KR102310888B1 - 사망 위험도에 대한 정보 제공 방법 및 이를 이용한 디바이스 - Google Patents

사망 위험도에 대한 정보 제공 방법 및 이를 이용한 디바이스 Download PDF

Info

Publication number
KR102310888B1
KR102310888B1 KR1020190126902A KR20190126902A KR102310888B1 KR 102310888 B1 KR102310888 B1 KR 102310888B1 KR 1020190126902 A KR1020190126902 A KR 1020190126902A KR 20190126902 A KR20190126902 A KR 20190126902A KR 102310888 B1 KR102310888 B1 KR 102310888B1
Authority
KR
South Korea
Prior art keywords
data
risk
death
subject
mortality
Prior art date
Application number
KR1020190126902A
Other languages
English (en)
Other versions
KR20210043941A (ko
Inventor
김한상
박종혁
오성우
신민규
고령은
Original Assignee
연세대학교 산학협력단
사회복지법인 삼성생명공익재단
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 연세대학교 산학협력단, 사회복지법인 삼성생명공익재단 filed Critical 연세대학교 산학협력단
Priority to KR1020190126902A priority Critical patent/KR102310888B1/ko
Publication of KR20210043941A publication Critical patent/KR20210043941A/ko
Application granted granted Critical
Publication of KR102310888B1 publication Critical patent/KR102310888B1/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
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/20—ICT specially adapted for the handling or processing of medical references relating to practices or guidelines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • 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
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Bioethics (AREA)
  • Game Theory and Decision Science (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

본 명세서에서는, 개체에 대한 생체 신호 데이터, 생물학적 시험 데이터, 의료적 처치 데이터의 개체 데이터를 수신하고, 개체 데이터를 기초로, 사망 위험도를 예측하도록 구성된 사망 위험도 예측 모델을 이용하여, 개체에 대한 사망 위험도를 예측하고, 개체에 대하여 예측된 사망 위험도를 제공하고, 사망 위험도가 미리 결정된 시간 이내의 사망 발생의 위험도로 정의되고, 개체가, 암 발병된 개체인, 사망 위험도에 대한 정보 제공 방법 및 이를 이용한 사망 위험도 예측용 디바이스가 제공된다.

Description

사망 위험도에 대한 정보 제공 방법 및 이를 이용한 디바이스{METHODS FOR PROVIDING INFORMATION OF MORTALITY RISK AND DEVICES FOR PROVIDING INFORMATION OF MORTALITY RISK USING THE SAME}
본 발명은 사망 위험도에 대한 정보 제공 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.
의료 서비스를 이용하는 많은 환자들은 치명적인 질환에 쉽게 노출되기 쉽고 경우에 따라 지속적인 건강상태의 체크와 이에 따른 조치를 필요로 한다. 특히, 암 환자와 같은 요주의 환자들은 환자의 상태에 대한 지속적인 관찰이 보다 중요할 수 있다.
보다 구체적으로, 다양한 치료 방법을 병행하는 암 치료는 여러 가지 부작용을 포함하고 있어, 암 환자의 경우, 다른 질환에 비해 재발 가능성이 높기 때문에 여러 가지 기타 위험 요인들을 고려한 맞춤형 관리가 필요하다.
한편, 암 환자의 증가에 따라, 암 관련 합병증 또는 치료 후 나타나는 부작용으로 인한, 중환자실 입실 치료 또한 증가하고 있는 실정이다. 그러나, 암 환자의 중환자실 입실의 경우, 좋은 치료 예후를 기대하기 어렵거나, 다른 위험 요인에 노출될 수 있다. 예를 들어, 입원의 목적, 악성 종양의 종류, 중환자 실 입원 시 장기 부전 수, 기계적 인공 호흡기 착용, 침습성 곰팡이 감염 및 패혈성 쇼크 등의 요인이 중환자실에서 암 환자의 예후에 영향을 줄 수 있다.
즉, 암 환자를 중환자실에 입실시킬 것인지를 결정하고, 나아가, 암 환자들의 생명 유지를 위한 치료의 잠재성을 평가하는 의사 결정은, 매우 중요하고도 어려운 일일 수 있다. 특히, 회복 전망을 가진 환자에 대한, 중환자실 내에서의 집중 치료의 기회를 보장하고, 회복 가능성이 낮은 환자의 경우, 환자뿐만 아니라 가족이 불 필요한 고통을 받지 않기 위해서, 정확한 예후 예측이 매우 중요할 수 있다.
한편, 적절한 중환자실에서의 집중 치료의 활용을 위한 의사 결정 기준에 중점을 둔 여러 출판물들이 공개되었지만, 제안된 의사 결정 기준은 상대적으로 많은 위험 요인들을 갖는 암 환자에 대하여 명확하지 않을 수 있다. 이에, 암 환자의 경우, 여전히 중환자실 입실 및/또는 계속 치료를 해야 할지에 대한 불확실성이 남아있다.
따라서, 의사, 환자 및 가족이 치료 목표를 결정하고, 정확하게 의사 결정을 하는 것에 있어서, 치료 예후, 나아가 사망 위험도에 대한 정보를 제공할 수 있는 시스템의 개발이 지속적으로 요구되고 있는 실정이다.
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.
선행문헌: 공개특허공보 제10-2019-0106004호(20190918)
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.
보다 구체적으로, 본 발명의 발명자들은 환자들, 특히 암 환자들로부터 획득할 수 있는 다양한 임상적 데이터의 변화가, 사망, 낮은 회복 가능성과 같은 안 좋은 예후와 연관성을 가질 수 있음에 주목하였다.
결과적으로, 본 발명의 발명자들은, 생체 신호 데이터와 함께, 젖산 수준과 같은 암과 연관될 수 있는 인자들의 수준을 포함하는 생물학적 시험 데이터, 의료적 처치 데이터의 임상적 데이터들이 환자, 특히 암 환자에 대한 사망 위험도를 예측하는 것에 이용될 수 있음을 인지할 수 있었다.
한편, 본 발명의 발명자들은, 사망 위험도의 예측과 관련하여, 개체의 입실 타입, 합병증 여부가 사망 위험도와 연관이 있음에 더욱 주목하였다.
결과적으로, 본 발명의 발명자들은 이들 입실 타입과 합병증 데이터와 같은 개체의 데이터들을 사망 위험도의 예측에 더욱 고려하고자 하였다.
그 결과, 본 발명의 발명자들은 개체로부터 획득한 생체 신호 데이터, 생물학적 시험 데이터, 의료적 처치 데이터, 나아가, 입실 타입 데이터 및 합병증 데이터의 임상적 데이터에 기초한 사망 위험도 예측 시스템을 개발하기에 이르렀다.
한편, 본 발명의 발명자들은, 새로운 사망 위험도 예측 시스템에 대하여, 개체의 생체 신호 데이터, 생물학적 시험 데이터, 의료적 처치 데이터, 나아가, 발병 암의 타입 데이터 및 합병증 데이터의 임상적 데이터를 기초로 사망 위험도를 예측하도록 학습된 예측 모델을 적용할 수 있었다.
특히, 본 발명의 발명자들은, 다양한 임상적 데이터 중 사망 위험도를 예측하는 것에 연관도가 큰 임상적 데이터 또는, 생존을 예측하는 것에 연관도가 큰 임상적 데이터를 필터링하였고, 이를 예측 모델의 학습에 적용하고자 하였다. 이를 통해, 본 발명의 발명자들은 예측 모델의 사망 위험도의 예측의 진단 능력 향상을 기대할 수 있었다.
결과적으로, 사망 위험도 예측 모델에 기초한 새로운 사망 위험도 예측 시스템은, 개체에 대하여 정확도 및 신뢰도 높은 예측 정보를 조기에 제공할 수 있었다.
본 발명의 발명자들은 이러한 사망 위험도 예측 시스템 개발을 통해, 환자 특히 암 환자에 대한 중환자실 입실 여부를 결정하는 의사 결정을 위한 정보를 제공할 수 있음을 기대할 수 있었다. 나아가, 본 발명의 발명자들은 상기 와 같은 사망 위험도 예측 시스템이 환자의 상태에 대하여 빠르게 감지하고 사망과 같은 응급 상황을 미리 인지하여, 환자에 대한 처치 시점을 앞당겨 치료 성과를 높일 수 있음을 기대할 수 있었다. 이에, 본 발명의 발명자들은, 무분별한 치료 비용의 감소와 함께, 암 환자의 생존률 증가에 기여할 수 있음을 더욱 기대할 수 있었다.
이에, 본 발명이 해결하고자 하는 과제는, 수신된 개체에 대한 생체 신호 데이터, 생물학적 시험 데이터, 및 의료적 처치 데이터의 개체 데이터를 기초로, 사망 위험도를 예측하도록 학습된 사망 위험도 예측 모델을 이용하여, 개체에 대한 사망 위험도를 예측하는, 사망 위험도에 대한 정보 제공 방법 및 이를 이용한 디바이스를 제공하는 것이다.
본 발명이 해결하고자 하는 다른 과제는, 원발암의 종류 데이터, 입실 타입 데이터 및 합병증 데이터를 더 수신하고, 이들 데이터를 기초로, 사망 위험도 예측 모델을 이용하여, 개체에 대한 사망 위험도를 더 예측하도록 구성된, 사망 위험도에 대한 정보 제공 방법 및 이를 이용한 디바이스를 제공하는 것이다.
본 발명의 과제들은 이상에서 언급한 과제들로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
전술한 바와 같은 과제를 해결하기 위해, 본 발명의 일 실시예에 따른 사망 위험도에 대한 정보 제공 방법이 제공된다. 이때, 본 발명의 사망 위험도에 대한 정보 제공 방법은, 프로세서에 의해 구현되는 방법으로, 개체에 대한, 생물학적 시험 데이터, 생체 신호 데이터, 및 의료적 처치 데이터를 포함하는, 개체 데이터를 수신하는 단계, 개체 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, 사망 위험도는, 미리 결정된 시간 이내의 사망 발생의 위험도로 정의되고, 개체는, 암 발병된 개체이다.
본 발명의 특징에 따르면, 생물학적 시험 데이터는, BUN (blood urea nitrogen) 수준, PaO2/FiO2 비율, SO2 수준, PT (INR) (Prothrombin Time (International Normalization Ratio)), NLR (Neutrophil to lymphocyte ratio), 젖산 (Lactate) 수준, 알부민 (Albumin) 수준, 림프구 수 (Lymphocyte count), PLR (Platelet-to-lymphocyte ratio), aPTT (activated partial thromboplastin time), 혈소판 수 (Platelet count), pH 및 헤모글로빈 (Hemoglobin) 수준 중 적어도 하나일 수 있다.
본 발명의 다른 특징에 따르면, 생물학적 시험 데이터는, BUN 수준, PaO2/FiO2 비율, SO2 수준, PT(INR), 젖산 수준, 알부민 수준, pH 및 헤모글로빈 수준을 포함할 수 있다. 이때, 개체 데이터를 수신하는 단계 이후에 수행되는, BUN 수준, PaO2/FiO2 비율, 젖산 수준, 알부민 수준, 및 pH에 대하여 가중치를 부여하는 단계가 더 수행될 수 있다.
본 발명의 또 다른 특징에 따르면, 생체 신호 데이터는, 심박수 (Heart rate), 동맥압 (arterial pressure), 호흡수 (respiratory rate), 체온 (body temperature), 요배설량 (Urine output) 및 GSC (Glasgow Coma Scale) 중 적어도 하나일 수 있다.
본 발명의 또 다른 특징에 따르면, 생체 신호 데이터는, 적어도 하나의 심박수를 포함할 수 있다. 이때, 개체 데이터를 수신하는 단계 이후에 수행되는, 심박수, 동맥압, 호흡수, 체온, 요배설량 및 GSC중 적어도 하나에 대하여 가중치를 부여하는 단계가 더 수행될 수 있다.
본 발명의 또 다른 특징에 따르면, 의료적 처치 데이터는, 수술적 치료 여부, 내과적 호흡기 삽관 여부, 기계환기 (Ventilator) 처치 여부, 승압제 (vasopressor) 처치 여부 및 내과적 투석 (renal replacement therapy) 여부 중 적어도 하나일 수 있다.
본 발명의 또 다른 특징에 따르면, 의료적 처치 데이터는, 적어도 하나의 수술적 치료 여부, 내과적 호흡기 삽관 여부, 내과적 투석 여부를 포함할 수 있다. 이때, 개체 데이터를 수신하는 단계 이후에 수행되는, 수술적 치료 여부, 내과적 호흡기 삽관 여부, 내과적 투석 여부에 대하여 가중치를 부여하는 단계가 더 수행될 수 있다.
본 발명의 또 다른 특징에 따르면, 사망 위험도 예측 모델은, 개체 데이터를 기초로, 개체에 대한 단기 사망률 또는 장기 사망률을 예측하도록 구성될 수 있다. 이때, 제공하는 단계는, 사망 위험도 예측 모델에 의해 예측된 단기 사망률 또는 장기 사망률을 제공하는 단계를 포함할 수 있다.
본 발명의 또 다른 특징에 따르면, 단기 사망률은, 28 일 이내 사망률로 정의되고, 장기 사망률은, 일 년 이내 사망률로 정의될 수 있다.
본 발명의 또 다른 특징에 따르면, 개체 데이터는, 원발암의 종류 데이터를 더 포함할 수 있다. 이때, 사망 위험도 예측 모델은, 생물학적 시험 데이터, 생체 신호 데이터, 의료적 처치 데이터 및 원발암의 종류 데이터를 기초로, 사망 위험도를 예측하도록 더 구성될 수 있다. 한편, 원발암의 종류 데이터는, 간암 발병 여부, 폐암 발병 여부, 혈액암 발병 여부, 결장암 발병 여부 및 위암 발병 여부 중 적어도 하나일 수 있다.
본 발명의 또 다른 특징에 따르면, 개체 데이터는, 합병증 데이터를 더 포함할 수 있다. 이때, 사망 위험도 예측 모델은, 생물학적 시험 데이터, 생체 신호 데이터, 의료적 처치 데이터 및 합병증 데이터를 기초로, 사망 위험도를 예측하도록 더 구성될 수 있다. 한편, 합병증 데이터는, CHF (congestive heart failure) 여부, COPD (chronic obstructive pulmonary disease) 여부, DM (diabetes mellitus) 여부 및 HTN (hypertension) 여부 중 적어도 하나일 수 있다.
본 발명의 또 다른 특징에 따르면, 생물학적 시험 데이터 또는 생체 신호 데이터는, 미리 결정된 시간 단위로 측정된 복수의 데이터이고, 복수의 생물학적 시험 데이터 또는 생체 신호 데이터는, 최대값 또는 최소값을 가질 수 있다.
본 발명의 또 다른 특징에 따르면, 개체 데이터를 수신하는 단계 이후에 수행되는, 필터링된 개체 데이터를 획득하도록, 로지스틱 회기 분석 (logistic regression) 을 통해 개체 데이터를 필터링하는 단계가 더 수행될 수 있다. 이때, 사망 위험도를 예측하는 단계는, 사망 위험도 예측 모델을 이용하여, 필터링된 개체 데이터에 기초하여 개체에 대한 사망 위험도를 예측하는 단계를 포함할 수 있다.
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.
본 발명의 또 다른 특징에 따르면, 사망 위험도 예측 모델은, 사망 표본 개체 및 생존 표본 개체에 대한 생물학적 시험 데이터, 생체 신호 데이터 및 의료적 처치 데이터를 포함하는 표본 개체 데이터를 수신하는 단계, 및 표본 개체 데이터를 기초로, 사망 또는 생존을 확률적으로 예측하는 단계를 통해 학습된 모델일 수 있다.
전술한 바와 같은 과제를 해결하기 위해, 본 발명의 다른 실시예에 따른 사망 위험도에 대한 정보 제공용 디바이스가 제공된다. 이때, 본 발명의 사망 위험도에 대한 정보 제공용 디바이스는, 개체에 대한, 생물학적 시험 데이터, 생체 신호 데이터, 및 의료적 처치 데이터를 포함하는, 개체 데이터를 수신하도록 구성된 수신부, 및 수신부와 통신하도록 구성된 프로세서를 포함한다. 이때, 프로세서는, 개체 데이터를 기초로, 사망 위험도를 예측하도록 구성된 사망 위험도 예측 모델을 이용하여, 개체에 대한 사망 위험도를 예측하고, 개체에 대하여 예측된 사망 위험도를 제공하도록 구성된다. 한편, 사망 위험도는 미리 결정된 시간 이내의 사망 발생의 위험도로 정의되고, 개체는, 암 발병된 개체이다.
본 발명의 특징에 따르면, 생물학적 시험 데이터는, BUN (blood urea nitrogen) 수준, PaO2/FiO2 비율, SO2 수준, PT (INR) (Prothrombin Time (International Normalization Ratio)), NLR (Neutrophil to lymphocyte ratio), 젖산 (Lactate) 수준, 알부민 (Albumin) 수준, 림프구 수 (Lymphocyte count), PLR (Platelet-to-lymphocyte ratio), aPTT (activated partial thromboplastin time), 혈소판 수 (Platelet count), pH 및 헤모글로빈 (Hemoglobin) 수준 중 적어도 하나일 수 있다.
본 발명의 다른 특징에 따르면, 생물학적 시험 데이터는, BUN 수준, PaO2/FiO2 비율, SO2 수준, PT(INR), 젖산 수준, 알부민 수준, pH 및 헤모글로빈 수준을 포함할 수 있다. 이때, 프로세서는, BUN 수준, PaO2/FiO2 비율, 젖산 수준, 알부민 수준, 및 pH에 대하여 가중치를 부여하도록 더 구성될 수 있다.
본 발명의 또 다른 특징에 따르면, 생체 신호 데이터는, 심박수 (Heart rate), 동맥압 (arterial pressure), 호흡수 (respiratory rate), 체온 (body temperature), 요배설량 (Urine output) 및 GSC (Glasgow Coma Scale) 중 적어도 하나일 수 있다.
본 발명의 또 다른 특징에 따르면, 생체 신호 데이터는, 적어도 하나의 심박수를 포함할 수 있다. 이때, 프로세서는, 심박수에 대하여 가중치를 부여하도록 더 구성될 수 있다.
본 발명의 또 다른 특징에 따르면, 의료적 처치 데이터는, 수술적 치료 여부, 내과적 호흡기 삽관 여부, 기계환기 (Ventilator) 처치 여부, 승압제 (vasopressor) 처치 여부 및 내과적 투석 (renal replacement therapy) 여부 중 적어도 하나일 수 있다.
본 발명의 또 다른 특징에 따르면, 의료적 처치 데이터는, 적어도 하나의 수술적 치료 여부, 내과적 호흡기 삽관 여부, 내과적 투석 여부를 포함할 수 있다. 이때, 프로세서는, 수술적 치료 여부, 내과적 호흡기 삽관 여부, 내과적 투석 여부에 대하여 가중치를 부여하도록 더 구성될 수 있다.
본 발명의 또 다른 특징에 따르면, 개체 데이터는, 원발암의 종류 데이터를 더 포함할 수 있다. 이때, 사망 위험도 예측 모델은, 생물학적 시험 데이터, 생체 신호 데이터, 의료적 처치 데이터 및 원발암의 종류 데이터를 기초로, 사망 위험도를 예측하도록 더 구성될 수 있다. 한편, 원발암의 종류 데이터는, 간암 발병 여부, 폐암 발병 여부, 혈액암 발병 여부, 결장암 발병 여부 및 위암 발병 여부 중 적어도 하나일 수 있다.
본 발명의 또 다른 특징에 따르면, 개체 데이터는, 합병증 데이터를 더 포함할 수 있다. 이때, 사망 위험도 예측 모델은, 생물학적 시험 데이터, 생체 신호 데이터, 의료적 처치 데이터 및 합병증 데이터를 기초로, 사망 위험도를 예측하도록 더 구성될 수 있다. 한편, 합병증 데이터는, CHF (congestive heart failure) 여부, COPD (chronic obstructive pulmonary disease) 여부, DM (diabetes mellitus) 여부 및 HTN (hypertension) 여부 중 적어도 하나일 수 있다.
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.
본 발명은 개체에 대하여 다양한 임상적 데이터를 수신하고, 수신된 데이터 기반의 사망 위험도 예측 시스템을 제공함으로써, 개체의 사망 위험과 같은 예후와 연관된 정보를 제공할 수 있는 효과가 있다.
특히, 본 발명은 개체로부터 획득한 생체 신호 데이터, 생물학적 시험 데이터 및 의료적 처치 데이터, 나아가 원발암의 종류 데이터, 입실 타입 데이터 및 합병증 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 내의 사망 위험도를 제공할 수 있다.
이에, 본 발명은, 암 환자의 중환자실 입실을 위한, 의사 결정에 있어서, 기준이 될 수 있는 정보를 제공할 수 있는 효과가 있다.
나아가, 본 발명은, 의사 결정 기준이 상대적으로 많은 위험 요인들을 갖는 암 환자에 대하여 명확하지 않고, 암 환자의 경우, 환자실 입실 및/또는 계속 치료를 해야 할지에 대한 불확실성을 갖는 종래의 의사 결정 기준 방법이 갖는 한계를 극복할 수 있는 효과가 있다.
따라서, 본 발명은, 의사 결정에 고려 될 수 있는, 사망 위험도와 연관된 정보를 제공함으로써, 회복 전망을 가진 환자에 대한, 중환자실 내에서의 집중 치료의 기회를 보장하고, 회복 가능성이 낮은 환자의 경우, 환자뿐만 아니라 가족이 불 필요한 고통을 받지 않게 하는 것에 기여할 수 있는 효과가 있다.
또한, 본 발명은, 사망 발생이 예측되는 고위험군에 대하여 의료적 처치 시점을 앞당겨 좋은 예후를 제공할 수 있고, 생존률 증가, 합병증 예방, 및 치료 비용 감소에 기인할 수 있는 효과가 있다.
본 발명에 따른 효과는 이상에서 예시된 내용에 의해 제한되지 않으며, 더욱 다양한 효과들이 본 명세서 내에 포함되어 있다.
도 1a는 본 발명의 일 실시예에 따른 사망 위험도에 대한 정보 제공 방법 및 디바이스에 기초한 사망 위험도 예측 시스템을 예시적으로 도시한 것이다.
도 1b는 본 발명의 일 실시예에 따른 사망 위험도에 대한 정보 제공용 디바이스의 구성을 예시적으로 도시한 것이다.
도 1c는 본 발명의 일 실시예에 따른 사망 위험도에 대한 정보 제공용 디바이스의 입력부 및 출력부를 예시적으로 도시한 것이다.
도 2는 본 발명의 일 실시예에 따른 사망 위험도에 대한 정보 제공 방법의 절차를 예시적으로 도시한 것이다.
도 3a 및 3b는 본 발명의 다양한 실시예에 이용되는 사망 위험도 예측 모델의 학습 데이터를 예시적으로 도시한 것이다.
도 4a 내지 4h는 본 발명의 다양한 실시예에 이용되는 사망 위험도 예측 모델에 대한 평가 결과를 도시한 것이다.
도 5는 본 발명의 다양한 실시예에 이용되는 사망 위험도 예측 모델에 대한, 개체의 발명 암 타입에 따른 평가 결과를 도시한 것이다.
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.
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.
구성요소를 해석함에 있어서, 별도의 명시적 기재가 없더라도 오차 범위를 포함하는 것으로 해석한다.
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.
본 명세서의 해석의 명확함을 위해, 이하에서는 본 명세서에서 사용되는 용어들을 정의하기로 한다.
본 명세서에서 사용되는 용어, "개체"는 사망 발생의 위험도를 예측하고자 하는 대상을 의미할 수 있다. 한편, 본원 명세서 내에서 개체는, 암 발병 개체일 수 있다. 바람직하게, 본 발명의 개체는, 이미 중환자실에 입실한 중환자실 입실 개체와 상이한 개체일 수 있으나, 이에 제한되지 않고, 본원 명세서 내에서의 개체는 사망 발생의 위험도를 예측하고자 하는 모든 대상을 포함할 수 있다.
본 명세서에서 사용되는 용어, "생물학적 시험 데이터"는 개체로부터 분리된 혈액과 같은 생물학적 시료에 대한 임상적 데이터를 의미할 수 있다.
예를 들어, 본원 명세서 내에 개시된 생물학적 시험 데이터는, 개체로부터 분리된 혈액으로부터 측정된 BUN (blood urea nitrogen) 수준, PaO2/FiO2 비율, SO2 수준, PT (INR) (Prothrombin Time (International Normalization Ratio)), NLR (Neutrophil to lymphocyte ratio), 젖산 (Lactate) 수준, 알부민 (Albumin) 수준, 림프구 수 (Lymphocyte count), PLR (Platelet-to-lymphocyte ratio), aPTT (activated partial thromboplastin time), 혈소판 수 (Platelet count), pH 및 헤모글로빈 (Hemoglobin) 수준 중 적어도 하나의 수치일 수 있다.
바람직하게, 생물학적 시험 데이터는, BUN 수준, PaO2/FiO2 비율, SO2 수준, 상기 PT(INR), 젖산 수준, 알부민 수준, pH 및 상기 헤모글로빈 수준 중 적어도 하나일 수 있다. 보다 바람직하게, 생물학적 시험 데이터는, BUN 수준, PaO2/FiO2 비율, 젖산 수준, 알부민 수준, 및 pH일 수 있으나, 이에 제한되는 것은 아니다.
이때, 생물학적 시험 데이터는, 미리 결정된 시간 단위 (예를 들어, 24 시간 간격) 로 복수회 (예를 들어, 3 회/1 일) 측정된 복수의 데이터일 수 있다. 따라서, 생물학적 시험 데이터 각각은, 동일한 카테고리를 갖는 최대값을 갖는 데이터 및 최소값을 갖는 데이터를 포함할 수 있다.
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.
이때, 생체 신호 데이터는 생체 신호 계측 장비로부터 측정된 개체에 대한 심박수, 동맥압, 요배설량, GSC (Glasgow Coma Scale), 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.
바람직하게, 생체 신호 데이터는, 심박수, 동맥압, 호흡수, 체온, 요배설량 및 GSC 중 적어도 하나일 수 있다. 보다 바람직하게, 생체 신호 데이터는, 적어도 심박수를 포함할 수 있으나, 이에 제한되는 것은 아니다.
이때, 생체 신호 데이터는, 미리 결정된 시간 단위 (예를 들어, 24 시간 간격) 로 복수회 (예를 들어, 3 회/1 일) 측정된 복수의 데이터일 수 있다. 따라서, 생체 신호 데이터 각각은, 동일한 카테고리를 갖는 최대값을 갖는 데이터 및 최소값을 갖는 데이터를 포함할 수 있다.
본 명세서에서 사용되는 용어, "의료적 처치 데이터"는 개체에 대하여 이용된 의료적 처치 여부에 관한 데이터를 의미할 수 있다.
예를 들어, 의료적 처치 데이터는, 수술적 치료 여부, 내과적 호흡기 삽관 여부, 기계환기 (Ventilator) 처치 여부, 승압제 (vasopressor) 처치 여부, 내과적 투석 (renal replacement therapy) 여부, 카테터 (Catheter) 처치 여부의 의료 기기 사용 여부 데이터 및 입실 타입 데이터 중 적어도 하나의 데이터일 수 있다.
바람직하게, 의료적 처치 데이터는, 수술적 치료 여부, 내과적 호흡기 삽관 여부, 내과적 투석 여부, 기계환기 처치 여부, 승압제 처치 여부, 및 투석 여부 중 적어도 하나일 수 있다. 보다 바람직하게, 의료적 처치 데이터는, 적어도 수술적 치료 여부, 내과적 호흡기 삽관 여부, 내과적 투석 여부와 같은 입실 타입 데이터를 포함할 수 있으나, 이에 제한되는 것은 아니다.
본 명세서에서 사용되는 용어, "원발암의 종류 데이터"는 개체가 암 발병 개체일 경우, 암이 진단된 병소 부위에 따른, 암 타입에 관한 데이터를 의미할 수 있다.
예를 들어, 원발암의 종류 데이터는, 간암 발병 여부, 폐암 발병 여부, 혈액암 발병 여부, 결장암 발병 여부 및 위암 발병 여부 중 적어도 하나일 수 있다.
바람직하게, 원발암의 종류 데이터는, 적어도 혈액암 발병 여부를 포함할 수 있으나, 이에 제한되는 것은 아니다.
본 명세서에서 사용되는 용어, "합병증 데이터"는 개체가 암과 함께 진단 받은 합병증의 발병 여부에 대한 데이터를 의미할 수 있다.
예를 들어, 합병증 데이터는, CHF (congestive heart failure) 여부, COPD (chronic obstructive pulmonary disease) 여부, DM (diabetes mellitus) 여부 및 HTN (hypertension) 여부 중 적어도 하나일 수 있으나, 이에 제한되는 것은 아니다.
본 명세서에서 사용되는 용어, "사망 위험도"는 개체에 대한 사망 발생의 위험도를 의미할 수 있다. 이때, 사망 위험도는, 개체에 대한 미리 결정된 시간 이내의 사망률, 또는 생존률을 포함할 수 있다.
바람직하게, 사망 위험도는, 개체에 대한 단기 사망률, 예를 들어 28 일 이내 사망률, 또는 장기 사망률, 예를 들어 일년 이내의 사망률일 수 있으나, 이에 제한되는 것은 아니다.
본 명세서에서 사용되는 용어, "사망 위험도 예측 모델"은 생물학적 시험 데이터, 생체 신호 데이터 및 의료적 처치 데이터의 개체 데이터를 기초로 사망 발생의 위험도를 예측하도록 학습된 모델일 수 있다.
예를 들어, 사망 표본 개체 또는 생존 표본 개체로부터, 미리 결정된 시간마다 획득한 임상적 데이터를 기초로 사망 발생의 위험도를 예측하도록 학습된 모델일 수 있다.
이때, 사망 위험도 예측 모델은, 생물학적 시험 데이터, 생체 신호 데이터 및 의료적 처치 데이터, 나아가 원발암의 종류 데이터, 입실 타입 데이터 및 합병증 데이터의 개체 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.
한편, 본 발명의 사망 위험도 예측 모델의 학습에 있어서, 사망 발생 또는 생존과 연관도가 큰 임상적 데이터들에 대한 필터링이 수행될 수 있다. 이때, 데이터들에 대한 필터링은, 로지스틱 회기 분석 (logistic regression) 을 통해 수행될 수 있다.
예를 들어, 로지스틱 회기 분석을 통해 생물학적 시험 데이터, 생체 신호 데이터 및 의료적 처치 데이터, 나아가 원발암의 종류 데이터, 입실 타입 데이터 및 합병증 데이터의 개체 데이터의 다양한 임상적 데이터 중 사망 발생 또는 생존을 예측하는 것에 중요도가 높은 임상적 데이터 또는, 생존을 예측하는 것에 중요도가 높은 임상적 데이터가 결정될 수 있다.
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.
한편, 본 발명의 사망 위험도 예측 모델은, XGBoost 알고리즘 (Extreme Gradient Boosting algorithm) 에 기초한 예측 모델일 수 있다.
이때, XGBoost는, 결정-트리 기반의, 클러스터링 평가, 리샘플링 평가, 기능 선택 및 예측 프로세스의 핵심 알고리즘으로, 다양한 임상적 데이터에 기초하여 사망 위험도를 최종적으로 결정하도록 구성될 수 있다.
한편, 본 발명의 사망 위험도 예측 모델의 종류는 이에 제한되는 것이 아니다. 예를 들어, 사망 위험도 예측 모델은, RF (Random Forest), glmnet, cforest, CART (Classification and Regression Trees for Machine Learning), treebag, kNN (K-Nearest Neighbors), nnet (neural network), SVM-radial (Support Vector Machine radial), SVM-linear (Support Vector Machine linear), NB (Naive Bayes), 또는 mlp (multilayer perception) 의 알고리즘을 기반으로 할 수 있다.
이하에서는 도 1a 내지 1c를 참조하여, 본 발명의 일 실시예에 따른 사망 위험도에 대한 정보 제공용 디바이스 및 이를 이용한 사망 위험도 예측 시스템에 관하여 구체적으로 설명한다.
도 1a는 본 발명의 일 실시예에 따른 사망 위험도에 대한 정보 제공 방법 및 디바이스에 기초한 사망 위험도 예측 시스템을 예시적으로 도시한 것이다. 도 1b는 본 발명의 일 실시예에 따른 사망 위험도에 대한 정보 제공용 디바이스의 구성을 예시적으로 도시한 것이다. 도 1c는 본 발명의 일 실시예에 따른 사망 위험도에 대한 정보 제공용 디바이스의 입력부 및 출력부를 예시적으로 도시한 것이다.
도 1a를 참조하면, 본 발명의 일 실시예에 따른 사망 위험도 예측 시스템 (1000) 은, 사망 위험도 예측용 디바이스 (100), 개체 (200) 에 대하여 획득된, 생물학적 시험 데이터 (310), 생체 신호 데이터 (320), 의료적 처치 데이터 (330), 원발암의 종류 데이터 (340) 및 합병증 데이터 (350) 를 포함하는 개체 데이터 (300), 및 의료진 디바이스 (500) 로 구성되어 있다.
이때, 개체 데이터 (300) 는 개체 (200) 로부터, 임의의 시점에서 복수회 측정되거나 평가된 데이터일 수 있다. 그러나, 이에 제한되는 것은 아니다.
보다 구체적으로, 사망 위험도 예측 시스템 (1000) 에서 사망 위험도 예측용 디바이스 (100) 는, 개체 (200) 에 대하여 측정되거나 평가된 다양한 개체 데이터 (300) 를 수신하고, 이를 기초로 사망 위험도를 예측하도록 구성될 수 있다.
이때, 의료 기기 (400) 는 개체 (200) 에 심박수, 동맥압, 요배설량, GSC (Glasgow Coma Scale), 체온, 맥박, 산소 포화도, 수축기 혈압, 이완기 혈압, 평균 혈압 및 호흡수 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 (330) 를 제공할 수 있는 기계환기, 승압제, 투석기기의 의료 기기 중 적어도 하나일 수 있다.
한편, 사망 위험도 예측 시스템 (1000) 에서 생물학적 시험 데이터 (310), 생체 신호 데이터 (320), 의료적 처치 데이터 (330), 나아가 원발암의 종류 데이터 (340) 및 합병증 데이터 (350) 의 개체 데이터 (300) 는 EMR (Electronic Medical Record) 시스템과 같은 외부 시스템으로부터 획득될 수도 있다.
보다 구체적으로, 도 1b를 참조하면, 사망 위험도 예측용 디바이스 (100) 는 수신부 (110), 입력부 (120), 출력부 (130), 저장부 (140) 및 프로세서 (150) 를 포함한다.
구체적으로 수신부 (110) 는 개체 (200) 에 대한 생물학적 시험 데이터 (310), 생체 신호 데이터 (320), 의료적 처치 데이터 (330) 를 수신하고, 나아가, 원발암의 종류 데이터 (340) 및 합병증 데이터 (350) 를 포함하는 개체 데이터 (300) 및 나아가 개체 특징 데이터 (500) 를 수신하도록 구성될 수 있다.
본 발명의 특징에 따르면, 수신부 (110) 는 의료진 디바이스 (500) 에 대하여, 후술될 프로세서 (150) 에 의해 결정된 개체 (200) 에 대하여 예측된 결과를, 송신하도록 더 구성될 수 있다.
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.
나아가, 입력부 (120) 는, 사용자로부터 다양한 개체 데이터 (300) 를 직접 입력받을 수 있다.
예를 들어 도 1c를 함께 참조하면, 사용자는 입력부 (120) 를 통해, 개체 (200) 가 수술이 진행된 환자 (Surgical patient) 인지에 대한 여부를 입력하고, 알부민 (Albumin) 수준, BUN (blood urea nitrogen) 수준, 헤모글로빈 (Hemoglobin, HB) 수준, INR (International Normalization Ratio), 젖산 (Lactate) 수준, PaO2/FiO2 비율 (PaO2/FiO2 ratio), pH의 생물학적 시험 데이터 값과 함께, 심박수 (Heart rate, HR) 의 생체 신호 데이터의 값을 입력할 수 있다.
이때, 사망 위험도 예측을 위한 생물학적 시험 데이터 (310) 및 생체 신호 데이터 (320) 는, 미리결정된 시간 단위로 측정된 복수의 데이터이고, 이에 최대값 또는 최소값을 가질 수 있다. 한편, 본 발명의 일 실시예에 따르면, 사망 위험도 예측을 위해 입력부 (120) 에, 최소값의 알부민 수준, 최대값이 BUN 수준, 최소?岵? 헤모글로빈 수준, 최대값의 심박수, 최대값의 INR, 최대값의 젖산 수준, 최소값의 PaO2/FiO2 비율, 최소값의 pH가 입력될 수 있다.
그러나, 입력부 (120) 에 입력되는 개체 데이터 (300) 는 이에 제한되는 것이 아니다.
한편, 출력부 (130) 는 수신부 (110) 에 의해 수신되거나, 입력부 (120) 를 통해 입력된 다양한 개체 데이터 (300), 나아가 개체 특징 데이터 (500) 를 표시할 수 있다.
예를 들어, 도 1c를 참조하면, 출력부 (130) 는, 입력부 (120) 를 통해 입력된 다양한 개체 데이터 (300) 를 표시할 수 있다.
또한, 스크린 터치 패널의 입력부 (120) 의 경우, 입력부 (120) 는 출력부 (130) 의 기능을 동시에 수행할 수 있다.
나아가, 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.
저장부 (140) 는 수신부 (110) 를 통해 수신한 개체 (200) 에 대한 다양한 개체 데이터 (300) 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.
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 개체 데이터 (300) 를 기초로 사망 위험도를 예측하도록 구성된 예측 모델에 기초할 수 있다.
한편, 프로세서 (150) 는, 개체 (200) 가 사망 위험도 예측 모델에 의해 사망 발생 고위험군으로 예측된 경우 의료진 디바이스 (500) 에 알림을 제공하도록 구성될 수도 있다. 이에, 의료진은 개체 (200) 에 대한 빠른 조치를 취할 수 있다.
이와 같이 본 발명의 사망 위험도 예측 시스템 (1000) 은, 개체 (200) 에 대하여 사망 위험도에 대한 정보를 제공함에 따라, 암 환자에 대한 중환자실 입실을 위한 의사 결정을 위한 정보를 제공할 수 있는 효과가 있다. 더욱이, 본 발명의 사망 위험도 예측 시스템 (1000) 은, 사망 발생의 조기 예측 및 이에 따른 처치를 제공할 수 있음에 따라, 다양한 모니터링 시스템에도 적용될 수 있다.
이하에서는 도 2를 참조하여, 본 발명의 일 실시예에 따른 사망 위험도에 대한 정보 제공 방법을 구체적으로 설명한다. 도 2는, 본 발명의 일 실시예에 따른 사망 위험도에 대한 정보 제공 방법의 절차를 예시적으로 도시한 것이다.
도 2를 참조하면, 본 발명의 일 실시예에 따른 사망 위험도에 대한 정보 제공 방법은, 먼저 개체로부터 생체 신호 데이터, 생물학적 시험 데이터, 의료적 처치 데이터의 개체 데이터를 수신하고 (S210), 개체 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).
보다 구체적으로, 개체 데이터를 수신하는 단계 (S210) 에서는, 개체에 대하여 측정되거나 획득된 생체 신호 데이터, 생물학적 시험 데이터, 의료적 처치 데이터의 개체 데이터가 수신될 수 있다.
본 발명의 특징에 따르면, 개체 데이터를 수신하는 단계 (S210) 에서 수신된 생물학적 시험 데이터는, BUN (blood urea nitrogen) 수준, PaO2/FiO2 비율, SO2 수준, PT (INR) (Prothrombin Time (International Normalization Ratio)), NLR (Neutrophil to lymphocyte ratio), 젖산 (Lactate) 수준, 알부민 (Albumin) 수준, 림프구 수 (Lymphocyte count), PLR (Platelet-to-lymphocyte ratio), aPTT (activated partial thromboplastin time), 혈소판 수 (Platelet count), pH 및 헤모글로빈 (Hemoglobin) 수준 중 적어도 하나일 수 있다.
본 발명의 또 다른 특징에 따르면, 개체 데이터를 수신하는 단계 (S210) 에서 수신된 생체 신호 데이터는, 심박수 (Heart rate), 동맥압 (arterial pressure), 호흡수 (respiratory rate), 체온 (body temperature), 요배설량 (Urine output) 및 GSC (Glasgow Coma Scale) 중 적어도 하나일 수 있다. 그러나, 이에 제한되지 않고 생체 신호 데이터는, 개체의 건강 상태와 연관된 다양한 측정 데이터를 포함할 수 있다.
본 발명의 또 다른 특징에 따르면, 개체 데이터를 수신하는 단계 (S210) 에서 수신된 의료적 처치 데이터는, 수술적 치료 여부, 내과적 호흡기 삽관 여부, 기계환기 (Ventilator) 처치 여부, 승압제 (vasopressor) 처치 여부, 내과적 투석 (renal replacement therapy) 여부, 카테터 (Catheter) 처치 여부 중 적어도 하나의 데이터일 수 있다.
한편, 개체 데이터를 수신하는 단계 (S210) 에서 원발암의 종류 데이터 및/또는 합병증 데이터가 더욱 수신될 수 있다.
예를 들어, 개체 데이터를 수신하는 단계 (S210) 에서 간암 발병 여부, 폐암 발병 여부, 혈액암 발병 여부, 결장암 발병 여부 및 위암 발병 여부 중 적어도 하나를 포함하는 발병암 타입 데이터가 수신될 수 있다.
나아가, 개체 데이터를 수신하는 단계 (S210) 에서 CHF (congestive heart failure) 여부, COPD (chronic obstructive pulmonary disease) 여부, DM (diabetes mellitus) 여부 및 HTN (hypertension) 여부 중 적어도 하나의 합병증 데이터가 수신될 수 있다.
본 발명의 일 실시예에 따르면, 개체 데이터를 수신하는 단계 (S210) 이후에, 개체 데이터에 대하여 가중치를 부여하는 단계가 더욱 수행될 수 있다.
예를 들어, 가중치를 부여하는 단계에서, 생물학적 시험 데이터 중, BUN 수준, PaO2/FiO2 비율, 젖산 수준, 알부민 수준, 및 pH는 다른 생물학적 시험 데이터보다 높은 가중치가 부여받을 수 있다.
또한, 가중치를 부여하는 단계에서, 생체 신호 데이터 중, 심박수는 다른 생체 신호 데이터보다 높은 가중치가 부여될 수 있다.
나아가, 가중치를 부여하는 단계에서, 의료적 처치 데이터 중, 수술적 치료 여부, 내과적 호흡기 삽관 여부, 내과적 투석 여부의 입실 타입은, 다른 의료적 처치 데이터보다 높은 가중치가 부여될 수 있다.
다음으로, 사망 위험도를 예측하는 단계 (S220) 에서, 사망 위험도를 예측하도록 구성된 사망 위험도 예측 모델에 의해 개체의 사망 위험도가 결정될 수 있다.
본 발명의 특징에 따르면, 사망 위험도를 예측하는 단계 (S220) 에서, 사망 발생 위험도 예측 모델은, 데이터를 수신하는 단계 (S210) 에서 수신된 생체 신호 데이터, 생물학적 시험 데이터 및 의료적 처치 데이터에 기초하여, 사망 위험도를 예측할 수 있다.
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.
이때, 개체에 대한 미리 결정된 시간 내의 사망 발생의 위험도는, 생존률 또는 사망률로 예측될 수 도 있으나, 이에 제한되는 것이 아니다. 예를 들어, 사망 위험도를 예측하는 단계 (S220) 에서, 개체 데이터를 기초로, 개체에 대한 단기 사망률 또는 장기 사망률이 예측될 수 있다. 이때, 단기 사망률은 28 일 이내 사망률일 수 있고, 장기 사망률은 일 년 이내 사망률일 수 있으나, 이에 제한되는 것은 아니다.
한편, 사망 위험도 예측 모델은, 데이터를 수신하는 단계 (S210) 에서 수신된, 생물학적 시험 데이터, 생체 신호 데이터 및 의료적 처치 데이터, 나아가 원발암의 종류 데이터 및 합병증 데이터의 개체 데이터의 임상적 데이터를 기초로 사망 발생의 위험도를 예측하도록 학습된 모델일 수 있다.
예를 들어, 사망 위험도 예측 모델은 사망 표본 개체 및 생존 표본 개체에 대하여 측정되거나 평가된, 생체 신호 데이터, 생물학적 시험 데이터 및 의료적 처치 데이터, 나아가 원발암의 종류 데이터 및 합병증 데이터로 구성된 학습용 데이터를 수신하고, 학습용 데이터를 기초로, 사망 또는 생존을 예측하는 단계를 통해 학습된 모델일 수 있다.
나아가, 사망 위험도 예측 모델은, 학습용 데이터에 대하여, 사망 위험도 예측에 있어서 중요도를 산출하고, 이에 기초하여 미리 결정된 순위 내에 있는 사망 연관 학습용 데이터를 결정하는, 필터링 단계를 통해 결정된 사망 연관 학습용 데이터를 기초로, 사망 위험도를 예측하도록 구성된 모델일 수 있다.
예를 들어, 필터링 단계에서, 로지스틱 회기 분석을 통해 생물학적 시험 데이터, 생체 신호 데이터 및 의료적 처치 데이터, 나아가 원발암의 종류 데이터 및 합병증 데이터의 개체 데이터의 다양한 임상적 데이터 중 사망 발생 또는 생존을 예측하는 것에 중요도가 높은 임상적 데이터 또는, 생존을 예측하는 것에 중요도가 높은 임상적 데이터가 결정될 수 있다.
이때, 필터링 단계의 결과로 사망 위험도를 예측하는 것에 있어서 중요도가 높은 개체 데이터의 경우, 가중치가 부여될 수도 있다.
마지막으로, 사망 위험도를 제공하는 단계 (S230) 에서, 전술한 사망 위험도를 예측하는 단계 (S220) 에서 예측된 사망 위험도에 관한 정보가 제공될 수 있다.
본 발명의 특징에 따르면, 사망 위험도를 제공하는 단계 (S230) 에서, 사망 위험도 예측 모델에 의해 확률적으로 예측된, 개체에 대한 미리 결정된 시간 내의 사망 발생의 위험도가 제공될 수 있다.
예를 들어, 사망 위험도를 제공하는 단계 (S230) 에서, 28 일 이내 사망 발생 위험 확률 또는 일 년 이내 사망 발생 위험 확률이 제공될 수 있다.
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 수도 있다.
사망 위험도를 제공하는 단계 (S230) 에서, 전술한 것 이외에 보다 다양한 정보가 제공될 수 있다.
이상의 절차에 따라, 본 발명의 일 실시예에 따른 사망 위험도에 대한 정보 제공 방법은, 암 발병 개체에 대한 임의의 시간 이내의 사망 발생의 위험도를 예측하여, 제공할 수 있다. 이에, 의사 결정에 고려 될 수 있는, 사망 위험도와 연관된 정보를 제공함으로써, 회복 전망을 가진 환자에 대한, 중환자실 내에서의 집중 치료의 기회를 보장하고, 회복 가능성이 낮은 환자의 경우, 환자뿐만 아니라 가족이 불 필요한 고통을 받지 않게 하는 것에 기여할 수 있는 효과가 있다.
이하에서는, 도 3a 및 3b를 참조하여, 본 발명의 다양한 실시예에 이용되는 사망 위험도 예측 모델의 학습 데이터에 대하여 구체적으로 설명한다.
이때, 본 발명의 다양한 실시예에 따른 사망 위험도 예측 모델은, 사망 암 환자 또는 생존 암 환자로부터 획득된, 생체 신호 데이터, 생물학적 시험 데이터, 의료적 처치 데이터, 나아가 원발암의 종류 데이터, 합병증 데이터를 기초로 28 일 이내 사망률 또는 일 년 이내 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.
먼저, 도 3a를 참조하면, 사망 개체 및 생존 개체의 표본 개체로부터 획득된 학습용 데이터는, 생물학적 시험 데이터, 생체 신호 데이터, 의료적 처치 데이터, 나아가 원발암의 종류 데이터 및 합병증 데이터로 구성된다.
보다 구체적으로, 학습용 생물학적 시험 데이터는, 개체로부터 분리된 생물학적 시료로부터 측정된 BUN (blood urea nitrogen) 수준, PaO2/FiO2 비율, SO2 수준, PT (INR) (Prothrombin Time (International Normalization Ratio)), NLR (Neutrophil to lymphocyte ratio), 젖산 (Lactate) 수준, 알부민 (Albumin) 수준, 림프구 수 (Lymphocyte count), PLR (Platelet-to-lymphocyte ratio), aPTT (activated partial thromboplastin time), 혈소판 수 (Platelet count), pH 및 헤모글로빈 (Hemoglobin) 수준을 포함할 수 있다
나아가, 학습용 생체 신호 데이터는, 생체 신호 계측 장비로부터 측정된 개체에 대한 심박수, 동맥압, 호흡수, 체온, 요배설량 및 GSC (Glasgow Coma Scale) 을 포함할 수 있다.
한편, 학습용 생물학적 시험 데이터 또는 학습용 생체 신호 데이터는, 미리 결정된 시간 단위 (예를 들어, 24 시간 간격) 로 복수회 (예를 들어, 3 회/1 일) 측정된 복수의 데이터일 수 있다. 따라서, 생물학적 시험 데이터 각각은, 동일한 카테고리를 갖는 최대값을 갖는 데이터 및 최소값을 갖는 데이터를 포함할 수 있다.
또한, 학습용 의료적 처치 데이터는, 수술적 치료 여부, 내과적 호흡기 삽관 여부, 기계환기 (ventilator) 처치 여부, 승압제 (vasopressor) 처치 여부, 내과적 투석 (renal replacement therapy) 여부, 카테터 (catheter) 처치 여부를 포함할 수 있다.
또한, 학습용 원발암의 종류 데이터는, 간암 발병 여부, 폐암 발병 여부, 혈액암 발병 여부, 결장암 발병 여부 및 위암 발병 여부를 포함할 수 있다.
또한, 학습용 합병증 데이터는, CHF (congestive heart failure) 여부, COPD (chronic obstructive pulmonary disease) 여부, DM (diabetes mellitus) 여부 및 HTN (hypertension) 여부를 포함할 수 있다.
즉, 본 발명의 다양한 실시예에 적용되는, 사망 위험도 예측 모델은 총 24 개의 개체에 대한 임상 데이터에 기초하여 사망 위험도를 예측하도록 학습될 수 있다. 이때, 학습용 데이터는 전술한 것에 제한되지 않고 보다 다양한 조합으로 설정될 수 있다.
한편, 본 발명의 다양한 실시예에서, 사망 위험도 예측을 위한 학습에 이용되는 데이터들은, 사망 위험도 예측의 중요도에 따라 필터링된 데이터일 수 있다.
예를 들어, 로지스틱 회기 분석을 통해 생물학적 시험 데이터, 생체 신호 데이터 및 의료적 처치 데이터, 나아가 원발암의 종류 데이터 및 합병증 데이터의 개체 데이터의 다양한 임상적 데이터 중 사망 발생 또는 생존을 예측하는 것에 중요도가 높은 임상적 데이터 또는, 생존을 예측하는 것에 중요도가 높은 임상적 데이터가 결정될 수 있다.
보다 구체적으로, 도 3b의 (a)를 참조하면, 로지스틱 회기 분석을 통해, 28 일 이내 사망률 (d28_mortality) 을 예측하는 것에 있어서, 알부민 (Albumin) 수준, 젖산 (Lactate) 수준, PT (INR) (Prothrombin Time (International Normalization Ratio)), 헤모글로빈 (Hemoglobin) 수준, PaO2/FiO2 비율, pH, BUN 수준의 생물학적 시험 데이터와, 심박수 (Heart rate) 의 생체 신호 데이터 및 수술적 치료 여부, 내과적 호흡기 삽관 여부, 내과적 투석 여부와 같은 입실 타입 (Admission type) 의 의료적 처치 데이터의 9 개의 개체 데이터가 높은 중요도를 갖는 것으로 나타난다. 특히, PaO2/FiO2 비율, pH, BUN 수준, 수술적 치료 여부, 내과적 호흡기 삽관 여부, 내과적 투석 여부와 같은 입실 타입 (Admission type) 이 다른 파라미터들에 비하여 중요도가 높은 것으로 나타난다.
도 3b의 (b)를 참조하면, 로지스틱 회기 분석을 통해, 일 년 이내 사망률 (y1_mortality) 을 예측하는 것에 있어서, 젖산 (Lactate) 수준, pH, 헤모글로빈 (Hemoglobin) 수준, PT (INR) (Prothrombin Time (International Normalization Ratio)), PaO2/FiO2 비율, 알부민 (Albumin) 수준, BUN 수준의 생물학적 시험 데이터와, 심박수 (Heart rate) 의 생체 신호 데이터 및 수술적 치료 여부, 내과적 호흡기 삽관 여부, 내과적 투석 여부와 같은 입실 타입 (Admission type) 의 의료적 처치 데이터의 9 개의 개체 데이터가 높은 중요도를 갖는 것으로 나타난다. 특히, 알부민 수준, 심박수, BUN 수준 및, 수술적 치료 여부, 내과적 호흡기 삽관 여부, 내과적 투석 여부와 같은 입실 타입이 다른 파라미터들에 비하여 중요도가 높은 것으로 나타난다.
이상의 결과에 따르면, 젖산 수준, pH, 헤모글로빈 수준, PT (INR), PaO2/FiO2 비율, 알부민 수준, BUN 수준의 생물학적 시험 데이터와, 심박수의 생체 신호 데이터 및 수술적 치료 여부, 내과적 호흡기 삽관 여부, 내과적 투석 여부와 같은 입실 타입의 의료적 처치 데이터의 9 개의 개체 데이터가 암 발병 개체에 대한 사망 위험도 예측을 위한 예측 모델의 학습용 데이터로 이용될 수 있다.
또는, 상기 9 개의 개체 데이터는, 사망 위험도 예측 모델의 학습에 있어서, 다른 데이터에 비하여 높은 가중치를 갖는 것으로 설정될 수 있다.
이러한 중요도가 높은 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.
한편, 사망 위험도 예측 모델의 학습 데이터의 필터링은, 전술한 로지스틱 회기 분석뿐만 아니라, LRP (Layer-wise Relevance Propagation) 알고리즘, RF (Randomized Decision forest) 알고리즘에 기초하여 수행될 수도 있다.
실시예 1: 본 발명의 다양한 실시예에 따른 사망 위험도 예측 모델의 제1 평가
이하에서는 4a 내지 4h를 참조하여 본 발명의 다양한 실시예에서 이용되는 사망 발병 위험도 예측 모델의 제1 평가 결과에 대하여 구체적으로 설명한다. 도 4a 내지 4h는 본 발명의 다양한 실시예에 이용되는 사망 위험도 예측 모델에 대한 평가 결과를 도시한 것이다.
이때, 본 발명의 사망 위험도 예측 모델로, 전술한 학습용 데이터에 기초하여 28 일 이내 사망률 또는 일 년 이내 사망률을 예측하도록 학습된 XGBoost가 이용되었으나, 이에 제한되는 것은 아니다.
먼저, 도 4a를 참조하면, 3571 명의 암 환로 구성된 YCC (Yonsei Cancer Center) 코호트 (cohorts), 1006 명의 암 환자로 구성된 SMC (Samsung Medical Center in Korea) 코호트, 766 명의 암 환자에 대한 MIMIC (Medical Information Mart for Intensive Care) 데이터에 기초하여, 본 발명의 다양한 실시예에 이용되는 사망 위험도 예측 모델에 대한 검증이 수행되었다.
이때, YCC 코호트에서 평균 연령은 62.8 세, SMC 코호트에서 평균 연령은 61.4 세, MIMIC 데이터에서 평균 연령은 65.2 세이고, 모든 개체는, 간 (Liver), 결장 (Colorectal), 폐 (Lung), 위 (Stomach) 에 암이 발병되거나, 혈액암 (hematologic malignancy) 이 발병된 개체이다. 나아가, 모든 개체는, 예후와 연관된 SOFA (sequential organ failure assessment) 점수의 중간값이 6 점으로 나타난다.
한편, 본 평가에서는, 본 발명의 사망 위험도 예측 모델로 이용되는 XGBoost 및 예후와 연관된 SOFA 점수 각각에 대하여 전술한 YCC 코호트, SMC 코호트 및 MIMIC 데이터를 적용한 후 사망 위험도 예측 결과를 비교하였다.
도 4b의 (a)를 참조하면, YCC 코호트를 적용했을 때, XGBoost의 28 일 이내 사망률 예측에 대한 AUC값은 0.913으로, 진단 능력을 의미할 수 있는 AUC값이 매우 높게 나타난다. 한편, SOFA 점수에 기초한 28 일 이내 사망률 예측은, AUC값이 0.793으로, 본 발명의 사망 위험도 예측 모델의 XGBoost보다 진단 능력이 낮은 것으로 나타난다.
도 4b의 (b)를 참조하면, YCC 코호트를 적용했을 때, XGBoost의 일 년 이내 사망률 예측에 대한 AUC값은 0.806으로, 진단 능력을 의미할 수 있는 AUC값이 매우 높게 나타난다. 한편, SOFA 점수에 기초한 일 년 이내 사망률 예측은, AUC값이 0.673으로, 본 발명의 사망 위험도 예측 모델의 XGBoost보다 진단 능력이 낮은 것으로 나타난다.
도 4c의 (a)를 참조하면, SMC 코호트를 적용했을 때, XGBoost의 28 일 이내 사망률 예측에 대한 AUC값은 0.847로, AUC값이 매우 높게 나타난다. 한편, SOFA 점수에 기초한 28 일 이내 사망률 예측은, AUC값이 0.606으로, 본 발명의 사망 위험도 예측 모델의 XGBoost보다 진단 능력이 낮은 것으로 나타난다.
도 4c의 (b)를 참조하면, SMC 코호트를 적용했을 때, XGBoost의 일 년 이내 사망률 예측에 대한 AUC값은 0.763으로 나타난다. 한편, SOFA 점수에 기초한 28 일 이내 사망률 예측은, AUC값이 0.609로, 본 발명의 사망 위험도 예측 모델의 XGBoost보다 진단 능력이 낮은 것으로 나타난다.
나아가, 도 4d의 (a)를 참조하면, MIMIC 데이터를 적용했을 때, XGBoost의 28 일 이내 사망률 예측에 대한 AUC값은 0.783로, 나타난다. 한편, SOFA 점수에 기초한 28 일 이내 사망률 예측은, AUC값이 0.680으로, 본 발명의 사망 위험도 예측 모델의 XGBoost보다 진단 능력이 낮은 것으로 나타난다.
도 4d의 (b)를 참조하면, MIMIC 데이터를 적용했을 때, XGBoost의 일 년 이내 사망률 예측에 대한 AUC값은 0.730으로 나타난다. 한편, SOFA 점수에 기초한 28 일 이내 사망률 예측은, AUC값이 0.633으로, 본 발명의 사망 위험도 예측 모델의 XGBoost보다 진단 능력이 낮은 것으로 나타난다.
이러한 결과는, 본 발명의 사망 위험도 예측 모델이, 종래의 예후의 결정에 있어서 고려하던 SOFA 점수에 비하여 높은 진단 능력을 가지는 것을 의미할 수 있다.
나아가, 도 4e를 함께 참조하면, 본 발명의 사망 위험도 예측 모델인 XGBoost의 28 일 이내 사망률의 예측의 정확도 (Accuracy) 는, YCC 코호트에 대하여 0.8035, SMC 코호트에 대하여 0.827의 높은 정확도를 갖는 것으로 나타난다. 나아가, NPV (Negative predictive value) 은 YCC 코호트에 대하여 0.9851, SMC 코호트에 대하여 0.9647, MIMIC 데이터에 대하여 0.9118로 높은 수준을 갖는 것으로 나타난다. 나아가, XGBoost의 일 년 이내 사망률의 예측의 정확도는, YCC 코호트에 대하여 0.7172, SMC 코호트에 대하여 0.7445의 높은 정확도를 갖는 것으로 나타난다. 나아가, NPV은 YCC 코호트에 대하여 0.8662, SMC 코호트에 대하여 0.8198, MIMIC 데이터에 대하여 0.7194로 높은 수준을 갖는 것으로 나타난다. 이때, 28 일 이내 사망 위험도 예측을 위한 컷 오프 (cut-off) 값은 0.25, 일 년 이내 사망 위험도 예측을 위한 컷 오프 값은 0.35로 나타난다.
즉, 이와 같은 결과는 본 발명의 사망 위험도 예측 모델이 단기 사망률 및 장기 사망률을 높은 신뢰도로 예측한다는 것을 의미할 수 있다.
따라서, 본 발명의 사망 위험도 예측 모델은, 암 발병 개체에 대하여 신뢰도 높은 사망 위험도에 대한 정보를 제공할 수 있다. 이와 같은 사망 위험도에 대한 정보는, 암 발병 개체에 대한 중환자실 입실 여부와 같은 의사 결정을 위한 정보로서 이용될 수 있다.
도 4f의 (a) 및 (b)를 참조하면, YCC 코호트에 대한 28 일 이내 사망률 및 일 년 이내 사망률에 따라 계층화된 카플란-마이어 생존 곡선 (Kaplan-Meier survival curve) 이 나타난다. 보다 구체적으로, YCC 코호트에서 예측 된 확률에 대한 28 일 이내 사망률은 각각 1.5 % 및 34.3 %로 나타난다. 또한 YCC 코호트에서 예측된 확률의 일 년 이내 사망률은 각각 13.4 % 및 52.4 %로 나타난다.
도 4g의 (a) 및 (b)를 참조하면, SMC 코호트에 대한 28 일 이내 사망률 및 일 년 이내 사망률에 따라 계층화된 카플란-마이어 생존 곡선이 나타난다. 보다 구체적으로, SMC 코호트에서 예측 된 확률에 대한 28 일 이내 사망률은 각각 3.5 % 및 31.8 %로 나타난다. 또한 SMC 코호트에서 예측된 확률의 일 년 이내 사망률은 각각 18.0 % 및 59.0 %로 나타난다.
도 4h의 (a) 및 (b)를 참조하면, MIMIC-III 코호트에 대한 28 일 이내 사망률 및 일 년 이내 사망률에 따라 계층화된 카플란-마이어 생존 곡선이 나타난다. 보다 구체적으로, MIMIC-III 코호트에서 예측 된 확률에 대한 28 일 이내 사망률은 각각 8.8 % 및 46.6 %로 나타난다. 또한 MIMIC-III 코호트에서 예측된 확률의 일 년 이내 사망률은 각각 28.1 % 및 65.2 %로 나타난다.
이러한 결과는, 본 발명의 사망 위험도 예측 모델이, 28 일 이내 사망률 또는 일 년 이내 사망률의 예측에 있어서 우수한 진단 능력을 가지는 것을 의미할 수 있다.
이상의 실시예 1의 결과에 따르면, 본 발명의 다양한 실시예에 이용되는 사망 위험도 예측 모델은, 사망 위험도 시스템에 적용될 경우, 개체에 대하여 사망 발생의 위험도, 보다 구체적으로 28 일 이내 사망 위험도 또는 일년 이내 사망 위험도를 예측할 수 있다. 따라서, 본 발명의 사망 위험도 예측 모델은, 암 발병 개체에 대하여 신뢰도 높은 사망 위험도에 대한 정보를 제공할 수 있고, 이와 같은 사망 위험도에 대한 정보는, 암 발병 개체에 대한 중환자실 입실 여부와 같은 의사 결정을 위한 정보로서 이용될 수 있다.
실시예 2: 본 발명의 다양한 실시예에 따른 사망 위험도 예측 모델의 제2 평가
이하에서는 5를 참조하여 본 발명의 다양한 실시예에서 이용되는 사망 발병 위험도 예측 모델의 제2 평가 결과에 대하여 구체적으로 설명한다. 도 5는 본 발명의 다양한 실시예에 이용되는 사망 위험도 예측 모델에 대한, 개체의 발명 암 타입에 따른 평가 결과를 도시한 것이다.
본 평가에서는, 실시예 1에서 전술한 방법과 동일한 방법으로 학습된 XGBoost에 대하여, YCC 코호트, SMC 코호트 및 MIMIC 데이터를 적용한 후 원발암의 종류에 따른 사망 위험도 예측 결과에 대한 AUROC (Area Under the Receiver Operating Characteristic) 값을 산출하였다.
보다 구체적으로, 도 5를 참조하면, 본 발명의 사망 위험도 예측 모델은, 전반적으로 폐암 발병 개체, 혈액암 발병 개체, 위암 발병 개체, 결장암 발병 개체, 및 간암 발병 개체의 사망률 예측에 있어서 높은 진단 능력을 갖는 것으로 나타난다. 특히, 본 발명의 사망 위험도 예측 모델은, YCC 코호트, SMC 코호트 및 MIMIC 코호트의 폐암 개체, 위암 개체, 간암 개체의 28 일 이내 사망률을 예측하는 것에 있어서 높은 정확도를 갖는 것으로 나타난다.
즉, 이상의 실시예 2의 결과에 따르면, 본 발명의 다양한 실시예에 적용되는 사망 위험도 예측 모델이, 폐암 발병 개체, 혈액암 발병 개체, 위암 발병 개체, 결장암 발병 개체, 및 간암 발병 개체의 28 일 이내 사망률 또는 일 년 이내 사망률의 예측에 있어서 우수한 진단 능력을 가지는 것으로 나타난다,
이에, 본 발명의 사망 위험도 예측 모델은, 암 발병 개체, 예를 들어 폐암 발병 개체, 혈액암 발병 개체, 위암 발병 개체, 결장암 발병 개체, 및 간암 발병 개체에 대하여 신뢰도 높은 사망 위험도에 대한 정보를 제공할 수 있다. 나아가, 이와 같은 사망 위험도에 대한 정보는, 암 발병 개체에 대한 중환자실 입실 여부와 같은 의사 결정을 위한 정보로서 이용될 수 있다.
따라서, 본 발명은, 의사 결정 기준이 상대적으로 많은 위험 요인들을 갖는 암 환자에 대하여 명확하지 않고, 암 환자의 경우, 환자실 입실 및/또는 계속 치료를 해야 할지에 대한 불확실성을 갖는 종래의 의사 결정 기준 방법이 갖는 한계를 극복할 수 있다.
나아가, 본 발명은, 의사 결정에 고려 될 수 있는, 사망 위험도와 연관된 정보를 제공함으로써, 회복 전망을 가진 환자에 대한, 중환자실 내에서의 집중 치료의 기회를 보장하고, 회복 가능성이 낮은 환자의 경우, 환자뿐만 아니라 가족이 불 필요한 고통을 받지 않게 하는 것에 기여할 수 있는 효과가 있다.
또한, 본 발명은, 사망 발생이 예측되는 고위험군에 대하여 의료적 처치 시점을 앞당겨 좋은 예후를 제공할 수 있고, 생존률 증가, 합병증 예방, 및 치료 비용 감소에 기인할 수 있는 효과가 있다.
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.
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.
100: 사망 위험도 예측용 디바이스
110: 수신부
120: 입력부
130: 출력부
140: 저장부
150: 프로세서
200: 개체
300: 개체 데이터
310: 생물학적 시험 데이터
320: 생체 신호 데이터
330: 의료적 처치 데이터
340: 원발암의 종류 데이터
350: 합병증 데이터
400: 의료 기기
500: 의료진 디바이스
1000: 사망 위험도 예측 시스템

Claims (24)

  1. 프로세서에 의해 구현되는 사망 위험도에 대한 정보 제공 방법에 있어서,
    개체에 대한, 생물학적 시험 데이터, 생체 신호 데이터, 및 의료적 처치 데이터를 포함하는, 개체 데이터를 수신하는 단계;
    상기 개체 데이터를 기초로, 사망 위험도를 예측하도록 구성된 사망 위험도 예측 모델을 이용하여, 상기 개체에 대한 사망 위험도를 예측하는 단계, 및
    상기 개체에 대하여 예측된 상기 사망 위험도를 제공하는 단계를 포함하고,
    상기 사망 위험도는,
    미리 결정된 시간 이내의 사망 발생의 위험도로 정의되고,
    상기 개체는, 암 발병된 개체이고,
    상기 의료적 처치 데이터는,
    적어도 하나의 수술적 치료 여부, 내과적 호흡기 삽관 여부 및 내과적 투석 여부를 포함하고,
    상기 개체 데이터를 수신하는 단계 이후에 수행되는,
    상기 수술적 치료 여부, 상기 내과적 호흡기 삽관 여부 및 상기 내과적 투석 여부에 대하여 가중치를 부여하는 단계를 더 포함하는, 사망 위험도에 대한 정보 제공 방법.
  2. 제1항에 있어서,
    상기 생물학적 시험 데이터는,
    BUN (blood urea nitrogen) 수준, PaO2/FiO2 비율, SO2 수준, PT (INR) (Prothrombin Time (International Normalization Ratio)), NLR (Neutrophil to lymphocyte ratio), 젖산 (Lactate) 수준, 알부민 (Albumin) 수준, 림프구 수 (Lymphocyte count), PLR (Platelet-to-lymphocyte ratio), aPTT (activated partial thromboplastin time), 혈소판 수 (Platelet count), pH 및 헤모글로빈 (Hemoglobin) 수준 중 적어도 하나인, 사망 위험도에 대한 정보 제공 방법.
  3. 제2항에 있어서,
    상기 생물학적 시험 데이터는,
    상기 BUN 수준, 상기 PaO2/FiO2 비율, 상기 SO2 수준, 상기 PT(INR), 상기 젖산 수준, 상기 알부민 수준, 상기 pH 및 상기 헤모글로빈 수준을 포함하고,
    상기 개체 데이터를 수신하는 단계 이후에 수행되는,
    상기 BUN 수준, 상기 PaO2/FiO2 비율, 상기 젖산 수준, 상기 알부민 수준, 및 상기 pH에 대하여 가중치를 부여하는 단계를 더 포함하는, 사망 위험도에 대한 정보 제공 방법.
  4. 제1항에 있어서,
    상기 생체 신호 데이터는,
    심박수 (Heart rate), 동맥압 (arterial pressure), 호흡수 (respiratory rate), 체온 (body temperature), 요배설량 (Urine output) 및 GSC (Glasgow Coma Scale) 중 적어도 하나인, 사망 위험도에 대한 정보 제공 방법.
  5. 제4항에 있어서,
    상기 생체 신호 데이터는,
    적어도 하나의 상기 심박수를 포함하고
    상기 개체 데이터를 수신하는 단계 이후에 수행되는,
    상기 심박수에 대하여 가중치를 부여하는 단계를 더 포함하는, 사망 위험도에 대한 정보 제공 방법.
  6. 제1항에 있어서,
    상기 의료적 처치 데이터는,
    기계환기 (Ventilator) 처치 여부, 승압제 (vasopressor) 처치 여부 및 카테터 (Catheter) 처치 여부 중 적어도 하나를 더 포함하는, 사망 위험도에 대한 정보 제공 방법.
  7. 삭제
  8. 제1항에 있어서,
    상기 사망 위험도 예측 모델은,
    상기 개체 데이터를 기초로, 상기 개체에 대한 단기 사망률 또는 장기 사망률을 예측하도록 구성된,
    상기 제공하는 단계는,
    상기 사망 위험도 예측 모델에 의해 예측된 상기 단기 사망률 또는 상기 장기 사망률을 제공하는 단계를 포함하는, 사망 위험도에 대한 정보 제공 방법.
  9. 제8항에 있어서,
    상기 단기 사망률은,
    28 일 이내 사망률로 정의되고,
    상기 장기 사망률은,
    일 년 이내 사망률로 정의되는, 사망 위험도에 대한 정보 제공 방법.
  10. 제1항에 있어서,
    상기 개체 데이터는,
    원발암의 종류 데이터를 더 포함하고,
    상기 사망 위험도 예측 모델은,
    상기 생물학적 시험 데이터, 상기 생체 신호 데이터, 상기 의료적 처치 데이터 및 상기 원발암의 종류 데이터를 기초로, 사망 위험도를 예측하도록 더 구성되고,
    상기 원발암의 종류 데이터는,
    간암 발병 여부, 폐암 발병 여부, 혈액암 발병 여부, 결장암 발병 여부 및 위암 발병 여부 중 적어도 하나인, 사망 위험도에 대한 정보 제공 방법.
  11. 프로세서에 의해 구현되는 사망 위험도에 대한 정보 제공 방법에 있어서,
    개체에 대한, 생물학적 시험 데이터, 생체 신호 데이터, 및 의료적 처치 데이터를 포함하는, 개체 데이터를 수신하는 단계;
    상기 개체 데이터를 기초로, 사망 위험도를 예측하도록 구성된 사망 위험도 예측 모델을 이용하여, 상기 개체에 대한 사망 위험도를 예측하는 단계, 및
    상기 개체에 대하여 예측된 상기 사망 위험도를 제공하는 단계를 포함하고,
    상기 사망 위험도는,
    미리 결정된 시간 이내의 사망 발생의 위험도로 정의되고,
    상기 개체는, 암 발병된 개체이고,
    상기 개체 데이터는,
    합병증 데이터를 더 포함하고,
    상기 사망 위험도 예측 모델은,
    상기 생물학적 시험 데이터, 상기 생체 신호 데이터, 상기 의료적 처치 데이터 및 상기 합병증 데이터를 기초로, 사망 위험도를 예측하도록 더 구성되고,
    상기 합병증 데이터는,
    CHF (congestive heart failure) 여부, COPD (chronic obstructive pulmonary disease) 여부, DM (diabetes mellitus) 여부 및 HTN (hypertension) 여부 중 적어도 하나인, 사망 위험도에 대한 정보 제공 방법.
  12. 제1항에 있어서,
    상기 생물학적 시험 데이터 또는 상기 생체 신호 데이터는,
    미리 결정된 시간 단위로 측정된 복수의 데이터이고,
    복수의 상기 생물학적 시험 데이터 또는 상기 생체 신호 데이터는, 최대값 또는 최소값을 갖는, 사망 위험도에 대한 정보 제공 방법.
  13. 제1항에 있어서,
    상기 개체 데이터를 수신하는 단계 이후에 수행되는,
    필터링된 개체 데이터를 획득하도록, 로지스틱 회기 분석 (logistic regression) 을 통해 상기 개체 데이터를 필터링하는 단계를 더 포함하고,
    상기 사망 위험도를 예측하는 단계는,
    상기 사망 위험도 예측 모델을 이용하여, 상기 필터링된 개체 데이터에 기초하여 상기 개체에 대한 사망 위험도를 예측하는 단계를 포함하는, 사망 위험도에 대한 정보 제공 방법.
  14. 제1항에 있어서,
    상기 사망 위험도를 제공하는 단계는,
    상기 사망 위험도 예측 모델에 의해 개체에 대한 사망 발생 위험도가 예측될 경우,
    상기 개체에 대한 사망 위험 알림을 제공하는 단계를 포함하는, 사망 위험도에 대한 정보 제공 방법.
  15. 제1항에 있어서,
    상기 사망 위험도 예측 모델은,
    사망 표본 개체 및 생존 표본 개체에 대한 생물학적 시험 데이터, 생체 신호 데이터 및 의료적 처치 데이터를 포함하는 표본 개체 데이터를 수신하는 단계, 및
    상기 표본 개체 데이터를 기초로, 사망 또는 생존을 확률적으로 예측하는 단계를 통해 학습된 모델인, 사망 위험도에 대한 정보 제공 방법.
  16. 개체에 대한, 생물학적 시험 데이터, 생체 신호 데이터, 및 의료적 처치 데이터를 포함하는, 개체 데이터를 수신하도록 구성된 수신부, 및
    상기 수신부와 통신하도록 구성된 프로세서를 포함하고,
    상기 프로세서는,
    상기 개체 데이터를 기초로, 사망 위험도를 예측하도록 구성된 사망 위험도 예측 모델을 이용하여, 상기 개체에 대한 사망 위험도를 예측하고, 상기 개체에 대하여 예측된 상기 사망 위험도를 제공하도록 구성되고,
    상기 사망 위험도는,
    미리 결정된 시간 이내의 사망 발생의 위험도로 정의되고,
    상기 개체는, 암 발병된 개체이고,
    상기 의료적 처치 데이터는,
    적어도 하나의 수술적 치료 여부, 내과적 호흡기 삽관 여부 및 내과적 투석 여부를 포함하고,
    상기 프로세서는,
    상기 수술적 치료 여부, 상기 내과적 호흡기 삽관 여부 및 상기 내과적 투석 여부에 대하여 가중치를 부여하도록 더 구성된, 사망 위험도에 대한 정보 제공용 디바이스.
  17. 제16항에 있어서,
    상기 생물학적 시험 데이터는,
    BUN (blood urea nitrogen) 수준, PaO2/FiO2 비율, SO2 수준, PT (INR) (Prothrombin Time (International Normalization Ratio)), NLR (Neutrophil to lymphocyte ratio), 젖산 (Lactate) 수준, 알부민 (Albumin) 수준, 림프구 수 (Lymphocyte count), PLR (Platelet-to-lymphocyte ratio), aPTT (activated partial thromboplastin time), 혈소판 수 (Platelet count), pH 및 헤모글로빈 (Hemoglobin) 수준 중 적어도 하나인, 사망 위험도에 대한 정보 제공용 디바이스.
  18. 제17항에 있어서,
    상기 생물학적 시험 데이터는,
    상기 BUN 수준, 상기 PaO2/FiO2 비율, 상기 SO2 수준, 상기 PT(INR), 상기 젖산 수준, 상기 알부민 수준, 상기 pH 및 상기 헤모글로빈 수준을 포함하고,
    상기 프로세서는,
    상기 BUN 수준, 상기 PaO2/FiO2 비율, 상기 젖산 수준, 상기 알부민 수준, 및 상기 pH에 대하여 가중치를 부여하도록 더 구성된, 사망 위험도에 대한 정보 제공용 디바이스.
  19. 제16항에 있어서,
    상기 생체 신호 데이터는,
    심박수 (Heart rate), 동맥압 (arterial pressure), 호흡수 (respiratory rate), 체온 (body temperature), 요배설량 (Urine output) 및 GSC (Glasgow Coma Scale) 중 적어도 하나인, 사망 위험도에 대한 정보 제공용 디바이스.
  20. 제19항에 있어서,
    상기 생체 신호 데이터는,
    적어도 하나의 상기 심박수를 포함하고
    상기 프로세서는,
    상기 심박수에 대하여 가중치를 부여하도록 더 구성된, 사망 위험도에 대한 정보 제공용 디바이스.
  21. 제16항에 있어서,
    상기 의료적 처치 데이터는,
    기계환기 (Ventilator) 처치 여부, 승압제 (vasopressor) 처치 여부 및 카테터 (Catheter) 처치 여부 중 적어도 하나를 더 포함하는, 사망 위험도에 대한 정보 제공용 디바이스.
  22. 삭제
  23. 제16항에 있어서,
    상기 개체 데이터는,
    원발암의 종류 데이터를 더 포함하고,
    상기 사망 위험도 예측 모델은,
    상기 생물학적 시험 데이터, 상기 생체 신호 데이터, 상기 의료적 처치 데이터 및 상기 원발암의 종류 데이터를 기초로, 사망 위험도를 예측하도록 더 구성되고,
    상기 원발암의 종류 데이터는,
    간암 발병 여부, 폐암 발병 여부, 혈액암 발병 여부, 결장암 발병 여부 및 위암 발병 여부 중 적어도 하나인, 사망 위험도에 대한 정보 제공용 디바이스.
  24. 개체에 대한, 생물학적 시험 데이터, 생체 신호 데이터, 및 의료적 처치 데이터를 포함하는, 개체 데이터를 수신하도록 구성된 수신부, 및
    상기 수신부와 통신하도록 구성된 프로세서를 포함하고,
    상기 프로세서는,
    상기 개체 데이터를 기초로, 사망 위험도를 예측하도록 구성된 사망 위험도 예측 모델을 이용하여, 상기 개체에 대한 사망 위험도를 예측하고, 상기 개체에 대하여 예측된 상기 사망 위험도를 제공하도록 구성되고,
    상기 사망 위험도는,
    미리 결정된 시간 이내의 사망 발생의 위험도로 정의되고,
    상기 개체는, 암 발병된 개체이고,
    상기 개체 데이터는,
    합병증 데이터를 더 포함하고,
    상기 사망 위험도 예측 모델은,
    상기 생물학적 시험 데이터, 상기 생체 신호 데이터, 상기 의료적 처치 데이터 및 상기 합병증 데이터를 기초로, 사망 위험도를 예측하도록 더 구성되고,
    상기 합병증 데이터는,
    CHF (congestive heart failure) 여부, COPD (chronic obstructive pulmonary disease) 여부, DM (diabetes mellitus) 여부 및 HTN (hypertension) 여부 중 적어도 하나인, 사망 위험도에 대한 정보 제공용 디바이스.
KR1020190126902A 2019-10-14 2019-10-14 사망 위험도에 대한 정보 제공 방법 및 이를 이용한 디바이스 KR102310888B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190126902A KR102310888B1 (ko) 2019-10-14 2019-10-14 사망 위험도에 대한 정보 제공 방법 및 이를 이용한 디바이스

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190126902A KR102310888B1 (ko) 2019-10-14 2019-10-14 사망 위험도에 대한 정보 제공 방법 및 이를 이용한 디바이스

Publications (2)

Publication Number Publication Date
KR20210043941A KR20210043941A (ko) 2021-04-22
KR102310888B1 true KR102310888B1 (ko) 2021-10-08

Family

ID=75731077

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190126902A KR102310888B1 (ko) 2019-10-14 2019-10-14 사망 위험도에 대한 정보 제공 방법 및 이를 이용한 디바이스

Country Status (1)

Country Link
KR (1) KR102310888B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113869355B (zh) * 2021-08-17 2024-05-24 杭州华亭科技有限公司 一种基于XGBoost的人员危险性评估方法
KR102623020B1 (ko) * 2023-09-11 2024-01-10 주식회사 슈파스 인공지능 기반의 생체 데이터 분석을 통한 패혈성 쇼크 조기 예측방법, 장치 및 컴퓨터프로그램

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017021727A (ja) * 2015-07-15 2017-01-26 国立大学法人京都大学 イベント発生時期予測装置、イベント発生時期予測方法、及びイベント発生時期予測プログラム

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018143540A1 (ko) * 2017-02-02 2018-08-09 사회복지법인 삼성생명공익재단 인공신경망을 이용한 위암의 예후 예측 방법, 장치 및 프로그램
KR102169637B1 (ko) * 2018-03-07 2020-10-23 연세대학교 산학협력단 사망 위험도의 예측 방법 및 이를 이용한 사망 위험도의 예측 디바이스

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017021727A (ja) * 2015-07-15 2017-01-26 国立大学法人京都大学 イベント発生時期予測装置、イベント発生時期予測方法、及びイベント発生時期予測プログラム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
양승환 외 6인, "급성 증상으로 응급의료센터를 방문한 말기 암 환자에서 단기 사망의 예측인자", 대한응급의학회지. 제21권, 제4호, pp465-473, 2010년 10월 1부.*

Also Published As

Publication number Publication date
KR20210043941A (ko) 2021-04-22

Similar Documents

Publication Publication Date Title
Asaari Value of shock index in prognosticating the short term outcome of death for patients presenting with severe sepsis and septic shock in the emergency department
CN103201743B (zh) 患者疾病严重性、死亡率和住院时长的连续预测方法
RU2629799C2 (ru) Оценка и наблюдение острого повреждения легких (ali)/синдрома острой дыхательной недостаточности (ards)
JP6049620B2 (ja) 医学的スコアリングシステムおよび方法
US20090149724A1 (en) System and method for predicting septic shock
Riordan Jr et al. Early loss of heart rate complexity predicts mortality regardless of mechanism, anatomic location, or severity of injury in 2178 trauma patients
Thompson et al. Patient characteristics and predictors of mortality in 470 adults admitted to a district general hospital in England with Covid-19
KR102257830B1 (ko) 사망 위험도의 예측 방법 및 이를 이용한 디바이스
KR102446376B1 (ko) 사망 또는 패혈증 위험도 예측 방법 및 이를 이용한 사망 또는 패혈증 위험도 예측용 디바이스
Choi et al. Markers of poor outcome in patients with acute hypoxemic respiratory failure
JP2018533798A (ja) 患者の生理学的反応に基づいた急性呼吸器疾患症候群（ａｒｄｓ）の予測
US11676722B1 (en) Method of early detection, risk stratification, and outcomes prediction of a medical disease or condition with machine learning and routinely taken patient data
JP2019511057A (ja) Ｓｉｒｓの予測のための臨床パラメータの使用
WO2018106481A1 (en) Computer-implemented methods, systems, and computer-readable media for diagnosing a condition
KR102310888B1 (ko) 사망 위험도에 대한 정보 제공 방법 및 이를 이용한 디바이스
EP4162065A1 (en) Electronic health record (ehr)-based classifier for acute respiratory distress syndrome (ards) subtyping
Carrara et al. Mortality prediction model of septic shock patients based on routinely recorded data
CN115240855A (zh) 一种胃癌切除术后严重并发症护理风险预测模型及其构建方法
CN113903460A (zh) 一种预测重症急性胰腺炎的系统及其应用
Wu et al. Developing and evaluating a machine-learning-based algorithm to predict the incidence and severity of ARDS with continuous non-invasive parameters from ordinary monitors and ventilators
WO2022133258A1 (en) Real-time prediction of adverse outcomes using machine learning
Gho et al. Predictive and prognostic roles of electrical cardiometry in noninvasive assessments of community-acquired pneumonia patients with dyspnoea
Ladde et al. End‐tidal carbon dioxide measured at emergency department triage outperforms standard triage vital signs in predicting in‐hospital mortality and intensive care unit admission
Pimentel Modelling of vital-sign data from post-operative patients
CN113066547A (zh) 一种基于常规无创参数的ards早期动态预警方法与系统

Legal Events

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