KR101967227B1 - 질병 예측 모델을 생성하는 방법, 서버 및 시스템 - Google Patents

질병 예측 모델을 생성하는 방법, 서버 및 시스템 Download PDF

Info

Publication number
KR101967227B1
KR101967227B1 KR1020170026284A KR20170026284A KR101967227B1 KR 101967227 B1 KR101967227 B1 KR 101967227B1 KR 1020170026284 A KR1020170026284 A KR 1020170026284A KR 20170026284 A KR20170026284 A KR 20170026284A KR 101967227 B1 KR101967227 B1 KR 101967227B1
Authority
KR
South Korea
Prior art keywords
prediction model
learning
data
disease
disease prediction
Prior art date
Application number
KR1020170026284A
Other languages
English (en)
Other versions
KR20180099185A (ko
Inventor
장혁재
박은정
Original Assignee
연세대학교 산학협력단
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
Application filed by 연세대학교 산학협력단 filed Critical 연세대학교 산학협력단
Priority to KR1020170026284A priority Critical patent/KR101967227B1/ko
Publication of KR20180099185A publication Critical patent/KR20180099185A/ko
Application granted granted Critical
Publication of KR101967227B1 publication Critical patent/KR101967227B1/ko

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Molecular Biology (AREA)
  • Child & Adolescent Psychology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Primary Health Care (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

질병 예측 모델을 생성하는 방법, 서버 및 시스템이 제공 된다. 질병 예측 모델을 생성하는 방법에 있어서, 예측 목적을 결정 하는 단계; 상기 예측 목적을 갖는 질병 예측 모델을 생성 하기 위한 학습 알고리즘을 결정하는 단계; 상기 학습 알고리즘과 매칭되는 데이터의 표현 형식을 결정하는 단계; 상기 질병 예측 모델을 생성하기 위해, 정보 서버로부터 수신한 데이터에서 상기 질병 예측 모델과 관련된 학습 후보 데이터를 추출하는 단계; 상기 추출된 학습 후보 데이터를 상기 결정된 표현 형식으로 변경함으로써, 학습 데이터를 생성하는 단계; 및 상기 학습 알고리즘에 상기 학습 데이터를 입력 함으로써, 상기 질병 예측 모델을 생성하는 단계; 를 포함하는, 질병 예측 모델 생성 방법이 제공 된다.

Description

질병 예측 모델을 생성하는 방법, 서버 및 시스템{METHOD, SERVER AND SYSTEM FOR GENERATING DISEASE PREDICTION MODELS}
본 발명은 데이터를 추출하여 질병 예측 모델을 생성하는 방법, 서버 및 시스템과 관련된 것이다.
건강이란 무병 상태를 의미했던 과거의 개념으로부터 현재에는 건강상태 유지 및 건강증진의 개념으로 그 의미가 변화하고 있다. 바쁜 현대인의 평소의 불규칙한 생활 습관 때문에 질병에 걸릴 확률이 증가하는 추세이며, 이러한 추세에 발맞추어 사회적으로 건강에 대한 관심이 고조되고 있다.
건강에 대한 관심의 증진과 더불어, 빅데이터를 의료 분야에 활용하기 위한 연구가 지속되고 있다. 과거에도 데이터를 이용하여 질병을 예측 하는 방법이 존재 하였다. 다만, 질병 예측의 정확도가 낮아 많이 사용되지 않았고, 적절한 예측 모델이 존재하지 않아 질병 예측 서비스의 효율성이 낮았다.
기술의 발전으로 인해, 과거와는 달리 질병 예측 서비스를 위해 사용할 수 있는 데이터가 다양해 졌고, 이러한 데이터들을 이용하여 질병 예측 모델을 생성하는 방법에 대한 연구가 진행되고 있다.
대한민국 등록 특허 제10-1702502호
본 발명은 전술한 내용을 감안하여 안출된 것으로, 빅데이터를 포함한 다양한 의료정보 데이터 및 인공지능 학습법을 이용하여 질병 예측 모델을 생성하는 방법, 서버 및 시스템을 제공하고자 한다.
전술한 바와 같은 과제를 실현하기 위한 본 발명의 실시예들이 제시된다.
본 발명의 제 1 측면은, 예측 목적을 결정 하는 단계; 상기 예측 목적을 갖는 질병 예측 모델을 생성 하기 위한 학습 알고리즘을 결정하는 단계; 상기 학습 알고리즘과 매칭되는 데이터의 표현 형식을 결정하는 단계; 상기 질병 예측 모델을 생성하기 위해, 정보 서버로부터 수신한 데이터에서 상기 질병 예측 모델과 관련된 학습 후보 데이터를 추출하는 단계; 상기 추출된 학습 후보 데이터를 상기 결정된 표현 형식으로 변경함으로써, 학습 데이터를 생성하는 단계; 및 상기 학습 알고리즘에 상기 학습 데이터를 입력 함으로써, 상기 질병 예측 모델을 생성하는 단계; 를 포함하는, 질병 예측 모델 생성 방법을 제공할 수 있다.
본 발명의 제 2 측면은, 질병 예측 모델을 생성하는 서버에 있어서, 특정 예측 목적을 갖는 질병 예측 모델을 생성 하기 위한 학습 알고리즘을 결정하는 학습 알고리즘 결정부; 상기 학습 알고리즘과 매칭되는 데이터의 표현 형식을 결정하는 표현 형식 결정부; 상기 질병 예측 모델을 생성하기 위해, 정보 서버로부터 수신한 데이터에서 상기 질병 예측 모델과 관련된 학습 후보 데이터를 추출하는 학습 후보 데이터 추출부; 상기 추출된 학습 후보 데이터를 상기 결정된 표현 형식으로 변경함으로써, 학습 데이터를 생성하는 학습 데이터 생성부; 및 상기 학습 알고리즘에 상기 학습 데이터를 입력 함으로써, 상기 질병 예측 모델을 생성하는 예측 모듈; 을 포함하는, 질병 예측 모델을 생성하는 서버를 제공할 수 있다.
본 발명은 빅데이터를 포함한 다양한 의료정보 데이터 및 인공지능 학습법을 이용하여 새로운 개념의 질병 예측 모델을 생성하는 방법, 서버 및 시스템을 제공할 수 있다. 또한, 본 발명은 새로운 개념의 질병 예측 서비스를 제공할 수 있다.
다양한 양상들이 이제 도면들을 참조로 기재되며, 여기서 유사한 참조 번호들은 총괄적으로 유사한 구성요소들을 지칭하는데 이용된다. 이하의 실시예에서, 설명 목적을 위해, 다수의 특정 세부사항들이 하나 이상의 양상들의 총체적 이해를 제공하기 위해 제시된다. 그러나, 그러한 양상(들)이 이러한 구체적인 세부사항들 없이 실시될 수 있음은 명백할 것이다.
도 1 및 도 2는 본 발명의 일 실시예에 따른 서버(1000)의 동작을 설명하기 위한 개략도이다.
도 3 은 보 본 발명의 일 실시예에 따른 서버(1000)에 포함된 데이터 가공부(1500)의 동작을 설명하기 위한 도면이다.
도 4 는 본 발명의 일 실시예에 따른 서버(1000)가 예측 모델을 생성하는 방법을 설명하기 위한 도면이다.
도 5 는 본 발명의 일 실시예에 따른 서버(1000)가 생성된 예측 모델들을 이용하여, 예측 결과를 생성하는 방법을 설명하기 위한 도면이다.
도 6 은 본 발명의 일 실시예에 따른 서버(1000)의 구성요소들을 설명하기 위한 도면이다.
도 7은 본 발명의 다른 실시예에 따라, 데이터 가공부(1500)의 구성 모듈들이 예측 모듈에 포함되는 실시예를 나타내기 위한 도면이다.
다양한 실시예들이 이제 도면을 참조하여 설명되며, 전체 도면에서 걸쳐 유사한 도면번호는 유사한 구성요소를 나타내기 위해서 사용된다. 본 명세서에서, 다양한 설명들이 본 발명의 이해를 제공하기 위해서 제시된다. 그러나 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다. 다른 예들에서, 공지된 구조 및 장치들은 실시예들의 설명을 용이하게 하기 위해서 블록 다이어그램 형태로 제공된다.
다양한 실시예들이 이제 도면들을 참조하여 개시된다. 하기 설명에서는 설명을 목적으로, 적어도 하나의 실시예들의 전반적 이해를 돕기 위해 다수의 구체적인 세부사항들이 개시된다. 그러나, 이러한 실시예(들)는 이러한 구체적인 세부사항들 없이도 실행될 수 있다는 점 또한 본 발명의 기술 분야에서 통상의 지식을 가진 자에게 인식될 수 있을 것이다. 이후의 기재 및 첨부된 도면들은 적어도 하나의 실시예들의 특정한 예시적인 실시예들을 상세하게 기술한다. 하지만, 이러한 실시예들은 예시적인 것이고 다양한 실시예들의 원리들에서의 다양한 방법들 중 일부가 이용될 수 있으며, 기술되는 설명들은 그러한 실시예들 및 그들의 균등물들을 모두 포함하고자 하는 의도이다.
또한, 다양한 실시예들 및 특징들이 다수의 디바이스들, 컴포넌트들 및/또는 모듈들 등을 포함할 수 있는 시스템에 의하여 제시될 것이다. 다양한 시스템들이, 추가적인 장치들, 컴포넌트들 및/또는 모듈들 등을 포함할 수 있다는 점 그리고/또는 도면들과 관련하여 논의된 장치들, 컴포넌트들, 모듈들 등 전부를 포함하지 않을 수 있다는 점 또한 이해되고 인식되어야 한다.
본 명세서에서 사용되는 "실시예", "예", "예시" 등은 기술되는 임의의 실시예 또는 설계가 다른 실시예 또는 설계들보다 양호하다거나, 이점이 있는 것으로 해석되지 않을 수 있다. 아래에서 사용되는 용어들 '컴포넌트', '모듈', '시스템', '인터페이스' 등은 일반적으로 컴퓨터 관련 엔티티(computer-related entity)를 의미하며, 예를 들어, 하드웨어, 하드웨어와 소프트웨어의 조합, 소프트웨어를 의미할 수 있다.
더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 적어도 하나의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하지만, 적어도 하나의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.
본 명세서에서, 사용자 단말(4200)은 다양한 웨어러블 디바이스를 포함할 수 있다. 예를 들어, 사용자 단말(4200)은 핸드폰, PDA, 컴퓨터, 스마트 워치, 스마트 글래스 등을 포함할 수 있으며, 이에 한정되지 않는다.
제시된 실시예들에 대한 설명은 본 발명의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 발명의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 발명의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
이하에서는, 첨부된 도면을 참조하여 본 발명에 따른 실시예들을 상세히 설명하도록 한다.
도 1 및 도 2는 본 발명의 일 실시예에 따른 서버(1000)의 동작을 설명하기 위한 개략도이다.
본 발명의 일 실시예에 따르면, 기구축된 의료 데이터를 활용하여 질병 예측 모델을 생성할 수 있다. 예를 들어, 건강 검진 정보 서버로부터 수신한 건강 정보를 이용하여 예측 모델을 생성할 수 있고, 병원 정보 서버로부터 수신한 의료 기록 정보를 이용하여 예측 모델을 생성할 수 있으며, 생체 정보 서버로부터 수신한 생체 정보를 이용하여 예측 모델을 생성할 수 있고, 유전체 정보 서버로부터 수신한 유전체 정보를 이용하여 예측 모델을 생성할 수 있다. 또한, 생성된 예측 모델들의 결과 데이터를 이용하여 최종적으로 질병을 예측할 수 있는 예측 모델을 생성할 수 있다.
예를 들어, 서버(1000)는 검강 검진 정보 서버로부터 나이, 성별, 흡연여부, 혈압, 혈당 등의 검진 기본 정보를 획득하고, 이를 이용하여, 뇌졸중/심근경색/치매 등의 발병자군과 정상인군으로 분류할 수 있는 예측 모델을 생성할 수 있다.
또한, 서버(1000)는 병원 정보 서버로부터 CT 데이터, MRI 데이터, 랩 데이터, 질환내역과 빈도 데이터등을 획득하고, 이를 이용하여 질병들의 발병을 예측할 수 있는 예측 모델을 생성할 수 있다.
또한, 서버(1000)는 사용자 단말(4200)(예를 들어, 스마트 팔찌, 스마트 벨트, 스마트 슈즈, 혈압기, 혈당기, 체온계, 체중계 등)을 통해 수집된 개인 생체 활동 및 생체 신호(예를 들어, 운동정보, 심박정보, 혈당정보, 체온 정보, 체중 정보 등)를 모니터링한 데이터를 사용자 단말(4200)으로부터 또는 생체 정보 서버로부터 수신할 수 있고, 이를 이용 하여 질병 발병의 이상 징후를 감지하는 예측 모델을 생성할 수 있다.
또한, 서버(1000)는 유전체 정보 서버로부터 수신한 유전체 정보를 이용하여, 뇌졸중 가능성이 높은 유전체를 분석할 수 있는 예측 모델을 생성할 수 있다..
서버(1000)는 생성한 예측 모델들을 통한 결과 데이터를 입력으로 하여, 인공지능 알고리즘을 구동함으로써, 최종 질병 예측 모델을 생성할 수 있다.
도 2 를 참조할 때, 서버(1000)는 예측 모델을 생성하는 경우, 다양한 데이터를 다양한 알고리즘을 활용하여 분석함으로써, 예측 모델들을 생성할 수 있다. 이 경우, 서버(1000)는 특정 목적에 대한 예측 모델을 생성하기 위해 최적화된 알고리즘을 선택할 수 있고, 선택된 알고리즘에 매칭된 표현 형식을 결정할 수 있으며, 추출한 데이터의 표현 형식을 선택된 알고리즘에 매칭된 표현 형식으로 자동으로 변경시켜 선택된 알고리즘에 입력할 수 있다. 그 결과, 서버(1000)는 효율적으로 예측 모델들을 생성할 수 있다.
서버(1000)는 생성된 예측 모델들에 사용자의 정보를 적용함으로써, 사용자에게 질병 예측 서비스를 제공할 수 있다.
본 발명의 일 실시예에 따르면, 다양한 정보를 이용한 예측 모델을 생성함으로써, 예측 결과의 정확도는 증진될 수 있다. 또한, 예측 결과를 다시 입력으로 하여 예측 모델을 재수정 함으로써, 데이터가 축적될수록 예측 모델의 정확성은 높아진다. 또한, 다량의 데이터를 분산 병렬 처리 함으로써, 예측 모델 생성의 효율성은 및 예측 결과의 정확도는 증진될 수 있다.
도 3 은 본 발명의 일 실시예에 따른 서버(1000)에 포함된 데이터 가공부(1500)의 동작을 설명하기 위한 도면이다.
데이터 가공부(1500)는 서버(1000)에 포함된 모듈으로서, 데이터를 가공하는 모듈을 의미한다. 예를 들어, 데이터 가공부(1500)는 외부로부터 수신한 데이터를 가공하여 예측 모듈(1100)에 전달할 수 있다. 데이터 가공부(1500)는 학습 알고리즘 결정부(1510), 표현 형식 결정부(1520), 학습 후보 데이터 추출부(1540) 및 학습 데이터 생성부(1530)를 포함할 수 있다. 데이터 가공부(1500)는 하나의 프로세서로 구현될 수 있고, 복수의 프로세서로 구현될 수 있으며, 이에 한정되지 않는다. 또한, 데이터 가공부(1500)는 예측 모듈(1100)과 동일한 서버에 구현될 수 있고, 예측 모듈(1100)과 상이한 서버에 구현될 수 있으며, 이에 한정되지 않는다.
데이터 가공부(1500)는 예측 목적을 결정할 수 있다. 예를 들어, 데이터 가공부(1500)는 제어부(1400)의 지시에 따라 예측 목적을 결정할 수 있다. 예를 들어, 데이터 가공부(1500)는 사용자가 질병 발병 가능자 그룹에 포함될 지 또는 사용자가 정상인 그룹에 포함될 지를 예측하는 목적, 사용자에 대한 특정 질병이 3년내 발병할 것인지 또는 5년내 발병할 것인지를 예측하는 목적, 또는 특정 질병의 치료에 대한 결과를 예측하는 목적으로 예측 목적을 결정할 수 있으며, 이에 한정되지 않는다.
본 발명의 일 실시예에 따르면, 학습 알고리즘 결정부(1510)는 특정 예측 목적을 갖는 질병 예측 모델을 생성하기 위한 학습 알고리즘을 결정할 수 있다. 이 경우, 학습 알고리즘 결정부(1510)는 서버에 저장된 매칭 정보(예를 들어, 특정 목적와 매칭된 특정 알고리즘을 나타내는 정보)를 이용하여 학습 알고리즘을 결정할 수 있다.
또한, 학습 알고리즘 결정부(1510)는 특정 목적에 대한 질병 예측 모델의 특성을 고려하여 적어도 하나의 후보 학습 알고리즘들을 결정하고, 결정된 적어도 하나의 후보 학습 알고리즘들 각각에 대한 분석을 통해, 질병 예측 모델을 생성하기 위한 학습 알고리즘을 결정할 수 있다. 예를 들어, 학습 알고리즘 결정부(1510)는 후보 학습 알고리즘들 각각에 대한 예측 모델 생성의 효율성을 판단하고, 그 효율이 가장 높은 학습 알고리즘을 선택할 수 있다.
이 경우, 학습 알고리즘은 CNN 알고리즘과 RNN 알고리즘의 딥러닝(Deep Learning)을 포함하는 아티피셜 뉴럴 네트워크(Artificial Neural Network), 서포트 벡터 머신(Support Vector Machine), 디시젼 트리(Decision Tree), 랜덤 트리(Random Tree), 랜덤 포레스트(Random Forest)등을 포함할 수 있으며, 이에 한정되지 않는다.
학습 알고리즘 결정부(1510)는 제 1 학습 알고리즘 결정부(1511), 제 2 학습 알고리즘 결정부(1512), 제 3 학습 알고리즘 결정부(1513), 제 4 학습 알고리즘 결정부(1514), 최종 질병 예측 알고리즘 결정부(1515)를 포함할 수 있다.
제 1 학습 알고리즘 결정부(1511)는 건강 정보를 이용하여 생성될 예측 모델을 위한 제 1 학습 알고리즘을 결정하는 모듈을 의미한다.
제 2 학습 알고리즘 결정부(1512)는 의료 기록 정보를 이용하여 생성될 예측 모델을 위한 제 2 학습 알고리즘을 결정하는 모듈을 의미한다.
제 3 학습 알고리즘 결정부(1513)는 생체 정보를 이용하여 생성될 예측 모델을 위한 제 3 학습 알고리즘을 결정하는 모듈을 의미한다.
제 4 학습 알고리즘 결정부(1514)는 유전체 정보를 이용하여 생성될 예측 모델을 위한 제 4 학습 알고리즘을 결정하는 모듈을 의미한다.
최종 질병 예측 알고리즘 결정부(1515)는 제 1 예측 모델, 제 2 예측 모델, 제 3 예측 모델 및 제 4 예측 모델 중 적어도 하나의 결과 데이터를 이용하여 최종 질병 예측 모델을 생성하기 위한 제 5 학습 알고리즘을 결정하는 모듈을 의미한다.
이 경우, 제 1 학습 알고리즘 결정부(1511), 제 2 학습 알고리즘 결정부(1512), 제 3 학습 알고리즘 결정부(1513), 제 4 학습 알고리즘 결정부(1514) 및 최종 질병 예측 알고리즘 결정부(1515)는 각각 독립적으로 동작할 수 있고, 병렬적으로 동작할 수 있다.
본 발명의 일 실시예에 따르면, 표현 형식 결정부(1521)는 결정된 학습 알고리즘과 매칭되는 데이터의 표현 형식을 결정할 수 있다. 예를 들어, 표현 형식 결정부(1521)는 CNN 알고리즘이 선택된 경우, 표현 형식을 CNN 알고리즘과 매칭되는 벡터(vector) 형식으로 결정할 수 있다. 또한, 표현 형식 결정부(1521)는 SVM 알고리즘이 선택된 경우, 표현 형식을 SVM 알고리즘과 매칭되는 템포럴 매트릭스(Temporal matrix)로 결정할 수 있다.
표현 형식 결정부(1521)는 제 1 표현 형식 결정부(1521), 제 2 표현 형식 결정부(1522), 제 3 표현 형식 결정부(1523), 제 4 표현 형식 결정부(1524) 및 제 5 표현 형식 결정부(1525)를 포함할 수 있다.
제 1 표현 형식 결정부(1521)는 건강 정보를 이용하여 생성될 예측 모델을 위한 제 1 학습 알고리즘과 매칭되는 제 1 표현 형식을 결정하는 모듈을 의미한다.
제 2 표현 형식 결정부(1522)는 의료 기록 정보를 이용하여 생성될 예측 모델을 위한 제 2 학습 알고리즘과 매칭되는 제 2 표현 형식을 결정하는 모듈을 의미한다.
제 3 표현 형식 결정부(1523)는 생체 정보를 이용하여 생성될 예측 모델을 위한 제 3 학습 알고리즘과 매칭되는 제 3 표현 형식을 결정하는 모듈을 의미한다.
제 4 표현 형식 결정부(1524)는 유전체 정보를 이용하여 생성될 예측 모델을 위한 제 4 학습 알고리즘과 매칭되는 제 4 표현 형식을 결정하는 모듈을 의미한다.
제 5 표현 형식 결정부(1525)는 제 1 예측 모델, 제 2 예측 모델, 제 3 예측 모델 및 제 4 예측 모델 중 적어도 하나의 결과 데이터를 이용하여 최종 질병 예측 모델을 생성하기 위한 제 5 학습 알고리즘과 매칭되는 제 5 표현 형식을 결정하는 모듈을 의미한다.
이 경우, 제 1 표현 형식 결정부(1521), 제 2 표현 형식 결정부(1522), 제 3 표현 형식 결정부(1523),제 4 표현 형식 결정부(1524) 및 제 5 표현 형식 결정부(1525)는 각각 독립적으로 동작할 수 있고, 병렬적으로 동작할 수 있다.
본 발명의 일 실시예에 따르면, 학습 후보 데이터 추출부(1540)는 질병 예측 모델을 생성하기 위해, 정보 서버로부터 수신한 데이터에서 질병 예측 모델과 관련된 학습 후보 데이터를 추출할 수 있다.
이 경우, 학습 후보 데이터는 서버(1000)의 학습에 의해 결정될 수 있다. 예를 들어, 서버(1000)는 반복적으로 증분학습 및 자가학습을 수행함으로써, 특정 예측 모델에 대한 학습 후보 데이터를 결정할 수 있다.
학습 후보 데이터 추출부(1540)는 제 1 학습 후보 데이터 추출부(1541), 제 2 학습 후보 데이터 추출부(1542), 제 3 학습 후보 데이터 추출부(1543), 제 4 학습 후보 데이터 추출부(1544), 제 5 학습 후보 데이터 추출부(1545)를 포함할 수 있다.
제 1 학습 후보 데이터 추출부(1541)는 건강 정보에서 질병 예측 모델과 관련된 학습 후보 데이터를 추출할 수 있다.
제 2 학습 후보 데이터 추출부(1542)는 의료 기록 정보에서 질병 예측 모델과 관련된 학습 후보 데이터를 추출할 수 있다.
제 3 학습 후보 데이터 추출부(1543)는 생체 정보에서 질병 예측 모델과 관련된 학습 후보 데이터를 추출할 수 있다.
제 4 학습 후보 데이터 추출부(1544)는 유전체 정보에서 질병 예측 모델과 관련된 학습 후보 데이터를 추출할 수 있다.
제 5 학습 후보 데이터는 상기 제 1 예측 모델, 상기 제 2 예측 모델, 상기 제 3 예측 모델, 상기 제 4 예측 모델 중 적어도 하나의 결과 데이터를 학습 후보 데이터로 추출할 수 있다.
이 경우, 제 1 학습 후보 데이터 추출부(1541), 제 1 학습 후보 데이터 추출부(1541),제 2 학습 후보 데이터 추출부(1542),제 3 학습 후보 데이터 추출부(1543),제 4 학습 후보 데이터 추출부(1544),제 5 학습 후보 데이터 추출부(1545)는 각각 독립적으로 동작할 수 있고, 병렬적으로 동작할 수 있다.
본 발명의 일 실시예에 따르면, 학습 데이터 생성부(1530)는 추출된 학습 후보 데이터를 결정된 표형 형식으로 변경함으로써, 학습 데이터를 생성할 수 있다. 예를 들어, 학습 데이터 생성부(1530)는 추출된 시계열 데이터(예를 들어, 환자의 치료전의 데이터와, 3개월, 6개월, 1년의 데이터 등)를 결정된 표현 형식인 템포럴 매트릭스(Temporal matrix)로 변경함으로서, 학습 데이터를 생성할 수 있다.
학습 데이터 생성부(1530)는 제 1 학습 데이터 생성부(1531), 제 2 학습 데이터 생성부(1532), 제 3 학습 데이터 생성부(1533), 제 4 학습 데이터 생성부(1534) 및 제 5 학습 데이터 생성부(1535)를 포함할 수 있다.
제 1 학습 데이터 생성부(1531)는 제 1 학습 후보 데이터(건강 정보를 이용하여 생성된 학습 후보 데이터)를 제 1 표현 형식으로 변경함으로써, 제 1 학습 데이터를 생성하는 모듈을 의미한다.
제 2 학습 데이터 생성부(1532)는 제 2 학습 후보 데이터(의료 기록 정보를 이용하여 생성된 학습 후보 데이터)를 제 2 표현 형식으로 변경함으로써, 제 2 학습 데이터를 생성하는 모듈을 의미한다.
제 3 학습 데이터 생성부(1533)는 제 3 학습 후보 데이터(생체 정보를 이용하여 생성된 학습 후보 데이터)를 제 3 표현 형식으로 변경함으로써, 제 3 학습 데이터를 생성하는 모듈을 의미한다.
제 4 학습 데이터 생성부(1534)는 제 4 학습 후보 데이터(유전체 정보를 이용하여 생성된 학습 후보 데이터)를 제 4 표현 형식으로 변경함으로써, 제 4 학습 데이터를 생성하는 모듈을 의미한다.
제 5 학습 데이터 생성부(1535)는 제 5 학습 후보 데이터(상기 제 1 예측 모델, 상기 제 2 예측 모델, 상기 제 3 예측 모델, 상기 제 4 예측 모델 중 적어도 하나의 결과 데이터를 이용하여 생성된 학습 후보 데이터)를 제 5 표현 형식으로 변경함으로써, 제 5 학습 데이터를 생성하는 모듈을 의미한다.
데이터 가공부(1500)는 생성된 학습 데이터를 예측 모듈(1100)에 전달할 수 있다. 그 결과, 제 1 예측 모델 생성부(1112)는 제 1 학습 데이터를 이용하여 예측 모델 을 생성할 수 있고, 제 2 예측 모델 생성부(1122)는 제 2 학습 데이터를 이용하여 예측 모델 을 생성할 수 있고, 제 3 예측 모델 생성부(1132)는 제 3 학습 데이터를 이용하여 예측 모델 을 생성할 수 있고, 제 4 예측 모델 생성부(1142)는 제 4 학습 데이터를 이용하여 예측 모델 을 생성할 수 있고, 최종 질병 예측 모델 생성부(1152)는 제 5 학습 데이터를 이용하여 예측 모델 을 생성할 수 있다.
서버(1000)는 다양한 데이터를 타겟 알고리즘에 적합하도록 데이터 표현 형식을 변경시킴으로써, 인공지능의 입력을 위해 사람이 작업을 반복하는 것을 방지할 수 있다. 또한, 알고리즘에 잘못된 입력으로 인해 발생하는 오류를 방지할 수 있다.
도 4 는 본 발명의 일 실시예에 따른 서버(1000)가 예측 모델을 생성하는 방법을 설명하기 위한 도면이다.
단계 S210에서, 서버(1000)는 건강 검진 정보 서버(2000)로부터 수신한 건강 정보를 이용하여, 복수의 질병들 각각에 대한 제 1 예측 모델을 생성할 수 있다. 이 경우, 서버(1000)는 데이터 가공부(1500)를 통해 건강 검진 정보 서버(1000)로부터 수신한 건강 정보를 가공할 수 있고, 가공된 정보를 이용하여 제 1 예측 모델을 생성할 수 있다.
본 발명의 일 실시예에 따르면, 서버(1000)는 건강 검진 정보 서버(2000)로부터 건강 정보를 수신할 수 있다. 건강 정보는 사람들이 건강 검진을 받음으로써 저장되는 정보로서, 나이, 성별, 흡연여부, 혈압, 혈당 등을 포함할 수 있다.
서버(1000)는 건강 정보를 이용하여 제 1 예측 모델을 생성할 수 있으며, 제 1 예측 모델은 다양한 목적을 가질 수 있다.
예를 들어, 제 1 예측 모델은 사용자가 질병 발병 가능자 그룹에 포함될 지 또는 사용자가 정상인 그룹에 포함될 지를 예측하는 목적을 가질 수 있다. 또한, 제 1 예측 모델은 사용자에 대한 특정 질병이 3년내 발병할 것인지, 또는 5년내 발병할 것인지를 예측하는 목적을 가질 수 있다. 또한, 제 1 예측 모델은 특정 질병의 치료에 대한 결과를 예측하는 목적을 가질 수 있으며, 이에 한정되지 않는다.
이 경우, 제 1 예측 모델은 복수의 질병들 각각에 대해 생성될 수 있다. 예를 들어, 서버(1000)는 심혈관 질환에 대한 제 1 예측 모델을 생성할 수 있고, 뇌혈관질환에 대한 제 1 예측 모델을 생성할 수 있고, 당뇨에 대한 제 1 예측 모델을 생성할 수 있고, 암에 대한 제 1 예측 모델을 생성할 수 있으며, 이에 한정되지 않는다.
본 발명의 일 실시예에 따르면, 서버(1000)는 제 1 예측 모델을 다양한 인공지능 알고리즘을 이용하여 생성할 수 있다. 예를 들어, 서버(1000)는 CNN 알고리즘과 RNN 알고리즘의 딥러닝(Deep Learning)을 포함하는 아티피셜 뉴럴 네트워크(Artificial Neural Network), 서포트 벡터 머신(Support Vector Machine), 디시젼 트리(Decision Tree), 랜덤 트리(Random Tree), 랜덤 포레스트(Random Forest)등을 이용하여 제 1 예측 모델을 생성할 수 있으며, 이에 한정되지 않는다.
이 경우, 서버(1000)는 예측 목적에 따라 상이한 알고리즘을 이용하여 제 1 예측 모델을 적용할 수 있고, 서버(1000)는 학습을 통해 특정 목적에 대한 제 1 예측 모델을 생성하는 경우 사용할 알고리즘을 선택할 수 있다.
예를 들어, 서버(1000)는 사용자를 질병 발병 가능 그룹과 정상인 그룹으로 나누기 위한 제 1 예측 모델을 생성하는 경우, 데이터를 이용한 학습을 통해 제 1 알고리즘을 선택할 수 있고, 선택된 제 1 알고리즘을 이용하여 사용자를 질병 발병 가능 그룹과 정상인 그룹으로 나누기 위한 제 1 예측 모델을 생성할 수 있다. 또한, 서버(1000)는 특정 질병에 대해 3년내 발병 가능 여부를 예측하기 위한 제 1 예측 모델을 생성하는 경우, 데이터를 이용한 학습을 통해 제 2 알고리즘을 선택할 수 있고, 선택된 제 2 알고리즘을 이용하여 특정 질병에 대해 3년내 발병 가능 여부를 예측하기 위한 제 1 예측 모델을 생성할 수 있다.
이 경우, 서버(1000)는 질병에 따라 필요한 데이터를 선택하여 사용함으로써, 복수의 질병들 각각에 대한 제 1 예측 모델을 생성할 수 있다. 예를 들어, 서버(1000)는 심혈관 질환에 대한 제 1 예측 모델을 생성하는 경우, 건강 정보 중 심혈관 질환과 관련된 데이터를 추출하고, 이를 사용하여 제 1 예측 모델을 생성할 수 있다. 이 경우, 서버(1000)는 데이터를 이용한 학습을 통해 추출할 데이터를 선택할 수 있다,
또한, 서버(1000)는 목적에 따라 필요한 데이터를 선택하여 사용함으로써, 복수의 질병들 각각에 대한 제 1 예측 모델을 생성할 수 있다. 예를 들어, 서버(1000)는 특정 질병에 대해 3년내 발병 가능 여부를 예측하기 위한 제 1 예측 모델을 생성하는 경우, 데이터를 이용한 학습을 통해 추출할 건강 정보를 선택할 수 있고, 선택된 건강 정보를 이용하여 제 1 예측 모델을 생성할 수 있다.
단계 S220에서, 서버(1000)는 건강 병원 정보 서버(3000)로부터 수신한 의료 기록 정보를 이용하여, 복수의 질병들 각각에 대한 제 2 예측 모델을 생성할 수 있다. 이 경우, 서버(1000)는 데이터 가공부(1500)를 통해 건강 병원 정보 서버(1000)로부터 의료 기록 정보를 가공할 수 있고, 가공된 정보를 이용하여 제 2 예측 모델을 생성할 수 있다.
본 발명의 일 실시예에 따르면, 서버(1000)는 병원 정보 서버(3000)로부터 의료 기록 정보를 수신할 수 있다. 의료 기록 정보는 사람들이 병원을 이용하면서 저장되는 정보로서, CT 데이터, MRI 데이터, 랩 데이터, 질병 내역 데이터, 발병 빈도 데이터 등을 포함할 수 있다.
서버(1000)는 의료 기록 정보를 이용하여 제 2 예측 모델을 생성할 수 있으며, 제 2 예측 모델은 다양한 목적을 가질 수 있다.
예를 들어, 제 2 예측 모델은 사용자가 질병 발병 가능자 그룹에 포함될 지 또는 사용자가 정상인 그룹에 포함될 지를 예측하는 목적을 가질 수 있다. 또한, 제 2 예측 모델은 사용자에 대한 특정 질병이 3년내 발병할 것인지, 또는 5년내 발병할 것인지를 예측하는 목적을 가질 수 있다. 또한, 제 2 예측 모델은 특정 질병의 치료에 대한 결과를 예측하는 목적을 가질 수 있으며, 이에 한정되지 않는다.
이 경우, 제 2 예측 모델은 복수의 질병들 각각에 대해 생성될 수 있다. 예를 들어, 서버(1000)는 심혈관 질환에 대한 제 2 예측 모델을 생성할 수 있고, 뇌혈관질환에 대한 제 2 예측 모델을 생성할 수 있고, 당뇨에 대한 제 2 예측 모델을 생성할 수 있고, 암에 대한 제 2 예측 모델을 생성할 수 있으며, 이에 한정되지 않는다.
본 발명의 일 실시예에 따르면, 서버(1000)는 제 2 예측 모델을 다양한 인공지능 알고리즘을 이용하여 생성할 수 있다. 예를 들어, 서버(1000)는 CNN 알고리즘과 RNN 알고리즘의 딥러닝(Deep Learning)을 포함하는 아티피셜 뉴럴 네트워크(Artificial Neural Network), 서포트 벡터 머신(Support Vector Machine), 디시젼 트리(Decision Tree), 랜덤 트리(Random Tree), 랜덤 포레스트(Random Forest)등을 이용하여 제 2 예측 모델을 생성할 수 있으며, 이에 한정되지 않는다.
이 경우, 서버(1000)는 예측 목적에 따라 상이한 알고리즘을 이용하여 제 2 예측 모델을 적용할 수 있고, 서버(1000)는 학습을 통해 특정 목적에 대한 제 2 예측 모델을 생성하는 경우 사용할 알고리즘을 선택할 수 있다.
예를 들어, 서버(1000)는 사용자를 질병 발병 가능 그룹과 정상인 그룹으로 나누기 위한 제 2 예측 모델을 생성하는 경우, 데이터를 이용한 학습을 통해 제 1 알고리즘을 선택할 수 있고, 선택된 제 1 알고리즘을 이용하여 사용자를 질병 발병 가능 그룹과 정상인 그룹으로 나누기 위한 제 2 예측 모델을 생성할 수 있다. 또한, 서버(1000)는 특정 질병에 대해 3년내 발병 가능 여부를 예측하기 위한 제 2 예측 모델을 생성하는 경우, 데이터를 이용한 학습을 통해 제 2 알고리즘을 선택할 수 있고, 선택된 제 2 알고리즘을 이용하여 특정 질병에 대해 3년내 발병 가능 여부를 예측하기 위한 제 2 예측 모델을 생성할 수 있다.
이 경우, 서버(1000)는 질병에 따라 필요한 데이터를 선택하여 사용함으로써, 복수의 질병들 각각에 대한 제 2 예측 모델을 생성할 수 있다. 예를 들어, 서버(1000)는 심혈관 질환에 대한 제 2 예측 모델을 생성하는 경우, 병원 기록 정보 중 심혈관 질환과 관련된 데이터를 추출하고, 이를 사용하여 제 2 예측 모델을 생성할 수 있다. 이 경우, 서버(1000)는 데이터를 이용한 학습을 통해 추출할 데이터를 선택할 수 있다,
또한, 서버(1000)는 목적에 따라 필요한 데이터를 선택하여 사용함으로써, 복수의 질병들 각각에 대한 제 2 예측 모델을 생성할 수 있다. 예를 들어, 서버(1000)는 특정 질병에 대해 3년내 발병 가능 여부를 예측하기 위한 제 2 예측 모델을 생성하는 경우, 데이터를 이용한 학습을 통해 추출할 병원 기록 정보를 선택할 수 있고, 선택된 병원 기록 정보를 이용하여 제 2 예측 모델을 생성할 수 있다.
단계 S230에서, 서버(1000)는 생체 정보 서버(4000)로부터 수신한 생체 정보를 이용하여, 복수의 질병들 각각에 대한 제 3 예측 모델을 생성할 수 있다. 이 경우, 서버(1000)는 데이터 가공부(1500)를 통해 생체 정보 서버(1000)로부터 수신한 생체 정보를 가공할 수 있고, 가공된 정보를 이용하여 제 3 예측 모델을 생성할 수 있다.
본 발명의 일 실시예에 따르면, 서버(1000)는 생체 정보 서버(4000)로부터 생체 정보를 수신할 수 있다. 또한, 서버(1000)는 사용자 단말(4200)(예를 들어, 스마트 워치, 스마트 폰, 스마트 팔찌 등의 웨어러블 디바이스 등)로부터 생체 정보를 수신할 수 있다. 생체 정보는 사람들의 생체 활동 및 생체 신호에 대한 정보로서, 운동 정보, 심박정보, 혈당정보, 체온 정보, 체중 정보, 개인 모니터링 정보(예를 들어, 언급한 운동 정보, 심박 정보, 혈당 정보, 체온 정보, 체중 정보 등을 매일 모니터링한 정보)등을 포함할 수 있으며, 이에 한정되지 않는다.
서버(1000)는 생체 정보를 이용하여 제 3 예측 모델을 생성할 수 있으며, 제 3 예측 모델은 다양한 목적을 가질 수 있다.
예를 들어, 제 3 예측 모델은 사용자가 질병 발병 가능자 그룹에 포함될 지 또는 사용자가 정상인 그룹에 포함될 지를 예측하는 목적을 가질 수 있다. 또한, 제 3 예측 모델은 사용자에 대한 특정 질병이 3년내 발병할 것인지, 또는 5년내 발병할 것인지를 예측하는 목적을 가질 수 있다. 또한, 제 2 예측 모델은 특정 질병의 치료에 대한 결과를 예측하는 목적을 가질 수 있으며, 이에 한정되지 않는다.
이 경우, 제 3 예측 모델은 복수의 질병들 각각에 대해 생성될 수 있다. 예를 들어, 서버(1000)는 심혈관 질환에 대한 제 3 예측 모델을 생성할 수 있고, 뇌혈관질환에 대한 제 3 예측 모델을 생성할 수 있고, 당뇨에 대한 제 3 예측 모델을 생성할 수 있고, 암에 대한 제 3 예측 모델을 생성할 수 있으며, 이에 한정되지 않는다.
본 발명의 일 실시예에 따르면, 서버(1000)는 제 3 예측 모델을 다양한 인공지능 알고리즘을 이용하여 생성할 수 있다. 예를 들어, 서버(1000)는 CNN 알고리즘과 RNN 알고리즘의 딥러닝(Deep Learning)을 포함하는 아티피셜 뉴럴 네트워크(Artificial Neural Network), 서포트 벡터 머신(Support Vector Machine), 디시젼 트리(Decision Tree), 랜덤 트리(Random Tree), 랜덤 포레스트(Random Forest)등을 이용하여 제 3 예측 모델을 생성할 수 있으며, 이에 한정되지 않는다.
이 경우, 서버(1000)는 예측 목적에 따라 상이한 알고리즘을 이용하여 제 3 예측 모델을 적용할 수 있고, 서버(1000)는 학습을 통해 특정 목적에 대한 제 3 예측 모델을 생성하는 경우 사용할 알고리즘을 선택할 수 있다.
예를 들어, 서버(1000)는 사용자를 질병 발병 가능 그룹과 정상인 그룹으로 나누기 위한 제 3 예측 모델을 생성하는 경우, 데이터를 이용한 학습을 통해 제 1 알고리즘을 선택할 수 있고, 선택된 제 1 알고리즘을 이용하여 사용자를 질병 발병 가능 그룹과 정상인 그룹으로 나누기 위한 제 3 예측 모델을 생성할 수 있다. 또한, 서버(1000)는 특정 질병에 대해 3년내 발병 가능 여부를 예측하기 위한 제 3 예측 모델을 생성하는 경우, 데이터를 이용한 학습을 통해 제 2 알고리즘을 선택할 수 있고, 선택된 제 2 알고리즘을 이용하여 특정 질병에 대해 3년내 발병 가능 여부를 예측하기 위한 제 3 예측 모델을 생성할 수 있다.
이 경우, 서버(1000)는 질병에 따라 필요한 데이터를 선택하여 사용함으로써, 복수의 질병들 각각에 대한 제 3 예측 모델을 생성할 수 있다. 예를 들어, 서버(1000)는 심혈관 질환에 대한 제 3 예측 모델을 생성하는 경우, 생체 정보 중 심혈관 질환과 관련된 데이터를 추출하고, 이를 사용하여 제 3 예측 모델을 생성할 수 있다. 이 경우, 서버(1000)는 데이터를 이용한 학습을 통해 추출할 데이터를 선택할 수 있다,
또한, 서버(1000)는 목적에 따라 필요한 데이터를 선택하여 사용함으로써, 복수의 질병들 각각에 대한 제 3 예측 모델을 생성할 수 있다. 예를 들어, 서버(1000)는 특정 질병에 대해 3년내 발병 가능 여부를 예측하기 위한 제 3 예측 모델을 생성하는 경우, 데이터를 이용한 학습을 통해 추출할 생체 정보를 선택할 수 있고, 선택된 생체 정보를 이용하여 제 3 예측 모델을 생성할 수 있다.
단계 S240에서, 서버(1000)는 유전체 정보 서버(5000)로부터 수신한 유전체 정보를 이용하여, 복수의 질병들 각각에 대한 제 4 예측 모델을 생성할 수 있다. 이 경우, 서버(1000)는 데이터 가공부(1500)를 통해 유전체 정보 서버(1000)로부터 수신한 유전체 정보를 가공할 수 있고, 가공된 정보를 이용하여 제 4 예측 모델을 생성할 수 있다.
본 발명의 일 실시예에 따르면, 서버(1000)는 유전체 정보 서버(5000)로부터 유전체 정보를 수신할 수 있다. 유전체 정보는 사람들의 유전자에 대한 정보를 의미하는 것으로, 유전적 변이 정보를 포함할 수 있다.
서버(1000)는 유전체 정보를 이용하여 제 4 예측 모델을 생성할 수 있으며, 제 4 예측 모델은 다양한 목적을 가질 수 있다.
예를 들어, 제 4 예측 모델은 사용자가 질병 발병 가능자 그룹에 포함될 지 또는 사용자가 정상인 그룹에 포함될 지를 예측하는 목적을 가질 수 있다. 또한, 제 4 예측 모델은 사용자에 대한 특정 질병이 3년내 발병할 것인지, 또는 5년내 발병할 것인지를 예측하는 목적을 가질 수 있다. 또한, 제 4 예측 모델은 특정 질병의 치료에 대한 결과를 예측하는 목적을 가질 수 있으며, 이에 한정되지 않는다.
이 경우, 제 4 예측 모델은 복수의 질병들 각각에 대해 생성될 수 있다. 예를 들어, 서버(1000)는 심혈관 질환에 대한 제 4 예측 모델을 생성할 수 있고, 뇌혈관질환에 대한 제 4 예측 모델을 생성할 수 있고, 당뇨에 대한 제 4 예측 모델을 생성할 수 있고, 암에 대한 제 4 예측 모델을 생성할 수 있으며, 이에 한정되지 않는다.
본 발명의 일 실시예에 따르면, 서버(1000)는 제 4 예측 모델을 다양한 인공지능 알고리즘을 이용하여 생성할 수 있다. 예를 들어, 서버(1000)는 CNN 알고리즘과 RNN 알고리즘의 딥러닝(Deep Learning)을 포함하는 아티피셜 뉴럴 네트워크(Artificial Neural Network), 서포트 벡터 머신(Support Vector Machine), 디시젼 트리(Decision Tree), 랜덤 트리(Random Tree), 랜덤 포레스트(Random Forest)등을 이용하여 제 2 예측 모델을 생성할 수 있으며, 이에 한정되지 않는다.
이 경우, 서버(1000)는 예측 목적에 따라 상이한 알고리즘을 이용하여 제 4 예측 모델을 적용할 수 있고, 서버(1000)는 학습을 통해 특정 목적에 대한 제 4 예측 모델을 생성하는 경우 사용할 알고리즘을 선택할 수 있다.
예를 들어, 서버(1000)는 사용자를 질병 발병 가능 그룹과 정상인 그룹으로 나누기 위한 제 4 예측 모델을 생성하는 경우, 데이터를 이용한 학습을 통해 제 1 알고리즘을 선택할 수 있고, 선택된 제 1 알고리즘을 이용하여 사용자를 질병 발병 가능 그룹과 정상인 그룹으로 나누기 위한 제 4 예측 모델을 생성할 수 있다. 또한, 서버(1000)는 특정 질병에 대해 3년내 발병 가능 여부를 예측하기 위한 제 4 예측 모델을 생성하는 경우, 데이터를 이용한 학습을 통해 제 2 알고리즘을 선택할 수 있고, 선택된 제 2 알고리즘을 이용하여 특정 질병에 대해 3년내 발병 가능 여부를 예측하기 위한 제 4 예측 모델을 생성할 수 있다.
이 경우, 서버(1000)는 질병에 따라 필요한 데이터를 선택하여 사용함으로써, 복수의 질병들 각각에 대한 제 4 예측 모델을 생성할 수 있다. 예를 들어, 서버(1000)는 심혈관 질환에 대한 제 4 예측 모델을 생성하는 경우, 유전체 정보 중 심혈관 질환과 관련된 데이터를 추출하고, 이를 사용하여 제 4 예측 모델을 생성할 수 있다. 이 경우, 서버(1000)는 데이터를 이용한 학습을 통해 추출할 데이터를 선택할 수 있다,
또한, 서버(1000)는 목적에 따라 필요한 데이터를 선택하여 사용함으로써, 복수의 질병들 각각에 대한 제 4 예측 모델을 생성할 수 있다. 예를 들어, 서버(1000)는 특정 질병에 대해 3년내 발병 가능 여부를 예측하기 위한 제 4 예측 모델을 생성하는 경우, 데이터를 이용한 학습을 통해 추출할 유전체 정보를 선택할 수 있고, 선택된 병원 기록 정보를 이용하여 제 4 예측 모델을 생성할 수 있다.
단계 S250에서, 서버(1000)는 제 1 예측 모델, 제 2 예측 모델, 제 3 예측 모델 및 제 4 예측 모델 중 적어도 하나의 결과 데이터를 이용하여, 최종 질병 예측 모델을 생성할 수 있다. 이 경우, 서버(1000)는 데이터 가공부(1500)를 통해 제 1 예측 모델, 제 2 예측 모델, 제 3 예측 모델 및 제 4 예측 모델 중 적어도 하나의 결과 데이터를 가공할 수 있고, 가공된 정보를 이용하여 제 최종 질병 예측 모델을 생성할 수 있다.
본 발명의 일 실시예에 따르면, 제 1 예측 모델, 제 2 예측 모델, 제 3 예측 모델 및 제 4 예측 모델 중 적어도 하나의 결과 데이터를 이용한 학습 결과에 따라, 예측 모델들 각각에 대해 상이한 가중치를 적용하는 최종 질병 예측 모델을 생성할 수 있다. 이 경우, 복수의 질병들 각각에 대해 가중치는 상이할 수 있다. 또한, 예측 모델들 각각의 목적에 따라 가중치는 상이할 수 있다.
예를 들어, 예측 모델들의 심혈관 질환에 대한 가중치는 예측 모델들의 뇌졸중 질환에 대한 가중치와 상이할 수 있다. 또한, 질병 발병 가능 그룹과 정상인 그룹을 분류하는 목적의 예측 모델들에 대한 가중치와, 3년내 발병 가능성을 예측하는 목적의 예측 모델들에 대한 가중치는 상이할 수 있다.
서버(1000)는 최종 질병 예측 모델을 다양한 인공지능 알고리즘을 이용하여 생성할 수 있다. 예를 들어, 서버(1000)는 CNN 알고리즘과 RNN 알고리즘의 딥러닝(Deep Learning)을 포함하는 아티피셜 뉴럴 네트워크(Artificial Neural Network), 서포트 벡터 머신(Support Vector Machine), 디시젼 트리(Decision Tree), 랜덤 트리(Random Tree), 랜덤 포레스트(Random Forest)등을 이용하여 최종 질병 예측 모델을 생성할 수 있으며, 이에 한정되지 않는다.
본 발명의 일 실시예에 따르면, 서버(1000)는 병렬적으로 제 1 예측 모델, 제 2 예측 모델, 제 3 예측 모델 및 제 4 예측 모델을 생성할 수 있다. 또한, 서버(1000)는 병렬적으로 제 1 예측 결과, 제 2 예측 결과, 제 3 예측 결과 및 제 4 예측 결과를 생성할 수 있다.
도 5 는 본 발명의 일 실시예에 따른 서버(1000)가 생성된 예측 모델들을 이용하여, 예측 결과를 생성하는 방법을 설명하기 위한 도면이다.
단계 S310에서, 서버(1000)는 사용자의 건강 정보를 이용하여, 미리 결정된 목적에 대한 제 1 예측 결과를 생성할 수 있다.이 경우, 서버(1000)는 생성된 제 1 예측 모델에 사용자의 건강 정보를 적용함으로써, 제 1 예측 결과를 생성할 수 있다.
미리 결정된 목적은 다양한 목적을 포함할 수 있으며 하나 이상의 조함된 목적도 가능하다. 예를 들어, 미리 결정된 목적은 사용자의 미래 발병 가능한 질병에 대한 예측, 사용자의 치료 경과에 대한 예측, 특정 질병이 사용자에게 발병할 확률에 대한 예측 등을 포함할 수 있으며, 이에 한정되지 않는다.
단계 S320에서, 서버(1000)는 사용자의 의료 기록 정보를 이용하여, 미리 결정된 목적에 대한 제 2 예측 결과를 생성할 수 있다. 이 경우, 서버(1000)는 생성된 제 2 예측 모델에 사용자의 의료 기록 정보를 적용함으로써, 제 2 예측 결과를 생성할 수 있다.
단계 S330에서, 서버(1000)는 사용자의 생체 정보를 이용하여, 미리 결정된 목적에 대한 제 3 예측 결과를 생성할 수 있다. 이 경우, 서버(1000)는 생성된 제 3 예측 모델에 사용자의 생체 정보를 적용함으로써, 제 3 예측 결과를 생성할 수 있다.
단계 S340에서, 서버(1000)는 사용자의 유전체 정보를 이용하여, 미리 결정된 목적에 대한 제 4 예측 결과를 생성할 수 있다. 이 경우, 서버(1000)는 생성된 제 4 예측 모델에 사용자의 유전체 정보를 적용함으로써, 제 4 예측 결과를 생성할 수 있다.
단계 S350에서, 서버(1000)는 제 1 예측 결과, 제 2 예측 결과, 제 3 예측 결과 및 제 4 예측 결과 중 적어도 하나를 이용하여, 최종 질병 예측 결과를 생성할 수 있다. 예를 들어, 서버(1000)는 최종 질병 예측 모델에 제 1 예측 결과, 제2 예측 결과, 제 3 예측 결과 및 제 4 예측 결과 중 적어도 하나를 적용함으로써, 최종 질병 예측 결과를 생성할 수 있다.
단계 S360에서, 서버(1000)는 최종 질병 예측 결과에 기초하여, 사용자에게 질병 예측 서비스를 제공할 수 있다.
최종 질병 예측 결과는 미리 결정된 목적에 따라 다양한 형태를 포함할 수 있다. 예를 들어, 최종 질병 예측 결과는 복수의 질병들 각각이 사용자에게 발병할 확률을 포함할 수 있다. 또한, 최종 질병 예측 결과는 사용자의 치료 경과 예측 정보를 포함할 수 있으며, 이에 한정되지 않는다.
본 발명의 일 실시예에 따르면, 서버(1000)는 최종 질병 예측 결과에 포함된 복수의 질병들 각각이 사용자에게 발병할 확률을 사용자에게 제공할 수 있다. 또한, 서버(1000)는 복수의 질병들 사용자에게 발병할 확률이 미리 결정된 임계값 이상인 질병들을 결정할 수 있고, 결정된 질병들에 대한 정보를 사용자에게 제공할 수 있다.
이 경우, 제공 되는 정보는 질병의 명칭, 질병의 위험도, 질병의 치료 방법, 질병을 전문적으로 취급하는 병원 정보, 질병의 발병을 방지할 수 있는 방법, 질병의 발병을 방지할 수 있는 음식 정보, 질병을 방지하기 위한 생활 습관, 질병을 방지하기 위한 운동 습관, 질병이 발병한 경우의 사망률, 질병이 발병하는 경우 발생되는 신체의 변화 등을 포함할 수 있으며, 이에 한정되지 않는다.
도 6 은 본 발명의 일 실시예에 따른 서버(1000)의 구성요소들을 설명하기 위한 도면이다.
본 발명의 일 실시예에 따르면, 서버(1000)는 마이크로프로세서, 메인프레임 컴퓨터, 디지털 싱글 프로세서, 휴대용 디바이스 및 디바이스 제어기 등과 같은 임의의 타입의 컴퓨터 시스템 또는 컴퓨터 디바이스로 구현될 수 있다.
본 발명의 일 실시예에 따르면, 건강 검진 정보 서버(2000)는 건강 검진 정보를 저장할 수 있다. 예를 들어, 검진 기본 정보인 나이, 성별, 흡연여부, 혈압, 혈당 등의 정보를 저장할 수 있다.
본 발명의 일 실시예에 따르면, 병원 정보 서버(3000)는 의료 기록 정보를 저장할 수 있다. 예를 들어, 병원 정보 서버(3000)는 CT 데이터, MRI데이터, 랩 데이터, 질환 내역 데이터, 질환 빈도 데이터 등을 포함할 수 있다.
본 발명의 일 실시예에 따르면, 생체 정보 서버(4000)는 생체 정보를 포함할 수 있다. 예를 들어, 생체 정보 서버(4000)는 운동 정보, 심박정보, 혈당정보, 체온 정보, 체중 정보, 개인 모니터링 정보(예를 들어, 언급한 운동 정보, 심박 정보, 혈당 정보, 체온 정보, 체중 정보 등을 매일 모니터링한 정보)등을 포함할 수 있으며, 이에 한정되지 않는다.
본 발명의 일 실시예에 따르면, 유전체 정보 서버(5000)는 유전체 정보를 포함할 수 있다. 예를 들어, 유전체 정보 서버(5000)는 사람들의 유전자에 대한 정보, 유전적 변이 정보 등을 포함할 수 있다.
본 발명의 일 실시예에 따르면, 서버(1000)는 통신부(1200), 저장부(1300), 제어부(1400), 예측 모듈(1100), 질병 예측 서비스 제공부(1420) 및 데이터 가공부(1500)를 포함할 수 있다. 또한, 예측 모듈(1100)은 제 1 예측 모듈(1110), 제 2 예측 모듈(1120), 제 3 예측 모듈(1130), 제 4 예측 모듈(1140) 및 최종 질병 예측 모듈(1150)을 포함할 수 있고, 제어부(1400)는 질병 예측 서비스 제공부(1420)를 포함할 수 있다.
데이터 가공부(1500)의 자세한 기능에 대해서는, 도 3에서 전술한 바 있다.
통신부(1200)는 네트워크 접속을 위한 유/무선 인터넷 모듈을 포함할 수 있다. 무선 인터넷 기술로는 WLAN(Wireless LAN)(Wi-Fi), Wibro(Wireless broadband), Wimax(World Interoperability for Microwave Access), HSDPA(High Speed Downlink Packet Access) 등이 이용될 수 있다. 유선 인터넷 기술로는 XDSL(Digital Subscriber Line), FTTH(Fibers to the home), PLC(Power Line Communication) 등이 이용될 수 있다.
또한, 통신부(1200)는 근거리 통신부를 포함한 전자 장치와 데이터를 송수신할 수 있다. 근거리 통신(short range communication) 기술로 블루투스(Bluetooth), RFID(Radio Frequency Identification), 적외선 통신(IrDA, infrared Data Association), UWB(Ultra Wideband), ZigBee 등이 이용될 수 있다.
저장부(1300)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 또한, 서버(1000)는 인터넷(internet) 상에서 상기 저장부(1300)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다.
제어부(1400)는 ASICs (application specific integrated circuits), DSPs (digital signal processors), DSPDs (digital signal processing devices), PLDs (programmable logic devices), FPGAs (field programmable gate arrays, 프로세서(processors), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세서(microprocessors), 기타 기능 수행을 위한 전기적인 유닛 중 적어도 하나를 이용하여 구현될 수 있으며, 이에 한정되지 않는다.
또한, 예측 모듈(1100)은 ASICs (application specific integrated circuits), DSPs (digital signal processors), DSPDs (digital signal processing devices), PLDs (programmable logic devices), FPGAs (field programmable gate arrays, 프로세서(processors), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세서(microprocessors), 기타 기능 수행을 위한 전기적인 유닛 중 적어도 하나를 이용하여 구현될 수 있으며, 이에 한정되지 않는다.
또한, 예측 모듈(1100)에 포함된 제 1 예측 모델 생성부(1112), 제 1 예측부(1114), 제 2 예측 모델 생성부(1122), 제 2 예측부(1124), 제 3 예측 모델 생성부(1132), 제 3 예측부(1134), 제 4 예측 모델 생성부(1142), 제 4 예측부(1144), 최종 질병 예측부(1154) 및 최종 질병 예측 모델 생성부(1152)도 ASICs (application specific integrated circuits), DSPs (digital signal processors), DSPDs (digital signal processing devices), PLDs (programmable logic devices), FPGAs (field programmable gate arrays, 프로세서(processors), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세서(microprocessors), 기타 기능 수행을 위한 전기적인 유닛 중 적어도 하나를 이용하여 구현될 수 있으며, 이에 한정되지 않는다.
본 발명의 일 실시예에 따르면, 제 1 예측 모듈(1110)은 제 1 예측 모델 생성부(1112) 및 제 1 예측부(1114)를 포함할 수 있다. 또한, 제 2 예측 모듈(1120)은 제 2 예측 모델 생성부(1122) 및 제 2 예측부(1124)를 포함할 수 있고, 제 3 예측 모듈(1130)은 제 3 예측 모델 생성부(1132) 및 제 3 예측부(1134)를 포함할 수 있으며, 제 4 예측 모듈(1140)은 제 4 예측 모델 생성부(1142) 및 제 4 예측부(1144)를 포함할 수 있고, 최종 질병 예측 모듈(1150) 최종 질병 예측 모델 생성부(1152) 및 최종 질병 예측부(1154)를 포함할 수 있다.
본 발명의 일 실시예에 따르면, 제 1 예측 모델 생성부(1112)는 건강 검진 정보 서버(2000)로부터 건강 정보를 수신할 수 있다. 건강 정보는 사람들이 건강 검진을 받음으로써 저장되는 정보로서, 나이, 성별, 흡연여부, 혈압, 혈당 등을 포함할 수 있다.
제 1 예측 모델 생성부(1112)는 건강 정보를 이용하여 제 1 예측 모델을 생성할 수 있으며, 제 1 예측 모델은 다양한 목적을 가질 수 있다. 이 경우, 제 1 예측 모델은 복수의 질병들 각각에 대해 생성될 수 있다. 예를 들어, 제 1 예측 모델 생성부(1112)는 심혈관 질환에 대한 제 1 예측 모델을 생성할 수 있고, 뇌혈관질환에 대한 제 1 예측 모델을 생성할 수 있고, 당뇨에 대한 제 1 예측 모델을 생성할 수 있고, 암에 대한 제 1 예측 모델을 생성할 수 있으며, 이에 한정되지 않는다.
본 발명의 일 실시예에 따르면, 서버(1000)는 제 1 예측 모델 생성부(1112)는 다양한 인공지능 알고리즘을 이용하여 생성할 수 있다. 예를 들어, 제 1 예측 모델 생성부(1112)는 CNN 알고리즘과 RNN 알고리즘의 딥러닝(Deep Learning)을 포함하는 아티피셜 뉴럴 네트워크(Artificial Neural Network), 서포트 벡터 머신(Support Vector Machine), 디시젼 트리(Decision Tree), 랜덤 트리(Random Tree), 랜덤 포레스트(Random Forest)등을 이용하여 제 1 예측 모델을 생성할 수 있으며, 이에 한정되지 않는다.
이 경우, 제 1 예측 모델 생성부(1112)는 예측 목적에 따라 상이한 알고리즘을 이용하여 제 1 예측 모델을 적용할 수 있고, 제 1 예측 모델 생성부(1112)는 학습을 통해 특정 목적에 대한 제 1 예측 모델을 생성하는 경우 사용할 알고리즘을 선택할 수 있다.
예를 들어, 제 1 예측 모델 생성부(1112)는 사용자를 질병 발병 가능 그룹과 정상인 그룹으로 나누기 위한 제 1 예측 모델을 생성하는 경우, 데이터를 이용한 학습을 통해 제 1 알고리즘을 선택할 수 있고, 선택된 제 1 알고리즘을 이용하여 사용자를 질병 발병 가능 그룹과 정상인 그룹으로 나누기 위한 제 1 예측 모델을 생성할 수 있다. 또한, 제 1 예측 모델 생성부(1112)는 특정 질병에 대해 3년내 발병 가능 여부를 예측하기 위한 제 1 예측 모델을 생성하는 경우, 데이터를 이용한 학습을 통해 제 2 알고리즘을 선택할 수 있고, 선택된 제 2 알고리즘을 이용하여 특정 질병에 대해 3년내 발병 가능 여부를 예측하기 위한 제 1 예측 모델을 생성할 수 있다.
이 경우, 제 1 예측 모델 생성부(1112)는 질병에 따라 필요한 데이터를 선택하여 사용함으로써, 복수의 질병들 각각에 대한 제 1 예측 모델을 생성할 수 있다. 예를 들어, 제 1 예측 모델 생성부(1112)는 심혈관 질환에 대한 제 1 예측 모델을 생성하는 경우, 건강 정보 중 심혈관 질환과 관련된 데이터를 추출하고, 이를 사용하여 제 1 예측 모델을 생성할 수 있다. 이 경우, 제 1 예측 모델 생성부(1112)는 데이터를 이용한 학습을 통해 추출할 데이터를 선택할 수 있다,
또한, 제 1 예측 모델 생성부(1112)는 목적에 따라 필요한 데이터를 선택하여 사용함으로써, 복수의 질병들 각각에 대한 제 1 예측 모델을 생성할 수 있다. 예를 들어, 제 1 예측 모델 생성부(1112)는 특정 질병에 대해 3년내 발병 가능 여부를 예측하기 위한 제 1 예측 모델을 생성하는 경우, 데이터를 이용한 학습을 통해 추출할 건강 정보를 선택할 수 있고, 선택된 건강 정보를 이용하여 제 1 예측 모델을 생성할 수 있다.
본 발명의 일 실시예에 따르면, 서버(1000)는 병원 정보 서버(3000)로부터 의료 기록 정보를 수신할 수 있다. 의료 기록 정보는 사람들이 병원을 이용하면서 저장되는 정보로서, CT 데이터, MRI 데이터, 랩 데이터, 질병 내역 데이터, 발병 빈도 데이터 등을 포함할 수 있다.
제 2 예측 모델 생성부(1122)는 의료 기록 정보를 이용하여 제 2 예측 모델을 생성할 수 있으며, 제 2 예측 모델은 다양한 목적을 가질 수 있다. 이 경우, 제 2 예측 모델은 복수의 질병들 각각에 대해 생성될 수 있다. 예를 들어, 제 2 예측 모델 생성부(1122)는 심혈관 질환에 대한 제 2 예측 모델을 생성할 수 있고, 뇌혈관질환에 대한 제 2 예측 모델을 생성할 수 있고, 당뇨에 대한 제 2 예측 모델을 생성할 수 있고, 암에 대한 제 2 예측 모델을 생성할 수 있으며, 이에 한정되지 않는다.
본 발명의 일 실시예에 따르면, 제 2 예측 모델 생성부(1122)는 제 2 예측 모델을 다양한 인공지능 알고리즘을 이용하여 생성할 수 있다. 예를 들어, 서버(1000)는 CNN 알고리즘과 RNN 알고리즘의 딥러닝(Deep Learning)을 포함하는 아티피셜 뉴럴 네트워크(Artificial Neural Network), 서포트 벡터 머신(Support Vector Machine), 디시젼 트리(Decision Tree), 랜덤 트리(Random Tree), 랜덤 포레스트(Random Forest)등을 이용하여 제 2 예측 모델을 생성할 수 있으며, 이에 한정되지 않는다.
이 경우, 제 2 예측 모델 생성부(1122)는 예측 목적에 따라 상이한 알고리즘을 이용하여 제 2 예측 모델을 적용할 수 있고, 제 2 예측 모델 생성부(1122)는 학습을 통해 특정 목적에 대한 제 2 예측 모델을 생성하는 경우 사용할 알고리즘을 선택할 수 있다.
예를 들어, 제 2 예측 모델 생성부(1122)는 사용자를 질병 발병 가능 그룹과 정상인 그룹으로 나누기 위한 제 2 예측 모델을 생성하는 경우, 데이터를 이용한 학습을 통해 제 1 알고리즘을 선택할 수 있고, 선택된 제 1 알고리즘을 이용하여 사용자를 질병 발병 가능 그룹과 정상인 그룹으로 나누기 위한 제 2 예측 모델을 생성할 수 있다. 또한, 제 2 예측 모델 생성부(1122)는 특정 질병에 대해 3년내 발병 가능 여부를 예측하기 위한 제 2 예측 모델을 생성하는 경우, 데이터를 이용한 학습을 통해 제 2 알고리즘을 선택할 수 있고, 선택된 제 2 알고리즘을 이용하여 특정 질병에 대해 3년내 발병 가능 여부를 예측하기 위한 제 2 예측 모델을 생성할 수 있다.
이 경우, 제 2 예측 모델 생성부(1122)는 질병에 따라 필요한 데이터를 선택하여 사용함으로써, 복수의 질병들 각각에 대한 제 2 예측 모델을 생성할 수 있다. 예를 들어, 서버(1000)는 심혈관 질환에 대한 제 2 예측 모델을 생성하는 경우, 병원 기록 정보 중 심혈관 질환과 관련된 데이터를 추출하고, 이를 사용하여 제 2 예측 모델을 생성할 수 있다. 이 경우, 제 2 예측 모델 생성부(1122)는 데이터를 이용한 학습을 통해 추출할 데이터를 선택할 수 있다,
또한, 제 2 예측 모델 생성부(1122)는 목적에 따라 필요한 데이터를 선택하여 사용함으로써, 복수의 질병들 각각에 대한 제 2 예측 모델을 생성할 수 있다. 예를 들어, 제 2 예측 모델 생성부(1122)는 특정 질병에 대해 3년내 발병 가능 여부를 예측하기 위한 제 2 예측 모델을 생성하는 경우, 데이터를 이용한 학습을 통해 추출할 병원 기록 정보를 선택할 수 있고, 선택된 병원 기록 정보를 이용하여 제 2 예측 모델을 생성할 수 있다.
본 발명의 일 실시예에 따르면, 서버(1000)는 생체 정보 서버(4000)로부터 생체 정보를 수신할 수 있다. 또한, 서버(1000)는 사용자 단말(4200)(예를 들어, 스마트 워치, 스마트 폰, 스마트 팔찌 등의 웨어러블 디바이스 등)로부터 생체 정보를 수신할 수 있다. 생체 정보는 사람들의 생체 활동 및 생체 신호에 대한 정보로서, 운동 정보, 심박정보, 혈당정보, 체온 정보, 체중 정보, 개인 모니터링 정보(예를 들어, 언급한 운동 정보, 심박 정보, 혈당 정보, 체온 정보, 체중 정보 등을 매일 모니터링한 정보)등을 포함할 수 있으며, 이에 한정되지 않는다.
제 3 예측 모델 생성부(1132)는 생체 정보를 이용하여 제 3 예측 모델을 생성할 수 있으며, 제 3 예측 모델은 다양한 목적을 가질 수 있다. 이 경우, 제 3 예측 모델은 복수의 질병들 각각에 대해 생성될 수 있다. 예를 들어, 제 3 예측 모델 생성부(1132)는 심혈관 질환에 대한 제 3 예측 모델을 생성할 수 있고, 뇌혈관질환에 대한 제 3 예측 모델을 생성할 수 있고, 당뇨에 대한 제 3 예측 모델을 생성할 수 있고, 암에 대한 제 3 예측 모델을 생성할 수 있으며, 이에 한정되지 않는다.
본 발명의 일 실시예에 따르면, 제 3 예측 모델 생성부(1132)는 제 3 예측 모델을 다양한 인공지능 알고리즘을 이용하여 생성할 수 있다. 예를 들어, 서버(1000)는 CNN 알고리즘과 RNN 알고리즘의 딥러닝(Deep Learning)을 포함하는 아티피셜 뉴럴 네트워크(Artificial Neural Network), 서포트 벡터 머신(Support Vector Machine), 디시젼 트리(Decision Tree), 랜덤 트리(Random Tree), 랜덤 포레스트(Random Forest)등을 이용하여 제 3 예측 모델을 생성할 수 있으며, 이에 한정되지 않는다.
이 경우, 제 3 예측 모델 생성부(1132)는 예측 목적에 따라 상이한 알고리즘을 이용하여 제 3 예측 모델을 적용할 수 있고, 제 3 예측 모델 생성부(1132)는 학습을 통해 특정 목적에 대한 제 3 예측 모델을 생성하는 경우 사용할 알고리즘을 선택할 수 있다.
예를 들어, 제 3 예측 모델 생성부(1132)는 사용자를 질병 발병 가능 그룹과 정상인 그룹으로 나누기 위한 제 3 예측 모델을 생성하는 경우, 데이터를 이용한 학습을 통해 제 1 알고리즘을 선택할 수 있고, 선택된 제 1 알고리즘을 이용하여 사용자를 질병 발병 가능 그룹과 정상인 그룹으로 나누기 위한 제 3 예측 모델을 생성할 수 있다. 또한, 제 3 예측 모델 생성부(1132)는 특정 질병에 대해 3년내 발병 가능 여부를 예측하기 위한 제 3 예측 모델을 생성하는 경우, 데이터를 이용한 학습을 통해 제 2 알고리즘을 선택할 수 있고, 선택된 제 2 알고리즘을 이용하여 특정 질병에 대해 3년내 발병 가능 여부를 예측하기 위한 제 3 예측 모델을 생성할 수 있다.
이 경우, 제 3 예측 모델 생성부(1132)는 질병에 따라 필요한 데이터를 선택하여 사용함으로써, 복수의 질병들 각각에 대한 제 3 예측 모델을 생성할 수 있다. 예를 들어, 제 3 예측 모델 생성부(1132)는 심혈관 질환에 대한 제 3 예측 모델을 생성하는 경우, 생체 정보 중 심혈관 질환과 관련된 데이터를 추출하고, 이를 사용하여 제 3 예측 모델을 생성할 수 있다. 이 경우, 제 3 예측 모델 생성부(1132)는 데이터를 이용한 학습을 통해 추출할 데이터를 선택할 수 있다,
또한, 제 3 예측 모델 생성부(1132)는 목적에 따라 필요한 데이터를 선택하여 사용함으로써, 복수의 질병들 각각에 대한 제 3 예측 모델을 생성할 수 있다. 예를 들어, 제 3 예측 모델 생성부(1132)는 특정 질병에 대해 3년내 발병 가능 여부를 예측하기 위한 제 3 예측 모델을 생성하는 경우, 데이터를 이용한 학습을 통해 추출할 생체 정보를 선택할 수 있고, 선택된 생체 정보를 이용하여 제 3 예측 모델을 생성할 수 있다.
본 발명의 일 실시예에 따르면, 제 4 예측 모델 생성부(1142)는 유전체 정보 서버(5000)로부터 유전체 정보를 수신할 수 있다. 유전체 정보는 사람들의 유전자에 대한 정보를 의미하는 것으로, 유전적 변이 정보를 포함할 수 있다.
제 4 예측 모델 생성부(1142)는 유전체 정보를 이용하여 제 4 예측 모델을 생성할 수 있으며, 제 4 예측 모델은 다양한 목적을 가질 수 있다. 이 경우, 제 4 예측 모델은 복수의 질병들 각각에 대해 생성될 수 있다. 예를 들어, 제 4 예측 모델 생성부(1142)는 심혈관 질환에 대한 제 4 예측 모델을 생성할 수 있고, 뇌혈관질환에 대한 제 4 예측 모델을 생성할 수 있고, 당뇨에 대한 제 4 예측 모델을 생성할 수 있고, 암에 대한 제 4 예측 모델을 생성할 수 있으며, 이에 한정되지 않는다.
본 발명의 일 실시예에 따르면, 제 4 예측 모델 생성부(1142)는 제 4 예측 모델을 다양한 인공지능 알고리즘을 이용하여 생성할 수 있다. 예를 들어, 제 4 예측 모델 생성부(1142)는 CNN 알고리즘과 RNN 알고리즘의 딥러닝(Deep Learning)을 포함하는 아티피셜 뉴럴 네트워크(Artificial Neural Network), 서포트 벡터 머신(Support Vector Machine), 디시젼 트리(Decision Tree), 랜덤 트리(Random Tree), 랜덤 포레스트(Random Forest)등을 이용하여 제 2 예측 모델을 생성할 수 있으며, 이에 한정되지 않는다.
이 경우, 제 4 예측 모델 생성부(1142)는 예측 목적에 따라 상이한 알고리즘을 이용하여 제 4 예측 모델을 적용할 수 있고, 제 4 예측 모델 생성부(1142)는 학습을 통해 특정 목적에 대한 제 4 예측 모델을 생성하는 경우 사용할 알고리즘을 선택할 수 있다.
예를 들어, 제 4 예측 모델 생성부(1142)는 사용자를 질병 발병 가능 그룹과 정상인 그룹으로 나누기 위한 제 4 예측 모델을 생성하는 경우, 데이터를 이용한 학습을 통해 제 1 알고리즘을 선택할 수 있고, 선택된 제 1 알고리즘을 이용하여 사용자를 질병 발병 가능 그룹과 정상인 그룹으로 나누기 위한 제 4 예측 모델을 생성할 수 있다. 또한, 제 4 예측 모델 생성부(1142)는 특정 질병에 대해 3년내 발병 가능 여부를 예측하기 위한 제 4 예측 모델을 생성하는 경우, 데이터를 이용한 학습을 통해 제 2 알고리즘을 선택할 수 있고, 선택된 제 2 알고리즘을 이용하여 특정 질병에 대해 3년내 발병 가능 여부를 예측하기 위한 제 4 예측 모델을 생성할 수 있다.
이 경우, 제 4 예측 모델 생성부(1142)는 질병에 따라 필요한 데이터를 선택하여 사용함으로써, 복수의 질병들 각각에 대한 제 4 예측 모델을 생성할 수 있다. 예를 들어, 제 4 예측 모델 생성부(1142)는 심혈관 질환에 대한 제 4 예측 모델을 생성하는 경우, 유전체 정보 중 심혈관 질환과 관련된 데이터를 추출하고, 이를 사용하여 제 4 예측 모델을 생성할 수 있다. 이 경우, 제 4 예측 모델 생성부(1142)는 데이터를 이용한 학습을 통해 추출할 데이터를 선택할 수 있다,
또한, 제 4 예측 모델 생성부(1142)는 목적에 따라 필요한 데이터를 선택하여 사용함으로써, 복수의 질병들 각각에 대한 제 4 예측 모델을 생성할 수 있다. 예를 들어, 제 4 예측 모델 생성부(1142)는 특정 질병에 대해 3년내 발병 가능 여부를 예측하기 위한 제 4 예측 모델을 생성하는 경우, 데이터를 이용한 학습을 통해 추출할 유전체 정보를 선택할 수 있고, 선택된 병원 기록 정보를 이용하여 제 4 예측 모델을 생성할 수 있다.
본 발명의 일 실시예에 따르면, 최종 질병 예측 모델 생성부(1152)는 제 1 예측 모델, 제 2 예측 모델, 제 3 예측 모델 및 제 4 예측 모델 중 적어도 하나의 결과 데이터를 이용한 학습 결과에 따라, 예측 모델들 각각에 대해 상이한 가중치를 적용하는 최종 질병 예측 모델을 생성할 수 있다. 이 경우, 복수의 질병들 각각에 대해 가중치는 상이할 수 있다. 또한, 예측 모델들 각각의 목적에 따라 가중치는 상이할 수 있다.
예를 들어, 예측 모델들의 심혈관 질환에 대한 가중치는 예측 모델들의 뇌졸중 질환에 대한 가중치와 상이할 수 있다. 또한, 질병 발병 가능 그룹과 정상인 그룹을 분류하는 목적의 예측 모델들에 대한 가중치와, 3년내 발병 가능성을 예측하는 목적의 예측 모델들에 대한 가중치는 상이할 수 있다.
최종 질병 예측 모델 생성부(1152)는 최종 질병 예측 모델을 다양한 인공지능 알고리즘을 이용하여 생성할 수 있다. 예를 들어, 서버(1000)는 CNN 알고리즘과 RNN 알고리즘의 딥러닝(Deep Learning)을 포함하는 아티피셜 뉴럴 네트워크(Artificial Neural Network), 서포트 벡터 머신(Support Vector Machine), 디시젼 트리(Decision Tree), 랜덤 트리(Random Tree), 랜덤 포레스트(Random Forest)등을 이용하여 최종 질병 예측 모델을 생성할 수 있으며, 이에 한정되지 않는다.
제 1 예측부(1114)는 사용자의 건강 정보를 이용하여, 미리 결정된 목적에 대한 제 1 예측 결과를 생성할 수 있다. 이 경우, 제 1 예측부(1114)는 생성된 제 1 예측 모델에 사용자의 건강 정보를 적용함으로써, 제 1 예측 결과를 생성할 수 있다.
미리 결정된 목적은 다양한 목적을 포함할 수 있으며 하나 이상의 조함된 목적도 가능하다. 예를 들어, 미리 결정된 목적은 사용자의 미래 발병 가능한 질병에 대한 예측, 사용자의 치료 경과에 대한 예측, 특정 질병이 사용자에게 발병할 확률에 대한 예측 등을 포함할 수 있으며, 이에 한정되지 않는다.
제 2 예측부(1124)는 사용자의 의료 기록 정보를 이용하여, 미리 결정된 목적에 대한 제 2 예측 결과를 생성할 수 있다. 이 경우, 제 2 예측부(1124)는 생성된 제 2 예측 모델에 사용자의 의료 기록 정보를 적용함으로써, 제 2 예측 결과를 생성할 수 있다.
제 3 예측부(1134)는 사용자의 생체 정보를 이용하여, 미리 결정된 목적에 대한 제 3 예측 결과를 생성할 수 있다. 이 경우, 제 3 예측부(1134)는 생성된 제 3 예측 모델에 사용자의 생체 정보를 적용함으로써, 제 3 예측 결과를 생성할 수 있다.
제 4 예측부(1144)는 사용자의 유전체 정보를 이용하여, 미리 결정된 목적에 대한 제 4 예측 결과를 생성할 수 있다. 이 경우, 제 4 예측부(1144)는 생성된 제 4 예측 모델에 사용자의 유전체 정보를 적용함으로써, 제 4 예측 결과를 생성할 수 있다.
최종 질병 예측부(1154)는 제 1 예측 결과, 제 2 예측 결과, 제 3 예측 결과 및 제 4 예측 결과 중 적어도 하나를 이용하여, 최종 질병 예측 결과를 생성할 수 있다. 예를 들어, 최종 질병 예측부(1154)는 최종 질병 예측 모델에 제 1 예측 결과, 제2 예측 결과, 제 3 예측 결과 및 제 4 예측 결과 중 적어도 하나를 적용함으로써, 최종 질병 예측 결과를 생성할 수 있다.
질병 예측 서비스 제공부(1420)는 최종 질병 예측 결과에 기초하여, 사용자에게 질병 예측 서비스를 제공할 수 있다.
예를 들어, 질병 예측 서비스 제공부(1420)는 최종 질병 예측 결과에 포함된 복수의 질병들 각각이 사용자에게 발병할 확률을 사용자에게 제공할 수 있다. 또한, 질병 예측 서비스 제공부(1420)는 복수의 질병들 사용자에게 발병할 확률이 미리 결정된 임계값 이상인 질병들을 결정할 수 있고, 결정된 질병들에 대한 정보를 사용자에게 제공할 수 있다.
이 경우, 제공 되는 정보는 질병의 명칭, 질병의 위험도, 질병의 치료 방법, 질병을 전문적으로 취급하는 병원 정보, 질병의 발병을 방지할 수 있는 방법, 질병의 발병을 방지할 수 있는 음식 정보, 질병을 방지하기 위한 생활 습관, 질병을 방지하기 위한 운동 습관, 질병이 발병한 경우의 사망률, 질병이 발병하는 경우 발생되는 신체의 변화 등을 포함할 수 있으며, 이에 한정되지 않는다.
본 발명의 일 실시예에 따르면, 제 1 예측 모듈(1110), 제 2 예측 모듈(1120), 제 3 예측 모듈(1130) 및 제 4 예측 모듈(1140)은 각각은 독립적으로 동작할 수 있다. 또한, 제 1 예측 모듈(1110), 제 2 예측 모듈(1120), 제 3 예측 모듈(1130) 및 제 4 예측 모듈(1140) 각각은 병렬적으로 동작할 수 있다. 이러한 동작으로 인해, 예측 모델을 생성하는 과정의 효율성은 증진될 수 있다.
도 7은 본 발명의 다른 실시예에 따라, 데이터 가공부(1500)의 구성 모듈들이 예측 모듈에 포함되는 실시예를 나타내기 위한 도면이다. 도 7에 도시된 것 처럼, 데이터 가공부(1500)의 구성 모듈들은 별도의 모듈로 구성되지 않고, 예측 모듈에 포함될 수 있다. 도 7에 도시된 각 모듈들의 기능에 대해서는 이전의 도면들에서 설명한 바 있다.
본 발명의 일 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행 가능한 컴퓨터 프로그램에 의해 구현될 수 있다. 또한, 컴퓨터 프로그램이 포함된 컴퓨터 판독 가능기록 매체의 형태로도 구현될 수 있다.
컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독 가능 매체는 컴퓨터 저장 매체 및 통신 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.
통신 매체는 전형적으로 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈, 또는 반송파와 같은 변조된 데이터 신호의 기타 데이터, 또는 기타 전송 메커니즘을 포함하며, 임의의 정보 전달 매체를 포함한다. 이 경우, 컴퓨터 판독 가능 기록 매체는 비-일시적인(non-transitory) 기록 매체일 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
1000: 서버 2000: 건강 검진 정보 서버
3000: 병원 정보 서버 4000: 생체 정보 서버
5000: 유전체 정보 서버

Claims (16)

  1. 서버에 의해 수행되는 질병 예측 모델을 생성하는 방법에 있어서,
    예측 목적을 결정하는 단계;
    상기 예측 목적을 갖는 질병 예측 모델을 생성하기 위해 상기 서버에 저장된 매칭 정보에 기초하여 학습 알고리즘을 결정하는 단계;
    상기 학습 알고리즘과 매칭되는 데이터의 표현 형식을 결정하는 단계;
    상기 질병 예측 모델을 생성하기 위해, 정보 서버로부터 수신한 데이터에서 상기 질병 예측 모델과 관련된 학습 후보 데이터를 추출하는 단계;
    상기 추출된 학습 후보 데이터를 상기 결정된 표현 형식으로 변경함으로써, 학습 데이터를 생성하는 단계; 및
    상기 학습 알고리즘에 상기 학습 데이터를 입력함으로써, 상기 질병 예측 모델을 생성하는 단계;
    를 포함하는,
    질병 예측 모델 생성 방법.
  2. 삭제
  3. 제 1 항에 있어서, 상기 학습 알고리즘을 결정하는 단계는,
    상기 질병 예측 모델의 목적을 고려하여 적어도 하나의 후보 학습 알고리즘들을 결정하는 단계; 및
    상기 결정된 적어도 하나의 후보 학습 알고리즘들 각각에 대한 분석을 통해, 상기 질병 예측 모델을 생성하기 위한 학습 알고리즘을 결정하는 단계;
    를 포함하는,
    질병 예측 모델 생성 방법.
  4. 제 1 항에 있어서 상기 정보 서버로부터 수신한 데이터는, 건강 정보를 포함하고,
    상기 학습 알고리즘을 결정하는 단계는:
    상기 건강 정보를 이용하여 생성될 제 1 예측 모델을 위한 제 1 학습 알고리즘을 결정하는 단계;
    를 포함하고,
    상기 학습 알고리즘과 매칭되는 데이터의 표현 형식을 결정하는 단계는:
    제 1 학습 알고리즘과 매칭되는 제 1 표현 형식을 결정하는 단계;
    를 포함하고,
    상기 질병 예측 모델과 관련된 학습 후보 데이터를 추출하는 단계는:
    상기 건강 정보에서 상기 질병 예측 모델과 관련된 제 1 학습 후보 데이터를 추출하는 단계;
    를 포함하고,
    상기 학습 데이터를 생성하는 단계는:
    상기 제 1 학습 후보 데이터를 상기 제 1 표현 형식으로 변경함으로써, 제 1 학습 데이터를 생성하는 단계;
    를 포함하고,
    상기 질병 예측 모델을 생성하는 단계는:
    상기 제 1 학습 데이터를 상기 제 1 학습 알고리즘에 입력 함으로써, 제 1 질병 예측 모델을 생성하는 단계;
    를 포함하는,
    질병 예측 모델 생성 방법.
  5. 제 4 항에 있어서 상기 정보 서버로부터 수신한 데이터는, 의료 기록 정보를 더 포함하고,
    상기 학습 알고리즘을 결정하는 단계는:
    상기 의료 기록 정보를 이용하여 생성될 제 2 예측 모델을 위한 제 2 학습 알고리즘을 결정하는 단계;
    를 더 포함하고,
    상기 학습 알고리즘과 매칭되는 데이터의 표현 형식을 결정하는 단계는:
    제 2 학습 알고리즘과 매칭되는 제 2 표현 형식을 결정하는 단계;
    를 더 포함하고,
    상기 질병 예측 모델과 관련된 학습 후보 데이터를 추출하는 단계는:
    상기 의료 기록 정보에서 상기 질병 예측 모델과 관련된 제 2 학습 후보 데이터를 추출하는 단계;
    를 더 포함하고,
    상기 학습 데이터를 생성하는 단계는:
    상기 제 2 학습 후보 데이터를 상기 제 2 표현 형식으로 변경함으로써, 제 2 학습 데이터를 생성하는 단계;
    를 더 포함하고,
    상기 질병 예측 모델을 생성하는 단계는:
    상기 제 2 학습 데이터를 상기 제 2 학습 알고리즘에 입력 함으로써, 제 2 질병 예측 모델을 생성하는 단계;
    를 더 포함하는,
    질병 예측 모델 생성 방법.
  6. 제 5 항에 있어서 상기 정보 서버로부터 수신한 데이터는, 생체 정보를 더 포함하고,
    상기 학습 알고리즘을 결정하는 단계는:
    상기 생체 정보를 이용하여 생성될 제 3 예측 모델을 위한 제 3 학습 알고리즘을 결정하는 단계;
    를 더 포함하고,
    상기 학습 알고리즘과 매칭되는 데이터의 표현 형식을 결정하는 단계는:
    제 3 학습 알고리즘과 매칭되는 제 3 표현 형식을 결정하는 단계;
    를 더 포함하고,
    상기 질병 예측 모델과 관련된 학습 후보 데이터를 추출하는 단계는:
    상기 생체 정보에서 상기 질병 예측 모델과 관련된 제 3 학습 후보 데이터를 추출하는 단계;
    를 더 포함하고,
    상기 학습 데이터를 생성하는 단계는:
    상기 제 3 학습 후보 데이터를 상기 제 3 표현 형식으로 변경함으로써, 제 3 학습 데이터를 생성하는 단계;
    를 더 포함하고,
    상기 질병 예측 모델을 생성하는 단계는:
    상기 제 3 학습 데이터를 상기 제 3 학습 알고리즘에 입력 함으로써, 제 3 질병 예측 모델을 생성하는 단계;
    를 더 포함하는,
    질병 예측 모델 생성 방법.
  7. 제 6 항에 있어서 상기 정보 서버로부터 수신한 데이터는, 유전체 정보를 더 포함하고,
    상기 학습 알고리즘을 결정하는 단계는:
    상기 유전체 정보를 이용하여 생성될 제 4 예측 모델을 위한 제 4 학습 알고리즘을 결정하는 단계;
    를 더 포함하고,
    상기 학습 알고리즘과 매칭되는 데이터의 표현 형식을 결정하는 단계는:
    제 4 학습 알고리즘과 매칭되는 제 4 표현 형식을 결정하는 단계;
    를 더 포함하고,
    상기 질병 예측 모델과 관련된 학습 후보 데이터를 추출하는 단계는:
    상기 유전체 정보에서 상기 질병 예측 모델과 관련된 제 4 학습 후보 데이터를 추출하는 단계;
    를 더 포함하고,
    상기 학습 데이터를 생성하는 단계는:
    상기 제 4 학습 후보 데이터를 상기 제 4 표현 형식으로 변경함으로써, 제 4 학습 데이터를 생성하는 단계;
    를 더 포함하고,
    상기 질병 예측 모델을 생성하는 단계는:
    상기 제 4 학습 데이터를 상기 제 4 학습 알고리즘에 입력 함으로써, 제 4 질병 예측 모델을 생성하는 단계;
    를 더 포함하는,
    질병 예측 모델 생성 방법.
  8. 제 7 항에 있어서,
    상기 학습 알고리즘을 결정하는 단계는:
    상기 제 1 예측 모델, 상기 제 2 예측 모델, 상기 제 3 예측 모델, 상기 제 4 예측 모델 중 적어도 하나의 결과 데이터를 이용하여 생성될 최종 질병 예측 모델을 위한 최종 질병 예측 알고리즘을 결정하는 단계;
    를 더 포함하고,
    상기 학습 알고리즘과 매칭되는 데이터의 표현 형식을 결정하는 단계는:
    상기 최종 질병 예측 알고리즘과 매칭되는 제 5 표현 형식을 결정하는 단계;
    를 더 포함하고,
    상기 질병 예측 모델과 관련된 학습 후보 데이터를 추출하는 단계는:
    상기 제 1 예측 모델, 상기 제 2 예측 모델, 상기 제 3 예측 모델, 상기 제 4 예측 모델 중 적어도 하나의 결과 데이터를 제 5 학습 후보 데이터로 추출하는 단계;
    를 더 포함하고,
    상기 학습 데이터를 생성하는 단계는:
    상기 제 5 학습 후보 데이터를 상기 제 5 표현 형식으로 변경함으로써, 제 5 학습 데이터를 생성하는 단계;
    를 더 포함하고,
    상기 질병 예측 모델을 생성하는 단계는:
    상기 제 5 학습 데이터를 상기 제 5 학습 알고리즘에 입력 함으로써, 최종 질병 예측 모델을 생성하는 단계;
    를 더 포함하는,
    질병 예측 모델 생성 방법.
  9. 질병 예측 모델을 생성하는 서버에 있어서,
    특정 예측 목적을 갖는 질병 예측 모델을 생성 하기 위한 학습 알고리즘을 결정하는 학습 알고리즘 결정부;
    상기 학습 알고리즘과 매칭되는 데이터의 표현 형식을 결정하는 표현 형식 결정부;
    상기 질병 예측 모델을 생성하기 위해, 정보 서버로부터 수신한 데이터에서 상기 질병 예측 모델과 관련된 학습 후보 데이터를 추출하는 학습 후보 데이터 추출부;
    상기 추출된 학습 후보 데이터를 상기 결정된 표현 형식으로 변경함으로써, 학습 데이터를 생성하는 학습 데이터 생성부; 및
    상기 학습 알고리즘에 상기 학습 데이터를 입력 함으로써, 상기 질병 예측 모델을 생성하는 예측 모듈;
    을 포함하는,
    질병 예측 모델을 생성하는 서버.
  10. 제 9 항에 있어서, 상기 학습 알고리즘 결정부는,
    상기 질병 예측 모델의 특성을 고려하여 적어도 하나의 후보 학습 알고리즘들을 결정하고,
    상기 결정된 적어도 하나의 후보 학습 알고리즘들 각각에 대한 분석을 통해, 상기 질병 예측 모델을 생성하기 위한 학습 알고리즘을 결정하는,
    질병 예측 모델을 생성하는 서버.
  11. 제 9 항에 있어서 상기 정보 서버로부터 수신한 데이터는, 건강 정보를 포함하고,
    상기 학습 알고리즘을 결정부는:
    상기 건강 정보를 이용하여 생성될 제 1 예측 모델을 위한 제 1 학습 알고리즘을 결정하는 제 1 학습 알고리즘 결정부;
    를 포함하고,
    상기 표현 형식 결정부는:
    제 1 학습 알고리즘과 매칭되는 제 1 표현 형식을 결정하는 제 1 표현 형식 결정부;
    를 포함하고,
    상기 학습 후보 데이터 추출부는:
    상기 건강 정보에서 상기 질병 예측 모델과 관련된 제 1 학습 후보 데이터를 추출하는 제 1 학습 후보 데이터 결정부;
    를 포함하고,
    상기 학습 데이터 생성부는:
    상기 제 1 학습 후보 데이터를 상기 제 1 표현 형식으로 변경함으로써, 제 1 학습 데이터를 생성하는 제 1 학습 데이터 생성부;
    를 포함하고,
    상기 예측 모듈은:
    상기 제 1 학습 데이터를 상기 제 1 학습 알고리즘에 입력 함으로써, 제 1 질병 예측 모델을 생성하는 제 1 질병 예측 모델 생성부;
    를 포함하는,
    질병 예측 모델을 생성하는 서버.
  12. 제 11 항에 있어서 상기 정보 서버로부터 수신한 데이터는, 의료 기록 정보를 더 포함하고,
    상기 학습 알고리즘 결정부는:
    상기 의료 기록 정보를 이용하여 생성될 제 2 예측 모델을 위한 제 2 학습 알고리즘을 결정하는 제 2 학습 알고리즘 결정부;
    를 더 포함하고,
    상기 표현 형식 결정부는:
    제 2 학습 알고리즘과 매칭되는 제 2 표현 형식을 결정하는 제 2 표현 형식 결정부;
    를 더 포함하고,
    상기 학습 후보 데이터를 추출부는:
    상기 의료 기록 정보에서 상기 질병 예측 모델과 관련된 제 2 학습 후보 데이터를 추출하는 제 2 학습 후보 데이터 추출부;
    를 더 포함하고,
    상기 학습 데이터를 생성부는:
    상기 제 2 학습 후보 데이터를 상기 제 2 표현 형식으로 변경함으로써, 제 2 학습 데이터를 생성하는 제 2 학습 데이터 생성부;
    를 더 포함하고,
    상기 예측 모듈은:
    상기 제 2 학습 데이터를 상기 제 2 학습 알고리즘에 입력 함으로써, 제 2 질병 예측 모델을 생성하는 제 2 예측 모델 생성부;
    를 더 포함하는,
    질병 예측 모델을 생성하는 서버.
  13. 제 12 항에 있어서 상기 정보 서버로부터 수신한 데이터는, 생체 정보를 더 포함하고,
    상기 학습 알고리즘 결정부는:
    상기 생체 정보를 이용하여 생성될 제 3 예측 모델을 위한 제 3 학습 알고리즘을 결정하는 제 3 학습 알고리즘 결정부;
    를 더 포함하고,
    상기 표현 형식 결정부는:
    제 3 학습 알고리즘과 매칭되는 제 3 표현 형식을 결정하는 제 3 표현 형식 결정부;
    를 더 포함하고,
    상기 학습 후보 데이터 추출부는:
    상기 생체 정보에서 상기 질병 예측 모델과 관련된 제 3 학습 후보 데이터를 추출하는 제 3 학습 후보 데이터 추출부;
    를 더 포함하고,
    상기 학습 데이터 생성부는:
    상기 제 3 학습 후보 데이터를 상기 제 3 표현 형식으로 변경함으로써, 제 3 학습 데이터를 생성하는 제 3 학습 후보 데이터 생성부;
    를 더 포함하고,
    상기 예측 모듈은:
    상기 제 3 학습 데이터를 상기 제 3 학습 알고리즘에 입력 함으로써, 제 3 질병 예측 모델을 생성하는 제 3 예측 모델 생성부;
    를 더 포함하는,
    질병 예측 모델을 생성하는 서버.
  14. 제 13 항에 있어서 상기 정보 서버로부터 수신한 데이터는, 유전체 정보를 더 포함하고,
    상기 학습 알고리즘 결정부는:
    상기 유전체 정보를 이용하여 생성될 제 4 예측 모델을 위한 제 4 학습 알고리즘을 결정하는 제 4 학습 알고리즘 결정부;
    를 더 포함하고,
    상기 표현 형식 결정부:
    제 4 학습 알고리즘과 매칭되는 제 4 표현 형식을 결정하는 제 4 표현 형식 결정부;
    를 더 포함하고,
    상기 학습 후보 데이터 추출부는:
    상기 유전체 정보에서 상기 질병 예측 모델과 관련된 제 4 학습 후보 데이터를 추출하는 제 4 학습 후보 데이터 추출부;
    를 더 포함하고,
    상기 학습 데이터를 생성하는 학습 데이터 생성부:
    상기 제 4 학습 후보 데이터를 상기 제 4 표현 형식으로 변경함으로써, 제 4 학습 데이터를 생성하는 제 4 학습 데이터 생성부;
    를 더 포함하고,
    상기 예측 모듈은:
    상기 제 4 학습 데이터를 상기 제 4 학습 알고리즘에 입력 함으로써, 제 4 질병 예측 모델을 생성하는 제 4 예측 모듈 생성부;
    를 더 포함하는,
    질병 예측 모델을 생성하는 서버.
  15. 제 14 항에 있어서,
    상기 학습 알고리즘 결정부는:
    상기 제 1 예측 모델, 상기 제 2 예측 모델, 상기 제 3 예측 모델, 상기 제 4 예측 모델 중 적어도 하나의 결과 데이터를 이용하여 생성될 최종 질병 예측 모델을 위한 최종 질병 예측 알고리즘을 결정하는 최종 질병 예측 알고리즘 결정부;
    를 더 포함하고,
    상기 학습 알고리즘과 매칭되는 데이터의 표현 형식을 결정하는 단계는:
    상기 최종 질병 예측 알고리즘과 매칭되는 제 5 표현 형식을 결정하는 제 5 표현 형식 결정부;
    를 더 포함하고,
    상기 학습 후보 데이터 추출부는:
    상기 제 1 예측 모델, 상기 제 2 예측 모델, 상기 제 3 예측 모델, 상기 제 4 예측 모델 중 적어도 하나의 결과 데이터를 제 5 학습 후보 데이터로 추출하는 제 5 학습 데이터 추출부;
    를 더 포함하고,
    상기 학습 데이터 생성부는:
    상기 제 5 학습 후보 데이터를 상기 제 5 표현 형식으로 변경함으로써, 제 5 학습 데이터를 생성하는 제 5 학습 데이터 생성부;
    를 더 포함하고,
    상기 예측 모듈은:
    상기 제 5 학습 데이터를 상기 제 5 학습 알고리즘에 입력 함으로써, 최종 질병 예측 모델을 생성하는 최종 질병 예측부;
    를 더 포함하는,
    질병 예측 모델을 생성하는 서버.
  16. 서버에 의해 수행되는 질병 예측 모델을 생성하는 방법에 있어서,
    하나 이상의 조합된 예측 목적을 결정 하는 단계;
    상기 예측 목적을 갖는 질병 예측 모델을 생성 하기 위해 상기 서버에 저장된 매칭 정보에 기초하여 학습 알고리즘을 결정하는 단계;
    상기 학습 알고리즘과 매칭되는 데이터의 표현 형식을 결정하는 단계;
    상기 질병 예측 모델을 생성하기 위해, 정보 서버로부터 수신한 데이터에서 상기 질병 예측 모델과 관련된 학습 후보 데이터를 추출하는 단계;
    상기 추출된 학습 후보 데이터를 상기 결정된 표현 형식으로 변경함으로써, 학습 데이터를 생성하는 단계; 및
    상기 학습 알고리즘에 상기 학습 데이터를 입력 함으로써, 상기 질병 예측 모델을 생성하는 단계;
    를 포함하는,
    질병 예측 모델 생성 방법.
KR1020170026284A 2017-02-28 2017-02-28 질병 예측 모델을 생성하는 방법, 서버 및 시스템 KR101967227B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170026284A KR101967227B1 (ko) 2017-02-28 2017-02-28 질병 예측 모델을 생성하는 방법, 서버 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170026284A KR101967227B1 (ko) 2017-02-28 2017-02-28 질병 예측 모델을 생성하는 방법, 서버 및 시스템

Publications (2)

Publication Number Publication Date
KR20180099185A KR20180099185A (ko) 2018-09-05
KR101967227B1 true KR101967227B1 (ko) 2019-08-13

Family

ID=63594474

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170026284A KR101967227B1 (ko) 2017-02-28 2017-02-28 질병 예측 모델을 생성하는 방법, 서버 및 시스템

Country Status (1)

Country Link
KR (1) KR101967227B1 (ko)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102295426B1 (ko) * 2019-07-05 2021-08-30 순천향대학교 산학협력단 인공지능 기반의 안구질병 검출장치 및 방법
KR102108400B1 (ko) * 2019-07-12 2020-05-28 주식회사 딥노이드 의료영상 판독을 위한 컨테이너 기반의 인공지능 클라우드 서비스 플랫폼 시스템
KR102321197B1 (ko) * 2020-02-03 2021-11-03 서울대학교병원 딥러닝을 이용한 치매 위험인자 결정 방법 및 장치
KR102370171B1 (ko) * 2020-02-25 2022-03-03 경희대학교 산학협력단 문맥적 관련성을 고려한 의료 문서 검색 방법 및 장치
KR102466429B1 (ko) * 2020-08-07 2022-11-11 (주)서홍테크 신발 사용자의 건강 상태를 진단하는 방법 및 이를 수행하는 전자 장치
KR102449091B1 (ko) * 2022-01-17 2022-10-14 부산대학교 산학협력단 원형분석과 fcm 분석기법을 이용한 녹내장 분석 시스템 및 방법

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110082712A1 (en) * 2009-10-01 2011-04-07 DecisionQ Corporation Application of bayesian networks to patient screening and treatment

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110202486A1 (en) * 2009-07-21 2011-08-18 Glenn Fung Healthcare Information Technology System for Predicting Development of Cardiovascular Conditions
KR101702502B1 (ko) 2015-03-27 2017-02-03 금오공과대학교 산학협력단 모바일 기반 라이프로그를 이용한 사용자 행동 예측 시스템 및 방법
KR101903526B1 (ko) * 2015-08-19 2018-10-05 한국전자통신연구원 바이오 물질의 농도를 기반으로 하는 질환 예측 장치 및 그것의 질환 예측 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110082712A1 (en) * 2009-10-01 2011-04-07 DecisionQ Corporation Application of bayesian networks to patient screening and treatment

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
민병원 외 1인. "U-health 개인 맞춤형 질병 예측 기법의 개선". 한국콘텐츠학회논문지. 제10권, 제10호, pp.54-67, 2010.10.30. 공개

Also Published As

Publication number Publication date
KR20180099185A (ko) 2018-09-05

Similar Documents

Publication Publication Date Title
KR101967227B1 (ko) 질병 예측 모델을 생성하는 방법, 서버 및 시스템
Kiral-Kornek et al. Epileptic seizure prediction using big data and deep learning: toward a mobile system
KR20180099193A (ko) 복수의 질병 예측 모델을 이용하여 질병 예측 서비스를 제공하는 방법, 서버 및 시스템
US8660857B2 (en) Method and system for outcome based referral using healthcare data of patient and physician populations
US20170156657A1 (en) Method and system for monitoring stress conditions
KR102258899B1 (ko) 통합적 건강 정보를 이용한 식단 및 운동 추천 방법 및 서비스 시스템
US20190237192A1 (en) Personal health operating system
WO2019025901A1 (en) SYSTEMS AND METHODS FOR PREDICTING THE APPEARANCE OF A SEPSIE
KR102261270B1 (ko) 사용자 다중 특징 정보를 이용한 개인 맞춤형 콘텐츠 제공 방법 및 분석장치
WO2019079490A1 (en) PROBABILISTIC MODELING TO MATCH PATIENTS WITH CLINICAL TRIALS
Muthu Ganesh et al. Heuristic-based channel selection with enhanced deep learning for heart disease prediction under WBAN
Archana et al. Automated cardioailment identification and prevention by hybrid machine learning models
Islam et al. Clinical decision support system for diabetic patients by predicting type 2 diabetes using machine learning algorithms
Islam et al. Cardiovascular Disease Prediction Using Machine Learning Approaches
WO2022216220A1 (en) Method and system for personalized prediction of infection and sepsis
Maria et al. Obesity Risk Prediction Using Machine Learning Approach
US20190012433A1 (en) Methods for the diagnosis and prognosis of melanoma from topical skin swabs
Winston et al. Exploring Socioeconomic Status as a Global Determinant of COVID-19 Prevalence, Using Exploratory Data Analytic and Supervised Machine Learning Techniques: Algorithm Development and Validation Study
Alfian et al. Utilizing IoT-based sensors and prediction model for health-care monitoring system
Saputra et al. Optimizing Predictive Performance: Hyperparameter Tuning in Stacked Multi-Kernel Support Vector Machine Random Forest Models for Diabetes Identification
US20210074432A1 (en) Predictive analytics for complex diseases
Armand et al. Optimizing longevity: Integrating Smart Nutrition and Digital Technologies for Personalized Anti-aging Healthcare
Cho et al. Predictive pattern analysis using SOM in medical data sets for medical treatment service
Ghias et al. Using Machine Learning Algorithms to predict sepsis and its stages in ICU patients
Bateja et al. Leveraging latest developments for delivering patient-centric healthcare to diabetic patients

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