KR101693015B1 - 개인 질병 예측 방법, 개인 질병 예측 시스템 및 개인 질병 예측을 위한 프로그램을 저장하는 저장매체 - Google Patents

개인 질병 예측 방법, 개인 질병 예측 시스템 및 개인 질병 예측을 위한 프로그램을 저장하는 저장매체 Download PDF

Info

Publication number
KR101693015B1
KR101693015B1 KR1020160094671A KR20160094671A KR101693015B1 KR 101693015 B1 KR101693015 B1 KR 101693015B1 KR 1020160094671 A KR1020160094671 A KR 1020160094671A KR 20160094671 A KR20160094671 A KR 20160094671A KR 101693015 B1 KR101693015 B1 KR 101693015B1
Authority
KR
South Korea
Prior art keywords
disease
history
road map
generated
data
Prior art date
Application number
KR1020160094671A
Other languages
English (en)
Inventor
황명권
이수철
최동진
이용호
이민호
Original Assignee
한국과학기술정보연구원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국과학기술정보연구원 filed Critical 한국과학기술정보연구원
Priority to KR1020160094671A priority Critical patent/KR101693015B1/ko
Application granted granted Critical
Publication of KR101693015B1 publication Critical patent/KR101693015B1/ko

Links

Images

Classifications

    • G06F19/3437—
    • G06F19/345—
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/22—Social work

Abstract

본 발명의 일 실시예에 따른 개인 질병 예측 시스템은, 사용자로부터 질병 예측 결과를 조회하기 위한 신호를 수신하는 수신부, 상기 수신한 신호에 대응하여, 질병 히스토리를 데이터 베이스로부터 수신하고, 상기 수신한 질병 히스토리를 분석하여 질병 로드맵 데이터를 생성하는 질병 분석 및 통합기, 상기 생성된 질병 로드맵 데이터를 기반으로 향후 발생 가능한 질병에 대한 질병 예측 결과를 생성하는 질병 로드맵 비교기 및 상기 생성된 질병 예측 결과를 디스플레이하는 디스플레이부를 포함할 수 있다.

Description

개인 질병 예측 방법, 개인 질병 예측 시스템 및 개인 질병 예측을 위한 프로그램을 저장하는 저장매체 {A method for individual disease prediction, an individual disease prediction system, a storing medium for storing a program for individual disease prediction}
본 발명은 질병 로드맵을 구축하고, 구축된 질병 로드맵을 기반으로 개인의 질병을 예측하는 개인 질병 예측 방법, 개인 질병 예측 시스템 및 개인 질병 예측을 위한 프로그램을 저장하는 저장매체에 관한 것이다.
종래에는 개인 질병을 치료하거나 예측하는 다양한 기술들이 존재하였으나, 여러 질병 간의 영향력이나 질병의 보편성을 수치화하여 개인에게 추후 발생 가능한 질병을 예측하는 기술은 존재하지 않았다.
운동처방 정보 제공 시스템 및 그 운동처방정보제공방법(출원번호 : 10-2011-0036923)
맞춤형 개인 건강 서비스 제공 장치 및 방법(출원번호 : 10-2015-0103263)
본 발명에서는 상술한 문제점을 해결하고자, 다수의 사람들의 질병 이력 데이터에 대하여 질병간의 영향력, 질병의 보편성을 수치화하여 개인별 질병 로드맵 데이터를 생성하고, 생성된 로드맵 데이터를 다시 분석하여 개인에게 발생가능한 질병을 예측하고자 한다.
본 발명의 일 실시예에 따른 개인 질병 예측 방법은 사용자로부터 질병 예측 결과를 조회하기 위한 신호를 수신하는 단계, 상기 수신한 신호에 대응하여, 질병 히스토리를 데이터 베이스로부터 수신하는 단계, 상기 수신한 질병 히스토리를 분석하여 질병 로드맵 데이터를 생성하는 단계, 상기 생성된 질병 로드맵 데이터를 기반으로 향후 발생 가능한 질병에 대한 질병 예측 결과를 생성하는 단계 및 상기 생성된 질병 예측 결과를 디스플레이하는 단계를 포함할 수 있다.
본 발명의 일 실시예에 따른 개인 질병 예측 방법은 개인의 질병 이력 데이터를 기반으로 질병 로드맵을 생성하여 사용자 맞춤형 서비스를 제공할 수 있다.
본 발명의 일 실시예에 따른 개인 질병 예측 방법은 질병의 영향력이나 보편성을 수치화하므로 보다 객관적인 질병 예측 결과를 사용자에게 제공할 수 있다.
본 발명의 일 실시예에 따른 개인 질병 예측 방법은 지역, 나이 등의 다양한 요소를 고려하여 보다 정확한 질병 예측 결과를 사용자에게 제공할 수 있다.
본 발명에 대해 더욱 이해하기 위해 포함되며 본 출원에 포함되고 그 일부를 구성하는 첨부된 도면은 본 발명의 원리를 설명하는 상세한 설명과 함께 본 발명의 실시예를 나타낸다.
도 1은 본 발명의 일 실시예에 따른 개인 질병 예측 시스템의 구성도를 나타낸다.
도 2는 본 발명의 일 실시예에 따른 개인 질병 이력 데이터를 저장하는 데이터베이스 (12000)에 포함된 개인 질병 이력 데이터를 나타낸다.
도 3은 본 발명의 일 실시예에 따른 개인의 질병 히스토리 및 질병 네트워크를 나타낸 도면이다.
도 4는 본 발명의 일 실시예에 따른 개인간의 영향력을 나타낸 도면이다.
도 5는 본 발명의 일 실시예에 따른 최종 영향력 값을 반영한 질병 간의 영향력 네트워크를 나타낸다.
도 6은 본 발명의 일 실시예에 따른 질병 로드맵 비교기의 질병 예측 결과를 나타낸다.
도 7은 본 발명의 다른 실시예에 따른 질병 로드맵 비교기의 질병 예측 결과를 나타낸다.
도 8은 본 발명의 또 다른 실시예에 따른 질병 로드맵 비교기의 질병 예측 결과를 나타낸다.
도 9는 본 발명의 또 다른 실시예에 따른 질병 로드맵 비교기의 질병 예측 결과를 나타낸다.
도 10은 본 발명의 일 실시예에 따른 개인 질병 예측 방법의 플로우 차트이다.
본 발명의 바람직한 실시예에 대해 구체적으로 설명하며, 그 예는 첨부된 도면에 나타낸다. 첨부된 도면을 참조한 아래의 상세한 설명은 본 발명의 실시예에 따라 구현될 수 있는 실시예만을 나타내기보다는 본 발명의 바람직한 실시예를 설명하기 위한 것이다. 다음의 상세한 설명은 본 발명에 대한 철저한 이해를 제공하기 위해 세부 사항을 포함한다. 그러나 본 발명이 이러한 세부 사항 없이 실행될 수 있다는 것은 당업자에게 자명하다.
본 발명에서 사용되는 대부분의 용어는 해당 분야에서 널리 사용되는 일반적인 것들에서 선택되지만, 일부 용어는 출원인에 의해 임의로 선택되며 그 의미는 필요에 따라 다음 설명에서 자세히 서술한다. 따라서 본 발명은 용어의 단순한 명칭이나 의미가 아닌 용어의 의도된 의미에 근거하여 이해되어야 한다.
도 1은 본 발명의 일 실시예에 따른 개인 질병 예측 시스템의 구성도를 나타낸다.
도면에 도시된 바와 같이 본 발명의 일 실시예에 따른 개인 질병 예측 시스템은 수신부(100), 라이프롱 헬스(lifelong health) 모니터기 (10000), 개인 질병 데이터 조회 중계기 (11000), 개인 질병 이력 데이터를 저장하는 데이터베이스 (12000), 질병 분석 및 통합기 (13000), 질병 로드맵 데이터를 저장하는 데이터 베이스 (14000), 질병 로드맵 비교기 (15000) 및 개인 질병 발병 가능성 예측 결과 출력기 (16000)를 포함할 수 있다.
수신부 (100)는 사용자로부터 발생 가능한 질병을 조회하기 위한 질병 정보, 예를 들면 질병의 명칭, 시기, 지역, 개인의 나이 등의 정보를 포함하는 입력 신호를 입력 받을 수 있다. 이 경우, 본 발명의 일 실시예에 따른 개인 질병 예측 시스템은 사용자의 입력 정보에 따라 향후 발생 가능한 질병을 조회하여 제공할 수 있다. 구체적인 내용은 추후 설명한다.
라이프롱 헬스(lifelong health) 모니터기 (10000)는 상술한 수신부에 포함될 수 있다. 이는 설계자의 의도에 따라 변경 가능하다. 라이프롱 헬스(lifelong health) 모니터기 (10000)는 사용자가 자신의 개인 질병 이력 데이터를 조회할 수 있도록 하는 인터페이스의 역할을 수행할 수 있다. 라이프롱 헬스(lifelong health) 모니터기 (10000)는 사용자의 입력 신호를 받으면, 개인 질병데이터 조회 중계기 (11000)에 개인 질병 이력 데이터 (또는 개인 질병 히스토리)를 요청하는 신호를 전송할 수 있다.
개인 질병 데이터 조회 중계기 (11000)는 라이프롱 헬스(lifelong health) 모니터기 (10000)가 사용자의 입력 신호에 대응하는 개인 질병 이력 데이터에 접근할 수 있도록 중계할 수 있다. 구체적으로 개인 질병 데이터 조회 중계기 (11000)는 개인 질병 이력 데이터를 조회하여 과거에 발병한 질병의 흐름을 사용자에게 제공할 수 있다.
이 경우, 라이프롱 헬스(lifelong health) 모니터기 (10000)는 개인 질병 데이터 조회 중계기 (11000)로부터 수신한 과거에 발병한 질병의 흐름 등을 시각화하여 사용자가 활용하는 인터페이스에 전달하거나, 직접 디스플레이할 수도 있다. 이는 설계자의 의도에 따라 변경 가능한 사항이다.
개인 질병 이력 데이터를 저장하는 데이터베이스 (12000)는 개인이 병원에 방문하여 생성된 데이터를 저장하는 데이터베이스로써, 각 개인의 정보는 개인 식별 코드, 연령, 성별, 내원 일시, 질병, 처방, 지역 등의 적어도 하나 이상의 항목들에 따라 저장될 수 있다. 항목의 개수, 내용 등은 시스템 설계자의 의도에 따라 변경 가능하다.
질병 분석 및 통합기 (13000)는 개인 질병 이력 데이터를 저장하는 데이터베이스 (12000)에 포함된 데이터 또는 기록들을 분석하고 통합하여 질병 로드맵 데이터를 생성할 수 있다. 구체적으로 본 발명의 일 실시예에 따른 질병 분석 및 통합기 (13000)는 개인의 시기에 따른 질병 내역을 분석하여 하나의 연결선상에 질병들을 위치시키는 질병 시계열 분석, 동일한 질병 연결선상을 찾고 통계 분석을 수행하는 통계 분석, 질병들 사이의 상관관계를 파악하는 상관관계 분석, 상관관계 측정 결과에 따라 질병 연계 여부를 필터링하는 연계 필터링, 분석된 개인들의 연결선상의 질병들의 전후 관계를 고려하여 통합함으로써 전체 질병에 대한 질병 로드맵 데이터 (또는 질병 로드맵)를 형성할 수 있다. 본 발명의 질병 로드맵 데이터는 질병 네트워크라고 호칭할 수도 있다. 이는 설계자의 의도에 따라 변경 가능하다.
질병 로드맵 데이터를 저장하는 데이터 베이스 (14000)는 질병 분석 및 통합기 (13000)에서 출력된 질병 로드맵 데이터를 저장할 수 있다.
질병 로드맵 비교기 (15000)는 생성된 질병 로드맵 데이터에 대하여 향후에 발생할 수 있는 질병에 대한 질병 예측 결과를 출력할 수 있다. 구체적으로 질병 로드맵 비교기 (15000)는 개인 질병 이력 데이터를 저장하는 데이터베이스 (12000)에 저장된 개인 질병 히스토리와 질병 로드맵 데이터를 저장하는 데이터 베이스 (14000)에 저장된 질병 로드맵 데이터를 모두 수신하여 비교하고, 비교 결과 각 개인에게 향후 발생할 수 있는 질병을 예측할 수 있다. 이 경우, 질병 로드맵 비교기 (15000)는 비교된 결과에 따라 질병 로드맵 데이터의 네트워크 방향성을 고려하여 향후 발생 가능한 질병을 예측할 수 있다.
또한, 질병 로드맵 비교기 (15000)는 사용자가 수신부 (100)를 통해 입력한 질병 정보와 생성된 질병 로드맵 데이터와 비교하여 향후 발생 가능한 질병을 예측하고 그 결과를 사용자에게 제공할 수 있다.
개인 질병 발병 가능성 예측 결과 출력기 (16000)는 출력기라 호칭할 수 있다. 개인 질병 발병 가능성 예측 결과 출력기 (16000)는 질병 로드맵 비교기 (15000)에서 출력된 질병 예측 결과를 사용자에게 다양하게 시각화하여 제공하는 인터페이스이다. 본 발명의 일 실시예에 따른 개인 질병 발병 가능성 예측 결과 출력기 (15000)는 라이프롱 헬스(lifelong health) 모니터기 (10000)와 함께 동일한 디스플레이부에 포함되거나, 동일한 프로세서에 포함되거나, 각각 독립적으로 동작할 수도 있다. 이는 설계자 의도에 따라 변경 가능한 사항이다.
상술한 개인질병예측 시스템의 구성도는 설계자의 의도에 따라 변경될 수 있으며, 개인질병예측 시스템에 포함된 각 구성블록들의 명칭, 위치 등은 설계자의 의도에 따라 변경 가능하다.
도 2는 본 발명의 일 실시예에 따른 개인 질병 이력 데이터를 저장하는 데이터베이스 (12000)에 포함된 개인 질병 이력 데이터를 나타낸다.
본 발명의 일 실시예에 따른 개인 질병 이력 데이터는 개인 정보와 진료 내역을 포함할 수 있다. 도면의 상단은 개인 정보의 일 실시예를 나타내며, 하단은 진료 내역의 일 실시예를 나타낸다.
도면에 도시된 바와 같이, 개인 정보는 국민 개인을 식별할 수 있는 개인일련번호, 성별, 연령대, 사망년월, 사망원인, 시도코드, 시군구코드 등의 항목으로 이루어지며, 진료 내역은 개인일련번호, 요양개시일자, 서식코드, 진료과목코드, 상병 등의 항목으로 이루어진다. 항목의 개수, 내용 등은 시스템 설계자의 의도에 따라 변경 가능하다.
도 3은 본 발명의 일 실시예에 따른 개인의 질병 히스토리 및 질병 네트워크를 나타낸 도면이다.
본 발명의 일 실시예에 따른 질병 분석 및 통합기는 개인의 질병 히스토리를 분석하여 시간의 흐름에 따라 발생하는 질병의 흐름을 네트워크 형태로 통합할 수 있다.
도면의 왼쪽은 각 개인별로 시간 순서에 따라 질병을 나열한 결과 (개인의 질병 히스토리)를 나타내며, 도면의 오른쪽은 시간의 흐름에 따라 발생하는 질병의 흐름을 네트워크 형태로 나타낸 결과(질병 네트워크)를 나타낸다.
이 경우 질병들 사이의 관계는 방향성이 존재하며, 어느 하나의 질병이 다른 질병에게 끼치는 영향력이 존재할 수 있다. 따라서 본 발명의 일 실시예에 따른 질병 분석 및 통합기 (13000)는 질병들 간의 영향력을 통계기법을 사용하여 확률로 도출할 수 있다.
본 발명의 일 실시예에 따른 영향력은 질병들 간의 관계에서 시간차를 두고 존재할 수 있으며, 영향력과 시간은 반비례 관계를 가지고 있다. 또한, 다수의 사람에게 자주 발생하는 질병에 대해서, 영향력과 질병의 보편성은 반비례 관계를 가진다.
이하에서는 본 발명의 일 실시예에 따른 질병 분석 및 통합기 (13000)의 동작에 대해 설명한다.
본 발명의 일 실시예에 따른 질병 분석 및 통합기 (13000)는 개인의 질병 히스토리에서 시간의 흐름에 따라 연속 및 비연속으로 나타나는 적어도 하나 이상의 질병에 대하여 페어 (pair 또는 짝)을 구성하고 두 질병 사이의 초기 영향력 값으로서, 기본값(ex. 1)을 계산할 수 있다.
예를 들어, 어떤 사람이 걸렸던 질병들을 시계열적으로 표현한 경우, 질병 A가 발병한 이후에 질병 B가 발병하는 데까지 걸린 시간이 1년 이고, 질병 B가 발병한 이후에 질병 C가 발병하는 데까지 걸린 시간이 1년 이고 질병 C가 발병한 이후에 질병 D가 발병하는 데까지 걸린 시간이 2년이라면, 두 질병 사이의 기본 값은 다음과 같이 표시될 수 있다.
(질병A, 질병B, 1), (질병A, 질병C, 1), (질병A, 질병D, 1), (질병B, 질병C, 1), (질병B, 질병D, 1), (질병C, 질병D, 1)
이후, 본 발명의 일 실시예에 따른 질병 분석 및 통합기 (13000)는 두 질병의 시간 차에 반비례하는 값을 반영하여 2차 영향력 값을 계산할 수 있다.
예를 들어, 질병 A가 발병한 이후 질병 C가 발병하는 데까지 2년이 걸렸으므로, 질병 A와 질병 C간의 2차 영향력 값은 기본값 1을 2로 나눈 0.5가 될 수 있다. 또한, 질병 B와 질병 D간의 2차 영향력 값은 기본값 1을 3으로 나눈 0.33이 될 수 있다.
하기는 시간의 기준을 1년으로 설정한 경우, 앞서 설명한 실시예에 따른 2차 영향력 값을 나타낸 것이다.
(질병A, 질병B, 1), (질병A, 질병C, 0.5), (질병A, 질병D, 0.25), (질병B, 질병C, 1), (질병B, 질병D, 0.33), (질병C, 질병D, 0.5)
또한, 개인에게 자주 발병하며, 많은 사람들에게 발병할수록 질병의 보편성이 높다. 따라서 본 발명의 일 실시예에 따른 질병 분석 및 통합기 (13000)는 해당 질병이 개인의 질병 이력 데이터에 나타난 빈도수를 기반으로 질병의 보편성을 계산할 수 있다. 이하 구체적인 과정을 설명한다.
현재 21, 23, 25세인 3명의 개인이 태어날 때부터 몸에 이상이 있을 때마다 병원을 간 횟수가 10, 11, 12번이라고 가정한다. 이때, 시간 기준 (p)을 1년으로 설정하고, 첫번째 사람이 해당 기간인 1년 동안에 질병 A로 병원을 2번 갔다면, 질병 A에 대한 보편성은 다음과 같이 계산된다.
질병 A 에 대한 보편성: (9/21+11/23+12/25)/3= 0.462
즉, 보편성은 개인별 병원을 간 횟수/나이를 모두 합하고 사람수로 나누어 계산될 수 있다. 이때, 해당 질병으로 시간 기준(p) 내에 여러 번 병원을 가더라도 1번으로 계산한다. 따라서 첫번째 사람이 병원에 간 횟수는 10에서 9로 변경된다.
이 경우, 본 발명의 일 실시예에 따른 질병 분석 및 통합기 (13000)는 시간 기준 p 값을 조절하여 개인 별로 해당 질병에 예민하거나 둔감한지 여부를 조절할 수 있다.
이후, 본 발명의 일 실시예에 따른 질병 분석 및 통합기 (13000)는 최종 영향력을 계산할 수 있다. 본 발명의 일 실시예에 따른 질병 분석 및 통합기 (13000)는 개개인에게서 계산된 2차 영향력 값에서 질병 짝의 앞 질병이 같은 경우, 이를 앞서 계산한 보편성 값으로 나눌 수 있다.
결과적으로 본 발명의 일 실시예에 따른 질병 분석 및 통합기 (13000)는 보편성이 반영된 2차 영향력 값 또는 보편성이 반영되지 않은 2차 영향력 값을 전체 사람 수로 나누어 최종 영향력 값을 계산할 수 있다.
이하에서는 3명의 사람들(이하 개인 1, 개인 2, 개인 3이라 호칭한다)및 5가지의 질병 (A, B, C, D, F)인 경우를 가정하고 본 발명의 일 실시예에 따른 질병 분석 및 통합기 (13000)에서 도출되는 초기 영향력 값, 2차 영향력 값, 보편성 및 최종 영향력을 상세히 설명한다.
도 4는 본 발명의 일 실시예에 따른 개인간의 영향력을 나타낸 도면이다.
도면의 왼쪽은 개인 1, 개인 2, 개인 3의 시간 기준에 따른 기간 10 동안의 질병 내역을 시계열적으로 표현한 질병 히스토리이고, 도면의 오른쪽은 본 발명의 일 실시예에 따른 질병 분석 및 통합기 (13000)에서 계산하는 초기 영향력 값, 2차 영향력 값, 보편성 및 최종 영향력 값을 나타내는 표이다. 질병 로드맵은 도면 오른쪽의 표에 도시된 값들을 기반으로 생성될 수 있다.
본 발명의 일 실시예에 따른 질병 분석 및 통합기 (13000)에서 계산된 각 개인별 초기 영향력은 다음과 같이 표현될 수 있다.
개인1: (A, B, 1), (A, C, 1), (A, A, 1), (A, D, 1), (B, C, 1), (B, A, 1), (B, D, 1), (C, A, 1), (C, D, 1), (A, D, 1)
개인2: (A, A, 1), (A, A, 1), (A, A, 1), (A, C, 1), (A, F, 1), (A, D, 1), (A, A, 1), (A, A, 1), (A, C, 1), (A, F, 1), (A, D, 1), (A, A, 1), (A, C, 1), (A, F, 1), (A, D, 1), (A, C, 1), (A, F, 1), (A, D, 1), (C, F, 1), (C, D, 1), (F, D, 1)
개인3: (A, D, 1), (A, B, 1), (A, C, 1), (A, D, 1), (D, B, 1), (D, C, 1), (D, D, 1), (B, C, 1), (B, D, 1), (C, D, 1)
이후, 시간 기준을 2년으로 두고, 기준 시간차 내인 질병 페어의 영향력은 1로 설정한 뒤, 본 발명의 일 실시예에 따른 질병 분석 및 통합기 (13000)에서 계산된 각 개인별 질병간의 2차 영향력 값을 계산하면 다음과 같다.
개인1: (A, B, 0.33), (A, C, 0.2), (A, A, 0.17), (A, D, 0.14), (B, C, 0.33), (B, A, 0.25), (B, D, 0.2), (C, A, 0.5), (C, D, 0.33), (A, D, 0.5)
개인2: (A, A, 0.33), (A, A, 0.33), (A, A, 0.2), (A, C, 0.17), (A, F, 0.14), (A, D, 0.13), (A, A, 1), (A, A, 0.33), (A, C, 0.25), (A, F, 0.2), (A, D, 0.17), (A, A, 0.33), (A, C, 0.25), (A, F, 0.2), (A, D, 0.17), (A, C, 0.5), (A, F, 0.33), (A, D, 0.25), (C, F, 0.5), (C, D, 0.33), (F, D, 0.5)
개인3: (A, D, 1), (A, B, 0.33), (A, C, 0.2), (A, D, 0.14), (D, B, 0.33), (D, C, 0.2), (D, D, 0.14), (B, C, 0.33), (B, D, 0.2), (C, D, 0.33)
이후, 본 발명의 일 실시예에 따른 질병 분석 및 통합기 (13000)는 상술한 보편성을 계산한다. 이 경우, 질병 히스토리 기간(p)은 2년, 사람수는 3으로 설정하면 각 질병별 보편성은 다음과 같이 표현될 수 있다.
p = 2년, n = 3
질병 A: (2/10+3/11+1/12)/3 = 0.185
질병 B: (1/10+0+1/12)/3 = 0.061
질병 C: (1/10+1/11+1/11)/3 = 0.094
질병 D: (1/10+1/11+2/12)/3 = 0.119
질병 F: (0+1/11+0)/3 = 0.030
이후, 본 발명의 일 실시예에 따른 질병 분석 및 통합기 (13000)는 도출된 보편성을 고려하여 최종 영향력을 계산한다. 계산된 최종 영향력은 다음과 같이 표현될 수 있다.
2차 영향력 페어의 합: (A, B, 0.66), (A, C, 1.57), (A, A, 2.36), (A, D, 2.5), (B, C, 0.66), (B, A, 0.25), (B, D, 0.4), (C, A, 0.5), (C, D, 0.99), (A, F, 0.87), (C, F, 0.5), (F, D, 0.5), (D, B, 0.33), (D, C, 0.2), (D, D, 0.14)
보편성 값 반영: (A, B, 3.56), (A, C, 8.47), (A, A, 12.73), (A, D, 13.49), (B, C, 10.8), (B, A, 4.09), (B, D, 6.55), (C, A, 5.32), (C, D, 10.54), (A, F, 4.69), (C, F, 5.32), (F, D, 16.5), (D, B, 2.77), (D, C, 1.68), (D, D, 1.18)
전체 사람 수로 나눈 값 반영 (최종 영향력 값): (A, B, 1.19), (A, C, 2.82), (A, A, 4.24), (A, D, 4.50), (B, C, 3.6), (B, A, 1.36), (B, D, 2.18), (C, A, 1.77), (C, D, 3.51), (A, F, 1.56), (C, F, 1.77), (F, D, 5.5), (D, B, 0.92), (D, C, 0.56), (D, D, 0.39)
도 5는 본 발명의 일 실시예에 따른 최종 영향력 값을 반영한 질병 간의 영향력 네트워크를 나타낸다.
본 네트워크는 상술한 최종 영향력 값 중에서, 그 값이 1.5 이상인 경우인 질병들만 나타낸 네트워크 즉, 질병 로드맵의 실시예를 나타낸다. 이는 설계자의 의도에 따라 변경 가능하다. 또한 본 네트워크는 질병 로드맵 비교기 (15000)에서 생성할 수 있으며, 개인 질병 발병 가능성 예측 결과 출력기 (16000)에서 사용자에게 제공할 수 있다.
도 6은 본 발명의 일 실시예에 따른 질병 로드맵 비교기의 질병 예측 결과를 나타낸다.
본 발명의 일 실시예에 따른 질병 로드맵 비교기는 질병들 간의 영향력 값의 합을 기반으로 추후 발생될 가능성이 가장 높은 질병을 예측할 수 있다.
도면의 왼쪽은 특정 개인의 시간 기준에 따른 기간 10 동안의 질병 내역을 시계열적으로 표현한 질병 히스토리를 나타낸다. 도면의 오른쪽 상단에 도시된 표는 상술한 방법으로 계산한 질병 A, B, C, D와 질병 후보들의 개별 영향력 값을 나타낸 표이다.
도면의 오른쪽 하단에 도시된 표는 각 질병 후보들의 최종 영향력 값을 나타낸 표이다. 예를 들어, 질병 후보 A의 최종 영향력 값은 도면 상단에 도시된 표에 나타나는 영향력 값들의 합, 즉, 4.24 + 1.77 + 4.24 = 10.25가 될 수 있다.
동일한 방식으로 나머지 질병 후보들의 최종 영향력 값을 계산하면 D-A-C-F 순서로 최종 영향력 값을 갖는다. 따라서 질병 A, B, C, D로부터 발생될 가능성이 가장 높은 질병은 D임을 확인할 수 있다.
도 7은 본 발명의 다른 실시예에 따른 질병 로드맵 비교기의 질병 예측 결과를 나타낸다.
본 발명의 일 실시예에 따른 질병 로드맵 비교기는 질병들 간의 영향력 값의 합에 시간 가중치를 적용하여 추후 발생될 가능성이 가장 높은 질병을 예측할 수 있다.
도면의 왼쪽은 특정 개인의 시간 기준에 따른 기간 10 동안의 질병 내역을 시계열적으로 표현한 질병 히스토리를 나타낸다. 도면의 오른쪽 상단에 도시된 표는 상술한 방법으로 계산한 각 질병의 시간 가중치, 질병 A, B, C, D와 질병 후보들의 개별 영향력 값 및 시간 가중치를 곱한 영향력 값을 나타낸 표이다.
도면의 오른쪽 하단에 도시된 표는 각 질병 후보들의 최종 영향력 값을 나타낸 표이다.
본 발명의 일 실시예에 따른 질병 로드맵 비교기는 질병 내역에서 최근 질병에 대해 더 큰 시간 가중치 값을 설정할 수 있다. 이는 설계자의 의도에 따라 변경 가능한 사항이다.
결과적으로, 질병 후보들의 최종 영향력 값을 계산하면 D-A-C-F 순서로 최종 영향력 값을 갖는다.
도 8은 본 발명의 또 다른 실시예에 따른 질병 로드맵 비교기의 질병 예측 결과를 나타낸다.
본 발명의 일 실시예에 따른 질병 로드맵 비교기는 전체 네트워크 외에도 개인별 질병 히스토리와 저장된 다른 개인들의 질병 히스토리들을 비교하여 매칭되는 결과를 이용하여 질병 예측 결과를 생성할 수 있다.
도면의 왼쪽은 개인 (17세)의 질병 히스토리 나타내며, 오른쪽은 개인 질병 이력 데이터를 저장하는 데이터베이스 (12000)에 저장된 다수 개인들의 질병 히스토리들을나타낸다.
본 발명의 일 실시예에 따른 질병 로드맵 비교기는 입력된 질병 히스토리 와 저장된 적어도 하나 이상의 질병 히스토리를 비교하여 미래의 발병 가능성이 높은 질병을 예측할 수 있다.
도면에 도시된 바와 같이, 입력된 질병 히스토리에는 A-B-C-A로 질병 내역이 구성되어 있으므로, 질병 로드맵 비교기는 이와 동일한 질병 내역을 포함하는 질병 히스토리를 찾는다. 도면에 도시된 바와 같이 개인 1 (21세)의 질병 히스토리는 입력된 개인의 질병 히스토리와 동일한 질병 내역을 포함하고 있다. 따라서 본 발명의 일 실시예에 따른 질병 로드맵 비교기는 추후 발생 가능한 질병으로서 D를 예측할 수 있다.
도 9는 본 발명의 또 다른 실시예에 따른 질병 로드맵 비교기의 질병 예측 결과를 나타낸다.
본 발명의 일 실시예에 따른 질병 로드맵 비교기는 질병들 간의 영향력 값의 합에 지역 가중치를 적용하여 추후 발생될 가능성이 가장 높은 질병을 예측할 수 있다.
도면의 왼쪽은 특정 개인의 시간 기준에 따른 기간 10 동안의 질병 내역을 시계열적으로 표현한 질병 히스토리를 나타낸다. 도면의 오른쪽 상단에 도시된 표는 상술한 방법으로 계산한 각 질병의 지역 가중치, 질병 A, B, C, D와 질병 후보들의 개별 영향력 값 및 지역 가중치를 곱한 영향력 값을 나타낸 표이다.
도면의 오른쪽 하단에 도시된 표는 각 질병 후보들의 최종 영향력 값을 나타낸 표이다.
본 발명의 일 실시예에 따른 질병 로드맵 비교기는 지역별 질병 발생 비율을 측정하고, 입력자의 지역 발병 비율을 지역 가중치로 반영할 수 있다. 이는 설계자의 의도에 따라 변경 가능한 사항이다.
결과적으로, 질병 후보들의 최종 영향력 값을 계산하면 F-D-C-A 순서로 최종 영향력 값을 갖는다. 즉, 특정 개인에 대하여 해당 지역에서 추후 발생할 수 있는 질병은 F일 가능성이 가장 높다.
본 발명의 일 실시예에 따른 질병 로드맵 비교기는 상술한 실시예 외에도 연령별 질병 발생 비율, 직업군별 발병 비율, 성별에 따른 발병 비율 등을 가중치로 사용하여 질병을 예측할 수 있다. 또한, 본 발명의 일 실시예에 따른 질병 로드맵 비교기는 가족력과 습관(음식, 음주, 흡연 등)에 따른 발병 비율을 가중치로 적용하여 질병을 예측할 수 있다.
가중치로 설정되는 항목등은 설계자의 의도에 따라 변경가능하다.
도 10은 본 발명의 일 실시예에 따른 개인 질병 예측 방법의 플로우 차트이다.
본 발명의 일 실시예에 따른 라이프롱 헬스(lifelong health) 모니터기 (10000) 또는 수신부는 사용자로부터 개인 질병 이력 데이터를 조회하기 위한 신호를 수신할 수 있다(S100000). 이 경우, 개인 질병 데이터 조회 중계기 (11000)는 라이프롱 헬스(lifelong health) 모니터기 (10000)가 사용자의 입력 신호에 대응하는 개인 질병 이력 데이터에 접근할 수 있도록 중계할 수 있다. 구체적인 동작은 도 1부터 도 9에서 설명한 바와 같으므로 생략한다.
이후, 본 발명의 일 실시예에 따른 질병 분석 및 통합기 (13000)는 수신한 신호에 대응하여, 개인 질병 이력 데이터를 데이터 베이스로부터 수신하고, 수신한 개인 질병 이력 데이터를 분석하여 질병 로드맵 데이터를 생성할 수 있다(S101000). 구체적인 동작은 도 1부터 도 9에서 설명한 바와 같으므로 생략한다.
질병 로드맵 비교기 (15000)는 생성된 질병 로드맵 데이터를 기반으로 향후 발생 가능한 질병에 대한 질병 예측 결과를 생성할 수 있다(S102000). 구체적인 동작은 도 1부터 도 9에서 설명한 바와 같으므로 생략한다.
개인 질병 발병 가능성 예측 결과 출력기 (16000) 또는 디스플레이부는 생성된 질병 예측 결과를 디스플레이할 수 있다(S103000). 구체적인 동작은 도 1부터 도 9에서 설명한 바와 같으므로 생략한다.

Claims (20)

  1. 사용자로부터 질병 예측 결과를 조회하기 위한 신호를 수신하는 단계;
    상기 수신한 신호에 대응하여, 질병 히스토리를 데이터 베이스로부터 수신하는 단계;
    상기 수신한 질병 히스토리를 분석하여 질병 로드맵 데이터를 생성하는 단계;
    상기 생성된 질병 로드맵 데이터를 기반으로 향후 발생 가능한 질병에 대한 질병 예측 결과를 생성하는 단계; 및
    상기 생성된 질병 예측 결과를 디스플레이하는 단계를 포함하고,
    상기 질병 로드맵 데이터를 생성하는 단계는 각 개인의 시간의 흐름에 따라 연속 및 비연속으로 나타나는 두 개의 질병들을 묶어 페어를 구성하고 상기 두 개의 질병들 간의 관계를 나타내는 기본값을 설정하는 단계를 포함하는 것을 특징으로 하는 개인 질병 예측 방법.
  2. 제 1 항에 있어서,
    상기 수신한 질병 히스토리를 분석하여 질병 로드맵 데이터를 생성하는 단계는,
    상기 페어에 포함된 상기 두 개의 질병들 간의 시간 간격을 측정하고, 상기 설정된 기본값을 상기 측정된 시간 간격으로 나누어 2차 영향력 값을 계산하는 단계;를 더 포함하는 개인 질병 예측 방법.
  3. 제 2 항에 있어서,
    상기 수신한 질병 히스토리를 분석하여 질병 로드맵 데이터를 생성하는 단계는,
    상기 페어에 포함된 하나의 질병에 대해 적어도 하나 이상의 개인 질병 이력 데이터에서 나타나는 빈도수를 기반으로 보편성을 계산하는 단계; 및
    상기 계산된 제 2 차 영향력 값, 상기 계산된 보편성 및 상기 보편성을 계산하는데 사용된 개인 질병 이력 데이터에 대응하는 사람의 수를 기반으로 최종 영향력 값을 계산하는 단계를 더 포함하는 개인 질병 예측 방법.
  4. 제 3 항에 있어서,
    상기 생성된 질병 로드맵 데이터를 기반으로 향후 발생 가능한 질병에 대한 질병 예측 결과를 생성하는 단계는,
    상기 계산된 최종 영향력 값에 시간 가중치 또는 지역 가중치를 적용하는 것을 포함하는 개인 질병 예측 방법.
  5. 제 3 항에 있어서,
    상기 생성된 질병 로드맵 데이터를 기반으로 향후 발생 가능한 질병에 대한 질병 예측 결과를 생성하는 단계는,
    상기 생성된 질병 로드맵 데이터와 사용자로부터 입력받은 질병 정보를 비교하여 상기 질병 예측 결과를 생성하는 단계를 포함하는 개인 질병 예측 방법.
  6. 제 3 항에 있어서,
    상기 생성된 질병 로드맵 데이터를 기반으로 향후 발생 가능한 질병에 대한 질병 예측 결과를 생성하는 단계는,
    상기 생성된 질병 로드맵 데이터와 저장된 적어도 하나 이상의 질병 히스토리를 비교하는 단계; 및
    비교 결과, 상기 생성된 질병 로드맵 데이터와 동일한 개인 질병 히스토리가 존재하는 경우, 상기 동일한 개인 질병 히스토리를 이용하여 상기 질병 예측 결과를 생성하는 단계를 포함하는 개인 질병 예측 방법.
  7. 제 1 항에 있어서,
    상기 생성된 질병 로드맵 데이터를 저장하는 단계를 더 포함하는 개인 질병 예측 방법.
  8. 사용자로부터 질병 예측 결과를 조회하기 위한 신호를 수신하는 수신부;
    상기 수신한 신호에 대응하여, 질병 히스토리를 데이터 베이스로부터 수신하고, 상기 수신한 질병 히스토리를 분석하여 질병 로드맵 데이터를 생성하는 질병 분석 및 통합기;
    상기 생성된 질병 로드맵 데이터를 기반으로 향후 발생 가능한 질병에 대한 질병 예측 결과를 생성하는 질병 로드맵 비교기; 및
    상기 생성된 질병 예측 결과를 디스플레이하는 디스플레이부를 포함하고,
    상기 질병 분석 및 통합기는 각 개인의 시간의 흐름에 따라 연속 및 비연속으로 나타나는 두 개의 질병들을 묶어 페어를 구성하고 상기 두 개의 질병들 간의 관계를 나타내는 기본값을 설정하는 것을 특징으로 하는 개인 질병 예측 시스템.
  9. 제 8 항에 있어서,
    상기 질병 분석 및 통합기는,
    상기 페어에 포함된 상기 두 개의 질병들 간의 시간 간격을 측정하고, 상기 설정된 기본값을 상기 측정된 시간 간격으로 나누어 2차 영향력 값을 계산하는 개인 질병 예측 시스템.
  10. 제 9 항에 있어서,
    상기 질병 분석 및 통합기는,
    상기 페어에 포함된 하나의 질병에 대해 적어도 하나 이상의 개인 질병 이력 데이터에서 나타나는 빈도수를 기반으로 보편성을 계산하고,
    상기 계산된 제 2 차 영향력 값, 상기 계산된 보편성 및 상기 보편성을 계산하는데 사용된 개인 질병 이력 데이터에 대응하는 사람의 수를 기반으로 최종 영향력 값을 계산하는 것을 더 포함하는 개인 질병 예측 시스템.
  11. 제 10 항에 있어서,
    상기 질병 로드맵 비교기는,
    상기 계산된 최종 영향력 값에 시간 가중치 또는 지역 가중치를 적용하는 것을 포함하는 개인 질병 예측 시스템.
  12. 제 10 항에 있어서,
    상기 질병 로드맵 비교기는,
    상기 생성된 질병 로드맵 데이터와 사용자로부터 입력받은 질병 정보를 비교하여 상기 질병 예측 결과를 생성하는 것을 포함하는 개인 질병 예측 시스템.
  13. 제 10 항에 있어서,
    상기 질병 로드맵 비교기는,
    상기 생성된 질병 로드맵 데이터와 저장된 적어도 하나 이상의 질병 히스토리를 비교하고,
    비교 결과, 상기 생성된 질병 로드맵 데이터와 동일한 질병 히스토리가 존재하는 경우, 상기 동일한 질병 히스토리를 이용하여 상기 질병 예측 결과를 생성하는 것을 포함하는 개인 질병 예측 시스템.
  14. 제 8 항에 있어서,
    상기 생성된 질병 로드맵 데이터를 저장하는 데이터 베이스를 더 포함하는 개인 질병 예측 시스템.
  15. 사용자로부터 질병 예측 결과를 조회하기 위한 신호를 수신하고, 상기 수신한 신호에 대응하여, 질병 히스토리를 데이터 베이스로부터 수신하고,
    상기 수신한 질병 히스토리를 분석하여 질병 로드맵 데이터를 생성하고,
    상기 생성된 질병 로드맵 데이터를 기반으로 향후 발생 가능한 질병에 대한 질병 예측 결과를 생성하고, 상기 생성된 질병 예측 결과를 디스플레이하고,
    각 개인의 시간의 흐름에 따라 연속 및 비연속으로 나타나는 두 개의 질병들을 묶어 페어를 구성하고 상기 두 개의 질병들 간의 관계를 나타내는 기본값을 설정하는 개인 질병 예측을 위한 프로그램을 저장하는 저장매체.
  16. 제 15 항에 있어서,
    상기 프로그램은,
    상기 페어에 포함된 상기 두 개의 질병들 간의 시간 간격을 측정하고, 상기 설정된 기본값을 상기 측정된 시간 간격으로 나누어 2차 영향력 값을 계산하는 개인 질병 예측을 위한 프로그램을 저장하는 저장매체.
  17. 제 16 항에 있어서,
    상기 프로그램은,
    상기 페어에 포함된 하나의 질병에 대해 적어도 하나 이상의 개인 질병 이력 데이터에서 나타나는 빈도수를 기반으로 보편성을 계산하고 상기 계산된 제 2 차 영향력 값, 상기 계산된 보편성 및 상기 보편성을 계산하는데 사용된 개인 질병 이력 데이터에 대응하는 사람의 수를 기반으로 최종 영향력 값을 계산하는 개인 질병 예측을 위한 프로그램을 저장하는 저장매체.
  18. 제 17 항에 있어서,
    상기 프로그램은,
    상기 계산된 최종 영향력 값에 시간 가중치 또는 지역 가중치를 적용하는 것을 포함하는 개인 질병 예측을 위한 프로그램을 저장하는 저장매체.
  19. 제 17 항에 있어서,
    상기 프로그램은,
    상기 생성된 질병 로드맵 데이터와 사용자로부터 입력받은 질병 정보를 비교하여 상기 질병 예측 결과를 생성하는 것을 포함하는 개인 질병 예측을 위한 프로그램을 저장하는 저장매체.
  20. 제 17 항에 있어서,
    상기 프로그램은,
    상기 생성된 질병 로드맵 데이터와 저장된 적어도 하나 이상의 질병 히스토리를 비교하고,
    비교 결과, 상기 생성된 질병 로드맵 데이터와 동일한 질병 히스토리가 존재하는 경우, 상기 동일한 질병 히스토리를 이용하여 상기 질병 예측 결과를 생성하는 것을 포함하는 개인 질병 예측을 위한 프로그램을 저장하는 저장매체.
KR1020160094671A 2016-07-26 2016-07-26 개인 질병 예측 방법, 개인 질병 예측 시스템 및 개인 질병 예측을 위한 프로그램을 저장하는 저장매체 KR101693015B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020160094671A KR101693015B1 (ko) 2016-07-26 2016-07-26 개인 질병 예측 방법, 개인 질병 예측 시스템 및 개인 질병 예측을 위한 프로그램을 저장하는 저장매체

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160094671A KR101693015B1 (ko) 2016-07-26 2016-07-26 개인 질병 예측 방법, 개인 질병 예측 시스템 및 개인 질병 예측을 위한 프로그램을 저장하는 저장매체

Publications (1)

Publication Number Publication Date
KR101693015B1 true KR101693015B1 (ko) 2017-01-05

Family

ID=57835618

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160094671A KR101693015B1 (ko) 2016-07-26 2016-07-26 개인 질병 예측 방법, 개인 질병 예측 시스템 및 개인 질병 예측을 위한 프로그램을 저장하는 저장매체

Country Status (1)

Country Link
KR (1) KR101693015B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019212262A1 (ko) * 2018-05-02 2019-11-07 차의과학대학교 산학협력단 코호트 데이터의 혼란변수에 따른 계층화 및 질병 간 발생 시간이 고려된 질병 네트워크 구축 방법, 그 시각화 방법 및 이를 기록한 컴퓨터 판독 가능한 기록매체

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110036923A (ko) 2008-07-01 2011-04-12 퀄컴 인코포레이티드 통신 네트워크에서의 적응적 타이밍 동기화를 위한 방법 및 장치
KR20160062669A (ko) * 2014-11-25 2016-06-02 한국전자통신연구원 맞춤형 개인 건강 서비스 제공 장치 및 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110036923A (ko) 2008-07-01 2011-04-12 퀄컴 인코포레이티드 통신 네트워크에서의 적응적 타이밍 동기화를 위한 방법 및 장치
KR20160062669A (ko) * 2014-11-25 2016-06-02 한국전자통신연구원 맞춤형 개인 건강 서비스 제공 장치 및 방법

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019212262A1 (ko) * 2018-05-02 2019-11-07 차의과학대학교 산학협력단 코호트 데이터의 혼란변수에 따른 계층화 및 질병 간 발생 시간이 고려된 질병 네트워크 구축 방법, 그 시각화 방법 및 이를 기록한 컴퓨터 판독 가능한 기록매체
KR20190126658A (ko) * 2018-05-02 2019-11-12 차의과학대학교 산학협력단 코호트 데이터의 혼란변수에 따른 계층화 및 질병 간 발생 시간이 고려된 질병 네트워크 구축 방법, 그 시각화 방법 및 이를 기록한 컴퓨터 판독 가능한 기록매체
KR102142857B1 (ko) * 2018-05-02 2020-08-10 차의과학대학교 산학협력단 코호트 데이터의 혼란변수에 따른 계층화 및 질병 간 발생 시간이 고려된 질병 네트워크 구축 방법, 그 시각화 방법 및 이를 기록한 컴퓨터 판독 가능한 기록매체
JP2021523499A (ja) * 2018-05-02 2021-09-02 チャ ユニヴァーシティ インダストリー−アカデミック コオペレーション ファウンデーションＣｈａ Ｕｎｉｖｅｒｓｉｔｙ Ｉｎｄｕｓｔｒｙ−Ａｃａｄｅｍｉｃ Ｃｏｏｐｅｒａｔｉｏｎ Ｆｏｕｎｄａｔｉｏｎ コホートデータの交絡因子による階層化及び疾病間発生時間を考慮した疾病ネットワーク構築方法、その視覚化方法、及びそれを記録したコンピュータで読み取り可能な記録媒体

Similar Documents

Publication Publication Date Title
KR102162522B1 (ko) 맞춤형 의료 정보 제공 장치 및 방법
Romero-Ortuno et al. Clinical frailty adds to acute illness severity in predicting mortality in hospitalized older adults: an observational study
Collins et al. An independent and external validation of QRISK2 cardiovascular disease risk score: a prospective open cohort study
Elliott et al. A new method for estimating race/ethnicity and associated disparities where administrative records lack self‐reported race/ethnicity
KR102028692B1 (ko) 병원 운영 솔루션 제공 방법, 서버 및 프로그램
US10548507B2 (en) Biological brain age calculation device and calculation method therefor
TW201737194A (zh) 網路用戶健康狀況的評價方法、系統及設備
Ahmed et al. Using latent trajectory analysis of residuals to detect response shift in general health among patients with multiple sclerosis article
KR20160043777A (ko) 질환 발병 예측 방법 및 그 장치
Lin et al. Predicting wait times in pediatric ophthalmology outpatient clinic using machine learning
Xue et al. Predicting the risk of acute care readmissions among rehabilitation inpatients: A machine learning approach
Gebretensae et al. Trend analysis and forecasting the spread of COVID-19 pandemic in Ethiopia using Box–Jenkins modeling procedure
KR100391549B1 (ko) 인터넷을 이용한 체력측정 방법과 이를 이용한 시스템
KR102342770B1 (ko) 질병 예측치의 분포를 이용한 건강관리 상담 시스템
Teng et al. Practical recommendations for regional consistency evaluation in multi-regional clinical trials with different endpoints
Ross et al. Veridical causal inference using propensity score methods for comparative effectiveness research with medical claims
KR101693015B1 (ko) 개인 질병 예측 방법, 개인 질병 예측 시스템 및 개인 질병 예측을 위한 프로그램을 저장하는 저장매체
KR102102112B1 (ko) 의약품 유통 회사의 약품 재고 관리 방법
Lee et al. The predictive validity of Static-99R over 10 years for sexual offenders in California: 2018 update
US11941700B1 (en) Measuring risk tolerance using virtual or augmented reality view of simulated outcome
KR20210017837A (ko) 맞춤형 방문 예방검진 서비스 스케줄링 시스템 및 방법
KR102650151B1 (ko) 감염병가능성 예측장치 및 이를 이용한 감염병가능성 예측방법
Nosier et al. Forecasting Covid-19 infections and deaths horizon in Egypt
KR20130026845A (ko) 설문 정보를 이용한 건강 상태 판단 장치 및 방법, 건강 분류 함수 생성 장치 및 그 방법
Beusterien et al. Integrating preferences into health status assessment for amyotrophic lateral sclerosis: the ALS Utility Index

Legal Events

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