KR102202865B1 - 빅데이터 분석 및 인공지능 문진을 통한 질병 예측 정보 제공 장치 - Google Patents

빅데이터 분석 및 인공지능 문진을 통한 질병 예측 정보 제공 장치 Download PDF

Info

Publication number
KR102202865B1
KR102202865B1 KR1020190025254A KR20190025254A KR102202865B1 KR 102202865 B1 KR102202865 B1 KR 102202865B1 KR 1020190025254 A KR1020190025254 A KR 1020190025254A KR 20190025254 A KR20190025254 A KR 20190025254A KR 102202865 B1 KR102202865 B1 KR 102202865B1
Authority
KR
South Korea
Prior art keywords
information
hospital
disease
user
diseases
Prior art date
Application number
KR1020190025254A
Other languages
English (en)
Other versions
KR20200106696A (ko
Inventor
박한
이슬기
김성태
Original Assignee
(주)비바이노베이션
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by (주)비바이노베이션 filed Critical (주)비바이노베이션
Priority to KR1020190025254A priority Critical patent/KR102202865B1/ko
Publication of KR20200106696A publication Critical patent/KR20200106696A/ko
Application granted granted Critical
Publication of KR102202865B1 publication Critical patent/KR102202865B1/ko

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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • 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
    • G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

빅데이터 분석 및 인공지능 문진을 통한 질병 예측 정보 제공 장치가 제공된다. 본 개시의 일 실시 예에 따르면 질병 예측 정보 제공 장치는, 의료 빅 데이터 제공 기관의 서버 및 사용자 단말기와 통신을 수행하는 통신부, 의료 빅 데이터 제공 기관의 서버로부터 수신된 의료 빅 데이터를 딥 러닝 알고리즘으로 분석하여, 복수의 증상과 복수의 질병과의 대응 관계를 나타내는 정보 테이블 등을 포함하는 제1 정보 그룹과, 복수의 질병과 복수의 병원 정보와의 대응 관계를 나타내는 정보 테이블 등을 포함하는 제2 정보 그룹을 생성하여 유지하는 정보 유지부, (a) 정보 유지부로부터 제1 정보 그룹을 판독하고 사용자 단말기로 전송하는 처리, (b) 사용자 단말기로부터 제1 정보 그룹을 기초로 생성된 사용자 질병 정보와 사용자 정보를 포함하는 정보 제공 요청을 수신하는 처리, (c) 제2 정보 그룹을 이용하여 사용자 질병 정보 및 사용자 정보에 적합한 개인화된 질병 예측 정보를 생성하는 처리, (d) 개인화된 질병 예측 정보를 사용자 단말기로 전송하는 처리를 수행하는 연산 처리부를 포함할 수 있다.

Description

빅데이터 분석 및 인공지능 문진을 통한 질병 예측 정보 제공 장치{APPARATUS OF PROVIDING DISEASE PREDICTION INFORMATION THROUGH BID DATA ANALYSIS AND ARTIFICIAL INTELLIGENCE}
본 개시는 빅데이터 분석 및 인공지능 문진을 통한 질병 예측 정보 제공 장치에 관한 것으로, 더욱 구체적으로는 딥 러닝 알고리즘 및 의료 빅 데이터를 이용하여 증상, 질병, 문진 정보, 인구학적 정보 사이의 대응 관계를 포함하는 제1 정보 그룹과 질병과 병원 정보의 대응 관계를 포함하는 제2 정보 그룹을 생성하고, 사용자 단말기가 제1 정보 그룹을 이용하여 추출한 사용자 질병 정보를 수신한 후, 제2 정보 그룹을 이용해 사용자 질병 정보에 대한 개인화된 질병 예측 정보를 생성하여 사용자 단말기로 제공할 수 있는 질병 예측 정보 제공 장치에 관한 것이다.
일반적인 사람들은 자신의 신체에 증상이 있는 경우 병원을 방문하여 의사에게 진찰을 받는다. 대부분의 개인은 전문적인 의학 지식이 부족하기 때문에, 자신의 증상만으로는 어느 질병인지 알지 못한다. 따라서 증상이 있는 개인(이하 "증상 보유자"라 지칭함)은 자신의 증상에 해당하는 질병을 전문 진료 대상으로 하지 않는 병원을 방문하여 진찰을 받을 수 있다. 그 경우, 증상 보유자는 다시 자신의 증상에 해당하는 질병을 전문 진료 대상으로 하는 병원을 방문하여 진찰을 받아야 하기 때문에, 시간과 비용이 추가적으로 소모되는 단점이 있다.
증상 보유자는 자신의 증상이 어떤 질병과 관련된 것인지를 확인하기 위해서, 포털 사이트를 이용할 수도 있다. 즉 증상 보유자는 포탈 사이트의 검색 항목에 자신의 증상을 입력하는 것에 의해서 검색된 정보를 기초로 자신의 증상이 어떤 질병과 관련된 것인지 확인할 수 있다. 그러나 포털 사이트를 통하여 검색된 정보는 광고성 정보 및 부정확한 정보가 다수 존재하기 때문에, 증상 보유자는 포탈 사이트를 이용하여 검색된 정보만으로는 자신의 증상과 관련된 질병을 정확히 확인하기 어렵다. 또한 검색을 통하여 비교적 정확한 정보를 얻은 경우에도, 전문적인 의학 지식이 부족하기 때문에, 증상 보유자는 자신의 증상과 관련된 질병을 정확히 확인하기 어렵다. 즉 동일한 증상이 다수의 질병에서 공통적으로 발현될 수 있으므로, 증상 보유자는 포탈 사이트를 검색하는 것만으로는 자신의 증상과 관련된 질병을 정확히 확인하기 어렵다.
또한 증상 보유자는 자신의 증상이 대수롭지 않은 것으로 생각하거나 귀찮아서 병원을 방문하지 않을 수도 있다. 즉 병원을 방문하여 진찰을 받는 경우 시간과 비용이 소모되므로, 증상 보유자는 자신의 증상을 방치할 수 있다. 그 경우, 증상 보유자는 질병이 악화된 경우에 병원을 방문하여 진찰을 받게 되므로, 질병을 조기 발견하여 치료할 수 있는 기회를 놓치게 되는 단점이 있다.
또한 증상 보유자는 자신의 증상을 과민하게 생각하여 병원을 방문할 수도 있다. 즉 별다른 질병이 없는데도 자신의 증상을 질병에 걸린 것으로 착각하여 병원을 방문할 수도 있다.
한편 증상 보유자가 병원을 방문하지 않고서도 원격으로 질병을 진찰할 수 있는 기술도 개발되고 있다. 예컨대 2015년 7월 16일자로 출원되고 2016년 4월 22일자로 등록된 "스마트폰 원격진료기"라는 명칭의 한국등록특허 제10-1616473호(특허문헌 1)는 청진기, 체온계, 검진영상기 및 응급 경보발생기를 포함하는 진료 장치를 스마트폰과 연동되도록 하여 사용자의 병명이나 건강 상태를 진단할 수 있는 스마트폰 원격 진료기를 개시하고 있다. 한국등록특허 제10-1616473호에 개시된 구성에 따르면, 증상 보유자가 병원을 직접 방문하지 않더라도 진료를 받을 수 있다는 장점이 있다. 그러나, 한국등록특허 제10-1616473호에 개시된 구성에 따르면, 청진기, 체온계, 검진 영상기 및 응급 경보발생기를 포함하는 진료 장치가 필요하거나 또는 온도 센서, 청진음 측정부 및 검진 영상 관찰부와 같은 구성을 포함하는 스마트 폰이 필요하다는 단점이 있다. 따라서 일반적인 스마트폰에서는 적용될 수 없다는 단점이 있다. 또한 한국등록특허 제10-1616473호에 개시된 구성에 따르면, 측정한 데이터를 기초로 예컨대 폐렴과 같은 질병을 진단할 수 있으나, 증상 보유자가 능동적으로 자신의 증상을 입력하여 질병을 확인할 수 없고, 진단에 사용되는 데이터의 신뢰도 역시 높지 않기 때문에, 진단 결과를 신뢰할 수 없다는 단점이 있다.
한편 증상 보유자가 병원을 방문하기 전에 치료비를 확인하고 예약을 접수할 수 있는 기술도 개발되고 있다. 예컨대 2017년 9월 27일자로 출원되고 2018년 9월 20일자로 등록된 "실시간 변동형 치료비 정보 제공 방법"이라는 한국등록특허 제10-1902910호(특허문헌 2)는 사용자가 병원 운영 서버에 접속하여 실시간 병원비를 확인하는 구성을 개시하고 있다. 그러나 한국등록특허 제10-1902910호는 이미 사용자가 병원을 선택한 후 해당 병원의 치료비를 확인하거나 예약을 하는 것만을 개시하고 있을 뿐이다. 예컨대 증상 보유자가 병원을 방문하기 전에, 자신에게 적합한 병원을 확인할 필요가 있다. 예컨대 자신의 집 또는 회사 주변의 병원인지 여부, 자신의 질병에 대해서 전문성을 가진 병원인지 여부, 의료 비용이 적절한 지 여부, 치료 기간이 적정한 지 여부에 대해서도 확인할 필요가 있다. 그러나, 한국등록특허 제10-1902910호에 개시된 구성에 따르면, 이러한 확인이 불가능하다.
따라서 증상 보유자가 병원을 방문하기 전에 자신의 증상과 관련된 질병 및 병원에 대한 정보를 보다 쉽고 정확하게 확인할 수 있도록 지원할 수 있는 방법의 필요성이 증가하고 있다.
1. 한국등록특허 제10-1616473호 2. 한국등록특허 제10-1902910호
본원에서 개시되는 기술의 목적은 딥 러닝 알고리즘 및 의료 빅 데이터를 이용하여 증상과 질병과의 대응 관계, 질병과 문진 정보와의 대응 관계 및 질병과 인구학적 정보와의 대응 관계를 포함하는 제1 정보 그룹과 적어도 질병과 병원 정보와의 대응 관계를 포함하는 제2 정보 그룹을 생성하고, 사용자 단말기가 제1 정보 그룹을 이용하여 추출한 사용자 질병 정보를 사용자 단말기로부터 수신한 후, 제2 정보 그룹을 이용하여 사용자 질병 정보에 대해서 개인화된 질병 예측 정보를 생성하고, 개인화된 질병 예측 정보를 사용자 단말기로 제공할 수 있는 질병 예측 정보 제공 장치를 제공하는 것에 있다.
상기 목적을 달성하기 위한 본 개시의 일 실시 예에 따른 빅데이터 분석 및 인공지능 문진을 통한 질병 예측 정보 제공 장치는, 의료 빅 데이터 제공 기관의 서버 및 사용자 단말기와 통신을 수행하는 통신부, 통신부를 통해 의료 빅 데이터 제공 기관의 서버로부터 수신된 의료 빅 데이터를 딥 러닝 알고리즘으로 분석하여, 음성입력과 복수의 증상과의 대응 관계를 나타내는 제1 정보 테이블, 복수의 증상과 복수의 질병과의 대응 관계를 나타내는 제2 정보 테이블, 복수의 질병과 복수의 문진 정보와의 대응 관계를 나타내는 제3 정보 테이블 및 복수의 질병과 복수의 인구학적 정보와의 대응 관계를 나타내는 제4 정보 테이블을 포함하는 제1 정보 그룹과, 복수의 질병과 복수의 병원 정보와의 대응 관계를 나타내는 제5 정보 테이블을 포함하는 제2 정보 그룹을 생성하여 유지하는 정보 유지부 및 통신부 및 정보 유지부와 연결되며, (a) 정보 유지부로부터 제1 정보 그룹을 판독하고 통신부를 통하여 사용자 단말기로 전송하는 처리, (b) 사용자 단말기로부터 제1 정보 그룹을 기초로 생성된 사용자 질병 정보와 사용자 정보를 포함하는 정보 제공 요청을 통신부를 통해 수신하는 처리, (c) 제2 정보 그룹을 이용하여 사용자 질병 정보 및 사용자 정보에 적합한 개인화된 질병 예측 정보를 생성하는 처리, (d) 개인화된 질병 예측 정보를 통신부를 통해 사용자 단말기로 전송하는 처리를 수행하는 연산 처리부를 포함할 수 있다.
상술한 바와 같은 본 개시의 다양한 실시 예에 따르면, 제1 정보 그룹을 사용자 단말기로 제공하는 것에 의해서, 증상 보유자가 사용자 단말기를 이용하여 보다 정확하고 용이하게 자신의 질병을 확인할 수 있다. 또한 개인화된 질병 예측 정보를 사용자 단말기로 제공하는 것에 의해서, 증상 보유자가 사용자 단말기를 이용하여 자신의 질병에 대한 정확하고 공신력 있는 정보를 제공받을 수 있는 효과가 있다.
도 1은 질병 예측 정보 제공 장치의 예시적인 구성을 도시한 도면,
도 2는 제1 정보 테이블의 예시적인 구성을 도시한 도면,
도 3은 제2 정보 테이블의 예시적인 구성을 도시한 도면,
도 4는 제3 정보 테이블의 예시적인 구성을 도시한 도면,
도 5는 제4 정보 테이블의 예시적인 구성을 도시한 도면,
도 6은 제5 정보 테이블의 예시적인 구성을 도시한 도면, 그리고,
도 7은 제7 정보 테이블의 예시적인 구성을 도시한 도면이다.
본 발명을 설명함에 있어서 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단될 경우 그 상세한 설명은 생략한다. 그리고 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자 또는 관례에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소를 설명하는데 사용될 수 있지만, 구성요소들은 용어들에 의해 한정되지는 않는다. 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 항목들의 조합 또는 복수의 관련된 항목들 중의 어느 하나의 항목을 포함한다.
본 명세서에서 사용한 용어는 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 제한 및/또는 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서 포함한다 또는 가지다 등의 용어는 명세서상에 기재된 특징, 숫자, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지칭하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
이하에서는 첨부된 도면을 참조하여 본 발명에 대하여 구체적으로 설명한다.
도 1은 본원에서 개시되는 기술의 실시 예에 따른 질병 예측 정보 제공 장치(100)의 예시적인 구성을 나타내는 도면이다.
도 1을 참조하면, 질병 예측 정보 제공 장치(100)는 통신부(110)와, 정보 유지부(130)와, 연산 처리부(150)를 포함한다. 또한 사용자 단말기(300)는 통신부(110)를 통하여 의료 빅 데이터 제공 기관의 서버(200) 및 사용자 단말기(300)와 통신할 수 있다.
의료 빅 데이터 제공 기관의 서버(200)는 예컨대 건강보험심사평가원과 같은 의료 빅 데이터를 관리하는 기관에서 운영하는 장치로서, 의료 빅 데이터를 생성하고 질병 예측 정보 제공 장치(100)로 전송한다. 본 명세서에서 의료 빅 데이터는 병원, 약국 및 요양 기관과 같은 의료 기관의 환자 진료 및 처방 정보, 의료 기관의 의료 인력 및 시설 또는 장비 보유 현황 정보, 보건복지부, 식품의약품안전처, 보건소, 국민건강보험공단, 제약업체 및 건강보험심사평가원과 같은 지원 기관의 정보 등을 포함할 수 있다.
사용자 단말기(300)는 예컨대 스마트 폰과 같은 이동 통신 단말기, 노트북 또는 개인용 컴퓨터와 같은 컴퓨팅 장치를 포함한다. 스마트 폰인 경우, 사용자 단말기(300)는 예컨대 어플리케이션 형태로 질병 예측 정보 제공 장치(100)와 통신을 통해서 후술하는 제1 정보 그룹(400)을 수신하고, 사용자 입력 및 제1 정보 그룹(400)을 이용하여 사용자 질병 정보를 생성하고, 생성된 사용자 질병 정보를 질병 예측 정보 제공 장치(100)로 전송하고, 질병 예측 정보 제공 장치(100)가 생성한 개인화된 질병 예측 정보를 질병 예측 정보 제공 장치(100)로부터 수신하여 사용자에게 제공한다.
이하 질병 예측 정보 제공 장치(100)의 구성을 보다 상세하게 설명한다.
통신부(110)는 의료 빅 데이터 제공 기관의 서버(200) 및 사용자 단말기(300)와의 통신을 수행한다. 예컨대 통신부(110)는 의료 빅 데이터 제공 기관의 서버(200)와는 인터넷을 통하여 통신을 수행하고 사용자 단말기(300)와는 무선 네트워크를 통하여 통신을 수행할 수 있다.
정보 유지부(130)는 통신부(110)를 통하여 의료 빅 데이터 제공 기관의 서버(200)로부터 수신된 의료 빅 데이터를 딥 러닝 알고리즘을 이용하여 분석하여, 음성입력과 복수의 증상 정보를 포함하는 증상 그룹의 대응 관계를 나타내는 제1 정보 테이블(410), 복수의 증상과 복수의 질병과의 대응 관계를 나타내는 제2 정보 테이블(420), 복수의 질병과 복수의 문진 정보와의 대응 관계를 나타내는 제3 정보 테이블(430) 및 복수의 질병과 복수의 인구학적 정보와의 대응 관계를 나타내는 제4 정보 테이블(440)을 포함하는 제1 정보 그룹(400)과, 복수의 질병과 복수의 병원 정보와의 대응 관계를 나타내는 제5 정보 테이블(510)을 포함하는 제2 정보 그룹(500)을 생성하여 유지한다. 제2 정보 그룹(500)에는 병원비에 대한 정보를 포함하는 제6 정보 테이블(560), 건강정보를 포함하는 제7 정보 테이블(570), 병원목록에 대한 정보를 포함하는 제8 정보 테이블(580)이 포함될 수 있다.
본 명세서에서 딥 러닝 알고리즘은 예컨대 심층 신경망(Deep Neural Network, DNN), 합성곱 신경망(Convolutional Neural Network, CNN), 순환 신경망(Recurrent Neural Network, RNN), 제한 볼츠만 머신(Restricted Boltzmann Machine, RBM), 심층 신뢰 신경망(Deep Belief Network, DBN) 및 심층 Q-네트워크(Deep Q-Networks)와 같은 알고리즘을 지칭하거나, 예시되지 않은 다른 딥 러닝 알고리즘을 지칭할 수도 있다.
도 2는 질병 예측 정보 제공 장치(100)의 제1 정보 테이블(410)의 예시적인 구성을 도시한 것이다. 제1 정보 테이블(410)에는 자연언어 처리 과정을 통해 학습된 각각의 증상에 대응되는 음성 데이터들이 저장되어 있다. 도 2를 참조하면, 제1 정보 테이블(410)은 복수의 증상, 보다 구체적으로는 복수의 증상 코드 각각에 대해 설명하는 텍스트 정보를 포함한다. 예컨대 제1 정보 테이블(410)은 증상 코드 S1인 '두통'에 대해 '머리가 아프다', '머리가 어지럽다'라는 텍스트 정보를 포함할 수 있다. 사용자 단말기(300)를 통해 사용자는 자신의 증상에 대해 설명하는 음성을 입력할 수 있다. 예를 들어, 사용자 단말기(300)가 “머리가 어지러워요”라는 음성 입력을 사용자 입력으로 수신하면, 사용자 입력은 STT(Speech To Text) 처리를 통해 텍스트로 변환될 수 있다. 연산 처리부(150)는 텍스트로 변환된 사용자 입력과 제1 정보 테이블(410)의 증상 정보를 이용하여, 사용자가 증상 코드 S1과 대응되는 증상을 가지고 있음을 확인할 수 있다. 제1 정보 테이블(410)은 의료 빅 데이터를 딥 러닝 알고리즘을 이용하여 분석하여 생성될 수 있다. 그리고 제1 정보 테이블(410)은 의사와 같은 전문가의 검증을 거쳐 수정될 수도 있다.
도 3은 질병 예측 정보 제공 장치(100)의 제2 정보 테이블(420)의 예시적인 구성을 나타내는 도면이다. 도 3을 참조하면, 제2 정보 테이블(420)은 증상 테이블(421) 및 질병 테이블(422)을 기초로 생성된다. 증상 테이블(421)은 예컨대 복수의 증상 각각의 증상 코드와 증상 명칭을 포함한다. 예컨대 증상 코드 S1의 증상 명칭은 "두통"이다. 질병 테이블(422)은 예컨대 복수의 질병 각각의 질병 코드와 질병 명칭을 포함한다. 예컨대 질병 코드 D1의 질병 명칭은 "편두통"이다. 제2 정보 테이블(420)은 증상 테이블(421)의 복수의 증상 각각과 질병 테이블(422)의 복수의 질병 각각의 대응 관계를 포함한다. 예컨대 질병 코드 D1은 증상 코드 S1, S10, S15, S27 및 S29와 대응한다. 이러한 증상 테이블(421)의 복수의 증상 각각과 질병 테이블(422)의 복수의 질병 각각의 대응 관계는 의료 빅 데이터를 딥 러닝 알고리즘을 이용하여 분석하는 것에 의해서 생성된다. 또한 증상 테이블(421)의 복수의 증상 각각과 질병 테이블(422)의 복수의 질병 각각의 대응 관계는 의료 빅 데이터를 딥 러닝 알고리즘을 이용하여 분석하여 생성된 후 의사와 같은 전문가의 검증을 거쳐서 수정될 수도 있다.
도 4는 질병 예측 정보 제공 장치(100)의 제3 정보 테이블(430)의 예시적인 구성을 도시한 것이다. 도 4를 참조하면, 제3 정보 테이블(430)은 질병 테이블(422) 및 문진 정보 테이블(431)을 기초로 생성된다. 문진 정보 테이블(431)은 복수의 문진 정보, 예컨대 복수의 문진 코드와 그에 대한 설명 정보를 포함한다. 예컨대 문진 코드 Q1은 "담배를 피우나요?"라는 설명 정보에 대응한다. 제3 정보 테이블(430)은 질병 테이블(422)의 복수의 질병 각각과 문진 정보 테이블(431)의 복수의 문진 정보, 보다 구체적으로는 복수의 문진 코드 각각의 대응 관계를 포함한다. 예컨대 질병 코드 D1은 문진 코드 Q1, Q3, Q4 및 Q10과 대응한다. 이러한 질병 테이블(422)의 복수의 질병 각각과 문진 정보 테이블(431)의 복수의 문진 코드 각각의 대응 관계는 의료 빅 데이터를 딥 러닝 알고리즘을 이용하여 분석하는 것에 의해서 생성된다. 또한 질병 테이블(422)의 복수의 질병 각각과 문진 정보 테이블(431)의 복수의 문진 코드 각각의 대응 관계는 의료 빅 데이터를 딥 러닝 알고리즘을 이용하여 분석하여 생성된 후 의사와 같은 전문가의 검증을 거쳐서 수정될 수도 있다.
도 5는 질병 예측 정보 제공 장치(100)의 제4 정보 테이블(440)의 예시적인 구성을 도시한 것이다. 도 5를 참조하면, 제4 정보 테이블(440)은 질병 테이블(422) 및 인구학적 정보 테이블(441)을 기초로 생성된다. 인구학적 정보 테이블은 복수의 인구학적 정보, 예컨대 남성, 여성, 연령과 그에 분류 코드를 포함한다. 제4 정보 테이블(440)은 질병 테이블(422)의 복수의 질병 각각과 인구학적 정보 테이블(441)의 복수의 인구학적 정보, 보다 구체적으로는 복수의 분류 코드 각각의 대응 관계를 포함한다. 도 5를 참조하면, 예컨대 질병 코드 D1에 대해서, 성별 및 연령에 대한 분류 코드 "M-a", 즉 0세 내지 9세 사이의 남자에 대해서 질병 코드 D1에 대한 환자수 및 순위가 도시된다. 질병 코드 D1 및 "M-a"에 대해서 순위는 0세 내지 9세 사이의 남자에 대해서 질병 테이블에 속하는 전체 질병 중에서 "M-a"에 대해서 질병 코드 D1에 대응하는 질병이 발생한 환자수가 많은 순서대로 결정된다. 예컨대 질병 코드 D1 및 "M-a"에 대한 순위가 "1"이면, 질병 테이블(422)에 속하는 전체 질병 중에서 0세 내지 9세 사이의 남자에 대해서 질병 코드 D1에 대응하는 질병의 환자수가 가장 많다는 것을 의미한다. 기타의 성별 및 연령에 대한 분류 코드에 대한 설명도 마찬가지이다. 이러한 질병 테이블(422)의 복수의 질병 각각과 인구학적 정보 테이블(441)의 복수의 분류 코드 각각의 대응 관계는 의료 빅 데이터를 딥 러닝 알고리즘을 이용하여 분석하는 것에 의해서 생성된다. 환자수는 예컨대 최근 3년과 같이 미리 지정된 기간 동안의 해당 질병에 대한 환자수를 성별 및 연령에 따라서 추출하는 것에 의해서 생성될 수 있다.
전술하듯이, 정보 유지부(130)는 복수의 질병과 복수의 병원 정보와의 대응 관계를 나타내는 제5 정보 테이블(550)을 포함하는 제2 정보 그룹(500)을 생성하여 유지한다.
도 6은 질병 예측 정보 제공 장치(100)의 제5 정보 테이블(550)의 예시적인 구성을 나타내는 도면이다. 도 6을 참조하면, 제5 정보 테이블(550)은 질병 테이블(422) 및 병원 정보 테이블(551)을 기초로 생성된다. 병원 정보 테이블(551)은 복수의 병원 정보를 포함할 수 있다. 복수의 병원 정보 각각은, 병원의 명칭, 연락처 및 주소를 포함하는 병원 식별 정보, 병원의 규모, 의사 인원수 및 의료 기기 보유 현황 중 적어도 하나를 포함하는 병원 상황 정보; 휴일 근무 여부를 포함하는 진료 시간 정보, 의료 빅 데이터를 딥 러닝 알고리즘을 이용하여 분석하여 생성된 것이다. 또한 병원 정보는 질병에 대한 치료 건수, 치료 건수에 대응하는 환자의 성별 및 나이, 질병을 치료하기까지 방문한 평균 방문 회수, 질병에 대한 예상 의료비, 질병에 대한 예상 치료 기간 및 질병에 대한 병원 평가 등급을 포함할 수 있다. 보다 구체적으로, 복수의 질병 각각에 대한 질병에 대한 치료 건수, 치료 건수에 대응하는 환자의 성별 및 나이, 질병을 치료하기까지 방문한 평균 방문 회수, 질병에 대한 예상 의료비, 질병에 대한 예상 치료 기간 및 질병에 대한 병원 평가 등급은 의료 빅 데이터를 딥 러닝 알고리즘에 의해서 분석하는 것에 의해서 생성될 수 있다. 또한, 병원 식별 정보, 병원 상황 정보 및 진료 시간 정보 역시 의료 빅 데이터를 딥 러닝 알고리즘을 이용하여 분석하는 것에 의해서 생성될 수 있다. 도 6에서는 예컨대, 병원 코드 H1에 대해서 "제일 병원"이라는 명칭이 도시되며, 평가 등급은 "A+"로 도시된다. 그 외의 정보에 대해서는 도시를 생략한다.
제5 정보 테이블(550)은 질병 테이블(422)의 복수의 질병 각각과 병원 정보 테이블(551)의 복수의 병원 정보, 보다 구체적으로는 복수의 병원 코드 각각의 대응 관계를 포함한다. 도 6을 참조하면, 예컨대 질병 코드 D1에 대해서, 병원 코드 H1, H10, H15, H27, H29 등이 대응한다.
한편, 제2 정보 그룹(500)은 복수의 질병 및 복수의 질병 각각에 대한 상세 설명 정보를 포함하는 제7 정보 테이블(570)을 더 포함할 수 있다. 도 7은 질병 예측 정보 제공 장치(100)의 제7 정보 테이블(570)의 예시적인 구성을 나타내는 도면이다.
제7 정보 테이블(570)은 복수의 질병, 보다 구체적으로는 복수의 질병 코드 각각에 대해서 상세 설명 정보를 포함한다. 예컨대 제7 정보 테이블(570)은 질병 코드 D1에 대해서 "편두통은 머리 혈관의 기능 이상으로 인해 발작적이며 주기적으로 나타나는 두통의 일종으로 주로 머리의 한쪽에서만 통증이 나타나는 경우가 많아 편두통으로 불립니다. 편두통은 전체 편두통의 약 60%에서 보이며 여성에게서 더 흔합니다. 편두통은 어느 연령에서나 발생하지만 10대에 처음으로 발생하는 경우가 가장 흔하며 여성의 18%, 남성의 6%에서는 일생에 한번 이상 편두통을 경험합니다.”와 같은 상세 설명 정보를 포함할 수 있다. 상세 설명 정보는 텍스트, 이미지 및 동영상과 같은 다양한 형태일 수 있다. 상세 설명 정보는 개인화된 질병 예측 정보에 포함되어 사용자 단말기(300)로 전송될 수 있다. 제7 정보 테이블(570)은 의사와 같은 전문가의 검증을 거쳐서 생성될 수 있다. 또는 제7 정보 테이블(570)은 의료 빅 데이터를 딥 러닝 알고리즘을 이용하여 분석하여 생성된 후 의사와 같은 전문가의 검증을 거쳐서 수정될 수도 있다. 질병 예측 정보 제공 장치(100)에 의해서 유지되는 제7 정보 테이블(570)의 상세 설명 정보를 사용자 단말기(300)가 수신하고, 사용자 단말기(300)가 사용자에게 제공하는 것에 의해서, 사용자, 즉 증상 보유자는 질병에 대한 정확하고 공신력 있는 정보를 용이하게 제공받을 수 있다.
전술한 각 테이블에 대한 설명에서 각 코드의 개수, 명칭 및 대응 관계와 같은 항목은 예시적인 것일 뿐이다. 예컨대 질병 코드는 D1 내지 D100으로 총 100개가 표시되지만, 질병 테이블(422)에 포함되는 질병의 개수, 즉 질병 코드의 개수는 100보다 크거나 작을 수도 있다. 또한 전술한 각 테이블 중 적어도 일부는 일정 주기마다 갱신될 수 있다. 예를 들어, 제1 내지 제6 정보 테이블 및 이들을 구성하는 서브 정보 테이블은 질병 예측 정보 제공 장치(100)가 일정 주기마다 의료 빅 데이터를 딥 러닝 알고리즘을 이용하여 분석하는 것에 의해 갱신될 수 있다.
다시 도 1을 참조하면, 연산 처리부(150)는 통신부(110) 및 정보 유지부(130)와 연결된다. 연산 처리부(150)는 (a) 정보 유지부(130)로부터 제1 정보 그룹(400)을 판독하고 통신부(110)를 통해 사용자 단말기(300)로 전송하는 처리, (b) 사용자 단말기(300)로부터 제1 정보 그룹(400)을 기초로 생성된 사용자 질병 정보와 사용자 정보를 포함하는 정보 제공 요청을 수신하는 처리, (c) 제2 정보 그룹(500)을 이용하여 사용자 질병 정보 및 사용자 정보에 적합한 개인화된 질병 예측 정보를 생성하는 처리, (d) 개인화된 질병 예측 정보를 통신부(110)를 통해 사용자 단말기(300)로 제공하는 처리를 수행할 수 있다.
처리 (a)는 사용자 단말기(300)로부터의 요청에 의해 수행될 수 있다. 사용자 단말기(300)로 전송되는 제1 정보 그룹(400)은 전술한 제1 내지 제4 정보 테이블(410~440) 중 적어도 하나를 포함할 수 있다. 또한 사용자 단말기(300)로 전송되는 제1 정보 그룹(400)은 제1 내지 제4 정보 테이블(410~440)을 구성하는 서브 정보 테이블인 증상 테이블(421), 질병 테이블(422), 문진 정보 테이블(431), 인구학적 정보 테이블(441) 등을 더 포함할 수 있다.
처리 (b)에 대해서도 보다 구체적으로 설명하기로 한다.
처리 (a)를 통하여 전송되는 제1 정보 그룹(400)을 수신한 사용자 단말기(300)는 내부의 프로세서에 의해 어플리케이션을 실행하고, 사용자, 즉 증상 보유자의 증상을 사용자 입력을 통해 입력 받을 수 있다. 그리고 사용자 단말기(300)는 수신된 제1 정보 그룹(400)을 이용하여 사용자 질병 정보를 생성할 수 있다. 예를 들어, 사용자 단말기(300)는 사용자 질병 정보를 생성하는 과정에서 제1 내지 제4 정보 테이블(410~440) 중 적어도 하나를 사용할 수 있다. 또한, 사용자 단말기(300)는 사용자 질병 정보를 생성하는데 복수의 사용자 입력을 이용할 수도 있다. 사용자 단말기(300)는 상술한 과정을 통해 생성한 사용자 질병 정보 및 미리 저장되어 있거나 사용자 입력을 통해 수신한 사용자 정보를 포함하는 정보 제공 요청을 질병 예측 정보 제공 장치(100)로 전송할 수 있다. 정보 제공 요청에 포함되는 사용자 정보는, 사용자의 성별 및 나이 중 적어도 하나를 포함하는 인구학적 정보, 사용자의 집 주소, 회사 주소 및 현재 위치 중 적어도 하나를 포함하는 위치 정보, 희망 진료 시간 정보, 희망 의료 비용 정보, 희망 병원 평가 등급 정보 중 적어도 하나를 포함할 수 있다.
정보 제공 요청에 사용자 인구학적 정보가 포함된 경우, 후술하는 처리 (c)는, 개인화된 질병 예측 정보를 생성하는 과정에서 사용자 인구학적 정보 및 병원 정보에 포함된 치료 건수에 대응하는 환자의 성별 및 나이를 비교할 수 있다. 정보 제공 요청에 위치 정보가 포함된 경우, 후술하는 처리 (c)는, 개인화된 질병 예측 정보를 생성하는 과정에서 위치 정보 및 병원 정보에 포함된 주소를 비교하는 것에 의해서 사용자, 즉 증상 보유자의 근처에 있는 병원인지를 확인할 수 있다. 정보 제공 요청에 희망 진료 시간 정보, 희망 의료 비용 정보 및 희망 평가 등급이 포함된 경우, 후술하는 처리 (c)는, 개인화된 질병 예측 정보를 생성하는 과정에서 병원 정보에 포함된 진료 시간 정보, 예상 의료비, 질병에 대한 병원 평가 등급과 비교할 수 있다.
한편 정보 제공 요청에 포함되는 사용자 정보는 필수 만족 조건을 더 포함할 수 있다. 필수 만족 조건은 사용자 단말기(300)가 사용자 인터페이스를 통하여 사용자, 즉 증상 보유자로부터 수신한 정보로서, 예컨대 증상 보유자가 필수적으로 만족해야 한다고 지정한 조건을 의미한다. 예컨대 전술한 희망 진료 시간 정보, 희망 의료 비용 정보 및 희망 평가 등급 중 어느 하나가 필수 만족 조건일 수 있다. 즉 예컨대 희망 의료 비용 정보가 100만원 이하인 것이 필수 만족 조건일 수 있으며, 예컨대 희망 평가 등급이 A- 이상인 것이 필수 만족 조건일 수도 있다. 후술하는 처리 (c)는 개인화된 질병 예측 정보를 생성하는 과정에서 필수 만족 조건을 충족하지 않는 병원 정보를 무시할 수 있다.
이하에서는 제2 정보 그룹(500)을 이용하여 사용자 질병 정보 및 사용자 정보에 적합한 개인화된 질병 예측 정보를 생성하는 처리 (c)에 대해 보다 구체적으로 설명하기로 한다.
개인화된 질병 예측 정보는 하나 이상의 추천 병원 정보를 포함할 수 있다. 전술하듯이, 복수의 병원 정보 각각은, 병원의 명칭, 연락처 및 주소를 포함하는 병원 식별 정보; 병원의 규모, 의사 인원수 및 의료 기기 보유 현황 중 적어도 하나를 포함하는 병원 상황 정보; 휴일 근무 여부를 포함하는 진료 시간 정보; 및 의료 빅 데이터를 딥 러닝 알고리즘을 이용하여 분석하여 생성된 것인, 질병에 대한 치료 건수, 치료 건수에 대응하는 환자의 성별 및 나이, 질병을 치료하기까지 방문한 평균 방문 회수, 질병에 대한 예상 의료비, 질병에 대한 예상 치료 기간 및 질병에 대한 병원 평가 등급을 포함하는 빅 데이터 정보를 포함할 수 있다.
따라서, 하나 이상의 추천 병원 정보 각각은, 병원 식별 정보를 포함하며, 병원 상황 정보, 진료 시간 정보, 예상 의료비, 예상 치료 기간 및 병원 평가 등급 중 적어도 하나를 더 포함할 수 있다. 또한 하나 이상의 추천 병원 정보 각각은 질병에 대한 치료 건수, 치료 건수에 대응하는 환자의 성별 및 나이 및 질병을 치료하기까지 방문한 평균 방문 회수를 더 포함할 수도 있다.
전술한 바와 같이 정보 제공 요청에 포함되는 사용자 정보는, 사용자의 성별 및 나이 중 적어도 어느 하나를 포함하는 사용자 인구학적 정보; 사용자의 집 주소, 회사 주소 및 현재 위치 중 어느 하나를 포함하는 위치 정보; 희망 진료 시간 정보; 희망 의료 비용 정보; 및 희망 평가 등급 중 적어도 어느 하나를 포함할 수 있다.
처리 (c)는, (c-1) 사용자 질병 정보를 기초로 제5 정보 테이블(550)을 검색하여 복수의 병원 정보 중에서 복수의 추천 후보 병원 정보를 추출하고, 사용자 정보와 복수의 추천 후보 병원 정보를 미리 지정된 추천 기준을 이용하여 비교하는 것에 의해서 하나 이상의 추천 병원 정보를 추출하는 처리를 포함할 수 있다. 도 6을 참조하면, 사용자 질병 정보가 질병 코드 D2라면, 질병 코드 D2에 대응하는 병원 정보는 즉 병원 코드는 H1, H3, H4, H5, H6, H7, H17, H50, … 과 같이 추출된다. 즉 병원 정보 테이블에 포함된 복수의 병원 정보 중에서, 질병 코드 D2에 대응하는 병원 정보, 즉 복수의 추천 후보 병원 정보는 병원 코드 H1, H3, H4, H5, H6, H7, H17, H50, … 으로서 추출된다. 다음으로, 복수의 추천 후보 병원 정보, 즉 병원 코드 H1, H3, H4, H5, H6, H7, H17, H50, …로 식별되는 병원 정보와 사용자 정보를 비교하는 것에 의해서 하나 이상의 추천 병원 정보를 추출한다.
추천 기준은, 사용자 정보에 포함된 위치 정보와 복수의 추천 후보 병원 정보 각각에 포함된 병원의 주소를 이용하는 접근성 기준; 사용자 정보에 포함된 희망 의료 비용 정보와 복수의 추천 후보 병원 정보 각각에 포함된 예상 의료비를 이용하는 비용 기준; 및 사용자 정보에 포함된 희망 평가 등급과 복수의 추천 후보 병원 정보 각각에 포함된 병원 평가 등급을 이용하는 평가 등급 기준 중 적어도 하나를 포함할 수 있다.
사용자 정보가, 예컨대 사용자, 즉 증상 보유자의 성별 및 나이 중 적어도 어느 하나를 포함하는 사용자 인구학적 정보; 사용자의 집 주소, 회사 주소 및 현재 위치 중 어느 하나를 포함하는 위치 정보; 희망 진료 시간 정보; 희망 의료 비용 정보; 및 희망 평가 등급 모두를 포함하는 경우, 추천 기준은, 복수의 추천 후보 병원 정보 각각에 대해서, 사용자 정보에 포함된 위치 정보와 복수의 추천 후보 병원 정보 각각에 포함된 병원의 주소를 이용하여 제1 기준값을 산출하고, 사용자 정보에 포함된 희망 의료 비용 정보와 복수의 추천 후보 병원 정보 각각에 포함된 예상 의료비를 이용하여 제2 기준값을 산출하고, 사용자 정보에 포함된 희망 평가 등급과 복수의 추천 후보 병원 정보 각각에 포함된 병원 평가 등급을 이용하여 제3 기준값을 산출한 후, 복수의 추천 후보 병원 정보 중에서 제1 기준값, 제2 기준값 및 제3 기준값을 연산한 결과값이 높은 순서에 따라서 하나 이상의 추천 병원 정보를 추출하는 것일 수 있다.
예컨대, 제1 기준값은 0 내지 40의 범위이며, 사용자의 위치 정보 및 병원의 주소를 이용하여 사용자와 병원 사이의 거리가 2km 이하인 경우 40점, 10 km 이하인 경우 30점, 30km 이하인 경우 20점, 그 이외의 경우 10점으로 할 수 있다. 또는 사용자의 위치 정보와 병원의 주소를 이용하여, 병원까지 가는 데 걸리는 시간이 20분 이내인 경우 40점, 50분 이내인 경우 30점, 1시간 30분 이하인 경우 20점, 그 이외의 경우 10점으로 할 수도 있다.
예컨대 제2 기준값은 0 내지 40의 범위이며, 예상 의료비가 희망 의료 비용보다 낮으면 40점, 예상 의료비가 희망 의료비의 100% 내지 120%인 경우 30점, 120% 내지 140%인 경우 20점, 140%보다 높으면 10점으로 할 수 있다.
예컨대 제3 기준값은 0 내지 20의 범위이며, 병원 평가 등급이 희망 평가 등급보다 높거나 같으면 20점, 낮으면 10점으로 할 수 있다.
제1 기준값, 제2 기준값 및 제3 기준값을 연산한 결과값은 예컨대 제1 기준값, 제2 기준값 및 제3 기준값을 합산하거나, 미리 지정된 가중치를 이용하여 연산한 결과값일 수도 있다.
하나 이상의 추천 병원 정보 각각은 제1 기준값, 제2 기준값 및 제3 기준값을 연산한 결과값을 이용하여 산출된 우선 순위값을 더 포함할 수 있다.
즉 하나 이상의 추천 병원 정보 중에서 제1 기준값, 제2 기준값 및 제3 기준값을 연산한 결과값이 가장 높은 것을 우선 순위 "1"로 하고, 그 다음의 것을 "2"로 하는 방식으로 우선 순위가 결정될 수 있다. 사용자 단말기(300)는 하나 이상의 추천 병원 정보를 표시할 때, 하나 이상의 추천 병원 정보 각각에 포함된 우선 순위를 이용하여 표시할 수 있다.
전술한 바와 같이, 정보 제공 요청에 포함되는 사용자 정보는 필수 만족 조건을 더 포함할 수 있다. 그 경우, 처리 (c-1)는, (c-2) 복수의 추천 후보 병원 정보 중에서 필수 만족 조건을 충족하지 않는 병원 정보를 제외한 것과 사용자 정보에 포함된 정보를 미리 지정된 추천 기준을 이용하여 비교하여 하나 이상의 추천 병원 정보를 추출하는 처리를 포함할 수 있다. 예컨대 도 6을 참조하면, 병원 정보 테이블에 포함된 복수의 병원 정보 중에서, 질병 코드 D2에 대응하는 병원 정보, 즉 복수의 추천 후보 병원 정보는 병원 코드 H1, H3, H4, H5, H6, H7, H17, H50, … 으로서 추출된다. 추천 후보 병원 정보는 병원 코드 H1, H3, H4, H5, H6, H7, H17, H50, … 중에서 필수 만족 조건을 충족하지 못하는 것은 하나 이상의 추천 병원 정보로 추출될 수 없다.
전술한 바와 같이, 제7 정보 테이블(570)은 복수의 질병, 보다 구체적으로는 복수의 질병 코드 각각에 대해서 상세 설명 정보를 포함한다. 개인화된 질병 예측 정보는, 사용자 질병 정보에 대한 상세 설명 정보를 더 포함할 수 있다. 즉 개인화된 질병 예측 정보는 하나 이상의 추천 병원 정보 및 사용자 질병 정보에 대한 상세 설명 정보를 포함할 수 있다. 그 경우, 처리 (c)는, (c-3) 사용자 질병 정보를 기초로 제7 정보 테이블(570)을 검색하여 상기 사용자 질병 정보에 대응하는 상세 설명 정보를 추출하는 처리를 더 포함할 수 있다.
질병 예측 정보 제공 장치(100)에 의해서 유지되는 제7 정보 테이블(570)의 상세 설명 정보를 사용자 단말기(300)가 수신하고, 사용자 단말기(300)가 사용자에게 제공하는 것에 의해서, 사용자, 즉 증상 보유자는 질병에 대한 정확하고 공신력 있는 정보를 용이하게 제공받을 수 있다. 따라서, 종래 증상 보유자가 포탈 사이트를 이용하여 검색하는 것에 의해서 부정확한 정보를 제공받을 수 있던 단점을 개선할 수 있다.
한편 개인화된 질병 예측 정보는, 사용자 질병 정보에 대한 상세 설명 정보를 포함할 수 있다. 즉 개인화된 질병 예측 정보는 하나 이상의 추천 병원 정보가 아니라, 사용자 질병 정보에 대한 상세 설명 정보만을 포함할 수도 있다. 그 경우, 처리 (c)는, (c-4) 사용자 질병 정보를 기초로 제7 정보 테이블(570)을 검색하여 상기 사용자 질병 정보에 대응하는 상세 설명 정보를 추출하는 처리를 포함할 수 있다.
이상에서 설명한 바와 같이, 본원에서 개시되는 기술의 실시 예에 따르면, 딥 러닝 알고리즘 및 의료 빅 데이터를 이용하여 증상과 질병과의 대응 관계, 질병과 문진 정보와의 대응 관계 및 질병과 인구학적 정보와의 대응 관계를 포함하는 제1 정보 그룹(400)과 적어도 질병과 병원 정보와의 대응 관계를 포함하는 제2 정보 그룹(500)을 생성하고, 사용자 단말기가 제1 정보 그룹(400)을 이용하여 추출한 사용자 질병 정보를 사용자 단말기로부터 수신한 후, 제2 정보 그룹(500)을 이용하여 사용자 질병 정보에 대해서 개인화된 질병 예측 정보를 생성하고, 개인화된 질병 예측 정보를 사용자 단말기로 제공할 수 있는 질병 예측 정보 제공 장치를 제공할 수 있다. 본원에서 개시된 기술의 실시 예에 따르면, 제1 정보 그룹(400)을 사용자 단말기로 제공하는 것에 의해서, 증상 보유자가 사용자 단말기를 이용하여 보다 정확하고 용이하게 자신의 질병을 확인할 수 있다. 또한 개인화된 질병 예측 정보를 사용자 단말기로 제공하는 것에 의해서, 증상 보유자가 사용자 단말기를 이용하여 자신의 질병에 대한 정확하고 공신력 있는 정보를 제공받을 수 있다.
이상과 같은 본 발명은 비록 한정된 실시 예와 도면에 의해 설명되었으나, 본 발명은 상기의 실시 예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 그러므로 본 발명의 범위는 설명된 실시 예에 국한되어 정해져서는 안되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.
본원에서 개시되는 기술에 따르면, 딥 러닝 알고리즘 및 의료 빅 데이터를 이용하여 증상과 질병과의 대응 관계, 질병과 문진 정보와의 대응 관계 및 질병과 인구학적 정보와의 대응 관계를 포함하는 제1 정보 그룹(400)과 적어도 질병과 병원 정보와의 대응 관계를 포함하는 제2 정보 그룹(500)을 생성하고, 사용자 단말기가 제1 정보 그룹(400)을 이용하여 추출한 사용자 질병 정보를 사용자 단말기로부터 수신한 후, 제2 정보 그룹(500)을 이용하여 사용자 질병 정보에 대해서 개인화된 질병 예측 정보를 생성하고, 개인화된 질병 예측 정보를 사용자 단말기로 제공할 수 있는 질병 예측 정보 제공 장치를 제공할 수 있다. 본원에서 개시된 기술에 따르면, 제1 정보 그룹(400)을 사용자 단말기로 제공하는 것에 의해서, 증상 보유자가 사용자 단말기를 이용하여 보다 정확하고 용이하게 자신의 질병을 확인할 수 있다. 또한 개인화된 질병 예측 정보를 사용자 단말기로 제공하는 것에 의해서, 증상 보유자가 사용자 단말기를 이용하여 자신의 질병에 대한 정확하고 공신력 있는 정보를 제공받을 수 있다.
100: 질병 예측 정보 제공 장치 110: 통신부
130: 정보 유지부 150: 연산 처리부
200: 의료 빅 데이터 제공 기관의 서버
300: 사용자 단말기

Claims (12)

  1. 빅데이터 분석 및 인공지능 문진을 통한 질병 예측 정보 제공 장치에 있어서,
    의료 빅 데이터 제공 기관의 서버 및 사용자 단말기와 통신을 수행하는 통신부;
    상기 통신부를 통해 상기 의료 빅 데이터 제공 기관의 서버로부터 수신된 의료 빅 데이터를 딥 러닝 알고리즘으로 분석하여, 음성입력과 복수의 증상과의 대응 관계를 나타내는 제1 정보 테이블, 상기 복수의 증상과 복수의 질병과의 대응 관계를 나타내는 제2 정보 테이블, 상기 복수의 질병과 복수의 문진 정보와의 대응 관계를 나타내는 제3 정보 테이블 및 상기 복수의 질병과 복수의 인구학적 정보와의 대응 관계를 나타내는 제4 정보 테이블을 포함하는 제1 정보 그룹과, 상기 복수의 질병과 복수의 병원 정보와의 대응 관계를 나타내는 제5 정보 테이블을 포함하는 제2 정보 그룹을 생성하여 유지하는 정보 유지부; 및
    상기 통신부 및 상기 정보 유지부와 연결되며, (a) 상기 정보 유지부로부터 상기 제1 정보 그룹을 판독하고 상기 통신부를 통하여 상기 사용자 단말기로 전송하는 처리, (b) 상기 사용자 단말기로부터 상기 제1 정보 그룹을 기초로 생성된 사용자 질병 정보와 사용자 정보를 포함하는 정보 제공 요청을 상기 통신부를 통해 수신하는 처리, (c) 상기 제2 정보 그룹을 이용하여 상기 사용자 질병 정보 및 상기 사용자 정보에 적합한 개인화된 질병 예측 정보를 생성하는 처리, (d) 상기 개인화된 질병 예측 정보를 상기 통신부를 통해 상기 사용자 단말기로 전송하는 처리를 수행하는 연산 처리부;를 포함하는 질병 예측 정보 제공 장치.
  2. 제1항에 있어서,
    상기 제4 정보 테이블은, 상기 복수의 질병 및 상기 복수의 질병 각각에 대한 성별 및 연령에 대한 환자수를 포함하는 것인 질병 예측 정보 제공 장치.
  3. 제1항에 있어서,
    상기 복수의 병원 정보 각각은, 병원의 명칭, 연락처 및 주소를 포함하는 병원 식별 정보; 상기 병원의 규모, 의사 인원수 및 의료 기기 보유 현황 중 적어도 하나를 포함하는 병원 상황 정보; 휴일 근무 여부를 포함하는 진료 시간 정보; 및 상기 의료 빅 데이터를 딥 러닝 알고리즘을 이용하여 분석하여 생성된 것인, 상기 질병에 대한 치료 건수, 상기 치료 건수에 대응하는 환자의 성별 및 나이, 상기 질병을 치료하기까지 방문한 평균 방문 회수, 상기 질병에 대한 예상 의료비, 상기 질병에 대한 예상 치료 기간 및 상기 질병에 대한 병원 평가 등급을 포함하는 빅 데이터 정보를 포함하는 것인 질병 예측 정보 제공 장치.
  4. 제3항에 있어서,
    상기 개인화된 질병 예측 정보는, 하나 이상의 추천 병원 정보를 포함하는 것인 질병 예측 정보 제공 장치.
  5. 제4항에 있어서,
    상기 하나 이상의 추천 병원 정보 각각은, 상기 병원 식별 정보를 포함하고, 상기 병원 상황 정보, 상기 진료 시간 정보, 상기 예상 의료비, 상기 예상 치료 기간 및 상기 병원 평가 등급 중 적어도 하나를 더 포함하는 것인 질병 예측 정보 제공 장치.
  6. 제4항에 있어서,
    상기 사용자 정보는 사용자의 성별 및 나이 중 적어도 어느 하나를 포함하는 사용자 인구학적 정보; 상기 사용자의 집 주소, 회사 주소 및 현재 위치 중 어느 하나를 포함하는 위치 정보; 희망 진료 시간 정보; 희망 의료 비용 정보; 및 희망 평가 등급 정보 중 적어도 어느 하나를 포함하는 것이고,
    상기 처리 (c)는, (c-1) 상기 사용자 질병 정보를 기초로 상기 제5 정보 테이블을 검색하여 상기 복수의 병원 정보 중에서 복수의 추천 후보 병원 정보를 추출하고, 상기 사용자 정보와 상기 복수의 추천 후보 병원 정보를 미리 지정된 추천 기준을 이용하여 비교하여 상기 하나 이상의 추천 병원 정보를 추출하는 처리를 포함하는 것인 질병 예측 정보 제공 장치.
  7. 제6항에 있어서,
    상기 추천 기준은, 상기 위치 정보와 상기 복수의 추천 후보 병원 정보 각각에 포함된 상기 병원의 주소를 이용하는 접근성 기준; 상기 희망 의료 비용 정보와 상기 복수의 추천 후보 병원 정보 각각에 포함된 상기 예상 의료비를 이용하는 비용 기준; 및 상기 희망 평가 등급 정보와 상기 복수의 추천 후보 병원 정보 각각에 포함된 상기 병원 평가 등급을 이용하는 평가 등급 기준 중 적어도 하나를 포함하는 것인 질병 예측 정보 제공 장치.
  8. 제6항에 있어서,
    상기 사용자 정보는 사용자의 성별 및 나이 중 적어도 어느 하나를 포함하는 사용자 인구학적 정보; 상기 사용자의 집 주소, 회사 주소 및 현재 위치 중 어느 하나를 포함하는 위치 정보; 희망 진료 시간 정보; 희망 의료 비용 정보; 및 희망 평가 등급 정보를 포함하는 것이고,
    상기 추천 기준은, 상기 복수의 추천 후보 병원 정보 각각에 대해서, 상기 위치 정보와 상기 복수의 추천 후보 병원 정보 각각에 포함된 상기 병원의 주소를 이용하여 제1 기준값을 산출하고, 상기 희망 의료 비용 정보와 상기 복수의 추천 후보 병원 정보 각각에 포함된 상기 예상 의료비를 이용하여 제2 기준값을 산출하고, 상기 희망 평가 등급 정보와 상기 복수의 추천 후보 병원 정보 각각에 포함된 상기 병원 평가 등급을 이용하여 제3 기준값을 산출한 후, 상기 복수의 추천 후보 병원 정보 중에서 상기 제1 기준값, 상기 제2 기준값 및 상기 제3 기준값을 연산한 결과값이 높은 순서에 따라서 상기 하나 이상의 추천 병원 정보를 추출하는 것인 질병 예측 정보 제공 장치.
  9. 제8항에 있어서,
    상기 하나 이상의 추천 병원 정보 각각은 상기 결과값을 이용하여 산출된 우선 순위값을 더 포함하는 것인 질병 예측 정보 제공 장치.
  10. 제6항에 있어서,
    상기 사용자 정보는 필수 만족 조건을 더 포함하고,
    상기 처리 (c-1)는, (c-2) 상기 복수의 추천 후보 병원 정보 중에서 상기 필수 만족 조건을 충족하지 않는 병원 정보를 제외한 것과 상기 사용자 정보에 포함된 정보를 미리 지정된 추천 기준을 이용하여 비교하여 상기 하나 이상의 추천 병원 정보를 추출하는 처리를 포함하는 것인 질병 예측 정보 제공 장치.
  11. 제10항에 있어서,
    상기 필수 만족 조건은, 상기 희망 진료 시간 정보, 상기 희망 의료 비용 정보 및 희망 평가 등급 정보 중 적어도 어느 하나인 것인 질병 예측 정보 제공 장치.
  12. 제4항에 있어서,
    상기 제2 정보 그룹은, 상기 복수의 질병 및 상기 복수의 질병 각각에 대한 상세 설명을 포함하는 제7 정보 테이블을 더 포함하는 것이고,
    상기 개인화된 질병 예측 정보는, 상기 사용자 질병 정보에 대한 상세 설명 정보를 더 포함하는 것이고,
    상기 처리 (c)는, (c-3) 상기 사용자 질병 정보를 기초로 상기 제7 정보 테이블을 검색하여 상기 사용자 질병 정보에 대응하는 상세 설명 정보를 추출하는 처리를 더 포함하는 것인 질병 예측 정보 제공 장치.
KR1020190025254A 2019-03-05 2019-03-05 빅데이터 분석 및 인공지능 문진을 통한 질병 예측 정보 제공 장치 KR102202865B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190025254A KR102202865B1 (ko) 2019-03-05 2019-03-05 빅데이터 분석 및 인공지능 문진을 통한 질병 예측 정보 제공 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190025254A KR102202865B1 (ko) 2019-03-05 2019-03-05 빅데이터 분석 및 인공지능 문진을 통한 질병 예측 정보 제공 장치

Publications (2)

Publication Number Publication Date
KR20200106696A KR20200106696A (ko) 2020-09-15
KR102202865B1 true KR102202865B1 (ko) 2021-01-15

Family

ID=72450530

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190025254A KR102202865B1 (ko) 2019-03-05 2019-03-05 빅데이터 분석 및 인공지능 문진을 통한 질병 예측 정보 제공 장치

Country Status (1)

Country Link
KR (1) KR102202865B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102429626B1 (ko) 2022-02-21 2022-08-05 가천대학교 산학협력단 대장암 환자의 최적 항암화학요법 및 최적 항암화학요법을 결정하는 변수에 대한 변수기여도를 도출하는 인공지능 시스템

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102503931B1 (ko) * 2020-12-07 2023-02-24 가톨릭대학교 산학협력단 빅데이터 분석을 통한 진료비 예측 장치 및 방법
KR102450646B1 (ko) 2021-01-11 2022-10-06 주식회사 코스모스메딕 빅데이터 기반 딥러닝 모델을 이용한 응급실 환자 진단 시스템 및 방법
KR102546365B1 (ko) * 2021-01-20 2023-06-20 이창엽 진료정보 관리 시스템
KR102536982B1 (ko) * 2021-04-23 2023-05-26 순천향대학교 산학협력단 문진표를 이용한 인공지능 기반의 질병 예측 방법 및 장치
KR102627137B1 (ko) * 2021-06-07 2024-01-23 (주)비바이노베이션 의료 기록에 기초한 진료비 예측 시스템 및 방법
WO2023095931A1 (ko) * 2021-11-23 2023-06-01 주식회사 에이더블유시스템즈 진료 정보 처리 방법 및 디바이스
KR102637787B1 (ko) * 2021-12-14 2024-02-16 인천대학교 산학협력단 빅데이터 분석을 이용한 전염병 예측을 위한 분석 시스템 및 방법
KR102631687B1 (ko) * 2023-08-23 2024-01-31 주식회사 대박드림스 뉴럴 네트워크를 이용하여 사용자 단말에게 통증 관리 정보를 제공하는 방법 및 장치

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101510600B1 (ko) 2014-11-11 2015-04-08 국민건강보험공단 빅데이터 개인 건강 기록 시스템
KR101778495B1 (ko) 2017-06-28 2017-09-26 김명철 맞춤형 문진표를 이용한 건강검진 서비스 시스템
JP6379199B2 (ja) 2014-07-08 2018-08-22 株式会社Ｆｒｏｎｔｅｏ データ分析装置、データ分析装置の制御方法、およびデータ分析装置の制御プログラム

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101114678B1 (ko) * 2009-01-14 2012-03-05 박은호 진단 정보 제공 방법 및 장치
KR20140050352A (ko) * 2012-10-19 2014-04-29 주식회사 솔트 병원 추천 방법 및 시스템
KR101616473B1 (ko) 2015-07-16 2016-04-28 이병훈 스마트폰 원격진료기
KR101902910B1 (ko) 2017-09-27 2018-10-01 신철호 실시간 변동형 치료비 정보 제공 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6379199B2 (ja) 2014-07-08 2018-08-22 株式会社Ｆｒｏｎｔｅｏ データ分析装置、データ分析装置の制御方法、およびデータ分析装置の制御プログラム
KR101510600B1 (ko) 2014-11-11 2015-04-08 국민건강보험공단 빅데이터 개인 건강 기록 시스템
KR101778495B1 (ko) 2017-06-28 2017-09-26 김명철 맞춤형 문진표를 이용한 건강검진 서비스 시스템

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102429626B1 (ko) 2022-02-21 2022-08-05 가천대학교 산학협력단 대장암 환자의 최적 항암화학요법 및 최적 항암화학요법을 결정하는 변수에 대한 변수기여도를 도출하는 인공지능 시스템

Also Published As

Publication number Publication date
KR20200106696A (ko) 2020-09-15

Similar Documents

Publication Publication Date Title
KR102202865B1 (ko) 빅데이터 분석 및 인공지능 문진을 통한 질병 예측 정보 제공 장치
KR102162522B1 (ko) 맞춤형 의료 정보 제공 장치 및 방법
US11200987B2 (en) Virtual telemedicine mechanism
KR102116664B1 (ko) 온라인 기반의 건강 관리 방법 및 장치
US7647285B2 (en) Tools for health and wellness
US20190279767A1 (en) Systems and methods for creating an expert-trained data model
US20190043606A1 (en) Patient-provider healthcare recommender system
Roblin et al. A novel method for estimating transgender status using electronic medical records
Bradford et al. The case for home based telehealth in pediatric palliative care: a systematic review
US20140365242A1 (en) Integration of Multiple Input Data Streams to Create Structured Data
KR102202864B1 (ko) 빅데이터 분석 및 인공지능 문진을 통한 질병 예측 정보를 제공하는 사용자 단말기
KR102028692B1 (ko) 병원 운영 솔루션 제공 방법, 서버 및 프로그램
Makam et al. Factors associated with variation in long-term acute care hospital vs skilled nursing facility use among hospitalized older adults
US20160188830A1 (en) System and method for real-time online and on-demand medical diagnosis and treatment of a patient
US11328815B2 (en) Physical measurement of empirical indicators of patient-related outcome value using time and motion sensor results
Baroi et al. Advances in remote respiratory assessments for people with chronic obstructive pulmonary disease: a systematic review
AU2021257997A1 (en) Methods and Systems for Predicting a Diagnosis of Musculoskeletal Pathologies
WO2021140731A1 (ja) 情報伝達装置および情報伝達方法
US11557399B2 (en) Integrative machine learning framework for combining sentiment-based and symptom-based predictive inferences
Akhavan-Tabatabaei et al. A Markov decision process model for cervical cancer screening policies in Colombia
JP7382741B2 (ja) 医療機関選定支援装置
KR102345215B1 (ko) 진단을 통한 건강 관리 정보 제공 장치, 시스템 및 방법
US20240242802A1 (en) Systems and methods for generating personalized care paths for patients
Allred et al. Attributions and race are critical: Perceived criticism in a sample of African American and White community participants
KR102531211B1 (ko) 온라인 네트워크 기반 비대면 브이첵 자가검사에 따른 원격 의료진단 플랫폼 시스템

Legal Events

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