KR101710752B1 - 응급 정신의학적 정신 상태 예측 모델 기반의 응급 원격정신의학 시스템 및 방법 - Google Patents

응급 정신의학적 정신 상태 예측 모델 기반의 응급 원격정신의학 시스템 및 방법 Download PDF

Info

Publication number
KR101710752B1
KR101710752B1 KR1020140077261A KR20140077261A KR101710752B1 KR 101710752 B1 KR101710752 B1 KR 101710752B1 KR 1020140077261 A KR1020140077261 A KR 1020140077261A KR 20140077261 A KR20140077261 A KR 20140077261A KR 101710752 B1 KR101710752 B1 KR 101710752B1
Authority
KR
South Korea
Prior art keywords
patient
psychiatric
medical
history data
mental
Prior art date
Application number
KR1020140077261A
Other languages
English (en)
Other versions
KR20160000522A (ko
Inventor
홍충선
고람 라비울 알람 엠디
허의남
조응준
Original Assignee
경희대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 경희대학교 산학협력단 filed Critical 경희대학교 산학협력단
Priority to KR1020140077261A priority Critical patent/KR101710752B1/ko
Priority to PCT/KR2014/011895 priority patent/WO2015199296A1/ko
Priority to US14/429,913 priority patent/US20160259908A1/en
Publication of KR20160000522A publication Critical patent/KR20160000522A/ko
Application granted granted Critical
Publication of KR101710752B1 publication Critical patent/KR101710752B1/ko

Links

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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/16—Constructional details or arrangements
    • G06F1/1613—Constructional details or arrangements for portable computers
    • G06F1/163—Wearable computers, e.g. on a belt
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Psychiatry (AREA)
  • Computing Systems (AREA)
  • Social Psychology (AREA)
  • Mathematical Physics (AREA)
  • Hospice & Palliative Care (AREA)
  • Evolutionary Computation (AREA)
  • Child & Adolescent Psychology (AREA)
  • Artificial Intelligence (AREA)
  • Pathology (AREA)
  • Computer Hardware Design (AREA)
  • Game Theory and Decision Science (AREA)
  • Databases & Information Systems (AREA)
  • Development Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)

Abstract

본 발명은 응급 정신의학적 정신 상태 예측 모델 기반의 응급 원격정신의학 시스템 및 방법에 관한 것으로서, 환자의 실시간 정신 건강 증상(real-time mental health symptoms)과 상기 환자의 메디컬 및 가족 히스토리 데이터를 수집하는 수집부, 상기 수집된 실시간 정신 건강 증상과 상기 메디컬 및 가족 히스토리 데이터로부터 환자의 정신의학적 멘탈 상태를 예측하는 예측부, 및 상기 예측된 정신의학적 멘탈 상태를 제공하는 전송부를 포함할 수 있다.

Description

응급 정신의학적 정신 상태 예측 모델 기반의 응급 원격정신의학 시스템 및 방법{SYSTEM AND METHOD OF EMERGENCY TELEPSYCHIATRY USING EMERGENCY PSYCHIATRIC MENTAL STATE PREDICTION MODEL}
본 발명은 응급 정신의학적 정신 상태 예측 모델 기반의 응급 원격정신의학 시스템 및 방법에 관한 것으로서, 환자의 실시간 정신 건강 증상(real-time mental health symptoms)과 환자의 메디컬 및 가족 히스토리 데이터를 수집하여 환자의 정신의학적 정신 상태를 예측하고, 예측된 정신의학적 정신 상태를 환자, 의사, 병원 등의 의료 기관에 제공하는 기술적 사상에 관한 것이다.
클라우드 컴퓨팅(cloud computing)이란 정보가 인터넷상의 서버에 영구적으로 저장되고, 데스크톱·태블릿컴퓨터·노트북·넷북·스마트폰 등의 IT 기기 등과 같은 클라이언트에는 일시적으로 보관되는 컴퓨터 환경을 뜻한다. 즉 이용자의 모든 정보를 인터넷상의 클라우드 서버에 저장하고, 이 정보를 각종 IT 기기를 통하여 언제 어디서든 이용할 수 있다는 개념이다.
다시 말하면 구름(cloud)과 같이 무형의 형태로 존재하는 하드웨어/소프트웨어 등의 컴퓨팅 자원을 자신이 필요한 만큼 빌려 쓰고 이에 대한 사용요금을 지급하는 방식의 컴퓨팅 서비스로, 서로 다른 물리적인 위치에 존재하는 컴퓨팅 자원을 가상화 기술로 통합해 제공하는 기술을 말한다. 클라우드로 표현되는 인터넷상의 클라우드 서버에서 데이터 저장, 처리, 네트워크, 콘텐츠 사용 등 IT 관련 서비스를 한번에 제공하는 혁신적인 컴퓨팅 기술인 클라우드 컴퓨팅은 '인터넷을 이용한 IT 자원의 주문형 아웃소싱 서비스'라고 정의되기도 한다.
이러한 클라우드 서버에는 크게 사설(private) 클라우드 서버와 공용(public) 클라우드 서버로 구분할 수 있는데, 사설 클라우드 서버는 사기업들이 자체적으로 데이터센터 안에 클라우드 환경을 구축해 사용하는 클라우드 서버를 의미하며, 공용 클라우드 서버는 클라우드 서버의 제공업체(벤더)가 구축하고 이를 필요로 하는 기업들에 사용료를 받고 제공하는 클라우드 서버를 의미한다.
클라우드 컴퓨팅을 도입하면 기업 또는 개인은 컴퓨터 시스템을 유지, 보수, 관리하기 위하여 들어가는 비용과 서버의 구매 및 설치 비용, 업데이트 비용, 소프 트웨어 구매 비용 등 엄청난 비용과 시간과 인력을 줄일 수 있고, 에너지 절감에도 기여할 수 있어 다양한 분야에서 클라우드 서버가 널리 사용되고 있는데, 특히 헬스케어 분야에서는 유비쿼터스 환경과 맞물려 사용자의 방대한 헬스케어 정보를 수집 처리하기 위하여, 그리고 언제 어디서든 자유롭게 사용자의 헬스케어 정보를 조회하기 위하여 클라우드 서버가 이용되고 있다.
한편, 응급 정신질환 환자의 빠른 행동 변화를 모니터링하는 것은 응급 정신 의학에서 가장 중요한 문제 중 하나이다.
근래에는 잠재적인 자살 위험 또는 살인 위험을 갖고 있는 개인들에 대한 사회적 관심이 증가하고 있는 추세인데, 이러한 시대적 흐름을 반영하여 이러한 개인들에 대해서 보다 정확하고 신속한 관리가 요구되고 있는 실정이다.
신체와 바이오 센서를 기반으로 하는 클라우드 컴퓨팅 기술은 응급 정신질환 환자를 스크린하는데 유용하다. 이러한 클라우드 컴퓨팅 기술을 통해서 텔레메틱스 플래폼 기반의 정신의학 케어가 가능하다.
한국공개특허 제10-2004-0025672호(발명의 명칭: 잠재적 속성 진단 프로시져) 한국공개특허 제10-2010-0014815호(발명의 명칭: 뇌파 신호 프로세싱 시스템에 기초한 정신 상태들을 정량적으로 평가하기 위한 방법 및 장치)
일실시예에 따른 응급 원격정신의학 시스템은 환자의 실시간 정신 건강 증상(real-time mental health symptoms)과 상기 환자의 메디컬 및 가족 히스토리 데이터를 수집하는 수집부, 상기 수집된 실시간 정신 건강 증상과 상기 메디컬 및 가족 히스토리 데이터로부터 환자의 정신의학적 정신 상태를 예측하는 예측부, 및 상기 예측된 정신의학적 정신 상태를 제공하는 전송부를 포함할 수 있다.
일실시예에 따른 상기 환자의 실시간 정신 건강 증상은, 상기 환자의 신체 일부분에 위치하는 적어도 하나 이상의 센서에서 관측되어 싱크노드가 통합하는 센서 관측 정보에 기반할 수 있다.
일실시예에 따른 상기 수집부는, 클라우드 서비스 브로커 서버로부터 상기 실시간 정신 건강 증상을 수집하고, 상기 클라우드 서비스 브로커 서버의 요청에 의해서 사설 클라우드 서버로부터 상기 메디컬 및 가족 히스토리 데이터를 수집할 수 있다.
일실시예에 따른 상기 예측부는, 히든 마르코프 모델(HMM, hidden Markov model)을 이용하여 상기 수집된 실시간 정신 건강 증상과 상기 메디컬 및 가족 히스토리 데이터를 상태들의 불연속 세트(discrete set of states of hidden Markov model)로 모델링하고, 상기 모델링에 기반하여 환자의 정신의학적 정신 상태를 예측할 수 있다.
일실시예에 따른 상기 예측부는, 상기 모델링에 따른 히든 마르코프 모델(HMM, hidden Markov model)의 관측(observations of HMM) 결과를 파라미터로 이용하여 머신러닝 알고리즘을 훈련하고, 상기 훈련된 머신러닝 알고리즘에 기초하여 정신의학적 정신 상태 시퀀스(psychiatric mental state sequence)를 생성할 수 있다.
일실시예에 따른 상기 머신러닝 알고리즘은 비터비 알고리즘(Viterbi algorithm)을 포함할 수 있다.
일실시예에 따른 상기 예측부는, 상기 생성된 정신 상태 시퀀스(psychiatric mental state sequence)로부터 응급 정신 상태의 예후(prognosis of emergency psychiatric state)를 예측할 수 있다.
일실시예에 따른 응급 원격정신의학 시스템은 환자의 실시간 정신 건강 증상(real-time mental health symptoms)을 수집하는 수집부, 상기 수집된 실시간 정신 건강 증상(real-time mental health symptoms)이 인증된 경우, 사설 클라우드 서버로 상기 환자에 대한 히스토리 정보를 헬스케어 클라우드 서버에 전달할 것을 요청하는 요청부, 상기 수집된 실시간 정신 건강 증상(real-time mental health symptoms)을 상기 헬스케어 클라우드 서버로 전송하는 전송부를 포함하고, 상기 전송에 대한 응답으로 상기 헬스케어 클라우드 서버는 예측된 정신의학적 정신 상태를 수신하고, 상기 실시간 정신 건강 증상 및 상기 환자에 대한 히스토리 정보를 이용하여 상기 정신의학적 정신 상태를 예측할 수 있다.
일실시예에 따른 상기 환자에 대한 히스토리 정보는 상기 환자의 메디컬 데이터 및 상기 환자의 가족 히스토리 데이터 중에서 적어도 하나를 포함할 수 있다.
일실시예에 따른 상기 헬스케어 클라우드 서버는 히든 마르코프 모델(HMM, hidden Markov model)을 이용하여 상기 수집된 실시간 정신 건강 증상 및 메디컬 및 가족 히스토리 데이터를 상태들의 불연속 세트(discrete set of states of hidden Markov model)로 모델링하고, 상기 모델링에 따른 히든 마르코프 모델(HMM, hidden Markov model)의 관측(observations of HMM) 결과를 파라메터로 이용하여 머신러닝 알고리즘을 훈련하며, 상기 훈련된 머신러닝 알고리즘에 기초하여 정신의학적 정신 상태 시퀀스(psychiatric mental state sequence)를 생성하여 상기 정신의학적 정신 상태를 예측할 수 있다.
일실시예에 따른 응급 원격정신의학 시스템은 환자의 실시간 정신 건강 증상, 상기 환자의 메디컬 데이터, 및 상기 환자의 가족에 대한 메디컬 데이터를 수집하는 수집부, 상기 수집된 실시간 정신 건강 증상, 상기 환자의 메디컬 데이터, 및 상기 환자의 가족에 대한 메디컬 데이터에 대해 히든 마르코프 모델(HMM, hidden Markov model)을 이용하여 모델링하는 모델링 처리부, 상기 모델링에 따른 히든 마르코프 모델(HMM, hidden Markov model)의 관측(observations of HMM) 결과를 파라미터로 이용하여 머신러닝 알고리즘을 훈련하는 훈련부, 및 상기 훈련된 머신러닝 알고리즘에 기초하여 정신의학적 정신 상태 시퀀스(psychiatric mental state sequence)를 생성하여 상기 정신의학적 정신 상태를 예측하는 예측부를 포함할 수 있다.
일실시예에 따른 상기 모델링 처리부는, 상기 수집된 실시간 정신 건강 증상, 상기 환자의 메디컬 데이터, 및 상기 환자의 가족에 대한 메디컬 데이터를 히든 마르코프 모델(HMM, hidden Markov model)을 이용하여 상태들의 불연속 세트(discrete set of states of hidden Markov model)로 모델링할 수 있다.
일실시예에 따른 상기 모델링 처리부는, 상기 비터비 알고리즘(Viterbi algorithm)을 상기 머신러닝 알고리즘으로 이용할 수 있다.
일실시예에 따른 응급 원격정신의학 시스템의 동작 방법은 환자의 실시간 정신 건강 증상(real-time mental health symptoms)과 상기 환자의 메디컬 및 가족 히스토리 데이터를 수집하는 단계, 수집된 실시간 정신 건강 증상 및 메디컬 및 가족 히스토리 데이터로부터 환자의 정신의학적 정신 상태를 예측하는 단계, 및 상기 예측된 정신의학적 정신 상태를 제공하는 단계를 포함할 수 있다.
일실시예에 따른 상기 수집하는 단계는, 클라우드 서비스 브로커 서버로부터 상기 실시간 정신 건강 증상을 수집하는 단계, 상기 클라우드 서비스 브로커 서버의 요청에 의해서 사설 클라우드 서버로부터 상기 메디컬 및 가족 히스토리 데이터를 수집하는 단계를 포함할 수 있다.
일실시예에 따른 상기 예측하는 단계는, 히든 마르코프 모델(HMM, hidden Markov model)을 이용하여 상기 수집된 실시간 정신 건강 증상 및 메디컬 및 가족 히스토리 데이터를 상태들의 불연속 세트(discrete set of states of hidden Markov model)로 모델링하는 단계, 상기 모델링에 따른 히든 마르코프 모델(HMM, hidden Markov model)의 관측(observations of HMM) 결과를 파라미터로 이용하여 머신러닝 알고리즘을 훈련하는 단계, 및 상기 훈련된 머신러닝 알고리즘에 기초하여 정신의학적 정신 상태 시퀀스(psychiatric mental state sequence)를 생성하는 단계를 포함할 수 있다.
도 1은 본 발명의 일실시예에 따른 응급 원격정신의학 시스템을 위한 전체 시스템을 설명하는 도면이다.
도 2는 본 발명의 일실시예에 따른 응급 원격정신의학 시스템을 설명하는 도면이다.
도 3은 본 발명의 일실시예에 따른 시스템 모델의 기능 유닛들 사이의 상호 작용 및 조작 순서를 나타내는 시퀀스 다이어그램을 설명하는 도면이다.
도 4는 응급의 정신의학적 정신 상태를 예측하기 위한 히든 마르코프 모델(HMM, hidden Markov model) 기반의 정신 상태 모델을 설명하는 도면이다.
도 5는 본 발명의 다른 일실시예에 따른 응급 원격정신의학 시스템을 설명하는 도면이다.
도 6은 본 발명의 또 다른 일실시예에 따른 응급 원격정신의학 시스템을 설명하는 도면이다.
도 7은 본 발명의 일실시예에 따른 응급 원격정신의학 시스템의 동작 방법을 설명하는 도면이다.
도 8은 히든 마르코프 모델(HMM, hidden Markov model) 기반의 정신 상태 모델링 방법을 설명하는 도면이다.
이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
본 발명을 설명함에 있어서, 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고, 본 명세서에서 사용되는 용어(terminology)들은 본 발명의 바람직한 실시예를 적절히 표현하기 위해 사용된 용어들로서, 이는 사용자, 운용자의 의도 또는 본 발명이 속하는 분야의 관례 등에 따라 달라질 수 있다. 따라서, 본 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
본 발명의 목적은 응급 정신의학적 정신 상태의 예측 능력을 갖춘 응급 원격정신의학의 프로토타입을 설계하는 것이다.
도 1은 본 발명의 일실시예에 따른 응급 원격정신의학 시스템을 위한 전체 시스템(100)을 설명하는 도면이다.
응급 정신질환 환자의 빠른 행동 변화를 모니터링하는 것은 응급 정신 의학에서 가장 중요한 문제 중 하나이고, 응급 원격정신의학 시스템은 응급 정신의학적 정신 상태의 예측 능력을 갖춘 응급 원격정신의학의 프로토타입을 설계할 수 있다. 이를 위해, 전체 시스템(100)은 응급 원격정신의학의 시나리오를 위해 응급 정신의학적 정신 상태 예측 모델을 이용할 수 있다. 도 1에서 보는 바와 같이, 전체 시스템(100)은 총 다섯개의 유닛으로서, 무선 신체 영역 네트워크(WBAN, wireless body area networks, 110), 클라우드 서비스 브로커(CSB, cloud service brokerage) 유닛(120), 클라우드 서비스 공급자(CSP, cloud service providers) 유닛(130), 병원 또는 재활시설 센터(hospital or rehabilitation center) 유닛(160), 클라우드 컴퓨팅(cloud computing unit) 유닛(130, 140), 및 정신과의사(psychiatrist) 유닛(150)을 포함할 수 있다. 참고로, 클라우드 컴퓨팅(cloud computing unit) 유닛(130, 140)은 사설 클라우드(140)와 클라우드 서비스 공급자(CSP, cloud service providers) 유닛(130)을 포함하는 공용 클라우드를 포함할 수 있다.
먼저, 무선 신체 영역 네트워크(WBAN, wireless body area networks, 110)은 몸과 바이오 센서를 통해 환자의 정신 생리학적 증상을 수집할 수 있다. 정신 생리 학적 증상은 스트레스, 우울증, 불안감, 짜증, 호흡수, 알코올 소비 레벨 등을 결정하는데 필요하다.
본 발명에서, 원격정신의학 시스템은 여러 가지 타입의 신체 센서들과 싱크 노드를 갖는 무선 신체 영역 네트워크(WBAN, wireless body area networks, 110)을 포함한다.
예를 들어, 무선 신체 영역 네트워크(WBAN, wireless body area networks, 110)의 신체 센서들은 신체의 서로 다른 곳에 위치하여, 전극을 통해 신호를 수집하고 수집된 신호를 싱크노드로 전송한다.
무선 신체 영역 네트워크(WBAN, wireless body area networks, 110)의 신체 센서들은 전기 피부 활동(EDA, electro-dermal activity) 센서, 뇌파(EEG, electroencephalography) 센서, 호흡센서(respiration sensor), 및 혈액량 펄스(BVP, blood volume pulse) 센서를 포함할 수 있다.
전기 피부 활동(EDA, electro-dermal activity) 센서는 환자의 스트레스 수준을 측정할 수 있다. 또한, 뇌파(EEG, electroencephalography) 센서는 우울증의 및 신경 정신 질환의 원인으로 발생하는 수면 장애를 측정할 수 있다. 호흡센서(respiration sensor)는 분노, 자극, 불안을 측정하기 위해 깊고 빠른 호흡 패턴을 분석할 수 있고, 혈액량 펄스(BVP, blood volume pulse) 센서는 혈류, 심장 박동의 변화 및 충동성을 측정하여 감정 상태를 모니터링할 수 있다.
또한, 근래의 스마트폰은 무선 신체 영역 네트워크(WBAN, wireless body area networks, 110)의 싱크노드의 역할을 할 수 있다.
예를 들어 싱크노드는 신호를 처리 디지털 변환 필터링, 증폭, 아날로그 변환을 수행하고 센서의 관측을 준비하는 순서와 간격 치수를 사용하여 정량을 수행할 수 있다.
또한, 정신과 응급 정신 상태를 예측하기 위해서는 스마트폰의 어플리케이션을 이용해서 환자의 다른 정신 상태 측정 범위(예: PHQ, BHS, BDI)의 정신의학적 스크린 스케일(psychiatric screening scales) 점수, 예를 들어, PHQ-9, GAD-7, BDI-II를 수집할 수 있다.
클라우드 서비스 브로커(CSB, cloud service brokerage) 유닛(120)은 환자와 클라우드 서비스 공급자(CSP, cloud service providers) 유닛(130) 사이에서 동작할 수 있다. 클라우드 서비스 브로커(CSB, cloud service brokerage) 유닛(120)이 데이터를 전송하는 엔티티들은 환자, 정신과 의사, 병원, 사설 클라우드와 공용 클라우드를 포함할 수 있다.
일실시예에 따른 클라우드 서비스 공급자(CSP, cloud service providers) 유닛(130)은 요청된 헬스케어 서비스의 네트워크 배달 서비스를 유지하는 역할을 한다.
예를 들어, 클라우드 서비스 공급자(CSP, cloud service providers) 유닛(130)은 환자의 개인적인 메디컬 및 의료 기록, 예를 들어 나이, 성별, 민족성, 혼인여부, 동거여부, 투병 기간, 약의 오남용 시간, 알코올의 오남용 기간, 정신과 상태 측정 스케일에 따른 점수, PHQ, GAD, BPRS, SANS, SAPS, BDI-I, BDI-II, BHS, SCST, RLI, SSI 등은 병원 또는 재활센터의 프라이빗 IaaS 클라우드로부터 획득할 수 있다.
클라우드 서비스 브로커(CSB, cloud service brokerage) 유닛(120)은 환자의 무선 신체 영역 네트워크(WBAN, wireless body area networks, 110)로부터 센서 관측을 수신하고, 이를 헬스케어 클라우드로 전송한다.
또한, 클라우드 서비스 브로커(CSB, cloud service brokerage) 유닛(120)은 환자 히스토리를 사설 클라우드로 요청하고, 사설 클라우드는 중요한 환자기록이 포함된 환자 히스토리를 헬스케어 클라우드(healthcare cloud)로 전송할 수 있다.
이때, 환자 가족의 히스토리와 정신의학적 스크린 스케일(psychiatric screening scales) 점수, 예를 들어, PHQ-9, GAD-7, BDI-II가 포함된 환자의 업데이트된 치료 기록은 이미 데이터베이스에 저장되어 있다고 가정할 수 있다.
만약 지정된 환자의 갱신된 히스토리가 이미 헬스케어 클라우드(healthcare cloud)에 저장되어 있다면, 클라우드 서비스 브로커(CSB, cloud service brokerage) 유닛(120)은 사설 클라우드로 환자의 히스토리를 요청할 필요가 없다.
헬스케어 클라우드(healthcare cloud)는 환자의 의료, 가족 및 유전과 관련된 히스토리를 수신하면, 이를 통합하여 적합한 특징들을 추출할 수 있다. 이러한, 헬스케어 클라우드(healthcare cloud)는 센서의 관측 및 추출된 특징들을 기반으로 비터비(Viterbi) 머신러닝 알고리즘을 이용해서 정신의학적 정신 상태 시퀀스(psychiatric mental state sequence)를 생성한다. 또한, 생성된 정신의학적 정신 상태 시퀀스(psychiatric mental state sequence)로부터 환자의 응급 정신 상태를 분석하여 응급 정신의학적 정신 상태를 예측한다.
헬스케어 클라우드(healthcare cloud)는 정신의학적 정신 상태 시퀀스(psychiatric mental state sequence) 및 예측된 상태를 클라우드 서비스 브로커(CSB, cloud service brokerage) 유닛(120)으로 전송한다. 클라우드 서비스 브로커(CSB, cloud service brokerage) 유닛(120)은 헬스케어 클라우드(healthcare cloud) 프로바이더로부터 클라우드 서비스 브로커(CSB, cloud service brokerage) 유닛(120) 및 예측된 상태를 수신하고, 결과를 무선 신체 영역 네트워크(WBAN, wireless body area networks, 110)의 싱크 노드로 전달할 수 있다.
예측된 응급 정신 상태는 정신과 의사와 병원의 지역 서버로 전달된 후 정신과 질환이 있는 환자를 관찰하는 정보로 이용될 수 있다.
서비스 배달 네트워크를 유지하기 위해서, 클라우드 서비스 브로커(CSB, cloud service brokerage) 유닛(120)은 다수의 클라우드들과 병원들에 등록되어야 하고, 환자는 서비스를 받기 이전에 환자의 무선 신체 영역 네트워크(WBAN, wireless body area networks, 110)를 통해 클라우드 서비스 브로커(CSB, cloud service brokerage) 유닛(120)에 등록해야 한다.
응급 원격정신의학 시스템은 클라우드 컴퓨팅 기술에 의한 다중 클라우드 구조(multi-cloud architecture)에 기반한다.
환자의 개인적인 메디컬 및 의료 기록, 예를 들어 나이, 성별, 민족성, 혼인여부, 동거여부, 투병 기간, 약의 오남용 시간, 알코올의 오남용 기간, 정신과 상태 측정 스케일에 따른 점수, 예를 들어 PHQ, GAD, BPRS, SANS, SAPS, BDI-I, BDI-II, BHS, SCST, RLI, SSI 등은 병원 또는 재활센터의 프라이빗 IaaS 클라우드로부터 획득할 수 있다. 또한, 환자 및 환자의 가족 기록은 다중 사설 또는 공공 클라우드들에 기록되어 있을 수 있다.
헬스케어 클라우드 서비스 프로바이더는 다양한 사설 또는 공공 클라우드들로부터 인터 클라우드 커뮤니케이션 프로세스를 통해서 환자 기록을 통합할 수 있다. 이때의 인터 클라우드 커뮤니케이션은 클라우드 서비스 브로커(CSB, cloud service brokerage) 유닛(120) 관여도를 통해서 프로세싱될 수 있다.
헬스케어 클라우드는 MSSG(mental state sequence generator)를 포함할 수 있다. 이 MSSG는 클라우드 서비스 브로커(CSB, cloud service brokerage) 유닛(120)이 제공하는 센서의 관측들에 기반해서 상태 시퀀스(state sequence)를 생성하는데 이용될 수 있고, 이 특징들은 다중의 클라우드에서 확인할 수 있는 환자의 기록들로부터 추출될 수 있다.
MSSG는 헬스케어 클라우드의 CaaS(compute-as-a-service)를 이용해서 개발될 수 있다. CaaS는 확률적 정신의학 정신 상태 모델에(probabilistic psychiatric mental state model)에 이용될 수 있다.
응급 정신 상태의 예후는 최적 임계값 정책(optimal threshold policy)에 의해서 생성할 수 있는 상태 시퀀스로부터 예측될 수 있다. MSSG는 비터비(Viterbi) 경로 카운팅 알고리즘을 이용하는 히든 마르코프 모델(HMM, hidden Markov model)과 훈련을 통해서 모델링될 수 있다. 또한, MSSG는 비터비(Viterbi) 알고리즘을 이용하여 최대 귀납적 정신의학 정신 상태 시퀀스(posteriori psychiatric mental state sequence)를 생성할 수 있다.
병원 및 재활 센터는 환자의 메디컬 기록과 개인 정보를 관리할 수 있는 정보 저장수단과 서버를 갖고 있다.
응급 병원 유닛은 라이트 로컬 서버(light local server)에 환자 정보를 저장하고, 업로딩 스케쥴에 의해서 IaaS 클라우드에서 환자의 메디컬 기록을 업데이트할 수 있다.
Iaas 클라우드는 클라우드 서비스 브로커(CSB, cloud service brokerage) 유닛(120)의 요청 시 클라우드 서비스 공급자(CSP, cloud service providers) 유닛(130)과 환자의 필수 메디컬, 가족, 유전 기록을 공유할 수 있다. 대신 이 경우에는 사전에 환자, 병원, 클라우드 서비스 브로커(CSB, cloud service brokerage) 유닛(120), 클라우드 서비스 공급자(CSP, cloud service providers) 유닛(130) 간의 사전 동의가 있어야만 한다.
병원 유닛은 클라우드 서비스 브로커(CSB, cloud service brokerage) 유닛(120)으로부터 환자의 응급 정신의학적 정신 상태를 수신할 수 있고, 병원 지역 서버(hospitals local server) 내 환자 기록을 업데이트할 수 있다. 또한, 환자에게 즉각적이고 적절한 응급 정신과적 치료를 제공할 수 있다.
본 발명에서 정신과의사(psychiatrist) 유닛(150)은 환자의 상태를 모니터링할 수 있는, 주치의, 일반 의사의 통신 유닛을 포함할 수 있다.
환자는 정신과 의사의 치료를 받을 수 있다.
본 발명에 따른 응급 원격정신의학 기술은 클라우드 서비스 브로커(CSB, cloud service brokerage) 유닛(120)을 통한 응급 상담을 위해 환자의 정신 상태를 의사의 노트북이나 스마트폰으로 보고할 수 있다.
클라우드 서비스 브로커(CSB, cloud service brokerage) 유닛(120)은 정신과 의사가 보안데이터의 전송 및 인증을 수행할 수 있도록 'required accord'을 수행할 수 있다.
응급 원격정신의학을 위한 전체 시스템(100)의 기능 유닛들 간의 연계는 이후 도 3의 시퀀스 다이어 그램을 통해 확인할 수 있다.
도 2는 본 발명의 일실시예에 따른 응급 원격정신의학 시스템을 설명하는 도면이다.
일실시예에 따른 응급 원격정신의학 시스템(200)은 응급 원격정신의학을 위한 전체 시스템의 적어도 하나 이상의 기능 유닛에 포함될 수 있다.
예를 들어, 도 2의 실시예에 따른 응급 원격정신의학 시스템(200)은 클라우드 서비스 공급자(CSP, cloud service providers) 유닛의 구성 중에서 일부로 이해할 수 있다.
이를 위해, 일실시예에 따른 응급 원격정신의학 시스템(200)은 수집부(210), 예측부(220), 및 전송부(230)를 포함할 수 있다.
먼저, 일실시예에 따른 수집부(210)는 환자의 실시간 정신 건강 증상(real-time mental health symptoms)과 환자의 메디컬 및 가족 히스토리 데이터를 수집할 수 있다.
구체적으로, 일실시예에 따른 수집부(210)는 클라우드 서비스 브로커(CSB, cloud service brokerage) 유닛(또는 서버)을 통해서 환자의 무선 신체 영역 네트워크(WBAN, wireless body area networks)로부터 환자의 실시간 정신 건강 증상(real-time mental health symptoms)을 수집할 수 있다. 즉, 환자의 실시간 정신 건강 증상은, 환자의 신체 일부분에 위치하는 적어도 하나 이상의 센서에서 관측되어 싱크노드가 통합하는 센서 관측 정보에 기반할 수 있다.
뿐만 아니라, 수집부(210)는 클라우드 서비스 브로커(CSB, cloud service brokerage) 유닛의 요청에 따라서, 병원 또는 재활센터의 프라이빗 IaaS 클라우드로부터 환자의 메디컬 히스토리 데이터나 환자 가족 히스토리 데이터를 클라우드 서비스 브로커(CSB, cloud service brokerage) 유닛을 통해 수집할 수 있다.
일실시예에 따른 예측부(220)는 수집된 실시간 정신 건강 증상과 메디컬 및 가족 히스토리 데이터로부터 환자의 정신의학적 멘탈 상태를 예측할 수 있다.
일실시예에 따른 예측부(220)는 히든 마르코프 모델(HMM, hidden Markov model)을 이용하여 수집된 실시간 정신 건강 증상과 메디컬 및 가족 히스토리 데이터를 상태들의 불연속 세트(discrete set of states of hidden Markov model)로 모델링할 수 있다. 또한, 예측부(220)는 모델링에 기반하여 환자의 정신의학적 멘탈 상태를 예측할 수 있다.
보다 구체적인 예로, 예측부(220)는 모델링에 따른 히든 마르코프 모델(HMM, hidden Markov model)의 관측(observations of HMM) 결과를 파라미터로 이용하여 머신러닝 알고리즘을 훈련하고, 훈련된 머신러닝 알고리즘에 기초하여 정신의학적 멘탈 상태 시퀀스(psychiatric mental state sequence)를 생성할 수 있다.
또한, 예측부(220)는 생성된 멘탈 상태 시퀀스(psychiatric mental state sequence)로부터 응급 정신 상태의 예후(prognosis of emergency psychiatric state)를 예측함으로써, 환자의 정신의학적 멘탈 상태를 예측할 수 있다. 머신러닝 알고리즘은 비터비 알고리즘(Viterbi algorithm)이 이용될 수 있다.
일실시예에 따른 전송부(230)는 예측된 정신의학적 멘탈 상태를 제공할 수 있다.
예를 들어, 일실시예에 따른 전송부(230)는 예측된 정신의학적 멘탈 상태를 클라우드 서비스 브로커(CSB, cloud service brokerage) 유닛에 제공하고, 클라우드 서비스 브로커(CSB, cloud service brokerage) 유닛을 통해 환자, 의사, 병원의 유닛으로 전달할 수 있다.
도 3은 본 발명의 일실시예에 따른 시스템 모델의 기능 유닛들 사이의 상호 작용 및 조작 순서를 나타내는 시퀀스 다이어그램을 설명하는 도면이다.
도 3의 엔티티들은 환자의 신체 변화를 센싱하는 바이오 센서들(patient with bio-sensors), 바이오 센서들로부터의 센싱 정보들을 통합하여 신호처리 후 외부로 전송하기 위한 싱크 노드(sink node) 또는 스마트폰(smart phone), 정신과 의사(psychiatrist) 유닛, 병원 또는 재활센터(hospitals or rehabilitation centers), 클라우드 서비스 브로커(CSB, cloud service brokerage), 사설 클라우드 IaaS 서버, 헬스케어 클라우드 CaaS 서버(healthcare cloud CaaS server)를 포함할 수 있다.
먼저, 바이오 센서들(patient with bio-sensors)은 도면부호 301에서와 같이 환자의 신체 변화를 센싱하고 이를 정신과 의사(psychiatrist) 유닛에 전송한다.
이를 수신하는 정신과 의사(psychiatrist)는 도면부호 302에서, 정신 장애 스크린에 기반해서 보고서를 작성한 후 정신과 의사(psychiatrist) 유닛을 통해 상당 보고서를 병원 또는 재활센터로 제공한다.
이를 수신하는 병원 또는 재활센터에서는 도면부호 303을 통해 수신된 보고서를 기반으로 환자의 우울증, 스트레스, 분노, 절망감 등을 획득하고, 환자에 대한 검사를 수행한다. 또한, 환자에 대한 검사와 함께 환자의 가족에 대한 병원 기록을 참고하여 환자 가족의 메디컬 히스토리를 획득하고, 이를 환자의 메디컬 및 가족 히스토리 데이터로서 등록한다.
사설 클라우드 서버 역시 환자의 메디컬 및 가족 히스토리 데이터를 저장하고 유지할 수 있다.
도면부호 305에서 보는 바와 같이, 바이오 센서들(patient with bio-sensors)은 환자의 특정 신체부분으로부터 센싱 정보를 획득할 수 있다. 이에, 바이오 센서들은 획득한 센싱 정보를 전처리한 후 환자의 스마트폰 등의 싱크노드로 전송할 수 있다.
도면부호 306에서, 싱크노드는 수신된 센싱 정보의 노이즈를 제거하고, 디지털 변환한 후 클라우드 서비스 브로커(CSB, cloud service brokerage)로 전달할 수 있다.
도면부호 307에서, 클라우드 서비스 브로커(CSB, cloud service brokerage)는 센싱 정보의 인증 과정을 통해서 센싱 정보의 유효성 여부를 검토할 수 있다. 유효성이 인증되면, 사설 클라우드 IaaS 서버로 환자의 메디컬 데이터 및 가족의 메디컬 히스토리 데이터를 요청하고, 헬스케어 클라우드 CaaS 서버(healthcare cloud CaaS server)로는 유효성 여부가 검토된 센싱 정보를 제공할 수 있다.
도면부호 308에서, 사설 클라우드 IaaS 서버는 클라우드 서비스 브로커(CSB, cloud service brokerage)의 요청에 따라서 환자의 메디컬 데이터 및 가족의 메디컬 히스토리 데이터를 헬스케어 클라우드 CaaS 서버(healthcare cloud CaaS server)에 제공할 수 있다.
도면부호 309에서, 헬스케어 클라우드 CaaS 서버(healthcare cloud CaaS server)는 클라우드 서비스 브로커(CSB, cloud service brokerage)로부터 전달되는 환자의 메디컬 데이터 및 가족의 메디컬 히스토리 데이터와 클라우드 서비스 브로커(CSB, cloud service brokerage)로부터 전달된 센싱 정보를 이용하여 정신상태 시퀀스를 생성하고, 가장 가능성있는 시퀀스를 찾을 수 있다. 또한, 헬스케어 클라우드 CaaS 서버(healthcare cloud CaaS server)는 결과를 클라우드 서비스 브로커(CSB, cloud service brokerage)로 제공할 수 있다.
도면부호 310에서, 클라우드 서비스 브로커(CSB, cloud service brokerage)는 헬스케어 클라우드 CaaS 서버(healthcare cloud CaaS server)로부터의 결과를 병원 또는 재활센터(hospitals or rehabilitation centers), 정신과 의사(psychiatrist) 유닛, 환자에게 제공할 수 있다(도면부호 311, 312, 313).
도 4는 응급의 정신의학적 정신 상태를 예측하기 위한 히든 마르코프 모델(HMM, hidden Markov model) 기반의 정신 상태 모델을 설명하는 도면이다.
도 4에서는 정의된 초기(initial), 전이(transition), 방출확률(emission probability)에 따른 파라미터들과 히든 마르코프 모델(HMM, hidden Markov model, 400)을 나타낸다.
정신의학적 정신 상태 모니터링(Psychiatric mental state monitoring)은 응급 원격정신의학(emergency telepsychiatry)에 있어 가장 중요한 부분이다. 따라서, 응급 원격정신의학(emergency telepsychiatry)의 성공은 정확하고 적절한 타이밍에서의 생명을 위협하는 정신 상태(life-threatening mental states)에 의한 결정에 의존한다. 이례적인 비상의 멘탈 상태를 정확하게 찾아낼 수 있는 질병 관련 진단은 없다. 따라서, 히든 마르코프 모델(HMM, hidden Markov model, 400)과 같이 통계적으로 예측 가능한 추정을 제공할 수 있는 모델링 방법에 의해 이례적인 비상의 멘탈 상태를 대비할 수 있다.
응급 원격정신의학(emergency telepsychiatry) 시스템을 위해서는 히든 스테이트로서 정신의학적 정신 상태(psychiatric mental states)를 고려할 수 있다. 이 정신의학적 정신 상태(psychiatric mental states)는 완벽하거나 부분적으로도 관측할 수 없으나 센서 관측 및 개인의 메디털, 가족, 개인, 유전 기록들을 통해서 정신의학적 정신 상태(psychiatric mental states)를 예측할 수는 있다.
환자의 미래 정신의학적 정신 상태(psychiatric mental states)는 현재의 환자 상태에 의존한다. 따라서, EHMM은 개인의 모델 정신의학적 정신 상태(psychiatric mental states)로 적절하다.
정신의학적 정신 상태(psychiatric mental states)의 예측을 위해, 히든 마르코프 모델(HMM, hidden Markov model, 400)에서는 추천된 불연속 시간 마르코프 프로세스에서의 모든 M 및 모든 상태가 히든일 때의 상태(S= {s1, s2,……, sM})를 고려할 수 있다.
관찰(observations)은 환자의 무선 신체 영역 네트워크(WBAN, wireless body area networks)를 통해 환자 몸으로부터 일부를 가져오고, 클라우드 스토리지 저장수단의 일부, 즉 환자 개인, 의료, 가족의 역사와 유전학으로부터 가져올 수 있다.
시스템을 모델링하기 위해서는 관찰(observations) 세트(O={o1, o2,…… , oN })를 고려할 수 있다. 이때의, N은 총 관찰(observations)의 수이다.
정신의학적 정신 상태(psychiatric mental states)의 예측을 위해, 히든 마르코프 모델(HMM, hidden Markov model, 400)에서의 목적은 가장 확률있는 정신의학적 정신 상태 시퀀스(psychiatric mental state sequence)인 Q={q1, q2,……, qp}∈S를 찾는 것으로서, 정신의학적 정신 상태 시퀀스(psychiatric mental state sequence)는 t 시간에서의 관측인 V={ v1, v2,……, vp }∈O에 기반한다.
정신 상태의 히든 마르코프 모델(HMM, hidden Markov model)은 3튜플을 갖는다. 예를 들어, 히든 마르코프 모델(HMM, hidden Markov model)에서의 λ = {π, T, E}로서, 3 튜플로 가질 수 있다. 이때의 π는 초기 상태 확률들의 집합(set of initial states probabilities)으로서, π = {πi |πi = P(si)}로 해석될 수 있다. 이때의 i 는 i=1, 2, 3 …, M이다.
정신의학적 정신 상태(psychiatric mental states)의 예측을 위해, 히든 마르코프 모델(HMM, hidden Markov model, 400)에서 상태 전이 확률(T)은 다음과 같이 정의될 수 있다.
T = {tij | tij = P(sj| si)}
여기서 i는 i = 1, 2, 3…M이고, j는 j=1, 2, 3…M이다.
정신의학적 정신 상태(psychiatric mental states)의 예측을 위해, 히든 마르코프 모델(HMM, hidden Markov model, 400)에서 방출확률(emission probabilities) E는 아래와 같이 정의될 수 있다.
E = {eik | eik = P(ok | si)}
여기서, i는 i=1, 2, 3 … M이고, k는 k=1, 2, 3 …,N이다.
이하에서는, 히든 마르코프 모델(HMM, hidden Markov model)의 훈련 과정 및 검증의 실시예를 설명한다.
응급 원격정신의학의 예상 정신과 정신 상태 모델을 배포하기 위해서는 히든 마르코프 모델(HMM, hidden Markov model)의 튜플을 결정하는 것이 필요하다.
Baum-Welch 알고리즘은 초기(initial), 전이(transition), 방출가능성(emission probability)의 파라미터를 결정하기 위한 대중적인 방법 중에 하나이다.
수렴시간의 비교에 있어, 라이트 비터비 경로 카운팅(light Viterbi Path Counting, VPC) 훈련 알고리즘은 히든 마르코프 모델(HMM, hidden Markov model)의 파라미터를 결정하는 Baum-Welch 알고리즘에 비해서 효율적이다. 본 발명에서, 정신의학적 정신 상태 모델(psychiatric mental states model)은 아래 (1), (2), 및 (3)에서 사용할 히든 마르코프 모델(HMM, hidden Markov model)의 파라미터를 결정하기 위해 참조 데이터세트를 이용해서 VPC 훈련 알고리즘을 통해서 훈련한다.
(1)
Figure 112014058958228-pat00001
(2)
Figure 112014058958228-pat00002
(3)
Figure 112014058958228-pat00003

참조되는 데이터세트들은 응급 원격정신의학의 특별한 요구 사항을 위해 설계되지 않는데, 이를 위해, 교육, 검증 및 정신과 정신 상태 모델의 테스트를 위해 개정된 데이터 세트를 준비할 수 있다.
개정된 데이터 세트의 누락된 데이터는 Expectation-Maximization 알고리즘을 통해서 예측될 수 있다.
응급 원격정신의학(emergency telepsychiatry)에 대한 긴급 정신 상태 예측 모델의 주요 목적은 관측에 근거하여 최대의 귀납적 정신 상태의 시퀀스를 생성하는 것이다.
헬스케어 클라우드의 MSSG 유닛은 비터비 알고리즘 및 확률적인 정신 상태 모델을 사용하여 응급 원격정신의학(emergency telepsychiatry) 정신과 환자의 정신 상태 시퀀스를 찾을 수 있다.
자살 정신 상태의 예후는 MSSG의 생성 정신 상태 시퀀스에서 결정된다.
생성된 state sequence를 Q={q1, q2, ……, qp}으로 치환하면, 자살 정신 상태의 예후를 예측하기 위해, 각각의 상태들의 빈도를 카운팅할 수 있다.
상태들의 세트를 S= {s1, s2, ……, sM}로 고려함에 따라, 상태들 각각의 중요도 | S1 |, | S2 |, ..., | SM |은 생성된 상태 시퀀스 Q에서 확인할 수 있다.
즉,
Figure 112014058958228-pat00004
는 환자의 정신 상태를 예측하는데 이용될 수 있는데, 만약
Figure 112014058958228-pat00005
로 예측되는 경우라면 환자의 상태는 '응급'으로 분류될 수 있다.
이때, 부정오류(false negative)와 사실오류(true negative) 비율을 최소화하면서, 사실긍정(true positive)과 사실부정(true negative) 비율를 최대화할 수 있도록 임계값 Ts가 선택될 수 있다.
오직 자살의 경우에 대해서만 최적의 Ts를 설정할 수 있다.
즉, 응급 원격정신의학 시스템은 비터비 알고리즘(λ)을 이용해서 정신의학적 정신 상태 시퀀스(psychiatric mental state sequence) Q를 생성하고, Q로부터 각각의 상태(|si|)를 결정하며, Ts 에 비해서
Figure 112014058958228-pat00006
가 큰 경우는
Figure 112014058958228-pat00007
가 정신의학적으로 응급상태임을 세팅할 수 있다.
도 5는 본 발명의 다른 일실시예에 따른 응급 원격정신의학 시스템(500)을 설명하는 도면이다.
일실시예에 따른 응급 원격정신의학 시스템(500)은 응급 원격정신의학을 위한 전체 시스템의 적어도 하나 이상의 기능 유닛에 포함될 수 있다.
예를 들어, 도 5의 실시예에 따른 응급 원격정신의학 시스템(500)은 클라우드 서비스 브로커(CSB, cloud service brokerage) 유닛의 구성 중에서 일부로 이해할 수 있다.
일실시예에 따른 응급 원격정신의학 시스템(500)은 수집부(510), 요청부(520), 및 전송부(530)를 포함할 수 있다.
일실시예에 따른 수집부(510)는 환자의 실시간 정신 건강 증상(real-time mental health symptoms)을 수집할 수 있다. 이때의 수집부(510)는 환자의 무선 신체 영역 네트워크(WBAN, wireless body area networks)로부터 환자의 실시간 정신 건강 증상(real-time mental health symptoms)을 수집할 수 있다.
일실시예에 따른 요청부(520)는 수집된 실시간 정신 건강 증상(real-time mental health symptoms)이 인증된 경우, 사설 클라우드 서버로 환자에 대한 히스토리 정보를 헬스케어 클라우드 서버에 전달할 것을 요청할 수 있다. 이러한 요청에 따라서, 헬스케어 클라우드 서버는 환자에 대한 메디컬 히스토리 데이터와 환자의 가족 히스토리 데이터를 수신할 수 있다.
또한, 일실시예에 따른 전송부(530)는 수집된 실시간 정신 건강 증상(real-time mental health symptoms)을 헬스케어 클라우드 서버로 전송할 수 있다.
이로써, 헬스케어 클라우드 서버는 실시간 정신 건강 증상(real-time mental health symptoms), 환자에 대한 메디컬 히스토리 데이터, 환자의 가족 히스토리 데이터를 모두 수집할 수 있다.
헬스케어 클라우드 서버는 전송에 대한 응답으로 예측된 정신의학적 멘탈 상태를 수신하고, 실시간 정신 건강 증상 및 환자에 대한 히스토리 정보를 이용하여 정신의학적 멘탈 상태를 예측할 수 있다.
구체적으로, 헬스케어 클라우드 서버는 히든 마르코프 모델(HMM, hidden Markov model)을 이용하여 수집된 실시간 정신 건강 증상 및 메디컬 및 가족 히스토리 데이터를 상태들의 불연속 세트(discrete set of states of hidden Markov model)로 모델링할 수 있다. 또한, 헬스케어 클라우드 서버는 모델링에 따른 히든 마르코프 모델(HMM, hidden Markov model)의 관측(observations of HMM) 결과를 파라메터로 이용하여 머신러닝 알고리즘을 훈련하며, 훈련된 머신러닝 알고리즘에 기초하여 정신의학적 멘탈 상태 시퀀스(psychiatric mental state sequence)를 생성하여 정신의학적 멘탈 상태를 예측할 수 있다.
또한, 환자에 대한 히스토리 정보는 환자의 메디컬 데이터 및 환자의 가족 히스토리 데이터 중에서 적어도 하나를 포함할 수 있다.
도 6은 본 발명의 또 다른 일실시예에 따른 응급 원격정신의학 시스템(600)을 설명하는 도면이다.
응급 원격정신의학 시스템(600)은 수집부(610), 모델링 처리부(620), 훈련부(630), 및 예측부(640)를 포함할 수 있다.
먼저, 일실시예에 따른 수집부(610)는 환자의 실시간 정신 건강 증상, 환자의 메디컬 데이터, 및 환자의 가족에 대한 메디컬 데이터를 수집할 수 있다.
일실시예에 따른 모델링 처리부(620)는 수집된 실시간 정신 건강 증상, 환자의 메디컬 데이터, 및 환자의 가족에 대한 메디컬 데이터에 대해 히든 마르코프 모델(HMM, hidden Markov model)을 이용하여 모델링할 수 있다. 예를 들어, 모델링 처리부(620)는, 수집된 실시간 정신 건강 증상, 환자의 메디컬 데이터, 및 환자의 가족에 대한 메디컬 데이터를 히든 마르코프 모델(HMM, hidden Markov model)을 이용하여 상태들의 불연속 세트(discrete set of states of hidden Markov model)로 모델링할 수 있다. 또한, 일실시예에 따른 모델링 처리부(620)는 비터비 알고리즘(Viterbi algorithm)을 머신러닝 알고리즘으로 이용할 수도 있다.
일실시예에 따른 훈련부(630)는 모델링에 따른 히든 마르코프 모델(HMM, hidden Markov model)의 관측(observations of HMM) 결과를 파라미터로 이용하여 머신러닝 알고리즘을 훈련할 수 있다. 이에 일실시예에 따른 예측부(640)는 훈련된 머신러닝 알고리즘에 기초하여 정신의학적 멘탈 상태 시퀀스(psychiatric mental state sequence)를 생성하여 정신의학적 멘탈 상태를 예측할 수 있다.
도 7은 본 발명의 일실시예에 따른 응급 원격정신의학 시스템의 동작 방법을 설명하는 도면이다.
본 발명의 일실시예에 따른 응급 원격정신의학 시스템의 동작 방법은 클라우드 서비스 브로커 서버로부터 실시간 정신 건강 증상을 수집할 수 있다(단계 701).
또한, 일실시예에 따른 응급 원격정신의학 시스템의 동작 방법은 클라우드 서비스 브로커 서버의 요청에 의해서 사설 클라우드 서버로부터 메디컬 및 가족 히스토리 데이터를 수집할 수 있다(단계 702).
이로써, 일실시예에 따른 응급 원격정신의학 시스템의 동작 방법은 환자의 실시간 정신 건강 증상(real-time mental health symptoms)과 상기 환자의 메디컬 및 가족 히스토리 데이터를 수집할 수 있다.
다음으로, 일실시예에 따른 응급 원격정신의학 시스템의 동작 방법은 수집된 실시간 정신 건강 증상 및 메디컬 및 가족 히스토리 데이터로부터 환자의 정신의학적 멘탈 상태를 예측할 수 있다(단계 703).
일실시예에 따른 응급 원격정신의학 시스템의 동작 방법은 모델링에 따른 히든 마르코프 모델(HMM, hidden Markov model)의 관측(observations of HMM) 결과를 파라미터로 이용하여 머신러닝 알고리즘을 훈련하고, 훈련된 머신러닝 알고리즘에 기초하여 정신의학적 멘탈 상태 시퀀스(psychiatric mental state sequence)를 생성할 수 있다. 또한, 예측부(220)는 생성된 멘탈 상태 시퀀스(psychiatric mental state sequence)로부터 응급 정신 상태의 예후(prognosis of emergency psychiatric state)를 예측함으로써, 환자의 정신의학적 멘탈 상태를 예측할 수 있다.
일실시예에 따른 응급 원격정신의학 시스템의 동작 방법은 예측된 정신의학적 멘탈 상태를 제공할 수 있다(단계 704).
예를 들어, 일실시예에 따른 응급 원격정신의학 시스템의 동작 방법은 예측된 정신의학적 멘탈 상태를 클라우드 서비스 브로커(CSB, cloud service brokerage) 유닛에 제공하고, 클라우드 서비스 브로커(CSB, cloud service brokerage) 유닛을 통해 환자, 의사, 병원의 유닛으로 전달할 수 있다.
도 8은 히든 마르코프 모델(HMM, hidden Markov model) 기반의 정신 상태 모델링 방법을 설명하는 도면이다.
일실시예에 따른 응급 원격정신의학 시스템의 동작 방법은 수집된 정보들을 히든 마르코프 모델(HMM, hidden Markov model)을 이용하여 모델링할 수 있다(단계 801).
모델링에 따른 히든 마르코프 모델의 관측 결과를 파라미터로 이용하여 머신러닝 알고리즘을 훈련하고(단계 802), 훈련된 머신러닝 알고리즘에 기초하여 정신의학적 멘탈 상태 시퀀스(psychiatric mental state sequence)를 생성할 수 있다(단계 803).
실시예에 따른 방법은 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 실시예를 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 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (17)

  1. 무선 신체 영역 네트워크(WBAN, wireless body area networks)의 적어도 하나 이상의 센서로부터 환자의 실시간 정신 건강 증상(real-time mental health symptoms)을 수집하고, 사설 클라우드 서버로부터 상기 환자의 메디컬 및 가족 히스토리 데이터와 정신의학적 스크린 스케일(psychiatric screening scales) 점수를 수집하는 수집부;
    수집된 실시간 정신 건강 증상 및 메디컬 및 가족 히스토리 데이터로부터 환자의 정신의학적 정신 상태를 예측하는 예측부; 및
    상기 예측된 정신의학적 정신 상태를 제공하는 전송부를 포함하고,
    상기 수집부는,
    상기 무선 신체 영역 네트워크로부터 센서 관측 정보를 수신한 클라우드 서비스 브로커 서버로부터 상기 실시간 정신 건강 증상을 수집하고, 상기 클라우드 서비스 브로커 서버의 요청에 의해서 상기 사설 클라우드 서버로부터 상기 메디컬 및 가족 히스토리 데이터를 수집하며,
    상기 사설 클라우드 서버는
    상기 무선 신체 영역 네트워크로부터 수신된 상기 센서 관측 정보에 기초하여 정신과 의사 유닛으로부터 정신 장애 스크린에 기반하여 정신과 의사로부터 작성된 보고서를 기반으로 상기 환자에 대해 수행한 검사를 수신하고, 상기 환자에 대한 검사와 함께 상기 환자의 가족에 대한 병원 기록을 참고하여 상기 환자의 메디컬 및 상기 가족 히스토리 데이터로서 등록하며,
    상기 클라우드 서비스 브로커 서버로부터 전달되는 환자의 메디컬 데이터 및 가족 메디컬 히스토리 데이터와, 상기 클라우드 서비스 브로커로부터 전달되는 센싱 정보를 이용하여 정신의학적 정신 상태 시퀀스(psychiatric mental state sequence)를 생성하는 헬스케어 클라우드 서버(healthcare cloud server)를 포함하는
    응급 원격정신의학 시스템.
  2. 제1항에 있어서,
    상기 환자의 실시간 정신 건강 증상은 상기 환자의 신체 일부분에 위치하는 상기 적어도 하나 이상의 센서에서 관측되어 싱크노드가 통합하는 센서 관측 정보에 기반하는 응급 원격정신의학 시스템.
  3. 삭제
  4. 제1항에 있어서,
    상기 예측부는
    히든 마르코프 모델(HMM, hidden Markov model)을 이용하여 상기 수집된 실시간 정신 건강 증상, 및 상기 메디컬 및 가족 히스토리 데이터를 상태들의 불연속 세트(discrete set of states of hidden Markov model)로 모델링하고, 상기 모델링에 기반하여 상기 환자의 정신의학적 정신 상태를 예측하는 응급 원격정신의학 시스템.
  5. 제4항에 있어서,
    상기 예측부는
    상기 모델링에 따른 히든 마르코프 모델의 관측(observations of HMM) 결과를 파라미터로 이용하여 머신러닝 알고리즘을 훈련하고, 상기 훈련된 머신러닝 알고리즘에 기초하여 상기 정신의학적 정신 상태 시퀀스(psychiatric mental state sequence)를 생성하는 응급 원격정신의학 시스템.
  6. 제5항에 있어서,
    상기 머신러닝 알고리즘은 비터비 알고리즘(Viterbi algorithm)을 포함하는 응급 원격정신의학 시스템.
  7. 제6항에 있어서,
    상기 예측부는
    상기 생성된 정신 상태 시퀀스로부터 응급 정신 상태의 예후(prognosis of emergency psychiatric state)를 예측하는 응급 원격정신의학 시스템.
  8. 무선 신체 영역 네트워크(WBAN, wireless body area networks)의 적어도 하나 이상의 센서로부터 환자의 실시간 정신 건강 증상(real-time mental health symptoms)을 수집하는 수집부;
    상기 수집된 실시간 정신 건강 증상(real-time mental health symptoms)이 인증된 경우, 사설 클라우드 서버로 상기 환자에 대한 히스토리 정보를 헬스케어 클라우드 서버에 전달할 것을 요청하는 요청부;
    상기 수집된 실시간 정신 건강 증상(real-time mental health symptoms)을 상기 헬스케어 클라우드 서버로 전송하는 전송부
    를 포함하고,
    상기 전송에 대한 응답으로 상기 헬스케어 클라우드 서버는 예측된 정신의학적 멘탈 상태를 수신하고, 상기 실시간 정신 건강 증상, 상기 환자에 대한 히스토리 정보 및 정신의학적 스크린 스케일(psychiatric screening scales) 점수를 이용하여 상기 정신의학적 멘탈 상태를 예측하며,
    상기 수집부는
    상기 무선 신체 영역 네트워크로부터 센서 관측 정보를 수신한 클라우드 서비스 브로커 서버로부터 상기 실시간 정신 건강 증상을 수집하고, 상기 클라우드 서비스 브로커 서버의 요청에 의해 상기 사설 클라우드 서버로부터 상기 환자의 메디컬 및 가족 히스토리 데이터를 수집하며,
    상기 사설 클라우드 서버는
    상기 무선 신체 영역 네트워크로부터 수신된 상기 센서 관측 정보에 기초하여 정신과 의사 유닛으로부터 정신 장애 스크린에 기반하여 정신과 의사로부터 작성된 보고서를 기반으로 상기 환자에 대해 수행한 검사를 수신하고, 상기 환자에 대한 검사와 함께 상기 환자의 가족에 대한 병원 기록을 참고하여 상기 환자의 메디컬 및 상기 가족 히스토리 데이터로서 등록하며,
    상기 헬스케어 클라우드 서버는
    상기 클라우드 서비스 브로커 서버로부터 전달되는 환자의 메디컬 데이터 및 가족 메디컬 히스토리 데이터와, 상기 클라우드 서비스 브로커로부터 전달되는 센싱 정보를 이용하여 정신의학적 정신 상태 시퀀스(psychiatric mental state sequence)를 생성하는 응급 원격정신의학 시스템.
  9. 제8항에 있어서,
    상기 환자에 대한 히스토리 정보는 상기 환자의 메디컬 데이터 및 상기 환자의 가족 히스토리 데이터 중에서 적어도 하나를 포함하는 응급 원격정신의학 시스템.
  10. 제8항에 있어서,
    상기 헬스케어 클라우드 서버는
    히든 마르코프 모델(HMM, hidden Markov model)을 이용하여 상기 수집된 실시간 정신 건강 증상, 및 메디컬 및 가족 히스토리 데이터를 상태들의 불연속 세트(discrete set of states of hidden Markov model)로 모델링하고,
    상기 모델링에 따른 히든 마르코프 모델의 관측(observations of HMM) 결과를 파라미터로 이용하여 머신러닝 알고리즘을 훈련하며,
    상기 훈련된 머신러닝 알고리즘에 기초하여 상기 정신의학적 정신 상태 시퀀스(psychiatric mental state sequence)를 생성하여 상기 정신의학적 멘탈 상태를 예측하는 응급 원격정신의학 시스템.
  11. 무선 신체 영역 네트워크(WBAN, wireless body area networks)의 적어도 하나 이상의 센서로부터 환자의 실시간 정신 건강 증상을 수집하고, 사설 클라우드 서버로부터 상기 환자의 메디컬 히스토리 데이터, 상기 환자의 가족에 대한 메디컬 히스토리 데이터 및 정신의학적 스크린 스케일(psychiatric screening scales) 점수를 수집하는 수집부;
    상기 수집된 실시간 정신 건강 증상, 상기 환자의 메디컬 히스토리 데이터, 및 상기 환자의 가족에 대한 메디컬 히스토리 데이터에 대해 히든 마르코프 모델(HMM, hidden Markov model)을 이용하여 모델링하는 모델링 처리부;
    상기 모델링에 따른 히든 마르코프 모델(HMM, hidden Markov model)의 관측(observations of HMM) 결과를 파라미터로 이용하여 머신러닝 알고리즘을 훈련하는 훈련부; 및
    상기 훈련된 머신러닝 알고리즘에 기초하여 정신의학적 정신 상태 시퀀스(psychiatric mental state sequence)를 생성하여 정신의학적 정신 상태를 예측하는 예측부를 포함하며,
    상기 수집부는
    상기 무선 신체 영역 네트워크로부터 센서 관측 정보를 수신한 클라우드 서비스 브로커 서버로부터 상기 실시간 정신 건강 증상을 수집하고, 상기 클라우드 서비스 브로커 서버의 요청에 의해서 상기 사설 클라우드 서버로부터 상기 환자의 메디컬 및 가족 히스토리 데이터를 수집하며,
    상기 사설 클라우드 서버는
    상기 무선 신체 영역 네트워크로부터 수신된 상기 센서 관측 정보에 기초하여 정신과 의사 유닛으로부터 정신 장애 스크린에 기반하여 정신과 의사로부터 작성된 보고서를 기반으로 상기 환자에 대해 수행한 검사를 수신하고, 상기 환자에 대한 검사와 함께 상기 환자의 가족에 대한 병원 기록을 참고하여 상기 환자의 메디컬 및 상기 가족 히스토리 데이터로서 등록하며,
    상기 클라우드 서비스 브로커 서버로부터 전달되는 환자의 메디컬 데이터 및 가족 메디컬 히스토리 데이터와, 상기 클라우드 서비스 브로커로부터 전달되는 센싱 정보를 이용하여 정신의학적 정신 상태 시퀀스(psychiatric mental state sequence)를 생성하는 헬스케어 클라우드 서버(healthcare cloud server)를 포함하는
    응급 원격정신의학 시스템.
  12. 제11항에 있어서,
    상기 모델링 처리부는
    상기 수집된 실시간 정신 건강 증상, 상기 환자의 메디컬 히스토리 데이터, 및 상기 환자의 가족에 대한 메디컬 히스토리 데이터를 히든 마르코프 모델(HMM, hidden Markov model)을 이용하여 상태들의 불연속 세트(discrete set of states of hidden Markov model)로 모델링하는 응급 원격정신의학 시스템.
  13. 제11항에 있어서,
    상기 모델링 처리부는,
    비터비 알고리즘(Viterbi algorithm)을 상기 머신러닝 알고리즘으로 이용하는 응급 원격정신의학 시스템.
  14. 수집부에서, 무선 신체 영역 네트워크(WBAN, wireless body area networks)의 적어도 하나 이상의 센서로부터 환자의 실시간 정신 건강 증상(real-time mental health symptoms)을 수집하고, 사설 클라우드 서버로부터 상기 환자의 메디컬 및 가족 히스토리 데이터와 정신의학적 스크린 스케일(psychiatric screening scales) 점수를 수집하는 단계;
    예측부에서, 수집된 실시간 정신 건강 증상 및 메디컬 및 가족 히스토리 데이터로부터 환자의 정신의학적 정신 상태를 예측하는 단계; 및
    전송부에서, 상기 예측된 정신의학적 정신 상태를 제공하는 단계를 포함하며,
    상기 수집하는 단계는
    클라우드 서비스 브로커 서버로부터 상기 실시간 정신 건강 증상을 수집하는 단계; 및
    상기 클라우드 서비스 브로커 서버의 요청에 의해서 상기 사설 클라우드 서버로부터 상기 메디컬 및 가족 히스토리 데이터를 수집하는 단계를 포함하고,
    상기 사설 클라우드 서버는
    상기 무선 신체 영역 네트워크로부터 수신된 상기 센서 관측 정보에 기초하여 정신과 의사 유닛으로부터 정신 장애 스크린에 기반하여 정신과 의사로부터 작성된 보고서를 기반으로 상기 환자에 대해 수행한 검사를 수신하고, 상기 환자에 대한 검사와 함께 상기 환자의 가족에 대한 병원 기록을 참고하여 상기 환자의 메디컬 및 상기 가족 히스토리 데이터로서 등록하며,
    상기 클라우드 서비스 브로커 서버로부터 전달되는 환자의 메디컬 데이터 및 가족 메디컬 히스토리 데이터와, 상기 클라우드 서비스 브로커로부터 전달되는 센싱 정보를 이용하여 정신의학적 정신 상태 시퀀스(psychiatric mental state sequence)를 생성하는 헬스케어 클라우드 서버(healthcare cloud server)를 포함하는
    응급 원격정신의학 시스템의 동작 방법.
  15. 삭제
  16. 제14항에 있어서,
    상기 예측하는 단계는
    히든 마르코프 모델(HMM, hidden Markov model)을 이용하여 상기 수집된 실시간 정신 건강 증상, 및 메디컬 및 가족 히스토리 데이터를 상태들의 불연속 세트(discrete set of states of hidden Markov model)로 모델링하는 단계;
    상기 모델링에 따른 히든 마르코프 모델의 관측(observations of HMM) 결과를 파라미터로 이용하여 머신러닝 알고리즘을 훈련하는 단계; 및
    상기 훈련된 머신러닝 알고리즘에 기초하여 상기 정신의학적 정신 상태 시퀀스(psychiatric mental state sequence)를 생성하는 단계
    를 포함하는 응급 원격정신의학 시스템의 동작 방법.
  17. 제14항 및 제16항 중에서 어느 한 항의 방법을 수행하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체.
KR1020140077261A 2014-06-24 2014-06-24 응급 정신의학적 정신 상태 예측 모델 기반의 응급 원격정신의학 시스템 및 방법 KR101710752B1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020140077261A KR101710752B1 (ko) 2014-06-24 2014-06-24 응급 정신의학적 정신 상태 예측 모델 기반의 응급 원격정신의학 시스템 및 방법
PCT/KR2014/011895 WO2015199296A1 (ko) 2014-06-24 2014-12-05 응급 정신의학적 정신 상태 예측 모델 기반의 응급 원격정신의학 시스템 및 방법
US14/429,913 US20160259908A1 (en) 2014-06-24 2014-12-05 System and method of emergency telepsychiatry using emergency psychiatric mental state prediction model

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020140077261A KR101710752B1 (ko) 2014-06-24 2014-06-24 응급 정신의학적 정신 상태 예측 모델 기반의 응급 원격정신의학 시스템 및 방법

Publications (2)

Publication Number Publication Date
KR20160000522A KR20160000522A (ko) 2016-01-05
KR101710752B1 true KR101710752B1 (ko) 2017-02-28

Family

ID=54938361

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020140077261A KR101710752B1 (ko) 2014-06-24 2014-06-24 응급 정신의학적 정신 상태 예측 모델 기반의 응급 원격정신의학 시스템 및 방법

Country Status (3)

Country Link
US (1) US20160259908A1 (ko)
KR (1) KR101710752B1 (ko)
WO (1) WO2015199296A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210110109A (ko) * 2020-02-28 2021-09-07 아주대학교산학협력단 암환자의 정서질환 예측 방법 및 장치

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10552752B2 (en) * 2015-11-02 2020-02-04 Microsoft Technology Licensing, Llc Predictive controller for applications
US20170364650A1 (en) * 2016-06-17 2017-12-21 International Business Machines Corporation Managing a therapeutic state based on cognitive, contextual, and location-based action recognition
CN106909789A (zh) * 2017-02-28 2017-06-30 郑州云海信息技术有限公司 一种智能医疗系统
KR102141804B1 (ko) * 2018-01-31 2020-08-06 박성규 불면증 중재 서비스 제공 방법 및 그 장치
US11301760B2 (en) 2018-11-28 2022-04-12 International Business Machines Corporation Automated postulation thresholds in computer-based questioning
KR102373496B1 (ko) * 2019-12-02 2022-03-11 충남대학교 산학협력단 스마트밴드 생체정보 기반 우울도 예측 모델 생성 시스템 및 방법
US11823790B2 (en) * 2020-04-27 2023-11-21 Oluwajoba Adegboye AI driven anesthetic planning, management and case scheduling tool for anesthesiologists, resident physicians, surgeons, proceduralists, mid-level providers and operating room managers (AISCHPLAN)
US20230104450A1 (en) * 2021-10-05 2023-04-06 Koa Health B.V. Continuous Monitoring To Detect Changes in a User's Mental State to Implement Stepped Care

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6832069B2 (en) 2001-04-20 2004-12-14 Educational Testing Service Latent property diagnosing procedure
US20080177197A1 (en) 2007-01-22 2008-07-24 Lee Koohyoung Method and apparatus for quantitatively evaluating mental states based on brain wave signal processing system
CA2565918A1 (en) * 2004-05-07 2005-11-24 Intermed Advisor, Inc. Method and apparatus for real time predictive modeling for chronically ill patients
KR20050122677A (ko) * 2004-06-25 2005-12-29 (주)내일커뮤니티 건강관리시스템
KR20060038049A (ko) * 2004-10-29 2006-05-03 에스케이 텔레콤주식회사 통신망을 이용한 건강 관리 장치 및 방법
US20100113893A1 (en) * 2006-10-12 2010-05-06 Massachusetts Institute Of Technology Method for measuring physiological stress
EP2542147A4 (en) * 2010-03-04 2014-01-22 Neumitra LLC DEVICES AND METHOD FOR TREATING PSYCHICAL INTERFERENCE
JP2012094056A (ja) * 2010-10-28 2012-05-17 Ntt Comware Corp ユーザ状態推定システム、ユーザ状態推定方法及びユーザ状態推定プログラム
KR101500673B1 (ko) * 2011-10-26 2015-03-10 주식회사 케이티 이동 통신 기기를 이용하는 건강 관리 시스템, 이동 통신 기기 및 건강 관리 방법
US10463313B2 (en) * 2013-08-05 2019-11-05 Nikolaos KOUTSOULERIS Adaptive pattern recognition for psychosis risk modelling

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210110109A (ko) * 2020-02-28 2021-09-07 아주대학교산학협력단 암환자의 정서질환 예측 방법 및 장치
KR102479649B1 (ko) * 2020-02-28 2022-12-21 아주대학교 산학협력단 암환자의 정서질환 예측 방법 및 장치

Also Published As

Publication number Publication date
WO2015199296A1 (ko) 2015-12-30
KR20160000522A (ko) 2016-01-05
US20160259908A1 (en) 2016-09-08

Similar Documents

Publication Publication Date Title
KR101710752B1 (ko) 응급 정신의학적 정신 상태 예측 모델 기반의 응급 원격정신의학 시스템 및 방법
US11844626B2 (en) Fitness systems and methods
US20170147777A1 (en) Method and apparatus for predicting health data value through generation of health data pattern
Romero-Brufau et al. Using machine learning to improve the accuracy of patient deterioration predictions: Mayo Clinic Early Warning Score (MC-EWS)
US11537935B2 (en) Data processing system with machine learning engine to provide output generating functions
US11423335B2 (en) Data processing system with machine learning engine to provide output generating functions
Budhiraja et al. The role of big data in the management of sleep-disordered breathing
US20220358389A1 (en) Computer-decision support for predicting and managing non-adhearance to treatment
US10878509B1 (en) Systems and methods for utilizing telematics data
Schatz National surveys of population health: big data analytics for mobile health monitors
WO2020102220A1 (en) Adherence monitoring through machine learning and computing model application
Lafta et al. An intelligent recommender system based on predictive analysis in telehealthcare environment
JP2013148996A (ja) 重症度判定装置、及び、重症度判定方法
Batool et al. CTASS: an intelligent framework for personalized travel behaviour advice to cardiac patients
US20160350505A1 (en) Personalized lifestyle modeling device and method
Ghosh et al. Federated edge-cloud framework for heart disease risk prediction using blockchain
CN113223734A (zh) 基于算法、医学影像和大数据的疾病诊断和大健康管理平台
Deparis et al. An analytical method for multimorbidity management using Bayesian networks
Onyemachi et al. Big Data analytics in healthcare: A review
JP2020528185A (ja) 画像獲得ワークフローを最適化するためのデバイス、システム、及び方法
KR20190066138A (ko) 사용자 활동을 모델링하는 방법, 장치 및 컴퓨터 프로그램
Jaimes et al. Mobile stress interventions: mechanisms and implications
De Sanctis Personalized ubiquitous health and wellness care: the knowledge-care vision
Zhu Smart Remote Personal Health Monitoring System: Addressing Challenges of Missing and Conflicting Data
Kyriazakos et al. The Role of Big Data and Artificial Intelligence in Clinical Research and Digital Therapeutics

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E601 Decision to refuse application
E902 Notification of reason for refusal
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20200128

Year of fee payment: 4