KR20210147991A - Infectious disease possibility prediction device and infectious disease possibility prediction method using the same - Google Patents
Infectious disease possibility prediction device and infectious disease possibility prediction method using the same Download PDFInfo
- Publication number
- KR20210147991A KR20210147991A KR1020210070165A KR20210070165A KR20210147991A KR 20210147991 A KR20210147991 A KR 20210147991A KR 1020210070165 A KR1020210070165 A KR 1020210070165A KR 20210070165 A KR20210070165 A KR 20210070165A KR 20210147991 A KR20210147991 A KR 20210147991A
- Authority
- KR
- South Korea
- Prior art keywords
- infectious disease
- information
- prevalence
- individual
- possibility
- Prior art date
Links
- 208000015181 infectious disease Diseases 0.000 title claims abstract description 898
- 208000035473 Communicable disease Diseases 0.000 title claims abstract description 882
- 238000000034 method Methods 0.000 title claims abstract description 84
- 230000036760 body temperature Effects 0.000 claims abstract description 47
- 238000013528 artificial neural network Methods 0.000 claims abstract description 42
- 238000013135 deep learning Methods 0.000 claims abstract description 37
- 208000024891 symptom Diseases 0.000 claims abstract description 29
- 230000005540 biological transmission Effects 0.000 claims abstract description 17
- 230000002458 infectious effect Effects 0.000 claims description 29
- 201000010099 disease Diseases 0.000 claims description 16
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 16
- 238000003745 diagnosis Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 12
- 239000003814 drug Substances 0.000 claims description 8
- 229940079593 drug Drugs 0.000 claims description 7
- 238000013473 artificial intelligence Methods 0.000 claims 1
- 201000010740 swine influenza Diseases 0.000 abstract description 10
- 208000025370 Middle East respiratory syndrome Diseases 0.000 abstract description 8
- 201000003176 Severe Acute Respiratory Syndrome Diseases 0.000 abstract description 8
- 208000001528 Coronaviridae Infections Diseases 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 26
- 238000004891 communication Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 15
- 239000000427 antigen Substances 0.000 description 7
- 108091007433 antigens Proteins 0.000 description 7
- 102000036639 antigens Human genes 0.000 description 7
- 210000004369 blood Anatomy 0.000 description 7
- 239000008280 blood Substances 0.000 description 7
- 210000001124 body fluid Anatomy 0.000 description 7
- 239000010839 body fluid Substances 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 244000052769 pathogen Species 0.000 description 6
- 230000001717 pathogenic effect Effects 0.000 description 6
- 241000700605 Viruses Species 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 230000002068 genetic effect Effects 0.000 description 4
- 108091027963 non-coding RNA Proteins 0.000 description 4
- 102000042567 non-coding RNA Human genes 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000000844 transformation Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 229960005486 vaccine Drugs 0.000 description 4
- 239000002699 waste material Substances 0.000 description 4
- 108091032973 (ribonucleotides)n+m Proteins 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 206010022000 influenza Diseases 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 208000025721 COVID-19 Diseases 0.000 description 2
- 206010069767 H1N1 influenza Diseases 0.000 description 2
- 230000005875 antibody response Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 238000002483 medication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000004092 self-diagnosis Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 238000012956 testing procedure Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
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
- 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
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
-
- 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
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
-
- 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
- G16H50/70—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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
Description
본 발명은 감염병가능성 예측장치 및 이를 이용한 감염병가능성 예측방법에 관한 것으로서, 보다 상세하게는 개인의 체온 및 감염병 증상 등 감염병정보, 개인의 위치정보, 개인의 기후정보, 개인의 의료정보가 수집되었을 때, 감염병으로 진단된 사람에게서 수집된 기존 정보를 이용하여 판단된 1차, 2차, 3차, 4차 감염유행도와 수집된 개인의 감염병정보, 위치정보, 기후정보, 의료정보에 대한 딥러닝 기반의 인공신경망 학습을 수행하여 개인의 감염병가능성을 판단하는 감염병가능성 예측장치 및 이를 이용한 감염병가능성 예측방법에 관한 것이다. The present invention relates to a device for predicting the possibility of an infectious disease and a method for predicting the possibility of an infectious disease using the same, and more particularly, when infectious disease information such as an individual's body temperature and symptoms of an infectious disease, personal location information, personal climate information, and personal medical information are collected , based on deep learning of primary, secondary, tertiary, and quaternary infection prevalence determined using existing information collected from persons diagnosed with infectious diseases, and collected individual infectious disease information, location information, climate information, and medical information It relates to a device for predicting the possibility of an infectious disease that determines the possibility of an individual's infectious disease by performing artificial neural network learning and a method for predicting the possibility of an infectious disease using the same.
메르스, 사스, 신종플루, 코로나바이러스 감염증-19와 같은 다양한 감염병(전염성 질병)의 출현은 전세계적으로 중대한 보건 문제로 대두되고 있다. 최근의 코로나바이러스 감염증-19 사태에서 알 수 있듯이 운송 수단의 발달과 글로벌화로 인해 감염병은 국경을 무시하고 빠른 시간 내에 전 세계적으로 대유행을 만들고, 전세계적으로 빠르게 확산되어 전 세계적인 재앙으로 확대되고 있다.The emergence of various infectious diseases (communicable diseases) such as MERS, SARS, swine flu, and coronavirus infection-19 is emerging as a major health problem worldwide. As can be seen from the recent COVID-19 situation, due to the development and globalization of transportation means, infectious diseases ignore national borders and quickly create a global pandemic, spreading rapidly around the world and expanding into a global catastrophe.
이전부터 다양한 전염병을 대비하기 위한 생물학적 백신 개발이 활발하게 진행되고 있으나, 다양한 전염병에 대해 모두 적용가능한 백신은 사실상 존재하지 아니하며, 다양한 전염병에 대한 실질적인 대책은 현재로서는 조기에 예방하고 유행 및 확산을 방지하는 것이다. 특히, 다양한 전염병에 사용되는 백신의 제조에는 예를 들어 신종 플루의 경우 4~10개월 가량의 긴 시간이 필요하므로, 신종 플루 등의 다양한 전염병이 시작된 경우 백신 제조 기간 동안에 질병이 상당히 확산 되었을 가능성이 높고, 이 기간 동안 다양한 전염병의 유행과 확산을 막는 것이 무엇보다 중요하다.Although biological vaccines have been actively developed to prepare for various infectious diseases, there is virtually no vaccine applicable to all of them. will do In particular, since the production of vaccines used for various infectious diseases, for example, the H1N1 influenza takes a long time of about 4 to 10 months, when various infectious diseases such as H1N1 influenza started, there is a possibility that the disease spread considerably during the vaccine manufacturing period. It is of utmost importance to prevent the spread and spread of various infectious diseases during this period.
메르스, 사스, 신종플루, 코로나바이러스 감염증-19 같은 신종 감염병의 경우, 일반적으로 혈액이나 체액의 RNA 유전자 검사를 통해 감염여부를 판단하거나 항원, 항체 반응을 통한 감염여부를 판단한다. 그러나 개인이 신종 감염병에 감염되었는지 스스로 판단하고, 혈액이나 체액의 RNA 유전자 검사 또는 항원, 항체 반응을 위해 별도의 검사장을 찾는 것은 개인에게 많은 부담이 발생하는 일이다. 또한, 개인의 프라이버시의 측면에서 신종 감염병에 감염되었음에도 객관적인 판단이 존재하지 아니하므로 이를 숨기거나, 애써 감염 사실을 회피하는 경우가 많이 발생할 수 있다. 나아가 개인 스스로 신종 감염병에 감염되지 않았다고 잘못 판단하고, 혈액이나 체액의 RNA 유전자 검사 또는 항원, 항체 반응을 통해 감염여부를 객관적으로 확인하지 않았을 때 발생할 수 있는 2차, 3차 감염의 발생은 감염병 확산과 유행이라는 심각한 결과를 낳을 수 있다. 즉, 개인이 주관적으로 판단하고. 메르스, 사스, 신종플루, 코로나바이러스 감염증-19 같은 신종 감염병의 감염여부를 확인하기 위해 검사장을 방문토록 하기 보다는, 보다 객관적인 판단에 의해 메르스, 사스, 신종플루, 코로나바이러스 감염증-19 같은 신종 감염병의 감염여부를 1차적으로 확인하고, 2차적으로 보다 정확하게 확인하기 위해 검사장을 방문토록 하는 것이 감염병의 유행과 확산을 방지하는데 보다 효과적이다.In the case of novel infectious diseases such as MERS, SARS, swine flu, and coronavirus infection-19, infection is usually determined through RNA genetic testing in blood or body fluids or infection through antigen or antibody response. However, determining whether an individual is infected with a new infectious disease on their own and finding a separate testing center for RNA genetic testing of blood or body fluids or antigen and antibody response is a burden on the individual. In addition, in terms of personal privacy, even if an individual is infected with a new infectious disease, objective judgment does not exist, so there may be many cases of hiding it or trying to avoid the fact of infection. Furthermore, the occurrence of secondary and tertiary infections, which can occur when an individual mistakenly judges that they are not infected with a new infectious disease, and does not objectively confirm whether or not they are infected through RNA genetic testing of blood or body fluids or antigen or antibody reaction, is the spread of infectious diseases. It can have serious consequences of overpopulation. That is, it is subjectively judged by the individual. Rather than having to visit a testing center to check whether a person is infected with a novel infectious disease such as MERS, SARS, swine flu, or coronavirus infection-19, use a more objective judgment It is more effective to prevent the spread and spread of an infectious disease by first checking whether an infectious disease is infected or not, and then having the inspection center visit the second to check more accurately.
한편, 독감과 같은 전염병의 경우, 질병 관리 본부 등의 기관에서는 전염병 확산 조기 예방 차원에서 독감 표본 감시 사업을 진행하며, 독감의 유행 수준을 주 단위로 발표하고 있다. 그런데, 이러한 국가 단위인 유행 수준은 광범위한 지역에 영향을 주는 지수로서 개개인의 감염병가능성 판단에는 결정적인 영향을 주지 못하고 있다. 따라서, 개인 스스로 객관적으로 감염병유행도를 산정하고 이를 이용해 다양한 감염병에 대한 개개인의 감염가능성을 간단하고 객관적으로 판단하는 장치나 방법이 요구되고 있다. Meanwhile, in the case of infectious diseases such as the flu, institutions such as the Korea Centers for Disease Control and Prevention are conducting a flu sample monitoring project to prevent the spread of infectious diseases at an early stage, and announcing the influenza epidemic level on a weekly basis. However, this national epidemic level is an index that affects a wide area and does not have a decisive influence on the individual's determination of the possibility of an infectious disease. Therefore, there is a need for a device or method that objectively calculates the prevalence of an infectious disease by an individual and uses this to simply and objectively determine the individual's possibility of infection for various infectious diseases.
나아가, 혈액이나 체액의 RNA 유전자 검사하여 감염여부를 판단하는 과정이나 항원, 항체 반응을 통한 감염여부를 판단하는 과정 등 복잡하고 시간이 많이 소요되는 과학적 판단 과정 이전에 개인이 스스로 감염가능성을 간단하고 객관적으로 판단하는 장치나 방법이 필요하고, 개인이 스스로 감염가능성을 간단하고 객관적으로 판단한 이후에 복잡하고 시간이 많이 소요되는 과학적 판단 과정을 거치도록 함으로써, 불필요한 검사 절차를 진행함에 따라 발생할 수 있는 시간의 낭비와 비용의 낭비를 줄일 수 있다. Furthermore, before the complicated and time-consuming scientific judgment process, such as the process of determining whether an infection is caused by an RNA gene test in blood or body fluid or the process of determining whether an infection is caused by antigen or antibody reaction, an individual can simply and A device or method to objectively judge is needed, and the time that can occur as a result of unnecessary testing procedures is carried out by allowing individuals to simply and objectively determine the possibility of infection on their own and then go through a complex and time-consuming scientific judgment process. can reduce waste of money and waste of money.
이와 관련하여 감염병가능성 예측장치 및 이를 이용한 감염병가능성 예측방법과 관련된 선행기술로 대한민국 등록특허공보 제10-1779705호(특허문헌 1)가 개시된 바 있다.In this regard, as a prior art related to an apparatus for predicting the possibility of an infectious disease and a method for predicting the possibility of an infectious disease using the same, Korean Patent Registration No. 10-1779705 (Patent Document 1) has been disclosed.
특허문헌 1은 사물인터넷기반 신종 감염병 예측 대응 플랫폼 시스템에 관한 것으로, 감염 병원균 바이러스의 항체를 주입하고, 감염병의 해당 감염 병원균 바이러스에 따른 광원의 빛 세기, 파장, 색상을 측정하여 감염 병원균 바이러스를 감지하는 감염병 예측기, 감염병의 해당 감염 병원균 바이러스에 대하여 사용자의 자가진단이 가능한 스마트 단말, 감염병에 관한 사용자 정보 및 감염병의 해당 감염 병원균에 대한 정보를 저장하고, 통합, 비교, 분석하여 감염병을 예측하는 진단부, 상기 감염병 예측기, 상기 스마트 단말, 상기 진단부 간에 감염 병원균 바이러스 결과, 자가진단 결과, 감염병 예측 결과를 포함하는 감염병 정보 및 각각의 결과에 따른 대응 방안을 공유하도록 하는 통신 모듈을 포함한다.Patent Document 1 relates to an IoT-based new infectious disease prediction response platform system, which injects an antibody of an infectious pathogen virus and detects an infectious pathogen virus by measuring the light intensity, wavelength, and color of the light source according to the infectious pathogen virus of the infectious disease Infectious disease predictor, a smart terminal that allows users to self-diagnose the relevant infectious pathogen virus of an infectious disease, and a diagnosis that predicts an infectious disease by storing, integrating, comparing, and analyzing user information about the infectious disease and the information on the infectious pathogen of the infectious disease and a communication module configured to share infectious disease information including infection pathogen virus results, self-diagnosis results, and infectious disease prediction results among the unit, the infectious disease predictor, the smart terminal, and the diagnosis unit, and a response plan according to each result.
그러나, 특허문헌 1을 포함하는 종래의 감염병 예측 대응 시스템은 혈액이나 체액의 RNA 유전자를 검사하여 감염여부를 판단하는 과정이나 항원, 항체 반응을 통한 감염여부를 판단하는 과정 등 복잡하고 시간이 많이 소요되는 과정을 거쳐야 하므로, 시간이나 비용 면에서 문제가 존재하고, 시간이 많이 소요되는 감염여부 판단 과정에서 2차, 3차 감염이 발생할 가능성이 크므로 감염병의 확산과 유행이라는 심각한 문제가 발생할 수 있다.However, the conventional infectious disease prediction response system including Patent Document 1 is complex and time-consuming, such as a process of determining whether an infection is present by examining an RNA gene in blood or body fluid or a process of determining whether an infection is present through an antigen or antibody reaction. There is a problem in terms of time and cost, and since secondary and tertiary infections are highly likely to occur in the time-consuming process of determining whether or not an infection is present, serious problems such as the spread and prevalence of infectious diseases may occur. .
전술한 문제점을 해소함에 있어서, 본 발명의 목적은 부정확한 개인의 주관적 판단이 아닌 객관적인 자료에 의해 메르스, 사스, 신종플루, 코로나바이러스 감염증-19 같은 신종 감염병의 감염여부를 1차적으로 판단하므로, 감염병의 감염가능성 1차 판단에 정확성과 객관성이 존재하는 감염병가능성 예측장치 및 이를 이용한 감염병가능성 예측방법을 제공하는 것이다. In solving the above problems, the purpose of the present invention is to primarily determine whether or not to be infected with novel infectious diseases such as MERS, SARS, swine flu, and coronavirus infection-19 based on objective data rather than inaccurate individual subjective judgment. , to provide an infectious disease probability prediction device that has accuracy and objectivity in the primary determination of the infectivity of an infectious disease, and a method for predicting the possibility of an infectious disease using the same.
또한, 본 발명의 목적은 객관적인 자료에 의해 메르스, 사스, 신종플루, 코로나바이러스 감염증-19 같은 신종 감염병의 감염여부가 상대적으로 정확하게 1차로 판단되므로, 신종 감염병에 감염되지 않았음에도 감염여부를 확인하기 위하여 혈액이나 체액의 RNA 유전자 검사하여 감염여부를 판단하는 과정이나 항원, 항체 반응을 통한 감염여부를 판단하는 과정 등 복잡하고 시간이 많이 소요되는 2차 판단 과정을 거치는 빈도를 줄여 비용의 낭비와 시간의 낭비를 줄이는 감염병가능성 예측장치 및 이를 이용한 감염병가능성 예측방법을 제공하는 것이다. In addition, it is an object of the present invention to determine whether or not infection with novel infectious diseases such as MERS, SARS, swine flu, and coronavirus infection-19 is relatively accurately first determined based on objective data. In order to do this, it reduces the frequency of the complex and time-consuming secondary judgment process, such as the process of determining whether or not an infection is present by testing the RNA gene of blood or body fluid, or the process of determining whether or not infection is present through antigen or antibody reaction, thereby reducing the cost and waste of money. An object of the present invention is to provide a device for predicting the possibility of an infectious disease that reduces waste of time and a method for predicting the possibility of an infectious disease using the same.
또한, 본 발명의 목적은 개인이 주관적으로 신종 감염병에 감염되지 않았다고 잘못된 판단을 하고, 신종 감염병에 감염되었음에도 2차 과학적 판단 과정을 통해 감염여부를 객관적으로 확인하지 않았을 때 발생할 수 있는 2차, 3차 감염을 통한 감염병 확산과 유행의 위험을 방지할 수 있는 감염병가능성 예측장치 및 이를 이용한 감염병가능성 예측방법을 제공하는 것이다. In addition, it is an object of the present invention to objectively determine whether an individual is not infected with a new infectious disease through a secondary scientific judgment process despite being infected with a new infectious disease. It is to provide a device for predicting the possibility of an infectious disease that can prevent the spread and spread of an infectious disease through primary infection and a method for predicting the possibility of an infectious disease using the same.
본 발명의 실시예에 따른 감염병가능성 예측장치는 감염병으로 진단된 사람에게서 수집된 기존 감염병정보를 이용하여 1차 감염병유행도를 판단하는 감염병유행도 판단부, 체온 및 감염병 증상을 포함하는 개인의 감염병정보를 수집하는 감염병정보 수집부, 상기 1차 감염병유행도 및 상기 개인의 감염병정보에 대해 딥러닝 기반의 인공신경망 학습을 수행하여 개인의 감염병가능성을 판단하는 감염병가능성 판단부 및 상기 감염병가능성 판단부의 판단결과를 출력하거나 전송하는 감염병가능성 출력전송부를 포함하여 구성된다.The apparatus for predicting the possibility of an infectious disease according to an embodiment of the present invention includes an infectious disease prevalence determination unit that determines the primary infectious disease prevalence using existing infectious disease information collected from a person diagnosed with an infectious disease, and an individual infectious disease including body temperature and infectious disease symptoms. An infectious disease information collection unit that collects information, an infectious disease possibility determination unit that determines an individual's infectious disease possibility by performing deep learning-based artificial neural network learning on the primary infectious disease prevalence and the individual's infectious disease information, and the infectious disease possibility determination unit It is configured to include an infectious disease possibility output transmission unit that outputs or transmits the determination result.
이 경우, 본 발명의 실시예에 따른 감염병가능성 예측장치에서 1차 감염병유행도는 이하의 단순유행도와 표준유행도를 포함하여 판단되는 것을 특징으로 할 수 있다.In this case, in the apparatus for predicting the possibility of an infectious disease according to an embodiment of the present invention, the primary infectious disease prevalence may be determined including the following simple prevalence and standard prevalence.
단순유행도: Psimple(d) = Infectious7(d)/Infectious365(d)Simple Trend: P simple (d) = Infectious 7 (d)/Infectious 365 (d)
Infectious7(d) : 특정일 d 기준으로 이전 7일간의 감염병 진단수Infectious 7 (d): The number of diagnoses of infectious diseases in the previous 7 days based on the specific date d
Infectious365(d) : 특정일 d 기준으로 이전 365일간의 감염병 진단수Infectious 365 (d): The number of diagnoses of infectious diseases in the previous 365 days based on the specific date d
표준유행도 : Pstandard(d) = Infectious7(d)/diagnosis7(d)Standard prevalence: P standard (d) = Infectious 7 (d)/diagnosis 7 (d)
Infectious7(d) : 특정일 d 기준으로 이전 7일간의 감염병 진단수Infectious 7 (d): The number of diagnoses of infectious diseases in the previous 7 days based on the specific date d
diagnosis7(d) : 특정일 d 기준으로 이전 7일간의 질병 진단수diagnosis 7 (d): the number of disease diagnoses in the previous 7 days based on the specific date d
이 경우, 본 발명의 실시예에 따른 감염병가능성 예측장치는 개인의 감염병정보가 수집된 장소와 관련하여 개인의 위치정보를 수집하는 위치정보 수집부를 추가로 포함하며, 상기 감염병유행도 판단부는 감염병으로 진단된 사람에게서 수집된 기존 감염병정보와 기존 위치정보를 이용하여 2차 감염병유행도를 판단하며, 상기 감염병가능성 판단부는 상기 1차 감염병유행도, 상기 2차 감염병 유행도, 상기 개인의 감염병정보 및 상기 개인의 위치정보에 대해 딥러닝 기반의 인공신경망 학습을 수행하여 개인의 감염병가능성을 판단하는 것을 특징으로 할 수 있다.In this case, the apparatus for predicting the possibility of an infectious disease according to an embodiment of the present invention further includes a location information collecting unit that collects individual location information in relation to a place where the individual's infectious disease information is collected, and the infectious disease prevalence determining unit is an infectious disease. The second infectious disease prevalence is determined by using the existing infectious disease information and existing location information collected from the diagnosed person, and the infectious disease possibility determining unit is the primary infectious disease prevalence, the secondary infectious disease prevalence, the individual infectious disease information and It may be characterized in that the deep learning-based artificial neural network learning is performed on the location information of the individual to determine the possibility of an individual's infectious disease.
이 경우, 본 발명의 실시예에 따른 감염병가능성 예측장치에서 상기 위치정보수집부는 감염병으로 진단된 사람의 기존 위치정보와 개인의 위치정보를 이용하여 거리를 계산하며, 상기 감염병가능성 출력전송부를 통해 계산된 거리를 출력하거나 전송하여 경고하는 것을 특징으로 할 수 있다.In this case, in the apparatus for predicting the possibility of an infectious disease according to an embodiment of the present invention, the location information collection unit calculates the distance using the existing location information of a person diagnosed with an infectious disease and the individual location information, and calculates it through the infectious disease possibility output transmission unit It may be characterized in that it outputs or transmits a given distance to warn.
이 경우, 본 발명의 실시예에 따른 감염병가능성 예측장치에서 2차 감염병유행도는 이하의 지역평균체온과 지역감염병분율을 포함하여 판단되는 것을 특징으로 할 수 있다.In this case, in the apparatus for predicting the possibility of an infectious disease according to an embodiment of the present invention, the secondary infectious disease prevalence may be determined by including the following regional average body temperature and regional infectious disease fraction.
지역평균체온 : mtemp(lat, lng) = ∑(tempi/tempn)Regional average body temperature: m temp (lat, lng) = ∑(temp i /temp n )
lat: 개인의 위치정보와 관련된 위도lat: Latitude related to personal location information
lng: 개인의 위치정보와 관련된 경도lng: Longitude related to personal location information
tempi : 개인과 같은 도시(시/군/구) 안에서 전일 측정된 다른 체온들temp i : Other body temperatures measured on the previous day in the same city (city/gun/gu) as the individual
tempn : 개인과 같은 도시(시/군/구) 안에서 전일 측정된 다른 체온들의 갯수temp n : the number of other body temperatures measured on the previous day in the same city (city/gun/gu) as the individual
지역감염병분율 : Plocal(d, r) = Infectiouslocal7(d, r)/diagnosislocal7(d, r)Local infectious disease fraction: P local (d, r) = Infectious local7 (d, r)/diagnosis local7 (d, r)
Infectiouslocal7(d, r) : 개인의 위치정보와 거리 r 이내, 특정일 d 기준으로 이전 7일간의 감염병 진단수Infectious local7 (d, r): The number of diagnoses of infectious diseases in the previous 7 days based on individual location information and distance r within r
diagnosislocal7(d, r) : 개인의 위치정보와 거리 r 이내, 특정일 d 기준으로 이전 7일간의 질병 진단수diagnosis local7 (d, r): within the distance r from the individual's location information, the number of disease diagnoses in the previous 7 days based on the specific date d
이 경우, 본 발명의 실시예에 따른 감염병가능성 예측장치는 감염병정보가 수집된 장소와 관련하여 개인의 기후정보를 수집하는 기후정보 수집부를 추가로 포함하며, 상기 감염병유행도 판단부는 감염병으로 진단된 사람에게서 수집된 기존 감염병정보, 기존 위치정보 및 기존 기후정보를 이용하여 3차 감염병유행도를 판단하며, 상기 감염병가능성 판단부는 상기 1차 감염병유행도, 상기 2차 감염병 유행도, 상기 3차 감염병유행도, 상기 개인의 감염병정보, 상기 개인의 위치정보 및 상기 개인의 기후정보에 대한 딥러닝 기반의 인공신경망 학습을 수행하여 개인의 감염병가능성을 판단하는 것을 특징으로 할 수 있다.In this case, the apparatus for predicting the possibility of an infectious disease according to an embodiment of the present invention further includes a climate information collecting unit that collects individual climate information in relation to a place where the infectious disease information is collected, and the infectious disease prevalence determining unit is diagnosed with an infectious disease. The tertiary infectious disease prevalence is determined using the existing infectious disease information, existing location information, and existing climate information collected from humans, and the infectious disease possibility determining unit is the primary infectious disease prevalence, the secondary infectious disease prevalence, and the tertiary infectious disease. It may be characterized in that an individual's infectious disease possibility is determined by performing deep learning-based artificial neural network learning on the prevalence, the individual's infectious disease information, the individual's location information, and the individual's climate information.
이 경우, 본 발명의 실시예에 따른 감염병가능성 예측장치는 진찰자료, 검사자료, 투약한 약의 정보, 투약 주기, 투약 후 체온 및 투약 후 감염병 증상을 포함하는 개인의 의료정보를 수집하는 의료정보 수집부를 추가로 포함하며, 상기 감염병유행도 판단부는 감염병으로 진단된 사람에게서 수집된 기존 감염병정보, 기존 위치정보, 기존 기후정보 및 기존 의료정보를 이용하여 4차 감염병유행도를 판단하며, 상기 감염병가능성 판단부는 상기 1차 감염병유행도, 상기 2차 감염병 유행도, 상기 3차 감염병유행도, 상기 4차 감염병유행도, 상기 개인의 감염병정보, 상기 개인의 위치정보, 상기 개인의 기후정보 및 상기 개인의 의료정보에 대한 딥러닝 기반의 인공신경망 학습을 수행하여 개인의 감염병가능성을 판단하는 것을 특징으로 할 수 있다.In this case, the apparatus for predicting the possibility of an infectious disease according to an embodiment of the present invention collects personal medical information including medical examination data, test data, information on administered drugs, dosing cycle, body temperature after administration, and symptoms of infectious disease after administration. It further includes a collection unit, wherein the infectious disease epidemic determination unit determines the prevalence of a fourth infectious disease using existing infectious disease information, existing location information, existing climate information, and existing medical information collected from a person diagnosed with an infectious disease, The possibility determining unit includes the first infectious disease prevalence, the secondary infectious disease prevalence, the tertiary infectious disease prevalence, the fourth infectious disease prevalence, the individual infectious disease information, the individual location information, the individual climate information, and the It may be characterized in that it performs deep learning-based artificial neural network learning on personal medical information to determine the possibility of an individual's infectious disease.
본 발명의 실시예에 따른 감염병가능성 예측방법은 감염병으로 진단된 사람에게서 수집된 기존 감염병정보를 이용하여 1차 감염병유행도를 판단하는 단계, 체온 및 감염병 증상을 포함하는 개인의 감염병정보를 수집하는 단계, 상기 1차 감염병유행도 및 상기 개인의 감염병정보에 대해 딥러닝 기반의 인공신경망 학습을 수행하여 개인의 감염병가능성을 판단하는 단계 및 상기 감염병가능성 판단부의 판단결과를 출력하거나 전송하는 단계를 포함하여 구성된다.The method for predicting the possibility of an infectious disease according to an embodiment of the present invention comprises the steps of determining the prevalence of a primary infectious disease using existing infectious disease information collected from a person diagnosed with an infectious disease, and collecting personal infectious disease information including body temperature and infectious disease symptoms. Step, performing deep learning-based artificial neural network learning on the primary infectious disease prevalence and the individual infectious disease information to determine the individual's infectious disease possibility, and outputting or transmitting the determination result of the infectious disease possibility determination unit is composed by
본 발명의 실시예에 따른 감염병가능성 예측방법은 감염병으로 진단된 사람에게서 수집된 기존 감염병정보를 이용하여 1차 감염병유행도를 판단하는 단계, 감염병으로 진단된 사람에게서 수집된 기존 감염병정보와 기존 위치정보를 이용하여 2차 감염병유행도를 판단하는 단계, 체온 및 감염병 증상을 포함하는 개인의 감염병정보를 수집하는 단계, 감염병정보가 수집된 장소와 관련하여 개인의 위치정보를 수집하는 단계, 상기 1차 감염병유행도, 상기 2차 감염병 유행도, 상기 개인의 감염병정보 및 상기 개인의 위치정보에 대해 딥러닝 기반의 인공신경망 학습을 수행하여 개인의 감염병가능성을 판단하는 단계 및 상기 감염병가능성 판단부의 판단결과를 출력하거나 전송하는 단계를 포함하여 구성된다.The method for predicting the possibility of an infectious disease according to an embodiment of the present invention comprises the steps of determining a primary infectious disease prevalence using existing infectious disease information collected from a person diagnosed with an infectious disease, existing infectious disease information collected from a person diagnosed with an infectious disease and existing location Determining the prevalence of a secondary infectious disease using the information, collecting personal infectious disease information including body temperature and infectious disease symptoms, collecting personal location information in relation to the place where the infectious disease information was collected; Determining the possibility of an individual by performing deep learning-based artificial neural network learning on the secondary infectious disease prevalence, the secondary infectious disease prevalence, the individual infectious disease information and the individual location information, and the determination of the infectious disease possibility determination unit outputting or transmitting the result.
본 발명의 실시예에 따른 감염병가능성 예측방법은 감염병으로 진단된 사람에게서 수집된 기존 감염병정보를 이용하여 1차 감염병유행도를 판단하는 단계, 감염병으로 진단된 사람에게서 수집된 기존 감염병정보와 기존 위치정보를 이용하여 2차 감염병유행도를 판단하는 단계, 감염병으로 진단된 사람에게서 수집된 기존 감염병정보, 기존 위치정보 및 기존 기후정보를 이용하여 3차 감염병유행도를 판단하는 단계, 체온 및 감염병 증상을 포함하는 개인의 감염병정보를 수집하는 단계, 감염병정보가 수집된 장소와 관련하여 개인의 위치정보를 수집하는 단계, 감염병정보가 수집된 장소와 관련하여 개인의 기후정보를 수집하는 단계, 상기 1차 감염병유행도, 상기 2차 감염병 유행도, 상기 3차 감염병유행도, 상기 개인의 감염병정보, 상기 개인의 위치정보 및 상기 개인의 기후정보에 대한 딥러닝 기반의 인공신경망 학습을 수행하여 개인의 감염병가능성을 판단하는 단계 및 상기 감염병가능성 판단부의 판단결과를 출력하거나 전송하는 단계를 포함하여 구성된다.The method for predicting the possibility of an infectious disease according to an embodiment of the present invention comprises the steps of determining a primary infectious disease prevalence using existing infectious disease information collected from a person diagnosed with an infectious disease, existing infectious disease information collected from a person diagnosed with an infectious disease and existing location Determining the prevalence of a secondary infectious disease using information Collecting personal infectious disease information including: collecting personal location information in relation to the place where the infectious disease information was collected; collecting personal climate information in relation to the place where the infectious disease information was collected; By performing deep learning-based artificial neural network learning on the secondary infectious disease prevalence, the secondary infectious disease prevalence, the tertiary infectious disease prevalence, the individual infectious disease information, the individual location information, and the individual climate information and determining the possibility of an infectious disease and outputting or transmitting the determination result of the infectious disease possibility determination unit.
본 발명의 실시예에 따른 감염병가능성 예측방법은 감염병으로 진단된 사람에게서 수집된 기존 감염병정보를 이용하여 1차 감염병유행도를 판단하는 단계, 감염병으로 진단된 사람에게서 수집된 기존 감염병정보와 기존 위치정보를 이용하여 2차 감염병유행도를 판단하는 단계, 감염병으로 진단된 사람에게서 수집된 기존 감염병정보, 기존 위치정보 및 기존 기후정보를 이용하여 3차 감염병유행도를 판단하는 단계, 감염병으로 진단된 사람에게서 수집된 기존 감염병정보, 기존 위치정보, 기존 기후정보 및 기존 의료정보에 따라 4차 감염병유행도를 판단하는 단계, 체온 및 감염병 증상을 포함하는 개인의 감염병정보를 수집하는 단계, 감염병정보가 수집된 장소와 관련하여 개인의 위치정보를 수집하는 단계, 감염병정보가 수집된 장소와 관련하여 개인의 기후정보를 수집하는 단계, 진찰자료, 검사자료, 투약한 약의 정보, 투약 주기, 투약 후 체온 및 투약 후 감염병 증상을 포함하는 개인의 의료정보를 수집하는 단계, 상기 1차 감염병유행도, 상기 2차 감염병 유행도, 상기 3차 감염병유행도, 상기 4차 감염병유행도, 상기 개인의 감염병정보, 상기 개인의 위치정보, 상기 개인의 기후정보 및 상기 개인의 의료정보에 대한 딥러닝 기반의 인공신경망 학습을 수행하여 개인의 감염병가능성을 판단하는 단계 및 상기 감염병가능성 판단부의 판단결과를 출력하거나 전송하는 단계를 포함하여 구성된다.The method for predicting the possibility of an infectious disease according to an embodiment of the present invention comprises the steps of determining a primary infectious disease prevalence using existing infectious disease information collected from a person diagnosed with an infectious disease, existing infectious disease information collected from a person diagnosed with an infectious disease and existing location Determining the prevalence of a secondary infectious disease using information The stage of judging the fourth infectious disease epidemic according to the existing infectious disease information, existing location information, existing climate information, and existing medical information collected from humans, the stage of collecting personal infectious disease information including body temperature and infectious disease symptoms, The stage of collecting personal location information in relation to the collected place, the stage of collecting personal climate information in relation to the place where infectious disease information was collected, medical examination data, test data, information on the administered drug, dosing cycle, after administration Collecting personal medical information including body temperature and symptoms of an infectious disease after administration, the primary infectious disease prevalence, the secondary infectious disease prevalence, the tertiary infectious disease prevalence, the fourth infectious disease prevalence, and the individual's infectious disease performing deep learning-based artificial neural network learning for information, the individual's location information, the individual's climate information, and the individual's medical information to determine the individual's possibility of an infectious disease and output the determination result of the infectious disease possibility determination unit or comprising the step of transmitting.
상술한 바와 같이, 본 발명에 의한 감염병가능성 예측장치 및 이를 이용한 감염병가능성 예측방법은 부정확한 개인의 주관적 판단이 아닌 객관적인 자료에 의해 메르스, 사스, 신종플루, 코로나바이러스 감염증-19 같은 신종 감염병의 감염여부를 1차적으로 판단하므로, 감염병의 감염가능성 1차 판단에 정확성과 객관성이 존재하는 효과를 가진다.. As described above, the apparatus for predicting the possibility of an infectious disease and the method for predicting the possibility of an infectious disease using the same according to the present invention are based on objective data rather than an inaccurate individual subjective judgment. As it primarily determines whether or not an infection is present, it has the effect of having accuracy and objectivity in the primary determination of the possibility of infection of an infectious disease.
또한, 본 발명에 의한 감염병가능성 예측장치 및 이를 이용한 감염병가능성 예측방법은 객관적인 자료에 의해 메르스, 사스, 신종플루, 코로나바이러스 감염증-19 같은 신종 감염병의 감염여부가 상대적으로 정확하게 1차로 판단되므로, 신종 감염병에 감염되지 않았음에도 감염여부를 확인하기 위하여 혈액이나 체액의 RNA 유전자 검사하여 감염여부를 판단하는 과정이나 항원, 항체 반응을 통한 감염여부를 판단하는 과정 등 복잡하고 시간이 많이 소요되는 2차 판단 과정을 거치는 빈도를 줄여 비용의 낭비와 시간의 낭비를 줄이는 효과를 가진다.In addition, in the apparatus for predicting the possibility of an infectious disease according to the present invention and the method for predicting the possibility of an infectious disease using the same, the infection of new infectious diseases such as MERS, SARS, swine flu, and coronavirus infection-19 is relatively accurately determined primarily by objective data, In order to check whether a person is infected even though they are not infected with a new infectious disease, it is a complex and time-consuming secondary process, such as the process of determining whether or not an infection is present by testing the RNA gene of blood or body fluid, or the process of determining whether or not infection is made through antigen or antibody reaction. It has the effect of reducing the wastage of cost and time by reducing the frequency of the judgment process.
또한, 본 발명에 의한 감염병가능성 예측장치 및 이를 이용한 감염병가능성 예측방법은 개인이 주관적으로 신종 감염병에 감염되지 않았다고 잘못된 판단을 하고, 신종 감염병에 감염되었음에도 2차 과학적 판단 과정을 통해 감염여부를 객관적으로 확인하지 않았을 때 발생할 수 있는 2차, 3차 감염을 통한 감염병 확산과 유행의 위험을 방지할 수 있는 효과를 가진다.In addition, the apparatus for predicting the possibility of an infectious disease according to the present invention and the method for predicting the possibility of an infectious disease using the same subjectively determine that an individual is not infected with a new infectious disease, and objectively determine whether or not the person is infected through a secondary scientific judgment process even though he is infected with a new infectious disease. It has the effect of preventing the risk of spread and spread of infectious diseases through secondary and tertiary infections that may occur if not confirmed.
도 1은 본 발명의 실시예에 따라 1차 감염병유행도를 판단하고 이를 이용하여 개인의 감염병가능성을 판단하는 감염병가능성 예측장치의 구성을 보여주는 도면이다.
도 2는 본 발명의 실시예에 따라 2차 감염병유행도를 판단하고 이를 이용하여 개인의 감염병가능성을 판단하는 감염병가능성 예측장치의 구성을 보여주는 도면이다.
도 3은 본 발명의 실시예에 따라 3차 감염병유행도를 판단하고 이를 이용하여 개인의 감염병가능성을 판단하는 감염병가능성 예측장치의 구성을 보여주는 도면이다.
도 4는 본 발명의 실시예에 따라 4차 감염병유행도를 판단하고 이를 이용하여 개인의 감염병가능성을 판단하는 감염병가능성 예측장치의 구성을 보여주는 도면이다.
도 5는 본 발명의 실시예에 따라 1차 감염병유행도를 판단하고 이를 이용하여 개인의 감염병가능성을 판단하는 감염병가능성 예측방법의 순서를 보여주는 도면이다.
도 6은 본 발명의 실시예에 따라 2차 감염병유행도를 판단하고 이를 이용하여 개인의 감염병가능성을 판단하는 감염병가능성 예측방법의 순서를 보여주는 도면이다.
도 7은 본 발명의 실시예에 따라 3차 감염병유행도를 판단하고 이를 이용하여 개인의 감염병가능성을 판단하는 감염병가능성 예측방법의 순서를 보여주는 도면이다.
도 8은 본 발명의 실시예에 따라 4차 감염병유행도를 판단하고 이를 이용하여 개인의 감염병가능성을 판단하는 감염병가능성 예측방법의 순서를 보여주는 도면이다.
1 is a diagram showing the configuration of a device for predicting the possibility of an infectious disease for determining the prevalence of a primary infectious disease and using it to determine the possibility of an individual infectious disease according to an embodiment of the present invention.
2 is a diagram showing the configuration of a device for predicting the possibility of an infectious disease for determining the prevalence of a secondary infectious disease and using it to determine the possibility of an individual infectious disease according to an embodiment of the present invention.
3 is a diagram showing the configuration of a device for predicting the possibility of an infectious disease for determining the prevalence of a tertiary infectious disease and using it to determine the possibility of an individual infectious disease according to an embodiment of the present invention.
4 is a diagram showing the configuration of a device for predicting the possibility of an infectious disease for determining the prevalence of a fourth infectious disease and using it to determine the possibility of an individual's infectious disease according to an embodiment of the present invention.
5 is a diagram showing the sequence of a method for predicting the possibility of an infectious disease for determining the prevalence of a primary infectious disease and using the same to determine the possibility of an individual's infectious disease according to an embodiment of the present invention.
6 is a diagram showing the sequence of a method for predicting the possibility of an infectious disease for determining the prevalence of a secondary infectious disease and using the same to determine the likelihood of an individual's infectious disease according to an embodiment of the present invention.
7 is a view showing the sequence of a method for predicting the possibility of an infectious disease for determining the prevalence of a tertiary infectious disease and using the same to determine the possibility of an individual's infectious disease according to an embodiment of the present invention.
8 is a diagram showing the sequence of a method for predicting the possibility of an infectious disease for determining the prevalence of a fourth infectious disease and using the same to determine the possibility of an individual's infectious disease according to an embodiment of the present invention.
본 명세서 및 청구범위에 사용되는 용어나 단어는 통상적이거나 사전적인 의미로 한정 해석되지 않으며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 점에 입각하여, 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야 한다. 따라서, 본 발명의 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시예에 불과할 뿐이고 본 발명의 기술적 사상을 모두 대변하는 것은 아닌바, 본 발명의 출원 시점에 있어서 이를 대체할 수 있는 다양한 균등물과 변형예들이 가능하거나 존재할 수 있음을 이해하여야 할 것이다.The terms or words used in the present specification and claims are not to be construed as limited in their ordinary or dictionary meanings, and the inventor can appropriately define the concepts of terms to best describe his invention. Based on this, it should be interpreted as meaning and concept consistent with the technical idea of the present invention. Accordingly, the embodiments described in the specification of the present invention and the configurations shown in the drawings are only the most preferred embodiment of the present invention and do not represent all of the technical spirit of the present invention. It should be understood that various possible equivalents and variations are possible or existent.
또한, 본 발명을 설명하기에 앞서, 본 발명의 요지를 드러내기 위해서 필요하지 않은 사항 즉 통상의 지식을 가진 당업자가 자명하게 부가할 수 있는 공지 구성에 대해서는 설명하지 않거나, 구체적으로 기술하지 않았음을 밝혀둔다.In addition, prior to describing the present invention, it does not describe or specifically describe known components that are not necessary to reveal the gist of the present invention, that is, well-known components that can be obviously added by those skilled in the art. reveal the
도 1은 본 발명의 실시예에 따라 1차 감염병유행도를 판단하고 이를 이용하여 개인의 감염병가능성을 판단하는 감염병가능성 예측장치의 구성을 보여주는 도면이다.1 is a diagram showing the configuration of a device for predicting the possibility of an infectious disease for determining the prevalence of a primary infectious disease and using it to determine the possibility of an individual infectious disease according to an embodiment of the present invention.
도 1에 의하면, 본 발명의 실시예에 따른 감염병가능성 예측장치는 감염병으로 진단된 사람에게서 수집된 기존 감염병정보를 이용하여 1차 감염병유행도를 판단하는 감염병유행도 판단부(100), 체온 및 감염병 증상을 포함하는 개인의 감염병정보를 수집하는 감염병정보 수집부(200), 상기 1차 감염병유행도 및 상기 개인의 감염병정보에 대해 딥러닝 기반의 인공신경망 학습을 수행하여 개인의 감염병가능성을 판단하는 감염병가능성 판단부(300) 및 상기 감염병가능성 판단부(300)의 판단결과를 출력하거나 전송하는 감염병가능성 출력전송부(400)를 포함하여 구성된다. Referring to FIG. 1, the apparatus for predicting the possibility of an infectious disease according to an embodiment of the present invention includes an infectious disease prevalence determination unit 100 that determines a primary infectious disease prevalence using existing infectious disease information collected from a person diagnosed with an infectious disease, body temperature and Infectious disease information collection unit 200 that collects individual infectious disease information including infectious disease symptoms, and performs deep learning-based artificial neural network learning on the primary infectious disease prevalence and individual infectious disease information to determine the individual's infectious disease possibility and an infectious disease possibility determination unit 300 and an infectious disease possibility output transmission unit 400 for outputting or transmitting the determination result of the infectious disease possibility determination unit 300 .
본 발명인 감염병가능성 예측장치에서 감염병유행도 판단부(100)는 기존에 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보를 이용하여 1차 감염병유행도 등을 판단하는 구성으로서, 대상이 되는 감염병의 종류에는 특별한 제한이 존재하지 아니한다. 대표적인 감염병의 예로는 메르스, 사스, 신종플루, 코로나바이러스 감염증-19 등이 있다. 상기 감염병유행도 판단부(100)는 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보를 저장하는 정보저장부를 구비할 수 있으며, 상기 감염병유행도 판단부(100)는 수집된 다양한 감염병정보를 1차 감염병유행도 판단을 위해 처리 가능하도록 유효한 정보로 가공 처리할 수 있다. 가공 처리 과정에서 다양한 감염병정보는 필요에 따라 다양한 변환, 연산 처리 등이 수반될 수 있다. 1차 감염병유행도 판단은 다양한 정보와 다양한 방식으로 판단될 수 있으며, 특정한 정보와 특정한 방식을 이용하여 1차감염병유행도를 판단하는 것으로 한정되는 것은 아니다.In the apparatus for predicting the possibility of an infectious disease according to the present invention, the infectious disease prevalence determination unit 100 is configured to determine the primary infectious disease prevalence using various infectious disease information collected from a person previously diagnosed with an infectious disease, and the type of the target infectious disease There are no special restrictions on Examples of typical infectious diseases include MERS, SARS, swine flu, and COVID-19. The infectious disease prevalence determining unit 100 may include an information storage unit for storing various infectious disease information collected from a person diagnosed with an infectious disease, and the infectious disease prevalence determining unit 100 may first store the collected various infectious disease information. Infectious disease epidemics can also be processed into valid information to be processed for judgment. In the process of processing, various infectious disease information may be accompanied by various transformations and calculations as needed. The primary infectious disease prevalence can be determined using various information and various methods, and is not limited to determining the primary infectious disease prevalence using specific information and a specific method.
감염병으로 진단된 사람에게서 수집된 다양한 감염병정보를 이용하여 감염병유행도 판단부(100)가 1차 감염병유행도를 판단하는데, 1차 감염병유행도는 이하의 단순유행도와 표준유행도를 포함하여 판단될 수 있다.The infectious disease prevalence determination unit 100 determines the primary infectious disease prevalence using various infectious disease information collected from a person diagnosed with an infectious disease. can be
단순유행도: Psimple(d) = Infectious7(d)/Infectious365(d)Simple Trend: P simple (d) = Infectious 7 (d)/Infectious 365 (d)
Infectious7(d) : 특정일 d 기준으로 이전 7일간의 감염병 진단수Infectious 7 (d): The number of diagnoses of infectious diseases in the previous 7 days based on the specific date d
Infectious365(d) : 특정일 d 기준으로 이전 365일간의 감염병 진단수Infectious 365 (d): The number of diagnoses of infectious diseases in the previous 365 days based on the specific date d
단순유행도(Psimple(d))는 특정일 d 기준으로 이전 7일간의 감염병 진단수를 특정일 d 기준으로 이전 365일간의 감염병 진단수로 나눈 것으로서, 특정일 d 기준으로 이전 365일간의 감염병 진단수와 대비하여 특정일을 기준으로 7일간 감염병 진단수가 얼마나 증가하였는지 알 수 있고, 특정일 d 기준으로 이전 365일간의 감염병의 유행 강도와 대비하여 특정일을 기준으로 7일간 감염병의 유행 강도가 얼마나 증가하였는지 알 수 있다. 특정일 d는 자유롭게 선택될 수 있는데, 일반적으로 특정일 d는 개인의 감염병정보가 입력되거나 수집된 날을 선택하는 것이 바람직하다. The simple epidemic (P simple (d)) is the number of infectious disease diagnoses in the previous 7 days based on a specific day d divided by the number of infectious disease diagnoses in the previous 365 days based on the specific day d. You can see how much the number of infectious disease diagnoses increased for 7 days on a specific day compared to the number of diagnoses. You can see how much it has increased. The specific date d can be freely selected. In general, it is preferable to select the specific date d when personal infectious disease information is entered or collected.
표준유행도 : Pstandard(d) = Infectious7(d)/diagnosis7(d)Standard prevalence: P standard (d) = Infectious 7 (d)/diagnosis 7 (d)
Infectious7(d) : 특정일 d 기준으로 이전 7일간의 감염병 진단수Infectious 7 (d): The number of diagnoses of infectious diseases in the previous 7 days based on the specific date d
diagnosis7(d) : 특정일 d 기준으로 이전 7일간의 질병 진단수 diagnosis 7 (d): the number of disease diagnoses in the previous 7 days based on the specific date d
표준유행도(Pstandard(d))는 특정일 d 기준으로 이전 7일간의 감염병 진단수를 특정일 d 기준으로 이전 7일간의 질병 진단수로 나눈 것으로서, 특정일 d 기준으로 이전 7일간의 질병 진단수 중 특정일을 기준으로 7일간 감염병 진단수가 얼마만큼의 비율을 차지하는지 알 수 있고, 특정일 d 기준으로 7일 이전의 감염병 비율과 대비하여 특정일 d 기준으로 7일간 감염병 비율이 상대적으로 얼마나 증가하였는지 알 수 있다. 특정일 d는 자유롭게 선택될 수 있는데, 일반적으로 특정일 d는 개인의 감염병정보가 입력되거나 수집된 날을 선택하는 것이 바람직하다. Standard prevalence (P standard (d)) is the number of diagnoses of infectious diseases in the previous 7 days based on a specific date d divided by the number of diagnoses of diseases in the previous 7 days based on the specific date d. It is possible to know what percentage of the number of diagnoses of infectious diseases for 7 days based on a specific day. You can see how much it has increased. The specific date d can be freely selected. In general, it is preferable to select the specific date d when personal infectious disease information is entered or collected.
이상과 같이 단순유행도와 표준유행도를 포함하여 감염병유행도 판단부(100)가 1차 감염병유행도를 판단하는데, 감염병유행도가 단순유행도와 표준유행도에 한정되는 것은 아니고 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보를 이용하여 감염병유행도 판단부(100)가 다양한 방식으로 1차 감염병유행도를 판단할 수 있다.As described above, the infectious disease prevalence determination unit 100 determines the primary infectious disease prevalence, including simple and standard epidemics, and the infectious disease prevalence is not limited to simple and standard epidemics, but a person diagnosed with an infectious disease The infectious disease prevalence determination unit 100 may determine the primary infectious disease prevalence in various ways by using various infectious disease information collected from .
본 발명인 감염병가능성 예측장치에서 감염병정보 수집부(200)는 외부로부터 다양한 감염병정보를 입력받거나, 외부로부터 다양한 감염병정보를 유무선 통신을 통해 수신받는 등, 다양한 방식으로 감염병정보를 수집하는 역할을 수행한다. 상기 감염병정보 수집부(200)가 수집하는 감염병정보에는 특별한 제한이 없으며, 기본적으로 체온 및 기본적 감염병 증상을 포함한다. 또한 상기 감염병정보 수집부(200)가 다양한 감염병정보를 수집하는 방식에는 특별한 제한이 존재하는 것이 아니고, 개인이 감염병가능성 예측장치를 통해 입력한 감염병정보, 개인이 다른 종류의 단말을 통해 입력한 감염병정보, 외부 병원 등에서 입력하여 유무선 통신을 통해 송신된 감염병정보, 외부에 저장된 서버 등에서 유무선 통신을 통해 송신된 감염병정보, 정부 기관이 보유하여 유무선 통신을 통해 송신된 감염병정보 등이 이에 포함될 수 있다.In the apparatus for predicting the possibility of an infectious disease of the present inventor, the infectious disease information collection unit 200 collects infectious disease information in various ways, such as receiving various infectious disease information from the outside or receiving various infectious disease information from the outside through wired/wireless communication. . The infectious disease information collected by the infectious disease information collection unit 200 is not particularly limited, and basically includes body temperature and basic infectious disease symptoms. In addition, there are no special restrictions on the method in which the infectious disease information collection unit 200 collects various infectious disease information. Information, infectious disease information inputted from an external hospital, etc. and transmitted through wired/wireless communication, infectious disease information transmitted through wired/wireless communication from an externally stored server, etc., infectious disease information held by government agencies and transmitted through wired/wireless communication, etc.
본 발명인 감염병가능성 예측장치에서 감염병가능성 판단부(300)는 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보를 이용하여 다양한 방식으로 감염병유행도 판단부(100)가 판단한 1차 감염병유행도와 개인의 감염병정보를 활용하여 딥 러닝 기반의 인공신경망 학습을 수행한다. 인공신경망 학습은 개인의 감염병정보와 기존에 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보를 비교하여 유사도를 판단하고 학습하며, 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보를 이용하여 다양한 방식으로 판단된 1차 감염병유행도를 활용하여 개인의 감염가능성을 판단하고 학습하는 방식으로 진행한다.In the apparatus for predicting the potential of the present inventor, the infectious disease possibility determination unit 300 determines the primary infectious disease prevalence and the individual infectious disease determined by the infectious disease prevalence determination unit 100 in various ways using various infectious disease information collected from a person diagnosed with an infectious disease. Using information, deep learning-based artificial neural network learning is performed. Artificial neural network learning compares individual infectious disease information with various infectious disease information collected from a person previously diagnosed with an infectious disease to determine the degree of similarity and learns, and uses various infectious disease information collected from a person diagnosed with an infectious disease to judge in various ways It is carried out in a way to determine and learn the possibility of an individual's infection by using the first infectious disease epidemic.
본 발명인 감염병가능성 예측장치에서 질병가능성 출력전송부(400)는 상기 감염병가능성 판단부(300)의 판단결과를 출력하거나 전송하는 기능을 수행한다. 상기 질병가능성 출력전송부(400)는 원칙적으로 감염병정보를 입력한 개인에게 상기 감염병가능성 판단부(300)의 판단결과를 출력한다. 경우에 따라서는 개인의 동의나 이에 준하는 행정명령 또는 사법적 조치 등이 있으면, 상기 질병가능성 출력전송부(400)는 상기 감염병가능성 판단부(300)의 판단결과를 외부의 병원, 정부기관, 정보관리기업, 연구기관, 연구소 등에 전송할 수 있다.In the apparatus for predicting the possibility of an infectious disease according to the present invention, the disease possibility output transmission unit 400 outputs or transmits the determination result of the infectious disease possibility determination unit 300 . In principle, the disease possibility output transmission unit 400 outputs the determination result of the infectious disease possibility determination unit 300 to the individual who has input the infectious disease information. In some cases, if there is an individual's consent or equivalent administrative order or judicial action, the disease possibility output transmission unit 400 transmits the determination result of the infectious disease possibility determination unit 300 to an external hospital, government agency, or information. It can be transmitted to management companies, research institutes, research institutes, etc.
도 2는 본 발명의 실시예에 따라 2차 감염병유행도를 판단하고 이를 이용하여 개인의 감염병가능성을 판단하는 감염병가능성 예측장치의 구성을 보여주는 도면이다. 2 is a diagram showing the configuration of a device for predicting the possibility of an infectious disease for determining the prevalence of a secondary infectious disease and using it to determine the possibility of an individual infectious disease according to an embodiment of the present invention.
도 2에 의하면, 본 발명의 실시예에 따른 감염병가능성 예측장치는 개인의 감염병정보가 수집된 장소와 관련하여 개인의 위치정보를 수집하는 위치정보 수집부(500)를 추가로 포함하며, 상기 감염병유행도 판단부(100)는 감염병으로 진단된 사람에게서 수집된 기존 감염병정보와 기존 위치정보를 이용하여 2차 감염병유행도를 판단하며, 상기 감염병가능성 판단부(300)는 상기 1차 감염병유행도, 상기 2차 감염병 유행도, 상기 개인의 감염병정보 및 상기 개인의 위치정보에 대해 딥러닝 기반의 인공신경망 학습을 수행하여 개인의 감염병가능성을 판단하는 것을 특징으로 할 수 있다.Referring to FIG. 2 , the apparatus for predicting the possibility of an infectious disease according to an embodiment of the present invention further includes a location information collecting unit 500 that collects personal location information in relation to a place where the personal infectious disease information is collected, and the infectious disease The prevalence determining unit 100 determines a secondary infectious disease prevalence by using existing infectious disease information and existing location information collected from a person diagnosed with an infectious disease, and the infectious disease possibility determining unit 300 determines the primary infectious disease prevalence , the secondary infectious disease prevalence, the individual's infectious disease information, and deep learning-based artificial neural network learning on the individual location information to determine the individual's infectious disease possibility.
본 발명인 감염병가능성 예측장치에서 위치정보 수집부(500)는 자동으로 다양한 위치정보를 파악하거나 외부로부터 다양한 위치정보를 입력받을 수 있으며, 그 밖에 유무선 통신을 통해 다양한 위치정보를 수신받는 등, 다양한 방식으로 위치정보를 수집하는 역할을 수행한다. 상기 위치정보 수집부(500)가 수집하는 위치정보에는 특별한 제한이 없으며, 기본적으로 개인의 위치, 개인의 위치에 따른 인구 밀도, 개인의 위치에 따른 유동인구, 개인의 위치정보에 따라 감염병으로 진단된 사람들과 동선이 겹치는지 검토하여 접근도를 판단한 정보, 개인의 위치정보에 따라 감염병으로 진단된 사람들이 방문한 장소에 방문한 사실이 있는지 검토하여 장소방문도를 판단한 정보 등을 포함한다. 또한 상기 위치정보 수집부(500)가 다양한 위치정보를 수집하는 방식에는 특별한 제한이 존재하는 것이 아니고, 개인이 감염병가능성 예측장치를 통해 입력하거나 자동 파악된 개인의 위치정보, 개인이 다른 종류의 단말을 통해 입력하거나 파악된 개인의 위치정보, 외부 기관이나 위치정보관리기업 등이 파악하여 유무선 통신을 통해 송신된 위치정보, 외부에 저장된 서버 등에서 유무선 통신을 통해 송신된 위치정보, 정부 기관이 보유하여 유무선 통신을 통해 송신된 위치정보 등이 이에 포함될 수 있다.In the apparatus for predicting the possibility of an infectious disease according to the present invention, the location information collection unit 500 can automatically identify various location information or receive various location information from the outside, and receive various location information through wired/wireless communication, etc. in various ways. to collect location information. There is no particular limitation on the location information collected by the location information collection unit 500, and it is basically diagnosed as an infectious disease according to the location of the individual, the population density according to the location of the individual, the floating population according to the location of the individual, and the location information of the individual It includes information that judges the degree of access by examining whether or not the movement lines overlap with those who have been diagnosed with an infectious disease, and information on the degree of visitation to the place by reviewing whether people diagnosed with an infectious disease have visited the place according to individual location information. In addition, there is no special limitation on the method in which the location information collection unit 500 collects various location information, and the location information of the individual input or automatically identified through the infectious disease probability prediction device, the individual is a different type of terminal Personal location information entered or identified through Location information transmitted through wired/wireless communication may be included therein.
본 발명인 감염병가능성 예측장치에서 감염병유행도 판단부(100)는 기존에 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보 및 다양한 위치정보를 이용하여 2차 감염병유행도를 판단한다. 상기 감염병유행도 판단부(100)는 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보 및 다양한 위치정보를 정보저장부에 저장할 수 있으며, 상기 감염병유행도 판단부(100)는 수집된 다양한 감염병정보 및 다양한 위치정보를 2차감염병유행도 판단을 위해 처리 가능하도록 유효한 정보로 가공 처리할 수 있다. 가공 처리 과정에서 다양한 감염병정보 및 다양한 위치정보는 필요에 따라 다양한 변환, 연산 처리 등이 수반될 수 있다. 2차 감염병유행도 판단은 다양한 정보와 다양한 방식으로 판단될 수 있으며, 특정한 정보와 특정한 방식을 이용하여 2차감염병유행도를 판단하는 것으로 한정되는 것은 아니다.In the apparatus for predicting the possibility of an infectious disease of the present inventor, the infectious disease prevalence determining unit 100 determines the secondary infectious disease prevalence by using various infectious disease information and various location information collected from a person previously diagnosed with an infectious disease. The infectious disease prevalence determining unit 100 may store various infectious disease information and various location information collected from a person diagnosed with an infectious disease in the information storage unit, and the infectious disease prevalence determining unit 100 may store various infectious disease information and Various location information can be processed into valid information so that it can be processed to determine the prevalence of secondary infectious diseases. In the processing process, various infectious disease information and various location information may be accompanied by various transformations and calculations as needed. Secondary infectious disease prevalence can be determined using various information and various methods, and is not limited to determining the secondary infectious disease prevalence using specific information and specific methods.
감염병으로 진단된 사람에게서 수집된 다양한 감염병정보 및 다양한 위치정보를 이용하여 감염병유행도 판단부(100)가 2차 감염병유행도를 판단하는데, 2차 감염병유행도는 이하의 지역평균체온과 지역감염병분율을 포함하여 판단될 수 있다.The infectious disease prevalence determination unit 100 determines the secondary infectious disease prevalence by using various infectious disease information and various location information collected from a person diagnosed with an infectious disease. It can be determined including the fraction.
지역평균체온 : mtemp(lat, lng) = ∑(tempi/tempn)Regional average body temperature: m temp (lat, lng) = ∑(temp i /temp n )
lat: 개인의 위치정보와 관련된 위도lat: Latitude related to personal location information
lng: 개인의 위치정보와 관련된 경도lng: Longitude related to personal location information
tempi : 개인과 같은 도시(시/군/구) 안에서 전일 측정된 다른 체온들temp i : Other body temperatures measured on the previous day in the same city (city/gun/gu) as the individual
tempn : 개인과 같은 도시(시/군/구) 안에서 전일 측정된 다른 체온들의 갯수temp n : the number of other body temperatures measured on the previous day in the same city (city/gun/gu) as the individual
지역평균체온(mtemp(lat, lng))은 개인의 위치정보와 관련된 위도 및 경도가 속하는 도시(시/군/구) 안에서 전일 측정된 다른 체온들의 합을 전일 측정된 다른 체온들의 갯수로 나눈 것으로서, 개인의 위치정보와 관련된 위도 및 경도가 속하는 도시는 시/군/구라는 행정구역으로 특정할 수 있고, 개인의 위치정보와 관련된 위도 및 경도에서 일정 반경 내의 지역으로 특정할 수도 있다. 지역평균체온(mtemp(lat, lng))에 의해 전일의 지역평균체온이 이전(예를 들어 일주일 전)의 지역평균체온 보다 얼마나 높은지 알 수 있고, 이를 통해 2차 감염병유행도를 판단할 수 있다. The regional average body temperature (m temp (lat, lng)) is calculated by dividing the sum of other body temperatures measured the previous day in the city (city/gun/gu) to which the latitude and longitude related to individual location information belong, divided by the number of other body temperatures measured the previous day. As such, a city to which the latitude and longitude related to the individual location information belongs may be specified as an administrative district such as a city/gun/gu, and may be specified as an area within a certain radius from the latitude and longitude related to the individual location information. By the regional average body temperature (m temp (lat, lng)), it is possible to know how much higher the regional average body temperature of the previous day than the previous (eg, one week ago) is, and through this, it is possible to determine the prevalence of secondary infectious diseases. have.
지역감염병분율 : Plocal(d, r) = Infectiouslocal7(d, r)/diagnosislocal7(d, r)Local infectious disease fraction: P local (d, r) = Infectious local7 (d, r)/diagnosis local7 (d, r)
Infectiouslocal7(d, r) : 개인의 위치정보와 거리 r 이내, 특정일 d 기준으로 이전 7일간의 감염병 진단수Infectious local7 (d, r): The number of diagnoses of infectious diseases in the previous 7 days based on individual location information and distance r within r
diagnosislocal7(d, r) : 개인의 위치정보와 거리 r 이내, 특정일 d 기준으로 이전 7일간의 질병 진단수diagnosis local7 (d, r): within the distance r from the individual's location information, the number of disease diagnoses in the previous 7 days based on the specific date d
지역감염병분율(Plocal(d, r))은 개인의 위치정보와 거리 r 이내에서 특정일 d 기준으로 이전 7일간의 감염병 진단수를 개인의 위치정보와 거리 r 이내에서 특정일 d 기준으로 이전 7일간의 질병 진단수로 나눈 것으로서, 특정지역과 특정일 d 기준으로 이전 7일간의 질병 진단수 중 특정지역과 특정일을 기준으로 7일간 감염병 진단수가 얼마만큼의 비율을 차지하는지 알 수 있고, 특정지역과 특정일 d 기준으로 7일 이전의 감염병 비율과 대비하여 특정일 d 기준으로 7일간 특정지역에서 감염병 비율이 얼마나 증가하였는지 알 수 있다. 특정일 d는 자유롭게 선택될 수 있는데, 일반적으로 특정일 d는 개인의 감염병정보가 입력되거나 수집된 날을 선택하는 것이 바람직하다. The local infectious disease fraction (P local (d, r)) is the transfer of the number of infectious disease diagnoses in the previous 7 days on a specific day d within a distance r from an individual’s location information to a specific date d within a distance r from the individual’s location information. As it is divided by the number of disease diagnoses in 7 days, it is possible to know what percentage of the number of diagnoses of infectious diseases in 7 days based on a specific region and specific day out of the number of disease diagnoses in the previous 7 days based on a specific region and specific day d; It can be seen how much the rate of infectious diseases increased in a specific area for 7 days based on the specific day d compared to the ratio of the infectious disease 7 days before the specific area and the specific day d. The specific date d can be freely selected. In general, it is preferable to select the specific date d when personal infectious disease information is entered or collected.
본 발명인 감염병가능성 예측장치에서 감염병가능성 판단부(300)는 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보 및 다양한 위치정보를 이용하여 다양한 방식으로 감염병유행도 판단부(100)가 판단한 1차 감염병유행도, 2차 감염병유행도와 개인의 감염병정보, 개인의 위치정보를 활용하여 딥 러닝 기반의 인공신경망 학습을 수행한다. 인공신경망 학습은 개인의 감염병정보와 기존에 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보를 비교하여 유사도를 판단하고 학습하며, 개인의 위치정보와 기존에 감염병으로 진단된 사람에게서 수집된 다양한 위치정보를 비교하여 근접도를 판단하고 학습하며, 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보, 다양한 위치정보를 이용하여 다양한 방식으로 판단된 1차 감염병유행도와 2차 감염병유행도를 활용하여 개인의 감염가능성을 판단하고 학습하는 방식으로 진행한다.In the apparatus for predicting the possibility of an infectious disease of the present inventor, the infectious disease possibility determination unit 300 determines the primary infectious disease epidemic determined by the infectious disease prevalence determination unit 100 in various ways using various infectious disease information and various location information collected from a person diagnosed with an infectious disease. Deep learning-based artificial neural network learning is performed by utilizing the map, secondary infectious disease epidemic, individual infectious disease information, and individual location information. Artificial neural network learning compares individual infectious disease information with various infectious disease information collected from a person previously diagnosed with an infectious disease to determine the degree of similarity and learns. to determine and learn the proximity by comparing It proceeds in a way that judges possibilities and learns.
본 발명의 실시예에 따른 감염병가능성 예측장치에서 상기 위치정보수집부(500)는 감염병으로 진단된 사람의 기존 위치정보와 개인의 위치정보를 이용하여 거리를 계산하며, 상기 감염병가능성 출력전송부(400)를 통해 계산된 거리를 출력하거나 전송하여 경고하는 기능을 수행할 수 있다. 본 발명의 실시예에 따른 감염병가능성 예측장치에서 상기 위치정보수집부(500)는 개인의 위치정보 변동에 따라 감염병으로 진단된 사람의 기존 위치정보와 거리를 실시간으로 계산하여 상기 감염병가능성 출력전송부(400)를 통해 계산된 거리를 출력하거나 전송할 수 있으며, 일정한 거리 이내로 계산되는 경우에는 경고음이나 진동을 발생시켜 개인에게 감염위험을 경고할 수 있다. 경고음이나 진동을 발생시키는 일정한 거리는 상황에 따라 수정될 수 있으며, 경우에 따라서는 개인의 동의나 이에 준하는 행정명령 또는 사법적 조치 등이 있으면, 상기 질병가능성 출력전송부(400)는 상기 위치정보수집부(500)의 계산결과를 외부의 정부기관, 정보관리기업, 연구기관, 연구소 등에 전송할 수 있다.In the apparatus for predicting the possibility of an infectious disease according to an embodiment of the present invention, the location information collection unit 500 calculates a distance using the existing location information of a person diagnosed with an infectious disease and the individual location information, and the infectious disease possibility output transmission unit ( 400) to output or transmit the calculated distance to perform a warning function. In the apparatus for predicting the possibility of an infectious disease according to an embodiment of the present invention, the location information collecting unit 500 calculates in real time the distance from the existing location information of a person diagnosed with an infectious disease according to a change in the individual's location information, and the infectious disease possibility output transmission unit The distance calculated through 400 may be output or transmitted, and when the distance is calculated within a certain distance, a warning sound or vibration may be generated to warn an individual of the risk of infection. A certain distance that generates a warning sound or vibration may be modified according to the situation, and in some cases, if there is an individual's consent or an administrative order or judicial action equivalent thereto, the disease possibility output transmission unit 400 collects the location information. The calculation result of the unit 500 may be transmitted to an external government agency, information management company, research institute, research institute, and the like.
도 3은 본 발명의 실시예에 따라 3차 감염병유행도를 판단하고 이를 이용하여 개인의 감염병가능성을 판단하는 감염병가능성 예측장치의 구성을 보여주는 도면이다.3 is a diagram showing the configuration of a device for predicting the possibility of an infectious disease for determining the prevalence of a tertiary infectious disease and using it to determine the possibility of an individual infectious disease according to an embodiment of the present invention.
도 3에 의하면, 본 발명의 실시예에 따른 감염병가능성 예측장치는 감염병정보가 수집된 장소와 관련하여 개인의 기후정보를 수집하는 기후정보 수집부(600)를 추가로 포함하며, 상기 감염병유행도 판단부(100)는 감염병으로 진단된 사람에게서 수집된 기존 감염병정보, 기존 위치정보 및 기존 기후정보를 이용하여 3차 감염병유행도를 판단하며, 상기 감염병가능성 판단부(300)는 상기 1차 감염병유행도, 상기 2차 감염병 유행도, 상기 3차 감염병유행도, 상기 개인의 감염병정보, 상기 개인의 위치정보 및 상기 개인의 기후정보에 대한 딥러닝 기반의 인공신경망 학습을 수행하여 개인의 감염병가능성을 판단하는 것을 특징으로 할 수 있다.Referring to FIG. 3 , the apparatus for predicting the possibility of an infectious disease according to an embodiment of the present invention further includes a climate information collecting unit 600 that collects individual climate information in relation to a place where the infectious disease information is collected, and the infectious disease prevalence diagram The determination unit 100 determines the prevalence of a third infectious disease using existing infectious disease information, existing location information, and existing climate information collected from a person diagnosed with an infectious disease, and the infectious disease possibility determination unit 300 determines the first infectious disease Personal infectious disease possibility by performing deep learning-based artificial neural network learning on the prevalence, the secondary infectious disease prevalence, the tertiary infectious disease prevalence, the individual infectious disease information, the individual location information, and the individual climate information It can be characterized by judging.
본 발명인 감염병가능성 예측장치에서 기후정보 수집부(600)는 자동으로 다양한 기후정보를 파악하거나 외부로부터 다양한 기후정보를 입력받을 수 있으며, 그 밖에 유무선 통신을 통해 다양한 기후정보를 수신받는 등, 다양한 방식으로 기후정보를 수집하는 역할을 수행한다. 상기 기후정보 수집부(600)가 수집하는 기후정보에는 특별한 제한이 없으며, 기본적으로 개인의 위치정보에 따른 지역의 기온, 지역의 습도, 지역의 강우 여부, 지역의 강설 여부, 지역의 시간의 변화에 따른 기온 또는 습도의 변화정도, 개인의 위치정보 변화에 따른 기온 또는 습도의 변화정도 등의 기후정보를 포함한다. 또한 상기 기후정보 수집부(600)가 다양한 기후정보를 수집하는 방식에는 특별한 제한이 존재하는 것이 아니고, 개인이 감염병가능성 예측장치를 통해 입력하거나 자동 파악된 개인의 위치에 따른 기후정보, 개인이 다른 종류의 단말을 통해 입력하거나 파악된 개인의 위치에 따른 기후정보, 국내외 기상청, 외부 기관이나 기상정보회사 등이 파악하여 유무선 통신을 통해 송신된 다양한 기후정보, 외부에 저장된 서버 등에서 유무선 통신을 통해 송신된 다양한 기후정보, 정부 기관이 보유하여 유무선 통신을 통해 송신된 다양한 기후정보 등이 이에 포함될 수 있다.In the apparatus for predicting the possibility of an infectious disease according to the present invention, the climate information collection unit 600 can automatically identify various climate information or receive various climate information from the outside, and receive various climate information through wired and wireless communication in various ways. to collect climate information. There is no particular limitation on the climate information collected by the climate information collection unit 600, and basically, local temperature, regional humidity, regional rainfall, regional snowfall, regional time change according to individual location information. It includes climate information such as the degree of change in temperature or humidity according to the change of temperature or humidity and the degree of change in temperature or humidity according to the change of individual location information. In addition, there is no special limitation on the method in which the climate information collection unit 600 collects various climate information, and climate information according to the location of the individual input or automatically identified by the individual through the infectious disease probability prediction device, the individual is different. Climate information according to the location of an individual entered or identified through a type of terminal, various climate information transmitted through wired/wireless communication by domestic and foreign meteorological offices, external organizations or meteorological information companies, etc. This may include a variety of climate information that has been published, various climate information possessed by government agencies and transmitted through wired/wireless communication.
본 발명인 감염병가능성 예측장치에서 감염병유행도 판단부(100)는 기존에 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보, 다양한 위치정보 및 다양한 기후정보를 이용하여 3차 감염병유행도를 판단한다. 상기 감염병유행도 판단부(100)는 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보, 다양한 위치정보 및 다양한 기후정보를 정보저장부에 저장할 수 있으며, 상기 감염병유행도 판단부(100)는 수집된 다양한 감염병정보, 다양한 위치정보 및 다양한 기후정보를 3차감염병유행도 판단을 위해 처리 가능하도록 유효한 정보로 가공 처리할 수 있다. 가공 처리 과정에서 다양한 감염병정보, 다양한 위치정보 및 다양한 기후정보는 필요에 따라 다양한 변환, 연산 처리 등이 수반될 수 있다. 3차 감염병유행도 판단은 다양한 정보와 다양한 방식으로 판단될 수 있으며, 특정한 정보와 특정한 방식을 이용하여 3차감염병유행도를 판단하는 것으로 한정되는 것은 아니다.In the apparatus for predicting the possibility of an infectious disease of the present inventor, the infectious disease prevalence determination unit 100 determines the tertiary infectious disease prevalence by using various infectious disease information, various location information, and various climate information collected from a person previously diagnosed with an infectious disease. The infectious disease prevalence determining unit 100 may store various infectious disease information, various location information, and various climate information collected from a person diagnosed with an infectious disease in the information storage unit, and the infectious disease prevalence determining unit 100 may be Various infectious disease information, various location information, and various climate information can be processed into valid information so that it can be processed to determine the tertiary infectious disease prevalence. In the process of processing, various types of infectious disease information, various location information, and various climate information may be subjected to various transformations and calculations as needed. The tertiary infectious disease prevalence can be determined using various information and various methods, and is not limited to judging the tertiary infectious disease prevalence using specific information and a specific method.
본 발명인 감염병가능성 예측장치에서 감염병가능성 판단부(300)는 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보, 다양한 위치정보 및 다양한 기후정보를 이용하여 다양한 방식으로 감염병유행도 판단부(100)가 판단한 1차 감염병유행도, 2차 감염병유행도, 3차 감염병유행도와 개인의 감염병정보, 개인의 위치정보, 개인의 기후정보를 활용하여 딥 러닝 기반의 인공신경망 학습을 수행한다. 인공신경망 학습은 개인의 감염병정보와 기존에 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보를 비교하여 유사도를 판단하고 학습하며, 개인의 위치정보와 기존에 감염병으로 진단된 사람에게서 수집된 다양한 위치정보를 비교하여 근접도를 판단하고 학습하며, 개인의 기후정보와 기존에 감염병으로 진단된 사람에게서 수집된 다양한 기후정보를 비교하여 근사성을 판단하고 학습하며, 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보, 다양한 위치정보, 다양한 기후정보를 이용하여 다양한 방식으로 판단된 1차 감염병유행도, 2차 감염병유행도와 3차 감염병유행도를 활용하여 개인의 감염가능성을 판단하고 학습하는 방식으로 진행한다.In the infectious disease probability prediction device of the present inventor, the infectious disease probability determination unit 300 determines the infectious disease prevalence rate determination unit 100 in various ways using various infectious disease information, various location information, and various climate information collected from a person diagnosed with an infectious disease. Deep learning-based artificial neural network learning is performed using the primary infectious disease epidemic, secondary infectious disease epidemic, tertiary infectious disease epidemic, individual infectious disease information, individual location information, and individual climate information. Artificial neural network learning compares individual infectious disease information with various infectious disease information collected from a person previously diagnosed with an infectious disease to determine the degree of similarity and learns. to determine and learn proximity by comparing The first, second, and tertiary infectious disease prevalence rates determined in various ways using information, various location information, and various climate information are used to determine and learn about the possibility of an individual's infection.
도 4는 본 발명의 실시예에 따라 4차 감염병유행도를 판단하고 이를 이용하여 개인의 감염병가능성을 판단하는 감염병가능성 예측장치의 구성을 보여주는 도면이다.4 is a diagram showing the configuration of a device for predicting the possibility of an infectious disease for determining the prevalence of a fourth infectious disease and using it to determine the possibility of an individual's infectious disease according to an embodiment of the present invention.
도 4에 의하면, 본 발명의 실시예에 따른 감염병가능성 예측장치는 진찰자료, 검사자료, 투약한 약의 정보, 투약 주기, 투약 후 체온 및 투약 후 감염병 증상을 포함하는 개인의 의료정보를 수집하는 의료정보 수집부(700)를 추가로 포함하며, 상기 감염병유행도 판단부(100)는 감염병으로 진단된 사람에게서 수집된 기존 감염병정보, 기존 위치정보, 기존 기후정보 및 기존 의료정보를 이용하여 4차 감염병유행도를 판단하며, 상기 감염병가능성 판단부(300)는 상기 1차 감염병유행도, 상기 2차 감염병 유행도, 상기 3차 감염병유행도, 상기 4차 감염병유행도, 상기 개인의 감염병정보, 상기 개인의 위치정보, 상기 개인의 기후정보 및 상기 개인의 의료정보에 대한 딥러닝 기반의 인공신경망 학습을 수행하여 개인의 감염병가능성을 판단하는 것을 특징으로 할 수 있다.4, the apparatus for predicting the possibility of an infectious disease according to an embodiment of the present invention collects personal medical information including medical examination data, test data, information on administered medicine, dosing cycle, body temperature after administration, and symptoms of infectious disease after administration. It additionally includes a medical information collection unit 700, wherein the infectious disease prevalence determination unit 100 uses the existing infectious disease information, existing location information, existing climate information, and existing medical information collected from a person diagnosed with an infectious disease. The secondary infectious disease prevalence is determined, and the infectious disease possibility determination unit 300 is configured to determine the primary infectious disease prevalence, the secondary infectious disease prevalence, the tertiary infectious disease prevalence, the fourth infectious disease prevalence, and the individual's infectious disease information. , by performing deep learning-based artificial neural network learning on the location information of the individual, the climate information of the individual, and the personal medical information to determine the possibility of an individual's infectious disease.
본 발명인 감염병가능성 예측장치에서 의료정보 수집부(700)는 자동으로 다양한 의료정보를 파악하거나 외부로부터 다양한 의료정보를 입력받을 수 있으며, 그 밖에 유무선 통신을 통해 다양한 의료정보를 수신받는 등, 다양한 방식으로 의료정보를 수집하는 역할을 수행한다. 상기 의료정보 수집부(700)가 수집하는 의료정보에는 특별한 제한이 없으며, 기본적으로 개인의 진단정보, 진단자료, 투약한 약의 정보, 투약 주기, 투약 후 체온 및 투약 후 감염병 증상 등을 포함하며, 개인의 진단사진, 개인의 기저질환 정보, 개인의 가족력, 개인의 유전정보, 개인의 생체정보 등의 의료정보를 포함한다. 또한 상기 의료정보 수집부(700)가 다양한 의료정보를 수집하는 방식에는 특별한 제한이 존재하는 것이 아니고, 개인이 감염병가능성 예측장치를 통해 입력하거나 자동 파악된 개인의 의료정보, 개인이 다른 종류의 단말을 통해 입력하거나 파악된 개인의 의료정보, 국내외 의료기관, 검사기관, 국민건강보험공단, 보험회사, 보건복지부, 기타 기관이나 회사 등이 파악하여 유무선 통신을 통해 송신된 다양한 의료정보, 외부에 저장된 서버 등에서 유무선 통신을 통해 송신된 다양한 의료정보, 정부 기관이 보유하여 유무선 통신을 통해 송신된 다양한 의료정보 등이 이에 포함될 수 있다.In the apparatus for predicting the possibility of an infectious disease according to the present invention, the medical information collection unit 700 can automatically identify various medical information or receive various medical information from the outside, and receive various medical information through wired/wireless communication. to collect medical information. The medical information collected by the medical information collection unit 700 is not particularly limited, and basically includes personal diagnostic information, diagnostic data, information on medications administered, dosing cycle, body temperature after administration, and symptoms of infectious disease after administration. , includes medical information such as individual diagnostic photos, individual underlying disease information, individual family history, individual genetic information, and individual biometric information. In addition, there is no special limitation on the method in which the medical information collection unit 700 collects various medical information, and individual medical information input or automatically identified through an infectious disease possibility prediction device, a terminal of a different individual type Personal medical information entered or identified through Various medical information transmitted through wired/wireless communication, etc., and various medical information possessed by a government institution and transmitted through wired/wireless communication may be included in this.
본 발명인 감염병가능성 예측장치에서 감염병유행도 판단부(100)는 기존에 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보, 다양한 위치정보, 다양한 기후정보 및 다양한 의료정보를 이용하여 4차 감염병유행도를 판단한다. 상기 감염병유행도 판단부(100)는 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보, 다양한 위치정보, 다양한 기후정보 및 다양한 의료정보를 정보저장부에 저장할 수 있으며, 상기 감염병유행도 판단부(100)는 수집된 다양한 감염병정보, 다양한 위치정보, 다양한 기후정보 및 다양한 의료정보를 4차감염병유행도 판단을 위해 처리 가능하도록 유효한 정보로 가공 처리할 수 있다. 가공 처리 과정에서 다양한 감염병정보, 다양한 위치정보, 다양한 기후정보 및 다양한 의료정보는 필요에 따라 다양한 변환, 연산 처리 등이 수반될 수 있다. 4차 감염병유행도 판단은 다양한 정보와 다양한 방식으로 판단될 수 있으며, 특정한 정보와 특정한 방식을 이용하여 4차감염병유행도를 판단하는 것으로 한정되는 것은 아니다.In the infectious disease probability prediction device of the present inventor, the infectious disease prevalence determination unit 100 determines the fourth infectious disease prevalence by using various infectious disease information, various location information, various climate information, and various medical information collected from a person previously diagnosed with an infectious disease. judge The infectious disease prevalence determining unit 100 may store various infectious disease information, various location information, various climate information, and various medical information collected from a person diagnosed with an infectious disease in the information storage unit, and the infectious disease prevalence determining unit 100 ) can process the collected various infectious disease information, various location information, various climate information, and various medical information into valid information that can be processed to determine the 4th infectious disease epidemic. In the process of processing, various types of infectious disease information, various location information, various climate information, and various medical information may be subjected to various transformations and calculations as needed. The 4th infectious disease epidemic can be determined using various information and various methods, and it is not limited to determining the 4th infectious disease epidemic using specific information and a specific method.
본 발명인 감염병가능성 예측장치에서 감염병가능성 판단부(300)는 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보, 다양한 위치정보, 다양한 기후정보 및 다양한 의료정보를 이용하여 다양한 방식으로 감염병유행도 판단부(100)가 판단한 1차 감염병유행도, 2차 감염병유행도, 3차 감염병유행도, 4차 감염병유행도와 개인의 감염병정보, 개인의 위치정보, 개인의 기후정보, 개인의 의료정보를 활용하여 딥 러닝 기반의 인공신경망 학습을 수행한다. 인공신경망 학습은 개인의 감염병정보와 기존에 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보를 비교하여 유사도를 판단하고 학습하며, 개인의 위치정보와 기존에 감염병으로 진단된 사람에게서 수집된 다양한 위치정보를 비교하여 근접도를 판단하고 학습하며, 개인의 기후정보와 기존에 감염병으로 진단된 사람에게서 수집된 다양한 기후정보를 비교하여 근사성을 판단하고 학습하며, 개인의 의료정보와 기존에 감염병으로 진단된 사람에게서 수집된 다양한 의료정보를 비교하여 밀접성을 판단하고 학습하며, 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보, 다양한 위치정보, 다양한 기후정보, 다양한 의료정보를 이용하여 다양한 방식으로 판단된 1차 감염병유행도, 2차 감염병유행도, 3차 감염병유행도와 제4차 감염병유행도를 활용하여 개인의 감염가능성을 판단하고 학습하는 방식으로 진행한다.In the infectious disease probability prediction device of the present inventor, the infectious disease possibility determination unit 300 uses various infectious disease information, various location information, various climate information, and various medical information collected from a person diagnosed with an infectious disease to determine the infectious disease prevalence in various ways ( 100) determines the prevalence of 1st infectious disease, 2nd infectious disease epidemic, 3rd infectious disease epidemic, 4th infectious disease epidemic and individual infectious disease information, individual location information, individual climate information, and personal medical information Learning-based artificial neural network learning is performed. Artificial neural network learning compares individual infectious disease information with various infectious disease information collected from a person previously diagnosed with an infectious disease to determine the degree of similarity and learns. to determine and learn proximity by comparing By comparing a variety of medical information collected from a person who has been diagnosed with an infectious disease, it is possible to determine and learn the closeness, and to determine 1 It is conducted in a way to determine and learn the possibility of an individual's infection by using the primary infectious disease prevalence, secondary infectious disease prevalence, tertiary infectious disease prevalence, and fourth infectious disease prevalence.
도 5는 본 발명의 실시예에 따라 1차 감염병유행도를 판단하고 이를 이용하여 개인의 감염병가능성을 판단하는 감염병가능성 예측방법의 순서를 보여주는 도면이다.5 is a diagram showing the sequence of a method for predicting the possibility of an infectious disease for determining the prevalence of a primary infectious disease and using the same to determine the possibility of an individual's infectious disease according to an embodiment of the present invention.
도 5에 의하면, 본 발명의 실시예에 따른 감염병가능성 예측방법은 감염병으로 진단된 사람에게서 수집된 기존 감염병정보를 이용하여 1차 감염병유행도를 판단하는 단계(S101), 체온 및 감염병 증상을 포함하는 개인의 감염병정보를 수집하는 단계(S102), 상기 1차 감염병유행도 및 상기 개인의 감염병정보에 대해 딥러닝 기반의 인공신경망 학습을 수행하여 개인의 감염병가능성을 판단하는 단계(S103) 및 상기 감염병가능성 판단부의 판단결과를 출력하거나 전송하는 단계(S104)를 포함하여 구성된다.5, the method for predicting the possibility of an infectious disease according to an embodiment of the present invention includes a step of determining the prevalence of a primary infectious disease using existing infectious disease information collected from a person diagnosed with an infectious disease (S101), body temperature, and symptoms of an infectious disease collecting individual's infectious disease information (S102), performing deep learning-based artificial neural network learning on the primary infectious disease epidemic and the individual's infectious disease information to determine the individual's infectious disease possibility (S103) and the and outputting or transmitting the determination result of the infectious disease possibility determination unit (S104).
감염병으로 진단된 사람에게서 수집된 기존 감염병정보를 이용하여 1차 감염병유행도를 판단하는 단계(S101)는 감염병유행도 판단부(100)에서 수행되며, 감염병유행도 판단부(100)는 수집된 다양한 감염병정보를 1차 감염병유행도 판단을 위해 처리 가능하도록 유효한 정보로 가공 처리할 수 있다. 가공된 다양한 감염병정보를 이용하여 감염병유행도 판단부(100)가 단순유행도와 표준유행도를 포함하여 1차 감염병유행도를 판단하는데, 감염병유행도 판단부(100)에서 고려되는 감염병유행도가 단순유행도와 표준유행도에 한정되는 것은 아니다. 즉, 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보를 이용하여 감염병유행도 판단부(100)가 다양한 방식으로 1차 감염병유행도를 판단할 수 있다.The step (S101) of determining the primary infectious disease prevalence using the existing infectious disease information collected from a person diagnosed with an infectious disease is performed by the infectious disease prevalence determining unit 100, and the infectious disease prevalence determining unit 100 is Various infectious disease information can be processed into valid information so that it can be processed to determine the primary infectious disease prevalence. Using the various processed infectious disease information, the infectious disease prevalence determination unit 100 determines the primary infectious disease prevalence including simple and standard epidemics, and the infectious disease prevalence considered by the infectious disease epidemic determination unit 100 It is not limited to simple fashion and standard fashion. That is, the infectious disease prevalence determination unit 100 may determine the primary infectious disease prevalence in various ways by using various infectious disease information collected from a person diagnosed with an infectious disease.
체온 및 감염병 증상을 포함하는 개인의 감염병정보를 수집하는 단계(S102)는 감염병정보 수집부(200)에서 수행되며, 감염병정보 수집부(200)는 외부로부터 다양한 감염병정보를 입력받거나, 외부로부터 다양한 감염병정보를 유무선 통신을 통해 수신받는다. 상기 감염병정보 수집부(200)가 수집하는 감염병정보에는 특별한 제한이 없고, 다양한 감염병정보를 수집하는 방식에도 특별한 제한이 존재하는 것이 아니다. The step (S102) of collecting individual infectious disease information including body temperature and infectious disease symptoms is performed by the infectious disease information collection unit 200, which receives various infectious disease information from the outside or provides various types of infectious disease information from the outside. Infectious disease information is received through wired and wireless communication. There is no particular limitation on the infectious disease information collected by the infectious disease information collection unit 200, and there is no particular limitation on the method of collecting various infectious disease information.
상기 1차 감염병유행도 및 상기 개인의 감염병정보에 대해 딥러닝 기반의 인공신경망 학습을 수행하여 개인의 감염병가능성을 판단하는 단계(S103)는 감염병가능성 판단부(300)에서 수행되며, 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보를 이용하여 다양한 방식으로 감염병유행도 판단부(100)가 판단한 1차 감염병유행도와 개인의 감염병정보를 활용하여 딥 러닝 기반의 인공신경망 학습을 수행한다.The step (S103) of determining the individual's possibility of an infectious disease by performing deep learning-based artificial neural network learning on the primary infectious disease prevalence and the individual's infectious disease information is performed by the infectious disease possibility determination unit 300, and is diagnosed as an infectious disease Deep learning-based artificial neural network learning is performed by using the primary infectious disease prevalence determined by the infectious disease prevalence determination unit 100 and individual infectious disease information in various ways using various infectious disease information collected from the infected person.
상기 감염병가능성 판단부의 판단결과를 출력하거나 전송하는 단계(S104)는 감염병가능성 출력전송부(400)에서 수행되며, 감염병가능성 판단부(300)의 판단결과를 개인에게 출력하거나, 경우에 따라 개인의 동의나 이에 준하는 행정명령 또는 사법적 조치 등이 있으면 감염병가능성 판단부(300)의 판단결과를 외부에 전송하는 단계이다. The step (S104) of outputting or transmitting the determination result of the infectious disease possibility determination unit is performed by the infectious disease possibility output transmission unit 400, and outputs the determination result of the infectious disease possibility determination unit 300 to an individual or, in some cases, the individual's If there is consent or an administrative order or judicial action equivalent thereto, the determination result of the infectious disease possibility determination unit 300 is transmitted to the outside.
도 6은 본 발명의 실시예에 따라 2차 감염병유행도를 판단하고 이를 이용하여 개인의 감염병가능성을 판단하는 감염병가능성 예측방법의 순서를 보여주는 도면이다.6 is a diagram showing the sequence of a method for predicting the possibility of an infectious disease for determining the prevalence of a secondary infectious disease and using the same to determine the likelihood of an individual's infectious disease according to an embodiment of the present invention.
도 6에 의하면, 본 발명의 실시예에 따른 감염병가능성 예측방법은 감염병으로 진단된 사람에게서 수집된 기존 감염병정보를 이용하여 1차 감염병유행도를 판단하는 단계(S201), 감염병으로 진단된 사람에게서 수집된 기존 감염병정보와 기존 위치정보를 이용하여 2차 감염병유행도를 판단하는 단계(S202), 체온 및 감염병 증상을 포함하는 개인의 감염병정보를 수집하는 단계(S203), 감염병정보가 수집된 장소와 관련하여 개인의 위치정보를 수집하는 단계(S204), 상기 1차 감염병유행도, 상기 2차 감염병 유행도, 상기 개인의 감염병정보 및 상기 개인의 위치정보에 대해 딥러닝 기반의 인공신경망 학습을 수행하여 개인의 감염병가능성을 판단하는 단계(S205) 및 상기 감염병가능성 판단부의 판단결과를 출력하거나 전송하는 단계(S206)를 포함하여 구성된다.Referring to FIG. 6 , the method for predicting the possibility of an infectious disease according to an embodiment of the present invention includes the steps of determining the prevalence of a primary infectious disease using existing infectious disease information collected from a person diagnosed with an infectious disease (S201), Determining the prevalence of a secondary infectious disease using the collected existing infectious disease information and existing location information (S202), collecting personal infectious disease information including body temperature and infectious disease symptoms (S203), the location where the infectious disease information was collected In relation to the step of collecting personal location information (S204), deep learning-based artificial neural network learning for the first infectious disease prevalence, the secondary infectious disease prevalence, the individual infectious disease information and the individual location information and determining the individual's infectious disease possibility (S205) and outputting or transmitting the determination result of the infectious disease possibility determination unit (S206).
감염병으로 진단된 사람에게서 수집된 기존 감염병정보를 이용하여 1차 감염병유행도를 판단하는 단계(S201)는 감염병유행도 판단부(100)에서 수행되며, 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보를 이용하여 감염병유행도 판단부(100)가 다양한 방식으로 1차 감염병유행도를 판단할 수 있다.The step (S201) of determining the primary infectious disease prevalence using the existing infectious disease information collected from a person diagnosed with an infectious disease is performed by the infectious disease prevalence determination unit 100, and various infectious disease information collected from a person diagnosed with an infectious disease The infectious disease prevalence determining unit 100 may determine the primary infectious disease prevalence in various ways using
감염병으로 진단된 사람에게서 수집된 기존 감염병정보와 기존 위치정보를 이용하여 2차 감염병유행도를 판단하는 단계(S202)는 감염병유행도 판단부(100)에서 수행되며, 감염병유행도 판단부(100)는 수집된 다양한 감염병정보와 다양한 위치정보를 2차 감염병유행도 판단을 위해 처리 가능하도록 유효한 정보로 가공 처리할 수 있다. 가공된 다양한 감염병정보와 다양한 위치정보를 이용하여 감염병유행도 판단부(100)가 지역평균체온과 지역감염병분율을 포함하여 2차 감염병유행도를 판단하는데, 감염병유행도 판단부(100)에서 고려되는 요소가 지역평균체온과 지역감염병분율에 한정되는 것은 아니다. 즉, 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보와 다양한 위치정보를 이용하여 감염병유행도 판단부(100)가 다양한 방식으로 2차 감염병유행도를 판단할 수 있다.The step (S202) of determining the secondary infectious disease prevalence using the existing infectious disease information and existing location information collected from a person diagnosed with an infectious disease is performed by the infectious disease prevalence determination unit 100, and the infectious disease prevalence determination unit 100 ) can process the collected various infectious disease information and various location information into valid information so that it can be processed to determine the prevalence of secondary infectious diseases. Using various processed infectious disease information and various location information, the infectious disease prevalence determination unit 100 determines the secondary infectious disease prevalence including the regional average body temperature and the regional infectious disease fraction, which is considered by the infectious disease prevalence determination unit 100 The factors used are not limited to the regional average body temperature and the regional infectious disease rate. That is, the infectious disease prevalence determination unit 100 may determine the secondary infectious disease prevalence in various ways by using various infectious disease information and various location information collected from a person diagnosed with an infectious disease.
체온 및 감염병 증상을 포함하는 개인의 감염병정보를 수집하는 단계(S203)는 감염병정보 수집부(200)에서 수행되며, 수집하는 감염병정보와 수집하는 방식에 특별한 제한이 존재하는 것이 아니다. The step of collecting personal infectious disease information including body temperature and infectious disease symptoms ( S203 ) is performed by the infectious disease information collection unit 200 , and there are no special restrictions on the collected infectious disease information and collection method.
감염병정보가 수집된 장소와 관련하여 개인의 위치정보를 수집하는 단계(S204)는 위치정보 수집부(500)에서 수행되며, 위치정보 수집부(500)는 자동으로 다양한 위치정보를 파악하거나 외부로부터 다양한 위치정보를 입력받을 수 있다. 상기 위치정보 수집부(500)가 수집하는 위치정보에는 특별한 제한이 없고, 다양한 위치정보를 수집하는 방식에도 특별한 제한이 존재하는 것이 아니다. The step (S204) of collecting individual location information in relation to the place where the infectious disease information is collected is performed by the location information collecting unit 500, which automatically detects various location information or collects information from the outside. Various location information can be input. There is no particular limitation on the location information collected by the location information collecting unit 500, and there is no special limitation on the method of collecting various location information.
상기 1차 감염병유행도, 상기 2차 감염병 유행도, 상기 개인의 감염병정보 및 상기 개인의 위치정보에 대해 딥러닝 기반의 인공신경망 학습을 수행하여 개인의 감염병가능성을 판단하는 단계(S205)는 감염병가능성 판단부(300)에서 수행되며, 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보와 다양한 위치정보를 이용하여 다양한 방식으로 감염병유행도 판단부(100)가 판단한 1차 감염병유행도, 2차 감염병유행도와 개인의 감염병정보, 개인의 위치정보를 활용하여 딥 러닝 기반의 인공신경망 학습을 수행한다.The step (S205) of determining the possibility of an individual infectious disease by performing deep learning-based artificial neural network learning on the primary infectious disease prevalence, the secondary infectious disease prevalence, the individual infectious disease information, and the individual location information (S205) It is performed by the possibility determination unit 300, and the primary infectious disease prevalence and secondary infectious disease determined by the infectious disease prevalence determination unit 100 in various ways using various infectious disease information and various location information collected from a person diagnosed with an infectious disease. Deep learning-based artificial neural network learning is performed by using the prevalence, individual infectious disease information, and individual location information.
상기 감염병가능성 판단부의 판단결과를 출력하거나 전송하는 단계(S206)는 감염병가능성 출력전송부(400)에서 수행되며, 감염병가능성 판단부(300)의 판단결과를 출력하거나 전송하는 단계이다.The step of outputting or transmitting the determination result of the infectious disease possibility determination unit ( S206 ) is performed by the infectious disease possibility output transmission unit 400 , and outputting or transmitting the determination result of the infectious disease possibility determination unit 300 .
도 7은 본 발명의 실시예에 따라 3차 감염병유행도를 판단하고 이를 이용하여 개인의 감염병가능성을 판단하는 감염병가능성 예측방법의 순서를 보여주는 도면이다.7 is a view showing the sequence of a method for predicting the possibility of an infectious disease for determining the prevalence of a tertiary infectious disease and using the same to determine the possibility of an individual's infectious disease according to an embodiment of the present invention.
도 7에 의하면, 본 발명의 실시예에 따른 감염병가능성 예측방법은 감염병으로 진단된 사람에게서 수집된 기존 감염병정보를 이용하여 1차 감염병유행도를 판단하는 단계(S301), 감염병으로 진단된 사람에게서 수집된 기존 감염병정보와 기존 위치정보를 이용하여 2차 감염병유행도를 판단하는 단계(S302), 감염병으로 진단된 사람에게서 수집된 기존 감염병정보, 기존 위치정보 및 기존 기후정보를 이용하여 3차 감염병유행도를 판단하는 단계(S303), 체온 및 감염병 증상을 포함하는 개인의 감염병정보를 수집하는 단계(S304), 감염병정보가 수집된 장소와 관련하여 개인의 위치정보를 수집하는 단계(S305), 감염병정보가 수집된 장소와 관련하여 개인의 기후정보를 수집하는 단계(S306), 상기 1차 감염병유행도, 상기 2차 감염병 유행도, 상기 3차 감염병유행도, 상기 개인의 감염병정보, 상기 개인의 위치정보 및 상기 개인의 기후정보에 대한 딥러닝 기반의 인공신경망 학습을 수행하여 개인의 감염병가능성을 판단하는 단계(S307) 및 상기 감염병가능성 판단부의 판단결과를 출력하거나 전송하는 단계(S308)를 포함하여 구성된다.7 , the method for predicting the possibility of an infectious disease according to an embodiment of the present invention includes the steps of determining the prevalence of a primary infectious disease using existing infectious disease information collected from a person diagnosed with an infectious disease (S301), from a person diagnosed with an infectious disease A step of determining the prevalence of a secondary infectious disease using the collected existing infectious disease information and existing location information (S302), a tertiary infectious disease using existing infectious disease information, existing location information, and existing climate information collected from a person diagnosed with an infectious disease Determining the prevalence (S303), collecting personal infectious disease information including body temperature and infectious disease symptoms (S304), collecting personal location information in relation to the place where the infectious disease information was collected (S305); Collecting individual climate information in relation to the place where the infectious disease information was collected (S306), the primary infectious disease prevalence, the secondary infectious disease prevalence, the tertiary infectious disease prevalence, the individual's infectious disease information, the individual performing deep learning-based artificial neural network learning on the location information of the individual and the individual climate information to determine the individual's infectious disease possibility (S307) and outputting or transmitting the determination result of the infectious disease possibility determination unit (S308) is comprised of
감염병으로 진단된 사람에게서 수집된 기존 감염병정보를 이용하여 1차 감염병유행도를 판단하는 단계(S301)는 감염병유행도 판단부(100)에서 수행되며, 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보를 이용하여 감염병유행도 판단부(100)가 다양한 방식으로 1차 감염병유행도를 판단할 수 있다.The step (S301) of determining the primary infectious disease prevalence using the existing infectious disease information collected from a person diagnosed with an infectious disease is performed by the infectious disease prevalence determination unit 100, and various infectious disease information collected from a person diagnosed with an infectious disease The infectious disease prevalence determining unit 100 may determine the primary infectious disease prevalence in various ways using
감염병으로 진단된 사람에게서 수집된 기존 감염병정보와 기존 위치정보를 이용하여 2차 감염병유행도를 판단하는 단계(S302)는 감염병유행도 판단부(100)에서 수행되며, 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보와 다양한 위치정보를 이용하여 감염병유행도 판단부(100)가 다양한 방식으로 2차 감염병유행도를 판단할 수 있다.The step (S302) of determining the secondary infectious disease prevalence using the existing infectious disease information and existing location information collected from the person diagnosed with the infectious disease is performed by the infectious disease prevalence determination unit 100, and collected from the person diagnosed with the infectious disease The infectious disease prevalence determination unit 100 may determine the secondary infectious disease prevalence in various ways by using the various infectious disease information and various location information.
감염병으로 진단된 사람에게서 수집된 기존 감염병정보, 기존 위치정보 및 기존 기후정보를 이용하여 3차 감염병유행도를 판단하는 단계(S303)는 감염병유행도 판단부(100)에서 수행되며, 감염병유행도 판단부(100)는 수집된 다양한 감염병정보, 다양한 위치정보와 다양한 기후정보를 3차 감염병유행도 판단을 위해 처리 가능하도록 유효한 정보로 가공 처리할 수 있다. 가공된 다양한 감염병정보, 다양한 위치정보와 다양한 기후정보를 이용하여 감염병유행도 판단부(100)가 3차 감염병유행도를 판단하는데, 3차 감염병유행도 판단에서 고려되는 요소와 방식에 특별한 제한이 존재하는 것은 아니다. 즉, 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보, 다양한 위치정보와 다양한 기후정보를 이용하여 감염병유행도 판단부(100)가 다양한 방식으로 3차 감염병유행도를 판단할 수 있다.The step (S303) of determining the tertiary infectious disease prevalence using the existing infectious disease information, existing location information, and existing climate information collected from a person diagnosed with an infectious disease is performed by the infectious disease prevalence determination unit 100, The determination unit 100 may process the collected various infectious disease information, various location information, and various climate information into valid information so as to be able to process it to determine the tertiary infectious disease prevalence. Using various processed infectious disease information, various location information, and various climate information, the infectious disease prevalence determination unit 100 determines the tertiary infectious disease prevalence. There are special restrictions on factors and methods considered in tertiary infectious disease prevalence determination It doesn't exist. That is, the infectious disease prevalence determination unit 100 may determine the tertiary infectious disease prevalence in various ways using various infectious disease information, various location information, and various climate information collected from a person diagnosed with an infectious disease.
체온 및 감염병 증상을 포함하는 개인의 감염병정보를 수집하는 단계(S304)는 감염병정보 수집부(200)에서 수행되며, 수집하는 감염병정보와 수집하는 방식에 특별한 제한이 존재하는 것이 아니다. The step of collecting personal infectious disease information including body temperature and infectious disease symptoms ( S304 ) is performed by the infectious disease information collection unit 200 , and there are no special restrictions on the collected infectious disease information and collection method.
감염병정보가 수집된 장소와 관련하여 개인의 위치정보를 수집하는 단계(S305)는 위치정보 수집부(500)에서 수행되며, 수집하는 위치정보와 수집하는 방식에 특별한 제한이 존재하는 것이 아니다.The step (S305) of collecting individual location information in relation to the place where the infectious disease information is collected is performed by the location information collecting unit 500, and there are no special restrictions on the location information to be collected and the method of collecting it.
감염병정보가 수집된 장소와 관련하여 개인의 기후정보를 수집하는 단계(S306)는 기후정보 수집부(600)에서 수행되며, 기후정보 수집부(600)는 자동으로 다양한 기후정보를 파악하거나 외부로부터 다양한 기후정보를 입력받을 수 있고, 그 밖에 유무선 통신을 통해 다양한 기후정보를 수신받을 수 있다. 상기 기후정보 수집부(600)가 수집하는 기후정보에는 특별한 제한이 없고, 다양한 기후정보를 수집하는 방식에도 특별한 제한이 존재하는 것이 아니다.The step (S306) of collecting individual climate information in relation to the place where the infectious disease information was collected is performed by the climate information collection unit 600, which automatically grasps various climate information or collects climate information from the outside. Various climate information can be input, and various climate information can be received through wired and wireless communication. There is no particular limitation on the climate information collected by the climate information collection unit 600, and there is no particular limitation on the method of collecting various climate information.
상기 1차 감염병유행도, 상기 2차 감염병 유행도, 상기 3차 감염병유행도, 상기 개인의 감염병정보, 상기 개인의 위치정보 및 상기 개인의 기후정보에 대한 딥러닝 기반의 인공신경망 학습을 수행하여 개인의 감염병가능성을 판단하는 단계(S307)는 감염병가능성 판단부(300)에서 수행되며, 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보, 다양한 위치정보와 다양한 기후정보를 이용하여 다양한 방식으로 감염병유행도 판단부(100)가 판단한 1차 감염병유행도, 2차 감염병유행도, 3차 감염병유행도와 개인의 감염병정보, 개인의 위치정보, 개인의 기후정보를 활용하여 딥 러닝 기반의 인공신경망 학습을 수행한다. Deep learning-based artificial neural network learning is performed on the primary infectious disease prevalence, the secondary infectious disease prevalence, the tertiary infectious disease prevalence, the individual infectious disease information, the individual location information, and the individual climate information. The step (S307) of determining the possibility of an individual's infectious disease is performed by the infectious disease possibility determination unit 300, and the infectious disease epidemic in various ways using various infectious disease information, various location information, and various climate information collected from a person diagnosed with an infectious disease Deep learning-based artificial neural network learning is performed using the first infectious disease prevalence, secondary infectious disease prevalence, and tertiary infectious disease prevalence determined by the province determination unit 100 and individual infectious disease information, individual location information, and individual climate information. carry out
상기 감염병가능성 판단부의 판단결과를 출력하거나 전송하는 단계(S308)는 감염병가능성 출력전송부(400)에서 수행되며, 감염병가능성 판단부(300)의 판단결과를 출력하거나 전송하는 단계이다.The step of outputting or transmitting the determination result of the infectious disease possibility determination unit ( S308 ) is performed by the infectious disease possibility output transmission unit 400 , and outputting or transmitting the determination result of the infectious disease possibility determination unit 300 .
도 8은 본 발명의 실시예에 따라 4차 감염병유행도를 판단하고 이를 이용하여 개인의 감염병가능성을 판단하는 감염병가능성 예측방법의 순서를 보여주는 도면이다. 8 is a diagram showing the sequence of a method for predicting the possibility of an infectious disease for determining the prevalence of a fourth infectious disease and using the same to determine the possibility of an individual's infectious disease according to an embodiment of the present invention.
도 8에 의하면, 본 발명의 실시예에 따른 감염병가능성 예측방법은 감염병으로 진단된 사람에게서 수집된 기존 감염병정보를 이용하여 1차 감염병유행도를 판단하는 단계(S401), 감염병으로 진단된 사람에게서 수집된 기존 감염병정보와 기존 위치정보를 이용하여 2차 감염병유행도를 판단하는 단계(S402), 감염병으로 진단된 사람에게서 수집된 기존 감염병정보, 기존 위치정보 및 기존 기후정보를 이용하여 3차 감염병유행도를 판단하는 단계(S403), 감염병으로 진단된 사람에게서 수집된 기존 감염병정보, 기존 위치정보, 기존 기후정보 및 기존 의료정보에 따라 4차 감염병유행도를 판단하는 단계(S404), 체온 및 감염병 증상을 포함하는 개인의 감염병정보를 수집하는 단계(S405), 감염병정보가 수집된 장소와 관련하여 개인의 위치정보를 수집하는 단계(S406), 감염병정보가 수집된 장소와 관련하여 개인의 기후정보를 수집하는 단계(S407), 진찰자료, 검사자료, 투약한 약의 정보, 투약 주기, 투약 후 체온 및 투약 후 감염병 증상을 포함하는 개인의 의료정보를 수집하는 단계(S408), 상기 1차 감염병유행도, 상기 2차 감염병 유행도, 상기 3차 감염병유행도, 상기 4차 감염병유행도, 상기 개인의 감염병정보, 상기 개인의 위치정보, 상기 개인의 기후정보 및 상기 개인의 의료정보에 대한 딥러닝 기반의 인공신경망 학습을 수행하여 개인의 감염병가능성을 판단하는 단계(S409) 및 상기 감염병가능성 판단부의 판단결과를 출력하거나 전송하는 단계(S410)를 포함하여 구성된다.8, the method for predicting the possibility of an infectious disease according to an embodiment of the present invention includes the steps of determining the prevalence of a primary infectious disease using existing infectious disease information collected from a person diagnosed with an infectious disease (S401), A step of determining the prevalence of a secondary infectious disease using the collected existing infectious disease information and existing location information (S402), a tertiary infectious disease using existing infectious disease information, existing location information, and existing climate information collected from a person diagnosed with an infectious disease The step of determining the prevalence (S403), the step of determining the fourth infectious disease prevalence according to the existing infectious disease information, existing location information, existing climate information, and existing medical information collected from a person diagnosed with an infectious disease (S404), body temperature and Collecting personal infectious disease information including infectious disease symptoms (S405), collecting personal location information in relation to the place where the infectious disease information is collected (S406), and the individual climate in relation to the place where the infectious disease information is collected The step of collecting information (S407), the step of collecting personal medical information including medical examination data, test data, information about the administered drug, the dosing cycle, the body temperature after the administration, and the symptoms of the infectious disease after the administration (S408), the first Infectious disease prevalence, the secondary infectious disease prevalence, the tertiary infectious disease prevalence, the fourth infectious disease prevalence, the individual infectious disease information, the individual location information, the individual climate information, and the individual medical information It is configured by performing deep learning-based artificial neural network learning to determine an individual's infectious disease possibility (S409) and outputting or transmitting the determination result of the infectious disease possibility determination unit (S410).
감염병으로 진단된 사람에게서 수집된 기존 감염병정보를 이용하여 1차 감염병유행도를 판단하는 단계(S401)는 감염병유행도 판단부(100)에서 수행되며, 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보를 이용하여 감염병유행도 판단부(100)가 다양한 방식으로 1차 감염병유행도를 판단할 수 있다.The step (S401) of determining the primary infectious disease prevalence using the existing infectious disease information collected from a person diagnosed with an infectious disease is performed by the infectious disease prevalence determination unit 100, and various infectious disease information collected from a person diagnosed with an infectious disease The infectious disease prevalence determining unit 100 may determine the primary infectious disease prevalence in various ways using
감염병으로 진단된 사람에게서 수집된 기존 감염병정보와 기존 위치정보를 이용하여 2차 감염병유행도를 판단하는 단계(S402)는 감염병유행도 판단부(100)에서 수행되며, 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보와 다양한 위치정보를 이용하여 감염병유행도 판단부(100)가 다양한 방식으로 2차 감염병유행도를 판단할 수 있다.The step (S402) of determining the second infectious disease prevalence using the existing infectious disease information and existing location information collected from the person diagnosed with the infectious disease is performed by the infectious disease prevalence determination unit 100, and collected from the person diagnosed with the infectious disease The infectious disease prevalence determination unit 100 may determine the secondary infectious disease prevalence in various ways by using the various infectious disease information and various location information.
감염병으로 진단된 사람에게서 수집된 기존 감염병정보, 기존 위치정보 및 기존의 기후정보를 이용하여 3차 감염병유행도를 판단하는 단계(S403)는 감염병유행도 판단부(100)에서 수행되며, 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보, 다양한 위치정보와 다양한 기후정보를 이용하여 감염병유행도 판단부(100)가 다양한 방식으로 3차 감염병유행도를 판단할 수 있다.The step (S403) of determining the tertiary infectious disease prevalence using the existing infectious disease information, existing location information, and existing climate information collected from a person diagnosed with an infectious disease is performed by the infectious disease prevalence determination unit 100, By using various infectious disease information, various location information, and various climate information collected from a diagnosed person, the infectious disease prevalence determination unit 100 may determine the tertiary infectious disease prevalence in various ways.
감염병으로 진단된 사람에게서 수집된 기존 감염병정보, 기존 위치정보, 기존 기후정보 및 기존 의료정보에 따라 4차 감염병유행도를 판단하는 단계(S404)는 감염병유행도 판단부(100)에서 수행되며, 감염병유행도 판단부(100)는 수집된 다양한 감염병정보, 다양한 위치정보, 다양한 기후정보와 다양한 의료정보를 4차 감염병유행도 판단을 위해 처리 가능하도록 유효한 정보로 가공 처리할 수 있다. 가공된 다양한 감염병정보, 다양한 위치정보, 다양한 기후정보와 다양한 의료정보를 이용하여 감염병유행도 판단부(100)가 4차 감염병유행도를 판단하는데, 4차 감염병유행도 판단에서 고려되는 요소와 방식에 특별한 제한이 존재하는 것은 아니다. 즉, 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보, 다양한 위치정보, 다양한 기후정보와 다양한 의료정보를 이용하여 감염병유행도 판단부(100)가 다양한 방식으로 4차 감염병유행도를 판단할 수 있다.The step (S404) of determining the fourth infectious disease prevalence according to the existing infectious disease information, existing location information, existing climate information, and existing medical information collected from a person diagnosed with an infectious disease is performed by the infectious disease prevalence determination unit 100, The infectious disease prevalence determination unit 100 may process the collected various infectious disease information, various location information, various climate information, and various medical information into valid information so as to be able to process it to determine the fourth infectious disease prevalence. Using various processed infectious disease information, various location information, various climate information, and various medical information, the infectious disease prevalence determination unit 100 determines the fourth infectious disease prevalence, factors and methods considered in determining the fourth infectious disease prevalence There are no special restrictions on That is, by using various infectious disease information, various location information, various climate information, and various medical information collected from a person diagnosed with an infectious disease, the infectious disease prevalence determination unit 100 can determine the fourth infectious disease epidemic in various ways. .
체온 및 감염병 증상을 포함하는 개인의 감염병정보를 수집하는 단계(S405)는 감염병정보 수집부(200)에서 수행되며, 수집하는 감염병정보와 수집하는 방식에 특별한 제한이 존재하는 것이 아니다. The step of collecting personal infectious disease information including body temperature and infectious disease symptoms ( S405 ) is performed by the infectious disease information collection unit 200 , and there are no special restrictions on the collected infectious disease information and collection method.
감염병정보가 수집된 장소와 관련하여 개인의 위치정보를 수집하는 단계(S406)는 위치정보 수집부(500)에서 수행되며, 수집하는 위치정보와 수집하는 방식에 특별한 제한이 존재하는 것이 아니다.The step (S406) of collecting individual location information in relation to the place where the infectious disease information is collected is performed by the location information collecting unit 500, and there is no special limitation on the location information to be collected and the method of collecting it.
감염병정보가 수집된 장소와 관련하여 개인의 기후정보를 수집하는 단계(S407)는 기후정보 수집부(600)에서 수행되며, 수집하는 기후정보와 수집하는 방식에 특별한 제한이 존재하는 것이 아니다.The step (S407) of collecting individual climate information in relation to the place where the infectious disease information is collected is performed by the climate information collection unit 600, and there are no special restrictions on the climate information to be collected and the method of collection.
투약한 약의 정보, 투약 주기, 투약 후 체온 및 투약 후 감염병 증상을 포함하는 개인의 의료정보를 수집하는 단계(S408)는 의료정보수집부(700)에서 수행되며, 의료정보 수집부(700)는 자동으로 다양한 의료정보를 파악하거나 외부로부터 다양한 의료정보를 입력받을 수 있고, 그 밖에 유무선 통신을 통해 다양한 의료정보를 수신받을 수 있다. 상기 의료정보 수집부(700)가 수집하는 의료정보에는 특별한 제한이 없고, 다양한 의료정보를 수집하는 방식에도 특별한 제한이 존재하는 것이 아니다.The step (S408) of collecting personal medical information including information on the administered drug, dosing cycle, body temperature after administration, and symptoms of infectious disease after administration (S408) is performed by the medical information collection unit 700, and the medical information collection unit 700 can automatically grasp various medical information or receive various medical information from the outside, and can also receive various medical information through wired and wireless communication. There is no particular limitation on the medical information collected by the medical information collecting unit 700 , and there is no particular limitation on the method of collecting various types of medical information.
상기 1차 감염병유행도, 상기 2차 감염병 유행도, 상기 3차 감염병유행도, 상기 4차 감염병유행도, 상기 개인의 감염병정보, 상기 개인의 위치정보, 상기 개인의 기후정보 및 상기 개인의 의료정보에 대한 딥러닝 기반의 인공신경망 학습을 수행하여 개인의 감염병가능성을 판단하는 단계(S409)는 감염병가능성 판단부(300)에서 수행되며, 감염병으로 진단된 사람에게서 수집된 다양한 감염병정보, 다양한 위치정보, 다양한 기후정보와 다양한 의료정보를 이용하여 다양한 방식으로 감염병유행도 판단부(100)가 판단한 1차 감염병유행도, 2차 감염병유행도, 3차 감염병유행도, 4차 감염병유행도와 개인의 감염병정보, 개인의 위치정보, 개인의 기후정보, 개인의 의료정보를 활용하여 딥 러닝 기반의 인공신경망 학습을 수행한다.The primary infectious disease prevalence, the secondary infectious disease prevalence, the tertiary infectious disease prevalence, the fourth infectious disease prevalence, the individual infectious disease information, the individual location information, the individual climate information, and the individual medical care The step (S409) of determining the possibility of an individual's infectious disease by performing deep learning-based artificial neural network learning on the information is performed by the infectious disease possibility determination unit 300, various infectious disease information collected from a person diagnosed with an infectious disease, various locations The primary infectious disease prevalence, secondary infectious disease prevalence, tertiary infectious disease prevalence, quaternary infectious disease prevalence and individual Deep learning-based artificial neural network learning is performed using infectious disease information, individual location information, individual climate information, and personal medical information.
상기 감염병가능성 판단부의 판단결과를 출력하거나 전송하는 단계(S410)는 감염병가능성 출력전송부(400)에서 수행되며, 감염병가능성 판단부(300)의 판단결과를 출력하거나 전송하는 단계이다.The step of outputting or transmitting the determination result of the infectious disease possibility determination unit ( S410 ) is performed by the infectious disease possibility output transmission unit 400 , and is a step of outputting or transmitting the determination result of the infectious disease possibility determination unit 300 .
이상에서는 본 발명의 바람직한 실시예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진자에 의해 변형실시 또는 추가실시가 가능한 것은 물론이고, 이러한 변형실시 또는 추가실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.In the above, preferred embodiments of the present invention have been illustrated and described, but the present invention is not limited to the specific embodiments described above, and it is common in the technical field to which the present invention pertains without departing from the gist of the present invention as claimed in the claims. Modifications or additional implementations are possible by those having the knowledge of
본 발명은 감염병가능성 예측장치 및 이를 이용한 감염병가능성 예측방법에 관한 것으로, 감염병가능성을 예측하여 확산이나 유행을 방지하기 위한 산업분야에 이용 가능하다.The present invention relates to a device for predicting the possibility of an infectious disease and a method for predicting the possibility of an infectious disease using the same, and can be used in the industrial field for predicting the possibility of an infectious disease and preventing the spread or epidemic.
100: 감염병유행도 판단부
200: 감염병정보 수집부
300: 감염병가능성 판단부
400: 감염병가능성 출력전송부
500: 위치정보 수집부
600: 기후정보 수집부
700: 의료정보 수집부100: Infectious disease epidemic determination unit
200: Infectious disease information collection unit
300: Infectious disease possibility determination unit
400: Infectious disease possibility output transmission unit
500: location information collection unit
600: Climate Information Collection Department
700: medical information collection unit
Claims (11)
체온 및 감염병 증상을 포함하는 개인의 감염병정보를 수집하는 감염병정보 수집부;
상기 1차 감염병유행도 및 상기 개인의 감염병정보에 대해 딥러닝 기반의 인공신경망 학습을 수행하여 개인의 감염병가능성을 판단하는 감염병가능성 판단부; 및
상기 감염병가능성 판단부의 판단결과를 출력하거나 전송하는 감염병가능성 출력전송부;를 포함하는 것을 특징으로 하는 감염병가능성 예측장치.
an infectious disease prevalence determination unit that determines a primary infectious disease prevalence using existing infectious disease information collected from a person diagnosed with an infectious disease;
an infectious disease information collection unit that collects individual infectious disease information including body temperature and infectious disease symptoms;
an infectious disease possibility determination unit that determines the individual's infectious disease possibility by performing deep learning-based artificial neural network learning on the primary infectious disease prevalence and the individual's infectious disease information; and
and an infectious disease possibility output transmission unit for outputting or transmitting the determination result of the infectious disease possibility determination unit.
1차 감염병유행도는 이하의 단순유행도와 표준유행도를 포함하여 판단되는 것을 특징으로 하는 감염병가능성 예측장치.
단순유행도: Psimple(d) = Infectious7(d)/Infectious365(d)
Infectious7(d) : 특정일 d 기준으로 이전 7일간의 감염병 진단수
Infectious365(d) : 특정일 d 기준으로 이전 365일간의 감염병 진단수
표준유행도 : Pstandard(d) = Infectious7(d)/diagnosis7(d)
Infectious7(d) : 특정일 d 기준으로 이전 7일간의 감염병 진단수
diagnosis7(d) : 특정일 d 기준으로 이전 7일간의 질병 진단수
According to claim 1,
A device for predicting the possibility of an infectious disease, characterized in that the primary infectious disease epidemic is determined including the following simple and standard epidemics.
Simple Trend: P simple (d) = Infectious 7 (d)/Infectious 365 (d)
Infectious 7 (d): The number of diagnoses of infectious diseases in the previous 7 days based on the specific date d
Infectious 365 (d): The number of diagnoses of infectious diseases in the previous 365 days based on the specific date d
Standard prevalence: P standard (d) = Infectious 7 (d)/diagnosis 7 (d)
Infectious 7 (d): The number of diagnoses of infectious diseases in the previous 7 days based on the specific date d
diagnosis 7 (d): the number of disease diagnoses in the previous 7 days based on the specific date d
개인의 감염병정보가 수집된 장소와 관련하여 개인의 위치정보를 수집하는 위치정보 수집부;를 추가로 포함하며,
상기 감염병유행도 판단부는 감염병으로 진단된 사람에게서 수집된 기존 감염병정보와 기존 위치정보를 이용하여 2차 감염병유행도를 판단하며,
상기 감염병가능성 판단부는 상기 1차 감염병유행도, 상기 2차 감염병 유행도, 상기 개인의 감염병정보 및 상기 개인의 위치정보에 대해 딥러닝 기반의 인공신경망 학습을 수행하여 개인의 감염병가능성을 판단하는 것을 특징으로 하는 감염병가능성 예측장치.
According to claim 1,
It further includes; a location information collection unit that collects personal location information in relation to the place where personal infectious disease information is collected;
The infectious disease prevalence determination unit determines the secondary infectious disease prevalence by using existing infectious disease information and existing location information collected from a person diagnosed with an infectious disease,
The infectious disease possibility determining unit performs deep learning-based artificial neural network learning on the primary infectious disease prevalence, the secondary infectious disease prevalence, the individual infectious disease information and the individual location information to determine the individual's infectious disease possibility. A device for predicting the possibility of an infectious disease.
상기 위치정보수집부는 감염병으로 진단된 사람의 기존 위치정보와 개인의 위치정보를 이용하여 거리를 계산하며,
상기 감염병가능성 출력전송부를 통해 계산된 거리를 출력하거나 전송하여 경고하는 것을 특징으로 하는 감염병가능성 예측장치.
4. The method of claim 3,
The location information collection unit calculates the distance using the existing location information of the person diagnosed with the infectious disease and the personal location information,
Infectious disease possibility prediction device, characterized in that the output or transmits the calculated distance through the infectious disease possibility output transmission unit, characterized in that the warning.
2차 감염병유행도는 이하의 지역평균체온과 지역감염병분율을 포함하여 판단되는 것을 특징으로 하는 감염병가능성 예측장치.
지역평균체온 : mtemp(lat, lng) = ∑(tempi/tempn)
lat: 개인의 위치정보와 관련된 위도
lng: 개인의 위치정보와 관련된 경도
tempi : 개인과 같은 도시(시/군/구) 안에서 전일 측정된 다른 체온들
tempn : 개인과 같은 도시(시/군/구) 안에서 전일 측정된 다른 체온들의 갯수
지역감염병분율 : Plocal(d, r) = Infectiouslocal7(d, r)/diagnosislocal7(d, r)
Infectiouslocal7(d, r) : 개인의 위치정보와 거리 r 이내, 특정일 d 기준으로 이전 7일간의 감염병 진단수
diagnosislocal7(d, r) : 개인의 위치정보와 거리 r 이내, 특정일 d 기준으로 이전 7일간의 질병 진단수
4. The method of claim 3,
Secondary infectious disease prevalence predicting device, characterized in that it is judged including the following regional average body temperature and regional infectious disease fraction.
Regional average body temperature: m temp (lat, lng) = ∑(temp i /temp n )
lat: Latitude related to personal location information
lng: Longitude related to personal location information
temp i : Other body temperatures measured on the previous day in the same city (city/gun/gu) as the individual
temp n : the number of other body temperatures measured on the previous day in the same city (city/gun/gu) as the individual
Local infectious disease fraction: P local (d, r) = Infectious local7 (d, r)/diagnosis local7 (d, r)
Infectious local7 (d, r): The number of diagnoses of infectious diseases in the previous 7 days based on individual location information and distance r within r
diagnosis local7 (d, r): within the distance r from the individual's location information, the number of disease diagnoses in the previous 7 days based on the specific date d
감염병정보가 수집된 장소와 관련하여 개인의 기후정보를 수집하는 기후정보 수집부;를 추가로 포함하며,
상기 감염병유행도 판단부는 감염병으로 진단된 사람에게서 수집된 기존 감염병정보, 기존 위치정보 및 기존 기후정보를 이용하여 3차 감염병유행도를 판단하며,
상기 감염병가능성 판단부는 상기 1차 감염병유행도, 상기 2차 감염병 유행도, 상기 3차 감염병유행도, 상기 개인의 감염병정보, 상기 개인의 위치정보 및 상기 개인의 기후정보에 대한 딥러닝 기반의 인공신경망 학습을 수행하여 개인의 감염병가능성을 판단하는 것을 특징으로 하는 감염병가능성 예측장치.
4. The method of claim 3
It additionally includes a climate information collection unit that collects individual climate information in relation to the place where infectious disease information was collected;
The infectious disease epidemic determination unit determines the third infectious disease prevalence using existing infectious disease information, existing location information, and existing climate information collected from a person diagnosed with an infectious disease,
The infectious disease possibility determination unit is a deep learning-based artificial intelligence for the primary infectious disease prevalence, the secondary infectious disease prevalence, the tertiary infectious disease prevalence, the individual infectious disease information, the individual location information, and the individual climate information. Infectious disease possibility prediction device, characterized in that it determines the individual's infectious disease possibility by performing neural network learning.
진찰자료, 검사자료, 투약한 약의 정보, 투약 주기, 투약 후 체온 및 투약 후 감염병 증상을 포함하는 개인의 의료정보를 수집하는 의료정보 수집부;를 추가로 포함하며,
상기 감염병유행도 판단부는 감염병으로 진단된 사람에게서 수집된 기존 감염병정보, 기존 위치정보, 기존 기후정보 및 기존 의료정보를 이용하여 4차 감염병유행도를 판단하며,
상기 감염병가능성 판단부는 상기 1차 감염병유행도, 상기 2차 감염병 유행도, 상기 3차 감염병유행도, 상기 4차 감염병유행도, 상기 개인의 감염병정보, 상기 개인의 위치정보, 상기 개인의 기후정보 및 상기 개인의 의료정보에 대한 딥러닝 기반의 인공신경망 학습을 수행하여 개인의 감염병가능성을 판단하는 것을 특징으로 하는 감염병가능성 예측장치.
7. The method of claim 6,
It further includes; a medical information collection unit that collects personal medical information including medical examination data, test data, information on administered drugs, dosing cycle, body temperature after administration, and symptoms of infectious disease after administration;
The infectious disease prevalence determination unit determines the fourth infectious disease prevalence using existing infectious disease information, existing location information, existing climate information, and existing medical information collected from a person diagnosed with an infectious disease,
The infectious disease possibility determining unit is the primary infectious disease prevalence, the secondary infectious disease prevalence, the tertiary infectious disease prevalence, the fourth infectious disease prevalence, the individual infectious disease information, the individual location information, the individual climate information and a deep learning-based artificial neural network learning for the individual medical information to determine the individual's infectious disease possibility.
체온 및 감염병 증상을 포함하는 개인의 감염병정보를 수집하는 단계;
상기 1차 감염병유행도 및 상기 개인의 감염병정보에 대해 딥러닝 기반의 인공신경망 학습을 수행하여 개인의 감염병가능성을 판단하는 단계; 및
상기 감염병가능성 판단부의 판단결과를 출력하거나 전송하는 단계;를 포함하는 감염병가능성 예측방법.
determining the prevalence of a primary infectious disease using existing infectious disease information collected from a person diagnosed with an infectious disease;
collecting personal infectious disease information including body temperature and infectious disease symptoms;
determining an individual's possibility of an infectious disease by performing deep learning-based artificial neural network learning on the primary infectious disease prevalence and the individual's infectious disease information; and
and outputting or transmitting the determination result of the infectious disease possibility determination unit.
감염병으로 진단된 사람에게서 수집된 기존 감염병정보와 기존 위치정보를 이용하여 2차 감염병유행도를 판단하는 단계;
체온 및 감염병 증상을 포함하는 개인의 감염병정보를 수집하는 단계;
감염병정보가 수집된 장소와 관련하여 개인의 위치정보를 수집하는 단계;
상기 1차 감염병유행도, 상기 2차 감염병 유행도, 상기 개인의 감염병정보 및 상기 개인의 위치정보에 대해 딥러닝 기반의 인공신경망 학습을 수행하여 개인의 감염병가능성을 판단하는 단계; 및
상기 감염병가능성 판단부의 판단결과를 출력하거나 전송하는 단계;를 포함하는 감염병가능성 예측방법.
determining the prevalence of a primary infectious disease using existing infectious disease information collected from a person diagnosed with an infectious disease;
determining the prevalence of a secondary infectious disease by using existing information on infectious diseases and existing location information collected from a person diagnosed with an infectious disease;
collecting personal infectious disease information including body temperature and infectious disease symptoms;
collecting personal location information in relation to a place where infectious disease information is collected;
determining the possibility of an individual's infectious disease by performing deep learning-based artificial neural network learning on the primary infectious disease prevalence, the secondary infectious disease prevalence, the individual's infectious disease information, and the individual's location information; and
and outputting or transmitting the determination result of the infectious disease possibility determination unit.
감염병으로 진단된 사람에게서 수집된 기존 감염병정보와 기존 위치정보를 이용하여 2차 감염병유행도를 판단하는 단계;
감염병으로 진단된 사람에게서 수집된 기존 감염병정보, 기존 위치정보 및 기존 기후정보를 이용하여 3차 감염병유행도를 판단하는 단계;
체온 및 감염병 증상을 포함하는 개인의 감염병정보를 수집하는 단계;
감염병정보가 수집된 장소와 관련하여 개인의 위치정보를 수집하는 단계;
감염병정보가 수집된 장소와 관련하여 개인의 기후정보를 수집하는 단계;
상기 1차 감염병유행도, 상기 2차 감염병 유행도, 상기 3차 감염병유행도, 상기 개인의 감염병정보, 상기 개인의 위치정보 및 상기 개인의 기후정보에 대한 딥러닝 기반의 인공신경망 학습을 수행하여 개인의 감염병가능성을 판단하는 단계; 및
상기 감염병가능성 판단부의 판단결과를 출력하거나 전송하는 단계;를 포함하는 감염병가능성 예측방법.
determining the prevalence of a primary infectious disease using existing infectious disease information collected from a person diagnosed with an infectious disease;
determining the prevalence of a secondary infectious disease by using existing information on infectious diseases and existing location information collected from a person diagnosed with an infectious disease;
determining the prevalence of a tertiary infectious disease using existing infectious disease information, existing location information, and existing climate information collected from a person diagnosed with an infectious disease;
collecting personal infectious disease information including body temperature and infectious disease symptoms;
collecting personal location information in relation to a place where infectious disease information is collected;
collecting personal climate information in relation to a place where infectious disease information is collected;
Deep learning-based artificial neural network learning is performed on the primary infectious disease prevalence, the secondary infectious disease prevalence, the tertiary infectious disease prevalence, the individual infectious disease information, the individual location information, and the individual climate information. determining the individual's possibility of an infectious disease; and
and outputting or transmitting the determination result of the infectious disease possibility determination unit.
감염병으로 진단된 사람에게서 수집된 기존 감염병정보와 기존 위치정보를 이용하여 2차 감염병유행도를 판단하는 단계;
감염병으로 진단된 사람에게서 수집된 기존 감염병정보, 기존 위치정보 및 기존 기후정보를 이용하여 3차 감염병유행도를 판단하는 단계;
감염병으로 진단된 사람에게서 수집된 기존 감염병정보, 기존 위치정보, 기존 기후정보 및 기존 의료정보에 따라 4차 감염병유행도를 판단하는 단계;
체온 및 감염병 증상을 포함하는 개인의 감염병정보를 수집하는 단계;
감염병정보가 수집된 장소와 관련하여 개인의 위치정보를 수집하는 단계;
감염병정보가 수집된 장소와 관련하여 개인의 기후정보를 수집하는 단계;
진찰자료, 검사자료, 투약한 약의 정보, 투약 주기, 투약 후 체온 및 투약 후 감염병 증상을 포함하는 개인의 의료정보를 수집하는 단계;
상기 1차 감염병유행도, 상기 2차 감염병 유행도, 상기 3차 감염병유행도, 상기 4차 감염병유행도, 상기 개인의 감염병정보, 상기 개인의 위치정보, 상기 개인의 기후정보 및 상기 개인의 의료정보에 대한 딥러닝 기반의 인공신경망 학습을 수행하여 개인의 감염병가능성을 판단하는 단계; 및
상기 감염병가능성 판단부의 판단결과를 출력하거나 전송하는 단계;를 포함하는 감염병가능성 예측방법.determining the prevalence of a primary infectious disease using existing infectious disease information collected from a person diagnosed with an infectious disease;
determining the prevalence of a secondary infectious disease by using existing information on infectious diseases and existing location information collected from a person diagnosed with an infectious disease;
determining the prevalence of a tertiary infectious disease using existing infectious disease information, existing location information, and existing climate information collected from a person diagnosed with an infectious disease;
determining the prevalence of a fourth infectious disease according to existing infectious disease information, existing location information, existing climate information, and existing medical information collected from a person diagnosed with an infectious disease;
collecting personal infectious disease information including body temperature and infectious disease symptoms;
collecting personal location information in relation to a place where infectious disease information is collected;
collecting personal climate information in relation to a place where infectious disease information is collected;
Collecting personal medical information including medical examination data, test data, information on administered drugs, dosing cycle, body temperature after administration, and symptoms of infectious disease after administration;
The primary infectious disease prevalence, the secondary infectious disease prevalence, the tertiary infectious disease prevalence, the fourth infectious disease prevalence, the individual infectious disease information, the individual location information, the individual climate information, and the individual medical care determining the possibility of an individual's infectious disease by performing deep learning-based artificial neural network learning on information; and
and outputting or transmitting the determination result of the infectious disease possibility determination unit.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200064802 | 2020-05-29 | ||
| KR20200064802 | 2020-05-29 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210147991A true KR20210147991A (en) | 2021-12-07 |
| KR102650151B1 KR102650151B1 (en) | 2024-03-22 |
Family
ID=78868704
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210070165A KR102650151B1 (en) | 2020-05-29 | 2021-05-31 | Infectious disease possibility prediction device and infectious disease possibility prediction method using the same |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102650151B1 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102505267B1 (en) * | 2022-11-15 | 2023-03-03 | (주)맥캘리커뮤니케이션즈 | Device, system, method and program for disease spread prediction service using big data |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170034544A (en) * | 2015-09-21 | 2017-03-29 | 주식회사 엠트리케어 | Method and system for collecting data from smart thermometer and for providing service using temperature |
| KR101779705B1 (en) | 2016-03-16 | 2017-09-20 | 한양대학교 산학협력단 | IoT Device & Platform for the detection, prediction, response of New Infections disease |
| KR101960504B1 (en) * | 2017-12-18 | 2019-07-15 | 세종대학교산학협력단 | Apparatus and method for epidemic spread prediction modeling |
| JP2020067884A (en) * | 2018-10-25 | 2020-04-30 | キヤノンメディカルシステムズ株式会社 | Medical information processor and program |
-
2021
- 2021-05-31 KR KR1020210070165A patent/KR102650151B1/en active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170034544A (en) * | 2015-09-21 | 2017-03-29 | 주식회사 엠트리케어 | Method and system for collecting data from smart thermometer and for providing service using temperature |
| KR101779705B1 (en) | 2016-03-16 | 2017-09-20 | 한양대학교 산학협력단 | IoT Device & Platform for the detection, prediction, response of New Infections disease |
| KR101960504B1 (en) * | 2017-12-18 | 2019-07-15 | 세종대학교산학협력단 | Apparatus and method for epidemic spread prediction modeling |
| JP2020067884A (en) * | 2018-10-25 | 2020-04-30 | キヤノンメディカルシステムズ株式会社 | Medical information processor and program |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102505267B1 (en) * | 2022-11-15 | 2023-03-03 | (주)맥캘리커뮤니케이션즈 | Device, system, method and program for disease spread prediction service using big data |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102650151B1 (en) | 2024-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lauer et al. | The incubation period of coronavirus disease 2019 (COVID-19) from publicly reported confirmed cases: estimation and application | |
| Semigran et al. | Evaluation of symptom checkers for self diagnosis and triage: audit study | |
| US20170024531A1 (en) | Systems and methods for near-real or real-time contact tracing | |
| JP6579170B2 (en) | Infection spread prevention support system, terminal and program | |
| US20190295725A1 (en) | Patient Tracking and Diagnosis System of Transmissible Disease | |
| US20140114677A1 (en) | Assisted Medical and Associated Lifestyle Decision Making | |
| US20130318027A1 (en) | System and method to enable detection of viral infection by users of electronic communication devices | |
| Embrett et al. | Barriers to and strategies to address COVID-19 testing hesitancy: a rapid scoping review | |
| Trent et al. | Adverse adolescent reproductive health outcomes after pelvic inflammatory disease | |
| Jordan et al. | Optimization in the context of COVID-19 prediction and control: A literature review | |
| US20160012193A1 (en) | System, method and computer program product for disease monitoring and identification | |
| KR20210117697A (en) | AI-based risk notification system for infectious disease | |
| Lee et al. | COVID-19 pandemic response simulation in a large city: impact of nonpharmaceutical interventions on reopening society | |
| Gebrezgi et al. | Acceptance of opt-out HIV screening in outpatient settings in the United States: a systematic review and meta-analysis | |
| Liu et al. | Computational Epidemiology | |
| Zhang et al. | Identifying urban built environment factors in pregnancy care and maternal mental health outcomes | |
| KR20210147991A (en) | Infectious disease possibility prediction device and infectious disease possibility prediction method using the same | |
| Nestor et al. | Machine learning COVID-19 detection from wearables | |
| Worges et al. | Malaria case management in Zambia: a cross-sectional health facility survey | |
| Fontenot et al. | The effects of intimate partner violence duration on individual and partner‐related sexual risk factors among women | |
| Scribner et al. | Geospatial methods for identification of core groups for HIV/AIDS | |
| CN112655051A (en) | Method and system for identifying subjects enrolled in a clinical trial | |
| Montazeri et al. | Learning from previous epidemics; overcoming COVID-19 using e-Health | |
| Hopkins et al. | Informatics in disease prevention and epidemiology | |
| Embrett et al. | Barriers to and strategies to address COVID-19 testing hesitancy: a rapid scoping |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| N231 | Notification of change of applicant | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |