KR101807809B1

KR101807809B1 - 체형 정보를 이용한 대사 증후군 진단 및 건강 가이드 방법

Info

Publication number: KR101807809B1
Application number: KR1020160089416A
Authority: KR
Inventors: 이범주; 남지호; 김종열
Original assignee: 한국한의학연구원
Priority date: 2016-07-14
Filing date: 2016-07-14
Publication date: 2017-12-11

Abstract

체형 정보를 이용한 진단 및 건강 관리 가이드 기술이 개시된다. 개시된 건강 관리 가이드 방법은 피진단자의 체형 정보를 입력 받고, 대사증후군에 대해 회귀분석 모델로 도출된 대사증후군 모델링 함수에 체형 정보를 입력하여 모델링 함수값을 산출한다. 이후에, 산출된 현재 모델링 함수값과 기준값을 비교하여 대사 증후군 여부를 판단하고, 대사 증후군에 해당하지 않는 피진단자에 대해 모델링 함수값이 기준값에 도달하는데 필요한 대표 체형 정보 값의 변화량 값을 산출하여 건강 가이드 정보로 출력한다.

Description

체형 정보를 이용한 대사 증후군 진단 및 건강 가이드 방법{ Method for Diagnosing a Metabolic syndrome using Anthropometric Data and Providing a Healthcare Guide}

의료 기술, 보다 구체적으로 증상의 진단 및 경고에 관한 기술이 개시된다.

복부 비만(Abdominal obesity), 혈당치(glucose), 고밀도지단백(high-density lipoprotein : HDL) 콜레스테롤(cholesterol), 고중성지방혈증(hypertriglyceride), 그리고 혈압(blood pressure)을 기준으로 이 중 3가지 이상이 비정상이면 대사증후군(Metabolic syndrome) 으로 진단한다. 대사증후군 진단을 위한 혈액수치정보를 획득하기 위해서는 환자의 혈액을 채취하고 고가 장비를 이용한 복잡한 분석과정을 거쳐야 한다.

체형 정보를 이용한 병적 증상의 모델링 및 판단 기술들이 본 발명자에 의해 발명되고 본 출원인에 의해 출원되어 왔다. 한국특허공보 제1462341호는 체형 정보를 이용하여 한증 및 열증을 판별하는 기술을 개시한다. 한국특허공보 제1430818호는 체형 정보를 이용하여 고혈압 판단 모델을 생성하는 기술을 개시한다. 이러한 증상 판단 모델들은 간단히 획득할 수 있는 체형 정보를 이용하여 병적인 증상들을 상당히 높은 신뢰도로 예측할 수 있다는 것을 통계적으로 보여주고 있다.

한국특허공보 제1462341호 한국특허공보 제1430818호

제안된 발명은 체형 정보를 입력으로 하는 대사 증후군 진단 모델을 활용하여 대사 증후군을 진단할 뿐 아니라, 대사 증후군 위험이 높은 사람에 대하여 현재 체형이 얼마나 부정적으로 변하면 대사 증후군에 해당할 수 있는지 제시함으로써 스스로 대사 증후군을 예방하도록 가이드하는 것을 목적으로 한다.

더 나아가 제안된 발명은 대사 증후군 위험이 높은 피진단자에 대해 그 체형 데이터 중 대사 증후군의 판별에 가장 민감한 변수를 제시하고, 그 변수를 기준으로 대사 증후군 위험을 관리하도록 가이드하는 것을 추가적인 목적으로 한다.

제안된 발명의 일 양상에 따르면, 피진단자의 체형 정보를 입력 받아 대사증후군 모델링 함수값을 산출하고, 이를 기준값을 비교하여 대사 증후군 여부를 판단하며, 추가로 대사 증후군에 해당하지 않는 피진단자에 대해서 모델링 함수값이 기준값에 도달하는데 필요한 대표 체형 정보 값의 변화량 값을 산출하여 대표 체형 정보 및 그 산출된 임계 체형 정보 값을 건강 가이드 정보로 출력한다.

또다른 양상에 따르면, 대표 체형 정보는 모델링 함수값이 기준값에 도달하는데 필요한 체형 정보 값의 표준화 변화량 값이 가장 적은 체형 정보로 선택될 수 있다.

추가적인 양상에 따르면, 체형 정보 값의 표준화 변화량 값은 모집단에서의 해당 체형 정보의 평균과 표준 편차로 정규화된 변화량 값이 될 수 있다.

추가적인 양상에 따르면, 대표 체형 정보는 체형 정보 변수 중 그 체형 정보 변수의 임계 체형 정보값이 통계적인 오차 범위에 비추어 유의미한 수준을 가지는 변수들의 목록을 제시하고 그 중 사용자로부터 선택받아 결정될 수 있다.

본 특허 방법을 이용한 대사증후군 판별은 비침습적이고 단순한 측정을 기반으로 하므로 빠른 진단이 가능하고 진단비용을 절감할 수 있다.

제안된 발명에 따르면, 대사증후군 위험이 높은 사람에게 가장 민감하게 관리할 수 있는 체형 정보를 제시할 수 있다.

추가적으로, 제안된 발명에 따르면, 대사증후군 위험이 높은 사람에게 체형 정보의 관리 가이드라인을 제시할 수 있다.

도 1은 일 실시예에 따른 대사증후군 모델 생성 방법의 구성을 도시한 흐름도이다.
도 2는 일 실시예에 따른 대사증후군 진단 방법의 구성을 도시한 흐름도이다.
도 3은 일 실시예에 따른 모델의 성능을 기존 방법과 비교한 그래프이다.
도 4는 일 실시예에 따른 대사 증후군 진단 및 건강 가이드 장치의 구성을 도시한 블럭도이다.

전술한, 그리고 추가적인 본 발명의 양상들은 첨부된 도면을 참조하여 설명되는 바람직한 실시예들을 통하여 더욱 명백해질 것이다. 이하에서는 본 발명을 이러한 실시예를 통해 당업자가 용이하게 이해하고 재현할 수 있도록 상세히 설명하기로 한다.

도 1은 일 실시예에 따른 대사증후군 모델 생성 방법의 구성을 도시한 흐름도이다. 도시된 바와 같이, 먼저 모집단을 선정하고 그 모집단에 속한 사람들에 대해 체형 정보를 측정하여 측정된 체형 정보를 시스템에 입력하여 수집한다(단계 111). 모집단은 다른 진단을 통해 대사증후군으로 확정된 그룹과, 대사증후군이 아닌 것으로 확정된 그룹을 포함하며, 다양한 체형을 가진 사람으로 구성될 수 있다. 일 실시예에 있어서, 모집단은 질병군 1000명과 정상군 1000명의 2000명으로 구성된다. 체형 정보는 예를 들면, 키(Height), 몸무게(Weight), 체지방지수(BMI ), 나이(age), 이마 둘레(Forehead Circumference), 목둘레(Neck Circumference), 겨드랑이 둘레(Axillary Circumference), 가슴 둘레(Chest Circumference), 늑골 둘레(Rib Circumference), 허리 둘레(Waist Circumference), 골반 둘레(Pelvic Circumference), 엉덩이 둘레(Hip Circumference)와 같은 특징 변수들을 포함할 수 있다. 체형 정보의 특징 변수는 또 이들간의 비율 정보, 예를 들면 허리둘레-키 비율, 이마 -힙 둘레 비율, 목-힙 둘레 비율 등을 포함할 수 있다.

일 양상에 따르면, 모집단에 속한 사람에 대해 수집되는 정보는 연령 및 거주지 정보를 더 포함할 수 있다. 거주지 정보는 거주지가 도시 지역인지, 시골 지역인지 정보이다.

이러한 변수들 중 모델링 함수에 반영될 변수들을 선택하는 과정은 Wrapper 방법을 이용할 수 있다. 즉, 먼저 이러한 특징 변수들의 첫번째 조합이 선택된다(단계 113). 예를 들어 특징 변수들이 n 개일 때, 이들의 조합은 n개 중 1개를 취하는 조합부터 n개 중 n개를 취하는 조합까지 2ⁿ-1 개의 조합이 가능하다.

(수식 1) _nC₁+ _nC₂+_nC₃+ … + _nC_n-1+_nC_n=2ⁿ-1

첫번째 조합은 일 실시예에서 n개의 특징 변수 중 첫번째 특징 변수 한 개만을 선택한 조합일 수 있다. 다음으로, 이러한 변수 조합에 대해 모델링 함수가 생성된다(단계 115). 일 실시예에서 모델링 함수는 선택된 특징 변수들의 조합에 대해 로지스틱 회귀분석(logistic regression) 알고리즘을 적용하여 생성된다. 이후에, 생성된 모델링 함수에 대해 신뢰도가 산출된다(단계 117). 신뢰도는 예를 들어 모집단에 속한 사람에 대해 생성된 모델링 함수를 적용하여 ROC(Receiver Operating Characteristic curve) 면적(area)을 산출함에 의해 계산될 수 있다. 이후에, 산출된 신뢰도 값을 저장한다. 이후에 (수식 1)에서 특징 변수들의 다음 조합을 선택함으로써 변수 조합이 갱신된다(단계 121). 단계 115, 117, 119, 121을 반복하면서, 신뢰도 값이 최대인 변수들의 조합과 해당 모델링 함수가 최종적인 모델링 함수로 선택되어 출력된다(단계 123).

아래에 일 실시예에 따라 선택된 변수들의 조합이 제시된다. 질병군 1,000명과, 정상군 1,000명을 포함한 2000명의 모집단에 대해 로지스틱 회귀분석을 통해 수식2의 모델링 함수를 도출하고, 이를 적용하여 모델링 신뢰도를 평가한 결과 다음 표와 같은 결과를 얻었다.

방정식의 변수
		B	S.E.	Wald	자유도	유의확률	Exp(B)
1 단계^a	Region	.057	.004	262.085	1	.000	1.059
	Real_age	.311	.087	12.804	1	.000	1.364
	@7_PelvicC	.842	.165	26.096	1	.000	2.321
	@1_8_Forehead_Hip	2.623	1.513	3.006	1	.083	13.774
	@2_8_Neck_Hip	2.193	1.749	1.573	1	.210	8.966
	@6_8_Waist_Hip	-4.788	1.353	12.513	1	.000	.008
	@4_7_Chest_Pelvic	-3.849	2.257	2.909	1	.088	.021
	@5_7_Rib__Pelvic	4.525	2.300	3.871	1	.049	92.334
	@2_6_Neck_Waist	-6.334	2.229	8.075	1	.004	.002
	@4_6_Chest_Waist	9.942	2.891	11.828	1	.001	20778.646
	@5_6_Rib_Waist	-8.491	2.484	11.685	1	.001	.000
	@1_5_Forehead_Rib	-4.140	2.156	3.689	1	.055	.016
	@2_5_Neck_Rib	3.231	2.036	2.518	1	.113	25.307
	@3_5_Axillary_Rib	-5.499	1.847	8.867	1	.003	.004
	@3_4_Axillary_Chest	3.072	1.017	9.119	1	.003	21.591
	상수항	-1.624	.114	203.219	1	.000	.197

수식 1)

A = -1.624 + (Region * 0.057 ) + (Age * 0.311) + (PelvicC * 0.842 ) + (Forehead_Hip * 2.623) + (Neck_Hip * 2.193) + (Waist_Hip * -4.788) + (Chest_Pelvic * -3.849) + (Rib_Pelvic * 4.525) + (Neck_Waist * -6.334) + (Chest_Waist * 9.942) + (Rib_Waist * -8.491) + (Forehead_Rib * -4.140) + (Neck_Rib * 3.231) + (Axillary_Rib * -5.499) + (Axillary_Chest * 3.072)

여기서, 모델링 함수 P값이 0.5보다 크면 대사증후군으로 판단하고, 0.5보다 작으면 정상으로 판단한다.

Class	Sensitivity	1-specificity	Precision	F-Measure	MCC	ROC Area	Accuracy	Kappa
Normal	0.828	0.187	0.816	0.822	0.641	0.907	82.05	0.641
MetS	0.813	0.172	0.825	0.819	0.641	0.907	82.05	0.641

도 3은 일 실시예에 따른 모델의 성능을 기존 방법과 비교한 그래프이다. 허리둘레(WC) 하나만을 가지고 생성한 모델링의 경우, 허리-엉덩이 둘레 비율(WHR) 하나만을 가지고 생성한 모델링의 경우, 허리 둘레-키 비율(WHtR) 하나만을 가지고 생성한 모델링의 경우, 체지방지수(BMI) 하나만을 가지고 생성한 모델링의 경우와, 본 실시예에 따른 모델링의 경우를 비교했을 때 ROC 영역 값이 크게 차이가 남을 볼 수 있다.

도 2는 또다른 실시예에 따른 대사증후군 진단 및 경고 방법의 구성을 도시한 흐름도이다. 도시된 바와 같이, 일 실시예에 따른 대사증후군 진단 및 경고 방법에 따르면, 먼저 피진단자의 체형 정보를 입력 받는다(단계 211). 이때 일 양상에 따라, 체형 정보 뿐 아니라 연령 및 거주지 정보를 더 포함할 수 있다. 이후에, 대사증후군 모델링 함수에 이 체형 정보를 입력하여 현재 체형 정보에 따른 모델링 함수값을 산출한다. (단계 213). 일 실시예에서 수식2의 모델링 함수가 사용될 수 있다. 이후에, 산출된 현재 모델링 함수값과 기준값을 비교하여 대사 증후군 여부를 판단한다(단계 215). 예를 들어 체형 정보를 입력하여 구해진 수식2의 값이, 기준값인 0.5와 비교된다. 일 실시예에서 구해진 함수값이 0.5보다 크면 대사증후군으로 판단되고, 0.5보다 작으면 정상으로 판별된다.

이후에, 대사증후군에 해당하면 대사증후군 진단 결과를 출력한다(단계 217).

단계 215에서 대사증후군에 해당하지 않으면, 일 양상에 따라 해당 피진단자의 체형 정보로 추가적인 분석이 이루어진다.

먼저, 체형 정보 중 관리 대상 정보인 대표 체형 정보가 선택된다(단계 219). 대표 체형 정보는 사용자에 의해 선택되어 입력될 수도 있고, 시스템에서 획일적으로 설정되어 주어질 수도 있으며, 해당 사용자의 체형 정보를 분석하여 산출된 값으로부터 결정될 수도 있다. 일 실시예에서 대표 체형 정보는 사회적 통념에 따라 가장 민감하게 관리되는 체형 정보, 예를 들면 허리 둘레로 획일적으로 선택될 수 있다. 또다른 예에서, 대표 체형 정보는 개인의 취향에 따라 개인별로 달리 선택될 수 있다.

일 양상에 따르면, 대표 체형 정보는 체형 정보 중 통계적으로 유의한 범위 내의 편차를 가지는 것들의 목록을 제시하고 그 중 사용자로부터 선택 받아 결정될 수 있다. 체형 정보 중 어떤 경우에는 그 체형 정보를 대표 체형 정보로 선택하여 임계 체형 정보 값을 산출하였을 때 산출된 인계 체형 정보 값이 그 체형 정보의 측정 오차보다 작거나 상응하는 정도로 작은 값인 경우가 있을 수 있다. 이 경우 그 체형 정보는 대표 체형 정보 값으로 적절하지 않다.

이 경우, 모델링 함수에 포함된 변수들 모두에 대해, 이후 설명할 도 2의 단계 221, 즉 임계 체형 정보값을 산출하는 과정을 반복한다. 임계 체형 정보값은 대사 증후군에 해당하지 않는 것으로 결정된 피진단자의 모델링 함수값이 대사 증후군으로 판정되는 기준값에 도달하는데 필요한 그 변수, 즉 체형 정보 값의 변화량 값이다.

또다른 예에서, 대표 체형 정보는 대사증후군 판별에 가장 민감한 정보, 즉 함수값이 대사증후군 기준값 보다 커지는데 필요한 임계 차분값의 절대값이 가장 적은 체형 정보로 선택될 수 있다. 부가적인 일 양상에 따르면, 대표 체형 정보는 모델링 함수값이 기준값에 도달하는데 필요한 체형 정보 값의 표준화 변화량 값이 가장 적은 체형 정보로 선택된다. 일 실시예에서, 표준화 변화량 값은 모집단에서의 해당 체형 정보의 평균과 표준 편차로 정규화된 변화량 값일 수 있다. 즉, 제시된 실시예에서 사용자의 체형 정보가 모델링 함수에 입력되고, 산출된 모델링 함수값이 기준값인 0.5에 도달하기 위해 한 종류의 체형 정보가 증가하거나 감소해야하는 임계 차분값이 산출된다. 이 임계차분값은 정규화된 값일 수 있다. 모든 종류의 체형 정보에 대해 그 체형 정보만이 변화되었을 때 모델링 함수값이 기준값에 도달하는데 필요한 임계 차분값들이 산출되면, 그 임계 차분값이 가장 작은 체형 정보가 가장 민감한 대표 체형 정보로 선택될 수 있다.

대표 체형 정보가 선택되면, 그 대표 체형 정보에 대해 임계 체형 정보값이 산출된다(단계 221). 즉, 피진단자에 대해 모델링 함수값이 기준값에 도달하는데 필요한 대표 체형 정보 값의 변화량 값인 임계 체형 정보값이 산출된다(단계 221).

일 양상에 따라, 임계 체형 정보값 산출 단계는 모델링 함수값이 기준값에 도달하는데 필요한 대표 체형 정보 값의 표준화 변화량 값을 산출하는 단계와, 표준화 변화량 값을 모집단의 평균 및 표준편차를 이용하여 실제 변화량 값으로 환산하는 단계를 포함할 수 있다.

이후에, 대표 체형 정보 및 임계 체형 정보값을 포함한 경보 정보가 사용자에게 출력된다(단계 223).

아래에 또다른 일 실시예에 따른 모델링 함수가 개시된다. 먼저 이 또다른 실시예에 따른모델링 함수에서 선택된된 변수들의 조합이 아래에 제시된다.

변수명	설명
BMI	체지방지수
Region	거주지: 시골 또는 도시
Real_age	연령
ForeheadC	이마 둘레
NeckC	목 둘레
AxillaryC	겨드랑이 둘레
ChestC	가슴 둘레
RibC	늑골 둘레
WaistC	허리 둘레
PelvicC	골반 둘레
HipC	엉덩이 둘레

이때 선택된 변수들에 대한 평가 결과는 다음 표와 같다.
		B	S.E,	Wals	자유도	유의확률	Exp(B)
	BMI	-.051	.041	1.535	1	.215	.950
	Region	.058	.004	258.797	1	.000	1.060
	Real_age	.022	.005	15.675	1	.000	1.022
	@1_ForeheadC	-.126	.075	2.808	1	.094	.882
	@2_NeckC	.291	.098	8.742	1	.003	1.337
	@3_AxillaryC	.160	.193	.690	1	.406	1.174
	@4_ChestC	-.311	.233	1.793	1	.181	.732
	@5_RibC	.681	.191	12.743	1	.000	1.976
	@6_WaistC	1.424	.184	59.886	1	.000	4.154
	@7_PelvicC	-.013	.161	.007	1	.935	.987
	@8_HipC	-.437	.140	9.763	1	.002	.646
	상수항	-1.268	1.094	1.343	1	.247	.281

이런 과정을 거쳐 생성된 또다른 실시예에 따른 모델링 함수는 다음과 같다.

(수식 2)

여기서, A = -1.268+ (BMI * -0.051) + (Region * 0.058 ) + (Age * 0.022) + (ForeheadC * -0.126 ) + (NeckC * 0.291) + (AxillaryC * 0.160) + (ChestC * -0.311) + (RibC * 0.681) + (WaistC * 1.424) + (PelvicC * -0.013) + (HipC * -0.437)

이 모델링 함수에서 P값이 0.5보다 크면 = 1(대사증후군), 0.5보다 작으면 = 0 (정상)으로 판단된다.

일 양상에 따라, 예를 들어 체형 정보가 다음과 같은 피진단자에 대해 임계 체형 정보값 산출과정이 제시된다.

변수명	값
BMI	27
Region	2
Real_age	56
ForeheadC	.407689
NeckC	.965848
AxillaryC	.641604
ChestC	.707385
RibC	.687337
WaistC	.657995
PelvicC	1.096663
HipC	.866979

수식2에 이 데이터를 입력하면 현재 확률값 P=0.4495(A)가 산출된다. 대표 체형 정보가 허리 둘레값으로 선택되었다고 가정한다. 이 피진단자의 표준화 허리둘레값 WaistC(WCz) 값은 0.657995이고 실제 허리둘레값은 94.5이다. 수식2에서 WaistC 의 계수값(COefWC)이 1.424 이고, 기준값이 0.5(B) 이므로 기준값에 도달하기 위한 표준화된 WaistC의 변화량 값인 표준화 변화량 값은

=(B-A)/CoefWC = (0.5-0.4495)/1.424 = 0.035463483

이다.

여기서 기준값에 도달하기 위한 표준화 WC값의 차분값(BWCz)은

=WCz + CBWCz = 0.657995+0.035463483= 0.693458483

이다.

이때 대상 모집단에서 허리둘레의 평균값(M_WC)이 88.5645 이고, 표준편차(S_WC)가 9.020584528 라고 하면, 기준값인 0.5에 도달하는데 필요한 실제 허리둘레값 (BWC)은

= BWCZ * S_WC + M_WC = 0.693458483* 9.020584528 + 88.5645

= 94.81990086

이다.

따라서 기준값에 도달하는데 필요한 실제 변화량값은

= BWC - WC = 94.81990086 - 94.5

= 0.319900864

이다. 따라서 이 피진단자의 경우 허리둘레가 3.2mm 증가하면 대사증후군이 발병한다고 경고할 수 있다.

도 4는 일 실시예에 따른 대사 증후군 진단 및 건강 가이드 장치의 구성을 도시한 블럭도이다. 일 실시예에 따른 대사 증후군 진단 및 건강 가이드 장치는 데이터 입력부(450)와, 메모리(410), 정보 출력부(430) 및 계산부(470)를 포함한다.

계산부(470)는 예를 들면 개인용 컴퓨터, 키오스크 컴퓨터 혹은 서버와 같은 컴퓨팅 장치의 하나 혹은 일부일 수 있다. 데이터 입력부(450)는 컴퓨팅 장치에 정보를 입력하는 장치로, 마우스, 키보드, 터치 패널 혹은 이들의 조합이 될 수 있다. 정보 출력부(430)는 모니터, 음향 장치 등 사람이 인지할 수 있는 형태로 정보를 출력하는 알려진 장치 중 하나일 수 있다. 계산부(470)를 구성하는 각 블록들은 도시된 실시예에서 일련의 컴퓨터 프로그래밍 명령어들의 블록 혹은 컴퓨터 프로그램 모듈로 구성될 수 있다.

일 양상에 따르면, 계산부(470)는 모델링 산출부(471)와, 진단부(473), 그리고 대표 체형정보 결정부(475) 및 임계 체형정보값 산출부(479)를 포함할 수 있다.

모델링 산출부(471)는 대사증후군 모델링 함수에 체형 정보를 입력하여 현재 체형 정보에 따른 모델링 함수값을 산출한다. 이러한 과정은 도 1에 예시되어 있다.

진단부(473)는 데이터 입력부(450)에서 입력된 체형정보를 모델링 산출부(471)로 입력하여, 산출된 모델링 함수값과 기준값을 비교하여 대사 증후군 여부를 판단한다. 임계 체형 정보값 산출부(479)는 진단부(473)의 진단 결과 대사 증후군에 해당하지 않는 피진단자에 대해, 모델링 함수값이 기준값에 도달하는데 필요한 대표 체형 정보 값의 변화량 값을 산출한다. 정보 출력부(430)는 진단 결과, 대표 체형 정보 및 그 산출된 임계 체형 정보 값을 건강 가이드 정보로 출력한다.

일 양상에 따르면, 계산부(470)는 대표체형 정보 결정부(475)를 더 포함할 수 있다. 일 양상에 따르면, 대표 체형 정보는 사용자의 입력에 의해 결정될 수 있다. 또다른 양상에 따르면, 대표 체형 정보는 체형 정보 변수 중 그 체형 정보 변수의 임계 체형 정보값이 통계적인 오차 범위에 비추어 유의미한 수준을 가지는 변수들의 목록을 제시하고 그 중 사용자로부터 선택 받아 결정될 수 있다.

또다른 양상에 따르면, 대표 체형 정보는 모델링 함수값이 기준값에 도달하는데 필요한 체형 정보 값의 표준화 변화량 값이 가장 적은 체형 정보로 결정될 수 있다. 여기서 체형 정보 값의 표준화 변화량 값은 모집단에서의 해당 체형 정보의 평균과 표준 편차로 정규화된 변화량 값일 수 있다.

이제까지 본 발명에 대하여 그 바람직한 실시예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.

Claims

피진단자의 체형 정보를 입력 받는 데이터 입력 단계;
대사증후군 모델링 함수에 체형 정보를 입력하여 현재 체형 정보에 따른 모델링 함수값을 산출하는 모델링 함수값 산출 단계;
산출된 현재 모델링 함수값과 기준값을 비교하여 대사 증후군 여부를 판단하는 진단 단계;
대사 증후군에 해당하면 대사 증후군 진단 결과를 출력하는 진단 결과 출력 단계;
대사 증후군에 해당하지 않는 피진단자에 대해 모델링 함수값이 기준값에 도달하는데 필요한 대표 체형 정보 값의 변화량 값을 산출하는 임계 체형 정보값 산출 단계;
대표 체형 정보 및 그 산출된 임계 체형 정보 값을 건강 가이드 정보로 출력하는 가이드 정보 출력 단계;
를 포함하되,
상기 임계 체형 정보값 산출 단계는
모델링 함수값이 기준값에 도달하는데 필요한 대표 체형 정보 값의 표준화 변화량 값을 산출하는 단계;
표준화 변화량 값을 모집단의 평균 및 표준편차를 이용하여 실제 변화량 값으로 환산하는 단계;
를 포함하는 대사 증후군 진단을 위한 정보제공 및 건강 가이드 방법.
제 1 항에 있어서, 상기 대표 체형 정보는 모델링 함수값이 기준값에 도달하는데 필요한 체형 정보 값의 표준화 변화량 값이 가장 적은 체형 정보로 선택되는 대사 증후군 진단을 위한 정보제공 및 건강 가이드 방법.
제 2 항에 있어서, 체형 정보 값의 표준화 변화량 값은 모집단에서의 해당 체형 정보의 평균과 표준 편차로 정규화된 변화량 값인 대사 증후군 진단을 위한 정보제공 및 건강 가이드 방법.
제 1 항에 있어서, 상기 대표 체형 정보는 체형 정보 변수 중 그 체형 정보 변수의 임계 체형 정보값이 통계적인 오차 범위에 비추어 유의미한 수준을 가지는 변수들의 목록을 제시하고 그 중 사용자로부터 선택받아 결정되는 대사 증후군 진단을 위한 정보제공 및 건강 가이드 방법.
삭제
제 1 항에 있어서, 데이터 입력 단계에서 입력되는 체형 정보는 이마 둘레, 목 둘레, 겨드랑이 둘레, 가슴 둘레, 늑골 둘레, 허리 둘레, 골반 둘레, 엉덩이 둘레 치수 중 복수 개를 포함하는 대사 증후군 진단을 위한 정보제공 및 건강 가이드 방법.
제 1 항에 있어서, 데이터 입력 단계에서 입력되는 데이터가 연령 및 거주지 정보를 더 포함하는 대사 증후군 진단을 위한 정보제공 및 건강 가이드 방법.
제 1 항에 있어서, 모델링 함수는 모집단에 대해 로지스틱 회귀분석에 의해 도출된 확률 함수인 대사 증후군 진단을 위한 정보제공 및 건강 가이드 방법.
피진단자의 체형 정보를 입력 받는 데이터 입력부;
대사증후군 모델링 함수에 체형 정보를 입력하여 현재 체형 정보에 따른 모델링 함수값을 산출하는 모델링 산출부;
데이터 입력부에서 입력된 체형정보를 모델링 산출부로 입력하여, 산출된 모델링 함수값과 기준값을 비교하여 대사 증후군 여부를 판단하는 진단부;
진단부의 진단 결과 대사 증후군에 해당하지 않는 피진단자에 대해, 모델링 함수값이 기준값에 도달하는데 필요한 대표 체형 정보 값의 변화량 값을 산출하는 임계 체형 정보값 산출부; 그리고
진단 결과, 대표 체형 정보 및 그 산출된 변화량 값을 건강 가이드 정보로 출력하는 정보 출력부;
를 포함하되,
상기 임계 체형 정보 산출부가 상기 진단부를 통해 모델링 함수값이 기준값에 도달하는데 필요한 대표 체형 정보 값의 표준화 변화량 값을 산출하는 표준화변화량 산출부와, 표준화 변화량 값을 모집단의 평균 및 표준편차를 이용하여 실제 변화량 값으로 환산하는 환산부를 포함하는 대사 증후군 진단 및 건강 가이드 장치.
제 9 항에 있어서, 상기 장치가 :
모델링 함수값이 기준값에 도달하는데 필요한 체형 정보 값의 표준화 변화량 값이 가장 적은 체형 정보로 대표 체형 정보를 결정하여 임계 체형 정보 산출부로 출력하는 대표 체형정보 결정부를 더 포함하는 대사 증후군 진단 및 건강 가이드 장치.
제 10 항에 있어서, 체형 정보 값의 표준화 변화량 값은 모집단에서의 해당 체형 정보의 평균과 표준 편차로 정규화된 변화량 값인 대사 증후군 진단 및 건강 가이드 장치.
삭제
제 9 항에 있어서, 상기 장치가 :
체형 정보 중 통계적으로 유의한 범위 내의 편차를 가지는 것들의 목록을 정보 출력부를 통해 제시하고 그 중 사용자로부터 데이터 입력부를 통해 선택받아 대표 체형 정보를 결정하여 임계 체형 정보 산출부로 출력하는 대표 체형정보 결정부를 더 포함하는 대사 증후군 진단 및 건강 가이드 장치.
제 9 항에 있어서, 입력되는 체형 정보는 이마 둘레, 목 둘레, 겨드랑이 둘레, 가슴 둘레, 늑골 둘레, 허리 둘레, 골반 둘레, 엉덩이 둘레 치수 중 복수 개를 포함하는 대사 증후군 진단 및 건강 가이드 장치.
제 9 항에 있어서, 입력되는 데이터가 연령 및 거주지 정보를 더 포함하는 대사 증후군 진단 및 건강 가이드 장치.
제 9 항에 있어서, 모델링 함수는 모집단에 대해 로지스틱 회귀분석에 의해 도출된 확률 함수인 대사 증후군 진단 및 건강 가이드 장치.