KR102111852B1 - 다수의 심리검사지에서 불안 및 우울 증세의 신속한 진단을 위한 기계 학습 기반의 문항 선별 방법 및 장치 - Google Patents
다수의 심리검사지에서 불안 및 우울 증세의 신속한 진단을 위한 기계 학습 기반의 문항 선별 방법 및 장치 Download PDFInfo
- Publication number
- KR102111852B1 KR102111852B1 KR1020180071641A KR20180071641A KR102111852B1 KR 102111852 B1 KR102111852 B1 KR 102111852B1 KR 1020180071641 A KR1020180071641 A KR 1020180071641A KR 20180071641 A KR20180071641 A KR 20180071641A KR 102111852 B1 KR102111852 B1 KR 102111852B1
- Authority
- KR
- South Korea
- Prior art keywords
- depression
- interactive
- learning
- tool
- gad
- Prior art date
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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Psychiatry (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Educational Technology (AREA)
- Biophysics (AREA)
- Developmental Disabilities (AREA)
- Databases & Information Systems (AREA)
- Hospice & Palliative Care (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Child & Adolescent Psychology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
다수의 심리검사지에서 불안 및 우울 증세의 신속한 진단을 위한 기계 학습 기반의 문항 선별 방법 및 장치가 제시된다. 일 실시예에 따른 다수의 심리검사지에서 불안 및 우울 증세의 신속한 진단을 위한 기계 학습 기반의 문항 선별 방법은, 정신 건강 조사 데이터를 훈련 데이터 셋으로 사용하여 기계 학습(machine learning) 기반의 대화형 진단 도구(interactive diagnosis tool)를 학습시키는 단계; 및 상기 대화형 진단 도구에 대해 응답할 때마다 대상자의 상태 정보를 업데이트 하는 단계를 포함하여 이루어질 수 있다.
Description
아래의 실시예들은 정신 질환의 위험 집단(psychiatric risk group)을 분류하는 방법 및 장치에 관한 것으로, 더욱 상세하게는 다수의 심리검사지에서 불안 및 우울 증세의 신속한 진단을 위한 기계 학습 기반의 문항 선별 방법 및 장치에 관한 것이다.
심리 상담에서는 상대방의 상태를 이해하는 것이 중요하다. 따라서 최근 몇 가지 대화형 정신 질환 진단 도구가 개발되었다. 기존의 정신 의학 진단 도구는 DSM(Diagnostic and Statistical Manual of Mental Disorders)과 같은 진단 기준의 모든 증상을 식별해야 하기 때문에 시간이 많이 걸리고 다양한 질병에 대해 평가하기가 어렵다. 이러한 이유로 대부분의 대화형 진단 도구는 단일 질병에 대해서만 평가되거나 여러 가지 증상을 식별해야 한다. 그러나 대화형 진단 도구가 너무 많은 질문을 하면 필요한 시간이 너무 길어 청취자의 집중도가 낮아질 수 있다. 이에 따라 정신과 임상 진단 및 기계 학습 기술에 사용되는 진단 체계를 사용하여 기존의 문제를 해결하려고 노력해야 한다.
한편, 스트레스에 의해 여러 질병이 발생할 수 있지만, 최근의 심리 상담을 제공하기 위해 개발된 이전의 가상 대화 도구는 대부분 단일 장애를 진단하도록 설계되었다. 또한 기존 도구는 DSM과 같은 진단 기준에 따라 모든 증상을 검사해야 했다.
Zeileis, T. et al. Torsten partykit : A Toolkit for Recursive Partytioning. Journal of Machine learning research 16, 3905~3909 (2014).
실시예들은 다수의 심리검사지에서 불안 및 우울 증세의 신속한 진단을 위한 기계 학습 기반의 문항 선별 방법 및 장치에 관하여 기술하며, 보다 구체적으로 정신 의학의 대화형 진단 도구에 사용하기 위한 위험 집단 분류 알고리즘을 개발하고 그 성능을 평가한다.
실시예들은 실제 임상 데이터를 사용하여 기계 학습(machine learning)을 기반으로 한 대화형 진단 도구를 제공함으로써, 단일 질병이 아닌 실제 스트레스 상황에서 발생할 수 있는 다양한 정신 질환에 대한 선별검사(screening)를 할 수 있는 다수의 심리검사지에서 불안 및 우울 증세의 신속한 진단을 위한 기계 학습 기반의 문항 선별 방법 및 장치를 제공하는데 있다.
일 실시예에 따른 다수의 심리검사지에서 불안 및 우울 증세의 신속한 진단을 위한 기계 학습 기반의 문항 선별 방법은, 정신 건강 조사 데이터를 훈련 데이터 셋으로 사용하여 기계 학습(machine learning) 기반의 대화형 진단 도구(interactive diagnosis tool)를 학습시키는 단계; 및 상기 대화형 진단 도구에 대해 응답할 때마다 대상자의 상태 정보를 업데이트 하는 단계를 포함하여 이루어질 수 있다.
여기서, 상기 대화형 진단 도구의 설계를 위해 리샘플링 기법(resampling technique)을 적용한 R 패키지(package)인 Rpart 트리(tree) 알고리즘을 적용하는 전처리 단계를 더 포함할 수 있다.
또한, 상기 대화형 진단 도구를 이용하여 특정 질문을 통해 정신 질환을 진단하는 단계를 더 포함할 수 있다.
상기 정신 건강 조사 데이터는 우울증 선별도구(Patient Health Questionnaire-9, PHQ-9), 범불안 장애 평가(Generalized Anxiety Disorder-7, GAD-7), 및 Liebowitz 사회 불안 척도(Liebowitz social anxiety scale, LSAS)로 구성될 수 있다.
상기 대화형 진단 도구를 학습시키는 단계는, 우울증 선별도구(Patient Health Questionnaire-9, PHQ-9), 범불안 장애 평가(Generalized Anxiety Disorder-7, GAD-7), 및 Liebowitz 사회 불안 척도(Liebowitz social anxiety scale, LSAS)를 사용하여 우울증, 범불안 장애 및 사회 불안 장애의 위험이 높은 대상자를 찾기 위해 의사결정 트리를 훈련시키는 단계를 포함할 수 있다.
그리고 상기 대화형 진단 도구를 학습시키는 단계는, 상기 의사결정 트리가 위험 집단으로 식별되는 경우, 정신 질환의 유무를 결정하기 위해 추가 질문을 하는 단계를 더 포함할 수 있다.
상기 우울증 선별도구(Patient Health Questionnaire-9, PHQ-9), 범불안 장애 평가(Generalized Anxiety Disorder-7, GAD-7), 및 Liebowitz 사회 불안 척도(Liebowitz social anxiety scale, LSAS)의 각 목표 값(target value)은 특정 컷오프 값(cut-off value)을 초과하는 각 항목의 총 점수로 정의될 수 있다.
다른 실시예에 따른 다수의 심리검사지에서 불안 및 우울 증세의 신속한 진단을 위한 기계 학습 기반의 문항 선별 장치는, 정신 건강 조사 데이터를 훈련 데이터 셋으로 입력하는 입력부; 상기 훈련 데이터 셋을 사용하여 기계 학습(machine learning) 기반의 대화형 진단 도구(interactive diagnosis tool)를 학습시키는 학습부; 및 상기 대화형 진단 도구에 대해 응답할 때마다 대상자의 상태 정보를 업데이트 하는 업데이트부를 포함하여 이루어질 수 있다.
여기서, 상기 대화형 진단 도구의 설계를 위해 리샘플링 기법(resampling technique)을 적용한 R 패키지(package)인 Rpart 트리(tree) 알고리즘을 적용하는 전처리부를 더 포함할 수 있다.
또한, 상기 대화형 진단 도구를 이용하여 특정 질문을 통해 정신 질환을 진단하는 진단부를 더 포함할 수 있다.
상기 정신 건강 조사 데이터는 우울증 선별도구(Patient Health Questionnaire-9, PHQ-9), 범불안 장애 평가(Generalized Anxiety Disorder-7, GAD-7), 및 Liebowitz 사회 불안 척도(Liebowitz social anxiety scale, LSAS)로 구성될 수 있다.
상기 학습부는, 우울증 선별도구(Patient Health Questionnaire-9, PHQ-9), 범불안 장애 평가(Generalized Anxiety Disorder-7, GAD-7), 및 Liebowitz 사회 불안 척도(Liebowitz social anxiety scale, LSAS)를 사용하여 우울증, 범불안 장애 및 사회 불안 장애의 위험이 높은 대상자를 찾기 위해 의사결정 트리를 훈련시킬 수 있다.
상기 학습부는, 상기 의사결정 트리가 위험 집단으로 식별되는 경우, 정신 질환의 유무를 결정하기 위해 추가 질문을 할 수 있다.
상기 우울증 선별도구(Patient Health Questionnaire-9, PHQ-9), 범불안 장애 평가(Generalized Anxiety Disorder-7, GAD-7), 및 Liebowitz 사회 불안 척도(Liebowitz social anxiety scale, LSAS)의 각 목표 값(target value)은 특정 컷오프 값(cut-off value)을 초과하는 각 항목의 총 점수로 정의될 수 있다.
실시예들에 따르면 실제 임상 데이터를 사용하여 기계 학습(machine learning)을 기반으로 한 대화형 진단 도구를 제공함으로써, 단일 질병이 아닌 실제 스트레스 상황에서 발생할 수 있는 다양한 정신 질환에 대한 선별검사(Screening)를 할 수 있는 다수의 심리검사지에서 불안 및 우울 증세의 신속한 진단을 위한 기계 학습 기반의 문항 선별 방법 및 장치를 제공할 수 있다.
또한, 실시예들에 따르면 대화형 진단 도구에 대한 위험 집단 분류 알고리즘을 통해 적은 대화로 비교적 정확한 정신 질환 판단을 수행하는 다수의 심리검사지에서 불안 및 우울 증세의 신속한 진단을 위한 기계 학습 기반의 문항 선별 방법 및 장치를 제공할 수 있다.
도 1은 일 실시예에 따른 문항 선별 장치의 구조를 개략적으로 나타내는 도면이다.
도 2는 일 실시예에 따른 문항 선별 방법을 나타내는 흐름도이다.
도 3은 일 실시예에 따른 우울증 위험 집단의 의사결정 트리를 나타내는 도면이다.
도 4는 일 실시예에 따른 우울증 위험 집단의 의사결정 트리의 가지치기 과정의 결과를 나타내는 도면이다.
도 5는 일 실시예에 따른 GAD 위험 집단의 의사결정 트리를 나타내는 도면이다.
도 6은 일 실시예에 따른 GAD 위험 집단의 의사결정 트리의 가지치기 과정의 결과를 나타내는 도면이다.
도 7은 일 실시예에 따른 SAD 위험 집단의 의사결정 트리를 나타내는 도면이다.
도 8은 일 실시예에 따른 SAD 위험 집단의 의사결정 트리의 가지치기 과정의 결과를 나타내는 도면이다.
도 2는 일 실시예에 따른 문항 선별 방법을 나타내는 흐름도이다.
도 3은 일 실시예에 따른 우울증 위험 집단의 의사결정 트리를 나타내는 도면이다.
도 4는 일 실시예에 따른 우울증 위험 집단의 의사결정 트리의 가지치기 과정의 결과를 나타내는 도면이다.
도 5는 일 실시예에 따른 GAD 위험 집단의 의사결정 트리를 나타내는 도면이다.
도 6은 일 실시예에 따른 GAD 위험 집단의 의사결정 트리의 가지치기 과정의 결과를 나타내는 도면이다.
도 7은 일 실시예에 따른 SAD 위험 집단의 의사결정 트리를 나타내는 도면이다.
도 8은 일 실시예에 따른 SAD 위험 집단의 의사결정 트리의 가지치기 과정의 결과를 나타내는 도면이다.
이하, 첨부된 도면을 참조하여 실시예들을 설명한다. 그러나, 기술되는 실시예들은 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 이하 설명되는 실시예들에 의하여 한정되는 것은 아니다. 또한, 여러 실시예들은 당해 기술분야에서 평균적인 지식을 가진 자에게 본 발명을 더욱 완전하게 설명하기 위해서 제공되는 것이다. 도면에서 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다.
아래의 실시예들은 정신 질환의 위험 집단을 분류하기 위해 다수의 심리검사지에서 불안 및 우울 증세의 신속한 진단을 위한 기계 학습 기반의 문항 선별 방법 및 장치를 제공할 수 있다. 이를 위해 정신 의학의 대화형 진단 도구에 사용하기 위한 위험 집단 분류 알고리즘 개발하고 그 성능을 평가한다.
보다 구체적으로, 실제 임상 데이터를 사용하여 기계 학습(machine learning)을 기반으로 한 대화형 진단 도구(interactive diagnosis tool)를 제공할 수 있다. 기계 학습을 기반으로 한 대화형 진단 도구는 단일 질병이 아닌 실제 스트레스 상황에서 발생할 수 있는 다양한 정신 질환에 대한 선별검사(screening)를 할 수 있고, 적절한 추가 정보를 단계적으로 수집하고 판단하도록 설계될 수 있다.
도 1은 일 실시예에 따른 문항 선별 장치의 구조를 개략적으로 나타내는 도면이다.
도 1을 참조하면, 일 실시예에 따른 문항 선별 장치의 구조를 개략적으로 나타내는 것으로, 대화형 진단 도구의 의사결정 과정을 설명하기 위한 도면이다. 아래에서는 다수의 심리검사지에서 불안 및 우울 증세의 신속한 진단을 위한 기계 학습 기반의 문항 선별 장치를 간단히 문항 선별 장치로 언급하기로 한다.
일 실시예에 따른 문항 선별 장치는 입력부(110), 학습부(120) 및 업데이트부(130)를 포함하여 이루어질 수 있다. 실시예에 따라 문항 선별 장치는 전처리부 및 진단부(140)를 더 포함할 수 있다.
입력부(110)는 정신 질환 유무를 판단하기 위한 기본적인 정보를 훈련 데이터 셋(training data set)으로 입력하는 것으로, 수집한 정신 건강 조사 데이터를 훈련 데이터 셋으로 입력할 수 있다. 정신 건강 조사 데이터는 대상자로부터 수집될 수 있으며, 예컨대 다수의 대상자들로부터 획득한 다수의 심리검사지가 될 수 있다.
여기서, 정신 건강 조사 데이터는 우울증 선별도구(Patient Health Questionnaire-9, PHQ-9), 범불안 장애 평가(Generalized Anxiety Disorder-7, GAD-7), 및 Liebowitz 사회 불안 척도(Liebowitz social anxiety scale, LSAS)로 구성될 수 있다.
학습부(120)는 훈련 데이터 셋을 사용하여 기계 학습(machine learning) 기반의 대화형 진단 도구(interactive diagnosis tool)를 학습시킬 수 있다. 예컨대 기계 학습 기반의 대화형 진단 도구는 우울증에 대한 선별 검사를 수행하고, 우울증을 진단하여, 우울증의 추가 정보를 단계적으로 수집함으로써 우울증을 최종 진단하도록 설계될 수 있다. 그리고 우울증뿐만 아니라 범불안 장애 및 사회 불안 장애 등에 대해서도 선별 검사를 수행하고 각각의 정신 질환을 진단하여 추가 정보를 단계적으로 수집함으로써 정신 질환을 최종 진단하도록 설계될 수 있다.
예를 들어, 학습부(120)는 우울증 선별도구(PHQ-9), 범불안 장애 평가(GAD-7), 및 Liebowitz 사회 불안 척도(LSAS)를 사용하여 우울증, 범불안 장애 및 사회 불안 장애의 위험이 높은 대상자를 찾기 위해 의사결정 트리를 훈련시킬 수 있다. 이후, 학습부(120)는 의사결정 트리가 위험 집단으로 식별되는 경우, 정신 질환의 유무를 결정하기 위해 추가 질문을 할 수 있다.
이 때, 우울증 선별도구(PHQ-9), 범불안 장애 평가(GAD-7), 및 Liebowitz 사회 불안 척도(LSAS)의 각 목표 값(target value)은 특정 컷오프 값(cut-off value)을 초과하는 각 항목의 총 점수로 정의될 수 있다.
업데이트부(130)는 환자 상태를 업데이트 하는 것으로, 대화형 진단 도구에 대해 응답할 때마다 대상자의 상태 정보를 업데이트 할 수 있다.
실시예에 따라 문항 선별 장치는 전처리부 및 진단부(140)를 더 포함할 수 있다.
전처리부는 대화형 진단 도구의 설계를 위해 리샘플링 기법(resampling technique)을 적용한 R 패키지(package)인 Rpart 트리(tree) 알고리즘을 적용할 수 있다.
그리고 진단부(140)는 대화형 진단 도구를 이용하여 특정 질문을 통해 정신 질환을 진단할 수 있다. 즉, 진단부(140)는 최적의 질문으로 다양한 정신 질환을 식별하여 최종적으로 진단할 수 있다. 이 때, 진단부(140)는 적절한 중재를 통해 정신 질환을 최종적으로 진단할 수 있다.
일례로, 대학에서 대상자 5858 명으로부터 획득한 정신 건강 조사 데이터를 기계 학습의 훈련 데이터 셋으로 사용할 수 있다. 조사는 우울증 선별도구(PHQ-9), 범불안 장애 평가(GAD-7), 및 Liebowitz 사회 불안 척도(LSAS)로 구성될 수 있다. 이 때, 불균형 문제를 해결하기 위한 전처리 단계에서 리샘플링 기법을 적용한 R 패키지인 Rpart 트리 알고리즘을 적용할 수 있다(비특허문헌 1).
대화형 진단 도구를 설계하여 응답할 때마다 대상자의 정보를 업데이트하고, 필요할 때 그것을 재사용할 수 있다. 각 목표 값은 특정 컷오프 값을 초과하는 각 항목의 총 점수로 정의될 수 있다.
앞에서 설명한 우울증 선별도구(PHQ-9), 범불안 장애 평가(GAD-7), 및 Liebowitz 사회 불안 척도(LSAS)를 사용하여 우울증, 범불안 장애 및 사회 불안 장애의 위험이 높은 대상자를 찾기 위해 의사결정 트리를 훈련시킬 수 있다. 의사결정 트리가 위험 집단으로 식별되면, 질병의 유무를 결정하기 위해 추가 질문을 하도록 설계될 수 있다. 따라서 최적의 질문으로 다양한 질병을 식별할 수 있다.
훈련된 알고리즘의 정확도, 리콜, 모든 F1T 점수는 다음과 같다(정확도/리콜/모든 F1T 점수).
우울증(Depression) 93.1 % / 87.6 % / 90.3 %
범불안 장애(Generalized Anxiety Disorder, GAD) 97.2 % / 92.6 % / 94.8 %
사회 불안 장애(Social Anxiety Disorder, SAD)의 경우 94.0 % / 86.4 % / 90.0 %.
도 2는 일 실시예에 따른 문항 선별 방법을 나타내는 흐름도이다.
도 2를 참조하면, 일 실시예에 따른 다수의 심리검사지에서 불안 및 우울 증세의 신속한 진단을 위한 기계 학습 기반의 문항 선별 방법은, 정신 건강 조사 데이터를 훈련 데이터 셋으로 사용하여 기계 학습 기반의 대화형 진단 도구를 학습시키는 단계(220), 및 대화형 진단 도구에 대해 응답할 때마다 대상자의 상태 정보를 업데이트 하는 단계(230)를 포함하여 이루어질 수 있다.
여기서, 대화형 진단 도구의 설계를 위해 리샘플링 기법을 적용한 R 패키지인 Rpart 트리 알고리즘을 적용하는 전처리 단계(210)를 더 포함할 수 있다.
또한, 대화형 진단 도구를 이용하여 특정 질문을 통해 정신 질환을 진단하는 단계(240)를 더 포함할 수 있다.
아래에서 일 실시예에 따른 다수의 심리검사지에서 불안 및 우울 증세의 신속한 진단을 위한 기계 학습 기반의 문항 선별 방법의 각 단계에 대해 보다 구체적으로 설명하기로 한다.
일 실시예에 따른 다수의 심리검사지에서 불안 및 우울 증세의 신속한 진단을 위한 기계 학습 기반의 문항 선별 방법은 도 1에서 설명한 일 실시예에 따른 다수의 심리검사지에서 불안 및 우울 증세의 신속한 진단을 위한 기계 학습 기반의 문항 선별 장치를 하나의 예로써 보다 구체적으로 설명할 수 있다. 아래에서는 일 실시예에 따른 다수의 심리검사지에서 불안 및 우울 증세의 신속한 진단을 위한 기계 학습 기반의 문항 선별 방법을 간단히 문항 선별 방법으로 언급하기로 한다. 한편, 일 실시예에 따른 문항 선별 장치는 입력부, 학습부 및 업데이트부를 포함하여 이루어질 수 있으며, 실시예에 따라 문항 선별 장치는 전처리부 및 진단부를 더 포함하여 이루어질 수 있다.
먼저, 단계(210)에서, 전처리부는 대화형 진단 도구의 설계를 위해 리샘플링 기법을 적용한 R 패키지인 Rpart 트리 알고리즘을 적용하는 전처리할 수 있다.
단계(220)에서, 학습부는 정신 건강 조사 데이터를 훈련 데이터 셋으로 사용하여 기계 학습 기반의 대화형 진단 도구를 학습시킬 수 있다. 이 때, 학습부는 입력부로부터 정신 건강 조사 데이터를 훈련 데이터 셋으로 전달 받을 수 있다. 여기서, 정신 건강 조사 데이터는 우울증 선별도구(PHQ-9), 범불안 장애 평가(GAD-7), 및 Liebowitz 사회 불안 척도(LSAS)로 구성될 수 있다.
학습부는 우울증 선별도구(PHQ-9), 범불안 장애 평가(GAD-7), 및 Liebowitz 사회 불안 척도(LSAS)를 사용하여 우울증, 범불안 장애 및 사회 불안 장애의 위험이 높은 대상자를 찾기 위해 의사결정 트리를 훈련시킬 수 있다. 이후, 학습부는 의사결정 트리가 위험 집단으로 식별되는 경우, 정신 질환의 유무를 결정하기 위해 추가 질문을 할 수 있다.
우울증 선별도구(PHQ-9), 범불안 장애 평가(GAD-7), 및 Liebowitz 사회 불안 척도(LSAS)의 각 목표 값은 특정 컷오프 값을 초과하는 각 항목의 총 점수로 정의될 수 있다.
단계(230)에서, 업데이트부는 대화형 진단 도구에 대해 응답할 때마다 대상자의 상태 정보를 업데이트 할 수 있다.
단계(240)에서, 진단부는 대화형 진단 도구를 이용하여 특정 질문을 통해 정신 질환을 진단할 수 있다.
따라서 실제 임상 데이터를 사용하여 기계 학습(machine learning)을 기반으로 한 대화형 진단 도구를 제공함으로써, 단일 질병이 아닌 실제 스트레스 상황에서 발생할 수 있는 다양한 정신 질환에 대한 선별검사(Screening)를 할 수 있다. 또한, 대화형 진단 도구에 대한 위험 집단 분류 알고리즘을 통해 적은 대화로 비교적 정확한 정신 질환 판단을 수행할 수 있다.
도 3은 일 실시예에 따른 우울증 위험 집단의 의사결정 트리를 나타내는 도면이다. 그리고 도 4는 일 실시예에 따른 우울증 위험 집단의 의사결정 트리의 가지치기 과정의 결과를 나타내는 도면이다.
도 3 및 도 4를 참조하면, 우울증 위험 집단의 의사결정 트리와 가지치기(pruning) 과정의 결과를 나타내는 것으로, 의사결정 트리는 단지 2 ~ 5 개의 질문들을 통해 우울증 위험 집단을 훈련시킬 수 있다.
도 5는 일 실시예에 따른 GAD 위험 집단의 의사결정 트리를 나타내는 도면이다. 그리고 도 6은 일 실시예에 따른 GAD 위험 집단의 의사결정 트리의 가지치기 과정의 결과를 나타내는 도면이다.
도 5 및 도 6을 참조하면, 범불안 장애(GAD) 위험 집단의 의사결정 트리와 가지치기 과정의 결과를 나타내는 것으로, 의사결정 트리는 단지 2 ~ 3 개의 질문을 통해서 범불안 장애(GAD) 위험 집단을 훈련시킬 수 있다.
도 7은 일 실시예에 따른 SAD 위험 집단의 의사결정 트리를 나타내는 도면이다. 그리고 도 8은 일 실시예에 따른 SAD 위험 집단의 의사결정 트리의 가지치기 과정의 결과를 나타내는 도면이다.
도 7 및 도 8을 참조하면, 사회 불안 장애(SAD) 위험 집단의 의사결정 트리와 가지치기 과정의 결과를 나타내는 것으로, 의사결정 트리는 단지 2 ~ 4 개의 질문을 통해 사회 불안 장애(SAD) 위험 집단을 훈련시킬 수 있다.
임상 데이터를 사용한 의사결정 트리는 우울증, 범불안 장애(GAD) 및 사회 불안 장애(SAD)의 세 가지 정신 질환들의 위험 집단에 대해 몇 가지 질문을 통해 높은 민감도와 특이성을 보였다.
이상에서, 정신 의학의 대화형 진단 도구에 사용하기 위한 위험 집단 분류 알고리즘을 개발하고 그 성능을 평가하였다. 실시예들에 따르면 대화형 진단 도구에 대한 위험 집단 분류 알고리즘은 우울증, 범불안 장애(GAD) 및 사회 불안 장애(SAD)에서 비교적 양호한 결과를 보였다. 개발된 위험 집단 구별 알고리즘은 대화형 진단 도구와의 적은 대화로 비교적 정확한 판단을 도울 것으로 기대된다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 컨트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 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), 명령(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 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 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 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 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.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
Claims (14)
- 전처리부에서 대화형 진단 도구의 설계를 위해 리샘플링 기법(resampling technique)을 적용한 R 패키지(package)인 Rpart 트리(tree) 알고리즘을 적용하는 전처리 단계;
학습부에서 정신 건강 조사 데이터를 훈련 데이터 셋으로 사용하여 기계 학습(machine learning) 기반의 대화형 진단 도구(interactive diagnosis tool)를 학습시키는 단계;
업데이트부에서 상기 대화형 진단 도구에 대해 응답할 때마다 대상자의 상태 정보를 업데이트 하는 단계; 및
진단부에서 상기 대화형 진단 도구를 이용하여 특정 질문을 통해 정신 질환을 진단하는 단계
를 포함하고,
상기 대화형 진단 도구를 학습시키는 단계는,
우울증 선별도구(Patient Health Questionnaire-9, PHQ-9), 범불안 장애 평가(Generalized Anxiety Disorder-7, GAD-7), 및 Liebowitz 사회 불안 척도(Liebowitz social anxiety scale, LSAS)를 사용하여 우울증, 범불안 장애 및 사회 불안 장애의 위험이 높은 대상자를 찾기 위해 의사결정 트리를 훈련시키는 단계; 및
상기 의사결정 트리가 위험 집단으로 식별되는 경우, 정신 질환의 유무를 결정하기 위해 추가 질문을 하는 단계
를 더 포함하는, 문항 선별 방법. - 삭제
- 삭제
- 제1항에 있어서,
상기 정신 건강 조사 데이터는 우울증 선별도구(Patient Health Questionnaire-9, PHQ-9), 범불안 장애 평가(Generalized Anxiety Disorder-7, GAD-7), 및 Liebowitz 사회 불안 척도(Liebowitz social anxiety scale, LSAS)로 구성되는 것
을 특징으로 하는, 문항 선별 방법. - 삭제
- 삭제
- 제1항에 있어서,
상기 우울증 선별도구(Patient Health Questionnaire-9, PHQ-9), 범불안 장애 평가(Generalized Anxiety Disorder-7, GAD-7), 및 Liebowitz 사회 불안 척도(Liebowitz social anxiety scale, LSAS)의 각 목표 값(target value)은 특정 컷오프 값(cut-off value)을 초과하는 각 항목의 총 점수로 정의되는 것
을 특징으로 하는, 문항 선별 방법. - 대화형 진단 도구의 설계를 위해 리샘플링 기법(resampling technique)을 적용한 R 패키지(package)인 Rpart 트리(tree) 알고리즘을 적용하는 전처리부;
정신 건강 조사 데이터를 훈련 데이터 셋으로 입력하는 입력부;
상기 훈련 데이터 셋을 사용하여 기계 학습(machine learning) 기반의 대화형 진단 도구(interactive diagnosis tool)를 학습시키는 학습부;
상기 대화형 진단 도구에 대해 응답할 때마다 대상자의 상태 정보를 업데이트 하는 업데이트부; 및
상기 대화형 진단 도구를 이용하여 특정 질문을 통해 정신 질환을 진단하는 진단부
를 포함하고,
상기 학습부는,
우울증 선별도구(Patient Health Questionnaire-9, PHQ-9), 범불안 장애 평가(Generalized Anxiety Disorder-7, GAD-7), 및 Liebowitz 사회 불안 척도(Liebowitz social anxiety scale, LSAS)를 사용하여 우울증, 범불안 장애 및 사회 불안 장애의 위험이 높은 대상자를 찾기 위해 의사결정 트리를 훈련시키며, 상기 의사결정 트리가 위험 집단으로 식별되는 경우, 정신 질환의 유무를 결정하기 위해 추가 질문을 하는 것
을 특징으로 하는, 문항 선별 장치. - 삭제
- 삭제
- 제8항에 있어서,
상기 정신 건강 조사 데이터는 우울증 선별도구(Patient Health Questionnaire-9, PHQ-9), 범불안 장애 평가(Generalized Anxiety Disorder-7, GAD-7), 및 Liebowitz 사회 불안 척도(Liebowitz social anxiety scale, LSAS)로 구성되는 것
을 특징으로 하는, 문항 선별 장치. - 삭제
- 삭제
- 제8항에 있어서,
상기 우울증 선별도구(Patient Health Questionnaire-9, PHQ-9), 범불안 장애 평가(Generalized Anxiety Disorder-7, GAD-7), 및 Liebowitz 사회 불안 척도(Liebowitz social anxiety scale, LSAS)의 각 목표 값(target value)은 특정 컷오프 값(cut-off value)을 초과하는 각 항목의 총 점수로 정의되는 것
을 특징으로 하는, 문항 선별 장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/KR2018/007056 WO2019225798A1 (ko) | 2018-05-23 | 2018-06-22 | 다수의 심리검사지에서 불안 및 우울 증세의 신속한 진단을 위한 기계 학습 기반의 문항 선별 방법 및 장치 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180058130 | 2018-05-23 | ||
| KR20180058130 | 2018-05-23 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20190133581A KR20190133581A (ko) | 2019-12-03 |
| KR102111852B1 true KR102111852B1 (ko) | 2020-05-15 |
Family
ID=68838195
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180071641A KR102111852B1 (ko) | 2018-05-23 | 2018-06-21 | 다수의 심리검사지에서 불안 및 우울 증세의 신속한 진단을 위한 기계 학습 기반의 문항 선별 방법 및 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102111852B1 (ko) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102433178B1 (ko) | 2022-01-20 | 2022-08-19 | 주식회사 하이 | 심리 상태 분류 방법 및 심리 상태 분류 서버 |
| KR102442425B1 (ko) | 2022-01-20 | 2022-09-15 | 주식회사 하이 | 심리 상태 분류 방법, 심리 상태 분류 서버 및 컴퓨팅 장치 |
| KR102454737B1 (ko) | 2021-12-17 | 2022-10-19 | 주식회사 하이 | 심리 상태 분류 서버, 단말기, 심리 상태 분류 방법, 및 심리 상태 분류 서비스를 제공하는 방법 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115886818B (zh) * | 2022-11-25 | 2024-02-09 | 四川大学华西医院 | 一种基于胃肠电信号的抑郁焦虑障碍预测系统及其构建方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040242972A1 (en) * | 2003-05-28 | 2004-12-02 | General Electric Company | Method, system and computer product for prognosis of a medical disorder |
| US20170069216A1 (en) * | 2014-04-24 | 2017-03-09 | Cognoa, Inc. | Methods and apparatus to determine developmental progress with artificial intelligence and user input |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| SG11201502239UA (en) * | 2012-09-25 | 2015-04-29 | Theranos Inc | Systems and methods for response calibration |
-
2018
- 2018-06-21 KR KR1020180071641A patent/KR102111852B1/ko active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040242972A1 (en) * | 2003-05-28 | 2004-12-02 | General Electric Company | Method, system and computer product for prognosis of a medical disorder |
| US20170069216A1 (en) * | 2014-04-24 | 2017-03-09 | Cognoa, Inc. | Methods and apparatus to determine developmental progress with artificial intelligence and user input |
Non-Patent Citations (1)
| Title |
|---|
| 황인환 외 1인. "스트레스와 정신건강 평가를 위한 설문 도구". 한양 메디컬 리뷰. 제34권, pp.91-95, 2014.12.31. 공개 1부.* |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102454737B1 (ko) | 2021-12-17 | 2022-10-19 | 주식회사 하이 | 심리 상태 분류 서버, 단말기, 심리 상태 분류 방법, 및 심리 상태 분류 서비스를 제공하는 방법 |
| US11862341B2 (en) | 2021-12-17 | 2024-01-02 | Haii Corp. | Server and method for classifying mental state |
| KR102433178B1 (ko) | 2022-01-20 | 2022-08-19 | 주식회사 하이 | 심리 상태 분류 방법 및 심리 상태 분류 서버 |
| KR102442425B1 (ko) | 2022-01-20 | 2022-09-15 | 주식회사 하이 | 심리 상태 분류 방법, 심리 상태 분류 서버 및 컴퓨팅 장치 |
| US11744496B2 (en) | 2022-01-20 | 2023-09-05 | Haii Corp. | Method for classifying mental state, server and computing device for classifying mental state |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20190133581A (ko) | 2019-12-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102111852B1 (ko) | 다수의 심리검사지에서 불안 및 우울 증세의 신속한 진단을 위한 기계 학습 기반의 문항 선별 방법 및 장치 | |
| Gill et al. | Using machine learning to predict dementia from neuropsychiatric symptom and neuroimaging data | |
| Xu et al. | Using a deep recurrent neural network with EEG signal to detect Parkinson’s disease | |
| KR102248732B1 (ko) | 종합주의력 검사 데이터에 기초하여 주의력 결핍 및 과잉 행동 장애를 분류 및 치료반응을 예측하는 시스템 및 방법 | |
| JP2023016928A5 (ko) | ||
| CN111095232A (zh) | 发掘用于机器学习技术中的基因组 | |
| JP2016200435A (ja) | マススペクトル解析システム，方法およびプログラム | |
| Stamate et al. | A machine learning framework for predicting dementia and mild cognitive impairment | |
| CN111161884A (zh) | 针对不平衡数据的疾病预测方法、装置、设备及介质 | |
| Li et al. | Uncovering brain differences in preschoolers and young adolescents with autism spectrum disorder using deep learning | |
| JP7506943B2 (ja) | 信号処理方法，信号処理装置および信号処理プログラム | |
| Shukla et al. | Alz-ConvNets for classification of Alzheimer disease using transfer learning approach | |
| Bhosale et al. | Contrastive Learning of Cough Descriptors for Automatic COVID-19 Preliminary Diagnosis. | |
| Roy et al. | Deep‐CoV: An integrated deep learning model to detect COVID‐19 using chest X‐ray and CT images | |
| WO2019225798A1 (ko) | 다수의 심리검사지에서 불안 및 우울 증세의 신속한 진단을 위한 기계 학습 기반의 문항 선별 방법 및 장치 | |
| JP2015032013A (ja) | 数値データ解析装置及びプログラム | |
| EP3719806A1 (en) | A computer-implemented method, an apparatus and a computer program product for assessing performance of a subject in a cognitive function test | |
| KR102094936B1 (ko) | Bci 시스템의 신뢰성 향상 방법 | |
| JP7209383B2 (ja) | 精神疾患診断プロトコルを自動探索するためのコンピュータシステムおよびその方法、並びにコンピュータ読み取り可能な記録媒体 | |
| Stepanyan et al. | Neural network modeling and correlation analysis of brain plasticity mechanisms in stroke patients | |
| Benmalek et al. | A cough-based covid-19 detection with Gammatone and Mel-frequency cepstral coefficients | |
| US11087091B2 (en) | Method and system for providing contextual responses to user interaction | |
| Srinivasulu | Early prediction of covid-19 using modified recurrent neural networks | |
| Cruz et al. | P-Fidenet: plasmodium falciparum identification neural network | |
| Sharma et al. | Detection Of Dementia Disease Using Machine Learning Techniques: A Survey |
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 |