KR102248732B1 - 종합주의력 검사 데이터에 기초하여 주의력 결핍 및 과잉 행동 장애를 분류 및 치료반응을 예측하는 시스템 및 방법 - Google Patents
종합주의력 검사 데이터에 기초하여 주의력 결핍 및 과잉 행동 장애를 분류 및 치료반응을 예측하는 시스템 및 방법 Download PDFInfo
- Publication number
- KR102248732B1 KR102248732B1 KR1020190076774A KR20190076774A KR102248732B1 KR 102248732 B1 KR102248732 B1 KR 102248732B1 KR 1020190076774 A KR1020190076774 A KR 1020190076774A KR 20190076774 A KR20190076774 A KR 20190076774A KR 102248732 B1 KR102248732 B1 KR 102248732B1
- Authority
- KR
- South Korea
- Prior art keywords
- attention
- test data
- hyperactivity disorder
- test
- attention deficit
- Prior art date
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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/168—Evaluating attention deficit, hyperactivity
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
-
- 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)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Developmental Disabilities (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Child & Adolescent Psychology (AREA)
- Databases & Information Systems (AREA)
- Social Psychology (AREA)
- Data Mining & Analysis (AREA)
- Hospice & Palliative Care (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Educational Technology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
종합주의력 검사 시스템에 의해 수행되는 주의력 결핍 및 과잉 행동 장애 분류와 치료반응 예측 방법 및 시스템이 개시된다. 일 실시예에 따른 종합주의력 검사 시스템에 의해 수행되는 주의력 결핍 및 과잉 행동 장애 분류 방법은, 주의력 결핍 및 과잉 행동 장애(Attention Deficit Hyperactivity Disorder)를 분류 및 치료반응을 예측하기 위한 학습 모델을 생성하는 단계; 상기 생성된 학습 모델을 통하여 종합주의력 검사 데이터를 학습시킴에 따라 학습 결과를 획득하는 단계; 및 상기 획득된 학습 결과로부터 주의력 결핍 및 과잉 행동 장애의 임상양상과 치료 반응과 관련된 결과 정보를 도출하는 단계를 포함할 수 있다.
Description
아래의 설명은 종합주의력 검사 결과를 활용한 진단으로부터 주의력 결핍 및 과잉 행동 장애를 분류하고 치료반응을 예측하는 기술에 관한 것이다.
주의력 결핍 및 과잉 행동 장애는 일명 ADHD(Attention Deficit Hyperactivity Disorder)로 더 잘 알려진 증상으로, 주로 아동기에 많이 나타난다. ADHD 증상의 특성은 지속적으로 주의력이 부족하여 산만하고 과다활동, 충동성을 보이는 상태로 나타나며, 이러한 증상들을 치료하지 않고 방치할 경우, 아동기 성장 과정 내내 여러 행동에서 어려움이 지속되고, 일부의 경우 청소년기와 성인기가 되어서도 증상이 유지된다. ADHD 증상을 갖는 아동들을 위한 치료약이 개발되어 특허까지 획득한 경우가 있지만, 치료약의 처방만으로는 완치가 불가능하여 지속적으로 일정량의 연습과 훈련이 필요한 현실이다.
ADHD 증상이 의심되거나 걱정되는 경우 이를 진단해야 하는데, 진료실에서 단순히 특정 행동 하나만으로 판단하기에 부족하다. 이에, 단순선택주의력(시각), 단순선택주의력(청각), 억제지속주의력검사, 간섭선택주의력검사, 분할주의력검사, 작업기억력검사를 포함하는 종합주의력 검사를 통하여 ADHD를 진단하고 치료반응을 예측하는 기술이 요구된다.
종합주의력 검사 결과를 활용하여 내린 전문의의 진단을 기준으로 주의력 결핍 및 과잉 행동 장애를 분류하는 방법 및 시스템을 제공할 수 있다. 구체적으로, 주의력 결핍 및 과잉 행동 장애를 분류하기 위한 학습 모델을 생성하고, 생성된 학습 모델을 이용하여 종합주의력 검사 데이터를 학습시킴에 따라 주의력 결핍 및 과잉 행동 장애의 진단과 유형 분류 및 치료반응 정도의 가능성을 수치적으로 나타내는 방법 및 시스템을 제공할 수 있다.
종합주의력 검사 시스템에 의해 수행되는 주의력 결핍 및 과잉 행동 장애 분류 방법은, 주의력 결핍 및 과잉 행동 장애(Attention Deficit Hyperactivity Disorder)를 분류 및 치료반응을 예측하기 위한 학습 모델을 생성하는 단계; 상기 생성된 학습 모델을 통하여 종합주의력 검사 데이터를 학습시킴에 따라 학습 결과를 획득하는 단계; 및 상기 획득된 학습 결과로부터 주의력 결핍 및 과잉 행동 장애의 임상양상과 치료 반응과 관련된 결과 정보를 도출하는 단계를 포함할 수 있다.
상기 학습 결과를 획득하는 단계는, 상기 종합주의력 검사 데이터에 포함된 단순주의력, 간섭선택주의력, 억제지속주의력, 분할주의력, 작업기억력에 대한 각각의 검사 데이터를 상기 생성된 학습 모델에 입력하여 학습시키는 단계를 포함할 수 있다.
상기 학습 결과를 획득하는 단계는, 랜덤 포레스트(RandomForest) 또는 가우시안프로세스분류기(GaussianProcessClassifier) 기반의 앙상블 모델을 학습 모델로 생성하는 단계를 포함할 수 있다.
상기 학습 결과를 획득하는 단계는, 상기 종합주의력 검사 데이터를 검사별로 분류한 각각의 검사 데이터에 대한 전처리를 수행하고, 상기 전처리가 수행된 각각의 검사 데이터에 대한 각 분류 모델을 랜덤 포레스트를 사용하여 분류하고, 랜덤 포레스트를 사용하여 분류된 각각의 검사 데이터에 대한 결측값을 추정하고, 상기 추정된 결측값에 대한 처리를 수행한 후, 분류된 각각의 검사 데이터를 랜덤 포레스트를 사용하여 분류함으로써 주의력 결핍 및 과잉 행동 장애의 진단, 유형, 치료반응 정도의 가능성을 도출하는 단계를 포함할 수 있다.
상기 학습 결과를 획득하는 단계는, 상기 종합주의력 검사 데이터를 검사별로 분류한 각각의 검사 데이터를 표준화 자료의 범위 테스트를 진행하고, 상기 테스트를 통과한 표준화된 각각의 검사 데이터를 병합시키고, 상기 병합된 검사 데이터로부터 기 설정된 개수 이상의 검사를 시행하지 않은 검사 데이터를 제외함에 따라 결측값을 추정하고, 상기 추정된 결측값에 대한 처리를 수행한 후, 병합된 검사 데이터를 PCA (Principal Component Analysis)를 통하여 차원을 축소시키고, 상기 차원이 축소된 병합된 검사 데이터를 가우시안프로세스분류기를 통하여 분류하여 주의력 결핍 및 과잉 행동 장애의 가능성을 도출하는 단계를 포함할 수 있다.
상기 학습 결과를 획득하는 단계는, 상기 병합된 검사 데이터로부터 단순주의력, 간섭선택주의력, 억제지속주의력, 분할주의력 중 3개 이상의 검사를 시행하지 않은 검사 데이터를 제외시키는 단계를 포함할 수 있다.
상기 도출하는 단계는, 상기 주의력 결핍 및 과잉 행동 장애의 진단과 유형 및 치료반응 정도의 가능성을 수치적으로 나타내는 단계를 포함할 수 있다.
상기 학습 결과를 획득하는 단계는, 상기 종합주의력 검사 데이터로부터 복수 개의 유형의 이상치를 제거 및 제외 변수를 설정하는 단계를 포함하고, 상기 복수 개의 유형의 이상치는, 4세 미만 또는 100세 이상의 나이 범위 초과하는 제1 유형, 단순선택주의력(시각)/단순선택주의력(청각) 검사 모수가 누락된 제2 유형, 작업기억력검사의 역방향정반응수/역방향공간폭이 누락된 제3 유형, 작업기억력의 역방향공간폭 AQ 이외에 작업기억력 관측치가 누락된 제4 유형, 성별이 없는 제5 유형을 포함할 수 있다.
상기 학습 결과를 획득하는 단계는, 상기 종합주의력 검사 데이터로부터 기 정의된 기준에 근거하여 일부 검사 데이터를 제외시키는 단계를 포함할 수 있다.
종합주의력 검사 시스템은, 주의력 결핍 및 과잉 행동 장애(Attention Deficit Hyperactivity Disorder)를 분류 및 치료반응을 예측하기 위한 학습 모델을 생성하는 모델링부; 상기 생성된 학습 모델을 통하여 종합주의력 검사 데이터를 학습시킴에 따라 학습 결과를 획득하는 획득부; 및 상기 획득된 학습 결과로부터 주의력 결핍 및 과잉 행동 장애의 임상양상과 치료 반응과 관련된 결과 정보를 도출하는 도출부를 포함할 수 있다.
종합주의력 검사의 결과를 활용해 내린 전문의의 진단을 기준으로 ADHD를 분류하는 기계학습 모델을 통하여 보다 정확하고 종합적으로 주의력 결핍 및 과잉 행동 장애를 판단할 수 있다. 이를 통해 전문병원뿐만 아니라 심리 상담소 등에서도 활용이 가능하다.
도 1은 일 실시예에 따른 종합주의력 검사 시스템의 구성을 설명하기 위한 블록도이다.
도 2는 일 실시예에 따른 종합주의력 검사 시스템에서 주의력 결핍 및 과잉 행동 장애를 분류하고 치료반응을 예측하는 방법을 설명하기 위한 흐름도이다.
도 3 및 도 4는 일 실시예에 따른 종합주의력 검사 시스템에서 학습 모델을 통하여 종합주의력 검사 데이터를 학습시키는 것을 설명하기 위한 도면이다.
도 2는 일 실시예에 따른 종합주의력 검사 시스템에서 주의력 결핍 및 과잉 행동 장애를 분류하고 치료반응을 예측하는 방법을 설명하기 위한 흐름도이다.
도 3 및 도 4는 일 실시예에 따른 종합주의력 검사 시스템에서 학습 모델을 통하여 종합주의력 검사 데이터를 학습시키는 것을 설명하기 위한 도면이다.
이하, 실시예를 첨부한 도면을 참조하여 상세히 설명한다.
종합주의력 검사(Comprehensive Attention Test)란 아동, 청소년 및 성인의 주의력을 종합적으로 평가하는 표준화된 검사도구를 의미한다. 주의력이란 원하는 정보에 관심을 기울이고, 문제 해결을 위해 지속적으로 집중력을 유지하며, 때로는 목적에 따라 필요한 자극으로 주의력을 전환할 수 있는 뇌의 고등 기능을 의미한다. 종합주의력 검사는 각기 다른 방식으로 단순선택주의력, 간섭선택주의력, 억제지속주의력, 분할주의력, 작업기억력 등의 5가지 종류의 주의력을 6가지 검사로 다양하게 살펴볼 수 있다. 이를 통해 각 주의력의 수준을 파악할 수 있고, 주의력 결핍 여부가 평가될 수 있다.
단순선택주의력(시각)은 원하는 시각 자극에 반응할 수 있는 능력, 단순선택주의력(청각)은 원하는 청각 자극에 반응할 수 있는 능력, 억제지속주의력은 지속적으로 주의력을 유지하며 충동성을 억제하는 능력, 간섭선택주의력은 주위의 간섭 자극을 무시하고 필요한 자극에 반응할 수 있는 능력, 분할주의력은 두 가지 이상의 자극을 동시에 처리할 수 있는 능력, 작업기억력은 일련의 자극들을 순서대로 기억하며 처리하는 능력을 의미한다.
일례로, 종합주의력 검사는 연령에 따른 기본세트 메뉴가 존재하며, 검사자의 상황을 고려하여 개별 검사를 조합해 검사자에게 알맞은 새로운 검사 세트를 생성할 수도 있다. 예를 들면, 만 4세~5세의 유치원 세트는, 단순선택주의력 검사(시각 및 청각: 10분+10분), 억제지속주의력 검사로 구성될 수 있고, 유치원 세트 단축형(만 4세~5세)은 단순선택주의력 검사(시각 및 청각: 5분+5분), 억제지속주의력 검사로 구성될 수 있고, 만 6세~8세의 저학년 세트는 단순선택주의력 검사(시각 및 청각: 10분+10분), 억제지속주의력 검사, 간섭선택주의력 검사로 구성될 수 있고, 저학년 세트 단축형(만 6세~8세)은 단순선택주의력 검사(시각 및 청각: 5분+5분), 억제지속주의력 검사, 간선선택주의력 검사로 구성될 수 있고, 만 9세~15세의 고학년 세트/만 16세 이상의 성인세트는 억제지속주의력 검사, 간섭선택주의력 검사, 분할주의력 검사, 작업기억력 검사로 구성될 수 있고, 만 9세~15세의 종합검사 세트/만 16세 이상의 종합검사 세트는 단순선택주의력 검사(시각 및 청각: 10분+10분), 억제지속주의력 검사, 간섭선택주의력 검사, 분할주의력 검사, 작업기억력 검사로 구성될 수 있다.
실시예에서는 종합주의력 검사를 수행함에 따라 획득된 종합주의력 검사 데이터를 선별적으로 선택하여 학습 모델을 생성하는 모델링을 진행하고, 학습 모델을 통하여 주의력 결핍 및 과잉 행동 장애를 분류하고 치료반응을 예측하는 방법 및 시스템을 설명하기로 한다.
도 1은 일 실시예에 따른 종합주의력 검사 시스템의 구성을 설명하기 위한 블록도이고, 도 2는 일 실시예에 따른 종합주의력 검사 시스템에서 주의력 결핍 및 과잉 행동 장애를 분류하고 치료반응을 예측하는 방법을 설명하기 위한 흐름도이다.
종합주의력 검사 시스템(100)의 프로세서는 모델링부(110), 획득부(120) 및 도출부(130)를 포함할 수 있다. 이러한 프로세서의 구성요소들은 종합주의력 검사 시스템에 저장된 프로그램 코드가 제공하는 제어 명령에 따라 프로세서에 의해 수행되는 서로 다른 기능들(different functions)의 표현들일 수 있다. 프로세서 및 프로세서의 구성요소들은 도 2의 주의력 결핍 및 과잉 행동 장애를 분류하고 치료반응을 예측하는 방법이 포함하는 단계들(210 내지 230)을 수행하도록 종합주의력 검사 시스템을 제어할 수 있다. 이때, 프로세서 및 프로세서의 구성요소들은 메모리가 포함하는 운영체제의 코드와 적어도 하나의 프로그램의 코드에 따른 명령(instruction)을 실행하도록 구현될 수 있다.
프로세서는 주의력 결핍 및 과잉 행동 장애를 분류하고 치료반응을 예측하는 방법을 위한 프로그램의 파일에 저장된 프로그램 코드를 메모리에 로딩할 수 있다. 예를 들면, 종합주의력 검사 시스템에서 프로그램이 실행되면, 프로세서는 운영체제의 제어에 따라 프로그램의 파일로부터 프로그램 코드를 메모리에 로딩하도록 종합주의력 검사 시스템을 제어할 수 있다. 이때, 프로세서 및 프로세서가 포함하는 모델링부(110), 획득부(120) 및 도출부(130) 각각은 메모리에 로딩된 프로그램 코드 중 대응하는 부분의 명령을 실행하여 이후 단계들(210 내지 230)을 실행하기 위한 프로세서의 서로 다른 기능적 표현들일 수 있다.
단계(210)에서 모델링부(110)는 주의력 결핍 및 과잉 행동 장애(Attention Deficit Hyperactivity Disorder)를 분류하고 치료반응을 예측하기 위한 학습 모델을 생성할 수 있다. 이때, 기계학습 기반의 학습 모델이 구성될 수 있다.
단계(220)에서 획득부(120)는 생성된 학습 모델을 통하여 종합주의력 검사 데이터를 학습시킴에 따라 학습 결과를 획득할 수 있다. 획득부(120)는 종합주의력 검사 데이터로부터 복수 개의 유형의 이상치를 제거 및 제외 변수를 설정할 수 있다. 예를 들면, 복수 개의 유형의 이상치는 4세 미만 또는 100세 이상의 나이 범위 초과하는 제1 유형, 단순선택주의력(시각)/단순선택주의력(청각) 검사 모수가 누락된 제2 유형, 작업기억력검사의 역방향정반응수/역방향공간폭이 누락된 제3 유형, 작업기억력의 역방향공간폭 AQ 이외에 작업기억력 관측치가 누락된 제4 유형, 성별이 없는 제5 유형을 포함할 수 있다. 예를 들면, 획득부(120)는 병원, MR, 공존진단, 심각도, 치료여부, 치료반응에 대한 변수를 제외시킬 수 있다. 획득부(120)는 종합주의력 검사 데이터로부터 기 정의된 기준에 근거하여 일부 검사 데이터를 제외시킬 수 있다.
획득부(120)는 종합주의력 검사 데이터에 포함된 단순주의력, 간섭선택주의력, 억제지속주의력, 분할주의력, 작업기억력에 대한 각각의 검사 데이터를 생성된 학습 모델에 입력하여 학습시킬 수 있다. 획득부(120)는 랜덤 포레스트(RandomForest) 또는 가우시안프로세스분류기(GaussianProcessClassifier) 기반의 앙상블 모델(Ensemble Model)을 학습 모델로 생성할 수 있다. 구체적으로, 앙상블 모델이란 학습 알고리즘들을 따로 쓰는 경우에 비해 더 좋은 예측 성능을 얻기 위해 다수의 학습 알고리즘을 사용하는 방법으로, 하나의 모델만을 학습시켜 사용하지 않고 여러 모델을 학습시켜 결합하는 방식으로 문제를 처리하는 것이다. 랜덤 포레스트는 분류, 회귀 분석 등에 사용되는 앙상블 학습 방법의 일종으로, 학습 과정에서 구성한 다수의 결정 트리로부터 분류 또는 평균 예측치(회귀 분석)를 출력함으로써 동작한다.
일례로, 획득부(120)는 종합주의력 검사 데이터를 검사별로 분류한 각각의 검사 데이터에 대한 전처리를 수행하고, 전처리가 수행된 각각의 검사 데이터에 대한 각 분류 모델을 랜덤 포레스트를 사용하여 분류하고, 랜덤 포레스트를 사용하여 분류된 각각의 검사 데이터에 대한 결측값을 추정하고, 추정된 결측값에 대한 처리를 수행한 후, 분류된 각각의 검사 데이터를 랜덤 포레스트를 사용하여 분류함으로써 주의력 결핍 및 과잉 행동 장애의 분류 및 치료반응 정도의 가능성을 도출할 수 있다.
다른 예로서, 획득부(120)는 종합주의력 검사 데이터를 검사별로 분류한 각각의 검사 데이터를 표준화 자료의 범위 테스트를 진행하고, 테스트를 통과한 표준화된 각각의 검사 데이터를 병합시키고, 병합된 검사 데이터로부터 기 설정된 개수 이상의 검사를 시행하지 않은 검사 데이터를 제외함에 따라 결측값을 추정하고, 추정된 결측값에 대한 처리를 수행한 후, 병합된 검사 데이터를 PCA(Principal Component Analysis)를 통하여 차원을 축소시키고, 차원이 축소된 병합된 검사 데이터를 가우시안프로세스분류기를 통하여 분류하여 주의력 결핍 및 과잉 행동 장애의 가능성을 도출할 수 있다. 이때, 획득부(120)는 병합된 검사 데이터로부터 단순주의력, 간섭선택주의력, 억제지속주의력, 분할주의력 중 3개 이상의 검사를 시행하지 않은 검사 데이터를 제외시킬 수 있다.
단계(230)에서 도출부(130)는 획득된 학습 결과로부터 주의력 결핍 및 과잉 행동 장애와 관련된 결과 정보를 도출할 수 있다. 도출부(130)는 획득된 학습 결과로부터 주의력 결핍 및 과잉 행동 장애의 임상양상과 치료 반응과 관련된 결과 정보를 도출할 수 있다. 예를 들면, 도출부(130)는 획득된 학습 결과로부터 주의력 결핍 및 과잉 행동 장애의 임상양상과 치료 반응과 관련된 약물치료효과 결과 정보를 도출할 수 있다. 이때, 자료의 도메인에 따라 중요한 척도가 다를 수 있으므로, 학습 모델을 통한 주의력 결핍 및 과잉 행동 장애의 진단에 있어 주의력 결핍 및 과잉 행동 장애의 예측 정확도(Precision) 또는 모델이 정확하게 예측한 주의력 결핍 및 과잉 행동 장애의 비율(Recall) 간의 중요도가 기 설정된 기준에 의하여 정의될 수 있다. 실시예에서는, 주의력 결핍 및 과잉 행동 장애의 예측 정확도 및 비율을 도메인 전문가에 의해서 정의된 것을 예를 들어 설명한다. 우선, 약물치료효과 결과 정보를 도출하기 위한 컨퓨전 매트릭스(Confusion Matrix)를 설정할 수 있다. 설정된 컨퓨전 매트릭스에 구성된 (TP(True Positives), TN(True Negatives), FP(False Positives), FN(False Negative))에 기초하여 약물치료효과 결과 정보를 도출할 수 있다.
주의력 결핍 및 과잉 행동 장애의 정분류율(Accuracy): 
주의력 결핍 및 과잉 행동 장애의 예측 정확도(Precision): 
주의력 결핍 및 과잉 행동 장애의 비율(Recall) 또는 (민감도(sensitivity), TPR): 
주의력 결핍 및 과잉 행동 장애의 특이도(Specificity) 또는 TNR: 
여기서, 주의력 결핍 및 과잉 행동 장애의 정분류율은 주의력 결핍 및 과잉 행동 장애의 정확한 예측 비율, 주의력 결핍 및 과잉 행동 장애의 비율은 정확하게 감지한 양성 샘플의 비율, 주의력 결핍 및 과잉 행동 장애의 예측 정확도는 양성 예측의 정확도, 주의력 결핍 및 과잉 행동 장애의 특이도는 정확하게 감지한 음성 샘플의 비율을 의미한다. 도출부(130)는 주의력 결핍 및 과잉 행동 장애의 가능성을 수치적으로 나타낼 수 있다. 도출부(130)는 주의력 결핍 및 과잉 행동 장애의 가능성을 %로 나타낼 수 있다. 예를 들면, 도출부(130)는 주의력 결핍 및 과잉 행동 장애의 가능성을 0 내지 100 사이의 수치로 표현할 수 있다. 이때, 주의력 결핍 및 과잉 행동 장애의 가능성이 100에 가까울수록 주의력 결핍 및 과잉 행동 장애의 정도가 심한 것으로 판단될 수 있다. 또는, 도출부(130)는 주의력 결핍 및 과잉 행동 장애의 가능성을 기 설정된 등급(예를 들면, 0~25 정상, 25~50 약간 위험, 50~75 위험, 75~100 경고)으로 분류할 수 있고, 분류된 기 설정된 등급에 기초하여 주의력 및 과잉 행동 장애의 수치 데이터가 해당하는 등급을 도출할 수도 있다.
도 3 및 도 4는 일 실시예에 따른 종합주의력 검사 시스템에서 학습 모델을 통하여 종합주의력 검사 데이터를 학습시키는 것을 설명하기 위한 도면이다.
종합주의력 검사 시스템은 종합주의력 검사 결과와 관련된 종합주의력 검사 데이터를 포함할 수 있다. 이때, 종합주의력 검사 데이터는 각 병원에서 수집된 병원 자료 및 데이터의 값을 표준화한 표준화 자료를 포함할 수 있다. 예를 들면, 종합주의력 검사 데이터는 병원자료 종합주의력 검사 데이터를 활용하여 내린 전문의의 진단을 포함하는 병원 자료를 포함할 수 있다. 또한, 각 병원 자료로부터 특정 범위에 존재하는 자료만을 이용하거나, 검사 데이터의 단위를 통일하거나, 각각의 병원에 따라 진단 기준이 다름을 반영하기 위한 표준화를 수행할 수 있다.
종합주의력 검사 시스템은 종합주의력 검사 데이터에 대한 분석을 수행할 수 있다. 종합주의력 검사 시스템은 종합주의력 검사 데이터로부터 복수 가지 유형의 이상치를 제거 및 제외 변수를 설정할 수 있다. 예를 들면, 5가지 유형의 이상치가 설정될 수 있다. 5가지 유형의 이상치는 4세 미만 또는 100세 이상의 나이 범위 초과하는 제1 유형, 단순선택주의력(시각)/단순선택주의력(청각) 검사 모수가 누락된 제2 유형, 작업기억력검사의 역방향정반응수/역방향공간폭이 누락된 제3 유형, 작업기억력의 역방향공간폭 AQ 이외에 작업기억력 관측치가 누락된 제4 유형, 성별이 없는 제5 유형을 포함할 수 있다. 종합주의력 검사 시스템은 종합주의력 검사 데이터로부터 5가지 유형의 이상치를 적어도 하나 이상 또는/및 모두 제거할 수 있다. 또한, 종합주의력 검사 시스템은 종합주의력 검사 데이터 중 병원, MR, 공존진단, 심각도, 치료여부, 치료 반응에 대한 변수에 대해서는 제외 변수로 설정할 수 있다.
종합주의력 검사 데이터로부터 기 정의된 기준에 근거하여 각각의 검사를 대표하는 검사 데이터를 선별적으로 선택할 수 있다. 다시 말해서, 종합주의력 검사 시스템은 종합주의력 검사 데이터로부터 기 정의된 기준에 근거하여 일부 검사 데이터를 모델링에서 제외시킬 수 있다. 제외한 결과, 제외 전에 비해 정상 검사 데이터와 ADHD 검사 데이터의 불균형 정도를 개선시킬 수 있다. 이에, 불균형 정도를 개선하기 위한 리샘플링(resampling) 방법, 예를 들면, SMOTE, Random oversampling을 고려하지 않는다. SMOTE은 각 클래스 별로 유사한 데이터를 임의로 생성하는 방법으로, 간단하게 동일한 클래스 내의 각 점의 사이 구간을 채워주는 방식으로 임의의 데이터를 생성할 수 있다. 종합주의력 검사 시스템은 병원 자료의 ADHD 데이터가 표준화 자료의 범위 내에 있을 경우, 또는 병원 자료의 정상 자료가 표준화 자료의 범위 밖에 있을 경우, 상기 자료를 제외시키는 언더-샘플링(Under-Sampling)을 수행할 수 있다.
종합주의력 검사를 수행함에 따라 획득된 검사 데이터(값)에 대하여 단위를 통일하는 표준화를 수행할 수 있다. 예를 들면, 병원 자료에 이때, 표준화 방법으로 Scaling with Random Over-Sampling이 수행될 수 있다. Scaling with Random Over-Sampling은 종합주의력 검사 데이터에 대하여 StandardScaler, RobustScaler, MinMaxScaler을 수행할 수 있다.
종합주의력 검사 시스템은 종합주의력 검사와 관련된 검사 데이터를 선별적으로 선택하여 학습 모델을 생성하는 모델링을 진행하고, 학습 모델을 통하여 주의력 결핍 및 과잉 행동 장애를 분류 및 치료반응을 예측할 수 있다. 일례로, 도 3에 도시된 바와 같이, 종합주의력 검사 시스템은 랜덤 포레스트 기반의 앙상블 모델을 학습 모델로 생성하여 종합주의력 검사 데이터를 학습시킬 수 있다. 종합주의력 검사 시스템은 학습 모델에 종합주의력 검사 데이터를 입력(301)할 수 있다. 종합주의력 검사 시스템은 종합주의력 검사 데이터를 검사별로 분류할 수 있다. 예를 들면, 종합 주의력 검사 시스템은 종합주의력 검사 데이터로부터 단순주의력, 간섭선택주의력, 억제지속주의력, 분할주의력, 작업기억력으로 분류할 수 있다.
종합주의력 검사 시스템은 검사별로 분류된 각각의 검사 데이터에 대한 전처리(302)를 수행할 수 있다. 종합주의력 검사 시스템은 전처리가 수행된 각각의 검사 데이터에 대한 각 분류 모델을 랜덤 포레스트(303)를 사용하여 분류할 수 있다. 종합주의력 검사 시스템은 랜덤 포레스트(303)를 사용하여 분류된 각각의 검사 데이터에 대한 결측값을 추정(304)할 수 있다. 이때, 결측값에 대한 특정 처리를 수행할 수 있다. 예를 들면, 결측값을 삭제하거나 다른값으로 대체하는 등 특정 처리가 수행될 수 있다.
종합주의력 검사 시스템은 결측값에 대한 처리를 수행한 후, 랜덤 포레스트를 사용하여 분류된 각각의 검사 데이터를 랜덤 포레스트(305)를 사용하여 분류함으로써 주의력 결핍 및 과잉 행동 장애의 가능성(306)을 도출할 수 있다.
도 4를 참고하면, 종합주의력 검사 시스템은 가우시안프로세스분류기 기반의 앙상블 모델을 학습 모델로 생성하여 종합주의력 검사 데이터를 학습시킬 수 있다. 종합주의력 검사 시스템은 학습 모델에 종합주의력 검사 데이터를 입력(401)할 수 있다. 종합주의력 검사 시스템은 종합주의력 검사 데이터를 검사별로 분류할 수 있다. 예를 들면, 종합 주의력 검사 시스템은 종합주의력 검사 데이터로부터 단순주의력, 간섭선택주의력, 억제지속주의력, 분할주의력, 작업기억력으로 분류할 수 있다. 종합주의력 검사 시스템은 검사별로 분류된 각각의 검사 데이터를 표준화 자료의 범위 테스트(402)를 진행할 수 있다. 이때, 작업기억력에 대한 범위 테스트는 진행하지 않는다.
종합주의력 검사 시스템은 테스트를 진행함에 따라 테스트를 통과한 각각의 검사 데이터를 병합(403)할 수 있다. 이때, 종합주의력 검사 시스템은 각각의 검사 데이터를 모두 병합한 후, 단순주의력, 간섭선택주의력, 억제지속주의력, 분할주의력 중 3개 이상의 검사를 시행하지 않은 검사 데이터를 제외(404)시킬 수 있다.
종합주의력 검사 시스템은 단순주의력, 간섭선택주의력, 억제지속주의력, 분할주의력 중 3개 이상의 검사를 시행하지 않은 검사 데이터를 제외함에 따라 결측값을 추정(405)할 수 있다. 예를 들면, 종합주의력 검사 시스템은 어떤 피험자가 단순선택주의력(시각) 검사를 하지 않고 단순선택주의력(청각), 억제지속주의력, 간섭선택주의 및 분할주의력 검사를 진행한 경우, 단순선택주의력(청각), 억제지속주의력, 간섭선택주의 및 분할주의력 각각에 대한 검사 데이터의 평균으로 단순선택주의력(시각) 검사 데이터를 추정할 수 있다. 이때, 추정된 결측값에 대한 특정 처리를 수행할 수 있다. 예를 들면, 결측값을 삭제하거나 다른값으로 대체하는 등 특정 처리가 수행될 수 있다.
종합주의력 검사 시스템은 모든 검사 데이터의 측정값을 병합하였으므로 PCA(Principal Component Analysis)(405)를 통하여 고차원의 데이터를 저차원의 데이터로 축소시킬 수 있다. 종합주의력 검사 시스템은 모든 검사 데이터의 측정값을 병합함에 따라 컬럼(column)의 수가 약 100개 이상이 되므로, PCA(Principal Component Analysis)를 통하여 약 30개의 pca로 차원을 축소시킬 수 있다. 종합주의력 검사 시스템은 분류기로 가우시안프로세스분류기(407)로 대체할 수 있다. 종합주의력 검사 시스템은 가우시안프로세스분류기(407)를 통하여 차원이 축소된 병합된 검사 데이터를 분류하여 주의력 결핍 및 과잉 행동 장애의 분류 및 치료반응 정도의 가능성(408)을 도출할 수 있다.
일 실시예에 따른 종합주의력 검사 시스템은 종합주의력 검사 데이터에 포함된 단순주의력, 간섭선택주의력, 억제지속주의력, 분할주의력, 작업기억력 각각에 대한 검사 데이터를 동시에 활용하는 학습 모델로 분류기를 가우시안프로세스분류기를 사용하여 성능을 향상시킬 수 있다. 이에, 주의력 결핍 및 과잉 행동 장애일 확률이 타당한 결과를 보인다. 다만, 10% 유병률을 가정한 경우, 학습 모델의 정확도(precision)가 낮아진다. 10% 유병률을 가정하면, 학습 모델을 사용하되, 모델링에 사용되지 않은 테스트 데이터의 클래스 균형을 주의력 결핍 및 과잉 행동 장애에 10%, 정상에 90%로 샘플링하여 학습 모델을 검증할 수 있다. 실제 증상의 극단성이나 정상과의 차이를 고려한 것이 아니라 단지 주의력 결핍 및 과잉 행동 장애와 정상의 비율을 10:90으로 설정하였기 때문에, 유병률을 10%로 가정한 경우, 주의력 결핍 및 과잉 행동 장애의 절대 수가 작아져 정확도 값이 낮아진다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
Claims (10)
- 종합주의력 검사 시스템에 의해 수행되는 주의력 결핍 및 과잉 행동 장애 분류 및 치료반응 예측 방법에 있어서,
주의력 결핍 및 과잉 행동 장애(Attention Deficit Hyperactivity Disorder)를 분류 및 치료반응을 예측하기 위한 학습 모델을 생성하는 단계;
상기 생성된 학습 모델을 통하여 종합주의력 검사 데이터를 학습시킴에 따라 학습 결과를 획득하는 단계; 및
상기 획득된 학습 결과로부터 주의력 결핍 및 과잉 행동 장애의 임상양상과 치료 반응과 관련된 결과 정보를 도출하는 단계
를 포함하고,
상기 학습 모델은,
랜덤 포레스트(RandomForest) 또는 가우시안프로세스분류기(GaussianProcessClassifier) 기반의 앙상블 모델로 구성된 것이고,
상기 학습 결과를 획득하는 단계는,
상기 종합주의력 검사 데이터에 포함된 단순주의력, 간섭선택주의력, 억제지속주의력, 분할주의력, 작업기억력에 대한 각각의 검사 데이터를 상기 학습 모델에 입력하고,
상기 랜덤 포레스트 기반의 앙상블 모델을 학습 모델로 이용할 경우, 상기 종합주의력 검사 데이터를 검사별로 분류한 각각의 검사 데이터에 대한 전처리를 수행하고, 상기 전처리가 수행된 각각의 검사 데이터에 대한 각 분류 모델을 랜덤 포레스트를 사용하여 분류하고, 랜덤 포레스트를 사용하여 분류된 각각의 검사 데이터에 대한 결측값을 추정하고, 상기 추정된 결측값에 대한 처리를 수행한 후, 분류된 각각의 검사 데이터를 랜덤 포레스트를 사용하여 분류함으로써 주의력 결핍 및 과잉 행동 장애의 분류 및 치료반응 정도의 가능성을 도출하고,
상기 가우시안프로세스분류기 기반의 앙상블 모델을 학습 모델로 이용할 경우, 상기 종합주의력 검사 데이터를 검사별로 분류한 각각의 검사 데이터에 대한 표준화 자료의 범위 테스트를 진행하고, 상기 테스트를 통과한 표준화된 각각의 검사 데이터를 병합시키고, 상기 병합된 검사 데이터로부터 기 설정된 개수 이상의 검사를 시행하지 않은 검사 데이터를 제외함에 따라 결측값을 추정하고, 상기 추정된 결측값에 대한 처리를 수행한 후, 병합된 검사 데이터를 PCA (Principal Component Analysis)를 통하여 차원을 축소시키고, 상기 차원이 축소된 병합된 검사 데이터를 가우시안프로세스분류기를 통하여 분류하여 주의력 결핍 및 과잉 행동 장애의 분류 및 치료반응 정도의 가능성을 도출하는 단계
를 포함하고,
상기 도출하는 단계는,
주의력 결핍 및 과잉 행동 장애의 예측 정확도(Precision) 또는 모델이 예측한 주의력 결핍 및 과잉 행동 장애의 비율(Recall) 간의 중요도가 기 설정된 기준에 의하여 정의되고, 상기 정의된 주의력 결핍 및 과잉 행동 장애의 예측 정확도(Precision) 또는 모델이 예측한 주의력 결핍 및 과잉 행동 장애의 비율(Recall) 간의 중요도에 기초하여 상기 학습 모델을 통한 주의력 결핍 및 과잉 행동 장애의 임상양상과 치료 반응과 관련된 결과 정보를 수치적으로 나타내는 단계
를 포함하는 주의력 결핍 및 과잉 행동 장애 분류 및 치료반응 예측 방법. - 삭제
- 삭제
- 삭제
- 삭제
- 제1항에 있어서,
상기 학습 결과를 획득하는 단계는,
상기 병합된 검사 데이터로부터 단순주의력, 간섭선택주의력, 억제지속주의력, 분할주의력 중 3개 이상의 검사를 시행하지 않은 검사 데이터를 제외시키는 단계
를 포함하는 주의력 결핍 및 과잉 행동 장애 분류 및 치료반응 예측방법. - 제1항에 있어서,
상기 도출하는 단계는,
상기 주의력 결핍 및 과잉 행동 장애의 분류 및 치료반응 정도의 가능성을 수치적으로 나타내는 단계
를 포함하는 주의력 결핍 및 과잉 행동 장애 분류 및 치료반응 예측 방법. - 제1항에 있어서,
상기 학습 결과를 획득하는 단계는,
상기 종합주의력 검사 데이터로부터 복수 개의 유형의 이상치를 제거 및 제외 변수를 설정하는 단계
를 포함하고,
상기 복수 개의 유형의 이상치는,
4세 미만 또는 100세 이상의 나이 범위 초과하는 제1 유형, 단순선택주의력(시각)/단순선택주의력(청각) 검사 모수가 누락된 제2 유형, 작업기억력검사의 역방향정반응수/역방향공간폭이 누락된 제3 유형, 작업기억력의 역방향공간폭AQ 이외에 작업기억력 관측치가 누락된 제4 유형, 성별이 없는 제5 유형을 포함하는
주의력 결핍 및 과잉 행동 장애 분류 및 치료반응 예측 방법. - 제1항에 있어서,
상기 학습 결과를 획득하는 단계는,
상기 종합주의력 검사 데이터로부터 기 정의된 기준에 근거하여 일부 검사 데이터를 제외시키는 단계
를 포함하는 주의력 결핍 및 과잉 행동 장애 분류 및 치료반응 예측 방법. - 종합주의력 검사 시스템에 있어서,
주의력 결핍 및 과잉 행동 장애(Attention Deficit Hyperactivity Disorder)를 분류 및 치료반응을 예측하기 위한 학습 모델을 생성하는 모델링부;
상기 생성된 학습 모델을 통하여 종합주의력 검사 데이터를 학습시킴에 따라 학습 결과를 획득하는 획득부; 및
상기 획득된 학습 결과로부터 주의력 결핍 및 과잉 행동 장애의 임상양상과 치료 반응과 관련된 결과 정보를 도출하는 도출부
를 포함하고,
상기 학습 모델은,
랜덤 포레스트(RandomForest) 또는 가우시안프로세스분류기(GaussianProcessClassifier) 기반의 앙상블 모델로 구성된 것이고,
상기 획득부는,
상기 종합주의력 검사 데이터에 포함된 단순주의력, 간섭선택주의력, 억제지속주의력, 분할주의력, 작업기억력에 대한 각각의 검사 데이터를 상기 학습 모델에 입력하고,
상기 랜덤 포레스트 기반의 앙상블 모델을 학습 모델로 이용할 경우, 상기 종합주의력 검사 데이터를 검사별로 분류한 각각의 검사 데이터에 대한 전처리를 수행하고, 상기 전처리가 수행된 각각의 검사 데이터에 대한 각 분류 모델을 랜덤 포레스트를 사용하여 분류하고, 랜덤 포레스트를 사용하여 분류된 각각의 검사 데이터에 대한 결측값을 추정하고, 상기 추정된 결측값에 대한 처리를 수행한 후, 분류된 각각의 검사 데이터를 랜덤 포레스트를 사용하여 분류함으로써 주의력 결핍 및 과잉 행동 장애의 분류 및 치료반응 정도의 가능성을 도출하고,
상기 가우시안프로세스분류기 기반의 앙상블 모델을 학습 모델로 이용할 경우, 상기 종합주의력 검사 데이터를 검사별로 분류한 각각의 검사 데이터에 대한 표준화 자료의 범위 테스트를 진행하고, 상기 테스트를 통과한 표준화된 각각의 검사 데이터를 병합시키고, 상기 병합된 검사 데이터로부터 기 설정된 개수 이상의 검사를 시행하지 않은 검사 데이터를 제외함에 따라 결측값을 추정하고, 상기 추정된 결측값에 대한 처리를 수행한 후, 병합된 검사 데이터를 PCA (Principal Component Analysis)를 통하여 차원을 축소시키고, 상기 차원이 축소된 병합된 검사 데이터를 가우시안프로세스분류기를 통하여 분류하여 주의력 결핍 및 과잉 행동 장애의 분류 및 치료반응 정도의 가능성을 도출하는 것을 포함하고,
상기 도출부는,
주의력 결핍 및 과잉 행동 장애의 예측 정확도(Precision) 또는 모델이 예측한 주의력 결핍 및 과잉 행동 장애의 비율(Recall) 간의 중요도가 기 설정된 기준에 의하여 정의되고, 상기 정의된 주의력 결핍 및 과잉 행동 장애의 예측 정확도(Precision) 또는 모델이 예측한 주의력 결핍 및 과잉 행동 장애의 비율(Recall) 간의 중요도에 기초하여 상기 학습 모델을 통한 주의력 결핍 및 과잉 행동 장애의 임상양상과 치료 반응과 관련된 결과 정보를 수치적으로 나타내는
종합주의력 검사 시스템.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190076774A KR102248732B1 (ko) | 2019-06-27 | 2019-06-27 | 종합주의력 검사 데이터에 기초하여 주의력 결핍 및 과잉 행동 장애를 분류 및 치료반응을 예측하는 시스템 및 방법 |
| PCT/KR2019/008296 WO2020262748A1 (ko) | 2019-06-27 | 2019-07-05 | 종합주의력 검사 데이터에 기초하여 주의력 결핍 및 과잉 행동 장애를 분류 및 치료반응을 예측하는 시스템 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190076774A KR102248732B1 (ko) | 2019-06-27 | 2019-06-27 | 종합주의력 검사 데이터에 기초하여 주의력 결핍 및 과잉 행동 장애를 분류 및 치료반응을 예측하는 시스템 및 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210001145A KR20210001145A (ko) | 2021-01-06 |
| KR102248732B1 true KR102248732B1 (ko) | 2021-05-06 |
Family
ID=74060988
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190076774A KR102248732B1 (ko) | 2019-06-27 | 2019-06-27 | 종합주의력 검사 데이터에 기초하여 주의력 결핍 및 과잉 행동 장애를 분류 및 치료반응을 예측하는 시스템 및 방법 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR102248732B1 (ko) |
| WO (1) | WO2020262748A1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20230013485A (ko) | 2021-07-19 | 2023-01-26 | 고려대학교 산학협력단 | 불규칙 임상 시계열 데이터 예측 및 분류 방법, 및 장치 |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114343670B (zh) * | 2022-01-07 | 2023-07-14 | 北京师范大学 | 解释信息生成方法及电子设备 |
| KR102501989B1 (ko) * | 2022-08-11 | 2023-02-23 | 주식회사 하이 | 일상 과업 수행 지원을 위한 스크립트 생성 방법 및 장치 |
| WO2024106902A1 (ko) * | 2022-11-15 | 2024-05-23 | 동국대학교 산학협력단 | 심리 검사용 이미지 데이터를 이용한 성격 유형 예측 장치 및 방법 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101612779B1 (ko) * | 2014-11-03 | 2016-04-15 | 계명대학교 산학협력단 | 부분 기저 및 랜덤 포레스트를 이용하여 복수의 정적 이미지에서 부분적으로 가려진 사람을 시점 변화에 관계없이 감지하는 방법 및 이를 수행하는 컴퓨팅 장치 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2916721A4 (en) * | 2012-11-10 | 2016-10-26 | Univ California | SYSTEMS AND METHODS FOR ASSESSING NEUROPATHOLOGIES |
| KR101868490B1 (ko) * | 2016-06-28 | 2018-06-19 | 주식회사 소소 | 뇌파 기반 주의력 결핍 과잉 행동 장애 진단 시스템 |
| KR102449377B1 (ko) * | 2016-07-19 | 2022-09-30 | 아킬리 인터랙티브 랩스 인크. | 적응적 응답 기한 절차들에서의 신호 검출 메트릭들을 구현하기 위한 플랫폼들 |
| WO2018124831A1 (ko) * | 2016-12-30 | 2018-07-05 | 서울대학교 산학협력단 | 대사이상 질환의 질병 위험도를 예측하는 장치 및 방법 |
-
2019
- 2019-06-27 KR KR1020190076774A patent/KR102248732B1/ko active IP Right Grant
- 2019-07-05 WO PCT/KR2019/008296 patent/WO2020262748A1/ko active Application Filing
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101612779B1 (ko) * | 2014-11-03 | 2016-04-15 | 계명대학교 산학협력단 | 부분 기저 및 랜덤 포레스트를 이용하여 복수의 정적 이미지에서 부분적으로 가려진 사람을 시점 변화에 관계없이 감지하는 방법 및 이를 수행하는 컴퓨팅 장치 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20230013485A (ko) | 2021-07-19 | 2023-01-26 | 고려대학교 산학협력단 | 불규칙 임상 시계열 데이터 예측 및 분류 방법, 및 장치 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020262748A1 (ko) | 2020-12-30 |
| KR20210001145A (ko) | 2021-01-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102248732B1 (ko) | 종합주의력 검사 데이터에 기초하여 주의력 결핍 및 과잉 행동 장애를 분류 및 치료반응을 예측하는 시스템 및 방법 | |
| Welsh et al. | The utility of independent component analysis and machine learning in the identification of the amyotrophic lateral sclerosis diseased brain | |
| JP2015062817A5 (ja) | 脳活動解析装置、脳活動解析方法、判別器生成装置、判別器生成方法、バイオマーカー装置およびプログラム、健康管理装置およびプログラム、ならびに判別器のプログラム | |
| CN111834017A (zh) | 一种精神药物治疗效果预测方法，系统和装置 | |
| Cowley et al. | Computational testing for automated preprocessing: a Matlab toolbox to enable large scale electroencephalography data processing | |
| KR102221067B1 (ko) | 네트워크 엔트로피에 기초하는 생체의 상태 천이의 예조의 검출을 지원하는 검출 장치, 검출 방법 및 검출 프로그램 | |
| Guerrero et al. | Diagnosis of cognitive impairment compatible with early diagnosis of Alzheimer’s disease | |
| KR20190133581A (ko) | 다수의 심리검사지에서 불안 및 우울 증세의 신속한 진단을 위한 기계 학습 기반의 문항 선별 방법 및 장치 | |
| Alves et al. | Diagnosis of autism spectrum disorder based on functional brain networks and machine learning | |
| Liu et al. | Current status and future opportunities in modeling clinical characteristics of multiple sclerosis | |
| He et al. | Validation of the Alzheimer’s disease-resemblance atrophy index in classifying and predicting progression in Alzheimer’s disease | |
| JP2015032013A (ja) | 数値データ解析装置及びプログラム | |
| CN116013466A (zh) | 一种患者围手术期风险评估方法及系统 | |
| Langham et al. | Predicting risk of dementia with machine learning and survival models using routine primary care records | |
| Kim | Detection of severity in Alzheimer's disease (AD) using computational modeling | |
| Guerrero et al. | Bayesian Network Model to Sup-port Diagnosis of Cognitive Impair-ment Compatible with an Early Diagnosis of Alzheimers Disease | |
| Pedroto et al. | Predicting age of onset in TTR-FAP patients with genealogical features | |
| EP4356833A1 (en) | System and method for diagnosing mental disorder and predicting treatment response on basis of psychiatric examination data using eye tracking | |
| JP2023516295A (ja) | 機械学習を用いた自動センサトレース検証 | |
| JP2020081542A (ja) | 装置、方法およびプログラム | |
| Kollada et al. | A generalizable method for automated quality control of functional neuroimaging datasets | |
| Alves et al. | Identifying ADHD and subtypes through microstates analysis and complex networks | |
| JP2024521462A (ja) | アイトラッキングを用いた精神科検査データに基づいて精神障害診断及び治療反応を予測するシステム及び方法 | |
| KR20230061731A (ko) | 주의력 결핍 및 과잉 행동 장애의 치료반응 예측 및 분류를 위한 모델의 정확도 향상 및 최적화 방법 및 시스템 | |
| Lal et al. | A Comparative Study on Feature Extraction Techniques for the Discrimination of Frontotemporal Dementia and Alzheimer’s Disease with Electroencephalography in Resting-State Adults |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |