KR102342770B1 - 질병 예측치의 분포를 이용한 건강관리 상담 시스템 - Google Patents

질병 예측치의 분포를 이용한 건강관리 상담 시스템 Download PDF

Info

Publication number
KR102342770B1
KR102342770B1 KR1020210040913A KR20210040913A KR102342770B1 KR 102342770 B1 KR102342770 B1 KR 102342770B1 KR 1020210040913 A KR1020210040913 A KR 1020210040913A KR 20210040913 A KR20210040913 A KR 20210040913A KR 102342770 B1 KR102342770 B1 KR 102342770B1
Authority
KR
South Korea
Prior art keywords
disease
index
distribution
bio
customer
Prior art date
Application number
KR1020210040913A
Other languages
English (en)
Inventor
김세연
윤준영
김상수
송승재
Original Assignee
주식회사 라이프시맨틱스
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 주식회사 라이프시맨틱스 filed Critical 주식회사 라이프시맨틱스
Priority to KR1020210040913A priority Critical patent/KR102342770B1/ko
Application granted granted Critical
Publication of KR102342770B1 publication Critical patent/KR102342770B1/ko
Priority to PCT/KR2022/004222 priority patent/WO2022211385A1/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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
    • 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
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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
    • G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring

Abstract

질병 예측치의 분포를 이용한 건강관리 상담 시스템에 관한 것으로서, 과거 환자들의 건강정보 데이터를 표본 데이터로 수집하는 표본자료 수집부; 고객의 건강정보 데이터를 수집하는 건강검진 수집부; 건강정보 데이터를 이용하여 질환을 예측하는 질환 예측부; 상기 표본 데이터의 각 환자 데이터로부터 각 환자의 질환 예측치를, 상기 질환 예측부를 통해 획득하고, 질환 예측치의 크기에 따라 각 환자를 다수 개의 위험군 그룹으로 분류하는 위험군 분류부; 각 생체지수 별로 각 위험군에 속하는 환자들의 생체지수 값으로 분포를 생성하는 지수분포 생성부; 각 질환에 대하여, 해당 질환의 위험군 간의 생체지수 분포의 차이 정도를 산출하여, 각 생체지수의 영향력을 산출하는 생체지수 평가부; 및, 상기 질환 예측부를 통해 고객의 질환 발병 예측치를 산출하여 발병 위험이 있는 질환을 추출하고, 추출된 질환의 생체지수들 중에서 해당 생체지수의 영향력의 크기에 따라 관리지수로 추출하는 관리지수 추출부를 포함하는 구성을 마련하여, 발병 예측치가 높은 질병을 선정하고 해당 질병에 영향을 많이 주는 관리지수를 빅데이터를 통해 추출함으로써, 고객에게 가장 중요하고 필요한 건강관리지수를 보다 과학적으로 정확하게 추출할 수 있다.

Description

질병 예측치의 분포를 이용한 건강관리 상담 시스템 { A health management counseling system using the distribution of predicted disease values }
본 발명은 표본 데이터의 환자들을 질병 발병 예측치들로 그룹화 하고 생체지수에 대한 각 그룹의 분포를 산출하고, 산출된 분포를 이용하여 해당 고객의 질병 발병 가능성을 줄이는데 영향을 주는 생체지수를 관리지수로 추출하는, 질병 예측치의 분포를 이용한 건강관리 상담 시스템에 관한 것이다.
본 발명은 건강 악화와 건강상태의 중요 지표로 볼 수 있는 고객의 질병 발병 예측치를 추정하고, 추정된 질병 발병 예측치를 기준으로, 각 질병 예측에 생체지수별 영향력을 고려하여 각 고객 별로 관리할 건강관리지수를 추출하는, 질병 예측치의 분포를 이용한 건강관리 상담 시스템에 관한 것이다.
일반적으로, 의료 서비스를 받기 위해서는 환자가 직접 의료 서비스를 수행하는 병원 또는 보건소까지 직접 방문하여 의료 서비스를 제공받아야 한다. 그러나 최근 네트워크 기술의 비약적인 발전을 통해 인터넷을 통한 건강 관리 시스템 서비스가 다양화되어 자신의 건강 상태 관리를 용이하게 관리 가능하도록 한다. 특히, 최근 정보통신과 보건 의료를 연결하여 언제 어디서나 예방, 진단, 치료, 사후 관리와 보건 의료 서비스가 가능한 유헬스(U-Health)의 보편화 더불어 스트레스, 고혈압, 당뇨 등 다양한 질병에 대한 건강 관리 프로그램이 개발되어 인터넷 또는 휴대단말을 통하여 제공하려는 기술들이 제안되고 있다.
일례로서, 주기적으로 측정된 혈류량 및 산소량을 이동단말기를 통해 직접 확인할 수 있도록 하여 본인이 현재의 건강 상태를 인지하게 하고, 자신의 건강 상태를 의료기관에 문의하고 실시간으로 그 문의에 관한 응답을 채팅 형식으로 진행하는 기술이 제시되고 있다[특허문헌 1]. 또한, 모바일 기기 등을 이용하여 노인 등의 고연령층에게 간호, 식품영양 및 체육 분야의 통합 또는 융합정보를 이용하여 건강관리 정보를 제공하는 기술이 제시되고 있다[특허문헌 2]. 또한, 사용자가 직접 각 서비스 품목별 서비스 프로바이더를 선택할 수 있고, 서비스 프로바이더들이 제공한 정보들을 바탕으로 사용자의 운동 프로그램 준수 현황 및 식단 프로그램 준수 현황에 대한 데이터를 생성하여 제공하는 기술이 제시되고 있다[특허문헌 3]
그러나 상기 선행기술들은 다양하게 측정된 생체 측정량에 의해 사용자의 상태를 파악하고 각 상태를 최적화하기 위한 많은 건강관리 정보를 생성하여 제공한다.
그러나 이러한 선행기술들은 실시간으로 생체 신호를 측정해야 하는 등 사용자의 상태를 수집하는 과정이 복잡하여 사용자를 불편하게 한다. 또한, 이러한 선행기술들은 사용자의 모든 질환에 대비한 건강 프로그램을 제시하므로, 사용자 입장에서는 너무 준수해야할 프로그램이 많아지게 된다. 따라서 이러한 종래기술은 사용자에게 해당 프로그램을 모두 수행하기 어렵게 하여, 사용자는 해당 건강 프로그램을 제대로 수행하지 못할 수 있다.
한편, 건강관리의 측면에서 개인별로 건강 상태와 건강 악화의 요인들이 모두 다르다. 예를 들어, 심장 질환의 가능성이 낮으나 당뇨 질환의 가능성이 높은 사용자에게 심장에 좋은 건강관리 요법을 주요하게 제공하는 것은 바람직하지 않다. 즉, 이 경우, 사용자에게 당뇨 질환에 좋은 건강관리 프로그램을 집중적으로 제공하는 것이 좋다.
또한, 각 예측된 질병에 각 변수(관리지수)들의 영향력을 파악할 수 있으면, 건강관리를 위해 집중적으로 관리해야 할 변수들을 파악할 수 있다. 즉, 각 사용자 별로 중요하게 관리할 지수 또는 변수를 찾는 것이 매우 중요하다.
한국공개특허공보 제10-2006-0037123호 한국공개특허공보 제10-2016-0145244호 한국공개특허공보 제10-2017-0131067호
본 발명의 목적은 상술한 바와 같은 문제점을 해결하기 위한 것으로, 표본 데이터의 환자들을 질병 발병 예측치들로 그룹화 하고 생체지수에 대한 각 그룹의 분포를 산출하고, 산출된 분포를 이용하여 해당 고객의 질병 발병 가능성을 줄이는데 영향을 주는 생체지수를 관리지수로 추출하는, 질병 예측치의 분포를 이용한 건강관리 상담 시스템을 제공하는 것이다.
또한, 본 발명의 목적은 건강 악화와 건강상태의 중요 지표로 볼 수 있는 고객의 질병 발병 예측치를 추정하고, 추정된 질병 발병 예측치를 기준으로, 각 질병 예측에 생체지수별 영향력을 고려하여 각 고객 별로 관리할 건강관리지수를 추출하는, 질병 예측치의 분포를 이용한 건강관리 상담 시스템을 제공하는 것이다.
상기 목적을 달성하기 위해 본 발명은 질병 예측치의 분포를 이용한 건강관리 상담 시스템에 관한 것으로서, 과거 환자들의 건강정보 데이터를 표본 데이터로 수집하는 표본자료 수집부; 고객의 건강정보 데이터를 수집하는 건강검진 수집부; 건강정보 데이터를 이용하여 질환을 예측하는 질환 예측부; 상기 표본 데이터의 각 환자 데이터로부터 각 환자의 질환 예측치를, 상기 질환 예측부를 통해 획득하고, 질환 예측치의 크기에 따라 각 환자를 다수 개의 위험군 그룹으로 분류하는 위험군 분류부; 각 생체지수 별로 각 위험군에 속하는 환자들의 생체지수 값으로 분포를 생성하는 지수분포 생성부; 각 질환에 대하여, 해당 질환의 위험군 간의 생체지수 분포의 차이 정도를 산출하여, 각 생체지수의 영향력을 산출하는 생체지수 평가부; 및, 상기 질환 예측부를 통해 고객의 질환 발병 예측치를 산출하여 발병 위험이 있는 질환을 추출하고, 추출된 질환의 생체지수들 중에서 해당 생체지수의 영향력의 크기에 따라 관리지수로 추출하는 관리지수 추출부를 포함하는 것을 특징으로 한다.
또, 본 발명은 질병 예측치의 분포를 이용한 건강관리 상담 시스템에 있어서, 상기 질환 예측부는 질환예측모델을 사용하여 고객의 질환을 예측하되, 상기 질환예측모델은 사전에 정해진 입력 변수의 입력값을 입력받으면, 사전에 정해진 각 질환 변수의 발병 확률을 출력하고, 상기 질환예측모델은 학습 데이터에 의해 내부 변수들이 학습되는 신경망으로 구성되는 것을 특징으로 한다.
또, 본 발명은 질병 예측치의 분포를 이용한 건강관리 상담 시스템에 있어서, 상기 생체지수는 상기 건강정보 데이터의 항목으로 만들어지는 것을 특징으로 한다.
또, 본 발명은 질병 예측치의 분포를 이용한 건강관리 상담 시스템에 있어서, 상기 관리지수 추출부는 획득된 질환 예측치가 어느 위험군에 속하는지를 판별하고, 발병 예측치가 높은 위험군으로서 사전에 정해진 위험군에 속하면 발병 위험이 있는 질환으로 판단하는 것을 특징으로 한다.
또, 본 발명은 질병 예측치의 분포를 이용한 건강관리 상담 시스템에 있어서, 상기 관리지수 추출부는 해당 고객의 발병 위험이 있는 질환의 생체지수 중 영향력이 높은 생체지수를 선정하되, 영향력이 높은 순에 의해 사전에 정해진 개수를 선정하거나, 사전에 정해진 영향력의 기준치 이상이 되는 생체지수를 선정하고, 선정된 생체지수에 대하여, 고객의 생체지수를 산출하고, 산출된 고객의 생체지수와, 해당 질환의 정상 위험군의 생체지수가 정상 위험군의 생체지수의 분포의 정상 분위 밖인지를 판단하고, 분위 밖인 경우, 해당 생체지수를 관리지수로 최종 추출하는 것을 특징으로 한다.
또, 본 발명은 질병 예측치의 분포를 이용한 건강관리 상담 시스템에 있어서, 상기 생체지수 평가부는 분포의 차이를 해당 분포의 누적분포함수를 이용하여, 해당 누적분포함수의 최대 잔차를 계산하고, 계산된 최대 잔차를 이용하여 분포의 차이를 구하는 것을 특징으로 한다.
또, 본 발명은 질병 예측치의 분포를 이용한 건강관리 상담 시스템에 있어서, 상기 고객 또는 상기 환자의 건강정보 데이터는 인구사회학적 정보와, 건강검진 데이터로 구성되는 것을 특징으로 한다.
또, 본 발명은 질병 예측치의 분포를 이용한 건강관리 상담 시스템에 있어서, 상기 인구사회학적 정보는 성별, 연령, 거주지역, 보험가입유형, 소득분위, 장애유무, 신장, 체중을 포함하고, 상기 건강검진 데이터는, 허리둘레, 수축기 혈압, 이완기 혈압, 공복혈당, 총콜레스테롤, 고밀도 콜레스테롤, 저밀도 콜레스테롤, 트리글라세이드, 혈색소, 요단백, 혈청크레아티닌, 혈청지오티, 혈청지피티, 감마지티피를 포함하는 것을 특징으로 한다.
또, 본 발명은 질병 예측치의 분포를 이용한 건강관리 상담 시스템에 있어서, 상기 시스템은, 특정 질환의 특정 생체지수에 대하여, 위험군의 분포를 표시하고, 분포 상에서 고객의 생체지수를 출력하는 결과 출력부를 더 포함하는 것을 특징으로 한다.
상술한 바와 같이, 본 발명에 따른 질병 예측치의 분포를 이용한 건강관리 상담 시스템에 의하면, 발병 예측치가 높은 질병을 선정하고 해당 질병에 영향을 많이 주는 관리지수를 빅데이터를 통해 추출함으로써, 고객에게 가장 중요하고 필요한 건강관리지수를 보다 과학적으로 정확하게 추출할 수 있는 효과가 얻어진다.
또한, 본 발명에 따른 질병 예측치의 분포를 이용한 건강관리 상담 시스템에 의하면, 고객의 건강검진 자료, 의료기관에서의 진료 기록 등으로부터 질병 발병 예측치를 산출하여 건강관리의 관리요인 지수를 추출함으로써, 추가적인 고객의 생체 측정 없이도, 보다 정확한 고객의 건강관리 프로그램을 제시할 수 있는 효과가 얻어진다.
도 1은 본 발명을 실시하기 위한 전체 시스템에 대한 구성도.
도 2는 본 발명의 일실시예에 따른 질병 예측치의 분포를 이용한 건강관리 상담 시스템의 구성에 대한 블록도.
도 3은 본 발명의 일실시예에 따른 질환예측모델의 입력 변수를 나타낸 표.
도 4는 본 발명의 일실시예에 따른 고혈압 예측 그룹별 (상단)BP_HIGH와 (하단)HMG 변수의 분포도.
도 5는 본 발명의 일실시예에 따른 그룹별 고혈압의 생체지수의 영향력/중요도를 나타낸 그래프.
도 6은 본 발명의 일실시예에 따른 고혈압을 예측할 때 BMI의 심각성을 나타낸 표.
도 7은 본 발명의 일실시예에 따른 정상군에서의 환자 A의 (a) BMI의 분위와 (b) 수축기 혈압 변수의 분위를 나타내는 그래프.
도 8은 본 발명의 일실시예에 따른 고위험군에서의 고객 A의 BMI와 수축기 혈압 변수의 분위를 나타내는 그래프.
도 9는 본 발명의 일실시예에 따른 BMI, 수축기 혈압 분위에 따른 관리 필요성 정도를 예시한 표.
도 10은 본 발명의 일실시예에 따른 BMI, 수축기 혈압 분위에 따른 관리 필요성 정도를 예시한 표.
도 11은 본 발명의 일실시예에 따른 5대암 예측의 관리변수(초위험군의 생체지수)를 나타내는 그래프.
도 12는 본 발명의 일실시예에 따른 GAMMA_GTP(상단), TRICLYCERIDE(하단) 지수의 분포(5대암 예측에 해당하는 분포)를 예시한 그래프.
이하, 본 발명의 실시를 위한 구체적인 내용을 도면에 따라서 설명한다.
또한, 본 발명을 설명하는데 있어서 동일 부분은 동일 부호를 붙이고, 그 반복 설명은 생략한다.
먼저, 본 발명을 실시하기 위한 전체 시스템의 구성을 도 1을 참조하여 설명한다.
도 1(a)에서 보는 바와 같이, 본 발명에 따른 예측 데이터를 이용한 질병 예측치의 분포를 이용한 건강관리 상담 시스템(이하 상담 시스템)은 고객/사용자의 질병 발병 예측치를 추정하고 분포를 이용하여 해당 고객/사용자의 건강관리지수를 추출하는, 컴퓨터 단말(10) 상의 프로그램 시스템으로 실시될 수 있다.
즉, 상담 시스템(30)은 PC, 스마트폰, 태플릿PC 등 컴퓨터 단말(10) 상의 프로그램 시스템으로 실시될 수 있다. 특히, 상기 상담 시스템은 프로그램 시스템 또는 모바일 어플리케이션(또는 어플, 앱)으로 구성되어, 컴퓨터 단말(10)에 설치되어 실행될 수 있다. 상담 시스템(30)은 컴퓨터 단말(10)의 하드웨어 또는 소프트웨어 자원을 이용하여, 건강 데이터를 입력받아 질병 발병 예측치를 추정하고 건강관리 요인을 추출하는 서비스를 제공한다.
또한, 다른 실시예로서, 도 1(b)에서 보는 바와 같이, 상기 상담 시스템은 컴퓨터 단말(10) 상의 상담 클라이언트(30a)과 상담 서버(30b)로 구성된 서버-클라이언트 시스템으로 구성되어 실행될 수 있다.
한편, 상담 클라이언트(30a)과 상담 서버(30b)는 통상의 클라이언트와 서버의 구성 방법에 따라 구현될 수 있다. 즉, 전체 시스템의 기능들을 클라이언트의 성능이나 서버와 통신량 등에 따라 분담될 수 있다. 이하에서는 상담 시스템으로 설명하나, 서버-클라이언트의 구성 방법에 따라 다양한 분담 형태로 구현될 수 있다.
또는, 상담 서버(30b)는 웹 상에서 건강관리 상담 서비스를 제공하는 서버로서 제공하고, 상담 클라이언트(30a)는 상담 서버(30b)에 접속하여 해당 서비스를 이용하는 웹 브라우저 등일 수 있다.
또한, 상담 서버(30b)는 사용자 또는 고객의 건강검진 결과의 통계 정보, 질환 예측 정보 등을 저장하는 데이터베이스(40)를 추가적으로 구성될 수 있다.
구체적으로, 데이터베이스(40)는 환자들의 인구사회학적 정보와 건강검진 결과 등 표본 데이터를 저장하는 표본자료DB(41), 각 질환별 위험군 정보를 저장하는 위험군DB(42), 각 위험군의 생체지수 분포를 저장하는 지수분포DB(43) 등을 포함한다. 그러나 상기 데이터베이스(40)의 구성은 바람직한 일실시예일 뿐이며, 구체적인 장치를 개발하는데 있어서, 접근 및 검색의 용이성 및 효율성 등을 감안하여 데이터베이스 구축이론에 의하여 다른 구조로 구성될 수 있다.
다음으로, 본 발명의 일실시예에 따른 질병 예측치의 분포를 이용한 건강관리 상담 시스템(30)을 도 2를 참조하여 설명한다.
도 2에서 보는 바와 같이, 본 발명의 일실시예에 따른 질환예측 서비스 시스템(30)은 과거 환자들의 인구사회학적 정보와 건강검진 정보 등을 표본 데이터로 수집하는 표본자료 수집부(31), 고객의 인구사회학적 정보 및 건강검진결과를 수집하는 건강정보 수집부(32), 인구사회학적 정보 및 건강검진결과를 이용하여 질환을 예측하는 질환 예측부(33), 표본 데이터로부터 각 위험군으로 분류하는 위험군 분류부(34), 각 위험군 그룹에 대한 생체지수 분포를 구하는 지수분포 생성부(35), 위험군 간 분포 대비를 통해 각 생체지수를 평가하는 생체지수 평가부(36), 및, 고객의 관리지수를 추출하는 관리지수 추출부(37)로 구성된다. 추가적으로, 분포와 고객의 관리지수를 출력하는 결과 출력부(38)를 더 포함하여 구성될 수 있다.
먼저, 표본자료 수집부(31)는 과거 환자들의 인구사회학적 정보, 건강검진 정보 등을 표본 데이터로 수집한다.
인구사회학적 정보는 환자의 인구사회학적 특성을 나타내는 데이터로서, 나이, 성별, 신장, 체중, 장애 유무, 생활 습관 등으로 구성된다.
또한, 건강검진 정보는 환자의 건강검진 데이터로서, 혈압, 콜레스테롤 수치, 혈색소, 요단백 수치 등 건강검진을 수행할 때 측정(검진)되는 데이터이다.
또한, 발병 데이터는 해당 환자의 발병된 질환에 대한 데이터로서, 해당 환자의 질환 발병 여부를 나타낸다.
한편, 표본 데이터는 인구사회학적 정보에 의해 분류 또는 식별되어 수집된다. 즉, 환자의 이름 등 환자를 식별하는 개인 정보는 제외되고, 나이, 성별, 신장, 체중, 장애 유무, 생활 습관 등 건강상태 정보를 기준으로 의료 데이터가 수집된다.
특히, 바람직하게는, 표본 데이터는 표본 코호트 DB를 이용한다. 표본코호트DB를 구축하고 있는 전체 데이터는 국민 100만명의 데이터를 의미한다. 해당 100만명의 대상자는 전국민의 성별 및 연령과 거주지역 분포를 기준으로 층화 추출되었으므로, 본 데이터를 통해 도출되는 결과값은 전국민을 대표한다고 할 수 있다.
다음으로, 건강정보 수집부(32)는 고객의 인구사회학적 정보 및, 건강검진 데이터를 수집한다.
먼저, 건강정보 수집부(32)는 고객의 인구사회학적 정보를 입력받는다. 이때, 고객의 인구사회학적 정보를 설문 또는 문진을 통해 입력받을 수 있다.
앞서 설명한 바와 같이, 고객의 인구사회학적 정보는 나이, 성별, 신장, 체중, 장애 유무, 생활 습관, 소득 분위, 과거 병력, 가족 병력 등으로 구성된다.
바람직하게는, 설문 또는 문진은 26개의 항목으로 구성된다. 즉, 문진 데이터는 성별, 연령, 거주지역, 보험가입유형, 소득분위, 장애유무, 검진기관종류, 신장, 체중, 본인(뇌졸중, 심장병, 고혈압, 당뇨, 이상지질혈증, 폐결핵, 암포함 기타질환)과거력, 가족(뇌졸증, 심장병, 고혈압, 당뇨, 간장질환, 암)과거력, 흡연상태, 흡연기간, 하루흡연량, 음주습관, 1회음주량, 1주운동량 등을 포함한다.
또한, 건강정보 수집부(32)는 고객의 건강검진 데이터를 수집한다.
고객의 건강검진 데이터는 수축기 혈압, 이완기 혈압, 식전 혈당, 총콜레스테롤, 고밀도 콜레스테롤, 저밀도 콜레스테롤, 중성지방, 요단백 등 건강 검진 시 측정되는 데이터들로 구성된다. 통상 건강 검진시 측정되는 검진 데이터는, 허리둘레, 수축기 혈압, 이완기 혈압, 공복혈당, 총콜레스테롤, HDL 콜레스테롤, LDL 콜레스테롤 트리글라세이드, 혈색소, 요단백, 혈청크레아티닌, 혈청지오티, 혈청지피티, 감마지티피 등을 포함한다.
이때, 고객의 건강검진 데이터는 고객이 직접 입력하거나, 고객의 공인인증 과정을 통해 가장 최근의 건강검진 데이터를 건강보험공단, 의료데이터 기관(건강인 사이트) 등으로부터 가져온다.
일반적으로, 국민건강보험공단 일반건강검진을 진행할 때, 검진 전 설문조사로 수집하는 항목을 문진 데이터라고 통상 부른다. 그러나 고객의 건강검진 데이터를 가져올 때, 건강검진 과정에서의 문진 데이터를 가져오지 못한다. 따라서 별도의 문진을 통해 해당 데이터를 입력받을 수 있다. 또한 고객의 '신장'과 '체중'의 경우도 건강검진 항목에 포함되지만, 별도의 직접 문진에 의해 입력받는다.
다음으로, 질환 예측부(33)은 환자 또는 고객의 인구사회학적 정보 및 건강검진 데이터를 이용하여 환자 또는 고객의 질환을 예측한다.
바람직하게는, 질환 예측부(33)은 질환예측모델을 사용하여 고객의 질환을 예측한다. 질환예측모델은 사전에 정해진 입력 변수의 입력값을 입력받으면, 사전에 정해진 각 질환 변수의 발병 확률을 출력한다.
특히, 질환예측모델은 신경망 등으로 구성되어, 학습 데이터에 의해 내부 변수들이 학습된다. 그리고 질환예측모델은 학습이 되면, 입력 변수의 값들을 입력받으면, 각 질환의 발병 확률을 출력시킨다.
질환예측모델은 각 질환 별 국내 환자를 대표할 수 있게 선정된 수천명에서부터 수만명까지의 건강검진결과, 인구사회학적요인, 생활습관 등 수백만 건을 기계학습(Machine Learning)한 인공지능 신경망의 결과물이다. 해당 산출결과는 사용자의 꾸준한 건강행태 개선 등으로 얼마든지 달라질 수 있다. 도 3은 질환예측모델의 입력 변수의 예를 나타내고 있다. 도 3은 모두 총 44개의 입력 변수로 구성되는 경우를 예시하고 있다.
또한, 일실시예로서, 출력 변수는 12개의 질환(또는 12대 질환)에 대한 발병 확률로 구성된다. 특히, 질환은 유방암, 5대암, 암통합, 뇌혈관질환, 골다공증, 백내장, 고혈압, 비만, 당뇨, COPD(만성폐쇄성폐질환), 관절질환, 이상지혈증 등이다.
즉, 출력 변수는 각 질환의 발병 확률, 또는, 발병 예측치이다.
다음으로, 위험군 분류부(34)는 표본 데이터의 각 환자 데이터로부터 각 환자의 질환 예측치를 획득하고, 질환 예측치의 크기에 따라 각 환자를 다수 개의 위험군 그룹으로 분류한다.
먼저, 위험군 분류부(34)는 질환 예측부(33)를 통해, 각 환자의 데이터로부터 각 환자의 질환 예측치를 획득한다. 질환 예측치는 질환별로 획득한다. 즉, 앞서 설명한 바와 같이, 질환 예측부(33)는 환자의 인구사회학적 정보와 건강검진 정보를 입력하여 질환 발병 예측치를 산출할 수 있다.
그리고 위험군 분류부(34)는 획득된 질환 예측치를 분위로 구분하여 각 분위 별로 위험군 그룹을 형성하고 해당 분위에 속하는 질환 예측치를 가지는 환자를 해당 위험군으로 그룹화 한다.
즉, 다수 개의 위험군 그룹은 전체 질환 예측치의 그 크기에 따라 다수 개의 분위(구간)로 나누어 구분된다. 바람직하게는, 위험군 그룹은 저위험군 (0~25%), 중위험군 (25~50%), 고위험군 (50~75%), 그리고 초고위험군 (75~100%) 등으로 분류된다. 즉, 모든 환자의 질환 예측치를 크기에 따라 모두 정렬하면, 저위험군은 질환 예측치가 하위 0%에서 25%까지의 질환 예측치를 가지는 환자들의 그룹이다.
또한, 위험군 그룹은 각 질환 별로 나누어 구분한다. 예를 들어, 어느 하나의 환자는 위암에는 고위험군 그룹에 속하나, 간암에는 저위험군 그룹에 속할 수 있다.
다음으로, 지수분포 생성부(35)는 각 생체지수 별로 각 위험군에 속하는 환자들의 생체지수 값으로 분포(생체지수 분포 또는 지수분포)를 생성한다.
바람직하게는, 생체지수는 인구사회학적 데이터 또는 건강검진 데이터의 항목(또는 변수)으로 구성되거나 이들 항목들의 결합에 의해 구성된다. 예를 들어, 생체지수는 BMI, 혈압일 수 있다. BMI(체질량 지수)는 건강검진 데이터의 체중과 신장의 결합에 의해 구해진다. 또한, 혈압은 건강검진 데이터의 하나의 항목이다. 또는 건강검진 데이터가 다양한 혈압 데이터를 가지는 경우, 이들 다양한 혈압 데이터를 합하여 하나의 혈압 지수로 설정하면 해당 혈압지수가 생체지수가 될 수 있다.
즉, 생체지수는 인구사회학적 데이터 또는 건강검진 데이터의 항목으로 산출되므로, 표준 데이터의 모든 환자에 대해 생체지수를 산출할 수 있다.
지수분포 생성부(35)는 특정 질환의 위험군들에 대하여, 각 위험군에 속하는 모든 환자의 생체지수를 산출하고, 산출된 생체지수들로 분포를 생성한다. 이를 위험군의 생체지수 분포(또는 지수 분포)라 부르기로 한다.
지수 분포는 위험군별로 생성된다. 예를 들어, 저위험군의 지수분포, 중위험군의 지수분포, 고위험군의 지수분포, 초고위험군의 지수분포 등으로 구해진다. 위험군이 4개로 구분되면 4개의 지수분포가 생성된다.
또한, 모든 위험군의 지수분포는 각 생체지수 별, 각 질환별로 구해져 생성된다.
다음으로, 생체지수 평가부(36)는 각 질환에 대하여, 해당 질환의 위험군 간의 지수 분포의 차이 정도를 산출한다. 즉, 분포 차이 정도를 이용하여 해당 생체지수의 해당 질환에 대한 영향력을 평가한다.
특정 질환의 특정 생체지수에 대하여, 위험군 간의 해당 생체지수의 분포가 유의미한 차이가 있다는 것은, 해당 생체지수가 해당 질환의 위험도에 영향을 준다는 의미이다. 즉, 저위험군의 분포와 고위험군의 분포가 서로 차이가 많이 나는 경우, 고위험군에 속하는 환자의 생체지수의 값을 저위험군의 생체지수 분포의 평균으로 옮겨 가도록 관리한다면, 해당 환자는 해당 질환의 질병 예측치가 낮아질 수 있다.
바람직하게는, 생체지수 평가부(36)는 분포의 차이 정도를 이용하여 생체지수의 영향력을 산출한다.
즉, 생체지수(ex. BMI, 혈압 등)의 영향력을 다음과 같이 계산한다.
각 위험군 그룹별 지수 분포를 파악 후, 그룹간의 지수별 분포차이 정도에 따라 해당 지수의 해당 질병을 예측하는데 중요도(또는 영향력)을 확인한다.
바람직하게는, 분포차이 정도는 각 분포도의 누적분포함수의 잔차를 이용한다. 즉, 각 그룹의 분포의 누적분포함수를 도출하고, 각 그룹의 누적분포함수와 정상 위험군(앞서의 4개 그룹의 예에서 저위험군의 0~25%의 확률로 고혈압 발병이 예측된 사람들)의 누적분포함수의 최대 잔차를 계산한다. 누적분포함수의 잔차는 누적분포함수 값 간의 차이를 말한다. 즉, 각 지수 값에 의한 누적분포함수의 함수 값 간의 차이 중에서 최대 값이 나는 차이를 최대 잔차로 구한다.
그룹간 누적분포들의 최대잔차값(0~1)이 큰 지수는, 그 변수의 값이 질병예측확률과의 상관관계가 크다고 볼 수 있기에, 그 지수가 질환 예측치에 큰 영향을 끼친다고 볼 수 있다.
따라서, 생체지수의 중요도는 최대 잔차값을 이용하여 계산한다.
도 4의 왼쪽 상단 도형에 표시된 분포도를 참고하면, 고혈압의 발병 예측치로 나눈 그룹간의 BP_HIGH(수축기혈압) 지수의 분포도 차이가 선명하게 드러난다. 오른쪽 상단 도형에 표시된 누적분포도로 각 그룹의 최대잔차를 계산하면, 초고위험군의 저위험군과의 최대잔차값은 0.772이다. 질병 발병 위험도가 높아 질수록, 최대 잔차값이 크게 늘어나는걸 보아 수축기혈압값이 고혈압 예측에 큰 영향을 끼친다는 것을 알 수 있다. 반대로, HMG(혈색소)의 최대잔차값들은 위험도가 증가하여도 크게 변함이 없음으로, 중요하지 않은 변수라는 결론이 나온다.
도 5를 참고하면, 중위험군, 고위험군, 초고위험군별로 고혈압 예측의 변수 중요도를 확인할 수 있다. 그룹간 지수의 중요도(영향력) 순위의 차이가 존재하며, 위험도가 적을수록 각 지수의 절대적 중요도(영향력)가 감소한다.
다음으로, 관리지수 추출부(37)는 고객의 질환 발병 예측치를 산출하여 발병 위험이 있는 질환을 추출하고, 해당 질환의 생체지수 중에서 영향력이 높은 생체지수를 관리지수로 추출한다. 즉, 영향력의 크기에 따라 해당 생체지수를 관리지수로 선정한다.
먼저, 관리지수 추출부(37)는 질환 예측부(33)를 통해, 해당 고객의 데이터로부터 해당 고객의 질환 예측치를 획득한다. 질환 예측치는 질환별로 획득한다. 즉, 질환 예측부(33)는 고객의 인구사회학적 정보와 건강검진 정보를 입력하여 고객의 질환 발병 예측치를 산출할 수 있다.
다음으로, 관리지수 추출부(37)는 획득된 질환 예측치가 어느 위험군에 속하는지를 판별하고, 관리해야할 위험군에 속하면 관리할 질환(위험이 있는 질환)으로 판단한다. 이때, 관리해야할 위험군은 사전에 정해진다. 예를 들어, 앞서 4개의 위험군 중에서 고위험군과 초고위험군 등 발병 예측치가 높은 위험군을 관리해야할 위험군으로 설정될 수 있다.
다음으로, 관리지수 추출부(37)는 해당 고객의 관리할 질환의 생체지수 중 영향력이 높은 생체지수를 선정한다. 이때, 영향력이 높은 순에 의해 사전에 정해진 개수를 선정하거나, 사전에 정해진 영향력의 기준치 이상이 되는 생체지수를 선정한다.
다음으로, 관리지수 추출부(37)는 선정된 생체지수에 대하여, 고객의 생체지수를 산출하고, 산출된 고객의 생체지수가 해당 질환의 정상 위험군의 생체지수의 분포의 정상 분위, 또는, 사전에 정해진 범위 밖인지를 판단한다.
여기서, 정상 위험군(또는 정상군)은 발병 예측치가 가장 낮은 위험군 그룹으로서, 사전에 정해진다. 앞서의 예에서, 4개의 위험군으로 구분하는 경우, 저위험군이 정상 위험군에 해당한다.
기준치 보다 차이가 큰 경우, 해당 생체지수를 관리지수로 최종 추출한다.
바람직하게는, 생체지수가 정상 위험군의 분포 중에서 어느 범위(분위)에 속하는지에 따라 관리 수준을 정한다.
다음으로, 결과 출력부(38)는 위험군의 생체지수 분포와, 고객의 생체지수 또는 관리지수를 화면으로 출력한다.
즉, 특정 질환의 특정 생체지수에 대하여, 위험군의 분포를 표시하고, 분포 상에서 고객의 생체지수를 출력한다
이를 통해, 고객은 자신의 상태를 육안으로 확인함으로써, 자신의 건강 상태를 정확하게 파악하여 건강 관리에 대한 경각심을 가질 수 있다.
다음으로, 본 발명의 일실시예에 따른 특정 고객(A)의 맞춤형 관리지수를 추출하는 예를 도 6 내지 도 12를 참조하여 구체적으로 설명한다.
앞서 1차적으로 선별된 각 관리지수들의 저위험군에서의 분포와 고객이 속한 그룹(EX. 초고위험군)에서의 분포에서의 분위를 확인한 후, 이 결과에 따른 심각성을 확인하고, 건강계획을 수립한다.
먼저, 저위험군의 지수 분포에서 고객의 분위를 확인한다. 정상군과 비교하였을 때 고객 A의 측정값(생체지수)에 의해 심각성을 확인하고 관리 필요성을 결정한다.
지수마다 측정 값의 심각성과 관리 필요성을 판단하는 분위 범위를 결정한다. 예를 들어, 도 6의 표에서 보는 바와 같이, BMI는 높을수록 고혈압의 위험도가 증가하므로, 특정 고객의 BMI값이 정상군에서 상위/하위 25% 이내일시 "심각", 10% 이내일시 "매우 심각"으로 결정한다.
일례로서, 97%로 고혈압 발병이 예측된 고객의 BMI, 수축기혈압값의 정상군 분포 내의 분위값을 도 7에 도시되고 있다. 이때, 고객의 BMI수치는 24이고, 수축기혈압값은 159이다. 도 7(a)는 정상군에서의 고객 A의 BMI의 분위를 나타내고, 도 7(b)는 수축기 혈압 변수의 분위를 나타내고 있다.
도 7에서 보는 바와 같이, 고객 A의 BMI값은 정상군의 분포도에서 상위 22.6% 분위를 가진다. 이는 적절한 관리와 주의가 필요한 것으로 볼 수 있다. 또한, 고객 A의 수축기 혈압은 정상군의 분포도와 비교하였을 때 상위 0.01%로 이는 집중적인 관리와 함께 심각한 주의가 필요하다.
다음으로, 고객이 속한 그룹에서의 분위를 확인한다.
지수마다 측정 값의 심각성과 관리 필요성을 판단하는 분위 값의 범위를 결정한다. 예를 들어, 수치가 상위 20%이상일 시로 결정한다.
고객 A가 속한 그룹의 지수 분포도에서의 측정값의 상위 분위(위치)를 확인한다. 분위 확인을 통해 고객 A가 속한 그룹과 비교하였을 때 고객 A의 측정값의 심각성 및 관리 필요성을 결정한다.
고혈압 예측률이 97%인 고객의 BMI, 수축기혈압값의 초위험군 분포내의 분위값인 경우를 예시한다. 즉, 도 8은 고위험군에서의 고객 A의 BMI와 수축기 혈압 변수의 분위를 나타내고 있다. 이때, 도 9와 같은 관리 기준을 정하고 있다.
도 8과 도 9를 참조하면, 고객 A의 BMI값은 고객 A가 속한 위험군과 비교하였을 때 상위 62.8%로 위험군 내에서 평균 수치이다. 또한, 고객 A의 혈압 수치는 상위 13.4%로 위험군 내에서도 매우 심각한 것을 확인 가능하다. 즉 고객 A의 혈압 수치는 집중적인 관리가 필요하다.
한편, 파악된 관리 지수들을 활용하여 건강상담이 가능하다.
다음의 예는, 도 10과 같이, 질환은 5대암이고, 고객 A의 5대암 발병 확률을 0.8이라고 예시한다. 도 11은 초위험군의 5대암 예측의 생체지수들을 나타내고 있다. 또한, 도 12는 GAMMA_GTP(상단), TRICLYCERIDE(하단) 지수의 분포(5대암 예측에 해당하는 분포)를 예시하고 있다.
도 10과 같이, 앞서 설명된 방식으로 생체지수의 영향력/중요도를 계산하였을 때, 5대암 초고위험 고객의 GAMMA_GTP(감마지티피)값은 5대암 예측에 매우 중요한 지수이다. 그럼에도 불구하고, 고객 A의 감마지티피값은 정상군의 분포도에서 상위 79% (하위 21%) 수준임으로, 비교적 관리가 필요하지 않은 변수라고 볼 수 있다. 고객 A가 속한 초위험군에서의 감마지티피값의 분위도 상위 89%이므로 심각성이 보이지 않는다.
반면에, TRIGLYCERIDE(트리글리세라이드)의 경우 변수 초위험군에게 이 변수의 중요도는 상대적으로 낮지만(8위) 최저의 중요도는 아니고, 수치가 정상군의 분포에서 상위 8%인 값에 해당되기에, 매우 심각하다. 따라서 관리할 필요가 있다.
다음으로, 본 발명의 효과에 대하여 보다 구체적으로 설명한다.
개인별로 각 질병 발병 예측치에 영향력이 높은 지수들을 파악하고, 그 지수 별 분포 분위를 확인함으로써 집중적으로 관리해야 할 지수를 파악한다.
저위험군, 중위험군, 고위험군, 그리고 초고위험군 등의 위험도에 맞는 지수 중요도(영향력)를 계산한다.
특정 지수에 대한 저위험군의 분포와, 개인의 예측치로 정해진 그룹의 지수 분위를 확인함으로써 그 지수의 상대적 분포 및 위치를 파악하여, 그 지수에 대한 중요도를 기존 배경지식 없이도 파악할 수 있다.
파악된 중요 지수에 집중해 건강을 관리함으로써 개인의 적절한 건강수준을 보다 정확하게 추정할 수 있고, 이를 통해 후에 진행할 건강관리를 보다 효과적으로 진행할 수 있는 효과가 얻어진다.
기존 중요지수 파악 방법에 비해 다음과 같은 차별점이 존재한다. 즉, 기존의 사용되는 지수 별 중요도 파악 방법은 사용된 알고리즘에 국한되어 있었고, (ex. 랜덤포래스트의 지수 별 중요도 파악법), 직관적이지 않았다(지수 별 중요도를 파악하는 기준을 파악하기 어렵고, 직관적으로 이해가 잘 되지 않음). 또한, 모든 고객군에 해당하는 하나의 지수중요도 수치가 계산이 되고 있다.
하지만, 본 발명의 지수 중요도/영향력 계산 방법은 모든 모델에 공통적으로 사용될 수 있고, 이해가 직관적으로 가능하다. 또한, 저위험군, 중위험군, 고위험군, 초고위험군등의 위험군마다 각각 다른 지수 중요도가 계산이되기 때문에 고객에게 맞는 지수 중요도를 파악할 수 있다.
이상, 본 발명자에 의해서 이루어진 발명을 상기 실시 예에 따라 구체적으로 설명하였지만, 본 발명은 상기 실시 예에 한정되는 것은 아니고, 그 요지를 이탈하지 않는 범위에서 여러 가지로 변경 가능한 것은 물론이다.
10 : 컴퓨터 단말
30 : 상담 서버/ 상담 시스템 31 : 표본자료 수집부
32 : 건강검진 수집부 33 : 질환 예측부
34 : 위험군 분류부 35 : 지수분포 생성부
36 : 생체지수 평가부 37 : 관리지수 추출부
40 : 데이터베이스 41 : 표본자료DB
42 : 위험군DB 43 : 지수분포DB
80 : 네트워크

Claims (8)

  1. 질병 예측치의 분포를 이용한 건강관리 상담 시스템에 있어서,
    과거 환자들의 건강정보 데이터를 표본 데이터로 수집하는 표본자료 수집부;
    고객의 건강정보 데이터를 수집하는 건강검진 수집부;
    건강정보 데이터를 이용하여 질환을 예측하는 질환 예측부;
    상기 표본 데이터의 각 환자 데이터로부터 각 환자의 질환 예측치를, 상기 질환 예측부를 통해 획득하고, 질환 예측치의 크기에 따라 각 환자를 다수 개의 위험군 그룹으로 분류하는 위험군 분류부;
    상기 표본 데이터의 각 환자에 대하여, 각 생체지수 별로 각 위험군에 속하는 환자들의 생체지수 값으로 분포를 생성하는 지수분포 생성부;
    각 질환에 대하여, 해당 질환의 위험군 간의 생체지수 분포의 차이 정도를 산출하여, 각 생체지수의 영향력을 산출하는 생체지수 평가부; 및,
    상기 질환 예측부를 통해 고객의 질환 발병 예측치를 산출하여 발병 위험이 있는 질환을 추출하고, 추출된 질환의 생체지수들 중에서 해당 생체지수의 영향력의 크기에 따라 관리지수로 추출하는 관리지수 추출부를 포함하고,
    상기 질환 예측부는 질환예측모델을 사용하여 고객의 질환을 예측하되, 상기 질환예측모델은 사전에 정해진 입력 변수의 입력값을 입력받으면, 사전에 정해진 각 질환 변수의 발병 확률을 출력하고, 상기 질환예측모델은 학습 데이터에 의해 내부 변수들이 학습되는 모델로 구성되고,
    상기 생체지수는 상기 건강정보 데이터의 항목으로 만들어지고,
    상기 관리지수 추출부는 획득된 질환 예측치가 어느 위험군에 속하는지를 판별하고, 발병 예측치가 높은 위험군으로서 사전에 정해진 위험군에 속하면 발병 위험이 있는 질환으로 판단하고,
    상기 생체지수 평가부는 분포의 차이를 해당 분포의 누적분포함수를 이용하여, 해당 누적분포함수의 최대 잔차를 계산하고, 계산된 최대 잔차를 이용하여 분포의 차이를 구하는 것을 특징으로 하는 질병 예측치의 분포를 이용한 건강관리 상담 시스템.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 제1항에 있어서,
    상기 관리지수 추출부는 해당 고객의 발병 위험이 있는 질환의 생체지수 중 영향력이 높은 생체지수를 선정하되, 영향력이 높은 순에 의해 사전에 정해진 개수를 선정하거나, 사전에 정해진 영향력의 기준치 이상이 되는 생체지수를 선정하고, 선정된 생체지수에 대하여, 고객의 생체지수를 산출하고, 산출된 고객의 생체지수와, 해당 질환의 정상 위험군의 생체지수가 정상 위험군의 생체지수의 분포의 정상 분위 밖인지를 판단하고, 분위 밖인 경우, 해당 생체지수를 관리지수로 최종 추출하는 것을 특징으로 하는 질병 예측치의 분포를 이용한 건강관리 상담 시스템.
  6. 삭제
  7. 제1항에 있어서,
    상기 고객 또는 상기 환자의 건강정보 데이터는 인구사회학적 정보와, 건강검진 데이터로 구성되는 것을 특징으로 하는 질병 예측치의 분포를 이용한 건강관리 상담 시스템.
  8. 제1항에 있어서,
    상기 시스템은, 특정 질환의 특정 생체지수에 대하여, 위험군의 분포를 표시하고, 분포 상에서 고객의 생체지수를 출력하는 결과 출력부를 더 포함하는 것을 특징으로 하는 질병 예측치의 분포를 이용한 건강관리 상담 시스템.
KR1020210040913A 2021-03-30 2021-03-30 질병 예측치의 분포를 이용한 건강관리 상담 시스템 KR102342770B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020210040913A KR102342770B1 (ko) 2021-03-30 2021-03-30 질병 예측치의 분포를 이용한 건강관리 상담 시스템
PCT/KR2022/004222 WO2022211385A1 (ko) 2021-03-30 2022-03-25 질병 예측치의 분포를 이용한 건강관리 상담 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210040913A KR102342770B1 (ko) 2021-03-30 2021-03-30 질병 예측치의 분포를 이용한 건강관리 상담 시스템

Publications (1)

Publication Number Publication Date
KR102342770B1 true KR102342770B1 (ko) 2021-12-23

Family

ID=79175827

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210040913A KR102342770B1 (ko) 2021-03-30 2021-03-30 질병 예측치의 분포를 이용한 건강관리 상담 시스템

Country Status (2)

Country Link
KR (1) KR102342770B1 (ko)
WO (1) WO2022211385A1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102434112B1 (ko) * 2022-01-12 2022-08-24 주식회사 에이치디메디 질병 예측 모델 생성 방법 및 장치, 이를 이용한 사용자 맞춤형 질병 예측 시스템 및 방법
WO2022211385A1 (ko) * 2021-03-30 2022-10-06 주식회사 라이프시맨틱스 질병 예측치의 분포를 이용한 건강관리 상담 시스템

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060037123A (ko) 2004-10-27 2006-05-03 에스케이 텔레콤주식회사 이동단말기를 이용한 건강관리 시스템 및 그 방법
KR20160145244A (ko) 2015-06-09 2016-12-20 이화여자대학교 산학협력단 스마트 건강관리 정보 서비스 방법 및 그 방법을 실행하는 컴퓨터프로그램
KR20170060557A (ko) * 2015-11-23 2017-06-01 한국전자통신연구원 건강 관리 장치 및 그것의 미래 건강 예측 방법
KR20170061222A (ko) * 2015-11-25 2017-06-05 한국전자통신연구원 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치
KR20170131067A (ko) 2016-05-20 2017-11-29 정택진 통합 건강관리 서비스 제공 방법 및 장치
KR20190030876A (ko) * 2017-09-15 2019-03-25 주식회사 셀바스에이아이 건강 위험 예측 방법

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101876858B1 (ko) * 2017-03-13 2018-07-11 삼성화재해상보험 주식회사 질병 발현 예측 및 컨설팅 시스템
KR101792982B1 (ko) * 2017-07-25 2017-11-20 국민건강보험공단 건강 메시지 관리 장치
KR101927669B1 (ko) * 2018-08-14 2019-03-12 국민건강보험공단 모바일 단말기와 연계된 맞춤형 건강관리 서비스 알고리즘 제공 방법
KR102342770B1 (ko) * 2021-03-30 2021-12-23 주식회사 라이프시맨틱스 질병 예측치의 분포를 이용한 건강관리 상담 시스템

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060037123A (ko) 2004-10-27 2006-05-03 에스케이 텔레콤주식회사 이동단말기를 이용한 건강관리 시스템 및 그 방법
KR20160145244A (ko) 2015-06-09 2016-12-20 이화여자대학교 산학협력단 스마트 건강관리 정보 서비스 방법 및 그 방법을 실행하는 컴퓨터프로그램
KR20170060557A (ko) * 2015-11-23 2017-06-01 한국전자통신연구원 건강 관리 장치 및 그것의 미래 건강 예측 방법
KR20170061222A (ko) * 2015-11-25 2017-06-05 한국전자통신연구원 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치
KR20170131067A (ko) 2016-05-20 2017-11-29 정택진 통합 건강관리 서비스 제공 방법 및 장치
KR20190030876A (ko) * 2017-09-15 2019-03-25 주식회사 셀바스에이아이 건강 위험 예측 방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022211385A1 (ko) * 2021-03-30 2022-10-06 주식회사 라이프시맨틱스 질병 예측치의 분포를 이용한 건강관리 상담 시스템
KR102434112B1 (ko) * 2022-01-12 2022-08-24 주식회사 에이치디메디 질병 예측 모델 생성 방법 및 장치, 이를 이용한 사용자 맞춤형 질병 예측 시스템 및 방법

Also Published As

Publication number Publication date
WO2022211385A1 (ko) 2022-10-06

Similar Documents

Publication Publication Date Title
KR102558021B1 (ko) 임상 의사결정 지원 앙상블 시스템 및 이를 이용한 임상 의사결정 지원 방법
US20170147777A1 (en) Method and apparatus for predicting health data value through generation of health data pattern
US20170308981A1 (en) Patient condition identification and treatment
JP5054984B2 (ja) 個別健康指導支援システム
US7805385B2 (en) Prognosis modeling from literature and other sources
US20040225200A1 (en) System and method of analyzing the health of a population
US10593000B2 (en) System and method for determining thresholds or a range of values used to allocate patients to a treatment level of a treatment program
Shenas et al. Identifying high-cost patients using data mining techniques and a small set of non-trivial attributes
US11450434B2 (en) Implementation of machine-learning based query construction and pattern identification through visualization in user interfaces
KR102342770B1 (ko) 질병 예측치의 분포를 이용한 건강관리 상담 시스템
KR20180002234A (ko) 치매 조기 진단을 위한 스마트 검사장치 및 그 방법
Hsu A decision-making mechanism for assessing risk factor significance in cardiovascular diseases
CN114783580B (zh) 一种医疗数据质量评估方法及系统
KR102211391B1 (ko) 고령자 대상 인지장애 조기 검진 및 커뮤니티케어 매칭 서비스를 제공하는 시스템 및 방법
US20100088111A1 (en) System and method for obtaining, processing and evaluating individual blood type and ayurvedic core constitution (prakruti) to construct a personalized health risk assessment report
KR102442873B1 (ko) 보험 설계를 위한 질환예측 서비스 시스템
US20160117468A1 (en) Displaying Predictive Modeling and Psychographic Segmentation of Population for More Efficient Delivery of Healthcare
KR100554355B1 (ko) 개인별 맞춤 건강증진서비스 제공장치 및 그 방법
WO2016006042A1 (ja) データ分析装置、データ分析装置の制御方法、およびデータ分析装置の制御プログラム
JP2011134106A (ja) 医療情報収集システム、医療情報収集処理方法及び医療情報収集画面表示制御方法
KR20180002229A (ko) 치매 정보 데이터베이스 구축을 위한 에이전트 장치 및 그 운영방법
JP2000099605A (ja) 健診情報分析サーバおよびネットワーク健康情報システム
KR20160123151A (ko) 의료 정보 제공 시스템
JP4499542B2 (ja) 医療情報処理装置、および、プログラム
EP3799064A1 (en) Analysis system and analysis method

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant