KR102303272B1 - 전립선암 위험도의 변화 정도 예측 시스템 - Google Patents

Abstract

본 발명의 실시예는 사용자들의 인종, 연령, 유전 정보 및 가족력 정보와 신체 계측 정보, 생활 습관 정보 등을 기록하는 기록 수단, 사용자들의 체질량 지수, 허리 둘레 등을 포함하는 신체 계측 정보, 사용자들의 커피, 칼슘, 리코펜 및 어류 섭취량, 흡연 습관, 음주 습관, 신체활동을 포함하는 생활 습관 정보, 및 사용자들의 가족력 정보를 교사 데이터로서 이용하고, 입력을 신체정보, 생활 습관 정보로 하고, 입력 정보의 변화에 따른 출력을 사용자의 전립선암 위험도의 변화 정도로 하는 판정 모델을 기계학습에 의해 생성하는 모델 생성 수단과, 제1 사용자의 인종, 연령, 유전 정보 및 가족력 정보, 신체 계측 정보, 생활 습관 정보를 등록하는 등록 수단과, 상기 모델 생성 수단에 의해 생성된 전립선 위험도의 변화 정도를 예측하는 판정 모델을 이용하여 상기 등록 수단에 입력된 신체 계측 정보, 생활 습관 정보로부터 추정되는 전립선암 위험도의 변화 정도를 출력하는 출력 수단을 구비하는 전립선암 위험도의 변화 정도 예측 시스템을 개시한다.

Description

전립선암 위험도의 변화 정도 예측 시스템{SYSTEM FOR PREDICTTING A DIRECTION OF PROSTATE CANCER RISK}

본 발명의 실시예는 인종, 연령, 유전 정보 및 가족력 정보와 신체 계측 정보, 생활 습관 정보 등을 입력 데이터로 하고 전립선암 위험도의 정도를 출력 데이터로 하는 판정 모델을 생성하고, 판정 모델을 이용하여 입력 데이터 정보의 변화에 따른 전립선암의 위험도의 변화 정도를 산출하는, 전립선암 위험도의 변화 정도 예측 시스템에 관한 것이다.

전립선암은 한국에서 남성 암 유병률 3위 및 발병률 4위인 암종으로 남성 사망의 주된 원인이 되고 있다.

전립선암의 위험도는 교정 가능한 (modifiable) 위험 요인 및 교정 불가능한 (non-modifiable) 위험 요인들에 의해 결정될 수 있다. 교정 불가능한 위험 요인들에는 연령, 인종, 유전적인 소인 및 가족력 등이 있고, 교정 가능한 위험 요인들 (modifiable risk factors) 은 신체 계측 정보 및 생활 습관 정보 등을 포함한다. 이에, 교정 가능한 위험 요인들의 교정을 통한 전립선암 발병의 위험도의 변화를 판단할 필요성이 대두된다.

본 발명은 상술한 필요성에 따른 것으로, 연령, 인종, 유전적인 소인 및 가족력 등과 같은 교정 불가능한 위험 요인들의 정보와 더불어 신체 계측 정보 및 생활 습관 정보 등의 교정 가능한 위험 요인들의 정보를 이용하여 전립선암 위험도를 예측하고, 교정 가능한 위험 요인들의 교정에 따른 사용자의 전립선암 위험도의 증가 또는 감소 등의 변화 정도를 산출하는 시스템을 제공하는 것을 목적으로 한다.

또한 본 발명은 사용자의 생활 습관 정보를 모니터링하여 사용자의 전립선암 위험도의 변화 정도를 주기적으로 체크하고 전립선암 위험도의 변화 추이를 제공하는 시스템을 제공하는 것을 목적으로 한다.

그러나 이러한 과제는 예시적인 것으로, 이에 의해 본 발명의 범위가 한정되는 것은 아니다.

본 발명의 실시예들에 따른 전립선암 위험도의 변화 정도 예측 시스템은 사용자들의 전립선암의 위험 요인들에 대한 정보를 기록하는 기록 수단, 사용자들의 인종, 연령, 유전 정보 및 가족력 정보와 체질량 지수, 허리 둘레, 등을 포함하는 신체 계측 정보, 사용자들의 커피, 칼슘, 리코펜 및 어류 섭취량, 흡연 습관, 음주 습관, 신체 활동 등을 포함하는 생활 습관 정보와 전립선암 이환 여부를 교사 데이터로서 이용하고, 입력을 인종, 연령, 유전 정보 및 가족력 정보, 신체 계측 정보, 생활 습관 정보 등으로 하고, 출력을 사용자의 전립선암 위험도로 하는 판정 모델을 기계학습에 의해 생성하는 모델 생성 수단과, 제1 사용자의 인종, 연령, 유전 정보 및 가족력 정보, 신체 계측 정보, 생활 습관 정보 등을 등록하는 등록 수단과, 상기 모델 생성 수단에 의해 입력 정보의 변화에 따른 전립선 위험도의 변화 정도를 예측하는 판정 모델을 이용하여 상기 등록 수단에 입력된 신체 계측 정보, 생활 습관 정보, 가족력 정보로부터 예측되는 전립선암 위험도의 변화 정도를 출력하는 출력 수단을 구비할 수 있다.

상기 출력 수단은 상기 제1 사용자의 전립선암 위험도의 변화 정도를 '증가', '유지', '감소' 중 하나로 결정할 수 있다.

상기 출력 수단은 상기 전립선암 위험도의 변화 정도를 감소시키는데 고려되는 팩터(factor)를 상기 제1 사용자의 신체 계측 정보 및 생활 습관 정보 중에서 선별하여 출력할 수 있다.

상기 출력 수단은 상기 전립선암 위험도의 변화 정도를 감소시키는 팩터들 및 팩터들의 보완 사항을 포함하여 제공할 수 있다.

본 발명의 실시예들에 따른 전립선암 위험도의 변화 정도 예측 방법은 예측 시스템이 사용자들의 신체 계측 정보, 생활 습관 정보, 가족력 정보를 기록하는 단계; 상기 예측 시스템이 사용자들의 인종, 연령, 유전 정보 및 가족력 정보와 체질량 지수, 허리 둘레, 등을 포함하는 신체 계측 정보, 사용자들의 커피, 칼슘, 리코펜 및 어류 섭취량, 흡연 습관, 음주 습관, 신체 활동 등을 포함하는 생활 습관 정보와 전립선암 이환 여부를 교사 데이터로서 이용하고, 입력을 인종, 연령, 유전 정보 및 가족력 정보, 신체 계측 정보, 생활 습관 정보 등으로 하고, 출력을 사용자의 전립선암 위험도로 하는 판정 모델을 기계학습에 의해 생성하는 단계; 상기 예측 시스템이 제1 사용자의 신체 계측 정보, 생활 습관 정보, 및 가족력 정보를 등록하는 단계; 상기 예측 시스템은 상기 모델 생성 수단에 의해 입력 정보의 변화에 따른 전립선 위험도의 변화 정도를 예측하는 판정 모델을 이용하여 상기 등록 수단에 입력된 신체 계측 정보, 생활 습관 정보, 가족력 정보로부터 예측되는 전립선암 위험도의 변화 정도를 출력하는 단계를 포함할 수 있다.

상기 출력하는 단계는 상기 제1 사용자의 전립선암 위험도의 변화 정도를 '증가', '유지', '감소' 중 하나로 결정할 수 있다.

상기 출력하는 단계는 상기 전립선암 위험도를 감소시킬 것으로 고려되는 팩터(factor)를 상기 제1 사용자의 신체 계측 정보, 생활 습관 정보, 및 가족력 정보 중에서 선별하여 출력할 수 있다.

상기 출력하는 단계는 상기 전립선암 위험도의 변화 정도를 감소시키는 팩터들 및 팩터들의 보완 사항을 포함하여 제공할 수 있다.

한편, 본 발명의 일 실시예에 따른 기록매체는 상기 전립선 암 위험도 산출 방법을 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체일 수 있다.

전술한 것 외의 다른 측면, 특징, 이점은 이하의 발명을 실시하기 위한 구체적인 내용, 청구범위 및 도면으로부터 명확해질 것이다.

상기한 바와 같이 이루어진 본 발명의 일 실시예에 따르면, 연령, 인종, 유전적인 요인 및 가족력 등과 같은 교정 불가능한 위험 요인들의 정보와 더불어 신체 계측 정보 및 생활 습관 정보 등의 교정 가능한 위험 요인들의 정보를 이용하여 전립선암 위험도를 예측하고, 교정 가능한 위험 요인들의 교정에 따른 사용자의 전립선암 위험도의 증가 또는 감소 등의 변화 정도를 산출할 수 있다. 특히, 본 발명의 일 실시예에 따르면, 사용자의 생활 습관 정보를 모니터링하여 사용자의 전립선암 위험도의 변화 정도를 주기적으로 체크하고 전립선암 위험도의 변화 추이를 제공할 수 있다. 물론 이러한 효과에 의해 본 발명의 범위가 한정되는 것은 아니다.

도 1은 본 발명의 일 실시예예 따른 전립선암 유전도의 변화 정도 예측 시스템을 설명하기 위한 시스템도이다.
도 2는 본 발명의 일 실시예에 따른 예측장치의 구성요소를 설명하기 위한 블록도이고, 도 3는 예측장치의 메모리의 구성요소를 설명하기 위한 블록도이다.
도 4 내지 도 8은 본 발명의 실시예들에 따른 전립선암의 위험도 변화 정도를 예측하는 방법의 흐름도들이다.

이하, 본 개시의 다양한 실시예가 첨부된 도면과 연관되어 기재된다. 본 개시의 다양한 실시예는 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들이 도면에 예시되고 관련된 상세한 설명이 기재되어 있다. 그러나 이는 본 개시의 다양한 실시예를 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 개시의 다양한 실시예의 사상 및 기술 범위에 포함되는 모든 변경 및/또는 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용되었다.

본 개시의 다양한 실시예에서 사용될 수 있는 "포함한다." 또는 "포함할 수 있다." 등의 표현은 개시(disclosure)된 해당 기능, 동작 또는 구성요소 등의 존재를 가리키며, 추가적인 하나 이상의 기능, 동작 또는 구성요소 등을 제한하지 않는다. 또한, 본 개시의 다양한 실시예에서, "포함하다." 또는 "가지다." 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

본 개시의 다양한 실시예에서 "또는" 등의 표현은 함께 나열된 단어들의 어떠한, 그리고 모든 조합을 포함한다. 예를 들어, "A 또는 B"는, A를 포함할 수도, B를 포함할 수도, 또는 A 와 B 모두를 포함할 수도 있다.

본 개시의 다양한 실시예에서 사용된 "제1", "제2", "첫째", 또는 "둘째" 등의 표현들은 다양한 실시예들의 다양한 구성요소들을 수식할 수 있지만, 해당 구성요소들을 한정하지 않는다. 예를 들어, 상기 표현들은 해당 구성요소들의 순서 및/또는 중요도 등을 한정하지 않는다. 상기 표현들은 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 수 있다. 예를 들어, 제1 사용자 기기와 제2 사용자 기기는 모두 사용자 기기이며, 서로 다른 사용자 기기를 나타낸다. 예를 들어, 본 개시의 다양한 실시예의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 상기 어떤 구성요소와 상기 다른 구성요소 사이에 새로운 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소와 상기 다른 구성요소 사이에 새로운 다른 구성요소가 존재하지 않는 것으로 이해될 수 있어야 할 것이다.

본 개시의 실시 예에서 "모듈", "유닛", "부(part)" 등과 같은 용어는 적어도 하나의 기능이나 동작을 수행하는 구성요소를 지칭하기 위한 용어이며, 이러한 구성요소는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, 복수의 "모듈", "유닛", "부(part)" 등은 각각이 개별적인 특정한 하드웨어로 구현될 필요가 있는 경우를 제외하고는, 적어도 하나의 모듈이나 칩으로 일체화되어 적어도 하나의 프로세서로 구현될 수 있다.

본 개시의 다양한 실시예에서 사용한 용어는 단지 특정일 실시예를 설명하기 위해 사용된 것으로, 본 개시의 다양한 실시예를 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 개시의 다양한 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다.

일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 개시의 다양한 실시예에서 명백하게 정의되지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

이하에서, 첨부된 도면을 이용하여 본 발명의 다양한 실시 예들에 대하여 구체적으로 설명한다.

도 1은 본 발명의 일 실시예예 따른 전립선암 유전도의 변화 정도 예측 시스템을 설명하기 위한 시스템도이다.

도 1을 참조하면, 산출 시스템은 변화 정도 예측장치(100, 이하 예측장치), 서버(200), 단말기(301) 및 외부 기관(302)을 포함할 수 있다.

예측장치(100)는 데스크 탑 컴퓨터일 수 있으나, 이에 한정하지 않으며 인종, 연령, 유전 정보 및 가족력 정보와 신체 계측 정보 및 생활 습관 정보 등의 변화에 따른 전립선암 발병에 대한 위험도의 변화 정도를 산출하기 위한 방법을 수행하기 위한 프로그램을 실행시킬 수 있는 모든 종류의 전자장치일 수 있다.

사용자 단말기(301)는 유무선 통신 환경에서 데이터를 송수신할 수 있는 통신 단말기를 의미한다. 여기서, 사용자 단말기(301)는 사용자의 퍼스널 컴퓨터 일 수도 있고, 사용자의 휴대용 단말기일 수도 있다. 사용자는 피험자일 수 있고, 피험자는 직접 인종, 연령, 유전 정보 및 가족력 정보와 신체 계측 정보 및 생활 습관 정보 등을 입력하여 서버(200)로 전송할 수 있다.

도 1에서는 사용자 단말기(301)는 휴대용 단말기가 스마트폰으로 도시되었지만 본 발명의 사상은 이에 제한되지 아니하며 상술한 바와 같이 통신망과 연결이 가능한 프로그램이 탑재되거나 통신 모듈과 연결된 모든 종류의 전자기기를 포함할 수 있다. 구체적으로 사용자 단말기(301)는 컴퓨터(예를 들면, 데스크톱, 랩톱, 태블릿 등), 미디어 컴퓨팅 플랫폼(예를 들면, 케이블, 위성 셋톱박스, 디지털 비디오 레코더), 핸드헬드 컴퓨팅 디바이스(예를 들면, PDA, 이메일 클라이언트 등), 핸드폰의 임의의 형태 또는 다른 종류의 컴퓨팅 또는 커뮤니케이션 플랫폼의 임의의 형태를 포함할 수 있으나, 본 발명이 이에 한정되는 것은 아니다.

도 1에는 사용자 단말기(302)이 각각 단수로 도시되어 있으나, 본 발명의 일 실시예에 따르면 복수개의 사용자 단말기들이 직접 예측장치(100) 및 서버(200)와 연결될 수 있다.

기관(301)은 복수의 피험자들의 인종, 연령, 유전 정보 및 가족력 정보와 신체 계측 정보, 가족력 정보 등을 획득한 병원 및 공공기관일 수 있다. 기관(301)은 서버(200)로 복수의 피험자의 유전 정보에 대한 데이터베이스를 전송할 수 있고, 서버(200)는 수신한 데이터베이스를 바탕으로 위험도의 변화 정도를 예측하도록 기계 학습되는 판정 모델을 생성할 수 있다. 서버(200)는 생성된 판정 모델들에 대해서 일정 기준의 신뢰성 테스트를 실행하고 일정 기준을 만족하는 신뢰성을 가지는 판정 모델을 배포하여 신뢰성 기준을 만족하는 판정 모델에 의해 전립선암 위험도의 산출 및 전립선암 위험도의 변화 정도를 예측하도록 구현할 수 있다.

예측장치(100)는 피험자의 인종, 연령, 유전 정보 및 가족력 정보와 신체 계측 정보 및 생활 습관 정보 등을 입력 받고, 판정 모델을 이용하여 피험자의 개인별 전립선 암 위험도의 변화 정도를 예측하는 장치일 수 있다. 예측장치(100)는 서버(200)로부터 수신한 판정 모델을 이용하여 전립선 암 위험도의 변화 정도를 산출할 수 있다. 본 발명의 일 실시예에 따르면 예측장치(100)는 피험자의 인종, 연령, 유전 정보 및 가족력 정보와 신체 계측 정보 및 생활 습관 정보를 획득하고, 획득한 정보를 교사 데이터로 사용하여 기계 학습으로 전립선암 위험도 판정 모델을 생성할 수 있다. 판정 모델은 생성 이후에 입력되는 사용자의 신체 계측 정보, 생활 습관 정보 등의 변화에 따른 전립선암의 위험도 및 위험도의 변화 정도를 실시간으로 산출할 수 있다. 예측장치(100)은 구비되거나 전기적으로 연결된 입력부, 센서부를 통해 획득된 센싱값을 가지고 주기적으로 신체 계측 정보, 생활 습관 정보 등을 갱신하고 실시간의 전립선암 위험도의 변화 정도를 출력하도록 구현될 수 있다. 전립선암 위험도의 변화 정도가 기 설정된 값 이상으로 증가한 경우에는 이에 따른 경고 알람을 출력하도록 구현될 수 있다.

이때 인종, 연령, 유전 정보 및 가족력 정보와 신체 계측 정보, 생활 습관 정보는 사용자에 의해 예측장치(100)에 입력된 것일 수 있으나, 이에 한정하지 않으며, 사용자에 의해 사용자 단말기(301)에 입력된 것일 수 있다.

한편, 판정 모델의 실행 파일, 알고리즘 등은 서버(200)로 전송되어 관리될 수 있다. 서버(200)는 단말기(301) 및 외부 기관(302)으로부터 수신한 데이터베이스를 바탕으로 전립선암의 위험도의 변화 정도를 예측하기 위한 판정 모델을 생성, 재생성, 갱신할 수 있고, 이를 예측장치(100)로 전송할 수 있다.

구체적으로 서버(200)는 전립선암의 위험도에 영향을 미치는 인자들을 주기적으로 탐색할 수 있다. 구체적으로 서버(200)는 전립선암의 발병률과 관련된 위험도에 영향을 미치는 인자들을 사용자에 의해 입력받거나, 전립선암에 대한 논문, 연구 자료 등을 검색하여 추출할 수 있다. 서버(200)는 전립선암의 발병률과 관련된 위험도에 영향을 미치는 인자들이 교정 가능한 것인지, 교정 불가능한 것인지를 구분하여 검색할 수 있다.

예측 장치(100)는 생활 습관 정보에 포함된 커피, 칼슘, 리코펜, 어류 섭취흡연 여부 및 흡연량, 음주량, 신체 활동의 횟수 및 강도 등에 구별되는 가중치를 부여할 수 있으나, 이에 한정하지 않는다. 본 발명의 일 실시예에 따르면, 예측 장치(100)는 생활 습관 정보의 각 정보에 대한 전립선암의 발병 및 위험도의 변화 정도에 기여하는 정도에 따른 가중치들을 부여할 수 있다. 즉, 예측 장치(100)는 생활 습관 정보의 각 정보들의 전립선암의 위험도의 변화 정도에 기여하는 정도를 서버(200) 또는 단말기들을 통해 획득할 수 있다. 이때, 각 생활 습관 정보의 성격이 교정 가능한 것인 것, 교정 불가능한 것인지 여부를 구분하여 각 생활 습관 정보가 전립선암의 위험도의 변화 정도에 기여하는 정도를 조절할 수 있다.

본 발명의 일 실시예에 따르면, 예측장치(100)는 인공지능 모델을 이용하여 판정 모델을 기계 학습시킬 수 있다. 판정 모델은 의료 기관에 의해 치료된 환자들의 의료 데이터를 이용하여 학습시킬 수 있다. 이때 인공지능 모델은 CNN, RNN, BNN 등을 포함하는 다양한 딥러닝 알고리즘일 수 있으나, 이에 한정하지 않는다.

도 2는 본 발명의 일 실시예에 따른 예측장치의 구성요소를 설명하기 위한 블록도이다.

도 2를 참조하면, 예측장치(100)는 통신부(101), 입력부(102), 메모리(103), 디스플레이(104), 프로세서(105)를 포함할 수 있다.

통신부(101)는 서버(200), 사용자 단말기(301) 및 기관(302)를 비롯한 외부기관 및 장치와 데이터를 송수신하기 위한 구성이다. 통신부(101)는 블루투스 통신부, BLE(Bluetooth Low Energy) 통신부, 근거리 무선 통신부(Near Field Communication unit), WLAN(와이파이) 통신부, 지그비(Zigbee) 통신부, 적외선(IrDA, infrared Data Association) 통신부, WFD(Wi-Fi Direct) 통신부, UWB(ultra wideband) 통신부, Ant+ 통신부 등의 근거리 통신부, 이동통신 망을 포함할 수 있다.

입력부(102)는 예측장치(100)에 다양한 정보를 입력하기 위한 사용자 인터페이스를 포함할 수 있다. 이때, 예측장치(100)에 입력되는 다양한 정보는 피험자의 유전 정보, 피험자의 나이, 성별, 인종 등에 대한 정보, 피험자의 생활 정보 등을 포함할 수 있으나, 이에 한정되지 않는다.

메모리(130)는 프로세서(105)의 처리 또는 제어를 위한 프로그램 등 예측장치(100) 전반의 동작을 위한 다양한 데이터를 저장할 수 있다. 메모리(103)는 예측장치(100)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 예측장치(100)의 동작을 위한 데이터들, 명령어들을 저장할 수 있다. 이러한 응용 프로그램 중 적어도 일부는, 무선 통신을 통해 외부 서버로부터 다운로드 될 수 있다. 또한 이러한 응용 프로그램 중 적어도 일부는, 예측장치(100)의 기본적인 기능을 위하여 출고 당시부터 예측장치(100) 상에 존재할 수 있다. 응용 프로그램은, 메모리(103)에 저장되고, 프로세서(105)에 의하여 예측장치(100)의 동작(또는 기능)을 수행하도록 구동될 수 있다.

디스플레이(104)는 예측장치(100)가 판정 모델을 통해 산출한 피험자의 전립선암 위험도의 변화 정도를 디스플레이할 수 있다. 본 발명의 일 실시예에 따르면 디스플레이(104)는 입력부(102)를 통해 입력된 정보들로부터 산출된 전립선암 위험도의 변화 정도 및 위험도의 변화 정도에 영향을 미치는 인자들을 표시할 수 있다.

디스플레이(104)는 다양한 형태의 디스플레이 패널로 구현될 수 있다. 예로, 디스플레이 패널은 LCD(Liquid Crystal Display), OLED(Organic Light Emitting Diodes), AM-OLED(Active-Matrix Organic Light-Emitting Diode), LcoS(Liquid Crystal on Silicon) 또는 DLP(Digital Light Processing) 등과 같은 다양한 디스플레이 기술로 구현될 수 있다. 또한, 디스플레이(104)는 플렉서블 디스플레이(flexible display)의 형태로 디스플레이 장치(104)의 전면 영역 및, 측면 영역 및 후면 영역 중 적어도 하나에 결합될 수도 있다.

디스플레이(104)는 레이어 구조의 터치 스크린으로 구현될 수 있다. 터치 스크린은 디스플레이 기능뿐만 아니라 터치 입력 위치, 터치된 면적뿐만 아니라 터치 입력 압력까지도 검출하는 기능을 가질 수 있고, 또한 실질적인 터치(real-touch)뿐만 아니라 근접 터치(proximity touch)도 검출하는 기능을 가질 수 있다.

프로세서(105)는 예측장치(100)를 전반적으로 제어하기 위한 구성이다. 구체적으로, 프로세서(105)는 예측장치(100)의 메모리(103)에 저장된 각종 프로그램을 이용하여 예측장치(100)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(105)는 CPU, 램(RAM), 롬(ROM), 시스템 버스를 포함할 수 있다. 여기서, 롬은 시스템 부팅을 위한 명령어 세트가 저장되는 구성이고, CPU는 롬에 저장된 명령어에 따라 예측장치(100)의 메모리에 저장된 운영체제를 램에 복사하고, O/S를 실행시켜 시스템을 부팅시킨다. 부팅이 완료되면, CPU는 메모리(103)에 저장된 각종 애플리케이션을 램에 복사하고, 실행시켜 각종 동작을 수행할 수 있다. 이상에서는 프로세서(105)가 하나의 CPU만을 포함하는 것으로 설명하였지만, 구현 시에는 복수의 CPU(또는 DSP, SoC 등)으로 구현될 수 있다.

본 발명의 일 실시 예에 따라, 프로세서(105)는 디지털 신호를 처리하는 디지털 시그널 프로세서(digital signal processor(DSP), 마이크로 프로세서(microprocessor), TCON(Time controller)으로 구현될 수 있다. 다만, 이에 한정되는 것은 아니며, 중앙처리장치(central processing unit(CPU)), MCU(Micro Controller Unit), MPU(micro processing unit), 컨트롤러(controller), 어플리케이션 프로세서(application processor(AP)), 또는 커뮤니케이션 프로세서(communication processor(CP)), ARM 프로세서 중 하나 또는 그 이상을 포함하거나, 해당 용어로 정의될 수 있다. 또한, 프로세서(105)는 프로세싱 알고리즘이 내장된 SoC(System on Chip), LSI(large scale integration)로 구현될 수도 있고, FPGA(Field Programmable gate array) 형태로 구현될 수도 있다.

도 3에 도시된 바와 같이, 예측장치(100)의 메모리(103)는 판정 모델을 기계 학습 알고리즘으로 생성하는 기록 수단(111), 및 모델 생성 수단(112)을 포함할 수 있다. 예측장치(100)의 메모리(103)는 사용자의 현재의 신체 계측 정보, 생활 습관 정보에 기인한 전립선암의 위험도의 변화 정도를 출력하는 등록 수단(121), 및 출력 수단(122)을 포함할 수 있다. 예측장치(100)의 메모리(103)는 하나 이상의 사용자들의 전립선암의 위험도의 변화 정도를 기준으로 그룹핑하고 커뮤니티를 생성하여 사용자들을 관리하는 커뮤니티 관리부(131), 및 위험도 랭킹 생성부(132), 실시간 갱신부(133), 알람 발생부(134), 교정 여부 입력부(135)를 포함할 수 있다.

기록 수단(111)은 전립선암이 발병된 사용자들의 인종, 연령, 유전 정보 및 가족력 정보와 신체 계측 정보, 생활 습관 정보 등을 기록한다. 기록 수단(111)은 전립선암 환자들로부터의 입력, 환자들의 의료진들로부터의 입력을 통해 기록된다. 기록 수단(111)은 전립선암이 발병되지 않은 사용자들의 인종, 연령, 유전 정보 및 가족력 정보와 신체 계측 정보, 생활 습관 정보 등을 기록할 수 있다. 기록 수단(111)은 전립선암에 걸리지 않은 비교군에 해당하는 사용자들을 확보하고, 해당 사용자들로부터 인종, 연령, 유전 정보 및 가족력 정보와 신체 계측 정보 및 생활 습관 정보 등을 기록할 수 있다. 여기서, 신체 계측 정보는 사용자의 신체와 관련된 정보로서, 체질량 지수, 허리 둘레, 등을 포함할 수 있다. 여기서, 생활 습관 정보는 사용자의 식이 습관, 운동 습관, 기타 습관 등과 같이 생활 속에서의 행동과 관련된 정보로서, 커피, 칼슘, 리코펜 및 어류 섭취량, 흡연 습관, 음주 습관, 신체 활동 관련 정보 등을 포함할 수 있다. 가족력 정보는 사용자의 가족, 친족 등에서 전립선암의 발병에 관한 정보를 말한다. 가족력 정보는 가족 중에서, 전립선암의 발생 여부, 발생 후 사망 여부, 발병 후 생존 기간, 5년 완치 여부, 10년 완치 여부 등을 포함할 수 있다. 기록 수단(111)은 사용자에 의한 입력을 통해 가족, 친족 중에 전립선암이 발병한 발병 사용자에 대한 정보를 포함하는 가족력 정보를 획득할 수 있다. 기록 수단(111)은 사용자들의 전립선암 발병 여부도 함께 기록하게 된다. 기록 수단(111)은 사용자 별로 전립선암에 대한 발명 여부, 완치 여부, 사망 여부 등을 사용자의 신체 계측 정보, 생활 습관 정보, 가족력 정보와 연계하여 기록할 수 있다.

기록 수단(111)에 의해 획득되는 전립선암 관련 인자에 해당하는 정보는 서버(200) 또는 사용자 단말(301)을 통해 변경될 수 있다. 기록 수단(111)은 사용자들의 인종, 연령, 유전 정보 및 가족력 정보와 신체 계측 정보, 생활 습관 정보, 또는 가족력 정보를 기록하는데 있어서, 각 개별 인자에 대한 속성 정보를 더 기록할 수 있다. 기록 수단(111)은 현재 이전의 임의의 시점에 정해져서 교정이 불가능한지(non-modifiable) 여부 또는 입력된 시점 이후의 사정 변경으로 인해 교정이 가능한지(modifiable) 여부에 대한 속성 정보를 각 신체 계측 정보, 생활 습관 정보, 가족력 정보의 각 정보 별로 기록할 수 있다.

모델 생성 수단(112)은 기록 수단(111)에 기록된 입력 데이터 및 출력 데이터를 기계 학습하여 판정 모델을 생성할 수 있다. 모델 생성 수단(112)은 먼저 입력 데이터 중에서, 사용자의 신체 계측 정보, 생활 습관 정보, 가족력 정보 중에서, 교정 가능한(modifiable) 위험 요인 및 교정 불가능한(non-modifiable) 위험 요인으로 구분하고, 교정 가능한 위험 요인들을 교사 데이터로 하여 기계 학습할 수 있다. 예를 들어, 신체 계측 정보에서 키는 교정 불가능한 위험 요인이고, 허리 둘레, 체질량 지수는 교정 가능한 위험 요인으로 설정될 수 있다. 생활 습관 정보는 교정 가능한 위험 요인으로, 연령, 인종, 유전 정보 및 가족력 정보는 교정 불가능한 위험 요인으로 설정될 수 있다. 모델 생성 수단(112)는 입력된 데이터들 중에서, 교정 가능한 위험 요인에 해당하는 입력 데이터 및 출력 데이터를 반복적으로 입력 받아 기계학습한 후 판정 모델을 생성할 수 있다. 선택적으로, 모델 생성 수단(112)은 판정 모델을 인종 별로 구분하여 생성할 수 있다. 판정 모델은 입력 데이터에 포함된 복수의 인자들의 히든 속성들을 추출하고, 추출한 히든 속성들 사이의 상관 관계를 학습하고 최종적으로 입력 데이터 및 출력 데이터 사이의 확률적 상관 관계를 학습할 수 있다. 판정 모델은 입력 데이터 중에 신체 계측 정보 및 생활 습관 정보에 포함된 복수의 인자들에서 출력 데이터인 전립선암의 위험도와 양의 연관성 또는 음의 연관성을 보이는 인자들로 구분할 수 있다. 기록 수단(111)은 다양한 전자 장치들을 통해 판정 모델의 입력 데이터 및 출력 데이터의 셋트를 수신하게 된다.

등록 수단(121)은 제1 사용자의 신체 계측 정보, 생활 습관 정보, 가족력 정보를 등록한다. 등록 수단(121)은 판정 모델에서 전립선암 위험도의 변화 정도와 관련되어 결정된 입력 데이터를 등록하는 수단이다. 등록 수단(121)은 실시간으로 판정 모델로부터 입력 데이터에 속하는 인자들을 등록하게 된다.

출력 수단(122)은 판정 모델을 이용하여 등록 수단(121)에 등록된 입력 데이터에 대한 전립선암 위험도의 변화 정도를 출력한다. 출력 수단(122)은 전립선암 위험도의 변화 정도를 하나 이상의 값 및 값에 대한 확률값으로 표현할 수 있다.

출력 수단(122)은 판정 모델에서 제공하는 정방향 또는 역방향 상관 관계의인자들을 이용하여 사용자들에게 경고 메시지를 제공할 수 있다. 출력 수단(122)은 사용자에 의해 소지한 사용자 단말을 통해 획득된 실시간 생활 습관 정보에 대해서 경고 메시지를 생성할 수 있다.

출력 수단(122)은 사용자의 전립선암의 위험도의 변화 정도를 ‘증가’, ‘유지’, ‘감조’ 중 하나로 결정한다. 출력 수단(122)은 전립선암 위험도의 변화 정도를 감소시키는데 고려되는 팩터(인자, factor)를 사용자의 신체 계측 정보, 생활 습관 정보, 및 가족력 정보 중에서 선별하여 출력할 수 있다. 출력 수단(122)은 전립선암 위험도의 변화 정도를 감소시키는 팩터들(인자들) 및 팩터들의 보완 사항을 포함하여 제공할 수 있다.

등록 수단(121)은 사용자 단말에 설치된 프로그램을 통해서 사용자들의 생활습관 정보를 실시간으로 등록할 수 있다. 선택적으로, 등록 수단(121)은 사용자들의 구매 정보들, 사용자들의 신체 활동 점수, 사용자들의 위치 정보 등을 수신하고, 사용자들의 구매 정보들, 사용자들의 신체 활동 점수, 사용자들의 위치 정보 등을 이용하여 사용자들의 생활 습관 정보들을 갱신할 수 있다. 예컨대, 커피 구매 정보, 주류 구매 정보, 걸음수 또는 심박수 등의 건강 데이터, 헬스 클럽 방문 정보 등을 수집하여 전송하는 프로그램을 통해 생활 습관 정보와 관련된 정보들을 획득할 수 있다.

출력 수단(122)은 등록 수단(121)을 통해 획득된 실시간 생활 습관 정보를 기초로 사용자의 전립선암 위험도의 변화 정도를 재 산출하고, 전립선암 위험도의 변화 정도를 각 사용자의 단말로 전송할 수 있다.

커뮤니티 관리부(131)는 사용자들의 위험도의 변화 정도에 따라서 클러스터링하고, 동일한 변화 정도를 가지는 사용자들을 하나의 그룹으로 분류할 수 있다. 예컨대, 전립선암의 위험도가 증가하는 변화 정도를 가지는 제1 그룹, 전립선암의 위험도가 감소하는 변화 정도를 가지는 제2 그룹, 전립선암의 위험도가 거의 일정하게 유지되는 변화 정도를 가지는 제3 그룹 등으로 사용자들을 분류할 수 있다. 커뮤니티 관리부(131)는 각 그룹에 대한 커뮤니티를 자동적으로 생성할 수 있다. 전립선암의 위험도가 증가하다가 감소하는 사용자의 그룹은 자동적으로 증가 그룹에서 감소 그룹으로 변경될 수 있다.

다른 실시예에서, 커뮤니티 관리부(131)는 변화 정도 뿐만 아니라 변화량을 기준으로 사용자들을 분류할 수 있다. 예를 들어, 위험도가 10% 만큼 증가한 그룹, 20% 만큼 증가한 그룹, 또는 10% 만큼 감소한 그룹을 각각 생성할 수 있다.

커뮤니티 관리부(131)는 전립선암의 위험도의 변화 정도, 변화량 및 동일한 생활 습관 정보(음주, 신체활동 등)을 가지는 사용자들을 하나의 정보 공유 커뮤니티로 묶어 관리할 수 있다.

위험도 랭킹 생성부(132)는 정보 공유 커뮤니티에 속하는 복수의 사용자들의 전립선암 위험도들을 랭킹화한 랭킹 데이터를 생성할 수 있다. 위험도 랭킹 데이터는 실시간으로 수신된 생활 습관 정보들에 기초하여 변경될 수 있다.

실시간 갱신부(133)는 예측장치(100)에 구비되거나 전기적으로 연결된 입력부 또는 센서부를 통해 획득된 센싱값을 가지고 주기적으로 신체 계측 정보, 생활 습관 정보 등을 갱신하고 실시간으로 전립선암 위험도의 변화 정도를 산출하여 출력할 수 있다. 실시간 갱신부(133)는 전립선암 위험도의 변화 방향이 증가에서 감소로 바뀐 경우, 각 사용자의 계정으로 리워드를 적립시키고, 전립선암 위험도의 변화 방향이 감소에서 증가로 바뀐 경우, 경고 메시지를 출력시킨다. 경고 메시지는 전립선암 위험도의 변화 방향에 대한 정보, 변화 방향의 변경의 원인이 되는 하나 이상의 정보를 포함할 수 있다.

알람 발생부(134)는 예측장치(100)에 구비되거나 전기적으로 연결된 입력부 또는 센서부를 통해 획득된 센싱값을 가지고 주기적으로 신체 계측 정보, 생활 습관 정보 등을 갱신하고 실시간으로 전립선암 위험도의 변화 정도를 산출하고 전립선암 위험도의 변화 정도가 기 설정된 값 이상인 경우에는 알람을 출력하도록 구현할 수 있다.

교정 여부 입력부(135)는 인종, 연령, 유전 정보 및 가족력 정보와 신체 계측 정보, 생활 습관 정보의 하위 정보에 대한 교정 가능 여부, 교정 불가 여부를 입력할 수 있다. 교정 여부 입력부(135)는 서버(200)에 등록된 각 하위 정보의 교정 가능 여부 또는 교정 불가 여부를 변경하는 입력을 수신받아 서버(200)에 등록 시킬 수 있다.

도 4 내지 도 8은 본 발명의 실시예들에 따른 전립선암의 위험도 변화 정도를 예측하는 방법의 흐름도들이다.

도 4에 도시된 바와 같이, S110에서는 예측 장치(100)는 사용자들의 인종, 연령, 유전 정보 및 가족력 정보와 신체 계측 정보, 생활 습관 정보, 가족력 정보들을 기록한다.

S120에서는 예측 장치(100)는 인종, 연령, 유전 정보 및 가족력 정보와 사용자들의 성별, 연령, 체질량 지수, 허리 둘레 등을 포함하는 신체 계측 정보, 커피, 칼슘, 리코펜 및 어류 섭취량, 흡연 습관, 음주 습관, 신체 활동을 포함하는 생활 습관 정보를 이용하여 전립선암 여부를 분류하기 위한 교사 데이터로서 이용하고, 입력을 신체 계측 정보, 생활 습관 정보로 하고 출력을 사용자의 전립선암 위험도 및 위험도의 변화 정도로 하는 판정 모델을 기계 학습에 의해 생성할 수 있다.

S130에서는 예측 장치(100)는 기계 학습에 의해 생성된 판정 모델을 이용하여 제1 사용자의 신체 계측 정보, 생활 습관 정보, 가족력 정보를 등록시켰다.

S140에서는 예측 장치(100)는 기계 학습에 의해 생성된 판정 모델을 이용하여 입력된 신체 계측 정보, 생활 습관 정보, 가족력 정보로부터 추정되는 제1 사용자의 전립선암 위험도 및 위험도의 변화 정도를 출력한다.

도 5에 도시된 바와 같이, 예측 장치(100)는 교정 가능한 성격의 생활 습관 정보와 관련한 구매 정보, 위치 정보, 위치 정보의 변화 패턴, 심박수, 심박수의 변화 패턴, 일별 걸음수, 혈당값 등을 주기적으로 갱신하고 사용자의 생활 습관 정보를 자동적으로 산출할 수 있다. 다시 산출한 생활 습관 정보를 기초로 사용자의 전립선암 위험도 및 위험도의 변화 정보가 주기적으로 산출할 수 있다.

S210에서는 예측 장치(100)는 사용자들의 구매 정보들을 수신한다. 예측 장치(100)는 구매 정보 뿐만 아니라 신체 활동 점수, 위치 정보 등을 수신할 수 있다. 예측 장치(100)는 사용자 단말에 설치된 프로그램을 통해 전립선암의 위험도의 변화 정도에 영향을 미치는 교정 가능한 성격을 가지는 정보 등을 획득할 수 있다. 예를 들면, 사용자의 신체 계측 정보(허리 둘레, 체질량 지수, 등), 생활 습관 정보(커피, 칼슘, 리코펜 및 어류 섭취량, 흡연 습관, 음주 습관, 신체 활동 등)의 정보 등을 획득할 수 있다.

S220에서는 예측 장치(100)는 사용자 단말기 또는 사용자가 방문한 구매플랫폼에 의해 획득된 사용자들의 구매 정보들을 이용하여 사용자들의 생활 습관 정보들을 갱신할 수 있다. 여기서, 사용자들의 구매 정보는 사용자에 의해 이루어진 구매 행위와 관련된 정보를 말한다. 구매 정보는 사용자 단말기로 수신된 메시지(SMS 메시지, 푸쉬 메시지 등)로부터 추출되거나 사용자에 의해 입력된 정보로부터 추출될 수 있다. 예측 장치(100)는 커피 구매 정보로부터 커피 섭취량을 산출하고, 주점 방문 정보, 주류 구매 정보로부터 음주 습관을 산출하고, 사용자 단말기의 위치 정보 및 건강 정보(일별 걸음수, 이동 속도 및 이동 경로, 심박수, 심박수의 변화 패턴, 혈당 값 등)로부터 신체 활동과 관련된 정보를 산출할 수 있다. 신체 활동과 관련된 정보는 일 단위의 칼로리 소모량으로 변환될 수 있다.

S230에서는 예측 장치(100)는 사용자들의 생활 습관 정보들을 기초로 사용자들의 전립선암 위험도 및/또는 위험도의 변화 정도를 산출할 수 있다. 예측 장치(100)는 판정 모델에 갱신된 사용자들의 생활 습관 정보들을 입력하고 판정 모델로부터 전립선암 위험도 및/또는 위험도의 변화 정보를 출력할 수 있다.

S240에서는 예측 장치(100)는 사용자들의 전립선암의 위험도의 변화 정도, 변화의 방향(증가, 또는 감소), 및 동일한 생활 습관 정보 중 적어도 하나를 고려하여 사용자들을 클러스터링할 수 있다. 예컨대, 예측 장치(100)는 전립선암의 위험도의 변화의 방향이 증가이고, 전립선암의 위험도의 변화 정도가 제1 정도이고, 커피 섭취량, 음주 습관이 동일한 사용자들을 하나의 그룹으로 클러스터링할 수 있다. 예측 장치(100)는 변화의 방향이 감소이고 변화 정도가 제2 정도이고 신체활동이 동일한 사용자들을 하나의 그룹으로 클러스터링할 수 있다.

예측 장치(100)는 동일한 생활 습관 정보를 가지고 전립선암의 위험도의 변화 패턴이 동일한 사용자들을 하나의 그룹으로 클러스터링할 수 있다.

S250에서는 예측 장치(100)는 동일한 전립선암의 위험도의 변화 정도, 변화의 방향성, 및 동일한 생활 습관 정보 중 적어도 하나를 가지는 사용자들을 하나의 그룹으로 분류하고, 그룹에 속하는 사용자들을 하나의 정보 공유 커뮤니티로 자동적으로 생성할 수 있다.

도 6에 도시된 바와 같이, 예측 장치(100)는 전립선암의 위험도의 변화 정도, 변화의 방향성, 동일한 생활 습관 정보를 가지는 사용자들의 그룹 사이에 생활 습관과 관련된 정보를 공유하고 전립선암의 위험도를 낮추는 습관의 실행을 감시하여 사용자들의 전립선암의 위험도를 관리할 수 있다.

S310에서는 예측 장치(100)는 하나의 정보 공유 커뮤니티에 포함된 제1 사용자의 구매 정보 및 제2 사용자의 구매 정보를 획득할 수 있다.

예측 장치(100)는 정보 공유 커뮤니티에 포함된 제1 사용자의 신체 활동 정보 및 제2 사용자의 신체 활동 정보를 획득할 수 있다. 예측 장치(100)는 정보 공유 커뮤니티에 포함된 제1 사용자의 위치 정보 및 제2 사용자의 위치 정보를 실시간으로 획득하여 제1 사용자의 신체 활동 정보 및 제2 사용자의 신체 활동 정보를 산출할 수 있다.

S320에서는 예측 장치(100)는 판정 모델을 이용하여 제1 사용자의 구매 정보(신체활동정보 또는 위치 정보)와 대응되는 제1 생활 습관 정보 및 제2 사용자의 구매 정보(신체활동정보 또는 위치 정보)와 대응되는 제2 생활 습관 정보를 결정할 수 있다. 예측 장치(100)는 제1 사용자의 구매 정보를 기초로 커피 섭취량, 음주 습관, 흡연 습관을 산출하고, 위치 정보 및 위치 정보의 변화 패턴, 심박수, 심박수의 변화 패턴, 일별 걸음수, 혈당 값을 기초로 제1 사용자의 신체활동을 산출할 수 있다. 예측 장치(100)는 제1 사용자의 커피 섭취량, 음주 습관, 흡연 습관, 신체활동을 포함하는 제1 생활 습관 정보를 출력할 수 있다.

예측 장치(100)는 제2 사용자의 구매 정보를 기초로 커피 섭취량, 음주 습관, 흡연 습관을 산출하고, 위치 정보 및 위치 정보의 변화 패턴, 심박수, 심박수의 변화 패턴, 일별 걸음수, 혈당값을 기초로 제2 사용자의 신체활동을 산출할 수 있다. 예측 장치(100)는 제2 사용자의 커피 섭취량, 음주 습관, 흡연 습관, 신체활동을 포함하는 제2 생활 습관 정보를 출력할 수 있다. S330에서는 예측 장치(100)는 판정 모델을 이용하여 제1 생활 습관 정보에 대한 전립선암의 위험도의 제1 변화 정도 및 제2 생활 습관 정보에 대한 전립선암의 위험도의 제2 변화 정도를 산출한다. 예측 장치(100)는 제1 사용자에 대해서 이전에 등록된 생활 습관 정보와 제1 생활 습관 정보를 비교하여 제1 사용자의 전립선암의 위험도의 제1 변화 정보를 산출할 수 있다. 예측 장치(100)는 제2 사용자에 대해서 이전에 등록된 생활 습관 정보와 제2 생활 습관 정보를 비교하여 제2 사용자의 전립선암의 위험도의 제2 변화 정보를 산출할 수 있다.

S340에서는 예측 장치(100)는 제1 및 제2 변화 정도를 적용하여 제1 사용자의 전립선암 위험도 및 제2 사용자의 전립선암 위험도를 업데이트 한다.

S350에서는 예측 장치(100)는 정보 공유 커뮤니티 내에서, 제1 사용자 및 제2 사용자의 위험도를 적용하여 위험도 랭킹 데이터를 조정한다. 예측 장치(100)는 커피 섭취량, 음주 습관, 흡연 습관, 신체활동 등을 주기적으로 업데이트하고 업데이트된 정보를 기초로 다시 산출된 제1 및 제2 사용자의 위험도를 적용한 위험도 랭킹 데이터를 생성할 수 있다.

도 7에 도시된 바와 같이, S410에서는 예측 장치(100)는 정보 공유 커뮤니티에 포함된 제1 사용자의 제1-1 구매 정보(신체활동정보 또는 위치 정보) 및 제1-2 구매 정보(신체활동정보 또는 위치 정보)를 획득한다.

S420에서는 예측 장치(100)는 판정 모델을 이용하여 제1-1 구매 정보(신체활동정보 또는 위치 정보)와 대응되는 제1-1 생활 습관 정보 및 제1-2 구매 정보(신체활동정보 또는 위치 정보)와 대응되는 제1-2 생활 습관 정보를 결정할 수 있다.

S430에서는 예측 장치(100)는 판정 모델을 이용하여 제1-1 생활 습관 정보에 대한 제1-1 변화 정도 및 제1-2 생활 습관 정보에 대한 제1-2 변화 정도를 산출한다.

S440에서는 예측 장치(100)는 정보 공유 커뮤니티 내에서, 제1 사용자의 위험도 랭킹을 조정할 수 있다.

도 8에 도시된 바와 같이, S510에서는 예측 장치(100)는 정보 공유 커뮤니티에 포함된 복수의 사용자들 사이의 위험도 랭킹을 생성한다. S520에서는 예측 장치(100)는 판정 모델에 각 사용자의 단말에서 수집된 구매 정보들을 입력하여 각 사용자의 전립선암 위험도의 변화 정도를 산출한다.

S530에서는 예측 장치(100)는 산출된 사용자들의 위험도의 변화 정도를 반영한 위험도 랭킹을 업데이트할 수 있다.

한편, 상술한 본 발명의 다양한 실시 예들에 따른 방법들은, 기존 전자 장치에 설치 가능한 어플리케이션 형태로 구현될 수 있다.

또한, 상술한 본 발명의 다양한 실시 예들에 따른 방법들은, 기존 전자 장치에 대한 소프트웨어 업그레이드, 또는 하드웨어 업그레이드 만으로도 구현될 수 있다.

또한, 상술한 본 발명의 다양한 실시예들은 전자 장치에 구비된 임베디드 서버, 또는 전자장치의 외부 서버를 통해 수행되는 것도 가능하다.

한편, 본 발명의 일 실시예에 따르면, 이상에서 설명된 다양한 실시예들은 소프트웨어(software), 하드웨어(hardware) 또는 이들의 조합을 이용하여 컴퓨터(computer) 또는 이와 유사한 장치로 읽을 수 있는 기록매체(computer readable recording medium)에 저장된 명령어를 포함하는 소프트웨어로 구현될 수 있다. 일부 경우에 있어 본 명세서에서 설명되는 실시예들이 프로세서 자체로 구현될 수 있다. 소프트웨어적인 구현에 의하면, 본 명세서에서 설명되는 절차 및 기능과 같은 실시 예들은 별도의 소프트웨어 모듈들로 구현될 수 있다. 소프트웨어 모듈들 각각은 본 명세서에서 설명되는 하나 이상의 기능 및 동작을 수행할 수 있다.

한편, 컴퓨터(computer) 또는 이와 유사한 장치는, 저장 매체로부터 저장된 명령어를 호출하고, 호출된 명령어에 따라 동작할 수 있는 장치로서, 개시된 실시 예들에 따른 장치를 포함할 수 있다. 상기 명령이 프로세서에 의해 실행될 경우, 프로세서가 직접, 또는 상기 프로세서의 제어 하에 다른 구성요소들을 이용하여 상기 명령에 해당하는 기능을 수행할 수 있다. 명령은 컴파일러 또는 인터프리터에 의해 생성 또는 실행되는 코드를 포함할 수 있다.

기기로 읽을 수 있는 기록매체는, 비일시적 기록매체(non-transitory computer readable recording medium)의 형태로 제공될 수 있다. 여기서, '비일시적'은 저장매체가 신호(signal)를 포함하지 않으며 실재(tangible)한다는 것을 의미할 뿐 데이터가 저장매체에 반영구적 또는 임시적으로 저장됨을 구분하지 않는다. 이때 비일시적 컴퓨터 판독 가능 매체란 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 비일시적 컴퓨터 판독 가능 매체의 구체적인 예로는, CD, DVD, 하드 디스크, 블루레이 디스크, USB, 메모리카드, ROM 등이 있을 수 있다.

이와 같이 본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 당해 기술분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 진정한 기술적 보호 범위는 첨부된 청구범위의 기술적 사상에 의하여 정해져야 할 것이다.

Claims (8)

1. 사용자들의 전립선암의 위험 요인들에 대한 정보를 기록하는 기록 수단,
   사용자들의 인종, 연령, 유전 정보 및 가족력 정보와 체질량 지수, 허리 둘레, 등을 포함하는 신체 계측 정보, 사용자들의 커피, 칼슘, 리코펜 및 어류 섭취량, 흡연 습관, 음주 습관, 신체 활동 중 적어도 하나를 포함하는 생활 습관 정보와 전립선암 이환 여부를 교사 데이터로서 이용하고, 입력을 인종, 연령, 유전 정보 및 가족력 정보, 신체 계측 정보, 생활 습관 정보 중 적어도 하나로 하고, 출력을 사용자의 전립선암 위험도로 하는 판정 모델을 기계학습에 의해 생성하되,
   상기 신체 계측 정보, 상기 생활 습관 정보, 상기 가족력 정보 중에서, 교정 가능한 위험 요인 및 교정 불가능한 위험 요인으로 구분하고 상기 교정 가능한 위험 요인을 입력 데이터로 하여 기계학습한 상기 판정 모델을 생성하는 모델 생성 수단과,
   제1 사용자의 인종, 연령, 유전 정보 및 가족력 정보, 신체 계측 정보, 생활 습관 정보 등을 등록하되,
   제1 사용자 단말에 설치된 프로그램을 통해서 상기 제1 사용자의 생활 습관 정보를 실시간으로 등록하는 등록 수단과,
   상기 모델 생성 수단에 의해 입력 정보의 변화에 따른 전립선 위험도의 변화 정도를 예측하는 판정 모델을 이용하여 상기 등록 수단에 입력된 신체 계측 정보, 생활 습관 정보, 가족력 정보로부터 예측되는 전립선암 위험도의 변화 정도를 출력하되,
   상기 등록 수단을 통해 획득된 상기 제1 사용자의 실시간 생활 습관 정보를 기초로 상기 제1 사용자의 전립선암 위험도의 변화 정도를 재 산출하고, 상기 전립선암 위험도의 변화 정도를 상기 제1 사용자 단말로 전송하는 출력 수단을 구비하는 전립선암 위험도의 변화 정도 예측 시스템.
   
2. 제1항에 있어서,
   상기 출력 수단은
   상기 제1 사용자의 전립선암 위험도의 변화 정도를 '증가', '유지', '감소' 중 하나로 결정하는, 전립선암 위험도의 변화 정도 예측 시스템.
   
3. 제1항에 있어서,
   상기 출력 수단은
   상기 전립선암 위험도의 변화 정도를 감소시키는데 고려되는 팩터(factor)를 상기 제1 사용자의 신체 계측 정보 및 생활 습관 정보 중에서 선별하여 출력하는, 전립선암 위험도의 변화 정도 예측 시스템.
   
4. 제1항에 있어서,
   상기 출력 수단은
   상기 전립선암 위험도의 변화 정도를 감소시키는 팩터들 및 팩터들의 보완 사항을 포함하여 제공하는, 전립선암 위험도의 변화 정도 예측 시스템.
   
5. 예측 시스템은 사용자들의 신체 계측 정보, 생활 습관 정보, 가족력 정보를 기록하는 단계;
   상기 예측 시스템은 사용자들의 인종, 연령, 유전 정보 및 가족력 정보와 체질량 지수, 허리 둘레 등을 포함하는 신체 계측 정보, 사용자들의 커피, 칼슘, 리코펜 및 어류 섭취량, 흡연 습관, 음주 습관, 신체 활동 중 적어도 하나를 포함하는 생활 습관 정보와 전립선암 이환 여부를 교사 데이터로서 이용하고, 입력을 인종, 연령, 유전 정보 및 가족력 정보, 신체 계측 정보, 생활 습관 정보 중 적어도 하나로 하고, 출력을 사용자의 전립선암 위험도로 하는 판정 모델을 기계학습에 의해 생성하되,
   상기 신체 계측 정보, 상기 생활 습관 정보, 상기 가족력 정보 중에서, 교정 가능한 위험 요인 및 교정 불가능한 위험 요인으로 구분하고 상기 교정 가능한 위험 요인을 입력 데이터로 하여 기계학습하여 상기 판정 모델을 생성하는 단계;
   상기 예측 시스템은 제1 사용자의 신체 계측 정보, 생활 습관 정보, 및 가족력 정보를 등록하는 단계;
   상기 예측 시스템은 모델 생성 수단에 의해 입력 정보의 변화에 따른 전립선 위험도의 변화 정도를 예측하는 판정 모델을 이용하여 등록 수단에 입력된 신체 계측 정보, 생활 습관 정보, 가족력 정보로부터 예측되는 전립선암 위험도의 변화 정도를 출력하되,
   상기 등록 수단을 통해 획득된 상기 제1 사용자의 실시간 생활 습관 정보를 기초로 상기 제1 사용자의 전립선암 위험도의 변화 정도를 재 산출하고, 상기 전립선암 위험도의 변화 정도를 상기 제1 사용자 단말로 전송하는 단계를 포함하는, 전립선암 위험도의 변화 정도 예측 방법.
   
6. 제5항에 있어서,
   상기 출력하는 단계는
   상기 제1 사용자의 전립선암 위험도의 변화 정도를 '증가', '유지', '감소' 중 하나로 결정하는, 전립선암 위험도의 변화 정도 예측 방법.
   
7. 제6항에 있어서,
   상기 출력하는 단계는
   상기 전립선암 위험도를 감소시킬 것으로 고려되는 팩터(factor)를 상기 제1 사용자의 신체 계측 정보, 생활 습관 정보, 및 가족력 정보 중에서 선별하여 출력하는, 전립선암 위험도의 변화 정도 예측 방법.
   
8. 제6항에 있어서,
   상기 출력하는 단계는
   상기 전립선암 위험도의 변화 정도를 감소시키는 팩터들 및 팩터들의 보완 사항을 포함하여 제공하는, 전립선암 위험도의 변화 정도 예측 방법.
   

Images