KR101437569B1 - 언어 유창성 기반 치매 진단 방법 및 이를 위한 장치 - Google Patents

Abstract

본 발명은 치매 진단을 위한 방법 및 이를 위한 장치에 관한 것이다. 구체적으로, 본 발명은 치매 진단에 사용되는 복수의 항목에 관한 정보를 획득하는 단계; 상기 복수의 항목에 관한 정보를 결합하여 치매 진단을 위한 예측 점수를 산출하는 단계; 및 상기 치매 진단을 위한 예측 점수가 기준 값보다 높은 경우, 대상자의 상태를 치매로 진단하는 단계를 포함하고, 상기 복수의 항목은 언어 유창성과 관련된 둘 이상의 항목과 대상자의 교육 수준과 관련된 항목을 포함하고, 상기 대상자의 교육 수준이 높을 수록 상기 치매 진단을 위한 예측 점수가 높게 산출되는 방법 및 이를 위한 장치에 관한 것이다.

Description

언어 유창성 기반 치매 진단 방법 및 이를 위한 장치{METHOD OF DIAGNOSING DEMENTIA BASED ON VERBRL FLUENCY AND APPARATUS THEREFORE}

본 발명은 치매, 예를 들어 알츠하이머형 치매의 선별 및 진단, 및 이를 위한 치료/진단 기기, u-Health 서비스 관련 기술(예, ubiquitous Electronic health Record, u-EHR) 등에 관한 것이다.

치매는 다양한 원인에 인해 뇌기능이 손상되면서 이전에 비해 인지 기능이 지속적이고 전반적으로 저하되어 일상생활에 상당한 지장이 나타나는 상태이다. 여기서, 인지 기능은 기억력, 언어 능력, 시공간 파악 능력, 판단력 및 추상적 사고력 등 다양한 지적 능력을 가리키며, 각 인지 기능은 특정 뇌 부위와 밀접한 관련이 있다. 치매를 유발하는 원인 질환은 세분화할 경우 70여 가지에 이른다. 다양한 치매 원인 질환 중에서 가장 많은 것은 알츠하이머병과 혈관성 치매이지만, 그 밖에도 루이체 치매, 전측두엽 퇴행, 파킨슨병 등의 퇴행성 뇌질환들과 정상압 뇌수두증, 두부 외상, 뇌종양, 대사성 질환, 결핍성 질환, 중독성 질환, 감염성 질환 등 매우 다양한 원인 질환에 의해 치매가 발생할 수 있다.

치매를 조기 진단해야 하는 이유는 여러 가지가 있다. 첫째, 치매의 조기 진단은 치매 치료에 매우 중요하다. 대사 장애나 영양 결핍으로 인한 치매, 감염 질환으로 인한 치매는 조기에 진단하면 병전 상태로 회복시킬 수 있으나, 결정적인 시기를 놓치면 비가역성 치매로 넘어간다. 또한, 치료가 불가능하다고 알려진 대표 질병인 알츠하이머의 경우도 초기나 중기에 환자에게 아세틸콜린 분해 효소 억제제, 항산화 물질, 에스트로겐을 투여하면 경과가 더 나아지는 것으로 알려져 있다. 둘째, 치매의 병태 생리나 자연적인 경과를 정확하게 이해하려면 가능한 한 초기 환자들을 대상으로 장기적인 추적 관찰이 필수적이다.

현재 치매 선별 검사는 대부분 MMSE(Mini-Mental State Examination) 등과 같은 간이 인지 기능 검사에 의존하고 있는 바 다음과 같은 문제가 있다.

1) 검사 수행 시간이 통상 15분/명으로 선별 검사로서 시간 효율이 부족함.

2) 지필식 검사이므로 시각, 청각, 운동 능력 등에 장애가 있는 사람에게는 검사를 시행할 수 없어 시행 자체가 어려운 노인들이 적지 않음.

3) 검사 시행을 위해서는 훈련된 검사 요원이 필요하므로 검사 비용이 높고 지역에 따라 검사 요원 확보가 불가능한 경우도 적지 않음.

4) 피검자와 검사자가 만나서 시행해야 하는 대면식 검사이므로 별도의 검사 공간이 필요함.

한편, 알츠하이머형 치매는 초기 단계부터 측두엽 손상을 특징으로 하며, 이로 인해 기억 기능, 이름 대기 능력의 저하가 나타난다. 따라서, 치매(예, 알츠하이머형 치매)의 초기 단계부터 언어 유창성 능력이 저하되며, 치매 진단을 위해 언어 유창성 검사가 널리 사용되고 있다. 언어 유창성 검사는 주어진 시간 동안에 주어진 기준(예, 범주)에 해당하는 단어를 최대한 많이 보고하는 검사로서, 이를 수행하기 위해서는 의미 기억, 실행 기능, 작업 기억이 요구된다.

그러나, 기존의 언어 유창성 검사는 주어진 시간 동안 얼마나 많은 수의 정보를 보고할 수 있는지에 대해서만 평가를 하므로(즉, 검사의 총점만 판단), 뇌손상 여부는 확인할 수 있으나 손상 영역에 대해서는 모호한 정보를 제공한다. 즉, 기존의 언어 유창성 검사에서 제공하는 총점만으로는 언어 유창성 검사를 위한 기저의 인지 처리(underlying cognitive process)에 대한 정보를 제공하는 데 한계가 있어, 개개인의 수행 내용 및 양상을 충분히 반영할 수 없다. 또한, 기존의 언어 유창성 검사는 치매 진단 정확도가 MMSE 등 다른 치매 선별 검사에 비해 현저히 열등하여 치매 선별 검사로 사용이 불가능하였다.

상술한 문제를 해소하기 위해, 기존 언어 유창성 검사의 총점이라는 인덱스 외에, 치매(예, 알츠하이머형 치매)의 초기 단계에서부터 저하되는 인지 기능의 특성을 반영할 수 있는 인덱스가 필요하다. 따라서, 본 발명에서는 치매(예, 알츠하이머형 치매)에 특이적인 인덱스의 개발을 통해 치매의 조기 진단/선별을 위한 방법 및 이를 위한 장치를 제안하고자 한다.

본 발명에서 이루고자 하는 기술적 과제들은 상기 기술적 과제로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 발명의 일 양상으로, 치매를 진단하는 방법에 있어서, 치매 진단에 사용되는 복수의 항목에 관한 정보를 획득하는 단계; 상기 복수의 항목에 관한 정보를 결합하여 치매 진단을 위한 예측 점수를 산출하는 단계; 및 상기 치매 진단을 위한 예측 점수가 기준 값보다 높은 경우, 대상자의 상태를 치매로 진단하는 단계를 포함하고, 상기 복수의 항목은 언어 유창성과 관련된 둘 이상의 항목과 대상자의 교육 수준과 관련된 항목을 포함하고, 상기 대상자의 교육 수준이 높을 수록 상기 치매 진단을 위한 예측 점수가 높게 산출되는 방법이 제공된다.

본 발명의 다른 양상으로, 치매 진단을 위해 사용되는 장치에 있어서, 입력부; 출력부; 및 제어부를 포함하고, 상기 제어부는 치매 진단에 사용되는 복수의 항목에 관한 정보를 획득하고, 상기 복수의 항목에 관한 정보를 결합하여 치매 진단을 위한 예측 점수를 산출하며, 상기 치매 진단을 위한 예측 점수가 기준 값보다 높은 경우, 상기 대상자의 상태를 치매로 진단하도록 구성되고, 상기 복수의 항목은 언어 유창성과 관련된 둘 이상의 항목과 대상자의 교육 수준과 관련된 항목을 포함하고, 상기 대상자의 교육 수준이 높을 수록 상기 치매 진단을 위한 예측 점수가 높게 산출되는 장치가 제공된다.

바람직하게, 상기 언어 유창성과 관련된 둘 이상의 항목은 하기 제1 항목 내지 제6 항목 중 둘 이상의 항목을 포함한다:

- 주어진 시간 중에서 전반에 보고된 단어의 개수에 관한 제1 항목,

- 주어진 시간 중에서 후반에 보고된 단어의 개수에 관한 제2 항목,

- 단어의 하위 범주가 전환된 횟수에 관한 제3 항목,

- 각 하위 범주들에게 보고된 단어들의 평균 개수에 관한 제4 항목,

- 단어가 중복적으로 보고된 횟수에 관한 제5 항목, 및

- 주어진 범주가 아닌 다른 범주의 단어가 보고된 횟수에 관한 제6 항목.

바람직하게, 상기 복수의 항목은 언어 유창성과 관련된 넷 이상의 항목을 포함한다.

바람직하게, 상기 언어 유창성과 관련된 둘 이상의 항목은 상기 제1 항목, 제3 항목, 제4 항목 및 제5 항목을 포함한다.

바람직하게, 상기 교육 수준과 관련된 항목은 교육 연한 항목을 포함한다.

바람직하게, 상기 치매 진단을 위한 예측 점수는 하기 식을 이용하여 산출된다:

[수학식]

A + B×성별(남자=1, 여자=2) + C×나이 + D×교육 연한 + E

여기서, A 내지 C는 각각 실수이고, D는 양의 실수이며, E는 상기 언어 유창성과 관련된 둘 이상의 항목에 관한 점수의 합을 나타내고, 상기 언어 유창성과 관련된 둘 이상의 항목에 관한 점수에는 각각 계수가 독립적으로 적용된다.

본 발명의 언어 유창성-기반 치매 진단 방법은 다음과 같은 효과가 있다.

1) 검사 수행 시간이 통상 3분/명 이내로 시간 효율성이 매우 우수하다.

2) 지필식 검사가 아니므로 기존 치매 선별 검사들이 갖는 시행 대상의 제한이 거의 없다.

3) 피검사와 검사자가 대면할 필요가 없으므로 검사 비용이 적고 지역에 관계없이 시행할 수 있어 치매 선별 검사를 U-Health 화 시킬 수 있다.

또한, 본 발명의 언어 유창성-기반 치매 진단 방법은 스마트폰 어플리케이션 형태로 제공될 수 있다. 어플리케이션을 통해 자가로 치매 선별 검사를 손쉽게 시행함으로써, 치매 정밀 검사 및 치료를 위한 진료 환경에의 접근성을 높일 수 있다. 또한 진단 과정에서 불필요한 의료비 절감을 기대할 수 있다.

또한, 본 발명의 언어 유창성-기반 치매 진단 방법은 언어 유창성 검사의 치매 진단 정확도를 MMSE와 동등한 수준으로 개선시킴으로써 선별 검사로서 언어 유창성 검사가 지닌 고유한 장점과 함께 치매 선별 검사의 비용과 시간, 지역간 편차를 현저히 개선시킬 수 있을 것으로 기대된다. 특히 치매 선별 검사 전화 등과 같은 비대면 시스템 형식으로 제공함으로써 치매 선별에 대한 지역적 시간적 장벽을 없애고 즉각적으로 결과를 피드백 하는 것이 가능하다.

본 발명에서 얻은 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 발명에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는, 첨부 도면은 본 발명에 대한 실시예를 제공하고, 상세한 설명과 함께 본 발명의 기술적 사상을 설명한다.
도 1은 본 발명에 따른 치매 진단 방법을 도시한다.
도 2는 본 발명에 따른 치매 진단을 위한 장치를 도시한다.

이하 본 발명에 따른 바람직한 실시형태들을 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시되는 상세한 설명은 본 발명의 예시적인 실시형태를 설명하고자 하는 것이며, 본 발명이 실시될 수 있는 유일한 실시형태를 나타내고자 하는 것이 아니다. 이하의 상세한 설명은 본 발명의 완전한 이해를 돕기 위해 구체적인 세부사항을 포함한다. 그러나, 당업자는 본 발명이 이러한 구체적 세부사항 없이도 실시될 수 있음을 알 것이다. 또한, 이하의 설명에서 사용되는 특정(特定) 용어들은 본 발명의 이해를 돕기 위해서 제공된 것이며, 이러한 특정 용어는 본 발명의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다. 또한, 본 명세서 전체에서 동일하거나 유사한 구성요소에 대해서는 동일한 도면 부호를 사용하여 설명한다.

도 1은 본 발명에 따른 치매 진단 방법을 도시한다.

도 1을 참조하면, 치매 진단에 사용되는 장치(간단히, 치매 진단 장치)는 대상자로부터 치매 진단에 사용되는 복수의 항목에 관한 정보를 획득한다(S102). 여기서, 치매 진단 장치는 유무선 의료 기기, 치매 진단 방법이 구현된 이동 단말(예, 스마트폰), 치매 진단 방법이 구현된 컴퓨터 등을 포함한다. 본 발명에서 치매 진단에 사용되는 복수의 항목은 적어도 언어 유창성과 관련된 둘 이상의 항목을 포함한다. 이로 제한되는 것은 아니지만, 언어 유창성과 관련된 항목은 초반 점수, 후반 점수, 전환 점수, 범주 점수, 보속 (오류) 점수, 침투 (오류) 점수 중 적어도 둘 이상의 항목을 포함할 수 있다. 바람직하게, 상기 복수의 항목은 적어도 언어 유창성과 관련된 넷 이상의 항목을 포함한다. 바람직하게, 언어 유창성과 관련된 항목은 초반 점수, 전환 점수, 범주 점수, 보속 (오류) 점수를 포함할 수 있다. 각각의 항목에 대해서는 아래에 정리하였다. 또한, 치매 진단에 사용되는 복수의 항목은 대상자의 교육 수준과 관련된 항목을 더 포함할 수 있다. 여기서, 교육 수준과 관련된 항목은 교육 연한(실제 학교에 다닌 햇수), 학력 등에 대한 항목을 포함할 수 있다. 또한, 이로 제한되는 것은 아니지만, 치매 진단에 사용되는 복수의 항목은 대상자의 성별, 나이, 지역 등에 관한 정보를 더 포함할 수 있다.

언어 유창성과 관련된 항목을 정리하면 다음과 같다.

1) 초반 점수: 주어진 시간(예, 1분) 중에서 전반부(예, 초반 30초)에 보고된 대상(예, 단어)의 개수 또는 이로부터 산출된 값을 나타낸다. 전반부(예, 초반 30초)에 보고되는 대상들은 후반부(예, 후반 30초)에 보고되는 대상에 비하여 더 자주 사용되는 정보들로, 접근 가능한 정보들의 풀에서 쉽게 인출(retrieval)될 수 있는 단어들이다. 따라서, 초반 점수는 사용 가능한 의미 기억에 빠르게 자동적으로 접근하는 능력을 평가하는데 사용될 수 있다. 또한, 초반 점수는 전환 능력보다는 범주 능력과 더 큰 관련이 있으므로, 측두엽 기능과 관련이 있어 보인다. 또한, 범주 점수와의 관련성을 고려할 때, 초반 점수는 전측/내측(anterior/lateral) 측두엽과 관련이 있는 것으로 추정된다.

2) 후반 점수: 주어진 시간(예, 1분) 중에서 후반부(예, 후반 30초)에 보고된 대상(예, 단어)의 개수 또는 이로부터 산출된 값을 나타낸다. 시간이 흐르면서 보유한 정보 풀이 소모됨에 따라 정보들의 산출이 더욱 어려워지므로 후반부(예, 후반 30초)의 정보들은 초반부에 보고된 정보들에 비해 적다. 따라서, 후반 점수는 조직화된 의미 기억의 네트워크를 따라 정보를 인출하는 능력을 평가하는데 사용될 수 있다. 후반부(예, 후반 30초)에는 전환 능력과 범주 능력이 모두 요구되므로, 전두엽 및 측두엽의 기능과 관련이 있다. 즉, 후반 점수는 전측/내측 측두엽, 좌측 배외측 전전두엽과 관련 있을 것으로 추정된다.

3) 전환 점수: 특정 범주(예, 동물) 내의 대상(예, 단어)을 보고하면서 하위 범주(예, 애완 동물, 가축 등)를 전환한 횟수 또는 이로부터 산출된 값을 나타낸다. 전환 점수는 새롭고 다양한 하위 범주로 효율적으로 전환하기 위한 전략적 탐색 능력 및 인출 능력을 평가하는데 사용될 수 있다. 전환 점수는 전략적인 탐색 과정, 인지적 유연성 및 전환, 새로운 전략 탐색의 시작(initiation) 등의 능력과 관련이 있는 바, 전두엽 과정 관련이 있다.

4) 범주 점수: 각 하위 범주(예, 애완 동물, 가축 등)들에서 연속적으로 보고된 대상(예, 단어)들의 평균 개수 또는 이로부터 산출된 값을 나타낸다. 다르게 표현하면, 범주 점수는 연속적으로 보고된 일련의 하위 범주에 해당되는 대상들의 평균 개수를 의미한다. 범주 점수는 하위의 의미 기억 내에서 정보를 인출하는 능력을 평가하는데 사용될 수 있다. 범주 점수는 언어 메모리, 단어 저장소에 접근하여 이들을 사용할 수 있는 능력과 관련이 있는 바, 측두엽 과정과 관련이 있다. 즉, 범주 점수는 의미 기억(semantic memory)과의 관련성이 높다.

5) 보속 (오류) 점수: 앞서 언급한 대상(예, 단어)을 다시 언급한 횟수 또는 이로부터 산출된 값을 나타낸다. 보속 (오류) 점수는 앞서 스스로 하였던 반응들을 모니터링하고 작업 기억에 보유하는 능력을 반영할 수 있다. 보속 오류를 범하지 않기 위해서는 앞서 나온 정보들에 대한 모니터링 능력, 이미 보고한 대상에 대한 억제(suppression) 능력, 실행 모니터링(executive monitoring) 능력이 필요하며 이들은 작업 메모리 용량(working memory capacity)과 관련이 있다. 작업 메모리는 외측 전전두엽(lateral prefrontal)과 관련되는 것으로 보고되고 있다.

6) 침투 (오류) 점수: 주어진 범주(예, 동물)가 아닌 대상을 보고한 횟수 개수 또는 이로부터 산출된 값을 나타낸다. 즉, 주어진 범주가 아닌 다른 범주(예, 식물)에 해당하는 대상을 보고한 횟수를 의미한다. 침투 (오류) 점수는 의미 기억을 유지하는 능력을 반영할 수 있다. 침투 오류를 범하지 않기 위해서는 자신이 하려는 반응이 탐색해야 하는 의미 필드에 해당하는지 계속 평가해야 한다. 침투 오류를 피하는 능력은 탐색하려는 의미 필드의 크기와 관련이 있다. 침투 (오류) 점수는 측두엽 기능과 관련이 있다. 단어의 의미적 표상과 관련하여 앞배쪽(anteroventral) 측두엽이 중요한 역할을 한다는 연구도 보고되고 있다.

다음으로, 치매 진단 장치는 상기 복수의 항목에 관한 정보를 결합하여 치매 진단을 위한 예측 점수를 산출하고(S104), 치매 진단을 위한 예측 점수가 기준 값(즉, 치매 진단 절단점(cut-off score))보다 높은 경우 대상자의 상태를 치매로 진단할 수 있다(S106). 구체적으로, 치매 진단을 위한 예측 점수(Logit(case))는 수학식 1와 같이 주어질 수 있다.

[수학식 1]

Logit(case) = A + B×성별(남자=1, 여자=2) + C×나이 + E

여기서, A~C는 각각 실수이다. 이로 제한되는 것은 아니지만, A~C는 로지스틱 회귀 분석(Logistic regression analysis)을 이용하여 산출될 수 있다. 또한, A~C는 조건(예, 치매 진단을 위한 신뢰 구간, 치매 유형, 인종, 언어, 지역 등)에 따라 다양하게 구성될 수 있다. 이로 제한되는 것은 아니지만, 일 예로 신뢰 구간에 따라 A~C는 표 1과 같이 주어질 수 있다. 표 1에서 옵션 1은 수학식 1에서 상수를 포함하는 경우, 옵션 2는 수학식 1에서 상수를 포함하지 않는 경우를 나타낸다.

여기서, 추정 값은 모집단(예, 60세 이상의 모든 한국 노인)의 모수(예, 모평균)를 추정하기 위해 표본(예, 60세 이상의 한국 노인 중 일부)으로부터 계산된 통계적 측정 값을 의미한다. 이로 제한되는 것은 아니나, 표 1의 추정 값은 로지스틱 회귀 분석으로부터 얻은 분석 값(예, 회귀 계수)을 나타낸다. 신뢰구간(: 신뢰 구간(Confidence Interval, CI)은 해당 구간 내에 실제 모수가 존재할 것으로 예측되는 구간으로 정의되며, 80%, 90%, 95%, 99% 신뢰 구간 등 다양한 추정이 가능하다. 예를 들어, 95% 신뢰구간은 해당 구간 내에 실제 모수가 있을 가능성이 95%인 것을 의미한다. 신뢰구간은 추정 값±α(표집 오차)로 이해되며, (구간의 시작, 구간의 끝)의 형식으로 표현된다. 따라서, 수학식 1의 A~C에는 해당 신뢰구간 내의 값, 바람직하게는 추정 값이 대입될 수 있다.

E는 언어 유창성과 관련된 둘 이상의 항목에 관한 점수의 합을 나타낸다. 언어 유창성과 관련된 둘 이상의 항목에 관한 점수에는 각각 계수가 독립적으로 적용될 수 있다. 예를 들어, E는 수학식 2와 같이 주어질 수 있다.

[수학식 2]

E = e1×초반 점수 + e2×후반 점수 + e3×전환 점수 + e4×범주 점수 + e5×보속 (오류) 점수 + e6×침투 (오류) 점수

여기서, e1~e6은 해당 점수에 적용되는 계수로서 각각 독립적으로 주어지며 0을 포함하는 실수이다. 이로 제한되는 것은 아니지만, e1~e6는 로지스틱 회귀 분석을 이용하여 산출될 수 있다. 또한, e1~e6은 조건(예, 치매 진단을 위한 신뢰 구간, 치매 유형, 인종, 언어, 지역 등)에 따라 다양하게 구성될 수 있다. 또한, 수학식 2는 E가 최대 여섯 개의 항목을 이용하여 산출되는 것으로 기술하고 있으나, 이는 예시로서 E 산출 시에 언어 유창성에 관한 다른 항목이 추가로 고려될 수 있다. 이로 제한되는 것은 아니지만, 일 예로 신뢰 구간에 따라 e1~e6은 표 2와 같이 주어질 수 있다.

여기서, 추정 값 및 신뢰구간은 표 1에서 설명한 바와 같다. 수학식 2의 e1~e6에는 해당 신뢰구간 내의 값, 바람직하게는 추정 값이 대입될 수 있다. 또한, 수학식 2에 표 2의 e1~e6 중 일부만 대입되는 경우도 가능하다.

예를 들어, 표 2에서 각 항목에 적용되는 계수에 따라 일부 항목에 관한 점수는 E 산출 과정에서 제외될 수 있고, 이 경우 다른 항목에 적용되는 계수가 그에 따라 적절히 변경될 수 있다. 이로 제한되는 것은 아니지만, e2=e6=0인 경우, e1, e3, e4 및 e5는 표 3과 같이 주어질 수 있다.

여기서, 추정 값 및 신뢰구간은 표 1에서 설명한 바와 같다. 수학식 2의 e1, e3, e4, e5에는 해당 신뢰구간 내의 값, 바람직하게는 추정 값이 대입될 수 있다.

한편, 치매 진단에 사용되는 복수의 항목은 대상자의 교육 수준과 관련된 항목(예, 교육 연한)을 더 포함할 경우, 수학식 1은 다음과 같이 주어질 수 있다.

[수학식 3]

Logit(case) = A + B×성별(남자=1, 여자=2) + C×나이 + D×교육 연한 + E

여기서, A~C 및 E는 수학식 1~2에서 정의한 바와 같고, D는 실수이다.

일반적으로는 대상자의 교육 수준이 높을수록 치매 발병률/유병률이 낮은 것으로 알려져 있으나, 본 발명자는 언어 유창성에 기반하여 치매 진단 과정을 수행하는 경우, 생리학적으로는 동등한 치매 상태에 있더라도 교육 수준에 따라 언어 유창성에 차이가 있는 것을 확인하였다. 결과적으로, 교육 수준이 높을수록 상대적으로 많은 단어를 보고하게 되어, 실제 대상자의 치매 상태와 비교하여 낮은 예측 점수가 산출되는 것을 확인하였다. 따라서, 대상자의 교육 수준에 따른 오차를 보정하기 위해, 본 발명에서는 치매 진단에 사용되는 복수의 항목이 대상자의 교육 수준과 관련된 항목을 더 포함할 경우, 대상자의 교육 수준이 높을 수록 상기 치매 진단을 위한 예측 점수를 높게 산출할 것을 추가로 제안한다. 이를 위해, 수학식 3에서 D는 양의 실수로 제한될 수 있다. 이로 제한되는 것은 아니지만, 일 예로 D는 표 4와 같이 주어질 수 있다.

여기서, 추정 값 및 신뢰구간은 표 1에서 설명한 바와 같다. 수학식 3의 D에는 해당 신뢰구간 내의 값, 바람직하게는 추정 값이 대입될 수 있다.

한편, 단계 S106의 기준 값은 조건(예, 치매 진단을 위한 신뢰 구간, 치매 유형, 인종, 언어, 지역 등)에 따라 다양하게 주어질 수 있다.

본 발명에 따르면, 상술한 바와 같이 언어 유창성과 관련된 복수의 항목을 조합함으로써, 대상자의 측두엽 기능과 전두엽 기능에 대한 프로파일을 작성할 수 있으며 전두엽 기능 저하에 비해 측두엽 기능 저하가 뚜렷한 알츠하이머형 치매를 조기에 높은 정확도로 진단할 수 있다.

다음으로, 수학식 1~3에서 각각의 항목에 적용되는 계수를 산정하기 위한 분석 예에 대해서 설명한다. 계수 산정을 위한 분석은 다음과 같이 수행하였다.

423명의 알츠하이머병 환자와 연령, 성별이 동일한 423명의 정상 노인을 대상으로 시행하였다. 전진 로지스틱 분석(forward stepwise logistic regression)을 사용하여 치매 판정용 수학식에 필요한 변수/계수를 산정하였다. 나이, 성별, 학력 수준은 고정 변수로 사용하고, 초반점수, 후반점수, 전환점수, 범주점수, 보속점수, 침투점수는 선택 가능한 변수로 사용하여 두 집단을 변별하는데 유용한 변수들만 수학식에 적용하였다.

표 5는 언어 유창성에 관한 4개 변수와 교육 수준을 고려한 분석 결과이다. 본 분석 결과는 초반 점수, 점환 점수, 범주 점수 및 보속 (오류) 점수를 사용한 경우를 나타내며, 수학식 1~3, 특히 수학식 3의 계수 산정에 사용될 수 있다.

추정 값 및 신뢰구간은 표 1에서 설명한 바와 같다. 수학식 3의 A~D, e1, e3, e4 및 e5에는 해당 신뢰구간 내의 값, 바람직하게는 추정 값이 대입될 수 있다.

표 6~8은 표 5의 분석 조건에서 교육 수준에 관한 항목을 제외한 경우의 분석 결과를 나타낸다.

표 6은 로지스틱 분석 결과를 나타낸다. 표 6은 표 5의 변수들(나이, 성별, 교육 수준, 초반 점수, 전환 점수, 범주 점수, 보속 점수) 중에서 교육 수준을 변수로 사용하지 않는 경우를 나타낸다.

표 7은 교육 수준이 변수로 사용된 경우와 그렇지 않은 경우의 ROC(receiver operating characteristic) 분석 결과를 나타낸다.

ROC 분석은 해당 변수가 두 집단(본 예의 경우, 정상 노인과 알츠하이머성 치매 노인)을 얼마나 잘 변별해내는지를 확인하기 위한 분석으로, Area 점수가 높을수록 잘 변별하는 것으로 이해할 수 있다. 일반적으로 Area 점수가 0.800을 넘는 경우에 변별이 유용한 것으로 해석한다. 표 7을 참조하면, 표 5에서 교육 수준을 제외하고 나이, 성별, 초반점수, 전환점수, 범주점수, 보속 점수만을 수학식의 주요 변수로 사용하는 경우(except_edu, 표 6), Area가 .8664이므로 정상 노인과 알츠하이머성 치매 노인을 잘 변별해낼 수 있음을 알 수 있다. 하지만, 교육 수준을 포함한 경우(composite, 표 5)에 Area가 0.9025이므로, 교육 수준을 제외한 경우(except_edu, 표 6)는 교육 수준을 포함한 경우(composite, 표 5)에 비해 변별의 정도가 상대적으로 낮다는 것도 알 수 있다.

표 7의 결과로부터, 교육 수준을 포함하지 않은 경우에도 두 집단을 잘 변별할 수는 있지만, 교육 수준을 포함한 경우에 비해 변별력이 낮다는 것을 알 수 있다. 그러나, 표 7로는 교육 수준을 포함한 경우와 그렇지 않는 경우의 차이의 유의성은 알 수 없다. 이를 확인하기 위한 분석 결과를 표 8에 나타냈다.

여기서, Pr(=power)>ChiSq(p-value를 의미)는 비교하고자 하는 두 변수간의 차이가 통계적으로 얼마나 유의미한지를 보여주는 척도를 나타내며, 일반적으로는 0.05 이하인 경우에 통계적으로 유의미하다고 보며 점수가 낮을수록 통계적 유의미성이 증가된다고 이해할 수 있다. 특히, <.0001로 표기되는 경우에 통계적 유의미성이 매우 높다고 해석할 수 있다. 따라서, 치매 진단을 위한 예측 점수의 치매 진단에 대한 AUC(Area Under Curve)가 교육 수준에 관한 항목이 포함된 점수에 비해 통계적으로 유의하게 떨어지는 것을 알 수 있다.

표 6~8을 종합하면, 언어 유창성에 기반하여 치매 진단 시 교육 수준에 대한 항목을 이용하여 보다 정확하게 치매 진단을 할 수 있지만, 교육 수준에 대한 항목을 포함하지 않고 복수의 언어 유창성에 대한 항목만을 조합하여 검사를 수행하더라도 여전히 유용한 결과를 얻을 수 있음을 알 수 있다.

표 9~11은 언어 유창성에 관한 6개 변수와 교육 수준을 고려한 분석 결과이다. 구체적으로, 표 9~11은 표 5의 방식(나이, 성별, 교육 수준과 초반 점수, 전환 점수, 범주 점수, 보속 점수를 사용하여 치매 진단용 수학식을 산출)(이하, composite_4)과 나이, 성별, 교육 수준과 초반 점수, 후반 점수, 전환 점수, 범주 점수, 보속 점수, 침투 점수를 사용하여 치매 진단용 수학식을 산출하는 방식(이하, composite_6)의 변별성을 비교하기 위한 분석 결과를 나타낸다. 표 9~11은 표 6~8과 동일한 방식으로 이해될 수 있다.

표 9는 로지스틱 분석 결과를 나타낸다. 표 9는 초반 점수, 후반 점수, 점환 점수, 범주 점수, 보속 점수 및 침투 점수를 사용한 경우를 나타내며, 수학식 1~3, 특히 수학식 3의 계수 산정에 사용될 수 있다. 분석 조건은 표 5와 유사하다.

표 10은 composite_4 (표 5)와 composite_6 (표 9)에 대한 ROC 분석 결과를 나타낸다. 본 분석은 후반 점수와 침투 점수가 두 집단(예, 정상 노인과 알츠하이머성 치매 노인)을 얼마나 잘 변별해내는지를 확인하기 수행되었다.

표 10을 참조하면, composite_4와 composite_6은 모두 Area가 0.9025로 나타났다. 따라서, 두 경우 모두 정상 노인과 알츠하이머성 치매 노인을 잘 변별하고 있다고 이해할 수 있다. 또한, 두 경우 모두 Area가 0.900을 넘었으므로 정상 노인과 알츠하이머성 치매 노인을 매우 잘 변별한다고 볼 수 있다.

표 11은 composite_4와 composite_6간에 유의미한 차이가 있는지 여부를 확인하기 위한 분석 결과를 나타낸다.

표 11을 참조하면, Pr(=power)>ChiSq(p-value를 의미)가 0.05보다 크므로 composite_4와 composite_6간에 통계적으로 유의한 차이가 없는 것을 알 수 있다.

표 9~11을 종합하면, 언어 유창성 관련 항목을 6개 사용한 경우(composite_6, 표 9)와 4개 사용한 경우(composite_4, 표 5)에 치매 진단에서 유의한 차이는 보이지 않았다.

다음으로, 본 발명에 따라 언어 유창성에 기반하여 알츠하이머형 치매를 진단하는 방법에 대해 구체적으로 예시한다. 편의상, 이하의 설명은 동물이 범주로 주어지고, 검사 언어가 한글이라고 가정한다. 그러나, 이는 예시로서, 언어 유창성 검사에 사용되는 범주, 검사 대상의 인종, 언어, 진단하고자 하는 치매의 유형에 따라 치매 진단을 위한 예측 점수 산정 시에 사용되는 계수를 조정함으로써 동일한 벙법으로 치매를 조기 진단할 수 있다.

본 예에서, 언어 유창성 검사를 위한 기본 가정/조건은 다음과 같다.

- 대상자: 한국인, 한국어

- 언어 유창성 검사를 위한 범주: 동물

- 검사 방법: 대상자에게 1분 동안 가능한 많은 수의 동물 이름을 대도록 한다. 동물 이름은 대상자가 보고하는 순서대로 기록되며 초반 30초 동안 보고된 내용과 후반 30초 동안 보고된 내용이 구분하여 기록됨.

- 검사 채점

1) 초반 점수: 초반 30초 동안 보고된 단어의 개수로 주어진다. 보속 오류나 침투 오류의 개수는 제외된다.

2) 후반 점수: 후반 30초 동안 보고된 단어의 개수로 주어진다. 보속 오류나 침투 오류의 개수는 제외된다.

3) 전환 점수: 하위 범주로 전환한 횟수로 주어진다. 보속 오류나 침투 오류도 포함된다.

4) 범주 점수: 각 하위 범주에 포함된 단어 수들의 평균으로 주어진다. 각 하위 범주에 포함된 단어 개수는 ‘실제 보고된 단어 개수-1’로 계산될 수 있다. 보속 오류나 침투 오류도 포함된다.

5) 보속 오류 점수: 앞서 언급된 대상이 다시 언급된 횟수로 주어진다.

6) 침투 오류 점수: 동물이 아닌 대상을 보고한 횟수로 주어진다.

- 하위 범주의 구분: 기존 연구(Troyer, Moscovitch & Winocur, 1997)에 따르며 국내 실정에 맞게 수정될 수 있다.

1) 사는 지역에 따른 분류

아시아 지역: 호랑이, 늑대, 사슴, 살쾡이, 노루 등

아프리카 지역: 사자, 얼룩말, 코끼리, 기린 등

물: 돌고래, 개구리, 문어, 물개 등

가축: 개, 고양이, 말, 소, 양, 돼지, 토끼, 염소 등

2) 사람들이 사용하는 양상에 따른 분류

애완동물: 잉꼬, 고양이, 개, 기니피그, 햄스터, 토끼 등

짐을 나르는 동물: 낙타, 말, 당나귀, 노새 등

3) 동물학상의 분류

조류: 독수리, 앵무새, 딱다구리, 비둘기, 까마귀 등

고양이과: 고양이, 사자, 호랑이, 재규어, 치타 등

4) 12간지: 쥐, 소, 양, 돼지, 토끼, 닭, 호랑이, 용, 말, 원숭이, 뱀, 개

- 하위 범주 채점 기준

1) 가장 많은 정보들을 취합할 수 있는 하위 범주로 구분된다

예: “ 개, 고양이, 말, 소”가 보고되는 경우, ‘개, 고양이’를 ‘애완동물’, ‘말, 소’를 ‘가축’ 또는 ‘12간지’로 나누어서 볼 수 있으나 이 경우, 모두 가축에 해당되므로 ‘가축’ 하위 범주로 분류된다.

2) 하위 범주가 겹치는 경우에 중복 채점된다.

예: “개, 고양이, 사자, 호랑이”가 보고되는 경우, ‘개, 고양이’는 ‘애완동물’로 분류되고 ‘고양이, 사자, 호랑이’는 ‘고양이과 동물’로 분류된다. 이 경우, 전환 점수는 1점이고, 범주 점수는 1.5점 [={(2-1)+(3-1)}/2]이 된다.

위와 같은 가정 하에, 치매 진단을 위한 예측 점수를 수학식 4와 같이 주어진다고 가정한다. 또한, 치매 진단을 위한 절단점(cut-off score)(즉, 단계 S106의 기준 값)은 0.6034으로 주어진다고 가정한다.

[수학식 4]

Logit(case)= 1.160 + 0.474×성별(남자=1, 여자=2) + 0.003×(만) 나이 + 0.226×교육 연한(실제 학교에 다닌 햇수) + 0.534×보속 (오류) 점수 - 0.089×초반 점수 - 0.516×전환 점수 - 0.303×범주 점수

본 예에서, 대상자로부터 획득한 정보는 다음과 같다고 가정한다.

- 대상자: 여성, 나이 78세, 학력 6년

- 1-30초에 보고된 단어: 개, 고양이, 말, 소

- 31-60초에 보고된 단어: 오뚜기, 말

이 경우, 언어 유창성에 관한 각 항목의 점수는 다음과 같이 산출된다.

1) 초반 점수: 4점

2) 후반 점수: 0점

- 오뚜기는 동물이 아니므로 제외되고, 말은 중복되어 제외된다.

3) 전환 점수: 2점

- 개, 고양이, 말, 소(가축), 오뚜기(침투), 말(독립된 단어): “가축 → 침투 단어 → 독립된 단어”이므로 다른 범주로 전환된 것이 2번이다.

4) 범주 점수: 1점

- {(4-1) + (1-1) + (1-1)}/3 = 1

5) 보속 (오류) 점수: 1점

- 31-60초에 말이 다시 반복되었다.

6) 침투 (오류) 점수: 1점

- 동물이 아닌 대상(오뚜기)이 보고되었다.

앞에서 산출된 점수를 수학식 4의 회귀 식에 대입하면 다음과 같다.

Logit(case)= 1.160 + 0.474×성별(=2) + 0.003×(만) 나이(=78) + 0.226×교육 연한(=6년) + 0.534×보속 오류(=1) - 0.089×초반 점수(=4) - 0.516×전환 점수(=2) - 0.303×범주 점수(=1) = 2.541

치매 진단을 위한 예측 점수 2.541(예측 확률: 0.928)는 치매 진단 절단점인 0.6034에 비해 크므로 위의 대상자는 알츠하이머형 치매로 진단할 수 있다.

본 발명에 따른 치매 진단 방법은 유무선 치료/진단 기기, u-Health 서비스 관련 기술(예, u-EHR) 등에 적용될 수 있다. 일 예로, 본 발명은 이동 단말에 어플리케이션 형태로 제공될 수 있다. 여기서, 이동 단말은 휴대폰, 스마트 폰, 노트북 컴퓨터, 디지털방송용 단말기, PDA, PMP, 네비게이션 등을 포함한다.

도 2는 본 발명의 치매 진단 방법이 구현될 수 있는 이동 단말의 블록도를 예시한다. 이하의 설명은 기능에 따른 구성 요소 관점에서 기술된다.

도 2를 참조하면, 이동 단말(100)은 무선 통신부(110), A/V(Audio/Video) 입력부(120), 사용자 입력부(130), 센싱부(140), 출력부(150), 메모리(160), 인터페이스부(170), 제어부(180) 및 전원 공급부(190) 등을 포함할 수 있다. 상기 구성 요소들은 구현 방식에 따라 2 이상의 구성 요소가 하나의 구성 요소로 합쳐지거나 하나의 구성 요소가 2 이상의 구성 요소로 세분화 될 수 있다. 주요 구성 요소에 대해 보다 구체적으로 설명하면 다음과 같다.

무선 통신부(110)는 이동 단말(100)과 무선 통신 시스템 사이 또는 이동 단말(100)과 이동 단말(100)이 위치한 네트워크 사이의 무선 통신을 가능하게 하는 하나 이상의 모듈을 포함할 수 있다. 예를 들어, 무선 통신부(110)는 방송 수신 모듈(111), 이동 통신 모듈(112), 무선 인터넷 모듈(113), 근거리 통신 모듈(114) 및 위치 정보 모듈(115) 등을 포함할 수 있다.

A/V 입력부(120)는 오디오 신호 또는 비디오 신호 입력을 위한 것으로, 카메라(121)와 마이크(122) 등을 포함할 수 있다. 카메라(121)는 이미지 센서에 의해 얻어지는 정지 영상 또는 동영상 등의 화상 프레임을 처리한다. 마이크(122)는 외부의 음향 신호를 전기적인 음성 데이터로 처리한다. 처리된 음성 데이터는 이동통신 모듈(112)을 통하여 기지국에 전송될 수 있다.

사용자 입력부(130)는 사용자가 단말의 동작 제어를 위한 입력 데이터를 발생시킨다. 사용자 입력부(130)는 키 패드(135), 전?후면 또는 측면에 위치하는 버튼(136), 돔 스위치, 터치 센서(137), 조그 휠, 조그 스위치 등으로 구성될 수 있다. 터치 센서(137)는 디스플레이부(151)와 상호 레이어 구조를 이룰 수 있다.

출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시키기 위한 것으로, 디스플레이부(151), 음향 출력 모듈(152), 알람부(153), 및 햅틱 모듈(154) 등이 포함할 수 있다.

메모리(160)는 제어부(180)의 동작을 위한 프로그램을 저장하거나, 입/출력되는 데이터를 임시 저장할 수 있다. 또한, 메모리(160)는 스마트폰 기반의 어플리케이션 및/또는 이를 위한 데이터를 저장할 수 있다.

제어부(180)는 이동 단말(100)의 전반적인 동작을 제어한다. 예를 들어, 음성 통화, 데이터 통신, 화상 통화 등을 위한 관련된 제어 및 처리를 수행한다. 또한, 제어부(180)는 스마트폰 기반의 어플리케이션 동작을 제어한다.

본 발명에 따른 치매 진단 방법은 스마트폰 기반의 어플리케이션 형태로 제공될 수 있고, 전반적인 검사 동작은 제어부(180)에 의해 제어될 수 있다. 이로 제한되는 것은 아니지만, 예를 들어, 제어부(180)는 사용자 입력부(130)를 통해 검사 대상자의 신상 정보(예, 성별, 나이, 학력 등)를 입력 받고, 마이크(122)를 통해 주어진 시간 동안 검사 대상자로부터 단어를 획득하게 할수 있다. 본 발명의 언어 유창성 검사를 위한 세부 정보/기준은 이동 단말(100)의 메모리(160)에 저장되거나, 별도 서버에 저장되어 있을 수 있다. 여기서, 상기 세부 정보/기준은 검사 범주에 포함되는 단어 세트, 하위 범주 분류 기준 및 이를 위한 단어 세트, 치매 진단을 위한 예측 점수를 산정하는데 사용되는 수식에 관한 정보(예, 계수) 등을 포함한다. 상기 세부 정보가 메모리(160)에 저장된 경우, 제어부(180)는 검사 대상자로부터 얻은 정보와 상기 세부 정보를 이용하여 치매 여부를 판단할 수 있다. 한편, 상기 세부 정보가 별도 서버에 저장된 경우, 제어부(180)는 무선 통신부(110)를 통해 검사 대상자로부터 획득한 정보를 해당 서버로 전송하고, 해당 서버로부터 치매 판단 결과를 수신할 수 있다. 이후, 제어부(180)는 출력부(150)를 통해 치매 진단 결과를 검사 대상자에게 알려줄 수 있다.

이상에서 설명된 실시예들은 본 발명의 구성요소들과 특징들이 소정 형태로 결합된 것들이다. 각 구성요소 또는 특징은 별도의 명시적 언급이 없는 한 선택적인 것으로 고려되어야 한다. 각 구성요소 또는 특징은 다른 구성요소나 특징과 결합되지 않은 형태로 실시될 수 있다. 또한, 일부 구성요소들 및/또는 특징들을 결합하여 본 발명의 실시예를 구성하는 것도 가능하다. 본 발명의 실시예들에서 설명되는 동작들의 순서는 변경될 수 있다. 어느 실시예의 일부 구성이나 특징은 다른 실시예에 포함될 수 있고, 또는 다른 실시예의 대응하는 구성 또는 특징과 교체될 수 있다. 특허청구범위에서 명시적인 인용 관계가 있지 않은 청구항들을 결합하여 실시예를 구성하거나 출원 후의 보정에 의해 새로운 청구항으로 포함시킬 수 있음은 자명하다.

본 발명은 다양한 수단, 예를 들어, 하드웨어, 펌웨어(firmware), 소프트웨어 또는 이들의 결합에 의해 구현될 수 있다. 하드웨어 구현의 경우, 본 발명은 하나 또는 그 이상의 ASICs(application specific integrated circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 프로세서, 콘트롤러, 마이크로 콘트롤러, 마이크로 프로세서 등에 의해 구현될 수 있다.

펌웨어나 소프트웨어 구현의 경우, 본 발명은 이상에서 설명된 기능 또는 동작들을 수행하는 모듈, 절차, 함수 등의 형태로 구현될 수 있다. 소프트웨어 코드는 메모리 유닛에 저장되어 프로세서에 의해 구동될 수 있다. 상기 메모리 유닛은 상기 프로세서 내부 또는 외부에 위치하여, 이미 공지된 다양한 수단에 의해 상기 프로세서와 데이터를 주고 받을 수 있다.

본 발명의 특징을 벗어나지 않는 범위에서 본 발명이 다른 특정한 형태로 구체화될 수 있음은 당업자에게 자명하다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.

본 발명은 치매, 예를 들어 알츠하이머형 치매의 선별 및 진단에 사용되는 치료/진단 기기, u-Health 서비스 관련 기술(예, u-EHR) 등에 적용될 수 있다. 예를 들어, 본 발명에 따른 언어 유창성을 이용한 치매 진단 방법은 스마트폰 기반 어플리케이션 등의 형태로 제공될 수 있다.

Claims (12)

1. 의료기기의 제어부에서 수학식 1을 이용하여 치매 예측 점수를 산출하는 단계; 및
   상기 치매 예측 점수가 미리 정의된 값보다 높은 경우, 상기 의료기기의 제어부에서 상기 의료기기의 메모리에 대상자의 상태를 치매 상태로 저장하는 단계를 포함하는, 의료기기에서의 데이터 처리 방법:
   [수학식 1]
   A + B×성별(남자=1, 여자=2) + C×나이 + D×교육 연한 + E
   여기서, A는 -1.361~3.68이고,
   B는 0.025~0.924이며,
   C는 -0.026~0.0325이며,
   D는 0.173~0.279이고,
   E는 언어 유창성 측정 값을 나타낸다.
2. 제1항에 있어서,
   상기 언어 유창성 측정 값은 하기 제1 항목 내지 제6 항목 중 둘 이상의 항목에 대한 측정 값의 합을 포함하는, 의료기기에서의 데이터 처리 방법:
   - 제1 항목: N분 중에서 전반의 1/2*N분에 측정된 단어의 개수,
   - 제2 항목: 상기 N분 중에서 후반의 1/2*N분에 측정된 단어의 개수,
   - 제3 항목: 제1 범주와 상기 제1 범주의 하위에 속하는 복수의 제2 범주가 정의되고, 상기 N분 내에 측정된 단어들 중 이웃한 단어들 간에 상기 제2 범주가 달라진 횟수,
   - 제4 항목: 상기 N분 내에 측정된 단어들을 대상으로, 상기 복수의 제2 범주의 각각에 속하는 단어들의 평균 개수,
   - 제5 항목: 상기 N분 내에 측정된 단어들 중 중복 단어가 측정된 횟수, 및
   - 제6 항목: 상기 N분 내에 측정된 단어들 중 상기 제1 범주에 속하지 않는 단어의 개수.
3. 삭제
4. 삭제
5. 삭제
6. 삭제
7. 입력부; 출력부; 메모리; 및 제어부를 포함하고,
   상기 제어부는 수학식 1을 이용하여 치매 예측 점수를 산출하며, 상기 치매 예측 점수가 미리 정의된 값보다 높은 경우, 대상자의 상태를 상기 메모리에 치매 상태로 저장하도록 구성되는,의료기기:
   [수학식 1]
   A + B×성별(남자=1, 여자=2) + C×나이 + D×교육 연한 + E
   여기서, A는 -1.361~3.68이고,
   B는 0.025~0.924이며,
   C는 -0.026~0.0325이며,
   D는 0.173~0.279이고,
   E는 언어 유창성 측정 값을 나타낸다.
8. 제7항에 있어서,
   상기 언어 유창성 측정 값은 하기 제1 항목 내지 제6 항목 중 둘 이상의 항목에 대한 측정 값의 합을 포함하는, 의료기기:
   - 제1 항목: N분 중에서 전반의 1/2*N분에 측정된 단어의 개수,
   - 제2 항목: 상기 N분 중에서 후반의 1/2*N분에 측정된 단어의 개수,
   - 제3 항목: 제1 범주와 상기 제1 범주의 하위에 속하는 복수의 제2 범주가 정의되고, 상기 N분 내에 측정된 단어들 중 이웃한 단어들 간에 상기 제2 범주가 달라진 횟수,
   - 제4 항목: 상기 N분 내에 측정된 단어들을 대상으로, 상기 복수의 제2 범주의 각각에 속하는 단어들의 평균 개수,
   - 제5 항목: 상기 N분 내에 측정된 단어들 중 중복 단어가 측정된 횟수, 및
   - 제6 항목: 상기 N분 내에 측정된 단어들 중 상기 제1 범주에 속하지 않는 단어의 개수.
9. 삭제
10. 삭제
11. 삭제
12. 삭제

Images