KR102237449B1 - 환자 진단 학습 방법, 서버 및 프로그램 - Google Patents

환자 진단 학습 방법, 서버 및 프로그램 Download PDF

Info

Publication number
KR102237449B1
KR102237449B1 KR1020190058345A KR20190058345A KR102237449B1 KR 102237449 B1 KR102237449 B1 KR 102237449B1 KR 1020190058345 A KR1020190058345 A KR 1020190058345A KR 20190058345 A KR20190058345 A KR 20190058345A KR 102237449 B1 KR102237449 B1 KR 102237449B1
Authority
KR
South Korea
Prior art keywords
patient
diagnosis
information
virtual
client
Prior art date
Application number
KR1020190058345A
Other languages
English (en)
Other versions
KR20190132290A (ko
Inventor
김대진
Original Assignee
주식회사 송아리아이티
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 송아리아이티 filed Critical 주식회사 송아리아이티
Publication of KR20190132290A publication Critical patent/KR20190132290A/ko
Application granted granted Critical
Publication of KR102237449B1 publication Critical patent/KR102237449B1/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
    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Biomedical Technology (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

본 발명은 환자 진단 학습 방법에 관한 것으로, 질환정보 데이터베이스를 구축하고, 이를 기반으로 가상의 환자를 생성함으로써, 현실에 존재할 가능성이 높은 가상의 환자를 생성하고, 전문가 클라이언트로부터 가상환자에 대한 교정 데이터를 수신하여 딥러닝하고, 의료진의 실제 진료 과정에서 가상 진단정보에 대한 피드백을 수신하여 딥러닝함으로써, 환자 진단의 정확도를 향상시키는 효과를 발휘한다.

Description

환자 진단 학습 방법, 서버 및 프로그램 {Method, server and program of learning a patient diagnosis}
본 발명은 컴퓨터에게 환자 진단을 학습시키는 방법에 관한 것이다.
일반적으로, 환자들은 병원에 직접 방문하여 의사에게 본인의 증상에 대해서 설명하고, 그에 따른 진단, 처방을 제공받았다.
하지만, 인터넷이 보급되고 넷상으로 많은 정보들이 공유되면서 인터넷에 본인의 증상에 대해서 검색을 하여 증상에 대한 정보를 얻을 수 있게 되었는데, 이러한 넷상으로 공유되는 정보들은 전문적인 의료진이 제공하는 정보가 아닌 경우가 대부분이기 때문에 오히려 환자들에게 잘못된 정보를 제공하는 경우가 많다는 문제점이 있다.
그리고, 컴퓨터가 증상에 따라서 가상으로 진단을 내리려면, 신뢰도가 높은 진단을 내릴 수 있도록 해야 하지만, 이러한 진단을 내릴 수 있도록 컴퓨터를 학습시키는 것에 대한 방법이 제시되어 있지 않다.
또한, 특정 증상에 따라서 컴퓨터가 가상으로 진단을 내릴 경우, 해당 진단에 대한 신뢰도를 확보하는 방법 역시 제시되어 있지 않은 상태이다.
본 발명의 배경이 되는 기술은 대한민국 공개특허공보 제10-2014-0148244호 등에 개시되어 있으나, 상술한 문제점에 대한 근본적인 해결책은 제시되고 있지 못하는 실정이다.
상술한 바와 같은 문제점을 해결하기 위한 본 발명은 질환정보 데이터베이스를 구축하고, 이를 기반으로 가상의 환자를 생성한 뒤 진단 모듈이 가상환자를 가상으로 진단하고 전문가 클라이언트로부터 가상 진단 결과를 교정받아 진단 모듈을 딥러닝하는 환자 진단 학습 방법을 제공할 수 있다.
또한, 본 발명은 의료진이 실제로 환자를 진료할 때 획득된 환자정보를 통해 진단 모듈이 환자를 가상으로 진단하고, 의료진으로부터 수신된 피드백을 통해 진단 모듈을 딥러닝하는 환자 진단 학습 방법을 제공할 수 있다.
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 환자 진단 학습 방법은, 서버에 의해 수행되는 방법으로, 다수의 질환 각각에 나이, 성별, 증상, 과거력, 이학 검사 결과 및 활력징후 중 적어도 하나의 요소에 대하여 해당 질환과의 관련도를 의미하는 가중치가 부여된 질환정보 데이터베이스를 구축하는 단계; 특정 주요호소증상(Chief Complaint)을 포함하는 둘 이상의 질환을 추출하고, 상기 추출된 질환들에 포함된 상기 요소 중 특정 가중치 이상을 가지는 요소들을 추출한 뒤, 추출된 요소를 랜덤으로 선택하여 가상환자를 생성하는 단계; 진단 모듈에 상기 가상환자를 입력하여 진단하여 생성된 진단 결과를 전문가 클라이언트에 제공하고, 상기 진단 결과에 대한 교정 데이터를 수신하는 단계; 상기 교정받은 내용을 상기 질환정보 데이터베이스에 저장하여 업데이트하고, 상기 진단 모듈을 딥러닝하는 단계; 의료진 클라이언트 또는 환자 클라이언트로부터 환자정보를 입력받는 단계; 상기 진단 모듈에 상기 환자 정보를 입력하여 하나 이상의 가상 진단정보를 생성하는 단계; 상기 의료진 클라이언트로부터 상기 가상 진단정보에 대한 피드백을 수신하는 단계; 및 상기 진단 모듈에 상기 환자정보와 상기 가상 진단정보에 대한 피드백을 저장하여 딥러닝하는 단계;를 포함하며, 상기 환자정보는, 환자의 진단을 위해 수집된 정보로, 환자의 기본정보, 주요호소증상, 증상, 과거력, 가족력, 수술력, 약물 복용력, 이학검사의 수치 중 적어도 하나를 포함한다.
또한, 상기 가상환자 생성 단계는, 상기 추출된 질환을 전체 선택하여 나온 나이 정보의 평균 및 표준편차를 이용하여 정규분포에서 랜덤 선택하는 나이 선택 단계; 상기 추출된 질환을 전체 선택하여 나온 성별 정보의 분포도와 비례하여 랜덤 선택하는 성별 선택 단계; 및 상기 추출된 질환을 전체 선택하여 나온 활력징후의 평균 및 표준편차를 이용하여 정규분포에서 랜덤 선택하는 활력징후 선택 단계;를 포함할 수 있다.
또한, 상기 가상환자 생성 단계는, 상기 추출된 요소와 주요호소증상과의 관련도에 비례한 확률 분포를 통해서 계통별 문진, 과거력, 신체 검진을 랜덤하게 선택하는 단계;를 더 포함할 수 있다.
또한, 상기 의료진 클라이언트로부터 수신된 피드백을 상기 질환정보 데이터베이스에 저장하여 업데이트하는 단계;를 더 포함하며, 상기 피드백은, 상기 의료진 클라이언트로부터 상기 가상 진단정보 중에서 선택받은 것이거나 신규 진단정보를 입력받은 것이다.
또한, 상기 교정 데이터 수신 단계는, 상기 전문가 클라이언트로부터 특정 가상환자가 삭제된 경우, 해당 가상환자를 가상환자 기록 데이터베이스에서 삭제하는 단계;를 더 포함할 수 있다.
또한, 상기 가상 진단정보는, 해당 환자의 진단에 필요한 임상검사 목록, 가상 진단의 일치 가능성 및 진단에 대한 의학 정보 중 적어도 하나를 포함하는 것이다.
또한, 환자 클라이언트로부터 수신된 증상정보를 상기 진단 모듈에 입력하여 하나 이상의 가상 진단정보를 생성하는 단계; 상기 생성된 가상 진단정보를 분석하여 해당 환자가 방문해야 할 진료과목을 선택하고, 상기 가상 진단정보와 진료과목에 대한 정보를 상기 환자 클라이언트로 제공하는 단계;를 더 포함할 수 있다.
상술한 과제를 해결하기 위한 본 발명의 일 실시예에 따른 환자 진단 학습 서버는, 다수의 질환 각각에 나이, 성별, 증상, 과거력, 이학 검사 결과 및 활력징후 중 적어도 하나의 요소에 대하여 해당 질환과의 관련도를 의미하는 가중치가 부여되어 구축된 질환정보 데이터베이스; 특정 주요호소증상을 포함하는 둘 이상의 질환을 추출하고, 상기 추출된 질환들에 포함된 상기 요소 중 특정 가중치 이상을 가지는 요소들을 추출한 뒤, 추출된 요소를 랜덤으로 선택하여 가상환자를 생성하는 생성부; 상기 가상환자를 입력하여 진단하는 진단 모듈;을 포함하며, 상기 서버는, 상기 진단 모듈에 상기 가상환자를 입력하고, 진단하여 생성된 진단 결과를 전문가 클라이언트에 제공하고, 상기 진단 결과에 대한 교정 데이터를 수신하며, 상기 교정받은 내용을 상기 질환정보 데이터베이스에 저장하여 업데이트하고, 상기 진단 모듈을 딥러닝하며, 의료진 클라이언트 또는 환자 클라이언트로부터 수신된 환자정보를 상기 진단 모듈에 입력하여 하나 이상의 가상 진단정보를 생성하고, 상기 가상 진단정보를 상기 의료진 클라이언트에 제공하고, 상기 의료진 클라이언트로부터 상기 가상 진단정보에 대한 피드백을 수신하면, 상기 진단 모듈에 상기 환자정보와 상기 가상 진단정보에 대한 피드백을 저장하여 상기 진단 모듈을 딥러닝시키며, 상기 환자정보는 환자의 진단을 위해 수집된 정보로, 환자의 기본정보, 주요호소증상, 증상, 과거력, 가족력, 수술력, 약물 복용력, 이학검사의 수치 중 적어도 하나를 포함한다.
이 외에도, 본 발명을 구현하기 위한 다른 방법, 다른 시스템 및 상기 방법을 실행하기 위한 컴퓨터 프로그램을 기록하는 컴퓨터 판독 가능한 기록 매체가 더 제공될 수 있다.
상기와 같은 본 발명에 따르면, 질환정보 데이터베이스를 구축하고, 이를 기반으로 가상의 환자를 생성함으로써, 현실에 존재할 가능성이 높은 가상의 환자를 생성하는 효과를 발휘한다.
또한, 본 발명에 따르면, 진단 모듈이 가상환자를 진단하고 전문가 클라이언트로부터 가상 진단 결과를 교정받음으로써, 질환정보 데이터베이스와 가상환자 기록 데이터베이스를 업데이트하고, 진단 모듈을 딥러닝하여 진단 모듈의 진단 능력을 향상시키는 효과를 발휘한다.
또한, 본 발명은 의료진이 실제로 환자를 진료할 때 획득된 환자정보를 통해 진단 모듈이 환자를 가상으로 진단하고, 의료진으로부터 가상 진단에 대한 피드백을 수신하여 진단 모듈을 딥러닝함으로써, 실제 사례에 기반하여 진단 모듈의 진단 능력을 향상시키는 효과를 발휘한다.
본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1 및 도 2는 본 발명의 실시예에 따른 환자 진단 학습 방법의 개략도이다.
도 3은 본 발명의 실시예에 따른 환자 진단 학습 방법의 흐름도이다.
도 4는 본 발명의 실시예에 따른 질환정보 데이터베이스를 구축하는 것을 예시한 도면이다.
도 5는 본 발명의 실시예에 따른 가상환자를 생성하는 것을 예시한 도면이다.
도 6은 진단 모듈이 가상환자를 가상 진단한 결과를 예시한 도면이다.
도 7은 의료진 클라이언트로부터 수신된 환자 정보를 기반으로 진단 모듈이 가상 진단정보를 생성한 것을 예시한 도면이다.
도 8은 의료진 클라이언트로부터 가상 진단정보에 대한 피드백을 수신하는 것을 예시한 도면이다.
도 9는 본 발명의 실시예에 따른 환자 진단 학습 서버의 블록도이다.
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.
이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.
설명에 앞서 본 명세서에서 사용하는 용어의 의미를 간략히 설명한다. 그렇지만 용어의 설명은 본 명세서의 이해를 돕기 위한 것이므로, 명시적으로 본 발명을 한정하는 사항으로 기재하지 않은 경우에 본 발명의 기술적 사상을 한정하는 의미로 사용하는 것이 아님을 주의해야 한다.
전문가: 환자에게 진단을 내릴 수 있는 권한 또는 자격을 가지고 있는 의사와 같은 전문의를 의미한다.
의료진: 환자와 진료를 진행하는 의사, 해당 의사와 협력관계에 있는 간호사와 같은 보조 인력을 의미한다.
이학검사 데이터: 혈압, 혈당, 맥박, 심전도, 심박수, 체온, 체지방, 호흡수, 혈중 산소 농도 및 시진, 촉진, 타진, 청진 등을 통해 측정한 데이터를 의미한다.
임상검사 데이터: 혈액 검사, 소변 검사, 분변 검사, 객담 검사, 심전도 검사, 뇌파 검사, 초음파 검사, 알러지 검사, 엑스레이, 내시경, MRI, 비타민 수치, 염증 수치 등 환자에 대해 임상 검사한 결과 데이터를 의미한다.
활력징후: 대상자의 체온, 호흡, 맥박, 혈압 등과 같은 생체정보의 측정값을 의미한다.
본 발명의 실시예에서 클라이언트는 컴퓨터, 단말과 같은 장치를 의미한다. 예를 들어, 전문가 클라이언트(300)는 전문가가 사용하는 클라이언트 장치이며, 의료진 클라이언트(500)는 병원에서 의료진이 사용하는 컴퓨터, 단말과 같은 클라이언트 장치를 의미한다.
또한, 환자 클라이언트(700)는 환자가 사용하는 스마트폰, 태블릿과 같은 기기를 의미하며, 본 발명의 실시예에서 환자 클라이언트(700)로부터 정보를 입력받고 정보를 제공하는 것은 환자 클라이언트(700)에 설치된 서비스 애플리케이션을 통해 수행되는 것을 의미한다.
도 1 및 2는 본 발명의 실시예에 따른 환자 진단 학습 방법의 개략도이다.
도 1 및 2를 참조하여 본 발명의 실시예에 따른 환자 진단 학습 방법에 대해서 간략하게 설명하도록 한다.
서버(100)는 질환정보 데이터베이스(120)에 저장된 정보들과 가상환자 생성 알고리즘을 이용하여 가상환자를 생성하고, 진단 모듈(150)을 통해 가상환자를 진단하여 진단 결과를 전문가 클라이언트(300)로 제공한다.
그리고, 전문가 클라이언트(300)는 수신된 가상 환자를 직접 진단하여 진단 결과와 매칭하여 진단 결과를 교정하게 되고, 서버(100)는 전문가 클라이언트(300)로부터 교정 데이터를 수신한다.
서버(100)는 전문가 클라이언트(300)로부터 교정받은 내용을 통해 진단 모듈(150)을 1차 학습시키게 된다.
그리고, 의료진 클라이언트(500)로부터 수신된 환자정보를 진단 모듈(150)에 입력하여 가상 진단정보를 생성하고, 의료진 클라이언트(500)로 제공한다.
예를 들어, 도 8과 같이 의료진 클라이언트(500)가 710 영역과 같이 환자정보를 입력하여 서버로 전송되면, 서버는 의룔진 클라이언트로부터 수신된 환자정보를 진단 모듈(150)에 입력하여 730 영역과 같이 가상 진단정보를 생성하고, 의료진 클라이언트(500)로 제공하게 된다.
의료진은 서버(100)로부터 수신된 가상 진단정보와 실제 진단 결과를 매칭하여 일치여부를 확인하고, 이에 대한 피드백을 생성하여 서버(100)로 제공하게 된다.
서버(100)는 진단모듈에 피드백을 저장하여 진단 모듈(150)을 2차 학습시키게 된다.
상술한 구성과 과정들을 통해서 서버(100)는 수 많은 1차 학습, 2차 학습 과정을 거치면서 진단 모듈(150)을 딥러닝시키게 되고, 딥러닝이 진행됨에 따라서 종국적으로는 인공지능 의사가 구축되어, 인공지능 의사가 환자를 진단하는 것이 가능하게 된다.
또한, 임의로 진단을 하여 학습시키는 것이 아니라, 전문가의 가상환자에 대한 진단과 교정을 통해서 학습시키고, 실제 의료진이 환자를 진료하는 과정에서 2차 학습을 진행하기 때문에, 기존의 인공지능 의사에 비해서 신뢰도가 보장되는 효과가 있다.
그리고, 적은 비용으로 학습 모델을 구축하는 것이 가능하고, 현직에 종사하는 의료진으로부터 피드백을 수집하여 학습 모델을 구축하고, 질환정보 데이터베이스(120), 가상환자 기록 데이터베이스(120)를 업데이트 하기 때문에, 최신 의료 트랜드를 실시간으로 반영할 수 있는 효과가 있다.
의료계에서도 학회에서 발표하는 질환의 진단 가이드가 변경되는 경우가 많고, 의학계에 알려지지 않았던 질환이 추가되거나, 불확실 했던 질환이 연구되기도 하고, 치료법이 없던 질환의 치료법이 발표되어 실시될 수도 있다.
이와 같은 사항들로 인하여, 학습모델을 구축하고 그대로 인공지능 의사로 적용할 경우, 최신 기술 트랜드를 따라가지 못하는 문제점이 발생할 수 있지만, 본 발명은 현직에 종사하는 의료진으로부터 피드백을 수집하여 계속적으로 학습을 진행시키기 때문에 최신 기술 트랜드를 실시간으로 반영하는 것이 가능하게 된다.
또한, 실제 의사가 진단 시에 수행하는 과정의 흐름대로 진단 모듈(150)을 학습시키기 때문에 인공지능 의사가 구축되었을 때 실제 의사와 유사하게 진단을 내릴 수 있게 된다.
이하, 다른 도면들을 참조하여 본 발명의 실시예에 대해서 보다 상세하게 설명하도록 한다.
도 3은 본 발명의 실시예에 따른 환자 진단 학습 방법의 흐름도이고, 도 4는 본 발명의 실시예에 따른 질환정보 데이터베이스(120)를 구축하는 것을 예시한 도면이며, 도 5는 본 발명의 실시예에 따른 가상환자를 생성하는 것을 예시한 도면이고, 도 6은 진단 모듈(150)이 가상환자를 가상 진단한 결과를 예시한 도면이며, 도 7은 의료진 클라이언트(500)로부터 수신된 환자 정보를 기반으로 진단 모듈(150)이 가상 진단정보를 생성한 것을 예시한 도면이고, 도 8은 의료진 클라이언트(500)로부터 가상 진단정보에 대한 피드백을 수신하는 것을 예시한 도면이다.
도 3 내지 도 8을 참조하여, 본 발명의 실시예에 따른 환자 진단 학습 방법에 대해서 설명하도록 한다.
본 발명의 실시예에 따른 환자 진단 학습 방법은 서버(100), 컴퓨터에 의해 수행된다.
먼저, 서버(100)가 다수의 질환 각각에 나이, 성별, 증상, 과거력, 이학 검사 결과 및 활력징후 중 적어도 하나의 요소에 대하여 해당 질환과의 관련도를 의미하는 가중치가 부여된 질환정보 데이터베이스(120)를 구축한다. (S510단계)
예를 들어, 가중치가 1레벨, 2레벨, 3레벨 3종류가 있다고 가정하면, 1레벨은 해당 요소와 해당 질환은 관련도가 없음, 2레벨은 관련도가 보통, 3레벨은 관련도가 매우 높음을 의미한다.
이에 대하여, 도 4에 질환정보 데이터베이스(120) 중에서 윌슨병에 대한 각 요소들의 가중치가 설정되어 있는 것이 예시되어 있다.
그 중에서 복부팽창, 침 흘리는 증상, 다리 팽윤, 실어증은 윌슨병과 관련도가 매우 높기 때문에 윌슨병의 주요호소증상(환자가 해당 질환을 앓을 때 주로 호소하는 증상)이 될 수 있다.
본 발명의 실시예에 따른 데이터베이스(120)는 질환정보 데이터베이스(120), 가상환자 기록 데이터베이스(120)를 포함한다.
S510단계 다음으로, 서버(100)의 생성부(110)가 특정 주요호소증상을 포함하는 둘 이상의 질환을 추출하고, 추출된 질환들에 포함된 요소 중 특정 가중치 이상을 가지는 요소들을 추출한 뒤, 추출된 요소를 랜덤으로 선택하여 가상환자를 생성한다. (S520단계)
보다 상세하게는, 서버(100)의 생성부(110)는 가상환자 생성 알고리즘을 이용하여 특정 주요호소증상을 선택한다. 그리고, 해당 주요호소증상을 포함하는 둘 이상의 질환을 추출한다.
다음으로, 생성부(110)는 추출된 둘 이상의 질환들에 포함된 요소들 중에서 특정 가중치 이상을 가지는 요소들을 추출하고, 추출된 요소들을 랜덤으로 선택하여 가상환자를 생성한다.
바람직하게는, 생성부(110)는 추출된 둘 이상의 질환들에 포함된 요소들 중에서 3레벨 이상의 가중치를 요소들을 1~2개 랜덤하고 추출하고, 추출된 전체 요소들을 랜덤하게 선택하여 가상환자를 생성하게 된다.
이때, 가상환자 생성 단계(S520단계)는, 생성부(110)가 추출된 질환을 전체선택하여 나온 나이 정보의 평균 및 표준편차를 이용하여 정규분포에서 랜덤 선택하는 나이 선택 단계, 생성부(110)가 추출된 질환을 전체 선택하여 나온 성별 정보의 분포도와 비례하여 랜덤 선택하는 성별 선택 단계, 생성부(110)가 추출된 질환을 전체 선택하여 나온 활력징후의 평균 및 표준편차를 이용하여 정규분포에서 랜덤 선택하는 활력징후 선택 단계, 생성부(110)가 추출된 요소와 주요호소증상과의 관련도에 비례한 확률 분포를 통해서 계통별 문진, 과거력, 신체 검진을 랜덤하게 선택하는 단계를 더 포함할 수 있다.
이때, 서버(100)가 관련도에 비례한 확률 분포에서 선택하는 이유는 실제로도 관련도가 높을수록 같이 등장하는 경우가 많기 때문이다.
인공지능 의사를 딥러닝시키는데 있어서 큰 문제점 중 하나가 될 수 있는 것이 학습시키기 위한 환자 사례를 확보하는 것이다.
서버(100)는 위와 같은 구축된 질환정보 데이터베이스(120)와 가상환자 생성 알고리즘을 이용하여 생성하기 때문에 많은 수의 가상환자를 만들 수 있음은 물론, 실제로 존재할 가능성이 높은 가상환자를 생성하게 되는 효과를 발휘하게 된다.
이때, 생성부(110)는 가상환자에게 과거력, 가족력, 사회력 및 이학검사의 수치 중 적어도 하나 이상을 더 부여할 수도 있다. 이외에도, 서버(100)는 경우에 따라서 자에게 신장, 체중, 허리둘레 등과 같은 세부적인 신체조건을 부여할 수도 있다.
이학검사는 혈압, 혈당, 맥박, 심전도, 심박수, 체온, 체지방, 호흡수, 혈중 산소 농도 등을 포함하는 것이며, 사회력이란, 흡연, 음주, 환자의 직업 등을 의미한다.
S520단계 다음으로, 서버(100)가 진단 모듈(150)에 가상환자를 입력하여 진단함으로써 생성된 진단 결과를 전문가 클라이언트(300)에 제공하고, 수신부(130)가 진단 결과에 대한 교정 데이터를 수신한다. (S530단계)
보다 상세하게는, 서버(100)는 S520단계를 통해 생성된 가상환자를 진단 모듈(150)에 입력하여 진단하고, 생성된 진단 결과를 전문가 클라이언트(300)에게 제공한다.
그리고, 전문가 클라이언트(300)는 서버(100)로부터 수신된 가상환자와 진단 결과를 확인하고 직접 재진단을 하게 된다. 이때, 전문가 클라이언트(300)는 진단 모듈(150)의 진단 결과에 대한 교정을 수행하고, 교정 데이터를 서버(100)로 제공하게 된다.
이때, S530단계는 전문가 클라이언트(300)로부터 특정 가상환자가 삭제된 경우, 해당 가상환자를 가상환자 기록 데이터베이스(120)에서 삭제하는 단계를 더 포함할 수 있다.
예를 들어, 질환정보 데이터베이스(120)와 가상환자 생성 알고리즘을 이용하여 가상환자를 생성하여 실제와 같은 환자를 생성하였지만, 낮은 확률로 실제와 무관한 가상환자가 생성될 수 있으므로, 전문가 클라이언트(300)가 해당 환자를 삭제한 경우에는 해당 가상환자는 존재할 수 없는 것으로 판단하고 가상환자 기록 데이터베이스(120)에서 삭제하는 것을 의미한다.
또한, 삭제된 가상환자의 정보를 가상환자 생성 알고리즘에 학습시켜 가상환자 생성 알고리즘을 업데이트 할 수 있다.
S530단계 다음으로, 서버(100)는 전문가 클라이언트(300)로부터 수신된 교정 데이터를 상기 질환정보 데이터베이스(120)에 저장하여 업데이트하고, 진단 모듈(150)을 딥러닝시킨다. (S540단계)
예를 들어, 교정 데이터가 전문가 클라이언트(300)가 가상환자를 진단한 질환명과 가상환자에 포함된 요소의 가중치가 질환정보 데이터베이스(120)에 기 저장된 정보와 다른 경우, 전문가 클라이언트(300)의 교정 데이터를 질환정보 데이터베이스(120)에 입력하여 데이터베이스(120)를 업데이트하는 것을 의미한다. (진단 모듈(150) 1차 학습)
이때, 데이터베이스(120) 검색 기술로도 의사에게 좋은 진단을 추천할 수 있지만, 시간이 지남에 따라서 추후 환자 기록 데이터베이스(120)의 데이터 양이 방대해지고, 특히 EMR 사업을 통해 병원 데이터를 바로바로 받아서 처리할 때 문제점이 발생할 수 있으므로, 본 발명의 실시예에 따른 환자 학습 방법에는 딥러닝이 유용하다.
상술한 S510단계 내지 S540단계의 구성, 과정들을 통해서 서버(100)는 진단 모듈(150)을 1차 딥러닝하게 되며, 진단 모듈(150)의 진단 정확도가 상승하게 된다.
S540단계 다음으로, 서버(100)의 수신부(130)가 의료진 클라이언트(500) 또는 환자 클라이언트(700)로부터 환자정보를 입력받는다. (S550단계)
이때, 환자정보는 의료진이 환자의 진단을 위해 수집한 정보로, 환자의 기본정보, 주요호소증상, 증상, 과거력, 가족력, 수술력, 약물 복용력, 이학검사 등을 포함한다.
서버(100)가 의료진 클라이언트(500) 또는 환자 클라이언트로부터 환자정보를 수신하는 것은 도 7에 예시되어 있다.
이와 같이, 의료진 클라이언트(500)는 가상 진단을 위해서 특별한 데이터를 입력하는 것이 아니고, 평소와 같이 진단을 위해 수집한 각종 정보들을 입력하면 서버(100)로 전달되어 가상 진단이 수행되므로, 별도의 업무 부하가 발생하지 않는 효과가 있다.
보다 상세하게는, 서버는 의료진 클라이언트 또는 환자 클라이언트로 해당 환자의 나이, 성별, 주요호소증상, 활력징후(생체신호), ROS(Review of System: 계통별 문진), 과거력, 신체검사, 해당 증상에 대한 초기 진단 질환 정보 등에 대한 정보 입력을 요청하고, 의료진 또는 환자로부터 해당 정보들을 입력받아 수신하게 된다.
S550단계 다음으로, 서버(100)는 진단 모듈(150)에 환자정보를 입력하여 하나 이상의 가상 진단정보를 생성하고, 가상 진단정보를 의료진 클라이언트(500)로 제공한다. (S560단계)
보다 상세하게는, 서버(100)는 의료진 클라이언트(500) 또는 환자 클라이언트로(700)부터 입력받으 정보를 진단 모듈에 입력하게 되고, 진단 모듈은 현시점까지 구축된 학습 모델을 이용하여 해당 환자를 가상 진단함으로써 하나 이상의 가상 진단정보를 생성하게 된다.
또한, 서버(100)는 S550단계에서 의료진 클라이언트(500)로부터 환자의 정보를 입력받았을 경우 가상 진단정보를 의료진 클라이언트(500)에게 제공하며, 환자 클라이언트(700)로부터 환자의 정보를 입력받았을 경우 환자 클라이언트(700) 또는 해당 환자의 담당 의료진의 의료진 클라이언트(500)으로 가상 진단정보를 제공할 수 있다.
가상 진단정보는 해당 환자에 대한 진단병명, 해당 진단에 필요한 임상검사 목록, 진단의 일치 가능성 및 진단에 대한 의학정보 등을 포함한다.
이때, 가상 진단정보를 생성하는 과정에서 서버(100)가 환자의 성별을 확인하고, 가상 진단정보 중에서 해당 환자에게 발생할 수 없는 가상 진단정보를 삭제하는 필터링 단계를 더 포함할 수 있다.
예를 들어, 해당 환자가 여성인데, 여성에게 발생할 수 없는 가상 진단정보가 포함되어 있을 경우, 해당 가상 진단정보를 삭제하는 필터링 단계를 거쳐서 해당 환자와 무관한 가상 진단정보가 포함되지 않도록 한다.
그리고, 서버(100)의 진단모듈이 생성한 가상 진단정보는, 각각의 가상 진단정보들의 진단 일치 가능성이 함께 표시될 수 있으며, 의료진이 환자에 대한 정확한 진단을 내리는데 도움을 주기 위해서 필요한 추가 검사 목록, 해당 진단에 대한 의학정보 등을 포함할 수 있다.
이때, 의학정보란 증상의 기본정보, 원인, 검사 방법, 치료, 예방, 경과에 따른 증상, 합병증, 증상 개선을 위한 음식, 영양정보 등 증상과 관련된 의학 지식들이 포함될 수 있다.
S560단계 다음으로, 서버(100)의 수신부(130)가 의료진 클라이언트(500)로부터 상기 가상 진단정보에 대한 피드백을 수신한다. (S570단계)
이때, 피드백은 의료진 클라이언트(500)로부터 상기 가상 진단정보 중에서 선택받은 것이거나 신규 진단정보를 입력받은 것을 의미하며, 환자의 특정 임상검사 수치를 포함할 수 있다.
도 8을 예로 들면, 감기, 인후염, 편도염, 역류성식도염이 가상 진단정보로 출력되고 있고, 의료진 클라이언트(500)가 4개의 가상 진단정보 중에서 인후염을 선택하여 서버(100)로 피드백을 제공한 것이 예시되어 있다.
이때, 의료진 클라이언트(500)는 실제 환자를 진단한 결과, 인후염이라는 증상 소견을 내리게 되었고, 따라서 서버(100)로부터 제공받은 가상 진단정보 중에서 인후염이 정확한 가상진단이었기 때문에 인후염을 체크하여 서버(100)로 피드백을 제공하였다.
서버(100)는 의료진 클라이언트(500)로부터 가상 진단정보 중에서 일치하는 진단 소견이 있다면 선택받고, 가상 진단정보 중에서 일치하는 진단 소견이 없다면 의료진 클라이언트(500)로부터 신규 진단정보를 직접 입력받게 된다.
그리고, 의료진 클라이언트(500)로부터 수신된 피드백에 환자의 특정 임상결과 수치가 포함되어 있는 경우, 서버(100)의 진단 모듈(150)은 실제 임상결과 수치를 함께 학습할 수 있게 된다.
이때, 심전도 검사 수치, 혈색소 수치, 전해질 수치, 염증 수치 등과 같이 수치들에 대해서 입력받아서 진단 모듈(150)이 학습을 진행할 수도 있고, 초음파 검사, 엑스레이, 내시경 등과 같은 검사 결과의 이미지 데이터를 수신하여 이미지에 대한 학습을 진행할 수도 있다.
예컨대, 정상적이고, 건강한 사람의 엑스레이, 초음파, 내시경 사진과 비교하여 특정 지점에 이질적인 이미지가 감지될 경우 이상이 있는 것으로 판단하도록 학습시킬 수 있다.
S570단계 다음으로, 서버(100)가 진단 모듈(150)에 상기 환자정보와 상기 가상 진단정보에 따른 피드백을 저장하여 진단 모듈(150)을 딥러닝시킨다. (S580단계)
보다 상세하게는, 서버(100)가 진단 모듈(150)에 환자정보와 의료진 클라이언트(500)로부터 수신된 피드백을 저장하여 진단 모듈(150)을 딥러닝시킨다.
또한, S580단계는 서버(100)가 의료진 클라이언트(500)로부터 수신된 피드백을 질환정보 데이터베이스(120)에 저장하여 질환정보 데이터베이스(120)를 업데이트하는 단계를 더 포함할 수 있다. 의학정보와 질환정보는 의료기술과 정보의 발전에 따라서 추가 또는 변경될 수 있기 때문에 1년전에 질환정보 데이터베이스(120)에 저장된 정보가 그때 당시에 맞는 정보였다 하더라도 현재에는 업데이트될 수 있기 때문이다.
따라서, 진단 모듈(150)은 실제 환자와 의사가 만나서 내려진 진단 결과를 기반으로 2차 학습을 진행하므로, 학습하는 데이터에 대한 신뢰도가 확보되고 진단 정확도가 더욱 상승하게 된다.
또한, 제휴 병원의 의료진이 별도로 환자에 대한 정보를 입력하는 번거로움이 없이, 종전과 동일하게 환자와 진료를 진행하는 과정에서 자연스럽게 환자정보를 입력하면, 서버(100)에서 진단 모듈(150)을 통해 가상 진단정보를 생성하여 의료진 클라이언트(500)로 제공하고, 의료진 클라이언트(500)로부터 가상 진단정보에 대한 피드백을 수신하기 때문에, 의료진과 환자에게 거부감이 없이 정보를 수집할 수 있게 된다.
그리고, 서버(100)는 이와 같이 수집된 정보를 통해서 진단 모듈(150)을 학습시키기 때문에 진단 모듈(150)은 실제 증상에 대한 진단을 입력받아서 딥러닝하는 효과가 있다.
예를 들어, 하루 평균 100명의 환자를 진단하는 100개의 제휴병원의 의료진 클라이언트(500)로부터 피드백을 수신하게 될 경우, 1년에 300만 건 이상의 의료케이스에 대하여 진단 모듈(150)을 학습시킬 수 있게 된다.
일 실시예로, 서버(100)의 분석부(170)는 환자 클라이언트(700)로부터 증상정보를 입력받아 수신하면, 증상정보를 진단 모듈(150)에 입력하여 하나 이상의 가상 진단정보를 생성한다.
그리고, 분석부(170)는 생성된 가상 진단정보를 분석하여 해당 환자가 방문해야 할 진료과목을 선택하고, 상기 가상 진단정보와 진료과목에 대한 정보를 환자 클라이언트(700)로 제공한다.
도 9는 본 발명의 실시예에 따른 환자 진단 학습 서버(100)의 블록도이다.
도 9를 참조하면, 본 발명의 실시예에 따른 환자 진단 학습 서버(100)는 생성부(110), 수신부(130), 진단 모듈(150), 분석부(170), 필터링 모듈(190), 데이터베이스(120)를 포함한다.
다만, 몇몇 실시예에서 서버(100)는 도 9에 도시된 구성요소보다 더 적은 수의 구성요소나 더 많은 구성요소를 포함할 수도 있다.
질환정보 데이터베이스(120)는 다수의 질환 각각에 나이, 성별, 증상, 과거력, 이학 검사 결과 및 활력징후 중 적어도 하나의 요소에 대하여 해당 질환과의 관련도를 의미하는 가중치가 부여되어 구축되어 있다.
생성부(110)는 특정 주요호소증상을 포함하는 둘 이상의 질환을 추출하고, 상기 추출된 질환들에 포함된 상기 요소 중 특정 가중치 이상을 가지는 요소들을 추출한 뒤, 추출된 요소를 랜덤으로 선택하여 가상환자를 생성한다.
진단 모듈(150)은 입력된 가상환자를 진단하여 진단 정보를 생성한다.
서버(100)는 서버(100)가 진단 모듈(150)에 가상환자를 입력하여 진단함으로써 생성된 진단 결과를 전문가 클라이언트(300)에 제공하고, 수신부(130)가 진단 결과에 대한 교정 데이터를 수신한다.
그리고, 서버(100)는 전문가 클라이언트(300)로부터 수신된 교정 데이터를 질환정보 데이터베이스(120)에 저장하여 업데이트하고, 진단 모듈(150)을 업데이트하며, 의료진 클라이언트(500)로부터 수신된 환자정보를 진단 모듈(150)에 입력하여 하나 이상의 가상 진단정보를 생성하고, 가상 진단정보를 의료진 클라이언트(500)에 제공한다.
또한, 서버(100)는 수신부(130)가 의료진 클라이언트(500)로부터 가상 진단정보에 대한 피드백을 수신하면, 진단 모듈(150)에 해당 환자정보와 가상 진단정보에 대한 피드백을 저장하여 진단 모듈(150)을 딥러닝시킨다.
이때, 환자정보는 환자의 진단을 위해 수집된 정보로, 환자의 기본정보, 주요호소증상, 증상, 과거력, 가족력, 수술력, 약물 복용력, 이학검사의 수치 중 적어도 하나를 포함한다.
이상으로 설명한 본 발명의 실시예에 따른 환자 진단 학습 서버(100)는 도 1 내지 도 8을 통해 설명한 환자 진단 학습 방법과 발명의 카테고리만 다를 뿐, 동일한 내용이므로 중복되는 설명, 예시는 생략하도록 한다.
이상에서 전술한 본 발명의 일 실시예에 따른 방법은, 하드웨어인 서버와 결합되어 실행되기 위해 프로그램(또는 어플리케이션)으로 구현되어 매체에 저장될 수 있다.
상기 전술한 프로그램은, 상기 컴퓨터가 프로그램을 읽어 들여 프로그램으로 구현된 상기 방법들을 실행시키기 위하여, 상기 컴퓨터의 프로세서(CPU)가 상기 컴퓨터의 장치 인터페이스를 통해 읽힐 수 있는 C, C++, JAVA, 기계어 등의 컴퓨터 언어로 코드화된 코드(Code)를 포함할 수 있다. 이러한 코드는 상기 방법들을 실행하는 필요한 기능들을 정의한 함수 등과 관련된 기능적인 코드(Functional Code)를 포함할 수 있고, 상기 기능들을 상기 컴퓨터의 프로세서가 소정의 절차대로 실행시키는데 필요한 실행 절차 관련 제어 코드를 포함할 수 있다. 또한, 이러한 코드는 상기 기능들을 상기 컴퓨터의 프로세서가 실행시키는데 필요한 추가 정보나 미디어가 상기 컴퓨터의 내부 또는 외부 메모리의 어느 위치(주소 번지)에서 참조되어야 하는지에 대한 메모리 참조관련 코드를 더 포함할 수 있다. 또한, 상기 컴퓨터의 프로세서가 상기 기능들을 실행시키기 위하여 원격(Remote)에 있는 어떠한 다른 컴퓨터나 서버 등과 통신이 필요한 경우, 코드는 상기 컴퓨터의 통신 모듈을 이용하여 원격에 있는 어떠한 다른 컴퓨터나 서버 등과 어떻게 통신해야 하는지, 통신 시 어떠한 정보나 미디어를 송수신해야 하는지 등에 대한 통신 관련 코드를 더 포함할 수 있다.
상기 저장되는 매체는, 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상기 저장되는 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있지만, 이에 제한되지 않는다. 즉, 상기 프로그램은 상기 컴퓨터가 접속할 수 있는 다양한 서버 상의 다양한 기록매체 또는 사용자의 상기 컴퓨터상의 다양한 기록매체에 저장될 수 있다. 또한, 상기 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장될 수 있다.
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.
100: 서버
110: 생성부
120: 데이터베이스
130: 수신부
150: 진단 모듈
170: 분석부
190: 필터링 모듈
300: 전문가 클라이언트
500: 의료진 클라이언트
700: 환자 클라이언트

Claims (9)

  1. 서버에 의해 수행되는 방법으로,
    다수의 질환 각각에 나이, 성별, 증상, 과거력, 이학 검사 결과 및 활력징후 중 적어도 하나의 요소에 대하여 해당 질환과의 관련도를 의미하는 가중치가 부여된 질환정보 데이터베이스를 구축하는 단계;
    특정 주요호소증상(Chief Complaint)을 포함하는 둘 이상의 질환을 추출하고, 상기 추출된 질환들에 포함된 상기 요소 중 특정 가중치 이상을 가지는 요소들을 추출한 뒤, 추출된 요소를 랜덤으로 선택하여 가상환자를 생성하는 단계;
    진단 모듈에 상기 가상환자를 입력하여 진단하여 생성된 진단 결과를 전문가 클라이언트에 제공하고, 상기 진단 결과에 대한 교정 데이터를 수신하는 단계;
    상기 수신된 교정 데이터를 상기 질환정보 데이터베이스에 저장하여 업데이트하고, 상기 진단 모듈을 딥러닝하는 단계;
    의료진 클라이언트 또는 환자 클라이언트로부터 환자정보를 입력받는 단계;
    상기 진단 모듈에 상기 환자정보를 입력하여 하나 이상의 가상 진단정보를 생성하는 단계;
    상기 의료진 클라이언트로부터 상기 가상 진단정보에 대한 피드백을 수신하는 단계; 및
    상기 진단 모듈에 상기 환자정보와 상기 가상 진단정보에 대한 피드백을 저장하여 딥러닝하는 단계;를 포함하며,
    상기 환자정보는, 환자의 진단을 위해 수집된 정보로, 환자의 기본정보, 주요호소증상, 증상, 과거력, 가족력 및 이학검사의 수치 중 적어도 하나를 포함하고,
    상기 활력징후는 환자의 체온, 호흡, 맥박, 혈압 중 적어도 하나를 포함하는 생체정보의 측정값이고,
    상기 주요호소증상은 질환과 관련된 증상 중에서 관련도가 기 설정된 관련도 레벨 이상인 증상이고,
    상기 환자의 기본정보는 환자의 신장, 체중, 허리둘레, 혈액형 및 BMI 중 적어도 하나를 포함하는, 환자 진단 학습 방법.
  2. 제1항에 있어서,
    상기 가상환자 생성 단계는,
    상기 추출된 질환을 전체 선택하여 나온 나이 정보의 평균 및 표준편차를 이용하여 정규분포에서 랜덤 선택하는 나이 선택 단계;
    상기 추출된 질환을 전체 선택하여 나온 성별 정보의 분포도와 비례하여 랜덤 선택하는 성별 선택 단계; 및
    상기 추출된 질환을 전체 선택하여 나온 활력징후의 평균 및 표준편차를 이용하여 정규분포에서 랜덤 선택하는 활력징후 선택 단계;를 포함하는, 환자 진단 학습 방법.
  3. 제1항에 있어서,
    상기 가상환자 생성 단계는,
    상기 추출된 요소와 주요호소증상과의 관련도에 비례한 확률 분포를 통해서 계통별 문진, 과거력, 신체 검진을 랜덤하게 선택하는 단계;를 더 포함하는, 환자 진단 학습 방법.
  4. 제1항에 있어서,
    상기 의료진 클라이언트로부터 수신된 피드백을 상기 질환정보 데이터베이스에 저장하여 업데이트하는 단계;를 더 포함하며,
    상기 피드백은,
    상기 의료진 클라이언트로부터 상기 가상 진단정보 중에서 선택받은 것이거나 신규 진단정보를 입력받은 것인, 환자 진단 학습 방법.
  5. 제1항에 있어서,
    상기 교정 데이터 수신 단계는,
    상기 전문가 클라이언트로부터 특정 가상환자가 삭제된 경우, 해당 가상환자를 가상환자 기록 데이터베이스에서 삭제하는 단계;를 더 포함하는, 환자 진단 학습 방법.
  6. 제1항에 있어서,
    상기 가상 진단정보는,
    해당 환자의 진단에 필요한 임상검사 목록, 가상 진단의 일치 가능성 및 진단에 대한 의학 정보 중 적어도 하나를 포함하는 것인, 환자 진단 학습 방법.
  7. 제1항에 있어서,
    환자 클라이언트로부터 수신된 증상정보를 상기 진단 모듈에 입력하여 하나 이상의 가상 진단정보를 생성하는 단계;
    상기 생성된 가상 진단정보를 분석하여 해당 환자가 방문해야 할 진료과목을 선택하고, 상기 가상 진단정보와 진료과목에 대한 정보를 상기 환자 클라이언트로 제공하는 단계;를 더 포함하는, 환자 진단 학습 방법.
  8. 환자 진단 학습 서버에 관한 것으로,
    다수의 질환 각각에 나이, 성별, 증상, 과거력, 이학 검사 결과 및 활력징후 중 적어도 하나의 요소에 대하여 해당 질환과의 관련도를 의미하는 가중치가 부여되어 구축된 질환정보 데이터베이스;
    특정 주요호소증상을 포함하는 둘 이상의 질환을 추출하고, 상기 추출된 질환들에 포함된 상기 요소 중 특정 가중치 이상을 가지는 요소들을 추출한 뒤, 추출된 요소를 랜덤으로 선택하여 가상환자를 생성하는 생성부;
    상기 가상환자를 입력하여 진단하는 진단 모듈;을 포함하며,
    상기 서버는, 상기 진단 모듈에 상기 가상환자를 입력하고, 진단하여 생성된 진단 결과를 전문가 클라이언트에 제공하고, 상기 진단 결과에 대한 교정 데이터를 수신하며,
    상기 수신된 교정 데이터를 상기 질환정보 데이터베이스에 저장하여 업데이트하고, 상기 진단 모듈을 딥러닝하며,
    의료진 클라이언트 또는 환자 클라이언트로부터 수신된 환자정보를 상기 진단 모듈에 입력하여 하나 이상의 가상 진단정보를 생성하고, 상기 가상 진단정보를 상기 의료진 클라이언트에 제공하고,
    상기 의료진 클라이언트로부터 상기 가상 진단정보에 대한 피드백을 수신하면, 상기 진단 모듈에 상기 환자정보와 상기 가상 진단정보에 대한 피드백을 저장하여 상기 진단 모듈을 딥러닝시키며,
    상기 환자정보는 환자의 진단을 위해 수집된 정보로, 환자의 기본정보, 주요호소증상, 증상, 과거력, 가족력 및 이학검사의 수치 중 적어도 하나를 포함하고,
    상기 활력징후는 환자의 체온, 호흡, 맥박, 혈압 중 적어도 하나를 포함하는 생체정보의 측정값이고,
    상기 주요호소증상은 질환과 관련된 증상 중에서 관련도가 기 설정된 관련도 레벨 이상인 증상이고,
    상기 환자의 기본정보는 환자의 신장, 체중, 허리둘레, 혈액형 및 BMI 중 적어도 하나를 포함하는, 환자 진단 학습 서버.
  9. 하드웨어인 컴퓨터와 결합되어, 제1항 내지 제7항 중 어느 한 항의 방법을 실행시키기 위한 프로그램이 저장된 컴퓨터 판독 가능한 기록매체.
KR1020190058345A 2018-05-18 2019-05-17 환자 진단 학습 방법, 서버 및 프로그램 KR102237449B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20180057369 2018-05-18
KR1020180057369 2018-05-18

Publications (2)

Publication Number Publication Date
KR20190132290A KR20190132290A (ko) 2019-11-27
KR102237449B1 true KR102237449B1 (ko) 2021-04-07

Family

ID=68730262

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190058345A KR102237449B1 (ko) 2018-05-18 2019-05-17 환자 진단 학습 방법, 서버 및 프로그램

Country Status (1)

Country Link
KR (1) KR102237449B1 (ko)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210104383A (ko) 2020-02-17 2021-08-25 연세대학교 산학협력단 의료정보의 저장 및 딥러닝 수행 시스템 및 방법
CN111863238A (zh) * 2020-06-23 2020-10-30 青岛智能产业技术研究院 一种基于平行智能的慢病诊疗系统及诊疗方法
KR102239494B1 (ko) * 2020-08-06 2021-04-14 정덕환 가상현실 기술 기반 적응형 vr 컨텐츠 제공 방법 및 이를 이용한 적응형 vr 컨텐츠 제어 장치
KR102344532B1 (ko) * 2020-11-20 2021-12-28 주식회사 포엔 정신질환의 진단을 위한 설명 가능한 인공지능 시스템 및 정신질환 진단 방법
KR102316631B1 (ko) * 2020-11-19 2021-10-22 주식회사 포엔 기계학습 모델을 이용한 전자약 처방 시스템 및 그 제어방법
KR102450646B1 (ko) * 2021-01-11 2022-10-06 주식회사 코스모스메딕 빅데이터 기반 딥러닝 모델을 이용한 응급실 환자 진단 시스템 및 방법
KR102261092B1 (ko) * 2021-01-20 2021-06-03 이창엽 의료진단 관리 시스템
KR102503609B1 (ko) * 2021-02-01 2023-02-24 주식회사 코스모스메딕 머신 러닝을 이용한 가상 환자 정보 생성 시스템 및 방법
KR102610810B1 (ko) * 2021-11-30 2023-12-13 주식회사 포엔 사용자의 생각을 디코딩하는 인공지능 시스템
CN115954097B (zh) * 2022-09-26 2024-07-09 深圳市花生数字多媒体有限公司 基于虚拟现实技术的医疗辅助装置及其控制系统
CN117219267B (zh) * 2023-11-09 2024-02-06 北京大学第三医院（北京大学第三临床医学院） 模拟诊断恶性高热方法、装置、设备和介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101818074B1 (ko) 2017-07-20 2018-01-12 (주)제이엘케이인스펙션 인공지능 기반 의료용 자동 진단 보조 방법 및 그 시스템

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05257418A (ja) * 1992-03-11 1993-10-08 Hitachi Ltd 医療診断教育支援方法及び装置
KR101808836B1 (ko) * 2016-02-29 2017-12-14 경희대학교 산학협력단 학습 장치, 학습 시스템, 그리고 이를 이용한 학습 방법
KR101864860B1 (ko) * 2016-09-13 2018-06-05 오토시맨틱스 주식회사 딥러닝을 통한 자동차 상태 진단 방법
KR101855117B1 (ko) * 2016-09-30 2018-05-04 주식회사 셀바스에이아이 질병에 대한 발병 확률 예측 방법 및 장치

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101818074B1 (ko) 2017-07-20 2018-01-12 (주)제이엘케이인스펙션 인공지능 기반 의료용 자동 진단 보조 방법 및 그 시스템

Also Published As

Publication number Publication date
KR20190132290A (ko) 2019-11-27

Similar Documents

Publication Publication Date Title
KR102237449B1 (ko) 환자 진단 학습 방법, 서버 및 프로그램
Richards et al. Psychological interventions for coronary heart disease
US8579784B2 (en) Personalized prognosis modeling in medical treatment planning
US11031121B2 (en) System and method for indicating the quality of information to support decision making
US20060135859A1 (en) Matrix interface for medical diagnostic and treatment advice system and method
US20080275731A1 (en) Patient data mining improvements
Yano et al. Association of daytime and nighttime blood pressure with cardiovascular disease events among African American individuals
KR20170061222A (ko) 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치
US20050033121A1 (en) Diagnostic information systems
JP2001331581A (ja) 自動診断システム、自動診断方法、治療法自動決定システム、治療法自動決定方法及び記録媒体
US20190392952A1 (en) Computer-implemented methods, systems, and computer-readable media for diagnosing a condition
CN117370535B (zh) 医疗对话模型的训练方法、医疗问询方法、装置及设备
Corbett et al. Cognition and understanding of neuropathy of inpatients admitted to a specialized tertiary diabetic foot unit with diabetes-related foot ulcers
CN116472591A (zh) 使用人工智能生成与脊髓性肌萎缩症相关的预测结果的技术
CN112562860A (zh) 分类模型的训练方法及装置、冠心病辅助筛查方法及装置
Kweon et al. Publicly Shareable Clinical Large Language Model Built on Synthetic Clinical Notes
JP2021039683A (ja) 診療支援方法、診療支援システム、学習モデルの生成方法、および、診療支援プログラム
CN113140315B (zh) 一种健康自测系统、服务器及健康检测系统
Dow et al. A Deep-Learning Algorithm to Predict Short-Term Progression to Geographic Atrophy on Spectral-Domain Optical Coherence Tomography
Kim et al. Development and Comparative Performance of Physiologic Monitoring Strategies in the Emergency Department
Fraser et al. Differential diagnoses of the heart disease program have better sensitivity than resident physicians.
CN111798948B (zh) 病历信息处理方法、装置、设备和存储介质
Havinga Clinical reasoning in ambulance nurses: The influence of experience on confirmation bias
Mahmood Estimation medicine for diseases system to support medical diagnosis by expert system
CN115206511A (zh) 一种慢性疾病管理系统、可读存储介质及方法

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