KR102328154B1 - 머신러닝에 기반한 의료데이터 수집 및 분석 서비스 제공 방법 및 시스템 - Google Patents
머신러닝에 기반한 의료데이터 수집 및 분석 서비스 제공 방법 및 시스템 Download PDFInfo
- Publication number
- KR102328154B1 KR102328154B1 KR1020190143253A KR20190143253A KR102328154B1 KR 102328154 B1 KR102328154 B1 KR 102328154B1 KR 1020190143253 A KR1020190143253 A KR 1020190143253A KR 20190143253 A KR20190143253 A KR 20190143253A KR 102328154 B1 KR102328154 B1 KR 102328154B1
- Authority
- KR
- South Korea
- Prior art keywords
- medical
- data
- medical data
- user terminal
- machine learning
- Prior art date
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013480 data collection Methods 0.000 title claims abstract description 41
- 238000007405 data analysis Methods 0.000 claims abstract description 39
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 230000000875 corresponding effect Effects 0.000 claims description 16
- 201000010099 disease Diseases 0.000 claims description 11
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 11
- 238000007670 refining Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 238000003058 natural language processing Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 208000024891 symptom Diseases 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 238000013503 de-identification Methods 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims 1
- 239000003814 drug Substances 0.000 abstract 1
- 238000004891 communication Methods 0.000 description 10
- 238000007726 management method Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000015654 memory Effects 0.000 description 3
- 238000004393 prognosis Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000035935 pregnancy Effects 0.000 description 2
- 206010012289 Dementia Diseases 0.000 description 1
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009509 drug development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
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
- G16H50/70—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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
본 발명의 머신러닝에 기반한 의료데이터 수집 및 분석 서비스 제공 방법은 (a) 복수의 의료데이터를 수집하고, 수집된 데이터에 대한 전처리와 분류를 수행하는 단계; (b) 분류된 의료데이터들을 참조하여 기계학습을 수행하여 의료학습모델을 구축하는 단계; (c) 사용자 단말로 의료데이터 수집 및 분석 플랫폼 사용자인터페이스를 제공하여, 사용자가 분석할 프로젝트에 대한 복수의 의료데이터를 원하는 대로 랜덤하게 입력하도록 하고, 사용자 단말로부터 입력된 복수의 의료데이터를 수집하는 단계; (d) 복수의 의료데이터에 대한 최적화 작업을 수행하여 일부 데이터를 제거하거나 교정하는 단계; 및 (e) 수집된 복수의 의료데이터를 구축된 의료학습모델에 입력하여 출력값을 사용자 단말로 제공하는 단계를 포함하는 것이고, 의료데이터는 진료데이터와 임상정보데이터를 포함하는 의료관련 기관데이터 및 의학논문데이터를 포함하는 의료학계데이터를 포함한다.
Description
본 발명은 머신러닝에 기반한 의료데이터 수집 및 분석 서비스 제공 방법 및 시스템에 관한 것이다.
최근 인공지능 기술의 발달과 더불어 많은 데이터를 처리하여 유용한 정보를 추출하는 빅데이터 기술이 주목을 받고 있다.
예를 들어, 제약 산업 분야의 경우 효율적인 약물 개발을 위해 인공지능이 적용되고 있다. 의료 분야에서도 인공지능 기술 및 빅데이터 기술은 의료 진단 및 예측을 위한 기술로서 주목을 받고 있다.
종래의 의료 정보 분야는 진료 분야와 연구 분야로 나누어져 발전하고 있다. 예시적으로, 각 의료 정보 분야별로 환자의 진료 기록이 저장되는 환자진료데이터, 임상 시험(Clinical Trial)에 참여하는 피험자의 테스트 결과가 저장되는 임상정보데이터, 의학논문데이터, 환자 건강검진데이터, 병원내 전자진료차트(EMR, Electronic Medical Record) 등을 각 분야의 대표적인 정보 관리 시스템을 통하여 데이터베이스화 하여 관리하고 있다.
그러나, 현재 의료 분야에서는 전술한 다양한 의료데이터들이 연관성이 있는 카테고리별로 분류 및 관리되고 있지 못한 실정이며, 이로 인해, 상호 관련있는 하나의 카테고리 내에서 의학 문서 및 의료 데이터 검색하는 경우, 많은 시간이 소요된다는 문제가 있다.
이와 관련하여 대한민국 공개특허 제 10-2012-0004611 호는 의료검사결과데이터 관리시스템 및 관리방법에 관하여 개시하고 있다.
본 발명은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 사용자가 분석하고자 하는 프로젝트에 대한 복수의 의료데이터를 입력할 수 있는 사용자인터페이스를 제공하며, 의료학습모델에 의해, 분석된 출력값을 사용자 단말로 제공하는 머신러닝에 기반한 의료데이터 수집 및 분석 서비스 시스템을 제공하고자 한다.
다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 발명의 제 1 측면에 따른 머신러닝에 기반한 의료데이터 수집 및 분석 서비스 제공 방법은 (a) 복수의 의료데이터를 수집하고, 수집된 데이터에 대한 전처리와 분류를 수행하는 단계; (b) 분류된 의료데이터들을 참조하여 기계학습을 수행하여 의료학습모델을 구축하는 단계; (c) 사용자 단말로 의료데이터 수집 및 분석 플랫폼 사용자인터페이스를 제공하여, 사용자가 분석할 프로젝트에 대한 복수의 의료데이터를 원하는 대로 랜덤하게 입력하도록 하고, 사용자 단말로부터 입력된 복수의 의료데이터를 수집하는 단계; (d) 복수의 의료데이터에 대한 최적화 작업을 수행하여 일부 데이터를 제거하거나 교정하는 단계; 및 (e) 수집된 복수의 의료데이터를 구축된 의료학습모델에 입력하여 출력값을 사용자 단말로 제공하는 단계를 포함하는 것이고, 의료데이터는 진료데이터와 임상정보데이터를 포함하는 의료관련 기관데이터 및 의학논문데이터를 포함하는 의료학계데이터를 포함한다.
(a) 단계는, 수집된 데이터 중 개인정보에 해당하는 정보들은 비식별처리를 수행하여 수집 대상에서 제거하거나 사람이 인지하지 못하도록 처리하는 단계; 수집된 데이터의 종류에 대한 라벨링을 수행하는 단계; 및 라벨링된 데이터를 카테고리 별로 분류하는 단계를 포함한다.
(b) 단계는, 각 카테고리의 의료데이터로부터 키워드를 추출하고, 증상이나 환자상태에 관한 키워드들을 입력값으로 설정하고, 질병결과나 치료방법이나 임상결과에 관한 키워드들을 출력값으로 설정하여 기계학습을 수행하되, 의료데이터의 범주나 형태에 기초하여 기계학습 알고리즘을 결정하고, 복수의 기계학습 알고리즘 간의 조합을 자동 수행하는 fine tunig 과정을 거쳐 최적 알고리즘을 선택하여 기계학습을 수행한다.
(c) 단계는, 사용자 단말로부터 프로젝트 템플릿에 대한 선택결과를 수신하고, 프로젝트 정보를 생성한 뒤 선택결과에 대응하는 템플릿을 사용자 단말로 제공하는 단계; 및 사용자 단말에서 원하는 대로 필드를 생성하고, 필드값을 입력함에 따라, 사용자 단말이 최종적으로 입력완료한 필드 및 필드값을 수신하는 단계;를 포함한다.
(d) 단계는, (d-1) 필드 및 필드값에 대한 논리적 모순에 의한 오류나 기 설정된 범위를 벗어나는 필드값들을 제거하는 정제작업을 수행하는 단계; 및 (d-2) 정제 작업을 통해 필터링된 의료데이터를 바탕으로 각 필드 간의 연관성 분석을 수행하여 연관성이 낮은 필드 및 필드값을 제거하는 단계;를 포함한다.
(d-1) 단계는, 서버에 기 저장된 사용자들의 의료데이터 저장 및 교정 이력을 참조하여 학습을 수행하는 단계; 서버에 기 저장된 외부기관 의료데이터를 참조하여, 임의의 필드에 해당하는 필드값이 기입되기 위한 조건을 분석하도록 학습을 수행하는 단계; 의료검사결과 항목과 각 항목의 정상수치에 대한 데이터베이스를 참조하여, 임의의 필드에 해당하는 필드값의 수치의 기준점을 설정하는 단계; 및 (d-1) 단계 내에서 수행된 학습과 기준점을 바탕으로 불필요한 것으로 판단된 항목을 제거하고 모순된 필드값을 교정하는 단계를 포함한다.
(d-2) 단계는, (d-1) 단계에서 정제작업 후 남은 필드와 공통적인 필드를 갖는 의료데이터들을 반복적으로 검색하여 통계적인 노출 빈도를 분석하고, 공통적인 필드를 갖는 의료데이터 내에서의 결과값과 남은 필드 간의 연관성 분석을 수행하여, 통계적 의미가 기 설정된 기준치보다 낮은 필드 및 필드값을 분류하고, 분류된 필드 및 필드값을 제거한다.
기계학습은 CNN(Convolutional Neural Network)과 RNN(Recurrent Neural Nerwork), LSTM(Long Short-Term Memory), 및 NLP(Natiral Language Processing) 알고리즘 중 적어도 하나를 통해 수행된다.
(f) 사용자 단말로 제공된 출력값을 구성하는 다양한 수치들 중 서로 높은 연관성이 있는 수치들을 묶어서 상호간의 연관관계를 표나 그래프로 변환하여 제공하는 단계를 더 포함한다.
또한, 본 발명의 제 2 측면에 따른 머신러닝에 기반한 의료데이터 수집 및 분석 서비스 제공 시스템은 서버를 포함하며, 서버는, 복수의 의료데이터를 수집하고, 수집된 데이터에 대한 전처리와 분류를 수행하고, 분류된 의료데이터들을 참조하여 기계학습을 수행하여 의료학습모델을 구축하며, 사용자 단말로 의료데이터 수집 및 분석 플랫폼 사용자인터페이스를 제공하여, 사용자가 분석할 프로젝트에 대한 복수의 의료데이터를 원하는 대로 랜덤하게 입력하도록 하고, 사용자 단말로부터 입력된 복수의 의료데이터를 수집하고, 복수의 의료데이터에 대한 최적화 작업을 수행하여 일부 데이터를 제거하거나 교정하며, 수집된 복수의 의료데이터를 구축된 의료학습모델에 입력하여 출력값을 사용자 단말로 제공하는 것이고, 의료데이터는 진료데이터와 임상정보데이터를 포함하는 의료관련 기관데이터 및 의학논문데이터를 포함한다.
본 발명은 의료데이터 수집 및 분석 플랫폼 사용자인터페이스를 통해 사용자가 분석하고자 하는 프로젝트에 대한 복수의 의료데이터를 원하는 대로 랜덤하게 입력하는 것만으로 사용자가 입력한 프로젝트와 연관성이 높은 질병명, 치료방법 및 질병예후예측정보 등을 포함하는 출력값을 제공할 수 있다.
더불어, 각 의료 정보 분야별로 정보관리시스템을 통해 분산 및 저장되어 있는 다양한 의료관련 데이터를 활용하여 사용자가 입력한 프로젝트의 의료데이터와 서로 높은 연관성이 있는 수치들을 묶어서 상호간의 연관관계를 표나 그래프의 형태로 2차 가공하여 제공할 수 있다.
도 1은 본 발명의 일 실시예에 따른 머신러닝에 기반한 의료데이터 수집 및 분석 서비스 제공 시스템의 구성도이다.
도 2는 본 발명의 일 실시예에 따른 머신러닝에 기반한 의료데이터 수집 및 분석 서비스 제공 방법을 설명하기 위한 순서도이다.
도 3은 본 발명의 일 실시예에 따른 머신러닝에 기반한 의료데이터 수집 및 분석 서비스 제공 서버에 의해 의료학습모델을 구축하는 방법을 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 머신러닝에 기반한 의료데이터 수집 및 분석 서비스 제공 서버에 의해 의료데이터에 대한 최적화하는 방법을 설명하기 위한 도면이다.
도 2는 본 발명의 일 실시예에 따른 머신러닝에 기반한 의료데이터 수집 및 분석 서비스 제공 방법을 설명하기 위한 순서도이다.
도 3은 본 발명의 일 실시예에 따른 머신러닝에 기반한 의료데이터 수집 및 분석 서비스 제공 서버에 의해 의료학습모델을 구축하는 방법을 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 머신러닝에 기반한 의료데이터 수집 및 분석 서비스 제공 서버에 의해 의료데이터에 대한 최적화하는 방법을 설명하기 위한 도면이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
본 명세서에 있어서 '부(部)'란, 하드웨어에 의해 실현되는 유닛(unit), 소프트웨어에 의해 실현되는 유닛, 양방을 이용하여 실현되는 유닛을 포함한다. 또한, 1 개의 유닛이 2 개 이상의 하드웨어를 이용하여 실현되어도 되고, 2 개 이상의 유닛이 1 개의 하드웨어에 의해 실현되어도 된다. 한편, '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니며, '~부'는 어드레싱 할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로 더 분리될 수 있다. 뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU들을 재생시키도록 구현될 수도 있다.
이하에서 언급되는 "시스템"은 네트워크를 통해 서버나 타 단말에 접속할 수 있는 컴퓨터나 휴대용 단말기로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(desktop), 랩톱(laptop) 등을 포함한다.
휴대용 단말기는 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치이고, 예를 들어 스마트 폰, 태블릿 PC 또는 노트북 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치일 수 있다.
또한, 네트워크는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 근거리 통신망(LAN: Local Area Network), 광역 통신망(WAN: Wide Area Network), 인터넷 (WWW: World Wide Web), 유무선 데이터 통신망, 전화망, 유무선 텔레비전 통신망 등을 포함한다. 무선 데이터 통신망의 일례에는 3G, 4G, 5G, 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution), WIMAX(World Interoperability for Microwave Access), 와이파이(Wi-Fi), 블루투스 통신, 적외선 통신, 초음파 통신, 가시광 통신(VLC: Visible Light Communication), 라이파이(LiFi) 등이 포함되나 이에 한정되지는 않는다.
도 1은 본 발명의 일 실시예에 따른 머신러닝에 기반한 의료데이터 수집 및 분석 서비스 제공 시스템의 구성도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 머신러닝에 기반한 의료데이터 수집 및 분석 서비스 제공 시스템은 사용자 단말(100), 의료데이터 수집 및 분석 서비스 제공 서버(200)를 포함한다.
예시적으로, 서버(200)는 통신모듈, 메모리, 프로세서 및 데이터베이스를 포함한다. 통신모듈은 사용자 단말(100) 및 정보관리시스템(300)과 각각 데이터 통신을 처리한다. 메모리에는 사용자 단말(100)에 대해 의료데이터 수집 및 분석 플랫폼 사용자인터페이스를 제공하기 위한 의료데이터 수집 및 분석 서비스 제공 프로그램이 저장되어 있다. 프로세서는 메모리에 저장된 프로그램을 실행하되, 이하에서 설명할 사용자 단말(100)을 통해 처리되는 의료데이터 수집 및 분석 서비스 제공 프로그램의 각 동작에 대응하는 처리를 수행한다.
구체적으로, 사용자 단말(100)은 스마트폰과 같이 다양한 기능이 탑재 되거나 또는 다양한 프로그램(예를 들어, 모바일 앱 등)을 자유롭게 탑재 및 설치할 수 있는 지능형 단말일 수 있다.
서버(200)는 복수의 의료데이터를 수집하고, 수집된 데이터에 대한 전처리와 분류를 수행하고, 분류된 의료데이터들을 참조하여 기계학습을 수행하여 의료학습모델을 구축하며, 사용자 단말(100)로 의료데이터 수집 및 분석 플랫폼 사용자인터페이스를 제공하여, 사용자가 분석할 프로젝트에 대한 복수의 의료데이터를 원하는 대로 랜덤하게 입력하도록 하고, 사용자 단말(100)로부터 입력된 복수의 의료데이터를 수집하고, 복수의 의료데이터에 대한 최적화 작업을 수행하여 일부 데이터를 제거하거나 교정하며, 수집된 복수의 의료데이터를 구축된 의료학습모델에 입력하여 출력값을 사용자 단말(100)로 제공할 수 있다. 여기서, 의료데이터는 진료데이터와 임상정보데이터를 포함하는 의료관련 기관데이터 및 의학논문데이터를 포함한다.
예시적으로, 서버(200)는 각 의료 정보 분야별로 구축되어 있는 정보관리시스템(300)으로부터 수집한 복수의 의료데이터들에 대하여 기계학습을 수행하여 의료학습모델을 구축할 수 있다.
또한 사용자 단말(100)은 의료데이터 수집 및 분석 플랫폼 사용자인터페이스를 통해 사용자가 분석하고자 하는 프로젝트를 생성할 수 있다. 예를 들어, 프로젝트는 환자의 상태를 특정 기간동안 주기적으로 조사하는 연구에 관한 의료데이터 입력템플릿, 병원 진료기록 템플릿, 일회성 의료정보조사 템플릿, 의학논문분석 템플릿, 의료이미지 학습 템플릿 등을 포함할 수 있다.
따라서, 본 발명은 각 의료 정보 분야별로 정보관리시스템을 통해 분산 및 저장되어 있는 다양한 의료관련 데이터를 활용하여 사용자가 분석하고자 하는 프로젝트와 서로 높은 연관성이 있는 질병명, 치료방법 및 질병예후예측정보 등을 포함하는 출력값을 제공할 수 있다.
이하에서는 상술한 도1에 도시된 구성 중 동일한 기능을 수행하는 구성의 경우 설명을 생략하기로 한다.
이하에서는 도 2 내지 도4를 참조하여 본 발명의 일 실시예에 따른 의료데이터 수집 및 분석 서비스 제공방법을 구체적으로 설명하도록 한다.
도 2는 본 발명의 일 실시예에 따른 머신러닝에 기반한 의료데이터 수집 및 분석 서비스 제공 방법을 설명하기 위한 순서도이다.
도 2를 참조하면, 머신러닝에 기반한 의료데이터 수집 및 분석 서비스 제공 방법은 복수의 의료데이터를 수집하고, 수집된 데이터에 대한 전처리와 분류를 수행하는 단계(S100), 분류된 의료데이터들을 참조하여 기계학습을 수행하여 의료학습모델을 구축하는 단계(S200), 사용자 단말(100)로 의료데이터 수집 및 분석 플랫폼 사용자인터페이스를 제공하여, 사용자가 분석할 프로젝트에 대한 복수의 의료데이터를 원하는 대로 랜덤하게 입력하도록 하고, 사용자 단말(100)로부터 입력된 복수의 의료데이터를 수집하는 단계(S300), 복수의 의료데이터에 대한 최적화 작업을 수행하여 일부 데이터를 제거하거나 교정하는 단계(S400) 및 수집된 복수의 의료데이터를 구축된 의료학습모델에 입력하여 출력값을 사용자 단말(200)로 제공하는 단계(S500)를 포함한다. 여기서, 의료데이터는 진료데이터와 임상정보데이터를 포함하는 의료관련 기관데이터 및 의학논문데이터를 포함하는 의료학계데이터를 포함한다.
예시적으로, S100단계에서, 서버(200)는 각 의료 정보 분야별로 구축되어 있는 정보관리시스템(300)으로부터 복수의 의료데이터를 수집할 수 있다. 또한 서버(200)는 수집된 의료데이터 중 개인정보에 해당하는 정보들은 비식별화를 수행하고, 수집된 의료데이터의 종류에 대한 라벨링을 수행할 수 있다. 예를 들어, 환자진료데이터, 임상정보데이터 등 의료데이터의 종류별로 효율적으로 식별 · 분류 가능하도록 라벨링을 할 수 있다. 다음으로, 라벨링된 의료데이터를 카테고리별로 분류할 수 있다.
도 3은 본 발명의 일 실시예에 따른 머신러닝에 기반한 의료데이터 수집 및 분석 서비스 제공 서버에 의해 의료학습모델을 구축하는 방법을 설명하기 위한 도면이다.
도 3을 참조하면, S200단계에서, 서버(200)는 각 카테고리의 의료데이터로부터 키워드를 추출하고, 증상이나 환자상태에 관한 키워드들을 입력값으로 설정하고, 질병결과나 치료방법이나 임상결과에 관한 키워드들을 출력값으로 설정하여 기계학습을 수행하되, 의료데이터의 범주나 형태에 기초하여 기계학습 알고리즘을 결정하고, 복수의 기계학습 알고리즘 간의 조합을 자동 수행하는 fine tunig 과정을 거쳐 최적 알고리즘을 선택하여 기계학습을 수행할 수 있다.
일 예로, 분류된 의료데이터들을 참조하여 의료학습모델을 구축하기 위한 기계학습은 CNN(Convolutional Neural Network)과 RNN(Recurrent Neural Nerwork), LSTM(Long Short-Term Memory), 및 NLP(Natiral Language Processing) 알고리즘 중 적어도 하나를 통해 수행할 수 있다.
S300 단계에서, 서버(200)는 사용자 단말(100)로부터 프로젝트 템플릿에 대한 선택결과를 수신하고, 프로젝트 정보를 생성한 뒤 선택결과에 대응하는 템플릿을 사용자 단말(100)로 제공할 수 있다. 또한, 서버(200)는 사용자 단말(100)에서 원하는 대로 필드를 생성하고, 필드값을 입력함에 따라, 사용자 단말(100)이 최종적으로 입력완료한 필드 및 필드값을 수신할 수 있다.
예시적으로, S300단계에서, 사용자 단말(100)이 서버(200)로부터 제공된 의료데이터 수집 및 분석 플랫폼 사용자인터페이스를 통해 사용자가 분석하고자 하는 프로젝트 정보를 생성할 수 있다. 예시적으로, 사용자 단말(100)은 프로젝트 템플릿을 선택하여 프로젝트 정보를 생성할 수 있다. 예를 들어, 프로젝트 템플릿은 환자의 상태를 특정 기간동안 주기적으로 조사하는 연구에 관한 의료데이터 입력템플릿, 병원 진료기록 템플릿, 일회성 의료정보조사 템플릿, 의학논문분석 템플릿 및 의료이미지 학습 템플릿을 포함할 수 있으며, 사용자 단말(100)은 상기 템플릿 항목들 중에서 하나를 선택할 수 있다.
또한, 사용자 단말(100)은 서버(200)로부터 사용자가 선택한 템플릿을 제공받은 후, 사용자 입력에 따라 프로젝트 성격에 맞는 필드를 원하는 대로 생성할 수 있다. 이때 필드는 입력양식(Case Report Form)을 의미한다. 예시적으로, 사용자 단말(100)은 사용자 자신의 프로젝트 성격에 맞는 원하는 필드종류(예를 들어, 질병의 증상, 질병의 기간, 환자 나이, 환자 성별, 환자 거주지, 환자의 생활 습관, 통증이 나타나는 시점, 통증의 강도, 진단명(진단코드), 대표증상, 처방명 등에 관한 정보)와 입력방식(예를 들어, 표, 텍스트, 이미지, 숫자, 체크박스, 의학용어 라이브러리를 활용한 자동완성)을 여러 개 생성하고, 그 필드에 해당하는 필드값을 기입할 수 있다. 예를 들어, 필드종류가 환자 성별일 때, 필드값은 남자 혹은 여자에 관한 데이터를 의미하고, 필드종류가 체중일때, 필드값은 임의의 수치(예를 들어, 50KG)을 의미한다.
도 4는 본 발명의 일 실시예에 따른 머신러닝에 기반한 의료데이터 수집 및 분석 서비스 제공 서버에 의해 의료데이터에 대한 최적화하는 방법을 설명하기 위한 도면이다.
도 4를 참조하면, 서버(200)에 의해, 복수의 의료데이터에 대한 최적화 작업을 수행하여 일부 데이터를 제거하거나 교정하는 단계(S400)는 필드 및 필드값에 대한 논리적 모순에 의한 오류나 기 설정된 범위를 벗어나는 필드값들을 제거하는 정제작업을 수행하는 단계(S410) 및 정제 작업을 통해 필터링된 의료데이터를 바탕으로 각 필드 간의 연관성 분석을 수행하여 연관성이 낮은 필드 및 필드값을 제거하는 단계(S420)를 포함할 수 있다.
구체적으로 S410 단계에서, 서버(200)는 서버(200)의 데이터베이스에 기 저장된 사용자들의 의료데이터 저장 및 교정 이력을 참조하여 학습을 수행할 수 있다. 이어서, 서버(200)에 기 저장된 외부기관 의료데이터를 참조하여, 임의의 필드에 해당하는 필드값이 기입되기 위한 조건을 분석하도록 학습을 수행할 수 있다. 예를 들어, 필드의 종류가 성별에 해당하는 필드값이 ‘남자’일 경우 ‘임신 여부’는 무조건 ‘아니오’ 로 처리되는 조건 정보를 바탕으로 학습을 수행할 수 있다. 다음으로, 의료검사결과 항목과 각 항목의 정상수치에 대한 데이터베이스를 참조하여, 임의의 필드에 해당하는 필드값의 수치의 기준점을 설정할 수 있다. 이후, 서버(200)는 S410단계 내에서 수행된 학습과 기준점을 바탕으로 불필요한 것으로 판단된 항목을 제거하고 모순된 필드값을 교정할 수 있다. 예를 들어, 임신 관련 의료데이터 수집을 위한 것일 경우, 불필요한 항목인 성별 필드는 제거될 수 있다.
S420 단계에서, 서버(200)는 정제작업 후 남은 필드와 공통적인 필드를 갖는 의료데이터들을 반복적으로 검색하여 통계적인 노출 빈도를 분석하고, 공통적인 필드를 갖는 의료데이터 내에서의 결과값과 남은 필드 간의 연관성 분석을 수행하여, 통계적 의미가 기 설정된 기준치보다 낮은 필드 및 필드값을 분류하고, 분류된 필드 및 필드값을 제거할 수 있다. 즉, 최종적으로, 유의미한 필드들의 정제된 데이터를 추출함으로써, 보다 적은 데이터로 효과적인 학습이 가능하도록 한다는 효과가 있다.
또한 서버(200)는 사용자 단말(100)로 제공된 출력값을 구성하는 다양한 수치들 중 서로 높은 연관성이 있는 수치들을 묶어서 상호간의 연관관계를 표나 그래프로 변환하여 제공할 수 있다. 예를 들어, 출력값은 질병명, 치료방법 및 질병예후예측정보 등을 포함할 수 있다.
예시적으로, 사용자 단말(100)은 복수의 필드 및 필드값 중에서 분석이 필요한 항목과 적용할 기법 정보를 선택할 수 있다. 일 예로, 서버(200)는 사용자 단말(100)로부터 수신한 분석이 필요한 항목과 기법 정보를 참고하여, 사용자 단말(100)로 pValue 가설 검정, T검정, 네트워크 분석, 빈도 분석, Odds ratio 등 다양한 통계치를 실시간으로 분석한 통계세트를 제공할 수 있다. 이때, 통계세트는 그래프 및 표 등으로 시각화된 정보를 의미하며, 예를 들어 다양한 진료 데이터 사이에서 음주량과 치매발생율 간의 연관관계를 별도의 설정 없이도 자동으로 분석하여 제공할 수 있다.
다른 예로, 서버(200)는 수집된 데이터를 더 범주화하는 작업을 수행할 수 있다. 예를 들어, 사용자 단말(100)은 보고서 형태로 인쇄하거나 추출된 pdf 파일이나 웹 페이지를 다양한 방식으로 제공받고 공유할 수 있다.
본 발명의 일 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행 가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.
본 발명의 방법 및 시스템은 특정 실시예와 관련하여 설명되었지만, 그것들의 구성 요소 또는 동작의 일부 또는 전부는 범용 하드웨어 아키텍쳐를 갖는 컴퓨터 시스템을 사용하여 구현될 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
100: 사용자 단말
200: 서버
300: 정보관리시스템
200: 서버
300: 정보관리시스템
Claims (10)
- 머신러닝에 기반한 의료데이터 수집 및 분석 서비스 제공 방법에 있어서,
(a) 복수의 의료데이터를 수집하고, 수집된 데이터에 대한 전처리와 분류를 수행하는 단계;
(b) 상기 분류된 의료데이터들을 참조하여 기계학습을 수행하여 의료학습모델을 구축하는 단계;
(c) 사용자 단말로 의료데이터 수집 및 분석 플랫폼 사용자인터페이스를 제공하여, 사용자가 분석할 프로젝트에 대한 복수의 의료데이터를 원하는 대로 랜덤하게 입력하도록 하고, 사용자 단말로부터 입력된 복수의 의료데이터를 수집하는 단계;
(d) 상기 복수의 의료데이터에 대한 최적화 작업을 수행하여 일부 데이터를 제거하거나 교정하는 단계; 및
(e) 상기 수집된 복수의 의료데이터를 상기 구축된 의료학습모델에 입력하여 출력값을 상기 사용자 단말로 제공하는 단계를 포함하는 것이고,
상기 의료데이터는 진료데이터와 임상정보데이터를 포함하는 의료관련 기관데이터 및 의학논문데이터를 포함하는 의료학계데이터를 포함하되,
상기 (c) 단계는,
상기 사용자 단말로부터 프로젝트 템플릿에 대한 선택결과를 수신하고, 프로젝트 정보를 생성한 뒤 선택결과에 대응하는 템플릿을 상기 사용자 단말로 제공하는 단계; 및
상기 사용자 단말에서 원하는 대로 필드를 생성하고, 필드값을 입력함에 따라, 상기 사용자 단말이 최종적으로 입력완료한 필드 및 필드값을 수신하는 단계;를 포함하는 것인, 머신러닝에 기반한 의료데이터 수집 및 분석 서비스 제공 방법.
- 제 1 항에 있어서,
상기 (a) 단계는,
상기 수집된 데이터 중 개인정보에 해당하는 정보들은 비식별처리를 수행하여 수집 대상에서 제거하거나 사람이 인지하지 못하도록 처리하는 단계;
상기 수집된 데이터의 종류에 대한 라벨링을 수행하는 단계; 및
상기 라벨링된 데이터를 카테고리 별로 분류하는 단계를 포함하는, 머신러닝에 기반한 의료데이터 수집 및 분석 서비스 제공 방법.
- 제 2 항에 있어서,
상기 (b) 단계는,
상기 각 카테고리의 의료데이터로부터 키워드를 추출하고, 증상이나 환자상태에 관한 키워드들을 입력값으로 설정하고, 질병결과나 치료방법이나 임상결과에 관한 키워드들을 출력값으로 설정하여 기계학습을 수행하되, 의료데이터의 범주나 형태에 기초하여 기계학습 알고리즘을 결정하고, 복수의 기계학습 알고리즘 간의 조합을 자동 수행하는 fine tunig 과정을 거쳐 최적 알고리즘을 선택하여 기계학습을 수행하는 것인,
머신러닝에 기반한 의료데이터 수집 및 분석 서비스 제공 방법.
- 삭제
- 제 1 항에 있어서,
상기 (d) 단계는,
(d-1) 상기 필드 및 필드값에 대한 논리적 모순에 의한 오류나 기 설정된 범위를 벗어나는 필드값들을 제거하는 정제작업을 수행하는 단계; 및
(d-2) 상기 정제 작업을 통해 필터링된 의료데이터를 바탕으로 각 필드 간의 연관성 분석을 수행하여 연관성이 낮은 필드 및 필드값을 제거하는 단계;를 포함하는,
머신러닝에 기반한 의료데이터 수집 및 분석 서비스 제공 방법.
- 제 5 항에 있어서,
상기 (d-1) 단계는,
서버에 기 저장된 사용자들의 의료데이터 저장 및 교정 이력을 참조하여 학습을 수행하는 단계;
상기 서버에 기 저장된 외부기관 의료데이터를 참조하여, 임의의 필드에 해당하는 필드값이 기입되기 위한 조건을 분석하도록 학습을 수행하는 단계;
의료검사결과 항목과 각 항목의 정상수치에 대한 데이터베이스를 참조하여, 임의의 필드에 해당하는 필드값의 수치의 기준점을 설정하는 단계; 및
상기 (d-1) 단계 내에서 수행된 학습과 기준점을 바탕으로 불필요한 것으로 판단된 항목을 제거하고 모순된 필드값을 교정하는 단계를 포함하는, 머신러닝에 기반한 의료데이터 수집 및 분석 서비스 제공 방법.
- 제 6 항에 있어서,
상기 (d-2) 단계는,
상기 (d-1) 단계에서 정제작업 후 남은 필드와 공통적인 필드를 갖는 의료데이터들을 반복적으로 검색하여 통계적인 노출 빈도를 분석하고, 상기 공통적인 필드를 갖는 의료데이터 내에서의 결과값과 상기 남은 필드 간의 연관성 분석을 수행하여, 통계적 의미가 기 설정된 기준치보다 낮은 필드 및 필드값을 분류하고, 분류된 필드 및 필드값을 제거하는 것인, 머신러닝에 기반한 의료데이터 수집 및 분석 서비스 제공 방법.
- 제 1 항에 있어서,
상기 기계학습은 CNN(Convolutional Neural Network)과 RNN(Recurrent Neural Nerwork), LSTM(Long Short-Term Memory), 및 NLP(Natiral Language Processing) 알고리즘 중 적어도 하나를 통해 수행되는 것인, 머신러닝에 기반한 의료데이터 수집 및 분석 서비스 제공 방법.
- 제 1 항에 있어서,
(f) 상기 사용자 단말로 제공된 출력값을 구성하는 다양한 수치들 중 서로 높은 연관성이 있는 수치들을 묶어서 상호간의 연관관계를 표나 그래프로 변환하여 제공하는 단계를 더 포함하는, 머신러닝에 기반한 의료데이터 수집 및 분석 서비스 제공 방법.
- 머신러닝에 기반한 의료데이터 수집 및 분석 서비스 제공 시스템에 있어서,
서버를 포함하며,
상기 서버는,
복수의 의료데이터를 수집하고, 수집된 데이터에 대한 전처리와 분류를 수행하고,
상기 분류된 의료데이터들을 참조하여 기계학습을 수행하여 의료학습모델을 구축하며,
사용자 단말로 의료데이터 수집 및 분석 플랫폼 사용자인터페이스를 제공하여, 사용자가 분석할 프로젝트에 대한 복수의 의료데이터를 원하는 대로 랜덤하게 입력하도록 하고, 사용자 단말로부터 입력된 복수의 의료데이터를 수집하고,
상기 복수의 의료데이터에 대한 최적화 작업을 수행하여 일부 데이터를 제거하거나 교정하며,
상기 수집된 복수의 의료데이터를 상기 구축된 의료학습모델에 입력하여 출력값을 상기 사용자 단말로 제공하는 것이고,
상기 의료데이터는 진료데이터와 임상정보데이터를 포함하는 의료관련 기관데이터 및 의학논문데이터를 포함하는 의료학계데이터를 포함하되,
상기 서버는, 상기 프로젝트에 대한 복수의 의료데이터를 수집할 시에,
상기 사용자 단말로부터 프로젝트 템플릿에 대한 선택결과를 수신하고, 프로젝트 정보를 생성한 뒤 선택결과에 대응하는 템플릿을 상기 사용자 단말로 제공하고,
상기 사용자 단말에서 원하는 대로 필드를 생성하고, 필드값을 입력함에 따라, 상기 사용자 단말이 최종적으로 입력완료한 필드 및 필드값을 수신하는 것인, 머신러닝에 기반한 의료데이터 수집 및 분석 서비스 제공 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190143253A KR102328154B1 (ko) | 2019-11-11 | 2019-11-11 | 머신러닝에 기반한 의료데이터 수집 및 분석 서비스 제공 방법 및 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190143253A KR102328154B1 (ko) | 2019-11-11 | 2019-11-11 | 머신러닝에 기반한 의료데이터 수집 및 분석 서비스 제공 방법 및 시스템 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210056598A KR20210056598A (ko) | 2021-05-20 |
| KR102328154B1 true KR102328154B1 (ko) | 2021-11-18 |
Family
ID=76142803
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190143253A KR102328154B1 (ko) | 2019-11-11 | 2019-11-11 | 머신러닝에 기반한 의료데이터 수집 및 분석 서비스 제공 방법 및 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102328154B1 (ko) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20240062320A (ko) | 2022-10-31 | 2024-05-09 | 주식회사 디케이닥터 | 건강관련 미인지 데이터 마이닝을 위한 데일리 간편 디지털 문진 발송 시스템 |
| WO2024147683A1 (ko) * | 2023-01-07 | 2024-07-11 | 유한회사 닥터다비드 | 집단 지성을 이용한 정보 처리 시스템 및 그 방법 |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230046367A1 (en) * | 2021-08-11 | 2023-02-16 | Omniscient Neurotechnology Pty Limited | Systems and methods for dynamically removing text from documents |
| KR102351306B1 (ko) * | 2021-09-06 | 2022-01-14 | 주식회사 바스젠바이오 | 질환 연관 유전자 변이 분석을 통한 질환별 위험 유전자 변이 정보 생성 장치 및 그 방법 |
| KR102632773B1 (ko) * | 2021-09-30 | 2024-02-06 | 고려대학교 산학협력단 | 의료데이터 스플릿 학습 시스템과 이의 제어방법 및 그 방법을 수행하기 위한 기록매체 |
| WO2023145983A1 (ko) * | 2022-01-25 | 2023-08-03 | 차라투 주식회사 | 맞춤형 통계 분석 서비스를 제공하는 시스템 및 시스템의 동작 방법 |
| KR102595659B1 (ko) * | 2023-03-14 | 2023-10-30 | 주식회사 그레이드헬스체인 | 독립법인대리점을 통한 제휴보험사별 보험담보의 심사통과확률 예측시스템 |
| KR102595654B1 (ko) * | 2023-03-14 | 2023-10-30 | 주식회사 그레이드헬스체인 | 디지털 의료기록 정보를 활용한 보험계약의 인수심사 통과확률 예측 시스템 및 방법 |
| CN117493681B (zh) * | 2023-11-15 | 2024-05-14 | 无锡胤兴智创科技有限公司 | 一种基于云计算的智慧医疗信息推送系统及方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101864412B1 (ko) * | 2017-12-28 | 2018-06-04 | (주)휴톰 | 학습용 데이터 관리방법, 장치 및 프로그램 |
| US20190034589A1 (en) * | 2017-07-28 | 2019-01-31 | Google Inc. | System and Method for Predicting and Summarizing Medical Events from Electronic Health Records |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101855117B1 (ko) * | 2016-09-30 | 2018-05-04 | 주식회사 셀바스에이아이 | 질병에 대한 발병 확률 예측 방법 및 장치 |
| KR20190069046A (ko) * | 2017-12-11 | 2019-06-19 | 한림대학교 산학협력단 | 헬스케어 서비스 제공을 위한 데이터셋 생성 장치 및 방법 |
| KR102243830B1 (ko) * | 2018-02-22 | 2021-04-23 | 고려대학교 산학협력단 | 통합 의료 진단 서비스 제공 시스템 및 그 방법 |
-
2019
- 2019-11-11 KR KR1020190143253A patent/KR102328154B1/ko active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190034589A1 (en) * | 2017-07-28 | 2019-01-31 | Google Inc. | System and Method for Predicting and Summarizing Medical Events from Electronic Health Records |
| KR101864412B1 (ko) * | 2017-12-28 | 2018-06-04 | (주)휴톰 | 학습용 데이터 관리방법, 장치 및 프로그램 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20240062320A (ko) | 2022-10-31 | 2024-05-09 | 주식회사 디케이닥터 | 건강관련 미인지 데이터 마이닝을 위한 데일리 간편 디지털 문진 발송 시스템 |
| WO2024147683A1 (ko) * | 2023-01-07 | 2024-07-11 | 유한회사 닥터다비드 | 집단 지성을 이용한 정보 처리 시스템 및 그 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20210056598A (ko) | 2021-05-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102328154B1 (ko) | 머신러닝에 기반한 의료데이터 수집 및 분석 서비스 제공 방법 및 시스템 | |
| Kumar et al. | Big data analytics for healthcare industry: impact, applications, and tools | |
| Milovic et al. | Prediction and decision making in health care using data mining | |
| US9542412B2 (en) | Method and system for large scale data curation | |
| US20200311610A1 (en) | Rule-based feature engineering, model creation and hosting | |
| Trappey et al. | Ontology-based neural network for patent knowledge management in design collaboration | |
| JP2017199351A (ja) | 医薬品と医薬品副作用との間の重み付き関係を生成し検証するシステム及び方法 | |
| US20160110502A1 (en) | Human and Machine Assisted Data Curation for Producing High Quality Data Sets from Medical Records | |
| Rios et al. | EMR coding with semi–parametric multi–head matching networks | |
| Carvalho et al. | Knowledge Graph Embeddings for ICU readmission prediction | |
| KR20210058116A (ko) | 기계학습 모델을 이용한 자동 데이터 수집 및 학습 방법 및 그 시스템 | |
| Dai et al. | Patient similarity: methods and applications | |
| Zafeiropoulos et al. | Interpretable stroke risk prediction using machine learning algorithms | |
| Khokhar et al. | Framework for mining and analysis of standardized nursing care plan data | |
| Alvarez et al. | Application of the spreading activation technique for recommending concepts of well-known ontologies in medical systems | |
| Jia et al. | DKDR: An approach of knowledge graph and deep reinforcement learning for disease diagnosis | |
| US11599814B2 (en) | Automated exception featurization and search | |
| Olmez et al. | PS-VTS: particle swarm with visit table strategy for automated emotion recognition with EEG signals | |
| Comito et al. | A clinical decision support framework for automatic disease diagnoses | |
| Rajathi et al. | Named Entity Recognition-based Hospital Recommendation | |
| Ferreira et al. | Active learning for medical code assignment | |
| Balasubramanian et al. | Prediction of neuro-degenerative disorders using sunflower optimisation algorithm and Kernel extreme learning machine: A case-study with Parkinson’s and Alzheimer’s disease | |
| Kiourtis et al. | A computer vision-based IoT data ingestion architecture supporting data prioritization | |
| Sampathkumar et al. | Ontology-based visualization of healthcare data mined from online healthcare forums | |
| Anitha et al. | Virtual Medical Assistant Using Machine Learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right |