of type 2 diabetes after gastric cancer surgery according to an embodiment of the present invention.
FIG. 4 is an operational flowchart for explaining the detailed operation of step S100 of the method for predicting the prognosis of type 2 diabetes shown in FIG. 3 .
FIG. 5 is a table of statistics calculated for each preoperative variable selected in step S200 of the method for predicting the prognosis of type 2 diabetes shown in FIG. 3 .
FIG. 6 is a table of diabetes prediction scores calculated in step S300 of the method for predicting type 2 diabetes prognosis shown in FIG. 3 .
FIG. 7 is a table of results of comparison with predicted values of a model using a plurality of machine learning techniques in step S500 of the method for predicting the prognosis of type 2 diabetes shown in FIG. 3 .
FIG. 8 is a ratio of actually progressing remission of type 2 diabetes to diabetes prediction scores calculated for the learning group (a) and the verification group (b) in step S300 of the method for predicting the prognosis of type 2 diabetes shown in FIG. 3 is a bar graph for

이하, 첨부한 도면을 참고로 하여 본 발명의 바람직한 실시예에 대하여 상세히 설명하면 다음과 같다.Hereinafter, the preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings.

본 발명을 상세하게 설명하기 전에, 본 명세서에서 사용된 용어나 단어는 통상적이거나 사전적인 의미로 무조건 한정하여 해석되어서는 아니 되며, 본 발명의 발명자가 자신의 발명을 가장 최선의 방법으로 설명하기 위해서 각종 용어의 개념을 적절하게 정의하여 사용할 수 있다.Before explaining the present invention in detail, the terms or words used in this specification should not be construed unconditionally in a conventional or dictionary sense, and in order for the inventor of the present invention to explain his/her invention in the best way Concepts of various terms can be appropriately defined and used.

더 나아가 이들 용어나 단어는 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야 함을 알아야 한다.Furthermore, it should be noted that these terms or words should be interpreted as meanings and concepts consistent with the technical idea of the present invention.

즉, 본 명세서에서 사용된 용어는 본 발명의 바람직한 실시예를 설명하기 위해서 사용되는 것일 뿐이고, 본 발명의 내용을 구체적으로 한정하려는 의도로 사용된 것이 아니다.That is, the terms used in this specification are only used to describe preferred embodiments of the present invention, and are not intended to specifically limit the contents of the present invention.

이들 용어는 본 발명의 여러 가지 가능성을 고려하여 정의된 용어임을 알아야 한다.It should be noted that these terms are terms defined in consideration of various possibilities of the present invention.

또한, 본 명세서에 있어서, 단수의 표현은 문맥상 명확하게 다른 의미로 지시하지 않는 이상, 복수의 표현을 포함할 수 있다.Also, in this specification, a singular expression may include a plurality of expressions unless the context clearly indicates otherwise.

또한, 유사하게 복수로 표현되어 있다고 하더라도 단수의 의미를 포함할 수 있음을 알아야 한다.In addition, it should be noted that similarly, even if expressed in a plurality, it may include a singular meaning.

본 명세서의 전체에 걸쳐서 어떤 구성 요소가 다른 구성 요소를 "포함"한다고 기재하는 경우에는, 특별히 반대되는 의미의 기재가 없는 한 임의의 다른 구성 요소를 제외하는 것이 아니라 임의의 다른 구성 요소를 더 포함할 수도 있다는 것을 의미할 수 있다.Throughout this specification, when a component is described as "including" another component, it does not exclude any other component, but further includes any other component, unless otherwise stated. It can mean you can do it.

더 나아가서, 어떤 구성 요소가 다른 구성 요소의 "내부에 존재하거나, 연결되어 설치된다"고 기재한 경우에는, 이 구성 요소가 다른 구성 요소와 직접적으로 연결되어 있거나 접촉하여 설치되어 있을 수 있다.Furthermore, when a component is described as "existing inside or connected to and installed" of another component, this component may be directly connected to or installed in contact with the other component.

또한, 일정한 거리를 두고 이격되어 설치되어 있을 수도 있으며, 일정한 거리를 두고 이격되어 설치되어 있는 경우에 대해서는 해당 구성 요소를 다른 구성 요소에 고정 내지 연결시키기 위한 제 3의 구성 요소 또는 수단이 존재할 수 있다.In addition, it may be installed at a certain distance, and in the case of being installed at a certain distance, a third component or means for fixing or connecting the corresponding component to another component may exist. .

한편, 상기 제 3의 구성 요소 또는 수단에 대한 설명은 생략될 수도 있음을 알아야 한다.Meanwhile, it should be noted that the description of the third component or means may be omitted.

반면에, 어떤 구성 요소가 다른 구성 요소에 "직접 연결"되어 있다거나, 또는 "직접 접속"되어 있다고 기재되는 경우에는, 제 3의 구성 요소 또는 수단이 존재하지 않는 것으로 이해하여야 한다.On the other hand, when it is described that a certain element is "directly connected" to another element, or is "directly connected", it should be understood that no third element or means exists.

마찬가지로, 각 구성 요소 간의 관계를 설명하는 다른 표현들, 즉 " ~ 사이에"와 "바로 ~ 사이에", 또는 " ~ 에 이웃하는"과 " ~ 에 직접 이웃하는" 등도 마찬가지의 취지를 가지고 있는 것으로 해석되어야 한다.Similarly, other expressions describing the relationship between components, such as "between" and "directly between", or "adjacent to" and "directly adjacent to" have the same meaning. should be interpreted as

또한, 본 명세서에 있어서 "일면", "타면", "일측", "타측", "제 1", "제 2" 등의 용어는, 하나의 구성 요소에 대해서 이 하나의 구성 요소가 다른 구성 요소로부터 명확하게 구별될 수 있도록 하기 위해서 사용된다.In addition, in the present specification, terms such as "one side", "the other side", "one side", "the other side", "first", and "second" refer to one component with respect to another component. It is used to make it clearly distinguishable from the elements.

하지만, 이와 같은 용어에 의해서 해당 구성 요소의 의미가 제한적으로 사용되는 것은 아님을 알아야 한다.However, it should be noted that the meaning of a corresponding component is not limitedly used by such a term.

또한, 본 명세서에서 "상", "하", "좌", "우" 등의 위치와 관련된 용어는, 사용된다면, 해당 구성 요소에 대해서 해당 도면에서의 상대적인 위치를 나타내고 있는 것으로 이해하여야 한다.In addition, in this specification, terms related to positions such as “upper”, “lower”, “left”, “right”, etc., if used, are to be understood as indicating relative positions of corresponding components in the drawing.

또한, 이들의 위치에 대해서 절대적인 위치를 특정하지 않는 이상은, 이들 위치 관련 용어가 절대적인 위치를 언급하고 있는 것으로 이해하여서는 아니 된다.In addition, unless an absolute location is specified for these locations, these location-related terms should not be understood as referring to an absolute location.

더욱이, 본 발명의 명세서에서는, "부", "기", "모듈", "장치" 등의 용어는, 사용된다면, 하나 이상의 기능이나 동작을 처리할 수 있는 단위를 의미한다.Moreover, in the specification of the present invention, terms such as "unit", "group", "module", and "device", if used, mean a unit capable of processing one or more functions or operations.

이는 하드웨어 또는 소프트웨어, 또는 하드웨어와 소프트웨어의 결합으로 구현될 수 있음을 알아야 한다.It should be noted that this may be implemented in hardware or software, or a combination of hardware and software.

본 명세서에 첨부된 도면에서 본 발명을 구성하는 각 구성 요소의 크기, 위치, 결합 관계 등은 본 발명의 사상을 충분히 명확하게 전달할 수 있도록 하기 위해서 또는 설명의 편의를 위해서 일부 과장 또는 축소되거나 생략되어 기술되어 있을 수 있고, 따라서 그 비례나 축척은 엄밀하지 않을 수 있다.In the drawings accompanying this specification, the size, position, coupling relationship, etc. of each component constituting the present invention is partially exaggerated, reduced, or omitted in order to sufficiently clearly convey the spirit of the present invention or for convenience of explanation. may be described, and therefore the proportions or scale may not be exact.

또한, 이하에서, 본 발명을 설명함에 있어서, 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 구성, 예를 들어, 종래 기술을 포함하는 공지 기술에 대한 상세한 설명은 생략될 수도 있다.In addition, in the following description of the present invention, a detailed description of a configuration that is determined to unnecessarily obscure the subject matter of the present invention, for example, a known technology including the prior art, may be omitted.

도 1은 본 발명의 일 실시예에 따른 위암 수술 이후 제2형 당뇨병 예후의 예측 방법을 구현하기 위한 시스템의 구성도로서, 당뇨병 예후 예측 장치(100), 휴대용 단말기(200), 개인용 PC(300) 및 기관 서버(400)를 포함한다.1 is a block diagram of a system for implementing a method for predicting the prognosis of type 2 diabetes after gastric cancer surgery according to an embodiment of the present invention, comprising a diabetes prognosis prediction device 100, a portable terminal 200, and a personal PC 300. ) and the institution server 400.

도 1을 참조하여 본 발명의 일 실시예에 따른 위암 수술 이후 제2형 당뇨병 예후의 예측 방법을 구현하기 위한 시스템의 동작을 개략적으로 설명하면 다음과 같다. Referring to FIG. 1, an operation of a system for implementing a method for predicting the prognosis of type 2 diabetes after gastric cancer surgery according to an embodiment of the present invention will be described schematically as follows.

당뇨병 예후 예측 장치(100)는 대상 환자군에 대하여 위암 수술을 받은 기간에 따라 대상을 분류하고, 위암 수술 후 일정기간 당뇨병 예후를 예측하기 위한 수술 전 변수를 선별하여 각 변수의 기준 값에 따라 당뇨병 예측 점수를 산출 및 검증한다.Diabetes prognosis predictor 100 classifies subjects according to the period of gastric cancer surgery for a target patient group, selects pre-surgery variables for predicting diabetes prognosis for a certain period after gastric cancer surgery, and predicts diabetes according to reference values of each variable. Scores are calculated and verified.

휴대용 단말기(200)는 노트북, 태블릿 PC 또는 스마트폰 등의 형태로서, 당뇨병 예후 예측 애플리케이션을 탑재하고 무선 통신망을 통해 당뇨병 예후 예측 장치(100)로부터 산출된 당뇨병 예측 점수를 인가받아 사용자의 당뇨병 예후 증상을 자가 진단하게 한다.The portable terminal 200 is in the form of a laptop computer, tablet PC or smart phone, and is loaded with a diabetes prognosis prediction application and receives the diabetes prediction score calculated from the diabetes prognosis prediction device 100 through a wireless communication network, and the user's diabetes prognosis symptoms to self-diagnose.

개인용 PC(300)는 데스크톱 등의 형태로서, 컴퓨터 당뇨병 예후 예측 당뇨병 예후 예측 프로그램을 탑재하고 유선 통신망을 통해 당뇨병 예후 예측 장치(100)로부터 산출된 당뇨병 예측 점수를 인가받아 사용자의 당뇨병 예후 증상을 자가 진단하게 한다. The personal PC 300 is in the form of a desktop, etc., is equipped with a computer diabetes prognosis prediction diabetes prognosis prediction program, receives the diabetes prediction score calculated from the diabetes prognosis prediction device 100 through a wired communication network, and displays the user's diabetes prognosis symptoms on their own. make a diagnosis

기관 서버(400)는 각종 의료 기관, 건강 보험 공단, 각종 보험사 등의 업무용 서버로서, 해당 사용자의 승인 하에 당뇨병 예후 예측 장치(100)와 연동하여 유선 통신망을 통해 해당 사용자의 당뇨병 예후 예측 데이터를 제공받는다.The institution server 400 is a business server of various medical institutions, health insurance corporations, various insurance companies, etc., and is interlocked with the diabetes prognosis prediction device 100 under the user's approval to provide the user's diabetes prognosis prediction data through a wired communication network receive

도 2는 도 1에 도시된 예측 시스템 내 당뇨병 예후 예측 장치(100)의 블록도로서, 대상 분류부(110), 변수 선별부(120), 점수 산출부(130) 및 예측 능력 검증부(140)를 포함한다.FIG. 2 is a block diagram of the apparatus 100 for predicting the prognosis of diabetes in the prediction system shown in FIG. 1, comprising a target classification unit 110, a variable selection unit 120, a score calculation unit 130, and a predictive capability verification unit 140. ).

도 3은 본 발명의 일 실시예에 따른 위암 수술 이후 제2형 당뇨병 예후의 예측 방법의 전반적인 동작을 설명하기 위한 순서도이다.FIG. 3 is a flowchart illustrating overall operations of a method for predicting a prognosis of type 2 diabetes after gastric cancer surgery according to an embodiment of the present invention.

도 1 내지 도 3을 참조하여 본 발명의 일 실시예에 따른 위암 수술 이후 제2형 당뇨병 예후의 예측 방법의 동작을 개략적으로 설명하면 다음과 같다. The operation of the method for predicting the prognosis of type 2 diabetes after gastric cancer surgery according to an embodiment of the present invention will be schematically described with reference to FIGS. 1 to 3 .

본 발명은 위암 수술 전 제2형 당뇨병 병력이 있었던 환자군에 대하여, 수술 전 각종 임상 지표를 이용해 당뇨병 예측 점수를 산출하고, 당뇨병 예후 예측 애플리케이션 또는 당뇨병 예후 예측 프로그램과의 연동을 통해 수술 이후 제2형 당뇨병의 다양한 진행 과정에 대한 예측 데이터를 휴대용 단말기(200), 개인용 PC(300) 및/또는 기관 서버(400)에 제공하기 위하여 다음과 같은 알고리즘을 제공한다.The present invention calculates a diabetes prediction score using various clinical indicators before surgery for a patient group with a history of type 2 diabetes before gastric cancer surgery, and type 2 diabetes after surgery through linkage with a diabetes prognosis prediction application or diabetes prognosis prediction program. The following algorithm is provided to provide prediction data for various stages of diabetes to the portable terminal 200, the personal PC 300, and/or the institutional server 400.

먼저, 대상 분류부(110)가 대상 환자군에 대하여 위암 수술을 받은 기간에 따라 기본 집단과 검증 집단으로 분류한다(S100).First, the target classification unit 110 classifies the target patient group into a basic group and a verification group according to the period during which gastric cancer surgery was performed (S100).

변수 선별부(120)가 대상 분류부(110)에서 분류된 대상 환자군의 위암 수술 후 일정기간 당뇨병 예후를 예측하기 위한 수술 전 변수를 선별한다(S200).The variable selector 120 selects preoperative variables for predicting the prognosis of diabetes for a certain period after gastric cancer surgery in the target patient group classified by the target classifier 110 (S200).

점수 산출부(130)가 변수 선별부(120)에서 선별된 수술 전 변수를 인가받아 각 변수의 기준 값에 따라 당뇨병의 진행 증상을 평가하는 당뇨병 예측 점수를 산출한다(S300). The score calculation unit 130 receives the preoperative variables selected by the variable selection unit 120 and calculates a diabetes prediction score for evaluating the progress of diabetes according to the reference value of each variable (S300).

예측 능력 검증부(140)가 점수 산출부(130)에서 산출된 당뇨병 예측 점수를 인가받아 기본 집단 및 검증 집단에 대하여 수신자 조작 특성 곡선 아래 면적을 계산하여 점수 체계의 유용성을 검증한다(S400). The predictive ability verification unit 140 receives the diabetes prediction score calculated by the score calculation unit 130 and verifies the usefulness of the scoring system by calculating the area under the receiver-operated characteristic curve for the basic group and the verification group (S400).

추가적으로, 예측 능력 검증부(140)가 점수 산출부(130)에서 산출된 당뇨병 예측 점수를 복수개의 기계 학습 기법을 이용한 모델의 예측값과 비교하여 점수 체계의 유용성을 검증한다(S500). Additionally, the predictive ability verification unit 140 compares the diabetes prediction score calculated by the score calculation unit 130 with the predicted value of a model using a plurality of machine learning techniques to verify the usefulness of the scoring system (S500).

도 4는 도 3에 도시된 제2형 당뇨병 예후의 예측 방법 중 단계(S100)의 세부적인 동작을 설명하기 위한 동작 흐름도이다.FIG. 4 is an operational flowchart for explaining the detailed operation of step S100 of the method for predicting the prognosis of type 2 diabetes shown in FIG. 3 .

도 5는 도 3에 도시된 제2형 당뇨병 예후의 예측 방법 중 단계(S200)에서 선별된 수술 전 변수 각각에 대하여 산출된 통계에 대한 표이다.FIG. 5 is a table of statistics calculated for each preoperative variable selected in step S200 of the method for predicting the prognosis of type 2 diabetes shown in FIG. 3 .

도 6은 도 3에 도시된 제2형 당뇨병 예후의 예측 방법 중 단계(S300)에서 산출된 당뇨병 예측 점수에 대한 표이다.FIG. 6 is a table of diabetes prediction scores calculated in step S300 of the method for predicting type 2 diabetes prognosis shown in FIG. 3 .

도 7은 도 3에 도시된 제2형 당뇨병 예후의 예측 방법 중 단계(S500)에서 복수개의 기계 학습 기법을 이용한 모델의 예측값과 비교한 결과에 대한 표이다.FIG. 7 is a table of results of comparison with predicted values of a model using a plurality of machine learning techniques in step S500 of the method for predicting the prognosis of type 2 diabetes shown in FIG. 3 .

도 8은 도 3에 도시된 제2형 당뇨병 예후의 예측 방법 중 단계(S300)에서 학습 집단(a) 및 검증 집단(b)에 대하여 산출된 당뇨병 예측 점수 대비 제2형 당뇨병 관해가 실제 진행된 비율에 대한 막대 그래프이다.FIG. 8 is a ratio of actually progressing remission of type 2 diabetes to diabetes prediction scores calculated for the learning group (a) and the verification group (b) in step S300 of the method for predicting the prognosis of type 2 diabetes shown in FIG. 3 is a bar graph for

도 1 내지 도 8을 참조하여 본 발명의 일 실시예에 따른 위암 수술 이후 제2형 당뇨병 예후의 예측 방법의 유기적인 동작을 상세하게 설명하면 다음과 같다.The organic operation of the method for predicting the prognosis of type 2 diabetes after gastric cancer surgery according to an embodiment of the present invention will be described in detail with reference to FIGS. 1 to 8 .

본 발명의 일 실시예는 한국의 건강보험공단 데이터를 기반으로, 위암 수술을 시행받은 5,150 명의 환자 데이터를 수집하여 수행되었다.An embodiment of the present invention was performed by collecting data of 5,150 patients who underwent gastric cancer surgery based on data from the Health Insurance Corporation of Korea.

도 4에서 보는 바와 같이, 대상 분류부(110)는 2002 년부터 2003 년까지 위암 수술을 받은 61,179 명의 환자들을 다음과 같은 5 그룹의 대상으로 분류한다.As shown in FIG. 4 , the subject classification unit 110 classifies 61,179 patients who underwent gastric cancer surgery from 2002 to 2003 into the following five groups.

즉, 인덱스 날짜(index date) 전 2 년 내에 다른 암 또는 화학 요법의 이전 병력을 가진 제1 대상(n = 13,006), 인덱스 날짜 전 2 년 내에 당뇨병 또는 항 당뇨병 약물치료(antidiabetic medication)의 코드가 없는 제2 대상(n = 41,791), 누락된 변수(missing variable)를 가진 제3 대상(n = 240), 인덱스 날짜 후 3 년 내에 사망한 제4 대상(n = 992) 및 당뇨병 관해를 평가하기 적합한 제5 대상(n = 5,150)으로 분류한다.That is, the first subject with a previous history of another cancer or chemotherapy within 2 years prior to the index date (n = 13,006), a code for diabetes or antidiabetic medication within 2 years prior to the index date 2nd subject without (n = 41,791), 3rd subject with missing variable (n = 240), 4th subject who died within 3 years after index date (n = 992) and to assess diabetes remission Classified as a suitable 5th subject (n = 5,150).

대상 분류부(110)는 5,150 명의 제2형 당뇨병 관해를 평가하기 적합한 제5 대상을 다시 제1 기간, 본 실시예에서는 2004 년부터 2011 년까지 위암 수술을 받은 환자들로 구성된 기본 집단(primary cohort, n = 3,546)과 제1 기간 이후의 제2 기간, 본 실시예에서는 2012 년부터 2014 년까지 위암 수술을 받은 환자들로 구성된 검증 집단(validation cohort, n = 1,604)으로 분류한다.The target classification unit 110 selects a fifth target suitable for evaluating the remission of type 2 diabetes in 5,150 people in the first period, in this embodiment, a primary cohort consisting of patients who underwent gastric cancer surgery from 2004 to 2011 , n = 3,546) and the second period after the first period, in this embodiment, it is classified into a validation cohort (n = 1,604) consisting of patients who underwent gastric cancer surgery from 2012 to 2014.

그 다음, 변수 선별부(120)는 위암 수술 전 당뇨병의 병력이 있었던 만성질환자에 대하여, 로지스틱 회귀모형을 이용하여 위암 수술 후 일정기간, 예를 들어 3년간 제2형 당뇨병 예후를 예측하기 위한 수술 전 변수를 선별한다. Next, the variable selection unit 120 performs surgery to predict the prognosis of type 2 diabetes for a certain period after gastric cancer surgery, for example, 3 years, using a logistic regression model for patients with chronic diseases who had a history of diabetes before gastric cancer surgery. Select all variables.

여기에서, 로지스틱 회귀 분석(logistic regression analysis)은 하나의 종속 변인에 영향을 주는 변인이 무엇이고 그 변인 중 가장 큰 영향을 미치는 변인이 무엇인지, 또한, 종속 변인을 설명해 줄 수 있는 가장 적합한 모형이 무엇인지를 밝히는 통계적 방법인 회귀 분석의 한 종류로서, 특히 종속 변인이 집단을 두 집단으로 나누는 이분 변인일 때 주로 사용하는 통계적 방법을 의미한다.Here, logistic regression analysis determines which variables affect one dependent variable, which variable has the greatest influence among those variables, and the most appropriate model that can explain the dependent variable. It is a type of regression analysis, which is a statistical method of clarifying what it is, and is a statistical method mainly used when the dependent variable is a dichotomous variable that divides a group into two groups.

수술 전 변수는 수술 직전 나이, 체질량 지수(Body mass index, BMI), 위암 수술 방법, 공복 혈당, 당뇨병 약물 치료 데이터를 포함한다.Preoperative variables included age immediately before surgery, body mass index (BMI), gastric cancer surgery method, fasting blood sugar, and diabetes drug treatment data.

이와 같은 데이터는 기관 서버(400)에 해당하는 건강보험공단 심사 평가원의 보건 의료 빅데이터 개방 시스템을 통해 건강검진 코호트 데이터 베이스를 제공받을 수도 있고, 진료기관의 진료 데이터 베이스를 제공받을 수도 있다.Such data may be provided as a health checkup cohort database or a treatment database of a medical institution through the health care big data open system of the Health Insurance Corporation Review and Assessment Service corresponding to the institution server 400 .

점수 산출부(130)는 변수 선별부(120)에서 선별된 수술 전 변수를 인가받아 각 변수의 기준 값 또는 서브 항목에 따라 차등을 두어 당뇨병 예측 점수를 산출한다.The score calculation unit 130 receives the preoperative variables selected by the variable selection unit 120 and calculates a diabetes prediction score by making a difference according to the reference value or sub-item of each variable.

특히, 수술 전 변수의 교차비(Odds ratio)를 참고하여 각 변수의 가중치를 부여하여 계산한다.In particular, it is calculated by assigning a weight to each variable with reference to the odds ratio of variables before surgery.

여기에서, 교차비는 개인 또는 한 그룹에서 동일한 사례가 발생할 확률을 다른 개인 또는 다른 그룹에서 발생할 확률과 비교한 값을 의미한다.Here, the odds ratio means a value obtained by comparing the probability of occurrence of the same case in one individual or group with the probability of occurrence in another individual or group.

예를 들어, 당뇨를 기준 당뇨(예를 들어, 100mg/dL)와 비교 분석하여 비교 값의 차이를 기초로 사용자 건강의 상대적 좋고 나쁜 정보를 나타내는 점수를 산출할 수 있다.For example, it is possible to compare and analyze diabetes with a standard diabetes (eg, 100 mg/dL), and calculate a score indicating relative good or bad information of the user's health based on a difference between the comparison values.

본 실시예에서는 도 5에서 보는 바와 같이, 위암 수술 후 3년 당시 제2형 당뇨병 관해의 수술 전 변수 중 수술 직전 나이가 65세 이상을 기준값(reference)으로 설정하는 경우, 65세 미만인 환자는 수술 직전 나이의 교차비는 1.41이다.In the present embodiment, as shown in FIG. 5, when the age immediately before surgery is set as a reference value of 65 years or older among the preoperative variables of remission of type 2 diabetes at 3 years after gastric cancer surgery, patients under 65 years of age have surgery The odds ratio for the previous age was 1.41.

또한, 위암 수술 방법이 부분 위 절제술을 기준값으로 설정하는 경우, 전체 위 절제술 환자는 위암 수술 방법의 교차비는 1.46이다.In addition, when the gastric cancer surgery method sets partial gastrectomy as a reference value, the odds ratio of the gastric cancer surgery method for patients with total gastrectomy is 1.46.

상기 5개의 수술 전 변수는 위암 수술 후 제2형 당뇨병 예후의 독립된 예측 변수이고, 완전 조절된 예측 모델의 변수에는 성별, 흡연 상태, 알코올 소비량, 운동, 수입 상태, 혈압, 보조 화학 요법(adjuvant chemotherapy), 고혈압, 이상 지질 혈증(dyslipidemia), 울혈성 심부전증(congestive heart failure), 폐 질환, 간 질환, 만성 신장 질환, 뇌졸중 및 치매(dementia)를 포함한다.The five preoperative variables are independent predictors of type 2 diabetes prognosis after gastric cancer surgery, and the variables of the fully adjusted predictive model include gender, smoking status, alcohol consumption, exercise, income status, blood pressure, adjuvant chemotherapy ), hypertension, dyslipidemia, congestive heart failure, lung disease, liver disease, chronic kidney disease, stroke and dementia.

도 5에서, 이벤트는 제2형 당뇨병 발병 확률과 연관된 의료 관련 활동수로 카운트 되는데, 의료 관련 활동은 병원에서의 진료, 처방 또는 건강 검진 등이 포함될 수 있고, 당뇨병 약물 치료 데이터는 약 성분의 개수로 카운트된다.In FIG. 5, the event is counted as the number of medical-related activities associated with the probability of developing type 2 diabetes. The medical-related activities may include hospital treatment, prescription, or health checkup, and diabetes drug treatment data is the number of drug ingredients counted as

또한, 점수 산출부(130)는 도 6에서 보는 바와 같이, 변수 선별부(120)에서 선별된 5개의 수술 전 변수에 대하여 최고 총 14점 만점의 당뇨병 예측 점수를 산출한다.In addition, as shown in FIG. 6 , the score calculation unit 130 calculates a diabetes prediction score of a maximum total of 14 points for the five preoperative variables selected by the variable selection unit 120.

즉, 체질량 지수가 25 미만인 경우 '0'점, 25 이상인 경우 '1'점을 부과하고, 수술 전 변수가 위암 수술 방법인 경우 서브 항목이 부분 위 절제술일 때 '0'점, 전체 위 절제술일 때 '1'점을 부과한다.That is, '0' point is given if the body mass index is less than 25, '1' point is given if the BMI is greater than 25, '0' point is given when the sub-item is partial gastrectomy, and total gastrectomy date if the preoperative variable is the gastric cancer surgery method. When '1' is imposed.

수술 직전 나이가 65세 이상인 경우 '0'점, 65세 미만인 경우 '1'점을 부과하고, 공복 혈당이 130 초과인 경우 '0'점, 130 이하인 경우 '2'점을 부과한다.If the age immediately before surgery is 65 years or older, '0' points are assigned, if the age is less than 65 years old, '1' points are assigned, and if the fasting blood glucose is over 130, '0' points are assigned, and if the fasting blood sugar is less than 130, '2' points are assigned.

마지막으로, 수술 전 변수가 당뇨병 약물치료인 경우 서브 항목이 술포닐우레아(sulfonylurea)를 포함하는 병용 요법(combination therapy)일 때 '0'점, 술포닐우레아를 포함하지 않는 병용 요법일 때 '4'점, 술포닐우레아 단일 요법(single therapy)일 때 '3'점, 술포닐우레아를 포함하지 않는 단일 요법일 때 '9'점을 부과한다.Finally, if the preoperative variable is diabetes medication, the sub-item is '0' for combination therapy including sulfonylurea and '4' for combination therapy without sulfonylurea. 'point', '3' points for sulfonylurea single therapy, and '9' points for monotherapy without sulfonylurea.

따라서, 체질량 지수가 25 이상이고, 위암 수술 방법이 전체 위 절제술이며, 수술 직전 나이가 65세 미만이고, 공복 혈당이 130 이하이며, 당뇨병 약물치료가 술포닐우레아를 포함하지 않는 단일 요법인 경우 최고 총점인 '14'점 만점이 부과된다.Therefore, it is best if the body mass index is 25 or more, the surgical method for gastric cancer is total gastrectomy, the age immediately before surgery is less than 65 years old, the fasting blood glucose is less than 130, and the diabetes medication is monotherapy without sulfonylurea. A total score of '14' is awarded.

예측 능력 검증부(140)는 수신자 조작 특성(Receiver Operating Characteristic, ROC) 곡선 아래 면적(area under ROC curve)을 계산하고, 대상 환자군을 학습 집단(training cohort) 및 검증 집단(validation cohort)으로 나누어 점수 체계의 유용성을 검증한다.The predictive ability verification unit 140 calculates the area under the ROC curve, and divides the target patient group into a training cohort and a validation cohort, and scores the receiver operating characteristic (ROC) curve. Verify the usefulness of the system.

여기에서, 수신자 조작 특성은 분류 모델의 성능을 평가하기 위한 그래프로 참인 '1'과 거짓인 '0'을 나누는 기준 값(threshold value)에 따른 성능을 나타내고, 수신자 조작 특성 곡선 아래 면적이 '1'에 가까울수록 좋은 성능의 분류 모델을 의미한다.Here, the receiver operating characteristic is a graph for evaluating the performance of the classification model, and represents the performance according to the threshold value dividing true '1' and false '0', and the area under the receiver operating characteristic curve is '1'. ’ means a classification model with good performance.

도 7에서 보는 바와 같이, 분류된 기본 집단, 즉 학습 집단(training cohort)과 검증 집단에 대하여 점수 산출부(130)에서 산출된 당뇨병 예측 점수를, 예측 능력 검증부(140)가 기계 학습(machine learning) 기법을 이용한 모델들의 예측값과 비교한다.As shown in FIG. 7, the diabetes prediction score calculated by the score calculation unit 130 for the classified basic group, that is, the training cohort and the verification group, the predictive ability verification unit 140 performs machine learning (machine learning). Compare with the predicted values of the models using the learning method.

그 결과, 수신자 조작 특성 곡선 아래 면적이 거의 일치함을 알 수 있었다.As a result, it was found that the area under the receiver operating characteristic curve was almost identical.

즉, 학습 집단과 검증 집단에 대하여 본 발명의 일 실시예에 따라 산출한 당뇨병 예측 점수는 수신자 조작 특성 곡선 아래 면적이 각각 0.73, 0.72로서, 상기 배경기술에서 언급된 기계 학습 기법들 중 랜덤 포레스트의 경우 0.75, 0.71, 익스트림 그레이디언트 부스팅(XGBoost)의 경우 0.74, 0.70, 라소 회귀 분석(LASSO regression analysis)의 경우 0.75, 0.75와 95 % 신뢰 구간에서 거의 일치한다.That is, the diabetes prediction scores calculated according to an embodiment of the present invention for the learning group and the verification group have areas under the receiver operating characteristic curve of 0.73 and 0.72, respectively, and among the machine learning techniques mentioned in the background art, the random forest 0.75 and 0.71 for extreme gradient boosting (XGBoost), 0.74 and 0.70 for LASSO regression analysis, and 0.75 and 0.75 for LASSO regression analysis.

본 발명의 예측 능력 검증부(140)는 이렇게 점수 산출부(130)에서 산출한 당뇨병 예측 점수를 상기 기계 학습 기법들을 이용한 모델의 예측값과 비교하여 점수 체계의 예측 능력의 유용성을 검증한다.The predictive ability verification unit 140 of the present invention compares the diabetes prediction score calculated by the score calculation unit 130 with the predicted value of the model using the machine learning techniques to verify the usefulness of the predictive ability of the score system.

또한, 도 8에서 학습 집단 및 검증 집단에 대하여 위암 수술을 받은 지 3년, 6년, 9년 된 환자군의 당뇨병 예측 점수 대비 제2형 당뇨병 관해가 실제 진행된 비율을 살펴보면, 전반적으로 당뇨병 예측 점수대가 높을수록 제2형 당뇨병 관해가 진행된 비율이 높고, 점수대 별로 위암 수술을 받은 햇수가 길수록 제2형 당뇨병 관해가 진행된 비율이 낮게 나타남을 알 수 있다.In addition, in FIG. 8, looking at the rate of actual progress in remission of type 2 diabetes compared to the diabetes prediction score of the patients who underwent gastric cancer surgery for 3, 6, and 9 years for the learning group and the verification group, overall diabetes prediction score range The higher the score, the higher the rate of remission of type 2 diabetes, and the longer the number of years of gastric cancer surgery for each score, the lower the rate of progression of type 2 diabetes.

즉, 당뇨병 예측 점수대가 0~2 점 대보다 12~14 점 대까지 높아질수록 제2형 당뇨병 관해 증상, 즉 위암 수술 이후 당뇨병 약을 중단한 상태로 정상 혈당을 유지하는 환자의 비율이 비례해서 높아지고, 동일한 당뇨병 예측 점수대(0~2 점 대 내지 12~14 점 대)에서는 위암 수술을 받은 햇수가 길수록(3년 < 6년 < 9년) 당뇨병 약을 중단한 상태로 정상 혈당을 유지하는 환자의 비율이 반비례해서 낮아진다.In other words, as the diabetes prediction score range increases from 0 to 2 to 12 to 14 points, the rate of type 2 diabetes remission symptoms, that is, the proportion of patients who maintain normal blood sugar while stopping diabetes medication after gastric cancer surgery increases proportionally, Proportion of patients who have had gastric cancer surgery for longer years (3 years < 6 years < 9 years) and maintain normal blood sugar levels while discontinuing antidiabetic drugs in the same diabetes predictive score range (0-2 points to 12-14 points) This is inversely proportional to the lower

상기에서는 위암 수술을 받은 제2형 당뇨병 환자들 중 관해 증상의 진행을 경험한 환자들을 예시하여 설명되어 있지만, 이는 하나의 실시예로서 이를 한정하는 것은 아니다.In the above, patients with type 2 diabetes who underwent gastric cancer surgery have been described as examples, but this is not limited to this as an example.

이와 같이, 본 발명은 위암 수술 전 제2형 당뇨병 병력이 있었던 환자군에 대하여, 수술 전 각종 임상 지표를 이용해 당뇨병 예측 점수를 산출하고, 당뇨병 예후 예측 애플리케이션 또는 당뇨병 예후 예측 프로그램과의 연동을 통해 수술 이후 제2형 당뇨병의 다양한 진행 과정에 대한 정확한 예측 데이터를 제공할 수 있는 위암 수술 이후 제2형 당뇨병 예후의 예측 방법을 제공한다.As such, the present invention calculates a diabetes prediction score using various clinical indicators before surgery for a patient group with a history of type 2 diabetes before gastric cancer surgery, and after surgery through linkage with a diabetes prognosis prediction application or a diabetes prognosis prediction program. To provide a method for predicting the prognosis of type 2 diabetes after gastric cancer surgery, which can provide accurate predictive data on various stages of type 2 diabetes.

이를 통하여, 본 발명은 위암 수술 이후 발생할 수 있는 제2형 당뇨병의 다양한 진행과정을 효과적으로 예측할 수 있어, 수술 이후 혈당 관리의 적절성이 현저하게 향상되고, 수술 이후 당뇨병 약물치료의 반복 처방으로 인한 부작용을 예방할 수 있다.Through this, the present invention can effectively predict various processes of type 2 diabetes that can occur after gastric cancer surgery, significantly improve the appropriateness of blood sugar management after surgery, and avoid side effects caused by repeated prescriptions of diabetes drug treatment after surgery. It can be prevented.

또한, 환자가 휴대용 단말기 등에 탑재된 당뇨병 예후 예측 애플리케이션 등을 통해 제2형 당뇨병의 다양한 진행과정 예측을 간단하고 편리하게 자가 진단할 수 있게 된다. In addition, the patient can simply and conveniently self-diagnose various progressions of type 2 diabetes through a diabetes prognosis prediction application mounted on a portable terminal or the like.

또한, 학습 집단과 검증 집단에 대하여 산출된 당뇨병 예측 점수를 다양한 기계 학습 기법을 이용한 모델의 예측력과 비교하여 점수 체계의 예측 능력을 검증함으로써, 예측의 정확도를 향상할 수 있게 된다.In addition, prediction accuracy can be improved by comparing the diabetes prediction scores calculated for the learning group and the verification group with the predictive power of models using various machine learning techniques to verify the predictive ability of the scoring system.

이상, 일부 예를 들어서 본 발명의 바람직한 여러 가지 실시예에 대해서 설명하였지만, 본 "발명을 실시하기 위한 구체적인 내용" 항목에 기재된 여러 가지 다양한 실시예에 관한 설명은 예시적인 것에 불과한 것이며, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 이상의 설명으로부터 본 발명을 다양하게 변형하여 실시하거나 본 발명과 균등한 실시를 행할 수 있다는 점을 잘 이해하고 있을 것이다.In the above, several preferred embodiments of the present invention have been described with some examples, but the description of the various embodiments described in the "Specific Contents for Carrying Out the Invention" section is merely illustrative, and the present invention Those skilled in the art will understand from the above description that the present invention can be practiced with various modifications or equivalent implementations of the present invention can be performed.

또한, 본 발명은 다른 다양한 형태로 구현될 수 있기 때문에 본 발명은 상술한 설명에 의해서 한정되는 것이 아니며, 이상의 설명은 본 발명의 개시 내용이 완전해지도록 하기 위한 것으로 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것일 뿐이며, 본 발명은 청구범위의 각 청구항에 의해서 정의될 뿐임을 알아야 한다.In addition, since the present invention can be implemented in various other forms, the present invention is not limited by the above description, and the above description is intended to complete the disclosure of the present invention and is common in the technical field to which the present invention belongs. It is only provided to completely inform those skilled in the art of the scope of the present invention, and it should be noted that the present invention is only defined by each claim of the claims.

100: 당뇨병 예후 예측 장치
110: 대상 분류부
120: 변수 선별부
130: 점수 산출부
140: 예측 능력 검증부
200: 휴대용 단말기
300: 개인용 PC
400: 기관 서버100: diabetes prognosis prediction device
110: target classification unit
120: variable selection unit
130: score calculation unit
140: prediction ability verification unit
200: portable terminal
300: Personal PC
400: institutional server

Claims (10)

(a) 대상 분류부가 대상 환자군에 대하여 위암 수술을 받은 시점이 속하는 기간에 따라 기본 집단과 검증 집단으로 분류하는 단계;
(b) 변수 선별부가 상기 분류된 대상 환자군의 위암 수술 후 일정기간 당뇨병 예후를 예측하기 위한 수술 전 변수를 선별하는 단계;
(c) 점수 산출부가 상기 선별된 수술 전 변수를 인가받아 각 변수의 기준 값에 따라 당뇨병의 진행 증상을 평가하는 당뇨병 예측 점수를 산출하는 단계; 및
(d) 예측 능력 검증부가 상기 산출된 당뇨병 예측 점수를 인가받아 상기 기본 집단 및 상기 검증 집단에 대하여 수신자 조작 특성 곡선 아래 면적을 계산하여 점수 체계의 유용성을 검증하는 단계;
를 포함하는 것을 특징으로 하는, 위암 수술 이후 제2형 당뇨병 예후의 예측 방법으로서,
상기 (b) 단계에서
상기 선별된 수술 전 변수는
수술 직전 나이, 체질량 지수, 위암 수술 방법, 공복 혈당 및 당뇨병 약물치료 데이터를 포함하고,
상기 변수 선별부는 상기 선별된 수술 전 변수를 제2형 당뇨병 예후의 독립된 예측 변수로 설정하고,
성별, 흡연 상태, 알코올 소비량, 운동, 수입 상태, 혈압, 보조 화학 요법, 고혈압, 이상 지질 혈증, 울혈성 심부전증, 폐 질환, 간 질환, 만성 신장 질환, 뇌졸중 및 치매를 조절된 예측 변수로 설정할 수 있는 것을 특징으로 하는, 위암 수술 이후 제2형 당뇨병 예후의 예측 방법.
(a) classifying a target patient group into a basic group and a verification group according to a period to which a target patient group underwent gastric cancer surgery belongs;
(b) selecting, by a variable selector, preoperative variables for predicting a diabetes prognosis for a certain period after gastric cancer surgery in the classified target patient group;
(c) calculating a diabetes prediction score for evaluating progressing symptoms of diabetes according to a reference value of each variable by receiving the selected preoperative variable by a score calculation unit; and
(d) verifying the usefulness of the scoring system by a predictive capability verification unit receiving the calculated diabetes prediction score and calculating the area under the receiver-operated characteristic curve for the basic group and the verification group;
As a method for predicting the prognosis of type 2 diabetes after gastric cancer surgery, comprising:
In step (b) above
The selected preoperative variables are
Including data on age immediately before surgery, body mass index, gastric cancer surgery method, fasting blood sugar and diabetes drug treatment,
The variable selector sets the selected preoperative variable as an independent predictor of type 2 diabetes prognosis,
Gender, smoking status, alcohol consumption, exercise, income status, blood pressure, adjuvant chemotherapy, hypertension, dyslipidemia, congestive heart failure, lung disease, liver disease, chronic kidney disease, stroke, and dementia could be adjusted predictors. Characterized in that, a method for predicting the prognosis of type 2 diabetes after gastric cancer surgery.
 제1항에 있어서,
상기 (a) 단계에서,
상기 대상 분류부는
상기 대상 환자군 중 제1 기간에 위암 수술을 받은 환자들로 구성된 상기 기본 집단과,
상기 제1 기간 이후의 제2 기간에 위암 수술을 받은 환자들로 구성된 상기 검증 집단으로 분류하는 것을 특징으로 하는,
위암 수술 이후 제2형 당뇨병 예후의 예측 방법.
According to claim 1,
In step (a),
The target classification unit
The basic group consisting of patients who underwent gastric cancer surgery in the first period among the target patient groups;
Characterized in that the classification into the verification group consisting of patients who underwent gastric cancer surgery in the second period after the first period,
A method for predicting the prognosis of type 2 diabetes after gastric cancer surgery.
 제1항에 있어서,
상기 (b) 단계는,
위암 수술 전 제2형 당뇨병 병력이 있었던 상기 대상 환자군에 대하여, 상기 변수 선별부가 로지스틱 회귀모형을 이용하여 상기 제2형 당뇨병의 예후를 예측하는 상기 수술 전 변수를 선별하는 것을 특징으로 하는,
위암 수술 이후 제2형 당뇨병 예후의 예측 방법.
According to claim 1,
In step (b),
Characterized in that, for the target patient group having a history of type 2 diabetes before gastric cancer surgery, the variable selection unit selects the pre-surgery variable predicting the prognosis of the type 2 diabetes using a logistic regression model,
A method for predicting the prognosis of type 2 diabetes after gastric cancer surgery.
 삭제delete 삭제delete 제1항에 있어서,
상기 (c) 단계에서,
상기 점수 산출부가 상기 선별된 수술 전 변수의 기준 값 외에 변수의 서브 항목에 따라 상기 당뇨병 예측 점수를 산출하는 것을 특징으로 하는,
위암 수술 이후 제2형 당뇨병 예후의 예측 방법.
According to claim 1,
In step (c),
Characterized in that the score calculation unit calculates the diabetes prediction score according to sub-items of variables in addition to the reference values of the selected preoperative variables,
A method for predicting the prognosis of type 2 diabetes after gastric cancer surgery.
 제6항에 있어서,
상기 (c) 단계에서,
상기 변수의 서브 항목은,
상기 선별된 수술 전 변수가 위암 수술 방법인 경우, 부분 위 절제술 및 전체 위 절제술을 포함하고,
상기 선별된 수술 전 변수가 당뇨병 약물치료인 경우, 술포닐우레아를 포함하는 병용 요법, 술포닐우레아를 포함하지 않는 병용 요법, 술포닐우레아 단일 요법 및 술포닐우레아를 포함하지 않는 단일 요법을 포함하는 것을 특징으로 하는,
위암 수술 이후 제2형 당뇨병 예후의 예측 방법.
According to claim 6,
In step (c),
The subitem of the variable is,
When the selected preoperative variable is a gastric cancer surgical method, including partial gastrectomy and total gastrectomy,
When the selected preoperative variable is diabetes drug treatment, combination therapy including sulfonylurea, combination therapy not including sulfonylurea, sulfonylurea monotherapy, and monotherapy not including sulfonylurea characterized in that,
A method for predicting the prognosis of type 2 diabetes after gastric cancer surgery.
 제1항에 있어서,
상기 (c) 단계에서,
상기 점수 산출부는 상기 선별된 수술 전 변수의 교차비를 참고하여 각 변수의 가중치를 부여해서 상기 당뇨병 예측 점수를 계산하는 것을 특징으로 하는,
위암 수술 이후 제2형 당뇨병 예후의 예측 방법.
According to claim 1,
In step (c),
Characterized in that the score calculation unit calculates the diabetes prediction score by assigning a weight to each variable with reference to the odds ratio of the selected preoperative variable,
A method for predicting the prognosis of type 2 diabetes after gastric cancer surgery.
 제1항에 있어서,
상기 (d) 단계는,
상기 예측 능력 검증부가 상기 산출된 당뇨병 예측 점수를 복수개의 기계 학습 기법을 이용한 모델의 예측값과 비교하여 상기 점수 체계의 유용성을 검증하는 단계;
를 더 포함하는 것을 특징으로 하는,
위암 수술 이후 제2형 당뇨병 예후의 예측 방법.
According to claim 1,
In step (d),
verifying the usefulness of the scoring system by comparing the calculated diabetes prediction score with the predictive value of a model using a plurality of machine learning techniques;
Characterized in that it further comprises,
A method for predicting the prognosis of type 2 diabetes after gastric cancer surgery.
 제9항에 있어서,
상기 복수개의 기계 학습 기법은,
랜덤 포레스트 기법, 익스트림 그레이디언트 부스팅 기법 및 라소 회귀 분석 기법을 포함하는 것을 특징으로 하는,
위암 수술 이후 제2형 당뇨병 예후의 예측 방법.
According to claim 9,
The plurality of machine learning techniques,
Characterized by including a random forest technique, an extreme gradient boosting technique and a lasso regression technique,
A method for predicting the prognosis of type 2 diabetes after gastric cancer surgery.
KR1020210018747A 2021-02-10 2021-02-10 A method for predicting the prognosis of type 2 diabetes after gastric cancer surgery KR102510347B1 (en)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020210018747A KR102510347B1 (en) 2021-02-10 2021-02-10 A method for predicting the prognosis of type 2 diabetes after gastric cancer surgery
PCT/KR2022/001945 WO2022173201A2 (en) 2021-02-10 2022-02-09 Method for prognosis of type 2 diabetes mellitus after stomach cancer surgery

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210018747A KR102510347B1 (en) 2021-02-10 2021-02-10 A method for predicting the prognosis of type 2 diabetes after gastric cancer surgery

Publications (2)

Publication Number Publication Date
KR20220115723A KR20220115723A (en) 2022-08-18
KR102510347B1 true KR102510347B1 (en) 2023-03-20

Family

ID=82837800

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210018747A KR102510347B1 (en) 2021-02-10 2021-02-10 A method for predicting the prognosis of type 2 diabetes after gastric cancer surgery

Country Status (2)

Country Link
KR (1) KR102510347B1 (en)
WO (1) WO2022173201A2 (en)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011528117A (en) 2008-07-15 2011-11-10 メタノミクス ヘルス ゲーエムベーハー Means and methods for diagnosing gastric bypass and related conditions
US20150332020A1 (en) 2014-05-16 2015-11-19 Corcept Therapeutics, Inc. Systems and methods of managing treatment of a chronic condition by symptom tracking

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110024044A (en) * 2016-09-28 2019-07-16 曼迪奥研究有限公司 For excavating the system and method for medical data
KR102024373B1 (en) * 2016-12-30 2019-09-23 서울대학교 산학협력단 Apparatus and method for predicting disease risk of metabolic disease
KR102467999B1 (en) * 2019-06-27 2022-11-17 서울대학교산학협력단 Etiome model for gastric cancer development based on multi-layer ad multi-factor panel and computational biological network modeling

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011528117A (en) 2008-07-15 2011-11-10 メタノミクス ヘルス ゲーエムベーハー Means and methods for diagnosing gastric bypass and related conditions
US20150332020A1 (en) 2014-05-16 2015-11-19 Corcept Therapeutics, Inc. Systems and methods of managing treatment of a chronic condition by symptom tracking

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Kim J W, etc., Outcome after gastrectomy in gastric cancer patients with type 2 diabetes. World Journal of Gastroenterology. Vol.18, Issue 1, pp.49~54 (2012.01.07.)*

Also Published As

Publication number Publication date
KR20220115723A (en) 2022-08-18
WO2022173201A3 (en) 2022-10-06
WO2022173201A2 (en) 2022-08-18

Similar Documents

Publication Publication Date Title
JP7278571B2 (en) A support system for estimating the internal state of a target system
US20200303074A1 (en) Individualized and collaborative health care system, method and computer program
Bulik et al. Prevalence, heritability, and prospective risk factors for anorexia nervosa
US10692589B2 (en) “Indima apparatus” system, method and computer program product for individualized and collaborative health care
Wallace et al. Predictive value of pre-plus disease in retinopathy of prematurity
US20210057056A1 (en) System and Method for Developing Artificial Intelligent Digital Therapeutics with Drug Therapy for Precision and Personalized Care Pathway
Harjai et al. An intelligent clinical decision support system based on artificial neural network for early diagnosis of cardiovascular diseases in rural areas
Solomon et al. Extensive review on the role of machine learning for multifactorial genetic disorders prediction
Hasanzad et al. Artificial intelligence perspective in the future of endocrine diseases
US20240055122A1 (en) Methods, systems and related aspects for real-time prediction of adverse outcomes using machine learning and high-dimensional clinical data
RU2752792C1 (en) System for supporting medical decision-making
KR102510347B1 (en) A method for predicting the prognosis of type 2 diabetes after gastric cancer surgery
Al-Khasawneh et al. A predictive E-Health information system: Diagnosing diabetes mellitus using neural network based decision support system
Lutimath et al. Prediction of heart disease using hybrid machine learning technique
Raghavendra et al. DLMNN Based Heart Disease Prediction with PD-SS Optimization Algorithm
Ognjanović et al. Development of ICT Enhanced Person-Centred Care Services for Stroke Outpatient Rehabilitation
US11766223B1 (en) Systems and methods for processing of fundus images
Maria et al. Obesity Risk Prediction Using Machine Learning Approach
Ghori A Health Diagnostic Tool for Tracking and Predicting Diseases from Blood Examination Report
Nazzal et al. Utilization of Machine Learning in Patient Admission into Intensive Care Units
Bainn Hypertension Predictive Model with a Neural Network Approach: A Case Study of Kumasi Metropolis
Gebremariam Stroke Risk Prediction using Machine Learning
Daud et al. GRADIENT DESCENT OPTIMIZATION FOR INTELLIGENT CORONARY DISEASE DIAGNOSIS USING FOG
Agrawal et al. An Efficient Techniques For Disease Prediction From Medical Data Using Data Mining And Machine Learning
Kumar et al. Diabetes Prediction System Using Machine Learning

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right