KR102049829B1 - 피검체의 위험도를 평가하여 상기 위험도에 따라 상기 피검체를 분류하는 방법 및 이를 이용한 장치 - Google Patents

피검체의 위험도를 평가하여 상기 위험도에 따라 상기 피검체를 분류하는 방법 및 이를 이용한 장치 Download PDF

Info

Publication number
KR102049829B1
KR102049829B1 KR1020180154848A KR20180154848A KR102049829B1 KR 102049829 B1 KR102049829 B1 KR 102049829B1 KR 1020180154848 A KR1020180154848 A KR 1020180154848A KR 20180154848 A KR20180154848 A KR 20180154848A KR 102049829 B1 KR102049829 B1 KR 102049829B1
Authority
KR
South Korea
Prior art keywords
data
subject
risk
computing device
digitized
Prior art date
Application number
KR1020180154848A
Other languages
English (en)
Inventor
이영남
Original Assignee
주식회사 뷰노
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 주식회사 뷰노 filed Critical 주식회사 뷰노
Priority to KR1020180154848A priority Critical patent/KR102049829B1/ko
Application granted granted Critical
Publication of KR102049829B1 publication Critical patent/KR102049829B1/ko
Priority to JP2021530324A priority patent/JP7165266B2/ja
Priority to PCT/KR2019/017048 priority patent/WO2020116942A1/ko
Priority to US17/295,880 priority patent/US20220012634A1/en

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

본 개시서에는 피검체의 위험도를 평가하여 상기 위험도에 따라 상기 피검체를 분류하는 방법 및 이를 이용한 컴퓨팅 장치가 개시된다. 구체적으로, 본 발명에 따른 방법에 의하면, 컴퓨팅 장치가, 상기 피검체의 통합 데이터를 획득하되, 상기 통합 데이터는 상기 피검체의 환자 데이터 또는 이를 가공한 데이터로서 수치화된 데이터이고, 그 후, 상기 통합 데이터를 상기 피검체의 위험도 평가를 위한 기계 학습 모델(machine learning model)에 적용함으로써 위험도를 평가한 결과로서 상기 분류의 결과를 생성하며, 생성된 상기 분류 결과를 외부 엔티티(entity)에게 제공한다.

Description

피검체의 위험도를 평가하여 상기 위험도에 따라 상기 피검체를 분류하는 방법 및 이를 이용한 장치{METHOD FOR CLASSIFYING SUBJECT ACCORDING TO CRITICALITY THEREOF BY ASSESSING THE CRITICALITY AND APPARATUS USING THE SAME}
본 개시서에는 피검체의 위험도를 평가하여 상기 위험도에 따라 상기 피검체를 분류하는 방법 및 이를 이용한 컴퓨팅 장치가 개시된다. 구체적으로, 본 발명에 따른 방법에 의하면, 컴퓨팅 장치가, 상기 피검체의 통합 데이터를 획득하되, 상기 통합 데이터는 상기 피검체의 환자 데이터 또는 이를 가공한 데이터로서 수치화된 데이터이고, 그 후, 상기 통합 데이터를 상기 피검체의 위험도 평가를 위한 기계 학습 모델(machine learning model)에 적용함으로써 위험도를 평가한 결과로서 상기 분류의 결과를 생성하며, 생성된 상기 분류 결과를 외부 엔티티(entity)에게 제공한다.
의료 임상에 있어서 심정지, 패혈증과 같은 피검체, 즉 환자의 치명적 증상은 그 발생 후 생존 퇴원율이 매우 낮은 위험한 현상이다. 예컨대, 심정지의 경우에는 생존 퇴원율에 20~30%에 불과하다. 이와 같은 심정지는 그 발생 전 신체 데이터, 특히, 생체 신호(biosignal or vital signs)의 변화가 있기 때문에, 어느 정도 조기 예측이 가능하나 종래의 예측 방식에는 정확도가 낮다는 문제가 있다. 이는 주로 그 예측이 담당 간호사나 의사와 같은 의료 전문가의 경험이나 지식에 의존하기 때문인데, 개인의 역량에 따라서 피검체 혹은 환자의 위험이 상당히 다르게 평가되는 경향이 있으며, 그러한 평가 자체를 위한 의료 자원, 예컨대, 응급 의학과의 인력도 부족한 실정이다.
따라서 환자의 위험도를 정확하게 평가하는 한편, 한정된 의료 자원을 가지고 증가하는 응급 의료 수요를 효율적으로 관리할 필요가 있다. 예를 들면, 응급실 도착 후에 재이송된 중환자의 사망률은 4배 정도 높다. 재이송의 이유로는, 응급실 병실 제한이 40% 가량, 의료진 부족이 32% 가량의 비율을 차지한다.
종래 대한민국에서는 이를 해결하기 위하여 "Korean Triage and Acuity Scale"이라는 방법이 이용되었지만 여기에는 3가지 문제가 있다. 즉, 실제 정확도가 낮으며, 주관적인 판단이 필요하므로 의료진 간에도 그 결과의 차이가 있을 뿐만 아니라 이를 위한 의사 결정 자체도 신속하지 않는 문제가 있다.
따라서 본 개시서에서는 보다 정확하고 신속한 응급실 환자 분류를 가능하게 하는 방안으로써 고위험의 환자가 우선적으로 진료를 받을 수 있게 하는 위험도 기반 피검체 분류 방법을 제안하고자 한다.
KR 10-1841222 B
본 발명은 응급실과 같은 의료 현장에서, 또는 그러한 의료 현장에 도착하기 전에 피검체의 치명적 증상 등에 이를 수 있는 위험도에 기반하여 진료 등 적절한 의료 처치의 우선순위을 설정하거나, 이송이 바람직한 병원 등을 선택할 수 있게 하는 것을 목적으로 한다.
구체적으로, 본 발명은 객관적인 데이터를 이용함으로써 신속하게 환자를 분류할 수 있게 하는 것을 목적으로 한다.
상기한 바와 같은 본 발명의 목적을 달성하고, 후술하는 본 발명의 특징적인 효과를 실현하기 위한 본 발명의 특징적인 구성은 하기와 같다.
본 발명의 일 태양에 따르면, 피검체의 위험도를 평가하여 상기 위험도에 따라 상기 피검체를 분류하는 방법이 제공되는바, 그 방법은, (a) 컴퓨팅 장치가, 상기 피검체의 통합 데이터를 획득하거나 상기 컴퓨팅 장치에 연동되는 타 장치로 하여금 획득하도록 지원하는 단계로서, 상기 통합 데이터는 상기 피검체의 환자 데이터 또는 이를 가공한 데이터로서 수치화된 데이터를 포함하는, 단계; (b) 상기 컴퓨팅 장치가, 상기 통합 데이터를 상기 피검체의 위험도 평가를 위한 기계 학습 모델(machine learning model)에 적용함으로써 위험도를 평가한 결과로서 상기 분류의 결과를 생성하거나 상기 타 장치로 하여금 생성하도록 지원하는 단계; 및 (c) 상기 컴퓨팅 장치가, 생성된 상기 분류 결과를 외부 엔티티(entity)에게 제공하거나 상기 타 장치로 하여금 제공하도록 지원하는 단계를 포함한다.
바람직하게는, 상기 방법은, (d) 상기 분류 결과를 평가한 정보에 기초하여, 상기 컴퓨팅 장치가, 상기 기계 학습 모델을 갱신하거나 상기 타 장치로 하여금 갱신하도록 지원하는 단계를 더 포함한다.
본 발명의 다른 태양에 따르면, 본 발명에 따른 방법을 수행하도록 구현된 인스트럭션들(instructions)을 포함하는 컴퓨터 프로그램도 제공된다.
본 발명의 또 다른 태양에 따르면, 피검체의 위험도를 평가하여 상기 위험도에 따라 상기 피검체를 분류하는 컴퓨팅 장치가 제공되는바, 그 컴퓨팅 장치는, 상기 피검체의 통합 데이터를 획득하는 통신부; 및 (i) 상기 통합 데이터를 상기 피검체의 위험도 평가를 위한 기계 학습 모델(machine learning model)에 적용함으로써 위험도를 평가한 결과로서 상기 분류의 결과를 생성하는 프로세스, 및 (ii) 생성된 상기 분류 결과를 외부 엔티티(entity)에게 제공하는 프로세스를 수행하거나 상기 통신부를 통하여 연동되는 타 장치로 하여금 수행하도록 지원하는 프로세서를 포함하며, 상기 통합 데이터는 상기 피검체의 환자 데이터 또는 이를 가공한 데이터로서 수치화된 데이터를 포함한다.
바람직하게는, 상기 컴퓨팅 장치의 상기 프로세서는, 상기 분류 결과를 평가한 정보에 기초하여 상기 기계 학습 모델을 갱신하는 프로세스를 더 수행하거나 상기 타 장치로 하여금 더 수행하도록 지원한다.
본 개시서의 예시적인 실시 예에 따르면, 종래에 의료 전문가들이 그 경험이나 지식에 의존하여 환자의 위험을 판정하여 분류하는 방식에 비하여 보다 신속하게 치명적 증상과 같은 소정 증상이 나타날 가능성에 따라 환자를 분류할 수 있는 효과가 있다. 즉, 의료 현장에서 환자의 위험도를 판단하여 진료의 우선순위를 설정하거나 환자의 위험도에 맞는 병실 또는 병원을 추천할 수 있는 효과가 있다.
이로써, 의료진의 시간이 절약되며, 더 많은 환자에 대한 안전이 확보될 수 있는 효과가 있다.
그리고 예시적인 실시 예에 의하면, 종래에 의료 현장에서 기록되는 환자 데이터를 그대로 사용할 수 있어 추가적인 시스템 구축 없이 의료 현장에서의 워크플로(workflow)가 혁신되는 효과가 있다.
본 개시서의 실시 예의 설명에 이용되기 위하여 첨부된 아래 도면들은 본 개시서의 실시 예들 중 단지 일부일 뿐이며, 본 발명이 속한 기술분야에서 통상의 지식을 가진 사람(이하 "통상의 기술자"라 함)에게 있어서는 발명적 작업이 이루어짐 없이 이 도면들에 기초하여 다른 도면들이 얻어질 수 있다.
도 1은 본 발명의 일 실시 예에 이용되는 기계 학습 모델의 예시로서 순환 신경망(recurrent neural network; RNN)을 설명하기 위하여 주요 개념을 도시한 도면이다.
도 2는 본 발명의 일 실시 예에 따라 피검체의 위험도를 평가하여 상기 위험도에 따라 상기 피검체를 분류하는 방법(이하 "위험도 기반 피검체 분류 방법"이라 함)을 수행하는 컴퓨팅 장치의 예시적 구성을 개략적으로 도시한 개념도이다.
도 3은 본 발명의 일 실시 예에 따른 위험도 기반 피검체 분류 방법을 수행하는 컴퓨팅 장치의 하드웨어 및 소프트웨어 아키텍처를 예시적으로 도시한 개념도이다.
도 4는 본 발명의 일 실시 예에서 수행되는 환자 데이터의 통합을 예시하기 위한 제1 예시적 도면이다.
도 5는 본 발명의 일 실시 예에서 수행되는 환자 데이터의 통합을 예시하기 위한 제2 예시적 도면이다.
도 6은 본 발명의 일 실시 예에서 생성적 적대적 신경망(GAN; generative adversarial networks)을 이용하여 유사 소정 증상 발생 데이터를 생성하는 방식을 예시하기 위하여 개념적으로 도시한 도면이다.
도 7은 본 발명의 일 실시 예에 따른 위험도 기반 피검체 분류 방법의 각 단계를 예시적으로 나타낸 흐름도이다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명의 목적들, 기술적 해법들 및 장점들을 분명하게 하기 위하여 본 발명이 실시될 수 있는 특정 실시 예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시 예는 통상의 기술자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고, 이에 대한 중복되는 설명은 생략하기로 한다.
실시 예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시 예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
단수의 표현은 문맥상 분명하게 달리 의도되지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 기재된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 본 개시서의 상세한 설명 및 청구항들에 걸쳐 '학습' 혹은 '러닝'은 절차에 따른 컴퓨팅(computing)을 통하여 기계 학습(machine learning)을 수행함을 일컫는 용어인바, 인간의 교육 활동과 같은 정신적 작용을 지칭하도록 의도된 것이 아님을 통상의 기술자는 이해할 수 있을 것이다.
그리고 본 개시서의 상세한 설명 및 청구범위에 있어, '환자 데이터'라는 용어 및 그 변형은 신체 데이터, 즉, 사용자의 신체를 평가한 텍스트나 사용자의 신체로부터 측정되는 다양한 종류의 데이터, 예컨대, 생체신호(biosignal) 및 체성분 데이터 중 적어도 하나를 포함할 뿐만 아니라 환자 취급과 관련된 다양한 비신체 데이터, 예컨대, 소재한 의료 기관의 종류, 위치, 타 인접 의료 기관들의 소재 내지 환자와의 거리 등을 포함하는 개념으로 이해되어야 할 것인 바, 그러한 환자 데이터는, 예컨대, 상기 사용자의 신체와의 접촉에 기반하여 측정될 수 있으나 이에 한정되지 않음이 통상의 기술자에게 이해될 것이다. 예를 들어, 제공될 수 있는 환자 데이터에는 체중, 체지방률, 골격근량, 체지방량, 체수분량, 제지방량(FFM; fat-free mass), FFMI(제지방량/신장2), SMMI(골격근량/신장2), BFMI(체지방량/신장2), BMI(체중/신장2), ASM(다리 및 팔 근육량), PBF(체지방량 / 체중) 및 혈압 등이 있을 수 있다.
또한, 본 개시서의 상세한 설명 및 청구항들에 걸쳐, '생체 호(biosignal)'는 대상자의 체온, 심전도, 호흡, 맥박, 혈압, 산소 포화도, 피부 전도도 등의 측정값을 지칭하는 통상의 의미로만 한정하여 해석되어야 할 것은 아니고, 뇌파 신호, 기타 측정을 통하여 획득 가능한 생물학적 시료 중의 특정 물질의 양, 농도 등도 포함하는 것으로 이해되어야 할 것이다.
여기에서 '생물학적 시료'는 피검체의 혈액, 혈청, 소변, 림프액, 뇌척수액, 타액, 정액, 질액 등등 피검체로부터 채취될 수 있는 다양한 종류의 물질로 이해되어야 할 것이다.
또한, 본 개시서의 상세한 설명 및 청구항들에 걸쳐, '치명적 증상(fatal symptoms)'이라는 단어 및 그 변형은 본 발명이 적용되는 대상의 일 예시인 심정지(cardiac arrest)에 한정되지 않고, 패혈증 등과 같이 시계열적 변화에 의하여 피검체의 생명에 큰 위험을 초래할 수 있는 갖가지 종류의 임상적 현상을 포함하는 개념으로 이해되어야 할 것이다. 그리고 '소정 증상(specific symptoms)'이라는 단어 및 그 변형은 치명적 증상을 포함하여 임상에서 유의미하게 확인될 수 있는 다양한 증상을 일컫는 용어이다.
더욱이 본 발명은 본 명세서에 표시된 실시 예들의 모든 가능한 조합들을 망라한다. 본 발명의 다양한 실시 예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시 예에 관련하여 본 발명의 사상 및 범위를 벗어나지 않으면서 다른 실시 예로 구현될 수 있다. 또한, 각각의 개시된 실시 예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 사상 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.
본 명세서에서 달리 표시되거나 분명히 문맥에 모순되지 않는 한, 단수로 지칭된 항목은, 그 문맥에서 달리 요구되지 않는 한, 복수의 것을 아우른다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.
이하, 통상의 기술자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 바람직한 실시 예들에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시 예에 이용되는 기계 학습 모델의 예시로서 순환 신경망을 설명하기 위하여 주요 개념을 도시한 도면이다.
도 1을 참조하면 본 발명에서 이용되는 기계 학습(machine learning) 모델 중 심층 신경망 모델은 인공 신경망을 다층으로 쌓은 형태로 간략하게 설명할 수 있다. 즉, 이는 깊은 구조의 네트워크라는 의미로 심층 신경망 혹은 딥 뉴럴 네트워크(deep neural network)라고 표현되며, 다층의 네트워크로 이루어진 구조에서 다량의 분석 대상 데이터를 학습시킴으로써 각각의 분석 대상 데이터의 특징, 분석 대상 데이터 간의 관계를 자동으로 학습하고, 이를 통해 목적 함수, 즉 소정 증상의 예측 결과의 오차(error)를 최소화시키는 방식으로 학습을 진행하는 기계 학습 모델이다.
본 발명에서 활용되는 심층 신경망 모델 중 일 예시인 순환 신경망(recurrent neural network; RNN)은 도 1에 도시된 바와 같이 순차적으로 입력되는 시계열적인 데이터를 분석할 때 이용될 수 있다. 이 심층 신경망은 시간 순서에 따른 데이터의 특징을 찾고, 이전 시점의 특징 중 현재 시점을 분석할 때 참고하여야 할 주요 특징을 선별하여 반영하는 구조로 되어 있다. 예를 들어, 도 1을 참조하면, 이 심층 신경망이 t+1 시점에 입력된 데이터를 분석하는 경우에 t-1 시점, t 시점에 분석한 주요 특징을 반영한 학습을 통하여 해당 데이터를 분석할 수 있다. 이와 같이 본 발명에서는 순환 신경망의 구조를 이용하여 데이터의 시간에 따른 변화를 추출하여 소정 증상의 예측을 통하여 환자의 위험도를 평가하는 데 활용할 수 있는 장점이 있다.
요컨대, 시계열적 순서, 시간의 흐름, 혹은 시간 축을 따라 전개되는 순환 신경망은 무한 개의 층을 가지는 심층 신경망으로 이해할 수 있는바, 도 1을 참조하여 설명하면, xt는 t 시점에서의 입력 벡터를 지칭하고, st는 t 시점에서의 은닉 상태(hidden state)(즉, 신경망의 기억)를 지칭한다.
부연하면, 도 1에 개념적으로 도시된 순환 신경망은 st=f(U xt+W st-1)과 y=g(V st)의 식을 따른다. 이를 일반화한 신경망은 st=f(xt, st-1, Ui, ...)과 y=g(st, Uj, ...), U=U1, W=U2, V=U3 식을 따르며 i는 3 이상일 수 있다.
참고로, y는 도 1에 o로 표시되어 있다. 여기에서, f는 활성화 함수(activation function)(예컨대, tanh() 및 ReLU 함수)를 지칭하고, U, V, W는 신경망의 파라미터를 지칭한다. 여기에서 U, V, W는 전방 전달 신경망(feedforward neural network)에서와는 달리 순환 신경망에서는 모든 시점의 단계들에 걸쳐 동일하게 공유되는 파라미터이다. g는 출력층(output layer)을 위한 활성화 함수(전형적으로는 softmax 함수가 있음)이며, y는 t 시점에서의 상기 신경망의 출력 벡터를 지칭한다. 이와 같은 순환 신경망을 이용하는 본 개시서의 실시 예에 관하여는 상세히 후술하기로 한다.
다음으로, 도 2는 본 발명의 일 실시 예에 따른 위험도 기반 피검체 분류 방법을 수행하는 컴퓨팅 장치의 예시적 구성을 개략적으로 도시한 개념도이다.
도 2를 참조하면, 본 발명의 일 실시 예에 따른 컴퓨팅 장치(200)는, 통신부(210) 및 프로세서(220)를 포함하며, 상기 통신부(210)를 통하여 외부 컴퓨팅 장치(미도시)와 직간접적으로 통신할 수 있다.
구체적으로, 상기 컴퓨팅 장치(200)는, 전형적인 컴퓨터 하드웨어(예컨대, 컴퓨터, 프로세서, 메모리, 스토리지(storage), 입력 장치 및 출력 장치, 기타 기존의 컴퓨팅 장치의 구성요소들을 포함할 수 있는 장치; 라우터, 스위치 등과 같은 전자 통신 장치; 네트워크 부착 스토리지(NAS; network-attached storage) 및 스토리지 영역 네트워크(SAN; storage area network)와 같은 전자 정보 스토리지 시스템)와 컴퓨터 소프트웨어(즉, 컴퓨팅 장치로 하여금 특정의 방식으로 기능하게 하는 명령어들)의 조합을 이용하여 원하는 시스템 성능을 달성하는 것일 수 있다. 상기 스토리지는 하드 디스크, USB(universal serial bus) 메모리와 같은 기억 장치뿐만 아니라 클라우드 서버와 같은 네트워크 연결 기반의 저장 장치의 형태를 포함할 수 있다.
이와 같은 컴퓨팅 장치의 통신부(210)는 연동되는 타 컴퓨팅 장치와의 사이에서 요청과 응답을 송수신할 수 있는바, 일 예시로서 그러한 요청과 응답은 동일한 TCP(transmission control protocol) 세션(session)에 의하여 이루어질 수 있지만, 이에 한정되지는 않는 바, 예컨대 UDP(user datagram protocol) 데이터그램(datagram)으로서 송수신될 수도 있을 것이다.
구체적으로, 통신부(210)는 통신 인터페이스를 포함하는 통신 모듈의 형태로 구현될 수 있다. 이를테면, 통신 인터페이스는 WLAN(wireless LAN), WiFi(wireless fidelity) Direct, DLNA(digital living network alliance), Wibro(wireless broadband), Wimax(world interoperability for microwave access), HSDPA(high speed downlink packet access) 등의 무선 인터넷 인터페이스와 블루투스(Bluetooth™), RFID(radio frequency identification), 적외선 통신(infrared data association; IrDA), UWB(ultra-wideband), ZigBee, NFC(near field communication) 등의 근거리 통신 인터페이스를 포함할 수 있다. 뿐만 아니라, 통신 인터페이스는 외부와 통신을 수행할 수 있는 모든 인터페이스(예를 들어, 유선 인터페이스)를 나타낼 수 있다.
예를 들어, 통신부(210)는 이와 같이 적합한 통신 인터페이스를 통해 외부 장치로부터 사용자의 생체 신호, 혈액 검사 데이터와 같은 신체 데이터 및 비신체 데이터를 포함하는 환자 데이터 등을 획득할 수 있다. 덧붙여, 넓은 의미에서 상기 통신부(210)는 명령어 또는 지시 등을 전달받기 위한 키보드, 마우스, 기타 외부 입력 장치, 인쇄 장치, 디스플레이, 기타 외부 출력 장치를 포함하거나 이들과 연동될 수 있다.
또한, 컴퓨팅 장치의 프로세서(220)는 MPU(micro processing unit), CPU(central processing unit), GPU(graphics processing unit), NPU(neural processing unit) 또는 TPU(tensor processing unit), 캐시 메모리(cache memory), 데이터 버스(data bus) 등의 하드웨어 구성을 포함할 수 있다. 또한, 운영체제, 특정 목적을 수행하는 애플리케이션의 소프트웨어 구성을 더 포함할 수도 있다.
도 3은 본 발명의 일 실시 예에 따른 위험도 기반 피검체 분류 방법을 수행하는 컴퓨팅 장치의 하드웨어 및 소프트웨어 아키텍처를 예시적으로 도시한 개념도이다.
도 3을 참조하여 본 발명에 따른 방법 및 장치의 구성을 개관하면, 컴퓨팅 장치(200)는 그 일 구성요소로서 데이터 획득 모듈(310)을 포함할 수 있다. 이와 같은 데이터 획득 모듈(310)은 상기 컴퓨팅 장치(200)에 포함된 통신부(210), 또는 상기 통신부(210) 및 프로세서(220)의 연동에 의하여 구현될 수 있음은 통상의 기술자가 이해할 수 있을 것이다.
데이터 획득 모듈(310)은 피검체의 환자 데이터, 예컨대, 생체 신호, 혈액 검사 데이터와 같은 신체 데이터 및 피검체 내지 환자 취급과 관련된 다양한 데이터, 예컨대, 소재한 의료 기관의 종류, 위치, 타 인접 의료 기관들의 소재 내지 환자와의 거리 등을 포함하는 비신체 데이터를 획득할 수 있다. 예를 들어, 이들 데이터는 상기 피검체의 전자 의무 기록(electronic medical record; EMR)으로부터 획득되는 것일 수 있으나, 이에 한정되지는 않는다.
다음으로, 위 환자 데이터는 환자 정보 통합 모듈(320)에 전달될 수 있는데, 데이터 통합 모듈(320)에서는 환자 데이터에 포함된 수치 데이터와 텍스트로 표현 가능한 데이터를 통합하여 수치화된 통합 데이터를 생성한다. 여기에서, 텍스트로 표현 가능한 데이터라 함은 텍스트 자체 또는 음성 데이터를 포함할 수 있다. 진료 기록(clinical note) 및 처방전이 텍스트로 표현 가능한 데이터에 포함되는 것은 물론이다. 또한, 예를 들어, 생체 신호는 수치로 표현되며, 주요 호소 증상(chief complaint)은 텍스트로 표현 가능한 데이터로 되어 있는 등 초기의 환자 데이터는 다양한 형태로 표현되어 있는데, 이를 기계 학습에 용이하게 이용하기 위하여는 동일한 형태로 표현되도록 변형하는 것이 바람직하다. 이 데이터 통합을 구체적으로 설명하면 다음과 같다.
도 4는 본 발명의 일 실시 예에서 수행되는 환자 데이터의 통합을 예시하기 위한 제1 예시적 도면이며, 도 5는 환자 데이터의 통합을 예시하기 위한 제2 예시적 도면이다.
도 4를 참조하면, 텍스트 데이터가 수치 데이터로 변환되는 예시가 나타나는데, 텍스트 데이터의 일 예시인 지역응급센터의 정보는 우선 카테고리화 데이터(410)로 표현될 수 있으며, 이 카테고리화 데이터(410)는, 다시, 수치 형태(420)로 표현될 수 있다. 예를 들어, 텍스트 데이터를 카테고리화 데이터(410)로, 카테고리화 데이터(410)를 수치(420) 형태로 가공하는 일 방안으로서 워드 임베딩(word embedding) 기술, 예컨대 word2vec 기술이 이용될 수 있다.
도 4에는 텍스트 데이터의 다른 예시인 권역응급센터의 정보가 카테고리화 데이터(430)로 표현된 것과, 그 카테고리화 데이터(430)가, 다시, 수치 형태(440)로 가공된 예시도 나타나 있다. 물론, 텍스트 데이터는 하나의 단어만이 아니라 여러 단어를 포함할 수 있으므로, 그 경우 텍스트 데이터에 포함된 각각의 단어에 대하여 상기 카테고리화 및 수치 형태의 가공이 수행될 수 있다.
그런데 텍스트가 수치로 표현된 데이터가 원래 수치 형태인 수치 데이터에 비하여 훈련에 더 많은 영향을 끼쳐, 데이터들이 기계 학습에 고르게 반영되지 않는 문제가 발생될 수 있는바, 이는, 예를 들어 도 5에 도시된 바와 같이, 지역응급센터는 카테고리화(510)를 거쳐 4x1 행렬의 데이터(520)로 표현되는 반면, 심박수(heart rate; 530)는 1x1로 표현될 수 있기 때문이다.
본 발명자들은 이를 해결하기 위한 방안으로 수치 데이터도 텍스트가 카테고리화를 거쳐 수치로 표현된 것과 같은 형태로 변환될 수 있게 하였다. 즉 도 5를 참조하면, 심박수는 0.00~0.25의 클래스, 0.25~0.50의 클래스, 0.50~0.75의 클래스 및 0.75~1.00의 클래스로 카테고리 표현할 수 있는바, 이때 심박수 0.7을 카테고리화하면 (0, 0, 1, 0)T로 표현된다(540). 이 카테고리화 데이터는 다시 수치 형태(550)로 변환될 수 있는바, 그러한 변환의 일 방안에는 전술한 것과 마찬가지의 워드 임베딩 등이 있을 수 있다. 참고로, 도 5에 나타난 심박수는 0 내지 1.0의 값을 가지도록 스케일링(혹은, 정규화, normalization)된 값인데, 이는 기계학습, 특히 인공신경망의 입출력값으로 적합화된 것인바, 이와 같이 수치 데이터가 0 내지 1.0의 값을 가지도록 스케일링될 수 있다.
이와 같이 카테고리화를 거쳐 수치화된 수치 데이터는 텍스트가 수치로 표현된 데이터와 동일한 형태를 가질 수 있게 되는바, 이른바, 통합(integration)이라고 지칭할 수 있다.
즉, 수치 형태인 통합 데이터는 상기 피검체의 환자 데이터 또는 이를 가공한 데이터로서 수치화된 데이터로서, 피검체의 위험도 평가를 위한 기계 학습 기반 예측 모듈(340)에 전달될 수 있으며, 기계 학습 기반 예측 모듈(340)은, 피검체의 위험도를 평가한 결과로서 분류의 결과를 생성하는 기능을 하는바, 구체적인 과정에 관하여는 후술하기로 한다.
한편, 기계 학습 기반 예측 모듈(340)의 훈련을 위한 훈련 모듈(330)은 제공된 통합 데이터를 그대로 받아 이용할 수도 있으나, 이 경우에, 대부분의 통합 데이터는 (정상이므로) 해당 환자가 응급실에서 퇴원해도 되는 반면, 위험도가 높은 환자의 통합 데이터는 그 수가 적은 문제, 이른바, 데이터 불균형(data imbalance) 문제가 있는바, 기계 학습 모델이 정상인 데이터 위주로 훈련되는 상황에 놓이게 된다.
이를 해결하기 위하여, 본 개시서에서는, 훈련 모듈(330)이, 위험도가 높은 환자, 예컨대, 심정지와 같은 소정 증상 발생에 해당하는 환자의 통합 데이터를 충분히 더 많이 고려할 수 있게 하는 방식을 취한다. 구체적으로, 훈련 모듈(330)은, 입력되는 통합 데이터의 샘플 비율(sample ratio)을 조절하여, 초기에는 소정 증상 발생 데이터만을 학습하거나 소정 증상 발생 데이터를 위주로 학습하고 난 후, 소정 증상 발생 데이터와 정상 데이터를 동일 또는 비슷한 비율로 동시에 학습할 수 있다.
그런데, 의료 현실상 실제로 얻어질 수 있는 정상 데이터에 비하여 소정 증상 발생 데이터의 수가 현저히 적으므로, 소정 증상 발생 데이터의 대용으로 실제와 유사한 유사 소정 증상 발생 데이터를 생성하여 이를 상기 동시 학습에 이용할 수 있다. 실제와 유사한 데이터를 얻는 수단에는 생성적 적대적 신경망(generative adversarial networks), 가변 자기부호화기(variational autoencoder) 등을 포함하여, 통상의 기술자에게 널리 알려진 다양한 수단이 있을 수 있다. 예컨대, 생성적 적대적 신경망의 구체적인 구성은 Goodfellow, Ian J.; Pouget-Abadie, Jean; Mirza, Mehdi; Xu, Bing; Warde-Farley, David; Ozair, Sherjil; Courville, Aaron; Bengio, Yoshua (2014). "Generative Adversarial Networks"에 개시된 바와 같다.
도 6은 본 발명의 일 실시 예에서 이와 같은 생성적 적대적 신경망(GAN; generative adversarial networks)을 이용하여 유사 소정 증상 발생 데이터를 생성하는 방식을 예시하기 위하여 개념적으로 도시한 도면이다.
도 6을 참조하면, 이 실시 예에서 훈련 모듈(330)에 포함되는 생성적 적대적 신경망(GAN)은 생성기(generator; 332) 및 판별기(discriminator; 334)를 포함한다. 생성기는 소정의 레이블을 입력받아 이를 기초로 실제와 유사한 유사 소정 증상 발생 데이터를 생성함으로써 판별기를 속여서 그 유사 소정 증상 발생 데이터를 실제 소정 증상 발생 데이터로 판별하게 하는 것을 목표로 가지는 반면, 판별기는 실제 소정 증상 발생 데이터와 생성된 유사 소정 증상 발생 데이터를 서로 구분해내는 것을 목표로 가진다. 이 GAN에 의한 학습이 진행되는 과정에서 생성기와 판별기는 각각의 목표를 달성하기 위하여 신경망 가중치를 갱신하는바, 충분한 학습 후에는 생성기가 실제와 유사한 유사 소정 증상 발생 데이터를 생성해내고, 판별기에 의한 판별률이 이론적으로 0.5에 수렴되는 것이 밝혀져 있다.
결과적으로, GAN에 의하여 충분히 학습된 생성기는 실제 소정 증상 발생 데이터와 가까운 데이터(즉, 유사 소정 증상 발생 데이터)를 생성하게 되므로, 데이터 불균형을 해결하고 소정 증상 발생 데이터와 정상 데이터를 동시에 학습하기 위한 원하는 샘플 비율을 얻을 수 있다. 생성기는 실제와 유사한 유사 소정 증상 발생 데이터를 정상 데이터에 상당할 정도로 충분히 생성해낼 수 있기 때문이다. 물론, 전술한 설명이 본 개시서의 실시 예를 GAN을 이용한 것에 한정하려고 하는 의도가 아님을 통상의 기술자는 이해할 수 있을 것이다.
다음으로, 갱신 모듈(350)은, 피검체의 소정 증상의 예측에 이용되는 기계 학습 기반 예측 모듈(340)(혹은, 더 엄밀하게는, 기계 학습 모듈에서 채용된 기계 학습 모델)을 미리 학습하거나 본 발명의 방법의 수행에 따른 분류 결과를 (의료진 등이) 평가한 정보에 기초하여 상기 기계 학습 모델을 갱신하는 기능을 한다.
이제 본 발명에 따른 위험도 기반 피검체 분류 방법을 도 7을 참조하여 구체적으로 설명하기로 한다. 도 7은 본 발명의 일 실시 예에 따른 위험도 기반 피검체 분류 방법을 예시적으로 나타낸 흐름도이다.
도 7을 참조하면, 본 발명에 따른 위험도 기반 피검체 분류 방법은, 우선, 컴퓨팅 장치(200)의 통신부(210)에 의하여 구현(혹은 실행)되는 데이터 획득 모듈(310)이, 상기 피검체의 통합 데이터를 획득하거나 상기 컴퓨팅 장치에 연동되는 타 장치로 하여금 획득하도록 지원하는 단계(S120, S140)를 포함한다. 상기 통합 데이터는 상기 피검체의 환자 데이터(S120) 또는 이를 가공한 데이터로서 수치화된 데이터(S140)이다.
단계(S120)의 일 실시 예에서는, 컴퓨팅 장치(200)의 프로세서(220)에 의하여 구현되는 데이터 통합 모듈(320)이, 상기 환자 데이터 중 수치화되지 않은 데이터를 카테고리화하여 카테고리화 데이터를 생성하고, 상기 카테고리화 데이터를 수치 형태로 가공함으로써 상기 수치화되지 않은 데이터를 수치화할 수 있다. 앞서 도 4를 참조하여 설명된 바와 같이, 수치화되지 않은 데이터가 카테고리화되어 생성된 카테고리화 데이터의 예시는 도 4에 나타난 참조부호 410 및 430과 같으며, 그 카테고리화 데이터가 수치 형태로 가공된 결과의 예시는 도 4에 나타난 참조부호 420 및 440과 같다.
바람직하게는, 이 실시 예의 단계(S120)에서 상기 데이터 통합 모듈(320)이, 상기 수치화되지 않은 데이터의 수치화한 결과에 대응되도록 상기 환자 데이터 중 수치화되어 있는 데이터에 대하여 상기 카테고리화 및 수치 형태의 가공을 수행할 수 있다. 앞서 도 5를 참조하여 설명된 바와 같이, 수치화되지 않은 데이터(예컨대, 지역응급센터)의 수치화한 결과의 예시는 도 5에 나타난 참조부호 520과 같으며, 상기 환자 데이터 중 수치화되어 있는 데이터(예컨대, 심박수)에 대하여 상기 카테고리화를 수행한 결과 및 그 결과에 다시 수치 형태의 가공을 수행한 결과는 각각 도 5에 나타난 참조부호 540 및 550과 같다.
계속해서, 도 7을 참조하면, 상기 위험도 기반 피검체 분류 방법은, 상기 컴퓨팅 장치(200)의 프로세서(220)에 의하여 구현되는 기계 학습 기반 예측 모듈(340)이, 단계(S120, S140)에서의 통합 데이터를 상기 피검체의 위험도 평가를 위한 기계 학습 모델(machine learning model)에 적용함으로써 위험도를 평가(S200)한 결과로서 상기 분류의 결과를 생성하거나 상기 타 장치로 하여금 생성하도록 지원(S300)하는 단계(S200, S300)를 더 포함한다.
여기에서 상기 피검체의 위험도는 적어도 4가지 클래스로 분류될 수도 있는데, 그 4가지 클래스는, 예컨대, 퇴원 가능 환자, 입원 요망 환자, 중환자실 치료 요망 환자 및 사망 임박 환자일 수 있다.
구체적으로, 위험도의 평가(S200)는, 위험도가 높은, 예컨대, 심정지와 같은 소정 증상 발생의 예측을 통하여 수행될 수 있으며, 이를 위해 상기 기계 학습 모델이 상기 통합 데이터의 현재 시점 t로부터 소정의 시간 간격 n 후의 시점인 t+n 시점까지의 상기 소정 증상의 발생을 예측한 결과가 이용될 수 있다.
구체적인 일 예시로서, 상기 기계 학습 모델에는 순환 신경망(recurrent neural network) 모델과 같은 심층 신경망 모델이 포함될 수 있으며, 이는 상기 프로세서(220)에 의하여 실행될 수 있다. 전술한 바와 같이 st=f(U xt+W st-1)과 y=g(V st)의 식을 따르는 상기 순환 신경망(이를 더 일반화한 심층 신경망은 st=f(xt, st-1, Ui, ...)과 y=g(st, Uj, ...), U=U1, W=U2, V=U3 식을 따르며 i는 3 이상일 수 있다.)에 있어서 상기 xt는 t 시점에서의 입력 벡터인 상기 통합 데이터 또는 상기 통합 데이터로부터 가공된 값을 지칭하는데, 상기 통합 데이터로부터 가공된 값이라 함은, 예를 들어, 상기 통합 데이터의 (이전 시점으로부터 해당 시점으로의) 변화량 또는 상기 변화량의 변화량일 수 있다.
계속하여 설명하면, 상기 st는 상기 t 시점에서의 상기 순환 신경망 모델의 기억에 상응하는 은닉 상태(hidden state)를 지칭하며, 상기 st-1은 t-1 시점에서의 상기 은닉 상태를 지칭하고, 상기 U, V 및 W는 상기 순환 신경망 모델의 모든 시점에 걸쳐 동일하게 공유되는 신경망 파라미터를 지칭하며, 상기 f는 상기 은닉 상태를 산출하도록 선택된 소정의 제1 활성화 함수를 지칭하고, 상기 y는 t 시점에서의 상기 순환 신경망 모델에 따른 잠재적 특징(latent feature)인 출력층을 지칭하며, 상기 g는 상기 출력층을 산출하도록 선택된 소정의 제2 활성화 함수를 지칭한다.
구체적으로, 본 발명에 따른 기계 학습 모델 중 전반부(미도시)는 상기 t 시점에서의 통합 데이터를 참조로 하여 상기 통합 데이터 간의 관계를 반영하는 기능을 하는 것인바, 예컨대 상기 순환 신경망 모델에서의 U xt에 대응될 수 있다. 또한 본 발명에 따른 기계 학습 모델 중 후반부(미도시)는 상기 t-1 시점까지의 통합 데이터를 참조로 하여 시간에 따른 상기 통합 데이터의 변화를 반영하는 기능을 하는 것인바, 예컨대 상기 순환 신경망 모델에서의 W st-1에 대응될 수 있다.
여기에서, 상기 소정의 제1 활성화 함수 f로는 통상적으로 이용되는 tanh() 또는 ReLU 함수일 수 있다. 또한, 상기 소정의 제2 활성화 함수 g는 통상적으로 이용되는 softmax 함수일 수 있다. 각각의 용도에 따라, 계산의 복잡도에 따라 이와 같은 제1 활성화 함수 및 제2 활성화 함수의 선택이 달라질 수 있음이 알려져 있다.
또한, 이 예시에서는, 상기 기계 학습 모델에 상기 출력층(y)으로부터 상기 소정 증상의 발생 확률을 산출하기 위한 적어도 하나의 완전 연결층(fully connected layer)이 더 포함될 수 있다.
다만, 위험도를 평가하기 위한 기계 학습 모델은 이와 같은 순환 신경망 류의 심층 신경망에 한정되지 않는바, 통상의 기술자는 위험도 평가에 적합한 다양한 신경망 아키텍처를 활용할 수 있을 것이다.
또한, 상기 기계 학습 모델은, 앞서 기계 학습 기반 예측 모듈(340)에 관하여 설명된 바와 같이, 소정 증상의 발생 데이터 및 정상 데이터를 이용하여 훈련될 것일 수 있다.
이 경우, 바람직하게는, 기계 학습 모델은 (i) 소정 증상 발생 데이터를 학습하는 단계를 먼저 수행한 후에 (ii) 소정 증상 발생 데이터와 정상 데이터를 동시에 학습하는 단계를 거쳐 훈련된 것일 수 있다. 뿐만 아니라, 앞서 설명된 바와 같이 (ii)의 동시 학습 단계에서, 실제와 유사한 유사 소정 증상 발생 데이터를 생성하고 이를 이용함으로써 데이터 불균형을 해결할 수도 있다.
이처럼 본 발명에 따른 위험도 기반 피검체 분류 방법의 수행에 앞서, 상기 기계 학습 모델이 미리 훈련되는 단계(S050)를 거쳐야 할 필요가 있는바, 이를 위한 훈련 모듈(330)이 상기 프로세서(220)에 의하여 실행될 수 있다.
상기 심층 신경망(예컨대 순환 신경망) 모델의 학습을 위하여, 상기 훈련 모듈(330)은 다수의 통합 데이터를 학습 데이터로서 이용하는 역전파(back-propagation)를 통하여 상기 심층 신경망 모델을 학습할 수 있으며, 이와 같은 학습에 의하여 그 심층 신경망의 파라미터, 가중치, 편향치 등이 결정될 수 있다. 앞서 언급된 바와 같이 본 개시서에서 이용될 수 있는 기계 학습 모델은 순환 신경망 등의 심층 신경망에 한정되지 않는바, 롱숏텀메모리(long-short term memory; LSTM), GRU, MemN 등과 같이 본 발명의 기술분야에 널리 알려진 다양한 변형들이 이용될 수 있다.
계속해서, 도 7을 참조하면, 본 발명에 따른 위험도 기반 피검체 분류 방법은, 그 결과의 유용한 이용을 도모하기 위하여, 컴퓨팅 장치(200)에 의하여 구현되는 소정의 모듈(미도시)이, 생성된 상기 분류 결과를 외부 엔티티(entity)에게 제공하는 단계(미도시)를 더 포함한다.
여기에서 외부 엔티티라고 함은, 본 발명에 따른 방법을 수행하는 컴퓨팅 장치(200)의 사용자, 관리자, 상기 피검체를 담당하는 담당 의료 전문가 등을 포함하나, 이 이외에도 분류 결과를 필요로 하는 주체라면 어느 주체라도 포함되는 것으로 이해되어야 할 것이다. 외부 엔티티가 인간인 때에는 컴퓨팅 장치(200)는 소정의 출력 장치, 예컨대 디스플레이에 표시된 사용자 인터페이스를 통하여 분류 결과를 외부 엔티티에 제공할 수 있다.
지금까지 도 2 내지 도 7에 나타난 구성요소들은 설명의 편의상 하나의 컴퓨팅 장치에서 실현되는 것으로 예시되었으나, 본 발명의 방법을 수행하는 컴퓨팅 장치(200)는 복수개의 장치들이 서로 연동된 것으로 구성될 수도 있다는 점이 이해될 것이다. 따라서 전술한 본 발명 방법의 각 단계는, 하나의 컴퓨팅 장치가 직접 수행하거나 상기 하나의 컴퓨팅 장치가 상기 하나의 컴퓨팅 장치에 연동되는 타 컴퓨팅 장치로 하여금 수행하도록 지원함으로써 수행될 수 있음이 자명하다.
이와 같이 본 발명에 따른 위험도 기반 피검체 분류 방법은, 미리 학습된 기계 학습 모델에 기초하여 피검체의 위험도를 평가하고, 피검체를 분류할 수 있는바, 그 분류 결과를 사용자 등이 평가한 정보 등을 다시 상기 기계 학습 모델에 대한 갱신의 자료로 활용한다면, 상기 기계 학습 모델로 하여금 더 정확한 분류를 수행하도록 할 수 있는 장점이 있으므로, 이러한 장점을 취하기 위하여 본 발명에 따른 위험도 기반 피검체 분류 방법은, 상기 프로세서(220)가, 상기 분류 결과를 평가한 정보에 기초하여, 상기 기계 학습 모델을 갱신하거나 상기 타 장치로 하여금 갱신하도록 지원하는 단계(S400)를 더 포함할 수 있다. 이때, 이전의 학습 때에는 고려되지 않았던 통합 데이터가 훈련용 데이터로서 추가 고려되어 이전의 학습 때에 있었던 오류를 바로잡을 수 있기 때문에 상기 기계 학습 모델의 정확도가 향상되는바, 데이터가 쌓일수록 상기 기계 학습 모델의 성능이 지속적으로 향상되는 장점이 있다.
여기에서 상기 분류 결과를 평가한 정보는 상기 의료 전문가 등의 외부 엔티티로부터 제공될 수 있다. 예를 들어, 퇴원 가능 환자, 입원 요망 환자, 중환자실 치료 요망 환자 및 사망 임박 환자를 서로 잘못 구분하지 않도록 하기 위하여, 외부 엔티티가 잘못 구분된 분류 결과에 대하여 평가한 정보를 통하여 그 오류를 바로잡아줄 수 있다.
이와 같이 본 발명은 전술한 모든 실시 예들에 걸쳐, 의료 자원이 한정된 환경에서도 응급실에서 측정 혹은 사용하는 정도의 데이터만을 가지고 신속한 환자 분류에 따른 효율적인 대처 및 진료가 가능하기 때문에, 고위험 환자의 생명을 신속히 구제하는 한편, 의료진의 환자 분류에 대한 수고가 줄어드는 장점이 있다.
본 개시서의 다양한 실시 예들에 관한 설명에 기초하여 해당 기술분야의 통상의 기술자는, 본 발명의 방법 및/또는 프로세스들, 그리고 그 단계들이 하드웨어, 소프트웨어 또는 특정 용례에 적합한 하드웨어 및 소프트웨어의 임의의 조합으로 실현될 수 있다는 점을 명확하게 이해할 수 있다. 상기 하드웨어는 범용 컴퓨터 및/또는 전용 컴퓨팅 장치 또는 특정 컴퓨팅 장치 또는 특정 컴퓨팅 장치의 특별한 모습 또는 구성요소를 포함할 수 있다. 상기 프로세스들은 내부 및/또는 외부 메모리를 가지는, 하나 이상의 프로세서, 예컨대, 마이크로프로세서, 컨트롤러, 예컨대, 마이크로컨트롤러, 임베디드 마이크로컨트롤러, 마이크로컴퓨터, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 예컨대, 프로그래머블 디지털 신호 프로세서 또는 기타 프로그래머블 장치에 의하여 실현될 수 있다. 게다가, 혹은 대안으로서, 상기 프로세스들은 주문형 집적회로(application specific integrated circuit; ASIC), 프로그래머블 게이트 어레이(programmable gate array), 예컨대, FPGA(field programmable gate array), PLU(programmable logic unit) 혹은 프로그래머블 어레이 로직(Programmable Array Logic; PAL) 또는 기타 명령어(instruction)를 실행하고 응답할 수 있는 임의의 다른 장치, 전자 신호들을 처리하기 위해 구성될 수 있는 임의의 다른 장치 또는 장치들의 조합으로 실시될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령어(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령어 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 기계 판독 가능 기록 매체에 저장될 수 있다.
더욱이 본 발명의 기술적 해법의 대상물 또는 선행 기술들에 기여하는 부분들은 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 기계 판독 가능 매체에 기록될 수 있다. 기계 판독 가능 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 기계 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 실시 예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야의 통상의 기술자에게 공지되어 사용 가능한 것일 수도 있다. 기계 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD, Blu-ray와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 전술한 장치들 중 어느 하나뿐만 아니라 프로세서, 프로세서 아키텍처 또는 상이한 하드웨어 및 소프트웨어의 조합들의 이종 조합, 또는 다른 어떤 프로그램 명령어들을 실행할 수 있는 기계 상에서 실행되기 위하여 저장 및 컴파일 또는 인터프리트될 수 있는, C와 같은 구조적 프로그래밍 언어, C++ 같은 객체지향적 프로그래밍 언어 또는 고급 또는 저급 프로그래밍 언어(어셈블리어, 하드웨어 기술 언어들 및 데이터베이스 프로그래밍 언어 및 기술들)를 사용하여 만들어질 수 있는 바, 기계어 코드, 바이트코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 이에 포함된다.
따라서 본 발명에 따른 일 태양에서는, 앞서 설명된 방법 및 그 조합들이 하나 이상의 컴퓨팅 장치들에 의하여 수행될 때, 그 방법 및 방법의 조합들이 각 단계들을 수행하는 실행 가능한 코드로서 실시될 수 있다. 다른 일 태양에서는, 상기 방법은 상기 단계들을 수행하는 시스템들로서 실시될 수 있고, 방법들은 장치들에 걸쳐 여러 가지 방법으로 분산되거나 모든 기능들이 하나의 전용, 독립형 장치 또는 다른 하드웨어에 통합될 수 있다. 또 다른 일 태양에서는, 위에서 설명한 프로세스들과 연관된 단계들을 수행하는 수단들은 앞서 설명한 임의의 하드웨어 및/또는 소프트웨어를 포함할 수 있다. 그러한 모든 순차 결합 및 조합들은 본 개시서의 범위 내에 속하도록 의도된 것이다.
예를 들어, 상기된 하드웨어 장치는 실시 예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다. 상기 하드웨어 장치는, 프로그램 명령어를 저장하기 위한 ROM/RAM 등과 같은 메모리와 결합되고 상기 메모리에 저장된 명령어들을 실행하도록 구성되는 MPU, CPU, GPU, TPU와 같은 프로세서를 포함할 수 있으며, 외부 장치와 신호를 주고받을 수 있는 통신부를 포함할 수 있다. 덧붙여, 상기 하드웨어 장치는 개발자들에 의하여 작성된 명령어들을 전달받기 위한 키보드, 마우스, 기타 외부 입력 장치를 포함할 수 있다.
이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항들과 한정된 실시 예 및 도면에 의해 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명이 상기 실시 예들에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 사람이라면 이러한 기재로부터 다양한 수정 및 변형을 꾀할 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시 예에 국한되어 정해져서는 아니되며, 본 개시서에 첨부된 특허청구범위뿐만 아니라 이 특허청구범위와 균등하게 또는 등가적으로 변형된 모든 것들은 본 발명의 사상의 범주에 속한다고 할 것이다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그와 같이 균등하게 또는 등가적으로 변형된 것에는, 예컨대 본 발명에 따른 방법을 실시한 것과 동일한 결과를 낼 수 있는, 논리적으로 동치(logically equivalent)인 방법이 포함될 것인 바, 본 발명의 진의 및 범위는 전술한 예시들에 의하여 제한되어서는 아니되며, 법률에 의하여 허용 가능한 가장 넓은 의미로 이해되어야 한다.

Claims (10)

  1. 피검체의 위험도를 평가하여 상기 위험도에 따라 상기 피검체를 분류하는 방법에 있어서,
    (a) 컴퓨팅 장치의 통신부가, 상기 피검체의 통합 데이터를 획득하거나 상기 컴퓨팅 장치에 연동되는 타 장치로 하여금 획득하도록 지원하는 단계로서, 상기 통합 데이터는 상기 피검체의 환자 데이터 또는 이를 가공한 데이터로서 수치화된 데이터인, 단계;
    (b) 상기 컴퓨팅 장치의 프로세서에 의하여 구현되는 기계학습 기반 예측 모듈이, 상기 통합 데이터를 상기 피검체의 위험도 평가를 위한 기계 학습 모델(machine learning model)에 적용함으로써 위험도를 평가한 결과로서 상기 분류의 결과를 생성하거나 상기 타 장치로 하여금 생성하도록 지원하는 단계; 및
    (c) 상기 컴퓨팅 장치의 상기 통신부가, 생성된 상기 분류 결과를 외부 엔티티(entity)에게 제공하거나 상기 타 장치로 하여금 제공하도록 지원하는 단계
    를 포함하되,
    상기 (a) 단계는,
    상기 컴퓨팅 장치의 프로세서에 의하여 구현되는 데이터 통합 모듈을 통하여, 상기 환자 데이터 중 수치화되지 않은 데이터에 대한 다수의 카테고리를 생성하는 방식으로 상기 수치화되지 않은 데이터를 카테고리화한 카테고리화 데이터를 생성하며, 상기 다수의 카테고리 중 상기 수치화되지 않은 데이터가 속한 카테고리에 대한 값을 1로, 상기 다수의 카테고리 중 상기 수치화되지 않은 데이터가 속하지 않은 나머지 카테고리에 대한 값을 0으로 설정하여 수치 형태로 가공된 벡터를 생성하는 방식으로 상기 수치화되지 않은 데이터를 수치화하고,
    상기 (a) 단계는,
    상기 컴퓨팅 장치의 프로세서에 의하여 구현되는 데이터 통합 모듈을 통하여, 상기 환자 데이터 중 수치화되어 있는 데이터를, 상기 수치화되지 않은 데이터의 수치화한 결과에 대응되도록, 상기 수치화되어 있는 데이터를 카테고리화한 카테고리화 데이터를 생성하고, 상기 다수의 카테고리 중 상기 수치화되어 있는 데이터가 속한 카테고리에 대한 값을 1로, 상기 다수의 카테고리 중 상기 수치화되어 있는 데이터가 속하지 않은 나머지 카테고리에 대한 값을 0으로 설정하여 수치 형태로 가공된 벡터를 생성하는 방식으로 상기 수치화되어 있는 데이터를 가공하는 것을 특징으로 하는 위험도 기반 피검체 분류 방법.
  2. 삭제
  3. 삭제
  4. 제1항에 있어서,
    (d) 상기 분류 결과를 평가한 정보에 기초하여, 상기 컴퓨팅 장치의 프로세서에 의하여 구현되는 갱신 모듈이, 상기 기계 학습 모델을 갱신하거나 상기 타 장치로 하여금 갱신하도록 지원하는 단계
    를 더 포함하는 위험도 기반 피검체 분류 방법.
  5. 제1항에 있어서,
    상기 피검체의 위험도는 적어도 4가지 클래스로 상기 분류되는 것을 특징으로 하는 위험도 기반 피검체 분류 방법.
  6. 제1항에 있어서,
    상기 피검체의 위험도 평가를 위한 기계 학습 모델은 소정 증상의 발생 데이터 및 정상 데이터를 이용하여 훈련된 것인 위험도 기반 피검체 분류 방법.
  7. 제6항에 있어서,
    상기 기계 학습 모델은,
    (i) 상기 소정 증상 발생 데이터를 학습하는 단계; 및
    (ii) 상기 (i) 단계의 종료 후, 상기 소정 증상 발생 데이터와 상기 정상 데이터를 동시 학습하는 단계
    를 수행함으로써 훈련된 것임을 특징으로 하는 위험도 기반 피검체 분류 방법.
  8. 제7항에 있어서,
    상기 (ii) 단계에서,
    실제와 유사한 유사 소정 증상 발생 데이터를 생성함으로써 상기 동시 학습에 이용하는 것을 특징으로 하는 위험도 기반 피검체 분류 방법.
  9. 컴퓨팅 장치로 하여금, 제1항, 제4항 내지 제8항 중 어느 한 항의 방법을 수행하도록 구현된 인스트럭션들(instructions)을 포함하는, 매체에 저장된 컴퓨터 프로그램.
  10. 피검체의 위험도를 평가하여 상기 위험도에 따라 상기 피검체를 분류하는 컴퓨팅 장치에 있어서,
    상기 피검체의 통합 데이터를 획득하는 통신부; 및
    (i) 상기 통합 데이터를 상기 피검체의 위험도 평가를 위한 기계 학습 모델(machine learning model)에 적용함으로써 위험도를 평가한 결과로서 상기 분류의 결과를 생성하는 프로세스, 및 (ii) 생성된 상기 분류 결과를 외부 엔티티(entity)에게 제공하는 프로세스를 수행하거나 상기 통신부를 통하여 연동되는 타 장치로 하여금 수행하도록 지원하는 프로세서
    를 포함하되,
    상기 통합 데이터는 상기 피검체의 환자 데이터 또는 이를 가공한 데이터로서 수치화된 데이터이고,
    상기 프로세서는,
    데이터 통합 모듈을 통하여, 상기 환자 데이터 중 수치화되지 않은 데이터에 대한 다수의 카테고리를 생성하는 방식으로 상기 수치화되지 않은 데이터를 카테고리화한 카테고리화 데이터를 생성하며, 상기 다수의 카테고리 중 상기 수치화되지 않은 데이터가 속한 카테고리에 대한 값을 1로, 상기 다수의 카테고리 중 상기 수치화되지 않은 데이터가 속하지 않은 나머지 카테고리에 대한 값을 0으로 설정하여 수치 형태로 가공된 벡터를 생성하는 방식으로 상기 수치화되지 않은 데이터를 수치화하고,
    상기 프로세서는,
    데이터 통합 모듈을 통하여, 상기 환자 데이터 중 수치화되어 있는 데이터를, 상기 수치화되지 않은 데이터의 수치화한 결과에 대응되도록, 상기 수치화되어 있는 데이터를 카테고리화한 카테고리화 데이터를 생성하고, 상기 다수의 카테고리 중 상기 수치화되어 있는 데이터가 속한 카테고리에 대한 값을 1로, 상기 다수의 카테고리 중 상기 수치화되어 있는 데이터가 속하지 않은 나머지 카테고리에 대한 값을 0으로 설정하여 수치 형태로 가공된 벡터를 생성하는 방식으로 상기 수치화되어 있는 데이터를 가공하는 것을 특징으로 하는 위험도 기반 피검체 분류 장치.
KR1020180154848A 2018-12-05 2018-12-05 피검체의 위험도를 평가하여 상기 위험도에 따라 상기 피검체를 분류하는 방법 및 이를 이용한 장치 KR102049829B1 (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
KR1020180154848A KR102049829B1 (ko) 2018-12-05 2018-12-05 피검체의 위험도를 평가하여 상기 위험도에 따라 상기 피검체를 분류하는 방법 및 이를 이용한 장치
JP2021530324A JP7165266B2 (ja) 2018-12-05 2019-12-04 被検体の危険度を評価して危険度に基づいて被検体を分類する方法及びそれを用いた装置
PCT/KR2019/017048 WO2020116942A1 (ko) 2018-12-05 2019-12-04 피검체의 위험도를 평가하여 상기 위험도에 따라 상기 피검체를 분류하는 방법 및 이를 이용한 장치
US17/295,880 US20220012634A1 (en) 2018-12-05 2019-12-04 Method for assessing degree of risk of subject and classifying same subject according to same degree of risk, and device using same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180154848A KR102049829B1 (ko) 2018-12-05 2018-12-05 피검체의 위험도를 평가하여 상기 위험도에 따라 상기 피검체를 분류하는 방법 및 이를 이용한 장치

Publications (1)

Publication Number Publication Date
KR102049829B1 true KR102049829B1 (ko) 2019-11-28

Family

ID=68730438

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180154848A KR102049829B1 (ko) 2018-12-05 2018-12-05 피검체의 위험도를 평가하여 상기 위험도에 따라 상기 피검체를 분류하는 방법 및 이를 이용한 장치

Country Status (4)

Country Link
US (1) US20220012634A1 (ko)
JP (1) JP7165266B2 (ko)
KR (1) KR102049829B1 (ko)
WO (1) WO2020116942A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI818203B (zh) * 2020-10-23 2023-10-11 國立臺灣大學醫學院附設醫院 基於病患病情的分類模型建立方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130132802A (ko) * 2010-10-12 2013-12-05 지멘스 메디컬 솔루션즈 유에스에이, 인크. 심혈관 질환들의 발병을 예측하기 위한 건강관리 정보 기술 시스템
KR20170140757A (ko) * 2016-06-10 2017-12-21 한국전자통신연구원 임상 의사결정 지원 앙상블 시스템 및 이를 이용한 임상 의사결정 지원 방법
KR101841222B1 (ko) 2017-08-11 2018-03-22 주식회사 뷰노 피검체의 치명적 증상의 발생을 조기에 예측하기 위한 예측 결과를 생성하는 방법 및 이를 이용한 장치
KR101843066B1 (ko) * 2017-08-23 2018-05-15 주식회사 뷰노 기계 학습에 있어서 데이터 확대를 이용하여 데이터의 분류를 수행하는 방법 및 이를 이용한 장치

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7761309B2 (en) * 2002-03-22 2010-07-20 Thinksharp, Inc. Method and system of mass and multiple casualty triage
EP2534597B1 (en) * 2010-03-15 2018-10-17 Singapore Health Services Pte Ltd Method of predicting the survivability of a patient
US10262108B2 (en) * 2013-03-04 2019-04-16 Board Of Regents Of The University Of Texas System System and method for determining triage categories
WO2017191227A1 (en) * 2016-05-04 2017-11-09 Koninklijke Philips N.V. Estimation and use of clinician assessment of patient acuity

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130132802A (ko) * 2010-10-12 2013-12-05 지멘스 메디컬 솔루션즈 유에스에이, 인크. 심혈관 질환들의 발병을 예측하기 위한 건강관리 정보 기술 시스템
KR20170140757A (ko) * 2016-06-10 2017-12-21 한국전자통신연구원 임상 의사결정 지원 앙상블 시스템 및 이를 이용한 임상 의사결정 지원 방법
KR101841222B1 (ko) 2017-08-11 2018-03-22 주식회사 뷰노 피검체의 치명적 증상의 발생을 조기에 예측하기 위한 예측 결과를 생성하는 방법 및 이를 이용한 장치
KR101843066B1 (ko) * 2017-08-23 2018-05-15 주식회사 뷰노 기계 학습에 있어서 데이터 확대를 이용하여 데이터의 분류를 수행하는 방법 및 이를 이용한 장치

Also Published As

Publication number Publication date
US20220012634A1 (en) 2022-01-13
JP7165266B2 (ja) 2022-11-02
JP2022514206A (ja) 2022-02-10
WO2020116942A1 (ko) 2020-06-11

Similar Documents

Publication Publication Date Title
Gutierrez Artificial intelligence in the intensive care unit
Kim et al. A deep learning model for real-time mortality prediction in critically ill children
Khemphila et al. Heart disease classification using neural network and feature selection
JP7307926B2 (ja) 被検体の致命的症状の発生を早期に予測するための予測結果を生成する方法、及びそれを利用する装置
Karatzia et al. Artificial intelligence in cardiology: Hope for the future and power for the present
KR101841222B1 (ko) 피검체의 치명적 증상의 발생을 조기에 예측하기 위한 예측 결과를 생성하는 방법 및 이를 이용한 장치
CN107249434B (zh) 鲁棒分类器
Moradi et al. Recent developments in modeling, imaging, and monitoring of cardiovascular diseases using machine learning
JP2023553586A (ja) 肺高血圧症の検出のための非侵襲的方法
Gearhart et al. A primer on artificial intelligence for the paediatric cardiologist
Rout et al. Early detection of sepsis using LSTM neural network with electronic health record
CN111276242A (zh) 一种针对医院重症监护室患者疾病诊断与病情状态评估建模方法
CN114611879A (zh) 一种基于多任务学习的临床风险预测系统
Ding Machine learning techniques
Hoyos et al. An autonomous cycle of data analysis tasks for the clinical management of dengue
KR102049829B1 (ko) 피검체의 위험도를 평가하여 상기 위험도에 따라 상기 피검체를 분류하는 방법 및 이를 이용한 장치
KR102421172B1 (ko) 앙상블 딥러닝과 형상 융합 기반 심장병 예측을 위한 스마트 헬스케어 모니터링 방법 및 시스템
Alotaibi et al. Stroke in-patients' transfer to the ICU using ensemble based model
JP2024513618A (ja) 感染症及び敗血症の個別化された予測のための方法及びシステム
Han et al. Machine learning based classification model for screening of infected patients using vital signs
Barakat et al. Lessons learned on using high-performance computing and data science methods towards understanding the acute respiratory distress syndrome (ards)
KR102049824B1 (ko) 피검체의 소정 증상의 발생을 예측하기 위한 예측 결과를 생성하는 방법 및 이를 이용한 장치
Basha et al. Deep learning neural network (DLNN)-based classification and optimization algorithm for organ inflammation disease diagnosis
Bhatt et al. Swine Flu Predication Using Machine Learning
Ashita et al. Prediction of Heart Diseases using Deep Learning: A Review

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant