KR102241399B1 - 증상의 질병 특이도 측정 시스템 - Google Patents

증상의 질병 특이도 측정 시스템 Download PDF

Info

Publication number
KR102241399B1
KR102241399B1 KR1020200107249A KR20200107249A KR102241399B1 KR 102241399 B1 KR102241399 B1 KR 102241399B1 KR 1020200107249 A KR1020200107249 A KR 1020200107249A KR 20200107249 A KR20200107249 A KR 20200107249A KR 102241399 B1 KR102241399 B1 KR 102241399B1
Authority
KR
South Korea
Prior art keywords
disease
symptom
symptoms
patient
specificity
Prior art date
Application number
KR1020200107249A
Other languages
English (en)
Inventor
금창원
Original Assignee
주식회사 쓰리빌리언
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 쓰리빌리언 filed Critical 주식회사 쓰리빌리언
Priority to KR1020200107249A priority Critical patent/KR102241399B1/ko
Application granted granted Critical
Publication of KR102241399B1 publication Critical patent/KR102241399B1/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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • 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

Landscapes

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

Abstract

본 발명은 증상들로 정의된 질병에 대해서, 데이터베이스에 저장된 전체 질병들을 대상으로 환자의 증상이 포함된 질병들에 대한 정보 엔트로피를 산출하는 정보 엔트로피 생성부; 환자의 증상이 포함된 각각의 질병에 대해서 환자의 증상이 발현된 빈도를 나타내는 질병 별 증상 발현빈도 정보를 산출하는 증상 발현빈도 정보 생성부; 및 상기 정보 엔트로피와 상기 질병 별 증상 발현빈도 정보를 이용하여 특정 증상의 질병 별 특이도를 산출하는 증상 특이도 산출부를 포함하는 증상의 질병 특이도 측정 시스템을 제공한다.

Description

증상의 질병 특이도 측정 시스템{A System to measure symptom specificity accounting symptom prevalence in diseases}
본 발명은 환자의 증상에 기반하여 질병을 진단하는데 있어서, 각 증상이 질병을 특정하기 위해 얼마나 차별성이 있는지를 측정하는 증상의 질병 특이도 측정 시스템에 관한 것이다.
정확한 진단을 위해서는 환자에서 관찰된 증상에 기반하여 유력한 질병을 제시하는 것이 중요하다. 최근에는 각각의 질병에 수반되는 증상 정보가 구축되어 있으므로 각 질병의 알려진 증상과 환자의 증상을 비교하여 진단을 돕는 방법이 이용되고 있다.
즉, 환자의 증상과 질병과의 상관성을 측정하여 질병을 특정할 수 있다.
그러나, 다수의 질병이 동일 증상을 공유하거나 동일 질병에 나타나는 증상들이 항상 같은 빈도로 나타나는 것은 아니기 때문에, 질병의 증상들과 환자의 증상들을 비교하여 정확한 질병을 찾아 내는 것은 어려운 문제이다.
각 증상이 질병에 얼마나 차별적으로 상관성이 있는지를 측정하는 것은 이러한 문제를 해결하는데 중요한 실마리가 될 수 있다.
본 발명은 각 증상이 질병에 얼마나 차별적으로 상관성이 있는지를 측정하는 증상의 질병에 대한 특이도를 측정하는 방법에 대한 것이다.
대한민국 공개특허공보 제10-2020-0057411호(2020년05월26일 공개)
본 발명이 이루고자 하는 기술적 과제는 환자의 증상으로부터 질병을 진단함에 있어서, 환자의 증상이 각 질병에 대해 얼마나 차별성이 있는지를 측정하는 증상의 질병 특이도 측정 시스템을 제공하고자 한다.
이러한 과제를 해결하기 위하여 본 발명의 실시예에 따른 증상의 질병 특이도 측정 시스템은 증상들로 정의된 질병에 대해서, 데이터베이스에 저장된 전체 질병들을 대상으로 환자의 증상이 포함된 질병들에 대한 정보 엔트로피를 산출하는 정보 엔트로피 생성부; 환자의 증상이 포함된 각각의 질병에 대해서 환자의 증상이 발현된 빈도를 나타내는 질병 별 증상 발현빈도 정보를 산출하는 증상 발현빈도 정보 생성부; 및 상기 정보 엔트로피와 상기 질병 별 증상 발현빈도 정보를 이용하여 특정 증상의 질병 별 특이도를 산출하는 증상 특이도 산출부를 포함한다.
상기 정보엔트로피 생성부는 하기 수학식 1에 의해 상기 정보 엔트로피(n)를 산출하고, 상기 증상 발현빈도 정보 생성부는 상기 질병 별 증상 발현빈도 정보(m)를 수학식 2에 의해 산출하는 것을 특징으로 하는 증상의 질병 특이도 측정 시스템.
수학식 1
n = -log(p(Si))
(p(Si) = k/N, 여기서 k = 증상 Si 를 가진 질병 개수, N = 모든 질병 개수)
수학식 2
m = P(Si|Dj)
(Si = 증상이고, Dj = 질병이며, P(Si|Dj)는 특정 질병 Dj에서 특정 증상 Si가 발현되는 빈도이다.)
상기 증상 특이도 산출부는 상기 특정 증상의 질병 별 특이도(S)를 수학식 3에 의해 산출하는 것을 특징으로 하는 증상의 질병 특이도 측정 시스템.
수학식 3
S = -log(p(Si))*P(Si|Dj)
(p(Si) = k/N, 여기서 k = 증상 Si 를 가진 질병 개수, N = 모든 질병 개수이고, P(Si|Dj)는 특정 질병 Dj에서 특정 증상 Si가 발현되는 빈도이다.)
환자의 전체 증상들에 대해서 특정 질병에 대한 환자 증상 상관도(K)를 수학식 4에 의해 산출하는 질병 상관도 산출부를 더 포함하는 증상의 질병 특이도 측정 시스템.
수학식 4
K =
Figure 112020089469361-pat00001
(환자의 증상 S = {S1, S2, … , Sn}로 정의되고, Dk 는 특정 질병이다.)
본 발명은 정보 엔트로피와 질병 별 증상 발현빈도 정보를 이용함으로써 특정 증상의 질병 별 특이도를 보다 정확하게 산출할 수 있다.
또한, 본 발명은 환자의 전체 증상들이 특정 질병에 대해 얼마나 차별성이 있는지를 나타내는 특정 질병에 대한 환자 증상 상관도를 산출함으로써 어떤 질병이 환자의 증상들 전체에 대해 가장 상관도가 큰지를 알 수 있어 환자의 질병 진단의 정확성을 높일 수 있다.
도 1은 본 발명의 일 실시예에 따른 증상의 질병 특이도 측정 시스템의 구성도이다.
도 2는 본 발명에 따른 질병 상관도 산출부가 환자의 전체 증상들에 대해서 특정 질병에 대한 환자 증상 상관도(K)를 산출하는 것을 설명하기 위한 예시도이다.
이하, 본 발명의 다양한 실시 예들이 첨부된 도면을 참조하여 기재된다. 실시예 및 이에 사용된 용어들은 본 발명에 기재된 기술을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 해당 실시 예의 다양한 변경, 균등물, 및/또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성 요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다.
일반적으로, 환자에서 관찰된 증상으로부터 질병을 진단하기 위해서 환자의 증상과 각 질병 간의 유사도, 즉 환자의 증상과 각 질병 간에 얼마나 관련이 있는지를 측정하는 방법을 이용하게 된다.
이때, 질병은 증상들의 조합으로 정의될 수 있고, 환자의 증상이 포함되어 있는 질병에 대해 유사도를 측정하여 유사도가 높은 질병으로 진단하게 된다.
일 예로, 환자의 증상 S = {S1, S2, S3, S4}이고, 질병 D1 = {S2, S3, S6, S8} 로 정의되고, 질병 D2 = {S1, S3, S4, S7} 로 정의되고, 질병 D3 = {S4, S9, S11, S13} 로 정의된다고 하자.
각 질병에 대해서 환자의 증상이 포함되어 있는 개수로 유사도를 측정한다고 하면, 환자의 증상 S에 대해서 질병 D1의 유사도는 2이고, 질병 D2의 유사도는 3이고, 질병 D3의 유사도는 1이다. 즉, 환자의 질병은 유사도가 높은 질병 D2로 진단된다.
그러나, 다수의 질병이 동일 증상을 공유하거나 동일 질병에 나타나는 증상들이 항상 같은 빈도로 나타나는 것은 아니기 때문에, 각 증상이 질병에 얼마나 차별적으로 상관성이 있는지를 측정하는 것은 매우 중요하다.
본 발명은 환자의 증상으로부터 질병을 진단함에 있어서, 환자의 증상이 각 질병에 대해 얼마나 차별성이 있는지를 측정하는 증상의 질병 특이도 측정 시스템을 제공한다.
본 명세서의 해석의 명확함을 위해, 이하에서는 본 명세서에서 사용되는 용어들을 정의하기로 한다.
본 명세서에서 사용되는 용어, "정보 엔트로피(Information Content)"는 데이터베이스에 저장된 전체 질병들을 대상으로 환자의 증상이 포함된 질병들에 대한 정보량을 의미한다. 정보 엔트로피는 정보이론의 중요한 개념으로서, 어떠한 상황에서 불확실성을 측정하는 것이다. 즉 불확실성이 높은 상황에서는 높은 정보 엔트로피 값을 가지며, 불확실성이 낮은 상황에서는 낮은 정보 엔트로피 값을 가진다.
본 명세서에서 사용되는 용어, "특정 증상의 질병 별 특이도"란 특정 증상이 각 질병을 특정하기 위해서 얼마나 차별성이 있는지를 나타내는 정도를 의미한다.
본 명세서에서 사용되는 용어, "특정 질병에 대한 환자 증상 상관도"란 환자의 전체 증상들이 특정 질병에 대해 얼마나 차별성이 있는지를 나타내는 정도를 의미한다.
도 1은 본 발명의 일 실시예에 따른 증상의 질병 특이도 측정 시스템의 구성도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 증상의 질병 특이도 측정 시스템(1000)은 정보 엔트로피 생성부(100), 증상 발현빈도 정보 생성부(300), 증상 특이도 산출부(500), 및 데이터베이스(10)를 포함한다.
데이터베이스(10)는 환자의 증상 정보, 각 질병에 대한 정보 뿐만 아니라, 본 발명에 따른 증상의 질병 특이도 측정 시스템(1000)으로부터 획득된 정보 엔트로피, 질병 별 증상 발현빈도 정보, 특정 증상의 질병 별 특이도, 및 특정 질병에 대한 상관도 등을 저장할 수 있다.
정보 엔트로피 생성부(100)는 증상들로 정의된 질병에 대해서, 데이터베이스(10)에 저장된 전체 질병들을 대상으로 환자의 증상이 포함된 질병들에 대한 정보 엔트로피를 산출할 수 있다.
이때, 정보 엔트로피 생성부(100)는 하기 수학식 1에 의해 상기 정보 엔트로피(n)를 산출할 수 있다.
[수학식 1]
n = -log(p(Si))
여기서, p(Si) = k/N, 여기서 k = 증상 Si 를 가진 질병 개수, N = 모든 질병 개수이다.
정보 엔트로피(n)은 모든 질병 개수에 대해서 환자의 증상이 포함되어 있는 질병의 개수를 수치적으로 나타낸 정보량이다.
예를 들어, 모든 질병 개수 N = 10000이고, 환자의 증상 S1이 포함된 질병의 개수가 10이고, 환자의 증상 S2가 포함된 질병의 개수가 100이라고 하자.
이때, 환자의 증상 S1에 대한 정보 엔트로피는 3이고, 환자의 증상 S2에 대한 정보 엔트로피는 2이다. 정보 엔트로피가 크다는 것은 특정 증상과 관련된 질병의 개수가 작다는 것이고, 이는 정보 엔트로피가 클수록 특정 증상이 질병을 특정함에 있어서 차별성이 높다는 것이다.
다만, 정보 엔트로피는 같은 증상을 가진 모든 질병 내에서의 모두 동일하게 차별성을 측정하기 때문에, 질병 간의 차이를 구분하기 어렵다는 문제가 있다.
이를 위해서, 본 발명에 따른 증상의 질병 특이도 측정 시스템(1000)은 각 질병에 대한 증상들의 빈도를 반영함으로써 특정 증상의 질병 별 특이도를 정확하게 산출할 수 있다.
증상 발현빈도 정보 생성부(300)는 환자의 증상이 포함된 각각의 질병에 대해서 환자의 증상이 발현된 빈도를 나타내는 질병 별 증상 발현빈도 정보를 산출할수 있다.
이때, 증상 발현빈도 정보 생성부(300)는 질병 별 증상 발현빈도 정보(m)를 수학식 2에 의해 산출할 수 있다.
[수학식 2]
m = P(Si|Dj)
여기서, Si = 증상이고, Dj = 질병이며, P(Si|Dj)는 특정 질병 Dj에서 특정 증상 Si가 발현되는 빈도이다.
증상 특이도 산출부(500)는 정보 엔트로피(n)와 질병 별 증상 발현빈도 정보(m)를 곱해서 특정 증상의 질병 별 특이도를 산출할 수 있다.
증상 특이도 산출부(500)는 특정 증상의 질병 별 특이도(S)를 수학식 3에 의해 산출할 수 있다.
[수학식 3]
S = -log(p(Si))*P(Si|Dj)
본 발명에 따른 증상 특이도 산출부(500)는 정보 엔트로피에 각 질병에 대한 증상들의 빈도를 이용함으로써 특정 증상의 질병 별 특이도를 보다 정확하게 산출할 수 있다.
[표 1]은 증상 Psychotic episodes (HPO ID: HP:0000725) 의 경우, 총 7,817개 질병 중 5개 질병에서 나타나고, 그 중 질병 3개에 대해서 비교 값을 산출하였다.
질병 질병 별 증상 발현빈도 A B
Porphyrias 100% 7.354 7.354
Lysinuric protein intolerance 29% 7.354 2.133
Parkinson disease 7 4% 7.354 0.294
이와 같이, 정보 엔트로피만을 이용하여 증상 특이도를 산출한 값(A)보다 본 발명에 따른 증상 특이도 산출부(500)가 정보 엔트로피에 각 질병에 대한 증상들의 빈도를 반영하여 산출한 값(B)이 증상의 질병 간 차이를 명확히 구분해 줄 수 있음을 확인할 수 있다.
본 발명의 다른 실시예에 따른 증상의 질병 특이도 측정 시스템(1000)은 질병 상관도 산출부(700)를 더 포함할 수 있다.
질병 상관도 산출부(700)는 환자의 전체 증상들에 대해서 특정 질병에 대한 환자 증상 상관도(K)를 수학식 4에 의해 산출할 수 있다.
[수학식 4]
K =
Figure 112020089469361-pat00002
여기서, 환자의 증상 S = {S1, S2, … , Sn}로 정의되고, Dk 는 특정 질병이다.
도 2는 본 발명에 따른 질병 상관도 산출부가 환자의 전체 증상들에 대해서 특정 질병에 대한 환자 증상 상관도(K)를 산출하는 것을 설명하기 위한 예시도이다.
도 2를 참조하면, 예를 들어 환자의 증상이 S1, S2, Sn 이라고 하고, 환자의 증상 각각의 질병 별 특이도가 표와 같다고 하자.
이때, 질병 D1에 대한 환자 증상 상관도(K)는 9.781이고, 질병 D2에 대한 환자 증상 상관도(K)는 3.514이고, 질병 Dn에 대한 환자 증상 상관도(K)는 5.452이다.
이와 같이 본 발명에 따른 질병 상관도 산출부(700)는 환자의 전체 증상들이 특정 질병에 대해 얼마나 차별성이 있는지를 나타내는 특정 질병에 대한 환자 증상 상관도를 산출함으로써 어떤 질병이 환자의 증상들 전체에 대해 가장 상관도가 큰지를 알 수 있어 환자의 질병 진단의 정확성을 높일 수 있다.
이상에서 설명한 본 발명이 전술한 실시예 및 첨부된 도면에 한정되지 않으며, 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 여러 가지로 치환, 변형 및 변경이 가능하다는 것은, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 있어 명백할 것이다.
10: 데이터베이스
100: 정보 엔트로피 생성부
300: 증상 발현빈도 정보 생성부
500: 증상 특이도 산출부
700: 질병 상관도 산출부
1000: 증상의 질병 특이도 측정 시스템

Claims (4)

  1. 증상들로 정의된 질병에 대해서, 데이터베이스에 저장된 전체 질병들을 대상으로 환자의 증상이 포함된 질병들에 대한 정보 엔트로피를 산출하는 정보 엔트로피 생성부;
    환자의 증상이 포함된 각각의 질병에 대해서 환자의 증상이 발현된 빈도를 나타내는 질병 별 증상 발현빈도 정보를 산출하는 증상 발현빈도 정보 생성부; 및
    상기 정보 엔트로피와 상기 질병 별 증상 발현빈도 정보를 이용하여 특정 증상의 질병 별 특이도를 산출하는 증상 특이도 산출부를 포함하고,
    상기 정보 엔트로피 생성부는 하기 수학식1에 의해 상기 정보 엔트로피(n)를 산출하고, 상기 증상 발현빈도 정보 생성부는 상기 질병 별 증상 발현빈도 정보(m)를 수학식 2에 의해 산출하는 것을 특징으로 하는 증상의 질병 특이도 측정 시스템.
    수학식 1
    n = -log(p(Si))
    (p(Si) = k/N, 여기서 k = 증상 Si 를 가진 질병 개수, N = 모든 질병 개수)
    수학식 2
    m = P(Si|Dj)
    (Si = 증상이고, Dj = 질병이며, P(Si|Dj)는 특정 질병 Dj에서 특정 증상 Si가 발현되는 빈도이다.)
  2. 삭제
  3. 제1항에 있어서,
    상기 증상 특이도 산출부는 상기 특정 증상의 질병 별 특이도(S)를 수학식 3에 의해 산출하는 것을 특징으로 하는 증상의 질병 특이도 측정 시스템.
    수학식 3
    S = -log(p(Si))*P(Si|Dj)
    (p(Si) = k/N, 여기서 k = 증상 Si 를 가진 질병 개수, N = 모든 질병 개수이고, P(Si|Dj)는 특정 질병 Dj에서 특정 증상 Si가 발현되는 빈도이다.)
  4. 제3항에 있어서,
    환자의 전체 증상들에 대해서 특정 질병에 대한 환자 증상 상관도(K)를 수학식 4에 의해 산출하는 질병 상관도 산출부를 더 포함하는 증상의 질병 특이도 측정 시스템.
    수학식 4
    K =
    Figure 112020126132876-pat00003

    (환자의 증상 S = {S1, S2, … , Sn}로 정의되고, Dk 는 특정 질병이다.)
KR1020200107249A 2020-08-25 2020-08-25 증상의 질병 특이도 측정 시스템 KR102241399B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200107249A KR102241399B1 (ko) 2020-08-25 2020-08-25 증상의 질병 특이도 측정 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200107249A KR102241399B1 (ko) 2020-08-25 2020-08-25 증상의 질병 특이도 측정 시스템

Publications (1)

Publication Number Publication Date
KR102241399B1 true KR102241399B1 (ko) 2021-04-16

Family

ID=75743639

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200107249A KR102241399B1 (ko) 2020-08-25 2020-08-25 증상의 질병 특이도 측정 시스템

Country Status (1)

Country Link
KR (1) KR102241399B1 (ko)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014225176A (ja) * 2013-05-17 2014-12-04 株式会社日立製作所 分析システム及び保健事業支援方法
US20150073306A1 (en) * 2012-03-29 2015-03-12 The University Of Queensland Method and apparatus for processing patient sounds
JP2018120430A (ja) * 2017-01-25 2018-08-02 株式会社メドレー 医療情報提供方法、医療情報提供装置、及びプログラム
US20200051692A1 (en) * 2018-08-07 2020-02-13 International Business Machines Corporation Providing medical treatment using optimized symptom-centric decision trees based on disease-centric knowledge graphs
EP3623970A1 (en) * 2017-05-12 2020-03-18 Boe Technology Group Co. Ltd. Medical intelligent triage method and device
KR20200057411A (ko) 2018-11-16 2020-05-26 이재용 인공지능으로 질병을 진단하고 질병정보와 진료기관 정보를 제공하는 의료 정보 제공 장치 및 방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150073306A1 (en) * 2012-03-29 2015-03-12 The University Of Queensland Method and apparatus for processing patient sounds
JP2014225176A (ja) * 2013-05-17 2014-12-04 株式会社日立製作所 分析システム及び保健事業支援方法
JP2018120430A (ja) * 2017-01-25 2018-08-02 株式会社メドレー 医療情報提供方法、医療情報提供装置、及びプログラム
EP3623970A1 (en) * 2017-05-12 2020-03-18 Boe Technology Group Co. Ltd. Medical intelligent triage method and device
US20200051692A1 (en) * 2018-08-07 2020-02-13 International Business Machines Corporation Providing medical treatment using optimized symptom-centric decision trees based on disease-centric knowledge graphs
KR20200057411A (ko) 2018-11-16 2020-05-26 이재용 인공지능으로 질병을 진단하고 질병정보와 진료기관 정보를 제공하는 의료 정보 제공 장치 및 방법

Similar Documents

Publication Publication Date Title
US20190310927A1 (en) Information processing apparatus and information processing method
CN109813269B (zh) 结构监测传感器在线校准数据序列匹配方法
JP5849520B2 (ja) 特性関数によって表現された環境データの注釈付け
Kock Common structural variation reduction in PLS-SEM: Replacement analytic composites and the one fourth rule
CN111623703A (zh) 一种基于新型卡尔曼滤波的北斗变形监测实时处理方法
US10729389B2 (en) 3D assessment of conjugant eye deviation for the identificaiton of acute ischemic stroke
KR102241399B1 (ko) 증상의 질병 특이도 측정 시스템
D’andrea et al. Right ventricular myocardial function in patients with either idiopathic or ischemic dilated cardiomyopathy without clinical sign of right heart failure: effects of cardiac resynchronization therapy
US10515725B2 (en) Health assessment method and health assessment device for workpiece processing apparatus
Gerchakov et al. An improved method for analysis of polarization resistance data
JP6001831B2 (ja) 特性関数によって表現された医療データの注釈付け
MX2011005854A (es) Metodo para derivar valores de presion aortica sistolica central y metodo para analizar un conjunto de datos arteriales para derivar los mismos.
CN112883078B (zh) 基于dtw与最小二乘估计的轨道动态检查历史数据匹配方法
Singh et al. Simplified calculation of mean QRS vector (mean electrical axis of heart) of electrocardiogram
JP5751087B2 (ja) センサー・データを表すブール関数の比較
Kilpattu Ramaniharan et al. Loss of hippocampal dentation in hippocampal sclerosis and its relationship to memory dysfunction
JP5691934B2 (ja) センサー・データを表す二分決定図の注釈付け
CN116595621A (zh) 一种混凝土坝变形融合诊断方法及系统
KR101778845B1 (ko) 맥파 전달 시간을 이용한 수축기 혈압 산출 장치 및 그 방법
CN111751854A (zh) Gnss单历元双差整周模糊度解算检核方法、接收机和塔吊机
Launbjerg et al. Risk stratification after acute myocardial infarction by means of echocardiographic wall motion scoring and Killip classification
CN102288937B (zh) 一种基于测距的定位修正方法
Bailey et al. The MPI and the EPI: A comparative study on depressive patients
CN103654865A (zh) 基于最大互信息的超声弹性成像组织位移估计方法
Tang et al. Feature analysis of brain MRI images based on fractal dimension