KR102257830B1

KR102257830B1 - Methods for pedicting mortality risk and devices for pedicting mortality risk using the same

Info

Publication number: KR102257830B1
Application number: KR1020180164200A
Authority: KR
Inventors: 박진영; 오주영; 김재진; 이병수; 양학식
Original assignee: 연세대학교 산학협력단; 주식회사 셀바스에이아이
Priority date: 2018-12-18
Filing date: 2018-12-18
Publication date: 2021-05-28
Also published as: KR20200075477A; WO2020130238A1

Abstract

본 명세서에서는, 개체에 대한 혈액 데이터, 중증도 평가 데이터, 심리 상태 평가 데이터, 생체 신호 데이터 및 의료적 처치 데이터 중 적어도 하나의 데이터를 수신하고, 적어도 하나의 데이터를 기초로, 사망 위험도를 예측하도록 구성된 사망 위험도 예측 모델을 이용하여, 개체에 대한 사망 위험도를 예측하고, 개체에 대하여 예측된 사망 위험도를 제공하고, 적어도 하나의 데이터가 개체에 대하여 단일회 평가되거나 단일회 측정된 초기 데이터로 정의되는, 사망 위험도의 예측 방법 및 이를 이용한 사망 위험도 예측용 디바이스가 제공된다.In the present specification, the subject is configured to receive at least one of blood data, severity evaluation data, psychological state evaluation data, biosignal data, and medical treatment data, and predict a risk of death based on the at least one data. Using a mortality risk prediction model, predicting the risk of mortality for an individual, providing a predicted risk of mortality for the individual, and defining at least one data as a single assessed or single measured initial data for the individual, A method for predicting the risk of death and a device for predicting the risk of death using the same are provided.

Description

Death risk prediction method and device using the same {METHODS FOR PEDICTING MORTALITY RISK AND DEVICES FOR PEDICTING MORTALITY RISK USING THE SAME}

본 발명은 사망 위험도의 예측 방법 및 디바이스에 관한 것으로, 보다 구체적으로 개체로부터 획득한 다양한 임상적 데이터를 기초로 사망 발생의 위험도를 예측하고 제공하도록 구성된 방법 및 이를 이용한 디바이스에 관한 것이다.The present invention relates to a method and a device for predicting the risk of death, and more particularly, to a method configured to predict and provide the risk of occurrence of death based on various clinical data obtained from an individual, and a device using the same.

의료 서비스를 이용하는 많은 환자들은 치명적인 질환에 쉽게 노출되기 쉽고 경우에 따라 지속적인 건강상태의 체크와 이에 따른 조치를 필요로 한다. 특히, 병원의 중환자실에 수용된 중환자와 같은 요주의 환자들은 환자의 상태에 대한 지속적인 관찰이 보다 중요할 수 있다.Many patients who use medical services are susceptible to fatal diseases, and in some cases, continuous health checks and measures are required. In particular, for critically ill patients, such as intensive care units housed in hospitals, continuous observation of the patient's condition may be more important.

중환자에 대하여 맥박수나 혈압 또는 호흡, 등 병의 진행이나 생명유지와 관련된 환자의 상태를 체크하기 위해, 다양한 예측 장비가 구비될 수 있다. 이러한 예측 장비는 환자의 상태를 측정하고 그 결과를 의료진이 확인할 수 있도록 디스플레이 한다. 그러나, 종래의 예측 장비는 환자 상태에 대하여 예측된 정보를 디스플레이적으로 제공함에 따라, 의료진이 지속적으로 예측 장비를 모니터링 해야 한다는 한계를 갖는다. 즉, 종래의 예측 장비에 기초한 위험도 예측 시스템은, 지속적인 모니터링이 불가능할 경우 예측 정보에 따른 적절한 예비 조치를 제공할 수 없다는 문제점을 갖는다. Various prediction equipment may be provided in order to check a patient's condition related to disease progression or life maintenance, such as pulse rate, blood pressure, or breathing for critically ill patients. These predictive devices measure the patient's condition and display the results for medical staff to check. However, the conventional predictive equipment has a limitation in that the medical staff must continuously monitor the predictive equipment, as the predicted information on the patient's condition is provided on a display basis. That is, the risk prediction system based on the conventional prediction equipment has a problem in that it cannot provide appropriate preliminary measures according to prediction information when continuous monitoring is impossible.

특히, 비 특이적인 증상과 다양한 병명으로 중환자실에 입실해 있는 환자의 경우, 입실 이후에도 급격한 상태 변화를 보이는 경향이 있어 종래의 예측 장비를 이용하여 그 예후를 예측하기 더 어려울 수 있다. In particular, in the case of patients who are admitted to the intensive care unit with non-specific symptoms and various disease names, it may be more difficult to predict the prognosis using conventional predictive equipment because there is a tendency to show a sudden change in condition even after admission.

따라서, 의료 서비스를 제공받은 환자, 사망과 같은 응급 상황을 미리 예측하고, 응급 상황과 연관된 정보를 빠르게 제공할 수 있는 새로운 사망 위험도 예측 시스템에 대한 개발이 지속적으로 요구되고 있는 실정이다.Accordingly, there is a continuous demand for development of a new death risk prediction system capable of predicting in advance an emergency situation such as death and a patient receiving medical service and providing information related to the emergency situation quickly.

발명의 배경이 되는 기술은 본 발명에 대한 이해를 보다 용이하게 하기 위해 작성되었다. 발명의 배경이 되는 기술에 기재된 사항들이 선행기술로 존재한다고 인정하는 것으로 이해되어서는 안 된다.The technology that is the background of the invention has been prepared to facilitate understanding of the present invention. It should not be understood as an admission that the matters described in the technology underlying the invention exist as prior art.

한편, 본 발명의 발명자들은, 임상적으로 사망과 같은 응급 상황이 발생하기 이전에 미리 인체의 생리학적 대응 반응의 일환으로 생체 신호들의 변화가 선행 할 것이라는 점에 주목하였다. On the other hand, the inventors of the present invention noted that changes in vital signs will precede clinically as part of a physiological response reaction of the human body before an emergency situation such as death occurs.

보다 구체적으로, 본 발명의 발명자들은 시간마다 상태가 변하는 중한 상태의 환자에 대하여, 중환자실에서 획득할 수 있는 다양한 임상적 데이터의 변화가 사망과 같은 잠재적 중한 상태와 연관성을 가질 수 있음에 주목하였다. More specifically, the inventors of the present invention have noted that changes in various clinical data that can be obtained in the intensive care unit may have a relationship with a potentially serious condition such as death for a patient in a severe condition whose condition changes every time. .

결과적으로, 본 발명의 발명자들은, 생체 신호 데이터와 함께 의료적 처치 데이터, 혈액 데이터, 나아가 심리 상태 평가 및 중증도 평가 데이터의 임상적 데이터들이 환자, 특히 중환자에 대한 사망 위험도를 예측하는 것에 이용될 수 있음을 인지할 수 있었다.Consequently, the inventors of the present invention can use clinical data of medical treatment data, blood data, and further psychological state evaluation and severity evaluation data together with vital signs data to predict the risk of death for patients, especially critically ill patients. I could recognize that there was.

이때, 본 발명의 발명자들은, 환자들에 대하여 중환자실 (또는, 일반 병동) 입실 후 처음 평가되거나 처음 측정된 상기 임상적 데이터들의 초기 값에 주목하였다. 보다 구체적으로, 본 발명의 발명자들은 미리 결정된 시간 단위로 첫 회 측정되거나 평가된 초기 데이터값을 기초로 환자와 같은 개체에 대한 사망 위험도를 예측하고자 하였다.At this time, the inventors of the present invention paid attention to the initial values of the clinical data that were first evaluated or measured for the first time after entering the intensive care unit (or general ward) for patients. More specifically, the inventors of the present invention attempted to predict the risk of death for an individual such as a patient based on the initial data values measured or evaluated for the first time in a predetermined time unit.

한편, 본 발명의 발명자들은, 사망 위험도의 예측과 관련하여, 개체의 사망 발생 여부, 나아가 개체의 성별 나이 등의 인자들이 사망 위험도와 연관이 있음에 더욱 주목하였다. On the other hand, the inventors of the present invention paid more attention to the fact that factors such as the occurrence of death of an individual, and further, the sex and age of the individual, are related to the risk of death in relation to the prediction of the risk of death.

보다 구체적으로, 본 발명의 발명자들은, 섬망 발생 여부, KDRS (Korean version of the Delirium Rating Scale) 점수, DMSS (Delirium Motor Subtype Scale) 점수와 같은, 개체로부터 평가된 섬망 평가 데이터들이 사망 위험도와 연관이 있음에 주목하였다. More specifically, the inventors of the present invention said that delirium evaluation data evaluated from an individual, such as whether delirium occurred, KDRS (Korean version of the Delirium Rating Scale) score, and DMSS (Delirium Motor Subtype Scale) score, were associated with the risk of death. Noted that there is.

또한, 본 발명의 발명자들은, 개체의 성별, 나이, 체질량 지수, 운동 여부, 질환 발병 여부, 흡연 여부 및 음주 여부와 같은 개체의 특징 데이터들이 사망 위험도와 연관이 있음에 주목하였다. In addition, the inventors of the present invention noted that characteristic data of an individual such as sex, age, body mass index, exercise, disease onset, smoking and alcohol consumption of the individual are associated with the risk of death.

결과적으로, 본 발명의 발명자들은 이들 섬망 평가 데이터들과 개체의 특징 데이터들을 사망 위험도의 예측에 더욱 고려하고자 하였다.As a result, the inventors of the present invention attempted to further consider these delirium evaluation data and individual characteristic data in predicting the risk of death.

그 결과, 본 발명의 발명자들은 개체로부터 획득한 초기의 생체 신호 데이터, 의료적 처치 데이터, 혈액 데이터, 심리 상태 평가 및 중증도 평가 데이터, 나아가 섬망 평가 데이터 및 개체의 특징 데이터의 임상적 데이터에 기초한 사망 위험도 예측 시스템을 개발하기에 이르렀다.As a result, the inventors of the present invention die based on clinical data of initial biosignal data, medical treatment data, blood data, psychological state evaluation and severity evaluation data, and delirium evaluation data and characteristic data of an individual acquired from an individual. It came to develop a risk prediction system.

한편, 본 발명의 발명자들은, 새로운 사망 위험도 예측 시스템에 대하여, 초기의 생체 신호 데이터, 의료적 처치 데이터, 혈액 데이터, 심리 상태 평가 및 중증도 평가 데이터, 나아가 섬망 평가 데이터 및 개체 특징 데이터의 임상적 데이터를 기초로 사망 위험도를 예측하도록 학습된 예측 모델을 적용할 수 있었다.On the other hand, the inventors of the present invention, for a new death risk prediction system, initial biosignal data, medical treatment data, blood data, psychological state evaluation and severity evaluation data, furthermore, delirium evaluation data and clinical data of individual feature data. The learned prediction model could be applied to predict the risk of death based on.

특히, 본 발명의 발명자들은, 다양한 임상적 데이터 중 사망 위험도를 예측하는 것에 연관도가 큰 임상적 데이터 또는, 생존을 예측하는 것에 연관도가 큰 임상적 데이터를 결정하도록 평가를 수행하였고, 이를 예측 모델의 학습에 적용하고자 하였다. 이를 통해, 본 발명의 발명자들은 예측 모델의 사망 위험도의 예측의 진단 능력 향상을 기대할 수 있었다. In particular, the inventors of the present invention performed an evaluation to determine clinical data having a high correlation to predicting the risk of death, or clinical data having a high correlation to predicting survival, among various clinical data. It was intended to be applied to model learning. Through this, the inventors of the present invention could expect to improve the diagnostic ability of predicting the risk of death of the predictive model.

결과적으로, 사망 위험도 예측 모델에 기초한 새로운 사망 위험도 예측 시스템은, 개체에 대하여 정확도 및 신뢰도 높은 예측 정보를 조기에 제공할 수 있었다.As a result, the new death risk prediction system based on the death risk prediction model was able to provide predictive information with high accuracy and reliability for an individual at an early stage.

본 발명의 발명자들은 이러한 사망 위험도 예측 시스템 개발을 통해, 환자의 상태에 대하여 빠르게 감지하고 사망과 같은 응급 상황을 미리 인지하여, 환자에 대한 처치 시점을 앞당겨 치료 성과를 높일 수 있음을 기대할 수 있었다. 나아가, 본 발명의 발명자들은 사망 위험도의 예측 시스템의 개발이 환자의 생존률 증가 및 치료 비용의 감소 효과를 제공할 수 있다는 것을 더욱 기대할 수 있었다. The inventors of the present invention could expect that through the development of such a death risk prediction system, a patient's condition can be quickly detected and an emergency situation such as death can be recognized in advance, and treatment results can be improved by advancing the treatment time for the patient. Furthermore, the inventors of the present invention could further expect that the development of a death risk prediction system can provide an effect of increasing the survival rate of patients and reducing treatment costs.

또한, 본 발명의 발명자들은, 보호자 또는 의료진이 중환자와 같은 지속적인 모니터링이 요구되는 개체에 대하여 보다 용이하게 고위험군을 인지할 수 있도록, 개체에 대하여 예측 모델에 의해 사망 위험도가 높은 것으로 예측될 경우, 알람을 제공하여 사망 발생 위험도를 알리도록 구성하였다. In addition, the inventors of the present invention, so that a guardian or medical staff can more easily recognize a high-risk group for an individual requiring continuous monitoring, such as a critically ill patient, when the risk of death is predicted by a predictive model for an individual, an alarm It was configured to inform the risk of death by providing.

이에, 본 발명이 해결하고자 하는 과제는, 수신된 개체에 대한 혈액 데이터, 중증도 평가 데이터, 심리 상태 평가 데이터, 생체 신호 데이터 및 의료적 처치 데이터 중 적어도 하나의 데이터를 기초로, 사망 위험도를 예측하도록 학습된 사망 위험도 예측 모델을 이용하여, 개체에 대한 사망 위험도를 예측하는, 사망 위험도 예측 방법을 제공하는 것이다. Accordingly, the problem to be solved by the present invention is to predict the risk of death based on at least one of blood data, severity evaluation data, psychological state evaluation data, biosignal data, and medical treatment data for the received individual. It is to provide a death risk prediction method that predicts the death risk for an individual using the learned death risk prediction model.

본 발명이 해결하고자 하는 다른 과제는, 섬망 평가 데이터 및 개체의 특징 데이터를 더 수신하고, 이들 데이터를 기초로, 사망 위험도 예측 모델을 이용하여, 개체에 대한 사망 위험도를 더 예측하도록 구성된, 사망 위험도 예측 방법을 제공하는 것이다. Another problem to be solved by the present invention is to further receive delirium evaluation data and characteristic data of an individual, and based on these data, using a mortality risk prediction model, configured to further predict the mortality risk for the individual, mortality risk It is to provide a prediction method.

본 발명의 과제들은 이상에서 언급한 과제들로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.The problems of the present invention are not limited to the problems mentioned above, and other problems that are not mentioned will be clearly understood by those skilled in the art from the following description.

전술한 바와 같은 과제를 해결하기 위해, 본 발명의 일 실시예에 따른 사망 위험도의 예측 방법이 제공된다. 이때, 본 발명의 사망 위험도의 예측 방법은, 개체에 대한 혈액 데이터, 중증도 평가 데이터, 심리 상태 평가 데이터, 생체 신호 데이터 및 의료적 처치 데이터 중 적어도 하나의 데이터를 수신하는 단계, 적어도 하나의 데이터를 기초로, 사망 위험도를 예측하도록 구성된 사망 위험도 예측 모델을 이용하여, 개체에 대한 사망 위험도를 예측하는 단계, 및 개체에 대하여 예측된 사망 위험도를 제공하는 단계를 포함한다. 이때, 적어도 하나의 데이터는 개체에 대하여 단일회 평가되거나 단일회 측정된 초기 데이터로 정의된다.In order to solve the above-described problem, a method for predicting the risk of death according to an embodiment of the present invention is provided. At this time, the method of predicting the risk of death of the present invention includes receiving at least one of blood data, severity evaluation data, psychological state evaluation data, biosignal data, and medical treatment data for an individual, at least one data. On the basis of, using a mortality risk prediction model configured to predict mortality risk, predicting a mortality risk for the subject, and providing a predicted mortality risk for the subject. At this time, the at least one data is defined as initial data evaluated once or measured once for the individual.

본 발명의 특징에 따르면, 적어도 하나의 데이터는, 심리 상태 평가 데이터를 포함하고, 심리 상태 평가 데이터는, RASS (Richmond Agitation and Sedation Scale) 또는 STAI (State-Trait Anxiety Inventory) 점수일 수 있다.According to a feature of the present invention, at least one data includes mental state evaluation data, and the mental state evaluation data may be RASS (Richmond Agitation and Sedation Scale) or STAI (State-Trait Anxiety Inventory) score.

본 발명의 다른 특징에 따르면, 적어도 하나의 데이터는, 혈액 데이터를 포함하고, 혈액 데이터는, BUN (blood urea nitrogen), pH, HCO₃, Alb (albumin), Hb (hemoglobin), Hct (hematocrit), BILI (Bilirubin), Na 및 NLR (Neutrophil to Lymphocyte Ratio) 중 적어도 하나의 수치를 포함할 수 있다.According to another feature of the present invention, at least one data includes blood data, and the blood data includes BUN (blood urea nitrogen), pH, HCO ₃ , Alb (albumin), Hb (hemoglobin), Hct (hematocrit). , BILI (Bilirubin), Na, and NLR (Neutrophil to Lymphocyte Ratio).

본 발명의 또 다른 특징에 따르면, 적어도 하나의 데이터는, 중증도 평가 데이터를 포함하고, 중증도 평가 데이터는, APACHE II (Acute Physiology and Chronic Health Evaluation) 점수를 포함할 수 있다.According to another feature of the present invention, the at least one data may include severity evaluation data, and the severity evaluation data may include APACHE II (Acute Physiology and Chronic Health Evaluation) scores.

본 발명의 또 다른 특징에 따르면, 적어도 하나의 데이터는, 생체 신호 데이터를 포함하고, 생체 신호 데이터는, 맥박, 호흡, 체온, SBP (systolic blood pressure) 및 DBP (diastolic blood pressure) 중 적어도 하나를 포함할 수 있다.According to another feature of the present invention, the at least one data includes biosignal data, and the biosignal data includes at least one of pulse, respiration, body temperature, systolic blood pressure (SBP), and diastolic blood pressure (DBP). Can include.

본 발명의 또 다른 특징에 따르면, 의료적 처치 데이터는, 카테터 (Catheter), 폴리 (Foley), 리스트레인트 (Restraint) 및 배액 기기 (Drainage) 의 의료 기기 사용 여부 데이터 및 영양 섭취 여부 데이터중 적어도 하나의 의료적 처치 데이터를 포함할 수 있다. According to another feature of the present invention, the medical treatment data includes at least one of data on whether to use medical devices and whether to consume nutrition of a catheter, foley, restraint, and drainage device. It may contain one medical treatment data.

본 발명의 또 다른 특징에 따르면, 섬망 평가 데이터 또는 개체 특징 데이터를 수신하는 단계가 더 수행될 수 있다. 나아가, 사망 위험도 예측 모델은, 섬망 평가 데이터 또는 개체 특징 데이터를 기초로, 사망 위험도를 예측하도록 더 구성될 수 있다. 이때, 섬망 평가 데이터는, 섬망 발생 여부, KDRS (Korean version of the Delirium Rating Scale) 진단 점수, KDRS 심각도 점수, DMSS (Delirium Motor Subtype Scale) hyper 점수, DMSS mixed 점수, 및 DMSS hypo 점수 중 적어도 하나를 포함할 수 있다. 나아가, 개체 특징 데이터는, 개체의 성별, 개체의 나이, 개체의 체질량 지수, 운동 여부, 질환 발병 여부, 흡연 여부 및 음주 여부 중 적어도 하나를 포함할 수 있다.According to another feature of the present invention, the step of receiving delirium evaluation data or entity feature data may be further performed. Furthermore, the mortality risk prediction model may be further configured to predict the mortality risk, based on delirium evaluation data or individual feature data. At this time, the delirium evaluation data includes at least one of delirium occurrence, KDRS (Korean version of the Delirium Rating Scale) diagnosis score, KDRS severity score, DMSS (Delirium Motor Subtype Scale) hyper score, DMSS mixed score, and DMSS hypo score. Can include. Further, the individual characteristic data may include at least one of the individual's sex, the individual's age, the individual's body mass index, whether they exercise, whether or not to develop a disease, whether to smoke, or whether to drink alcohol.

본 발명의 또 다른 특징에 따르면, 초기 데이터는, 개체에 대하여, 입원 기간 동안 미리 결정된 시간 단위로 처음 평가되거나 처음 측정된 초기 데이터로 정의되고, 사망 위험도는 미리 결정된 시간 후 사망 발생의 위험도로 정의될 수 있다.According to another feature of the present invention, the initial data is defined as initial data initially evaluated or measured for the individual in a predetermined time unit during the hospitalization period, and the risk of death is defined as the risk of occurrence of death after a predetermined time. Can be.

본 발명의 또 다른 특징에 따르면, 사망 위험도를 제공하는 단계는, 사망 위험도 예측 모델에 의해 개체에 대한 사망 발생 위험도가 예측될 경우, 개체에 대한 사망 위험 알림을 제공하는 단계를 포함할 수 있다. According to another feature of the present invention, the providing of the risk of death may include providing a notification of the risk of death to the individual when the risk of occurrence of death is predicted by the death risk prediction model.

본 발명의 또 다른 특징에 따르면, 사망 위험도 예측 모델은, 사망 표본 개체 및 생존 표본 개체에 대한 혈액 데이터, 중증도 평가 데이터, 심리 상태 평가 데이터, 생체 신호 데이터, 의료적 처치 데이터, 섬망 평가 데이터 및 표본 개체 특징 데이터 중 적어도 하나의 데이터로 구성된 학습용 데이터를 수신하는 단계, 및 학습용 데이터를 기초로, 사망 또는 생존을 예측하는 단계를 통해 학습된 모델일 수 있다. According to another feature of the present invention, the mortality risk prediction model includes blood data, severity assessment data, psychological state assessment data, vital signs data, medical treatment data, delirium assessment data and samples for the death sample entity and the surviving sample entity. The model may be trained through receiving training data consisting of at least one of the individual feature data, and predicting death or survival based on the training data.

본 발명의 또 다른 특징에 따르면, 상기 방법은, 학습용 데이터를 수신하는 단계 이후에 수행되는, 학습용 데이터를 평가하는 단계를 더 포함할 수 있다. 이때, 학습용 데이터를 평가하는 단계는, 학습용 데이터에 대하여 사망과의 연관도 (relevance) 점수를 산출하는 단계, 및 사망과의 연관도 점수를 기초로, 미리 결정된 순위 내에 있는 사망 연관 학습용 데이터를 결정하는 단계를 포함할 수 있다. According to another feature of the present invention, the method may further include evaluating the learning data, which is performed after the step of receiving the learning data. In this case, the step of evaluating the learning data includes calculating a relevance score with respect to the learning data, and determining the death-related learning data within a predetermined ranking based on the score of the association with death. It may include the step of.

본 발명의 또 다른 특징에 따르면, 학습용 데이터를 평가하는 단계는, LRP (Layer-wise Relevance Propagation) 알고리즘을 이용하여, 학습용 데이터에 대하여 사망과의 연관도 점수를 산출하는 단계, 및 사망과의 연관도 점수를 기초로, 미리 결정된 순위 내에 있는 사망 연관 학습용 데이터를 결정하는 단계를 포함할 수 있다. According to another feature of the present invention, the step of evaluating the learning data includes calculating a score of association with death for the learning data using a Layer-wise Relevance Propagation (LRP) algorithm, and association with death. Based on the degree score, it may include determining death-related learning data within a predetermined ranking.

전술한 바와 같은 과제를 해결하기 위해, 본 발명의 일 실시예에 따른 사망 위험도의 예측용 디바이스가 제공된다. 이때, 본 발명의 사망 위험도의 예측용 디바이스는, 개체에 대한 혈액 데이터, 중증도 평가 데이터, 심리 상태 평가 데이터, 생체 신호 데이터 및 의료적 처치 데이터 중 적어도 하나의 데이터를 수신하도록 구성된 수신부, 및 수신부와 통신하도록 구성된 프로세서를 포함한다. 이때, 프로세서는, 적어도 하나의 데이터를 기초로, 사망 위험도를 예측하도록 구성된 사망 위험도 예측 모델을 이용하여, 개체에 대한 사망 위험도를 예측하고, 개체에 대하여 예측된 사망 위험도를 제공하도록 구성된다. 이때, 적어도 하나의 데이터는 개체에 대하여 단일회 평가되거나 단일회 측정된 초기 데이터로 정의된다.In order to solve the above-described problem, a device for predicting the risk of death according to an embodiment of the present invention is provided. At this time, the device for predicting the risk of death of the present invention includes a receiving unit configured to receive at least one of blood data, severity evaluation data, psychological state evaluation data, biosignal data, and medical treatment data for an individual, and a receiving unit. And a processor configured to communicate. In this case, the processor is configured to predict a mortality risk for the individual and provide the predicted mortality risk for the individual, using a mortality risk prediction model configured to predict the mortality risk based on the at least one data. At this time, the at least one data is defined as initial data evaluated once or measured once for the individual.

본 발명의 특징에 따르면, 적어도 하나의 데이터는, 심리 상태 평가 데이터를 포함하고, 심리 상태 평가 데이터는, RASS 점수 또는 STAI 점수일 수 있다.According to a feature of the present invention, the at least one data includes mental state evaluation data, and the mental state evaluation data may be a RASS score or an STAI score.

본 발명의 다른 특징에 따르면, 적어도 하나의 데이터는, 혈액 데이터를 포함하고, 혈액 데이터는, BUN, pH, HCO₃, Alb, Hb, Hct, BILI, Na 및 NLR 중 적어도 하나의 수치를 포함할 수 있다.According to another feature of the present invention, the at least one data includes blood data, and the blood data includes at least one value of BUN, pH, HCO ₃ , Alb, Hb, Hct, BILI, Na, and NLR. I can.

본 발명의 또 다른 특징에 따르면, 적어도 하나의 데이터는, 중증도 평가 데이터를 포함하고, 중증도 평가 데이터는, APACHE II 점수를 포함할 수 있다.According to another feature of the present invention, the at least one data may include severity evaluation data, and the severity evaluation data may include an APACHE II score.

본 발명의 또 다른 특징에 따르면, 적어도 하나의 데이터는, 생체 신호 데이터를 포함하고, 생체 신호 데이터는, 맥박, 호흡, 체온, SBP 및 DBP 중 적어도 하나를 포함할 수 있다.According to another feature of the present invention, the at least one data includes biosignal data, and the biosignal data may include at least one of pulse, respiration, body temperature, SBP, and DBP.

본 발명의 또 다른 특징에 따르면, 의료적 처치 데이터는, 카테터, 폴리, 리스트레인트 및 배액 기기의 의료 기기 사용 여부 데이터 및 영양 섭취 여부 데이터중 적어도 하나의 의료적 처치 데이터를 포함할 수 있다. According to another feature of the present invention, the medical treatment data may include at least one medical treatment data from data on whether a catheter, a poly, a restraint, and a drainage device is used as a medical device and whether or not nutrition is consumed.

본 발명의 또 다른 특징에 따르면, 수신부는 섬망 평가 데이터 또는 개체 특징 데이터를 수신하도록 더 구성될 수 있다. 나아가, 사망 위험도 예측 모델은, 섬망 평가 데이터 또는 개체 특징 데이터를 기초로, 사망 위험도를 예측하도록 더 구성될 수 있다. 이때, 섬망 평가 데이터는, 섬망 발생 여부, 진단 점수, KDRS 심각도 점수, DMSS hyper 점수, DMSS mixed 점수, 및 DMSS hypo 점수 중 적어도 하나를 포함할 수 있다. 나아가, 개체 특징 데이터는, 개체의 성별, 개체의 나이, 개체의 체질량 지수, 운동 여부, 질환 발병 여부, 흡연 여부 및 음주 여부 중 적어도 하나를 포함할 수 있다.According to another feature of the present invention, the receiving unit may be further configured to receive delirium evaluation data or entity feature data. Furthermore, the mortality risk prediction model may be further configured to predict the mortality risk, based on delirium evaluation data or individual feature data. In this case, the delirium evaluation data may include at least one of whether delirium has occurred, a diagnosis score, a KDRS severity score, a DMSS hyper score, a DMSS mixed score, and a DMSS hypo score. Further, the individual characteristic data may include at least one of the individual's sex, the individual's age, the individual's body mass index, whether they exercise, whether or not to develop a disease, whether to smoke, or whether to drink alcohol.

본 발명의 또 다른 특징에 따르면, 프로세서는, 사망 위험도 예측 모델에 의해 개체에 대한 사망 발생 위험도가 예측될 경우, 개체에 대한 사망 위험 알림을 제공하도록 더 구성될 수 있다.According to another feature of the present invention, the processor may be further configured to provide a death risk notification for the individual when the risk of occurrence of death is predicted by the death risk prediction model.

이하, 실시예를 통하여 본 발명을 보다 상세히 설명한다. 다만, 이들 실시예는 본 발명을 예시적으로 설명하기 위한 것에 불과하므로 본 발명의 범위가 이들 실시예에 의해 한정되는 것으로 해석되어서는 아니 된다.Hereinafter, the present invention will be described in more detail through examples. However, these examples are for illustrative purposes only, and the scope of the present invention should not be construed as being limited by these examples.

본 발명은 개체에 대하여 다양한 임상적 데이터를 수신하고, 수신된 데이터 기반의 사망 위험도 예측 시스템을 제공함으로써, 개체의 사망 위험도에 대하여 빠르게 감지하고, 이와 연관된 정보를 제공함으로써 응급 상황을 빠르게 예측하는 것에 기여할 수 있다.The present invention receives various clinical data for an individual and provides a death risk prediction system based on the received data, thereby rapidly detecting an individual's mortality risk and providing related information to quickly predict an emergency situation. You can contribute.

특히, 본 발명은 개체로부터 획득한 초기의 생체 신호 데이터, 의료적 처치 데이터, 혈액 데이터, 나아가 심리 상태 평가 및 중증도 평가 데이터와 함께 개체의 섬망 평가 데이터 및 개체 특징 데이터의 임상적 데이터에 기초한 사망 위험도 예측 시스템을 제공함으로써, 개체의 사망 위험도와 연관된 정보를 제공할 수 있다. 예를 들어, 본 발명은, 개체에 대하여 높은 정밀도 및 정확도로 예측된, 미리 결정된 시간 후의 사망 위험도를 제공할 수 있다.In particular, the present invention is based on the initial biosignal data, medical treatment data, blood data, and further psychological state evaluation and severity evaluation data obtained from the subject, as well as the delirium evaluation data of the subject and the risk of death based on clinical data of the subject characteristic data. By providing a predictive system, it is possible to provide information related to the risk of death of an individual. For example, the present invention can provide a risk of death after a predetermined time, predicted with high precision and accuracy for an individual.

이에, 본 발명은, 사망 발생이 예측되는 고위험군에 대하여 의료적 처치 시점을 앞당겨 좋은 예후를 제공할 수 있다. Accordingly, the present invention can provide a good prognosis by advancing the timing of medical treatment for the high-risk group in which the occurrence of death is predicted.

따라서, 본 발명은 의료 서비스 개선뿐만 아니라, 생존률 증가, 합병증 예방, 및 치료 비용 감소에 기인할 수 있는 효과가 있다.Accordingly, the present invention has an effect that can be attributed to not only improvement of medical service, but also an increase in survival rate, prevention of complications, and reduction in treatment cost.

또한, 본 발명은, 개체에 대하여 예측 모델에 의해 사망 발생 위험도가 예측될 경우, 알람을 제공하여 사망 위험을 알리도록 구성됨에 따라, 보호자 또는 의료진은 중환자와 같은 지속적인 모니터링이 요구되는 개체에 대하여 보다 용이하게 고위험군을 인지할 수 있다. In addition, the present invention is configured to notify the risk of death by providing an alarm when the risk of occurrence of death is predicted by a predictive model for an individual, so that a guardian or a medical staff is more sensitive to an individual requiring continuous monitoring, such as a critically ill patient. High-risk groups can be easily recognized.

즉, 본 발명은, 지속적인 모니터링이 불가능할 경우 예측 정보에 따른 적절한 예비 조치를 제공할 수 없는 디스플레이 기반의 종래의 위험도 예측 시스템이 갖는 한계를 극복할 수 있는 효과가 있다.That is, the present invention has an effect of overcoming the limitations of the conventional display-based risk prediction system that cannot provide appropriate preliminary measures according to prediction information when continuous monitoring is impossible.

본 발명에 따른 효과는 이상에서 예시된 내용에 의해 제한되지 않으며, 더욱 다양한 효과들이 본 명세서 내에 포함되어 있다.The effects according to the present invention are not limited by the contents exemplified above, and more various effects are included in the present specification.

도 1a는 본 발명의 일 실시예에 따른 사망 위험도의 예측 방법 및 디바이스에 기초한 사망 위험도 예측 시스템을 예시적으로 도시한 것이다.
도 1b는 본 발명의 일 실시예에 따른 사망 위험도의 예측용 디바이스의 구성을 예시적으로 도시한 것이다.
도 2는 본 발명의 일 실시예에 따른 사망 위험도의 예측 방법의 절차를 예시적으로 도시한 것이다.
도 3a는 본 발명의 다양한 실시예에 이용되는 사망 위험도 예측 모델의 학습 데이터를 예시적으로 도시한 것이다.
도 3b는 본 발명의 다양한 실시예에 이용되는 사망 위험도 예측 모델의 구성을 예시적으로 도시한 것이다.
도 4a 및 4b는 본 발명의 다양한 실시예에 이용되는 사망 위험도 예측 모델에 대한 평가 결과를 도시한 것이다.1A is an exemplary diagram illustrating a death risk prediction system based on a death risk prediction method and device according to an embodiment of the present invention.
1B is an exemplary configuration of a device for predicting a risk of death according to an embodiment of the present invention.
2 is a diagram illustrating a procedure of a method for predicting a risk of death according to an embodiment of the present invention.
3A is an exemplary diagram illustrating training data of a mortality risk prediction model used in various embodiments of the present invention.
3B is an exemplary diagram illustrating the configuration of a death risk prediction model used in various embodiments of the present invention.
4A and 4B illustrate evaluation results of a death risk prediction model used in various embodiments of the present invention.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. Advantages and features of the present invention, and a method of achieving them will become apparent with reference to the embodiments described below in detail together with the accompanying drawings. However, the present invention is not limited to the embodiments disclosed below, but will be implemented in a variety of different forms, only the present embodiments are intended to complete the disclosure of the present invention, and common knowledge in the technical field to which the present invention pertains. It is provided to completely inform the scope of the invention to those who have, and the invention is only defined by the scope of the claims.

본 발명의 실시예를 설명하기 위한 도면에 개시된 형상, 크기, 비율, 각도, 개수 등은 예시적인 것이므로 본 발명이 도시된 사항에 한정되는 것은 아니다. 또한, 본 발명을 설명함에 있어서, 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명은 생략한다. 본 명세서 상에서 언급된 '포함한다', '갖는다', '이루어진다' 등이 사용되는 경우, '~만'이 사용되지 않는 이상 다른 부분이 추가될 수 있다. 구성요소를 단수로 표현한 경우에 특별히 명시적인 기재 사항이 없는 한 복수를 포함하는 경우를 포함한다.The shapes, sizes, ratios, angles, numbers, etc. disclosed in the drawings for explaining the embodiments of the present invention are exemplary, and thus the present invention is not limited to the illustrated matters. In addition, in describing the present invention, when it is determined that a detailed description of a related known technology may unnecessarily obscure the subject matter of the present invention, the detailed description thereof will be omitted. When'include','have','consists of' and the like mentioned in the present specification are used, other parts may be added unless'only' is used. In the case of expressing the constituent elements in the singular, it includes the case of including the plural unless specifically stated otherwise.

구성요소를 해석함에 있어서, 별도의 명시적 기재가 없더라도 오차 범위를 포함하는 것으로 해석한다.In interpreting the components, even if there is no explicit description, it is interpreted as including an error range.

본 발명의 여러 실시예들의 각각 특징들이 부분적으로 또는 전체적으로 서로 결합 또는 조합 가능하며, 당업자가 충분히 이해할 수 있듯이 기술적으로 다양한 연동 및 구동이 가능하며, 각 실시예들이 서로에 대하여 독립적으로 실시 가능할 수도 있고 연관 관계로 함께 실시 가능할 수도 있다.Each of the features of the various embodiments of the present invention may be partially or entirely combined or combined with each other, and as a person skilled in the art can fully understand, technically various interlocking and driving are possible, and each of the embodiments may be independently implemented with respect to each other. It may be possible to do it together in a related relationship.

본 명세서의 해석의 명확함을 위해, 이하에서는 본 명세서에서 사용되는 용어들을 정의하기로 한다.For clarity of interpretation of the present specification, terms used in the present specification will be defined below.

본 명세서에서 사용되는 용어, "개체"는 사망 발생의 위험도를 예측하고자 하는 대상을 의미할 수 있다. 한편, 본원 명세서 내에서 개체는 '환자' 또는 '중환자'일 수 있으나, 이에 제한되는 것은 아니며 사망 발생의 위험도를 예측하고자 하는 모든 대상을 포함할 수 있다. 예를 들어, 개체는 섬망 발병 개체일 수도 있다. As used herein, the term "individual" may mean an object for which the risk of death is to be predicted. Meanwhile, in the present specification, the individual may be a'patient' or a'critical patient', but is not limited thereto and may include all subjects for which the risk of death occurs. For example, the subject may be a delirium-affected individual.

본 명세서에서 사용되는 용어, "혈액 데이터"는 개체로부터 분리된 혈액의 생물학적 시료에 대한 임상적 데이터를 의미할 수 있다.As used herein, the term "blood data" may mean clinical data on a biological sample of blood isolated from an individual.

예를 들어, 본원 명세서 내에 개시된 혈액 데이터는, 개체로부터 분리된 혈액으로부터 측정된 BUN (blood urea nitrogen), pH, HCO₃, Alb (albumin), Hb (hemoglobin), Hct (hematocrit), BILI (Bilirubin), Na 및 NLR (Neutrophil to Lymphocyte Ratio) 중 적어도 하나의 수치일 수 있다.For example, blood data disclosed in the present specification are BUN (blood urea nitrogen), pH, HCO ₃ , Alb (albumin), Hb (hemoglobin), Hct (hematocrit), BILI (Bilirubin) measured from blood isolated from an individual. ), Na, and NLR (Neutrophil to Lymphocyte Ratio).

바람직하게 혈액 데이터는, 개체로부터 최초로 측정된 초기의 데이터일 수 있다. 예를 들어, 상기 개체가 중환자에 입실했을 경우, 혈액 데이터는 입실 후 처음 측정된 초기의 혈액 데이터를 의미할 수 있다. 나아가, 미리 결정된 시간 단위 (예를 들어, 24 시간 단위) 로 개체에 대하여 복수회 (예를 들어, 3 회/일) 혈액 데이터가 측정될 경우, 혈액 데이터는 미리 결정된 시간 단위마다 첫 회에 획득한 복수의 혈액 데이터를 포함할 수도 있다. 그러나, 혈액 데이터는 이에 제한되는 것이 아니다. Preferably, the blood data may be initial data initially measured from an individual. For example, when the individual is admitted to a critically ill patient, blood data may refer to initial blood data measured for the first time after admission. Furthermore, when blood data is measured multiple times (e.g., 3 times/day) for an individual in a predetermined time unit (e.g., 24 hour units), the blood data is acquired at the first time every predetermined time unit. It may also contain a plurality of blood data. However, the blood data is not limited thereto.

본 명세서에서 사용되는 용어, "중증도 평가 데이터"는 개체에 대하여 중증도 상태를 평가하기 위한 척도의 값을 의미할 수 있다. As used herein, the term "severity evaluation data" may mean a value of a scale for evaluating a severity condition with respect to an individual.

예를 들어, 본원 명세서 내에 개시된 중증도 평가 데이터는, APACHE II (Acute Physiology and Chronic Health Evaluation) 점수일 수 있다. For example, the severity evaluation data disclosed in the present specification may be an APACHE II (Acute Physiology and Chronic Health Evaluation) score.

이때, 개체의 중증도 상태를 나타내는 중증도 평가 데이터는, 개체의 사망 발생 여부와 연관이 있을 수 있다.At this time, the severity evaluation data indicating the severity of the individual may be related to whether or not the individual has died.

한편, 중증도 평가 데이터는 개체로부터 최초로 평가된 초기의 데이터일 수 있다. 예를 들어, 상기 개체가 중환자에 입실했을 경우, 중증도 평가 데이터는 입실 후 처음 평가된 초기의 중증도 평가 데이터를 의미할 수 있다. 나아가, 미리 결정된 시간 단위 (예를 들어, 24 시간 단위) 로 개체에 대하여 복수회 (예를 들어, 3 회/일) 의 중증도 평가가 수행될 경우, 중증도 평가 데이터는 미리 결정된 시간 단위마다 첫 회에 획득한 초기의 데이터들을 의미할 수도 있다. Meanwhile, the severity evaluation data may be initial data initially evaluated from an individual. For example, when the individual is admitted to a critically ill patient, the severity assessment data may refer to initial severity assessment data initially evaluated after admission. Furthermore, when the severity assessment is performed multiple times (eg, 3 times/day) on an individual in a predetermined time unit (eg, in a 24-hour unit), the severity assessment data is the first time per predetermined time unit. It can also mean initial data acquired in.

본 명세서에서 사용되는 용어, "심리 상태 평가 데이터"는 개체의 불안도, 우울감 등의 심리 상태를 평가하기위한 척도의 값을 의미할 수 있다. The term "psychological state evaluation data" as used herein may mean a value of a scale for evaluating an individual's psychological state such as anxiety and depression.

예를 들어, 본원 명세서 내에 개시된 심리 상태 평가 데이터는, RASS (Richmond Agitation and Sedation Scale) 또는 STAI (State-Trait Anxiety Inventory) 점수일 수 있다. 한편, 이들 심리 상태 평가 데이터는, 사망뿐만 아니라 섬망의 발병과 연관이 있을 수 있다. For example, the mental state evaluation data disclosed in the present specification may be a Richmond Agitation and Sedation Scale (RASS) or a State-Trait Anxiety Inventory (STAI) score. Meanwhile, these psychological state evaluation data may be associated with not only death but also the onset of delirium.

이때, 심리 상태 평가 데이터는 개체로부터 최초로 평가된 초기의 데이터일 수 있다. 예를 들어, 상기 개체가 중환자에 입실했을 경우, 심리 상태 평가 데이터는 입실 후 처음 평가된 초기의 심리 상태 평가 데이터를 의미할 수 있다. 나아가, 미리 결정된 시간 단위 (예를 들어, 24 시간 단위) 로 개체에 대하여 복수회 (예를 들어, 3 회/일) 의 심리 상태 평가가 수행될 경우, 심리 상태 평가 데이터는 미리 결정된 시간 단위마다 첫 회에 획득한 초기의 데이터들을 의미할 수도 있다. 그러나, 심리 상태 평가 데이터는 이에 제한되는 것이 아니다.In this case, the mental state evaluation data may be initial data initially evaluated by the individual. For example, when the individual is admitted to a critically ill patient, the psychological state evaluation data may refer to initial psychological state evaluation data initially evaluated after the admission. Furthermore, when the psychological state evaluation is performed multiple times (e.g., 3 times/day) for an individual in a predetermined time unit (e.g., in a 24-hour unit), the mental state evaluation data is determined for each predetermined time unit. It can also mean initial data acquired in the first time. However, the psychological state evaluation data is not limited thereto.

본 명세서에서 사용되는 용어, "생체 신호 데이터"는 활력 징후, 생명 징후로, 개체의 상태와 연관된 데이터를 의미할 수 있다. 이러한 생체 신호 데이터는, 개체의 사망 위험도와 연관될 수 있다. As used herein, the term "biosignal data" refers to vital signs or vital signs, and may mean data related to the state of an individual. Such biosignal data may be associated with an individual's risk of death.

이때, 생체 신호 데이터는 생체 신호 계측 장비로부터 측정된 개체에 대한 체온, 맥박, 산소 포화도, 수축기 혈압, 이완기 혈압, 평균 혈압 및 호흡수일 수 있다. 그러나, 이에 제한되지 않고 생체 신호 데이터는, 개체의 건강 상태와 연관된 다양한 측정 데이터를 포함할 수 있다. In this case, the biosignal data may be body temperature, pulse, oxygen saturation, systolic blood pressure, diastolic blood pressure, average blood pressure, and respiratory rate of the individual measured by the biosignal measuring device. However, the present invention is not limited thereto, and the biosignal data may include various measurement data related to a health state of an individual.

바람직하게 생체 신호 데이터는, 개체로부터 최초로 측정된 초기의 데이터일 수 있다. 예를 들어, 상기 개체가 중환자에 입실했을 경우, 생체 신호 데이터는, 입실 후 처음 측정된 초기의 데이터를 의미할 수 있다. 나아가, 미리 결정된 시간 단위 (예를 들어, 24 시간 단위) 로 개체에 대하여 복수회 (예를 들어, 3 회/일) 생체 신호 데이터가 수신될 경우, 생체 신호 데이터는 미리 결정된 시간 단위마다 첫 회에 획득한 데이터들을 의미할 수도 있다. Preferably, the biosignal data may be initial data initially measured from an individual. For example, when the individual is admitted to a critically ill patient, the biosignal data may refer to initial data measured for the first time after admission. Furthermore, when biosignal data is received multiple times (e.g., 3 times/day) for an individual in a predetermined time unit (e.g., 24 hour units), the biosignal data is the first time per predetermined time unit. It can also mean the data acquired in the.

본 명세서에서 사용되는 용어, "의료적 처치 데이터"는 개체에 대하여 이용된 의료적 처치 여부에 관한 데이터를 의미할 수 있다. As used herein, the term “medical treatment data” may mean data on whether or not medical treatment is used for an individual.

예를 들어, 의료적 처치 데이터는, 카테터 (Catheter), 폴리 (Foley), 리스트레인트 (Restraint) 및 배액 기기 (Drainage) 의 의료 기기 사용 여부 데이터 및 영양 섭취 데이터 중 적어도 하나의 데이터일 수 있다. 그러나, 이에 제한되는 것은 아니다.For example, the medical treatment data may be at least one of data on whether a catheter, Foley, Restraint, and Drainage is used as a medical device and nutritional intake data. . However, it is not limited thereto.

한편, 의료적 처치 데이터는, 개체로부터 최초로 측정된 초기의 의료적 처치 데이터일 수 있다. 예를 들어, 상기 개체가 중환자에 입실했을 경우, 의료적 처치 데이터는, 입실 후 처음 획득된 초기의 의료적 처치 데이터를 의미할 수 있다. 즉, 의료적 처치 데이터는 임의의 시점으로 정의된 초기에 획득한 모든 의료적 처치 데이터를 의미할 수도 있다. 나아가, 의료적 처치 데이터는 개체에 대하여 처음으로 사용된 의료적 처치에 대한 데이터일 수도 있다. 그러나, 이에 제한되는 것은 아니다. Meanwhile, the medical treatment data may be initial medical treatment data initially measured from an individual. For example, when the individual is admitted to a critically ill patient, medical treatment data may refer to initial medical treatment data acquired for the first time after admission. That is, the medical treatment data may mean all medical treatment data initially acquired as defined at an arbitrary point in time. Furthermore, the medical treatment data may be data on medical treatment used for the first time on the subject. However, it is not limited thereto.

예를 들어, 미리 결정된 시간 단위 (예를 들어, 24 시간 단위) 로 개체에 대하여 복수회 (예를 들어, 3 회/일) 의 의료적 처치 데이터가 획득될 수 있는 경우, 의료적 처치 데이터는 미리 결정된 시간 단위마다 첫 회에 획득한 데이터들을 의미할 수도 있다. For example, if multiple times (e.g., 3 times/day) of medical treatment data can be obtained for an individual in a predetermined unit of time (e.g., in a unit of 24 hours), the medical treatment data is It may mean data acquired at the first time every predetermined time unit.

본 명세서에서 사용되는 용어, "섬망 평가 데이터"는 개체로부터 평가된 섬망 발생 여부에 대한 데이터를 의미할 수 있다.As used herein, the term "delusion evaluation data" may mean data on whether delirium has been evaluated by an individual.

예를 들어, 섬망 평가 데이터는 KDRS 진단 점수, KDRS 심각도 점수, DMSS hyper 점수, DMSS mixed 점수, 및 DMSS hypo 점수 중 적어도 하나의 데이터일 수 있다. 그러나, 이에 제한되는 것이 아니다. For example, the delirium evaluation data may be at least one of a KDRS diagnosis score, a KDRS severity score, a DMSS hyper score, a DMSS mixed score, and a DMSS hypo score. However, it is not limited thereto.

이때, KDRS 진단 점수는, 섬망 증상과 연관된, 흥망 (fluctuation), 급성 시작 (acute onset), 신체 질환의 중증도 여부등을 확인하는 3 가지 항목으로 구성될 수 있다. KDRS 심각도 점수는, 섬망의 심각도를 판단하도록, 환청, 망상 여부, 집중력, 기억력 여부 등 13가지 항목으로 구성될 수 있다. 보다 구체적으로, 상대적으로 높은 KDRS 진단 점수는, 섬망 진단에 적합성을 의미할 수 있고, 상대적으로 높은 KDRS 심각도 점수는 심각한 섬망 상태를 의미할 수 있다. At this time, the KDRS diagnosis score may consist of three items that check whether or not the severity of a physical disease is related to delirium symptoms, fluctuation, acute onset, and so on. The KDRS severity score can be composed of 13 items such as hallucinations, delusions, concentration, and memory in order to determine the severity of delirium. More specifically, a relatively high KDRS diagnosis score may indicate suitability for delirium diagnosis, and a relatively high KDRS severity score may indicate a severe delirium state.

이때, 섬망 평가 데이터는 개체로부터 최초로 평가된 초기의 데이터일 수 있다. 예를 들어, 상기 개체가 중환자에 입실했을 경우, 섬망 평가 데이터는 입실 후 처음 평가된 초기의 데이터를 의미할 수 있다. 나아가, 미리 결정된 시간 단위 (예를 들어, 24 시간 단위) 로 개체에 대하여 복수회 (예를 들어, 3 회/일) 의 평가가 수행될 경우, 섬망 평가 데이터는 미리 결정된 시간 단위마다 첫 회에 획득한 초기의 데이터들을 의미할 수도 있다. 그러나, 섬망 평가 데이터는 이에 제한되는 것이 아니다.In this case, the delirium evaluation data may be initial data initially evaluated from an individual. For example, when the individual is admitted to a critically ill patient, delirium evaluation data may refer to initial data evaluated for the first time after admission. Furthermore, when the subject is evaluated multiple times (eg, 3 times/day) in a predetermined unit of time (eg, in a unit of 24 hours), the delirium evaluation data is first generated for each predetermined unit of time. It can also mean acquired initial data. However, the delirium evaluation data is not limited thereto.

본 명세서에서 사용되는 용어, "개체 특징 데이터"는 개체에 대한 사망과 연관될 수 있는 인자에 대한 데이터일 수 있다.As used herein, the term "individual characteristic data" may be data on factors that may be associated with death for an individual.

예를 들어, 개체 특징 데이터는, 개체의 성별, 개체의 나이, 개체의 체질량 지수, 운동 여부, 질환 발병 여부, 흡연 여부 및 음주 여부 중 적어도 하나일 수 있다. 그러나, 개체 특징 데이터는 이에 제한되지 않고, 개체의 사망과 연관된 인자에 대한 다양한 데이터를 더 포함할 수 있다.For example, the individual feature data may be at least one of the individual's sex, the individual's age, the individual's body mass index, whether or not exercise, whether a disease has occurred, whether smoking, or drinking alcohol. However, the individual characteristic data is not limited thereto, and may further include various data on factors associated with death of the individual.

본 명세서에서 사용되는 용어, "초기 데이터"는 개체에 대하여 최초로 평가되거나 최초로 측정된 임상적 데이터를 의미할 수 있다. 나아가, 초기 데이터는, 임의의 시점에서 단일번 획득된 모든 임상적 데이터를 의미할 수도 있다. 예를 들어, 본원 명세서에 개시된 혈액 데이터, 중증도 평가 데이터, 심리 상태 평가 데이터, 생체 신호 데이터, 의료적 처치 데이터의 임상적 데이터, 나아가 섬망 평가 데이터는, 중환자실에 입실한 개체에 대하여 입실 후 하루에 1 번씩 획득된 초기의 데이터를 의미할 수 있다. As used herein, the term "initial data" may refer to clinical data that is initially evaluated or measured for an individual. Furthermore, the initial data may mean all clinical data acquired once at an arbitrary point in time. For example, blood data, severity evaluation data, psychological state evaluation data, biosignal data, clinical data of medical treatment data, and delirium evaluation data disclosed in the specification of the present application are for an individual who entered the intensive care unit one day after admission. This may refer to initial data acquired once in each.

나아가, 상기 임상적 데이터는, 하루에 복수회의 데이터가 획득될 경우, 가장 처음 획득된 데이터를 의미할 수 있다. Furthermore, the clinical data may mean the first data acquired when data is acquired multiple times a day.

본 명세서에서 사용되는 용어, "사망 위험도 예측 모델"은 초기의 혈액 데이터, 중증도 평가 데이터, 심리 상태 평가 데이터, 생체 신호 데이터 및 의료적 처치 데이터의 임상적 데이터와 섬망 평가 데이터 및 개체 특징 데이터를 기초로 사망 발생의 위험도를 예측하도록 학습된 모델일 수 있다.As used herein, the term "death risk prediction model" is based on initial blood data, severity assessment data, psychological state assessment data, clinical data, delirium assessment data, and individual feature data of biosignal data and medical treatment data. It may be a model trained to predict the risk of death.

예를 들어, 사망 표본 개체 또는 생존 표본 개체로부터, 미리 결정된 시간마다 획득한 초기의 임상적 데이터를 기초로 사망 발생의 위험도를 예측하도록 학습된 모델일 수 있다.For example, it may be a model trained to predict the risk of occurrence of death based on initial clinical data obtained from a death sample individual or a surviving sample individual at each predetermined time.

이때, 사망 위험도 예측 모델은, 혈액 데이터, 중증도 평가 데이터, 심리 상태 평가 데이터, 생체 신호 데이터 및 의료적 처치 데이터, 나아가 섬망 평가 데이터 및 개체 특징 데이터의 모든 임상적 데이터를 기초로 사망 위험도를 예측하도록 학습된 모델일 수 있다. 그러나, 학습에 이용되는 데이터는, 이에 제한되지 않으며 보다 다양한 임상적 데이터들의 조합이 상기 예측 모델의 학습에 이용될 수 있다. At this time, the mortality risk prediction model is to predict the risk of death based on all clinical data of blood data, severity assessment data, psychological state assessment data, vital signs data and medical treatment data, and further delirium assessment data and individual feature data. It can be a trained model. However, the data used for learning is not limited thereto, and a combination of more diverse clinical data may be used for learning the prediction model.

한편, 본 발명의 사망 위험도 예측 모델의 학습에 있어서, 사망 발생 또는 생존과 연관도가 큰 임상적 데이터들이 결정되는 평가가 수행될 수 있다. 이때, 연관도 평가는 LRP (Layer-wise Relevance Propagation) 알고리즘에 기초하여 수행될 수 있다. Meanwhile, in the learning of the death risk prediction model of the present invention, an evaluation may be performed in which clinical data having a high correlation with the occurrence or survival of death are determined. In this case, the correlation evaluation may be performed based on a Layer-wise Relevance Propagation (LRP) algorithm.

예를 들어, LRP 알고리즘에 의해 초기의 혈액 데이터, 중증도 평가 데이터, 심리 상태 평가 데이터, 생체 신호 데이터 및 의료적 처치 데이터의 임상적 데이터, 나아가 섬망 평가 데이터 및 개체 특징 데이터의 다양한 임상적 데이터 중 사망 발생 또는 생존을 예측하는 것에 연관도가 큰 임상적 데이터 또는, 생존을 예측하는 것에 연관도가 큰 임상적 데이터가 결정될 수 있다. For example, death among various clinical data of initial blood data, severity evaluation data, psychological state evaluation data, vital signs data, and medical treatment data by LRP algorithm, and further delirium evaluation data and individual feature data. Clinical data having a high correlation to predicting occurrence or survival or clinical data having a high correlation to predicting survival may be determined.

이러한 연관도가 큰 임상적 데이터들이 상기 예측 모델의 학습에 입력 데이터로서 적용될 수 있음에 따라, 예측 모델은 다른 모델들보다 사망 위험도의 예측 능력이 향상된 모델일 수 있다. As clinical data having a high correlation can be applied as input data to the training of the predictive model, the predictive model may be a model with improved mortality risk predictive ability than other models.

한편, 본 발명의 사망 위험도 예측 모델은, 순환 신경망인 LSTM (Long short-term memory) 알고리즘에 기초한 예측 모델일 수 있다. Meanwhile, the death risk prediction model of the present invention may be a prediction model based on a long short-term memory (LSTM) algorithm, which is a recurrent neural network.

예를 들어, 본 발명의 사망 위험도 예측 모델은, 혈액 데이터, 중증도 평가 데이터, 심리 상태 평가 데이터, 생체 신호 데이터 및 의료적 처치 데이터, 나아가 섬망 평가 데이터 및 개체 특징 데이터가 입력되는 입력 레이어 및 사망 또는 생존을 예측하는 출력 레이어와 이들 레이어 사이에 1 개의 히든 레이어가 존재하는 다층 레이어 구조의 예측 모델일 수 있다.For example, the death risk prediction model of the present invention includes an input layer into which blood data, severity assessment data, psychological state assessment data, biosignal data and medical treatment data, and delirium assessment data and individual feature data are input, and death or It may be a prediction model of a multi-layered structure in which an output layer predicting survival and one hidden layer exist between these layers.

보다 구체적으로, 본 발명의 사망 위험도 예측 모델은, 64 개의 노드로 구성된 1 개의 히든 레이어를 포함하도록 구성될 수 있다. 나아가, 상기 예측 모델은, 사망 위험도의 예측 학습에 있어서 예측의 오차를 최소화하는 가중치를 찾기 위한 파라미터일 수 있는 학습 비율 (learning rate) 값이 0.0009로 설정될 수 있다. 또한, 예측의 오차를 최소화하며 학습 속도를 증가시키기 위한 파라미터 값인 모멘텀 (momentum) 값이 0.9로 설정될 수 있다. 또한, 본 발명의 사망 위험도 예측 모델은, 학습에 있어서 매개 변수를 갱신하는 최적화 함수로서 'rmsprop'를 이용하도록 구성될 수 있고, 다양한 임상적 데이터들의 입력 값이 출력값에 전달되는 강도를 결정하는 함수로서 'relu'함수를 이용하도록 구성될 수 있다.More specifically, the death risk prediction model of the present invention may be configured to include one hidden layer composed of 64 nodes. Further, in the prediction model, a learning rate value, which may be a parameter for finding a weight that minimizes an error in prediction, may be set to 0.0009 in prediction learning of the risk of death. In addition, a momentum value, which is a parameter value for minimizing prediction errors and increasing the learning speed, may be set to 0.9. In addition, the death risk prediction model of the present invention can be configured to use'rmsprop' as an optimization function for updating a parameter in learning, and a function that determines the intensity at which input values of various clinical data are transferred to the output value. It can be configured to use the'relu' function as

그러나, 본 발명의 사망 위험도 예측 모델의 종류는 이에 제한되는 것이 아니다. 예를 들어, 상기 예측 모델은, DNN (Deep Neural Network), CNN Convolutional Neural Network), RNN (Recurrent Neural Network), DCNN (Deep Convolutional Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), SSD (Single Shot Detector), MLP (Multilayer Processing) 모델 또는 U-net을 기반으로 하는 예측 모델일 수도 있다.However, the type of the death risk prediction model of the present invention is not limited thereto. For example, the predictive model is, DNN (Deep Neural Network), CNN Convolutional Neural Network), RNN (Recurrent Neural Network), DCNN (Deep Convolutional Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network) , A single shot detector (SSD), a multilayer processing (MLP) model, or a prediction model based on U-net.

이하에서는 도 1a 및 1b를 참조하여, 본 발명의 일 실시예에 따른 사망 위험도의 예측용 디바이스 및 이를 이용한 사망 위험도 예측 시스템에 관하여 구체적으로 설명한다.Hereinafter, a device for predicting a death risk according to an embodiment of the present invention and a system for predicting a death risk using the same will be described in detail with reference to FIGS. 1A and 1B.

도 1a는 본 발명의 일 실시예에 따른 사망 위험도의 예측 방법 및 디바이스에 기초한 사망 위험도 예측 시스템을 예시적으로 도시한 것이다. 도 1b는 본 발명의 일 실시예에 따른 사망 위험도의 예측용 디바이스의 구성을 예시적으로 도시한 것이다.1A is an exemplary diagram illustrating a death risk prediction system based on a death risk prediction method and device according to an embodiment of the present invention. 1B is an exemplary configuration of a device for predicting a risk of death according to an embodiment of the present invention.

도 1a를 참조하면, 본 발명의 일 실시예에 따른 사망 위험도 예측 시스템 (1000) 은, 사망 위험도 예측용 디바이스 (100), 개체 (200) 에 대하여 획득된, 의료적 처치 데이터 (310), 생체 신호 데이터 (320), 심리 상태 평가 데이터 (330), 혈액 데이터 (340), 중증도 평가 데이터 (350) 및 섬망 평가 데이터 (360) 를 포함하는 임상적 데이터 (300), 의료 기기 (400), 외부로부터 수신할 수 있는 개체 특징 데이터 (500) 및 의료진 디바이스 (600) 로 구성되어 있다.Referring to FIG. 1A, the death risk prediction system 1000 according to an embodiment of the present invention includes a device 100 for predicting death risk, medical treatment data 310 obtained for an individual 200, and a living body. Clinical data 300 including signal data 320, psychological state evaluation data 330, blood data 340, severity evaluation data 350 and delirium evaluation data 360, medical device 400, external It consists of the individual feature data 500 and the medical staff device 600 that can be received from.

이때, 임상적 데이터 (300) 는 개체 (200) 로부터, 임의의 시점에서 측정되거나 평가된 첫 데이터일 수 있다. 그러나, 이에 제한되는 것은 아니다.In this case, the clinical data 300 may be the first data measured or evaluated from the individual 200 at an arbitrary time point. However, it is not limited thereto.

보다 구체적으로, 사망 위험도 예측 시스템 (1000) 에서 사망 위험도 예측용 디바이스 (100) 는, 개체 (200) 에 대하여 초기에 측정되거나 평가된 다양한 임상적 데이터 (300) 와 함께, 개체 특징 데이터 (500) 를 수신하고, 이를 기초로 사망 위험도를 예측하도록 구성될 수 있다. More specifically, the device 100 for predicting the risk of death in the system 1000 for predicting the risk of death, along with various clinical data 300 initially measured or evaluated for the individual 200, the individual feature data 500 It may be configured to receive and predict the risk of death based on this.

이때, 의료 기기 (400) 는 개체 (200) 에 온도, 맥박, 산소 포화도, 수축기 혈압, 이완기 혈압, 평균 혈압 및 호흡수로 이루어진 그룹 중 적어도 하나의 생체 신호 데이터 (320) 를 제공할 수 있는 생체 신호 계측 디바이스일 수 있다. 나아가, 의료 기기 (400) 는, 의료적 처치 데이터 (310) 를 제공할 수 있는 카테터, 폴리, 리스트레인트 및 배액 기기의 의료 기기일수도 있다. At this time, the medical device 400 is a living body capable of providing at least one biosignal data 320 from the group consisting of temperature, pulse, oxygen saturation, systolic blood pressure, diastolic blood pressure, average blood pressure, and respiratory rate to the individual 200. It may be a signal measurement device. Furthermore, the medical device 400 may be a medical device of a catheter, a poly, a restraint, and a drainage device capable of providing the medical treatment data 310.

한편, 사망 위험도 예측 시스템 (1000) 에서 의료적 처치 데이터 (310), 생체 신호 데이터 (320), 심리 상태평가 데이터 (330), 나아가 혈액 데이터 (340), 중증도 평가 데이터 (350) 및 섬망 평가 데이터 (360) 의 임상적 데이터 (300), 나아가 개체 특징 데이터 (500) 는 EMR (Electronic Medical Record) 시스템과 같은 외부 시스템으로부터 획득될 수도 있다.Meanwhile, in the death risk prediction system 1000, medical treatment data 310, biosignal data 320, psychological state evaluation data 330, further blood data 340, severity evaluation data 350, and delirium evaluation data The clinical data 300 of 360, and further, the individual feature data 500 may be obtained from an external system such as an Electronic Medical Record (EMR) system.

보다 구체적으로, 도 1b를 참조하면, 사망 위험도 예측용 디바이스 (100) 는 수신부 (110), 입력부 (120), 출력부 (130), 저장부 (140) 및 프로세서 (150) 를 포함한다. More specifically, referring to FIG. 1B, the device for predicting the risk of death 100 includes a receiving unit 110, an input unit 120, an output unit 130, a storage unit 140, and a processor 150.

구체적으로 수신부 (110) 는 개체 (200) 에 대한 의료적 처치 데이터 (310), 생체 신호 데이터 (320), 심리 상태 평가 데이터 (330), 혈액 데이터 (340), 중증도 평가 데이터 (350) 및 섬망 평가 데이터 (360) 를 포함하는 임상적 데이터 (300) 및 나아가 개체 특징 데이터 (500) 를 수신하도록 구성될 수 있다. Specifically, the receiving unit 110 includes medical treatment data 310, biosignal data 320, psychological state evaluation data 330, blood data 340, severity evaluation data 350, and delirium for the individual 200. It may be configured to receive clinical data 300 including evaluation data 360 and further subject characteristic data 500.

본 발명의 특징에 따르면, 수신부 (110) 는 의료진 디바이스 (600) 에 대하여, 후술될 프로세서 (150) 에 의해 결정된 개체 (200) 에 대하여 예측된 결과를, 송신하도록 더 구성될 수 있다.According to a feature of the present invention, the receiving unit 110 may be further configured to transmit a predicted result for the entity 200 determined by the processor 150 to be described later to the medical staff device 600.

입력부 (120) 는 키보드, 마우스, 터치 스크린 패널 등 제한되지 않는다. 입력부 (120) 는 사망 위험도 예측용 디바이스 (100) 를 설정하고, 사망 위험도 예측용 디바이스 (100) 의 동작을 지시할 수 있다. The input unit 120 is not limited, such as a keyboard, a mouse, and a touch screen panel. The input unit 120 may set the death risk prediction device 100 and instruct the operation of the death risk prediction device 100.

한편, 출력부 (130) 는 수신부 (110) 에 의해 수신된 다양한 임상적 데이터 (300), 나아가 개체 특징 데이터 (500) 를 표시할 수 있다. Meanwhile, the output unit 130 may display various clinical data 300 received by the receiving unit 110 and further, the individual feature data 500.

또한, 출력부 (130) 는 프로세서 (150) 에 의해 예측된 사망 위험도와 연관된 정보를 디스플레이적으로 표시할 수 있다. 나아가, 출력부 (130) 는 프로세서 (150) 에 의해 개체 (200) 의 사망 위험도가 높은 것으로 결정될 경우, 알림 소리를 출력하도록 더 구성될 수 있다. In addition, the output unit 130 may display information related to the risk of death predicted by the processor 150. Further, the output unit 130 may be further configured to output a notification sound when it is determined by the processor 150 that the risk of death of the entity 200 is high.

저장부 (140) 는 수신부 (110) 를 통해 수신한 개체 (200) 에 대한 다양한 임상적 데이터 (300) 및 개체 특징 데이터 (500) 를 저장하고, 입력부 (120) 를 통해 설정된 사망 위험도 예측용 디바이스 (100) 의 지시를 저장하도록 구성될 수 있다. 나아가, 저장부 (140) 는 후술될 프로세서 (150) 에 의해 생성된 개체 (200) 에 사망 위험도의 예측 정보를 저장하도록 구성된다. 그러나, 전술한 것에 제한되지 않고 저장부 (140) 는 사망 위험도 예측을 위해 프로세서 (150) 에 의해 결정된 다양한 정보들을 저장할 수 있다. The storage unit 140 stores various clinical data 300 and individual feature data 500 for the individual 200 received through the reception unit 110, and is a device for predicting the risk of death set through the input unit 120. It can be configured to store an instruction of 100. Further, the storage unit 140 is configured to store prediction information of the risk of death in the entity 200 generated by the processor 150 to be described later. However, it is not limited to the above, and the storage unit 140 may store various pieces of information determined by the processor 150 to predict the risk of death.

프로세서 (150) 는 사망 위험도 예측용 디바이스 (110) 의 정확한 예측 결과를 제공하기 위한 구성 요소일 수 있다. 이때, 정확한 사망 위험도 예측을 위해 프로세서 (150) 는 다양한 임상적 데이터 (300) 및 개체 특징 데이터 (500) 를 기초로 사망 위험도를 예측하도록 구성된 예측 모델에 기초할 수 있다. The processor 150 may be a component for providing an accurate prediction result of the device 110 for predicting the risk of death. In this case, in order to accurately predict the risk of death, the processor 150 may be based on a prediction model configured to predict the risk of death based on various clinical data 300 and individual feature data 500.

한편, 프로세서 (150) 는, 개체 (200) 가 사망 위험도 예측 모델에 의해 사망 발생 고위험군으로 예측된 경우 의료진 디바이스 (600) 에 알림을 제공하도록 구성될 수 있다. 이에, 의료진은 개체 (200) 에 대한 빠른 조치를 취할 수 있다. Meanwhile, the processor 150 may be configured to provide a notification to the medical staff device 600 when the individual 200 is predicted to be a high risk group for occurrence of death by the death risk prediction model. Accordingly, the medical staff can take quick action on the subject 200.

이와 같이 본 발명의 사망 위험도 예측 시스템 (1000) 은, 개체 (200) 에 대하여 사망 발생의 조기 예측 및 이에 따른 처치를 제공할 수 있음에 따라, 다양한 의료 시스템에 적용될 수 있다. As described above, the death risk prediction system 1000 of the present invention can be applied to various medical systems as it can provide early prediction of the occurrence of death and treatment according to the occurrence of death for the individual 200.

이하에서는 도 2를 참조하여, 본 발명의 일 실시예에 따른 사망 위험도의 예측 방법을 구체적으로 설명한다. 도 2는, 본 발명의 일 실시예에 따른 사망 위험도의 예측 방법의 절차를 예시적으로 도시한 것이다.Hereinafter, a method for predicting the risk of death according to an embodiment of the present invention will be described in detail with reference to FIG. 2. 2 is a diagram illustrating a procedure of a method for predicting a risk of death according to an embodiment of the present invention.

도 2를 참조하면, 본 발명의 일 실시예에 따른 사망 위험도의 예측 방법은, 먼저 개체로부터 혈액 데이터, 중증도 평가 데이터, 심리 상태 평가 데이터, 생체 신호 데이터 및 의료적 처치 데이터 중 적어도 하나의 데이터를 수신하고 (S210), 적어도 하나의 데이터를 기초로, 사망 위험도를 예측하도록 구성된 사망 위험도 예측 모델을 이용하여, 개체에 대한 사망 위험도를 예측한다 (S220). 최종적으로 개체에 대하여 예측된 사망 위험도를 제공한다 (S230).Referring to FIG. 2, in the method for predicting the risk of death according to an embodiment of the present invention, first, at least one of blood data, severity evaluation data, psychological state evaluation data, biosignal data, and medical treatment data is collected from an individual. Receives (S210), based on at least one data, using a death risk prediction model configured to predict the risk of death, predicts the risk of death for the individual (S220). Finally, the predicted mortality risk for the individual is provided (S230).

보다 구체적으로, 데이터를 수신하는 단계 (S210) 에서는, 개체에 대하여 초기 측정되거나 획득된 혈액 데이터, 중증도 평가 데이터, 심리 상태 평가 데이터, 생체 신호 데이터 및 의료적 처치 데이터 중 적어도 하나의 데이터가 수신될 수 있다.More specifically, in the step of receiving data (S210), at least one of blood data, severity evaluation data, psychological state evaluation data, biosignal data, and medical treatment data initially measured or acquired for the individual are received. I can.

본 발명의 특징에 따르면, 데이터를 수신하는 단계 (S210) 에서 수신된 혈액 데이터는, 개체로부터 분리된 혈액으로부터 측정된 BUN (blood urea nitrogen), pH, HCO₃, Alb (albumin), Hb (hemoglobin), Hct (hematocrit), BILI (Bilirubin), Na 및 NLR (Neutrophil to Lymphocyte Ratio) 중 적어도 하나의 수치일 수 있다.According to a feature of the present invention, the blood data received in the step of receiving data (S210) is BUN (blood urea nitrogen), pH, HCO ₃ , Alb (albumin), Hb (hemoglobin) measured from blood isolated from the individual. ), Hct (hematocrit), BILI (Bilirubin), Na, and NLR (Neutrophil to Lymphocyte Ratio).

본 발명의 다른 특징에 따르면, 데이터를 수신하는 단계 (S210) 에서 수신된 중증도 평가 데이터는, APACHE II (Acute Physiology and Chronic Health Evaluation) 점수일 수 있다.According to another feature of the present invention, the severity evaluation data received in the step of receiving data (S210) may be an APACHE II (Acute Physiology and Chronic Health Evaluation) score.

본 발명의 또 다른 특징에 따르면, 데이터를 수신하는 단계 (S210) 에서 수신된 심리 상태 평가 데이터는, RASS (Richmond Agitation and Sedation Scale) 또는 STAI (State-Trait Anxiety Inventory) 점수일 수 있다.According to another feature of the present invention, the mental state evaluation data received in the step of receiving data (S210) may be a Richmond Agitation and Sedation Scale (RASS) or a State-Trait Anxiety Inventory (STAI) score.

본 발명의 또 다른 특징에 따르면, 데이터를 수신하는 단계 (S210) 에서 수신된 생체 신호 데이터는, 생체 신호 계측 디바이스로부터 측정된 개체에 대한 체온, 맥박, 산소 포화도, 수축기 혈압, 이완기 혈압, 평균 혈압 및 호흡수일 수 있다. 그러나, 이에 제한되지 않고 생체 신호 데이터는, 개체의 건강 상태와 연관된 다양한 측정 데이터를 포함할 수 있다.According to another feature of the present invention, the biosignal data received in the step of receiving data (S210) includes body temperature, pulse, oxygen saturation, systolic blood pressure, diastolic blood pressure, and average blood pressure of the object measured from the biosignal measuring device. And respiratory rate. However, the present invention is not limited thereto, and the biosignal data may include various measurement data related to a health state of an individual.

본 발명의 또 다른 특징에 따르면, 데이터를 수신하는 단계 (S210) 에서 수신된 의료적 처치 데이터는, 의료적 처치 데이터는, 카테터 (Catheter), 폴리 (Foley), 리스트레인트 (Restraint) 및 배액 기기 (Drainage) 의 의료 기기 사용 여부 데이터 및 영양 섭취 여부 데이터 중 적어도 하나의 데이터일 수 있다. According to another feature of the present invention, the medical treatment data received in the step of receiving data (S210), the medical treatment data, is a catheter, a foley, a restraint, and a drainage. It may be at least one of data on whether the device (Drainage) uses a medical device or whether or not to consume nutrition.

한편, 데이터를 수신하는 단계 (S210) 에서 섬망 평가 데이터 또는 개체 특징 데이터가 더 수신될 수 있다.Meanwhile, delirium evaluation data or entity feature data may be further received in the step S210 of receiving the data.

예를 들어, 데이터를 수신하는 단계 (S210) 에서 섬망 발생 여부, KDRS (Korean version of the Delirium Rating Scale) 진단 점수, KDRS 심각도 점수, DMSS (Delirium Motor Subtype Scale) hyper 점수, DMSS mixed 점수, 및 DMSS hypo 점수 중 적어도 하나를 포함하는 섬망 평가 데이터가 수신될 수 있다.For example, whether delirium occurs in the step of receiving data (S210), KDRS (Korean version of the Delirium Rating Scale) diagnosis score, KDRS severity score, DMSS (Delirium Motor Subtype Scale) hyper score, DMSS mixed score, and DMSS. Delirium evaluation data including at least one of the hypo scores may be received.

나아가, 데이터를 수신하는 단계 (S210) 에서 개체의 성별, 개체의 나이, 개체의 체질량 지수, 운동 여부, 질환 발병 여부, 흡연 여부 및 음주 여부 중 적어도 하나의 개체 특징 데이터가 수신될 수 있다.Further, in the step of receiving the data (S210), at least one individual characteristic data of the sex of the individual, the age of the individual, the body mass index of the individual, the exercise, the onset of a disease, smoking, and alcohol consumption may be received.

다음으로, 사망 위험도를 예측하는 단계 (S220) 에서, 사망 위험도를 예측하도록 구성된 사망 위험도 예측 모델에 의해 개체의 사망 위험도가 결정될 수 있다.Next, in the step of predicting the risk of death (S220), the risk of death of the individual may be determined by a death risk prediction model configured to predict the risk of death.

본 발명의 특징에 따르면, 사망 위험도를 예측하는 단계 (S220) 에서, 사망 발생 위험도 예측 모델은, 데이터를 수신하는 단계 (S210) 에서 수신된 초기의 혈액 데이터, 중증도 평가 데이터, 심리 상태 평가 데이터, 생체 신호 데이터 및 의료적 처치 데이터, 나아가, 섬망 상태 데이터 또는 개체 특징 데이터를 기초하여, 사망 위험도를 예측할 수 있다. According to a feature of the present invention, in the step of predicting the risk of death (S220), the model for predicting the risk of occurrence of death is the initial blood data, the severity assessment data, the psychological state assessment data, received in the step of receiving data (S210), The risk of death may be predicted based on biosignal data and medical treatment data, and further, delirium state data or individual feature data.

본 발명의 다른 특징에 따르면, 사망 위험도를 예측하는 단계 (S220) 에서, 사망 위험도 예측 모델에 의해 개체에 대한 미리 결정된 시간 후 사망 발생의 위험도가 예측될 수 있다.According to another feature of the present invention, in the step of predicting the risk of death (S220), the risk of occurrence of death after a predetermined time for the individual may be predicted by the death risk prediction model.

이때, 개체에 대한 미리 결정된 시간 후 사망 발생의 위험도는, 생존 또는 사망으로 예측될 수 도 있으나, 이에 제한되는 것이 아니다. 예를 들어, 사망 위험도를 예측하는 단계 (S220) 에서, 개체에 대한 미리 결정된 시간 후 사망 발생의 위험도는 상기 예측 모델에 의해 확률적으로 예측될 수도 있다.At this time, the risk of occurrence of death after a predetermined time for the individual may be predicted as survival or death, but is not limited thereto. For example, in the step of predicting the risk of death (S220), the risk of occurrence of death after a predetermined time for the individual may be probabilistically predicted by the predictive model.

한편, 사망 위험도 예측 모델은, 데이터를 수신하는 단계 (S210) 에서 수신된, 초기의 혈액 데이터, 중증도 평가 데이터, 심리 상태 평가 데이터, 생체 신호 데이터 및 의료적 처치 데이터, 나아가 섬망 평가 데이터 및 개체 특징 데이터의 임상적 데이터를 기초로 사망 발생의 위험도를 예측하도록 학습된 모델일 수 있다.On the other hand, the death risk prediction model, the initial blood data, severity evaluation data, psychological state evaluation data, biosignal data and medical treatment data, and further delirium evaluation data and individual characteristics received in the step of receiving the data (S210) It may be a model trained to predict the risk of death based on clinical data of the data.

예를 들어, 사망 위험도 예측 모델은 사망 표본 개체 및 생존 표본 개체에 대하여 초기 측정되거나 평가된, 혈액 데이터, 중증도 평가 데이터, 심리 상태 평가 데이터, 생체 신호 데이터, 의료적 처치 데이터, 섬망 평가 데이터 및 개체 특징 데이터 중 적어도 하나의 데이터로 구성된 학습용 데이터를 수신하고, 학습용 데이터를 기초로, 사망 또는 생존을 예측하는 단계를 통해 학습된 모델일 수 있다.For example, the mortality risk prediction model may include blood data, severity assessment data, psychological status assessment data, vital signs data, medical treatment data, delirium assessment data, and individuals initially measured or assessed for a mortality sample and a surviving sample. The model may be trained by receiving training data composed of at least one of the feature data and predicting death or survival based on the training data.

나아가, 사망 위험도 예측 모델은, 학습용 데이터에 대하여 사망과의 연관도 (relevance) 점수를 산출하고, 사망과의 연관도 점수를 기초로, 미리 결정된 순위 내에 있는 사망 연관 학습용 데이터를 결정하는 단계를 통해 결정된 사망 연관 학습용 데이터를 기초로, 사망 위험도를 예측하도록 구성된 모델일 수 있다.Furthermore, the mortality risk prediction model calculates a relevance score with respect to the training data, and determines death-related learning data within a predetermined ranking based on the relevance score with the death. Based on the determined death-related learning data, it may be a model configured to predict the risk of death.

마지막으로, 사망 위험도를 제공하는 단계 (S230) 에서, 전술한 사망 위험도를 예측하는 단계 (S220) 에서 예측된 사망 위험도에 관한 정보가 제공될 수 있다.Finally, in the step of providing the risk of death (S230), information on the predicted risk of death in the step of predicting the risk of death (S220) may be provided.

본 발명의 특징에 따르면, 사망 위험도를 제공하는 단계 (S230) 에서, 사망 위험도 예측 모델에 의해 확률적으로 예측된, 개체에 대한 미리 결정된 시간 후 사망 발생의 위험도가 제공될 수 있다.According to a feature of the present invention, in the step of providing the risk of death (S230), the risk of occurrence of death after a predetermined time for the individual, probabilistically predicted by the death risk prediction model, may be provided.

예를 들어, 사망 위험도를 제공하는 단계 (S230) 에서 사망 발생 위험 확률이 제공될 수 있다. For example, in the step of providing the risk of death (S230), the risk of occurrence of death may be provided.

한편, 본 발명의 특징에 따르면, 사망 위험도를 제공하는 단계 (S230) 에서, 사망 위험도를 예측하는 단계 (S220) 의 결과로 사망 위험도의 예측 모델에 의해 개체에 대한 사망 위험도가 예측될 경우, 개체에 대한 사망 발생의 위험 알림이 제공될 수 있다. On the other hand, according to a feature of the present invention, in the step of providing the mortality risk (S230), when the mortality risk for the individual is predicted by the prediction model of the mortality risk as a result of the predicting the mortality risk (S220), A notification of the risk of a death toll may be provided.

사망 위험도를 제공하는 단계 (S230) 에서, 전술한 것 이외에 보다 다양한 정보가 제공될 수 있다. In the step of providing the risk of death (S230), more various information may be provided in addition to the above.

이상의 절차에 따라, 본 발명의 일 실시예에 따른 사망 위험도 예측 방법은, 실시간으로 개체에 대한 사망 발생 여부를 결정하거나, 임의의 시간 후의 사망 발생의 위험도를 예측하여, 사망 위험도에 대한 정보, 나아가 고위험군을 알리는 알람를 제공할 수 있다. 이에, 의료진은 개체에 대한 사망 발생의 조기 예측이 가능할 수 있다. 나아가, 의료진은 고위험군에 대한 빠른 조치를 취할 수 있다. According to the above procedure, the death risk prediction method according to an embodiment of the present invention determines whether or not death occurs for an individual in real time, or predicts the risk of death after a certain time, information on the risk of death, furthermore It can provide an alarm for high-risk groups. Accordingly, the medical staff may be able to predict the occurrence of death in an individual early. Furthermore, medical staff can take quick action for high-risk groups.

이하에서는, 도 3a 및 3b를 참조하여, 본 발명의 다양한 실시예에 이용되는 사망 위험도 예측 모델에 대하여 구체적으로 설명한다. Hereinafter, a mortality risk prediction model used in various embodiments of the present invention will be described in detail with reference to FIGS. 3A and 3B.

이때, 본 발명의 다양한 실시예에 따른 사망 위험도 예측 모델은, 사망 환자 또는 생존 환자로 구성된 중환자실에 입실한 환자로부터 24 시간 단위로 2 일 동안 1 회/일씩 획득된 초기의 심리 상태 평가 데이터, 생체 신호 데이터, 의료적 처치 데이터, 혈액 데이터, 중증도 평가 데이터 및 섬망 평가 데이터의 임상적 데이터를 기초로 1 년 후 또는, 3 년 후 사망 여부를 예측하도록 학습된 모델일 수 있으나, 이의 학습 방법은 이에 제한되는 것이 아니다. 나아가, 사망 위험도의 예측에 이용되는 임상적 데이터는 학습 방법에 따라 상이한 구성으로 선택될 수 있다. At this time, the death risk prediction model according to various embodiments of the present invention includes initial psychological state evaluation data acquired once/day for 2 days every 24 hours from a patient admitted to an intensive care unit consisting of a deceased patient or a surviving patient, Based on the clinical data of biosignal data, medical treatment data, blood data, severity evaluation data, and delirium evaluation data, it may be a model trained to predict death after one year or three years, but the learning method thereof is It is not limited to this. Furthermore, clinical data used for prediction of the risk of death may be selected in different configurations according to a learning method.

도 3a는 본 발명의 다양한 실시예에 이용되는 사망 위험도 예측 모델의 학습 데이터를 예시적으로 도시한 것이다.3A is an exemplary diagram illustrating training data of a mortality risk prediction model used in various embodiments of the present invention.

도 3a를 참조하면, 사망 개체 및 생존 개체의 표본 개체로부터 획득된 학습용 데이터는, 심리 상태 평가 데이터, 생체 신호 데이터, 의료적 처치 데이터, 혈액 데이터 및 중증도 평가 데이터로 구성된다. Referring to FIG. 3A, data for learning obtained from sample individuals of deceased and surviving individuals are composed of psychological state evaluation data, biosignal data, medical treatment data, blood data, and severity evaluation data.

보다 구체적으로, 도 3a의 (a)를 참조하면, 학습용 심리 상태 평가 데이터는 RASS 및 STAI 점수의 값으로 구성될 수 있다. 학습용 생체 신호 데이터는, 맥박, 호흡, 체온, SBP 및 DBP 값으로 구성될 수 있다. 나아가, 학습용 의료적 처치 데이터는, 카테터, 폴리, 리스트레인트, 배액 기기의 적용 또는 처치 여부, 나아가 영양 섭취 여부로 구성될 수 있다. 또한, 학습용 혈액 데이터는, BUN- (blood urea nitrogen), pH-, HCO₃-, Alb- (albumin), Hb- (hemoglobin), Hct- (hematocrit), BILI- (Bilirubin), Na 및 NLR (Neutrophil to Lymphocyte Ratio) 으로 구성될 수 있다. 또한, 학습용 중증도 평가 데이터는, APACHE 점수값으로 구성될 수 있다.More specifically, referring to (a) of FIG. 3A, the mental state evaluation data for learning may be composed of values of RASS and STAI scores. The learning biosignal data may be composed of pulse, respiration, body temperature, SBP and DBP values. Further, the medical treatment data for learning may be composed of whether a catheter, a poly, a restraint, a drainage device is applied or treated, and further, whether or not nutrition is ingested. In addition, blood data for learning are BUN- (blood urea nitrogen), pH-, HCO ₃ -, Alb- (albumin), Hb- (hemoglobin), Hct- (hematocrit), BILI- (Bilirubin), Na and NLR ( Neutrophil to Lymphocyte Ratio). In addition, the learning severity evaluation data may be composed of an APACHE score value.

도 3a의 (b)를 참조하면, 학습용 심리 상태 평가 데이터는 KDRS (진단 점수, KDRS 심각도 점수, DMSS hyper 점수, DMSS mixed 점수, 및 DMSS hypo 점수로 구성될 수 있다.Referring to (b) of Figure 3a, the psychological state evaluation data for learning may be composed of a KDRS (diagnosis score, KDRS severity score, DMSS hyper score, DMSS mixed score, and DMSS hypo score).

이때, 각각의 학습용 데이터는 환자로부터 24 시간 단위로 2 일 동안 1 회/일씩 획득된 초기의 데이터일 수 있다. 이때, 데이터를 획득하는 2 일동안 결측된 데이터는 평균값 또는 0으로 처리될 수 있다. In this case, each of the data for learning may be initial data acquired once/day for 2 days from the patient in units of 24 hours. In this case, the data missing during the two days of acquiring the data may be treated as an average value or zero.

본 발명의 사망 위험도 예측 모델은 상기와 같은 학습용 데이터를 기초로 표본 개체에 대한 사망 발생 여부를 결정하도록 학습될 수 있다. The death risk prediction model of the present invention may be trained to determine whether or not death occurs for a sample individual based on the learning data as described above.

한편, 본 발명의 사망 위험도 예측 모델의 학습용 데이터는, 이에 제한되는 것이 아니다. 예를 들어, 학습용 데이터는, 개체의 성별, 개체의 나이, 개체의 체질량 지수, 운동 여부, 질환 발병 여부, 흡연 여부 및 음주 여부로 구성된 개체 특징 데이터를 더 포함할 수도 있다.Meanwhile, the data for learning of the death risk prediction model of the present invention is not limited thereto. For example, the data for learning may further include individual characteristic data consisting of the sex of the individual, the age of the individual, the body mass index of the individual, the presence of exercise, the onset of a disease, the smoking, and the alcohol consumption.

도 3b는 본 발명의 다양한 실시예에 이용되는 사망 위험도 예측 모델의 구성을 예시적으로 도시한 것이다.3B is an exemplary diagram illustrating the configuration of a death risk prediction model used in various embodiments of the present invention.

이때, 본 발명의 사망 위험도 예측 모델은 순환 신경망인 LSTM 알고리즘에 기초한 예측 모델일 수 있다.In this case, the death risk prediction model of the present invention may be a prediction model based on an LSTM algorithm, which is a recurrent neural network.

보다 구체적으로, 본 발명의 사망 위험도 예측 모델은, 혈액 데이터, 중증도 평가 데이터, 심리 상태 평가 데이터, 생체 신호 데이터, 의료적 처치 데이터, 나아가 섬망 평가 데이터, 개체 특징 데이터가 입력되는 입력 레이어 (input layer) 및 사망 또는 생존을 예측하는 출력 레이어 (output layer) 와 이들 레이어 사이에 1 개의 히든 레이어 (hidden layer) 가 존재하는 다층 구조의 예측 모델일 수 있다.More specifically, the death risk prediction model of the present invention is an input layer into which blood data, severity evaluation data, psychological state evaluation data, biosignal data, medical treatment data, delirium evaluation data, and individual feature data are input. ), and an output layer predicting death or survival, and one hidden layer between these layers may be a predictive model of a multi-layered structure.

이때, 본 발명의 사망 위험도 예측 모델은, 64 개의 노드로 구성된 1 개의 히든 레이어를 포함하도록 구성될 수 있다. 나아가, 상기 예측 모델은, 사망 위험도의 예측 학습에 있어서 예측의 오차를 최소화하는 가중치를 찾기 위한 파라미터일 수 있는 학습 비율값이 0.0009로 설정될 수 있다. 또한, 예측의 오차를 최소화하며 학습 속도를 증가시키기 위한 파라미터 값인 모멘텀 값이 0.9로 설정될 수 있다. 또한, 본 발명의 사망 위험도 예측 모델은, 학습에 있어서 매개 변수를 갱신하는 최적화 함수로서 'rmsprop'를 이용하도록 구성될 수 있고, 다양한 임상적 데이터들의 입력 값이 출력값에 전달되는 강도를 결정하는 함수로서 'relu'함수를 이용하도록 구성될 수 있다.In this case, the death risk prediction model of the present invention may be configured to include one hidden layer composed of 64 nodes. Furthermore, in the prediction model, a learning rate value, which may be a parameter for finding a weight that minimizes an error in prediction, may be set to 0.0009 in prediction learning of the risk of death. In addition, a momentum value, which is a parameter value for minimizing an error in prediction and increasing a learning speed, may be set to 0.9. In addition, the death risk prediction model of the present invention can be configured to use'rmsprop' as an optimization function for updating a parameter in learning, and a function that determines the intensity at which input values of various clinical data are transferred to the output value. It can be configured to use the'relu' function as

그러나, 본 발명의 사망 위험도 예측 모델의 종류는 이에 제한되는 것이 아니다. 예를 들어, 상기 예측 모델은, DNN, CNN, RNN, DCNN, RBM, DBN, SSD, MLP 모델, 또는 U-net을 기반으로 하는 예측 모델일 수도 있다.However, the type of the death risk prediction model of the present invention is not limited thereto. For example, the prediction model may be a DNN, CNN, RNN, DCNN, RBM, DBN, SSD, MLP model, or a prediction model based on U-net.

한편, 본 발명의 사망 위험도 예측 모델의 학습에 있어서, 사망 또는 생존을 예측하는 것에 연관도가 큰 임상적 데이터들이 결정되는 평가가 수행될 수 있다. 이때, 연관도 평가는 LRP (Layer-wise Relevance Propagation) 알고리즘에 기초하여 수행될 수 있다. Meanwhile, in the learning of the death risk prediction model of the present invention, an evaluation in which clinical data having a high correlation with predicting death or survival may be determined may be performed. In this case, the correlation evaluation may be performed based on a Layer-wise Relevance Propagation (LRP) algorithm.

보다 구체적으로, 본 평가에서는, LRP 알고리즘에 의해 초기의 혈액 데이터, 중증도 평가 데이터, 심리 상태 평가 데이터, 생체 신호 데이터 및 의료적 처치 데이터의 임상적 데이터, 나아가 섬망 평가 데이터 및 개체 특징 데이터의 입력값과 사망 또는 생존의 출력값의 연관도 (relevance) 가 추정될 수 있다.More specifically, in this evaluation, by the LRP algorithm, initial blood data, severity evaluation data, psychological state evaluation data, clinical data of biosignal data and medical treatment data, and further delirium evaluation data and input values of individual feature data The relevance of the output of death or survival can be estimated.

보다 구체적으로, 다양한 임상적 데이터의 입력값과 사망 또는 생존으로의 출력값의 연관도는 하기 [수학식 1]로 산출될 수 있다.More specifically, the degree of association between input values of various clinical data and output values to death or survival may be calculated by the following [Equation 1].

[수학식 1][Equation 1]

여기서, L은, 출력 레이어 값을 의미하고, Z _ji 는 l+1번째 레이어와 l번째 레이어의 가중치, 및 l번째 레이어 입력 값의 곱을 의미할 수 있다 (

). 나아가, b _j 는 j번째 노드의 편향값을 의미할 수 있다.Here, L denotes an output layer value, and Z _ji may denote a product of the weight of the l +1 th layer and the l th layer, and an input value of the l th layer (

). Further, b _j May mean a bias value of the j-th node.

산출된 연관도 점수에 의해 다양한 임상적 데이터 중, 사망 발생을 예측하는 것에 연관도가 큰 임상적 데이터 또는, 생존을 예측하는 것에 연관도가 큰 임상적 데이터가 결정될 수 있다. Among various clinical data, clinical data having a high correlation with predicting the occurrence of death or clinical data having a high correlation with predicting survival may be determined by the calculated correlation score.

이러한 연관도가 큰 임상적 데이터들이 상기 예측 모델의 학습에 입력 데이터로서 적용될 수 있음에 따라, 사망 위험도의 예측에 있어서 본 발명의 예측 모델은 다른 모델들 보다 사망 위험도의 예측 능력이 우수할 수 있다.As clinical data having a high correlation can be applied as input data to the learning of the predictive model, the predictive model of the present invention may be superior to other models in predicting the risk of death in predicting the risk of death. .

한편, 사망 위험도 예측 모델의 평가는 전술한 LRP알고리즘에 제한되지 않고 보다 다양한 알고리즘에 기초하여 수행될 수 있다. 예를 들어, Randomized Decision forest 알고리즘, Penalized Logistic Regression 알고리즘에 기초하여 사망 발생 위험도를 예측하는 것에 연관도가 큰 임상적 데이터 또는, 생존을 예측하는 것에 연관도가 큰 임상적 데이터가 결정될 수 있다.Meanwhile, the evaluation of the mortality risk prediction model is not limited to the above-described LRP algorithm, and may be performed based on more various algorithms. For example, based on the Randomized Decision forest algorithm and the Penalized Logistic Regression algorithm, clinical data having a high correlation with predicting the risk of death or predicting survival may be determined.

실시예: 본 발명의 다양한 실시예에 따른 사망 위험도 예측 모델의 평가Example: Evaluation of a death risk prediction model according to various embodiments of the present invention

이하에서는 4a 및 4b를 참조하여 본 발명의 다양한 실시예에서 이용되는 사망 발병 위험도 예측 모델의 평가 결과에 대하여 구체적으로 설명한다. 도 4a 및 4b는 본 발명의 다양한 실시예에 이용되는 사망 위험도 예측 모델에 대한 평가 결과를 도시한 것이다. Hereinafter, the evaluation results of the death risk prediction model used in various embodiments of the present invention will be described in detail with reference to 4a and 4b. 4A and 4B illustrate evaluation results of a death risk prediction model used in various embodiments of the present invention.

도 4a를 참조하면, 전술한 임상적 데이터 중, 개체 특징 데이터를 제외한, 심리 상태 평가 데이터, 생체 신호 데이터, 의료적 처치 데이터, 혈액 데이터 및 중증도 평가 데이터를 기초로 1 년 후 사망 (positive) 또는 생존 (negative) 을 예측하도록 구성된 사망 위험도 예측 모델의 평가 결과가 도시된다.Referring to FIG. 4A, among the above-described clinical data, death (positive) after one year based on psychological state evaluation data, biosignal data, medical treatment data, blood data, and severity evaluation data, excluding individual feature data. The results of the evaluation of the mortality risk prediction model configured to predict the negative are shown.

보다 구체적으로, 도 4a의 (a)를 참조하면, 상기 예측 모델의 학습 및 평가를 위해 925 개의 사망 개체에 대한 데이터 (학습: 720, 테스트: 205) 및 1101 개의 생존 개체에 대한 데이터 (학습: 720, 테스트: 381) 가 이용되었다. 이때, 사망 위험도 예측 모델은, 1 년 후 사망 위험도를 예측하도록 구성되었다.More specifically, referring to (a) of FIG. 4A, data for 925 deceased individuals (learning: 720, test: 205) and data on 1101 surviving individuals (learning: 720, test: 381) was used. At this time, the mortality risk prediction model was configured to predict the mortality risk after 1 year.

도 4a의 (b) 및 (c)를 참조하면, 상기 예측 모델의 사망 위험도의 1 년 후 사망 위험도에 대한 예측의 민감도 (sensitivity) 는 0.76, 특이도 (specificity)는 0.90 및 정확도 (precision) 는 0.81로 높은 수준으로 나타난다. 특히, 진단 능력을 의미할 수 있는 AUC값은 0.90으로 높게 나타남에 따라, 상기 학습 데이터에 의해 학습된 사망 위험도 예측 모델은, 사망 위험도 시스템에 적용될 경우, 개체에 대하여 사망 발생의 위험도, 보다 구체적으로 1 년 후 사망 발생의 위험도를 높은 정확도로 예측할 수 있다.Referring to Figures 4a (b) and (c), the sensitivity (sensitivity) of the prediction of the risk of death after one year of the predictive model is 0.76, the specificity is 0.90, and the precision is It appears as high as 0.81. In particular, as the AUC value, which can mean diagnostic ability, is shown as high as 0.90, the mortality risk prediction model learned by the learning data is applied to the mortality risk system, the risk of mortality for an individual, more specifically, The risk of death after one year can be predicted with high accuracy.

도 4b를 참조하면, 전술한 임상적 데이터 중, 개체 특징 데이터를 제외한, 심리 상태 평가 데이터, 생체 신호 데이터, 의료적 처치 데이터, 혈액 데이터 및 중증도 평가 데이터를 기초로 3 년 후 사망 또는 생존을 예측하도록 구성된 사망 위험도 예측 모델의 평가 결과가 도시된다.Referring to FIG. 4B, among the above-described clinical data, death or survival is predicted after 3 years based on psychological state evaluation data, biosignal data, medical treatment data, blood data, and severity evaluation data, excluding individual feature data. The evaluation results of the mortality risk prediction model configured to be shown are shown.

보다 구체적으로, 도 4b의 (a)를 참조하면, 상기 예측 모델의 학습 및 평가를 위해 541 개의 사망 개체에 대한 데이터 (학습: 432, 테스트: 109) 및 582 개의 생존 개체에 대한 데이터 (학습: 433, 테스트: 149) 가 이용되었다. 이때, 사망 위험도 예측 모델은, 3 년 후 사망 위험도를 예측하도록 구성되었다.More specifically, referring to (a) of FIG. 4B, data for 541 deceased individuals (learning: 432, test: 109) and data on 582 surviving individuals (learning: 433, test: 149) was used. At this time, the mortality risk prediction model was configured to predict the mortality risk after 3 years.

도 4b의 (b) 및 (c)를 참조하면, 상기 예측 모델의 사망 위험도의 예측에 대한 민감도는 0.64, 특이도는 0.77 및 정확도는 0.67로 나타난다. Referring to (b) and (c) of FIG. 4B, the sensitivity of the prediction model for prediction of the risk of death is 0.64, the specificity is 0.77, and the accuracy is 0.67.

한편, 상기 예측 모델의 진단 능력을 의미할 수 있는 AUC값은 0.80로 나타남에 따라, 전술한 도 4a의 1 년 후 사망 위험도를 예측하도록 학습된 예측 모델의 평가 결과보다 낮으나, 높은 수준의 AUC값을 갖는 것으로 나타난다. On the other hand, as the AUC value, which can mean the diagnostic ability of the predictive model, is expressed as 0.80, it is lower than the evaluation result of the predictive model trained to predict the risk of death after one year in FIG. 4A, but has a high level of AUC value. Appears to have

이러한 결과에 의해, 본 발명의 다양한 실시예에 이용되는 사망 위험도 예측 모델은, 사망 위험도 시스템에 적용될 경우, 개체에 대하여 사망 발생의 위험도, 보다 구체적으로 3 년 후 사망 발생의 위험도를 예측할 수 있다. 한편, 3 년 후 사망 위험도를 예측하도록 학습된 예측 모델의 경우, 학습 데이터가 추가될 경우, 사망 위험도 예측의 성능 향상을 기대할 수 있다. Based on these results, the death risk prediction model used in various embodiments of the present invention, when applied to the death risk system, can predict the risk of death occurrence for an individual, more specifically, the risk of death occurrence after 3 years. On the other hand, in the case of a predictive model that is trained to predict the risk of death after 3 years, when the learning data is added, the performance of the prediction of the risk of death can be improved.

이상의 실시예의 결과로, 본 발명의 다양한 실시예에서 이용된 사망 위험도 예측 모델이 사망 위험도를 높은 정확도로 예측하는 것을 확인할 수 있었다. 특히, 사망 위험도 예측 모델은, 미리 결정된 시간 후 사망 발생의 위험도를 높은 정확도 및 정밀도로 예측할 수 있다. 나아가, 높은 AUC 값을 갖는 것으로 나타난 결과에 따라 본 발명의 예측 모델은 우수한 진단 능력을 가지는 것으로 확인할 수 있었다. As a result of the above examples, it was confirmed that the mortality risk prediction model used in various examples of the present invention predicts the mortality risk with high accuracy. In particular, the death risk prediction model can predict the risk of occurrence of death after a predetermined time with high accuracy and precision. Furthermore, according to the results shown to have a high AUC value, it was confirmed that the predictive model of the present invention has excellent diagnostic ability.

이에, 본 발명은 사망과 연관된 임상적 증상에 대한 처치 시점을 앞당겨 치료에 대한 좋은 예후를 제공할 수 있다. Accordingly, the present invention can provide a good prognosis for treatment by advancing the time point of treatment for clinical symptoms associated with death.

특히, 본 발명은 개체로부터 획득한 초기의 생체 신호 데이터, 의료적 처치 데이터, 혈액 데이터, 심리 상태 평가 및 중증도 평가 데이터, 나아가 섬망 평가 데이터 및 개체 특징 데이터의 임상적 데이터에 기초한 사망 위험도 예측 시스템을 제공함으로써, 개체에 대하여 사망 발생의 조기 진단을 제공할 수 있다. In particular, the present invention provides a system for predicting death risk based on clinical data of initial biosignal data, medical treatment data, blood data, psychological state evaluation and severity evaluation data, and delirium evaluation data and individual feature data acquired from an individual. By providing, it is possible to provide an early diagnosis of the occurrence of death for an individual.

이에, 본 발명은 개체의 생존률 증가 효과를 제공할 수 있다.Accordingly, the present invention can provide an effect of increasing the survival rate of an individual.

또한, 본 발명은, 개체에 대하여 예측 모델에 의해 사망 위험도가 예측될 경우, 알람을 제공하여 사망 밸상의 위험도를 알리도록 구성됨에 따라, 보호자 또는 의료진은 중환자와 같은 지속적인 모니터링이 요구되는 개체에 대하여 보다 용이하게 사망 발생 고위험군을 인지할 수 있다.In addition, according to the present invention, when the risk of death is predicted by the predictive model for an individual, an alarm is provided to inform the risk of the death value, so that a guardian or a medical staff is required to continuously monitor an individual such as a critically ill patient. It is easier to recognize high-risk groups of death.

본 발명의 여러 실시예들의 각각 특징들이 부분적으로 또는 전체적으로 서로 결합 또는 조합 가능하며, 당업자가 충분히 이해할 수 있듯이 기술적으로 다양한 연동 및 구동이 가능하며, 각 실시예들이 서로에 대하여 독립적으로 실 시 가능할 수도 있고 연관 관계로 함께 실시 가능할 수도 있다. Each of the features of the various embodiments of the present invention can be partially or completely combined or combined with each other, and as a person skilled in the art can fully understand, technically various interlocking and driving are possible, and each of the embodiments may be independently implemented with respect to each other. It may be possible to do it together in a related relationship.

이상 첨부된 도면을 참조하여 본 발명의 실시예들을 더욱 상세하게 설명하였으나, 본 발명은 반드시 이러한 실시예로 국한되는 것은 아니고, 본 발명 의 기술사상을 벗어나지 않는 범위 내에서 다양하게 변형 실시될 수 있다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.Although the embodiments of the present invention have been described in more detail with reference to the accompanying drawings, the present invention is not necessarily limited to these embodiments, and various modifications may be made without departing from the spirit of the present invention. . Accordingly, the embodiments disclosed in the present invention are not intended to limit the technical idea of the present invention, but to explain the technical idea, and the scope of the technical idea of the present invention is not limited by these embodiments. Therefore, it should be understood that the embodiments described above are illustrative and non-limiting in all respects. The scope of protection of the present invention should be construed by the following claims, and all technical ideas within the scope equivalent thereto should be construed as being included in the scope of the present invention.

100: 사망 위험도 예측용 디바이스
110: 수신부
120: 입력부
130: 표시부
140: 저장부
150: 프로세서
200: 개체
300: 임상적 데이터
310: 의료적 처치 데이터
320: 생체 신호 데이터
330: 심시 상태 평가 데이터
340: 혈액 데이터
350: 중증도 평가 데이터
360: 섬망 평가 데이터
400: 의료 기기
500: 개체 특징 데이터
600: 의료진 디바이스
1000: 사망 위험도 예측 시스템100: device for predicting the risk of death
110: receiver
120: input
130: display
140: storage unit
150: processor
200: object
300: clinical data
310: Medical treatment data
320: biosignal data
330: deep visual condition evaluation data
340: blood data
350: severity assessment data
360: delirium evaluation data
400: medical device
500: object feature data
600: medical staff device
1000: death risk prediction system

Claims

In the death risk prediction method implemented by a processor,
Receiving at least one of blood data, severity evaluation data, psychological state evaluation data, and biosignal data, and medical treatment data for the individual;
Predicting the risk of death for the subject, using a death risk prediction model configured to predict the risk of death based on the at least one data and medical treatment data, and
Providing the predicted risk of death for the subject,
The at least one data, and medical treatment data,
It is defined as the initial data evaluated once or measured once for the subject,
The medical treatment data,
Catheter (Catheter), Foley (Foley), Restraint (Restraint) and drainage device (Drainage) includes at least one data of medical device use data, and nutritional intake data,
The receiving step,
Further comprising the step of receiving delirium evaluation data,
The death risk prediction model,
An input layer into which the at least one data, the medical treatment data and the delirium evaluation data are input, and an output layer that outputs death or survival based on the input data,
The delirium evaluation data,
As the initial data evaluated or measured once for an individual, whether delirium occurs, KDRS (Korean version of the Delirium Rating Scale) diagnosis score, KDRS severity score, DMSS (Delirium Motor Subtype Scale) hyper score, DMSS mixed score, And at least one of DMSS hypo scores.

The method of claim 1,
The at least one data,
Including the psychological state evaluation data,
The mental state evaluation data,
A method of predicting the risk of death, which is a RASS (Richmond Agitation and Sedation Scale) or STAI (State-Trait Anxiety Inventory) score.

The method of claim 1,
The at least one data,
Contains the blood data,
The blood data,
BUN (blood urea nitrogen), pH, HCO ₃ , Alb (albumin), Hb (hemoglobin), Hct (hematocrit), BILI (Bilirubin), Na and NLR (Neutrophil to Lymphocyte Ratio), How to predict the risk of death.

The method of claim 1,
The at least one data,
Including the severity assessment data,
The severity evaluation data,
A method for predicting mortality risk, including APACHE II (Acute Physiology and Chronic Health Evaluation) scores.

The method of claim 1,
The at least one data,
Including the biosignal data,
The biosignal data,
A method for predicting the risk of death, comprising at least one of pulse, respiration, body temperature, systolic blood pressure (SBP) and diastolic blood pressure (DBP).

delete

The method of claim 1,
Further comprising the step of receiving the object characteristic data,
The death risk prediction model,
Based on the subject characteristic data, further configured to predict a risk of death,
The individual feature data,
The method of predicting the risk of death, comprising at least one of the sex of the individual, the age of the individual, the body mass index of the individual, whether exercise, disease onset, smoking, and alcohol consumption.

The method of claim 1,
The initial data is,
For the subject, defined as initial data initially assessed or measured at a predetermined time unit during the hospitalization period,
The risk of death is,
A method of predicting the risk of death, defined as the risk of occurrence of death after a predetermined time.

The method of claim 1,
Providing the risk of death,
When the risk of occurrence of death for an individual is predicted by the above mortality risk prediction model,
A method of predicting a risk of death comprising the step of providing a risk of death notification for the subject.

The method of claim 1,
The death risk prediction model,
Receiving training data consisting of at least one of blood data, severity assessment data, psychological state assessment data, vital signs data, medical treatment data, delirium assessment data, and sample entity feature data for the deceased and surviving specimens. Step, and
Based on the learning data, the model learned through the step of predicting death or survival, a method of predicting the risk of death.

The method of claim 10,
Performed after the step of receiving the learning data,
Further comprising the step of evaluating the learning data,
Evaluating the learning data,
Calculating a relevance score with respect to the learning data, and
A method for predicting a risk of death, comprising the step of determining data for learning related to death within a predetermined ranking, based on the score of the degree of association with the death.

The method of claim 11,
Evaluating the learning data,
Using LRP (Layer-wise Relevance Propagation) algorithm,
Calculating an association score with the death for the learning data, and
A method for predicting a risk of death, comprising the step of determining data for learning related to death within a predetermined ranking, based on the score of the degree of relevance to death.

In the device for predicting the risk of death implemented by a processor,
A receiving unit configured to receive at least one of blood data, severity evaluation data, psychological state evaluation data, and biosignal data for an individual, and medical treatment data, and
A processor configured to communicate with the receiving unit,
The processor,
Based on the at least one data and medical treatment data, using a mortality risk prediction model configured to predict a mortality risk, predicts a mortality risk for the individual, and provides the predicted mortality risk for the individual Is configured to
The at least one data, and medical treatment data,
It is defined as the initial data evaluated once or measured once for the subject,
The medical treatment data,
Including at least one of data, and nutritional intake data of the use of medical devices of the catheter, poly, restraint and drainage device,
The receiving unit,
Further configured to receive delirium evaluation data,
The death risk prediction model,
An input layer into which the at least one data, the medical treatment data, and delirium evaluation data are input, and an output layer that outputs death or survival based on the input data,
The delirium evaluation data,
As the initial data evaluated or measured once for an individual, whether delirium occurs, KDRS (Korean version of the Delirium Rating Scale) diagnosis score, KDRS severity score, DMSS (Delirium Motor Subtype Scale) hyper score, DMSS mixed score, And a device for predicting the risk of death, including at least one of the DMSS hypo score.

The method of claim 13,
The at least one data,
Including the psychological state evaluation data,
The mental state evaluation data,
A device for predicting the risk of death, which is a RASS score or STAI score.

The method of claim 13,
The at least one data,
Contains the blood data,
The blood data,
BUN, pH, HCO ₃ , Alb, Hb, Hct, BILI, a device for predicting the risk of death comprising at least one value of Na and NLR.

The method of claim 13,
The at least one data,
Including the severity assessment data,
The severity evaluation data,
A device for predicting mortality risk including APACHE II scores.

The method of claim 13,
The at least one data,
Including the biosignal data,
The biosignal data,
A device for predicting the risk of death, including at least one of pulse, respiration, body temperature, systolic blood pressure and diastolic blood pressure.

delete

The method of claim 13,
The receiving unit,
Further configured to receive object feature data,
The death risk prediction model,
Further configured to predict a risk of death based on the subject characteristic data,
The object characteristic data,
The device for predicting the risk of death, including at least one of the sex of the individual, the age of the individual, the body mass index of the individual, whether exercise, disease onset, smoking, and alcohol consumption.

The method of claim 13,
The initial data is,
For the subject, defined as initial data initially assessed or measured at a predetermined time unit during the hospitalization period,
The risk of death is,
A device for predicting the risk of death, defined as the risk of occurrence of death after a predetermined time.

The method of claim 13,
The processor,
When the risk of occurrence of death for an individual is predicted by the above mortality risk prediction model,
The device for predicting the risk of death, further configured to provide a risk of death notification for the subject.