KR102282720B1 - 당뇨병 환자의 뇌졸중 위험 예측모델 설계 방법 및 장치 - Google Patents

당뇨병 환자의 뇌졸중 위험 예측모델 설계 방법 및 장치 Download PDF

Info

Publication number
KR102282720B1
KR102282720B1 KR1020190107894A KR20190107894A KR102282720B1 KR 102282720 B1 KR102282720 B1 KR 102282720B1 KR 1020190107894 A KR1020190107894 A KR 1020190107894A KR 20190107894 A KR20190107894 A KR 20190107894A KR 102282720 B1 KR102282720 B1 KR 102282720B1
Authority
KR
South Korea
Prior art keywords
risk
stroke
prediction model
cohort
level
Prior art date
Application number
KR1020190107894A
Other languages
English (en)
Other versions
KR20210026711A (ko
Inventor
이승환
김미경
한경도
조재형
Original Assignee
가톨릭대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 가톨릭대학교 산학협력단 filed Critical 가톨릭대학교 산학협력단
Priority to KR1020190107894A priority Critical patent/KR102282720B1/ko
Publication of KR20210026711A publication Critical patent/KR20210026711A/ko
Application granted granted Critical
Publication of KR102282720B1 publication Critical patent/KR102282720B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
    • A61B5/4064—Evaluating the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders

Abstract

본 발명은 당뇨병 환자의 뇌졸중 위험 예측모델 설계 방법 및 장치에 관한 것으로, 전자장치가 뇌졸중 위험 예측모델에 대한 설계신호를 수신하는 단계, 전자장치가 설계신호에 따라 코호트(cohort) 데이터를 수집하는 단계, 코호트 데이터를 기반으로 당뇨병 환자에 대한 개발 코호트(development cohort)와 검증 코호트(validation cohort)를 구축하는 단계, 전자장치가 뇌졸중에 대한 복수의 위험인자별 위험도를 산출하는 단계 및 위험인자별 위험도를 기반으로 위험인자별 기여도를 산출하여 뇌졸중 위험 예측모델을 설계하는 단계를 포함하며 다른 실시 예로도 적용이 가능하다.

Description

당뇨병 환자의 뇌졸중 위험 예측모델 설계 방법 및 장치{Method and Apparatus for Developing Risk Prediction Model of Stroke of Diabetic Patients}
본 발명은 당뇨병 환자의 뇌졸중 위험 예측모델 설계 방법 및 장치에 관한 것이다.
당뇨병은 높은 혈당 수치가 오랜 기간 지속되는 대사 질환군을 지칭하는 것으로, 췌장이 충분한 인슐린을 만들어 내지 못하거나 몸의 세포가 만들어진 인슐린에 적절하게 반응하지 못하는 것이 원인이 된다. 인슐린 작용의 부족 등에 의한 만성 고혈당증은 여러 특징적인 대사 이상을 수반하는데, 인슐린은 주로 탄수화물 대사에 관여하므로, 당뇨병은 탄수화물 대사의 이상이 기본적인 문제이다. 그러나 이로 인해 체내의 모든 영양소 대사가 영향을 받게 되므로, 총체적인 대사상의 질병이라고 할 수 있다.
이러한 당뇨병은 현대에서 가장 중요한 만성 질병으로 꼽히며, 특히, 심뇌혈관질환, 뇌졸중, 만성신부전, 당뇨병케톤산증 등의 합병증을 유발하기도 한다. 당뇨병에 의해 유발되는 합병증 중 심뇌혈관질환은 주된 사망요인이며, 서양인과 비교하여 한국인은 뇌혈관질환 즉, 뇌졸중의 발생 비율이 높은 편이다. 이러한 뇌혈관질환의 발생을 예측하기 위해 다양한 위험 예측 모형이 개발되고 있다. 그러나, 종래의 위험 예측 모형은 당뇨병 환자만을 대상으로 하지 않고 전체 인구를 대상으로 하거나, 서양인을 대상으로 한 연구가 많아 아시아인 특히, 한국인 당뇨병 환자에 대한 뇌혈관질환의 발생 위험을 예측하는데 정확도가 매우 저하되는 문제점이 있다.
이러한 종래의 문제점을 해결하기 위한 본 발명의 실시 예들은 한국인 당뇨병 환자에게서 뇌졸중 발생의 위험도를 예측할 수 있는 당뇨병 환자의 뇌졸중 위험 예측모델 설계 방법 및 장치를 제공하는 것이다.
또한, 본 발명의 실시 예들은 한국인 당뇨병 환자에게서 뇌졸중을 발생시키는 위험인자를 고려하여 치료 계획은 세우는데 중요한 지표로 사용할 수 있는 뇌졸중 위험 예측모델을 제공할 수 있는 당뇨병 환자의 뇌졸중 위험 예측모델 설계 방법 및 장치를 제공하는 것이다.
본 발명의 실시 예에 따른 당뇨병 환자의 뇌졸중 위험 예측모델 설계 방법은, 전자장치가 뇌졸중 위험 예측모델에 대한 설계신호를 수신하는 단계, 상기 전자장치가 상기 설계신호에 따라 코호트(cohort) 데이터를 수집하는 단계, 상기 코호트 데이터를 기반으로 당뇨병 환자에 대한 개발 코호트(development cohort)와 검증 코호트(validation cohort)를 구축하는 단계, 상기 전자장치가 뇌졸중에 대한 복수의 위험인자별 위험도를 산출하는 단계 및 상기 위험인자별 위험도를 기반으로 위험인자별 기여도를 산출하여 상기 뇌졸중 위험 예측모델을 설계하는 단계를 포함하는 것을 특징으로 한다.
또한, 뇌졸중에 대한 복수의 위험인자별 위험도를 산출하는 단계는, 연령, 성별, 흡연여부, 운동 수준, BMI 수치, 만성 신장 질환 여부, 관상동맥질환 여부, 당뇨병 지속 기간, 인슐린 또는 저혈당 치료제의 사용 개수, 공복혈당 수치, 수축기혈압 수치, 총 콜레스테롤 수치 및 심방 세동 여부에 대한 위험도를 산출하는 단계인 것을 특징으로 한다.
또한, 위험인자별 기여도를 산출하여 상기 뇌졸중 위험 예측모델을 설계하는 단계는, 상기 복수의 위험인자에 대한 기여도를 0 내지 100 사이의 점수로 환산하여 상기 뇌졸중 위험 예측모델을 설계하는 단계인 것을 특징으로 한다.
또한, 뇌졸중 위험 예측모델을 검증하는 단계를 더 포함하는 것을 특징으로 한다.
또한, 뇌졸중 위험 예측모델을 검증하는 단계는, 상기 복수의 위험인자별로 상기 환산된 점수를 복수개의 구간으로 분할하는 단계 및 상기 분할된 각 구간에서의 뇌졸중 발생 예측률을 상기 개발 코호트 및 검증 코호트를 기반으로 각각 산출하여 상기 뇌졸중 위험 예측모델의 검증을 수행하는 단계를 포함하는 것을 특징으로 한다.
아울러, 본 발명의 실시 예에 따른 당뇨병 환자의 뇌졸중 위험 예측모델 설계 장치는, 뇌졸중 위험 예측모델에 대한 설계신호를 입력하는 입력부, 상기 설계신호에 따라 코호트(cohort) 데이터를 수신하는 통신부 및 상기 코호트 데이터를 기반으로 당뇨병 환자에 대한 개발 코호트(development cohort)와 검증 코호트(validation cohort)를 구축하고, 뇌졸중에 대한 복수의 위험인자별 위험도 및 위험인자별 기여도를 산출하여 상기 뇌졸중 위험 예측모델을 설계하는 제어부를 포함하는 것을 특징으로 한다.
또한, 복수의 위험인자는, 연령, 성별, 흡연여부, 운동 수준, BMI 수치, 만성 신장 질환 여부, 관상동맥질환 여부, 당뇨병 지속 기간, 인슐린 또는 저혈당 치료제의 사용 개수, 공복혈당 수치, 수축기혈압 수치, 총 콜레스테롤 수치 및 심방 세동 여부인 것을 특징으로 한다.
또한, 제어부는, 상기 복수의 위험인자에 대한 기여도를 0 내지 100 사이의 점수로 환산하여 상기 뇌졸중 위험 예측모델을 설계하는 것을 특징으로 한다.
또한, 제어부는, 상기 복수의 위험인자별로 상기 환산된 점수를 복수개의 구간으로 분할하고, 상기 분할된 각 구간에서의 뇌졸중 발생 예측률을 상기 개발 코호트 및 검증 코호트를 기반으로 각각 산출하여 상기 뇌졸중 위험 예측모델의 검증을 수행하는 것을 특징으로 한다.
상술한 바와 같이 본 발명에 따른 당뇨병 환자의 뇌졸중 위험 예측모델 설계 방법 및 장치는, 한국인 당뇨병 환자에 대한 코호트 데이터를 기반으로 뇌졸중 위험 예측모델을 설계함으로써 한국인 당뇨병 환자에게서 뇌졸중 발생의 위험도를 보다 정확하게 예측할 수 있는 효과가 있다.
또한, 본 발명에 따른 본 발명에 따른 당뇨병 환자의 뇌졸중 위험 예측모델 설계 방법 및 장치는, 당뇨병 환자의 뇌졸중 위험 예측모델을 한국인 당뇨병 환자에게서 뇌졸중을 발생시키는 위험인자를 고려하여 치료 계획은 세우는데 중요한 지표로 사용할 수 있는 효과가 있다.
도 1은 본 발명의 실시 예에 따른 뇌졸중 위험 예측모델 설계 장치를 나타낸 도면이다.
도 2는 본 발명의 실시 예에 따른 뇌졸중 위험 예측모델 설계 방법을 설명하기 위한 순서도이다.
도 3은 본 발명의 실시 예에 따른 뇌졸중을 발생시키는 위험인자별 기여도를 점수로 환산한 도면이다.
도 4는 본 발명의 실시 예에 따른 위험인자별 기여도 점수로 산출된 총 점수에 대응되는 5년 내 뇌졸중 발병률을 나타낸 그래프이다.
이하, 본 발명에 따른 바람직한 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 본 발명의 예시적인 실시형태를 설명하고자 하는 것이며, 본 발명이 실시될 수 있는 유일한 실시형태를 나타내고자 하는 것이 아니다. 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략할 수 있고, 명세서 전체를 통하여 동일 또는 유사한 구성 요소에 대해서는 동일한 참조 부호를 사용할 수 있다.
본 발명의 일 실시 예에서, “또는”, “적어도 하나” 등의 표현은 함께 나열된 단어들 중 하나를 나타내거나, 또는 둘 이상의 조합을 나타낼 수 있다. 예를 들어, “A 또는 B”, “A 및 B 중 적어도 하나”는 A 또는 B 중 하나만을 포함할 수 있고, A와 B를 모두 포함할 수도 있다.
도 1은 본 발명의 실시 예에 따른 뇌졸중 위험 예측모델 설계 장치를 나타낸 도면이다.
도 1을 참조하면, 본 발명에 따른 뇌졸중 위험 예측모델 설계 장치인 전자장치(100)는 통신부(110), 입력부(120), 표시부(130), 메모리(140) 및 제어부(150)를 포함한다.
통신부(110)는 코호트(cohort) 데이터를 제공하는 외부 장치(미도시) 예컨대, 국민건강보험공단에서 관리하는 서버와의 통신을 수행한다. 이를 위해, 통신부(110)는 5G(5th generation communication), LTE-A(long term evolution-advanced), LTE(long term evolution), WiFi(wireless fidelity) 등의 통신을 수행할 수 있다.
입력부(120)는 전자장치(100)의 사용자 입력에 대응하여 입력데이터를 발생시킨다. 입력부(120)는 적어도 하나의 입력수단을 포함한다. 입력부(120)는 키보드(key board), 키패드(key pad), 돔 스위치(dome switch), 터치패널(touch panel), 터치 키(touch key), 마우스(mouse), 메뉴 버튼(menu button) 등을 포함할 수 있다.
표시부(130)는 전자장치(100)의 동작에 따른 표시 데이터를 표시한다. 표시부(130)는 액정 디스플레이(LCD; liquid crystal display), 발광 다이오드(LED; light emitting diode) 디스플레이, 유기 발광 다이오드(OLED; organic LED) 디스플레이, 마이크로 전자기계 시스템(MEMS; micro electro mechanical systems) 디스레이 및 전자 종이(electronic paper) 디스플레이를 포함한다. 표시부(130)는 입력부(120)와 결합되어 터치 스크린(touch screen)으로 구현될 수 있다.
메모리(140)는 전자장치(100)의 동작 프로그램들을 저장한다. 메모리(140)는 국민건강보험공단으로부터 수신된 코호트 데이터를 저장할 수 있고, 제어부(150)에 의해 구축된 개발 코호트(development cohort) 및 검증 코호트(validation cohort)를 저장할 수 있다. 또한, 메모리(140)는 제어부(150)에 의해 산출된 뇌졸중에 대한 위험도를 저장하고, 위험도를 기반으로 점수로 환산된 위험인자별 기여도를 저장한다. 메모리(140)는 제어부(150)에 의해 설계된 뇌졸중 위험 예측모델을 저장할 수 있다.
제어부(150)는 코호트 데이터를 기반으로 당뇨병 환자에 대한 개발 코호트(development cohort)와 검증 코호트(validation cohort)를 구축하고, 뇌졸중에 대한 복수의 위험인자별 위험도 및 위험인자별 기여도를 산출하여 당뇨병 환자에 대한 뇌졸중 위험 예측모델을 설계한다.
보다 구체적으로, 제어부(150)는 입력부(120)로부터 뇌졸중 위험 예측모델을 설계하기 위한 설계신호가 수신되면 통신부(110)를 제어하여 국민건강보험공단으로부터 코호트(cohort) 데이터를 수집한다. 이때, 제어부(150)가 수집하는 코호트 데이터는 예컨대, 40세에서 65세 사이의 한국인 당뇨병 환자에 대한 코호트 데이터일 수 있다. 제어부(150)는 13개의 위험인자를 기반으로 코호트 데이터를 분류하여 개발 코호트(development cohort)를 구축할 수 있고, 개발 코호트의 검증을 위한 검증 코호트(validation cohort)를 구축할 수 있다.
이어서, 제어부(150)는 13개의 위험인자의 뇌졸중에 대한 위험도를 산출하고, 산출된 위험도를 위험인자별 기여도로 환산하여 뇌졸중 위험 예측모델의 설계를 완료한다. 보다 구체적으로, 제어부(150)는 연령, 성별, 흡연여부, 운동 수준, BMI 수치, 만성 신장 질환 여부, 관상동맥질환 여부, 당뇨병 지속 기간, 인슐린 또는 저혈당 치료제의 사용 개수, 공복혈당 수치, 수축기혈압 수치, 총 콜레스테롤 수치 및 심방 세동 여부 등의 위험인자에 가중치를 부여하여 각 위험인자에 대한 기여도를 0 내지 100 사이의 점수로 환산한다. 제어부(150)는 뇌졸중 위험 예측모델의 설계완료가 확인되면 설계가 완료된 뇌졸중 위험 예측모델의 검증을 수행한다. 제어부(150)는 복수의 위험인자별로 환산된 점수를 복수개의 예컨대, 10개의 구간으로 분할하고, 분할된 각 구간에서의 뇌졸중 발생 예측률을 개발 코호트 및 검증 코호트를 기반으로 각각 산출한다. 제어부(150)는 동일한 구간에서의 개발 코호트와 검증 코호트를 기반으로 산출된 뇌졸중 발생 예측률을 비교하여 뇌졸중 위험 예측모델의 검증을 수행한다.
도 2는 본 발명의 실시 예에 따른 뇌졸중 위험 예측모델 설계 방법을 설명하기 위한 순서도이다.
도 2를 참조하면, 201단계에서 제어부(150)는 입력부(120)로부터 뇌졸중 위험 예측모델을 설계하기 위한 설계신호의 수신여부를 확인한다. 201단계의 확인결과, 설계신호가 수신되면 제어부(150)는 203단계를 수행하고, 설계신호가 수신되지 않으면 제어부(150)는 설계신호의 수신을 대기한다.
203단계에서 제어부(150)는 통신부(110)를 제어하여 국민건강보험공단으로부터 코호트(cohort) 데이터를 수집한다. 이때, 제어부(150)가 수집하는 코호트 데이터는 예컨대, 40세에서 65세 사이의 한국인 당뇨병 환자에 대한 코호트 데이터일 수 있다. 205단계에서 제어부(150)는 코호트 데이터에서 제어부(150)는 개발 코호트(development cohort)를 구축하고 207단계를 수행한다. 207단계에서 제어부(150)는 검증 코호트(validation cohort)를 구축한다.
보다 구체적으로, 제어부(150)는 코호트 데이터에서 당뇨병인 피험자 즉, 환자에 대한 코호트 데이터를 추출하고, 당뇨병이면서 뇌졸중인 환자의 코호트 데이터를 추출한다. 이때, 추출된 코호트 데이터는 1,297,131명에 대한 코호트 데이터가 추출될 수 있다. 제어부(150)는 추출된 코호트 데이터로부터 당뇨병인 환자와 당뇨병이면서 뇌졸중인 환자의 임상 정보를 확인할 수 있다.
제어부(150)는 추출된 코호트 데이터를 13개의 위험인자를 기반으로 분류하여 하기의 표 1과 같은 개발 코호트를 구축할 수 있고, 개발 코호트의 검증을 확인하기 위한 검증 코호트를 구축할 수 있다. 이때, 검증 코호트는 389,139명에 대한 코호트 데이터로 구축될 수 있다.
하기의 표 1을 살펴보면, 제어부(150)는 개발 코호트를 구축하기 위해 연령 범위를 3단계(40-49, 50-59, 60-64)로 구분하여 확인하고, 흡연여부 및 운동 수준을 확인한다. 또한, 제어부(150)는 BMI 수치를 3단계(<18.5, 18.5-23, >=23)로 구분하여 확인하고, 만성 신장 질환(CKD) 여부, 관상동맥질환(CHD) 여부, 당뇨병 지속 기간이 5년 이상인 경우를 확인한다. 제어부(150)는 인슐린 또는 저혈당 치료제의 사용 개수, 공복혈당수치(FBG)를 5단계(<100, 100-140, 140-160, 160-180, >-180)로 구분하여 확인하고, 수축기혈압 수치(SBP)를 5단계(<130, 130-140, 140-150, 150-160, >=160)로 구분하여 확인한다. 아울러, 제어부(150)는 총 콜레스테롤 수치를 4단계(<160, 160-200, 200-240, >=240)로 구분하여 확인하고, 심방 세동 여부를 확인한다.
개발 코호트(n=1,297,131) 검증 코호트(n=389,139)
Stroke(-) Stroke(+) P-value Stroke(-) Stroke(+) P-value
N 1,262,444 34,687 378,683 10,456
Age <.0001 <.0001
40-49 358,773(28.4) 4,649(13.4) 107,162(28.3) 1,397(13.4)
50-59 590,308(46.8) 15,689(45.2) 177,342(46.8) 4,706(45.0)
60-64 313,363(24.8) 14,349(41.4) 94,179(24.9) 4,353(41.6)
Sex <.0001 <.0001
Male 807,750(64.0) 23,765(68.5) 242,190(64.0) 7,129(68.2)
Female 454,697(36.0) 10,922(31.5) 136,493(36.0) 3,327(31.8)
Smoking status <.0001 <.0001
current 362,007(28.7) 12,792(36.9) 108,805(28.7) 3,852(36.8)
Regular exercise <.0001 <.0001
YES 669,098(53.0) 15,731(45.4) 200,702(53.0) 4,783(45.7)
BMI <.0001 <.0001
<18.5 13,161(1.08) 595(1.7) 4,154(1.1) 174(1.7)
18.5-23 292,281(23.2) 8,959(25.8) 87,819(23.2) 2,705(25.9)
>=23 956,547(75.8) 25,133(72.5) 286,710(75.7) 7,577(72.5)
CKD <.0001 <.0001
YES 83,548(6.6) 4,423(12.8) 24,935(6.6) 1,320(12.6)
CHD <.0001 <.0001
YES 44,668(3.5) 2,25996.5) 13,446(3.6) 703(6.7)
Diabetic duration(years) <.0001 <.0001
>=5 378,745(30.0) 15,516(44.7) 113,477(30.0) 4,675(44.7)
Number of OHAs or use or insulin <.0001 <.0001
>=2, insulin 581,115(46.0) 20,834(60.1) 174,191(46.0) 6,336(60.6)
FBG <.0001 <.0001
<100 102,100(8.1) 3,415(9.9) 30,421(8.0) 1,055(10.1)
100-140 602,665(47.7) 13,351(38.5) 181,398(47.9) 4,105(39.3)
140-160 237,681(18.8) 5,774(16.7) 70,843(18.7) 1,703(16.3)
160-180 114,636(9.1) 3,513(10.1) 34,557(9.1) 1,034(9.9)
>=180 205,362(16.3) 8,634(24.9) 61,464(16.2) 2,559(24.9)
SBP <.0001 <.0001
<130 637,804(50.5) 14,558(42.0) 191,027(50.5) 4,423(42.3)
130-140 373,140(29.6) 10,279(29.6) 111,861(29.5) 3,095(29.6)
140-150 129,162(10.2) 4,373(12.6) 38,924(10.3) 1,341(12.8)
150-160 73,932(5.9) 2,865(8.3) 22,391(5.9) 848(8.1)
>=160 48,406(3.8) 2,612(7.5) 14,480(3.8) 749(7.2)
TC <.0001 <.0001
<160 234,298(18.6) 6,394(18.4) 70,435(18.6) 1,909(18.3)
160-200 466,221(36.9) 12,249(35.3) 139,928(34.0) 3,686(35.3)
200-240 376,532(29.8) 10,358(29.9) 112,613(29.7) 3,169(30.3)
>=240 185,393(14.7) 5,686(16.4) 55,707(1407) 1,692(16.2)
Atrial fibrillation <.0001 <.0001
YES 10,4719(0.8) 1,021(2.9) 3,117(0.8) 298(2.9)
이어서, 209단계에서 제어부(150)는 13개의 위험인자의 뇌졸중에 대한 위험도(95% confidence intervals)를 산출한다. 위험도는 하기의 표 2와 같고, 하기의 표 2에서 위험인자별 수를 취합하면 표 1의 개발 코호트의 수(1,297,131)과 동일하다. 하기의 표 2에서 Model 1에 대한 수치는 연령 및 성별만을 고려한 수치이고, Model 2는 연령, 성별, 흡연여부, 운동 수준, BMI 수치, 만성 신장 질환 여부, 관상동맥질환 여부, 당뇨병 지속 기간, 인슐린 또는 저혈당 치료제의 사용 개수, 공복혈당 수치, 수축기혈압 수치, 총 콜레스테롤 수치 및 심방 세동 여부 등의 위험인자를 모두 고려한 수치이다. 예를 들면, 60세에서 64세의 그룹에서 연령과 성별에 따른 뇌졸중 위험도는 3.53(95% CI 3.41-3.65)이고, 동일 그룹에서 복수의 위험인자에 따른 뇌졸중 위험도는 3.18(95% CI 3.07-3.29)이다.
Number Events Incidence rate(per 1000 person-years) Model 1 Model 2
Age
40-49 363,422 4,649 1.82 1(ref.) 1(ref.)
50-59 605,997 15,689 3.64 2.05(1.99-2.12) 1.96(1.90-2.03)
60-64 327,712 14,349 6.10 3.53(3.41-3.65) 3.18(3.07-3.29)
Sex
Male 831,515 23,765 4.04 1(ref.) 1(ref.)
Female 465,616 10,922 3.27 0.70(0.69-0.72) 0.81(0.79-0.83)
Smoking status
No 922,332 21,895 3.32 1(ref.) 1(ref.)
current 374,799 12,792 4.87 1.69(1.65-1.73) 1.65(1.61-1.69)
Regular exercise
NO 612,302 18,956 4.37 1(ref.) 1(ref.)
YES 684,829 15,731 3.22 0.75(0.73-0.76) 0.79(0.78-0.81)
BMI
<18.5 14,211 595 6.01 1(ref.) 1(ref.)
18.5-23 301,240 8,959 4.18 0.69(0.63-0.74) 0.73(0.67-0.79)
>=23 981,680 25,133 3.60 0.60(0.56-0.65) 0.66(0.60-0.71)
CKD
NO 1,209,160 30,264 3.52495 1(ref.) 1(ref.)
YES 87,971 4,423 6.97195 1.64(1.59-1.70) 1.52(1.47-1.57)
CHD
NO 1,250,204 32,428 3.65 1(ref.) 1(ref.)
YES 46,927 2,259 6.77 1.48(1.42-1.54) 1.37(1.31-1.43)
Diabetic duration(years)
<5 902,870 19,171 3.01 1(ref.) 1(ref.)
>=5 394,261 15,516 5.44 1.55(1.52-1.59) 1.31(1.27-1.34)
Number of OHAs or use or insulin
0, 1 695,182 13,853 2.85 1(ref.) 1(ref.)
>=2, insulin 601,949 20,834 4.77 1.52(1.49-1.56) 1.31(1.28-1.34)
FBG
<100 105,515 3,415 4.47 1.33(1.28-1.38) 1.21(1.16-1.25)
100-140 616,016 13,351 3.06 1(ref.) 1(ref.)
140-160 243,455 5,774 3.34 1.13(1.10-1.17) 1.07(1.04-1.11)
160-180 118,149 3,513 4.16 1.42(1.37-1.47) 1.25(1.20-1.30)
>=180 213,996 8,634 5.66 2.04(1.99-2.10) 1.65(1.60-1.70)
SBP
<130 652,362 14,558 3.14 1(ref.) 1(ref.)
130-140 383,419 10,279 3.77 1.15(1.12-1.17) 1.186(1.156-1.217)
140-150 133,535 4,373 4.62 1.34(1.29-1.39) 1.39(1.34-1.44)
150-160 76,797 2,865 5.26 1.51(1.45-1.58) 1.55(1.49-1.61)
>=160 51,018 2,612 7.25 2.09(2.00-2.17) 2.07(1.98-2.15)
TC
<160 240,692 6,394 3.73 1(ref.) 1(ref.)
160-200 478,470 12,249 3.59 1.03(1.00-1.06) 1.09(1.05-1.12)
200-240 386,890 10,358 3.77 1.15(1.11-1.19) 1.24(1.20-1.28)
>=240 191,079 5,686 4.22 1.36(1.31-1.41) 1.42(1.37-1.48)
Atrial fibrillation
NO 1,285,691 33,666 3.68 1(ref.) 1(ref.)
YES 11,440 1,021 12.89 2.82(2.66-3.00) 2.67(2.50-2.85)
211단계에서 제어부(150)는 표 2와 같이 위험인자별 위험도가 산출되면, 이를 이용하여 위험인자별 기여도를 환산하여 뇌졸중 위험 예측모델의 설계를 완료한다. 보다 구체적으로, 제어부(150)는 연령, 성별, 흡연여부, 운동 수준, BMI 수치, 만성 신장 질환 여부, 관상동맥질환 여부, 당뇨병 지속 기간, 인슐린 또는 저혈당 치료제의 사용 개수, 공복혈당 수치, 수축기혈압 수치, 총 콜레스테롤 수치 및 심방 세동 여부 등의 위험인자에 가중치를 부여하여 각 위험인자에 대한 기여도를 0 내지 100 사이의 점수로 환산한다. 이때, 각 위험인자의 기여도는 하기의 표 3 및 도 3과 같고, 위험인자의 기여도를 기반으로 산출된 총 점수에 대응되는 뇌졸중 발병률은 도 4와 같다. 도 3은 본 발명의 실시 예에 따른 뇌졸중을 발생시키는 위험인자별 기여도를 점수로 환산한 도면이다. 도 4는 본 발명의 실시 예에 따른 위험인자별 기여도 점수로 산출된 총 점수에 대응되는 5년 내 뇌졸중 발병률을 나타낸 그래프이다.
No. Variable Categories and score
1 Age (years) 40-49 50-59 60-64
0 59 100
2 Sex Male Female
19 0
3 Current smoker No Current
0 41
4 Physical activity No Yes
21 0
5 BMI <18.5 18.5-23 >23.0
24 12 0
6 CKD No Yes
0 38
7 CHD No Yes
0 28
8 Diabetic duration <5 ≥5
0 25
9 Number of OHAs or Use of Insulin 0-1 ≥2 or insulin
0 22
10 FBG levels <100 100-140 140-160 160-180 ≥180
16 0 7 20 43
11 SBP levels <130 130-140 140-150 150-160 ≥160
0 16 29 40 66
12 TC levels <160 160-200 200-240 ≥240
0 6 16 29
13 Atrial fibrillation No YES
0 88
표 3 및 도 3을 예로 들면, 62세(100점)의 남성(19점)인 당뇨병 환자가 흡연자(41점)이고, 운동을 전혀 하지 않으며(21점), BMI가 22(12점)고, CKD 및 CHD가 없고, 당뇨병 지속기간이 5년이상(25점)이다. 또한, 해당 환자는 인슐린 투약 중(22점)이고, FBG가 170(20점), SBP가 155(40점), TC가 170점(6점)이며 심장 세동이 없는 경우, 이 환자의 위험도에 대한 총 점수는 306점이 된다. 이 경우 상기 환자가 5년 내에 뇌졸중에 걸릴 위험은 도 4에서와 같이 8%정도인 것으로 확인할 수 있다. 213단계에서 제어부(150)는 뇌졸중 위험 예측모델의 설계완료가 확인되면 215단계를 수행하고, 설계완료가 확인되지 않으면 205단계로 회귀하여 상기의 동작들을 재수행할 수 있다. 215단계에서 제어부(150)는 설계가 완료된 뇌졸중 위험 예측모델의 검증을 수행한다.
이를 위해, 제어부(150)는 하기의 표 4와 같이 도 3에 도시된 위험도 점수(total)인 500점을 복수개의 예컨대, 10개의 구간(D1-D10)으로 분할하고 각 구간별로 개발 코호트 및 검증 코호트를 기반으로 뇌졸중 발생 예측률을 산출할 수 있다. 예컨대, D1 구간에서 개발 코호트에 의해 산출된 비율이 0.907, 검증 코호트에 의해 산출된 비율이 0.836이고, D2구간에서 개발 코호트에 의해 산출된 비율이 1.361, 검증 코호트에 의해 산출된 비율이 1.382이므로 뇌졸중 위험 예측모델이 매우 정확한 수준임을 확인할 수 있다.
Deciles Incidence rate of stroke(per 1000 person-years)
개발 코호트 검증 코호트
D1 0.907 0.836
D2 1.361 1.382
D3 1.699 1.754
D4 2.272 2.148
D5 2.687 2.832
D6 3.238 3.279
D7 3.863 4.086
D8 4.711 4.903
D9 6.223 6.327
D10 10.459 10.126
본 명세서와 도면에 개시된 본 발명의 실시 예들은 본 발명의 기술 내용을 쉽게 설명하고 본 발명의 이해를 돕기 위해 특정 예를 제시한 것일 뿐이며, 본 발명의 범위를 한정하고자 하는 것은 아니다. 따라서 본 발명의 범위는 여기에 개시된 실시 예들 이외에도 본 발명의 기술적 사상을 바탕으로 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims (9)

  1. 전자장치가 뇌졸중 위험 예측모델에 대한 설계신호를 수신하는 단계;
    상기 전자장치가 상기 설계신호에 따라 코호트(cohort) 데이터를 수집하는 단계;
    상기 전자장치가 상기 코호트 데이터를 기반으로 당뇨병 환자에 대한 개발 코호트(development cohort)와 검증 코호트(validation cohort)를 구축하는 단계;
    상기 전자장치가 뇌졸중에 대한 복수의 위험인자별 위험도를 산출하는 단계;
    상기 전자장치가 상기 위험인자별 위험도를 기반으로 위험인자별 기여도를 산출하여 상기 뇌졸중 위험 예측모델을 설계하는 단계;
    상기 전자장치가 상기 복수의 위험인자별 기여도가 환산된 0 내지 100사이의 점수를 복수개의 구간으로 분할하는 단계; 및
    상기 전자장치가 상기 분할된 각 구간에서의 뇌졸중 발생 예측율을 상기 개발 코호트 및 검증 코호트를 기반으로 각각 산출하여 상기 뇌졸중 위험 예측모델의 검증을 수행하는 단계;
    를 포함하는 것을 특징으로 하는 당뇨병 환자의 뇌졸중 위험 예측모델 설계 방법.
  2. 제1항에 있어서,
    상기 뇌졸중에 대한 복수의 위험인자별 위험도를 산출하는 단계는,
    연령, 성별, 흡연여부, 운동 수준, BMI 수치, 만성 신장 질환 여부, 관상동맥질환 여부, 당뇨병 지속 기간, 인슐린 또는 저혈당 치료제의 사용 개수, 공복혈당 수치, 수축기혈압 수치, 총 콜레스테롤 수치 및 심방 세동 여부에 대한 위험도를 산출하는 단계인 것을 특징으로 하는 당뇨병 환자의 뇌졸중 위험 예측모델 설계 방법.
  3. 제2항에 있어서,
    상기 위험인자별 기여도를 산출하여 상기 뇌졸중 위험 예측모델을 설계하는 단계는,
    상기 복수의 위험인자에 대한 기여도를 상기 점수로 환산하여 상기 뇌졸중 위험 예측모델을 설계하는 단계인 것을 특징으로 하는 당뇨병 환자의 뇌졸중 위험 예측모델 설계 방법.
  4. 삭제
  5. 삭제
  6. 뇌졸중 위험 예측모델에 대한 설계신호를 입력하는 입력부;
    상기 설계신호에 따라 코호트(cohort) 데이터를 수신하는 통신부; 및
    상기 코호트 데이터를 기반으로 당뇨병 환자에 대한 개발 코호트(development cohort)와 검증 코호트(validation cohort)를 구축하고, 뇌졸중에 대한 복수의 위험인자별 위험도 및 위험인자별 기여도를 산출하여 상기 뇌졸중 위험 예측모델을 설계하고,
    상기 복수의 위험인자별 기여도가 환산된 0 내지 100사이의 점수를 복수개의 구간으로 분할하고, 상기 분할된 각 구간에서의 뇌졸중 발생 예측율을 상기 개발 코호트 및 검증 코호트를 기반으로 각각 산출하여 상기 뇌졸중 위험 예측모델의 검증을 수행하는 제어부;
    를 포함하는 것을 특징으로 하는 당뇨병 환자의 뇌졸중 위험 예측모델 설계장치.
  7. 제6항에 있어서,
    상기 복수의 위험인자는,
    연령, 성별, 흡연여부, 운동 수준, BMI 수치, 만성 신장 질환 여부, 관상동맥질환 여부, 당뇨병 지속 기간, 인슐린 또는 저혈당 치료제의 사용 개수, 공복혈당 수치, 수축기혈압 수치, 총 콜레스테롤 수치 및 심방 세동 여부인 것을 특징으로 하는 당뇨병 환자의 뇌졸중 위험 예측모델 설계 장치.
  8. 제7항에 있어서,
    상기 제어부는,
    상기 복수의 위험인자에 대한 기여도를 상기 점수로 환산하여 상기 뇌졸중 위험 예측모델을 설계하는 것을 특징으로 하는 당뇨병 환자의 뇌졸중 위험 예측모델 설계 장치.
  9. 삭제
KR1020190107894A 2019-09-02 2019-09-02 당뇨병 환자의 뇌졸중 위험 예측모델 설계 방법 및 장치 KR102282720B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190107894A KR102282720B1 (ko) 2019-09-02 2019-09-02 당뇨병 환자의 뇌졸중 위험 예측모델 설계 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190107894A KR102282720B1 (ko) 2019-09-02 2019-09-02 당뇨병 환자의 뇌졸중 위험 예측모델 설계 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20210026711A KR20210026711A (ko) 2021-03-10
KR102282720B1 true KR102282720B1 (ko) 2021-07-27

Family

ID=75148317

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190107894A KR102282720B1 (ko) 2019-09-02 2019-09-02 당뇨병 환자의 뇌졸중 위험 예측모델 설계 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102282720B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20240021635A (ko) 2022-08-10 2024-02-19 주식회사 대웅제약 인공 지능 알고리즘 기반의 당뇨병 합병증 발병 예측 모델을 학습시키는 장치 및 그의 제어 방법
KR20240022058A (ko) 2022-08-10 2024-02-20 주식회사 대웅제약 인공 지능 알고리즘 기반의 당뇨병 발병 예측 모델을 학습시키는 장치 및 그의 제어 방법

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220296174A1 (en) * 2021-03-17 2022-09-22 Covidien Lp Detection and/or prediction of a medical condition using atrial fibrillation and glucose measurements
WO2022211506A1 (ko) * 2021-03-31 2022-10-06 주식회사 루닛 인공지능 모델을 이용한 의학적 예측 제공 방법 및 장치
CN116500179B (zh) * 2023-04-21 2023-12-26 南京品生医疗科技有限公司 一种血浆中神经酰胺相关因子的原始得分计算及转换方法和系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Chien 등, Stroke. Vol.41, 페이지 1858-1864 (2010)
Yang 등, Diabetes care, Vol.30, 페이지 75-70 (2007)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20240021635A (ko) 2022-08-10 2024-02-19 주식회사 대웅제약 인공 지능 알고리즘 기반의 당뇨병 합병증 발병 예측 모델을 학습시키는 장치 및 그의 제어 방법
KR20240022058A (ko) 2022-08-10 2024-02-20 주식회사 대웅제약 인공 지능 알고리즘 기반의 당뇨병 발병 예측 모델을 학습시키는 장치 및 그의 제어 방법

Also Published As

Publication number Publication date
KR20210026711A (ko) 2021-03-10

Similar Documents

Publication Publication Date Title
KR102282720B1 (ko) 당뇨병 환자의 뇌졸중 위험 예측모델 설계 방법 및 장치
US20210134415A1 (en) Systems and methods for utilizing wireless physiological sensors
CN104335211B (zh) 用于数据收集和传输的具有多个健康监测设备、交互式语音识别和移动接口的健康监测系统
Evangelista et al. Examining the effects of remote monitoring systems on activation, self-care, and quality of life in older patients with chronic heart failure
EP3660854B1 (en) Triage dialogue method, device, and system
West et al. Characterization of heart failure patients with preserved ejection fraction: A comparison between ADHERE‐US registry and ADHERE‐International registry
EP3756344B1 (en) Connected kiosk for the real-time assessment of falls risk
US8337408B2 (en) Remote monitoring of patient cognitive function using implanted CRM devices and a patient management system
Carroll et al. Changes in care for acute pulmonary embolism through a multidisciplinary pulmonary embolism response team
US20090150183A1 (en) Linking to clinical decision support
Hall et al. Heart failure patients' perceptions and use of technology to manage disease symptoms
US10431343B2 (en) System and method for interpreting patient risk score using the risk scores and medical events from existing and matching patients
US20210082575A1 (en) Computerized decision support tool for post-acute care patients
Milligan et al. Improving primary care for persons with spinal cord injury: Development of a toolkit to guide care
US20110087503A1 (en) System and method of providing patients incentives for healthy behaviors
Weissman et al. Population trends in intensive care unit admissions in the United States among Medicare beneficiaries, 2006–2015
US11501034B2 (en) System and method for providing prediction models for predicting changes to placeholder values
Deo et al. Risk calculator to predict 30-day readmission after coronary artery bypass: a strategic decision support tool
US20190213302A1 (en) System and method for prediction-model-based display of distributions of health outcome information for patient populations in geographical areas
US10354007B2 (en) System and method for configuring clinical workflows and generating user interfaces thereof
Neuenschwander et al. A pilot study of implantable cardiac device interrogation by emergency department personnel
US20200176114A1 (en) System and method for providing a layer-based presentation of a model-generated patient-related prediction
US20200005940A1 (en) System and method for generating a care services combination for a user
US20190069779A1 (en) Method and apparatus for detecting clinical deterioration in patients on a telehealth service
US20170186120A1 (en) Health Care Spend Analysis

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant