KR102198884B1 - 섬망 여부의 조기 판단 및 섬망의 중증도 판단 방법 및 프로그램 - Google Patents

Abstract

섬망 여부의 조기 판단 및 섬망 중증도 판단 방법 및 프로그램이 제공된다. 상기 섬망 여부의 조기 판단 및 섬망 중증도 판단 방법은 컴퓨터가 환자의 움직임데이터를 획득하되, 상기 환자의 움직임데이터는 영상 촬영 장치에 의해 획득된 영상에서 추출되거나 환자에 부착된 복수의 모션센서 조합에 의해 획득되는 것인, 데이터 획득 단계, 상기 컴퓨터가 획득한 상기 움직임데이터를 기반으로 한 섬망 여부 및 섬망 중증도의 입력을 사용자로부터 수신하되, 상기 섬망 여부 및 섬망 중증도는 섬망 평가 방법을 기반으로 한 의료진의 섬망 진단 결과를 이용하여 도출된 것인, 섬망 여부 및 섬망 중증도의 입력 수신 단계, 상기 컴퓨터가 획득한 상기 움직임데이터와, 상기 섬망 여부 및 상기 섬망 중증도를 매칭시켜 저장하는, 데이터 저장 단계, 상기 컴퓨터가 저장된 상기 움직임데이터에 대한 상기 섬망 여부 및 상기 섬망 중증도를 학습 데이터로서 학습을 수행하여, 학습 모델로 구성하는 단계를 포함한다.

Description

섬망 여부의 조기 판단 및 섬망의 중증도 판단 방법 및 프로그램{METHOD AND PROGRAM FOR THE EARLY DETECTION OF DELIRIUM AND THE SEVERITYD OF DELIRIUM}

본 발명은 섬망 여부 및 섬망의 중증도 판단 방법 및 프로그램에 관한 것으로, 보다 상세하게는 섬망 가능성이 있는 환자에 대한 데이터를 획득하여 학습 모델을 구축하고, 구축된 학습 모델을 이용하여 섬망을 조기에 판단하고 섬망의 중증도를 판단하여 이후 섬망 진행 경과를 예측하는 방법 및 프로그램에 관한 것이다.

섬망은 다양한 원인에 의해서 갑자기 발생한 의식의 장애, 주의력 저하, 언어력 저하 등 인지 기능 전반의 장애와 정신병적 증상을 유발하는 신경정신질환이다.

섬망은 각성 수준에 따라 자극에도 거의 반응하지 않는 심한 진정(sedation) 상태에서부터 과도한 각성상태를 보이며 불안하고 통제가 되지 않는 초조(agitation) 상태까지 표현형이 다양하다. 그리고 이런 표현형은 하루중에도 계속하여 바뀔 수 있다. 섬망은 혼돈(confusion) 과 비슷하지만, 더 빠르게 증상이 발현하여 심한 과다행동(예를 들어 안절부절 못하고, 잠을 안 자고, 소리를 지르고, 주사기를 빼내는 행위) 등이 자주 나타나는 것을 말한다

또한, 치매와 섬망과 구별한다면 가장 큰 차이점은 '지속성'이다. 섬망은 증상이 수일 이내 급격히 발생하여 원인이 교정되면 수일 이내 호전되고 하루 중에서 증상의 변동이 심한 편이다. 반면, 치매는 혈관성 치매가 아닌 퇴행성 치매의 경우, 수개월에 걸쳐 증상이 생기고 증상의 심각성 역시 비교적 큰 변동없이 일정한 편이다.

섬망은 병원 내 중환자실에서 많이 발생하는데, 병원에서도 섬망을 인지하지 못하는 경우가 많아 실제 유병률과 발병률은 매우 높은 것으로 알려져 있다.

미국에서 입원 환자의 섬망 유병률(prevalence)은 7~50%, 발병률(incidence)은 11~82%라는 보고가 있다.

섬망은 병원의 입원 기간을 늘릴 뿐만 아니라, 합병증과 사망률을 상승시키는 중요한 원인이다.

한편, 섬망을 진단하는 방법으로는 여러가지 방법이 있으나, 대부분 의료진들이 임상적으로 진단하는 것으로서, 의료진이 눈과 정황으로 평가하는 것이다.

섬망을 진단하기 위해서, 환자의 전후 상태를 근거로 하는 의료진의 세심한 관찰력과 판단력이 중요하다. 의심하지 않으면 초기에 발견하기가 어렵고 환자의 불안 또는 초조함 증상이 극대화 되었을 때 비로소 발견된다.

섬망을 늦게 진단하게 되면 이후에 더 이상 어떤 치료를 하더라도 반응하지 않는 경우가 많아 섬망의 고위험군을 확인하여 조기에 스크리닝하여 예방하는 것이 무엇보다도 치료면과 비용면에서 효과적이다.

한국등록특허공보 제10-1689021호, 2016.12.16.

현재 섬망의 진단은, 의료진이 임상적 판단으로 진단하는 것으로서, 섬망 환자의 약 2/3를 의료진이 인식하지 못하고 있다. 섬망 환자의 경우, 병원 및 그 외의 비용이 매우 많이 드는데, 병원 비용은 연간 80억 달러 이상, 사후 병원 비용은 1000억 달러 이상으로 재입원, 응급실 방문, 홈케어, 간병인, 보호시설, 재활 등을 포함한 것이다.

따라서, 섬망은 조기 발견이 중요하며, 조기에 발견하여 치료할 경우, 입원 기간을 줄이고 요양병원으로 전원하지 않음으로써 비용을 절감할 수 있고, 사망률을 감소시킬 수 있으며, 신체 및 인지기능의 저하로 연결되는 것을 방지할 수 있는 효과가 있다.

따라서, 본 발명이 해결하고자 하는 과제는 섬망을 조기에 발견할 수 있도록 하는 섬망 여부의 조기 판단 및 섬망의 중증도 판단 방법을 제공하는 것이다.

또한, 본 발명이 해결하고자 하는 과제는 섬망 여부를 정확하게 판단하고, 중증도 또한 정량화 및 객관화 할 수 있는 섬망 여부의 조기 판단 및 섬망의 중증도 판단 방법을 제공하는 것이다.

본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

상술한 과제를 해결하기 위한 본 발명의 일 실시예에 따른 섬망 여부의 조기 판단 및 섬망의 중증도 판단 방법은 컴퓨터가 환자의 움직임데이터를 획득하되, 상기 환자의 움직임데이터는 영상 촬영 장치에 의해 획득된 영상에서 추출되거나 환자에 부착된 복수의 모션센서 조합에 의해 획득되는 것인, 데이터 획득 단계, 상기 컴퓨터가 획득한 상기 움직임데이터를 기반으로 한 섬망 여부 및 섬망 중증도의 입력을 사용자로부터 수신하되, 상기 섬망 여부 및 섬망 중증도는 섬망 평가 방법을 기반으로 한 의료진의 섬망 진단 결과를 이용하여 도출된 것인, 섬망 여부 및 섬망 중증도의 입력 수신 단계, 상기 컴퓨터가 획득한 상기 움직임데이터와, 상기 섬망 여부 및 상기 섬망 중증도를 매칭시켜 저장하는, 데이터 저장 단계, 상기 컴퓨터가 저장된 상기 움직임데이터에 대한 상기 섬망 여부 및 상기 섬망 중증도를 학습 데이터로서 학습을 수행하여, 학습 모델로 구성하는 단계를 포함한다.

상술한 과제를 해결하기 위한 본 발명의 일 실시예에 따른 섬망 여부의 조기 판단 및 섬망의 중증도 판단 방법은 컴퓨터가 센서를 이용하여 대상체의 움직임데이터를 획득하는 단계, 상기 컴퓨터가 학습 모델을 이용하여 상기 대상체의 움직임데이터에 대한 섬망 여부 및 섬망 중증도를 결정하는 단계를 포함하고, 상기 학습 모델은, 컴퓨터가 및 환자의 움직임데이터를 획득하되, 상기 환자의 움직임데이터는 영상 촬영 장치에 의해 획득된 영상에서 추출되거나 환자에 부착된 복수의 모션센서 조합에 의해 획득되는 것이고, 상기 컴퓨터가 획득한 상기 움직임데이터를 기반으로 한 섬망 여부 및 섬망 중증도의 입력을 사용자로부터 수신하되, 상기 섬망 여부 및 섬망 중증도는 섬망 평가 방법을 기반으로 한 의료진의 섬망 진단 결과를 이용하여 도출된 것이고, 상기 컴퓨터가 획득한 상기 행동데이터 및 상기 움직임데이터 중 적어도 하나와, 상기 섬망 여부 및 상기 섬망 중증도를 매칭시켜 저장하고, 상기 컴퓨터가 저장된 상기 움직임데이터에 대한 상기 섬망 여부 및 상기 섬망 중증도를 학습 데이터로서 학습을 수행하여, 학습 모델로 구성되는 것이다.

상기 섬망 평가 방법은, Long CAM, Short CAM, CAM-S, CAM-ICU, 3D-CAM, Family CAM, RASS, DEL-B, CHART-DEL, UB-2, DRS-R-98, UB-2, NuDESC 중 적어도 하나를 포함한다.

상기 섬망 여부 및 섬망 중증도의 입력 수신 단계에서, 상기 섬망 여부는 CAM을 이용하여 도출된 것이고, 상기 섬망 중증도는 CAM-S를 이용하여 도출된 것이다.

상기 센서는, 양 상지, 양 손목, 양 손의 손가락 중 적어도 하나와 몸통, 머리, 침대의 특정 위치 중 적어도 하나에 배치되는 것이다.

상술한 과제를 해결하기 위한 본 발명의 일 실시예에 따른 섬망 여부의 조기 판단 및 섬망의 중증도 판단 방법은 상기 데이터 획득 단계 이전에, 상기 컴퓨터가 환자의 음성(音聲)데이터를 획득하는 단계를 더 포함하고, 상기 데이터 획득 단계는, 상기 컴퓨터가 환자 주변의 음성데이터를 획득하는 것을 더 포함하고, 상기 데이터 획득 단계와 상기 섬망 여부 및 섬망 중증도의 입력 수신 단계 사이에, 상기 컴퓨터가 획득한 환자 주변의 음성데이터를 상기 환자의 음성데이터를 고려하여 섬망 상태 양성데이터 또는 섬망 상태 음성(陰性)데이터로 분류하는 단계를 더 포함하고, 상기 섬망 여부 및 섬망 중증도의 입력 수신 단계는, 상기 컴퓨터가 획득한 상기 움직임데이터와 상기 섬망 상태 양성데이터 및 상기 섬망 상태 음성데이터를 기반으로 섬망 여부 및 섬망 중증도의 입력을 사용자로부터 수신하는 것을 특징으로 하고, 상기 데이터 저장 단계는, 상기 컴퓨터가 획득한 상기 움직임데이터와, 상기 섬망 상태 양성데이터, 섬망 상태 음성데이터, 상기 섬망 여부 및 상기 섬망 중증도를 매칭시켜 저장하는 것을 특징으로 하고, 상기 학습 모델로 구성하는 단계는, 상기 컴퓨터가 상기 움직임데이터와 상기 환자 주변의 음성데이터에 대한 상기 섬망 여부 및 상기 섬망 중증도를 학습 데이터로서 학습을 수행하는 것을 특징으로 한다.

상기 환자 주변의 음성데이터는, 환자의 음성, 보호자의 음성 및 의료진의 음성을 포함하는 것을 특징으로 한다.

상기 데이터 획득 단계는, 상기 컴퓨터가 음성 인식 기술을 통해 미리 추출된 음성데이터를 섬망 진단 음성데이터로서 획득하는 것을 더 포함하고, 상기 컴퓨터가 섬망 진단 음성데이터를 획득하는 것은, 상기 컴퓨터가 음성 인식 기술을 통해 미리 추출된 데이터를, 전체 음성데이터의 인식이 가능하며 문맥에 부합한 음성데이터, 전체 음성데이터의 인식이 가능하고 문맥에 부합하지 않는 음성데이터 및 인식이 불가능한 음성데이터로 분류하고, 상기 전체 음성데이터의 인식이 가능하고 문맥에 부합하지 않는 음성데이터 및 인식이 불가능한 음성데이터를 섬망 상태 음성데이터로서 획득하는 것이고, 상기 섬망 여부 및 섬망 중증도의 입력 수신 단계는, 상기 컴퓨터가 획득한 상기 움직임데이터와 상기 섬망 진단 음성데이터를 기반으로 섬망 여부 및 섬망 중증도의 입력을 사용자로부터 수신하는 것을 특징으로 하고, 상기 데이터 저장 단계는, 상기 컴퓨터가 획득한 상기 움직임데이터와, 상기 섬망 진단 음성데이터, 상기 섬망 여부 및 상기 섬망 중증도를 매칭시켜 저장하는 것을 특징으로 하고, 상기 학습 모델로 구성하는 단계는, 상기 컴퓨터가 상기 움직임데이터와 상기 섬망 진단 음성데이터에 대한 상기 섬망 여부 및 상기 섬망 중증도를 학습 데이터로서 학습을 수행하되, 상기 컴퓨터가 상기 섬망 상태 음성데이터를 섬망 긍정의 학습데이터로서 학습 시키는 것을 더 포함하는 것을 특징으로 한다.

상기 학습 모델은, 컴퓨터가 환자의 음성데이터를 획득하고, 상기 컴퓨터가 환자의 움직임데이터와 환자 주변의 음성데이터를 획득하되, 상기 환자의 움직임데이터는 영상 촬영 장치에 의해 획득된 영상에서 추출되거나 환자에 부착된 복수의 모션센서 조합에 의해 획득되는 것이고, 상기 컴퓨터가 획득한 환자 주변의 음성데이터를 분류하되, 상기 환자의 음성데이터를 고려하여 섬망 상태 양성데이터 또는 섬망 상태 음성(陰性)데이터로 분류하고, 상기 컴퓨터가 획득한 상기 움직임데이터와 상기 섬망 상태 양성데이터, 상기 섬망 상태 음성데이터를 기반으로 한 섬망 여부 및 섬망 중증도의 입력을 사용자로부터 수신하되, 상기 섬망 여부 및 섬망 중증도는 섬망 평가 방법을 기반으로 한 의료진의 섬망 진단 결과를 이용하여 도출된 것이고, 상기 컴퓨터가 획득한 상기 움직임데이터와, 상기 섬망 상태 양성데이터, 상기 섬망 상태 음성데이터, 상기 섬망 여부 및 상기 섬망 중증도를 매칭시켜 저장하고, 상기 컴퓨터가 저장된 상기 움직임데이터와 상기 환자 주변의 음성데이터에 대한 상기 섬망 여부 및 상기 섬망 중증도를 학습 데이터로서 학습을 수행하여, 학습 모델로 구성되는 것이고, 상기 섬망 여부의 조기 판단 및 섬망의 중증도 판단 방법은, 상기 컴퓨터가 상기 센서를 이용하여 대상체의 움직임데이터를 획득하는 단계 전 또는 후에 상기 컴퓨터가 대상체의 음성(音聲)데이터를 획득하는 단계, 상기 컴퓨터가 대상체 주변의 음성데이터를 획득하는 단계를 더 포함하고, 상기 섬망 여부 및 상기 섬망 중증도를 결정하는 단계는, 상기 컴퓨터가 상기 학습 모델을 이용하여 상기 대상체의 움직임데이터 및 상기 대상체 주변의 음성데이터에 대한 상기 섬망 여부 및 상기 섬망 중증도를 결정하는 것을 특징으로 한다.

상기 학습 모델은, 컴퓨터가 섬망 진단 음성데이터를 획득하는 것을 더 포함하고, 상기 섬망 진단 음성데이터는, 상기 컴퓨터가 음성 인식 기술을 통해 미리 획득된 데이터이고, 상기 음성데이터를, 전체 음성데이터의 인식이 가능하며 문맥에 부합한 음성데이터, 전체 음성데이터의 인식이 가능하고 문맥에 부합하지 않는 음성데이터 및 인식이 불가능한 음성데이터로 분류하고, 상기 전체 음성데이터의 인식이 가능하고 문맥에 부합하지 않는 음성데이터 및 인식이 불가능한 음성데이터를 섬망 상태 음성데이터로서 획득하고, 상기 컴퓨터가 저장된 상기 움직임데이터에 대한 상기 섬망 여부 및 상기 섬망 중증도를 학습 데이터로서 학습을 수행하여, 학습 모델로 구성되는 것에서, 상기 컴퓨터가 상기 섬망 상태 음성데이터를 섬망 긍정의 학습데이터로서 학습 시키는 것을 더 포함하는 것을 특징으로 하고, 상기 섬망 여부의 조기 판단 및 섬망의 중증도 판단 방법은, 상기 컴퓨터가 상기 센서를 이용하여 대상체의 움직임데이터를 획득하는 단계 직전 또는 직후에 상기 컴퓨터가 대상체 주변의 음성데이터를 획득하는 단계를 더 포함하고, 상기 섬망 여부 및 상기 섬망 중증도를 결정하는 단계는, 상기 컴퓨터가 상기 학습 모델을 이용하여 상기 대상체의 움직임데이터 및 상기 대상체 주변의 음성데이터에 대한 상기 섬망 여부 및 상기 섬망 중증도를 결정하는 것을 특징으로 한다.

상기 학습 모델로 구성하는 단계는, 상기 섬망 여부에서 섬망이 아닌 것으로 입력된 움직임데이터는, 섬망이 아닌 것으로 분류되어 학습될 수 있도록 상기 섬망이 아닌 것으로 입력된 움직임데이터는 학습데이터로서 학습을 수행하는 것을 특징으로 한다.

상술한 과제를 해결하기 위한 본 발명의 일 실시예에 따른 섬망 여부의 조기 판단 및 섬망의 중증도 판단 방법은 상기 컴퓨터가 상기 움직임데이터에 대하여 사용자로부터 섬망 확인 입력을 수신하는 단계를 더 포함하고, 상기 섬망 확인 입력은, 의료진용 섬망 긍정 입력, 의료진용 섬망 부정 입력, 보호자용 섬망 긍정 입력 중 적어도 하나를 포함한다.

상기 섬망 확인 입력을 수신하는 단계에서, 상기 의료진용 섬망 긍정 입력 또는 상기 의료진용 섬망 부정 입력을 수신하는 경우에는, 상기 데이터 저장 단계에서, 상기 섬망 확인 입력을 수신한 상기 움직임데이터는, 상기 섬망 여부 및 섬망 중증도의 입력 수신 단계에서 수신한 상기 섬망 여부의 입력과는 관계없이, 상기 의료진용 섬망 긍정 입력을 수신하는 경우에는 상기 섬망 여부에 대하여 긍정으로 매칭시켜 저장되고, 상기 의료진용 섬망 부정 입력을 수신하는 경우에는 상기 섬망 여부에 대하여 부정으로 매칭시켜 저장된다.

상기 의료진용 섬망 부정 입력을 수신하는 경우는, 의료진이 환자의 상태가 섬망이 아니라고 판단한 경우, 의료진이 환자의 체위를 변경하는 경우 또는 섬망이 아닌 증상 유사 병변으로 판단한 경우 중 적어도 하나이고,

상기 증상 유사 병변은, 저산소증(hypoxia), 저혈당(hypoglycemia), 패혈증(sepsis), 고혈압성뇌증(hypertensive encephalopathy), 베르니케뇌증(Wernicke’s encephalopathy), 과다복용( Overdose), 수막염, 뇌염 등의 중추신경계감염 (CNS infections, meningitis, encephalitis), 중추신경계외상(CNS trauma), 지주막, 경막 등 두개내출혈(Intracranial hemorrhage, subarachnoid, subdural), 뇌전증(Epilepsy), 요로감염(Urinary tract infections), 폐렴(Pneumonia), 전해질이상(Electrolyte abnormalities), 약물 부작용 및 상호작용(Medication adverse effects and interactions), 약물 금단 증후군(Medication withdrawal syndromes), 정신병(Psychiatric illness) 갑상선 등 내분비질환 (Endocrine disease, thyroid), 중추 신경계 병변(CNS mass lesions), 치매(Dementia), 초점 운동 부족이 없는 뇌졸중(stroke without focal motor deficit) 중 적어도 하나이다.

상기 섬망 확인 입력을 수신하는 단계에서, 상기 보호자용 섬망 긍정 입력을 수신하는 경우에, 상기 데이터 저장 단계에서, 상기 섬망 확인 입력을 수신한 상기 움직임 데이터는, 상기 섬망 여부 및 섬망 중증도의 입력 수신 단계에서 수신한 상기 섬망 여부의 입력에 섬망 긍정의 가중치를 부여되는 것이다.

상술한 과제를 해결하기 위한 본 발명의 일 실시예에 따른 섬망 여부의 조기 판단 및 섬망의 중증도 판단 프로그램은 하드웨어인 컴퓨터와 결합되어, 상술한 방법 중 어느 하나의 방법을 실행시키기 위해 기록 매체에 저장된다.

상술한 과제를 해결하기 위한 본 발명의 일 실시예에 따른 섬망 여부의 조기 판단 및 섬망의 중증도 판단하는 컴퓨팅 장치는, 환자의 움직임데이터를 획득하되, 상기 환자의 움직임데이터는 영상 촬영 장치에 의해 획득된 영상에서 추출되거나 환자에 부착된 복수의 모션 센서 조합에 의해 획득되는 것이고, 획득한 움직임데이터를 기반으로 한 섬망 여부 및 섬망 중증도의 입력을 사용자로부터 수신하되, 상기 섬망 여부 및 섬망 중증도는 섬망 평가 방법으로 기반으로 한 의료진의 섬망 진단 결과를 이용하여 도출된 것이고, 획득한 상기 움직임데이터에 대한 상기 섬망 여부 및 상기 섬망 중증도를 학습 데이터로서 학습을 수행하여, 학습 모델로 구성하는 것을 특징으로 한다.

본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.

상기 본 발명에 의하면, 의료진의 임상적 경험과 표준화된 평가 방법을 이용하여 대상체가 섬망인지 아닌지를 보다 정확하게 판단할 수 있다.

또한, 상기 본 발명에 의하면, 섬망의 진행됨에 따라 나타나는 증상과 중증도를 정량화 및 객관화 할 수 있다.

또한, 상기 본 발명에 의하면, 섬망에 따른 증상의 변화들을 실시간으로 추적하여 조기에 섬망을 진단할 수 있어, 24시간 모니터링이 가능해짐으로서 섬망을 평가하는 의료비용 절감 효과가 있다.

또한, 상기 본 발명에 의하면, 조기 발견을 통해 섬망 조기 중재 개입이 가능해짐으로서 발생하는 재원일수, 합병증, 사망률 및 의료비 감소의 효과가 있다.

또한, 상기 본 발명에 의하면, 의료진 간에 섬망을 판단하는 개인차를 줄이고, 표준화할 수 있다.

본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

도 1은 섬망의 발생 과정을 설명하기 위한 도면이다.
도 2은 본 발명의 일 실시예에 따른 섬망 여부의 조기 판단 및 섬망의 중증도 판단 방법을 설명하기 위한 도면이다.
도 3 및 도 4는 본 발명의 일 실시예에 따른 음성데이터를 이용하여 섬망 여부의 조기 판단 및 섬망의 중증도를 판단하는 방법을 설명하기 위한 도면이다.
도 5는 사용자로부터 섬망 확인 입력을 수신한 경우 섬망 여부의 조기 판단 및 섬망의 중증도를 판단하는 방법을 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 학습 모델을 이용하여 섬망 여부의 조기 판단 및 섬망의 중증도를 판단하는 방법을 설명하기 위한 도면이다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.

본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.

본 명세서에서 '환자'는 학습 모델을 구축하기 위하여, 섬망 여부의 조기 판단 및 섬망의 중증도를 판단하기 위한 기초가 되는 데이터를 추출하는 대상으로서, 섬망 환자 및 섬망이 아니면서도 섬망의 가능성이 있는 다른 병변의 환자 모두를 포함하며, 섬망 가능성이 있어 섬망인지 여부의 판단이 필요한 대상을 포함한다.

본 명세서에서 '대상체'는 구축된 학습 모델을 이용하여, 섬망 여부의 조기 판단 및 섬망의 중증도의 판단이 필요한 대상이다.

본 명세서에서 '움직임데이터'는 환자의 관찰 가능한 행위, 행실 또는 환자 또는 대상체의 움직임(motion)을 나타내는 것으로서, 환자가 취하는 행동을 의료진이 보고 판단하여 섬망의 증상을 나타내는 행동인 것인지, 섬망이라면 중증도가 어느 정도인지 분석하거나, 센서가 부착된 부위의 움직임이 어느정도 이루어지는지, 어느 방향으로, 얼마나 자주 움직이는지, 얼마나 과격하게 움직이는지 등을 측정하여, 섬망인지 여부 및 섬망의 중증도를 판단하기 위한 데이터이다.

본 명세서에서 '음성데이터'는 환자 또는 환자의 주변의 음성, 대상체 또는 대상체 주변의 음성, 또는 섬망과는 관련 없이 기존의 음성 인식 기술의 이용을 통해 획득된 음성을 포함하는 것으로서, 섬망 상태에서의 음성을 구분하여 섬망 상태를 진단하기 위한 데이터이다.

본 명세서에서 '영상 촬영 장치'는 환자의 영상을 촬영하여 획득하는 장치로서, 동영상을 촬영하여 실시간으로 전송 가능한 카메라는 모두 포함된다. 또한, 본 명세서에서의 영상 촬영 장치는 녹화가 가능하여, 기록 저장 또한 가능하다.

본 명세서에서 '센서'는 환자 또는 대상체에 부착되어 움직임데이터를 획득하기 위한 것으로서, 환자 또는 대상체의 양 상지, 양 손목, 양 손의 손가락, 몸통, 양 하지, 양 발목, 양 발의 발가락, 머리 등 부착이 될 수 있는 부위와 기준이 되는 침대 중의 위치를 모두 포함하여 배치될 수 있다. 또한, '센서'는 모션 센서를 포함하여, 움직임의 측정이 가능한 센서는 모두 포함되고, 모션 센서는 가속도 센서, 자이로스코프 센서, 지자기 센서를 포함한다. 또한, 센서는 센서 간의 상대적 거리와 실시간 변화량에 관한 측정이 가능하다.

본 명세서에서 '섬망 평가 방법'은 섬망 여부의 조기 판단 및 섬망 중증도를 평가하는 방법으로서, 섬망 평가 방법을 이용하여 환자 또는 대상체에 대하여, 섬망 평가 방법에서 질문하고 있는 것에 대한 의료진의 답을 통해 섬망 여부의 조기 판단 및 섬망 중증도를 평가하는 방법이다.

섬망 평가 방법의 종류로는, 예를 들어, UB-2(Ultra-Brief 2-Item Screener), NuDESC(Nursing Delirium Screening Checklist), CAM(Confusion Assessment Method), Long CAM, Short CAM, CAM-S(Confusion Assessment Method - Severity Scale), CAM-ICU(Confusion Assessment Method for the Intensive Care Unit), 3D-CAM(3-minute Diagnostic Confusion Assessment Method), Family CAM, DEL-B(Delirium Burden), CHART-DEL(Chart-based delirium identification instrument), RASS(Richmond Agitation Sedation Scale), DRS-R-98(delirium Rating Scale, Revised-98), DDS(Delirium Detection Score), DOSS (Delirium Observation Screening Scale), DST(Delirium Span Test), SQiD(Single Question in Delirium), DSI(Delirium Symptom Interview), mRASS(Modified Richmond Agitation Sedation Scale), SQUEEC(Simple Question for Easy Evaluation of Consciousness), SPMSQ(Short Portable Mental Status Questionnaire), Vigilance A Test 중 적어도 하나를 포함할 수 있고, 상기 예에 한정되지 않고, 섬망을 평가할 수 있는 방법은 모두 포함된다.

이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.

도 1은 섬망의 발생 과정을 설명하기 위한 도면이다.

뇌혈관은 혈류가 새지 않도록 구성된 것으로서, 뇌혈관에는 혈관 내 장벽(Blood-Brain Barrier, BBB)가 존재하여, 혈관 내 장벽은 혈류 내 물질들이 뇌신경을 유입되는 것을 막아주는 역할을 한다.

그러나, 노인 또는 치매 등 고 위험군의 경우에는, 혈관 내 장벽이 약해지므로 혈장에 있는 작은 단백질 또는 각종 신호전달 물질과 같은 분자들이 쉽게 새게 된다.

또한, 폐렴과 같은 염증이나 수술 등으로 스트레스를 받게 되면, 염증성 사이토카인들이 염증이나 수술 등의 해당 부위 또는 전신에서 매우 많이 분비되게 되어, 사이토카인 서지(cytokine surge)가 나타나는데, 원인이 되는 염증이나 수술 등의 상황이 좋지 않을수록 사이토카인이 분비되는 양 또한 많게 된다.

사이토카인이 분비되면, 사이토카인이 혈류를 타고 돌다가 뇌에서 혈관 내 장벽을 통해 혈류가 새게 되고, 뇌세포의 전기신호를 교란시키면서 국소 염증도 일으킨다. 이때 정신이 통제되지 않고 섬망이 발생하게 되는 것이다.

도 1은 상기와 같은, 뇌혈관에서의 염증 자극에 의한 섬망 발생 과정을 나타낸 것이다.

도 1을 참고하면, 수술 또는 패혈증에 의하여 염증 자극이 발생한다. 염증 자극에 의해 전신 염증이 발생하고, 전신 순환계에 염증 매개체가 방출된다. 염증 매개체 방출에 의해 소교세포(microglial cell), 성상세포(astrocyte) 및 뉴런 등에 대하여 염증 매개체가 전달되고, 염증 매개체는 이후 신경 염증으로 도달하여 신경 기능 이상 및 신경 세포 사멸이 발생한다.

이 때, 신경 기능 이상은 회복되면 단기간의 정신착란에 해당되고, 지속적인 기능 장애가 발생하면 장기간의 정신착란에 해당하며, 수술 후 인지 기능 장애가 발생할 수 있다.

신경 세포 사멸은, 수술 후 인지 기능 장애 또는 치매로 연결될 수 있다.

또한, 섬망 위험군은 고령의 노인 또는 치매 환자 이외에도, 일상생활능력 (Activity of daily living) 또는 도구적 일상생활능력 (Instrumental Activity of Daily Living) 장애를 가진 사람의 기존 기능 상실, 합병증, 감각장애, 우울증 및 실험실 검사치 이상인 경우가 해당되고, 약물, 수술, 무통제 통증(uncontrolled pain), 낮은 헤마토크릿(low hematocrit), 침대 휴식, 내재된 장치의 사용(use of indwelling devices), 감금의 경우에는 급성으로 섬망이 발생할 가능성이 있다.

이외에도, 도파민을 초과하는 경우와 멜라토닌이 비정상적인 수치인 경우 섬망이 발생할 수 있다.

섬망 발생 가능성은, 노인 또는 치매의 경우와 같이 기저 상태가 나쁘면, 적은 스트레스(예컨대, 작은 수술 등)에서도 섬망이 발생할 수 있고, 젊은 사람과 같이 기저 상태가 양호한 경우에는 상당한 스트레스(예컨대, 대수술 등)에서 섬망이 발생할 수 있다.

도 2은 본 발명의 일 실시예에 따른 섬망 여부의 조기 판단 및 섬망의 중증도 판단 방법을 설명하기 위한 도면이다.

도 2를 참고하면, 본 발명의 일 실시예에 따른 섬망 여부의 조기 판단 및 섬망의 중증도 판단 방법은, 컴퓨터가 환자의 움직임데이터를 획득하는 단계(S110), 컴퓨터 획득한 움직임데이터를 기반으로 한 섬망 여부 및 중증도의 입력을 사용자로부터 수신하는, 섬망 여부 및 섬망 중증도의 입력 수신 단계(S130), 컴퓨터가 획득한 움직임데이터와, 섬망 여부 및 섬망 중증도를 매칭시켜 저장하는, 데이터 저장 단계(S150) 및 컴퓨터가 저장된 움직임데이터에 대한 섬망 여부 및 섬망 중증도를 학습 데이터로서 학습을 수행하여, 학습 모델로 구성하는 단계(S170)를 포함한다.

먼저, 상술한 바와 같이, 학습 데이터를 획득할 대상이 되는 환자는, 고령의 노인 또는 치매 환자와 수술 또는 그 외의 이유로 기저 및 인지가 저하된 환자가 우선이다. 또한, 이외의 대상 환자로는, 섬망이 발생할 가능성이 있는 환자를 모두 포함할 수 있다.

학습 데이터를 획득할 대상이 되는 환자의 경우에는, 수술 전 또는 입원 최초의 검사가 필수적이며, 최초의 검사가 섬망 여부 및 섬망 중증도를 판단하는 기준선(baseline)이 된다.

컴퓨터가 환자의 환자의 움직임데이터를 획득하는 단계(S110)에서, 환자의 움직임데이터는 영상 촬영 장치에 의해 획득된 영상에서 추출되거나 환자에 부착된 복수의 센서를 이용하여 획득하는 것이다.

환자의 움직임데이터를 영상 촬영 장치를 이용하여 획득하는 경우, 영상 촬영 장치를 이용하여 환자의 움직임데이터를 계속적으로 촬영하여 녹화하여 의료진에게 전송한다. 녹화는 미리 정해진 일정 시간대 별로 할 수 있으며, 예컨대, 분 단위로 녹화할 수 있다.

환자의 움직임데이터를 영상 촬영 장치를 이용하여 획득하는 경우에는 후술하는 음성데이터를 영상 촬영 장치를 통해 획득할 수도 있다.

따라서, 영상 촬영 장치를 통해 환자의 움직임데이터 및 음성데이터를 함께 획득하여 매칭할 수도 있다.

환자의 움직임데이터를 이용하여 의료진이 섬망 여부 및 섬망 중증도를 판단하는 것은, 녹화된 영상을 기반으로 하여 판단할 수 있고, 또한, 실시간 영상을 기반으로 하여 판단할 수도 있다.

움직임데이터를 획득하기 위한 환자에 부착된 복수의 센서는 환자의 양 상지, 양 손목, 양 손의 손가락 중 적어도 하나와, 몸통, 머리 또는 침대의 특정 위치 중 적어도 하나에 배치된다. 환자에 대하여 적어도 3개의 센서를 부착하는 것으로 최소한 환자의 몸통, 머리 또는 침대의 특정 위치 중 1개의 센서와, 양 상지, 양 손목, 양손의 손가락 중 대칭이 되는 어느 하나의 부위에 총 2개의 센서가 부착된다.

중심 위치 또는 환자의 침대의 특정 위치에 센서가 부착되고, 중심 위치 또는 환자 침대의 특정 위치를 축으로 하고, 센서가 각 상지에 부착됨으로써 축과 각 상지 센서 간 및 각 상지 센서간의 거리와 움직임을 정교하게 획득할 수 있다.

본 발명에서 움직임데이터를 측정하기 위해 사용되는 센서는 모션 센서로서, 모션 센서를 하나만 배치하는 것만으로는 움직임 방향, 각도 등을 정확하게 측정해내기는 어렵다.

특정 위치를 기준으로 하여 움직임데이터를 획득하게 되면 보다 정확한 움직임 방향 및 각도 등을 도출해 낼 수 있다.

따라서, 본 발명에서 움직임데이터를 측정하기 위한 센서의 배치는, 몸통, 머리, 침대의 특정 위치 중에 하나가 배치되고, 양 상지 측에 두 개가 배치됨으로써, 몸통, 머리, 침대의 특정 위치 중 하나를 기준으로 하여 양 상지의 움직임을 측정하므로 정확한 움직임데이터를 획득할 수 있다.

즉, 몸통, 머리, 침대의 특정 위치 중에 하나의 센서가 배치됨은 필수적이고, 또한 양 쪽에 대응되도록 각각 하나의 센서가 배침됨으로써 총 3개 이상의 센서가 배치된다.

몸통, 머리, 침대의 특정 위치를 기준으로 하여 양 측에 배치되는 센서는 양 상지뿐만 아니라, 양 손목, 양손의 손가락에 배치될 수도 있다.

움직임데이터를 측정하기 위한 센서의 종류는, 모션 센서를 포함하고, 모션 센서는 가속도 센서, 자이로스코프 센서, 지자기 센서를 포함한다.

환자의 움직임데이터는 상술한 바와 같이, 환자의 관찰 가능한 행위 또는 행실을 나타낼 수 있다. 예를 들어, 환자의 움직임데이터를 통해 안정, 수면, 식사, 체위변경, 간호처치, 불안, 초조, 환시, 환각 등의 행위임을 획득할 수 있으며, 상기 예시 중 불안, 초조, 환시, 환각 등의 경우에는 섬망 양성 판별 요소로 판단할 수 있고, 식사, 체위변경, 안정, 수면, 간호처치 등은 섬망 음성 판별 요소로서 판단할 수 있다.

섬망 여부 및 섬망 중증도의 입력 수신 단계(S130)에서 섬망 여부 및 섬망 중증도는 섬망 평가 방법을 기반으로 한 의료진의 섬망 진단 결과를 이용하여 도출되는 것이다.

섬망 평가 방법은, UB-2, NuDESC, CAM, long-CAM, short-CAM, CAM-S, CAM-ICU, 3D-CAM, RASS, DRS-R-98 중 적어도 하나를 포함한다.

섬망 평가 방법 중에서도, 가장 바람직하게는 CAM을 이용하여 섬망 여부를 진단하고, CAM-S를 이용하여 섬망의 중증도를 평가하는 것이다.

CAM은 섬망 여부를 판단하는 방법으로서, 미리 정해진 측정 횟수의 CAM 평가로 섬망 여부를 판단한다. 예를 들어, 미리 정해진 측정 횟수는 하루에 1 내지 2회 정도일 수 있고, 사용자가 정하는 바에 따라 달라질 수 있다.

CAM 검사 방법은, 의료진이 환자의 인터뷰 응답 및 인터뷰 과정, 환자의 행동을 종합적으로 보고 진단 알고리즘에 따라 판단하는 것으로서, 급성 발명 및/또는 변동 과정과 부주의(inattention)에 해당하면서도, 비체계적인 사고 또는 의식수준의 변화에 해당하는 경우 섬망에 해당된다고 진단한다.

또한, 섬망 여부를 판단하는 방법으로서 CAM은 시간이 다소 오래 걸리는 단점이 있으므로, long-CAM, short-CAM, CAM-S, CAM-ICU, 3D-CAM 중 적어도 하나를 이용하여 섬망 여부를 판단할 수 있다.

섬망의 중증도를 검사하는 방법으로는 CAM-S로 중증도를 평가하되, 환자 셋팅에 따라 3D-CAM-S 또는 RASS로 평가할 수도 있다

섬망 여부를 판단하는 방법으로서 일 실시예로, CAM은 급성 발명 및 변동 과정, 부주의, 무질서하게 생각하는지, 변화된 의식 수준의 4가지 특징에 대하여 평가하는 것으로서, 정신 상태의 급격한 변화의 증거가 있는지? 낮 동안 비정상적인 행동인 변동 되었는지? 오락가락 하는지? 심각도가 증가하거나 감소하는지? 쉽게 산만한지? 집중이 어려운지? 관련 없는 대화와 같은 혼란스럽거나 비일관적인 사고를 가지고 있는지? 불명확하거나 생각의 비논리적인 흐름 또는 주제의 예기치 않은 전환이 있는지? 등에 대한 평가로 이루어져 있다.

섬망의 중증도를 검사하는 방법으로서 일 실시예로, RASS는 섬망 여부 보다는 섬망의 중증도를 판단하는 것으로서, 증상에 따라 평가 점수를 매기는 방식으로 이루어진다.

RASS의 증상에 따른 평가 점수는 하기 표 1과 같이 매겨진다.

Score	증상
+4	전투적인(combative)	스태프에 대한 폭력적, 즉각적인 위험
+3	매우 흥분한(very agitated)	튜브를 잡아 당기거나 제거함
+2	흥분한(agitated)	빈번한 목적 없는 움직임, 호흡기를 떼려는 싸움
+1	불안한(restless)	불안하고 걱정스럽지만, 공격적이거나 활발하지는 않은 움직임
0	경계심과 침착함 (Alert&calm)
-1	나른한(drowsy)	정신이 완전하지 않고, 음성에 대한 지속적인 자각 (눈 뜸 및 눈 마주침이 10초 이상)
-2	가벼운 진정상태	음성에 대하여 잠깐 자각 (눈 뜸 및 마주침이 10초 미만)
-3	중간의 진정상태	음성에 대하여 움직임 또는 눈을 뜨는 경우 (아이컨택은 없음)
-4	깊은 진정상태	음성에 대한 응답 없으나, 육체적 자극에 대하여 움직임 또는 눈을 뜨는 경우
-5	깨지 않는 상태	음성 또는 육체적 자극에 대하여 응답이 없음.

상술한 바와 같이, 각종 검사에 의해 섬망 여부 및 섬망 중증도를 판단하는 기준은, 나이에 따라, 기저 인지 기능 수준에 따라, 판단 기준을 달리 설정하여 제공할 수 있다.학습 모델로 구성하는 단계(S170)는, 환자로부터 획득한 움직임데이터와, 매칭된 섬망 여부 및 섬망 중증도를 학습 데이터로서 학습을 수행하여 학습 모델로 구성하는 것이다.

이 때, 학습 모델로 구성하는 단계(S170)는, 섬망 여부에서 섬망으로 판단되는 경우의 데이터만을 학습 모델로 구성하는 것이 아니라, 섬망 여부에서 섬망이 아닌 것으로 입력된 움직임데이터 또한, 섬망이 아닌 것으로서 분류되어 학습될 수 있도록, 섬망이 아닌 것으로 입력된 움직임데이터는 학습데이터로서 학습을 수행한다.

섬망 아닌 것으로 분류된 데이터의 경우에도 학습 모델로 구성됨으로써, 섬망 가능성이 있으나 결과적으로 섬망이 아닌 대상체를 진단하는 경우에도 정확하게 섬망이 아님을 진단할 수 있다.

도 3 및 도 4는 본 발명의 일 실시예에 따른 음성데이터를 이용하여 섬망 여부의 조기 판단 및 섬망의 중증도를 판단하는 방법을 설명하기 위한 도면이다.

도 3은 음성데이터 중, 환자 주변의 음성데이터를 이용하여 섬망 여부의 조기 판단 및 섬망의 중증도를 판단하는 방법이다.

도 3을 참고하면, 음성데이터를 이용하여 섬망 여부의 조기 판단 및 섬망의 중증도를 판단하는 방법은, 컴퓨터가 환자의 음성(音聲)데이터를 획득하는 단계(S101), 컴퓨터가 환자의 움직임데이터와 환자 주변의 음성(音聲)데이터를 획득하는 단계(S111), 컴퓨터가 획득한 환자 주변의 음성데이터를 분류하되, 환자의 음성데이터를 고려하여 섬망 상태 양성데이터 또는 섬망 상태 음성(陰性)데이터로 분류하는 단계(S121), 컴퓨터가 획득한 움직임데이터와 섬망 상태 양성데이터 및 섬망 상태 음성데이터를 기반으로 한 섬망 여부 및 섬망 중증도의 입력을 사용자로부터 수신하는, 섬망 여부 및 섬망 중증도의 입력 수신 단계(S131), 컴퓨터가 획득한 움직임데이터와, 섬망 상태 양성데이터, 섬망 상태 음성데이터, 섬망 여부 및 섬망 중증도를 매칭시켜 저장하는, 데이터 저장 단계(S151) 및 컴퓨터가 저장된 움직임데이터와 환자 주변의 음성데이터에 대한 섬망 여부 및 섬망 중증도를 학습 데이터로서 학습을 수행하여, 학습 모델로 구성하는 단계(S171)를 포함한다.

본 실시예에서 도 2의 내용은 동일하게 적용된다.

도 3에 해당하는 본 실시예에서는 도 2의 실시예와 비교하여 차이가 있는 부분에 대하여만 설명한다.

컴퓨터가 환자의 음성(音聲)데이터를 획득하는 단계(S101)는, 환자의 음성데이터를 획득하여, 이후 획득되는 환자 주변의 음성데이터 중 어떤 음성데이터가 환자의 음성인지를 구분할 수 있도록 하기 위함이다.

컴퓨터가 환자의 움직임데이터와 환자 주변의 음성데이터를 획득하는 단계(S111)에서, 음성데이터는 환자의 음성, 보호자의 음성 및 의료진의 음성을 포함하여 주변의 모든 음성을 포함한다.

음성을 통하여서도 연속 또는 비연속적으로 환자가 의미 없는 말을 하는 경우, 상황에 맞지 않는 말을 하는 경우(예컨대, 과거를 현재로 착각하고 과거 얘기를 하는 것 등), 인식할 수 없는 말을 하는 경우에 섬망이 진행되는 것으로 판단할 수 있다.

환자의 음성뿐만 아니라, 보호자의 음성 및 의료진의 음성 등 환자 주변에서 나오는 음성데이터를 이용하여서도 섬망 진행을 판단할 수 있는데, 환자의 행동 등을 보고 음성을 통한 보호자 및 의료진의 반응 등을 기반으로 정황상 섬망 진행을 판단할 수도 있다.

컴퓨터가 획득한 환자 주변의 음성데이터를 분류하되, 환자의 음성데이터를 고려하여 섬망 상태 양성데이터 또는 섬망 상태 음성(陰性)데이터로 분류하는 단계(S121)는, 환자 주변의 음성데이터 중 전체 음성데이터의 인식이 가능하며 문맥에 부합한 음성데이터, 전체 음성데이터의 인식이 가능하고 문맥에 부합하지 않는 음성데이터 및 인식이 불가능한 음성데이터로 분류하고, 전체 음성데이터의 인식이 가능하고 문맥에 부합하지 않는 음성데이터 및 인식이 불가능한 음성데이터를 섬망 상태 양성데이터로서 분류하고, 전체 음성데이터의 인식이 가능하며 문맥에 부합한 음성데이터를 섬망 상태 음성데이터로서 분류한다.

상술한 바와 같이 컴퓨터가 환자의 음성(音聲)데이터를 획득하는 단계(S101)에서 환자의 음성데이터를 먼저 획득함으로써, 환자의 음성이 아닌 주변 음성 중 문맥에 부합하지 않는 음성데이터 및 인식이 불가능한 음성데이터의 경우에는 노이즈로서 차단하고, 주변 음성 중 전체 음성데이터의 인식이 가능하며 문맥에 부합한 음성데이터로서 상황 판단을 위한 음성데이터는 획득한다.

또한, 환자의 음성데이터로 분류된 음성 데이터의 경우에는 버리는 음성 데이터 없이, 음성 데이터의 종류에 따라 섬망 여부를 분류하는 기준이 된다.

따라서, 섬망 여부 및 섬망 중증도의 입력 수신 단계(S131)는 컴퓨터가 획득한 움직임데이터뿐만 아니라, 환자 주변의 음성데이터도 함께 고려하여 섬망 여부 및 섬망 중증도의 입력을 사용자로부터 수신하되, 섬망 평가 방법을 기반으로 한 의료진의 섬망 진단 결과를 이용하여 섬망 여부 및 섬망 중증도를 도출한다.

이 때, 환자 주변의 음성데이터를 함께 고려하는 것이란, 섬망 상태 양성데이터 또는 섬망 상태 음성(陰性)데이터로 분류하는 단계(S121)에서 분류된 섬망 상태 양성데이터 및 섬망 상태 음성데이터를 함께 고려하는 것이다.

또한, 데이터 저장 단계(S151)는 움직임데이터뿐만 아니라, 환자 주변의 음성데이터를 함께 고려하여 섬망 여부 및 섬망 중증도가 매칭시켜 저장하고, 학습 모델로 구성하는 단계(S171)는 저장된 데이터인 움직임데이터와 환자 주변의 음성데이터에 대한 섬망 여부 및 섬망 중증도를 학습 데이터로서 학습을 수행하여 학습 모델로 구성한다.

도 4는 음성데이터 중, 음성 인식 기술을 통해 미리 획득된 음성데이터를 이용하여 섬망 여부의 조기 판단 및 섬망의 중증도를 판단하는 방법이다.

도 4를 참고하면, 섬망 여부의 조기 판단 및 섬망의 중증도를 판단하는 방법은, 컴퓨터가 환자의 움직임데이터와 섬망 진단 음성(音聲)데이터를 획득하는 단계(S113), 컴퓨터가 획득한 움직임데이터와 섬망 진단 음성데이터를 기반으로 한 섬망 여부 및 섬망 중증도의 입력을 사용자로부터 수신하는, 섬망 여부 및 섬망 중증도의 입력 수신 단계(S133), 컴퓨터가 획득한 움직임데이터와, 섬망 진단 음성데이터, 섬망 여부 및 섬망 중증도를 매칭시켜 저장하는, 데이터 저장 단계(S153) 및 컴퓨터가 저장된 움직임데이터와 섬망 진단 음성데이터에 대한 섬망 여부 및 섬망 중증도를 학습 데이터로서 학습을 수행하되, 섬망 상태 양성데이터를 섬망 긍정의 학습데이터로 학습 시키는 단계(S173)를 포함한다.

컴퓨터가 환자의 움직임데이터와 섬망 진단 음성데이터를 획득하는 단계(S113)에서, 섬망 진단 음성데이터는 음성 인식 기술을 통해 미리 추출된 음성데이터를 섬망 진단 음성데이터로서 획득하는 것이다.

또한, 섬망 진단 음성데이터를 획득하는 것은, 컴퓨터가 음성 인식 기술을 통해 미리 추출된 데이터를, 전체 음성데이터의 인식이 가능하며 문맥에 부합한 음성데이터, 전체 음성데이터의 인식이 가능하고 문맥에 부합하지 않는 음성데이터 및 인식이 불가능한 음성데이터로 분류하고, 전체 음성데이터의 인식이 가능하고 문맥에 부합하지 않는 음성데이터 및 인식이 불가능한 음성데이터를 섬망 상태 양성데이터로서 획득하는 것이다.

음성 인식 기술을 통해 미리 추출된 데이터란, 제한 없이 각종 음성 인식 서비스를 이용하여 획득된 데이터들에 해당된다. 예를 들어, 시리(siri), 빅스비(bixby), 오케이 구글(ok google), 클로바(clova), 누구(nugu), 기가 지니(giga genie) 등을 이용하여 획득된 음성데이터들이 포함되고, 상기 예에 한정되지 않고, 음성 인식 서비스를 통해 도출된 음성데이터로서 공중에서 획득이 가능한 음성데이터들은 모두 포함된다.

음성 인식 기술을 통해 미리 추출된 데이터인 섬망 진단 음성데이터들을 획득하고, 획득된 음성데이터들을 3가지인, 인식이 가능하며 문맥에 부합한 음성데이터, 인식이 가능하고 문맥에 부합하지 않는 음성데이터 및 인식이 불가능한 음성데이터로 분류한다.

분류된 음성데이터 중에서 인식이 가능하고 문맥에 부합하지 않는 음성데이터 및 인식이 불가능한 음성데이터를 섬망 상태 양성데이터로서 분류하고, 섬망 상태 양성데이터를 섬망 긍정의 학습데이터로서 학습 시킨다(S173).

도 3 및 도 4에서의 실시예로서, 환자 주변의 음성(音聲)데이터 또는 섬망 진단 음성(音聲)데이터를 포함하여, 섬망 진단 및 섬망 중증도를 판단하는 방법을 학습 모델로 구성하는 방법은, 도 5에서 후술할 추가 구성 또한 포함될 수 있으며, 도 5에 관한 설명이 동일하게 적용될 수 있다.

도 5는 사용자로부터 섬망 확인 입력을 수신한 경우 섬망 여부의 조기 판단 및 섬망의 중증도를 판단하는 방법을 설명하기 위한 도면이다.

도 5를 참고하면, 사용자로부터 섬망 확인 입력을 수신한 경우의 섬망 여부의 조기 판단 및 섬망의 중증도를 판단하는 방법은, 컴퓨터가 환자의 움직임데이터를 획득하는 단계(S110), 컴퓨터가 획득한 움직임데이터를 기반으로 한 섬망 여부 및 섬망 중증도의 입력을 사용자로부터 수신하는, 섬망 여부 및 섬망 중증도의 입력 수신 단계(S130), 컴퓨터가 움직임데이터에 대하여 사용자로부터 섬망 확인 입력을 수신하는 단계(S140), 컴퓨터가 섬망 여부 및 섬망 중증도의 입력 수신 단계에서 수신한 섬망 확인 입력과 섬망 여부 및 섬망 중증도를 매칭시켜 저장하는, 데이터 저장 단계(S155) 및 컴퓨터가 저장된 움직임데이터에 대한 섬망 여부 및 섬망 중증도를 학습 데이터로서 학습을 수행하여, 학습 모델로 구성하는 단계(S170)를 포함한다.

즉, 사용자로부터 섬망 확인 입력을 수신한 경우의 섬망 여부의 조기 판단 및 섬망의 중증도를 판단하는 방법은, 도 2의 방법에서, 컴퓨터가 움직임데이터에 대하여 사용자로부터 섬망 확인 입력을 수신하는 단계(S140)가 더 포함되고, 데이터 저장 단계(S155)에서, 컴퓨터가 섬망 여부 및 섬망 중증도의 입력 수신 단계에서 수신한 섬망 확인 입력과 섬망 여부 및 섬망 중증도를 매칭시켜 저장하는 것이다.

센서를 이용한 측정에는 수많은 노이즈(예컨대, TV 사람 소리, 문병객 소리, 복도에서 들려오는 사람 소리, 간호/간병/진료 과정에서 환자를 강제적으로 움직이게 하는 각종 행위로 인한 움직임 측정값들)들이 있기 때문에, 이를 고려하기 위하여 사용자의 섬망 확인 입력은 섬망인지 아닌지의 판단에 도움이 될 수 있다.

섬망 확인 입력은, 의료진용 섬망 긍정 입력, 의료진용 섬망 부정 입력 및 보호자용 섬망 긍정 입력 중 적어도 하나를 포함한다. 영상 촬영 장치와 센서로 획득하는 환자의 움직임데이터를 기반으로 한 의료진의 섬망 여부 및 섬망 중증도 판단 입력에도 불구하고, 환자와 함께 현장에 있는 보호자 또는 의료진이 섬망인지 아닌지 판단이 가능할 때에 사용자의 입력을 수신하여 반영하는 것이다.

이 때 각각의 입력 방법은 버튼 등으로 구성되어 있는데, 버튼 등은 환자의 손이 닿지 않는 곳에 위치되어 있다.

또한 각각의 역할이 다르므로, 개별적 버튼으로 구성되어 있을 수 있고, 또는 하나의 버튼으로 구성되어 있으나 신호를 다르게 표시하는 등의 방법으로서 의료진용 섬망 긍정 입력, 의료진용 섬망 부정 입력 및 보호자용 섬망 긍정 입력을 구분하도록 한다.

섬망 확인 입력을 수신하는 단계(S140)에서 의료진용 섬망 긍정 입력 또는 의료진용 섬망 부정 입력을 수신하는 경우에는, 데이터 저장 단계(S155)에서 섬망 확인 입력을 수신한 움직임데이터는, 섬망 여부 및 섬망 중증도의 입력 수신 단계에서 수신한 상기 섬망 여부의 입력과는 관계없이, 의료진용 섬망 긍정 입력을 수신하는 경우에는 섬망 여부에 대하여 긍정으로 매칭시켜 저장되고, 의료진용 섬망 부정 입력을 수신하는 경우에는 섬망 여부에 대하여 부정으로 매칭시켜 저장된다.

의료진의 섬망 긍정 입력의 경우, 예를 들어, 의료진의 판단으로서 섬망으로 판단된 경우 섬망 긍정 입력을 함으로써 의료진의 입력을 반영하여 섬망으로 판단하여 섬망 상태의 학습데이터로서 활용할 수 있다.

의료진의 섬망 부정 입력의 경우, 예를 들어, 주변인들의 대화 또는 농담 등으로 움직임데이터, 환자 주변의 음성데이터 등에 노이즈를 줄 수 있는 경우 및 의료진이 환자의 상태가 섬망이 아니라고 판단한 경우, 의료진이 환자의 체위를 변경하는 경우 또는 섬망이 아닌 증상 유사 병변으로 판단한 경우 등에는, 현재 상태는 섬망이 아니라는 신호를 의료진이 입력할 수 있도록 하여, 섬망 상태로 분류되어 학습되는 것을 방지할 수 있다. 방지뿐만 아니라, 섬망 부정의 학습데이터로서 활용할 수도 있다.

이 때, 증상 유사 병변은, 저산소증(hypoxia), 저혈당(hypoglycemia), 패혈증(sepsis), 고혈압성뇌증(hypertensive encephalopathy), 베르니케뇌증(Wernicke’s encephalopathy), 과다복용( Overdose), 수막염, 뇌염 등의 중추신경계감염 (CNS infections, meningitis, encephalitis), 중추신경계외상(CNS trauma), 지주막, 경막 등 두개내출혈(Intracranial hemorrhage, subarachnoid, subdural), 뇌전증(Epilepsy), 요로감염(Urinary tract infections), 폐렴(Pneumonia), 전해질이상(Electrolyte abnormalities), 약물 부작용 및 상호작용(Medication adverse effects and interactions), 약물 금단 증후군(Medication withdrawal syndromes), 정신병(Psychiatric illness) 갑상선 등 내분비질환 (Endocrine disease, thyroid), 중추 신경계 병변(CNS mass lesions), 치매(Dementia), 초점 운동 부족이 없는 뇌졸중(stroke without focal motor deficit) 중 적어도 하나를 포함한다.

섬망과 증상이 유사한 병변의 경우에는, 증상이 발생한 이후로 수시간 내지 수일 후 병변이 판명 날 수 있는 것으로서, 섬망으로 진단된 이후라도, 지속적으로 환자의 움직임데이터를 모니터링 해야 하며, 지속적인 모니터링 결과, 섬망 아닌, 증상 유사 병변으로 판정되면 섬망이 아니었음을 입력한다.

섬망 확인 입력을 수신하는 단계(S140)에서 보호자용 섬망 긍정 입력을 수신하는 경우에, 데이터 저장 단계(S155)에서 섬망 확인 입력을 수신한 움직임데이터는, 섬망 여부 및 섬망 중증도의 입력 수신 단계에서 수신한 섬망 여부의 입력에 섬망 긍정의 가중치를 부여된다.

보호자는 섬망 개념을 알기 쉽지 않으므로, 환자가 입원을 하게 되면 보호자는 섬망 장치에 대하여 직접 설명 또는 설명서를 받게 되고, 이 설명 또는 설명서에는 섬망을 시사하는 증상과 표현형을 설명하고 있기 때문에, 환자가 입원 기간 중 상황에 맞지 않는 이야기, 의미없는 언어, 가족을 못 알아보는 등과 같은 이벤트가 발생하면 섬망 긍정으로 입력하게 된다.

다만, 보호자의 섬망 긍정 여부에 대한 판단은 전문적이지 않기 때문에 섬망 여부의 판단으로서 가중치만을 부여할 뿐, 바로 섬망이라는 결과를 내지는 않는다.

도 6은 본 발명의 일 실시예에 따른 학습 모델을 이용하여 섬망 여부의 조기 판단 및 섬망의 중증도를 판단하는 방법을 설명하기 위한 도면이다.

도 6을 참고하면, 학습 모델을 이용하여 대상체의 섬망 여부의 조기 판단 및 섬망의 중증도를 판단하는 방법은, 컴퓨터가 센서를 이용하여 대상체의 움직임데이터를 획득하는 단계(S310) 및 컴퓨터가 학습 모델을 이용하여 대상체의 움직임데이터에 대한 섬망 여부 및 섬망 중증도를 결정하는 단계(S330)를 포함한다.

대상체는 상술한 바와 같이, 구축된 학습 모델을 이용하여, 섬망 여부의 조기 판단 및 섬망의 중증도의 판단이 필요한 대상으로서, 현재 상태가 섬망인지 여부와 섬망의 중증도의 판단이 필요한 대상이다.

대상체의 섬망 여부 및 섬망의 중증도를 판단하기 위하여, 대상체로부터 획득이 필요한 데이터는, 움직임데이터로서, 센서를 이용하여 획득한다.

센서의 부착 위치 및 센서의 종류는 환자의 움직임데이터를 획득하기 위한 것과 동일하다.

또한, 도 6에서는 도시되지 않았지만, 대상체 주변의 음성데이터를 획득하는 것을 더 포함하여, 대상체의 움직임데이터 및 대상체 주변의 음성데이터를 기반으로 하여 섬망 여부 및 섬망 중증도를 결정할 수도 있다.

학습 모델은, 일 실시예로, 도 2의 섬망 여부의 조기 판단 및 섬망의 중증도를 판단하기 위한 학습 모델인, 컴퓨터가 환자의 움직임데이터를 획득하되, 환자의 움직임데이터는 영상 촬영 장치에 의해 획득된 영상에서 추출되거나 환자에 부착된 복수의 센서를 이용하여 획득되는 것이고, 컴퓨터가 획득한 움직임데이터를 기반으로 한 섬망 여부 및 섬망 중증도의 입력을 사용자로부터 수신하되, 섬망 여부 및 섬망 중증도는 섬망 평가 방법을 기반으로 한 의료진의 섬망 진단 결과를 이용하여 도출된 것이고, 컴퓨터가 획득한 움직임데이터와, 섬망 여부 및 상기 섬망 중증도를 매칭시켜 저장하고, 컴퓨터가 저장된 움직임데이터에 대한 섬망 여부 및 섬망 중증도를 학습 데이터로서 학습을 수행하여, 학습 모델로 구성되는 것이다.

다른 실시예로, 학습 모델은, 컴퓨터가 환자의 음성(音聲)데이터를 획득하고, 컴퓨터가 환자의 움직임데이터와 환자 주변의 음성데이터를 획득하되, 환자의 움직임데이터는 영상 촬영 장치에 의해 획득된 영상에서 추출되거나 환자에 부착된 복수의 센서를 이용하여 획득되는 것이고, 컴퓨터가 획득한 환자 주변의 음성데이터를 분류하되, 환자의 음성데이터를 고려하여 섬망 상태 양성데이터 또는 섬망 상태 음성(陰性)데이터로 분류하고, 컴퓨터가 획득한 움직임데이터와 섬망 상태 양성데이터, 섬망 상태 음성데이터를 기반으로 한 섬망 여부 및 섬망 중증도의 입력을 사용자로부터 수신하되, 섬망 여부 및 섬망 중증도는 섬망 평가 방법을 기반으로 한 의료진의 섬망 진단 결과를 이용하여 도출된 것이고, 컴퓨터가 획득한 움직임데이터와, 섬망 상태 양성데이터, 섬망 상태 음성데이터, 섬망 여부 및 상기 섬망 중증도를 매칭시켜 저장하고, 컴퓨터가 저장된 움직임데이터와 환자 주변의 음성데이터에 대한 섬망 여부 및 섬망 중증도를 학습 데이터로서 학습을 수행하여, 학습 모델로 구성되는 것이다.

또 다른 실시예로, 학습 모델은, 컴퓨터가 환자의 움직임데이터와 음성 인식 기술을 통해 미리 추출된 음성데이터를 섬망 진단 음성데이터로서 획득하되, 환자의 움직임데이터는 영상 촬영 장치에 의해 획득된 영상에서 추출되거나 환자에 부착된 복수의 센서를 이용하여 획득되는 것이고, 컴퓨터가 획득한 움직임데이터와 섬망 진단 음성데이터를 기반으로 한 섬망 여부 및 섬망 중증도의 입력을 사용자로부터 수신하되, 섬망 여부 및 섬망 중증도는 섬망 평가 방법을 기반으로 한 의료진의 섬망 진단 결과를 이용하여 도출된 것이고, 컴퓨터가 획득한 움직임데이터와, 섬망 진단 음성데이터와 섬망 여부 및 섬망 중증도를 매칭시켜 저장하고, 컴퓨터가 저장된 움직임데이터와 섬망 진단 음성데이터에 대한 섬망 여부 및 섬망 중증도를 학습 데이터로서 학습을 수행하되, 컴퓨터가 섬망 상태 음성데이터를 섬망 긍정의 학습데이터로서 학습을 수행하여, 학습 모델로 구성되는 것이다.

본 발명의 다른 일 실시예에 따른 섬망 여부의 조기 판단 및 섬망의 중증도를 판단하는 컴퓨팅 장치는, 환자의 움직임데이터를 획득하되, 상기 환자의 움직임데이터는 영상 촬영 장치에 의해 획득된 영상에서 추출되거나 환자에 부착된 복수의 모션 센서 조합에 의해 획득되는 것이고, 획득한 움직임데이터를 기반으로 한 섬망 여부 및 섬망 중증도의 입력을 사용자로부터 수신하되, 상기 섬망 여부 및 섬망 중증도는 섬망 평가 방법으로 기반으로 한 의료진의 섬망 진단 결과를 이용하여 도출된 것이고, 획득한 상기 움직임데이터에 대한 상기 섬망 여부 및 상기 섬망 중증도를 학습 데이터로서 학습을 수행하여, 학습 모델로 구성하는 것을 특징으로 한다. 본 발명의 섬망 여부 및 섬망의 중증도를 판단하는 컴퓨팅 장치는, 상술한 섬망 여부의 조기 판단 및 섬망의 중증도 판단 방법에 관한 설명이 동일하게 적용된다.

본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.

이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.

Claims (17)

1. 컴퓨터에 의해 수행되는 방법으로,
   환자의 움직임데이터, 섬망 상태 양성데이터 및 섬망 상태 음성(陰性)데이터를 이와 매칭되는 섬망 여부 및 섬망 중증도의 입력 데이터와 함께 저장하여 학습데이터셋을 구축하되, 상기 입력 데이터는 섬망 평가 방법을 기반으로 진단된 섬망 진단 결과 데이터를 이용하여 도출된 것인, 학습데이터셋 구축 단계; 및
   상기 구축된 학습데이터셋을 이용하여 상기 움직임데이터와 상기 환자 주변의 음성(音聲)데이터에 대한 섬망 여부 및 섬망 중증도에 대하여 학습을 수행함으로써 섬망 학습 모델을 구축하는 단계를 포함하며,
   상기 환자의 움직임데이터는, 영상 촬영 장치에 의해 획득된 영상에서 추출되거나 환자에 부착된 복수의 모션센서 조합에 의해 획득된 것이고,
   상기 섬망 상태 양성데이터와 섬망 상태 음성데이터는, 상기 컴퓨터가 획득한 상기 환자 주변의 음성데이터를 상기 환자의 음성(音聲)데이터를 고려하여 분류된 것이고,
   상기 구축된 섬망 학습 모델은, 신규 환자의 움직임데이터와 상기 신규 환자 주변의 음성데이터가 획득되면 이를 이용하여 상기 신규 환자의 섬망 여부의 조기 판단 및 섬망의 중증도를 판단하는 것을 특징으로 하는,
   섬망 여부의 조기 판단 및 섬망의 중증도 판단 방법.
2. 컴퓨터에 의해 수행되는 방법으로,
   환자의 움직임데이터, 섬망 진단 음성데이터를 이와 매칭되는 섬망 여부 및 섬망 중증도의 입력 데이터와 함께 저장하여 학습데이터셋을 구축하되, 상기 입력 데이터는 섬망 평가 방법을 기반으로 진단된 섬망 진단 결과 데이터를 이용하여 도출된 것인, 학습데이터셋 구축 단계; 및
   상기 구축된 학습데이터셋을 이용하여 상기 움직임데이터와 상기 섬망 진단 음성데이터에 대한 섬망 여부 및 섬망 중증도에 대하여 학습을 수행함으로써 섬망 학습 모델을 구축하는 단계를 포함하며,
   상기 환자의 움직임데이터는, 영상 촬영 장치에 의해 획득된 영상에서 추출되거나 환자에 부착된 복수의 모션센서 조합에 의해 획득된 것이고,
   상기 섬망 진단 음성데이터는, 상기 컴퓨터가 음성 인식 기술을 통해 미리 추출된 데이터를 전체 음성데이터의 인식이 가능하며 문맥에 부합한 음성데이터, 전체 음성데이터의 인식이 가능하고 문맥에 부합하지 않는 음성데이터 및 인식이 불가능한 음성데이터로 분류하고, 상기 전체 음성데이터의 인식이 가능하고 문맥에 부합하지 않는 음성데이터 및 인식이 불가능한 음성데이터를 상기 섬망 상태 양성데이터로서 획득한 것이고,
   상기 구축된 섬망 학습 모델은, 신규 환자의 움직임데이터와 상기 신규 환자의 섬망 진단 음성데이터가 획득되면 이를 이용하여 상기 신규 환자의 섬망 여부의 조기 판단 및 섬망의 중증도를 판단하는 것을 특징으로 하는,
   섬망 여부의 조기 판단 및 섬망의 중증도 판단 방법.
3. 컴퓨터에 의해 수행되는 방법으로,
   대상체의 음성(音聲)데이터를 획득하는 단계;
   상기 대상체 주변의 음성(音聲)데이터를 획득하는 단계;
   센서를 이용하여 대상체의 움직임데이터를 획득하는 단계; 및
   섬망 학습 모델을 이용하여 상기 대상체의 움직임데이터 및 상기 대상체 주변의 음성데이터에 대한 섬망 여부 및 섬망 중증도를 결정하는 단계를 포함하고,
   상기 섬망 학습 모델은,
   컴퓨터가 환자의 움직임데이터, 섬망 상태 양성데이터 및 섬망 상태 음성데이터를 이와 매칭되는 섬망 여부 및 섬망 중증도의 입력 데이터와 함께 저장하여 학습데이터셋을 구축하되, 상기 입력 데이터는 섬망 평가 방법을 기반으로 진단된 섬망 진단 결과 데이터를 이용하여 도출된 것이고, 상기 구축된 학습데이터셋을 이용하여 상기 움직임데이터와 상기 환자 주변의 음성데이터에 대한 섬망 여부 및 섬망 중증도에 대하여 학습을 수행함으로써 섬망 학습 모델이 구축되는 것이고,
   상기 환자의 움직임데이터는, 영상 촬영 장치에 의해 획득된 영상에서 추출되거나 환자에 부착된 복수의 모션센서 조합에 의해 획득된 것이고,
   상기 섬망 상태 양성데이터와 섬망 상태 음성데이터는, 상기 컴퓨터가 획득한 상기 환자 주변의 음성데이터를 상기 환자의 음성(音聲)데이터를 고려하여 분류된 것인,
   섬망 여부의 조기 판단 및 섬망의 중증도 판단 방법.
4. 컴퓨터에 의해 수행되는 방법으로,
   대상체 주변의 음성(音聲)데이터를 획득하는 단계;
   상기 대상체의 움직임데이터를 획득하는 단계; 및
   섬망 학습 모델을 이용하여 상기 대상체의 움직임데이터 및 상기 대상체 주변의 음성데이터에 대한 섬망 여부 및 섬망 중증도를 결정하는 단계를 포함하고,
   상기 섬망 학습 모델은,
   컴퓨터가 환자의 움직임데이터 및 섬망 진단 음성데이터를 이와 매칭되는 섬망 여부 및 섬망 중증도의 입력 데이터와 함께 저장하여 학습데이터셋을 구축하되, 상기 입력 데이터는 섬망 평가 방법을 기반으로 진단된 섬망 진단 결과 데이터를 이용하여 도출된 것이고, 상기 구축된 학습데이터셋을 이용하여 환자의 움직임데이터와 섬망 진단 음성데이터에 대한 섬망 여부 및 섬망 중증도에 대하여 학습을 수행함으로써 섬망 학습 모델이 구축되는 것이고,
   상기 환자의 움직임데이터는, 영상 촬영 장치에 의해 획득된 영상에서 추출되거나 환자에 부착된 복수의 모션센서 조합에 의해 획득된 것이고,
   상기 섬망 진단 음성데이터는 상기 컴퓨터가 음성 인식 기술을 통해 미리 추출된 음성데이터를 상기 섬망 진단 음성데이터로서 획득하는 것이고,
   상기 컴퓨터가 상기 섬망 진단 음성데이터를 획득하는 것은,
   상기 컴퓨터가 음성 인식 기술을 통해 미리 추출된 데이터를, 전체 음성데이터의 인식이 가능하며 문맥에 부합한 음성데이터, 전체 음성데이터의 인식이 가능하고 문맥에 부합하지 않는 음성데이터 및 인식이 불가능하 음성데이터로 분류하고, 상기 전체 음성데이터의 인식이 가능하고 문맥에 부합하지 않는 음성데이터 및 인식이 불가능한 음성데이터를 상기 섬망 상태 양성데이터로서 획득하는 것을 특징으로 하는,
   섬망 여부의 조기 판단 및 섬망의 중증도 판단 방법.
5. 제1항 또는 제2항에 있어서,
   상기 섬망 평가 방법은,
   UB-2, NuDESC, CAM, Long CAM, Short CAM, CAM-S, CAM-ICU, 3D-CAM, Family CAM, DEL-B, CHART-DEL, RASS, DRS-R-98 중 적어도 하나를 포함하는,
   섬망 여부의 조기 판단 및 섬망의 중증도 판단 방법.
6. 제1항 또는 제2항에 있어서,
   상기 섬망 여부는 CAM을 이용하여 도출된 것이고,
   상기 섬망 중증도는 CAM-S를 이용하여 도출된 것인,
   섬망 여부의 조기 판단 및 섬망의 중증도 판단 방법.
7. 제1항 또는 제2항에 있어서,
   제1항에 있어서,
   상기 센서는,
   양 상지, 양 손목, 양 손의 손가락 중 적어도 하나와 몸통, 머리, 침대의 특정 위치 중 적어도 하나에 배치되는 것인,
   섬망 여부의 조기 판단 및 섬망의 중증도 판단 방법.
8. 제1항에 있어서,
   상기 환자 주변의 음성데이터는,
   환자의 음성, 보호자의 음성 및 의료진의 음성을 포함하는 것을 특징으로 하는,
   섬망 여부의 조기 판단 및 섬망의 중증도 판단방법.
9. 제1항 또는 제2항에 있어서,
   상기 섬망 학습 모델 구축 단계는,
   상기 섬망 여부에서 섬망이 아닌 것으로 입력된 움직임데이터는, 섬망이 아닌 것으로 분류되어 학습될 수 있도록 상기 섬망이 아닌 것으로 입력된 움직임데이터는 학습데이터로서 학습을 수행하는 것을 특징으로 하는,
   섬망 여부의 조기 판단 및 섬망의 중증도 판단 방법.
10. 제1항 또는 제2항에 있어서,
    상기 컴퓨터가 상기 움직임데이터에 대하여 사용자로부터 섬망 확인 입력을 수신하는 단계를 더 포함하고,
    상기 섬망 확인 입력은,
    의료진용 섬망 긍정 입력, 의료진용 섬망 부정 입력, 보호자용 섬망 긍정 입력 중 적어도 하나를 포함하는,
    섬망 여부의 조기 판단 및 섬망의 중증도 판단 방법.
11. 제10항에 있어서,
    상기 섬망 확인 입력을 수신하는 단계에서, 상기 의료진용 섬망 긍정 입력 또는 상기 의료진용 섬망 부정 입력을 수신하는 경우에는,
    상기 섬망 확인 입력을 수신한 상기 움직임데이터는,
    상기 섬망 여부 및 섬망 중증도의 입력 데이터와 관계없이, 상기 의료진용 섬망 긍정 입력을 수신하는 경우에는 상기 섬망 여부에 대하여 긍정으로 매칭시켜 저장되고, 상기 의료진용 섬망 부정 입력을 수신하는 경우에는 상기 섬망 여부에 대하여 부정으로 매칭시켜 저장되는,
    섬망 여부의 조기 판단 및 섬망의 중증도 판단 방법.
12. 제11항에 있어서,
    상기 의료진용 섬망 부정 입력을 수신하는 경우는,
    의료진으로부터 환자의 상태가 섬망이 아니라고 판단된 경우, 의료진이 환자의 체위를 변경하는 경우 또는 섬망이 아닌 증상 유사 병변으로 판단한 경우 중 적어도 하나이고,
    상기 섬망이 아닌 증상 유사 병변은,
    저산소증(hypoxia), 저혈당(hypoglycemia), 패혈증(sepsis), 고혈압성뇌증(hypertensive encephalopathy), 베르니케뇌증(Wernicke’s encephalopathy), 과다복용( Overdose), 수막염, 뇌염 등의 중추신경계감염 (CNS infections, meningitis, encephalitis), 중추신경계외상(CNS trauma), 지주막, 경막 등 두개내출혈(Intracranial hemorrhage, subarachnoid, subdural), 뇌전증(Epilepsy), 요로감염(Urinary tract infections), 폐렴(Pneumonia), 전해질이상(Electrolyte abnormalities), 약물 부작용 및 상호작용(Medication adverse effects and interactions), 약물 금단 증후군(Medication withdrawal syndromes), 정신병(Psychiatric illness) 갑상선 등 내분비질환 (Endocrine disease, thyroid), 중추 신경계 병변(CNS mass lesions), 치매(Dementia), 초점 운동 부족이 없는 뇌졸중(stroke without focal motor deficit) 중 적어도 하나인,
    섬망 여부의 조기 판단 및 섬망의 중증도 판단 방법.
13. 제10항에 있어서,
    상기 섬망 확인 입력을 수신하는 단계에서, 상기 보호자용 섬망 긍정 입력을 수신하는 경우에는,
    상기 섬망 확인 입력을 수신한 상기 움직임 데이터는,
    상기 섬망 여부 및 섬망 중증도의 입력 데이터에서 상기 섬망 여부의 입력에 섬망 긍정의 가중치가 부여되는 것을 특징으로 하는,
    섬망 여부의 조기 판단 및 섬망의 중증도 판단 방법.
14. 하드웨어인 컴퓨터와 결합되어, 제1항 내지 제4항 중 어느 한 항의 방법을 실행시키기 위해 기록 매체에 저장된, 섬망 여부의 조기 판단 및 섬망의 중증도 판단 프로그램.
15. 섬망 여부의 조기 판단 및 섬망의 중증도를 판단하는 컴퓨팅 장치에 있어서,
    상기 컴퓨팅 장치는,
    환자의 움직임데이터, 섬망 상태 양성데이터 및 섬망 상태 음성(陰性)데이터를 이와 매칭되는 섬망 여부 및 섬망 중증도의 입력 데이터와 함께 저장하여 학습데이터셋을 구축하되, 상기 입력 데이터는 섬망 평가 방법을 기반으로 진단된 섬망 진단 결과 데이터를 이용하여 도출된 것이고,
    상기 구축된 학습데이터셋을 이용하여 상기 움직임데이터와 상기 환자 주변의 음성(音聲)데이터에 대한 섬망 여부 및 섬망 중증도에 대하여 학습을 수행함으로써 섬망 학습 모델을 구축하며,
    상기 환자의 움직임데이터는, 영상 촬영 장치에 의해 획득된 영상에서 추출되거나 환자에 부착된 복수의 모션센서 조합에 의해 획득된 것이고,
    상기 섬망 상태 양성데이터와 섬망 상태 음성데이터는, 상기 환자 주변의 음성데이터를 상기 환자의 음성(音聲)데이터를 고려하여 분류된 것이고,
    상기 컴퓨팅 장치는, 신규 환자의 움직임데이터와 상기 신규 환자 주변의 음성데이터가 획득되면 이를 상기 구축된 섬망 학습 모델을 이용하여 상기 신규 환자의 섬망 여부의 조기 판단 및 섬망의 중증도를 판단하는 것을 특징으로 하는,
    섬망 여부의 조기 판단 및 섬망의 중증도 판단 컴퓨팅 장치.
16. 삭제
17. 삭제

Images