KR102240804B1 - 빅데이터 및 인공지능 기반 골다공증 치료 서비스 제공 방법 - Google Patents
빅데이터 및 인공지능 기반 골다공증 치료 서비스 제공 방법 Download PDFInfo
- Publication number
- KR102240804B1 KR102240804B1 KR1020190047686A KR20190047686A KR102240804B1 KR 102240804 B1 KR102240804 B1 KR 102240804B1 KR 1020190047686 A KR1020190047686 A KR 1020190047686A KR 20190047686 A KR20190047686 A KR 20190047686A KR 102240804 B1 KR102240804 B1 KR 102240804B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- osteoporosis
- diagnosis
- artificial intelligence
- big data
- Prior art date
Links
- 208000001132 Osteoporosis Diseases 0.000 title claims abstract description 148
- 238000011282 treatment Methods 0.000 title claims abstract description 114
- 238000003745 diagnosis Methods 0.000 title claims abstract description 110
- 238000000034 method Methods 0.000 title claims abstract description 88
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 56
- 210000000988 bone and bone Anatomy 0.000 claims abstract description 43
- 239000003550 marker Substances 0.000 claims abstract description 30
- 238000012360 testing method Methods 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 208000010392 Bone Fractures Diseases 0.000 claims abstract description 13
- 206010017076 Fracture Diseases 0.000 claims abstract description 13
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 12
- 229940079593 drug Drugs 0.000 claims abstract description 12
- 239000003814 drug Substances 0.000 claims abstract description 12
- 201000010099 disease Diseases 0.000 claims abstract description 11
- 230000002068 genetic effect Effects 0.000 claims abstract description 10
- 229910052500 inorganic mineral Inorganic materials 0.000 claims abstract description 7
- 239000011707 mineral Substances 0.000 claims abstract description 7
- 230000035764 nutrition Effects 0.000 claims abstract description 5
- 235000016709 nutrition Nutrition 0.000 claims abstract description 5
- 238000013135 deep learning Methods 0.000 claims description 25
- 238000010801 machine learning Methods 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 108010035532 Collagen Proteins 0.000 claims description 12
- 102000008186 Collagen Human genes 0.000 claims description 12
- 229920001436 collagen Polymers 0.000 claims description 12
- 230000011164 ossification Effects 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 8
- 230000002787 reinforcement Effects 0.000 claims description 7
- 208000006386 Bone Resorption Diseases 0.000 claims description 6
- ZAHDXEIQWWLQQL-IHRRRGAJSA-N Deoxypyridinoline Chemical compound OC(=O)[C@@H](N)CCCC[N+]1=CC(O)=C(C[C@H](N)C([O-])=O)C(CC[C@H](N)C(O)=O)=C1 ZAHDXEIQWWLQQL-IHRRRGAJSA-N 0.000 claims description 6
- LCYXYLLJXMAEMT-SAXRGWBVSA-N Pyridinoline Chemical compound OC(=O)[C@@H](N)CCC1=C[N+](C[C@H](O)CC[C@H](N)C([O-])=O)=CC(O)=C1C[C@H](N)C(O)=O LCYXYLLJXMAEMT-SAXRGWBVSA-N 0.000 claims description 6
- 230000024279 bone resorption Effects 0.000 claims description 6
- 108010049937 collagen type I trimeric cross-linked peptide Proteins 0.000 claims description 6
- 102000004067 Osteocalcin Human genes 0.000 claims description 5
- 108090000573 Osteocalcin Proteins 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 5
- 210000002700 urine Anatomy 0.000 claims description 5
- 102100036213 Collagen alpha-2(I) chain Human genes 0.000 claims description 4
- 101000875067 Homo sapiens Collagen alpha-2(I) chain Proteins 0.000 claims description 4
- 210000002966 serum Anatomy 0.000 claims description 4
- LOJFGJZQOKTUBR-XAQOOIOESA-N NC(N)=NCCC[C@@H](C(O)=O)NC(=O)CNC(=O)CNC(=O)[C@H](CC(O)=O)NC(=O)[C@@H](NC(=O)[C@@H](NC(=O)[C@H](CCCCN)NC(=O)[C@@H](N)CCC(O)=O)C)CC1=CN=CN1 Chemical compound NC(N)=NCCC[C@@H](C(O)=O)NC(=O)CNC(=O)CNC(=O)[C@H](CC(O)=O)NC(=O)[C@@H](NC(=O)[C@@H](NC(=O)[C@H](CCCCN)NC(=O)[C@@H](N)CCC(O)=O)C)CC1=CN=CN1 LOJFGJZQOKTUBR-XAQOOIOESA-N 0.000 claims description 3
- 238000010521 absorption reaction Methods 0.000 claims description 3
- 238000007418 data mining Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 206010039984 Senile osteoporosis Diseases 0.000 claims 1
- 208000001685 postmenopausal osteoporosis Diseases 0.000 claims 1
- 238000007670 refining Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 19
- 230000037182 bone density Effects 0.000 description 16
- 238000005516 engineering process Methods 0.000 description 16
- 239000000284 extract Substances 0.000 description 15
- 238000007726 management method Methods 0.000 description 14
- 238000002591 computed tomography Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000009547 dual-energy X-ray absorptiometry Methods 0.000 description 7
- 238000004393 prognosis Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 7
- 206010065687 Bone loss Diseases 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 230000036541 health Effects 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 6
- 230000009467 reduction Effects 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 208000024891 symptom Diseases 0.000 description 5
- 210000000689 upper leg Anatomy 0.000 description 5
- 108010022452 Collagen Type I Proteins 0.000 description 4
- 102000012422 Collagen Type I Human genes 0.000 description 4
- 206010058359 Hypogonadism Diseases 0.000 description 4
- 238000013459 approach Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 description 4
- 238000012217 deletion Methods 0.000 description 4
- 230000037430 deletion Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000003862 glucocorticoid Substances 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 210000004705 lumbosacral region Anatomy 0.000 description 4
- 210000000056 organ Anatomy 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 3
- 230000009245 menopause Effects 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 230000000391 smoking effect Effects 0.000 description 3
- 102000002260 Alkaline Phosphatase Human genes 0.000 description 2
- 108020004774 Alkaline Phosphatase Proteins 0.000 description 2
- 201000000736 Amenorrhea Diseases 0.000 description 2
- 206010001928 Amenorrhoea Diseases 0.000 description 2
- 208000000103 Anorexia Nervosa Diseases 0.000 description 2
- 208000006545 Chronic Obstructive Pulmonary Disease Diseases 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- 101100344028 Homo sapiens LRP5 gene Proteins 0.000 description 2
- 201000002980 Hyperparathyroidism Diseases 0.000 description 2
- 206010020850 Hyperthyroidism Diseases 0.000 description 2
- 101150101996 LRP5 gene Proteins 0.000 description 2
- 208000029725 Metabolic bone disease Diseases 0.000 description 2
- 208000001164 Osteoporotic Fractures Diseases 0.000 description 2
- NBIIXXVUZAFLBC-UHFFFAOYSA-N Phosphoric acid Chemical compound OP(O)(O)=O NBIIXXVUZAFLBC-UHFFFAOYSA-N 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 239000000556 agonist Substances 0.000 description 2
- 231100000540 amenorrhea Toxicity 0.000 description 2
- 229940069428 antacid Drugs 0.000 description 2
- 239000003159 antacid agent Substances 0.000 description 2
- 239000003146 anticoagulant agent Substances 0.000 description 2
- 229940127219 anticoagulant drug Drugs 0.000 description 2
- 239000001961 anticonvulsive agent Substances 0.000 description 2
- 239000002246 antineoplastic agent Substances 0.000 description 2
- 229940041181 antineoplastic drug Drugs 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000008416 bone turnover Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 208000020832 chronic kidney disease Diseases 0.000 description 2
- 208000022831 chronic renal failure syndrome Diseases 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000002586 coronary angiography Methods 0.000 description 2
- 230000001054 cortical effect Effects 0.000 description 2
- 229940109239 creatinine Drugs 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000005786 degenerative changes Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 206010012601 diabetes mellitus Diseases 0.000 description 2
- 230000001079 digestive effect Effects 0.000 description 2
- 230000029142 excretion Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 208000019423 liver disease Diseases 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 210000000963 osteoblast Anatomy 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000035935 pregnancy Effects 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000005495 thyroid hormone Substances 0.000 description 2
- 229940036555 thyroid hormone Drugs 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 102000014654 Aromatase Human genes 0.000 description 1
- 108010078554 Aromatase Proteins 0.000 description 1
- 206010006187 Breast cancer Diseases 0.000 description 1
- 208000026310 Breast neoplasm Diseases 0.000 description 1
- VTYYLEPIZMXCLO-UHFFFAOYSA-L Calcium carbonate Chemical class [Ca+2].[O-]C([O-])=O VTYYLEPIZMXCLO-UHFFFAOYSA-L 0.000 description 1
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 1
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 208000000094 Chronic Pain Diseases 0.000 description 1
- 208000014311 Cushing syndrome Diseases 0.000 description 1
- 208000002699 Digestive System Neoplasms Diseases 0.000 description 1
- 206010058314 Dysplasia Diseases 0.000 description 1
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 206010064571 Gene mutation Diseases 0.000 description 1
- NMJREATYWWNIKX-UHFFFAOYSA-N GnRH Chemical compound C1CCC(C(=O)NCC(N)=O)N1C(=O)C(CC(C)C)NC(=O)C(CC=1C2=CC=CC=C2NC=1)NC(=O)CNC(=O)C(NC(=O)C(CO)NC(=O)C(CC=1C2=CC=CC=C2NC=1)NC(=O)C(CC=1NC=NC=1)NC(=O)C1NC(=O)CC1)CC1=CC=C(O)C=C1 NMJREATYWWNIKX-UHFFFAOYSA-N 0.000 description 1
- 102000006771 Gonadotropins Human genes 0.000 description 1
- 108010086677 Gonadotropins Proteins 0.000 description 1
- 206010056438 Growth hormone deficiency Diseases 0.000 description 1
- HTTJABKRGRZYRN-UHFFFAOYSA-N Heparin Chemical compound OC1C(NC(=O)C)C(O)OC(COS(O)(=O)=O)C1OC1C(OS(O)(=O)=O)C(O)C(OC2C(C(OS(O)(=O)=O)C(OC3C(C(O)C(O)C(O3)C(O)=O)OS(O)(=O)=O)C(CO)O2)NS(O)(=O)=O)C(C(O)=O)O1 HTTJABKRGRZYRN-UHFFFAOYSA-N 0.000 description 1
- 208000028782 Hereditary disease Diseases 0.000 description 1
- 206010020365 Homocystinuria Diseases 0.000 description 1
- 206010020590 Hypercalciuria Diseases 0.000 description 1
- 208000031308 Idiopathic hypercalciuria Diseases 0.000 description 1
- 208000026350 Inborn Genetic disease Diseases 0.000 description 1
- 208000022559 Inflammatory bowel disease Diseases 0.000 description 1
- 206010050296 Intervertebral disc protrusion Diseases 0.000 description 1
- 208000017924 Klinefelter Syndrome Diseases 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 206010025323 Lymphomas Diseases 0.000 description 1
- 206010025476 Malabsorption Diseases 0.000 description 1
- 208000004155 Malabsorption Syndromes Diseases 0.000 description 1
- 208000030136 Marchiafava-Bignami Disease Diseases 0.000 description 1
- 208000024556 Mendelian disease Diseases 0.000 description 1
- 208000034578 Multiple myelomas Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 206010031243 Osteogenesis imperfecta Diseases 0.000 description 1
- 206010049088 Osteopenia Diseases 0.000 description 1
- 208000002193 Pain Diseases 0.000 description 1
- CXOFVDLJLONNDW-UHFFFAOYSA-N Phenytoin Chemical compound N1C(=O)NC(=O)C1(C=1C=CC=CC=1)C1=CC=CC=C1 CXOFVDLJLONNDW-UHFFFAOYSA-N 0.000 description 1
- 208000010067 Pituitary ACTH Hypersecretion Diseases 0.000 description 1
- 208000020627 Pituitary-dependent Cushing syndrome Diseases 0.000 description 1
- 206010035226 Plasma cell myeloma Diseases 0.000 description 1
- 108010050808 Procollagen Proteins 0.000 description 1
- 208000025747 Rheumatic disease Diseases 0.000 description 1
- 101000857870 Squalus acanthias Gonadoliberin Proteins 0.000 description 1
- 208000037063 Thinness Diseases 0.000 description 1
- AUYYCJSJGJYCDS-LBPRGKRZSA-N Thyrolar Chemical class IC1=CC(C[C@H](N)C(O)=O)=CC(I)=C1OC1=CC=C(O)C(I)=C1 AUYYCJSJGJYCDS-LBPRGKRZSA-N 0.000 description 1
- 208000026928 Turner syndrome Diseases 0.000 description 1
- 206010047626 Vitamin D Deficiency Diseases 0.000 description 1
- 102000013814 Wnt Human genes 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 210000000577 adipose tissue Anatomy 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 229910000147 aluminium phosphate Inorganic materials 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000001458 anti-acid effect Effects 0.000 description 1
- 229940125681 anticonvulsant agent Drugs 0.000 description 1
- 239000000935 antidepressant agent Substances 0.000 description 1
- 229940005513 antidepressants Drugs 0.000 description 1
- 208000006673 asthma Diseases 0.000 description 1
- 230000007321 biological mechanism Effects 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000001185 bone marrow Anatomy 0.000 description 1
- 208000015322 bone marrow disease Diseases 0.000 description 1
- 230000004097 bone metabolism Effects 0.000 description 1
- 210000000459 calcaneus Anatomy 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- FFGPTBGBLSHEPO-UHFFFAOYSA-N carbamazepine Chemical compound C1=CC2=CC=CC=C2N(C(=O)N)C2=CC=CC=C21 FFGPTBGBLSHEPO-UHFFFAOYSA-N 0.000 description 1
- 229960000623 carbamazepine Drugs 0.000 description 1
- 125000003178 carboxy group Chemical group [H]OC(*)=O 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000004132 cross linking Methods 0.000 description 1
- 230000037029 cross reaction Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000000326 densiometry Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 208000024558 digestive system cancer Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 230000002124 endocrine Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 210000002436 femur neck Anatomy 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000013110 gastrectomy Methods 0.000 description 1
- 201000010231 gastrointestinal system cancer Diseases 0.000 description 1
- 201000003617 glucocorticoid-induced osteoporosis Diseases 0.000 description 1
- 239000002622 gonadotropin Substances 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 201000005787 hematologic cancer Diseases 0.000 description 1
- 208000024200 hematopoietic and lymphoid system neoplasm Diseases 0.000 description 1
- 208000007475 hemolytic anemia Diseases 0.000 description 1
- 229960002897 heparin Drugs 0.000 description 1
- 229920000669 heparin Polymers 0.000 description 1
- 239000005556 hormone Substances 0.000 description 1
- 229940088597 hormone Drugs 0.000 description 1
- 208000012119 hyperparathyroidism 4 Diseases 0.000 description 1
- 208000031424 hyperprolactinemia Diseases 0.000 description 1
- 230000002267 hypothalamic effect Effects 0.000 description 1
- 229960003444 immunosuppressant agent Drugs 0.000 description 1
- 239000003018 immunosuppressive agent Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 208000017169 kidney disease Diseases 0.000 description 1
- 230000003907 kidney function Effects 0.000 description 1
- 230000006651 lactation Effects 0.000 description 1
- 208000032839 leukemia Diseases 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 229960001078 lithium Drugs 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 208000030159 metabolic disease Diseases 0.000 description 1
- 238000010603 microCT Methods 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000009456 molecular mechanism Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 208000030212 nutrition disease Diseases 0.000 description 1
- 238000012015 optical character recognition Methods 0.000 description 1
- 210000002997 osteoclast Anatomy 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- DDBREPKUVSBGFI-UHFFFAOYSA-N phenobarbital Chemical compound C=1C=CC=CC=1C1(CC)C(=O)NC(=O)NC1=O DDBREPKUVSBGFI-UHFFFAOYSA-N 0.000 description 1
- 229960002695 phenobarbital Drugs 0.000 description 1
- 229960002036 phenytoin Drugs 0.000 description 1
- 230000037081 physical activity Effects 0.000 description 1
- 230000001817 pituitary effect Effects 0.000 description 1
- 206010036067 polydipsia Diseases 0.000 description 1
- 208000030683 polygenic disease Diseases 0.000 description 1
- 206010036601 premature menopause Diseases 0.000 description 1
- 125000002924 primary amino group Chemical group [H]N([H])* 0.000 description 1
- 201000009395 primary hyperaldosteronism Diseases 0.000 description 1
- 108090000765 processed proteins & peptides Proteins 0.000 description 1
- 102000004196 processed proteins & peptides Human genes 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 206010039073 rheumatoid arthritis Diseases 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000003248 secreting effect Effects 0.000 description 1
- 230000028327 secretion Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 206010048828 underweight Diseases 0.000 description 1
- PJVWKTKQMONHTI-UHFFFAOYSA-N warfarin Chemical compound OC=1C2=CC=CC=C2OC(=O)C=1C(CC(=O)C)C1=CC=CC=C1 PJVWKTKQMONHTI-UHFFFAOYSA-N 0.000 description 1
- 229960005080 warfarin Drugs 0.000 description 1
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
- G16H50/70—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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/505—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of bone
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Dentistry (AREA)
- Optics & Photonics (AREA)
- Physics & Mathematics (AREA)
- Orthopedic Medicine & Surgery (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Radiology & Medical Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
빅데이터 및 인공지능 기반 골다공증 치료 서비스 제공 방법이 제공되며, 진단 요청 단말로부터 골다공증 진단 및 치료를 위하여 전송되는 환자의 진료기록 데이터를 수신하는 단계, 수신된 진료기록 데이터 중 적어도 하나의 골밀도(Bone Mineral Density) 검사 항목에 포함된 숫자 데이터를 인식 및 추출하여 저장하는 단계, 저장된 숫자 데이터를 기 저장된 골다공증 분류 테이블에 기반하여 골다공증의 종류를 분류하는 단계, 환자의 진료기록 데이터 중 임상실험결과 및 검진결과에 기반하여 유전적 요인, 생활습관 및 영양, 질병 및 약제를 포함하는 위험인자를 추출하는 단계, 생화학적 골표지자 검사에 포함된 적어도 하나의 표지자를 추출하는 단계, 및 분류된 골다공증의 종류, 위험인자 및 적어도 하나의 표지자를 기 구축된 인공지능 빅데이터 알고리즘에 입력 데이터로 입력하여 골절 위험도 진단 및 치료방법을 추출하여 진단 요청 단말로 전송하는 단계를 포함한다.
Description
본 발명은 빅데이터 및 인공지능 기반 골다공증 치료 서비스 제공 방법에 관한 것으로, 골다공증 검사결과를 입력하여 위험도 및 치료방법을 결과로 출력할 수 있는 방법을 제공한다.
현재 IoT, 빅데이터, 클라우드 기술의 발전과 함께 인공지능 기술이 전 산업분야에 활용됨에 따라 의료계에서도 AI 기반 임상의사결정지원 시스템(Clinical Decision Support System, CDSS)에 대한 관심이 커져가고 있다. CDSS는 높은 신뢰도와 고품질의 의료 지식베이스를 기반으로 하여 추론을 통해 의료진에게 임상의사결정을 지원함으로써 의료행위의 오류를 감소시키고, 의료 서비스의 품질과 효율성을 증대시킬 수 있는 전문가 시스템을 말한다. 최근, 눈부신 인공지능 기술의 발전에 따라 의료진의 새로운 지식이나 경험뿐만 아니라, 환자의 몸이나 전자의료기록(EMR), 및 생활 환경으로부터 수집되는 방대한 양의 빅데이터로부터 CDSS에서 필요로 하는 의료지식을 획득하여 CDSS를 활성화하기 위한 시도가 이루어지고 있다.
이때, CDSS는 지식이 중심이 되는 아키텍처와 임상의사결정 애플리케이션이 중심이 되는 아키텍처가 혼합되도록 연구 및 개발되었는데, 이와 관련하여, 선행기술인 한국공개특허 제2010-0097522호(2010년09월03일 공개)에는, 사용자의 임상의사결정지원 요청에 따라, 임상의사결정 지원 애플리케이션을 구동시키는 애플리케이션 구동부, 병원별 전자의료기록 스키마를 각각 저장하는 인터페이스 리포지터리, 애플리케이션 구동부의 구동에 따라 인터페이스 리포지터리를 참조하여 임상의사결정지원을 위한 환자 정보를 검색하는 인터페이스 서버, 임상의사결정지원을 위한 표준 기반의 지식저작을 수행하는 지식저작부, 지식저작부에서 저작된 지식을 저장하는 지식 리포지터리, 및 지식 리퍼지터리를 참조하여 인터페이스 서버에서 검색된 환자 정보에 대응하는 임사의사결정지원을 위한 지식을 검색하는 인퍼런스 서버의 구성이 개시되어 있다.
다만, CDSS에서 가장 핵심적인 요소인 지식베이스는 의료분야의 특성상 고신뢰성, 정확성, 무결성이 담보되어야 하고, 이러한 특성은 시스템의 개발 단계에서의 학습과정 뿐만이 아니라, 시간이 지남에 따라 진화하는 지식의 유지보수 단계에서도 유지될 수 있어야 하지만, 상술한 시스템을 포함한 대부분의 의료 전문가시스템은 이러한 시스템의 사용중에 발견되는 새로운 지식의 변화를 잘 수용하지 못하고 있어서 실제 병원 현장에서 활용이 활성화 되지 못하고 있다.
본 발명의 일 실시예는, 골다공증 의료기록 데이터, 진단 데이터 및 추적결과 데이터를 빅데이터로 수집하여 기계학습으로 훈련시키고, 환자의 검사결과가 질의 데이터로 입력되는 경우, 인공지능 빅데이터 알고리즘에 기반하여 골다공증 위험도 및 치료방법를 포함하는 결과 데이터를 출력하도록 함으로써, 증상에 대한 정확한 진단을 할 수 있을 뿐만 아니라, 치료 예후를 추적관찰한 후 이를 피드백으로 빅데이터를 딥러닝시킴으로써 시간에 따라 진화하는 지식의 유지보수 단계에서도 유지될 수 있도록 하고, 진단시간 단축으로 업무량의 감소를 가져올 수 있으며, 더 이상 개별 의료인의 경험에 의존한 편향된 결과로 오진율을 제로화하는, 빅데이터 및 인공지능 기반 골다공증 치료 서비스 제공 방법을 제공할 수 있다. 다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 발명의 일 실시예는, 진단 요청 단말로부터 골다공증 진단 및 치료를 위하여 전송되는 환자의 진료기록 데이터를 수신하는 단계, 수신된 진료기록 데이터 중 적어도 하나의 골밀도(Bone Mineral Density) 검사 항목에 포함된 숫자 데이터를 인식 및 추출하여 저장하는 단계, 저장된 숫자 데이터를 기 저장된 골다공증 분류 테이블에 기반하여 골다공증의 종류를 분류하는 단계, 환자의 진료기록 데이터 중 임상실험결과 및 검진결과에 기반하여 유전적 요인, 생활습관 및 영양, 질병 및 약제를 포함하는 위험인자를 추출하는 단계, 생화학적 골표지자 검사에 포함된 적어도 하나의 표지자를 추출하는 단계, 및 분류된 골다공증의 종류, 위험인자 및 적어도 하나의 표지자를 기 구축된 인공지능 빅데이터 알고리즘에 입력 데이터로 입력하여 골절 위험도 진단 및 치료방법을 추출하여 진단 요청 단말로 전송하는 단계를 포함한다.
전술한 본 발명의 과제 해결 수단 중 어느 하나에 의하면, 골다공증 의료기록 데이터, 진단 데이터 및 추적결과 데이터를 빅데이터로 수집하여 기계학습으로 훈련시키고, 환자의 검사결과가 질의 데이터로 입력되는 경우, 인공지능 빅데이터 알고리즘에 기반하여 골다공증 위험도 및 치료방법를 포함하는 결과 데이터를 출력하도록 함으로써, 증상에 대한 정확한 진단을 할 수 있을 뿐만 아니라, 치료 예후를 추적관찰한 후 이를 피드백으로 빅데이터를 딥러닝시킴으로써 시간에 따라 진화하는 지식의 유지보수 단계에서도 유지될 수 있도록 하고, 진단시간 단축으로 업무량의 감소를 가져올 수 있으며, 더 이상 개별 의료인의 경험에 의존한 편향된 결과로 오진율을 제로화할 수 있다.
도 1은 본 발명의 일 실시예에 따른 빅데이터 및 인공지능 기반 골다공증 치료 서비스 제공 시스템을 설명하기 위한 도면이다.
도 2는 도 1의 시스템에 포함된 골다공증 치료 서비스 제공 서버를 설명하기 위한 블록 구성도이다.
도 3은 본 발명의 일 실시예에 따른 빅데이터 및 인공지능 기반 골다공증 치료 서비스가 구현된 일 실시예를 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 도 1의 빅데이터 및 인공지능 기반 골다공증 치료 서비스 제공 시스템에 포함된 각 구성들 상호 간에 데이터가 송수신되는 과정을 나타낸 도면이다.
도 5는 본 발명의 일 실시예에 따른 빅데이터 및 인공지능 기반 골다공증 치료 서비스 제공 방법을 설명하기 위한 동작 흐름도이다.
도 2는 도 1의 시스템에 포함된 골다공증 치료 서비스 제공 서버를 설명하기 위한 블록 구성도이다.
도 3은 본 발명의 일 실시예에 따른 빅데이터 및 인공지능 기반 골다공증 치료 서비스가 구현된 일 실시예를 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 도 1의 빅데이터 및 인공지능 기반 골다공증 치료 서비스 제공 시스템에 포함된 각 구성들 상호 간에 데이터가 송수신되는 과정을 나타낸 도면이다.
도 5는 본 발명의 일 실시예에 따른 빅데이터 및 인공지능 기반 골다공증 치료 서비스 제공 방법을 설명하기 위한 동작 흐름도이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미하며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
명세서 전체에서 사용되는 정도의 용어 "약", "실질적으로" 등은 언급된 의미에 고유한 제조 및 물질 허용오차가 제시될 때 그 수치에서 또는 그 수치에 근접한 의미로 사용되고, 본 발명의 이해를 돕기 위해 정확하거나 절대적인 수치가 언급된 개시 내용을 비양심적인 침해자가 부당하게 이용하는 것을 방지하기 위해 사용된다. 본 발명의 명세서 전체에서 사용되는 정도의 용어 "~(하는) 단계" 또는 "~의 단계"는 "~ 를 위한 단계"를 의미하지 않는다.
본 명세서에 있어서 '부(部)'란, 하드웨어에 의해 실현되는 유닛(unit), 소프트웨어에 의해 실현되는 유닛, 양방을 이용하여 실현되는 유닛을 포함한다. 또한, 1개의 유닛이 2개 이상의 하드웨어를 이용하여 실현되어도 되고, 2개 이상의 유닛이 1개의 하드웨어에 의해 실현되어도 된다.
본 명세서에 있어서 단말, 장치 또는 디바이스가 수행하는 것으로 기술된 동작이나 기능 중 일부는 해당 단말, 장치 또는 디바이스와 연결된 서버에서 대신 수행될 수도 있다. 이와 마찬가지로, 서버가 수행하는 것으로 기술된 동작이나 기능 중 일부도 해당 서버와 연결된 단말, 장치 또는 디바이스에서 수행될 수도 있다.
본 명세서에서 있어서, 단말과 매핑(Mapping) 또는 매칭(Matching)으로 기술된 동작이나 기능 중 일부는, 단말의 식별 정보(Identifying Data)인 단말기의 고유번호나 개인의 식별정보를 매핑 또는 매칭한다는 의미로 해석될 수 있다.
이하 첨부된 도면을 참고하여 본 발명을 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 빅데이터 및 인공지능 기반 골다공증 치료 서비스 제공 시스템을 설명하기 위한 도면이다. 도 1을 참조하면, 빅데이터 및 인공지능 기반 골다공증 치료 서비스 제공 시스템(1)은, 적어도 하나의 진단 요청 단말(100), 골다공증 치료 서비스 제공 서버(300), 적어도 하나의 진단 단말(400), 적어도 하나의 정보제공 서버(500)를 포함할 수 있다. 다만, 이러한 도 1의 빅데이터 및 인공지능 기반 골다공증 치료 서비스 제공 시스템(1)은, 본 발명의 일 실시예에 불과하므로, 도 1을 통하여 본 발명이 한정 해석되는 것은 아니다.
이때, 도 1의 각 구성요소들은 일반적으로 네트워크(network, 200)를 통해 연결된다. 예를 들어, 도 1에 도시된 바와 같이, 적어도 하나의 진단 요청 단말(100)은 네트워크(200)를 통하여 골다공증 치료 서비스 제공 서버(300)와 연결될 수 있다. 그리고, 골다공증 치료 서비스 제공 서버(300)는, 네트워크(200)를 통하여 적어도 하나의 진단 요청 단말(100), 적어도 하나의 진단 단말(400), 적어도 하나의 정보제공 서버(500)와 연결될 수 있다. 또한, 적어도 하나의 진단 단말(400)은, 네트워크(200)를 통하여 골다공증 치료 서비스 제공 서버(300)와 연결될 수 있다. 그리고, 적어도 하나의 정보제공 서버(500)는, 네트워크(200)를 통하여 골다공증 치료 서비스 제공 서버(300)와 연결될 수 있다.
여기서, 네트워크는, 복수의 단말 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 이러한 네트워크의 일 예에는 RF, 3GPP(3rd Generation Partnership Project) 네트워크, LTE(Long Term Evolution) 네트워크, 5GPP(5th Generation Partnership Project) 네트워크, WIMAX(World Interoperability for Microwave Access) 네트워크, 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 블루투스(Bluetooth) 네트워크, NFC 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함되나 이에 한정되지는 않는다.
하기에서, 적어도 하나의 라는 용어는 단수 및 복수를 포함하는 용어로 정의되고, 적어도 하나의 라는 용어가 존재하지 않더라도 각 구성요소가 단수 또는 복수로 존재할 수 있고, 단수 또는 복수를 의미할 수 있음은 자명하다 할 것이다. 또한, 각 구성요소가 단수 또는 복수로 구비되는 것은, 실시예에 따라 변경가능하다 할 것이다.
적어도 하나의 진단 요청 단말(100)은, 빅데이터 및 인공지능 기반 골다공증 치료 서비스 관련 웹 페이지, 앱 페이지, 프로그램 또는 애플리케이션을 이용하여 진단을 요청하는 요청자의 단말일 수 있다. 이때, 적어도 하나의 진단 요청 단말(100)은, 환자의 의료기록을 텍스트, 이미지, 및 동영상을 포함하여 골다공증 치료 서비스 제공 서버(300)로 전송하는 단말일 수 있다. 또한, 적어도 하나의 진단 요청 단말(100)은, 골다공증 치료 서비스 제공 서버(300)로부터 진단요청에 대한 피드백을 수신하는 단말일 수 있다. 그리고, 적어도 하나의 진단 요청 단말(100)은, 환자의 치료방법이 적용된 후 예후를 추적관찰한 결과 데이터를 골다공증 치료 서비스 제공 서버(300)로 전송하는 단말일 수 있다.
여기서, 적어도 하나의 진단 요청 단말(100)은, 네트워크를 통하여 원격지의 서버나 단말에 접속할 수 있는 컴퓨터로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 네비게이션, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(Desktop), 랩톱(Laptop) 등을 포함할 수 있다. 이때, 적어도 하나의 진단 요청 단말(100)은, 네트워크를 통해 원격지의 서버나 단말에 접속할 수 있는 단말로 구현될 수 있다. 적어도 하나의 진단 요청 단말(100)은, 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, 네비게이션, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말, 스마트폰(smartphone), 스마트 패드(smartpad), 타블렛 PC(Tablet PC) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있다.
골다공증 치료 서비스 제공 서버(300)는, 빅데이터 및 인공지능 기반 골다공증 치료 서비스 웹 페이지, 앱 페이지, 프로그램 또는 애플리케이션을 제공하는 서버일 수 있다. 그리고, 골다공증 치료 서비스 제공 서버(300)는, 진단 요청 단말(100)로부터 환자의 진료 기록 등 의료자문 요청 데이터를 수신하는 경우, 이를 파싱 및 마이닝하여 골다공증을 분류하고, 위험인자 및 생화학적 골표지자 검사 결과를 포함하는 식별자를 추출하는 서버일 수 있다. 또한, 골다공증 치료 서비스 제공 서버(300)는, 추출된 식별자를 이용하여 식별자에 매핑되어 저장된 유사 진단 데이터를 추출하기 위하여 질의(Query)를 생성하는 서버일 수 있다. 그리고 나서, 골다공증 치료 서비스 제공 서버(300)는, 생성된 질의를 이용하여 빅데이터에 질문을 전송하고, 질의에 대한 답변으로 유사 진단 데이터를 추출하는 서버일 수 있다. 또한, 추출된 진단 데이터에 기반하여 골다공증 치료 서비스 제공 서버(300)는, 진단 요청 단말(100)에서 요청한 환자의 기록에 대응되도록 진단 데이터를 생성하여 진단 요청 단말(100) 및 진단 단말(400)로 결과를 리턴하는 서버일 수 있다. 그리고, 골다공증 치료 서비스 제공 서버(300)는, 진단 요청 단말(100) 또는 진단 단말(400)로부터 오류 데이터가 피드백으로 전송되는 경우, 오류 패턴을 검색하고 학습하기 위하여 인공신경망 딥러닝을 실시하는 서버일 수 있다. 이를 위하여, 골다공증 치료 서비스 제공 서버(300)는, 빅데이터를 적어도 하나의 정보제공 서버(500) 및 기 저장된 히스토리 로그 데이터를 이용하여 구축하고, 수집, 전처리, 분석 등을 통하여 빅데이터를 분류 및 클러스터링한 후 학습시키는 서버일 수 있다. 또한, 골다공증 치료 서비스 제공 서버(300)는, 비정형 데이터인 영상 데이터나 이미지 데이터로부터 식별자를 추출하기 위하여, 영상 데이터 및 이미지 데이터로부터 식별자를 태깅하기 위한 딥러닝 인공신경망 알고리즘을 이용하여 데이터 학습을 진행하는 서버일 수 있다. 그리고, 골다공증 치료 서비스 제공 서버(300)는, 학습 결과에 따라 이후 입력되는 영상, 이미지 등으로부터 식별자를 태깅하거나 추출하는 서버일 수 있다. 또한, 골다공증 치료 서비스 제공 서버(300)는, 환자의 예후를 추적관찰하여 환자의 의료기록 데이터의 히스토리 로그를 업데이트하고, 이를 다시 빅데이터에 입력값으로 지정하여 빅데이터를 재학습시키는 서버일 수 있다.
여기서, 골다공증 치료 서비스 제공 서버(300)는, 네트워크를 통하여 원격지의 서버나 단말에 접속할 수 있는 컴퓨터로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 네비게이션, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(Desktop), 랩톱(Laptop) 등을 포함할 수 있다.
적어도 하나의 진단 단말(400)은, 빅데이터 및 인공지능 기반 골다공증 치료 서비스 관련 웹 페이지, 앱 페이지, 프로그램 또는 애플리케이션을 이용하는 진단자 또는 의사의 단말일 수 있다. 그리고, 적어도 하나의 진단 단말(400)은, 골다공증 치료 서비스 제공 서버(300)로부터 진단 요청 단말(100)로부터 수신한 진료 기록 데이터를 수신하고, 수신된 진료 기록 데이터에 대한 소견 등을 골다공증 치료 서비스 제공 서버(300)로 전송하는 단말일 수 있다. 또한, 적어도 하나의 진단 단말(400)은 골다공증 치료 서비스 제공 서버(300)에서 빅데이터가 인공지능으로 학습될 때까지 질의에 대한 결과를 수신하고, 오류를 다시 골다공증 치료 서비스 제공 서버(300)로 피드백해주는 단말일 수 있다.
여기서, 적어도 하나의 진단 단말(400)은, 네트워크를 통하여 원격지의 서버나 단말에 접속할 수 있는 컴퓨터로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 네비게이션, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(Desktop), 랩톱(Laptop) 등을 포함할 수 있다. 이때, 적어도 하나의 진단 단말(400)은, 네트워크를 통해 원격지의 서버나 단말에 접속할 수 있는 단말로 구현될 수 있다. 적어도 하나의 진단 단말(400)은, 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, 네비게이션, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말, 스마트폰(smartphone), 스마트 패드(smartpad), 타블렛 PC(Tablet PC) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있다.
적어도 하나의 정보제공 서버(500)는, 빅데이터 및 인공지능 기반 골다공증 치료 서비스 관련 웹 페이지, 앱 페이지, 프로그램 또는 애플리케이션을 이용하여 진료기록과 진단 결과 데이터를 매핑하여 골다공증 치료 서비스 제공 서버(300)에 전송하는 서버일 수 있다. 여기서, 적어도 하나의 정보제공 서버(500)는, 네트워크를 통하여 원격지의 서버나 단말에 접속할 수 있는 컴퓨터로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 네비게이션, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(Desktop), 랩톱(Laptop) 등을 포함할 수 있다.
도 2는 도 1의 시스템에 포함된 골다공증 치료 서비스 제공 서버를 설명하기 위한 블록 구성도이고, 도 3은 본 발명의 일 실시예에 따른 빅데이터 및 인공지능 기반 골다공증 치료 서비스가 구현된 일 실시예를 설명하기 위한 도면이다.
도 2를 참조하면, 골다공증 치료 서비스 제공 서버(300)는, 수신부(310), 저장부(320), 분류부(330), 추출부(340), 전송부(350), 빅데이터화부(360), 검증부(370), 및 추적관찰부(380)를 포함할 수 있다.
본 발명의 일 실시예에 따른 골다공증 치료 서비스 제공 서버(300)나 연동되어 동작하는 다른 서버(미도시)가 적어도 하나의 진단 요청 단말(100), 적어도 하나의 진단 단말(400), 및 적어도 하나의 정보제공 서버(500)로 빅데이터 및 인공지능 기반 골다공증 치료 서비스 애플리케이션, 프로그램, 앱 페이지, 웹 페이지 등을 전송하는 경우, 적어도 하나의 진단 요청 단말(100), 적어도 하나의 진단 단말(400), 및 적어도 하나의 정보제공 서버(500)는, 빅데이터 및 인공지능 기반 골다공증 치료 서비스 애플리케이션, 프로그램, 앱 페이지, 웹 페이지 등을 설치하거나 열 수 있다. 또한, 웹 브라우저에서 실행되는 스크립트를 이용하여 서비스 프로그램이 적어도 하나의 진단 요청 단말(100), 적어도 하나의 진단 단말(400), 및 적어도 하나의 정보제공 서버(500)에서 구동될 수도 있다. 여기서, 웹 브라우저는 웹(WWW: world wide web) 서비스를 이용할 수 있게 하는 프로그램으로 HTML(hyper text mark-up language)로 서술된 하이퍼 텍스트를 받아서 보여주는 프로그램을 의미하며, 예를 들어 넷스케이프(Netscape), 익스플로러(Explorer), 크롬(chrome) 등을 포함한다. 또한, 애플리케이션은 단말 상의 응용 프로그램(application)을 의미하며, 예를 들어, 모바일 단말(스마트폰)에서 실행되는 앱(app)을 포함한다.
도 2를 참조하면, 수신부(310)는, 진단 요청 단말(100)로부터 골다공증 진단 및 치료를 위하여 전송되는 환자의 진료기록 데이터를 수신할 수 있다. 이때, 환자의 진료기록 데이터는, 정형화 정도에 따라 정형(structured) 데이터, 반정형(semi-structured) 데이터, 비정형 (unstructured) 데이터로 분류할 수 있고, 이하 표 1은 이러한 기준에 따른 의료 데이터의 분류 예이다.
| 구분 | 일반 정의 | 의료 데이터의 분류 | |
| 정형 (Structured)데이터 | 규격과 형태가 정해져 있어 고정된 필드에저장되는 데이터 | EMR 데이터 | 의료 기관에서 사용하는 전자 차트 시스템 내의 특정 필드에 숫자나 항목 선택과 같은 정형 값으로 저장되는 데이터 |
| 메타데이터 | 문서, 영상/이미지와 같은 각종 의료 데이터에 대한 메타데이터로서, 표준 등에 기반하여 정의된 구성 요소에 따라 저장되는 데이터 | ||
| 반정형(Semi-structured)데이터 | 고정된 형태는 아니지만,일종의 스키마를 포함하는데이터 | 어노테이션 (annotation) |
영상/이미지 또는 의료 문서에 의료 전문가가 수기 또는 디지털로 추가 작성한 코멘트로서, 텍스트 형태이지만 포함되는 내용이나 용어 등에 일정한 규칙이 존재하는 데이터 |
| 의료 전문가 소견 |
의료 전문가가 의료 문서(리포트) 내에 작성하는 텍스트로서, 일반적으로 비정형으로 분류되지만 포함되는 내용이나 용어 등에 일정한 규칙이 존재하는 데이터 | ||
| 비정형 (unstructured)데이터 | 형태가 불규칙한데이터 | 의료 검사 영상/이미지 | 의료 검사의 결과인 동영상 또는 이미지 데이터 |
정형 데이터는 종류와 형식이 정해져 있는 규격을 갖는 데이터로, 크게 2가지 종류의 의료 데이터가 포함된다. 첫번째는 주로 의료 기관에서 사용하는 EMR 시스템에서 고정된 필드에 정해진 형식(수치, 날짜 등)의 값으로 기입하거나 항목으로 선택하는 유형의 데이터이다. 두 번째는 각종 자료들의 메타데이터이다. 환자 개인의 모든 의료 데이터들에 대한 정보로서, 데이터의 신뢰성 보장이나 데이터 해석을 위해서도 반드시 제공되어야 한다. 기본적으로는 환자에 대한 정보(이름, 나이, 신체 정보 등), 데이터 생성에 관련된 정보(생성 기관, 생성자, 생성일 등) 등이 포함될 수 있다. 특히 국내에서는 의료 영상 정보 교환을 위한 표준인 DICOM(Digital Imaging and Communication in Medicine)을 기반으로 한 의료 영상 메타데이터 표준이 이용될 수 있고, 이는 표 2에서 도시된 바와 같이, 환자 정보, 검사 정보, 영상 정보, 장비 정보 등을 포함하고 있다.
| 분류 | 세부 항목 | 설명 |
| 환자정보 | 환자 기본 정보(이름, ID, 출생일, 성별 등) | 환자에 대한 일반적인 정보 기술 |
| 임상실험 분야의 환자 정보(임상실험 프로토콜명, 식별자 등) | 임상실험과 관련된 환자 정보 기술 | |
| 검사정보 | 일반 검사 정보(검사 식별자, 검사일 등) | 환자에게 실시된 검사에 대한 정보 기술 |
| 환자 검사 정보(진단 내용, 진단 코드,과거 정보 등) | 검사 시점에서의 환자정보 기술 | |
| 임상실험 검사 정보(식별자, 명세서) | 임상실험과 관련된 검사 정보 기술 | |
| 시리즈정보 | 시리즈 일반 정보(영상 획득 장비 타입, 영상 처리 날짜, 담당자 등) |
영상 처리 과정에 대한 일반적인 정보 기술 |
| 임상실험 시리즈 정보(임상실험 관련 영상 데이터담당자) | 임상실험과 관련된 시리즈에 대한 정보 기술 | |
| 영상정보 | 영상의 일반적 정보(이미지 식별자, 생성 날짜, 타입 등) | 영상이미지의 일반적 속성 기술 |
| 이미지 픽셀 | 픽셀 배열 정의 | |
| SOP 정보(SOP 인스턴스 생성 장비, 날짜 등) | SOP 인스턴스 확인을 위한 속성 기술 | |
| 장비정보 | 의료장비 정보(제조사, 설치 장소 등) | 의료장비의 일반적 정보 기술 |
반정형 데이터는 대부분 텍스트 형태로 필드가 고정되어 있지는 않지만, 자료의 특성에 따라 텍스트 내에 포함되는 내용을 정의할 수 있는 데이터 부류이다. 크게는 의료 전문가의 소견이 담기는 문서 데이터와 여기에 추가되는 코멘트(comment)가 해당된다. 텍스트 데이터는 일반적으로는 비정형 데이터로 분류되지만, 의료 분야의 특수성에 의해 텍스트 내에 포함되는 항목이나 내용이 어느 정도 정해져 있는 경우가 많다. 예를 들어, 의료 영상 검사의 판독 보고서 내에는 의료 전문가가 시술 과정, 환자에 대한 간략한 정보, 검사/진단 결과 등을 텍스트 형태로 기술한다. 하지만 질환에 따라 달라지기는 하겠지만, 일반적으로 환자 정보에는 흡연 여부, 지병, 통증 정도 등의 정보가 포함되고, 검사/진단 결과에는 증상 명칭, 증상의 정도 등이 간략하게 나열된다. 이에 따라, 증상, 명칭 등을 통하여 과를 분류하고, 부위를 분류하며, 세부병명을 분류할 수 있으며, 반정형 데이터를 정형화할 수 있다.
비정형 데이터는 형태가 불규칙하여 정의하기 어려운 항목들로서, 일반적으로 텍스트와 이미지 등이 해당한다. 의료 분야에서는 대부분의 텍스트 데이터는 반정형으로 분석할 수 있으므로, 영상이나 이미지 데이터만 비정형으로 고려할 수 있다. 비정형 데이터에는, 예를 들어, CAG(Coronary Angiography), 각종 초음파 영상 등과 같은 다양한 종류의 동영상 데이터와 CT(Computed Tomography), MRI(Magnetic Resonance Imaging),EKG(Electrocardiogram; ECG) 등과 같은 이미지 데이터가 포함된다. 이와 같은 비정형 데이터도, 키워드, 태그 또는 메타 데이터로 학습되어 분류 및 패턴화되고, 이후 새로운 비정형 데이터의 분류가 요구되었을 때, 데이터를 레코드 형식으로 가공하고 연관 데이터와 함께 제공될 수 있다.
저장부(320)는, 수신된 진료기록 데이터 중 적어도 하나의 골밀도(Bone Mineral Density) 검사 항목에 포함된 숫자 데이터를 인식 및 추출하여 저장할 수 있다. 이때, 정량적 골밀도측정법(bone densitometry)은 방사선흡수법(radiographic absorptiometry, RA), 이중에너지 방사선흡수법(dual energy X-ray absorptiometry, DXA), 정량적 초음파법(quantitative ultrasound, QUS), 정량적 전산화단층촬영(quantitative computed tomography, QCT)과 말단골 정량적 전산화단층촬영(peripheral quantitative computed tomography, pQCT) 등이다. 각 골밀도 측정법마다 측정원리와 측정부위가 다른데, 예를 들어, 요추와 대퇴골 부위는 DXA와 QCT를 이용하며, 요골은 DXA와 pQCT, 손은 RA, 종골은 QUS와 pQCT, DXA를 사용할 수 있다. 전신 골밀도와 체지방 분석은 DXA로 측정이 가능하다. 요추와 대퇴골 부위가 가장 많이 측정되는 표준 부위이며 임상적으로도 골다공증성 골절이 흔히 발생하는 부위이다. 이 두 부위에서 측정된 골밀도 중 낮은 수치를 기준으로 진단한다. 요추와 대퇴골의 골밀도 검사가 불가능할 경우와 피질골 소실이 심한 부갑상선기능항진증에서는 요골의 원위 1/3 부위를 측정한다. 이 외에 골의 구조를 평가하기 위하여 pQCT, micro-MRI, micro-CT, Xtreme CT, pDXA(peripheral/portable DXA), Central DXA 등이 사용될 수 있으며 골밀도만으로 설명하기 어려운 골다공증의 병태 생리나 약물에 대한 효과를 설명하는데 도움을 줄 수 있다.
이때, 숫자 데이터는, 예를 들어, 요추 골밀도를 측정한다고 가정하면, L1에서 L4까지의 평균치를 기준으로 진단하는 데이터이다. 정상에서는 L1에서 L4로 가면서 골밀도가 증가하는데 이런 경향이 역전되거나 T-값이 주위 요추와 1 표준편차 이상 차이를 나타내면 퇴행성 변화 등 판정에 적합하지 않은 부위일 가능성이 높다. 추적 검사는 반드시 동일한 관심영역(ROI; region of interest)을 선택해야 검사의 정밀도를 높일 수 있는데, L3, L4의 퇴행성 변화로 L1, L2에 비하여 골밀도가 높게 측정된 경우, L1과 L2의 T-값 평균치를 이용하여 골다공증으로 진단할 수 있게 되는 것이다.
또한, 골밀도 측정 결과인 숫자 데이터를 해석하기 위해서는, 우선 골다공증의 유병률은 측정부위, 해부학적 관심영역 선택과 측정 방법에 따라 달라지는 것을 데이터화해야 한다. 이는 측정부위에 따라 소주골과 피질골의 구성비가 다르고 골소실 속도에 차이가 있기 때문이다. 골밀도는 나이, 성별, 종족간의 정상 평균값과 비교하여 해석할 수 있다. T-값은, (환자의 측정값 － 젊은 집단의 평균값) / 표준편차로 골절에 대한 절대적인 위험도를 나타내기 위해 골량이 가장 높은 젊은 연령층의 골밀도와 비교한 값이다. 따라서, 골밀도측정기에 따라 측정단위나 절대수치가 달라도 비교가 가능하다. 이에 비하여 Z-값은 (환자의 측정값 － 동일 연령집단의 평균값) / 표준편차로 같은 연령대의 평균 골밀도와 비교한 수치이다. 우선, 요추 및 대퇴골의 골밀도 해석하기 위해, T-값 ≥ -1.0: 정상, -1.0 > T-값 > -2.5: 골감소증(osteopenia) 혹은 낮은 골밀도(low bone mass), T-값 ≤ -2.5: 골다공증, T-값 ≤ -2.5 + 골다공증골절: 심한 골다공증으로 구분할 수 있다. 이때, Z-값이 -2.0 이하이면 대사성 골질환의 감별을 위하여 추가적인 검사를 요할 수 있으며, 소아, 청소년, 폐경 전 여성과 50세 이전 남성에서는 T-값을 사용하지 않고 Z-값을 사용하도록 한다. 그리고, Z값이 -2.0 이하이면 연령 기대치이하(below the expected range for age)라 정의한다. 물론, 상술한 수치나 정의 및 규칙 등은 해석방법이나 측정기계에 따라 변경될 수 있으며, 상술한 것들로 한정되지는 않음은 자명하다 할 것이다.
분류부(330)는, 저장된 숫자 데이터를 기 저장된 골다공증 분류 테이블에 기반하여 골다공증의 종류를 분류할 수 있다. 이때, 골다공증은 일차성과 이차성 골다공증으로 분류된다. 일차성 골다공증 또는 원발성 골다공증은 폐경으로 인한 제1형 골다공증과 노화로 인한 제2형 골다공증으로 편의상 분류하지만 거의 같은 시기에 병합되어 진행되므로 정확히 분류하기 어렵다. 이차성 골다공증은 특정 질병이나 수술, 약물복용 등에 의해 최대골량의 형성 장애가 있거나 골소실이 증가되는 경우에 발생한다. 이차성 골다공증을 일으키는 원인은 매우 많고, 이차성 골다공증도 임상적으로 뚜렷한 특징이 없는 경우가 많기 때문에 발병의 정도, 기전, 특성 등 전반적인 연구 및 각 질환별로 골다공증에 대한 위험인자의 판별 방법 등을 빅데이터의 학습을 통하여 분류 테이블을 생성할 수 있고, 이에 따라 분류부(330)는, 골다공증의 종류를 분류할 수 있다. 예를 들어, 글루코코르티코이드 유발 골다공증, 그밖에 다양한 전신 질환과 약물 등이 이차성 골다공증의 원인으로 알려져 있고, 이의 예는 이하 표 3과 같다. 남성의 경우 가장 흔한 원인 3가지는 성선기능저하증, 글루코코르티코이드 사용, 과도한 음주이고, 폐경 전 여성의 경우에는 성선기능저하증, 글루코코르티코이드 사용 등이다. 따라서, 초기에 알려진 데이터를 수집하여 학습을 진행한 후, 이후 검증부(370)에서 진행하는 오류검증 및 딥러닝으로 재학습을 진행하는 경우, 이차성 골다공증을 인공지능 빅데이터 알고리즘으로 진단할 수 있게 된다.
| 약물 | - 글루코코르티코이드 - 항경련제(카바마제핀, 페니토인, 페노바비탈), 항응고제(heparin, warfarin), 과량의 갑상선호르몬제, 성선자극호르몬 분비호르몬 작용제(GnRH agonists), 항암제, 면역억제제, 항우울제, 리튬, 알루미늄-함유 제산제, 방향화효소 |
| 내분비 대사 질환 | - 부갑상선기능항진증, 쿠싱증후군, 갑상선기능항진증,고프로락틴혈증, 성장호르몬 결핍, 비타민 D 결핍,당뇨병 - 성선기능저하증: 터너증후군, 클라인펠터 증후군,조기폐경, 뇌하수체기능저하증, 시상하부성무월경(신경성 식욕부진, 격심한 운동 등) |
| 장기 이식 후 | 신이식, 심장이식, 간이식, 골수이식 |
| 소화기 질환 | 흡수장애, 위절제술, 염증성 장질환, 만성 간질환 |
| 호흡기 질환 | 만성 폐쇄성 폐질환, 천식 |
| 류마티스 질환 | |
| 만성 신부전증 | |
| 골수질환 | 다발성골수종, 림프종, 백혈병, 용혈성 빈혈 |
| 악성 종양 | 혈액암, 유방암, 소화기계 암 |
| 유전성 질환 | 골형성 부전증, 호모시스틴뇨증 |
| 기타 | 장기간의 활동저하, 과도한 음주, 흡연, 특발성 고칼슘뇨증, 임신 |
추출부(340)는, 환자의 진료기록 데이터 중 임상실험결과 및 검진결과에 기반하여 유전적 요인, 생활습관 및 영양, 질병 및 약제를 포함하는 위험인자를 추출할 수 있다. 이때, 골다공증의 중요한 두 가지 위험인자는 청장년기에 낮게 형성된 최대 골량과 노화 및 폐경으로 인한 빠른 골 소실이다. 따라서 골다공증의 예방을 위하여는 골소실이 증가되기 시작하는 폐경 이후 노년층에서 골소실을 가능한 막고자 하는 노력뿐만 아니라 골형성이 시작하는 태아기부터 가능한 높은 최대 골량을 형성시키는 노력을 해야 한다는 점에서 골다공증은 일생 동안의 관리가 필요한 질환이다. 최대 골량의 형성은 크게 유전적 인자와 환경적 인자에 의하여 결정된다. 골다공증은 약 46~80% 정도의 강한 유전적 성향을 가진다고 알려져 있다. 예를 들면, 어머니가 뼈가 약하면 그 딸들에서도 약한 뼈가 관찰되며, 일란성 쌍생아들이 이란성 쌍생아들 보다 성장 후 골밀도가 서로 유사하다는 보고가 있다. 유전적 영향은 최대 골량의 형성기뿐 아니라 이후에도 지속된다. 많은 연구들이 진행되고 있음에도 불구하고 어떤 유전자에 의해 골다공증이 생기는지에 대한 구체적인 분자생물학적 기전은 확실치 않기 때문에 골다공증은 다수의 유전적 변이들의 상호 작용으로 인한 다유전적 질환으로 여겨진다. 최근 LRP5 유전자의 변이들이 보고되었고 유전자 변이의 종류에 따라 매우 낮거나 높은 골량을 가진 가족들에 대한 발표가 잇달아 있었다. LRP5 유전자의 기능 연구로 Wnt 경로가 골의 형성과 유지에 중요한 역할을 한다는 것이 발견되었고 이를 기반으로 골형성 촉진에 대한 기전 연구가 진행되고 있다. 상술한 골다공증의 위험인자는 이하 표 4와 같다.
| 유전적요인 | 생활습관 및 영양 | 질병 | 약제 |
| ① 백인 또는 아시아인 ② 어머니의 골절 병력 ③ 작은 체구 ④ 45세 이하의 조기페경 |
① 지속되는 이차 무월경 ② 흡연 ③ 과도한 알코올 섭취 ④ 비활동성 ⑤ 지속된 활동저하 ⑥ 저체중 |
① 신경성 무식욕증 ② 소화 흡수장애 ③ 부갑상선기능항진증 ④ 갑상선기능항진증 ⑤ 성선기능저하증 ⑥ 유즙 분비 종양 ⑦ 쿠씽씨 병 ⑧ 골형성 부전증 ⑨ 류마티스 관절염 ⑩ 만성 폐쇄성 폐질환 ⑪ 만성 신경장애 ⑫ 만성 신부전증 ⑬ 당뇨병 ⑭ 장기 이식 후 |
① 글루코코르티코이드 사용 ② 갑상선 호르몬의 과다 사용 ③ 항응고제 ④ 항암제 ⑤ 항전간제 ⑥ 인산 결합 제산제 |
추출부(340)는, 생화학적 골표지자 검사에 포함된 적어도 하나의 표지자를 추출할 수 있다. 이때, 골격에서는 골흡수에 의해 오래된 뼈가 제거되고 골형성에 의해 새로운 뼈가 생성되는 골교체가 지속적으로 이루어지고 있다. 생화학적 골교체표지자(biochemical markers of bone turnover)는 골교체율을 반영하는 지표로써 골의 질을 평가할 수 있는 거의 유일한 비침습적 방법이다. 골밀도가 골대사의 정적인 지표인 것에 반해 생화학적 골표지자는 동적 지표이다. 여기서, 골표지자는 파골세포와 조골세포에서 분비되는 효소나, 골흡수나 골형성 과정에서 유리되는 기질 성분을, 혈액이나 소변에서 측정하는 것인데, 개념적으로 골흡수 표지자와 골형성 표지자로 나눌 수 있다. 골흡수 표지자로는, 뼈의 주 기질성분인 콜라겐의 교차결합물(collagen cross -links)인 피리디놀린(pyridinoline, PYR)과 데옥시피리디놀린 (deoxypyridinoline, DPD) 등을 측정하는 방법이 있다. 또한, PYR과 DPD의 교차 결합은 콜라겐 섬유의 아미노말단과 카르복시 말단에서 일어나는데, 이 부위를 측정하는 아미노말단 텔로펩티드(N-telopeptide of collagen cross-links, NTX)와 카르복시말단 텔로펩티드(C-telopeptide of collagen cross-links, CTX) 등이 있다. 골형성 표지자로는 조골세포에서 생성되어 분비되는 골특이 알칼리성 인산분해효소(bone specific alkaline phosphatase, BSALP)와 오스테오칼신(osteocalcin, OC) 등의 단백을 측정하거나 제1형 콜라겐 합성 과정에서 만들어지는 전구콜라겐의 연장 펩티드들인 PICP(carboxyterminal propeptide of type I procollagen)와 PINP(aminoterminal propeptide of type I procollagen) 등을 측정한다. 그러나, 제1형 콜라겐은 뼈에만 존재하는 것이 아니라 피부와 같은 다른 조직에서도 만들어지기 때문에, 골형성 표지자로 BSALP와 OC를 이용하는 것이 바람직하다. 이를, 정리한 표는 이하 표 5와 같다.
| 골흡수 표지자 | 소변 | - Free and total pyridinoline (PYR) - Free and total deoxypyridinoline (DPD) - N-telopeptide of collagen cross-links (NTX) - C-telopeptide of collagen cross-links (CTX) |
| 혈청 | - N-telopeptide of collagen cross-links (NTX) - C-telopeptide of collagen cross-links (CTX) |
|
| 골형성 표지자 | 혈청 | - Bone specific alkaline phosphatase (BSALP) - Osteocalcin (OC) - Carboxyterminal propeptide of type I collagen (PICP) - Aminoterminal propeptide of type I collagen (PINP) |
골표지자 값은 개인적 특성과 측정방법 자체에 의해 다양하게 영향 받을 수 있다. 개인적 특성은 환자의 연령, 성별, 인종, 신체 활동, 식사, 약물 복용, 임신, 수유, 신장 질환, 간질환, 골절 등의 인자가 포함되며, 측정방법에 의한 인자로는 검체의 처리 과정, 측정의 정밀도와 정확도, 표준화, 다른 물질과의 교차 반응, 실험실 간의 변이 등이다. 골표지자는 일반적으로 하루 주기의 리듬이 있기 때문에 검체채취 시간과 방법을 일정하게 설정하지 못한 경우, 이를 오류 패턴으로 포함시켜 이후에 빅데이터 학습을 진행해야 할 수 있다. 소변에서 측정하는 경우에는 신기능에 의한 영향을 최소화하기 위하여 요중 크레아티닌 배설양을 함께 측정하여 이를 나눠 보정하는 방식으로 학습을 진행할 수도 있다. 또한, 학습을 진행할 때, 각 골표지자는 연령, 성별, 인종, 건강 상태 등에 따라 다르기 때문에 이에 따라 각각 참고값(범위; 평균 ± 1.96 표준 편차)을 확립하도록 할 수 있다.전송부(350)는, 분류된 골다공증의 종류, 위험인자 및 적어도 하나의 표지자를 기 구축된 인공지능 빅데이터 알고리즘에 입력 데이터로 입력하여 골절 위험도 진단 및 치료방법을 추출하여 진단 요청 단말(100)로 전송할 수 있다. 이때, 전송부(350)는, 분류된 골다공증의 종류, 위험인자 및 적어도 하나의 표지자를 질의(Query) 데이터로 생성하고, 생성된 질의 데이터에 기반하여, 기 구축된 빅데이터로부터 기 설정된 유사도를 가지는 기준 데이터를 추출하고, 추출된 기준 데이터에 기 매핑되어 저장된 골절 위험도 진단 및 치료방법을 추출할 수 있다.
빅데이터화부(360)는, 수신부(310)에서 진단 요청 단말(100)로부터 골다공증 진단 및 치료를 위하여 전송되는 환자의 진료기록 데이터를 수신하기 이전에, 적어도 하나의 진단 요청 단말(100)의 적어도 하나의 진단 단말(400)에 대한 진단 요청에 응답한 진단 데이터와, 적어도 하나의 정보제공 서버로부터 수집된 의료 가이드라인 데이터를 포함하는 정보 데이터를 수집할 수 있다. 그리고, 빅데이터화부(360)는, 진단 데이터와 정보 데이터를 포함한 로우 데이터(Raw Data)를 병렬 및 분산하여 저장할 수 있고, 저장된 로우 데이터 내에 포함된 비정형(Unstructed) 데이터, 정형(Structured) 데이터 및 반정형 데이터(Semi-structured)를 정제하고, 메타 데이터로 분류를 포함한 전처리를 실시할 수 있다. 그리고, 빅데이터화부(360)는, 전처리된 데이터를 데이터 마이닝(Data Mining)을 포함하는 분석을 실시할 수 있고, 분석된 데이터를 기계학습으로 학습을 진행하여 인공지능 빅데이터 알고리즘을 생성할 수 있다. 이때, 의료 가이드라인 데이터는, 보건복지부, 식품의약품안전처, 국민건강보험공단, 건강보험심사평가원 등 다양한 정부기관 및 의료기관에서 관리 및 운영되고 있어서 각 기관에서 보유한 데이터들의 공유와 연계로 수집될 수 있다. 이때, 개인 건강 기록(PHR; Personal Health Record)과 전자 건강 기록(HER; Electronic Health Record), 스마트 헬스데이터(Smart Health Data) 등이 더 수집될 수도 있다. 여기서, 기계학습은, 딥러닝(Deep-Learning) 기계학습을 포함하고, 기계학습은, 지도학습(Supervised Learning), 반지도 학습(Semi-Supervised Learning), 비지도 학습(Unsupervised Learning), 및 강화 학습(Reinforcement Learning) 중 어느 하나 또는 적어도 하나의 조합으로 이루어질 수 있다.
이때, 딥러닝은, 층이 깊은 신경망을 학습하여 특징을 계층적으로 구조화하는 기계학습 기법으로, 딥러닝은 데이터의 양에 비례하여 성능이 향상되는 경향성을 보인다. 전통적인 기계학습 알고리즘은 데이터로부터 특징(feature vector)을 설계하고 이를 활용하여 비교적 단순한 기계학습을 수행하였는데, 이는 적은 수의 데이터에도 불구하고 동작하는 알고리즘의 개발을 가능하게 하지만 데이터의 양이 증가하더라도 성능이 정체되는 경향을 보이게 된다. 반면에 딥러닝 기반의 접근법은 데이터가 공급됨에 따라 성능이 꾸준히 향상되는 특성을 보인다. 이는 데이터가 풍부한 현시점에 기존 방법과 비교하여 매우 중요하고 현실적인 장점이다. 딥러닝 학습의 결과로 얻어진 모델을 분석하면 층이 높아질수록 점진적으로 복잡한 특징을 구성할 수 있다. 특히, 영상인식에서 딥러닝이 좋은 성능을 보이는데, 이미지를 처리하는 깊은 신경망의 밑의 레이어는 방향성 에지와 같은 단순 패턴에 반응하는 뉴런으로 구성 및 학습되어 있지만, 순차적으로 코너, 물체의 부분, 물체의 전체적인 모양 등의 복잡한 패턴에 반응하는 뉴런으로 구성되어 있다. 이처럼 영상의 특징을 잘 표현하는 방법을 배운다는 점을 강조하여 딥러닝의 특징을 표현법학습(representation learning)이라고도 한다.
이때, 자연어 처리(natural language processing)에서도 이러한 표현법 학습은 유용하다. 구체적으로 자연어 처리 과정에서 과거에는 각 단어에 고유 인덱스를 할당하여 단어를 표현하였다. 이 방법은 수학적으로 명확하지만 단어의 의미가 표현법(representation)에 반영되지 않는다는 한계가 있다. 딥러닝을 이용하는 최근 접근법에 따르면 단어들은 수백 차원의 벡터로 표현 되는데(word embedding) 이 벡터값 들이 단어가 가지는 의미를 반영하게 된다. 예를 들어, 숫자를 표현하는 단어(one, two, three 등)들은 수백차원의 벡터공간에서 비슷한 곳에 모인다거나 특정 축이 성별(gender)을 나타내기도 한다. 딥러닝은 이러한 표현법을 데이터로부터 자동으로 학습하는 것을 가능하게 할 수 있다. 또한, 딥러닝은, end-to-end 학습이 가능하다. 전통적인 접근법은 특징 벡터의 설계를 비롯하여 시스템 설계과정에서 엔지니어가 개입하여 경험이나 직관에 의존하여 설계해야 하는 많은 요소를 가지고 있었다. 예를 들어 글자 인식 시스템(Optical Character Recognition System)의 경우 문자 이미지 입력에 대하여 이진화(binarization), 단어 단위의 분리(word segmentation), 글자 단위의 분리(character segmentation)를 순차적으로 수행한 후 개별 글자(character recognition)를 인식하는 파이프라인을 주로 사용하였으며 각 단계의 알고리즘은 독립적으로 개발 적용 되었다. 이런 접근법은 상대적으로 적은 양의 데이터로도 개발 가능하다는 장점이 있지만, 개별 단위의 개선의 합이 전체 성능의 개선과 명확한 관계를 가지지 않으며 개인의 직관적인 결정에 크게 의존할 수밖에 없다는 문제점이 있다. 이와 다르게 딥러닝은 이러한 요소를 줄이고 입력과 출력의 예시만으로 전체 시스템의 학습이 가능하다.
이때, 지도학습은, 입력과 그 입력이 들어갔을 때 나와야 하는 출력의 예시를 통해 입출력 관계를 학습하는 방법이다. 예를 들어, 학습데이터(training data)에 기계학습 알고리즘을 적용하면 모델이라고 부르는 학습 결과물을 얻을 수 있다. 학습데이터는 입력과 출력의 짝으로 이루어져 있는데 예를 들어, 골다골증 환자의 진료기록 데이터 중 촬영영상, 검사수치 등은 입력이고, 출력은 진료기록 데이터 중 진단 및 위험도 평가일 수 있다. 학습이 완료되어 얻게 된 모델을 사용하여 트레이닝 셋에 포함되지 않은 새로운 입력에 대해서 라벨을 예측할 수 있다. 예를 들어, A 환자의 B 영상 및 C수치값을 진단한 결과가 D라면, A, B, C와 유사한 인자 및 수치값을 가지는 사람이라면, 진단 결과도 D와 유사하게 나오는 것과 같다.
비지도학습은, 라벨 없이 데이터만 주어지는 경우, 데이터로부터 데이터 내부의 숨겨진 구조를 발견하는 방법이다. 구체적으로 군집화(clustering), 차원축소(dimension reduction, feature learning), 생성모델학습(generative model learning)의 일을 수행할 수 있다. 군집화는 데이터를 유사도에 따라서 여러 개의 그룹으로 나누는 작업이다. 이 과정에서 데이터 상의 거리를 어떻게 정의하느냐에 따라서 다양한 군집 결과가 나올 수 있으므로 문제의 목적에 맞는 거리를 정의하는 것이 매우 중요하다. 물론 이러한 거리를 정의하는 데는 도메인 지식이 필요하다. 차원축소(특징학습) 역시 비지도학습의 예로서 라벨 없이 수행할 수 있다. 일반적으로 오토인코더는 입력과 출력이 같도록 내부 파라미터를 학습한다. 단, 모델 내부에 병목(bottleneck) 구조를 만들어 높은 차원의 입력이 낮은 차원의 벡터로 표현되었다가 다시 복원 (reconstruction) 되도록한다. 이와 같은 방법으로 차원축소를 수행하면 데이터의 중요한 구조를 발견할 수 있으며 이후 데이터 처리에 도움을 준다. 라벨이 주어진 데이터가 많지 않은 상황에서 이와 같은 차원 축소 알고리즘을 통해 데이터 벡터의 차원을 줄이는 방식으로 많이 사용될 수 있다. 생성모델학습은 데이터로부터 그와 유사한 데이터를 추가적으로 생성할 수 있는 확률 모델을 학습하는 방법으로 비지도학습의 또 다른 예이다. 일반적으로 특정 분포를 따르는 난수를 입력하면 학습 데이터와 유사한 데이터를 생성해준다. 예를 들어, 많은 수의 CT 영상으로 네트워크학습을 수행하면 잡음로부터 CT 영상을 생성하는 일을 할 수 있다 이에 더하여, GAN(Generative Adversarial Network)을 이용한 방식을 이용할 수도 있는데, GAN 샘플을 생성하는 신경망과 합성된 이미지와 실제 샘플을 구별하는 신경망을 경쟁적 또는 적대적으로 학습시키는 방법이다.
강화학습은, 어떤 환경에서 정의된 에이전트가 현재의 상황을 입력(observation)으로 받아 누적 보상(reward)이 최대가 되는 액션을 선택하는 방법을 학습하는 방법이다. 강화학습은 지도학습과 비교하여 일반적으로 적용 가능한 인공지능(general purpose artificial intelligence)에 가까울 수 있다. 강화학습은 학습 과정에 라벨이 있는 데이터가 필요 없다는 점은 지도학습과는 거리가 있다. 대신 강화학습은 액션을 취하고 그 상황 변화와 관찰하고 리워드를 환산할 수 있는 환경, 예를 들어, 시뮬레이터가 필요하다.
이때, 데이터 마이닝은, 전처리된 데이터 간의 내재된 관계를 탐색하여 클래스가 알려진 훈련 데이터 셋을 학습시켜 새로운 데이터의 클래스를 예측하는 분류(Classification) 또는 클래스 정보 없이 유사성을 기준으로 데이터를 그룹짓는 군집화(Clustering)를 수행할 수 있다. 물론, 이외에도 다양한 마이닝 방법이 존재할 수 있으며, 수집 및 저장되는 빅데이터의 종류나 이후에 요청될 질의(Query)의 종류에 따라 다르게 마이닝될 수도 있다. 이렇게 구축된 빅데이터는, 인공신경망 딥러닝이나 기계학습 등으로 검증과정을 거칠 수도 있다. 여기서, 인공신경망 딥러닝은, 영상 자료를 분석할 때 유용할 수 있다. 예를 들어, 골다공증의 MRI, CT, X-RAY를 학습시키고, 새로운 자문요청이 수신될 때, 해당 자료가 골다공증의 식별자를 가지는 정보인지를 확인할 수 있다. 이때, 인공 신경망은 CNN(Convolutional neural network) 구조가 이용될 수 있는데, CNN은 컨볼루션 층을 이용한 네트워크 구조로 이미지 처리에 적합하며, 이미지 데이터를 입력으로 하여 이미지 내의 특징을 기반으로 이미지를 분류할 수 있기 때문이다. 또한, 텍스트 마이닝(Text Mining)은 비/반정형 텍스트 데이터에서 자연어처리 기술에 기반하여 유용한 정보를 추출, 가공하는 것을 목적으로 하는 기술이다. 텍스트 마이닝 기술을 통해 방대한 텍스트 뭉치에서 의미 있는 정보를 추출해 내고, 다른 정보와의 연계성을 파악하며, 텍스트가 가진 카테고리를 찾아내거나 단순한 정보 검색 그 이상의 결과를 얻어낼 수 있다. 이를 이용하여, 본 발명의 일 실시예에 따른 골다공증 치료 서비스에서는, 질의로 입력되는 식별자나 자연어를 분석하고, 그 안에 숨겨진 정보를 발굴해 내기 위해 대용량 언어자원과 통계적, 규칙적 알고리즘이 사용될 수 있다. 또한, 클러스터 분석(Cluster Analysis)은, 비슷한 특성을 가진 객체를 합쳐가면서 최종적으로 유사 특성의 그룹을 발굴하는데 사용될 수 있는데, 예를 들어, 추간판탈출의 그룹이 있을 수 있고, 척추팽윤의 그룹이 있을 수 있다. 이러한 환자의 그룹을 군집분석을 통하여 분류할 수 있도록 하고, 군집의 특성을 파악하여 이후 신규 진단 요청이 의뢰된 경우, 신규 진단 요청의 객체를 분류해낼 수 있다.
검증부(370)는, 전송부(350)에서 분류된 골다공증의 종류, 위험인자 및 적어도 하나의 표지자를 기 구축된 인공지능 빅데이터 알고리즘에 입력 데이터로 입력하여 골절 위험도 진단 및 치료방법을 추출하여 진단 요청 단말(100)로 전송한 후, 추출된 진단 및 치료방법의 오류검증을 위한 인증을 실시하고, 인증의 결과로 추출된 진단 및 치료방법의 오류 부분 및 오류 원인을 파악하고, 파악된 오류 부분 및 오류 원인을 인공지능 빅데이터 알고리즘의 빅데이터에 업데이트한 후, 오류의 패턴을 발견하여 분류를 통하여 오류율을 예측하기 위하여 인공신경망을 이용한 딥러닝을 실시하고, 딥러닝으로 도출된 데이터 빅데이터에 반영되도록 하며, 빅데이터를 기반으로 인공지능 빅데이터 알고리즘을 재학습시킬 수 있다. 이를 통하여, 유지보수 기간에도 시간에 따라 변경되는 데이터나 히스토리를 추적하거나, 오류를 반영하여 지속적으로 학습을 진행함으로써, 이후 신규 진단 요청이 수신되는 경우 정확도 높은 진단 및 치료방법을 제공해줄 수 있게 된다.
추적관찰부(380)는, 전송부(350)에서 분류된 골다공증의 종류, 위험인자 및 적어도 하나의 표지자를 기 구축된 인공지능 빅데이터 알고리즘에 입력 데이터로 입력하여 골절 위험도 진단 및 치료방법을 추출하여 진단 요청 단말(100)로 전송한 후, 진단 요청 단말(100)로부터 환자의 예후 데이터를 수신하여 환자의 의료기록 데이터에 히스토리 로그로 기록하여 추적관찰을 실시할 수 있다. 이때, 추적 검사결과를 평가할 때는 전번 검사와 동일한 조건에서 얻어진 결과인지를 먼저 확인할 수 있다. 추적 검사에서 관찰되는 골밀도 변화의 유의성을 평가하기 위해서는 최소 유의변화값(least significant change, LSC)을 이용할 수 있다. LSC를 구하기 위해서는 각 기관의 정밀도를 구해야 하는데 최소한 30명 이상에서 2번씩 골밀도를 측정하거나, 15명에서 3번씩 측정하여 얻을 수도 있다. 이렇게 얻어진 정밀도에 2.77을 곱하면 LSC를 구할 수 있다. 예를 들어 정밀도 가 1%이면 LSC는 2.77%로 1년 후 골밀도 변화가 2.77% 이상이어야 유의한 변화로 평가할 수 있다. 각 검사자마다 허용되는 최소 정밀도는 척추, 1.9% (LSC = 5.3%), 대퇴골 전체, 1.8% (LSC = 5.0%), 대퇴골 경부, 2.5% (LSC = 6.9%)로 이보다 낮은 수치를 보여야 한다. 물론, 상술한 데이터에 한정되지 않으며 가이드라인 또는 기계나 인종 등 다른 인자에 의해 변경될 수 있음은 자명하다 할 것이다.
이때, 추적관찰부(380)에서 이용되는 환자의 진료기록 데이터는, 진료기록이 된 시간과 치료 단계가 매핑되어 저장되고, 로우 데이터로부터 치료 단계별 의료진료 히스토리가 타임 테이블로 추출될 수 있는 데이터일 수 있다. 물론, 법적으로 환자에 대한 모든 의료 정보는 5~10년 동안 보관해야 하지만, 데이터의 유용성 정도에 따른 관리도 필요한 부분이다. 따라서, 과거 이력의 축적 여부가 의미가 있는지에 따라 다음과 같이 데이터 종류를 분류할 수 있으며, 이에 따라 관리 또는 제공해야 하는 데이터의 범위가 결정될 수 있다. 따라서, 환자의 진료기록 데이터는, 이력형 데이터, 이전형 데이터 및 현재 데이터로 분류할 수 있다. 이때, 이력형(historical) 데이터는, 과거에 기록된 모든 이력 데이터가 의미 있는 항목이다. 환자 개인에 대해 모든 시점에서 생성된 데이터 값이 현재의 상태와 연관되는 데이터이며, 이전형(previous) 데이터는 해당 데이터에 대한 모든 과거 이력 값이 필요하지는 않지만, 바로 이전 시점의 값이 의미가 있는 항목이다. 현재형 데이터는, 과거 이력 정보가 큰 영향이 없는 데이터 항목이다. 즉, 과거 시점에 생성된 데이터보다는 현재의 값이 중요한 항목에 대해서는 저장은 하는 데이터이다. 이에 따라, 추적관찰부(380)는, 추적관찰이 요구되는 환자 또는 빅데이터의 재학습이나 이후 연구결과에 이용될 수 있는 데이터를 구분하여 저장하도록 하고, 히스토리 로그로 시계열적으로 진단, 치료, 예후 등을 기록할 수 있도록 설정함으로써, 빅데이터의 학습 및 트레이닝에 도움을 줄 수 있도록 한다.
한편, 골다공증 치료 서비스 제공 서버(300)는, 적어도 하나의 분산 노드에 대응하는 서버 또는 단말을 대규모 클러스터로 관리하는 클라우드 서비스를 제공하는 서버일 수 있다. 클라우드 컴퓨팅 환경에서 제공되는 서비스는 IaaS, PaaS, SaaS 등을 포함하여 하드웨어, 네트워크, 스토리지, 웹 기반 서비스, 애플리케이션 공통 API 등 IT 환경 전반에서 요구되는 모든 것을 포함할 수 있다. 웹 기반 서비스 및 SaaS 서비스의 경우 대규모 사용자의 서비스 요청에 대응하기 위해 클러스터 시스템을 이용할 수 있으며, 여러 사용자로부터의 서비스 요청을 자원 사용 현황에 기반하여 적절한 시스템으로 부하를 분배해주는 로드 밸런싱 및 부하 분산 기술이 적용될 수 있다. IaaS 서비스의 경우 주로 가상화 기능을 활용하지만 물리 자원을 기반으로 가상화된 가상 자원을 관리하는 것은 역시 클러스터 관리 시스템의 역할이 된다. 마지막으로 PaaS 서비스의 경우 다양한 서비스 개발 지원 서비스를 통해 개발된 서비스를 호스팅하고 운영하는 환경에서 각 서비스의 자원 활용 상태와 클러스터 시스템의 현재 상태를 기반으로 최상의 자원 활용성과 확장성, 서비스 안정성을 제공하는 것은 역시 클러스터 관리 시스템일 수 있다.
따라서, 본 발명의 일 실시예에서는, 분산 플랫폼을 구축하고 클러스터 관리, 운영, 서비스 배포 등을 수행하는 클러스터 관리 시스템, 클러스터 관리 시스템을 기반으로 상위에 구축되는 분산 데이터 관리 시스템, 분산 파일 시스템, 분산 병렬처리 시스템 및 분산 보안 시스템으로 구성될 수 있으나, 이에 한정되는 것은 아니다. 또한, 상술한 서비스를 제공하기 위하여, 클러스터 구성 및 운용관리(cluster orchestration), 자동 프로비저닝(provisioning), 분산 자원 모니터링(monitoring), 서비스 관리를 수행할 수 있다.
클러스터 구성 및 운용관리는, 수 천에서 수만 대의 저비용 보급형 서버(commodity server)들로 구성된 대규모 클러스터 환경을 관리자의 개입을 최소화하면서 빠른 시간 내에 구축 및 구성하고, 용이한 노드의 추가/삭제를 통해 확장성을 지원할 수 있는 클러스터 시스템을 제공할 수 있고, 글로벌 인터넷 운영환경에서 대규모의 사용자를 신속하고 효율적으로 지원하기 위하여 클러스터 규모의 확장, 특정 노드의 역할 변경 등 다양한 운용 환경에 대한 요구를 클러스터 운용중 자동 및 실시간으로 지원할 수 있다. 또한, 관리 비용의 절감을 위한 분산 자원 모니터링의 성능 문제를 고려하여 클러스터의 구성을 계층적으로 구성할 수 있으며, 빈번하게 발생할 수 있는 노드 장애 발생시 이에 자동으로 대처하도록 구성될 수 있다. 이를 위하여, 일반 노드들의 계층적 초기 구성 자동화, 임의 노드의 추가 및 삭제, 타 분산 컴퓨팅 플랫폼 구성요소의 마스터 선정 및 구동, 타 분산 컴퓨팅 플랫폼 구성요소의 마스터 후보 등록 및 삭제, 타 분산 컴퓨팅 플랫폼 구성요소의 마스터 노드 위치 정보 제공, 타 분산 컴퓨팅 플랫폼 구성요소의 마스터 노드 장애 대처, 타 분산 컴퓨팅 플랫폼 구성요소의 종류에 따른 풀(pool) 생성/삭제, 현재 존재하는 풀로 노드 할당 추가/삭제 등의 기능을 포함할 수 있으나, 이에 한정되지는 않는다.
두 번째로, 자동 프로비저닝은 대규모 클러스터의 구축 및 동적 노드 추가, 삭제를 지원하고 모니터링 결과에 따라 각 노드의 역할 및 구성을 동적으로 변경 관리하기 위해서 요구되는 소프트웨어 및 운영체제를 제공할 수 있다. 자동 프로비저닝은 이미지 방식과 스트리밍 방식을 함께 지원할 수 있다. 세 번째로, 분산 자원 모니터링은 관리 비용의 절감을 위해 각 노드의 상태를 자동 모니터링 하기 위한 기능을 제공할 수 있고, 클러스터 시스템의 다른 기능들은 분산 자원 모니터링 기능을 통해 각 노드의 장애를 탐지하면 이에 자동으로 대처하여 관리자의 서버 정비를 배치 처리로 수행할 수 있는 시스템을 구축할 수 있게 한다. 각 노드에서 수행되어야 할 모니터링 기능은 동적으로 추가 및 제거될 수 있다. 마지막으로, 서비스 관리에서는 클러스터 시스템에서 운영하는 여러 서비스의 상태를 관리하고, 운영중인 서비스에 대해서는 외부 부하에 따라 서비스 노드를 자동으로 추가 또는 삭제하여 동적 서비스 재배치를 수행함으로써 클러스터 시스템의 서비스 가동률을 높이고 전체적인 효율을 높여 줄 수 있다. 또한, 모니터링 시스템을 통하여 제공되는 정보를 바탕으로 서비스 장애 노드를 교체함으로써 서비스의 연속성을 보장할 수도 있다.
클러스터 시스템은, 예를 들어, 각 노드는 일정 규모(보통 250여 대의 서브넷 단위)로 그룹화 되어 하나의 그룹을 형성하며 각 그룹은 하나의 그룹 마스터를 갖는다. 이러한 그룹들은 전체 클러스터를 관리하는 클러스터 마스터에 의해 다시 그룹화되는 계층적 구조를 통해 하나의 데이터 센터급 클러스터를 구성할 수 있다. 또한, 클러스터 내에는 클러스터 내의 주요 정보들을 저장 관리하기 위한 키 마스터(key master) 그룹이 존재할 수 있는데, 키 마스터 그룹은 보통 수 대의 노드들로 구성된다. 이외에 클러스터 내의 각 노드에 운영체제 및 소프트웨어를 제공할 프로비저닝 마스터/서버, 서비스의 부하 분배를 위한 LVS/L4 스위치들, 내부적인 정보 저장을 담당하는 DB 서버가 존재할 수 있지만, 실시예일 뿐 상술한 것들로 한정되지는 않는다.
이하, 상술한 도 2의 골다공증 치료 서비스 제공 서버의 구성에 따른 동작 과정을 도 3을 예로 들어 상세히 설명하기로 한다. 다만, 실시예는 본 발명의 다양한 실시예 중 어느 하나일 뿐, 이에 한정되지 않음은 자명하다 할 것이다.
도 3a를 도 3b 및 도 3c를 참조하여 설명하면, (a) 골다공증 치료 서비스 제공 서버(300)는 수신된 진료기록 데이터를 분류하고, 적어도 하나의 정보 제공 서버(500)로부터 의료 가이드라인 및 이전에 축적된 진료 기록 데이터 등을 수집하여 빅데이터를 수집하고, 이를 기계학습으로 트레이닝시켜 빅데이터 인공지능 알고리즘을 생성하는 과정을 거치게 된다. 그리고, (b) 골다공증 치료 서비스 제공 서버(300)는, 진단 요청 단말(100)로부터 새로운 진단 요청이 수신되는 경우, 골다공증 치료 서비스 제공 서버(300)는, 진단 요청이 수신된 진료 기록 데이터 중 숫자 데이터, 위험인자 및 표지자를 추출하여, 유사한 진단 데이터를 검색할 질의를 생성한다. 그리고 나서, 골다공증 치료 서비스 제공 서버(300)는, (c) 빅데이터에 질의에 대한 답변으로 유사 진단 데이터를 수신하고, 이 내에 포함된 골절 위험도 및 치료 방법을 추출한다. 이때, (d) 빅데이터의 구축 초기에는 인간의 개입하여 오류를 수정하는 피드백 및 오류 검증 과정을 거쳐야 하는데, 이를 위하여 진단 요청 단말(100) 또는 진단 단말(400)로 빅데이터에서 질의를 입력하여 나온 결과를 전송하고, 이에 대한 피드백을 받는다. 이러한 오류 검증 결과는 다시 빅데이터를 학습시키기 위한 입력값으로 피드백되며, 골다공증 치료 서비스 제공 서버(300)는 인공신경망 딥러닝을 통하여 오류 패턴을 추출하고, 오류가 발생하는 패턴을 학습함으로써 해당 패턴을 발생시키는 인자를 탐색하여 보고서를 생성할 수 있다. 물론, 이외에도 다양하게 오류를 발생시키는 패턴을 학습할 수 있으며, 학습된 결과 및 분석된 패턴은 주기적 또는 실시간으로 관리자에게 보고될 수 있음은 물론이라 할 것이다.
이와 같은 도 2 및 도 3의 빅데이터 및 인공지능 기반 골다공증 치료 서비스 제공 방법에 대해서 설명되지 아니한 사항은 앞서 도 1을 통해 빅데이터 및 인공지능 기반 골다공증 치료 서비스 제공 방법에 대하여 설명된 내용과 동일하거나 설명된 내용으로부터 용이하게 유추 가능하므로 이하 설명을 생략하도록 한다.
도 4는 본 발명의 일 실시예에 따른 도 1의 빅데이터 및 인공지능 기반 골다공증 치료 서비스 제공 시스템에 포함된 각 구성들 상호 간에 데이터가 송수신되는 과정을 나타낸 도면이다. 이하, 도 4를 통해 각 구성들 상호간에 데이터가 송수신되는 과정의 일 예를 설명할 것이나, 이와 같은 실시예로 본원이 한정 해석되는 것은 아니며, 앞서 설명한 다양한 실시예들에 따라 도 4에 도시된 데이터가 송수신되는 과정이 변경될 수 있음은 기술분야에 속하는 당업자에게 자명하다.
도 4를 참조하면, 골다공증 치료 서비스 제공 서버(300)는, 진단 요청 단말(100)로부터 진단 요청받으면, 진단 단말(400)로 전송하고, 진단 단말(400)에서 전송된 진단 데이터는 골다공증 치료 서비스 제공 서버(300)로 전송되고(S4300), 골다공증 치료 서비스 제공 서버(300)는, 이렇게 의료 히스토리 로그로 축적된 데이터와, 정보제공 서버(500)로부터 수집된 가이드 라인 등의 데이터를 이용하여(S4100), 빅데이터를 구축하는 과정을 진행한다(S4200, S4300).
한편, 골다공증 치료 서비스 제공 서버(300)는, 진단 요청 단말(100)로부터 신규 진단 요청이 도착하는 경우(S4400), 진료 기록 데이터를 파싱하여 식별자를 추출하고, 식별자로 질의를 생성하고(S4500), 질의에 대한 답변인 유사 진단 데이터를 추출하고(S4510), 요청자의 기록에 대응하도록 진단 데이터를 생성한다(S4530).
그리고 나서, 골다공증 치료 서비스 제공 서버(300)는, 진단 요청 단말(100) 및 진단 단말(400)로 피드백을 요청하고(S4600), 요청에 대응한 피드백을 수신하면(S4700), 오류가 없는 경우에는(S4800) 이를 진단 요청 단말(100)로 다시 전송하고(S4830), 오류가 존재하는 경우에는 인공신경망 딥러닝을 실시하여 이를 입력으로 빅데이터를 다시 훈련시키는 과정을 루프를 돌며 반복함으로써, 이후 신규 진단 요청이 접수되었을 때 오류가 발생되지 않도록 한다(S4810).
그리고, 진단 요청 단말(100) 또는 진단 단말(400)에서 추적관리 데이터가 전송된 경우(S4850), 예후 추적 및 그 이후 치료 과정에 대한 데이터를 입력 데이터로 빅데이터에 입력하여 재학습을 실시하게 된다(S4900, S4920).
상술한 단계들(S4100~S4920)간의 순서는 예시일 뿐, 이에 한정되지 않는다. 즉, 상술한 단계들(S4100~S4920)간의 순서는 상호 변동될 수 있으며, 이중 일부 단계들은 동시에 실행되거나 삭제될 수도 있다.
이와 같은 도 4의 빅데이터 및 인공지능 기반 골다공증 치료 서비스 제공 방법에 대해서 설명되지 아니한 사항은 앞서 도 1 내지 도 3을 통해 빅데이터 및 인공지능 기반 골다공증 치료 서비스 제공 방법에 대하여 설명된 내용과 동일하거나 설명된 내용으로부터 용이하게 유추 가능하므로 이하 설명을 생략하도록 한다.
도 5는 본 발명의 일 실시예에 따른 빅데이터 및 인공지능 기반 골다공증 치료 서비스 제공 방법을 설명하기 위한 동작 흐름도이다. 도 5를 참조하면, 골다공증 치료 서비스 제공 서버는, 진단 요청 단말로부터 골다공증 진단 및 치료를 위하여 전송되는 환자의 진료기록 데이터를 수신한다(S5100).
그리고, 골다공증 치료 서비스 제공 서버는, 수신된 진료기록 데이터 중 적어도 하나의 골밀도(Bone Mineral Density) 검사 항목에 포함된 숫자 데이터를 인식 및 추출하여 저장한다(S5200).
또한, 골다공증 치료 서비스 제공 서버는, 저장된 숫자 데이터를 기 저장된 골다공증 분류 테이블에 기반하여 골다공증의 종류를 분류하고(S5300), 환자의 진료기록 데이터 중 임상실험결과 및 검진결과에 기반하여 유전적 요인, 생활습관 및 영양, 질병 및 약제를 포함하는 위험인자를 추출한다(S5400).
또한, 골다공증 치료 서비스 제공 서버는, 생화학적 골표지자 검사에 포함된 적어도 하나의 표지자를 추출하고(S5500), 분류된 골다공증의 종류, 위험인자 및 적어도 하나의 표지자를 기 구축된 인공지능 빅데이터 알고리즘에 입력 데이터로 입력하여 골절 위험도 진단 및 치료방법을 추출하여 진단 요청 단말로 전송한다(S5600).
이와 같은 도 5의 빅데이터 및 인공지능 기반 골다공증 치료 서비스 제공 방법에 대해서 설명되지 아니한 사항은 앞서 도 1 내지 도 4를 통해 빅데이터 및 인공지능 기반 골다공증 치료 서비스 제공 방법에 대하여 설명된 내용과 동일하거나 설명된 내용으로부터 용이하게 유추 가능하므로 이하 설명을 생략하도록 한다.
도 5를 통해 설명된 일 실시예에 따른 빅데이터 및 인공지능 기반 골다공증 치료 서비스 제공 방법은, 컴퓨터에 의해 실행되는 애플리케이션이나 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.
전술한 본 발명의 일 실시예에 따른 빅데이터 및 인공지능 기반 골다공증 치료 서비스 제공 방법은, 단말기에 기본적으로 설치된 애플리케이션(이는 단말기에 기본적으로 탑재된 플랫폼이나 운영체제 등에 포함된 프로그램을 포함할 수 있음)에 의해 실행될 수 있고, 사용자가 애플리케이션 스토어 서버, 애플리케이션 또는 해당 서비스와 관련된 웹 서버 등의 애플리케이션 제공 서버를 통해 마스터 단말기에 직접 설치한 애플리케이션(즉, 프로그램)에 의해 실행될 수도 있다. 이러한 의미에서, 전술한 본 발명의 일 실시예에 따른 빅데이터 및 인공지능 기반 골다공증 치료 서비스 제공 방법은 단말기에 기본적으로 설치되거나 사용자에 의해 직접 설치된 애플리케이션(즉, 프로그램)으로 구현되고 단말기에 등의 컴퓨터로 읽을 수 있는 기록매체에 기록될 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
Claims (10)
- 골다공증 치료 서비스 제공 서버에서 실행되는 골다공증 치료 서비스 제공 방법에 있어서,
(a) 진단 요청 단말로부터 골다공증 진단 및 치료를 위하여 전송되는 환자의 진료기록 데이터를 수신하는 단계;
(b) 상기 수신된 진료기록 데이터 중 적어도 하나의 골밀도(Bone Mineral Density) 검사 항목에 포함된 숫자 데이터를 인식 및 추출하여 저장하는 단계;
(c) 상기 저장된 숫자 데이터를 기 저장된 골다공증 분류 테이블에 기반하여 골다공증의 종류를 분류하는 단계;
(d) 상기 환자의 진료기록 데이터 중 임상실험결과 및 검진결과에 기반하여 유전적 요인, 생활습관 및 영양, 질병 및 약제를 포함하는 위험인자를 추출하는 단계;
(e) 생화학적 골표지자 검사에 포함된 적어도 하나의 표지자를 추출하는 단계; 및,
(f) 상기 분류된 골다공증의 종류, 위험인자 및 적어도 하나의 표지자를 기 구축된 인공지능 빅데이터 알고리즘에 입력 데이터로 입력하여 골절 위험도 진단 및 치료방법을 추출하여 상기 진단 요청 단말로 전송하는 단계를 포함하고,
상기 (f) 단계는,
상기 분류된 골다공증의 종류, 위험인자 및 적어도 하나의 표지자를 질의(Query) 데이터로 생성하는 단계;
상기 생성된 질의 데이터에 기반하여, 기 구축된 빅데이터로부터 기 설정된 유사도를 가지는 기준 데이터를 추출하는 단계; 및
상기 추출된 기준 데이터에 기 매핑되어 저장된 골절 위험도 진단 및 치료방법을 추출하는 단계를 포함하는 빅데이터 및 인공지능 기반 골다공증 치료 서비스 제공 방법.
- 삭제
- 제 1 항에 있어서,
상기 (c) 단계에서,
상기 기 저장된 골다공증 분류 테이블은, 1차성 골다공증 및 2차성 골다공증이 각각 숫자 데이터와 매핑되어 분류 및 저장되는 테이블이고,
상기 1차성 골다공증은, 폐경 후 골다공증 및 노인성 골다공증을 포함하는 빅데이터 및 인공지능 기반 골다공증 치료 서비스 제공 방법.
- 제 1 항에 있어서,
상기 (a) 단계 이전에,
적어도 하나의 진단 요청 단말의 적어도 하나의 진단 단말에 대한 진단 요청에 응답한 진단 데이터와, 적어도 하나의 정보제공 서버로부터 수집된 의료 가이드라인 데이터를 포함하는 정보 데이터를 수집하는 단계;
상기 진단 데이터와 정보 데이터를 포함한 로우 데이터(Raw Data)를 병렬 및 분산하여 저장하는 단계;
상기 저장된 로우 데이터 내에 포함된 비정형(Unstructed) 데이터, 정형(Structured) 데이터 및 반정형 데이터(Semi-structured)를 정제하고, 메타 데이터로 분류를 포함한 전처리를 실시하는 단계;
상기 전처리된 데이터를 데이터 마이닝(Data Mining)을 포함하는 분석을 실시하는 단계;
상기 분석된 데이터를 기계학습으로 학습을 진행하여 인공지능 빅데이터 알고리즘을 생성하는 단계;
를 더 포함하는 빅데이터 및 인공지능 기반 골다공증 치료 서비스 제공 방법.
- 제 4 항에 있어서,
상기 기계학습은, 딥러닝(Deep-Learning) 기계학습을 포함하고,
상기 기계학습은, 지도학습(Supervised Learning), 반지도 학습(Semi-Supervised Learning), 비지도 학습(Unsupervised Learning), 및 강화 학습(Reinforcement Learning) 중 어느 하나 또는 적어도 하나의 조합으로 이루어지는 것인, 빅데이터 및 인공지능 기반 골다공증 치료 서비스 제공 방법.
- 제 1 항에 있어서,
상기 생화학적 골표지자 검사에 포함된 적어도 하나의 표지자는, 골 형성 표지자 및 골 흡수 표지자를 포함하고,
상기 골 형성 표지자는, 혈청 BSALP(Bone Sepcific Alkaline Phophatase), OC(Osteocalcin), PICP(Carboxyterminal Propeptide of type I Procollagen), 및PINP(Aminoterminal Propeptide of type I Procollagen)를 포함하고,
골 흡수 표지자는, 혈청 NTX(N-Telopeptide of Collagen Cross-Links), 및CTX(C-Telopeptide of Collagen Cross-Links)와, 소변 NTX(N-Telopeptide of Collagen Cross-Links), CTX(C-Telopeptide of Collagen Cross-Links), PYR(Free and Total Pyridinoline), 및 DPD(Free and Total Deoxypyridinoline)를 포함하는 빅데이터 및 인공지능 기반 골다공증 치료 서비스 제공 방법.
- 제 1 항에 있어서,
상기 (f) 단계 이후에,
상기 추출된 진단 및 치료방법의 오류검증을 위한 인증을 실시하는 단계;
상기 인증의 결과로 상기 추출된 진단 및 치료방법의 오류 부분 및 오류 원인을 파악하는 단계;
상기 파악된 오류 부분 및 오류 원인을 상기 인공지능 빅데이터 알고리즘의 빅데이터에 업데이트한 후, 상기 오류의 패턴을 발견하여 분류를 통하여 오류율을 예측하기 위하여 인공신경망을 이용한 딥러닝을 실시하는 단계;
상기 딥러닝으로 도출된 데이터 상기 빅데이터에 반영되도록 하는 단계;
상기 빅데이터를 기반으로 상기 인공지능 빅데이터 알고리즘을 재학습시키는 단계를 더 포함하는 빅데이터 및 인공지능 기반 골다공증 치료 서비스 제공 방법.
- 제 1 항에 있어서,
상기 (f) 단계 이후에,
상기 진단 요청 단말로부터 상기 환자의 예후 데이터를 수신하여 상기 환자의 의료기록 데이터에 히스토리 로그로 기록하여 추적관찰을 실시하는 단계를 더 포함하는 빅데이터 및 인공지능 기반 골다공증 치료 서비스 제공 방법.
- 제 1 항에 있어서,
상기 골다공증 치료 서비스 제공 서버는, 적어도 하나의 분산 노드에 대응하는 서버 또는 단말을 대규모 클러스터로 관리하는 클라우드 서비스를 제공하는 서버인 빅데이터 및 인공지능 기반 골다공증 치료 서비스 제공 방법.
- 골다공증 치료 서비스 제공 서버와 연동하여 동작하는 진단 요청 단말에서 제 1 항, 및 제 3 항 내지 제 9 항 중 어느 한 항의 방법을 실행하기 위하여 매체에 저장된 애플리케이션.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190047686A KR102240804B1 (ko) | 2019-04-24 | 2019-04-24 | 빅데이터 및 인공지능 기반 골다공증 치료 서비스 제공 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190047686A KR102240804B1 (ko) | 2019-04-24 | 2019-04-24 | 빅데이터 및 인공지능 기반 골다공증 치료 서비스 제공 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20200128241A KR20200128241A (ko) | 2020-11-12 |
| KR102240804B1 true KR102240804B1 (ko) | 2021-04-19 |
Family
ID=73398580
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190047686A KR102240804B1 (ko) | 2019-04-24 | 2019-04-24 | 빅데이터 및 인공지능 기반 골다공증 치료 서비스 제공 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102240804B1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20240075102A (ko) | 2022-11-21 | 2024-05-29 | 이화여자대학교 산학협력단 | 골다공증 위험도 예측 방법 및 장치 |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102533962B1 (ko) * | 2021-02-02 | 2023-05-22 | 서울대학교병원 | 안구 관련 데이터베이스 구축 시스템 및 방법 |
| WO2022211506A1 (ko) * | 2021-03-31 | 2022-10-06 | 주식회사 루닛 | 인공지능 모델을 이용한 의학적 예측 제공 방법 및 장치 |
| KR102332740B1 (ko) * | 2021-07-28 | 2021-12-01 | 주식회사 비플컨설팅 | 딥러닝을 이용하여 환자의 증상을 진단하는 방법, 장치 및 시스템 |
| KR102416618B1 (ko) * | 2022-04-18 | 2022-07-05 | 주식회사 그린리본 | 의료비 지출내역 기반 진단코드 예측 서비스 제공 시스템 |
| CN115346662A (zh) * | 2022-08-23 | 2022-11-15 | 亿慧云智能科技（深圳）股份有限公司 | 一种用于宠物医院的智能诊断数据管理方法及系统 |
| KR20240093185A (ko) * | 2022-12-15 | 2024-06-24 | 서울대학교병원 | 딥러닝 기반의 고관절 병변 예측 장치 및 방법 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016013004A1 (en) * | 2014-07-21 | 2016-01-28 | Zebra Medical Vision Ltd. | Systems and methods for prediction of osteoporotic fracture risk |
-
2019
- 2019-04-24 KR KR1020190047686A patent/KR102240804B1/ko active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016013004A1 (en) * | 2014-07-21 | 2016-01-28 | Zebra Medical Vision Ltd. | Systems and methods for prediction of osteoporotic fracture risk |
Non-Patent Citations (2)
| Title |
|---|
| Marius Kraenzlin. "Biochemical markers of bone turnover and osteoporosis management". pipette_magazine. 2007년11월 공개 1부.* |
| 정호연. "골다공증 진단 및 치료 지침 2007". 대한내분비학회지. 제23권, 제2호, pp76-108. 2008년 공개 1부.* |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20240075102A (ko) | 2022-11-21 | 2024-05-29 | 이화여자대학교 산학협력단 | 골다공증 위험도 예측 방법 및 장치 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20200128241A (ko) | 2020-11-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102185760B1 (ko) | 골다공증 진단 장치 및 골다공증 판단 방법 | |
| KR102240804B1 (ko) | 빅데이터 및 인공지능 기반 골다공증 치료 서비스 제공 방법 | |
| US11894114B2 (en) | Complex image data analysis using artificial intelligence and machine learning algorithms | |
| US11037070B2 (en) | Diagnostic test planning using machine learning techniques | |
| Trister et al. | Will machine learning tip the balance in breast cancer screening? | |
| Langs et al. | Machine learning: from radiomics to discovery and routine | |
| Buda et al. | A data set and deep learning algorithm for the detection of masses and architectural distortions in digital breast tomosynthesis images | |
| Sangha et al. | Automated multilabel diagnosis on electrocardiographic images and signals | |
| Kosar et al. | Assessment of rural-urban differences in postacute care utilization and outcomes among older US adults | |
| Tran et al. | Computational radiology in breast cancer screening and diagnosis using artificial intelligence | |
| Centor | Signal detectability: the use of ROC curves and their analyses | |
| Yala et al. | Optimizing risk-based breast cancer screening policies with reinforcement learning | |
| Ulloa Cerna et al. | Deep-learning-assisted analysis of echocardiographic videos improves predictions of all-cause mortality | |
| Laserson et al. | Textray: Mining clinical reports to gain a broad understanding of chest x-rays | |
| Mazzanti et al. | Imaging, health record, and artificial intelligence: hype or hope? | |
| CN113284572B (zh) | 多模态异构的医学数据处理方法及相关装置 | |
| Hong et al. | Machine learning applications in endocrinology and metabolism research: an overview | |
| Patil et al. | Performance overview of an artificial intelligence in biomedics: a systematic approach | |
| Chatzinikolaou et al. | Smart healthcare support using data mining and machine learning | |
| Farmer et al. | Association of medical liability reform with clinician approach to coronary artery disease management | |
| Park et al. | Application of machine learning to identify clinically meaningful risk group for osteoporosis in individuals under the recommended age for dual-energy X-ray absorptiometry | |
| Feng et al. | Multimodal Fusion of Echocardiography and Electronic Health Records for the Detection of Cardiac Amyloidosis | |
| Raffy et al. | Deep learning body region classification of MRI and CT examinations | |
| Yoldemir | Artificial intelligence and women’s health | |
| Hsieh et al. | Mimic-eye: Integrating mimic datasets with reflacx and eye gaze for multimodal deep learning applications |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right |