KR102106428B1 - 건강나이 예측 방법 - Google Patents

Abstract

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 건강에 관련된 수치를 예측하는 방법이 개시된다. 학습용 상태 정보 및 학습용 기대여명 정보를 포함하는 기대여명 학습 데이터를 수신하는 단계; 상기 기대여명 학습 데이터를 이용한 딥러닝(deep learning)을 수행하여 기대여명 예측 모델을 생성하는 단계; 상태 정보를 수신하고 수신된 상기 상태 정보를 상기 기대여명 예측 모델로 처리하여 기대여명 예측 값을 출력하는 단계를 포함한다.

Description

건강나이 예측 방법{METHOD FOR PREDICTING HEALTH AGE}

본 개시는 인공지능 기술에 관한 것으로서, 보다 구체적으로 인공지능 기술을 활용한 예측에 관한 것이다.

사람의 지속적인 지시없이 기계가 스스로 상황에 따라 다른 동작을 수행하기 위하여 많은 연구가 진행되었으며 이는 인공지능에 대한 개발로 이어지게 되었다. 인공지능의 여러 방식 중 신경망을 모방하는 방식인 인공 신경망 기술은 만족할 만한 동작 수행 성능을 구현하기 위해서는 학습해야 할 데이터와 연산능력이 많이 필요하다. 이에 따라 인공 신경망 기술을 산업적으로 이용하기에는 얻는 편익에 비해 학습시키는데 사용되는 비용이 매우 높아 인공 신경망 기술은 산업성이 없는 것으로 여겨지고 있었으나, 컴퓨터의 성능의 비약적인 발전과 학습 방식의 최적화 등이 이루어져 학습시키는데 사용되는 비용이 낮아지게 되어 인공 신경망 기술이 다시 부상하게 되었다. 이러한 이유로 다양한 산업에서 인공 신경망 기술을 산업적으로 이용하려는 시도가 이루어 지고 있으며, 헬스케어 분야에서도 인공 신경망 기술을 산업적으로 이용하려는 수요가 있다.

선행기술 문헌: 한국등록특허 KR10-1744775

본 개시는 전술한 배경기술에 기초하여 안출된 것으로 건강에 관련된 수치예측을 제공하기 위한 것이다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 건강에 관련된 수치를 예측하는 방법이 개시된다. 상기 방법은 학습용 상태 정보 및 학습용 기대여명 정보를 포함하는 기대여명 학습 데이터를 수신하는 단계; 상기 기대여명 학습 데이터를 이용한 딥러닝(deep learning)을 수행하여 기대여명 예측 모델을 생성하는 단계; 상태 정보를 수신하고 수신된 상기 상태 정보를 상기 기대여명 예측 모델로 처리하여 기대여명 예측 값을 출력하는 단계를 포함한다.

대안적으로, 상기 출력된 기대여명 예측 값과 상기 상태 정보에 대응되는 통계적 기대여명 정보를 비교하여 노화연수 예측 값 및 건강나이 예측 값 중 적어도 하나를 연산하는 단계를 더 포함할 수 있다.

대안적으로, 상기 학습용 상태 정보 및 상태 정보는, 이름, 개인ID, 출생년도, 나이, 성별, 개인신상정보, 건강검진을 받은 날짜, 키, 몸무게, BMI, 혈액검사 수치, 생체계측 데이터, 가족력, 음주여부, 운동여부, 흡연여부, 진료 날짜, 진료 기관정보, 진료 내역, 사망여부, 사망날짜 및 질병 코드 중 적어도 하나를 포함할 수 있다.

대안적으로, 상기 기대여명 학습 데이터의 상기 학습용 상태 정보 각각에 상기 학습용 기대여명 정보를 라벨링하는 단계를 더 포함할 수 있다.

대안적으로, 상기 기대여명 학습 데이터의 상기 학습용 상태 정보 각각에 상기 학습용 기대여명 정보를 라벨링하는 단계는, 상기 학습용 상태 정보에 포함된 대상자가 사망자인 경우, 상기 학습용 상태 정보에 포함된 시간 관련 정보와 상기 대상자의 사망 시간 관련 정보의 차이를 상기 기대여명 정보로 하여 상기 학습용 상태 정보에 라벨링하는 단계; 및 상기 학습용 상태 정보에 포함된 대상자가 사망자가 아닌 경우, 상기 대상자의 개인정보에 기초한 통계적 기대여명 정보를 상기 기대여명 정보로 하여 상기 학습용 상태 정보에 라벨링하는 단계를 포함할 수 있다.

대안적으로, 상기 기대여명 학습 데이터를 이용한 딥러닝(deep learning)을 수행하여 기대여명 예측 모델을 생성하는 단계는, 상기 학습용 상태 정보를 인공 신경망에 입력시키는 단계; 상기 인공 신경망에서 출력된 상기 학습용 상태 정보에 대한 출력과 상기 학습용 기대여명을 비교하여 오차를 도출하는 단계; 및 상기 비교 결과 도출된 오차를 상기 인공 신경망에 역전파하여 상기 인공 신경망의 가중치를 업데이트하는 단계를 포함할 수 있다.

대안적으로, 상기 학습 데이터를 이용한 딥러닝(deep learning)을 수행하여 기대여명 예측 모델을 생성하는 단계는, 인공 신경망을 학습하기 위한 학습 에포크(epoch)가 사전결정된 에포크 이하인 경우, 상기 인공 신경망의 학습률(learning rate)을 사전결정된 수치 이상으로 설정하고, 상기 인공 신경망을 학습하기 위한 학습 에포크가 사전결정된 에포크 이상인 경우, 상기 인공 신경망의 학습률을 사전결정된 수치 이하로 설정할 수 있다.

대안적으로, 상기 학습용 상태 정보, 상기 기대여명 예측 값 및 학습용 노화연수 정보를 포함하는 노화연수 학습 데이터를 수신하는 단계; 상기 노화연수 학습 데이터를 이용한 딥러닝(deep learning)을 수행하여 노화연수 예측 모델을 생성하는 단계; 및 상기 상태 정보를 수신하고 수신된 상기 상태 정보를 상기 노화연수 예측 모델로 처리하여 노화연수 예측 값을 출력하는 단계를 더 포함할 수 있다.

대안적으로, 상기 노화연수 학습 데이터를 이용한 딥러닝(deep learning)을 수행하여 건강에 관련된 노화연수 수치 예측 모델을 생성하는 단계는, 상기 학습용 상태 정보를 노화연수 예측 인공 신경망에 입력시키는 단계; 상기 노화연수 예측 인공 신경망에서 출력된 상기 학습용 상태 정보에 대한 출력과 상기 학습용 노화연수 정보를 비교하여 오차를 도출하는 단계; 및 상기 비교 결과 도출된 오차를 상기 노화연수 예측 인공 신경망에 역전파하여 상기 인공 신경망의 가중치를 업데이트하는 단계를 포함할 수 있다.

대안적으로, 상기 노화연수 학습 데이터의 상기 학습용 상태 정보 각각에 상기 학습용 노화연수 정보를 라벨링하는 단계를 더 포함할 수 있다.

대안적으로, 상기 노화연수 학습 데이터의 상기 학습용 상태 정보 각각에 상기 학습용 노화연수 정보를 라벨링하는 단계는, 상기 학습용 상태 정보에 포함된 대상자가 사망자인 경우, 상기 학습용 상태 정보에 포함된 시간 관련 정보와 상기 대상자의 사망 시간 관련 정보의 차이를 노화연수 정보로 하여 상기 학습용 상태 정보에 라벨링하는 단계; 상기 학습용 상태 정보에 포함된 대상자가 사망자가 아닌 경우, 업데이트 전의 상기 인공 신경망에 상기 학습용 상태 정보를 입력하는 단계; 및 상기 학습용 상태 정보에 관련한 상기 기대여명 예측 모델의 출력을 상기 노화연수 정보로 하여 상기 학습용 상태 정보에 라벨링하는 단계를 포함할 수 있다.

대안적으로, 상기 학습용 상태 정보에 관련한 상기 기대여명 예측 모델의 출력을 상기 노화연수 정보로 하여 상기 학습용 상태 정보에 라벨링하는 단계를 포함할 수 있다.

대안적으로, 상기 학습용 상태 정보를 출생년도, 나이, 성별, 키, 몸무게, BMI, 혈액검사 수치, 생체계측 데이터, 가족력, 음주여부, 운동여부, 흡연여부 및 질병 코드 중 적어도 하나를 포함하는 사전결정된 기준에 따라 그룹화하는 단계를 더 포함할 수 있다.

대안적으로, 상기 사전결정된 기준에 따라 그룹화된 기대여명 학습 데이터를 이용한 딥러닝(deep learning)을 수행하여 상기 그룹화된 그룹별 기대여명 예측 모델을 생성하는 단계를 더 포함할 수 있다.

대안적으로, 상기 학습용 상태 정보는 대상자가 사망자이고, 그리고 대상자가 비 사망자인 재학습용 상태 정보를 상기 생성된 기대여명 예측 모델로 처리하여 재학습용 기대여명 정보를 생성하는 단계; 상기 재학습용 상태 정보 각각에 상기 재학습용 기대여명 정보를 라벨링하여 재학습용 데이터를 생성하는 단계; 상기 기대여명 학습 데이터 및 상기 재학습용 데이터를 이용한 딥러닝을 수행하여 상기 생성된 기대여명 예측 모델을 업데이트 하는 단계를 더 포함할 수 있다.

본 개시의 다른 일 실시예에서, 건강에 관련된 수치를 예측하는 장치가 개시된다. 상기 장치는 학습용 상태 정보 및 학습용 기대여명 정보를 포함하는 기대여명 학습 데이터를 수신하는 수신부; 상기 기대여명 학습 데이터를 이용한 딥러닝을 수행하여 기대여명 예측 모델을 생성하는 학습부 및 상태 정보를 수신하고 수신된 상기 상태 정보를 상기 기대여명 예측 모델로 처리하여 기대여명 예측 값을 출력하는 건강관련 예측 모델을 포함한다.

본 개시의 또 다른 일 실시예에서, 인코딩된 명령들을 포함하는 컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 컴퓨터 시스템의 하나 이상의 프로세서들에 의해 실행되는 경우, 상기 하나 이상의 프로세서들로 하여금 건강에 관련된 수치를 예측하기 위한 이하의 단계들을 수행하도록 하며, 상기 단계들은: 학습용 상태 정보 및 학습용 기대여명 정보를 포함하는 기대여명 학습 데이터를 수신하는 단계; 상기 기대여명 학습 데이터를 이용한 딥러닝(deep learning)을 수행하여 기대여명 예측 모델을 생성하는 단계; 및 상태 정보를 수신하고 수신된 상기 상태 정보를 상기 기대여명 예측 모델로 처리하여 기대여명 예측 값을 출력하는 단계를 포함한다.

본 개시는 건강에 관련된 수치 예측을 제공할 수 있다.

도 1은 본 개시의 일 실시예에 따른 건강에 관련된 수치 예측 장치(100) 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따른 신경망의 구성도이다.
도 3은 본 개시의 일 실시예에 따른 건강에 관련된 수치 예측 방법의 순서도이다.
도 4는 본 개시의 일 실시예에 따른 학습용 상태 정보 각각에 학습용 기대여명 정보를 라벨링하는 방법의 순서도이다.
도 5는 본 개시의 일 실시예에 따른 노화연수 학습 데이터를 이용하여 노화연수 예측 값을 구하는 방법의 순서도이다.
도 6은 학습용 상태 정보를 사전결정된 기준에 따라 그룹화하여 기준에 따른 기대여명 예측 모델을 생성하는 방법의 순서도이다.
도 7은 기대여명 모델에 재학습용 데이터를 수신하여 다시 딥러닝을 수행하여 기대여명 예측 모델을 업데이트하는 방법의 순서도이다.
도 8은 본 개시의 일 실시예에 따라 건강에 관련된 수치를 예측하는 방법을 구현하기 위한 수단을 도시한 블록 구성도이다.
도 9는 본 개시의 일 실시예에 따라 건강에 관련된 수치를 예측하는 방법을 구현하기 위한 모듈을 도시한 블록 구성도이다.
도 10은 본 개시의 일 실시예에 따라 건강에 관련된 수치를 예측하는 방법을 구현하기 위한 로직을 도시한 블록 구성도이다.
도 11은 본 개시의 일 실시예에 따라 건강에 관련된 수치를 예측하는 방법을 구현하기 위한 회로를 도시한 블록 구성도이다.
도 12는 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 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.

본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있고, 일 컴포넌트는 하나의 컴퓨터 내에 로컬화될 수 있고, 또는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.

더불어, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하지만, 하나 이상의 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.

제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

도 1은 본 개시의 일 실시예에 따른 건강에 관련된 수치 예측 장치(100)의 블록 구성도이다. 본 개시의 일 실시예에 따른 건강에 관련된 수치 예측 장치(100)는 수신부(110), 건강관련 예측 모델(120), 라벨링부(130), 학습부(140) 및 연산부(150)를 포함할 수 있다. 도 1 에 도시된 블록 구성도는 건강에 관련된 수치 예측 장치(100)를 간소화한 구성으로 표현한 것으로서, 본 개시는 이에 제한되지 않고, 구동에 필요한 추가적인 구성 요소들을 포함할 수 있다.

수신부(110)는 본 개시의 일 실시예에 따른 건강에 관련된 수치 예측 방법을 수행하기 위한 데이터 등을 다른 컴퓨팅 장치, 서버 등으로부터 수신할 수 있다. 수신부(110)는 학습용 상태 정보 및 학습용 기대여명 정보를 포함하는 기대여명 학습 데이터를 수신할 수 있다. 학습용 상태 정보는 이름, 개인ID, 출생년도, 나이, 성별, 개인신상정보, 건강검진을 받은 날짜, 키, 몸무게, BMI, 혈액검사 수치, 생체계측 데이터, 가족력, 음주여부, 운동여부, 흡연여부, 진료 날짜, 진료 기관정보, 진료 내역, 사망여부, 사망날짜 및 질병 코드 중 적어도 하나를 포함한다. 학습용 상태 정보는 본 개시의 일 실시예에 따른 건강에 관련된 수치 예측 모델을 학습 시키기 위한 대상자의 현재 상태 및 현재 건강 상태에 관련한 임의의 정보를 포함할 수 있다. 학습용 기대여명 정보는 대상자의 기대 여명에 관련한 임의의 정보를 포함할 수 있다. 학습용 기대여명 정보는 대상자가 사망자인 경우, 대상자의 상태 정보(즉, 대상자의 건강검진 정보)와 대상자의 사망시간 사이의 시간간격(즉, 학습용 상태 정보의 대상자가 사망자인 경우, 학습용 상태 정보의 생성시와 대상자 사망시 사이의 시간간격)을 포함할 수 잇다. 학습용 기대여명 정보는 대상자가 사망자가 아닌 경우, 통계적으로 결정되는 대상자의 기대여명에 관련한 정보(즉, 학습용 상태 정보의 대상자가 사망자가 아닌 30대 남성인 경우, 통계적으로 80세까지 생존이 예측되는 경우 기대여명 정보는 50년이 됨)일 수 있다.

수신부(110)는 상태 정보를 수신할 수 있다. 상태 정보는 이름, 개인ID, 출생년도, 나이, 성별, 개인신상정보, 건강검진을 받은 날짜, 키, 몸무게, BMI, 혈액검사 수치, 생체계측 데이터, 가족력, 음주여부, 운동여부, 흡연여부, 진료 날짜, 진료 기관정보, 진료 내역, 사망여부, 사망날짜 및 질병 코드 중 적어도 하나를 포함한다. 상태 정보는 본 개시의 일 실시예에 따른 건강에 관련된 수치 예측 모델에 전달되어 건강에 관련된 수치 예측 값을 출력 시키기 위한 대상자의 현재 상태 및 현재 건강 상태에 관련한 임의의 정보를 포함할 수 있다. 건강에 관련된 수치 예측 값은 기대여명 예측 값, 노화연수 예측 값 등을 포함한다. 기대여명은 대상자가 앞으로 몇 년 더 살수 있을지 기대되는 것을 나타낸 것이다. 예를 들어 기대여명 예측 값이 30 일 경우 앞으로 30년 더 살수 있을 것이라고 기대되는 것을 나타낸다. 노화연수는 대상자가의 실제나이에 비해 신체노화가 얼마나 됐는지는 나태내는 것이다. 예를 들어 노화연수 예측 값이 -1일 경우 실제나이에 비해 1살 신체노화가 덜 된 것일 수 있고, 노화연수 예측 값이 1일 경우 실제나이에 비해 1살 더 신체노화가 된 것일 수 있다.

수신부(110)는 기대여명 예측 값, 학습용 노화연수 정보를 포함하는 노화연수 학습 데이터를 수신할 수 있다. 기대여명 예측 값은 본 개시의 일 실시예에 의해 생성된 기대여명 예측 모델에 의하여 예측된 기대여명에 관련된 값일 수 있다. 학습용 노화연수 정보는 대상자에 대한 기대여명 예측 값과 통계적 기대여명 정보의 차이일 수 있다. 예를 들어, 30세 남성인 대상자의 기대여명 예측 값이 40년이고 통계적 기대여명이 50년인 경우, 대상자는 일반적으로 기대되는 수준보다 기대여명이 더 짧으므로, 자신의 실제 나이보다 노화된 것으로 판단될 수 있다. 이경우 30대 남성인 대상자의 노화연수는 10년이 될 수 있다. 반대로 기대여명 예측 값이 60년이고 통계적 기대여명이 50년인 경우 대상자는 일반적으로 기대되는 수준보다 기대여명이 더 길기 때문에, 자신의 실제나이보다 노화가 덜 된 것으로 판단될 수 있다. 이경우 30대 남성인 대상자의 노화연수는 -10년이 될 수 있다. 예를 들어, 수신부(110)는 병원서버, 정부 서버로부터 전자건강기록(EHR: electronic health record)을 수신할 수 있으며, 또한, 병원서버 등으로부터 전자의료기록(EMR: electronic medical record)을 수신할 수 있다. 또한, 수신부(110)는 사용자 단말(미도시)로부터 사용자의 건강검진 기록 등을 수신할 수 있다. 또한 수신부(110)는 기존 모델에서 나온 건강에 관련된 수치 예측 값을 새로운 학습 데이터로 수신할 수 있다. 전술한 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

건강관련 예측 모델(120)은 건강에 관련된 수치 예측 값을 출력하는 인공 신경망을 포함할 수 있다. 건강에 관련된 수치 예측 값은 기대여명 예측 값, 노화연수 예측 값 등을 포함한다. 건강관련 예측 모델(120)은 수신부(110)에서 수신한 상태 정보를 인공 신경망에 입력시켜 출력된 건강에 관련된 수치 예측 값을 사용자에게 출력함으로써 본 개시의 일 실시예에 따른 건강에 관련된 수치 예측을 수행할 수 있다. 전술한 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다. 건강관련 예측 모델(120)은 학습부(140)의 인공 신경망 학습에 따라 기대여명 예측 모델, 노화연수 예측 모델을 포함할 수 있다. 건강관련 예측 모델(120)은 인공 신경망을 포함하여, 기대여명 예측 값, 노화연수 예측 값을 출력할 수 있다.

건강 관련 예측 모델(120)은 기대여명 예측 모델 및 노화연수 예측 모델을 포함할 수 있다.

라벨링부(130)는 감독 학습을 위하여 학습 데이터와 라벨을 연관시킬 수 있다. 라벨링부(130)는 기대여명 학습 데이터의 학습용 상태 정보 각각에 학습용 기대여명 정보를 라벨링할 수 있다. 라벨링부(130)는 예를 들어, A라는 대상자에 관한 학습용 상태 정보에 A라는 대상자의 학습용 기대여명 정보를 연관시켜 라벨링할 수 있다.

라벨링부(130)는 학습용 상태 정보에 포함된 대상자가 사망자인 경우, 학습용 상태 정보에 포함된 시간 관련 정보와 상기 대상자의 사망 시간 관련 정보의 차이를 상기 기대여명 정보로 하여 상기 학습용 상태 정보에 라벨링할 수 있다. 라벨링부(130)는 학습용 상태 정보에 포함된 대상자가 사망자가 아닌 경우, 상기 대상자의 개인정보에 기초한 통계적 기대여명 정보를 상기 기대여명 정보로 하여 상기 학습용 상태 정보에 라벨링할 수 있다. 예를 들어, 라벨링부(130)는 대상자A가 사망자인 경우 대상자 A의 학습용 상태 정보에 포함된 시간관련 정보(즉, 건강검진일)와 대상자 A의 실제 사망시의 차이(즉, 건감검진일로부터 사망일 까지의 시간)를 기대여명 정보로 하여 대상자 A의 학습용 상태 정보에 라벨링할 수 있다. 라벨링부(130)는 대상자B가 사망자가 아닌 경우 대상자 B의 개인정보에 기초한 통계적 기대여명 정보(예를들어, 통계청의 연령별 기대여명 정보에 기초한 기대여명)을 대상자 B의 학습용 상태 정보에 라벨링할 수 있다. 예를들어, 대상자 B가 30대 남성으로 50년의 통계적 기대여명을 가지는 경우, 대상자 B의 학습용 상태 정보에 50년의 기대여명을 라벨링할 수 있다. 또한 라벨링부(130)는 대상자C가 사망자가 아니면서 장래에 사망확률이 매우 높은 시한부 질병환자 일 경우, 질병별 기대여명 정보를 대상자 C의 학습용 상태 정보에 라벨링할 수 있다. 예를 들어 대상자 C가 50대 폐암 4기환자이며, 폐암 4기의 평균 생존년수가 5년일 경우, C의 학습용 상태 정보에 5년의 기대여명을 라벨링할 수 있다.

라벨링부(130)는 상기 노화연수 학습 데이터의 상기 학습용 상태 정보 각각에 상기 학습용 노화연수 정보를 라벨링할 수 있다. 라벨링부(130)는 학습용 상태 정보에 포함된 대상자가 사망자인 경우, 상기 학습용 상태 정보에 포함된 시간 관련 정보와 상기 대상자의 사망 시간 관련 정보의 차이를 노화연수 정보로 하여 상기 학습용 상태 정보에 라벨링할 수 있다. 라벨링부(130)는 상기 학습용 상태 정보에 포함된 대상자가 사망자가 아닌 경우, 생성된 기대여명 예측 모델에 상기 학습용 상태 정보를 입력하고, 상기 학습용 상태 정보에 관련한 상기 기대여명 예측 모델의 출력을 상기 노화연수 정보로 하여 상기 학습용 상태 정보에 라벨링할 수 있다.

라벨링부(130)는 상기 학습용 상태 정보를 출생년도, 나이, 성별, 키, 몸무게, BMI, 혈액검사 수치, 생체계측 데이터, 가족력, 음주여부, 운동여부, 흡연여부 및 질병 코드 중 적어도 하나를 포함하는 사전결정된 기준에 따라 그룹화할 수 있다. 예를 들어, 동일한 30세 남성을 대상자로 하는 학습용 상태 정보인 경우에도, 대상자의 출생 연도, 소득분위 등에 따라 통계적 기대여명은 상이할 수 있다. 따라서, 라벨링부(130)는 사전결정된 기준에 따라 학습용 데이터를 그룹화 하여 그룹별로 상이한 건강관련 예측 모델이 생성되도록 할 수 있다.

라벨링부(130)는 학습용 상태 정보의 대상자가 비 사망자 인 경우, 생성된 기대여명 예측 모델에 의하여 예측된 기대여명 예측 값(즉, 재학습용 기대여명 정보)을 대상자가 비사망자인 학습용 상태 정보에 라벨링할 수 있다. 즉, 대상자가 비 사망자인 학습용 상태 정보의 경우, 라벨링부(130)는 통계적 기대여명 정보를 이용하여 해당 학습용 상태 정보에 라벨링을 수행할 수도 있고, 생성된 기대여명 예측 모델을 이용하여 예측된 기대여명 예측 값을 라벨링할 수도 있다. 라벨링부(130)는 재학습용 상태 정보 각각에 재학습용 기대여명 정보를 라벨링하여 재학습용 데이터를 생성할 수 있다.

학습부(140)는 기대여명 학습 데이터를 이용한 건강관련 예측 모델(120)의 인공 신경망에 딥러닝(deep learning)을 수행하여 기대여명 예측 모델을 생성할 수 있다. 학습부(140)는 상기 학습용 상태 정보를 건강관련 예측 모델(120)의 인공 신경망에 입력시키고 상기 인공 신경망에서 출력된 상기 학습용 상태 정보에 대한 출력과 상기 학습용 기대여명을 비교하여 오차를 도출하고 그리고 상기 비교 결과 도출된 오차를 상기 인공 신경망에 역전파하여 상기 인공 신경망의 가중치를 업데이트하여 건강관련 예측 모델(120)이 기대여명 예측 값을 출력하도록 학습시킬 수 있다. 이로 인해 학습부(140)는 기대여명 예측 모델을 생성할 수 있다. 본 개시의 기대여명 예측 모델은 대상자의 상태 정보를 입력시키면 대상자의 기대여명을 출력할 수 있다. 본 개시에서 인공 신경망은 RNN(recurrent neural network)로 구성될 수 있으며, RNN 중 장기 기억 문제가 해결된 LSTM(Long short term memory)로 구성될 수도 있다.

학습부(140)는 인공 신경망을 학습하기 위한 학습 에포크(epoch)가 사전결정된 에포크 이하인 경우, 상기 인공 신경망의 학습률(learning rate)를 사전결정된 수치 이상으로 설정하고, 상기 인공 신경망을 학습하기 위한 학습 에포크가 사전결정된 에포크 이상인 경우, 상기 인공 신경망의 학습률을 사전결정된 수치 이하로 설정할 수 있다. 예를 들어, 학습부(140)는 인공 신경망을 학습 시키기 위해서 초기 10만회의 에포크에서는 0.8의 학습률을 설정하여 초기 학습 속도를 빠르게 하여 인공신경망 모델의 유효성을 검증하고, 10만회 이상의 에포크에 대해서는 0.2의 학습률을 설정하여 학습 결과를 정교하게 조정할 수 있다.

학습부(140)는 노화연수 학습 데이터를 이용한 건강관련 예측 모델(120)의 인공 신경망에 딥러닝(deep learning)을 수행하여 노화연수 예측 모델을 생성할 수 있다. 학습부(140)는 건강관련 예측 모델(120)의 인공 신경망을 이용하여 건강관련 예측 모델(120)이 노화연수 예측 값을 출력하도록 학습시킬 수 있다. 학습부(140)는 노화연수 학습 데이터를 이용한 딥러닝을 수행하여 건강관련 예측 모델(120)이 노화연수 예측 데이터를 출력하도록 훈련시킬 수 있다. 학습부(140)는 학습용 상태 정보를 건강관련 예측 모델(120)의 노화연수 예측 인공 신경망에 입력시킬 수 있다. 학습부(140)는 노화연수 예측 인공 신경망에서 출력된 상기 학습용 상태 정보에 대한 출력과 상기 학습용 노화연수 정보를 비교하여 오차를 도출하고, 도출된 오차를 노화연수 예측 인공 신경망에 역전파하여 노화연수 예측 인공 신경망의 가중치를 업데이트 하여 건강관련 예측 모델(120)이 노화연수 예측 값을 출력하도록 학습시킬 수 있다. 이로 인해 학습부(140)는 노화연수 예측 모델을 생성할 수 있다.

학습부(140)는 라벨링부(130)에 의하여 사전결정된 기준에 따라 그룹화된 기대여명 학습 데이터를 이용한 딥러닝(deep learning)을 수행하여 상기 그룹화된 그룹별 기대여명 예측 모델을 생성할 수 있다. 즉, 동일한 현재 상태를 가지는 대상자라도 태어난 시대, 소득 분위 등 사회적 영향에 의하여 기대 여명이 상이할 가능성이 있으므로, 학습부(140)는 사회적 요소에 따라 그룹화된 기대여명 학습 데이터를 이용하여 기대여명 예측 모델이 생성되도록 함으로써, 사회적 요소를 반영할 수 있다.

학습부(140)는 기대여명 학습 데이터 및 재학습용 데이터를 이용한 딥러닝을 수행하여 생성된 기대여명 예측 모델을 업데이트할 수 있다. 업데이트된 기대여명 예측 모델은 비사망자의 상태 정보에 대하여 기대여명 예측 모델을 이용하여 라벨링된 재학습용 데이터를 사용함으로써, 통계적 기대여명 정보에 의한 영향을 줄일 수 있다. 따라서, 기대여명 예측 모델의 업데이트에 의하여 시대 등 사회적 요인에 의하여 변화할 수 있는 통계적 기대여명 정보에 의하여 발생할 수 있는 오차를 방지할 수 있다.

연산부(150)는 수신부(110) 및 기대여명 건강관련 예측 모델(120)에서 기대여명 예측 값, 노화연수 예측 값과 상태 정보를 수신할 수 있다.

연산부(150)는 상태 정보의 통계적 기대여명 정보, 기대여명 예측 값, 및 상태 정보로부터 새로운 건강에 관련된 수치 예측 값을 생성할 수 있다. 새로운 건강에 관련된 수치 예측 값은 예를 들어 건강나이 예측 값일 수 있다. 건강나이는 대상자의 신체 건강상 나이를 의미하는 것을 포함한다. 새로운 건강에 관련된 수치 예측 값은 기존의 예측 값과 새로운 건강에 관련된 수치 예측 값 간의 수식적 관계에 따라 수학적 연산을 통하여 구할 수 있다. 예를 들어 건강나이 예측 값은 상태 정보에 포함된 대상자의 나이에 통계적 기대여명 정보를 더하고 기대여명 예측 값을 빼서 구할 수 있다. 또한 건강나이 예측 값은 상태 정보에 포함된 대상자의 나이에 노화연수를 더해서 구할 수 있다.

연산부(150)는 상기 출력된 기대여명 예측 값과 상기 상태 정보에 대응되는 통계적 기대여명 정보를 비교하여 노화연수 예측 값 및 건강나이 예측 값 중 적어도 하나를 연산할 수 있다. 건강나이 예측 값은 상태 정보에 포함된 대상자의 나이와 노화연수 예측 값의 차이다. 예를 들어, 대상자의 나이가 30세이고 노화연수 예측 값이 +10인 경우, 대상자는 자신의 나이보다 노화된 것이므로 건강나이는 40세가 될 수 있다. 노화연수 예측 값은 통계적 기대여명 정보에서 기대여명 예측 값을 빼서 구할 수 있다.

도 2는 본 개시의 일 실시예에 따른 신경망의 구성도이다.

본 명세서에 걸쳐, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 "노드"라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 "노드"들은 "뉴런(neuroun)"들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 "링크"에 의해 상호 연결될 수 있다.

신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 전술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호연결하는 노드는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

전술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호연결 되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.

도 2에 도시된 바와 같이, 신경망은 하나 이상의 노드들을 포함하여, 구성될 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다, 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 전술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.

최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다. 도 2 의 도시에서는 출력 노드는 생략되어 있다. 본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드가 출력 레이어에 가까운 히든 레이어의 노드보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다.

본 개시의 일 실시예에서 데이터의 처리가 가능하도록 신경망은 MLP(multilayer Perceptron), RNN(recurrent neural network), CNN(Convolutional Neural Network) 등을 포함할 수 있다. 또한 본 개시의 일 실시예에서 이벤트의 길이가 길어짐에 따라 발생할 수 있는 장기 기억 문제(long range dependency vanishing gradient)에 의한 성능 하락을 방지할 수 있도록 본 개시의 신경망은 LSTM(long short-term memory)을 포함할 수 있다. 또한, 본 개시의 일 실시예에서 인공신경망 방법의 최적화 기법으로 확률적 경사하강법(SGD), 모멘텀(Momentum), Adam, AdaGrad, RMSprop 등을 사용할 수 있다. 또한, 학습 데이터 D를 한 번만 학습할 수도 있으면 여러 번 반복적인 에폭(epoch)을 통하여 오차함수를 최소화시킨 파라미터들을 구할 수도 있으며, 충분한 최적화가 이루어졌는지 검사한 후에 학습 단계를 마칠지 여부를 결정할 수 있다.

RNN은 일반적인 피드포워드 신경망과 달리 히든 레이어의 출력이 다시 같은 히든 레이어의 입력이 될 수 있다. RNN은 현재 입력된 입력 데이터와 과거에 입력 받았던 데이터를 동시에 고려하여 연산하며, 피드백 구조를 가짐으로써 기억 능력을 가지는 신경망이다. 따라서, RNN은 데이터에서 이전 데이터의 의미에 따라 현재 데이터를 해석할 수 있도록 훈련될 수 있다. RNN 중 하나인 LSTM은 장기 기억 네트워크(long short term memory network)라고도 불리며 장기 의존성을 학습할 수 있다. 본 개시의 일 실시예에서 신경망은 RNN 중 하나인 LSTM 뿐 아니라, 심 게이트 순환 신경망(depth gated RNN), 시계 장치 순환 신경망(clockwork RNN) 등과 같이 데이터를 처리할 수 있는 임의의 신경망을 포함할 수 있다.

도 2 의 신경망(200)은 하나 이상의 히든 레이어를 포함할 수 있다. 히든 레이어의 히든 노드는 이전의 레이어의 출력과 주변 히든 노드의 출력을 입력으로 할 수 있다. 각 히든 레이어 별 히든 노드의 수는 동일할 수도 있고 상이할 수도 있다. 입력 레이어의 노드의 수는 입력 데이터의 데이터 필드의 수에 기초하여 결정될 수 있으며 히든 노드의 수와 동일할 수도 있고 상이할 수도 있다. 입력 레이어에 입력된 입력 데이터는 히든 레이어의 히든 노드에 의하여 연산될 수 있고 출력 레이어인 완전 연결 레이어(FCL: fully connected layer)에 의해 출력될 수 있다.

도 3은 본 개시의 일 실시예에 따른 건강에 관련된 수치 예측 방법의 순서도이다.

건강에 관련된 수치 예측 장치(100)는 기대여명 학습 데이터를 수신할 수 있다(310). 기대여명 학습 데이터는 학습용 상태 정보 및 학습용 기대여명 정보를 포함할 수 있다. 학습용 상태 정보는 이름, 개인ID, 출생년도, 나이, 성별, 개인신상정보, 건강검진을 받은 날짜, 키, 몸무게, BMI, 혈액검사 수치, 생체계측 데이터, 가족력, 음주여부, 운동여부, 흡연여부, 진료 날짜, 진료 기관정보, 진료 내역, 사망여부, 사망날짜 및 질병 코드 중 적어도 하나를 포함한다. 학습용 상태 정보는 본 개시의 일 실시예에 따른 건강에 관련된 수치 예측 모델을 학습 시키기 위한 대상자의 현재 상태 및 현재 건강 상태에 관련한 임의의 정보를 포함할 수 있다. 학습용 기대여명 정보는 대상자의 기대 여명에 관련한 임의의 정보를 포함할 수 있다. 학습용 기대여명 정보는 대상자가 사망자인 경우, 대상자의 상태 정보(즉, 대상자의 건강검진 정보)와 대상자의 사망시간 사이의 시간간격(즉, 학습용 상태 정보의 대상자가 사망자인 경우, 학습용 상태 정보의 생성시와 대상자 사망시 사이의 시간간격)을 포함할 수 잇다. 학습용 기대여명 정보는 대상자가 사망자가 아닌 경우, 통계적으로 결정되는 대상자의 기대여명에 관련한 정보(즉, 학습용 상태 정보의 대상자가 사망자가 아닌 30대 남성인 경우, 통계적으로 80세까지 생존이 예측되는 경우 기대여명 정보는 50년이 됨)일 수 있다.

건강에 관련된 수치 예측 장치(100)는 기대여명 학습 데이터를 이용하여 딥러닝을 수행하여 기대여명 예측 모델을 생성할 수 있다(320). 건강에 관련된 수치 예측 장치(100)는 기대여명 예측 값을 출력하는 인공 신경망을 포함할 수 있다. 건강에 관련된 수치 예측 장치(100)는 상기 기대여명 학습 데이터에 포함된 학습용 상태 정보를 건강에 관련된 수치 예측 장치(100)의 인공 신경망에 입력시키고 상기 인공 신경망에서 출력된 상기 학습용 상태 정보에 대한 출력과 상기 학습용 기대여명을 비교하여 오차를 도출하고 그리고 상기 비교 결과 도출된 오차를 상기 인공 신경망에 역전파하여 상기 인공 신경망의 가중치를 업데이트하여 기대여명 예측 모델이 기대여명을 출력하도록 학습시킬 수 있다. 이로 인해 건강에 관련된 수치 예측 장치(100)는 기대여명 예측 모델을 생성할 수 있다. 본 개시에서 인공 신경망은 RNN(recurrent neural network)로 구성될 수 있으며, RNN 중 장기 기억 문제가 해결된 LSTM(Long short term memory)로 구성될 수도 있다.

건강에 관련된 수치 예측 장치(100)는 기대여명 예측 모델에 상태 정보를 수신 후 기대여명 예측 값을 출력할 수 있다(330). 건강에 관련된 수치 예측 장치(100)는 상태 정보를 수신할 수 있다. 상태 정보는 이름, 개인ID, 출생년도, 나이, 성별, 개인신상정보, 건강검진을 받은 날짜, 키, 몸무게, BMI, 혈액검사 수치, 생체계측 데이터, 가족력, 음주여부, 운동여부, 흡연여부, 진료 날짜, 진료 기관정보, 진료 내역, 사망여부, 사망날짜 및 질병 코드 중 적어도 하나를 포함한다. 상태 정보는 본 개시의 일 실시예에 따른 건강에 관련된 수치 예측 모델에 전달되어 기대여명 예측 값을 출력 시키기 위한 대상자의 현재 상태 및 현재 건강 상태에 관련한 임의의 정보를 포함할 수 있다. 건강에 관련된 수치 예측 장치(100)는 수신한 상태 정보를 기대여명 예측 모델에 입력시켜 출력된 기대여명 예측 값을 사용자에게 출력함으로써 본 개시의 일 실시예에 따른 기대여명 예측을 수행할 수 있다.

도 4는 본 개시의 일 실시예에 따른 학습용 상태 정보 각각에 학습용 기대여명 정보를 라벨링하는 방법의 순서도이다.

건강에 관련된 수치 예측 장치(100)는 학습용 상태 정보가 사망자인지 여부에 따라 라벨링할 수 있다(410).

건강에 관련된 수치 예측 장치(100)는 학습용 상태 정보가 사망자이면 학습용 상태 정보에 포함된 시간 관련 정보와 상기 대상자의 사망 시간 관련 정보의 차이를 상기 기대여명 정보로 하여 상기 학습용 상태 정보에 라벨링할 수 있다(421). 건강에 관련된 수치 예측 장치(100)는 대상자A가 사망자인 경우 대상자 A의 학습용 상태 정보에 포함된 시간관련 정보(즉, 건강검진일)와 대상자 A의 실제 사망시의 차이(즉, 건감검진일로부터 사망일 까지의 시간)를 기대여명 정보로 하여 대상자 A의 학습용 상태 정보에 라벨링할 수 있다. 예를 들어 대상자 A가 50세 남성으로 54살에 사망한 경우 4년의 기대여명을 대상자 A의 학습용 상태 정보에 라벨링할 수 있다.

건강에 관련된 수치 예측 장치(100)는 학습용 상태 정보가 비사망자이면 대상자의 개인정보에 기초한 통계적 기대여명 정보를 상기 기대여명 정보로 하여 상기 학습용 상태 정보에 라벨링할 수 있다(422). 통계적 기대여명 정보는 전술한 년도, 성별, 나이별 생명표, 특정사인이 배제된 생명표 및 특정 질병별 평균 생존년수일 수 있다. 건강에 관련된 수치 예측 장치(100)는 대상자B가 사망자가 아닌 경우 대상자 B의 개인정보에 기초한 통계적 기대여명 정보(예를들어, 통계청의 연령별 기대여명 정보에 기초한 기대여명)을 대상자 B의 학습용 상태 정보에 라벨링할 수 있다. 예를들어, 대상자 B가 30대 남성으로 50년의 통계적 기대여명을 가지는 경우, 대상자 B의 학습용 상태 정보에 50년의 기대여명을 대상자B의 상태정보에 라벨링할 수 있다.

도 5는 본 개시의 일 실시예에 따른 노화연수 학습 데이터를 이용하여 노화연수 예측 값을 구하는 방법의 순서도이다.

건강에 관련된 수치 예측 장치(100)는 기대여명 예측 값 및 상태 정보를 포함하는 노화연수 학습 데이터를 수신할 수 있다(510). 기대여명 예측 값은 본 개시의 일 실시예에 의해 생성된 기대여명 예측 모델에 의하여 예측된 기대여명에 관련된 값일 수 있다. 학습용 노화연수 정보는 대상자에 대한 기대여명 예측 값과 통계적 기대여명 정보의 차이일 수 있다. 예를 들어, 30세 남성인 대상자의 기대여명 예측 값이 40년이고 통계적 기대여명이 50년인 경우, 대상자는 일반적으로 기대되는 수준보다 기대여명이 더 짧으므로, 자신의 실제 나이보다 노화된 것으로 판단될 수 있다. 이경우 30대 남성인 대상자의 노화연수는 10년이 될 수 있다. 반대로 기대여명 예측 값이 60년이고 통계적 기대여명이 50년인 경우 대상자는 일반적으로 기대되는 수준보다 기대여명이 더 길으므로, 자신의 실제나이보다 노화가 덜 된 것으로 판단될 수 있다. 이경우 30대 남성인 대상자의 노화연수는 -10년이 될 수 있다.

건강에 관련된 수치 예측 장치(100)는 노화연수 학습 데이터를 이용하여 딥러닝 후 노화연수 예측 모델 생성할 수 있다(520). 건강에 관련된 수치 예측 장치(100)는 학습용 상태 정보를 건강에 관련된 수치 예측 장치(100)의 노화연수 예측 인공 신경망에 입력시킬 수 있다. 건강에 관련된 수치 예측 장치(100)는 노화연수 예측 인공 신경망에서 출력된 상기 학습용 상태 정보에 대한 출력과 상기 학습용 노화연수 정보를 비교하여 오차를 도출하고, 도출된 오차를 노화연수 예측 인공 신경망에 역전파하여 노화연수 예측 인공 신경망의 가중치를 업데이트 하여 건강관련 예측 모델(120)이 노화연수를 출력하도록 학습시킬 수 있다. 이로 인해 건강에 관련된 수치 예측 장치(100)는 노화연수 예측 모델을 생성할 수 있다.

건강에 관련된 수치 예측 장치(100)는 노화연수 예측 모델에 상태 정보를 수신후 노화연수 예측 값을 출력할 수 있다(530). 건강에 관련된 수치 예측 장치(100)는 수신한 상태 정보를 노화연수 예측 모델에 입력시켜 출력된 노화연수 예측 값을 사용자에게 출력함으로써 본 개시의 일 실시예에 따른 건강에 관련된 수치 예측을 수행할 수 있다.

도 6은 학습용 상태 정보를 사전결정된 기준에 따라 그룹화하여 기준에 따른 기대여명 예측 모델을 생성하는 방법의 순서도이다.

건강에 관련된 수치 예측 장치(100)는 학습용 상태 정보를 사전결정된 기준에 따라 그룹화할 수 있다(610). 사전 결정된 기준은 출생년도, 나이, 성별, 키, 몸무게, BMI, 혈액검사 수치, 생체계측 데이터, 가족력, 음주여부, 운동여부, 흡연여부 및 질병 코드 중 적어도 하나를 포함할 수 있다.

건강에 관련된 수치 예측 장치(100)는 사전결정된 기준에 따라 그룹화된 기대여명 학습 데이터를 이용한 딥러닝(deep learning)을 수행하여 상기 그룹화된 그룹별 기대여명 예측 모델을 생성할 수 있다(620). 예를 들어, 1990년대 출생자가 30세일때의 통계적 기대여명과 1970년대 출생자가 30세일때의 통계적 기대여명은 시대변화 등 사회적 요인에 의하여 상이할 수 있다. 따라서, 건강에 관련된 수치 예측 장치(100)는 기대여명 학습 데이터를 사전결정된 사회적 요인에 기초하여 그룹화한 후, 그룹화된 기대여명 학습 데이터를 이용해 학습을 수행하여, 그룹별 기대여명 예측 모델을 생성할 수 있다. 그룹화된 기대여명 학습 데이터를 이용한 예측 모델 생성을 통해 본 개시의 건강에 관련된 수치 예측 장치(100)는 사회적 요인을 반영한 기대여명 예측 값을 제공할 수 있다.

도 7은 기대여명 모델에 재학습용 데이터를 수신하여 다시 딥러닝을 수행하여 기대여명 예측 모델을 업데이트하는 방법의 순서도이다.

건강에 관련된 수치 예측 장치(100)는 대상이 사망자인 기대여명 학습 데이터를 수신할 수 있다(710).

건강에 관련된 수치 예측 장치(100)는 대상이 사망자인 기대여명 학습 데이터를 이용하여 딥러닝 후 기대여명 예측 모델 생성할 수 있다(720). 건강에 관련된 수치 예측 장치(100)는 상기 대상이 사망자인 학습용 상태 정보를 건강관련 예측 모델(120)의 인공 신경망에 입력시키고 상기 인공 신경망에서 출력된 상기 대상이 사망자인 학습용 상태 정보에 대한 출력과 상기 학습용 기대여명을 비교하여 오차를 도출하고 그리고 상기 비교 결과 도출된 오차를 상기 인공 신경망에 역전파하여 상기 인공 신경망의 가중치를 업데이트하여 기대여명을 출력하도록 학습시킬 수 있다. 이로 인해 건강에 관련된 수치 예측 장치(100)는 기대여명 예측 모델을 생성할 수 있다.

건강에 관련된 수치 예측 장치(100)는 기대여명 예측 모델에 대상이 비사망자인 재학습용 상태 정보를 수신하여 재학습용 기대여명 정보를 생성할 수 있다(730). 재학습용 상태 정보는 이름, 개인ID, 출생년도, 나이, 성별, 개인신상정보, 건강검진을 받은 날짜, 키, 몸무게, BMI, 혈액검사 수치, 생체계측 데이터, 가족력, 음주여부, 운동여부, 흡연여부, 진료 날짜, 진료 기관정보, 진료 내역, 사망여부, 사망날짜 및 질병 코드 중 적어도 하나를 포함한다. 재학습용 상태 정보는 본 개시의 일 실시예에 따른 건강에 관련된 수치 예측 모델을 학습 시키기 위한 대상자의 현재 상태 및 현재 건강 상태에 관련한 임의의 정보를 포함할 수 있다. 재학습용 기대여명 정보는 건강에 관련된 수치 예측 장치(100)에 재학습용 상태 정보를 입력하고 건강에 관련된 수치 예측 장치(100)로부터 출력된 값일 수 있다. 즉, 본개시의 일실시예의 건강에 관련된 수치 예측 장치(100)는 비사망자의 상태 정보를 수신하여, 학습된 건강관련 예측 모델(120)을 이용하여 비사망자의 기대여명 정보를 생성할 수 있다.

건강에 관련된 수치 예측 장치(100)는 재학습용 상태 정보 각각에 상기 재학습용 기대여명 정보를 라벨링하여 재학습용 데이터를 생성할 수 있다(740). 건강에 관련된 수치 예측 장치(100)는 재학습용 상태 정보를 수신하여 생성된 예측된 기대여명 예측 값(즉, 재학습용 기대여명 정보)을 재 학습용 상태 정보 각각에 라벨링할 수 있다. 즉 건강에 관련된 수치 예측 장치(100)는 생성된 기대여명 예측 모델을 이용하여 예측된 기대여명 예측 값을 재학습용 상태 정보 각각에 라벨링할 수 있다.

건강에 관련된 수치 예측 장치(100)는 기대여명 학습 데이터 및 상기 재학습용 데이터를 이용한 딥러닝을 수행하여 기대여명 예측 모델을 업데이트할 수 있다(750). 건강에 관련된 수치 예측 장치(100)는 상기 대상이 학습용 상태 정보 및 재학습용 상태 정보를 건강관련 예측 모델(120)의 인공 신경망에 입력시키고 상기 인공 신경망에서 출력된 상기 학습용 상태 정보에 대한 출력 및 재학습용 상태 정보와 상기 학습용 기대여명 및 재학습용 기대여명을 비교하여 오차를 도출하고 그리고 상기 비교 결과 도출된 오차를 상기 인공 신경망에 역전파하여 상기 인공 신경망의 가중치를 업데이트하여 기대여명을 출력하도록 학습시킬 수 있다. 이로 인해 건강에 관련된 수치 예측 장치(100)는 기대여명 예측 모델을 업데이트할 수 있다. 본 개시의 일 실시예에 따른 건강에 관련된 수치 예측 장치(100)는 사망자의 데이터를 이용하여 기대 여명 예측 모델을 생성하고, 이를 통해 비 사망자의 데이터에서 기대여명 예측 값을 추출하여 재학습을 수행함으로써, 시간에 따라 변화할 수 있는 통계적 기대여명 정보에 대한 의존성을 낮출 수 있어, 일관된 결과를 제공할 수 있다.

도 8은 본 개시의 일 실시예에 따라 건강에 관련된 수치를 예측하는 방법을 구현하기 위한 수단을 도시한 블록 구성도이다.

본 개시의 일 실시예에 따라 건강에 관련된 수치를 예측하는 방법은 학습용 상태 정보 및 학습용 기대여명 정보를 포함하는 기대여명 학습 데이터를 수신하기 위한 수단(1210); 상기 기대여명 학습 데이터를 이용한 딥러닝을 수행하여 기대여명 예측 모델을 생성하기 위한 수단(1220); 및 상태 정보를 수신하고 수신된 상기 상태 정보를 상기 기대여명 예측 모델로 처리하여 기대여명 예측 값을 출력하기 위한 수단(1230)에 의하여 구현될 수 있다.

대안적인 실시예에서 상기 출력된 기대여명 예측 값과 상기 상태 정보에 대응되는 통계적 기대여명 정보를 비교하여 노화연수 예측 값 및 건강나이 예측 값 중 적어도 하나를 연산하는 수단을 더 포함할 수 있다.

대안적인 실시예에서 상기 학습용 상태 정보 및 상태 정보는, 이름, 개인ID, 출생년도, 나이, 성별, 개인신상정보, 건강검진을 받은 날짜, 키, 몸무게, BMI, 혈액검사 수치, 생체계측 데이터, 가족력, 음주여부, 운동여부, 흡연여부, 진료 날짜, 진료 기관정보, 진료 내역, 사망여부, 사망날짜 및 질병 코드 중 적어도 하나를 포함할 수 있다.

대안적인 실시예에서 상기 기대여명 학습 데이터의 상기 학습용 상태 정보 각각에 상기 학습용 기대여명 정보를 라벨링하는 수단을 더 포함할 수 있다.

대안적인 실시예에서 상기 기대여명 학습 데이터의 상기 학습용 상태 정보 각각에 상기 학습용 기대여명 정보를 라벨링하는 수단은, 상기 학습용 상태 정보에 포함된 대상자가 사망자인 경우, 상기 학습용 상태 정보에 포함된 시간 관련 정보와 상기 대상자의 사망 시간 관련 정보의 차이를 상기 기대여명 정보로 하여 상기 학습용 상태 정보에 라벨링하는 수단; 및 상기 학습용 상태 정보에 포함된 대상자가 사망자가 아닌 경우, 상기 대상자의 개인정보에 기초한 통계적 기대여명 정보를 상기 기대여명 정보로 하여 상기 학습용 상태 정보에 라벨링하는 수단을 포함할 수 있다.

대안적인 실시예에서 상기 기대여명 학습 데이터를 이용한 딥러닝을 수행하여 기대여명 예측 모델을 생성하는 수단은, 상기 학습용 상태 정보를 인공 신경망에 입력시키는 수단; 상기 인공 신경망에서 출력된 상기 학습용 상태 정보에 대한 출력과 상기 학습용 기대여명을 비교하여 오차를 도출하는 수단; 및 상기 비교 결과 도출된 오차를 상기 인공 신경망에 역전파하여 상기 인공 신경망의 가중치를 업데이트하는 수단을 포함할 수 있다.

대안적인 실시예에서 상기 학습 데이터를 이용한 딥러닝을 수행하여 기대여명 예측 모델을 생성하는 수단은, 인공 신경망을 학습하기 위한 학습 에포크(epoch)가 사전결정된 에포크 이하인 경우, 상기 인공 신경망의 학습률(learning rate)을 사전결정된 수치 이상으로 설정하고, 상기 인공 신경망을 학습하기 위한 학습 에포크가 사전결정된 에포크 이상인 경우, 상기 인공 신경망의 학습률을 사전결정된 수치 이하로 설정할 수 있다.

대안적인 실시예에서 상기 학습용 상태 정보, 상기 기대여명 예측 값 및 학습용 노화연수 정보를 포함하는 노화연수 학습 데이터를 수신하는 수단; 상기 노화연수 학습 데이터를 이용한 딥러닝을 수행하여 노화연수 예측 모델을 생성하는 수단; 및 상기 상태 정보를 수신하고 수신된 상기 상태 정보를 상기 노화연수 예측 모델로 처리하여 노화연수 예측 값을 출력하는 수단을 더 포함할 수 있다.

대안적인 실시예에서 상기 노화연수 학습 데이터를 이용한 딥러닝을 수행하여 건강에 관련된 노화연수 수치 예측 모델을 생성하는 수단은, 상기 학습용 상태 정보를 노화연수 예측 인공 신경망에 입력시키는 수단; 상기 노화연수 예측 인공 신경망에서 출력된 상기 학습용 상태 정보에 대한 출력과 상기 학습용 노화연수 정보를 비교하여 오차를 도출하는 수단; 및 상기 비교 결과 도출된 오차를 상기 노화연수 예측 인공 신경망에 역전파하여 상기 인공 신경망의 가중치를 업데이트하는 수단을 포함할 수 있다.

대안적인 실시예에서 상기 노화연수 학습 데이터의 상기 학습용 상태 정보 각각에 상기 학습용 노화연수 정보를 라벨링하는 수단을 더 포함할 수 있다.

대안적인 실시예에서 상기 노화연수 학습 데이터의 상기 학습용 상태 정보 각각에 상기 학습용 노화연수 정보를 라벨링하는 수단은, 상기 학습용 상태 정보에 포함된 대상자가 사망자인 경우, 상기 학습용 상태 정보에 포함된 시간 관련 정보와 상기 대상자의 사망 시간 관련 정보의 차이를 노화연수 정보로 하여 상기 학습용 상태 정보에 라벨링하는 수단; 상기 학습용 상태 정보에 포함된 대상자가 사망자가 아닌 경우, 생성된 기대여명 예측 모델에 상기 학습용 상태 정보를 입력하는 수단; 및 상기 학습용 상태 정보에 관련한 상기 기대여명 예측 모델의 출력을 상기 노화연수 정보로 하여 상기 학습용 상태 정보에 라벨링하는 수단을 포함할 수 있다.

대안적인 실시예에서 상기 학습용 상태 정보를 출생년도, 나이, 성별, 키, 몸무게, BMI, 혈액검사 수치, 생체계측 데이터, 가족력, 음주여부, 운동여부, 흡연여부 및 질병 코드 중 적어도 하나를 포함하는 사전결정된 기준에 따라 그룹화하는 수단을 더 포함할 수 있다.

대안적인 실시예에서 상기 사전결정된 기준에 따라 그룹화된 기대여명 학습 데이터를 이용한 딥러닝을 수행하여 상기 그룹화된 그룹별 기대여명 예측 모델을 생성하는 수단을 더 포함할 수 있다.

대안적인 실시예에서 상기 학습용 상태 정보는 대상자가 사망자이고, 그리고 대상자가 비 사망자인 재학습용 상태 정보를 상기 생성된 기대여명 예측 모델로 처리하여 재학습용 기대여명 정보를 생성하는 수단; 상기 재학습용 상태 정보 각각에 상기 재학습용 기대여명 정보를 라벨링하여 재학습용 데이터를 생성하는 수단; 상기 기대여명 학습 데이터 및 상기 재학습용 데이터를 이용한 딥러닝을 수행하여 상기 생성된 기대여명 예측 모델을 업데이트 하는 수단을 더 포함할 수 있다.

도 9는 본 개시의 일 실시예에 따라 건강에 관련된 수치를 예측하는 방법을 구현하기 위한 모듈을 도시한 블록 구성도이다.

본 개시의 일 실시예에 따라 건강에 관련된 수치를 예측하는 방법은 학습용 상태 정보 및 학습용 기대여명 정보를 포함하는 기대여명 학습 데이터를 수신하기 위한 모듈(1310); 상기 기대여명 학습 데이터를 이용한 딥러닝을 수행하여 기대여명 예측 모델을 생성하기 위한 모듈(1320); 및 상태 정보를 수신하고 수신된 상기 상태 정보를 상기 기대여명 예측 모델로 처리하여 기대여명 예측 값을 출력하기 위한 모듈(1330)에 의하여 구현될 수 있다.

도 10은 본 개시의 일 실시예에 따라 건강에 관련된 수치를 예측하는 방법을 구현하기 위한 로직을 도시한 블록 구성도이다.

본 개시의 일 실시예에 따라 건강에 관련된 수치를 예측하는 방법은 학습용 상태 정보 및 학습용 기대여명 정보를 포함하는 기대여명 학습 데이터를 수신하기 위한 로직(1410); 상기 기대여명 학습 데이터를 이용한 딥러닝을 수행하여 기대여명 예측 모델을 생성하기 위한 로직(1420); 및 상태 정보를 수신하고 수신된 상기 상태 정보를 상기 기대여명 예측 모델로 처리하여 기대여명 예측 값을 출력하기 위한 로직(1430)에 의하여 구현될 수 있다.

도 11은 본 개시의 일 실시예에 따라 건강에 관련된 수치를 예측하는 방법을 구현하기 위한 회로를 도시한 블록 구성도이다.

본 개시의 일 실시예에 따라 건강에 관련된 수치를 예측하는 방법은 학습용 상태 정보 및 학습용 기대여명 정보를 포함하는 기대여명 학습 데이터를 수신하기 위한 회로(1510); 상기 기대여명 학습 데이터를 이용한 딥러닝을 수행하여 기대여명 예측 모델을 생성하기 위한 회로(1520); 및 상태 정보를 수신하고 수신된 상기 상태 정보를 상기 기대여명 예측 모델로 처리하여 기대여명 예측 값을 출력하기 위한 회로(1530)에 의하여 구현될 수 있다.

당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있으나, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.

도 12는 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

본 개시가 일반적으로 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어와 관련하여 전술되었지만, 당업자라면 본 개시가 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로서 구현될 수 있다는 것을 잘 알 것이다.

일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.

본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.

컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.

삭제

컴퓨터(1602)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1600)이 나타내어져 있으며, 컴퓨터(1602)는 처리 장치(1604), 시스템 메모리(1606) 및 시스템 버스(1608)를 포함한다. 시스템 버스(1608)는 시스템 메모리(1606)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1604)에 연결시킨다. 처리 장치(1604)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1604)로서 이용될 수 있다.

시스템 버스(1608)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1606)는 판독 전용 메모리(ROM)(1610) 및 랜덤 액세스 메모리(RAM)(1612)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1610)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1602) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1612)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.

컴퓨터(1602)는 또한 내장형 하드 디스크 드라이브(HDD)(1614)(예를 들어, EIDE, SATA)－이 내장형 하드 디스크 드라이브(1614)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음－, 자기 플로피 디스크 드라이브(FDD)(1616)(예를 들어, 이동식 디스켓(1618)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1620)(예를 들어, CD-ROM 디스크(1622)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1614), 자기 디스크 드라이브(1616) 및 광 디스크 드라이브(1620)는 각각 하드 디스크 드라이브 인터페이스(1624), 자기 디스크 드라이브 인터페이스(1626) 및 광 드라이브 인터페이스(1628)에 의해 시스템 버스(1608)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1624)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.

이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1602)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.

운영 체제(1630), 하나 이상의 애플리케이션 프로그램(1632), 기타 프로그램 모듈(1634) 및 프로그램 데이터(1636)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1612)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1612)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.

사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1638) 및 마우스(1640) 등의 포인팅 장치를 통해 컴퓨터(1602)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1608)에 연결되어 있는 입력 장치 인터페이스(1642)를 통해 처리 장치(1604)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.

모니터(1644) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1646) 등의 인터페이스를 통해 시스템 버스(1608)에 연결된다. 모니터(1644)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.

컴퓨터(1602)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1648) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1648)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1602)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1650)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1652) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1654)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.

LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1602)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1656)를 통해 로컬 네트워크(1652)에 연결된다. 어댑터(1656)는 LAN(1652)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1652)은 또한 무선 어댑터(1656)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1602)는 모뎀(1658)을 포함할 수 있거나, WAN(1654) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1654)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1658)은 직렬 포트 인터페이스(1642)를 통해 시스템 버스(1608)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1602)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1650)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.

컴퓨터(1602)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.

Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a, b, g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 "소프트웨어"로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.

여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 "제조 물품"은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.

제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.

제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (16)

1. 컴퓨팅 장치에 의해 수행되는 건강에 관련된 수치를 예측하는 방법에 있어서,
   학습용 상태 정보 및 학습용 기대여명 정보를 포함하는 기대여명 학습 데이터를 수신하는 단계;
   상기 기대여명 학습 데이터를 이용한 딥러닝(deep learning)을 수행하여 기대여명 예측 모델을 생성하는 단계; 및
   상태 정보를 수신하고 수신된 상기 상태 정보를 상기 기대여명 예측 모델로 처리하여 기대여명 예측 값을 출력하는 단계;
   를 포함하는,
   컴퓨팅 장치에 의해 수행되는 건강에 관련된 수치를 예측하는 방법.
   
2. 제 1항에 있어서,
   상기 출력된 기대여명 예측 값과 상기 상태 정보에 대응되는 통계적 기대여명 정보를 비교하여 노화연수 예측 값 및 건강나이 예측 값 중 적어도 하나를 연산하는 단계;
   를 더 포함하는,
   컴퓨팅 장치에 의해 수행되는 건강에 관련된 수치를 예측하는 방법
   
3. 제 1항에 있어서,
   상기 학습용 상태 정보 및 상태 정보는,
   이름, 개인ID, 출생년도, 나이, 성별, 개인신상정보, 건강검진을 받은 날짜, 키, 몸무게, BMI, 혈액검사 수치, 생체계측 데이터, 가족력, 음주여부, 운동여부, 흡연여부, 진료 날짜, 진료 기관정보, 진료 내역, 사망여부, 사망날짜 및 질병 코드 중 적어도 하나를 포함하는,
   컴퓨팅 장치에 의해 수행되는 건강에 관련된 수치를 예측하는 방법
   
4. 제 1항에 있어서,
   상기 기대여명 학습 데이터의 상기 학습용 상태 정보 각각에 상기 학습용 기대여명 정보를 라벨링하는 단계;
   를 더 포함하는,
   컴퓨팅 장치에 의해 수행되는 건강에 관련된 수치를 예측하는 방법
   
5. 제 4항에 있어서,
   상기 기대여명 학습 데이터의 상기 학습용 상태 정보 각각에 상기 학습용 기대여명 정보를 라벨링하는 단계는,
   상기 학습용 상태 정보에 포함된 대상자가 사망자인 경우, 상기 학습용 상태 정보에 포함된 시간 관련 정보와 상기 대상자의 사망 시간 관련 정보의 차이를 상기 기대여명 정보로 하여 상기 학습용 상태 정보에 라벨링하는 단계; 및
   상기 학습용 상태 정보에 포함된 대상자가 사망자가 아닌 경우, 상기 대상자의 개인정보에 기초한 통계적 기대여명 정보를 상기 기대여명 정보로 하여 상기 학습용 상태 정보에 라벨링하는 단계;
   를 포함하는,
   컴퓨팅 장치에 의해 수행되는 건강에 관련된 수치를 예측하는 방법
   
6. 제 1 항에 있어서
   상기 기대여명 학습 데이터를 이용한 딥러닝(deep learning)을 수행하여 기대여명 예측 모델을 생성하는 단계는,
   상기 학습용 상태 정보를 인공 신경망에 입력시키는 단계;
   상기 인공 신경망에서 출력된 상기 학습용 상태 정보에 대한 출력과 상기 학습용 기대여명을 비교하여 오차를 도출하는 단계; 및
   상기 도출된 오차를 상기 인공 신경망에 역전파하여 상기 인공 신경망의 가중치를 업데이트하는 단계;
   를 포함하는,
   컴퓨팅 장치에 의해 수행되는 건강에 관련된 수치를 예측하는 방법
   
7. 제 1 항에 있어서,
   상기 학습 데이터를 이용한 딥러닝(deep learning)을 수행하여 기대여명 예측 모델을 생성하는 단계는,
   인공 신경망을 학습하기 위한 학습 에포크(epoch)가 사전결정된 에포크 이하인 경우, 상기 인공 신경망의 학습률(learning rate)을 사전결정된 수치 이상으로 설정하고, 상기 인공 신경망을 학습하기 위한 학습 에포크가 사전결정된 에포크 이상인 경우, 상기 인공 신경망의 학습률을 사전결정된 수치 이하로 설정하는,
   컴퓨팅 장치에 의해 수행되는 건강에 관련된 수치를 예측하는 방법
   
8. 제 1항에 있어서,
   상기 학습용 상태 정보, 상기 기대여명 예측 값 및 학습용 노화연수 정보를 포함하는 노화연수 학습 데이터를 수신하는 단계;
   상기 노화연수 학습 데이터를 이용한 딥러닝(deep learning)을 수행하여 노화연수 예측 모델을 생성하는 단계; 및
   상기 상태 정보를 수신하고 수신된 상기 상태 정보를 상기 노화연수 예측 모델로 처리하여 노화연수 예측 값을 출력하는 단계;
   를 더 포함하는,
   컴퓨팅 장치에 의해 수행되는 건강에 관련된 수치를 예측하는 방법
   
9. 제 8 항에 있어서
   상기 노화연수 학습 데이터를 이용한 딥러닝(deep learning)을 수행하여 건강에 관련된 노화연수 수치 예측 모델을 생성하는 단계는,
   상기 학습용 상태 정보를 노화연수 예측 인공 신경망에 입력시키는 단계;
   상기 노화연수 예측 인공 신경망에서 출력된 상기 학습용 상태 정보에 대한 출력과 상기 학습용 노화연수 정보를 비교하여 오차를 도출하는 단계; 및
   상기 도출된 오차를 상기 노화연수 예측 인공 신경망에 역전파하여 상기 인공 신경망의 가중치를 업데이트하는 단계;
   를 포함하는,
   컴퓨팅 장치에 의해 수행되는 건강에 관련된 수치를 예측하는 방법
   
10. 제 9항에 있어서,
    상기 노화연수 학습 데이터의 상기 학습용 상태 정보 각각에 상기 학습용 노화연수 정보를 라벨링하는 단계;
    를 더 포함하는,
    컴퓨팅 장치에 의해 수행되는 건강에 관련된 수치를 예측하는 방법
    
11. 제 10 항에 있어서,
    상기 노화연수 학습 데이터의 상기 학습용 상태 정보 각각에 상기 학습용 노화연수 정보를 라벨링하는 단계는,
    상기 학습용 상태 정보에 포함된 대상자가 사망자인 경우, 상기 학습용 상태 정보에 포함된 시간 관련 정보와 상기 대상자의 사망 시간 관련 정보의 차이를 노화연수 정보로 하여 상기 학습용 상태 정보에 라벨링하는 단계;
    상기 학습용 상태 정보에 포함된 대상자가 사망자가 아닌 경우, 생성된 기대여명 예측 모델에 상기 학습용 상태 정보를 입력하는 단계; 및
    상기 학습용 상태 정보에 관련한 상기 기대여명 예측 모델의 출력을 상기 노화연수 정보로 하여 상기 학습용 상태 정보에 라벨링하는 단계;
    를 포함하는,
    컴퓨팅 장치에 의해 수행되는 건강에 관련된 수치를 예측하는 방법
    
12. 제 1항에 있어서,
    상기 학습용 상태 정보를 출생년도, 나이, 성별, 키, 몸무게, BMI, 혈액검사 수치, 생체계측 데이터, 가족력, 음주여부, 운동여부, 흡연여부 및 질병 코드 중 적어도 하나를 포함하는 사전결정된 기준에 따라 그룹화하는 단계;
    를 더 포함하는,
    컴퓨팅 장치에 의해 수행되는 건강에 관련된 수치를 예측하는 방법
    
13. 제 12항에 있어서,
    상기 사전결정된 기준에 따라 그룹화된 기대여명 학습 데이터를 이용한 딥러닝(deep learning)을 수행하여 상기 그룹화된 그룹별 기대여명 예측 모델을 생성하는 단계;
    를 더 포함하는,
    컴퓨팅 장치에 의해 수행되는 건강에 관련된 수치를 예측하는 방법
    
14. 제 1항에 있어서,
    상기 학습용 상태 정보는 대상자가 사망자이고, 그리고
    대상자가 비 사망자인 재학습용 상태 정보를 상기 생성된 기대여명 예측 모델로 처리하여 재학습용 기대여명 정보를 생성하는 단계;
    상기 재학습용 상태 정보 각각에 상기 재학습용 기대여명 정보를 라벨링하여 재학습용 데이터를 생성하는 단계;
    상기 기대여명 학습 데이터 및 상기 재학습용 데이터를 이용한 딥러닝을 수행하여 상기 생성된 기대여명 예측 모델을 업데이트 하는 단계;
    를 더 포함하는,
    컴퓨팅 장치에 의해 수행되는 건강에 관련된 수치를 예측하는 방법.
    
15. 건강에 관련된 수치를 예측하는 장치로서,
    학습용 상태 정보 및 학습용 기대여명 정보를 포함하는 기대여명 학습 데이터를 수신하는 수신부;
    상기 기대여명 학습 데이터를 이용한 딥러닝을 수행하여 기대여명 예측 모델을 생성하는 학습부; 및
    상태 정보를 수신하고 수신된 상기 상태 정보를 상기 기대여명 예측 모델로 처리하여 기대여명 예측 값을 출력하는 건강관련 예측 모델;
    을 포함하는,
    건강에 관련된 수치를 예측하는 장치.
    
16. 인코딩된 명령들을 포함하는 컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 컴퓨터 시스템의 하나 이상의 프로세서들에 의해 실행되는 경우, 상기 하나 이상의 프로세서들로 하여금 건강에 관련된 수치를 예측하기 위한 이하의 단계들을 수행하도록 하며, 상기 단계들은:
    학습용 상태 정보 및 학습용 기대여명 정보를 포함하는 기대여명 학습 데이터를 수신하는 단계;
    상기 기대여명 학습 데이터를 이용한 딥러닝(deep learning)을 수행하여 기대여명 예측 모델을 생성하는 단계; 및
    상태 정보를 수신하고 수신된 상기 상태 정보를 상기 기대여명 예측 모델로 처리하여 기대여명 예측 값을 출력하는 단계;
    를 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
    
    

Images