KR101009083B1 - 욕창발생 위험예측 베이지안 네트워크 시스템 - Google Patents
욕창발생 위험예측 베이지안 네트워크 시스템 Download PDFInfo
- Publication number
- KR101009083B1 KR101009083B1 KR1020080121080A KR20080121080A KR101009083B1 KR 101009083 B1 KR101009083 B1 KR 101009083B1 KR 1020080121080 A KR1020080121080 A KR 1020080121080A KR 20080121080 A KR20080121080 A KR 20080121080A KR 101009083 B1 KR101009083 B1 KR 101009083B1
- Authority
- KR
- South Korea
- Prior art keywords
- variable
- bayesian network
- clinical data
- pressure
- category
- Prior art date
Links
- 208000004210 Pressure Ulcer Diseases 0.000 title claims abstract description 76
- 206010011985 Decubitus ulcer Diseases 0.000 claims abstract description 51
- 238000000034 method Methods 0.000 claims description 15
- 230000000474 nursing effect Effects 0.000 claims description 7
- 230000002526 effect on cardiovascular system Effects 0.000 claims description 5
- 206010030113 Oedema Diseases 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 102000001554 Hemoglobins Human genes 0.000 claims description 3
- 108010054147 Hemoglobins Proteins 0.000 claims description 3
- 230000003836 peripheral circulation Effects 0.000 claims description 3
- 239000000932 sedative agent Substances 0.000 claims description 3
- 230000001624 sedative effect Effects 0.000 claims description 3
- 102000009027 Albumins Human genes 0.000 claims description 2
- 108010088751 Albumins Proteins 0.000 claims description 2
- 239000003146 anticoagulant agent Substances 0.000 claims description 2
- 229940127219 anticoagulant drug Drugs 0.000 claims description 2
- 230000036760 body temperature Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 claims description 2
- 230000035487 diastolic blood pressure Effects 0.000 claims description 2
- 235000005911 diet Nutrition 0.000 claims description 2
- 239000003158 myorelaxant agent Substances 0.000 claims description 2
- 230000035488 systolic blood pressure Effects 0.000 claims description 2
- 210000002700 urine Anatomy 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 claims 5
- 230000037213 diet Effects 0.000 claims 1
- 238000003780 insertion Methods 0.000 claims 1
- 230000037431 insertion Effects 0.000 claims 1
- 235000016236 parenteral nutrition Nutrition 0.000 claims 1
- 208000024891 symptom Diseases 0.000 claims 1
- 230000002485 urinary effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 9
- 238000011161 development Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 238000013058 risk prediction model Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 208000025865 Ulcer Diseases 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000010206 sensitivity analysis Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000036269 ulceration Effects 0.000 description 2
- 238000007473 univariate analysis Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 206010039897 Sedation Diseases 0.000 description 1
- 230000000202 analgesic effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013211 curve analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000003001 depressive effect Effects 0.000 description 1
- 230000000378 dietary effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000003112 inhibitor Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229940035363 muscle relaxants Drugs 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000036280 sedation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/22—Social work or social welfare, e.g. community support activities or counselling services
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Development Economics (AREA)
- Surgery (AREA)
- Game Theory and Decision Science (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Heart & Thoracic Surgery (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biophysics (AREA)
- Child & Adolescent Psychology (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
욕창발생 위험예측 베이지안 네트워크 시스템을 개시한다. 욕창발생 위험예측 베이지안 네트워크 시스템은 환자의 임상 데이터를 기록하는 데이터베이스; 및, 욕창발생 요인이 되는 변수 및 각 변수에 대한 범주를 정의하고 상기 변수와 매칭되는 상기 임상 데이터를 근거로 각 변수의 범주 별로 욕창발생 확률을 산출하는 욕창 예측부를 포함할 수 있다.
욕창, 예측, 베이지안 네트워크(Bayesian network), 확률이론, EMRS(electronic medical record system)
Description
본 발명은 전자의무기록 시스템과의 커뮤니케이션을 통해 욕창발생 위험을 예측하기 위한 전산화 시스템에 관한 것이다.
보건의료분야의 건강위험 예측 알고리즘에 주로 사용되어 온 기술은 고전적 통계기법을 적용하는 로지스틱 회귀모델에 불과하다. 이는 모델을 만드는 사람의 지식과 경험에 따라 가설이 만들어지고, 변수가 선정되어 위험군 또는 비위험군의 이분된 분류로 최종 예측 결과가 산출되는 방법이다. 따라서, 적용되는 환자 사례의 데이터 이용가능성에 의존적이고 관련 변수의 수와 이들 간의 선형관계를 기본 가정으로 갖고 있다.
그러나, 임상 실무의 업무 특성상 한 시점에서 모델에서 필요한 변수의 값들이 모두 수집된다는 것을 가정하기 어렵다. 즉, 로지스틱 회귀모델을 실시간으로 적용되는 임상의사결정지원 시스템/전문가 시스템 개발에는 직접 적용하는데 현실적 제한점을 갖고 있다.
또한, 욕창발생 위험예측과 관련하여 Braden Scale, Norton Scale, Cubbin & Jackson tool, 및 이러한 도구를 기반으로 한 변형된 도구들이 개발되고 있다. 이들 도구는 환자 평가(assessment) 기록의 한 형태로 별도의 종이기록이나 전자의무기록 시스템(electronic medical record system, EMRS)의 입력 화면으로 이용되고 있고 EMRS나 검사결과처럼 기존에 수집된 데이터와 연계되어 있지 않다. 따라서, 별도의 기록이나 데이터 입력이 필요하고 도구 사용과 관련된 측정자간 신뢰도, 사용자 교육 등의 실무적 문제들을 갖고 있다.
본 발명은 욕창발생에 대하여 임상의사의 결정 및 판단을 지원하고 환자의 욕창 발생율을 감소시킬 수 있는 욕창발생 위험예측 베이지안 네트워크 시스템을 제공한다.
본 발명은 EMRS(electronic medical record system)의 이용 가능한 임상 데이터를 활용하여 환자의 욕창발생을 자동으로 예측할 수 있는 욕창발생 위험예측 베이지안 네트워크 시스템을 제공한다.
본 발명의 일실시예에 따른 욕창발생 위험예측 베이지안 네트워크 시스템은 환자의 임상 데이터를 기록하는 데이터베이스; 및, 욕창발생 요인이 되는 변수 및 각 변수에 대한 범주를 정의하고 상기 변수와 매칭되는 상기 임상 데이터를 근거로 각 변수의 범주 별로 욕창발생 확률을 산출하는 욕창 예측부를 포함할 수 있다.
이때, 상기 욕창 예측부는, 상기 산출된 각 변수의 범주 별 욕창발생 확률을 이용하여 상기 변수 간의 관계를 통한 조건부 확률 테이블을 구축하는 것을 특징으로 할 수 있다.
또한, 상기 욕창 예측부는, 단일 시점의 임상 데이터를 근거로 한 단일 베이지안 네트워크를 적용하는 것을 특징으로 할 수 있다.
또한, 상기 욕창 예측부는, 복수 시점의 임상 데이터를 근거로 한 동적 베이지안 네트워크를 적용하는 것을 특징으로 할 수 있다.
본 발명에 따르면, EMRS(electronic medical record system)를 이용하여 욕창발생 위험예측을 전산화(computerization) 및 자동화(automation) 함으로써, 욕창발생 판단에 소요되는 인적/물적 자원을 절약할 수 있다.
본 발명에 따르면, 욕창발생 위험예측을 판단하기 위한 사용자 간의 변이를 줄임으로써 위험예측의 일관성 및 정확성을 높일 수 있다.
본 발명에 따르면, 욕창발생 위험예측을 보다 적극적으로 판단하여 환자의 욕창발생 빈도를 최소화 함으로써 병원 내 서비스의 질적 향상에 기여할 수 있다.
이하에서는, 첨부된 도면을 참조하여 본 발명의 일실시예에 따른 욕창발생 위험예측 베이지안 네트워크 시스템을 상세하게 설명하기로 한다.
도 1은 본 발명의 욕창발생 위험예측 베이지안 네트워크 시스템의 내부 구성을 도시한 도면이다.
도 1을 참조하면, 본 발명의 욕창발생 위험예측 베이지안 네트워크 시스템은 데이터베이스(101)와, 욕창 예측부(102)로 구성될 수 있다.
본 발명의 실시예는 욕창발생 위험예측을 수행하기 위하여 환자의 임상 데이터를 활용할 수 있다.
이를 위하여, 상기 데이터베이스(101)는 환자의 임상 데이터를 기록하는 저장 수단을 의미할 수 있으며, ENRS(electronic nursing record system)를 포함한 EMRS(electronic medical record system)를 이용할 수 있다.
먼저, 상기 임상 데이터 중 활용 가능한 데이터를 선별하기 위하여 욕창발생의 위험요인이 되는 변수를 선정하는 과정이 필요하다.
상기 변수 선정은 문헌 고찰이나 임상 실무자 인터뷰를 통해 실시할 수 있다.
예를 들어, 욕창과 관련된 키워드를 이용하여 KERIS(한국교육학술정보원이 제공하는 학술연구정보서비스) 등을 통해 관련 국내외 논문을 검색할 수 있다. 검색된 논문 중 도구개발과 욕창발생 위험요인 연구를 선별하여 각 연구에서 위험요인으로 제시하고 있는 관련 개념을 추출할 수 있다. 이러한 과정을 통해 추출된 개념들을 이용하여 욕창발생에 요인이 되는 변수와 각 변수의 범주(분류 수준, level)를 규명할 수 있다.
또한, 연구팀 이외 외과계 중환자실에서 실무 경력을 가진 실무자들을 참여시켜 그들의 경험으로부터 추가 고려가 필요한 변수가 있는지 추가적으로 확인할 수 있다.
상기 과정을 거쳐 선택된 변수를 표 1과 같이 정리할 수 있다.
이어, 상기 변수에 대응되는 임상 데이터를 확인하는 과정으로 상기 변수 별로 매칭되는 임상 데이터를 규명하는 과정이 필요하다.
상기 변수와 임상 데이터를 매칭하는 작업에 대한 접근은 다음과 같은 원칙과 순서에 의해 진행할 수 있다.
첫째, 구조화된 의무기록의 임상 데이터 항목을 검토한다. 예를 들어, 간호사의 임상관찰 기록은 '중환자실간호기록지'와 같은 구조화된 입력 화면과 '간호일지'와 같은 비구조화된 입력 화면을 통해 중복적으로 이루어지고 있다. 따라서, 임상 데이터의 활용성이 유연하다고 판단되는 구조화된 의무기록 화면의 데이터 항목을 우선적으로 고려한다.
둘째, 구조화된 의무기록 화면에 해당 변수가 없을 경우 '간호일지'에서 사용되는 표준 진술문의 핵심 개념을 검색할 수 있으며, 예를 들어, 표 2의 임상 데이터 항목을 추가적으로 고려할 수 있다.
또한, 상기 변수와 매칭되는 임상 데이터를 추출하는 과정이 필요하다.
이를 위하여, 대상 환자를 선정하고 각 대상 환자의 임상 데이터를 추출한다.
대상 환자는 활력 징후, 환자 상태 등 임상 관찰 내용을 참조하여 선정할 수 있으며 욕창발생 여부에 따라 욕창 발생군과 욕창 비발생군으로 분류할 수 있다.
예를 들어, 상기 욕창 발생군의 선택 기준은 입원 체류 일수 3일 이상인 환자, 외과계중환자실(SICU)에 2일 이상 체류한 환자, 욕창이 발생한 환자(입실 당시 욕창이 있는 환자 제외)에 해당할 수 있으며, 상기 욕창 비발생군의 선택 기준은 입원 체류 일수 3일 이상인 환자, SICU에 2일 이상 체류한 환자, 욕창이 발생하지 않은 환자에 해당할 수 있다.
상기 욕창 발생군과 욕창 비발생군에 해당하는 환자들의 EMRS 기록에서 상기 선정된 변수와 매칭되는 임상 데이터(이는, 환자의 성별, 진료과, 입원경로, 재원일수 등 인구학적 정보와 입원정보를 포함할 수 있다)를 추출할 수 있다.
이어, 상기 추출된 임상 데이터는 환자 별로 일정 시간이나 분단위로 반복측정 된 값들로 항목에 따라 27,056 ~ 889,000개의 입력 이벤트를 가지고 있을 수 있다. 따라서, 상기 임상 데이터는 의미적 타당성과 데이터 포맷의 처리 적절성에 따라 "cleaning process"를 거쳐 정리된다. 의미적 타당성(semantics)은 '"Atomic fact"로서 개별 데이터의 의미 해석이 가능한가?'에 대한 것이며, 데이터 포맷(data type)의 적절성은 '대량의 데이터 처리를 위해 데이터 형태가 적절한가?'에 대한 것이다.
상기 추출 가공된 임상 데이터는 하루에서 여러 번 반복 측정된 데이터 레코드로 구성되어 있다. 본 발명의 욕창발생 위험예측 모델을 구축하기 위해서는 이들 임상 데이터를 단위 시간대로 의미 있게 통합하고 재구성하는 작업이 필요하다.
상기 임상 데이터에 대한 통합 기준은 다음과 같다.
첫째, 상기 변수 중 연속 변수의 경우 평균값을 산출한다.
둘째, 상기 변수 중 명목 또는 서열변수이면서 하루에 여러 개 존재하는 변수의 경우 부정적인 데이터 값을 우선으로 적용한다.
셋째, 결측률이 50% 이상인 변수에 대해서는 해당 변수의 임상적 의미에 따라 'NULL'의 의미인지 'missing'의 의미인지를 판단하고 별도 값으로 처리한다.
상기한 과정들을 거친 상기 욕창 발생군과 욕창 비발생군의 임상 데이터를 욕창발생 위험예측 모델을 구현하는데 활용할 수 있도록 상기 데이터베이스(101)를 통해 저장 및 유지할 수 있다.
상기 욕창 예측부(102)는 미리 정의된 상기 변수와 각 변수의 범주를 활용하고 상기 데이터베이스(101)에 저장된 임상 데이터를 근거로 각 변수의 범주 별로 욕창발생 확률을 산출하여 욕창발생 위험예측 모델을 구현할 수 있다.
도 2와 도 3은 욕창발생 요인이 되는 변수 및 각 변수의 범주를 설명하기 위한 도면이다. 상기 욕창발생 위험예측 모델에 활용하기 위한 변수는 결측율을 고려하여 결정될 수 있다.
상기 변수 중 범주별 결측율이 가장 높은 변수는 의식 수준, 헤모글로빈, 부종 정도의 순이며, 다음과 같이 결측율 별로 상기 변수를 구분할 수 있다.
- 결측율이 50% 이상인 변수: 의식 수준, 헤모글로빈, 부종 정도
- 결측율이 10% 이상이고 50%미만인 변수: 체질량 지수, 맥박, 체온, 인공호흡기 모드, 수축기 혈압, 이완기 혈압, 심혈관 상태, 심혈관상태 중증도, 식이 종류, 자가 운동능력(self motor power), 피부 상태, 알부민, 간호중증도(투약), 간호중증도(호흡기계)
- 결측율이 10% 미만인 변수: 성별, 나이, 입실 유형, ICU 첫날 욕창 위험도, 입실 회수, 총 재원일수, ICU 재원일수, 진료과, 근이완제 투여 여부, 소변측정 회수, 대변측정 회수, 스토미 여부, 배액측정 회수, 유치도뇨관 삽입 여부, TPN 여부, 체위변경 회수, 진정제 투여 여부, 부종, 말초순환(S, M, C), 항응고제 투여 회수, 진정제 투여 회수, 진통제 투여 회수, 억제대 사용 여부
도 2와 도 3은 상기 변수에 대한 단변량 분석과 욕창 발생군과 욕창 비발생군 간의 그룹 비교를 수행한 결과를 포함하고 있다. 그 중, 연속형 변수에 대해서는 평균(표준편차)으로 나타내고 범주형 변수에서는 빈도수(%)로 나타낸다.
단변량 분석 결과 유의수준(p-value)에 따라 일부 변수를 모델 구축에서 제외시킬 수 있다. 예를 들어, 유의수준 5% 하에서 유의하지 않은 변수는 심혈관계 상태, 말초순환상태(C), 간호중증도(투약)로 모델 구축에서 제외할 수 있다.
도 4는 단일 베이지안 네트워크 모델을 설명하기 위한 도면이다.
상기 욕창 예측부(102)는 단일 베이지안 네트워크를 적용하여 욕창발생 위험예측 모델을 구축할 수 있다. 상기 욕창 예측부(102)는 상기 임상 데이터에 대한 기본 탐색에 이어 변수 선정을 위한 로직 회귀분석 실시한다. 회귀분석에서의 변수 선정은 forward stepwise와 backward stepwise를 병행한 후 욕창발생 위험예측에 대해 단일 베이지안 네트워크의 구조(structure)를 설계한다.
예를 들어, 상기 단일 베이지안 네트워크 모델은 종속변수를 포함해 14개 노드로 구성되며, 이들 노드 간의 의존관계는 13개 링크를 통해 표현될 수 있다. 이에 따라 총 1,957개 조건부 확률 테이블이 모델 구축에 활용될 수 있다.
상기 단일 베이지안 네트워크 모델의 성능 지표인 민감도와 특이도(임상 데이터 건수 대배)는 표 3과 같다.
상기 단일 베이지안 네트워크 모델의 전반적 예측력을 보기 위해 ROC curve와 민감도 분석을 수행한 결과, 도 5와 표 4와 같이 전체적인 예측력은 85.0% 정도이고, 민감도 분석에서는 전반적으로 양성 예측도가 대체로 낮고 음성 예측도가 높은 것을 알 수 있다.
도 6은 동적 베이지안 네트워크 모델을 도시한 것으로, 1day를 단위로 5개의 time slices로 구성된 모델을 도시한 것이다.
상기 욕창 예측부(102)는 동적 베이지안 네트워크를 적용하여 욕창발생 위험예측 모델을 구축할 수 있다. 상기 동적 베이지안 네트워크 모델은 상기 단일 베이지안 네트워크 모델을 확장한 것으로 이를 기초로 time slices 추가한 것이다. 상기 임상 데이터는 이용 가능성이 시간에 따라 순차적으로 증가하나 24시간, 12시간 등 일정 시간 단위로 처방 오더와 관련해서 변하게 되므로 상기 시간 단위를 기준으로 베이지안 네트워크 모델을 구축할 수 있다.
도 6을 참조하면, 상기 동적 베이지안 네트워크 모델은 70개 노드와 69개 링크로 표현될 수 있으며 이에 따라 16,913개 조건부 확률 테이블과, 5개 time slices로 구성될 수 있다.
상기 동적 베이지안 네트워크 모델에 대한 Training과 Testing을 위한 자료 준비 과정은 다음과 같다.
예를 들어, 상기 데이터베이스(101)의 임상 데이터에서 3,348명의 환자를 대상으로 입실 일자에 따라 1st, 2nd, 3rd, 4th, and 5th Day로 구분할 수 있으며, 모델 구축에 필요한 Training자료와 모델 검증에 필요한 Testing자료를 무작위 방법을 이용하여 구분할 수 있다. 즉, 각 환자에 대해 난수표를 발생시킨 후 예측모델 구축 시 사용하는 방법에 따라 전체 환자의 2/3를 Train자료로, 1/3을 검증 자료로 나눌 수 있다.
이때, Train 자료는 2,348명 (70.1%), Test 자료는 1,000명 (29.9%)의 데이터로 무작위로 분리하고, 표 5와 같이 건수 기준으로 Train자료는 14,940건 71.8%, Test 자료는 5,883건 28.3%로 구분되고, Train 데이터의 발생군 건수 비율은 14.9% 이며, Test 자료의 발생군 건수는 14.1% 이다.
상기 구축된 동적 베이지안 네트워크 모델에 대한 검증(Testing)시 다음과 같은 기준을 이용할 수 있다.
첫째는, Discriminative ability 이다: 이는 욕창 발생군에서 고위험 대상과 저위험 대상을 구분하는 능력으로서 c statistics를 이용할 수 있다. 본 실시예에서는 AROC(area under the receiver operating characteristic) 곡선과 민감도를 이용할 수 있다
둘째는, Calibration 이다: 이는 예측 값과 실제 관측 값이 일치하는 정도를 나타내는 것으로 Cox에 의해 제시된 slop of the linear predictor(calibration slope) 즉, 양성 예측도를 비교할 수 있다.
셋째는, Overall accuracy 이다: Brier score(또는, average prediction error)와 chi-square 모델로부터 계산되는 D statistics, 설명력을 나타내는 Nagelkerke's R2을 비교하는 것이 일반적이나, 본 실시예에서는 1-Specificity를 최소화하는 모델을 선정 기준으로 한다.
Train 데이터 세트로 fitting한 결과 time slices별 욕창 발생율은 다음과 같이 시간에 따라 점차 증가하는 것으로 나타난다.
1,000명(29.9%)의 Test data set을 상기 동적 베이지안 모델에 적용한 결과, 각 time slice별 성능 지표는 표 6과 같이 나타난다.
도 7은 2nd Day와 3rd Day의 AROC 곡선을 도시한 도면이다.
상기 표 6에서 알 수 있듯이, 1st, 4th Day에는 단일 베이지안 모델과 유사한 수준의 성능을 보이지만, 도 7과 같이 2nd, 3rd Day에는 단일 베이지안 네트워크 모델보다 좋은 성능을 나타내고 있다.
따라서, 본 발명은 욕창발생 위험예측을 위해 EMRS의 실제 임상 데이터를 직접 이용함으로써 보다 정확한 판단이 가능하며, 확률 이론에 근거한 베이지안 네트워크 모델을 적용함으로써 욕창발생 위험예측을 전산화 및 자동화할 수 있다. 또한, 의료기관의 EMRS와 다양한 API(application program interface) 간 커뮤니케이션을 통해 실시간 또는 일정 기간의 배치 형태로 욕창발생을 예방하기 위한 임상의사결정 지원 시스템 구현에 적용할 수 있다.
본 발명의 베이지안 네트워크 모델을 적용한 욕창발생 위험예측 알고리즘은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다.
그러므로, 본 발명의 범위는 설명된 실시예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.
도 1은 본 발명에 따른 욕창발생 위험예측 베이지안 네트워크 시스템의 구성을 도시한 도면이다.
도 2와 도 3은 욕창발생 요인이 되는 변수 및 각 변수의 범주를 설명하기 위한 도면이다.
도 4는 단일 베이지안 네트워크 모델을 설명하기 위한 도면이다.
도 5는 단일 베이지안 네트워크 모델의 AROC(area under the receiver operating characteristic) 곡선을 도시한 도면이다.
도 6은 동적 베이지안 네트워크 모델을 설명하기 위한 도면이다.
도 7은 동적 베이지안 네트워크 모델의 AROC 곡선을 도시한 도면이다.
<도면의 주요 부분에 대한 부호의 설명>
101: 데이터베이스
102: 욕창 예측부
Claims (9)
- 욕창발생 위험예측 베이지안 네트워크 시스템에 있어서,상기 욕창발생 위험예측 베이지안 네트워크 시스템은,일정 시간을 주기로 복수의 시점에 대하여 환자의 임상 데이터를 기록하는 데이터베이스; 및,욕창발생 요인이 되는 변수 및 각 변수에 대한 범주를 정의하고 상기 변수와 매칭되는 상기 임상 데이터를 근거로 각 변수의 범주 별로 욕창발생 확률을 산출한 후, 상기 산출된 각 변수의 범주 별 욕창발생 확률을 이용하여 상기 변수 간의 관계를 통한 조건부 확률 테이블을 구축하는 욕창 예측부를 포함하고,상기 변수는,나이, 체질량 지수, 재원 일수, 체온, 인공호흡기 모드, 소변 측정 회수, 대변 측정 회수, 식이 종류, 체위변경 회수, 자가 운동능력, 피부상태, 헤모글로빈, 알부민, 성별, 입실유형, 욕창 위험도, 입실회수, 총 재원일수, 진료과, 맥박, 수축기 혈압, 이완기 혈압, 심혈관계 상태, 심혈관계 상태 중증도, 근이완제 투여 여부, 스토미 여부, 배액측정 여부, 유치도뇨관 삽입 여부, PTN(완전비경구영양) 여부, 진정제 투여 유무, 부종 유무, 말초 순환상태, 항응고제 사용 회수, 진정제 사용 회수, 억제대 사용 유무, 간호 중증도 중 적어도 하나를 포함하고,상기 욕창 예측부는,상기 임상 데이터를 근거로 동일한 임상 조건에서의 욕창발생 여부에 따라 상기 환자를 욕창 발생군과 욕창 비발생군으로 분류한 후,각 주기 별로 해당 시점의 상기 욕창 발생군과 욕창 비발생군의 임상 데이터를 근거로 상기 욕창 발생군과 욕창 비발생군의 욕창발생 확률을 나타내는 상기 조건부 확률 테이블을 구축하되,상기 주기에 대응되는 타임 슬라이스(time slice) 별로 상기 변수를 노드로 구성하고 상기 노드 간의 관계를 링크로 구성하는 동적 베이지안 네트워크(Bayesian network)를 적용하여 상기 조건부 확률 테이블을 구축하며,상기 욕창발생 위험예측 베이지안 네트워크 시스템은,진단대상에 대하여 상기 일정 시간을 주기로 상기 변수에 해당하는 임상 데이터를 입력받은 후, 상기 주기 별로 상기 임상 데이터가 대응되는 변수와 각 변수의 범주를 판단하여, 상기 동적 베이지안 네트워크를 통해 상기 판단된 범주에 대응되는 상기 조건부 확률 테이블로부터 상기 진단대상에 대한 욕창발생 확률을 상기 주기 별로 제공하는 것을 특징으로 하는 욕창발생 위험예측 베이지안 네트워크 시스템.
- 삭제
- 삭제
- 제1항에 있어서,상기 욕창 예측부는,단일 시점의 임상 데이터를 근거로 한 단일 베이지안 네트워크를 적용하는, 욕창 발생 위험예측 베이지안 네트워크 시스템.
- 제4항에 있어서,상기 욕창 예측부는,진단대상에 대하여 상기 변수에 해당하는 임상 데이터를 입력받은 후, 상기 임상 데이터가 대응되는 변수와 각 변수의 범주를 판단하여 상기 단일 베이지안 네트워크를 통해 상기 진단대상의 욕창발생 확률을 제공하는, 욕창발생 위험예측 베이지안 네트워크 시스템.
- 삭제
- 삭제
- 삭제
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020080121080A KR101009083B1 (ko) | 2008-12-02 | 2008-12-02 | 욕창발생 위험예측 베이지안 네트워크 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020080121080A KR101009083B1 (ko) | 2008-12-02 | 2008-12-02 | 욕창발생 위험예측 베이지안 네트워크 시스템 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20100062439A KR20100062439A (ko) | 2010-06-10 |
| KR101009083B1 true KR101009083B1 (ko) | 2011-01-18 |
Family
ID=42362702
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020080121080A KR101009083B1 (ko) | 2008-12-02 | 2008-12-02 | 욕창발생 위험예측 베이지안 네트워크 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101009083B1 (ko) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180010369A (ko) * | 2016-07-20 | 2018-01-31 | 서울대학교병원 | 경피적 폐생검의 위험도를 예측하는 방법 및 시스템 |
| KR101975473B1 (ko) | 2018-04-25 | 2019-05-07 | 주식회사 세종지에스 | 욕창 방지 시스템 |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101177662B1 (ko) * | 2011-11-18 | 2012-08-27 | 오동식 | 요양자 통합 관리시스템 및 방법 |
| KR101883433B1 (ko) * | 2016-11-07 | 2018-07-30 | 인하대학교 산학협력단 | 입원 환자 낙상 위험도 예측을 통한 맞춤 중재 시스템 및 방법 |
| KR101830314B1 (ko) | 2017-07-26 | 2018-02-20 | 재단법인 구미전자정보기술원 | 인공지능 기반 베이지안 네트워크를 이용한 췌장암 진단에 필요한 정보제공 방법, 컴퓨터 프로그램 및 컴퓨터 판독 가능한 기록 매체 |
| CN112382388A (zh) * | 2020-12-14 | 2021-02-19 | 中南大学 | 一种压疮不良事件的预警方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101611682B1 (ko) * | 2013-04-19 | 2016-04-15 | 주식회사 리스템 | 다양한 촬영 모드로 촬영 가능한 엑스선 촬영장치 |
-
2008
- 2008-12-02 KR KR1020080121080A patent/KR101009083B1/ko active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101611682B1 (ko) * | 2013-04-19 | 2016-04-15 | 주식회사 리스템 | 다양한 촬영 모드로 촬영 가능한 엑스선 촬영장치 |
Non-Patent Citations (2)
| Title |
|---|
| 욕창발생 예측도구 개발을 위한 전자간호기록 데이터 이용 가능성(대한의료정보학회, 2008년도 대한의료정보학회지 제14권 제2호, 페이지 161-168, 2008.6월 발행)* |
| 의학지식과 베이지안 네트워크를 이용한 대사증후군의 예측 모델링(연세대학교 대학원 컴퓨터과학·산업시스템공학과, 박한샘, 2005년도 석사학위논문, 2006.2월 발행)* |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180010369A (ko) * | 2016-07-20 | 2018-01-31 | 서울대학교병원 | 경피적 폐생검의 위험도를 예측하는 방법 및 시스템 |
| KR101862136B1 (ko) * | 2016-07-20 | 2018-06-05 | 서울대학교병원 | 경피적 폐생검의 위험도를 예측하는 방법 및 시스템 |
| KR101975473B1 (ko) | 2018-04-25 | 2019-05-07 | 주식회사 세종지에스 | 욕창 방지 시스템 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20100062439A (ko) | 2010-06-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Narain et al. | Cardiovascular risk prediction: a comparative study of Framingham and quantum neural network based approach | |
| CN104166667B (zh) | 分析系统以及保健事业支援方法 | |
| Baker et al. | Family satisfaction with end‐of‐life care in seriously ill hospitalized adults | |
| Yu et al. | Personalized health monitoring system of elderly wellness at the community level in Hong Kong | |
| KR101009083B1 (ko) | 욕창발생 위험예측 베이지안 네트워크 시스템 | |
| Norton et al. | Negative and positive illness representations of rheumatoid arthritis: a latent profile analysis | |
| JP2018524137A (ja) | 心理状態を評価するための方法およびシステム | |
| Bower et al. | TANGO‐a screening tool to identify comorbidities on the causal pathway of nocturia | |
| Amaral et al. | Implementation of the nursing role effectiveness model | |
| Amir et al. | Retrospective study of pressure ulcer prevalence in Dutch general hospitals since 2001 | |
| Allison et al. | The effectiveness of various models of primary care-based follow-up after stroke: a systematic review | |
| Nam et al. | Greater continuity of care reduces hospital admissions in patients with hypertension: an analysis of nationwide health insurance data in Korea, 2011–2013 | |
| Sirgo et al. | Validation of the ICU-DaMa tool for automatically extracting variables for minimum dataset and quality indicators: The importance of data quality assessment | |
| CN112908452A (zh) | 事件数据建模 | |
| WO2021140731A1 (ja) | 情報伝達装置および情報伝達方法 | |
| US11694814B1 (en) | Determining patient condition from unstructured text data | |
| US8417541B1 (en) | Multi-stage model for predicting probabilities of mortality in adult critically ill patients | |
| Arnold et al. | Can AM-PAC “6-clicks” inpatient functional assessment scores strengthen hospital 30-day readmission prevention strategies? | |
| Ordovás et al. | A Bayesian network model for predicting cardiovascular risk | |
| Dey et al. | Mining patterns associated with mobility outcomes in home healthcare | |
| Vyas et al. | Additional value of augmenting current subscales in braden scale with advanced machine learning technique for pressure injury risk assessment | |
| Alhorishi et al. | Using machine learning to predict early preparation of pharmacy prescriptions at psmmc-a comparison of four machine learning algorithms | |
| Strating et al. | Predictors of functional disability in rheumatoid arthritis: results from a 13-year prospective study | |
| Elkhovskaya et al. | Personalized assistance for patients with chronic diseases through multi-level distributed healthcare process assessment | |
| Raghavendra et al. | DLMNN Based Heart Disease Prediction with PD-SS Optimization Algorithm |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant | ||
| FPAY | Annual fee payment |
Payment date: 20131217 Year of fee payment: 4 |
|
| FPAY | Annual fee payment |
Payment date: 20141204 Year of fee payment: 5 |
|
| FPAY | Annual fee payment |
Payment date: 20160111 Year of fee payment: 6 |
|
| FPAY | Annual fee payment |
Payment date: 20161220 Year of fee payment: 7 |
|
| FPAY | Annual fee payment |
Payment date: 20171108 Year of fee payment: 8 |
|
| FPAY | Annual fee payment |
Payment date: 20181226 Year of fee payment: 9 |
|
| FPAY | Annual fee payment |
Payment date: 20191109 Year of fee payment: 10 |