KR101758055B1 - 환자 개인 특성에 대한 분석 방법 및 그 장치 - Google Patents

환자 개인 특성에 대한 분석 방법 및 그 장치 Download PDF

Info

Publication number
KR101758055B1
KR101758055B1 KR1020140146070A KR20140146070A KR101758055B1 KR 101758055 B1 KR101758055 B1 KR 101758055B1 KR 1020140146070 A KR1020140146070 A KR 1020140146070A KR 20140146070 A KR20140146070 A KR 20140146070A KR 101758055 B1 KR101758055 B1 KR 101758055B1
Authority
KR
South Korea
Prior art keywords
disease
value
onset
examination
examinee
Prior art date
Application number
KR1020140146070A
Other languages
English (en)
Other versions
KR20160049264A (ko
Inventor
김성일
김명수
Original Assignee
삼성에스디에스 주식회사
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 삼성에스디에스 주식회사 filed Critical 삼성에스디에스 주식회사
Priority to KR1020140146070A priority Critical patent/KR101758055B1/ko
Priority to CN201410843742.0A priority patent/CN105808906B/zh
Priority to PCT/KR2014/013121 priority patent/WO2016068391A1/ko
Priority to US14/588,128 priority patent/US20160117457A1/en
Publication of KR20160049264A publication Critical patent/KR20160049264A/ko
Application granted granted Critical
Publication of KR101758055B1 publication Critical patent/KR101758055B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • 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
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
    • 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
    • G16H40/40—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 management of medical equipment or devices, e.g. scheduling maintenance or upgrades
    • 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)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)

Abstract

일반적인 범주에 들지 않는 환자의 특성을 반영하는 특성 값을 연산하고, 상기 연산 된 특성 값을 이용하여 상기 환자의 질병을 예측하거나, 상기 환자에 특화 된 개인화 된 의료 서비스를 제공하는 방법이 제공 된다. 본 발명의 일 실시예에 따른 환자 개인 특성 분석 방법은, 제1 질병을 가진 검진자의 검진 데이터를 수신하는 단계와, 상기 환자 개인 특성 분석 장치가, 상기 제1 질병의 발병자의 검진 수치로부터 얻어진 제1 질병 통계 모델에 대한 상기 검진 데이터의 부합 여부를 판정하는 단계와, 상기 판정 결과 상기 검진 데이터와 상기 제1 질병 통계 모델이 부합하지 않는 경우, 상기 검진 데이터 중 상기 제1 질병 통계 모델에 부합하는 일부의 검진 수치만을 이용하여 상기 검진자의 특성 값을 연산하는 단계를 포함한다.

Description

환자 개인 특성에 대한 분석 방법 및 그 장치{Method and apparatus for analyzing patient's constitutional peculiarity}
본 발명은 환자 개인 특성에 대한 분석 방법 및 그 장치에 관한 것이다. 보다 자세하게는, 특정 검진자가 체질상의 특이성 등에 의하여 다수 환자의 데이터를 반영하는 통계 모델과 서로 다른 검진 결과를 보이는 경우, 상기 검진자의 체질상 특이성 등을 반영하는 특성 값을 제공하는 방법 및 장치에 관한 것이다.
컴퓨팅 연산을 이용한 질병 예측 기술이 제공 된다. 상기 질병 예측 기술은 크게 유전자 분석과 환경 요소 분석으로 나눌 수 있다. 유전자 분석은 인간의 질병의 예측과 치료에 가장 큰 영향을 미칠 것으로 예상된다. 상당한 비용이 소요 되고, 프라이버시 보호 문제가 존재하는 점에서, 유전자 분석을 통한 질병 예측 기술은 아직 대중화가 더디다.
환경 요소 분석은 통계학적 관점으로 개인의 생활과 습관 및 검진 수치를 분석하고 유의미한 결과를 도출하여 질병의 예측과 개인화 처방을 빠른 미래에 도입할 수 있는 방법이다. 최근 널리 활용 되고 있는 빅데이터 분석 기술을 이용하면 보다 폭 넓은 데이터를 분석할 수 있고, 더 많은 데이터를 분석할수록 질병 예측의 정확도는 더 높아질 수 있을 것이다.
그런데, 환경 요소 분석을 수행함에 있어서, 정확한 통계 모델을 생성하기 위하여 더 많은 모집단(population)을 확보하는 것도 중요하지만, 그에 못지 않게 기질적인 특이성을 가지는 등의 이유로 일반적인 범주에 들지 않는 환자를 식별하고, 그 환자에 대한 개인화된 의료 서비스를 제공하는 것도 중요하다. 기질적인 특이성을 가지는 특이 환자는 모집단을 많이 확보하더라도 통계적으로 유의한 군집을 형성하기 어렵기 때문이다.
따라서, 일반적인 범주에 들지 않는 환자에 대하여는 그 환자의 특성을 반영하여 질병을 예측하거나, 그 환자의 특성을 반영한 개인화 된 의료 서비스를 제공하는 등의 방법을 제공할 필요성이 제기된다.
미국 공개 특허 제2009-0083075호
본 발명이 해결하고자 하는 기술적 과제는 일반적인 범주에 들지 않는 환자의 특성을 반영하는 특성 값을 연산하는 것이다.
본 발명이 해결하고자 하는 다른 기술적 과제는 상기 연산 된 특성 값을 이용하여 상기 환자의 질병을 예측하거나, 상기 환자에 특화 된 개인화 된 의료 서비스를 제공하는 것이다.
본 발명이 해결하고자 하는 또 다른 기술적 과제는 일반적인 범주에 들지 않는 환자의 검진 데이터 또는 환경 요소 데이터를 모집단 데이터베이스에 축적함으로써, 추후 일반적인 범주에 들지 않는 다른 환자에 대하여는 통계 모델에 기반한 질병 예측이 가능하도록 하는 것이다.
본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해 될 수 있을 것이다.
상기 기술적 과제를 달성하기 위한 본 발명의 일 태양에 따른 환자 개인 특성 분석 방법은, 제1 질병을 가진 검진자의 검진 데이터를 수신하는 단계와, 상기 제1 질병의 발병자의 검진 수치로부터 얻어진 제1 질병 통계 모델에 대한 상기 검진 데이터의 부합 여부를 판정하는 단계와, 상기 환자 개인 특성 분석 장치가, 상기 판정 결과 부합하지 않는 것으로 판정 된 경우, 상기 검진자의 특성 값(α)을 연산하는 단계를 포함한다. 이 때, 상기 검진자의 특성 값은, 상기 제1 질병의 각 발병 요인에 대한 조정 검진 수치들을 합산한 수치와 발병자 기준치가 동일한 값이 되도록 연산 되고, 특정 발병 요인에 대한 상기 조정 검진 수치는, 상기 특정 발병 요인에 대한 상기 검진자의 검진 수치에, 상기 특정 발병 요인에 대한 개인화 가중치를 반영한 값이고, 특정 발병 요인에 대한 상기 개인화 가중치는, 상기 검진자의 특성 값(α)을 이용하여 결정 된 값이고, 각 발병 요인에 대한 상기 개인화 가중치 중 적어도 하나는, 다른 발병 요인에 대한 개인화 가중치와 서로 상이한 것이다.
일 실시예에 따르면, 상기 발병자 기준치는, 상기 제1 질병 통계 모델에 따른 각 발병 요인(DFactori) 별 검진 수치 중심 값(DF_MIDi)에, 상기 발병 요인의 발병 기여율을 반영한 값들의 합산치이고, 상기 검진 수치 중심 값(DF_MIDi)은, DFactori의 대표 클러스터의 중심점과 n 차원 공간의 원점 사이의 거리일 수 있다.
일 실시예에 따르면, 상기 발병자 기준치는, 상기 제1 질병 통계 모델에 따른 각 발병 요인(DFactori) 별 검진 수치 중심 값(DF_MIDi)에, 상기 발병 요인의 발병 기여율을 반영한 값들의 합산치이고, 상기 검진 수치 중심 값(DF_MIDi)은, DFactori의 대표 클러스터에 속한 각 포인트와 n 차원 공간의 원점 사이의 거리에 대한 평균 값일 수 있다.
일 실시예에 따르면, 특정 질병의 발병 요인에는 서브 발병 요인들이 포함 될 수 있다. 이 때, 상기 판정하는 단계는, 모집단 데이터베이스 제공 장치로부터 제공 된 상기 제1 질병의 발병자의 상기 제1 질병의 각 발병 요인에 대한 검진 수치 데이터를 이용하여 상기 제1 질병 통계 모델을 생성 하는 단계를 포함하고, 상기 검진 수치 데이터는, 각 발병 요인에 속한 복수의 서브 발병 요인에 대한 검진 수치들을 포함할 수 있다.
상기 제1 질병 통계 모델을 생성하는 단계는, 상기 제1 질병의 제1 발병 요인에 속한 복수의 서브 발병 요인에 대한 검진 수치들을 이용하여, 각 발병자의 상기 제1 발병 요인에 대한 검진 수치를 가리키는 포인트를, n 차원(n은 서브 발병 요인의 개수) 공간 상에 매핑(mapping) 하는 제1 단계와, 상기 제1 단계를 각 발병자의 검진 수치 데이터에 대하여 반복 하는 제2 단계와, 밀도 기반 클러스터링을 통해, 상기 제1 발병 요인에 대한 대표 클러스터를 얻는 제3 단계와, 상기 대표 클러스터를 상기 제1 발병 요인에 대한 제1 질병 통계 모델로 설정 하는 제4 단계와, 상기 제1 질병의 제2 내지 M 발병 요인(M은 상기 제1 질병의 발병 요인 개수)에 대하여 상기 제1 내지 제4 단계를 반복하는 제5 단계를 포함할 수 있다.
일 실시예에서, 상기 대표 클러스터를 얻는 제3 단계는, 상기 제1 단계에서 n 차원 공간 상에 매핑 된 포인트 중 하나를 선정하는 제3A 단계와, 상기 제3A 단계에서 선정 된 포인트로부터 기 지정 된 반경(ε) 이내에, 기 지정 된 개수(p)의 포인트가 존재하는지 판정하여 상기 선정 된 포인트를 중심점으로 하는 상기 대표 클러스터가 성립하는지 여부를 판정하는 제3B 단계와, 상기 제3A 단계 및 제3B 단계를 상기 제1 단계에서 n 차원 공간 상에 매핑 된 다른 전체 포인트에 대하여 반복하는 제3C 단계와, 상기 제3A 단계 내지 제3B 단계를 통하여 대표 클러스터가 성립 되지 않은 경우, 상기 ε 및 p 중 적어도 하나를 조정한 후, 상기 제3A 단계 내지 제3B 단계를 반복하는 제3D 단계를 포함할 수 있다.
이 때, 상기 제3B 단계는, 복수의 대표 클러스터가 성립하는 것으로 판정하는 단계를 포함할 수 있다. 즉, 하나의 발병 요인에 대하여는 하나의 대표 클러스터만 존재할 수도 있으나, 복수의 대표 클러스터도 존재할 수 있다.
검진자의 각 발병 요인에 대한 검진 수치가 상기 제1 질병 통계 모델에 부합하는지 여부를 판정하는 지 여부를 판정하는 단계는, 상기 검진자의 검진 데이터의 상기 제1 발병 요인에 속한 복수의 서브 발병 요인에 대한 검진 수치들을 이용하여, 상기 검진자의 상기 제1 발병 요인에 대한 검진 수치를 가리키는 검진자 포인트를, 상기 n 차원 공간 상에 매핑 하는 A 단계와, 상기 검진자 포인트가 상기 제1 발병 요인에 대한 대표 클러스터에 속하는지 여부를 판정함으로써, 상기 검진자의 상기 제1 발병 요인에 대한 검진 수치가 상기 제1 질병 통계 모델에 부합하는지 여부를 판정하는 B 단계와, 상기 제2 내지 M 발병 요인에 대하여 상기 A 단계 내지 B 단계를 반복하는 C 단계를 포함할 수 있다.
일 실시예에서, 검진자의 각 발병 요인에 대한 검진 수치가 상기 제1 질병 통계 모델에 부합하는지 여부를 판정하는 지 여부를 판정하는 단계는, 상기 검진자의 상기 제1 발병 요인에 대한 검진 수치를 가리키는 검진자 포인트가 상기 제1 발병 요인에 대한 대표 클러스터에 속하는 경우, 상기 제1 발병 요인의 발병 기여율에 기반하여 결정 된 포인트를 부여하는 단계와, 상기 포인트를 부여하는 단계를 상기 제2 내지 M 발병 요인에 대하여 반복하는 단계와, 상기 부여 된 포인트의 합산 값이 상기 제1 질병에 대한 기준치를 초과하는 경우, 상기 검진자의 검진 데이터가 상기 제1 질병의 발병자의 검진 수치로부터 얻어진 제1 질병 통계 모델에 부합하는 것으로 판정 하는 단계를 더 포함할 수 있다.
다른 실시예에서, 검진자의 각 발병 요인에 대한 검진 수치가 상기 제1 질병 통계 모델에 부합하는지 여부를 판정하는 지 여부를 판정하는 단계는, 상기 검진자의 상기 제1 발병 요인에 대한 검진 수치를 가리키는 검진자 포인트와 상기 제1 발병 요인에 대한 대표 클러스터의 중심점 사이의 거리를 연산하고, 상기 연산 된 거리에 상기 제1 발병 요인의 발병 기여율에 기반하여 결정 된 가중치를 반영하여 상기 검진자 포인트와 상기 중심점 사이의 거리를 조정하는 단계와, 상기 거리를 조정하는 단계를 상기 제2 내지 M 발병 요인에 대하여 반복하는 단계와, 상기 조정 된 거리의 합산 값이 상기 제1 질병에 대한 기준치에 미달하는 경우, 상기 검진자의 검진 데이터가 상기 제1 질병의 발병자의 검진 수치로부터 얻어진 제1 질병 통계 모델에 부합하는 것으로 판정 하는 단계를 더 포함할 수도 있다.
일 실시예에서, 상기 제1 질병 통계 모델은 모집단 데이터베이스 제공 장치로부터 제공 된 상기 제1 질병의 발병자의 상기 제1 질병의 각 발병 요인에 대한 검진 수치로부터 얻어진 것이고, 상기 환자 개인 특성 분석 방법은, 상기 검진자의 검진 데이터를 상기 모집단 데이터베이스에 삽입함으로써, 상기 모집단 데이터베이스를 업데이트 하는 단계와, 상기 제1 질병을 가진 다른 검진자의 검진 데이터를 수신하는 단계와, 상기 업데이트 된 모집단 데이터베이스를 이용하여 갱신된 상기 제1 질병 통계 모델을 생성하는 단계를 더 포함할 수 있다.
일 실시예에서, 상기 환자 개인 특성 분석 방법은, 상기 검진자가 상기 제1 질병과 다른 제2 질병을 더 가지는 경우, 상기 제2 질병의 발병자의 검진 수치로부터 얻어진 제2 질병 통계 모델에 대한 상기 검진 데이터의 부합 여부를 판정하고, 상기 판정 결과 부합 되지 않는 것으로 판정 된 경우, 상기 검진자의 검진 데이터 중 상기 제2 질병 통계 모델에 부합하는 일부의 검진 수치만을 이용하여 상기 검진자의 갱신 된 특성 값을 갱신하는 단계를 더 포함할 수 있다.
일 실시예에서, 상기 환자 개인 특성 분석 방법은, 상기 연산 된 특성 값을 이용하여 상기 제1 질병과 다른 제2 질병의 발병 가능성을 예측하는 단계를 더 포함할 수 있다. 이 때, 상기 제2 질병의 발병 가능성을 예측하는 단계는, 상기 일부의 검진 수치에 대하여 상기 특성 값을 가중치로서 반영함으로써, 상기 일부의 검진 수치를 상기 특성 값에 기반하여 조정하는 단계와, 상기 조정 된 일부의 검진 수치를 포함하는 상기 검진자의 검진 데이터가, 상기 제2 질병의 발병자의 검진 수치로부터 얻어진 제2 질병 통계 모델에 부합하는지 여부를 판정함으로써, 상기 제2 질병의 발병 가능성을 예측하는 단계를 포함할 수 있다.
일 실시예에서, 상기 환자 개인 특성 분석 방법은, 상기 환자 개인 특성 분석 장치가, 상기 연산된 특성 값을 개인화 처방 장치에 송신하는 단계와, 상기 개인화 처방 장치가, 상기 특성 값을 이용하여 처방 사항을 조정하는 단계를 더 포함할 수 있다.
본 발명의 다른 실시예에 따른, 환자 개인 특성 분석 방법은, 제1 질병을 가진 검진자의 검진 데이터를 수신하는 단계와, 상기 제1 질병의 발병자의 검진 수치로부터 얻어진 제1 질병 통계 모델에 대한 상기 검진 데이터의부합 여부를 판정하는 단계와, 상기 판정 결과 부합하지 않는 것으로 판정 된 경우, 상기 검진자의 특성 값(α)을 연산하는 단계를 포함한다. 이 때, 상기 검진자의 특성 값은, 상기 제1 질병의 각 발병 요인에 대한 조정 검진 수치들을 합산한 수치와 발병자 기준치가 동일한 값이 되도록 연산 되고, 특정 발병 요인에 대한 상기 조정 검진 수치는, 상기 특정 발병 요인에 대한 상기 검진자의 검진 수치에 상기 특정 발병 요인에 대한 개인화 가중치를 반영한 값이고, 특정 발병 요인에 대한 상기 개인화 가중치는, 상기 특정 발병 요인에 대한 상기 검진자의 검진 수치가 상기 특정 발병 요인에 대한 상기 제1 질병 통계 모델에 부합하는 경우 상기 검진자의 특성 값(α)을 이용하여 지정된 제1 가중치로 설정 되고, 상기 특정 발병 요인에 대한 상기 검진자의 검진 수치가 상기 특정 발병 요인에 대한 상기 제1 질병 통계 모델에 부합하지 않는 경우 상기 검진자의 특성 값(α)을 이용하여 지정 된 제2 가중치로 설정 된다. 상기 제1 가중치와 상기 제2 가중치는 서로 다른 값이다.
일 실시예에서, 상기 제1 가중치는 양(+)의 값인 반면, 상기 제2 가중치는 음(-)의 값일 수 있다.
일 실시예에서, 상기 제1 가중치 및 상기 제2 가중치 모두 양(+)의 값이되, 상기 제1 가중치가 상기 제2 가중치보다 더 큰 값일 수 있다.
본 발명의 또 다른 실시예에 따른 환자 개인 특성 분석 방법은, 제1 질병을 가진 검진자의 검진 데이터를 수신하는 단계와, 상기 제1 질병의 발병자의 검진 수치로부터 얻어진 제1 질병 통계 모델에 대한 상기 검진 데이터의 부합 여부를 판정하는 단계와, 상기 판정 결과 상기 검진 데이터와 상기 제1 질병 통계 모델이 부합하지 않는 경우, 상기 검진 데이터 중 상기 제1 질병 통계 모델에 부합하는 일부의 검진 수치만을 이용하여 상기 검진자의 특성 값을 연산하는 단계를 포함한다.
일 실시예에 따르면, 상기 특성 값을 연산하는 단계는, 상기 검진 데이터 중 상기 제1 질병 통계 모델에 부합하는 검진 수치에 상기 특성 값을 가중치로서 반영한 조정 검진 수치들의 합계가 발병자 기준치가 되도록, 상기 특성 값을 연산하는 단계를 포함할 수 있다. 다른 실시예에 따르면, 상기 특성 값을 연산하는 단계는, 상기 검진 데이터 중 상기 제1 질병 통계 모델에 부합하는 검진 수치에, 상기 검진 수치의 검진 항목에 대한 발병 기여율인 제1 가중치 및 상기 특성 값인 제2 가중치를 모두 반영한 조정 검진 수치들의 합계가 발병자 기준치가 되도록, 상기 특성 값을 연산하는 단계를 포함할 수도 있다. 이 때, 상기 발병자 기준치는 상기 제1 질병 통계 모델에 따른 각 발병 요인 별 검진 수치 중심 값에, 상기 발병 요인의 발병 기여율을 반영한 값들을 합산한 수치일 수 있다.
본 발명의 또 다른 실시예에 따르면, 컴퓨팅 장치와 결합되어, 제1 질병을 가진 검진자의 검진 데이터를 수신하는 단계와, 상기 제1 질병의 발병자의 검진 수치로부터 얻어진 제1 질병 통계 모델에 대한 상기 검진 데이터의 부합 여부를 판정하는 단계와, 상기 판정 결과 상기 검진 데이터와 상기 제1 질병 통계 모델이 부합하지 않는 경우, 상기 검진 데이터 중 상기 제1 질병 통계 모델에 부합하는 일부의 검진 수치만을 이용하여 상기 검진자의 특성 값을 연산하는 단계를 수행하기 위하여, 기록 매체에 기록 된 컴퓨터 프로그램이 제공 될 수 있다.
본 발명의 또 다른 실시예에 따르면, 하나 이상의 프로세서와, 네트워크 인터페이스와, 메모리와, 상기 메모리에 로딩 되어 상기 프로세서에 의하여 수행 되는 컴퓨터 프로그램이 기록 된 스토리지 장치를 포함하는 화자 개인 특성 분석 장치가 제공 될 수 있다. 이 때, 상기 컴퓨터 프로그램은, 상기 네트워크 인터페이스를 통하여 제1 질병을 가진 검진자의 검진 데이터를 수신하는 일련의 인스트럭션(instruction)과, 상기 제1 질병의 발병자의 검진 수치로부터 얻어진 제1 질병 통계 모델에 대한 상기 검진 데이터의 부합 여부를 판정하는 일련의 인스트럭션과, 상기 판정 결과 상기 검진 데이터와 상기 제1 질병 통계 모델이 부합하지 않는 경우, 상기 검진 데이터 중 상기 제1 질병 통계 모델에 부합하는 일부의 검진 수치만을 이용하여 상기 검진자의 특성 값을 연산하는 인스트럭션을 포함한다.
본 발명의 또 다른 실시예에 따르면, 컴퓨팅 장치와 결합되어, 제1 질병을 가진 검진자의 검진 데이터를 수신하는 단계와, 상기 제1 질병의 발병자의 검진 수치로부터 얻어진 제1 질병 통계 모델에 대한 상기 검진 데이터의 부합 여부를 판정하는 단계와, 상기 판정 결과 부합하지 않는 것으로 판정 된 경우, 상기 검진자의 특성 값(α)을 연산하는 단계를 수행하되, 상기 검진자의 특성 값은, 상기 제1 질병의 각 발병 요인에 대한 조정 검진 수치들을 합산한 수치와 발병자 기준치가 동일한 값이 되도록 연산 되고, 특정 발병 요인에 대한 상기 조정 검진 수치는, 상기 특정 발병 요인에 대한 상기 검진자의 검진 수치에, 상기 특정 발병 요인에 대한 개인화 가중치를 반영한 값이고, 특정 발병 요인에 대한 상기 개인화 가중치는, 상기 검진자의 특성 값(α)을 이용하여 결정 된 값인, 기록 매체에 기록 된 컴퓨터 프로그램이 제공 된다.
본 발명의 또 다른 실시예에 따른 환자 개인 특성 분석 장치는, 하나 이상의 프로세서와, 네트워크 인터페이스와, 메모리와, 상기 메모리에 로딩 되어 상기 프로세서에 의하여 수행 되는 컴퓨터 프로그램의 실행 파일이 기록 된 스토리지 장치를 포함한다. 이 때, 상기 컴퓨터 프로그램은, 제1 질병을 가진 검진자의 검진 데이터를 수신하는 일련의 인스트럭션과, 상기 제1 질병의 발병자의 검진 수치로부터 얻어진 제1 질병 통계 모델에 대한 상기 검진 데이터의 부합 여부를 판정하는 일련의 인스트럭션과, 상기 판정 결과 부합하지 않는 것으로 판정 된 경우, 상기 검진자의 특성 값(α)을 연산하는 일련의 인스트럭션을 포함하고, 상기 검진자의 특성 값은, 상기 제1 질병의 각 발병 요인에 대한 조정 검진 수치들을 합산한 수치와 발병자 기준치가 동일한 값이 되도록 연산 된 값이고, 특정 발병 요인에 대한 상기 조정 검진 수치는, 상기 특정 발병 요인에 대한 상기 검진자의 검진 수치에, 상기 특정 발병 요인에 대한 개인화 가중치를 반영한 값이고, 특정 발병 요인에 대한 상기 개인화 가중치는, 상기 검진자의 특성 값(α)을 이용하여 결정 된 값이다.
상기와 같은 본 발명에 따르면, 검진 데이터를 통계 모델에 적용하여 산출 된 질병 예측 결과가 실제 상황과 서로 다른 검진자에 대하여, 상기 검진자의 생체적 특이성 등을 수치화한 특성 값을 제공할 수 있다.
또한, 상기 특성 값을 이용하여 상기 검진자의 개인화 된 의료 서비스를 제공 할 수 있는 효과가 있다.
또한, 상기 특성 값을 이용하여 상기 검진자에 대한 질병 예측 서비스를 제공할 수 있는 효과가 있다.
또한, 상기 검진자의 검진 데이터를 모집단 데이터베이스에 추가함으로써, 일반적인 범주에서 벗어나는 환자들의 데이터를 통계 모델에 반영할 수 있고, 그 결과, 일반적인 범주에서 벗어나는 환자들에 대하여 높은 정확도로 통계 모델에 기반한 질병 예측 서비스를 제공할 수 있는 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 환자 개인 특성 분석 시스템의 구성도이다.
도 2는 본 발명의 다른 실시예에 따른 환자 개인 특성 분석 시스템의 구성도이다.
도 3은 본 발명의 또 다른 실시예에 따른 환자 개인 특성 분석 방법의 순서도이다.
도 4는 도 3에 도시된 발명의 일부 동작에 대한 상세 순서도이다.
도 5 내지 도 6은 모집단 데이터베이스의 특정 질병 발병자에 대한 데이터로부터 상기 특정 질병에 대한 통계 모델을 생성하는 과정을 설명하기 위한 도면이다.
도 7은 도 3에 도시된 발명의 다른 일부 동작에 대한 상세 순서도이다.
도 8은 특정 질병을 가진 검진자의 검진 데이터가 상기 특정 질병에 대한 통계 모델에 부합하는지 여부를 평가하는 방법을 설명하기 위한 도면이다.
도 9는 도 3에 도시된 동작 이후에 수행 될 수 있는 동작을 포함하는 순서도이다.
도 10 내지 도 11은 모집단 DB에 저장 된 질병 발병자들의 데이터를 이용하여 생성 된 통계 모델에 부합하지 않는 질병 발병자들의 검진 데이터를 상기 모집단 DB에 업데이트 하는 경우, 상기 통계 모델이 어떻게 바뀔 수 있는지 설명하기 위한 도면이다.
도 12는 본 발명의 또 다른 실시예에 따른 환자 개인 특성 분석 장치의 블록 구성도이다.
도 13은 본 발명의 또 다른 실시예에 따른 환자 개인 특성 분석 장치의 하드웨어 구성도이다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세히 설명한다. 본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 게시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 본 발명의 게시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다. 본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다.
이하, 도 1을 참조하여 본 발명의 일 실시예에 따른 환자 개인 특성 분석 시스템의 구성 및 동작을 설명한다. 본 실시예에 따른 환자 개인 특성 분석 시스템은, 도 1에 도시된 바와 같이 환자 개인 특성 분석 장치(10), 모집단 데이터베이스 제공 장치(20) 및 병원 건강 검진 관리 장치(30)를 포함할 수 있다.
병원 건강 검진 관리 장치(30)는 건강 검진을 수행한 검진자 들의 검진 데이터를 관리한다. 상기 검진 데이터는 기 지정 된 형태로 가공 되어 모집단 데이터베이스 제공 장치(20)에 제공 될 수 있다. 병원 건강 검진 관리 장치(30)는 각 검진자가 가지고 있는 질병의 목록을 상기 검진 데이터에 부가하여 모집단 데이터베이스 제공 장치(20)에 제공 할 수 있다. 일 실시예에서, 병원 건강 검진 관리 장치(30)는 별다른 질병을 가지고 있지 않은 검진자의 검진 데이터는 모집단 데이터베이스 제공 장치(20)에 제공하지 않는다.
일 실시예에서, 상기 검진 데이터에는 혈액 검사, 조직 검사 등을 통한 검진 항목에 대한 검진 수치뿐만 아니라, 설문 조사(survey)를 통한 생활 습관 관련 검진 항목에 대한 검진 수치도 포함 된다. 병원 건강 검진 관리 장치(30)에는 생체 정보 수집 장치, 웨어러블 디바이스, 스마트 폰 등의 사용자 장치(미도시)가 네트워크를 통하여 연결 되고, 상기 검진 데이터에는 상기 사용자 장치에서 수집된 생활 습관 관련 검진 항목에 대한 검진 수치도 더 포함 될 수 있다. 예를 들어, 상기 검진 데이터에는, 스마트 워치 등 웨어러블 디바이스를 통하여 수집 된 검진자의 운동량 정보가 포함 될 수 있다.
모집단 데이터베이스 제공 장치(20)는 각 개인의 검진 항목 별 검진 수치를 포함하는 모집단 데이터베이스(population database)를 저장하고, 갱신하며, 삭제한다. 상기 모집단 데이터베이스에는 각 개인이 가지고 있는 질병에 대한 정보가 더 포함 된다. 예를 들어, 검진 시점에 각 개인이 가지고 있는 질병의 질병 코드들이 각 개인의 레코드에 매칭(matching) 될 수 있다. 모집단 데이터베이스 제공 장치(20)는, 환자 개인 특성 분석 장치(10)로부터 제1 질병(예를 들어, 당뇨병) 발병자의 검진 수치 데이터에 대한 제공 요청을 수신하면, 상기 모집단 데이터베이스에 포함 된 제1 질병 발병자 각각의 검진 수치 데이터를 환자 개인 특성 분석 장치(10)에 제공한다.
한편, 병원 건강 검진 관리 장치(30)는 제1 질병을 가진 것으로 설문 조사에 체크한 검진자의 검진 데이터를 환자 개인 특성 분석 장치(10)에 송신함으로써, 상기 검진자에 대한 개인 특성 분석을 요청한다. 환자 개인 특성 분석 장치(10)는 상기 검진 데이터를 수신하여, 상기 검진자의 검진 수치가 상기 모집단 데이터베이스에 기록 된 제1 질병 발병자들의 검진 수치와 통계적으로 유사한지 확인한다.
일 실시예에서, 상기 검진자의 검진 데이터가 상기 제1 질병 발병자들의 검진 수치와 통계적으로 유사한지 확인하기 위하여, 환자 개인 특성 분석 장치(10)는 모집단 데이터베이스 제공 장치(20)로부터 제공 받은 제1 질병 발병자들의 검진 수치를 이용하여 상기 제1 질병의 통계 모델을 생성할 수 있다. 환자 개인 특성 분석 장치(10)가 상기 검진 수치가 상기 모집단 데이터베이스에 기록 된 데이터와 통계적으로 유사한지 확인하는 방법과 상기 특성 값을 생성하는 방법은, 추후 보다 자세히 설명한다.
상기 검진자의 검진 수치가 상기 모집단 데이터베이스에 기록 된 제1 질병 발병자들의 검진 수치와 통계적으로 유사하지 않은 경우, 상기 검진자는 다수의 제1 질병 발병자와는 다르게, 기질적인 특이성을 가지는 것으로 이해 될 수 있다. 이 때, 환자 개인 특성 분석 장치(10)는, 상기 검진자의 특성 값을 생성한다. 상기 검진자의 특성 값은, 상기 검진자의 기질적인 특이성을 내포하는 수치로 이해 될 수 있다. 예를 들어, 상기 검진자의 특성 값은 각 검진 항목(또는, 발병 요인이나 환경 요소)에 대한 면역 수준을 나타내는 값들의 집합일 수 있다.
상기 검진자의 특성 값은, 상기 검진자에 대하여 개인화 된 의료 서비스를 제공하기 위해 다양한 방면으로 활용 될 수 있다. 예를 들어, 환자 개인 특성 분석 장치(10)는 상기 생성 된 특성 값을 병원 건강 검진 관리 장치(30)에 송신하고, 병원 건강 검진 관리 장치(30)는 병원 내 개인화 처방 장치(미도시)에 상기 특성 값을 전달할 수 있다. 상기 개인화 처방 장치는 상기 특성 값을 이용하여 상기 검진자에 대하여 기 작성 된 처방 사항을 조정하거나, 의사 단말기에 상기 특성 값을 전달하여, 상기 검진자의 주치의가 기 작성 된 처방 사항을 상기 특성 값에 기반하여 조정하도록 유도할 수 있다.
환자 개인 특성 분석 장치(10)는, 상기 특성 값을 이용하여, 상기 검진자가 체크하지 않은 질병의 발병을 미리 예측할 수도 있다. 상기 검진자에 대하여 제1 질병 내지 제10 질병을 제시하면서, 검진자가 가지고 있는 질병에 체크하도록 설문 조사가 수행 되었다고 가정한다. 상기 설문 조사에서 상기 검진자가 제1 질병을 가지고 있는 것으로 체크한 반면, 제2 내지 10 질병은 가지고 있지 않은 것으로 설문 조사에서 응답했다고 하자. 그리고 상기 검진자는 실제로는 제2 질병을 가지고 있다고 하자. 환자 개인 특성 분석 장치(10)는 상기 모집단 데이터베이스의 상기 제2 질병 발병자들의 데이터를 이용하여 생성 된 제2 질병 통계 모델에, 상기 검진자의 검진 데이터가 부합하는지 여부를 판단할 수 있다. 이 때, 환자 개인 특성 분석 장치(10)는 상기 검진자의 검진 데이터 중 일부 검진 수치에 상기 특성 값을 가중치로서 반영한 후, 그 검진 수치들이 상기 제2 질병 통계 모델에 부합하는지 여부를 판단할 수 있다.
검진자의 기질적인 특이성을 감안하면, 상기 특성 값을 고려하지 않고 검진 데이터를 원래 검진 수치 그대로 상기 제2 질병 통계 모델과 비교했다면, 상기 검진 데이터가 제2 질병 통계 모델과 부합하지 않는다는 판단이 내려지고, 그 결과 상기 검진자가 제2 질병에 걸릴 가능성이 낮다고 예측 될 가능성이 높다. 반면에, 본 실시예에서는, 검진자가 평균적인 사람보다 특히 약한 면역력을 가지는 취약 발병 요인에 상기 특성 값을 가중치로서 반영함으로써, 상기 검진자가 상기 취약 발병 요인에 대하여 평균적인 수준의 면역력을 가지고 있다고 전제하여 잘못 된 판단을 하는 것을 방지할 수 있다. 상기 특성 값을 이용하여 검진자의 질병 발병 가능성을 예측하는 방법에 대하여도 추후 자세히 설명하기로 한다.
환자 개인 특성 분석 장치(10)는 제1 질병을 가진 것으로 체크한 상기 검진자의 검진 수치가 상기 모집단 데이터베이스에 기록 된 제1 질병 발병자들의 검진 수치와 통계적으로 유사하지 않은 경우, 상기 검진자의 검진 데이터가 새로운 형태의 제1 질병 발병 패턴으로써 상기 모집단 데이터베이스에 누적 될 수 있도록, 상기 검진자의 검진 수치들을 모집단 데이터베이스 제공 장치(20)에 송신할 수 있다. 상기 검진자와 유사한 패턴의 검진 수치를 가진 검진자의 검진 기록이 상기 모집단 데이터베이스에 충분히 누적 되면, 상기 검진자의 검진 수치도 통계 모델에 반영 될 수 있을 것이다. 따라서, 추후에는 상기 검진자와 유사한 기질적 특이성을 가진 다른 검진자들에 대하여 상기 제1 질병의 발병 가능성이 있는 점을 통계적으로 예측할 수 있을 것이다.
이미 설명한 바와 같이, 모집단 데이터베이스 제공 장치(20)는, 환자 개인 특성 분석 장치(10)의 요청에 응답하여, 특정 질병의 발병자들의 검진 수치를 환자 개인 특성 분석 장치(10)에 송신한다. 환자 개인 특성 분석 장치(10)는 모집단 데이터베이스 제공 장치(20)로부터 제공 받은 제1 질병 발병자들의 검진 수치를 이용하여 상기 제1 질병의 통계 모델을 생성한다. 그런데, 제1 질병 발병자의 수가 많은 경우, 모집단 데이터베이스 제공 장치(20)와 한자 개인 특성 분석 장치(10) 사이에 과다한 네트워크 트래픽 부하에 의한 성능 측면의 문제가 발생할 수 있다.
이러한 문제를 해결하기 위하여, 도 1에 도시된 바와 달리, 모집단 데이터베이스 제공 장치(20) 및 환자 개인 특성 분석 장치(10)는 물리적으로 동일한 하나의 컴퓨팅 장치 내부에 구현 될 수도 있다.
또한, 상기 문제를 해결하기 위하여, 도 2에 도시된 바와 같이 모집단 데이터베이스 제공 장치(20)가 질병 발병자의 검진 수치로부터 생성 된 질병 통계 모델을 제공할 수도 있다. 즉, 이 경우에는 모집단 데이터베이스 제공 장치(20)가 직접 각 질병 발병자들의 검진 수치를 이용하여 통계 모델을 생성하고, 생성 된 통계 모델을 환자 개인 특성 분석 장치(10)에 제공한다. 각 질병 발병자들의 검진 수치를 이용하여 통계 모델을 생성하는 방법에 대하여는 추후 구체적으로 설명하기로 한다.
이하, 본 발명의 몇몇 실시예들에 따른 환자 개인 특성 분석 방법에 대하여 도 3 내지 도 11을 참조하여 설명한다. 상기 환자 개인 특성 분석 방법은 컴퓨팅 장치에 의하여 수행 될 수 있다. 상기 컴퓨팅 장치는, 예를 들어 도 1 및 도 2에 도시 된 환자 개인 특성 분석 장치(10)일 수 있다. 이하, 이해의 편의를 위하여 상기 환자 개인 특성 분석 방법에 포함 되는 각 동작의 수행 주체는 그 기재가 생략 될 수 있음을 유의한다.
도 3은 본 실시예에 따른 환자 개인 특성 분석 방법을 개략적으로 설명하는 순서도이다. 도 3에 도시 된 바와 같이, 특정 질병(도 3에서는 제1 질병)을 가진 것으로 체크한 검진자의 검진 데이터가 수신되면(S100), 상기 특정 질병의 통계 모델을 얻고(S200), 상기 수신 된 검진 데이터가 상기 통계 모델에 부합하는 지 여부를 판정하고(S300), 부합하지 않는 것으로 판정 된 경우, 상기 검진자의 특성 값(이하, 명세서의 일부 기재 또는 도면에서, 특성 값이 기호 α로 표현 될 수 있음)을 연산한다(S400).
한편, 상기 수신 된 검진 데이터가 상기 통계 모델에 부합하는 것으로 판정 된다면, 상기 검진자는 일반적인 범주에 포함 되는 수준의 기질적 특징을 가지는 것을 의미한다. 따라서, 상기 검진자에 대하여는 통상적인 진료 및 처방을 수행하면 될 것이다(S302).
본 발명의 실시예들에 따라 특성 값을 생성하는 대상은 일반적인 범주에 포함 되지 않는 수준의 기질적 특이성을 가지는 환자이다. 본 발명의 실시예들은, 특정 질병을 가지고 있는 것으로 설문 조사에서 체크를 했음에도 불구하고, 검진 데이터가 상기 특정 질병의 통계 모델에 부합되지 않는 환자를, 상기 일반적인 범주에 포함 되지 않는 수준의 기질적 특이성을 가지는 환자로 본다.
이하, 도 3을 참조하여 설명한 환자 개인 특성 분석 방법을 각 세부 동작 별로 보다 자세하게 설명한다.
먼저, 도 4를 참조하여 특정 질병(제1 질병)의 통계 모델을 생성하는 방법(S200)을 보다 자세히 설명한다.
먼저, 모집단 데이터베이스에 모든 제1 질병 발병자의 검진 수치를 요청할 수 있다(S210). 일 실시예에서, 모집단 데이터베이스에 제1 질병 발병자의 검진 수치 중, 상기 제1 질병의 발병 요인과 관련 있는 검진 수치만을 요청할 수 있다. 이하, 제1 질병의 발병 요인을 {Dfactor1, Dfactor2, ..., Dfactorn}과 같이 표현한다. 아래 표 1은 제1 질병 발병 요인의 예시이다.
환경요소 발병 기여율
식습관(K1) 50%
운동량(L1) 30%
비만지수(K2) 10%
스트레스(K3) 7%
영양균형(L2) 3%
기타 (L3) 1%
한편, 본 발명의 몇몇 실시예들에서, 각 발병 요인은 서브 발병 요인(sub-factor)으로 구성 된다. 즉, Dfactor1 = {Dfactor11, Dfactor12, Dfactor13, ..., Dfactor1n}일 수 있다. 예를 들어, Dfactor1 = 식습관(K1)을 예로 들면, 식습관 = {식사량(Dfactor11), 잡곡여부(Dfactor12)}일 수 있다.
다음으로, 각 발병 요인 별로 모집단 데이터베이스의 각 발병자의 검진 수치를 가리키는 포인트를 n 차원 공간(n은 Dfactori 의 서브 발병 요인 개수) 상에 매핑(mapping) 한다(S220). Dfactor1을 예로 들면, 제1 축이 Dfactor11의 값이고, 제2 축이 Dfactor12의 값인 2 차원 평면 상에, 모집단 데이터베이스의 각 발병자의 검진 수치를 가리키는 포인트가 표시 된다(도 5 참조).
다음으로, 밀도 기반 클러스터링(Density-based spatial clustering)을 통해, Dfactor1에 대한 대표 클러스터를 얻는다(S230, S240). 이 때, n 차원 공간 상에 매핑 된 모든 포인트에 대하여 그 포인트를 중심점으로 하여 반경(ε) 이내에, 기 지정 된 개수(p)의 포인트가 존재하는 경우 상기 대표 클러스터가 성립 되는 것으로 판정한다.
일 실시예에서, 반경(ε) 이내에, 기 지정 된 개수(p)의 포인트가 존재하는 포인트가 존재하지 않는 경우, 상기 반경(ε) 및 개수(p) 중 적어도 하나를 조정한 후, n 차원 공간 상에 매핑 된 모든 포인트에 대하여 그 포인트를 중심점으로 하여 조정 된 반경(ε) 이내에, 조정 된 개수(p)의 포인트가 존재하는 경우 상기 대표 클러스터가 성립 되는 것으로 판정한다. 이 때, 상기 반경(ε)을 증가시키거나, 상기 개수(p)를 감소시키는 방식으로 상기 반경(ε) 및 개수(p) 중 적어도 하나를 조정할 수 있다.
일 실시예에서, 복수 개의 대표 클러스터가 성립 되는 것을 허용할 수 있다. 도 6에는 2차원 평면 상에서 두 개의 대표 클러스터(41, 42)가 성립한 상황이 도시되어 있다.
다른 실시예에서, 대표 클러스터 성립 요건을 만족하는 포인트가 복수 개 존재한다면, 상기 복수 개의 중심점 중 상기 반경(ε) 이내에 최대한 많은 포인트가 존재하는 하나의 중심점을 선정하여, 그 중심점을 기준으로 단 하나의 대표 클러스터를 선정할 수 있다.
또 다른 실시예에서, 대표 클러스터 성립 요건을 만족하는 포인트가 복수 개 존재한다면, 상기 반경(ε)을 좁혀 가면서 최대한 많은 포인트가 존재하는 하나의 중심점을 선정하여, 그 중심점을 기준으로 단 하나의 대표 클러스터를 선정할 수 있다. 또 다른 실시예에서, 대표 클러스터 성립 요건을 만족하는 포인트가 복수 개 존재한다면, 상기 반경(ε)을 넓혀 가면서 최대한 많은 포인트가 존재하는 하나의 중심점을 선정하여, 그 중심점을 기준으로 단 하나의 대표 클러스터를 선정할 수 있다. 도 5에는 2차원 평면 상에서 단 하나의 대표 클러스터(40) 만 성립한 상황이 도시되어 있다.
Dfactor1 에 대한 상기 대표 클러스터는, Dfactor1 에 대한 통계 모델로서 사용 된다.
Dfactori에 대한 통계 모델을 얻는 상기 일련의 동작(S220, S230, S240)은, 각 Dfactori (2 <= i <= n)에 대하여 추가로 수행 된다(S250). 각 발병 요인의 통계 모델이 상기 제1 질병의 통계 모델을 구성한다.
다음으로, 검진자의 검진 데이터가 통계 모델에 부합하는지 여부를 판정하는 방법(S300)을 도 7을 참조하여 보다 자세히 설명한다.
먼저, 검진자의 각 Dfactori 별 검진 수치가 Dfactori의 통계 모델에 부합하는지 평가하는 것을 모든 Dfactori에 대하여 반복한다(S310). 이 때, Dfactor1의 검진 수치가 Dfactor1의 통계 모델에 부합하는지 평가하는 것은, 상기 검진자의 검진 데이터의 상기 제1 발병 요인(Dfactor1)에 속한 복수의 서브 발병 요인에 대한 검진 수치들을 이용하여, 상기 검진자의 상기 제1 발병 요인에 대한 검진 수치를 가리키는 검진자 포인트를, 상기 n 차원 공간 상에 매핑 하는 A 단계와, 상기 검진자 포인트가 상기 제1 발병 요인에 대한 대표 클러스터에 속하는지 여부를 판정함으로써, 상기 검진자의 상기 제1 발병 요인에 대한 검진 수치가 상기 제1 질병 통계 모델에 부합하는지 여부를 판정하는 B 단계를 포함한다.
도 8을 참조하여 상기 A 단계와 B 단계를 설명한다. 검진자의 검진 데이터에는 Dfactor1(식습관)의 검진 수치는 별도로 존재하지 않고, Dfactor11(식사량), Dfactor12(잡곡여부), Dfactor13(채식섭취비율)의 검진 수치만 존재할 수 있다. 이 때, 검진자의 Dfactor1에 대한 검진 수치(Cfactor1)는, 제1 축으로 Dfactor11(식사량)의 값, 제2 축으로 Dfactor12(잡곡여부)의 값, 제3 축으로 Dfactor13(채식섭취비율)의 값을 각각 가지는 3차원 공간 상에 하나의 포인트로 표현 된다.
일 실시예에서, Cfactor1에 대응 되는 포인트와 Dfactor1의 대표 클러스터의 중심점 사이의 거리(Euclidean Distance)가 Dfactor1의 대표 클러스터의 반경(ε) 이하인 경우, 검진자의 상기 제1 발병 요인에 대한 검진 수치가 상기 제1 질병 통계 모델에 부합하는 것으로 평가한다. 이 때, Cfactor1에 대응 되는 포인트와 Dfactor1의 대표 클러스터의 중심점 사이의 거리(Euclidean Distance)가 Dfactor1의 대표 클러스터의 반경(ε)을 초과하는 경우, 검진자의 상기 제1 발병 요인에 대한 검진 수치가 상기 제1 질병 통계 모델에 부합하지 않는 것으로 평가한다.
다른 실시예에서, Cfactor1에 대응 되는 포인트와 Dfactor1의 대표 클러스터의 중심점 사이의 거리가, 상기 Dfactor1의 대표 클러스터의 중심점과 상기 Dfactor1의 대표 클러스터의 다른 포인트 사이의 거리의 최소 값과 최대 값 사이인 경우, 검진자의 상기 제1 발병 요인에 대한 검진 수치가 상기 제1 질병 통계 모델에 부합하는 것으로 평가하고, 그렇지 않은 경우, 검진자의 상기 제1 발병 요인에 대한 검진 수치가 상기 제1 질병 통계 모델에 부합하지 않는 것으로 평가한다.
다음으로, 상기 검진 데이터의 각 Dfactori 별 평가 결과를 집계 한다(S320). 제1 질병을 가진 검진자의 검진 데이터의, 제1 질병에 대한 각 Dfactori 별 평가 결과가 아래의 표 2와 같다고 가정하자. 이하, 제1 질병의 가진 검진자의 상기 검진 데이터가 전체적으로 제1 질병의 통계 모델에 부합하는지 여부를 판정하는 몇가지의 실시예들을 설명한다.
Dfactori 발병 기여율(DCRi) 통계 모델 부합 여부
식습관(K1) 50% O
운동량(L1) 30% X
비만지수(K2) 10% O
스트레스(K3) 7% O
영양균형(L2) 3% X
기타 (L3) 1% X
검진 데이터가 제1 질병의 통계 모델에 부합하는지 여부를 판정하는 제1 실시예에서, 상기 검진 데이터가 모든 Dfactori의 통계 모델에 부합하는 것으로 판정된 경우에 한하여, 상기 검진 데이터가 상기 제1 질병의 통계 모델에 부합하는 것으로 최종 판정 될 수 있다. 즉, 하나의 Dfactori의 통계 모델이라도 부합하지 않는 것으로 판정 된 경우에는, 그 검진 데이터는 전체적으로 제1 질병의 통계 모델에 부합하지 않는 것으로 본다.
검진 데이터가 제1 질병의 통계 모델에 부합하는지 여부를 판정하는 제2 실시예에서, 상기 검진 데이터의 Dfactori 별 평가 결과는 아래의 표 3과 같이 집계 될 수 있다. 아래의 표 3에서, Dfactori에 대한 검진자의 검진 수치가 Dfactori의 통계 모델에 부합하는 것으로 판단 된 경우, Dfactori의 발병 기여율에 기반하여 결정 된 포인트가 Dfactori에 대하여 부여 되고, 부여 된 포인트가 합산 된다.
Dfactori 발병 기여율(DCRi) 통계 모델 부합 여부 포인트
식습관(K1) 50% O 50
운동량(L1) 30% X 0
비만지수(K2) 10% O 10
스트레스(K3) 7% O 7
영양균형(L2) 3% X 0
기타 (L3) 1% X 0
합계 67
상기 포인트 합산 값이, 제1 질병에 대한 기준치를 초과하는 경우(S330), 상기 검진자의 검진 데이터가 상기 제1 질병의 발병자의 검진 수치로부터 얻어진 제1 질병 통계 모델에 부합하는 것으로 최종 판정하고(S340), 그렇지 않은 경우, 상기 검진자의 검진 데이터가 상기 제1 질병 통계 모델에 부합하지 않는 것으로 최종 판정할 수 있다(S350). 표 3에 표시된 예에서, 상기 제1 질병에 대한 기준치가 80이라면, 상기 검진자는 상기 제1 질병 통계 모델에 부합하지 않는 기질적인 특이성을 가진 환자인 것으로 최종 판정 될 것이다.
일 실시예에서, 상기 기준치는 각 질병에 대하여 다르게 지정 될 수 있다. 다른 실시예에서, 상기 기준치는 모든 질병에 대하여 동일한 값으로 지정 될 수도 있다.
본 실시예에서, 검진자의 검진 데이터가 통계 모델에 부합하는지 여부를 판정하기 위하여, 아래의 동작이 수행 되는 것으로 정리할 수 있다.
제1 동작: 상기 검진자의 상기 제1 발병 요인에 대한 검진 수치를 가리키는 검진자 포인트가 상기 제1 발병 요인에 대한 대표 클러스터에 속하는 경우, 상기 제1 발병 요인의 발병 기여율에 기반하여 결정 된 포인트를 부여함.
제2 동작: 상기 포인트를 부여하는 단계를 상기 제2 내지 M 발병 요인에 대하여 반복함.
제3 동작: 상기 부여 된 포인트의 합산 값이 상기 제1 질병에 대한 기준치를 초과하는 경우, 상기 검진자의 검진 데이터가 상기 제1 질병의 발병자의 검진 수치로부터 얻어진 제1 질병 통계 모델에 부합하는 것으로 판정함.
검진 데이터가 제1 질병의 통계 모델에 부합하는지 여부를 판정하는 제3 실시예에서, 상기 검진 데이터의 Dfactori 별 평가 결과는 아래의 표 4와 같이 집계 될 수도 있다. 표 4에는 Dfactori 별로 대표 클러스터의 중심점과, 검진자의 검진 데이터 중 Dfactori에 해당하는 검진 수치에 대한 데이터인 Dfactori사이의 n 차원 공간(n은 Dfactori 의 서브 발병 요인 개수) 상의 거리(Euclidean Distance)가 더 표시 되어 있다. 상기 거리는 각 Dfactori에 대한 통계 모델 부합 여부 판정 시에 연산된 수치이다.
DFactori 발병 기여율(DCRi) 통계 모델
부합 여부		 대표 클러스터 중심점과 CFactori 사이의 거리
(ㅿCFactori)		 조정 된
거리
(=포인트)
식습관(K1) 50% O 5 250(50*5)
운동량(L1) 30% X 30 0
비만지수(K2) 10% O 7 70(10*7)
스트레스(K3) 7% O 6 42(7*6)
영양균형(L2) 3% X 40 0
기타 (L3) 1% X 35 0
합계 362
표 4에 표시 된 방식은, 대표 클러스터에 속하는 것으로 판단 되어 모두 동일한 포인트를 부여하는 것이 아니고, 대표 클러스터에 속하더라도 대표 클러스터의 중심점에 얼마나 가까이 있는지 더 평가하는 점에서, 표 3에 표시된 방식과 다르다. 또한, 표 4에 표시 된 방식에서는, 포인트 합계가 낮을수록 통계 모델에 부합하는 것으로 최종 판정 되는 점에서도 표 3에 표시된 방식과 다르다.
본 실시예에서, 검진자의 검진 데이터가 통계 모델에 부합하는지 여부를 판정하기 위하여, 아래의 동작이 수행 되는 것으로 정리할 수 있다.
제1 동작: 검진자의 제1 발병 요인(Dfactor1)에 대한 검진 수치를 가리키는 검진자 포인트와 상기 제1 발병 요인(Dfactor1)에 대한 대표 클러스터의 중심점 사이의 거리를 연산함.
제2 동작: 상기 연산 된 거리에 제1 발병 요인(Dfactor1)의 발병 기여율에 기반하여 결정 된 가중치를 반영하여 상기 검진자 포인트와 상기 중심점 사이의 거리를 조정함.
제3 동작: 상기 거리를 조정하는 동작을 상기 제2 내지 M 발병 요인(Dfactor2 내지 DfactorM)에 대하여 반복하는 동작
제4 동작: 상기 조정 된 거리의 합산 값이 상기 제1 질병에 대한 기준치에 미달하는 경우, 상기 검진자의 검진 데이터가 상기 제1 질병의 발병자의 검진 수치로부터 얻어진 제1 질병 통계 모델에 부합하는 것으로 판정 하는 동작.
일 실시예에서, 상기 기준치는 각 질병에 대하여 다르게 지정 될 수 있다. 다른 실시예에서, 상기 기준치는 모든 질병에 대하여 동일한 값으로 지정 될 수도 있다.
지금까지, 제1 질병의 가진 검진자의 검진 데이터가 제1 질병의 통계 모델에 부합하는지 여부를 판정하는 실시예들을 설명하였다. 이하, 상기 검진 데이터가 제1 질병의 통계 모델에 부합하지 않는 것으로 판정 되었으나 실제로는 상기 제1 질병을 가지고 있는 검진자의 특성 값을 연산하는 동작을 자세히 설명한다.
이하, 특성 값을 연산하는 제1 실시예를 설명한다.
본 실시예에 따르면, 상기 검진 데이터 중 상기 제1 질병의 통계 모델에 부합하는 일부의 검진 수치만을 이용하여 상기 검진자의 특성 값을 연산할 수 있다.
Dfactori 발병 기여율(DCRi) 통계 모델 부합 여부
식습관(i=1) 50% X
운동량(i=2) 30% X
비만지수(i=3) 10% O
스트레스(i=4) 7% O
영양균형(i=5) 3% X
기타(i=6) 1% X
제1 질병을 가진 어떤 검진자의 검진 데이터가 상기 제1 질병의 통계 모델에 표 5와 같이 부합하는 것으로 분석 된 상황을 가정한다. 표 5의 분석 결과는, 이 검진자가 높은 발병 기여율을 가지는 식습관 항목에서, 제1 질병의 발병자들이 가지는 식습관과는 다른 식습관을 가지고 있고, 다음으로 높은 발병 기여율을 가지는 운동량 항목에서도 제1 질병의 발병자들이 가지는 운동량과는 다른 운동량을 가지는 것을 의미한다. 즉, 이 검진자는 올바른 식습관을 가지고 있고, 적절한 운동량을 가지고 있다. 그럼에도 불구하고 제1 질병에 걸린 것으로 보아, 이 검진자는, 비만지수 항목, 스트레스 항목이 제1 질병에 미치는 영향이 일반적인 사람보다 더 크다.
이러한 기질적 특이성을 반영하기 위하여, 이 검진자를 위한 특성 값(α)는 아래의 수식을 통하여 연산 될 수 있다. 표 5에 대하여, 본 실시예에 따른 방식으로 검진자의 특성 값(α)를 구하기 위한 수학식 3이 제공 된다. 아래의 수학식에서 'T'는 발병자 기준치를 가리킨다.
Figure 112014102659732-pat00001
CFactor3는 비만지수에 대한 검진 수치를 가리키고, CFactor4는 스트레스에 대한 검진 수치를 가리킨다. 수학식 1에 기재된 바와 같이, 본 실시예에서는, 상기 특성 값을 연산하는데 있어서 검진 데이터 중 제1 질병의 통계 모델에 부합하지 않는 검진 수치는 이용 되지 않는다.
이하, CFactori는 DFactori에 대한 검진 수치를 가리키는 검진자 포인트와 n 차원 공간의 원점 사이의 거리를 의미한다. 즉, CFactori는 n 차원 공간 상에 존재하는 검진자 포인트의 위치를 스칼라(scalar)량으로 수치화 시킨 것이다.
상기 수학식 1을 일반화 하면, 상기 수학식 1은 검진 데이터의 검진 수치 중 통계 모델에 부합하는 검진 수치 각각에 대하여 (CFactori* α)를 연산하고, (CFactori* α) 전체를 합친 수치가 상기 발병자 기준치가 되도록 하는 것이다.
일 실시예에서, 상기 발병자 기준치(T)는 기 지정된 수치이다. 예를 들어, 상기 발병자 기준치(T)는 '1'일 수 있다.
다른 실시예에서, 상기 발병자 기준치(T)는, 각 발병 요인(DFactori)별 검진 수치 중심 값(DF_MIDi)을, 모든 발병 요인에 대하여 합산하여 연산 된 값일 수 있다. 수학식 2는 본 실시예에서 발병자 기준치(T)를 연산하는 수식이다.
Figure 112014102659732-pat00002
DFactori에 대한 상기 검진 수치 중심 값(DF_MIDi)은 DFactori의 대표 클러스터의 중심점과 n 차원 공간의 원점 사이의 거리를 의미하거나, DFactori의 대표 클러스터에 속한 각 포인트와 n 차원 공간의 원점 사이의 거리에 대한 평균 값일 수 있다.
이하, 특성 값을 연산하는 제2 실시예를 설명한다.
상기 수학식 1에는 각 DFactori의 발병 기여율(DCRi)이 반영 되어 있지 않다. 반면, 본 실시예에 따르면, 상기 검진 데이터 중 상기 제1 질병 통계 모델에 부합하는 검진 수치에, 상기 검진 수치의 검진 항목에 대한 발병 기여율인 제1 가중치 및 상기 특성 값인 제2 가중치를 모두 반영한 조정 검진 수치들의 합계가 상기 발병자 기준치(T)가 되도록, 상기 특성 값을 연산할 수 있다. 표 5에 대하여, 본 실시예에 따른 방식으로 검진자의 특성 값(α)를 구하기 위한 수학식 3이 제공 된다.
Figure 112014102659732-pat00003
일 실시예에서, 상기 발병자 기준치(T)는 기 지정된 수치이다. 예를 들어, 상기 발병자 기준치(T)는 '1'일 수 있다.
다른 실시예에서, 상기 발병자 기준치(T)는, 각 발병 요인(DFactori)별 검진 수치 중심 값(DF_MIDi)에 발병 기여율을 가중치로서 반영한 후 합산하여 연산 된 값일 수 있다. 수학식 4는 본 실시예에서 발병자 기준치(T)를 연산하는 수식이다.
Figure 112014102659732-pat00004
DFactori에 대한 상기 검진 수치 중심 값(DF_MIDi)은 DFactori의 대표 클러스터의 중심점과 n 차원 공간의 원점 사이의 거리를 의미하거나, DFactori의 대표 클러스터에 속한 각 포인트와 n 차원 공간의 원점 사이의 거리에 대한 평균 값일 수 있다.
이하, 특성 값을 연산하는 제3 실시예를 설명한다.
본 실시예에 따르면, 특성 값을 연산할 때, 통계 모델에 부합하는 발병 요인(DFactori)과 그렇지 않은 발병 요인(DFactorj)에 대하여 가중치를 달리 하여 연산한다. 즉, 특성 값을 연산하는 제1 실시예 및 제2 실시예와는 달리, 검진 데이터가 통계 모델에 부합하지 않는 발병 요인의 검진 수치(CFactorj)도 특성 값 연산에 이용된다.
특성 값을 연산하는 제1 실시예 및 제2 실시예에 따르면, 검진 데이터가 통계 모델에 부합하는 발병 요인의 검진 수치(CFactori)에 대하여는 가중치가 상기 특성 값(α)이 되고, 검진 데이터가 통계 모델에 부합하지 않는 발병 요인의 검진 수치(CFactorj)에 대하여는 가중치가 0이 된다. 반면에, 특성 값을 연산하는 제3 실시예에 따르면, 검진 데이터가 통계 모델에 부합하는 발병 요인의 검진 수치(CFactori)에 대하여는 제1 가중치가 적용되고, 검진 데이터가 통계 모델에 부합하지 않는 발병 요인의 검진 수치(CFactorj)에 대하여는 상기 제1 가중치와 다른 제2 가중치가 적용 된다.
상기 제1 가중치 및 제2 가중치 모두 상기 특성 값(α)을 이용하여 지정 될 수 있다. 예를 들어, 상기 제1 가중치는 Aα이고, 상기 제2 가중치는 Bα일 수 있다(A≠B).
일 실시예에서, 상기 제1 가중치는 양(+)의 값인 반면, 상기 제2 가중치는 음(-)의 값일 수 있다.
일 실시예에서, 상기 제1 가중치 및 상기 제2 가중치 모두 양(+)의 값이되, 상기 제1 가중치가 상기 제2 가중치보다 더 큰 값일 수 있다.
본 실시예에 따르면 아래와 같다. 아래의 수학식 3도 표 5에 대한 것이다. 아래의 수학식 5는 상기 제1 가중치가 2α이고, 상기 제2 가중치는 α인 점을 전제로 한다.
Figure 112014102659732-pat00005
다른 실시예에서, 상기 발병자 기준치(T)는, 각 발병 요인(DFactori)별 검진 수치 중심 값(DF_MIDi)에 발병 기여율을 가중치로서 반영한 후 합산하여 연산 된 값일 수 있다. 수학식 4는 본 실시예에서 발병자 기준치(T)를 연산하는 수식이다.
DFactori에 대한 상기 검진 수치 중심 값(DF_MIDi)은 DFactori의 대표 클러스터의 중심점과 n 차원 공간의 원점 사이의 거리를 의미하거나, DFactori의 대표 클러스터에 속한 각 포인트와 n 차원 공간의 원점 사이의 거리에 대한 평균 값일 수 있다.
발병자 기준치본 실시예를 정리하여 설명하면 다음과 같다.
제1 규칙: 상기 검진자의 특성 값은, 상기 제1 질병의 각 발병 요인에 대한 조정 검진 수치들을 합산한 수치와 발병자 기준치(T)가 동일한 값이 되도록 연산 됨.
제2 규칙: 특정 발병 요인에 대한 상기 조정 검진 수치는, 상기 특정 발병 요인에 대한 상기 검진자의 검진 수치에 상기 특정 발병 요인에 대한 개인화 가중치를 반영한 값임.
제3 규칙: 특정 발병 요인에 대한 상기 개인화 가중치는, 상기 특정 발병 요인에 대한 상기 검진자의 검진 수치가 상기 특정 발병 요인에 대한 상기 제1 질병 통계 모델에 부합하는 경우 상기 검진자의 특성 값(α)을 이용하여 지정된 제1 가중치로 설정 되고, 상기 특정 발병 요인에 대한 상기 검진자의 검진 수치가 상기 특정 발병 요인에 대한 상기 제1 질병 통계 모델에 부합하지 않는 경우 상기 검진자의 특성 값(α)을 이용하여 지정 된 제2 가중치로 설정 됨.
제4 규칙: 상기 제1 가중치와 상기 제2 가중치는 서로 다른 값임.
이하, 특성 값을 연산하는 제4 실시예를 설명한다.
본 실시예에 따르면, 특성 값을 연산할 때, 통계 모델에 부합하는 발병 요인(DFactori)별로 가중치를 달리 하여 연산한다. 본 실시예에 따른 방식으로 검진자의 특성 값(α)을 구하기 위한 수학식 6이 제공된다.
Figure 112014102659732-pat00006
수학식 6에 표시된 바와 같이, 각 발병 요인(DFactori)에 대한 가중치(Aiα)는 상기 검진자의 특성 값(α)을 이용하여 결정된다. 예를 들어, Ai는 DFactori에 대한 검진 수치를 가리키는 검진자 포인트와 DFactori의 대표 클러스터의 중심점 사이의 거리(Euclidean Distance)인 이격 거리를 바탕으로 결정되는 값일 수 있다. 예를 들어, Ai는 상기 이격 거리에 비례하는 값이거나, 반비례하는 값일 수 있다. 본 발명의 실시예는, Ai의 설정에 대한 상기 예시로 제한되지 않으며, 상기 언급되지 않은 다양한 기준에 의하여 Ai가 설정 될 수 있음을 유의한다.
일 실시예에서, 상기 발병자 기준치(T)는 기 지정된 수치이다. 예를 들어, 상기 발병자 기준치(T)는 '1'일 수 있다.
다른 실시예에서, 상기 발병자 기준치(T)는, 각 발병 요인(DFactori)별 검진 수치 중심 값(DF_MIDi)에 발병 기여율을 가중치로서 반영한 후 합산하여 연산 된 값일 수 있다. 수학식 4는 본 실시예에서 발병자 기준치(T)를 연산하는 수식이다.
DFactori에 대한 상기 검진 수치 중심 값(DF_MIDi)은 DFactori의 대표 클러스터의 중심점과 n 차원 공간의 원점 사이의 거리를 의미하거나, DFactori의 대표 클러스터에 속한 각 포인트와 n 차원 공간의 원점 사이의 거리에 대한 평균 값일 수 있다.
이하, 특성 값을 연산하는 제5 실시예를 설명한다.
본 실시예에 따르면, 특성 값을 연산할 때, 통계 모델에 부합하는 발병 요인(DFactori)별로 가중치를 달리 하여 연산한다. 즉, 본 실시예에서는 각 발병 요인 별로 서로 다른 특성 값이 연산 될 수 있다. 이 때, 상기 검진자에 대한 상기 특성 값은 각 발병 요인에 대한 일련의 특성 값을 의미한다. 본 실시예에 따른 방식으로 검진자의 특성 값(αi , 1<=i<=M)을 구하기 위한 수학식 7이 제공된다.
Figure 112014102659732-pat00007
본 실시예에 따르면, 제1 질병에 대한 수학식 7, 제2 질병에 대한 수학식 7, .. 제n 질병에 대한 수학식 7이 각각 생성되고, 생성 된 수학식들을 이용하여 연립방정식을 푸는 방식으로 각 발병 요인(DFactori)에 대한αi를 구할 수 있다.
이하, 도 9를 참조하여, 상기 설명 된 방식으로 생성 되는 검진자의 특성 값을 어떤 용도로 활용할 수 있는지 설명한다.
먼저, 상기 특성 값을 이용하여 설문 조사에서 체크하지 않은 다른 질병에 대하여 발병 여부를 미리 예측할 수 있다(S500).
검진자에 대하여 제1 질병 내지 제10 질병을 제시하면서, 검진자가 가지고 있는 질병에 체크하도록 설문 조사가 수행 되었다고 가정한다. 상기 설문 조사에서 상기 검진자가 제1 질병을 가지고 있는 것으로 체크한 반면, 제2 내지 10 질병은 가지고 있지 않은 것으로 설문 조사에서 응답했다고 하자. 그리고 상기 검진자는 실제로는 제2 질병을 가지고 있다고 하자. 환자 개인 특성 분석 장치(10)는 상기 모집단 데이터베이스의 상기 제2 질병 발병자들의 데이터를 이용하여 생성 된 제2 질병 통계 모델에, 상기 검진자의 검진 데이터가 부합하는지 여부를 판단할 수 있다.
상기 검진자의 검진 데이터를 제1 질병에 대한 통계 모델과 비교한 결과, 상기 검진 데이터가 상기 통계 모델에 합치하지 않는 것으로 판정 되었고, 특성 값을 연산하는 제1 실시예에 따라 상기 검진자의 특성 값이 연산 되었다고 하자. 그 결과가 표 5에 표시 된 것과 같으며, 제2 질병 통계 모델의 발병 인자에도 비만지수 및 스트레스가 포함 된다고 하자. 이 때, 검진자의 검진 데이터가 제2 질병 통계 모델과 합치 하는지 여부를 판단할 때(S300), 비만지수의 검진 수치 및 스트레스 검진 수치에 상기 연산 된 특성 값이 가중치로서 반영된다.
다음으로, 검진자의 상기 특성 값을 이용하여, 상기 검진자에 대하여 개인화 처방을 제공 할 수 있다(S600). 이미 설명한 바와 같이, 상기 생성 된 특성 값이 개인화 처방 장치에 전달될 수 있다. 상기 개인화 처방 장치는 상기 특성 값을 이용하여 상기 검진자에 대하여 기 작성 된 처방 사항을 조정하거나, 의사 단말기에 상기 특성 값을 전달하여, 상기 검진자의 주치의가 기 작성 된 처방 사항을 상기 특성 값에 기반하여 조정하도록 유도할 수 있다.
제1 질병을 가진 것으로 체크한 상기 검진자의 검진 수치가 상기 모집단 데이터베이스에 기록 된 제1 질병 발병자들의 검진 수치와 통계적으로 유사하지 않은 경우, 상기 검진자의 검진 데이터가 새로운 형태의 제1 질병 발병 패턴으로써 상기 모집단 데이터베이스에 누적 될 수 있도록, 상기 검진자의 검진 수치들을 모집단 데이터베이스 제공 장치에 송신할 수 있다(S700).
상기 검진자와 유사한 패턴의 검진 수치를 가진 검진자의 검진 기록이 상기 모집단 데이터베이스에 충분히 누적 되면, 상기 검진자의 검진 수치도 통계 모델에 반영 될 수 있을 것이다. 도 10은 상기 검진자와 유사한 패턴의 검진 수치를 가진 검진자의 검진 기록이 다수 누적 되었을 때, 그로 인해 새로운 대표 클러스터(43)가 생성 된 것을 도시한다. 추후에는 상기 검진자와 유사한 기질적 특이성을 가진 다른 검진자들의 검진 수치가 대표 클러스터(43)에 포함 되는 것으로 분석 될 것이므로, 상기 제1 질병의 발병 가능성이 있는 점을 통계적으로 예측할 수 있을 것이다.
한편, 기질적 특이성을 가진 검진자의 숫자가 많지 않을 것임을 고려하여, 기존의 통계 모델에 의하면 제1 질병의 발병 확률이 낮은 것으로 검진 데이터가 평가 되었으나, 실제로는 제1 질병을 가지고 있는 검진자들을 가리키는 데이터에 대하여는 대표 클러스터 성립 요건을 완화해 줄 필요가 있다. 도 11은 이러한 실시예를 도시한다. 기존 통계 모델에 의할 때 제1 질병의 발병 가능성 부정 되었으나, 실제로는 제1 질병을 가지고 있는 검진자들의 검진 데이터를 가리키는 포인트들의 대표 클러스터(43)가 생성 되었는데, 대표 클러스터(43)의 성립 요건(ε, p)은 다른 대표 클러스터(41, 42)들의 성립 요건 보다 완화 되어 있음을 확인할 수 있다.
지금까지 도 1 내지 도 11을 참조하여 설명한 본 발명의 몇몇 실시예들에 따른 환자 개인 특성 분석 방법은, 컴퓨팅 장치에서 컴퓨터 프로그램을 실행함으로써 수행 될 수 있다. 이러한 실시를 위하여, 컴퓨팅 장치와 결합되어, 제1 질병을 가진 검진자의 검진 데이터를 수신하는 단계와, 상기 제1 질병의 발병자의 검진 수치로부터 얻어진 제1 질병 통계 모델에 대한 상기 검진 데이터의 부합 여부를 판정하는 단계와, 상기 판정 결과 상기 검진 데이터와 상기 제1 질병 통계 모델이 부합하지 않는 경우, 상기 검진 데이터 중 상기 제1 질병 통계 모델에 부합하는 일부의 검진 수치만을 이용하여 상기 검진자의 특성 값을 연산하는 단계를 수행하기 위하여 기록 매체에 기록 된 컴퓨터 프로그램이 제공 될 수 있다.
이하, 도 12 내지 도 13을 참조하여, 본 발명의 또 다른 실시예에 따른 환자 개인 특성 분석 장치의 구성 및 동작에 대하여 설명한다.
도 12는 본 실시예에 따른 환자 개인 특성 분석 장치의 블록 구성도이다. 도 12에 도시된 바와 같이, 본 실시예에 따른 환자 개인 특성 분석 장치는 네트워크 인터페이스(102), 검진 데이터 접수부(104), 검진 수치 조회부(106), 통계 모델 생성부(108), 검진 데이터 분석부(110) 및 특성 값 연산부(112)를 포함할 수 있고, 질병 예측부(114) 및 DB 피드백(116)부를 더 포함할 수도 있다.
검진 데이터 접수부(104)가 네트워크 인터페이스(102)를 통하여 제1 질병을 가진 검진자의 검진 데이터를 수신하면, 검진 수치 조회부(106)가 네트워크 인터페이스(102)를 통해 모집단 데이터베이스에 상기 제1 질병을 가진 발병자들의 검진 수치를 요청한다. 검진 수치 조회부(106)는 상기 모집단 데이터베이스로부터 제공 된 제1 질병 발병자들의 검진 수치 중 상기 제1 질병의 발병 요인에 대한 검진 수치 데이터들을 기 지정 된 형태로 가공하여 통계 모델 생성부(108)에 제공한다.
통계 모델 생성부(108)는 검진 수치 조회부(106)로부터 제공 된 데이터를 밀도 기반 클러스터링 하여, 모집단 데이터베이스의 제1 질병 발병자들에 대한 검진 수치를 대표하는 대표 클러스터를 상기 제1 질병의 각 발병 요인에 대하여 각각 구성한다. 상기 각 발병 요인의 대표 클러스터가 상기 제1 질병의 전체 통계 모델을 구성한다.
검진 데이터 분석부(110)는 검진자의 검진 데이터가 상기 생성 된 통계 모델에 부합하는 것인지 여부를 판정한다. 검진 데이터 분석부(110)의 분석 결과, 검진 데이터가 통계 모델에 부합하는 것이 아니라면, 특성 값 연산부(112)가 상기 검진자의 기질적 특이성, 또는 특정 발병 인자에 대한 민감성 등을 내포하는 상기 검진자에 대한 특성 값을 연산한다. 상기 특성 값의 연산 방법에 대하여는 이미 설명한 실시예들을 참조한다.
특성 값 연산부(112)는 생성 된 상기 특성 값을 네트워크 인터페이스(102)를 통해 외부 장치에 제공 할 수 있다. 상기 특성 값은 상기 검진자에 대한 개인화 된 의료 서비스를 제공하기 위한 기초 데이터로 활용 될 수 있다.
질병 예측부(114)는 상기 검진자가 체크하지 않은(즉, 검진자가 걸리지 않았다고 인지하고 있는) 다른 질병에 대한 질병 예측을 수행한다. 이 때, 검진 데이터의 검진 수치 중 일부에 대하여 상기 특성 값을 반영하여 먼저 조정한 후, 조정 된 값을 포함하는 검진 데이터가 다른 질병의 통계 모델에 부합하는지 여부를 판정할 수 있다.
DB 피드백(116)부는 특정 질병을 가진 것으로 체크한 상기 검진자의 검진 수치가 상기 모집단 데이터베이스에 기록 된 특정 질병 발병자들의 검진 수치와 통계적으로 유사하지 않은 경우, 상기 검진자의 검진 데이터가 새로운 형태의 특정 질병 발병 패턴으로써 상기 모집단 데이터베이스에 누적 될 수 있도록, 상기 검진자의 검진 수치들을 모집단 데이터베이스 제공 장치에 송신한다.
지금까지 도 12의 각 구성요소는 소프트웨어(software) 또는, FPGA(field-programmable gate array)나 ASIC(application-specific integrated circuit)과 같은 하드웨어(hardware)를 의미할 수 있다. 그렇지만 상기 구성요소들은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니며, 어드레싱(addressing)할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 실행시키도록 구성될 수도 있다. 상기 구성요소들 안에서 제공되는 기능은 더 세분화된 구성요소에 의하여 구현될 수 있으며, 복수의 구성요소들을 합하여 특정한 기능을 수행하는 하나의 구성요소로 구현할 수도 있다.
도 13은 질환 발병 예측 장치(100)의 도 12와는 다른 구성도이다. 환자 개인 특성 분석 장치(10)는 도 13에 도시된 구성을 가질 수도 있다. 환자 개인 특성 분석 장치(10)는 명령어를 수행하는 프로세서(126), 질환 발병 예측 프로그램 데이터가 저장되는 스토리지(122), 메모리(128), 외부 장치와의 데이터 송수신을 위한 네트워크 인터페이스(124) 및 스토리지(122), 네트워크 인터페이스(124), 프로세서(126) 및 메모리(128)와 연결되어 데이터 이동 통로가 되는 시스템 버스(120)를 포함할 수 있다. 스토리지(122)는 비휘발성 메모리, 자기 디스크, 하드 디스크 등의 보조 기억 장치이다.
일 실시예에서, 스토리지(122)에는, 컴퓨팅 장치와 결합되어, 제1 질병을 가진 검진자의 검진 데이터를 수신하는 단계, 상기 제1 질병의 발병자의 검진 수치로부터 얻어진 제1 질병 통계 모델에 대한 상기 검진 데이터의 부합 여부를 판정하는 단계, 상기 판정 결과 상기 검진 데이터와 상기 제1 질병 통계 모델이 부합하지 않는 경우, 상기 검진 데이터 중 상기 제1 질병 통계 모델에 부합하는 일부의 검진 수치만을 이용하여 상기 검진자의 특성 값을 연산하는 단계를 수행하기 위한 컴퓨터 프로그램의 실행 파일 및 리소스 파일이 저장 될 수 있다.
다른 실시예에서, 스토리지(122)에는, 컴퓨팅 장치와 결합되어, 제1 질병을 가진 검진자의 검진 데이터를 수신하는 단계, 상기 제1 질병의 발병자의 검진 수치로부터 얻어진 제1 질병 통계 모델에 대한 상기 검진 데이터의 부합 여부를 판정하는 단계, 및 상기 판정 결과 부합하지 않는 것으로 판정 된 경우, 상기 검진자의 특성 값(α)을 연산하는 단계를 수행하기 위한 컴퓨터 프로그램의 실행 파일 및 리소스 파일이 저장 될 수 있다.
이 때, 상기 검진자의 특성 값은, 상기 제1 질병의 각 발병 요인에 대한 조정 검진 수치들을 합산한 수치와 발병자 기준치가 동일한 값이 되도록 연산 되고, 특정 발병 요인에 대한 상기 조정 검진 수치는, 상기 특정 발병 요인에 대한 상기 검진자의 검진 수치에 상기 특정 발병 요인에 대한 개인화 가중치를 반영한 값이다.
추가로, 특정 발병 요인에 대한 상기 개인화 가중치는, 상기 특정 발병 요인에 대한 상기 검진자의 검진 수치가 상기 특정 발병 요인에 대한 상기 제1 질병 통계 모델에 부합하는 경우 상기 검진자의 특성 값(α)을 이용하여 지정된 제1 가중치로 설정 되고, 상기 특정 발병 요인에 대한 상기 검진자의 검진 수치가 상기 특정 발병 요인에 대한 상기 제1 질병 통계 모델에 부합하지 않는 경우 상기 검진자의 특성 값(α)을 이용하여 지정 된 제2 가중치로 설정 되며, 상기 제1 가중치와 상기 제2 가중치는 서로 다른 값일 수 있다.
이상 첨부된 도면을 참조하여 본 발명의 실시예들을 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다.

Claims (24)

  1. 환자 개인 특성 분석 장치가, 제1 질병을 가진 검진자의 검진 데이터를 수신하는 단계;
    상기 환자 개인 특성 분석 장치가, 상기 제1 질병의 발병자의 검진 수치로부터 얻어진 제1 질병 통계 모델에 대한 상기 검진 데이터의 부합 여부를 판정하는 단계; 및
    상기 환자 개인 특성 분석 장치가, 상기 판정 결과 부합하지 않는 것으로 판정 된 경우, 상기 검진자의 특성 값(α)을 연산하는 단계를 포함하되,
    상기 검진자의 특성 값은, 상기 제1 질병의 각 발병 요인에 대한 조정 검진 수치들을 합산한 수치와 상기 제1 질병 통계 모델에 따라 결정되는 발병자 기준치가 동일한 값이 되도록 연산 되고,
    특정 발병 요인에 대한 상기 조정 검진 수치는, 상기 특정 발병 요인에 대한 상기 검진자의 검진 수치에, 상기 제1 질병의 발병자에 대한 특정 발병 요인의 발병 기여율이 반영된 제1 가중치 및 상기 특정 발병 요인에 대한 개인화 가중치를 반영한 값이고,
    특정 발병 요인에 대한 상기 개인화 가중치는, 상기 제1 가중치를 상기 검진자의 개인 특성에 맞게 조정하기 위하여 상기 검진자의 특성 값(α)을 이용하여 결정 된 값이고,
    각 발병 요인에 대한 상기 개인화 가중치 중 적어도 하나는, 다른 발병 요인에 대한 개인화 가중치와 서로 상이한 것인,
    환자 개인 특성 분석 방법.
  2. 제1 항에 있어서,
    상기 발병자 기준치는,
    상기 제1 질병 통계 모델에 따른 각 발병 요인(DFactori) 별 검진 수치 중심 값(DF_MIDi)에, 상기 발병 요인의 발병 기여율을 반영한 값들의 합산치이고,
    상기 검진 수치 중심 값(DF_MIDi)은, DFactori의 대표 클러스터의 중심점과 n 차원 공간의 원점 사이의 거리인,
    환자 개인 특성 분석 방법.
  3. 제1 항에 있어서,
    상기 발병자 기준치는,
    상기 제1 질병 통계 모델에 따른 각 발병 요인(DFactori) 별 검진 수치 중심 값(DF_MIDi)에, 상기 발병 요인의 발병 기여율을 반영한 값들의 합산치이고, 상기 검진 수치 중심 값(DF_MIDi)은, DFactori의 대표 클러스터에 속한 각 포인트와 n 차원 공간의 원점 사이의 거리에 대한 평균 값인,
    환자 개인 특성 분석 방법.
  4. 제1 항에 있어서,
    상기 판정하는 단계는,
    모집단 데이터베이스 제공 장치로부터 제공 된 상기 제1 질병의 발병자의 상기 제1 질병의 각 발병 요인에 대한 검진 수치 데이터를 이용하여 상기 제1 질병 통계 모델을 생성 하는 단계를 포함하고,
    상기 검진 수치 데이터는, 각 발병 요인에 속한 복수의 서브 발병 요인에 대한 검진 수치들을 포함하는,
    환자 개인 특성 분석 방법.
  5. 제4 항에 있어서,
    상기 제1 질병 통계 모델을 생성하는 단계는,
    상기 제1 질병의 제1 발병 요인에 속한 복수의 서브 발병 요인에 대한 검진 수치들을 이용하여, 각 발병자의 상기 제1 발병 요인에 대한 검진 수치를 가리키는 포인트를, n 차원(n은 서브 발병 요인의 개수) 공간 상에 매핑(mapping) 하는 제1 단계;
    상기 제1 단계를 각 발병자의 검진 수치 데이터에 대하여 반복 하는 제2 단계;
    밀도 기반 클러스터링을 통해, 상기 제1 발병 요인에 대한 대표 클러스터를 얻는 제3 단계;
    상기 대표 클러스터를 상기 제1 발병 요인에 대한 제1 질병 통계 모델로 설정 하는 제4 단계; 및
    상기 제1 질병의 제2 내지 M 발병 요인(M은 상기 제1 질병의 발병 요인 개수)에 대하여 상기 제1 내지 제4 단계를 반복하는 제5 단계를 포함하는,
    환자 개인 특성 분석 방법.
  6. 제5 항에 있어서,
    상기 제3 단계는,
    상기 제1 단계에서 n 차원 공간 상에 매핑 된 포인트 중 하나를 선정하는 제3A 단계;
    상기 제3A 단계에서 선정 된 포인트로부터 기 지정 된 반경(ε) 이내에, 기 지정 된 개수(p)의 포인트가 존재하는지 판정하여 상기 선정 된 포인트를 중심점으로 하는 상기 대표 클러스터가 성립하는지 여부를 판정하는 제3B 단계;
    상기 제3A 단계 및 제3B 단계를 상기 제1 단계에서 n 차원 공간 상에 매핑 된 다른 전체 포인트에 대하여 반복하는 제3C 단계; 및
    상기 제3A 단계 내지 제3B 단계를 통하여 대표 클러스터가 미성립 된 경우, 상기 ε 및 p 중 적어도 하나를 조정한 후, 상기 제3A 단계 내지 제3B 단계를 반복하는 제3D 단계를 포함하는,
    환자 개인 특성 분석 방법.
  7. 제6 항에 있어서,
    상기 제3B 단계는,
    복수의 대표 클러스터가 성립하는 것으로 판정하는 단계를 포함하는,
    환자 개인 특성 분석 방법.
  8. 제5 항에 있어서,
    상기 판정하는 단계는,
    상기 검진자의 검진 데이터의 상기 제1 발병 요인에 속한 복수의 서브 발병 요인에 대한 검진 수치들을 이용하여, 상기 검진자의 상기 제1 발병 요인에 대한 검진 수치를 가리키는 검진자 포인트를, 상기 n 차원 공간 상에 매핑 하는 A 단계;
    상기 검진자 포인트가 상기 제1 발병 요인에 대한 대표 클러스터에 속하는지 여부를 판정함으로써, 상기 검진자의 상기 제1 발병 요인에 대한 검진 수치가 상기 제1 질병 통계 모델에 부합하는지 여부를 판정하는 B 단계; 및
    상기 제2 내지 M 발병 요인에 대하여 상기 A 단계 내지 B 단계를 반복하는 C 단계를 더 포함하는,
    환자 개인 특성 분석 방법.
  9. 제8 항에 있어서,
    상기 검진자의 상기 제1 발병 요인에 대한 검진 수치가 상기 제1 질병 통계 모델에 부합하는지 여부를 판정하는 B 단계는,
    상기 검진자의 상기 제1 발병 요인에 대한 검진 수치를 가리키는 검진자 포인트가 상기 제1 발병 요인에 대한 대표 클러스터에 속하는 경우, 상기 제1 발병 요인의 발병 기여율에 기반하여 결정 된 포인트를 부여하는 단계;
    상기 포인트를 부여하는 단계를 상기 제2 내지 M 발병 요인에 대하여 반복하는 단계; 및
    상기 부여 된 포인트의 합산 값이 상기 제1 질병에 대한 기준치를 초과하는 경우, 상기 검진자의 검진 데이터가 상기 제1 질병의 발병자의 검진 수치로부터 얻어진 제1 질병 통계 모델에 부합하는 것으로 판정 하는 단계를 포함하는,
    환자 개인 특성 분석 방법.
  10. 제8 항에 있어서,
    상기 검진자의 상기 제1 발병 요인에 대한 검진 수치가 상기 제1 질병 통계 모델에 부합하는지 여부를 판정하는 B 단계는,
    상기 검진자의 상기 제1 발병 요인에 대한 검진 수치를 가리키는 검진자 포인트와 상기 제1 발병 요인에 대한 대표 클러스터의 중심점 사이의 거리를 연산하고, 상기 연산 된 거리에 상기 제1 발병 요인의 발병 기여율에 기반하여 결정 된 가중치를 반영하여 상기 검진자 포인트와 상기 중심점 사이의 거리를 조정하는 단계;
    상기 거리를 조정하는 단계를 상기 제2 내지 M 발병 요인에 대하여 반복하는 단계; 및
    상기 조정 된 거리의 합산 값이 상기 제1 질병에 대한 기준치에 미달하는 경우, 상기 검진자의 검진 데이터가 상기 제1 질병의 발병자의 검진 수치로부터 얻어진 제1 질병 통계 모델에 부합하는 것으로 판정 하는 단계를 포함하는,
    환자 개인 특성 분석 방법.
  11. 제1 항에 있어서,
    상기 제1 질병 통계 모델은 모집단 데이터베이스 제공 장치로부터 제공 된 상기 제1 질병의 발병자의 상기 제1 질병의 각 발병 요인에 대한 검진 수치로부터 얻어진 것이고,
    상기 환자 개인 특성 분석 장치가, 상기 검진자의 검진 데이터를 상기 모집단 데이터베이스에 삽입함으로써, 상기 모집단 데이터베이스를 업데이트 하는 단계;
    상기 환자 개인 특성 분석 장치가, 상기 제1 질병을 가진 다른 검진자의 검진 데이터를 수신하는 단계;
    상기 환자 개인 특성 분석 장치가, 상기 업데이트 된 모집단 데이터베이스를 이용하여 갱신된 상기 제1 질병 통계 모델을 생성하는 단계; 및
    상기 환자 개인 특성 분석 장치가, 상기 다른 검진자의 검진 데이터가 상기 갱신된 제1 질병 통계 모델에 부합하는지 여부를 판정하는 단계를 더 포함하는,
    환자 개인 특성 분석 방법.
  12. 제1 항에 있어서,
    상기 검진자가 상기 제1 질병과 다른 제2 질병을 더 가지는 경우, 상기 환자 개인 특성 분석 장치가, 상기 제2 질병의 발병자의 검진 수치로부터 얻어진 제2 질병 통계 모델에 대한 상기 검진 데이터의 부합 여부를 판정하고, 상기 판정 결과 부합 되지 않는 것으로 판정 된 경우, 상기 검진자의 검진 데이터 중 상기 제2 질병 통계 모델에 부합하는 일부의 검진 수치만을 이용하여 상기 검진자의 갱신 된 특성 값을 연산하는 단계를 포함하는,
    환자 개인 특성 분석 방법.
  13. 제1 항에 있어서,
    상기 환자 개인 특성 분석 장치가, 상기 연산 된 특성 값을 이용하여 상기 제1 질병과 다른 제2 질병의 발병 가능성을 예측하는 단계를 더 포함하는,
    환자 개인 특성 분석 방법.
  14. 제13 항에 있어서,
    상기 제2 질병의 발병 가능성을 예측하는 단계는,
    일부의 검진 수치에 대하여 상기 특성 값을 가중치로서 반영함으로써, 상기 일부의 검진 수치를 상기 특성 값에 기반하여 조정하는 단계; 및
    상기 조정 된 일부의 검진 수치를 포함하는 상기 검진자의 검진 데이터가, 상기 제2 질병의 발병자의 검진 수치로부터 얻어진 제2 질병 통계 모델에 부합하는지 여부를 판정함으로써, 상기 제2 질병의 발병 가능성을 예측하는 단계를 포함하는,
    환자 개인 특성 분석 방법.
  15. 제1 항에 있어서,
    상기 환자 개인 특성 분석 장치가, 상기 연산된 특성 값을 개인화 처방 장치에 송신하는 단계; 및
    상기 개인화 처방 장치가, 상기 특성 값을 이용하여 처방 사항을 조정하는 단계를 더 포함하는,
    환자 개인 특성 분석 방법.
  16. 환자 개인 특성 분석 장치가, 제1 질병을 가진 검진자의 검진 데이터를 수신하는 단계;
    상기 환자 개인 특성 분석 장치가, 상기 제1 질병의 발병자의 검진 수치로부터 얻어진 제1 질병 통계 모델에 대한 상기 검진 데이터의 부합 여부를 판정하는 단계; 및
    상기 환자 개인 특성 분석 장치가, 상기 판정 결과 부합하지 않는 것으로 판정 된 경우, 상기 검진자의 특성 값(α)을 연산하는 단계를 포함하되,
    상기 검진자의 특성 값은, 상기 제1 질병의 각 발병 요인에 대한 조정 검진 수치들을 합산한 수치와 상기 제1 질병 통계 모델에 따라 결정되는 발병자 기준치가 동일한 값이 되도록 연산 되고,
    특정 발병 요인에 대한 상기 조정 검진 수치는, 상기 특정 발병 요인에 대한 상기 검진자의 검진 수치에, 상기 제1 질병의 발병자에 대한 특정 발병 요인의 발병 기여율이 반영된 발병 기여율 가중치 및 상기 특정 발병 요인에 대한 개인화 가중치를 반영한 값이고,
    특정 발병 요인에 대한 상기 개인화 가중치는, 상기 발병 기여율 가중치를 상기 검진자의 개인 특성에 맞게 조정하기 위하여 상기 검진자의 특성 값(α)을 이용하여 결정된 값이고, 상기 특정 발병 요인에 대한 상기 검진자의 검진 수치가 상기 특정 발병 요인에 대한 상기 제1 질병 통계 모델에 부합하는 경우 상기 검진자의 특성 값(α)을 이용하여 지정된 제1 가중치로 설정 되며, 상기 특정 발병 요인에 대한 상기 검진자의 검진 수치가 상기 특정 발병 요인에 대한 상기 제1 질병 통계 모델에 부합하지 않는 경우 상기 검진자의 특성 값(α)을 이용하여 지정 된 제2 가중치로 설정 되고,
    상기 제1 가중치와 상기 제2 가중치는 서로 다른 값인,
    환자 개인 특성 분석 방법.
  17. 제16 항에 있어서,
    상기 제1 가중치는 양(+)의 값인 반면, 상기 제2 가중치는 음(-)의 값인,
    환자 개인 특성 분석 방법.
  18. 제16 항에 있어서,
    상기 제1 가중치 및 상기 제2 가중치 모두 양(+)의 값이되, 상기 제1 가중치가 상기 제2 가중치보다 더 큰 값인,
    환자 개인 특성 분석 방법.
  19. 환자 개인 특성 분석 장치가, 제1 질병을 가진 검진자의 검진 데이터를 수신하는 단계;
    상기 환자 개인 특성 분석 장치가, 상기 제1 질병의 발병자의 검진 수치로부터 얻어진 제1 질병 통계 모델에 대한 상기 검진 데이터의 부합 여부를 판정하는 단계; 및
    상기 환자 개인 특성 분석 장치가, 상기 판정 결과 상기 검진 데이터와 상기 제1 질병 통계 모델이 부합하지 않는 경우, 상기 검진 데이터 중 상기 제1 질병 통계 모델에 부합하는 일부의 검진 수치만을 이용하여 상기 검진자의 특성 값을 연산하는 단계를 포함하되,
    상기 검진자의 특성 값을 연산하는 단계는,
    상기 검진 데이터 중 상기 제1 질병 통계 모델에 부합하는 검진 수치에, 상기 제1 질병의 발병자에 대한 검진 항목의 발병 기여율인 제1 가중치 및 상기 제1 가중치를 상기 검진자의 개인 특성에 맞게 조정하기 위한 특성 값인 제2 가중치를 모두 반영한 조정 검진 수치들의 합계가 상기 제1 질병 통계 모델에 따라 결정되는 발병자 기준치가 되도록, 상기 특성 값을 연산하는 단계를 포함하는
    환자 개인 특성 분석 방법.
  20. 삭제
  21. 삭제
  22. 제19 항에 있어서,
    상기 발병자 기준치는,
    상기 제1 질병 통계 모델에 따른 각 발병 요인 별 검진 수치 중심 값에, 상기 발병 요인의 발병 기여율을 반영한 값들의 합산치인,
    환자 개인 특성 분석 방법.
  23. 컴퓨팅 장치와 결합되어,
    제1 질병을 가진 검진자의 검진 데이터를 수신하는 단계;
    상기 제1 질병의 발병자의 검진 수치로부터 얻어진 제1 질병 통계 모델에 대한 상기 검진 데이터의 부합 여부를 판정하는 단계; 및
    상기 판정 결과 부합하지 않는 것으로 판정 된 경우, 상기 검진자의 특성 값(α)을 연산하는 단계를 수행하되,
    상기 검진자의 특성 값은, 상기 제1 질병의 각 발병 요인에 대한 조정 검진 수치들을 합산한 수치와 상기 제1 질병 통계 모델에 따라 결정되는 발병자 기준치가 동일한 값이 되도록 연산 되고,
    특정 발병 요인에 대한 상기 조정 검진 수치는, 상기 특정 발병 요인에 대한 상기 검진자의 검진 수치에, 상기 제1 질병의 발병자에 대한 특정 발병 요인의 발병 기여율이 반영된 제1 가중치 및 상기 특정 발병 요인에 대한 개인화 가중치를 반영한 값이고,
    특정 발병 요인에 대한 상기 개인화 가중치는, 상기 제1 가중치를 상기 검진자의 개인 특성에 맞게 조정하기 위하여 상기 검진자의 특성 값(α)을 이용하여 결정 된 값인,
    기록 매체에 기록 된 컴퓨터 프로그램.
  24. 하나 이상의 프로세서;
    네트워크 인터페이스;
    메모리; 및
    상기 메모리에 로딩 되어 상기 프로세서에 의하여 수행 되는 컴퓨터 프로그램의 실행 파일이 기록 된 스토리지 장치를 포함하되,
    상기 컴퓨터 프로그램은,
    제1 질병을 가진 검진자의 검진 데이터를 수신하는 일련의 인스트럭션;
    상기 제1 질병의 발병자의 검진 수치로부터 얻어진 제1 질병 통계 모델에 대한 상기 검진 데이터의 부합 여부를 판정하는 일련의 인스트럭션; 및
    상기 판정 결과 부합하지 않는 것으로 판정 된 경우, 상기 검진자의 특성 값(α)을 연산하는 일련의 인스트럭션을 포함하고,
    상기 검진자의 특성 값은, 상기 제1 질병의 각 발병 요인에 대한 조정 검진 수치들을 합산한 수치와 상기 제1 질병 통계 모델에 따라 결정되는 발병자 기준치가 동일한 값이 되도록 연산 된 값이고,
    특정 발병 요인에 대한 상기 조정 검진 수치는, 상기 특정 발병 요인에 대한 상기 검진자의 검진 수치에, 상기 제1 질병의 발병자에 대한 특정 발병 요인의 발병 기여율이 반영된 제1 가중치 및 상기 특정 발병 요인에 대한 개인화 가중치를 반영한 값이고,
    특정 발병 요인에 대한 상기 개인화 가중치는, 상기 제1 가중치를 상기 검진자의 개인 특성에 맞게 조정하기 위하여 상기 검진자의 특성 값(α)을 이용하여 결정 된 값인,
    환자 개인 특성 분석 장치.
KR1020140146070A 2014-10-27 2014-10-27 환자 개인 특성에 대한 분석 방법 및 그 장치 KR101758055B1 (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
KR1020140146070A KR101758055B1 (ko) 2014-10-27 2014-10-27 환자 개인 특성에 대한 분석 방법 및 그 장치
CN201410843742.0A CN105808906B (zh) 2014-10-27 2014-12-30 患者个人特性的分析方法及其装置
PCT/KR2014/013121 WO2016068391A1 (ko) 2014-10-27 2014-12-31 환자 개인 특성에 대한 분석 방법 및 그 장치
US14/588,128 US20160117457A1 (en) 2014-10-27 2014-12-31 Method and apparatus for analyzing patient's constitutional peculiarity

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020140146070A KR101758055B1 (ko) 2014-10-27 2014-10-27 환자 개인 특성에 대한 분석 방법 및 그 장치

Publications (2)

Publication Number Publication Date
KR20160049264A KR20160049264A (ko) 2016-05-09
KR101758055B1 true KR101758055B1 (ko) 2017-07-14

Family

ID=55792203

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020140146070A KR101758055B1 (ko) 2014-10-27 2014-10-27 환자 개인 특성에 대한 분석 방법 및 그 장치

Country Status (4)

Country Link
US (1) US20160117457A1 (ko)
KR (1) KR101758055B1 (ko)
CN (1) CN105808906B (ko)
WO (1) WO2016068391A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190073042A (ko) * 2017-12-18 2019-06-26 주식회사 왓비타 사용자 건강습관정보 수집을 통한 건강관리 서비스 제공 장치 및 제공 방법

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2652451C2 (ru) * 2016-09-08 2018-04-26 Акционерное общество "Лаборатория Касперского" Способы обнаружения аномальных элементов веб-страниц
KR101809149B1 (ko) * 2016-11-25 2017-12-14 한국과학기술연구원 순환계질환 발생잠재도를 판단하는 장치 및 그 방법
US11620471B2 (en) * 2016-11-30 2023-04-04 Cylance Inc. Clustering analysis for deduplication of training set samples for machine learning based computer threat analysis
JP6901308B2 (ja) * 2017-04-14 2021-07-14 株式会社日立製作所 データ分析支援システム及びデータ分析支援方法
KR102079342B1 (ko) * 2017-12-20 2020-02-19 고려대학교 산학협력단 인지력 기반의 외국어능력 검사장치 및 그 방법
KR102028048B1 (ko) * 2018-01-29 2019-10-02 연세대학교 산학협력단 데이터 기반의 예방 의료정보 제공 및 평가를 위한 장치 및 방법
CN111210071B (zh) * 2020-01-03 2023-11-24 深圳前海微众银行股份有限公司 业务对象预测方法、装置、设备及可读存储介质
CN117936012B (zh) * 2024-03-21 2024-05-17 四川省医学科学院·四川省人民医院 一种基于慢性疼痛的检查项目决策方法、介质及系统

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020005888A (ko) * 2000-07-10 2002-01-18 황인택 원격 건강관리 서비스를 제공하는 방법 및 시스템
US7087018B2 (en) * 2002-11-13 2006-08-08 Siemens Medical Solutions Usa, Inc. System and method for real-time feature sensitivity analysis based on contextual information
CN101110095B (zh) * 2006-07-20 2010-06-30 中国科学院自动化研究所 一种对常见脑疾病易感基因的批量检测方法
GB0803514D0 (en) * 2008-02-27 2008-04-02 Depuy Int Ltd Customised surgical apparatus
KR101855179B1 (ko) * 2011-12-21 2018-05-09 삼성전자 주식회사 질환 진단을 위한 최적의 진단 요소 셋 결정 장치 및 방법
SG11201406704RA (en) * 2012-04-26 2014-11-27 Nec Corp Health guidance receiver selection condition generation support device
KR101401340B1 (ko) * 2012-07-12 2014-05-29 주식회사 인피니트헬스케어 방사선 치료 계획 장치 및 그 방법
CN103020454A (zh) * 2012-12-15 2013-04-03 中国科学院深圳先进技术研究院 发病关键因素提取与疾病预警方法及系统
KR20140088434A (ko) * 2013-01-02 2014-07-10 삼성전자주식회사 환자별 특성을 기반으로 한 ｍｒｉ 다변수 영상 획득 지원 장치 및 방법
US10304006B2 (en) * 2013-02-15 2019-05-28 The Charles Stark Draper Laboratory, Inc. Method for integrating and fusing heterogeneous data types to perform predictive analysis

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190073042A (ko) * 2017-12-18 2019-06-26 주식회사 왓비타 사용자 건강습관정보 수집을 통한 건강관리 서비스 제공 장치 및 제공 방법
KR102004438B1 (ko) 2017-12-18 2019-07-29 왓비타 주식회사 사용자 건강습관정보 수집을 통한 건강관리 서비스 제공 장치 및 제공 방법

Also Published As

Publication number Publication date
KR20160049264A (ko) 2016-05-09
WO2016068391A1 (ko) 2016-05-06
US20160117457A1 (en) 2016-04-28
CN105808906B (zh) 2018-05-11
CN105808906A (zh) 2016-07-27

Similar Documents

Publication Publication Date Title
KR101758055B1 (ko) 환자 개인 특성에 대한 분석 방법 및 그 장치
US7487134B2 (en) Medical risk stratifying method and system
Vaithianathan et al. Children in the public benefit system at risk of maltreatment: Identification via predictive modeling
Ayvaci et al. The effect of budgetary restrictions on breast cancer diagnostic decisions
US20170147777A1 (en) Method and apparatus for predicting health data value through generation of health data pattern
Pardo-Fernández et al. A review on ROC curves in the presence of covariates
Shenas et al. Identifying high-cost patients using data mining techniques and a small set of non-trivial attributes
US8794976B2 (en) Systems and methods for evaluating neurobehavioural performance from reaction time tests
EP2286334A2 (en) Nursing home evaluation system
EP3685401B1 (en) Method and apparatus for deriving a set of training data
KR20160043777A (ko) 질환 발병 예측 방법 및 그 장치
CN115440383B (zh) 用于预测晚期癌症患者pd-1/pd-l1单抗治疗疗效的系统
CN114783580B (zh) 一种医疗数据质量评估方法及系统
Singh et al. Understanding racial bias in health using the Medical Expenditure Panel Survey data
WO2016006042A1 (ja) データ分析装置、データ分析装置の制御方法、およびデータ分析装置の制御プログラム
WO2019107118A1 (ja) 健康管理支援装置、方法およびプログラム
Woodard et al. Performance assessment for radiologists interpreting screening mammography
CN113707263B (zh) 基于群体划分的药物有效性评价方法、装置及计算机设备
KR102499912B1 (ko) 시계열 검진 데이터를 이용한 딥러닝 기반 전립선암 재발예측 시스템
KR20190031192A (ko) 건강 위험 예측 방법
KR101274431B1 (ko) 설문 정보를 이용한 건강 상태 판단 장치 및 방법, 건강 분류 함수 생성 장치 및 그 방법
Huang et al. Weighted volume under the three-way receiver operating characteristic surface
KR102007922B1 (ko) 스트레스 측정 모형 개발 방법 및 시스템
JP2022551325A (ja) 診断ツール
KR101310500B1 (ko) 피부 특성을 이용한 건강 상태 판단 장치 및 방법, 건강 분류 함수 생성 장치 및 그 방법

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
GRNT Written decision to grant