KR101885111B1 - 질환 발병 예측 방법 및 장치 - Google Patents
질환 발병 예측 방법 및 장치 Download PDFInfo
- Publication number
- KR101885111B1 KR101885111B1 KR1020160176525A KR20160176525A KR101885111B1 KR 101885111 B1 KR101885111 B1 KR 101885111B1 KR 1020160176525 A KR1020160176525 A KR 1020160176525A KR 20160176525 A KR20160176525 A KR 20160176525A KR 101885111 B1 KR101885111 B1 KR 101885111B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- disease
- event
- processor
- items
- Prior art date
Links
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
- G16H50/50—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
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
본 발명은 질환 발병 예측 방법 및 장치에 관한 발명이며, 본 발명의 일 실시예에 따른 질환 발병 예측 방법은 적어도 하나의 외부 데이터베이스로부터 복수의 항목을 포함하는 원본 데이터를 수신하는 단계, 원본 데이터를 기초로 미리 결정된 기준에 따라 1회의 진료 또는 1회의 건강 검진을 하나의 이벤트로 나타내는 가공 데이터를 생성하는 단계, 가공 데이터를 질환 발병 예측 모델에 입력하는 단계 및 질환 발병 예측 모델을 이용하여 적어도 하나의 질환에 대한 질환 발병 확률을 산출하는 단계를 포함하고, 각각 다른 형태를 가지는 건강 관련 데이터를 하나의 이벤트로 나타냄으로써, 질환 발병 예측 모델에 다양한 데이터를 입력할 수 있는 질환 발병 예측 방법 및 장치를 제공할 수 있는 효과가 있다.
Description
본 발명은 질환 발병 예측 방법 및 장치에 관한 것으로서, 보다 상세하게는 수신한 건강 관련 데이터와 질환 발병 예측 모델을 이용하여 질환 발병 확률을 산출하는 질환 발병 예측 방법 및 장치에 관한 것이다.
최근 신체에 해로운 인스턴트 음식 또는 패스트 푸드의 섭취 증가, 활동량 부족, 과도한 업무 등으로 인한 질환 발병 확률이 크게 증가하고 있다. 특히, 고혈압, 허혈성 심장 질환, 관상 동맥 질환, 동맥 경화증 등의 심혈관 질환에 대한 발병이 급증하고 있다.
이에 따라, 심혈관 질환을 예방하고, 관리하기 위해 질환 위험도 평가를 사용한다. 질환 위험도 평가에는 다양한 임상적 의사 결정 도구가 활용되고 있다. 예를 들어, Framingham risk score가 사용되는데 Framingham risk score란, 여러가지 심혈관 질환의 위험인자인 성별, 나이, 수축기 혈압, 흡연, 당뇨병, 총 콜레스테롤, HDL 콜레스테롤 등을 통해 심혈관 질환 발생 위험도를 평가하는 지표이다. 하지만, 심혈관 질환 병력을 가진 환자는 재발 위험이 높기 때문에 과거력을 고려하지 않는 Farmingham risk score은 질환 위험도를 측정하기에는 한계가 있다. 또한, Farmingham risk score은 외국에서 개발된 방법이기 때문에 국내의 평균 질환 발병률과 위험 요인 노출 수준에 따라 한국인에 맞게 보정할 필요성이 존재한다. 현재 한국인에 맞게 보정된 위험도 평가 도구가 존재하지만 고위험군 선정에 대한 기준의 근거가 부족하고, 고위험군 선별에 큰 역할을 하지 못하고 있어 임상적으로 널리 사용되지 않고 있다.
[관련기술문헌]
치주질환 예측 시스템 및 이를 이용한 치주질환 예측 방법 (공개특허 10-2016-0083502호)
현재 의료업계에서는 질환 발병을 예측하기 위하여 하나의 요소만을 사용하거나, 복수의 요소들을 기초로 통계학적으로만 활용하고 있고, 복수의 요소들을 필터링하여 필수적인 요소를 추출하는 데는 한계가 있다. 따라서, 한국인의 의료 데이터를 활용하여, 의료 데이터에 포함된 복수의 요소들을 기초로 머신 러닝을 통해 추출된 요소를 다차원 형태로 고려하게 된다면 훨씬 높은 정확도를 가질 수 있으며, 더 나아가, 한국인에게 적합한 질환 발병 예측 모델을 구현할 수 있다.
본 발명이 해결하고자 하는 과제는 각각 다른 형태를 가지는 건강 관련 데이터를 하나의 이벤트로 나타냄으로써, 질환 발병 예측 모델에 다양한 데이터를 입력할 수 있는 질환 발병 예측 방법 및 장치를 제공하는 것이다.
본 발명이 해결하고자 하는 다른 과제는 수신한 건강 관련 데이터를 다양하게 가공하여 질환 발병 예측 모델에 입력함으로써, 질환 발병 확률의 정확성을 높일 수 있는 질환 발병 예측 방법 및 장치를 제공하는 것이다.
발명의 과제들은 이상에서 언급한 과제들로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
전술한 바와 같은 과제를 해결하기 위하여 본 발명의 일 실시예에 따른 질환 발병 예측 방법은 적어도 하나의 외부 데이터베이스로부터 복수의 항목을 포함하는 원본 데이터를 수신하는 단계, 원본 데이터를 기초로 미리 결정된 기준에 따라 1회의 진료 또는 1회의 건강 검진을 하나의 이벤트로 나타내는 가공 데이터를 생성하는 단계, 가공 데이터를 질환 발병 예측 모델에 입력하는 단계 및 질환 발병 예측 모델을 이용하여 적어도 하나의 질환에 대한 질환 발병 확률을 산출하는 단계를 포함한다.
본 발명의 다른 특징에 따르면, 질환은 심혈관 질환, 위암, 간암, 대장암, 폐암, 유방암, 전립선암, 치매 또는 당뇨 중 적어도 하나이고, 질환 발병 예측 모델은 질환 각각에 대하여 별도로 구축될 수 있다.본 발명의 또 다른 특징에 따르면, 원본 데이터를 수신하는 단계는, 사회학적 데이터, 적어도 1회의 진료를 포함하는 진료 기록 데이터 및 적어도 1회의 건강 검진을 포함하는 건강 검진 데이터 중 하나 이상을 수신하는 단계일 수 있다.
본 발명의 또 다른 특징에 따르면, 가공 데이터를 생성하는 단계는, 하나의 진료 일자에 대해 복수의 원본 데이터가 존재하는 경우, 원본 데이터를 하나의 진료 일자에 대한 하나의 이벤트로 통합하는 단계를 더 포함할 수 있다.
본 발명의 또 다른 특징에 따르면, 하나의 이벤트는 복용 약품 분류 코드 및 복용 투약량에 대한 데이터를 포함할 수 있다.
본 발명의 또 다른 특징에 따르면, 질환 발병 예측 방법은 복수의 항목 중에서 질환 발병과 연관된 항목을 필터링하는 단계를 더 포함할 수 있다.
본 발명의 또 다른 특징에 따르면, 질환 발병과 연관된 항목은 적어도 50개일 수 있다.
본 발명의 또 다른 특징에 따르면, 가공 데이터를 생성하는 단계는, 이벤트 중 결측된 이벤트가 존재하는지 판단하는 단계, 결측된 이벤트가 존재하는 경우, 결측된 이벤트에 대해서 대표값, 평균값 또는 보간값 중 적어도 하나를 생성하는 단계 및 대표값, 평균값 또는 보간값 중 적어도 하나를 결측된 이벤트에 입력하는 단계를 포함한다.
본 발명의 또 다른 특징에 따르면, 가공 데이터를 생성하는 단계는, 이벤트에 포함된 복수의 항목에 결측된 데이터가 존재하는지 판단하는 단계, 결측된 데이터가 존재하는 경우, 결측된 데이터에 대해서 대표값, 평균값 또는 보간값 중 적어도 하나를 생성하는 단계 및 대표값, 평균값 또는 보간값 중 적어도 하나를 결측된 데이터에 입력하는 단계를 포함할 수 있다.
본 발명의 또 다른 특징에 따르면, 가공 데이터를 생성하는 단계는, 이벤트에 대한 길이의 빈도를 기초로 분포를 산출하는 단계 및 분포에서 미리 결정된 역치값에 해당하는 이벤트만을 포함하도록 가공 데이터를 생성하는 단계를 포함하고, 역치값은, 분포의 중심을 기준으로 좌측으로부터 우측까지 95% 영역에 위치한 이벤트에 대한 길이일 수 있다.
본 발명의 또 다른 특징에 따르면, 가공 데이터를 생성하는 단계는, 이벤트에 포함된 복수의 항목의 데이터에 대한 평균 및 표준편차를 계산하는 단계, 평균 및 표준편차를 이용하여 복수의 항목의 데이터를 z-score로 변환하는 단계 및 복수의 항목의 데이터에 z-score을 입력하는 단계를 포함할 수 있다.
본 발명의 또 다른 특징에 따르면, 가공 데이터를 생성하는 단계는, 복수의 항목에 해당하는 각각의 단위를 추출하는 단계 및 각각의 단위를 가공 데이터에서 정의된 단위로 변환하는 단계를 포함할 수 있다.
본 발명의 또 다른 특징에 따르면, 가공 데이터를 생성하는 단계는, 복수의 항목의 데이터 중 일부의 데이터만을 포함하도록 가공 데이터를 생성하는 단계를 포함할 수 있다.
본 발명의 또 다른 특징에 따르면, 질환 발병 확률을 산출하는 단계는, 질환이 발병될 확률 또는 질환의 종류에 따른 발병 확률 중 적어도 하나를 산출하는 단계일 수 있다.
본 발명의 또 다른 특징에 따르면, 질환 발병 예측 방법은 질환 발병 예측 모델을 이용하여 신체 나이 또는 기대 수명을 산출하는 단계를 더 포함할 수 있다.
전술한 바와 같은 과제를 해결하기 위하여 본 발명의 일 실시예에 따른 질환 발병 예측 장치는 적어도 하나의 외부 데이터베이스로부터 복수의 항목을 포함하는 원본 데이터를 수신하도록 구성된 통신부, 원본 데이터를 기초로 미리 결정된 기준에 따라 1회의 진료 또는 1회의 건강 검진을 하나의 이벤트로 나타내는 가공 데이터를 생성하도록 구성된 프로세서 및 원본 데이터 및 가공 데이터를 저장하는 저장부를 포함하고, 프로세서는, 가공 데이터를 질환 발병 예측 모델에 입력하고, 질환 발병 예측 모델을 이용하여 적어도 하나의 질환에 대한 질환 발병 확률을 산출하도록 구성된다.
본 발명의 다른 특징에 따르면, 통신부는, 사회학적 데이터, 적어도 1회의 진료를 포함하는 진료 기록 데이터 및 적어도 1회의 건강 검진을 포함하는 건강 검진 데이터 중 하나 이상을 수신하도록 구성될 수 있다.
본 발명의 또 다른 특징에 따르면, 프로세서는, 이벤트 중 결측된 이벤트가 존재하는지 판단하고, 결측된 이벤트가 존재하는 경우, 결측된 이벤트에 대해서 대표값, 평균값 또는 보간값 중 적어도 하나를 생성하고, 대표값, 평균값 또는 보간값 중 적어도 하나를 결측된 이벤트에 입력하도록 구성될 수 있다.
본 발명의 또 다른 특징에 따르면, 프로세서는, 이벤트에 포함된 복수의 항목에 결측된 데이터가 존재하는지 판단하고, 결측된 데이터가 존재하는 경우, 결측된 데이터에 대해서 대표값, 평균값 또는 보간값 중 적어도 하나를 생성하고, 대표값, 평균값 또는 보간값 중 적어도 하나를 결측된 데이터에 입력하도록 구성될 수 있다.
본 발명의 또 다른 특징에 따르면, 프로세서는, 이벤트에 대한 길이의 빈도를 기초로 분포를 산출하고, 분포에서 미리 결정된 역치값에 해당하는 이벤트만을 포함하도록 가공 데이터를 생성하도록 구성되고, 역치값은, 분포의 중심을 기준으로 좌측으로부터 우측까지 95% 영역에 위치한 이벤트에 대한 길이일 수 있다.
본 발명의 또 다른 특징에 따르면, 프로세서는, 이벤트에 포함된 복수의 항목의 데이터에 대한 평균 및 표준편차를 계산하고, 평균 및 표준편차를 이용하여 복수의 항목의 데이터를 z-score로 변환하고, 복수의 항목의 데이터에 z-score을 입력하도록 구성될 수 있다.
본 발명의 또 다른 특징에 따르면, 프로세서는, 복수의 항목에 해당하는 각각의 단위를 추출하고, 각각의 단위를 가공 데이터에서 정의된 단위로 변환하도록 구성될 수 있다.
기타 실시예의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
본 발명은 각각 다른 형태를 가지는 건강 관련 데이터를 하나의 이벤트로 나타냄으로써, 질환 발병 예측 모델에 다양한 데이터를 입력할 수 있는 질환 발병 예측 방법 및 장치를 제공할 수 있는 효과가 있다.
본 발명은 수신한 건강 관련 데이터를 다양하게 가공하여 질환 발병 예측 모델에 입력함으로써, 질환 발병 확률의 정확성을 높일 수 있는 질환 발병 예측 방법 및 장치를 제공할 수 있는 효과가 있다.
본 발명에 따른 효과는 이상에서 예시된 내용에 의해 제한되지 않으며, 더욱 다양한 효과들이 본 명세서 내에 포함되어 있다.
도 1은 본 발명의 일 실시예에 따른 질환 발병 확률을 예측하기 위한 방법을 설명하기 위한 개략도이다.
도 2는 본 발명의 일 실시예에 따른 질환 발병 예측 장치의 개략적인 구성을 도시한 블록도이다.
도 3은 본 발명의 일 실시예에 따른 질환 발병 예측 방법에 따라 질환 발병 확률을 산출하는 절차를 도시한 순서도이다.
도 4a 내지 도 4b는 본 발명의 일 실시예에 따라 하나의 진료 일자에 대한 하나의 이벤트로 통합한 가공 데이터 테이블을 도시한 개략도들이다.
도 5a 내지 도 5b는 본 발명의 일 실시예에 따라 결측된 이벤트를 산출하여 입력한 가공 데이터 테이블을 도시한 개략도들이다.
도 6a 내지 도 6b는 본 발명의 일 실시예에 따라 결측된 데이터를 산출하여 입력한 가공 데이터 테이블을 도시한 개략도들이다.
도 7a 내지 도 7b는 본 발명의 일 실시예에 따라 복수의 항목의 값을 정규화하여 입력한 가공 데이터 테이블을 도시한 개략도들이다.
도 8a 내지 도 8b는 본 발명의 일 실시예에 따라 복수의 항목의 값을 정의된 단위로 변환하여 입력한 가공 데이터 테이블을 도시한 개략도들이다.
도 9는 본 발명의 일 실시예에 따라 질병 발병 확률을 제공하는 화면을 도시한 것이다.
도 10a 내지 도 10b는 건강 소견 및 보험 가입 적합성을 제공하는 화면을 도시한 것이다.
도 2는 본 발명의 일 실시예에 따른 질환 발병 예측 장치의 개략적인 구성을 도시한 블록도이다.
도 3은 본 발명의 일 실시예에 따른 질환 발병 예측 방법에 따라 질환 발병 확률을 산출하는 절차를 도시한 순서도이다.
도 4a 내지 도 4b는 본 발명의 일 실시예에 따라 하나의 진료 일자에 대한 하나의 이벤트로 통합한 가공 데이터 테이블을 도시한 개략도들이다.
도 5a 내지 도 5b는 본 발명의 일 실시예에 따라 결측된 이벤트를 산출하여 입력한 가공 데이터 테이블을 도시한 개략도들이다.
도 6a 내지 도 6b는 본 발명의 일 실시예에 따라 결측된 데이터를 산출하여 입력한 가공 데이터 테이블을 도시한 개략도들이다.
도 7a 내지 도 7b는 본 발명의 일 실시예에 따라 복수의 항목의 값을 정규화하여 입력한 가공 데이터 테이블을 도시한 개략도들이다.
도 8a 내지 도 8b는 본 발명의 일 실시예에 따라 복수의 항목의 값을 정의된 단위로 변환하여 입력한 가공 데이터 테이블을 도시한 개략도들이다.
도 9는 본 발명의 일 실시예에 따라 질병 발병 확률을 제공하는 화면을 도시한 것이다.
도 10a 내지 도 10b는 건강 소견 및 보험 가입 적합성을 제공하는 화면을 도시한 것이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 발명의 실시예를 설명하기 위한 도면에 개시된 형상, 크기, 비율, 각도, 개수 등은 예시적인 것이므로 본 발명이 도시된 사항에 한정되는 것은 아니다. 또한, 본 발명을 설명함에 있어서, 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명은 생략한다. 본 명세서 상에서 언급된 '포함한다', '갖는다', '이루어진다' 등이 사용되는 경우, '~만'이 사용되지 않는 이상 다른 부분이 추가될 수 있다. 구성요소를 단수로 표현한 경우에 특별히 명시적인 기재 사항이 없는 한 복수를 포함하는 경우를 포함한다.
구성요소를 해석함에 있어서, 별도의 명시적 기재가 없더라도 오차 범위를 포함하는 것으로 해석한다.
비록 제1, 제2 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않는다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있다.
별도로 명시하지 않는 한 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
본 발명의 여러 실시예들의 각각 특징들이 부분적으로 또는 전체적으로 서로 결합 또는 조합 가능하며, 당업자가 충분히 이해할 수 있듯이 기술적으로 다양한 연동 및 구동이 가능하며, 각 실시예들이 서로에 대하여 독립적으로 실시 가능할 수도 있고 연관 관계로 함께 실시 가능할 수도 있다.
도 1 내지 도 8b에서는 설명의 편의를 위해 질환 발병 확률은 심혈관 질환의 발병 확률을 기준으로 설명되었으나, 이에 제한되지 않고, 심혈관 질환, 위암, 대장암, 간암, 폐암, 유방암, 전립선암, 치매 또는 당뇨의 발병 확률도 실질적으로 동일한 프로세스에 의해 예측될 수 있다.
도 1은 본 발명의 일 실시예에 따른 질환 발병 확률을 예측하기 위한 방법을 설명하기 위한 개략도이다.
도 1을 참조하면, 질환 발병 확률 제공 시스템 (1000) 은 가공 데이터 (100) 를 질환 발병 예측 모델 (200) 에 입력하여 질환 발병 확률 (300) 을 산출하는 시스템이다.
가공 데이터 (100) 는 외부의 데이터베이스로부터 수신된 원본 데이터를 가공한 데이터로서, 미리 결정된 기준에 따라 원본 데이터를 통합하여 하나의 이벤트를 포함하도록 가공된다. 가공 데이터 (100) 는 적어도 하나의 이벤트를 포함한다. 이벤트는 질환 발병 확률과 연관된 의료 관련 활동으로 정의된다. 여기서, 질환은 심혈관 질환, 암, 치매 또는 당뇨일 수 있다. 예를 들어, 이벤트는 병원에서의 진료, 처방 또는 건강 검진으로 정의될 수 있다. 하나의 이벤트는 동일자의 진료와 처방을 포함할 수도 있다. 이 때, 가공 데이터 (100) 의 개수와 가공 데이터 (100) 에 포함된 이벤트의 개수는 제한되지 않는다.
질환 발병 예측 모델 (200) 은 입력된 데이터를 연산 처리하여, 결과값을 산출하기 위한 모델이다. 이 때, 입력된 데이터는 가공 데이터 (100) 이며, 결과값은 질환 발병 확률 (300) 일 수 있다. 질환 발병 예측 모델 (200) 은 복수의 가공 데이터 (100) 를 입력받을 수 있으며, 복수의 가공 데이터 (100) 각각에 해당하는 질환 발병 확률 (300) 을 산출할 수 있다. 더 나아가, 질환 발환 예측 모델 (200) 은 복수의 가공 데이터 (100) 를 연산 처리하여 복수의 가공 데이터 (100) 에 대한 하나의 질환 발병 확률 (300) 을 산출할 수 있다.
질환 발병 확률 (300) 은 질환이 발병할 확률에 대한 값으로, 질환 발병 예측 모델 (200) 에 의해 산출된다. 이 때, 질환 발병 확률 (300) 은 복수의 가공 데이터 (100) 각각에 해당하는 복수의 질환 발병 확률 (300) 및 복수의 가공 데이터 (100) 에 해당하는 하나의 질환 발병 확률 (300) 일 수 있다.
이하에서는, 질환 발병 예측 모델을 구현하는 질환 발병 확률 예측 장치 (400) 에서의 질환 발병 예측 방법에 대한 보다 상세한 설명을 위해 도 2를 함께 참조한다.
도 2는 본 발명의 일 실시예에 따른 질환 발병 확률 예측 장치의 개략적인 구성을 도시한 블록도이다. 설명의 편의를 위해 도 1을 참조하여 설명한다.
도 2를 참조하면, 질환 발병 확률 예측 장치 (200) 는 통신부 (210), 프로세서 (220) 및 저장부 (230) 를 포함한다.
질환 발병 확률 예측 장치 (400) 의 통신부 (210) 는 적어도 하나의 외부 데이터베이스로부터 복수의 항목을 포함하는 원본 데이터를 수신하도록 구성된다. 여기서, 외부 데이터란, 건강보험공단의 건강 검진 코호트 데이터베이스, 진료기관의 진료 데이터베이스의 데이터일 수 있다. 건강 검진 코호트 데이터베이스는 건강 보험 및 의료급여권자 전체에 대한 진료 명세서와 치료 내역, 상병 내역, 처방전 내역 등에 대한 데이터를 포함한다. 또한, 통신부 (210) 는 산출된 질환 발병 확률을 의료 기관, 보험사 및 개인에게 제공할 수 있다.
질환 발병 확률 예측 장치 (400) 의 프로세서 (420) 는 원본 데이터를 기초로 미리 결정된 기준에 따라 1회의 진료 또는 1회의 건강 검진을 하나의 이벤트로 나타내는 가공 데이터를 생성하도록 구성된다. 이 때, 프로세서 (420) 는 산출할 질환 발병 확률의 정확도를 높이기 위해 가공 데이터를 생성한다. 구체적으로, 프로세서 (420) 는 복수의 이벤트 중 결측된 이벤트가 존재하는 경우, 결측된 이벤트를 생성할 수도 있고, 이벤트에 포함된 항목에 결측된 데이터가 존재하는 경우에도 결측된 데이터를 생성할 수 있다. 더 나아가, 프로세서 (420) 는 이벤트에 대한 길이의 빈도를 기초로 분포를 산출하고, 분포에서 미리 결정된 역치값에 해당하는 이벤트만을 포함하도록 가공 데이터를 생성한다. 이 때, 역치값은 분포의 중심을 기준으로 좌측으로부터 우측까지 95% 영역에 위치한 이벤트에 대한 길이이다. 또한, 프로세서 (420) 는 복수의 항목에 해당하는 각각의 단위를 추출하고 각각의 단위를 가공 데이터에서 정의된 단위로 변환한다. 더 나아가, 프로세서 (420) 는 가공 데이터를 질환 발병 예측 모델에 입력하고, 질환 발병 예측 모델을 이용하여 질환 발병 확률을 산출한다.
질환 발병 확률 예측 장치 (400) 의 저장부 (430) 는 수신한 데이터 및 생성된 데이터를 저장한다. 구체적으로, 저장부 (430) 는 외부 데이터베이스로부터 수신한 원본 데이터 및 원본 데이터를 기초로 생성한 가공 데이터를 저장하며 더 나아가, 산출한 질환 발병 확률을 저장한다.
이하에서는 질환 발병 확률 예측 장치 (400) 에서의 질환 발병 예측 방법에 대한 보다 상세한 설명을 위해 도 3을 함께 참조한다.
도 3은 본 발명의 일 실시예에 따른 질환 발병 예측 방법에 따라 질환 발병 확률을 산출하는 절차를 도시한 순서도이다. 설명의 편의를 위해 도 1 및 도 2의 구성 요소들과 도면 부호를 참조하여 설명한다.
질환 발병 확률 예측 장치 (400) 의 통신부 (410) 는 적어도 하나의 외부 데이터베이스로부터 복수의 항목을 포함하는 원본 데이터를 수신한다 (S310).
구체적으로, 통신부 (410) 는 사회학적 데이터, 적어도 1회의 진료를 포함하는 진료 기록 데이터 및 적어도 1회의 건강 검진을 포함하는 건강 검진 데이터 중 하나 이상을 수신한다. 여기서, 사회학적 데이터는 건강 보험 가입자 및 의료 급여 수급권자의 건강 보장 자격 정보로, 성, 연령, 거주 지역과 같은 인구 사회학적 정보, 사망일자, 사망원인을 포함하는 사망관련 정보, 건강보험 가입 여부, 의료급여 지급 여부와 같은 건강보장 유형 및 소득 분위 및 장애 등록 정보를 포함하는 사회 경제적 수준 및 기타 정보를 포함한다. 또한, 진료 기록 데이터는 요양 급여 비용 명세서 상의 의료 이용 내역 및 의료비 발생 내역을 의미한다. 진료 기록 데이터는 의료 기관 이용 정보, 요양 급여 비용, 진료 과목, 진료 상병 정보, 진찰, 처치, 수술, 기타 행위 급여 내역, 치료 재료 등의 상세 진료 내역을 포함한다. 구체적인 원본 데이터의 특징, 외부 데이터베이스에서의 필드명은 표 1과 같다.
더 나아가, 원본 데이터는 외부 데이터베이스 중 건강검진코호트 데이터베이스에서 질환 혹은 암의 과거력이 없는 80세 미만의 데이터만 사용한다. 다양한 원본 데이터를 수신하기 때문에, 지역, 문화적인 특징, 그리고 시대에 따라 차이가 나는 환경적인 요인으로 인한 질환 발병 예측 정확도가 떨어지는 문제를 추가적인 데이터 수집, 지역별 복수의 질환 예측 모델을 생성하는 방법 등으로 보완할 수 있는 장점이 있다.
이어서, 프로세서 (420) 는 원본 데이터를 기초로 미리 결정된 기준에 따라 1회의 진료 또는 1회의 건강 검진을 하나의 이벤트로 나타내는 가공 데이터를 생성한다 (S320).
구체적으로, 프로세서 (420) 는 원본 데이터에 포함된 복수의 항목들을 1회의 진료 또는 1회의 건강 검진을 기준으로 하나의 이벤트로 구성하여 미리 결정된 기준에 따라 가공 데이터를 생성한다. 예를 들어, 프로세서 (420) 는 개인 일련 번호, 복용 약품 분류 코드, 복용 약품 투약량 등의 항목을 하루의 요양 개시 일자, 즉 1회의 진료 또는 1회의 건강 검진에 따라 분류함으로써 하나의 이벤트로 구성하여 미리 결정된 기준에 따라 가공 데이터를 생성한다. 하나의 이벤트는 복용 약품 분류 코드 및 복용 투약량에 대한 데이터를 포함한다. 이 때, 프로세서 (420) 는 원본 데이터에 포함된 복수의 항목 중에서 질환 발병과 연관된 항목을 필터링한다. 예를 들어, 프로세서 (420) 는 질환과 연관이 있는 복용 약품 분류 코드 및 복용 약품 투약량에 해당하는 항목을 필터링할 수 있다. 이 때, 질환 발병과 연관된 항목은 적어도 50개이다.
또한, 다른 실시예에서, 하나의 진료 일자에 대해 복수의 원본 데이터가 존재하는 경우, 프로세서 (420) 는 원본 데이터를 하나의 진료 일자에 대한 하나의 이벤트로 통합할 수 있다. 예를 들어, 하나의 진료 일자에 복수의 복용 약품 분류 코드 및 복수의 복용 약품 분류 코드 각각에 대응하는 각각의 복용 투약량이 존재하는 경우, 프로세서 (420) 는 복수의 복용 약품 분류 코드 및 복용 투약량을 하나의 진료 일자에 해당하는 하나의 이벤트로 통합할 수 있다.
한편, 또 다른 실시예에서, 프로세서 (420) 는 복수의 이벤트 중 결측된 이벤트가 존재하는지 판단한다. 결측된 이벤트가 존재하는 경우, 프로세서 (420) 는 결측된 이벤트에 대해서 대표값, 평균값 또는 보간값 중 적어도 하나를 생성하고, 대표값, 평균값 또는 보간값 중 적어도 하나를 이벤트에 입력한다. 예를 들어, 프로세서 (420) 는 진료 일자가 2003년, 2005년, 2009년에 해당하는 건강 검진 즉, 3회의 이벤트가 존재하는 경우, 2004년 2006년, 2007년, 2008년에 해당하는 이벤트를 결측된 이벤트라고 판단한다. 따라서, 프로세서 (420) 는 2004년, 2006년, 2007년, 2008년에 대한 이벤트에 대해서 대표값, 평균값 또는 보간값 중 적어도 하나를 생성한다. 구체적으로, 프로세서 (420) 는 2003년, 2005년, 2009년의 이벤트에 포함된 항목 예를 들어, 나이, BMI, 혈압을 이용하여 나이, BMI, 혈압에 대한 대표값, 평균값 또는 보간값 중 적어도 하나를 생성할 수 있다. 이어서, 프로세서 (420) 는 생성한 대표값, 평균값 또는 보간값 중 적어도 하나를 2004년, 2006년, 2007년, 2008년에 해당하는 이벤트의 나이, BMI, 혈압 항목에 입력한다.
다양한 실시예에서, 프로세서 (420) 는 이벤트에 포함된 항목에 결측된 데이터가 존재하는지 판단한다. 결측된 데이터가 존재하는 경우, 프로세서 (420) 는 결측된 데이터에 대한 대표값, 평균값 또는 보간값 중 적어도 하나를 생성한다. 예를 들어, 질환자의 2004년, 2005년, 2006년의 이벤트에 포함된 항목 중 2006년의 이벤트에 키에 대한 데이터가 결측되었다고 판단한 경우, 프로세서 (420) 는 2004년과 2005년의 이벤트의 키에 대한 데이터를 이용하여 대표값, 평균값 또는 보간값 중 적어도 하나를 생성한다. 이어서, 프로세서 (420) 는 생성한 대표값, 평균값 또는 보간값 중 적어도 하나를 2004년과 2005년의 이벤트의 키에 대한 항목에 입력한다.
한편, 다양한 실시예에서, 프로세서 (420) 는 이벤트에 대한 길이의 빈도를 기초로 분포를 산출하고, 분포에서 미리 결정된 역치값에 해당하는 이벤트만을 포함하도록 가공 데이터를 생성한다. 이 때, 역치값은 분포의 중심을 기준으로 좌측으로부터 우측까지 95% 영역에 위치한 이벤트에 대한 길이이다. 이벤트 수가 많아서 이벤트 길이의 분포가 높은 경우, 시간에 대한 정밀도는 높아진다. 시간에 대한 정밀도가 높아지면, 가공 데이터의 규모가 커지고, 질환 발병 확률에 큰 영향을 미치기 때문에, 날짜 분포도에 따라 이벤트의 수를 조절해야할 수 있다.
또한, 다른 실시예에서, 프로세서 (420) 는 이벤트에 포함된 복수의 항목의 데이터에 대한 평균 및 표준편차를 계산한다. 이어서, 프로세서 (420) 는 계산한 평균 및 표준편차를 이용하여 복수의 항목의 데이터를 z-score로 변환하여 복수의 항목의 데이터에 입력한다. 이벤트에 포함된 복수의 항목의 데이터를 z-score로 변환하여 입력함으로써, 프로세서 (420) 는 각 항목에 대한 데이터를 정규화할 수 있다.
또 다른 실시예에서, 프로세서 (420) 는 복수의 항목에 해당하는 각각의 단위를 추출한다. 예를 들어, 프로세서 (420) 는 키 및 몸무게의 단위인 m와 kg을 추출한다. 이어서, 프로세서 (420) 는 각각의 단위를 가공 데이터에서 정의된 단위로 변환한다. 예를 들어, 가공 데이터에서 정의된 단위가 ft와 lb인 경우, 프로세서 (420) 는 키 및 몸무게 항목에 해당하는 단위를 m에서 ft로, kg에서 lb로 변환한다. 즉, 프로세서 (420) 는 복수의 항목에 해당하는 단위를 변환함으로써, 하나의 항목에 대해 각각 다른 경우에 단위를 통일할 수 있다.
이어서, 프로세서 (420) 는 가공 데이터를 질환 발병 예측 모델에 입력한다 (S330).
이 때, 프로세서 (420) 는 적어도 하나의 가공 데이터를 질환 발병 확률을 산출하기 위한 알고리즘인 질환 발병 예측 모델에 입력한다. 가공 데이터는 복수의 이벤트를 포함할 수 있다.
이어서, 프로세서 (420) 는 질환 발병 예측 모델을 이용하여 질환 발병 확률을 산출한다 (S340).
여기서, 질환 발병 예측 모델은 입력된 가공 데이터를 머신 러닝에 의해 학습되고, 학습의 결과로 결정된 파라미터들을 적용하여 질환 발병 확률을 산출한다. 이 때, 프로세서 (420) 는 가공 데이터에 포함된 복수의 이벤트 각각에 대한 질환 발병 확률을 산출할 수도 있고, 가공 데이터에 포함된 복수의 이벤트에 대해 통합한 하나의 질환 발병 확률을 산출할 수 있다. 더 나아가, 프로세서 (420) 는 질환의 종류에 따른 발병 확률도 산출할 수 있다. 즉, 프로세서 (420) 는 고혈압, 협심증, 심근경색증, 뇌졸중, 위암, 대장암, 폐암, 유방암, 전립선암, 치매, 당뇨 등에 걸릴 확률 또는 고혈압, 협심증, 심근경색증, 뇌졸중, 위암, 대장암, 폐암, 유방암, 전립선암, 치매, 당뇨 등 각각에 걸릴 확률 중 적어도 하나를 산출한다. 각각의 질환에 대해서 별도의 질환 발병 예측 모델이 생성되고 사용될 수 있다. 각각의 질환에 대한 별도의 질환 발병 예측 모델은 제한되지 않은 방식에 의해 머신 러닝되어 생성될 수 있다. 또한, 하나의 질환 발병 예측 모델이 다수의 질환 발병 확률을 산출하도록 구현될 수 있다. 더 나아가, 복수의 질환 발병 예측 모델이 하나의 질환 발병 확률을 산출하도록 구현될 수 있다.산출된 질환이 발병될 확률 또는 질환의 종류에 따른 발병 확률은 개인, 보험사, 의료기관, 건강보험공단 등에 제공될 수 있다.
이에 따라, 질환 발병 확률 예측 장치 (400) 는 원본 데이터를 가공한 가공 데이터를 질환 발병 모델에 입력함으로써, 다양한 조건을 고려한 가공 데이터를 기초로 정확도가 높은 질환 발병 확률을 산출할 수 있다.
도 4a 내지 도 4b는 본 발명의 일 실시예에 따라 하나의 진료 일자에 대한 하나의 이벤트로 통합한 가공 데이터 테이블을 도시한 것이다.
도 4a를 참조하면, 원본 데이터 테이블 (510) 은 하나의 진료 일자 (511, 512) 에 대한 복수의 이벤트를 포함한다. 예를 들어, 원본 데이터 테이블 (510) 은 2002년 12월 07일에 해당하는 진료 일자 (511) 에 대한 2가지의 복용 악품 분류 코드 (521) 및 복용 약품 투약량 (531) 을 포함한다. 따라서, 원본 데이터 테이블 (510) 은 A043016, A054502 인 복용 약품 분류 코드 (521) 에 따라 2002년 12월 07일인 진료 일자 (511) 에 해당하는 2개의 행을 포함한다. 이 때, 2002년 12월 07인 진료 일자 (511) 에 해당하는 행에는 복용 약품 투약량 (531) 도 포함된다. 마찬가지로, 원본 데이터 테이블 (510) 은 A166503, A037008 인 복용 약품 분류 코드 (522) 에 따라 2002년 12월 21일인 진료 일자 (512) 에 해당하는 2개의 행을 포함한다. 이 때, 2002년 12월 21일인 진료 일자 (512) 에 해당하는 행에는 복용 약품 투약량 (532) 도 포함된다.
도 4b를 참조하면, 가공 데이터 테이블 (520) 은 하나의 진료 일자에 대한 하나의 이벤트를 포함한다. 예를 들어, 가공 데이터 테이블 (520) 은 하나의 행에 진료 일자에 대한 데이터 즉, 복용 약품 분류 코드 각각에 해당하는 복용 약품 투약량을 포함한다. 구체적으로, 가공 데이터 테이블 (520) 은 하나의 진료 일자인 2002년 12월 07일의 진료 일자 (511) 에 복용 약품 분류 코드 (521) 와 복용 약품 투약량 (531) 을 포함한다. 또한, 가공 데이터 테이블 (520) 은 2002년 12월 21일의 진료 일자 (512) 에 복용 약품 분류 코드 (522) 및 복용 약품 투약량 (532) 을 포함한다. 즉, 가공 데이터 테이블 (520) 은 하나의 진료 일자에 해당하는 복수의 이벤트를 통합한 하나의 이벤트에 대한 행을 포함한다.
이에 따라, 질환 발병 확률 예측 장치 (400) 는 하나의 진료 일자에 대한 복수의 원본 데이터를 통합하여 하나의 진료 일자에 대한 하나의 이벤트로 가공 데이터를 생성함으로써, 하나의 진료 일자에 해당하는 복수의 특징 예를 들어, 복용 약품 분류 코드, 복용 약품 투약량을 하나의 이벤트로 표현할 수 있다.
도 5a 내지 도 5b는 본 발명의 일 실시예에 따라 결측된 이벤트를 산출하여 입력한 가공 데이터 테이블을 도시한 것이다.
도 5a를 참조하면, 원본 데이터 테이블 (610) 은 개인 일련 번호에 따른 년도별 나이, 혈당, BMI 등의 이벤트 (611, 612, 613) 를 포함한다. 예를 들어, 원본 데이터 테이블 (610) 은 동일한 개인 일련 번호의 2003년 이벤트 (611), 2005년 이벤트 (612) 및 2009년에 이벤트 (613) 를 포함한다.
도 5b를 참조하면, 가공 데이터 테이블 (620) 은 2003년 이벤트 (611), 2005년 이벤트 (612) 및 2009년 이벤트 (613) 를 기초로 생성된 결측 이벤트 (621) 를 포함한다. 예를 들어, 가공 데이터 (620) 는 2004년, 2006년, 2007년, 2008년에 해당하는 결측 이벤트 (621) 를 포함한다. 이 때, 2004년, 2006년, 2007년, 2008년에 해당하는 결측 이벤트 (621) 는 2003년 이벤트 (611), 2005년 이벤트 (612) 및 2009년 이벤트 (613) 의 나이, 혈당, BMI를 기초로 생성된 대표값, 평균값 또는 보간값 중 적어도 하나로 구성된다.
이에 따라, 질환 발병 확률 예측 장치 (400) 는 결측된 이벤트에 대해서 대표값, 평균값 또는 보간값 중 적어도 하나를 입력하여 가공 데이터를 생성함으로써, 질환 발병 예측 모델에 입력할 데이터를 확장하여 질환 발병 확률의 정확도를 높일 수 있다.
도 6a 내지 도 6b는 본 발명의 일 실시예에 따라 결측된 데이터를 산출하여 입력한 가공 데이터 테이블을 도시한 것이다.
도 6a를 참조하면, 원본 데이터 테이블 (710) 는 하나의 개인 일련 번호에 따른 복수의 이벤트에 대한 데이터를 포함한다. 이 때, 복수의 이벤트는 복수의 항목을 포함하는데, 복수의 항목에 대응하는 데이터에 결측 데이터 (711) 가 존재할 수 있다. 따라서, 원본 데이터 테이블 (710) 는 하나의 개인 일련 번호에 따른 복수의 항목의 데이터를 기초로 생성된 결측 데이터 (711) 를 입력받을 수 있다. 결측 데이터 (711) 는 하나의 개인 일련 번호에 따른 복수의 항목의 데이터를 기초로 생성된 대표값, 평균값 또는 보간값 중 적어도 하나이다.
도 6b를 참조하면, 가공 데이터 테이블 (720) 는 복수의 개인 일련 번호에 따른 복수의 이벤트에 대한 데이터를 포함한다. 이 때, 복수의 이벤트에 포함된 복수의 항목에 대응하는 데이터에 결측 데이터 (721) 가 존재할 수 있다. 따라서, 가공 데이터 테이블 (720) 는 복수의 개인 일련 번호에 따른 복수의 항목의 데이터를 기초로 생성된 결측 데이터 (721) 를 입력받을 수 있다. 즉, 가공 데이터 테이블 (720) 는 복수의 타인의 데이터를 기초로 생성된 대표값, 평균값 또는 보간값 중 적어도 하나로 결측 데이터 (721) 를 입력받을 수 있다.
이에 따라, 질환 발병 확률 예측 장치 (400) 는 개인의 데이터 또는 타인의 데이터를 기초로 결측된 데이터에 대표값, 평균값 또는 보간값 중 적어도 하나를 입력하여 가공 데이터를 생성함으로써, 질환 발병 예측 모델에 입력할 데이터를 확장하여 질환 발병 확률의 정확도를 높일 수 있다.
도 7a 내지 도 7b는 본 발명의 일 실시예에 따라 복수의 항목의 값을 정규화하여 입력한 가공 데이터 테이블을 도시한 것이다.
도 7a를 참조하면, 원본 데이터 테이블 (810) 은 개인 일련 번호에 따른 복수의 이벤트를 포함한다. 이 때, 복수의 이벤트는 BMI, 수축기 혈압, 이완기 혈압과 같은 복수의 항목을 포함하며, 복수의 항목은 각각 다른 단위의 수치값으로 입력되어 있다. 예를 들어, BMI는 kg/m2, 수축기 혈압과 이완기 혈압은 mmHg에 해당하는 수치값으로 입력되어 있다.
도 7b를 참조하면, 가공 데이터 테이블 (820) 은 복수의 항목에 z-score로 변환된 수치값을 포함한다. 이 때, z-score로 변환된 값은 각각 다른 단위의 수치값의 평균 및 표준편차에서 산출된다. 즉, 가공 데이터 테이블 (820) 은 복수의 항목에 해당하는 각각 다른 단위의 수치값을 하나의 단위로 적용한 것과 같은 값인 z-score 변환 수치값을 복수의 항목에 포함할 수 있다.
이에 따라, 질환 발병 확률 예측 장치 (400) 는 각각 다른 단위의 복수의 항목을 z-score로 변환함으로써, 복수의 항목에 동일한 기준값을 적용하여 질환 발병 확률에 영향을 주는 항목을 보다 용이하게 인식할 수 있도록 한다.
도 8a 내지 도 8b는 본 발명의 일 실시예에 따라 복수의 항목의 값을 정의된 단위로 변환하여 입력한 가공 데이터 테이블을 도시한 것이다.
도 8a를 참조하면, 원본 데이터 테이블 (910) 은 개인 일련 번호에 따른 복수의 이벤트를 포함한다. 이 때, 복수의 이벤트는 키, 몸무게, 현재 흡연 기간, 현재 하루 평균 흡연량, 1회 음주량인 복수의 항목을 포함한다. 이 때, 하나의 항목에 대응하는 수치값은 각각 다른 단위로 입력될 수 있다. 예를 들어, 키는 cm, ft, 몸무게는 kg, lb, 현재 흡연 기간은 5년 단위, 1년 단위, 현재 하루 평균 흡연량은 반갑 단위, 개피 단위, 1회 음주량은 소주 반병 단위, 소주잔 단위로 입력될 수 있다.
도 8b를 참조하면, 가공 데이터 테이블 (920) 은 하나의 항목에 동일한 단위의 수치값을 포함한다. 예를 들어, 가공 데이터 테이블 (920) 은 cm인 키, kg인 몸무게, 1년 단위의 현재 흡연 기간, 개피 단위인 현재 하루 평균 흡연량, 소주잔 단위인 1회 음주량인 항목에 해당하는 수치값을 포함한다.
이에 따라, 질환 발병 확률 예측 장치 (400) 는 하나의 항목에 각각 다른 단위의 수치값을 동일한 단위의 수치값으로 생성함으로써, 질환 발병 예측 모델이 각각 다른 단위의 수치값으로 구성되었던 원본 데이터도 입력받을 수 있어 보다 다양한 데이터를 기초로 정확도가 높은 질환 발병 확률을 산출할 수 있도록 한다.
도 9는 본 발명의 일 실시예에 따라 질병 발병 확률을 제공하는 화면을 도시한 것이다.
도 9를 참조하면, 질환 발병 확률 제공 화면 (1100) 은 년도별 질환 발병 확률 항목 (1110), 질환 발병 확률 항목 (1120) 및 현재 사용자의 위치 항목 (1130) 을 포함할 수 있다.
구체적으로, 질병 발병 확률 제공 화면 (1100) 은 시계열적으로 분류한 과거 건강 검진 데이터, 과거 문진 항목 데이터 및 과거 진료 기록 데이터를 기초로 산출된 년도별 질환 발병 확률 항목 (1110) 을 제공한다. 예를 들어, 질병 발병 확률 제공 화면 (1100) 은 과거에 해당하는 2015년, 현재에 해당하는 2016년, 미래에 해당하는 2017년의 질환 발병 확률을 제공할 수 있다. 또한, 질환 발병 확률 제공 화면 (1100) 은 질환의 종류에 따른 질환 발병 확률 즉, 질환 발병 확률 항목 (1120) 을 제공한다. 예를 들어, 질환 발병 확률 제공 화면 (1100) 은 고혈압, 협심증 및 동맥 경화증 등의 심혈관 질환 발병 확률, 위암, 대장암, 간암 등의 암 질환 발병 확률, 치매 질환 발병 확률 및 당뇨 질환 발병 확률이 각각 몇 퍼센트인지 제공할 수 있다. 또한, 질환 발병 확률 제공 화면 (1100) 은 산출한 질환 발병 확률에 따라 현재 사용자가 인구에 대비하여 질환이 발병할 확률이 몇 등에 속하는지, 백분위는 몇 퍼센트인지, 현재 사용자의 건강 상태를 기초로 환산한 점수는 몇 점인지에 대한 현재 사용자의 위치 항목 (1130) 을 제공할 수 있다. 예를 들어, 질환 발병 확률 제공 화면 (1100) 은 현재 사용자의 위치에 대해 질환 발병 확률을 계산한 총 인구 238만명 중 190만등, 80% 및 90점에 해당한다고 제공할 수 있다. 더 나아가, 질환 발병 확률 제공 화면 (1100) 은 질환 발병 확률에 따른 년도별 사용자의 위치를 제공할 수도 있다.
이에 따라, 발병 예측 서버 (200) 는 사용자의 질환 발병 확률을 년도별, 심혈관 질환, 암, 치매, 당뇨 등의 질환 종류별로 제공하고, 질환 발병 확률에 따른 사용자의 위치를 제공함으로써, 보다 상세한 질환 발병 정보를 인식할 수 있도록 하고, 보험사와 의료 기관이 보다 용이하게 건강 소견을 작성할 수 있도록 한다.
도 10a 내지 도 10b는 건강 소견 및 보험 가입 적합성을 제공하는 화면을 도시한 것이다.
도 10a를 참조하면, 건강 소견 제공 화면 (1200) 은 질환별 발병 확률 항목 (1210) 및 건강 소견 항목 (1220) 을 포함할 수 있다.
구체적으로, 건강 소견 제공 화면 (1200) 은 고혈압, 동맥 경화증, 뇌졸증, 뇌혈관 질환 등 각각의 질환에 따른 발병 확률인 질환별 발병 확률 항목 (1210) 을 제공한다. 예를 들어, 건강 소견 제공 화면 (1200) 은 고혈압이 발병할 확률이 70%, 협심증이 발병할 확률이 50%, 동맥 경화증이 발병할 확률이 80%, 위암이 발병할 확률이 20%, 대장암이 발병할 확률이 15%, 간암이 발병할 확률이 10%, 치매가 발병할 확률이 30%, 당뇨가 발병할 확률이 50%라는 것을 제공할 수 있다. 또한, 건강 소견 제공 화면 (1200) 은 질환 발병 확률을 높이는 요소들에 대해서도 제공할 수 있다. 예를 들어, 건강 소견 제공 화면 (1200) 은 혈압, 체지방, HDL 콜레스테롤 및 LDL 콜레스테롤에 대한 항목과 각각의 항목에 대한 수치값을 제공할 수 있다. 이 때, 질환 발병 확률에 영향을 준 정도에 따라 질환 발병 확률을 높이는 요소들에는 각각 다른 시각적 효과가 제공될 수 있다. 즉, 건강 소견 제공 화면 (1200) 은 질환 발병 확률을 높이는 요소들에 왼쪽 방향의 사선 표시, 질환 발병 확률에 평균적인 영향을 미치는 요소들에 오른쪽 방향의 사선 표시 및 질환 발병 확률에 적은 영향을 미치는 요소들에 복수의 점 표시 등을 제공할 수 있다. 또한, 건강 소견 제공 화면 (1200) 은 질환별 발병 확률 항목 (1210) 을 기초로 결정된 건강 소견 항목 (1220) 을 제공한다. 건강 소견은 질환을 발병시키는 요인과 질환별 발병 확률을 참조하여 작성된 코멘트이다. 이 때, 건강 소견은 자연어 처리됨에 따라 건강 소견 제공 화면 (1200) 은 자연어 처리되어 결정된 사용자의 건강 상태 대한 판단도 제공할 수 있다. 즉, 건강 소견 제공 화면 (1200) 은 건강 소견이 긍정적인 내용인지 부정적인 내용인지에 대한 여부를 제공할 수도 있다. 또한, 건강 소견 제공 화면 (1200) 은 건강 소견을 발병 예측 서버 (200) 로 전송하는 보내기 버튼 (1230) 을 제공한다. 따라서, 보내기 버튼 (1230) 에 대한 선택 신호를 수신한 경우, 건강 소견은 발병 예측 서버 (200) 로 전송된다.
도 10b를 참조하면, 보험 가입 적합성 제공 화면 (1200) 은 질환별 발병 확률 항목 (1210) 및 보험 가입 적합성 항목 (1240) 을 포함할 수 있다. 구체적인 질환별 발병 확률 항목 (1210) 을 포함한 보험 가입 적합성 제공 화면은 도 6a를 참조하여 설명한 내용과 동일하므로 설명은 생략한다.
구체적으로, 보험 가입 적합성 제공 화면 (1200) 은 발병 예측 확률 서버 (200) 에서 건강 소견을 기초로 결정된 보험 가입 적합성 항목 (1240) 을 제공한다. 보험 가입 적합성 항목 (1240) 은 결정된 질환 발병 확률에 따라 작성된 건강 소견을 기초로 사용자가 보험 가입이 적합한지 여부에 대한 내용을 포함하는 코멘트이다. 더 나아가, 보험 가입 적합성 제공 화면 (1200) 은 보험 가입 적합성에 대해 수치화한 점수도 제공할 수 있다.
이에 따라, 발병 예측 서버 (200) 는 질환별 발병 확률 뿐만 아니라 질환을 발병시키는 요인에 따른 질환 발병 확률을 제공함으로써, 사용자가 어떠한 질환에 대해 발병 확률이 높은지, 어떠한 요인이 질환을 발병시키고 확률은 얼마나 되는지에 대한 구체적인 질병 확률을 인식할 수 있도록 한다. 또한, 발병 예측 서버 (200) 는 건강 소견을 기초로 보험 가입 적합성을 제공함으로써, 보험사가 사용자의 보험 가입이 적합한지에 대해 객관적으로 판단하여 보험 가입에 따른 수익성을 보다 용이하게 계산할 수 있도록 한다.
본 명세서에서, 각 블록 또는 각 단계는 특정된 논리적 기능 (들) 을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또한, 몇 가지 대체 실시예들에서는 블록들 또는 단계들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들 또는 단계들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 블록들 또는 단계들이 때때로 해당하는 기능에 따라 역순으로 수행되는 것도 가능하다.
본 명세서에 개시된 실시예들과 관련하여 설명된 방법 또는 알고리즘의 단계는 프로세서에 의해 실행되는 하드웨어, 소프트웨어 모듈 또는 그 2 개의 결합으로 직접 구현될 수도 있다. 소프트웨어 모듈은 RAM 메모리, 플래시 메모리, ROM 메모리, EPROM 메모리, EEPROM 메모리, 레지스터, 하드 디스크, 착탈형 디스크, CD-ROM 또는 당업계에 알려진 임의의 다른 형태의 저장 매체에 상주할 수도 있다. 예시적인 저장 매체는 프로세서에 커플링되며, 그 프로세서는 저장 매체로부터 정보를 판독할 수 있고 저장 매체에 정보를 기입할 수 있다. 다른 방법으로, 저장 매체는 프로세서와 일체형일 수도 있다. 프로세서 및 저장 매체는 주문형 집적회로 (ASIC) 내에 상주할 수도 있다. ASIC는 사용자 단말기 내에 상주할 수도 있다. 다른 방법으로, 프로세서 및 저장 매체는 사용자 단말기 내에 개별 컴포넌트로서 상주할 수도 있다.
이상 첨부된 도면을 참조하여 본 발명의 실시예들을 더욱 상세하게 설명하였으나, 본 발명은 반드시 이러한 실시예로 국한되는 것은 아니고, 본 발명의 기술사상을 벗어나지 않는 범위 내에서 다양하게 변형실시될 수 있다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100: 가공 데이터
200: 질환 발병 예측 모델
300: 질환 발병 확률
400: 질환 발병 확률 예측 장치
410: 통신부
420: 프로세서
430: 저장부
510, 610, 710, 810, 910: 원본 데이터 테이블
511, 512: 진료 일자
520, 620, 720, 820, 920: 가공 데이터 테이블
521, 522: 복용 약품 분류 코드
531, 532: 복용 약품 투약량
611, 612, 613: 이벤트
621: 결측 이벤트
711, 721: 결측 데이터
1000: 질환 발병 확률 제공 시스템
1100: 질환 발병 확률 제공 화면
1110: 년도별 질환 발병 확률 항목
1120: 질환 발병 확률 항목
1130: 현재 사용자의 위치 항목
1200: 건강 소견 제공 화면
1210: 질환별 발병 확률 항목
1220: 건강 소견 항목
1230: 보내기 버튼
1240: 보험 가입 적합성 항목
200: 질환 발병 예측 모델
300: 질환 발병 확률
400: 질환 발병 확률 예측 장치
410: 통신부
420: 프로세서
430: 저장부
510, 610, 710, 810, 910: 원본 데이터 테이블
511, 512: 진료 일자
520, 620, 720, 820, 920: 가공 데이터 테이블
521, 522: 복용 약품 분류 코드
531, 532: 복용 약품 투약량
611, 612, 613: 이벤트
621: 결측 이벤트
711, 721: 결측 데이터
1000: 질환 발병 확률 제공 시스템
1100: 질환 발병 확률 제공 화면
1110: 년도별 질환 발병 확률 항목
1120: 질환 발병 확률 항목
1130: 현재 사용자의 위치 항목
1200: 건강 소견 제공 화면
1210: 질환별 발병 확률 항목
1220: 건강 소견 항목
1230: 보내기 버튼
1240: 보험 가입 적합성 항목
Claims (22)
- 통신부를 통해서 적어도 하나의 외부 데이터베이스로부터 복수의 항목을 포함하는 원본 데이터를 수신하는 단계;
프로세서를 통해 상기 원본 데이터를 기초로 미리 결정된 기준에 따라 1회의 진료 또는 1회의 건강 검진을 하나의 이벤트로 나타내는 가공 데이터를 생성하는 단계;
상기 프로세서를 통해 상기 가공 데이터를 지역별 생성된 복수의 질환 발병 예측 모델에 입력하는 단계;
상기 프로세서를 통해 상기 지역별 생성된 복수의 질환 발병 예측 모델을 이용하여 머신 러닝에 의해 학습한 결과로 결정된 파라미터들을 적용한 적어도 하나의 질환에 대한 질환 발병 확률을 산출하는 단계; 및
상기 프로세서를 통해 상기 산출된 질환 발병 확률을 기초로 사용자의 건강에 대한 정보를 인구 대비 등수 및 점수 중 적어도 하나로 제공하는 단계를 포함하고,
상기 원본 데이터는 상기 적어도 하나의 외부 데이터베이스 중 건강검진코호트 데이터베이스에서 질환 혹은 암의 과거력이 없는 80세미만의 데이터이고,
상기 프로세서를 통해 상기 가공 데이터를 생성하는 단계는,
상기 이벤트에 대한 길이의 빈도를 기초로 분포를 산출하는 단계; 및
상기 분포에서 미리 결정된 역치값에 해당하는 이벤트만을 포함하도록 상기 가공 데이터를 생성하는 단계를 포함하고,
상기 역치값은,
상기 분포의 중심을 기준으로 좌측으로부터 우측까지 95% 영역에 위치한 상기 이벤트에 대한 길이인, 질환 발병 예측 장치를 이용한 질환 발병 예측 방법. - 제1항에 있어서,
상기 질환은 심혈관 질환, 위암, 간암, 대장암, 폐암, 유방암, 전립선암, 치매 또는 당뇨 중 적어도 하나이고, 상기 질환 발병 예측 모델은 상기 질환 각각에 대하여 별도로 구축되는, 질환 발병 예측 장치를 이용한 질환 발병 예측 방법. - 제1항에 있어서,
상기 통신부를 통해서 상기 원본 데이터를 수신하는 단계는,
사회학적 데이터, 적어도 상기 1회의 진료를 포함하는 진료 기록 데이터 및 적어도 상기 1회의 건강 검진을 포함하는 건강 검진 데이터 중 하나 이상을 수신하는 단계인, 질환 발병 예측 장치를 이용한 질환 발병 예측 방법. - 제1항에 있어서,
상기 프로세서를 통해 상기 가공 데이터를 생성하는 단계는,
하나의 진료 일자에 대해 복수의 상기 원본 데이터가 존재하는 경우,
상기 원본 데이터를 상기 하나의 진료 일자에 대한 하나의 이벤트로 통합하는 단계를 더 포함하는, 질환 발병 예측 장치를 이용한 질환 발병 예측 방법. - 제1항에 있어서,
상기 하나의 이벤트는 복용 약품 분류 코드 및 복용 투약량에 대한 데이터를 포함하는, 질환 발병 예측 장치를 이용한 질환 발병 예측 방법. - 제1항에 있어서,
상기 프로세서를 통해 상기 복수의 항목 중에서 질환 발병과 연관된 항목을 필터링하는 단계를 더 포함하는, 질환 발병 예측 장치를 이용한 질환 발병 예측 방법. - 제6항에 있어서,
상기 질환 발병과 연관된 항목은 적어도 50개인, 질환 발병 예측 장치를 이용한 질환 발병 예측 방법. - 제1항에 있어서,
상기 프로세서를 통해 상기 가공 데이터를 생성하는 단계는,
상기 이벤트 중 결측된 이벤트가 존재하는지 판단하는 단계;
상기 결측된 이벤트가 존재하는 경우,
상기 결측된 이벤트에 대해서 대표값, 평균값 또는 보간값 중 적어도 하나를 생성하는 단계; 및
상기 대표값, 상기 평균값 또는 상기 보간값 중 적어도 하나를 상기 결측된 이벤트에 입력하는 단계를 포함하는, 질환 발병 예측 장치를 이용한 질환 발병 예측 방법. - 제1항에 있어서,
상기 프로세서를 통해 상기 가공 데이터를 생성하는 단계는,
상기 이벤트에 포함된 상기 복수의 항목에 결측된 데이터가 존재하는지 판단하는 단계;
상기 결측된 데이터가 존재하는 경우,
상기 결측된 데이터에 대해서 대표값, 평균값 또는 보간값 중 적어도 하나를 생성하는 단계; 및
상기 대표값, 상기 평균값 또는 상기 보간값 중 적어도 하나를 상기 결측된 데이터에 입력하는 단계를 포함하는, 질환 발병 예측 장치를 이용한 질환 발병 예측 방법. - 삭제
- 제1항에 있어서,
상기 프로세서를 통해 상기 가공 데이터를 생성하는 단계는,
상기 이벤트에 포함된 상기 복수의 항목의 데이터에 대한 평균 및 표준편차를 계산하는 단계;
상기 평균 및 표준편차를 이용하여 상기 복수의 항목의 데이터를 z-score로 변환하는 단계; 및
상기 복수의 항목의 데이터에 상기 z-score을 입력하는 단계를 포함하는, 질환 발병 예측 장치를 이용한 질환 발병 예측 방법. - 제1항에 있어서,
상기 프로세서를 통해 상기 가공 데이터를 생성하는 단계는,
상기 복수의 항목에 해당하는 각각의 단위를 추출하는 단계; 및
상기 각각의 단위를 상기 가공 데이터에서 정의된 단위로 변환하는 단계를 포함하는, 질환 발병 예측 장치를 이용한 질환 발병 예측 방법. - 제1항에 있어서,
상기 프로세서를 통해 상기 가공 데이터를 생성하는 단계는,
상기 복수의 항목의 데이터 중 일부의 데이터만을 포함하도록 상기 가공 데이터를 생성하는 단계를 포함하는, 질환 발병 예측 장치를 이용한 질환 발병 예측 방법. - 제1항에 있어서,
상기 프로세서를 통해 상기 질환 발병 확률을 산출하는 단계는,
상기 질환이 발병될 확률 또는 상기 질환의 종류에 따른 발병 확률 중 적어도 하나를 산출하는 단계인, 질환 발병 예측 장치를 이용한 질환 발병 예측 방법. - 제1항에 있어서,
상기 프로세서를 통해 상기 질환 발병 예측 모델을 이용하여 신체 나이 또는 기대 수명을 산출하는 단계를 더 포함하는, 질환 발병 예측 장치를 이용한 질환 발병 예측 방법. - 적어도 하나의 외부 데이터베이스로부터 복수의 항목을 포함하는 원본 데이터를 수신하도록 구성된 통신부;
상기 원본 데이터를 기초로 미리 결정된 기준에 따라 1회의 진료 또는 1회의 건강 검진을 하나의 이벤트로 나타내는 가공 데이터를 생성하도록 구성된 프로세서; 및
상기 원본 데이터 및 상기 가공 데이터를 저장하는 저장부를 포함하고,
상기 프로세서는,
상기 가공 데이터를 지역별 생성된 복수의 질환 발병 예측 모델에 입력하고,
상기 지역별 생성된 복수의 질환 발병 예측 모델을 이용하여 머신 러닝에 의해 학습한 결과로 결정된 파라미터들을 적용한 적어도 하나의 질환에 대한 질환 발병 확률을 산출하고,
상기 산출된 질환 발병 확률을 기초로 사용자의 건강에 대한 정보를 인구 대비 등수 및 점수 중 적어도 하나로 제공하도록 구성되고,
상기 원본 데이터는 상기 적어도 하나의 외부 데이터베이스 중 건강검진코호트 데이터베이스에서 질환 혹은 암의 과거력이 없는 80세미만의 데이터이고,
상기 프로세서는,
상기 이벤트에 대한 길이의 빈도를 기초로 분포를 산출하고,
상기 분포에서 미리 결정된 역치값에 해당하는 이벤트만을 포함하도록 상기 가공 데이터를 생성하도록 더 구성되고,
상기 역치값은,
상기 분포의 중심을 기준으로 좌측으로부터 우측까지 95% 영역에 위치한 상기 이벤트에 대한 길이인, 질환 발병 예측 장치. - 제16항에 있어서,
상기 통신부는,
사회학적 데이터, 적어도 상기 1회의 진료를 포함하는 진료 기록 데이터 및 적어도 상기 1회의 건강 검진을 포함하는 건강 검진 데이터 중 하나 이상을 수신하도록 구성된, 질환 발병 예측 장치. - 제16항에 있어서,
상기 프로세서는,
상기 이벤트 중 결측된 이벤트가 존재하는지 판단하고,
상기 결측된 이벤트가 존재하는 경우,
상기 결측된 이벤트에 대해서 대표값, 평균값 또는 보간값 중 적어도 하나를 생성하고,
상기 대표값, 상기 평균값 또는 상기 보간값 중 적어도 하나를 상기 결측된 이벤트에 입력하도록 구성된, 질환 발병 예측 장치. - 제16항에 있어서,
상기 프로세서는,
상기 이벤트에 포함된 상기 복수의 항목에 결측된 데이터가 존재하는지 판단하고,
상기 결측된 데이터가 존재하는 경우,
상기 결측된 데이터에 대해서 대표값, 평균값 또는 보간값 중 적어도 하나를 생성하고,
상기 대표값, 상기 평균값 또는 상기 보간값 중 적어도 하나를 상기 결측된 데이터에 입력하도록 구성된, 질환 발병 예측 장치. - 삭제
- 제16항에 있어서,
상기 프로세서는,
상기 이벤트에 포함된 상기 복수의 항목의 데이터에 대한 평균 및 표준편차를 계산하고,
상기 평균 및 표준편차를 이용하여 상기 복수의 항목의 데이터를 z-score로 변환하고,
상기 복수의 항목의 데이터에 상기 z-score을 입력하도록 구성된, 질환 발병 예측 장치. - 제16항에 있어서,
상기 프로세서는,
상기 복수의 항목에 해당하는 각각의 단위를 추출하고,
상기 각각의 단위를 상기 가공 데이터에서 정의된 단위로 변환하도록 구성된, 질환 발병 예측 장치.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2016255976A JP2022008719A (ja) | 2016-11-23 | 2016-12-28 | 疾患発症予測方法及び装置 |
| US15/403,996 US20180144103A1 (en) | 2016-11-23 | 2017-01-11 | Method and apparatus for predicting probability of outbreak of disease |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR20160156551 | 2016-11-23 | ||
| KR1020160156551 | 2016-11-23 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20180058159A KR20180058159A (ko) | 2018-05-31 |
| KR101885111B1 true KR101885111B1 (ko) | 2018-08-03 |
Family
ID=62454450
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020160176525A KR101885111B1 (ko) | 2016-11-23 | 2016-12-22 | 질환 발병 예측 방법 및 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101885111B1 (ko) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210022413A (ko) * | 2019-08-20 | 2021-03-03 | 서울대학교산학협력단 | 전립선암 위험도의 변화 정도 예측 시스템 |
| KR102259922B1 (ko) * | 2020-12-30 | 2021-06-02 | 이준호 | 인공지능기반의 변액보험을 포함한 펀드 상품의 관리 시스템 |
| KR20210116039A (ko) | 2020-03-17 | 2021-09-27 | 박종선 | 인공지능 기반 맞춤형 생활건강 정보제공시스템 및 인공지능 기반 맞춤형 생활건강 정보제공방법 |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019112366A1 (ko) * | 2017-12-07 | 2019-06-13 | 서울대학교 산학협력단 | 생체인식 연령 예측 모델 생성 방법 및 장치 |
| KR102214041B1 (ko) * | 2018-09-13 | 2021-02-09 | 주식회사 피트 | 건강위험도 평가 장치 및 방법 |
| KR102442873B1 (ko) * | 2019-12-27 | 2022-09-14 | 주식회사 라이프시맨틱스 | 보험 설계를 위한 질환예측 서비스 시스템 |
| KR102555479B1 (ko) * | 2020-06-05 | 2023-07-17 | 주식회사 메디블록 | 국민건강보험 검진 데이터를 이용한 심혈관질환 발병 예측 방법 및 그 장치 |
| KR102405900B1 (ko) * | 2021-10-12 | 2022-06-08 | 주식회사 바스젠바이오 | 시간 변동성 기반의 질환 연관성 요인 분석을 통한 질환 발병 정보 생성 장치 및 그 방법 |
| KR102461301B1 (ko) * | 2022-01-07 | 2022-10-28 | ㈜웰니스컴퍼니올리브 | 암 발생 위험도 스크리닝 시스템 |
| KR102625827B1 (ko) * | 2023-06-23 | 2024-01-15 | 주식회사 메디에이지 | 인공지능을 통해 노화지수를 분석하여 생체나이를 예측하는 장치 및 방법 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130113288A (ko) * | 2012-04-05 | 2013-10-15 | 주식회사 유코리아 | 휴대용 개인건강 기록 저장 장치 |
| KR20160062669A (ko) * | 2014-11-25 | 2016-06-02 | 한국전자통신연구원 | 맞춤형 개인 건강 서비스 제공 장치 및 방법 |
| KR101831023B1 (ko) * | 2015-05-12 | 2018-02-22 | 백정윤 | 신체시간 표시장치 |
-
2016
- 2016-12-22 KR KR1020160176525A patent/KR101885111B1/ko active IP Right Grant
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210022413A (ko) * | 2019-08-20 | 2021-03-03 | 서울대학교산학협력단 | 전립선암 위험도의 변화 정도 예측 시스템 |
| KR102303272B1 (ko) * | 2019-08-20 | 2021-09-17 | 주식회사 프로카젠 | 전립선암 위험도의 변화 정도 예측 시스템 |
| KR20210116039A (ko) | 2020-03-17 | 2021-09-27 | 박종선 | 인공지능 기반 맞춤형 생활건강 정보제공시스템 및 인공지능 기반 맞춤형 생활건강 정보제공방법 |
| KR102259922B1 (ko) * | 2020-12-30 | 2021-06-02 | 이준호 | 인공지능기반의 변액보험을 포함한 펀드 상품의 관리 시스템 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20180058159A (ko) | 2018-05-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101885111B1 (ko) | 질환 발병 예측 방법 및 장치 | |
| US11664097B2 (en) | Healthcare information technology system for predicting or preventing readmissions | |
| Gottesman et al. | Associations between midlife vascular risk factors and 25-year incident dementia in the Atherosclerosis Risk in Communities (ARIC) cohort | |
| KR101855117B1 (ko) | 질병에 대한 발병 확률 예측 방법 및 장치 | |
| US20140095201A1 (en) | Leveraging Public Health Data for Prediction and Prevention of Adverse Events | |
| Ibanez-Sanchez et al. | Toward value-based healthcare through interactive process mining in emergency rooms: the stroke case | |
| US8949082B2 (en) | Healthcare information technology system for predicting or preventing readmissions | |
| JP6182431B2 (ja) | 医療データ分析システム、及び医療データを分析する方法 | |
| Sikdar et al. | Adverse drug reactions in elderly hospitalized patients: a 12-year population-based retrospective cohort study | |
| US20180144103A1 (en) | Method and apparatus for predicting probability of outbreak of disease | |
| US20110295621A1 (en) | Healthcare Information Technology System for Predicting and Preventing Adverse Events | |
| CN103493054A (zh) | 用于预测心血管病发展的医疗信息技术系统 | |
| US11923094B2 (en) | Monitoring predictive models | |
| US20200395129A1 (en) | Systems and methods for identification of clinically similar individuals, and interpretations to a target individual | |
| Pendlebury et al. | Delirium risk stratification in consecutive unselected admissions to acute medicine: validation of externally derived risk scores | |
| Matheny et al. | Development of electronic health record–based prediction models for 30-day readmission risk among patients hospitalized for acute myocardial infarction | |
| Cooper et al. | Geographical variation in health spending across the US among privately insured individuals and enrollees in Medicaid and Medicare | |
| Paulauskaite-Taraseviciene et al. | Geriatric care management system powered by the IoT and computer vision techniques | |
| Feldman et al. | Will Apple devices’ passive atrial fibrillation detection prevent strokes? Estimating the proportion of high-risk actionable patients with real-world user data | |
| Kataria et al. | Harnessing of real-world data and real-world evidence using digital tools: utility and potential models in rheumatology practice | |
| Boissin | Clinical decision-support for acute burn referral and triage at specialized centres–Contribution from routine and digital health tools | |
| Lima et al. | Development and validation of a clinical instrument to predict risk of an adverse drug reactions in hospitalized patients | |
| Batra et al. | Data standards for atrial fibrillation/flutter and catheter ablation: the European Unified Registries for Heart Care Evaluation and Randomized Trials (EuroHeart) | |
| Agrawal et al. | Five year life expectancy calculator for older adults | |
| US20230315989A1 (en) | Readmission model based on social determinants of health |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |