KR101886493B1 - 구강암 발병 확률 예측 방법 및 장치 - Google Patents
구강암 발병 확률 예측 방법 및 장치 Download PDFInfo
- Publication number
- KR101886493B1 KR101886493B1 KR1020160053250A KR20160053250A KR101886493B1 KR 101886493 B1 KR101886493 B1 KR 101886493B1 KR 1020160053250 A KR1020160053250 A KR 1020160053250A KR 20160053250 A KR20160053250 A KR 20160053250A KR 101886493 B1 KR101886493 B1 KR 101886493B1
- Authority
- KR
- South Korea
- Prior art keywords
- oral cancer
- probability
- patient
- parameter
- onset
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 201000005443 oral cavity cancer Diseases 0.000 title 1
- 208000003445 Mouth Neoplasms Diseases 0.000 claims abstract description 278
- 208000012987 lip and oral cavity carcinoma Diseases 0.000 claims abstract description 275
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 95
- 102000004169 proteins and genes Human genes 0.000 claims abstract description 95
- 230000004083 survival effect Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 5
- 210000000214 mouth Anatomy 0.000 claims description 4
- 201000010099 disease Diseases 0.000 claims description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 4
- 230000003902 lesion Effects 0.000 description 16
- 238000011161 development Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 14
- 206010028980 Neoplasm Diseases 0.000 description 10
- 238000001514 detection method Methods 0.000 description 10
- 201000011510 cancer Diseases 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 206010061523 Lip and/or oral cavity cancer Diseases 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 208000005718 Stomach Neoplasms Diseases 0.000 description 2
- 239000000090 biomarker Substances 0.000 description 2
- 230000035622 drinking Effects 0.000 description 2
- 206010017758 gastric cancer Diseases 0.000 description 2
- 230000000391 smoking effect Effects 0.000 description 2
- 201000011549 stomach cancer Diseases 0.000 description 2
- 206010008342 Cervix carcinoma Diseases 0.000 description 1
- 206010009944 Colon cancer Diseases 0.000 description 1
- 206010016654 Fibrosis Diseases 0.000 description 1
- 241000134253 Lanka Species 0.000 description 1
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 208000000102 Squamous Cell Carcinoma of Head and Neck Diseases 0.000 description 1
- 208000006105 Uterine Cervical Neoplasms Diseases 0.000 description 1
- 206010047642 Vitiligo Diseases 0.000 description 1
- 201000010881 cervical cancer Diseases 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000002512 chemotherapy Methods 0.000 description 1
- 208000029742 colonic neoplasm Diseases 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000004761 fibrosis Effects 0.000 description 1
- 238000001415 gene therapy Methods 0.000 description 1
- 238000011532 immunohistochemical staining Methods 0.000 description 1
- 238000009169 immunotherapy Methods 0.000 description 1
- 201000007270 liver cancer Diseases 0.000 description 1
- 208000014018 liver neoplasm Diseases 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 201000002740 oral squamous cell carcinoma Diseases 0.000 description 1
- 238000002428 photodynamic therapy Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000001959 radiotherapy Methods 0.000 description 1
- 238000002271 resection Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000000015 thermotherapy Methods 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/22—Social work or social welfare, e.g. community support activities or counselling services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q90/00—Systems or methods specially adapted for administrative, commercial, financial, managerial or supervisory purposes, not involving significant data processing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2333/00—Assays involving biological materials from specific organisms or of a specific nature
- G01N2333/435—Assays involving biological materials from specific organisms or of a specific nature from animals; from humans
- G01N2333/46—Assays involving biological materials from specific organisms or of a specific nature from animals; from humans from vertebrates
- G01N2333/47—Assays involving proteins of known structure or function as defined in the subgroups
- G01N2333/4701—Details
- G01N2333/4748—Details p53
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2800/00—Detection or diagnosis of diseases
- G01N2800/50—Determining the risk of developing a disease
Landscapes
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Child & Adolescent Psychology (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
본 발명은 구강암 발병 확률 예측 방법 및 장치에 관한 것으로서, 본 발명의 일 실시예에 따른 구강암 발병 확률 예측 방법은 환자의 임상변수 및 환자의 구강암과 관련된 복수의 단백질 각각에 대한 파라미터를 수신하는 단계, 파라미터를 기초로 환자에 대한 구강암 발병 예측 점수를 산출하는 단계, 및 구강암 발병 예측 점수를 기초로 미리 정해진 기간 내에 구강암의 발병 확률을 산출하는 단계를 포함하고, 구강암의 발병을 높은 확률로 예측할 수 있는 할 수 있는 구강암 발병 확률 예측 방법 및 장치를 제공할 수 있는 효과가 있다.
Description
본 발명은 구강암 발병 확률 예측 방법 및 장치에 관한 것으로서, 보다 상세하게는 높은 정확도로 구강암 발병을 예측할 수 있는 구강암 발병 확률 예측 방법 및 장치에 관한 것이다.
구강암은 세계적으로 빈발하는 10대 암의 하나로서, 발생 빈도는 인종, 지역 및 사회경제적 여건에 따라 많은 차이가 있다. 예를 들어, 선진국에서는 구강암이 전체 암의 5%보다 적게 발생하지만, 개발도상국가에서는 경부 암과 위암 다음 세 번째로 많이 발생하는 것으로 보고되고 있다. 특히, 유럽에서는 1995년 5만명의 새로운 구강암 환자가 발생하였고, 2만명이 구강암으로 목숨을 잃었다. 또한, 미국에서 발생한 구강암 환자 중 남성이 60%이고 여성은 40%정도로 남성이 여성보다 구강암에 걸릴 확률이 높은 것으로 보고되었다. 대한민국에서는 구강암이 발생하는 전체 암의 약 5%정도를 차지하며, 사망률에서는 남자의 경우 위암, 폐암, 간암, 대장암에 이어 5위이고, 여자의 경우에는 7위를 차지할 만큼 구강암은 심각한 질환이다. 또한, 대한민국에서는 매년 10만 명당 남자가 1.7명, 여자가 0.7명이 구강편평세포암종으로 인하여 사망하고 있다. 과거 통상적으로 구강암은 나이가 많은 사람에게서 주로 발병하는 경향을 보였으나, 최근 들어 흡연 및 음주의 증가로 인해 젊은 층의 구강암 환자가 증가하고 있는 것으로 보고되었다.
이러한 구강암은 악성도가 높은 편에 속하며, 초기에 발견하면 80~90% 완치할 수 있으나, 환자의 절반 이상이 구강암 3기 이상 진행된 후 발견하기 때문에 치유율도 낮고 예후도 나쁜 편이다. 나아가, 구강암에 대한 수술적 절제시, 광범위한 얼굴의 손상과 기능 손상, 예를 들어, 발성, 식도 손상 등을 초래할 수 있고, 심미적 심리적인 문제도 야기시킬 수 있으므로, 구강암의 조기 발견과 예방은 매우 중요하다고 할 수 있다. 치료는 수술, 항암화학오볍 또는 방사선조사를 단독 혹은 병행하는 방법들을 이용하여 이루어지고 있다. 최근에는 면역 치료, 열 치료, 광역학적 치료(photodynamic therapy) 및 유전자 요법 등이 실험적, 임상적으로 도입되었으나, 아직도 방사선 치료는 수술하기에 적합하지 않은 말기 병소, 재발 병소 및 환자의 전신적 상태를 고려하여 선택되고 있다.
구강암은 정상 조직으로부터 전암병소를 거쳐 암으로 가는 과정을 밟는다. 이에, 구강 전암병소 단계에서 구강암으로 진행 가능성이 높은 환자들의 선별은 구강암을 예방하는데 매우 중요하다. 현재 대한민국에서는 백반증 및 우췌성 병변이 암을 발생시키는 전암병소로 알려져 있고, 스리랑카에서는 점막하 섬유증이 전암병소로 알려져 있다. 이와 같이, 전암병소 단계에서 구강암으로 진행될 가능성이 있는 환자를 찾아내는 것이 매우 중요하다.
이에, 암으로 진행될 수 있는 구강 전암병소와 암으로 진행되지 않을 구강 전암병소에서 여러 단백질들의 발현 차이를 관찰하여, 구강암 발병 확률을 예측할 수 있는 방법을 제공할 필요성이 증대되었다.
[관련기술문헌]
항 IGF-1R 단일클론 항체 및 이를 포함하는 암치료용 조성물 (한국공개특허 제 10-2014-0138533 호)
구강암을 발생시키는 전암병소는 매우 다양하다. 구강암을 발생시키는 다양한 전암병소에 대한 연구는 활발하게 진행되고 있으나, 종래에는 단일의 전암병소가 구강암 발병에 미치는 영향만이 연구되었다. 예를 들어, Ki-67 발현과 연관된 바이오마커나 p53 과 연관된 바이오마커 등이 존재 하였다.
그러나, 구강암을 발생시키는 전암병소는 다양하므로, 환자마다 특정의 전암병소가 실제 구강암으로 발전하는지에 대해서는 예측하기 어렵다. 따라서, 하나의 전암병소로 구강암 발명을 예측하는 경우 매우 신뢰성이 떨어질 수 있다. 이에, 본 발명의 발명자들은 구강암을 발생시킬 수 있는 다양한 전암병소를 고려함으로써, 구강암의 발병을 높은 확률로 예측할 수 있는 방법을 발명하였다. 나아가, 본 발명의 발명자들은 전암병소에 임상변수까지 고려하여 구강암의 발병 예측 확률을 보다 높일 수 있었다.
이에, 본 발명이 해결하고자 하는 과제는 구강암의 발병을 높은 확률로 예측할 수 있는 할 수 있는 구강암 발병 확률 예측 방법 및 장치를 제공하는 것이다.
본 발명이 해결하고자 하는 다른 과제는 구강암을 유발하는 복수의 단백질과 임상변수를 조합하여 미리 정해진 기간 내에 구강암에 걸릴 확률을 산출할 수 있는 구강암 발병 확률 예측 방법 및 장치를 제공하는 것이다.
본 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 구강암 발병 확률 예측 방법은 환자의 임상변수 및 환자의 구강암과 관련된 복수의 단백질 각각에 대한 파라미터를 수신하는 단계, 파라미터를 기초로 환자에 대한 구강암 발병 예측 점수를 산출하는 단계, 및 구강암 발병 예측 점수를 기초로 미리 정해진 기간 내에 구강암의 발병 확률을 산출하는 단계를 포함한다.
본 발명의 다른 특징에 따르면, 파라미터를 수신하는 단계는, 파라미터를 입력할 수 있는 입력 노모그램을 출력하는 단계를 포함할 수 있다.
본 발명의 또 다른 특징에 따르면, 구강암 발병 예측 점수를 산출하는 단계는, 산출된 구강암 발병 예측 점수를 기초로 구강암 발병 위험도를 표시하는 위험도 그래프를 출력하는 단계를 포함할 수 있다.
본 발명의 또 다른 특징에 따르면, 적어도 미리 정해진 기간 내에 구강암의 발병 확률을 산출하도록 구성된 확률 노모그램을 출력하는 단계를 더 포함할 수 있다.
본 발명의 또 다른 특징에 따르면, 임상변수는 환자의 나이, 성별, 잇몸 상태 및 혀의 상태를 포함하고, 구강암과 관련된 단백질은 적어도 2 종류의 단백질을 포함할 수 있다.
본 발명의 또 다른 특징에 따르면, 파라미터를 수신하기 전에, 생존함수를 사용하여 최적 임상변수 및 최적 단백질을 결정하는 단계를 더 포함할 수 있다.
본 발명의 또 다른 특징에 따르면, 임상변수는 환자의 나이를 포함할 수 있다.
본 발명의 또 다른 특징에 따르면, 복수의 단백질은 적어도 p53 및 CA9를 포함할 수 있다.
전술한 바와 같은 과제를 해결하기 위하여 본 발명의 다른 실시예에 따른 구강암 발병 확률 예측 장치는 환자의 임상변수 및 환자의 구강암과 관련된 복수의 단백질 각각에 대한 파라미터를 수신하는 수신부, 임상변수 및 파라미터를 기초로 환자에 대한 구강암 발병 예측 점수를 산출하는 점수 산출부, 및 구강암 발병 예측 점수를 기초로 미리 정해진 기간 내에 구강암의 발병 확률을 산출하는 확률 산출부를 포함한다.
본 발명의 다른 특징에 따르면, 수신부, 점수 산출부 및 확률 산출부 중 적어도 하나와 연결된 출력부를 더 포함할 수 있다.
본 발명의 다른 특징에 따르면, 출력부는 파라미터를 입력할 수 있는 입력 노모그램을 출력할 수 있다.
본 발명의 또 다른 특징에 따르면, 출력부는 산출된 구강암 발병 예측 점수를 기초로 구강암 발병 위험도를 표시하는 위험도 그래프를 출력할 수 있다.
본 발명의 또 다른 특징에 따르면, 출력부는 적어도 미리 정해진 기간 내에 구강암의 발병 확률을 산출하도록 구성된 확률 노모그램을 출력할 수 있다.
본 발명의 또 다른 특징에 따르면, 임상변수는 환자의 나이, 성별, 잇몸 상태 및 혀의 상태를 포함하고, 구강암과 관련된 단백질은 적어도 2 종류의 단백질을 포함할 수 있다.
본 발명의 또 다른 특징에 따르면, 파라미터를 수신하기 전에, 생존함수를 사용하여 최적 임상변수 및 최적 단백질을 결정하는 최적화부를 더 포함할 수 있다.
본 발명의 또 다른 특징에 따르면, 임상변수는 환자의 나이를 포함할 수 있다.
본 발명의 또 다른 특징에 따르면, 복수의 단백질은 적어도 p53 및 CA9를 포함할 수 있다.
전술한 바와 같은 과제를 해결하기 위하여 본 발명의 일 실시예에 따른 구강암 발병 확률 예측 방법을 제공하는 명령어들을 저장하는 컴퓨터 판독 가능 기록매체는 환자의 임상변수 및 환자의 구강암과 관련된 복수의 단백질 각각에 대한 파라미터를 수신하고, 파라미터를 기초로 환자에 대한 구강암 발병 예측 점수를 산출하고, 구강암 발병 예측 점수를 기초로 미리 정해진 기간 내에 구강암의 발병 확률을 산출한다.
기타 실시예의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
본 발명은 구강암의 발병을 높은 확률로 예측할 수 있는 할 수 있는 구강암 발병 확률 예측 방법 및 장치를 제공할 수 있는 효과가 있다.
본 발명은 구강암을 유발하는 복수의 단백질과 임상변수를 조합하여 미리 정해진 기간 내에 구강암에 걸릴 확률을 산출할 수 있는 구강암 발병 확률 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 구강암 발병 확률 예측 장치의 개략적인 구성 및 환자/검진자와의 관계를 도시한 것이다.
도 2는 본 발명의 일 실시예에 따른 구강암 발병 확률 예측 방법에 따라 구강암이 발병할 확률을 산출하기 위한 절차를 도시한 것이다.
도 3은 본 발명의 일 실시예에 따른 입출력 노모그램을 예시적으로 도시한 것이다.
도 4는 본 발명의 일 실시예에 따른 임상변수 및 단백질 조합별 예시적인 정확도 분포 그래프를 도시한 것이다.
도 5는 본 발명의 다른 실시예에 따른 최적의 모형 노모그램을 예시적으로 도시한 것이다.
도 6a 및 도 6b는 본 발명의 다른 실시예에 따른 구강암의 발병 확률을 표시하는 예시적인 최적 입출력 노모그램을 도시한 것이다.
도 7 본 발명의 다른 실시예에 따른 구강암 발병 위험도를 표시하는 예시적인 위험도 그래프를 도시한 것이다.
도 2는 본 발명의 일 실시예에 따른 구강암 발병 확률 예측 방법에 따라 구강암이 발병할 확률을 산출하기 위한 절차를 도시한 것이다.
도 3은 본 발명의 일 실시예에 따른 입출력 노모그램을 예시적으로 도시한 것이다.
도 4는 본 발명의 일 실시예에 따른 임상변수 및 단백질 조합별 예시적인 정확도 분포 그래프를 도시한 것이다.
도 5는 본 발명의 다른 실시예에 따른 최적의 모형 노모그램을 예시적으로 도시한 것이다.
도 6a 및 도 6b는 본 발명의 다른 실시예에 따른 구강암의 발병 확률을 표시하는 예시적인 최적 입출력 노모그램을 도시한 것이다.
도 7 본 발명의 다른 실시예에 따른 구강암 발병 위험도를 표시하는 예시적인 위험도 그래프를 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.
이하, 본 명세서에서 사용되는 용어에 대해 정의한다.
본 명세서에서 임상변수란, 구강암에 대한 임상 실험에서 변수로 작용하는 것을 의미한다. 즉, 임상변수는 구강암의 발병에 영향을 미칠 수 있는 임상학적 변수로서, 예를 들어, 환자의 나이, 성별, 직업, 잇몸 상태, 혀의 상태, 음주 여부 및 흡연 여부 등을 포함할 수 있다.
본 명세서에서 최적 임상변수란, 구강암의 발병에 영향을 미칠 수 있는 다양한 임상변수 중 구강암의 발병에 가장 큰 영향을 미치는 것으로 결정된 임상변수를 의미한다.
본 명세서에서 최적 단백질이란, 구강암의 발병에 영향을 미칠 수 있는 다양한 단백질 중 구강암의 발병에 가장 큰 영향을 미치는 것으로 결정된 단백질을 의미한다.
도 1은 본 발명의 일 실시예에 따른 구강암 발병 확률 예측 장치의 개략적인 구성 및 환자/검진자와의 관계를 도시한 것이다. 도 2는 본 발명의 일 실시예에 따른 구강암 발병 확률 예측 방법에 따라 구강암이 발병할 확률을 산출하기 위한 절차를 도시한 것이다. 설명의 편의상 도 1 및 도 2를 참조하여 후술한다.
먼저 도 1을 참조하면, 구강암 발병 확률 예측 장치(100)는 수신부(110), 점수 산출부(120) 및 확률 산출부(130)를 포함한다. 구강암 발병 확률 예측 장치(100)는 웹 페이지, 어플리케이션 등을 구동하기 위한 장치로서, 예를 들어, 제네릭 컴퓨팅 디바이스, 모바일 디바이스, 서버 등을 포함 할 수 있다. 구강암 발병 확률 예측 장치(100)는 프로세서, 저장부, 메모리, 입력부 및 출력부의 구성요소를 포함할 수 있으며, 수신부(110), 점수 산출부(120) 및 확률 산출부(130)는 장치의 구성요소들을 통해 구현될 수 있다. 서버로 구현되는 경우, 구강암 발병 확률 예측 장치(100)는 산출된 값들을 출력부를 갖는 다른 디바이스로 전송하도록 구동될 수도 있다. 구강암 발병 확률 예측 장치(100)는 환자(10)의 임상변수 및 구강암과 관련된 복수의 단백질 각각에 대한 파라미터를 수신하여, 환자(10)에 대한 구강암의 발병 확률을 예측할 수 있다.
구체적으로, 구강암 발병 확률 예측 장치(100)에서 수신부(110)는 환자(10)의 임상변수 및 환자(10)의 구강암과 관련된 복수의 단백질 각각에 대한 파라미터를 수신한다(S210).
도 1 및 도 2를 참조하면, 구강암 발병 확률 예측 장치(100)는 수신부(110)를 통해 환자(10)의 구강암 발병 확률을 예측하기 위한 파라미터들을 수신한다. 즉, 수신부(110)는 환자(10)의 임상변수 및 환자(10)의 구강암과 관련된 복수의 단백질 각각에 대한 파라미터를 수신한다. 예를 들어, 수신부(110)는 환자(10)의 성별, 나이, 잇몸의 상태 및 혀의 상태 등과 같은 임상변수를 수신할 수 있고, p53, CA9 및 P16과 같은 구강암과 관련된 단백질에 대한 파라미터를 수신할 수 있다.
나아가, 수신부(110)에 연결된 출력부(미도시)는 파라미터를 입력할 수 있는 입력 노모그램을 시각적으로 출력할 수 있다. 여기서, 출력부는 도시되지 않았으나, 구강암 발병 확률 예측 장치(100) 내에 포함될 수 있다. 또한, 입력 노모그램은 구강암 발병을 예측하기 위해 요구되는 파라미터들을 입력할 수 있는 노모그램으로서, 수신부(110)가 입력 노모그램을 통해 다양한 파라미터를 수신하는 구체적인 방법에 대해서는 도 3 및 도 5를 참조하여 후술한다.
이어서, 구강암 발병 확률 예측 장치(100)에서 점수 산출부(120)는 파라미터를 기초로 환자에 대한 구강암 발병 예측 점수를 산출한다(S220).
점수 산출부(120)는 파라미터를 수신부(110)로부터 수신하여 이를 기초로 환자에 대한 구강암 발병 예측 점수를 산출한다. 구체적으로, 점수 산출부(120)는 임상변수 및 구강암과 관련된 복수의 단백질 각각에 대한 파라미터마다 미리 결정된 값을 매칭시킬 수 있다. 예를 들어, 임상변수 중 나이는 54세 미만인 경우에는 35점을 매칭시키고, 구강암에 관련된 단백질 중 p53의 수치가 낮은 경우, p53의 파라미터에 100점을 매칭시킬 수 있다. 제한되지 않으나, 단백질과 연관된 파라미터는 면역조직화학염색(Immunohistochemical staining)을 통해 그 발현량을 상대적으로 측정함으로써 획득될 수 있다.
이에 따라, 점수 산출부(120)는 구강암의 발병 확률을 계산하기 위한 파라미터들에 매칭된 점수를 합산하여 구강암 발병 예측 점수를 산출할 수 있다. 이러한 구강암 발병 예측 점수는 구강암 발병 확률을 산출하는데 사용될 수 있다. 특히, 구강암 발병 예측 점수는 파라미터들 각각에 매칭된 점수를 일부 조절함으로써 구강암 발병 확률의 정확도를 향상시킬 수도 있다.
나아가, 점수 산출부(120)에 연결된 출력부(미도시)는 산출된 구강암 발병 예측 점수를 기초로 구강암 발병 위험도를 표시하는 위험도 그래프를 출력할 수 있다. 여기서, 위험도 그래프란, 구강암 발병 예측 점수에 대응하는 발병 확률을 시간의 변화에 따라 나타낸 그래프로서, 점수 산출부(120)에 의해 산출된 구강암 발병 예측 점수에 따라 출력되는 위험도 그래프에 대해서는 도 6을 참조하여 후술한다.
이어서, 구강암 발병 확률 예측 장치(100)에서 확률 산출부(130)는 구강암 발병 예측 점수를 기초로 미리 정해진 기간 내에 구강암의 발병 확률을 산출한다(S230).
확률 산출부(130)는 점수 산출부(120)가 산출한 구강암 발병 예측 점수를 수신하여 이를 기초로 환자에 대한 구강암 발병 확률을 산출한다. 구체적으로, 확률 산출부(130)는 노모그램을 통해 구강암 발병 예측 점수에 대응하는 구강암 발병 확률을 매칭할 수 있다. 또한, 확률 산출부(130)는 미리 정해진 기간 이후에 구강암이 발병할 확률을 노모그램을 통해 매칭할 수 있다. 여기서, 미리 정해진 기간은 예를 들어, 5년, 10년 및 15년일 수 있으며, 구강암 발병을 예측하기 원하는 시간으로 보다 세밀하게 결정되거나 보다 긴 기간으로 결정될 수 있다.
이와 같이, 구강암 발병 예측 점수와 구강암 발병 확률을 매칭하는 노모그램은 구강암 발병 확률 산출식에 의하여 결정될 수 있다. 예를 들어, 구강암 발병 확률 산출식은 미리 결정된 기간인 5년, 10년 및 15년에 대해 각각 아래 [수학식 1], [수학식 2] 및 [수학식 3]과 같이 표현될 수 있다.
여기서, 'total'은 구강암 발병 예측 점수를 의미하고, [수학식 1], [수학식 2] 및 [수학식 3]에 기재된 상수는 비선형 최소제곱법(nonlinear least square method)에 의해 미리 결정된 기간 각각에 대한 예측 확률값을 계산한 값으로, 다양한 변수에 의해 변경될 수도 있다. 나아가, 확률 산출부(130)에 연결된 출력부(미도시)는 미리 정해진 기간 내에 구강암의 발병 확률을 산출하도록 구성된 확률 노모그램을 더 출력할 수 있다. 구강암 발병 예측 점수와 구강암 발병 확률을 매칭하여 구강암 발병 확률을 산출하도록 구성된 확률 노모그램에 대해서는 도 5를 참조하여 후술한다.
이에 따라, 구강암 발병 확률 예측 장치(100)에 환자 또는 검진자가 구강암의 발병 확률을 예측하기 위한 임상변수 및 단백질에 대한 파라미터를 입력하는 경우, 임상변수 및 단백질에 대한 파라미터를 수치화하여 구강암 발병을 예측하는 점수 및 구강암의 발병 확률이 산출될 수 있다. 이러한 구강암 발병 예측 점수 및 발병 확률을 기초로 환자/또는 검진자가 미리 구강암의 발병에 대해 예의주시하고, 구강암 발병 확률이 높은 경우, 보다 정밀한 검사를 통해 구강암을 진단하여 초기에 구강암을 확인하고 치료할 수 있는 기회를 제공할 수 있다.
구강암 발병 확률 예측 장치(100)의 각 구성들은 설명의 편의상 개별적인 구성으로 도시한 것일 뿐, 구현 방법에 따라 하나의 구성으로 구현되거나 하나의 구성이 2 이상의 구성으로 분리될 수 있다.
도 3은 본 발명의 일 실시예에 따른 입출력 노모그램을 예시적으로 도시한 것이다.
도 3을 참조하면, 입출력 노모그램(300)은 입력 노모그램(310) 및 출력 노모그램(320)를 포함한다. 입력 노모그램(310)은 임상변수 파라미터 입력부(310a) 및 단백질 파라미터 입력부(310b)를 포함하고, 출력 노모그램(320)은 구강암 발병 예측 점수 출력부(321) 및 복수의 구강암 발병 확률 출력부(322, 323, 324)를 포함한다. 도 3에서 입출력 노모그램(300)은 도시된 입력부 및 출력부에 제한되지 않으며, 이외에도 추가적인 임상변수 파라미터 및 단백질 파라미터를 입력할 수 있는 입력부를 더 포함할 수 있고, 다른 미리 정해진 기간에 대응하는 구강암 발병 확률을 더 표시할 수 있다.
임상변수 파라미터 입력부(310a)는 성별 입력부(311) 및 나이 입력부(312)를 포함한다. 성별 입력부(311)는 환자의 성별을 수신할 수 있고, 나이 입력부(312)는 54세를 기준으로 54세 이상인 경우와 54세 미만인 경우를 선택할 수 있도록 구성된다. 예를 들어, 환자가 여성인 경우 성별 입력부(311)는 'Female'을 수신할 수 있고, 환자의 나이가 54세 미만인 경우 나이 입력부(312)는 '<54'를 수신할 수 있다. 이에 따라, 환자는 자신의 성별과 나이를 매우 간단한 기준을 통해 입력할 수 있다.
또한, 임상변수는 환자의 나이, 성별, 잇몸 상태 및 혀의 상태를 포함할 수 있으며, 입출력 노모그램(300)을 통해 나이 및 성별만이 입력될 수도 있다. 즉, 환자/검진자는 입출력 노모그램(300)을 통해 구강암 발병 확률을 예측하는데 보다 중요한 파라미터만을 입력할 수 있다. 나아가, 입출력 노모그램(300)을 통해 임상변수 파라미터를 수신하기 전에 생존함수를 사용하여 최적 임상변수가 결정될 수 있고, 환자/검진자는 입출력 노모그램(300)을 통해 최적 임상변수에 대한 파라미터만을 입력할 수도 있다. 이에 따라, 환자/검진자는 최적 임상변수에 대한 파라미터 하나만을 입력하여 보다 정확한 구강암 발병 확률을 예측할 수 있다. 최적 임상변수를 결정하는 근거에 대한 구체적인 설명은 도 4를 참조하여 후술한다.
단백질 파라미터 입력부(310b)는 p53 입력부(313), CA9 입력부(314) 및 P16 입력부(315)를 포함한다. 단백질 파라미터 입력부(310b)는 구강암 발병을 예측하기 위한 검사에서 획득한 p53, CA9 및 P16의 검출정도를 수신할 수 있다. 예를 들어, 구강암 발병을 예측하기 위한 검사를 통해 환자로부터 많은 p53, CA9 및 P16이 검출된 경우, p53 입력부(313)는 'high'를 수신하고 CA9 입력부(314)는 'high'를 수신하고 P16 입력부(315)는 'high'를 수신한다. 이에 따라, 환자/검진자는 자신의 구강암 발병을 예측하기 위한 검사에서 획득된 단백질들의 검출정도를 복잡한 수치를 입력하지 않고도 구강암과 관련된 단백질의 검출정도를 간단하게 입력할 수 있다. 다만 이에 제한되지 않고, 다양한 실시예에서 단백질 파라미터 입력부(310b)는 수치로 정보를 입력받도록 구성될 수도 있다.
도 3을 참조하면, 구강암과 관련된 단백질이 p53, CA9 및 P16으로 3 종류이지만, 구강암과 관련된 단백질은 적어도 2 종류의 단백질을 포함할 수 있으며, 입출력 노모그램(300)을 통해 2 종류의 단백질에 대한 파라미터만이 입력될 수도 있다. 예를 들어, 입출력 노모그램(300)을 통해 p53 및 CA9에 대한 파라미터만이 입력될 수도 있다. 즉, 입출력 노모그램(300)을 통해 구강암과 관련된 단백질 파라미터를 수신하기 전에 생존함수를 사용하여 최적 단백질이 결정될 수 있고, 입출력 노모그램(300)을 통해 최적 단백질에 대한 파라미터만이 입력될 수도 있다. 이에 따라, 최적 단백질에 대한 파라미터만이 입력되어 보다 정확한 구강암 발병 확률이 예측될 수 있다. 최적 단백질을 결정하는 근거에 대한 구체적인 설명은 도 4를 참조하여 후술한다.
출력 노모그램(320)은 구강암 발병 예측 점수 출력부(321), 5년 후 구강암 발병 확률 출력부(322), 10년 후 구강암 발병 확률 출력부(323) 및 15년 후 구강암 발병 확률 출력부(324)를 포함한다.
구체적으로, 구강암 발병 예측 점수 출력부(321)는 입력된 파라미터들을 기초로 산출된 구강암 발병 예측 점수를 출력한다. 예를 들어, 환자의 성별이 'Female'이고, 나이는 '54세 미만'이며, 환자의 구강 내에 p53의 검출정도는 'high'이고, CA9의 검출정도는 'high'이며, P16의 검출정도는 'high'인 경우, 구강암 발병 예측 점수 출력부(321)는 50점을 출력할 수 있다. 구강암 발병 예측 점수가 산출되는 방법에 대해서는 도 5를 참조하여 후술한다.
5년 후 구강암 발병 확률 출력부(322)는 출력된 구강암 발병 예측 점수를 [수학식 1]에 대입하여 산출된 결과를 출력하고, 10년 후 구강암 발병 확률 출력부(323)는 출력된 구강암 발병 예측 점수를 [수학식 2]에 대입하여 산출된 결과를 출력하고, 15년 후 구강암 발병 확률 출력부(324)는 출력된 구강암 발병 예측 점수를 [수학식 3]에 대입하여 산출된 결과를 출력한다. 예를 들어, 구강암 발병 예측 점수가 50점인 경우, 5년 후 구강암 발병 확률 출력부(322)는 0.7433933984551221, 10년 후 구강암 발병 확률 출력부(323)는 0.5776311966231944 및 15년 후 구강암 발병 확률 출력부(324)는 0.4849962443395142를 출력할 수 있다.
이에 따라, 환자/검진자는 입출력 노모그램(300)을 통해 임상변수 파라미터 및 구강암 관련된 단백질 파라미터만을 입력하면, 간단하게 구강암 발병 예측 점수 및 구강암 발병 확률을 확인할 수 있다. 나아가, 환자/검진자의 편의를 도모하고 최소한의 파라미터만으로 정확한 구강암 발병 확률을 예측할 수 있도록 이하 최적 임상변수 및 최적 단백질을 결정하는 과정에 대하여 도 4를 참조하여 후술한다.
도 4는 본 발명의 일 실시예에 따른 임상변수 및 단백질 조합별 예시적인 정확도 분포 그래프를 도시한 것이다.
도 4를 참조하면, 정확도 분포 그래프(400)는 제1 조합에 대한 예측 확률 정확도(410), 제2 조합에 대한 예측 확률 정확도(420), 제3 조합에 대한 예측 확률 정확도(430), 제4 조합에 대한 예측 확률 정확도(440), 제5 조합에 대한 예측 확률 정확도(450) 및 제6 조합에 대한 예측 확률 정확도(460)를 포함한다.
제1 조합에 대한 예측 확률 정확도(410)는 1 종류의 구강암과 관련된 단백질을 고려하고 별도의 임상변수를 고려하지 않은 경우 구강암 발병 확률을 예측한 결과의 정확도를 나타낸다. 제2 조합에 대한 예측 확률 정확도(420)는 1 종류의 구강암과 관련된 단백질을 고려하고 임상변수 중 나이를 고려한 경우 구강암 발병 확률을 예측한 결과의 정확도를 나타낸다. 제3 조합에 대한 예측 확률 정확도(430)는 2 종류의 구강암과 관련된 단백질을 고려하고 별도의 임상변수를 고려하지 않은 경우 구강암 발병 확률을 예측한 결과의 정확도를 나타낸다. 제4 조합에 대한 예측 확률 정확도(440)는 2 종류의 구강암과 관련된 단백질을 고려하고 임상변수 중 나이를 고려한 경우 구강암 발병 확률을 예측한 결과의 정확도를 나타낸다. 제5 조합에 대한 예측 확률 정확도(450)는 3 종류의 구강암과 관련된 단백질을 고려하고 별도의 임상변수를 고려하지 않은 경우 구강암 발병 확률을 예측한 결과의 정확도를 나타낸다. 제6 조합에 대한 예측 확률 정확도(460)는 3 종류의 구강암과 관련된 단백질을 고려하고 임상변수 중 나이를 고려한 경우 구강암 발병 확률을 예측한 결과의 정확도를 나타낸다.
각각의 조합에 대한 예측 확률 정확도는 최댓값, 최솟값, 75%값, 25%값 및 중간값(median)(445)을 표시할 수 있다. 구체적으로, 제4 조합에 대한 예측 확률 정확도(440)를 기준으로 살펴보면, 정확도 최댓값(441) 및 정확도 최솟값(442)은 각각 제4 조합에 대한 예측 확률 정확도(440)에서 상단 및 하단에 실선으로 표시된다. 또한, 정확도 75%값(443) 및 정확도 25%값(444)은 사각형으로 표시되며, 정확도 75%값(443)은 정확도 최댓값(441)과 연결되도록 표시되며 정확도 25%값(444)은 정확도 최솟값(442)과 연결되도록 표시된다. 정확도 중간값(445)은 정확도 75%값(443) 및 정확도 25%값(444)에 의해 이루어지는 사각형의 내부에 표시될 수 있다.
도 4를 참조하여 각각의 조합에 대한 예측 확률 정확도를 비교하면, 제1 조합에 대한 예측 확률 정확도(410)에서 제6 조합에 대한 예측 확률 정확도(460)로 갈수록 예측 확률 정확도가 점점 상승한다. 예를 들어, 1 종류의 단백질에 대한 정보만을 기초로 한 제1 조합에 대한 예측 확률 정확도(410)보다 2 종류의 단백질에 대한 정보를 기초로 한 제3 조합에 대한 예측 확률 정확도(430)가 대체로 높고, 3 종류의 단백질에 대한 정보를 기초로 한 제5 조합에 대한 예측 확률 정확도(450)가 제1 조합에 대한 예측 확률 정확도(410) 및 제3 조합에 대한 예측 확률 정확도(430)보다 대체로 높게 나타난다. 즉, 구강암과 관련된 단백질의 종류를 증가시킴에 따라 구강암 발병을 예측하는 확률의 정확도도 상승한다.
또한, 동일한 종류의 단백질에 대한 정보를 기초로 하는 경우, 예측 확률 정확도는 임상변수가 추가된 조합에서 더 높게 나타난다. 예를 들어, 동일하게 2 종류의 단백질에 대한 정보를 기초로 하는 제3 조합에 대한 예측 확률 정확도(430) 및 제4 조합에 대한 예측 확률 정확도(440)를 비교하면, 임상변수를 추가로 고려하여 산출된 제4 조합에 대한 예측 확률 정확도(440)가 대체로 더 높게 나타난다.
즉, 구강암과 관련된 단백질의 종류를 증가시키고 임상변수를 함께 고려할수록, 구강암 발병을 예측하는 확률의 정확도는 상승할 수 있다.
도 4를 참조하면, 2 종류의 단백질에 대한 정보를 기초로 한 예측 확률의 정확도와 3 종류의 단백질에 대한 정보를 기초로 한 예측 확률의 정확도에는 큰 차이가 없고, 단백질의 종류를 증가시키는 것은 환자에게 부담이 되거나 불필요한 과정이 개입될 수 있으므로, 2 종류의 단백질에 대한 정보만을 이용하여 구강암 발병 확률을 예측하는 것이 효율적일 수 있다. 또한, 2 종류의 단백질에 대한 정보에 임상변수를 추가로 고려한 제4 조합에 대한 예측 확률 정확도(440)는 3 종류의 단백질에 대한 정보에 임상변수를 추가로 고려한 제6 조합에 대한 예측 확률 정확도(460)와 큰 차이가 없는 바, 2 종류의 단백질에 대한 정보와 임상변수를 기초로 구강암 발병 확률을 산출하는 것이 효율적일 수 있다.
나아가, 구체적으로 구강암과 관련된 복수의 단백질 중 2 종류의 단백질과 임상변수 중 최적의 임상변수를 결정하기 위해, 파라미터를 수신하기 전에 생존함수를 사용하여 최적 임상변수 및 최적 단백질을 결정할 수 있다. 구체적으로, 최적 단백질을 결정하기 위해서, 구강암과 관련된 10 종류의 단백질 중 동일한 개수의 단백질을 반복적으로 추출하여 가장 예측 정확도가 높은 단백질을 2 종류를 결정한다. 가장 예측 정확도가 높은 단백질은 생존함수를 사용하여 결정되며, 여기서, 생존함수 S(t)는 다음 [수학식 4]와 같이 정의된다.
여기서, t는 시간변수, T는 사망에 이르는 시점이고, Pr은 확률함수이다. 즉, 생존함수 S(t)는 특정한 시간 t보다 오래 생존할 확률을 의미한다.
이와 같이, 생존함수를 통해 구강암과 관련된 최적 단백질은 적어도 p53 및 CA9를 포함하도록 결정되며, 임상변수 중 최적 임상변수는 환자의 나이를 포함하도록 결정된다.
이하, 최적 단백질 및 최적 임상변수를 기초로 구강암 발병 확률을 예측하는 과정에 대해 후술한다.
도 5는 본 발명의 다른 실시예에 따른 최적의 모형 노모그램을 예시적으로 도시한 것이다. 도 6a 및 도 6b는 본 발명의 다른 실시예에 따른 구강암의 발병 확률을 표시하는 예시적인 최적 입출력 노모그램을 도시한 것이다. 도 6a 및 도 6b의 최적 입출력 노모그램은 도 3에 도시된 입출력 노모그램(300)에서 일부 항목이 삭제된 것으로, 도 3을 참조하여 이미 설명된 구성요소에 대한 중복 설명을 생략한다.
도 5를 참조하면, 최적의 모형 노모그램(500)은 점수축(510), 최적 단백질 파라미터축(520), 최적 임상변수 파라미터축(530), 구강암 발병 예측 점수축(540) 및 기간별 구강암 발병 확률축(550)을 포함한다. 최적 단백질 파라미터축(520)은 p53 단백질 파라미터축(521) 및 CA9 단백질 파라미터축(522)을 포함하고, 최적 임상변수 파라미터축(530)은 환자의 나이에 대한 파라미터를 표시한다. 또한, 기간별 구강암 발병 확률축(550)은 5년 후 구강암 발병 확률축(551), 10년 후 구강암 발병 확률축(552) 및 15년 후 구강암 발병 확률축(553)을 포함한다.
여기서, 점수축(510)은 최적 단백질 파라미터축(520) 및 최적 임상변수 파라미터축(530)에 표시된 파라미터를 점수로 환산하기 위한 축이다. 예를 들어, p53 단백질 파라미터축(521)에 'low'가 표시되면 p53 단백질에 대응하는 파라미터값은 100점이 되고 CA9 단백질 파라미터축(522)에 'low'가 표시되면 CA9 단백질에 대응하는 파라미터값은 49점이 된다. 마찬가지로, 최적 임상변수 파라미터축(530)에 '<54'가 표시되면 환자의 나이에 대한 파라미터값은 35점이다. 그러나 이에 제한되지 않고 점수의 변환은 다양하게 변동 가능할 수 있다.
이와 같이 최적의 모형 노모그램(500)에 표시된 파라미터값을 모두 합산하면 구강암 발병 예측 점수가 산출될 수 있고, 산출된 구강암 발병 예측 점수가 구강암 발병 예측 점수축(540)에 표시된다. 구강암 발병 예측 점수축(540)에 표시된 구강암 발병 예측 점수를 기준으로 5년 후 구강암 발병 확률축(551), 10년 후 구강암 발병 확률축(552) 및 15년 후 구강암 발병 확률축(553)으로 수선의 발을 내렸을 때 각각 접하는 점에서의 확률이 각각의 기간에 따른 구강암 발병 확률로 산출된다.
도 6a 및 도 6b를 참조하면, 최적 입출력 노모그램(600)은 최적 입력 노모그램(610) 및 최적 출력 노모그램(620)을 포함하고, 최적 입력 노모그램(610)은 최적 임상변수 파라미터 입력부(610a) 및 최적 단백질 파라미터 입력부(610b)를 포함하고, 최적 출력 노모그램(620)은 구강암 발병 예측 점수 출력부(621), 5년 후 구강암 발병 확률 출력부(622), 10년 후 구강암 발병 확률 출력부(623) 및 15년 후 구강암 발병 확률 출력부(624)를 포함한다. 최적 단백질 파라미터 입력부(610b)는 p53 입력부(611) 및 CA9 입력부(612)를 포함한다.
도 6a를 참조하면, 최적 임상변수인 환자의 나이가 54세 미만이고, 구강암과 관련된 단백질 중 p53의 검출정도가 'high'이고 CA9의 검출정도가 'low'인 경우, 최적의 모형 노모그램(500)의 p53 단백질 파라미터축(521)에서 'high'에 대응하는 0점, CA9 단백질 파라미터축(522)에서 'low' 에 대응하는 49점 및 최적 임상변수 파라미터축(530)에서 '<54'에 대응하는 35점을 합산하여, 구강암 발병 예측 점수는 총 '84'점으로 산출된다. 최적의 모형 노모그램(500)에서 산출된 구강암 발병 예측 점수인 '84'점에 대응되는 구강암 발병 확률이 최적 입출력 노모그램(600)에 출력된다. 예를 들어, 구강암 발병 예측 점수인 '84'점에 대응하여 5년 후 구강암 발병 확률은 0.8702214468704769, 10년 후 구강암 발병 확률은 0.7872025763580728, 15년 후 구강암 발병 확률은 0.7345298372589231로 출력된다.
도 6b를 참조하면, 최적 임상변수인 환자의 나이가 54세 미만이고, 구강암과 관련된 단백질 중 p53의 검출정도가 'low'이고 CA9의 검출정도가 'high'인 경우, 최적의 모형 노모그램(500)의 p53 단백질 파라미터축(521)에서 'low'에 대응하는 100점, CA9 단백질 파라미터축(522)에서 'high'에 대응하는 0점 및 최적 임상변수 파라미터축(530)에서 '<54'에 대응하는 35점을 합산하여, 구강암 발병 예측 점수는 총 '135'점으로 산출된다. 최적의 모형 노모그램(500)에서 산출된 구강암 발병 예측 점수인 '135'점에 대응되는 구강암 발병 확률이 최적 입출력 노모그램(600)에 출력된다. 예를 들어, 구강암 발병 예측 점수인 '135'점에 대응하여 5년 후 구강암 발병 확률은 0.9774999999999999, 10년 후 구강암 발병 확률은 0.0.9624999999999999, 15년 후 구강암 발병 확률은 0.9541666666666666로 출력된다.
본 발명의 실시예에 따라 입출력 노모그램(600)을 통해 환자는 구강암의 발병 확률을 예측하기 위한 최적의 임상변수 및 최적의 단백질에 대한 파라미터를 입력하여, 최적의 모형 노모그램(500)에서 최소한의 파라미터만으로 구강암의 발병 확률을 높은 정확도로 예측할 수 있다.
도 7 본 발명의 다른 실시예에 따른 구강암 발병 위험도를 표시하는 예시적인 위험도 그래프를 도시한 것이다.
도 7을 참조하면, 발병 위험도 그래프(700)는 시간에 따른 발병 확률을 나타낸다. 구체적으로, 발병 위험도 그래프(700)에서 x축은 시간의 변화를 나타내는 축으로, 달(month)을 기준으로 표시되고, y축은 발병 확률을 나타내는 축으로, 1.0은 발병하지 않는 것을 의미하고, 1.0으로부터 감소할수록 구강암 발병 확률이 향상되는 것을 의미한다.
발병 위험도 그래프(700)는 입출력 노모그램(600)을 통해 입력된 파라미터를 기초로 최적의 모형 노모그램(500)이 산출한 구강암 발병 확률을 시간의 변화에 따라 도시한 것이다. 발병 위험도 그래프(700)는 제1 그래프(710) 및 제2 그래프(720)를 포함한다. 여기서, 제1 그래프(710)는 시간이 지나더라도 구강암 발병 확률이 1.0으로 거의 유지되어 구강암이 발병하지 않을 것으로 예측되며, 제2 그래프(720)는 시간이 지남에 따라 구강암 발병 확률이 0.7에 가까워지므로 구강암이 높은 확률로 발병할 것으로 예측된다.
이에 따라, 본 발명의 실시예에 따르면 시간이 지남에 따라 구강암 발병 확률을 복수 회에 걸쳐 예측하게 되면, 구강암 발병 위험도 그래프(700)에 표시된 바와 같이 파라미터에 의해 구강암 발병 확률이 상이해질 수 있다. 이러한 구강암 발병 위험도 그래프(700)에 도시된 바와 같이 시간의 변화에 따른 환자의 구강암 발병 확률이 장기적으로 예측될 수 있다.
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.
10 환자
100 구강암 발병 확률 예측 장치
110 수신부
120 점수 산출부
130 확률 산출부
300 입출력 노모그램
310 입력 노모그램
310a 임상변수 파라미터 입력부
310b 단백질 파라미터 입력부
311 성별 입력부
312 나이 입력부
313, 611 p53 입력부
314, 612 CA9 입력부
315 P16 입력부
320 출력 노모그램
321 구강암 발병 예측 점수 출력부
322 5년 후 구강암 발병 확률 출력부
323 10년 후 구강암 발병 확률 출력부
324 15년 후 구강암 발병 확률 출력부
400 정확도 분포 그래프
410 제1 조합에 대한 예측 확률 정확도
420 제2 조합에 대한 예측 확률 정확도
430 제3 조합에 대한 예측 확률 정확도
440 제4 조합에 대한 예측 확률 정확도
441 정확도 최댓값
442 정확도 최솟값
443 정확도 75%값
444 정확도 25%값
445 정확도 중간값
450 제5 조합에 대한 예측 확률 정확도
460 제6 조합에 대한 예측 확률 정확도
500 최적의 모형 노모그램
510 점수축
520 최적 단백질 파라미터축
521 p53 단백질 파라미터축
522 CA9 단백질 파라미터축
530 최적 임상변수 파라미터축
540 구강암 발병 예측 점수축
550 기간별 구강암 발병 확률축
551 5년 후 구강암 발병 확률축
552 10년 후 구강암 발병 확률축
553 15년 후 구강암 발병 확률축
600 최적 입출력 노모그램
610 최적 입력 노모그램
610a 최적 임상변수 파라미터 입력부
610b 최적 단백질 파라미터 입력부
620 최적 출력 노모그램
621 구강암 발병 예측 점수 출력부
622 5년 후 구강암 발병 확률 출력부
623 10년 후 구강암 발병 확률 출력부
624 15년 후 구강암 발병 확률 출력부
700 발병 위험도 그래프
710 제1 그래프
720 제2 그래프
100 구강암 발병 확률 예측 장치
110 수신부
120 점수 산출부
130 확률 산출부
300 입출력 노모그램
310 입력 노모그램
310a 임상변수 파라미터 입력부
310b 단백질 파라미터 입력부
311 성별 입력부
312 나이 입력부
313, 611 p53 입력부
314, 612 CA9 입력부
315 P16 입력부
320 출력 노모그램
321 구강암 발병 예측 점수 출력부
322 5년 후 구강암 발병 확률 출력부
323 10년 후 구강암 발병 확률 출력부
324 15년 후 구강암 발병 확률 출력부
400 정확도 분포 그래프
410 제1 조합에 대한 예측 확률 정확도
420 제2 조합에 대한 예측 확률 정확도
430 제3 조합에 대한 예측 확률 정확도
440 제4 조합에 대한 예측 확률 정확도
441 정확도 최댓값
442 정확도 최솟값
443 정확도 75%값
444 정확도 25%값
445 정확도 중간값
450 제5 조합에 대한 예측 확률 정확도
460 제6 조합에 대한 예측 확률 정확도
500 최적의 모형 노모그램
510 점수축
520 최적 단백질 파라미터축
521 p53 단백질 파라미터축
522 CA9 단백질 파라미터축
530 최적 임상변수 파라미터축
540 구강암 발병 예측 점수축
550 기간별 구강암 발병 확률축
551 5년 후 구강암 발병 확률축
552 10년 후 구강암 발병 확률축
553 15년 후 구강암 발병 확률축
600 최적 입출력 노모그램
610 최적 입력 노모그램
610a 최적 임상변수 파라미터 입력부
610b 최적 단백질 파라미터 입력부
620 최적 출력 노모그램
621 구강암 발병 예측 점수 출력부
622 5년 후 구강암 발병 확률 출력부
623 10년 후 구강암 발병 확률 출력부
624 15년 후 구강암 발병 확률 출력부
700 발병 위험도 그래프
710 제1 그래프
720 제2 그래프
Claims (18)
- 프로세서 및 수신부를 포함하는 구강암 발병 확률 예측 장치에 의해 구현되는 구강암 발병 확률 예측 방법으로서,
상기 수신부를 통해, 환자의 임상변수 및 상기 환자의 구강암과 관련된 복수의 단백질 각각에 대한 파라미터를 수신하는 단계;
상기 프로세서를 통해, 상기 파라미터를 기초로 상기 환자에 대한 구강암 발병 예측 점수를 산출하는 단계; 및
상기 프로세서를 통해, 상기 구강암 발병 예측 점수를 기초로 미리 정해진 기간 내에 상기 구강암의 발병 확률을 산출하는 단계를 포함하고,
상기 임상변수는 상기 환자의 나이, 성별, 잇몸 상태 및 혀의 상태를 포함하고, 상기 구강암과 관련된 복수의 단백질은 p53 및 CA9인, 구강암 발병 확률 예측 방법. - 제1항에 있어서,
상기 구강암 발병 예측 장치는 상기 수신부와 연결된 출력부를 더 포함하고,
상기 파라미터를 수신하는 단계는,
상기 출력부를 통해, 상기 파라미터를 입력할 수 있는 입력 노모그램을 출력하는 단계를 포함하는, 구강암 발병 확률 예측 방법. - 제1항에 있어서,
상기 구강암 발병 예측 점수를 산출하는 단계는,
상기 프로세서를 통해, 산출된 상기 구강암 발병 예측 점수를 기초로 상기 구강암 발병 위험도를 표시하는 위험도 그래프를 출력하는 단계를 포함하는, 구강암 발병 확률 예측 방법. - 제2항에 있어서,
상기 출력부를 통해, 적어도 상기 미리 정해진 기간 내에 상기 구강암의 발병 확률을 산출하도록 구성된 확률 노모그램을 출력하는 단계를 더 포함하는, 구강암 발병 확률 예측 방법. - 삭제
- 제1항에 있어서,
상기 파라미터를 수신하기 전에, 생존함수를 사용하여 최적 임상변수 및 최적 단백질을 결정하는 단계를 더 포함하고,
상기 수신하는 단계는,
상기 수신부를 통해, 상기 환자의 상기 최적 임상변수 및 상기 환자의 상기 최적 단백질 각각에 대한 파라미터를 수신하는 단계를 포함하고,
상기 생존함수는 하기 수학식 1로 정의되며,
[수학식 1]
상기 수학식 1에서, S(t)는 생존함수의 값이고, t는 시간변수이며, T는 사망에 이르는 시점이고, Pr은 확률함수의 값인, 구강암 발병 확률 예측 방법. - 제6항에 있어서,
상기 최적 임상변수는 상기 환자의 나이를 포함하는, 구강암 발병 확률 예측 방법. - 삭제
- 환자의 임상변수 및 상기 환자의 구강암과 관련된 복수의 단백질 각각에 대한 파라미터를 수신하는 수신부;
상기 임상변수 및 상기 파라미터를 기초로 상기 환자에 대한 구강암 발병 예측 점수를 산출하는 점수 산출부; 및
상기 구강암 발병 예측 점수를 기초로 미리 정해진 기간 내에 상기 구강암의 발병 확률을 산출하는 확률 산출부를 포함하고,
상기 임상변수는 상기 환자의 나이, 성별, 잇몸 상태 및 혀의 상태를 포함하고, 상기 구강암과 관련된 복수의 단백질은 p53 및 CA9인, 구강암 발병 확률 예측 장치. - 제9항에 있어서,
상기 수신부, 상기 점수 산출부 및 상기 확률 산출부 중 적어도 하나와 연결된 출력부를 더 포함하는, 구강암 발병 확률 예측 장치. - 제10항에 있어서,
상기 출력부는 상기 파라미터를 입력할 수 있는 입력 노모그램을 출력하는, 구강암 발병 확률 예측 장치. - 제10항에 있어서,
상기 출력부는 산출된 상기 구강암 발병 예측 점수를 기초로 상기 구강암 발병 위험도를 표시하는 위험도 그래프를 출력하는, 구강암 발병 확률 예측 장치. - 제10항에 있어서,
상기 출력부는 적어도 상기 미리 정해진 기간 내에 상기 구강암의 발병 확률을 산출하도록 구성된 확률 노모그램을 출력하는, 구강암 발병 확률 예측 장치. - 삭제
- 제9항에 있어서,
상기 파라미터를 수신하기 전에, 생존함수를 사용하여 최적 임상변수 및 최적 단백질을 결정하는 최적화부를 더 포함하고,
상기 생존함수는 하기 수학식 1로 정의되며,
[수학식 1]
상기 수학식 1에서, S(t)는 생존함수의 값이고, t는 시간변수이며, T는 사망에 이르는 시점이고, Pr은 확률함수의 값인, 구강암 발병 확률 예측 장치. - 제15항에 있어서,
상기 최적 임상변수는 상기 환자의 나이를 포함하는, 구강암 발병 확률 예측 장치. - 삭제
- 프로세서 및 수신부를 포함하는 구강암 발병 확률 예측 장치에 의해 구현되는 구강암 발병 확률 예측 방법을 제공하는 명령어들을 자장하도록 구성된 컴퓨터 판독 가능 기록매체로서,
상기 수신부를 통해, 환자의 임상변수 및 상기 환자의 구강암과 관련된 복수의 단백질 각각에 대한 파라미터를 수신하고,
상기 프로세서를 통해, 상기 파라미터를 기초로 상기 환자에 대한 구강암 발병 예측 점수를 산출하고,
상기 프로세서를 통해, 상기 구강암 발병 예측 점수를 기초로 미리 정해진 기간 내에 상기 구강암의 발병 확률을 산출하고,
상기 임상변수는 상기 환자의 나이, 성별, 잇몸 상태 및 혀의 상태를 포함하고, 상기 구강암과 관련된 복수의 단백질은 p53 및 CA9인, 구강암 발병 확률 예측 방법을 제공하는 명령어들을 저장하는 컴퓨터 판독 가능 기록매체.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020160053250A KR101886493B1 (ko) | 2016-04-29 | 2016-04-29 | 구강암 발병 확률 예측 방법 및 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020160053250A KR101886493B1 (ko) | 2016-04-29 | 2016-04-29 | 구강암 발병 확률 예측 방법 및 장치 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20170123924A KR20170123924A (ko) | 2017-11-09 |
| KR101886493B1 true KR101886493B1 (ko) | 2018-08-07 |
Family
ID=60385830
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020160053250A KR101886493B1 (ko) | 2016-04-29 | 2016-04-29 | 구강암 발병 확률 예측 방법 및 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101886493B1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102247909B1 (ko) | 2019-10-29 | 2021-05-04 | 경북대학교 산학협력단 | 구강암 진단을 위한 타액에서의 바이오 마커 |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102004177B1 (ko) * | 2017-12-06 | 2019-07-26 | 주식회사 쓰리빌리언 | 질병 유전자 발병 확률 보정 방법 및 그 장치 |
| KR20210103812A (ko) | 2020-02-14 | 2021-08-24 | (주)링크옵틱스 | 침샘 종양 진단을 위한 휴대용 형광신호 검출장치 및 이를 구비한 침샘 종양 진단장치 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| MX337333B (es) * | 2008-03-26 | 2016-02-26 | Theranos Inc | Metodos y sistemas para evaluar resultados clinicos. |
| EP4328589A3 (en) * | 2009-01-07 | 2024-05-22 | Myriad Genetics, Inc. | Cancer biomarkers |
-
2016
- 2016-04-29 KR KR1020160053250A patent/KR101886493B1/ko active IP Right Grant
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102247909B1 (ko) | 2019-10-29 | 2021-05-04 | 경북대학교 산학협력단 | 구강암 진단을 위한 타액에서의 바이오 마커 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20170123924A (ko) | 2017-11-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Peters et al. | Barrett oesophagus | |
| de Morais et al. | Prognostic factors of oral squamous cell carcinoma in young patients: a systematic review | |
| Lodewick et al. | Are sarcopenia, obesity and sarcopenic obesity predictive of outcome in patients with colorectal liver metastases? | |
| Roman et al. | Conventional thyroidectomy in the treatment of primary thyroid cancer | |
| KR101886493B1 (ko) | 구강암 발병 확률 예측 방법 및 장치 | |
| US11869187B2 (en) | System and method for predicting the risk of future lung cancer | |
| Spanos | Intersphincteric resection for low rectal cancer: an overview | |
| Gonda et al. | Standardization of EUS imaging and reporting in high-risk individuals of pancreatic adenocarcinoma: consensus statement of the Pancreatic Cancer Early Detection Consortium | |
| Massaad et al. | Evaluating frailty, mortality, and complications associated with metastatic spine tumor surgery using machine learning–derived body composition analysis | |
| Suk-Ouichai et al. | Tumor contact surface area as a predictor of functional outcomes after standard partial nephrectomy: utility and limitations | |
| Wang et al. | Development and validation of artificial intelligence models for preoperative prediction of inferior mesenteric artery lymph nodes metastasis in left colon and rectal cancer | |
| Parekh et al. | Multiple primary malignant neoplasms in an elderly patient | |
| Ma et al. | A novel multivariate scoring system for determining the prognosis of lymph node-negative esophageal squamous cell carcinoma following surgical therapy: an observational study | |
| Ogden | Factors affecting survival for oral cancer | |
| Kwon et al. | Renal tumor size is an independent prognostic factor for overall survival in von Hippel–Lindau disease | |
| KR102118104B1 (ko) | 췌장암 환자의 예후를 예측하기 위한 바이오마커 및 이의 용도 | |
| Yang et al. | Predicting pancreatic fistula after central pancreatectomy using current fistula risk scores for pancreaticoduodenectomy and distal pancreatectomy | |
| Colip et al. | Computed tomography angiography findings predictive of post-intervention vasospasm in patients with aneurysmal subarachnoid hemorrhage | |
| Tarabay et al. | Which Scoring System Is the Most Accurate for Assessing Survival Prognosis in Patients Undergoing Surgery for Spinal Metastases from Lung Cancer? A Single-Center Experience | |
| Wang et al. | Has the pancreatic fistula already occurred in the operation? An intraoperative predictive factor of clinical relevant-postoperative pancreatic fistula after the distal pancreatectomy | |
| KR102374326B1 (ko) | 주의 계층적 적응 신경 퍼지 추론 시스템을 이용한 유방암 예측 방법, 이를 수행하기 위한 기록 매체 및 장치 | |
| US20230027734A1 (en) | System and Method for Predicting the Risk of Future Lung Cancer | |
| Ma et al. | Research on influence factors and clinical significance of delphian lymph node metastasis in papillary thyroid carcinoma | |
| Robles-Medranda et al. | 543 Is vascularity enough to predict neoplasia in bile duct lesions during peroral cholangioscopy? | |
| D'Amico et al. | Laparoscopic and percutaneous microwave ablation to treat liver metastasis from colon cancer. A tool for long-term iterative strategy: results from a high volume center |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E90F | Notification of reason for final refusal | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |