KR101841222B1 - Method for generating prediction results for early prediction of fatal symptoms of a subject and apparatus using the same - Google Patents
Method for generating prediction results for early prediction of fatal symptoms of a subject and apparatus using the same Download PDFInfo
- Publication number
- KR101841222B1 KR101841222B1 KR1020170102265A KR20170102265A KR101841222B1 KR 101841222 B1 KR101841222 B1 KR 101841222B1 KR 1020170102265 A KR1020170102265 A KR 1020170102265A KR 20170102265 A KR20170102265 A KR 20170102265A KR 101841222 B1 KR101841222 B1 KR 101841222B1
- Authority
- KR
- South Korea
- Prior art keywords
- bio
- neural network
- prediction
- time
- subject
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 208000024891 symptom Diseases 0.000 title claims abstract description 54
- 238000010801 machine learning Methods 0.000 claims abstract description 30
- 238000003062 neural network model Methods 0.000 claims description 24
- 238000013528 artificial neural network Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 20
- 238000004891 communication Methods 0.000 claims description 13
- 208000010496 Heart Arrest Diseases 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 12
- 230000000306 recurrent effect Effects 0.000 claims description 7
- 206010040047 Sepsis Diseases 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 241000282414 Homo sapiens Species 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000007796 conventional method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000004083 survival effect Effects 0.000 description 3
- 239000012472 biological sample Substances 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 208000013223 septicemia Diseases 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 1
- 210000002751 lymph Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 210000003296 saliva Anatomy 0.000 description 1
- 210000000582 semen Anatomy 0.000 description 1
- 210000002966 serum Anatomy 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 210000002700 urine Anatomy 0.000 description 1
Images
Classifications
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural 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
- 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
Abstract
Description
본 발명은 피검체의 치명적 증상의 발생을 조기에 예측하기 위한 예측 결과를 생성하는 방법 및 이를 이용한 컴퓨팅 장치에 관한 것이다. 구체적으로, 본 발명에 따른 컴퓨팅 장치는, 상기 피검체의 생체 신호(vital sign)를 획득하거나 상기 컴퓨팅 장치에 연동되는 타 장치로 하여금 획득하도록 지원하고, 획득된 상기 생체 신호를 상기 피검체에 대하여 개체화한 데이터인 개체화 데이터로 변환하거나 상기 타 장치로 하여금 변환하도록 지원하며, 상기 치명적 증상의 조기 예측을 위한 기계 학습 모델(machine learning model)에 기초하여 상기 개체화 데이터로부터 상기 조기 예측에 관한 분석 정보를 생성하거나 상기 타 장치로 하여금 생성하도록 지원하고, 생성된 상기 분석 정보를 참조로 하여 상기 생체 신호 중 어느 하나의 특정 생체 신호에 대응되는 시점 t로부터 소정의 시간 간격 n 후의 시점인 t+n 시점까지의 상기 치명적 증상의 발생을 예측한 결과로서 상기 예측 결과를 생성하거나 상기 타 장치로 하여금 생성하도록 지원하며, 생성된 상기 예측 결과를 외부 엔티티(entity)에게 제공하거나 상기 타 장치로 하여금 제공하도록 지원한다. 또한, 본 발명에 따른 컴퓨팅 장치는, 상기 예측 결과를 평가한 정보에 기초하여, 상기 기계 학습 모델을 갱신하거나 상기 타 장치로 하여금 갱신하도록 지원할 수 있다.The present invention relates to a method of generating a prediction result for early prediction of the occurrence of a fatal symptom of a subject and a computing apparatus using the same. Specifically, the computing device according to the present invention may be configured to support the acquisition of a vital sign of the subject or other devices interlocked with the computing device, and to acquire the acquired bio-signal with respect to the subject And converting the analysis result information into individualized data, which is individualized data, or converting the other analysis data to the other device, and analyzing information about the early prediction from the individualized data based on a machine learning model for early prediction of the fatal symptom From the time point t corresponding to any one of the bio-signals to the time point t + n after a predetermined time interval n, with reference to the generated analysis information, As a result of predicting the occurrence of the fatal symptom of the subject, The support supports cause the device to generate, provide the generated predicted result to the external entity (entity) or to provide for causing the other device. Further, the computing apparatus according to the present invention can support updating the machine learning model or updating the other apparatus based on information obtained by evaluating the prediction result.
의료 임상에 있어서 심정지, 패혈증과 같은 피검체, 즉 환자의 치명적 증상은 그 발생 후 생존 퇴원율이 매우 낮은 위험한 현상이다. 예컨대, 심정지의 경우에는 생존 퇴원율에 20~30%에 불과하다. 이와 같은 심정지는 발생 전 생체 신호(vital sign)의 변화가 있기 때문에, 조기 예측이 가능하나 종래의 예측 방식에는 문제가 있다. 이는 주로 그 예측이 담당 간호사나 의사와 같은 의료 전문가의 경험이나 지식에 의존하기 때문인데, 개인의 역량에 따라서 피검체 혹은 환자의 위험이 상당히 다르게 평가되는 경향이 있으며, 그러한 평가 자체를 위한 응급 의학과의 인력도 부족한 실정이다.In medical practice, cardiac arrest, cardiac arrest, and other conditions such as sepsis, that is, the fatal condition of the patient, are a dangerous phenomenon with a very low rate of survival after the outbreak. For example, in the case of a cardiac arrest, the survival rate is only 20 to 30%. In such a cardiac arrest, since there is a change in the vital sign before the occurrence, early prediction is possible, but there is a problem in the conventional prediction method. This is mainly due to the fact that the prediction depends on the experience and knowledge of medical professionals such as nurses and doctors. Depending on the individual's ability, the risk of the subject or patient tends to be significantly different, and the emergency department Of the workforce.
개략적으로, 종래의 예측 방식에 관하여 설명하면, 종래에 규칙-기반(rule-based)으로 생체 신호의 값에 따라 점수를 부여하여 심정지와 같은 치명적 증상의 위험을 판정하는 방식을 취하고 있는데, 위음성(false negative)으로 오판하거나 위양성(false positive)으로 오판하는 비율이 높다. 여기에서 위음성은 실제 치명적 증상이 일어날 환자의 위험을 예측해내지 못한 경우를 지칭하며, 위양성은 실제 치명적 증상이 일어나지 않는데도 일어날 것으로 예측하는 경우를 지칭한다.[0003] In general, a conventional prediction method is described. Conventionally, a method of determining a risk of a fatal symptom such as a cardiac arrest by applying a score according to a value of a bio-signal in a rule-based manner is adopted. false negative), or false positives. False negatives refers to cases where the actual risk of a fatal condition can not be predicted, and false positive refers to a case where it is predicted that the actual fatal condition will not occur.
이에 따라 본 발명에서는 종래의 방식보다 정확하게 치명적 증상을 조기 예측할 수 있도록 하는 치명적 증상 조기 예측 결과 생성 방법을 제안하고자 한다. Accordingly, the present invention proposes a method of generating a fatal symptom early prediction result that enables a fatal symptom to be predicted more accurately than a conventional method.
본 발명은 종래 방식의 높은 위음성을 줄여 심정지와 같은 치명적 증상이 발생할 환자를 조기에 찾아내어 환자의 생존율을 높이는 것을 목적으로 한다.It is an object of the present invention to early detect a patient suffering from a fatal symptom such as a cardiac arrest by reducing the high false negative of the conventional system, thereby increasing the survival rate of the patient.
또한, 본 발명은 종래 방식의 높은 위양성을 줄여 불필요한 진료 시간을 절약함으로서 진료 환경을 개선하는 것을 목적으로 한다.Further, the present invention aims at improving the medical care environment by reducing the high false positives of the conventional method, thereby saving unnecessary time for medical treatment.
상기한 바와 같은 본 발명의 목적을 달성하고, 후술하는 본 발명의 특징적인 효과를 실현하기 위한 본 발명의 특징적인 구성은 하기와 같다.The characteristic configuration of the present invention for achieving the object of the present invention as described above and realizing the characteristic effects of the present invention described below is as follows.
본 발명의 일 태양에 따르면, 피검체의 치명적 증상의 발생을 조기에 예측하기 위한 예측 결과를 생성하는 방법이 제공되는바, 그 방법은, (a) 컴퓨팅 장치가, 상기 피검체의 생체 신호(vital sign)를 획득하거나 상기 컴퓨팅 장치에 연동되는 타 장치로 하여금 획득하도록 지원하는 단계; (b) 상기 컴퓨팅 장치가, 획득된 상기 생체 신호를 상기 피검체에 대하여 개체화한 데이터인 개체화 데이터로 변환하거나 상기 타 장치로 하여금 변환하도록 지원하는 단계; (c) 상기 컴퓨팅 장치가, 상기 치명적 증상의 조기 예측을 위한 기계 학습 모델에 기초하여 상기 개체화 데이터로부터 상기 조기 예측에 관한 분석 정보를 생성하거나 상기 타 장치로 하여금 생성하도록 지원하고, 생성된 상기 분석 정보를 참조로 하여 상기 생체 신호 중 어느 하나의 특정 생체 신호에 대응되는 시점 t로부터 소정의 시간 간격 n 후의 시점인 t+n 시점까지의 상기 치명적 증상의 발생을 예측한 결과로서 상기 예측 결과를 생성하거나 상기 타 장치로 하여금 생성하도록 지원하는 단계; 및 (d) 상기 컴퓨팅 장치가, 생성된 상기 예측 결과를 외부 엔티티(entity)에게 제공하거나 상기 타 장치로 하여금 제공하도록 지원하는 단계를 포함한다.According to an aspect of the present invention, there is provided a method of generating a prediction result for early prediction of occurrence of a fatal symptom of a subject, the method comprising the steps of: (a) acquiring or acquiring a vital sign or other device associated with the computing device; (b) supporting the computing device to convert the obtained bio-signal into the individualized data, which is data obtained by individualizing the body of the subject, or to convert the other device into the individualized data; (c) the computing device is configured to generate analysis information on the early prediction from the individualization data based on a machine learning model for early prediction of the fatal condition or to cause the other device to generate the analysis, And generates the prediction result as a result of predicting occurrence of the fatal symptom from a time point t corresponding to any one of the bio-signals to a time point t + n after a predetermined time interval n with reference to the information Or to allow the other device to generate; And (d) supporting the computing device to provide an external entity with the prediction result or provide the other device with the prediction result.
바람직하게는, 상기 방법은, (e) 상기 예측 결과를 평가한 정보에 기초하여, 상기 컴퓨팅 장치가, 상기 기계 학습 모델을 갱신하는 단계를 더 포함한다.Advantageously, the method further comprises: (e) updating, by the computing device, the machine learning model based on information obtained by evaluating the prediction result.
본 발명의 다른 태양에 따르면, 본 발명에 따른 방법을 수행하도록 구현된 인스트럭션들(instructions)을 포함하는 컴퓨터 프로그램도 제공된다.According to another aspect of the present invention, there is also provided a computer program comprising instructions implemented to perform the method according to the present invention.
본 발명의 또 다른 태양에 따르면, 피검체의 치명적 증상의 발생을 조기에 예측하기 위한 예측 결과를 생성하는 컴퓨팅 장치가 제공되는바, 그 컴퓨팅 장치는, 상기 피검체의 생체 신호(vital sign)를 획득하는 통신부; 및 획득된 상기 생체 신호를 상기 피검체에 대하여 개체화한 데이터인 개체화 데이터로 변환하거나 상기 통신부를 통하여 연동되는 타 장치로 하여금 변환하도록 지원하는 프로세서를 포함하되, 상기 프로세서는, 상기 치명적 증상의 조기 예측을 위한 기계 학습 모델에 기초하여 상기 개체화 데이터로부터 상기 조기 예측에 관한 분석 정보를 생성하거나 상기 타 장치로 하여금 생성하도록 지원하고, 생성된 상기 분석 정보를 참조로 하여 상기 생체 신호 중 어느 하나의 특정 생체 신호에 대응되는 시점 t로부터 소정의 시간 간격 n 후의 시점인 t+n 시점까지의 상기 치명적 증상의 발생을 예측한 결과로서 상기 예측 결과를 생성하거나 상기 타 장치로 하여금 생성하도록 지원하며, 생성된 상기 예측 결과를 외부 엔티티(entity)에게 제공한다.According to still another aspect of the present invention, there is provided a computing device for generating a prediction result for early prediction of the occurrence of a fatal symptom of a subject, the computing device comprising: a vital sign of the subject; A communicating unit for acquiring; And a processor for converting the obtained bio-signal to individualized data that is data obtained by individualizing the bio-signal with respect to the subject, or for converting the data into other data to be interlocked through the communication unit, And generating the analysis information on the early prediction from the individualized data based on the machine learning model for the specific biological organism or supporting the generation of the other apparatus, Signal to generate the prediction result as a result of predicting occurrence of the fatal symptom from a time point t to a time point t + n after a predetermined time interval n, or to cause the other device to generate the prediction result, And provides the prediction result to an external entity.
바람직하게는, 상기 컴퓨팅 장치의 상기 프로세서는, 상기 예측 결과를 평가한 정보에 기초하여 상기 기계 학습 모델을 갱신한다.Preferably, the processor of the computing device updates the machine learning model based on information obtained by evaluating the prediction result.
본 발명에 의하면, 종래에 의료 전문가들이 그 경험이나 지식에 의존하여 환자의 위험을 판정하는 방식에 비하여 보다 신속하고 반복 용이하게 심정지, 패혈증 등의 치명적 증상을 예측할 수 있는 효과가 있다.According to the present invention, it is possible to predict fatal symptoms such as cardiac arrest and septicemia more quickly and repeatedly than the conventional method in which medical professionals depend on the experience or knowledge to determine the risk of a patient.
또한 본 발명에 의하면, 기존의 규칙-기반에 의한 점수 부여의 방식에 비하여 치명적 증상의 예측에 있어서 위음성 및 위양성을 더 낮출 수 있는 효과가 있다.According to the present invention, it is possible to further reduce the false negativity and the false positive in predicting the fatal symptom, compared with the existing rule-based score-granting method.
그리고 본 발명에 의하면, 시계열적으로 진행되는 임상 과정에서 지속적인 예측을 가능하게 함으로써 의료 현장에서의 워크플로우(workflow)를 혁신할 수 있는 효과가 있다.According to the present invention, it is possible to innovate a workflow in a medical field by enabling continuous prediction in a clinical procedure that proceeds in a time-series manner.
게다가 본 발명은, 본 발명의 방법을 이용함에 따라 지속적으로 그 예측 성능이 개선될 수 있는 효과가 있다.In addition, the present invention has the effect that the prediction performance can be continuously improved by using the method of the present invention.
본 발명의 실시예의 설명에 이용되기 위하여 첨부된 아래 도면들은 본 발명의 실시예들 중 단지 일부일 뿐이며, 본 발명이 속한 기술분야에서 통상의 지식을 가진 사람(이하 “통상의 기술자”라 함)에게 있어서는 발명적 작업이 이루어짐 없이 이 도면들에 기초하여 다른 도면들이 얻어질 수 있다.
도 1은 본 발명에 이용되는 기계 학습 모델인 순환 신경망(recurrent neural network; RNN)을 설명하기 위하여 주요 개념을 도시한 도면이다.
도 2는 본 발명에 따라 피검체의 치명적 증상의 발생을 조기에 예측하기 위한 예측 결과의 생성 방법(이하 "치명적 증상 조기 예측 결과 생성 방법"이라 함)을 수행하는 컴퓨팅 장치의 예시적 구성을 개략적으로 도시한 개념도이다.
도 3은 본 발명에 따른 치명적 증상 조기 예측 결과 생성 방법을 수행하는 컴퓨팅 장치의 하드웨어 및 소프트웨어 아키텍처를 예시적으로 도시한 개념도이다.
도 4는 본 발명에 따른 치명적 증상 조기 예측 결과 생성 방법을 예시적으로 나타낸 흐름도이다.BRIEF DESCRIPTION OF THE DRAWINGS The accompanying drawings, which are included to provide a further understanding of the invention and are incorporated in and constitute a part of this application, illustrate embodiments of the invention and, together with the description, serve to explain the principles of the invention to those skilled in the art Other drawings can be obtained based on these figures without an inventive task being performed.
BRIEF DESCRIPTION OF THE DRAWINGS Fig. 1 is a diagram showing a main concept for explaining a recurrent neural network (RNN) which is a machine learning model used in the present invention.
2 schematically shows an exemplary configuration of a computing device that performs a method of generating a prediction result (hereinafter referred to as "method for generating a fatal symptom early prediction result") for early prediction of the occurrence of a fatal symptom of a subject according to the present invention. FIG.
FIG. 3 is a conceptual diagram illustrating a hardware and software architecture of a computing device performing a method for generating a fatal symptom early prediction result according to the present invention.
4 is a flowchart illustrating an exemplary method for generating a fatal symptom early prediction result according to the present invention.
후술하는 본 발명에 대한 상세한 설명은, 본 발명의 목적들, 기술적 해법들 및 장점들을 분명하게 하기 위하여 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 통상의 기술자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. The following detailed description of the invention refers to the accompanying drawings, which illustrate, by way of example, specific embodiments in which the invention may be practiced in order to clarify the objects, technical solutions and advantages of the invention. These embodiments are described in sufficient detail to enable those skilled in the art to practice the invention.
본 발명의 상세한 설명 및 청구항들에 걸쳐, '치명적 증상(fatal symptoms)'이라는 단어 및 그 변형은 본 발명이 적용되는 대상의 일 예시인 심정지(cardiac arrest)에 한정되지 않고, 패혈증 등과 같이 시계열적 변화에 의하여 피검체의 생명에 큰 위험을 초래할 수 있는 갖가지 종류의 임상적 현상을 포함하는 개념으로 이해되어야 할 것이다.Throughout the description and claims of the present invention, the word " fatal symptoms " and variations thereof are not limited to cardiac arrest, which is an example of an object to which the present invention is applied, It should be understood as a concept that includes various kinds of clinical phenomena that can cause great danger to the life of the subject by the change.
또한, 본 발명의 상세한 설명 및 청구항들에 걸쳐, '생체 신호(vital signs)'는 대상자의 체온, 심전도, 호흡, 맥박, 혈압, 산소 포화도, 피부 전도도 등의 측정값을 지칭하는 통상의 의미로만 한정하여 해석되어야 할 것은 아니고, 뇌파 신호, 기타 측정을 통하여 획득 가능한 생물학적 시료 중의 특정 물질의 양, 농도 등도 포함하는 것으로 이해되어야 할 것이다.In addition, throughout the description and claims of the present invention, 'vital signs' are used only in the ordinary sense to refer to measurement values such as body temperature, electrocardiogram, respiration, pulse, blood pressure, oxygen saturation, But should be understood to include, but not limited to, EEG signals, amounts of specific substances in biological samples obtainable through other measurements, concentrations, and the like.
여기에서 '생물학적 시료'는 피검체의 혈액, 혈청, 소변, 림프액, 뇌척수액, 타액, 정액, 질액 등등 피검체로부터 채취될 수 있는 다양한 종류의 물질로 이해되어야 할 것이다.Here, 'biological sample' should be understood as various kinds of substances that can be collected from the subject such as blood, serum, urine, lymph, cerebrospinal fluid, saliva, semen,
그리고 본 발명의 상세한 설명 및 청구항들에 걸쳐 '학습' 혹은 '러닝'은 절차에 따른 컴퓨팅(computing)을 통하여 기계 학습(machine learning)을 수행함을 일컫는 용어인바, 인간의 교육 활동과 같은 정신적 작용을 지칭하도록 의도된 것이 아님을 통상의 기술자는 이해할 수 있을 것이다.Throughout the detailed description and claims of the present invention, 'learning' or 'learning' refers to performing machine learning through computing according to a procedure, It will be understood by those of ordinary skill in the art that the present invention is not intended to be so-called.
그리고 본 발명의 상세한 설명 및 청구항들에 걸쳐, '포함하다'라는 단어 및 그 변형은 다른 기술적 특징들, 부가물들, 구성요소들 또는 단계들을 제외하는 것으로 의도된 것이 아니다. 통상의 기술자에게 본 발명의 다른 목적들, 장점들 및 특성들이 일부는 본 설명서로부터, 그리고 일부는 본 발명의 실시로부터 드러날 것이다. 아래의 예시 및 도면은 실례로서 제공되며, 본 발명을 한정하는 것으로 의도된 것이 아니다.And throughout the description and claims of this invention, the word 'comprise' and variations thereof are not intended to exclude other technical features, additions, elements or steps. Other objects, advantages and features of the present invention will become apparent to those skilled in the art from this description, and in part from the practice of the invention. The following examples and figures are provided by way of illustration and are not intended to limit the invention.
더욱이 본 발명은 본 명세서에 표시된 실시예들의 모든 가능한 조합들을 망라한다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예에 관련하여 본 발명의 사상 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 사상 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다. Moreover, the present invention encompasses all possible combinations of embodiments shown herein. It should be understood that the various embodiments of the present invention are different, but need not be mutually exclusive. For example, certain features, structures, and characteristics described herein may be implemented in other embodiments without departing from the spirit and scope of the invention in connection with one embodiment. It should also be understood that the position or arrangement of individual components within each disclosed embodiment may be varied without departing from the spirit and scope of the present invention. The following detailed description is, therefore, not to be taken in a limiting sense, and the scope of the present invention is to be limited only by the appended claims, along with the full scope of equivalents to which such claims are entitled, if properly explained. In the drawings, like reference numerals refer to the same or similar functions throughout the several views.
본 명세서에서 달리 표시되거나 분명히 문맥에 모순되지 않는 한, 단수로 지칭된 항목은, 그 문맥에서 달리 요구되지 않는 한, 복수의 것을 아우른다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.Unless otherwise indicated herein or clearly contradicted by context, items referred to in the singular are intended to encompass a plurality unless otherwise specified in the context. In the following description of the present invention, a detailed description of known functions and configurations incorporated herein will be omitted when it may make the subject matter of the present invention rather unclear.
이하, 통상의 기술자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 바람직한 실시예들에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings, so that those skilled in the art can easily carry out the present invention.
도 1은 본 발명에 이용되는 기계 학습 모델인 순환 신경망(recurrent neural network; RNN)을 설명하기 위하여 주요 개념을 도시한 도면이다.BRIEF DESCRIPTION OF THE DRAWINGS Fig. 1 is a diagram showing a main concept for explaining a recurrent neural network (RNN) which is a machine learning model used in the present invention.
도 1을 참조하면 본 발명에서 이용되는 기계 학습(machine learning) 모델 중 깊은 신경망 모델은 인공 신경망을 다층으로 쌓은 형태로 간략하게 설명할 수 있다. 즉, 깊은 구조의 네트워크라는 의미로 깊은 신경망 혹은 딥 신경망(deep neural network)이라고 표현하며, 도 1에 도시된 바와 같이, 다층의 네트워크로 이루어진 구조에서 다량의 데이터를 학습시킴으로써 각각의 생체 신호의 특징, 생체 신호 간의 관계를 자동으로 학습하고, 이를 통해 목적 함수, 즉 치명적 증상의 예측 정확도의 에러(error)를 최소화시키는 방법으로 네트워크를 학습시켜 나아가는 형태이다. 이는, 일견 인간 두뇌의 신경세포 간의 연결로도 표현이 되는바, 이와 같은 깊은 신경망은 인공지능의 차세대 모델로 자리잡아 가고 있다.Referring to FIG. 1, among the machine learning models used in the present invention, a deep neural network model can be briefly described as a form in which artificial neural networks are stacked in multiple layers. That is, it is expressed as a deep neural network or a deep neural network in the sense of a network of deep structure. As shown in FIG. 1, by learning a large amount of data in a structure of a multi-layer network, , And automatically learns the relationship between the biological signals and thereby learns the network by a method that minimizes the error of the objective function, that is, the prediction accuracy of the fatal symptom. This is also expressed as a connection between neurons in the human brain, and such a deep neural network is becoming a next generation model of artificial intelligence.
본 발명에서 활용되는 깊은 신경망 모델 중 특히 순환 신경망(recurrent neural network; RNN)은 도 1에 도시된 바와 같이 순차적으로 입력되는 데이터를 분석할 때 이용될 수 있다. 시간 순서에 따른 데이터의 특징을 찾고, 이전 시점의 특징 중 현재 시점을 분석할 때 참고하여야 할 주요 특징을 선별하여 반영하는 구조로 되어 있다. 예를 들어, 도 1을 참조하면, t+1 시점에 입력된 데이터를 분석하는 경우에 t-1 시점, t 시점에 분석한 주요 특징을 반영한 학습을 통하여 해당 데이터를 분석할 수 있다. 이와 같이 본 발명에서는 순환 신경망의 구조를 이용하여 생체 신호의 시간에 따른 변화를 추출하여 치명적 증상의 예측에 활용할 수 있는 장점이 있다.Among the deep neural network models utilized in the present invention, in particular, a recurrent neural network (RNN) can be used for analyzing sequentially input data as shown in FIG. It is structured to search for the characteristics of data according to time order and to select and reflect important features to be referred to when analyzing the present time point among the features of the previous time point. For example, referring to FIG. 1, when input data is analyzed at time t + 1, the data can be analyzed through learning that reflects the main characteristics analyzed at time t-1 and time t. As described above, the present invention has an advantage of extracting the time-dependent change of the bio-signal using the structure of the circulatory neural network and using it to predict the fatal symptom.
요컨대, 시계열적 순서, 시간의 흐름, 혹은 시간 축을 따라 전개되는 순환 신경망은 무한 개의 층을 가지는 깊은 신경망으로 이해할 수 있는바, 도 1을 참조하여 설명하면, xt는 t 시점에서의 입력 벡터를 지칭하고, st는 t 시점에서의 은닉 상태(hidden state)(즉, 신경망의 기억)를 지칭한다. In short, the circular neural network developed along the time series, the time series, or the time axis can be understood as a deep neural network having an infinite number of layers. Referring to FIG. 1, x t denotes an input vector at time t , And s t refers to the hidden state at the time t (i.e., the memory of the neural network).
부연하면, 도 1에 개념적으로 도시된 순환 신경망은 st=f(U xt+W st-1)과 y=g(V st)의 식을 따른다. 참고로, y는 도 1에 o로 표시되어 있다. 여기에서, f는 활성화 함수(activation function)(예컨대, tanh() 및 ReLU 함수)를 지칭하고, U, V, W는 신경망의 파라미터를 지칭한다. 여기에서 U, V, W는 전방 전달 신경망(feedforward neural network)에서와는 달리 순환 신경망에서는 모든 시점의 단계들에 걸쳐 동일하게 공유되는 파라미터이다. g는 출력층(output layer)을 위한 활성화 함수(전형적으로는 softmax 함수가 있음)이며, y는 t 시점에서의 상기 신경망의 출력 벡터를 지칭한다. 이와 같은 순환 신경망을 이용하는 본 발명의 방법에 관하여는 상세히 후술하기로 한다.In other words, the circulating neural network conceptually shown in FIG. 1 follows the equation of s t = f (U x t + W s t-1 ) and y = g (V s t ). For reference, y is indicated by o in Fig. Here, f refers to an activation function (e.g., tanh () and ReLU function), and U, V, W refer to parameters of a neural network. Here, U, V, and W are equally shared parameters across all phases of the neural network, unlike in the feedforward neural network. g is an activation function for the output layer (typically with a softmax function), and y is the output vector of the neural network at time t. The method of the present invention using such a cyclic neural network will be described later in detail.
다음으로, 도 2는 본 발명에 따른 치명적 증상 조기 예측 결과 생성 방법을 수행하는 컴퓨팅 장치의 예시적 구성을 개략적으로 도시한 개념도이다.Next, FIG. 2 is a conceptual diagram schematically showing an exemplary configuration of a computing device that performs a method of generating a fatal symptom early prediction result according to the present invention.
도 2를 참조하면, 본 발명의 일 실시예에 따른 컴퓨팅 장치(200)는, 통신부(210) 및 프로세서(220)를 포함하며, 상기 통신부(210)를 통하여 외부 컴퓨팅 장치(미도시)와 직간접적으로 통신할 수 있다.2, a
구체적으로, 상기 컴퓨팅 장치(200)는, 전형적인 컴퓨터 하드웨어(예컨대, 컴퓨터 프로세서, 메모리, 스토리지, 입력 장치 및 출력 장치, 기타 기존의 컴퓨팅 장치의 구성요소들을 포함할 수 있는 장치; 라우터, 스위치 등과 같은 전자 통신 장치; 네트워크 부착 스토리지(NAS) 및 스토리지 영역 네트워크(SAN)와 같은 전자 정보 스토리지 시스템)와 컴퓨터 소프트웨어(즉, 컴퓨팅 장치로 하여금 특정의 방식으로 기능하게 하는 인스트럭션들)의 조합을 이용하여 원하는 시스템 성능을 달성하는 것일 수 있다.In particular, the
이와 같은 컴퓨팅 장치의 통신부(210)는 연동되는 타 컴퓨팅 장치와 요청과 응답을 송수신할 수 있는바, 일 예시로서 그러한 요청과 응답은 동일한 TCP 세션에 의하여 이루어질 수 있지만, 이에 한정되지는 않는바, 예컨대 UDP 데이터그램으로서 송수신될 수도 있을 것이다. 덧붙여, 넓은 의미에서 상기 통신부(210)는 명령어 또는 지시 등을 전달받기 위한 키보드, 마우스, 기타 외부 입력장치를 포함할 수 있다.The
또한, 컴퓨팅 장치의 프로세서(220)는 MPU(Micro Processing Unit) 또는 CPU(Central Processing Unit), 캐시 메모리(Cache Memory), 데이터 버스(Data Bus) 등의 하드웨어 구성을 포함할 수 있다. 또한, 운영체제, 특정 목적을 수행하는 애플리케이션의 소프트웨어 구성을 더 포함할 수도 있다.The
도 3은 본 발명에 따른 치명적 증상 조기 예측 결과 생성 방법을 수행하는 컴퓨팅 장치의 하드웨어 및 소프트웨어 아키텍처를 예시적으로 도시한 개념도이다.FIG. 3 is a conceptual diagram illustrating a hardware and software architecture of a computing device performing a method for generating a fatal symptom early prediction result according to the present invention.
도 3을 참조하여 본 발명에 따른 방법 및 장치의 구성을 개관하면, 컴퓨팅 장치(200)는 그 일 구성요소로서 생체 신호 획득 모듈(310)을 포함할 수 있다. 이와 같은 생체 신호 획득 모듈(310)은 상기 컴퓨팅 장치(200)에 포함된 통신부(210), 또는 상기 통신부(210) 및 프로세서(220)의 연동에 의하여 구현될 수 있음은 통상의 기술자가 이해할 수 있을 것이다.Referring to FIG. 3, the
생체 신호 획득 모듈(310)은, 피검체의 생체 신호를 획득할 수 있다. 예를 들어, 이는 상기 피검체의 전자 의무 기록(electronic medical record; EMR)으로부터 획득되는 것일 수 있으나, 이에 한정되지는 않는다.The
다음으로, 그 획득된 생체 신호는 개체화 모듈(320)에 전달될 수 있는데, 개체화 모듈(320)에서는 그 생체 신호를 상기 피검체에 대하여 개체화 혹은 개인화한 데이터인 개체화 데이터로 변환한다. 예컨대, 이와 같은 생체 신호는 인간(homo sapiens)인 피검체로부터 획득될 수 있을 것이나, 통상의 기술자는 이에 한정되지 않음을 이해할 수 있을 것인바, 특정 인간인 피검체에 대하여 '개인화'하는 것에 대응하여 특정 동물인 피검체에 대하여 '개체화'하는 것도 가능할 것이다. Next, the obtained bio-signal can be transmitted to the
이와 같은 변환을 수행하는 이유는, 피검체마다 정상적인 생체 신호와 치명적 증상의 발생 직전의 생체 신호가 다르기 때문이다. 예를 들어 어떤 피검체는 정상일 때 분당 45회 호흡한다면, 다른 피검체의 경우에는 심정지 직전에 분당 45회 호흡할 수 있다. 이와 같이 본 발명에서는 획득된 생체 신호를 단순히 이용하는 것이 아니라 개별 피검체에 맞춰서 보정하여야 할 필요가 있다.The reason for performing such a conversion is that a normal living body signal and a living body signal immediately before the occurrence of a fatal symptom are different for each subject. For example, some subjects may breathe 45 times per minute at normal times, and other subjects may breathe 45 times per minute just before the cardiac arrest. As described above, in the present invention, it is necessary to correct the obtained bio-signals in accordance with individual subjects, rather than simply using them.
이와 같은 필요에 따라 피검체에 대하여 생체 신호를 개체화하는 상기 변환의 일 예시로서, 개체화 모듈(320)은 상기 생체 신호 중 최초 소정 시간 동안의 생체 신호의 평균을 상기 생체 신호의 전체 시간 동안의 생체 신호에서 제함으로써 상기 전체 시간 동안의 생체 신호의 편차를 구하고, 제공된 다수의 타 피검체의 생체 신호의 평균 및 분산을 참조로 하여 상기 피검체의 상기 전체 시간 동안의 생체 신호의 표준화 점수(z-score)를 상기 개체화 데이터로서 산출하는 방식으로 상기 생체 신호를 상기 개체화 데이터로 변환할 수 있다.As an example of the conversion of the biometric signal to the subject according to the need, the
이의 구체적인 일 예시를 들면, 피검체의 첫 10시간의 생체 신호를 정상으로 가정하고, 나머지 시간의 생체 신호로부터 상기 10시간의 생체 신호의 평균을 뺀 값이 평균으로부터의 차이, 즉 편차를 구할 수 있으며, 모든 피검체를 대상으로 개개의 생체 신호의 평균 및 분산을 계산함으로써 상기 피검체의 전체 생체 신호에 대한 표준화 점수(z-score)를 구할 수 있다. 이렇게 하면, 이후의 생체 신호를 절대적인 값으로서 다루는 것보다는, 피검체에 따라 각 피검체의 정상적인 생체 신호에서 상대적으로 얼마나 벗어난 값인지로서 다룰 수 있게 된다.As a specific example, a value obtained by subtracting the average of the 10-hour bio-signals from the bio-signals of the remaining time, assuming that the bio-signals of the first 10 hours of the subject are normal, , And a standardized score (z-score) for the whole bio-signals of the subject can be obtained by calculating the mean and variance of the individual bio-signals for all the subjects. By doing so, rather than treating the subsequent bio-signals as absolute values, it can be handled as a value which is relatively far off from the normal bio-signals of each subject depending on the subject.
이와 같이 각각의 피검체에 대하여 개체화된 데이터인 개체화 데이터가 제1 분석 모듈(330a) 및 제2 분석 모듈(330b)에 입력되면, 상기 조기 예측에 관한 분석 정보가 생성되고, 이 분석 정보에 기초하여 예측 모듈(340)은 특정 시점까지의 치명적 증상의 발생 확률에 관한 예측 결과를 생성하는바, 이 분석 정보 및 예측 결과가 생성되는 구체적인 과정에 관하여는 후술하기로 한다.When individualized data, which is individualized data for each subject, is input to the
다음으로, 갱신 모듈 및 학습 모듈(350)은, 본 발명의 방법의 수행에 따라 피검체의 치명적 증상의 발생에 이용될 기계 학습 모델을 미리 학습하거나 본 발명의 방법의 수행에 따른 예측 결과를 평가한 정보에 기초하여 상기 기계 학습 모델을 갱신하는 기능을 한다.Next, the update module and the
이제 본 발명에 따른 치명적 증상 조기 예측 결과의 생성 방법을 도 4를 참조하여 구체적으로 설명하기로 한다. 도 4는 본 발명에 따른 치명적 증상 조기 예측 결과 생성 방법을 예시적으로 나타낸 흐름도이다.Now, a method of generating a fatal symptom early prediction result according to the present invention will be described in detail with reference to FIG. 4 is a flowchart illustrating an exemplary method for generating a fatal symptom early prediction result according to the present invention.
도 4를 참조하면, 본 발명에 따른 예측 결과 생성 방법은, 우선, 컴퓨팅 장치(200)의 통신부(210)에 의하여 구현되는 생체 신호 획득 모듈(310)이, 상기 피검체의 생체 신호(vital sign)를 획득하는 단계(S410)를 포함한다. 예를 들어, 그러한 생체 신호는 t0 시점으로부터 t 시점까지의 시계열적 생체 신호일 수 있으나, 이에 한정되지 않는바, 생체 신호는 단일 시점에서의 생체 신호일 수도 있다. 본 명세서를 읽은 통상의 기술자는 단일 시점에서의 생체 신호에 대해서도 치명적 증상에 대한 예측 결과를 생성할 수 있음을 이해할 수 있을 것이다.4, a biometric
계속해서, 도 4를 참조하면, 상기 예측 결과 생성 방법은, 상기 컴퓨팅 장치(200)의 프로세서(220)에 의하여 구현되는 개체화 모듈(320)이, 획득된 상기 생체 신호를 상기 피검체에 대하여 개체화한 데이터인 개체화 데이터로 변환하거나 상기 통신부(210)를 통하여 연동되는 타 장치로 하여금 변환하도록 지원하는 단계(S420)를 더 포함한다.4, the method for generating a prediction result includes the steps of: an
일 실시예에서, 단계(S420)는, 앞서 언급된 바와 같이 상기 생체 신호 중 최초 소정 시간 동안의 생체 신호의 평균을 상기 생체 신호의 전체 시간 동안의 생체 신호에서 제함으로써 상기 전체 시간 동안의 생체 신호의 편차를 구하고, 제공된 다수의 타 피검체의 생체 신호의 평균 및 분산을 참조로 하여 상기 피검체의 상기 전체 시간 동안의 생체 신호의 표준화 점수(z-score)가 상기 개체화 데이터로서 산출되는 것을 특징으로 할 수 있다. 다만, 피검체별로 환자의 특성에 맞도록 변환하여 개체화 데이터를 구성하는 방식은 이와 같은 방식에 한정되지 않는다는 점을 통상의 기술자는 이해할 수 있을 것이다.In one embodiment, as described above, the average of the bio-signals during the first predetermined time of the bio-signals is removed from the bio-signals during the entire time of the bio-signals, as described above, (Z-score) of the bio-signals during the entire time of the subject is calculated as the individualization data with reference to the average and variance of the bio-signals of the provided plurality of subjects. . It should be understood by those skilled in the art, however, that the manner in which the individualized data is constructed to be transformed to suit the characteristics of the patient for each subject is not limited to such a method.
다시 도 4를 참조하면, 그 다음으로, 본 발명에 따른 치명적 증상 조기 예측 결과 생성 방법은, 상기 치명적 증상의 조기 예측을 위한 기계 학습 모델에 기초하여 상기 개체화 데이터로부터 상기 조기 예측에 관한 분석 정보를 생성하거나 상기 타 장치로 하여금 생성하도록 지원(S432)하고, 생성된 상기 분석 정보를 참조로 하여 상기 생체 신호 중 어느 하나의 특정 생체 신호에 대응되는 시점 t로부터 소정의 시간 간격 n 후의 시점인 t+n 시점까지의 상기 치명적 증상의 발생을 예측한 결과로서 상기 예측 결과를 생성하거나 상기 타 장치로 하여금 생성하도록 지원(S434)하는 단계(S432; S434)를 더 포함한다.Referring again to FIG. 4, a method for generating a fatal symptom early prediction result according to the present invention includes: analyzing information on the early prediction from the individualized data based on a machine learning model for early prediction of the fatal symptom; (Step S432), and generates a bio-signal based on the generated analysis information, and generates a bio-signal based on the bio-signal at a time point t after a predetermined time interval n from a time point t corresponding to any one of the bio- (S434) a step S434 of generating the prediction result as a result of predicting the occurrence of the fatal symptom until the n-th time point or supporting the other device to generate it (S434).
본 발명의 일 실시예에 따르면, 상기 기계 학습 모델에 순환 신경망(recurrent neural network) 모델이 분석 모델로서 포함될 수 있으며, 이 분석 모델을 구현하는 분석 모듈(330a; 330b)이 상기 프로세서(220)에 의하여 실행될 수 있다. 전술한 바와 같이 st=f(U xt+W st-1)과 y=g(V st)의 식을 따르는 상기 순환 신경망에 있어서 상기 xt는 t 시점에서의 입력 벡터인 상기 개체화 데이터 또는 상기 개체화 데이터로부터 가공된 값을 지칭하는데, 상기 개체화 데이터로부터 가공된 값이라 함은, 예를 들어, 상기 개체화 데이터의 (이전 시점으로부터 해당 시점으로의) 변화량 또는 상기 변화량의 변화량일 수 있다. According to an embodiment of the present invention, a recurrent neural network model may be included in the machine learning model as an analysis model, and
계속하여 설명하면, 상기 st는 상기 t 시점에서의 상기 순환 신경망 모델의 기억에 상응하는 은닉 상태(hidden state)를 지칭하며, 상기 st-1은 t-1 시점에서의 상기 은닉 상태를 지칭하고, 상기 U, V 및 W는 상기 순환 신경망 모델의 모든 시점에 걸쳐 동일하게 공유되는 신경망 파라미터를 지칭하며, 상기 f는 상기 은닉 상태를 산출하도록 선택된 소정의 제1 활성화 함수를 지칭하고, 상기 y는 상기 분석 정보로서 t 시점에서의 상기 순환 신경망 모델에 따른 잠재적 특징(latent feature)인 출력층을 지칭하며, 상기 g는 상기 출력층을 산출하도록 선택된 소정의 제2 활성화 함수를 지칭한다.Here, s t denotes a hidden state corresponding to the memory of the circular neural network model at time t, and s t-1 denotes the hidden state at time t-1. Wherein U, V and W refer to neural network parameters that are equally shared over all points in the recurrent neural network model, f refers to a predetermined first activation function selected to produce the concealed state, and y Refers to an output layer that is a latent feature according to the circular neural network model at time t as the analysis information, and g denotes a predetermined second activation function selected to calculate the output layer.
구체적으로, 본 발명에 따른 분석 모듈(330a; 330b) 중 제1 분석 모듈(330a)은 상기 t 시점에서의 개체화 데이터를 참조로 하여 상기 개체화 데이터 간의 관계를 반영하는 기능을 하는 것인바, 예컨대 상기 순환 신경망 모델에서의 U xt에 대응될 수 있다. 또한 본 발명에 따른 분석 모듈(330a; 330b) 중 제2 분석 모듈(330b)은 상기 t-1 시점까지의 개체화 데이터를 참조로 하여 시간에 따른 상기 개체화 데이터의 변화를 반영하는 기능을 하는 것인바, 예컨대 상기 순환 신경망 모델에서의 W st-1에 대응될 수 있다.Specifically, the
여기에서, 상기 소정의 제1 활성화 함수 f로는 통상적으로 이용되는 tanh() 또는 ReLU 함수일 수 있다. 또한, 상기 소정의 제2 활성화 함수 g는 통상적으로 이용되는 softmax 함수일 수 있다. 각각의 용도에 따라, 계산의 복잡도에 따라 이와 같은 제1 활성화 함수 및 제2 활성화 함수의 선택이 달라질 수 있음이 알려져 있다.Here, the predetermined first activation function f may be a tanh () or ReLU function typically used. Also, the predetermined second activation function g may be a commonly used softmax function. It is known that the selection of the first activation function and the second activation function may vary depending on the complexity of the calculation depending on each application.
또한, 상기 실시예에 따르면, 상기 기계 학습 모델에는 상기 출력층(y)으로부터 상기 치명적 증상의 발생 확률을 산출하기 위한 적어도 하나의 완전 연결층(fully connected layer)을 포함하는 제2 신경망 모델이 예측 모델의 적어도 일부로서 더 포함될 수 있고, 이 예측 모델을 구현하는 예측 모듈(340)이 상기 프로세서(220)에 의하여 실행될 수 있다.According to the embodiment, the machine learning model may further include a second neural network model including at least one fully connected layer for calculating the probability of occurrence of the fatal symptom from the output layer (y) And the
한편, 본 발명에 따른 치명적 증상 조기 예측 결과 생성 방법의 수행에 앞서, 상기 기계 학습 모델이 미리 학습되는 단계(S405)를 거쳐야 할 필요가 있는바, 이를 위한 갱신 및 학습 모듈, 혹은 학습 모듈(350)이 상기 프로세서(220)에 의하여 실행될 수 있다.Meanwhile, before performing the method of generating the fatal symptom early prediction result according to the present invention, it is necessary to go through the step S405 in which the machine learning model is learned in advance, and an update and learning module or a
상기 순환 신경망 모델의 학습을 위하여, 상기 학습 모듈(350)은 다수의 기존 피검체에 대한 개별 개체화 데이터를 학습 데이터로서 이용하는 시간 거스름 역전파(back-propagation through time; BPTT)를 통하여 상기 순환 신경망 모델을 학습할 수 있으며, 이와 같은 학습에 의하여 상기 U, V 및 W가 결정될 수 있다.For learning of the circular neural network model, the
또한, 제2 신경망 모델의 학습을 위하여, 상기 학습 모듈(350)은 다수의 기존 피검체에 대한 개별 개체화 데이터 및 상기 기존 피검체의 각각의 시점에서의 치명적 증상의 발생 여부를 학습 데이터로 이용한 역전파(back-propagation)를 통하여 상기 제2 신경망 모델을 학습할 수 있다.Also, for learning of the second neural network model, the
이 실시예에 따른 상기 단계(S432; S434)를 더 구체적으로 설명하면, 단계(S432)에서는, 상기 프로세서(220)가, 상기 개체화 데이터 또는 상기 개체화 데이터로부터 가공된 값을 상기 분석 모듈(330a; 330b)의 입력으로 이용함으로써, 상기 t+n 시점에서의 상기 출력층을 상기 분석 정보로서 획득하거나 상기 타 장치로 하여금 획득하도록 지원할 수 있으며, 단계(S434)에서는, 상기 프로세서(220)가, 상기 t+n 시점에서의 상기 출력층을 상기 예측 모듈의 입력으로 이용함으로써, 상기 t+n 시점까지의 상기 치명적 증상의 발생 확률을 상기 예측 결과로서 생성하거나 상기 타 장치로 하여금 생성하도록 지원할 수 있다.More specifically, in step S432, the
계속해서, 도 4를 참조하면, 본 발명에 따른 예측 결과 생성 방법은, 상기 프로세서(220)가, 생성된 상기 예측 결과를 외부 엔티티(entity)에게 제공하는 단계(S440)를 더 포함한다. 여기에서 외부 엔티티라고 함은, 상기 컴퓨팅 장치의 사용자, 관리자, 상기 피검체를 담당하는 담당 의료 전문가 등을 포함하나, 이 이외에도 그 예측 결과를 획득할 수 있는 주체라면 어느 주체라도 포함되는 것으로 이해되어야 할 것이다. 4, the method for generating a prediction result according to the present invention further includes a step S440 of the
한편, 도 4에 예시적으로 도시된 바와 같이, 상기 치명적 증상의 발생 확률이 소정의 확률보다 높은 것으로 예측된 경우에만, 상기 외부 엔티티에 상기 예측 결과가 제공되는 실시예도 있을 수 있다.4, the prediction result may be provided to the external entity only when it is predicted that the probability of occurrence of the fatal symptom is higher than a predetermined probability.
이와 같이 본 발명에 따른 치명적 증상 조기 예측 결과 생성 방법은, 미리 학습된 기계 학습 모델에 기초하여 치명적 증상에 관한 예측 결과를 제공할 수 있는바, 그 예측 결과를 평가한 정보 등을 다시 상기 기계 학습 모델에 대한 재학습의 자료로 활용한다면, 상기 기계 학습 모델로 하여금 더 정확한 예측을 수행하도록 할 수 있는 장점이 있으므로, 이러한 장점을 취하기 위한 본 발명에 따른 예측 결과 생성 방법은, 상기 프로세서(220)가, 상기 예측 결과를 평가한 정보에 기초하여, 상기 기계 학습 모델을 갱신하거나 상기 타 장치로 하여금 갱신하도록 지원하는 단계(S450)를 더 포함할 수 있다. 이때, 이전의 학습 때에는 고려되지 않았던 (생체 신호에서 비롯된) 개체화 데이터가 추가로 고려되고, 이전의 학습 때에 있었던 오류를 바로 잡을 수 있기 때문에 상기 기계 학습 모델의 정확도가 향상되는바, 데이터가 쌓일수록 상기 기계 학습의 성능이 지속적으로 향상되는 장점이 있다.As described above, the fatal symptom early prediction result generation method according to the present invention can provide the prediction result on the fatal symptom based on the previously learned machine learning model, The predicted result generation method according to the present invention for taking advantage of this advantage is a method for generating predicted results according to the present invention, (S450) to update the machine learning model or to update the other apparatus based on information obtained by evaluating the prediction result. At this time, since the individualized data (which is derived from the biological signal) not considered in the previous learning is further considered and the errors in the previous learning can be corrected, the accuracy of the machine learning model is improved, There is an advantage that the performance of the machine learning is continuously improved.
여기에서 상기 예측 결과를 평가한 정보는 상기 의료 전문가 등의 외부 엔티티로부터 제공될 수 있다.Here, the evaluation result of the prediction result may be provided from an external entity such as the medical professional.
이와 같은 갱신은 새로이 제공된 데이터를 토대로 다시 학습을 진행하는 것을 지칭하는 것인바, 실질적으로 전술한 단계(S405)와 동일하다고 할 수 있다. 즉, 상기 예측 결과를 평가한 정보에 따라 그 예측의 정확도를 고려하여 상기 분석 모듈(330a; 330b) 및 예측 모듈(340)이 이용하는 분석 모델 및 예측 모델을 수정한다. 더 구체적으로는, 그 분석 모델 및 예측 모델에서 이용되는 파라미터들, 예컨대 상기 U, V, W 등이 수정되는 것이다.This update refers to the process of learning again based on newly provided data, and is substantially the same as the above-described step S405. That is, the analysis model and the prediction model used by the
이와 같이 본 발명은 전술한 모든 실시예들에 걸쳐, 종래의 의료 전문가들이 그 경험이나 지식에 의존하여 일일이 환자의 위험을 시시때때로 판정하는 방식으로 심정지, 패혈증 등의 치명적 증상을 예측하는 것에 비하여 더 빠르고 간편하게 그 치명적 증상을 예측할 수 있는 효과가 있다.As described above, the present invention overcomes all of the above-described embodiments in that the conventional medical experts rely on their experience or knowledge to predict a fatal condition such as cardiac arrest or septicemia in a manner of occasionally determining the risk of the patient It is possible to predict the fatal symptom quickly and easily.
상기 실시예들로써 여기에서 설명된 기술의 이점은, 하루에도 많은 진단 자료에 기초하여 정확히 판정 내지 예측하여야 하는 바쁜 의료 환경에 놓인 의료 전문가들의 부담을 크게 덜어줄 수 있다는 점이다. 기계 학습, 특히 깊은 신경망을 이용하는 기술을 이용하면 많은 수의 학습용 데이터를 통하여, 의사도 다년간의 수련을 통하여서만 비로소 체득하게 되는 치명적 증상에 관한 환자의 위험을 컴퓨팅 장치 자체로 분석 및 학습할 수 있게 됨으로써 사람인 의료 전문가가 간과할 수 있는 사례 또는 치명적 증상의 예측이 어려운 사례에 대해서도 그 판정을 보조할 수 있게 된다. 요컨대, 본 발명의 기술에 따르면 자동으로 생성된 예측 정보, 즉, 소정 시점까지 치명적 증상이 나타날 것으로 의심되는 환자들만이 스크리닝되고, 의료진은 그 환자들만을 확인하면 되므로 치명적 증상의 예측의 정확도 및 속도를 향상시킬 수 있다는 장점이 있다. The advantage of the techniques described herein as the embodiments described above is that it can greatly alleviate the burden on healthcare professionals in a busy medical environment that must be accurately judged or predicted based on many diagnostic data a day. Machine learning, especially using deep neural networks, allows the physician to analyze and learn the patient's risk of fatal symptoms, which is only experienced through many years of training, through a large number of training data It is possible to assist the judgment of a case in which a human medical professional can overlook or a case in which prediction of a fatal symptom is difficult. That is, according to the technique of the present invention, automatically generated prediction information, that is, only those patients suspected of having a fatal symptom until a predetermined point of time are screened, and the medical staff can confirm only the patients, Can be improved.
위 실시예의 설명에 기초하여 해당 기술분야의 통상의 기술자는, 본 발명이 소프트웨어 및 하드웨어의 결합을 통하여 달성되거나 하드웨어만으로 달성될 수 있다는 점을 명확하게 이해할 수 있다. 본 발명의 기술적 해법의 대상물 또는 선행 기술들에 기여하는 부분들은 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야의 통상의 기술자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. Based on the description of the above embodiments, one of ordinary skill in the art can clearly understand that the present invention can be achieved through a combination of software and hardware, or can be accomplished by hardware alone. Objects of the technical solution of the present invention or portions contributing to the prior art can be implemented in the form of program instructions that can be executed through various computer components and recorded on a computer-readable recording medium. The computer-readable recording medium may include program commands, data files, data structures, and the like, alone or in combination. The program instructions recorded on the computer-readable recording medium may be those specially designed and constructed for the present invention or may be those known to those skilled in the art of computer software. Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks and magnetic tape, optical recording media such as CD-ROMs and DVDs, magneto-optical media such as floptical disks, media, and hardware devices specifically configured to store and execute program instructions such as ROM, RAM, flash memory, and the like. Examples of program instructions include machine language code such as those generated by a compiler, as well as high-level language code that can be executed by a computer using an interpreter or the like.
상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다. 상기 하드웨어 장치는, 프로그램 명령어를 저장하기 위한 ROM/RAM 등과 같은 메모리와 결합되고 상기 메모리에 저장된 명령어들을 실행하도록 구성되는 CPU나 GPU와 같은 프로세서를 포함할 수 있으며, 외부 장치와 신호를 주고 받을 수 있는 통신부를 포함할 수 있다. 덧붙여, 상기 하드웨어 장치는 개발자들에 의하여 작성된 명령어들을 전달받기 위한 키보드, 마우스, 기타 외부 입력장치를 포함할 수 있다.The hardware device may be configured to operate as one or more software modules for performing the processing according to the present invention, and vice versa. The hardware device may include a processor, such as a CPU or a GPU, coupled to a memory, such as ROM / RAM, for storing program instructions, and configured to execute instructions stored in the memory, And a communication unit. In addition, the hardware device may include a keyboard, a mouse, and other external input devices for receiving commands generated by the developers.
이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명이 상기 실시예들에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 사람이라면 이러한 기재로부터 다양한 수정 및 변형을 꾀할 수 있다.While the present invention has been particularly shown and described with reference to exemplary embodiments thereof, it is to be understood that the invention is not limited to the disclosed exemplary embodiments, but, on the contrary, And various modifications and changes may be made thereto by those skilled in the art to which the present invention pertains.
따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등하게 또는 등가적으로 변형된 모든 것들은 본 발명의 사상의 범주에 속한다고 할 것이다.Therefore, the spirit of the present invention should not be construed as being limited to the above-described embodiments, and all of the equivalents or equivalents of the claims, as well as the following claims, I will say.
그와 같이 균등하게 또는 등가적으로 변형된 것에는, 예컨대 본 발명에 따른 방법을 실시한 것과 동일한 결과를 낼 수 있는, 논리적으로 동치(logically equivalent)인 방법이 포함될 것이다.Equally or equivalently modified such methods will include logically equivalent methods which can yield, for example, the same results as those of the method according to the invention.
Claims (11)
(a) 컴퓨팅 장치가, 상기 피검체의 생체 신호(vital sign)를 획득하거나 상기 컴퓨팅 장치에 연동되는 타 장치로 하여금 획득하도록 지원하는 단계;
(b) 상기 컴퓨팅 장치가, 획득된 상기 생체 신호를 상기 피검체에 대하여 개체화한 데이터인 개체화 데이터로 변환하거나 상기 타 장치로 하여금 변환하도록 지원하는 단계;
(c) 상기 컴퓨팅 장치가, 상기 치명적 증상의 조기 예측을 위한 기계 학습 모델(machine learning model)에 기초하여 상기 개체화 데이터로부터 상기 조기 예측에 관한 분석 정보를 생성하거나 상기 타 장치로 하여금 생성하도록 지원하고, 생성된 상기 분석 정보를 참조로 하여 상기 생체 신호 중 어느 하나의 특정 생체 신호에 대응되는 시점 t로부터 소정의 시간 간격 n 후의 시점인 t+n 시점까지의 상기 치명적 증상의 발생을 예측한 결과로서 상기 예측 결과를 생성하거나 상기 타 장치로 하여금 생성하도록 지원하는 단계; 및
(d) 상기 컴퓨팅 장치가, 생성된 상기 예측 결과를 외부 엔티티(entity)에게 제공하거나 상기 타 장치로 하여금 제공하도록 지원하는 단계
를 포함하며,
상기 기계 학습 모델은 신경망(neural network) 모델을 분석 모델로서 포함하고,
상기 신경망 모델은 st=f(xt, st-1, Ui, ...) 및 y=g(st, Uj, ...), U=U1, W=U2, V=U3의 식을 따르되,
상기 xt는 t 시점에서의 입력 벡터인 상기 개체화 데이터 또는 상기 개체화 데이터로부터 가공된 값을 지칭하고,
상기 st는 상기 t 시점에서의 상기 신경망 모델의 기억에 상응하는 은닉 상태(hidden state)를 지칭하며,
상기 st-1은 t-1 시점에서의 상기 은닉 상태를 지칭하고,
상기 U, V 및 W는 상기 신경망 모델의 모든 시점에 걸쳐 동일하게 공유되는 신경망 파라미터를 지칭하며,
상기 f는 상기 은닉 상태를 산출하도록 선택된 소정의 제1 활성화 함수를 지칭하고,
상기 y는 상기 분석 정보로서 t 시점에서의 상기 신경망 모델에 따른 잠재적 특징(latent feature)인 출력층을 지칭하며,
상기 g는 상기 출력층을 산출하도록 선택된 소정의 제2 활성화 함수를 지칭하고,
상기 기계 학습 모델은 상기 출력층으로부터 상기 치명적 증상의 발생 확률을 산출하기 위한 적어도 하나의 완전 연결층(fully connected layer)을 포함하는 제2 신경망 모델을 예측 모델의 적어도 일부로서 더 포함하는 것을 특징으로 하는 치명적 증상 조기 예측 결과 생성 방법.A method for generating a prediction result for early prediction of the occurrence of a fatal symptom of a subject,
(a) supporting a computing device to acquire a vital sign of the subject or acquire another device associated with the computing device;
(b) supporting the computing device to convert the obtained bio-signal into the individualized data, which is data obtained by individualizing the body of the subject, or to convert the other device into the individualized data;
(c) the computing device is configured to generate analysis information on the early prediction from the individualization data based on a machine learning model for early prediction of the fatal condition or to cause the other device to generate As a result of predicting occurrence of the fatal symptom from a time point t corresponding to one specific bio-signal of the bio-signals to a time point t + n after a predetermined time interval n with reference to the generated analysis information Generating the prediction result or allowing the other device to generate the prediction result; And
(d) providing, by the computing device, the prediction result to an external entity or providing the other device with the prediction result
/ RTI >
The machine learning model includes a neural network model as an analysis model,
The neural network model is s t = f (x t, s t-1, U i, ...) and y = g (s t, U j, ...), U = U 1, W = U 2, V = U 3 ,
X t denotes a value processed from the individualized data or the individualized data, which is an input vector at time t,
Where s t refers to a hidden state corresponding to the memory of the neural network model at time t,
S t-1 refers to the concealed state at time t-1,
Where U, V and W refer to neural network parameters that are equally shared across all time points of the neural network model,
F denotes a predetermined first activation function selected to calculate the concealed state,
Y denotes the output layer which is a latent feature according to the neural network model at time t as the analysis information,
G " refers to a predetermined second activation function selected to produce the output layer,
Wherein the machine learning model further comprises a second neural network model comprising at least one fully connected layer for calculating the probability of occurrence of the fatal condition from the output layer as at least a part of a prediction model Fatal symptom Early prediction result generation method.
(e) 상기 예측 결과를 평가한 정보에 기초하여, 상기 컴퓨팅 장치가, 상기 기계 학습 모델을 갱신하거나 상기 타 장치로 하여금 갱신하도록 지원하는 단계
를 더 포함하는 치명적 증상 조기 예측 결과 생성 방법.The method according to claim 1,
(e) supporting, by the computing device, the updating of the machine learning model or the updating of the other device based on the evaluation result of the prediction result
The method comprising the steps of:
상기 생체 신호는,
상기 피검체의 전자 의무 기록(electronic medical record; EMR)으로부터 획득되는 것을 특징으로 하는 치명적 증상 조기 예측 결과 생성 방법.The method according to claim 1,
The bio-
Wherein the method is obtained from an electronic medical record (EMR) of the subject.
상기 (b) 단계는,
상기 생체 신호 중 최초 소정 시간 동안의 생체 신호의 평균을 상기 생체 신호의 전체 시간 동안의 생체 신호에서 제함으로써 상기 전체 시간 동안의 생체 신호의 편차를 구하고, 제공된 다수의 타 피검체의 생체 신호의 평균 및 분산을 참조로 하여 상기 피검체의 상기 전체 시간 동안의 생체 신호의 표준화 점수(z-score)가 상기 개체화 데이터로서 산출되는 것을 특징으로 하는 치명적 증상 조기 예측 결과 생성 방법.The method according to claim 1,
The step (b)
A deviation of the bio-signals during the entire time is obtained by taking an average of the bio-signals during the first predetermined time of the bio-signals in the bio-signals for the whole time of the bio-signals, (Z-score) of the bio-signal during the entire time of the subject is calculated as the individualization data with reference to the distribution of the biological signals.
상기 치명적 증상은,
심정지(cardiac arrest) 또는 패혈증의 발생인 것을 특징으로 하는 치명적 증상 조기 예측 결과 생성 방법.The method according to claim 1,
The fatal symptom may include,
A cardiac arrest, or sepsis.
상기 피검체의 생체 신호(vital sign)를 획득하는 통신부; 및
획득된 상기 생체 신호를 상기 피검체에 대하여 개체화한 데이터인 개체화 데이터로 변환하거나 상기 통신부를 통하여 연동되는 타 장치로 하여금 변환하도록 지원하는 프로세서
를 포함하되,
상기 프로세서는,
상기 치명적 증상의 조기 예측을 위한 기계 학습 모델(machine learning model)에 기초하여 상기 개체화 데이터로부터 상기 조기 예측에 관한 분석 정보를 생성하거나 상기 타 장치로 하여금 생성하도록 지원하고,
생성된 상기 분석 정보를 참조로 하여 상기 생체 신호 중 어느 하나의 특정 생체 신호에 대응되는 시점 t로부터 소정의 시간 간격 n 후의 시점인 t+n 시점까지의 상기 치명적 증상의 발생을 예측한 결과로서 상기 예측 결과를 생성하거나 상기 타 장치로 하여금 생성하도록 지원하며,
생성된 상기 예측 결과를 외부 엔티티(entity)에게 제공하고,
상기 기계 학습 모델에 포함되는 신경망(recurrent neural network) 모델을 구현하는 분석 모듈이 상기 프로세서에 의하여 실행되되,
상기 신경망 모델은 st=f(xt, st-1, Ui, ...) 및 y=g(st, Uj, ...), U=U1, W=U2, V=U3의 식을 따르고,
상기 xt는 t 시점에서의 입력 벡터인 상기 개체화 데이터 또는 상기 개체화 데이터로부터 가공된 값을 지칭하고,
상기 st는 상기 t 시점에서의 상기 신경망 모델의 기억에 상응하는 은닉 상태(hidden state)를 지칭하며,
상기 st-1은 t-1 시점에서의 상기 은닉 상태를 지칭하고,
상기 U, V 및 W는 상기 신경망 모델의 모든 시점에 걸쳐 동일하게 공유되는 신경망 파라미터를 지칭하며,
상기 f는 상기 은닉 상태를 산출하도록 선택된 소정의 제1 활성화 함수를 지칭하고,
상기 y는 상기 분석 정보로서 t 시점에서의 상기 신경망 모델에 따른 잠재적 특징(latent feature)인 출력층을 지칭하며,
상기 g는 상기 출력층을 산출하도록 선택된 소정의 제2 활성화 함수를 지칭하고,
상기 기계 학습 모델은 상기 출력층으로부터 상기 치명적 증상의 발생 확률을 산출하기 위한 적어도 하나의 완전 연결층(fully connected layer)을 포함하는 제2 신경망 모델을 예측 모델의 적어도 일부로서 더 포함하는 것을 특징으로 하는 치명적 증상 조기 예측 결과 생성 장치.1. A computing device for generating a prediction result for early prediction of the occurrence of a fatal symptom of a subject,
A communication unit for acquiring a vital sign of the subject; And
A processor for converting the acquired bio-signals into individualized data that are individualized data for the subject,
, ≪ / RTI &
The processor comprising:
Generating analysis information on the early prediction from the individualized data based on a machine learning model for early prediction of the fatal symptom,
As a result of predicting occurrence of the fatal symptom from a time point t corresponding to one specific bio-signal of the bio-signals to a time point t + n after a predetermined time interval n with reference to the generated analysis information, Generate a prediction result or to cause the other device to generate,
Providing the generated prediction result to an external entity,
An analysis module that implements a recurrent neural network model included in the machine learning model is executed by the processor,
The neural network model is s t = f (x t, s t-1, U i, ...) and y = g (s t, U j, ...), U = U 1, W = U 2, V = U 3 ,
X t denotes a value processed from the individualized data or the individualized data, which is an input vector at time t,
Where s t refers to a hidden state corresponding to the memory of the neural network model at time t,
S t-1 refers to the concealed state at time t-1,
Where U, V and W refer to neural network parameters that are equally shared across all time points of the neural network model,
F denotes a predetermined first activation function selected to calculate the concealed state,
Y denotes the output layer which is a latent feature according to the neural network model at time t as the analysis information,
G " refers to a predetermined second activation function selected to produce the output layer,
Wherein the machine learning model further comprises a second neural network model comprising at least one fully connected layer for calculating the probability of occurrence of the fatal condition from the output layer as at least a part of a prediction model Fatal symptom Early prediction result generator.
상기 프로세서는,
상기 예측 결과를 평가한 정보에 기초하여, 상기 기계 학습 모델을 갱신하거나 상기 타 장치로 하여금 갱신하도록 지원하는 것을 특징으로 하는 치명적 증상 조기 예측 결과 생성 장치.9. The method of claim 8,
The processor comprising:
And updates the machine learning model or updates the other device based on the evaluation result of the prediction result.
상기 치명적 증상은,
심정지(cardiac arrest) 또는 패혈증의 발생인 것을 특징으로 하는 치명적 증상 조기 예측 결과 생성 장치.9. The method of claim 8,
The fatal symptom may include,
A cardiac arrest or sepsis. ≪ RTI ID = 0.0 > 11. < / RTI >
Priority Applications (6)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170102265A KR101841222B1 (en) | 2017-08-11 | 2017-08-11 | Method for generating prediction results for early prediction of fatal symptoms of a subject and apparatus using the same |
| JP2020530296A JP6931897B2 (en) | 2017-08-11 | 2018-08-07 | A method for generating a prediction result for predicting the occurrence of a fatal symptom of a subject at an early stage, and a device using the prediction result. |
| US16/638,250 US11735317B2 (en) | 2017-08-11 | 2018-08-07 | Method for generating prediction result for predicting occurrence of fatal symptoms of subject in advance and device using same |
| PCT/KR2018/008918 WO2019031794A1 (en) | 2017-08-11 | 2018-08-07 | Method for generating prediction result for predicting occurrence of fatal symptoms of subject in advance and device using same |
| JP2021127878A JP7307926B2 (en) | 2017-08-11 | 2021-08-04 | METHOD FOR GENERATING PREDICTION RESULTS FOR EARLY PREDICTING OCCURRENCE OF FATHER SYMPTOMS IN SUBJECT, AND APPARATUS USING THE SAME |
| US18/218,016 US20230352164A1 (en) | 2017-08-11 | 2023-07-04 | Method for generating prediction result for predicting occurrence of fatal symptoms of subject in advance and device using same |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170102265A KR101841222B1 (en) | 2017-08-11 | 2017-08-11 | Method for generating prediction results for early prediction of fatal symptoms of a subject and apparatus using the same |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR101841222B1 true KR101841222B1 (en) | 2018-03-22 |
Family
ID=61901020
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020170102265A KR101841222B1 (en) | 2017-08-11 | 2017-08-11 | Method for generating prediction results for early prediction of fatal symptoms of a subject and apparatus using the same |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101841222B1 (en) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109740677A (en) * | 2019-01-07 | 2019-05-10 | 湖北工业大学 | It is a kind of to improve the semisupervised classification method for generating confrontation network based on principal component analysis |
| KR102049829B1 (en) | 2018-12-05 | 2019-11-28 | 주식회사 뷰노 | Method for classifying subject according to criticality thereof by assessing the criticality and apparatus using the same |
| KR102049824B1 (en) | 2018-11-15 | 2019-11-28 | 주식회사 뷰노 | Method for generating prediction results for prediction of specific symptoms of a subject and apparatus using the same |
| KR20200040669A (en) * | 2018-10-10 | 2020-04-20 | 연세대학교 산학협력단 | Method for predicting of mortality risk or sepsis risk and device for predicting of mortality risk or sepsis risk using the same |
| CN111537207A (en) * | 2020-04-29 | 2020-08-14 | 西安交通大学 | Data enhancement method for intelligent diagnosis of mechanical fault under small sample |
| WO2020171321A1 (en) * | 2019-02-18 | 2020-08-27 | 주식회사 아이도트 | Deep learning system |
| KR20220108678A (en) * | 2021-01-27 | 2022-08-03 | 대구대학교 산학협력단 | Arrhythmia classification method using long short-term memory based on recurrent neural network |
-
2017
- 2017-08-11 KR KR1020170102265A patent/KR101841222B1/en active IP Right Review Request
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200040669A (en) * | 2018-10-10 | 2020-04-20 | 연세대학교 산학협력단 | Method for predicting of mortality risk or sepsis risk and device for predicting of mortality risk or sepsis risk using the same |
| KR102446376B1 (en) * | 2018-10-10 | 2022-09-22 | 연세대학교 산학협력단 | Method for predicting of mortality risk or sepsis risk and device for predicting of mortality risk or sepsis risk using the same |
| KR102049824B1 (en) | 2018-11-15 | 2019-11-28 | 주식회사 뷰노 | Method for generating prediction results for prediction of specific symptoms of a subject and apparatus using the same |
| KR102049829B1 (en) | 2018-12-05 | 2019-11-28 | 주식회사 뷰노 | Method for classifying subject according to criticality thereof by assessing the criticality and apparatus using the same |
| WO2020116942A1 (en) * | 2018-12-05 | 2020-06-11 | 주식회사 뷰노 | Method for assessing degree of risk of subject and classifying same subject according to same degree of risk, and device using same |
| CN109740677A (en) * | 2019-01-07 | 2019-05-10 | 湖北工业大学 | It is a kind of to improve the semisupervised classification method for generating confrontation network based on principal component analysis |
| WO2020171321A1 (en) * | 2019-02-18 | 2020-08-27 | 주식회사 아이도트 | Deep learning system |
| CN111537207A (en) * | 2020-04-29 | 2020-08-14 | 西安交通大学 | Data enhancement method for intelligent diagnosis of mechanical fault under small sample |
| KR20220108678A (en) * | 2021-01-27 | 2022-08-03 | 대구대학교 산학협력단 | Arrhythmia classification method using long short-term memory based on recurrent neural network |
| KR102572317B1 (en) * | 2021-01-27 | 2023-08-31 | 대구대학교 산학협력단 | Arrhythmia classification method using long short-term memory based on recurrent neural network |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101841222B1 (en) | Method for generating prediction results for early prediction of fatal symptoms of a subject and apparatus using the same | |
| Gjoreski et al. | Machine learning and end-to-end deep learning for the detection of chronic heart failure from heart sounds | |
| US11517235B2 (en) | Machine differentiation of abnormalities in bioelectromagnetic fields | |
| JP6931897B2 (en) | A method for generating a prediction result for predicting the occurrence of a fatal symptom of a subject at an early stage, and a device using the prediction result. | |
| Tazarv et al. | A deep learning approach to predict blood pressure from ppg signals | |
| KR102208759B1 (en) | Method for generating deep-learning model for diagnosing health status and pathology symptom based on biosignal | |
| RU2657384C2 (en) | Method and system for noninvasive screening physiological parameters and pathology | |
| US20220047201A1 (en) | Neural networks for atrial fibrillation screening | |
| CN109431492A (en) | ECG lead signals based on neural network algorithm simulate method for reconstructing | |
| US20220218289A1 (en) | Predicting transient ischemic events using ecg data | |
| Peng et al. | Heart disease prediction using artificial neural networks: a survey | |
| KR20210112041A (en) | Smart Healthcare Monitoring System and Method for Heart Disease Prediction Based On Ensemble Deep Learning and Feature Fusion | |
| Rout et al. | Early detection of sepsis using LSTM neural network with electronic health record | |
| KR102049824B1 (en) | Method for generating prediction results for prediction of specific symptoms of a subject and apparatus using the same | |
| KR102049829B1 (en) | Method for classifying subject according to criticality thereof by assessing the criticality and apparatus using the same | |
| Yu et al. | Work-in-progress: On the feasibility of lightweight scheme of real-time atrial fibrillation detection using deep learning | |
| KR102208760B1 (en) | Method for generating video data for diagnosing health status and pathology symptom based on biosignal | |
| Data et al. | Signal processing: False alarm reduction | |
| Rodriguez-Marquez et al. | Blood Pressure Estimation from Photoplethysmography Signals by Applying Deep Learning Techniques | |
| Venkatesh et al. | An automatic diagnostic model for the detection and classification of cardiovascular diseases based on swarm intelligence technique | |
| Nega Tarekegn et al. | Towards Detecting Freezing of Gait Events Using Wearable Sensors and Genetic Programming | |
| Kuzmanov et al. | Implementation of the Time Series and the Convolutional Vision Transformers for Biological Signal Processing-Blood Pressure Estimation from Photoplethysmogram | |
| Bamane et al. | Disease Detection using AI and IoT | |
| NAHEDA et al. | MACHINE LEARNING AND END-TO-END DEEP LEARNING FOR THE DETECTION OF CHRONIC HEART FAILURE FROM HEART SOUNDS | |
| Racette Olsén | Electrocardiographic deviation detection: Using long short-term memory recurrent neural networks to detect deviations within electrocardiographic records |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant | ||
| J204 | Request for invalidation trial [patent] |