KR101886374B1 - 딥러닝 기반의 패혈증 조기 감지방법 및 프로그램 - Google Patents

딥러닝 기반의 패혈증 조기 감지방법 및 프로그램 Download PDF

Info

Publication number
KR101886374B1
KR101886374B1 KR1020170103448A KR20170103448A KR101886374B1 KR 101886374 B1 KR101886374 B1 KR 101886374B1 KR 1020170103448 A KR1020170103448 A KR 1020170103448A KR 20170103448 A KR20170103448 A KR 20170103448A KR 101886374 B1 KR101886374 B1 KR 101886374B1
Authority
KR
South Korea
Prior art keywords
sepsis
time
data
feature data
computer
Prior art date
Application number
KR1020170103448A
Other languages
English (en)
Inventor
감혜진
김하영
Original Assignee
재단법인 아산사회복지재단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Family has litigation
First worldwide family litigation filed litigation Critical https://patents.darts-ip.com/?family=63252052&utm_source=google_patent&utm_medium=platform_link&utm_campaign=public_patent_search&patent=KR101886374(B1) "Global patent litigation dataset” by Darts-ip is licensed under a Creative Commons Attribution 4.0 International License.
Application filed by 재단법인 아산사회복지재단 filed Critical 재단법인 아산사회복지재단
Priority to KR1020170103448A priority Critical patent/KR101886374B1/ko
Application granted granted Critical
Publication of KR101886374B1 publication Critical patent/KR101886374B1/ko
Priority to PCT/KR2018/009338 priority patent/WO2019035639A1/ko

Links

Images

Classifications

    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Abstract

본 발명은 딥러닝 기반의 패혈증 조기 감지 방법 및 프로그램에 관한 것이다.
본 발명의 일실시예에 따른 딥러닝 기반의 패혈증 조기 감지 방법은, 컴퓨터가 기준시점 이전의 N개 단위시간 내에서 특징데이터셋을 획득하는 단계(S200); 컴퓨터가 상기 특징데이터셋을 패혈증감지모델에 입력하는 단계(S400); 및 컴퓨터가 특정한 예측시점의 패혈증 발생 예측결과를 제공하는 단계(S600);를 포함한다.

Description

딥러닝 기반의 패혈증 조기 감지방법 및 프로그램 {METHOD AND PROGRAM FOR EARLY DETECTION OF SEPSIS WITH DEEP NEURAL NETWORKS}
본 발명은 딥러닝 기반의 패혈증 조기 감지방법 및 프로그램에 관한 것이다.
패혈증은 미생물에 감염되어 전신에 심각한 염증 반응이 나타나는 상태를 말한다. 패혈증은 감염 직후 발견되는 경우가 드물고, 여러 생체신호 및 검사값 기반의 전조 증상 혹은 발생양상으로 의심되어 정밀한 검사를 통해 확진을 하게 된다. 일례로 체온이 38도 이상으로 올라가는 발열 증상 혹은 36도 이하로 내려가는 저체온증, 호흡수가 분당 24회 이상으로 증가(빈호흡), 분당 90회 이상의 심박수(빈맥), 혈액 검사상 백혈구 수의 증가 혹은 현저한 감소 중 두 가지 이상의 증상을 보이는 경우, 이를 전신성 염증 반응 증후군(systemic inflammatory response syndrome; SIRS)이라고 부르는데, 이러한 전신성 염증 반응 증후군이 미생물의 감염에 의한 것일 때 패혈증이라고 한다. 최초에 SIRS와 같은 사전 징후가 발생한 후 패혈증임을 진단할 때까지 시간이 소요되게 되고, 조기에 패혈증에 대비하지 않으면 다장기 기능장애증후군(MODS)가 발생하고 환자가 사망할 수 있다.
기존에는 다양한 참조특징데이터를 생성하여 회귀분석 및 기계학습법에 적용하였다. 패혈증의 발생 및 악화예측을 위해 각각의 의료데이터간의 상관관계 등을 파악할 수 있는 새로운 특징데이터를 생성하여 이용하였다. 이 때, 어떠한 새로운 특징데이터를 선택하여 사용하느냐에 따라 분석결과에 영향을 미치며, 사람이 이해할 수 있는 형태로 가공한 사람편향적(human-biased) 특징데이터이므로 질환의 발생양상 혹은 개인별 대안한 질환변화 패턴을 다각도로 고려하지 못해 패혈증 예측모델의 성능향상에 어려운 문제가 있었다.
중환자실에 입원한 환자에게 패혈증이 발생하기 전, 가능한 한 조기에 여러 전조증상이 나타나는 시점에 감지하여야 패혈증에 의한 환자 사망을 막을 수 있으므로, 보다 조기에 패혈증을 감지하는 정확도 높은 방법이 필요하다. 이를 위해, 본 발명은 의무기록에 기재되는 의료데이터를 바탕으로 생성된 데이터셋을 딥러닝 알고리즘에 적용하여 특정시간 이후의 패혈증 발생가능성을 산출하는, 딥러닝 기반의 패혈증 조기 감지방법 및 프로그램을 제공하고자 한다.
본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
본 발명의 일실시예에 따른 딥러닝 기반의 패혈증 조기 감지 방법은, 컴퓨터가 기준시점 이전의 N개 단위시간 내에서 특징데이터셋을 획득하는 단계; 컴퓨터가 상기 특징데이터셋을 패혈증감지모델에 입력하는 단계; 및 컴퓨터가 특정한 예측시점의 패혈증 발생 예측결과를 제공하는 단계;를 포함하되, 상기 패혈증감지모델은 딥러닝을 기반으로 학습데이터를 학습하여 생성된 것이며, 상기 예측시점은 상기 기준시점으로부터 k개(k는 특정한 자연수)의 단위시간 간격만큼 경과된 시점이며, 상기 패혈증 발생 예측결과는 상기 예측시점에 패혈증 발생양상이 초기 발생되는지에 대한 결과이며, 상기 특징데이터셋은 전자의무기록에 저장되는 의료데이터를 기반으로 산출되는 것이다.
또한, 다른 일실시예로, 상기 학습데이터는, 복수의 패혈증 환자에 대해 타겟시점과 상기 타겟시점으로부터 특정시간 이전의 N개 단위시간 내 특징데이터셋를 포함하고, 상기 타겟시점은 패혈증 환자에게 패혈증 발생양상이 최초 확인된 시점이고, 상기 패혈증감지모델은, 상기 학습데이터 내의 N개 단위시간 내 특징데이터셋과 k개의 단위시간 경과 후의 패혈증발생결과를 매칭하여 딥러닝 알고리즘에 적용하여 생성되는 것이다.
또한, 다른 일실시예로, 상기 패혈증 발생양상이 최초 확인된 시점은, 기준시간 이상으로 전신성 염증 반응 증후군이 지속될 때의 초기 시점이다.
또한, 다른 일실시예로, 상기 특징데이터셋 획득단계는, 수축기혈압, 맥압, 심박수, 체온, 호흡수, 백혈구수치, 수소이온지수, 혈중 산소 농도 중 적어도 하나에 대해 하나 이상의 대표값을 추출하는 것을 특징으로 한다.
또한, 다른 일실시예로, 상기 단위시간은, 상기 전자의무기록 상에 특정한 제1의료데이터를 기록하는 시간간격 또는 상기 시간간격의 정수배 중 어느 하나이다.
또한, 다른 일실시예로, 상기 특징데이터셋 획득단계는, 특정한 제2의료데이터가 상기 단위시간보다 긴 시간 간격으로 획득되는 경우, 연속되는 제2의료데이터값 중 적어도 하나를 이용하여 산출하는 것을 특징으로 한다.
또한, 다른 일실시예로, 상기 패혈증감지모델은, LSTM(Long Short-term Memory) 알고리즘을 이용하는 것이다.
또한, 다른 일실시예로, 상기 패혈증 발생예측결과 제공단계는, 특정한 환자에게 대해 단위시간이 경과할 때마다 변경된 N개의 특징데이터셋으로 패혈증 발생 예측을 수행한다.
본 발명의 다른 일실시예에 따른 딥러닝 기반의 패혈증 조기 감지프로그램은, 하드웨어인 컴퓨터와 결합되어 상기 언급된 딥러닝 기반의 패혈증 조기 감지 방법을 실행하며, 매체에 저장된다.
상기와 같은 본 발명에 따르면, 아래와 같은 다양한 효과들을 가진다.
첫째, 학습된 패혈증감지모델이 기본특징데이터를 기반으로 최적으로 특징데이터(Feature)를 산출하므로, 사용자가 예측에 유리한 특징(즉, Referece Feature)을 생성하는 과정을 수행하지 않아도 된다.
둘째, 기존의 회귀모델에 비해 패혈증 발생을 조기에 정확하게 예측할 수 있다. 예를 들어, 패혈증 발생 전의 전조증상 중 하나인 전신성 염증 반응 증후군(systemic inflammatory response syndrome; SIRS)이 발생되는 초기시점을 정확하게 예측하여 환자의 패혈증 진행을 대비할 수 있다.
셋째, 환자로부터 패혈증 조기감지를 위한 별도의 의료데이터를 획득할 필요없이 일반적으로 중환자실(ICU)에서 획득되어 전자의무기록(EMR)에 기록되는 데이터만으로 패혈증을 조기에 예측할 수 있다. 따라서, 병원에서 별도의 장치를 사용하지 않고 컴퓨터를 이용하여 패혈증 조기 감지를 수행할 수 있다.
넷째, 전자의무기록에 기록되는 데이터를 바로 패혈증감지모델에 적용하여 실시간으로 특정시간 이후의 SIRS 발생가능성을 예측할 수 있다.
도 1은 본 발명의 일실시예에 따른 딥러닝 기반의 패혈증 조기감지방법의 순서도이다.
도 2는 본 발명의 일실시예에 따른 복수의 의료데이터로부터 획득되는 특징데이터셋에 대한 예시 표이다.
도 3은 본 발명의 일실시예에 따른 패혈증 전조증상 중 하나인 SIRS 초기발생시점 기반으로 학습데이터를 구축하는 과정에 대한 도면이다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세히 설명한다. 본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 게시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 게시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다.
본 명세서에서 '컴퓨터'는 연산처리를 수행하여 사용자에게 결과를 시각적으로 제시할 수 있는 다양한 장치들이 모두 포함된다. 예를 들어, 컴퓨터는 데스크 탑 PC, 노트북(Note Book) 뿐만 아니라 스마트폰(Smart phone), 태블릿 PC, 셀룰러폰(Cellular phone), 피씨에스폰(PCS phone; Personal Communication Service phone), 동기식/비동기식 IMT-2000(International Mobile Telecommunication-2000)의 이동 단말기, 팜 PC(Palm Personal Computer), 개인용 디지털 보조기(PDA; Personal Digital Assistant) 등도 해당될 수 있다. 또한, 컴퓨터는 의료영상을 획득하거나 관찰하는 의료장비도 해당될 수 있다. 또한, 컴퓨터는 다양한 클라이언트 컴퓨터와 연결되는 서버 컴퓨터가 해당될 수 있다. 또한, 컴퓨터는 하나 이상의 장치로 이루어질 수도 있다.
이하, 도면을 참조하여 본 발명의 실시예들에 따른 딥러닝 기반의 패혈증 예측방법 및 프로그램에 대해 설명하기로 한다.
도 1은 본 발명의 일실시예에 따른 딥러닝 기반의 패혈증 조기 감지 방법의 순서도이다.
도 1을 참조하면, 본 발명의 일실시예에 따른 딥러닝 기반의 패혈증 조기 감지 방법은, 컴퓨터가 기준시점 이전의 N개 단위시간 내에서 특징데이터셋을 획득하는 단계(S200); 컴퓨터가 상기 특징데이터셋을 패혈증감지모델에 입력하는 단계(S400); 및 컴퓨터가 특정한 예측시점의 패혈증 발생 예측결과를 제공하는 단계(S600);를 포함한다. 이하, 각 단계에 대한 상세한 설명을 기재한다.
먼저, 컴퓨터가 기준시점 이전의 N개 단위시간 내에서 특징데이터셋을 획득한다(S200; 특징데이터셋 획득단계). 즉, 컴퓨터는 후술되는 패혈증감지모델에 입력하기 위한 데이터셋을 획득한다.
상기 특징데이터셋은 전자의무기록에 저장되는 의료데이터를 기반으로 산출되는 것이다. 즉, 컴퓨터는 패혈증 발생을 예측하기 위해 환자로부터 별도 센서나 장치를 이용하여 신규의료데이터를 획득하지 않고, 중환자실(ICU)에서 환자 상태 파악을 위해 주기적으로 측정하여 의무기록에 기재하는 의료데이터를 이용한다. 일실시예로, 상기 특징데이터셋 획득단계(S200)에서, 컴퓨터는 특징데이터셋 형성에 이용되는 의료데이터로 수축기혈압, 맥압, 심박수, 체온, 호흡수, 백혈구수치, 수소이온지수, 혈중 산소 농도 중 적어도 하나를 이용한다.
또한, 다른 일실시예로, 상기 특징데이터셋은 전자의무기록에 기록되는 하나 이상의 의료데이터에 대해 하나 이상의 대표값(예를 들어, 평균값, 최대값 및 최소값)을 추출하여 형성된다. 예를 들어, 도 2에서와 같이, 컴퓨터는 특정한 의료데이터(예를 들어, 맥압)에 대해 평균값, 최대값 및 최소값을 산출하여 3개의 특징데이터(feature)를 획득한다.
이를 통해, 컴퓨터는 전자의무기록에서 획득되는 각각의 의료데이터에서 산출되는 기본특징데이터(Basic Feature Data)만 이용하고, 각 기본특징데이터 간의 상관관계, 시간적 변화 등을 반영하기 위해 설정된 참조특징데이터(Reference Feature Data)를 산출하는 과정을 수행하지 않는다. 후술되는 바와 같이, 컴퓨터는 딥러닝 알고리즘을 이용한 패혈증감지모델을 통해 기본특징데이터를 이용하여 다양한 상관관계를 산출해내므로 참조특징데이터(Reference Feature Data)를 이용하지 않아도 된다.
또한, 다른 일실시예로, 상기 단위시간은, 상기 전자의무기록 상에 특정한 제1의료데이터를 기록하는 시간간격 또는 상기 시간간격의 정수배 중 어느 하나이다. 예를 들어, 도 2에서와 같이, 중환자실에서 환자의 특정한 제1의료데이터(예를 들어, 수축기혈압(Systolic pressure))를 1시간, 30분 또는 15분마다 측정하므로, 컴퓨터는 특정한 제1의료데이터를 기록하는 시간간격(즉, 측정주기)와 같거나 정수배인 1시간을 단위시간으로 설정할 수 있다.
또한, 복수의 의료데이터를 각각의 측정주기마다 측정하므로, 컴퓨터는 여러 의료데이터의 측정주기와 같거나 정수배인 시간을 단위시간으로 설정할 수 있다. 예를 들어, 특정한 병원의 중환자실에서 수축기혈압은 30분마다 기록하고 심박수는 15분마다 기록하는 경우, 컴퓨터는 30분과 15분의 정수배인 1시간을 단위시간으로 설정할 수 있다.
컴퓨터는 특정한 의료데이터에 대해 단위시간 내에 획득된 하나 이상의 측정값을 기반으로 하나 이상의 대표값(예를 들어, 평균값, 최대값 및 최소값)을 산출하고 각각의 대표값을 특징데이터로 사용한다. 예를 들어, 체온을 10분마다 의무기록으로 기재하는 경우, 컴퓨터는 단위시간인 1시간 이내에 측정된 6회의 체온데이터의 평균값(Average)과 최대값(Max)를 해당 단위시간의 특징데이터로 산출한다.
또한, 다른 일실시예로, 상기 특징데이터셋 획득단계(S200)에서, 특정한 제2의료데이터가 상기 단위시간보다 긴 시간 간격으로 획득되는 경우, 컴퓨터는 연속되는 제2의료데이터값 중 적어도 하나를 이용하여 산출한다. 즉, 단위시간 내에 측정되는 값이 없는 경우, 컴퓨터는 인접한 값을 채워서 특징데이터를 구축한다. 예를 들어, 도 에서와 같이, 수소이온지수는 2시간, 4시간 간격 등으로 단위시간에 비해 긴시간 주기로 불규칙적으로 측정되므로, 수소이온지수 측정이 이루어지지 않은 단위시간인 경우, 컴퓨터는 가장 인접한 시간에 측정되었던 값을 그대로 또는 보정하여 적용한다.
컴퓨터는 연속되는 N개의 단위시간에 대해 복수의 특징데이터가 획득하여 특징데이터셋을 형성한다. 예를 들어, 도 2에서와 같이, 수축기혈압, 맥압, 심박수, 체온, 호흡수, 백혈구수치, 수소이온지수 및 혈중 산소 농도를 의료데이터로 사용하여 단위시간마다 20개의 특징데이터를 산출하는 경우, 컴퓨터는 연속되는 N개의 단위시간(예를 들어, 5시간)동안 획득된 5*N개(예를 들어, 100개)의 특징데이터를 하나의 특징데이터셋으로 설정한다.
또한, 일실시예로, 컴퓨터는 기준시점으로 현재시점을 설정할 수 있다. 즉, 현재시점으로부터 미리 정해진 시간 이후에 기존에 규정된 패혈증 발생양상이 발생할 가능성이 있는지 판단하기 위해, 컴퓨터는 현재시점 이전으로 N개 단위시간 내에서 획득된 특징데이터셋을 이용하여 실시간으로 특정시간 경과 후 패혈증 발생 가능성을 산출한다. 예를 들어, 패혈증 환자에게서 많은 경우에 패혈증 전조 증상으로 전신염증반응증후군(Systemic Inflammatory Response Syndrome; 이하, SIRS)이 발생하므로, 컴퓨터는 현재시점으로부터 k시간(예를 들어, 3시간) 이전의 N개 단위시간 내에서 획득된 특징데이터셋을 이용하여 실시간으로 특정시간 경과 후 SIRS 발생 가능성을 산출한다.또한, 다른 일실시예로, 컴퓨터는 단위시간이 경과되어 새로운 특징데이터가 추가되는 시점을 기준으로 특정시간(예를 들어, 3시간) 경과되는 시점에 패혈증이 시작될 가능성을 계속해서 산출할 수 있다. 이를 통해, 컴퓨터는 계속해서 중환자실(ICU)에 입원한 환자의 패혈증 발생 가능성을 단위시간 간격으로 수행할 수 있다.
그 후, 컴퓨터가 특징데이터셋을 패혈증감지모델에 입력한다(S400). 즉, 컴퓨터는 환자에게서 단위시간 간격 또는 실시간으로 획득되는 특징데이터셋을 패혈증감지모델에 입력한다. 상기 패혈증감지모델은 딥러닝을 기반으로 학습데이터를 학습하여 생성된 것이다.
일실시예로, 상기 패혈증감지모델을 트레이닝하는 학습데이터는, 복수의 패혈증 환자에 대해 타겟시점과 상기 타겟시점으로부터 특정시간 이전의 N개 단위시간 내 특징데이터셋을 포함한다. 즉, 상기 패혈증감지모델은 상기 학습데이터 내의 N개 단위시간 내 특징데이터셋과 k개의 단위시간 경과 후의 타겟시점(즉, 패혈증 발생으로 판단할 수 있는 조건(이하, 패혈증판단조건)이 확인되는 시점)을 매칭하여 딥러닝 알고리즘에 적용하여 생성되는 것이다.
예를 들어, 패혈증판단조건 확인시점은 SIRS 최초발생시점이 될 수 있다. 패혈증 이전에 많은 수의 환자에게서 SIRS 상태가 발생하게 되므로, SIRS 발생을 패혈증 조기감지를 위한 요소로 활용할 수 있다. 즉, 상기 타겟시점은, 도 3에서와 같이, 패혈증진단 이전에 중환자실(특히, Medical Intensive Care Unit; MICU)에 입원한 환자에게서 SIRS가 최초로 발생되는 시점이다. 즉, 컴퓨터는 전신염증반응증후군 (즉, SIRS)의 조건인 (1) 체온＞38℃이거나 ＜36℃, (2) 심박수＞90/분, (3) 호흡수＞20/분 또는 PaCO2＜32mmHg, (4) 백혈구수＞12,000/㎕, ＜4,000/㎕, 또는 막대핵호중구(band neutrophil)＞10% 중 적어도 2개 이상에 해당하게 되는(즉, SIRS 조건을 만족하는) 상황이 5시간 연속으로 발생할 때의 최초시점을 타겟시점으로 추출한다.
또한, 각 환자에 대한 N개 단위시간 내 특징데이터셋을 구축하는 방식은 특정시간 이후의 SIRS 발생가능성을 산출하기 위해 패혈증감지모델에 입력되는 특징데이터셋을 획득하는 방식과 동일하게 수행된다.
또한, 컴퓨터는 과거에 패혈증으로 진단된 환자 중에서 SIRS 상태가 발생하였던 환자를 추출한 후, 해당 환자들의 의료데이터를 기반으로 특징데이터셋을 생성한다. SIRS조건을 만족하였던 환자 중에서 이후에 패혈증으로 진단된 환자의 의료데이터만으로 학습데이터를 생성하므로, 컴퓨터는 SIRS상태를 수반하는 패혈증 증상 예측을 위한 학습데이터를 구축할 수 있다.
구체적으로, SIRS상태를 수반하는 패혈증을 조기진단하기 위한 패혈증감지모델의 트레이닝(학습)에 이용되는 학습데이터를 구축하는 과정의 일실시예는 다음과 같다. 먼저, 컴퓨터가 패혈증 진단이력이 존재하는 환자를 추출한다. 그 후, 컴퓨터가 패혈증 진단시점 이전에 SIRS 상태가 특정시간 이상 지속된 환자를 추출한다. 예를 들어, 컴퓨터는 5시간 동안 계속해서 SIRS상태가 지속되는 환자를 추출한다. 그 후, 도 3에서와 같이, 컴퓨터는 SIRS상태가 시작되는 최초시점을 타겟시점으로 추출한다. 그 후, 컴퓨터는 타겟시점으로부터 미리 정해진 예측간격시간(k개 단위시간, 예를 들어, 3시간) 이전의 N개 단위시간 내에서 특징데이터셋을 추출한다. 이 때, 특징데이터셋은 추출된 복수의 환자의 전자의무기록 내에 포함되어 있는 일반적인 의료데이터에 대한 대표값(예를 들어, 평균값, 최대값, 최소값 등)을 각 단위시간별로 산출하여 형성된다.
학습데이터를 트레이닝하는 패혈증감지모델은 다양한 딥러닝 알고리즘이 적용될 수 있다. 일실시예로, 상기 패혈증감지모델은, DFN(Deep Feedforward Network) 또는 LSTM(Long Short-term Memory) 알고리즘을 이용할 수 있다.
일반적인 DFN은 입력층(input layer)과 하나 이상의 숨겨진 층(hidden layer), 그리고 출력층(output layer)로 구성되는 네트워크 구조를 가지고 있다. 데이터는 입력층의 뉴런(neuron)으로 들어와 출력층 에 도달할 때까지 연결된 에지(edge)들의 가중치와 이전 노드에서 전달된 값들의 합 및 함수들의 계산을 통해 최종값을 계산하고, 목표변수값과의 비교를 통해 이들간 차이를 최소화하는 방향으로 학습을 진행한다.
LSTM은 딥러닝의 여러 기법 중 시계열 데이터에 대해 시간적인 변동성을 반영해주는 RNN(Recurrent Neural Network)의 방법론 중 하나로, 일반적인 RNN에서 깊은 네트워크상에서의 학습 장애에 대한 문제(예: Vanishing Gradient)를 해결하기 위한 대안으로 제시되었으며 여러 연구개발 분야에서 활용되고 있다. RNN은 시간적 변화 내에서 패턴을 학습해내기에 유리하므로, 시간흐름에 따라 데이터가 연속적으로 획득되는 생체데이터 분석에 유용하다. 따라서, 학습데이터를 분석하기 위한 패혈증감지모델은 LSTM 적용 시에 더 높은 정확도를 제공할 수 있다.
컴퓨터가 특정한 예측시점의 패혈증 발생 예측결과를 제공한다(S600). 상기 예측시점은 상기 기준시점으로부터 k개의 단위시간 간격만큼 경과된 시점이다. 즉, 예측시점은 기준시점(예를 들어, 현재시점)으로부터 학습데이터 내에서 특징데이터셋을 획득하는 N개 단위시간과 타겟시점 사이의 시간간격만큼 경과된 시점이다. 컴퓨터는 패혈증감지모델을 통해 예측시점에 기 규정된 패혈증 발생양상 중 하나가 발생할 가능성을 산출한다. 즉, 상기 패혈증 발생 예측결과는 예측시점에 패혈증 발생의 전조상태 중 어느 하나가 발생되는지 여부를 말한다.
일실시예로, 기 규정된 패혈증 발생양상이 SIRS상태의 발생인 경우, 패혈증감지모델이 학습데이터 내의 SIRS상태가 시작된 타겟시점과 타겟시점으로부터 k개 단위시간 이전까지 획득된 N개 단위시간 내의 특징데이터셋를 학습하여, 현재시점 이전의 N개 단위시간 내의 특징데이터셋을 이용하여 k개 단위시간이 경과된 예측시점의 패혈증 발생 예측결과를 산출한다. 이 때, 상기 패혈증 발생 예측결과는 예측시점에 패혈증 발생의 전조상태인 SIRS상태가 시작될지 여부를 말한다.
또한, 다른 일실시예로, 상기 패혈증 발생예측결과 제공단계(S600)는, 특정한 환자에게 대해 단위시간이 경과할 때마다 변경된 N개의 특징데이터셋으로 패혈증 발생 가능성을 산출한다.
이상에서 전술한 본 발명의 일 실시예에 따른 딥러닝 기반의 패혈증 조기 감지 방법은, 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 어플리케이션)으로 구현되어 매체에 저장될 수 있다.
상기 전술한 프로그램은, 상기 컴퓨터가 프로그램을 읽어 들여 프로그램으로 구현된 상기 방법들을 실행시키기 위하여, 상기 컴퓨터의 프로세서(CPU)가 상기 컴퓨터의 장치 인터페이스를 통해 읽힐 수 있는 C, C++, JAVA, 기계어 등의 컴퓨터 언어로 코드화된 코드(Code)를 포함할 수 있다. 이러한 코드는 상기 방법들을 실행하는 필요한 기능들을 정의한 함수 등과 관련된 기능적인 코드(Functional Code)를 포함할 수 있고, 상기 기능들을 상기 컴퓨터의 프로세서가 소정의 절차대로 실행시키는데 필요한 실행 절차 관련 제어 코드를 포함할 수 있다. 또한, 이러한 코드는 상기 기능들을 상기 컴퓨터의 프로세서가 실행시키는데 필요한 추가 정보나 미디어가 상기 컴퓨터의 내부 또는 외부 메모리의 어느 위치(주소 번지)에서 참조되어야 하는지에 대한 메모리 참조관련 코드를 더 포함할 수 있다. 또한, 상기 컴퓨터의 프로세서가 상기 기능들을 실행시키기 위하여 원격(Remote)에 있는 어떠한 다른 컴퓨터나 서버 등과 통신이 필요한 경우, 코드는 상기 컴퓨터의 통신 모듈을 이용하여 원격에 있는 어떠한 다른 컴퓨터나 서버 등과 어떻게 통신해야 하는지, 통신 시 어떠한 정보나 미디어를 송수신해야 하는지 등에 대한 통신 관련 코드를 더 포함할 수 있다.
상기 저장되는 매체는, 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상기 저장되는 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있지만, 이에 제한되지 않는다. 즉, 상기 프로그램은 상기 컴퓨터가 접속할 수 있는 다양한 서버 상의 다양한 기록매체 또는 사용자의 상기 컴퓨터상의 다양한 기록매체에 저장될 수 있다. 또한, 상기 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장될 수 있다.
상기와 같은 본 발명에 따르면, 아래와 같은 다양한 효과들을 가진다.
첫째, 학습된 패혈증감지모델이 기본특징데이터를 기반으로 최적으로 특징데이터(Feature)를 산출하므로, 사용자가 예측에 유리한 특징(즉, Referece Feature)을 생성하는 과정을 수행하지 않아도 된다.
둘째, 기존의 회귀모델에 비해 패혈증 발생을 조기에 정확하게 예측할 수 있다. 예를 들어, 패혈증 발생 전의 전조증상 중 하나인 전신성 염증 반응 증후군(systemic inflammatory response syndrome; SIRS)이 발생되는 초기시점을 정확하게 예측하여 환자의 패혈증 진행을 대비할 수 있다.
셋째, 환자로부터 패혈증 조기감지를 위한 별도의 의료데이터를 획득할 필요없이 일반적으로 중환자실(ICU)에서 획득되어 전자의무기록(EMR)에 기록되는 데이터만으로 패혈증을 조기에 예측할 수 있다. 따라서, 병원에서 별도의 장치를 사용하지 않고 컴퓨터를 이용하여 패혈증 조기 감지를 수행할 수 있다.
넷째, 전자의무기록에 기록되는 데이터를 바로 패혈증감지모델에 적용하여 실시간으로 특정시간 이후의 SIRS 발생가능성을 예측할 수 있다.
이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.

Claims (9)

  1. 컴퓨터가 기준시점 이전의 N개 단위시간 내에서 특징데이터셋을 획득하는 단계;
    컴퓨터가 상기 특징데이터셋을 패혈증감지모델에 입력하는 단계;
    컴퓨터가 상기 패혈증감지모델을 통해 기본특징데이터만으로 하나 이상의 의료데이터에 대한 각 기본특징데이터 간의 상관관계를 산출하는 단계; 및
    컴퓨터가 특정한 예측시점의 패혈증 발생 예측결과를 제공하는 단계;를 포함하되,
    상기 특징데이터셋은,
    전자의무기록에 저장되는 시계열 데이터로서 상기 하나 이상의 의료데이터를 기반으로 산출되되, 상기 기본특징데이터로 구비되고,
    상기 기본특징데이터는,
    상기 전자의무기록에 기록되는 상기 하나 이상의 의료데이터에 대해 하나 이상의 대표값을 추출하여 형성된 것이고,
    상기 단위시간은,
    상기 하나 이상의 의료데이터 중 제1의료데이터를 기록하는 시간간격 또는 정수배이고,
    상기 의료데이터가 복수개인 경우,
    각각의 측정주기마다 측정된 각 의료데이터가 상기 제1의료데이터에 의한 기준 시점의 단위시간을 포함하지 않는 경우에는, 컴퓨터는 상기 각 의료데이터 중에서 상기 제1의료데이터의 기준 시점의 단위 시간과 가장 인접한 시점의 단위 시간에서 측정된 값을 채워서 특징데이터를 구축하고,
    상기 패혈증감지모델은,
    딥러닝을 기반으로 학습데이터를 학습하여 생성되며, 상기 학습데이터 내의 N개 단위시간 내 특징데이터셋과 k개의 단위시간 경과 후의 타겟시점을 매칭하여 딥러닝 알고리즘에 적용하여 생성된 것이며,
    상기 학습데이터는,
    복수의 패혈증 환자에 대해 타겟시점과 상기 타겟시점으로부터 특정시간 이전의 N개 단위시간 내 특징데이터셋을 포함하고,
    상기 타겟시점은 패혈증 환자에서 패혈증 발생양상이 최초 확인된 시점이고, 상기 예측시점은 상기 기준시점으로부터 k개(k는 특정한 자연수)의 단위시간 간격만큼 경과된 시점이며,
    상기 패혈증 발생 예측결과는 상기 예측시점에 패혈증 발생양상이 초기 발생되는지에 대한 결과인, 딥러닝 기반의 패혈증 조기 감지 방법.
  2. 삭제
  3. 제1항에 있어서,
    상기 패혈증 발생양상이 최초 확인된 시점은,
    기준시간 이상으로 전신성 염증 반응 증후군이 지속될 때의 초기 시점인, 딥러닝 기반의 패혈증 조기 감지 방법.
  4. 제1항에 있어서,
    상기 특징데이터셋 획득단계는,
    수축기혈압, 맥압, 심박수, 체온, 호흡수, 백혈구수치, 수소이온지수, 혈중 산소 농도 중 적어도 하나에 대해 하나 이상의 대표값을 추출하는 것을 특징으로 하는, 딥러닝 기반의 패혈증 조기 감지 방법.
  5. 삭제
  6. 제1항에 있어서,
    상기 특징데이터셋 획득단계는,
    특정한 제2의료데이터가 상기 단위시간보다 긴 시간 간격으로 획득되는 경우, 연속되는 제2의료데이터값 중 적어도 하나를 이용하여 산출하는 것을 특징으로 하는, 딥러닝 기반의 패혈증 조기 감지 방법.
  7. 제1항에 있어서,
    상기 패혈증감지모델은,
    LSTM(Long Short-term Memory) 알고리즘을 이용하는 것인, 딥러닝 기반의 패혈증 조기 감지 방법.
  8. 제1항에 있어서,
    상기 패혈증 발생예측결과 제공단계는,
    특정한 환자에게 대해 단위시간이 경과할 때마다 변경된 N개의 특징데이터셋으로 패혈증 발생 예측을 수행하는, 딥러닝 기반의 패혈증 조기 감지 방법.
  9. 하드웨어인 컴퓨터와 결합되어, 제1항, 제3항 내지 제4항 및 제6항 내지 제8항 중 어느 한 항의 방법을 실행시키기 위하여 매체에 저장된, 딥러닝 기반의 패혈증 조기 감지프로그램.
KR1020170103448A 2017-08-16 2017-08-16 딥러닝 기반의 패혈증 조기 감지방법 및 프로그램 KR101886374B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020170103448A KR101886374B1 (ko) 2017-08-16 2017-08-16 딥러닝 기반의 패혈증 조기 감지방법 및 프로그램
PCT/KR2018/009338 WO2019035639A1 (ko) 2017-08-16 2018-08-14 딥러닝 기반의 패혈증 조기 감지방법 및 프로그램

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170103448A KR101886374B1 (ko) 2017-08-16 2017-08-16 딥러닝 기반의 패혈증 조기 감지방법 및 프로그램

Publications (1)

Publication Number Publication Date
KR101886374B1 true KR101886374B1 (ko) 2018-08-07

Family

ID=63252052

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170103448A KR101886374B1 (ko) 2017-08-16 2017-08-16 딥러닝 기반의 패혈증 조기 감지방법 및 프로그램

Country Status (2)

Country Link
KR (1) KR101886374B1 (ko)
WO (1) WO2019035639A1 (ko)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102049824B1 (ko) * 2018-11-15 2019-11-28 주식회사 뷰노 피검체의 소정 증상의 발생을 예측하기 위한 예측 결과를 생성하는 방법 및 이를 이용한 장치
KR20200040669A (ko) * 2018-10-10 2020-04-20 연세대학교 산학협력단 사망 또는 패혈증 위험도 예측 방법 및 이를 이용한 사망 또는 패혈증 위험도 예측용 디바이스
CN111374639A (zh) * 2018-12-28 2020-07-07 陈柏龄 败血症的菌种预测系统与方法
KR20200095059A (ko) 2019-01-31 2020-08-10 주식회사 이노제닉스 패혈증 진단을 위한 reba 결과 판독 영상인식 시스템 및 이를 이용한 패혈증 진단 방법
CN113822420A (zh) * 2021-09-27 2021-12-21 闫鹏 基于容积二氧化碳图的死腔分数的模型建立方法及系统
CN115050451A (zh) * 2022-08-17 2022-09-13 合肥工业大学 败血症临床用药方案自动生成系统
KR102623020B1 (ko) * 2023-09-11 2024-01-10 주식회사 슈파스 인공지능 기반의 생체 데이터 분석을 통한 패혈성 쇼크 조기 예측방법, 장치 및 컴퓨터프로그램

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110123274A (zh) * 2019-04-29 2019-08-16 上海电气集团股份有限公司 一种脓毒血症的监测系统
CN110123277A (zh) * 2019-05-17 2019-08-16 上海电气集团股份有限公司 一种脓毒血症的数据处理系统
CN113017572B (zh) * 2021-03-17 2023-11-28 上海交通大学医学院附属瑞金医院 一种重症预警方法、装置、电子设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140141534A (ko) * 2013-05-31 2014-12-10 가톨릭대학교 산학협력단 패혈증 고위험군 예측 방법 및 시스템
KR20170023770A (ko) * 2014-06-25 2017-03-06 삼성전자주식회사 진단모델 생성 시스템 및 방법
KR20170053693A (ko) * 2014-09-09 2017-05-16 레이도스 이노베이션즈 테크놀로지 인크. 질환 검출 방법 및 장치

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150113700A (ko) * 2014-03-31 2015-10-08 삼성전자주식회사 진단 시스템 및 방법
KR20160096460A (ko) * 2015-02-05 2016-08-16 삼성전자주식회사 복수의 분류기를 포함하는 딥 러닝 기반 인식 시스템 및 그 제어 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140141534A (ko) * 2013-05-31 2014-12-10 가톨릭대학교 산학협력단 패혈증 고위험군 예측 방법 및 시스템
KR20170023770A (ko) * 2014-06-25 2017-03-06 삼성전자주식회사 진단모델 생성 시스템 및 방법
KR20170053693A (ko) * 2014-09-09 2017-05-16 레이도스 이노베이션즈 테크놀로지 인크. 질환 검출 방법 및 장치

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200040669A (ko) * 2018-10-10 2020-04-20 연세대학교 산학협력단 사망 또는 패혈증 위험도 예측 방법 및 이를 이용한 사망 또는 패혈증 위험도 예측용 디바이스
KR102446376B1 (ko) * 2018-10-10 2022-09-22 연세대학교 산학협력단 사망 또는 패혈증 위험도 예측 방법 및 이를 이용한 사망 또는 패혈증 위험도 예측용 디바이스
KR102049824B1 (ko) * 2018-11-15 2019-11-28 주식회사 뷰노 피검체의 소정 증상의 발생을 예측하기 위한 예측 결과를 생성하는 방법 및 이를 이용한 장치
CN111374639A (zh) * 2018-12-28 2020-07-07 陈柏龄 败血症的菌种预测系统与方法
KR20200095059A (ko) 2019-01-31 2020-08-10 주식회사 이노제닉스 패혈증 진단을 위한 reba 결과 판독 영상인식 시스템 및 이를 이용한 패혈증 진단 방법
KR102238762B1 (ko) 2019-01-31 2021-04-16 주식회사 이노제닉스 패혈증 진단을 위한 reba 결과 판독 영상인식 시스템 및 이를 이용한 패혈증 진단 방법
CN113822420A (zh) * 2021-09-27 2021-12-21 闫鹏 基于容积二氧化碳图的死腔分数的模型建立方法及系统
CN113822420B (zh) * 2021-09-27 2024-04-19 中国航天科工集团七三一医院 基于容积二氧化碳图的死腔分数的模型建立方法及系统
CN115050451A (zh) * 2022-08-17 2022-09-13 合肥工业大学 败血症临床用药方案自动生成系统
KR102623020B1 (ko) * 2023-09-11 2024-01-10 주식회사 슈파스 인공지능 기반의 생체 데이터 분석을 통한 패혈성 쇼크 조기 예측방법, 장치 및 컴퓨터프로그램

Also Published As

Publication number Publication date
WO2019035639A1 (ko) 2019-02-21

Similar Documents

Publication Publication Date Title
KR101886374B1 (ko) 딥러닝 기반의 패혈증 조기 감지방법 및 프로그램
US10332638B2 (en) Methods and systems for pre-symptomatic detection of exposure to an agent
KR101870121B1 (ko) 심층신경망을 이용한 혈류상태 분석시스템, 방법 및 프로그램
CN114830132A (zh) 用于处理包括生理信号的人类相关数据以利用边缘和云的分布式机器学习来制定情境感知决策的系统和方法
US20160128618A1 (en) Diagnostic apparatus using habit, diagnosis management apparatus, and diagnostic method using same
US20190228179A1 (en) Context-based access to health information
WO2015199258A1 (ko) 진단모델 생성 시스템 및 방법
CN108027363A (zh) 工程化血细胞估算
US10638980B2 (en) System and method for predicting heart failure decompensation
WO2021017313A1 (zh) 房颤的检测方法、装置、计算机设备及存储介质
WO2014036173A1 (en) Methods and systems for calculating and using statistical models to predict medical events
KR101841222B1 (ko) 피검체의 치명적 증상의 발생을 조기에 예측하기 위한 예측 결과를 생성하는 방법 및 이를 이용한 장치
CN115769302A (zh) 流行病监控系统
Chen et al. Heart sound segmentation via duration long–short term memory neural network
US20170337345A1 (en) System and method for interpreting patient risk score using the risk scores and medical events from existing and matching patients
Ali et al. An efficient hybrid LSTM-ANN joint classification-regression model for PPG based blood pressure monitoring
Mortensen et al. Multi-class stress detection through heart rate variability: A deep neural network based study
KR102298119B1 (ko) 수면에 관련한 분석 정보를 제공하기 위한 방법 및 컴퓨팅 장치
Oei et al. Towards early sepsis detection from measurements at the general ward through deep learning
CN113017572B (zh) 一种重症预警方法、装置、电子设备及存储介质
CN115666376A (zh) 用于高血压监测的系统和方法
KR20220082720A (ko) 수면에 관련한 분석 정보를 제공하기 위한 방법 및 컴퓨팅 장치
JP2024513618A (ja) 感染症及び敗血症の個別化された予測のための方法及びシステム
CN112957018A (zh) 基于人工智能的心脏状态检测方法和装置
WO2022103410A1 (en) System and methods for indicating pre-symptomatic adverse conditions in a human

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]
J301 Trial decision

Free format text: TRIAL NUMBER: 2019100003346; TRIAL DECISION FOR INVALIDATION REQUESTED 20191024

Effective date: 20201123